1. 项目概述当AI视觉遇上机械臂最近在捣鼓一个挺有意思的小项目一个能和人玩“石头剪刀布”的AI猜拳机器人。这玩意儿听起来像是科技展上的噱头但真做起来你会发现它麻雀虽小五脏俱全几乎涵盖了从AI视觉识别到机器人实时控制、再到人机交互逻辑的完整链条。核心就靠一块HUSKYLENS AI视觉传感器让它长了“眼睛”再配上一个舵机驱动的机械手让它能“出手”。我的目标很简单做一个反应快、识别准、动作稳而且成本可控爱好者也能复现的桌面级智能交互装置。这个项目的核心价值远不止于猜拳输赢。它本质上是一个微型的人机协同与实时决策系统的绝佳练手Demo。通过它你可以深入理解图像采集、模型推理、姿态分类、运动规划、状态机设计这一系列在现代机器人无论是工业机械臂还是人形机器人中通用的核心技术模块。市面上很多教程要么只讲视觉要么只讲控制而这个项目把两者无缝衔接了起来让你看到数据如何从摄像头流动到执行器形成一个完整的智能闭环。2. 核心硬件选型与设计思路拆解2.1 为什么是HUSKYLENS选择HUSKYLENS作为项目的“眼睛”是经过深思熟虑的它完美匹配了这个项目的需求快速原型开发、免训练、高集成度。HUSKYLENS是一款集成了处理器的AI视觉传感器它最大的优势在于开箱即用。对于“石头剪刀布”这样的固定手势识别我们完全不需要自己收集数据、训练复杂的深度学习模型。HUSKYLENS内置了人脸识别、物体追踪、颜色识别、标签识别、物体分类和巡线等多种算法。其中“物体分类”功能正是我们所需要的。我们只需要将“石头”、“剪刀”、“布”三种手势的样本分别录入到HUSKYLENS的三个分类ID中它就能在本地实时完成推理和分类并通过UART或I2C接口直接输出结果如“ID1: 石头”。这省去了多少事想想看如果自己搭建视觉系统你需要一个摄像头如Raspberry Pi Camera、一块算力足够的开发板如树莓派或Jetson Nano、在开发板上部署OpenCV或PyTorch/TensorFlow环境、自己编写或寻找手势识别模型、进行模型优化和部署……这一套流程下来门槛高、周期长。而HUSKYLENS把所有这些封装到了一个火柴盒大小的模块里供电只需5V通过串口打印结果极大降低了开发难度和周期。注意HUSKYLENS的物体分类功能其本质是运行一个轻量级的、经过预训练的神经网络很可能是MobileNet架构的变种来进行特征提取和分类。我们录入样本的过程相当于在做这个模型的最后一层微调Fine-tuning或特征匹配。因此录入样本的质量和多样性直接决定识别效果。务必在不同光照、不同距离、不同角度下多次录入同一种手势以提高模型的鲁棒性。2.2 执行机构舵机机械手的设计考量机器人的“手”需要能稳定、快速地摆出三种固定姿势。我选择了最经典的多舵机串联的仿生机械手方案由3-5个舵机驱动。结构设计采用3D打印件作为骨架结构轻巧且成本低廉。设计时重点考虑了以下几点自由度至少需要3个自由度腕部俯仰、拇指开合、其余四指开合才能较好地模拟三种手势。我最终使用了4个舵机一个控制手腕旋转模拟出手方向一个控制拇指一个控制食指和中指一个控制无名指和小指。运动范围必须精确计算每个舵机的转动角度确保其运动范围能无干涉地覆盖“石头”握拳、“剪刀”伸出食指和中指、“布”五指张开这三个关键位姿。力矩与速度舵机的扭矩要足以带动指节结构特别是握拳时需要克服连杆间的摩擦力。速度则决定了机器人的反应时间我选择了0.12秒/60度的数字舵机以保证动作迅捷。驱动与控制舵机由一块独立的Arduino如Arduino Uno或Nano控制。为什么不用主控直接控制这是为了解耦。HUSKYLENS完成识别后通过串口将结果例如字符‘R’ ‘S’ ‘P’发送给Arduino。Arduino根据接收到的指令调用预写入的舵机角度函数驱动机械手移动到对应姿态。这种架构清晰调试方便也减轻了主控如果后续升级的实时控制负担。2.3 系统架构总览整个系统的数据流和决策逻辑是这样的[人手] -- (手势) -- [HUSKYLENS 视觉识别] -- (识别结果‘R/S/P’) --UART-- [Arduino 主控] -- (舵机控制指令) -- [舵机机械手] -- (做出对应手势) | v [胜负判断逻辑] -- (随机或策略性出拳)Arduino在这里扮演了“大脑”的角色。它不仅要解析视觉指令、控制舵机还要内置一个简单的游戏逻辑状态机。状态机至少包含几个状态等待开始、识别对手手势、决策自身出拳、驱动机械手、判定胜负并展示、复位等待下一轮。清晰的逻辑是保证交互流畅的关键。3. HUSKYLENS手势样本训练与调优实战这是项目成败的第一个关键点。HUSKYLENS的识别效果九成取决于样本录入的好坏。3.1 样本录入标准化流程硬件连接将HUSKYLENS通过4Pin线包含VCC, GND, RX, TX连接到Arduino的硬件串口如Uno的0,1引脚注意接线时RX接TXTX接RX。同时为方便调试可以将Arduino的USB连接到电脑打开串口监视器查看HUSKYLENS的输出数据。进入学习模式在HUSKYLENS屏幕上向左/右滑动选择“物体分类”算法。短按功能键进入学习模式。分ID录入ID1 - 石头将摄像头对准握拳的手确保拳头在屏幕中央的识别框内。长按功能键听到“滴”声后松开此时会闪烁红灯并显示“学习ID1”。此时你需要缓慢移动你的拳头前后调整距离例如从20cm到40cm左右轻微旋转角度在不同位置多次短按功能键录入样本。至少录入10-15个不同位置的样本后再长按功能键完成ID1的学习。ID2 - 剪刀重复上述过程用剪刀手姿势录入。ID3 - 布重复上述过程用张开的手掌录入。验证与迭代退出学习模式分别做出三种手势在摄像头前移动观察屏幕上方是否稳定显示对应的ID和置信度。如果不稳定或识别错误需要重新进入学习模式在出问题的ID下补充录入更多样本特别是那些被误判的边界姿势。3.2 提升识别率的独家技巧背景与环境光尽量在简洁、纯色的背景前操作避免背景中有复杂纹理或颜色与皮肤接近的物体。光照要均匀避免一侧过亮产生强烈阴影或光线过暗导致特征不清。侧光或柔和的顶光是最佳选择。手势标准化定义清晰、明确的手势边界。例如“剪刀”就严格用食指和中指伸直其余手指握紧“布”则五指尽量分开伸直。录入和测试时都保持标准姿势。利用“遗忘”功能如果某个ID学习效果一直不好可以在HUSKYLENS的设置菜单中找到“遗忘”功能清空该ID的所有样本从头再来。距离参数调整在物体分类模式下可以调整识别框大小和算法参数。适当调小识别框迫使手势在画面中占比更大特征更明显。实操心得不要指望一次学习就能达到完美。这是一个“训练-测试-反馈-再训练”的迭代过程。我花了大约一个小时反复测试、补充样本才在90%以上的情况下获得稳定识别。记住你是在“教”AI耐心是关键。4. 机械手控制程序与游戏逻辑实现视觉部分搞定后我们来编写Arduino的“大脑”程序。4.1 舵机控制与姿态预编程首先需要引入舵机库并定义每个舵机对应的引脚和初始角度。#include Servo.h Servo wristServo; // 手腕舵机 Servo thumbServo; // 拇指舵机 Servo indexServo; // 食指中指舵机 Servo ringServo; // 无名指小指舵机 // 定义三个手势的舵机角度数组需根据你的机械结构实际测量调整 int poseRock[4] {90, 180, 0, 0}; // 石头手腕中位拇指内收其他指握紧 int poseScissors[4] {90, 100, 180, 0}; // 剪刀手腕中位拇指微开食指中指伸直无名指小指握紧 int posePaper[4] {90, 30, 180, 180}; // 布手腕中位所有手指张开 void setup() { wristServo.attach(9); thumbServo.attach(10); indexServo.attach(11); ringServo.attach(12); Serial.begin(9600); // 初始化串口用于接收HUSKYLENS数据 goToPose(poseRock); // 初始化为“石头”姿态 } void goToPose(int pose[4]) { wristServo.write(pose[0]); thumbServo.write(pose[1]); indexServo.write(pose[2]); ringServo.write(pose[3]); delay(500); // 等待舵机运动到位 }4.2 串口通信协议解析HUSKYLENS默认会通过串口持续输出数据包。我们需要解析它提取出识别到的物体ID。HUSKYLENS有专用的通信协议但为了快速上手我们可以先将其设置为输出简单的“ID:X”格式可在其屏幕上设置。在Arduino的loop()函数中void loop() { if (Serial.available() 0) { String input Serial.readStringUntil(\n); // 读取一行数据 input.trim(); if (input.startsWith(ID:1)) { // 识别到石头 playerGesture R; startGameRound(); } else if (input.startsWith(ID:2)) { // 识别到剪刀 playerGesture S; startGameRound(); } else if (input.startsWith(ID:3)) { // 识别到布 playerGesture P; startGameRound(); } } }4.3 游戏状态机与决策逻辑这是程序的灵魂。我们设计一个简单的状态机。enum GameState { WAITING, RECOGNIZING, DECIDING, ACTING, SHOW_RESULT }; GameState currentState WAITING; char playerGesture; char robotGesture; void startGameRound() { if (currentState WAITING) { currentState RECOGNIZING; // 可以在这里加一个LED闪烁或声音提示表示“我已看到” delay(1000); // 给玩家一个稳定手势的时间 currentState DECIDING; decideRobotGesture(); currentState ACTING; executeRobotGesture(); currentState SHOW_RESULT; judgeAndDisplay(); delay(3000); // 展示结果3秒 resetGame(); } } void decideRobotGesture() { // 策略1完全随机 // int randomChoice random(3); // 0,1,2 // 策略2简单的必胜策略用于演示 if (playerGesture R) { robotGesture P; // 玩家出石头机器人出布 } else if (playerGesture S) { robotGesture R; // 玩家出剪刀机器人出石头 } else if (playerGesture P) { robotGesture S; // 玩家出布机器人出剪刀 } // 策略3可以引入更复杂的算法比如记录历史、分析玩家习惯等 } void executeRobotGesture() { if (robotGesture R) goToPose(poseRock); else if (robotGesture S) goToPose(poseScissors); else if (robotGesture P) goToPose(posePaper); } void judgeAndDisplay() { // 简单的胜负判断逻辑 if (playerGesture robotGesture) { // 平局控制一个LED灯常亮黄色 } else if ((playerGesture R robotGesture S) || (playerGesture S robotGesture P) || (playerGesture P robotGesture R)) { // 玩家赢LED闪烁绿色 } else { // 机器人赢LED闪烁红色 } // 可以通过串口将结果打印到电脑或者用LCD屏显示 Serial.print(Player: ); Serial.print(playerGesture); Serial.print( vs Robot: ); Serial.print(robotGesture); Serial.println(); } void resetGame() { currentState WAITING; goToPose(poseRock); // 复位到初始姿态 }5. 系统集成、调试与性能优化5.1 硬件集成与供电将HUSKYLENS、Arduino、舵机组、LED指示灯等模块整合到一个底座上。供电是重中之重单独供电舵机特别是多个同时转动时电流冲击很大峰值可达2A以上绝不能直接从Arduino的5V引脚取电。必须使用独立的5V/3A以上的稳压电源模块为舵机供电并与Arduino共地。电源滤波在舵机电源输入端并联一个470μF以上的电解电容可以吸收瞬间电流冲击防止电压骤降导致Arduino复位。信号隔离如果担心舵机干扰Arduino可以在舵机信号线和Arduino引脚之间加一个光耦隔离模块但这对于小型项目通常不是必须的。5.2 延迟分析与优化系统的反应速度从识别到出手是体验的核心。延迟主要来自HUSKYLENS处理延迟约100-200ms。这是固定的无法优化。串口通信延迟微乎其微。舵机运动延迟这是大头。一个舵机转动60度可能需要100-200ms多个舵机顺序运动则更慢。优化手段并行驱动在goToPose函数中不要用servo.write()后跟delay()。可以使用非阻塞的方式或者使用像Servo.h库本身支持的多舵机同时写入虽然底层仍是顺序执行但比写一个等一个快。减少运动角度在机械设计时尽量让“石头”、“剪刀”、“布”三个姿态之间的角度变化最小缩短舵机行程。使用更快的舵机选择0.1秒甚至更快的数字舵机。5.3 提升交互体验增加提示加入蜂鸣器和RGB LED。识别开始时“滴”一声胜负结果用不同颜色灯光表示体验立刻提升一个档次。加入“准备-开始”环节不要一直识别。可以设置一个物理按钮玩家准备好后按下机器人进入识别状态这样更符合游戏直觉。语音反馈如果使用ESP32等带蓝牙/Wi-Fi的主控可以连接蓝牙音箱通过TTS播报结果趣味性更强。6. 常见问题排查与进阶玩法6.1 问题速查表问题现象可能原因排查步骤HUSKYLENS无任何显示供电不足或接反检查5V电源确认线序正确。识别不稳定ID跳动样本学习不充分或环境光差补充学习样本优化光照和背景。调整识别距离。串口收不到数据接线错误RX/TX接反或波特率不匹配检查HUSKYLENS与Arduino的RX/TX交叉连接。确认双方串口波特率均为9600默认。舵机不动或乱动供电不足信号线接触不良程序引脚定义错误用万用表测量舵机电源电压负载下4.8V。检查信号线连接。核对程序中的attach引脚号。机械手动作不到位舵机角度参数不准确机械结构卡顿用测试程序单独驱动每个舵机找到每个姿态的精确角度。检查3D打印件是否有摩擦或干涉。Arduino程序上传后无反应舵机电流过大导致复位上传程序时暂时断开舵机电源。上传完成后再连接。务必确保舵机独立供电。6.2 从Demo到进阶扩展思路这个基础框架有巨大的扩展潜力多策略AI不要总让机器人出能赢的拳。可以设计多种策略模式如“随机模式”、“学习模式”记录玩家习惯并针对、“友好模式”故意输等通过开关切换。集成显示模块加一块OLED或LCD屏实时显示识别结果、机器人决策过程、胜负历史和胜率统计信息更直观。联网与云AI将Arduino换成ESP32识别结果可以通过Wi-Fi上传到服务器。服务器可以运行更复杂的AI模型如用MediaPipe进行更精确的手部关节点识别将决策结果下发给机器人。这就变成了一个云端协同的AI Agent。机械结构升级使用更精密的舵机、金属件甚至改用步进电机或小型直线模组实现更流畅、更有力的动作。移植到ROS这是一个绝佳的ROS入门项目。可以将HUSKYLENS的识别节点、决策节点、控制节点分别在ROS中实现话题通信为后续开发更复杂的移动机器人或人形机器人打下基础。做这个项目的过程中我最大的体会是硬件项目三分在编程七分在调试。尤其是机械、电子、软件的结合部最容易出问题。耐心阅读数据手册用串口打印多观察中间状态分模块测试这些老生常谈的方法永远是最有效的。这个小小的猜拳机器人就像一把钥匙打开了一扇通往嵌入式AI、机器人控制和人机交互世界的大门。它的每一个环节都可以深挖下去演化出更有挑战性的项目。
基于HUSKYLENS与Arduino的AI猜拳机器人：从视觉识别到机械臂控制
1. 项目概述当AI视觉遇上机械臂最近在捣鼓一个挺有意思的小项目一个能和人玩“石头剪刀布”的AI猜拳机器人。这玩意儿听起来像是科技展上的噱头但真做起来你会发现它麻雀虽小五脏俱全几乎涵盖了从AI视觉识别到机器人实时控制、再到人机交互逻辑的完整链条。核心就靠一块HUSKYLENS AI视觉传感器让它长了“眼睛”再配上一个舵机驱动的机械手让它能“出手”。我的目标很简单做一个反应快、识别准、动作稳而且成本可控爱好者也能复现的桌面级智能交互装置。这个项目的核心价值远不止于猜拳输赢。它本质上是一个微型的人机协同与实时决策系统的绝佳练手Demo。通过它你可以深入理解图像采集、模型推理、姿态分类、运动规划、状态机设计这一系列在现代机器人无论是工业机械臂还是人形机器人中通用的核心技术模块。市面上很多教程要么只讲视觉要么只讲控制而这个项目把两者无缝衔接了起来让你看到数据如何从摄像头流动到执行器形成一个完整的智能闭环。2. 核心硬件选型与设计思路拆解2.1 为什么是HUSKYLENS选择HUSKYLENS作为项目的“眼睛”是经过深思熟虑的它完美匹配了这个项目的需求快速原型开发、免训练、高集成度。HUSKYLENS是一款集成了处理器的AI视觉传感器它最大的优势在于开箱即用。对于“石头剪刀布”这样的固定手势识别我们完全不需要自己收集数据、训练复杂的深度学习模型。HUSKYLENS内置了人脸识别、物体追踪、颜色识别、标签识别、物体分类和巡线等多种算法。其中“物体分类”功能正是我们所需要的。我们只需要将“石头”、“剪刀”、“布”三种手势的样本分别录入到HUSKYLENS的三个分类ID中它就能在本地实时完成推理和分类并通过UART或I2C接口直接输出结果如“ID1: 石头”。这省去了多少事想想看如果自己搭建视觉系统你需要一个摄像头如Raspberry Pi Camera、一块算力足够的开发板如树莓派或Jetson Nano、在开发板上部署OpenCV或PyTorch/TensorFlow环境、自己编写或寻找手势识别模型、进行模型优化和部署……这一套流程下来门槛高、周期长。而HUSKYLENS把所有这些封装到了一个火柴盒大小的模块里供电只需5V通过串口打印结果极大降低了开发难度和周期。注意HUSKYLENS的物体分类功能其本质是运行一个轻量级的、经过预训练的神经网络很可能是MobileNet架构的变种来进行特征提取和分类。我们录入样本的过程相当于在做这个模型的最后一层微调Fine-tuning或特征匹配。因此录入样本的质量和多样性直接决定识别效果。务必在不同光照、不同距离、不同角度下多次录入同一种手势以提高模型的鲁棒性。2.2 执行机构舵机机械手的设计考量机器人的“手”需要能稳定、快速地摆出三种固定姿势。我选择了最经典的多舵机串联的仿生机械手方案由3-5个舵机驱动。结构设计采用3D打印件作为骨架结构轻巧且成本低廉。设计时重点考虑了以下几点自由度至少需要3个自由度腕部俯仰、拇指开合、其余四指开合才能较好地模拟三种手势。我最终使用了4个舵机一个控制手腕旋转模拟出手方向一个控制拇指一个控制食指和中指一个控制无名指和小指。运动范围必须精确计算每个舵机的转动角度确保其运动范围能无干涉地覆盖“石头”握拳、“剪刀”伸出食指和中指、“布”五指张开这三个关键位姿。力矩与速度舵机的扭矩要足以带动指节结构特别是握拳时需要克服连杆间的摩擦力。速度则决定了机器人的反应时间我选择了0.12秒/60度的数字舵机以保证动作迅捷。驱动与控制舵机由一块独立的Arduino如Arduino Uno或Nano控制。为什么不用主控直接控制这是为了解耦。HUSKYLENS完成识别后通过串口将结果例如字符‘R’ ‘S’ ‘P’发送给Arduino。Arduino根据接收到的指令调用预写入的舵机角度函数驱动机械手移动到对应姿态。这种架构清晰调试方便也减轻了主控如果后续升级的实时控制负担。2.3 系统架构总览整个系统的数据流和决策逻辑是这样的[人手] -- (手势) -- [HUSKYLENS 视觉识别] -- (识别结果‘R/S/P’) --UART-- [Arduino 主控] -- (舵机控制指令) -- [舵机机械手] -- (做出对应手势) | v [胜负判断逻辑] -- (随机或策略性出拳)Arduino在这里扮演了“大脑”的角色。它不仅要解析视觉指令、控制舵机还要内置一个简单的游戏逻辑状态机。状态机至少包含几个状态等待开始、识别对手手势、决策自身出拳、驱动机械手、判定胜负并展示、复位等待下一轮。清晰的逻辑是保证交互流畅的关键。3. HUSKYLENS手势样本训练与调优实战这是项目成败的第一个关键点。HUSKYLENS的识别效果九成取决于样本录入的好坏。3.1 样本录入标准化流程硬件连接将HUSKYLENS通过4Pin线包含VCC, GND, RX, TX连接到Arduino的硬件串口如Uno的0,1引脚注意接线时RX接TXTX接RX。同时为方便调试可以将Arduino的USB连接到电脑打开串口监视器查看HUSKYLENS的输出数据。进入学习模式在HUSKYLENS屏幕上向左/右滑动选择“物体分类”算法。短按功能键进入学习模式。分ID录入ID1 - 石头将摄像头对准握拳的手确保拳头在屏幕中央的识别框内。长按功能键听到“滴”声后松开此时会闪烁红灯并显示“学习ID1”。此时你需要缓慢移动你的拳头前后调整距离例如从20cm到40cm左右轻微旋转角度在不同位置多次短按功能键录入样本。至少录入10-15个不同位置的样本后再长按功能键完成ID1的学习。ID2 - 剪刀重复上述过程用剪刀手姿势录入。ID3 - 布重复上述过程用张开的手掌录入。验证与迭代退出学习模式分别做出三种手势在摄像头前移动观察屏幕上方是否稳定显示对应的ID和置信度。如果不稳定或识别错误需要重新进入学习模式在出问题的ID下补充录入更多样本特别是那些被误判的边界姿势。3.2 提升识别率的独家技巧背景与环境光尽量在简洁、纯色的背景前操作避免背景中有复杂纹理或颜色与皮肤接近的物体。光照要均匀避免一侧过亮产生强烈阴影或光线过暗导致特征不清。侧光或柔和的顶光是最佳选择。手势标准化定义清晰、明确的手势边界。例如“剪刀”就严格用食指和中指伸直其余手指握紧“布”则五指尽量分开伸直。录入和测试时都保持标准姿势。利用“遗忘”功能如果某个ID学习效果一直不好可以在HUSKYLENS的设置菜单中找到“遗忘”功能清空该ID的所有样本从头再来。距离参数调整在物体分类模式下可以调整识别框大小和算法参数。适当调小识别框迫使手势在画面中占比更大特征更明显。实操心得不要指望一次学习就能达到完美。这是一个“训练-测试-反馈-再训练”的迭代过程。我花了大约一个小时反复测试、补充样本才在90%以上的情况下获得稳定识别。记住你是在“教”AI耐心是关键。4. 机械手控制程序与游戏逻辑实现视觉部分搞定后我们来编写Arduino的“大脑”程序。4.1 舵机控制与姿态预编程首先需要引入舵机库并定义每个舵机对应的引脚和初始角度。#include Servo.h Servo wristServo; // 手腕舵机 Servo thumbServo; // 拇指舵机 Servo indexServo; // 食指中指舵机 Servo ringServo; // 无名指小指舵机 // 定义三个手势的舵机角度数组需根据你的机械结构实际测量调整 int poseRock[4] {90, 180, 0, 0}; // 石头手腕中位拇指内收其他指握紧 int poseScissors[4] {90, 100, 180, 0}; // 剪刀手腕中位拇指微开食指中指伸直无名指小指握紧 int posePaper[4] {90, 30, 180, 180}; // 布手腕中位所有手指张开 void setup() { wristServo.attach(9); thumbServo.attach(10); indexServo.attach(11); ringServo.attach(12); Serial.begin(9600); // 初始化串口用于接收HUSKYLENS数据 goToPose(poseRock); // 初始化为“石头”姿态 } void goToPose(int pose[4]) { wristServo.write(pose[0]); thumbServo.write(pose[1]); indexServo.write(pose[2]); ringServo.write(pose[3]); delay(500); // 等待舵机运动到位 }4.2 串口通信协议解析HUSKYLENS默认会通过串口持续输出数据包。我们需要解析它提取出识别到的物体ID。HUSKYLENS有专用的通信协议但为了快速上手我们可以先将其设置为输出简单的“ID:X”格式可在其屏幕上设置。在Arduino的loop()函数中void loop() { if (Serial.available() 0) { String input Serial.readStringUntil(\n); // 读取一行数据 input.trim(); if (input.startsWith(ID:1)) { // 识别到石头 playerGesture R; startGameRound(); } else if (input.startsWith(ID:2)) { // 识别到剪刀 playerGesture S; startGameRound(); } else if (input.startsWith(ID:3)) { // 识别到布 playerGesture P; startGameRound(); } } }4.3 游戏状态机与决策逻辑这是程序的灵魂。我们设计一个简单的状态机。enum GameState { WAITING, RECOGNIZING, DECIDING, ACTING, SHOW_RESULT }; GameState currentState WAITING; char playerGesture; char robotGesture; void startGameRound() { if (currentState WAITING) { currentState RECOGNIZING; // 可以在这里加一个LED闪烁或声音提示表示“我已看到” delay(1000); // 给玩家一个稳定手势的时间 currentState DECIDING; decideRobotGesture(); currentState ACTING; executeRobotGesture(); currentState SHOW_RESULT; judgeAndDisplay(); delay(3000); // 展示结果3秒 resetGame(); } } void decideRobotGesture() { // 策略1完全随机 // int randomChoice random(3); // 0,1,2 // 策略2简单的必胜策略用于演示 if (playerGesture R) { robotGesture P; // 玩家出石头机器人出布 } else if (playerGesture S) { robotGesture R; // 玩家出剪刀机器人出石头 } else if (playerGesture P) { robotGesture S; // 玩家出布机器人出剪刀 } // 策略3可以引入更复杂的算法比如记录历史、分析玩家习惯等 } void executeRobotGesture() { if (robotGesture R) goToPose(poseRock); else if (robotGesture S) goToPose(poseScissors); else if (robotGesture P) goToPose(posePaper); } void judgeAndDisplay() { // 简单的胜负判断逻辑 if (playerGesture robotGesture) { // 平局控制一个LED灯常亮黄色 } else if ((playerGesture R robotGesture S) || (playerGesture S robotGesture P) || (playerGesture P robotGesture R)) { // 玩家赢LED闪烁绿色 } else { // 机器人赢LED闪烁红色 } // 可以通过串口将结果打印到电脑或者用LCD屏显示 Serial.print(Player: ); Serial.print(playerGesture); Serial.print( vs Robot: ); Serial.print(robotGesture); Serial.println(); } void resetGame() { currentState WAITING; goToPose(poseRock); // 复位到初始姿态 }5. 系统集成、调试与性能优化5.1 硬件集成与供电将HUSKYLENS、Arduino、舵机组、LED指示灯等模块整合到一个底座上。供电是重中之重单独供电舵机特别是多个同时转动时电流冲击很大峰值可达2A以上绝不能直接从Arduino的5V引脚取电。必须使用独立的5V/3A以上的稳压电源模块为舵机供电并与Arduino共地。电源滤波在舵机电源输入端并联一个470μF以上的电解电容可以吸收瞬间电流冲击防止电压骤降导致Arduino复位。信号隔离如果担心舵机干扰Arduino可以在舵机信号线和Arduino引脚之间加一个光耦隔离模块但这对于小型项目通常不是必须的。5.2 延迟分析与优化系统的反应速度从识别到出手是体验的核心。延迟主要来自HUSKYLENS处理延迟约100-200ms。这是固定的无法优化。串口通信延迟微乎其微。舵机运动延迟这是大头。一个舵机转动60度可能需要100-200ms多个舵机顺序运动则更慢。优化手段并行驱动在goToPose函数中不要用servo.write()后跟delay()。可以使用非阻塞的方式或者使用像Servo.h库本身支持的多舵机同时写入虽然底层仍是顺序执行但比写一个等一个快。减少运动角度在机械设计时尽量让“石头”、“剪刀”、“布”三个姿态之间的角度变化最小缩短舵机行程。使用更快的舵机选择0.1秒甚至更快的数字舵机。5.3 提升交互体验增加提示加入蜂鸣器和RGB LED。识别开始时“滴”一声胜负结果用不同颜色灯光表示体验立刻提升一个档次。加入“准备-开始”环节不要一直识别。可以设置一个物理按钮玩家准备好后按下机器人进入识别状态这样更符合游戏直觉。语音反馈如果使用ESP32等带蓝牙/Wi-Fi的主控可以连接蓝牙音箱通过TTS播报结果趣味性更强。6. 常见问题排查与进阶玩法6.1 问题速查表问题现象可能原因排查步骤HUSKYLENS无任何显示供电不足或接反检查5V电源确认线序正确。识别不稳定ID跳动样本学习不充分或环境光差补充学习样本优化光照和背景。调整识别距离。串口收不到数据接线错误RX/TX接反或波特率不匹配检查HUSKYLENS与Arduino的RX/TX交叉连接。确认双方串口波特率均为9600默认。舵机不动或乱动供电不足信号线接触不良程序引脚定义错误用万用表测量舵机电源电压负载下4.8V。检查信号线连接。核对程序中的attach引脚号。机械手动作不到位舵机角度参数不准确机械结构卡顿用测试程序单独驱动每个舵机找到每个姿态的精确角度。检查3D打印件是否有摩擦或干涉。Arduino程序上传后无反应舵机电流过大导致复位上传程序时暂时断开舵机电源。上传完成后再连接。务必确保舵机独立供电。6.2 从Demo到进阶扩展思路这个基础框架有巨大的扩展潜力多策略AI不要总让机器人出能赢的拳。可以设计多种策略模式如“随机模式”、“学习模式”记录玩家习惯并针对、“友好模式”故意输等通过开关切换。集成显示模块加一块OLED或LCD屏实时显示识别结果、机器人决策过程、胜负历史和胜率统计信息更直观。联网与云AI将Arduino换成ESP32识别结果可以通过Wi-Fi上传到服务器。服务器可以运行更复杂的AI模型如用MediaPipe进行更精确的手部关节点识别将决策结果下发给机器人。这就变成了一个云端协同的AI Agent。机械结构升级使用更精密的舵机、金属件甚至改用步进电机或小型直线模组实现更流畅、更有力的动作。移植到ROS这是一个绝佳的ROS入门项目。可以将HUSKYLENS的识别节点、决策节点、控制节点分别在ROS中实现话题通信为后续开发更复杂的移动机器人或人形机器人打下基础。做这个项目的过程中我最大的体会是硬件项目三分在编程七分在调试。尤其是机械、电子、软件的结合部最容易出问题。耐心阅读数据手册用串口打印多观察中间状态分模块测试这些老生常谈的方法永远是最有效的。这个小小的猜拳机器人就像一把钥匙打开了一扇通往嵌入式AI、机器人控制和人机交互世界的大门。它的每一个环节都可以深挖下去演化出更有挑战性的项目。
