基于ROS的倉儲物流自分揀車

楊建海 王金碩 劉明陽 余江 鞏榮芬

摘要：針對倉儲物流自動分揀領域，設計了一個基于機器人操作系統（robot operating system，ROS）的倉儲物流自分揀車，采用了同時定位與地圖構建（simultaneous localization and mapping，SLAM）技術進行地圖構建和路徑規劃，使其具備自主導航能力，結合多角度機械臂實現靈活抓取。實驗測試表明，設計的自分揀車可以應用于物流分揀，能準確、高效地完成分揀任務，提高物流分揀效率和降低分揀成本。

關鍵詞：ROS 物流車；物流分揀；視覺識別；SLAM

中圖分類號：TP271；TP13 文獻標識碼：A

0 引言

隨著電商、物流行業的迅速發展，倉儲物流分揀作為現代物流處理的重要組成部分，對提高物流效率、準確性以及降低成本具有關鍵意義。在這個背景下，基于機器人操作系統（robot operatingsystem，ROS）的倉儲物流自分揀車應運而生。

本文旨在探討基于ROS 的倉儲物流自分揀車的設計與實現，利用ROS 強大的功能和靈活性，結合自動化設備和智能算法，實現貨物的自動分揀和處理。該自分揀車的設計目標包括提高分揀效率、準確性和靈活性，降低運營成本。其還提供簡潔明了的用戶界面和良好的操作體驗，確保安全性和可靠性，并與分揀車進行集成，實現智能、高效運營。此外，自分揀車的應用場景涵蓋電商倉庫、物流中心、快遞站點和配送中心等領域。

本文將介紹ROS 的基本概念，探討倉儲物流自分揀車的相關技術與方法，詳細闡述倉儲物流自分揀車的設計與實現，為倉儲物流自分揀車領域的發展提供有益的參考和借鑒。

1 系統設計

本系統采用樹莓派作為上位機主控，Arduino和STM32 作為下位機控制，利用激光雷達的同時定位與地圖構建（simultaneous localization andmapping ，SLAM）技術進行地圖構建和路徑規劃。該系統使用通用串行總線（universal serial bus，USB）攝像頭捕獲圖像，并通過開源計算機視覺庫（open source computer vision library，OpenCV） 進行圖像處理。機械臂采用舵機云臺結構，通過智能機器人（smart intelligent robot，somtbot）控制板處理機械臂抓取的逆解，系統結構框架如圖1 所示。

本系統能夠自動識別快遞并根據地區信息對快遞進行分類，實現高效的快遞分揀。其整合了多種先進技術和硬件結構，提高了倉儲物流管理的自動化水平，為物流行業提供了智能化解決方案。

1.1 硬件系統介紹

硬件系統使用樹莓派4B 來控制自分揀車。將計算機與搭載樹莓派4B 的車輛配置在同一個局域網絡中，確立主從連接。其中，機載樹莓派4B 作為主機，計算機作為從機。該系統還使用陀螺儀傳感器進行姿態解算[1]，用于測量物流車在活動走廊內行駛軌跡的對齊情況。

此外，Arduino 作為運動控制主節點，連接Arduino 與光電轉速計。將光電轉速計提供的計數數據通過串口傳輸至 Arduino 主板，然后利用比例積分微分（proportional integral derivative，PID）控制算法實現對電機的精確驅動。

機械臂采用somtbot 主板控制結合攝像機的視覺機械臂，視覺機械臂結構如圖2 所示。

1.2 傳感器介紹

（1）深度相機。與激光雷達搭配的深度相機可提供深度數據，用于生成二維柵格地圖。此外，該相機還可以掃描貨物箱上的條形碼以提取貨物信息，進而控制機械臂的運動[1]。

（2）USB 攝像頭。USB 攝像頭可以連接到計算機或其他設備上的攝像頭，并且通過USB 接口進行數據傳輸和控制。USB攝像頭可應用于視頻會議、監控、圖像識別等領域。在物流車前部安裝USB攝像頭可以采集周圍環境信息，為神經網絡提供輸入數據源。

（3）激光雷達。通過發射激光束并測量激光束的反射來獲取目標物體的距離和位置信息。激光雷達通常應用于環境感知、避障、距離測量和地圖構建等。

（4）慣性測量單元（inertial measurement unit，IMU）傳感器。IMU 傳感器可以測量物體的加速度和角速度，其還包括磁強計，用于檢測物體所處的方向。IMU 傳感器廣泛應用于航空航天、汽車、物流車、虛擬現實等領域，提供姿態估計和運動跟蹤等功能。

（5）壓力傳感器。壓力傳感器是一種適用于測量壓力值的傳感器設備。其功能在于將壓力轉化為電信號，通常呈現為電壓、電流或頻率等輸出形式，進而實現對壓力的監測和控制。在機械臂的操作中，壓力傳感器位于前爪內側，貨物抓取中，壓力傳感器值升高，達到設定閾值時，代表貨物被夾緊，從而引發機械臂的搬運動作。

1.3 控制系統介紹

（1） 決策控制。考慮到ROS 的使用， 運行于輔助機器上的英偉達（NVIDIA）電腦與板載NVIDIA 電腦組合成決策控制系統。NVIDIA 電腦主要負責獲取底盤和傳感器數據，并執行部分算法操作。而ROS 從機在經過配置后，通過主從方式與NVIDIA 電腦協同工作，在執行高級算法中扮演關鍵角色。

（2）運動控制。驅動自分揀車運動控制的主控制器為Arduino。基于PID 控制的穩健性和易實現性的特點，運動控制單元采用PID 閉環控制。在PID 調整之前，光電編碼器可精確檢測航程。

1.4 執行系統介紹

執行系統主要分為驅動系統和抓取系統兩部分。驅動系統采用了4 個全向輪電機，每個電機連接1 個全向輪。這種設計利用4 個驅動器，每個驅動器控制1 個電機，可以實現物流車的全方位、多角度位移，從而提高了物流車在各種環境下的適應性。抓取系統由多個舵機組成，搭配壓力傳感器，從而實現穩定、準確的貨物抓取。

2 軟件系統設計

在ROS 的下位控制器上， 含有兩個核心算法組件， 涵蓋了機器視覺和卷積神經網絡（convolutional neural networks，CNN）領域。這兩個算法組件通過調用位于工作目錄下相應的軟件包以及手動修改相關設置文件，實現系統在貨架區域的自主移動[1]，并在下位控制器插件中插入顯示屏進行可視化顯示。OpenCV 內置了圖像檢測組件，可用于訓練QR 碼（二維碼）檢測模型。

3 主程序和算法

系統的主程序由軌跡識別模塊和建圖模塊構成。在軌跡識別模塊中，基于邊緣路徑距離的概念，精細調整分類權重，從而提高路徑識別的精度和穩定性。建圖模塊能夠充分利用 ROS 中的Gmapping 功能包，采用 Rao-Blackwellized 粒子濾波算法，結合激光、姿態數據，以高效地創建準確的二維網格地圖。通過整合這一算法，系統能夠在復雜環境中實現精確的地圖構建和路徑規劃，為物流車的導航和定位提供穩定的支持。

建圖完成后可以進行自主導航巡向目的地。需要調用的功能包是move_base [1]。它是一個 ROS 導航工具包，用于導航的配置和執行。

在 ROS 使用 TensorFlow 編寫 Python 程序來建立神經網絡時，通常會遵循以下步驟。

（1）導入必要的庫和模塊。包括 TensorFlow 和ROS 相關的庫和模塊。

（2） 定義 ResNet 的結構。通過 TensorFlow的應用程序編程接口（application programminginterface，API） 創建神經網絡模型。ResNet 是一種經典的深度神經網絡架構，通過殘差連接解決了梯度消失問題[2]。系統根據需要選擇合適的 ResNet版本，如 ResNet-50、ResNet-101 等。

（3）初始化網絡參數。可以使用 TensorFlow 的內置函數或手動編寫代碼生成指定范圍內的正態分布隨機數，從而完成參數初始化。

（4）編寫損失函數和優化器。在訓練時，使用TensorFlow 提供的優化器來更新網絡參數以最小化損失函數[3]。

（5）加載訓練數據和標簽。開始訓練模型。通常可以使用ROS 提供的數據采集節點來獲取傳感器數據，并實時反饋給神經網絡進行訓練。

在神經網絡系統啟動后，確保ROS 從機與ROS 主機進行無縫通信集成，實現ROS 從機與自動駕駛車輛底盤的實時連接，以便獲取與道路狀況相關的環境數據。每一個經過標注的訓練樣本都會被分批發送到ROS 主機，并進行處理。這些經過標注的訓練數據集會被有條不紊地引導穿過輸入層，然后經過一系列復雜的卷積層、池化層和全連接層。

通過梯度下降算法不斷優化卷積核和全連接層的權重，進行迭代調整以達到系統最佳性能水平。如果準確度與貝葉斯錯誤率之間存在重大偏差，則必須精細調整超參數并改進算法。各種優化算法如動量法、均方根傳遞（root mean squarepropagation，RMSprop） 算法和自適應矩估計（adaptive moment estimation，Adam）算法等，可以進一步優化和增強整體性能指標。

一旦神經網絡的架構設計達到最優狀態，其拓撲結構將呈現出極致的完備性，精心制作的權重文件將被順利傳輸至NVIDIA 計算平臺，準備部署，并進行精準、高效的推理任務。

通過緊密集成的中央處理器（central processingunit，CPU）加速計算引擎，神經網絡可以對實時傳入的環境數據進行快速的推理和預測。這種高度并行化的計算能力使得系統能夠在毫秒級的時間內對復雜的道路情況做出響應，確保車輛在各種復雜交通場景下能夠安全、準確地行駛。

在運行時，神經網絡將實時接收來自車輛傳感器的數據，并配合ROS 系統完成數據處理、預測和決策。這種端到端的集成體現了深度學習在自動駕駛系統中的關鍵作用，使得車輛能夠快速、準確地做出決策，以確保行駛的安全性和效率。

在整個過程中，系統將一直保持密切的監控和反饋，實時檢測和解決潛在的問題，確保系統的穩定性和可靠性。

4 實驗測試

4.1 物品識別實驗

基于ROS 的倉儲物流自分揀車開發完成后，首先進行了識別環節的測試，確保攝像頭識別部分能夠穩定、準確地識別物品，從而為后續實驗測試做準備。其次，在方形物塊上寫下不同字樣，代表不同物品，然后進行識別測試。再次，為了確保識別精準度達標，本文還測試了更多物品種類和識別次數，以確保精準性。最后，記錄并整理了整個識別測試過程中的數據情況，如表1 所示。通過對這些數據進行分析，能夠評估攝像頭識別部分的性能表現，及時發現問題并進行調整優化。這些數據對于后續實驗測試的順利進行至關重要，可以幫助系統不斷改進物品識別的準確性和穩定性，從而提高自分揀車的整體運行效率。經過測試和數據分析，基于ROS 的倉儲物流自分揀車的識別精準度達到了預期標準，可以順利投入實際應用。

4.2 物流分揀實驗

在識別精準度達到預期后，本文進行了物流分揀實驗。在本實驗中，研究人員給物塊標注了名字，并使用盒子作為識別分揀區域。在實驗過程中，擺放了不同距離的物品，這些距離對應的分揀區域位置也各不相同。研究發現自分揀車能夠成功完成分揀任務，并且任務完成時間合理。圖3、圖4 分別為物品投放和識別分揀區域。

5 結論

本文設計的基于ROS 的倉儲物流自分揀車旨在提高物流業務的效率和準確性。通過對上位機和下位機的合理配置，結合SLAM 技術、激光雷達路徑規劃，以及視覺識別技術，設計了智能化的自分揀車系統。該系統可廣泛應用于電商倉庫、物流中心等場景，為提升物流行業的自動化水平做出了貢獻。

在設計和實驗的過程中，自分揀車的性能受到硬件設備、軟件算法和系統交互的綜合影響。因此，針對倉儲物流自分揀車，未來的研究方向可以集中在提升硬件設備的穩定性和靈活性、采用優化算法以提高識別和規劃的精度，以及改進用戶界面和交互體驗等方面。此外，通過不斷改進自分揀車的功能和性能，可以滿足不斷變化的市場需求，進而提升物流效率、降低成本，實現智能化管理，促進物流行業的進步和發展。

參考文獻

[1] 王昱琪，熊紹托，齊巖松，等. 物流分揀機器人設計[J]. 科技風，2022（36）：1-3.

[2] 章軻. 基于弱監督學習的細粒度圖像分類算法研究[D]. 杭州：杭州電子科技大學，2022.

[3] 陳澤川. 潛在句子層級結構的自適應表征學習方法研究[D]. 廣州：廣東工業大學，2020.