面向工业物流的AGV系统

面向工业物流的先进自动导引车系统

在现代制造工厂中，生产阶段广泛采用自动化，从而实现了高水平的生产率和效率。然而，物流领域通常尚未达到同等程度的自动化，仍主要依赖人工操作员和手动驾驶车辆来完成。事实上，尽管自动导引车（AGV）已在工业环境中用于货物运输数十年，但它们尚未成为广泛应用的解决方案，通常仅应用于特定场景。[1]

一个显著的例子是亚马逊机器人系统[2]，其中自动导引车被用于电子商务仓库的物流。尽管该解决方案在这一类应用中非常有效，但值得注意的是，它无法直接应用于通用工厂的物料搬运。使该系统独特的是一系列受限环境，其中不允许存在其他实体[3]。这使得该系统不适用于由人工操作员、手动驾驶车辆和自动导引车共享的混合环境（图1）。

本文介绍了在“即插即用机器人”（PAN-Robots）项目（http://www.pan-robots.eu）期间取得的主要技术进展，该项目旨在提高用于工业物流的自动导引车在与人工操作员共享环境中的自主性和效率。本文的主要贡献是提供这些成果的系统级概述，展示它们如何有助于提升AGV系统的适用性。

场景及相关工作

本文中，我们考虑用于在自动化仓库中运输货物托盘的AGV系统，如图2所示。具体而言，我们关注以大规模生产批次为特征的常见制造工厂，例如饮料公司。通常，在这些环境中，会使用数十台车辆进行货物运输（从生产设备到仓库、在仓库内部或运送到装运区）。虽然传统安装采用手动驾驶的叉车，但基于自动导引车的先进解决方案正变得越来越流行[4]。在这些应用中，自动导引车与其它实体（例如行人（即人工操作员）和手动驾驶车辆（如叉车）[5],[6]）共享环境。因此，安全问题至关重要：环境中存在大量动态实体，必须确保避免碰撞。实现这一目标的典型方法是使用安全激光扫描仪[7]，它可使每台自动导引车检测其周围障碍物的存在，并适时停止以避免碰撞，或重新规划行驶路径[8]。正如[9]中所讨论的，安全激光扫描仪无法让自动导引车对检测到的障碍物进行分类，从而无法做出高层决策，例如在遇到行为不可预测的人类时停止，或绕开静止的箱子等物体。

近年来，基于计算机视觉的技术在动态障碍物检测方面得到了广泛研究，尤其是在自动驾驶车辆[10],[11]的背景下。由于环境中存在人工操作员，因此始终需要照明。这样一来，基于计算机视觉的技术便能够得到有效利用。

工业环境通常非常拥挤；如图1和图2所示，自动导引车在走廊和货架之间移动，以收集和运送货物托盘。为了有效规划自动导引车的运动，并正确应对不可预测事件（例如行人的出现），需要多个视角以及对环境的全局视图。PAN-机器人项目引入了一种感知系统，该系统利用车载和非车载传感系统的组合来获取环境数据，然后将这些数据汇集到集中式数据融合系统中（参见“先进传感系统”部分）。

自动导引车的运动需要在环境中进行协调，以完成指定的任务（即，将货物托盘从一个位置运输到另一个位置）。通常，可以采用两种不同的方法来协调自动导引车的运动：去中心化和集中式。在去中心化的协调策略中，每辆车辆基于本地可用的信息独立规划自身的路径，车辆之间的协调也在本地处理。尽管这类策略在大规模车队中具有良好的可扩展性[12],[13]，但通常无法提供完整的解决方案，因此无法始终保证效率。由于在工业应用中整体效率至关重要[4]，我们采用一种集中式协调策略，并结合集中式数据融合系统获取的信息。与工业应用中的常见做法一致，所提出的协调策略假设自动导引车沿路线图[14]运动，该路线图是一组（虚拟）路径，用于自动导引车到达环境中的任意目标位置。自动导引车的定位通常通过安装在车辆顶部的激光扫描仪来实现，这些激光扫描仪用于根据已知的环境地图对车辆进行定位[15]。

先进传感系统

PAN-机器人项目中提出的先进传感系统由安装在自动导引车上的传感器和基础设施中的传感器组成，如图3所示。随后，由集中式数据融合模块负责收集所有获取的信息。我们将在以下章节中详细描述这些模块。

车载传感系统

全向立体相机和二维安全激光扫描仪

由全方位立体相机和二维（2-D）车载系统组成的主要目标是安全激光扫描仪的功能是提供三维（3-D）周围环境感知，包括物体检测、跟踪、分类和环境表示。通过将全向立体3-D数据与2-D安全激光扫描仪的信息相融合，实现了增强的车载感知能力。特别是，其中一个关键特性是能够检测突出和悬挂物体。

为了提供自动导引车周围环境的信息，全向立体相机安装在一根约4米高的杆子上。该相机的垂直视场角约为150°，能够在约10米的距离检测到高度为1米的物体。全向立体视觉的硬件架构系统如[16]所述，由一对定制的鱼眼镜头、两台高分辨率数字相机和一个数据处理单元组成。数据处理单元中最重要的组件是实际的定制三维视觉引擎控制单元，负责进行处理，以及NVIDIA图形处理器（GPU）。GPU的作用是提供实时密集立体重建和高程图计算。

在通过内参和外参标定获得相机位置和参数后，进行多通道校正，并将鱼眼图像分成三个不同的通道。对每一对图像运行立体匹配和重建算法，并生成三维点。为了减少需要处理的数据量并滤除原始立体数据中的噪声，构建了一种中间表示形式，即数字高程图（DEM）。DEM是一种二维笛卡尔网格图，其中每个单元包含相应的高度信息。DEMs既具有表示的灵活性又具有紧凑性，特别适用于非结构化环境。它们还提供了单元之间的显式连接信息。根据每个单元的高度信息，将DEM中的每个单元被分类为对应道路或障碍物[见图3(f)]。包含高于可行驶区域点的DEM单元组被标记为障碍物单元。相邻的障碍物单元被分组，若形成足够大的区域，则判定存在障碍物。该障碍物由具有特定尺寸和方向的边界框表示。障碍物被跟踪并最终被分类[见图3(g)]，采用文献[17]中详细描述的方法进行。

激光扫描仪采集环境的距离轮廓（扫描）。由于在自动导引车（AGV）周围安装了四个扫描仪，以实现各个方向上的不同视野，因此可以通过融合这四个扫描仪的距离轮廓来观测完整的环境。已知先验的仓库环境地图与定位结果相结合，用于识别和提取物体检测的感兴趣区域。检测到的物体被跟踪和分类。来自二维感知和三维全向视觉两个线程的数据在自动导引车上通过概率性目标级融合方法进行融合。立体视觉传感器结果与激光扫描仪数据之间的传感器数据融合（详见[18]）为检测、跟踪和分类提供了高鲁棒性和准确性。

在真实工业环境中采集数据，对感知系统的性能进行了评估。第一次实验是让移动的导引车检测地面上的一个静态物体（特别是货物托盘）。共采集了700多次测量值。在每种配置中，均使用激光扫描仪测量自动导引车与物体之间的真实相对位置。值得注意的是，由于自动导引车的运动，也能观察到物体的相对速度。表1总结了所取得的结果，显示出很高的精度。

和(b)自动导引车与人工操作员共享环境。)

另一次实验中，让第二辆自动导引车（目标AGV）以已知速度和方向移动，然后由第一辆自动导引车对其进行测量。实验持续五小时，使用了三个速度等级和方向。如表2所示，在所有考虑的情况下，速度的均方根误差小于0.5 m/s，方向的均方根误差小于15°。

随后通过获取32个序列来评估分类性能，每个序列持续5分钟，包含三类障碍物：行人、自动导引车和其他障碍物。这些序列经过人工标注以获得真实值。该系统随后能够在90%以上的情况下正确分类障碍物。

托盘装载

全自动导引车需要配备专门用于装卸操作的传感器。为此，我们采用了一种基于机器视觉的方法，利用安装在自动导引车货叉附近的两个摄像头获取的强度信息和立体深度信息。立体摄像头易于安装，仅需在安装时进行一次校准程序。摄像头可提供自动导引车前方场景的三维视图。通过对该视图的分析，我们可以实现托盘检测与定位，并完成卸载操作所需的自由空间检测。

如[19]所示，通过应用滑动窗口检测方法实现托盘检测。通过分析输入图像中的边缘，从感兴趣区域中选择相关候选对象。然后为每个候选对象计算判别特征。这些特征专门设计为对增益变化具有不变性，以实现精确定位，并帮助将托盘与其他物体区分开来。

图3展示了所提出方法的结果。特别是，图3(d)显示了对托盘的检测，使自动导引车能够执行拣选操作。相反，图3(e)描绘了长方体的卸载，使自动导引车能够执行卸载操作。该系统的准确性在真实仓库中采集的7000张图像的数据集上进行了评估。结果总结于表3，证实了所提出的系统能够为托盘处理操作提供足够的精度。

基于基础设施的环境感知系统

在仓库盲区（如交叉路口）处，由于视野被遮挡，自动导引车的车载安全激光扫描仪无法检测到物体，因此必须特别注意避免与动态物体（如行人）发生事故。对于接近交叉路口的工作人员，一种简单的解决方案是在交叉路口上方安装半球形镜子，以便观察交叉路口其他方向的对向交通情况。

目前，自动导引车在接近交叉路口时会被编程为减速至其额定速度的一半，并以降低后的速度通过交叉路口，以便在工人突然出现在激光扫描仪的安全区域时显著缩短制动距离，离开交叉路口后再重新加速。该流程会导致任务时间增加、能耗上升以及自动导引车的机械磨损加剧，从而显著降低了整体效率，而在交叉路口没有工人、其他车辆或障碍物的情况下，这种操作是不必要的。

全向镜子的简单解决方案使我们提出了基于基础设施的环境感知系统概念，该系统可监控黑点处各个方向的交通，并将结果传达给接近的自动导引车。这种基于基础设施的协同环境感知系统使PAN-机器人能够缩小效率差距。其目标是提供有关被监控交叉路口附近是否存在物体的信息，每辆接近的自动导引车。如[20]所述，该基础设施系统会检测、跟踪和分类监控区域附近的所有物体，并通过无线通信将此信息传递给控制中心。

在真实工业环境中对基础设施传感系统的性能进行了评估。在感知系统监控区域内，对移动的动态物体进行了1000次测量以上。表4总结了所取得的结果，证实了较高的测量精度。

随后在同一数据集上评估了分类性能，该数据集包含三类障碍物：行人、自动导引车和其他障碍物。数据经过人工标注以获得真实值。在所有情况下，所有障碍物均被正确检测到，系统对行人的分类正确率达到100%，对自动导引车和其他障碍物的分类正确率超过90%。

集中式数据融合

一种分层数据融合技术在工业环境中被实现为云系统。由于存在多个同时采集数据的传感系统，需要将这些数据提供给AGV控制系统以纳入其规划和控制策略，因此数据融合是必要的。为此，我们引入一个集中式系统，负责接收来自不同源的数据，适当地融合这些数据，并将其提供给AGV控制系统。该集中式系统定义了一个包含工业环境中所有实体的持续更新信息的全局实时视图。以图4所示场景为例：在此示例中，自动导引车面临多个物体以及行人。仅依靠本地感知[图4(b)]，自动导引车只能识别其邻近区域中有限数量的物体。相反，在利用全局实时视图云服务[图4(c)]时，自动导引车可以获得由不同感知系统采集数据整合而成的全局信息。

在所提出的架构中，如[21]所述，场景中物体的信息可能由多个来源提供，即车载传感系统、基于基础设施的环境感知系统以及环境的三维地图。因此，可能会出现数据冗余、不一致、模糊性、噪声和不完整等问题。为解决这一问题，全局实时视图收集传感器获取的所有数据，并将其融合为整个系统的唯一且完整的表示，包括系统内部作用的静态与动态实体。特别是，全局实时视图能够实现更高质量的信息，提供一个表示静态实体（工厂的三维地图、路线图）、动态实体（自动导引车的当前位置和速度、当前识别物体的位置和速度）、拥堵区域以及监控的交叉口状态的全局更新地图。

面向工业物流的先进自动导引车系统

车队与交通管理

由于多台自动导引车共享同一环境，因此协调它们的运动成为一个非常重要的问题。为此，我们在控制中心提出了一种新颖的协调与路径规划算法，用于管理车队的协调。具体而言，自动导引车的运动沿着路线图进行协调，以优化任务完成。为了从全局角度优化任务完成，有必要开发一种优化的任务分配方法，并随后协调自动导引车本身的运动。此外，在出现意外障碍物时，必须重新规划自动导引车的路径以避免与障碍物发生碰撞。由于自动导引车受限于沿路线图行驶，路径重新规划意味着在路线图本身上寻找替代路径，而这并不总是可行的。例如，在常见的单向道路情况下，如果无法在路线图上找到替代路径，则自动导引车将停滞不前，直到障碍物被清除。为解决此问题，我们提出一种实现路径图的局部偏离的方法。车队与交通管理包括以下模块：1）全局导航与任务分配；2）路径图的局部偏离。

全局导航与任务分配

该模块负责为每台自动导引车分配任务，并沿路线图协调自动导引车的运动，以优化整体车队性能。为此，我们采用分层的两层策略：顶层和底层[22]。

顶层

顶层从宏观视角考虑环境。它被划分为多个区域，这些区域是空间有界区域，随后我们提供一种定量交通度量。这种区域划分有助于实现集总参数交通模型，可用于为每台自动导引车分配任务并定义其行驶的整体最优路径。

为此，我们通过有向图 GT 来建模区域集合，其中每个节点代表一个区域。如果第i个区域与第j个区域相邻，则在GT中的节点i和j之间存在一条边。也就是说，在路线图上存在一条完全包含在Sij中的路径，该路径从Si开始，到Sj结束。然后可以为每条边分配一个权重，以量化每个区域的交通量。

为此，我们定义C Ri! +为第i个区域Si的容量，即能够容纳的最大AGV数量Si。该数值与区域本身的大小成正比。设 ()Y ki为在时刻 k 沿包含在 Si 中的路径行驶的自动导引车数量。然后引入以下交通度量：

() () (). T k C Y k Y k i i i i = -(1)

即，一个区域内的AGV数量相对于该区域的容量越多，意味着该区域本身的交通越繁忙。边权重可以通过以下随时间变化的函数来定义：

() () ,, k K T k b b i,j ij j i j ~ d = +^ h (2)

其中 bbijd^ h 是 Si 和 Sj 的中心之间的距离，K Rij! + 是可自由调节的增益。该权重旨在衡量从 Si 到 Sj 所需的平均时间。实际上，它与区域之间的距离和交通成正比。

这些权重随后可用于任务分配。具体而言，所提出的方法包括利用匈牙利算法，该算法是解决分配问题[23]的最优算法。一般来说，匈牙利算法用于解决将一定数量的活动（即任务）分配给一定数量的代理（即自动导引车）的问题。在所提出的方法[24]中，成本基于公式（2）中定义的边权重确定，该权重同时考虑了距离和当前交通状况。

随后，顶层的协调工作包括为每辆自动导引车定义到达目的地所需经过的区域序列。采用D*算法在加权图.GT上为每辆自动导引车计算区域序列。每隔x秒，权重根据公式(2)进行计算，并且图 GT 随后被更新。然后使用D*算法在 GT 上为每台自动导引车搜索最佳路径。

底层

底层从微观角度考虑环境。在每个区域中，自动导引车的运动需要进行协调以确保避免死锁和碰撞。目标是为每辆自动导引车分配一条路径，使其能够到达下一个计划区域（来自顶层协调）。

由于协调仅在区域内进行，因此可以仅利用局部信息进行计算。这保证了相较于考虑整个路线图时的显著复杂度降低。因此，在每个区域内，每辆自动导引车的路径都通过标准A*算法沿路线图确定[26]；这样选择的原因在于路线图是固定的，并且不考虑局部动态变化。

算法1：底层协调
1 如果 request为真,:iq = 6 @ ，那么
2 如果 k i7!存在请求 true,k q = 6 @那么
3 协商（算法 2）； 4 否则
5 获胜者:;自动导引车i= 6 @
6 结束
7 如果状态获胜且空闲自动导引车iA q = = 6 6 @@ then
8 移动；
9 requestfalse，：; ij = 6 @
10 否则
11 停止；
12 转到第1行；
13 结束
14结束

算法 2：协商算法
1如果pr自动导引车iA q 1p ^ 6 h@那么2pr;:自动导引车iAq p=^ h6@3结束 4如果pr自动导引车iA q 2p ^ 6 h@那么5返回;6 结束7如果pr自动导引车iA=pq ^ 6 h@那么8获胜者;:自动导引车i= 6@9返回; 10结束

当多个自动导引车被分配同时占用同一路段时，就会产生冲突。这种情况可能发生在交叉区域，即多个路段相交的区域。通过将交叉路口视为需要分配的资源来解决冲突。每个资源仅分配给一辆自动导引车，以避免冲突。为了避免死锁（即两辆或更多车辆相互阻塞，无法继续前进），采用了一种协商机制。

整体底层协调过程总结于算法1和2中。在这些算法中，术语 pos AGV i^ h6 @ 表示第i台自动导引车的位置，术语 request ,i q6 @ 表示第i台自动导引车对第q个交叉区域的请求。术语 pr AGV i^ h6 @ 是第i台自动导引车优先级的值，Apq是当前为交叉区域q进行协商获胜的自动导引车的优先级值。

路径图的局部偏离

在当前最先进的AGV系统中，不允许自动导引车偏离预定义路径图。当自动导引车在某一路段被卡住时，必须等待障碍物被清除后才能继续行驶。这种方式效率低下，且会耗费大量时间，影响整个系统的运行效率。因此，我们开发了一种算法来解决这一问题。该算法根据障碍物的位置以及路线图的特征，利用[27]中详述的算法计算出适当的局部偏离路径，使自动导引车能够绕过障碍物。需要注意的是，仅依靠车载传感器不足以安全地执行局部偏离，因为工业环境存在多个盲区。为此，系统将车载传感信息与来自云系统的集中式信息相结合进行补充。具体而言，当自动导引车通过车载传感器检测到路径上存在障碍物时，会向云系统发送请求，云系统随后向该自动导引车提供其周围障碍物的列表。只有在确认不存在动态障碍物且具备足够可用自由空间的情况下，才会计算并执行局部偏离路径。

在工业环境中进行了实验验证，控制一台自动导引车超越地面上的固定障碍物。图5展示了实验代表性运行过程中的若干快照。

结论

本文介绍了PAN‐机器人欧洲项目所取得的主要技术进展的系统级概述。特别是，本文主要关注先进感知系统和协调技术。

由车载传感器和基础设施传感器组成的先进传感系统，提升了自动导引车的环境感知能力。传统的传感系统仅依赖激光扫描仪，虽能确保安全性，但这些先进技术为自动导引车提供了分类能力，从而使其能够在动态环境中做出高层决策。这是实现自动导引车在与人工操作员共用的环境中大规模部署的必要步骤。

此外，交通感知任务分配和运动协调有助于提高整体系统性能，即使在高度杂乱和动态的环境中，也能显著减少交通拥堵。

尽管这些结果相对于当前工业现状已有显著改进，AGV系统的多个方面仍有改进空间。例如，尚未考虑异构实体间的协调；其他车辆被自动导引车视为动态障碍物。若将其他动态实体纳入协调算法中，则可在同一系统中集成来自不同制造商的自动导引车，或用于执行不同任务的自动导引车（例如，不同尺寸、不同的末端执行器等）。

所提出的协调技术需要存在一个集中式控制单元，该单元从自动导引车获取位置信息，计算交通模型，并定义运动协调。自动导引车需要持续与该集中式控制单元通信；因此，当通信网络中断时，系统缺乏鲁棒性。然而值得注意的是，集中式信息仅在顶层协调中需要。未来的工作将致力于在底层以完全去中心化的方式实现协调，从而只需在离开某个区域时偶尔与中央控制单元通信。

此外，所提出的感知技术需要照明，因为它们基于摄像头。虽然在有人工操作员存在的情况下照明始终处于激活状态，但也可能存在不需要照明的应用场景。这类应用可以极大地受益于替代感知技术（例如红外）。