0 引 言

無人車綜合了人工智能、計(jì)算機(jī)視覺和自動(dòng)化等技術(shù)的一種新型智能汽車[1]。通過利用傳感器等對四周的環(huán)境和自身的各項(xiàng)指標(biāo)進(jìn)行監(jiān)測，從而實(shí)現(xiàn)在各類道路和環(huán)境下的自主控制運(yùn)動(dòng)。障礙物聚類分析法通過聚類分析的方法將點(diǎn)云信息的內(nèi)在屬性進(jìn)行分析并分類，根據(jù)同類別中點(diǎn)信息的近似屬性或特征確定障礙物的位置信息，從而實(shí)現(xiàn)避障[2]。該方法具有障礙物探測準(zhǔn)確、分析速度快和探測范圍廣的優(yōu)點(diǎn)，尤其適用于對復(fù)雜環(huán)境障礙物的檢測，可以將其應(yīng)用于物流無人車。因此將基于障礙物聚類分析對物流無人車的環(huán)境感知進(jìn)行研究。

1 智能物流無人車設(shè)計(jì)

智能物流無人車根據(jù)功能需求，將其劃分為通信層、人機(jī)交互層、控制層、執(zhí)行層和數(shù)據(jù)庫共五層。

1.1 通信層

通信層用于為物流無人車提供數(shù)據(jù)的傳遞功能，該層主要包括Wifi無線網(wǎng)和服務(wù)器，根據(jù)TCP/IP的協(xié)議設(shè)定進(jìn)行數(shù)據(jù)的傳輸。通信層與數(shù)據(jù)庫和人機(jī)交互層連接，一方面將物流無人車作業(yè)所需要的信息如傳遞至數(shù)據(jù)庫存儲(chǔ)，同時(shí)將已送達(dá)商品的開柜碼等信息及時(shí)的發(fā)送給發(fā)件人；一方面將收件人相關(guān)地址信息傳遞至控制層，自動(dòng)規(guī)劃行駛路線，實(shí)現(xiàn)自動(dòng)導(dǎo)航和配送。

1.2 人機(jī)交互層

人機(jī)交互層用于實(shí)現(xiàn)用戶和物流無人車之間的互動(dòng)，對無人車進(jìn)行控制和操作。該層主要包括PC端和移動(dòng)端，用戶可根據(jù)需要進(jìn)行注冊和登錄，采用如圖1所示的ROS機(jī)器人系統(tǒng)進(jìn)行控制。

1.3 控制層

控制層是物流無人車的核心控制層，用于對無人車整體的控制，實(shí)現(xiàn)道路信息的采集、路徑規(guī)劃、避障和商品的投遞等功能。該層包括各類傳感器[3],一般包括UWB定位套件、攝像頭、激光雷達(dá)、速度傳感器、姿態(tài)傳感器和角位移傳感器等。UWB定位套件采用3個(gè)基站方式進(jìn)行監(jiān)測，用于對物流無人車進(jìn)行定位，可以實(shí)現(xiàn)距離和坐標(biāo)的測算。攝像頭安裝于物流無人車的頭部，用于實(shí)時(shí)采集無人車行駛過程中的道路狀態(tài)，以識(shí)別道路。為了保證監(jiān)測速度和準(zhǔn)確性，采用SICK激光雷達(dá)。在監(jiān)測時(shí)，激光發(fā)射器自身產(chǎn)生的電脈沖轉(zhuǎn)化為光脈沖發(fā)射出去，在行駛過程中一旦出現(xiàn)障礙物，則光脈沖會(huì)反射回來，此時(shí)光接收機(jī)將接收的光脈沖轉(zhuǎn)換為電脈沖，通過分析后可以確定障礙物距離，其計(jì)算方式如下：

d=Δt×c2$?=??\times \frac{?}{2}$(1)

式(1)中，Δt為光脈沖發(fā)射與接收的時(shí)間差；c為光速。速度傳感器安裝于物流無人車的車頭和4個(gè)車輪位置，用于實(shí)時(shí)監(jiān)測無人車的行駛速度，以及各車輪速度。姿態(tài)傳感器用于監(jiān)測無人車進(jìn)行商品投遞的狀態(tài)，以保證商品投遞的準(zhǔn)確性。角位移傳感器安裝于四個(gè)車輪下方，確定無人車行駛過程中轉(zhuǎn)角。

1.4 執(zhí)行層

執(zhí)行層用于執(zhí)行控制層下達(dá)的相關(guān)指令，該層主要包括車身和執(zhí)行裝置。車身是整個(gè)物流無人車硬件裝置的承載平臺(tái)，在進(jìn)行設(shè)計(jì)時(shí)，利用左右輪之間的轉(zhuǎn)速差進(jìn)行轉(zhuǎn)向的控制，以有效避免物流無人車行駛過程中出現(xiàn)原地打轉(zhuǎn)或者進(jìn)入死角的情況[4]。執(zhí)行裝置主要包括轉(zhuǎn)向驅(qū)動(dòng)閥、電子氣節(jié)門和輔助控制裝置等。物流無人車通過環(huán)境感知系統(tǒng)獲取無人車行駛狀態(tài)后，實(shí)時(shí)傳遞至控制系統(tǒng)，經(jīng)過處理分析后向執(zhí)行層發(fā)出相應(yīng)的指令，通過電子氣節(jié)門和輔助控制裝置控制無人車的行駛速度和轉(zhuǎn)角等，獲取最佳行駛狀態(tài)。

1.5 數(shù)據(jù)庫

數(shù)據(jù)庫用于對物流無人車在任務(wù)布置前和作業(yè)過程中的作業(yè)參數(shù)進(jìn)行實(shí)時(shí)存儲(chǔ)，以便于后期對數(shù)據(jù)的查詢和管理。

2 物流無人車環(huán)境建模和避障

2.1 環(huán)境建模算法設(shè)計(jì)

采用激光雷達(dá)獲取環(huán)境信息后，對環(huán)境建模。第一步是坐標(biāo)系的轉(zhuǎn)換。令世界坐標(biāo)系為XsYsOs,車體坐標(biāo)系為XcYcOc,兩坐標(biāo)系之間的關(guān)系圖如圖2所示。

對于車體坐標(biāo)系中的任意一點(diǎn)，若考慮其位姿，其坐標(biāo)可表示為(x0,y0,θ0),其在世界坐標(biāo)系中可表示為(x1,y1),兩點(diǎn)之間具有以下關(guān)系：

激光雷達(dá)在無人機(jī)坐標(biāo)系的坐標(biāo)為(xsense,ysense)。在監(jiān)測過程中，t時(shí)刻可達(dá)到的最遠(yuǎn)點(diǎn)在世界坐標(biāo)系中為(x2,y2),此時(shí)的無人車所在位置的坐標(biāo)為(x3,y3,θ3),以上坐標(biāo)具有以下映射關(guān)系：

式(3)中，ω為激光雷達(dá)光脈沖與行進(jìn)方向的夾角。

第二步是數(shù)據(jù)預(yù)處理。由于物流無人車作業(yè)的主要道路路面較為平坦，可假設(shè)地面具有小于20°坡度的平面。對于采集環(huán)境中的任意點(diǎn)A和激光雷達(dá)光脈沖環(huán)上的點(diǎn)B,在車體坐標(biāo)系中的坐標(biāo)分別為：

A=(xa,ya,za),B=(xb,yb,zb) (4)

則AB連線與車體坐標(biāo)系平面XOY之間的夾角δ為：

點(diǎn)云分割采用運(yùn)算速度快、計(jì)算精度較高的深度圖的分割方法。對于點(diǎn)云中的任意相鄰兩點(diǎn)C和D,兩點(diǎn)關(guān)系圖如圖3所示。

圖3中的O為激光雷達(dá)，可視為原點(diǎn)。以較長的脈沖光束作為y軸，與其垂直方向即為x軸。ε是激光雷達(dá)的分辨率，一般為0.2°或2°。η可通過式(6)計(jì)算，當(dāng)η大于某結(jié)果時(shí)，可認(rèn)為C和D點(diǎn)位于同一物體上。設(shè)定閥值，對所有相鄰點(diǎn)云數(shù)據(jù)的η進(jìn)行計(jì)算，聚類獲取同一物體的所有點(diǎn)，完成點(diǎn)云分割。

η=arctanDMMC=arctanODsinεOC−ODcosε$?=\arctan \frac{??}{??}=\arctan \frac{??\text{s}\text{i}\text{n}?}{??-??\text{c}\text{o}\text{s}?}$(6)

第三步是道路環(huán)境的建模。一旦發(fā)現(xiàn)空洞，采用線性差值的方法將數(shù)據(jù)補(bǔ)全，ξ為插值系數(shù)。對于任意相鄰兩點(diǎn)(x4,y4),(x5,y5),這兩點(diǎn)區(qū)間內(nèi)的任一點(diǎn)(x,y)符合以下關(guān)系：

y−y4y5−y4=x−x4x5−x4=ξ$\frac{?-?{}_4}{?{}_5-?{}_4}=\frac{?-?{}_4}{?{}_5-?{}_4}=?$(7)

2.2 障礙物識(shí)別算法設(shè)計(jì)

靜態(tài)障礙物在經(jīng)過激光雷達(dá)掃描后，一般呈現(xiàn)“I”或者“L”形，其上的點(diǎn)云可以看做在兩個(gè)垂直方向均呈高斯分布，高斯分布模型如式(8)所示：

式(8)中，i為點(diǎn)云中符合正太模型點(diǎn)中的模型個(gè)數(shù)；σi為第i個(gè)模型的點(diǎn)的方差；qi為第i個(gè)模型的期望；D為模型的權(quán)值。根據(jù)點(diǎn)云的高斯分布模型，確定靜態(tài)障礙物聚類的最小點(diǎn)數(shù)要求dmin:

dmin=dx⋅sin(90−ω)⋅λτ⋅dy⋅sinω$?{}_{\min }=\frac{?{}_{?}\cdot \sin (90-?)\cdot ?}{?\cdot ?{}_{?}\cdot \sin ?}$(9)

式(9)中，dx和dy分別為符合高斯模型分布點(diǎn)的x和y方向坐標(biāo)值；ω為激光雷達(dá)掃描線與x方向夾角；λ為激光雷達(dá)掃描經(jīng)驗(yàn)值，根據(jù)不同障礙物經(jīng)驗(yàn)值不同；τ為點(diǎn)數(shù)的調(diào)整系數(shù)，此時(shí)可以確定障礙物聚類的最小點(diǎn)數(shù)要求。若掃描后，某位置的點(diǎn)數(shù)符合障礙物聚類的最小點(diǎn)數(shù)要求，即該位置的掃描結(jié)果大于最小點(diǎn)數(shù)dmin,則此位置即為靜態(tài)障礙物，從而確定障礙物位置。

對于動(dòng)態(tài)障礙物，需要對不同時(shí)刻的數(shù)據(jù)進(jìn)行分析，確認(rèn)障礙物之間的關(guān)系。采用跟蹤門方法以某周期的障礙物作為中心，以矩形波門作為分析區(qū)域，確定障礙物再次落入波門的概率，具體如式(10)所示：

式(10)中，C(k)為第k個(gè)周期掃描結(jié)果；P為障礙物落入矩形門的概率系數(shù)；vgi和vci分別為第i個(gè)候選測量結(jié)果的觀測噪聲和過程噪聲的對角線結(jié)果。其后，采用勻速運(yùn)動(dòng)模型跟蹤障礙物：

式(11)中，x(k),x˙$\dot{?}$(k)分別表示x方向的位置和速度，y(k)和y˙$\dot{?}$(k)分別表示y方向的位置和速度；ω1和ω2分別表示x和y方向的高斯白噪聲；T為周期。從以上過程可以有效的識(shí)別障礙物，從而有效避開。

3 試驗(yàn)結(jié)果

3.1 道路環(huán)境建模試驗(yàn)

選擇校園內(nèi)的一條平坦、寬闊且道路狀態(tài)較為良好的道路作為測試道路，將物流無人車在該道路上行駛，分別在無行人和行駛車輛、有行人和行駛車輛的狀態(tài)下使用該無人車進(jìn)行環(huán)境信息的采集，自動(dòng)濾除地面上的物體，最終采用該無人車獲取的點(diǎn)云信息如圖4所示。

由圖4可知，該物流無人車能夠在無行人和行駛車輛的環(huán)境下，進(jìn)行道路環(huán)境的建模；在有行人和行駛車輛的條件下，自動(dòng)識(shí)別行人、車輛和數(shù)目，對實(shí)際的環(huán)境進(jìn)行建模。以上結(jié)果說明該物流無人車能夠進(jìn)行道路環(huán)境的建模，且可以有效識(shí)別道路環(huán)境中的障礙物。

3.2 障礙物識(shí)別精度試驗(yàn)

隨機(jī)放置5個(gè)箱子，由于箱子尺寸較大，將開始識(shí)別到障礙物的起始位置和識(shí)別障礙物的結(jié)束位置即終點(diǎn)位置做差，即可確定某障礙物尺寸。將其與實(shí)際尺寸進(jìn)行對比，以驗(yàn)證識(shí)別精度。結(jié)果如表1所示。

由表1可知，該物流無人車的環(huán)境建模精度較高，對于障礙物尺寸的識(shí)別精度誤差小于0.03m, 滿足物流無人車的精度要求。

4 結(jié) 論

為了使物流無人車能夠有效的感知和避障障礙物，設(shè)計(jì)物流無人車行駛過程的環(huán)境建模算法。采用激光雷達(dá)獲取環(huán)境信息，對信息進(jìn)行坐標(biāo)系轉(zhuǎn)換，確認(rèn)物流無人車的坐標(biāo)位置；預(yù)處理獲取的信息，獲得有效信息，采用插值法和三維網(wǎng)絡(luò)模型構(gòu)建的方法對行駛路徑進(jìn)行環(huán)境建模。在充分考慮障礙物的靜態(tài)和動(dòng)態(tài)方式的基礎(chǔ)上識(shí)別障礙物，以有效避障。試驗(yàn)結(jié)果表明該物流無人車能夠進(jìn)行道路環(huán)境建模，對障礙物尺寸的識(shí)別精度誤差小于3%,滿足物流無人車的精度要求。