喻俊 樓佩煌 錢曉明 武星

(南京航空航天大學(xué)機(jī)電學(xué)院，江蘇南京210016)

自動(dòng)引導(dǎo)車(AGV)是一種廣泛應(yīng)用于工廠自動(dòng)化生產(chǎn)線和倉(cāng)儲(chǔ)物流的輪式自主移動(dòng)機(jī)器人，是當(dāng)今柔性制造系統(tǒng)(FMS)和自動(dòng)倉(cāng)儲(chǔ)系統(tǒng)中的物流運(yùn)輸重要單元［1］．其中視覺(jué)導(dǎo)引方式以柔性高、成本低等特點(diǎn)越來(lái)越受到國(guó)內(nèi)外研究人員的關(guān)注．視覺(jué)導(dǎo)引方式是通過(guò)在環(huán)境中鋪設(shè)特殊標(biāo)識(shí)線和符號(hào)，由視覺(jué)系統(tǒng)識(shí)別預(yù)定義的路徑模型，并測(cè)量AGV相對(duì)導(dǎo)引路徑的位置偏差和角度偏差，由控制器按照導(dǎo)引信息完成既定的路徑導(dǎo)引任務(wù)［2-3］．

在導(dǎo)引路徑特征提取和測(cè)量算法中，文獻(xiàn)［2-3］中采用的灰度圖像處理方法極易受到環(huán)境光照和路面灰度變化的干擾，而彩色圖像包含更多的信息，能夠增強(qiáng)AGV對(duì)不同環(huán)境的適應(yīng)性［4］．?dāng)z像機(jī)前傾安裝方式［2-4］側(cè)重于預(yù)測(cè)前方路徑信息，無(wú)法實(shí)時(shí)測(cè)量當(dāng)前的路徑，只能單向前進(jìn)，且該方式因視野較大導(dǎo)致路徑測(cè)量的精度較低．雙向型AGV在無(wú)碰撞的路徑規(guī)劃上具有較好的柔性，提高了系統(tǒng)的任務(wù)調(diào)度效率［1，5］．路徑測(cè)量算法主要包括 Hough變換法［4］和直線擬合法［3］，這兩種方法都是針對(duì)直線路徑的視覺(jué)測(cè)量方法，對(duì)導(dǎo)引路徑具有較大的局限性．相比直角拐彎方式［6］，曲線拐彎方式既能保證AGV運(yùn)行效率，又能提高路徑鋪設(shè)的柔性．視覺(jué)導(dǎo)引AGV大多是采用工控機(jī)擴(kuò)展圖像采集卡、輸入輸出工控卡的方式［2-3］，成本高，結(jié)構(gòu)復(fù)雜．隨著計(jì)算機(jī)視覺(jué)算法和高速數(shù)字信號(hào)處理器(DSP)的發(fā)展，以DSP為核心的嵌入式系統(tǒng)平臺(tái)，在保證路徑測(cè)量實(shí)時(shí)性的同時(shí)，降低了視覺(jué)導(dǎo)引AGV的成本和功耗［7］．

文中根據(jù)雙向型視覺(jué)導(dǎo)引AGV的模型和目標(biāo)測(cè)量精度，提出了一種基于曲率角估計(jì)的路徑模型分類算法，將路徑分為直線、圓弧轉(zhuǎn)彎和非圓弧轉(zhuǎn)彎3種模型，并分別采用最小均方差法和基于曲率角估計(jì)的自適應(yīng)加權(quán)擬合法對(duì)這3種模型參數(shù)進(jìn)行回歸．最后以TMS320DM642 DSP為嵌入式圖像處理單元，實(shí)現(xiàn)圖像采集、圖像預(yù)處理、路徑識(shí)別和測(cè)量．

1 視覺(jué)系統(tǒng)模型及標(biāo)定

1．1 視覺(jué)系統(tǒng)模型

視覺(jué)導(dǎo)引AGV系統(tǒng)模型如圖1所示，AGV的驅(qū)動(dòng)系統(tǒng)由兩個(gè)獨(dú)立驅(qū)動(dòng)的驅(qū)動(dòng)輪和前后兩個(gè)萬(wàn)向輪組成．這種結(jié)構(gòu)可以通過(guò)調(diào)節(jié)兩個(gè)驅(qū)動(dòng)輪的速度和轉(zhuǎn)向，實(shí)現(xiàn)直線運(yùn)動(dòng)和任意轉(zhuǎn)彎半徑的圓弧運(yùn)動(dòng)［8］．?dāng)z像機(jī)位于AGV的中心上方，垂直于地面安裝．

圖1 自動(dòng)導(dǎo)引車結(jié)構(gòu)模型Fig．1 Structure model of AGV

與攝像機(jī)前傾的安裝方式［3，5］相比，在相同的圖像分辨率下，圖1的方式視野小，但視覺(jué)測(cè)量的精度相對(duì)較高;該AGV能夠?qū)崿F(xiàn)前進(jìn)、后退雙向運(yùn)動(dòng)，且運(yùn)動(dòng)控制中心在視野內(nèi)，能夠獲得即時(shí)和未來(lái)小范圍內(nèi)的路徑信息．但因視野范圍較小，弱化了路徑預(yù)測(cè)功能，對(duì)視覺(jué)測(cè)量和運(yùn)動(dòng)控制的實(shí)時(shí)性要求更高．

1．2 攝像機(jī)標(biāo)定及自標(biāo)定

精確的標(biāo)定能夠消除路徑測(cè)量的系統(tǒng)誤差．平面模型兩步法［9］能夠精確標(biāo)定因鏡頭引起的徑向畸變參數(shù)及像素相對(duì)地面實(shí)際物理場(chǎng)景的放大倍數(shù)Apix．根據(jù)AGV的機(jī)械結(jié)構(gòu)特性，當(dāng)兩驅(qū)動(dòng)輪的速度相等、方向相反時(shí)，AGV繞兩驅(qū)動(dòng)輪軸線的中點(diǎn)原地自轉(zhuǎn)，文中稱這個(gè)自轉(zhuǎn)中心點(diǎn)為控制中心點(diǎn)，記為C(xc，yc);小車勻速直線運(yùn)動(dòng)方向與圖像坐標(biāo)系X軸的夾角為安裝角度誤差，記為θ，順時(shí)針為正，如圖1所示．C(xc，yc)和θ作為計(jì)算路徑距離偏差和角度偏差的基準(zhǔn)，可以在直線和圓弧兩種特殊運(yùn)動(dòng)模式下實(shí)現(xiàn)精確標(biāo)定［10］．

2 圖像預(yù)處理

AGV采用彩色CCD攝相機(jī)輸出逐行倒相(PAL)制式模擬視頻信號(hào)，經(jīng)解碼器TVP5150行列同步后，輸出8位BT．601 YCbCr格式彩色圖像至DSP TMS320DM642的VP0口，圖像分辨率為720×576［7］．較為常用的彩色圖像分割算法是基于 HIS或RGB色彩模型［11］，這兩種模型的優(yōu)點(diǎn)在于能夠方便地分割任意顏色特征的目標(biāo)．如果將YCbCr轉(zhuǎn)換到RGB或者HSI色彩空間，計(jì)算過(guò)程過(guò)于復(fù)雜，難以滿足系統(tǒng)實(shí)時(shí)性要求．在YCbCr顏色模型中，Cb、Cr分別為藍(lán)色和紅色色度分量，不包含亮度分量，受光照不均勻的影響較小，因此利用Cb、Cr分量能夠方便地提取藍(lán)色和紅色目標(biāo)．文中以藍(lán)色導(dǎo)引路徑為目標(biāo)路徑，如圖2(a)所示為藍(lán)色目標(biāo)路徑在水磨石路面中的彩色圖像．對(duì)采集圖像的Cb分量首先用標(biāo)定得到的畸變參數(shù)校正［9］，然后用5×5線性中值濾波器濾波，降低隨機(jī)噪聲和模糊圖像中瑣碎的細(xì)節(jié)．采用自適應(yīng)全局閾值分割法提取目標(biāo)路徑．閾值分割的二值圖像如圖2(b)所示，路徑為1，背景為0．

圖2 圖像預(yù)處理結(jié)果Fig．2 Result of image pre-processing

提取二值圖像中心輪廓線的經(jīng)典算法是骨架化［11］，該算法計(jì)算量大，且在任何微小的孔洞和端點(diǎn)處都會(huì)形成骨架分叉的拓?fù)浣Y(jié)構(gòu)．實(shí)際應(yīng)用中，導(dǎo)引路徑可能因局部破損、污染、遮擋和反光等現(xiàn)象造成分割后的二值圖像有孔洞或不連通，以致骨架化的數(shù)據(jù)鏈表過(guò)于復(fù)雜．導(dǎo)引路徑的分類和測(cè)量應(yīng)提取路徑的整體特征，故文中采用四邊界輪廓掃描法．即從圖像左、右邊界向內(nèi)逐行掃描，遇到1則停止，得到特征向量組 hlj和 hrj(j=1，2，…，576);從圖像上、下邊界向內(nèi)逐列掃描，遇到1則停止，得到特征向量組 vti和 vbi(i=1，2，…，720)．對(duì)這四個(gè)向量組首尾相連組成的離散時(shí)間序列特征向量樣本，采用主元分析法(PCA)對(duì)高維數(shù)據(jù)降維［12］，獲得使方差最大的兩組特征向量，將樣本降至二維空間．再用支持向量機(jī)(SVM)訓(xùn)練［13］，將導(dǎo)引路徑模型分為多分支路徑和雙向?qū)б窂絻煞N．以下僅討論雙向?qū)б窂降哪Ｐ妥R(shí)別和精確測(cè)量．

在雙向?qū)б窂较?，記?dǎo)引路徑中心輪廓線在圖像中的像素點(diǎn)集合為SM，SM是一組離散的輪廓線特征點(diǎn)集，如圖2(c)所示．

3 雙向?qū)б窂侥Ｐ妥R(shí)別及測(cè)量

3．1 基于曲率角估計(jì)的路徑模型分類

為提高制造系統(tǒng)的柔性，使導(dǎo)引路徑能夠根據(jù)環(huán)境的需要簡(jiǎn)易鋪設(shè)，雙向?qū)б窂皆诠δ苌嫌?種基本的形式:直線路徑、圓弧拐彎路徑和非圓弧拐彎路徑．AGV控制器通過(guò)調(diào)節(jié)兩驅(qū)動(dòng)輪的速度差，使其有直線和任意轉(zhuǎn)彎半徑的圓弧兩種基本的運(yùn)動(dòng)軌跡，且其在連續(xù)運(yùn)動(dòng)過(guò)程中，控制中心C(xc，yc)的運(yùn)動(dòng)軌跡是光滑的．基于運(yùn)動(dòng)預(yù)測(cè)的LQR最優(yōu)控制方法［8］，根據(jù)當(dāng)前局部坐標(biāo)系中的運(yùn)動(dòng)模型來(lái)預(yù)測(cè)未來(lái)時(shí)刻的位姿，將距離偏差和角度偏差同時(shí)消除到0．路徑實(shí)際鋪設(shè)誤差、部分路徑殘缺或遮擋及圖像預(yù)處理誤差等，都會(huì)引起中心輪廓線的觀測(cè)數(shù)據(jù)部分無(wú)法取得或已取得的數(shù)據(jù)不真實(shí)，使得樣本觀測(cè)數(shù)據(jù)非同質(zhì)或殘缺或不真實(shí)而產(chǎn)生非抽樣誤差．因此，雙向?qū)б窂降淖R(shí)別模型應(yīng)以全局特征分布為目標(biāo)對(duì)象，在目標(biāo)最大誤差范圍內(nèi)將視野內(nèi)的路徑模型擬合為直線和圓弧路徑模型，實(shí)時(shí)測(cè)量其相對(duì)控制中心點(diǎn)的距離偏差和相對(duì)于小車勻速直線前進(jìn)方向的角度偏差，并將計(jì)算結(jié)果傳輸給運(yùn)動(dòng)控制系統(tǒng)．

設(shè)在世界坐標(biāo)系下，容許的最大路徑測(cè)量誤差為σmw，則在圖像坐標(biāo)系中的最大測(cè)量誤差為

文中提出基于曲率估計(jì)的整體識(shí)別方法，力求從整體上觀測(cè)中心輪廓線的首尾間的總曲率角及曲率角的分布特征，對(duì)路徑模型進(jìn)行分類，并根據(jù)相應(yīng)的數(shù)學(xué)模型對(duì)中心輪廓點(diǎn)集合進(jìn)行擬合，使擬合誤差小于σmpix．

曲率是曲線上相鄰兩點(diǎn)的切向量之間的夾角，根據(jù)曲率的3種不同定義方式［13］，離散特征點(diǎn)曲率估計(jì)有正弦角法、弧微分法和內(nèi)切圓法．這些方法都是針對(duì)矢量工程圖或機(jī)械零件等局部曲率角變化明顯的角點(diǎn)提取，而導(dǎo)引路徑在小范圍內(nèi)的曲率角較小，曲線特征不明顯，因此，文中提出一種較大觀測(cè)窗口半徑的近似曲率角估計(jì)及路徑模型識(shí)別方法．對(duì)中心輪廓點(diǎn)集合SM，取以點(diǎn)(xi，yi)為中心，以觀測(cè)窗口半徑為Rw的觀測(cè)區(qū)域計(jì)算近似的曲率角估計(jì)．記

式中，lf和lb為觀測(cè)窗口的兩個(gè)近似端點(diǎn)．由余弦定理，觀測(cè)窗口內(nèi)的曲率角估計(jì)為

曲率角估計(jì)的均值為

曲率角估計(jì)的方差為

輪廓點(diǎn)首尾間的總曲率角估計(jì)為

由于路徑不封閉，在首尾兩端的觀測(cè)窗口半徑內(nèi)重復(fù)計(jì)算的次數(shù)較少，總曲率估計(jì)有一定偏差，但觀測(cè)樣本越多，偏差越?。?/p>

如圖3所示為理想狀況直線、圓弧、直線圓弧過(guò)渡和折線路徑對(duì)應(yīng)的曲率角估計(jì)．總曲率角估計(jì)只與首尾兩端的切線方向相關(guān)，直線路徑的總曲率角估計(jì)理想值為0，折線拐彎路徑的總曲率角估計(jì)理想值為拐彎角度γ．曲率角估計(jì)的方差反映了曲率角估計(jì)分布的整體波動(dòng)大小，當(dāng)中心輪廓線點(diǎn)集存在個(gè)別干擾點(diǎn)時(shí)，其結(jié)果受到的影響不大，直線和圓弧路徑模型的理想值為0．因此，根據(jù)目標(biāo)測(cè)量精度的要求，對(duì)中心輪廓點(diǎn)集曲率角估計(jì)的方差和總曲率角設(shè)置相應(yīng)的閾值，即可對(duì)路徑進(jìn)行分類．

圖3 雙向?qū)б窂郊捌淝式枪烙?jì)Fig．3 Bidirectional paths and their curvature estimation

3．2 三種精確路徑的測(cè)量模型

3．2．1 直線路徑模型

圖4 直線路徑模型Fig．4 Model of straight-line path

對(duì)中心輪廓點(diǎn)集SM采用最小均方誤差法估計(jì)參數(shù)時(shí)，要求觀測(cè)值yi的偏差加權(quán)平方和最小，即

直線路徑擬合標(biāo)準(zhǔn)偏差為

當(dāng)前的距離偏差Ld為小車控制中心C到擬合直線的距離，即

當(dāng)前的角度偏差α為擬合直線與小車勻速直線前進(jìn)方向的夾角，

大轉(zhuǎn)彎半徑的圓弧路徑在圖像坐標(biāo)系中的小段可以近似看作直線路徑．為了確定滿足σmpix條件下用直線路徑替代圓弧路徑的轉(zhuǎn)彎半徑范圍，設(shè)在圖像坐標(biāo)系中，轉(zhuǎn)彎半徑為R的理想圓弧路徑中心輪廓線特征點(diǎn)為由式(8)計(jì)算采用直線路徑擬合不同轉(zhuǎn)彎半徑、圓弧路徑的標(biāo)準(zhǔn)方差σpix，如圖5所示，圓弧路徑的轉(zhuǎn)彎半徑越小，標(biāo)準(zhǔn)方差的值越大，σmpix對(duì)應(yīng)的臨界轉(zhuǎn)彎半徑為RT，RT對(duì)應(yīng)的總曲率角即為κε．由式(6)計(jì)算不同轉(zhuǎn)彎半徑的理想圓弧路徑總曲率角如圖6所示．

圖5 不同轉(zhuǎn)彎半徑直線模型擬合的均方差Fig．5 Mean-variance of straight line fitting for different radius

圖6 不同轉(zhuǎn)彎半徑的總曲率估計(jì)Fig．6 Total curvature estimation of different turning radius

3．2．2 圓弧拐彎路徑模型

圓是一種非線性模型，為了便于計(jì)算，設(shè)圖像坐標(biāo)系下圓的方程為

令z=－(x2+y2)，用中心輪廓點(diǎn)集SM估計(jì)圓弧路徑參數(shù)就近似轉(zhuǎn)化為二元線性回歸問(wèn)題:

設(shè)ei為SM中像素點(diǎn)(xi，yi)的圓弧擬合誤差，根據(jù)最小均方誤差法，有

圖7 圓弧路徑模型Fig．7 Model of arc path

其條件是矩陣B的秩r(B)≥3．由于樣本數(shù)較大，很容易滿足這個(gè)條件．

圓弧圓心坐標(biāo)為

轉(zhuǎn)彎半徑為

凸形為正，凹形為負(fù)．圓弧路徑擬合標(biāo)準(zhǔn)偏差為

當(dāng)前的距離偏差Ld為小車控制中心C到圓弧的距離 CA，即

當(dāng)前的角度偏差α為過(guò)A點(diǎn)的圓弧切線方向與小車勻速直線前進(jìn)方向的夾角，即

3．2．3 非圓弧拐彎路徑模型

非圓弧拐彎路徑有總曲率角大且曲率角估計(jì)離群的特征，即總曲率角估計(jì)＞κ 且．在εκε圖像坐標(biāo)系下的折線轉(zhuǎn)彎模型如圖8所示，轉(zhuǎn)彎角度為γ．由于路經(jīng)在折線頂點(diǎn)處不光滑，AGV要在連續(xù)運(yùn)行的條件下平穩(wěn)拐彎，宜沿著折線路徑的內(nèi)切圓弧拐彎，從而平滑角度偏差的突變，提高AGV的穩(wěn)態(tài)特性．最小二乘二元線性回歸圓弧擬合法對(duì)于大的離群觀測(cè)點(diǎn)不具魯棒性，由于采用的是平方距離，所以與內(nèi)切圓弧距離遠(yuǎn)的那些點(diǎn)，在計(jì)算的過(guò)程中擁有非常大的權(quán)重．為了減輕這些遠(yuǎn)離點(diǎn)的影響，文中提出一種自適應(yīng)加權(quán)圓弧擬合方法，為每個(gè)觀測(cè)點(diǎn)引入權(quán)重因子wi，保留路徑兩端和遠(yuǎn)離折線頂點(diǎn)附近觀測(cè)點(diǎn)的權(quán)重，消減靠近折線頂點(diǎn)附近觀測(cè)點(diǎn)的權(quán)重．

圖8 折線路徑模型Fig．8 Model of broken-line path

定義權(quán)重因子如下:

對(duì)式(12)采用自適應(yīng)加權(quán)最小均方誤差的目標(biāo)函數(shù)為

令 W=diag(w1，w2，…，w720)，則

W是滿秩正定對(duì)角矩陣，式(21)滿足條件:矩陣B的秩r(B)≥3．

加權(quán)圓弧擬合的圓心坐標(biāo)、半徑、擬合誤差、距離偏差和角度偏差計(jì)算方法與圓弧擬合相同，分別為式(14)－(18)．

4 實(shí)驗(yàn)結(jié)果及分析

南京航空航天大學(xué)自主開(kāi)發(fā)的NHV-Ⅱ型視覺(jué)導(dǎo)引AGV如圖9所示．為了驗(yàn)證圖像預(yù)處理的魯棒性，實(shí)驗(yàn)條件選擇背景復(fù)雜的水磨石地面上鋪設(shè)藍(lán)色路徑．NHV-Ⅱ型 AGV的視覺(jué)系統(tǒng)由 VS-818HC高清晰工業(yè)相機(jī)、3．5～8．0 mm 手動(dòng)變焦鏡頭VS0358M和TMS320DM642 DSP為核心的嵌入式視頻處理平臺(tái)組成，視頻分辨率為720×576，相鄰兩幀間隔 0．04 s［7］，放大倍數(shù) Apix=2．0656 像素/mm．運(yùn)動(dòng)模式下自標(biāo)定控制中心點(diǎn)C在圖像中的坐標(biāo)為(358．16，280．34)，攝像機(jī)相對(duì) AGV 勻速直線運(yùn)動(dòng)方向的角度誤差θ=－1．53°．在圖像坐標(biāo)系下，擬使路徑測(cè)量最大誤差σmpix=5像素，圖6對(duì)應(yīng)的臨界轉(zhuǎn)彎半徑RT=3900像素，圖7對(duì)應(yīng)的總曲率角臨界閾值κε=10．59°，則世界坐標(biāo)系下的最大測(cè)量誤差σmw=2．42mm．取曲率角估計(jì)窗口半徑Rw=100像素，由式(5)計(jì)算得到圓弧與非圓弧路徑判斷的曲率角估計(jì)均方差離群特征閾值σε=3．22°．

圖9 NHV-Ⅱ型視覺(jué)導(dǎo)引AGVFig．9 NHV-II vision-based AGV

AGV從直線路徑運(yùn)動(dòng)到轉(zhuǎn)彎半徑為1m的圓弧路徑過(guò)程中，總曲率角估計(jì)、曲率角估計(jì)方差、擬合誤差和轉(zhuǎn)彎半徑隨時(shí)間(幀數(shù))的變化如圖10所示．在前61幀，有＜κ，按照直線模型測(cè)量，ε第61幀為臨界直線模型幀，其路徑擬合的標(biāo)準(zhǔn)偏差最大，但仍控制在目標(biāo)測(cè)量最大誤差σmpix內(nèi)．第62幀為圓弧模型臨界幀，之后，轉(zhuǎn)彎半徑從－3900像素(逆時(shí)針?lè)较?附近逐漸增加到－2000像素，最后趨于穩(wěn)定．全部過(guò)程中，路徑擬合誤差小于2像素．

圖11給出了16°折線拐彎路徑的狀態(tài)．第20幀和第49幀分別為非圓弧拐彎路徑模型的臨界幀，其間采用自適應(yīng)加權(quán)圓弧擬合算法計(jì)算折線路徑的近似內(nèi)切圓弧，其大部分的路徑擬合標(biāo)準(zhǔn)偏差都能控制在目標(biāo)測(cè)量最大誤差σmpix內(nèi)，但有幾幀超過(guò)了σmpix，這是為了平滑路徑角度突變，抑制拐點(diǎn)附近的權(quán)重造成的，因超出時(shí)間短且超出范圍不大，對(duì)AGV運(yùn)行影響不大．在開(kāi)始和最后的直線路徑階段，擬合誤差小于2像素．

圖10 直線到圓弧路徑的模型識(shí)別及測(cè)量Fig．10 Straight line to arc path model recognition and measurement

圖11 16°折線拐彎路徑的模型識(shí)別及測(cè)量Fig．11 Recognition and measurement of 16°broken line path model

5 結(jié)語(yǔ)

文中針對(duì)一種將攝像機(jī)放置在AGV中心上方垂直于地面安裝的雙向型AGV結(jié)構(gòu)模型，從3個(gè)方面提高了AGV視覺(jué)導(dǎo)引路徑的測(cè)量精度:(1)采用較大分辨率的攝像機(jī)，縮小視野的范圍，提高測(cè)量精度;(2)對(duì)因鏡頭原因引起的圖像畸變進(jìn)行校正，并對(duì)AGV采用精確的手眼標(biāo)定方法，降低測(cè)量的系統(tǒng)誤差;(3)為了控制視覺(jué)系統(tǒng)路徑測(cè)量的隨機(jī)誤差，采用曲率角估計(jì)的方法將路徑分為直線、圓弧拐彎和非圓弧拐彎3種模型，通過(guò)最小均方差法對(duì)這3種路徑模型參數(shù)進(jìn)行回歸．以TI公司TMS320DM642 DSP為核心搭建嵌入式圖像處理平臺(tái)，實(shí)現(xiàn)了圖像采集和導(dǎo)引路徑的實(shí)時(shí)測(cè)量．試驗(yàn)結(jié)果表明該視覺(jué)系統(tǒng)的實(shí)時(shí)性和測(cè)量精度達(dá)到了目標(biāo)要求．

［1］ Iris F A．Survey of research in the design and control of automated guided vehicle systems［J］．European Journal of Operational Research，2006，170(3):677-709．

［2］ Ji Shouwen，Li Keqiang，Miao Lixin．Design of a new type of AGV based on computer vision［J］．Chinese Journal of Mechanical Engineering，2004，17(1):97-101．

［3］ 陳無(wú)畏，孫海濤，李碧春，等．基于標(biāo)識(shí)線導(dǎo)航的自動(dòng)導(dǎo)引車跟蹤控制［J］．機(jī)械工程學(xué)報(bào)，2006，42(8):164-170．Chen Wu-wei，Sun Hai-tao，Li Bi-chun，et al．Tracking control of automatic guided vehicle based on lane marker navigation［J］．Chinese Journal of Mechanical Engineering，2006，42(8):164-170．

［4］ Zhang Hai-Bo，Yuan Kui，Mei Shu-Qi，et al．Visual navigation of an automated guided vehicle based on path recognition［C］∥Proceedings of International Conference on Machine Learning and Cybernetics．Monterey:IEEE，2004:3877-3881．

［5］ 賀麗娜，樓佩煌，錢曉明，等．基于時(shí)間窗的自動(dòng)導(dǎo)引車無(wú)碰撞路徑規(guī)劃［J］．計(jì)算機(jī)集成制造系統(tǒng)，2010，16(12):2630-2634．

He Li-na，Lou Pei-huang，Qian Xiao-ming，et al．Conflictfree automated guided vehicles routing based on time window ［J］．Computer Integrated Manufacturing Systems，2010，16(12):2630-2634．

［6］ Lee Jin-Woo，Choi Sung-Uk，Lee Chang-Hoon，et al．A study for AGV steering control and identification using vision system ［C］∥Proceedings of IEEE International Symposium on Industrial Electronics．Monterey:IEEE，2001:1575-1578．

［7］ Yu Jun，Lou Pei-huang，Wu Xing．A dual-core real-time embedded system for vision-based automated guided vehicle［C］∥Proceedings of IITA International Conference on Control，Automation and Systems Engineering．Piscataway:IEEE，2009:207-211．

［8］ 武星，樓佩煌．基于運(yùn)動(dòng)預(yù)測(cè)的路徑跟蹤最優(yōu)控制研究［J］．控制與決策，2009，24(4):565-569．Wu Xing，Lou Pei-huang．Optimal path tracking control based on motion prediction ［J］．Control and Decision，2009，24(4):565-569．

［9］ Zhang Zhengyou．Flexible camera calibration by viewing a plane from unknown orientations［C］∥Proceedings of the 7th IEEE International Conference on Computer Vision．Kerkyra:IEEE，1999:666-673．

［10］ Chen Huiying，Matsumoto Kohsei，Ota Jun，et al．Selfcalibration of environmental camera for mobile robot navigation［J］．Robotics and Autonomous Systems，2007，55:177-190．

［11］ Sonka M，Hlavac V，Boyle R．Image processing，analysis，and machine vision second edition［M］．2nd ed．London:Chapman ＆ Hall Computing，1999:10-35．

［12］ Zhang Dengsheng，Lu Guojun．Review of shape representation and description techniques［J］．Pattern Recognition，2004，37:1-19．

［13］ Hsu C W，Lin C J．A comparison of methods for multiclass support vector machines［J］．IEEE Transactions on Neural Networks，2002，13(2):415-425．

［14］ Liu Hairon，Latecki Longin Jan，Liu Wenyu．A unified curvature definition for regular，polygonal，and digital planar curves［J］．International Journal of Computer Vision，2008，80:104-124．