CN116449853B - 一种叉车式agv的路径规划方法 - Google Patents
一种叉车式agv的路径规划方法 Download PDFInfo
- Publication number
- CN116449853B CN116449853B CN202310700651.0A CN202310700651A CN116449853B CN 116449853 B CN116449853 B CN 116449853B CN 202310700651 A CN202310700651 A CN 202310700651A CN 116449853 B CN116449853 B CN 116449853B
- Authority
- CN
- China
- Prior art keywords
- degree
- moving
- polygon
- offset
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 92
- 238000012216 screening Methods 0.000 claims abstract description 42
- 238000012545 processing Methods 0.000 claims abstract description 9
- 239000003016 pheromone Substances 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 230000006378 damage Effects 0.000 abstract description 5
- 239000000758 substrate Substances 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 239000006185 dispersion Substances 0.000 description 3
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
- G05D1/0253—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means extracting relative motion information from a plurality of images taken successively, e.g. visual odometry, optical flow
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Electromagnetism (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及一种叉车式AGV的路径规划方法。该方法获取每帧图像中叉车式AGV的灰度图像,筛选出移动图像;根据移动图像中的边缘,获取多边形;根据多边形的形心的目标矢量,计算偏移程度,筛选出移动多边形;根据目标矢量的方向,获取整体偏移程度;根据目标矢量的大小,获取零散程度;根据整体偏移程度和散乱程度,获取相邻两帧移动图像的零散程度;根据零散程度,匹配出最相似历史图像,获取影响范围,确定叉车式AGV的最优路径。本发明获取不存在货物洒落风险的最短路径作为叉车式AGV的最优路径,消除了对叉车式AGV的伤害,同时保证了运输货物的效率。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种叉车式AGV的路径规划方法。
背景技术
叉车式AGV在无人运输中扮演一个重要的角色,码头仓库各个领域中的物质运输都需要叉车式AGV的参与。叉车式AGV在使用的过程中,为了达到良好的运输效率,需要考虑运输过程中的安全性和效率。发生事故或者低效的运输方式,对于物流运输有着较为严重的影响,所以需要对叉车式AGV的路径规划采用各种算法,获取叉车式AGV的最优路径。现有技术中采用蚁群算法将最短路径作为叉车式AGV的最优路径,在实际情况中蚁群算法寻找的最短路径上可能存在急转弯或路面不平滑的情况,导致叉车式AGV上的货物频繁洒落,影响叉车式AGV运输货物的效率,同时,会对行驶最短路径的叉车式AGV造成伤害,影响叉车式AGV的寿命。
发明内容
为了解决蚁群算法寻找的叉车式AGV最优路径中存在叉车式AGV上的货物频繁洒落,进而影响叉车式AGV运输货物的效率和寿命的技术问题,本发明的目的在于提供一种叉车式AGV的路径规划方法,所采用的技术方案具体如下:
本发明提出了一种叉车式AGV的路径规划方法,该方法包括:
获取预设视角下每帧图像中叉车式AGV的灰度图像,筛选出移动图像;
根据每帧所述移动图像中的边缘,获取每帧所述移动图像中的至少两个多边形;获取每帧所述移动图像与相邻下一帧所述移动图像中对应所述多边形的形心之间的目标矢量,计算每个所述多边形的偏移程度;根据所述偏移程度,筛选出所述移动图像中的移动多边形;
根据所述移动多边形的形心的目标矢量的方向,获取对应相邻两帧所述移动图像之间的整体偏移程度;计算所述移动图像与相邻下一帧所述移动图像之间对应所述移动多边形的夹缝差异,获取对应相邻两帧所述移动图像之间的夹缝变化程度;根据所述夹缝变化程度、所述移动多边形的面积变化和目标矢量的大小,获取对应相邻两帧所述移动图像之间的散乱程度;根据所述整体偏移程度和所述散乱程度,获取对应相邻两帧所述移动图像之间的零散程度;
根据所述零散程度与历史数据中的历史零散程度的差异,筛选出历史数据中与所述零散程度对应的相邻两帧所述移动图像相似的历史移动图像;根据所述整体偏移程度和所述散乱程度,将所述零散程度对应的相邻两帧所述移动图像在对应相似的历史移动图像中匹配出最相似的历史移动图像,根据最相似的历史移动图像中记录的影响范围,获取所述零散程度对应的相邻两帧所述移动图像对应路段的影响范围;
根据所述影响范围,调整对应路段的信息素浓度,通过蚁群算法获取所述叉车式AGV的最优路径。
进一步地,所述偏移程度的获取方法,包括:
目标矢量的大小为对应多边形的形心偏移距离;
目标矢量的方向为对应多边形的形心偏移角度;
将所述形心偏移角度与预设角度的比值作为修正偏移角度;
计算所述修正偏移角度与所述形心偏移距离的乘积,作为对应多边形的偏移程度。
进一步地,所述根据所述偏移程度,筛选出所述移动图像中的移动多边形的方法,包括:
通过K-means密度聚类算法对偏移程度进行聚类,获得聚类簇,将聚类中心最大的聚类簇中的偏移程度对应的多边形作为移动多边形。
进一步地,所述整体偏移程度的获取方法,包括:
选取任一个移动图像作为目标图像;
设置形心偏移角度阈值,当目标图像中的移动多边形的形心偏移角度大于形心偏移角度阈值时,将形心偏移角度与形心偏移角度阈值的相减结果,作为对应移动多边形的危险角;
当目标图像中的移动多边形的形心偏移角度小于或等于形心偏移角度阈值时,对应移动多边形的危险角设定为预设角度;
将目标图像中的每个移动多边形的危险角代入到正弦函数的结果,作为对应移动多边形的第一结果;
将第一结果与预设常数的相加结果作为第二结果;
将第二结果代入到以自然常数e为底数的指数函数中,所得结果作为对应移动多边形的倾斜危险程度;
获取目标图像中所有移动多边形的倾斜危险程度的均值,作为目标图像与相邻下一帧移动图像之间的整体偏移程度。
进一步地,所述夹缝变化程度的获取方法,包括:
获取每帧所述移动图像中相邻所述移动多边形之间的夹缝区域的面积;
通过骨架提取获取夹缝区域的长度;
将所述夹缝区域的面积与长度的比值作为夹缝宽度;
获取每帧所述移动图像与相邻下一帧所述移动图像对应夹缝区域之间的所述夹缝宽度的差值绝对值的均值,作为对应两帧所述移动图像之间的夹缝变化程度。
进一步地,所述散乱程度的获取方法,包括:
将每帧所述移动图像中所述移动多边形的形心偏移距离的均值,作为对应两帧所述移动图像之间的整体偏移距离;
获取相邻两帧所述移动图像中的第二帧所述移动图像中所述移动多边形的内部暴露面积与最外层的所述移动多边形的最大连续区域面积的比值,作为对应两帧所述移动图像之间的整齐程度;
将所述夹缝变化程度、所述整体偏移距离和所述整齐程度的乘积,作为对应两帧所述移动图像之间的散乱程度。
进一步地,所述零散程度的获取方法,包括:
设置第一预设权重与第二预设权重;
将所述第一预设权重与所述整体偏移程度的乘积作为参与偏移程度;
将所述第二预设权重与所述散乱程度的乘积作为参与散乱程度;
将所述参与偏移程度与所述参与散乱程度的相加结果作为零散程度。
进一步地,所述根据所述零散程度与历史数据中的历史零散程度的差异,筛选出历史数据中与所述零散程度对应的相邻两帧所述移动图像相似的历史移动图像的方法,包括:
获取历史数据中相邻两帧历史移动图像之间的零散程度,作为历史零散程度;
获取每个历史零散程度与当前相邻两帧移动图像之间的零散程度的差值绝对值,作为第一值;
将所述第一值进行归一化处理的结果作为第一筛选值;
设置第一筛选值阈值,当第一筛选值小于第一筛选值阈值时,将历史零散程度对应的相邻两帧历史移动图像,作为当前相邻两帧移动图像相似的历史移动图像。
进一步地,所述根据所述整体偏移程度和所述散乱程度,将所述零散程度对应的相邻两帧所述移动图像在对应相似的历史移动图像中匹配出最相似的历史移动图像的方法,包括:
任选一个零散程度作为目标零散程度,计算目标零散程度对应的相邻两帧移动图像与对应的相似的历史移动图像中相邻两帧历史移动图像之间的所述整体偏移程度的差值的平方作为偏移差异,以及所述散乱程度的差值的平方作为散乱差异;
获取所述偏移差异与所述散乱差异的均值,作为匹配决定值;
选择最小的匹配决定值对应的相邻两帧历史移动图像,作为目标零散程度对应的相邻两帧移动图像匹配的最相似的历史移动图像。
进一步地,所述筛选出移动图像的方法,包括:
获取每帧所述灰度图像与相邻下一帧所述灰度图像的二值差分图像;当二值差分图像中的像素值存在两个级别时,二值差分图像对应的相邻两帧灰度图像为移动图像。
本发明具有如下有益效果:
获取预设视角下每帧图像中叉车式AGV的灰度图像,避免非叉车式AGV区域对叉车式AGV的分析造成干扰,同时便于准确的筛选出移动图像;获取每帧移动图像中的至少两个多边形,根据多边形的形心的变化趋势,获取目标矢量,进而确定每个多边形的偏移程度,准确筛选出移动图像中的移动多边形,确定叉车式AGV上的货物区域,便于分析货物的零散程度;进而根据零散程度与历史零散程度的差异,筛选出历史数据中与零散程度对应的相邻两帧移动图像相似的历史移动图像,在相似的历史移动图像中匹配出最相似的历史移动图像,提高了匹配的效率和准确性,根据匹配的最相似的历史移动图像中记录的影响范围,获取零散程度对应的相邻两帧移动图像对应路段的影响范围,根据影响范围,自适应调整对应路段上的信息素浓度,使得获取的叉车式AGV的最优路径中即不存在叉车式AGV上的货物洒落的风险,消除了对叉车式AGV寿命的伤害,同时保证了叉车式AGV运输货物的效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种叉车式AGV的路径规划方法的流程示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种叉车式AGV的路径规划方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种叉车式AGV的路径规划方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种叉车式AGV的路径规划方法的流程示意图,该方法包括以下步骤:
步骤S1:获取预设视角下每帧图像中叉车式AGV的灰度图像,筛选出移动图像。
具体的,当叉车式AGV在仓库中运行时,蚁群算法会自行规划叉车式AGV的路径,得到叉车式AGV的最短循环路径,但是在某些特定场景中最短循环路径不是最优的运输路径,例如,最短循环路径中可能存在部分急转弯路段,导致叉车式AGV上的货物总是在急转弯路段发生洒落。如果叉车式AGV长期在有货物洒落情况的路段上行驶,会影响叉车式AGV的寿命,因为有货物洒落情况的路段存在路面不平滑等因素,导致叉车式AGV不平稳,长期会对叉车式AGV造成伤害,进而影响叉车式AGV的寿命,同时影响货物的运输效率。因此,本发明实施例通过对视频中的叉车式AGV上货物的变化情况,获取货物的零散情况,进而获取零散货物的影响范围,根据影响范围对货物发生摇晃路段的信息素浓度进行调整,重新规划叉车式AGV的最优路径。其中,蚁群算法为公知技术,在此不再进行赘述。
本发明实施例为了准确的观察叉车式AGV上货物的变化情况,在叉车式AGV运行的仓库中固定相机的位置,获取运动的叉车式AGV的侧面视角和俯视视角的视频,其中,侧面视角包括叉车式AGV的前后左右的视角。对相机采集的视频中的每帧图像进行灰度化处理和高斯去噪处理,获取每帧图像的整体灰度图像。其中,灰度化处理和高斯去噪处理均为现有技术,在此不再进行赘述。
为了避免其他区域对叉车式AGV以及叉车式AGV上货物的分析造成干扰,本发明实施例通过语义分割网络获取每帧整体灰度图像中叉车式AGV的区域并进行标记,语义分割网络使用U-net神经网络,输入为整体灰度图像;输出为叉车式AGV的灰度图像;U-net神经网络训练打标签的方式为:将叉车式AGV的区域标记为1,其他区域标记为0;U-net神经网络的损失函数为交叉熵损失函数。U-net神经网络为公知技术,在此不做赘述。直接对叉车式AGV的灰度图像进行分析,提高对叉车式AGV上货物的变化进行分析的准确率与效率。
根据帧差法获取每帧灰度图像与相邻下一帧灰度图像的二值差分图像,直观的体现出相邻两帧灰度图像中叉车式AGV上货物的变化情况。当二值差分图像中的像素值统一为0时,对应的相邻两帧灰度图像中叉车式AGV上的货物没有发生摇晃;当二值差分图像中的像素值有0和1时,对应的相邻两帧灰度图像中叉车式AGV上的货物发生了摇晃,将对应的相邻两帧灰度图像作为移动图像。叉车式AGV上的货物发生摇晃的范围一个时间段内,根据连续的二值差分图像可以确定叉车式AGV上的货物发生摇晃的范围。因此,移动图像一定连续的出现在一定的时间段内,本发明实施例对移动图像进行分析才有意义,移动图像对应的路段就是要调整信息素浓度的路段。其中,帧差法为公知技术,在此不再进行赘述。
因为叉车式AGV是运动的,固定位置的相机拍摄角度存在不是正对着叉车式AGV的情况,即视频中存在叉车式AGV的图像对应的视角发生偏移的情况,为了对叉车式AGV上货物的晃动情况进行准确的分析,需要进行视角矫正,获得矫正后的叉车式AGV的灰度图像和多视角下连续帧之间的二值差分图像,进而准确的筛选出灰度图像中的移动图像。
步骤S2:根据每帧移动图像中的边缘,获取每帧移动图像中的至少两个多边形;获取每帧移动图像与相邻下一帧移动图像中对应多边形的形心之间的目标矢量,计算每个多边形的偏移程度;根据偏移程度,筛选出移动图像中的移动多边形。
具体的,当叉车式AGV经过的路段平滑时,叉车式AGV上的货物是平稳的,与叉车式AGV的运动保持一致,均为水平直线行驶;当叉车式AGV经过的路段不平滑或存在急转弯时,叉车式AGV上的货物会发生一定程度的摇晃,叉车式AGV上的货物与叉车式AGV的运动将不再一致,货物的运动方向相比与叉车式AG的运动方向变化为上下和左右的运动。因此,根据摇晃的货物,可以确定叉车式AGV上的货物发生摇晃的路段,进而对该路段的信息素浓度进行调整,使得最终规划的叉车式AGV的路径为最优路径。其中,获取摇晃的货物即移动多边形的具体方法如下;
(1)获取多边形。
通过Canny边缘检测算法,获取每帧移动图像中闭合的边缘区域,一个闭合的边缘区域代表一个多边形。一个多边形对应的可能为叉车式AGV或叉车式AGV上可检测到外层的一个货物,对于堆叠在内部拍摄不到的货物,不进行处理,只对侧面视角和俯视视角的叉车式AGV的移动图像中能检测到的多边形进行分析。对与二值差分图像对应的相邻两帧移动图像,以第一帧移动图像中的多边形为主,二值差分图像反映的是第一帧移动图像到相邻下一帧移动图像即第二帧移动图像的过程中多边形发生的变化。其中,Canny边缘检测算法为公知技术,在此不进行赘述。
(2)获取偏移程度。
根据获取几何中心的方法,获取每个多边形的中心即形心。其中,获取几何中心的方法为公知技术,在此不进行赘述。作为一个示例,获取任一帧移动图像中的一个多边形的形心记为M,获取该帧移动图像的相邻下一帧移动图像中对应的同一个多边形的形心记为N;获取M到N的矢量即为形心M的多边形的目标矢量。目标矢量的方向表示的就是对应多边形的形心偏移角度,目标矢量的大小表示的就是对应多边形的形心偏移距离。其中,形心的变化情况就是对应多边形的变化情况。根据获取形心M的多边形的目标矢量的方法,获取每帧移动图像中每个多边形的形心的目标矢量。
叉车式AGV可以视为在路段上匀速的移动,即叉车式AGV对应的多边形在连续帧移动图像中是不变的,因此,叉车式AGV对应的多边形的形心的目标矢量的大小为0,方向也为0。连续帧移动图像中摇晃的货物对应的多边形会发生上下或左右的位置变化,因此,摇晃货物的多边形的形心会发生变化,即形心偏移角度一定大于0,同时,当形心偏移距离越大时,说明该多边形发生摇晃的可能性越大,因此,根据目标矢量的大小和方向获取每个多边形的偏移程度,进而确定发生摇晃的货物。
优选地,获取偏移程度的方法为:目标矢量的大小为对应多边形的形心偏移距离;目标矢量的方向为对应多边形的形心偏移角度;将形心偏移角度与预设角度的比值作为修正偏移角度;计算修正偏移角度与形心偏移距离的乘积,作为对应多边形的偏移程度。
作为一个示例,任选一帧移动图像作为目标移动图像,以目标移动图像中的第k个
多边形为例,获取第k个多边形的形心的目标矢量,将k个多边形的形心的目标矢量的大小
作为第k个多边形的形心偏移距离,将第k个多边形的形心的目标矢量的方向作为第k个多
边形的形心偏移角度;根据第k个多边形的形心偏移距离和形心偏移角度,获取目标移动图
像中第k个多边形的偏移程度的公式为:
式中,为目标移动图像中第k个多边形的偏移程度;为目标移动图像中第k个
多边形的形心偏移角度;为目标移动图像中第k个多边形的形心偏移距离;90为预设角
度,实施者可根据实际情况进行设定,在此不进行限定。
需要说明的是,修正偏移角度越大,越大,第k个多边形越不可能水平移动,第
k个多边形发生摇晃的程度越大,越大;修正偏移角度是为了防止过大,避免后续对
多边形偏移的分析造成大量数据运算,因此对进行修正。越大,说明第k个多边形发生
移动的程度越大,越大;因此,越大,对应多边形为摇晃的货物,且摇晃的程度越大。
根据获取目标移动图像中第k个多边形的偏移程度的方法,获取每帧移动图像中每个多边形的偏移程度。
(3)获取移动多边形。
本发明实施例设定K-means密度聚类算法中的K值为2,通过K-means密度聚类算法对偏移程度进行聚类,获得两个聚类簇,将聚类中心最大的聚类簇中的偏移程度对应的多边形作为移动多边形即摇晃的货物。其中,K-means密度聚类算法为公知技术,在此不进行赘述。至此,确定每帧移动图像中的移动多边形即摇晃的货物。
步骤S3:根据移动多边形的形心的目标矢量的方向,获取对应相邻两帧移动图像之间的整体偏移程度;计算移动图像与相邻下一帧移动图像之间对应移动多边形的夹缝差异,获取对应相邻两帧移动图像之间的夹缝变化程度;根据夹缝变化程度、移动多边形的面积变化和目标矢量的大小,获取对应相邻两帧移动图像之间的散乱程度;根据整体偏移程度和散乱程度,获取对应相邻两帧移动图像之间的零散程度。
具体的,叉车式AGV上的货物堆叠越零散,说明货物摇晃的程度越大,则发生货物洒落的可能性越大。货物的零散程度体现在两个方面:第一方面为货物的倾斜角度即整体偏移程度,第二方面为货物的散乱程度。本发明实施例以步骤S2中的目标移动图像为例,获取目标移动图像与相邻下一帧移动图像之间的整体偏移程度和散乱程度,进而获取目标移动图像与相邻下一帧移动图像之间的零散程度的具体方法如下:
获取整体偏移程度。
叉车式AGV上的货物发生摇晃时,货物的偏移角度越大,说明对应路段越不平滑,根据目标移动图像中每个移动多边形的形心偏移角度,获取目标移动图像与相邻下一帧移动图像之间的整体偏移程度。
优选地,获取整体偏移程度的方法为:选取任一个移动图像作为目标图像;设置形心偏移角度阈值,当目标图像中的移动多边形的形心偏移角度大于形心偏移角度阈值时,将形心偏移角度与形心偏移角度阈值的相减结果,作为对应移动多边形的危险角;当目标图像中的移动多边形的形心偏移角度小于或等于形心偏移角度阈值时,对应移动多边形的危险角设定为预设角度;将目标图像中的每个移动多边形的危险角代入到正弦函数的结果,作为对应移动多边形的第一结果;将第一结果与预设常数的相加结果作为第二结果;将第二结果代入到以自然常数e为底数的指数函数中,所得结果作为对应移动多边形的倾斜危险程度;获取目标图像中所有移动多边形的倾斜危险程度的均值,作为目标图像与相邻下一帧移动图像之间的整体偏移程度。
作为一个示例,本发明实施例中的目标移动图像即为目标图像,设置形心偏移角
度阈值为35,实施者可根据实际情况进行设置,在此不进行限定。将目标移动图像中每个移
动多边形的形心偏移角度与形心偏移角度阈值进行比较,当移动多边形的形心偏移角度大
于形心偏移角度阈值时,将该移动多边形的形心偏移角度与形心偏移角度阈值的相减结
果,作为该移动多边形的危险角;当移动多边形的形心偏移角度小于或等于形心偏移角度
阈值时,将该移动多边形的危险角设定为预设角度即0,本发明实施例中将预设角度设定为
0,实施者可根据实际情况进行设定,在此不进行限定。以目标移动图像中的第i个移动多边
形为例,获取第i个移动多边形的危险角的公式为:
式中,为目标移动图像中的第i个移动多边形的危险角;为目标移动图像中的
第i个移动多边形的形心偏移角度;为形心偏移角度阈值。
需要说明的是,当目标移动图像中的第i个移动多边形的形心偏移角度小于或等
于形心偏移角度阈值时,目标移动图像中的第i个移动多边形的危险角为0;当目标移动图
像中的第i个移动多边形的形心偏移角度大于形心偏移角度阈值时,越大,说明目标移动
图像中的第i个移动多边形发生的摇晃的程度越大,越大;因此,越大,目标移动图像
中的第i个移动多边形发生洒落的可能性越大。其中,本发明实施例考虑的是货物摇晃的情
况,因此,的取值范围为0到90之间,的取值范围一定在0到90之间。
根据获取目标移动图像中的第i个移动多边形的危险角的方法,获取目标移动图像中每个移动多边形的危险角。进而,根据危险角获取目标移动图像中每个移动多边形的倾斜危险程度,根据目标移动图像中所有倾斜危险程度的均值,获取目标移动图像与相邻下一帧移动图像之间的整体偏移程度NP的公式为:
式中,NP为目标移动图像与相邻下一帧移动图像之间的整体偏移程度;n为目标移
动图像中移动多边形的数量;为目标移动图像中的第i个移动多边形的危险角;sin为正
弦函数;e为自然常数。
需要说明的是,的取值范围一定在0到90之间,因此,的取值范围为0到1
之间,且在0到90之间单调递增,则第一结果越大,第二结果越大,第
i个移动多边形的倾斜危险程度越大,说明第i个移动多边形发生晃动的程度越
大,NP越大;本发明将预设常数设定为1,实施者可根据实际情况进行设定,在此不进行限
定。NP越大,说明目标移动图像中的移动多边形的变化程度越大。
(二)获取散乱程度。
叉车式AGV上的货物的散乱程度反映在相邻移动多边形之间的夹缝、移动多边形内部裸露区域的面积和最外层的移动多边形的最大连续区域的面积,以及移动多边形的形心偏移距离,因此,根据这三个方面共同获取目标移动图像与相邻下一帧移动图像之间的散乱程度的方法如下:
(1)获取夹缝变化程度。
优选地,获取夹缝变化程度的方法为:获取每帧移动图像中相邻移动多边形之间的夹缝区域的面积;通过骨架提取获取夹缝区域的长度;将夹缝区域的面积与长度的比值作为夹缝宽度;获取每帧移动图像与相邻下一帧移动图像对应夹缝区域之间的夹缝宽度的差值绝对值的均值,作为对应两帧移动图像之间的夹缝变化程度。其中,骨架提取为现有技术,在此不再进行赘述。
作为一个示例,获取目标移动图像中相邻移动多边形之间的夹缝区域,以及目标
移动图像的相邻下一帧移动图像中相邻移动多边形之间的夹缝区域;目标移动图像中的夹
缝区域与目标移动图像的相邻下一帧移动图像中的夹缝区域一对一的相对应。将夹缝区域
中的像素点的数量作为夹缝区域的面积,通过骨架提取获取夹缝区域的长度,这里假设夹
缝区域为一个矩形,计算夹缝区域的面积与夹缝区域的长度的比值即为夹缝宽度。以目标
移动图像中的第x个夹缝区域为例,获取目标移动图像中的第x个夹缝区域的夹缝宽度的
公式为:
式中,为目标移动图像中的第x个夹缝区域的夹缝宽度;为目标移动图像中的
第x个夹缝区域的面积;为目标移动图像中的第x个夹缝区域的长度。
需要说明的是,越大,说明目标移动图像中的第x个夹缝区域越大,第x个夹缝区
域对应相邻的两个移动多边形的摇晃程度可能越大,越大;越大,越小,与为
负相关的关系。
获取目标移动图像与相邻下一帧移动图像中对应夹缝区域之间的夹缝宽度的差值绝对值的均值,即目标移动图像与相邻下一帧移动图像之间的夹缝变化程度,因此,获取目标移动图像与相邻下一帧移动图像之间的夹缝变化程度H的公式为:
式中,H为目标移动图像与相邻下一帧移动图像之间的夹缝变化程度;m为目标移
动图像中的夹缝区域的数量;为目标移动图像中的第x个夹缝区域的夹缝宽度;为目
标移动图像的相邻下一帧移动图像中的第x个夹缝区域的夹缝宽度;为绝对值函数。
需要说明的是,越大,说明目标移动图像到相邻下一帧移动图像的时
间段内移动多边形的摇晃程度越大,H越大;因此,H越大,说明目标移动图像到相邻下一帧
移动图像的路段越不平滑。
(2)获取散乱程度。
优选地,获取散乱程度的方法为:将每帧移动图像中移动多边形的形心偏移距离的均值,作为对应两帧移动图像之间的整体偏移距离;获取相邻两帧移动图像中的第二帧移动图像中移动多边形的内部暴露面积与最外层的移动多边形的最大连续区域面积的比值,作为对应两帧移动图像之间的整齐程度;将夹缝变化程度、整体偏移距离和整齐程度的乘积,作为对应两帧移动图像之间的散乱程度。
作为一个示例,获取目标移动图像中所有移动多边形的形心偏移距离的均值,即目标移动图像与相邻下一帧移动图像之间的整体偏移距离,因此,获取目标移动图像与相邻下一帧移动图像之间的整体偏移距离D的公式为:
式中,D为目标移动图像与相邻下一帧移动图像之间的整体偏移距离;n为目标移
动图像中移动多边形的数量;为目标移动图像中的第i个移动多边形的形心偏移距离。
需要说明的是,越大,目标移动图像中的第i个移动多边形摇晃的程度越大,D越
大。
目标移动图像的相邻下一帧移动图像中的移动多边形因为摇晃,导致移动多边形的部分内部区域暴露了出来,获取该移动图像中所有移动多边形的内部暴露面积,内部暴露面积越大,说明目标移动图像到相邻下一帧移动图像中的移动多边形的变化程度越大,即移动多边形的摇晃程度越大。同时,最外层的移动多边形,因为移动多边形的摇晃,使得相邻移动多边形之间出现夹缝,当摇晃程度越大时,目标移动图像的相邻下一帧移动图像中的相邻移动多边形之间的夹缝越大,将最外层的整体移动多边形的面积分割为不连续的小区域;当摇晃程度越小时,目标移动图像的相邻下一帧移动图像中的相邻移动多边形之间的夹缝越小,部分相邻的移动多边形之间的夹缝不存在,使得最外层的连续移动多边形的面积越接近最外层的整体移动多边形的面积。因此,目标移动图像的相邻下一帧移动图像中的最外层的移动多边形的最大连续区域面积越大,说明目标移动图像到相邻下一帧移动图像的过程中移动多边形的变化程度越小,对应路段的不平滑程度越小。获取目标移动图像的相邻下一帧移动图像中移动多边形的内部暴露面积与最外层的移动多边形的最大连续区域面积的比值,即目标移动图像与相邻下一帧移动图像之间的整齐程度。获取目标移动图像与相邻下一帧移动图像之间的夹缝变化程度、整体偏移距离和整齐程度的乘积,即目标移动图像与相邻下一帧移动图像之间的散乱程度,因此,获取目标移动图像与相邻下一帧移动图像之间的散乱程度LV的公式为:
式中,LV为目标移动图像与相邻下一帧移动图像之间的散乱程度;为目标移动
图像的相邻下一帧移动图像中移动多边形的内部暴露面积;为目标移动图像的相邻下一
帧移动图像中最外层的移动多边形的最大连续区域面积;D为目标移动图像与相邻下一帧
移动图像之间的整体偏移距离。
需要说明的是,H越大,说明目标移动图像到相邻下一帧移动图像的过程中移动多
边形的位置变化程度越大,LV越大;整齐程度越大,即越大,越小,目标移动图像的相
邻下一帧移动图像中移动多边形的堆叠程度越散乱,间接说明目标移动图像与相邻下一帧
移动图像对应的路段发生货物摇晃的程度越大,LV越大;D越大,说明目标移动图像到相邻
下一帧移动图像的过程中移动多边形的偏移距离越大,即移动多边形的摇晃程度越大,LV
越大;因此,LV越大,目标移动图像到相邻下一帧移动图像中的变化程度越大,对应路段发
生货物洒落的可能性越大。
(三)获取零散程度。
通过目标移动图像与相邻下一帧移动图像之间的零散程度,对对应的路段进行分析,进而,调整对应路段信息素浓度,使得最终规划的叉车式AGV的路径为不存在货物洒落的最短路径。
优选地,获取零散程度的方法为:设置第一预设权重与第二预设权重;将第一预设权重与整体偏移程度的乘积作为参与偏移程度;将第二预设权重与散乱程度的乘积作为参与散乱程度;将参与偏移程度与参与散乱程度的相加结果作为零散程度。
作为一个示例,为了更好的平衡目标移动图像与相邻下一帧移动图像之间的整体
偏移程度和散乱程度的占比,使得目标移动图像与相邻下一帧移动图像之间的零散程度更
准确,本发明实施例设置第一预设权重为0.35,设置第二预设权重为4,实施者可根据实际
情况进行设定,在此不进行限定。获取第一预设权重与整体偏移程度的乘积,即目标移动图
像与相邻下一帧移动图像之间的参与偏移程度;获取第二预设权重与散乱程度的乘积,即
目标移动图像与相邻下一帧移动图像之间的参与散乱程度;根据目标移动图像与相邻下一
帧移动图像之间的参与偏移程度和参与散乱程度,获取目标移动图像与相邻下一帧移动图
像之间的零散程度的公式为:
式中,为目标移动图像与相邻下一帧移动图像之间的零散程度;为第一预设权
重;NP为目标移动图像与相邻下一帧移动图像之间的整体偏移程度;为第二预设权重;LV
为目标移动图像与相邻下一帧移动图像之间的散乱程度。
需要说明的是,参与偏移程度越大,NP越大,说明目标移动图像到相邻下一
帧移动图像的过程中移动多边形的摇晃程度越大,越大;参与散乱程度越大,LV越
大,目标移动图像到相邻下一帧移动图像中的变化程度越大,越大;因此,越大,目标移动
图像到相邻下一帧移动图像对应路段中叉车式AGV上的货物洒落的可能性越大。
根据获取目标移动图像与相邻下一帧移动图像之间的零散程度的方法,获取每个移动图像与相邻下一帧移动图像之间的零散程度。其中,每个叉车式AGV上的货物发生摇晃的时间段的最后一帧移动图像对应的零散程度,为最后一帧移动图像的前一帧移动图像与最后一帧移动图像之间的零散程度。
步骤S4:根据零散程度与历史数据中的历史零散程度的差异,筛选出历史数据中与零散程度对应的相邻两帧移动图像相似的历史移动图像;根据整体偏移程度和散乱程度,将零散程度对应的相邻两帧移动图像在对应相似的历史移动图像中匹配出最相似的历史移动图像,根据最相似的历史移动图像中记录的影响范围,获取零散程度对应的相邻两帧移动图像对应路段的影响范围。
具体的,在连续帧的移动图像中,叉车式AGV上货物的摇晃程度可以根据相邻两帧移动图像之间的零散程度获得。将采集的连续帧的移动图像中的零散程度与历史连续帧的历史移动图像中的历史零散程度进行比较,筛选出与相邻两帧移动图像相似的历史移动图像,进而根据整体偏移程度和散乱程度,匹配与相邻两帧移动图像最相似的历史移动图像,根据最相似的历史移动图像记录的影响范围,作为匹配的相邻两帧移动图像对应路段的影响范围。
优选地,获取相似的历史移动图像的方法为:获取历史数据中相邻两帧历史移动图像之间的零散程度,作为历史零散程度;获取每个历史零散程度与当前相邻两帧移动图像之间的零散程度的差值绝对值,作为第一值;将第一值进行归一化处理的结果作为第一筛选值;设置第一筛选值阈值,当第一筛选值小于第一筛选值阈值时,将历史零散程度对应的相邻两帧历史移动图像,作为当前相邻两帧移动图像相似的历史移动图像。
作为一个示例,以步骤S3中的目标移动图像与相邻下一帧移动图像之间的零散程
度为例,将目标移动图像与相邻下一帧移动图像作为目标相邻图像,获取历史数据中相邻
两帧历史移动图像之间的历史零散程度,将历史数据中的每个历史零散程度均与目标相邻
图像之间的零散程度进行比较,获取对应的历史零散程度的第一筛选值。以第q个历史零散
程度为例,获取第q个历史零散程度与目标相邻图像之间的零散程度的第一筛选值的公
式为:
式中,为取第q个历史零散程度与目标相邻图像之间的零散程度的第一筛选值;为第q个历史零散程度;为目标相邻图像之间的零散程度;为绝对值函数。
需要说明的是,越大,说明第q个历史零散程度与目标相邻图像之间的零
散程度的差异越大,第q个历史零散程度对应的相邻两帧历史移动图像与目标相邻图像越
不相似,越大;本发明实施例通过对进行归一化处理,使得取值范围在0
和1之间,在其他实施例中也可选择其他对进行归一化的方法,例如函数转化、最大
最小规范化、Sigmoid函数等归一化方法,在此不做限定。
本发明实施例设置第一筛选值阈值为0.1,当第q个历史零散程度与目标相邻图像之间的零散程度的第一筛选值小于第一筛选值阈值时,说明第q个历史零散程度对应的相邻两帧历史移动图像与目标相邻图像越相似,因此,将第q个历史零散程度对应的相邻两帧历史移动图像,作为目标相邻图像相似的历史移动图像;当第q个历史零散程度与目标相邻图像之间的零散程度的第一筛选值大于或等于第一筛选值阈值时,说明第q个历史零散程度对应的相邻两帧历史移动图像与目标相邻图像之间的区别很大,第q个历史零散程度对应的相邻两帧历史移动图像不是目标相邻图像相似的历史移动图像。
根据确定第q个历史零散程度对应的相邻两帧历史移动图像,是否为目标相邻图像相似的历史移动图像的方法,获取目标相邻图像所有相似的历史移动图像,其中,目标相邻图像相似的历史移动图像一定是成对存在的,即一定是相邻的两帧历史移动图像,目标相邻图像相似的历史图像会存在多对。为了更快更准确的获取目标相邻图像对应路段的影响范围,根据整体偏移程度和散乱程度,获取目标相邻图像最相似的历史移动图像。
优选地,匹配最相似的历史移动图像的方法为:任选一个零散程度作为目标零散程度,计算目标零散程度对应的相邻两帧移动图像与对应的相似的历史移动图像中相邻两帧历史移动图像之间的整体偏移程度的差值的平方作为偏移差异,以及散乱程度的差值的平方作为散乱差异;获取偏移差异与散乱差异的均值,作为匹配决定值;选择最小的匹配决定值对应的相邻两帧历史移动图像,作为目标零散程度对应的相邻两帧移动图像匹配的最相似的历史移动图像。
作为一个示例,获取目标相邻图像相似的历史移动图像中相邻两帧历史移动图像之间的整体偏移程度作为历史整体偏移程度,以及散乱程度作为历史散乱程度。根据目标相邻图像之间的整体偏移程度与历史整体偏移程度的差异,以及散乱程度与历史散乱程度的差异,获取目标相邻图像与对应的相邻两帧历史移动图像之间的匹配决定值。以目标相邻图像相似的历史移动图像中的第a对相邻两帧历史移动图像为例,获取目标相邻图像与第a对相邻两帧历史移动图像之间的匹配决定值的公式为:
式中,为目标相邻图像与第a对相邻两帧历史移动图像之间的匹配决定值;LV
为目标相邻图像即目标移动图像与相邻下一帧移动图像之间的散乱程度;为第a对相邻
两帧历史移动图像之间的历史散乱程度;NP为目标相邻图像即目标移动图像与相邻下一帧
移动图像之间的整体偏移程度;为第a对相邻两帧历史移动图像之间的历史整体偏移程
度。
需要说明是,偏移差异越小,说明目标相邻图像与第a对相邻两帧历
史移动图像之间的移动多边形即叉车式AGV上货物的偏移角度越相近,越小;散乱差异越小,说明目标相邻图像与第a对相邻两帧历史移动图像之间的移动多边形即
叉车式AGV上货物的堆叠情况越相同,越小;因此,越小,目标相邻图像与第a对相邻两
帧历史移动图像越相似。
根据获取目标相邻图像与第a对相邻两帧历史移动图像之间的匹配决定值的方法,获取目标相邻图像与对应相似的历史移动图像中每对相邻两帧历史移动图像之间的匹配决定值。选择最小的匹配决定值对应的相邻两帧历史移动图像,作为目标相邻图像最相似的历史移动图像。获取目标相邻图像最相似的历史移动图像在历史数据中记录的影响范围,作为目标相邻图像对应路段的影响范围。
根据获取目标相邻图像对应路段的影响范围的方法,获取采集的连续帧移动图像中每个相邻两帧移动图像对应路段的影响范围。
步骤S5:根据影响范围,调整对应路段的信息素浓度,通过蚁群算法获取叉车式AGV的最优路径。
具体的,中央处理器根据路段的影响范围,确定高风险路段,进而对高风险路段的信息素浓度进行自适应的调整,使得叉车式AGV经过高风险路段的可能性降低,避免了长期经过高风险路段对叉车式AGV的寿命造成的伤害以及货物洒落的情况,保证了货物运输的效率。
对高风险路段的信息素浓度进行自适应的调整的方法为:调整高风险路段的信息素浓度的挥发超参数和抑制超参数。挥发超参数为蚁群算法更新信息素浓度时,挥发参数的附加值,设置的目的是根据叉车式AGV上货物的零散程度的变化,自适应的调整挥发参数的增加值;抑制超参数为叉车式AGV经过的路段中,留下的累积信息素的损失值,叉车式AGV上货物的零散程度越高则损失值越大。根据获取的不同高风险路段的影响范围,蚁群算法根据影响范围对对应的高风险路段中的信息素浓度矩阵经过多次更新之后,对应高风险路段的信息素浓度会发生不同程度的降低,即高风险路段被经过的概率将连续降低,从而避免了高风险路段对叉车式AGV的寿命造成的伤害,以及叉车式AGV上货物洒落的情况,保证的货物运输的效率。
最终根据蚁群算法规划出一条不存在货物洒落风险的最短路径,作为叉车式AGV的最优路径。
至此,本发明完成。
综上所述,本发明实施例获取每帧图像中叉车式AGV的灰度图像,筛选出移动图像;根据移动图像中的边缘,获取多边形;根据多边形的形心的目标矢量,计算偏移程度,筛选出移动多边形;根据目标矢量的方向,获取整体偏移程度;根据目标矢量的大小,获取零散程度;根据整体偏移程度和散乱程度,获取相邻两帧移动图像的零散程度;根据零散程度,匹配出最相似历史图像,获取影响范围,确定叉车式AGV的最优路径。本发明获取不存在货物洒落风险的最短路径作为叉车式AGV的最优路径,消除了对叉车式AGV的伤害,同时保证了运输货物的效率。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (10)
1.一种叉车式AGV的路径规划方法,其特征在于,该方法包括以下步骤:
获取预设视角下每帧图像中叉车式AGV的灰度图像,筛选出移动图像;
根据每帧所述移动图像中的边缘,获取每帧所述移动图像中的至少两个多边形;获取每帧所述移动图像与相邻下一帧所述移动图像中对应所述多边形的形心之间的目标矢量,计算每个所述多边形的偏移程度;根据所述偏移程度,筛选出所述移动图像中的移动多边形;
根据所述移动多边形的形心的目标矢量的方向,获取对应相邻两帧所述移动图像之间的整体偏移程度;计算所述移动图像与相邻下一帧所述移动图像之间对应所述移动多边形的夹缝差异,获取对应相邻两帧所述移动图像之间的夹缝变化程度;根据所述夹缝变化程度、所述移动多边形的面积变化和目标矢量的大小,获取对应相邻两帧所述移动图像之间的散乱程度;根据所述整体偏移程度和所述散乱程度,获取对应相邻两帧所述移动图像之间的零散程度;
根据所述零散程度与历史数据中的历史零散程度的差异,筛选出历史数据中与所述零散程度对应的相邻两帧所述移动图像相似的历史移动图像;根据所述整体偏移程度和所述散乱程度,将所述零散程度对应的相邻两帧所述移动图像在对应相似的历史移动图像中匹配出最相似的历史移动图像,根据最相似的历史移动图像中记录的影响范围,获取所述零散程度对应的相邻两帧所述移动图像对应路段的影响范围;
根据所述影响范围,调整对应路段的信息素浓度,通过蚁群算法获取所述叉车式AGV的最优路径。
2.如权利要求1所述的一种叉车式AGV的路径规划方法,其特征在于,所述偏移程度的获取方法,包括:
目标矢量的大小为对应多边形的形心偏移距离;
目标矢量的方向为对应多边形的形心偏移角度;
将所述形心偏移角度与预设角度的比值作为修正偏移角度;
计算所述修正偏移角度与所述形心偏移距离的乘积,作为对应多边形的偏移程度。
3.如权利要求1所述的一种叉车式AGV的路径规划方法,其特征在于,所述根据所述偏移程度,筛选出所述移动图像中的移动多边形的方法,包括:
通过K-means密度聚类算法对偏移程度进行聚类,获得聚类簇,将聚类中心最大的聚类簇中的偏移程度对应的多边形作为移动多边形。
4.如权利要求2所述的一种叉车式AGV的路径规划方法,其特征在于,所述整体偏移程度的获取方法,包括:
选取任一个移动图像作为目标图像;
设置形心偏移角度阈值,当目标图像中的移动多边形的形心偏移角度大于形心偏移角度阈值时,将形心偏移角度与形心偏移角度阈值的相减结果,作为对应移动多边形的危险角;
当目标图像中的移动多边形的形心偏移角度小于或等于形心偏移角度阈值时,对应移动多边形的危险角设定为预设角度;
将目标图像中的每个移动多边形的危险角代入到正弦函数的结果,作为对应移动多边形的第一结果;
将第一结果与预设常数的相加结果作为第二结果;
将第二结果代入到以自然常数e为底数的指数函数中,所得结果作为对应移动多边形的倾斜危险程度;
获取目标图像中所有移动多边形的倾斜危险程度的均值,作为目标图像与相邻下一帧移动图像之间的整体偏移程度。
5.如权利要求1所述的一种叉车式AGV的路径规划方法,其特征在于,所述夹缝变化程度的获取方法,包括:
获取每帧所述移动图像中相邻所述移动多边形之间的夹缝区域的面积;
通过骨架提取获取夹缝区域的长度;
将所述夹缝区域的面积与长度的比值作为夹缝宽度;
获取每帧所述移动图像与相邻下一帧所述移动图像对应夹缝区域之间的所述夹缝宽度的差值绝对值的均值,作为对应两帧所述移动图像之间的夹缝变化程度。
6.如权利要求2所述的一种叉车式AGV的路径规划方法,其特征在于,所述散乱程度的获取方法,包括:
将每帧所述移动图像中所述移动多边形的形心偏移距离的均值,作为对应两帧所述移动图像之间的整体偏移距离;
获取相邻两帧所述移动图像中的第二帧所述移动图像中所述移动多边形的内部暴露面积与最外层的所述移动多边形的最大连续区域面积的比值,作为对应两帧所述移动图像之间的整齐程度;
将所述夹缝变化程度、所述整体偏移距离和所述整齐程度的乘积,作为对应两帧所述移动图像之间的散乱程度。
7.如权利要求1所述的一种叉车式AGV的路径规划方法,其特征在于,所述零散程度的获取方法,包括:
设置第一预设权重与第二预设权重;
将所述第一预设权重与所述整体偏移程度的乘积作为参与偏移程度;
将所述第二预设权重与所述散乱程度的乘积作为参与散乱程度;
将所述参与偏移程度与所述参与散乱程度的相加结果作为零散程度。
8.如权利要求1所述的一种叉车式AGV的路径规划方法,其特征在于,所述根据所述零散程度与历史数据中的历史零散程度的差异,筛选出历史数据中与所述零散程度对应的相邻两帧所述移动图像相似的历史移动图像的方法,包括:
获取历史数据中相邻两帧历史移动图像之间的零散程度,作为历史零散程度;
获取每个历史零散程度与当前相邻两帧移动图像之间的零散程度的差值绝对值,作为第一值;
将所述第一值进行归一化处理的结果作为第一筛选值;
设置第一筛选值阈值,当第一筛选值小于第一筛选值阈值时,将历史零散程度对应的相邻两帧历史移动图像,作为当前相邻两帧移动图像相似的历史移动图像。
9.如权利要求1所述的一种叉车式AGV的路径规划方法,其特征在于,所述根据所述整体偏移程度和所述散乱程度,将所述零散程度对应的相邻两帧所述移动图像在对应相似的历史移动图像中匹配出最相似的历史移动图像的方法,包括:
任选一个零散程度作为目标零散程度,计算目标零散程度对应的相邻两帧移动图像与对应的相似的历史移动图像中相邻两帧历史移动图像之间的所述整体偏移程度的差值的平方作为偏移差异,以及所述散乱程度的差值的平方作为散乱差异;
获取所述偏移差异与所述散乱差异的均值,作为匹配决定值;
选择最小的匹配决定值对应的相邻两帧历史移动图像,作为目标零散程度对应的相邻两帧移动图像匹配的最相似的历史移动图像。
10.如权利要求1所述的一种叉车式AGV的路径规划方法,其特征在于,所述筛选出移动图像的方法,包括:
获取每帧所述灰度图像与相邻下一帧所述灰度图像的二值差分图像;当二值差分图像中的像素值存在两个级别时,二值差分图像对应的相邻两帧灰度图像为移动图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310700651.0A CN116449853B (zh) | 2023-06-14 | 2023-06-14 | 一种叉车式agv的路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310700651.0A CN116449853B (zh) | 2023-06-14 | 2023-06-14 | 一种叉车式agv的路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116449853A CN116449853A (zh) | 2023-07-18 |
CN116449853B true CN116449853B (zh) | 2023-08-15 |
Family
ID=87127691
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310700651.0A Active CN116449853B (zh) | 2023-06-14 | 2023-06-14 | 一种叉车式agv的路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116449853B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022037369A1 (zh) * | 2020-08-19 | 2022-02-24 | 安克创新科技股份有限公司 | 扫地机器人及其地图构建方法和装置 |
CN114663856A (zh) * | 2022-03-18 | 2022-06-24 | 南京邮电大学 | 一种室内agv分拣小车防冲突调度及应急避障方法 |
CN114905507A (zh) * | 2022-04-18 | 2022-08-16 | 广州东焊智能装备有限公司 | 一种基于环境视觉分析的焊接机器人精度控制方法 |
CN115082665A (zh) * | 2022-08-22 | 2022-09-20 | 山东西曼克技术有限公司 | 可提高作业精度的agv小车视觉自检方法、装置及系统 |
CN115129068A (zh) * | 2022-08-26 | 2022-09-30 | 济宁龙纳智能科技有限公司 | 一种基于agv叉车的智能定位导航系统 |
CN115187802A (zh) * | 2022-09-13 | 2022-10-14 | 江苏东控自动化科技有限公司 | 一种用于管道巡检小车的精准控制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10556347B2 (en) * | 2016-11-01 | 2020-02-11 | Brachium, Inc. | Vision guided robot path programming |
-
2023
- 2023-06-14 CN CN202310700651.0A patent/CN116449853B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022037369A1 (zh) * | 2020-08-19 | 2022-02-24 | 安克创新科技股份有限公司 | 扫地机器人及其地图构建方法和装置 |
CN114663856A (zh) * | 2022-03-18 | 2022-06-24 | 南京邮电大学 | 一种室内agv分拣小车防冲突调度及应急避障方法 |
CN114905507A (zh) * | 2022-04-18 | 2022-08-16 | 广州东焊智能装备有限公司 | 一种基于环境视觉分析的焊接机器人精度控制方法 |
CN115082665A (zh) * | 2022-08-22 | 2022-09-20 | 山东西曼克技术有限公司 | 可提高作业精度的agv小车视觉自检方法、装置及系统 |
CN115129068A (zh) * | 2022-08-26 | 2022-09-30 | 济宁龙纳智能科技有限公司 | 一种基于agv叉车的智能定位导航系统 |
CN115187802A (zh) * | 2022-09-13 | 2022-10-14 | 江苏东控自动化科技有限公司 | 一种用于管道巡检小车的精准控制方法 |
Non-Patent Citations (1)
Title |
---|
可达集约束下的自主车辆路径规划势场蚁群算法;杨旭;沈鹏;奉柳;刘秉政;曹凯;;科技通报(第04期);第113-119页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116449853A (zh) | 2023-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CA3101978C (en) | Tracking vehicles in a warehouse environment | |
CN110766726B (zh) | 复杂背景下的大钟料罐容器移动目标视觉定位与动态跟踪方法 | |
WO2019172059A1 (ja) | 区画線認識装置 | |
US11907339B1 (en) | Re-identification of agents using image analysis and machine learning | |
CN103324936A (zh) | 一种基于多传感器融合的车辆下边界检测方法 | |
CN111160212B (zh) | 一种基于YOLOv3-Tiny改进的跟踪学习检测系统及方法 | |
US9251418B2 (en) | Method of detection of points of interest in a digital image | |
EP4179401A1 (en) | Autonomous robotic navigation in storage site | |
CN116449853B (zh) | 一种叉车式agv的路径规划方法 | |
AU2021246451B2 (en) | Method, system and apparatus for data capture illumination control | |
Jevtić et al. | Ant based edge linking algorithm | |
CN116300978A (zh) | 一种车间agv物流小车导航控制系统 | |
US20200380454A1 (en) | Method, System and Apparatus for Detecting Product Facings | |
Castano-Amoros et al. | MOSPPA: monitoring system for palletised packaging recognition and tracking | |
CN108122013A (zh) | 一种跟随运动中排除非跟随目标的方法 | |
JP6730061B2 (ja) | 配達支援装置、配達支援システム、及び配達支援プログラム | |
KR102457712B1 (ko) | 수하물 이중적재 판별 시스템 및 방법 | |
Shimomura et al. | Melanosome tracking using prediction by support vector regression and revision by appearance features | |
CN113379761B (zh) | 一种基于人工智能的多agv与自动门的联动方法与系统 | |
Ikoma et al. | On an evaluation of tracking performance improvement by smc-phd filter with intensity image of pedestrians detection over on-board camera using neural network | |
Higa et al. | Estimation of product amount on store shelves using image change classification based on background subtraction and CNN | |
Syu et al. | An assisted forklift pallet detection with adaptive structure feature algorithm for automated storage and retrieval systems | |
Fouzia et al. | Tracking of load handling forklift trucks and of pedestrians in warehouses | |
CN117470360A (zh) | 一种基于引导式的智能化无人值守地磅系统 | |
Li et al. | Study on detection of preceding vehicles based on convolution neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |