發(fā)布時(shí)間：2021-06-23 17:07

　　針對(duì)智能倉(cāng)儲(chǔ)中AGV避障問(wèn)題,提出了一種使用激光雷達(dá)識(shí)別AGV前方障礙物類別的方法,以便結(jié)合障礙物位置信息輔助AGV做出合理的決策.首先,將激光雷達(dá)數(shù)據(jù)進(jìn)行濾波、聚類,得到純度高的聚類簇;然后,通過(guò)提出的特征提取方法提取得到特征向量;最后,使用粒子群優(yōu)化算法（PSO）在訓(xùn)練集上尋找徑向基核（RBF）支持向量機(jī)（SVM）的最優(yōu)參數(shù),并訓(xùn)練得到模型.該方法在智能倉(cāng)儲(chǔ)模擬環(huán)境的數(shù)據(jù)集上測(cè)試,準(zhǔn)確度達(dá)到了94.58%,可以準(zhǔn)確、有效地對(duì)AGV前方障礙物進(jìn)行識(shí)別. 

【文章來(lái)源】：江蘇大學(xué)學(xué)報(bào)(自然科學(xué)版). 2020,41(02)北大核心

【文章頁(yè)數(shù)】：6 頁(yè)

【部分圖文】：

特征提取方法示意圖

粒子群優(yōu)化算法[11-12]是根據(jù)鳥類覓食行為提出的全局最優(yōu)化算法,其流程如圖2所示.在優(yōu)化過(guò)程中,每個(gè)粒子都會(huì)根據(jù)當(dāng)前適應(yīng)度最高的粒子來(lái)更新自己的速度和位置.具體方程如下:

采集數(shù)據(jù)的AGV在如圖3所示的智能倉(cāng)儲(chǔ)模擬環(huán)境中,采集得到800幀去除運(yùn)動(dòng)畸變后的障礙物試驗(yàn)數(shù)據(jù),每一幀數(shù)據(jù)包含一種典型障礙物.其中人(腿)、貨箱(紙箱)、貨架(椅子)和AGV這4種典型障礙物的樣本數(shù)量分別為200.在試驗(yàn)中,4種典型障礙物隨機(jī)選出30%的數(shù)據(jù),即60組, 一共240組數(shù)據(jù)作為測(cè)試樣本,其余的70%,即560組數(shù)據(jù)為訓(xùn)練樣本.圖4 激光雷達(dá)采集數(shù)據(jù)圖

【參考文獻(xiàn)】：
期刊論文
[1]自適應(yīng)確定DBSCAN算法參數(shù)的算法研究[J]. 李文杰,閆世強(qiáng),蔣瑩,張松芝,王成良.  計(jì)算機(jī)工程與應(yīng)用. 2019(05)
[2]支持向量機(jī)模型與應(yīng)用綜述[J]. 劉方園,王水花,張煜東.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2018(04)
[3]基于SVM的金融類釣魚網(wǎng)頁(yè)檢測(cè)方法[J]. 張峰,胡向東,林家富,郭智慧,付俊,劉可.  重慶郵電大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(06)
[4]基于激光雷達(dá)的移動(dòng)機(jī)器人避障策略研究[J]. 向亞軍,嚴(yán)華.  四川大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(03)
[5]DAG-SVM的結(jié)構(gòu)優(yōu)化研究及其在故障診斷中的應(yīng)用[J]. 陳思羽,寧芊,周新志,趙成萍,雷印杰.  四川大學(xué)學(xué)報(bào)(自然科學(xué)版). 2015(02)
[6]一種基于粒子群優(yōu)化的虛擬資源分配方法[J]. 周相兵.  重慶郵電大學(xué)學(xué)報(bào)(自然科學(xué)版). 2014(05)

碩士論文
[1]倉(cāng)儲(chǔ)物流機(jī)器人室內(nèi)定位與路徑規(guī)劃[D]. 張濤.西南交通大學(xué) 2018



本文編號(hào)：3245328