本發(fā)明涉及控制自動化的技術領域，尤其涉及到一種叉車自主避障系統及其方法。

背景技術：

物流成本在企業(yè)運營成本里，占據很大一部分比例。我國現階段倉儲范圍內物流仍以人工操作為主。人工成本高、信息管理困難、難以標準化。近些年，自動化技術呈現加速發(fā)展的趨勢，智能叉車已開始普及到各個行業(yè)里。但目前智能叉車對于突發(fā)障礙物的處理方案是急停，還沒有自主繞行功能。這對于以存放貨為任務的叉車來說是十分不便的，會延長任務時間，降低工作效率。

技術實現要素：

本發(fā)明的目的在于克服現有技術的不足，提供一種實時性強、可靠性高、自動化程度高的叉車自主避障系統。

為實現上述目的，本發(fā)明所提供的技術方案為：包括控制模塊、傳感器模塊、避障模塊、無線通信模塊、急停模塊、路徑規(guī)劃模塊以及移動執(zhí)行模塊；其中，控制模塊和避障模塊連接，二者均通過無線通信模塊與傳感器模塊無線連接；急停模塊、路徑規(guī)劃模塊以及移動執(zhí)行模塊均與控制模塊連接；

所述控制模塊，接收傳感器模塊返回的信息，對信息進行濾波處理，并根據消除噪聲干擾后的信息進行綜合處理，最后根據處理結果發(fā)送相應指令給移動執(zhí)行模塊；

所述避障模塊，處理傳感器模塊的數據后實現叉車的急停、尋找出口功能；

所述無線通信模塊，實時傳輸傳感器模塊所測到的參數信息給控制模塊；

所述急停模塊，當叉車在自動模式下失去通訊或者失去控制時強制停止當前的所有運動；

所述路徑規(guī)劃模塊，結合出口決策模型，實現叉車當前位置到目標點位置的路徑規(guī)劃功能；

所述移動執(zhí)行模塊，接收控制模塊發(fā)出的指令并進行相應的執(zhí)行動作。

進一步地，所述傳感器模塊包括激光掃描傳感器、車速傳感器、角度轉向傳感器以及定位傳感器；所述避障模塊分別與激光掃描傳感器和定位傳感器連接；其中，

所述激光掃描傳感器，獲取叉車前方180度環(huán)境感知信息；

所述車速傳感器，獲取叉車的車速信息；

所述角度轉向傳感器，獲取叉車前輪的轉向角度；

所述定位傳感器，通過識別周圍倉儲環(huán)境內預先設置好的路標來推算叉車當前的位置及位姿信息。

進一步地，所述車速傳感器為增量式編碼器，所述角度轉向傳感器為絕對式編碼器。

為實現上述目的，本發(fā)明另外提供一種叉車自主避障方法，其包括以下步驟：

(1激光掃描傳感器對叉車前方180度障礙物信息進行掃描，獲取障礙物信息；

(2控制模塊通過無線通信模塊接收傳感器模塊反饋的信息，對信息進行濾波處理，并根據消除噪聲干擾后的信息進行綜合處理，根據處理結果發(fā)送相應指令給移動執(zhí)行模塊；

(3移動執(zhí)行模塊接收控制模塊發(fā)出的指令并進行相應的執(zhí)行動作。

進一步地，所述步驟(2綜合處理步驟如下：若傳感器模塊反饋信息顯示有數據點進入第一滾動矩形區(qū)域，急停模塊啟動，使叉車急停；若無數據點進入第一滾動矩形區(qū)域，則遍歷所有數據點，檢查是否有數據點進入第二滾動矩形區(qū)域，若有，則觸發(fā)避障模塊；若無，則不觸發(fā)避障模塊，處理服從全局路徑規(guī)劃。

進一步地，所述第一滾動矩形區(qū)域和第二滾動矩形區(qū)域均形成于叉車正前方；第一滾動矩形區(qū)域的長度為叉車最小轉彎半徑的長度，寬度為叉車寬度；第二滾動矩形區(qū)域的長度為人為設定的安全行駛距離，寬度為叉車寬度；所述安全行駛距離與叉車行駛速度、制動時間、預置制動余量因素有關。

本方案采用第一、二滾動矩形區(qū)域而非傳統的扇形區(qū)域，能減少行駛盲區(qū)，降低系統運算量，提高系統實時性。

進一步地，所述步驟(2中的濾波處理采用卡爾曼濾波算法，其具體參數確定依據如下：

用如下狀態(tài)空間模型描述的動態(tài)系統狀態(tài)方程：

x(k)＝φx(k-1)+γw(k-1)；

觀測方程：

y(k)＝hx(k)+v(k)；

式子中，φ為狀態(tài)轉移矩陣，γ為噪聲驅動矩陣，h為觀測矩陣，k為離散時間，系統在時刻k的狀態(tài)為x(k)，y(k)為對應狀態(tài)的觀測信號，w(k)為過程噪聲，v(k)為觀測噪聲；

由于在應用過程中，激光掃描數據x(k)是一維變量，φ＝1；γ＝1；h＝1；w(k)和v(k)的方差為q和r；

簡化后，

x(k)＝x(k-1)+w(k-1)；

y(k)＝x(k)+v(k)；

根據傳感器數據波動、測量誤差和系統誤差，分別確定過程噪聲方差q、協方差p(k-1)和觀測噪聲方差r；

預計偏差：p(k/k-1)＝p(k-1)+q；

增益矩陣：

過程噪聲：w(k-1)＝k[x(k)-x(k-1)]；

可得：x(k)＝x(k-1)+w(k-1)；

x(k)＝x(k-1)+k*[x(k)-x(k-1)]；

最終確定卡爾曼濾波器的各項參數。

進一步地，所述避障模塊觸發(fā)后，避障程序包括以下步驟：

1)獲得激光掃描傳感器信息后，計算相鄰數據點的距離，當相鄰點的距離大于閾值δ時，以此特征點將感知環(huán)境進行區(qū)域分割，此特征點為區(qū)域分割點。遍歷所有數據點，記錄區(qū)域分割點的信息和數量num1，若num1大于0，則進行下一步驟，否則跳至步驟6)；

2)當某個區(qū)域的數據點數少于三個時，認為該區(qū)域為無效，與鄰近區(qū)域進行合并，篩選后得到區(qū)域分割點的信息和數量num2，若num2大于0，則進行下一步驟，否則跳至步驟6)；

3)去除相鄰出口之間寬度不足以讓叉車通過的出口，即假出口，篩選后得到備選出口點個數num3，若num3大于0，則進行下一步驟，否則跳至步驟6；

4)根據前面步驟篩選后得到的出口信息，建立長為出口距離，寬為叉車寬度的可變矩形區(qū)域，并遍歷所有數據點，確保沒有數據點進入該區(qū)域，若有，則排除該出口，提高出口的可達性，得到出口信息和數量num4，若num4大于0，則進行下一步驟，否則跳至步驟6)；

5)若num4等于1，則直接輸出該出口值。否則，進行步驟7)；

6)備選出口數為0時，啟動陷阱模式，叉車旋轉一定角度后獲得更多環(huán)境感知信息尋找出口，回到步驟1)；

7)假設叉車當前位置為a，最終目標點位置為b，連線ab，計算所有出口點到線段ab的距離，選擇距離最短的出口點為局部最優(yōu)出口；

8)延長決策時間，將每次計算得到的局部最優(yōu)出口，進行投票累加，選出符合貝葉斯統計的出口值作為最終出口，避免叉車走向出口的過程中，搖擺不定的情況出現；

9)得到最終出口信息后，結合叉車運動模型，進行局部路徑規(guī)劃，控制模塊根據局部路徑規(guī)劃發(fā)送相應指令給移動執(zhí)行模塊，使叉車按照局部路徑規(guī)劃行駛。

進一步地，所述進行投票累加，選出符合貝葉斯統計的出口值的詳細步驟如下：

建立貝葉斯預測模型，貝葉斯概率公式：

其中，z為實際情況，m為預計情況；m分預計有出口和無出口兩種情況，即對應m＝1和m＝0兩種情況：

代入貝葉斯概率公式得：

對上述公式進行l(wèi)og變換，得到貝葉斯預測模型：

在實際情況中，z有兩種情況：

第一種情況為該區(qū)域沒有出口，即z＝0,如下:

第二種情況為該區(qū)域有出口，即z＝1,如下:

設定好單位時間內投票次數，將每次投票結果按權重賦予一定值，最終選出值最大的出口為決策出口。

進一步地，步驟1)中所述閾值δ等于叉車寬度和安全系數的積；所述步驟7)決策時，將決策到的角度對應到平均分割好的四個區(qū)域內。

與現有技術相比，本方案的原理以及相應的有益效果如下：

1、傳感器模塊只需激光掃描傳感器、車速傳感器、角度轉向傳感器以及定位傳感器，涉及的傳感器較少，成本低廉；

2、傳感器模塊和控制模塊之間通過無線通信模塊通信，實時性高；

3、各模塊之間相互配合，無需人工操作，自動化程度高，有利于提高叉車工作效率；

4、比起扇形區(qū)域，可變矩形區(qū)域沒有盲區(qū)，保證真正可達；

5、模型收斂，可靠性高。

附圖說明

圖1為本發(fā)明中第一、二滾動矩形區(qū)域示意圖；

圖2為本發(fā)明避障程序中步驟3)出口之間叉車不能通過的示意圖；

圖3為本發(fā)明避障程序中步驟4)出口途中有障礙物示意圖；

圖4為本發(fā)明避障程序中步驟6)出口決策示意圖；

圖5為本發(fā)明避障程序中步驟7)投票機制區(qū)域劃分情況示意圖；

圖6為本發(fā)明的結構示意圖；

圖7是本發(fā)明中避障程序的工作流程圖。

具體實施方式

下面結合具體實施例對本發(fā)明作進一步說明：

參見附圖6所示，本實施例所述的一種叉車自主避障系統，包括控制模塊1、傳感器模塊2、避障模塊3、無線通信模塊4、急停模塊5、路徑規(guī)劃模塊6以及移動執(zhí)行模塊7；其中，控制模塊1和避障模塊3連接，二者均通過無線通信模塊4與傳感器模塊2無線連接；急停模塊5、路徑規(guī)劃模塊6以及移動執(zhí)行模塊7均與控制模塊1連接；

所述控制模塊1，接收傳感器模塊2返回的信息，對信息進行濾波處理，并根據消除噪聲干擾后的信息進行綜合處理，最后根據處理結果發(fā)送相應指令給移動執(zhí)行模塊7；

避障模塊3，處理傳感器模塊2的數據后實現叉車的急停、尋找出口功能；

無線通信模塊4，實時傳輸傳感器模塊2所測到的參數信息給控制模塊1；

急停模塊5，當叉車在自動模式下失去通訊或者失去控制時強制停止當前的所有運動；

路徑規(guī)劃模塊6，結合出口決策模型，實現叉車當前位置到目標點位置的路徑規(guī)劃功能；

移動執(zhí)行模塊7，接收控制模塊1發(fā)出的指令并進行相應的執(zhí)行動作。

其中，傳感器模塊2包括激光掃描傳感器201、車速傳感器202、角度轉向傳感器203以及定位傳感器204；避障模塊3分別與激光掃描傳感器201和定位傳感器204連接；

激光掃描傳感器201，獲取叉車前方180度環(huán)境感知信息；

車速傳感器202，獲取叉車的車速信息；

角度轉向傳感器203，獲取叉車前輪的轉向角度；

定位傳感器204，通過識別周圍倉儲環(huán)境內地圖中的預先設置好的路標來推算叉車當前的位置及位姿信息。

車速傳感器202為增量式編碼器，所述角度轉向傳感器203為絕對式編碼器。

本實施例的工作過程如下：

(1激光掃描傳感器201對叉車前方180度環(huán)境感知信息進行掃描，獲取障礙物信息；

(2控制模塊1通過無線通信模塊4接收傳感器模塊2反饋的信息，對信息進行濾波處理；

濾波處理采用卡爾曼濾波算法，其具體參數確定依據如下：

用如下狀態(tài)空間模型描述的動態(tài)系統狀態(tài)方程：

x(k)＝φx(k-1)+γw(k-1)；

觀測方程：

y(k)＝hx(k)+v(k)；

式子中，φ為狀態(tài)轉移矩陣，γ為噪聲驅動矩陣，h為觀測矩陣，k為離散時間，系統在時刻k的狀態(tài)為x(k)，y(k)為對應狀態(tài)的觀測信號，w(k)為過程噪聲，v(k)為觀測噪聲；

由于在應用過程中，激光掃描數據x(k)是一維變量，φ＝1；γ＝1；h＝1；w(k)和v(k)的方差為q和r；

簡化后，

x(k)＝x(k-1)+w(k-1)；

y(k)＝x(k)+v(k)；

根據傳感器數據波動、測量誤差和系統誤差，分別確定過程噪聲方差q、協方差p(k-1)和觀測噪聲方差r；

預計偏差：p(k/k-1)＝p(k-1)+q；

增益矩陣：

過程噪聲：w(k-1)＝k[x(k)-x(k-1)]；

可得：x(k)＝x(k-1)+w(k-1)；

x(k)＝x(k-1)+k*[x(k)-x(k-1)]；

最終確定卡爾曼濾波器的各項參數；

(3控制模塊1根據消除噪聲干擾后的信息進行綜合處理，步驟如下：若傳感器模塊2反饋信息顯示有數據點進入第一滾動矩形區(qū)域，急停模塊5啟動，使叉車急停；若無數據點進入第一滾動矩形區(qū)域，則遍歷所有數據點，檢查是否有數據點進入第二滾動矩形區(qū)域，若有，則觸發(fā)避障模塊3，進入下一步驟；若無，則不觸發(fā)避障模塊3，控制模塊1接收路徑規(guī)劃模塊6發(fā)送過來的全局路徑規(guī)劃后發(fā)送指令給移動執(zhí)行模塊7，移動執(zhí)行模塊7執(zhí)行指令使叉車按照全局路徑規(guī)劃行駛；

如圖1所示，上述的第一滾動矩形區(qū)域和第二滾動矩形區(qū)域均形成于叉車正前方；第一滾動矩形區(qū)域的長度為叉車最小轉彎半徑l1的長度，寬度為叉車寬度w；第二滾動矩形區(qū)域的長度為人為設定安全行駛距離l2的長度，寬度為叉車寬度w；所述安全行駛距離l2與叉車行駛速度、制動時間、預置制動余量因素有關；

(4記錄激光掃描傳感器201獲取到的所有激光數據中相鄰點間距大于閾值δ的區(qū)域分割點，該閾值δ等于叉車寬度和安全系數的積；

(5當某個區(qū)域的數據點數少于三個時，認為該區(qū)域無效，合并該區(qū)域；

(6將記錄下來的區(qū)域分割點計算出相應的出口信息，去除出口之間寬度無法讓叉車通過的出口，提高出口的真實性；(如圖2所示，出口a對應較小的數據點減去出口b對應較小的數據點，其結果q若大于叉車寬度，則判斷a、b出口是真實出口，否則，a、b出口是不可通過出口，予以排除)

(7根據前面步驟篩選后得到的出口信息，建立長為出口距離，寬為叉車寬度的可變矩形區(qū)域，并遍歷所有數據點，確保沒有數據點進入該區(qū)域，若有，則排除該出口，確保出口的可達性，如圖3所示；

從步驟(5到步驟(7的過程中，如遇到出口數為0的情況時，啟動陷阱模式，叉車停止行駛，并向左轉30度，尋找其他出口；

(8若出口數只有一個，則直接執(zhí)行該出口值。否則，進行下一步驟；

(9如圖4所示，假設叉車當前位置為a，最終目標點位置為b，連線ab，計算所有出口點到線段ab的距離，選擇距離最短的出口點為局部最優(yōu)出口；

(10延長決策時間，將每次計算得到的局部最優(yōu)出口，進行投票累加，選出符合貝葉斯統計的出口值作為最終出口，避免叉車走向出口的過程中，搖擺不定的情況出現；

由于叉車決策過程中一直在運動，即使是同一個出口值，對于激光掃描傳感器201來說，這一刻和下一刻的角度不會相吻合。若將全局地圖柵格化，叉車每次的出口概率值都對應到全局地圖的柵格地圖中，將會增大系統的運算量，降低系統的實時性；故綜合決定，將決策到的角度對應到分割好的四個區(qū)域內，如圖5所示；

進行投票累加，選出符合貝葉斯統計的出口值的詳細步驟如下：

建立貝葉斯預測模型，貝葉斯概率公式：

其中，z為實際情況，m為預計情況；m分預計有出口和無出口兩種情況，即對應m＝1和m＝0兩種情況：

代入貝葉斯概率公式得：

對上述公式進行l(wèi)og變換，得到貝葉斯預測模型：

在實際情況中，z有兩種情況：

第一種情況是該區(qū)域沒有出口，即z＝0,如下:

第二種情況是該區(qū)域有出口，即z＝1,如下:

設定好單位時間內投票次數，將每次投票結果按權重賦予一定值，最終選出值最大的出口為決策出口。

(11得到最終出口信息后，結合叉車運動模型，進行局部路徑規(guī)劃，控制模塊1根據局部路徑規(guī)劃發(fā)送相應指令給移動執(zhí)行模塊7，使叉車按照局部路徑規(guī)劃行駛。

以上所述之實施例子只為本發(fā)明之較佳實施例，并非以此限制本發(fā)明的實施范圍，故凡依本發(fā)明之形狀、原理所作的變化，均應涵蓋在本發(fā)明的保護范圍內。