基于RFID的集装箱码头AGV定位误差补偿方法

王 帆，翟 琳，褚建新，魏 伟

（上海海事大学 科学研究院，上海 201306）

新一代自动化集装箱码头的岸桥与堆场轨道吊之间的集装箱运输是由自动引导载运车AGV（automation guided vehicle）完成。AGV是一种可以实现无人驾驶、自动导航的智能载运车。在AGV运载集装箱过程中，首先需对AGV进行位置检测才能完成自动运输。

在AGV定位研究中主要为惯性导航定位，通过安装在AGV上的传感器，估计AGV的位置和运动姿态信息。估计期间会出现累积误差，所以引入其他定位技术对惯性导航的估计值进行补偿。GPS定位能够为AGV提供较准确的位置信息，但是恶劣天气条件下或者在有障碍物遮挡时，GPS信号不稳定，将会影响AGV的位置检测[1]。基于视觉的码头集装箱AGV定位误差补偿需要设定参照物确定位置信息[2]，由此不能灵活地设定路径。还有利用磁阻传感器作为AGV定位误差的补偿方法，但实现较为困难[3]。

本文采用基于射频识别RFID（radio frequency identification）技术的AGV定位误差补偿方法。首先，以堆场某点建立一平面坐标系（XY），每间隔一定距离埋设一个无源RFID标签，并将位置信息存储在标签中。通过安装在AGV车身（车前及车后）下方的RFID阅读器读取堆场地埋RFID电子标签信息，获取AGV位置信息补偿定位误差，这种方法能不受恶劣的环境影响高效运行。因此，本文利用AGV上的传感器与RFID定位进行信息融合，补偿惯性定位所产生的固有误差，提高对AGV位置检测的精确度。

1 基于惯性导航的AGV定位

基于AGV的惯性导航定位主要是通过安装在AGV上的各类传感器获取AGV的实时运动方向和运动姿态信息，通过建立AGV的运动模型，由此估算出AGV下一时刻的运动方向和运动姿态信息。本文选用装载在AGV上的电子陀螺仪以及安装在AGV车轮上的光电编码器和驱动轮转向轴上的绝对位置编码器对AGV进行惯性导航定位。电子陀螺仪用来测量AGV的角速度；光电编码器用来测定驱动轮的行驶距离；转向轴上的绝对位置编码器主要测量AGV的方位角。通过以上传感器获取的信息估算AGV下一时刻的位置、方位角等运动状态。根据以上传感器获取的AGV在堆场上的运动状态，可以获得其在堆场上圆弧运动的运动关系图，如图1所示。

图1 AGV圆弧运动关系Fig.1 AGV arc motion diagram

在堆场坐标系中，为了确定AGV的位置，AGV的驱动轮为其2个前轮。设定AGV的方向角度以y轴为0°，方向旋转角度用θ表示，顺时针为正，逆时针为负。由此可知，判定AGV姿态的主要影响因素为 AGV 的坐标位置以及方向旋转角度（x，y，θ），设定为AGV当前的运动状态矩阵，如图1所示，AGV在时刻k-1时的姿态为坐标（x（k-1），y（k-1）），方位角为 θ（k-1）；而在 k 时刻的姿态为坐标（x（k），y（k）），方位角为 θ（k）。 由此，得到的 AGV运动模型方程为

式中：w（k-1）为噪声模型，且为均值为0的高斯白噪声[4]。

2 基于RFID技术的AGV位置检测方法

基于RFID技术的位置检测方法，首先，在堆场上建立RFID电子标签阵列，并将位置信息存储在电子标签中，利用安装在AGV前后两端的RFID阅读器读取地埋RFID电子标签的存储信息，通过读取标签信息对AGV进行位置检测[5]。如图2所示，以集装箱码头堆场为平面建立坐标系，在堆场内每间隔等距离（如间隔4 m或2 m）埋设一个无源RFID标签。安装在AGV前后两端的RFID阅读器读取标签信息，以此确定AGV的位置信息。由于AGV主要工作为集装箱的托运，所以安装在AGV前后2个RFID阅读器之间的距离设定为12 m。

图2 堆场坐标系示意Fig.2 Sketch map of yard coordinate system

AGV位置检测工作流程为当AGV位置检测开始后，通过电子标签获取当前位置信息，直到获取新的电子标签信息时，AGV的位置检测信息才得以更新。

在基于RFID技术的位置检测中，本文设定的RFID阅读器的检测范围模型为边长4 m的矩形模型，因为RFID阅读器的阅读范围较大，而电子标签较小，所以在一个RFID阅读器的阅读范围内检测到的电子标签所得到的位置信息与实际位置信息有较大误差，并且此误差为固有误差[6]。具体如图3所示。

图3 RFID阅读器阅读范围内的电子标签Fig.3 RFID electronic tag reader reading range

由图3可知，RFID阅读器读取范围内的电子标签个数可以分为以下3种情况：①读取到1个电子标签；②读取到2个电子标签；③未能读取到电子标签。以上3种情况对AGV的位置检测有着不同的影响，在①中，RFID阅读器读取到的坐标信息（xb，yb）作为该阅读器的位置检测估计信息（xe，ye）。在②中，RFID阅读器读取的2个电子标签信息为（x1，y1）、（x2，y2），为了减小位置检测过程中固有误差的影响，设定该阅读器的位置检测估计信息（xe，ye）为两电子标签信息的中点，则估计信息（xe，ye）的计算方程为

在③中，因为在RFID阅读器阅读范围内未读取到任何标签。所以位置检测估计信息（xe，ye）可以由最后一次检测到的标签信息（x（n-1），y（n-1））进行估计，则该阅读器的位置估计信息 （xe，ye）为该RFID阅读器最后一次检测到的标签信息（x（n-1），y（n-1））。

根据以上3种情况下根据RFID阅读器安装在AGV前后的位置，确定AGV的行驶位置，进一步处理可以得到AGV当前的速度、方位角相关信息，具体计算方法如下：

1）AGV的位置信息估计

首先，根据安装在AGV前后两端的RFID阅读器读取的电子标签信息分别得到2个阅读器的位置估计信息为前端阅读器位置估计信息（xfe，yfe）和后端阅读器位置估计信息（xbe，ybe），则AGV的位置估计信息（x，y）方程为

2）AGV的速度信息估计

AGV当前的行驶速度v是由AGV上一时刻位置估计信息（x（k-1），y（k-1））和当前时刻位置估计信息（x（k），y（k））获得，速度信息估计方程为

式中，T为2次位置检测的循环周期。

3）AGV的方位角信息

AGV当前的方位角，以堆场坐标系的y轴为基准方向。由AGV前后2个RFID阅读器的位置估计信息获得方位角信息估计方程为

综上所述，可以确定在堆场中AGV的运动状态，运动状态主要为（x，y，v，θ）。 （x，y，v，θ）分别为AGV当前的位置信息、速度信息以及方位角信息。

3 AGV在堆场中的路径设定

AGV在堆场坐标系中的运动路径由AGV的起始位置与目标位置确定，并且需要合理设定控制点与加速点，控制点是AGV的转向点，减速点则是到达目标位置的减速控制点。

本文对AGV路径的设定如图4所示，起始位置设定在坐标（0，0）上，以 90°方位角行驶至控制点1，经过2次转向行驶至控制点2，再次以90°的方位角行驶至控制点3，再经过2次转向行驶至控制点4，然后通过减速点到达目标位置。

图4 AGV在堆场坐标系中的运动路径Fig.4 Motion path of AGV in the yard coordinate system

根据以上设定的路径，由式（1）和式（2）可知，当AGV按照图4路径行驶时，AGV的位置检测估计信息与路径规定的实际位置信息存在固有差值，其计算方程为

式中：（xr，yr）为路径上的真实位置坐标信息；（x，y）为位置检测估计信息坐标点；d为偏差距离。本文利用Matlab仿真可以得出设定路径的误差关系图，如图5所示。

图5 误差关系Fig.5 Error relation diagram

4 多传感器的信息融合与仿真

根据建立的运动模型以及惯性导航位置估计公式估计AGV的位置，本文选用卡尔曼滤波算法对RFID技术以及AGV上的电子陀螺仪和安装在AGV车轮上的光电编码器和驱动轮转向轴上的绝对位置编码器的信息进行信息融合，从而补偿多传感器惯性导航的定位误差。通过以上传感器获取的信息估算AGV下一时刻的位置、方位角等运动状态。运动状态估计期间出现的累积误差通过RFID技术反馈AGV运动状态，从而对以上传感器估算的运动状态值进行校正。位置状态估计如图6所示。

图6 位置状态估计Fig.6 Position state estimation

综上所述，AGV的位置校正状态量是由RFID技术所得到的AGV运动方向和运动姿态信息，得到［x，y，θ］的状态校正方程，且各个状态量的误差等效为高斯白噪声。

卡尔曼滤波算法是一种最优化自回归数据处理算法。首先引入一个离散运动估计过程的系统。表达式为

得出上一状态对现一状态的的预测，表达式为

而现状态的预测值对应的协方差则会更新为

式中：P（k∣k-1）为预测值对应的协方差；Q为系统过程的方差[7]。式（1）的运动模型作为预测模型，测量值为RFID的位置估算值，和每次的AGV实际位置一一对应。所以，当前状态的最优化估算值X（k∣k）的表达式为

式中，Kg（k）为卡尔曼滤波增益：

同时，为了使卡尔曼滤波不断循环，所以现状态下的 X（k∣k）的协方差 P（k∣k）为

由此可以得出AGV的位置状态估计方程为

利用Matlab进行仿真实验，可以得到单独使用AGV上的电子陀螺仪以及安装在AGV车轮上的光电编码器和驱动轮转向轴上的绝对位置编码器进行定位的距离误差曲线，如图7所示。

图7 单独使用车载传感器的定位误差曲线Fig.7 Positioning error curve of the vehicle sensor

同时，也可以得到经过对RFID位置估计、AGV上的电子陀螺仪以及安装在AGV车轮上的光电编码器和驱动轮转向轴上的绝对位置编码器的信息融合得到的定位距离误差曲线，如图8所示。

图8 多传感器信息融合后误差分布Fig.8 Error distribution of multi sensor information fusion

综上所述，由以上仿真结果可知，单独使用RFID技术定位时，其误差只能维持在2.1 m以内，平均误差在1 m左右。单独使用AGV上的车载传感器进行定位时，误差仅维持在0.6 m以内，平均误差在0.3 m左右。对RFID技术、AGV上的电子陀螺仪和安装在AGV车轮上的光电编码器和驱动轮转向轴上的绝对位置编码器进行信息融合的定位结果的定位误差值缩小至0.15 m以内，平均误差值也维持在0.13 m左右。结果表明，车载传感器与RFID技术利用卡尔曼滤波进行信息融合后达到了对固有误差的补偿，提高了定位精度。

5 结语

本文采用了多传感器融和算法将RFID定位技术以及AGV上的电子陀螺仪以及安装在AGV车轮上的光电编码器和驱动轮转向轴上的绝对位置编码器所采集的信息进行信息融合后对AGV进行了定位，与传统的RFID技术定位和单独使用车载传感器定位相比，采用信息融合后的定位精度大大提高。

由于实验条件限制，只是利用仿真效果进行论证。并且在RFID阅读器的阅读范围上采用的矩形模型过于简单。在下一阶段的研究中应该利用具体实验来验证方法的可行性。

[1]张晓霞，韩刘柱，李晓琳，等.AGV用GPS/DR组合导航动融滤波技术[J].沈阳建筑大学学报：自然科学版，2012，28（3）：543-548.

[2]姜涌，曹杰，杜亚玲.基于视觉的码头集装箱AGV导引系统[J].南京航空航天大学学报，2006，38（5）：628-633.

[3]朱政，张世平，孙金玮.基于磁检测的AGV导引新方法[J].宇航计测技术，2008，28（4）：12-15.

[4]郭建明，周华，刘清.基于EKF的移动机器人RFID定位系统研究[J].武汉理工大学学报：信息与管理工程版，2006，31（6）：908-921.

[5]孙瑜，范平志.射频识别技术及其在室内定位中的应用[J].计算机应用，2005，25（5）：1205-1208.

[6]T Wada，N Uchitomi，Y Ota，et al.A novel scheme for spatial localization of passive RFID tags：communication range recognition（CRR）scheme[C]//IEEE International Conference on Communications，2009.

[7]CH Huang，LH Lee，CC Ho，et al.Real-time RFID indoor positioning system based on kalman-filter drift removal and heronbilateration location estimation[J].IEEE Transactions on Instrumentation&Measurement，2015，64（3）：728-739.