文摘
当自主移动机器人计划自己的正常运动,他们首先需要感知周围的环境,然后根据周围的环境信息,做出综合决策路径规划。愿景可以为机器人提供丰富和完整的环境信息,而且可以显著提高路径规划的影响,引入自主机器人的路径规划。在本文中,我们采取自主移动机器人r为研究对象并使用常平架相机等多传感器和超声波传感器连接到机器人研究导航线机器视觉感知的信息,感觉的障碍信息范围传感器、多传感器信息的融合,解决图像处理,路径识别、信息融合、决策控制,和其他相关问题的移动机器人实现自主移动机器人。
1。介绍
机器人视觉系统是最新和最热话题之一在机器人领域的研究。许多国家都投入了大量的人力资源和资金在机器人视觉系统的研究和开发。机器视觉系统是指机器视觉产品(即。,image acquisition devices, both CMOS and CCD) to convert the acquired target into an image signal, which is transmitted to a dedicated image processing system and converted into a digital signal based on the pixel distribution and information such as brightness and color; the image system performs various operations on these signals to extract the characteristics of the target and then controls the field equipment based on the discriminatory results movements based on the discrimination results [1]。
路径规划是一个重要的研究方向,收到越来越多的关注在附近移动机器人研究的发展。导航技术相对移动机器人的研究中心,和路径规划是一种重要的导航研究的组成部分。移动机器人的应用社区,在许多情况下,有复杂的未知信息的操作空间。这样的机器人操作环境中需要能够有效地检测其操作环境,以环境中构建一个操作路径。的设计导航、路径规划、避障策略,和其他操作,只有可能是基于对环境的理解。愿景通常是最直观和准确的反应环境的信息。自主移动机器人可以按照预定的任务指令,做计划根据图像信息获取,在旅行的过程中,它不断地感觉周围的局部环境信息,使自主决策,指导自身的障碍安全地开车到指定的目标,并执行预定的行为和操作。它有一个广泛的工业应用前景,民事和军事社区(2]。
自主移动机器人技术的发展具有重要意义,加快国防的现代化,工业和农业在中国和提高人们的生活水平。此外,自主移动机器人的研究是一个多学科交叉的高科技社区,提出高要求几个学科,如人工智能,模式识别、自动控制、电机与电子和机械设计。因此,研究自主移动机器人的一个重要的角色在促进上述相关社区的发展。
2。材料和方法
2.1。实验环境的描述
本文研究视觉映像的路径规划感兴趣的图像目标区域的特点,实验环境是室内环境,其次是移动机器人路径是红色的圆形导航路径图1在下面。避障常见的对象主要是长方形的障碍在典型环境中,如墙壁、门,餐桌,椅子。水平和垂直的线特征更明显的在这个环境中。本节研究的路径识别,建立考虑环境的影响,如照明的形象。
2.2。颜色特征分析
原始图像的颜色空间被CCD视觉传感器是RGB空间,它的优点是简单和直观。RGB模型可以建立在笛卡尔坐标系统中,模型是一个广场的空间多维数据集和三个坐标轴R, G, b .原点对应黑色,离原点最远的顶点对应于白色。在这个模型中,从黑到白的灰度值分布在直线上从原点到离原点最远的顶点,而其余点的多维数据集对应于不同的颜色,它可以表示为一个向量从原点到这一点。一般来说,为了方便起见,多维数据集可以标准化的一个单位立方体,所有值的R, G, B在区间[0,1]。
首先,灰度CCD获得的彩色图像,灰度的目的是让三个颜色组件的值R, G, B相同的情况下,使用该算法的平均三个组件的R, G, B;也就是说,
灰度结果如图2以上。
图像预处理的研究在前一节中,我们知道,由于毛刺电压的影响,电磁干扰等,图像信息只有灰色的还包含各种噪声和失真,所以必须平滑和图像过滤分析前的形象。过滤的理论知识已经在前一节中提到的,和平均滤波等方法,中值滤波、高斯滤波,可以使用和edge-holding过滤。在实际应用中,简单的滤波,高斯平滑、中值滤波的图像应该根据图像特征灵活地用于图像增强和处理需求3- - - - - -5,没有这些算法之间的优势或劣势,只有应用程序是不一样的。
根据实验结果的比较分析现有文献,选择中值滤波和高斯滤波方法对室内环境图像在本文中。
2.2.1。中值滤波
图像的中值滤波是一种非线性的图像处理方法,决定了中央像素的灰度排序的结果由灰度像素在附近,和它的想法非常不同的想法意味着处理。中值滤波的基本思想是将一个像素的灰度值的像素灰度值的中值。该方法消除了脉冲噪声和椒盐卷饼噪声,同时保留了图像边缘细节。
仿真实验的步骤如下:首先确定窗口W包含(2n+ 1)×(2n+ 1)像素,每个像素的窗口排队后根据其灰色大小,替换原来的f(x,y),中间位置的灰度值获得增强的图像 ,可表示如下:
实验后,可以看出,中值滤波可以有效地去除图像中的噪声点,特别是在一个连续变化的温柔(例如人类的衣服和皮肤)和近100%删除灰色的突变点(可以被认为是噪声点),正因为如此,中值滤波器并不适用于一些细节,如图像中细节点和细节线,因为细节点可能被删除噪声点。中值滤波器的窗口还可以有各种各样的形状;上面的项目选择一个矩形(为了方便计算);事实上,窗户也可以是钻石,圆,十字架,等。不同的窗口的形状有不同的过滤效果;对象的缓慢而漫长的轮廓线,适用于矩形或原型windows和与锋利的球门上角图像对象,他们适合十字形窗口(6,7]。中值滤波可以结合线性和过滤器在不同窗口形状都可以相互线性组合。
2.2.2。高斯平滑滤波
高斯平滑的图像也是一个方法平滑图像使用邻域平均的想法。与简单的平滑的图像,在图像的高斯平滑,像素在不同的位置有不同的权重时图像邻域平均。高斯滤波是一种线性平滑滤波方法,选择模板重量根据高斯函数的形状。高斯平滑滤波更有效地去除噪声服从正态分布。二维高斯函数公式如下:
高斯滤波器的宽度(这决定了平滑的学位)证明了参数σ和之间的关系σ和平滑的程度是非常简单的。更大的σ,整个乐队的高斯滤波器和平滑度越好。通过调整平滑参数σ,妥协可以模糊图像功能组件之间(oversmoothing)和过量的不受欢迎的突变的平滑图像由于噪声和质地细腻(undersmoothing)。由于高斯函数的可分性,大高斯滤波器可以有效地实现。二维高斯函数的卷积可以分两步进行,首先与一维高斯函数卷积图像然后卷积的结果与相同的一维高斯函数卷积垂直取向。因此,二维高斯滤波的计算工作线性增长,而不是直接过滤模板的宽度。这些属性使它特别有用在早期的图像处理,表明,高斯平滑过滤器是十分有效的低通滤波器在空间和频率域。空中资源高斯平滑滤波器的本质是一种加权平均滤波方法,它可以表示如下: 在哪里W(米,n)是权重系数和高斯滤波器窗口(2K+ 1)×(2l+ 1)。实验图像的两个过滤效果不区分,都满足循序的准确性的要求处理步骤。
后加工图3孤独,仍然不能确定类型(道路、阴影、障碍,或背景),它仍然是必要的原始图像颜色的差异进行分类。本文的二值化方法,该方法算法简单,易于理解和实现,快速计算,内存消耗小,低计算设备的需求,用于分割图像的颜色特征。
获得二进制图像去噪:首先,损坏的图片,然后是噪声点,分散,毛边从二进制图像中删除而不改变它的大小通过执行一个扩张操作损坏的图像具有相同的结构元素。所需的图像,从关键图像分割,是精制8减少处理的数据量。改进的过程是将像素从一个图像的边缘和提取的“骨架”图像,图像只有一个像素宽,减少图像组件和该地区只剩下最基本的信息进行进一步的分析和识别。精炼过程中一个图像,应该满足两个条件:首先,图像应该经常收缩过程中细化;第二,图像应该逐渐下降过程中,图像的连通性保持不变。
2.3。道路提取基于彩色空间模型
我们把该算法通过r移动机器人视觉识别实验平台来执行一个简单的路径。在室内环境中,繁文缛节应用指引路径,路径识别的基于颜色特征的图像。路径采集方法在RGB颜色空间,和图像预处理结果如图4。从图可以看出4,该方法获得的图像的道路很容易观察、直观、简单,但对于一些特殊的颜色,RGB很难提取他们的特性。提取效果不是特别好,因为它很容易受到光照强度和周围的环境,这让问题之后收购的路径信息,所以我们在HSV空间提取路径。
光的处理习惯由人类视觉系统的特点是颜色(色调),色彩饱和度(饱和度)和亮度(价值)。参数H代表颜色信息,表达了0°- 360°;红、绿、蓝色相距120°;色彩主要是由每个组件的可见光谱的波长,这是颜色光的基本特征;饱和参数反映了颜色的强度,取决于内容的白光彩色光,白光是混合在一起越多,颜色越淡。S是一个比例值,从0到1,显示选中的颜色之间的比例和最纯洁的颜色。参数V表示颜色的亮度,也从0到1。亮度是指光刺激引起的彩色光的强度,它只与光的能量,和光线的颜色。h和年代组件是基本上不受光线影响,用于图像处理,效果很好。
方程从RGB空间转换到HSV空间如下:
其中,
2.4。研究基于视觉的道路识别算法和传感器融合
道路区域识别单靠视觉特性不能满足算法的准确性,因为大量的不确定性知识应用在其中,所以我们融合多传感器信息合成的室内环境。多传感器融合需要首先描述传感器信息在一个具体的数学形式,然后用相应的数学工具来处理它。内部里程表,外部超声波(声纳和PSD)和激光测距仪(9,10),与r移动机器人装备,建模如下。
移动机器人平台与不同的物理结构映射到不同的运动模型。对于本文,r移动机器人的运动学是基于里程计的工作原理,基于光电编码器安装在汽车的两个驱动轮来检测车轮旋转的弧度在一定的时间,因此机器人的相对位置的变化。结合运动学模型如图5,里程表移动机器人的运动学模型可以表示如下: 在哪里ωk是一个过程的输入噪声和假定服从高斯白噪声分布。其协方差矩阵
3所示。结果与讨论
3.1。机应用对移动机器人路径规划
结合视频图像处理从移动机器人和数据收集的数据范围激光等传感器,如移动机器人的位置信息,导航线和障碍物的方向。移动机器人做出综合决策基于这些信息来计划一个合适的旅行路径(11]。本文中使用的路径规划算法是模糊逻辑控制技术。
模糊逻辑是一种推理方法,基于模糊集理论处理不严密地描述信息。它是面向不精确的描述事物的特征和功能与不确定性推理处理随机事件发生的可能性。模糊逻辑方法模拟驾驶员的驾驶认为,考虑到人工驾驶是一种模糊控制的行为。路径的曲率的大小,位置的大小,和定向偏差模糊量通过人类的眼睛,无法精确确定司机的驾驶体验,而模糊控制正是模仿人脑的不确定性概念判断、推理思维方式。描述系统模型未知或不能确定的强非线性、大滞后的控制对象,应用模糊集合和模糊规则推理,表达过渡性界限或定性知识经验,模拟人脑的方式,实现模糊综合评判是一个有效的方法来解决这样的问题。因为道路环境信息通常是通过机器视觉、超声波等传感器近似的问题,缺陷,并与特定的混合噪声;模糊控制的一个优点是它可以容纳这些不确定的输入信息和产生平滑控制。此外,移动机器人和汽车很相似,它们的动力学模型更复杂,而模糊控制不需要控制系统的数学模型。移动机器人和汽车都是典型的时滞、非线性不稳定系统,模糊控制器可以完成一个非线性映射从输入空间到输出空间。因此,结合模糊控制的鲁棒性,基于生理“perception-action”行为避免了传统算法的缺点,对移动机器人的定位精度的敏感和高度依赖于环境信息,并提供一个更有效的解决移动机器人的运动规划和导航在未知或不确定的环境。 It provides a more effective solution to the problem of motion planning and navigation of mobile robots in unknown or uncertain environments.
3.1.1。输入和输出变量的模糊描述
模糊逻辑控制通常由四个步骤组成:模糊化过程,规则库建设、模糊推理和去模糊化12]。的路径规划问题,输入量的信息关于机器人的旅行方向和机器人之间的距离和周围的障碍,和控制量转化机器人的线速度和旋转角速度。在本文中,控制器的输入变量的距离d和机器人之间的障碍和方位角θ障碍对目标的方向(旅游方向),和输出变量是机器人的旋转角度后遇到的障碍。原理图的输入变量之间的关系如图6。
在模糊控制用于模糊推理是模糊变量,障碍物的距离信息和目标方向在每个方向移动机器人环境中收集的具体的数量,这是一个转换的过程。在本文中,我们使用一个连续的类型理论域量化距离的范围d移动机器人和障碍物之间的统一的区间[0,8]使用一个简单的线性化过程,和的理论领域d是[0,1,2,3,4,5,6,7,8),并输入角度的范围θ非均匀量化到区间[−4,4](统一的量化间隔(−60°,60°)什么时候θ> 60°。输出角的范围(−60°,60°)均匀量化间隔(−4,4),并输出角的范围(−60°,60°)均匀量化间隔(−4,4),和域是一样的θ。通常,在实际的应用程序中,选择7到9模糊状态,即积极的大型(PB),积极的媒介(PM),积极的小(PS),零(Z) -小(NS) - (NM),和-大(NS)。隶属函数和模糊分区图所示的数据7和8。
每个语言变量的归属函数的形状是一个对称的三角形,和模糊分区是完全对称的;模糊分区图d和方位角度的分区图θ和输出角φ上图所示(分区图的θ和φ是相似的,除了右转是正数的分区图φ,归属函数的输入和输出变量如表所示1- - - - - -3)。
3.1.2。建立模糊控制规则
模糊控制规则是模糊控制器的关键部分。模糊控制规则通常建立在以下方式:(1)从运营商的经验:为一个特定的过程,是广义的一组规则基于长期的运营经验。(2)从田间试验:在条件允许的情况下,通过手动设置的控制作用,合成后的实验数据和泛化,获得控制规则。(3)的知识和推理过程:基于模糊模型来建立模糊控制规律,即。、控制器和控制对象以一种模糊的方式描述。(4)基于学习,让模糊控制有一个类似人类的学习函数,即:,the ability to generate fuzzy control rules and modify them based on experience and knowledge. They are not mutually exclusive; on the contrary, a combination of these methods can better help to build a fuzzy rule base [13]。
同样的被控对象,不同的方法和不同的设计师可能会导致不同的控制规则表。然而,随着控制的实现而言,任何控制规则表如下表中必须有三个属性。
基于上述的方法和原则建立模糊规则,模仿人工驾驶行为的结合,当测量障碍距离远,也就是说,在一个安全的国家,移动机器人应该遵循目标方位,试图结合目标前进;当障碍距离很近,机器人做一个合理的决定根据障碍分布结合目标取向,以确保避障移动时尽可能接近目标方向。在这篇文章中,在避障路径规划的基本思想如下:位于障碍时的左(右)侧轴位置线(旅游方向)的移动机器人,机器人右(左)转,当距离障碍是位于一个小机器人的正前方,然后默认机器人变成了最大的方向。模糊控制器的输入变量d和θ,与模糊等级5的数量,所以他们对应25模糊控制规则数。表4和5建立规则表。
3.1.3。模糊推理和清晰
有两种类型的模糊控制器,Mamdani和Sugeno类型(14]。两个控制器有一个规则库,这是一个if - then模糊规则集。“如果控制器的典型规则x是一个和y是B,然后Z=f(x,y)。“这里A和B是模糊集,Z=f(x,y)的函数x,y在输入变量,通常一个多项式x,y。当f()是不变的,它是一个零Sugeno模型。Sugeno通常可以看作Mamdani控制器的一个特例。到目前为止,只有Mamdani模糊控制器用于速度控制系统。在这篇文章中,Mamdani模型是用来推导出明确的值使用加权平均法,这是一种澄清方法,然后明确的值转换为实际的控制量。对应的控制量计算离线使用MATLAB的模糊控制器输入的不同组合情况下获得控制表。 在哪里R模糊关系矩阵和控制量吗φ澄清是转化为一个确定的值。
当d= 0,移动机器人障碍不构成威胁或没有障碍在机器人的视野,即。,autonomous pathfinding strategy (in an environment with navigation lines, it can be assumed that the robot has only navigation lines in its field of view, at which time driving along the navigation lines is the most appropriate solution); whend≠0,它表明,移动机器人已经进入危险区域,需要启动避障操作,以满足行车安全。
基于运动控制决策的模糊控制表,运动步长中扮演一个重要的角色在路径规划的结果。如果该机器人步长太小,机器人信息处理系统没有足够的时间来处理相邻两个样品;如果运动步长太大,机器人将无法“制动”和障碍。因此,步长必须控制在合理的范围内,和机器人步长应减少在机器人可以获得足够的反应步骤。根据输入变量的值d和θ,移动机器人不能推进一个大步骤(或一个固定的步骤)后立即将输出角的模糊控制器。这是因为关于环境的信息,如信息障碍,或目标点(导航路径)的感知环境中的存在,是未知的新旅游位置后,机器人了。因此,移动机器人应该再检测是否需要二次避障(或旅游方向旋转)后旋转,然后提前一个安全的步骤。这可以被看作是一个迭代之间的模糊避障和自主移动机器人的跟踪策略在旅游。
3.2。验证和分析
在此基础上学习,在MATLAB 7.0环境中进行了仿真验证模糊逻辑控制算法。在仿真过程中,设置任意的形状和位置障碍来模拟实际的应用程序。地图是未知的前提下,首先通过视觉传感器定位信息,和移动机器人之间的距离和方位信息和障碍范围传感器感知,这是作为模糊输入量模糊推理使用MATLAB模糊逻辑工具箱。仿真程序假定机器人的障碍是一个质点,在360°方向和距离1∼3米可以检测准确,和起始点和目标点的位置任意设置,和机器人的轨迹描述进行路径规划时,可以检查算法的正确性和可靠性。仿真结果如下所示:(1)设置起始点的坐标(0,0)和目标点(10,10),和障碍阻止障碍更明显的水平和垂直的线特征,密集的障碍在哪里,该算法的运算量,和机器人慢慢传播,如图9。(2)设置起始点的坐标(5,5)和目标点的坐标(25、25),并设置循环障碍;避障的影响如图9所示。
仿真结果如图所示10的移动机器人可以安全避障算法,运动轨迹平滑,它可以更快到达目标点,与某些实时性和鲁棒性。本节将使用机器人局部路径规划的模糊理解:指人类驾驶体验控制规则,将实时测量信息从传感器获得转化为模糊输入量,计算通过模糊推理、模糊控制表和控制决策信息的机器人通过查询控制表,有一个相对令人满意的实验效果,相对清晰和简单的算法,计算量小。
模糊逻辑算法绕过了传统算法的缺点,对移动机器人的定位精度和敏感依赖于环境信息和使用相对定位方法,消除累积误差,使计算工作低。它显示了巨大的优越性在未知环境中只有近似规划问题和不确定的信息数据,具有较强的实时性能。然而,模糊控制理论对机器人路径规划也有固有的缺点,如建立规则,人类经验并不总是完整的、和推理规则或模糊表可以大幅扩大他们的输入量增加。算法的优化也可以考虑以下:(1)全局路径规划和局部路径规划可以根据不同的环境集成结合视觉的特征;(2)路径搜索问题在不同的环境中,没有障碍也可以区分的计划提高效率。如何紧密结合传统的路径规划算法和人工智能技术来提高算法的规划能力是未来的趋势研究机器人路径规划算法。
4所示。结论
在本文中,基于r机器人平台,对移动机器人的研究可以概括如下:机器人建模及其传感器、图像处理、路径规划。使用视觉和测距传感器常用于移动机器人为研究平台,移动机器人的路径规划问题研究基于视觉图像。与传统的RGB空间图像提取方法,提取的路径在HSV颜色空间和原始路径图像获得基于r机器人视觉模块。执行坐标变换的路径参数获得的。机器人运动学模型,里程表给出了相对位置在机器人运动主要由累积测量。从多个传感器获得的不确定信息,控制规则得到关于驾驶的经验,设计了模糊控制器,模糊方法用于机器人的局部路径规划,并给出仿真结果对移动机器人的避障。提高图像处理算法的性能或使用其他传感器部分消除远景和方向测量中的不确定信息为未来的研究是一个重要的话题。
数据可用性
使用的实验数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者声明,关于这项工作他们没有利益冲突。