趙恩波 于家旺 王曉鵬 曲強(qiáng)

摘要：設(shè)計了一款能夠自動識別和搬運(yùn)貨物的機(jī)器人，該裝置主要利用點(diǎn)位圖來確定貨物的位置，通過路 徑規(guī)劃來尋找最短搬運(yùn)路徑。在運(yùn)動過程中，采用編碼器測量車輪轉(zhuǎn)動的速度、陀螺儀二重積分測量小車 3 個方向的加速度、光流測量小車相對于環(huán)境的運(yùn)動速度，最終通過卡爾曼濾波對這 3 個數(shù)據(jù)進(jìn)行融合，實(shí) 現(xiàn)對該裝置位置信息的實(shí)時獲取。識別方面采用 TensorFlow 深度學(xué)習(xí)框架對識別的對象進(jìn)行分類，該模型 利用卷積神經(jīng)網(wǎng)絡(luò)和注意力機(jī)制，提高了識別的準(zhǔn)確性和速度。

關(guān)鍵詞：多傳感器融合；自動識別；卷積神經(jīng)網(wǎng)絡(luò)

中圖分類號：TP242.2 文獻(xiàn)標(biāo)識碼：A

0 引言

隨著工業(yè)化和信息化的發(fā)展，智能分揀搬運(yùn)車 在物流、制造、倉儲等領(lǐng)域的應(yīng)用越來越廣泛。智 能分揀搬運(yùn)車是一種能夠自主識別、抓取、運(yùn)輸和 放置不同物品的機(jī)器人，其可以提高生產(chǎn)效率、降 低人力成本、減少人為錯誤和安全風(fēng)險。智能分揀 搬運(yùn)車的關(guān)鍵是將攝像機(jī)頭、激光雷達(dá)、超聲等感 應(yīng)器的數(shù)據(jù)進(jìn)行有效整合，從而準(zhǔn)確地識別出周圍 的環(huán)境及物體，并對其進(jìn)行有效定位。本文基于機(jī) 器視覺技術(shù)，結(jié)合 OpenCV 視覺庫和 TensorFlow 深度學(xué)習(xí)框架，設(shè)計并實(shí)現(xiàn)了視覺引導(dǎo)分揀搬運(yùn)作 業(yè)解決方案 [1]。

1 產(chǎn)品結(jié)構(gòu)、組成與基本功能

1.1 裝置結(jié)構(gòu)與組成

該裝置是基于多傳感器融合的智能分揀搬運(yùn) 車，其組成結(jié)構(gòu)為小車底盤、機(jī)械臂，貨物分揀倉 機(jī)械機(jī)構(gòu)如圖 1 所示。

1.2 基本功能

1.2.1 已知貨物位置情況下搬運(yùn)分揀貨物

智能分揀搬運(yùn)車能夠自主達(dá)到物品附近，對需 要搬運(yùn)的物品進(jìn)行拾取和搬運(yùn)，完成之后，可以 自動回庫等待下一次任務(wù)。智能分揀搬運(yùn)車的車身 搭載串口 Wi-Fi 模塊，可以使用語音控制其到某一 位置進(jìn)行搬運(yùn)。識別分揀過程中，若貨物搬運(yùn)結(jié) 束，可使用語音指揮分揀搬運(yùn)車完成最后的任務(wù)并 回庫。

1.2.2 自動避障功能

運(yùn)動過程中智能分揀搬運(yùn)車如果遇到一些障礙 物，會自動停止，并嘗試?yán)@過障礙物，以免車身與 障礙物發(fā)生碰撞。

2 產(chǎn)品設(shè)計

2.1 點(diǎn)位圖識別

裝置出發(fā)之前，有兩種確定貨物位置信息的 方案：一是為其提供貨物點(diǎn)位圖，其點(diǎn)位圖不一 定為精準(zhǔn)坐標(biāo)，大致坐標(biāo)即可；二是通過電腦麥 克風(fēng)使用語音控制小車到貨物附近，實(shí)現(xiàn)自動分 揀搬運(yùn)。

智能分揀搬運(yùn)車正上方搭載一個 OpenArt Mini 進(jìn)行點(diǎn)位圖識別，其旁邊有 LED 燈帶進(jìn)行補(bǔ) 光，從而提高攝像頭識別的準(zhǔn)確率。代碼邏輯為 搜索黑色矩形框，在矩形框內(nèi)尋找黑色圓點(diǎn)，并 求出黑色圓點(diǎn)到直線的距離，最終求出各個點(diǎn)的 位置坐標(biāo)。

2.2 路徑規(guī)劃與速度規(guī)劃

采用深度體感攝像頭三維 RGBD 相機(jī)，其不僅 可以傳輸視頻，還能進(jìn)行深度學(xué)習(xí)。如圖 2 所示， 以識別車道線為例，首先使用攝像頭拍攝一段車道 線的視頻，然后通過 OpenCV 將視頻每幀裁剪成一 張照片，從而形成圖片數(shù)據(jù)庫。

UNet 編碼—解碼網(wǎng)絡(luò)結(jié)構(gòu)可以有效提取圖像的 特征信息 [2]，并利用這些特征信息構(gòu)建高效的模 型。將原始圖像以及相關(guān)的標(biāo)記信息輸入 UNet，以便更好地實(shí)現(xiàn)對圖像的識別。UNet 是一種常用 于圖像分割任務(wù)的深度學(xué)習(xí)架構(gòu)，其第一個主要功 能是對數(shù)據(jù)進(jìn)行特征抽象，而第二個主要功能是對 數(shù)據(jù)進(jìn)行采集。通過神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到的模型訓(xùn)練 效果圖如圖 3 所示。

2.3 多數(shù)據(jù)融合

2.3.1 編碼器定位法

編碼器定位法是一種常用的位置估計方法，主 要用于測量旋轉(zhuǎn)或線性運(yùn)動的位移和位置。這種設(shè) 備使用正交編碼器，其基于傳統(tǒng)的定位算法，但沒 有考慮編碼器的運(yùn)行路徑信息。因此，設(shè)備模擬精 確性不佳。當(dāng)機(jī)器人處于靜止?fàn)顟B(tài)并進(jìn)行旋轉(zhuǎn)運(yùn)動 時，隨著運(yùn)行速率的增加，其精確性會下降。由于 麥克納姆輪的特性，在實(shí)際應(yīng)用過程中會出現(xiàn)打滑 的現(xiàn)象，從而造成定位不準(zhǔn)，所以多傳感器數(shù)據(jù)融合顯得尤為重要。本文將探討一種全新的、結(jié)合正 交編碼器和慣性測量單元（inertial measurement unit， IMU）的機(jī)器人室內(nèi)定位技術(shù) [3]。

2.3.2 陀螺儀定位法

陀螺儀定位法是一種慣性導(dǎo)航方法，用于測量 和跟蹤物體的角速度和角度變化，從而推測物體的 姿態(tài)和位置信息。本裝置使用九軸陀螺儀，除了能 夠測量角速度信息，還能夠測量加速度等其他信 息。已知 3 個方向的加速度，便可對其進(jìn)行二重積 分求位移距離。

2.3.3 卡爾曼濾波融合數(shù)據(jù)

基于已經(jīng)獲取的 3 個位移量，為了進(jìn)一步提高 位移量估計精度，提出了數(shù)據(jù)驅(qū)動與卡爾曼濾波融 合的估計方法 [4]。只需通過卡爾曼濾波融合成更為 準(zhǔn)確的數(shù)據(jù)，實(shí)現(xiàn)過程如下。

步驟1：設(shè)狀態(tài)向量為 [x，y，u，v]。其中，x、 y 表示位置，u、v 表示速度。

步驟 2：設(shè)狀態(tài)轉(zhuǎn)移矩陣為 A，描述狀態(tài)向量 的變化關(guān)系。

步驟 15：通過卡爾曼增益的方式，對預(yù)測的狀態(tài)協(xié)方差矩陣進(jìn)行有效的改變和調(diào)整。

其中，Pc 為修改后的狀態(tài)協(xié)方差矩陣，I 為單位 矩陣。

步驟 16：重復(fù)執(zhí)行步驟 8 ～ 15，融合每個時 間步的光流、編碼器和陀螺儀數(shù)據(jù)，得到融合后的 位移和速度估計結(jié)果。

將數(shù)據(jù)采集之后換算成位移距離導(dǎo)入 MATLAB， 并對其數(shù)據(jù)進(jìn)行融合。

2.4 貨物分揀

智能分揀搬運(yùn)車搭載一個可旋轉(zhuǎn)的儲物倉，為 了任務(wù)運(yùn)行得更流暢，搬運(yùn)貨物均為卡片，儲物 倉放置卡片較為便利，后續(xù)如需裝載其他貨物，可 以增加儲物倉的面積。將所有貨物收集到儲物倉 中，便開始進(jìn)入分類環(huán)節(jié)。本次任務(wù)設(shè)定 5 個分類 區(qū)，分別為整體區(qū)域的上、下、左、右和車載。儲 物倉中搭載電磁鐵，可以控制儲物門的開關(guān)，一旦 到達(dá)分類區(qū)域，打開儲物門即可將貨物放到指定 區(qū)域。

3 結(jié)語

人工智能、物聯(lián)網(wǎng)和“工業(yè) 4.0”的出現(xiàn)，引 發(fā)了一場顛覆性的變革，《中國制造 2025》的推出， 使得智能電子控制在物流行業(yè)的普及更加迅速，其 不僅改變了原有的搬運(yùn)、分揀、裝配過程 [5]，而且 還極大地提升了整個行業(yè)的效率和質(zhì)量。多傳感器 融合是一個復(fù)雜的問題，涉及傳感器的選擇、校 準(zhǔn)、配準(zhǔn)、數(shù)據(jù)融合、狀態(tài)估計等多個方面，需要 綜合考慮傳感器的性能、成本、可靠性等因素。本 文旨在研究基于多傳感器融合的智能分揀搬運(yùn)車的 設(shè)計與實(shí)現(xiàn)，探索適用于不同場景和任務(wù)的多傳感 器融合方案，提高智能分揀搬運(yùn)車的感知和控制 能力。

參考文獻(xiàn)

[1] 龍健寧 . 基于機(jī)器視覺的智能物流分揀搬運(yùn)系統(tǒng)的研 究與應(yīng)用 [D]. 廣州：華南理工大學(xué)，2021.

[2] 劉惠中，鄧富龍，劉茜茜，等 . 基于 Res-UNet 算 法的螺旋溜槽精礦帶識別分割方法研究 [J]. 有色金屬 （選礦部分），2024（2）：70-80.

[3] 胡天林，陳志偉，趙德博，等 . 基于編碼器與慣性 測量單元的定位系統(tǒng)設(shè)計 [J]. 實(shí)驗(yàn)室研究與探索， 2022，41（5）：83-87，284.

[4] 李德俊 . 基于數(shù)據(jù)驅(qū)動與卡爾曼濾波融合的動力電 池 SOC 估計方法研究 [D]. 蕪湖：安徽工程大學(xué)， 2023.

[5] 張林 . 基于 51 單片機(jī)的智能分揀搬送系統(tǒng)設(shè)計 [J]. 江蘇通信，2021，37（4）：126-128.