从自动驾驶看无人驾驶叉车的技术落地和应用

摘 要 ｜ 介绍无人驾驶叉车在自动驾驶技术中的应用，分析其关键技术，如环境感知、定位、路径规划等，并讨论机器学习算法和强化学习算法的应用以提高无人叉车的运行效率和准确性。无人叉车在封闭结构化环境、机器学习、有效数据集等方法的助力下，可有效推动叉车无人驾驶关键技术的发展。

关键词：无人叉车；自动驾驶；机器学习；数据集

随着人工智能技术的持续进步，无人叉车领域的供给与需求均呈现迅猛增长态势。它们不仅正在逐步替代传统的人工叉车市场，还在新增的 AGV 和智慧仓库等智慧物流装备领域得到广泛应用。林芳等人[1] 对无人叉车在物流分拨中心的应用现状进行研究，并提出相关发展对策。无人叉车的主要作业方式涵盖自主行走和搬运装卸两大方面，当前表现形式为 AGV （ Automated Guided Vehicle）和 AMR （ Autonomous Mobile R obot ）。 AGV 是一种依赖被动引导方式（如磁条、二维码或电线等）进行运输的自动化导引运输车。尽管 AGV 在装卸搬运方面表现出色，但在自主行走，特别是面对障碍物时的绕行避障能力上仍有待提升。相比之下，AMR 则更加注重主动自主移

动能力。它利用激光雷达、毫米波雷达和摄像头等传感器进行即时定位与地图构建（SLAM ），能够在遭遇障碍物时迅速重新规划路径，实现有效绕行避障，从而确保物流运输的顺畅进行。

于向军等人 探讨了工程车辆无人驾驶的关键技术，包括环境感知、运动规划、工程作业和状态监测等方面。他们提出了采用机械结构优化设计、先进的通信手段、机器学习和数字孪生等有效方法。张学强等人 探讨了人工智能技术在工程机械无人驾驶领域的应用及发展趋势，分析工程机械车无人驾驶的信息采集、数据传输、数据处理、场景建模等方面的核心技术。林添良等人提出基于摄像头的端到端工程机械无人驾驶系统，系统通过语义分割算法进行环境识别，采用端到端决策系统获取控制信号，从而实现控制工程机械实现行走、转弯、回正等功能。从中可以看出，无人驾驶叉车与无人驾驶汽车在路径规划技术方面均通过环境感知模块获取车辆定位和可行区域，并运用类似算法在各种可行解中寻求最优方案，提升车辆工作效率并降低生产成本。因此，无人驾驶叉可以借鉴并应用现有的自动驾驶技术。

1 自动驾驶相关技术

1.1 自动驾驶的技术路径

目前，自动驾驶技术依赖于多传感器融合来全面感知周围环境，确保车辆能够精准地知道自己的位置，并在此基础上规划出最佳的行驶路径和行动策略。为确保安全可靠的自动驾驶，首先，车辆需要实现高精度的定位。其次，基于已知目的地，自动驾驶系统会通过算法规划出一条从起点至终点的路径。在这一过程中，系统应全面考虑并遵守交通规则，如红绿灯、斑马线的通过时机，以及其他车辆和行人的避让。此外，系统还需处理诸如转弯变道、并线、超车等一系列复杂的驾驶操作。多传感器融合方案涵盖了激光雷达、毫米波雷达、3D摄像头、红外传感器、IMU 惯性导航、 GPS 以及 GNSS 等高精度定位技术。这些传感器协同工作，为自动驾驶车辆提供了全方位的环境感知能力。同时，高精地图和 V2X（车路协同） 技术也为自动驾驶提供了重要的辅助信息，进一步提升了自动驾驶系统的安全性和鲁棒性。

1.2 自动驾驶的落地难点

目前关于自动驾驶落地主要有以下难点：

（ 1 ）在雨雪、雾天、夜间或隧道等强光环境下，或由于光线变化、玻璃反光等因素，可能导致摄像头等传感器功能受限，从而降低系统的可靠性。

（ 2 ）在树木、隧道、高架等遮挡区域， GPS 信号可能受到影响而导致定位偏差。

（ 3 ）道路行驶中，转弯存在死角盲区，部分传感器可能被遮挡，影响系统的探测范围。

（ 4 ）在行驶过程中的变道、并线、超车、让行等行为场景下，自动驾驶系统难以准确预测周边车辆的行为，这增加了行车安全风险。

（ 5 ）在高动态和非结构化环境中，如：小巷、天桥指示牌、交通事故、道路施工、婴儿车、动物、道路垃圾、塑料袋等突发情况，系统可能无法有效识别，也可能完全超出模型的预测范围，导致行为策略错误，存在安全风险。

（ 6 ）在高速行驶过程中，系统计算传输决策均为毫秒级别。一旦出现延误，造成制动距离不足，从而增加事故风险。

（ 7 ）自动驾驶的车载芯片需符合车规级标准以确保系统的稳定性和可靠性，且会受到成本和算力的限制。

（ 8 ）自动驾驶技术上路和应用需要充分考虑到人身安全、道德和法律相关问题。由于涉及人身安全事故及相关法律道德风险，自动驾驶系统需要具备极高的安全性才能投入实际使用。

2 无人驾驶叉车技术落地

在路径规划技术领域中，无人驾驶叉车与无人驾驶汽车并无显著差异。两者都依赖于环境感知模块获取车辆定位和可行区域信息，并运用类似算法在多个可行解中寻求最优方案，旨在提升车辆作业效率并降低生产成本。由于无人驾驶叉车通常在低速、封闭且相对简单的环境中工作，这极大地增强了方案实施的可行性。因此，相较于汽车自动驾驶领域所面临的挑战，无人驾驶叉车在实际应用中往往能够更轻松地应对。汽车自动驾驶领域所遇到的问题，在无人叉车领域大多能够得到有效控制和解决。

（ 1 ）无人叉车多在封闭环境下作业，可显著减少突发状况，甚至打造无人区域。通过设置电子围栏，确保叉车仅在指定区域内工作，从而提高安全性和效率。

（ 2 ）叉车行驶速度相对汽车较慢，即便在计算和网络传输过程中出现轻微延迟，也不会产生显著影响。

（ 3 ）叉车作为场内机动设备，其操作不受道路交通法规制约，通常由工厂内部进行自主管理和控制。

（ 4 ）鉴于大部分操作在室内进行，无需考虑极端天气条件，如雨雪雾、强光和黑夜。

（ 5 ）在室内环境中，可采用边缘云传输基站，结合固定鸟瞰摄像头生成 BEV ，实现对叉车的全方位监控。这种设置如同“上帝视角”，不仅能给车辆精确定位，还能有效弥补叉车本体传感器在数据采集方面的不足。

（ 6 ）在指定工作区域内，多辆叉车之间的交互可通过统一的后台调度系统（如车队管理系统）进行协调和管理。该系统不仅支持多车协调，还能实时监控各车状态参数。

（ 7 ）工厂内部的 5S 管理，通过语义分割可精确标注各类指示牌、区域线、车道线等，有助于精准识别，提高车辆作业效率。

（ 8 ）将计算中心设在工厂本地服务器基站，可解决算力不足、通讯延时丢包等问题，还可降低成本，提高鲁棒性。

综上所述，在现有技术条件下，无人驾驶的问题已大幅降低其落地难度。无人叉车主要负责装卸和堆垛作业，当前 AGV 技术已能胜任。如叶伟 [5] 基于视觉用卷积神经网络、语义分割等技术对车道线和托盘检测定位。王超通过 SLAM 技术实现无人叉车对不确定位姿的托盘自动拾取。此外，无人叉车通过自动识别托盘上的条码或R FID 标签，由计算机系统控制执行装卸指令，实现无人化装卸作业。在指定装卸区域部署相应传感器，统一托盘规格，可进一步提高系统运行效率和准确性。操作人员可通过后台调度系统，在类似游戏界面的“上帝视角”摄像头屏幕上，轻松指挥无人叉车完成货物运送任务。

3 目前叉车无人驾驶发展遇到的瓶颈

随着全球范围内的人工智能技术不断发展和创新，诸如 ChatGPT 和 SOR A 等通用大模型已经陆续发布并得到了广泛应用。然而，在一些特定的行业领域中，专用的小型模型可能更加实用和有效。相对于大型通用模型，这些行业专用的小模型通常在数据、模型算法以及应用层面的更专更精，解决问题也更为有针对性和高效，而对计算资源的需求也相对较低。而叉车的无人驾驶技术就是这样一个典型的专业小模型应用案例。

3.1 关于机器学习

机器学习作为人工智能的重要分支，其核心要素涵盖数据、模型和算法。其中，数据指的是数据集，是机器学习的基础；算法则描述了如何对数据进行处理与计算；而模型则是机器学习算法的最终输出，可视为终端程序，一个模型中可能包含和嵌套多种不同算法。机器学习的过程通常涉及问题识别、数据清洗、模型实施、训练和测试、评估、部署以及数据文件更新等多个环节。这些步骤共同构成了机器学习的完整流程，确保了算法的有效性和模型的准确性。

机器学习可分为监督学习、无监督学习和强化学习 3种类型。每种类型有其独特的特点和应用场景，为解决实际问题提供了多样化的手段。有监督学习：训练的数据是有标签的数据，算法依据标签和预测之间的差异对模型进行修正的学习过程。简单理解就是要对数据先进行人为判断，打标注，有了人为预判结果，不断让机器的算法来靠近人的判断结果。一般有回归和分类两种方式。

无监督学习：对比有监督学习，无监督学习是用无标签的数据进行训练，这类学习方法的目标是找到数据集底层联系，有聚类和关联两类。但机器本身无法对计算结果进行衡量对与错。

强化学习：通过动作的反馈来完成学习动作。环境会对机器的算法决策给出“奖励和惩罚”，来不断反馈修正模型。简单类比，如巴普洛夫的“摇铃喂狗实验”，不断强化铃铛和食物奖励之间的联系。某短视频平台视频推荐也是基于强化学习的逻辑，对某类视频浏览越多，则平台越推荐此类视频。

还有一种介于有监督学习和无监督学习之间的半监督学习。通常利用少量有标签的样本和大量无标签的样本进行训练和分类的学习。

虽然叉车在不同搬运场景下操作各有差异，但一旦确定具体场景，其工作性质便呈现出高度的重复性。研究人员可通过采集人工驾驶叉车的数据，并将这些数据清洗、整理、标注，用有监督学习和强化学习的方式训练出类似有专家行为的智能模型。值得注意的是，对于封闭且环境相对固定的场景，使用打标注的方式执行有监督学习是非常有效的。这一做法不仅能够提高模型的准确性，还能确保其在实际工作中的鲁棒性。如王苗苗[7] 介绍了基于深度学习的工程机械车辆感知与场景理解、决策与规划、控制与执行等关键技术的研究进展，并讨论了其中的问题和挑战。杜开源等人[8] 对基于 YOLO 算法自建的托盘数据集，利用深度学习来识别托盘孔位。

3.2 无人驾驶叉车的数据集

3.2.1 好的数据集标准

在机器学习的领域里，优质的数据集对于模型训练而言至关重要。理想情况下，数据集应尽可能“纯净”，即避免包含重复、不相关、缺失、异常或错误的数据。这样做的核心目的是防止数据冗余和混乱对算法输出产生不良影响。尽管在实际工作中，数据清洗和整理的过程往往占据大部分时间，但这一工作投入是极其有价值的。

3.2.2 汽车自动驾驶的数据集

目前，用于自动驾驶研究的开源数据集，如奥迪自动驾驶数据集 （A2D2 ）、 BDD 100K （ DeepDrive 数据集）、ApolloScape、 Google 地标数据集、 KITTI 视觉基准套件、Level5 数据集、 nuScenes 数据集以及 Waymo Open 数据集，涵盖了从传统汽车制造商到研究机构的多元来源。这些数据集都是经过精心整理和处理，不仅具有丰富的语义信息，还结合了摄像头、雷达等多种传感器数据，并详细记录了各种天气条件（如白天、夜晚、雨雪、雾天）下的城市道路场景，包括行人、地标、车辆行驶轨迹等上亿帧的内容，数据总量达数 TB 之巨。

值得一提的是，这些数据集均为开源性质，便于各高校和研究机构直接下载使用。研究人员可以基于这些丰富的数据集开发自己的算法模型，并通过相应的评估标准对模型性能进行检验和比较。这为自动驾驶领域的研究和创新提供了强大的数据支撑和便捷的研究途径。

3.2.3 无人叉车数据集缺失

当前，在无人叉车研究领域中缺乏有效的数据集是一个明显的问题。如叶伟[5] 在做车道线和托盘视觉神经网络检测定位时，也提出了数据集不足的缺点。相较于自动驾驶汽车市场，无人叉车市场的规模尚显不足，所以社会上各研究机构对此关注不多。一方面，学术界对于无人叉车应用场景的复现和数据采集并不是很方便，且这方面工作耗时耗力，导致涉足此领域研究型人才不多。另一方

面，传统叉车行业的人才对数据集的要求、结构、算法也缺乏深度认识，难以提供符合研究机构要求的数据集，从而在两者间形成了断层。

此外，研究无人驾驶叉车的机构不仅需要选择合适的算法模型、搭建测试平台，数据采集、数据处理（包括数据集的分类、清洗、语义分割、标注以及结构化整理）、模型训练、整机试验等事务，更涉及车辆的改装等工作。整个流程繁琐且耗时，因此，需要加强传统主机厂与科研机构之间的合作，不仅要考虑到软件模型算法的开发，还要考虑到硬件改装，更要涉及数据集的采集，以及应用场景的测试，共同推动无人叉车技术的发展。

4 结束语

经过深入的研究，我们发现相较于自动驾驶汽车的技术应用，无人驾驶叉车在实际落地上具有一定优势。自动驾驶的核心在于通过多种传感器融合来精确感知外部环境，并据此规划出最优的行驶路径和行动策略。然而，在一些极端天气，以及高动态、非结构化环境下，传感器的感知、车辆定位，往往会受到限制，从而影响自动驾驶系统的安全性和鲁棒性。

无人驾驶叉车主要在封闭、相对静态环境中低速运行，这大大降低了突发状况的发生概率。此外，通过实施电子围栏、边缘云传输基站以及统一的后台调度系统等技术手段，能够进一步提高无人叉车的安全性和效率。尽管如此，无人驾驶叉车技术的发展仍面临一些挑战，包括业内相关人员对人工智能、机器学习知识储备不足、有效数据集的缺失，以及学界和产业界有效的合作相对较少。展望未来，随着技术的不断进步和市场的逐步扩大，无人驾驶叉车领域的发展前景仍然十分广阔。预计其普及过程将遵循从电动到内燃、从平面搬运到空间立体搬运、从简单到复杂、从室内到室外的渐进路径。