基于视觉引导多AGV系统的改进A*路径规划算法

研究基于视觉引导自动引导车(AGV)的改进A*路径规划算法.首先,设计一种包含导航、定位和任务信息的图形编码标志方法,AGV通过识别位于车身前方网格型路径中有序排布的编码标志进行快速定位和下一位置预判,为多AGV规划奠定基础;其次,根据网格型路径构成的动态随机网络,提出一种改进A*算法,将AGV在运动时产生的动态时间耗费作为参考指标,以实现多AGV在路径网络中的路径规划和冲突避让策略,提高固定路网资源的利用效率;最后,对多AGV在网格型路径中协同工作的场景进行仿真,实验结果表明,所提出的改进算法可以有效应用于多AGV系统,并且提升整体系统的工作效率.     

基于视觉AGV的行驶状态数字化控制技术的研究

基于视觉导航的自动导航小车(AGV)依靠车载CCD摄像机获取车辆周围的图像信息,再经车载计算机对获取的图像信息进行分析得出控制AGV行驶的控制信息,从而便车辆在无人控制下按设定的路径的行驶状态自动行驶;提出将AGV行驶的速度、定时停车、停车等行驶状态信息进行数字化并用条形码进行表示的方法实现对AGV行驶状态的控制,给出控制信息数字化和条形码编制、扫描、识别的算法;利用计算机模拟AGV实际的运行状态对上述方法进行仿真,仿真结果表明,该方法具有识别算法简单、易于进行定性和定量控制、使用灵活、鲁棒性好的特点.     

基于视觉动态模型的道路检测算法研究

道路的检测与识别是自主导航车辆视觉感知研究的重要问题之一。在阴影、光照不均匀、边缘信息模糊等情况下,道路的识别与环境的理解变得尤为困难。为了提高道路识别中抗干扰和鲁棒性能力,提出了一种基于视觉动态模型的道路检测算法。该算法利用计算机视觉方法对摄像机观测系统进行建模,引入了直线变形模型描述道路环境的几何结构。基于道路图像的连续性建立对车辆运动状态的动态预测模型,并利用粒子滤波算法对状态模型参数进行预测,以达到对道路边缘的跟踪。同时,引入了似然概率作为评价道路图像与结构模型的匹配程度。通过对大量实际路面的检测,证明了该方法的有效性和实用性。     

视觉导引AGV的路径跟踪控制研究

AGV作为一种自动化程度很高的物流设备,广泛应用于柔性制造车间和自动化立体仓库等场所。视觉导引AGV通过对路径标志的识别和跟踪实现导航,如何提高跟踪精度一直是研究的热点问题。为此,提出一种利用粒子群算法对AGV的控制器参数进行优化,以使AGV的跟踪偏差尽可能小,并且提高系统的动静态稳定性、实时响应性。首先分析AGV的运动学模型,建立了粒子群算法优化的PID控制器;然后在Matlab中对不同速度运行下的小车控制分别进行仿真,通过比较优化前后的控制系统的结果,可以看出优化后的小车控制器性能明显提高,证明了所设计控制策略的有效性。     

车辆自主导航中的道路边界识别算法

道路边界识别是车辆基于道路区域或边界信息自动导航的首要问题．根据驾驶员视觉处理经验和车辆运动轨迹方程，总结出道路边界识别的先验知识与预测知识，在所选取的二次曲线道路形状模型基础上,分别利用边界识别算法和跟踪识别算法得到车辆起步和稳定行驶过程中的实时道路边界信息，为车辆控制器计算出位置偏差和方向偏差两个参数，以实现车辆基于前向单目视觉的自主导航．通过对实际路面试验结果的分析，证明了该方法的有效性和准确性．     

基于ARM的视觉导航AGV图像处理方法研究

为了实现更加简单高效的标识线图像的检测与处理,提出了一种优化的基于ARM的视觉导航AGV标识线图像处理方法;首先对采集到的图像进行灰度化处理并使用Otsu算法对图像进行阈值分割;然后采用优化的中值滤波算法进行图像滤波并使用高效的边缘提取策略获取路径边缘特征;最后采用角度判断的方法剔除错误点并使用最小二乘法拟合成路径的中心线;实验结果表明,该方法有较高的准确率和较好的实时性,可以满足工业生产中的实际需求,适用于基于嵌入式系统开发的视觉导航AGV。     

基于视觉与电子地图引导的自动导航车

为了能够灵活、精确地控制自动导航小车(AGV)的运动过程,提出了基于视觉利用图像识别和处理技术跟踪地面绘制的导航线和标志符号引导AGV运动,并在此基础上创建电子地图设定行驶路线和运动参数综合控制AGV运动状态的方法。通过在VC++6.0平台使用OpenGL强大的图形渲染能力将AGV运动的全过程直观立体地表现出来,实现了三维视景仿真,可观测性好,实用性强。仿真结果验证了通过电子地图和视觉引导综合控制的AGV的可行性和优越性,并为以后的试验研究提供了理论依据和试验手段。     

一种视觉导航参数的改进提取算法

视觉导航过程中,由图像处理单元对CCD采集的图像进行处理以提取导航参数。传统的导航参数提取方法提取速度慢,且提取路径模糊。本文针对应用DSP的视觉导航提出一种改进的导航参数提取算法,该算法计算量小,且易于优化,实现了导航参数的高速提取,并且提取出的路径清晰准确。     

基于嵌入式的移动机器人导航算法研究

针对移动机器人视觉导航中路径识别和路径跟踪问题,采用S3C2440嵌入式处理器处理摄像头传感器采集的路径环境信息,实现移动机器人在有引导路径的情况下自主导航。首先,用小波分析的方法进行图像增强和滤波,数学形态学反复开关滤波去除路面上的杂质,其次,针对单路径和交叉引导路径分别采用基于阈值化和形态学方法提取中心点,最后,加权最小二乘法计算导航参数。实验结果表明,该导航算法具有较好的实时性和准确的控制精度,能够满足机器人视觉导航的需要。     

基于PMAC的自动引导车视觉导航研究

介绍了，一种基于PMAC技术的视觉导航自动引导车的组成及工作原理，针对室内自动引导车的工作特点，探讨了包括直线及特殊路标的视觉识别方法，并将所开发的路标识别算法移植到工控机中，对所研制的自动引导车进行了，导航路径跟踪实验；实验结果表明，该视觉导航系统自可比较准确地动引导车跟踪导航路标，具有较高的行驶稳定性，横向位移偏差可保持在10～10mm内。     

基于嵌入式控制系统的视觉导引自动小车设计

以嵌入式系统为核心控制器,设计了基于视觉导引的自动小车系统。采用模块化硬件设计,分别开发了运动控制、步进电机移载、视觉导引、自动充电、安全避障、无线通信等各种硬件模块。研究了基于视觉的路径特征提取与识别,设计了分区导引控制算法实现小车自动循迹前进。在Linux操作系统环境下开发了控制系统软件和远程监控软件,最后完成了系统测试与调试。     

基于各种传感器的自动导引车的制导方式

自动导引车(AGV)作为一种移动机器人在近些年得到了飞速的发展,尤其是传感器技术在自动导引车中的普遍应用,使得自动导引车的制导方式突破了单一的铺轨方式,向多元化发展。阐述了基于各种传感器的8种自动导引车制导方式,提出若干性能指标对各种技术进行了综合比较,介绍了目前国内外自动导引车导向技术的开发、研制和使用情况。     

Collision avoidance by fuzzy logic control for automated guided vehicle navigation

A fuzzy approach to collision avoidance for automated guided vehicle (AGV) navigation is proposed. Static obstacles with no a priori position information as well as moving obstacles with unknown trajectories are considered in this study. Intuitive and subjective human ideas of collision avoidance are modeled into fuzzy rules. Fuzzy logic is applied in the inference procedure for AGV navigation, such that the AGV is guided from the starting point toward the target without colliding with obstacles. Furthermore, the proposed method can also be used for the navigation of multiple AGVs, where each AGV must avoid other AGVs as well as obstacles in the environment. Simulation results are presented to show the feasibility of the proposed fuzzy approach. © 1994 John Wiley & Sons, Inc.     

基于视野状态分析的机器人路径跟踪智能预测控制

为视觉导航自动导引车（AGV）的路径跟踪提出一种基于视野状态分析的智能预测控制模型．以最优 偏差状态转化策略取代二次型指标函数对预测控制目标的描述,避免了纯代数优化方法面临的参数选择难题．提出 一种同步控制算法,用于完全消除理想纠偏状态的两种路径偏差并维持无偏差跟踪状态．对于其它状态,则采取假 设—预测—调整的迭代算法,以实现状态转化的协调性．数值仿真和实验证明,在不同偏差状态和速度下,该算法 都能产生可实现的速度差控制量,同步、快速和平稳地消除两种路径偏差,而且,该算法计算量小,可满足嵌入式 控制系统实时处理的要求．     

Navigation of automated guided vehicles using magnet spot guidance method

Automated guided vehicle systems (AGVSs) are used to transport goods and products in most manufacturing systems. In this research, we use a cylindrical magnet spot, which is widely used in industrial AGVSs, to develop a guidance system for indoor AGV navigation. This paper describes the navigation and control system of an AGV by magnet spot guidance with a differential drive. Furthermore, Hall-effect sensors, encoders, and counters are employed to achieve control and continuous guidance. Existing guidance methods use a gyro sensor and dead reckoning with encoders to calibrate against steering angle errors. Here, the maximum value of the magnetic flux density of the magnet spot, which is obtained by the Hall-effect sensor, is used to calibrate against steering angle errors and as a navigation guide for the AGV. Furthermore, real-time corrections for wheel-skidding errors are accomplished with a fuzzy controller. Thus, high-precision continuous guidance with stable and satisfactory navigation at high speeds is achieved. This guidance method was applied to real manufacturing processes in a ceramic plant and steel-bar reinforcement plant to examine its control ability, stability, and effectiveness. The proposed method was found to be robust to disturbances and uncertainty problems during tracking.     

Intelligent AGV driving toward an autonomous decentralized manufacturing system

This paper proposes two methods that give intelligence to automatically guided vehicles (AGVs). In order to drive AGVs autonomously, two types of problems need to be overcome. They are the AGV navigation problem and collision avoidance problem. The first problem has been well known since 1980s. A new method based on the feature scene recognition and acquisition is proposed. The sparse distributed memory neural network (SDM) is employed for the scene recognition and acquisition. The navigation route for the AGV is learnt by use of Q-learning depending on the recognized and acquired scenes. The second problem is described as mutual understanding of behaviors between AGVs. The method of mutual understanding is proposed by the use of Q-learning. Those two methods are combined together for driving plural AGVs autonomously to deliver raw materials between machine tools in a factory. They are incorporated into the AGVs as the machine intelligence. In experimental simulations, it is verified that the first proposed method can guide the AGV to the suitable navigation and that the second method can acquire knowledge of mutual understanding of the AGVs’ behaviors.     

AGV视觉导向Hough变换算法的FPGA硬件实现

目前,自动导引小车的应用越来越普遍,视觉导向作为一种灵活的自动导引小车的导向方式有广阔的应用前景。为了实现地面标示线的自动识别跟踪,提出了一种基于FPGA硬件实现Hough变换算法的方法,应用在自动导引小车上可以满足实时的图像处理与路径跟踪需求。     

组合导航的AGV定位精度的改善

为了减小AGV惯性导航系统的累积误差,利用地埋标签辅助惯性导航系统构成一种自主式组合导航系统.在忽略陀螺仪误差的基础上,由惯性导航系统的运动方程推算出位置误差的计算式,得出影响误差的3个因素:加速度计偏差、AGV的行驶角度和地埋标签的数据更新时间.提出从影响误差的地埋标签数据更新时间入手,重新布放地埋标签以降低数据更新时间来提高AGV定位精度.通过Matlab对数据进行仿真,表明该方法能有效地降低AGV惯性导航系统的累积误差,进而改善了AGV的定位精度.