基于激光雷达数据的仓储物流AGV障碍物识别方法

发布时间：2021-06-23 17:07

　　针对智能仓储中AGV避障问题,提出了一种使用激光雷达识别AGV前方障碍物类别的方法,以便结合障碍物位置信息辅助AGV做出合理的决策.首先,将激光雷达数据进行滤波、聚类,得到纯度高的聚类簇;然后,通过提出的特征提取方法提取得到特征向量;最后,使用粒子群优化算法（PSO）在训练集上寻找径向基核（RBF）支持向量机（SVM）的最优参数,并训练得到模型.该方法在智能仓储模拟环境的数据集上测试,准确度达到了94.58%,可以准确、有效地对AGV前方障碍物进行识别. 

【文章来源】：江苏大学学报(自然科学版). 2020,41(02)北大核心

【文章页数】：6 页

【部分图文】：

特征提取方法示意图

粒子群优化算法[11-12]是根据鸟类觅食行为提出的全局最优化算法,其流程如图2所示.在优化过程中,每个粒子都会根据当前适应度最高的粒子来更新自己的速度和位置.具体方程如下:

采集数据的AGV在如图3所示的智能仓储模拟环境中,采集得到800帧去除运动畸变后的障碍物试验数据,每一帧数据包含一种典型障碍物.其中人(腿)、货箱(纸箱)、货架(椅子)和AGV这4种典型障碍物的样本数量分别为200.在试验中,4种典型障碍物随机选出30%的数据,即60组, 一共240组数据作为测试样本,其余的70%,即560组数据为训练样本.图4 激光雷达采集数据图

【参考文献】：
期刊论文
[1]自适应确定DBSCAN算法参数的算法研究[J]. 李文杰,闫世强,蒋莹,张松芝,王成良.  计算机工程与应用. 2019(05)
[2]支持向量机模型与应用综述[J]. 刘方园,王水花,张煜东.  计算机系统应用. 2018(04)
[3]基于SVM的金融类钓鱼网页检测方法[J]. 张峰,胡向东,林家富,郭智慧,付俊,刘可.  重庆邮电大学学报(自然科学版). 2017(06)
[4]基于激光雷达的移动机器人避障策略研究[J]. 向亚军,严华.  四川大学学报(自然科学版). 2017(03)
[5]DAG-SVM的结构优化研究及其在故障诊断中的应用[J]. 陈思羽,宁芊,周新志,赵成萍,雷印杰.  四川大学学报(自然科学版). 2015(02)
[6]一种基于粒子群优化的虚拟资源分配方法[J]. 周相兵.  重庆邮电大学学报(自然科学版). 2014(05)

硕士论文
[1]仓储物流机器人室内定位与路径规划[D]. 张涛.西南交通大学 2018



本文编号：3245328