基于貝塞爾軌跡的視覺導(dǎo)引AGV路徑跟蹤研究

劉海芹

（聊城大學(xué)東昌學(xué)院數(shù)學(xué)與信息工程系，山東聊城252000）

基于貝塞爾軌跡的視覺導(dǎo)引AGV路徑跟蹤研究

劉海芹

（聊城大學(xué)東昌學(xué)院數(shù)學(xué)與信息工程系，山東聊城252000）

為提高視覺導(dǎo)引自動導(dǎo)引車（automatic guided vehicle，AGV）路徑跟蹤精度，提出一種基于貝塞爾軌跡的精確路徑跟蹤算法。該算法首先將采集的多種路徑特征圖像進行預(yù)處理得到形狀信息，訓(xùn)練SVM多層路徑形狀特征分類器；然后根據(jù)命令，改變AGV采集到的分支路徑圖像的權(quán)重，迭代計算所選擇路徑的若干最小內(nèi)接圓；最后，利用最小二乘規(guī)則，將最小內(nèi)接圓的圓心擬合成貝塞爾軌跡，實現(xiàn)AGV的精確路徑跟蹤。將該算法應(yīng)用于視覺引導(dǎo)AGV中，并進行路徑特征的在線識別和軌跡跟蹤實驗。結(jié)果表明：路徑特征的識別準確率為99.7%以上，識別時間約為22ms，彎道軌跡跟蹤準確度為20mm和20°；與傳統(tǒng)方法相比，該方法顯著提高路徑特征識別和軌跡跟蹤的準確率，更能滿足工業(yè)現(xiàn)場需求。

視覺導(dǎo)引；自動導(dǎo)引車；貝塞爾軌跡；軌跡跟蹤；支持向量機

0 引言

自動導(dǎo)引車（automated guided vehicle，AGV）是自動化生產(chǎn)線、柔性制造、智能倉儲物流系統(tǒng)的關(guān)鍵設(shè)備之一[1-4]。其中，通過配置視覺測量系統(tǒng)的視覺導(dǎo)引AGV因其具備更高的導(dǎo)引精度和信息獲取能力，已在近年來獲得了更廣泛的工程應(yīng)用。

目前，視覺導(dǎo)引AGV一般使用RFID或其他標志物來識別不同種類的路徑[5-6]。為了改善柔性識別水平，喻俊等[7]使用支持向量機完成了對L型、T型和十字型的識別。但在工程上，L型導(dǎo)引路徑效率較低，不適用于圓弧等特征模糊的路徑識別。為了改善識別效率，張建鵬等[8]使用KPCA方法對路徑特征進行降維，并通過神經(jīng)網(wǎng)絡(luò)法對降維的路徑特征進行識別。然而，實際上，降維后的路徑識別率較低。高國琴等[9]使用K-means算法識別溫室移動機器人的路徑，但是在多分支路徑的識別問題上，其魯棒性較差。

為了提高視覺導(dǎo)引AGV對不同種類路徑的軌跡跟蹤精度，本文提出一種基于貝塞爾軌跡的精確路徑跟蹤方法。首先，利用AGV視覺系統(tǒng)采集6類路徑的訓(xùn)練樣本，預(yù)處理后得到形狀信息，訓(xùn)練CART決策樹SVM路徑分類器；其次，創(chuàng)建兩個線程，一個用于路徑的在線識別和跟蹤，另一個用來在線訓(xùn)練SVM分類器。然后，AGV根據(jù)命令需要選擇不同的動作時，改變需要選擇的路徑的權(quán)重，迭代計算所選擇路徑的所有最小內(nèi)接圓。因為貝塞爾曲線具有連續(xù)及光滑等良好的幾何屬性，使用貝塞爾曲線規(guī)劃AGV的導(dǎo)引軌跡能夠滿足曲率連續(xù)和最大曲率限制的約束，可以保證AGV滿足運動學(xué)約束、為了滿足運動學(xué)約束、初始狀態(tài)約束、目標狀態(tài)約束以及曲率連續(xù)約束，可以在AGV跟蹤多分支路徑時，實時優(yōu)化平滑軌跡，可以提高AGV工作的穩(wěn)定性，以及降低不確定延時[10-11]。所以在最小二乘規(guī)則的基礎(chǔ)上，將最小內(nèi)接圓的圓心擬合為一條貝塞爾軌跡，通過運動控制算法實現(xiàn)AGV的準確軌跡跟蹤。最后通過自制的視覺引導(dǎo)AGV驗證了本文算法的有效性。

1 貝塞爾軌跡跟蹤流程

首先，采集不同種類路徑作為訓(xùn)練樣本，預(yù)處理后使用SURF算法提取路徑特征，將特征樣本聚類后，訓(xùn)練多層SVM路徑分類器，如圖1中虛線所示。初始化路徑特征識別器，為其分配兩個線程，分別負責(zé)在線訓(xùn)練分類器和在線識別路徑。

其次，在視覺導(dǎo)引AGV的工作過程中，使用CCD相機實時采集的圖像，利用Canny算法提取在線采集到的路徑圖像形狀特征，利用多線程技術(shù)，使用訓(xùn)練好的多層SVM分類器進行路徑種類識別的同時，使用在線圖像保持多層SVM路徑特征分類器在線訓(xùn)練，如圖1中實線所示。

圖1 視覺導(dǎo)引流程

最后，根據(jù)路徑的種類通過指令選擇不同的動作，提高所選擇的路徑權(quán)重，離散得到若干最小內(nèi)接圓的重心。利用貝塞爾曲線將最小內(nèi)接正方形的重心擬合為一條最小二乘誤差的貝塞爾軌跡，進行運動控制。

2 路徑圖像特征識別

2.1 路徑圖像預(yù)處理

工業(yè)現(xiàn)場中，曲線轉(zhuǎn)彎比直角轉(zhuǎn)彎具有更高的工作效率，針對常見的視覺導(dǎo)引路徑，將直線路徑歸納為2類：直線和十字工位，將曲線多分支路徑歸納為4類：直-左、直-右、左-右和左-直-右，分別如圖2所示。

因為黑色和白色的對比度較高，所以在白色地面上使用黑色膠帶鋪設(shè)6種不同的路徑。為不同類別的路徑設(shè)置不同的索引，根據(jù)不同類別路徑的特征復(fù)雜程度，直線和十字工位結(jié)構(gòu)簡單均采集80組樣本，其余4種路徑結(jié)構(gòu)較為復(fù)雜，分別采集100，100，120，120組樣本數(shù)據(jù)，如表1所示。

圖26 種類別路徑

表16 種路徑索引及樣本數(shù)

相機在獲取目標圖像時，由于光敏元件的顆粒性，以及圖像傳感器存在分辨率降低和定量的問題，圖像將會存在噪聲。因此，首先使用15×15模板，對得到的二值路徑特征圖像進行一次腐蝕運算，消除毛刺，平滑圖像輪廓；再使用10×10模板，對平滑后的圖像進行一次膨脹運算，填充細小孔洞，完成預(yù)處理。

2.2 路徑特征提取

常用的圖像特征提取方法有SIFT[12]和SURF[13]，但是通常都比較耗時，實時性較差。而且本文歸納的6類路徑特征模型主要為形狀上的差異，所以本文提取經(jīng)過預(yù)處理的路徑圖像的形狀特征，通過多層SVM路徑特征分類器進行識別。

在腐蝕和膨脹操作的基礎(chǔ)上，檢測路徑圖像邊緣，提取形狀特征。本文選用Canny算法進行邊緣檢測，只要指定合適的雙閾值，Canny算法就可以生成高質(zhì)量的輪廓。分析路徑圖像的灰度直方圖，如圖3所示。

路徑灰度圖像是明顯的雙峰直方圖的圖像，使用雙峰的灰度值作為Canny算法的雙閾值通常可以得到比較好的邊緣檢測效果。所以選用一個10×10的圓形模板，從兩端迭代至谷底檢測灰度直方圖的雙峰為

圖3 雙峰灰度直方圖

式中ui為路徑圖像灰度為i的像素個數(shù)，ul和uh分別為雙峰低閾值和高閾值，將得到的雙峰灰度值帶入Canny算法：

得到圖4所示的路徑輪廓圖像。

圖46 類路徑形狀特征

提取表1中路徑圖像訓(xùn)練樣本的路徑形狀特征，訓(xùn)練多層SVM分類器，用作路徑種類識別。

2.3 基于SVM的路徑特征識別

為了提高路徑特征的識別精度，本文選用CART決策樹實現(xiàn)SVM多分類；同時，為了避免過擬合，采用悲觀剪枝策略，當(dāng)子樹的誤判個數(shù)大于對應(yīng)葉子節(jié)點的誤判個數(shù)一個標準差后，就決定剪枝，即：

其中：

E（substree）和var（substree）為該樹的誤判次數(shù)均值和標準差。

E（leaf）為葉子節(jié)點的誤判次數(shù)均值。將路徑特征相似度歸一化，得到如圖5所示的路徑種類匹配結(jié)果。

圖5 路徑種類匹配結(jié)果

圖中橫軸為路徑種類，不同顏色的折線為測試的路徑種類，可見，SVM分類器可以實現(xiàn)對路徑形狀的正確識別。

3 貝塞爾軌跡精確路徑跟蹤

當(dāng)工業(yè)攝相機采集到多分支路徑時，根據(jù)指令選取其中一只路徑進行跟蹤。路徑的自動選取可以通過改變不同分支路徑的權(quán)重來實現(xiàn)，如圖6所示。

圖6 分支路徑權(quán)重模型

以LHR類型路徑為例，將路徑形狀圖像分為3部分：分支路徑、權(quán)重細分和直線路徑，分支路徑和權(quán)重細分部分L、H和R分支的權(quán)重分別為wl、wh、wr，直線路徑部分權(quán)重均為w，路徑權(quán)重計算公式為

根據(jù)指令，將3個分支權(quán)重值的其中兩個置位0，可以得到AGV需要跟蹤的軌跡。為了提高路徑跟蹤的精度，將權(quán)重軌跡擬合成一條可以反映AGV位姿偏差的直線，對權(quán)重軌跡進行迭代求取最小內(nèi)接圓。為了保證轉(zhuǎn)向機構(gòu)可行，滿足速度連續(xù)約束、加速度連續(xù)約束、加速度有界約束以及目標狀態(tài)側(cè)滑約束，采用由2個參數(shù)確定的三階貝塞爾曲線規(guī)劃出曲率變化最小的軌跡。根據(jù)最小二乘規(guī)則，計算另外2個控制點，將若干最小內(nèi)接圓的圓心擬合成一條三階貝塞爾曲線，為AGV提供糾偏信息。三階貝塞爾曲線公式如下：

式中Pk為三階貝塞爾曲線的4個控制點，在路徑圖像與圖像窗口的交線上，如圖6中所示P0～P3，已知最小二乘規(guī)則為

式中：f（xˉi）——擬合三階貝塞爾曲線；

yi——最小內(nèi)接圓圓心。

根據(jù)最小二乘規(guī)則迭代得到P1和P2使Δ最小，分別得到LHR路徑L、H和R方向的軌跡如圖7所示。

圖7 最小二乘貝塞爾軌跡

圖中紅色、綠色、和藍色的線分別代表L、H和R方向的軌跡。

4 實驗驗證與分析

圖8 自研AGV實物

為了驗證基于決策樹SVM的識別方法對視覺導(dǎo)引AGV導(dǎo)引路徑的識別能力，研制了一臺差速轉(zhuǎn)向式AGV，如圖8所示。

該AGV驅(qū)動輪位于后橋，工業(yè)攝相機安裝在前橋上方，使工業(yè)攝相機在得到路徑特征后，車載控制系統(tǒng)有足夠的時間對其進行分類，提高AGV在路徑選擇上的魯棒性。另外，將本文的基于決策樹SVM路徑形狀識別方法分別與文獻[7]和文獻[8]的識別方法進行了比對研究；同樣，分別使用文獻[7]和文獻[8]中方法對表1中的樣本進行訓(xùn)練，得到訓(xùn)練后的對比測試數(shù)據(jù)，如表2所示。

由于直線和十字工位的特征比較明顯，所以分別經(jīng)過80個樣本訓(xùn)練后，已經(jīng)可以達到100%的識別率。LH和HR與LR和LHR特征存在類似的關(guān)系，且由于AGV車體的傾斜，工業(yè)攝相機存在曲線漏采集的情況，所以識別率約為95%。LR和LHR特征不僅與LH和HR特征相似，二者之間也存在著相似關(guān)系，且在采集圖像的過程中，容易將這兩種特征截斷成其他特征，識別率僅為91.67%。但識別時間為27 ms，低于文獻[7]的51 ms，遠低于文獻[8]的97 ms；同時，識別率高于文獻[7]的73.4%和文獻[8]的85.9%。

表2 特征識別結(jié)果對比

使分類器保持在線訓(xùn)練1h，得到各算法的識別時間和識別準確率，如圖9所示。

圖9 在線訓(xùn)練結(jié)果

可以看出，AGV自主運行15 min后，路徑的識別率達98%，識別時間降低為22 ms；當(dāng)AGV自主運行50 min后，路徑的識別率達99.73%，識別時間小于21ms，進一步降低識別時間；當(dāng)AGV自主運行1 h后，路徑的識別率接近100%，識別時間在23ms左右。而文獻[8]的方法雖然實時性較好，但其魯棒性較差，文獻[9]的方法實時性較差。因此，本文方法更滿足工業(yè)現(xiàn)場的測試要求。

以圖7中的LHR類型路徑為例，驗證本文基于貝塞爾軌跡的AGV精確路徑跟蹤方法，得到如圖10所示L、H、R分支的橫向和航向軌跡跟蹤偏差數(shù)據(jù)。

圖10（a）、圖10（b）、圖10（c）分別代表AGV在進入LHR類型路徑后，分別選擇L、H、R分支的軌跡跟蹤精度，整個AGV的轉(zhuǎn)向過程約為100幀。由圖10可知，AGV在選擇H路徑進行跟蹤時，精度最高，橫向偏差可達±4mm，航向偏差僅為±2°。當(dāng)選擇L或R路徑進行跟蹤時，隨著AGV進入彎道，車體相對導(dǎo)引軌跡的偏差增大，跟蹤精度降低，這很大程度上是因為擬合貝塞爾軌跡，并進行位姿糾偏時造成的偏差。由于AGV的工業(yè)攝像機位于前橋，當(dāng)AGV采集到分支路徑，進行權(quán)重細分，擬合貝塞爾軌跡時，其車體中心仍在直線路徑上，相當(dāng)于輸入了一個AGV位姿偏差的階躍信號，同時由于AGV的驅(qū)動輪和工業(yè)攝像機均不在車體中心，會增加AGV位姿糾偏輸出量的幅度，降低位姿偏差消除快速性與穩(wěn)定性。所以當(dāng)AGV進行L或R路徑跟蹤時最大跟蹤橫向偏差絕對值約為20 mm，航向偏差絕對值約為20°。

圖10 LHR型路徑跟蹤精度曲線

5 結(jié)束語

1）為提高AGV對不同種類路徑的識別精度，提出了一種基于SVM的路徑特征形狀的識別方法。在線訓(xùn)練1h以后識別準確率接近100%，識別時間接近20ms，顯著的提升了路徑識別的準確率和識別時間。

2）針對分支路徑的軌跡跟蹤問題，提出了基于分支軌跡最小內(nèi)接圓擬合貝塞爾軌跡的方法，有效的提高了AGV的軌跡跟蹤精度。L、R路徑的跟蹤精度絕對值可以達到20 mm、20°，H路徑的跟蹤精度絕對值可以達到4mm和2°，滿足工業(yè)現(xiàn)場的需求。

3）由于自制的AGV工作速度為0.3m/s，采集到的路徑圖像或樣本數(shù)據(jù)模糊程度均不嚴重，當(dāng)AGV運行速度過快時可能會影響路徑識別精度。因此，下一步工作希望AGV在較高速度下工作時也可以保證軌跡的識別和跟蹤精度。

[1]張建鵬，樓佩煌，錢曉明，等.多窗口實時測距的視覺導(dǎo)引AGV精確定位技術(shù)研究[J].儀器儀表學(xué)報，2016，37（6）：1356-1363.

[2]陳無畏，孫海濤，李碧春，等.基于標識線導(dǎo)航的自動導(dǎo)引車跟蹤控制[J].機械工程學(xué)報，2006，42（8）：164-170.

[3]朱從民，黃玉美，上官望義，等.AGV多傳感器導(dǎo)航系統(tǒng)研究[J].儀器儀表學(xué)報，2008，29（11）：2419-2423.

[4]DRAGANJAC I，MIKLIC D，KOVACIC Z，et al.Decentralized control of multi-AGV systems in autonomous warehousing applications[J].IEEE Transactions on Autom ation Science&Engineering，2016，13（4）：1433-1447.

[5]LU S，XU C，ZHONG R Y.An active RFID tagenabledlocatingapproachwithmultipatheffect elimination in AGV[J].IEEE Transactions on Automation Science&Engineering，2016，13（3）：1-10.

[6]周家瑋，張光新，蔡晉輝，等.用于自動導(dǎo)引車輛的數(shù)字工位實時識別系統(tǒng)設(shè)計[J].江南大學(xué)學(xué)報（自然科學(xué)版），2008，7（2）：141-145.

[7]喻俊，樓佩煌，武星，等.基于粗糙集和分層支持向量機的AGV多分支路徑識別[J].南京航空航天大學(xué)學(xué)報（社科版），2013，45（1）：62-69.

[8]武星，沈偉良，樓佩煌，等.視覺導(dǎo)引AGV魯棒特征識別與精確路徑跟蹤研究[J].農(nóng)業(yè)機械學(xué)報，2016，47（7）：48-56.

[9]高國琴，李明.基于K-means算法的溫室移動機器人導(dǎo)航路徑識別[J].農(nóng)業(yè)工程學(xué)報，2014，30（7）：25-33.

[10]陳成，何玉慶，卜春光，等.基于四階貝塞爾曲線的無人車可行軌跡規(guī)劃[J].自動化學(xué)報，2015，41（3）：486-496.

[11]余伶俐，龍子威，周開軍.基于貝塞爾曲線的機器人非時間軌跡跟蹤方法[J].儀器儀表學(xué)報，2016，37（7）：1564-1572.

[12]劉佳，傅衛(wèi)平，王雯，等.基于改進SIFT算法的圖像匹配[J].儀器儀表學(xué)報，2013，34（5）：1107-1112.

[13]BAY H，ESS A，TUYTELAARS T，et al.Speeded-Up robust features[J].Computer Vision&Image Understanding，2008，110（3）：404-417.

（編輯：劉楊）

Research on path tracking of visual navigation AGV based on Bessel trajectory

LIU Haiqin
（Department of Mathematics and Information Engineering，Dongchang College of Liaocheng University，Liaocheng 252000，China）

To increase path tracking accuracy of visual navigation AGV（automatic guided vehicle），a precise path tracking algorithm based on Bessel trajectory is proposed.Firstly，the algorithm will pre-process the collected feature images of various paths to obtain shape information，and train the SVM multi-path shape feature classifier，and then change the weight of the branch paths of the collected images and iteratively calculate the minimum inscribed circles of the selected paths according to the order.Finally，based on the least squares rule，the centre of the minimum inscribed circle will be fitted into the Bessel trajectory to realizing the precise path tracking of AGV.The algorithm was applied in visual navigation AGV and on-line recognition and trajectory tracking test of path features were carried out and the results shown that the recognition accuracy of path features is up to 99.7%，and the recognition time is about 22 ms，curve trajectory tracking accuracy is 20 mm and 20°.Comparing with the traditional method，the method can improve the accuracy rate of path recognition and path tracking，which meets industrial field applications.

visual navigation；AGV；Bessel trajectory；path tracking；SVM

A

1674-5124（2017）08-0113-06

2017-04-05；

2017-05-10

劉海芹（1979-），女，山東聊城市人，講師，碩士，研究方向為機器視覺、計算機網(wǎng)絡(luò)與安全、計算機軟件與應(yīng)用。

10.11857/j.issn.1674-5124.2017.08.023