英语原文共 8 页

共享工业环境下多AGV系统的先进传感和控制技术

作者：Lorenzo Sabattini, Elena Cardarelli, Valerio Digani,

Cristian Secchi, Cesare Fantuzzi and Kay Fuerstenberg

摘要：本文介绍了创新的传感技术和控制技术，旨在提高工业环境中用于物流操作的自动导向车辆组（AGV）的性能。我们明确考虑了AGV、人工驾驶车辆和人工操作人员共享环境的情况。在这种情况下，安全是一个重要的问题，需要始终得到保证，同时还要最大限度地提高系统的效率。本文介绍了PAN-Robots欧洲项目的一些主要成就。

一、引言

在过去的几十年中，制造厂的货物生产流程基本上是高度自动化的，主要是为了降低成本，避免不安全的工作条件。制造厂在生产线的开始和结束时，常常需要原材料和最终产品的仓库。尽管生产实现了自动化，但物流仍然是略微自动化的，到目前为止，需要人工操作和手动叉车。因此，在制造过程中没有完全整合的物流会导致效率低下，同时工人的工作环境风险也很高[1]。工厂物流对整个生产流程至关重要，其弱点影响生产效率和货物交付质量，特别是在产品可追溯性方面。仓储物流的瓶颈和问题严重影响着工厂的市场竞争力。

未来工厂的仓储可以依靠自动导向车辆（AGV）和集成系统来完成物流操作（图1）。如今，这些自主系统的市场份额约为每年几千辆，它们还没有准备好广泛应用于制造厂。事实上，安全、效率和设备安装成本仍然是开放的问题，技术还不够成熟，无法完全支持AGV的广泛扩散。因此，解决AGV和自动化仓库系统弱点的创新将增强这些物流解决方案的能力，使它们在现代工厂中广泛传播。

图1 AGV自动化仓库

本文分析了为加强工厂物流AGV系统的扩散而开发的技术[2]，[3]。文献中对自动导向车系统进行了广泛的研究：本文对自动导向车在工业环境中的定位和导向所采用的主要技术进行了综述[4]，其中[5]中的工作描述了多个自动导向车在大、重负荷协同运输中的应用。

一般来说，在工业环境中，AGV系统用于实现货物在不同地点之间的自动移动[6]，[7]。通常，AGV用于从自动化生产线的末端提取货物托盘，并将其带到仓库，或从仓库到装运。每次移动操作通常被称为任务。AGV系统由一个中央控制器（通常称为仓库管理系统（WMS））处理，该控制器负责将要完成的每个任务分配给特定的AGV。

在处理单个AGV时，可以利用多个策略进行单个机器人路径规划（见[8]）。相反，当多个AGV共享相同的环境时，需要采用协调策略来优化流量。通常，中央控制器负责协调AGV的运动[9]–[13]。为了简化协调和提高运行安全性，AGV通常被限制沿着一组预定义的道路（称为路线图）行驶（图2）。

图2 工厂路线图的一部分

二、共享环境中的AGV

人和自动机械通常在仓库中共享环境，因此安全是必须充分解决的主要问题。安全系统始终需要可靠和坚固，并且通常依赖经认证的激光扫描仪。这些传感器无法区分不同类型的障碍物，除预先定义的区域外，不提供任何有关周围区域的知识。然后，AGV需要在关键区域高度降低其速度，以确保在不可预测的情况下安全行为。

在同一条线路上，虽然路线图是减少交通管理所需计算资源的一种非常有效的方式，但在有限的一组道路上限制自动驾驶车辆的运动会严重降低车辆的灵活性。

系统。特别是，这种灵活性的降低明显影响了系统在存在不可预见的障碍时的性能。事实上，如果一个障碍物突然出现在一辆AGV前面，则有必要重新规划AGV的路径，以避免与障碍物碰撞。如果AGV被限制在路线图上，重新规划意味着在路线图上寻找替代路径，这并不总是可行的：例如，考虑单向道路的常见情况。在这种情况下，如果在路线图上找不到替代路径，AGV会被卡住，直到障碍物被清除。

主要有两个原因，即防止采用先进的控制策略，这将大大提高系统的性能。

首先，通常采用的传感装置由安装在每个AGV上的激光扫描仪表示。虽然这些装置在保证安全方面非常有效，但它们不适合获得所获得对象的可靠分类。尤其是，不可能区分人类和其他类型的障碍。这是非常相关的，因为人类的行为方式是不可预测的：因此，出于安全原因，不可能假设对人类自身意图的任何了解。因此，如果人类在AGV的感知范围内，唯一安全的程序是避免任何运动。相反，静态障碍可以很容易地克服，而不会对系统的整体安全产生任何负面影响。然而，无法可靠地区分人类和其他类型的障碍阻碍了这种先进控制技术的实施。

第二个方面与安装在每个AGV上的传感器系统无法获取周围环境的全球信息有关，粗略地说，它们不能环顾四周。因此，当接近交叉口时，AGV必须减速，以确保意外移动物体（或人）的安全。

作为一个激励性的例子，考虑图4的场景，在多个物体以及行人的情况下，一辆AGV正在绿色虚线表示的路径上行驶。仅基于局部感知，AGV能够识别其附近有限部分的物体（图5中的黄色区域）。因此，计算路线图的局部偏差（图中的蓝线）。6和7）仅依赖车载感知系统检测到的障碍物列表。如图8所示，局部传感无法提供足够的信息来安全执行局部偏离机动：在获得机动后，在不考虑安全传感器的存在的情况下，AGV与先前被遮挡的障碍物碰撞，在计算过程中车载感知系统无法直接看到。关于局部偏差（图5）。相反，利用提供全球环境信息的集中式云服务（图9），通过整合不同感知系统以及车载和基础设施系统获取的数据，可以安全高效地进行局部偏离机动。

图3 人类操作员与AGV共享环境

图4 AGV准备沿着绿色虚线表示的预定义道路行驶的多个对象场景

图5 局部感知能力：车载感知仅限于车辆周围区域（黄色区域）

图6 仅依赖于局部传感能力的预定路线图（绿色虚线）的局部偏差（蓝线）计算

图7 仅依赖于局部传感能力的预定路线图（绿色虚线）的局部偏差（蓝线）计算

图8 利用局部传感计算局部偏差时的障碍物碰撞

图9 全球实景感知能力

图10 安装在交叉口上方的半球形镜子

三、先进的传感系统和集中数据融合

为了克服第二节中强调的关键性问题，提出了一种先进的传感系统，以提高AGV系统的性能。传感系统由两个主要部件组成：车载传感器和基础设施传感器。为了补充安全激光扫描仪，有必要为每个AGV配备一个可靠的环境感知系统，能够监测车辆周围的整个360区域。特别是，车载感知系统由多个激光扫描仪（位于AGV周围）以及一个全向立体视觉系统（由两个全向透镜和安装在AGV顶部的两个摄像头组成）组成。实施细节见[14]。

车载传感器由安装在基础设施上的附加传感系统补充。这个想法类似于在交叉口上方安装半球形镜子，工人们用它来观察拐角处（图10）。因此，监测黑点的有效解决方案是在环境中的特定位置安装激光扫描仪，详见[15]

因此，不同的传感系统同时采集需要提供给AGV控制系统的数据，将传感数据纳入规划和控制策略。然后介绍了一个集中式系统，它负责接收来自不同来源的数据，并将它们适当地合并，使之可用于AGV控制系统。这个集中化的系统定义了一个环境的全局实况视图，其中包含有关填充工业环境的所有实体的不断更新的信息[16]。所述系统架构如图11所示。特别是，工厂勘探系统提供了一个静态的环境三维图，描述了所有静态基础设施元素（如机架、墙壁、门等）。[17]。相反，基础设施和车载传感器感知动态对象：特别是，这些系统提供对象检测、跟踪和分类功能。因此，在所提出的架构中，关于场景中障碍物的信息可以由多个来源提供，包括数据冗余、不一致、模糊、噪声和不完整的可能性。为了解决这一问题，引入了全局实时视图，作为一个模块，它收集传感器获取的所有数据，并将这些数据组合到整个系统的唯一和完整的表示中，包括在其中工作的静态和动态实体。特别是，全局实况视图允许实现更高质量的信息，提供一个全局更新的地图，代表静态实体（工厂的三维地图、路线图）、动态实体（自动导航系统的当前位置和速度、当前识别对象的位置和速度）、拥挤区域和统计我们监控的交叉口。

一般来说，基础设施和车载感知系统获取的信息由跟踪和分类的对象组成，用唯一的ID标识。具体来说，每个对象的相关数据如下：

bull;位置，方向，速度，大小。

bull;对象类别：人、手动叉车、AGV、其他动态对象、静态对象。

bull;关于分类质量和可靠性的评估

然后使用操作期间获取的信息更新全局实时视图，并生成实时全局地图。该输出与AGV车队共享，以提高其本地车载导航能力并支持安全运行。

重要的是要保证真实世界的一致性：地图中表示的每个虚拟对象都必须与真实世界的一个对象有对应关系。因此，全局实时视图执行数据融合，以合并从不同传感器获取的数据，减少信息冗余，并验证存在的数据不一致。懦弱和模棱两可。

数据融合是一个非常著名的问题，在文献中得到了广泛的研究。然而，值得注意的是，典型的解决方案包括低层数据（图像、三维点云、激光原始数据）的融合。然而，这对于我们正在考虑的应用来说是不现实的：事实上，对于每个障碍物候选，我们假设要处理中级特征（ID、年龄、位置、方向、速度和大小）和高级特征（类和分类质量），以优化数据传输时间并减少网络开销。因此，我们提出了一种两级的方法，分别实现了中级和决策级的数据融合。

1. 中等水平

在所描述的体系结构中，在中级处理数据融合意味着处理由车载和基础设施系统以及环境静态图中的元素估计的不确定性对象测量值（ID、年龄、位置、方向、速度和大小）

因此，从中等水平的角度，我们引入了一种基于障碍物职业区域评估的启发式方法：该解决方案的主要步骤如图12所示。从界定源传感器检测到的障碍物的边界框开始，该算法考虑了它们的位置、方向和职业重叠，以便重建一个二维/三维地图，其中包含对应于每个候选对象所覆盖区域的一组斑点。结合每个被跟踪障碍物的速度和方向估计信息，可以区分静态障碍物和动态障碍物。然后，使用拆分和合并技术[18]来解决可能代表同一对象或分离元素的不同视图的blob之间的区分冲突。然后将代表融合障碍物的信息集成到网格地图中，在网格地图上对自由空间和未知区域进行建模，以支持路径规划和导航功能的实施（详情将在第四节中提供）。

1. 高等水平

数据融合策略的选择可以从一个高层次的角度考虑，作为一个分类器组合问题。根据这个问题的公式，环境的静态三维地图、车载传感器系统和基础设施感知系统代表了一组ClassI给定输入模式的FIER为系统的每个可能类别（人、手动叉车、AGV、其他动态对象、静态对象）提供输出分数。该值表示类作为输入模式的正确类的置信度度量。

文献中可以找到几种方法来解决测量级（或III型[19]）的分类器组合问题。在这些方法中，我们建议在测量级别利用简单的聚合方案，如和规则、积规则、平均规则和最大规则：尽管它们很简单，但这些基本组合规则与更复杂的组合方法竞争，如[20]所强调的。此外，这些方法非常适合于实时实现，这在此类应用中是必需的。

图11 通用系统架构，设计用于障碍物数据检测、跟踪、分类和融合。

四、先进的导航策略

一个不断更新的集中系统的存在，它收集了工业环境中所有物体的信息，使实施先进技术来优化自动导航系统的导航性能成为可能。

特别是，问题是分配任务给每个AGV，然后以优化的方式规划完成任务所需的路径。提出的任务分配方法包括利用匈牙利算法，众所周知，匈牙利算法是求解任务分配问题的最优算法。一般来说，匈牙利算法解决了将一定数量的活动分配给一定数量的代理的问题。这个分配基于一个权重矩阵，其元素（i，j）对应于将j-活动分配给i-代理的成本。在所有可能的选择中，应用匈牙利算法得到的最优分配具有最小的总成本。

在本文所考虑的场景中，活动由待完成的任务表示，代理由AGV表示。值得注意的是，目标是提高系统的整体效率：因此，这意味着减少所有任务的总体完成时间。

因此，将每个自动导航器分配给特定任务的成本应与该自动导航器完成该任务所花费的时间成比例。目前使用的解决方案将这一概念转化为将成本定义为与每个AGV和每个任务位置之间的距离成比例的数量。事实上，假设速度不变，行驶距离与完成时间成正比。然而，对于共享工业环境中的多个AGV系统，这一假设是不现实的。事实上，不可预见的障碍物的存在，以及交通堵塞的存在，可以显著地减缓AGV的速度：这导致完工时间不再与行驶距离成正比。

可以利用[21]中提出的战略，在路线图上协调AGV。特别是，这种协调策略由两层组成的分层控制体系结构组成。上级负责对环境的宏观领域（称为部门）进行协调，下级负责各部门之间的协调。路线图的一部分分为几个部分，如图13所示。

基于路线图的层次划分，可以引入交通模型的定义，该定义同时考虑了车辆数量和每个部门内存在的障碍物。然后，在考虑到适当加权路线图的情况下，执行任务分配和运动协调。

对环境中障碍物的全球了解使以安全的方式实施障碍物规避机动成为可能。特别是，利用[22]中引入的策略，可以计算路线图的局部偏差。这些偏差由各AGV根据车载传感器获取的信息进行局部计算，并辅以全球集中的环境知识。AGV利用与路线图的局部偏差，避免与障碍物发生碰撞，同时仍朝着目标前进。特别是，建议的算法：

bull;计算出一条给定AGV形状的路径，确保避免与障碍物和任何基础设施元件发生碰撞。

bull;定义了可接受的AGV运动约束路径。尤其是曲率半径是有限的。

bull;确保一旦障碍物通

资料编号：[4039]