一种改进二维码视觉精定位AGV技术研究

1 引言

自动引导车(Automated guided vehicle,AGV)作为一种典型的非完整约束型机器人,在工业和物流业中用于组建高效、快捷的物流系统。但是,在AGV运行过程中,定位精度差,一直制约其在许多工业环境下的应用。目前AGV常用的导航和引导方式有多种,如:磁导引、色带导引、激光导航、GPS导航、惯性导航以及二维码标签导航等。不同的导航、引导方式有不同的技术指标及应用场合。其中,磁导引方式]是目前一种比较成熟的引导方式,优点是技术成本低,但功能简单、定位精度低,定位精度只能保证士20mm,并且路径固定,后期更新难度大;文献[4]采用激光导引AGV,虽然定位精度能达到士5mm,但其技术成本较高,信号处理难度大;文献[5]指出视觉导引AGV兼顾低成本、高精度,有很好的发展前景。但是,文献[6]指出视觉引导AGV定位精度一般为士10mm,精度远达不到一些场合的应用,如何进一步提高其定位精度,是突破视觉导引AGV应用推广瓶颈的关键所在。

依据文献[7],目前AGV视觉定位策略单一、精度低、实时性低以及缺乏后期修正等不足。传统的惯性导航法,由于在匀速下失控及轮子的侧滑差积累的存在,其定位精度往往很难进一步提高。文献[8]采用了一种基于惯性导航和视觉里程计的定位算法,实现视觉辅助定位,克服惯性导航的不足,但是仍然无法实现后期AGV的位置修正;文献[9]采用机器人定位与创建地图(SLAM)同步进行,实现了大场景下AGV的定位,但在定位点处缺乏精定位策略。文献[10]采用自定义定位标识符法,在地面铺设停车标识,系统识别停车标志符后,即根据直线运动公式计算AGV停车距离,直至距离为0,但后期缺少视觉信息反馈,不具备停车纠偏能力。文献[11]提出一中3窗口实时测距的视觉导引AGV,通过椭圆标识符把AGV运行速度逐级降低直至停车,但是停车之后仍然缺乏视觉反馈,无法实现后期AGV位姿修正。

针对以上情况,本文提出一种改进二维码视觉精定位方法。利用每帧图像尺寸不变特性,建立基于图片尺寸大小的坐标系模型,并在保留QR码特性的基础上,对其进行边框处理使其利于后期轮廓的提取;然后通过提取矩形轮廓的两个角的坐标计算出矩形区域的中心点坐标。

之后,通过旋转坐标系,使得矩形区域坐标系与采样图像坐标系重合,对比2个中心点的坐标计算出偏移距离。最后,对提取的矩形区域以中心点为旋转基准,获得AGV的纠偏角度。最终把测量得到的信息反馈给运动控制系统,执行修正操作,实现AGV精定位。对于有特殊精度的场合,可以设置偏差阀值,进行多次精定位直至达到阀值以下。

2 视觉精定位模型

2.1 机械结构模型

本文采用的视觉导航AGV硬件结构,如图1所示。

一种改进二维码视觉精定位AGV技术研究

通过运动控制系统协调控制4个轮毂电机,实现AGV的任意方向自由移动,并且在车身上装有顶升机构,采用步进电机单独驱动。视觉采样处理采用单独的安卓智能终端处理,并将数据反馈给运动控制系统,安装于AGV的中心底部,可以有效避免由于AGV旋转产生的偏差。

2.2 视觉处理模型

视觉定位安卓终端安装在AGV地板中心下面,距离地面高度21cm。由于当前帧图像坐标系相对于提取的矩形坐标系旋转了90°,所以需要对图像做旋转变换,如下式所示:

一种改进二维码视觉精定位AGV技术研究

①位移处理模型

位移视觉处理模型,如图2所示。

一种改进二维码视觉精定位AGV技术研究

统一坐标系后,通过getWidth()和getHeight)类分别获得当前帧图像的尺寸Qimg=Qx×Qy,可得图像中心点坐标为

一种改进二维码视觉精定位AGV技术研究

最后,通过边缘检测提取二维码的矩形轮廓(8个坐标点),通过P1、P4或P2、P3即可计算出矩形区域的中心点坐标Po(xo,yo),如式(2)所示:

一种改进二维码视觉精定位AGV技术研究

然后根据式(3)求出偏心距

一种改进二维码视觉精定位AGV技术研究

AGV的位移纠偏移动方向,如图3所:

一种改进二维码视觉精定位AGV技术研究

根据S1、S2值的正负可以实现AGV的4个方向自由纠偏运动,从而避免对另外2个边距的冗余计算。

②旋转纠偏模型

旋转处理模型,如图4所示。

一种改进二维码视觉精定位AGV技术研究

在提取的矩形轮廓中可以很容易定位8点坐标,通过对角点或边的中点可以得到整个区域的中心点坐标,最后以中心点为旋转参考点,旋转纠正。设Po(xo,yo)为轮廓中心点坐标,P24(x24,y24)为待纠正矩形一边的中点坐标,P’24(x34,y34)为纠正后矩形一边的中心点坐标,通过3点可得到一个等腰三角形(如图4所示)。其中,Po、P24两点坐标已经获得,P’34点坐标可以通过式(4)计算获得:

一种改进二维码视觉精定位AGV技术研究

为了便于计算,分别取A,B,C对应于P’24,P24,P0这3点,对应边长度分别设为a,b,c。由式(4)可知,a=b=hCB,因此只需求c的长度,便可以通过余弦定理获得旋转偏角。如式(5)、(6)所示:

一种改进二维码视觉精定位AGV技术研究

最后通过反余弦变换求得偏转角a,旋转纠偏方向,如图5所示。

一种改进二维码视觉精定位AGV技术研究

取水平方向为0°方向,当偏差角度为正则顺时针旋转AGV纠偏,反之逆时针旋转AGV。

3 QR码预处理

3.1 QR码原理

QR二维码(Quick Response Code,QRC)符号由正方形模块构成,组成一个大的正义形阵列,它由编码区域(Encoding Region,ER)和功能图形(Function Pattern,FP)组成。其中,功能图形包含寻像图形、分隔符、定位图形和校正图形等,功能图形不能用于数据编码。符号的四周由空白区包围。如图6所示。

一种改进二维码视觉精定位AGV技术研究

本文采用QR二维码技术,将AGV的运行轨迹及位置信息存储在QR码中,可以实现货物的标定及轨迹的追踪,提高自动化程度。相对其他QR码定位方法,本方法不但可以实现快速定位还可以实现辅助纠偏功能。

高速二维码的识别对摄像头的采样帧率、曝光时间等都有要求。由于安装在AGV车身下面,距地面高度为h=21cm,实测其视野边长为Wcam=9.4cm,根据实验效果取QR码大小为Wqr=3.4cm,AGV运行速度Wagv=0.3m/s。AGV在运行过程中,能完整读取二维码时间为:

一种改进二维码视觉精定位AGV技术研究

为了保证AGV旋转过程中QR码标识符位于采样视野内以及运行中识别的稳定性、快速性,本方法将手机安装于AGV的底板中心下方,使摄像头光心与AGV旋转中心重合,并且在摄像头周围安装LED补光灯,克服光线变化的影响。

4 定位标识边缘检测

4.1 二维码轮廓处理

为了凸显二维码的轮廓,采用在原二维码基础上加入矩形外轮廓,中心与二维码重合。改进后的二维码更利于轮廓的提取,如图7所示。
一种改进二维码视觉精定位AGV技术研究

图(a)为未处理的二维码,图(b)为本文使用的二维码。可以看出,没有加边框的二维码中的位置探测图形很容易被误检测,检测效果很差;而本文使用的边框处理后的二维码则很容易被检测到,显著提高了边缘检测的正确识别率。

4.2 CANY边缘检测

Canny边缘检测算法是1986年有John F.Canny开发出来一种基于图像梯度计算的边缘检测算法,同时Canny本人对计算图像边缘提取学科的发展也是做出了很多贡献。尽管至今已过去多年,但是该算法仍然是图像边缘检测方法经典算法之一。所以本文采用Canny边缘检测法。

经典的Canny边缘检测算法通常都是从高斯模糊开始,到基于双阈值实现边缘连接结束。但是在实际工程应用中,考虑到输入图像都是彩色图像,最终边缘连接之后的图像要二值化输出显示,所以完整的Canny边缘检测算法实现步骤如下:

①彩色图像转换为灰度图像。

②对图像进行高斯模糊。

采用高斯函数构造滤波器,对图像去噪平滑处理,如式(8)所示。

一种改进二维码视觉精定位AGV技术研究

式中,σ为标准差,然后分别用高斯一阶x和y偏导数对采样图片卷积得到Ix(x,y)和Iy(x,y)。

③计算图像梯度,根据梯度计算图像边缘幅值与角度。

利用Ix(x,y)和Iy(x,y)计算梯度幅值M(x,y)及梯度方向θ(x,y),如式(9)、(10)所示:
一种改进二维码视觉精定位AGV技术研究

④非最大信号压制处理(边缘细化)。

为了精确定位边缘,必须细化梯度幅值图像M(x,y)中的屋脊带,只保留幅值局部变化最大的点。采用3×3窗口作抑制运算,包含8方向的邻域对梯度幅值阵列M(x,y)的所有像素沿梯度方向进行梯度幅值的插值。在每一个点上,邻域的中心像素m(x,y)与沿梯度方向的2个梯度幅值的插值结果进行比较,Y(x,y)是像素邻域中心处沿着梯度方向的扇形区域,非极大值抑制在此区域进行。如果邻域中心点的幅值m(x,y)不比梯度方向上的2个插值结果大,则将m(x,y)对应的边缘标志位赋值为0,这一过程把M(x,y)宽屋脊带细化为一个像素宽,并且保留了屋脊的梯度幅值。非极大值抑制(non-maxima suppression,NMS)过程的数学表示为:

一种改进二维码视觉精定位AGV技术研究

⑤双阈值边缘连接处理。

双阈值算法是对经过非极大值抑制和梯度直方图分类的子图像N(x,y)分别使用高、低2个阈值fh和fl,分割得到2个阀值边缘图像Th(x,y)和Tl(x,y)。由于图像Th(x,y)是由高阀值得到,因此它应该不含有假边缘,但Th(x,y)可能在轮廓上有间断。因此双阈值算法要在Th(x,y)中把边缘连接成轮廓,当达到轮廓端点时,该算法就在由低阀值得到的边缘图像Tl(x,y)的8邻域位置寻找可以连接到轮廓上的边缘,这样,利用递归跟踪的算法不断地在Tl(x,y)中搜集边缘,直到将Th(x,y)中所有的间隙都连接起来为止。

5 实验结果与分析

实验采用自主研发的基于激光雷达+视觉引导的AGV实验平台,如图8所示。
一种改进二维码视觉精定位AGV技术研究

视觉系统采用安卓智能终端小米5,作为图像处理平台。安卓端通过USB与主控芯片STM32F407通信,反馈位置及角度的纠偏信息。实验环境为工厂的地坪漆地面,采用黑白二维码作为标识符,采样分辨率为1280×984。

首先,计算得到采样图像中心点的坐标O(492,640)作为整个视觉定位的标定点及旋转参考点,相机安装高度21cm,相对地面的二维码扫描框为9.4cm,全景采样尺寸为13.6×22.4cm,所以在成功识别二维码后,可以确保整个定位标识符在采样框内。

实验过程中,给定AGV运行速度为0.3m/s,当识别到二维码后AGV立即停止移动,提取标识符边框,通过式(2)和(3)计算出偏心距,然后根据像素与毫米之间的转换因子γ=5.88dpi/mm转换为偏移距离,最后提取旋转角a,反馈给运动控制系统,依次进行位移和角度的纠正。

为验证该方法的有效性,验证AGV视觉引导AGV的定位精度,连续在同一定位点停靠200次。

AGV的定位误差,即200次定位误差,如图9所示。

一种改进二维码视觉精定位AGV技术研究

图(a)为X方向偏差,图(b)为Y方向上偏差,图(c)为角度偏差。可以看出x和y方向偏差在±1mm,角度偏差在±1°。

6 结论

本文提出了自定义标识符的单二维码精定位方法,该方法首先利用采样图片尺寸不变特性建参考坐标系模型,然后提取改进后二维码的边框,提取8个关键坐标点,通过任意2点计算出二维码区域的中心坐标点,最后与参考坐标系中点比对,获得位移偏移量并转换为mm,同时会对提取的矩形区域做旋转操作获得以矩形中心为参考点的旋转修正角度,完成AGV位姿的精定位。实验结果表明AGV的定位精度稳定在±1mm,显著提高AGV视觉定位精度。

一种改进二维码视觉精定位AGV技术研究-AGV吧
一种改进二维码视觉精定位AGV技术研究
此内容为付费资源,请付费后查看
20积分
付费资源
© 版权声明
THE END
喜欢就支持一下吧
点赞14赞赏 分享
评论 抢沙发

请登录后发表评论

    暂无评论内容