准备将您的AGV接入INF吗？来看看接入前的准备知识吧。
AGV运动包络，简称AGV包络，英文：Envelope。
INF.ML：AGVsTD为INF系统研制的用于处理交通管制的机器学习算法平台。与前篇文章中提及的INF.MeTA均归属于INF系列产品矩阵。
AGV运动包络是INF.ML的核心依赖。
【AGVsTD与INF的联动Logo：首字母代表机器人机头，整体为载运姿态，下方的两个车轮表示INF（无穷）符号∞】
导言
INF系统的优点之一是，作为产品级工业控制软件，INF拥有全自动化的交通管制处理能力，基于大数据处理和机器学习（深度学习多神经网络算法），无需人工参与移动机器人集群间的管制关系，例如处理AGV之间的交通管控、死锁预防等。
很久以前，INF系统使用基于时间窗预测的方式处理集群之间可能出现的死锁，并实时调整决策层调度机器人移动速度和启停。使用时间窗预测的其他行业的典型案例有铁路网调度、空中管制等，是非常流行的用于交通管制处理的方法之一。
但是，随着AGVsTD在重载AGV（例如叉车AGV和非标重载移动机器人）行业中的发展发现，基于时间窗预测的交通管制处理并不适合存在高频外部障碍干预的系统，这在铁路网、空中管制调度系统因外部天气等干预导致大面积延误尤为体现，这是因为外部干扰的大多数因素无法预测。当然，一般情况下铁路网、空中管制、AMR仓库运输并不会遇到高频率外部干预（即，它们的运行环境较为友好），所以，基于时间窗预测处理交通管制的方式一直在交通网路沿用至今。
然而，在今天，更多的工业生产环境中存在严重外部干扰因素，例如需要人机共同转运物料的情况，还有更重要的是传统工业生产向智能制造转型过程中存在较长时间的物料流管理混乱的情况，这无疑会带来很多无法避开的因素，所以当时间窗预测遇到高频外部障碍干扰时显得有些“手忙脚乱”。由于AGVsTD始终追求管制距离的极限（为了提高效率，AGVsTD要求INF调度系统团队将机器人之间的管制距离精确控制到100个毫米），最开始，AGVsTD（INF）既要求控制对象（移动机器人）沿着参考路径行驶，偏差尽可能小，又要求按照既定时间到达指定位置（机器人运动学算法按照轨迹跟踪（Trajectory Tracking）而非路径跟随（Path Following）实现），而高频率的外部干扰对此提出了较大的考验，即便如此，这也不是AGVsTD决定舍弃该方案（时间窗预测）的关键原因。后来，AGVsTD在AGV调度系统之外开发专用于提升整仓/整厂运输效率的INF运输优化系统时需要将优化频率做到毫秒级，以应对实时的AGV池与运输池之间的映射关系，需要同步提升调度系统中时间窗的预测频率到无人驾驶技术级别，这对其（INF调度系统）和服务器资源提出了非常高的要求。
现在，全新的基于ML（深度学习多神经网络算法）的INF.ML平台应运而生：
INF.ML根据输入的死锁模型样本定位空间中的死锁，并自动且智能化的处理和预防它们（多神经网络算法模型训练），直到系统中的死锁被预防处理掉（梯度下降）。这与基于时间窗预测的交通管制处理方式的优点在于：1、INF系统无需再预测未来（即不会存在预测失败而导致博弈现象发生）；2、将交通管制的处理维度从时间提升到空间，允许移动机器人运动学算法按照仅考虑几何因素的路径跟随来做，并且依旧可以保证交通管制距离的极限100毫米甚至更低（取决于AGV包络的准确性和车体控制精度）；3、最重要的，AGVsTD现在可以把INF运输优化系统的优化频率提升到毫秒级，简直是一石三鸟。
更关键的，INF.ML平台是独立于INF运行时系统之外的，这意味着部署运行INF系统的服务器和部署其他系统的服务器在性能要求上没有任何区别，甚至相比于高频时间窗预测的调度系统所需的要求更低。
然而，AGV包络是INF.ML的核心依赖，INF.ML根据AGV在参考路径（INF Studio中路径规划的几何描述，用于AGV运动控制参考）上驱动划过的包络外形来处理交通管制，所以，使用INF.ML的关键步骤是将AGV运动包络描述到INF系统，这在VDA5050标准接口文档的《6.15 Topic "factsheet"》中的agvGeometry->envelopes2d/3d也有提及。当然VDA5050现在处于2.0版本，并且github还存在将近100项待关闭的Issue，另外该接口协议更多的是靠近AMR的集群控制考虑的，对重载AGV和AGV包络的提及内容暂不完善，而且该接口对生产安全要素有太多空白。而重载AGV不同于AMR，安全是首要考虑的，AGVsTD现在致力为VDA5050未来的版本集成重载AGV做出贡献，但仍需时间。
正文
AGV包络，这是将AGV接入INF的必经之路，是使用INF.ML的必备条件，是INF.ML的核心依赖。
【AGV在INF Studio参考曲线上运行生成的包络轨迹】
AGV包络轨迹并不是由AGVsTD或INF定义的，而是由AGV车载运动控制决定的（例如不同的路径跟踪控制），所以，不同的车载控制技术对AGV包络的生成视图不同，这由AGV团队定义，并向AGVsTD提供AGV包络数据和用于对比验证的可视化包络视图/样图。
目前，AGVsTD实现过下面几种AGV包络信息的方式，这意味着如果将您的AGV接入INF您必须可以实现如下几种方案中的最少一种，或者提供额外方案已达成相同的效果：
方案一：
AGV团队提供用于AGV包络的计算法则，例如使用MATLAB生成包络视图，可能的输入有：车体的几何尺寸（长、宽，轴距）、S300的安全区域（如果有或者其他安全传感器的范围）、运动学参数、参考线几何属性（直线或圆弧或贝塞尔或B样条等）等。
AGVsTD对这个法则进行转化之后，在INF.ML中可以自动计算任何可能的参考路径下的AGV包络并计算死锁模型样本供给INF.ML训练学习。这个方案适用于拥有自主车载控制技术的AGV团队，由于AGVsTD需要对法则进行转化实现，所以MATLAB等的描述中不应该存在任何不可读的调用。
【基于运动控制的MATLAB模拟AGV运动包络】
考虑到每个AGV团队选择的车体运动学控制方向不同，AGVsTD允许AGV参考点无需严格在INF规划的参考路径段上驱动，例如如下（稍微夸张一点），红色轨迹为INF传递到AGV的多个路径的几何描述拼接，AGV完全可以不严格要求机器人沿着参考路径行驶，但偏差应尽可能小（黄色部分）：
无论如何，都需要提供包络轨迹与INF参考路径之间的生成关系描述。
方案二：
该方案将导致INF.ML部分功能受限
对于使用外部车体改装或者使用第三方车载控制技术的情况下，可以与车载控制技术提供方协商提供上述计算法则。当以上提及不起作用时，AGVsTD允许使用路径包络模板，目前，AGVsTD实现了两种模板。注意，使用该方案必须经过AGVsTD内部的安全测试后才会允许在生产环境部署INF系统：
2.1基于AGV位置信息的模板
AGV的位置信息模板由一系列AGV在参考路径段上驱动的实时坐标（X,Y，角度）决定。数据类型包含的属性字段包括（AGV所在参考线段上的距离d/时间t、X、Y、角度等）。例如参考曲线长度1690，则模板的信息为（0，X、Y、Theta）、（100，X、Y、Theta）、、、、（1600，X、Y、Theta）、（1690，X、Y、Theta）。以上的0-1690是AGV在参考路径段上分别驱动指定距离时记录的AGV实时坐标。这些数据可以是理论数据或者真实运行出来的数据，但无论如何，都应该提供可视化视图供AGVsTD做视图对比，并保证提供的视图和真实物理车体驱动轨迹相符（AGV团队自行在实验室内做轨迹符合碰撞测试）。
【AGV参考点在半径为1075的参考圆弧上驱动的实时位姿信息】
2.2基于包络锚点集合的模板
这是由一系列包络锚点List决定的包络，遵循一定的VDA5050中的agvGeometry->envelopes2d数据结构/类型，下面是在INF系统中使用AGV包络锚点模版的方法。
可以使用INF Studio快速导入模版数据，选择工具栏中的--从文件导入包络点功能，选择对应的AGV类型，选择对应的Segment包络：
在弹出的文件选择窗口中选择准备好的csv文件，内容如下，具体的数据类型结构可以在VDA5050接口协议中找到：
如果使用方案二，在INF Studio设计项目时，如果存在任何缺失的模版信息将无法通过INF Studio中的INF Analysis智能分析编译检查，相关信息将在INF Studio的输出窗口中显示，例如没有为半径为461的参考线段配置模版数据信息：
由于这（AGV包络）是将AGV接入INF的必经之路，所以，请重点评估有关AGV包络的各种可能的情况，剩余的工作将交给INF。
AGVsTD已经向INF.ML提供了超过百万数量级、千万数量级、亿数量级的死锁模型样本用于学习训练，可以在短时间内完成整个布局的交通设计、控制、死锁检测和预防工作，之后系统内的移动机器人便可自由顺畅运行。
关于INF.ML的一些额外信息
INF.ML从某种程度来讲是全球领先的，即便是世界先进的AGV技术提供商、无人驾驶技术团队也对其赞不绝口，它并不是从时间窗预测改进而来的，而是全新的交通管制算法平台，它甚至可以对无人机动车和铁路运输交通路网设计提供帮助，比如应该如何在距离交叉路口设计转向车道等，当然INF.ML全新平台并不意味着AGVsTD丢弃了基于时间窗预测的所有功能，例如流量预测和控制，只不过AGVsTD认为这（流量控制）是为整体物流运输效率考虑的工作，所以它现在在INF 运输优化系统中实现，INF 运输优化系统从数十个模型（例如能源控制，流量控制等）中充分考虑整仓/整厂运输效率。
即便如此，这里也仅仅描述了INF.ML的冰山一角，而INF.ML又是整个INF系列产品矩阵中的数十分之一而已，更多技术信息后续将在INF单项产品专栏中介绍，敬请期待！！！
最后
如果有任何AGV包络的疑问请在AGVsTD 2024 大动作 倒计时结束正式开放商用版之后联系AGVsTD的专业人员，届时，我们将优先为此提供专用的技术服务通道。
不胜感激！！！
Q/A环节
1、Q：既然INF.ML这么优秀为什么不在铁路网运输中部署呢？
A：INF从空间维度考虑交通控制，要求被控制对象具有较高的加速度率，即从停止到全速运行应在短时间（数秒）完成，而火车并不满足该条件。
2、Q：INF系统的销售和交付是如何？
A：AGVsTD实行一站式培养制合作伙伴模式，提供SaaS软件即服务的云端部署（视国家和地区适用）和本地化交付。从全交钥匙工程（产能有限）到仅授权商业模式。AGVsTD致力于将工程中尽可能出让的服务交于具备相关能力的合作伙伴完成并由其获得该部分收益，最终AGVsTD仅收取产品授权费，用于AGVsTD新产品研发和服务器维护。
3、Q：INF系统的开源计划还在吗？
A：AGVsTD一部分人员始终坚持，所以，我们将会考虑在某些特定条件下对合作伙伴进行，即便这是困难的。另外，由于INF的开源可能对行业部分企业造成一定冲击，所以AGVsTD可能会保留一部分权利在一定期限内。
4、Q：如何成为INF合作伙伴，有什么优势？
A：与AGVsTD签署任何实质性项目后建立合作伙伴关系。使用优秀的INF系列产品可以快速完成项目部署交付和市场扩展，此外，AGVsTD在全球移动机器人终端用户市场将具备一定影响力并致力于全球移动机器人生态网络，会向网络内的终端用户推荐合作伙伴的优秀产品。