基于激光位移传感器的障碍物检测与模式识别
基于激光位移传感器的障碍物检测与模式识别
作者:李海林;吴开华;王文杰;王朔;孙学超;陈念;
自动避障技术作为无人机安全飞行和智能飞行的关键技术之一,受到越来越多的关注。对威胁飞机飞行安全的障碍物有效准确地检测与识别,是实现无人机自动避障的前提。黄丰、黎顺泰等人于 2015 年提出了一种基于超声波的无人机避障检测方法。但超声波信号容易受风速、气流、水雾等影响,并不适用于植保无人机室外作业环境下的障碍物检测。此外,机器视觉技术也是国内外常见的障碍物检测手段之一,但自然光成像技术难以在夜晚使用,且图像数据量比较大也给实时检测带来了较大的难度。激光技术用于障碍物检测,目前多被应用于地面的移动机器人平台。激光信号不易受气流等外界因素影响,能够满足植保无人机室外环境下对于障碍物检测的要求,且激光测距传感器能够在夜间工作,可以适应植保无人机的夜间作业。
本文针对植保无人机的应用场景,以植保无人机作业环境下最常见障碍物中的树木和电线杆为研究对象,以满足植保无人机对于避障检测模块的指标要求( 7 000 mm 内感知障碍物的存在,距离值误差不超过 ± 250 mm,角度误差不超过 ± 5. 0°) 为标准。提出了一种基于激光位移传感器的障碍物检测和模式识别方法,建立树木和电线杆两个类别的分类器,并通过实验验证了有效性。
1 检测原理
激光位移传感器发出激光脉冲,当激光脉冲碰到障碍物后,激光位移传感器的接收器会接收到反馈的激光脉冲信号,如图1( a) 。通过发射与接收激光脉冲的时间差,可以计算出障碍物的距离值。激光位移传感器连续不停的发射激光脉冲,由旋转的光学机构将激光脉冲按一定角度间隔( 角度分辨率 ε,( °) ) 发射至激光位移传感器扫描角度内的各个方向而形成一个二维空间中的扫描线序列。当某条激光脉冲未碰到障碍物时,激光位移传感器的接收器接收不到该条激光脉冲的反馈信号,该条激光脉冲所对应的距离值取 0, a ~ e 以及 i ~ k和 f ~ h 三条激光脉冲探测到树木,所对应的距离值不为 0。依此从数据序列中提取出与图 2 中的树木所对应的数据块,经后续算法处理后可得到树木的平均角度、平均距离及宽度。
2 数据处理
2. 1 数据块提取
激光位移传感器扫描一次得到一个数据序列。其中 θ 为激光位移传感器的角度量程( ξ1 …ξ2 ) ,( °) ; Xi 为距离值,mm; N 为每次探测的数据总个数 ( X0,X1,…, XN - 1 ) 。
2. 2 障碍物基本参数计算
以平均角度 Ф( °) 、平均距离 S( mm) 和宽度 B( mm) 作为障碍物的基本参数。
将数据块 Xn ~ Xm 的中心所在的角度 α + ( β - α) /2 作为该数据块所对应障碍物的平均角度,即有Φ = α + ( β - α) /2 ( 3)将 Xn ~ Xm 之间所有非 0 的 Xi 求一个算术平均值,作为这个数据块所对应的障碍物的平均距离,即有S = ∑Xi /ψ ( 4)式中 ψ 为数据块 Xn ~ Xm 中非 0 数据的个数,即有效数据个数。利用角度、距离和宽度的三角关系,计算出数据块所对应的障碍物的宽度B = 2Stan( ( m - n) ε /2π /180)
3 模式识别
3. 1 特征选择
模式识别的依据是激光位移传感器探测在不同类型障碍物上所产生数据块的不同特征,根据特征的不同,可以判断出与该数据块所对应障碍物的类型。对于图 3 中的数据块 Xn ~ Xm 来说,特征由 Xn ~ Xm 之间的这 m - n + 1 个距离值的不同取值情况所决定。
最终选择以下 4 个特征用于模式识别分类器的设计: 1) 宽度特征 B: 数据块所对应障碍物的宽度。 最大间隙特征 δ: 如果数据块 Xn ~ Xm 内部存在一个或连续多个 Xi 取值为 0,则称该数据块有一个数据间隙,此时数据块离散,δi 为数据间隙中取值为 0 的 Xi 的个数,特征 δ 为数据块内部所有 δi 中的最大值,当数据块内部所有的 Xi 都取非 0 值,称数据块是连续的,此时 δ = δi = 0,δ 的计算方法。
3.2分类器建立和训练
对树木和柱状物两种类别建立和训练分类器,步骤如下:
1) 置步数 k = 1,令增量 C 为常量,且 C > 0,分别赋予初始增广权向量 w( 1) 各分量较小的任意值。
2)输入训练模式 xk,计算判别函数 wT ( k) xk。
3)调整增广权向量,如果 wT ( k) xk < 0,则 w( k + 1) =w( k) + Cxk ; 如果 wT ( k) xk > 0,则 w( k + 1) = w( k) 。
4) 如果 k < M,令 k = k + 1,返回步骤( 2) ; 如果 k = M,则检查判别函数 wT x 是否对训练集{ x1,x2,…,xM } 中所有的 xk 都成立,若是,则结束训练; 若不是,令 k = 1,返回步骤( 2) 。
通过对训练集 200 组数据的训练得到权向量 w = { 1 / 300,1 /6,1 /3,12,- 3. 75} ,则有与其对应的判别函数成立g( x) = 1 /300B + 1 /6δ + 1 /3Rˇ + 12S2 - 3. 75 ( 9)由此可见,树木和柱状物体这两个类别是线性可分的。对于任意一组来自树木或者电线杆的探测数据,将该组数据的各项特征值代入判别函数 g( x) 中,如果 g( x) > 0,则认为这组数据来自于树木,若 g( x) < 0,则认为该组数据来自于电线杆。g( x) 对于测试集( 400 组来自树木,400 组来自电线杆) 的模式识别情况如表 1。统计结果总量 800 组数据,准确识别 794 组,准确率 99. 25 % 。
4 实验验证
4. 1 实验准备
避障主控模块采用研扬 PICO—CV01 工控机。传感器为 DIMETIX系列激光位移传感器,通过安装支架与飞机平台连接,如图 5。传感器与工控机采用 12 V 供电,工控机、供电电池、电源线等置于控制盒中,工控机和激光位移传感器之间基于 TCP /IC 协议通信。选取空旷实验场地飞机高度设定为 2500 mm。
4. 2 实验过程
分别在距离树木 3 000,5 000,7 000,9 500 mm 处以及 60°,90°和 120°同的角度,对树木进行方位、距离检测和模式识别。将探测值与设定值逐一对比,并计算探测值与设定值之间的误差,同时计算每组数据的各项数据特征以及判别函数 g( x) 取值。经重复进行 50 次得到 600 组障碍物数据,g( x)对于这 600 组树木数据的模式准确识别 587 组,准确率达97. 83 % 。
4. 3 实验分析
因树木不规则的外形,无法确切给出确切的平均角度和平均距离值。实验前以树干为基准,将树干与机载传感器之间的距离作为表 3 中的设定距离,树干与机载传感器之间的夹角作为表 3 中的设定角度。距离值误差,随着树木与激光位移传感器之间设定距离值的增大而增大。这是因为传感器的角度分辨 ε 是固定的,当树木与传感器之间的距离不断增大时,得到的数据规模( 即数据块的数据总个数 m - n + 1) 会逐渐减小,有效数据个数 ψ 随之减小,当 ψ 较小时,通常会造成 S 与设定距离值之间误差的增大。但总体上当传感器与树木之间的距离小于等于 7 000 mm 时,误差稳定在 ± 200 mm 范围内,满足本文距离值误差不超过 ± 250 mm 的要求。
树木有一定的体积,为了方便处理采用平均角度来表示其方位。根据式( 3) 计算得到的障碍物的平均角度 Ф 是障碍物所在真实方位的一个近似描述,Ф 与设定角度之间的误差在 ± 4. 0°范围,满足本文角度误差 ± 5. 0°的要求。外形不规则的树木( 见图 6) 作为探测对象,从相同距离的不同角度看,树木的宽度不同。导致了当激光位移传感器从某一方位探测该树木时,会得到一个数据规模相对较小的数据块。当数据量较少时,树木宽度与电线杆的宽度比较接近,树木的其他特征( δ,Rˇ ,S2 ) 也不明显,此时会有一定的几率将树木误判为电线杆。实验中树木的枝叶较少,出现了将其误判为电线杆的情况,但这样的树木外形上与电线杆比较接近,将其误判为电线杆,最终并不影响植保无人机对于这类树木的成功躲避。
5 结束语
本文基于激光位移传感器,为植保无人机提出了一种用于自动避障的检测方法。研究了障碍物的方位检测和距离检测,完成了模式识别的设计,并对检测和识别效果进行了实验验证。实验结果表明: 该检测方法能够较准确地探测出障碍物所在距离和方位,距离和角度的检测误差满足植保无人机避障对于避障检测的要求,并且在验证实验中对于树木模式识别的准确率达到了 97 % 。本文方法为植保无人机后续更高效、更精准避障功能的实现提供了基础。
本文章转自爱学术(aixueshu.com),如有侵权,请联系删除