基于樹莓派4B的智能物流小車

閆 悅，蔣祝鵬

（北京信息科技大學，北京 100029）

1 引言

在物流行業，AGV （Automated Guided Vehicle）小車成為制造業產業升級或變革的重要工具。用 AGV 小車替代人工運輸，實現物流自動化，是當下眾多企業提高經濟效益，提升競爭力的重要策略。研究可進行抓取作業的搭載機械手臂的智能小車，具有一定的實用性。但是 AGV小車還存在諸多問題，比如在到達指定區域后需要人工輸入相關數據才能執行相關操作，必須通過巡線導航方式等才能到達目的地，只具有普通搬運功能而機械臂還未能普及等。

隨著網絡購物的快速發展，物流行業也受到了新的挑戰。每天有數以千萬件的貨物需要進行搬運處理，若是采取人工的方式，不僅效率極低，而且極其容易產生差錯，雇傭人力進行快遞分揀對物流公司來說是一項不小的開支，對公司的運營會產生很大的影響。因此，設計一款能準確識別貨物、快速運輸貨物的智能物流小車，降低人工成本、提高運輸效率，對物流公司乃至整個物流行業來說都具有重要意義。為解決原有物流小車存在的問題，同時滿足當下物流行業超高吞吐量的需求，設計了一個基于樹莓派 4B 的智能物流小車，通過目標識別算法高效準確的判斷周圍環境狀態，合理規劃運輸路線，并自動識別需要搬運的貨物，同時進行準確抓取，將其運輸到指定位置，使物流行業快速實現效益的提升。

2 系統結構設計

所設計的系統結構如圖1所示，該系統主要由樹莓派 4B 控制主板、HC-SR04 超聲波模塊、三線光隔離傳感器、MG60S 舵機、Raspberry Pi Camera 圖像識別傳感器、1∶48強磁抗干擾碳刷電機、紅外光電反射傳感器模塊以及小車底盤等組成。由18650電池和擴展板上的穩壓器產生穩定的直流電源給其他模塊供電，車身周邊以及攝像頭支架上的 HC-SR04 超聲波測距模塊檢測車身周邊的環境，然后把采集到的信息送入到控制模塊樹莓派 4B，樹莓派 4B 根據這些信息控制電機的轉動狀態，從而控制小車運動的方向和速度。通過 Raspberry Pi Camera 圖像識別傳感器檢測環境中是否存在目標物體，將檢測到的數據傳送回樹莓派4B，主板會根據這些信息通過3.5 mm音頻輸出接口輸出語音提示，通過無源蜂鳴器輸出聲音提示，控制 MG60S 舵機進行機械提示，控制機械臂完成相應抓取、置放操作。在車身前側的 HC-SR04 超聲波測距模塊檢測到障礙物信息后傳送回樹莓派 4B，樹莓派 4B 控制電機停止后，控制MG60S 舵機旋轉掃除裝置，將障礙物掃除。算法流程如圖2所示。

圖 1 系統結構設計圖

圖 2 算法流程圖

3 硬件電路設計

3.1 超聲波模塊

超聲波模塊是控制小車與管道之間距離的關鍵，小車與管道之間距離過大或過小，都會導致漏檢的現象出現。該模塊主要由兩個通用的壓電陶瓷超聲傳感器和外圍信號處理電路構成。兩個超聲傳感器，一個用于發出超聲波信號，一個用于接受反射回來的超聲波信號。同時，由于發出信號和接受信號都比較微弱，故需要通過外圍信號放大器來提高發出信號的功率，同時將反射回來的信號進行放大，以便于能夠更加穩定地將信號傳輸給樹莓派 4B主板。

該模塊共有4個引腳，VCC 和 GND 接 5V 電源，Trig為控制端，用于控制發出超聲波信號，Echo 為接收端，用于接收反射回來的超聲波信號。該模塊工作流程為：

1）樹莓派 GPIO 口觸發 Trig 測距，發出一個 10us 以上的高電平信號；

2）模塊自動發送8個40 kHz 的方波，自動檢測是否有信號返回；

3）若有信號返回，則通過 GPIO 輸出一高電平，并通過定時器計算高電平持續的時間。

計算公式為

式中，

L

為測試的距離，

T

為高電平的時間，340（M/S）為聲速，因聲波經歷了兩段測試距離，所以需要除以2。

3.2 樹莓派 4B 主板

樹莓派 4B 的內存升級到了4 GB，引入了 USB 3.0，支持雙屏 4K 輸出，CPU 和 GPU 的速度也更快。

樹莓派 4B 可以通過WIFI直接連接，也可以通過千兆網線端口與電腦進行通信，所以在日常調試過程中一般不需要連線，非常方便。在樹莓派上有40個 Pin，共有26個可編程 GPIO 口，可以連接各類傳感器。通過測試表明，樹莓派 4B 的運算速度和準確度等性能指標完全能夠滿足智能避障巡管小車系統的要求。5個 HC-SR04 模塊分別占據0～10號 GPIO 口，七段共陽數碼管占據11～18號 GPIO口，三線光電開關占據19號 GPIO 口，紅外避障模塊占據20號 GPIO 口，MG60S 舵機占據21號 GPIO 口，蜂鳴器占據22號口，四輪電機占據23～26號口。樹莓派 4B 外部如圖3所示，樹莓派 4B Pin 接口如圖4所示。

圖 3 樹莓派 4B 外部圖

圖 4 樹莓派 4B 40Pin 接口示意圖

4 目標識別算法

4.1 主干提取網絡

使用的 YoloV4-Tiny 算法主干提取網絡結構，在YoloV4-Tiny 中，其使用了 CSPdarknet53_tiny 作為主干特征提取網絡，和 CSPdarknet53 相比，為了更快速，將激活函數重新修改為 LeakyReLU。輸入為 416×416 的網絡如圖5所示，CSPnet 結構如圖6所示。

圖 5 輸入為 416x416 的網絡

圖 6 CSPnet 結構

對于CSPdarknet53_tiny，有2個主要特點。

第一個特點是使用了 CSPnet 結構。CSPnet 結構將原來的殘差塊的堆疊進行了一個拆分，拆成左右兩部分；主干部分繼續進行原來的殘差塊的堆疊；另一部分則像殘差邊一樣，經過少量處理直接連接到最后。因此 CSP 中存在一個大的殘差邊。

第二個特點是進行通道的分割。在 CSPnet 的主干部分，CSPdarknet53_tiny 會對一次 3x3 卷積后的特征層進行通道的劃分，分成兩部分，取第二部分。

4.2 特征金字塔

YoloV4-Tiny 中使用了 FPN 的結構，主要是對第一步獲得的兩個有效特征層進行特征融合。FPN 會將最后一個 shape 的有效特征層卷積后進行上采樣，然后與上一個shape 的有效特征層進行堆疊并卷積。

4.3 對模型訓練的改進

首先參考了 CutMix 數據增強方式，進行 Mosaic 數據增強，每次讀取四張圖片進行翻轉、縮放和色域變化等，并且按照四個方向位置擺好，極大的豐富檢測物體的背景。

同時，采取了 Label Smoothing 平滑，對分類準確做了一點懲罰，防止過擬合。

最后，采用了 CIOU，CIOU 將目標與 anchor 之間的距離、重疊率、尺度以及懲罰項都考慮進去，使得目標框回歸變得更加穩定，不會像 IOU 和 GIOU 一樣出現訓練過程中發散等問題。

式中， 分別代表了預測框和真實框中心點的歐氏距離。

c

代表能夠同時包含預測框和真實框的最小閉包區域的對角線距離。

5 實驗測試

小車的實驗測試場地如圖7所示。

圖 7 實驗測試環境

場地內設置兩個起始點，兩個目標物體置放地點，共四條實驗線路。每條線路測試中，小車都成功完成了物流搬運任務。測試見下表。

表 實驗測試環境

?

6 結束語

設計并實現了基于樹莓派 4B 的智能物流小車，該系統功耗低，魯棒性高，通過在實驗場地測試表明，耗時穩定，平均偏離軌距離低于10 cm，該系統能夠穩定的進行物流搬運工作。