一种AGV小车的定位系统和方法与流程

本发明涉及移动机器人的定位领域，尤其涉及一种AGV小车的定位系统与方法。

背景技术：

AGV小车(Automated Guided Vehicle)属于移动式机器人，是一种具有自主定位、导航与避障功能的自动化物流设备，用于构建现代制造车间的柔性化物流系统。实现移动机器人的自主定位是机器人导航与避障的前提和关键。

目前，AGV小车常见的定位方式为GPS定位、激光雷达定位和视觉定位三种。GPS定位技术是通过接收GPS卫星信号来实现定位，信号容易受到建筑和树木的影响，且定位误差大，不适用于AGV小车的室内定位；激光雷达定位技术是通过测量周围环境的距离和角度来实现定位，定位精度高，但是价格昂贵不适用于AGV小车的定位；视觉定位技术通过处理图像流数据来估计AGV小车的位置，由于相机价格低廉，信息丰富且拓展性强，很适用于AGV小车的室内定位。Kinect是一种RGB-D相机传感器，能够采集环境中的彩色图像和深度图像，并且能重建环境的局部三维稠密点云地图。

技术实现要素：

本发明的目的是针对当前GPS和激光雷达定位的缺陷，提供了一种AGV小车的定位系统和方法。

一种AGV小车的定位系统，包括：

全局建图模块，利用激光雷达扫描工作环境得到激光数据，同时利用定位与建图算法构建工作环境的全局三维点云地图；

深度学习模块，利用深度学习的方法训练工作环境的全局三维点云地图，以获得该地图学习模型和特征匹配准则，并存入云服务器端；

局部建图模块，利用Kinect传感器实时采集工作环境的图像数据，包括彩色图像和深度图像，根据小孔成像原理构建工作环境的局部三维点云地图；

匹配定位模块，根据特征匹配准则，在全局三维点云地图中搜索局部三维点云地图信息，根据匹配到的信息恢复AGV小车的位姿信息；

实时显示模块，用于显示工作环境的二维点云地图，并实时显示各AGV小车的在全局地图中的位姿信息。

优选地，所述的图像数据包括彩色图像和深度图像。

优选地，所述的激光雷达安装在AGV小车顶部中心位置，用于扫描工作环境得到激光数据并建立全局三维点云地图。

优选地，所述的Kinect传感器安装在AGV小车的正前方，用于获取工作环境的图像数据并构建局部三维点云地图。

优选地，所述的激光雷达为多线激光雷达。

优选地，所述激光雷达的数量为1台。

优选地，所述的Kinect传感器的数量至少为3台。

一种AGV小车的定位方法，包括步骤：

(1)激光雷达扫描工作环境得到激光数据，同时利用定位与建图算法构建工作环境的全局三维点云地图；

(2)利用深度学习的方法训练工作环境的全局三维点云地图，以获得该地图的学习模型和特征匹配准则，并将地图学习模型存入云端服务器；

(3)Kinect传感器实时采集工作环境的图像数据，根据小孔成像原理构建工作环境的局部三维点云地图；

(4)根据特征匹配准则，在全局三维点云地图中搜索局部三维点云地图信息，对匹配到的信息进行计算恢复AGV小车的位姿信息；

(5)在实时显示模块上实时显示各AGV小车在全局地图上的位姿信息。

优选地，所述的步骤(1)具体包括：

所述激光雷达以360度旋转扫描环境，通过三角测量原理实时计算出环境与激光雷达中心的距离和角度信息；

通过ICP匹配算法估计出AGV小车的位姿，并同时构建出环境的全局三维点云地图。

优选地，所述的步骤(3)具体包括：

以30FPS的速率采集环境中的彩色图像和深度图像；

根据张正友标定法标定Kinect相机，得到相机的内参：相机的焦距(fx,fy)，相机的光圈中心(cx,cy)；

通过小孔成像原理恢复深度图像上任一点的三维坐标，从而得到环境的局部三维点云地图。

相比现有技术，本发明具有如下有益效果：

(1)本发明采用相对廉价的Kinect传感器代替多线激光雷达，通过构建环境的局部点云地图并匹配全局点云地图的方法实现AGV小车的自主定位，从而降低AGV小车的成本。

(2)本发明采用深度学习的方法来训练全局三维点云地图得到特征模型和匹配准则，不仅可以满足AGV小车实时定位的需求，而且能提高小车的定位精度。

附图说明

图1为本发明所述的一种AGV小车的定位系统的框架示意图。

图2为本发明所述的一种AGV小车的定位方法的流程示意图。

具体实施方式

下面结合实施例及附图，对本发明方案作进一步地详细说明，但本发明的实施方式不限于此。

如图1所示，一种AGV小车的定位系统，包括：

全局建图模块，利用激光雷达扫描工作环境得到激光数据，同时利用定位与建图算法构建工作环境的全局三维点云地图；

深度学习模块，利用深度学习的方法训练工作环境的全局三维点云地图，以获得该地图学习模型和特征匹配准则，并将地图学习模型存入云端服务器；

局部建图模块，利用Kinect传感器实时采集工作环境的图像数据，根据小孔成像原理构建工作环境的局部三维点云地图，所述图像数据包括彩色图像和深度图像；

匹配定位模块，根据特征匹配准则，在全局三维点云地图中搜索局部三维点云地图信息，根据匹配到的信息恢复AGV小车的位姿信息，包括AGV小车的位置和朝向；

实时显示模块，用于显示工作环境的二维点云地图，并实时显示各AGV小车的在全局地图中的位姿信息，可用于AGV小车的调度与导航功能。

所述的激光雷达为一台多线激光雷达，安装在AGV小车顶部中心位置，用于扫描工作环境得到激光数据并建立全局三维点云地图。

所述的Kinect传感器至少有三台，安装在AGV小车的正前方，用于获取工作环境的图像数据并构建局部三维点云地图。

如图2所示，一种AGV小车的定位方法，包括步骤：

S1、激光雷达扫描工作环境得到激光数据，同时利用定位与建图算法构建工作环境的全局三维点云地图；

S2、利用深度学习的方法训练工作环境的全局三维点云地图，以获得该地图的学习模型和特征匹配准则，并将地图学习模型存入云端服务器；

S3、Kinect传感器实时采集工作环境的图像数据，根据小孔成像原理构建工作环境的局部三维点云地图；

S4、根据特征匹配准则，在全局三维点云地图中搜索局部三维点云地图信息，对匹配到的信息进行计算恢复AGV小车的位姿信息；

S5、在实时显示模块上实时显示各AGV小车在全局地图上的位姿信息。

具体而言，所述的步骤S1具体包括：

S11、所述激光雷达以360度旋转扫描环境，通过三角测量原理实时计算出环境与激光雷达中心的距离和角度信息；

S12、通过ICP匹配算法估计出AGV小车的位姿，并同时构建出环境的全局三维点云地图。

具体而言，所述的步骤S3具体包括：

S31、Kinect传感器以30FPS的速率采集环境中的彩色图像和深度图像；

S32、根据张正友标定法标定Kinect相机，得到相机的内参：相机的焦距(fx,fy)，相机的光圈中心(cx,cy)；

S33、通过小孔成像原理恢复深度图像上任一点的三维坐标，从而得到环境的局部三维点云地图。

本发明的上述实例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。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、组合和简化，均视为等效的置换方式，都包含在本发明的保护范围之内。