在电机控制系统中安装过流保护有两方面的意义：一是防止在电机正常运行时，电机出现超载或堵转而使得电枢绕组电流过大损害电机甚至引发火灾；另一方面是由于电机肩动时启动电流很大，往往不能直接启动，既需要等励磁绕组逐渐建立磁场后再正常运行，又希望电机以尽量快的速度肩动起来。有了过流保护对电流进行斩波，可以使电机安全快速地启动。过流保护原理图如下图所示。电机的相电流通过康铜丝转换成电压信号Vtext，经过运算放大器放大后的模拟量AD1送至控制器A/D转换模块，同时将经过电压比较器比较后的数字量EVA送至控制器的外部中断口。针对搬运机器人的前轮转向舵机和后轮驱动电机的控制要求，采用以Cortex-M3为内核的STM32F107作为主控制器，采用嵌入实时操作系统μC/OS-II，将程序分成启动任务、电机转速控制任务、舵机控制任务等相对独立的多个任务，并设定了各任务的优先级。该系统能较好地实现搬运机器人的运动控制。

着人工成本的不断升高，用机器人代替人力去做一些重复性的高强度的劳动是现代机器人研究的一个重要方向。搬运机器人在导航寻迹中，需要后轮驱动电机和前轮舵机的协调工作。搬运机器人电机驱动有其特殊的应用要求，对电机的动态性能要求较高，能在任意时刻到达控制需要的指定位置并且使舵机停止在任意角度；电机驱动的转矩变化范围大，既有空载平整路面行使的高速度、低转矩工作环境，也有满负载爬坡的运行工况，同时还要求保持较高的运行效率。功率驱动的设计电机的供电电源是由24V的蓄电池提供，额定功率为240W，由4个75N75组成桥式电路来实现。75N75是MOSFET功率管，其最高耐压75V，最高耐流75A，电机驱动电路下图所示。Q1、Q4和Q2、Q3分别组成两个桥路，分别控制电机的正转和反转。高端驱动的MOS管导通时源极电压和漏极电压相同且都等于供电电乐VCC，所以要实现MOS管正常的驱动，栅极电压要比VCC大，这就需要专门的升压芯片IR2103.控制器产生的PWM信号输入HIN引脚，控制器I/O口输出的EN1、EN2作为使能信号。输出端HO就可得到比VCC要高的电压，且高出的电压值正好是充在电容两端的电压。二极管提高导通速度，使得75N75的导通电阻更小，降低了开关管的损失。同时IR2103的两个输出口HO、LO具有互锁功能，防止由于软件或硬件错误造成的电机上下桥臂直通造成短路。

RS485总线 本设计采用485总线进行通信通过主板发出指令来控制从板从而控制各个舵机的工作：舵机控制电路 每块从板上共有六组舵机驱动，用P117光耦进行隔离电路图如下：

机器人控制电路设计本次所设计的机器人是由新华龙C8051F310控制，两条人形机械腿由十二个舵机组成由三块电路板控制。且三块电路板由三名组员分别设计完成。其中一块主控板控制两块从板，通过485总线进行通信，从而实现机械腿的协调动作。一． 电源电路   电源芯片采用AZ1084和LM1117。其中AZ1084输入电压为7.2v，输出电压为5v，LM1117输入电压为5v，输出电压为3.3v。F310单片机的工作电压是3.3v，因此需要经过两次降压达到3.3v。为了稳定工作电压，采用IB0505LS来稳定单片机的工作电压。

成像对于许多机器人应用至关重要，能让机器人执行基本任务，躲避障碍物，进行导航以及确保基本安全。显然，提供成像的方式是采用低成本视频摄像头，或者再好点，使用两个摄像头实现立体视野和深度感知。但后者存在一些缺点。使用双摄像头实现三维成像会增加功耗和空间需求，同时也会使外形尺寸和制造工艺变得复杂，并且增加成本。由于三维成像是从基本“协助”单元到自主驾驶车辆应用的主流，因此设计人员需要比简单添加更多摄像头更好的替代方案。为此，设计人员正在越来越多地使用替代方案，这些方案在封装、成本、功耗、数据缩减和整体性能方面存在优势。这些替代方案中就有飞行时间(ToF)成像系统（通常又称为光探测和测距，或称作LIDAR）。这些成像系统可采用红外(IR)成像（通常称为热成像）作为辅助手段。从IR谈起红外电磁波的波长比可见光谱红端的电磁波更长；IR波段的波长通常被认为在700nm(0.7μm)到1mm(1000μm)之间。简单的说，这些波长表示物体的热辐射。通过恰当的IR成像系统，此IR“热图”被转换为可见光图像，通常含有添加的伪色，以突出相对温度（图1）。注意，该IR成像不同于IR传感。感测是一种用于检测，或者甚至是测量热源的非接触方法，例如人员经过作为报警系统一部分的被动红外(PIR)传感器，或者监测到管道过热；没有类似图像的细节或者图像分辨率。为何使用IR来替代，或者用于补充传统的可见光成像？有多个理由：当感兴趣的物体融入到背景中，无论是故意隐藏或只是巧合，这时IR就能发挥其价值IR能帮助定位视野中的人员或温血动物在寻找造成局部发热的常见故障时，如过热的管道、蒸汽管路、阴燃火灾或电器故障等，IR也可非常有用现在，由于高集成度、高性能元件的出现，并且这些元件具有易于使用的接口，使得实施IR成像子系统大为简化。例如，FLIRSystems,Inc.的LeptonIR摄像头（图2）。该器件的尺寸约为10×12×6mm，集成了定焦镜头组、适用于8-14μmIR的80×60像素长波红外(LWIR)微测传感器阵列、以及信号处理电子元件。通过使用行业标准MIPI和SPI视频接口，以及类似双线I2C的串行控制接口，使得互连大大简化（图3）。除了尺寸小巧、易于使用，Lepton单元还具有高性能，成像快（不超过0.5秒），且热灵敏度低于50mK。工作功率也较低，为150mW（典型）。这样的产品得益于用户的实践经验，因此FLIR为摄像头模块提供分线板，它兼容基于ARM的评估板和RaspberryPi（图4）。这款25mm×24mm的电路板需要3V到5.5V单电源供电，带有25MHz系统时钟、用于其他低噪电源轨的内部LDO、标准互连接头，以及用于Lepton模块自身的32引脚Molex排针。ToF的兴起热图像对于许多应用都很有用，但却不能满足这些应用的全部要求，此时就需要通常采用3D技术的可见光成像系统。显而易见，这就需要采用标准的视频摄像头。现在许多厂商都提供这样的摄像头，并且提供许多不同的分辨率、光灵敏度、尺寸和接口选择。若需要立体成像，则使用一对摄像头。尽管热成像已问世数十年，但相比如今的成像装置，其性能欠佳、成本和功率消耗较高，而ToF技术则相对较新。20世纪90年代，此项技术首先作为学术概念被提出，然而能让它切实可行的基本元件和处理能力直到过去十年才出现。ToF通常是许多应用的首选成像方法，包括自主驾驶车辆（自动驾驶汽车），并且已经进行数百英里的实际道路测试。（在架构方面，智能或自主车辆属于轮式机器人系统，带有传感器、算法和定义的动作，只是角度不同。）相比传统成像摄像头，ToF方法实际上具有一些明显优势（讨论如下）。工作方式：传统摄像头成像的工作原理通常被工程设计人员所理解，比较直观，而ToF则了解的人不多，并且更多依赖于通过方程和感测到的光子实现。此项技术包括两个关键元件：一个精确控制和调制式光源（固态激光或LED，通常在850μm近IR范围下工作，因此肉眼不可见）、一个用于“查看”由来自成像场景的发射光线反射的像素阵列。要完全了解ToF原理，需要明白定义其工作原理的方程式，且要考虑一些不可避免的错误来源，然后对其进行补偿。整体ToF过程可通过两种方式完成：光源以低占空比脉冲重复，或者由连续正弦波或方波源进行调制。若使用脉冲模式，反射的光能通过两个异相窗采样，这些采样值用于计算到目标的距离。若使用连续模式，传感器每次测量时取四个采样值，每个采样值偏置90⁰，这样便可计算照射和反射之间的相位角以及距离。ToF序列和计算的输出是表示成像区域的点数据集合，术语“点云”由此而来。[1]相对利弊：使用一个或两个摄像头的传统成像，还是使用ToF方法，需要根据应用的具体情况进行判断。对于基本的检测和缺陷识别，假设物体已知并且目标在照明受控的环境中经过特征提取/对比，那么提供二维图像的单摄像头通常是最佳选择。但是，若照明发生变化，ToF可能会更好，因为它受到环境光线变化的影响较小。对于使用两个传统摄像头的三维成像，需要以机械和安装问题为起点从多方面考虑并做出决定。即使这些都不是问题，处理图像的系统也必须采用功能强大的算法，以解决“对应”问题，即将一个摄像头中场景中的点和另一个摄像头中场景中的相同点匹配。这样做需要大量颜色或灰阶变化，深度准确性通常由于成像场景的不均匀表面而受到限制。相比之下，ToF系统受到机械问题、照明与对比度问题的影响较小，不需要三维结果的图像对应匹配。鉴于具有响应快、处理大范围客观特征的能力，以及生成的点云的本质，ToF系统非常适合于在自主驾驶车辆中将手势、面部或身体姿势转换为命令，以及捕捉周围环境。然而，由于许多基础成像摄像头已成为市面上的常见设备，因此使用传统的单个或两个摄像头配置的解决方案成本更低。实现：ToF系统有五个主要的功能块：光源：生成精确定时的光源脉冲的元件光学器件：对焦传感器上的光线对焦镜头；可能还带有光学带通滤波器，以降低环境光线的“噪声"图像传感器：用于捕捉从被照射场景反射回的光线管理电子元件：控制发光单元和图像传感器，并使其同步计算单元和接口：根据发出光线与返回光线的时间差以及感测到的光子计算距离选择光发射器和成像传感器是配置ToF系统的第一步。发射器选择包括二极管，如VishayVSMY1850X01，这是一种专用于高速运行的850μmIR器件。该器件支持由100mA驱动的10纳秒上升和下降时间，使其适合脉冲模式。传感器或像素阵列是ToF系统的核心，现在已能作为更大、集成度更高的设备的一部分提供，如TexasInstrumentsOPT8241飞行时间传感器/控制器IC（图6）。如简化型框图（图7）所示，该器件包括传感器源（上述项目3）、控制电子元件（项目4），并且可向诸如OPT9221飞行时间控制器等协同处理器提供数字化反射数据，处理器可利用数字化传感器的数据计算深度数据。OPT9221还具备各种校正功能，包括抗锯齿、非线性补偿和温度补偿。正如设计用于不仅能够捕捉场景，还能以一致、有用的方式进行的任何视频系统一样，ToF软件的设计并不繁琐。TI提供详细的用户指南[2]、估算工具，以便设计人员评估性能和参数的相互作用，如深度分辨率、二维分辨率（像素量）、距离范围、帧率、视场(FoV)、环境光和物体的反射率。结论机器人系统的设计人员始终面临如何提供细节清晰的“周围环境感测”的挑战。幸运的是，如今的设计人员可以采用高性能、功能强大、相对低成本的技术，包括红外成像、传统视频摄像头、甚至基于飞行时间原理的LIDAR。因此，由于它们的整体功耗较低，许多全套设计采用这些方法的组合，以克服任何单一技术的缺陷，从而提供更全面的多维度图片。

无人机的应用场景越来越多，包括在紧急情况或灾难现场用作应急人员工具箱的一部分。例如，在巴黎圣母院火灾期间，无人机最初用来报告活跃火灾的规模、热量和范围。此外，它们还配备热成像能力，以搜索仍然困在里面的人员。后来，无人机又用于评估损坏情况。显然，这种应用要求以足够的分辨率透过烟雾和火焰等复杂条件去观察情况，挑战不小。为了应对这些挑战，在无人机上增加更多传感器是很诱人的想法，但设计人员需要始终意识到，无人机是由电池供电的，并且在许多情况下对成本很敏感。因此，设计人员需要在功能、成本、尺寸、重量和功耗(SWaP)之间取得微妙的平衡。当考虑给无人机设计增加传感器和成像设备时，找到这种平衡是主要目标。本文讨论设计人员向无人机添加传感器时需要考虑的架构权衡因素。其中应特别注意电源，电源可能会有磁性元件，这会增加重量并占用宝贵的空间。此外，本文将介绍一些供应商提供的合适电源和传感器解决方案，包括TexasInstruments、EfficientPowerConversion、AnalogDevices、BoschSensortec、STMicroelectronics和SparkFunElectronics。无人机架构设计考虑因素电源：设计人员一旦知道实现无人机最佳性能所要关注的重点方面，便可寻找方法来尽可能减小其物理尺寸和重量，首先是创建尽可能高效的电源。这将使得电源整体的尺寸和重量最小化，从而实现更小、更轻的无人机。由于采用电池供电，电源效率更高的无人机将能以更小的电池尺寸和重量工作。无人机电池的典型选择是可充电锂电池（Li-Ion或Li-Po型），特别是如果设计人员计划在降落或悬停于无线充电器上时为电池充电，或者计划在着陆时通过外部充电器充电。设计人员还可以使用标准的非充电电池作为电源，在电池用完后更换电池。选择DC/DC转换器时，由于转子电机产生的反电动势(BEMF)的高电压脉冲，设计人员需要使用宽输入范围的器件。当电机减速时，在单独的DC/DC转换为转子电机供电后，此BEMF将出现在DC/DC转换器的输入端。TexasInstruments的LM5161DC/DC电源转换器IC是无人机电源的上佳选择，因为当编程为断续导通模式(DCM)时，它提供严格稳压的降压输出，而无需任何其他外部反馈纹波注入电路。它还集成了高压侧和低压侧MOSFET，可节省电路板空间。为了提高可靠性，LM5161具有峰值和谷值限流电路，可防范过载情况。作为附加预防措施，欠压锁定(UVLO)电路可提供独立可调的输入欠压阈值和迟滞。无人机上很可能会有许多传感器，还有相关的传感器融合IC、主处理器和螺旋桨电机。这些都需要良好的电池控制系统。设计人员可以在他们选择的通常使用功率晶体管的电源架构中选择氮化镓(GaN)功率晶体管。GaN将有助于以最小的尺寸/基底面实现最佳的性能效率。无线电源-悬停时充电[理论探讨]：1、2、3这是理想的方式，因为当无人机着陆并关停以充电时以及再次起飞时，转子电机的启动和提升需从电池消耗大量电力。EfficientPowerConversion是研究悬停时无线充电的众多公司之一。一种电源选择可以是基于GaNFET的无线充电架构，例如EfficientPowerConversion的EPC2019。基于GaN的FET支持13.56兆赫(MHz)的开关频率，这是普通硅FET难以达到的。如此高的开关频率还能使电源磁性元件的尺寸和重量最小化。另外，GaN晶体管比硅器件小五到十倍，但能处理相同的功率水平。使用此类电源，无人机不必着陆，而是可以悬停在无线充电基座上充电。设计人员会发现，可使用很多评估/开发板来加快无线电源的上市时间。对于EPC2019GaNFET，EfficientPowerConversion通过EPC9513无线电源接收器开发板对其进行支持，使其可用于无人机内部。该开发板对设计人员很重要，因为它基于AirFuel标准，可确保经认证的无线设计可与全球其他无线充电产品互操作。设计人员可以向供应商索要演示板的Gerber文件，以便重新创建演示板的优化布局。太阳能：另一种电源选择是使用太阳能为无人机电池充电。对此而言，PowerFilmInc.的PT15-75太阳能电池是一个不错的选择。PT15-75可以与AnalogDevices的LT3652电池充电器IC一起使用，实现巧妙、紧凑的电池充电器设计（图1）。请记住，当面板连接到负载并提供电流时，实际上不存在开路电压(Voc)为输出的情况。图1：通过添加此2A太阳能电池充电器，设计人员可以创建可靠、高效的无人机电源；充电器中增加了热敏电阻RNTC以补偿最大功率水平下的太阳能电池（如PT15-75）温度系数。（图片来源：AnalogDevices）LT3652输入稳压环路还能够找到太阳能电池板的最大功率工作点，从而优化太阳功率转换的效率，以向电池提供最大输出功率。传感器：传感器既能增加无人机的可控性，又能提高其实用性。关于无人机控制，传感器可以支持自动水平模式、恒定高度模式或绕行特定物体或目标点的轨道模式。所有这些附加特性都依赖于高性能惯性测量单元(IMU)和大气压力传感器来实现最佳用户体验，并提高专用或商用无人机的可靠性。设计人员可能需要提高无人机性能，这就可能要用到输出信号漂移极低的陀螺仪，以确保无人机处于适当的方向、位置和平衡状态，尤其是在温度条件不断变化的情况下。这可以通过使用BoschSensortec的BMI160加速计和陀螺仪组合来实现，该组合是一个具有九轴传感器数据融合功能的小型低功耗IMU。尺寸为2.5x3.0毫米(mm)，高度为0.83mm；即使陀螺仪和加速计处于全面工作模式，功耗也仅为925微安(µA)。它采用1.71V至3.6V电源供电。作为BMI160的补充，带有温度传感器的数字气压传感器将有助于测量垂直速度、增强GPS导航并确定无人机的高度。为了保持精度，建议偶尔在海平面压力下校准气压计。BoschSensortec的BMP388气压和温度传感器IC是一个很好的例子，设计人员可以将其集成到架构中。此传感器模块的基底面仅有2x2mm2，高度为0.88mm，在1赫兹(Hz)时的功耗低至3.4µA，非常适合于电池供电。该器件的相对精度典型值为+/-8Pa，绝对精度典型值为+/-50Pa，有助于改善无人机的悬停和避障能力。为了检测多个轴上的运动，STMicroelectronics的ISM330DLCTRiNEMOIMU系统级封装(SiP)模块将加速计和陀螺仪与磁力计整合在一个单片六轴IC中。这种配置可使无人机在悬停时保持水平、垂直和旋转稳定性。对于专业级无人机摄影和3D成像之类的应用，需要六轴陀螺仪稳定性，而ISM330DLCTR可提供这种能力。陀螺仪测量并保持无人机方向。将三个加速计集成在一起时，每个加速计沿不同轴定向，故可确定无人机沿任意轴的运动程度。这样将能更好地收集有关无人机滚转、俯仰和偏航的信息，然后将这些信息反馈给无人机的比例积分微分(PID)控制器。磁力计测量地球北磁场的强度和方向，用以校正其轨迹。务必经常校准磁力计；电力线、电机以及电气设备发出的任何其他强磁场都可能对其造成影响。加速计会检测到由外力（例如强风）引起的无人机运动，并将其传递给PID控制器，然后由PID控制器调整电机以进行补偿。测距仪：降落、悬停以及测量与物体的距离无人机需要有良好的传感器才能安全着陆，在无线充电时悬停，并检测物体以避免运动时发生碰撞。这种测距可以使用声音或光。超声波测距仪检测：可以使用超声波传感器来提供无人机着陆、悬停和地面跟踪能力。无人机在着陆过程中，需要检测从无人机底部到着陆区域的距离。尽管GPS和气压计是该控制功能的一部分，但准确的距离感应是安全着陆的关键。超声波传感器还能帮助实现安全悬停和地面跟踪，这可能需要无人机以固定高度飞行。MaxBotix的MB1010-000超声波飞行时间(ToF)测距传感器板就是其中一种用于辅助着陆、悬停和天花板检测的测距传感器。了解ToF所有这些情况都需要使用ToF方法，它是指发射的超声波到达目标所花费的时间加上反射信号回传到无人机传感器的时间（图2和图3）。图2：对于无人机着陆、悬停或无线充电，设计人员需要了解ToF概念。（图片来源：TexasInstruments）图3：超声波ToF的三个阶段。初始发射的声音(1)、静默(2)和接收到的回声(3)，用于无人机设计中的精确测距。若理解此图，加上本文中讨论的评估板和传感器，可以帮助设计人员在实施本部分中的硬件建议时达到飞行稳定性、避免碰撞和最佳无线充电的目标。（图片来源：TexasInstruments）要计算从无人机到任何物体的距离，可使用下式：TexasInstruments提供的PGA460PSM-EVM超声波接近感应评估模块可缩短设计时间。LiDAR范围检测：另一种距离检测手段是利用脉冲激光进行光检测和测距(LiDAR)。从ToFLiDAR系统获得的信息可用于创建三维图像。LiDAR技术可提供高精度、高分辨率和大覆盖范围。设计人员可以选择光学激光测距传感器，例如SparkFunElectronics的SEN-14032，这是一种基于激光的光学测距传感器，测距范围为40m。该传感器需要通过I2C与外部微控制器相连接。此类LiDAR有两种主要架构：固态LiDAR和机动360°视野旋转LiDAR。两者原理相同，都是用激光发出一束光束。固态架构使用反射镜进行扫描，而扫描旋转盘架构使用由电机驱动的转盘。第三种类型的LiDAR称为闪光LiDAR，可同时发出许多短脉冲，使用摄像头芯片接收脉冲反射，然后测量ToF。闪光LiDAR具有非常高的分辨率，但测距范围限于约30米(m)。感测环境热像仪：无人机上的热像仪会检测物体和材料的热信号/温度，并将其显示为静止图像或视频。巴黎圣母院火灾的观察和跟踪便使用了热像仪。热像仪可以检测到微小的热量差异，有时甚至可以小到0.01˚C。无人机热成像应用的另一个重要领域是灾难恢复，例如在地震或严重飓风之后，可能会留下损坏或坍塌的结构，并有人员被困在里面（图4和图5）。图4：无人机首先会使用传统相机拍摄坍塌建筑物的图像，这是重要的一步。然后通过热像仪，无人机能够感测到被困在瓦砾中的人员的体温。（图片来源：IEEE4）图5：设计人员现在拥有了在灾难情况下定位和挽救生命的工具。此图片是消防员演习中使用DJI无人机拍摄的被困人员画面。（图片来源：IndustrialEquipmentNews/MenloFireUAS/Droneprogram，由AP提供）为了在无人机中集成热成像，有一种很好的入门方法，那就是使用FLIRLepton的500-0771-01微型热像仪之类的器件。该热像仪的光谱范围为800纳米(nm)至1400nm，场景动态范围为0˚至120˚C，标称功耗为150毫瓦(mW)（工作）、650mW（快门事件期间）和5mW（待机）。湿度、压力和温度检测：为了帮助确定大气条件，设计人员可以使用BoschSensortec的BME280，它是一种具有SPI接口的数字式湿度、压力和温度传感器。其集成度高，尺寸为2.5mmx2.5mmx0.93mm，休眠模式下的功耗仅为0.1µA，感测所有三个参数时的功耗最高为3.6µA。利用多传感器开发套件加快产品上市DA14585IOTMSENSOR是DialogSemiconductor出品的一款多传感器开发套件，使用了BoschSensortec的环境传感器和TDKInvensense的运动传感器。此套件对设计人员很重要，因为它是一个很好的试验平台，可供开发无人机检测传感器融合能力并加快产品上市。此套件有一个BME680低功耗气体、湿度、压力和温度传感器，另外还有加速计、陀螺仪和磁力计。通过DA14585IOTMSENSOR的传感器融合能力，设计人员将能了解如何使用此特性来获得更好的整体检测性能，同时延长无人机电池的使用寿命。结论无人机提出了异常困难的设计挑战，要求强大的功能和长飞行时间。同任何设计一样，必须知道设备将要执行的主要任务，才能制定计划来确保满足项目要求的架构是最佳的。

HusarionCORE2旨在帮助创建者构建互联网连接的机器人和无人机。它有两种配置：a）CORE2--一种低功耗，云连接的实时计算机，带有Wi-Fib）CORE2-ROS--一种ROS供电的云连接计算机，具有Wi-Fi，结合了ARM的实时功能Cortex-M4微控制器和RaspberryPi3或华硕TinkerBoard的高计算能力。自动机器人的理想选择。硬件：实时微控制器：ARMCortex-M4@168MHz，192KBRAM，1MB闪存CORE2-ROS：主板计算机：ARMv8@1.2GHz，1GBRAM，16GB闪存（RaspberryPi3或ASUSTinkerBoard）CORE2（基础）：基于ESP32的Wi-Fi模块4个直流电机输出+4个正交编码器输入6个伺服端口，可选择电压等级（5/6/7.4/8.6V）6个传感器端口（4xGPIO，ADC/分机中断，I2C/UART，5V输出）扩展端口（12xGPIO，7xADC，SPI，I2C，UART，2xext。中断）CAN接口与板载收发器microSD卡接口USB串口（FTDI芯片）电源电压输入：6-16VDC（内置过流，过压和反极性保护）嵌入式软件框架：C++11API基于实时操作系统使用DMA，中断，RTOS功能来处理通信接口并节省处理能力并行处理多个PID用于离线开发的SDK+VisualStudio代码扩展用于在线开发的cloud.husarion.com上的WebIDEArduino兼容支持ROS（机器人操作系统）：基于Ubuntu的专用图像，带有CORE2-ROS的ROS云：您在cloud.husarion.com上列出的所有机器人轻松为每个机器人创建自定义Web用户界面通过链接或电子邮件共享机器人使用WebRTC流式传输视频-例如用于远程呈现机器人Husarion云安全你的机器人只是连接到互联网是不够的。它应该安全连接，因此未经您的批准，任何人都无法访问您的设备。在Husarion，我们在几个不同的领域解决您的机器人的安全问题：a）CORE2和云平台之间的连接-每条消息都经过加密，并且实现了完整的SSL协议，包括CORE2和CORE2-ROS。b）您的云帐户和代码执行-为用户界面提供支持的JavaScript代码在每个机器人的单独沙箱中执行。在WebIDE中编译代码时，编译也会在沙箱中进行。在沙箱中工作可确保用户不会影响服务器或其他用户帐户的操作。c）机器人共享设置-安全性并不意味着只有您可以使用机器人。感谢分享设置，您可以与朋友分享您的机器人一段固定的时间（几分钟，几小时，几天，......或永远）以及指定的访问权限（只读，完全控制等）。选择访问权限后，您可以决定如何共享机器人。有两种方法：通过“魔术链接”-任何拥有该链接的人都可以访问机器人-即使没有在cloud.husarion.com上的帐户。仅与cloud.husarion.com用户共享。使用此选项，您的朋友可以在机器人列表中看到您的机器人，如果您授予他们自由访问权限，甚至可以更改它的固件。d）CORE2-ROS的Web控制台：您可以从cloud.husarion.com用户帐户访问CORE2-ROS的Linux控制台。机器人连接到哪个网络并不重要。使用https://www.zerotier.com/项目完成连接，该项目在您的计算机和CORE2-ROS之间提供安全，轻松的VPN设置。e）运行气隙机器人：由于我们的离线SDK，最安全敏感的机器人可以在没有任何互联网访问的情况下运行。您无需成为互联网技术专家即可在线管理基于CORE2的机器人，而无需担心未经授权访问您的设备。您可以专注于您的机器人应用程序。是否需要HusarionCloud才能使用CORE2？我们经常听到的一个问题是“我是否需要使用HusarionCloud来使用CORE2？”。答案很简单：“不，不用担心，我们也会提供离线开发工具。”为此，我们为VisualStudioCode创建了一个“Husarion扩展”，为您准备开发环境，安装工具链并下载SDK。这使您可以完全脱机为机器人开发代码。安装和使用“Husarion扩展”非常简单：下载VisualStudio代码安装Husarion扩展使用USB电缆编写代码并刷新CORE2如果您是Emacs，Vim，Eclipse或任何其他代码编辑器或IDE的用户，您可以下载我们的SDK并配置您喜欢的开发环境。文章来源于网络

无刷直流(BLDC)电机寿命长、采用直流电源且相对经济实惠，因此广泛应用于硬盘驱动器、冷却风扇和DVD播放机等电子设备的设计。通常情况下，BLDC的速度和扭矩由MCU使用标量技术控制。现在一类新型应用正悄然兴起，其中以四旋翼无人机最具代表性，这类应用正日益受到业余爱好者的青睐。此外，无人机也正被监控等众多商业应用纳入考量。对这些应用而言，尤其重要的是控制器的动态响应，以及控制器在低速和无传感器的情况下平稳控制BLDC的能力。对于负载动态变化的应用来说，标量技术不够精确。而磁场定向控制(FOC)技术能够大大提高精度，因而广泛用于驱动高端工业AC设备。通过实施FOC，BLDC能够以合理的成本为无人机和其他高性能应用（例如医疗机器人、万向系统和自主驾驶车辆）提供精确控制。设计这类产品在过去并非易事。其中需要精通FOC或直接扭矩控制(DTC)等某些其他高级先进的电机控制技术，以及专用软件开发系统的操作知识。如果应用对成本敏感，例如可能在执法行动中使用的带监控摄像头的无人机，则设计经济实惠的BLDC电机也将面临挑战。磁场定向控制(FOC)用于控制BLDC电机的传统标量技术被称为六步（梯形）控制。定子以六步过程驱动，会在产生的扭矩上振荡。每一对绕组会通电，直到转子到达下一位置，而此时电机将转换到下一步。对于无传感器的应用，在定子绕组中产生的反电动势通常用于确定转子的位置。标量控制的动态响应无法处理动态负载快速变化的应用。因此，矢量控制正日益得到广泛应用，从交流电机驱动的白色家电（如洗衣机）到以电池供电的产品。FOC是矢量控制最常用的方法之一。其工作原理为：管理定子绕组以确保转子的永磁体所产生的磁通正交于定子的磁场。FOC最初是为控制三相交流电机而开发。考虑到用于小型无人机的BLDC电源是电压为21V（五节锂聚合物电池）的电池，电子元器件必须包含低压三相逆变器系统。其他主要的元器件还有电机驱动器、MCU以及执行FOC算法的软件，其中软件可能是最重要的。FOC处理在直轴-交轴(d-q)域中完成，该域是一个旋转参照系。直轴和交轴分量是磁链状态矢量分解的两个分量，即产生磁通(d)和扭矩(q)的分量。此关系如图1所示。电机定子绕组内的电流处于受控状态，以确保转子的永磁体所产生的磁通正交（成90°）于定子的磁场。除产生精确的电机控制之外，这种方式还能够提供极其精确的扭矩控制，这才是在d-q坐标系中操作的真正优势。FOC包含三个域变换：(1)定子中的测量相电流从3相静止坐标系变换到2相静止坐标系(α,β)；(2)该2相静止坐标系变换为与转子磁通对齐的旋转二项坐标系(d-q)；(3)为了实际驱动电机，d-q分量又变回到定子坐标系，用于空间矢量脉冲宽度调制(SVPWM)。此过程如图2所示。为了将d-q坐标系与转子对齐，转子位置的详细信息是必不可少的。从相对简单的反电动势过零检测，到复杂的滑模观察器和扩展Kalman滤波器，转子位置的估算技术各种各样。驱动电机从静止3相坐标系变换到2相d-q坐标系将产生之前所说的直轴和交轴分量。直轴(d)分量无有效扭矩，而事实上，它往往会增加电机的轴承磨损。因此，目标之一就是最大限度地减少此分量。交轴(q)分量可产生实际的电机扭矩，这由应用来决定。d-q分量应用于两个PI（比例-积分）控制器，分别对应零和应用扭矩设置，以产生矢量输出。两个PI控制器的输出是是所需定子电压空间矢量的（新）直轴和交轴电压分量。如之前所述，最后一步是将d-q分量转换回到定子坐标系中，以实际驱动电机。上述过程只是FOC工作方式的总结，而其实施所需的许多相当复杂的中间步骤，不在本文的范围内。有关与小型无人机直接相关的更详细的FOC讨论，您可参阅澳大利亚中央昆士兰大学的帕特里克·费雪所写的论文“HighPerformanceMotorControl”（高性能电机控制）。1所需的中间步骤包括：确定电机的特性（除极数以及电压与电流的额定值，BLDC电机很少会提供更多的铭牌信息）转子位置的估算（实施FOC控制的关键信息）设计合适的电源控制方案设计扭矩和速度控制器从头开始设计一个完整的功能性FOC电机控制系统是一项令人望而却步的任务，因此德州仪器、Atmel和NXPSemiconductors等半导体公司已经打造了开发工具，以便为简化实施FOC的设计消除大部分的复杂性。通常情况下，IC供应商也会选择将开发工具使用的软件库存储在ROM中，并使其仅可在选定的MCU上使用，以此来保护其知识产权。以德州仪器为例，该公司已将其InstaSPIN-FOC解决方案用于TIC2000Piccolo32位MCU系列的三个型号：F2806x、F2805x和F2802x。对成本极其敏感型的小型无人机应用来说，最合适的MCU是F2802xMCU系列，其中最受欢迎的产品为TMS320F28027FPTT。如之前所述，精确的电机控制依赖于精确电机模型的建立。InstaSPIN-FOC包括一个名为“观察器”的专有软件算法，可估算转子磁通量、角度、速度和扭矩(FAST)。InstaSPIN-FOC还具有电机参数识别能力，可在开发过程中离线提取必要的性能参数以及在工作过程中在线追踪参数。电机参数信息用于调整电流控制带宽。与其他技术不同的是，TI的FAST观察算法有完全自微调的功能，无需为正常工作进行任何调整。TI称该算法是市场上唯一可靠且“即时”的无传感器FOC操作性解决方案。因此，设计人员在启动开发之后，在短短几分钟之内便可拥有已完全微调的无传感器观察算法，以及完全微调的稳定FOC扭矩控制系统。在螺旋桨控制等应用中，设计人员还需要做的唯一任务就是测试与微调PI速度控制单回路，以实现所需的性能和操作。基本驱动系统的简化版本如图3所示。转速PI控制器的输出将作为PI电流控制器的输入基准信号进行连接。如果转速太低，电机将增大电流以产生更大的扭矩，从而加快转速。反过来，如果电机运转过快，电机将减少扭矩以减慢转速。这两个PI控制器共同形成了级联式控制回路，这就表示控制系统是由具有一个或多个内部回路的外部回路所组成。（图中的Kd、Kd、Ka和Kb四个变量是电机控制软件生成的系数。）关键元器件除MCU之外，一些其他的关键元器件也值得一提。三相驱动器和逆变器系统是必不可少的。小扭矩无人机等低电流应用可使用TIDRV83x2系列集成式三相电机驱动器（例如DRV8332DKDR）。DRV83x2系列包含先进的保护回路，该设计旨在促进系统的集成和易用性，以及保护设备免受短路、过流、超温和欠压等多种故障情况引起的永久性故障。可能用于商业应用的高电流系统需要独立的前置驱动器，例如DRV8301DCAR和具有三相逆变器配置的单独FET。TI的CSD18533Q5ANexFET功率MOSFET就是其中的一个例子。开发软件对于基于FOC的电机控制应用的成功至关重要。TI已在BoosterPackBOOSTXL-DRV8301中开发了包含电机驱动开发软件的套件。该套件通常是6到24V电压以及高达10A连续电流工作条件的最佳选择。这种情况需要控制板，例如采用InstaSPIN-FOC技术的C2000PiccoloTMS320F28027FLaunchPad—LAUNCHXL-F28027F。对连续电流低于3.5A的电机来说，DRV8312-69M-KIT通常是更合适的选择。和其他供应商相比，TI的产品系列更适合低压低扭矩的应用，但其他的个别供应商也可提供电机控制开发套件。例如，NXPSemiconductors为BLDC提供了电机控制开发套件。OM13068LPC1549LPCXpresso电机控制套件可与公司的LPC1549JBD48QLMCU配合使用。该平台可用于控制BLDC、BLAC、步进和双刷DC电机。在性能方面，使用了上述元器件的设计可媲美市面上用于小型BLDC电机的电机控制器。定制FOC控制器和Plush40等商用控制器之间最显著的区别在于速度极低时的换向能力。FOC控制器能够以大约100RPM的速度控制所有四个电机。此外，通过使用InstaSPIN的速度环路，电机能够在这些低转速的情况下产生极大的扭矩。定制FOC板也可实现快于商用控制器的最高电机速度。平均来说，在电机速度从零增加至全速时，定制FOC控制器所需的时间减少了35%。另外，每个电机在FOC控制下的空载转速比任何受测试的商用控制器都要快。1结论一类新型的电机控制应用正在兴起，此应用需要对小型BLDC电机具备出色的动态响应。这些应用包括医疗机器人、万向系统、自主驾驶车辆和小型无人机。虽然FOC电机控制技术在过去几十年中广泛用于AC工业电机和白色家电电机，但由于此技术非常复杂，且需要高性能的MCU，因此迄今为止尚未应用于由电池组供电的小型电机。然而过去几年出现了让这种可能成为现实的新产品。文章来源网络

随着自动驾驶车辆即将来临，开发其软件和硬件的艺术和工艺仍然难以实现。这并不奇怪：毕竟这个领域还处于起步阶段。设计一个强大的系统涉及最先进的软件和（可能）危险和昂贵的硬件的紧密合作。因此，入门栏设置得非常高，仅适用于拥有大量资源的公司，例如Alphabet'sWaymo。我相信，对于想要尝试它的人来说，可以使用这种技术的近似值，就像使用VR和GoogleCardboard一样。该项目的重点是建造一个低成本的DIY机器人汽车，具有先进的传感器，驱动和连接。目标是允许任何人在这个小型机器人上实施尖端机器人和自动驾驶汽车算法。作为一名软件工程师，我经常理所当然地认为我工作的领域的民主化和开放性。我常常忽略了最先进技术的奇迹，只需在Github上公开，一些终端命令远离在我的桌面上工作。幸运的是，自动驾驶汽车领域似乎正朝着这个方向迈出了一步。有针对该主题感兴趣的人提供MOOC和免费在线资料。但是，他们仍然缺乏硬件平台，学习者可以安全快速地评估他们的想法。我们现在最好的希望是模拟器。我相信，对于想要尝试它的人来说，可以使用这种技术的近似值，就像使用VR和GoogleCardboard一样。你能猜出这是怎么回事吗？我提议的平台与GoogleCardboard不同。原则保持不变：低成本（或由您可能已拥有的东西制成），无需专业知识即可开始使用。我一直致力于基于智能手机的遥控车，它可以重复使用所有现代设备上的传感器（GPS，指南针，加速度计，灯光），连接和高分辨率相机。设计机器人有3个主要组件：3D打印机箱机器人的主体基本上是一个先进的智能手机壳。由于手机水平放置，通常相机会看天花板，这不是很有用。因此，在相机顶部有一个镜子，以45度角放置，这样机器人就可以向前看。机箱上放置了许多有源组件。汽车由一个通过一系列减速齿轮连接到后轴的无刷电机驱动。甲旋转编码器被连接到马达的轴上。转向由位于机箱前部的小型伺服控制。车载电子产品为了控制致动器和读取遥测数据，在底盘上安装了少量电子元件。主电路板基于出色的NRF52SOC。它提供蓝牙LE无线电与手机通信。伺服由芯片直接控制，但电机需要额外的电子速度控制器（ESC）。软件为了简化开发，软件分为计算机和手机应用程序。目标是让应用程序尽可能简单，只实现最基本的连接。这使得应用程序不在迭代开发循环中，由于更强大的硬件和机器人软件可用性（例如ROS），这在计算机上要快得多。缺点是机器人必须始终连接到计算机（通过WiFi），并且在读取传感器时会引入一些延迟。由于现代智能手机的视频处理和连接功能，延迟降至最低-相机图像平均延迟80ms，传输转向命令和接收本地WiFi遥测时不可察觉的延迟。通过委托给车载电子设备的实时控制，可以从舒适的10Hz+环路控制机器人。得益于各种可用的传感器，该车可用于实现多种机器人和自驱动算法-通过将加速度计，指南针，编码器和GPS数据融合到使用计算机视觉（或机器学习）进行导航的强大定位。文章来源网络

毫米波技术如何为自主机器人提供边缘智能，使传感器能够做出实时决策，以减缓或停止机器人，并确保其在工业机器人应用中的持续性能。TI毫米波传感器可用于旨在帮助工业机器人避免碰撞的系统中，解决同人类和其他物体相互作用的机器人协同互动的关键问题。若边缘需要额外的机器学习处理，毫米波传感器可与工业级处理器（如Sitara™处理器）无缝协作，以提供额外智能。了解TI毫米波传感器和Sitara处理器如何实现智能机器人技术就像汽车先进的驾驶员辅助系统可使用毫米波进行环绕全景监控和障碍物探测一样，毫米波传感器有助于解决自动导引车（如物流机器人、运载工具、叉车和液压车）的类似挑战，如图1所示。图1：各种自动导引车3D点云探测具有三发射器和四接收器天线配置的毫米波传感器可在方位角和仰角平面上使用角度信息实现最大30m的3D物体探测，以便从高处探测物体。这对于叉车这样的车辆极其有用，因为它的传感器位于离地面较高的位置。单个传感器能够在120度视野范围内探测物体，从而最大限度地减少环绕监测系统所需的传感器数量。高分辨率、准确探测由于毫米波传感器在4GHz带宽下工作，因此可识别间隔4cm的单独物体，并在可能被漆黑、灰尘或物理屏障遮挡的区域中操作。这种高分辨率能力是必要的，以便传感器准确地计数和识别物体或人员，并实时触发适当动作，比如在碰撞之前停止机器人。除实时物体感测和避碰外，毫米波传感器还提供额外功能，以使智能工业机器人成为可能。地速和边缘探测TI毫米波技术通过多普勒频移提供亚毫米级精度和高分辨率，实现精确的地速感测，使传感器系统能够计算车辆的地面速度并探测地面边缘，例如车轮可能滑动的装卸凉台，以避免不可恢复的情况。透明物体探测TI毫米波传感器可以探测透明物体，如玻璃和塑料以及暗物，这可能对某些光基技术有所挑战。提高探测精度有助于避免与玻璃屏障或物体碰撞等潜在意外事故。符合SIL-2标准TI的60GHz毫米波传感器可帮助系统满足IEC安全完整性等级（SIL）-2标准，以便在人机交互密切时进行事件管理。在设计SIL-2认证系统时，工程师可直接使用TI毫米波传感器提供可能需要系统实施额外安全处理器系统或冗余传感器系统从而获得认证的功能。自主机器人中的TI毫米波传感器作为数字信号处理器的一部分，TI高度集成的毫米波雷达传感器具有先进的聚类和跟踪算法，可在边缘提供智能自治。图2所示为带有集成处理的TI毫米波芯片。图2：比较典型的前端传感器解决方案和可实现边缘智能的集成的TI毫米波传感器。由于TI毫米波传感器不受环境（雨、灰尘、烟雾）和照明条件的影响，且可通过塑料等材料感知，因此它们无需外部透镜、孔径或传感器表面就可有效探测机器人路径中的物体。更多边缘智能深度学习是机器学习的一个子集，在工业领域越来越受欢迎。TI提供硬件和软件支持，帮助设计人员为包括机器人技术在内的各种应用带来深度学习推理。对于发生智能传感器自带数据处理能力不足的应用，配备高达1.5GHz高性能Arm®Cortex®-A15内核以及双核C66x处理器的SitaraAm57x处理器系列能够运行深度学习推理和传统的机器视觉算法，可解决预测性维护和剩余使用寿命等应用的机器学习需求，或者基于超出现有功能的传感器输入做出决策。SitaraAM57x处理器为工业通信（EtherCAT、Profinet、时间敏感网络、Profibus、以太网/互联网协议）提供专用硬件，可用作机器人控制器的中央处理单元。总之，用于稳健物体探测的集成毫米波传感解决方案以及用于增强机器学习的Sitara处理器，为机械臂的区域扫描仪或自主机器人避撞提供了智能解决方案。文章来源网络

运动底盘是移动机器人的重要组成部分，不像激光雷达、IMU、麦克风、音响、摄像头这些通用部件可以直接买到，很难买到通用的底盘。一方面是因为底盘的尺寸结构和参数是要与具体机器人匹配的；另一方面是因为底盘包含软硬件整套解决方案，是很多机器人公司的核心技术，一般不会随便公开。出于强烈的求知欲与学习热情，我想自己DIY一整套两轮差分底盘，并且将完整的设计过程公开出去供大家学习。说干就干，本章节主要内容：1.STM32主控硬件设计2.stm32主控软件设计3.底盘通信协议4.底盘ROS驱动开发5.底盘PID控制参数整定6.底盘里程计标1.stm32主控硬件设计完整的stm32主控硬件包括：带霍尔编码器的直流减速电机、电机驱动、stm32单片机开发板等配件。1.1.带霍尔编码器的直流减速电机（图1）带霍尔编码器的直流减速电机要制作一台机器人底盘，需要一套完整的电机部件，就如图1中看到的一样，需要有轮胎、联轴器、减速箱、电机和编码器，具体选型可以参考这几个方面的因素：轮胎：直径越大，小车的越障能力越好，但会降低小车爬坡的马力；联轴器：选择跟轮胎与电机输出轴尺寸相匹配的型号；减速箱：减速比决定电机输出轴的扭矩，减速比越大，输出轴扭矩越大，但输出轴转速越慢；电机：一般是12V的电机，直流有刷简单易控制；编码器：一般为增量式正交编码器，编码线数根据实际需要精度进行选择。（图2）电机接线端口如图2，可以清楚的看到电机的接线端口，其实电路板上也是有丝印标注的。接线分为两类，一类是电机控制（电机线+、电机线-），另一类是编码器（编码器5V、编码器A相、编码器B相、编码器GND）。1.2.电机驱动电路（图3）TB6612FNG电机驱动了解了电机的构造知识后，就来介绍一下如何将电机驱动起来。如图3所示，TB6612FNG是很流行的一款电机驱动芯片，相比于传统的L298N效率上提升很多，而且体积大幅减小。TB6612FNG是双驱动，也就是可以驱动两个电机；TB6612FNG每通道输出最高1.2A的连续驱动电流，启动峰值电流达2A/3.2A（连续脉冲/单脉冲）；4种电机控制模式：正转/反转/制动/停止；PWM支持频率高达100kHz。（图4）TB6612FNG引脚定义TB6612FNG的引脚定义，如图4所示，引脚分为电源脚、控制输入脚、控制输出脚。VM：为电机驱动电压，根据实际电机额定电压选择，推荐使用12V供电；VCC：逻辑电源供电，推荐使用5V供电；STBY：待机/工作状态切换，低电平待机，高电平工作；PWMA：A端口电机PWM调速信号输入；AIN1和AIN2：A电机转向控制信号输入；PWMB：B端口电机PWM调速信号输入；BIN1和BIN2：B电机转向控制信号输入；AO1和AO2：A端口电机驱动信号输出；BO1和BO2：B端口电机驱动信号输出。（图5）TB6612FNG控制信号真值表最后，我们来看一下控制信号的逻辑真值表，如图5，输入由单片机IO口给定，再结合PWM信号，便可以实现对电机的正/反转和调速控制了。由于两路电机控制是一模一样的，所以另一路控制信号的逻辑真值表就不重复赘述了。1.3.霍尔正交编码器原理（图6）霍尔正交编码器原理如果两个信号相位相差90度，则这两个信号称为正交。由于两个信号相位相差90度，因此可以根据两个信号哪个先哪个后来判断方向。利用单片机的IO口对编码器的A、B相进行捕获，很容易得到电机的转速和转向。霍尔正交编码器原理，如图6。1.4.stm32单片机最小系统stm32单片机常用的型号是stm32f103，根据具体需求的Flash容量、RAM容量、IO口数量进行选择，下面是常用的一些型号参数对比，如图7。（图7）stm32f103系列单片机参数对比考虑到stm32主控只是用于两个电机的控制，资源开销不算大，需要用到的IO口也不是很多，定时器资源也不多，出于性价比考虑推荐stm32f103c8t6这个型号。（图8）stm32f103f103c8t6最小系统板如图8所示，stm32f103c8t6最小系统板比较简洁，控制两个电动机，只需要用两个IO口输出2路PWM分别给两个电机调速，用4个IO口分别控制两个电机的方向，另外4个IO口分别接两个电机的正交编码器输入，UART1与UART2跟上位机连接分别用于程序debug与上层指令控制。1.5.stm32主控硬件整体框图第一个版本的硬件电路是用飞线连接的各个模块，电路稳定性很差，而且外观极其丑陋。痛定思痛，决心老老实实设计电路板，把各模块集成到一个板子上，经过两次改板打样，终于成功了。如图9，板子简洁美观，而且接插端子布局合理，符合我一向严苛的标准。（图9）stm32主控电路板好了，有了这个电路板就好办多了。针对这个电路板，讲讲我的设计思路吧。首先需要设计一个电源系统，用于单片机供电、电机供电、外部设备供电，同时还要考虑电源反接、过压、短路等保护；然后需要设计一个stm32单片机最小系统电路；最后围绕stm32最小系统，需要设计电机驱动、UART转USB、编码器信号捕获这些外围电路，同时还要考虑电机堵转保护、电机对系统电源干扰等问题。逐一采坑之后，差不多就完成设计了。stm32主控硬件整体框图，如图10。（图10）stm32主控硬件整体框图

研究了从云到网络边缘的高性能处理是如何使物联网(物联网)蓬勃发展，从而为人工智能奠定了基础。博客文章中还有一个需要我们充分关注的方面：人工智能的进步与网络威胁的发展密切相关。每秒钟就会发现五种新的恶意软件变体。世界各地的组织每小时都会受到一百次以前未知的恶意软件攻击。每天都会有100万个新的恶意文件出现在连接的世界中。随着越来越多的设备和系统连接到网络上，网络犯罪已经对我们的技术资产--乃至整个社会的安全构成越来越大的威胁。机器学习被证明是一把双刃剑：虽然ML能够使工业级恶意软件检测程序更有效地工作，但它很快就会被坏角色用来增强攻击的进攻能力。事实上，一群来自阿姆斯特丹大学最近演示了这是如何工作的。在从cpu翻译旁路缓冲器(TLB)泄露信息的侧通道攻击中，白帽黑客使用新颖的机器学习技术来训练他们的攻击算法，并将其提升到一个新的性能水平。他们相信机器学习技术将提高未来侧通道攻击的质量。为了防止新的、有效的人工智能和ML技术的出现改变权力的平衡，我们必须把重点放在如何利用人工智能来提高系统的安全性和数据隐私。ML如何增加系统安全性基于ML的安全的一个很好的例子是异常检测，其中系统“检测”数据流中的异常行为或模式。这个过程在过去经常被应用于垃圾邮件和恶意软件的检测，但是机器学习可以被扩展到寻找系统中更微妙和复杂的异常行为。虽然监测和保护免受外部威胁对于有效的系统防御至关重要，但很少有组织意识到内部威胁。在一项调查中2016年埃森哲他们发现，三分之二的接受调查的组织成为从组织内部窃取数据的受害者。在这些情况下，91%的人报告说，他们没有有效的检测方法来识别这类威胁。机器学习可以极大地帮助开发有效的、实时的分析和异常检测能力，以检测和消除来自系统内部的基于用户的威胁。隐私保护机器学习在人工智能的数据提供者(无论是在培训阶段还是在推理阶段)不想提供不受保护的数据的应用程序是很容易识别的。随着新的欧盟通用数据保护条例(GDPR)自2018年5月25日起生效，任何处理欧盟公民数据的企业都必须保护隐私，而不遵守规定可能导致巨额罚款。在工业环境中，也有一些应用程序，在这些环境中，数据隐私对系统提供者至关重要。例如，在预测维护机器中，数据被用来确定在役设备的状态，以精确地预测应该在什么时候进行维护。此方法实现节省大量费用超过常规或基于时间的预防性维护，因为任务只在需要时执行，并且希望在系统故障之前执行。参与服务的机器所有者显然有意从生成的数据中获益，但是，他们也对不与使用同一台机器的竞争对手共享其数据非常感兴趣。这使维护服务提供商陷入困境。关键问题是：企业如何能够继续尊重隐私问题，同时仍然允许使用大数据来提升企业价值？使用同态加密，计算中使用的任何数据都保持加密形式，并且只对预期用户可见。计算结果--一旦解密--与应用于明文的相同计算结果相匹配。此外，NXP使用的基于属性的身份验证基于IBMResearch开发的身份混合器协议。它依赖于灵活的公钥(化名)和灵活的凭证的组合，允许用户只共享某个事务所需的信息，而不显示任何其他属性。好处是显而易见的：“互联网就像月球表面，它永远不会忘记一个脚印。有了身份混合器，我们就可以把它变成一个沙滩，经常冲走一切。“简.卡尼梅西、密码学家和身份混合器的共同发明者。攻击机器学习：训练时的攻击即使在ML的第一阶段，当训练数据被收集并输入到ML模型时，也会发生攻击。为了防止改变数据或操纵ML模型的结果，一个典型的应用程序是一个从用户发送的数据中训练出来的异常检测工具。如果用户故意发送不正确的输入来“毒害”训练数据，这可能导致机器学习模型在推理时性能差甚至失败。推理时的攻击：对抗性的例子在推理阶段还必须保证用户的隐私。当对私有或敏感数据进行推断时，这一点尤其重要。用户也可以是攻击者。作为攻击手段，用户可以使用所谓的对抗性示例。对抗性示例是一个有效的输入数据，它将导致机器学习模型对其进行错误解释。这种看似良性的攻击可能造成灾难性的后果，例如，如果我们想到在安全危急情况下的道路标志分类。在停车标志上贴上特制的贴纸，研究人员已经证明他们可以欺骗图像分类器误解或根本不识别符号。虽然这个标志在人眼看来是有规律的停车标志，但是机器学习模型却无法看到它本身。对抗性例子的概念并不新鲜。新发现的是其后果的严重性，比如在停车标志对抗性的例子中撞毁了一辆自动驾驶汽车。ml作为服务：IP保护机器学习模型的价值主要存在于相关的数据集中。培训数据的收集成本可能很高，或者很难获得。当机器学习作为一种服务提供时，用户只能访问模型的输入和输出。例如，对于图像分类器，用户提交图像并返回其类别。对于用户来说，为了避免为将来的使用付费，制作模型本身的副本可能很有诱惑力。一种可能的攻击是对所选择的输入数据进行查询，获取相应的输出，并对所获得的数据集进行训练，以获得一个功能等价的模型。为什么现在是时候检查你的防御机制了？在NXP，我们建造了一些世界上最先进的安全设备。我们在它们内部创建对抗措施，以保护它们免受广泛的逻辑和物理攻击，例如侧通道或模板攻击。黑客依靠人工智能从安全系统中提取机密和关键信息只是时间问题，因为这只会增强他们的“学习”能力。为了应对这些不断变化的威胁，人工智能的影响必须成为物联网系统安全的组成部分。如果人工智能机器学习模型的训练和推理不能成为未来对手的大门，则必须从一开始就考虑设计的安全性和设计原则的隐私性。幸运的是，人工智能领域应用从物联网安全学到的经验还不算太晚。如果我们在设计未来的基础设施和设备时牢记这一点，那么AIoT就有能力改变我们的生活。把未来的黑匣子变成光明的盒子是我们的责任。

FiberGrid是一种用于机器人技术的廉价3D打印光学传感器框架。如果您不想花费数年时间学习电子产品，如何将传感器与微控制器和DSP接口，但您已准备好开始构建机器人行动，这个项目适合您！忘记RaspberryPI，arduino，PIC和其他MCU。有一种更简单，更便宜的方法可以为项目添加传感器。以便宜的塑料光纤价格为您的机器人添加数百个3D打印机械传感器。该项目的目标是将电子产品排除在外，让世界各地的十岁儿童和成年人在不购买昂贵组件和花时间学习电子产品的情况下制造复杂的设备。这个怎么运作光纤网格硬件由两部分组成：光源和带外壳的摄像头。它们通过廉价的塑料纤维连接到3D打印传感器。光源将光线照射在具有裸露光纤末端的网格上。光纤将光线传输到光阻传感器。剩下的光线被另一根光纤传送到相机外壳。在PC，笔记本电脑，平板电脑，手机，RaspberryPI上运行的相机软件或任何已经或可以与相机连接的相机软件都会将每个输入光纤的光线转换为一个值。您可以根据阻挡光的原理设计传感器。或者，LED可以放置在各个传感器内。在任何一种情况下，FiberGrid都能够感知机械传感器阻挡多少光线并为您提供软件价值。该软件如何工作FiberGrid软件有两个部分。FiberCal是一个校准程序，可以在摄像机的视野中查找光纤的中心和边界，并将它们保存到C++头文件（fiberinit.h）。其次是FiberGrid“驱动程序”。它包含编译期间的头文件，并提供用于读取传感器的简单API。两个程序都依赖OpenCV库来读取光纤束中的传感器值。驱动器和校准软件分开有两个原因。通过人类交互可以更精确地检测纤维。您可以通过单击手动更改阈值，光纤可视大小以及手动添加或删除光纤。如果您正确地使用硬件设备，光纤的位置永远不会改变。第二个原因是便携性。驱动程序可能用50行python代码编写或用C++重写而不使用OpenCV或用Basic或javascript编写，同时校准实用程序不需要更改。这里光纤网格校准实用程序（fc）检测网格中的3根光纤。左边的图像是其中一根纤维的特写。Git克隆。切换到目录并输入make。构建硬件并将其连接到您的计算机。运行fc（fiberCal）并按“s”生成fiberinit.h。使用fc滑块进行最佳光纤检测（光纤周围的绿色方块）。将fiberinit.h，fibergrid.h和fibergrid.cpp添加到项目中或运行ft（fibertest.cpp）。使用FiberGrid::read（）或FiberGrid::readNormalized（）来获取传感器值！运行项目以在调试屏幕上查看传感器值。注释掉FIBERGRID_DEBUG以禁用驱动程序调试屏幕。传感器如何工作您可以制作无数的传感器，以便与光纤网一起使用。纤维可以原样用作复眼。传感器可以3D打印，由纸板或吸管和口香糖制成。尝试将光纤模块中的一根光纤和相机中的另一根光纤放入空心咖啡搅拌器（吸管）或光纤包层的每一侧。在屏幕上观看凸轮时，将光纤推入或拉出或弯曲吸管。注意屏幕上一个点的亮度如何变化。你刚刚制作了第一个传感器。可以使用来自一次性3D电影院眼镜或旧显示器的一片平面偏振塑料（胶片）来制作旋转传感器。制作一个带有两个相对于彼此旋转的小块的传感器。当片的偏振为90度时，它们将阻挡来自发射器光纤的大量光。这就是3D模型包中的fibergrid_sensor1的工作原理。根据您的光纤，弯曲可能会散射光线并改变传感器值。为了弥补这一点，将两根光纤捆绑在一起传感器。一根光纤将通过一个使光线变暗的连接点连接到传感器，另一根光纤直接连接到发光光纤。该发射器光纤必须与发射器光纤捆绑到传感器。或者，LED可以直接放置在传感器内部，两个光纤由一个LED点亮。通过相对于第二光纤值变化调节传感器值，可以在软件中补偿由于光纤的物理变形引起的光强度的降低。制作位置传感器很容易。测量力更难。以下是能想到的：找到坚固但柔顺的半透明matherial/3D打印机灯丝。刚性反光材料，可在弯曲时改变以一定角度反射的光线量。液压/气动/机械称重传感器，间接改变光纤的位置。目标是使其具有一定的线性，要求尽可能小的位移并在良好的温度范围内保持稳定。16个连接器网格，插入3根光纤和13个分流器。护罩安装在栅格和相机周围。相机向前滑动以防止其移动。用螺栓将相机固定在“工作台”上。看着网格的相机在顶行删除了4个插头来源：hackaday.io电路城原创内容，未经允许，不得转载！板卡评测合作邮箱：yanfen.mo@supplyframe.cn