港口集装箱车对位，精准对接集装箱，港口搬运，输出对位成功。

1. 实际应用场景描述

场景：

在现代化港口，集装箱卡车需要将集装箱精准对接到岸桥（STS）或堆场龙门吊下方，以便装卸。由于集装箱体积大、重量重，对位精度要求极高（误差通常小于 5 cm），且作业环境存在风、雨、雾等干扰，人工驾驶难度大、效率低。

痛点：

1. 对位精度要求高：误差过大会导致装卸失败或损坏设备。

2. 环境复杂：港口光线变化、雨雾、金属反光等影响视觉识别。

3. 时间压力大：船舶靠港时间有限，需快速完成对位。

4. 安全风险：对位不准可能引发碰撞事故。

2. 核心逻辑讲解

1. 视觉定位

- 使用工业摄像头 + YOLOv5 检测集装箱角点、锁孔等关键特征。

- 结合 ArUco 码或 QR 码辅助精确定位。

2. 传感器融合

- GPS/RTK（室外）+ IMU + 激光雷达，提高定位鲁棒性。

3. 路径规划

- 全局路径（A*）+ 局部路径（DWA）确保车辆按最优轨迹接近目标。

4. 运动控制

- 纯追踪（Pure Pursuit）或 MPC 控制，实现厘米级对位。

5. 状态机管理

- 状态：待机 → 粗定位 → 精对位 → 锁定 → 完成。

3. 代码模块化设计

port_container_alignment/

├── main.py # 主程序入口

├── config.py # 配置文件

├── perception/ # 感知模块

│ ├── container_detector.py

│ └── aruco_marker.py

├── localization/ # 定位模块

│ └── sensor_fusion.py

├── planning/ # 规划模块

│ └── path_planner.py

├── control/ # 控制模块

│ └── motion_controller.py

├── utils/ # 工具函数

│ └── logger.py

├── README.md # 使用说明

└── requirements.txt # 依赖库

3.1 config.py

# 配置文件

CONTAINER_DETECTION_CONFIDENCE = 0.7

ARUCO_DICT = cv2.aruco.DICT_4X4_50

TARGET_POSITION_TOLERANCE = 0.05 # 米

MAX_SPEED = 0.5 # m/s

MIN_SPEED = 0.1

3.2 perception/container_detector.py

import torch

from config import CONTAINER_DETECTION_CONFIDENCE

class ContainerDetector:

def __init__(self, model_path='yolov5s.pt'):

self.model = torch.hub.load('ultralytics/yolov5', 'custom', path=model_path)

def detect(self, frame):

results = self.model(frame)

containers = []

for *xyxy, conf, cls in results.xyxy[0]:

if conf > CONTAINER_DETECTION_CONFIDENCE and int(cls) == 0: # 假设0为container

containers.append({

'bbox': [int(x) for x in xyxy],

'confidence': float(conf)

})

return containers

3.3 perception/aruco_marker.py

import cv2

from config import ARUCO_DICT

class ArUcoMarker:

def __init__(self):

self.aruco_dict = cv2.aruco.getPredefinedDictionary(ARUCO_DICT)

self.parameters = cv2.aruco.DetectorParameters()

def detect(self, frame):

corners, ids, _ = cv2.aruco.detectMarkers(frame, self.aruco_dict, parameters=self.parameters)

return corners, ids

3.4 localization/sensor_fusion.py

class SensorFusion:

def __init__(self):

pass

def fuse(self, gps_data, imu_data, lidar_data):

# 简化：加权平均（实际应使用卡尔曼滤波）

pos = (gps_data['x'] + lidar_data['x']) / 2

return {'x': pos}

3.5 planning/path_planner.py

from config import TARGET_POSITION_TOLERANCE

class PathPlanner:

def plan(self, current_pos, target_pos):

distance = abs(current_pos['x'] - target_pos['x'])

if distance < TARGET_POSITION_TOLERANCE:

return "ALIGNED"

elif current_pos['x'] < target_pos['x']:

return "MOVE_FORWARD"

else:

return "MOVE_BACKWARD"

3.6 control/motion_controller.py

from config import MAX_SPEED, MIN_SPEED

class MotionController:

def __init__(self):

self.speed = MIN_SPEED

def adjust(self, command):

if command == "ALIGNED":

self.speed = 0

elif command == "MOVE_FORWARD":

self.speed = MAX_SPEED

else:

self.speed = -MAX_SPEED

return self.speed

3.7 main.py

import cv2

import time

from perception.container_detector import ContainerDetector

from perception.aruco_marker import ArUcoMarker

from planning.path_planner import PathPlanner

from control.motion_controller import MotionController

def main():

detector = ContainerDetector()

marker_detector = ArUcoMarker()

planner = PathPlanner()

controller = MotionController()

cap = cv2.VideoCapture(0)

while True:

ret, frame = cap.read()

if not ret:

break

containers = detector.detect(frame)

corners, ids = marker_detector.detect(frame)

# 假设目标位置为ArUco标记位置

target_pos = {'x': 0.0} # 实际应从marker计算

current_pos = {'x': 0.0} # 实际应从传感器融合得到

command = planner.plan(current_pos, target_pos)

speed = controller.adjust(command)

if command == "ALIGNED":

print("✅ 对位成功！")

break

print(f"Command: {command}, Speed: {speed:.2f} m/s")

time.sleep(0.1)

cap.release()

if __name__ == "__main__":

main()

4. README.md

# 港口集装箱车精准对位系统

基于 Python + YOLOv5 + ArUco 的集装箱对位程序。

## 功能

- 集装箱检测

- ArUco 码精确定位

- 路径规划与运动控制

- 对位成功判断

## 安装

bash

pip install -r requirements.txt

## 运行

bash

python main.py

## 配置

修改 `config.py` 调整检测阈值、对位容差等参数。

5. 使用说明

1. 连接工业摄像头到设备。

2. 安装依赖：

"pip install -r requirements.txt"。

3. 在集装箱上粘贴 ArUco 码作为定位基准。

4. 运行

"python main.py"，观察终端输出。

5. 可扩展为 ROS 控制真实 AGV 底盘。

6. 核心知识点卡片

知识点 说明

YOLOv5 集装箱检测

ArUco 码 精确定位

传感器融合 GPS+IMU+LiDAR

A* 算法 全局路径规划

DWA 局部避障

Pure Pursuit 路径跟踪

状态机 对位流程控制

7. 总结

本项目展示了如何将计算机视觉、传感器融合、路径规划与运动控制结合，实现港口集装箱车的厘米级精准对位。

未来可加入多车协同调度、5G 远程监控、数字孪生仿真等高级功能，打造智慧港口解决方案。

如果你需要，还可以：

- 集成 ROS2 + Nav2 实现完整导航栈

- 使用 OpenCV 亚像素级角点检测 提升对位精度

- 添加 Web 可视化界面 实时监控对位过程

利用AI解决实际问题，如果你觉得这个工具好用，欢迎关注长安牧笛！