【AGV定位算法的实验及验证分析案例2000字】

AGV定位算法的实验及验证分析案例目录TOC\o"1-3"\h\u26796AGV定位算法的实验及验证分析案例 1165831.1误差校正 1144961.2定位精度及速度测定 2188231.2.1基于目标检测的定位 26801.2.2基于移动目标检测定位 5215581.3转弯时精度及速度测定 7本章主要对本文设计的AGV定位算法进行定位精度、定位速度实验，确定本文设计算法可以满足实际应用要求。累计误差由于本文在间隔一定帧数后便重新检测，主要与检测精度和中间追踪帧的定位误差有关，可以直接反应在定位精度上，因此本文仅对定位精度、定位速度进行实验。对于定位系统鲁棒性主要来自于遮挡导致目标丢失无法定位，本文主要研究的为单摄像头对单AGV进行识别定位，当发生遮挡时无法继续定位，但通过多摄像头对AGV定位时，不同摄像头可在不同角度对AGV进行定位，可以有效解决遮挡问题。1.1误差校正由于摄像头投影关系的影响，当AGV行驶至边缘时，在图像上测量的中心点与实际中心点位置像素坐标会不一致。AGV高度为29cm，在行驶路径上任取6个点，实际坐标点与采集像素坐标点误差如表1.1所示。表1.1测量结果与实际结果对比编号实际像素坐标测量像素坐标x轴方向误差y轴方向误差a(485,357)(475,288)1069b(490,579)(481,526)953c(495,801)(486,775)926d(501,1038)(491,1029)109e(508,1276)(500,1296)8-20f(519,1528)(510,1568)9-40由表1.1可知x轴方向误差近似保持不变，平均误差为9.17像素。测量结果y坐标和y轴方向误差δ拟合结果如图1.1所示，公式如下： 6-(1)控制AGV从(514,1344)沿直线行驶至(490,628)，将本文算法测得的路径坐标校正结果如下所示： 6-(2)式中为校正后坐标，为算法定位坐标。图1.1y轴方向误差拟合结果1.2定位精度及速度测定1.2.1基于目标检测的定位本文对仅使用YOLO定位、YOLO间隔2帧定位一次以及本文基于YOLO的定位方式进行试验，本文定位方式为每过n帧使用YOLO进行定位，中间帧使用ORB和卡尔曼滤波定位。定位速度比较如表1.2所示，表中视频总帧数为测试视频总帧数，为便于比较，本文对几种方法在同一视频下进行实验；花费时间为检测视频花费总时间；平均帧数为每秒检测帧数，由总帧数除以花费时间计算得到。表1.2基于目标检测定位速度对比定位方式视频总帧数花费时间(s)平均帧数YOLO42327.4515.41YOLO(间隔2帧)42314.2129.77Ours(间隔2帧)42311.9524.96Ours(间隔24帧)42312.4733.92本文对定位精度采用定位生成路径与实际路径的欧式距离进行评价，分别计算像素坐标系及对应世界坐标系下的最大误差、最小误差、平均误差。测得定位精度如表1.3所示，各定位方式具体轨迹如图1.2至1.5所示。表1.3基于目标检测定位精度对比定位方式最大误差(像素坐标)/pixel最小误差(像素坐标)/pixel平均误差(像素坐标)/pixel最大误差(世界坐标)/mm最小误差(世界坐标)/mm平均误差(世界坐标)/mmYOLO15.28843.05864.681435.167.03510.76YOLO(间隔2帧)15.28843.05864.574735.167.03510.52Ours(间隔2帧)15.25783.00584.838135.091.9111.13Ours(间隔24帧)15.28843.05865.169635.167.03515.41(a)AGV路径轨迹(b)AGV实际路径与定位路径 (c)误差统计图1.2YOLO定位(a)AGV路径轨迹(b)AGV实际路径与定位路径 (c)误差统计图1.3YOLO(间隔2帧)定位(a)AGV路径轨迹(b)AGV实际路径与定位路径 (c)误差统计图1.4Ours(间隔2帧)定位(a)AGV路径轨迹(b)AGV实际路径与定位路径 (c)误差统计图1.5Ours(间隔24帧)定位由实验结果可知本文本文设计算法相比于YOLO检测可以明显提高检测速度，由于YOLO每次检测时选择框会重新生成，每次选择框大小不一致且与真实框存在差别，会导致定位时中心点坐标较为波动，但整体结果比较稳定；本文算法当间隔检测帧数过多时，平均误差相对YOLO偏大，稳定性也较差，但速度有明显提升。1.2.2基于移动目标检测定位本文的基于移动目标检测的定位方式主要由检测移动目标、目标追踪两部分构成，因此将实验分为检测移动目标精度实验和目标追踪算法定位精度实验。检测移动目标精度实验本文对移动目标精度实验采用交并比IOU进行评价，IOU为检测框与原图片中的标记框的重合程度，

计算方法即检测结果与实际结果的交集比上它们的并集，计算公式为： 6-(3)在同一段视频上分别采用MOG、KNN和本文改进的MOG进行实验，实验结果如表1.4所示。图1.6中蓝色为真实框，浅蓝色为本文改进算法的检测框，绿色为KNN算法检测框，红色为MOG算法检测框。实验证明本文改进后的算法在背景光照干扰下检测精度明显好于原算法，但检测速度相较于原算法略慢。表1.4移动目标检测方法对比方法总帧数花费时间(s)平均交并比MOG30018.20.72KNN30020.730.69改进MOG30023.060.78图1.6移动目标检测结果目标追踪算法定位精度实验本文基于改进的背景建模法对AGV定位结果进行追踪，使用本文方法检测速度为28.56fps，对KCF进行定位精度分析，定位精度如表1.5所示，追踪过程路径结果如图1.7所示。表1.5基于移动目标检测定位精度定位方式最大误差/pixel最小误差/pixel平均误差/pixel最大误差/mm最小误差/mm平均误差/mm基于移动目标检测定位11.1531.79921.600325.654.1415.18(a)AGV路径轨迹(b)AGV实际路径与定位路径 (c)误差统计图1.7基于移动目标检测定位1.3转弯时精度及速度测定对转弯时进行精度测试，AGV初始位置如图1.8所示，本文在间隔一定帧数后便重新检测，分别对图1.9所示的直行、右转、左转位置进行匹配，对应实际角度分别为0°、-90°