🤖 智能语音具身智能机械臂 (Voice-Controlled Embodied AI Robot Arm)

🚀 桌面级具身智能 (Embodied AI) 最佳实践：构建“耳-脑-眼-手”全链路闭环控制系统。

本项目实现了一套运行在消费级笔记本（RTX 3060, 6GB）上的全栈离线具身智能系统。通过多模态模型融合，打通了从自然语言到物理动作的最后壁垒：

• 听 (Listen)：集成 Faster-Whisper，支持抗噪中文语音指令输入；
• 想 (Think)：部署微调后的 DeepSeek/Qwen 大语言模型，具备极强的复杂语义理解与逻辑推理能力；
• 看 (See)：结合 YOLOv8 机器视觉 与单应性矩阵手眼标定，实现亚毫米级目标定位；
• 动 (Act)：自研 D-H 逆运动学 求解器与平滑轨迹规划算法，精准驱动机械臂执行抓取、搬运等任务。

无需联网，低成本复刻，满足边缘计算与隐私安全需求。

关键词: Embodied AI, Robot Arm, Voice Control, LLM, DeepSeek, YOLOv8, Whisper, Fine-tuning, Inverse Kinematics

✨ 项目亮点

• 👂 听 (Listen): 使用 Faster-Whisper 进行本地语音识别，支持抗噪与谐音纠错。
• 🧠 想 (Think): 基于 DeepSeek/Qwen 大模型微调 (LoRA)，将自然语言能够解析为结构化的 JSON 动作指令。
• 👁️ 看 (Look): 结合 YOLOv8 视觉识别与手眼标定系统，实现精准的物体定位。
• 💪 动 (Move): 自研 D-H 逆运动学算法 与 S-Curve 速度规划，保证机械臂在 ESP32 控制下的平滑运动。

---

🛠️ 技术栈总览

模块	技术方案	作用
语音识别	Faster-Whisper (Base)	离线语音转文本，支持流式输入
语义理解	LLM (DeepSeek/Qwen) + LoRA	指令意图解析，泛化复杂语序
视觉感知	YOLOv8s + OpenCV	目标检测与坐标映射 (Homography)
运动控制	Python (IK) + ESP32 (C++)	逆解算与底层 PWM 舵机驱动
训练框架	LLaMA-Factory	高效微调大模型指令跟随能力

---

📖 项目复刻指南 (Replication Guide)

本指南详细介绍了如何从零开始复刻本项目，包括硬件准备、环境搭建、以及最关键的三个AI模型（语音、视觉、大脑）的获取与训练方法。

1. 硬件准备 (Hardware)

1.1 项目物料清单 (BOM) & 成本

本项目硬件成本极低，总花费约 ¥317。以下是基于实际采购发票的详细清单：

序号	物品名称	规格/型号	数量	单价 (CNY)	总费用 (CNY)	备注
1	3D打印机械臂	教具/机械臂 (散件)	1 个	71.00	71.00	包含亚克力/PLA结构件
2	ESP32开发板	WiFi+蓝牙双核 MCU	1 件	18.71	18.71	主控核心
3	ESP32配件	(接插件/扩展板)	1 件	4.55	4.55	辅助连接
4	工业摄像头	USB免驱 / 广角	1 个	61.00	61.00	机器视觉输入
5	数字舵机	MG996R (金属齿轮)	5 个	26.54	132.70	大扭矩驱动
6	稳压电源	6V 6A	1 个	29.00	29.00	舵机供电
总计					¥316.96	高性价比

1.2 硬件连接说明

1.2 硬件连接说明

• 机械臂: 也就是本项目中的 RobotArmUltimate。
  • 要求：支持串口通信（Serial），使用标准舵机控制协议。
  • 连接：USB连接电脑，需确认串口号（代码默认为 COM3，请在 arm_main.py 或 voice_main.py 中修改）。
• 摄像头: USB免驱网络摄像头。
  • 安装位置：固定在机械臂前方或上方，确保能覆盖工作台面。
• 麦克风: 任意USB麦克风或电脑内置麦克风。
• 计算设备: 建议配备 NVIDIA 显卡的 Windows/Linux 电脑（用于加速 YOLO 和 LLM 推理）。

1.3 固件烧录 (Firmware)

本项目包含下位机控制代码 main.ino，适用于 ESP32 开发板。

• 开发环境: Arduino IDE 2.x
• 开发板管理器: ESP32 by Espressif Systems (建议版本 3.0.0+)
• 烧录步骤:
  1. 使用 USB 数据线连接 ESP32 到电脑。
  2. 打开 main.ino 文件。
  3. 选择开发板型号（如 "ESP32 Dev Module"）和端口。
  4. 上传代码。
  5. 记下端口号（如 COM3），后续需在 voice_main.py 中配置。

2. 软件环境搭建 (Software)

2.1 基础环境

1. 安装 Python 3.10+。
2. 安装 CUDA (如果你有NVIDIA显卡)，建议版本 11.8 或 12.x，以便使用 torch 的 GPU 版本。
3. 克隆本项目代码。

2.2 依赖安装

请在终端运行以下命令安装所需库：

# 基础工具
pip install numpy opencv-python pyserial sounddevice scipy

# AI 模型相关 (PyTorch, Ultralytics, Transformers)
# 注意：PyTorch 请去官网 https://pytorch.org/ 根据你的 CUDA 版本安装对应的命令
pip install torch torchvision torchaudio 

# 视觉与大模型
pip install ultralytics transformers accelerate peft bitsandbytes

# 语音识别
pip install openai-whisper

3. 三大核心模型获取与训练指南 (Model Training)

本项目包含三个核心 AI 模块，请分别按照以下步骤准备。

3.1 👂 语音听觉 (Whisper)

• 作用: 将你的语音指令转为文字。
• 获取方法:
  • 无需训练。代码使用了 OpenAI 的 whisper 模型。
  • 首次运行时，程序会自动下载模型权重（如 base 或 small 模型）。
  • 代码位置：whisper_main.py 中的 RobotEar 类。

3.2 👁️ 视觉感知 (YOLOv8)

• 作用: 识别桌面上的物体（如：削笔刀、盒子、零件）并定位其像素坐标。
• 获取方法: 需要训练 (Custom Training)。
• 详细步骤:
  1. 数据采集:
     • 打开摄像头，拍摄你的桌面上不同摆放位置的物体图片（建议 100-300 张）。
  2. 数据标注:
     • 使用 LabelImg 或 Roboflow 等工具进行标注。
     • 类别名称必须与可以被语音识别到的名称对应（如：part, box 等）。
     • 注意：本项目目前默认将所有目标映射为 part 进行抓取，但训练时建议区分不同类别。
  3. 模型训练:
     • 确保你安装了 ultralytics。
     • 准备 data.yaml 文件，指定 train 和 val 图片路径及类别名称。
     • 运行训练命令：

       yolo detect train model=yolov8s.pt data=data.yaml epochs=100 imgsz=640
       

  4. 模型部署:
     • 训练完成后，会在 runs/detect/train/weights/ 下生成 best.pt。
     • 将 best.pt 复制到项目根目录，并在 voice_main.py 中修改加载路径：self.model = YOLO('best.pt')。

3.3 🧠 逻辑大脑 (LLM + LoRA)

• 作用: 将自然语言（例如“把那个红色的块拿起来”）翻译成机器能读懂的 JSON 指令（{"action": "pick", ...}）。
• 获取方法: 基于开源大模型进行微调 (Fine-tuning)。
• 详细步骤:
  1. 基座模型准备:
     • 建议下载 Qwen1.5-1.8B, Llama-3-8B 或 ChatGLM3-6B 等适合本地运行的模型。
  2. 构建数据集:
     • 参考项目中的 robot_train.json 文件。
     • 格式（Alpaca 格式）：

       [
         {
           "instruction": "向左移动一厘米",
           "input": "",
           "system": "你是机械臂JSON转换器...",
           "output": "[{\"action\": \"move_inc\", \"axis\": \"y\", \"value\": 10}]"
         }
       ]
       

     • 你需要编写大量类似的 "中文指令 -> JSON" 对照数据，覆盖抓取、移动、摇头等场景。
  3. 微调 (Fine-tuning):
     • 本项目集成了 LLaMA-Factory 框架（见 LLaMA-Factory/ 目录）。
     • 使用 LLaMA-Factory 进行 LoRA 微调：

       cd LLaMA-Factory
       # 示例微调命令 (需根据实际显存调整参数)
       llamafactory-cli train \
           --stage sft \
           --do_train \
           --model_name_or_path /path/to/base_model \
           --dataset robot_train \
           --template qwen \
           --finetuning_type lora \
           --output_dir ../saves/lora_adapter \
           --per_device_train_batch_size 4 \
           --gradient_accumulation_steps 4 \
           --lr_scheduler_type cosine \
           --logging_steps 10 \
           --save_steps 100 \
           --learning_rate 5e-5 \
           --num_train_epochs 5.0
       

  4. 模型加载:
     • 训练完成后，你将获得一个 LoRA 权重文件夹（如 saves/lora_adapter）。
     • 在 voice_main.py 的 RobotBrain 类中，将 model_path 指向你的 LoRA 文件夹路径（代码中默认为 D:\lora\2）。
     • 代码不仅加载了 LoRA，还通过 AutoModelForCausalLM 自动合并加载了基座模型（前提是 LoRA 的配置文件里记录了基座模型路径）。

4. 运行与标定 (Run & Calibration)

1. 连接硬件: 插入摄像头和机械臂 USB。
2. 启动程序:

   python voice_main.py
   

3. 手眼标定 (Hand-Eye Calibration):
   • 无论摄像头怎么动，都需要重新标定。
   • 在程序运行画面中，按下键盘 C 键进入标定模式。
   • 此时画面会提示依次点击 4 个点（左上、右上、右下、左下）。
   • 请用鼠标在画面中点击机械臂实际能够到达的这 4 个对应的矩形区域角点（对应机械臂坐标 (90,90), (200,90), (200,-90), (90,-90)）。
   • 点击完第 4 个点后，系统会自动计算变换矩阵，至此标定完成。

5. 使用方法

• 按住 空格键 说话（如：“把那个零件拿起来”，“向左两厘米”）。
• 松开空格键，机械臂将自动执行动作。
• 更多快捷键和指令说明请参考 使用说明书.md。