王铨

(中国神华国际工程有限公司，北京 100007)

0 引言

AGV(automated guided vehicle)车技术是一种背负式的、可无轨移动的、基于电磁及光学自我感知和自动寻迹的自动化运输车辆技术[1]。小负荷AGV车辆可以用于快递、邮件分拣系统；大负荷AGV车辆可以在车间系统中跨生产线搬运加工中间物资[2]。当前我国的AGV车辆技术已经处于国际先进水平，主要实现方式是通过轮对控制法实现车辆驱动，通过激光点云雷达和可见光实时建模技术实现寻迹和避障[3]。

车间内跨生产线运输系统早期依靠小型叉车或者梭车实现，因为通道较为狭窄，人员跨线走动情况带来的环境干扰较为复杂，所以该运输系统容易造成车间生产事故[4]。人工驾驶的小型叉车或者梭车很难实现较高的生产效率，所以促进了对AGV车辆的市场需求[5]。

该研究在轮对全自动驱动底盘系统上实现AGV车辆技术，提升车间跨生产线运输效率，提升车间安全管理效能，特别针对AGV轮对全自动输送车的算法优化进行技术创新，并评价新技术的优势及后续开发方向[6]。

1 轮对驱动AGV车辆底盘系统分析

轮对式驱动系统通过调节一对胶轮的相对转速，实现车辆的直行、后退、转向功能。驱动轮分别通过独立的驱动电机进行驱动。驱动电机为大功率同步交流电动机，电源来自车载逆变器(部分大负荷AGV车辆电源来自车载发电机)[7]。该底盘系统整体架构详见图1。

图1 轮对驱动AGV车辆底盘系统示意图

图1中，左、右两套驱动系统驱动轮对底盘，利用变频器实现4个前进挡、1个停止挡和2个后退挡，同时驱动左右独立的制动系统，构建轮对驱动系统。驱动轮直径33cm，该驱动策略详见表1[8]。

表1 驱动策略汇总表

表1中，该车辆的最大前进线速度约为4.00m/s，即14.4km/h，用作长距离低风险转运过程，如封闭或半封闭长距离转运通道；低速前进速度约为1.25m/s，即4.5km/h，用作长距离高风险转运过程。该车轮对中线间距设计为1.44m，最大车宽1.55m，最大车长设计为1.89m，其中轮对轴线前方1.25m，轮对轴线后方0.64m，其转向能力验算图如图2所示[9]。

图2中，该轮对底盘的转向方式主要分为两种，其中图2(a)为轮对对向运行实现以轮对驱动轴中点为回转中心的小半径转向方式，图2(b)为抱死一侧驱动轮，使用另一侧驱动轮低速驱动实现的以一侧驱动轮为转向回转中心的转向驱动方式。为计算该两种转向方式的底盘参数，应计算其转向过程的最大扫过半径Lmax和理论角速度ω，该轮对驱动底盘的具体数据如表2所示[10-12]。

图2 该轮对底盘转向能力相关参数试算图

表2 驱动底盘具体数据汇总表

2 驱动系统算法革新

该驱动算法，采用机器人视觉神经系统理念，利用深度卷积神经网络，将4个视频探头和4个激光点云探头数据分别进行深度卷积，形成8个避障数据，将该8个避障数据进行继续卷积，形成多列神经网络决策，详见图3。

图3 驱动系统神经网络算法示意图

图3中，涉及到5个关键技术点，现分析如下。

1)激光点云的数据卷积方案

单个激光点云探头的扫描视域为1 024×768点阵，共涉及到1个通道786 432个数据，数据格式为双精度浮点变量格式。采用多项式回归法进行节点设计，数据无损卷积率可达到40%，即其包含隐藏层14层，分别为314 573节点、125 830节点、50 332节点、20 133节点、8 054节点、3 222节点、1 289节点、516节点、207节点、83节点、33节点、14节点、6节点、3节点。其节点基函数如下：

(1)

式中：Xi为节点输入项中的第i个输入值；Y为节点输出值；j为多项式阶数；Aj为第j阶多项式的待回归系数。

激光点云处理器需要同时运行上述4个卷积神经网络模块，对嵌入系统的浮点计算能力要求较高，所以嵌入设备应配置多个高频率(>2.4GHz)浮点型处理器及通用处理器运行操作系统，并控制多嵌入设备的周围总线通信。该处理器向中央处理器报送4个双精度浮点变量作为中央处理器的视觉参照数据。

2)可见光的数据卷积方案

可见光处理器的节点设计与激光点云处理器相同，即采用公式(1)基函数进行节点设计，但因为输入数据量不同，其隐藏层架构有所不同。可见光采用三通道采集可见光数据，每通道为640×480解析度，故每个摄像头探头采集的可见光数据包括921 600个数据，数据格式为长整型变量，可在计算中强制转化为神经网络可识别的双精度浮点型变量进行控制。同样采用40%卷积率，其隐藏层共14层，分别为368 640节点、147 456节点、58 983节点、23 593节点、9 438节点、3 775节点、1 510节点、604节点、242节点、97节点、39节点、16节点、7节点、3节点。

可见光处理器需要同时运行上述4个卷积神经网络模块，处理器硬件设计同激光点云处理器。

3)路径预设的跳点方式

传统计算模式中，在路径中设计拐点，计算拐点的回转中心点与回转角度，但在该设计中，将路径下一跳点坐标(x,y)与AGV车辆当前定位点(x0,y0)共4个变量输入到中央处理器的判断坐标中，使其通过卷积神经网络判断轮对驱动方案。该4个变量均为双精度浮点型变量。该卷积神经网络设计方案详见下文。

4)多列神经网络实现驱动信号输出方案

针对左轮和右轮驱动方案分别设计1列卷积神经网络，形成多列卷积神经网络系统。2列神经网络的模块架构相同，根据不同设计方案进行训练。每列神经网络共12个输入数据，均为双精度浮点型变量，包括4个激光点云数据卷积结果、4个可见光数据卷积结果、4个路径预设结果。

该多列神经网络系统的核心统计学目标并非数据卷积，因为与前文数十万数据卷积为1个数据相比，通过12个输入数据卷积为1个数据，其卷积压力较小，所以该部分神经网络的核心统计学目标为发掘数据细节，实现更高精度的数据表达。故其节点函数选择方案应侧重于数据细节的发现，应采用对数回归函数进行节点设计，其基函数应改写如下：

Y=∑(A·logeXi+B)

(2)

式中：Xi为节点输入项中的第i个输入值；Y为节点输出值；e为自然常数，此处取近似值e=2.718 281 828；A、B为节点待回归系数。

为加强数据分析结果，该部分神经网络隐藏层层数设计为6层，分别为17节点、31节点、53节点、29节点、11节点、3节点。输出为1个双精度浮点型变量。

5)驱动方案解释办法

上述2列多列神经网络各输出1个双精度浮点型变量，值域空间为(-∞，+∞)。在解释办法中应将该输出值解释为轮对单侧驱动轮运行的8个驱动策略(表1)，其输出值与解释值之间的关系如表3所示。

表3 驱动方案解释办法汇总表

表3中，将数据解释方案设定为有效值域空间[0,1.000]范围，超出此值域范围的(-∞,0)和(1.000,+∞)，均设定为报错区间。该报错区间用于判断神经网络系统是否有效收敛，而在实际运行中，一旦一侧驱动轮给出报错数据，则两侧驱动轮均同时制动抱死，防止出现不可预见事故。在有效值域空间内，系统根据两侧驱动轮的实际神经网络输出值选择合适策略。但在安全保护装置中，系统会给出以下辅助报错空间，以对神经网络的收敛情况给出加强辅助判断过程，详见表4。

表4 辅助报错空间设置

表4中，前进策略共有4个，后退策略为2个，停车策略1个，计划内制动策略1个，转向策略10个，上述计划内策略共18个，而策略投影空间共有81项。该81项中如果策略投影不在18个计划内策略中，均会给出报错，并使系统保护性制动。该策略进一步增加神经网络训练过程中的收敛度，且增加了系统安全性。

3 系统开发与测试

该系统软件开发过程中，3个处理器均采用了Linux操作系统，逻辑数据管理使用了MySQL平台软件，视频与激光点云驱动为探头内置软件，软件开发使用了Java编译系统。数据训练过程采用了遥控训练法，使用人工遥控的方式操作该轮对驱动系统，神经网络系统根据操作指令和探头输入数据进行训练，其自主训练路径长度100m，设计拐点6个，运行过程中设计额外障碍物及行人闯入等应急状态。根据训练时长测试其效率，得到测试结果如表5所示。

表5 系统开发测试结果表

表5中，当训练达到25h时，该系统的自主寻迹能力已经与人工遥控操作时长保持持平；当训练达到100h时，该系统的平均车速11.19m/s较人工遥控的9.59m/s提升16.7%。考察行人侵入的制动效率，人工遥控制动最终位置距离行人平均1.92±0.36m；训练25h时制动最终位置距离行人平均1.23±0.24m；训练100h时制动最终位置距离行人平均0.73±0.18m。可以推测自主寻迹避障功能，更倾向于贴近异常点进行制动，且所有机器人操作在训练5h后均未发生意外碰撞事故。

4 结语

使用4个激光点云探头构建自主寻迹避障主视觉系统，使用4个3通道可见光摄像头构建自主寻迹避障辅助视觉系统，采用机器人自主视觉系统，在轮对驱动AGV车辆底盘上，构建驱动系统。该系统使用3个嵌入系统运行8个深度卷积神经网络和2个数据库辅助多列卷积神经网络，最终构建针对2个驱动轮的8挡位控制系统，给出4个前进策略、2个倒退策略、10个转向策略、1个停车策略和1个计划内制动策略。最终开发测试中，该系统在遥控训练25h时，达到与人工遥控近似的自主寻迹能力；遥控训练100h时，控制效率超出人工遥控16.7%；但后续训练未发现有控制效率的显著提升。该系统通过提升神经网络系统的节点数量、增加控制器的硬件配置，可以得到更高的控制效率。