1. 水下机器人巡检系统概述
去年参加全国水下机器人竞赛时，我基于树莓派4B和Pixhawk 2.4.8飞控搭建了一套完整的水下巡检系统。这套系统最大的特点是通过MAVLink协议实现了树莓派与飞控的高效通信，配合OpenCV视觉处理，能够完成水下管道的自动巡检任务。整个项目从硬件选型到代码实现都经过精心设计，特别适合想要入门水下机器人开发的工程师参考。
系统采用分层架构设计：树莓派作为"大脑"负责图像处理和决策，Pixhawk飞控作为"小脑"负责运动控制。两者通过MAVLink协议进行实时数据交换，这种设计既保证了系统的响应速度，又确保了控制精度。在实际测试中，系统能够在2米深的水池中稳定运行，巡检精度达到±5cm，完全满足比赛要求。
2. 硬件平台搭建
2.1 核心硬件选型
选择树莓派4B 4GB版本作为主控板是经过多次测试后的决定。相比前代产品，4B的USB3.0接口和千兆网卡对图像传输至关重要。飞控选用Pixhawk 2.4.8版本是因为它：
- 原生支持MAVLink协议
- 提供完善的STM32 HAL库
- 具有丰富的外设接口
- 社区支持完善
硬件连接方案如下：
- 树莓派通过USB转TTL模块连接Pixhawk的TELEM2端口
- 树莓派通过CSI接口连接IMX219摄像头模组
- Pixhawk通过PWM输出连接电调和水下推进器
特别注意：水下环境对电子设备腐蚀性强，所有接口必须做好防水处理。我们使用704硅橡胶进行密封，效果很好。
2.2 供电系统设计
水下机器人的供电系统需要特别考虑：
- 树莓派4B需要5V/3A稳定电源
- Pixhawk需要5V/2A电源
- 推进器需要12V/10A电源
我们采用双电池方案：
- 3S 2200mAh锂电池为推进器供电
- 2S 1000mAh锂电池通过降压模块为控制系统供电
这种设计避免了电机大电流对控制系统的干扰，实测证明系统运行更加稳定。
3. 软件架构设计
3.1 系统软件栈
整个软件栈分为三个层次：
- 驱动层：Raspbian OS + ArduSub固件
- 通信层：MAVLink协议 + pymavlink库
- 应用层：OpenCV + 自定义控制算法
软件依赖安装命令：
bash复制sudo apt-get update
sudo apt-get install python3-pip python3-opencv
pip install pymavlink numpy
3.2 MAVLink通信实现
MAVLink协议是本系统的通信核心。我们使用UDP协议进行通信，端口配置为14550（MAVLink标准端口）。通信模块的主要功能包括：
- 心跳检测：维持链路连接
- 姿态数据接收：获取机器人当前状态
- 控制指令发送：下达运动指令
基础通信代码实现：
python复制from pymavlink import mavutil
class MavlinkConnector:
def __init__(self):
self.connection = mavutil.mavlink_connection('udpin:0.0.0.0:14550')
self.wait_heartbeat()
def wait_heartbeat(self):
print("等待飞控心跳...")
self.connection.wait_heartbeat()
print(f"心跳收到! 系统ID: {self.connection.target_system} 组件ID: {self.connection.target_component}")
def send_manual_control(self, x, y, z, r):
self.connection.mav.manual_control_send(
self.connection.target_system,
x, y, z, r, 0)
4. 视觉巡检算法实现
4.1 水下图像预处理
水下环境光线条件复杂，必须进行图像增强：
python复制def enhance_image(image):
# 白平衡处理
result = cv2.cvtColor(image, cv2.COLOR_BGR2LAB)
l, a, b = cv2.split(result)
clahe = cv2.createCLAHE(clipLimit=3.0, tileGridSize=(8,8))
l = clahe.apply(l)
result = cv2.merge((l,a,b))
return cv2.cvtColor(result, cv2.COLOR_LAB2BGR)
4.2 管道检测算法
巡检目标主要是水下管道，我们采用HSV色彩空间进行检测：
python复制def detect_pipeline(image):
hsv = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)
# 橙色管道检测范围
lower = np.array([5, 100, 100])
upper = np.array([15, 255, 255])
mask = cv2.inRange(hsv, lower, upper)
# 形态学处理
kernel = np.ones((5,5), np.uint8)
mask = cv2.morphologyEx(mask, cv2.MORPH_OPEN, kernel)
return mask
4.3 位置纠偏控制
结合视觉检测结果和PID控制算法实现精准定位：
python复制class PositionController:
def __init__(self):
self.Kp = 0.5
self.Ki = 0.01
self.Kd = 0.1
self.last_error = 0
self.integral = 0
def calculate_output(self, error):
self.integral += error
derivative = error - self.last_error
output = self.Kp*error + self.Ki*self.integral + self.Kd*derivative
self.last_error = error
return output
5. 系统集成与调试
5.1 主控制流程
系统主循环实现以下功能：
- 图像采集与处理
- 目标检测与定位
- 控制指令生成
- MAVLink指令发送
python复制def main_loop():
camera = Camera()
detector = PipelineDetector()
controller = PositionController()
mavlink = MavlinkConnector()
while True:
frame = camera.get_frame()
mask = detector.detect(frame)
error = detector.calculate_error(mask)
control = controller.calculate_output(error)
mavlink.send_control(control)
5.2 常见问题排查
在实际调试中遇到的典型问题及解决方案：
| 问题现象 | 可能原因 | 解决方案 |
|---|---|---|
| MAVLink连接不稳定 | 波特率不匹配 | 检查TELEM2端口波特率设置为57600 |
| 图像传输延迟大 | USB带宽不足 | 使用CSI接口摄像头而非USB摄像头 |
| 机器人运动抖动 | PID参数不当 | 逐步调整Kp、Ki、Kd参数 |
| 水下图像模糊 | 镜头起雾 | 使用防水剂处理镜头表面 |
6. 性能优化技巧
经过多次实测，总结出以下优化经验：
- 树莓派性能优化：
bash复制# 关闭图形界面
sudo systemctl set-default multi-user.target
# 启用GPU加速
echo "dtoverlay=vc4-kms-v3d" | sudo tee -a /boot/config.txt
- MAVLink通信优化：
- 使用MAV_CMD_DO_SET_MESSAGE_INTERVAL命令设置关键消息的发送频率
- 只订阅必要的消息类型，减少带宽占用
- 视觉处理优化：
- 将图像分辨率从1920x1080降至640x480
- 使用多线程处理：一个线程负责图像采集，一个线程负责处理
这套系统最终在比赛中获得了优异成绩，关键在于硬件选型的合理性和软件架构的简洁高效。特别是MAVLink协议的使用，大大简化了上下位机的通信开发。对于想要入门水下机器人开发的朋友，建议先从理解MAVLink协议开始，再逐步扩展到完整的系统实现。