AGV:n navigointi ja ohjaus viittaa prosessiin, jossa AGV ohjaa nopeutta ja ohjauskulmaa polun poikkeaman perusteella ja varmistaa siten, että AGV kulkee tarkasti kohdepisteen sijaintiin ja suuntaan. Se sisältää pääasiassa kolme suurta teknistä seikkaa:
1. Paikannus
Paikannus on AGV-navigoinnin ja -opastuksen perusvaihe, joka määrittää automaattitrukin sijainnin ja suunnan suhteessa työympäristön globaaleihin koordinaatteihin.
2. Ympäristön havainnointi ja mallinnus
AGV:n autonomisen liikkeen saavuttamiseksi on tarpeen tunnistaa erilaisia ympäristötietoja useiden antureiden perusteella, kuten tien rajat, maaolosuhteet, esteet jne. AGV määrittää ympäristöhavainnon avulla saavutettavat ja tavoittamattomat alueet eteenpäin suunnassa, määrittää suhteellista sijaintia ympäristössä ja ennustaa dynaamisten esteiden liikettä, mikä tarjoaa perustan paikalliselle polun suunnittelulle.
3. Reitin suunnittelu
Sen mukaan, missä määrin automaattitrukit hallitsevat ympäristötietoa, ne voidaan jakaa kahteen tyyppiin: toinen on tunnettuun ympäristötietoon perustuva globaali polun suunnittelu ja toinen anturitietoihin perustuva paikallinen polkusuunnittelu. Jälkimmäinen ympäristö on tuntematon tai osittain tuntematon, eli esteiden koko, muoto ja sijainti on saatava antureiden kautta.
AGV-navigointimenetelmien vertailu
Varhaiset automaattitrukit käyttivät enimmäkseen magneettinauhaa tai sähkömagneettista navigointia, jolla oli yksinkertaiset periaatteet, kypsä tekniikka ja alhaiset kustannukset. Reitin muuttaminen tai laajentaminen ja myöhempi huolto olivat kuitenkin hankalampia, ja automaattitrukit pystyivät kulkemaan vain kiinteitä reittejä eivätkä kyenneet saavuttamaan älykästä välttämistä tai reaaliaikaisia tehtävien muutoksia ohjausjärjestelmien avulla.
Tällä hetkellä AGV:n yleisin navigointimenetelmä on QR-koodi plus inertianavigointi, joka on suhteellisen joustava käyttää ja helppo asettaa tai muuttaa polkua. Polku vaatii kuitenkin säännöllistä huoltoa. Jos sivusto on monimutkainen, QR-koodi on vaihdettava usein. Lisäksi gyroskoopin tarkkuudelle ja käyttöikään asetetaan tiukat vaatimukset.
SLAM-algoritmin kehityksen myötä SLAMista on tullut suosituin edistynyt navigointimenetelmä monille AGV-valmistajille. SLAM ei vaadi muita paikannusmahdollisuuksia, ja sen muoto ja polku ovat joustavia ja mukautettavissa erilaisiin paikan päällä tapahtuviin ympäristöihin. Uskon, että algoritmien kypsyyden ja laitteistokustannusten pakkaamisen myötä SLAMista tulee epäilemättä tulevien automaattitrukkien yleisin navigointimenetelmä.
SLAM voidaan karkeasti jakaa kahteen luokkaan: laser SLAM (2D tai 3D) ja visuaalinen SLAM.
Visual SLAM on tällä hetkellä jatkokehitys- ja sovellusskenaarion laajennusvaiheessa. Visual SLAM on saanut laajaa huomiota sen etujen, kuten suuren tietomäärän ja laajan sovellettavuuden, ansiosta. Algoritmit vaativat kuitenkin korkeita prosessorivaatimuksia, jotka tyypillisesti vaativat työpöytätason suorittimen tai jopa GPU:n. AGV käyttää kuitenkin enimmäkseen sulautettuja prosessoreita, mikä vaikeuttaa sen soveltamista suuressa mittakaavassa pieniin AGV-laitteisiin lyhyessä ajassa.
Laser SLAM alkoi aikaisemmin kuin visuaalinen SLAM, ja sen teoria ja tekniikka ovat suhteellisen kypsiä. Sen vakaus ja luotettavuus on varmistettu, ja sen suorituskykyvaatimukset prosessoreille ovat paljon alhaisemmat kuin visuaalisen SLAM:n. Esimerkiksi valtavirran laser SLAM voi toimia reaaliajassa tavallisissa ARM-suorittimissa. Tällä hetkellä jotkut automaattitrukkien valmistajat ovat tuoneet markkinoille laser SLAM -navigointiin perustuvia tuotteita. Epäilemättä laser SLAM on edelleen valtavirran SLAM-ratkaisu jonkin aikaa.
AGV-navigointi- ja opastustekniikka on kehittynyt kohti parempaa joustavuutta, suurempaa tarkkuutta ja vahvempaa sopeutumiskykyä, ja sen riippuvuus apuohjautuvista navigointimerkeistä on yhä pienempi. Reaaliaikaisen paikantamisen ja kartan rakentamisen ilmainen polun navigointimenetelmä, kuten SLAM, on epäilemättä tulevaisuuden kehitystrendi. Uskon, että lähitulevaisuudessa teknologioiden, kuten 5G:n, tekoälyn, pilvipalveluiden, IoT:n ja älykkäiden robottien integraatio tuo maata järisyttäviä muutoksia AGV-teollisuuteen, ja SLAM-navigointimenetelmä, jolla on suurempi joustavuus, tarkkuus ja sopeutumiskyky on myös mukautuvampi monimutkaisiin ja jatkuvasti muuttuviin dynaamisiin työympäristöihin. Useiden tieteenalojen yhteisen kehittämisen jälkeen huippuluokan AGV-navigointitekniikkaa tulee varmasti lisää tulevaisuudessa.