1. 引言
在当今科技飞速发展的时代，机器人技术正朝着智能化、多功能化方向不断迈进。六足机器人因其独特的多足结构，相较于传统的轮式或履带式机器人，在复杂地形适应性和稳定性方面展现出显著优势，广泛应用于灾害救援、探险勘探、工业巡检等诸多领域[1] [2]。与此同时，视觉识别技术与大语言模型的蓬勃发展为机器人赋予了更敏锐的感知能力和更高级的智能决策能力。基于此，本研究致力于设计一款集先进视觉功能与智能语言交互决策于一体的六足机器人，旨在拓展机器人在安防、导览、智能家居等多样化场景下的应用范围，提升其服务人类生活与生产的能力。
2. 系统总体架构
2.1. 系统总统框图
系统框图如图1所示，选用18650锂电池7.4 V供电，在经过降压模块的降压将7.4 V降至5 V，给Maixcam摄像头，ESP32控制板以及ZL-IS2 24路舵机控制器供电，同时小智语音助手连接ESP32控制板来供电。摄像头模块主要用来获取图像信息，搭载模型可以具有一定的处理信息的能力，将图片信息传递给ESP32控制板，同时接入小智语音助手搭载大语言模型，使其具有对话能力，同时将目标指令传递给ESP32控制板，控制板控制舵机控制器来完成目标指令。
Figure 1. Overall system block diagram
图1. 系统总体框图
2.2. 机械结构设计
在进行机械设计之初，首先明确了项目的总体需求——结构需具备良好的扩展性、可维护性以及一定的模块化水平，以便适应后续功能的迭代与优化。为此，我们参考了现有机器人平台的模块化设计理念，结合3D打印制造的优势，决定采用灵活性强、可快速迭代的设计策略。特别是在结构布局上，优先考虑各模块间的协调性与兼容性，使其在保证整体稳定性的基础上，具备良好的拓展能力与可调性。机身框架选用3D打印，具体图纸如图2所示，具备良好的灵活性，能够快速根据需要修改。框架四周设计有多个安装接口，方便后续腿部机构、传感器以及其他附属部件的固定安装。
Figure 2. 3D printing drawing of robot mechanical structure
图2. 机器人机械结构3D打印图纸
腿部机构：每条腿部由多个关节和连杆组成，模拟昆虫腿部的仿生结构，设有三个自由度，分别由三个高性能舵机驱动，实现关节的转动，完成腿部的前进、摆动和抬腿等动作。关节处采用高韧度材料连接，有效降低摩擦损耗，提升运动的灵活性和准确性。腿部的长度和粗细经过优化设计，确保机器人具备合适的步幅和支撑能力，适应不同地形的行走需求。设腿部长度为L，水平投影长度为Lx，垂直投影长度为Ly，则步幅S与腿部结构参数的关系可近似表示为S = 2L × cos30。
连接关节：腿部与机身框架通过特制连接关节相连，具备旋转和摆动自由度，能够在行走过程中自适应调整腿部角度，增强机器人在复杂地形上的稳定性。
3. 硬件系统设计
3.1. 控制核心
本设计采用高性能的ESP32作为核心控制芯片，具备丰富的外设接口和强大的数据处理能力，能够高效执行复杂的控制任务。所选用的ESP32 3S N16R8芯片支持WiFi/蓝牙双模通信，集成16MB Flash存储与8MB PSRAM大容量内存，特别适用于本地语音处理、AI边缘计算等对性能要求较高的物联网应用场景。在保持低功耗特性的同时，该模组还提供了优异的系统扩展能力[3]。
借助ESP32强大的无线通信功能，系统可与智能手机、计算机等终端设备实现稳定连接，为与大语言模型的数据交互及远程指令接收提供了坚实可靠的通信保障。
3.2. 驱动模块
采用启灵者ZL-IS2 24路舵机控制板是一款图形化编程，用来控制动作组，和搭配其他单片机控制的控制板，见图3，IS2解决了多舵机控制和图形化编辑动作组的相关问题，能够通过ZIde简单的对机器人动作组进行编程，可视化的动作组编程[4]。为腿部微型舵机提供精准控制信号，满足多关节控制需求。其输出电流足以驱动舵机在不同负载下平稳运行，确保腿部动作流畅，见图4。
Figure 3. Control circuit PCB diagram
图3. 控制电路PCB图
Figure 4. Upper computer diagram of servo drive board
图4. 舵机驱动板上位机图
3.3. 电源模块
机器人采用航模专用锂电池作为电源，在保证高容量的同时实现了轻量化设计。电池输出电压为7.4 V，经由高效降压模块稳压至5 V，为控制板及其他电子元件提供稳定可靠的电力支持[5]。
3.4. 摄像头模块
本系统选用Maixcam摄像头模块用于图像采集，并具备基础的图像分析与处理能力。该模块不仅能够实现水杯、鼠标等多类常见物体的识别，还支持人脸识别、表情识别及人体姿态识别等功能，为机器人的环境感知与智能交互提供有力支持。
将Maixcam做为串口模块使用，通过Type-C一转二小板，将设备通过串口连接到主控上了。其通讯发送的串口波特率是115200，数据格式是8N1，协议遵循Maix串口通信协议标准。
简单的信息分析和处理主要依靠Maixhub平台的模型实现。Maixpy可以非常简单地AI视觉模型，可以直接调用底层封装好的API，或者如果需要训练自己的模型，可以通过MaixHub 在线训练。
3.5. 语音对话模块
小智语音助手以ESP32为核心控制板的嵌入式语音交互系统，通过集成轻量化人工智能模型，实现了端侧智能语音交互功能。系统以ESP32作为核心处理单元，搭配屏幕，微控开关，麦克风，扬声器模块等构成硬件基础，采用WebSocket以及3D Speaker等量化模型实现本地语音识别，结合DeepSeek模型进行语义理解，支持“你好小智”唤醒词检测和基础对话交互。系统创新性地采用分层处理架构：本地端处理唤醒词识别和简单指令执行(如设备控制)，复杂请求则通过WiFi连接云端服务扩展功能，见图5。通过FastSpeech2轻量级语音合成引擎实现自然语音反馈，并利用ESP32的低功耗特性，配合语音活动检测(VAD)技术，同时小智的反馈也可以通过OLED屏幕进行反馈[6]。
Figure 5. Schematic diagram of Xiaozhi voice assistant circuit
图5. 小智语音助手电路原理图
4. 软件系统设计
4.1. 摄像头模块程序设计
摄像头模块程序设计流程如图6所示，摄像头模块首先通过Maixcam模块完成图像采集，获取当前环境中的图像信息。接着，系统利用人脸识别算法检测图像中的人脸区域，并通过仿射变换对图像中的人脸进行几何对齐，以标准化输入，增强识别精度。随后，提取对齐后人脸的特征向量，并将其与人脸特征库中的向量进行余弦相似度对比。最后，根据相似度判断识别结果，并输出对应的身份标签，实现对人脸的有效识别与分类[7]。
Figure 6. Camera module program design process
图6. 摄像头模块程序设计流程
4.2. 人脸识别
在六足机器人中，主要用到简单的人脸识别使用AI模型检测人脸，获得坐标和五官的坐标。利用五官的坐标仿射变换将图中的脸拉正对其到标准脸的样子，方便模型提取脸的特征。使用特征提取模型提取脸的特征值。与库中记录的人脸特征值进行对比(计算保存的和当前画面中的脸的特征值的余弦距离，得出最小的距离的库中的人脸，小于设定的阈值就认为当前画面中就是这个库中的人，见图7)。
Figure 7. Functional pin diagram of camera module
图7. 摄像头模块功能引脚图
4.3. 物品识别
系统采用YOLOv5等目标检测模型，在MaixHub平台上进行数据集标注、模型训练与部署[8] [9]。训练过程中，输入图像中的目标物体(如水杯、鼠标、书本、手机等)通过标注框进行识别标记，模型不断迭代学习其特征信息。训练完成后，模型被部署至Maixcam模块，实现对实际环境中物体的实时检测与识别。通过这一流程，系统具备了高效的物品识别能力，为后续任务执行与环境交互奠定基础。
Figure 8. Schematic diagram of item recognition training
图8. 物品识别训练示意图
图8是物品识别训练示意图，图中展示了物品识别模型在训练过程中的各项损失值(loss)与验证集准确率(val_acc)的变化趋势[10] [11]。其中：
(1) loss (蓝线)表示总损失值，在训练初期较高，随着训练轮数的增加迅速下降，说明模型在不断优化参数、提高对训练数据的拟合能力；
(2) loss_pos、loss_conf、loss_class 分别代表不同子损失项(正样本定位损失、置信度损失、类别损失)，它们在训练初期波动较大，逐渐趋于稳定，表明模型各部分正在逐步收敛。
(3) val_acc_黑子与val_acc_白子分别为验证集中识别“黑子”和“白子”的准确率(橙色与绿色曲线)，准确率从最初较低逐渐上升并趋于平稳，接近0.9，说明模型已经具备良好的识别能力。
综上可见，模型训练过程稳定，损失有效下降，验证准确率较高，说明该模型已经具备了较好的泛化能力，可部署于实际物品检测任务中。
5. 系统调试
在完成整机结构搭建与硬件连接后，系统进入调试阶段。通过多次试运行与模块级联调，机器人各模块协同工作情况良好，核心控制单元ESP32与Maixcam摄像头之间的通信稳定，舵机控制响应及时，语音识别与人机交互逻辑顺畅。在系统调试阶段，通过多轮闭环校准实验，精确标定舵机角度参数与脉冲宽度，确保各关节运动轨迹一致，并基于逆运动学算法优化步态时序，最终实现六足机器人的稳定协调运动。机器人实物图如图9所示。
Figure 9. Physical picture of the robot
图9. 机器人实物图
机器人可以实现如下功能：
(1) 基础动作控制：支持机器人前进、后退、左右平移与原地转向；
(2) 复杂姿态动作：实现了挥手、快走、扭腰等动作，展现了良好的动态平衡与协调性；
(3) 图像识别与反馈：Maixcam模块通过YOLOv5模型实现了物品识别(如鼠标、水杯、棋子等)，并基于人脸识别算法完成了人脸检测、特征提取与身份匹配；
(4) 人机交互功能：语音模块支持自定义唤醒词检测和基础对话交互，结合大语言模型实现了智能问答与指令响应，验证了分层处理架构(本地 + 云端)的可行性，见图10；
(5) 无线通信控制：系统支持 Wi-Fi无线通信，可远程发送控制指令，实现远程调试与控制，如图11。
Figure 10. Function display of the voice module
图10. 语音模块功能展示图
Figure 11. The screen of the control terminal of the mobile phone
图11. 手机控制端画面
6. 结论
本系统采用ESP32控制器作为主控单元，Maixcam作为摄像头模块，通过启灵者24路舵机控制器控制mg90s舵机，控制板驱动18个关节舵机，结合WiFi无线通信模块与高效电源管理电路，能够完成前进，后退，平移，转向，人脸识别，人机对话等功能，以及包括挥手，快走，扭腰等高灵活度动作，为未来六足机器人发展提高了良好的范例。