信息技术的发展带来了购物模式的深度变革,网络购物模式的快速兴起催生了物流业的井喷式爆发,大中型、超大型物流仓库日益增多。特别是随着大型仓库在数量和规模的快速扩张,如何实现大型、超大型仓库的全方位、低成本、高可靠性监管,实时把握环境态势,预先警示安全隐患,快速上报突发险情,准确定位事发现场,是一个需要认真研究的问题[1,2,3]。
本文从大型、超大型仓库安全管控的角度出发,基于嵌入式系统和WSN技术设计了一套智能仓库监控系统,并借助ZigBee和Raspberry Pi完成了演示系统的搭建和功能验证工作。首先,围绕ZigBee搭建WSN网络,实现复杂环境下仓库态势的实时、无死角监测。此外,基于Raspberry Pi设计移动监控平台,实现库区的日常自动巡检。在此基础上,借助ZigBee模块实现Raspberry Pi移动监控平台的室内定位,使移动监控平台能够自主前往报警点,实施应急处置。
基于WSN的智能仓库监控系统主要实现以下功能:基于ZigBee静态传感节点的仓库环境态势的持续无死角监测和上报;基于Raspberry Pi移动监控平台的库区例行巡检及现场视频远程回传;基于ZigBee室内定位技术的移动监控平台智能巡逻和现场应急处置。
智能仓库监控系统主要由三个分系统构成,如图1所示,分别为环境感知和室内定位系统、智能巡逻及移动监控平台、数据显示及控制决策终端。
各个传感节点和协调器无线组网,协调器通过RS232与显示控制终端通信实现库区环境参数的采集和智能巡逻及移动监控平台的定位工作。智能巡逻及移动监控平台实现库区日常巡逻和应急情况下的现场态势回传,数据显示及控制决策终端负责数据的综合处理、显示以及预警决策,同时实现对智能巡逻及移动监控平台的远程控制。
基于WSN的智能仓库监控系统主要由ZigBee锚节点环境监测和室内定位模块、协调器节点模块、数据处理及决策控制计算机、终端显示模块以及智能移动监控平台的各个模块组成。系统硬件组成如图2所示。
ZigBee锚节点实现两项功能:一是利用ZigBee网络室内定位技术[4,5]实现对搭载ZigBee盲节点的智能巡逻及移动监控平台的实时定位;二是作为仓库环境参数采集的基本单元[6],以CC2530芯片为处理中心通过搭载温湿度传感器、烟雾浓度传感器、光敏传感器、热敏传感器等,实现对库区温度、湿度、光照、烟雾、热源等信息的采集,并根据库区大小及单个ZigBee节点的检测范围配置模块的数量。
如图3所示,多个ZigBee锚节点在协调器的组织下构成ZigBee监测定位网络。锚节点采集的信息通过ZigBee网络无线传输至协调器节点,由协调器节点通过串口上传至数据显示及控制决策终端,进行数据处理、显示和决策控制。
智能巡逻及移动监控平台主要由Raspberry Pi控制模块、ZigBee盲节点模块、摄像头监控模块、循迹模块、驱动模块和运动平台硬件构成。Raspberry Pi通过搭载CSI摄像头、FC-51红外传感器、HC-SR04超声波传感器等实现对移动平台的智能化控制,ZigBee盲节点模块一方面通过RS232与Raspberry Pi模块通信,另一方面无线接入ZigBee网络,实现对移动监控平台的室内定位。
移动监控平台设计“无人值守”和“人在回路”两种工作模式,并通过Tornado框架实现与决策终端的交互,如图4所示。
日常库区管理中,移动监控平台工作在“无人值守”模式下,此时平台沿既定路线循迹运动,同时将监控视频无线上传至数据显示及控制决策终端。也可通过人工远程控制,实现对不同库区位置的态势查看。如果仓库中某处发生险情,ZigBee锚节点会及时发出警报,同时上报出险点的位置和采集的环境参数,控制中心实时转发出险点位置给移动监控平台,移动监控平台再结合自身定位信息,沿最短巡逻路线快速到达目的地,回传现场视频,帮助管理人员及时掌握库区内部情况。
数据显示及控制决策终端主要接收并处理来自协调器节点的监测信息,显示由智能巡逻及移动监控平台回传的库房视频信息,同时支持管理人员发出控制指令。为了提高系统的适用性和便携性,分别基于Windows和Android平台开发决策终端,如图5所示。
在Windows平台下,基于HTML5和CSS3开发人机界面,通过JQuery JS完成事件触发和后台交互。Android终端通过跨平台性较好的web app开发实现。
智能巡逻及移动监控平台通过建立基于RSSI的路径损耗模型实现定位。RSSI是一种通过接收到的信号强弱测定信号点与接收点之间的距离,并据此进行空间定位的技术。
遮蔽空间下基于RSSI测距的估计公式[7]为:
其中,d为待求距离,A和n为测距参数,需根据实际库房环境进行选择。
空间中三条不共面的线可定位一个点,因此理论上测得3个锚节点的信号强度就可以实现盲节点的定位,如图6 (a)所示。
图6 (a)中,A、B、C为三个ZigBee锚节点,M为智能巡逻及移动监控平台搭载的ZigBee盲节点。由于多径效应、障碍物干扰、环境噪声以及节点和硬件功耗限制等因素,必然引起定位误差,如图6 (b)所示。为了提高定位精度,以多锚节点数据融合结合最大似然估计方法[8],提升定位精度。
设锚节点i (i=1, 2,…,n)的空间坐标为(xi, yi, zi),盲节点的空间坐标为(x0, y0, z0),锚节点和盲节点之间的距离为di,根据空间定位原理,得到定位方程:
式中,前(n-1)个等式依次与第n个等式相减,结果可以写成矩阵的形式。同时,考虑测距误差N,最终的矩阵表达式为:
式中,A=A1[A2…A]n-1T, B=B[1 B2…B]n-1T, X=x0[y0 z]0T, Ak=2 (xk-xn) (yk-yn) (zk-zn[) ]T, Bk= (x2k+y2k+z2k) - (x2n+y2n+z2n) - (d22-d2n) , k=1, 2,…,n-1, N是一个含有(n-1)个参数的随机误差矩阵。借助最小均方差估计理论得到X的估计值:
视频采集和远程回传系统设计过程中探讨了多种方案,包括: (1) 基于mjpg-streamer的多线程解决方案[9,10]; (2) 基于vlc流媒体服务器的解决方案[11,12]; (3) 基于OpenCV和Tornado的网络视频传输方案[13]。在2代Raspberry Pi上分别对三种方案的性能进行实验统计分析,相同实验条件下,使系统持续运行5分钟,统计得到的实验数据如表1所列。
表1 不同方案实验结果 下载原表
从实验数据看,三种方案各有优缺点,考虑到方案 (3) 没有特别明显的短板,能够满足系统需求,最终选择该方案进行视频采集和远程回传。具体实现过程如图7所示。
“无人值守”模式下,遇到突发情况时,监控平台必须沿最短路径快速到达现场。如图8所示,M为监控平台待机点,如果A点出现突发情况,监控平台应该在巡逻路线上沿顺时针运动以确保最快到达现场;如果B点出现突发情况,监控平台应该沿逆时针运动。正确选择路径,需要监控平台准确感知自身的运动方向。为了实现这项功能,分别在待机点M前后的巡视路线上设置半圆形方向判读标志。监控平台循迹运动过程中,通过判断沿圆弧的转弯方向实现自身运动方向的辨别。如果A点发出报警信号,平台转弯运动过程中判断出方向向右,则会调转运动方向,沿C2C3重新切入规划路径,快速到达报警点。
移动监控平台需要在采集回传现场视频信息的同时完成智能运动,同时响应决策终端的指令控制,软件实现上采用多线程并发设计实现该功能。系统主要线程包括:视频采集和远程传输线程、移动监控平台主控制线程、避障和循迹线程,如图9所示。
为了验证系统可行性,设计了拥有3个监测(锚)节点的演示验证系统,决策终端人机界面实现效果如图10所示。移动监控平台的巡航路径设计及现场试验效果如图11所示。
试验结果表明,对于突发险情,决策终端能够及时发出预警信号,同时指示移动监控平台进行应急处置。移动监控平台能够正确辨别运动方向,迅速判断出最短路径,及时抵达现场。实际测量结果显示,无遮挡情况下,ZigBee网络对移动监控平台的定位误差在2m左右,由于事先进行了路径规划,因此基本能够满足系统需求。
本文针对大型、超大型物流仓库的无人化监管问题,开展了系统分析和方案设计,并进行了可行性验证。对于移动监控平台的“无人值守”监控模式,由于需要提前在库区铺设路线,一定程度上限制了库区的使用,随着技术的进步,后续研究中可进一步实现移动监控平台的自主路径规划[14],提升移动监控平台的智能化、自主化水平。另外,对于室内定位网络,在成本允许的情况下,可考虑采用诸如UWB等技术[15,16,17]实现亚米级甚至厘米级的定位,构建更加健壮的监控系统。
标签:
上一篇: 基于群智能算法的仓库拣选路径优化