📚 课程目录第3章 AGV基础与仿真模型

3、AGV基础与仿真模型：AGV小车结构、运动学模型、在Isaac Sim中导入或创建AGV模型、添加传感器（相机、IMU、激光雷达）

AGV（Automated Guided Vehicle，自动导引车）是智能物流与柔性制造系统中的核心执行单元。在Isaac Sim中进行视觉导航仿真之前，必须首先建立对AGV本体结构与运动学模型的准确认知，并掌握在仿真环境中构建或导入AGV模型、配置传感器的方法。本章将围绕“结构认知→运动学建模→仿真资产构建→传感器集成”这一主线展开，帮助学习者建立从物理实体到数字孪生的完整映射。

3.1 AGV小车结构：从物理组成到仿真映射

3.1.1 核心原理：AGV的五大子系统

AGV虽然形态多样，但本质上由五大子系统构成：车体与机械结构（底盘、车架、举升机构）、驱动与转向系统（电机、减速器、转向轮）、导航与感知系统（激光雷达、相机、IMU、磁条/二维码传感器）、控制与计算单元（PLC、工控机、嵌入式板卡）、能源与通信系统（电池、充电模块、WiFi/5G模块）。在Isaac Sim中，我们不需要对每个螺栓进行建模，但必须保留影响物理仿真和视觉感知的关键部件：车轮位置与尺寸、传感器安装位姿、车体碰撞体积、重心位置。

从仿真角度，AGV模型可分为三个层次：视觉层（外观网格，用于渲染和相机仿真）、物理层（碰撞体、质量、惯性张量，用于动力学仿真）、逻辑层（关节、驱动接口、传感器数据接口）。在Isaac Sim中，这三个层次统一由USD（Universal Scene Description）格式描述，通过Prim（场景图节点）组织。

3.1.2 判断方法：如何确定AGV的仿真建模精度

建模精度取决于仿真目标，可参考以下决策矩阵：

仿真目标	视觉层精度	物理层精度	推荐建模方式
视觉导航算法验证	高（纹理清晰）	低（简单碰撞体）	URDF导入 + 纹理贴图
运动控制算法验证	中	高（精确惯量/摩擦）	程序化创建 + 物理属性调优
多机协同调度	低（简化模型）	中	USD引用 + 简化碰撞体
传感器仿真（相机/雷达）	高（材质真实）	中	精细USD + 传感器参数标定

一个实用原则：视觉层精度决定传感器仿真可信度，物理层精度决定运动控制可信度。如果做视觉导航，车体外观和传感器安装位置必须精确；如果做运动学验证，轮径、轴距、质量分布必须准确。

3.1.3 案例拆解：典型差速AGV的结构参数

以一款常见的仓储差速AGV为例，其关键参数如下：

车体尺寸：800mm × 600mm × 300mm（长×宽×高），离地间隙50mm
驱动轮：两个差速驱动轮，直径200mm，轮距400mm，位于车体中部偏前
万向轮：四个从动万向轮，分布在四角，直径75mm
传感器布局：顶部安装2D激光雷达（高度500mm），前方安装RGB相机（高度350mm，俯仰角-5°），车体中心安装IMU
质量参数：整车质量120kg，重心位于几何中心下方30mm处

在Isaac Sim中创建该模型时，需要将上述参数转换为USD属性：车轮关节的driveType设置为"rotational"，轮径通过physics:radius指定，传感器通过Camera、Lidar、Imu等Prim类型添加，并设置相对于车体坐标系的localPosition和localOrientation。

经验提醒：在Isaac Sim中，传感器安装位姿的微小偏差（如相机俯仰角差1°）会导致仿真图像与实际场景产生明显差异。建议在建模前用CAD软件或量角器精确测量，并在仿真中通过可视化调试工具（如Viewport中的Camera Debug）验证视野范围。

3.2 运动学模型：从数学描述到仿真驱动

3.2.1 核心原理：三种典型运动学模型

AGV的运动学模型描述了车轮速度与车体速度之间的映射关系。根据驱动方式不同，主要分为三类：

差速模型：两个独立驱动轮 + 万向从动轮。车体速度由左右轮速决定：线速度 \(v = (v_L + v_R)/2\)，角速度 \(\omega = (v_R - v_L)/L\)（L为轮距）。该模型结构简单、转向灵活，是室内AGV的主流选择。
阿克曼模型：前轮转向 + 后轮驱动（或四轮驱动）。适用于室外高速场景，转弯半径受转向角限制，运动学约束为 \(v = \omega \cdot R\)，其中R为转弯半径。
全向模型：采用麦克纳姆轮或全向轮，可实现平移和旋转的独立控制。运动学模型为 \( \begin{bmatrix} v_x \\ v_y \\ \omega \end{bmatrix} = J \cdot \begin{bmatrix} \omega_1 \\ \omega_2 \\ \omega_3 \\ \omega_4 \end{bmatrix} \)，其中J为雅可比矩阵，取决于轮子安装角度。

在Isaac Sim中，运动学模型通过关节驱动实现。对于差速模型，需要为两个驱动轮分别创建RevoluteJoint，并设置driveType为"velocity"，通过Python API或ROS2接口发布左右轮速度指令。

3.2.2 操作流程：在Isaac Sim中实现差速运动学

创建车轮关节：在USD中为左右驱动轮添加RevoluteJoint，将body0设为车体，body1设为车轮，关节轴向设为Y轴（或根据模型调整）。
配置驱动参数：在关节的Physics属性中设置driveType="velocity"，maxVelocity设为2.0 m/s，maxForce设为100 N。
编写控制脚本：使用Isaac Sim的Python API，通过articulation_view.set_joint_velocity_targets()设置左右轮目标速度。
验证运动学：在仿真中发布恒定速度指令，测量车体实际线速度和角速度，与理论值对比。

# 差速AGV速度控制示例
import omni.isaac.core.utils.stage as stage_utils
from omni.isaac.core.articulations import ArticulationView

# 获取关节视图
articulation_view = ArticulationView(prim_paths_expr="/World/AGV")
# 设置左右轮速度 (rad/s)，假设轮径0.2m，目标线速度0.5m/s
wheel_radius = 0.1
v_target = 0.5  # m/s
omega_target = 0.2  # rad/s
v_left = (2*v_target - omega_target*0.4) / (2*wheel_radius)
v_right = (2*v_target + omega_target*0.4) / (2*wheel_radius)
articulation_view.set_joint_velocity_targets([v_left, v_right], joint_indices=[0, 1])

3.2.3 常见误区与总结复盘

风险提示：在Isaac Sim中，如果车轮的RevoluteJoint轴向设置错误（例如将轴向设为Z轴），会导致车轮无法正常旋转或车体运动异常。此外，maxForce设置过小会导致AGV在重载或斜坡上打滑，设置过大会导致仿真不稳定。建议先使用physics:angularDamping增加阻尼，再逐步调整驱动力。

另一个常见误区是忽略车轮与地面的摩擦系数。Isaac Sim默认的摩擦系数可能无法模拟真实AGV的抓地力，导致急加速时车轮空转。建议在物理场景中设置地面材质为concrete或asphalt，并调整车轮碰撞体的physics:dynamicFriction和physics:staticFriction。

3.3 在Isaac Sim中导入或创建AGV模型

3.3.1 核心原理：三种建模路径对比

建模方式	适用场景	优点	缺点
URDF导入	已有ROS/URDF模型	保留关节/传感器定义，生态兼容	物理属性可能不准确，需手动调整
USD原生创建	从零开始或精细控制	完全可控，性能最优	建模工作量大，需熟悉USD语法
程序化生成	参数化研究、批量生成	可脚本化，便于参数扫描	复杂几何体建模困难

对于大多数课程项目，推荐URDF导入 + 手动调优的混合路径：先用SolidWorks/Fusion 360导出URDF，再在Isaac Sim中调整物理属性和传感器参数。

3.3.2 操作流程：URDF导入与调优

准备URDF文件：确保URDF中包含所有和定义，且每个link具有visual和collision几何体。
使用Isaac Sim URDF Importer：通过菜单Isaac Utils → URDF Importer或Python API导入，设置fix_base_link为False（AGV需要移动）。
检查导入结果：在Stage中检查Prim层次结构，确认所有关节和传感器已正确创建。
调整物理属性：为每个link设置physics:mass和physics:inertia，可通过Compute Inertia工具自动计算。
添加传感器：在URDF中已定义的传感器会保留，未定义的需手动添加。

# URDF导入Python示例
from omni.isaac.urdf import _urdf
urdf_importer = _urdf.UrdfImporter()
urdf_path = "/path/to/agv.urdf"
result = urdf_importer.import_urdf(urdf_path, stage_units_in_meters=1.0)
# 获取导入后的根Prim路径
root_prim_path = result.root_prim_path
print(f"AGV模型已导入: {root_prim_path}")

3.3.3 案例拆解：从SolidWorks到Isaac Sim的完整流程

某项目需要将一款定制AGV导入Isaac Sim，具体过程如下：

背景与约束：AGV为四轮差速结构，包含举升机构，需保留举升关节的运动学约束。模型文件为SolidWorks格式，需转换为URDF。
操作步骤：① 在SolidWorks中安装SW2URDF插件，配置各link的坐标系和关节类型；② 导出URDF包（包含meshes文件夹）；③ 在Isaac Sim中导入URDF，发现举升关节的prismatic类型被正确识别；④ 手动调整举升关节的maxForce为500N，确保能承载货物；⑤ 添加激光雷达和相机传感器。
结果对比：导入后模型在仿真中可正常驱动，举升机构运动范围与实物一致。但发现车轮摩擦系数偏低，导致急停时打滑，通过将dynamicFriction从0.3调至0.8解决。
复盘经验：URDF导入后必须检查collision几何体是否与visual一致，否则可能出现“视觉穿透”或“碰撞异常”。

3.4 添加传感器：相机、IMU、激光雷达

3.4.1 核心原理：传感器仿真机制

Isaac Sim中的传感器仿真基于渲染引擎和物理引擎的协同工作：

相机（Camera）：通过渲染管线生成RGB图像、深度图、语义分割图。关键参数包括分辨率、FOV、焦距、曝光时间。在视觉导航中，通常使用RGB相机获取环境纹理，使用深度相机获取距离信息。
IMU（惯性测量单元）：通过物理引擎的刚体动力学计算加速度和角速度。关键参数包括采样频率、噪声密度、偏置稳定性。IMU数据用于状态估计和运动控制。
激光雷达（Lidar）：通过射线投射（Raycast）模拟激光束的发射与接收。关键参数包括扫描线数、角度范围、角分辨率、最大测距。2D激光雷达常用于SLAM和避障，3D激光雷达用于环境重建。

3.4.2 操作流程：在Isaac Sim中配置传感器

添加相机：在AGV Prim下创建Camera子Prim，设置localPosition和localOrientation，配置imageWidth、imageHeight、focalLength等属性。
添加IMU：创建ImuPrim，设置linearAcceleration和angularVelocity的噪声参数，通过ImuSensor接口读取数据。
添加激光雷达：创建LidarPrim，设置horizontalFov、verticalFov、range、rotationRate等参数，通过LidarSensor接口获取点云数据。

# 添加相机传感器示例
from omni.isaac.sensor import Camera
camera = Camera(
    prim_path="/World/AGV/chassis/front_camera",
    position=[0.3, 0, 0.35],
    orientation=[0.996, 0, 0.087, 0],  # 约-5°俯仰角
    frequency=30,
    resolution=(640, 480)
)
camera.initialize()
# 获取RGB图像
rgb_image = camera.get_rgba()

3.4.3 常见误区与调优建议

  关键调优：激光雷达的rotationRate（旋转速率）与horizontalFov（水平视场角）共同决定点云密度。如果rotationRate过高，点云会稀疏；过低则数据冗余。建议根据导航算法需求设置：2D SLAM常用10Hz旋转速率、270°视场角；3D感知常用5Hz旋转速率、360°视场角。

另一个常见问题是传感器时间同步。在Isaac Sim中，不同传感器的数据回调频率可能不同，需要设置统一的frequency或使用on_tick事件同步读取。对于视觉导航，建议将相机和激光雷达的频率设为相同（如30Hz），IMU设为100Hz以上，并在控制循环中缓存最近一帧数据。

风险提示：在Isaac Sim中，传感器数据默认在GPU上生成，如果直接通过CPU读取（如get_rgba()），会引入数据传输延迟。对于实时性要求高的场景，建议使用Tensor API直接在GPU上处理图像和点云数据，避免CPU-GPU拷贝。

3.4.4 案例拆解：多传感器融合的AGV感知系统

某视觉导航项目需要AGV在仓库中自主行驶，感知系统配置如下：

传感器配置：顶部2D激光雷达（10Hz，270°FOV，30m量程），前方RGB相机（30Hz，640×480，FOV 90°），车体中心IMU（100Hz，加速度计±4g，陀螺仪±500°/s）。
初始现象：在仿真中，AGV在直道行驶时定位正常，但在转弯时激光雷达点云出现明显畸变，导致SLAM建图失败。
分析过程：检查发现激光雷达的rotationRate设置为20Hz，而车体转弯角速度达到0.5rad/s，导致点云在扫描周期内发生运动畸变。IMU数据虽然能提供角速度补偿，但未与激光雷达时间戳对齐。
解决方案：将激光雷达rotationRate降至5Hz，并在读取点云时使用IMU数据进行运动补偿（去畸变）。同时，将相机和激光雷达的frequency统一为10Hz，确保数据同步。
结果对比：调整后，SLAM建图精度显著提升，轨迹误差从0.3m降至0.05m。但点云密度下降，通过增加horizontalFov分辨率（从0.5°降至0.25°）弥补。
复盘经验：传感器参数必须与AGV运动特性匹配。高速运动场景应降低激光雷达旋转速率或使用固态激光雷达；同时，多传感器时间同步是融合算法的基础，建议在仿真中提前验证。

通过本章的学习，学习者应能够独立完成AGV仿真模型的构建：从结构参数确定、运动学模型选择，到Isaac Sim中的模型导入/创建，再到相机、IMU、激光雷达的配置与数据读取。下一阶段，我们将基于这些传感器数据，开展视觉导航算法的开发与验证。