基于視覺導(dǎo)航AGV的定位算法及系統(tǒng)設(shè)計(jì)

李 斌，劉明興，姚明杰，麻方達(dá)，李曉帆，符朝興

(青島大學(xué)機(jī)電工程學(xué)院，青島 266071)

為解決生產(chǎn)車間人工運(yùn)輸物資效率低、工人勞動(dòng)強(qiáng)度大、企業(yè)人力成本高等問題，采用AGV完成車間物流調(diào)度已成為最佳選擇之一。AGV泛指采用導(dǎo)引方式運(yùn)輸物質(zhì)的輪式移動(dòng)機(jī)器人，最早出現(xiàn)于物流系統(tǒng)領(lǐng)域，此后，應(yīng)用范圍逐步向各領(lǐng)域擴(kuò)展[1]。相比于傳統(tǒng)運(yùn)輸車,AGV能夠?qū)崿F(xiàn)自動(dòng)啟停、避障、導(dǎo)引、尋跡、充電等功能，體現(xiàn)出當(dāng)前工業(yè)發(fā)展下智能化、無人化的特點(diǎn)。視覺定位是通過攝像頭獲取環(huán)境信息，將信息返回至設(shè)備控制端實(shí)現(xiàn)設(shè)備的定位。視覺導(dǎo)航根據(jù)相機(jī)安裝位置可分為全局視覺導(dǎo)航和局部視覺導(dǎo)航[2]，其中全局視覺導(dǎo)航相機(jī)安裝在場景正上方，與車體分離；局部視覺導(dǎo)航相機(jī)一般安裝于AGV車體之上。全局視覺對(duì)AGV的定位流程可分為識(shí)別和定位[3]，首先在全局圖像中識(shí)別到AGV，隨后確定AGV在世界坐標(biāo)系中位姿。目標(biāo)識(shí)別根據(jù)識(shí)別方式分為傳統(tǒng)目標(biāo)識(shí)別方式和基于深度學(xué)習(xí)的目標(biāo)識(shí)別方式。傳統(tǒng)目標(biāo)識(shí)別方式根據(jù)原理不同可以分為基于圖像特征匹配的識(shí)別方式和基于顏色的識(shí)別方式。如通過混合高斯模型和輪廓提取完成目標(biāo)車輛位姿的粗估，實(shí)現(xiàn)了泊車AGV和目標(biāo)車輛的粗對(duì)齊[4]。而基于車輪點(diǎn)云對(duì)稱性特征的車輛位姿精確估計(jì)方法通過對(duì)目標(biāo)車輛的位姿做出精確估計(jì)，實(shí)現(xiàn)了泊車AGV和目標(biāo)車輛的精確對(duì)齊。Donmez等[5]在機(jī)器人上設(shè)計(jì)了三個(gè)標(biāo)記點(diǎn)，根據(jù)標(biāo)記點(diǎn)與目的地組成三角形的邊長和夾角控制速度和方向，并與PID和fuzzy-PID進(jìn)行了實(shí)驗(yàn)比較。對(duì)機(jī)器人做標(biāo)記進(jìn)行識(shí)別定位的方式還有設(shè)計(jì)標(biāo)記卡、掃描二維碼等[6-7]，如通過在移動(dòng)機(jī)器人上設(shè)計(jì)的蝴蝶式標(biāo)記進(jìn)行定位，利用顏色外形等信息通過全局?jǐn)z像頭定位在足球機(jī)器人中應(yīng)用較多[8]。傳統(tǒng)目標(biāo)檢測方式原理簡單、成本低、易實(shí)現(xiàn)，但需提前設(shè)計(jì)特征，對(duì)復(fù)雜環(huán)境檢測效果不好?；谏疃葘W(xué)習(xí)的識(shí)別方式分為基于回歸的One-Stage和基于區(qū)域候選的Two-Stage方法[9]。One-Stage方法主要包括YOLO、SSD兩種，Two-Stage方法主要包括R-CNN、Fast R-CNN、R-FCN等[10]。萬元芳[11]分別采用傳統(tǒng)圖像分割和基于深度學(xué)習(xí)的圖像分割方式識(shí)別機(jī)器魚的位姿；段曉磊等[3]主要針對(duì)AGV遮擋丟失問題，利用長短期記憶網(wǎng)絡(luò)(Long Short-Term Memory，LSTM)預(yù)測目標(biāo)運(yùn)動(dòng)狀態(tài)，支持向量機(jī)(Support Vector Machine，SVM)進(jìn)行再識(shí)別和矯正。YOLO算法檢測目標(biāo)時(shí)，利用均值漂移跟蹤目標(biāo)對(duì)AGV進(jìn)行定位[12]?；谏疃葘W(xué)習(xí)的目標(biāo)檢測準(zhǔn)確率和精度較高，對(duì)復(fù)雜環(huán)境檢測優(yōu)于傳統(tǒng)方法，但是檢測模型需要提前訓(xùn)練，速度相對(duì)較低。為此，本文選用基于深度學(xué)習(xí)的目標(biāo)檢測方法對(duì)AGV定位，訓(xùn)練YOLO檢測模型，并通過卡爾曼濾波、ORB算法進(jìn)一步提高定位速度，最后采用巴氏系數(shù)判斷定位結(jié)果的準(zhǔn)確性。

1 總體設(shè)計(jì)方案

1.1 方案設(shè)計(jì)

本系統(tǒng)由硬件系統(tǒng)及軟件算法構(gòu)成。硬件系統(tǒng)主要包括圖像采集模塊、AGV和PC上位機(jī)三個(gè)模塊，整體控制流程如圖1所示。圖像采集模塊將實(shí)時(shí)拍攝的車間生產(chǎn)場景傳輸?shù)絇C，PC負(fù)責(zé)處理圖像和任務(wù)調(diào)度，并通過圖像實(shí)時(shí)確定AGV位置和規(guī)劃路徑。PC規(guī)劃好每個(gè)AGV行走路線后，通過局域網(wǎng)向AGV發(fā)送指令，控制其沿指定路徑行走，并持續(xù)定位防止AGV偏離路線。在AGV到達(dá)目的地停止后，PC將AGV位姿記錄到數(shù)據(jù)庫中，在下次開始導(dǎo)航時(shí)，直接獲得AGV位置姿態(tài)，縮小搜索范圍。軟件算法采用YOLOv4算法進(jìn)行關(guān)鍵幀檢測，非關(guān)鍵幀通過ORB特征點(diǎn)與卡爾曼濾波結(jié)合的方式定位。

圖1 導(dǎo)航系統(tǒng)整體控制流程

1.2 硬件選擇

1.2.1 攝像頭選型 采用單目攝像頭作為圖像采集模塊。車間模擬環(huán)境范圍為4 m×6 m，攝像頭懸掛高度為5 m。使用的攝像頭為?？低旸S-IPC-T12-I，焦距為4 mm，分辨率為1 920×1 080。

1.2.2 仿真環(huán)境和硬件參數(shù) 本文通過基于深度學(xué)習(xí)的目標(biāo)檢測方式對(duì)AGV定位，不同的硬件和軟件環(huán)境檢測效果不同，采用的仿真環(huán)境和硬件參數(shù)見表1。使用MySQL數(shù)據(jù)庫，記錄AGV每次停車時(shí)位置信息，并記錄AGV具體物流信息。

表1 仿真環(huán)境和硬件參數(shù)

1.2.3 運(yùn)行空間數(shù)字化環(huán)境構(gòu)建 全局視覺定位中涉及的坐標(biāo)系有世界坐標(biāo)系、相機(jī)坐標(biāo)系、圖像坐標(biāo)系和像素坐標(biāo)系[13]。世界坐標(biāo)系用W表示，描述相機(jī)位置(m)；相機(jī)坐標(biāo)系以光心為原點(diǎn)(m)，用字母C表示；圖像坐標(biāo)系中光心為圖像中點(diǎn)(mm)；像素坐標(biāo)系原點(diǎn)為圖像左上角(pixel)，將圖像從上到下作為x軸正向，從左到右作為y軸正向，以xoy表示。在全局視覺定位算法中，根據(jù)AGV在圖像中的像素坐標(biāo)和像素坐標(biāo)與世界坐標(biāo)的轉(zhuǎn)化關(guān)系來確定AGV在世界坐標(biāo)系下的位姿。

1.3 算法定位流程

基于目標(biāo)檢測的AGV定位算法整體流程如圖2所示，間隔n幀通過YOLO檢測AGV定位，中間幀通過卡爾曼濾波和ORB特征點(diǎn)相結(jié)合的方式定位。首先通過YOLO目標(biāo)檢測選定目標(biāo)AGV的初始位置，并保存此時(shí)檢測區(qū)域作為模板；后續(xù)幀利用卡爾曼濾波預(yù)測下一幀AGV出現(xiàn)位置，并通過特征點(diǎn)與AGV中心點(diǎn)相對(duì)位置矯正AGV定位位置，當(dāng)間隔n幀后再次通過目標(biāo)檢測矯正定位結(jié)果，減小累計(jì)誤差。

圖2 基于目標(biāo)檢測定位流程圖

2 定位算法實(shí)現(xiàn)

2.1 YOLOv4定位導(dǎo)航

2.1.1 YOLOv4算法 選擇YOLOv4作為目標(biāo)檢測的方法對(duì)AGV進(jìn)行定位。YOLOv4算法實(shí)現(xiàn)了端到端的目標(biāo)檢測，采用Darknet-53的網(wǎng)絡(luò)結(jié)構(gòu)提取圖像特征，Darknet-53網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。圖像在訓(xùn)練過程中會(huì)得到3個(gè)不同尺度的特征圖，小尺度特征圖的感受野比較大，所以可以檢測大尺寸目標(biāo)，而大尺度的特征圖適合檢測小尺寸的目標(biāo)。將特征圖劃分為S×S的網(wǎng)格，對(duì)于不同尺度和數(shù)量的特征圖使用不同尺寸的先驗(yàn)框，每個(gè)網(wǎng)格負(fù)責(zé)檢測中心點(diǎn)落在該網(wǎng)格內(nèi)的目標(biāo)。特征圖中每個(gè)網(wǎng)格會(huì)預(yù)測3個(gè)邊界框，每個(gè)邊界框要預(yù)測的信息包括：邊界框位置信息(x，y，w，h)，其中x、y為邊界框中心點(diǎn)坐標(biāo)，w和h為邊界框的寬和高[14]；物體識(shí)別度Pr(object)，當(dāng)目標(biāo)中心點(diǎn)恰好落入該網(wǎng)格內(nèi)，則Pr(object)=1，否則為0；voc數(shù)據(jù)集有20類，coco數(shù)據(jù)集有80類。

圖3 Darknet-53

邊框位置信息(x，y，w，h)可以通過先驗(yàn)框解碼得到

>bx=σ(tx)+cx
by=σ(ty)+cy
bw=pwetw
bh=pheth

(1)

其中，bx,by,bw,bh為邊界框相對(duì)于特征圖的位置和大小，σ為激活函數(shù)sigmoid，σ(tx)和σ(ty)是先驗(yàn)框中心點(diǎn)與左上角格點(diǎn)的偏移量，pw,ph為先驗(yàn)框的寬和高，tw,th是尺度縮放。將計(jì)算結(jié)果乘以特征圖采樣率后即可得到正式檢測框信息。

置信度可以度量框中是否存在對(duì)象的概率和邊界框位置的準(zhǔn)確度

(2)

2.1.2 YOLOv4算法的數(shù)據(jù)集訓(xùn)練 YOLO中損失函數(shù)包括分類損失、定位損失和置信度損失，通過加權(quán)三者得到總損失。IOU用來衡量模型檢測計(jì)算結(jié)果的好壞程度，表示預(yù)測框與實(shí)際物體位置的交并比，當(dāng)比值為1時(shí)說明兩者完全重合。目標(biāo)訓(xùn)練過程中損失(loss)曲線和Avg IOU曲線如圖4所示(圖中橫坐標(biāo)batches表示數(shù)據(jù)集的大小)。

圖4 訓(xùn)程圖(a)損失曲線;(b)區(qū)域平均IOU曲線

使用900張AGV圖片作為數(shù)據(jù)集訓(xùn)練YOLOv4網(wǎng)絡(luò)，訓(xùn)練次數(shù)為5 000次，由圖4可知，loss趨近于0，IOU趨近于1，說明訓(xùn)練次數(shù)足夠。

2.2 基于目標(biāo)檢測的AGV導(dǎo)航定位算法

直接使用YOLOv4對(duì)AGV定位時(shí)，速度較慢。定義初始位置及循環(huán)間隔n幀之后的幀數(shù)為關(guān)鍵幀，采用關(guān)鍵幀檢測可以極大提高檢測速度。提高效果與間隔幀數(shù)有關(guān)，間隔越多速度越快，但當(dāng)中間間隔幀數(shù)過多時(shí)，無法對(duì)AGV進(jìn)行檢測和監(jiān)控狀態(tài)，容易偏離預(yù)定路線而發(fā)生撞擊。為此，對(duì)間隔幀采用卡爾曼濾波和ORB特征點(diǎn)結(jié)合的方式定位，實(shí)現(xiàn)間隔幀狀態(tài)下對(duì)AGV的檢測和監(jiān)控。由于關(guān)鍵幀能矯正檢測位置，故對(duì)間隔幀定位算法的精度要求較低，但對(duì)定位速度有一定要求。

2.2.1 卡爾曼濾波原理 卡爾曼濾波(Kalman filtering)認(rèn)為觀測值可信度模型、控制模型符合正態(tài)分布，信號(hào)是線性變化的，在運(yùn)算過程中僅通過上一時(shí)刻的最優(yōu)估計(jì)和此時(shí)刻的測量值進(jìn)行迭代，而不涉及過去時(shí)刻的狀態(tài)值與觀測值，有效減小了運(yùn)算過程的計(jì)算量，因此具有計(jì)算量小、遞推性好等優(yōu)點(diǎn)。

由于卡爾曼濾波適用于信號(hào)是線性變化的系統(tǒng)上，當(dāng)間隔幀數(shù)過大會(huì)導(dǎo)致AGV位置變化非直線，影響濾波效果，且間隔幀數(shù)越大影響越大，故應(yīng)通過實(shí)驗(yàn)將間隔幀數(shù)控制在合適的范圍內(nèi)。

AGV在車間行駛速度較慢，卡爾曼濾波預(yù)測當(dāng)前時(shí)刻狀態(tài)比較準(zhǔn)確，AGV定位過程主要關(guān)心中心點(diǎn)位置。若僅預(yù)測中心點(diǎn)位置，由于卡爾曼濾波不支持多步預(yù)測，當(dāng)間隔幀數(shù)過多時(shí)，中心點(diǎn)位置會(huì)發(fā)生漂移。

2.2.2 ORB算法 為解決卡爾曼濾波多步預(yù)測不準(zhǔn)確的問題，通過中心點(diǎn)與特征點(diǎn)間空間位置關(guān)系重新計(jì)算中心點(diǎn)位置，將其作為測量值輸入到卡爾曼濾波中。特征點(diǎn)代表圖像中帶有特征性質(zhì)的點(diǎn)，具備旋轉(zhuǎn)或尺度不變性或小的仿射變換的不變性。特征點(diǎn)尋找技術(shù)包括SIFT、SURF、FAST、ORB等。由于ORB 算法速度快，受噪聲影響較弱，因此選用ORB特征點(diǎn)。

ORB(Oriented Fast and Rotated Brief)算法可以對(duì)圖像中的特征進(jìn)行提取和創(chuàng)建向量，這些特征向量可以用來識(shí)別圖像中的對(duì)象。ORB通過FAST算法從圖像中檢測特征點(diǎn)，對(duì)不同尺度的圖片檢測特征點(diǎn)[15]。ORB通過BRIEF算法(Binary Robust Independent Elementary Features)將一組特征點(diǎn)轉(zhuǎn)換為二元特征向量，向量中僅含0、1兩個(gè)值，可以高效存儲(chǔ)在內(nèi)存中，便于快速計(jì)算。為使描述具備旋轉(zhuǎn)不變性，ORB以特征點(diǎn)為原點(diǎn)，以特征點(diǎn)和取點(diǎn)區(qū)域的質(zhì)心的連線為x軸建立坐標(biāo)系[16]。使用ORB算法分別在模板圖像和目標(biāo)圖像上創(chuàng)建描述符，根據(jù)描述符之間距離可以進(jìn)行匹配，在目標(biāo)圖像上識(shí)別目標(biāo)。

2.2.3 卡爾曼濾波和ORB特征點(diǎn)的中心點(diǎn)定位 由于兩次檢測之間間隔幀數(shù)不會(huì)過大，因此認(rèn)為AGV在圖像上短時(shí)間內(nèi)不會(huì)發(fā)生形變，AGV上各點(diǎn)相對(duì)位置不發(fā)生變化，AGV外形寬和高不變，即選擇框大小不變。目標(biāo)檢測框選的AGV區(qū)域作為感興趣區(qū)域，提取ORB特征。以預(yù)測中心為選擇框中心，選擇區(qū)域并提取特征，與目標(biāo)檢測結(jié)果匹配，通過中心點(diǎn)與目標(biāo)檢測區(qū)域特征點(diǎn)位置關(guān)系，計(jì)算中心點(diǎn)在目前幀的位置，將計(jì)算的中心點(diǎn)坐標(biāo)作為測量值輸入到卡爾曼濾波。

目標(biāo)檢測中心點(diǎn)O1坐標(biāo)為(xo1,yo1)，O1在當(dāng)前幀對(duì)應(yīng)匹配對(duì)的特征點(diǎn)O2坐標(biāo)為(xo2,yo2)，特征點(diǎn)A1的坐標(biāo)為(xa1,ya1)，A1在當(dāng)前幀對(duì)應(yīng)匹配對(duì)的特征點(diǎn)A2坐標(biāo)為(xa2,ya2)，特征點(diǎn)B1坐標(biāo)為(xb1,yb1)，B1在當(dāng)前幀對(duì)應(yīng)匹配對(duì)的特征點(diǎn)B2坐標(biāo)為(xb2,yb2)，求解當(dāng)前幀AGV中心點(diǎn)坐標(biāo)(x,y)，將A2O2看作由A1O1平移旋轉(zhuǎn)而來

(3)

其中，T為平移矩陣，R為旋轉(zhuǎn)矩陣，tx、ty分別為將A1點(diǎn)平移到A2點(diǎn)x、y軸的平移量，θ為平移后A1B1與A2B2夾角。A1、B1點(diǎn)距離不應(yīng)太近，為保證計(jì)算的精確度，可選擇多對(duì)特征點(diǎn)計(jì)算。

圖5為間隔25幀使用YOLO檢測一次時(shí)僅使用卡爾曼濾波與根據(jù)ORB特征點(diǎn)定位中心點(diǎn)效果對(duì)比，圖中A邊框?yàn)閮H使用卡爾曼濾波結(jié)果，B邊框?yàn)榻Y(jié)合ORB特征點(diǎn)定位后的結(jié)果，邊框中心點(diǎn)為預(yù)測或定位的AGV中心點(diǎn)位置。

圖5 基于卡爾曼濾波和ORB特征點(diǎn)的中心點(diǎn)定位

與特征匹配方式相比，該方法利用卡爾曼濾波提前確定AGV位置，僅需對(duì)選擇框進(jìn)行調(diào)整移動(dòng)即可準(zhǔn)確定位AGV，不必搜索整幅圖像進(jìn)行匹配，比直接模板匹配更加快速。當(dāng)兩幅圖像匹配不上時(shí)，使用YOLO檢測定位目標(biāo)，當(dāng)YOLO也無法檢測到AGV時(shí)，說明目標(biāo)丟失，發(fā)送停止命令，直至再次檢測到AGV。MOSSE目標(biāo)追蹤算法檢測一幀圖像花費(fèi)21.46 ms，本方法花費(fèi)時(shí)間為19.04 ms。當(dāng)多AGV運(yùn)行時(shí)，可根據(jù)數(shù)據(jù)庫記錄上次停車位置，選擇目標(biāo)AGV。定位過程可參考SORT算法進(jìn)行多目標(biāo)追蹤，通過最大交并比IOU關(guān)聯(lián)目標(biāo)，使用匈牙利指派算法[17]關(guān)聯(lián)檢測框到目標(biāo)，通過特征點(diǎn)和卡爾曼濾波進(jìn)一步提高運(yùn)行速度。

2.2.4 評(píng)價(jià)器設(shè)計(jì) 通過卡爾曼濾波結(jié)合ORB算法對(duì)AGV定位，可能由于ORB特征點(diǎn)匹配錯(cuò)位導(dǎo)致定位不準(zhǔn)確，因此需要一個(gè)評(píng)價(jià)器來判斷定位是否準(zhǔn)確。巴氏系數(shù)(Bhattacharyya coefficient)可以測量兩個(gè)樣本之間的相似性，故通過巴氏系數(shù)計(jì)算定位結(jié)果與YOLO檢測結(jié)果的相似度。當(dāng)相似度小于閾值時(shí)，則認(rèn)為本次定位結(jié)果不準(zhǔn)確，重新使用YOLO進(jìn)行識(shí)別定位。巴氏系數(shù)其中，p為模板的顏色直方圖，q為待檢測圖像的顏色直方圖。ρ(p,q)越大說明兩圖片越相似，當(dāng)為同一張圖像時(shí)ρ(p,q)=1。

(4)

將YOLO檢測結(jié)果作為模板，將卡爾曼濾波結(jié)合ORB算法獲取的非關(guān)鍵幀作為待評(píng)價(jià)區(qū)域，通過多組圖片實(shí)驗(yàn)后選取0.9作為閾值。

3 結(jié)果與討論

本節(jié)對(duì)改進(jìn)算法(設(shè)計(jì)的AGV定位算法)進(jìn)行定位精度、定位速度實(shí)驗(yàn)驗(yàn)證，確定改進(jìn)算法是否可滿足實(shí)際應(yīng)用要求。在間隔一定幀數(shù)后重新檢測的累積誤差主要與檢測精度和間隔幀的定位誤差有關(guān)，可以直接反應(yīng)在定位精度上。

3.1 圖像去畸變

如圖6所示，攝像頭拍攝場景時(shí)，圖像存在較大的畸變，產(chǎn)生定位誤差，因此要對(duì)攝像頭去畸變。本文使用張正友攝像機(jī)標(biāo)定法結(jié)合OpenCV對(duì)攝像頭進(jìn)行標(biāo)定，獲取相機(jī)內(nèi)參，提高精度。攝像機(jī)標(biāo)定過程中使用的標(biāo)定模板如圖7所示。標(biāo)定模板中共有69個(gè)角點(diǎn)，每個(gè)棋盤格寬度為2.75 cm。

圖6 攝像頭拍攝場景

圖7 標(biāo)定模板

相機(jī)內(nèi)參為

(5)

矯正后模擬場地如圖8所示，為檢驗(yàn)AGV定位精度，需要計(jì)算每個(gè)像素點(diǎn)代表的實(shí)際距離。因此本文任選4個(gè)點(diǎn)，測量4點(diǎn)間實(shí)際距離和對(duì)應(yīng)間隔像素?cái)?shù)。經(jīng)過計(jì)算得單位像素的寬度對(duì)應(yīng)實(shí)際2.3 mm。

圖8 去畸變后圖像

3.2 誤差校正

由于攝像頭投影關(guān)系的影響，當(dāng)AGV行駛至邊緣時(shí)，在圖像上測量的中心點(diǎn)與實(shí)際中心點(diǎn)位置像素坐標(biāo)會(huì)不一致。AGV高度為29 cm，在行駛路徑上任取6個(gè)點(diǎn)，實(shí)際坐標(biāo)點(diǎn)與采集像素坐標(biāo)點(diǎn)誤差見表2?？芍獂軸方向誤差近似保持不變，平均誤差為9.83像素。y軸方向的測量坐標(biāo)yc和y軸方向誤差δ的擬合結(jié)果如圖9所示。

圖9 y軸方向誤差擬合結(jié)果

表2 測量結(jié)果與實(shí)際結(jié)果對(duì)比

δ=-0.2417×yc+163.4

(6)

控制AGV從(532，1313)沿直線行駛至(513，839)，改進(jìn)算法測得的路徑坐標(biāo)校正結(jié)果其中，(x,y)為校正后坐標(biāo)，(xc,yc)為算法定位坐標(biāo)。

(7)

3.3 定位速度

對(duì)僅使用YOLO、YOLO間隔2幀及改進(jìn)算法三種定位方式實(shí)驗(yàn)驗(yàn)證。定位速度見表3，實(shí)驗(yàn)采用同一視頻，花費(fèi)時(shí)間為檢測視頻所花費(fèi)的總時(shí)間，平均幀數(shù)為每秒檢測幀數(shù)，由總幀數(shù)除以花費(fèi)時(shí)間得到。

由表3可知，改進(jìn)算法(間隔2幀)定位速度為24.96幀/s，考慮該算法對(duì)非關(guān)鍵幀也進(jìn)行了定位，因此其定位速度慢于YOLO定位(間隔2幀)。但隨著改進(jìn)算法中間隔幀數(shù)逐漸增多，定位速度也逐漸加快，改進(jìn)算法在間隔12幀時(shí)定位速度已達(dá)29.81幀/s，高于YOLO定位(間隔2幀)定位速度，在間隔24幀時(shí)定位速度比間隔2幀及YOLO定位速度都有明顯地提高。

表3 基于目標(biāo)檢測定位速度對(duì)比

3.4 定位精度

對(duì)定位精度采用定位生成路徑與實(shí)際路徑的歐式距離做出評(píng)價(jià)，分別計(jì)算像素坐標(biāo)系、世界坐標(biāo)系下的最大誤差、最小誤差及平均誤差。定位精度見表4，部分定位方式軌跡如圖10至13所示(圖中pixel表示像素)。

圖10 YOLO定位(a)AGV實(shí)際路徑與定位路徑；(b)誤差統(tǒng)計(jì)

圖11 YOLO(間隔2幀)定位(a)AGV實(shí)際路徑與定位路徑；(b)誤差統(tǒng)計(jì)

圖12 改進(jìn)算法(間隔2幀)定位(a)AGV實(shí)際路徑與定位路徑；(b)誤差統(tǒng)計(jì)

圖13 改進(jìn)算法(間隔24幀)定位(a)AGV實(shí)際路徑與定位路徑； (b)誤差統(tǒng)計(jì)

表4 基于目標(biāo)檢測定位精度對(duì)比

可知，改進(jìn)算法(間隔2幀)定位精度為11.13 mm，相較于YOLO定位精度10.76 mm及YOLO(間隔2幀)定位精度10.52 mm都有降低。隨著改進(jìn)算法中間隔幀數(shù)逐漸增大，定位精度也逐漸降低，但下降很小，從(間隔2幀)時(shí)的11.13 mm下降到(間隔24幀)時(shí)的11.89 mm。此外由于間隔幀數(shù)過多，AGV運(yùn)行的穩(wěn)定性也有降低。由于YOLO算法在每次檢測時(shí)都會(huì)重新生成選擇框，選擇框大小的變化及與真實(shí)選擇框的差別，會(huì)導(dǎo)致定位中心點(diǎn)發(fā)生波動(dòng)，但實(shí)驗(yàn)整體結(jié)果較穩(wěn)定。

綜上，較傳統(tǒng)的YOLO算法，改進(jìn)算法的定位精度和穩(wěn)定性有一定下降，但其精度在間隔幀數(shù)增大時(shí)下降很小，從間隔2幀的11.13mm下降為間隔24幀的11.89 mm，且系統(tǒng)整體較穩(wěn)定。較傳統(tǒng)YOLO算法，改進(jìn)算法定位速度有明顯提高，從15.41幀/s提高到33.92幀/s，且隨著間隔幀數(shù)的增多,定位速度提升更加明顯，從間隔2幀的24.96幀/s提升為間隔24幀的33.92幀/s。故在滿足定位精度及穩(wěn)定性的前提下，使用基于改進(jìn)算法設(shè)計(jì)的AGV導(dǎo)航可最大限度地提高定位速度，提升自動(dòng)化效率。

4 結(jié)論

本文提出一種基于深度學(xué)習(xí)的目標(biāo)檢測及定位方法，采用YOLO算法進(jìn)行關(guān)鍵幀檢測，通過ORB特征點(diǎn)與卡爾曼濾波結(jié)合的方式定位非關(guān)鍵幀。該算法在滿足定位精度的前提下，有效提高了定位速度。今后研究考慮將新算法擴(kuò)展應(yīng)用于不同場景中，滿足實(shí)際應(yīng)用對(duì)AGV導(dǎo)航定位速度的要求。