CN120003589B - 电动搬运车的车轮归正控制系统和方法 - Google Patents

Abstract

本申请公开了一种电动搬运车的车轮归正控制系统和方法，该系统包括：集成于电动搬运车的车轮、多线激光轮廓仪、高精度相机、驱动器以及控制单元；控制单元用于在电动搬运车的车辆状态为停车状态时，启动多线激光轮廓仪，以发射多条激光线至移动车轮表面；接收多线激光轮廓仪反馈的车轮三维点云数据；接收高精度相机反馈的关于移动车轮的车轮二维图像；根据车轮三维点云数据和车轮二维图像进行多模态数据融合分析，得到移动车轮的当前实际角度；根据当前实际角度，控制驱动器转动，以将移动车轮转动至预设归正位置点。采用本申请实施例，能实现高精度的车轮归正，从而提升了车轮归正的精确度。

Description

电动搬运车的车轮归正控制系统和方法

技术领域

本申请涉及车轮控制技术领域，特别涉及一种电动搬运车的车轮归正控制系统和方法。

背景技术

在现代物流仓储、工厂物料搬运以及港口装卸等领域，电动搬运车被广泛应用于货物的运输和搬运工作。在电动搬运车停止运行并关机后，如果前一个使用者未对车轮进行归正，下一个使用者在开始使用时将难以准确判断车轮的转向方向，这不仅增加了操作难度，还可能导致安全隐患。因此，如何精准实现停车后的车轮归正是十分重要的一件事。

目前，主要集中在简单的自动归正功能。例如，部分电动搬运车配备了基于角度传感器的车轮自动归正系统，在停车后可自动调整车轮至中心位置。然而，由于角度传感器随着使用时间的增加会降低灵敏度，导致无法实现高精度的车轮归正，从而降低了车轮归正的精确度。

发明内容

本申请实施例提供了一种电动搬运车的车轮归正控制系统。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键／重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。

第一方面，本申请实施例提供了一种电动搬运车的车轮归正控制系统，系统包括：

集成于电动搬运车的车轮、多线激光轮廓仪、高精度相机、驱动器以及控制单元；其中，

车轮包括轮盘、移动车轮，轮盘顶部固定在电动搬运车的底盘上；轮盘与移动车轮的连接件上设置有固定杆；

多线激光轮廓仪、高精度相机安装在固定杆上且距离车轮表面预设距离，轮盘内部设有连接转轴，连接转轴的一端连接至移动车轮，另一端连接至驱动器；其中，

控制单元分别与驱动器、多线激光轮廓仪、高精度相机通信连接；其中，

控制单元，用于在电动搬运车的车辆状态为停车状态时，启动多线激光轮廓仪，以发射多条激光线至移动车轮的表面；接收多线激光轮廓仪反馈的关于移动车轮的车轮三维点云数据；接收高精度相机反馈的关于移动车轮的车轮二维图像；根据车轮三维点云数据和车轮二维图像进行多模态数据融合分析，得到移动车轮的当前实际角度；根据当前实际角度，控制驱动器转动，以将移动车轮转动至预设归正位置点。

第二方面，一种电动搬运车的车轮归正控制方法，应用于电动搬运车的控制单元，方法包括：

在电动搬运车的车辆状态为停车状态时，启动多线激光轮廓仪，以发射多条激光线至移动车轮的表面；

接收多线激光轮廓仪反馈的关于移动车轮的车轮三维点云数据；

接收高精度相机反馈的关于移动车轮的车轮二维图像；

根据车轮三维点云数据和车轮二维图像进行多模态数据融合分析，得到移动车轮的当前实际角度；

根据当前实际角度，控制驱动器转动，以将移动车轮转动至预设归正位置点。

在本申请实施例中，控制单元在车辆停车状态时启动多线激光轮廓仪，发射激光线至车轮表面，接收反馈车轮的三维点云数据，并接收高精度相机反馈的二维图像数据。三维点云数据可以提供车轮的精确形状和尺寸信息，这种数据能够捕捉到物体表面的微小细节和复杂形状，从而实现高精度的测量，同时二维图像可以提供车轮的整体外观和边缘特征，通过融合这两种类型的数据进行分析，可以提高车轮归正控制系统的准确性，从而可实现高精度的车轮归正，从而提升了车轮归正的精确度。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。

图1是本申请实施例提供的一种电动搬运车的车轮归正控制系统的系统结构示意图；

图2是本申请实施例提供的一种车轮的结构示意图；

图3是本申请实施例提供的一种电动搬运车的侧面示意图；

图4是本申请实施例提供的另一种电动搬运车的侧面示意图；

图5是本申请实施例提供的一种预先训练的倾斜角度量化模型的模型架构示意图；

图6是本申请实施例提供的一种倾斜角度量化模型的模型训练方法的流程示意图；

图7是本申请实施例提供的一种电动搬运车的车轮归正控制方法的流程示意图；

图8是本申请实施例提供的一种控制单元的结构示意图；

图9是本申请实施例提供的一种电子设备的结构示意图。

具体实施方式

以下描述和附图充分地示出本申请的具体实施方案，以使本领域的技术人员能够实践它们。

应当明确，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。

下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的系统和方法的例子。

在本申请的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。此外，在本申请的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。

目前，车轮归正主要集中在简单的自动归正功能。例如，部分电动搬运车配备了基于角度传感器的车轮自动归正系统，在停车后可自动调整车轮至中心位置。

发明人意识到，由于角度传感器随着使用时间的增加会降低灵敏度，导致无法实现高精度的车轮归正，从而降低了车轮归正的精确度。

在本申请实施例中，控制单元在车辆停车状态时启动多线激光轮廓仪，发射激光线至车轮表面，接收反馈车轮的三维点云数据，并接收高精度相机反馈的二维图像数据。三维点云数据可以提供车轮的精确形状和尺寸信息，这种数据能够捕捉到物体表面的微小细节和复杂形状，从而实现高精度的测量，同时二维图像可以提供车轮的整体外观和边缘特征，通过融合这两种类型的数据进行分析，可以提高车轮归正控制系统的准确性，从而可实现高精度的车轮归正，从而提升了车轮归正的精确度。

请参见图1，图1是本申请实施例提供的一种电动搬运车的车轮归正控制系统的系统结构示意图，该系统包括：集成于电动搬运车的车轮、多线激光轮廓仪1、高精度相机（2）、驱动器以及控制单元。其中，驱动器以及控制单元是电动搬运车的固有组件，此处不再赘述。

其中，例如图2所示，车轮包括轮盘（4）、移动车轮（5），轮盘（4）顶部固定在电动搬运车的底盘上；轮盘（4）与移动车轮（5）的连接件上设置有固定杆（3）；多线激光轮廓仪1、高精度相机（2）安装在固定杆（3）上且距离车轮表面预设距离，轮盘（4）内部设有连接转轴，连接转轴的一端连接至移动车轮（5），另一端连接至驱动器；其中，控制单元分别与驱动器、多线激光轮廓仪1、高精度相机（2）通信连接。其中，连接转轴是电动搬运车驱动车轮移动的固有组件，此处不再赘述。

其中，电动搬运车是一种电动驱动的运输工具，用于在工厂、仓库等环境中搬运物料或货物。移动车轮与轮盘通过连接件进行相连，移动车轮直接与地面接触并负责车辆移动的部分。多线激光轮廓仪是一种测量设备，能够发射多条激光线并捕捉其反射，用于获取物体的三维点云数据。高精度相机是一种能够捕捉高分辨率图像的相机，用于获取车轮的二维图像信息。驱动器是控制车轮转动的设备，可以是电动机或其他类型的执行机构。控制单元是系统的控制中心，负责处理来自传感器的数据并控制驱动器的动作。

其中，电动搬运车的侧面例如图3和图4所示。

在本申请一些实施例中，控制单元，用于在电动搬运车的车辆状态为停车状态时，启动多线激光轮廓仪，以发射多条激光线至移动车轮的表面；接收多线激光轮廓仪反馈的关于移动车轮的车轮三维点云数据；接收高精度相机反馈的关于移动车轮的车轮二维图像；根据车轮三维点云数据和车轮二维图像进行多模态数据融合分析，得到移动车轮的当前实际角度；根据当前实际角度，控制驱动器转动，以将移动车轮转动至预设归正位置点。

其中，车辆状态是车辆的当前工作模式，如行驶、停车等。移动车轮是电动搬运车的实际行驶车轮，可以旋转和移动。三维点云数据是由多线激光轮廓仪获取的车轮表面的三维信息。二维图像是由高精度相机获取的车轮图像。当前实际角度是车轮的实际空间方向角度，用于判断车轮是否需要调整。预设归正位置是车轮需要自动调整到的预定位置，具体为车轮直立位置，该位置与车身平行。

例如，电动搬运车停止运行，控制单元检测到车辆状态为停车。控制单元启动多线激光轮廓仪，发射多条激光线至移动车轮表面。多线激光轮廓仪扫描车轮，获取车轮的三维点云数据，并将其反馈给控制单元。同时，高精度相机拍摄车轮图像，获取车轮的二维图像数据。控制单元将三维点云数据和二维图像数据进行融合分析，计算出车轮的当前实际角度。分析结果显示车轮当前角度与预设归正位置存在偏差。控制单元根据计算出的偏差角度，发送指令给驱动器，驱动车轮旋转。驱动器执行指令，精确调整车轮角度，使其归正到预设位置。

在本申请一些实施例中，根据车轮三维点云数据和车轮二维图像进行多模态数据融合分析，得到移动车轮的当前实际角度的具体过程包括：使用滤波算法对车轮三维点云数据进行平滑处理，得到平滑处理的车轮三维点云数据；针对平滑处理的车轮三维点云数据进行特征提取，得到移动车轮的形状、尺寸、边缘位置和角度信息；根据移动车轮的形状、尺寸、边缘位置和角度信息，确定移动车轮的三维中心位置、边缘点和角度变化点；基于三维中心位置、边缘点和角度变化点，生成移动车轮的倾斜角度；对车轮二维图像进行灰度化处理、边缘检测以及背景分离，以提取车轮轮廓信息，车轮轮廓信息包括整体外观或边缘特征或标记点；根据车轮轮廓信息，确定移动车轮的旋转角度；基于倾斜角度和旋转角度，确定移动车轮在预设空间坐标系中的综合角度，形成预设归正位置的两条直线分别为预设空间坐标系的横轴和纵轴，电动搬运车的前进方向与纵轴重合，移动车轮的车轮中心为预设空间坐标系的原点；将综合角度作为移动车轮的当前实际角度。

具体的，点云数据包含了物体表面每个点的三维坐标信息，因此可以通过计算点之间的距离或拟合几何模型来测量物体的形状和尺寸。点云数据可以通过边缘检测算法来识别物体的边缘点。例如，基于点云的曲率计算或深度学习方法可以检测出物体表面的边缘特征。通过拟合平面或计算点云数据中的几何特征，可以得到物体表面的角度信息。例如，利用点云数据拟合平面后，可以通过计算平面之间的夹角来获取角度信息。

其中，滤波算法是一种信号处理技术，用于去除数据中的噪声，平滑数据曲线。三维点云数据是通过三维扫描或测量得到的车轮表面形状和尺寸的数据。特征提取是从数据中提取有用的信息，如形状、尺寸、边缘位置和角度。三维中心位置是车轮的几何中心点，在三维空间中的位置。边缘点是车轮轮廓上的显著点，通常位于轮廓的边缘或拐角处。角度变化点是车轮轮廓上角度变化显著的点。倾斜角度是车轮相对于水平面的倾斜程度。二维图像是车轮的平面图像，如通过相机拍摄的照片。灰度化处理是将彩色图像转换为灰度图像，以简化数据处理。边缘检测是识别图像中物体边缘的算法。背景分离是从图像中分离出前景和背景的技术。轮廓信息包括车轮整体外观、边缘特征和标记点的信息。旋转角度是车轮绕其中心轴旋转的角度。综合角度是倾斜角度和旋转角度结合后，车轮在空间坐标系中的最终角度。预设空间坐标系是为电动搬运车设定的参考坐标系。当前实际角度是车轮的实际空间方向角度，用于控制和调整。

在本申请实施例中，通过使用滤波算法对车轮三维点云数据进行平滑处理，可以有效去除数据中的噪声和干扰，从而获得更加准确和可靠的车轮三维点云数据。这一步骤对于后续的特征提取至关重要，因为它能够确保提取到的特征更加精确地反映车轮的实际形状和尺寸。进一步地，基于平滑处理后的三维点云数据进行特征提取，能够得到车轮的形状、尺寸、边缘位置和角度信息，这些信息是确定车轮三维中心位置、边缘点和角度变化点的基础。通过这些关键点的确定，可以生成车轮的倾斜角度，为后续的车轮姿态分析提供重要数据。

在本申请实施例中，对车轮二维图像进行灰度化处理、边缘检测和背景分离，可以提取出车轮的轮廓信息，包括整体外观、边缘特征和标记点。这些信息能够帮助确定车轮的旋转角度，进一步丰富了车轮姿态的描述。最终，基于倾斜角度和旋转角度，可以确定车轮在预设空间坐标系中的综合角度。这一综合角度的确定，使得车轮的当前位置和姿态能够被精确地描述和控制。具体而言，预设归正位置的两条直线分别作为坐标系的横轴和纵轴，电动搬运车的前进方向与纵轴重合，车轮中心为坐标系原点，这样的设置使得车轮的控制和定位更加直观和精确。将综合角度作为车轮的当前实际角度，可以为车轮的控制和调整提供准确的参考，确保车轮能够精确地转动至预设归位位置，从而提高整个系统的控制精度和可靠性。

在本申请一些实施例中，根据移动车轮的形状、尺寸、边缘位置和角度信息，确定移动车轮的三维中心位置、边缘点和角度变化点的具体过程包括：对移动车轮的形状和尺寸信息进行分析，以确定移动车轮的车轮轮廓；计算移动车轮的车轮轮廓的质心，将质心作为移动车轮在三维空间中的三维中心位置；通过边缘位置，计算车轮轮廓的轮廓线上各轮廓点的曲率；将曲率变化最大的轮廓点作为边缘点；通过角度信息，计算车轮轮廓的轮廓线上各轮廓点的角度变化；将角度变化最大的轮廓点作为角度变化点。

车轮轮廓的质心计算公式为：

其中，移动车轮的轮廓由个点()组成，质心为()，()为移动车轮的轮廓上第个点的坐标，是移动车轮的轮廓点的总数；其中，

边缘点()的计算公式为：

其中，为边缘位置所提供的移动车轮的轮廓上第个轮廓点的坐标，和为第个轮廓点的一阶导数，即轮廓在和方向上的斜率，和为第个轮廓点的二阶导数，即轮廓在和方向上的斜率的变化率，用于反映移动车轮的轮廓在和方向上的曲率变化；其中，

角度变化点的计算公式为：

其中，是角度信息提供的第个轮廓点的角度变化。

在本申请一些实施例中，基于三维中心位置、边缘点和角度变化点，生成移动车轮的倾斜角度的具体过程包括：将三维中心位置、边缘点和角度变化点进行标准化处理，以消除不同特征之间的量纲差异，得到目标三维中心位置、目标边缘点以及目标角度变化点；从目标三维中心位置中提取三维中心位置特征；从目标边缘点中提取边缘特征；从目标角度变化点中提取角度变化特征；将三维中心位置特征、边缘特征以及角度变化特征进行特征拼接处理，得到能被预先训练的倾斜角度量化模型所理解的综合特征向量；将综合特征向量输入预先训练的倾斜角度量化模型中，输出移动车轮的倾斜角度。

其中，三维中心位置是车轮在三维空间中的中心点，用于确定车轮的位置和姿态。边缘点是车轮轮廓上的关键点，通常位于车轮的边缘或拐角处，用于确定车轮的形状和位置。角度变化点是车轮轮廓上角度变化显著的点，用于确定车轮的倾斜和旋转状态。灰度化处理是将彩色图像转换为灰度图像的过程，简化图像数据，便于后续处理。边缘检测是识别图像中物体边缘的算法，用于提取车轮的轮廓信息。背景分离是从图像中分离出前景和背景的技术，用于提取车轮的轮廓信息。轮廓信息包括车轮的整体外观、边缘特征和标记点的信息，用于确定车轮的旋转角度。

其中，例如图5所示，预先训练的倾斜角度量化模型包括特征提取层、特征融合层、角度计算层以及角度输出层。

在本申请一些实施例中，将综合特征向量输入预先训练的倾斜角度量化模型中，输出移动车轮的倾斜角度的具体过程包括：特征提取层从综合特征向量中分别提取三维中心位置特征、边缘特征以及角度变化特征的特征表示；特征融合层将特征表示与预设强化特征进行融合，形成融合特征向量，预设强化特征包括移动车轮的半径特征、宽度特征以及厚度特征；角度计算层基于融合特征进行计算，得到角度参数；将角度参数进行解码处理，以转换为实际的物理角度值，得到移动车轮的倾斜角度；其中，角度参数的计算公式如下：

其中，为角度参数，是预先训练的倾斜角度量化模型的模型权重，是模型的偏置向量，为融合特征向量；其中，

其中，为移动车轮的倾斜角度，为倾斜角度的均值，为倾斜角度的标准差。

具体的，生成预先训练的倾斜角度量化模型的具体过程包括：收集不同移动车轮在停车状态下的历史三维点云数据，基于历史三维点云数据，可确定移动车轮的历史车轮形状、历史尺寸、历史边缘位置和历史角度信息；获取不同移动车轮在停车状态下的历史倾斜角度，作为不同移动车轮的倾斜角度标签；将不同移动车轮的倾斜角度标签与不同移动车轮在停车状态下的历史三维点云数据进行关联，得到模型训练样本；采用神经网络创建倾斜角度量化模型；将模型训练样本输入预先训练的倾斜角度量化模型中，输出模型的损失值；在模型的损失值到达最小的情况下，生成预先训练的倾斜角度量化模型。

具体的，在模型的损失值未到达最小的情况下，继续执行将模型训练样本输入预先训练的倾斜角度量化模型中的步骤，直到模型的损失值到达最小。

在本申请一些实施例中，根据车轮轮廓信息，确定移动车轮的旋转角度的具体过程包括：在车轮轮廓信息存在标记点的情况下，提取标记点在车轮二维图像中的位置坐标；通过位置坐标，分析标记点在不同时间点的位置变化； 或者，在车轮轮廓信息存在边缘特征的情况下，基于边缘特征，确定移动车轮上的边缘位置点；分析边缘位置点在不同时间点的位置变化；或者，在车轮轮廓信息存在整体外观的情况下，从整体外观中提取移动车轮的轮廓；分析轮廓在不同时间点的位置变化；根据位置变化，计算移动车轮的旋转角度；其中，旋转角度的计算公式为：

其中，()和()分别是标记点、边缘位置点、轮廓在不同时间点的位置坐标。

其中，倾斜角度围绕预设空间坐标系的Z轴旋转得到的，旋转角度围绕预设空间坐标系的Y轴旋转得到的。

在本申请一些实施例中，基于倾斜角度和旋转角度，确定移动车轮在预设空间坐标系中的综合角度的具体过程包括：根据倾斜角度和旋转角度，计算围绕预设空间坐标系的Z轴和Y轴的旋转矩阵；其中，

根据围绕预设空间坐标系的Z轴和Y轴的旋转矩阵，计算综合旋转矩阵；其中，综合旋转矩阵的计算公式为：

其中，是绕Z轴旋转的倾斜角度，是绕Y轴旋转的旋转角度，和分别是绕Z轴和Y轴的旋转矩阵；

基于综合旋转矩阵，计算移动车轮在预设空间坐标系中的综合角度；其中，

其中，为旋转矩阵的迹。

在本申请一些实施例中，根据所述当前实际角度，控制所述驱动器转动，以将所述移动车轮转动至预设归正位置点的具体过程包括：计算当前实际角度与预设归正位置的角度之间的偏差，该偏差角度将用于指导驱动器的调整动作，确保车轮能够精确地转动至预设位置。根据计算出的角度偏差，控制单元向驱动器发送相应的控制信号。驱动器接收到信号后，调整其输出以实现车轮的精确转动。具体涉及到PWM（脉冲宽度调制）信号的生成，用于控制电机的速度和方向。驱动器根据控制单元的指令转动车轮，使其从当前位置转动至预设的归正位置。在此过程中，控制单元可能还会实时监控车轮的位置和角度，以确保转动的准确性。一旦车轮转动至预设位置，控制单元将停止驱动器的输出，完成整个归正过程。

在一些实施例中，轮盘与移动车轮的连接件可固定在移动搬运车的车架上。

在本申请实施例中，控制单元在车辆停车状态时启动多线激光轮廓仪，发射激光线至车轮表面，接收反馈车轮的三维点云数据，并接收高精度相机反馈的二维图像数据。三维点云数据可以提供车轮的精确形状和尺寸信息，这种数据能够捕捉到物体表面的微小细节和复杂形状，从而实现高精度的测量，同时二维图像可以提供车轮的整体外观和边缘特征，通过融合这两种类型的数据进行分析，可以提高车轮归正控制系统的准确性，从而可实现高精度的车轮归正，从而提升了车轮归正的精确度。

请参见图6，为本申请实施例提供了一种倾斜角度量化模型的模型训练方法的流程示意图。如图6所示，本申请实施例的检测方法可以包括以下步骤：

S101，收集不同移动车轮在停车状态下的历史三维点云数据，基于历史三维点云数据，可确定移动车轮的历史车轮形状、历史尺寸、历史边缘位置和历史角度信息；

S102，获取不同移动车轮在停车状态下的历史倾斜角度，作为不同移动车轮的倾斜角度标签；

S103，将不同移动车轮的倾斜角度标签与不同移动车轮在停车状态下的历史三维点云数据进行关联，得到模型训练样本；

S104，采用神经网络创建倾斜角度量化模型；

S105，将模型训练样本输入预先训练的倾斜角度量化模型中，输出模型的损失值；

S106，在模型的损失值到达最小的情况下，生成预先训练的倾斜角度量化模型。

其中，在模型的损失值未到达最小的情况下，继续执行将模型训练样本输入所述预先训练的倾斜角度量化模型中的步骤，直到模型的损失值到达最小。

需要说明的是，步骤S101-步骤S106的具体控制逻辑可参见系统实施例中的具体实现逻辑，此处不再赘述。

在本申请实施例中，控制单元在车辆停车状态时启动多线激光轮廓仪，发射激光线至车轮表面，接收反馈车轮的三维点云数据，并接收高精度相机反馈的二维图像数据。三维点云数据可以提供车轮的精确形状和尺寸信息，这种数据能够捕捉到物体表面的微小细节和复杂形状，从而实现高精度的测量，同时二维图像可以提供车轮的整体外观和边缘特征，通过融合这两种类型的数据进行分析，可以提高车轮归正控制系统的准确性，从而可实现高精度的车轮归正，从而提升了车轮归正的精确度。

请参见图7，为本申请实施例提供了一种电动搬运车的车轮归正控制方法的流程示意图。如图7所示，本申请实施例的检测方法可以包括以下步骤：

S201，在电动搬运车的车辆状态为停车状态时，启动多线激光轮廓仪，以发射多条激光线至移动车轮的表面；

S202，接收多线激光轮廓仪反馈的关于移动车轮的车轮三维点云数据；

S203，接收高精度相机反馈的关于移动车轮的车轮二维图像；

S204，根据车轮三维点云数据和车轮二维图像进行多模态数据融合分析，得到移动车轮的当前实际角度；

S205，根据当前实际角度，控制驱动器转动，以将移动车轮转动至预设归正位置点。

在本申请实施例中，控制单元在车辆停车状态时启动多线激光轮廓仪，发射激光线至车轮表面，接收反馈车轮的三维点云数据，并接收高精度相机反馈的二维图像数据。三维点云数据可以提供车轮的精确形状和尺寸信息，这种数据能够捕捉到物体表面的微小细节和复杂形状，从而实现高精度的测量，同时二维图像可以提供车轮的整体外观和边缘特征，通过融合这两种类型的数据进行分析，可以提高车轮归正控制系统的准确性，从而可实现高精度的车轮归正，从而提升了车轮归正的精确度。

下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。

请参见图8，其示出了本申请一个示例性实施例提供的控制单元的结构示意图。该控制单元可以通过软件、硬件或者两者的结合实现成为电子设备的全部或一部分。该控制单元1包括启动模块10、第一接收模块20、第二接收模块30、融合分析模块40、控制模块50。

启动模块10，用于在电动搬运车的车辆状态为停车状态时，启动多线激光轮廓仪，以发射多条激光线至移动车轮的表面；

第一接收模块20，用于接收多线激光轮廓仪反馈的关于移动车轮的车轮三维点云数据；

第二接收模块30，用于接收高精度相机反馈的关于移动车轮的车轮二维图像；

融合分析模块40，用于根据车轮三维点云数据和车轮二维图像进行多模态数据融合分析，得到移动车轮的当前实际角度；

控制模块50，用于根据当前实际角度，控制驱动器转动，以将移动车轮转动至预设归正位置点。

需要说明的是，上述实施例提供的电动搬运车的车轮归正控制装置在执行电动搬运车的车轮归正控制方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的电动搬运车的车轮归正控制装置与电动搬运车的车轮归正控制方法实施例属于同一构思，其体现实现过程详见方法实施例，这里不再赘述。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

在本申请实施例中，控制单元在车辆停车状态时启动多线激光轮廓仪，发射激光线至车轮表面，接收反馈车轮的三维点云数据，并接收高精度相机反馈的二维图像数据。三维点云数据可以提供车轮的精确形状和尺寸信息，这种数据能够捕捉到物体表面的微小细节和复杂形状，从而实现高精度的测量，同时二维图像可以提供车轮的整体外观和边缘特征，通过融合这两种类型的数据进行分析，可以提高车轮归正控制系统的准确性，从而可实现高精度的车轮归正，从而提升了车轮归正的精确度。

本申请还提供一种计算机可读介质，其上存储有程序指令，该程序指令被处理器执行时实现上述各个方法实施例提供的电动搬运车的车轮归正控制方法。

本申请还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述各个方法实施例的电动搬运车的车轮归正控制方法。

请参见图9，为本申请实施例提供了一种电子设备的结构示意图。如图9所示，电子设备1000可以包括：至少一个处理器1001，至少一个网络接口1004，用户接口1003，存储器1005，至少一个通信总线1002。

其中，通信总线1002用于实现这些组件之间的连接通信。

其中，用户接口1003可以包括显示屏（Display）、摄像头（Camera），可选用户接口1003还可以包括标准的有线接口、无线接口。

其中，网络接口1004可选的可以包括标准的有线接口、无线接口（如WI-FI接口）。

其中，处理器1001可以包括一个或者多个处理核心。处理器1001利用各种接口和线路连接整个电子设备1000内的各个部分，通过运行或执行存储在存储器1005内的指令、程序、代码集或指令集，以及调用存储在存储器1005内的数据，执行电子设备1000的各种功能和处理数据。可选的，处理器1001可以采用数字信号处理（Digital Signal Processing，DSP）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）、可编程逻辑阵列（Programmable Logic Array，PLA）中的至少一种硬件形式来实现。处理器1001可集成中央处理器（Central Processing Unit，CPU）、图像处理器（Graphics Processing Unit，GPU）和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器1001中，单独通过一块芯片进行实现。

其中，存储器1005可以包括随机存储器（Random Access Memory，RAM），也可以包括只读存储器（Read-Only Memory）。可选的，该存储器1005包括非瞬时性计算机可读介质（non-transitory computer-readable storage medium）。存储器1005可用于存储指令、程序、代码、代码集或指令集。存储器1005可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令（比如触控功能、声音播放功能、图像播放功能等）、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储系统。如图9所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及电动搬运车的车轮归正控制应用程序。

在图9所示的电子设备1000中，用户接口1003主要用于为用户提供输入的接口，获取用户输入的数据；而处理器1001可以用于调用存储器1005中存储的电动搬运车的车轮归正控制应用程序，并具体执行以下操作：

在电动搬运车的车辆状态为停车状态时，启动多线激光轮廓仪，以发射多条激光线至移动车轮的表面；

接收多线激光轮廓仪反馈的关于移动车轮的车轮三维点云数据；

接收高精度相机反馈的关于移动车轮的车轮二维图像；

根据车轮三维点云数据和车轮二维图像进行多模态数据融合分析，得到移动车轮的当前实际角度；

根据当前实际角度，控制驱动器转动，以将移动车轮转动至预设归正位置点。

在本申请实施例中，控制单元在车辆停车状态时启动多线激光轮廓仪，发射激光线至车轮表面，接收反馈车轮的三维点云数据，并接收高精度相机反馈的二维图像数据。三维点云数据可以提供车轮的精确形状和尺寸信息，这种数据能够捕捉到物体表面的微小细节和复杂形状，从而实现高精度的测量，同时二维图像可以提供车轮的整体外观和边缘特征，通过融合这两种类型的数据进行分析，可以提高车轮归正控制系统的准确性，从而可实现高精度的车轮归正，从而提升了车轮归正的精确度。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，电动搬运车的车轮归正控制的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，电动搬运车的车轮归正控制的程序的存储介质可为磁碟、光盘、只读存储记忆体或随机存储记忆体等。

以上所揭露的仅为本申请较佳实施例而已，当然不能以此来限定本申请之权利范围，因此依本申请权利要求所作的等同变化，仍属本申请所涵盖的范围。

Claims (9)

1.一种电动搬运车的车轮归正控制系统，其特征在于，所述系统包括：

集成于所述电动搬运车的车轮、多线激光轮廓仪、高精度相机、驱动器以及控制单元；其中，

所述车轮包括轮盘、移动车轮，所述轮盘顶部固定在所述电动搬运车的底盘上；所述轮盘与所述移动车轮的连接件上设置有固定杆；

所述多线激光轮廓仪、高精度相机安装在所述固定杆上且距离车轮表面预设距离，所述轮盘内部设有连接转轴，所述连接转轴的一端连接至所述移动车轮，另一端连接至所述驱动器；其中，

所述控制单元分别与所述驱动器、所述多线激光轮廓仪、高精度相机通信连接；其中，

所述控制单元，用于在所述电动搬运车的车辆状态为停车状态时，启动所述多线激光轮廓仪，以发射多条激光线至所述移动车轮的表面；接收所述多线激光轮廓仪反馈的关于所述移动车轮的车轮三维点云数据，三维点云数据是车轮表面的三维信息；接收所述高精度相机反馈的关于所述移动车轮的车轮二维图像；根据所述车轮三维点云数据和所述车轮二维图像进行多模态数据融合分析，包括：针对平滑处理的车轮三维点云数据进行特征提取，得到所述移动车轮的形状、尺寸、边缘位置和角度信息；根据所述移动车轮的形状、尺寸、边缘位置和角度信息，确定所述移动车轮的三维中心位置、边缘点和角度变化点；基于所述三维中心位置、边缘点和角度变化点，生成所述移动车轮的倾斜角度；对所述车轮二维图像进行提取车轮轮廓信息，根据所述车轮轮廓信息，确定所述移动车轮的旋转角度；

所述倾斜角度围绕预设空间坐标系的Z轴旋转得到的，所述旋转角度围绕预设空间坐标系的Y轴旋转得到的；根据所述倾斜角度和旋转角度，计算围绕预设空间坐标系的Z轴和Y轴的旋转矩阵；根据所述围绕预设空间坐标系的Z轴和Y轴的旋转矩阵，计算综合旋转矩阵；基于所述综合旋转矩阵，计算所述移动车轮在预设空间坐标系中的综合角度；将所述综合角度作为所述移动车轮的当前实际角度；

得到所述移动车轮的当前实际角度；根据所述当前实际角度，控制所述驱动器转动，以将所述移动车轮转动至预设归正位置点。

2.根据权利要求1所述的系统，其特征在于，所述根据所述车轮三维点云数据和所述车轮二维图像进行多模态数据融合分析，得到所述移动车轮的当前实际角度，包括：

使用滤波算法对所述车轮三维点云数据进行平滑处理，得到平滑处理的车轮三维点云数据；

对所述车轮二维图像进行灰度化处理、边缘检测以及背景分离，以提取车轮轮廓信息，所述车轮轮廓信息包括整体外观或边缘特征或标记点；

基于所述倾斜角度和所述旋转角度，确定所述移动车轮在预设空间坐标系中的综合角度，形成所述预设归正位置的两条直线分别为所述预设空间坐标系的横轴和纵轴，所述电动搬运车的前进方向与所述纵轴重合，所述移动车轮的车轮中心为所述预设空间坐标系的原点。

3.根据权利要求2所述的系统，其特征在于，所述根据所述移动车轮的形状、尺寸、边缘位置和角度信息，确定所述移动车轮的三维中心位置、边缘点和角度变化点，包括：

对所述移动车轮的形状和尺寸信息进行分析，以确定所述移动车轮的车轮轮廓；

计算所述移动车轮的车轮轮廓的质心，将所述质心作为所述移动车轮在三维空间中的三维中心位置；

通过所述边缘位置，计算所述车轮轮廓的轮廓线上各轮廓点的曲率；

将曲率变化最大的轮廓点作为边缘点；

通过所述角度信息，计算所述车轮轮廓的轮廓线上各轮廓点的角度变化；

将所述角度变化最大的轮廓点作为角度变化点。

4.根据权利要求2所述的系统，其特征在于，所述基于所述三维中心位置、边缘点和角度变化点，生成所述移动车轮的倾斜角度，包括：

将所述三维中心位置、边缘点和角度变化点进行标准化处理，以消除不同特征之间的量纲差异，得到目标三维中心位置、目标边缘点以及目标角度变化点；

从所述目标三维中心位置中提取三维中心位置特征；

从所述目标边缘点中提取边缘特征；

从所述目标角度变化点中提取角度变化特征；

将所述三维中心位置特征、所述边缘特征以及所述角度变化特征进行特征拼接处理，得到能被预先训练的倾斜角度量化模型所理解的综合特征向量；

将所述综合特征向量输入预先训练的倾斜角度量化模型中，输出所述移动车轮的倾斜角度。

5.根据权利要求4所述的系统，其特征在于，所述预先训练的倾斜角度量化模型包括特征提取层、特征融合层、角度计算层以及角度输出层；

所述将所述综合特征向量输入预先训练的倾斜角度量化模型中，输出所述移动车轮的倾斜角度，包括：

所述特征提取层从所述综合特征向量中分别提取三维中心位置特征、边缘特征以及角度变化特征的特征表示；

所述特征融合层将所述特征表示与预设强化特征进行融合，形成融合特征向量，所述预设强化特征包括移动车轮的半径特征、宽度特征以及厚度特征；

所述角度计算层基于所述融合特征进行计算，得到角度参数；

将所述角度参数进行解码处理，以转换为实际的物理角度值，得到所述移动车轮的倾斜角度。

6.根据权利要求4所述的系统，其特征在于，按照以下步骤生成预先训练的倾斜角度量化模型，包括：

收集不同移动车轮在停车状态下的历史三维点云数据，基于历史三维点云数据，确定所述移动车轮的历史车轮形状、历史尺寸、历史边缘位置和历史角度信息；

获取不同移动车轮在停车状态下的历史倾斜角度，作为不同移动车轮的倾斜角度标签；

将不同移动车轮的倾斜角度标签与不同移动车轮在停车状态下的历史三维点云数据进行关联，得到模型训练样本；

采用神经网络创建倾斜角度量化模型；

将所述模型训练样本输入所述预先训练的倾斜角度量化模型中，输出模型的损失值；

在所述模型的损失值到达最小的情况下，生成预先训练的倾斜角度量化模型。

7.根据权利要求6所述的系统，其特征在于，所述系统还包括：

在所述模型的损失值未到达最小的情况下，继续执行所述将所述模型训练样本输入所述预先训练的倾斜角度量化模型中的步骤，直到所述模型的损失值到达最小。

8.根据权利要求2所述的系统，其特征在于，所述根据所述车轮轮廓信息，确定所述移动车轮的旋转角度，包括：

在所述车轮轮廓信息存在所述标记点的情况下，提取所述标记点在所述车轮二维图像中的位置坐标；

通过所述位置坐标，分析所述标记点在不同时间点的位置变化； 或者，

在所述车轮轮廓信息存在所述边缘特征的情况下，基于所述边缘特征，确定所述移动车轮上的边缘位置点；

分析所述边缘位置点在不同时间点的位置变化；或者，

在所述车轮轮廓信息存在所述整体外观的情况下，从所述整体外观中提取所述移动车轮的轮廓；

分析所述轮廓在不同时间点的位置变化；

根据所述位置变化，计算所述移动车轮的旋转角度。

9.一种使用权利要求1-8任一项所述的系统实现的电动搬运车的车轮归正控制方法，其特征在于，应用于所述电动搬运车的控制单元，所述方法包括：

在所述电动搬运车的车辆状态为停车状态时，启动所述多线激光轮廓仪，以发射多条激光线至所述移动车轮的表面；

接收所述多线激光轮廓仪反馈的关于所述移动车轮的车轮三维点云数据；

接收所述高精度相机反馈的关于所述移动车轮的车轮二维图像；

根据所述车轮三维点云数据和所述车轮二维图像进行多模态数据融合分析，得到所述移动车轮的当前实际角度；包括：针对平滑处理的车轮三维点云数据进行特征提取，得到所述移动车轮的形状、尺寸、边缘位置和角度信息；根据所述移动车轮的形状、尺寸、边缘位置和角度信息，确定所述移动车轮的三维中心位置、边缘点和角度变化点；基于所述三维中心位置、边缘点和角度变化点，生成所述移动车轮的倾斜角度；对所述车轮二维图像进行提取车轮轮廓信息，根据所述车轮轮廓信息，确定所述移动车轮的旋转角度；

所述倾斜角度围绕预设空间坐标系的Z轴旋转得到的，所述旋转角度围绕预设空间坐标系的Y轴旋转得到的；根据所述倾斜角度和旋转角度，计算围绕预设空间坐标系的Z轴和Y轴的旋转矩阵；根据所述围绕预设空间坐标系的Z轴和Y轴的旋转矩阵，计算综合旋转矩阵；基于所述综合旋转矩阵，计算所述移动车轮在预设空间坐标系中的综合角度；将所述综合角度作为所述移动车轮的当前实际角度；

根据所述当前实际角度，控制所述驱动器转动，以将所述移动车轮转动至预设归正位置点。