跳转至

CoppeliaSim 机器人工作流

引言

CoppeliaSim 提供了丰富的机器人仿真功能，支持移动机器人导航、机械臂抓取、多机器人协作等多种工作流。本文通过具体的应用场景，介绍如何在 CoppeliaSim 中搭建和运行常见的机器人仿真任务。

移动机器人导航

差分驱动机器人建模

差分驱动机器人是最常见的移动机器人类型，由两个独立驱动轮和若干从动轮组成。

运动学模型：

其中 ，， 为轮半径， 为轮距。

from coppeliasim_zmqremoteapi_client import RemoteAPIClient
import math

client = RemoteAPIClient()
sim = client.require('sim')

# 获取对象句柄
robot = sim.getObject('/PioneerP3DX')
left_motor = sim.getObject('/PioneerP3DX/leftMotor')
right_motor = sim.getObject('/PioneerP3DX/rightMotor')

def set_velocity(v_linear, v_angular):
    """设置线速度和角速度"""
    wheel_radius = 0.0975
    wheel_separation = 0.33
    v_left = (v_linear - v_angular * wheel_separation / 2) / wheel_radius
    v_right = (v_linear + v_angular * wheel_separation / 2) / wheel_radius
    sim.setJointTargetVelocity(left_motor, v_left)
    sim.setJointTargetVelocity(right_motor, v_right)

# 简单前进并转弯
sim.startSimulation()
set_velocity(0.5, 0.0)  # 直行

激光雷达避障

通过 sim.readProximitySensor() 读取多个近距离传感器的距离值，根据左右传感器的最小距离决定避障策略（直行、左转、右转或原地旋转）。

机械臂抓取

Pick-and-Place 流程

标准的 pick-and-place（取放）操作流程：预抓取位置接近 -> 下降抓取 -> 闭合夹爪 -> 提升 -> 移动到放置位置上方 -> 下降放置 -> 松开夹爪 -> 返回。每个步骤通过 IK 求解关节角并使用位置控制驱动关节。

逆运动学配置

CoppeliaSim 内置了逆运动学（Inverse Kinematics, IK）求解器：

-- Lua 脚本中配置 IK
function sysCall_init()
    -- 创建 IK 环境
    ikEnv = simIK.createEnvironment()
    ikGroup = simIK.createGroup(ikEnv)

    -- 添加 IK 元素
    simIK.addElementFromScene(
        ikEnv, ikGroup,
        sim.getObject('/UR5'), -- 基座
        sim.getObject('/UR5/tip'),  -- 末端执行器
        sim.getObject('/UR5/target'), -- IK 目标
        simIK.constraint_pose  -- 约束类型：位置+姿态
    )
end

function sysCall_actuation()
    -- 求解 IK
    simIK.handleGroup(ikEnv, ikGroup, {syncWorlds = true})
end

多机器人仿真

场景搭建

在 CoppeliaSim 中设置多机器人系统：

  1. 导入第一个机器人模型
  2. 复制模型，CoppeliaSim 自动重命名（如 robot#0, robot#1）
  3. 每个机器人实例拥有独立的关节、传感器句柄
# 获取多个机器人的句柄
n_robots = 4
robots = []
for i in range(n_robots):
    robot_data = {
        'base': sim.getObject(f'/robot[{i}]'),
        'left_motor': sim.getObject(f'/robot[{i}]/leftMotor'),
        'right_motor': sim.getObject(f'/robot[{i}]/rightMotor'),
    }
    robots.append(robot_data)

# 独立控制每个机器人
for i, robot in enumerate(robots):
    sim.setJointTargetVelocity(robot['left_motor'], velocities[i][0])
    sim.setJointTargetVelocity(robot['right_motor'], velocities[i][1])

通信与协调

多机器人之间可通过以下方式通信：

方式 适用场景 实现复杂度
信号（Signal） 简单数据交换 低
自定义数据包 结构化数据 中
ROS 2 话题 与外部系统集成 中
共享黑板 集中式任务分配 低

视觉传感器

图像采集与处理

import numpy as np

# 获取 RGB 图像
vision_handle = sim.getObject('/vision_sensor')
img, res = sim.getVisionSensorImg(vision_handle)
rgb = np.frombuffer(img, dtype=np.uint8).reshape(res[1], res[0], 3)
rgb = np.flip(rgb, axis=0)  # CoppeliaSim 图像需要上下翻转

# 获取深度图
depth_buffer = sim.getVisionSensorDepth(vision_handle)
depth = np.frombuffer(depth_buffer[0], dtype=np.float32).reshape(res[1], res[0])
# 转换为实际距离
near_clip = 0.01
far_clip = 5.0
depth_meters = near_clip + depth * (far_clip - near_clip)

目标检测集成

将仿真图像转换为 NumPy 数组后，可直接送入 YOLOv8、DETR 等外部目标检测模型进行推理，根据检测结果调整机器人行为（如避障、抓取目标物体）。

路径规划

CoppeliaSim 内置了路径规划模块，支持 OMPL（Open Motion Planning Library）：

function planPath(start_config, goal_config)
    local task = simOMPL.createTask('pathPlanning')

    -- 设置状态空间（6自由度机械臂）
    local ss = {
        simOMPL.createStateSpace('joint_space', simOMPL.StateSpaceType.joint_position,
            jointHandles, lowerLimits, upperLimits, 1)
    }
    simOMPL.setStateSpace(task, ss)

    -- 设置碰撞检测对
    simOMPL.setCollisionPairs(task, collisionPairs)

    -- 设置起点和目标
    simOMPL.setStartState(task, start_config)
    simOMPL.setGoalState(task, goal_config)

    -- 设置算法和参数
    simOMPL.setAlgorithm(task, simOMPL.Algorithm.RRTConnect)
    simOMPL.setup(task)

    -- 求解
    local solved, path = simOMPL.compute(task, 5.0, -1, 0)  -- 5秒超时
    simOMPL.destroyTask(task)
    return solved, path
end

自定义模型与 CAD 导入

模型创建流程

  1. 几何体创建：使用 CoppeliaSim 内置基元或导入网格
  2. 关节添加：在零件之间添加旋转或移动关节
  3. 传感器配置：添加视觉、距离、力等传感器
  4. 物理属性设置：质量、惯性矩阵、摩擦系数
  5. 脚本编写：为模型添加控制逻辑

CAD 文件导入

CoppeliaSim 支持多种 CAD 格式：

格式 支持程度 注意事项
STL 完全支持 仅几何形状，无材质
OBJ 完全支持 支持材质和纹理
URDF 通过插件支持 ROS 机器人标准格式
STEP 需要转换 先转为 STL/OBJ
Collada (.dae) 完全支持 支持动画信息

通过 sim.importShape() 可以 API 方式导入模型，并用 sim.setShapeMass() 设置质量等物理属性。导入时注意单位转换（如 CAD 常用 mm，仿真使用 m）。

工作流最佳实践

  1. 场景组织：使用层次化命名，将机器人各部分放在同一父对象下
  2. 仿真步长：默认 50 ms，高精度需求可降至 5-10 ms
  3. 碰撞检测：仅对需要的对象对启用碰撞检测，减少计算开销
  4. 模型保存：将调试好的模型保存为 .ttm 文件，便于复用
  5. 版本控制：场景文件较大，建议将脚本外置并用 Git 管理

参考资料