0 引 言
自动导引车（automated guided vehicle，AGV）是自动化生产线、柔性制造、智能仓储物流系统的关键设备之一[1-4]。其中，通过配置视觉测量系统的视觉导引 AGV 因其具备更高的导引精度和信息获取能力，已在近年来获得了更广泛的工程应用。
目前，视觉导引 AGV 一般使用 RFID 或其他标志物来识别不同种类的路径[5-6]。 为了改善柔性识别水平，喻俊等[7]使用支持向量机完成 了对 L 型 、T型和十字型的识别。 但在工程上，L 型导引路径效率较低，不适用于圆弧等特征模糊的路径识别。 为了改善识别效率，张建鹏等[8]使用 KPCA 方法对路径特征进行降维，并通过神经网络法对降维的路径特征进行识别。然而，实际上，降维后的路径识别率较低。高国琴等[9]使用 K-means 算法识别温室移动机器人的路径，但是在多分支路径的识别问题上，其鲁棒性较差。
为了提高视觉导引 AGV 对不同种类路径的轨迹跟踪精度，本文提出一种基于贝塞尔轨迹的精确路径跟踪方法。 首先，利用 AGV 视觉系统采集 6 类路径的训练样本，预处理后得到形状信息，训练 CART决策树 SVM 路径分类器；其次，创建两个线程，一个用于路径的在线识别和跟踪，另一个用来在线训练SVM 分类器。 然后，AGV 根据命令需要选择不同的动作时，改变需要选择的路径的权重，迭代计算所选择路径的所有最小内接圆。 因为贝塞尔曲线具有连续及光滑等良好的几何属性，使用贝塞尔曲线规划 AGV 的导引轨迹能够满足曲率连续和最大曲率限制的约束，可以保证 AGV 满足运动学约束、为了满足运动学约束、初始状态约束、目标状态约束以及曲率连续约束，可以在 AGV 跟踪多分支路径时，实时优化平滑轨迹，可以提高 AGV 工作的稳定性，以及降低不确定延时[10-11]。所以在最小二乘规则的基础上，将最小内接圆的圆心拟合为一条贝塞尔轨迹， 通过运动控制算法实现 AGV 的准确轨迹跟踪。 最后通过自制的视觉引导 AGV 验证了本文算法的有效性。
1 贝塞尔轨迹跟踪流程
首先，采集不同种类路径作为训练样本，预处理后使用 SURF 算法提取路径特征，将特征样本聚类后，训练多层 SVM 路径分类器，如图 1 中虚线所示。初始化路径特征识别器，为其分配两个线程，分别负责在线训练分类器和在线识别路径。
其次，在视觉导引 AGV 的工作过程中，使用 CCD相机实时采集的图像，利用 Canny 算法提取在线采集到的路径图像形状特征，利用多线程技术，使用训
图1 视觉导引流程
练好的多层 SVM 分类器进行路径种类识别的同时，使用在线图像保持多层 SVM 路径特征分类器在线训练，如图 1 中实线所示。
最后，根据路径的种类通过指令选择不同的动作，提高所选择的路径权重，离散得到若干最小内接圆的重心。 利用贝塞尔曲线将最小内接正方形的重心拟合为一条最小二乘误差的贝塞尔轨迹，进行运动控制。
2 路径图像特征识别
2.1 路径图像预处理
工业现场中，曲线转弯比直角转弯具有更高的工作效率，针对常见的视觉导引路径，将直线路径归纳为 2 类：直线和十字工位，将曲线多分支路径归纳为 4 类：直-左、直-右、左-右和左-直-右，分别如图 2 所示。
因为黑色和白色的对比度较高，所以在白色地面上使用黑色胶带铺设 6 种不同的路径。 为不同类别的路径设置不同的索引，根据不同类别路径的特征复杂程度，直线和十字工位结构简单均采集 80 组样本，其余 4 种路径结构较为复杂，分别采集100，100，120，120 组样本数据，如表 1 所示。
暂无评论内容