AGV视觉巡线：基于天花板特征的运动控制实践

1. 为什么选择天花板视觉巡线？

在传统的AGV导航方案中，我们经常会遇到一些头疼的问题。比如电磁导航需要在地下埋设金属线，色带导航需要在地面贴标识带，磁条导航则要铺设磁条。这些方法刚开始用着还行，时间一长问题就暴露出来了——色带容易磨损，磁条可能会消磁，而且一旦生产线布局调整，重新布置这些导航标识简直能让人崩溃。

我之前在一个仓储项目中就遇到过这种情况，产线调整后整个地面导航系统都要重新部署，不仅耽误了三天生产时间，还额外花费了不少人力物力。正是这次经历让我开始思考：能不能不用地面标识来实现AGV导航？

天花板视觉巡线就是一个很巧妙的解决方案。大多数厂房的天花板本身就有各种结构特征，比如横梁、管道、灯带等形成的线条。这些自然特征不需要额外改造环境，而且从上方视角来看，视野更加干净，干扰因素更少。特别是天花板高低交界处形成的线条，简直就是天然的导航路径。

2. 硬件准备与选型建议

2.1 核心硬件配置

做这个项目时，我选用了古月居的Origincar小车套件，这套设备性价比很高，特别适合做算法验证和原型开发。主控板用的是地平线RDK X3，处理图像数据绰绰有余。运动控制板是STM32F407VET6，负责精确控制电机运动。

相机选择方面，我建议刚开始可以用普通的USB摄像头，等算法调通了再升级到鱼眼相机。鱼眼相机的视野范围更大，能看到更多的天花板区域，但相应的图像畸变也比较严重，需要做校正处理。我实测下来，罗技C920和微软LifeCam都表现不错，价格也在可接受范围内。

2.2 照明方案优化

照明是个很容易被忽视但极其重要的环节。最初我直接把补光灯垂直对着天花板打光，结果发现处理后的图像干扰很多，特征点识别不准。后来改成从侧面打光，效果立刻提升明显。

这里分享一个实用技巧：使用可调节亮度的LED灯条，通过试验找到最佳的光照角度。一般来说，光线与天花板呈45度角效果较好，能突出高低交界处的阴影特征，又不至于产生过强的反光。

3. 图像处理全流程详解

3.1 相机标定与畸变校正

鱼眼相机畸变校正这一步绝对不能跳过。我吃过亏，曾经试图直接处理原始图像，结果梯度计算完全不准。校正时需要先用棋盘格标定板获取相机的内参和畸变系数。

import cv2
import numpy as np

# 相机内参和畸变参数（需要根据实际标定结果调整）
K = np.array([[585.606, 0.0, 583.299],
              [0.0, 583.793, 336.531],
              [0.0, 0.0, 1.0]])
D = np.array([-0.1786, 0.00438, 0.02345, -0.01191])

# 校正图像
def undistort_image(image, K, D):
    dim = image.shape[:2][::-1]
    map1, map2 = cv2.fisheye.initUndistortRectifyMap(K, D, np.eye(3), K, dim, cv2.CV_16SC2)
    return cv2.remap(image, map1, map2, interpolation=cv2.INTER_LINEAR)

标定时建议采集20-30张不同角度的棋盘格图像，这样得到的参数会更准确。在实际应用中，这些参数可以保存为配置文件，不需要每次运行都重新标定。

3.2 梯度特征提取技巧

提取梯度特征是整个流程的核心。我试过多种边缘检测算法，最后还是觉得Sobel算子最适合这个场景。关键是调整好ksize参数和梯度阈值。

def extract_gradient_features(image):
    # 转换为灰度图
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    
    # 计算x和y方向的梯度
    grad_x = cv2.Sobel(gray, cv2.CV_64F, 1, 0, ksize=3)
    grad_y = cv2.Sobel(gray, cv2.CV_64F, 0, 1, ksize=3)
    
    # 计算梯度幅值
    magnitude = np.sqrt(grad_x**2 + grad_y**2)
    return (magnitude / magnitude.max() * 255).astype(np.uint8)

在实际应用中，我发现对梯度图像进行高斯模糊处理能减少噪声干扰，但模糊核不能太大，否则会丢失细节。通常3x3或5x5的核效果比较好。

3.3 特征点筛选与路径生成

找到梯度最大的点只是第一步，如何筛选出真正代表路径的特征点才是关键。我的经验是采用空间一致性检查，只保留与初始点水平偏移在一定范围内的点。

def generate_path_points(grad_image, initial_point, max_offset=10):
    points = [initial_point]
    height, width = grad_image.shape
    
    # 向上每隔5行搜索特征点
    for y in range(initial_point[1]-5, 0, -5):
        line = grad_image[y, :]
        max_index = np.argmax(line)
        
        # 只保留偏移不大的点
        if abs(max_index - initial_point[0]) <= max_offset:
            points.append((max_index, y))
    
    return points

这样得到的特征点序列就能形成一条平滑的路径。为了增加鲁棒性，我还加入了异常点过滤机制，如果某点的梯度值明显低于平均水平，就将其剔除。

4. ROS运动控制实现

4.1 图像处理节点设计

在ROS中，我将图像处理封装成一个独立的节点。这个节点负责采集图像、处理图像，并发布处理结果。采用压缩图像消息可以大大减少带宽占用。

import rclpy
from rclpy.node import Node
from sensor_msgs.msg import CompressedImage

class CameraProcessor(Node):
    def __init__(self):
        super().__init__('camera_processor')
        self.publisher = self.create_publisher(CompressedImage, 'processed_image', 10)
        self.timer = self.create_timer(0.1, self.process_callback)  # 10Hz
        
    def process_callback(self):
        # 图像采集和处理代码
        processed_image = self.process_image()
        
        # 发布处理结果
        msg = self.bridge.cv2_to_compressed_imgmsg(processed_image)
        self.publisher.publish(msg)

这个节点的发布频率设置在10Hz，既能保证实时性，又不会给系统带来太大负担。在实际测试中，这个频率对于AGV巡线来说已经完全足够。

4.2 运动控制算法

运动控制节点订阅处理后的图像消息，通过计算红色路径重心与图像中心的偏移量来控制AGV的运动方向和速度。

class AGVController(Node):
    def __init__(self):
        super().__init__('agv_controller')
        self.subscription = self.create_subscription(
            CompressedImage,
            'processed_image',
            self.image_callback,
            10)
        self.cmd_pub = self.create_publisher(Twist, 'cmd_vel', 10)
        
    def image_callback(self, msg):
        image = self.bridge.compressed_imgmsg_to_cv2(msg)
        
        # 识别红色路径并计算重心
        center = self.find_red_path_center(image)
        
        if center is not None:
            # 计算偏移量并生成控制指令
            error = center[0] - image.shape[1] // 2
            self.control_agv(error)
            
    def control_agv(self, error):
        twist = Twist()
        twist.linear.x = 0.2  # 固定线速度
        
        # PD控制器计算角速度
        twist.angular.z = -error * 0.002 - (error - self.last_error) * 0.0005
        self.last_error = error
        
        self.cmd_pub.publish(twist)

这里采用了一个简单的PD控制器，比例项处理当前误差，微分项抑制超调。参数需要根据实际AGV的特性进行调整，比如重量、电机响应速度等。

4.3 一键启动配置

为了提高易用性，我建议使用launch文件来一键启动所有节点。这样无论是调试还是部署都很方便。

from launch import LaunchDescription
from launch_ros.actions import Node

def generate_launch_description():
    return LaunchDescription([
        Node(
            package='agv_vision',
            executable='camera_processor',
            name='camera_processor'
        ),
        Node(
            package='agv_control',
            executable='agv_controller',
            name='agv_controller'
        )
    ])

使用launch文件还可以方便地设置参数，比如调整控制器的增益系数，而不需要重新编译代码。

5. 实战技巧与避坑指南

5.1 环境适配建议

不同的环境光照条件会对视觉系统产生很大影响。我建议在部署前，在不同时间段测试系统性能，包括早晨、中午、傍晚以及开灯和关灯情况。

如果环境光线变化较大，可以考虑加入自动曝光控制或者使用自适应阈值算法。我在一个实际项目中就遇到过这个问题，下午西晒时阳光直射，系统完全失效。后来加了遮光罩和自动曝光算法才解决。

5.2 性能优化技巧

图像处理是比较耗时的操作，可以通过以下方式优化性能：

1. 降低图像分辨率：640x480的分辨率对巡线来说已经足够
2. 设置ROI区域：只处理图像中感兴趣的区域
3. 使用优化过的OpenCV函数：比如使用UMat或者开启IPP优化

# 设置ROI示例
roi = image[200:400, 100:500]  # 只处理这个区域的图像

在实际应用中，这些优化能让处理速度提升2-3倍，对系统实时性改善很明显。

5.3 常见问题排查

摄像头无法识别：这是最常见的问题。首先检查USB连接，然后在终端输入ls /dev/video*查看设备列表。如果摄像头没有被识别，尝试重新插拔或者更换USB口。

图像处理延迟大：使用rqt_graph查看节点间通信是否正常，检查图像消息的传输频率。如果延迟仍然很大，可以考虑使用硬件加速或者降低处理频率。

巡线抖动：这通常是控制参数不合适导致的。先调小比例增益，如果还有抖动，可以适当加入微分项。我一般先用小速度测试，参数调好后再提高运行速度。

6. 扩展应用与进阶思路

这个基础方案不仅可以用于天花板巡线，稍作修改就能应用到其他场景。比如识别地面上的引导线，或者跟踪移动的物体。

如果想要进一步提升系统性能，可以考虑加入机器学习算法。用深度学习模型来识别路径特征，这样即使在光照条件变化很大的情况下也能保持稳定。

另一个改进方向是多传感器融合。加入IMU数据可以在视觉系统短暂失效时维持AGV的稳定运行，比如经过强烈反光区域时。

我还试过在这个基础上加入避障功能，使用额外的摄像头或者超声波传感器检测前方障碍物。当发现障碍物时，AGV会自动减速或者停止，大大提高了安全性。

最后要说的是，这个项目最让我满意的不是技术本身，而是它展现出的思路——用简单的方案解决复杂的问题。有时候不需要高大上的技术，用心观察环境特征，就能找到巧妙的解决方案。