AGV小车线路规划设计

题目：AGV小车线路规划设计摘要随着智慧物流、自动化仓库的发展，自动导引车（ＡＧＶ）作为物流系统的关键组成，具有广泛的应用前景。然而目前主流的ＡＧＶ导航定位技术不能满足ＡＧＶ在精度、可扩展性、成本控制等方面的需求。为解决机器人导航问题的方法，诸多研究人员开始广泛关注AGV的优化。基于此，本文旨在使用视觉技术解决ＡＧＶ的关键导航问题，设计并研发一套可于工厂复杂环境中稳定运行的ＡＧＶ视觉导航系统。为了控制AGV小车导航系统的成本，使用单目相机为AGV小车提供视觉信息。针对现有视觉处理，对处理过程进行简化。在不明显降低精度的情况下使AGV小车的计算进一步加快，在原基础上使得同样处理能力的计算机可控制更多小车。关键词：自动引导车，视觉引导，图像处理，路径规划，A*算法AbstractWiththedevelopmentofintelligentlogisticsandautomaticwarehouse,AGV,asthekeycomponentoflogisticssystem,hasawideapplicationprospect.However,thecurrentmainstreamAGVnavigationandpositioningtechnologycannotmeettherequirementsofAGVintermsofaccuracy,scalability,costcontrol,etc.Inordertosolvetheproblemofrobotnavigation,manyresearchersbegintopaymoreattentiontotheoptimizationofAGV.Basedonthis,thispaperaimstosolvethekeynavigationproblemsofAGVbyusingvisiontechnology,anddesignanddevelopasetofAGVvisionnavigationsystemwhichcanrunstablyincomplexenvironmentoffactory.1.InordertocontrolthecostofAGVcarnavigationsystem,thispaperusesmonocularcameratoprovidevisualinformationforAGVcar.2.Inviewoftheexistingvisualprocessing,theprocessingprocessissimplified.Inthecaseofnotobviouslyreducingtheaccuracy,thecalculationofAGVcarisfurtheraccelerated,andmorecarscanbecontrolledbycomputerswiththesameprocessingcapacityontheoriginalbasis.Keywords:Automaticguidedvehicle,Visionguidance,Imageprocessing，Pathplanning，A*algorithm目录第1章绪论 91.1研究背景 91.2AGV的发展 91.3AGV的应用 101.4AGV系统构架 11第2章基于单目相机的AGV设计规划 132.1导航方案的比较 132.2工作环境建模 142.3方案的设计规划 162.4线路规划算法及仿真 172.5本章小结 19第3章基于单目相机的图像收集及处理 203.1硬件选取 203.2单目相机的图像收集与处理 213.3本章小结 23第4章AGV行驶控制 244.1行驶控制逻辑 244.2行驶偏离调整 254.3本章小结 25第5章总结与展望 275.1研究总结 275.2未来展望 27致谢 27参考文献 28第1章绪论1.1研究背景随着工厂和仓库自动化智能化的快速发展，基于传送带运输的传统物料输送方式已无法满足高效制造的要求，AI时代下的各行各业都在向自动化和智能化的方向发展，现如今各种全自动制造生产系统、无人智慧仓库得到越来越广泛的应用。生产制造和货物转运的高效依靠运输系统的快速运行，因此AGV成为整个物流自动化以及生产自动化中最基础也是最关键的一环[1]。AGV小车作为移动机器人的重要分支，随着如传感器、驱动控制、信号处理、AI技术等关键技术的飞速发展，如今在各个行业各个领域都得到广泛的应用，无疑是移动机器人研究领域的热点之一。AGV系统由计算机进行控制，可以实现导航定位，路径规划并执行运输任务。AGV小车在行进过程中可实现自主避障，具有自动化程度高，易管理，易调度、安全性高等优点。1.2AGV的发展AGV的全称是AutomatedGuidedVehicle，意为"自动导引运输车"。AGV是装备有自动导引装置，能够沿规定的路径自动行驶，并且具有各种移载功能的运输车。以导航方式进行划分，AGV的技术发展经历了磁条导航、色带导引、激光导航和视觉导航等多个发展阶段。以控制方法进行划分，最初采用速度闭环的控制方式，发展到目前，多数AGV采用位置闭环的控制方式。以控制系统体系结构进行划分，系统由较早期的封闭式结构发展为如今的开放式结构。以能源进行划分，最初AGV的供能使用的是铅酸电池，如今多用可快速充电的镍铬电池，并且将无线供电应用到AGV小车的技术也处于高速发展阶段。美国Barrett电子公司于20世纪中期开发成功世界上第一台AGV的，它是一种牵引式小车系统，用于与其他物流系统自动连接，提高了劳动效率，增加了装卸和搬运货物的自动化程度。英国在1954年最早研制出电磁感应导向的AGV系统，由于系统突出的优点，使得该系统得到了推广和应用。到了70年代中期，由于计算机技术的普及微处理器的应用再加上伺服驱动技术的成熟，这些技术的发展促进了控制器的改进，这时开始出现了更为灵活的AGV。例如瑞典沃尔沃公司在开发了新的调度控制系统，并将此系统用在卡尔玛轿车厂装配线的AGV小车上。使得该装配线相比之前节约两成的装配时间，降低近四成的装配故障，极大缩减了劳动力，提升了公司的经济效益。同时，瑞典NDC公司研发出用于柔性装配作业的第一代AGV控制系统。国内AGV技术的研究起步较晚，当国外AGV技术发展如火如荼的时候，中国才刚开始进入对AGV的研究。但一直以来我国不断加大在这一领域的投入，使得AGV发展迅速。从1976年我国成功研制出第一台台电磁导引AGV，到1995年我国AGV技术对韩国出口，再到1998年云南昆船集团进行自动激光导引车的研发工作，并在红河卷烟厂试投放，项目荣获2002年国家科学技术进步二等奖[2]，由此可以看出我国AGV技术受到重视并正在飞速提升。1.3AGV的应用随着技术的发展进步，现如今ＡＧＶ具有通讯交互、自主完成作业任务、合理规划最优路径以及最优任务调度等多种功能。当前其主要应用场景如下[3]：１）仓储业。仓储作为AGV应用最早的行业，早在1953年美国就出现了运行在仓库间由拖拉机改造而成的自动运输车。直到今天，全世界已有数十万台形态大小性能各异的AGV于仓库中运行，AGV的使用极大的提升了仓库的运转效率、同时降低了人工成本和管理成本。２｝制造业。制造业是最能体现AGV优势的领域，运行在生产线上的AGV相比于人工可以更高精度、高效率地完成物料运输任务。多台AGV协作组成柔性的物料运输系统，可根据生产的需要及时调用就近小车并弹性调整运输轨迹，极大提高了生产的效率和柔性。３）医荮、烟草、食品。这些工作场地对环境的清洁性、安全性等有着严格要求，而AGV因为持续的场地内作业因此不会引入外界杂物，可以很好的应用于此类场景。如达利园集团、双汇集团、中烟公司等企业，均将AGV引入工厂中进行作业任务。４）高危场景。AGV可用于矿产开发，替代人力完成自动运输的工作；在原始森林或自然保护区，AGV可用于未探测地区的巡检和珍稀动物的跟拍；AGV还可应用于山洪泥石流地震灾区等场景的物料输送和人员转运。综上所述，AGV既可以在工业、农业、商业等场景中提高工作效率、实现智能控制、降低人力成本，也可在灾区转运、矿产运输等高危场景中替代工作人员。1.4AGV系统构架一个完整的ＡＧＶ系统由控制终端、车载系统以及其他外围设备组成，如图1.4.1所示。图1.4.1系统构架在该系统架构中，控制终端用于提供人机交互界面，接收操作者的命令并完成对命令的解析和任务的建立，同时与车载系统进行数据及状态的信息传递，是整个系统的中心。如果控制终端出现故障，则AGV系统无法获取来自操作者的指令，小车也无法与终端进行数据传输。外围装置用于辅助系统可以良好运行，包括导轨等引导装置、充电站、通信中继站等。外围设备的缺失将使AGV的运行变得困难。车载系统是AGV的控制系统，通过通信模块与控制终端进行通信，车载系统接收到指令后，自动完成AGV的定位导航、运动控制、货物装卸等功能。车载系统如果故障，则小车无法识别路径无法正确行进，或在行进过程之中制造不必要的麻烦。第2章基于单目相机的AGV设计规划2.1导航方案的比较AGV系统最重要的技术之一是小车的引导技术即导航定位技术。该技术通过车体所安装连接的各种传感器对周围的工作运行环境进行扫描分析或与云端数据进行匹配，完成对当前位置的确定，提供信息引导AGV小车的运行。如今，AGV系统中主流的几个导航技术如下[4][5]。１）电磁导引电磁导引作为较早出现并应用到AGV的导引方式，该方式的实现需要事先规划好AGV的行驶路径，并在对应线路上预设金属导线。在导引线上加载电流，进而产生一定的磁场，在AGV车体上装配的感应线圈可以识别磁场强弱并提供反馈信号使小车进行跟踪。电磁导引优点：导引线埋设于地下，不易污染和破损，抗干扰能力强、技术成熟简单、可靠性较高。电磁导引缺点：对线路进行改变或扩充时比较麻烦，导引线布置难度和成本较大。２）光学导引光学导引又称为色带导引，需要在预定的行驶道路上涂漆或者粘贴带有特定颜色的胶带，通过AGV小车的自带摄像头对路径上的图像进行采集，经过简单图像处理后判断AGV与色带的相对位置从而实现导引。该导引方式的优点是：有较好的灵活性，成本较低，色带布置难度低。缺点是：色带易被污染，从而导致导引可靠性一般，定位精度低。３）磁条导引磁条导引的方法原理与电磁导引方法原理相近，不同之处在于磁条引导将地下埋设的金属线替换为在路面上贴磁条的方式。在行驶过程中，AGV车身左右两侧的磁传感器实时监测磁场信号，系统根据两传感器监测出的磁场强度差异估算AGV车体与轨迹之间的偏差，进而AGV进行姿态调整完成导引过程。４）惯性导引惯性导航属于一种推算导航方式，是利用陀螺仪和加速度计这两种惯性敏感器，通过测量运动物体的加速度和角速度而实现的自主式导航方法。通过对传感器采集数据的积分得到速度和位置，融合双方信息，得到机器人的位置。此项技术最早用于军事，其主要优点是结构简单、体积小、维护方便，对地面环境改动较小，地面处理工作量小。惯性导引的缺点在于定位误差随时间而增大，高精度惯导设备的造价非常之高，难以大规模应用。５）激光导引激光导引[6]是伴随激光技术不断成熟而发展起来的一种新兴导航应用技术，其工作原理为：在AGV工作区设置激光反射板，机器通过测量激光从发出到接收的时间计算出自身距离前方障碍物的距离，当进行多方位多角度的测距之后，通过计算对比各方向与反射板的距离来确定自身位置和位姿信息，进而实现定向导航。激光导引的工作精度较高，行驶路线可以灵活更换，同时可适应各种不同工况，如今在国内AGV产品中得到广泛使用。缺点是容易被其它信号干扰，对环境要求较严苛，因而使用难度相对较高，并且国内的AGV激光导航部件大多依赖于进口，增加了造价和维护成本。６）视觉导引视觉导航是通过摄像机对周围环境进行图像采集，并对图像进行滤波和计算，完成自身位置确定和路径识别，并做出导航决策的一种新的导航技术。视觉导航采用被动工作方式，设备简单，成本低廉，应用范围广。视觉导航最主要的特征是自主性和实时性，无需依靠外界任何设备，视觉导航只需对储存系统和环境中的信息进行计算就可以得出导航信息。但在复杂光照、动态障碍的场景下，抗干扰性较低；在缺少纹理特征的场景中稳定性较差等等。2.2工作环境建模AGV导航的实现需要进行工作环境的建模。AGV的行走空间为二维空间，因此对二维空间常见的环境建模方法进行介绍分析，如可视图法、栅格地图法和拓扑地图法等。1.特征地图法[7]特征图法的核心思想为：将工作环境中的所有靠外的不规则障碍物边框进行抽象化，提取特征使其成为规则的几何图形。通过机器人当前的位置、障碍物的顶点和目标点的连线，可以确定最危险的通行路径；对各点连线线段的中点进行连线，可以得到最安全的通行路径。如图2.2.1图2.2.1特征地图特征图法只用点线面进行环境重建因此所需的存储信息较少，并且实现较为简单。但是几何图形无法准确表达障碍物的位置信息，同时障碍物密度越大会导致特征提取和环境重建越复杂。2.拓扑地图法[8]拓扑地图法将环境表达为带节点和相关连线的拓扑图。只记录特殊位置点（如拐角、通道口、工位点等）和节点间的连通关系（如运输通道），两节点间的值表示实际路线长度，拓扑地图如图2.2.2所示。拓扑地图对系统性能和技术要求较低，地图的构建和后续维护成本较低，搜索效率较高。图2.2.2拓扑地图3.栅格地图法[9]栅格地图是将实际环境的特征通过单元块的方式表现出来，类似于马赛克拼图中的大块像素点。但栅格地图中的“像素点”只有两个灰度级，数字表现形式为０和１两种，０代表此单元块是自由空间（可通行空间），１代表此单元块是障碍物所在空间（不可通行空间），如图2.2.3所示。图2.2.3栅格地图格栅地图法的环境表达准确性与单元格的大小成反比，即每一个单元格越小则越能表达准确环境信息，因此可以更好根据环境复杂程度、计算机运算能力、精度需求等指标综合考虑并调整单元格刻度大小。AGV系统使用格栅地图法进行工作环境建模时，单元格的大小为AGV小车宽度的一倍多，以小车刚好可以通过单元格并且无碰撞行走为宜，这样既可以满足精度的需求又可以减少复杂程度、降低运算成本。2.3方案的设计规划基于对六种导航方案的了解比较，确立单目相机的视觉引导为基本方案。为克服视觉引导抗干扰能力低的缺点，对现有的视觉导航进行优化。现有视觉导航逻辑如图2.3.1所示。图2.3.1视觉导航逻辑重新确立导航逻辑如图2.3.2所示。图2.3.2新确立视觉导航逻辑对采集的图像进行滤波处理,其核心思想是过滤掉背景色。由于背景色一般都是灰度图像,而根据某种颜色的RGB值越接近,该颜色就越接近灰色或黑白,数值越大就越白,反之越黑;某种颜色的RGB值如果其中一值与其它两值相差较大,而其它两值比较接近,那么根据RGB中较大的值可以知道这种颜色是比较接近红、绿、蓝、洋红、青、黄中的一种的原则[10]。因此在实际使用中通过实验数据确定一个RGB的阈值val,利用背景与标志物的RGB值的数值特点及两者之间的较大差值，可以将背景与标志物区分开来。2.4线路规划算法及仿真线路规划算法有多种，常用的有遗传算法[11]、蚁群算法[12]以及A*搜寻算法。因为此前选取栅格地图法作为工作环境建模方法，所以采用A*搜寻算法作与栅格地图进行匹配，作为本文研究所用的线路规划算法。A*搜寻算法又称A星算法，当某个平面地图上存在多个节点的路径时，利用A星算法可以求出最低成本的通过路径。此算法常用于游戏中的NPC的移动计算，利用算法得出的路径可以自动引导人物到达指定位置。该算法像Dijkstra算法[13]一样，可以找到最低成本路径；也像BFS一样，可以进行启发式的搜索。启发式搜索就是在移动物所运行的空间中持续搜索各个位置，并对每一个位置进行评估，计算并比较各个位置的成本从而得到最好的位置，再从这个位置进行下一步搜索直到搜索到目标位置。这样的搜索和评估过程可以排除掉大量无用路径省略无谓搜索，提高了效率。A星算法原理较为简单，核心公式：F=G+H（F-方块的总移动代价；G-开始点到当前方块的移动代价；H-当前方块到结束点的预估移动代价）。G值的计算如下：假设现在我们在某一格子，邻近分别有上、下、左、右、左上、左下、右上、右下共8个格子可走，8个格子中前往左上、左下、右上、右下的4个格子的成本是前往上、下、左、右4个格子成本的√2倍；即走斜线的移动成本为走直线的1.4倍。对于H值我们只能依靠距离公式进行预估，因为我们只知道当前点和结束点位置，并不知道这两者之间的具体路径。预估H值的方法有多种，常见的有曼哈顿距离、对角线估价、欧式距离，其中最简单的方法就是使用曼哈顿距离公式进行计算得到预估结果。曼哈顿距离公式为：h(z)=|zx-Ex|+|zy-Ey|，其中:(zx,zy)为算法访问的当前节点坐标,(Ex,Ey)为目标节点坐标。A星算法逻辑如图2.4.1所示。图2.4.1A星算法逻辑利用python程序进行仿真，得到路径图如图2.4.2所示。其中“#”为障碍物单元格，“*”为自由空间单元格，“0”为所规划的路径。图2.4.2线路规划仿真2.5本章小结AGV导航设计中通过对各种导航方式的比较确定了可行的方案，利用栅格地图法对所运行工作环境进行简化，得到较为简单且较为准确的地图信息，为精准的路径规划和导航创造可能。同时本章在比较不同的方法进行工作环境的建模后，利用计算机进行了路径规划设计和仿真实验。事实证明，本章所设计方案和内容稳定可行。第3章基于单目相机的图像收集及处理3.1硬件选取相机竖直向上正对厂房顶棚，设计视野FOV尺寸：FOVH＝8ｍ，FOVW＝6ｍ；相机分辨率用横向像素数目乘以竖向像素数目表示；空间分辨率表示真实物体的影像与图像像素点的对应关系，这种关系取决于相机所包含的可视范围。分辨率计算相关尺寸如表3.1.1所示。表3.1.1相关尺寸名称变量单位相机分辨率Rcpixel空间分辨率Rsmm/pixel视野FOVm最小特征尺寸Sfmm最小特征尺寸对应像素数目Nfpixel这里我们将最小特征尺寸确定为系统的定位精度，即为Sf=30mm，并将最小特征对应的像素数目保守设置为Nf=4,这样得到空间分辨率为Rs=Sf/Nf=7.5mm/pixel;相机分辨率Rc:RcH=FOVH/Rs=1200pixelRcW=FOVW/Rs=900pixel在进行图像处理时，由于要划出一块区域进行优先处理，所以“感兴趣区域”较小，此区域采集时间要求小于200ms，所以相机应该每秒输出5张有效图片，即相机的帧率应大于5fps；曝光模式分为两种，一种是全局曝光另一种是滚动曝光，滚动曝光为一行一行进行曝光，所以每行之间有一定的曝光时间间隔，当物体运动速度很大时，容易造成物体变形。但由于我们的AGV小车运行速度不高，且对画面处理是在占相机视野范围较小的“感兴趣区域”区域进行检测，因此当曝光时间较小时，第一行与最后一行像素间几乎不产生画面歧变，不会造成物体变形。综上所述，确定相机规格及参数如表3.1.2。表3.1.2相机参数相机品牌顺华利外观尺寸33MM*49MM*49MM信号传输USB2.0可调参数亮度、对比度、饱和度、色泽、白平衡、逆光对比、曝光度分辨率与帧数1280*102410帧/秒快门类型Electronicrollingshutter/Frameexposure曝光控制支持调节工作温度0-60度3.2单目相机的图像收集与处理单目相机设置于AGV小车一角，镜头竖直向上进行图像收集。利用相机的拍照模式，进行每秒10张的图像收集，收集到的图像经缓存区进入图像处理程序。处理图像时，将相机拍摄得到的图像进行RGB数值扫描，根据RGB值过滤方案进行背景与标志物的提取与分析。查取RGB颜色表得知，红色（Red（255，0，0））、绿色（Green（0，255，0））、蓝色（Blue（0，0，255））的RGB值都为其中两个值极大一个值极小，洋红色（Magenta（255，0，255））、黄色（Yellow（255，255，0））、青色（Cyan（0，255，255））的值都为其中两个值极小一个值极大，所以都属于最好分辨筛选的颜色。因此导航系统的信号标志选用以上颜色，本文选取红色。红色（Red）的RGB值为（255，0，0），当在实验室对其进行摄像机拍摄提取时得到的RGB值范围为（R≥231,G≤23,B≤25），部分数据如图3.2.1。根据数据范围对摄像机获取的每一帧图像进行RGB值筛选，能将信号标志与背景分离开来，从而获取准确的信息。从信号标志得到的信息能为小车的导航以及定位创造可能。图3.2.1RGB数值提取相机视野范围内分出A区（如图3.2.2）作为一号点提取区域，A区检测到标志点以后可根据相邻标志点（二号点）的位置来推断计算小车的位姿。在一号二号标志点连线上找到三号点进行角度计算的复检。小车位姿依据各标志点对应的像素坐标差值的反三角函数求得，如一二三号点的像素坐标分别为（X1,Y1）（X2,Y2）（X3,Y3），则小车的位姿即偏转角度为α=arctan（（x1-x2）/(y1-y2)）=（（x2-x3）/(y2-y3)）。图3.2.2视野A区由于A区内必须保证有至少一个标志点可检，因此A区的覆盖区边长应为√2a（a为标志点间隔距离）。由于需要连续三个标志点进行检测，因此在相机视野覆盖较短边方向上需要时刻存在超过三个标志点，即覆盖长度为3√2a。由前文设计视野尺寸（FOVH＝8ｍ、FOVW图3.2.3相机视野与标志点设置3.3本章小结本章梳理了图像的收集及处理过程，确定了可行方案。需要通过摄像头实时对环境进行扫描，对特殊点提取分析，利用RGB阈值法尽力排除环境中无用信息的干扰。最后得到了较为准确的图像信息，为后续的控制提供足量可用数据。第4章AGV行驶控制4.1行驶控制逻辑由于A星算法所得路线为多个线段的连接，因此行驶控制将以分段控制的形式进行实现。即把每一段路程对应的控制作为一个完整的控制流程，将单个流程在多个连续路程上进行反复运行，直到小车到达目标位置结束运行。在每一段路径上，控制的过程和逻辑保持一致，这样可以在保证控制功能的前提下尽可能降低控制复杂程度和减轻程序的编制和运行工作以及缩短处理时间。控制逻辑如图4.1.1所示。图4.1.1行驶控制逻辑对于每个路程阶段内的里程记录，需要用到捷联惯导/里程计组合导航算法。该算法采用位置量测方案,将固定里程范围内捷联惯导解算的位置信息和里程计航位推算之差作为量测值进行组合导航,并提出了里程计脉冲计数截断误差修正方法[14]。在路程的开始和结束的2米内，小车采取匀加速和匀减速运动，以保证车体的稳定和货物的安全。4.2行驶偏离调整行驶过程中由于受到各种因素的影响，小车可能不能完全按照直线行驶，因此行驶误差就会增大，针对这个问题需要对行驶过程进行偏离调整。在双轮同步运行的惯性导航行驶中，相机持续进行图像收集及处理，实时计算小车实际的偏转角度。通过实际角度与需求角度进行对比拟合，对同速运行的双轮进行轻微的差速调整。现将轮距记为B、驱动轮半径记为R、小车偏转角度记为α、驱动轮转角记为β，确定小车偏转角度与驱动轮转角间的关系。当小车偏转角度α时，驱动轮又位置1到达位置2。计算所用参数标注如图4.2.1。a.整车示意图b.偏转示意图图4.2.1利用驱动轮行驶路径列出方程πBα/2π=2πRβ/2π得到β=Bα/24.3本章小结本章进行了对AGV行驶控制及纠偏的研究，确定了可靠的控制逻辑。行驶控制将规划得到的路径和图像处理得到的信息进行整合匹配，利用减少角度偏差调整位姿这一法则做到对小车的行驶控制以及对偏移的纠正。第5章总结与展望5.1研究总结本文在对ＡＧＶ技术和视觉导航技术进行广泛研究的基础上，对视觉导航进行深入研究。为提高系统在工业场景中的稳定性实用性和低成本，使用RGB值扫描和偏转角度复检，开发了一套视觉导航无人驾驶系统。文中首次将RGB值扫描运用到视觉导航中，用尽可能简单的算法尽可能小的程序来完成导航任务。文中进行一系列针对系统可行性进行的仿真实验及数据核算，表明本文设计的系统的精度和稳定性表现较好。5.2未来展望为进一步提高基于单目相机视觉导航的准确性和实用性及高效性，可以在以下几个方面进行改进：可以在特定区域增加位置标识，使得小车在行驶过程中更加准确定位到自身位置，利于小车的姿态调整，同时也更容易对小车进行调度。可以在小车上增加红外或者超声波传感器，使小车具备壁障能力，提高在多小车复杂路况使用时的稳定。可进一步优化算法，加快对标志点的识别和信息处理，亦可优化小车在各节点位置的减速转向逻辑，提高行驶