翟敬梅，劉 坤，徐 曉

(華南理工大學(xué) 機(jī)械與汽車工程學(xué)院，廣東 廣州 510640)

0 引言

移動機(jī)器人自主導(dǎo)航在智能制造工廠、智能倉儲、車間裝配和物流運輸?shù)阮I(lǐng)域有著廣泛的應(yīng)用[1]。移動機(jī)器人自主導(dǎo)航主要涉及到環(huán)境檢測、動態(tài)目標(biāo)識別和跟蹤，以及路徑規(guī)劃與優(yōu)化問題。

目前室內(nèi)移動機(jī)器人進(jìn)行環(huán)境感知及障礙物檢測時搭載的傳感器主要有超聲波、紅外、激光雷達(dá)和視覺等，或上述的組合。環(huán)境檢測有局部的，也有全局的。視覺傳感器最大限度獲取環(huán)境圖像信息，提供更為豐富的輸入數(shù)據(jù)，且其價格、功耗較低，在移動機(jī)器人平臺上得到了廣泛運用[2]。障礙物檢測方面，基于顏色、紋理、特征點等圖像特征將圖像分割為障礙物、地面和背景區(qū)域，相比單目檢測只能進(jìn)行平面測量，立體視覺檢測可基于三維點云或視差計算獲取障礙物位置信息[3]。

目標(biāo)跟蹤包括初始化、運動模型、特征提取、外觀模型和更新機(jī)制5個部分。目標(biāo)初始化有人為和自動兩種方式。運動模型描述連續(xù)幀間的運動關(guān)系，典型模型有均值漂移、滑動窗口和粒子濾波。目標(biāo)跟蹤時特征描述及其提取直接決定了跟蹤的效果，目前采用的特征有人工特征和學(xué)習(xí)特征。人工特征包括灰度、顏色、梯度和紋理等外觀特征和運動特征，運動特征運用較為廣泛的是光流法，光流法與其他外觀特征結(jié)合使用更具魯棒性。隨著機(jī)器學(xué)習(xí)的發(fā)展，特征可以在模型訓(xùn)練中自主學(xué)習(xí)，稱為學(xué)習(xí)特征。深度學(xué)習(xí)通過搭建深層次神經(jīng)網(wǎng)絡(luò)模型，運用訓(xùn)練好的網(wǎng)絡(luò)模型在各層中依次獲取顏色、紋理、梯度等特征[4-5]。然而深度學(xué)習(xí)需要大量相似的樣本來訓(xùn)練，為保證跟蹤模型的準(zhǔn)確性，往往還提供一定數(shù)量的跟蹤目標(biāo)樣本信息，在實際應(yīng)用中有一定的局限性。深度學(xué)習(xí)模型比較復(fù)雜，通常是基于經(jīng)驗和試驗，而且計算量遠(yuǎn)遠(yuǎn)大于傳統(tǒng)跟蹤算法，需要圖形處理器(Graphics Processing Unit, GPU)或神經(jīng)網(wǎng)絡(luò)處理器(Neural-network Process Unit, NPU)等支持，獲取高效準(zhǔn)確的學(xué)習(xí)模型是一項很大的挑戰(zhàn)[5-6]。外觀模型在跟蹤算法中處于核心位置，目前產(chǎn)生式模型和判別式模型是兩種主流分類形式。產(chǎn)生式模型只針對目標(biāo)外觀特性，常用算法有基于模板模型、基于子空間模型、基于稀疏表示模型等算法。判別式模型充分利用背景和前景信息，其算法可以看成一個二分類問題，因此依賴于訓(xùn)練樣本的數(shù)量和質(zhì)量[7]，主要算法有支持向量模型、Boosting模型和樸素貝葉斯模型等。兩類算法各有優(yōu)劣，當(dāng)訓(xùn)練的樣本數(shù)量較多時，判別式模型具有較好的跟蹤結(jié)果，但訓(xùn)練過程會降低跟蹤效率；當(dāng)有限數(shù)據(jù)可用時，產(chǎn)生式模型具有更好的泛化能力。

不同于上述兩類方法，時空上下文方法[8]對目標(biāo)位置的確定使用了時間和空間的局部相關(guān)性輔助信息，通過計算目標(biāo)及其周圍區(qū)域的低階特征進(jìn)行統(tǒng)計建模，利用置信圖進(jìn)行最大似然估計，預(yù)測出目標(biāo)位置。算法本身計算量較小，且在應(yīng)對短時部分遮擋時具有較高的穩(wěn)定性。目標(biāo)跟蹤過程中，目標(biāo)姿態(tài)和環(huán)境信息在時刻發(fā)生變化，如目標(biāo)旋轉(zhuǎn)、背景干擾，目標(biāo)遮擋、光線變化等情況，為了適應(yīng)目標(biāo)外觀和環(huán)境變化，需要對外觀模型進(jìn)行實時更新。

移動機(jī)器人路徑規(guī)劃方法主要分為全局路徑規(guī)劃和局部路徑規(guī)劃。全局路徑規(guī)劃方法主要有自由空間法、柵格法、可視圖法等，這些方法只適用于環(huán)境先驗信息已知的場景[9]；局部路徑規(guī)劃算法主要有人工勢場法和快速擴(kuò)展隨機(jī)樹算法等，這些方法適用于環(huán)境未知或部分未知的場景，障礙物位置、尺寸等信息由各傳感器實時獲取，能夠?qū)崟r進(jìn)行動態(tài)路徑規(guī)劃。快速擴(kuò)展隨機(jī)樹算法基于隨機(jī)采樣點生成路徑，使得路徑不平滑、非最優(yōu)和缺乏確定性[10]。人工勢場法操作簡單、易于實現(xiàn)，但存在局部極小值等問題。近年來，一些智能算法如遺傳算法、模糊邏輯算法、粒子群優(yōu)化算法和蟻群優(yōu)化算法等與傳統(tǒng)路徑規(guī)劃算法結(jié)合，在優(yōu)化最優(yōu)路徑求解的同時提高了路徑規(guī)劃的效率[11]。

本文設(shè)計了一個室內(nèi)環(huán)境下移動機(jī)器人自主導(dǎo)航系統(tǒng)平臺?；趩文亢碗p目視覺信息融合，構(gòu)建全局實時地圖；提出了特征點輔助的改進(jìn)時空上下文目標(biāo)定位方法；改進(jìn)了速度向量場路徑規(guī)劃及優(yōu)化方法。

1 機(jī)器人自主導(dǎo)航系統(tǒng)框架

移動機(jī)器人自主導(dǎo)航中需要：①障礙物尺寸及實時位置信息;②移動機(jī)器人實時位置和姿態(tài)信息;③目標(biāo)實時位置信息。

在大的室內(nèi)場景下，移動機(jī)器人要感知周圍環(huán)境信息，檢測障礙物并進(jìn)行避障。避障的同時需要獲取目標(biāo)位置信息，由于視覺傳感器視野范圍有限，移動機(jī)器人在向目標(biāo)點行進(jìn)和避碰過程中可能使目標(biāo)離開視野范圍。因此，本文設(shè)計了“雙目視覺+單目視覺”組合式的環(huán)境信息獲取方案，系統(tǒng)框架如圖1所示。

(1)雙目視覺系統(tǒng) 雙目相機(jī)以Eye-in-hand方式水平放置于移動機(jī)器人平臺上，獲取更精確的移動機(jī)器人周邊環(huán)境信息，以此獲取障礙物尺寸、位置，以及運動可行路面信息。

(2)單目視覺系統(tǒng) 廣角攝像頭以Eye-to-hand方式置于移動機(jī)器人工作區(qū)域上方，獲取目標(biāo)和移動機(jī)器人信息?；谠撔畔?，可進(jìn)行目標(biāo)、移動機(jī)器人的識別和定位，以及動態(tài)目標(biāo)跟蹤。

2 地圖構(gòu)建

雙目視覺系統(tǒng)檢測移動機(jī)器人周邊環(huán)境，獲取障礙物相對于機(jī)器人的位置和尺寸信息，從而構(gòu)建局部地圖。單目視覺系統(tǒng)實現(xiàn)室內(nèi)環(huán)境中機(jī)器人和目標(biāo)體的識別和實時定位。通過坐標(biāo)轉(zhuǎn)化，將兩者信息有機(jī)融合，可以獲取全局環(huán)境下障礙物、目標(biāo)和機(jī)器人空間位置、尺寸信息，構(gòu)建出全局地圖，為機(jī)器人路徑規(guī)劃提供必要的信息。

2.1 雙目視覺下障礙物檢測與測量

2.1.1 融合色彩飽和度信息的Retinex陰影消除

障礙物檢測時，往往存在地面陰影等干擾。單尺度Retinex算法[12]基于圖像增強原理消除陰影，運用高斯濾波后圖像近似預(yù)估光照分量L(x,y)，得到物體本質(zhì)色彩信息，以此得到陰影消除后圖像R(x,y)。然而，人為選擇模糊尺度時，陰影消除中易出現(xiàn)過度增強，導(dǎo)致地面與障礙物灰度差較小而影響后續(xù)障礙物的提取。

將圖像色彩飽和度信息S(x,y)與R(x,y)相融合，消除陰影的同時增強障礙物與地面的灰度差。通常，光照較大時陰影較為嚴(yán)重，因此引入圖像環(huán)境亮度信息V(x,y)，計算融合權(quán)重，自適應(yīng)地調(diào)節(jié)光照不同對陰影消除的影響。算法流程如表1所示，圖2所示為室內(nèi)3個障礙物陰影去除過程。

表1 陰影去除算法

續(xù)表1

2.1.2 區(qū)域分割與障礙物檢測

對融合圖像I(x,y)進(jìn)行種子填充，獲得圖3a中的填充地面。運用二值化和閉合運算去除較小的噪聲區(qū)域，再提取地面和障礙物的邊緣獲取地面和障礙物區(qū)域，如圖3b所示。如圖3c所示為環(huán)境信息檢測結(jié)果，將場景分割為背景區(qū)域(灰色)、障礙物區(qū)域(白色)和地面區(qū)域(黑色)，障礙物和背景為非可行區(qū)域，地面區(qū)域為可行區(qū)域范圍。

雙目相機(jī)進(jìn)行標(biāo)定和立體矯正后，以障礙物區(qū)域塊為模板在右相機(jī)圖像中進(jìn)行匹配，計算出障礙物中心點三維坐標(biāo)和障礙物尺寸[13]。移動機(jī)器人導(dǎo)航中障礙物距離和寬度信息最為重要，表2列出了圖3所示障礙物在機(jī)器人當(dāng)前視野下的寬度和相對距離測量結(jié)果，以及檢測時間(core i5處理器，主頻2.50 GHz環(huán)境下)，結(jié)果滿足了移動機(jī)器人避障導(dǎo)航精度和實時性的要求。

表2 障礙物測量信息

2.2 基于單目視覺的移動機(jī)器人定位

為了識別機(jī)器人并對其定位，設(shè)計機(jī)器人靶標(biāo)如圖4a所示。在白色的A4紙內(nèi)設(shè)置一個粉紅色矩形框，將圖4a轉(zhuǎn)化為HSV顏色空間，根據(jù)H分量下設(shè)定的先驗閾值分割獲取粉紅色區(qū)域如圖4b，獲取靶標(biāo)區(qū)域掩碼如圖4d，同時由S分量分割獲得圖4c區(qū)域。在掩碼區(qū)域?qū)D4c進(jìn)一步精確分割得到圖4e的A4紙區(qū)域圖像。計算圖4e白色A4紙區(qū)域面積得到重心點，則圖4a中離重心點最近的C點設(shè)為原點，點C與離重心第二近的點B構(gòu)成X軸，點C與離重心第三近的點D構(gòu)成Y軸。由單目測量方法[15]可得B、C、D三點在單目測量坐標(biāo)系XcOcYc下二維坐標(biāo)Ol、Px和Py，以O(shè)l為原點，OlPx為X軸，OlPy為Y軸，建立圖4f所示的機(jī)器人靶標(biāo)坐標(biāo)系XlOlYl，各坐標(biāo)系示意圖如圖5所示。

圖5中取單目測量坐標(biāo)系XcOcYc的Y軸單位向量為y=(0,1)，則XlOlYl坐標(biāo)系與XcOcYc坐標(biāo)系的夾角θ為：

(1)

至此，獲取到了機(jī)器人位置Ol和姿態(tài)傾角θ。

2.3 改進(jìn)的時空上下文動態(tài)目標(biāo)定位算法

時空上下文跟蹤算法[8]以固定更新率更新模型，在背景光照干擾和目標(biāo)長時間遮擋時，易引入錯誤背景信息造成目標(biāo)漂移，在目標(biāo)快速運動時易跟蹤失敗?；跁r空上下文跟蹤算法，本文提出一種特征點輔助的動態(tài)目標(biāo)跟蹤算法。

2.3.1 光流追蹤和特征點匹配的目標(biāo)位置預(yù)估

2.3.2 基于特征點變化率的時空上下文模型更新

對于目標(biāo)位置x和目標(biāo)位置中心x*，建立上下文特征集Xc={v(z)=(I(z),z)|z∈Ωc(x*)}，其中I(z)表示在z點的灰度值，Ωc(x*)表示x*為中心的局部區(qū)域。

目標(biāo)與其相鄰區(qū)域的空間上下文關(guān)系模型hsc(x)[8]：

(2)

式中：b為歸一化系數(shù)；α是尺度參數(shù)；β是形狀參數(shù)；ωδ(·)表示權(quán)重函數(shù)；F(·)表示快速傅里葉變換；F-1(·)表示傅里葉逆變換。

(3)

2.3.3 基于時空上下文信息的目標(biāo)精確定位

以t+1幀時的目標(biāo)位置置信圖中極大值的位置作為該幀目標(biāo)位置，目標(biāo)精確位置為：

(4)

在文獻(xiàn)[15]分別展現(xiàn)了背景干擾、全局和部分遮擋、快速運動與運動模糊、目標(biāo)旋轉(zhuǎn)等情況下展現(xiàn)本文算法的跟蹤效果，并與傳統(tǒng)時空上下文 (Spatio-temporal Context learning, STC)以及當(dāng)前比較熱門的快速壓縮跟蹤(fast Compressive Tracking, CT)算法 、跟蹤學(xué)習(xí)檢測(Tracking Learning Detection, TLD)算法 、在線增強視覺(On-line Boosting and vision, OAB )跟蹤算法作比較，結(jié)果表明本文跟蹤算法綜合測試指標(biāo)中跟蹤效果最佳，具有較好的魯棒性和跟蹤精度。

2.4 視覺信息融合的二維地圖實時構(gòu)建

(5)

至此，獲取了目標(biāo)體、機(jī)器人和障礙物在單目測量坐標(biāo)系XcOcYc下的位置等信息，構(gòu)建如圖6b所示的全局地圖。

3 基于速度向量場的路徑規(guī)劃算法

速度向量場方法由吸引速度va、排斥速度vr和切向速度vt控制機(jī)器人避障運動。機(jī)器人在這3個速度綜合作用下實現(xiàn)避碰運動，原理如圖7所示。圖中O、G和R分別為當(dāng)前障礙物、目標(biāo)和機(jī)器人位置；dOG、dOR和dRG分別代表各位置之間的距離；robs為障礙物半徑；s為避碰環(huán)半徑；rd為障礙物排斥場作用半徑。

傳統(tǒng)速度向量場方法路徑規(guī)劃時存在以下問題[16]：①機(jī)器人吸引速度過大，到達(dá)目標(biāo)點時會引起來回震蕩；②機(jī)器人進(jìn)入排斥場時由于排斥速度突然變化，產(chǎn)生較大的軌跡波動；③當(dāng)障礙物處于目標(biāo)點附近，此時排斥速度場大于吸引速度場而使得目標(biāo)不可到達(dá)；④機(jī)器人運行速度較大時在排斥場邊緣處易造成軌跡抖動；⑤未考慮動態(tài)障礙物下切向速度方向優(yōu)化。

3.1 衰減吸引速度函數(shù)設(shè)計

目標(biāo)點區(qū)域設(shè)置一個半徑為ra的緩沖帶，吸引

速度va定義如下：

(6)

(7)

其中：RG為R指向G的向量；M為吸引速度系數(shù)，為了使機(jī)器人較快到達(dá)目標(biāo)點，M通常取較大值。

當(dāng)機(jī)器人運行在目標(biāo)緩沖區(qū)域外時，機(jī)器人以較快的速度運行。當(dāng)進(jìn)入目標(biāo)緩沖區(qū)域，機(jī)器人以遞減速度接近目標(biāo)點，避免了目標(biāo)點附近震蕩現(xiàn)象。

3.2 對數(shù)形式排斥速度函數(shù)設(shè)計

為解決傳統(tǒng)速度向量場方法中軌跡波動、目標(biāo)不可到達(dá)等問題，設(shè)計了如下對數(shù)形式排斥速度vr：

(8)

(9)

其中：OR表示O指向R的向量，β表示排斥速度系數(shù)。

機(jī)器人剛進(jìn)入排斥場時排斥速度較小，越接近障礙物排斥速度越大，避免了速度突變。另一方面，機(jī)器人速度較大時排斥場邊緣處易產(chǎn)生軌跡抖動，在式(8)的排斥速度中引入機(jī)器人與障礙物距離的導(dǎo)數(shù)(dOR-robs)′，其代表機(jī)器人與障礙物相對距離變化速度，變化越快則接近速度越大，此時排斥速度相應(yīng)變大，避免了軌跡波動。

當(dāng)障礙物接近目標(biāo)點時，一旦出現(xiàn)排斥速度大于吸引速度，機(jī)器人無法到達(dá)目標(biāo)點。為此，當(dāng)障礙物和目標(biāo)點距離小于rd時，在排斥速度中引入式(9)的排斥速度衰減策略，使得機(jī)器人接近目標(biāo)時，排斥速度以比例形式逐漸衰減，保證機(jī)器人最終到達(dá)目標(biāo)點。

3.3 切向速度函數(shù)優(yōu)化設(shè)計

為確保機(jī)器人運行路徑最短，如圖8a中對于靜態(tài)障礙物，兩個切向速度vt和v1t選擇切向速度vt與吸引速度va夾角較小的vt。對于動態(tài)障礙物，需進(jìn)一步考慮障礙物運動方向，機(jī)器人的繞行方向應(yīng)與障礙物移動方向vobs相反，具體如圖8b和圖8c所示。

速度形式與排斥速度類似，引入切向速度向量場作用半徑rt，vt定義如下：

(10)

(11)

其中：OR′表示向量OR的垂直向量，γ表示切向速度系數(shù)。

改進(jìn)的切向速度可有效避免軌跡波動等問題，同時基于靜態(tài)障礙物下繞行距離最短和動態(tài)障礙物下避障最安全原則，設(shè)計的切向速度可有效避免機(jī)器人陷入局部極小值，加速繞開障礙物。

3.4 機(jī)器人避碰運動速度計算

在機(jī)器人運動場景中，若存在n個障礙物，則機(jī)器人避碰運動速度合速度v計算如下：

(12)

3.5 路徑規(guī)劃算法仿真與性能分析

(1)多種吸引速度對比仿真

圖9a為衰減吸引速度與常數(shù)形式吸引速度[17]和比例形式吸引速度[18]對比效果圖。常數(shù)吸引速度下，機(jī)器人接近目標(biāo)點時，沖過目標(biāo)點而后折返，在圖中表現(xiàn)為距離上下波動，始終無法收斂到目標(biāo)位置；比例吸引速度避免了機(jī)器人在目標(biāo)點附近震蕩，但其收斂速度較慢，在5 s時才完全停下；本文的衰減吸引速度約在1.5 s時已收斂到達(dá)目標(biāo)點。

(2)多種排斥速度對比仿真

圖9b所示為本文提出的對數(shù)形式排斥速度與目前采用的排斥速度模型(常數(shù)形式[17]、一次反比形式[18]、二次反比形式[19]、指數(shù)形式[20]和虛擬彈簧阻尼形式[16])的仿真對比結(jié)果。結(jié)果表明：①排斥速度為常數(shù)時，機(jī)器人進(jìn)入排斥場后速度發(fā)生突變，軌跡抖動劇烈；②一次反比函數(shù)排斥速度改善了軌跡抖動程度；③二次反比形式排斥場，總體軌跡相對平滑，但離開排斥場區(qū)域段仍存在軌跡抖動；④指數(shù)形式排斥場下，機(jī)器人軌跡基本平滑，但進(jìn)入和離開排斥場時軌跡仍未達(dá)到平滑過渡；⑤虛擬彈簧阻尼形式排斥場得到較為理想的軌跡，但需要設(shè)定多個彈簧阻尼系數(shù)，軌跡平滑度很大程度受彈簧阻尼系數(shù)選取的影響。本文設(shè)計的對數(shù)形式速度排斥場軌跡最為平滑，可操作性強，且路徑最短。

(3)目標(biāo)處于障礙物排斥場內(nèi)的路徑規(guī)劃仿真

目標(biāo)處于障礙物排斥場內(nèi)，圖9c未加入排斥衰減策略，機(jī)器人始終圍繞目標(biāo)繞行，無法到達(dá)目標(biāo)點。圖9d加入排斥速度衰減策略后，機(jī)器人能夠始終朝目標(biāo)點運動，并在較短時間內(nèi)抵達(dá)目標(biāo)點。

(4)動態(tài)路徑規(guī)劃仿真

4 實驗與分析

實驗場景如圖11所示，一個移動機(jī)器人在一個有障礙物Ob1、Ob2和Ob3的室內(nèi)環(huán)境下跟蹤一個掃地機(jī)器人。掃地機(jī)器人作為動態(tài)目標(biāo)，其運動軌跡是隨機(jī)的，與障礙物碰撞時，其運動隨機(jī)改變，同時也改變障礙物位置。實驗系統(tǒng)框架如圖12所示。

移動機(jī)器人和掃地機(jī)器人具有不同高度，需要在對應(yīng)高度上進(jìn)行相應(yīng)測量矩陣的求取[15]，外參數(shù)標(biāo)定結(jié)果如表3所示。

表3 單目測量外參數(shù)標(biāo)定結(jié)果

圖13為實驗過程中移動機(jī)器人和掃地機(jī)器人在地圖中的運動軌跡，圖中同一顏色或灰色對應(yīng)同一時刻位置，移動機(jī)器人軌跡中的ABCDEFGHI點分別對應(yīng)掃地機(jī)器人軌跡的A′B′C′D′E′F′G′H′I′點。

(1)A位置(第31幀)

機(jī)器人到達(dá)A位置，獲取了障礙物Ob1信息。此時機(jī)器人未處于Ob1排斥場內(nèi)，從A到B運動時，機(jī)器人向目標(biāo)做最短的直線運動。

(2)B位置(第64幀)

機(jī)器人到達(dá)B，進(jìn)入Ob1排斥場內(nèi)，雙目視覺系統(tǒng)檢測到障礙Ob2、Ob3，將它們信息添加到地圖中。機(jī)器人由B向C運動，向目標(biāo)運動同時還進(jìn)行Ob1避碰運動。

(3)C位置(第97幀)

機(jī)器人到達(dá)C，這時掃地機(jī)器人碰到Ob2，致其位置發(fā)生變化，Ob2新位置更新至地圖。

(4)D位置(第119幀)

機(jī)器人到達(dá)D，在Ob2排斥場作用下繼續(xù)由D向E運動，圖13中虛線為Ob2未移動時理論軌跡，對比可知Ob2移動后使移動機(jī)器人更貼近Ob2的排斥場，軌跡發(fā)生偏移。

(5)F位置(第183幀)

機(jī)器人到達(dá)F，此時掃地機(jī)器人到達(dá)F′點，與邊界擋板發(fā)生碰撞，之后運動方向改變，此時移動機(jī)器人不受障礙物排斥場作用，以最短路徑從F向G運動。

(6)H位置(第258幀)

移動機(jī)器人從G點向H點運動過程避碰Ob3，到達(dá)H點。

(7)I位置(第304幀)

機(jī)器人在Ob3排斥場下繼續(xù)向I點運動，最終移動機(jī)器人和掃地機(jī)器人分別到達(dá)I點和I′點，完成了跟蹤任務(wù)。

實驗中障礙物位置信息測量結(jié)果如表4所示，最大、最小相對誤差分別為2.1%和0.4%，平均相對誤差為1.55%，滿足移動機(jī)器人導(dǎo)航需要。

表4 地圖構(gòu)建中障礙物位置測量結(jié)果

5 結(jié)束語

本文提出了一種基于“Eye-in-hand雙目視覺”和“Eye-to-hand單目視覺”組合的移動機(jī)器人自主導(dǎo)航方法。在障礙物檢測時，將圖像色彩飽和度信息和圖像環(huán)境亮度信息引入單尺度Retinex算法，自適應(yīng)不同光照下陰影的消除和障礙物的有效提??；動態(tài)目標(biāo)跟蹤定位方面，將目標(biāo)特征點及其變化信息引入時空上下文目標(biāo)跟蹤算法，自適應(yīng)地調(diào)節(jié)時空上下文模型的更新率，較為有效地防止引入錯誤背景信息造成目標(biāo)漂移和目標(biāo)快速運動易跟蹤失敗等問題，在保證較好實時性的同時達(dá)到了穩(wěn)定的目標(biāo)跟蹤效果；上述視覺信息處理模型的改進(jìn)，一方面減少了模型依賴于人為經(jīng)驗或試驗數(shù)據(jù)，另一方面可自適應(yīng)不同的環(huán)境。在機(jī)器人避障路徑實時規(guī)劃方面，對基于速度矢量場路徑規(guī)劃算法進(jìn)行了一系列改進(jìn)，避免了機(jī)器人在目標(biāo)附近震蕩，解決了軌跡抖動、動態(tài)障礙物逼近和目標(biāo)處于障礙物排斥場不可到達(dá)問題，以及擺脫局部極小值并以最短安全路徑繞行等問題。通過仿真和實驗驗證了本文算法的有效性和實際應(yīng)用的可行性。

今后可以結(jié)合遷移學(xué)習(xí)等方法，進(jìn)一步改進(jìn)模型在復(fù)雜場景下的自適應(yīng)性和穩(wěn)定性；另外，可以采用強化學(xué)習(xí)思想，研究機(jī)器人自學(xué)習(xí)進(jìn)行室內(nèi)自主導(dǎo)航，這些將是未來的研究方向。