# 智能语音机械臂 / Voice-Controlled Robot Arm

基于"耳-脑-眼-手"全链路闭环的具身智能系统，运行于消费级硬件，完全离线。

*A full-stack embodied AI system — voice in, physical action out — running entirely offline on consumer hardware.*

---

## 系统简介 / Overview

| 能力 | 实现 | Capability |
|:---|:---|:---|
| **听** | Faster-Whisper，本地中文语音识别 | Speech-to-text (Chinese, local) |
| **想** | DeepSeek-R1-1.5B + QLoRA 微调，自然语言→JSON | LLM + rule engine, NL→JSON actions |
| **看** | YOLOv8s 目标检测 + 单应性矩阵手眼标定 | Object detection + hand-eye calibration |
| **动** | D-H 逆运动学 + S-Curve 轨迹规划，ESP32 驱动 | IK solver + smooth trajectory → ESP32 PWM |

硬件总成本 **¥317**，GPU 需求 RTX 3060 6GB（推理 <4GB 显存，延迟 <200ms）。

*Total hardware cost ¥317 (~$45 USD). Requires an NVIDIA GPU for LLM inference.*

---

## 系统架构 / Architecture

```
麦克风 / Microphone
    │
    ▼
┌──────────────────┐
│  Faster-Whisper  │  语音识别 (STT)  —  中文语音 → 文本
└────────┬─────────┘
         │  "把削笔刀抬起5厘米"
         ▼
┌──────────────────┐
│  规则解析引擎     │  简单指令直接匹配（松开 / 复位 / 方向移动）
│  (Regex engine)  │  命中 → 直接生成 JSON，跳过 LLM
└────────┬─────────┘
         │  未命中（含物体名的复杂指令）
         ▼
┌──────────────────┐
│ DeepSeek-R1-1.5B │  QLoRA 微调推理
│  (QLoRA, FP16)   │  自然语言 → 结构化 JSON 指令
└────────┬─────────┘
         │  [{"action": "lift", "target": "part", "height": 50}]
         ▼
┌──────────────────┐
│  YOLOv8s         │  实时检测目标物体
│  + Homography    │  像素坐标 → 机械臂工作坐标 (mm)
└────────┬─────────┘
         │  (rx=170, ry=3)
         ▼
┌──────────────────┐
│  运动控制引擎     │  D-H 逆运动学 + S-Curve 插值
│  arm_main.py     │  平滑轨迹 → 串口 → ESP32 → 舵机
└──────────────────┘
```

---

## 硬件清单 / Bill of Materials

总计 **¥317** / ~$45 USD

| # | 物品 | 规格 | 数量 | 单价 | 合计 |
|:--|:---|:---|:--:|---:|---:|
| 1 | 3D 打印机械臂（散件） | 教具级，含亚克力/PLA 结构件 | 1 | ¥71 | ¥71 |
| 2 | ESP32 开发板 | WiFi+蓝牙双核 MCU | 1 | ¥19 | ¥19 |
| 3 | ESP32 配件 | 接插件/扩展板 | 1 | ¥5 | ¥5 |
| 4 | USB 工业摄像头 | 免驱，广角，1280×720 | 1 | ¥61 | ¥61 |
| 5 | 数字舵机 MG996R | 金属齿轮，高扭矩 | 5 | ¥27 | ¥133 |
| 6 | 稳压电源 | 6V 6A，舵机专用 | 1 | ¥29 | ¥29 |

**硬件连接 / Wiring**

- **ESP32 串口引脚**：X→14, Y→4, Z→5, B→18, 夹爪→23
- **电源**：舵机与 ESP32 分开供电（外部 6V/6A），防浪涌
- **摄像头**：USB，固定于机械臂前方，覆盖整个工作台面
- **串口**：USB 连接 ESP32，默认 `COM3`，可通过环境变量 `ROBOT_PORT` 修改

---

## 安装 / Installation

### 1. 烧录固件 / Flash Firmware

Arduino IDE 2.x，开发板选 "ESP32 Dev Module"：

```bash
# 打开 main.ino，选择正确串口，上传
# Open main.ino, select port, Upload
```

### 2. Python 环境 / Python Setup

Python 3.10+，CUDA 11.8 或 12.x（推荐）。

```bash
# 1. PyTorch（先去 pytorch.org 选对应 CUDA 版本）
#    Visit pytorch.org to install the correct CUDA build first

# 2. 其余依赖 / Other dependencies
pip install -r requirements.txt
```

### 3. 配置 / Configure

所有可调参数集中在 `config.py`，支持环境变量覆盖：

```bash
# 修改串口（Windows COM 号 / Linux /dev/ttyUSB0）
# Change serial port
ROBOT_PORT=COM5 python voice_main.py

# 修改模型路径 / Change model paths
LLM_MODEL_PATH=D:\models\my_lora  python voice_main.py
YOLO_MODEL_PATH=runs/best.pt      python voice_main.py
```

默认值见 `config.py`，无需修改代码。
*Default values are in `config.py`; no code changes needed for standard tuning.*

### 4. 模型准备 / Models

**语音 (Whisper)**：无需准备，首次运行自动下载 `base` 模型。
*Auto-downloaded on first run.*

**视觉 (YOLO)**：需自行训练，50 张样本即可迁移学习：

```bash
# 用 LabelImg 或 Roboflow 标注你的物体，然后：
yolo detect train model=yolov8s.pt data=data.yaml epochs=100 imgsz=640
# 产出 runs/detect/train/weights/best.pt → 复制到项目根目录
# Copy runs/detect/train/weights/best.pt to project root
```

**大模型 (LLM)**：需要对 DeepSeek-R1-1.5B 或 Qwen1.5-1.8B 进行 LoRA 微调。
*Requires LoRA fine-tuning. See [`TRAINING.md`](TRAINING.md) for the complete guide.*

训练数据格式（Alpaca）：
```json
{
  "instruction": "把削笔刀抬起5厘米",
  "input": "",
  "system": "你是机械臂JSON转换器...",
  "output": "[{\"action\": \"lift\", \"target\": \"part\", \"height\": 50}]"
}
```

---

## 快速上手 / Quick Start

```bash
python voice_main.py
```

启动后依次加载：机械臂串口 → YOLO 模型 → Whisper → LLM，弹出摄像头窗口。
*On startup: serial → YOLO → Whisper → LLM → camera window.*

**键盘快捷键 / Keyboard Shortcuts**

| 按键 | 功能 | Function |
|:---|:---|:---|
| **SPACE（按住）** | 录音，松开即识别 | Hold to record, release to recognize |
| **C** | 进入 / 退出手眼标定模式 | Toggle hand-eye calibration mode |
| **R** | 手动复位到原始姿态 | Manual reset to home position |
| **O** | 强制张开夹爪 | Force open gripper |
| **Q** | 退出程序 | Quit |

---

## 语音指令 / Voice Commands

所有指令用普通中文说话即可，无需特殊格式。
*Speak natural Chinese. No special syntax required.*

**抓取与搬运（需视觉定位）**
```
"把削笔刀抓起来"
"抓住那个盒子"
"把削笔刀抬起5厘米"
"将零件举高10公分"
```

**空间运动控制（精确移动）**
```
"向上三厘米"          → Z 轴 +30mm
"向左移动四毫米"       → Y 轴 +4mm
"往前伸10厘米"         → X 轴 +100mm
```

**模糊移动**（不指定数值，默认 5cm）
```
"向左"  "抬起"  "往下"
```

**动作交互**
```
"点头"   → 当前位置上下往复 3 次（幅度 3cm）
"摇头"   → 当前位置左右往复 3 次（幅度 3cm）
"放下"   → 降至桌面高度（Z=-15mm）并松开夹爪
"复位"   → 回到初始安全姿态 [120, 0, 60] mm
"松开"   → 张开夹爪，不移动
```

**语音兼容性**
系统内置谐音纠错：`"零米"→"厘米"`, `"小笔刀"→"削笔刀"`, `"电头"→"点头"` 等。
*Built-in homophone correction for common Whisper mishearings.*

---

## 手眼标定 / Hand-Eye Calibration

摄像头移动后必须重新标定。按 **C** 键进入标定模式：

```
依次点击 4 个角点 / Click 4 corner points in order:

  P1 (左上) ←→ 机械臂坐标 (90, 90)
  P2 (右上) ←→ 机械臂坐标 (200, 90)
  P3 (右下) ←→ 机械臂坐标 (200, -90)
  P4 (左下) ←→ 机械臂坐标 (90, -90)
```

点完第 4 个点后，单应性矩阵立即更新，无需重启。
*Homography matrix updates instantly after the 4th click. No restart needed.*

---

## 故障排除 / Troubleshooting

| 现象 | 原因 | 解决 |
|:---|:---|:---|
| 按空格无反应 | 窗口焦点不在摄像头画面 | 点击一下摄像头窗口 |
| 语音识别乱码 | 麦克风噪声 / 语速过快 | 安静环境，语速适中，按住空格 0.5s 再说话 |
| "未找到目标" | YOLO 未检测到物体 | 调整物体角度、光照；检查物体是否在训练类别中 |
| 抓取位置偏离 | 摄像头被移动 | 按 **C** 重新四点标定 |
| 无法连接串口 | ESP32 未插入 / 端口号不对 | 检查设备管理器，修改 `ROBOT_PORT` 环境变量 |
| 机械臂启动剧烈抖动 | 五路舵机同时上电浪涌 | 已在固件中处理（阶梯式上电），若仍出现检查电源容量 |

---

## 核心技术要点 / Technical Notes

以下是开发过程中解决的关键工程问题，供复刻者参考。

**D-H 逆运动学**
长度 130mm 的 L4 连杆导致几何解析法在水平移动时产生 40° 轨迹偏移。最终采用 Scipy SLSQP 数值优化器，加入 `Pitch=-90°` 姿态约束（抓手始终垂直地面），彻底解决非线性偏移。

*The 130mm L4 link caused ~40° path deviation with geometric IK. Solved by Scipy SLSQP numerical optimization with a Pitch=-90° constraint (end-effector always perpendicular to table).*

**S-Curve + 多层减震**
MG996R 在长力臂下惯性震动严重。减震流水线：倾斜补偿 → 移动平均滤波（deque）→ 速度限制 → EMA 阻尼 → 死区过滤。

*MG996R servos vibrate badly with a long lever arm. Solution: 5-layer damping pipeline — tilt correction → moving average (deque) → speed cap → EMA damping → dead-zone filter.*

**双通道解析架构**
简单指令（松开、复位、方向移动）走正则规则引擎，微秒级响应，且避免大模型将"向下三厘米"误判为 `lift`。只有含物体名的复杂指令才交给 LLM（延迟 <200ms）。

*Simple commands (release/reset/directional) bypass the LLM entirely via a regex engine (microseconds). Complex commands with object names go to the LLM (<200ms). This prevents the common failure mode of "move down 3cm" being misclassified as a lift action.*

**Pre-filling 截断**
DeepSeek-R1 的推理模型默认会输出思维链（`<think>...</think>`）。通过手动追加 `<｜Assistant｜>` 标签进行 Pre-filling，强制模型跳过思考过程直接输出 JSON，实现 100% 格式遵循率。

*DeepSeek-R1 defaults to outputting a chain-of-thought. Pre-filling with `<｜Assistant｜>` forces the model to skip the thinking phase and output JSON directly, achieving 100% format compliance.*

**Whisper 反幻觉**
三道防线，全部封装在 `RobotEar.get_text()` 内：① 音频首尾静音裁剪 + 时长上下限过滤；② `condition_on_previous_text=False`；③ 重复模式正则检测（去除"向右向右向右..."类幻觉）。音频相关阈值（静音灵敏度、最短/最长时长）均在 `config.py` 中统一配置。

*Three defences, all encapsulated in `RobotEar.get_text()`: silence trimming + duration guards; `condition_on_previous_text=False`; repeated-phrase regex dedup. All thresholds are tunable via `config.py`.*

**工程坑：System Prompt 对齐**
训练与推理的 System Prompt 必须完全一致，否则模型输出偏移（如输出 500mm 而非 50mm）。已在代码注释中标注警告。

---

## 大模型训练 / LLM Training

约 500 条领域数据，QLoRA 微调 DeepSeek-R1-1.5B，Loss 收敛至 0.0519，格式错误率 0%。

完整训练流程见 [`TRAINING.md`](TRAINING.md)，包括：QLoRA 超参数配置、GGUF vs Transformers 方案对比、Pre-filling 推理方案详解、实验结果。

---

## 项目结构 / Project Structure

```
robot_arm/
├── README.md          本文档 / This file
├── TRAINING.md        大模型 LoRA 微调研究笔记 / LLM fine-tuning notes
├── requirements.txt   Python 依赖 / Dependencies
├── config.py          全局常量：硬件、运动、音频、手势（支持环境变量覆盖）
│                      / All tunables: hardware, motion, audio & gesture constants
│
├── main.ino           ESP32 固件，LEDC PWM 舵机控制 / ESP32 firmware
├── arm_main.py        机械臂运动学核心：D-H IK + S-Curve / Kinematics & control
├── whisper_main.py    语音识别全链路：静音裁剪→转录→纠错 / Full ASR pipeline (RobotEar)
└── voice_main.py      主程序：语音→LLM→视觉→控制 / Main app orchestrator
```

---

## 关键数据 / Key Specs

| 指标 | 值 |
|:---|:---|
| 硬件成本 | ¥317 |
| GPU 需求 | RTX 3060 6GB（推理 <4GB 显存） |
| 推理延迟 | <200ms（LLM），<50ms（规则引擎） |
| 训练数据量 | ~500 条 |
| 格式错误率 | 0% |
| 运行模式 | 完全离线 / Fully offline |