AGV(Automated Guided Vehicle)簡介：

美國供應鏈管理專業(yè)協(xié)會對AGV的定義：自動導引小車，是指裝備有電磁或光學等自動導引裝置，可以在規(guī)定的導航路徑上行駛，是具有安全保護以及各種移載功能的運輸小車。

伴隨自動化程度的提高，傳統(tǒng)制造業(yè)的生產方式發(fā)生了深刻的變化，倉儲物流的自動化己是大勢所趨，生產由單一固定方式向具有較強適應性的柔性生產線過度。為了節(jié)約成本、提高經濟效益，柔性制造系統(tǒng)和自動化倉儲系統(tǒng)等先進的生產方式得到廣泛應用，它們是以高智能化系統(tǒng)為決策中心，以機器人、自動化立體倉庫、無人搬運車等為主要設備。其中，無人搬運設備以自動導引小車為標志，它將電子計算機科學、圖像信號處理、自動控制等先進技術融合,是現(xiàn)代物流系統(tǒng)、柔性生產組織系統(tǒng)的關鍵設備。

目前AGV的工作環(huán)境可分為室內環(huán)境和室外環(huán)境，更多的系統(tǒng)是工作于室內或以室內為主要工作場所。因為室內具有普遍性，能為各種場合使用的移動機器人研制提供理論和技術支持。室內環(huán)境視作結構化環(huán)境，光線較穩(wěn)定且環(huán)境復雜程度有限，結構化道路上的標識往往具有明顯的特征,比如顏色、寬度、邊界等，使得道路識別時可以用較簡單的方法進行特征提取，進而恢復道路場景。

AGV應用范圍有：制造業(yè)、倉儲業(yè)、郵局、港口、機場、煙草、醫(yī)藥、食品、化工、核材料、感光材料特種行業(yè)等領域。

AGV導航方式：

移動機器人的導航問題主要涉及三個問題：“現(xiàn)在在何處?”，“要往何處去?”，“要如何去?”。其中第一個問題是導航系統(tǒng)中的定位問題，確定移動機器人在工作環(huán)境中相對于全局坐標的位置及其本身的姿態(tài)；第二、三個問題是導航系統(tǒng)的路徑規(guī)劃及跟蹤。

研究導航是為了使機器在沒有人為干預的情況下有目的地移動，并完成特定任務，因此物流系統(tǒng)的柔性取決于的導引導航方式，在不同應用場合的系統(tǒng)中采用的導引導航方式也是多元化的。

導引與導航是有差別的，導引是根據(jù)當前狀態(tài)數(shù)據(jù)計算下一周期的運行參數(shù)，只需相對位置，與全局坐標無關，導航是指確定自身的位置及航向。AGV的主要導引和導航方式有：

（1）坐標導引AGV

直接坐標導引的原理是：首先把行駛區(qū)域用定位塊分成若干個標準統(tǒng)一的坐標小區(qū)域，然后在行駛時統(tǒng)計經過的小區(qū)域的個數(shù)，以此來實現(xiàn)導引。常用的有兩種形式：光電式和電磁式。前者是通過不同顏色來劃分坐標小區(qū)域，然后用對顏色敏感的光電器件來計數(shù)；后者是用磁塊或者金屬塊來劃分坐標，然后使用對金屬敏感的電磁感應器件來計數(shù)。

這種導引方式的優(yōu)點是：路徑修改簡單，導引的可靠性好，不受環(huán)境背景的影響。缺點是：安裝定位塊復雜，導引定位完全由定位塊的大小和個數(shù)決定，工作量大，精度較低。

（2）電磁導引AGV

電磁導引是使用較多的導引方式之一，埋在地下的導線帶有電磁頻率，通過一個叫做“地面控制器”的設備打開或關閉導線中的頻率，電磁導引靠感應產生的電磁頻率引導沿著埋設的路線行駛。該導引方式技術成熟，經濟可靠、引線隱蔽、不易污損和被破壞、導引原理簡單而且便于通訊、不受聲光干擾；但靈活性差、對地面的平整度要求高，路徑難以更改擴展。

（3）光學導引AGV

光學導引是根據(jù)單一光源傳播過程不會改變的原理，在的行駛路徑上鋪設一條反光率穩(wěn)定的色帶，同時在車上裝配能發(fā)射和接收光源的光電傳感器，通過實時比較發(fā)射與檢測到的信號來調整車輛的運行方向`。它的優(yōu)點是導向線鋪設費用較低，靈活性較好，但對色帶的污染和機械磨損十分敏感，對環(huán)境要求過高，導引可靠性較差。

（4）激光紅外導航AGV

激光紅外導航是在上裝備可發(fā)射和接收激光紅外線的掃描器，導向區(qū)域的四周安裝數(shù)量足夠的激光反射板，通過激光掃描器發(fā)射激光束，同時采集由反射板反射的激光束，通過三角幾何運算確定其當前的位置和航向來實現(xiàn)的導引。該導航方式的優(yōu)點是定位精確，行駛路徑可靈活多變，能夠適合多種現(xiàn)場環(huán)境；缺點是制造成本高，位置計算復雜，抗光干擾的糾錯能力有限。

（5）視覺導航AGV

視覺導航，又稱圖像識別導引。工作原理為攝像機動態(tài)攝取路徑信息，通過圖像處理技術識別出欲跟蹤的路徑，引導運行。視覺導航式既能獲取大信息量，又具備路徑設置和變更簡單，還有系統(tǒng)柔性好等特點。此外，慣性導航方式和GPS導航方式多用于軍方。

AGV的多種導引/導航方式根據(jù)導引信息的來源，可分為外導式和內導式。按導引有無預定路徑的形式，主要分為預定路徑導引和自由路徑導引兩大類。

導航標示線檢測算法研究：

以車道標示線為道路邊緣的視覺檢測是AGV路徑識別需要實現(xiàn)的基本功能。視覺導航式AGV是利用ccd攝像機采集地面鋪設的條帶狀標示線，采用圖像處理和分析的方式來獲取導引車周圍環(huán)境信息，這種方式是AGV識別系統(tǒng)中的核心技術。

涉及內容：坐標系建立，車道模型分析，圖像預處理等。下面重點對圖像處理方面進行介紹 ：

人們對車用機器視覺研究有一個基本共識：圖像在獲取、轉換和傳送中都會產生污染，不可避免的造成圖像質量的降低，因此，首先應對視頻圖像進行預處理，然后進行閾值分割，再對路徑進行識別與跟蹤。

視覺導航式AGV上車載攝像機獲取的原始圖像中除了包含可用信息外,由于受到環(huán)境限制以及加入的隨機干擾，使得冗余信息多，可識別性較差，首先必須對原始圖像進行預處理，流程如下：

圖像平滑是一種低通濾波技術，可以分別在頻率域和空間域進行。

（1）模板操作。

模板操作實現(xiàn)一種鄰域運算，即某個像素點的結果不僅和本像素灰度有關，而且和其鄰域點的值有關。模板運算在數(shù)學中的描述稱之為卷積。

（2）中值濾波。

中值濾波是將鄰域中的圖像像素按灰度級排序，取中間值為輸出像素，屬于非線性的空域濾波技術，是一種能去除噪聲的同時又能保護目標邊界不使其變得模糊的濾波方法。其原理是選取一個含有奇數(shù)個數(shù)像素點的移動窗口,將窗口的中心像素的灰度值用窗口內灰度的中值代替，從而消除孤立的噪聲點，其數(shù)學表達式如下：

其中，f(x,y),g(x,y)分別為原始圖像和處理后圖像，φ為二維模板，通常為2*2，3*3區(qū)域。

（3）形態(tài)學修正。

上述處理后的二值化圖像中可能仍有少量零散點，而且黑色部分的邊緣不是很清晰，存在毛刺和漏洞。對二值化后的圖像進行數(shù)學形態(tài)學濾波實現(xiàn)局部背景平滑。數(shù)學形態(tài)學主要運算有形態(tài)和膨脹、形態(tài)差腐蝕、開運算、閉運算。

腐蝕運算的作用是用來消除圖像中小于結構元素的無意義邊界點，使目標物體的邊界向內部收縮；膨脹運算的作用是用來填補圖像中目標物體的空洞點，使物體的邊界向外部擴張；腐蝕和膨脹的復合運算即成為開運算和閉運算：開運算是對圖像進行先腐蝕后膨脹的處理過程，能夠消除圖像中的邊緣毛刺和孤立斑點；閉運算與開運算過程相反，填補圖像中的漏洞以及裂縫。它們能對圖像進行簡單的平滑處理，并檢測出圖像中的奇異點。根據(jù)二值化的處理結果，我們需要把圖像中的漏洞和毛刺去掉，并且保持原圖像特征不變，因此可以對圖像進行開運算以使黑色邊緣清晰便于邊緣檢測。

（4）導航標示線邊緣檢測算法

邊緣是指圖像局部亮度變化顯著的部分，是圖像內像素灰度不連續(xù)，或灰度變化劇烈的點的集合。邊緣檢測的目的是標識數(shù)字圖像中亮度變化明顯的點，計算機視覺處理方法雖然不明顯依賴于邊緣檢測作為預處理，但邊緣檢測仍是圖像分割所依賴的重要特征，是圖像分析的重要基礎。常用的邊緣檢測算子有：

（4.1）梯度算子：sobel算子，prewitt算子。

（4.2）基于圖像函數(shù)二階導數(shù)過零點的算子：LOG算子，canny算子。

障礙物識別研究：

對于障礙物的識別，方法的選取是取決于周圍環(huán)境以及對障礙物的定義。障礙物可以定義為在車輛前方行駛道路上具有一定體積的物體，道路上常見的障礙物包括車輛、貨物、雜物等。

障礙物識別技術中最關鍵的是檢測、跟蹤和定位技術。檢測是指確認前方視野路徑上是否出現(xiàn)障礙物，跟蹤是指對選中的目標進行軌跡描述，定位是指計算出障礙物與自動導引車的實際距離。其中，檢測是基礎，跟蹤是過程，定位是最終目的。

空間目標的跟蹤，是通過目標的有效特征構建模板，在圖像序列中尋找與目標模板最相似的候選區(qū)域位置的過程，也就是確定目標在序列圖像中的軌跡。在基于單目視覺的空間障礙物目標跟蹤問題的研究上，一般有兩種思路：

（1）不依賴于任何先驗知識，直接從圖像序列中檢測出障礙物，然后跟蹤其中感興趣的目標。

（2）依賴于障礙物的先驗知識，首先對可能出現(xiàn)的目標建模，然后在圖像序列中實時檢測出與模型相匹配的目標，然后進行跟蹤。

最常用的是第二種思路，因為障礙物存在于某一特定運行環(huán)境中，可以用含有有限元的完備集合來表示。對于這種跟蹤方法，實現(xiàn)跟蹤的第一步是進行目標檢測，即從序列圖像中將感興趣區(qū)域從背景圖像中提取出來。

在目標跟蹤過程中，往往需要采用搜索算法預計未來時刻某目標的位置，以縮小搜索范圍。根據(jù)這個思路一般有兩類算法：

（一）預測目標在下一幀圖像可能出現(xiàn)的位置，然后在這個相關區(qū)域內尋找最優(yōu)點，常用的預測算法有kalman濾波、擴展的kalman濾波，粒子濾波等。

（二）減小目標搜索范圍的算法，通過優(yōu)化搜索方向，利用某些估計的方法優(yōu)化求取目標模板和候選目標之間距離的迭代收斂過程，縮小搜索范圍，如均值平移算法算法（MeanShift算法）、連續(xù)自適應均值平移算法（Camshift）、置信區(qū)域算法。

對于空間目標定位算法的研究，主要集中在獲取場景中目標上的各點相對于攝像機的距離，這是機器視覺的主要任務之一，也是障礙物識別的最終目的。通過計算目標與攝像機的距離參數(shù)，就能得到目標相對于小車的速度，目標物大小等參數(shù)，更好的為控制的運行狀態(tài)提供決策數(shù)據(jù)。這里我搜集了關于基于視覺移動避障的幾種實現(xiàn)思路：

常用的計算機視覺方案有多種， 比如雙目視覺，基于TOF的深度相機，基于結構光的深度相機等。深度相機可以同時獲得RGB圖和深度圖，不管是基于TOF還是結構光，在室外強光環(huán)境下效果都不太理想，因為它們需要主動發(fā)光，容易受到強光的干擾；基于結構光的深度相機，發(fā)射出的光會生成相對隨機但又固定的斑點圖樣，這些光斑打在物體上后，因為與攝像頭距離不同，被攝像頭捕捉到的位置也不相同，之后先計算拍到的圖的斑點與標定的標準圖案在不同位置的偏移，利用攝像頭位置、傳感器大小等參數(shù)就可以計算出物體與攝像頭的距離。對于AGV，雙目視覺更加合適：

雙目視覺的測距本質上是三角測距法，由于兩個攝像頭的位置不同，就像人的兩只眼睛，看到的物體不一樣。兩個攝像頭看到的同一個點P，在成像的時候會有不同的像素位置，此時通過三角測距就可以測出這個點的距離。雙目算法計算的點一般是利用算法抓取到的圖像特征，如SIFT或SURF特征等，通過特征計算出來的是稀疏圖。

基于雙目立體視覺的障礙物檢測的關鍵在于兩點①障礙物目標的提取,即識別出障礙物在圖像中的位置和大?。虎谡系K物目標區(qū)域圖像對之間的立體匹配點，從而得到障礙物目標的深度信息。前一步是后一步的基礎，識別出來的目標可以是多個，在立體匹配得到視差之后才可以標志出哪些目標為障礙物目標。

雙目體視技術的實現(xiàn)可分為：圖像獲取、攝像機標定、特征提取、圖像匹配和三維重建。上圖中的光軸是近似平行的，在平行光軸系統(tǒng)中，雙目視覺測距將三維場景中求目標深度的問題轉化為求二維投影圖像中求視差的問題。因此，像機模型就是將三維場景的點與二維圖像上的點建立一一對應的映射關系。

審核編輯：劉清