朱宏輝，王嘉豪，朱 軼

(武漢理工大學(xué) 物流工程學(xué)院，湖北 武漢 430063)

0 引 言

機(jī)器人視覺(jué)伺服是機(jī)器人研究領(lǐng)域的重要方向之一，通過(guò)利用圖像信息作為反饋，構(gòu)成機(jī)器人或者機(jī)械臂的閉環(huán)控制系統(tǒng)[1]。利用無(wú)標(biāo)定視覺(jué)伺服技術(shù)能夠提高機(jī)器人環(huán)境適應(yīng)能力，實(shí)現(xiàn)移動(dòng)機(jī)器人在室內(nèi)環(huán)境的實(shí)際應(yīng)用[2-4]。在室內(nèi)環(huán)境下，機(jī)器人能夠正確識(shí)別和選擇視覺(jué)伺服目標(biāo)是實(shí)現(xiàn)機(jī)器人視覺(jué)伺服的關(guān)鍵。

快速進(jìn)行目標(biāo)識(shí)別是實(shí)現(xiàn)移動(dòng)機(jī)器人視覺(jué)伺服的前提，采用特征點(diǎn)匹配的方式能夠提高目標(biāo)識(shí)別的速度。目前，常用的特征點(diǎn)匹配算法有：SIFT算法、SURF算法和ORB算法[5-7]，其中ORB算法因運(yùn)算速度快、抗噪能力強(qiáng)，被廣泛用于各種實(shí)時(shí)特征檢測(cè)和目標(biāo)識(shí)別場(chǎng)景中。通過(guò)特征匹配方式識(shí)別目標(biāo)物體后，利用圖像信息作為反饋控制機(jī)器人抓取目標(biāo)物體，從而完成機(jī)器人視覺(jué)伺服。王博等[8]利用動(dòng)態(tài)擬牛頓算法實(shí)現(xiàn)機(jī)器人無(wú)標(biāo)定視覺(jué)伺服，避免了標(biāo)定技術(shù)對(duì)工業(yè)機(jī)器人視覺(jué)伺服系統(tǒng)的影響，提高了機(jī)器人視覺(jué)伺服系統(tǒng)的魯棒性。梁喜鳳等[9]通過(guò)自適應(yīng)無(wú)跡卡爾曼濾波算法估計(jì)圖像雅可比矩陣，成功實(shí)現(xiàn)了七自由度采摘機(jī)械手的視覺(jué)伺服。但是這些方法都只能實(shí)現(xiàn)對(duì)單一目標(biāo)物體的視覺(jué)伺服，而移動(dòng)機(jī)器人應(yīng)用的實(shí)際場(chǎng)景中往往會(huì)出現(xiàn)多個(gè)同樣目標(biāo)物體。為此，張璐等[10]通過(guò)無(wú)標(biāo)定視覺(jué)伺服方法完成采摘機(jī)器人的采摘作業(yè)，并以果蔬成熟特性作為采摘目標(biāo)選擇依據(jù)，成功實(shí)現(xiàn)采摘機(jī)器人的選擇性采摘作業(yè)，但是卻不適合用于室內(nèi)移動(dòng)機(jī)器人視覺(jué)伺服。

視覺(jué)伺服過(guò)程中，機(jī)器人視野中可能存在多個(gè)相同目標(biāo)物體，機(jī)器人容易因無(wú)法選擇目標(biāo)而導(dǎo)致視覺(jué)伺服失敗。為此，提出一種基于特征點(diǎn)密度峰值的視覺(jué)伺服目標(biāo)選擇方法，通過(guò)該方法機(jī)器人能夠選擇唯一視覺(jué)伺服目標(biāo)，提高機(jī)器人視覺(jué)伺服的成功率。通過(guò)ORB算法對(duì)所有目標(biāo)物體進(jìn)行識(shí)別，然后采用特征點(diǎn)密度峰值聚類算法[11]將圖像中不同目標(biāo)物體特征點(diǎn)進(jìn)行分離，最后通過(guò)位置優(yōu)先決策方法在多個(gè)相同目標(biāo)物體中選擇一個(gè)最佳的抓取目標(biāo)。最后，通過(guò)實(shí)驗(yàn)驗(yàn)證該方法的正確性和可行性。

1 特征點(diǎn)匹配與分離

1.1 特征提取與匹配

機(jī)器人視覺(jué)伺服首先需要識(shí)別目標(biāo)物體，采用ORB算法通過(guò)特征點(diǎn)提取與匹配能夠?qū)崿F(xiàn)對(duì)目標(biāo)物體的識(shí)別與定位。ORB算法建立在FAST特征點(diǎn)檢測(cè)算法和BRIEF特征點(diǎn)描述算法理論基礎(chǔ)上，并針對(duì)原算法進(jìn)行了一些改進(jìn)及優(yōu)化。保留了算法的旋轉(zhuǎn)、尺度不變性，同時(shí)極大提高了特征提取與匹配的速度。

ORB算法首先通過(guò)FAST算法檢測(cè)圖像尺度空間中的特征點(diǎn)，且ORB算法通過(guò)灰度質(zhì)心法為FAST特征點(diǎn)定義了主方向，以增加FAST特征點(diǎn)的旋轉(zhuǎn)不變性。

為計(jì)算特征點(diǎn)方向，ORB定義領(lǐng)域矩，領(lǐng)域矩的定義式見(jiàn)式(1)

(1)

其中，(x,y)∈[-r,r]表示相對(duì)于FAST特征點(diǎn)的位置，r表示鄰域半徑；I(x,y)表示該位置的灰度值，鄰域質(zhì)心計(jì)算方法如下

(2)

其中，m00為零階矩，m01和m10為一階矩。

ORB定義質(zhì)心與特征點(diǎn)連線方向即為FAST特征點(diǎn)的方向，角度計(jì)算方法如式(3)

θ=atan2(m01,m10)

(3)

ORB使用BRIEF算法計(jì)算特征點(diǎn)的描述子，BRIEF描述子是一種二進(jìn)制特征描述子。BRIEF在特征點(diǎn)鄰域內(nèi)隨機(jī)選取n對(duì)像素點(diǎn)，然后利用一個(gè)τ測(cè)試比較兩者的灰度值，τ測(cè)試定義如式(4)。最后，將所有測(cè)試結(jié)果形成一個(gè)由0和1組成的字符串，也就是特征點(diǎn)的描述子，BRIEF描述子表示方法見(jiàn)式(5)

(4)

(5)

然而，BRIEF描述子同樣不具備旋轉(zhuǎn)不變性，ORB利用特征點(diǎn)檢測(cè)得到的主方向作為描述子的主方向，以增強(qiáng)BRIEF對(duì)于旋轉(zhuǎn)變化的不變性。利用BRIEF中所有點(diǎn)對(duì)定義一個(gè)2×n的矩陣，如下

(6)

由特征點(diǎn)主方向θ可以得到旋轉(zhuǎn)矩陣Rθ，由此能夠利用Rθ計(jì)算得到改進(jìn)后的BRIEF特征描述子，計(jì)算過(guò)程如下

(7)

gn(p,θ)=fn(p)|(xi,yi)∈Mθ

(8)

最后篩選出相關(guān)性較低的256個(gè)像素點(diǎn)對(duì)計(jì)算ORB特征描述符。然后，利用Hamming距離等相似性度量方法進(jìn)行特征點(diǎn)匹配。特征匹配中出現(xiàn)的誤匹配點(diǎn)會(huì)降低目標(biāo)定位精度，同時(shí)會(huì)導(dǎo)致機(jī)器人視覺(jué)伺服控制精度降低甚至失敗，為了提高匹配精度，本文采用PROSAC算法剔除誤匹配點(diǎn)[12]，圖1為剔除誤匹配點(diǎn)后的特征點(diǎn)匹配結(jié)果。

圖1 剔除誤匹配點(diǎn)后特征匹配結(jié)果

1.2 特征點(diǎn)分離

移動(dòng)機(jī)器人視覺(jué)伺服過(guò)程中出現(xiàn)多個(gè)相同目標(biāo)物體的時(shí)候，通過(guò)特征匹配方法將識(shí)別圖像中所有的目標(biāo)物體，而機(jī)器人視覺(jué)伺服需要選擇唯一目標(biāo)物體作為抓取目標(biāo)。為此，通過(guò)引入特征點(diǎn)密度峰值聚類算法將匹配特征點(diǎn)進(jìn)行分離，以實(shí)現(xiàn)對(duì)多個(gè)相同目標(biāo)物體的分離，進(jìn)而選擇最佳視覺(jué)伺服目標(biāo)。

匹配特征點(diǎn)分離流程如下：

(1)目標(biāo)物體中心點(diǎn)估計(jì)

第一步需要尋找期望圖像上目標(biāo)物體的中心點(diǎn)，使用期望圖像目標(biāo)物體的幾何中心點(diǎn)作為模板中心位置，記為C。期望圖像中ORB特征點(diǎn)集合為T，當(dāng)前圖像上的特征點(diǎn)集合為S，(t,s)表示一個(gè)特征匹配對(duì)，滿足t∈T且s∈S。期望圖像特征點(diǎn)到中心位置的向量如式(9)所示

ri(ti)=p(C)-p(ti)

(9)

其中，p(C)表示期望圖像上目標(biāo)物體的中心點(diǎn)位置，p(ti)是期望圖像上第i個(gè)特征點(diǎn)的圖像坐標(biāo)。

(10)

式中：θi=θs-θt，θs是當(dāng)前圖像上特征點(diǎn)的方向，θt是在期望圖像上對(duì)應(yīng)特征點(diǎn)的方向。

(2)特征點(diǎn)分離

(11)

ρq1≥ρq2≥…≥ρqN

(12)

(13)

圖2 估計(jì)中心點(diǎn)分類

由不同中心點(diǎn)集中的估計(jì)中心點(diǎn)尋找與之對(duì)應(yīng)的圖像特征點(diǎn)，得到圖像中每一個(gè)目標(biāo)物體的圖像特征點(diǎn)集。如此圖像中不同目標(biāo)物體上的特征點(diǎn)被分離，特征點(diǎn)分離的結(jié)果如圖3所示。

圖3 分離匹配特征點(diǎn)

2 視覺(jué)伺服目標(biāo)選擇

2.1 位置優(yōu)先目標(biāo)決策方法

通過(guò)特征點(diǎn)密度峰值聚類算法分離圖像中各個(gè)目標(biāo)物體之后，需在多個(gè)目標(biāo)物體之中選擇一個(gè)最佳視覺(jué)伺服目標(biāo)。為此，本文提出一種基于位置優(yōu)先的目標(biāo)決策方法，利用機(jī)器人手眼關(guān)系計(jì)算各目標(biāo)物體與機(jī)械臂末端的空間位置關(guān)系，以各目標(biāo)物體位置作為視覺(jué)伺服目標(biāo)的選擇依據(jù)，為機(jī)器人視覺(jué)伺服選擇最佳抓取目標(biāo)。

攝像機(jī)模型反映圖像坐標(biāo)系與笛卡爾空間坐標(biāo)系之間的關(guān)系，利用攝像機(jī)模型能夠根據(jù)圖像信息計(jì)算目標(biāo)物體的空間位置，從而實(shí)現(xiàn)對(duì)目標(biāo)物體的空間定位。攝像機(jī)模型本質(zhì)上是像素坐標(biāo)系、圖像坐標(biāo)系、攝像機(jī)坐標(biāo)系和世界坐標(biāo)系之間的轉(zhuǎn)換關(guān)系，P(Xc,Yc,Zc)表示空間中的一點(diǎn)，其在圖像坐標(biāo)系的成像點(diǎn)為p(x,y)，f表示攝像機(jī)焦距，攝像機(jī)坐標(biāo)系和像素坐標(biāo)系的轉(zhuǎn)換關(guān)系如式(14)所示

(14)

通過(guò)深度相機(jī)獲取的RGB-D圖像的深度信息和攝像機(jī)模型能夠計(jì)算出目標(biāo)物體在攝像機(jī)坐標(biāo)系中的位置，然后通過(guò)機(jī)器人手眼關(guān)系將目標(biāo)物體在攝像機(jī)坐標(biāo)系下的位置信息轉(zhuǎn)化為目標(biāo)物體在機(jī)械臂末端坐標(biāo)系下的位置信息，從而便于根據(jù)目標(biāo)物體位置信息選擇最佳目標(biāo)物體。

手眼關(guān)系計(jì)算原理如圖4所示，將標(biāo)定板固定在機(jī)械臂末端上，控制機(jī)械臂運(yùn)動(dòng)到不同位置，通過(guò)機(jī)器人全局?jǐn)z像機(jī)獲取多組圖像。其中，攝像機(jī)和標(biāo)定板之間的外參矩陣Ci由攝像機(jī)標(biāo)定實(shí)驗(yàn)獲取。根據(jù)機(jī)器人機(jī)械臂機(jī)械結(jié)構(gòu)，使用D-H參數(shù)法構(gòu)建機(jī)械臂連桿坐標(biāo)系，通過(guò)機(jī)械臂運(yùn)動(dòng)學(xué)分析[13,14]得到機(jī)械臂基坐標(biāo)系與機(jī)械臂末端坐標(biāo)系的位姿轉(zhuǎn)換矩陣Ai。

圖4 手眼關(guān)系計(jì)算原理

根據(jù)攝像機(jī)坐標(biāo)系與機(jī)械臂基坐標(biāo)系相對(duì)位姿不變條件可得到式(15)

A1·X·C1=A2·X·C2

(15)

由于標(biāo)定板與機(jī)械臂末端固定在一起，所以式中X為恒定值，經(jīng)過(guò)變換之后可以得到如下關(guān)系

(16)

將式(16)按照矩陣形式展開，利用等式左右元素相等，可以得到如下方程

RA·RX=RX·RC(RA-I)·tX=RX·tC-tA

(17)

(18)

僅通過(guò)就近原則選擇最佳目標(biāo)物體無(wú)法保證目標(biāo)選擇的唯一性，特殊情況下場(chǎng)景中可能存在多個(gè)目標(biāo)物體同時(shí)被選擇作為抓取對(duì)象。當(dāng)根據(jù)距離最近方法同時(shí)選擇多個(gè)視覺(jué)伺服目標(biāo)時(shí)，則表示這些目標(biāo)物體都處于以機(jī)械臂末端為球心的空間球面與桌面相交形成的圓上，此時(shí)需要根據(jù)輔助決策方法選擇唯一的視覺(jué)伺服目標(biāo)。圖5為機(jī)器人結(jié)構(gòu)俯視圖，圖中全局?jǐn)z像頭位于機(jī)器人頂端，機(jī)器人前方安裝有置物臺(tái)用于臨時(shí)放置抓取目標(biāo)物體。圖中A、B、C表示根據(jù)距離就近原則同時(shí)選中的目標(biāo)物體，3個(gè)目標(biāo)物體與機(jī)器人機(jī)械臂末端的距離相同。通過(guò)機(jī)械臂正運(yùn)動(dòng)學(xué)分析與實(shí)驗(yàn)數(shù)據(jù)分析知，機(jī)械臂末端沿YH軸方向的運(yùn)動(dòng)由兩個(gè)關(guān)節(jié)控制，沿XH方向的運(yùn)動(dòng)由3個(gè)關(guān)節(jié)控制，故相同距離下，物體距離軸YH越近，則機(jī)械臂的控制效率越高，所以物體A、C相比物體B更適合作為最佳視覺(jué)伺服目標(biāo)。抓取目標(biāo)之后，機(jī)器人需將物體放置于安裝在機(jī)器人上的置物臺(tái)上，所以選擇距離置物臺(tái)更近的物體A作為最佳視覺(jué)伺服目標(biāo)。通過(guò)上述輔助決策方法和距離最近原則可選擇唯一的視覺(jué)伺服目標(biāo)，解決多目標(biāo)視覺(jué)伺服中的目標(biāo)選擇問(wèn)題。

圖5 機(jī)器人結(jié)構(gòu)俯視圖

2.2 移動(dòng)機(jī)器人視覺(jué)伺服

由于目標(biāo)物體可能處于機(jī)器人機(jī)械臂抓取范圍之外，所以移動(dòng)機(jī)器人的視覺(jué)伺服過(guò)程分為兩步。初始的時(shí)候，全局?jǐn)z像機(jī)視角范圍大，能夠拍攝到當(dāng)前視角下所有的目標(biāo)物體。但是由于距離目標(biāo)物體較遠(yuǎn)，獲取的圖像特征信息受環(huán)境影響較大，無(wú)法進(jìn)行精確的視覺(jué)伺服控制，因此采用基于位置的視覺(jué)伺服方法，以保證不丟失目標(biāo)。首先，通過(guò)全局?jǐn)z像機(jī)獲取圖像，使用視覺(jué)伺服目標(biāo)選擇方法選定抓取目標(biāo)。然后，根據(jù)目標(biāo)物體與機(jī)械臂末端的位置信息計(jì)算得到機(jī)器人旋轉(zhuǎn)和移動(dòng)控制量，從而控制機(jī)器人靠近目標(biāo)物體，并控制機(jī)械臂運(yùn)動(dòng)到期望位姿，使得目標(biāo)物體處于局部攝像機(jī)視場(chǎng)之中。

當(dāng)機(jī)器人靠近目標(biāo)物體后，使用機(jī)械臂末端的局部攝像機(jī)獲取圖像，能夠獲得精確的特征點(diǎn)信息。視覺(jué)伺服中圖像雅可比矩陣反映了圖像特征變化與機(jī)械臂末端運(yùn)動(dòng)之間的映射關(guān)系，通過(guò)圖像雅可比矩陣能將當(dāng)前圖像與目標(biāo)圖像的特征偏差轉(zhuǎn)化為機(jī)械臂的控制量，進(jìn)而實(shí)現(xiàn)視覺(jué)伺服。采用基于圖像雅可比矩陣在線估計(jì)的無(wú)標(biāo)定視覺(jué)伺服方法對(duì)機(jī)器人機(jī)械臂進(jìn)行運(yùn)動(dòng)控制，能夠有效避免攝像機(jī)標(biāo)定和機(jī)器人模型的誤差，控制機(jī)械臂精確抓取目標(biāo)物體。無(wú)標(biāo)定視覺(jué)伺服方法通過(guò)粒子濾波算法對(duì)當(dāng)前時(shí)刻的圖像雅可比矩陣進(jìn)行在線估計(jì)，視覺(jué)伺服控制器根據(jù)當(dāng)前圖像與期望圖像的特征偏差圖像雅可比矩陣估計(jì)值計(jì)算得到機(jī)械臂各關(guān)節(jié)控制量。然后，機(jī)械臂關(guān)節(jié)控制器控制機(jī)械臂運(yùn)動(dòng)，使得圖像特征誤差不斷減小，直到趨近于零，從而控制機(jī)械臂運(yùn)動(dòng)到期望位姿，實(shí)現(xiàn)對(duì)目標(biāo)物體的準(zhǔn)確抓取，這一階段視覺(jué)伺服控制方法結(jié)構(gòu)如圖6所示。

圖6 無(wú)標(biāo)定視覺(jué)伺服方法結(jié)構(gòu)

完整的視覺(jué)伺服目標(biāo)選擇流程如圖7所示，通過(guò)ORB特征提取與匹配、誤匹配點(diǎn)剔除、特征點(diǎn)分離和位置優(yōu)先目標(biāo)決策等方法，可從圖像中多個(gè)相同目標(biāo)物體中選擇唯一的視覺(jué)伺服目標(biāo)。

圖7 視覺(jué)伺服目標(biāo)選擇流程

3 多目標(biāo)抓取決策實(shí)驗(yàn)

本文搭建移動(dòng)機(jī)器人作為實(shí)驗(yàn)平臺(tái)，如圖8所示。機(jī)器人視覺(jué)系統(tǒng)包括固定在頭部的全局?jǐn)z像機(jī)和固定在機(jī)械臂末端的局部攝像機(jī)，全局?jǐn)z像機(jī)為奧比中光AstraPro深度攝像頭，局部攝像機(jī)是普通USB攝像頭。機(jī)器人基座為兩輪差速驅(qū)動(dòng)的移動(dòng)平臺(tái)，機(jī)器人右臂為使用六個(gè)數(shù)字舵機(jī)和一個(gè)機(jī)械手爪構(gòu)建的六自由度機(jī)械臂，機(jī)器人上通過(guò)嵌入式計(jì)算機(jī)運(yùn)行程序，實(shí)現(xiàn)移動(dòng)機(jī)器人視覺(jué)伺服。實(shí)驗(yàn)在Windows7平臺(tái)下編寫程序，程序開發(fā)環(huán)境為Visual Studio2013，使用計(jì)算機(jī)視覺(jué)庫(kù)OpenCV3.4.1實(shí)現(xiàn)目標(biāo)識(shí)別和目標(biāo)選擇，并借助視覺(jué)伺服庫(kù)VISP完成機(jī)器人視覺(jué)伺服控制，最終根據(jù)視覺(jué)信息完成對(duì)靜態(tài)目標(biāo)物體的正確抓取。

圖8 機(jī)器人實(shí)驗(yàn)平臺(tái)

3.1 目標(biāo)識(shí)別實(shí)驗(yàn)

機(jī)器人在不同視點(diǎn)下使用全局?jǐn)z像機(jī)獲取5組圖像，分別使用SIFT、SURF和ORB算法對(duì)獲取圖像進(jìn)行特征點(diǎn)提取與匹配實(shí)驗(yàn)。實(shí)驗(yàn)中，ORB算法特征提取與匹配平均耗時(shí)為423 ms，SIFT算法平均耗時(shí)約為ORB算法的4.34倍，SURF算法平均耗時(shí)約為ORB算法的4倍，實(shí)驗(yàn)數(shù)據(jù)見(jiàn)表1所示。實(shí)驗(yàn)結(jié)果表明使用ORB算法特征提取與匹配耗時(shí)遠(yuǎn)遠(yuǎn)小于SIFT算法和SURF算法，在保證能夠快速、準(zhǔn)確識(shí)別目標(biāo)物體的同時(shí)，更能夠確保視覺(jué)伺服中目標(biāo)識(shí)別的實(shí)時(shí)性，更適合用于移動(dòng)機(jī)器人視覺(jué)伺服。

表1 目標(biāo)識(shí)別算法耗時(shí)

3.2 多目標(biāo)視覺(jué)伺服抓取實(shí)驗(yàn)

目標(biāo)物體與機(jī)械臂末端相對(duì)位置和目標(biāo)物體姿態(tài)都可能影響視覺(jué)伺服目標(biāo)選擇的決策結(jié)果，算法以目標(biāo)物體與機(jī)械臂末端相對(duì)位置作為主要決策依據(jù)，為驗(yàn)證目標(biāo)物體位姿對(duì)視覺(jué)伺服目標(biāo)選擇結(jié)果正確性的影響進(jìn)行如下實(shí)驗(yàn)。

實(shí)驗(yàn)中，保證其它物體位置不變的前提下，改變同一位置下的單個(gè)目標(biāo)物體的位姿狀態(tài)，使用視覺(jué)伺服目標(biāo)選擇方法進(jìn)行多次實(shí)驗(yàn)，并通過(guò)視覺(jué)伺服方法控制機(jī)器人抓取目標(biāo)物體。圖9(a)、圖9(b)中方框選中目標(biāo)分別為改變右邊目標(biāo)物體位姿前后通過(guò)視覺(jué)伺服目標(biāo)選擇方法選定的目標(biāo)物體，分別進(jìn)行3組視覺(jué)伺服實(shí)驗(yàn)。獲取圖像中右邊目標(biāo)物體相比左邊的目標(biāo)物體距離機(jī)器人右機(jī)械臂更近，多次實(shí)驗(yàn)中均選擇右邊的目標(biāo)物體作為最佳視覺(jué)伺服目標(biāo)，結(jié)果與實(shí)際相符合，驗(yàn)證目標(biāo)物體位姿變化不會(huì)影響視覺(jué)伺服目標(biāo)選擇方法的正確性。

圖9 不同位姿下目標(biāo)選擇結(jié)果

統(tǒng)計(jì)實(shí)驗(yàn)中目標(biāo)物體與機(jī)械臂末端距離和抓取目標(biāo)物體所耗時(shí)間，利用機(jī)器人視覺(jué)伺服耗時(shí)變化可以表示機(jī)器人視覺(jué)伺服受影響大小，見(jiàn)表2。由實(shí)驗(yàn)結(jié)果和表2中數(shù)據(jù)可知，改變視覺(jué)伺服目標(biāo)前后機(jī)器人視覺(jué)伺服過(guò)程耗時(shí)變化較小，即驗(yàn)證視覺(jué)伺服目標(biāo)位姿對(duì)機(jī)器人視覺(jué)伺服影響較小。

表2 機(jī)器人抓取不同位姿下的目標(biāo)物體耗時(shí)

移動(dòng)機(jī)器人在實(shí)際場(chǎng)景中抓取目標(biāo)物體的時(shí)候，無(wú)法確定機(jī)器人與目標(biāo)物體的初始相對(duì)位置，為此改變機(jī)器人初始位置進(jìn)行多次視覺(jué)伺服實(shí)驗(yàn)。圖10為實(shí)驗(yàn)中通過(guò)視覺(jué)伺服目標(biāo)選擇方法選定的抓取目標(biāo)，由實(shí)驗(yàn)結(jié)果可知，機(jī)器人與目標(biāo)物體初始相對(duì)位置對(duì)視覺(jué)伺服目標(biāo)選擇結(jié)果的正確性無(wú)影響，在任意初始位置選擇的視覺(jué)伺服目標(biāo)均為位置最優(yōu)。表3為實(shí)驗(yàn)中通過(guò)算法計(jì)算得到的目標(biāo)物體與機(jī)械臂的距離及統(tǒng)計(jì)獲取的機(jī)器人視覺(jué)伺服耗時(shí)，由實(shí)驗(yàn)數(shù)據(jù)可知選定的視覺(jué)伺服目標(biāo)為多個(gè)相同目標(biāo)物體中距離機(jī)械臂末端最近的，且距離機(jī)械臂越遠(yuǎn)，視覺(jué)伺服耗時(shí)越長(zhǎng)。

圖10 視覺(jué)伺服目標(biāo)選擇結(jié)果

對(duì)比表2和表3中數(shù)據(jù)可知，目標(biāo)物體與機(jī)械臂末端距離變化相比目標(biāo)物體擺放位姿對(duì)移動(dòng)機(jī)器人視覺(jué)伺服耗時(shí)影響更大，目標(biāo)物體位姿對(duì)視覺(jué)伺服幾乎無(wú)影響。實(shí)驗(yàn)結(jié)果表明目標(biāo)物體位姿對(duì)位置優(yōu)先目標(biāo)決策方法的結(jié)果正確性無(wú)影響，驗(yàn)證了視覺(jué)伺服目標(biāo)選擇方法的正確性。

表3 視覺(jué)伺服實(shí)驗(yàn)數(shù)據(jù)

當(dāng)實(shí)際應(yīng)用場(chǎng)景中出現(xiàn)多個(gè)相同目標(biāo)物體時(shí)，無(wú)法通過(guò)視覺(jué)伺服方法控制機(jī)械臂正確抓取目標(biāo)物體。采用基于特征點(diǎn)密度峰值的視覺(jué)伺服目標(biāo)選擇方法選定目標(biāo)物體后，移動(dòng)機(jī)器人視覺(jué)伺服成功率在90%以上。圖11為機(jī)器人視覺(jué)伺服過(guò)程，機(jī)器人先靠近目標(biāo)物體，然后通過(guò)無(wú)標(biāo)定視覺(jué)伺服方法控制機(jī)械臂準(zhǔn)確抓取目標(biāo)。

圖11 移動(dòng)機(jī)器人視覺(jué)伺服過(guò)程

4 結(jié)束語(yǔ)

視覺(jué)伺服方法在移動(dòng)機(jī)器人實(shí)際應(yīng)用中，多個(gè)相同目標(biāo)同時(shí)出現(xiàn)在機(jī)器人視野中會(huì)導(dǎo)致機(jī)器人視覺(jué)伺服失敗。針對(duì)移動(dòng)機(jī)器人視覺(jué)伺服中出現(xiàn)的目標(biāo)選擇問(wèn)題，本文提出了一種基于特征點(diǎn)密度峰值的視覺(jué)伺服目標(biāo)選擇方法，該方法可以在多個(gè)相同目標(biāo)物體中選擇一個(gè)最佳視覺(jué)伺服目標(biāo)。為保證機(jī)器人視覺(jué)伺服實(shí)時(shí)性要求，通過(guò)ORB特征點(diǎn)匹配方法識(shí)別圖像中的目標(biāo)物體，并通過(guò)PROSAC算法剔除誤匹配點(diǎn)，從而提高視覺(jué)伺服精度。將特征點(diǎn)密度峰值聚類算法引入視覺(jué)伺服，成功將圖像中不同目標(biāo)物體特征點(diǎn)分離，然后通過(guò)基于位置優(yōu)先的目標(biāo)決策方法選擇最佳視覺(jué)伺服目標(biāo)。通過(guò)視覺(jué)伺服目標(biāo)選擇方法有效解決了移動(dòng)機(jī)器人視覺(jué)伺服中的目標(biāo)選擇問(wèn)題，提高了機(jī)器人視覺(jué)伺服的成功率。最后，通過(guò)實(shí)驗(yàn)驗(yàn)證了視覺(jué)伺服目標(biāo)選擇方法的正確性，實(shí)驗(yàn)結(jié)果表明機(jī)器人在任意室內(nèi)場(chǎng)景下任意位置，本文提出的視覺(jué)伺服目標(biāo)選擇方法均能在當(dāng)前視場(chǎng)中選擇唯一視覺(jué)伺服目標(biāo)，并且不受目標(biāo)物體位姿影響。本文研究?jī)?nèi)容對(duì)于機(jī)器人視覺(jué)伺服在實(shí)際中的應(yīng)用具有一定的價(jià)值，能夠提高移動(dòng)機(jī)器人視覺(jué)伺服對(duì)室內(nèi)場(chǎng)景的適用性。