張長勇，郭 聰，李玉洲，張朋武

(1.中國民航大學(xué) 電子信息與自動(dòng)化學(xué)院，天津 300300；2.南航股份公司 工程技術(shù)分公司北京基地，北京 102602)

0 引言

現(xiàn)代民航客機(jī)，由于本身的尺寸設(shè)計(jì)，絕大部分的地面服務(wù)工作，例如裝卸行李、上下旅客、檢查維修等，都需要借助相應(yīng)的地面設(shè)備或特種車輛才能完成。目前國內(nèi)外機(jī)場(chǎng)地面設(shè)備與特種車輛的靠機(jī)作業(yè)均由人工操作完成。參與作業(yè)的工作人員通常分為兩部分：一部分為監(jiān)護(hù)員，在設(shè)備上(如航食車艙門口)或飛機(jī)旁負(fù)責(zé)引導(dǎo)特種車輛靠近飛機(jī)，并監(jiān)督車輛是否停靠到位；另一部分為特種車輛駕駛員，在車輛距離飛機(jī)5～10 m外，先進(jìn)行車輛與飛機(jī)的預(yù)對(duì)正，然后再依據(jù)監(jiān)護(hù)員指揮，最終完成地面設(shè)備與特種車輛的靠機(jī)任務(wù)。人工作業(yè)費(fèi)時(shí)費(fèi)力且不易于統(tǒng)一管理，因此特種車輛自動(dòng)靠機(jī)已成為智慧機(jī)場(chǎng)的發(fā)展趨勢(shì)之一[1]。

飛機(jī)艙門的準(zhǔn)確檢測(cè)與定位是實(shí)現(xiàn)特種車輛自動(dòng)靠機(jī)的關(guān)鍵。由于采用視覺的方式比使用非視覺方式能夠獲得更多的信息，且有著更強(qiáng)的泛化性和可靠性，成為目前的主流檢測(cè)方式。基于視覺的目標(biāo)檢測(cè)算法可分為一階段和二階段兩種。二階段目標(biāo)檢測(cè)算法[2-5]，主要有R-CNN、SPP-net、Fast R-CNN、Faster R-CNN等系列方法，算法先通過區(qū)域提取網(wǎng)絡(luò)產(chǎn)生候選框，然后用卷積神經(jīng)網(wǎng)絡(luò)對(duì)候選框作分類和回歸；一階段目標(biāo)檢測(cè)算法，主要有 YOLO 系列[6]、SSD[7]等，通過一個(gè)網(wǎng)絡(luò)直接回歸出目標(biāo)的類別和位置。一階段算法相對(duì)于二階段算法，更適用于輕量級(jí)速度較快的實(shí)時(shí)檢測(cè)。

激光定位、雙目定位、單目定位是目前較為常用的3種定位方法。激光定位[8]具有測(cè)量精度高、體積小和速度快的優(yōu)點(diǎn)，但存在集成度低，成本高的問題；雙目定位[9]具有精度高、設(shè)備集成度高的優(yōu)點(diǎn)，但相機(jī)的裝配過程復(fù)雜且系統(tǒng)體積較大；單目定位[10]具有設(shè)備簡易、集成度高、體積小、系統(tǒng)簡單穩(wěn)定的優(yōu)點(diǎn)，但由于單個(gè)攝像頭丟失了深度信息，所以需要給出待測(cè)物體的寬度或者高度才能進(jìn)行定位。

鑒于艙門尺寸可以事先通過飛機(jī)維修手冊(cè)(AMM，aircraft maintenance manual)和結(jié)構(gòu)修理手冊(cè)(SRM，structural repair manual)查找獲得，在綜合考慮系統(tǒng)成本、算法性能、系統(tǒng)穩(wěn)定性后，提出一種基于單目視覺的飛機(jī)艙門識(shí)別與定位方法，先采用改進(jìn)YOLOv5算法實(shí)現(xiàn)目標(biāo)艙門的檢測(cè)，再利用單目相機(jī)實(shí)現(xiàn)艙門定位。通過在原始YOLOv5s模型中添加卷積注意力模塊CBAM[11]，并使用改進(jìn)的空間金字塔池化結(jié)構(gòu)SPPCSPC代替了原有的快速空間金字塔池化結(jié)構(gòu)(SPPF，spatial pyramid pooling-fast)，使目標(biāo)檢測(cè)模型能更好地學(xué)習(xí)目標(biāo)特征。在艙門識(shí)別的基礎(chǔ)上，通過獲取候選框中角點(diǎn)的像素，利用空間幾何關(guān)系，對(duì)傳統(tǒng)的單目相機(jī)單維度定位方法進(jìn)行改進(jìn)，以實(shí)現(xiàn)飛機(jī)艙門的三維定位。在北京大興國際機(jī)場(chǎng)進(jìn)行實(shí)際測(cè)試后，表明算法的識(shí)別與定位精度能達(dá)到預(yù)期設(shè)計(jì)要求。

1 基于改進(jìn)的YOLOv5艙門檢測(cè)算法

1.1 YOLOv5s算法

YOLOv5算法根據(jù)權(quán)重、深度和寬度的不同，共分為YOLOv5s、YOLOv5m、YOLOv5l 和YOLOv5x四個(gè)版本[12]。其中YOLOv5s算法網(wǎng)絡(luò)結(jié)構(gòu)最小，速度最快，更能貼合機(jī)場(chǎng)中艙門的實(shí)時(shí)檢測(cè)要求，因此可以作為艙門檢測(cè)的基本算法。YOLOv5s框架主要有4個(gè)部分，分別是輸入端、主干特征提取網(wǎng)絡(luò)、頸部和輸出端[13]。YOLOv5s 目標(biāo)檢測(cè)算法在識(shí)別目標(biāo)時(shí)，同時(shí)兼?zhèn)錂z測(cè)精度高和速度快的優(yōu)勢(shì)。但為了能更加快速準(zhǔn)確的實(shí)現(xiàn)對(duì)飛機(jī)艙門的專有化識(shí)別檢測(cè)，仍需要對(duì)算法進(jìn)一步改進(jìn)。

1.2 融合CBAM注意力機(jī)制

飛機(jī)艙門距離相機(jī)越遠(yuǎn)，則艙門在成像平面中占有的像素比例越少。為解決遠(yuǎn)距離艙門難以識(shí)別的問題，需引入注意力機(jī)制，使YOLOv5s這種輕量級(jí)的網(wǎng)絡(luò)，在大區(qū)域上關(guān)注目標(biāo)，同時(shí)不會(huì)增加時(shí)間開銷[14]，以此來提高算法對(duì)飛機(jī)艙門的特征提取能力。

計(jì)算機(jī)視覺應(yīng)用領(lǐng)域中的注意力大體有兩類：一類是以SE(Squeeze and Excitation)為代表的通道注意力機(jī)制，另一類是以CBAM為代表的空間注意力機(jī)制。其中，SE注意力機(jī)制是對(duì)整個(gè)通道內(nèi)的所有數(shù)據(jù)進(jìn)行平均池化，這樣就忽視了每一條通道內(nèi)的細(xì)微差別，而CBAM注意力機(jī)制可以結(jié)合通道和空間機(jī)制構(gòu)建更高層次的空間結(jié)構(gòu)，使得所有輸入特征在通道和空間結(jié)構(gòu)上的聯(lián)絡(luò)更加緊密，從而更高效地獲取目標(biāo)的有效信息，其網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 CBAM網(wǎng)絡(luò)結(jié)構(gòu)圖

CBAM注意力機(jī)制由通道注意力模塊 (CAM，channel attention module)和空間注意力模塊 (SAM，spatial attention module)組成[15]。

CAM用于輸入圖片中重要信息的提取，其計(jì)算公式為：

MC(F)=σ(MLP((AvgPool(F))+

MLP((MaxPool(F)))=

(1)

MS(F)=σ(f(7×7))([AvgPool(F)；MaxPool(F)]=

(2)

式中，MS為空間注意力圖；f(7×7)為濾波器大小為7 × 7的卷積運(yùn)算。在YOLOv5s算法中的CSP1_3中加入CBAM注意力機(jī)制，改進(jìn)后的網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 CSP1_3添加CBAM模塊

1.3 添加SPPCSPC

空間金字塔池化的最開始提出是為了實(shí)現(xiàn)一個(gè)自適應(yīng)尺寸的輸出。YOLOv5作者Glenn Jocher基于此思想提出了SPPF，網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。SPPF[16]用連續(xù)3個(gè)卷積核做池化可以與YOLOv4算法達(dá)到同樣的輸出效果，同時(shí)與前者比起來，可以減少計(jì)算量，所以速度也有所加快。圖形化的結(jié)構(gòu)可以有效地?cái)U(kuò)展感知范圍，使算法能夠適應(yīng)各種分辨率的圖像，而最大池化技術(shù)則可以實(shí)現(xiàn)這一目標(biāo)。

圖3 SPPF網(wǎng)絡(luò)結(jié)構(gòu)圖

SPPCSPC是改進(jìn)后的空間金字塔池化操作，主要解決了因裁剪、縮放操作導(dǎo)致的圖像失真問題和算法對(duì)重復(fù)特征提取的問題[17]。

SPPCSPC網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示，該結(jié)構(gòu)和YOLOv5s中自帶的SPPF結(jié)構(gòu)是有些相似的，都有1*1、5*5、9*9、13*13的池化層，前后也均有卷積，不同的是有一個(gè)1*1的殘差邊[18]。這4種池化代表著4種感受野，用來區(qū)別于大目標(biāo)和小目標(biāo)。它們采用CSP思想，將特征包括兩部分，一部分用于常規(guī)處理，另一部分用于SPP結(jié)構(gòu)處理，最后將兩部份合并，可以大大減少運(yùn)算量，加快運(yùn)算速率，同樣也能提升精確度。

圖4 SPPCSPC網(wǎng)絡(luò)結(jié)構(gòu)圖

1.4 使用分組卷積

分組卷積與普通卷積的區(qū)別為將輸入特征圖分成組，每個(gè)卷積核也相應(yīng)地分成組，在對(duì)應(yīng)的組內(nèi)做卷積[19]，如圖5所示。

圖5 分組卷積示意圖

實(shí)驗(yàn)表明，如果只考慮浮點(diǎn)乘，不考慮浮點(diǎn)加，在輸入輸出特征圖尺寸相同的情況下，分組巻積的參數(shù)量是常規(guī)卷積的1/g，其中g(shù)是分組的個(gè)數(shù)(圖5中是兩個(gè))。在yolov5s.yaml中使用SPPCSPC代替原有的SPPF后，并將分組的個(gè)數(shù)改為4后，參數(shù)量(Params)與計(jì)算量(GFLOPs)的參數(shù)對(duì)比表如表1所示。

表1 各空間金字塔池化結(jié)構(gòu)參數(shù)對(duì)比表

在YOLOv5s算法中的CSP1_3中加入CBAM注意力機(jī)制，并使用改進(jìn)的空間金字塔池化結(jié)構(gòu)SPPCSPC代替了原有的快速空間金字塔池化結(jié)構(gòu)SPPF，再將分組卷積改為4，最終得到改進(jìn)后的YOLOv5s艙門檢測(cè)模型網(wǎng)絡(luò)結(jié)構(gòu)如圖6所示。

圖6 改進(jìn)后的YOLOv5s網(wǎng)絡(luò)結(jié)構(gòu)圖

2 改進(jìn)的單目相機(jī)三維定位算法

2.1 單目相機(jī)畸變參數(shù)

由于相機(jī)無法實(shí)現(xiàn)完美安裝，故單目相機(jī)可能會(huì)存在切向畸變和徑向畸變的現(xiàn)象，從而影響后期的攝像頭成像和定位結(jié)果[20]。以上兩種情況都會(huì)導(dǎo)致攝像頭的成像不準(zhǔn)確，通過攝像頭標(biāo)定工具，可以矯正上述的兩種成像畸變，使輸出的圖像質(zhì)量更好；通常假設(shè)上述兩種畸變呈多項(xiàng)式關(guān)系，徑向畸變關(guān)系式如下：

xrdis=x(1+k1r2+k2r4+k3r6)

(3)

yrdis=y(1+k1r2+k2r4+k3r6)

(4)

式中，x，y為圖像坐標(biāo)系中的理想坐標(biāo)；xrdis、yrdis為徑向畸變坐標(biāo)，r=(x2+y2)1/2、k=(k1，k2，k3)T為切向畸變參數(shù)。

切向畸變關(guān)系式如下：

xtdis=x+2p1xy+p2(r2+2x2)

(5)

ytdis=y+p1(r2+2y2)+2p2xy

(6)

式中，x、y為圖像坐標(biāo)系中的理想坐標(biāo)，xtdis、ytdis為切向畸變坐標(biāo)，r=(x2+y2)1/2、k=(p1，p2)T為切向畸變參數(shù)。

本文選用海康威視DS-E12攝像頭，分辨率為1 920×1 080，固定焦距為3.6 mm。使用matlab進(jìn)行相機(jī)標(biāo)定，矯正了攝像頭的5個(gè)畸變參數(shù)(k1，k2，k3，p1，p2)。標(biāo)定之后，還可以得到該攝像頭的焦距(fx，fy)與光心在成像平面的位置(Cx，Cy)，以及相機(jī)內(nèi)參矩陣A：

2.2 單目相機(jī)測(cè)距原理

如圖7所示，假設(shè)一個(gè)寬度為x的物體，在距離相機(jī)為z的位置。測(cè)得該物體在相機(jī)成像平面的像素寬度為x[21]。

圖7 單目相機(jī)測(cè)距原理圖

則相機(jī)焦距f的計(jì)算公式為：

f=(X′×Z/X)

(7)

其中：以貨艙門為例，根據(jù)改進(jìn)的YOLOv5算法識(shí)別出來貨艙門矩形框，得到貨艙門在水平和豎直方向上的像素寬度分別為Wh1和Wv1。

根據(jù)AMM查得B737-800前貨艙尺寸為1.22×0.89 m，則貨艙門與相機(jī)在Z軸方向上的距離為Z1和Z2，它們的計(jì)算公式為：

Z1=f×1.22/Wh1

(8)

Z2=f×0.89/Wv1

(9)

接下來可以得到貨艙門在檢測(cè)艙門平面下，水平和豎直方向上單位像素對(duì)應(yīng)真實(shí)的比值分別為S1和S2。它們的計(jì)算公式分別為：

S1=1.22/Wh1

(10)

S2=0.89/Wv1

(11)

圖8 圖像原點(diǎn)與檢測(cè)框原點(diǎn)示意圖

根據(jù)公式(10)，(11)分別算出貨艙門真實(shí)X軸上的距離X1，X2，真實(shí)Y軸上的距離Y1，Y2。其計(jì)算公式分別為：

(12)

(13)

客艙門的定位原理與貨艙門定位原理相同。根據(jù)SRM查得B737-800前客艙門尺寸為0.86×1.83 m。根據(jù)改進(jìn)的YOLOv5算法識(shí)別出來客艙門矩形框，得到客艙門在水平和豎直方向上的像素寬度分別問Wh2和Wv2。則貨艙門與相機(jī)在Z軸方向上的距離為Z3和Z4。計(jì)算公式為：

Z3=f×0.86/Wh2

(14)

Z4=f×1.83/Wv2

(15)

再得到在檢測(cè)艙門平面下，水平和豎直方向上單位像素對(duì)應(yīng)真實(shí)的比值分別為S3和S4。它們的計(jì)算公式分別為：

S3=0.86/Wh2

(16)

S4=1.83/Wv2

(17)

根據(jù)公式(16)，(17)分別算出客艙門X軸上的真實(shí)距離X3，X4，艙門真實(shí)Y軸上的距離Y3，Y4。其計(jì)算公式分別為：

(18)

(19)

至此，根據(jù)貨艙門和客艙門的識(shí)別框在水平和豎直方向上對(duì)應(yīng)的像素寬度，得到了兩套貨艙門三維定位方案，它們分別是為X1，Y1，Z1和X2，Y2，Z2。也制定了兩套客艙門的三維定位方案，它們分別是為X3，Y3，Z3和X4，Y4，Z4。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 軟硬件資源配置

采用AutoDL云服務(wù)平臺(tái)進(jìn)行艙門檢測(cè)模型訓(xùn)練，其中CPU類型為Intel，使用存儲(chǔ)器為45GB，GPU類型為NVIDIA GeForce RTX 3090*1，內(nèi)存大小為24 GB。數(shù)據(jù)集隨機(jī)拆分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，使用YOLOv5s、Pytorch1.9.0、CUDA版本和1.11.1的框架。根據(jù)經(jīng)驗(yàn)，將初始和終止學(xué)習(xí)率均設(shè)置為0.01[22]，批量大小設(shè)置為32，迭代輪數(shù)設(shè)置為500。表2提供了軟硬件配置和實(shí)驗(yàn)參數(shù)的詳細(xì)信息。

表2 艙門檢測(cè)平臺(tái)軟硬件參數(shù)表

3.2 實(shí)驗(yàn)數(shù)據(jù)集

艙門檢測(cè)數(shù)據(jù)集由國內(nèi)某機(jī)場(chǎng)自主采集。如圖9所示。在經(jīng)過亮度、對(duì)比度和飽和度的數(shù)據(jù)增廣后，艙門檢測(cè)數(shù)據(jù)集共包含開啟的客艙門(open_cabin door)、關(guān)閉的客艙門(closed_cabin door)、開啟的貨艙門(open_cargo door)、關(guān)閉的貨艙門(closed_cargo door)各1 200張，總共4 800張圖像，其中包含的艙門目標(biāo)約10 000個(gè)。

圖9 數(shù)據(jù)集展示

3.3 評(píng)價(jià)指標(biāo)

為了對(duì)改進(jìn)后的算法性能做出評(píng)估，本文選取了精確度(P，Precision)、召回率(R，Recall)、平均精度(mAP，mean average precision)作為評(píng)價(jià)指標(biāo)[23]。精確率、召回率以及平均精度的計(jì)算式如式所示：

(20)

(21)

(22)

(23)

式中，TP為飛機(jī)艙門狀態(tài)被正確檢測(cè)出的數(shù)目；FP為飛機(jī)艙門開啟或者關(guān)閉但被檢測(cè)錯(cuò)誤的數(shù)目；FN為飛機(jī)艙門標(biāo)志丟失的數(shù)量；psmooth(r)為進(jìn)行平滑處理后的P-R曲線，psmooth(r)=maxr′≥rp(r′)，0≤r≤1，0≤r′≤1。n為類別，而N則為總類別數(shù)。

加入CBAM后，mAP由原來的90.9%提升到了92.8%。如圖10所示。

圖10 添加CBAM后的mAP

在添加CBAM后，又使用SPPCSPC代替原有的SPPF后，并將分組卷積改為4后，mAP由原來的92.8%提升到了96.5%，如圖11所示。

圖11 添加CBAM和分組的SPPCSPC后的mAP

原始模型和改進(jìn)后的模型在準(zhǔn)確率、召回率和平均精確度方面的對(duì)比結(jié)果如表3所示。

表3 實(shí)驗(yàn)對(duì)比結(jié)果

由表3可知，添加在原有的YOLOv5s中加入CBAM后，mAP提升了1.9%。在此基礎(chǔ)上添加改進(jìn)的分組SPPCSPC后，mAP又提升了3.7%。綜上，添加注意力機(jī)制和SPPCSPC算法的YOLOv5算法mAP達(dá)到96.5%，相比原始YOLOv5提升了5.6%。且收斂速度更快，相比之前算法達(dá)到了提升模型檢測(cè)精確度的目的。

3.4 三維定位驗(yàn)證

根據(jù)貨艙門和客艙門的識(shí)別框在水平和豎直方向上對(duì)應(yīng)的像素寬度為依據(jù)，在2.2節(jié)中分別制定了貨艙門和客艙門各兩套定位方案。為了驗(yàn)證兩套定位方案的優(yōu)劣性，保持相機(jī)平面平行于，機(jī)身縱軸和立軸所形成的平面，將單目相機(jī)P擺放在與艙門中心點(diǎn)O的不同的空間位置處，如圖12所示。

圖12 空間位置說明圖

在圖12中，單目相機(jī)初始擺放在距離艙門中心點(diǎn)O在X、Y、Z軸上分別-15 m，-0.75 m，19 m的位置處，如圖11中的P1。隨后X間隔5 m，Y間隔0.25 m，Z間隔6 m為一組，對(duì)應(yīng)圖中表示為P2～P7。

在實(shí)際實(shí)驗(yàn)中發(fā)現(xiàn)，由于飛機(jī)本身的橫剖線為橢圓形，所以識(shí)別圖像中的豎直方向識(shí)別框比水平方向上的識(shí)別框更貼合艙門實(shí)際輪廓，故將算法中貨艙門和客艙門與相機(jī)在Z軸方向上的距離分別定為Z2和Z4，在X軸上的距離分別定為X2和X4，在Y軸上的距離分別定為Y2和Y4。

在實(shí)際實(shí)驗(yàn)中發(fā)現(xiàn)，算法預(yù)測(cè)值略小于實(shí)際值，將得到的實(shí)驗(yàn)數(shù)據(jù)通過matlab擬合，得到X、Y、Z軸的線性方程來修正誤差。

Xcor=1.045*Xpre-0.005 971

(24)

Ycor=1.049*Ypre+0.003 024

(25)

Zcor=1.053*Zpre-0.086 27

(26)

式中，Xcor，Ycor，Zcor分別為加入線性擬合方程后算法在X、Y、Z軸的最終預(yù)測(cè)距離，Xpre，Ypre，Zpre分別為加入線性擬合方程前算法在X、Y、Z軸的預(yù)測(cè)距離。

再加入線性擬合方程后，繼續(xù)相機(jī)平面平行于，機(jī)身縱軸和立軸所形成的平面，保持?jǐn)z像頭離地高度1.5 m(距離艙門中心點(diǎn)Y軸距離0.30 m)，距離艙門中心點(diǎn)Z軸距離1.85 m處位置不變，將攝像頭放置在分別在距離艙門中心點(diǎn)X為-1.00 m，0 m和0.30 m的3個(gè)位置處，使用Intel (R )Core (TM )i5-5200U CPU @2.20 GHz ，運(yùn)行內(nèi)存為12.0 GB的處理器在北京大興機(jī)場(chǎng)晚上21：30運(yùn)行時(shí)，得到的檢測(cè)結(jié)果如圖13所示。

圖13 算法實(shí)時(shí)檢測(cè)結(jié)果

將上述實(shí)時(shí)檢測(cè)結(jié)果匯總得到表4，由表4分析可知，加入線性擬合方程后的算法，在艙門正前方1.8米處平均誤差只有0.03米，且算法預(yù)測(cè)值可以達(dá)到0.302秒更新一次，滿足實(shí)時(shí)定位的速度需求。

表4 算法實(shí)時(shí)定位結(jié)果

繼續(xù)保持相機(jī)平面平行于，機(jī)身縱軸和立軸所形成的平面，將攝像頭P擺放在與圖12中的相同位置處，將加入線性擬合修正前后的算法預(yù)測(cè)結(jié)果整理如表5，驗(yàn)證改進(jìn)后定位算法的準(zhǔn)確性。

表5 定位實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)數(shù)據(jù)表明，隨著攝像頭與艙門距離的增大，測(cè)量誤差逐漸增大。修正前，預(yù)測(cè)值均略小于實(shí)測(cè)值，在艙門前方19米處測(cè)得最大誤差為0.96米；修正后，在艙門前方13米范圍內(nèi)，預(yù)測(cè)值略高于實(shí)測(cè)值，13米范圍外時(shí)，預(yù)測(cè)值略低于實(shí)測(cè)值，在19米處的最大誤差降低到0.15米，艙門正前方1米處的實(shí)時(shí)定位誤差為0.01米。定位算法平均檢測(cè)時(shí)間約為0.302秒，定位精度滿足特種車輛靠機(jī)完成后，與艙門保持5～10厘米的安全距離要求。

4 結(jié)束語

飛機(jī)艙門的準(zhǔn)確識(shí)別與定位是實(shí)現(xiàn)機(jī)場(chǎng)特種車輛自動(dòng)靠機(jī)的重要前提。本文先采用改進(jìn)后的YOLOv5算法對(duì)艙門進(jìn)行識(shí)別，再利用單目成像模型法進(jìn)行艙門定位。在機(jī)場(chǎng)環(huán)境下測(cè)得的艙門定位速度和精度能夠滿足特種車輛靠機(jī)作業(yè)要求。方法具有成本低、體積小、方便調(diào)試等特點(diǎn)，可為特種車輛自動(dòng)靠機(jī)系統(tǒng)的設(shè)計(jì)提供借鑒和參考。