CN1786859A - 室内外两用自动搬运车导引系统及zigbee模块的实施方法 - Google Patents

Abstract

一种室内外两用自动搬运车导引系统及zigbee模块的实施方法，属自动搬运车辆的导引系统。包括搬运车前端的CCD摄像头，车轮上的车轮解码器，场地定点位置和搬运车上的zigbee模块以及搬运车上的中央处理器。本导引系统能完成：从地面的图像中识别导引标志，获得搬运车的位置信息和航向信息；与解码器获得车体的位移信息融合，进行航位推算；实时定位跟踪导引标志；消除机车抖动对系统的干扰；通过zigbee模块建立起总调度中心和每个搬运车的无线通信，协调各个搬运车的相互工作，提供防撞预报；通过zigbee模块的无线定位功能纠正解码器随时间累积而产生的误差等功能。本导引系统适用于室内外两用环境，且导引定位精度高。

Description

室内外两用自动搬运车导引系统及zigbee模块的实施方法

一、技术领域

本发明的室内外两用自动搬运车导引系统及zigbee模块的实施方法，属自动搬运车辆的导引系统。

二、背景技术

自动搬运车系统简称AGVS，是当今柔性制造系统(FMS)和自动化仓储系统中物流运输的有效手段。自动搬运车系统的核心设备是自动搬运车(AGV)，作为一种无人驾驶工业搬运车辆，AGV在本世纪50年代即得到了应用。一般用蓄电池作为动力，载重量从几公斤到上百吨，工作场地可以是办公室、车间，也可以是港口、码头。现代的AGV都是由计算机控制的，车上装有微处理器。多数的AGVS配有系统集中控制与管理计算机，用于对AGV的作业过程进行优化，发出搬运指令，跟踪传送中的构件以及控制AGV的路线。

由于室内外环境的差别，导致自动搬运车的导引系统也有很大的差异。室内环境的自动搬运车受场地的限制形体较小，载重量较轻，但对定位和导引的精度要求很高，常用的导引方式有激光式、电磁感应式，轨道式等；室外环境的自动搬运车形体较大，载重量大，并要求能够全天候工作，常用的导引方式有GPS、陀螺仪、加速度计等。

这些导引系统均很昂贵，对于那些要求导引精度较高的系统，器件的费用更是居高不下。而且有些导引方式要对自动搬运车作业的环境进行较大幅度的改造，无形间有提高了系统的成本。对于有些需要搬运车穿梭于室内与室外的环境，传统的自动搬运车导引系统明显的暴露出了一定的不足之处。

三、发明内容

本发明的目的在于提供一种导引、定位精度高，能全天候的适合于室内室外两种环境下使用的，成本低廉的室内外两用自动搬运车导引系统。

实现上述目的的室内外两用自动搬运车导引系统，包括在自动搬运车车体前端安装CCD摄像头，在车体的车轮上安装高精度的车轮解码器，在使用场地的定点位置和搬运车上分别安装zigbee模块，进行相互的通信，中央处理器安放在搬运车上。CCD摄像头、车轮解码器及搬运车上的zigbee模块分别与中央处理器相连，系统通过CCD摄像头识别地面上事先画好的标志线，获得搬运车的位置信息和航向信息，再通过车轮解码器获得车体的位移信息，与航向信息和位置信息融合进行航位推算，最后中央处理器将结果实时地传给搬运车的控制系统，导引搬运车的工作。在整个过程中，系统还通过zigbee模块建立起总调度中心和每个搬运车的无限通信，协调各个搬运车的相互工作，同时zigbee模块的无线定位功能还可以在一定程度上纠正车轮解码器随时间的累积而产生的误差，使得整个系统更好地完成整体的工作。

本发明具有如下有益效果：

系统的导引位置精度在5CM左右；导引航向精度在0.5度左右；导引定位精度在20cm以内；每秒钟传输给控制系统12次以上的控制信号。

器件成本远远低于上述的其他种类的导引系统。

能够全天候的在室内和室外的场合工作。

室内外环境转换时反应迅速，大约0.1秒。

对工作场地改造不大，只用画少量的导引标志即可。

四、附图说明

图1是室内外两用自动搬运车导引系统组成示意图。

图2是视频采集与处理模块软件结构示意图。

图3是线条识别——Hough变换示意图。

图4是Hough变换原图。

图5是Hough变换的结果示意图。

图6是图像中线条的分布示意图。

图7是图像线条的坐标转换示意图。

图8是非首幅图像标志线跟踪原理图。

图9是模糊其参数曲线示意图，色标最大识别点个数Max曲线，识别直线个数L曲线，与之修正值t曲线，Hough变换参数d(％)曲线。

图10是模糊器推理规则示意图。

图11是微功率无线网络定位示意图。

五、具体实施方式

由图1可知，本发明的室内外两用自动搬运车导引系统包括：CCD摄像头，zigbee模块，车轮解码器和中央处理器，其中：

Zigbee模块：主要安放在搬运车上和地面若干固定位置。Zigbee模块功率小，体积有一张信用卡大小。

CCD摄像头：安放在搬运车的正前方，视野范围前方4M见方的路面。CCD的分辨率100万左右。

车轮解码器：安放在搬运车的前方的车轮上。价格视系统要求的精度而定，十分低廉。

中央处理器：安放在搬运车上，目前用工控机实现，产品化后可用DSP等做成控制板的中央处理器，降低成本。

系统在自动搬运车体前方安放CCD摄像头，实时获取车体前方地面图像。在车轮上安装高精度的车轮解码器，实时获取车轮的位移情况。在场地的一些定点位置和自动搬运车上安装zigbee模块，用来做定位校正和通信。图像数据、位移数据和zigbee的通信数据实时传入车体上的中央处理系统，中央处理系统完成以下的功能：

从地面的图像中识别导引标志(轨迹线条，岔道选择标志)；

实时地定位跟踪导引标志，并通过模糊自适应的方法快速地使处理计算的各项参数达到最佳的参数设定；

消除因路面不平、发动机等原因产生的抖动的干扰；

从图像中标志线条获得航向信息，并和车轮解码器的位移信息进行行为推算(DR)，实时地确定车体的位置；

从图像中检测车体前方有无障碍物，提供防撞预警；

每个搬运车上的zigbee模块自动通信，提供防撞预警；

搬运车上的zigbee与地面上的定位zigbee通信，计算校正定位信息；

用zigbee的定位校正信息消除车轮解码器信息的时间累积误差；

搬运车上的zigbee与总调度室通信，完成对搬运车的总体调度；

将处理后的控制信息实时地传递给机车的控制系统。

一般的DR系统由里程仪和陀螺仪或者磁罗盘来组成，但使用陀螺仪不仅成本较高，而且所得的航向信息会随时间产生累积误差，不能保证特殊军事场合中很高的定位精度要求；而且有些复杂的磁环境也不允许使用磁罗盘。本算法采用价格低廉的视频摄像头得到系统的航向信息，同时使用精度较高的里程仪得到车辆的位移信息，完成航位推算。最重要的是：摄像头产生的机器视觉本身就可以提供车辆行驶的路线信息，以导引车辆沿着规定的路线精准地行驶；由机器视觉产生的路线信息和航向信息不会随着时间累积误差。这样就从根本上提高了系统的精确性。视觉和DR获得的信息利用串口传输给车辆控制系统，就可完成对车辆的导引。

图2所示的是视频采集与处理模块软件结构图。

整个软件的流程在VC++6.0的环境下编译实现，下面将一一进行说明。

(1)边缘检测——增强型Sobel算子。

边缘是图像的最基本特征。边缘中包含着有价值的目标边界信息，这些信息可以用于图像分析、目标识别以及图像滤波。因为在图像中边缘和噪声都在高频范围内，很难用频带区分，所以边缘检测的任务往往是寻求抑制噪声与提高边缘清晰度的最佳折中。

在边缘检测中，常用的一种算法是sobel算子。有两个模板，一个是检测水平边沿的一个是检测竖直平边沿的。如下表所示：

1	2	1
			0	0	0
-1	-2	-1

-1	0	1
			-2	0	2
-1	0	1

          B₁                           B₂

为了使边缘检测的效果更好并增加算法对斜方向上直线的判断，我们又增加了两个模板，如下表格所示：

2	1	0
			1	0	-1
0	-1	-2

0	1	2
			-1	0	1
-2	-1	0

        B₃                        B₄

具体算法如下：

1.将采集到的图像放置到一个2维数组中，并建立一个与原图像数组一样大小的空的目标数组；

2.遍历整个图像数组中的每一个点，当遍历到图像的某一个点时，这个点和其周围的8个邻域上的点组成一个3*3矩阵；

3.将这个矩阵一一和这四个模板作处理，处理方式：相对位置上的两个数相乘后求和的绝对值；

4.比较这四个数，将最大的值填写在目标图像数组的对应位置；

5.目标数组即为所得。

下面的部分是算法的备用方案，适用于图像要区分白色的标志线和阴影，从而排除阴影对标志线识别的干扰。

在边缘提取的环节，通过对Sobel算子的改进，增加到4个模板对图像的方向性边缘进行检测，如表格1所示。这样有助于更好提取标志线的边缘。另外在提取边缘值的时候，不像往常的Sobel算法那样求所有模板计算结果绝对值的最大值，而是放弃求模板的绝对值，将所有模板的最大值和最小值分别保留下来，得到两幅边缘检测图。因为在图像中标志线为白色，像素值较大；路面较暗，像素值较小。在边缘检测的计算中，标志线的左边缘的模板计算值＞0，右边缘的模板计算值＜0，这样所得到的两幅边缘检测图中就分别包含了标志线的左右边缘。如表格2所示。

表格1

-1	-2	-1
			0	0	0
1	2	1

-1	0	1
			-2	0	2
-1	0	1

-2	-1	0
			-1	0	1
0	1	2

0	1	2
			-1	0	1
-2	-1	0

       B₁                    B₂                    B₃                     B₄

表格2

具体算法如下：

1.将采集到的图像放置到两个2维数组中，并建立两个与原图像数组一样大小的空的目标数组；

2.遍历整个图像数组中的每一个点，当遍历到图像的某一个点时，这个点和其周围的8个邻域上的点组成一个3*3矩阵；

3.将这个矩阵一一和这四个模板作处理，处理方式：相对位置上的两个数相乘后求和；

4.比较这四个数，将最大的值和最小值(负数)分别填写在两个目标图像数组的对应位置；

5.目标数组即为所得。

(2)图像分割——最佳阈值分割。

边缘检测所得到的图像虽然显示的是所有事物的边缘的信息，但依然是灰度图像。如果直接进行识别计算，计算量依然很大，所以我们要通过图像的分割将灰度图像转化成为只有黑色和白色的二值图像。

首先，我们要统计图像的灰度直方图。建立一个数组。

将图像的直方图用两个或更多个正态分布的概率密度函数来近似的方法，代表了一种被称之为最佳阈值化的方法。阈值取为离对应于两个或更多个正态分布最大值之间的最小概率处最近的灰度值，其结果是最小错误的分割。这一算法的步骤如下：

1.求出图像中的最大和最小灰度值Z_l和Z_k，令阈值初值T⁰＝(Z_l+Z_k)/2；

2.根据阈值T^k将图像分割成目标和背景两个部分，求出两个部分的平均灰度值Z_o和Z_B：

$Z_O=\frac{\underset{z(x,y)<T^k}{\mathrm{\&Sigma;}}z(x,y)\&times;N(x,y)}{\underset{z(x,y)<T^k}{\mathrm{\&Sigma;}}N(x,y)}$

$Z_B=\frac{\underset{z(x,y)>T^k}{\mathrm{\&Sigma;}}z(x,y)\&times;N(x,y)}{\underset{z(x,y)>T^k}{\mathrm{\&Sigma;}}N(x,y)}$

式中在z(x，y)是图像上(x，y)点的灰度值，N(x，y)是(x，y)的权重系数，一般N(x，y)＝1.0；

3.求出新的阈值：T^k+1＝(Z_O+Z_B)/2；

4.如果T^K＝T^K+1，则结束，否则K←K+1，转步骤2；

5.求出阈值后，根据阈值将原图像转化成为二值图像。大于阈值的像素值为255；小于阈值的像素值为0。

(3)线条的识别——Hough变换

Hough变换用来在图象中查找直线。它的原理很简单：假设有一条与原点距离为s，方向角为θ的一条直线，如图3所示。

直线上的每一点都满足方程

                       s＝xcosθ+ysinθ

利用这个事实，我们可以找出某条直线来。下面将给出一段程序，用来找出图象中最长的直线(见图4)。找到直线的两个端点，在它们之间连一条红色的直线。为了看清效果，将结果描成粗线，如图5所示。

可以看出，找到的确实是最长的直线。方法是，开一个二维数组做为计数器，第一维是角度，第二维是距离。先计算可能出现的最大距离为

用来确定数组第二维的大小。对于每一个黑色点，角度的变化范围从0°到179°(为了减少存储空间和计算时间，角度每次增加1°)，按方程求出对应的距离s来，相应的数组元素[s][θ]加1。同时开一个数组Line，计算每条直线的上下两个端点。所有的象素都算完后，找到数组元素中最大的，就是最长的那条直线。直线的端点可以在Line中找到。要注意的是，我们处理的虽然是二值图，但实际上是256级灰度图，不过只用到了0和255两种颜色。

具体算法如下：

1.初始化一个变换域，[s][θ]空间的数组，s方向上的量化数目图像对角线方向上的像素数，θ方向上的量化数目为180；

2.顺序搜索图像中所有边缘点，对每个边缘点，在变换域的对应的各点上加1；

3.求出变换域中的最大值并记录；

4.根据参数的设定计算此最大值的d％作为参考值Y；

5.遍历变换域上的各点，如果该点的值大于Y就将其取出，其它点不作处理；

6.根据记录的点的位置得到其变换域上的极径和极角(s、θ)；

7.根据(s、θ)求得其在直角坐标系下的参数。

下面的部分是算法的备用方案，适用于图像要区分白色的标志线和阴影，从而排除阴影对标志线识别的干扰。

经过图像的分割原始图像被处理成两幅二值图像，分别包含有标志线的左、右边缘信息。系统通过Hough变换来识别标志线的左右边缘信息。设定图像底边上的中点处为极坐标的极点，将二值图像从直角坐标系转化为极坐标系。这样原来图像中某条直线上的点转化成极坐标后的线条将都经过相同的一点(S，θ)，S和θ分别表示这条直线在极坐标系下的极径和极角。如果将极坐标中每一个点所被经过线条的次数做个统计，那么被经过次数最多的点(S_max，θ_max)的极径和极角就是图像中最长的直线的极坐标特性，这条直线就是标志线的左、右边缘。具体算法如下：

1.初始化一个变换域，建立极坐标二维空间数组，S方向上的取值范围从0到图像中做能显示的极径的最大值，即从图像底边中点到右边顶点的距离，量化的步长为p个像素，θ方向上取值的范围从0度到180度，其量化步长为q度；

2.顺序搜索图像中所有边缘点，对每个边缘点，在变换域的对应的各点上加1；

3.求出变换域中的最大值并记录；

4.根据参数的设定计算此最大值的d％作为参考值Y；

5.遍历变换域上的各点，如果该点的值大于Y就将其取出，其它点不作处理；

6.根据记录的点的位置得到其变换域上的极径和极角(S，θ)；

7.根据(S，θ)求得其在直角坐标系下的参数。

注意：p，q，d可以根据图像识别的质量进行实时的调整，详细情况见下文。初始值：p＝2；q＝1；d＝70。

经过Hough变换，系统可以从两幅二值图像中分别提取出若干个线条(线条的个数和参数的精度与p，q，d值有关)。其参数分别求均值可得到标志线左右边界的精确参数，这些精确的参数再求均值即可得到标志线中心线的精确参数。

这样，横向标志线的极角和纵向标志线的极角垂直，如果系统在跟踪的时候出现清晰度相仿的极角差为90度左右的两条线段。说明图像该时刻出现了横向标志线。

因为标志线的灰度值相对于地面高，阴影的灰度值相对于地面低。则如果系统分析的左边缘图像位于右边缘图像的左侧，说明该边缘是标志线的边缘；反之，为阴影边缘。

(4)图像的跟踪处理。

图像的分割取出的所有线条信息，有很多的干扰。这些线条主要有以下几类，如图6所示。将图像像素点值以及它们的位置过程的直角坐标平面转换为极坐标平面。如图7所示，极点位置在底边中点处，即车子所在的位置。

首幅图像处理时需要全部处理，从图中所有的线条中找出直线来，并将直线的参数信息记录下来，存放到公共变量组中。公共变量组中存放的信息为图像中每条直线的S(精确到1个像素)，θ(精确到1°)，D(精确到1个像素)，其表示的含义如图7所示。

首幅图像处理完成后，接下来的图像就可以进行线条跟踪。具体处理过程：从公共变量组中取出上一幅图像中直线的位置，在本幅图像中的该位置及其周围的小范围内搜索直线，再将结果传到公共变量组中。如图8所示。这样做既减少了计算量，使得系统的实时性得到提高，而且减少了图像边界部分不必要的障碍物的干扰。

(5)图像分隔阈值自适应反馈调整。

虽然系统通过上述的算法能够得到较为精确的标志线的位置和偏角，但是标志线的识别质量并不稳定。直线的偏角还是比较稳定的，误差保持在0.5度以内。但是标志线的中心点位置的精度在1-10个像素的范围内摆动；进行标志线跟踪时，每幅图像的处理时间也在0.06秒-0.12秒的范围内摆动。据分析，造成系统识别质量不稳定的原因是因为CCD获取图像质量的不稳定。由于在某些军事环境中，车辆是进行全天候工作的。白天的阳光、晚上的灯光、雨天地面的反光和各种遮挡物的阴影等都会使地面图像的亮度和清晰度受到影响，从而直接导致标志线识别质量的不稳定。经过大量的实验后发现，算法中的参数T和d的取值直接影响着每幅图像的计算时间和识别的质量。因此，本算法设计了一个数据负反馈处理模块，实时地评估每幅图像识别质量的优劣，并将信息反馈回来，调整T和d的值，使得系统在下一幅图像识别的时候达到较好的效果。以此循环下去，使系统在短时间内达到最佳。这个数据反馈的模块用模糊器的方式实现：输入参数为最大识别点个数Max，识别直线个数L；输出参数为Hough变换参数d和阈值的修正值t。隶属度函数分别为梯形隶属度函数ftrap(x，a，b，c，d)和三角形隶属度函数ftri(x，a，b，c)，具体表示形式如下所示，模糊器各个参数曲线及模糊推理规则如下式所示：

$\mathrm{ftrap}(x,a,b,c,d)=\left\{\begin{array}{cc}0& x\&le;a\\ (x-a)/(b-a)& a\&le;x\&le;b\\ 1& b\&le;x\&le;c\\ (d-x)/(d-c)& c\&le;x\&le;d\\ 0& x\&GreaterEqual;d\end{array}\right.---\left(1\right)$

$\mathrm{ftri}(x,a,b,c)=\left\{\begin{array}{cc}0& x\&le;a\\ (x-a)/(b-a)& a\&le;x\&le;b\\ (c-x)/(c-b)& b\&le;x\&le;c\\ 0& x\&GreaterEqual;c\end{array}\right.---\left(2\right)$

模糊器各个参数曲线如图9所示，模糊推理规则如图10所示。

这样，图7的这幅图像中的阈值T+阈值修正值t＝图8幅图像的阈值T，再配合Hough变换参数d，就可以实时的修正图像算法中的参数，使系统识别的质量保持稳定。同时，由于有了阈值修正值t，可以不必每幅图像都用最佳阈值的方法计算阈值，只用在第一幅图像中计算一次，此后的图像计算中利用本模糊器产生的t修正，进一步的提高了计算的速度。

抖动的消除

经过上一步的处理，已经可以得到图像中标志线的精确的参数信息。但是这里所说的精确的参数信息是针对获取的图像而言的，也就是说，如果AGV静止不动的时候图像处理所得到的。但是当AGV运行的时候，由于机车发动机或者是路面不平的情况下会造成车体的轻微的抖动，由于CCD摄像头是连接在车体上的，所以CCD所获取的图像也不可避免的受到抖动的干扰。本模块的功能就是消除抖动给线条的识别所造成的干扰。

如此以来，CCD的抖动只会对线条参数的有关横向的信息造成一些干扰，虽然不大，但是在求精确的角度考虑还是将其消除较好。另外，识别线条的参数最终的目的是为了供AGV的控制系统使用，若是识别标志线的中心位置点总是反复的左右跳动，也给机车的控制带来了不便，因为机车的控制需要的是平滑的稳定的控制，不允许连续的突变。

消除抖动的具体算法如下：

1.设定一个参数D的取值是可以调整的；

2.本次识别的标志线的中心点坐标和上次识别的标志线的中心点坐标的差的绝对值为C；

3.如果C＞D，本次识别的参数是有效的；

4.如果C＜D，本次识别的参数无效，但做记录；

5.下一次的图像处理过程中，如果识别的点和上一次识别无效的点是同向的移动，则本次识别有效；

6.下一次的图像处理过程中，如果识别的点和上一次识别无效的点是反向的移动，且移动的距离＞D，则本次识别有效；

7.下一次的图像处理过程中，如果识别的点和上一次识别无效的点是反向的移动，且移动的距离＜D，则本次识别无效。

(6)新型的航位推算(DR)方法。

航位推算(DR)是一种自主式车辆定位方法。它以地面某点作为当地坐标系的原点，利用距离信息和角度信息计算确定车辆当前的位置。地面车辆的运动可看作二维平面运动，根据运动学原理，知道车辆的起始点和初始航向角，通过实时测量车辆的行驶距离和航向角的变化，就可推算出车辆的位置信息。假定在当地水平坐标系下，车辆的初始位置为(x₀，y₀)，初始航向角θ₀，每隔一定的时间T采集到行驶距离S_i和航向角θ_i，则车辆在任意时刻的位置可由下式给出：

$\left\{\begin{array}{c}{x}_k=x_0+\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{S}_i\&CenterDot;{\cos \mathrm{\&theta;}}_{i-1}\\ y_k=y_0+\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{S}_i\&CenterDot;{\sin \mathrm{\&theta;}}_{i-1}\end{array}\right.$

目前所应用的DR系统都是以陀螺仪或磁罗盘为航向传感器，以里程仪或车轮解码器为位移传感器，分别实时地提供行驶距离S_i和航向角θ_i。陀螺仪不仅价格昂贵，而且误差随着时间累积，必须通过积分才能得到航向角信息，计算量较大，不宜于全天候工作。此外，在某些特殊的军事场合存在多磁环境，也不宜用磁罗盘作为航向传感器；也不适用GPS来辅助DR算法：一是因为军事场合并不能依靠GPS，二是因为车辆在山洞和隧道中进行长时间搬运时，GPS无信号。

此算法采用廉价的CCD摄像头作为航向传感器，高精度车轮解码器作为位移传感器，很好的解决了这些问题。通过上述的算法，系统可以实时地获得DR算法所需要的航向信息，精度为0.5度，频率为12Hz。系统可以保证车辆沿着既定的行车路线行进，不受环境的影响。仅仅依靠车前灯的照明就足以完成视觉的信息获取，保证了车辆在黑夜和无照明的隧道里正常的工作。

(7)zigbee模块具体实施步骤：

a.在需要定位区域内，建立一个由控制中心，和若干具有固定位置的FFD(全功能设备)，组成的无线网络通信系统。每一个FFD就是一个网络节点。在定位区域图上，对每一个网络节点的位置加以标识。如图11所示：

全功能设备(Full function device，以下简称FFD)，可以支持任何一种拓扑结构，可以作为网络协商者和普通协商者，并且可以和任何一种设备进行通信。

b.对需要定位的自动导航车辆技术AGV进行标识，并在自动导航车辆技术AGV(以下简称AGV)上安装RFD(消减功能设备)；

削减功能设备(Reduced function device，以下简称RFD)，只支持星型结构，不能成为任何协商者，可以和网络协商者进行通信，实现简单。RFD只能与FFD通信，不能与其他RFD通信，但它们内部的电路比FFD少，只有很少或没有消耗能量的内存。

FFD的安装一定要保证搬运车在经过标志轨迹的某个固定的点时，搬运车上的RFD能收到至少3个FFD信号(FFD和RFD之间的通信范围是10m)，并且不能有障碍物的干扰。这样，就可以通过信号衰减定位的方法进行定位。

c.建立网络节点FFD与AGV上的RFD之间，以及网络节点FFD与控制中心之间的通信联系；

d.根据网络节点FFD是否接收到某个AGV上RFD的定位信号，以及接收到的定位信号的强度大小，从相关节点的位置来确定该移动目标的位置，并将对车辆的控制信号通过AGV周围的FFD传送给AGV上的RFD；

建立这样网络的zigbee设备应该具有以下的一些特点。

每个AGV上的RFD都能够发送规定的相同强度的信号。这个信号的内容应是该AGV的ID码，这是最基本的。后续开发的时候还可以加上车辆所要行进的目的地的坐标、车上是否有集装箱等信息；

所述控制中心计算机，存储有每个FFD的地址，每个移动目标的身份识别信息以及网络管理软件；

所述网络节点FFD，应具有定位信号强度显示功能(RSSI)；

所述网络中的FFD，应具有自动中转来自其它FFD和RFD的信息的功能。

Claims (2)

1、一种室内外两用自动搬运车导引系统，其特征在于：在自动搬运车车体前端安装CCD摄像头，在车体的车轮上安装高精度的车轮解码器，在使用场地的定点位置和搬运车上分别安装zigbee模块，进行相互的通信，中央处理器安放在搬运车上；CCD摄像头、车轮解码器以及搬运车上的zigbee模块都与中央处理器相连。

2、一种室内外两用自动搬运车导引系统中zigbee模块的实施方法，其特征在于：

a)在使用场地需要定位区域内，建立一个由控制中心和具有固定位置的全功能设备(FFD)，组成的无线网络通信系统，每个全功能设备(FFD)就是一个网络节点，在定位区域图上，对每个网络节点的位置加以标识；

b)对需要定位的自动导航车辆技术AGV进行标识，并在自动导航车辆技术AGV上安装消减功能设备(RFD)；

c)建立网络节点的全功能设备(FFD)与自动导航车辆技术AGV上的消减功能设备(RFD)之间，以及网络节点的全功能设备(FFD)与控制中心之间的通信联系；

d)根据网络节点的全功能设备(FFD)是否接收到某个自动导航车辆技术AGV上的消减功能设备(RFD)的定位信号，以及接收到的定位信号的强度大小，从相关节点位置来确定该移动目标的位置，并将对车辆的控制信号通过自动导航车辆技术AGV周围的全功能设备传送给自动导航车辆技术AGV上的消减功能设备(RFD)。

Images