企业官网建设流程全解析

2026 年电赛 E 题公布之后，“五自由度”“soarm101”“拼图装置”这几个词几乎同时进入赛前准备的高频搜索列表。很多队伍拿到题的第一反应是：机械臂没玩过，视觉没系统做过，怎么拼图？另一部分队伍则相反，觉得买台现成机械臂就能交差。这两种心态都会在赛场上付出代价。E 题拼图装置真正考察的不是“会不会接一条串口线”，而是你把视觉、运动学、抓取策略串成一条可靠流水线的能力。本文把第一二三问的完整思路、系统架构、关键代码和踩坑记录整理出来，希望能帮下一届少走弯路。

这套方案的技术栈并不玄乎：OpenCV 做目标识别，透视变换做像素坐标到物理坐标的转换，几何法求解五自由度机械臂逆运动学，再用状态机把动作串起来。项目完全开源，文中所有代码都是可运行的“思路级”框架，参数需要根据自己的机械臂和赛题要求替换。读完之后，你应该能独立搭出一个从“看到拼图块”到“放好拼图块”的完整闭环。

1. 这道题真正的难点：系统集成

先说一个可能反直觉的判断：E 题拼图装置，难的不是机械臂，也不是视觉，而是系统集成。

如果你只做机械臂控制，让机械臂按固定轨迹走，这是很成熟的事。如果你只做视觉识别，用 OpenCV 找拼图块的中心点，这也是很成熟的事。但电赛给的是完整任务：机械臂要先找到拼图块，再算出怎么抓，再移动到目标点，再放下，然后保证拼出来的图案正确。这一步和下一步之间是互相影响的。

误差会沿着链路逐级累积。视觉标定差 2 毫米，运动学模型差 1 毫米，舵机重复定位差 2 毫米，夹爪或者吸盘再偏 1 毫米，最后到拼图位置上的误差可能就是 6 到 8 毫米。拼图块的间距通常很小，累积误差超过半个块宽就可能导致图案错位。所以这道题表面上是编程题，实际上是一道“误差预算”题：你要在每一个环节都把误差压到可接受范围，而不是指望最后统一补偿。

还有一个常见的误区是“照搬工业机械臂方案”。工业六轴机械臂有成熟的运动学库、高精度伺服闭环、视觉标定工具，但五自由度 SOARM101 这类竞赛平台没有这些条件。它的舵机精度有限，结构刚度有限，通信协议也简单得多。这意味着你需要自己做很多“工程补偿”：比如在逆解之后加平滑滤波，在抓取前加到位确认，在放置后加视觉校验。这些工作之前被很多人忽略，却恰恰是决定第一二三问能不能稳定拿分的关键。

从备赛角度说，建议把精力按这个比例分配：视觉标定占三成，运动学与轨迹规划占三成，机械结构调试占两成，任务调度与容错占两成。不要把所有时间都花在训练识别模型上，因为这道题里 OpenCV 的传统方法已经足够好。

2. SOARM101 与五自由度机械臂的基础认知

2.1 什么是 SOARM101

SOARM101 是竞赛和教学场景里常见的一款五自由度串联机械臂。它由底座旋转关节、肩关节、肘关节、腕部关节和末端旋转关节组成，整体结构类似缩小版的工业关节臂。驱动方式一般是舵机，控制板通过串口接收关节角度指令，驱动各个舵机运动。

这款平台的优点是很适合入门：结构紧凑、价格可控、有现成的上位机控制接口。短板也很明显：舵机的重复定位精度通常不如伺服电机，负载能力有限，高速运动时容易抖动。备赛时一定要先摸清自己这台机械臂的“脾气”，不同批次、不同舵机的机械臂，运动学参数都可能略有差异。

2.2 为什么五自由度够用

很多队伍会问：为什么不直接用六自由度机械臂？这里要理解自由度与任务需求的关系。

拼图任务本质上是一个“平面操作”任务：拼图块平放在底板上，机械臂末端需要到达某个 X、Y、Z 位置，让末端执行器对准拼图块，然后吸起或夹起，再移到目标位置放下。整个过程里，末端执行器的姿态变化基本集中在绕 Z 轴旋转，不需要像焊接、打磨那样调整复杂空间姿态。所以五自由度的构型是够用的，把第五关节和第四关节配合好，就能控制末端绕 Z 轴的朝向。

2.3 必须理解的三个坐标系

做机械臂控制，坐标系是绕不开的概念。初学者最容易在这个地方栽跟头。

• 基座坐标系：固定在机械臂底座，原点在底座中心或第一个关节轴线上，是运动学计算的基准。
• 关节坐标系：每个关节有自己的坐标系，描述相邻连杆之间的相对关系。
• 工具坐标系：固定在末端执行器（吸盘或夹爪）上，表示“手”到底在哪里。

视觉识别得到的是拼图块在图像中的像素坐标，通过标定可以转换到基座坐标系下的物理坐标，然后运动学解算得到关节角。这三步里任何一步坐标系搞混，机械臂就会抓偏。建议在代码里用统一的变量命名，比如pixel_*、world_*、joint_*，避免后面调试时逻辑混乱。

3. 赛题第一二三问拆解与总体策略

3.1 第一问：基础动作控制

第一问通常是让机械臂完成一些基础动作，比如从初始位置运动到指定坐标，或者按顺序到达若干个目标点。这一问本质是考察运动学基本功和通信控制能力。

技术栈不算复杂：解析目标坐标，调用逆运动学求关节角，通过串口下发指令，等待机械臂到位。但失分点往往在于“运动不平稳”和“到位慢”。如果机械臂在运动过程中出现明显抖动，裁判或自动判分系统可能会判定动作不合格。

建议第一问就做好两件事：一是实现关节角度的平滑插值，不要直接跳变到目标角度；二是加入到位判断，也就是收到机械臂“运动完成”的反馈或者通过角度传感器确认到达，再进入下一动作。

3.2 第二问：目标识别与定点抓放

第二问升级为“识别 + 抓取”：机械臂需要识别视野中的拼图块，抓起来放到指定区域。

这一问的核心是坐标标定的精度。识别拼图块并不难，难的是把图像坐标准确映射到机械臂坐标系。常见方案是顶置相机加四点标定：在机械臂工作区域放四个已知物理坐标的标记点，用透视变换求出像素坐标与物理坐标的转换矩阵。

很多队伍在这一问失分，是因为只做了“识别”没有做“定位校验”。识别到拼图块中心后，没有先让机械臂移动到拼图块上方确认一次，就直接下降抓取。如果标定矩阵稍有偏差，抓取自然失败。更好的做法是先做一次“预到点”：机械臂移动到识别位置上方 2 到 3 厘米处，用近距离视觉或人工确认偏移，再做精确抓取。

3.3 第三问：完整拼图任务

第三问是整合题：机械臂需要根据给定的图案，从一堆拼图块中选出正确的块，依次放到指定位置，最终拼出目标图案。

这一问真正考验的是任务调度和容错。拼图块可能有多种颜色或图案，识别模块不仅要知道“这里有一块拼图”，还要知道“这块是什么图案/颜色”，以及“它该放到哪里”。如果任务中途某一块放偏了，后续所有块的位置都会受影响，因此要考虑“放置后校验”逻辑。

总体策略建议是“先跑通第二问，再做第三问”。第三问的大部分能力在第二问里都要用到，先把单个抓放循环做得稳定，再考虑任务调度。

4. 系统架构与通信控制

4.1 整体链路

这套系统的硬件和软件链路可以分成两条：

硬件链路：上位机（笔记本或树莓派）→ USB 转串口 → 机械臂主控板 → 舵机。

软件链路：OpenCV 视觉采集 → 识别拼图块 → 坐标转换 → 逆运动学解算 → 关节角 → 串口协议打包 → 主控板执行。

这里要特别注意：视觉模块和运动控制模块最好解耦。不要把图像处理和机械臂控制写在一个大循环里，否则一旦视觉处理耗时波动，机械臂的控制节拍也会跟着乱。建议开两个线程，一个负责视觉识别，一个负责运动控制，中间通过队列传递目标坐标。

4.2 环境准备

开发环境建议使用 Python 3.x，依赖库尽量精简：

pip install opencv-python opencv-contrib-python numpy pyserial

如果不需要 ArUco 识别，可以只装opencv-python。装opencv-contrib-python是为了使用cv2.aruco模块。有些版本的新版 OpenCV 把 ArUco 移到了cv2.aruco之外，如果import cv2.aruco报错，说明需要换用带 contrib 的版本。

串口通信是另一个容易踩坑的地方。机械臂主控板用的波特率、数据位、停止位必须和上位机配置一致。开发时先用串口助手测试一下，避免代码写完了才发现通信根本不通。

4.3 串口发送关节角

SOARM101 这类机械臂通常通过串口接收关节角度指令，协议格式一般是“帧头 + 数据长度 + 关节角数据 + 校验/结束符”。下面是一个示例帧格式：

import serial import struct import time # 串口配置，端口号和波特率以实际设备为准 ser = serial.Serial('/dev/ttyUSB0', 115200, timeout=0.1) def pack_joint_command(joint_angles_deg): """ 将 5 个关节角度打包成串口指令帧。 joint_angles_deg: list，长度为 5，单位为度。 这里使用简化的演示格式： 帧头 AA 55，数据长度，关节角度（每个角放大 100 倍，2 字节小端），结束符 0D。 """ if len(joint_angles_deg) != 5: raise ValueError('joint_angles_deg must have 5 elements') data = [0xAA, 0x55, 5 * 2 + 2] for angle in joint_angles_deg: # 将浮点角度放大 100 倍，再转为 int16 小端字节 raw = int(round(angle * 100)) data.append(raw & 0xFF) data.append((raw >> 8) & 0xFF) data.append(0x0D) return bytes(data) def send_joint_angles(angles): cmd = pack_joint_command(angles) ser.write(cmd) time.sleep(0.02)

这段代码的重点是角度量化方式和字节序。角度放大 100 倍是为了提高整数传输精度，具体放大倍数要看主控板协议的定义。如果角度出现负数，需要确认协议里是无符号还是有符号整数，有符号时通常要用struct.pack('<h', raw)而不是手动拆分。

5. 运动学解算：从目标坐标到关节角

5.1 为什么需要逆运动学

机械臂末端要到达某个三维坐标，我们需要知道五个关节分别转多少度。这个“由末端坐标反推关节角”的过程就是逆运动学。正运动学是“已知关节角求末端坐标”，逆运动学反过来。

对五自由度机械臂来说，逆解通常不唯一，可能存在多组关节角都能让末端到达同一位置。比赛策略是选择一组“运动路径最短”或“姿态最自然”的解，避免机械臂绕远路。

5.2 几何法解算思路

SOARM101 这类五自由度平台，结构上适合用平面几何法求解。核心思路分三步：

1. 用末端坐标的 X、Y 求出底座关节角 θ1：θ1 = atan2(y, x)。
2. 把问题投影到机械臂所在的竖直平面内，变成一个二连杆问题。
3. 用余弦定理求出肘关节角，再反推肩关节角。

下面是一个简化的平面几何法逆解示例，参数仅作演示，必须替换为实际机械臂连杆长度：

import math def inverse_kinematics(x, y, z, phi=0.0): """ 几何法求解五自由度机械臂逆运动学。 x, y, z: 末端目标位置，单位米。 phi: 末端绕 Z 轴的期望朝向角，单位弧度。 返回值: 5 个关节角度，单位弧度。 注意：L1、L2、height_base 等参数需要根据实际机械臂标定。 """ L1 = 0.12 # 大臂长度，演示值 L2 = 0.10 # 小臂长度，演示值 height_base = 0.05 # 底座到肩关节的高度，演示值 # 1. 底座旋转角 theta1 = math.atan2(y, x) # 2. 将目标点投影到机械臂平面 r_planar = math.hypot(x, y) z_local = z - height_base # 3. 由余弦定理求肘关节角 theta3 dist = math.hypot(r_planar, z_local) cos_theta3 = (dist * dist - L1 * L1 - L2 * L2) / (2 * L1 * L2) cos_theta3 = max(-1.0, min(1.0, cos_theta3)) theta3 = math.acos(cos_theta3) # 4. 求肩关节角 theta2 alpha = math.atan2(z_local, r_planar) beta = math.atan2(L2 * math.sin(theta3), L1 + L2 * math.cos(theta3)) theta2 = alpha - beta # 5. 腕关节与末端旋转关节，根据实际机械臂结构组合 theta4 = phi - theta2 - theta3 theta5 = phi return [theta1, theta2, theta3, theta4, theta5]

这里最容易出错的地方是theta4的计算。不同机械臂的腕关节定义差异很大，有的腕关节角度是相对于大臂的，有的是相对于小臂的，还有的是相对于水平面的。写代码前一定要先看机械臂的结构图，把每个关节的正方向和零位搞清楚。

逆解算出来之后，还要做关节限位检查。机械臂每个关节都有机械限位，超出限位的角度必须剔除。否则机械臂可能撞到自身结构，轻则动作异常，重则损坏舵机。

5.3 轨迹平滑：避免抖动

直接让关节角从当前值跳变到目标值，机械臂会非常粗暴地甩过去，不仅画面难看，还可能因为惯性导致末端过冲。建议在每两个目标点之间插入多个中间关节角，让机械臂平滑过渡。

def interpolate_joint_trajectory(start_angles, end_angles, steps=20): """ 对关节角做线性插值，返回包含 steps 个中间点的小列表。 更平滑的做法是使用 S 形速度规划，这里展示最小可用版本。 """ trajectory = [] for i in range(steps + 1): ratio = i / steps frame = [ start + (end - start) * ratio for start, end in zip(start_angles, end_angles) ] trajectory.append(frame) return trajectory

插值在小范围内足以让动作看起来正常。如果追求更顺滑的轨迹，可以引入五次多项式插值或梯形速度规划，但比赛阶段线性插值配合较小的步长已经够用。

6. 视觉识别与坐标标定

6.1 识别方案选择

拼图块的识别方案主要有三种：颜色阈值、轮廓形状、ArUco 码。比赛时可以根据拼图块特征选一种，也可以组合使用。

颜色阈值的优点是速度快，缺点是受光照影响大，需要严格控制环境光。轮廓形状适合拼图块形状规则的情况，但要求拼图块之间不能粘连。ArUco 码的优点是每个拼图块有独立 ID，识别稳定，还能直接得到旋转角度，缺点是需要在拼图块上额外贴码，如果赛题限定不能改动拼图块表面，就不能使用。

如果拼图块是彩色图案，推荐“颜色 + 轮廓”的组合：先用颜色过滤出候选区域，再用轮廓筛选得到块中心和外接矩形。

6.2 像素坐标到物理坐标

摄像头拍到的是一张图片，机械臂工作在一个物理平面内。要把图像中的像素点转换成机械臂坐标系里的毫米坐标，需要做透视变换。

标准做法是四点标定：在工作台上选四个已知物理坐标的点，同时在图像中找到对应的四个像素点，然后求解透视变换矩阵。

import cv2 import numpy as np # 图像中四个标定点的像素坐标，按 左上、右上、右下、左下 顺序 src_points = np.float32([ [100, 100], [540, 120], [520, 460], [80, 440] ]) # 对应标定点的物理坐标，单位 mm，按相同顺序 dst_points = np.float32([ [0, 0], [200, 0], [200, 200], [0, 200] ]) # 计算单应性矩阵 M = cv2.getPerspectiveTransform(src_points, dst_points) def pixel_to_world(px, py): """ 将像素坐标转换为物理坐标。 返回 (x_mm, y_mm) """ point = np.array([[[px, py]]], dtype=np.float32) world = cv2.perspectiveTransform(point, M) return world[0][0]

标定时要注意四点顺序必须一致，否则矩阵会变成一个扭曲的映射。另一个问题是相机安装位置与工作台不平行，这种情况下透视变换仍然能工作，但标定点的分布范围要覆盖机械臂的实际工作区域，避免外推误差。

6.3 ArUco 识别示例

如果允许在拼图块上贴 ArUco 码，识别过程会简单很多：

import cv2 from cv2 import aruco # 使用 4x4 字典，包含 50 个码 aruco_dict = aruco.Dictionary_get(aruco.DICT_4X4_50) parameters = aruco.DetectorParameters_create() cap = cv2.VideoCapture(0) # 根据实际相机编号调整 while True: ret, frame = cap.read() if not ret: break gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) corners, ids, _ = aruco.detectMarkers(gray, aruco_dict, parameters=parameters) if ids is not None: for i in range(len(ids)): c = corners[i][0] # 取矩形对角线的中点作为标码中心 center_x = int((c[0][0] + c[2][0]) / 2) center_y = int((c[0][1] + c[2][1]) / 2) # 进一步转换到世界坐标 world_x, world_y = pixel_to_world(center_x, center_y) print("id=%s center=(%d, %d) world=(%.1f, %.1f)" % ( ids[i], center_x, center_y, world_x, world_y)) if cv2.waitKey(1) & 0xFF == ord('q'): break cap.release() cv2.destroyAllWindows()

ArUco 的最大优势是自带 ID 和旋转角估计，拼图时可以直接判断“这块是什么图案”以及“它朝哪个方向”。如果赛题不允许贴码，就把识别部分换成颜色或轮廓算法，坐标系转换逻辑不变。

7. 主流程设计：状态机与容错

7.1 为什么用状态机

拼图任务看起来是“抓这块、放那块”，实际执行时有大量分支：找不到拼图块怎么办？抓取失败怎么办？放偏了怎么办？如果不用状态机，而是散落一堆if-else，代码很快会变得无法维护，越改越乱。

状态机把整个流程拆成有限个状态，每个状态只负责一件事，状态之间的转移条件清晰。这样调试时只需要关注当前状态在哪、为什么卡住、下一步应该转移到哪里。

7.2 最小状态机框架

下面是一个适合拼图任务的状态机骨架：

import time # 状态定义 STATE_INIT = "INIT" STATE_SCAN = "SCAN" STATE_PLAN = "PLAN" STATE_MOVE_ABOVE = "MOVE_ABOVE" STATE_GRAB = "GRAB" STATE_MOVE_TARGET = "MOVE_TARGET" STATE_PLACE = "PLACE" STATE_VERIFY = "VERIFY" STATE_FINISH = "FINISH" def run_puzzle_loop(): state = STATE_INIT puzzle_list = load_puzzle_targets() # 载入拼图目标列表 current_index = 0 while state != STATE_FINISH: if state == STATE_INIT: # 回到机械臂初始位置 move_to_home() state = STATE_SCAN elif state == STATE_SCAN: target = detect_next_puzzle(current_index) if target is None: # 没有找到目标，可以重试或提示报错 state = STATE_SCAN else: state = STATE_PLAN elif state == STATE_PLAN: joint_angles = plan_grab_path(target) if joint_angles is None: # 规划失败，可能是目标不可达 state = STATE_SCAN else: state = STATE_MOVE_ABOVE elif state == STATE_MOVE_ABOVE: move_arm(joint_angles_above, wait=True) state = STATE_GRAB elif state == STATE_GRAB: enable_gripper() time.sleep(0.5) if not gripper_has_block(): # 抓取失败，重新扫描 state = STATE_SCAN else: state = STATE_MOVE_TARGET elif state == STATE_MOVE_TARGET: move_arm(joint_angles_place, wait=True) state = STATE_PLACE elif state == STATE_PLACE: disable_gripper() time.sleep(0.3) state = STATE_VERIFY elif state == STATE_VERIFY: ok = verify_placement() if ok: current_index += 1 if current_index >= len(puzzle_list): state = STATE_FINISH else: state = STATE_SCAN else: # 放偏了，进行纠偏 state = STATE_PLACE print("拼图任务完成")

状态机里最容易被忽略的是“抓取失败判断”和“放置校验”。比赛现场，拼图块位置可能和预设略有偏差，舵机老化后抓取力度也可能变化。如果没有失败检测，机械臂会对着空气反复执行同一个动作，浪费时间还容易扣分。建议在抓手上加一个简单的到位传感器，或者通过视觉判断拼图块是否被吸起。

放置校验同样重要。拼图块放下去之后，可以用顶置相机再看一眼目标位置，确认拼图块中心是否在允许误差范围内。如果不在，就进入纠偏流程。

8. 常见问题与排查思路

比赛调试过程中，绝大多数问题都集中在这几个方向：

第一个问题最典型。很多队伍第一问就栽在抖动上，原因不是逆解错了，而是把目标关节角直接发给机械臂，没有做任何插值。机械臂从 0 度瞬间跳到 90 度，舵机承受巨大冲击，底盘也会跟着晃。解决方法是把目标角度拆成 20 到 50 个中间点，依次下发，每个点之间延迟几十毫秒。整个过程耗时可能只增加一两秒，但稳定性会明显提升。

第二个问题需要特别强调：标定不是做一次就完事的。比赛场地更换、相机移动、工作台挪动之后，标定矩阵都必须重新计算。建议把标定过程写成一个独立脚本，每次换场地后先跑一遍标定，再进入正式任务。

串口问题也不能忽视。赛场上电磁环境复杂，USB 转串口模块质量参差不齐，偶尔会出现丢包。建议在串口协议里加上简单的校验和，同时在代码里加入超时重发机制。否则机械臂可能只收到半个帧，直接忽略或者乱动。

9. 从“能跑”到“稳跑”：工程建议

9.1 先离线慢速，再在线全速

不要一上来就让机械臂全速跑完整流程。建议先把视觉输出、坐标转换、逆解结果全部打印到终端，用数据确认每个环节都正确，然后再让机械臂执行。这一步能帮你节省大量调试时间。

更推荐的做法是做一个“空跑模式”：机械臂按规划路径移动，但不打开夹爪。这样能提前发现路径上是否有干涉、运动是否平滑、目标点是否可达，又不会因为抓取失败打乱节奏。

9.2 代码要模块化

把视觉、运动学、串口、状态机分成独立模块，每个模块提供清晰接口。比赛后期最怕的是改一个识别参数，结果影响了机械臂运动。模块化之后，每个文件的职责单一，改动范围可控。

建议的目录结构：

puzzle_project/ ├── main.py # 主程序，状态机入口 ├── vision.py # 识别与坐标转换 ├── kinematics.py # 正逆运动学 ├── serial_control.py # 串口通信与协议 ├── calibrate.py # 标定脚本 └── config.py # 常量与参数配置

config.py里放机械臂连杆长度、舵机限位、串口端口、速度档位等所有可能调整的参数。这样比赛现场调参时，不需要翻遍整个项目找硬编码值。

9.3 比赛实录里的三个血泪经验

从整个备赛过程和比赛实录来看，有三个经验最值得记下来。

第一，标定一定要提前做。比赛现场的时间非常紧张，如果到了现场才第一次做标定，一旦相机位置或者灯光有变化，很容易手忙脚乱。正确做法是赛前把标定脚本写好，现场只花五分钟执行一遍。

第二，拼图任务要设计“重试”而不是“一次到底”。第三问的拼图流程长，中间任何一次抓放失败都可能导致后续连环错误。状态机里必须预留重试路径：抓取失败重新识别，放置失败重新调整。不要试图让机械臂一次动作做到完美，而是设计出让错误可以修正的机制。

第三，保护机械臂零位。比赛过程中，如果机械臂撞到工作台边缘或者拼图框，关节会被顶偏，后续所有运动学计算都会出错。建议在代码里加软件限位，同时在机械结构上做好硬限位保护。每次比赛开始前，让机械臂回一次零位，确认所有关节角度都正确。

9.4 完全开源的意义

项目标题里写着“完全开源”，这不仅是把代码发出来，更是把调试过程、踩坑记录和第一二三问的复盘思路一起分享出来。对下一届准备电赛的队伍来说，最有价值的其实不是源代码本身，而是“为什么这样设计”和“这个坑是怎么踩出来的”。

如果你准备用这套代码，建议不要直接抄，而是先跑通整个流程，再根据自己的机械臂型号和赛题要求做修改。特别要注意：不同版本的 SOARM101 机械臂，连杆长度、舵机型号、主控板协议都可能不同，代码里的演示参数必须重新标定。

10. 总结

E 题拼图装置这道题，真正区分队伍实力的地方不是会不会调用某个库，而是能不能把视觉、运动学、串口通信、任务调度这些模块稳定地串在一起。第一问拼运动控制，第二问拼标定精度，第三问拼容错设计，每一问都在上一问的基础上加一环，最终形成完整的系统能力。

本文给出的代码框架可以帮你快速跑通从识别到抓放的完整流程。接下来的工作是：测量自己机械臂的连杆长度，标定相机坐标，调整状态机里的超时和重试逻辑，然后在真实场地上反复测试。

如果只带一句话进赛场，我希望是这句：先让机械臂稳定地空跑一千次，再谈识别和拼图。稳定是 1，其他都是后面的 0。