0 引言

無人搬運車（Automated Guided Vehicle，AGV），也叫做自動導引運輸車，是指裝備有電磁或光學傳感器裝置，能夠沿規定好的路徑行駛，具有安全保護以及各種移載功能的運輸車。

傳統的工廠和倉庫中的貨物搬運需要大量人力，效率低下，容易出錯。貨物儲存位置、不同貨物大小和重量，對機器和人都是一種挑戰。

目前國內自動導引車普遍使用在地面上的標線對小車進行導航，或者在規定區域的地面，貼上標志圖形，其缺點在于需要在地面上鋪設大量標志線和圖形，其活動范圍受到限制，且標志線被污染容易造成導航精度降低甚至失效的后果。或者采用全局攝像頭定位小車在室內的位置，其缺點是定位精度差，成本高。

在AGV的相關技術研究中，導航技術是其核心技術，也是其實現真正的智能化和完全的自主移動的關鍵技術。導航研究的目標是在沒有人工干預的情況下使機器人有目的地移動并完成特定任務。而路徑軌跡計算又是導航的核心技術之一，只有知道了機器人自身移動的軌跡，才能完成導航任務。

本文利用機器視覺技術檢測地面，使用塊匹配算法計算AGV軌跡。其優點是無需在地面鋪設大量標志線和圖形，精度高，成本低。在運行較長軌跡后，只需用極少坐標作為誤差矯正即可完成AGV的長期導航任務。

1 直線行駛圖像匹配

圖像匹配是通過計算相似性度量來判斷圖像間的變換參數，從不同傳感器、不同方位、不同時間采集同一場景的2幅或多幅圖像，將其變換到同一坐標系下，并在像素層上實現最佳匹配的效果。圖像匹配的方法可以劃分為4類：基于灰度的匹配、基于模板的匹配、基于變換域的匹配和基于特征的匹配。

本文利用CCD拍攝地面，從地面的圖像的移動來判斷小車移動的距離，由于地面特征變化很多，特征有時明顯有時不明顯，所以采用基于模板的匹配的方法來計算小車移動的距離，簡單實用。

1.1 基于模板的匹配

基于模板的匹配是在圖像已知的重疊區域里選擇一塊矩形區域作為模板，與掃描被匹配圖像中同樣大小的區域進行對比，計算其相似性度量，確定最佳的匹配位置，所以此方法也被稱為塊匹配過程。其匹配過程包括4個步驟，如圖1所示。

圖1 基于模板的匹配算法流程圖

1.2 基于塊匹配過程

CCD攝像頭拍攝地面，以幀的方式傳輸到處理器中，圖2是相鄰2幀可能的相對位置情況。

圖2 相鄰2幀相對位置情況

如圖3所示，假設每2幀的圖像有部分重疊，重疊部分用陰影表示，此重疊區域即為塊匹配的基準模板，相鄰2幀重疊區域與前一幀圖像面積的比值定義為重疊系數β。

圖3相鄰2幀圖像重疊的位置情況

模板的大小和坐標定義如下：前一幀的坐標系是x - y，每一像素點的灰度值為f（x，y），后一幀的坐標系是X - Y，每一像素點的灰度值為g（X，Y），坐標系變換是x = X + ΔX，y = Y + ΔY。

重疊區域S的比對采用差值法，重疊區域相似性度量計算公式如下：

模板掃描策略從β ~ 1，每次掃描都會有一個A值，取所有A值中的最小值：min（A1，A2，A3，…）

此時的ΔX是AGV在2幀時間內行駛前進方向的路程，ΔY是AGV行駛方向的垂直方向的偏移。在時間t內前進方向行駛的距離為∑ΔX，垂直方向為∑ΔY。

1.3 CCD攝像頭與AGV移動速度關系

CCD攝像頭拍攝面積、傳輸幀數與AGV行駛速度之間的關系如下：

其中，v是AGV移動速度，β是重疊區域重疊系數，LONG是CCD攝像頭窗口拍攝矩形長度大小，COLUMN是CCD攝像頭分辨率列數，FPS是幀率。

1.4 拍攝條件

1）消除拖影。運動物體如果速度過快，在每一幀的圖像中會有拖影出現，所以在選擇CCD攝像頭時，最好選擇120 FPS的CCD攝像頭，快門速度>=1/50 s，小車行駛越快，需要快門速度越快。這樣可以有效消除拖影對算法的影響。

2）消除曝光瑕疵。照射地面的光線可能由于外在原因，導致不同幀的圖像的不同位置的光強度有變化對算法的結果有一定影響。所以需要在AGV底部增加主動光源，如圖4所示。

圖4 光源與CCD攝像頭位置示意圖

試驗選擇日常的瓷磚地面，瓷磚地面普遍比較光滑，顏色趨于一致。但是如果近距離用攝像頭拍攝，會發現瓷磚表面會有大小不一的孔洞，有光源照射時，與瓷磚背景形成鮮明對比，如圖5 ~ 圖6所示，CCD攝像頭鏡頭角度為30.4°，距離地面距離100mm。

圖5 光源以30°角照射地面

圖6 光源垂直照射地面

根據地面狀況不同，光源入射角度也不同，此試驗選擇光源垂直照射地面，使得特征孔洞與地面整體有更大的對比反差。

2 轉彎行駛圖像匹配

試驗使用的AGV是由2個無刷電機帶主動輪和一個萬向輪被動輪構成的樣車即小車，如圖7所示。

圖7 小車示意圖

CCD攝像頭安裝在小車下方，2個主動輪中心位置，向右轉彎時，小車右輪不動，左輪轉動，向左轉彎時，小車左輪不動，右輪轉動。

2.1 轉彎塊匹配算法

小車轉彎的過程也是CCD攝像頭繞固定輪旋轉的過程，以向左轉彎為例，示意圖如8所示。

圖8 相鄰2幀的位置

模板的大小和坐標定義如下：前一幀的坐標系是ρ - θ，每一像素點的灰度值為f（ρ，θ），后一幀的坐標系是r - φ，每一像素點的灰度值為g（r，φ），坐標系變換是φ = θ + Δθ，r = ρ + Δρ。在此采用極坐標系。

重疊區域S的比對采用差值法，重疊區域相似性度量計算公式如下：

板掃描策略從β ~ 1，每次掃描都會有一個B值，取所有B值中的最小值：min（B1，B2，B3，…）

此時的Δρ值是小車在2幀時間轉動瞬心的偏移，直角坐標系內的值是（Δρ × cosθ，Δρ × sinθ），Δθ是小車行轉彎時的瞬時轉角。在時間t內轉彎的偏移量為（∑Δρ × cosθ，∑Δρ × sinθ）和轉彎角度為∑Δθ。

3 試驗驗證和結果分析

3.1 其中2幀對比的計算結果

試驗用CCD攝像頭設定為320 x 240像素，β系數設定為0.9，用Matlab仿真，圖9為其中2幀掃描結果。

圖9 4個方向Matlab計算結果

分析從4個方向計算結果，在右上方有最小值，所以判斷第2幀圖像在第1幀圖像的右上方，將4個方向的計算結果合成在一個坐標系下，結果如圖10所示。

圖10 4個方向坐標系合成Matlab計算結果

由坐標系換算得到，第2幀圖像在第1幀圖像右上方，橫坐標偏離21個像素點，縱坐標偏離23個像素點。

3.2 小車直線行駛計算結果

試驗用CCD攝像頭設定為320 x 240像素，β系數設定為0.9，幀率120 FPS。小車直線向前行駛距離，其中約1 s的數據如圖11所示。

圖11 小車約1 s內行駛前方和側方每幀像素個數

小車在約1 s時間內，向右移動了206個像素點，向下方偏移了32個像素點。換算成距離約向前移動了34.9788 mm，偏移5.4336 mm。

使用基恩士激光位移傳感器（型號LK-G150，精度0.01 um）測量小車，將小車移動200 mm的距離，重復試驗30次。CCD攝像頭拍下的圖像，用基于塊匹配算法，實際計算結果如表1所示。

表1 小車直線行駛200mm時算法誤差

3.3 小車轉彎2幀對比結果

以左轉彎為例，圖12為小車左轉彎時，2幀圖像基于塊掃描的匹配結果。

圖12 小車左轉彎2幀圖像塊掃描結果

表2 小車左轉彎時的轉角計算誤差

使用精度為0.05°的陀螺儀芯片，使小車向左轉彎30°，CCD攝像頭拍下圖像，用基于塊匹配算法，四舍五入精度到小數點后一位。實際計算結果如表2所示。

經計算，計算值與實際值存在一定誤差，直線行駛，計算值的誤差率比較低，轉彎行駛誤差比較高，分析其原因如下：

1）直線行駛。

①實際移動不完全是像素點的整數倍，而算法中沒有考慮不是完整像素的情況。

②實際CCD攝像頭安裝位置和鏡頭角度導致攝像頭可照射范圍不是整數倍，本身鏡頭覆蓋面有一定誤差。

2）轉彎行駛。

①由于轉彎行駛是按照極坐標系來計算的，而像素點本身是直角坐標系，在相互轉換計算中，會有一定誤差。

②由于轉彎時會考慮轉動瞬息的移動情況，在算法消除瞬心移動時，也會造成一定誤差。

所以整體轉彎行駛的算法的誤差會比直線行駛誤差要大。

4 結束語

本文介紹了使用CCD攝像頭，根據地面圖像，配合本文提出的算法，可以用于平整地面AGV的軌跡計算。其優點是與全局攝像頭相比成本低，精度高。

與傳統方法相比，無需在地面鋪設大量標志線，適用范圍廣，AGV行駛更加自由。但本算法在長期運行時，其誤差的累積還是比較大。為此筆者將對以下幾種解決方法進行研究：

1）選取像素更低、曝光時間更短的CCD攝像頭來提高精度。

2）選擇2個或者3個CCD攝像頭，采用數據融合技術來降低誤差。

3）在地面鋪設少許RFID標簽，在導航路徑規劃時，行駛一定距離時，導航到RFID標簽范圍內，對其累積誤差進行校正。