一种基于机器视觉和人工智能的agv导航方法及系统
技术领域
1.本发明涉及无人驾驶领域，尤其涉及一种基于机器视觉和人工智能的agv导航方法及系统。
背景技术：2.近年来，agv(automated guided vehicles)得到了快速发展。agv又名无人搬运车、自动导航车、激光导航车。其显著特点是无人驾驶，agv上装备有自动导向系统，可以保障agv在不需要人工引航的情况下就能沿预定的路线自动地驶，将货物或物料自动从起点运送到目的地。agv的另一个特点是柔性好，自动化程度高、智能化水平高，agv的行驶路径可以根据仓储货位要求、生产工艺流程的改变而灵活改变，并且运行路径改变的费用与传统的输送带和刚性的传送线相比非常低廉。agv一般配备有装卸机构，可以与其他物流设备具有接口，可以实现货物和物料装卸与搬运过程自动化。此外，agv还具有清洁生产的特点，agv依靠自带的蓄电池提供动力，运行过程中无噪声、无污染，可以应用在要求工作环境清洁的场所。
3.随着agv应用领域的扩展，出现了多种种类和形式的agv，根据agv自动行驶的导航方式的不同，agv分为电磁感应引导式agv、激光引导式agv、视觉引导式agv、铁磁陀螺惯性引导式agv、光学引导式agv等多种。电磁感应引导agv目前在绝大多数商业化的agvs上使用，尤其适用于大中型的agv。将激光引导式agv的激光扫描器更换为红外发射器、或超声波发射器，则激光引导式agv可转为红外引导式agv和超声波引导式agv。视觉引导式agv，在每个agv车上装有ccd摄像机和传感器，在车载计算机中设置有agv欲行驶路径周围环境图像数据库，在agv车行驶过程中，置于agv车上的ccd摄像机动态获取车辆周围环境图像信息并与agv欲行驶路径周围环境图像数据库进行比较，从而确定当前位置并对下一步行驶做出决策。
4.agv车的导航方式在当下主要有电磁导航、磁条导航、二维码导航。电磁导航是一种较为传统的引导方式，通过在agv的行驶路径上埋设金属导线，并加载低频、低压电流，使导线周围产生磁场，agv上的感应线圈通过对导航磁场强弱的识别和跟踪，实现agv的引导。磁条导航与电磁导航相近，不同之处在于采用了在路面上贴磁条替代在地面下埋设金属线，通过磁条感应信号实现引导。二维码导航的一个应用是欧铠研制的“小精灵机器人”，采用惯性二维码导航，小精灵机器人根据订单，将货物所在的货架从仓库存储区搬运至员工处理区。
5.但现有技术的agv车的导航方式，价格高昂、安装不便、不易维护、避障实现复杂、用户交互操作不便利。例如，电磁导航的方式，改变或扩充路径较麻烦，导引线铺设相对困难；磁条导航的方式，磁条容易破损，需要定期维护，路径变更需要重新铺设磁带，agv车只能按磁条行走，无法实现智能避让，或通过控制系统实时更改路线。二维码导航的方式：路线需要定期维护，如果场地复杂，需要频繁更换二维码，对陀螺仪的精度及使用寿命要求严格，另外，对场地平整度有一定要求，价格较高。视觉引导式agv，在每个agv车上装有ccd摄
像机，设备造价高、数据计算量大。
技术实现要素：6.为解决上述技术问题，本发明提出了一种基于机器视觉和人工智能的agv导航方法及系统，所述方法及系统，用以解决现有技术中agv车导航造价高、维护困难的技术问题。
7.根据本发明的第一方面，提供一种基于机器视觉和人工智能的agv导航系统，所述系统包括若干agv车、一个或多个无线摄像头、中央控制系统；
8.所述无线摄像头置于室内搭建的高清广角摄像系统中，所述无线摄像头使用水平仪校准，使该无线摄像头的位置高于地面，并与地面平行，设置所述无线摄像头的安装高度，使该无线摄像头的拍摄范围覆盖其监控的各agv车的运行范围；基于无线摄像头监控的各agv车的运行起点、终点确定各agv车的运行范围；一个无线摄像头可以监控若干个agv车；所述无线摄像头拍摄其监控的各agv车的运行视频，并将运行视频发送给中央控制系统；
9.所述中央控制系统对由所述无线摄像头拍摄的agv车的运行视频进行解析，将运行视频分割为图像帧，对每一帧图像进行识别，检测各agv车在图像中的相对位置，识别图像中的障碍物；基于各agv车的相对位置及障碍物的情况，为各agv车进行路径规划，生成包括各agv车的运动方向、运动速度、运动策略的运动指令；
10.所述若干agv车，用于搬运货物，每个agv车具有唯一编号id；接收由所述中央控制系统下发的运动指令，解析并执行所述运动指令。
11.进一步地，所述高清广角摄像系统配置若干个无线摄像头，每个无线摄像头负责监控若干agv车。
12.进一步地，所述中央控制系统获取图像后，利用图像拼接技术，将高清广角摄像系统中各个摄像头获取的图像转换成一张大的室内全景图像。
13.进一步地，所述中央控制系统获取高清广角摄像系统传回的首帧数据，在首帧数据的基础上、结合室内全景图像，采用
a*
算法规划路径，并将该路径在实时传回的图像上显示。
14.进一步地，对获取的每一帧图像，识别agv车和障碍物，检测agv车和障碍物在图像中的位置信息，确定agv车与障碍物、agv车与路径段之间的相对位置关系；基于上述相对位置关系，计算agv车运动方向与当前路径方向的偏角，得到运动的偏角值，对所述偏角值进行处理，从而计算出agv车应移动的姿态，即计算出agv车下一步各轮子的转向、转速变化。
15.进一步地，所述agv车进一步结合避障策略确定行车策略。
16.进一步地，所述agv车通过预设的避障算法来规划局部路径，待绕过障碍物后再使该agv车返回到全局路径中。
17.根据本发明第二方面，提供一种基于机器视觉和人工智能的agv导航方法，基于如前所述的基于机器视觉和人工智能的agv导航系统，所述方法执行以下步骤：
18.步骤s601：配置若干无线摄像头，每个无线摄像头用于监控若干agv车；使用水平仪校准各无线摄像头，使其严格垂直于场地地面；设置所述无线摄像头的安装高度，使该无线摄像头的拍摄范围覆盖其监控的各agv车的运行范围；
19.步骤s602：中央控制系统获取高清广角摄像系统传回的首帧数据，在首帧数据的
基础上、结合室内全景图像，采用
a*
算法规划各agv车的路径，并将该路径在实时传回的图像上显示；
20.步骤s603：将训练好的基于深度卷积神经网络的目标检测器yolo导入所述中央控制系统；
21.步骤s604：标记已到达终点的agv车；
22.步骤s605：判断是否所有监控的agv车都已经到达终点；若是，方法结束；若否，进入步骤s606；
23.步骤s606：获取帧图像并输入训练好的基于深度卷积神经网络的目标检测器yolo，检测未到达终点的agv车、障碍物在图像中的位置信息，确定所述未到达终点的agv车与障碍物、未到达终点的agv车与路径段之间的相对位置关系；计算未到达终点的agv车运动方向与当前路径方向的偏角，得到运动的偏角值，对所述偏角值进行处理，从而计算出未到达终点的agv车下一步各轮子的转向、转速变化；结合障碍物信息及避障策略，规划未到达终点的agv车的运行策略；
24.步骤s607：将所述运行策略发送给所述未到达终点的agv车，agv车接收运行策略并行驶，进入步骤s604。
25.根据本发明第三方面，提供一种基于机器视觉和人工智能的agv导航系统，包括：
26.处理器，用于执行多条指令；
27.存储器，用于存储多条指令；
28.其中，所述多条指令，用于由所述存储器存储，并由所述处理器加载并执行如前所述的基于机器视觉和人工智能的agv导航方法。
29.根据本发明第四方面，提供一种计算机可读存储介质，所述存储介质中存储有多条指令；所述多条指令，用于由处理器加载并执行如前所述的基于机器视觉和人工智能的agv导航方法。
30.根据本发明的上述方案，创新性的将无线摄像头置于室内搭建的高清广角摄像系统中，所述无线摄像头使用水平仪校准，使该无线摄像头的位置高于地面，并与地面平行，设置所述无线摄像头的安装高度，使该无线摄像头的拍摄范围覆盖其监控的各agv车的运行范围。通过
a*
算法或用户自主设计实现路径设置功能；采用基于深度卷积神经网络的目标检测器yolo检测agv车及实现避障；为用户提供了可视化界面可以实时动态监测，并使用户能够对路径进行设置。使得agv车更加智能化，成本低廉，维护便利，使用周期长，能够与已有的监控系统相融合，节约了成本，即使在一些复杂的电磁环境中，也能保持系统稳定。
31.上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。
附图说明
32.构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明提供如下附图进行说明。在附图中：
33.图1为本发明一个实施方式的基于机器视觉和人工智能的agv导航系统的总体架构；
34.图2为本发明一个实施方式的基于机器视觉和人工智能的agv导航系统的总体架
构放大图；
35.图3为本发明一个实施方式的基于机器视觉和人工智能的agv导航系统数据交互图。
具体实施方式
36.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
37.定义：
38.agv：即自动导引装置(automated guided vehicle)，能够沿规定的导引路径行驶，具有安全保护以及各种移载功能的运输车，属于轮式移动机器人的范畴。
39.a*
算法：是一种静态路网中求解最短路径的直接搜索方法，是解决搜索问题的有效算法，算法中的距离估算值与实际值越接近，最终搜索速度越快。
40.机器视觉：机器视觉是人工智能快速发展的一个分支，机器视觉是用机器代替人眼来做测量和判断，机器视觉系统是通过机器视觉产品将被摄取的目标转换成图像信号，传送给专用的图像处理系统，得到被摄目标的图像信息，根据图像的像素分布和亮度、颜色等信息，转化为数字信号，图像处理对信号进行运算，以抽取图像中确定的目标的特征，进而根据判断结果来控制现场的设备动作。机器视觉产品即图像摄取装置，分cmos和ccd两种。
41.slam：即时定位与地图构建(simultaneous localization and mapping)，也称并发建图与定位(cml，concurrent mapping and localization)。将一个机器人放入未知环境中的未知位置，是否有办法让机器人一边移动一边逐步描绘出此环境完全的地图，所述完全的地图是指不受障碍影响行进到房间可进入的每个角落。
42.yolo：基于神经网络的目标检测器，将物体检测任务作为回归问题来处理，直接通过整张图片的所有像素得到bounding box的坐标，bounding box中包含物体的置信度和class probabilities。通过yolo，每张图像只需要输入到神经网络就能得出图像中的物体，以及这些物体的位置。
43.首先结合图1说明本发明的实现基于机器视觉和人工智能的agv导航系统的总体架构，图2示出了根据本发明的一个实施方式的基于机器视觉和人工智能的agv导航系统的总体架构放大图。如图1-2所示：
44.所述基于机器视觉和人工智能的agv导航系统包括若干agv车、一个或多个无线摄像头、中央控制系统；
45.所述无线摄像头置于室内搭建的高清广角摄像系统中，所述无线摄像头使用水平仪校准，使该无线摄像头的位置高于地面，并与地面平行，设置所述无线摄像头的安装高度，使该无线摄像头的拍摄范围覆盖其监控的各agv车的运行范围；基于无线摄像头监控的各agv车的运行起点、终点确定各agv车的运行范围；一个无线摄像头可以监控若干个agv车；所述无线摄像头拍摄其监控的各agv车的运行视频，并将运行视频发送给中央控制系统；
46.所述中央控制系统对由所述无线摄像头拍摄的agv车的运行视频进行解析，将运行视频分割为图像帧，对每一帧图像进行识别，检测各agv车在图像中的相对位置，识别图像中的障碍物；基于各agv车的相对位置及障碍物的情况，为各agv车进行路径规划，生成包括各agv车的运动方向、运动速度、运动策略的运动指令；
47.所述若干agv车，用于搬运货物，每个agv车具有唯一编号id；接收由所述中央控制系统下发的运动指令，解析并执行所述运动指令。
48.所述无线摄像头置于室内搭建的高清广角摄像系统中，所述无线摄像头使用水平仪校准，使该无线摄像头的位置高于地面，并与地面平行，设置所述无线摄像头的安装高度，使该无线摄像头的拍摄范围覆盖其监控的各agv车的运行范围；基于无线摄像头监控的各agv车的运行起点、终点确定各agv车的运行范围；一个无线摄像头可以监控若干个agv车；所述无线摄像头拍摄其监控的各agv车的运行视频，并将运行视频发送给中央控制系统；
49.本实施例中，所述高清广角摄像系统可以配置若干个无线摄像头，每个无线摄像头负责监控若干agv车。
50.进一步地，所述无线摄像头通过无线局域网向中央控制系统实时传输信息。所述无线摄像头使用水平仪进行校准，严格垂直于场地地面。
51.所述中央控制系统对由所述无线摄像头拍摄的agv车的运行视频进行解析，将运行视频分割为图像帧，对每一帧图像进行识别，检测各agv车在图像中的相对位置，识别图像中的障碍物；基于各agv车的相对位置及障碍物的情况，为各agv车进行路径规划，生成包括各agv车的运动方向、运动速度、运动策略的运动指令；
52.本实施例中，所述中央控制系统获取图像后，利用图像拼接技术，将高清广角摄像系统中各个摄像头获取的图像转换成一张大的室内全景图像。
53.所述中央控制系统获取高清广角摄像系统传回的首帧数据，在首帧数据的基础上、结合室内全景图像，采用
a*
算法规划路径，并将该路径在实时传回的图像上显示；可替换地，中央控制系统提供鼠标绘图功能，用户可以自行进行路径规划，即用鼠标绘图功能实现交互式自主路径设计，并将设计出的路径在获取的图像中实时显示。
54.通过检测获取的各帧图像数据，识别各帧图像中agv车、障碍物的信息，可以跟踪agv车的运动状态。所述障碍物分为静止障碍物及动态障碍物，所述静止障碍物是不能运动的、静止的障碍物，例如箱子；所述动态障碍物是自身能够运动的障碍物，例如人。对获取的每一帧图像，识别agv车、障碍物，检测agv车、障碍物在图像中的位置信息，确定agv车与障碍物、agv车与路径段之间的相对位置关系。
55.本实施例中，使用训练好的基于深度卷积神经网络的目标检测器yolo对每一帧图像进行识别，对获取的每一帧图像，识别agv车、障碍物，检测agv车、障碍物在图像中的位置信息，确定agv车与障碍物、agv车与路径段之间的相对位置关系。通过如下方式训练所述基于yolo的网络模型，如图3所示：
56.服务器配置于中央控制系统中，服务器具有多cpu，服务器附带有ubantul6.04操作系统，在服务器中编译darknet，获取yolo运行环境；
57.获取高清广角摄像系统中各无线摄像头在应用场景下的预设数量的图片作为学习样本图片，以手动方式对学习样本图片进行标注；配置yolo，所述yolo为本领域常规
yolo。训练基于深度卷积神经网络的训练模型，根据手动标注的学习样本图片的标注结果，在darknet框架下进行训练，训练基于深度卷积神经网络的训练模型的权重系数，得到基于深度卷积神经网络的目标检测器yolo。该基于深度卷积神经网络的目标检测器yolo，可以对输入的图像识别agv车、障碍物，检测agv车、障碍物在图像中的位置信息，确定agv车与障碍物、agv车与路径段之间的相对位置关系。也可以使用其他本领域常用的训练模型对学习样本图片进行学习，以训练得到图像检测模型。
58.对获取的每一帧图像，识别agv车、障碍物，检测agv车、障碍物在图像中的位置信息，确定agv车与障碍物、agv车与路径段之间的相对位置关系；基于上述相对位置关系，通过向量法计算agv车运动方向与当前路径方向的偏角，得到运动的偏角值，对所述偏角值进行处理，从而计算出agv车应移动的姿态，即计算出agv车下一步各轮子的转向、转速变化；结合障碍物信息，若前方不存在障碍物，则将计算出的该agv车下一步各轮子的转向、转速变化通过无线或蓝牙的方式发送给agv车；若前方存在障碍物，则进一步判断障碍物类型，若为静止障碍物，则结合避障算法，计算agv车的运动方向及速度；若为动态障碍物，则设置避障策略，例如在一时间阈值内等待该动态障碍物离开，该agv车暂停；在超过时间阈值时，结合避障算法，计算agv车的运动方向及速度。将计算出的agv车的运行方式通过无线或蓝牙的方式发送给agv车。
59.所述若干agv车，用于搬运货物，每个agv车具有唯一编号id；接收由所述中央控制系统下发的运动指令，解析并执行所述运动指令。
60.进一步地，所述agv车可以通过预设的避障算法来规划局部路径，待绕过障碍物后再使该agv车返回到全局路径中。
61.中央控制器通过读取图像信息，确认agv车与其对应的终点间的距离是否小于阈值，若是，该agv车已经到达终点，终止该agv车的识别与路径规划；若否，继续由无线拍摄视频，由中央控制系统对视频图像中的该agv车进行识别与检测。
62.以下说明本发明的基于机器视觉和人工智能的agv导航方法，所述方法包括：
63.步骤s601：配置若干无线摄像头，每个无线摄像头用于监控若干agv车；使用水平仪校准各无线摄像头，使其严格垂直于场地地面；设置所述无线摄像头的安装高度，使该无线摄像头的拍摄范围覆盖其监控的各agv车的运行范围；
64.步骤s602：中央控制系统获取高清广角摄像系统传回的首帧数据，在首帧数据的基础上、结合室内全景图像，采用
a*
算法规划各agv车的路径，并将该路径在实时传回的图像上显示；
65.步骤s603：将训练好的基于深度卷积神经网络的目标检测器yolo导入所述中央控制系统；
66.步骤s604：标记已到达终点的agv车；
67.步骤s605：判断是否所有监控的agv车都已经到达终点；若是，方法结束；若否，进入步骤s606；
68.步骤s606：获取帧图像并输入训练好的基于深度卷积神经网络的目标检测器yolo，检测未到达终点的agv车、障碍物在图像中的位置信息，确定所述未到达终点的agv车与障碍物、未到达终点的agv车与路径段之间的相对位置关系；通过向量法计算未到达终点的agv车运动方向与当前路径方向的偏角，得到运动的偏角值，对所述偏角值进行处理，从
而计算出未到达终点的agv车下一步各轮子的转向、转速变化；结合障碍物信息及避障策略，规划未到达终点的agv车的运行策略；
69.步骤s607：将所述运行策略发送给所述未到达终点的agv车，agv车接收运行策略并行驶，进入步骤s604。
70.本发明实施例进一步给出一种机器视觉和人工智能的agv导航系统，包括：
71.处理器，用于执行多条指令；
72.存储器，用于存储多条指令；
73.其中，所述多条指令，用于由所述存储器存储，并由所述处理器加载并执行如前所述的机器视觉和人工智能的agv导航方法。
74.本发明实施例进一步给出一种计算机可读存储介质，所述存储介质中存储有多条指令；所述多条指令，用于由处理器加载并执行如前所述的机器视觉和人工智能的agv导航方法。
75.需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
76.在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
77.所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
78.另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
79.上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机装置(可以是个人计算机，实体机服务器，或者网络云服务器等，需安装windows或者windows server操作系统)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
80.以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。
技术特征：1.一种基于机器视觉和人工智能的agv导航系统，其特征在于，所述系统包括若干agv车、一个或多个无线摄像头、中央控制系统；所述无线摄像头置于室内搭建的高清广角摄像系统中，所述无线摄像头使用水平仪校准，使该无线摄像头的位置高于地面，并与地面平行，设置所述无线摄像头的安装高度，使该无线摄像头的拍摄范围覆盖其监控的各agv车的运行范围；基于无线摄像头监控的各agv车的运行起点、终点确定各agv车的运行范围；一个无线摄像头可以监控若干个agv车；所述无线摄像头拍摄其监控的各agv车的运行视频，并将运行视频发送给中央控制系统；所述中央控制系统对由所述无线摄像头拍摄的agv车的运行视频进行解析，将运行视频分割为图像帧，对每一帧图像进行识别，检测各agv车在图像中的相对位置，识别图像中的障碍物；基于各agv车的相对位置及障碍物的情况，为各agv车进行路径规划，生成包括各agv车的运动方向、运动速度、运动策略的运动指令；所述若干agv车，用于搬运货物，每个agv车具有唯一编号id；接收由所述中央控制系统下发的运动指令，解析并执行所述运动指令。2.如权利要求1所述的基于机器视觉和人工智能的agv导航系统，其特征在于，所述高清广角摄像系统配置若干个无线摄像头，每个无线摄像头负责监控若干agv车。3.如权利要求1所述的基于机器视觉和人工智能的agv导航系统，其特征在于，所述中央控制系统获取图像后，利用图像拼接技术，将高清广角摄像系统中各个摄像头获取的图像转换成一张大的室内全景图像。4.如权利要求1所述的基于机器视觉和人工智能的agv导航系统，其特征在于，所述中央控制系统获取高清广角摄像系统传回的首帧数据，在首帧数据的基础上、结合室内全景图像，采用
a*
算法规划路径，并将该路径在实时传回的图像上显示。5.如权利要求1所述的基于机器视觉和人工智能的agv导航系统，其特征在于，对获取的每一帧图像，识别agv车和障碍物，检测agv车和障碍物在图像中的位置信息，确定agv车与障碍物、agv车与路径段之间的相对位置关系；基于上述相对位置关系，计算agv车运动方向与当前路径方向的偏角，得到运动的偏角值，对所述偏角值进行处理，从而计算出agv车应移动的姿态，即计算出agv车下一步各轮子的转向、转速变化。6.如权利要求5所述的基于机器视觉和人工智能的agv导航系统，其特征在于，所述agv车进一步结合避障策略确定行车策略。7.如权利要求1所述的基于机器视觉和人工智能的agv导航系统，其特征在于，所述agv车通过预设的避障算法来规划局部路径，待绕过障碍物后再使该agv车返回到全局路径中。8.一种基于机器视觉和人工智能的agv导航方法，采用如权利要求1-7任一项所述的机器视觉和人工智能的agv导航系统执行，所述方法执行以下步骤：步骤s601：配置若干无线摄像头，每个无线摄像头用于监控若干agv车；使用水平仪校准各无线摄像头，使其严格垂直于场地地面；设置所述无线摄像头的安装高度，使该无线摄像头的拍摄范围覆盖其监控的各agv车的运行范围；步骤s602：中央控制系统获取高清广角摄像系统传回的首帧数据，在首帧数据的基础上、结合室内全景图像，采用
a*
算法规划各agv车的路径，并将该路径在实时传回的图像上显示；步骤s603：将训练好的基于深度卷积神经网络的目标检测器yolo导入所述中央控制系
统；步骤s604：标记已到达终点的agv车；步骤s605：判断是否所有监控的agv车都已经到达终点；若是，方法结束；若否，进入步骤s606；步骤s606：获取帧图像并输入训练好的基于深度卷积神经网络的目标检测器yolo，检测未到达终点的agv车、障碍物在图像中的位置信息，确定所述未到达终点的agv车与障碍物、未到达终点的agv车与路径段之间的相对位置关系；计算未到达终点的agv车运动方向与当前路径方向的偏角，得到运动的偏角值，对所述偏角值进行处理，从而计算出未到达终点的agv车下一步各轮子的转向、转速变化；结合障碍物信息及避障策略，规划未到达终点的agv车的运行策略；步骤s607：将所述运行策略发送给所述未到达终点的agv车，agv车接收运行策略并行驶，进入步骤s604。9.一种基于机器视觉和人工智能的agv导航系统，其特征在于，包括：处理器，用于执行多条指令；存储器，用于存储多条指令；其中，所述多条指令，用于由所述存储器存储，并由所述处理器加载并执行如权利要求8所述的基于机器视觉和人工智能的agv导航方法。10.一种计算机可读存储介质，其特征在于，所述存储介质中存储有多条指令；所述多条指令，用于由处理器加载并执行如权利要求8所述的基于机器视觉和人工智能的agv导航方法。
技术总结本发明提供一种基于机器视觉和人工智能的AGV导航系统，所述系统包括若干AGV车、无线摄像头、中央控制系统；所述无线摄像头置于室内搭建的高清广角摄像系统中，使用水平仪校准，拍摄其监控的各AGV车的运行视频，并将运行视频发送给中央控制系统；所述中央控制系统对运行视频进行解析，将运行视频分割为图像帧，对每一帧图像进行识别，检测各AGV车在图像中的相对位置，识别图像中的障碍物，形运动策略；每个AGV车具有唯一编号ID；接收由所述中央控制系统下发的运动指令，解析并执行所述运动指令。根据本发明的方案，成本低廉，维护便利，使用周期长，能够与已有的监控系统相融合，节约了成本，即使在一些复杂的电磁环境中，也能保持系统稳定。持系统稳定。持系统稳定。
技术研发人员：宗艳桃 郭威 高恒 王清 杨建昌
受保护的技术使用者：中国人民解放军陆军装甲兵学院
技术研发日：2022.06.22
技术公布日：2022/11/1
