張向鴻， 楊海馬， 李曉東， 劉 瑾, 方 剛， 丁大民

(1.上海理工大學(xué) 光電信息與計(jì)算機(jī)工程學(xué)院,上海 200093； 2.上海工程技術(shù)大學(xué) 電子電氣工程學(xué)院,上海 201620；3.上海航天衛(wèi)星應(yīng)用有限公司,上海 200439)

0 引 言

近年來，隨著各國(guó)經(jīng)濟(jì)的發(fā)展與世界貿(mào)易的興起，物流產(chǎn)業(yè)配套技術(shù)也獲得了巨大的進(jìn)步，自動(dòng)導(dǎo)引車(automatic guided vehicle,AGV)物流運(yùn)輸車作為物流環(huán)節(jié)重要組成，是現(xiàn)代倉(cāng)儲(chǔ)服務(wù)的關(guān)鍵部分之一，其具有工作效率高，可靠性好，自動(dòng)化程度高等優(yōu)點(diǎn)，在港口集裝區(qū)和貨場(chǎng)堆棧出棧等領(lǐng)域獲得了廣泛應(yīng)用。

實(shí)現(xiàn)貨物標(biāo)識(shí)的自動(dòng)識(shí)別與制定相應(yīng)策略實(shí)現(xiàn)科學(xué)搬運(yùn)是AGV系統(tǒng)的核心技術(shù)，采用視覺導(dǎo)引的方式可以方便快捷、科學(xué)高效的完成目標(biāo)識(shí)別，同時(shí)也可以提升AGV在復(fù)雜工作環(huán)境下的適應(yīng)性，對(duì)于相關(guān)技術(shù)的研究廣闊的應(yīng)用價(jià)值。陳顯寶等人將圖像算法引入AGV控制領(lǐng)域[1]，梁禮明等人將YOLOv3算法應(yīng)用到AGV圖像識(shí)別領(lǐng)域[2，3]，孔繁望、任彧對(duì)AGV的識(shí)別算法和路徑規(guī)劃進(jìn)行改進(jìn)[4，5]。

本文采用單目視覺算法進(jìn)行目標(biāo)識(shí)別，同時(shí)作為AGV的導(dǎo)航信號(hào)，實(shí)時(shí)導(dǎo)引AGV進(jìn)行工作。在近距離失去圖像信號(hào)時(shí)，利用激光雷達(dá)信號(hào)通過模糊控制算法精準(zhǔn)定位，完成貨物的插取和放置，根據(jù)上述研究思路設(shè)計(jì)的控制系統(tǒng)，可以快捷高效地運(yùn)用于AGV的工作目標(biāo)識(shí)別、精準(zhǔn)插取和科學(xué)運(yùn)輸問題。

1 叉車式AGV結(jié)構(gòu)介紹

1.1 五輪式叉車結(jié)構(gòu)

現(xiàn)階段在物流運(yùn)輸工作環(huán)境中，五輪式叉車的使用最為廣泛，在驅(qū)動(dòng)輪兩側(cè)添加萬(wàn)向輪后，使得叉車支撐能力增強(qiáng)，載重量提升，運(yùn)行時(shí)狀態(tài)平穩(wěn)，平衡性能優(yōu)異，同時(shí)五輪式叉車轉(zhuǎn)彎半徑小，因此適用于多種環(huán)境復(fù)雜的工作場(chǎng)景。此次所研究的五輪式叉車結(jié)構(gòu)尺寸圖如圖1所示。

圖1 五輪式叉車結(jié)構(gòu)

1.2 運(yùn)動(dòng)姿態(tài)分析

五輪式叉車AGV由于驅(qū)動(dòng)輪在車體后方的特殊構(gòu)造，可以以左右前叉頂點(diǎn)連線的中點(diǎn)為圓心，以自身長(zhǎng)度為半徑原地旋轉(zhuǎn)完成轉(zhuǎn)向，但原地轉(zhuǎn)向時(shí)不產(chǎn)生橫向位移，無(wú)法改變車體橫向位置。對(duì)于與車體姿態(tài)平行的目標(biāo)先轉(zhuǎn)向90°與目標(biāo)垂直后，運(yùn)動(dòng)到與目標(biāo)處于同一條直線的位置上，再次旋轉(zhuǎn)90°回到初始角度，即可對(duì)準(zhǔn)目標(biāo)。在車體與目標(biāo)的位置關(guān)系不能直接完成工作時(shí)，也可以通過上述方法調(diào)整車體姿態(tài)。

2 AGV導(dǎo)引控制系統(tǒng)設(shè)計(jì)

2.1 導(dǎo)引方式

本設(shè)計(jì)使用單目相機(jī)采用視覺導(dǎo)引方式控制AGV運(yùn)動(dòng)，方案硬件成本可控，軟件算法價(jià)值高，通過單目相機(jī)實(shí)時(shí)獲取現(xiàn)場(chǎng)圖像，利用深度學(xué)習(xí)模型匹配現(xiàn)場(chǎng)環(huán)境中的目標(biāo)，實(shí)時(shí)跟蹤捕捉目標(biāo)，控制叉車進(jìn)行準(zhǔn)確位移和貨物取放，完成工作要求，該方式具有識(shí)別準(zhǔn)確度高，應(yīng)用環(huán)境廣，定位精確的優(yōu)點(diǎn)，工程應(yīng)用前景廣泛，具有良好的應(yīng)用價(jià)值。

2.2 硬件組成

控制系統(tǒng)主要由三部分構(gòu)成，即信息采集單元、決策運(yùn)算單元和接收?qǐng)?zhí)行單元。信息采集單元選擇單目相機(jī)采集圖像信息，利用激光雷達(dá)測(cè)量AGV與目標(biāo)之間的實(shí)際距離，車身安裝超聲波傳感器防止碰撞和判斷是否完成插取動(dòng)作。運(yùn)算決策單元選擇工控機(jī)進(jìn)行圖像處理，同時(shí)接收激光雷達(dá)和超聲波傳感器的數(shù)據(jù)，制定適當(dāng)?shù)目刂撇呗裕刂艫GV運(yùn)動(dòng)和工作。接收?qǐng)?zhí)行單元接收運(yùn)算決策單元下發(fā)的控制指令，驅(qū)動(dòng)AGV運(yùn)動(dòng)完成工作，控制電路與驅(qū)動(dòng)電路之間選用繼電器做隔離輸出。

2.3 軟件結(jié)構(gòu)

為實(shí)現(xiàn)對(duì)AGV的完全控制保障測(cè)試安全，在完善自動(dòng)控制功能基礎(chǔ)上，保留手動(dòng)控制功能，輔助調(diào)試工作進(jìn)行。在實(shí)際工程應(yīng)用中除了編寫AGV的轉(zhuǎn)彎程序、加減速程序和高速運(yùn)行程序外，還需要編寫制動(dòng)程序、取放托盤工作程序和防碰撞安全程序[6,7]。

3 路徑規(guī)劃與目標(biāo)插取

3.1 目標(biāo)識(shí)別

本文所探討的基于深度學(xué)習(xí)的托盤的目標(biāo)識(shí)別是利用YOLOv5深度卷積神經(jīng)網(wǎng)絡(luò)模型，搭建基于PyTorch 深度學(xué)習(xí)框架下的多場(chǎng)景插盤目標(biāo)檢測(cè)實(shí)驗(yàn)環(huán)境，通過數(shù)據(jù)集制取，樣本標(biāo)注、模型訓(xùn)練、系統(tǒng)評(píng)估等步驟完成對(duì)復(fù)雜場(chǎng)景中的托盤目標(biāo)識(shí)別和坐標(biāo)定位。通過選取數(shù)據(jù)樣本對(duì)檢測(cè)模型進(jìn)行驗(yàn)證，并根據(jù)訓(xùn)練結(jié)果不斷改進(jìn)，引入一些適用于托盤識(shí)別的優(yōu)化方法和網(wǎng)絡(luò)結(jié)構(gòu)。

本文的圖像檢測(cè)部分利用YOLOv5深度學(xué)習(xí)目標(biāo)檢測(cè)算法對(duì)目標(biāo)進(jìn)行實(shí)時(shí)檢測(cè)識(shí)別,其中YOLOv5網(wǎng)絡(luò)模型結(jié)構(gòu)，主要由以下三個(gè)主要組件組成：1)Backbone：在不同圖像細(xì)粒度上聚合并形成圖像特征的卷積神經(jīng)網(wǎng)絡(luò)；2)Neck：一系列混合和組合圖像特征的網(wǎng)絡(luò)層，并將圖像特征傳遞到預(yù)測(cè)層；3)Head(檢測(cè))：對(duì)圖像特征進(jìn)行預(yù)測(cè)，生成邊界框和預(yù)測(cè)類別。

識(shí)別模型學(xué)習(xí)數(shù)據(jù)集為現(xiàn)場(chǎng)獲取的目標(biāo)圖像，數(shù)據(jù)集大小為1 500張，分辨率為1 280×720，數(shù)據(jù)集部分內(nèi)容如圖2所示。

圖2 目標(biāo)樣本數(shù)據(jù)集

實(shí)驗(yàn)采用Labelimg對(duì)圖像進(jìn)行標(biāo)注，對(duì)樣本數(shù)據(jù)集進(jìn)行分類，訓(xùn)練集、驗(yàn)證集和測(cè)試集按照0.8︰0.16︰0.04的比例進(jìn)行劃分。YOLOv5模型采用單階段檢測(cè)結(jié)構(gòu)，其主要分為五個(gè)階段：1)Input：圖像輸入端并且進(jìn)行了數(shù)據(jù)處理，進(jìn)行Mosaic、Cutout或矩陣訓(xùn)練操作；2)Backbone：提取出高中低層的特征，使用了CSP、Fcous、Leaky ReLU等；3)Neck：將各層次的特征進(jìn)行融合提取出大中小的特征圖；4)Head：進(jìn)行最終檢測(cè)部分，在特征圖上應(yīng)用錨定框，并生成帶有類概率、對(duì)象得分和包圍框的最終輸出向量；5)Loss：計(jì)算預(yù)測(cè)結(jié)果與Ground truth的Loss，反向傳播更新模型的參數(shù)。通過上述算法原理編寫目標(biāo)識(shí)別程序，對(duì)學(xué)習(xí)模型進(jìn)行訓(xùn)練，直到識(shí)別準(zhǔn)確率達(dá)到98 %后，將目標(biāo)識(shí)別程序封裝為模塊使用。

將實(shí)驗(yàn)用托盤放置于AGV前方，實(shí)地測(cè)試目標(biāo)識(shí)別準(zhǔn)確率，識(shí)別效果如圖3所示。經(jīng)過測(cè)試，實(shí)驗(yàn)?zāi)Ｐ湍軌驕?zhǔn)確地對(duì)復(fù)雜場(chǎng)景的托盤目標(biāo)進(jìn)行高精度的分類識(shí)別與定位，識(shí)別準(zhǔn)確率高于95 %，滿足實(shí)驗(yàn)測(cè)試要求，相機(jī)視線被遮擋失去目標(biāo)后，遮擋物離開視線過程中，工作目標(biāo)遮擋部分小于50 %時(shí)可以重新識(shí)別捕捉目標(biāo)，模型抗干擾性能強(qiáng)。

圖3 目標(biāo)識(shí)別效果

3.2 路徑規(guī)劃

當(dāng)上位機(jī)通過圖像信息識(shí)別到目標(biāo)時(shí)，AGV需要運(yùn)動(dòng)到目標(biāo)正前方1m固定位置，方便后續(xù)完成插取動(dòng)作，此時(shí)AGV與目標(biāo)位置之間的位置關(guān)系可以近似為一個(gè)直角三角形，運(yùn)動(dòng)路線有以下三種策略，如圖4所示[8,9]。當(dāng)目標(biāo)位于AGV正前方時(shí)，近似簡(jiǎn)化為三角形的一條直角邊。

圖4 路徑規(guī)劃示意

3.3 目標(biāo)插取

當(dāng)AGV行進(jìn)到理想插取位置時(shí)，視覺算法識(shí)別失去圖像信息，同時(shí)在實(shí)驗(yàn)過程中，由于AGV沒有與地面產(chǎn)生強(qiáng)關(guān)聯(lián)，因此,AGV的實(shí)際運(yùn)動(dòng)軌跡與理論計(jì)算軌跡會(huì)產(chǎn)生一定量的偏差，此時(shí)需要通過激光雷達(dá)精準(zhǔn)限位，完成近距離插取目標(biāo)工作[10,11]。

模糊邏輯控制簡(jiǎn)稱模糊控制，是以模糊集合論、模糊語(yǔ)言變量和模糊邏輯推理為基礎(chǔ)的一種計(jì)算機(jī)數(shù)字控制技術(shù)，具有較好的魯棒性、適應(yīng)性和容錯(cuò)性，在本控制系統(tǒng)設(shè)計(jì)中可以將復(fù)雜的控制算法轉(zhuǎn)化為簡(jiǎn)單的執(zhí)行指令，控制AGV運(yùn)動(dòng)[12,13]。

將超聲波傳感器測(cè)得的距離值與判斷是否完成插取的設(shè)定距離值進(jìn)行比較，達(dá)到設(shè)定距離值，L0指示燈亮起插取完成，反之指示燈L0不亮AGV繼續(xù)工作[14]。將激光雷達(dá)1和2測(cè)得的距離值進(jìn)行比較，1大于2時(shí)指示燈L1亮起，AGV左轉(zhuǎn)，反之L2亮起，AGV右轉(zhuǎn)，若1和2的差值小于設(shè)定要求值，則L1和L2熄滅，AGV直行，運(yùn)動(dòng)關(guān)系如表1所示。

表1 傳感器狀態(tài)與運(yùn)動(dòng)關(guān)系

4 實(shí)驗(yàn)結(jié)果與分析

4.1 遠(yuǎn)距離接近測(cè)試

以AGV前叉端點(diǎn)正對(duì)托盤孔洞中點(diǎn)為基點(diǎn)，AGV中軸線與托盤中軸線夾角等于0°作為基準(zhǔn)，評(píng)價(jià)AGV由原點(diǎn)位置運(yùn)動(dòng)到理想插取位置的誤差。選取前方4 m、右方3 m處，作為測(cè)試位置放置目標(biāo)，完成識(shí)別后，分別利用上述三種策略運(yùn)動(dòng)到理想插取位置，記錄重復(fù)100次的距離值偏差和角度值偏差，結(jié)果如圖5所示[15,16]。

圖5 距離和角度偏差

根據(jù)測(cè)試結(jié)果，通過計(jì)算不同策略的距離值偏差和角度值偏差的均值與方差，分析距二者之間的影響關(guān)系，由于運(yùn)動(dòng)過程受到控制策略和系統(tǒng)延遲影響，距離值和角度值的偏差均為正值，通過路徑1和路徑2運(yùn)動(dòng)到指定位置時(shí)，距離值和角度值的偏差較為離散相關(guān)性弱，通過路徑3運(yùn)動(dòng)時(shí)，偏差值相對(duì)收斂相關(guān)性強(qiáng)。同時(shí)在行進(jìn)過程中實(shí)時(shí)記錄運(yùn)動(dòng)速度值，通過積分計(jì)算距離值定位AGV位置，根據(jù)剩余行進(jìn)距離調(diào)整接近速度，提高控制精度。

4.2 近距離插取測(cè)試

在AGV運(yùn)動(dòng)到目標(biāo)正前方理想工作位置時(shí)，通過表1的控制方式，調(diào)整AGV完成插取工作，設(shè)置距離和角度的偏差值不同，記錄插取階段AGV調(diào)整的次數(shù)與完成調(diào)整所需時(shí)間，如表2所示。

表2 調(diào)整時(shí)間與預(yù)設(shè)偏差值關(guān)系

由表2分析偏差值與調(diào)整次數(shù)之間的關(guān)系，可以得到設(shè)置距離和角度的偏差值越小，調(diào)整次數(shù)越多;反之，調(diào)整次數(shù)減小。同時(shí)，調(diào)整次數(shù)與調(diào)整時(shí)間具有一定的正相關(guān)性，在滿足實(shí)驗(yàn)條件的前提下，選定距離角度的偏差值分別為3 cm和5°。

4.3 整體實(shí)驗(yàn)測(cè)試

放置目標(biāo)托盤在AGV前方4 m、右方3 m的位置，進(jìn)行整體實(shí)驗(yàn)。當(dāng)AGV進(jìn)入自動(dòng)工作狀態(tài)時(shí)首先進(jìn)入遠(yuǎn)距離識(shí)別階段，根據(jù)單目相機(jī)采集的圖像信息，通過目標(biāo)識(shí)別捕獲程序識(shí)別目標(biāo)托盤，然后控制AGV運(yùn)動(dòng)到理想插取位置，此時(shí)AGV位于托盤正前方1 m處位置，控制程序切換為近距離插取階段，在調(diào)整姿態(tài)正對(duì)托盤的過程中，修正距離值誤差，直到距離和角度參數(shù)值滿足誤差要求時(shí)直行完成插取。

記錄AGV插取目標(biāo)托盤時(shí)距離值和角度值的偏差，采取路徑1、路徑2和路徑3各自連續(xù)進(jìn)行50次重復(fù)實(shí)驗(yàn)，記錄實(shí)驗(yàn)結(jié)果，由小到大排序，分析所得到實(shí)驗(yàn)值與要求值的偏差程度，結(jié)果如圖6所示。

圖6 距離和角度誤差

由圖6可見，AGV在進(jìn)行一次完整的插取實(shí)驗(yàn)中，最終的橫向距離值誤差與角度值誤差在一定程度上正相關(guān)，距離偏差值越小，角度偏差值越小，距離偏差值越大，角度偏差值越大。由實(shí)驗(yàn)結(jié)果可見，實(shí)驗(yàn)要求的AGV距離值偏差范圍為±3 cm，角度偏差范圍為±5°，實(shí)驗(yàn)結(jié)果滿足要求，兼顧運(yùn)行時(shí)間和插取成功率，選取路徑3進(jìn)行實(shí)驗(yàn)時(shí)，距離和角度的偏差值較為收斂，保證了系統(tǒng)穩(wěn)定性。

5 結(jié) 論

針對(duì)叉車式AGV的運(yùn)動(dòng)特點(diǎn)和單目視覺導(dǎo)引的優(yōu)點(diǎn)，本文所設(shè)計(jì)的AGV控制系統(tǒng)，通過YOLOv5算法模型進(jìn)行目標(biāo)匹配識(shí)別，對(duì)傳感器數(shù)據(jù)進(jìn)行分析制定策略，利用模糊控制策略控制AGV運(yùn)動(dòng)，精準(zhǔn)高效完成工作任務(wù)[17]。通過定位距離值和角度值的偏差評(píng)價(jià)工作是否成功及其精準(zhǔn)度，未來應(yīng)該考慮目標(biāo)搭載貨物時(shí)的精確識(shí)別，如何更好地利用傳感器信息，優(yōu)化路徑規(guī)劃時(shí)的運(yùn)動(dòng)控制，以及控制系統(tǒng)的遲滯帶來的偏差如何修正，使其可以在實(shí)際的工程應(yīng)用中，適應(yīng)復(fù)雜的工作環(huán)境，高速高效完成工作任務(wù)[18]。