OpenBot 低成本搭建机器人学习平台

OpenBot的核心思路可以概括为一句话：把智能手机变成机器人的“大脑”，用约 50 美元的低成本车体充当“身体”。手机提供算力、摄像头与传感器，车体只负责移动和执行底层指令。这一设计使机器人具备了跟随行人、自主避障、自动驾驶等原本需要昂贵专用计算平台才能实现的能力。

🧠 整体架构：四层分工

OpenBot 的系统由四个层次协同工作，职责清晰：

层级	角色	核心职责
智能手机	“大脑”	运行 Android App，处理摄像头画面，执行 AI 推理，做出决策
Android 软件栈	“思维”	Robot App（机器人端）负责感知与决策；Controller App（遥控端）负责手动操控与监视
微控制器（MCU）	“脊髓”	Arduino Nano 或 ESP32，接收手机指令，转化为 PWM 信号驱动电机，并回传传感器数据
机器人本体	“身体”	3D 打印底盘、直流电机、车轮、电池、超声波传感器等

控制闭环是这样跑通的：手机通过摄像头“看”到环境 → AI 模型生成转向和速度指令 → 指令经 USB 串口或蓝牙发给 MCU → MCU 驱动电机执行 → 传感器数据回传手机，形成实时反馈。

💰 硬件成本：50 美元能买到什么

不含手机，DIY 方案的物料成本约 50 美元（约合人民币 300–400 元）。主要组件与参考价如下：

组件	规格/说明	参考成本（美元）
智能手机	闲置 Android 手机（建议 Android 11+）	0（复用旧设备）
机器人底盘	3D 打印四轮/两轮结构，PLA 打印，耗材成本约 20 元	20–30
微控制器	Arduino Nano（ATmega328P）或 ESP32	5–10
电机驱动板	L298N 或 TB6612FNG	3–8
电源系统	18650 锂电池组（3 节或 7.4V 电池组）+ 电压调节	10–15
通信/传感器	蓝牙/Wi-Fi 模块、超声波避障传感器	5–8
其他	杜邦线、支架、轮子、螺丝等	5–10

底盘设计是开源的，所有 3D 模型文件都在项目仓库中；没有 3D 打印机也可以找在线代打服务。OpenBot 提供了多种底盘方案，从入门级的 Lite（面向教学）、通用的 DIY（3D 打印 + L298N）、RC Truck（改造 1:16 遥控车），到多地形版本 MTV 和开箱即用的 RTR 成品套件。

🔌 固件层：MCU 在做什么

MCU 的固件（<code>openbot.ino</code>）负责所有底层实时控制，不参与 AI 推理。它的核心任务包括：

电机控制：接收手机下发的速度与转向指令，转换为左右轮独立 PWM 信号。
传感器采集：读取车轮光学编码器的中断计数（里程计）、电池电压（经分压电路）、超声波测距数据。
状态指示：控制 LED 转向灯、前后灯和状态灯。
通信桥接：通过 USB 串口（或 ESP32 的蓝牙）与手机双向通信。

固件通过 <code>#define</code> 配置来适配不同底盘，例如 <code>OPENBOT</code> 设为 <code>DIY</code>、<code>RTR_TT</code>、<code>RC_CAR</code> 等，每种底盘会自动开启对应的传感器与执行器支持。

串口协议是简单的文本指令。最核心的驾驶指令格式为 <code>c<左轮PWM>,<右轮PWM></code>，PWM 范围 -255 到 255（负值反转）：

<code>c128,128</code> → 双轮以 50% PWM 慢速前进
<code>c255,-255</code> → 原地快速右转（左轮前进，右轮后退）
<code>c-128,-128</code> → 双轮慢速后退

此外还有用于配置传感器、读取电压等的指令。波特率默认 115200。

📱 软件栈：手机端的两类 App 与多种控制器

手机端软件是整个系统的智能核心，主要分为两类角色：

Robot App（运行在机器人手机上的“大脑”），功能模块包括：

FreeRoam（自由遥控）：接收来自另一台手机的指令，或切换为 Python/Web 控制器模式。
Data Collection（数据采集）：在人工遥控下录制摄像头画面与对应的控制指令，生成训练数据集。
Autopilot（自动驾驶）：加载 TensorFlow Lite 模型，实时推理并输出驾驶指令。
Object Tracking（目标跟踪）：调用目标检测模型锁定特定对象。
Model Management（模型管理）：上传、切换、删除手机上的 TFLite 模型文件。

Controller App（遥控端） 可以运行在另一台手机、PC 或浏览器上：

Android/iOS Controller App：触屏遥控，接收机器人摄像头的实时视频流与遥测数据。
Python 控制器：在同一 Wi-Fi 下，用键盘控制机器人并接收视频流，适合快速调试和脚本化控制。
Web 控制器（Node.js/WebRTC）：通过浏览器远程操控，无需安装专用 App。

🤖 AI 能力：MobileNet SSD 与 1.3M 参数导航网络

OpenBot 的 AI 功能建立在两个经过移动端优化的模型之上：

① 行人/物体跟踪：MobileNet-SSD

采用 SSD（Single Shot MultiBox Detector） 目标检测框架，搭配 MobileNet 轻量级骨干网络。整个模型体积不到 30 MB，适合在手机上实时运行，可识别行人、车辆、交通标志等 80 类目标。检测是逐帧进行的，配合一个简单的周期性调度逻辑，就能实现“持续跟随”效果。

② 自主导航：1.3M 参数的条件模仿学习网络

英特尔实验室将自主导航模型的参数量从之前的 9.1M 压缩到了仅 1.3M，在保持实时推理能力的同时大幅降低了计算负载。其训练方式基于条件模仿学习：模型不仅看当前画面，还接收目标指令（如“前进”“左转”），学习在给定条件下如何输出转向和速度。该网络只需约 30 分钟即可完成训练。

🎓 策略学习流水线：从人工驾驶到自主行驶

OpenBot 提供了一条完整的“采集 → 训练 → 部署”流水线，让你可以训练自己的驾驶策略：

采集数据：用 Robot App 的 Data Collection 模式，人工遥控机器人绕行，同时记录摄像头画面与操控指令。
训练模型：在 PC 上使用项目提供的训练脚本（<code>policy/</code> 目录），基于采集的数据训练驾驶策略。项目提供了多种模型选择，如轻量级的 <code>cil_mobile</code>、高速优化版 <code>cil_mobile_fast</code>，以及表达能力更强的 <code>pilot_net</code>。
导出 TFLite：训练过程会生成 <code>.tflite</code> 文件，选取验证指标最佳的 checkpoint。
部署运行：将 <code>.tflite</code> 模型上传到 Robot App 的模型管理中，在 Autopilot 模式下选择该模型即可让机器人自主行驶。

训练需要一定的计算资源，建议使用带独立显卡的电脑；同时驾驶策略并不完美，建议在安全环境中使用，并随时准备用遥控器接管。

🔧 扩展性与适用场景

OpenBot 的模块化设计留出了充足的二次开发空间：可以加装超声波传感器增强避障、加装 GPS 模块实现室外导航、加装 IMU 做姿态估计。社区已有 ROS2 接口包，可将 Arduino 串口数据转为 ROS2 话题，在 PC 上运行 SLAM 建图与路径规划。

从定位来看，OpenBot 最适合作为机器人教学、AI 自动驾驶入门、以及具身智能原型验证的平台：它把“可升级的大脑（手机） + 可复制的身体（低成本车体）”拆分开来，手机换代即算力升级，底盘却无需更换，以极低的成本提供了一套完整的“感知—决策—执行”闭环。

如果你打算动手搭建，建议从 DIY 或 RTR 底盘入手，先跑通遥控和数据采集，再逐步尝试训练自己的 Autopilot 模型。