基于AGV的集約化智能投喂裝備

摘" 要：現今漁業工業化養殖存在著規模化與機械化率低、人工成本高等主要問題。因此，在該文中，提出一種現代漁業集約化智能投喂裝備，基于集裝箱AGV小車自主導航進行移動式投喂，到達導航點后，通過解算AR二維碼姿態信息，進行高精度投喂口對接，通過一對多的無人投喂方式有效解決工業化養殖下效率低、成本高、周期長的問題，具有一定的市場應用價值。

關鍵詞：集裝箱AGV;集約化智能投喂;自主對接;AR二維碼;局部路徑規劃

中圖分類號：TP319" " " "文獻標志碼：A" " " " " 文章編號：2095-2945（2023）25-0050-04

Abstract： At present， there are some main problems in fishery industrial culture， such as large-scale， low mechanization rate and high labor cost. Therefore， in this paper， a kind of modern fishery intensive intelligent feeding equipment is proposed， which carries out mobile feeding based on the autonomous navigation of container AGV trolley. After arriving at the navigation point， the high-precision feeding port docking is carried out by solving the attitude information of AR QR code. Through this pair of unmanned feeding mode， it can effectively solve the problems of low efficiency， high cost and long cycle in industrial farming， and has a certain market application value.

Keywords： container AGV; intensive intelligent feeding; autonomous docking; AR QR code; local path planning

現今，水產養殖業存在規模化難，人力成本高的現狀。大多數的規?；B殖場仍處于半人工型，并且大多單憑經驗或者局部觀察去解決養殖問題。半人工的飼料投喂，需要在每個養殖塘獨立設置送料倉、儲存倉，大幅提高了成本。循環水養殖系統方式需要大量的電氣設備去維持理想的高密度養殖環境，帶來巨大的裝備、電力費用，規模化后需要建設多片的糧倉，導致成本、風險大幅度提高。

本文將以工業4.0的標準圍繞著智慧養殖、高密度規?；a，針對水產養殖業難以工業化和規?；?、經濟增長緩慢的問題，以投喂裝備作為切入點打造現代漁業智能工廠，設計一種基于自動導引運輸車（AGV）集約化小車自主導航到投喂點進行自主對接下料，以及配套的送料傳動裝備，能夠實現全過程智能投喂的系統。

1" 系統總覽

目前，國內外的智慧水產養殖針對問題單一，缺乏系統設計，但是其共同目的是通過“機器換人”的理念，實現精準養殖、徹底解放人力，實現綠色可持續水產養殖。

本文在已有的循環水養殖系統的基礎上，通過集裝箱投喂小車、飼料精準輸運投喂系統、數字孿生云平臺構建無人規模化高密度養殖系統。其系統架構、概念圖如圖1所示。

本系統的主要流程為，通過云平臺界面預先設置的投喂任務，系統將調度空閑的集裝箱投喂小車自主導航移動到指定的信號點，小車到達目標地后，通過視覺引導前往管道對接口下方二維碼附近，解算對接口附近的AR二維碼姿態信息，結合小車自身姿態信息，進行管道口的自主對接，成功后小車內部計量飼料，混合攪拌過后通過鼓風機進行吹送至送料倉。當餌料送到管道時，通過管道內置的賽盤鏈條進行運輸，當餌料運輸到投喂智能盒時，打開上閥口使餌料進行內部的計量稱重，到達一定量時進行釋放，利用斜坡進行大面積投喂。系統場景示意圖如圖2所示。

2" 系統設計

2.1" 集裝箱投喂小車

集裝箱投喂小車主要由飼料倉、攪拌倉、送料管道和控制系統組成，具有投喂、地圖構建、自主導航和多模態控制等核心功能。集裝箱投喂小車大體機械結構設計及實物圖如圖3所示。

集裝箱投喂小車通過接收云端命令，根據所要到達的魚塘管道位置，通過全球導航衛星系統差分實時定位技術（GNSS-RTK）獲取當前位置信息，結合慣導以及激光雷達環境信息進行即時定位與地圖構建（SLAM）融合定位，組成車體感知定位系統，基于A*全局規劃與基于深度確定性策略梯度算法（DDPG）的局部規劃實現整體的路徑規劃，進行室外高精度定點定位巡航，使小車準確移動到指定位置。如圖4所示。

2.2" 基于DDPG的無碰撞路徑規劃

傳統的局部路徑規劃算法，面對越來越復雜的生產環境，存在著路徑規劃收斂慢，規劃路徑不平滑等問題。因此，本系統將基于一種深度確定性的策略梯度算法（DDPG）作為AGV集裝箱小車的局部路徑規劃器，在復雜的環境中，能夠不斷進行深度強化學習。其結構圖如圖5所示。

2.2.1" Q-learning強化學習算子

Q-learning是一種迭代更新學習方法，其是一種模型自由學習算法，在沒有任何環境先驗知識的情況下，通過價值函數逼近目標函數。學習的更新迭代采用以下形式Q*

Q（s，a）=Q（s，a）+α（rs，a+γmaxQs′，a′-Q（s，a）），

式中：r是在狀態s下采取行動a時的收益，s'是下一個狀態，a是學習率表示學習新知識的程度，取0到1之間，a' 是在下一個狀態 s' 下具有最大Q值的動作;γ是折現率，表示考慮未來收益的程度，取0到1之間。

2.2.2" 運動狀態空間設計

對機器人環境狀態空間進行離散化處理。環境模型由機器人、目標點和障礙物組成，狀態定義為

s=（Rg，R01，R02，R03，R04）。

描述了機器人要到達的目標點的方向，以及機器人前方障礙物的分布。θ為導航目標點與AGV前進方向的夾角。

2.2.3" 收益函數設計

收益函數是對機器人在其狀態下采取的行動的估計，表明該行動在給定狀態下的好壞。如果收益函數是連續的，即收益值在訓練過程中始終存在，則算法可以有效地利用這些信息進行連續學習。因此，根據本AGV兩輪差速小車進行收益函數的確立。

2.2.4" 實現方法

依靠激光雷達獲取的距離信息、AGV與檢測點的距離及機器人的動作歷史，利用神經網絡對機器人左右輪的角速度進行決策。檢查機器人，構建神經網絡的輸入輸出映射，并利用連續的獎勵函數來評估機器人的每個動作，如圖6所示。根據高評價改變神經網絡內部的權重，誘導機器人同時實現檢測點穿越和避障的目標。

2.3" 基于AR二維碼的自主對接

達到投喂點后，小車通過視覺引導進行管道口追蹤校準，移動到管口附近時尋找AR二維碼，掃描成功后，根據其姿態信息，在相機坐標系下，利用其信息獲取AR二維碼的相對坐標，輔助矯正車體在地圖坐標系下的位置信息進行重定位，如圖7所示。

矯正姿態后，由于遠距離解算AR二維碼姿態信息會存在抖動現象，影響車體的自主對接精度。因此，在本應用場景中，在矯正車體姿態后，會獲取15 000條AR二維碼姿態信息抖動消除，根據晃動的規律以及數據，發現其位置不動，但存在著左右晃動，數據上下浮動不大的情況。因此，采用平均值進行消除，根據消除抖動后的姿態信息與相機的深度圖數據解算小車所在位置及到達投喂口的路徑規劃，使其精準按照特定姿態到達投喂口，精度能夠達到亞厘米級，符合多種應用場景。

小車導航到AR二維碼附近后，在相機坐標系下，通過ar_track_alvar解算AR二維碼姿態信息，設AR二維碼的坐標為（xtag，ytag，ztag）。

首先，小車通過旋轉θcar，使深度相機正對AR二維碼，再記錄現今AR二維碼的姿態信息（xgoal，ygoal，zgoal），四元數為（q0，q1，q2，q3）。

θcar=atan2（y，x）。

其次，通過將四元素（q0，q1，q2，q3）轉換成歐拉角[?，θ，φ]T，獲得小車圍繞z軸旋轉角度φ，使小車姿態與AR二維碼水平。

最后，小車前進xgoal，再向AR二維碼x軸方向旋轉90°，使得相機坐標系的x軸與AR二維碼姿態信息的x軸正對，車體根據自身情況，在相機坐標系下通過實時識別的AR二維碼坐標信息（xnow，ynow，znow），前進時調節xnow的大小使其車體下料口正對管道對接口。如圖8所示。

對接成功后，小車內部的投料控制系統開始工作，儲料倉通過爬坡螺桿采用螺旋推進式動力裝置，計算蝸桿旋轉一圈出料的重量從而實現整個出料的計量。考慮到實際運用場景，需要混合飼料故先設立2個儲料倉，小車內并配備了空氣溫濕度控制系統保證餌料的存儲環境，當計量完成后送入攪拌倉內進行攪拌。當攪拌成功后，關閉下方球閥，準備通過風機輸送到送料倉。

3" 結束語

本文針對現有RAS系統存在著投喂裝備落后，以投食機、鼓風機為代表的機械設備不能夠滿足規?；蟮男枨?，導致養殖業仍以人力為主導，以及飼料利用率低、極高的運營成本、難以成規?；l展等問題，提出設計理念，并搭建出實驗可運行場景，構建一套智能投喂系統。

以一種集約化移動式投喂系統解決規模化養殖的儲料成本問題。隨著生產規模的擴大，投喂設備成本將大幅下降。通過餌料輸運系統解決餌料量化及傳輸問題。通過構建數字孿生平臺，利用數據模擬真實設備推理現實環境，推理其最大養殖密度實現經濟效益最大化。

通過大量的實驗，集裝箱投喂小車能夠精準地到達投喂口指定位置并進行自主管道對接下料，其間小車內部的送料裝置能夠進行前端計量以及出料，分布在養殖塘的餌料輸運系統能夠高速進行運作并且精準計量下料，相較人工投喂效率更高，投喂質量準確度更高更符合工業化管理，規?；蟪杀靖?。相對于傳統投喂裝備，其效率更高，無需人工現場操作更加智能化。本系統為以循環水養殖的工業場景提供了一種新的實踐思路，并通過實驗驗證了其可行性。

參考文獻：

[1] SARA K，C.A. V W，LUIS R. Dynamic modeling of recirculating aquaculture systems： Effect of management strategies and water quality parameters on fish performance[J].Aquacultural Engineering，2022（99）：102294.

[2] 董興國，景紅軍，李令國，等.循環水處理系統對規?；a養殖的影響評價[J].農學學報，2020，10（9）：60-65.

[3] NESAR A， NESAR" A，M. G T. Recirculating aquaculture systems（RAS）：Environmental solution and climate change adaptation[J].Journal of Cleaner Production，2021（297）：126604.

[4] BADIOLA M， BASURKO O C， PIEDRAHITA R， et al.Energy use in Recirculating Aquaculture Systems（RAS）：A review[J].Aquacultural Engineering， 2018（81）：57-70.

[5] SAMWEL M M，N. R M，LARS-FLEMMING P，et al. Evaluation of biofilter performance with alternative local biomedia in pilot scale recirculating aquaculture systems[J]. Journal of Cleaner Production，2022，366（15）：132929.

[6] AICH" N， NAMA" S， BISWAL" A，et al. A review on recirculating aquaculture systems： challenges and opportunities for sustainable aquaculture[J].innofarm，2021，5（1）：017-024.

[7] HAMMER H S.Recirculating aquaculture systems（RAS）for zebrafish culture-sciencedirect[J].The Zebrafish in Biomedical Research，2020：337-356.

[8] KRISTINA B，G J P H，SARA H，et al. Recirculating aquaculture is possible without major energy tradeoff：Life cycle assessment of warmwater fish farming in sweden.[J]. Environmental science amp; technology，2020，54（24）：16062-16070.

[9] WANG C， LI Z， WANG T，et al. Intelligent fish farm-the future of aquaculture[J]. Aquaculture International， 2021（29）：2681-2711.

[10] HUI G，PENG W，CUI N，et al. Efficient Path Planning for Mobile Robot Based on Deep Deterministic Policy Gradient[J].Sensors，2022，22（9）：3579.