一台AGV能跑起来,背后是一整套系统的协同工作。很多人刚接触这块,第一反应是问“核心零部件有哪些”,但真去查资料又会发现信息太散,要么是厂商宣传稿,要么是论文里的理论拆解,看完还是一头雾水。我前前后后经手过几款不同载重的AGV项目,从几百公斤的轻载仓储小车到几吨级的重载牵引车都有涉及,今天就站在实操的角度,把AGV的核心零部件彻底拆开来讲清楚,重点说人话,讲干货,不堆参数。
1. 内容整体设计与思路拆解
1.1 核心需求解析
“AGV小车核心零部件有哪些”这个问题,表面上是找清单,本质上是想搞清楚一套AGV系统是怎么搭起来的。如果你是一个刚入行的机械工程师,需要知道该给供应商提什么需求;如果你是采购,需要避免被销售带节奏;如果你是想自己DIY一台研究用的小车,更需要知道哪些东西可以省,哪些东西绝对不能省。
基于这些潜在需求,我倾向于把AGV的核心零部件分成四大系统来看:感知系统、决策系统、执行系统、供电系统。这四大系统对应人的五官、大脑、手脚和心脏,这样理解起来就很直观。
感知系统解决“车在哪、路在哪、有没有障碍物”的问题,核心部件包括导航传感器(激光雷达、二维码相机、磁导航传感器等)和安全传感器(安全激光、超声波、防撞条等)。
决策系统是整台车的大脑,负责处理感知数据、执行路径规划、下发运动指令,核心部件是主控制器(PLC或工控机)、运动控制卡、调度通信模块。
执行系统是手脚,负责把控制指令变成实际位移,核心部件是驱动轮组、伺服电机、减速机、编码器,以及转向机构(如果是有舵轮的话)。
供电系统是心脏,负责给所有部件供能,核心是动力电池、电池管理系统(BMS)和充电接口。
不过这里还得加一条容易被忽视的“骨架”——车体结构。很多人不把车架当核心零部件,但AGV的载重能力、稳定性、甚至导航精度都跟车架刚性直接相关。尤其是重载AGV,车架一旦发生形变,激光雷达的定位精度就会漂移,二维码相机的位置也可能偏移,整个导航精度就废了。所以车体虽然不是“看起来高科技”的部件,但它决定了其他部件能不能正常工作。
1.2 方案选型背后的考虑
不同的AGV应用场景,核心零部件的选型侧重点完全不一样。比如仓储场景的AGV,导航精度要求在±10mm以内,对感知系统要求就很高;而港口重载AGV,更看重驱动系统的扭矩和供电系统的持续放电能力,导航精度反而不需要那么苛刻。
这里有一个容易踩的坑:很多人第一次选型时,容易被“导航方式”带偏,花大量精力对比激光SLAM和二维码方案,但其实导航方式只是感知系统的一部分。真正需要先确定的是载重、速度、运行环境(室内/室外、是否有粉尘、温度范围)、作业模式(单机/多机调度)这几个顶层约束,然后再倒推需要什么样的驱动、什么样的控制器、什么样的传感器组合。
举个例子:如果你要做一台室内仓储AGV,路线固定、地面平整,那用二维码导航完全够用,成本也比激光SLAM低一大截。相反,如果环境是动态变化的,货架经常移动,还想让车走任意路径,那就必须上激光SLAM。这个决策直接决定了感知层的硬件选型,差出的成本可能是几倍。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 核心部件深度拆解——感知层
2.1 导航传感器
导航传感器是AGV最核心的感知部件,决定了AGV“知道自己在哪”。
激光雷达是目前中高端AGV最常见的选择,分两类:用于反光板导航的激光导航传感器,和用于SLAM自然导航的多线激光雷达。反光板导航的原理是,在运行路径周边按一定间距贴上反光板,车上的激光传感器实时扫描,通过测量到反光板的距离和角度,结合三角定位原理算出车的位置。这种方案稳定可靠,精度可以达到±5mm,但缺点是需要提前在环境里布置反光板,后期路径变更需要重新部署。SLAM方案则不需要任何辅助标记,靠激光雷达扫描环境轮廓,和地图特征做匹配来定位,灵活度更高,但对算力和雷达性能要求也更高。
选型时有个关键参数容易被忽略——扫描频率和数据接口。室内AGV一般10Hz就够用,但高速重载AGV最好选50Hz以上的雷达,否则高速运动下地图匹配会滞后。接口方面,常见的激光雷达走Ethernet或USB接口,需要确认主控制器是否支持对应驱动协议。我自己遇到过一台设备,买的雷达性能很好,但主控那边驱动版本不匹配,调试了好几天才跑通,这种隐形成本比硬件差价还高。
二维码相机是仓储AGV的主流方案。原理是在地面每隔一定距离贴一个二维码,车底的读码器拍到位姿码,通过解析二维码在视野中的位置和角度,计算出车的精确位姿。二维码相机选型主要看两个参数:视野范围和景深范围。视野决定了车偏移多少还能读到码,景深决定了读码距离的冗余度。常见的地面二维码尺寸是30mm×30mm或者50mm×50mm,相机安装高度一般在40-80mm之间,选购时要根据自己的安装空间来确认。还有个容易被忽略的参数是曝光时间,AGV高速通过二维码时如果曝光太长,图像会拖影,直接导致读码失败。实际调试中,把曝光控制在一个毫秒级,再配个补光灯,效果会好很多。
磁导航传感器虽然听起来老派,但在特定场景里仍不可替代。它通过检测磁条或磁钉的磁场信号来感知路径,成本低、抗污染能力强、不怕灰尘油污,特别适合环境恶劣的制造车间。磁导航传感器的关键是探头数量和检测灵敏度,常见的有4探头、8探头、16探头,探头越多,检测范围越宽,过弯时丢失信号的概率越低。选型时要根据磁条宽度和AGV轮距来匹配探头间距,否则容易在转弯处出现检测盲区。
2.2 安全防护传感器
安全传感器是AGV的“保命配置”,这部分千万别省。一台AGV在工厂里跑,周围是人、货架、叉车,一旦安全系统失效,后果不敢想。
安全激光雷达(也叫安全扫描仪)是目前AGV安全防护的主流方案,它能在车体前方形成一个扇形扫描区域,区域内有人员或障碍物闯入时,立即触发急停。这类雷达有个重要特性:内部集成安全逻辑,符合功能安全等级(如IEC 61508的SIL2或SIL3等级),不是普通雷达加个软件判断就能替代的。选型时要确认扫描角度(常见270°)、最大保护距离(常见5-10米)、响应时间(常见80ms以内)。
机械防撞条是最后一道物理防线,安装在车体前后端。当车体碰到障碍物时,防撞条受力触发微动开关,直接切断动力电。这个部件成本很低,但绝对不能省略,因为电子传感器有失效概率,物理接触是最可靠的保底。安装时要注意防撞条距离地面的高度,一般30-50mm比较合适,太高可能撞不到矮小物体,太低容易被地面磕碰导致误触发。
超声波和TOF传感器通常作为中距离补充,用于检测激光雷达盲区,比如车体侧方和后方。它们成本低,但缺点是容易受环境干扰,在粉尘大的车间里误报率会上升。如果你在粉尘环境使用AGV,建议以安全雷达为主,超声作为辅助,不要反过来。
还有一个容易忽略的点:安全传感器需要定期校准和清洁。工厂环境里粉尘是最大的天敌,激光雷达窗口蒙灰后,检测距离会明显缩短。我在现场见过一台AGV,安全雷达表面全是灰尘,有效保护距离缩水了三分之一,这已经是非常危险的状态了。建议在点检制度里加一条:每班次清洁一次传感器窗口,每周做一次安全功能测试。
3. 关键核心部件——决策与控制系统
3.1 主控制器
主控制器是AGV的大脑,负责接收传感器数据、运行导航算法、生成运动指令、跟调度系统通信。目前主流方案有三类:PLC、工控机、嵌入式控制器。
PLC方案常见于传统AGV厂商,特点是稳定可靠、编程直观,适合逻辑固定、流程简单的磁导航或二维码导航场景。PLC的缺点也很明显:浮点运算能力弱,跑不了复杂的SLAM算法;生态相对封闭,对接现代调度系统API不够灵活。如果只是一台沿着固定路线跑的磁导航车,PLC确实够用,成本也低。
工控机方案是现在的主流,尤其是激光SLAM导航的AGV,几乎都是工控机加运动控制器组合。工控机负责跑算法和调度通信,运动控制器负责执行实时运动控制。工控机选型时重点关注两个指标:CPU算力和接口数量。SLAM算法对CPU单核性能敏感,多核不一定有意义,选型时别只看核心数;接口方面,至少需要预留串口、网口、USB、CAN口各若干,因为感知层的传感器类型可能会随项目调整。
嵌入式控制器是这两年兴起的方案,把算法和控制集成在一块板子上,体积小、功耗低、成本可控,适合轻载AGV和AGV租赁市场。缺点是开发门槛高,底层驱动往往需要自己搞定,只适合有软件团队的公司。如果你是自己DIY学习用,嵌入式方案倒是个很好的练手方向。
我在实际项目里比较推荐的组合是:工控机负责导航调度加嵌入式运动控制板卡负责电机控制,两者通过CAN或EtherCAT通信。这样既保证了算法的灵活性,又保证了运动控制的实时性。如果非要用一台工控机硬扛电机控制,Windows系统下很容易出现控制周期抖动,车跑起来会一顿一顿的,这问题排查起来非常折磨人。
3.2 运动控制与通信
运动控制的核心任务是实时计算左右轮(或舵轮)的目标速度和转角,并转换成对伺服驱动器的指令。关键零部件包括运动控制卡/控制器、伺服驱动器和通信模块。
运动控制卡选型时,有几个参数必须确认:控制周期(一般要求1-4ms)、支持的运动模式(速度模式、位置模式、转矩模式)、编码器反馈接口类型、数字IO数量。对于差速驱动的AGV,至少需要2轴控制;对于舵轮驱动的AGV,需要1轴转向加1轴驱动,控制算法上会复杂一些。
AGV与调度系统(WCS/WMS)的通信,当下主流是WiFi,更重载的场合用工业无线电,还有正在普及的5G。WiFi方案的痛点在于漫游,AGV在厂房里移动时,WiFi在不同AP之间切换会产生几十到几百毫秒的断连,这对实时调度是致命的。实践里,我会建议选用支持快速漫游协议的企业级AP,并且在部署时做好信号覆盖测试,尤其注意冷库、金属货架密集区这类信号衰减严重的地方。如果项目预算允许,上工业无线电或5G专网会省心很多。
通信协议方面,AGV和调度系统之间常用的是TCP/IP协议加JSON或XML报文,定义好任务下发、状态回传、心跳检测等消息接口。调试阶段最烦的就是“车不动了”,查到最后往往是通信断连后重连状态没恢复。我的经验是:在AGV端写一个看门狗线程,如果与调度端心跳超时超过3秒,自动切换为本地安全停车,恢复心跳后再自动重连,别让整车死等通信。
4. 动力与执行核心——驱动系统和供电系统
4.1 驱动电机选型
执行系统的核心地位毋庸置疑,但很多人只盯着电机功率,忽略了减速机和编码器的匹配问题。
驱动电机在AGV上几乎清一色是伺服电机,因为它需要精确的速度和位置控制。选型时首先要做负载计算:已知整车重量m、满载重量M、最大速度v、加速时间t,能算出最大驱动力F。公式不复杂:F = (M+m)×a + (M+m)×g×μ,其中a是最大加速度(等于v/t),μ是地面滚动阻力系数(室内环氧地坪一般取0.02,水泥地面取0.03)。然后根据车轮半径算出所需扭矩:T = F×r。再考虑减速机和电机,得出电机额定转速和额定扭矩。这里有个经验值:伺服电机额定扭矩留20%的余量比较合理,不能留太多,电机选大了惯性比不匹配,响应反而变差。
减速机的选择同样关键。AGV里常见的减速机有行星减速机和谐波减速机,行星减速机刚性高、耐冲击,适合驱动轮;谐波减速机体积小、精度高,更适合转向关节。选减速机时减速比不能拍脑袋决定,它决定了电机的实际工作转速区间。一般来说,让电机在额定转速的60%-80%区间运行是最优的,这时效率高、发热少。比如目标速度1m/s,轮径200mm,轮子转速约95rpm,如果电机额定转速3000rpm,减速比就选32左右。
编码器是驱动系统里最容易被忽视的部件。它反馈电机轴的实时位置和速度,编码器分辨率直接关系到AGV的定位精度。常见增量式编码器分辨率在2500线左右,经4倍频后是10000脉冲/圈,配上减速机后,轮子每圈的脉冲数相当可观。但增量式编码器有个缺点:断电后位置丢失,需要重新找原点。如果要做精确的第二级定位,建议选绝对值编码器,虽然贵一些,但断电恢复后不用重新回零,省心很多。
4.2 车轮与转向机构
差速驱动是目前AGV最常见的驱动形式,两个驱动轮独立驱动,通过转速差实现转向。优点是结构简单、成本低、转向灵活,缺点是重载时单轮负载大,对地面平整度要求高。重载AGV如果超过2吨,更稳妥的是舵轮驱动,舵轮把驱动电机和转向电机集成在一个模块里,可以同时提供驱动力和转向角度,单轮承载能力更强,转向时轮胎磨损也更均匀。
舵轮的选型有几个硬指标:轮径、额定承载、转向角度范围、提升行程(部分舵轮带提升功能,可以把车体抬离地面)。轮径选择要结合地面缝隙和减速带情况,轮径太小过坎能力差,太大则电机扭矩需求暴增。我经手过的2吨级AGV,用的舵轮轮径在200-250mm之间,过一般的伸缩缝没问题,但遇到高于10mm的台阶就会跳保护。
转向机构的细节同样影响体验,尤其是回差和磨损。齿轮齿条传动久用会出现磨损,导致转向角度误差越来越大,AGV跑直线时出现“画龙”现象。遇到过这个问题,排查顺序一般是:先查转向编码器零位是否漂移,再查机械间隙,最后查伺服参数。大部分情况下是机械磨损导致回差变大,解决办法是定期做转向间隙补偿,严重的直接更换磨损件。
4.3 动力电池与充电方案
电池是AGV的“心脏”,目前动力电池已经几乎全面转向磷酸铁锂。磷酸铁锂电池比三元锂更安全,使用寿命长(循环寿命2000次以上),虽然能量密度偏低,但AGV并不像乘用车那样对体积重量极度敏感,安全性优先是合理选择。
电池选型需要做续航计算:先估算AGV单次循环的平均功耗(包含驱动功耗、控制器功耗、传感器功耗,一般轻载AGV在200-500W之间,重载AGV可能达到2-5kW),乘以单次循环时间,再除以放电深度(一般取80%),得出电池的最低容量。公式很简单:C = P×T / (U×DOD)。举个例子,一台平均功耗800W的AGV,要连续工作8小时,电池电压48V,放电深度80%,那么容量需求=800×8/(48×0.8)=166.7Ah,实际选型时还要留10%的余量,大概就选180Ah。
BMS电池管理系统是电池安全的守门员,负责均衡管理(保证电芯一致性)、过充过放保护、温度监控、剩余电量估算(SOC)。选型时重点看SOC估算精度,误差太大直接影响AGV的充电调度。有些低端BMS的SOC是靠电压估算的,磷酸铁锂放电平台很平,电压法估算误差能到20%以上,会出现系统显示还有60%电结果下一秒直接欠压趴窝的尴尬情况。靠谱的做法是选带库仑计(电流积分)的BMS,再配合充电时校准,误差能控制在5%以内。
充电方式也是个值得展开的话题:接触式充电成本低、效率高,但存在机械磨损和触点氧化问题;无线充电无接触、无磨损,适合洁净室场景,但效率低一些,对位精度要求高(一般偏差要在±10mm以内);全自动换电适合24小时连续运行的场景,能彻底解决充电时间窗口问题,但换电站成本高,适合大规模AGV车队。
补一个实操经验:电池加热管理,北方地区的用户尤其要注意。磷酸铁锂低温性能变差,0℃以下放电能力大幅下降,如果车放在库房外过夜,第二天开工前最好对电池做预热。现在很多BMS自带加热膜功能,选型时要注意这个功能,避免冬天AGV一出门就“腿软”。
5. 实操经验与常见问题速查
5.1 接口设计的四个重要心得
接口布局要有冗余。AGV车上的接口包括动力接口、通信接口、急停回路、扩展传感器接口。设计时至少留20%的冗余量,比如预计接8个传感器,那控制器最好选带10-12个IO的,不然后期加功能时才发现接口不够,改造成本很高。
急停回路用硬线直连。急停开关不能依赖软件逻辑,必须用硬线把急停按钮、防撞条、安全雷达的常闭触点串联起来,直接接到伺服驱动器的使能端或主接触器线圈上。这样任何一路断开都会直接切断动力,不需要经过控制器判断。这个细节是安全设计里最基本也最重要的。
线缆走线要分槽。动力线和信号线如果走同一个线槽,电机启停瞬间的大电流会产生电磁干扰,轻则编码器读数跳动,重则CAN通信丢包。实践里动力线、信号线必须分开走线,传感器线用屏蔽线并良好接地,通信线两端加磁环,这些都是成本低但效果显著的抗干扰措施。
预留调试接口。AGV出厂后不代表万事大吉,现场调试时经常需要连电脑看实时波形、改参数。建议在车体侧面板预留一个调试网口和串口,方便现场工程师不用拆壳也能接入系统。这个小设计能省很多现场调试时间。
5.2 常见问题排查表
| 故障现象 | 可能原因 | 排查步骤 |
|---|---|---|
| 小车走不了直线,左右漂移 | 轮径误差不一致、驱动电机参数不匹配、转向回差过大 | 先量两轮周长,再核对电机编码器参数,最后查转向机械间隙 |
| 激光导航偶尔跳变 | 反光板被遮挡/污染,雷达窗口脏,环境光强变化 | 清洁反光板和雷达窗口,检查反光板布局是否有遮挡物 |
| 二维码读不到 | 曝光时间不合适,补光灯失效,镜头有灰,二维码破损 | 先看读码器诊断画面,清洁镜头,调曝光,检查补光灯 |
| 电池快充后掉电快 | 电芯不一致、BMS均衡功能失效、SOC估算不准 | 用专业设备做电芯压差测试,重置BMS的SOC,必要时做均衡维护 |
| AGV与调度系统频繁断线 | WiFi漫游不到位、AP信号弱、有金属干扰 | 跑一遍全场信号测试,调AP位置,检查AGV天线安装角度 |
| 车体震动异常 | 减速机磨损、轮胎偏磨、地面不平 | 检查减速机间隙,测量胎压(如果是充气胎),做地面平整度检测 |
| 急停后重新上电,车不能恢复 | 伺服使能逻辑未复位,急停回路接触不良 | 查急停线路通断,确认控制器服务急停恢复顺序,重新上电测试 |
表格里的几个案例都是现场真实踩过的坑,尤其是激光导航跳变那个,当时排查了好久,最后发现是库房换了一批高亮顶灯,导致雷达传感器接收到了额外反射干扰。后来给雷达加了遮光罩,问题就消失了。这种环境因素引起的故障,书本上很难找到答案,只能靠现场经验积累。
5.3 选型与部署的总原则
回看AGV的项目经验,我的体会是:选型前宁可多花一周做需求分析,也别着急下单。你需要搞清楚的问题包括:AGV跑几年?运行环境温度范围是多少?地面平整度如何?是否需要跨楼层?噪声要求?维护团队的技术水平?这些维度直接决定零部件的档次和冗余度。
还有一个常被忽视的是“性能退化”问题。任何机械部件都有寿命,轮子会磨损、减速机齿隙会变大、电机磁性会衰减。设计时就要考虑维护周期和易更换性,比如电机和减速机是否模块化快拆、电池是否方便抽拉更换、控制器是否需要断电拆卸。一辆设计良好的AGV,核心部件更换应该在30分钟以内完成,否则一旦在客户现场出问题,停机损失远超零件本身价格。
最后说一个采购层面的建议:尽量选择成熟供应商的标准化部件,而不是定制件。定制件听起来很高端,但后续备件周期长、价格高,一个非标舵轮等货等两个月的情况真实发生在我一个朋友的项目里。AGV是生产设备,不是科研样机,可靠性和可维护性永远比账面参数更重要。
6. 一点个人体会
做了这么多AGV相关的项目,最大的体会是:AGV的难点从来不在某一个零部件上,而在系统整合。激光雷达再好,地面不平也白搭;伺服电机再强,通信断连一样趴窝;电池容量再大,充电调度做不好还是撑不住产线节拍。每个部件之间都存在耦合关系,而这正是工程最有意思的地方。
如果你正准备入手AGV项目,我建议先把本文提到的四大系统清单拉出来,对着自己的应用场景一项项划勾,明确哪些是必需品,哪些是锦上添花。想快速上手的话,可以找一套开源AGV方案配一台简单的差速小车,把定位、控制、供电的闭环跑通,再去理解那些高端选型就顺理成章了。等到你真正把一台车从零到一调通,再回头看“核心零部件有哪些”这个问题,你会更关心部件之间的配合关系,而不再只是单纯的清单记忆了。
