1. 项目背景与核心需求
在仓储物流和智能制造领域，货物巡检一直是个既重要又繁琐的工作。传统人工巡检不仅效率低下，还容易因疲劳导致漏检错检。我们团队最近完成的这个智能小车项目，正是为了解决这个痛点——通过融合RFID和机器视觉技术，实现全天候自动化货物巡检。
这个项目的核心目标很明确：开发一个能自主移动、自动识别货物状态、实时上报异常情况的智能巡检系统。相比市面上单一的RFID巡检车或视觉巡检方案，我们创新性地将两种技术融合互补——RFID负责快速批量识别货物身份和位置，视觉系统则用于精细检查货物外观状态（如破损、倾斜、错位等）。这种双模态设计在3个月的实测中，将某电商仓库的巡检效率提升了6倍，错误率降低到人工巡检的1/8。
2. 系统架构设计解析
2.1 硬件平台选型
底盘我们选用的是TurtleBot3 Burger移动平台，主要看中其：
- 开源ROS支持（便于算法集成）
- 360°激光雷达（建图和避障）
- 模块化扩展接口（方便加装我们的定制硬件）
在传感器配置上做了这些关键设计：
- RFID读写模块：采用Impinj R420固定式读写器+LR天线，读取距离稳定在3-5米
- 视觉系统：Intel RealSense D435i深度相机（兼顾RGB和深度信息）+ 工业级补光灯
- 边缘计算单元：NVIDIA Jetson Xavier NX（32TOPS算力足够实时处理双路数据）
特别注意：RFID天线安装高度需与货物标签保持平行，我们通过可调支架实现1.2-1.8m高度无极调节，这是保证读取率的关键。
2.2 软件架构设计
系统采用典型的ROS分层架构：
code复制感知层（RFID驱动+视觉节点） → 融合层（数据对齐与特征提取） → 决策层（路径规划+异常检测） → 执行层（运动控制+报警输出）
特别要说明的是数据同步方案：我们通过硬件触发信号实现RFID和视觉的时空对齐——当RFID读取到标签时，立即触发相机抓拍，确保每个货物的身份信息与视觉数据严格对应。这个设计解决了多模态系统中常见的数据关联问题。
3. 核心算法实现细节
3.1 RFID定位优化
标准RFID定位存在多径干扰问题，我们改进的方案是：
- 在仓库地面部署4个参考标签作为位置基准
- 采用相位差测距法（PDoA）计算标签相对位置
- 通过卡尔曼滤波融合多天线测量结果
实测显示，这套方法将定位精度从常规的±1.2m提升到±0.3m，完全满足巡检需求。关键参数配置：
python复制# RFID定位卡尔曼滤波参数
Q = np.diag([0.1, 0.1]) # 过程噪声
R = np.diag([0.5, 0.5]) # 观测噪声
3.2 视觉检测模型
针对货物状态检测，我们训练了一个轻量化的YOLOv5s模型，关键优化点：
- 输入分辨率降至640x640（原版是1280x1280）
- 使用Mish激活函数替代LeakyReLU（提升小目标检测效果）
- 自定义数据增强：模拟仓库光照变化和货物堆叠遮挡
模型在自建数据集上的表现：
| 检测类别 | 准确率 | 召回率 |
|---|---|---|
| 正常货物 | 98.2% | 97.5% |
| 外包装破损 | 95.7% | 93.1% |
| 货物倾斜 | 91.3% | 89.4% |
4. 系统集成与现场调试
4.1 多传感器标定
RFID与视觉的联合标定是个技术难点，我们的解决方案：
- 制作专用标定板（同时包含AprilTag和RFID标签）
- 小车以不同距离/角度扫描标定板
- 通过最小二乘法求解坐标变换矩阵
标定误差控制在：
- 位置误差<5cm
- 角度误差<3°
4.2 巡检路径规划
不同于常规全覆盖路径，我们开发了"RFID引导的视觉复检"策略：
- 先沿主通道快速RFID扫描（速度0.8m/s）
- 发现异常标签或库存不符时
- 自动切换至精细视觉模式（速度0.3m/s）
- 生成螺旋逼近路径进行多角度拍摄
这种动态策略使整体巡检时间缩短40%，同时保证关键区域的检测质量。
5. 实测问题与解决方案
5.1 金属环境干扰
在金属货架区域遇到的典型问题：
- RFID读取距离骤降至1m以内
- 视觉反光严重
我们的应对措施：
- RFID改用抗金属标签
- 相机加装偏振镜
- 动态调整曝光参数（通过ROS的dynamic_reconfigure）
5.2 多车协同问题
当需要部署多台小车时，发现的问题：
- RFID互相干扰
- 路径冲突
最终解决方案：
- 时分复用RFID工作频段
- 基于拍卖算法的任务分配
- 采用改进的D* Lite算法做动态避障
6. 性能优化技巧
经过三个迭代周期，总结出这些实战经验：
-
RFID读取优化：
- 天线极化方向与标签对齐
- 设置适当的Q值（我们最终用Q=5）
- 开启密集读取模式（Session=1）
-
视觉检测加速：
- 使用TensorRT优化模型
- 对连续帧采用检测+跟踪策略
- 利用Jetson的DLA加速器
-
系统稳定性提升：
- 增加看门狗进程监控各节点
- 实现断点续检功能
- 开发Web界面实时监控小车状态
这套系统目前已在3个仓库稳定运行6个月，平均每台小车每日可完成约15万件货物的巡检工作，相比人工巡检每年可节省人力成本约120万元。未来计划加入UWB精确定位和5G回传功能，进一步扩大应用场景。