AGV車技術(shù)在輪對全自動輸送系統(tǒng)中的應(yīng)用

王銓

(中國神華國際工程有限公司，北京 100007)

0 引言

AGV(automated guided vehicle)車技術(shù)是一種背負(fù)式的、可無軌移動的、基于電磁及光學(xué)自我感知和自動尋跡的自動化運(yùn)輸車輛技術(shù)[1]。小負(fù)荷AGV車輛可以用于快遞、郵件分揀系統(tǒng)；大負(fù)荷AGV車輛可以在車間系統(tǒng)中跨生產(chǎn)線搬運(yùn)加工中間物資[2]。當(dāng)前我國的AGV車輛技術(shù)已經(jīng)處于國際先進(jìn)水平，主要實現(xiàn)方式是通過輪對控制法實現(xiàn)車輛驅(qū)動，通過激光點(diǎn)云雷達(dá)和可見光實時建模技術(shù)實現(xiàn)尋跡和避障[3]。

車間內(nèi)跨生產(chǎn)線運(yùn)輸系統(tǒng)早期依靠小型叉車或者梭車實現(xiàn)，因為通道較為狹窄，人員跨線走動情況帶來的環(huán)境干擾較為復(fù)雜，所以該運(yùn)輸系統(tǒng)容易造成車間生產(chǎn)事故[4]。人工駕駛的小型叉車或者梭車很難實現(xiàn)較高的生產(chǎn)效率，所以促進(jìn)了對AGV車輛的市場需求[5]。

該研究在輪對全自動驅(qū)動底盤系統(tǒng)上實現(xiàn)AGV車輛技術(shù)，提升車間跨生產(chǎn)線運(yùn)輸效率，提升車間安全管理效能，特別針對AGV輪對全自動輸送車的算法優(yōu)化進(jìn)行技術(shù)創(chuàng)新，并評價新技術(shù)的優(yōu)勢及后續(xù)開發(fā)方向[6]。

1 輪對驅(qū)動AGV車輛底盤系統(tǒng)分析

輪對式驅(qū)動系統(tǒng)通過調(diào)節(jié)一對膠輪的相對轉(zhuǎn)速，實現(xiàn)車輛的直行、后退、轉(zhuǎn)向功能。驅(qū)動輪分別通過獨(dú)立的驅(qū)動電機(jī)進(jìn)行驅(qū)動。驅(qū)動電機(jī)為大功率同步交流電動機(jī)，電源來自車載逆變器(部分大負(fù)荷AGV車輛電源來自車載發(fā)電機(jī))[7]。該底盤系統(tǒng)整體架構(gòu)詳見圖1。

圖1 輪對驅(qū)動AGV車輛底盤系統(tǒng)示意圖

圖1中，左、右兩套驅(qū)動系統(tǒng)驅(qū)動輪對底盤，利用變頻器實現(xiàn)4個前進(jìn)擋、1個停止擋和2個后退擋，同時驅(qū)動左右獨(dú)立的制動系統(tǒng)，構(gòu)建輪對驅(qū)動系統(tǒng)。驅(qū)動輪直徑33cm，該驅(qū)動策略詳見表1[8]。

表1 驅(qū)動策略匯總表

表1中，該車輛的最大前進(jìn)線速度約為4.00m/s，即14.4km/h，用作長距離低風(fēng)險轉(zhuǎn)運(yùn)過程，如封閉或半封閉長距離轉(zhuǎn)運(yùn)通道；低速前進(jìn)速度約為1.25m/s，即4.5km/h，用作長距離高風(fēng)險轉(zhuǎn)運(yùn)過程。該車輪對中線間距設(shè)計為1.44m，最大車寬1.55m，最大車長設(shè)計為1.89m，其中輪對軸線前方1.25m，輪對軸線后方0.64m，其轉(zhuǎn)向能力驗算圖如圖2所示[9]。

圖2中，該輪對底盤的轉(zhuǎn)向方式主要分為兩種，其中圖2(a)為輪對對向運(yùn)行實現(xiàn)以輪對驅(qū)動軸中點(diǎn)為回轉(zhuǎn)中心的小半徑轉(zhuǎn)向方式，圖2(b)為抱死一側(cè)驅(qū)動輪，使用另一側(cè)驅(qū)動輪低速驅(qū)動實現(xiàn)的以一側(cè)驅(qū)動輪為轉(zhuǎn)向回轉(zhuǎn)中心的轉(zhuǎn)向驅(qū)動方式。為計算該兩種轉(zhuǎn)向方式的底盤參數(shù)，應(yīng)計算其轉(zhuǎn)向過程的最大掃過半徑Lmax和理論角速度ω，該輪對驅(qū)動底盤的具體數(shù)據(jù)如表2所示[10-12]。

圖2 該輪對底盤轉(zhuǎn)向能力相關(guān)參數(shù)試算圖

表2 驅(qū)動底盤具體數(shù)據(jù)匯總表

2 驅(qū)動系統(tǒng)算法革新

該驅(qū)動算法，采用機(jī)器人視覺神經(jīng)系統(tǒng)理念，利用深度卷積神經(jīng)網(wǎng)絡(luò)，將4個視頻探頭和4個激光點(diǎn)云探頭數(shù)據(jù)分別進(jìn)行深度卷積，形成8個避障數(shù)據(jù)，將該8個避障數(shù)據(jù)進(jìn)行繼續(xù)卷積，形成多列神經(jīng)網(wǎng)絡(luò)決策，詳見圖3。

圖3 驅(qū)動系統(tǒng)神經(jīng)網(wǎng)絡(luò)算法示意圖

圖3中，涉及到5個關(guān)鍵技術(shù)點(diǎn)，現(xiàn)分析如下。

1)激光點(diǎn)云的數(shù)據(jù)卷積方案

單個激光點(diǎn)云探頭的掃描視域為1 024×768點(diǎn)陣，共涉及到1個通道786 432個數(shù)據(jù)，數(shù)據(jù)格式為雙精度浮點(diǎn)變量格式。采用多項式回歸法進(jìn)行節(jié)點(diǎn)設(shè)計，數(shù)據(jù)無損卷積率可達(dá)到40%，即其包含隱藏層14層，分別為314 573節(jié)點(diǎn)、125 830節(jié)點(diǎn)、50 332節(jié)點(diǎn)、20 133節(jié)點(diǎn)、8 054節(jié)點(diǎn)、3 222節(jié)點(diǎn)、1 289節(jié)點(diǎn)、516節(jié)點(diǎn)、207節(jié)點(diǎn)、83節(jié)點(diǎn)、33節(jié)點(diǎn)、14節(jié)點(diǎn)、6節(jié)點(diǎn)、3節(jié)點(diǎn)。其節(jié)點(diǎn)基函數(shù)如下：

(1)

式中：Xi為節(jié)點(diǎn)輸入項中的第i個輸入值；Y為節(jié)點(diǎn)輸出值；j為多項式階數(shù)；Aj為第j階多項式的待回歸系數(shù)。

激光點(diǎn)云處理器需要同時運(yùn)行上述4個卷積神經(jīng)網(wǎng)絡(luò)模塊，對嵌入系統(tǒng)的浮點(diǎn)計算能力要求較高，所以嵌入設(shè)備應(yīng)配置多個高頻率(>2.4GHz)浮點(diǎn)型處理器及通用處理器運(yùn)行操作系統(tǒng)，并控制多嵌入設(shè)備的周圍總線通信。該處理器向中央處理器報送4個雙精度浮點(diǎn)變量作為中央處理器的視覺參照數(shù)據(jù)。

2)可見光的數(shù)據(jù)卷積方案

可見光處理器的節(jié)點(diǎn)設(shè)計與激光點(diǎn)云處理器相同，即采用公式(1)基函數(shù)進(jìn)行節(jié)點(diǎn)設(shè)計，但因為輸入數(shù)據(jù)量不同，其隱藏層架構(gòu)有所不同。可見光采用三通道采集可見光數(shù)據(jù)，每通道為640×480解析度，故每個攝像頭探頭采集的可見光數(shù)據(jù)包括921 600個數(shù)據(jù)，數(shù)據(jù)格式為長整型變量，可在計算中強(qiáng)制轉(zhuǎn)化為神經(jīng)網(wǎng)絡(luò)可識別的雙精度浮點(diǎn)型變量進(jìn)行控制。同樣采用40%卷積率，其隱藏層共14層，分別為368 640節(jié)點(diǎn)、147 456節(jié)點(diǎn)、58 983節(jié)點(diǎn)、23 593節(jié)點(diǎn)、9 438節(jié)點(diǎn)、3 775節(jié)點(diǎn)、1 510節(jié)點(diǎn)、604節(jié)點(diǎn)、242節(jié)點(diǎn)、97節(jié)點(diǎn)、39節(jié)點(diǎn)、16節(jié)點(diǎn)、7節(jié)點(diǎn)、3節(jié)點(diǎn)。

可見光處理器需要同時運(yùn)行上述4個卷積神經(jīng)網(wǎng)絡(luò)模塊，處理器硬件設(shè)計同激光點(diǎn)云處理器。

3)路徑預(yù)設(shè)的跳點(diǎn)方式

傳統(tǒng)計算模式中，在路徑中設(shè)計拐點(diǎn)，計算拐點(diǎn)的回轉(zhuǎn)中心點(diǎn)與回轉(zhuǎn)角度，但在該設(shè)計中，將路徑下一跳點(diǎn)坐標(biāo)(x,y)與AGV車輛當(dāng)前定位點(diǎn)(x0,y0)共4個變量輸入到中央處理器的判斷坐標(biāo)中，使其通過卷積神經(jīng)網(wǎng)絡(luò)判斷輪對驅(qū)動方案。該4個變量均為雙精度浮點(diǎn)型變量。該卷積神經(jīng)網(wǎng)絡(luò)設(shè)計方案詳見下文。

4)多列神經(jīng)網(wǎng)絡(luò)實現(xiàn)驅(qū)動信號輸出方案

針對左輪和右輪驅(qū)動方案分別設(shè)計1列卷積神經(jīng)網(wǎng)絡(luò)，形成多列卷積神經(jīng)網(wǎng)絡(luò)系統(tǒng)。2列神經(jīng)網(wǎng)絡(luò)的模塊架構(gòu)相同，根據(jù)不同設(shè)計方案進(jìn)行訓(xùn)練。每列神經(jīng)網(wǎng)絡(luò)共12個輸入數(shù)據(jù)，均為雙精度浮點(diǎn)型變量，包括4個激光點(diǎn)云數(shù)據(jù)卷積結(jié)果、4個可見光數(shù)據(jù)卷積結(jié)果、4個路徑預(yù)設(shè)結(jié)果。

該多列神經(jīng)網(wǎng)絡(luò)系統(tǒng)的核心統(tǒng)計學(xué)目標(biāo)并非數(shù)據(jù)卷積，因為與前文數(shù)十萬數(shù)據(jù)卷積為1個數(shù)據(jù)相比，通過12個輸入數(shù)據(jù)卷積為1個數(shù)據(jù)，其卷積壓力較小，所以該部分神經(jīng)網(wǎng)絡(luò)的核心統(tǒng)計學(xué)目標(biāo)為發(fā)掘數(shù)據(jù)細(xì)節(jié)，實現(xiàn)更高精度的數(shù)據(jù)表達(dá)。故其節(jié)點(diǎn)函數(shù)選擇方案應(yīng)側(cè)重于數(shù)據(jù)細(xì)節(jié)的發(fā)現(xiàn)，應(yīng)采用對數(shù)回歸函數(shù)進(jìn)行節(jié)點(diǎn)設(shè)計，其基函數(shù)應(yīng)改寫如下：

Y=∑(A·logeXi+B)

(2)

式中：Xi為節(jié)點(diǎn)輸入項中的第i個輸入值；Y為節(jié)點(diǎn)輸出值；e為自然常數(shù)，此處取近似值e=2.718 281 828；A、B為節(jié)點(diǎn)待回歸系數(shù)。

為加強(qiáng)數(shù)據(jù)分析結(jié)果，該部分神經(jīng)網(wǎng)絡(luò)隱藏層層數(shù)設(shè)計為6層，分別為17節(jié)點(diǎn)、31節(jié)點(diǎn)、53節(jié)點(diǎn)、29節(jié)點(diǎn)、11節(jié)點(diǎn)、3節(jié)點(diǎn)。輸出為1個雙精度浮點(diǎn)型變量。

5)驅(qū)動方案解釋辦法

上述2列多列神經(jīng)網(wǎng)絡(luò)各輸出1個雙精度浮點(diǎn)型變量，值域空間為(-∞，+∞)。在解釋辦法中應(yīng)將該輸出值解釋為輪對單側(cè)驅(qū)動輪運(yùn)行的8個驅(qū)動策略(表1)，其輸出值與解釋值之間的關(guān)系如表3所示。

表3 驅(qū)動方案解釋辦法匯總表

表3中，將數(shù)據(jù)解釋方案設(shè)定為有效值域空間[0,1.000]范圍，超出此值域范圍的(-∞,0)和(1.000,+∞)，均設(shè)定為報錯區(qū)間。該報錯區(qū)間用于判斷神經(jīng)網(wǎng)絡(luò)系統(tǒng)是否有效收斂，而在實際運(yùn)行中，一旦一側(cè)驅(qū)動輪給出報錯數(shù)據(jù)，則兩側(cè)驅(qū)動輪均同時制動抱死，防止出現(xiàn)不可預(yù)見事故。在有效值域空間內(nèi)，系統(tǒng)根據(jù)兩側(cè)驅(qū)動輪的實際神經(jīng)網(wǎng)絡(luò)輸出值選擇合適策略。但在安全保護(hù)裝置中，系統(tǒng)會給出以下輔助報錯空間，以對神經(jīng)網(wǎng)絡(luò)的收斂情況給出加強(qiáng)輔助判斷過程，詳見表4。

表4 輔助報錯空間設(shè)置

表4中，前進(jìn)策略共有4個，后退策略為2個，停車策略1個，計劃內(nèi)制動策略1個，轉(zhuǎn)向策略10個，上述計劃內(nèi)策略共18個，而策略投影空間共有81項。該81項中如果策略投影不在18個計劃內(nèi)策略中，均會給出報錯，并使系統(tǒng)保護(hù)性制動。該策略進(jìn)一步增加神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中的收斂度，且增加了系統(tǒng)安全性。

3 系統(tǒng)開發(fā)與測試

該系統(tǒng)軟件開發(fā)過程中，3個處理器均采用了Linux操作系統(tǒng)，邏輯數(shù)據(jù)管理使用了MySQL平臺軟件，視頻與激光點(diǎn)云驅(qū)動為探頭內(nèi)置軟件，軟件開發(fā)使用了Java編譯系統(tǒng)。數(shù)據(jù)訓(xùn)練過程采用了遙控訓(xùn)練法，使用人工遙控的方式操作該輪對驅(qū)動系統(tǒng)，神經(jīng)網(wǎng)絡(luò)系統(tǒng)根據(jù)操作指令和探頭輸入數(shù)據(jù)進(jìn)行訓(xùn)練，其自主訓(xùn)練路徑長度100m，設(shè)計拐點(diǎn)6個，運(yùn)行過程中設(shè)計額外障礙物及行人闖入等應(yīng)急狀態(tài)。根據(jù)訓(xùn)練時長測試其效率，得到測試結(jié)果如表5所示。

表5 系統(tǒng)開發(fā)測試結(jié)果表

表5中，當(dāng)訓(xùn)練達(dá)到25h時，該系統(tǒng)的自主尋跡能力已經(jīng)與人工遙控操作時長保持持平；當(dāng)訓(xùn)練達(dá)到100h時，該系統(tǒng)的平均車速11.19m/s較人工遙控的9.59m/s提升16.7%。考察行人侵入的制動效率，人工遙控制動最終位置距離行人平均1.92±0.36m；訓(xùn)練25h時制動最終位置距離行人平均1.23±0.24m；訓(xùn)練100h時制動最終位置距離行人平均0.73±0.18m。可以推測自主尋跡避障功能，更傾向于貼近異常點(diǎn)進(jìn)行制動，且所有機(jī)器人操作在訓(xùn)練5h后均未發(fā)生意外碰撞事故。

4 結(jié)語

使用4個激光點(diǎn)云探頭構(gòu)建自主尋跡避障主視覺系統(tǒng)，使用4個3通道可見光攝像頭構(gòu)建自主尋跡避障輔助視覺系統(tǒng)，采用機(jī)器人自主視覺系統(tǒng)，在輪對驅(qū)動AGV車輛底盤上，構(gòu)建驅(qū)動系統(tǒng)。該系統(tǒng)使用3個嵌入系統(tǒng)運(yùn)行8個深度卷積神經(jīng)網(wǎng)絡(luò)和2個數(shù)據(jù)庫輔助多列卷積神經(jīng)網(wǎng)絡(luò)，最終構(gòu)建針對2個驅(qū)動輪的8擋位控制系統(tǒng)，給出4個前進(jìn)策略、2個倒退策略、10個轉(zhuǎn)向策略、1個停車策略和1個計劃內(nèi)制動策略。最終開發(fā)測試中，該系統(tǒng)在遙控訓(xùn)練25h時，達(dá)到與人工遙控近似的自主尋跡能力；遙控訓(xùn)練100h時，控制效率超出人工遙控16.7%；但后續(xù)訓(xùn)練未發(fā)現(xiàn)有控制效率的顯著提升。該系統(tǒng)通過提升神經(jīng)網(wǎng)絡(luò)系統(tǒng)的節(jié)點(diǎn)數(shù)量、增加控制器的硬件配置，可以得到更高的控制效率。