一種基于邊緣檢測的自適應AGV系統

摘 要：AGV系統作為一種典型的復雜產品，具有開發周期長、定制成本高、售后服務需求性高等特點。AGV系統通常在工業領域運輸元器件生產的任務中表現良好，可以通過系統內部的定位導航實現運輸任務的全自動進行。但是，傳統AGV系統只能在固定線路上運行而且缺乏靈活性。針對這一問題，提出了一種基于邊緣檢測的自適應AGV系統。系統基于圖像邊緣檢測等原理進行道路路徑的自適應檢測，同時結合霍夫直線變換方法，提高了AGV系統的魯棒性和自適應性，實現了系統的高效協同與聯動，有力地推動了AGV系統轉型升級。

關鍵詞：圖像處理；運行一體化；邊緣檢測；AGV系統；自適應檢測；霍夫直線變換

中圖分類號：TP751；F407.67 文獻標識碼：A 文章編號：2095-1302（2025）03-0-05

0 引 言

在現代工業發展過程中，人力成本逐漸成為一個重要的考量因素。隨著制造業工人數量的減少，大型工廠正不斷尋求替代傳統人力工作的無人操作機器系統，以實現工廠的正常運行并降低人力成本，從而提高企業的經濟效益。為此，本文旨在研究一種基于邊緣檢測的自適應自動導引車（Automated Guided Vehicle， AGV）系統[1]，以實現在上述工業環境中應用。

本文旨在設計和開發一種基于邊緣檢測的自適應AGV系統。該系統能夠利用攝像頭模塊實時感知和識別周圍環境，并基于這些信息做出智能決策和操作。通過采用邊緣檢測技術，該系統能夠快速準確地識別和分析工業環境中的邊緣特征，從而實現精確的導航和避障。期望通過本文的研究，為工業環境中的自適應AGV系統的設計和開發提供有益的指導和啟示。該系統的成功應用將為工業生產帶來許多好處，包括提高生產效率、降低人力成本、增強安全性和減少人為錯誤等方面。

1 工業領域AGV系統現狀分析

目前，在傳統的AGV系統中，無人車的導航技術通常包括電磁感應技術、激光檢測技術、光學檢測技術、超聲檢測技術、慣性導航技術、圖像識別技術和坐標檢測技術[2-3]等。這些技術的應用使AGV系統在現代經濟社會各行各業的工廠流水線無人駕駛搬運作業中得到廣泛使用。然而，傳統AGV系統在實際工業環境中仍存在很多問題。

1.1 需要固定的設備安全運行路線

在傳統的AGV系統中，通常采用電磁感應技術、激光檢測技術和光學檢測技術等方法來實現導航控制。這些方法需要在地面上鋪設參照物或設置固定路線，以提供導航的參考或限制無人車的運動范圍。然而，這種方法因缺乏靈活性和適應性，在適應不同路線和環境方面存在一定的限制。

1.2 建設初期開發成本較高

目前，工業領域的AGV系統建設通常需要較高的開發成本，AGV需要具備自主導航、環境感知、路徑規劃、避障等復雜的技術能力。為了實現這些功能，需要進行大量的技術研發和創新工作，包括傳感器技術、導航算法、機器學習等方面的研究。這些研發工作需要投入大量的時間、人力和資源，從而增加了開發成本。

1.3 不同的企業對AGV的需求不同

不同行業和企業對AGV的需求可能存在差異，需要滿足特定的工作場景和功能要求。這就要求開發團隊在設計和制造過程中充分考慮客戶的個性化需求，進行定制化開發。定制化開發通常需要投入更多的資源和成本，從而增加了總體的開發成本。針對不同行業的需求，AGV系統的設計和功能可以進行定制化調整。例如，在制造業中，AGV系統可能需要具備高精度定位和自動化搬運能力，以適應生產線的物料運輸需求。而在醫療行業，AGV系統可能需要具備特殊的衛生要求和安全性能，以滿足醫院內部的藥品和設備運送需求。

2 自適應AGV系統硬件設計

對于自適應的AGV系統，本文使用一種3輪的無人車模型。其中后輪為有刷電機的驅動輪，前輪為自由控制的萬向輪。在轉向時使用前輪轉動配合后輪差速轉動實現快速響應，靈活準確的轉向功能適用于在工廠內繁雜地形的行駛狀態。在硬件控制方面，本文使用基于PID算法控制的增量式PID和位置式PID進行速度方向控制。軟件控制系統使用攝像頭采集圖像并進行邊緣檢測后得到道路邊緣，再對邊緣進行霍夫直線擬合，提取并計算出位置偏差，從而確?？刂葡到y能夠穩定運行。

如圖1所示，本系統中后輪電機使用H橋電路系統控制。H橋電路系統具有雙向控制能力、高效能力、調速和調節功能，以及可靠性和安全性。

如圖2所示，本系統使用灰度攝像頭進行灰度圖像采集，并通過圖像識別AGV系統的行駛狀態。

無人車使用MT9V032攝像頭，該攝像頭適合高速下的圖像采集，其具有全局快門、高動態性能、可自動曝光等優點。

3 自適應AGV系統的PID設計

在工業無人車領域中，PID控制器是一種通過比例（P）、積分（I）及微分（D）算法進行控制的PID調節器[4]。常規的PID系統原理如圖3所示。

本系統由PID控制器和被控對象組成[5]，根據給定值r和輸出值v相減構成偏差值e，可得：

e（t）=r（t）-y（t） （1）

根據比例P、積分I、微分D的偏差線性組合構成的控制函數，對被控對象進行操作。因此常規的PID理想方程模型為：

（2）

式中：KP、TI、TD分別為PID控制器的比例系數、積分時間常數和微分時間常數。

在實際運用中，計算機的控制是一種離散的采樣控制。理想的PID方程中的積分、微分可以用數學采樣逼近，以實現數字PID的控制，當采樣周期T足夠時，這種計算方法具有理想的精確度[6]。

在工程應用中，PID的控制器可以分為2種，即位置式PID和增量式PID。

對于位置式PID，其理想方程模型為：

（3）

式中：k為采樣序列號，k=0， 1， 2， ...；uk為第k次采樣時刻的計算機輸出值；ek為第k次采樣時刻的輸入偏差值；KI為積分系數，KI=KP；KD為微分系數，KD=KP；u0為進行PID

控制時的計算機輸出值。

對于增量式PID，其理想方程模型為：

（4）

式（3）減去式（4）得到：

Δuk=KP（ek-ek-1）+KIek+KD（ek-2ek-1+ek-2） " =KPΔek+KIek+KD（Δek-Δek-1） " （5）

Δek=ek-ek-1 （6）

對式（5）進行整理、化簡得到：

（7）

增量式PID控制是基于控制量的變化率進行調節的。在電機控制中，增量式PID可以更好地應對快速變化的控制需求。電機通常需要根據速度或加速度的變化來調整輸出，以控制電機的轉速、位置或力矩。增量式PID控制在這方面具有優勢，因為它可以直接對控制量的變化進行響應，無需對目標值進行積分和微分運算[7]。

位置式PID控制是基于控制量與目標值之間的誤差進行調節的。在舵機控制中，位置式PID常常被使用，因為舵機通常需要將輸出位置精確地調整到目標位置。位置式PID控制通過計算位置誤差，并對誤差進行積分和微分運算，來調整輸出并實現精確的位置控制。

因此，在本文使用的3輪AGV系統中，后輪電機使用增量式PID控制速度。

4 自適應AGV系統的導航設計

4.1 基于Canny邊緣檢測的AGV系統圖像處理

Canny邊緣檢測在AGV系統中得到了較好的應用。AGV系統是自動引導車系統，用于在工業和物流環境中完成自主導航和搬運任務。邊緣檢測是AGV系統中的關鍵技術之一，用于識別和提取圖像中的物體邊緣信息。

Canny邊緣檢測算法是一種經典的邊緣檢測方法[8]，其優點在于能夠有效地檢測出圖像中的邊緣，并具有較低的誤檢率。在AGV系統中，Canny邊緣檢測可以應用于環境感知和障礙物檢測。通過對AGV攝像頭獲取的圖像進行Canny邊緣檢測，可以提取出物體的邊緣輪廓，從而實現對環境中障礙物的檢測和識別[9]。

利用Canny邊緣檢測，AGV系統可以實現精確的環境感知和路徑規劃。通過分析邊緣信息，AGV系統可以確定可行駛區域和障礙物位置，從而規劃出安全且有效的路徑。這使得AGV系統能夠在復雜和動態的環境中進行自主導航，避開障礙物并完成任務。本系統基于Canny邊緣檢測進行圖像處理的流程如圖4所示。其中，中值濾波是使用像素周圍鄰域內的中值來替換每個像素的值，從而實現圖像的平滑，有效去除椒鹽噪聲，進而提高Canny邊緣檢測的準確率[9]。高斯濾波使用高斯函數作為權重來計算鄰域內每個像素的貢獻，高斯函數以及計算方程為：

" （8）

式中：G（x， y）表示在一個n*n的卷積核中點（x， y）的最終閾值；I（x， y）表示卷積核中點（x， y）的原始閾值；H（x， y）表示高斯函數在卷積核中的權重。

使用Sobel算子計算圖像梯度的方向和幅值：

（9）

式中：GX、GY為Sobel算子在x、y方向的卷積核。

（10）

幅值為：

（11）

方向為：

（12）

對幅值使用非極大值抑制：遍歷圖像中的每個像素點；對于每個像素點，根據其梯度方向確定其相鄰兩個像素的位置，并計算其沿著梯度方向的兩個相鄰點的插值梯度值；然后，比較當前像素的梯度值與其相鄰兩個插值點的梯度值。如果當前像素的梯度值最大，則將其保留，否則對其進行抑制[10]。

使用雙閾值篩選和鏈接邊緣：根據兩個閾值T1、T2（T1lt;T2），即高閾值和低閾值，對梯度圖像進行閾值處理，將梯度值高于高閾值的像素標記為強邊緣，低于低閾值的像素標記為非邊緣。介于高閾值和低閾值之間的像素被標記為弱邊緣。接下來，通過連接強邊緣像素周圍的弱邊緣像素，形成連續的邊緣線段或曲線。常用的連接方法依賴于邊緣像素的空間鄰近性和像素強度相似性。這種連接的結果是一條或多條連接的邊緣，形成更完整和連續的邊緣線段。

Canny邊緣檢測的過程比較嚴謹完善，綜合考慮了各種指標，是應用比較廣泛的一種邊緣檢測算法。Canny邊緣檢測的輪廓圖示例如圖5所示。

圖5（a）所示為原始灰度圖像，圖5（b）為邊緣檢測處理后的邊緣二值化圖像，中間直線為期望行駛路線。由圖5可知，Canny邊緣檢測最終會得到一張包含邊緣信息的黑白圖像。其中，邊緣部分為行車線道路的特征。本自適應AGV系統依靠此圖像在安全路線上準確行駛[11]。

4.2 AGV系統自適應處理道路邊緣圖像

通過對圖像的道路邊緣的計算可以發現，道路由左右2個邊緣組成。從離攝像頭最近的道路邊緣區域開始提取左右道路邊界，為自適應無人車系統計算出準確的期望行駛路線以及當前行駛狀態下的偏差值[12]。

AGV系統的期望行駛路線可由如下方程計算得到：

（13）

式中：xe為第n行的期望路線點；xl、xr為第n行的左右邊界點；h為圖像寬度；hmin為圖像寬度精度的截止行。

自適應AGV系統的偏差值由如下方程計算得到：

（14）

式中：err為偏差值圖像每一行偏差值的和；xmid為圖像行中點。

當errgt;0時， 自適應AGV系統存在右偏差，需要往左回正。當errlt;0時， 自適應AGV系統存在左偏差，需要往右回正。

配合PID的控制，可以實現對偏差值的負反饋流程，如圖6所示。其中，k1為后輪期望速度偏差值的比例系數。

4.3 AGV系統的自適應期望路線

由圖5可知，通過左右邊界計算得到的期望行駛路線存在不平滑、輕微鋸齒狀的狀態，會導致最終計算的偏差值出現不連續，從而使系統出現超調量過大的現象。因此，無人車系統需要對計算出的期望行駛路線進行霍夫變換直線擬合，最終達到連續分布的曲線，實現更加平滑的控制效果[13]。

霍夫變換直線擬合的數學模型如下：

ρ=xicosθ+yisinθ " （15）

式中：ρ表示直線到原點的距離；θ表示直線的垂線與x軸的夾角。

在霍夫空間中，每個點表示一條直線。點在霍夫空間中的位置由直線的ρ和θ參數決定。

對于每個邊緣點，根據ρ和θ的取值范圍，計算其對應的ρ和θ，并且在累加器數組中相應位置的計數增加。在累加器數組中找到峰值，這些峰值對應于圖像中出現頻率較高的直線。由此可以獲得檢測到的直線的參數。

如圖7所示，霍夫變換可以很精確地擬合出行車的期望路線，從圖7（b）中可以看到行車線邊緣相對平滑。

5 AGV系統的實車實驗分析

5.1 實驗環境

測試環境如圖8所示。該測試環境深灰色為背景，淺灰色為無人車行駛道路，可根據實際情況變化。

5.2 實驗結果

在本次實驗過程中，該AGV系統在不同的情景下有不同的反應。

5.2.1 無人車駛出道路

當無人車駛出道路時，該AGV系統會自動檢測道路偏差值，并及時回正，防止脫出既定行駛路線，如圖9所示。

5.2.2 道路存在障礙并阻礙無人車通行

如圖10所示，當道路存在障礙物并阻礙無人車通行時，該系統在檢測到障礙后會通過報警提示或者繞行來越過此路障。

當無人車行駛的道路前方存在障礙物（如圖10（a）所示）時，無人車的Canny邊緣檢測得到邊緣區域明顯出現截斷的現象（如圖10（b）所示），由此可以判斷前方是否存在障礙物。

5.2.3 系統正常行駛

為了保證實驗的安全性和有效性，本次實驗通過設置不同速度、道路中設置一處路障進行自適應AGV系統的實際測試。每次實驗從同一起點出發，障礙物設置也是同樣的情況，便于進行分析比較。實驗數據見表1，這里只考慮數值大小。

由表1可知，在期望速度v≤2 cm/s時，該AGV系統的穩定性較高，能夠滿足工業AGV系統的基本速度需求。

6 結 語

針對現有AGV系統在工業領域的局限性，本文設計了一種基于邊緣檢測的自適應AGV系統控制方法，其中主要的創新點如下：

（1）該算法既能自主對道路進行安全性評估，又能對無人車系統在道路的不同位置進行動態自適應調整，從而達到穩定高速運行的效果[14-15]。

（2）為了驗證所提出算法的有效性和魯棒性，本文對實際的工業環境無人車行駛道路進行了實驗測試。通過對設置的3種不同場景、5種不同速度進行分析發現，本文的無人車系統的穩定性較高，且在不同的異常場景下能夠快速做出不同反應，具有一定程度的魯棒性，能夠滿足工業無人車的基本需求[16]。

注：本文通訊作者為陳建國。

參考文獻

[1]廖凌俊.基于超寬帶的AGV室內無線定位系統研究[D].深圳：深圳大學，2018.

[2]李海賓.基于視覺導引的AGV控制系統研究[D].哈爾濱：哈爾濱工業大學，2010.

[3]高銀萍.基于數字孿生的自動化集裝箱碼頭堆場資源優化[D].上海：上海海事大學，2022.

[4]葉政. PID控制器參數整定方法研究及其應用[D].北京：北京郵電大學，2016.

[5]方磊.模糊PID控制在船用舵機電液伺服單元中的應用[D].哈爾濱：哈爾濱工業大學，2007.

[6]蘇志遠.面向高速高加速度運動伺服系統的自尋優模糊控制研究[D].合肥：合肥工業大學，2007.

[7]李慧偉.自適應控制在供水系統中的應用研究[J].科技風，2015（15）：59.

[8]許瑤，劉曉峰.基于改進RRT算法的無人車路徑規劃研究與測試[J].國外電子測量技術，2023，42（8）：132-138.

[9]屈獻超.基于雙目立體視覺的三維人臉點云種子點獲取[D].長春：吉林大學，2009.

[10]陳皓燃.基于視覺的低速無人車導航與控制[D].哈爾濱：哈爾濱工業大學，2021.

[11]袁靜.煤礦巡檢機器人自主建圖與導航技術研究[D].阜新：遼寧工程技術大學，2021.

[12]杜明芳.基于視覺的自主車道路環境理解技術研究[D].北京：北京理工大學，2015.

[13]曾帥.基于深度學習的零件識別系統設計與研究[D].上海：上海師范大學，2020.

[14]王林波.基于手眼視覺的合作目標特征點精確定位算法研究[D].長春：中國科學院研究生院（長春光學精密機械與物理研究所），2014.

[15]劉圓圓.基于雙目立體視覺的冷軋不銹帶鋼表面相似缺陷識別研究[D].太原：太原理工大學.

[16]吳永剛，梁華為.基于自適應模型預測的無人車跟蹤控制方法研究[J].制造業自動化，2023，45（2）：198-202.