傳統的自動導引車（AGV）系統在許多工業應用中使用，其特點是以嵌入式磁鐵或導線、畫線或磁帶或其他電氣或機械路徑定義手段的形式進行物理路徑引導。這些車輛通常沒有 "位置 "的概念，也不需要沿規定路徑的距離，可用于觸發速度變化、停止、裝載/卸載等，以實現預期的應用。激光雷達通常用于檢測障礙物的存在，并使AGV在離其路徑上的物體的規定距離內減速或停止。一些激光雷達產品具有監測AGV的速度和方向的能力，它們可以動態地調整AGV前面或后面的保護區域的大小和形狀。

AGV的改進

漸進式的改進使下一代AGV離開了由電線或膠帶建立的物理路徑，而使用內部數字地圖和對其在該地圖上的位置的了解，遵循更靈活的預編程虛擬路徑。一種常見的方法是使用精心定位和測量的反射器和車載激光雷達的集合，通常具有360°的視野，根據與多個反射器的距離的三角測量來計算AGV的位置。

基于反射器的導航由于物體阻擋其放置而具有局限性

激光雷達是一種距離測量方法，它使用脈沖激光形式的光和一個高度敏感的探測器，使用飛行時間或相移測量來確定非常短的距離值。當與在一個平面或其他模式中掃描激光的機制相結合時，用戶可以在連續的角度和/或方向上得到一系列的距離讀數。從這個二維或三維范圍的數據中，用戶可以從徑向坐標轉換為笛卡爾坐標，并由此創建一個場景的二維或三維輪廓圖。

激光雷達具有獨特的資格，可以以非常高的速度進行掃描，因為它具有光的速度，而且它以激光的形式攜帶自己的定向照明。此外，與立體視覺或三角測量等結構光技術相比，激光雷達可以讀取非常長的距離，而不需要在攝像機或發射器/探測器對之間有一個大的基線，這對較小的車輛來說可能很重要。

一些激光雷達具有專門檢測激光掃描中的反射器的額外能力，為定位提供了一個低計算量的三角測量系統。然而，使用反射器和三角測量有一個復雜的問題，即在AGV行駛過程中的任何一點都需要看到三個或更多的反射器，當操作空間被貨架、機器和其他設備分割時，這有時是一個困難的要求。

自主移動機器人

隨著全世界對工業4.0倡議的關注，以及制造商希望降低成本，提高靈活性和生產力，AGV技術的繼任者已經以自主移動機器人（AMR）的形式出現了。這些AMR系統對于AGV系統來說，就像過去幾年的協作機器人對于工業機器人一樣。AMR系統沒有電線、物理引導和額外的基礎設施，如反射器，它不僅在傳統的制造邊界內，而且在它們之間運輸材料和用品。穿過隧道和走廊，在建筑物之間和內部行駛，乘坐電梯進入多個樓層，AMR在躲避叉車時就像巧妙地談判狹窄的通道和人類步行交通一樣自如。

自主移動機器人繞過障礙物

真實世界自主導航

為了實現這一壯舉，AMR 必須能夠在其深遠的邊界內進行定位，并規劃穿過擁擠區域的路徑，這些區域在 AMR 每次通過時可能看起來都非常不同。在這種環境中，尤其是在人員中和人員之間工作時，障礙物檢測和避讓至關重要。幸運的是，賦予 AMR 自身定位能力的相同傳感器能夠檢測和報告 AMR 必須越過的障礙物的發生和位置。這些傳感器（通常是激光雷達）最近在功率和成本效益方面發生的變化使 AMR 變得可行，并迎來了一波進入者進入快速增長的產品領域的浪潮。競爭和不斷縮小的電子產品使得移動應用中使用的典型激光雷達價格從 10 多美元起，000 和十年前的籃球大小，今天的比較模型成本低于 2,000 美元，和棒球一樣小。更高的掃描速率和更高的角度分辨率為現代定位算法提供了更多的數據饋送饑餓算法。

同時定位和映射

使用激光雷達的 AMR 如何在沒有反射器或標記的情況下，通過隧道和大廳，在多個建筑物和多個樓層中定位自己的大小空間？AMR 使用一種稱為同步定位和映射 (SLAM) 的技術，該技術在 20 世紀 80 年代中期和 90 年代的學術實驗室中率先推出，解決了創建未知環境地圖同時在地圖中保持位置的問題。SLAM 算法仍然是一個活躍的研究領域，它們的各種版本被研究人員和商業用戶廣泛使用，例如開源機器人操作系統 (ROS) 庫、卡內基梅隆大學的機器人導航工具包 (CARMEN) 和 Mobile機器人編程工具包 (MRPT)，僅舉幾例。

SLAM 可以使用許多傳感器作為輸入，激光雷達是目前最常見和最容易獲得的。它通常使用多種不同類型的傳感器輸入，并根據各種傳感器類型的能力和限制定制算法。

每個傳感器都有一個與之相關聯的算法，用于根據該輸入確定運動或位置。例如，里程計或車輪轉數與移動機器人底座的數學運動學一起使用，以計算基于車輪旋轉的運動。聲納或超聲波傳感器可以根據與當地基礎設施的距離來估計位置。激光雷達范圍掃描可用于多種方式來估計移動機器人的運動或位置。

作為一個迭代推理問題，SLAM 從一個已知條件開始，即 AMR 的位置和姿態，對未來條件的建模預測，即基于當前速度和航向的位置和姿態估計，以及來自多個來源的傳感器數據誤差和噪聲量的估計。SLAM 使用包括卡爾曼或粒子濾波器在內的統計技術來近似解決機器人的位置和迭代姿勢。

該圖表說明了擴展卡爾曼濾波器的結果。顯示的是來自 Aethon 的 TUG 自主移動機器人沿著制造工廠的過道行駛的結果。過道呈90度角對齊。掃描到掃描算法（綠色）雖然相對平滑，但由于累積誤差可能會漂移（如圖的后半部分所示）。掃描到地圖算法（藍色）給出了均值可能跳躍的噪聲數據。這些變化是由于材料移動導致地圖與當前環境不匹配造成的。紅線是通過使用擴展卡爾曼濾波器結合所有定位技術計算出的 TUG 位置的估計值。跳躍是由使用絕對定位算法引起的。由 Aethon 提供。