羅盆琳，方艷紅,2*，王學(xué)淵，陳泳吉，蒲毅

(1.西南科技大學(xué) 信息工程學(xué)院，綿陽 621010；2.特殊環(huán)境機(jī)器人技術(shù)四川省重點(diǎn)實(shí)驗(yàn)室，綿陽 621010)

0 引言

避障是移動(dòng)機(jī)器人運(yùn)行過程中非常重要的一個(gè)問題[1]，從感知信息中完成障礙物檢測(cè)是移動(dòng)機(jī)器人實(shí)現(xiàn)避障的必要條件[2]。障礙物檢測(cè)主要是實(shí)現(xiàn)對(duì)其空間位置和形態(tài)等信息的判定，檢測(cè)過程中的重點(diǎn)在于如何獲取并處理障礙物信息，從而得到實(shí)時(shí)準(zhǔn)確的判定結(jié)果。傳感器作為具有信息探測(cè)和周圍感知能力的設(shè)備[3]，是獲取障礙物信息的首要選擇。

目前，基于視覺測(cè)距技術(shù)的輔助，可以實(shí)現(xiàn)一定準(zhǔn)確度的視覺避障[4～7]。視覺傳感器測(cè)距一般通過攝像機(jī)的針孔成像模型將物體的圖像信息轉(zhuǎn)換為三維空間中的位置關(guān)系[8]，但由于攝像機(jī)不是一個(gè)理想透視模型，攝像機(jī)鏡頭的非線性畸變導(dǎo)致視覺測(cè)距很難達(dá)到較高精度[9]。超聲波傳感器作為另一種非接觸式測(cè)距方法，相對(duì)于視覺測(cè)距，方法簡(jiǎn)單、測(cè)距準(zhǔn)確[10]、不易受光照和顏色影響且價(jià)格低廉[11]，能穩(wěn)定獲取障礙物深度值。但在獲取場(chǎng)景深度信息時(shí)，單一或少數(shù)傳感器采集范圍有限、獲取信息不夠全面。傳統(tǒng)的數(shù)據(jù)采集結(jié)構(gòu)通常使用多個(gè)傳感器進(jìn)行陣列式或全局布局式排列來獲取大范圍場(chǎng)景深度信息，又容易出現(xiàn)操作復(fù)雜、體積龐大、不便攜等現(xiàn)象。

為此，本文設(shè)計(jì)一個(gè)基于多傳感器數(shù)據(jù)融合的障礙物判定系統(tǒng)，首先，使用超聲波傳感器和舵機(jī)設(shè)計(jì)一種立體轉(zhuǎn)軸式數(shù)據(jù)采集結(jié)構(gòu)來獲取全局場(chǎng)景深度信息，解決視覺測(cè)距精度不足和傳感器傳統(tǒng)布局方式結(jié)構(gòu)復(fù)雜、體積過大等問題；然后，利用多次采集數(shù)據(jù)的互補(bǔ)性和冗余性，使用結(jié)合部分模糊理論的Bayesian算法對(duì)柵格隸屬度矩陣進(jìn)行融合，得到最優(yōu)估計(jì)值，增強(qiáng)對(duì)障礙物深度位置判定的實(shí)時(shí)性與準(zhǔn)確性；同時(shí)，使用視覺傳感器獲取圖像數(shù)據(jù)，實(shí)時(shí)檢測(cè)并標(biāo)定出動(dòng)態(tài)障礙物，輔助系統(tǒng)完成障礙物的形態(tài)判定；最后，將所有功能模塊移植到樹莓派，提高系統(tǒng)的便攜性。

1 系統(tǒng)綜述

本文實(shí)現(xiàn)的障礙物判定系統(tǒng)主要由三部分組成，包括立體轉(zhuǎn)軸式采集結(jié)構(gòu)與視覺傳感器構(gòu)成的數(shù)據(jù)采集部分，以樹莓派為核心的數(shù)據(jù)分析部分，顯示最終判定結(jié)果的輸出部分。系統(tǒng)功能設(shè)計(jì)如圖1所示。

圖1 系統(tǒng)功能設(shè)計(jì)圖

圖1的系統(tǒng)功能設(shè)計(jì)主要分為兩個(gè)部分，一部分是利用立體轉(zhuǎn)軸式數(shù)據(jù)采集結(jié)構(gòu)獲取深度數(shù)據(jù)并使用與模糊理論相結(jié)合的Bayesian算法進(jìn)行處理，得到障礙物深度位置判定結(jié)果；另一部分則是利用視覺傳感器采集圖像數(shù)據(jù)，對(duì)障礙物形態(tài)特征進(jìn)行提取從而判定障礙物的形狀與動(dòng)態(tài)。

具體的，將立體轉(zhuǎn)軸式數(shù)據(jù)采集結(jié)構(gòu)獲取的深度值，傳送到樹莓派，利用柵格化思想，在笛卡爾坐標(biāo)系下將實(shí)際環(huán)境初始化為400×400的柵格地圖，再計(jì)算在極坐標(biāo)形式下的柵格中心點(diǎn)坐標(biāo)。由于采集到的深度數(shù)據(jù)由角度和距離值組成，使用極坐標(biāo)形式將其映射到二維柵格地圖中從而減少計(jì)算量。為避免使用超聲波的錐體特性和概率密度函數(shù)等復(fù)雜運(yùn)算過程來獲取隸屬度矩陣，每次旋轉(zhuǎn)只測(cè)量傳感器水平方向深度值再采用最小外接圓法來確定柵格狀態(tài)，將相鄰的每16個(gè)柵格合并為一個(gè)區(qū)域，設(shè)置閾值進(jìn)行歸一化處理得到“占有”和“空閑”概率矩陣，通過模糊理論得到柵格隸屬度，再使用Bayesian融合算法預(yù)估下一時(shí)刻障礙物的準(zhǔn)確深度位置，實(shí)時(shí)更新環(huán)境地圖。同時(shí)，使用視覺傳感器讀取視頻流信息，利用加權(quán)平均融合算法更新當(dāng)前時(shí)刻環(huán)境背景圖像數(shù)據(jù)，再結(jié)合幀差法得到幀變化量，通過設(shè)置變化量閾值進(jìn)行動(dòng)態(tài)點(diǎn)分離，之后使用形態(tài)學(xué)中的膨脹法進(jìn)行處理，將相鄰動(dòng)態(tài)點(diǎn)連接成一個(gè)區(qū)域并標(biāo)定。最后，將多傳感器融合后的綜合判定結(jié)果作為系統(tǒng)輸出。

2 障礙物檢測(cè)與判定

2.1 立體轉(zhuǎn)軸式數(shù)據(jù)采集結(jié)構(gòu)設(shè)計(jì)

本文使用舵機(jī)和超聲波傳感器設(shè)計(jì)了立體轉(zhuǎn)軸式數(shù)據(jù)采集結(jié)構(gòu)，如圖2所示，使用較少的超聲波傳感器就能獲得系統(tǒng)前方180°立體空間范圍內(nèi)障礙物深度數(shù)據(jù)，且結(jié)構(gòu)簡(jiǎn)單、輕巧便攜。

圖2 立體轉(zhuǎn)軸式結(jié)構(gòu)

由圖2可知，該結(jié)構(gòu)將多個(gè)超聲波傳感器等間距固定到支架上來獲取各個(gè)高度障礙物深度值，從而解決簡(jiǎn)單平面結(jié)構(gòu)容易出現(xiàn)的空間信息丟失問題。為了傳感器能穩(wěn)定的固定于支架，在矩形支架上等距的切割出具有超聲波傳感器發(fā)送與接收端口大小的矩形孔洞，如圖3所示。將帶有傳感器的支架垂直地放置于舵機(jī)上，解決了陣列式或全布局式排列導(dǎo)致的結(jié)構(gòu)復(fù)雜、體積龐大等問題。

圖3 立體轉(zhuǎn)軸式超聲波固定支架

系統(tǒng)工作時(shí)由舵機(jī)帶動(dòng)支架上的多個(gè)超聲波傳感器進(jìn)行0°到180°旋轉(zhuǎn)，每次旋轉(zhuǎn)角度為5°，同時(shí)傳感器對(duì)障礙物進(jìn)行多次測(cè)距，其測(cè)距公式如式(1)所示。隨后將獲取的角度和距離信息傳送到樹莓派，結(jié)合該結(jié)構(gòu)的旋轉(zhuǎn)特性和超聲波傳感器的測(cè)量特性進(jìn)行柵格化處理，再使用Bayesian融合算法實(shí)時(shí)更新局部地圖，實(shí)現(xiàn)對(duì)障礙物深度位置的準(zhǔn)確描述。

式(1)中，d為需要測(cè)量的距離，t為超聲波往返時(shí)間，v為超聲波傳播速度通常取340m/s。

2.2 障礙物位置判定

該系統(tǒng)采用柵格法來創(chuàng)建環(huán)境地圖，環(huán)境地圖柵格化方式如圖4所示。

圖4 環(huán)境地圖柵格化

圖4中，將0.6m×0.6m的矩形環(huán)境地圖處理為柵格粒度為0.0015m的柵格地圖，立體轉(zhuǎn)軸式數(shù)據(jù)采集結(jié)構(gòu)位于地圖底部中心，在完成環(huán)境信息采集后，樹莓派將得到的矢量信息進(jìn)行處理并更新環(huán)境地圖。其中，地圖大小和柵格粒度可根據(jù)具體實(shí)驗(yàn)環(huán)境大小調(diào)節(jié)。

在處理柵格地圖數(shù)據(jù)時(shí)，一般使用與概率相結(jié)合的Bayesian算法。根據(jù)概率論中的Bayesian法則，給定一個(gè)距離傳感器r，柵格地圖中每個(gè)柵格的狀態(tài)變量s(Ci)可通過公式(2)計(jì)算：

式(2)中，P[r丨s(Ci)=OCC]是給定s(Ci)為占有條件下，傳感器收到對(duì)應(yīng)幅值r的概率，可以通過式(3)進(jìn)行計(jì)算。

假定每個(gè)柵格的隨機(jī)變量s(Ci)相互獨(dú)立，傳感器每次測(cè)得的數(shù)據(jù)r1,r2,...,rt,rt+1也相互獨(dú)立，則當(dāng)使用多個(gè)傳感器測(cè)距時(shí)，柵格地圖中每個(gè)柵格狀態(tài)更新可采用式(4)進(jìn)行遞推。

式(3)為一個(gè)迭代更新算法，式(2)和式(4)中的條件概率P[r丨s(Ci)]均需要使用該公式，這是一個(gè)計(jì)算難點(diǎn)。在文獻(xiàn)[12]的方法中引入部分模糊理論知識(shí)，將單次測(cè)量下的每個(gè)柵格分為兩個(gè)測(cè)量值mE和mO分別表示柵格的“空閑”和“占用”隸屬度，可由式(5)計(jì)算：

由于傳統(tǒng)數(shù)據(jù)采集結(jié)構(gòu)將傳感器固定于靜態(tài)位置，通常使用笛卡爾坐標(biāo)系形式確定環(huán)境柵格中心點(diǎn)坐標(biāo)和障礙物位置坐標(biāo)。在獲取隸屬度矩陣過程中，根據(jù)每個(gè)超聲波距離讀數(shù)提供有關(guān)傳感器前方圓錐體中“空閑”和“占用”信息，然后將讀取的數(shù)據(jù)投射到柵格化地圖的概率剖面圖中進(jìn)行解釋[13,14]，該過程需要考慮超聲波的錐體傳播模型以及概率密度函數(shù)等，計(jì)算十分復(fù)雜。

本文設(shè)計(jì)的數(shù)據(jù)采集結(jié)構(gòu)獲取的深度信息由角度和距離值組成，與極坐標(biāo)形式更為匹配。因此，提出使用極坐標(biāo)系形式的方法來處理障礙物坐標(biāo)。在獲取隸屬度時(shí)，每次旋轉(zhuǎn)只獲取傳感器水平方向上的測(cè)量值，有返回值則將該柵格視為障礙物區(qū)域，通過多個(gè)相鄰柵格合并歸一化處理得到隸屬度矩陣簡(jiǎn)化運(yùn)算過程。首先對(duì)系統(tǒng)前方區(qū)域柵格地圖進(jìn)行初始化，得到各柵格在極坐標(biāo)系下的中心點(diǎn)坐標(biāo)；然后，將超聲波和舵機(jī)測(cè)得的角度和距離值與極坐標(biāo)系下的柵格地圖坐標(biāo)點(diǎn)匹配，減少每次測(cè)量后將數(shù)據(jù)轉(zhuǎn)化為笛卡爾坐標(biāo)值的運(yùn)算過程；之后，使用柵格最小外接圓來確定測(cè)量點(diǎn)是否位于地圖中某柵格內(nèi)，如果是則將柵格對(duì)應(yīng)位置的矩陣值賦為1，否則賦為0；最后，將每16個(gè)柵格的值相加，進(jìn)行歸一化處理，圖5為該過程的可視化，得到100×100的“空閑”和“占用”隸屬度矩陣，然后運(yùn)用于后續(xù)柵格狀態(tài)更新。

圖5 柵格狀態(tài)及隸屬度運(yùn)算可視化過程

如圖5所示，障礙物坐標(biāo)在柵格6和柵格7的外接圓內(nèi)，將該柵格判定為占有，最后歸一化將16個(gè)柵格整合為1個(gè)柵格，得到該柵格占有概率為2/16，空閑概率為14/16。

假定傳感器數(shù)據(jù)相互獨(dú)立，則柵格狀態(tài)更新式(4)可簡(jiǎn)寫為：

式中，

最終通過最大后驗(yàn)概率準(zhǔn)則給出柵格狀態(tài)的最優(yōu)估計(jì)，式(7)～式(9)分別表示柵格“占有”、“空閑”和“未知”狀態(tài)。

2.3 障礙物動(dòng)態(tài)檢測(cè)與判定

通過以上方法可檢測(cè)到障礙物位置，但無法判定障礙物形狀和動(dòng)態(tài)信息，本文通過視覺傳感器和圖像處理技術(shù)進(jìn)行障礙物動(dòng)態(tài)特征判定。

假設(shè)環(huán)境與光線不變且視覺傳感器獲取第一幀圖像時(shí)環(huán)境為靜態(tài)，使用普通的幀差法能很容易將靜態(tài)環(huán)境和動(dòng)態(tài)障礙物分離，但這個(gè)假設(shè)在現(xiàn)實(shí)場(chǎng)景下十分容易失效。在光線發(fā)生變化或者視野中出現(xiàn)其他物體后會(huì)產(chǎn)生較大的誤判。

因此，本文使用加權(quán)均值濾波算法來濾除背景噪聲，其主要思想為鄰域平均法，即用幾個(gè)像素灰度的平均值來代替每個(gè)像素的灰度，如式(10)所示：

式(10)中，ωα、ωβ是加權(quán)系數(shù)，ωα+ωβ=1。

系統(tǒng)讀取視頻流信息后，利用該方法得到背景數(shù)據(jù)。融合過程如圖6所示。

圖6 像素平均法融合

融合后使用當(dāng)前測(cè)得的數(shù)據(jù)減去加權(quán)平均值，得到“幀變化量”，如式(11)所示：

式(11)中，δ為幀變化量，back_data為融合后的背景數(shù)據(jù)，current_data為當(dāng)前數(shù)據(jù)。

在得到幀變化量后，設(shè)置閾值對(duì)動(dòng)態(tài)點(diǎn)進(jìn)行分割，分割后的圖像中含有孤立噪聲點(diǎn)。本文采用圖像處理技術(shù)中的膨脹法，將相鄰動(dòng)態(tài)區(qū)域進(jìn)行連接，然后再設(shè)置最小動(dòng)態(tài)面積閾值，將大于閾值面積的動(dòng)態(tài)區(qū)域進(jìn)行框選，從而消除噪聲，標(biāo)定出動(dòng)態(tài)障礙物。

3 系統(tǒng)測(cè)試

為檢測(cè)系統(tǒng)使用的立體轉(zhuǎn)軸式數(shù)據(jù)采集結(jié)構(gòu)與融合方法對(duì)障礙物位置判定的實(shí)時(shí)性與準(zhǔn)確性以及其在多障礙物環(huán)境中的性能，搭建了以下測(cè)試環(huán)境，將環(huán)境柵格地圖大小設(shè)置為0.6m×0.6m的正方形場(chǎng)景，場(chǎng)景布置如圖7中的場(chǎng)景原圖所示。

如場(chǎng)景原圖所示，測(cè)試環(huán)境為黑色邊界線劃分出的矩形區(qū)域，于測(cè)試區(qū)域隨機(jī)設(shè)置多個(gè)大小不一的障礙物。系統(tǒng)最終輸出結(jié)果如圖7中的融合地圖所示，其中白色部分為安全區(qū)域、黑色部分為障礙物區(qū)域、灰色部分為不確定區(qū)域。通過對(duì)場(chǎng)景原圖、不同時(shí)刻測(cè)試效果圖與Bayesian算法預(yù)估計(jì)出的下一時(shí)刻地圖進(jìn)行對(duì)比可得，融合后的地圖消除了單次測(cè)量中的部分噪聲，得到了更準(zhǔn)確的測(cè)試結(jié)果。圖7中各場(chǎng)景對(duì)應(yīng)的融合地圖數(shù)據(jù)統(tǒng)計(jì)結(jié)果如表1、表2所示。

表2 障礙物距離數(shù)據(jù)記錄

圖7 障礙物位置檢測(cè)

表1 障礙物角度范圍數(shù)據(jù)記錄

通過對(duì)表格數(shù)據(jù)的對(duì)比分析可得，障礙物角度測(cè)量的最大誤差值為6.2°，深度值測(cè)量誤差在4%以內(nèi)，能夠滿足避障需求。同時(shí)，系統(tǒng)使用局部地圖更新的方法，利用本時(shí)刻采集的數(shù)據(jù)預(yù)判下一時(shí)刻的障礙物位置信息，使用改進(jìn)坐標(biāo)系法來簡(jiǎn)化算法，進(jìn)一步提高了避障的實(shí)時(shí)性。系統(tǒng)使用的數(shù)據(jù)采集結(jié)構(gòu)與運(yùn)算方法能將環(huán)境中的多個(gè)障礙物全部檢測(cè)出來并得到實(shí)時(shí)準(zhǔn)確的障礙物位置判定結(jié)果。

此外，系統(tǒng)采用OpenCV和python作為開發(fā)工具，快速的獲得障礙物圖像數(shù)據(jù)，進(jìn)而輔助系統(tǒng)確定障礙物形狀，將采集到的環(huán)境圖像數(shù)據(jù)使用加權(quán)平均融合下的幀差法，進(jìn)一步檢測(cè)動(dòng)態(tài)障礙物并給出提醒，檢測(cè)結(jié)果如圖8所示。

圖8 動(dòng)態(tài)障礙物檢測(cè)結(jié)果

由圖8可得，通過視覺傳感器采集到的圖像數(shù)據(jù)，可以明確障礙物的形狀特征。同時(shí)經(jīng)動(dòng)態(tài)障礙物檢測(cè)算法處理后，減少了環(huán)境因素對(duì)系統(tǒng)的影響，能準(zhǔn)確的檢測(cè)出環(huán)境中的動(dòng)態(tài)障礙物形態(tài)，將其在視頻流中標(biāo)定，并對(duì)用戶發(fā)出前方有運(yùn)動(dòng)物體的提示。

4 結(jié)語

障礙物判定是一項(xiàng)復(fù)雜的工作，涉及到障礙物多樣性、采集結(jié)構(gòu)設(shè)計(jì)與傳感器特性等條件[15]。通過對(duì)傳統(tǒng)避障系統(tǒng)的現(xiàn)狀分析，存在視覺測(cè)距準(zhǔn)確率低、單一超聲波傳感器采集深度值范圍有限以及多超聲波傳感器布局復(fù)雜等問題，本文設(shè)計(jì)了一款基于多傳感器數(shù)據(jù)融合的障礙物判定系統(tǒng)。首先，結(jié)合視覺傳感器與超聲波傳感器的優(yōu)勢(shì)，解決傳統(tǒng)避障系統(tǒng)采集信息不全面的問題；其次，設(shè)計(jì)立體轉(zhuǎn)軸式數(shù)據(jù)采集結(jié)構(gòu)，獲取全局障礙物深度信息；同時(shí)，利用視覺傳感器輔助獲取障礙物形狀與動(dòng)態(tài)信息；最后，將系統(tǒng)移植到樹莓派。測(cè)試結(jié)果表明，系統(tǒng)使用的數(shù)據(jù)采集結(jié)構(gòu)與融合方法能同時(shí)對(duì)多個(gè)障礙物的深度位置與形態(tài)信息進(jìn)行實(shí)時(shí)準(zhǔn)確的判定且性能穩(wěn)定。系統(tǒng)硬件結(jié)構(gòu)由樹莓派、立體轉(zhuǎn)軸式數(shù)據(jù)采集結(jié)構(gòu)、樹莓派攝像頭等組成，具有結(jié)構(gòu)簡(jiǎn)單、便攜等優(yōu)勢(shì)。在后續(xù)工作中，將進(jìn)一步提高系統(tǒng)的實(shí)時(shí)性與準(zhǔn)確性，切實(shí)運(yùn)用于各類需要避障的場(chǎng)景中。