呂恩利，阮清松，劉妍華，王飛仁，羅毅智

?

基于激光掃描區(qū)域動(dòng)態(tài)變化的智能叉車(chē)障礙物檢測(cè)

呂恩利1,2，阮清松1,2，劉妍華3※，王飛仁1,2，羅毅智1,2

（1. 華南農(nóng)業(yè)大學(xué)工程學(xué)院，廣州 510642；2. 華南農(nóng)業(yè)大學(xué)南方農(nóng)業(yè)機(jī)械與裝備關(guān)鍵技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，廣州 510642；3. 華南農(nóng)業(yè)大學(xué)工程基礎(chǔ)教學(xué)與訓(xùn)練中心，廣州 510642）

為了解決干果倉(cāng)儲(chǔ)過(guò)程中智能叉車(chē)行駛過(guò)程的障礙物誤檢問(wèn)題，該文提出一種基于車(chē)速與轉(zhuǎn)向角的智能叉車(chē)障礙物動(dòng)態(tài)檢測(cè)方法。智能叉車(chē)通過(guò)車(chē)載激光傳感器實(shí)時(shí)獲取車(chē)身位姿和周?chē)h(huán)境信息，并結(jié)合所建立的叉車(chē)運(yùn)動(dòng)幾何模型，形成基于水平和傾斜激光測(cè)距傳感器掃描面的雙面融合障礙物動(dòng)態(tài)檢測(cè)方式，使得智能叉車(chē)的障礙物檢測(cè)區(qū)域隨車(chē)速及轉(zhuǎn)向角動(dòng)態(tài)變化。試驗(yàn)結(jié)果表明：水平掃描測(cè)距傳感器的試驗(yàn)中，該文方法未出現(xiàn)誤檢情況，而扇形方法誤檢率為50.00%，矩形方法誤檢率為10.00%；傾斜掃描測(cè)距傳感器的試驗(yàn)中，該文方法未出現(xiàn)誤檢情況，而扇形方法誤檢率為30.77%，矩形方法誤檢率為69.23%。該文方法的警情預(yù)測(cè)與實(shí)際相符，以水平掃描測(cè)距傳感器為主，傾斜掃描測(cè)距傳感器為輔，能夠檢測(cè)到的障礙物最低高度約為31 mm，有效解決了智能叉車(chē)在倉(cāng)庫(kù)中的障礙物誤檢問(wèn)題，較傳統(tǒng)障礙物檢測(cè)方法更適用于倉(cāng)儲(chǔ)運(yùn)輸，提高了智能叉車(chē)在倉(cāng)庫(kù)中的機(jī)動(dòng)性和安全性。該研究可為體型較大的倉(cāng)儲(chǔ)智能運(yùn)輸車(chē)輛的障礙物檢測(cè)方法提供參考。

車(chē)輛；傳感器；智能系統(tǒng)；動(dòng)態(tài)檢測(cè)；激光掃描；倉(cāng)儲(chǔ)

0 引 言

智能叉車(chē)是無(wú)需人為操控，能夠自主存、取貨物，具備初步人工智能的機(jī)動(dòng)車(chē)輛。干果品類(lèi)多、價(jià)值高，在倉(cāng)儲(chǔ)中宜采用貨架擺放堆碼的方式存放，利用智能叉車(chē)取代人工存、取貨物，有利于提高倉(cāng)儲(chǔ)運(yùn)輸效率，促進(jìn)倉(cāng)儲(chǔ)管理規(guī)范化、智能化[1]。障礙物檢測(cè)是智能車(chē)輛能夠安全運(yùn)行的首要保障，其檢測(cè)效果關(guān)系著倉(cāng)儲(chǔ)智能叉車(chē)能否高效運(yùn)作，作為智能車(chē)輛的關(guān)鍵技術(shù)，逐漸成為研究熱點(diǎn)[2-4]。

國(guó)內(nèi)外學(xué)者對(duì)智能車(chē)輛障礙物檢測(cè)做了許多研究，如采用被動(dòng)防撞障礙物檢測(cè)方式，在車(chē)輛周邊安裝緩沖裝置及壓力傳感器，待發(fā)生碰撞后，經(jīng)壓力傳感器檢測(cè)觸發(fā)急停，該方式容易損壞車(chē)載高精度傳感器。另有研究人員采用主動(dòng)防撞障礙物檢測(cè)方式；如利用紅外測(cè)距傳感器實(shí)現(xiàn)汽車(chē)障礙物檢測(cè)[5-6]，以超聲波傳感器作為車(chē)輛防撞系統(tǒng)檢測(cè)環(huán)境的關(guān)鍵[7-8]，采用毫米波測(cè)距雷達(dá)檢測(cè)目標(biāo)并構(gòu)建安全距離模型[9-10]，為滿足AGV（automated guided vehicle）的障礙物檢測(cè)需求，通過(guò)視覺(jué)傳感器獲知前方障礙物的動(dòng)、靜態(tài)以及速度、深度等信息[11-12]，又如文獻(xiàn)[13-15]則基于激光測(cè)距傳感器所獲數(shù)據(jù)分析周?chē)h(huán)境，并通過(guò)劃定檢測(cè)區(qū)域構(gòu)建防撞檢測(cè)系統(tǒng)，而在復(fù)雜場(chǎng)景下，多傳感器融合障礙物檢測(cè)方式也成為一種趨勢(shì)[16-17]?？傮w而言，各類(lèi)方法都是通過(guò)檢測(cè)傳感器到前方障礙物的距離同預(yù)設(shè)安全距離作比較，判斷是否會(huì)發(fā)生碰撞，并提供預(yù)警[18-19]。然而，因預(yù)設(shè)安全距離為固定值，造成檢測(cè)區(qū)域形狀固定不變，多為扇形或矩形檢測(cè)區(qū)域，這些傳統(tǒng)方法適合在開(kāi)闊環(huán)境中低速直行時(shí)采用，對(duì)于體型較大的倉(cāng)儲(chǔ)運(yùn)輸叉車(chē)，因轉(zhuǎn)彎時(shí)遇到的都是直角通道[20]，容易出現(xiàn)誤檢，將不會(huì)發(fā)生碰撞的物體誤判為潛在障礙物，促使車(chē)輛改道或急停，降低叉車(chē)機(jī)動(dòng)性和安全性，而目前的研究更多集中于小型多自由度智能車(chē)輛，缺乏對(duì)體型較大的倉(cāng)儲(chǔ)智能叉車(chē)障礙物檢測(cè)方法的研究。另外，雖有部分學(xué)者為智能車(chē)輛規(guī)劃滿足車(chē)身參數(shù)約束的避障路徑[21-22]，但各類(lèi)避障路徑規(guī)劃方法難免存在不足，路徑跟蹤也存在偏差，避障路徑規(guī)劃又需要占用較大的規(guī)劃空間，無(wú)法有效應(yīng)對(duì)突然出現(xiàn)的近距離障礙物，根據(jù)相關(guān)標(biāo)準(zhǔn)[23]，倉(cāng)庫(kù)通道寬度有限，企業(yè)應(yīng)用也更多希望在安全前提下盡可能高效利用倉(cāng)儲(chǔ)空間；因此，為防撞而設(shè)的障礙物檢測(cè)方法較避障路徑規(guī)劃更為實(shí)用[24]。綜合考慮各因素，防止發(fā)生安全事故，有必要為倉(cāng)儲(chǔ)智能叉車(chē)設(shè)計(jì)一種適用的障礙物檢測(cè)方法。

考慮到貨叉叉取貨物時(shí)不便于環(huán)境檢測(cè)，且智能叉車(chē)多以倒車(chē)方式循跡運(yùn)輸，故業(yè)內(nèi)普遍將障礙物檢測(cè)傳感器安裝在叉車(chē)尾部，因此，本文以倉(cāng)儲(chǔ)智能叉車(chē)的倒車(chē)過(guò)程舉例，利用激光導(dǎo)航傳感器及測(cè)距傳感器，提出一種檢測(cè)區(qū)域隨車(chē)速及轉(zhuǎn)向角動(dòng)態(tài)變化的障礙物檢測(cè)方法，以解決傳統(tǒng)方法存在的誤檢問(wèn)題，并通過(guò)試驗(yàn)驗(yàn)證方法的有效性和優(yōu)越性。

1 叉車(chē)運(yùn)動(dòng)幾何模型

本文研究的倉(cāng)儲(chǔ)智能叉車(chē)原型為杭叉集團(tuán)股份有限公司生產(chǎn)的A30型普通電動(dòng)平衡式叉車(chē)，具備三向堆垛功能，額定載荷3 000 kg，前輪為驅(qū)動(dòng)輪，后輪為轉(zhuǎn)向輪，轉(zhuǎn)向軸由曲柄及連桿機(jī)構(gòu)組成，全液壓助力轉(zhuǎn)向。

干果倉(cāng)庫(kù)為結(jié)構(gòu)化環(huán)境，地面平坦，叉車(chē)行駛速度低于1 000 mm/s，行駛過(guò)程不發(fā)生打滑；根據(jù)Ackerman轉(zhuǎn)向幾何原理，由左、右輪轉(zhuǎn)角得到叉車(chē)轉(zhuǎn)向軸中心點(diǎn)處等效轉(zhuǎn)向角（文中簡(jiǎn)稱(chēng)轉(zhuǎn)向角）[25-27]，并建立如圖1所示的干果倉(cāng)儲(chǔ)智能叉車(chē)運(yùn)動(dòng)幾何模型。本文規(guī)定逆時(shí)針旋轉(zhuǎn)的角為正值，順時(shí)針旋轉(zhuǎn)的角為負(fù)值。

通過(guò)運(yùn)動(dòng)幾何模型分析可得以下關(guān)系式（1）～（7）：

叉車(chē)前后軸距：

式中1為導(dǎo)航傳感器距前軸距離，mm；2為導(dǎo)航傳感器距后軸距離，mm。

式中為轉(zhuǎn)向軸中心點(diǎn)處等效轉(zhuǎn)向角，范圍[0，60o]。

式中為整車(chē)尾部最大寬度，mm；3為叉車(chē)后懸距，mm。

叉車(chē)瞬時(shí)旋轉(zhuǎn)中心全局笛卡爾坐標(biāo)：

式中為導(dǎo)航傳感器的全局笛卡爾橫、縱坐標(biāo)，由導(dǎo)航傳感器直接獲得，mm；為傳感器坐標(biāo)系軸正向與全局坐標(biāo)系軸正向的夾角，范圍[0，360°）；為導(dǎo)航傳感器距叉車(chē)中心軸的偏移距離，mm。

注：XOY為倉(cāng)庫(kù)全局笛卡爾坐標(biāo)系; xSy為車(chē)載導(dǎo)航傳感器的笛卡爾坐標(biāo)系；S表示叉車(chē)頂部的導(dǎo)航傳感器位置；θ為傳感器坐標(biāo)系x軸正向與全局坐標(biāo)系X軸正向的夾角，范圍[0，360°）；S1為叉車(chē)尾部的水平掃描測(cè)距傳感器；St為叉車(chē)尾部的傾斜掃描測(cè)距傳感器；A、B為整車(chē)尾部最大寬度處的兩端點(diǎn)；P1、P2分別為前、后軸中心點(diǎn)；U為叉車(chē)瞬時(shí)旋轉(zhuǎn)中心；K為整車(chē)最大寬度，mm；L為叉車(chē)前后軸距，mm；L1為導(dǎo)航傳感器距前軸距離，mm；L2為導(dǎo)航傳感器距后軸距離，mm；L3為叉車(chē)后懸距，mm；d為導(dǎo)航傳感器距叉車(chē)中心軸的偏移距離，mm；β為轉(zhuǎn)向軸中心點(diǎn)處等效轉(zhuǎn)向角，范圍[0，60°]。

2 障礙物動(dòng)態(tài)檢測(cè)方法

障礙物動(dòng)態(tài)檢測(cè)方法即依據(jù)實(shí)時(shí)車(chē)速和轉(zhuǎn)向角動(dòng)態(tài)改變檢測(cè)區(qū)域的障礙物檢測(cè)方法。在智能叉車(chē)行駛過(guò)程中，若能使安全距離閾值隨車(chē)速動(dòng)態(tài)變化，檢測(cè)區(qū)域形狀也隨轉(zhuǎn)向角動(dòng)態(tài)變化[28-29]，則能有效解決傳統(tǒng)方法應(yīng)用于倉(cāng)儲(chǔ)環(huán)境時(shí)的誤檢問(wèn)題；另外，在倉(cāng)儲(chǔ)環(huán)境中單一的水平掃描測(cè)距傳感器雖然可以滿足一般的障礙物檢測(cè)需求，但綜合考慮成本及安全性要求，本研究采用水平和傾斜掃描激光測(cè)距傳感器構(gòu)建雙面融合的障礙物動(dòng)態(tài)檢測(cè)方式。

2.1 基于水平掃描測(cè)距傳感器的障礙物動(dòng)態(tài)檢測(cè)

圖2a為智能叉車(chē)順時(shí)針倒車(chē)轉(zhuǎn)彎時(shí)，基于水平掃描測(cè)距傳感器障礙物動(dòng)態(tài)檢測(cè)的瞬態(tài)情境示意圖。水平掃描測(cè)距傳感器1安裝于叉車(chē)尾部中間位置，以該傳感器為原點(diǎn)，l為檢測(cè)區(qū)域?qū)挾?，該寬度變化方向即該傳感器笛卡爾坐?biāo)系縱軸所在方向，l為檢測(cè)區(qū)域長(zhǎng)度，該長(zhǎng)度變化方向即該傳感器笛卡爾坐標(biāo)系橫軸所在方向，傳感器掃描面與地面平行；1、2為分布于不同位置的2個(gè)障礙物。

基于該傳感器的障礙物動(dòng)態(tài)檢測(cè)過(guò)程舉例描述如下：假設(shè)當(dāng)叉車(chē)以某速度行駛時(shí)其檢測(cè)區(qū)域?yàn)閳D2a中小方格標(biāo)示區(qū)域，此時(shí)沒(méi)有檢測(cè)到前方潛在的障礙物1，但隨車(chē)速增大，檢測(cè)區(qū)域亦動(dòng)態(tài)外擴(kuò)，當(dāng)車(chē)速增大到某一值時(shí)擴(kuò)展至圖2a中斜線標(biāo)示區(qū)域，此時(shí)雖能夠發(fā)現(xiàn)障礙物1，卻因叉車(chē)此刻順時(shí)針倒車(chē)轉(zhuǎn)彎，依據(jù)障礙物動(dòng)態(tài)檢測(cè)方法，檢測(cè)區(qū)域被裁劃為曲邊梯形（該曲邊在以點(diǎn)為圓心，l為半徑的圓弧上，即在叉車(chē)最外側(cè)點(diǎn)的運(yùn)動(dòng)軌跡上），若此時(shí)保持轉(zhuǎn)向角不變，叉車(chē)將不會(huì)與障礙物1發(fā)生碰撞，故無(wú)需觸發(fā)警報(bào)或停車(chē)；但若是下一時(shí)刻叉車(chē)改為逆時(shí)針轉(zhuǎn)向，隨著轉(zhuǎn)向角的增大，曲邊梯形檢測(cè)區(qū)域的曲邊將會(huì)向左擴(kuò)展，待轉(zhuǎn)向角增大到某一值時(shí)該障礙物重新被劃入檢測(cè)區(qū)域并觸發(fā)警報(bào)。對(duì)于如障礙物2的近距離障礙物，只要轉(zhuǎn)向角合適，叉車(chē)能夠避開(kāi)，也無(wú)需觸發(fā)警報(bào)。

2.2 基于傾斜掃描測(cè)距傳感器的障礙物動(dòng)態(tài)檢測(cè)

傾斜掃描測(cè)距傳感器的障礙物動(dòng)態(tài)檢測(cè)原理與基于水平掃描測(cè)距傳感器的原理基本相同，不再贅述；不同處在于其檢測(cè)區(qū)域?qū)挾?i>l為固定值，該值小于沿傾斜掃描面從傳感器S到地面的距離；如圖2b所示，單點(diǎn)畫(huà)線為傳感器S的掃描面所在位置示意，粗虛線為傳感器1的掃描面所在位置示意。

設(shè)傳感器S安裝高度為H，被檢測(cè)障礙物高度為，該障礙物動(dòng)態(tài)檢測(cè)方式可檢測(cè)到的障礙物最低高度為

式中H為傳感器S安裝高度，mm；l為傾斜傳感器檢測(cè)區(qū)域?qū)挾?，mm；為傾斜傳感器安裝角度，(0，90°)。

2.3 障礙物動(dòng)態(tài)檢測(cè)算法

根據(jù)上文所述障礙物動(dòng)態(tài)檢測(cè)原理，下文以水平掃描測(cè)距傳感器為主，描述本文的檢測(cè)算法流程，如圖3所示，具體步驟為：

注：Q1、Q2均表示障礙物；llh為水平傳感器檢測(cè)區(qū)域長(zhǎng)度，lwh為水平傳感器檢測(cè)區(qū)域?qū)挾?，mm；lwht為傾斜傳感器檢測(cè)區(qū)域?qū)挾?，mm；φ為傾斜傳感器安裝角度，(0, 90°)。

2）出于生產(chǎn)安全考慮，設(shè)定最大行駛速度max，并以此速度測(cè)得叉車(chē)的制動(dòng)距離作為lmax和lmax取值的參考。其中，制動(dòng)距離的計(jì)算可參考文獻(xiàn)[30]，或可通過(guò)實(shí)測(cè)獲得，并設(shè)如下關(guān)系式：

式中為車(chē)速，mm/s；max為最大允許車(chē)速，mm/s；l、l分別為檢測(cè)區(qū)域長(zhǎng)度初始值和寬度初始值，mm；lmax、lmax分別為檢測(cè)區(qū)域長(zhǎng)度最大值和寬度最大值，mm。當(dāng)叉車(chē)直行時(shí)，因轉(zhuǎn)向角為0，障礙物只出現(xiàn)在前進(jìn)方向上，故l取固定值l已滿足安全需要；當(dāng)叉車(chē)轉(zhuǎn)彎時(shí)，因轉(zhuǎn)向角不為0，側(cè)面障礙物對(duì)叉車(chē)構(gòu)成潛在威脅，故l取公式（9）計(jì)算值。

3）初始危險(xiǎn)信號(hào)設(shè)置為Safe，即不發(fā)生碰撞。

4）當(dāng)車(chē)速<0時(shí)，觸發(fā)倒車(chē)障礙物檢測(cè)算法，將測(cè)距傳感器獲得的極坐標(biāo)數(shù)據(jù)轉(zhuǎn)換成該傳感器笛卡爾坐標(biāo)系的數(shù)組：

橫軸為

縱軸為

6）當(dāng)10（即叉車(chē)非直行）時(shí)，將測(cè)距傳感器獲得的數(shù)據(jù)坐標(biāo)更新為全局笛卡爾坐標(biāo)：

橫軸為

縱軸為

7）計(jì)算各數(shù)據(jù)點(diǎn)到瞬時(shí)轉(zhuǎn)軸的距離

傾斜掃描測(cè)距傳感器的障礙物檢測(cè)流程與上述過(guò)程類(lèi)似，不再贅述；無(wú)論水平掃描測(cè)距傳感器的危險(xiǎn)信號(hào)為Danger，還是傾斜掃描測(cè)距傳感器的危險(xiǎn)信號(hào)為Danger，都表示存在碰撞危險(xiǎn)，即刻觸發(fā)相應(yīng)響應(yīng)。

受通道寬度和叉車(chē)最小轉(zhuǎn)彎半徑限制，對(duì)于近距離障礙物，當(dāng)出現(xiàn)險(xiǎn)情時(shí)，本研究采取的響應(yīng)策略是讓叉車(chē)停車(chē)并報(bào)警，以保證倉(cāng)儲(chǔ)物流安全；對(duì)于較遠(yuǎn)距離障礙物則執(zhí)行避障操作。

3 實(shí)車(chē)試驗(yàn)與結(jié)果分析

實(shí)車(chē)試驗(yàn)于2018年在廣東省廣州市新塘鎮(zhèn)西洲倉(cāng)庫(kù)中進(jìn)行，庫(kù)內(nèi)為干燥水泥地面，貨架規(guī)整擺設(shè)。試驗(yàn)實(shí)車(chē)如圖4所示，主要加裝SICK—NAV350激光導(dǎo)航傳感器、SICK—LMS111激光測(cè)距傳感器、SICK—TIM561激光測(cè)距傳感器；采用Twincat 3.0軟件基于Windows7系統(tǒng)實(shí)現(xiàn)算法編程、控制，并運(yùn)行于倍福C6930-0050工控機(jī)上。通過(guò)采集測(cè)距傳感器檢測(cè)到的距離與方位角信息和導(dǎo)航傳感器所獲得的車(chē)身位姿信息，利用障礙物檢測(cè)算法處理，并記錄警報(bào)情況，若存在碰撞危險(xiǎn)則發(fā)送危險(xiǎn)信號(hào)，觸發(fā)警報(bào)并停車(chē)。試驗(yàn)中通過(guò)改變車(chē)速和轉(zhuǎn)向角來(lái)驗(yàn)證障礙物檢測(cè)效果，并根據(jù)所記錄的警報(bào)情況計(jì)算各方法的錯(cuò)誤警報(bào)次數(shù)占全組試驗(yàn)次數(shù)的百分比即誤檢率，分析各方法優(yōu)劣，驗(yàn)證障礙物動(dòng)態(tài)檢測(cè)方法的有效性和優(yōu)越性。

1. SICK-NAV350導(dǎo)航傳感器2. SICK-TIM561測(cè)距傳感器 3. SICK-LMS111測(cè)距傳感器。

3.1 主要試驗(yàn)傳感器及輔助工具

4）為保證試驗(yàn)結(jié)果的可靠性，對(duì)叉車(chē)主要結(jié)構(gòu)及各主要部件相對(duì)位置進(jìn)行了測(cè)量，用到的測(cè)量工具如精度為±0.30°的角度尺，精度為±1 mm的手持激光測(cè)距儀，精度為±1 mm/(7 m)的12線3D激光水平儀，以及鉛垂線等；測(cè)量所得參數(shù)值及其他相關(guān)參數(shù)見(jiàn)表1。

表1 算法相關(guān)參數(shù)

3.2 試驗(yàn)內(nèi)容及結(jié)果分析

3.2.1 基于水平掃描測(cè)距傳感器的障礙物動(dòng)態(tài)檢測(cè)

試驗(yàn)場(chǎng)景如圖5所示，以貨架2為潛在障礙物，待調(diào)整好車(chē)身位姿后，記錄此時(shí)NAV350的數(shù)據(jù)為(,,) = (2 100, 12 000, 192.35)，為防止意外發(fā)生，采取叉車(chē)實(shí)際不行駛的做法，切斷工控機(jī)與驅(qū)動(dòng)軸驅(qū)動(dòng)電機(jī)間的通信，使叉車(chē)不前后移動(dòng)，而其他如轉(zhuǎn)向輪及相關(guān)傳感器均保持正常工作狀態(tài)。待初步驗(yàn)證障礙物動(dòng)態(tài)檢測(cè)算法有效性后，叉車(chē)返回原位置，并依照原試驗(yàn)環(huán)境設(shè)置障礙物，再于程序中預(yù)設(shè)車(chē)速和轉(zhuǎn)向角參數(shù)，讓叉車(chē)在倉(cāng)庫(kù)中正常循跡行駛，驗(yàn)證本文方法試驗(yàn)結(jié)果與實(shí)際情況是否相符。同時(shí)，模擬2種傳統(tǒng)方法做對(duì)比試驗(yàn)，其一為傳統(tǒng)扇形檢測(cè)區(qū)域法（簡(jiǎn)稱(chēng)扇形方法），即設(shè)置固定安全距離600 mm，檢測(cè)區(qū)域?yàn)樯刃吻掖笮〔蛔?；另一種為傳統(tǒng)矩形檢測(cè)區(qū)域法（簡(jiǎn)稱(chēng)矩形方法），即檢測(cè)區(qū)域?yàn)榫匦危⒃O(shè)檢測(cè)區(qū)域長(zhǎng)度為l，檢測(cè)區(qū)域?qū)挾瘸跏贾禐?i>l，且該寬度隨車(chē)速增大而線性增大。

注：1、2、3表示貨架；4、5、6表示水泥柱；7表示叉車(chē)。下同。

當(dāng)= 0時(shí)，觸發(fā)障礙物動(dòng)態(tài)檢測(cè)算法危險(xiǎn)警報(bào)的臨界速度為?-297 mm/s；當(dāng)=-400 mm/s時(shí)，解除障礙物動(dòng)態(tài)檢測(cè)算法危險(xiǎn)警報(bào)的臨界轉(zhuǎn)向角為?17.67°。試驗(yàn)結(jié)果見(jiàn)表2。表2中試驗(yàn)1～10保持轉(zhuǎn)向角= 0，以驗(yàn)證不同車(chē)速時(shí)各檢測(cè)方法的效果，當(dāng)≥-290 mm/s時(shí)，本文方法和矩形方法均未報(bào)警，當(dāng)≤-300 mm/s時(shí)，本文方法和矩形方法均報(bào)警，而扇形方法全程持續(xù)報(bào)警；試驗(yàn)10～20保持車(chē)速=-400 mm/s，以驗(yàn)證不同轉(zhuǎn)向角時(shí)各檢測(cè)方法的效果，當(dāng)≤16°時(shí)，3種方法均報(bào)警，當(dāng)≥18°時(shí)，本文方法警報(bào)解除，而矩形方法和扇形方法持續(xù)報(bào)警。

由表2結(jié)果分析可知，當(dāng)叉車(chē)直行倒車(chē)時(shí)，即= 0，隨著車(chē)速的不斷增大，檢測(cè)范圍隨之增大，并觸發(fā)危險(xiǎn)警報(bào)。當(dāng)叉車(chē)以較大速度倒車(chē)（直行倒車(chē)必定發(fā)生碰撞時(shí)），隨著轉(zhuǎn)向角的不斷增大，危險(xiǎn)警報(bào)解除，即表示轉(zhuǎn)向角達(dá)到一定值后叉車(chē)能夠順利避開(kāi)障礙物，不存在碰撞風(fēng)險(xiǎn)。依據(jù)警情變化臨界值，分別以表2中第8組、第9組、第18組、第19組參數(shù)預(yù)設(shè)車(chē)速和轉(zhuǎn)向角，讓叉車(chē)正常行駛，經(jīng)驗(yàn)證本文方法警情與實(shí)際相符，未出現(xiàn)誤檢情況。然而，扇形方法全程都檢測(cè)到障礙物，即使叉車(chē)車(chē)速為0或當(dāng)轉(zhuǎn)向角增大到叉車(chē)根本不可能碰到該障礙物時(shí)，警報(bào)也無(wú)法解除，誤檢率為50.00%；矩形方法則在速度變化時(shí)效果與本文方法一樣，但在轉(zhuǎn)向角達(dá)到18°叉車(chē)可以避開(kāi)潛在障礙物時(shí)，警報(bào)仍無(wú)法解除，誤檢率為10.00%。試驗(yàn)結(jié)果表明，基于水平掃描測(cè)距傳感器的障礙物動(dòng)態(tài)檢測(cè)效果良好，本文方法成功消除了傳統(tǒng)方法中的誤檢情況，具有一定的優(yōu)越性。

表2 水平掃描測(cè)距傳感器試驗(yàn)結(jié)果

3.2.2 基于傾斜掃描測(cè)距傳感器的障礙物動(dòng)態(tài)檢測(cè)

依據(jù)公式（8）及表1中相應(yīng)參數(shù)值計(jì)算可知，傾斜掃描測(cè)距傳感器能夠檢測(cè)到的障礙物最低高度約為31 mm。試驗(yàn)場(chǎng)景如圖6所示，以高度低于LMS111掃描平面高度（44 cm）的21 cm×11 cm×13 cm小紙盒為潛在障礙物，放于叉車(chē)必經(jīng)之處，當(dāng)叉車(chē)以=-224 mm/s自動(dòng)行駛并遇到該障礙物觸發(fā)警報(bào)停車(chē)時(shí)，記錄此時(shí)NAV350數(shù)據(jù)(,,)=(3 363，10 630，358.184)，?-4.16°，并在此時(shí)切斷工控機(jī)與驅(qū)動(dòng)軸驅(qū)動(dòng)電機(jī)的通信，解除停車(chē)響應(yīng)，緊接著進(jìn)行轉(zhuǎn)向角及車(chē)速與危險(xiǎn)警報(bào)關(guān)系試驗(yàn)，試驗(yàn)方法與基于水平掃描測(cè)距傳感器的試驗(yàn)基本相同，但在與傳統(tǒng)方法的對(duì)比試驗(yàn)時(shí)，扇形方法的固定安全距離設(shè)為l，矩形方法的長(zhǎng)度為固定值l，寬度為固定值l。

當(dāng)?-224 mm/s時(shí)，解除障礙物動(dòng)態(tài)檢測(cè)算法危險(xiǎn)警報(bào)的臨界轉(zhuǎn)向角為=-8.16°；當(dāng)<-8.16°時(shí)，即使速度不斷增大，也不再觸發(fā)危險(xiǎn)警報(bào)。試驗(yàn)結(jié)果見(jiàn)表3。表中1～6組試驗(yàn)保持車(chē)速?-224 mm/s，驗(yàn)證轉(zhuǎn)向角對(duì)各障礙物檢測(cè)方法的影響，當(dāng)≥-7.16°時(shí)，本文方法報(bào)警，當(dāng) <-8.16°時(shí)，警報(bào)解除；表中6～13組試驗(yàn)保持轉(zhuǎn)向角 =-9.16°，車(chē)速不斷增大，驗(yàn)證車(chē)速對(duì)各障礙物檢測(cè)方法的影響，本文方法的警報(bào)狀態(tài)保持不變。依據(jù)警情變化臨界值，分別以表3中第4組、第5組參數(shù)預(yù)設(shè)車(chē)速和轉(zhuǎn)向角，讓叉車(chē)正常行駛，經(jīng)驗(yàn)證本文方法警情與實(shí)際相符，未出現(xiàn)誤檢情況。然而，不管轉(zhuǎn)向角和車(chē)速如何調(diào)整，扇形方法全程都檢測(cè)不到障礙物，誤檢率約為30.77%；矩形方法恰好相反，全程都能檢測(cè)到障礙物，誤檢率約為69.23%。

表3 傾斜掃描測(cè)距傳感器試驗(yàn)結(jié)果

由表3結(jié)果分析知，當(dāng)保持車(chē)速不變，隨著轉(zhuǎn)向角的增大，檢測(cè)范圍隨之減小，危險(xiǎn)警報(bào)解除，即表示轉(zhuǎn)向角達(dá)到一定值后叉車(chē)能夠順利避開(kāi)障礙物，不存在碰撞風(fēng)險(xiǎn)；然而，保持該無(wú)危險(xiǎn)警報(bào)時(shí)的轉(zhuǎn)向角不變時(shí)，速度變化對(duì)危險(xiǎn)警報(bào)幾乎沒(méi)有影響，分析其原因在于，斜置傳感器為單線傳感器，安裝角度固定，掃描面傾斜，檢測(cè)區(qū)域?qū)挾葹楣潭ㄖ?，速度僅對(duì)檢測(cè)區(qū)域長(zhǎng)度有影響，就叉車(chē)尾部頂端的傾斜掃描測(cè)距型單線傳感器而言，其障礙物動(dòng)態(tài)檢測(cè)效果受轉(zhuǎn)向角變化的影響更大，故該傳感器更適合作輔助檢測(cè)。

4 結(jié) 論

1）針對(duì)干果倉(cāng)儲(chǔ)作業(yè)中智能叉車(chē)的防撞需求，考慮到倉(cāng)儲(chǔ)環(huán)境中傳統(tǒng)障礙物檢測(cè)方法的不足，本文以干果倉(cāng)儲(chǔ)用智能叉車(chē)的倒車(chē)過(guò)程為例，融合多激光傳感器，提出一種檢測(cè)區(qū)域隨車(chē)速及轉(zhuǎn)向角變化的障礙物動(dòng)態(tài)檢測(cè)方法。

2）對(duì)基于水平掃描測(cè)距傳感器和基于傾斜掃描測(cè)距傳感器的障礙物檢測(cè)效果進(jìn)行試驗(yàn)，在水平掃描測(cè)距傳感器試驗(yàn)中，扇形方法誤檢率為50.00%，矩形方法誤檢率為10.00%；在傾斜掃描測(cè)距傳感器試驗(yàn)中，扇形方法誤檢率為30.77%，矩形方法誤檢率為69.23%；而通過(guò)實(shí)際行駛驗(yàn)證，本文方法警情無(wú)誤，障礙物檢測(cè)效果良好，較傳統(tǒng)方法具有一定的優(yōu)越性。以?xún)A斜掃描測(cè)距傳感器為輔，水平掃描測(cè)距傳感器為主，形成雙面融合的障礙物動(dòng)態(tài)檢測(cè)方式，能夠有效發(fā)揮障礙物動(dòng)態(tài)檢測(cè)方法在倉(cāng)儲(chǔ)環(huán)境中的優(yōu)勢(shì)，避免了叉車(chē)行駛過(guò)程中對(duì)碰撞情況的誤判，在確保行駛安全的同時(shí)，提高了智能叉車(chē)在倉(cāng)庫(kù)中的機(jī)動(dòng)性和倉(cāng)儲(chǔ)利用率。本研究對(duì)其他倉(cāng)儲(chǔ)智能運(yùn)輸車(chē)輛的障礙物檢測(cè)設(shè)計(jì)具有一定的參考價(jià)值。

[1] 王琪. 新疆干果出口的主要障礙與優(yōu)化路徑[J]. 湖北職業(yè)技術(shù)學(xué)院學(xué)報(bào)，2017，20(4)：81－84. Wang Qi. The main obstacles and optimization path of dried fruit export in Xinjiang[J]. Journal of Hubei Polytechnic Institute, 2017, 20(4): 81－84. (in Chinese with English abstract)

[2] Lang A, Gunthner W A. Evaluation of the usage of support vector machines for people detection for a collision warning system on a forklift[C]//International Conference on Hci in Business, Canada: Springer Verlag, 2017: 322－337.

[3] Wenjie S, Yi Y, Mengyin F, et al. Real-time obstacles detection and status classification for collision warning in a vehicle active safety system[J]. IEEE Transactions on Intelligent Transportation Systems, 2018, 19(3): 758－773.

[4] Rozsa Z, Sziranyi T. Obstacle prediction for automated guided vehicles based on point clouds measured by a tilted lidar sensor[J]. IEEE Transactions on Intelligent Transportation Systems, 2018, 19(8): 2708－2720.

[5] 金湘亮，曾云，陳迪平. 紅外線測(cè)距系統(tǒng)的建立及其在汽車(chē)防撞系統(tǒng)中的應(yīng)用[J]. 紅外技術(shù). 2001，23(3)：43－45. Jin Xiangliang, Zeng Yun, Chen Diping. The establishment of infrared ranging system and it’s application in vehicle collision avoidance system[J]. Infrared Technology. 2001, 23(3): 43－45. (in Chinese with English abstract)

[6] 王松德，韓運(yùn)俠，朱小龍，等. 近紅外傳感器在汽車(chē)改造技術(shù)中的應(yīng)用研究[J]. 光譜學(xué)與光譜分析. 2005，25(7)：1061－1063. Wang Songde, Han Yunxia, Zhu Xiaolong, et al. Application of near infrared sensor to the technology of automobile transformation[J]. Spectroscopy and Spectral Analysis . 2005, 25(7): 1061－1063. (in Chinese with English abstract)

[7] 仇成群，胡天云. 基于超聲波的汽車(chē)防撞報(bào)警系統(tǒng)的設(shè)計(jì)[J]. 制造業(yè)自動(dòng)化. 2009，31(4)：75－77.Qiu Chengqun, Hu Tianyun. The vehicle collision avoidancealarm apparatus system based on ultrasonic[J]. Manufacturing Automation. 2009, 31(4): 75－77. (in Chinese with English abstract)

[8] 張瑩，張進(jìn)，劉天飛. 超聲波倒車(chē)防撞系統(tǒng)[J]. 通信技術(shù). 2011，44(2)：130－132. Zhang Ying, Zhang Jin, Liu Tianfei. Ultrasonic back-draft anti-collision system[J]. Communications Technology. 2011, 44(2): 130－132. (in Chinese with English abstract)

[9] 裴曉飛，劉昭度，馬國(guó)成，等. 汽車(chē)主動(dòng)避撞系統(tǒng)的安全距離模型和目標(biāo)檢測(cè)算法[J]. 汽車(chē)安全與節(jié)能學(xué)報(bào)，2012，3(1)：26－33. Pei Xiaofei, Liu Zhaodu, Ma Guocheng, et al. Safe distance model and obstacle detection algorithms for a collision warning and collision avoidance system[J]. Journal of Automotive Safety and Energy. 2012, 3(1): 26－33. (in Chinese with English abstract)

[10] 張昱，宋驪平，虎小龍. 基于概率假設(shè)密度的汽車(chē)防撞雷達(dá)多目標(biāo)跟蹤[J]. 現(xiàn)代雷達(dá). 2014，36(6)：82－87. Zhang Yu, Song Liping, Hu Xiaolong. Multiple targets tracking of vehicle anti-collision radar based on probability hypothesis density[J]. Modern Radar. 2014, 36(6): 82－87. (in Chinese with English abstract)

[11] Gohara R, Premachandra C, Kato K. A study on smooth automatic vehicle stopping control for suddenly-appeared obstacles[C]//International Conference on Vehicular Electronics and Safety. IEEE, 2015: 86－90.

[12] 王錚，趙曉，佘宏杰，等. 基于雙目視覺(jué)的AGV障礙物檢測(cè)與避障[J]. 計(jì)算機(jī)集成制造系統(tǒng). 2018，24(2)：400－409. Wang Zheng, Zhao Xiao, She Hongjie, et al. Obstacle detection and obstacle avoidance of AGV based on binocular vision[J]. Computer Integrated Manufacturing Systems. 2018, 24(2): 400－409. (in Chinese with English abstract)

[13] 常鳳筠，崔旭東. 基于激光測(cè)距傳感器的汽車(chē)防撞報(bào)警器的設(shè)計(jì)[J]. 應(yīng)用激光. 2007，27(1)：45－46. Chang Fengjun, Cui Xudong. The design of the vehicle anti-collision alarm apparatus based on distance laser sensor[J]. Applied Laser. 2007, 27(1): 45－46. (in Chinese with English abstract)

[14] Kawarazaki N, Kuwae L T, Yoshidome T. Development of human following mobile robot system using laser range scanner[J]. Procedia Computer Science. 2015, 76: 455－460.

[15] 鄒斌，譚亮，侯獻(xiàn)軍. 基于激光雷達(dá)的道路可行區(qū)域檢測(cè)[J]. 武漢理工大學(xué)學(xué)報(bào)：交通科學(xué)與工程版. 2017，41(2)：203－207. Zou Bin, Tan Liang, Hou Xianjun. Drivable road regions detection based on lidar[J]. Journal of Wuhan University of Technology: Transportation Science and Engineering. 2017, 41(2): 203－207. (in Chinese with English abstract)

[16] Alajlan A M, Almasri M M, Elleithy K M. Multi－sensor based collision avoidance algorithm for mobile robot[C]// IEEE Long Island Systems, Applications and Technology Conference. IEEE, 2015: 1－6.

[17] Almasri M M, Alajlan A M, Elleithy K M. Trajectory planning and collision avoidance algorithm for mobile robotics system[J]. IEEE Sensors Journal. 2016, 16(12): 5021－5028.

[18] Mukhtar A, Xia L, Tang T B. Vehicle detection techniques for collision avoidance systems: A review[J]. IEEE Transactions on Intelligent Transportation Systems. 2015, 16(5): 2318－2338.

[19] 何勇，蔣浩，方慧，等. 車(chē)輛智能障礙物檢測(cè)方法及其農(nóng)業(yè)應(yīng)用研究進(jìn)展[J]. 農(nóng)業(yè)工程學(xué)報(bào). 2018，34(9)：21－32. He Yong, Jiang Hao, Fang Hui, et al. Research progress of intelligent obstacle detection methods of vehicles and their application on agriculture[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE). 2018, 34(9): 21－32. (in Chinese with English abstract)

[20] 中國(guó)國(guó)家標(biāo)準(zhǔn)化管理委員會(huì)，中華人民共和國(guó)國(guó)家質(zhì)量監(jiān)督檢驗(yàn)檢疫總局. GB/T 6104-2005，機(jī)動(dòng)工業(yè)車(chē)輛-術(shù)語(yǔ)[S].北京：中國(guó)標(biāo)準(zhǔn)出版社，2006.

[21] 曹昊天, 宋曉琳, 黃江. 基于彈性繩理論的自主車(chē)輛防碰撞的路徑規(guī)劃[J]. 汽車(chē)工程. 2014, 36(10): 1230－1236. Cao Haotian, Song Xiaolin, Huang Jiang. Path planning of autonomous vehicle for collision avoidance based on elastic band theory[J]. Automotive Engineering. 2014, 36(10): 1230－1236. (in Chinese with English abstract)

[22] 彭理群，吳超仲，黃珍，等. 考慮駕駛意圖與動(dòng)態(tài)環(huán)境的汽車(chē)避碰路徑規(guī)劃[J]. 交通運(yùn)輸系統(tǒng)工程與信息. 2016, 16(6)：81－87. Peng Liqun, Wu Chaozhong, Huang Zhen, et al. Collision avoidance path planning with consideration of driver intention and dynamic traffic situation[J]. Journal of Transportation Systems Engineering and Information Technology. 2016, 16(6): 81－87. (in Chinese with English abstract)

[23] 中華人民共和國(guó)工業(yè)和信息化部. JB/T 3300-2010，平衡重式叉車(chē)—整機(jī)試驗(yàn)方法[S]. 北京：中國(guó)標(biāo)準(zhǔn)出版社，2010.

[24] 胡靜濤，高雷，白曉平，等. 農(nóng)業(yè)機(jī)械自動(dòng)導(dǎo)航技術(shù)研究進(jìn)展[J]. 農(nóng)業(yè)工程學(xué)報(bào). 2015，31(10)：1－10. Hu Jingtao, Gao Lei, Bai Xiaoping, et al. Review of research on automatic guidance of agricultural vehicles[J]. Transactions of the Chinese Society of Agricultural Engineering. 2015, 31(10): 1－10. (in Chinese with English abstract)

[25] 李朋. 汽車(chē)主動(dòng)防撞系統(tǒng)控制模式的研究[D]. 南京：南京航空航天大學(xué)，2012. Li Peng. Research of the Control Mode of Automotive Active Collision Avoidance System[D]. Nanjing: Nanjing University of Aeronautics and Astronautics, 2012. (in Chinese with English abstract)

[26] 徐豪. 汽車(chē)主動(dòng)防撞預(yù)警系統(tǒng)規(guī)避控制研究[D]. 長(zhǎng)春：吉林大學(xué)，2012. Xu Hao. Research on Active Control of Vehicle Anti-Collision Warning System[D]. Changchun: Jilin University, 2012. (in Chinese with English abstract)

[27] 李紅. 自動(dòng)泊車(chē)系統(tǒng)路徑規(guī)劃與跟蹤控制研究[D]. 長(zhǎng)沙: 湖南大學(xué)，2014. Li Hong. A Study on Path Planning and Tracking Control Method for Automatic Parking System[D]. Changsha: Hunan University, 2014. (in Chinese with English abstract)

[28] 唐陽(yáng)山，夏道華. 駕駛員對(duì)汽車(chē)防撞安全距離檢測(cè)仿真研究[J]. 計(jì)算機(jī)仿真. 2016，33(7)：449－453. Tang Yangshan, Xia Daohua. Driver to simulation study of automobile anti-collision safety distance detection[J]. Computer Simulation. 2016, 33(7): 449－453. (in Chinese with English abstract)

[29] Clotet E, Martinez D, Moreno J, et al. Assistant personal robot (APR): Conception and application of a tele-operated assisted living robot[J]. Sensors. 2016, 16(5): 610－633.

[30] Matthies L, Grandjean P. Stochastic performance modeling and evaluation of obstacle detectability with imaging range sensors[J]. IEEE Transactions on Robotics and Automation. 1994, 10(6): 783－792.

Intelligent forklift obstacle detection based on dynamic change of laser scanning area

Lü Enli1,2, Ruan Qingsong1,2, Liu Yanhua3※, Wang Feiren1,2, Luo Yizhi1,2

(1.510642,; 2.510642,; 3.510642,)

Dried fruits should be stored in warehouse by placing and stacking on the shelves. By using intelligent forklift to store and take goods on the shelves, the warehouse efficiency could be effectively solved, and the warehouse management of dried fruits could be promoted to be standardized and intelligent. Obstacle detection is the primary guarantee for the safe operation of intelligent forklifts, and the detection effect is also related to the efficient operation of intelligent forklifts in warehouse, as a key technology of intelligent vehicles, it has gradually become a research hot topic.However, the current researches focuse on small multi-degree-freedom intelligent vehicles, there is no research on obstacles detection methods for large intelligent forklift in dried fruit warehouse. Considering the limitations of warehouse layout, the detection region of traditional detection methods were mostly fixed shape, that means that the safety distance was fixed, so it was more suitable when forklift going straight in an open space, on the contrary, in the dried fruit warehouse with limited channel width, especially when turning, there would be false alarm, which would easily cause the large intelligent forklift to misjudge the objects that could be bypassed into potential obstacles, thus causing the forklift to change the road or stop sharply. In order to solve the false detection and realize the obstacle dynamic detection for large intelligent forklift in dried fruit warehouse, taking the reversing processof intelligent forklift as an example, an obstacles dynamic detection method based ondynamic change of laser scanning area with the speed and steering angle of large intelligent forklift in dried fruit warehouse was proposed in this paper. The real-time position and direction information of forklift in the global Cartesian coordinate system of warehouse was obtained by using on-board laser sensor SICK-NAV350, combining with the motion geometry model of forklift, the horizontal laser ranging sensor (SICK-LMS111) and the inclined laser ranging sensor (SICK-TIM561) scanning the obstacle in 2 planes, forming a dynamic detection area changing with the speed and steering angle of forklift. The real vehicle test results showed that the proposed method without error checking, the error detection rate of the sector method was 50.00% and that of the rectangle method was 10.00% in the testing of horizontal scan ranging sensor, the error detection rate of the sector method was 30.77% and that of the rectangle method was 69.23% in the testing of tilted scan ranging sensor. With tilted scanning range sensor as the auxiliary and horizontal scanning range sensor as the main part, a dynamic obstacle detection area based on fusion of 2 planes was formed, the minimum height of obstacles could be detected was about 31 mm when the installation angle of sensor SICK- TIM561 was 25.60°, the height to ground was 2 000 mm and the detection region width was set to 2 183 mm. The proposed method effectively solved the false alarm of intelligent forklift when driving in the warehouse, and was more suitable for warehousing and transportation than the traditional detection method, and improved the mobility and safety of intelligent forklift in warehouse. The research can provide reference for obstacle detection of large warehouse intelligent transport vehicles.

vehicles; sensors; intelligent system; dynamic detection; laser scan; warehouses

呂恩利，阮清松，劉妍華，王飛仁，羅毅智. 基于激光掃描區(qū)域動(dòng)態(tài)變化的智能叉車(chē)障礙物檢測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2019，35(3)：67－74. doi：10.11975/j.issn.1002-6819.2019.03.009 http://www.tcsae.org

Lü Enli, Ruan Qingsong, Liu Yanhua, Wang Feiren, Luo Yizhi. Intelligent forklift obstacle detection based on dynamic change of laser scanning area[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(3): 67－74. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.03.009 http://www.tcsae.org

2018-09-02

2019-01-07

國(guó)家重點(diǎn)研發(fā)計(jì)劃子任務(wù)（2018YFD0701002）；國(guó)家自然科學(xué)基金項(xiàng)目（51108194）；廣東省省級(jí)（基礎(chǔ)研究及應(yīng)用研究重大）項(xiàng)目（2016KZDXM028）；廣州市科技計(jì)劃項(xiàng)目（201704020067）

呂恩利，副教授，博士生導(dǎo)師，主要研究方向?yàn)檗r(nóng)業(yè)工程、農(nóng)產(chǎn)品冷鏈物流裝備、智能倉(cāng)儲(chǔ)運(yùn)輸裝備控制研究。Email：enlilv@scau.edu.cn

劉妍華，博士，副教授，主要研究方向?yàn)檗r(nóng)產(chǎn)品冷鏈物流和農(nóng)業(yè)設(shè)施節(jié)能設(shè)計(jì)。Email：cynthial@scau.edu.cn

10.11975/j.issn.1002-6819.2019.03.009

S229.2

A

1002-6819(2019)-03-0067-08