摘 要：AGV系統(tǒng)作為一種典型的復(fù)雜產(chǎn)品，具有開發(fā)周期長(zhǎng)、定制成本高、售后服務(wù)需求性高等特點(diǎn)。AGV系統(tǒng)通常在工業(yè)領(lǐng)域運(yùn)輸元器件生產(chǎn)的任務(wù)中表現(xiàn)良好，可以通過系統(tǒng)內(nèi)部的定位導(dǎo)航實(shí)現(xiàn)運(yùn)輸任務(wù)的全自動(dòng)進(jìn)行。但是，傳統(tǒng)AGV系統(tǒng)只能在固定線路上運(yùn)行而且缺乏靈活性。針對(duì)這一問題，提出了一種基于邊緣檢測(cè)的自適應(yīng)AGV系統(tǒng)。系統(tǒng)基于圖像邊緣檢測(cè)等原理進(jìn)行道路路徑的自適應(yīng)檢測(cè)，同時(shí)結(jié)合霍夫直線變換方法，提高了AGV系統(tǒng)的魯棒性和自適應(yīng)性，實(shí)現(xiàn)了系統(tǒng)的高效協(xié)同與聯(lián)動(dòng)，有力地推動(dòng)了AGV系統(tǒng)轉(zhuǎn)型升級(jí)。

關(guān)鍵詞：圖像處理；運(yùn)行一體化；邊緣檢測(cè)；AGV系統(tǒng)；自適應(yīng)檢測(cè)；霍夫直線變換

中圖分類號(hào)：TP751；F407.67 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2095-1302（2025）03-0-05

0 引 言

在現(xiàn)代工業(yè)發(fā)展過程中，人力成本逐漸成為一個(gè)重要的考量因素。隨著制造業(yè)工人數(shù)量的減少，大型工廠正不斷尋求替代傳統(tǒng)人力工作的無(wú)人操作機(jī)器系統(tǒng)，以實(shí)現(xiàn)工廠的正常運(yùn)行并降低人力成本，從而提高企業(yè)的經(jīng)濟(jì)效益。為此，本文旨在研究一種基于邊緣檢測(cè)的自適應(yīng)自動(dòng)導(dǎo)引車（Automated Guided Vehicle， AGV）系統(tǒng)[1]，以實(shí)現(xiàn)在上述工業(yè)環(huán)境中應(yīng)用。

本文旨在設(shè)計(jì)和開發(fā)一種基于邊緣檢測(cè)的自適應(yīng)AGV系統(tǒng)。該系統(tǒng)能夠利用攝像頭模塊實(shí)時(shí)感知和識(shí)別周圍環(huán)境，并基于這些信息做出智能決策和操作。通過采用邊緣檢測(cè)技術(shù)，該系統(tǒng)能夠快速準(zhǔn)確地識(shí)別和分析工業(yè)環(huán)境中的邊緣特征，從而實(shí)現(xiàn)精確的導(dǎo)航和避障。期望通過本文的研究，為工業(yè)環(huán)境中的自適應(yīng)AGV系統(tǒng)的設(shè)計(jì)和開發(fā)提供有益的指導(dǎo)和啟示。該系統(tǒng)的成功應(yīng)用將為工業(yè)生產(chǎn)帶來(lái)許多好處，包括提高生產(chǎn)效率、降低人力成本、增強(qiáng)安全性和減少人為錯(cuò)誤等方面。

1 工業(yè)領(lǐng)域AGV系統(tǒng)現(xiàn)狀分析

目前，在傳統(tǒng)的AGV系統(tǒng)中，無(wú)人車的導(dǎo)航技術(shù)通常包括電磁感應(yīng)技術(shù)、激光檢測(cè)技術(shù)、光學(xué)檢測(cè)技術(shù)、超聲檢測(cè)技術(shù)、慣性導(dǎo)航技術(shù)、圖像識(shí)別技術(shù)和坐標(biāo)檢測(cè)技術(shù)[2-3]等。這些技術(shù)的應(yīng)用使AGV系統(tǒng)在現(xiàn)代經(jīng)濟(jì)社會(huì)各行各業(yè)的工廠流水線無(wú)人駕駛搬運(yùn)作業(yè)中得到廣泛使用。然而，傳統(tǒng)AGV系統(tǒng)在實(shí)際工業(yè)環(huán)境中仍存在很多問題。

1.1 需要固定的設(shè)備安全運(yùn)行路線

在傳統(tǒng)的AGV系統(tǒng)中，通常采用電磁感應(yīng)技術(shù)、激光檢測(cè)技術(shù)和光學(xué)檢測(cè)技術(shù)等方法來(lái)實(shí)現(xiàn)導(dǎo)航控制。這些方法需要在地面上鋪設(shè)參照物或設(shè)置固定路線，以提供導(dǎo)航的參考或限制無(wú)人車的運(yùn)動(dòng)范圍。然而，這種方法因缺乏靈活性和適應(yīng)性，在適應(yīng)不同路線和環(huán)境方面存在一定的限制。

1.2 建設(shè)初期開發(fā)成本較高

目前，工業(yè)領(lǐng)域的AGV系統(tǒng)建設(shè)通常需要較高的開發(fā)成本，AGV需要具備自主導(dǎo)航、環(huán)境感知、路徑規(guī)劃、避障等復(fù)雜的技術(shù)能力。為了實(shí)現(xiàn)這些功能，需要進(jìn)行大量的技術(shù)研發(fā)和創(chuàng)新工作，包括傳感器技術(shù)、導(dǎo)航算法、機(jī)器學(xué)習(xí)等方面的研究。這些研發(fā)工作需要投入大量的時(shí)間、人力和資源，從而增加了開發(fā)成本。

1.3 不同的企業(yè)對(duì)AGV的需求不同

不同行業(yè)和企業(yè)對(duì)AGV的需求可能存在差異，需要滿足特定的工作場(chǎng)景和功能要求。這就要求開發(fā)團(tuán)隊(duì)在設(shè)計(jì)和制造過程中充分考慮客戶的個(gè)性化需求，進(jìn)行定制化開發(fā)。定制化開發(fā)通常需要投入更多的資源和成本，從而增加了總體的開發(fā)成本。針對(duì)不同行業(yè)的需求，AGV系統(tǒng)的設(shè)計(jì)和功能可以進(jìn)行定制化調(diào)整。例如，在制造業(yè)中，AGV系統(tǒng)可能需要具備高精度定位和自動(dòng)化搬運(yùn)能力，以適應(yīng)生產(chǎn)線的物料運(yùn)輸需求。而在醫(yī)療行業(yè)，AGV系統(tǒng)可能需要具備特殊的衛(wèi)生要求和安全性能，以滿足醫(yī)院內(nèi)部的藥品和設(shè)備運(yùn)送需求。

2 自適應(yīng)AGV系統(tǒng)硬件設(shè)計(jì)

對(duì)于自適應(yīng)的AGV系統(tǒng)，本文使用一種3輪的無(wú)人車模型。其中后輪為有刷電機(jī)的驅(qū)動(dòng)輪，前輪為自由控制的萬(wàn)向輪。在轉(zhuǎn)向時(shí)使用前輪轉(zhuǎn)動(dòng)配合后輪差速轉(zhuǎn)動(dòng)實(shí)現(xiàn)快速響應(yīng)，靈活準(zhǔn)確的轉(zhuǎn)向功能適用于在工廠內(nèi)繁雜地形的行駛狀態(tài)。在硬件控制方面，本文使用基于PID算法控制的增量式PID和位置式PID進(jìn)行速度方向控制。軟件控制系統(tǒng)使用攝像頭采集圖像并進(jìn)行邊緣檢測(cè)后得到道路邊緣，再對(duì)邊緣進(jìn)行霍夫直線擬合，提取并計(jì)算出位置偏差，從而確?？刂葡到y(tǒng)能夠穩(wěn)定運(yùn)行。

如圖1所示，本系統(tǒng)中后輪電機(jī)使用H橋電路系統(tǒng)控制。H橋電路系統(tǒng)具有雙向控制能力、高效能力、調(diào)速和調(diào)節(jié)功能，以及可靠性和安全性。

如圖2所示，本系統(tǒng)使用灰度攝像頭進(jìn)行灰度圖像采集，并通過圖像識(shí)別AGV系統(tǒng)的行駛狀態(tài)。

無(wú)人車使用MT9V032攝像頭，該攝像頭適合高速下的圖像采集，其具有全局快門、高動(dòng)態(tài)性能、可自動(dòng)曝光等優(yōu)點(diǎn)。

3 自適應(yīng)AGV系統(tǒng)的PID設(shè)計(jì)

在工業(yè)無(wú)人車領(lǐng)域中，PID控制器是一種通過比例（P）、積分（I）及微分（D）算法進(jìn)行控制的PID調(diào)節(jié)器[4]。常規(guī)的PID系統(tǒng)原理如圖3所示。

本系統(tǒng)由PID控制器和被控對(duì)象組成[5]，根據(jù)給定值r和輸出值v相減構(gòu)成偏差值e，可得：

e（t）=r（t）-y（t） （1）

根據(jù)比例P、積分I、微分D的偏差線性組合構(gòu)成的控制函數(shù)，對(duì)被控對(duì)象進(jìn)行操作。因此常規(guī)的PID理想方程模型為：

（2）

式中：KP、TI、TD分別為PID控制器的比例系數(shù)、積分時(shí)間常數(shù)和微分時(shí)間常數(shù)。

在實(shí)際運(yùn)用中，計(jì)算機(jī)的控制是一種離散的采樣控制。理想的PID方程中的積分、微分可以用數(shù)學(xué)采樣逼近，以實(shí)現(xiàn)數(shù)字PID的控制，當(dāng)采樣周期T足夠時(shí)，這種計(jì)算方法具有理想的精確度[6]。

在工程應(yīng)用中，PID的控制器可以分為2種，即位置式PID和增量式PID。

對(duì)于位置式PID，其理想方程模型為：

（3）

式中：k為采樣序列號(hào)，k=0， 1， 2， ...；uk為第k次采樣時(shí)刻的計(jì)算機(jī)輸出值；ek為第k次采樣時(shí)刻的輸入偏差值；KI為積分系數(shù)，KI=KP；KD為微分系數(shù)，KD=KP；u0為進(jìn)行PID

控制時(shí)的計(jì)算機(jī)輸出值。

對(duì)于增量式PID，其理想方程模型為：

（4）

式（3）減去式（4）得到：

Δuk=KP（ek-ek-1）+KIek+KD（ek-2ek-1+ek-2） " =KPΔek+KIek+KD（Δek-Δek-1） " （5）

Δek=ek-ek-1 （6）

對(duì)式（5）進(jìn)行整理、化簡(jiǎn)得到：

（7）

增量式PID控制是基于控制量的變化率進(jìn)行調(diào)節(jié)的。在電機(jī)控制中，增量式PID可以更好地應(yīng)對(duì)快速變化的控制需求。電機(jī)通常需要根據(jù)速度或加速度的變化來(lái)調(diào)整輸出，以控制電機(jī)的轉(zhuǎn)速、位置或力矩。增量式PID控制在這方面具有優(yōu)勢(shì)，因?yàn)樗梢灾苯訉?duì)控制量的變化進(jìn)行響應(yīng)，無(wú)需對(duì)目標(biāo)值進(jìn)行積分和微分運(yùn)算[7]。

位置式PID控制是基于控制量與目標(biāo)值之間的誤差進(jìn)行調(diào)節(jié)的。在舵機(jī)控制中，位置式PID常常被使用，因?yàn)槎鏅C(jī)通常需要將輸出位置精確地調(diào)整到目標(biāo)位置。位置式PID控制通過計(jì)算位置誤差，并對(duì)誤差進(jìn)行積分和微分運(yùn)算，來(lái)調(diào)整輸出并實(shí)現(xiàn)精確的位置控制。

因此，在本文使用的3輪AGV系統(tǒng)中，后輪電機(jī)使用增量式PID控制速度。

4 自適應(yīng)AGV系統(tǒng)的導(dǎo)航設(shè)計(jì)

4.1 基于Canny邊緣檢測(cè)的AGV系統(tǒng)圖像處理

Canny邊緣檢測(cè)在AGV系統(tǒng)中得到了較好的應(yīng)用。AGV系統(tǒng)是自動(dòng)引導(dǎo)車系統(tǒng)，用于在工業(yè)和物流環(huán)境中完成自主導(dǎo)航和搬運(yùn)任務(wù)。邊緣檢測(cè)是AGV系統(tǒng)中的關(guān)鍵技術(shù)之一，用于識(shí)別和提取圖像中的物體邊緣信息。

Canny邊緣檢測(cè)算法是一種經(jīng)典的邊緣檢測(cè)方法[8]，其優(yōu)點(diǎn)在于能夠有效地檢測(cè)出圖像中的邊緣，并具有較低的誤檢率。在AGV系統(tǒng)中，Canny邊緣檢測(cè)可以應(yīng)用于環(huán)境感知和障礙物檢測(cè)。通過對(duì)AGV攝像頭獲取的圖像進(jìn)行Canny邊緣檢測(cè)，可以提取出物體的邊緣輪廓，從而實(shí)現(xiàn)對(duì)環(huán)境中障礙物的檢測(cè)和識(shí)別[9]。

利用Canny邊緣檢測(cè)，AGV系統(tǒng)可以實(shí)現(xiàn)精確的環(huán)境感知和路徑規(guī)劃。通過分析邊緣信息，AGV系統(tǒng)可以確定可行駛區(qū)域和障礙物位置，從而規(guī)劃出安全且有效的路徑。這使得AGV系統(tǒng)能夠在復(fù)雜和動(dòng)態(tài)的環(huán)境中進(jìn)行自主導(dǎo)航，避開障礙物并完成任務(wù)。本系統(tǒng)基于Canny邊緣檢測(cè)進(jìn)行圖像處理的流程如圖4所示。其中，中值濾波是使用像素周圍鄰域內(nèi)的中值來(lái)替換每個(gè)像素的值，從而實(shí)現(xiàn)圖像的平滑，有效去除椒鹽噪聲，進(jìn)而提高Canny邊緣檢測(cè)的準(zhǔn)確率[9]。高斯濾波使用高斯函數(shù)作為權(quán)重來(lái)計(jì)算鄰域內(nèi)每個(gè)像素的貢獻(xiàn)，高斯函數(shù)以及計(jì)算方程為：

" （8）

式中：G（x， y）表示在一個(gè)n*n的卷積核中點(diǎn)（x， y）的最終閾值；I（x， y）表示卷積核中點(diǎn)（x， y）的原始閾值；H（x， y）表示高斯函數(shù)在卷積核中的權(quán)重。

使用Sobel算子計(jì)算圖像梯度的方向和幅值：

（9）

式中：GX、GY為Sobel算子在x、y方向的卷積核。

（10）

幅值為：

（11）

方向?yàn)椋?/p>

（12）

對(duì)幅值使用非極大值抑制：遍歷圖像中的每個(gè)像素點(diǎn)；對(duì)于每個(gè)像素點(diǎn)，根據(jù)其梯度方向確定其相鄰兩個(gè)像素的位置，并計(jì)算其沿著梯度方向的兩個(gè)相鄰點(diǎn)的插值梯度值；然后，比較當(dāng)前像素的梯度值與其相鄰兩個(gè)插值點(diǎn)的梯度值。如果當(dāng)前像素的梯度值最大，則將其保留，否則對(duì)其進(jìn)行抑制[10]。

使用雙閾值篩選和鏈接邊緣：根據(jù)兩個(gè)閾值T1、T2（T1lt;T2），即高閾值和低閾值，對(duì)梯度圖像進(jìn)行閾值處理，將梯度值高于高閾值的像素標(biāo)記為強(qiáng)邊緣，低于低閾值的像素標(biāo)記為非邊緣。介于高閾值和低閾值之間的像素被標(biāo)記為弱邊緣。接下來(lái)，通過連接強(qiáng)邊緣像素周圍的弱邊緣像素，形成連續(xù)的邊緣線段或曲線。常用的連接方法依賴于邊緣像素的空間鄰近性和像素強(qiáng)度相似性。這種連接的結(jié)果是一條或多條連接的邊緣，形成更完整和連續(xù)的邊緣線段。

Canny邊緣檢測(cè)的過程比較嚴(yán)謹(jǐn)完善，綜合考慮了各種指標(biāo)，是應(yīng)用比較廣泛的一種邊緣檢測(cè)算法。Canny邊緣檢測(cè)的輪廓圖示例如圖5所示。

圖5（a）所示為原始灰度圖像，圖5（b）為邊緣檢測(cè)處理后的邊緣二值化圖像，中間直線為期望行駛路線。由圖5可知，Canny邊緣檢測(cè)最終會(huì)得到一張包含邊緣信息的黑白圖像。其中，邊緣部分為行車線道路的特征。本自適應(yīng)AGV系統(tǒng)依靠此圖像在安全路線上準(zhǔn)確行駛[11]。

4.2 AGV系統(tǒng)自適應(yīng)處理道路邊緣圖像

通過對(duì)圖像的道路邊緣的計(jì)算可以發(fā)現(xiàn)，道路由左右2個(gè)邊緣組成。從離攝像頭最近的道路邊緣區(qū)域開始提取左右道路邊界，為自適應(yīng)無(wú)人車系統(tǒng)計(jì)算出準(zhǔn)確的期望行駛路線以及當(dāng)前行駛狀態(tài)下的偏差值[12]。

AGV系統(tǒng)的期望行駛路線可由如下方程計(jì)算得到：

（13）

式中：xe為第n行的期望路線點(diǎn)；xl、xr為第n行的左右邊界點(diǎn)；h為圖像寬度；hmin為圖像寬度精度的截止行。

自適應(yīng)AGV系統(tǒng)的偏差值由如下方程計(jì)算得到：

（14）

式中：err為偏差值圖像每一行偏差值的和；xmid為圖像行中點(diǎn)。

當(dāng)errgt;0時(shí)， 自適應(yīng)AGV系統(tǒng)存在右偏差，需要往左回正。當(dāng)errlt;0時(shí)， 自適應(yīng)AGV系統(tǒng)存在左偏差，需要往右回正。

配合PID的控制，可以實(shí)現(xiàn)對(duì)偏差值的負(fù)反饋流程，如圖6所示。其中，k1為后輪期望速度偏差值的比例系數(shù)。

4.3 AGV系統(tǒng)的自適應(yīng)期望路線

由圖5可知，通過左右邊界計(jì)算得到的期望行駛路線存在不平滑、輕微鋸齒狀的狀態(tài)，會(huì)導(dǎo)致最終計(jì)算的偏差值出現(xiàn)不連續(xù)，從而使系統(tǒng)出現(xiàn)超調(diào)量過大的現(xiàn)象。因此，無(wú)人車系統(tǒng)需要對(duì)計(jì)算出的期望行駛路線進(jìn)行霍夫變換直線擬合，最終達(dá)到連續(xù)分布的曲線，實(shí)現(xiàn)更加平滑的控制效果[13]。

霍夫變換直線擬合的數(shù)學(xué)模型如下：

ρ=xicosθ+yisinθ " （15）

式中：ρ表示直線到原點(diǎn)的距離；θ表示直線的垂線與x軸的夾角。

在霍夫空間中，每個(gè)點(diǎn)表示一條直線。點(diǎn)在霍夫空間中的位置由直線的ρ和θ參數(shù)決定。

對(duì)于每個(gè)邊緣點(diǎn)，根據(jù)ρ和θ的取值范圍，計(jì)算其對(duì)應(yīng)的ρ和θ，并且在累加器數(shù)組中相應(yīng)位置的計(jì)數(shù)增加。在累加器數(shù)組中找到峰值，這些峰值對(duì)應(yīng)于圖像中出現(xiàn)頻率較高的直線。由此可以獲得檢測(cè)到的直線的參數(shù)。

如圖7所示，霍夫變換可以很精確地?cái)M合出行車的期望路線，從圖7（b）中可以看到行車線邊緣相對(duì)平滑。

5 AGV系統(tǒng)的實(shí)車實(shí)驗(yàn)分析

5.1 實(shí)驗(yàn)環(huán)境

測(cè)試環(huán)境如圖8所示。該測(cè)試環(huán)境深灰色為背景，淺灰色為無(wú)人車行駛道路，可根據(jù)實(shí)際情況變化。

5.2 實(shí)驗(yàn)結(jié)果

在本次實(shí)驗(yàn)過程中，該AGV系統(tǒng)在不同的情景下有不同的反應(yīng)。

5.2.1 無(wú)人車駛出道路

當(dāng)無(wú)人車駛出道路時(shí)，該AGV系統(tǒng)會(huì)自動(dòng)檢測(cè)道路偏差值，并及時(shí)回正，防止脫出既定行駛路線，如圖9所示。

5.2.2 道路存在障礙并阻礙無(wú)人車通行

如圖10所示，當(dāng)?shù)缆反嬖谡系K物并阻礙無(wú)人車通行時(shí)，該系統(tǒng)在檢測(cè)到障礙后會(huì)通過報(bào)警提示或者繞行來(lái)越過此路障。

當(dāng)無(wú)人車行駛的道路前方存在障礙物（如圖10（a）所示）時(shí)，無(wú)人車的Canny邊緣檢測(cè)得到邊緣區(qū)域明顯出現(xiàn)截?cái)嗟默F(xiàn)象（如圖10（b）所示），由此可以判斷前方是否存在障礙物。

5.2.3 系統(tǒng)正常行駛

為了保證實(shí)驗(yàn)的安全性和有效性，本次實(shí)驗(yàn)通過設(shè)置不同速度、道路中設(shè)置一處路障進(jìn)行自適應(yīng)AGV系統(tǒng)的實(shí)際測(cè)試。每次實(shí)驗(yàn)從同一起點(diǎn)出發(fā)，障礙物設(shè)置也是同樣的情況，便于進(jìn)行分析比較。實(shí)驗(yàn)數(shù)據(jù)見表1，這里只考慮數(shù)值大小。

由表1可知，在期望速度v≤2 cm/s時(shí)，該AGV系統(tǒng)的穩(wěn)定性較高，能夠滿足工業(yè)AGV系統(tǒng)的基本速度需求。

6 結(jié) 語(yǔ)

針對(duì)現(xiàn)有AGV系統(tǒng)在工業(yè)領(lǐng)域的局限性，本文設(shè)計(jì)了一種基于邊緣檢測(cè)的自適應(yīng)AGV系統(tǒng)控制方法，其中主要的創(chuàng)新點(diǎn)如下：

（1）該算法既能自主對(duì)道路進(jìn)行安全性評(píng)估，又能對(duì)無(wú)人車系統(tǒng)在道路的不同位置進(jìn)行動(dòng)態(tài)自適應(yīng)調(diào)整，從而達(dá)到穩(wěn)定高速運(yùn)行的效果[14-15]。

（2）為了驗(yàn)證所提出算法的有效性和魯棒性，本文對(duì)實(shí)際的工業(yè)環(huán)境無(wú)人車行駛道路進(jìn)行了實(shí)驗(yàn)測(cè)試。通過對(duì)設(shè)置的3種不同場(chǎng)景、5種不同速度進(jìn)行分析發(fā)現(xiàn)，本文的無(wú)人車系統(tǒng)的穩(wěn)定性較高，且在不同的異常場(chǎng)景下能夠快速做出不同反應(yīng)，具有一定程度的魯棒性，能夠滿足工業(yè)無(wú)人車的基本需求[16]。

注：本文通訊作者為陳建國(guó)。

參考文獻(xiàn)

[1]廖凌俊.基于超寬帶的AGV室內(nèi)無(wú)線定位系統(tǒng)研究[D].深圳：深圳大學(xué)，2018.

[2]李海賓.基于視覺導(dǎo)引的AGV控制系統(tǒng)研究[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2010.

[3]高銀萍.基于數(shù)字孿生的自動(dòng)化集裝箱碼頭堆場(chǎng)資源優(yōu)化[D].上海：上海海事大學(xué)，2022.

[4]葉政. PID控制器參數(shù)整定方法研究及其應(yīng)用[D].北京：北京郵電大學(xué)，2016.

[5]方磊.模糊PID控制在船用舵機(jī)電液伺服單元中的應(yīng)用[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2007.

[6]蘇志遠(yuǎn).面向高速高加速度運(yùn)動(dòng)伺服系統(tǒng)的自尋優(yōu)模糊控制研究[D].合肥：合肥工業(yè)大學(xué)，2007.

[7]李慧偉.自適應(yīng)控制在供水系統(tǒng)中的應(yīng)用研究[J].科技風(fēng)，2015（15）：59.

[8]許瑤，劉曉峰.基于改進(jìn)RRT算法的無(wú)人車路徑規(guī)劃研究與測(cè)試[J].國(guó)外電子測(cè)量技術(shù)，2023，42（8）：132-138.

[9]屈獻(xiàn)超.基于雙目立體視覺的三維人臉點(diǎn)云種子點(diǎn)獲取[D].長(zhǎng)春：吉林大學(xué)，2009.

[10]陳皓燃.基于視覺的低速無(wú)人車導(dǎo)航與控制[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2021.

[11]袁靜.煤礦巡檢機(jī)器人自主建圖與導(dǎo)航技術(shù)研究[D].阜新：遼寧工程技術(shù)大學(xué)，2021.

[12]杜明芳.基于視覺的自主車道路環(huán)境理解技術(shù)研究[D].北京：北京理工大學(xué)，2015.

[13]曾帥.基于深度學(xué)習(xí)的零件識(shí)別系統(tǒng)設(shè)計(jì)與研究[D].上海：上海師范大學(xué)，2020.

[14]王林波.基于手眼視覺的合作目標(biāo)特征點(diǎn)精確定位算法研究[D].長(zhǎng)春：中國(guó)科學(xué)院研究生院（長(zhǎng)春光學(xué)精密機(jī)械與物理研究所），2014.

[15]劉圓圓.基于雙目立體視覺的冷軋不銹帶鋼表面相似缺陷識(shí)別研究[D].太原：太原理工大學(xué).

[16]吳永剛，梁華為.基于自適應(yīng)模型預(yù)測(cè)的無(wú)人車跟蹤控制方法研究[J].制造業(yè)自動(dòng)化，2023，45（2）：198-202.