agv视觉导引原理图，AGV的视觉避障主要导引和导航方式

很多朋友对agv视觉导引原理图，AGV的视觉避障主要导引和导航方式不是很了解，每日小编刚好整理了这方面的知识，今天就来带大家一探究竟。

AGV（自动导引车）简介：

美国供应链管理专业协会对AGV的定义：自动导引车辆是指配备电磁或光学等自动导引装置，能够按指定导航路径行驶，具有安全防护和各种功能的运输工具。传递函数。手推车。

随着自动化程度的提高，传统制造业的生产模式发生了深刻的变化。仓储物流自动化已成大势所趋，生产由单一的固定方式转变为适应性强的柔性生产线。为了节约成本、提高经济效益，广泛采用柔性制造系统、自动化仓储系统等先进生产方式。他们以高度智能化的系统为决策中心，以机器人、自动化立体仓库、无人车为主要设备。其中，无人搬运设备以自动导引车为标志，它综合了电子计算机科学、图像信号处理、自动控制等先进技术。是现代物流系统和柔性生产组织系统的关键设备。

目前AGV的工作环境可分为室内环境和室外环境。更多的系统在室内工作或使用室内作为主要工作场所。由于其通用性，可以为各种场合使用的移动机器人的开发提供理论和技术支持。室内环境被视为结构化环境，光线相对稳定，环境复杂程度有限。结构化道路上的标志往往具有明显的特征，如颜色、宽度、边界等，这样可以用更简单的方法进行特征提取进行道路识别，进而恢复道路场景。

AGV的应用范围包括：制造业、仓储业、邮局、港口、机场、烟草、医药、食品、化工、核材料、感光材料特种行业等领域。

AGV导航方式：

移动机器人的导航问题主要涉及三个问题：“你现在在哪里？”、“你要去哪里？”、“你想怎么去？”。第一个问题是导航系统中的定位问题，它决定移动机器人相对于工作环境中的全局坐标的位置以及自身的姿态；第三个问题是导航系统的路径规划和跟踪。

导航的研究就是让机器有目的地运动，在无人干预的情况下完成特定的任务。因此，物流系统的灵活性取决于不同应用系统所采用的制导和导航方法。多元化。

引导和导航之间存在差异。指导是根据当前状态数据计算下一个周期的运行参数。它只需要相对位置，与全局坐标无关。导航是指确定自身的位置和航向。 AGV的主要引导和导航方式有：

(1)坐标引导AGV

直接坐标引导的原理是：首先通过定位块将行驶区域划分为若干个坐标统一的小区域，然后统计行驶过程中经过的小区域的数量，从而实现引导。常用的有两种形式：光电式和电磁式。前者利用不同的颜色来划分坐标的小区域，然后利用色敏光电器件进行计数；后者利用磁块或金属块划分坐标，然后利用金属敏感的电磁感应装置进行计数。

这种制导方法的优点是：路径修改简单、制导可靠性好、不受环境背景影响。缺点是：定位块安装复杂，导向定位完全由定位块的尺寸和数量决定，工作量大，精度低。

(2)电磁引导AGV

电磁制导是应用最广泛的制导方式之一。埋在地下的电线携带电磁频率，电线中的频率通过称为“地面控制器”的装置打开或关闭。电磁引导依靠感应产生的电磁波。频率引导沿着埋藏的路线传播。该导引方式技术成熟，经济可靠，引线隐蔽，不易沾污和损坏，导引原理简单，通讯方便，不受声光干扰；但其灵活性差，对地面平整度要求高，路径难以改变和扩展。

(3)光导AGV

光导是基于单个光源的传输过程不会改变的原理。行车道路上铺设反射率稳定的色带。同时，车辆上安装了能够发射和接收光线的光电传感器。发出信号来调整车辆的行驶方向。其优点是导引线敷设成本低、柔性好，但对织带的污染和机械磨损非常敏感，对环境要求高，导引可靠性差。

(4)激光红外导航AGV

激光红外导航配备有可以发射和接收激光红外线的扫描仪。引导区域周围安装了足够数量的激光反射器。激光束通过激光扫描仪发射，同时收集反射镜反射的激光束。通过三角几何计算确定其当前位置和航向，实现制导。这种导航方式的优点是定位准确，行驶路径灵活多变，可以适应多种现场环境；缺点是制造成本高、位置计算复杂、针对光干扰的纠错能力有限。

(5)视觉导航AGV

视觉导航，又称图像识别引导。其工作原理是摄像头动态摄取路径信息，通过图像处理技术识别需要跟踪的路径，并指导操作。视觉导航不仅可以获得大量的信息，而且具有路径设置和改变简单、系统灵活性好的特点。另外，惯性导航法和GPS导航法多用于军事。

AGV的各种引导/导航方式按照引导信息来源可分为外部引导和内部引导。根据有无预定路径引导的形式，主要分为预定路径引导和自由路径引导两类。

导航标线检测算法研究：

对作为道路边缘的车道标线进行视觉检测是AGV路径识别需要实现的基本功能。视觉导航AGV利用CCD摄像头采集地面铺设的条状标线，利用图像处理和分析来获取导引车周围的环境信息。该方法是AGV识别系统中的核心技术。

涉及内容：坐标系建立、车道模型分析、图像预处理等。下面重点介绍图像处理：

人们对于车载机器视觉的研究有一个基本共识：图像在采集、转换和传输过程中会受到污染，这必然导致图像质量的下降。路径识别和跟踪。

除了现有的信息外，视觉导航AGV上的车载摄像头获取的原始图像由于环境限制和随机干扰，还包含许多冗余信息，可识别性较差。首先，必须对原始图像进行预处理。如下：

图像平滑是一种低通滤波技术，可以分别在频域和空间域中执行。

(1)模板操作。

模板运算实现的是邻域运算，即某个像素的结果不仅与该像素的灰度级有关，还与其邻居的值有关。模板运算的数学描述称为卷积。

(2)中值滤波。

中值滤波是将图像邻域内的像素按照灰度等级进行排序，取中值作为输出像素，属于非线性空间滤波技术。它是一种可以去除噪声同时保护目标边界不成为模糊滤波方法的滤波器。其原理是选择包含奇数个像素的移动窗口，用窗口内灰度值的中值代替窗口中心像素的灰度值，从而消除孤立的噪声点。数学表达式如下：

其中，f(x,y)、g(x,y)分别为原始图像和处理后图像，为二维模板，通常为2*2、3*3区域。

(3)形态校正。

经过上述处理后的二值化图像中可能仍然存在一些零散的点，并且黑色部分的边缘不是很清晰，存在毛刺和孔洞。对二值化图像进行数学形态学滤波，实现局部背景平滑。数学形态学的主要运算有形状与膨胀、形差腐蚀、开运算、闭运算等。

腐蚀操作的作用是消除图像中小于结构元素的无意义边界点，使目标物体的边界向内收缩；膨胀操作的作用是填充图像中目标物体的空心点，使物体的边界向外膨胀；腐蚀和膨胀的复合运算变成开运算和闭运算：开运算是先腐蚀图像再膨胀的过程，可以消除图像中的边缘毛刺和孤立点；闭运算与开运算过程相反，填充图像中的孔洞和裂缝。它们对图像执行简单的平滑并检测图像中的奇点。根据二值化的结果，我们需要去除图像中的孔洞和毛刺，并保持原始图像的特征不变，因此我们可以将图像打开，使黑色边缘清晰，易于边缘检测。

(4) 导航标线边缘检测算法

边缘是指图像中局部亮度变化较大的部分，是图像中像素灰度不连续或灰度变化剧烈的点的集合。边缘检测的目的是识别数字图像中亮度变化明显的点。尽管计算机视觉处理方法并不明显依赖边缘检测作为预处理，但边缘检测仍然是图像分割的重要特征，也是图像分析的重要基础。常用的边缘检测算子有：

(4.1)梯度算子：sobel算子、prewitt算子。

(4.2)基于图像函数二阶导数过零点的算子：LOG算子、canny算子。

障碍物识别研究：

对于障碍物的识别，方法的选择取决于周围环境和障碍物的定义。障碍物可以定义为车辆前方道路上具有一定体积的物体。道路上常见的障碍物包括车辆、货物、杂物等。

障碍物识别技术最关键的是检测、跟踪和定位技术。检测是指确认前方路径上是否有障碍物，跟踪是指描述选定目标的轨迹，定位是指计算障碍物与自动导引车之间的实际距离。其中，检测是基础，跟踪是过程，定位是最终目标。

空间目标的跟踪是通过目标的有效特征构造模板，并在图像序列中找到与目标模板最相似的候选区域的位置，即确定目标在空间中的运动轨迹的过程。序列图像。在基于单目视觉的空间障碍物跟踪的研究中，一般有两种思路：

（1）不依赖任何先验知识，直接从图像序列中检测障碍物，然后跟踪感兴趣的目标。

(2)依靠障碍物的先验知识，首先对可能的目标进行建模，然后实时检测图像序列中与模型匹配的目标，然后进行跟踪。

最常用的是第二种思维方式，因为障碍物存在于特定的运行环境中，并且可以用包含有限元的完整集合来表示。对于这种跟踪方法，实现跟踪的第一步是进行目标检测，即从序列图像中提取背景图像中的感兴趣区域。

在目标跟踪过程中，往往需要利用搜索算法来预测某个目标未来的位置，以缩小搜索范围。按照这个思路，一般有两类算法：

(1) 预测目标在下一帧图像中可能出现的位置，然后找到该相关区域中的最优点。常用的预测算法包括卡尔曼滤波器、扩展卡尔曼滤波器、粒子滤波器等。

(2)缩小目标搜索范围的算法，通过优化搜索方向，利用一些估计方法来优化迭代收敛过程以获得目标模板与候选目标之间的距离，缩小搜索范围，如均值平移算法（MeanShift算法）、连续自适应均值平移算法（Camshift）、置信区域算法。

空间目标定位算法的研究主要集中于获取场景中目标上各点相对于相机的距离，这是机器视觉的主要任务之一，也是障碍物识别的最终目标。通过计算目标与摄像机之间的距离参数，可以获得目标相对于小车的速度、目标的大小等参数，可以更好地为控制的运行状态提供决策数据。这里我收集了几种基于视觉运动避障的实现思路：

常用的计算机视觉解决方案有很多，例如双目视觉、基于TOF的深度相机、基于结构光的深度相机等。深度相机可以同时获取RGB图像和深度图像。无论是基于TOF还是结构光，在室外强光环境下效果都不理想，因为它们需要主动发光，容易受到强光干扰；基于结构光的深度相机，发射的光会产生相对随机但固定的散斑图案。这些斑点撞击到物体后，由于距相机的距离不同，相机拍摄到的位置也不同。之后，计算出光斑和校准后的标准图案在不同位置的偏移量，可以利用相机位置和传感器尺寸等参数来计算物体与相机之间的距离。对于AGV来说，双眼视觉更适合：

双眼视觉的距离测量本质上是一种三角测距方法。由于两个摄像头的位置不同，就像人的两只眼睛看到不同的物体一样。两个相机看到的同一个点P在成像时会有不同的像素位置。这时，可以通过三角测量来测量该点的距离。双目算法计算的点一般是算法捕获的图像特征，如SIFT或SURF特征等，通过特征计算稀疏图。

基于双目立体视觉的障碍物检测关键在于两点：障碍物目标的提取，即识别图像中障碍物的位置和大小；障碍物目标的深度信息。前一步是后一步的基础。识别的目标可以有多个，通过立体匹配得到视差后可以将哪些目标标记为障碍物目标。

双目立体视觉技术的实现可分为：图像采集、相机标定、特征提取、图像匹配和3D重建。上图中的光轴近似平行。在平行光轴系统中，双目视觉测距将3D场景中寻找目标深度的问题转化为寻找2D投影图像中的视差问题。因此，相机模型就是在3D场景的点和2D图像上的点之间建立一对一的映射关系。

至于具体的技术实现，我们稍后会仔细研究。

黄飞

以上知识分享希望能够帮助到大家！