一種運輸自動導引車導航方法研究

摘 要：為了提高工作效率并降低生產成本，需要實現生產運輸過程的自動化，而運輸過程的自動化通常使用自動導引車來實現。自動導引車不僅能夠減少人工數量，還能提高工作效率，從而降低生產成本，提高企業利潤，增強企業生存競爭力。文中通過比較幾種常用的導航方式，最終確定使用激光導航與紅外導航的組合導航方式導引本項目的火工品運輸AGV行駛。試驗結果表明，組合導航方式相對于其他單獨的導航方式可以提高導航精度。

關鍵詞：AGV；導航方法；組合導航；自動化

中圖分類號：TP242.2 文獻標識碼：A 文章編號：2095-1302（2016）09-0058-05

0 引 言

自動導引車（Automatic Guided Vehicle， AGV）是一種利用電磁或者光學等技術的自動導航設備，能夠沿著規定的路徑行駛，具有安全保護的無人駕駛物流運輸設備。而AGV在運行過程中主要完成路徑規劃、定位、導航、避障等任務，所以，導航是AGV運輸過程的基本環節之一。導航主要研究在有障礙物的環境條件下，AGV如何實現從開始地到目標地之間的行駛，即導航問題。文中以一種實用型火工品運輸自動導引車為研究對象，主要闡述對其導航方法的研究[1]。

1 AGV常見的導航方法

導航方法就是已知初始節點和目標節點，導引AGV從初始節點到目標節點運輸過程所使用的方法。目前常用的導航方法有電磁導航方式、磁帶導航方式、激光導航方式、超聲波導航方式、紅外線導航方式、光學導航方式、慣性導航方式及組合導航。

1.1 電磁導航方式

電磁導航是較為傳統的導航方式之一，電磁導航在AGV的行駛路徑上埋設金屬線，并在金屬線上加載固定導航頻率的電流，通過對導航頻率的識別來實現AGV導航。其優點是導線隱蔽，不易污染和破損，導航原理簡單、可靠，對聲音光線無干擾且成本較低。但電磁導航具有路徑難以更改、擴展，不適合現代工業柔性制造流程的需要，對復雜路徑的局限性大，并且電磁導航線路埋設需要破壞地面，不易施工和維護。

1.2 磁帶導航方式

磁帶導航與電磁導航相近，通過在工作場地的路面上貼磁帶代替在地面下埋設金屬線，通過磁感應傳感器信號實現精確定位導航，相對于電磁導航，其靈活性好，無需破壞地面，改變或擴充路徑比較容易。雖然磁帶鋪設簡單易行，但是行業內目前使用的傳統的磁帶導航方式易受環路周圍金屬物質的干擾，磁帶易受機械損傷而致使可靠性降低。

1.3 激光導航方式

激光導航是在AGV行駛路徑的周圍安裝位置精確的激光反射板（至少三塊以上），AGV通過激光掃描器發射激光束，同時采集由反射板反射的激光束來確定其當前的位置和航向，并通過連續的三角幾何運算來實現AGV導航。該技術最大的優點是AGV定位精確，地面無需其他定位設施，行駛路徑靈活多變，能夠適合多種現場環境，是目前國外許多AGV生產廠家優先采用的先進導航方式。然而其缺點也同樣突出。激光導航方式的制造成本高，對環境的要求較為苛刻（外界光線、地面要求、能見度要求等），不適合使用于室外（易受雨、雪、霧的影響）環境。

1.4 超聲波導航方式

超聲波導航在AGV上安裝超聲波發射器，某兩個固定位置安裝超聲波接收器，取此兩點連線的中點為原點，通過三點法確定AGV坐標位置從而實現導航。超聲波導航的優點是具有安裝使用方便、成本低、抗電磁干擾能力強、不受光線煙霧影響、時間信息直觀等優點，但是超聲波導航精度低、距離短、穩定性差、不適合復雜環境導航。

1.5 紅外線導航方式

紅外線導航是AGV利用與中心線前部方向左右兩側分別成450°夾角的兩路紅外接收器來采集機器人所處環境中的紅外信號而實現導航的方式[2]。紅外導航的優點為定位精確、成本低，但易受外界光線影響，所以非常適合室內短距離導航。

1.6 光學導航方式

光學導航也稱為色帶導航，是在AGV的行駛路徑上涂漆或者粘貼色帶，通過對攝像機采入的色帶圖像信號進行簡單處理（一般包括閾值處理、邊緣提取、濾波等步驟）而實現導航。其優點是靈活性比較好，地面路線設置簡單易行，但是對色帶的污染和機械損傷十分敏感，對環境要求較高，導航可靠性、安全性極差，定位精度低，而且需要經常維護。

1.7 慣性導航方式

慣性導航在AGV上安裝陀螺儀，在行駛區域的地面上安裝定位塊，AGV可通過對陀螺儀偏差信號（角速率）的計算及地面定位塊信號的采集來確定自身的位置和航向，從而實現導航。此項技術較早運用于軍方，其主要優點是技術先進，較之有線導航，地面處理工作量小，路徑靈活性強。其缺點是制造成本較高，導航的精度和可靠性與陀螺儀的制造精度及其后續信號處理密切相關。

上述導航方式的優缺點分析見表1所列。

表1 導航方式比較表

特點 電磁

導航 磁帶

導航 激光

導航 光學

導航 慣性

導航 紅外

導航 超聲波導航

維護成本 低 高 低 高 高 低 中等

靈活性 無 低 高 低 中等 高 中等

耐腐蝕性 有 中等 有 無 有 有 有

抗干擾性 低 中等 高 低 高 中等 高

室外工作 可以 可以 不可以 不可以 可以 不可以 不可以

安裝成本 中等 低 高 中等 高 低 中等

通過相互比較與分析評價，紅外導航和激光導航非常適合在室內導航，而本課題的AGV主要工作于室內，又因為單種導航方式穩定性較差，所以本課題選擇紅外導航和激光導航的組合導航方式。

1.8 組合導航

在組合導航方式下，為了保證AGV的定位精度，我們選擇以激光導航坐標為基準建立基準坐標系，在這個坐標系中，選擇紅外導航和激光導航的交匯點作為切換基點，避免某些區域受障礙物、過道等因素的影響，在激光導航不能到達的區域選擇紅外導航，進而達到紅外導航和激光導航兩者坐標系的優化融合，使得組合導航的定位精度、導航效果滿足本課題的項目要求，保障組合導航方式下AGV的安全運行。

AGV組合導航系統主要由檢測單元、數據融合單元、運動控制單元組成。其中檢測單元用來檢測AGV運動信息或環境信息；數據融合單元可對檢測數據進行處理并判斷AGV的運動情況；運動控制單元則根據AGV的運動情況對其進行運動校正。

2 信息融合技術

信息融合技術是利用傳感器按時序獲取若干環境信息，并在某個規則下利用計算機加以自動分析、綜合，以完成所需決策和評估任務而進行的信息處理技術。信息融合技術簡單來說就是在利用計算機將采集的信息通過某種算法綜合分析并作出決策的過程中所用到的信息處理技術[3，4]。而組合導航方式是信息融合的重要應用之一，在組合導航方式中，我們選取激光導航與紅外導航相結合的方式。雖然單獨的激光導航和紅外導航等都是獨立完整的導航體系，其定位精度也相對準確，但為了得到更為準確的導航體系，我們選取激光導航與紅外導航的組合導航方式，其組合導航方式首先需要解決激光導航和紅外導航兩者坐標系的優化融合問題，而此問題也是組合導航的關鍵問題之一。

2.1 信息融合的算法

信息融合算法一般分為人工智能算法和概率統計算法，其中概率統計算法有時也稱為隨機類算法。人工智能算法包括模糊邏輯理論算法、神經網絡算法、D-S證據推理算法和專家系統算法等；而概率統計算法主要有加權平均法、貝葉斯算法、卡爾曼濾波算法、產生式規則、統計決策理論算法和假設檢驗算法等[5，6]。

2.1.1 模糊邏輯算法

模糊邏輯算法其實是一種多值邏輯理論算法，一般選擇0和1之間的實數表示真實度，相當于隱含算子的前提，允許將多個傳感器信息融合過程中的不確定性直接表示在邏輯推理過程中。如果采用某種系統化的算法對融合過程中的不確定性進行邏輯推理建模，則可以產生一個一致性的模糊邏輯推理。與概率統計類方法相比，邏輯推理有許多優點，其在一定程度上克服了概率論所面臨的問題，即它對信息的表示和處理更加接近人類的思維方式，比較適合高層次應用（如決策），但是邏輯推理本身還不夠成熟和系統化。此外，因為邏輯推理對信息的描述存在很大的主觀因素，所以信息的表示和處理缺乏客觀性。模糊集合理論對于數據信息融合的實際價值在于它能夠外延到模糊邏輯。同時，模糊邏輯是一種多值邏輯，隸屬度可視為一個數據真值的不精確表示[7-9]。在多傳感器融合（Multiple Sensor Fusion， MSF）的過程中，存在的不確定性可以直接用模糊邏輯表示，然后使用多值邏輯推理，根據模糊集合理論的各種演算對命題進行融合，進而實現數據融合，但其精度不高。

2.1.2 人工神經網絡算法

神經網絡具有很強的容錯性以及自學習、自組織及自適應性，能夠模擬復雜的非線性映射。神經網絡的這些特性和強大的非線性處理能力恰好滿足了多傳感器信息融合技術處理的要求。在多傳感器系統中，各信息源所提供的環境信息都具有一定程度的不確定性，而這些不確定信息的融合過程實際上是一個不確定性推理過程。神經網絡根據當前系統所接受的樣本相似性確定分類的標準，此種確定方法主要表現在網絡的權值分布上。同時，可以采用神經網絡特定的學習算法來獲取知識，得到不確定性推理機制。利用神經網絡的信號處理能力和自動推理功能實現多傳感器信息融合[4，7-9]。

2.1.3 專家系統算法

專家系統（Expert System，ES）是隨著人工智能技術的發展而逐漸成長起來的一門新興學科，與自然語言理解和機器人一樣，成為人工智能研究的三大領域之一。

至今，專家系統還沒有提出一個統一完整的定義，一般是指一種問題求解的智能計算機程序系統，它利用存儲在計算機里的從某個領域專家那里獲取的權威性知識和豐富經驗來解決該領域中具有相當于專家水平的問題[10]。

2.1.4 加權平均算法

加權平均法是最簡單、最直觀的信號級融合方法，此方法將一組傳感器提供的冗余信息進行加權平均處理，結果作為融合值，也是一種直接對數據源進行操作的算法[7]。

2.1.5 貝葉斯估計算法

貝葉斯估計算法不僅為數據融合提供了一種手段，同時還是融合靜態環境中多傳感器高層信息的常用方法之一，使傳感器信息依據概率原則進行組合。測量不確定性時以條件概率表示，當傳感器組觀測的坐標一致時，可以直接對傳感器數據進行融合，但在大多數情況下，傳感器的測量數據信息要以間接方式采用貝葉斯估計算法進行數據信息融合。多貝葉斯估計將每一個傳感器作為一個貝葉斯估計，然后將各個單獨物體的關聯概率分布合成一個聯合的后驗概率分布函數，使聯合分布函數的似然函數為最小，提供多個傳感器數據信息的最終融合值，融合數據信息與環境的一個先驗模型提供了整個環境的特征性描述[11，12]。

2.1.6 卡爾曼濾波算法

卡爾曼濾波（Kalman Filter，KF）算法是一種主要用于融合低層次實時動態的多傳感器冗余數據的算法，也是一種高效率的遞歸濾波算法。該算法用測量模型的統計特性進行遞推，決定統計意義下的最優融合和數據估計。如果系統具有線性動力學模型，且系統與傳感器的誤差符合高斯白噪聲模型，即簡單的卡爾曼濾波必須應用在符合高斯分布的系統中，那么卡爾曼濾波算法將為融合數據提供唯一統計意義下的最優估計[13]。卡爾曼濾波算法的遞推特性使系統處理不需要大量的數據存儲和計算。但采用單一的卡爾曼濾波器對多傳感器組合系統進行數據統計時，存在很多嚴重的問題，比如在組合信息大量冗余的情況下，計算量將以濾波器維數的三次方劇增，實時性不能滿足；傳感器的子系統增加時，其故障也隨之增加，在某一系統出現故障而沒有被及時檢測出來時，故障將會污染整個系統，使其可靠性降低[14]。

2.1.7 產生式規則

產生式規則算法采用符號表示目標特征和相應傳感器信息間的聯系，與每一個規則相聯系的置信因子表示其不確定性程度。當在同一個邏輯推理過程中，2個或2個以上規則形成一個聯合規則時，產生信息融合。采用產生式規則進行信息融合的主要問題是，每個規則置信因子的定義與系統中其它規則的置信因子相關，如果系統中加入新的傳感器，需要引入與之相應的附加規則[14，15]。

2.2 單種信息融合技術的擴展或多種信息融合技術組合

在信息融合技術的多傳感器系統中，各信息源所提供的環境信息都具有一定程度的不確定性，對這些不確定信息的融合過程實際上是一個不確定的推理過程。在實際應用中，為了獲得更加準確的信息，可以將多種方法組合或者對一種方法進行擴展優化。

2.2.1 模糊神經網絡

模糊神經網絡是神經網絡與模糊理論的組合算法，是一種基于if-then模糊規則的網絡結構，具有融合推理和自學習能力。同時，模糊神經網絡一般采用誤差反向傳播（Back Propagation， BP）的算法，用于局部信息融合。

2.2.2 證據推理

證據理論是Dempster于1967年首先提出的，由他的學生Shafer于1976年進一步發展起來的一種不精確的推理理論，也被稱為Dempster/Shafer 證據理論（D-S證據理論）。D-S證據理論最早應用在專家系統中，具有處理不確定信息的能力。作為一種不確定推理方法，D-S證據理論的主要特點為滿足比貝葉斯概率論更弱的條件；具有直接表達“不確定”和“不知道”的能力[16]。同時，D-S證據理論是貝葉斯推理的一種擴充，其具有基本概率賦值函數、信任函數和似然函數這3個基本要素。D-S證據理論算法擁有自上而下的推理結構，共分為目標合成級、推斷級、更新級三級。

（1）第1級：目標合成級，其作用是把來自各獨立傳感器的觀測結果合成為一個總的輸出結果；

（2）第2級：推斷級，其作用是獲得各傳感器的觀測結果并進行推斷，將各傳感器的觀測結果擴展成一個目標報告；

（3）第3級：更新級，由于各傳感器一般都存在隨機誤差，所以在時間上充分獨立的來自同一傳感器的一組連續的報告比任何單一的報告更可靠。因此，在推理和多傳感器融合之前，首先要更新傳感器的觀測數據[17，18]。

2.2.3 遺傳算法

遺傳算法（Genetic Algorithm，GA）是一種自適應全局優化概率類的搜索算法，不依賴具體的問題，其求解過程就是一組解迭代到另一組解的過程，降低了陷入局部最優化解的可能性。

2.2.4 擴展的卡爾曼濾波算法

卡爾曼最初提出的濾波理論只適用于線性系統，對于非線性領域，Bucy，Sunahara等人提出了擴展的卡爾曼濾波（Extended Kalman Filter，EKF）理論，使得卡爾曼濾波理論進一步應用到非線性領域[19]。E-Kalman濾波和卡爾曼濾波一樣，也是最小方差下的一種最優估計，此中估計通過遞進的方法逐漸推進，形成一個穩定的估計濾波系統。E-Kalman濾波系統在運行過程中存在兩種誤差（或者稱為噪聲），即原始數據來源傳感器的測量誤差和系統模型在運行過程中出現的誤差，如Taytor展開式刪去二階及以上項誤差等，稱為過程誤差。過程誤差在系統建立后就不能再改變，所以為了估計的準確性必須對傳感器的測量量濾波，即減小誤差。擴展的卡爾曼濾波的目的是對那些實際需要但又無法測量的狀態量進行估計，并且使得上述兩種誤差對估計值的影響最小，即估計誤差最小。E-Kalman濾波的基本思想是首先將非線性系統線性化，然后進行卡爾曼濾波，因此EKF是一種次優濾波。其后，多種二階廣義卡爾曼濾波方法的提出及應用雖然進一步提高了卡爾曼濾波對非線性系統的估計性能，但大大增加了運算量。如由于二階濾波法考慮了Taylor級數展開的二次項，所以減少了由于線性化所引起的估計誤差。因此，在實際應用中，二階EKF反而沒有一階EKF應用廣泛。

在狀態方程或測量方程為非線性時，通常采用擴展卡爾曼濾波（EKF）。EKF對非線性函數的Taylor展開式進行一階線性化截斷，忽略其余高階項，從而將非線性問題轉化為線性，所以可以將卡爾曼線性濾波算法應用于非線性系統中。EKF雖然可以應用于非線性狀態估計系統中，但是該方法也有兩個缺點：

（1）當非線性很強時，EKF違背了局部線性假設，Taylor展開式中被忽略的高階項帶來了較大的誤差時，EKF算法會使濾波發散；

（2）由于EKF在線性化處理時需要用到雅克比（Jacobian）矩陣，其大量的計算過程將導致該方法實現相對困難。

所以當高斯白噪聲、線性系統、所有隨機變量服從高斯（Gaussian）分布時，擴展卡爾曼濾波是最小方差準則下的次優濾波算法，其性能依賴于局部非線性度。

公式（1）為傳感器觀測模型，公式（2）為系統狀態模型。

yk=h（xk）+vk （1）

xk+1=f（xk）+ωk （2）

其中，yk為傳感器觀測者，xk為k時刻的估計值，vk 為測量誤差，ωk為系統誤差。通過對觀測量yk 的更新可獲得對狀態量xk的估計。

2.3 激光/紅外的E-Kalman濾波數據融合

激光/紅外組合導航數據處理系統的核心是E-Kalman濾波數據融合算法。此數據處理系統主要分成激光導航數據預處理、紅外導航數據預處理和數據融合處理三個部分。

數據融合處理將激光和紅外各自得到的車體位姿及其方差數據進行融合，得到可靠性高的，滿足一定精度的穩定的位姿數據。在融合處理算法中，依據紅外得到的位姿數據在短距離范圍內有較高可靠性的特點，判斷激光的導航定位數據和方向角的可靠性，對激光導航數據進行取舍，取舍后的激光導航數與紅外得到的位姿數據按照各自的方差按比例融合。得到滿足要求的AGV位姿數據。

3 導航試驗

在門口、過道、拐角等地方試驗時導航效果差異相對較大。組合導航橫縱向誤差如圖5（a）與圖5（b）所示。誤差比較見表2所列。

4 結 語

通過文章論述可以得出，基于EKF的組合導航曲線相較于激光導航曲線和紅外導航曲線更擬合路徑規劃曲線，所以基于EKF的組合導航均值誤差相對激光均值誤差和紅外均值誤差較小，說明相對單獨的導航方式，組合導航方式提高了導航精度。

參考文獻

[1]馬新露，趙林度，（德）魯德·舒爾茲.AGVS在中國的應用與發展[J].物流技術，2006（12）：27-30.

[2]崔志恒，韓紅玲.紅外導航自主充電室內移動機器人設計[J].實驗室研究與探索，2012，31 （10）：33-36.

[3]吳陳.數據融合系統圖形界面的設計[J].造船技術，1998（11）：25-31.

[4]鄒永祥.基于神經網絡的信息融合技術與應用[D].成都：成都理工大學，2008.

[5]肖本賢，劉海霞，張松燦，等.基于多傳感器行為融合基礎上的AGV導航研究[J].系統仿真學報，2005，17（8）：1939-1943.

[6]侯立梅.基于多傳感器數據融合智能導航車的算法研究[D].秦皇島：燕山大學，2013.

[7]嚴懷成，黃心漢，王敏.多傳感器數據融合技術及其應用[J].傳感器技術，2005，24（10）：1-4.

[8]沈大威.無線傳感器網絡分布式監測研究與應用[D].成都：電子科技大學，2008.

[9]雷海霞.網絡化傳感器與多傳感器數據融合技術的應用研究[D].重慶：重慶大學，2008.

[10]樊亞文.多源監測信息集成與融合專家系統的研究應用[D].南京：河海大學，2006.

[11]王在濤.混合交通自適應控制系統虛擬監測器技術研究[D].長春：吉林大學，2008.

[12]唐曉茜.多傳感器螺栓預緊檢測方法研究[D].杭州：浙江工業大學，2009.

[13]華鑫鵬，張輝宜，張嵐.多傳感器數據融合技術及其研究進展[J].中國儀器儀表，2008（5）：40-43.

[14]鄒玉鳳.在用車操縱穩定性快速測量方法研究[D].長春：吉林大學交通學院，2009.

[15]萬孟森.多傳感器數據融合技術在區間估計中的應用[D].贛州：江西理工大學，2009.

[16]李琦，吳軍軍，梁炎明，等.基于紅外陣列傳感器的數據融合技術[J].傳感技術學報，2011，24（4）：548-553.

[17]劉亞雄.基于數據融合的無線傳感器執行器網絡數據可靠傳輸[D].上海：上海交通大學，2012.

[18]楊勝利.老虎臺煤礦沖擊地壓多指標信息融合預警技術研究[D].北京：中國礦業大學，2015.

[19]張宗.基于蒙特卡洛方法的改進粒子濾波算法[D].北京：北京交通大學，2011.