ZeroOne AI
← 返回文章列表

AGV小车的运动是怎么控制的呢?一文讲清导航与定位原理

👁 57
分类:AGV物流

AGV 小车如何在没有驾驶员的情况下精准完成搬运任务?本文从酒店送餐机器人场景切入,系统讲解 AGV 的四大主流导航方式(激光、视觉、GPS、惯性),并深入介绍「北斗 RTK + UWB + 视觉融合」的室内外一体化定位方案与作业调度控制,帮助读者理解 AGV 运动控制的核心原理。

项目背景

随着市场竞争加剧,越来越多服务与制造场景开始引入自动化设备。比如城市酒店引入的送餐机器人:外形像一台小车、可载多个餐盘,接到订单后自动驶向客人房间,通过传感器感知环境、避障、自动停车,电量不足时还会主动寻找电源充电。

这就是我们常说的 AGV 小车。AGV(Automated Guided Vehicle,自动导引运输车)是一种能够自主行驶、无需人工干预、按预设路径和程序自动搬运物品的无轨小车,由导航系统、控制系统、电力系统、机械系统等多个部分组成。

技术方案

AGV 如何定位与导航

AGV 可通过多种定位技术确定自身位置,实现准确导航:

同时,AGV 通过无线通信与中央控制系统进行数据交换和指令下发,在工厂、仓库和物流场所内完成自动化运输与搬运任务。

AGV 通常采用电池供电,可按需调整速度和方向,承载不同重量与尺寸的物品,并具备避障和安全保护功能,广泛应用于制造业、物流业、医药行业、食品加工等行业。

四大主流导航方式

1. 激光导航

在 AGV 行驶路径周围安装位置精确的激光反射板,AGV 通过激光扫描器发射激光束,并采集反射板反射回来的激光,从而确定自身位置和航向,再通过连续的三角几何运算实现导引。

2. 视觉导航

AGV 在移动过程中通过摄像头拍摄地面纹理自动建图,再将运行中获取的地面纹理信息与自建地图进行配准对比,估算当前位姿实现定位。硬件上需要下视摄像头、补光灯和遮光罩支持,可利用丰富的地面纹理信息,基于相位相关法计算两图间的位移与旋转,再通过积分获取当前位置。

3. GPS 导航

通过卫星对非固定路面系统中的控制对象进行跟踪和制导,通常用于室外远距离场景,精度取决于卫星固定精度、数量以及控制对象周围环境等因素。

4. 惯性导航

在 AGV 上安装陀螺仪,获取移动机器人的三轴角速度和加速度,通过积分运算获取位姿信息,两种航位推算可以融合。行驶区域地面安装定位块,AGV 通过对陀螺仪偏差信号(角速率)的计算及地面定位块信号的采集,确定自身位置和航向,从而实现导引。

系统架构

单一导航方式的局限

每种定位导航技术都有自己的缺陷,实际场景中单一导航技术难以满足需求:

因此,业界推荐 「北斗 RTK + UWB + 视觉」融合导航方案。

室外部分:北斗 + RTK

  1. 北斗卫星系统:AGV 通过接收北斗卫星信号获取位置信息;
  2. RTK 技术:对北斗信号进行实时差分处理,将定位精度提升至厘米级——通过在基准站和移动设备上同时采集卫星信号、计算两者误差,消除信号中的噪声和干扰;
  3. 控制系统:收集并处理卫星数据,利用 RTK 进行精确位置计算,确定小车当前的位置和方向;
  4. 激光 + 视觉融合导航:AGV 通过激光和摄像扫描周围障碍物,在完成既定线路的同时灵活走位。

室内部分:UWB 基站

在需要定位的室内场所,按 200 米间隔呈矩阵部署 UWB 基站,可为 AGV 提供 30–50cm 精度的位置信息,从而精准完成搬运任务。

作业控制与调度

解决位置问题后,就进入 AGV 的作业控制环节:

实施过程

部署要点

室外场景:

室内场景:

调度层:

应用价值

北斗 RTK 融合定位让 AGV 在室外达到厘米级、室内达到亚米级的精准导航,能够高效、准确、灵活地应用于不同环境。

随着定位技术的成熟,AGV 将在不久的将来逐步代替人工作业,帮助企业提高生产效率、降低运营成本,是智能物流与智能制造的重要基础设施。

SEO关键词

AGV小车, AGV运动控制, 激光导航, 视觉导航, 惯性导航, 北斗RTK, UWB定位, AGV调度

推荐阅读

更多工业 AI、智能制造与技术实践文章

工业互联网

MY-BASIC 应用(一):轻量级嵌入式 BASIC 解析器介绍

MY-BASIC 是一个用标准 C 语言编写的轻量级 BASIC 解释器:不足 128KB 内存占用、可嵌入可扩展、支持原型编程与 Lambda 函数式编程、Unicode、列表/字典集合,适合嵌入式设备脚本化控制。

工业互联网

Linux系统篇(七)——工具篇(二):一篇搞懂 C 语言程序从代码到可执行文件的完整旅程

拆解 C 程序预处理、编译、汇编、链接四步变身流程,讲透条件编译与静态、动态链接差异,附分步实操与报错排查。

AI视觉

树莓派推送RTSP视频流实战:FFmpeg + rtsp-simple-server(MediaMTX)搭建局域网视频直播服务

本文面向树莓派视频流、Python视觉开发、RTSP视频监控和边缘AI视觉初学者,介绍如何在Raspberry Pi上搭建简单、稳定的RTSP视频流服务。项目采用FFmpeg + rtsp-simple-server(MediaMTX)方式,将树莓派摄像头采集的视频转换并推送到RTSP服务器,再由电脑、NVR、VLC、OpenCV或AI视觉程序访问。文章从安装FFmpeg并验证版本开始,下载适用于ARM64架构的MediaMTX v1.8.1,配置Linux Systemd服务实现RTSP服务器开机自启,最后将摄像头视频推送到RTSP地址,形成树莓派摄像头 → FFmpeg → RTSP服务器 → 客户端播放/AI检测的完整视频流架构。

AI视觉

YOLO目标检测模型调参入门:从训练参数到检测效果优化

YOLO目标检测模型调参入门指南:详解 epochs、imgsz、batch、模型大小、conf、IoU 等核心参数的作用与调节方法,给出工业视觉、疲劳驾驶、缺陷检测等 AI 项目的调参顺序与实验对比思路,帮助初学者在精度、速度与显存之间找到平衡。

工业互联网

Linux系统篇(二十三)——通信(一):什么是进程间通信?一文搞懂背景与全貌

通过实验揭示进程隔离的本质,系统梳理Linux进程间通信的六种机制:管道、消息队列、共享内存、信号量、信号与Socket,并给出选型方法。

机器人自动化

SOEM-EtherCAT 源代码解析(二):已知的从站配置信息列表

解析 SOEM 主站库的从站配置信息列表:ec_configlist_t 结构体字段含义、dtype 设备类型解释、倍福 EK1100/EL 系列端子预配置表,以及未知从站如何回退到 EEPROM 读取配置。

评论(0)