無人智能物流小車控制系統(tǒng)設(shè)計

張 騰，張 玎，楊家豪，鄭鵬程

（上海工程技術(shù)大學機械與汽車工程學院，上海 201620）

0 引言

近年來，隨著無人駕駛相關(guān)技術(shù)的不斷發(fā)展，無人車也正向著完全自主的方向穩(wěn)步邁進。無人車的自主行駛要求實時定位、障礙物檢測、目標跟蹤以及軌跡規(guī)劃等多項功能同時實現(xiàn)，依托運動控制、行為決策、動態(tài)規(guī)劃、環(huán)境感知等技術(shù)環(huán)節(jié)，綜合應(yīng)用了深度學習、現(xiàn)代控制理論、車輛工程、計算機視覺及通信傳輸?shù)葘W科的理論知識，無人智能物流車輛也即為無人車的一種。目前，區(qū)域范圍內(nèi)的無人物流車輛應(yīng)用逐漸增多，但其核心部件控制系統(tǒng)的開發(fā)仍需不斷完善。本文介紹了一種應(yīng)用于園區(qū)物流的無人智能小車控制系統(tǒng)的開發(fā)方法。

1 功能設(shè)計

根據(jù)園區(qū)物流運輸?shù)男枨螅疚脑O(shè)計了一種可完全自主駕駛或有人員引導跟隨的無人智能物流小車。如圖1所示，根據(jù)需求，本項目研究內(nèi)容主要包括以下七個方面。

圖1 本項目研究內(nèi)容示意圖

（1）引導員智能識別。快速且準確識別封控疫區(qū)中的引導員志愿者是本項目的核心問題之一，為此需要在動態(tài)復雜場景下，應(yīng)對引導員的站立靜止、恒速/變速向前運動、行走過程中轉(zhuǎn)彎等多種運動形式設(shè)計具有實時檢測的深度學習算法模型，使其能夠在實際交通道路測試環(huán)境中，利用算法模型中的快速特征提取卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)，結(jié)合引導員的體態(tài)等特征，準確捕獲動態(tài)目標［1］。

（2）實時三維場景重建。無人智能物流小車主要的感知系統(tǒng)為單目長焦距相機和多線程激光雷達，無人智能物流小車需要感知五米之內(nèi)的道路場景，但由于相機投影矩陣導致其對遠景效果感知較弱，激光雷達的點云數(shù)據(jù)在近點與遠點的分布密度差異很大，如何通過深度相機逆投影矩陣解析道路場景關(guān)系，通過激光點云識別目標物體輪廓和三維尺寸，得到清晰完整的復雜道路場景的三維空間動態(tài)結(jié)構(gòu)圖，并實時傳送給工控機處理平臺，是實現(xiàn)周邊場景自適應(yīng)感知的基礎(chǔ)。

（3）同步定位與地圖創(chuàng)建。同步定位與地圖創(chuàng)建（simultaneous localization and mapping）是指在未知環(huán)境中創(chuàng)建環(huán)境地圖的同時進行定位的技術(shù)，該項技術(shù)一方面有助于無人智能物流小車的實時控制，另一方面有助于無人智能物流小車進行全局和局部的路徑規(guī)劃。無人智能物流小車搭載深度相機獲取環(huán)境中的色彩信息和距離信息，搭載里程計和組合慣導獲取智能小車的實時位置信息并進行位姿估計。將以上傳感器信息傳送至工控機處理平臺，經(jīng)過優(yōu)化后，完成地圖創(chuàng)建［2］。

（4）路徑規(guī)劃與導航。無人智能物流小車的全局路徑規(guī)劃本質(zhì)上是在環(huán)境地圖上求取兩點之間的最小代價路徑，使智能配送小車能避開障礙物，動態(tài)規(guī)劃出一條較優(yōu)的路徑，如無人智能物流小車從居民區(qū)的一點到達居民區(qū)的另一點。為解決此類問題，現(xiàn)有技術(shù)大多使用合適的圖搜索算法，以提高搜索效率，主流的以圖搜索算法為基礎(chǔ)的路徑規(guī)劃算法有A*算法和D*算法。本項目結(jié)合兩種算法的優(yōu)缺點，提出了一種基于A*算法的逆向D*算法，無人智能物流小車可以在該算法下自主規(guī)劃合適的路徑，規(guī)避障礙物［3］。

（5）連續(xù)性目標追蹤。無人智能物流小車需在識別引導員后對其進行實時跟蹤，返回時如若自主返回出發(fā)點，也需要跟蹤連續(xù)的路徑規(guī)劃點，準確快速地跟蹤連續(xù)目標點將是無人智能物流小車行進中的重要一環(huán)。基于非線性模型預(yù)測控制的目標跟蹤器的跟蹤精度和魯棒性大大優(yōu)于其他目標跟蹤器，能夠滿足本項目的預(yù)期設(shè)計目標［4-5］。

（6）儲物倉門自動開閉。為了減少整個物流配送過程中人與車的接觸，無人智能物流小車搭載儲物倉門自動開閉系統(tǒng)，可實現(xiàn)取物過程中取物人與智能物流小車無接觸，儲物倉門自動開閉系統(tǒng)利用人臉識別技術(shù)對取物人進行確認，利用Face_Recognition 人臉識別庫進行人臉識別，通過位于無人智能物流小車側(cè)方的攝像頭采集取物人人臉信息，經(jīng)過與取物人先前提供的照片進行數(shù)據(jù)對比，確認無誤后，通過控制板對倉門舵機進行控制，打開倉門，待取物人取出貨物后，自動關(guān)閉倉門［6］。

（7）遠程實時監(jiān)控。無人智能物流小車的遠程數(shù)據(jù)檢測與監(jiān)控系統(tǒng)是利用現(xiàn)代無線網(wǎng)絡(luò)技術(shù)把無人智能物流小車上的信息和控制中心緊密聯(lián)系在一起，針對連續(xù)位置數(shù)據(jù)采集的需要，開發(fā)了智能遠程數(shù)據(jù)檢測控制界面，實現(xiàn)對無人智能物流小車的運輸控制以及周邊環(huán)境的實時可視化監(jiān)測。

2 系統(tǒng)硬件設(shè)計

無人智能物流小車的硬件構(gòu)成包括以下幾個方面：

（1）采用車載計算單元，支持多個神經(jīng)網(wǎng)絡(luò)并行運行實現(xiàn)圖像分類、人臉識別、語音處理、目標檢測及物體識別追蹤等功能，適用于開發(fā)小結(jié)構(gòu)、低成本、低能耗的設(shè)備。

（2）底層控制采用Arduino 以及在其專門的開發(fā)環(huán)境下部署代碼，以實現(xiàn)無人智能物流小車交互產(chǎn)品的開發(fā)與落地，比如讀取大量的開關(guān)和傳感器信號，控制各式各樣的電燈、電機和其他物理設(shè)備等。

（3）深度相機，能獲取平面圖像，還可以獲得拍攝對象的深度信息，即三維的位置和尺寸信息，使得整個計算系統(tǒng)獲得環(huán)境和對象的三維立體數(shù)據(jù)，以用作引導員識別與跟蹤、三維重建、人機交互、SLAM等領(lǐng)域。

（4）慣性導航單元，利用慣性元件（加速度計）來測量運載體本身的加速度，經(jīng)過積分和運算得到速度和位置，從而達到對運載體進行導航定位的目的。

（5）激光雷達，其工作原理是向目標發(fā)射探測信號（激光束），然后將接收到的從目標反射回來的信號（目標回波）與發(fā)射信號進行比較，作適當處理后就可獲得目標的有關(guān)信息，如目標距離、方位、高度、速度、姿態(tài)，甚至形狀等參數(shù)。

3 軟件控制功能設(shè)計

無人智能物流小車自主行進系統(tǒng)主要在Ubuntu 系統(tǒng)中的ROS 上架構(gòu)與開發(fā)，ROS 中文直譯為機器人操作系統(tǒng)，廣泛應(yīng)用在機器人領(lǐng)域，其設(shè)計的最初目的是簡化研究人員在搭建新的算法實驗平臺時需要重復構(gòu)建底層架構(gòu)的問題。其極大地簡化了機器人在開發(fā)過程中跨平臺開發(fā)的繁瑣步驟。其可以通過構(gòu)建節(jié)點，發(fā)布或者訂閱話題等多種方式實現(xiàn)不同傳感器和計算單元之間的通訊。

整個無人智能物流小車的軟件系統(tǒng)開發(fā)以ROS 為基礎(chǔ)，通過引導員識別跟蹤模塊、感知融合與地圖構(gòu)建模塊以及路徑規(guī)劃與自主導航模塊相互配合最終實現(xiàn)無人智能物流小車通過跟隨引導員行蹤軌跡自動生成小車自身行進路線，自動避障到達目的地，待完成配送任務(wù)后自行返回出發(fā)地。

本文所述項目利用PyQt5開發(fā)了智能遠程數(shù)據(jù)檢測控制界面，該界面可實時顯示隨車攝像頭輸出的畫面，實時避障檢測畫面以及實時路徑規(guī)劃建圖畫面，實現(xiàn)監(jiān)控人員對智能小車的運輸控制以及周邊環(huán)境的實時可視化監(jiān)測。

4 實車效果測試

基于所構(gòu)建的實驗平臺，在室外開放環(huán)境下進行了語義建圖與定位實驗。實驗場地在環(huán)園區(qū)周圍的道路，如圖2所示。

圖2 實驗環(huán)境及環(huán)境特征信息

如圖2（b）所示為無人智能物流小車自主繞園區(qū)行駛軌跡，運行準確，效果較好。為了驗證沿規(guī)劃軌跡行駛的效果，本項目進行了分階段局部軌跡誤差測定。圖3為無人智能物流小車在不同路段的行駛情況。圖中試驗路段與圖2（a）中A、B、C 相對應(yīng)。其中A 點的環(huán)境為直線路段，B 點為存在動態(tài)對象的路段，C 點為路口左轉(zhuǎn)路段。無人智能物流小車軌跡規(guī)劃至距目標點0.5 m的區(qū)域范圍內(nèi)，即視為規(guī)劃成功。

圖3 局部軌跡規(guī)劃實驗環(huán)境

圖4 直行路段軌跡規(guī)劃方法對比

本項目還驗證了無人智能物流小車在局部路段內(nèi)的自主行駛誤差。如圖3所示，藍點表示車輛起點位置S，紅點表示車輛目標位置G，黑線表示實際行駛路徑，藍線為規(guī)劃路線。經(jīng)過實測，實際行駛路徑與規(guī)劃路線的平均誤差在0.2 m以內(nèi)，達到了使用要求。

5 結(jié)語

本文對無人物流小車智能控制系統(tǒng)平臺進行了控制系統(tǒng)的開發(fā)，從功能設(shè)計、硬件設(shè)計、軟件設(shè)計以及效果驗證四個方面對無人智能物流小車的開發(fā)方法進行研究與闡述，所用方案具有操作簡單、可適用性好、魯棒性強等諸多優(yōu)點。經(jīng)實際區(qū)域測試，所涉及的無人駕駛物流車輛可以很好地完成規(guī)劃路徑行駛。局部路徑的行駛誤差可以控制在0.2 m 以內(nèi)，具有較好的行駛效果。本研究的開展可為無人駕駛控制系統(tǒng)的設(shè)計提供參考，對未來無人駕駛車輛的發(fā)展提供借鑒。