小车在约1 s时间内，向右移动了206个像素点，向下方偏移了32个像素点。换算成距离约向前移动了34.9788 mm，偏移5.4336 mm。

  使用基恩士激光位移传感器（型号LK-G150，精度0.01 um）测量小车，将小车移动200 mm的距离，重复试验30次。CCD摄像头拍下的图像，用基于块匹配算法，实际计算结果如表1所示。

  表1 小车直线行驶200mm时算法误差

  3.3 小车转弯2帧对比结果

  以左转弯为例，图12为小车左转弯时，2帧图像基于块扫描的匹配结果。

  图12 小车左转弯2帧图像块扫描结果

  表2 小车左转弯时的转角计算误差

  使用精度为0.05°的陀螺仪芯片，使小车向左转弯30°，CCD摄像头拍下图像，用基于块匹配算法，四舍五入精度到小数点后一位。实际计算结果如表2所示。

  经计算，计算值与实际值存在一定误差，直线行驶，计算值的误差率比较低，转弯行驶误差比较高，分析其原因如下：

  1）直线行驶。

  ①实际移动不完全是像素点的整数倍，而算法中没有考虑不是完整像素的情况。

  ②实际CCD摄像头安装位置和镜头角度导致摄像头可照射范围不是整数倍，本身镜头覆盖面有一定误差。

  2）转弯行驶。

  ①由于转弯行驶是按照极坐标系来计算的，而像素点本身是直角坐标系，在相互转换计算中，会有一定误差。

  ②由于转弯时会考虑转动瞬息的移动情况，在算法消除瞬心移动时，也会造成一定误差。

  所以整体转弯行驶的算法的误差会比直线行驶误差要大。

  4 结束语

  本文介绍了使用CCD摄像头，根据地面图像，配合本文提出的算法，可以用于平整地面AGV的轨迹计算。其优点是与全局摄像头相比成本低，精度高。

  与传统方法相比，无需在地面铺设大量标志线，适用范围广，AGV行驶更加自由。但本算法在长期运行时，其误差的累积还是比较大。为此笔者将对以下几种解决方法进行研究：

  1）选取像素更低、曝光时间更短的CCD摄像头来提高精度。

  2）选择2个或者3个CCD摄像头，采用数据融合技术来降低误差。

  3）在地面铺设少许RFID标签，在导航路径规划时，行驶一定距离时，导航到RFID标签范围内，对其累积误差进行校正。