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

👁 51
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

C#工业视觉平台结合YOLOv26与OpenVINO

从数据标注、自动训练到Intel NPU边缘推理的完整工业AI方案:C#工业软件平台 + YOLOv26训练框架 + OpenVINO模型转换 + Intel NPU边缘推理,实现图像采集、自动标注、模型训练到现场推理的完整AI视觉闭环。

机器人自动化

TRIO-Basic 从入门到精通(十四):Trio 实现单位置轴多色标捕捉

本教程介绍Trio控制器多色标捕捉方案:通过ADDAX将实体轴位置叠加到虚拟轴,对虚拟轴执行REGIST色标捕捉,突破物理通道数量限制,实现单位置轴多路色标同时捕捉,满足印刷包装行业套准控制需求。

AI视觉

Python + YOLOv8 疲劳驾驶 AI 视觉检测入门:从模型训练到 ONNX 实时摄像头检测完整实战

零基础入门 Python + YOLOv8 疲劳驾驶 AI 视觉检测:通过 fatigueTrain.py 训练 YOLOv8n 模型、exportonnx.py 导出并校验 ONNX、fatigueRun.py 结合 ONNX Runtime 与 OpenCV 调用电脑摄像头实时检测三个程序,讲透数据集、YOLO 标签、训练参数、ONNX 导出、图像预处理、置信度、NMS、IoU 与坐标还原的完整实战流程。

通讯协议

深入理解TCP协议(二):TCP可靠传输与高效通信机制详解

本文深入TCP的七大核心工作机制:确认应答、超时重传、滑动窗口、流量控制、拥塞控制、延迟应答与捎带应答。详解丢包的本质与去重、超时时间如何确定、滑动窗口的发送流程与空间复用、快速重传、零窗口探测、窗口扩大因子、慢启动与拥塞避免,以及各机制如何协同实现TCP既可靠又高效的传输,为理解三次握手与四次挥手打下基础。

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。

工业互联网

PLCOpen 运行环境测试与搭建(Beremiz 开源软 PLC)

在 Ubuntu 18.04 实时内核上搭建 PLCOpen(Beremiz)开源软 PLC 运行环境:依赖安装、MatIEC/CanFestival/modbus/BACnet/EtherCAT 源码编译,以及 IDE 与 Runtime 的启动调试全流程。

评论(0)