Tạp chí Tin học và Diều khiê n học, T.26, S.3 (2010), 267 277 XÁC DỊNH VỊ TRÍ CÁC GIÁ DÕ. HÀNG SU. DỤNG CHO XE TU.. DỘNG BÔ C XÊ P TRONG KHO CA NG PHẠM DÚ. C LONG Khoa Công nghệ thông tin, Dại học Thái Nguyên Abstract. Nowadays, the research on developing visional autonomous forklifts for engagement and move pallets in the store is interested in research on the world. The speed of computing location and orientation of pallet on the serial computer is slow, because amount of work in image processing is huge. This paper addresses early results of using parallel processing cellular neural network in determining the position and orientation of pallet to improve the image processing speed. Tóm tă t. Nghiên cú. u chê tạo các xe nâng hàng tu.. dộng (autonomous forklift) quan sát bằng camera dê di chuyê n hàng hoá trong kho bãi, ca ng là một lĩnh vu.. c dang du. o.. c quan tâm trên thê gió. i. Vâ n dề xác dịnh vị trí và hu. ó. ng cu a giá dõ. hàng (pallet) còn chậm dotô c dộ cu a cácchu. o. ng trình xu. lý a nh dùng máy tính xu. lý tuần tu.. không cao. Trong bài báo này chúng tôi du. a ra một sô kê t qua nghiên cú. u ban dầu vềxác dịnh vị trí và hu. ó. ng cu a giá dõ. hàng tù. a nh theo công nghệ mạng CNN tăng tô c dộ xu. lý cu a hệthô ng. 1. DẶT VÂ N DỀ Các thùng, kiện hàng trong kho ca ng du. o.. c dặt trên các giá dõ. (pallet). Các giá dõ. này dã du. o.. ctiêu chuâ n hoá. Hiện nay có nhiều loại giá dõ. hàng cu a nhiều nu. ó. c công nghiệp trên thê gió. i. Theo tiêu chuâ n ISO 6780 có 6 loại pallet su. dụng o. Bă c Mỹ,Úc, Châu Á, Nam Mỹ, châu Âu... Hiện nay thông dụng nhâ t là loại theo tiêu chuâ n châu Âu (EU) còn gọi là CEN pallet. Hình 1. Giá dõ. hàng (pallet) và xe nâng hạ vận chuyê n hàng (forklift) Khi thu.. chiệnxê p rõ. hàng trong kho ca ng ngu. ò. i dıều khiê n xe nâng-vận chuyê n lái xe dê n no. i dặt giá dõ., dùng hai càng cu a xe móc vào giá dõ. sau dó lái xe dê n no. icần thiê t và hạ kiện hàng xuô ng. Việc tạo ra các xe tu.. dộng (thu.. cchâ t là các robot) thay thê con ngu. ò. i hoàn toàn quá trình trên là công việc tu.. dộng hóa vó. imú. c dộ cao việc xê p dõ. hàng trong các kho ca ng, làm gia m thò. i gian xê p dõ., tăng hệ sô su. dụng các kho ca ng và gia m nhân công vận hành tru.. ctiê p.
268 PHẠM DÚ. C LONG Dã có một sô nghiên cú. uvềxe nâng hàng tu.. dộng du. o.. c thu.. chiệnbo. i Nygrds [2] và Nilsson [3], J. Pages, X. Armangue, J. Salvi, J. Freixenet và J. Mart [7] tìm vị trí 3D cu a các pallet du.. a trên các dặc dıê m màu să c và hình dáng hình học cu a pallet, Giovanni Garibotto, Stefano Masciangelo, Marco Ilic, Paolo Bassino [10] Michael Seelinger, John-David Yoder [11] dã su. dụng hai camera quang học cho việc xác dịnh hu. ó. ng và vị trí cu a pallet, còn Daniel Lecking, Oliver Wulf, Bernardo Wagner [13] trong các nghiên cú. ucu a mình lại su. dụng hai laser sanner cho việc thu tín hiệu dê xu. lý. Sungmin Byun và Minhwan Kim [12] Jacob Roll [4] su. dụng một camera dùng phu. o. ng pháp back-project và mô hình pinhole [9] dê thu.. chiện hai nhiệm vụtrên. Ngoài ra còn có thê kê thêm một sô nghiên cú. u khác nhu. cu a Khadraoui, Motyl, Martinet, Gallice và Chaumette [5], cu a Corke và Good [6], nhu. ng du. o. cápdụng vó. i tay robot công nghiệp. Phu. o. ng pháp truyền thô ng dê nhận tìm các dô i tu. o.. ng di chuyê n là su. dụng bộ lọc Kalman (cho các hệ thô ng biê n dô i tuyê n tính) hoặc Kalman mo. rộng (vó. ihệbiê n dô i phi tuyê n). Tuy nhiên việc thu.. chiệnbộlọc này có khó khăn là mô hình hoá các trạng thái và việc do dê xây du.. ng phu. o. ng trình cho bộ lọc và quá trình tính toán cũng nhiều. Dê tăng tính thu.. ctê thu. ò. ng ngu. ò. i ta có xu hu. ó. ng su. dụng các phu. o. ng pháp không quá phú. ctạp. Vó. iviệc thu và xu. lý a nh mô hình camera pinhole thu. ò. ng du. o.. csu. dụng [4], [9] (hình 2). Hình 2. Mô hình camera pinhole Trong mô hình này O là dıê m cu. achă n sáng cu a ô ng kính du. o.. cchọn làm gô c toạ dộ. Trục X 3 là trục quang học (hoặc trục chính). Mặt phă ng a nh cách mặt phă ng X 1,X 2 một khoa ng f là tiêu cu...trục X 3 giao vó. imặt phă ng a nh tại R. R là gô c toạ dộ trên mặt phă ng a nh. Một dıê m P trong không gian 3D du. o.. c chiê u lên mặt phă ng a nh, că t mặt phă ng này Hình 3. So. dồ quan hệ giũ. a các kích thu. ó. c thu.. c và kích thu. ó. ctrêna nh cu a dıê m P tại Q. Nó có các toạ dộ (y 1, y 2 ) trong hệ toạ dộ mặt phă ng a nh. Nhu. vậy một dıê m trong
XÁC DỊNH VỊ TRÍ CÁC GIÁ DÕ. HÀNG 269 không gian 3D dã du. o.. c ánh xạ thành một a nh 2D. Các toạ dộ (y 1, y 2 ) phụ thuộc vào các toạ dộ (x 1,x 2,x 3 )nhu. hình 3. Theo hình vẽ xem xét quan hệ giũ. a x 1, x 3 chúng ta có y 1 f Tu. o. ng tu.. xem xét quan hệ x 1,x 2 có = x 1 x 3 y 1 = f x 1 x 3 (1) y 2 = x 2 y 2 = f x 2 (2) f x 3 x 3 Trong thu.. ctê các a nh cu a camera du. o.. c da o lại dê ngu. ò. isu. dụng thuận tiệnho. nvàdâ u trù. trong các công thú. c (1) và (2) tro. thành du. o. ng. Chúng ta có thê viê t tô ng quát thành ( ) y1 = f ( ) x1 (3) y 2 x 3 x 2 Nhu. vậy muô n tìm khoa ng cách tù. camera dê n vật thu.. c trên a nh có thê dùng công thú. c (3) khi dó biê t f và các kích thu. ó. c thu.. c x 1 hoặc x 2 cu a a nh. Tuy nhiên khi su. dụng camera trên xe tu.. dộng (hình 7) thì còn cần pha i có các phép biê n dô i hệtoạ dộ nũ. a. Các công việc cần thu.. chiện khi su. dụng xu. lý a nh trong du.. án xe tu.. dộng xê p rõ. giá dõ. * Xác dịnh mặt tru. ó. ccu a pallet: Biê n dô i Hough (Hough Transformation - HT) du. o.. c phát minh 1962 bo. i P.V.C.Hough, dã dóng một vai trò quan trọng trong xu. lý a nh bằng máy tính. Về nguyên tă c nó có thê tìm một hình dáng bâ t kỳ trong a nh, nê u nhu. dã cho thông sô dıê n ta cu a hình dạng cần tìm. Dạng do. n gia n nhâ t là tìm du. ò. ng thă ng. Kê t ho.. p các dặc dıê m dô i xú. ng o. mặt tru. ó. ccu a pallet và su. dụng biê n dô i Hough là phu. o. ng pháp mà các du.. á n nghiên cú. uvềpallet tru. ó. c dây và hiện nay thu. ò. ng su. dụng; tuy nhiên giá thành tính toán tu. o. ng dô i ló. n. * Dịnh hu. ó. ng: Xác dịnh góc lệch giũ. a càng xe (fork) vó. i giá dõ. (pallet) nhu. trong hình 7. Tù. a nh cu a giá dõ. theo toạ dộ hai chiều có thê tính ra góc lệch trên a nh. Sau dó biê n dô i các hệ toạ dộ. Xác dịnh du. o.. c góc lệch xe vói giá dõ.. Thông sô này du. o.. cdùng dê dıều chı nh xe tiê p cận giá dõ.. Mộtphu. o. ng pháp gần dây du. o.. c gió. i thiệu [12] là su. dụng phu. o. ng pháp chiê u sau (back-projection) dê dịnh hu. ó. ng xe và giá dõ..việc tính toán ra hu. ó. ng lệch thu. ò. ng pha i qua nhiều bu. ó. ctính toán, biê n dô i hệtoạ phú. ctạp. * Xác dịnh vị trí cu a giá dõ. : Su. dụng các công thú. cco. ba n (3) dê tìm ra khoa ng cách thu.. c giũ. a camera và giá dõ. ;kê t ho.. pvó. i các phép biê n dô i hệtoạ dộ tìm ra khoa ng cách giũ. a xe-giá dõ. hoặc càng xe-giá dõ.. 2. SU. DỤNG CAMERA CNN NHẬN DẠNG PALLET A. Mạng noron tê bào CNN CNN (Cellular Neural Network) [1, 8, 16] là một ma ng các bộ xu. lý song song có kích thu. ó. cma ng về mặt lý thuyê t là không gió. ihạn, xu. lý dồng thò. i các tín hiệu dầu vào cu a mô i bộ xu. lý bằng một lệnh duy nhâ t vó. i thò. i gian thu.. chiệnchı vài phần triệu giây (vài micro giây). Lệnh cu a CNN là bộ tham sô A,B,z; còn du. o.. cgọi là bộ mâ u (template). Trong dó A, B là các ma trận trọng sô liên kê t giũ. abộxu. lý (tê bào-cell) trung tâm và các bộ xu. lý láng giềng vó. inó,zlàmột dòng ngu. õ. ng. Vó. i các tác vụ xu. lý thông thu. ò. ng A và B là các ma trận 3x3. Các hệ sô cu a A, B và giá trị z là các sô thu.. c hoặc thậm chí là sô phú. c [15,
270 PHẠM DÚ. C LONG 17]. CNN có thê là loại mộtló. p do. n hoặc là CNN nhiều ló. p. Chiều cu a mô i ló. p có thê là 1D, 2D hoặc 3D. Ngu. ò. i ta có thê su. dụng một mô hình CNN vó. imộtbộmâ u hoặc phô i ho.. p nhiều bộmâ u liên tiê p dê có du. o.. ckê t qua xu. lý theo yêu cầu. Các bộ mâ u thu.. chiện các tác vụ co. ba n du. o.. c du. a vào thu. viện mâ u [14]; thu. viện này hiện dã có khoa ng 160 bộ mâ u co. ba n. Các bộ mâ u này hiện nay vâ n du. o.. c các nhà nghiên cú. utiê p tụctìm ra và bô xung vào thu. viện. Các mô hình CNN tru. ó. c dây phô biê n du. o.. c thu.. chiện trên phần cú. ng CMOS, còn ngày nay có thê thu.. chiện trên FPGA vó. i giá thành ngày càng re. B. Camera CNN Bi-I và Eye-RIS Bi-I (du. o.. c gió. i thiệu 2003) và Eye-RIS (du. o.. c gió. i thiệu 2008) là các thiê t bịtô ho.. pgồm các ma ng sensor CCD ghép tru.. ctiê p vào dầu vào cu a ma ng CNN. Trong các thiê t bịnày [14] ngoài các ma ng CNN xu. lý song song còn có các bộ DSP. Dıều này giúp cho việc thu và xu. lý tín hiệu trên các thiê t bịnày thuận tiện, mềm de o ho. n do có thê xây du.. ng các thuật toán lai phô i ho.. pxu. lý song song và nô i tiê p và vâ n dạt du. o.. chiệu qua tô c dộ xu. lý thò. i gian thu.. c. Eye-RIS có câ u tạotu. o. ng tu.. Bi-I là một máy tính vạn năng tu. o. ng tu.. logic CNN UM kê t ho.. p camera vó. ima ng 25.384 bộ xu. lý onchip có thê xu. lý a nh nhị phân, a nh mú. c xám và a nh màu vó. ikích thu. ó. c (3.5 4.5 8.0 cm), trọng lu. o.. ng (118g), công suâ t tiêu thụ cu.. c nho (2.7W)! có thê nói dây là một con mă t công nghiệp có thê ú. ng dụng cho nhiều nhiệm vụxu. lý a nh thò. i gian thu.. c. C. Phân tích tô ng thê Một chiê c xe bô c hàng dê bô c xê p các hàng hóa thông dụng thu. ò. ng có các kích thu. ó. c nhâ t dịnh dê ô n dịnh về co. học. Nó có trọng tâm không thay dô i nhiều khi có hàng cũng nhu. khi không có hàng. Các kích thu. ó. ccu a xe là: chiều dài chiều rộng chiều cao - L xe W xe H xe Hình 4. Các xe bô c hàng có các kích thu. ó. c da m ba o ô n dịnh khi bô c hàng Ta thâ y rằng việc dıều chı nh forklift tiê p cận du. o.. c các giá dê hàng (hình 5) chı còn tác dụng o. ngoài khoa ng cách k L xe (L xe là chiều dài xe, k là một sô thu.. cló. nho. n 1). Nê u xe tu.. dộng vu. o.. t quá khoa ng cách này thì không thê dıều chı nh kịp nũ. a. Nê u dang o. gần pallet quá nó pha i lùi lại mó. itiê p cận du. o.. c. Dıều này dâ n dê n khi xu. lý a nh dê nhận dạng các pallet này thì su.. cung câ p các thông tin 3D pha i tù. ngoài khoa ng cách tô i thiê u dó; nê u không pha i lùi xe lại. Các hệ tọa dộ (hình 7): XYZcamera là hệ tọa dộ camera. XYZfork là hệ tọa dộ cu a càng xe móc vào giá dõ.. XYZbody hệ tọa dộ cu a thân xe. XYZworld hệ tọa dộ không gian chung. Gia su. giá dõ. hàng nằm trên mặt dâ t. Do trụcy cu a XYZfork và XYZbody song song nên góc ϕ dê dıều chı nh xe và càng là nhu. nhau. Các trục cu a camera pentil XYZcamera có thê thay dô i so vó. i các trục XYZ tu. o. ng ú. ng cu a 3hệtọa dộ kia.
XÁC DỊNH VỊ TRÍ CÁC GIÁ DÕ. HÀNG 271 Hình 5. Quỹ dạo xetu.. dộng tiê p cận pallet Các thông sô dùng dê dıều chı nh xe tu.. dộng trong quá trình tiê p cận giá dõ. hàng là +Vịtrí cu a xe tu.. dộng dê n giá dõ. hàng (X và Y cu a forklift). + Góc lệch giũ. ahu. ó. ng chuyê n dộng hiện thò. icu a xe và trục cu a giá dõ. hàng ϕ. Ta cũng cần xác dịnh dâu là mặt tru. ó. ccu a giá dõ. hàng nũ. a dê du. a du. o.. c xe tu.. dộng tiê p cận dúng hu. ó. ng cu a nó mà không húc vào su. ò. ncu a giá dõ.. Các giá dõ. hàng pha i tìm là có hàng (hoặc không có hàng) o. trên nó; nhu. ng chu yê u là tru. ò. ng ho.. p có hàng. Khi xu. lý bằng máy tính PC ngu. ò. i ta thu. ò. ng su. dụng biê n dô i Hough cho nhiệm vụnày và việc tính toán râ t phú. ctạp. Kê t ho.. pmộtsô biện pháp hô tro.. trên mặt tru. ó. ccu a pallet (so. n tră ng hoặc dán tâ m pha n quang) và su. dụngcác camera CNN UM kiê u Bi-I hoặc Eye-RIS thì công việc sẽ tro. nên do. n gia n ho. nrâ t nhiều. Hình 6. Bềmặt tru. ó. ccu a pallet có hình dạng dô i xú. ng Hình 7. Các hệ toạ dộ và ba thông sô cần thiê t xác dịnh vị trí giũ. a xe tu.. dộng và pallet Trong thu.. ctê, mặt sàn cu a nhà kho hoặc ca ng thu. ò. ng có màu sâ m (xám hoặc nâu), các pallet thu. ò. ng không so. nphu và qua su. dụng có màu xám dê lâ n vó. i màu sàn. Chúng ta
272 PHẠM DÚ. C LONG thâ y rằng một pallet so. n màu tră ng trên nền sàn xám thì dê du. o.. c nhận ra bằng xu. lý a nh. Tuy nhiên chúng ta chı cần so. n tră ng (hoặc dán tâ m pha n quang) 3 tâ m dõ. cu a các mặt tru. ó. c, mặt sau và so. n tră ng 2 bên su. ò. ncu a pallet dê nhận ra các hình 10a, 10c dê dàng ho. n. Gia i pháp này hoàn toàn thu.. ctê do diện tích so. nnhu. vậy sẽ không làm tăng thêm nhiều giá thành chê tạo pallet. Hình 8. Một pallet mang hàng Khi pallet không mang hàng nó có hình dạng nhu. 8a. Nó tu. o. ng quan vó. i hình 10d. Trong tru. ò. ng ho.. p khô i hàng thâ p nhu. 8b thì cũng gần giô ng vó. i khi không mang hàng. Vó. i các tru. ò. ng ho.. p này ta dê dàng tìm ra hu. ó. ng (Orientation). Tuy nhiên trong thu.. ctê da sô các tru. ò. ng ho.. p sẽ có hình nhu. 8c hoặc 8d; tú. clàa nh mà camera thu du. o.. c không pha n ánh dúng hu. ó. ng cu a nónũ. a. Loại trù. tru. ò. ng ho.. p góc ϕ = 0 thì chiều cao cu a khô i hàng không a nh hu. o. ng vì a nh cu a nó trùng vào a nh cu a giá dõ. (10b). Dê thu du. o.. c các hình 10a, 10c tù. các a nh thu du. o.. cchúng ta cần xác dịnh dâu là mặt tru. ó. c (sau) cu a pallet. Dặc tru. ng cu a mặt tru. ó. clàtính dô i xú. ng cu a nó (tâ t nhiên a nh cu a nó thu du. o.. ccũng dô i xú. ng) nhu. hình 6b. Nhu. dã nói o. trên nê u chúng ta su. dụng các tâ m pha n chiê u hoặc so. n tră ng 3 tâ m dõ. bề mặt tru. ó. ccu a pallet thì tru. ó. chê t nhận ra 3 miền a nh này sau dó có thê áp dụng tìm hu. ó. ng bằng hàm CNN. Vó. ibiện pháp này khi chiều cao khô i hàng trên giá dõ. ló. n (8c hoặc 8d) vâ n có thê tách ra mặt tru. ó. c và mặt su. ò. ncu a giá dõ. (nhu. 10a khi xe tiê p cận giá dõ. tù. phía pha i - hoặc 10c nê u tiê p cậntù. phía trái). Trong các nghiên cú. ubu. ó. c dầu này chúng tôi thu.. chiệngió. ihạncông việc tìmramột giá dõ. hàng trong môi tru. ò. ng chu. a có lâ n các dồ vật hoặc các pallet khác, tiê p cận chính xác dê móc càng cu a xe vào mặt tru. ó. ccu a nó. D. Xác dịnh hu. ó. ng và vị trí cu a giá dõ. hàng trên CNN UM Nhận xét Camera (pan-til) du. o.. cgă n trên xe tu.. dộng thu a nh nhu. hình 7. Vó. imộtô ng kính xác dịnh, dộ phân gia i cu a a nh xác dịnh thì dộ ló. ncu a dô i tu. o.. ng (giá dõ. ) trong a nh (tính bằng sô pixel) phụ thuộc vịtrí tu. o. ng dô i forklift và pallet: Khi khoa ng cách còn xa thì a nh cu a giá dõ. bé, xe tu.. dộng mang camera dê n gầnthìa nh cu a giá dõ. ló. n. Do hình dạng cu a pallet là hình chũ. nhật nên khi thu a nh tù. camera trên xe tu.. dộng dặt o. một dộ cao so vó. i sàn nhà kho thì mặt tru. ó. c (sau) và su. ò. ncu a giá dõ. sẽ có hình dáng nhu. o. hình 10 a,b,c. Tù. dây sẽ dê dàng tìm ta dâu là mặt tru. ó. c (hoặc sau) cu a pallet mà không pha i là su. ò. ncu a nó. Tại một thò. i dıê m tú. c thò. idùa nh cu a dô i tu. o.. ng nho hay to (xa hay gần) thì hu. ó. ng cu a nóso vó. i xe tu.. dộng có gă n camera (tú. c là giá trị góc ϕ) vâ n không thay dô i. Thông sô này là Orientation (hình 9) du. o.. c xác dịnh râ t nhanh dùng CNN. Nê u ta có một tập các ba ng LUT chú. a các con sô thô ng kê mô ta quan hệ khoa ng cách = f(orientation, sô pixel) thì sau khi matching thông sô Orientation xong rồi bằng cách
XÁC DỊNH VỊ TRÍ CÁC GIÁ DÕ. HÀNG 273 tra ba ng chúng ta sẽ tìm ra ngay khoa ng cách (hoặc X, Y). Tuy nhiên bu. ó. c này không chính xác (tính thô); nhu. ng các kê t qua có du. o.. cmột cách nhanh chóng này du. o.. csu. dụng trong bu. ó. c 4 (thuật toán hình 14) sẽ làm gia m tô ng thò. i gian tính toán. Khi xe tu.. dộng di chuyê n so vó. i dô i tu. o.. ng (giá dõ. ) dê tiê p cậndần vào mặt tru. ó. c thông sô Orientation tâ t nhiên cũng thay dô i. So sánh diện tíchdô i tu. o.. ng thu du. o.. cvó. iba ng LUT dê suy ra khoa ng cách tù. xe dê n pallet. O. các khoa ng cách xa và góc tiê p cận không chính giũ. a thì sai sô sẽ ló. n. Tuy nhiên thuật toán thu.. chiện phu. o. ng pháp cu a chúng tôi nhằm mục dích tru. ó. chê t dıều chı nh xe di chuyê ntiê p cận chính giũ. amặttru. ó. c (sau) cu a pallet (bu. ó. ckiê m tra 8 cu a thuật toán) nên dıều này sẽ không bị a nh hu. ó. ng nhiều trong toàn bộ quá trình xe tiê p cận pallet. Hình 9. Trục elip a o cu a dô i tu. o.. ng a nh kích thu. ó. c20 20 E. Thuật toán xác dịnh vị trí vàhu. ó. ng cu a giá dõ. hàng * Xác dịnh hu. ó. ng cu a forklift vó. i pallet Nhò. thông sô Orientation chu. o. ng trình cu a chúng ta sẽ suy ra góc tiê p cậncu a forklift vó. i pallet. Hình 10. Các kha năng vị trí cu a giá dõ. so vó. i xe tu.. dộng (lệch trái so vó. i xe, dô i diệnvó. i xe, lệch pha i so vó. i xe). O. các vị trí khác nhau hình a nh cu a dô i tu. o.. ng cần nhận dạng mặc dùcókích thu. ó. c, hình dáng khác nhau nhu. ng thông sô Orientation không bị thay dô i chı phụ thuộc tru.. ctiê p vào a nh.
274 PHẠM DÚ. C LONG * Xác dịnh khoa ng cách tù. forklift dê n pallet Khi auto-forklift di chuyê n dê n gần pallet hu. ó. ng các a nh trong hình 10 cũng thay dô i. Bằng cách tra các ba ng lập să n quan hệ khoa ng cách = f(orientation, sô pixel) chúng ta sẽ suy ra du. o.. c khoa ng cách thu.. c. * Xác dịnh chiều caotù. sàn dê n các lô cu a pallet Gia dịnh pallet dặt trên sàn nên khoa ng cách này luôn bằng hằng sô xác dịnh tru. ó. c. Thuật toán thu.. chiện phu. o. ng pháp xác dịnh hu. ó. ng và vị trí giá dõ. hàng vó. ixetu. dộng du.. a trên ý tu. o. ng tính toán thô bằng tra ba ng dê nhanh chóng tiê p cậnxedúng hu. ó. ng vó. i giá dõ. sau dó giũ. vũ. ng hu. ó. ng và tiê p cậndần dê n giá dõ.. Khi còn một khoa ng cách nhâ t dịnh sẽ tính toán lại chính xác. Hình 11. Mâ u SMKILLER Hình 12. Mâ u HOLLOW Hình 13. Mâ u PATCHMAK Gia i thích các bu. ó. c thuật toán (Hình 14): Bu. ó. c1.thua nh (loại nhiê u, xoá dô i tu. o.. ng nho ) su. dụng mâ u SMKILLER (hình 11). Bu. ó. c 2. Tù. a nh pallet mang hàng tách lâ y các phần a nh mặt tru. ó. c và su. ò. ncu a pallet nhu. hình 10a,b,c. Sau dó chuyê n thành các dô i tu. o.. ng dặc (nhu. hình 10,e,f). Su. dụng mâ u HOLLOW (hình 12) hoặc PATCHMAK (hình 13). Bu. ó. c3.tính Orientation, xem xe tiê p cận pallet tù. phía nào (tù. phía trái hay phía pha i). Bu. ó. c4.tra ba ng LUT dê suy ra X, Y. Bu. ó. c này tính so. bộ khoa ng cách dê biê t xe có pha i lùi lại không hay tiê p cận luôn theo quỹ dạo nhu. hình 5. Bu. ó. c5.gu. i các thông tin ϕ, X,Ydê n hệdıều khiê n di chuyê n xe. Bu. ó. c6.tính góc lệch sau khi dã dıều chı nh hu. ó. ng. Bu. ó. c7. Nê u thâ y góc lệch không gia m dı thì có nghiã là tính sai (hoặc dıều khiê n sai). Sẽ lùi lại dê tính lại (bu. ó. c 11). Bu. ó. c8.kiê m tra xem dã dúng hu. ó. ng chính diện chu. a? Bu. ó. c9. Tru. ó. c khi cách giá dõ. 2mbă t dầu tính chính xác theo công thú. c (3) và các công thú. c chuyê n hệtoạ dộ xem dê n khoa ng cách có thê móc càng xe vào pallet chu. a?
XÁC DỊNH VỊ TRÍ CÁC GIÁ DÕ. HÀNG 275 Hình 14. Thuật toán xác dịnh hu. ó. ng và vị trí giá dõ. hàng vó. i xe tu.. dộng Nhận xét Bu. ó. c 6 (thu.. chiệnnhu. bu. ó. c 3) và bu. ó. c7(du. ò. ng dú. t nét) khi thu.. chiệntrên máy tính tuần tu.. râ t phú. ctạpvàdộchính xác không cao; nhu. ng khi chúng ta su. dụng hệ CNN UM thì việc xác dịnh thông sô Orientation râ t chính xác và do. n gia n. Do vậy trong thuật toán chúng ta có thê bo qua không su. dụng hai bu. ó. c6và7. 3. THU.. C NGHIỆM Thu.. c nghiệm nhận radộ lệch cu a pallet (góc ϕ) thu.. chiệnvó. imột mô hình pallet châu Âu thu nho có kích thu. ó. c theo ty lệ 1:2 (pallet thu.. ccókích thu. ó. c 1200 800 144, pallet mô hình có kích thu. ó. c 600 400 72). Camera Bi-I dú. ng yên và mô hình pallet dú. ng yên. Khoa ng cách giũ. a camera và mô hình ló. n nhâ t 2 m. Camera dặt o. dộ cao cô dịnh 0,5 m (do mô hình thu nho ). Diều kiện du ánh sáng. Tô c dộ bă t a nh 1000fps. Ô ng kính camera Bi-i V2 loại 1:1.4 50 mm và 1:1.4 25 mm. Thuật toán du. o.. c mã hoá trên PC bằng Code Compose 3.1 cu a hãng Texas Instrument. Chú ý: Sô liệu o. các ba ng 1 và 2 o. khoa ng cách 2 m là sô liệu thu. nghiệm dê kiê m tra kha năng phân biệt khoa ng cách và sô pixel; không liên quan gì dê n bu. ó. c 9 trong thuật toán. Kê t qua : * Nhận dạng góc lệch ϕ vó. i dộ chính xác cao (sai lệch giũ. a góc lệch thu.. c và chu. o. ng trình nho ho. n 2 o ). Kê t qua ô n dịnh. * Xác dịnh vị trí giũ. a camera và mô hình pallet: Sai sô 3cmo. các hu. ó. ng su. ò. n và chính diện. Kê t qua ô n dịnh.
276 PHẠM DÚ. C LONG Ba ng 1. Quan hệ giũ. asô pixel, diện tíchdô i tu. o.. ng và khoa ng cách vó. iô ng kính 1:1.4 50mm TT Sô pixel (X) ϕ Diện tich a nh dô i tu. o.. ng Khoa ng cách m 1. 70 0 o 2380 2.00 2. 70 0 o 2808 1.80 3. 70 0 o 3307 1.60 4. 70 0 o 4110 1.40 5. 70 0 o 5055 1.20 6. 70 0 o 6824 1.00 7. 70 45 o 2360 2.00 8. 70 45 o 2832 1.80 9. 70 45 o 3398 1.60 10. 70 45 o 4011 1.40 11. 70 45 o 5213 1.20 12. 70 45 o 6818 1.00 13............. Ba ng 2. Quan hệ giũ. asô pixel, diện tíchdô i tu. o.. ng và khoa ng cách vó. iô ng kính 1:1.4 25mm. TT Sô pixel (X) ϕ Diện tich a nh dô i tu. o.. ng Khoa ng cách m 1. 38 0 o 684 2.00 2. 38 0 o 760 1.80 3. 38 0 o 882 1.60 4. 38 0 o 1012 1.40 5. 38 0 o 1300 1.20 6. 38 0 o 1624 1.00 7. 38 45 o 660 2.00 8. 38 45 o 726 1.80 9. 38 45 o 835 1.60 10. 38 45 o 960 1.40 11. 38 45 o 1209 1.20 12. 38 45 o 1524 1.00 13............. Nhận xét Dê thu.. chiện du. o.. cphu. o. ng pháp cần có să n các ba ng sô liệu nhu. các Ba ng 1,2, có thê hạn chê sô lu. o.. ng ba ng lu. utrũ. bằng cách chı lu. utrũ. các vị trí dặc biệt: Thu.. cchâ t góc ϕ chı gồm trong khoa ng tù. 0 o dê n 90 o (các vị trí ló. nho. n 90 o, nho ho. n 0 o...) chı là cộng thêm 1 sô hằng sô. Tù. nhận xét này chúng ta sẽ chı lu. utrũ. các dũ. liệu tu. o. ng ú. ng vó. i các góc cách nhau 10 o một. Dıều này cũng là thích ho.. pvìviệc tra ba ng chı là u. ó. clu. o.. ng và tính toán thô. Khi dê n khoa ng cách gần giá dõ. vâ n cần tính toán chính xác theo các công thú. c toán học. 4. KÊ T LUẬN Việc nhận dạng, xác dịnh vị trí cu a một xe tu.. dộng vó. imột dô i tu. o.. ng mà nó cần tiê p cận có nhiều phu. o. ng pháp. Trong bài viê t này chúng tôi dã su. dụng một phu. o. ng pháp du.. a
XÁC DỊNH VỊ TRÍ CÁC GIÁ DÕ. HÀNG 277 trên các tính toán song song cu a ma ng CNN. Phu. o. ng pháp này cho phép tăng thêm tô c dộ và dộ chính xác tiê p cậncu a xe tu.. dộng và dô i tu. o.. ng. TÀI LIỆU THAM KHA O [1] Leon O. Chua and L. Yang, Cellular neural networks: Theory, IEEE Trans. Circuits Syst. 35 (10) (1988) 1257-1272. [2] Nygrds, J. On Robot Feedback from Range Sensors, Reliable Control by Active Reduction of Uncertainty and Ambiguities, Dissertation Robotics/Autonomous Mechanical Systems, Department of Mechanical Engineering, Linkping University, 1998. [3] Nilsson, B., On Robot Control using Range Sensors with Special Reference to Active Uncertainty Reduction, Dissertation, Robotics/Autonomous Mechanical Systems, Department of Mechanical Engineering, Linkping University, 1997. [4] Jacob Roll, A System for Visual-Based Automated Storage Robots, Master s Thesis, 3-1999. [5] D. Khadraoui, G. Motyl, P. Martinet, J. Gallice, F. Chaumette, Visual servoing in robotics scheme using a camera/laser-stripe sensor, IEEE Transactions on Robotics and Automation 12 (5) (Oct. 1996) 743 50. [6] P. I. Corke, M. C.Good, Controller design for high-performance visual servoing, IEEE Transactions on Robotics and Automation 12 (5) (Oct. 1996) 671 683. [7] Leon O. Chua and Tamas Roska, Cellular Neural Network and visual Computing Fundations and Applications, Cambridge University Press., 2003. [8] Richard Hartley and Andrew Zisserman, Multiple View Geometry in Computer Vision, Cambridge, 2003. [9] Giovanni Garibotto, Stefan0 Masciangelo, Marco Ilic, Paolo Bassino, ROBOLIFT: a Vision Guided Autonomous Fork-Lift for Pallet Handling, IEEE, (1996) 656 663. [10] Michael Seelinger, John-David Yoder, Automatic Pallet Engagment by a Vision Guided Forklift, Internatinal Conference on Robotics and Automation, Baccelona, Spain, April 2005 (4068 4073). [11] Sungmin Byun and Minhwan Kim, Real-Time Positioning and Orienting of Pallets Based on Monocular Vision, 2008 20 th IEEE International Conference on Tools with Artificial Intelligence, IEEE, 2008 (505 508). [12] Daniel Lecking, Oliver Wulf, Bernardo Wagner, Variable Pallet Pick-Up for Automatic Guided Vehicles in Industrial Environments, IEEE, 2006 (1169 1174). [13] AnaLogic Computers Ltd., Bi-i Programming Guide, H-1111, Budapest Hungary, 2004. [14] Pham Duc Long, Pham Thuong Cat, Image Ramp Edge Enhancing and Denoising by Complex Nonlinear Diffusion Using Cellular Neural Network, Proceeding of ASCC2009 Hong Kong, IEEE, Hong Kong, 2009 (1509 1514). [15] Phạm Dú. c Long, Phạm Thu. o.. ng Cát, Công nghệ mạng noron tê bào CNN và ú. ng dụng, Tạp chí Tin học vàdıều khiê n học 22 (1) (2006) 37 44. [16] Phạm Dú. c Long, Phạm Thu. o.. ng Cát, Cáp Thanh Tùng, Xây du.. ng mô hình mạng no. ron tê bào CNN gia i phu. o. ng trình khuê ch tán phú. c tuyê n tínhú. ng dụng trong xu. lý a nh, Tạp chí Khoa học và Công nghệ, Dại học Thái Nguyên, (49) (2009) 51 56. Nhận bài ngày 25-10 - 2010