CN106774313A - 一种基于多传感器的室外自动避障agv导航方法 - Google Patents

Abstract

本发明公开了一种基于多传感器的室外自动避障AGV导航方法，包括以下步骤：根据当地路线规划图以及目标起点、终点计算得到最短路线；利用激光雷达模块对周围环境进行检测，对障碍物进行避让；将道路正确行驶方向与电子罗盘得到的当前车头所指的方向角度比较得到小车行驶方向修正角度θ₁；利用摄像头模块对道路标志线进行识别，分析得到小车行驶方向修正角度θ₂；对θ₁和θ₂进行处理得到不同环境下的最优角度θ；工控机对相关参数进行处理，并通过无线模块、驱动模块让小车前进，同时通过协调器进行协调规划和检测。本发明能够在复杂的情况下实现室外精准自动避障导航。

Description

一种基于多传感器的室外自动避障AGV导航方法

技术领域

本发明属于AGV导航领域，特别涉及一种基于多传感器的室外自动避障AGV导航方法。

背景技术

随着劳动力成本的不断攀升，越来越多的领域开始引入AGV系统，而且AGV系统已经发展成为现代化生产物流系统中不可缺少的重要组成部分。而现有的AGV导航方式一般有以下几种：

磁导航：在地面铺设磁性轨道，利用磁力计对磁性轨道强度大小进行检测以用于引导小车巡迹导航，但不适用于室外导航。

激光雷达导航：激光雷达导航系统具有精确定位优点，测距装置根据反射板返回信号的距离与角度关系计算出所处位置坐标与偏航角度，在周围都是障碍物时可以很容易避障，但是却很难有效引导。

GPS结合电子罗盘定位导航：根据卫星返回的信号结合电子罗盘进行导航。

图像识别的视觉导航：通过对获取的图像进行处理，实现避开障碍物、寻找正确行驶方向来自动导航行驶，虽然精度较高，但是在比较复杂的环境使用时具有致命缺陷，因此不适合在多变的环境中仅靠摄像头模块进行准确导航。

以上的导航方式都存在各自的优缺点。其中，利用磁导航时，在地面铺设的磁条很容易损坏，而且不适宜在室外布置线路。而激光雷达导航，虽然能准确识别障碍物的具体位置，若周围都是障碍物而且非常接近车子时，无法判断在道路上的行驶方向是否正确。而GPS结合电子罗盘定位导航时，由于马路上干扰大，会影响定位的准确性，而且，稍有错误会引发安全问题。图像识别和激光雷达一样具有一定局限性，当障碍物十分靠近摄像头时或者由于光线等原因，不能更好自动识别进行导引。

因此，提供一种适用于多种复杂情况下的AGV导航方法具有重要的意义。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种基于多传感器的室外自动避障AGV导航方法，能够在复杂的情况下实现室外精准自动避障导航。

本发明的目的通过以下的技术方案实现：

一种基于多传感器的室外自动避障AGV导航方法，包括以下步骤：

S1、从上位机获得当地路线规划图，根据当地路线规划图以及目标起点、终点计算得到最短路线；

S2、利用激光雷达模块对周围环境进行检测，并根据获得的数据建立模型；当在小车行驶的前方检测到障碍物，判断是否可以一定的转弯角度行驶通过，如果可以，则通过转弯绕过；否则进行左右移动避让；

S3、利用GPS定位结合路线规划图中的道路行驶方向图得到道路正确行驶方向，通过电子罗盘模块获得的参数分析得出小车当前车头所指的方向，将道路正确行驶方向与电子罗盘模块得到的当前车头所指的方向之间的角度进行比较得到小车行驶方向修正角度θ₁；

S4、利用摄像头模块对道路标志线进行识别，分析得到小车行驶方向修正角度θ₂；

S5、对θ₁和θ₂进行处理，得到不同环境下的最优修正角度θ，将θ发送到工控机，工控机通过PID控制方法对小车车轮进行速度调整，同时工控机将运行位置、状态、路线发给协调器，协调器进行协调规划和检测。

优选的，步骤S1中，从车体上的上位机获得当地路线规划图，将当地路线规划图中的每个交通灯设置为一个节点，节点总数为n个，计算两两交通灯之间的距离，根据距离值构建一个n×n的矩阵N，在矩阵N的基础上，进行最短路径求解。

进一步的，步骤S1中，若需要访问的目标只有一个，则可利用Floyd算法对矩阵N求解最短路径的最优解；若需要访问的目标不止一个，此时可利用模拟退火算法对最短路线图进行规划。

优选的，步骤S2中，当左边方向检测到障碍物时，利用万向轮使小车向右平移一定的距离；对右边方向也作同样处理；

若平移后前方的通道宽度比小车的宽度大，则可以直接前行，若平移后前方的通道宽度比小车的宽度小，则可以继续平移；假如经过k_z次平移检测都不能前行则可以停车，发送警示信号。

优选的，在步骤S2中，利用激光雷达模块对周围环境进行实时检测，在小车当前的位置测量出周围障碍物的方向角度以及相应的距离，根据上述参数勾勒障碍物位置图，对所得图像进行二值化处理：

其中，上式中的(i，j)为坐标点，k＝1，2，3为对应三种颜色通道，g_ijk为点对应的RGB值，T1、T2为阈值范围；

以得到的二值化图像正中心为原点，建立图像坐标系，在图像坐标系中利用LSD算法进行障碍物线段提取，提取方法是：

以尺度s对图像进行高斯采样，把图像缩小一定的比例(0.8)，再进行梯度计算并排序，建立状态表并与梯度阈值p比较，大于梯度阈值的像素点进行直线构建，，接着进行NFA计算：

NFA＝N_NFA*ΣPⁱ*(1-P)^n-i，i＝k_NFA，k_NFA+1，...n

N_NFA＝(m*n)2.5

其中，N_NFA为当前m×n大小图像中直线的数量，k_NFA为矩形主方向在容忍度为一定阈值角度pπ方向内的像素点个数，假如NFA＞∈，∈为容忍度，则认为结果有效，判定这是背景中一部分，否则是合适的障碍物线段；

根据得到的障碍物线段位置，再根据激光雷达模块在小车的位置得到车子四周边缘坐标，分别计算边缘每个坐标点到其同一侧障碍物的最短距离，并与障碍物距离小车的安全值D_s比较，D_s根据小车的大小以及速度参数确定，若小于D_s则不能安全通行，否则可以通行。

优选的，步骤S4中，通过摄像头模块检测成像，得到小车前方道路路面情况RGB图像，将得到的RGB图像转换为二值化图像，令道路标志线成的二值化数字为1，然后对每个像素点进行判断插值，若此时某一个点K_ii的周围8个像素点值有k_x个以上是1，则此时这个像素点值置1，否则这个像素点值置0；

多次运行上述插值步骤得到新的二值化图像，再进一步利用Canny算子对新的二值化图像进行边缘分割处理；然后可以利用hough算法，得出其对应的一个主要直线函数表达式，并对其斜率、两端的顶点进行分析，假设n_h×m_h的图像中第n_h行为x轴，第一列为y轴，θ₂为最佳更正角度，有

其中，k_c为摄像头模块的缩放倍数，h_p为图像中所得线段两端的顶点的纵向位移，h_t为实际箭头的两端顶点的纵向位移，x_t为图像中所得线段两端的顶点的横向位移，α为摄像头的倾斜角度。

优选的，步骤S5中，最优修正角度θ的模型求解方法如下：

θ＝f(θ₁，θ₂)＝a₁θ₁+a₂θ₂

a₁+a₂＝1

其中，a₁、a₂分别为对应每个角度的相关系数，各系数的比例大小与实时环境有关。

具体的，小车运行在正常环境下，若修正角度θ₂与修正角度θ₁相差不超过1度时，则可以使a₁＝a₂＝0.5，若超过再进行多次测算，多次测算后相差依旧超过1度时以修正角度θ₂为主，修正角度θ₁为辅。

具体的，若此时小车出现处在十字路口或者三岔口、激光雷达模块检测到前方的障碍物离小车小于一定距离、光照强度小于一定阈值的情况之一时，以修正角度θ₁为主，修正角度θ₂为辅；若此时的GPS模块收到的信号小于一定阈值，以修正角度θ₂为主，修正角度θ₁为辅；此时再利用上述所说的数学线性规划模型进行最优修正角度θ的求解。

优选的，步骤S5中，得到最优修正角度θ，通过在一段时间内，每隔一定时间测量θ值，再结合卡尔曼滤波算法，经过滤波后将所得估算值求出平均值，得到滤波后的最优修正角度θ_t。

本发明与现有技术相比，具有如下优点和有益效果：

1、本发明通过寻找设计出最优的路线，综合利用激光雷达、GPS、电子罗盘以及图像识别的技术，解决了现有AGV在没有导引线而不能自动导航的问题，

2、本发明可以使小车按照室外不同的环境进行自适应调整，在多种复杂的情况下，都可以使开发人员完成引导控制，可以实现小车在室外精准自动避障导航。

附图说明

图1是本发明实施例的自动AGV导航方法流程图。

图2是本发明实施例的摄像头模块对道路进行图像检测工作图。

图3是本实施例各传感器在小车上的布置示意图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

本实施例一种基于多传感器的室外自动避障AGV导航方法，基于图3所示装置，在该装置中包括激光雷达模块1，GPS模块2，电子罗盘模块3，摄像头模块4，电机驱动模块5。本实施例通过综合利用激光雷达、GPS、电子罗盘以及图像识别得到的数据进行自动导航，下面结合图1对导航方法步骤进行具体说明：

S1、从上位机获得当地路线规划图，根据当地路线规划图以及目标起点、终点计算得到最短路线；

当地路线规划图包括交通路线图、地形参数以及每个时刻的交通路况，还包括起始点和目标终点，以及每个点对应的经纬度坐标。

步骤S1中，从车体上的上位机获得当地路线规划图，将当地路线规划图中的每个交通灯设置为一个节点，节点总数为n个，计算两两交通灯之间的距离，根据距离值构建一个n×n的矩阵N，在矩阵N的基础上，进行最短路径求解。

若需要访问的目标只有一个，则可利用Floyd算法对矩阵N求解最短路径的最优解，输入起始点i、结束点j，得出i到j的最短路线矩阵：

G[i，j]＝min(G[i，j]，G[i，k]+G[k，j])；

若需要访问的目标不止一个，此时可利用模拟退火算法对最短路线图进行规划：

其中经典公式如下：

其中，为分子能量的随机变量，表示状态的能量，K_B＞0为常数，Z(T)为概率分布的标准化因子：建立模拟退火TSP模型，选择初始路径当做初始温度，再从中路径矩阵随机交换位置(G₁，G₂，...G_k...G_m...G_N-₁，G_N)变为新路径(G₁，G₂，...G_m...G_k...G_N-₁，G_N)，从而计算交换前与交换后的差值d_G，按一定的方式降温，如果d_G大于0保存最短路径，否则以一定的概率P_G赋值，其中P_G与d_G有关，而且越来越小，此时再继续寻找最优解，“温度”逐渐降低直至低于T_m值结束，得到最佳路径。

S2、利用激光雷达模块对周围环境进行检测，并根据获得的数据建立模型。当在小车行驶的前方检测到障碍物，若可以一定的转弯角度行驶通过则通过转弯绕过；若无法以一定的转弯角度行驶通过，则考虑左右移动避让。

当左边方向检测到障碍物时往右边方向行驶；当左边方向没有检测到障碍物时，则利用万向轮使小车向左平移一定的距离；对右边方向也作同样处理。

若平移后前方的通道宽度比小车的宽度大，则可以直接前行，若平移后前方的通道宽度比小车的宽度小，则可以继续平移；假如经过多次平移检测都不能前行则可以停车，发送警示信号。

在步骤S2中，利用激光雷达模块对周围环境进行实时检测，在小车当前的位置测量出周围障碍物的方向角度以及相应的距离，根据上述参数勾勒障碍物位置图，对所得图像进行二值化处理：

其中，上式中的(i，j)为坐标点，k＝1，2，3为对应三种颜色通道，g_ijk为点对应的RGB值，T1、T2为阈值范围。

以得到的二值化图像正中心为原点，建立图像坐标系，在图像坐标系中利用LSD算法进行障碍物线段提取，提取方法是：

以尺度s对图像进行高斯采样，把图像缩小一定的比例(0.8)，再进行梯度计算并排序，建立状态表并与梯度阈值p比较，小于阈值的像素点被拒绝直线构建，接着进行NFA(Number of False Alarms)计算：

NFA＝N_NFA*ΣPⁱ*(1-P)^n-i，i＝k_NFA，k_NFA+1，...n

N_NFA＝(m*n)2.5

其中，N_NFA为当前m×n大小图像中直线的数量，k_NFA为矩形主方向在容忍度为一定阈值角度pπ方向内的像素点个数，假如NFA＞∈，∈为容忍度，则认为结果有效，判定这是背景中一部分，否则是合适的障碍物线段。

根据得到的障碍物线段位置，再根据激光雷达模块在小车的位置得到车子四周边缘坐标，并分别计算记录某一边(如左边)每个坐标点到其同一侧(正左侧)障碍物的最短距离，并与障碍物距离小车的安全值D_s比较，D_s根据小车的大小以及速度等参数确定，例如D_s＝1m，若小于D_s则不能安全通行，否则可以通行。

S3、利用GPS定位结合路线规划图中的道路行驶方向图(即每个路段正确行驶方向图)得到道路正确行驶方向，通过电子罗盘模块获得的参数分析得出小车当前车头所指的方向，将道路正确行驶方向与电子罗盘得到的当前车头所指的方向角度比较得到小车行驶方向修正角度θ₁；

S4、利用摄像头模块对道路标志线(可以指引正确行驶的标志线)进行识别，分析得到小车行驶方向修正角度θ₂；

通过摄像头模块检测成像，得到小车前方道路路面情况RGB图像，将得到的RGB图像转换为二值化图像，令道路指引线或者限制线形成的二值化数字为1，然后对每个像素点进行判断插值，若此时某一个点K_ii的周围8个像素点值有5个以上是1，则此时这个像素点值置1，否则这个像素点值置0；

多次运行上述插值步骤得到新的二值化图像，再进一步利用Canny算子对新的二值化图像进行边缘分割处理；然后可以利用hough算法，得出其对应的一个主要直线函数表达式，并对其斜率、两端的顶点进行分析，假设n_h×m_h的图像中第n_h行为x轴，第一列为y轴，θ₂为最佳更正角度，有

其中，k_c为摄像头模块的缩放倍数，h_p为图像中所得线段两端的顶点的纵向位移，h_t为实际箭头的两端顶点的纵向位移，x_t为图像中所得线段两端的顶点的横向位移，α为摄像头的倾斜角度，如图2所示。

S5、利用相关数学规划模型对θ₁和θ₂进行处理，得到不同环境下的最优角度θ，根据得到的最优修正角度θ通过PID控制算法对速度v_l和v_r(左右轮子的速度)来调整小车转弯还是直线行驶，v_l、v_r的范围大小主要由小车电机模块性能决定。两种情况的最佳角度θ的模型求解方法如下：

θ＝f(θ₁，θ₂)＝a₁θ₁+a₂θ₂

a₁+a₂＝1

其中，a₁、a₂分别为对应每个角度的相关系数，而各系数的大小与实时环境如光强度、GPS信号强弱等有关。

小车运行在正常环境下，若修正角度θ₂与修正角度θ₁相差不超过1度时，则可以使a₁＝a₂＝0.5，若超过再进行多次测算，多次测算后相差依旧超过1度时以修正角度θ₂为主，修正角度θ₁为辅，即令a₂＞0.5，如a₂＝0.7，a₁＝0.3。

若此时小车处在十字路口或者三岔口或者激光雷达模块检测到前方的障碍物离小车很近(小于三米)、光照强度较小等情况时，以修正角度θ₁为主，修正角度θ₂为辅；

若此时的GPS模块收到的信号较弱，以修正角度θ₂为主，修正角度θ₁为辅。此时再利用上述所说的数学线性规划模型进行最佳角度θ求解。

在得到最佳的调整角度θ的同时，因为GPS模块、激光雷达模块在使用过程中可能出现不稳定运行状态，此时结合卡尔曼滤波算法，得到滤波后的最优修正角度θ_t：

通过在T_m时间内，每隔T_m/N_m时间测量θ值，再结合卡尔曼滤波算法：

θ(k_s|k_s-1)＝A×θ(k_s-1|k_s-1)+B×u(k_s)

P(k_s|k_s-1)＝A×P(k_s-1|k_s-1)×A’+Q

Kg(k_s)＝P(k_s|k_s-1)×H’/(H×P(k_s|k_s-1)H’+R)

θ(k_s|k_s)＝θ(k_s|k_s-1)+Kg(k_s)×(Z(k_s)-H×θ(k_s|k_s-1))

P(k_s|k_s)＝(I-Kg(k_s)×H)P(k_s|k_s-1)

其中，θ(k_s-1|k_s-1)与θ(k_s|k_s)分别为第(k_s-1)与(k_s)次时对应θ预测的大小，初始值设置为1，而θ(k_s|k_s-1)为第(k_s)次预测参考值，U(k_s)是第(k_s)次时对系统的控制量，Z(k_s)为第(k_s)次θ测量值，P(k_s-1|k_s-1)与P(k_s|k_s)分别为第(k_s-1)与(k_s)次时对应噪声协方差大小，初始值设置为10，P(k_s|k_s-1)为第(k_s)次协方差参考值；A为系统状态系数，A′表示A的转置矩阵，B为系统状态系数，Q为过程噪声协方差，R为观测噪声协方差，H为测量系统的参数，第Kg(k_s)为第(k_s)次卡尔曼增益(Kalman Gain)，k_s范围为1＜k_s≤N_m+1。

经过滤波后将所得估算值求出平均值，即可得到滤波后的最优修正角度θ_t。

工控机对相关参数进行处理，并通过无线模块、驱动模块让小车前进，同时工控机将运行位置、状态、路线发给协调器，通过协调器进行协调规划和检测。

此时，利用小车上的GPS模块得到的参数与最短路线图来提示将要行驶到哪一个交通灯节点。此时，按照步骤S5得出速度v_l和v_r对小车进行调整，再通过串口可以将方向、速度等参数发送给驱动模块进行自动导航。同时，对于小车的运行位置、状态、路线可以发给协调服务器，开发人员可以通过协调器进行协调规划和检测，以及控制小车整体行驶的速度。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (10)

1.一种基于多传感器的室外自动避障AGV导航方法，其特征在于，包括以下步骤：

S1、从上位机获得当地路线规划图，根据当地路线规划图以及目标起点、终点计算得到最短路线；

S2、利用激光雷达模块对周围环境进行检测，并根据获得的数据建立模型；当在小车行驶的前方检测到障碍物，判断是否可以一定的转弯角度行驶通过，如果可以，则通过转弯绕过；否则进行左右移动避让；

S3、利用GPS定位结合路线规划图中的道路行驶方向图得到道路正确行驶方向，通过电子罗盘模块获得的参数分析得出小车当前车头所指的方向，将道路正确行驶方向与电子罗盘模块得到的当前车头所指的方向之间的角度进行比较得到小车行驶方向修正角度θ₁；

S4、利用摄像头模块对道路标志线进行识别，分析得到小车行驶方向修正角度θ₂；

S5、对θ₁和θ₂进行处理，得到不同环境下的最优修正角度θ，将θ发送到工控机，工控机通过PID控制方法对小车车轮进行速度调整，同时工控机将运行位置、状态、路线发给协调器，协调器进行协调规划和检测。

2.根据权利要求1所述的基于多传感器的室外自动避障AGV导航方法，其特征在于，步骤S1中，从车体上的上位机获得当地路线规划图，将当地路线规划图中的每个交通灯设置为一个节点，节点总数为n个，计算两两交通灯之间的距离，根据距离值构建一个n×n的矩阵N，在矩阵N的基础上，进行最短路径求解。

3.根据权利要求2所述的基于多传感器的室外自动避障AGV导航方法，其特征在于，步骤S1中，若需要访问的目标只有一个，则利用Floyd算法进行最短路径的求解；若需要访问的目标不止一个，则利用模拟退火算法进行最短路径的求解。

4.根据权利要求1所述的基于多传感器的室外自动避障AGV导航方法，其特征在于，步骤S2中，

当左边方向检测到障碍物时，利用万向轮使小车向右平移一定的距离；对右边方向也作同样处理；

若平移后前方的通道宽度比小车的宽度大，则可以直接前行，若平移后前方的通道宽度比小车的宽度小，则可以继续平移；假如经过k_z次平移检测都不能前行则可以停车，发送警示信号。

5.根据权利要求1所述的基于多传感器的室外自动避障AGV导航方法，其特征在于，在步骤S2中，利用激光雷达模块对周围环境进行实时检测，在小车当前的位置测量出周围障碍物的方向角度以及相应的距离，根据上述参数勾勒障碍物位置图，对所得图像进行二值化处理：

其中，上式中的(i,j)为坐标点，k＝1,2,3为对应三种颜色通道，g_ijk为点对应的RGB值，T1、T2为阈值范围；

以得到的二值化图像正中心为原点，建立图像坐标系，在图像坐标系中利用LSD算法进行障碍物线段提取，提取方法是：

以尺度s对图像进行高斯采样，把图像缩小一定的比例，再进行梯度计算并排序，建立状态表并与梯度阈值p比较，大于梯度阈值的像素点进行直线构建，接着进行NFA计算：

NFA＝N_NFA*ΣPⁱ*(1-P)^n-i,i＝k_NFA,k_NFA+1,…n

N_NFA＝(m*n)^2.5

其中，N_NFA为当前m×n大小图像中直线的数量，k_NFA为矩形主方向在容忍度为一定阈值角度pπ方向内的像素点个数，假如NFA＞∈，∈为容忍度，则认为结果有效，判定这是背景中一部分，否则是合适的障碍物线段；

根据得到的障碍物线段位置，再根据激光雷达模块在小车的位置得到车子四周边缘坐标，分别计算边缘每个坐标点到其同一侧障碍物的最短距离，并与障碍物距离小车的安全值D_s比较，D_s根据小车的大小以及速度参数确定，若小于D_s则不能安全通行，否则可以通行。

6.根据权利要求1所述的基于多传感器的室外自动避障AGV导航方法，其特征在于，步骤S4中，通过摄像头模块检测成像，得到小车前方道路路面情况RGB图像，将得到的RGB图像转换为二值化图像，令道路标志线成的二值化数字为1，然后对每个像素点进行判断插值，若此时某一个点K_ij的周围8个像素点值有k_x个以上是1，则此时这个像素点值置1，否则这个像素点值置0；

多次运行上述插值步骤得到新的二值化图像，再进一步利用Canny算子对新的二值化图像进行边缘分割处理；然后利用hough算法，得出其对应的一个主要直线函数表达式，并对其斜率、两端的顶点进行分析，假设n_h×m_h的图像中第n_h行为x轴，第一列为y轴，θ₂为最佳更正角度，有

$\left\{\begin{array}{c}{h}_t=\frac{h_p}{k_c\·\cos \mathrm{\α}}\\ {\mathrm{\θ}}_2=arctan\left(\frac{x_t}{k_c\·h_t}\right)\end{array}\right.$

其中，k_c为摄像头模块的缩放倍数，h_p为图像中所得线段两端的顶点的纵向位移，h_t为实际箭头的两端顶点的纵向位移，x_t为图像中所得线段两端的顶点的横向位移，α为摄像头的倾斜角度。

7.根据权利要求1所述的基于多传感器的室外自动避障AGV导航方法，其特征在于，步骤S5中，最优修正角度θ的模型求解方法如下：

θ＝f(θ₁,θ₂)＝a₁θ₁+a₂θ₂

a₁+a₂＝1

其中，a₁、a₂分别为对应每个角度的权重系数，各系数的值与实时环境有关。

8.根据权利要求7所述的基于多传感器的室外自动避障AGV导航方法，其特征在于，小车运行在正常环境下，若修正角度θ₂与修正角度θ₁相差不超过1度时，则使a₁＝a₂＝0.5，若超过再进行一定次数测算，经一定次数测算后相差依旧超过1度时以修正角度θ₂为主，修正角度θ₁为辅。

9.根据权利要求7所述的基于多传感器的室外自动避障AGV导航方法，其特征在于，若此时小车出现处在十字路口或者三岔口、激光雷达模块检测到前方的障碍物离小车小于一定距离、光照强度小于一定阈值的情况之一时，以修正角度θ₁为主，修正角度θ₂为辅；若此时的GPS模块收到的信号小于一定阈值，以修正角度θ₂为主，修正角度θ₁为辅；此时再利用权利要求7所述模型进行最优修正角度θ的求解。

10.根据权利要求1所述的基于多传感器的室外自动避障AGV导航方法，其特征在于，步骤S5中，得到最优修正角度θ，通过在一段时间内，每隔一定时间测量θ值，再结合卡尔曼滤波算法，经过滤波后将所得估算值求出平均值，得到滤波后的最优修正角度θ_t。