港口物流半實物仿真中的智能車輛模型設(shè)計與應(yīng)用

沈立文， 添 玉， 蔣敏敏， 李 航， 范會方， 范勤勤

（1．上海海事大學(xué)物流工程學(xué)院，上海201306；2．中山大學(xué)南方學(xué)院商學(xué)院，廣州510970；3．上海振華重工智慧產(chǎn)業(yè)集團智能軟件公司，上海200125）

0 引 言

隨著工業(yè)4．0和中國制造2025戰(zhàn)略的實施，自動導(dǎo)引車輛（Auto guided Vehicle，AGV）越來越多地應(yīng)用在現(xiàn)代制造業(yè)柔性生產(chǎn)線、倉儲物料搬運系統(tǒng)、港口碼頭等復(fù)雜工業(yè)領(lǐng)域［1-2］。近年來，具有安全可靠、綠色環(huán)保、高性能、高效率及低運營成本等優(yōu)勢的新一代智能港口正加快研發(fā)和推廣應(yīng)用。其中，采用純電動無人駕駛的智能運輸車輛（Intelligent Guided Vehicle，IGV），集中體現(xiàn)了碼頭智能化的水平，成為行業(yè)和學(xué)術(shù)界研究的焦點。國內(nèi)港口IGV廠商主要產(chǎn)品動力來源由最初柴油-液壓馬達，發(fā)展為柴油-鋰電池以及目前的純鋰電池，如圖1所示。導(dǎo)航方式也由磁釘方式逐漸向多傳感器融合方式演變。目前IGV研發(fā)成本仍然高昂（單機造價500萬元以上），技術(shù)難度大，高校無法大批量購買以滿足港口物流教學(xué)研究的需要。由于實際碼頭生產(chǎn)環(huán)境的復(fù)雜和苛刻安全要求，研究人員很難在真實場景中進行軟件模塊和新算法部署及測試。

圖1 純鋰電IGV

在綠色智慧港口物流研究領(lǐng)域，大多數(shù)學(xué)者均采用靜態(tài)解析方法進行研究，開展數(shù)值模擬或統(tǒng)計分析實驗，評估所建立的模型或算法設(shè)計的有效性［3-7］。港口物流系統(tǒng)是一類人機結(jié)合的復(fù)雜動態(tài)系統(tǒng)，具有時間和空間跨度大、各組成部分關(guān)聯(lián)性強，多目標(biāo)相互制衡等顯著特點。定性分析因其結(jié)果模糊性難以勝任，一般的定量分析也無法應(yīng)對復(fù)雜多變的場景。通過演繹方法直接進行數(shù)學(xué)建模相當(dāng)困難，而且越來越暴露出局限性：模型和算法的復(fù)雜度較高，適應(yīng)性、可移植性、可擴展性低，難以在實際系統(tǒng)推廣應(yīng)用［8］。半實物仿真代表系統(tǒng)仿真的新趨勢，在交通工程領(lǐng)域Urbanik等［9］首次提出交通控制硬件在環(huán)仿真，隨后更多學(xué)者關(guān)注交通仿真領(lǐng)域［10-12］。港口領(lǐng)域缺乏全局物流系統(tǒng)的半實物仿真應(yīng)用，僅用于單機控制器測試［13］、堆場安全和邏輯控制仿真系統(tǒng)［14］、碼頭設(shè)備模擬器［15］、軟件開發(fā)測試和設(shè)備模擬操作培訓(xùn)［16］等，但鮮有達到無人自主系統(tǒng)協(xié)同調(diào)度的新高度。

綜上，本文提出一套低成本、可擴展的輕量級微縮版智能車輛模型及其軟件方案，用于港口物流系統(tǒng)的半實物仿真、算法驗證等，同時又可用于教育培訓(xùn)和交流展示。

1 結(jié)構(gòu)設(shè)計原理

智能車輛模型以新一代智能集裝箱碼頭中使用的典型IGV為原型，同時考慮實驗場地的區(qū)域條件約束，按1∶50比例縮放。機械結(jié)構(gòu)設(shè)計主要經(jīng)歷輪系結(jié)構(gòu)設(shè)計、轉(zhuǎn)向架設(shè)計、總體結(jié)構(gòu)設(shè)計以及裝配優(yōu)化等階段，兼顧車體結(jié)構(gòu)強度、美觀、加工與裝配難度等方面。

1.1 輪系結(jié)構(gòu)設(shè)計

輪系結(jié)構(gòu)設(shè)計采用4輪分布式電動機驅(qū)動方案，即驅(qū)動電動機與車輪集成，由4個電動機獨立驅(qū)動4個車輪。選用減速機構(gòu)與測速編碼器集成的GM12-N20微型電動機，編碼器為AB雙相增量式磁性霍爾編碼器。相比傳統(tǒng)燃油驅(qū)動和中置電動機驅(qū)動，分布式電動機驅(qū)動無須變速箱、差速器，節(jié)省了底盤空間，同時可以獨立控制每個車輪轉(zhuǎn)矩，改善車輛控制性能。

1.2 轉(zhuǎn)向架結(jié)構(gòu)設(shè)計

轉(zhuǎn)向架結(jié)構(gòu)設(shè)計采用梯形轉(zhuǎn)向架，前后橋可以同時向同一側(cè)轉(zhuǎn)向?qū)崿F(xiàn)橫行，或者同時向兩側(cè)轉(zhuǎn)向以縮小轉(zhuǎn)彎半徑。近似滿足純滾動的阿克曼轉(zhuǎn)向原理［3］，如圖2所示。

圖2 轉(zhuǎn)向架示意圖

轉(zhuǎn)向架兩側(cè)車輪轉(zhuǎn)向角關(guān)系為：

式中：AD為梯形架對角線；k為軸長；m為梯形臂長；θ1、θ2分別為左、右轉(zhuǎn)向角；α為梯形原始角；p為橫拉桿長；t為輪胎厚度。

1.3 總體結(jié)構(gòu)設(shè)計

總體結(jié)構(gòu)主要分為底盤、前后面板、前后橋、側(cè)面板、電池倉、PCB倉與頂蓋7個部分，如圖3所示。為使車輛重心更接近地面，將電池倉直接置于底盤中央，PCB倉置于電池倉上層，前后面板用于固定攝像機模塊與燈光模塊，并預(yù)留充電接口。其中，前后面板、側(cè)面板與前后橋部分零件使用SLA樹脂工藝3D打印加工。為降低成本，底盤、頂蓋與前后橋部分零件使用3 mm厚度亞克力激光切割工藝加工。最終參數(shù)見表1。

圖3 智能車輛模型實物圖

表1 智能車輛模型基本參數(shù)

2 導(dǎo)航控制方案設(shè)計

2.1 主控方案設(shè)計

主控電路由樹莓派3B主板、電源、電動機驅(qū)動、AVR單片機組成，原理如圖4所示。除主板外均集成在單片雙層PCB內(nèi)，PCB預(yù)留2路MFRC522射頻識別模塊接口、4路電動機驅(qū)動及編碼器接口、2路數(shù)碼舵機接口、4路RGB燈光模塊接口、雙電池供電接口、單片機串口和單片機ICSP接口［12］。

圖4 主控電路原理圖

2.2 定位導(dǎo)航方案設(shè)計

車底盤前后安裝射頻識別（Radio Frequensy Idenification，RFID）模塊，采集地面鋪設(shè)的標(biāo)簽信息。車輛模型前后各安裝一個單目攝像頭，平視道路前方，通過識別道路標(biāo)識線的方式進行偏差糾正與導(dǎo)航控制。上位機根據(jù)業(yè)務(wù)需求不斷為各RFID標(biāo)簽綁定新的行駛指令，讀取到RFID標(biāo)簽后配合視覺信息，可以在相應(yīng)位置進行直行、轉(zhuǎn)向、換道等操作。

視覺部分采用60幀480 p無畸變攝像頭采集道路圖像信息，原始圖像依次經(jīng)過灰度化處理、高斯模糊、邊緣檢測、霍夫變換、透視變換，分別如圖5～8所示，從中提取出道路標(biāo)識線中的直線段，用于調(diào)整車身姿態(tài)。

圖5 320×110分辨率灰度圖

圖6 5×5高斯模糊

圖7 Canny邊緣檢測圖像

圖8 透視點標(biāo)定圖

為使轉(zhuǎn)彎半徑盡可能小，在開始轉(zhuǎn)向時可設(shè)定前后輪均為最大轉(zhuǎn)角，此時目標(biāo)道路標(biāo)識線切換到轉(zhuǎn)向后的車道標(biāo)識線。以垂直轉(zhuǎn)向為例，首先需確定車模的姿態(tài)，即車模相對道路標(biāo)識線的偏差，如圖9所示。

圖9 姿態(tài)偏差示意圖

由于存在攝像頭拍攝地面最近距離，轉(zhuǎn)向過程中需要等待目標(biāo)道路標(biāo)識線重新出現(xiàn)在攝像頭視野中，隨后偏差調(diào)整按下式計算：

式中：p為調(diào)整角度；kp為比例系數(shù)；b為視野中線相對道路中線的偏差；ω為位置偏差補償系數(shù)；ek為視野中線與道路中夾角。

智能車輛模型的運行速度容易受電池電壓以及干擾因素影響，為獲取較好的行駛穩(wěn)定性，轉(zhuǎn)向時兩側(cè)車輪需保持相應(yīng)的輪速差，需要對輪速進行控制，使用位置式PID控制器對4輪電機進行獨立控制。

2.3 管理軟件方案設(shè)計

軟件系統(tǒng)肩負(fù)多車協(xié)同管理、多車監(jiān)控以及邊緣計算任務(wù)，分為上位機管理系統(tǒng)、消息中間件、終端管理軟件以及硬件驅(qū)動4個層次，如圖10所示。其中上位機管理系統(tǒng)采用B／S架構(gòu)，如圖11所示，包含用于狀態(tài)監(jiān)控與管理的Web UI以及Web服務(wù)，并通過消息中間件與終端管理軟件通信，兩者實現(xiàn)協(xié)同計算。

圖10 軟件系統(tǒng)架構(gòu)圖

圖11 上位機管理系統(tǒng)數(shù)據(jù)流圖

監(jiān)控界面如圖12所示，主要可視化車輛電量、系統(tǒng)資源等核心指標(biāo)。車輛終端軟件如圖13所示，需要接受來自上位機的控制指令，并將指令進行解析后通過硬件驅(qū)動轉(zhuǎn)換為車輛的實際動作，同時發(fā)布車速、電量、位置等實時數(shù)據(jù)。

圖12 Web端監(jiān)控與管理界面

圖13 車輛終端軟件模塊結(jié)構(gòu)圖

3 實驗和分析

3.1 實驗場景和條件設(shè)定

為了更逼真地模擬智能港口物流系統(tǒng)，驗證本文設(shè)計的智能車輛模型方案，在“現(xiàn)代港口物流”國家級實驗教學(xué)示范中心，以真實港口工藝為原型搭建一個標(biāo)準(zhǔn)泊位1∶50場景，并鋪設(shè)RFID定位標(biāo)簽和道路標(biāo)線，布局參數(shù)見表2。其中，基本布局、能源充換區(qū)域、主要集裝箱流方向等與真實智能碼頭工藝一致，在軟件層面可靈活定義實驗條件和箱區(qū)劃分、交通規(guī)則等，如圖14所示。

表2 場景布局參數(shù)表

實驗場所光照環(huán)境為自然光，室溫約20℃。使用兩車進行隨機車道選擇繞場循環(huán)實驗，在岸橋位置與堆場交換區(qū)位置處停車數(shù)秒模擬接箱送箱。車輛初始充滿電量，統(tǒng)計道路標(biāo)識線識別率、電量消耗、車速、主控CPU占用、主控內(nèi)存占用、主控溫度等。

圖14 實驗場景

3.2 實驗結(jié)果及分析

使用單位時間內(nèi)捕獲目標(biāo)標(biāo)識線次數(shù)與拍攝幀數(shù)的比值表示道路標(biāo)識線的識別率。實驗1：同時開啟前后兩路攝像頭，總運行時長15 min，平均幀率為31 f／s，平均識別率為0．882 3，識別率低于0．5 的占比為0．013 8，識別率為0的占比為0。雖然未出現(xiàn)循跡失誤，但幀率不高，動態(tài)響應(yīng)稍有延遲。實驗2：測試僅開啟單路攝像頭，與開啟雙路情況進行幀率比較，如圖15所示。因開啟雙攝像頭時大量時間耗費在進程切換上，CPU資源占用嚴(yán)重，故建議使用單攝像頭循跡模式，此時系統(tǒng)內(nèi)存占用穩(wěn)定在50 MB以內(nèi)，尚有較大冗余。

圖15 單攝像頭與雙攝像頭循跡幀率對比圖

采集各電動機轉(zhuǎn)速數(shù)據(jù)進行分析，以典型直行轉(zhuǎn)彎再直行工況為例，截取一段加速啟動后前后舵機同向滿舵轉(zhuǎn)向，最后減速停車全過程中4個電動機速度曲線，如圖16所示。

圖16 4臺電動機轉(zhuǎn)速曲線圖

加速啟動階段電動機轉(zhuǎn)速波動較大且啟動存在延遲，原因在于啟動時需要提供較大扭矩，而進行PWM調(diào)速時，當(dāng)占空比尚未達到能使電動機啟動的閾值時，電動機不運轉(zhuǎn)，當(dāng)占空比達到啟動閾值時PID控制器的積分項已過大，故造成速度波動；在減速停車階段由于車輛慣性的存在則沒有此問題。故考慮設(shè)定電動機啟動死區(qū)占空比，以避免啟動時上述問題。

進行系統(tǒng)壓力測試，開啟兩路攝像頭循跡，不間斷運行2 h，電量消耗與系統(tǒng)溫度如圖17所示。系統(tǒng)運行穩(wěn)定，CPU溫度維持在安全范圍內(nèi)，滿載情況下雙電池電量消耗速度基本保持一致，最短續(xù)航時間預(yù)計約為3．9 h。

圖17 壓力測試數(shù)據(jù)采樣圖

4 結(jié) 語

針對智慧港口物流研究中的原型車輛研發(fā)難度大、成本高，且真實環(huán)境難以開展系統(tǒng)性試驗等問題，本文研制了試驗用微縮版智能車輛模型，設(shè)計了射頻識別融合機器視覺導(dǎo)引和系統(tǒng)管理方案并成功實施。提供的軟件集成開發(fā)環(huán)境，可作為智能港口、無人自主系統(tǒng)等領(lǐng)域的仿真研究工具，以及實踐教學(xué)、員工培訓(xùn)平臺。未來進一步研究快速低成本的批量生產(chǎn)方案，設(shè)計閑時待機低功耗模式，并擴展與優(yōu)化上位機功能。

·名人名言·

你們在想要攀登到科學(xué)頂峰之前，務(wù)必把科學(xué)的初步知識研究透徹。還沒有充分領(lǐng)會前面的東西時，就決不要動手搞往后的事情。

——巴甫洛夫