王瀟峰，張禮廉，胡小平，張 盼

（1.國(guó)防科學(xué)技術(shù)大學(xué)，長(zhǎng)沙410073；2.浙江理工大學(xué)，杭州310018）

0 引言

機(jī)器人避障就是在機(jī)器人運(yùn)動(dòng)過(guò)程中，通過(guò)相應(yīng)的障礙物檢測(cè)算法，運(yùn)用控制策略指導(dǎo)機(jī)器人對(duì)檢測(cè)到的障礙物進(jìn)行躲避，保障機(jī)器人的安全行駛。機(jī)器人避障是實(shí)現(xiàn)機(jī)器人全自主運(yùn)動(dòng)的關(guān)鍵環(huán)節(jié)，總體方法可分為主動(dòng)避障和被動(dòng)避障。主動(dòng)避障這類(lèi)算法是針對(duì)已知環(huán)境情況的，此時(shí)機(jī)器人運(yùn)動(dòng)空間中的障礙物信息是完全已知的，如同時(shí)定位與地圖構(gòu)建（Simultaneous Localization and Mapping，SLAM），經(jīng)典的基于視覺(jué)的 SLAM方法有 LSD-SLAM（Large Scale Direct Monocular SLAM）［1］。主動(dòng)避障方法在得到環(huán)境地圖后，進(jìn)行路徑規(guī)劃，可實(shí)現(xiàn)機(jī)器人主動(dòng)避開(kāi)障礙物。本文提出的方法屬于被動(dòng)避障，這類(lèi)避障方法針對(duì)的環(huán)境情況是未知的，或者即使環(huán)境已知但還需要面對(duì)突然出現(xiàn)的障礙物，因而需要實(shí)時(shí)檢測(cè)障礙物，在檢測(cè)到障礙物后進(jìn)行躲避。隨著計(jì)算機(jī)視覺(jué)技術(shù)的不斷發(fā)展，基于視覺(jué)的障礙物檢測(cè)方法被不斷地研究和應(yīng)用，現(xiàn)已成為機(jī)器人障礙物檢測(cè)的主要手段。

相關(guān)的基于視覺(jué)的方法有：在文獻(xiàn)［2］中，結(jié)合SIFT特征及MOPS恢復(fù)了障礙物的三維信息。其中，MOPS用于提取障礙物的邊緣及角點(diǎn)信息，SIFT用于檢測(cè)障礙物內(nèi)部輪廓信息。文獻(xiàn)［3］提出了一種測(cè)量到障礙物相對(duì)距離的方法。其中，基于慣性傳感器（IMU）并應(yīng)用拓展Kalman濾波（EKF）方法估計(jì)攝像機(jī)位置，然后重投影特征點(diǎn)到圖像中來(lái)計(jì)算障礙物的空間坐標(biāo)。Kovács［4］利用顯著性物體檢測(cè)方法檢測(cè)圖像內(nèi)的顯著性物體，并把該物體當(dāng)作障礙物，然后進(jìn)行規(guī)避。文獻(xiàn)［5］提出一種仿生方法，模擬昆蟲(chóng)的避障機(jī)理，提出基于光流的平衡策略，并計(jì)算接觸時(shí)間（Time to Contact，TTC）構(gòu)建深度圖。 透視信息［6-7］（例如消失的線特征）在人造的結(jié)構(gòu)化的環(huán)境中很有作用，然而在自然環(huán)境中表現(xiàn)很差。基于立體視覺(jué)的方法也有很多，如文獻(xiàn)［8］，模擬人類(lèi)的雙眼結(jié)構(gòu)，能獲得較好的深度信息，但是對(duì)應(yīng)的成本更高、結(jié)構(gòu)更復(fù)雜，主流處理方法的復(fù)雜性較高。

本文提出的方法僅僅依賴(lài)單目相機(jī)，針對(duì)單目攝像頭系統(tǒng)的局限性，因而需要一種可靠的避障方法。當(dāng)機(jī)器人正前方的障礙物尺寸擴(kuò)大時(shí)，意味著障礙物正在靠近機(jī)器人。因而提出基于SURF特征［9］尺度膨脹的方法，并計(jì)算由特征點(diǎn)連接成的凸包的面積，用于檢測(cè)機(jī)器人正前方的障礙物。對(duì)于機(jī)器人視野兩側(cè)的障礙物，采用基于光流平衡的方法，通過(guò)平衡運(yùn)動(dòng)視差避免碰撞到兩側(cè)的障礙物；然而基于特征和光流的方法對(duì)于紋理高度相似的區(qū)域（如白墻）失效，因?yàn)闆](méi)有足夠的信息來(lái)提取特征和計(jì)算光流，所以，提出基于圖像熵的方法指導(dǎo)機(jī)器人在這些情況下的避障。本文提出的方法在地面移動(dòng)機(jī)器人Turtlebot上進(jìn)行了大量實(shí)驗(yàn)，表現(xiàn)出了良好的避障效果。

1 系統(tǒng)總述

本文的方法首先將一幅圖像分為3個(gè)區(qū)域，分別為IL、IM、IR，如圖1所示。

之所以將圖像分成3個(gè)區(qū)域，是為了充分利用上文提到的各方法的優(yōu)勢(shì)，形成互補(bǔ)。圖像中間區(qū)域IM運(yùn)用特征尺度檢測(cè)器算法檢測(cè)正前方的障礙物，視野兩側(cè)的區(qū)域IL、IR則被應(yīng)用于光流平衡策略躲避兩側(cè)障礙物。對(duì)于高度相似紋理的障礙物（如白墻），計(jì)算的光流是不可靠的，而且也沒(méi)特征點(diǎn)可以提取，這種時(shí)候需要分別在3個(gè)區(qū)域計(jì)算圖像熵，利用熵值判斷障礙物。系統(tǒng)總體結(jié)構(gòu)框圖如圖2所示。

圖2中的圖像序列指的是前后兩幀圖像，這是因?yàn)樵赟URF特征點(diǎn)匹配以及計(jì)算光流場(chǎng)時(shí)都需要兩幀圖像。當(dāng)左右視野IL、IR某一區(qū)域圖像熵小于閾值時(shí)，例如區(qū)域IL，說(shuō)明機(jī)器人左側(cè)已經(jīng)靠近障礙物，這時(shí)候需要轉(zhuǎn)向右側(cè)，反之亦然；當(dāng)IL、IR熵值都沒(méi)有達(dá)到閾值，這時(shí)候可以分別計(jì)算左右視場(chǎng)的光流場(chǎng)，通過(guò)平衡光流達(dá)到同時(shí)不碰撞兩側(cè)障礙物的目的；對(duì)于區(qū)域IM，在提取特征點(diǎn)前先同樣計(jì)算圖像熵，當(dāng)中間區(qū)域檢測(cè)到障礙物時(shí)，需要向左側(cè)還是右側(cè)規(guī)避？本文采取的策略是，轉(zhuǎn)向左右視場(chǎng)中光流較小的一側(cè)。轉(zhuǎn)角大小與左右區(qū)域光流差值成正比例關(guān)系，即簡(jiǎn)單的比例控制。

2 單目視覺(jué)避障方法

2.1 特征尺度檢測(cè)器

本文中機(jī)器人視野正前方障礙物的檢測(cè)方法主要依賴(lài)于尺度膨脹信息，這種檢測(cè)方法不依賴(lài)于先驗(yàn)信息，也不對(duì)環(huán)境作前提假設(shè)。尺度膨脹信息在避免機(jī)器人碰撞到正前方障礙物時(shí)很有用，當(dāng)障礙物與機(jī)器人的距離縮小時(shí)，圖像中的物體尺寸也在相應(yīng)擴(kuò)大。因而采用基于SURF特征的尺度檢測(cè)器方法，用于檢測(cè)機(jī)器人正對(duì)著的正在靠近的障礙物。

本文的方法首先在某兩幀圖像（區(qū)域IM）中提取SURF特征關(guān)鍵點(diǎn)和描述子，這些特征點(diǎn)可能是障礙物上的點(diǎn)，也可能不是障礙物上的點(diǎn)。由于SUFR特征點(diǎn)具有旋轉(zhuǎn)不變性和尺度不變性，因而即使關(guān)鍵點(diǎn)尺寸大小發(fā)生變化，也能匹配。所以，在連續(xù)的圖像序列中，將相鄰兩幅圖像中的關(guān)鍵點(diǎn)進(jìn)行匹配，并且比較匹配上的兩個(gè)點(diǎn)的尺寸大小，來(lái)判斷相機(jī)是否正在靠近障礙物。在所有關(guān)鍵點(diǎn)匹配好以后，由于是檢測(cè)正在靠近的障礙物，所以先剔除關(guān)鍵點(diǎn)尺寸變小或者不變的匹配對(duì)。然后用基于尺寸比例的方法進(jìn)一步確定有可能是障礙物上的點(diǎn)，最后將這些特征點(diǎn)連接起來(lái)構(gòu)成一個(gè)凸包，比較上下兩幀凸包的面積，只有當(dāng)面積之比大于一個(gè)閾值時(shí)，就認(rèn)為已經(jīng)檢測(cè)到障礙物，具體算法步驟如下。

算法：特征尺度檢測(cè)器

⑥判斷障礙物，ratio＞Th？yes：no。

首先在相鄰兩幀圖像中提取關(guān)鍵點(diǎn)和特征描述子，并進(jìn)行FLANN匹配（步驟①和步驟②），匹配結(jié)果如圖3所示，這里面有許多誤匹配的點(diǎn)。

為了提高匹配的準(zhǔn)確率，必須對(duì)匹配點(diǎn)進(jìn)行過(guò)濾，只有當(dāng)兩個(gè)匹配點(diǎn)描述子的距離度量小于一定閾值時(shí)，才認(rèn)為這些關(guān)鍵點(diǎn)足夠相似，然后保留這些匹配對(duì)。此外，僅僅需要在下一幀圖像中尺寸變大的關(guān)鍵點(diǎn)，因而去除尺寸變小或者不變的匹配對(duì)（步驟③），得到結(jié)果如圖4所示。此時(shí)可以看到，誤匹配情況很少。

但僅僅利用尺寸變大這一點(diǎn)是無(wú)法判斷這些特征點(diǎn)是否屬于障礙物，因?yàn)闄C(jī)器人在前進(jìn)的過(guò)程中，看到的大部分物體尺寸都是在變大的。雖然物體尺寸都在變大，但是變大的比例是不一樣的。如圖4所示，機(jī)器人向前移動(dòng)一定距離，分別得到上一時(shí)刻和當(dāng)前時(shí)刻的圖像。可以看到，距離最近的物體（書(shū)本）的尺寸明顯變大，而距離較遠(yuǎn)的物體（窗戶(hù)邊的椅子）尺寸則變化不明顯，也就是說(shuō)特征尺寸變化的比例是不一樣的。利用這一觀察，對(duì)特征點(diǎn)作進(jìn)一步過(guò)濾，如步驟④，這里的scale參數(shù)（本文設(shè)置為1.2，必須大于1）設(shè)置依據(jù)機(jī)器人運(yùn)動(dòng)速度而異，得到圖5的結(jié)果?？梢钥吹?，此時(shí)剩余這些特征點(diǎn)基本都屬于障礙物（書(shū)本）。

最后，將剩余這些特征點(diǎn)連接形成凸包，并比較上一幀和當(dāng)前幀凸包面積之比，步驟⑤的結(jié)果如圖6所示。目的是進(jìn)一步確認(rèn)剩余的這些特征點(diǎn)是否構(gòu)成障礙物，當(dāng)剩余特征點(diǎn)很少且稀疏時(shí)，認(rèn)為這不是障礙物。通過(guò)設(shè)置Th參數(shù)（本文設(shè)置為1.15，必須大于1），可以防止在距離障礙物很遠(yuǎn)時(shí)就檢測(cè)出障礙物，距離障礙物太遠(yuǎn)就進(jìn)行規(guī)避是沒(méi)有必要的。由圖6可以看到，畫(huà)出的凸包的位置基本上描述了障礙物的大致位置。

可以看到，利用特征尺度檢測(cè)器的方法，檢測(cè)正前方的障礙物是確實(shí)有效的。但稍微也有不足之處，正前方可能沒(méi)有障礙物，而機(jī)器人的兩側(cè)有障礙物，這時(shí)候需要用另一種方法進(jìn)行互補(bǔ)，即基于光流平衡的避障方法。

2.2 光流平衡策略

光流（Optical Flow）是圖像灰度模式的運(yùn)動(dòng)。運(yùn)動(dòng)場(chǎng)是空間物體三維運(yùn)動(dòng)在圖像平面的投影，光流場(chǎng)是一個(gè)二維矢量場(chǎng)，它包含的信息是各像素點(diǎn)的瞬時(shí)運(yùn)動(dòng)速度矢量信息。在含有平移運(yùn)動(dòng)的情況下，運(yùn)動(dòng)場(chǎng)可等價(jià)于光流場(chǎng)。

平衡策略（Balancing Strategy）受到了昆蟲(chóng)飛行的啟發(fā)，人們?cè)谌粘Ｉ钪杏^察發(fā)現(xiàn)，蜜蜂在穿過(guò)窗戶(hù)上的小洞時(shí)，能沿著洞的中心飛過(guò)去；在走廊環(huán)境中時(shí)，能沿走廊的中心線飛行。在探究了蜜蜂的導(dǎo)航機(jī)理以后，證實(shí)了蜜蜂是通過(guò)平衡兩眼中圖像的運(yùn)動(dòng)速度即光流來(lái)控制飛行軌跡的。

仿照蜜蜂的視覺(jué)導(dǎo)航機(jī)理，設(shè)計(jì)了光流平衡策略用于機(jī)器人避障。使用光流密度來(lái)構(gòu)建平衡策略方法的主要思想是利用運(yùn)動(dòng)視差：當(dāng)機(jī)器人運(yùn)動(dòng)時(shí)，近處的物體比遠(yuǎn)處的物體在圖像上產(chǎn)生更大的運(yùn)動(dòng)；近處的物體會(huì)占據(jù)更大的視野，所以近處的障礙物將產(chǎn)生更大的光流?？刂茩C(jī)器人遠(yuǎn)離光流更大的一側(cè)，就可實(shí)現(xiàn)避障［10］。

本文的做法是，在圖像區(qū)域IL、IR分別計(jì)算稠密光流場(chǎng)。稠密光流是一種針對(duì)圖像進(jìn)行逐點(diǎn)匹配的圖像配準(zhǔn)方法，稀疏光流只針對(duì)圖像上若干個(gè)特征點(diǎn)，稠密光流計(jì)算圖像上所有點(diǎn)的偏移量，從而形成一個(gè)稠密的光流場(chǎng)。通過(guò)這個(gè)稠密的光流場(chǎng)，可以進(jìn)行像素級(jí)別的圖像配準(zhǔn)，相比稀疏光流計(jì)算，稠密光流更加精確，而且更重要的是對(duì)于特征點(diǎn)少的物體也能可靠計(jì)算。由于要計(jì)算每個(gè)點(diǎn)的偏移量，所以計(jì)算量特別大。但是本文并不需要在整幅圖像上計(jì)算，只需要分別在機(jī)器人視野IL、IR中計(jì)算每個(gè)像素的光流即可。更進(jìn)一步節(jié)省計(jì)算資源的方法，也是本文用到的方法，將IL、IR分別進(jìn)行降采樣，IL、IR同時(shí)縮小為原來(lái)的1／2，再對(duì)得到的像素計(jì)算光流。這樣做不僅不影響光流計(jì)算的精度，而且能極大減少計(jì)算量。

稠密光流計(jì)算方法采用Farneback法，F(xiàn)arneback在文獻(xiàn)［11］中通過(guò)計(jì)算參數(shù)化的運(yùn)動(dòng)模型約束，從圖像序列中計(jì)算3D方向張量。方向張量構(gòu)造如下：

本文不是直接從張量點(diǎn)估計(jì)速度，而是假設(shè)在某個(gè)區(qū)域的速度場(chǎng)能夠根據(jù)運(yùn)動(dòng)模型被參數(shù)化，然后用所有的張量去計(jì)算參數(shù)。用仿射模型表示該方法：

x、y表示像素坐標(biāo)，寫(xiě)成矩陣形式如下：

為了估計(jì)運(yùn)動(dòng)模型的向量p，引入代價(jià)函數(shù)：

根據(jù)式（3）、 式（4）得到：

將區(qū)域內(nèi)所有點(diǎn)相加得到：

通過(guò)最小化這個(gè)總代價(jià)函數(shù)，可以估計(jì)出參數(shù)向量p，即計(jì)算出每個(gè)像素點(diǎn)的運(yùn)動(dòng)向量，得到稠密光流場(chǎng)。

截取機(jī)器人運(yùn)動(dòng)過(guò)程中的某連續(xù)兩幀圖像進(jìn)行計(jì)算， 如圖7所示。 圖7（b）由圖7（a）向前運(yùn)動(dòng)得到，可以看到在圖像視野右側(cè)，機(jī)器人已經(jīng)靠近障礙物，這時(shí)候需要進(jìn)行躲避。

通過(guò)分別計(jì)算IL、IR區(qū)域的稠密光流場(chǎng)，并每隔10個(gè)像素取一個(gè)像素，畫(huà)出該像素點(diǎn)的光流向量，如圖8所示。

從圖8中得到的光流場(chǎng)可以看到，IR區(qū)域由于距離障礙物較近，所以大部分像素點(diǎn)的光流向量幅值（直線長(zhǎng)度）明顯大于IL區(qū)域。假設(shè)像素點(diǎn)（x，y）處光流向量為f（x，y）＝（u，v）， 則該像素點(diǎn)光流幅值為：

分別在IL、IR區(qū)域內(nèi)計(jì)算所有像素點(diǎn)的光流向量幅值之和得到：

根據(jù)運(yùn)動(dòng)視差原理，設(shè)計(jì)光流平衡策略如下［5］：

比較左右兩側(cè)的光流強(qiáng)度總和，再進(jìn)行歸一化，得到作用力F。如果F大于0，說(shuō)明機(jī)器人左側(cè)的光流較大，極有可能左側(cè)距離障礙物較近；F小于0，則右側(cè)已靠近障礙物。但是由于圖像噪聲的原因，光流計(jì)算不可能絕對(duì)準(zhǔn)確。如果僅僅F大于0，就控制機(jī)器人向右轉(zhuǎn)，F(xiàn)小于0，機(jī)器人向左轉(zhuǎn)，那么整個(gè)運(yùn)動(dòng)過(guò)程機(jī)器人就一直在左右搖擺。因而需要對(duì)F設(shè)定一個(gè)閾值Fthreshold，實(shí)際上歸一化的目的就是為了方便設(shè)定閾值。通過(guò)合理設(shè)定這個(gè)閾值，就可以控制機(jī)器人在實(shí)際靠近障礙物時(shí)再進(jìn)行轉(zhuǎn)向，而不是一直左右轉(zhuǎn)向。至于轉(zhuǎn)角大小，本文的方法是與F成比例關(guān)系。F絕對(duì)值越大，說(shuō)明某一側(cè)靠近障礙物的速度越快，因而需要一個(gè)大的轉(zhuǎn)角，確保立即避開(kāi)。

結(jié)合特征尺度檢測(cè)器和光流平衡策略，對(duì)于大部分自然障礙物已經(jīng)可以達(dá)到很好的避障效果。但這些障礙物通常具有少量的紋理信息，這樣才可以提取特征點(diǎn)，或者可以計(jì)算稠密光流場(chǎng)。但是對(duì)于很大區(qū)域都是相同紋理的物體，例如白墻，既無(wú)法提取特征點(diǎn)，光流計(jì)算也不準(zhǔn)，這種情況就需要利用計(jì)算圖像熵的方法，此法對(duì)這種障礙物也能檢測(cè)。

2.3 計(jì)算圖像熵

熵的概念最早起源于物理學(xué)，用于度量一個(gè)熱力學(xué)系統(tǒng)的無(wú)序程度。熱力學(xué)第二定律，又稱(chēng)“熵增定律”，表明了在自然過(guò)程中，一個(gè)孤立系統(tǒng)的總混亂度不會(huì)減小。在信息論中，熵被用來(lái)衡量一個(gè)隨機(jī)變量出現(xiàn)的期望值。它代表了在被接收之前，信號(hào)傳輸過(guò)程中損失的信息量，又被稱(chēng)為信息熵。信息熵也稱(chēng)信源熵、平均自信息量。

實(shí)際上熵就是衡量信息量的大小，對(duì)于圖像來(lái)說(shuō)，如果一個(gè)灰度圖像的值是常數(shù)，那么它的熵為0，也就是這個(gè)圖像沒(méi)帶給我們?nèi)魏涡畔?，我們知道了一個(gè)像素值，其他也就全知道了。相反，熵越大說(shuō)明圖像包含的信息越多、越復(fù)雜，其灰度值越混亂。因而可以通過(guò)檢測(cè)圖像熵的方法，去判斷物體包含紋理的多少。對(duì)于白墻，幾乎沒(méi)有紋理信息，因而圖像熵很?。欢呒y理的物體，包含大量紋理信息，圖像比較混亂，因而擁有較大的圖像熵。

這里只引入圖像的一維熵，它反映了圖像中平均信息量的多少，表示圖像灰度分布的聚集特征所包含的信息量，計(jì)算方法如下：

mi表示圖像中灰度值為i的像素點(diǎn)的總個(gè)數(shù)，N表示該圖像內(nèi)像素總數(shù)，所以pi代表了某個(gè)灰度在該圖像中出現(xiàn)的概率。圖像的熵則表示為：

實(shí)驗(yàn)中，讓機(jī)器人分別靠近一張黑色椅子和一面白墻，并計(jì)算相應(yīng)區(qū)域的圖像熵。首先，機(jī)器人視野右側(cè)有一張純黑色椅子，讓機(jī)器人逐漸靠近，計(jì)算IR區(qū)域的圖像熵，熵值用數(shù)字標(biāo)明，得到如圖9所示的3幅圖像。

然后，再讓機(jī)器人靠近一堵白墻，并計(jì)算IM區(qū)域的圖像熵，結(jié)果如圖10所示。

從實(shí)驗(yàn)結(jié)果可以看到，當(dāng)圖像某區(qū)域只有一種相似紋理的時(shí)候，例如純黑色椅子和白墻，該區(qū)域圖像熵值很小；當(dāng)混有其他紋理時(shí)，則熵值很大。從高紋理到低紋理，圖像熵值有一個(gè)大幅度的跳躍過(guò)程，例如圖9中，從第2幀到第3幀，第2幀中IR區(qū)域還包括地面，該區(qū)域熵值為2223；但當(dāng)?shù)降?幀時(shí)，IR區(qū)域就只包含黑色椅子，圖像熵值為173，可以看到有一個(gè)急劇跳躍的過(guò)程，圖10也是相同的過(guò)程。從而可以設(shè)定一個(gè)臨界值Ethreshold，本文設(shè)定為800，當(dāng)圖像某一區(qū)域熵值小于該臨界值時(shí)，表明該區(qū)域已經(jīng)臨近障礙物，需要做出動(dòng)作規(guī)避。從上面實(shí)驗(yàn)也可以看到，當(dāng)面對(duì)的是一堵白墻時(shí)，根本無(wú)法提取有效特征點(diǎn)，所以計(jì)算圖像熵值是在提取特征點(diǎn)和計(jì)算光流場(chǎng)之前。

3 實(shí)驗(yàn)及結(jié)果分析

為了驗(yàn)證本文方法的可行性，把上述方法綜合起來(lái)構(gòu)成一個(gè)實(shí)際系統(tǒng)。本文實(shí)驗(yàn)基于Turtlebot地面移動(dòng)機(jī)器人，上面搭載ROS開(kāi)源機(jī)器人操作系統(tǒng)，配備Kinect深度／彩色相機(jī)（本文僅需彩色相機(jī)），RGB相機(jī)分辨率為640×480，采樣頻率為25Hz。在室內(nèi)環(huán)境下進(jìn)行實(shí)驗(yàn)，設(shè)置機(jī)器人直線速度為0.2m／s，室內(nèi)環(huán)境布置如圖11所示。

相關(guān)實(shí)驗(yàn)參數(shù)設(shè)置如表1所示。

表1 實(shí)驗(yàn)參數(shù)設(shè)置Table 1 Parameter setting of experiment

每次實(shí)驗(yàn)場(chǎng)景障礙物擺放略有不同，且機(jī)器人每次從不同起點(diǎn)出發(fā)，目的是為了充分驗(yàn)證本文方法的可行性。本文在上述環(huán)境中共做了12次漫游實(shí)驗(yàn)，只有當(dāng)無(wú)碰撞漫游時(shí)間達(dá)到2min或者中途碰撞到障礙物時(shí)，一次實(shí)驗(yàn)才算完成。提取其中3次成功的實(shí)驗(yàn)，并將軌跡圖畫(huà)出來(lái)，得到如圖12所示結(jié)果。

圖12中，灰色線條及矩形為障礙物，黑色邊框表示墻壁，黑色菱形為機(jī)器人初始位置，虛線為機(jī)器人運(yùn)動(dòng)軌跡，黑色三角形是機(jī)器人漫游終點(diǎn)位置。從圖12可以看到，機(jī)器人在漫游過(guò)程中可以避開(kāi)障礙物，本文提出的方法對(duì)指導(dǎo)機(jī)器人避障確實(shí)有效。

本實(shí)驗(yàn)?zāi)壳爸辉谑覂?nèi)進(jìn)行，由于室內(nèi)環(huán)境比較封閉，從而容易使機(jī)器人陷入障礙物構(gòu)成的狹小角落內(nèi)，如圖12（b）終點(diǎn)黑色三角形所示。機(jī)器人進(jìn)入這樣的角落，就極有可能一直在原地左右搖擺尋找可通行路徑。圖12（b）是在時(shí)間到了2min以后陷入角落，所以仍視為一次成功的實(shí)驗(yàn)。實(shí)際上在陷入角落之前，很多次實(shí)驗(yàn)都沒(méi)有碰撞到障礙物，但是實(shí)驗(yàn)時(shí)間沒(méi)有達(dá)到2min，對(duì)于這樣的一次實(shí)驗(yàn)既沒(méi)有算做成功也沒(méi)有并入失敗，相當(dāng)于一次無(wú)效實(shí)驗(yàn)。因而要在室內(nèi)漫游時(shí)間達(dá)到2min而不陷入角落需要一定運(yùn)氣，如果是在室外，2min漫游則容易達(dá)到。12次實(shí)驗(yàn)中共有兩次實(shí)驗(yàn)失敗，避障失敗的情形如圖13所示。

圖13（a）失敗并不是因?yàn)闆](méi)有檢測(cè)到障礙物（黑色椅子），而是因?yàn)闆](méi)有相應(yīng)措施檢測(cè)到地面障礙物（椅子底座），這也是本文方法的局限之一，因?yàn)楸疚牡姆椒ǘ际羌僭O(shè)障礙物至少具有一定高度；圖13（b）失敗是因?yàn)樵撜系K物出現(xiàn)在圖像IM區(qū)域，但是供提取的特征點(diǎn)不夠，所以沒(méi)有檢測(cè)出該障礙物，這也是本文方法的局限之二，正前方障礙物需要一定量的紋理可供提取特征點(diǎn)。但實(shí)驗(yàn)中發(fā)現(xiàn)，當(dāng)圖13（b）中的障礙物出現(xiàn)在機(jī)器人視野兩側(cè)時(shí)，則可以躲避成功，這是因?yàn)楣饬饔?jì)算對(duì)于紋理要求相對(duì)較低。

4 總結(jié)及未來(lái)工作

本文基于單目視覺(jué)，通過(guò)結(jié)合特征尺度檢測(cè)器、光流平衡策略以及圖像熵的方法，設(shè)計(jì)了一個(gè)可靠的避障系統(tǒng)，具有較強(qiáng)的實(shí)用性。本文的方法把圖像分為左中右3個(gè)區(qū)域，在不同區(qū)域內(nèi)應(yīng)用不同的方法檢測(cè)障礙物，這樣可以將各個(gè)方法形成互補(bǔ)，保證系統(tǒng)的可靠性。

對(duì)于圖像中間區(qū)域，基于SURF特征提取膨脹特征點(diǎn)，并將這些特征點(diǎn)連接以形成凸包，通過(guò)凸包面積變化速率，可以確認(rèn)是否有障礙物靠近。實(shí)驗(yàn)表明，在障礙物有足夠紋理提取特征時(shí)，這種方法對(duì)于檢測(cè)正前方障礙物很有效。對(duì)于圖像視野兩側(cè)，可以通過(guò)平衡這兩個(gè)區(qū)域的光流密度來(lái)避障。本文計(jì)算方法是Farneback稠密光流方法，為了保證實(shí)時(shí)性，可以將左右區(qū)域再降采樣。通過(guò)上述兩種方法的互補(bǔ)，既可以檢測(cè)機(jī)器人正前方的障礙物，也可以同時(shí)躲避左右兩側(cè)的障礙物。但保證上述兩種方法有效的前提是，障礙物具有一定紋理信息。當(dāng)障礙物紋理信息很低時(shí)，可以再加入圖像熵的方法避障。

接下來(lái)的工作將考慮把主動(dòng)避障和被動(dòng)避障結(jié)合起來(lái)，先對(duì)環(huán)境建圖，然后作路徑規(guī)劃指導(dǎo)機(jī)器人避障，對(duì)于動(dòng)態(tài)障礙物或者地圖構(gòu)建不準(zhǔn)確時(shí)則用被動(dòng)避障方法。此外，還可以在本文方法的基礎(chǔ)上，加入透視及其他信息進(jìn)行融合，因?yàn)橥敢曅畔⒁呀?jīng)被成功應(yīng)用于結(jié)構(gòu)化環(huán)境中的導(dǎo)航，因而同樣可以應(yīng)用于避障。而且，本文對(duì)環(huán)境信息沒(méi)有作假設(shè)，這種方法可以應(yīng)用于室內(nèi)環(huán)境，也可以用在自然環(huán)境中；既可以是地面移動(dòng)機(jī)器人，也可以是飛行器，所以將考慮把本文方法應(yīng)用于四旋翼無(wú)人機(jī)的自動(dòng)避障。

［1］Engel J，Sch?ps T，Cremers D.LSD-SLAM:large-scale direct monocular SLAM ［C］.European Conference on Computer Vision，2014:834-849.

［2］Lee J O，Lee K H，Park S H，et al.Obstacle avoidance for small UAVs using monocular vision ［J］.Aircraft Engineering and Aerospace Technology，2011，83 （6）:397-406.

［3］Saha S，Natraj A，Waharte S.A real-time monocular vision-based frontal obstacle detection and avoidance for low cost UAVs in GPS denied environment［C］.IEEE International Conference on Aerospace Electronics and Remote Sensing Technology （ICARES），2014:189-195.

［4］Kovács L.Visual monocular obstacle avoidance for small unmanned vehicles ［C］.Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshops，2016:59-66.

［5］Souhila K，Karim A.Optical flow based robot obstacle avoidance ［J］.International Journal of Advanced Robotic Systems，2007，4 （1）:13-16.

［6］Bills C，Chen J，Saxena A.Autonomous MAV flight in indoor environments using single image perspective cues［C］.IEEE International Conference on Robotics and Automation （ICRA），2011:5776-5783.

［7］Chavez A，Gustafson D.Vision-based obstacle avoidance using SIFT features ［C］.International Symposium on Visual Computing，2009:550-557.

［8］Hrabar S，Sukhatme G S，Corke P，et al.Combined opticflow and stereo-based navigation of urban canyons for a UAV ［C］.2005 IEEE／RSJ International Conference on Intelligent Robots and Systems，2005:3309-3316.

［9］Mori T，Scherer S.First results in detecting and avoiding frontal obstacles from a monocular camera for micro unmanned aerial vehicles ［C］.IEEE International Conference on Robotics and Automation （ICRA），2013:1750-1757.

［10］徐麗.基于光流的移動(dòng)機(jī)器人仿生避障方法研究［D］.北京工業(yè)大學(xué)，2014.XU Li.Research on bionic obstacle avoidance method of mobile robot based on optical flow ［D］.Beijing University of Technology，2014.

［11］Farneback G.Fast and accurate motion estimation using orientation tensors and parametric motion models ［C］.15thInternational Conference on Pattern Recognition，2000，1 （1）:135-139.