如何实现商品快速包装、运输已经成为工厂快速提高效益的首要考虑因素，通过机械化实现自主包装与运输已经成为工厂节约制造成本的一个重要途径。伴随着物联网行业的兴起，包装与物流行业将会是一个新的利润源泉，同时也引发了人们对高效货物运输工具的需求。AGV的英语全称是Automated GuidedVehicle,中文直译为自动导航车。智能移动机器人需要具备路径规划、目标导航以及SLAM的能力。SLAM难点问题不克服，路径规划及目标导航就难以精确实现。目前，研究者们解决了很多SLAM问题，但是这些问题绝大多数都是在假设的理想情况下进行的，以至于目前SLAM能在实际生活中应用的研究成果很少。
文中基于SURF+RANSAC改进的分区域加权算法，将采样图像均等划分为5个区域，并且这5个区域可以完全覆盖目标信息，分别获取各个区域的最优匹配对数，然后根据各自的匹配对数分别赋予各自权值，最终获取全局最优匹配对数，实现目标特征点的提取与匹配，经实验表明，较SIFT,SURF，SIFT+RANSAC和SURF+RANSAC4种传统算法，匹配效果和稳定性都有了极大提高。在完成匹配后通过放射变化提取关键特征点信息，获取目标形心坐标信息。最后基于立体重建实现目标定位与测距。最终根据目标形心坐标及目标距离双信息实现准确的定位。最后，通过自定义标识符实现AGV定点精确停靠，对现代化包装运输系统具有较强的实际应用意义。
1 AGV模型
1.1AGV运动学模型
根据马尔科夫链数学原理建立运动模型，此模型表示机器人当前系统状态取决于上一时刻的系统状态，并考虑了各种因素带来的系统误差。运动模型见式（1）。
此模型是理想模型。假设移动机器人车轮不出现侧滑现象，车轮横向速度始终保持为0。视觉机器人SLAM行进过程中，通过自身携带的摄像头采集周围环境的特征点信息，这些信息可以通过数学模型来准确表示出其位姿状态。建模过程中需要考虑各方面因素。例如移动机器人行动中会出现车轮侧向滑动，这将导致里程计和部分观测误差。考虑多种干扰因素的模型虽然复杂，但是可以更精确的表示出机器人运动特性，很好展现其线性和非线性特性。复杂计算也会带来一定问题，它会导致计算实时性受到影响。文中综合所有因素，提出将模型理想化，保持车辆一直低速运行，忽略车轮侧向滑动。由于车辆低速行驶，忽略干扰因素，使得行为方程简单，满足基本的SLAM研究要求。建立AGV模型，见图1。
暂无评论内容