基于双目视觉的AGV障碍物检测与避障

基于双目视觉的AGV障碍物检测与避障

王淑英

（河南中烟工业有限责任公司黄金叶生产制造中心河南郑州450016）

摘要：本文介绍了AGV优点及障碍物检测，论述了障碍物检测实验及结果，并探讨了其避障策略与路径规划。

关键词：双目视觉；障碍物检测；帧差法；模糊PID

随着自动化水平的提高，AGV系统的应用越来越广泛，发挥着愈加重要的作用，成功地应用AGV系统能大幅度减少人力成本，提高生产效率。近年来，随着计算机和传感器等硬件能力的不断提升，视觉导引技术逐渐成为研究热点。

一、AGV优点

AGV即“自动导引运输车”，它是装备有电磁或光学等自动导引装置，能沿规定的导引路径行驶，具有安全保护及各种移载功能的运输车。

1、自动化程度高。由计算机、电控设备、激光反射板等控制，当车间某一环节需辅料时，由工作人员向计算机终端输入相关信息，计算机终端再将信息发送到中央控制室，由专业的技术人员向计算机发出指令，在电控设备的合作下，这一指令最终被AGV接受并执行。

2、充电自动化。当AGV小车的电量即将耗尽时，它会向系统发出请求指令，请求充电，在系统允许后自动到充电的地方“排队”充电。另外，AGV小车的电池寿命和采用电池的类型与技术有关。

3、美观，提高观赏度，从而提高企业的形象。

4、方便，减少占地面积；生产车间的AGV小车可在各个车间穿梭往复。

二、障碍物检测

1、基于深度检测的障碍物判定。本文利用OpenCV视觉库中的cvFindCon-tours轮廓检测函数检测物体的轮廓，用其外接矩形框标记，并利用双目视觉测距原理计算出物体相对摄像头坐标系下的三维坐标。

2、基于帧差法的障碍物运动状态检测。在AGV判定前方有障碍物的情况下，根据障碍物的运动信息进一步确定障碍物的运动状态。

对动态目标的检测，传统的检测方法有帧差法、背景差法和光流法，这些方法都要求摄像机为静止状态。因此当AGV检测到障碍物时，应立即停车，检测障碍物的运动状态。其中，背景差法需预先提供场景的背景图像。当背景发生变化时需更新背景图像；光流法计算量较大，耗时长，难以满足实时性要求；帧差法简单有效，能适应动态变化，但对噪声比较敏感。本文采用帧差法检测动态障碍，帧差法的原理是将相邻两帧或三帧图像数据相减后，通过预先设定的阈值过滤掉相对静止的部分来提取动态目标区域。

三、障碍物检测实验及结果

本文搭建的AGV实验模型两个前轮为驱动轮，由两个伺服电机独立驱动；两个后轮为万向轮，作为从动轮。系统主要由车体、上位机、摄像头、伺服电机、电源等组成。

1、静态障碍物检测实验。综合考虑实际场景和双目摄像头的景深范围，设定将高于地面10mm且距离小车1000mm内的物体视为障碍物。摄像头安装于小车前部中央，图像采集的周期为250ms。距离地面高度为200mm，因此障碍物的高度距离阈值和水平距离阈值分别设为。另外，实验中用于帧差法检测的图像全部采用左摄像头采集。

2）基于帧差法的障碍物运动状态检测。为了提高图像处理速度，减少噪声的影响，分别对其进行灰度化与5×5窗口的中值滤波去噪的图像预处理，得到预处理后的相邻两帧障碍物图像。两帧图像相减得到差分图像，由此可得到二值化的差分图像为全黑，可判定该障碍物为静止状态。

3）静态障碍物方位信息的获取。计算所得的障碍物方位信息与实际信息相比略有差别，考虑到摄像头的安装及测量过程中不可避免地存在误差，对静态障碍物信息的检测，基本能满足实际要求。

2、动态障碍物检测实验

1）基于深度检测的障碍物判定。双目摄像头采集的行人腿部图像，视野内腿的实际高度为512mm，距离摄像头光心860mm。同样，图像经过畸变校正、极限约束和立体匹配后。将判定算法中矩形框内的白色像素点数取为10，设异常点的阈值＝50，得到实验数据，由其结果可知，将行人作为障碍物的情况下，双目视觉测得的深度距离误差率约为1.4％，与实际值接近。

2）基于帧差法的障碍物运动状态检测。对停车后左摄像头采集到的图像进行灰度化与5×5窗口的中值滤波去噪预处理，得到相邻两帧行人障碍图像，由此可知二值化的差分图像不为全黑，可判定该障碍物处于运动状态。

四、避障策略与路径规划

针对不同运动状态的障碍物提出简单的避障策略：①当AGV检测到物体并判定为障碍物时，应逐渐减速至停车。②在停车时，通过前述算法判定障碍物的运动状态，并获取障碍物相应的参数信息。③对动态障碍，AGV继续停车等待，直到障碍物消失后按原路继续行驶。④对静态障碍，则根据障碍物尺寸、方位等参数控制AGV绕过障碍，然后回归导航路径。

1、静态避障路径规划模型

1）获取静态障碍物的尺寸和方位信息。在障碍物检测过程中，已能比较精确地获得静态障碍物的宽度尺寸及其相对于小车的方位信息，此处无法获得障碍的长度尺寸，假设其长度为W。

2）控制AGV绕过障碍物并回归导航路径。当障碍物相对于小车偏左时，为了能更快绕过障碍物，根据障碍物的位置及车间环境的不同。设置一个恒定的安全距离，小车右转角度并沿平行安全距离直行一段距离X，当车身中心与障碍物中心的连线与导航路径垂直时，左转角度2并直行距离X，使其回归导航路径。另外，障碍物偏右和居中时同理。

本文结合传统比例-积分-微分控制与模糊控制的优点，采用模糊PID控制方法对AGV小车避障时的路径进行控制。模糊PID控制是一种利用模糊控制方法实时调节数字PID控制系统中各控制参数的智能控制系统，本文采用的模糊PID控制器由模糊推理和常规的数字增量型PID共同组成。

图3所示为模糊PID控制器的结构原理图，系统输入为误差e和误差变化量ec，并找到PID的3个控制参数e与及ec间的模糊关系，在运行时不断检测e和ec，采用基于模糊控制规则对PID控制参数进行在线修改，满足不同时刻误差e和误差变化量ec对PID参数的不同要求，从而使被控对象具有较好的动、静态性能。此外，由AGV的运动学模型易知，角度偏差是距离偏差产生的主要原因，而且角度偏差越大，距离偏差就越大。

图3模糊PID控制系统结构图

3、实验验证。借助实验室场地模拟车间，铺设导航带，在有障碍物的路径上进行对比实验。先后采用传统PID控制方法和模糊PID控制方法控制AGV小车运动，分析两种情况下小车的距离偏差和角度偏差，从而验证避障策略的有效性。调整好AGV小车的初始位置，使其初始距离偏差为-3Omm，角度偏差为3°，分别进行PID和模糊PID控制实验，采样周期为ls，采集前10s的数据变化，由此得出，在初始偏差相同的情况下，无论是对距离偏差还是角度偏差的控制，模糊PID控制相比传统PID控制方法都具有较快的响应速度和较小的超调量，AGV的运行均更加高效和平稳。

五、结语

自动导引车（或称自动导航车，AutomatedGuidedVehicles，简称AGV）是一种无人驾驶的智能运输车，以蓄电池为动力源，能沿着预定路径智能行驶，具有安全保护设施及各种移载功能。

参考文献：

[1]刘巍.双目立体视觉测量系统的标定[J].光学精密工程，2016（02）.

[2]阮秋琦.基于双目视觉的运动物体实时跟踪与测距[J].机器人，2014（04）．

[3]邱尚斌.基于背景差法和帧间差法的运动目标检测方法[J].仪器仪表学报，2014（08）．