基于物联网的AGV货物智能分拣系统
摘要：在现代物流仓库的管理过程中，货物的分拣及装卸是仓库管理中必须要进行的作业动作，叉车作为当前货物分拣及装卸的常用设备，其存在柔性不高、智能化程度低、耗费人力等问题，而随着物联网的发展，现代仓库对货物的智能化管理需求越来越高。因此该文提出一种基于物联网的AGV货物智能分拣系统，主要包括货物识别子系统、导航子系统和避障子系统，通过多传感器数据融合以及智能分析算法，可实现不在人工干预的情况下自动完成货物分拣功能，从而提高仓库的智能化管理，降低人力成本。
关键词： AGV智能分拣； 货物识别； 导航系统； 避障系统； 智能管理
中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2018）09-0300-03
1 引言
随着物联网的发展，现代物流仓库对智能化管理的需求越来越高[1]，相比于传统的叉车搬运工具，AGV（Automated Guided Vehicle）自动引导机器人可以不在人为干预的情况下，自动的沿着设定好的路径行驶，并且自动的完成货物的识别、分拣、装卸等功能。在自动化仓储行业中，AGV能够有效地提升仓库智能化管理效率，提高企业自动化生产水平，降低人工成本，因此也有越来越多的企业相继开始研究AGV搬运机器人，如亚马逊的Kiva机器人，京东的无人仓计划等[2]。本文针对目前AGV识别货物准确率不高、自动规划路径效率低等问题，提出了一种基于物联网的AGV货物智能分拣系统，对于加快智能化仓储发展，具有重要的研究意义。
2 系统总体方案设计
基于物联网的AGV货物智能分拣系统主要是由AGV货物识别子系统、AGV路焦婊导航子系统以及AGV智能避障子系统组成，其中AGV货物识别子系统主要是通过CCD获取货物条码图像及货物轮廓图像，并通过图像分析算法快速识别货物信息，从而对获取进行分类；AGV路径规划导航子系统主要通过加速度计、陀螺仪传感器获取自身位置信息以及目标位置信息，并计算最优行驶路径，利用微惯导技术实现自主导航；AGV避障子系统主要通过超声波传感器和红外传感器来识别导航路径中的障碍物，并通过避障模糊算法实现智能避障功能。整个系统的总体设计方案如图1所示。
3 系统硬件设计
AGV货物智能分拣系统的硬件部分主要由STM32F4微控制器、电机驱动模块、货物识别模块、AGV导航模块以及AGV避障模块组成。如图2所示，微控制器主要完成AGV运行状态的监测以及位置信息状态共享，通过接收服务器的执行指令，检测当前货物识别模块、导航模块、避障模块的信息，控制电机的转向和速度，从而实现货物智能分拣的功能。
3.1 AGV货物识别模块
在AGV货物识别子系统中货物识别模块使用OV7670图像传感器，可通过SCCB总线控制该模块输出8位传输数据，传输最高达30帧/秒[3]。OmmiVision图像传感器应用技术，通过固定图案噪声、拖尾、浮散等方式来提高图像质量，得到清晰稳定的彩色图像。该模块支持镜头失光补偿，感光阵列为640*480，供电3.3V，休眠时功耗低，功耗不到1mW。OV7670的原理图如图3所示。
3.2 AGV导航模块
AGV导航模块内部集成了霍尼韦尔HMC5883L磁阻传感器与运动处理传感器MPU-6050。其中HMC5883L采用霍尼韦尔各向异性磁阻（AMR）技术，该技术具有在轴向高灵敏度和线性高灵敏度的特点[4]。传感器可获得罗盘航向、软磁、硬磁以及自动校准库，在强磁场环境下罗盘航向精度可达1°～2°，而MPU6050集成了3轴角速度和3轴加速度，通过微贯导技术，可在动态环境下获取AGV自身位置信息以及AGV运动状态。导航模块的原理图如4所示。
3.3 AGV避障模块
AGV避障子系统采用超声传感与红外传感器相结合检测前方障碍物。红外对管中光敏接收管两端电压与电位器端电压经LM393相比较输出0/1数字量，红外模块可通过电位器调节检测距离，调节检测距离的范围：2～30cm[5]。超声波模块是IO口TRIG触发测距，当超声模块测到有信号返回时会通过IO口ECHO输出一个高电平，高电平持续时间就是超声波从发射到返回时间。测试距离=（高电平时间*声速）/2，其中，声速=340M/S。超声模块工作频率在40kHz，功率75mW，射程范围2～400cm[6-7]。红外模块原理图如图5所示。
4 系统软件设计
AGV货物智能分拣系统的软件设计主要是以分布式算法为核心，通过多个AGV之间的协同及智能控制技术实现AGV智能识别货物、自主导航规划路径、智能避障等功能。AGV智能分拣系统的软件架构图如图6所示，AGV小车等待服务器的执行指令，如果是入库指令先对货物进行识别及分类，再根据货物的入库位置信息，自动规划路径完成入库并上报服务器完成状态；如果是出库指令，获取货物具体位置信息，完成出库操作并上报服务器出库状态。
4.1 AGV货物识别软件设计
AGV货物识别技术主要采用图像识别技术和机器学习方法，首先需要对仓库中已存在的货物的条形码以及货物轮廓特征进行样本采样，建立货物特征样本库，然后通过CCD摄像机获取货物的条码信息，提取货物图像特征向量和轮廓特征，并采用分类器对样本进行分类，然后使用决策树迭代算法匹配识别货物，提高货物条码识别效率及准确性。货物识别的软件设计流程如图7所示。
4.2 AGV导航软件设计
AGV导航系统主要采用微惯导技术，通过加速度计和陀螺仪来测量AGV小车的角加速度和线性加速度，与平台导航坐标系不同的是微惯导不需要手动构建三维坐标系，而是利用陀螺仪和加速度计计算物体的角速度和加速度来构建坐标系[8]，加速度计测量运动载体的运动加速度经过一次积分就得到运动载体的速度，通过坐标转换矩阵和欧拉角关系，再经过一次积分就得到导航坐标系下的位置。惯性导航的流程图如图8所示。