Introducción: ¿Por qué construir un robot de tracción de bolas?

Construir un robot de pista de bolas es una de las maneras más gratificantes para reunir robótica, visión de ordenador y programación práctica. El proyecto te enseña cómo hacer una máquina que pueda percibir su entorno, tomar decisiones y actuar en ellos en tiempo real. Ya sea que seas un hobbyista, un estudiante o un ingeniero que busque profundizar tu comprensión de sistemas autónomos, un robot de seguimiento de bolas ofrece experiencia práctica con sensor de integración, procesamiento de imagen y

Comprender los componentes básicos

Un robot de rastreo de bolas consiste en tres subsistemas esenciales: un sistema de visión que captura y procesa imágenes, un sistema de control que decide cómo moverse, y una plataforma mecánica que ejecuta esos comandos. Elegir los componentes adecuados para cada subsistema determinará cuán bien se realiza su robot.

Elegir un microcontrolador o un ordenador de un solo cuerpo

El cerebro del robot puede ser un simple microcontrolador como un Arduino o un ordenador de un solo tablero más poderoso como el Raspberry Pi. Un Arduino es excelente para controlar motores con tiempo preciso y manejo de bajo nivel I/O, pero no puede ejecutar un conducto OpenCV completo por sí solo, usted necesitaría transmitir vídeo a un portátil a través de USB o utilizar un ordenador externo. Un Raspberry Pi (especialmente un Pi 4 o Pi 5) puede ejecutar OpenCV directamente, lo que lo convierte en la opción preferida para un robot autocontenido.

Selección de cámara

La cámara debe ser compatible con su tablero de procesamiento y adecuado para uso interior. Para el Raspberry Pi, el Módulo de cámara de fresa 3 ofrece buena resolución y autofoco, mientras que las webcams USB son una alternativa flexible para cualquier tablero. El parámetro clave es el campo de visión - un ángulo más amplio permite al robot ver un área más grande, pero los objetos parecen más pequeños. Una cámara que puede capturar VGA o 720p a 30 fps es suficiente para el rastreo básico de bolas.

Sistema de motor y Chasis

Su robot necesita un chasis, dos (o cuatro) motores, ruedas y un conductor de motor. Un simple disco diferencial de dos ruedas (con una rueda) funciona bien. L298N conductor de motor es una opción popular para controlar dos motores DC con dirección y velocidad a través de PWM. Usa un chasis robusto — muchos hobbyistas construyen uno de placas acrílicas o incluso piezas impresas en 3D. Baterías (a 7.4 V Li‐Po o un paquete de células AA) deben proporcionar suficiente energía durante al menos 20 minutos de operación.

Cómo montar el Hardware

Comience por montar los motores en el chasis y sujetar las ruedas. Conecte los cables de motor a la tabla de conductores – siga la pinout para L298N: IN1, control IN2 un motor; IN3, control IN4 el otro; ENA y ENB reciben señales de PWM para la velocidad. Aclare el suministro de energía al conductor y el suministro de lógica (5 V) a su microcontrolador o Pi’s LPI2 (si usted puede comprobar siempre.

Asegure la cámara a una posición de cara hacia adelante, idealmente ligeramente elevada para que pueda ver la bola a una distancia. Si está utilizando un Raspberry Pi, conecte el cable de cinta de cámara al puerto CSI. Para una cámara USB, enchufe en cualquier puerto USB.

Por último, conectar todo a su computadora a través de USB (mientras la programación) y comprobar que ningún cable está suelto. Utilice una tabla de pan o una PCB personalizada para ordenar las conexiones.

Configuración del entorno de software

Instalación de OpenCV

OpenCV (libre de visión de computación de código abierto) es el caballo de trabajo de este proyecto. En un Raspberry Pi que ejecuta Raspberry Pi OS, instalarlo con:

Para más control sobre las optimizaciones (como el uso de la GPU), puede compilar OpenCV de la fuente, pero el paquete pre-construido funciona bien para el seguimiento de bolas. Para una configuración basada en la computadora portátil, use . También necesitará NumPy para operaciones de matriz.

Configuración de la cámara

Si utiliza un módulo de cámara de fresa, active la interfaz de cámara con . Prueba la cámara utilizando (worm de libro) o (legado).Para cámaras USB, OpenCV puede abrir el flujo usando . Ejecute un script de prueba simple para asegurar que se estén capturando los marcos.

Construcción del Algoritmo de Detección de Ball

El núcleo del oleoducto de visión informática es aislar la bola en cada marco y devolver sus coordenadas pixel. El método descrito aquí utiliza la detección basada en el color, que es rápida y confiable para una bola de color único.

Detección de color en el espacio HSV

Convertir cada marco de BGR a HSV (Hue, Saturation, Value) porque HSV separa la información de color del brillo, haciéndolo robusto a las sombras y cambios de iluminación. Elige un color de bola con alto contraste en el fondo: un color naranja brillante, verde o rosa funciona bien. Define una gama HSV inferior y superior que cubre el color de la bola:

Use para generar una máscara binaria donde los píxeles blancos representan al candidato de la bola.

Detección de contornos y cálculos de cénidos

Aplicar en la máscara para extraer todas las regiones blancas conectadas. Atraer los contornos y filtrar los muy pequeños (noise) y los muy grandes (background). Para los candidatos restantes, computar el centroide utilizando momentos:

El par es la ubicación de la bola en la imagen.

Filtrar Noise y Positivos Falsos

Los ambientes reales están llenos de ruido de color. Aplicar operaciones morfológicas (como ] y ) en la máscara para eliminar pequeños especímenes. También puede añadir un cheque de circularidad: computar y y rechazar contornos que no son aproximadamente circulares. Esto reduce los falsos positivos de objetos de colores similares.

Implementación de la lógica de seguimiento

Una vez que tienes el centroide de la bola, necesitas decidir cómo el robot debe moverse para mantener la pelota centrada en el marco.

Control simple proporcional

Defina una “zona muerta” alrededor del centro de la imagen (por ejemplo, x de 300 a 340 para un ancho de 640 píxeles). Si la coordenadas x de la bola está fuera de esa zona, establece las velocidades del motor proporcionalmente al error:

Por ejemplo, izquierda motor = base speed + turn speed, right motor = base speed – turn speed – turn speed. Esto crea un giro suave en lugar de una dirección on-off. Kp durante la calibración (valores típicos 0.3–1.0).

Escenarios perdidos de bolas

Si no se detecta bola en un marco, el robot no debe conducir ciegamente. Implementar un tiempo de salida: si la bola falta por más de, digamos, 0,5 segundos, detener los motores o iniciar un patrón de búsqueda (rotar lentamente en el lugar). Esto evita que el robot se estrella en las paredes.

Integración de control de motor

El paso final es traducir las decisiones de movimiento de alto nivel en acciones físicas de motores.

PWM y controladores de motor

En un Raspberry Pi, utilice la biblioteca para generar señales PWM en los pines ENA y ENB de la L298N. Establecer una frecuencia de 100 Hz. Dirección de control con IN1–IN4 escribiendo ALTO o LOW. Por ejemplo, para avanzar:

La velocidad se establece a través donde la velocidad es 0–100.

Coordenadas de cámara de mapeo a comandos motorizados

El algoritmo de rastreo produce velocidades de motor como se describe. Envasar la lógica de control en un bucle que:

  1. Agarra un marco
  2. Detecta la bola (o la marca como perdida)
  3. Computa velocidades de motor
  4. Envía valores de PWM
  5. Muestra el marco procesado (opcional, para depurar)

Mantenga el bucle corriendo a un ritmo fijo (por ejemplo, 30 Hz) utilizando un o un temporizador de hardware.

Pruebas y calibración

Ningún algoritmo funciona perfectamente en el primer intento. Pruebas sistemáticas mejorarán tanto la detección como el movimiento.

Ajuste para las condiciones de iluminación

Prueba el robot bajo diferentes luces — luz natural, LED, fluorescente. La gama HSV que funciona en un entorno puede fallar en otro. Cree un pequeño script de calibración que muestre una ventana de barra de pistas para que pueda ajustar dinámicamente valores y ver la actualización de la máscara en tiempo real. Grabar los rangos efectivos para el entorno donde el robot funcionará.

Parámetros de movimiento de Tuning

Si el robot oscila izquierda-derecha, baja la ganancia proporcional (Kp). Si gira demasiado lentamente, aumenta Kp o añade un pequeño componente derivativo (control de la DPD). Si el robot nunca se gira porque la detección se retrasa, considere aumentar la velocidad del marco o reducir la resolución. También comprueba que la velocidad del motor es lo suficientemente alta como para hacer que el robot responda rápidamente pero no tan alto que supera.

Mejoras avanzadas

Una vez que su robot básico de rastreo de bolas funciona, puede ampliar sus capacidades usando una visión de ordenador más sofisticada.

  • Detección de objetos de aprendizaje profundo: Entrenar un modelo ligero como SSD MobileNet o YOLOv8‐nano TensorFlow Lite puede correr en un Raspberry Pi 4 con velocidad aceptable. Aprender más acerca de TensorFlow Lite.
  • Seguimiento de objetos múltiples: Use algoritmos como CSRT o KCF desde la API de seguimiento de OpenCV para bloquear una bola específica incluso cuando se mueve detrás de los obstáculos o cambia la apariencia.
  • Depth Sensing: Agregue un sensor ultrasónico o una cámara de tiempo de vuelo para estimar la distancia y mantener una distancia constante de la bola.
  • Búsqueda autónoma: Integrar una máquina estatal para que el robot patrulla la sala hasta que detecte una pelota, luego cambia al modo de seguimiento. Este es un patrón común en las competiciones robóticas.

Conclusión

Construir un robot de rastreo de bolas usando visión de ordenador es un proyecto práctico que puente la teoría y la práctica en robótica, sistemas integrados e IA. Ha aprendido a seleccionar hardware, establecer un canal de visión con OpenCV, implementar un controlador de seguimiento proporcional y probar el sistema en el mundo real. Las habilidades que adquiere — segmentación de color, análisis de contorno, control de retroalimentación— son directamente transferibles a aplicaciones más avanzadas como navegación autónoma, seguimiento de objetos, prototipos y aún. Consulte la documentación OpenCV para detalles de algoritmo adicionales, y comprobar este tutorial de control de motor para obtener más información sobre hardware. El único límite ahora es su creatividad.