基于機器視覺的智能搬運小車

卓越 賴志芳 張銘 王悅新

摘要：隨著機器人技術的發展，移動機器人在倉儲物流中輔助分揀已成為重要的研究方向。提出一種基于機器視覺的智能搬運小車，主要研究麥克納姆輪平臺的控制及通過機器視覺技術輔助作業。針對復雜場景中對目標的搜索和跟隨，采用基于YOLOv3 的目標檢測算法來保證對目標的自主搜索以及解決在移動過程中目標物丟失的問題。為了使搬運車能區分搬運目標的種類，使用以MobileNetV2 為主干網絡的神經網絡模型，經實驗檢測可以獲得可靠的正確率。相較于傳統的方案，基于機器視覺的智能搬運車展示了較好的魯棒性，能夠自主完成分揀搬運工作，為視覺搬運車的研究提供了可行的思路。

關鍵詞：輪式機器人；麥克納姆輪；目標檢測；YOLOv3；MobileNetV2；分類檢測

中圖分類號：TP242；TP391.41 文獻標識碼：A

0 引言

隨著物流行業的發展，如何減少在倉儲中的周轉時間成為物流行業的挑戰之一。自20 世紀60 年代第一個移動機器人Shakey 誕生之后，移動機器人在酒店、安防和醫療等領域廣泛應用，移動機器人集成了智能感知、傳感技術、動態決策與規劃、行為控制和執行功能[1]。近年來，各類型的機器人已運用到倉儲物流中。在機器人運動方面，能夠全向運行的輪式機器人是現今及未來物流機器人的主力軍，與一般的輪式差速移動機器人相比，基于麥克納姆輪的移動機器人在狹窄空間內位置調整能力較強、定位精度更加準確，可以在平面內無約束且快速地全向移動[2]。

隨著機器視覺技術的發展，其已廣泛應用于各個行業，其中，視覺定位技術一直是機器視覺領域的重要研究方向。王壯飛等[3] 通過Canny 邊緣檢測算法與K-means 聚類算法實現了對水果的定位和采摘。張興華[4] 通過顏色識別，完成了指定區域的自動搬運。但這些方法無法解決傳統視覺技術受光線強度和圖像成像質量影響等缺陷。2006 年，卷積神經網絡（convolutional neural networks，CNN）被提出，深度學習技術開始應用在視覺領域，而YOLO（you onlylook once）等目標檢測算法的誕生，則標志著機器視覺迎來了新的春天。曹月花等[5] 使用目標檢測技術完成了在道路上對車道線、道路標識的檢測，但對于復雜場景中目標被部分遮擋、形變造成的目標丟失等問題，未能提出有效的解決方案。萬琴等[6] 提出了YOLOX 的移動機器人目標跟隨方法，通過目標檢測算法，實現了較好的實時性和魯棒性。