机器人清理墙角蜘蛛网，背后需要哪些算法？——从视觉分割到贴墙力控

华水者

28人浏览 · 2026-08-24 19:34:25

华水者 · 2026-08-24 19:34:25 发布

机器人清理墙角蜘蛛网，背后需要哪些算法？——从视觉分割到贴墙力控

人拿起扫帚，往墙角转几下，蜘蛛网通常就下来了。这个动作交给机器人，难点却有很多。它先得在杂乱的墙角看见几乎透明的细丝，再弄清细丝挂在哪些平面上，最后还要在不伤墙面的前提下完成清理。

这件事把具身智能里最常见的几类问题放到了一起。视觉感知负责发现目标，三维几何负责理解位置关系，运动规划和力控负责让机械臂真正接触环境。下面按这个过程展开。

01. 为什么这个任务难

在这里插入图片描述

蛛丝很细，又有半透明的特点。白墙、反光和暗角都会压低它在画面里的对比度，普通深度相机也未必能稳定测到这种细小目标。

蜘蛛网往往挂在两面墙和天花板交接的角落。它由多根细丝构成，附着在多个平面上。机器人若只知道画面中有蜘蛛网，仍不知道该从哪里接近。

接触过程同样麻烦。工具太硬，机械臂一点位姿误差就可能刮到墙面。工具过软，清理效果又会变差。蛛丝还容易在擦拭时粘到墙面或刷具上，后续处理也不能省。

02. 一次清理会经过哪些环节

这个任务可以按五步理解。

相机先采集墙角画面，感知模块从低对比度背景中找出细丝。
系统结合深度信息和墙面点云，估计墙角的空间结构。
机械臂根据可达范围生成清理路径。
末端工具接触墙面时，控制器持续根据受力调整动作。
清理完成后，再用视觉检查是否还有残留。

前一步产生的误差会传给后一步。分割边界偏一点，后面的空间定位和机械臂动作都会跟着偏。所以工程实现不能只看某一个模型的准确率。

03. 核心算法与代码示例

1. 视觉感知与细线分割

对这类微弱目标，图像质量往往比网络结构更早决定上限。侧向补光可以让细丝出现更明显的反射，再交给分割网络判断哪些像素属于蛛丝。条形池化适合保留细长结构的上下文信息，能减少细丝被背景切碎的情况。

import torch
import torch.nn as nn
import torch.nn.functional as F

class MicroFeatureSegmenter(nn.Module):
    """
    针对微细线状/半透明目标的轻量级分割模块
    """
    def __init__(self, in_channels=64):
        super().__init__()
        # 横向与纵向大核条形池化，捕获跨区域悬挂细丝上下文
        self.strip_pool_h = nn.AdaptiveAvgPool2d((None, 1))
        self.strip_pool_w = nn.AdaptiveAvgPool2d((1, None))
        
        self.conv_h = nn.Conv2d(in_channels, in_channels // 2, 1, bias=False)
        self.conv_w = nn.Conv2d(in_channels, in_channels // 2, 1, bias=False)
        
        self.fusion = nn.Sequential(
            nn.Conv2d(in_channels, in_channels, 3, padding=1, bias=False),
            nn.BatchNorm2d(in_channels),
            nn.ReLU(inplace=True),
            nn.Conv2d(in_channels, 1, 1)  # 输出二值掩码 Logits
        )

    def forward(self, feat):
        B, C, H, W = feat.shape
        fh = self.conv_h(self.strip_pool_h(feat)).expand(-1, -1, H, W)
        fw = self.conv_w(self.strip_pool_w(feat)).expand(-1, -1, H, W)
        
        # 融合几何条带先验
        enhanced_feat = torch.cat([fh, fw], dim=1) + feat
        mask_logits = self.fusion(enhanced_feat)
        return torch.sigmoid(mask_logits)

2. 几何建模与墙面拟合

分割结果只告诉系统细丝出现在哪些像素上。要让机械臂靠近墙角，还需要用 RGB-D 相机得到点云，并用 RANSAC 拟合两面墙和天花板的平面方程。

$Aix+Biy+Ciz+Di=0(i∈{WallA,WallB,Ceiling})A_i x + B_i y + C_i z + D_i = 0 \quad (i \in \{\text{Wall}_A, \text{Wall}_B, \text{Ceiling}\})$

把二维掩码反投影到三维空间后，系统就能找到蛛丝靠近墙面的区域，给后续路径规划提供空间约束。

import numpy as np

def fit_plane_ransac(points, max_iterations=500, distance_threshold=0.01):
    """
    利用 RANSAC 从三维点云中拟合墙面法向量与平面方程 (Ax + By + Cz + D = 0)
    """
    best_plane = None
    best_inliers_count = 0
    num_points = points.shape[0]

    for _ in range(max_iterations):
        sample_idx = np.random.choice(num_points, 3, replace=False)
        p1, p2, p3 = points[sample_idx]
        
        # 计算平面法向量
        normal = np.cross(p2 - p1, p3 - p1)
        norm_val = np.linalg.norm(normal)
        if norm_val < 1e-6:
            continue
        normal = normal / norm_val
        d = -np.dot(normal, p1)
        
        # 计算所有点到平面的点面距离
        distances = np.abs(np.dot(points, normal) + d)
        inliers = np.sum(distances < distance_threshold)
        
        if inliers > best_inliers_count:
            best_inliers_count = inliers
            best_plane = (normal[0], normal[1], normal[2], d)

    return best_plane  # 返回 (A, B, C, D)

3. 规划与控制

末端工具碰到墙面后，位置控制不够用。六维力传感器测到接触力，控制器据此微调末端轨迹，让工具保持柔顺接触。阻抗控制的价值在于给机械臂留出缓冲，墙面略有起伏或标定有小误差时，它不会把全部误差直接变成一次硬碰撞。

$Md(x¨c−x¨d)+Dd(x˙c−x˙d)+Kd(xc−xd)=Fext−FdesM_d (\ddot{x}_c - \ddot{x}_d) + D_d (\dot{x}_c - \dot{x}_d) + K_d (x_c - x_d) = F_{\text{ext}} - F_{\text{des}}$

class WallImpedanceController:
    """
    机械臂末端贴墙恒力自适应阻抗控制器
    """
    def __init__(self, target_force=3.0, stiffness=120.0, damping=25.0):
        self.f_des = target_force   # 目标恒定贴合力 (N)
        self.k_d = stiffness       # 虚拟刚度参数
        self.d_d = damping         # 虚拟阻尼参数
        self.last_pos_err = 0.0

    def compute_displacement_delta(self, measured_force, dt=0.01):
        """
        根据当前实测接触力，计算法向位置的修正补偿量 Δx
        """
        force_err = measured_force - self.f_des
        # 简化的离散阻抗位移调节
        delta_x = force_err / self.k_d
        return float(delta_x)

04. 清理后还要复检

机械臂完成一次动作，不代表任务已经结束。它需要退回到合适的观察位置，将清理前后的画面进行配准和差分，检查是否仍有悬垂细丝或附着痕迹。

发现残留时，系统可以把该区域重新交回感知与规划模块，决定是否继续处理。刷具本身也要清洁，否则下一次工作可能把纤维带到新的墙面上。这个复检环节让机器人从一次性动作，变成能确认结果的作业过程。

05. 总结

阶段	核心挑战	对应算法方案
感知层	半透明微细目标低对比度	侧向偏振补光 + 条形池化细丝分割网络
空间几何	悬空三维形态与阴角多基底	点云 RANSAC 多平面拟合 + 2D/3D 反投影求交
运动规划	破除锚点与防止粘墙	外圈环切切断支撑丝 + 螺旋内卷收拢轨迹
力控交互	墙面微小形变与防刮伤保护	笛卡尔空间自适应法向恒力阻抗控制（ $N2\sim 5\,\text{N}$ ）
效果复检	漏扫与残丝悬挂	图像差分残差质检 + 局部补扫自触发机制