Hotdry.
归档
hardware-robotics

开源绘图机器人的硬件hacking：步进电机控制与实时运动规划

深入解析开源绘图机器人的硬件架构与运动控制算法，涵盖NEMA-17步进电机驱动、G代码解析、S曲线加速度规划等关键技术，为创意硬件项目提供可复用的工程框架。

在创意硬件与教育机器人领域，绘图机器人（Drawbot）作为一个经典的开源项目，融合了机械设计、电子控制与软件算法的多重挑战。与传统的工业机器人不同，绘图机器人更注重低成本、易复现与艺术表达，成为硬件爱好者探索运动控制算法的理想平台。本文将深入解析开源绘图机器人的核心技术栈，从硬件选型到运动规划算法，为读者提供一个可复用的工程框架。

硬件架构：从电机选型到机械设计

绘图机器人的硬件核心是步进电机系统。主流方案采用 NEMA-17 步进电机，其标准尺寸为 42mm×42mm，步进角 1.8°，每转 200 步。选择 NEMA-17 的原因在于其扭矩适中（通常在 40-60Ncm）、价格亲民且驱动电路成熟。对于墙面绘图机器人（Polargraph），通常需要两个 NEMA-17 电机控制同步带，实现笔尖在二维平面上的运动。

机械传动方面，GT2 同步带与 20 齿同步轮是常见配置。GT2 齿形设计减少了皮带滑移，提高定位精度。同步带张力调节是关键参数：过松会导致回程间隙，过紧则增加电机负载。经验参数是，在中间位置施加 5-10N 的力时，皮带应有 2-3mm 的弹性变形。

笔的升降控制通常采用 SG90 微型舵机，其扭矩约 1.8kg・cm，足以抬起白板笔。舵机控制需要精确的 PWM 信号，占空比范围在 5%-10% 对应 0-180° 转角。为避免机械冲击，建议使用软启动算法，在 50ms 内完成角度渐变。

微控制器选择上，Arduino Uno/Mega 因其丰富的步进电机库而流行，但更专业的方案是使用 GRBL 固件（如 john4242 的 grbl-polargraph 分支），该固件专为极坐标绘图机器人优化，支持 G 代码直接解析与实时运动规划。

软件栈：G 代码解析与运动规划

绘图机器人的软件架构通常分为三层：用户界面层、运动规划层和电机驱动层。用户界面可以是 Web 应用（如 codekitchen/drawbot 的 Go 实现）或桌面应用（如 mrom1/drawbot 的 Qt5 客户端），负责将图像转换为路径数据。

G 代码（RS-274）是数控机床的标准语言，在绘图机器人中同样适用。基本指令包括：

  • G00：快速定位（直线插补）
  • G01：线性插补
  • G02/G03：圆弧插补
  • M03/M05：主轴启停（对应笔的升降）

G 代码解析器的核心任务是提取坐标点序列，并计算插补路径。对于直线段，需要计算步进电机的脉冲频率；对于曲线，则需要离散化为小直线段。离散精度参数通常设为 0.1mm，在保证平滑度的同时控制计算复杂度。

运动规划算法是绘图机器人的灵魂。简单的梯形加速度曲线虽然实现简单，但会在加速度突变点产生机械振动，影响绘图质量。更优的方案是 S 曲线加速度规划（7 段式），如图 1 所示，它通过引入加加速度（Jerk）限制，使加速度变化平滑过渡。

S 曲线规划的 7 个阶段为：

  1. 加加速度阶段：加速度从 0 线性增加到最大值
  2. 恒加速度阶段：以最大加速度加速
  3. 减加速度阶段：加速度线性减小到 0
  4. 恒速阶段：保持最大速度
  5. 减加速度阶段：加速度从 0 线性减小到负最大值
  6. 恒减速度阶段：以最大减速度减速
  7. 加减速度阶段：加速度线性增加到 0

数学上，S 曲线规划需要求解三次样条函数。设最大加速度为 a_max，最大加加速度为 j_max，则加速到最大速度 v_max 所需时间 t_acc 可通过以下公式计算：

t_j = a_max / j_max  // 加加速度阶段时间
t_a = (v_max - a_max * t_j) / a_max  // 恒加速度阶段时间
总加速时间 = 2 * t_j + t_a

实际参数设置示例：

  • 最大速度：500 mm/min（适合白板绘图）
  • 最大加速度：1000 mm/s²
  • 最大加加速度：5000 mm/s³
  • 步进电机脉冲频率：根据细分设置，如 16 细分时每 mm 需要 200 脉冲

实时运动控制：步进电机驱动算法

步进电机驱动需要精确的定时器中断。以 Arduino 平台为例，使用 Timer1 中断生成脉冲序列。关键参数是脉冲间隔时间，它决定了电机速度。对于 S 曲线规划，需要在每个控制周期（通常 1ms）更新脉冲频率。

脉冲频率计算基于当前速度 v (t)：

脉冲频率 = v(t) * 步数每毫米 / 60

其中步数每毫米由机械参数决定：同步轮齿数 20，GT2 齿距 2mm，电机每转 200 步，16 细分，则：

步数每毫米 = (200 * 16) / (20 * 2π * 轮半径)

在实时控制中，需要预计算速度曲线表以减少在线计算量。将整个运动路径离散为时间片，预先计算每个时间片的目标位置和速度，存储在环形缓冲区中。中断服务程序只需查表输出脉冲，大大降低 CPU 负载。

失步检测与补偿是另一个关键技术。步进电机在负载突变或加速度过大时可能失步。检测方法包括：

  1. 编码器反馈：增加旋转编码器，但增加成本和复杂度
  2. 电流检测：监测电机相电流，异常波动可能预示失步
  3. 软件容错：定期回零校准，或在关键路径点增加位置校验

对于开源项目，软件容错是更实用的方案。可以在每个 G 代码段结束后短暂停顿，通过限位开关或光电传感器验证位置。

精度校准与误差补偿

绘图机器人的精度受多种因素影响：同步带弹性变形、齿轮间隙、电机步距角误差等。系统校准需要多步骤：

  1. 机械回零：使用限位开关确定坐标系原点。建议使用光电传感器而非机械开关，减少反弹误差。

  2. 步距校准：绘制 100mm×100mm 正方形，测量实际尺寸。计算比例因子：

    校准因子 = 理论尺寸 / 实际尺寸

    在固件中应用该因子调整脉冲计算。

  3. 正交性校准：绘制圆形，检查是否变形为椭圆。如果 X/Y 轴不正交，需要调整电机安装角度或软件补偿。

  4. 同步带弹性补偿：在不同位置测量张力变化，建立位置 - 张力查找表，在运动规划中预补偿。

误差补偿算法示例（Python 伪代码）：

def compensate_position(x, y, tension_table):
    # 根据位置查询张力补偿值
    tension_x = tension_table.get_tension(x)
    tension_y = tension_table.get_tension(y)
    
    # 弹性变形模型：ΔL = F * L / (E * A)
    delta_x = tension_x * x / (elastic_modulus * belt_area)
    delta_y = tension_y * y / (elastic_modulus * belt_area)
    
    return x + delta_x, y + delta_y

工程实践：从原型到产品

基于开源绘图机器人项目进行二次开发时，建议遵循以下流程：

  1. 硬件选型清单：

    • NEMA-17 步进电机 ×2（带 1m 电缆）
    • GT2 同步带（6mm 宽，长度根据绘图区域计算）
    • 20 齿同步轮（5mm 孔径）
    • SG90 舵机 ×1
    • Arduino Mega 2560 或 Raspberry Pi Pico
    • A4988 或 DRV8825 步进电机驱动模块
    • 12V 5A 电源

  2. 固件配置参数（以 GRBL-polargraph 为例）：

    $100 = 80.0    # X轴步数每毫米
$101 = 80.0    # Y轴步数每毫米
$110 = 500.0   # X轴最大速度（mm/min）
$111 = 500.0   # Y轴最大速度
$120 = 1000.0  # X轴加速度（mm/s²）
$121 = 1000.0  # Y轴加速度
$130 = 500.0   # X轴行程（mm）
$131 = 500.0   # Y轴行程

  3. 调试与优化步骤：

    • 先用低速（100mm/min）测试基本功能
    • 逐步提高速度，观察失步临界点
    • 调整加速度参数，找到振动最小的值
    • 使用不同笔尖压力测试线条连续性
    • 长期运行测试机械可靠性

  4. 常见故障排除：

    • 电机抖动：检查电流设置，A4988 的 Vref 电压应为电机额定电流 ×0.8
    • 定位偏差：检查皮带张力，重新校准步距
    • 笔迹不连续：调整舵机延迟时间，确保笔完全接触表面
    • 通信中断：检查串口波特率，GRBL 默认 115200

扩展应用与未来方向

绘图机器人不仅限于艺术创作，还可扩展至多个应用领域：

  1. 教育平台：作为机器人学教学工具，演示运动控制、坐标变换、PID 控制等概念。

  2. PCB 绘制：更换笔为导电笔，直接绘制电路原型。

  3. 激光雕刻：升级为激光模块，实现低成本激光切割 / 雕刻。

  4. 生物打印：使用注射泵作为 "笔"，进行细胞或生物材料打印。

技术发展方向包括：

  • 多轴协同：增加旋转轴，实现三维曲面绘图
  • 视觉反馈：集成摄像头，实现实时误差校正
  • 云端控制：通过 WebRTC 实现远程协作绘图
  • AI 路径优化：使用机器学习算法优化绘图路径，减少空行程

结语

开源绘图机器人项目展示了硬件 hacking 与创意工程的完美结合。通过深入理解步进电机控制、G 代码解析与运动规划算法，开发者可以构建出精度可靠、功能丰富的绘图系统。本文提供的技术框架与参数建议，旨在降低入门门槛，同时为高级优化提供方向。无论是教育用途、艺术创作还是原型开发，绘图机器人都是一个值得深入探索的技术平台。

正如 codekitchen/drawbot 项目开发者所言："我最终为这个项目编写了所有自己的软件，而不是使用原始 drawbot 的任何软件。只是为了好玩！"—— 这种探索精神正是开源硬件社区的核心动力。

资料来源：

  1. codekitchen/drawbot GitHub 项目：Go 语言实现的墙面绘图机器人，包含 Web 界面与 3D 打印模型
  2. john4242/grbl-polargraph：GRBL 固件的极坐标分支，专为墙面绘图机器人优化
  3. mrom1/drawbot：Arduino + Qt5 客户端方案，集成 OpenCV 边缘检测算法
查看归档