沈陽(yáng)理工大學(xué)自動(dòng)化與電氣工程學(xué)院 谷鳳偉 金西虎 姜 珊

引言

移動(dòng)機(jī)器人的智能避障算法已經(jīng)有很多專(zhuān)家學(xué)者進(jìn)行了非常深入的研究，對(duì)于簡(jiǎn)單已知結(jié)構(gòu)化環(huán)境的障礙物檢測(cè)也已經(jīng)取得了較好的效果，但針對(duì)復(fù)雜多變的環(huán)境往往就已有算法來(lái)說(shuō)不能夠達(dá)到良好的避障要求。于是，近幾年來(lái)多傳感器信息融合技術(shù)就越發(fā)引起人們足夠的重視，而且多傳感器融合系統(tǒng)還可以有效地解決單一傳感器模糊點(diǎn)的問(wèn)題[1]，從而能夠更加精確地觀察和解釋環(huán)境，所以在移動(dòng)機(jī)器人的避障系統(tǒng)中有非常大的研究?jī)r(jià)值。雖然此領(lǐng)域目前也已經(jīng)有很多的研究工作，但如何能很好的描述并處理所有的傳感器信息進(jìn)一步加以融合用于導(dǎo)航避障還沒(méi)有一個(gè)很好的方法，尤其是非結(jié)構(gòu)化復(fù)雜環(huán)境。

本文主要討論由雙目相機(jī)組成的視覺(jué)系統(tǒng)和激光測(cè)距與超聲波傳感器的信息融合問(wèn)題。以往的檢測(cè)避障有結(jié)合兩種傳感器的而且用超聲波傳感器的居多，但超聲波測(cè)距范圍偏小，只能在低速運(yùn)行機(jī)器人系統(tǒng)中起到作用，如果在正前方的障礙檢測(cè)中采用激光測(cè)距不僅測(cè)距范圍增大，檢測(cè)靈敏性也得到極大提高，給機(jī)器人足夠的避障反應(yīng)時(shí)間。同時(shí)再結(jié)合雙目相機(jī)獲取障礙物二維圖像，融合有關(guān)的信息就能精確定位障礙物[2]?？紤]到圖像和距離兩方面的互補(bǔ)信息，這里提出T-S模糊神經(jīng)網(wǎng)絡(luò)方法，因其具有實(shí)時(shí)處理大量數(shù)據(jù)的能力、知識(shí)泛化能力及結(jié)構(gòu)的容錯(cuò)性等優(yōu)點(diǎn)[3]，可以滿(mǎn)足條件。

1 傳感器模型

1.1 測(cè)距傳感器模型

本文先結(jié)合兩種傳感器，分別為四個(gè)超聲波傳感器和兩個(gè)激光測(cè)距儀。超聲波傳感器由三個(gè)部分構(gòu)成：超聲換能器、處理單元以及輸出級(jí)。首先，處理單元會(huì)對(duì)超聲換能器加上電壓激勵(lì)，在其受激之后會(huì)以脈沖的形式發(fā)出超聲波，緊接著超聲換能器能夠轉(zhuǎn)入接受狀態(tài)，處理單元會(huì)對(duì)接收到的超聲脈沖進(jìn)行一步分析，判斷接收到的信號(hào)是不是之前所發(fā)出的超聲波的回聲。如果是就可以測(cè)量超聲波的傳播時(shí)間，使用測(cè)量時(shí)間計(jì)算行程，除以2就可以得到反射超聲波物體的距離[4]。超聲波傳感器分列在移動(dòng)機(jī)器人左側(cè)90°、45°和右側(cè)90°、45°，主要用來(lái)檢測(cè)側(cè)邊障礙物。

激光測(cè)距儀作為一種基于TOF（time of flight）原理的高精度、高解析度的外部傳感器，其與超聲波傳感器相比，激光測(cè)距儀可以達(dá)到更遠(yuǎn)的測(cè)距距離、更高的角度分辨率、更加短的采樣周期甚至較低的測(cè)量噪聲；與像相機(jī)中的圖像傳感器相比，其基本不受光線(xiàn)影響、處理方法較為簡(jiǎn)單和數(shù)據(jù)精度更高等一系列優(yōu)點(diǎn)。本實(shí)驗(yàn)采用兩個(gè)DLS-50型激光測(cè)距儀裝置在機(jī)器人正前方。測(cè)距傳感器安放位置如圖1所示。

圖1 測(cè)距傳感器組

其中，1、2為激光測(cè)距儀，3、4、5、6為超聲波傳感器，UGV-1為移動(dòng)機(jī)器人平臺(tái)。

1.2 雙目視覺(jué)模型

雙目立體視覺(jué)（Binocular Stereo Vision）是機(jī)器視覺(jué)的一種非常重要形式，其是基于視差原理且使用成像設(shè)備從不同的物理位置獲取到被測(cè)物體的兩幅圖像，可以通過(guò)計(jì)算圖像對(duì)應(yīng)點(diǎn)之間的位置偏差從而來(lái)獲得物體的三維幾何信息的方法[5]。立體視覺(jué)系統(tǒng)是由左右兩部相機(jī)組成。如下圖2所示，圖中分別以字母l和r標(biāo)注左、右相機(jī)的相應(yīng)參數(shù)。世界坐標(biāo)系中的任一點(diǎn)A(X,Y,Z)在左右相機(jī)中的成像面Cl和Cr上的成像點(diǎn)分別是al(ul,vl)和ar(ur,vr)，然后分別作出其與各自的相機(jī)光心Ol和Or之間的連線(xiàn)，也就是投影線(xiàn)alOl和arOr，得到的交點(diǎn)為A(X,Y,Z)。

圖2 雙目立體視覺(jué)基本原理圖

2 避障算法

使用機(jī)器視覺(jué)傳感器及相應(yīng)算法來(lái)實(shí)現(xiàn)移動(dòng)機(jī)器人對(duì)障礙物的識(shí)別及躲避是使用的主要方法之一。視覺(jué)避障的主要功能還包括利用視覺(jué)中的圖像信息對(duì)各種自然場(chǎng)景進(jìn)行識(shí)別，從而加以確定移動(dòng)機(jī)器人的可行區(qū)域，其中的關(guān)鍵技術(shù)為障礙物的檢測(cè)和識(shí)別。目前障礙檢測(cè)方法有根據(jù)顏色信息進(jìn)行圖像分割檢測(cè)障礙物和利用邊緣檢測(cè)技術(shù)檢測(cè)出障礙物及其邊緣信息。本文還結(jié)合多種傳感器，利用雙目視覺(jué)主要進(jìn)行障礙高度檢測(cè)，激光和超聲波傳感器進(jìn)行障礙距離檢測(cè)，實(shí)時(shí)性得到很大提高，比以往的僅用雙目檢測(cè)障礙速度快很多。研究障礙檢測(cè)方法流程如圖3所示。

圖3 障礙檢測(cè)系統(tǒng)流程

2.1 傳感器數(shù)據(jù)處理

首先使用雙目CCD相機(jī)采集彩色的圖像對(duì)，接著對(duì)左右兩幅圖像進(jìn)行匹配，獲取圖像的視差圖和得到深度信息，然后采集部分樣本點(diǎn)并且利用其在攝像機(jī)坐標(biāo)系下的三維坐標(biāo)信息求取得到道路的平面方程，最后，根據(jù)點(diǎn)到平面的距離公式就能夠獲得物體在物理三維環(huán)境的高度圖，從而判斷出障礙物高度。三維空間中某個(gè)點(diǎn)(x,y,z)到平面的距離d的計(jì)算公式為：

激光測(cè)距儀和超聲波傳感器提供了對(duì)環(huán)境中障礙物距離和方向的快速檢測(cè)，激光掃描數(shù)據(jù)[6]可用極坐標(biāo)表示為：

或者由直角坐標(biāo)表示為

式中：N——掃描點(diǎn)數(shù)。同樣對(duì)于超聲波傳感器可以估算4個(gè)距離值，用基于特征點(diǎn)和形心與它們所在區(qū)域的關(guān)系采取一種簡(jiǎn)單方法計(jì)算，通過(guò)坐標(biāo)轉(zhuǎn)換就獲得在攝像機(jī)坐標(biāo)系中的4個(gè)點(diǎn)的距離值。

2.2 信息融合方法

對(duì)于多傳感器系統(tǒng)來(lái)說(shuō)，信息具有多樣性和復(fù)雜性，因此對(duì)信息融合方法的基本要求是具有魯棒性和并行處理能力。目前較為成熟的多傳感器信息融合方法有很多，其中不乏優(yōu)秀的智能融合計(jì)算方法，比如：模糊集合理論、神經(jīng)網(wǎng)絡(luò)、小波分析理論和SVM（Support Vector Machine）等。本文結(jié)合神經(jīng)網(wǎng)絡(luò)和模糊理論的各自?xún)?yōu)點(diǎn)，采用T-S模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行障礙高度和距離信息的融合，具有較好的魯棒性，而且在此基礎(chǔ)上加入高度判決機(jī)制，根據(jù)移動(dòng)平臺(tái)自身特性設(shè)定通行高度閾值，如果障礙物低于設(shè)定閾值高度就直行，高于設(shè)定閾值高度再轉(zhuǎn)給神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)，這樣可以大大提高速度滿(mǎn)足實(shí)時(shí)性要求。

3 T-S神經(jīng)網(wǎng)絡(luò)模型設(shè)計(jì)

3.1 T-S神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

這種由Takagi和Sugeno提出的一種可以用于多維模糊推理的方法，本質(zhì)上是非線(xiàn)性，并且易于表達(dá)復(fù)雜系統(tǒng)的動(dòng)態(tài)特性的模型，稱(chēng)之為T(mén)-S模型[7]。其結(jié)構(gòu)特點(diǎn)具有局部逼近功能，而且又兼具了模糊邏輯和神經(jīng)網(wǎng)絡(luò)兩者的優(yōu)點(diǎn)，既能夠很容易地表示出模糊和定性的知識(shí)，又具有很好的學(xué)習(xí)能力。網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)如圖4所示，這里采用簡(jiǎn)化的T-S模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

圖4 機(jī)器人避障控制下的T-S模糊神經(jīng)網(wǎng)絡(luò)模型

其中，x1～x6是模糊神經(jīng)網(wǎng)絡(luò)的輸入，x1是激光測(cè)距儀獲取的障礙距離，x2～x5是超聲波傳感器獲取的障礙距離，x6為障礙方向角o，在此之前已經(jīng)過(guò)雙目視覺(jué)系統(tǒng)做過(guò)障礙高度判決機(jī)制[8]，y1為模糊神經(jīng)網(wǎng)絡(luò)輸出，對(duì)應(yīng)機(jī)器人運(yùn)行控制角s。

3.2 結(jié)構(gòu)規(guī)則描述

第一層作為輸入層，其每一個(gè)節(jié)點(diǎn)直接與各個(gè)輸入分量相連接。在這個(gè)系統(tǒng)中，一共有6個(gè)節(jié)點(diǎn)，分別連接6個(gè)輸入分量：dl、dlf、df、drf、dr和o。

第二層一共是15個(gè)節(jié)點(diǎn)，每一個(gè)節(jié)點(diǎn)都代表一個(gè)語(yǔ)言變量值，其中1～10的節(jié)點(diǎn)分別對(duì)應(yīng)dl、dlf、df、drf、dr的語(yǔ)言變量值{NEAR,FAR}，即為近和遠(yuǎn)的劃分，11～15的節(jié)點(diǎn)對(duì)應(yīng)o的語(yǔ)言變量值{L,LF,F,RF,R}，為左方、左前方、正前方、右前方和右方的劃分。它的作用能夠計(jì)算出各個(gè)輸入分量分別屬于各語(yǔ)言變量值的模糊集合的隸屬度函數(shù)，而且有：

式中：i=1,2,…,n；j=1,2,…,mi。

N為輸入分量的個(gè)數(shù)，mi為xi的模糊分割數(shù)。且此系統(tǒng)中，n=6、m1=m2=m3=m4=m5=2、m6=5，與此同時(shí)，對(duì)于前5個(gè)輸入分量都采用gbellmf隸屬度函數(shù)，而第6個(gè)輸入分量是采用trimf隸屬度函數(shù)。

第三層一共是有160個(gè)節(jié)點(diǎn)，每一個(gè)節(jié)點(diǎn)分別代表一條模糊規(guī)則，它的作用可以用作匹配模糊規(guī)則的前件，從而計(jì)算出每一條規(guī)則的適用度。也就是：

上式中：i1=i2=i3=i4=i5∈{1,2}，i6∈{1,2,3,4,5}；j=1,2,…,160。

第四層的節(jié)點(diǎn)數(shù)是與第三層的節(jié)點(diǎn)數(shù)相同，N4=N3=160，它的功能是實(shí)現(xiàn)歸一化計(jì)算，即：

式中：j=1,2,…,160。

第五層作為系統(tǒng)的輸出層，可以實(shí)現(xiàn)清晰化計(jì)算，而且在這個(gè)系統(tǒng)中有：

這里的y1就是運(yùn)行控制角s。

4 仿真實(shí)驗(yàn)

因?yàn)檎系K方向o與機(jī)器人運(yùn)行方向相關(guān)，所以先設(shè)定好由不同的環(huán)境決定的規(guī)則，由此規(guī)則得出機(jī)器人在不同類(lèi)別環(huán)境和障礙物的情況下所期望的移動(dòng)機(jī)器人的左右輪速度值，同時(shí)根據(jù)左右輪速度的不同來(lái)控制機(jī)器人運(yùn)動(dòng)方向。例如當(dāng)機(jī)動(dòng)小車(chē)的左前方有障礙物時(shí)，所期望的左右輪的速度分別為0.2m/s，0.1m/s；當(dāng)機(jī)動(dòng)小車(chē)左方和右方都有障礙物存在時(shí)，所期望的左右輪速度分別為0.2m/s，0.2m/s。當(dāng)然速度的值也不是隨意定義，它會(huì)根據(jù)距離障礙物的遠(yuǎn)近來(lái)不斷調(diào)整，根據(jù)傳感器傳回?cái)?shù)據(jù)并經(jīng)過(guò)計(jì)算得到移動(dòng)小車(chē)的左右輪速度值。

本文選取300組訓(xùn)練樣本并進(jìn)行100次迭代，對(duì)機(jī)器人避障的T-S模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。而且，機(jī)動(dòng)小車(chē)每隔100ms時(shí)間就進(jìn)行一次檢測(cè)，將獲得的傳感器探測(cè)障礙距離數(shù)據(jù)經(jīng)過(guò)初次融合后作為模糊神經(jīng)網(wǎng)絡(luò)的輸入再次進(jìn)行數(shù)據(jù)融合[9]，輸出結(jié)果為系統(tǒng)控制量，選取適當(dāng)?shù)碾`屬度函數(shù)后最終得到歸一化后輸出的誤差圖和避障仿真圖，分別如圖5、6所示，并使用本文算法得到的結(jié)果與沒(méi)有使用雙目視覺(jué)得到的結(jié)果進(jìn)行對(duì)比。我們發(fā)現(xiàn)，使用本文算法的避障準(zhǔn)確率明顯高于未使用雙目視覺(jué)的方法，由于缺乏高度檢驗(yàn)機(jī)制，遇到障礙即轉(zhuǎn)向的方法不僅對(duì)速度要求較高而且實(shí)際應(yīng)用也受限。

圖5 期望輸出與實(shí)際輸出圖

用經(jīng)過(guò)T-S模糊神經(jīng)網(wǎng)絡(luò)訓(xùn)練后的融合算法對(duì)機(jī)器人進(jìn)行避障測(cè)試，機(jī)器人可以很好的躲避障礙物到達(dá)目標(biāo)點(diǎn)。

圖6 避障仿真結(jié)果圖

5 結(jié)論

本文基于雙目視覺(jué)融合激光測(cè)距儀和超聲波傳感器的機(jī)器人避障方法，用于復(fù)雜未知環(huán)境，可以有效解決障礙不能及時(shí)檢測(cè)從而無(wú)法給機(jī)器人留有足夠反應(yīng)時(shí)間的問(wèn)題，雙目相機(jī)檢測(cè)到障礙并加以處理得到障礙高度信息，做完閾值判定再傳給機(jī)器人的融合系統(tǒng)，這樣使得機(jī)器人運(yùn)動(dòng)效率得到更大提高。實(shí)驗(yàn)表明，該種方法可以滿(mǎn)足移動(dòng)小車(chē)實(shí)時(shí)避障要求。但是，在T-S模糊神經(jīng)網(wǎng)絡(luò)中的節(jié)點(diǎn)數(shù)是固定的，如果對(duì)于調(diào)節(jié)輸入需要增加或者減少節(jié)點(diǎn)的情況能夠有效處理就可以進(jìn)一步理解周?chē)h(huán)境，提高避障準(zhǔn)確率。

[1]戈新良,楊杰.基于多傳感器融合的機(jī)器人障礙物檢測(cè)和識(shí)別[J].計(jì)算機(jī)仿真,2005,03:168-170.

[2]何燚,張翼飛.基于雙目視覺(jué)的移動(dòng)機(jī)器人避障算法仿真研究[J].計(jì)算機(jī)仿真,2013,02:282-285

[3]李會(huì)來(lái),李小民,蘇立軍.基于T-S型模糊神經(jīng)網(wǎng)絡(luò)的輪式機(jī)器人避障方法研究[J].計(jì)算機(jī)測(cè)量與控制,2011,01:173-175.

[4]Jongkyu Park,Yub Je,Haksue Lee,Wonkyu Moon.Design of an ultrasonic sensor for measuring distance and detecting obstacles[J].Ultrasonics,2009:503.

[5]Bo Li,Wei Xie.Target tracking and measuring based on binocular vision[J].IEEE Conference on Information Science and Technology,2013:1393-1396.

[6]李永堅(jiān). 融合視覺(jué)和激光測(cè)距的機(jī)器人Monte Carlo自定位方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào),2012,01:170-174.

[7]肖寒春,孫鵬飛,李津. 基于模糊神經(jīng)網(wǎng)絡(luò)在智能輪椅避障中的應(yīng)用[J].計(jì)算機(jī)工程與設(shè)計(jì),2013,02:665-669.

[8]解興哲,王姮,劉冉,劉滿(mǎn)祿.基于雙目視覺(jué)的障礙物高度檢測(cè)[J].傳感器與微系統(tǒng),2010,07:118-120.

[9]杜釗君,吳懷宇.基于激光測(cè)距與雙目視覺(jué)信息融合的移動(dòng)機(jī)器人SLAM研究[J].計(jì)算機(jī)測(cè)量與控制,2013,01:180-183.