葉振康，陳耀鋒，黃培燦，鐘勇填

（東莞理工學(xué)院 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，廣東 東莞 523808）

0 引 言

移動(dòng)機(jī)器人已逐漸滲透到各個(gè)領(lǐng)域，隨著移動(dòng)機(jī)器人的研究不斷深入，如何讓機(jī)器人避障也是一大熱點(diǎn)和難點(diǎn)[1]。本文介紹了如何使用深度學(xué)習(xí)和遷移學(xué)習(xí)的方法，只通過(guò)少量標(biāo)簽樣本數(shù)據(jù)訓(xùn)練的模型能夠獲得較好的圖像分類能力，實(shí)現(xiàn)障礙識(shí)別。利用遷移學(xué)習(xí)方法可以使用已有網(wǎng)絡(luò)結(jié)構(gòu)對(duì)不同領(lǐng)域進(jìn)行處理，借助少量訓(xùn)練集快速訓(xùn)練出可用模型[2]。基于ROS機(jī)器人操作系統(tǒng)進(jìn)行避障功能的設(shè)計(jì)與實(shí)現(xiàn)，有利于提高軟件的通用性，便于與其他功能結(jié)合，高效構(gòu)建完整的機(jī)器人系統(tǒng)。

1 系統(tǒng)架構(gòu)

通過(guò)收集圖片并將圖片按照標(biāo)簽BLOCK和FREE進(jìn)行分類，使用Python的PyTorch深度學(xué)習(xí)張量庫(kù)訓(xùn)練圖片分類器。為了在使用較少訓(xùn)練集的條件下達(dá)到較好效果，使用預(yù)處理模型AlexNet將原先有大量標(biāo)簽的最后一層替換成僅有BLOCK和FREE的特定特征[3]，最終得到基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類器。系統(tǒng)架構(gòu)如圖1所示。

圖1 系統(tǒng)架構(gòu)

攝像頭采集的圖像作為神經(jīng)網(wǎng)絡(luò)的輸入，根據(jù)神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果計(jì)算移動(dòng)機(jī)器人的目標(biāo)線速度和角速度，并通過(guò)USB線發(fā)送給底盤(pán)控制器，控制機(jī)器人執(zhí)行避障動(dòng)作。

2 硬件設(shè)計(jì)

硬件主要由3大部分組成，包括TurtleBot2底盤(pán)、NVIDIA Jetson Nano主控制器和RaspberryPi V2.1攝像頭。Jetson Nano搭載了四核Coretx-A57處理器、128核Maxwell GPU及4 GB LPDRR4內(nèi)存，具有AI計(jì)算能力，可以很好地支撐TensorFlow和PyTorch等高級(jí)神經(jīng)網(wǎng)絡(luò)的應(yīng)用。

在環(huán)境感知方面，使用攝像頭實(shí)現(xiàn)基于機(jī)器視覺(jué)的避障功能，相比超聲波、紅外線傳感器的避障方案有較大優(yōu)勢(shì)：超聲波傳感器雖然檢測(cè)范圍廣、精度高，但存在近距離檢測(cè)盲區(qū)，且對(duì)檢測(cè)的物體角度要求較高，可能會(huì)誤收其他機(jī)器發(fā)出的噪音信號(hào)，同時(shí)多個(gè)超聲波傳感器收發(fā)期間可能會(huì)出現(xiàn)交叉干擾等現(xiàn)象[4]。而紅外線傳感器的強(qiáng)光干擾能力差，系統(tǒng)發(fā)出的紅外線光易被太陽(yáng)光主要能量波段下的光波影響，因此實(shí)際測(cè)量誤差較大[5]。在數(shù)據(jù)獲取方面，相對(duì)于超聲波和紅外線，機(jī)器視覺(jué)技術(shù)主動(dòng)接收光源信息，因此獲取的信息量更大[6]。而選用的攝像頭又具有夜間使用功能，在使用范圍上更有優(yōu)勢(shì)。

3 軟件設(shè)計(jì)

ROS是一個(gè)優(yōu)秀的機(jī)器人分布式框架，它為開(kāi)發(fā)者提供了硬件抽象、底層設(shè)備控制以及基礎(chǔ)功能。ROS系統(tǒng)軟件的功能模塊以節(jié)點(diǎn)為單位，可在不同的主機(jī)上獨(dú)立運(yùn)行。各節(jié)點(diǎn)封裝成功能包，供開(kāi)發(fā)者調(diào)用；軟件可復(fù)用，易于擴(kuò)展，減少了“重復(fù)造輪子”的多余工作[7]，降低了移動(dòng)機(jī)器人的開(kāi)發(fā)成本，提高了開(kāi)發(fā)效率。同時(shí)，ROS支持分布式計(jì)算，例如可將攝像頭采集的數(shù)據(jù)通過(guò)話題通信方式傳送回運(yùn)算能力更強(qiáng)的計(jì)算機(jī)進(jìn)行處理，以提高運(yùn)算效率，降低移動(dòng)機(jī)器人的功耗，為開(kāi)發(fā)提供廣闊的可能性[8-9]。

ROS基于話題（Topic）的異步數(shù)據(jù)流通信常用于不斷更新的、含有較少邏輯處理的數(shù)據(jù)通信。各功能模塊以節(jié)點(diǎn)為單位運(yùn)行，通過(guò)話題進(jìn)行消息傳遞，消息具有嚴(yán)謹(jǐn)?shù)臄?shù)據(jù)結(jié)構(gòu)，允許開(kāi)發(fā)者自定義消息內(nèi)容和數(shù)據(jù)類型[10]。

本系統(tǒng)主要由collision_avoidance、mobile_base_nodelet_managet、mobile_base和diagnostic_aggregator節(jié)點(diǎn)組成。collision_avoidance節(jié)點(diǎn)負(fù)責(zé)獲取實(shí)時(shí)圖像、調(diào)用神經(jīng)網(wǎng)絡(luò)處理圖像和發(fā)送運(yùn)動(dòng)控制指令信息給mobile_base_nodelet_managet節(jié)點(diǎn)。mobile_base_nodelet_managet節(jié)點(diǎn)負(fù)責(zé)解決ROS數(shù)據(jù)交互存在的延時(shí)和堵塞問(wèn)題，可實(shí)現(xiàn)多路數(shù)據(jù)交互，把信息發(fā)送到mobile_base節(jié)點(diǎn)。mobile_base節(jié)點(diǎn)是控制機(jī)器人運(yùn)動(dòng)的關(guān)鍵，diagnostic_aggregator節(jié)點(diǎn)是診斷節(jié)點(diǎn)。關(guān)鍵節(jié)點(diǎn)如圖2所示。

圖2 關(guān)鍵節(jié)點(diǎn)

collision_avoidance節(jié)點(diǎn)和mobile_base_nodelet_managet節(jié)點(diǎn)間使用cmd_vel_mux話題通信，消息內(nèi)容是移動(dòng)機(jī)器人的目標(biāo)線速度和角速度。collision_avoidance節(jié)點(diǎn)發(fā)布消息，mobile_base_nodelet_managet節(jié)點(diǎn)讀取消息，并根據(jù)優(yōu)先級(jí)分配電機(jī)運(yùn)行權(quán)限，保證多路控制時(shí)系統(tǒng)的穩(wěn)定性。優(yōu)先級(jí)和超時(shí)時(shí)間可通過(guò)修改YAML文件相關(guān)參數(shù)設(shè)置。

cmd_vel_mux話題采用Twist類型的消息格式，它是用于控制電機(jī)的向量結(jié)構(gòu)體，由線速度和角速度組成，可利用笛卡爾直角坐標(biāo)系實(shí)現(xiàn)精確表達(dá)，采用Twist類型消息格式，其數(shù)據(jù)類型均為float 64型。collision_avoidance節(jié)點(diǎn)將移動(dòng)機(jī)器人的目標(biāo)線速度和角速度封裝為T(mén)wist類型消息，發(fā)布到cmd_vel_mux話題中。mobile_base_nodelet_managet節(jié)點(diǎn)從話題隊(duì)列中取出電機(jī)控制消息并按優(yōu)先級(jí)依次執(zhí)行。圖3所示為對(duì)應(yīng)的程序流程。

圖3 程序流程

4 系統(tǒng)測(cè)試

測(cè)試基于TurtleBot2移動(dòng)機(jī)器人平臺(tái)進(jìn)行。該平臺(tái)搭載了NVIDIA Jetson Nano主控制器和RaspberryPi V2.1攝像頭等器件。在機(jī)器人前方放置障礙物，記錄算法的輸出結(jié)果和實(shí)際避障效果。測(cè)試場(chǎng)景如圖4所示。

圖4 測(cè)試場(chǎng)景

神經(jīng)網(wǎng)絡(luò)會(huì)返回1個(gè)表示移動(dòng)機(jī)器人是否受阻的概率值。當(dāng)返回的概率值大于預(yù)設(shè)概率值時(shí)，表示移動(dòng)機(jī)器人受阻，移動(dòng)機(jī)器人將左轉(zhuǎn)彎直到避開(kāi)障礙物，否則繼續(xù)前進(jìn)。預(yù)設(shè)概率值將對(duì)避障性能產(chǎn)生直接影響。本測(cè)試設(shè)定角速度為1 rad/s，線速度為0.2 m/s，通過(guò)改變預(yù)設(shè)概率值研究在特定角速度和線速度下預(yù)設(shè)概率值對(duì)移動(dòng)機(jī)器人避障性能的影響，測(cè)試結(jié)果見(jiàn)表1所列。

表1 不同概率預(yù)設(shè)值對(duì)避障距離的影響

在一定范圍內(nèi)，隨著預(yù)設(shè)概率值遞增，移動(dòng)機(jī)器人沿著墻壁走直線和觸發(fā)避障的距離都隨之變小。設(shè)定不同的預(yù)設(shè)概率值，移動(dòng)機(jī)器人沿墻壁直線運(yùn)動(dòng)所需的最小邊距不同，觸發(fā)避障的距離也不同。根據(jù)具體應(yīng)用場(chǎng)景和應(yīng)用需求對(duì)預(yù)設(shè)概率值做適當(dāng)調(diào)整即可滿足不同的用戶需求。

過(guò)低的預(yù)設(shè)概率值可能使移動(dòng)機(jī)器人在離障礙物較遠(yuǎn)時(shí)開(kāi)始轉(zhuǎn)向；而過(guò)高的預(yù)設(shè)概率值會(huì)使移動(dòng)機(jī)器人在過(guò)障礙物時(shí)因物體只占識(shí)別圖像的某一部分，達(dá)不到預(yù)設(shè)概率值而認(rèn)為前方無(wú)障礙并發(fā)生碰撞。此外，過(guò)高的預(yù)設(shè)概率值會(huì)使移動(dòng)機(jī)器人在觸發(fā)避障的臨界點(diǎn)抖動(dòng)加劇。因此根據(jù)移動(dòng)機(jī)器人的外形設(shè)定合適的預(yù)設(shè)概率值尤為重要。通過(guò)多次測(cè)試，測(cè)得最適合移動(dòng)機(jī)器人的預(yù)設(shè)概率值范圍為0.4～0.5，避障成功率約為93%，避障效果較好。

5 結(jié) 語(yǔ)

為實(shí)現(xiàn)視覺(jué)避障功能，文中設(shè)計(jì)了一種基于ROS和深度學(xué)習(xí)的智能避障移動(dòng)機(jī)器人。本系統(tǒng)使用深度學(xué)習(xí)訓(xùn)練得到基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類器，使用遷移學(xué)習(xí)技術(shù)縮短分類器的訓(xùn)練時(shí)間，基于ROS操作系統(tǒng)進(jìn)行避障功能的設(shè)計(jì)與實(shí)現(xiàn)，并快速構(gòu)建擴(kuò)展性強(qiáng)、性能穩(wěn)定的機(jī)器人系統(tǒng)。系統(tǒng)測(cè)試結(jié)果表明，本系統(tǒng)具有較好的避障能力，對(duì)不同環(huán)境和障礙物均有良好的適應(yīng)性。