基于激光测距仪的温室机器人道路边缘检测与路径导航
基于激光测距仪的温室机器人道路边缘检测与路径导航
作者:贾士伟;李军民;邱权;唐慧娟
温室能够克服四季气候影响、实现作物周年生产, 是现代农业的高效生产形式[1]。随着中国温室面积的快速扩大,农业劳动者对于温室内自动化生产设备的需求日益迫切。与传统农业生产不同,温室生产作业环境比较狭窄,常规设备难以施展,因此人们开始关注适用于温室内狭窄作业环境的移动机器人技术。导航是实现机器人在温室内自动化、自主化作业的基础技术。根据机器人的行走路线特点,目前用于温室内的移动机器人导航方案大致可以划分为 4 类:用于轨道行走的、用于垄沟行走的、用于磁条/色带引导行走的和用于无明显引导标志的普通路面的。用于轨道行走的方案对于自主导航算法的要求较低,机器人只要按照作业需求沿着固定轨道以一定速度前进或者后退即可,前进或后退的距离则由具体作业需要确定,如移动指定的距离或者移动到其他传感器视野内出现作业对象为止。类似的,用于垄沟行走的方案对导航算法要求也较低:机器人前后车轴按垄坡形状弯曲,从而将自身的运动限定在与垄沟平行的轴上,导航算法仅需给出前进后退指令[6]。用于磁条或色带的方案则稍微复杂,机器人轮/轮轴并非固定在某一轴上,而是依靠磁力传感器或机器视觉感知磁条/色带位置, 从而引导机器人对其进行跟踪。用于无明显引导标志的普通路面的方案,则主要依靠各种传感器信息的融合完成导航,常用的传感器包括激光测距仪、相机、陀螺仪、编码器等。
在所有 4 类导航方案中,用于轨道、垄沟行走的方案要求道路具有特定的构型,用于磁条/色带引导行走的方案则要求道路上设有引导带,因此以上 3 类方法均存在一定局限性,难以引导温室机器人进行灵活的自主移动。相比之下,用于无明显引导标志的普通路面的导航方案具有突出的环境适应性强的特点,受到了许多学者的关注。通常该类方案的核心算法分为 2 部分:道路边缘提取和导航调速控制指令生成。道路边缘提取是为了确定机器人的移动方向,确保机器人一直沿着道路行走, 不偏离道路区域碾压作物;导航是通过对机器人左右驱动轮电机的速度调控实现的,根据方向偏差来调整左右轮的速度,从而确保机器人在发现有可能偏出道路区域时能够自动调整过来。
基于道路检测的机器人期望驱动方向生成方法有很多种,基于道路中心线的生成算法是其中较为常见的一种。本文算法提取道路边缘后就主要根据道路中点信息生成下一步动作的期望驱动方向。现有的道路识别方法大部分以机器视觉和激光测距作为探测手
段。机器视觉方法通过图像处理手段发现路面与其他区域的色彩和亮度差异实现道路边界线的提取。机器视觉方法的缺点是受光照条件影响较大。激光测距方法对光照条件有较好的适应能力,且测量精度较高。现有的激光测距道路识别算法大多服务于车载三维激光测距数据处理,对于计算处理设备的硬件条件要求较高。
本文针对温室内道路与作物区域表面平整度不同的特点,提出了一种基于 2 维激光测距仪数据的温室机器人道路边缘检测与导航算法。该算法在 Walle 移动机器人上进行了试验验证。
1.Walle 移动机器人平台
Walle 是国家农业智能装备工程技术研究中心独立开发的温室内移动机器人。它装备有激光测距仪、电子罗盘、光电编码器等传感器。机器人本体宽度为0.6 m,四轮形式,2 个前轮为驱动轮,分别装配一台 400 W伺服电机,2 个后轮为万向轮。本文算法使用激光测距仪作为机器人探测道路及其周围环境信息的主要工具,仪器型号为 SICK 公司生产的 LMS-30206。激光测距仪安装在Walle 机器人前方正中位置,并具有一个约为 12°的俯角,激光发射点距离地面高度约为 21 cm。激光测距仪的测距量程设为 8.183 m。其角度扫描范围设为 180°,角度分辨率设为 0.5°,每组数据包含 361 个测距值。
2.道路边缘提取与导航算法
2.1道路边缘提取
2.1.1环境数据特点分析
当道路两旁种有作物时,如果让处于道路上的机器人利用激光测距仪扫描道路及其周边的环境,则会呈现这样的特点:扫描到道路上的激光测距值的波动性很小, 而扫描到作物区的激光测距值的波动性则会很大。这是因为道路是相对平坦的,而作物区表面则是明显凸凹不平的。为了突出单次扫描数据中包含的非地面信息,本文采用了类似于图像处理中的背景去除的方法。假设背景扫描数据为 A 、待去除背景的扫描数据为 B ,去除背景后的扫描数据为C ,则有:
C=A?B(1)式中: A 为机器人在无障碍物的理想水平地面上获取的数据。由于理想水平地面是很难找到,将机器人放置在空旷的大理石地板上,并且保证激光测距仪量程内没有除大理石地板外的其他物体,以近似获取激光测距仪在理想水平地面上的扫描情况。如此采集的一组单次扫描数据中横坐标为测距值的序号,纵坐标为距离值,起始序号为激光测距仪右手边与其朝向垂直的角度(定义为 0°)。在图 2a 中序号居中的位置应为机器人正面朝向对应的测距值。通过分析数据可看出, 测距值从机器人正前方开始向两侧逐渐平滑增大,直到达到满量程。这是由于激光测距仪具有一定的高度和一定的俯角,所有扫描点实际上都属于地板上一条垂直于机器人正面朝向的直线。测距值在垂足上达到最小,从垂足向直线两侧延伸,测距值逐步平滑增大。
一组在温室中采集的道路环境扫描数据, 采集时机器人正面朝向基本与道路延伸方向平行,道路两侧区域则种植有作物。可看出,机器人正面朝向附近的数据是道路数据,波动较小且变化平缓,而两侧作物区域数据则有明显的剧烈波动。数据表现的特点与实际的环境物理特点,即道路表面较为平缓、作物表面凹凸不平,是完全对应的。可以看出,作物区域的测距波动被明显的放大,更加有利于道路边缘的提取。
2.1.2道路边缘提取
以扫描数据C 为处理对象进行道路边缘提取。提取主要包括 2 个步骤:1)将整个半圆形的扫描扇区均匀划分为若干个小的扇区,计算各个扇区中的测距数据方差, 并认为方差最小的小扇区必定对应道路区域,将其称为 “侯选扇区”;2)由于划分小扇区是人为固定划分的, 无法保证侯选扇区包含了全部道路区域,所以要对侯选 扇区两端进行扩展搜索,直到发现道路区域的边界。假 设侯选扇区的激光束序号段为[m0,n0],其中 m0 为起始序号,n0 为终止序号,序号 n 对应的测距值为 r(n),用 m0? 和 n0? 分别表示扩展搜索获得的道路右侧和左侧(左右均相对于机器人正面方向)边缘,为预先设定的地面测距值波动阀值,另外,扇区划分的数量对边缘提取结果会产生一定的影响。扇区数量过多,则计算量增大;扇区数量过少, 则容易引入作物区域。在本文中,选择划分 24 个扇区。
运用上述方法,以图 2c 中数据为处理对象,获得 m? 和 n?分别为 133、202。
2.1.3伪道路部分的剔除
温室内环境复杂,并非所有情况下道路区域和非道路区域都有着明显的分界线。连栋温室内某处道路的细节图。土壤区域表面平缓且与道路边缘相接,因而在扩展搜索中易被误认为道路。为了解决这一问题,算法中提出了伪道路剔除策略。该策略借助基准道路宽度来监督扩展搜索过程, 避免将伪道路区域扩展吸收进来。获取基准道路宽度的方法为:将机器人置于道路正中且正对道路延伸方向,进行一次道路边缘提取,计算 2 个边缘点间的连接线段长度,该长度即为基准路宽 W0。假设 2.1.2 节中的道路边缘提取结果 m0? 和 n0? 连接的线段中包含伪道路区域,且该线段中点所对应的激光束角度为 M,则伪道路区域剔除策略的伪码。
2.2导航调速控制指令生成
生成导航调速控制指令时,必须了解速度调整对机器人运动方向的影响方式,即速度变化与转向变化之间的关系。Walle 配有左右 2 个驱动轮,且均为前轮,2 个后轮为万向轮。Walle 采用差速转向方式,以向右转向为例。实线轮廓表示机器人转弯前的位姿,虚线轮廓表示机器人转弯后的位姿。
3.试验
为了试验算法的有效性,以 Walle 移动机器人为载体,在北京农科大厦走廊、北京市农林科学院院内绿化区弯道、北京市农林科学院连栋温室道路 3 种不同环境条件下进行了实际验证。试验中,Walle 以约 0.5 m/s 的低速行进。
3.1走廊环境试验
机器人的车体宽度为 0.6 m,走廊的宽度为 1.90 m。机器人在走廊中行走的情况。走廊的两边有墙、门,门凹进墙面,且部分门为打开状态。首先进行了定性试验,直观的观测算法导航效果。 Walle 机器人的尾部中心位置安放一个滴墨水的画线装置,机器人在行走时可以画出其行走轨迹,其轨迹如图6b 中的红色墨迹线所示。图 6b 中的蓝色虚线代表走廊道路的中心线。试验中,移动机器人始终在走廊的中心线附近行走,没有撞向墙壁,导航效果较好。
然后进行了定量试验,采用数据分析的方式证明算法具有较好的导航效果。试验方案为:机器人在走廊内一段没有门的区域行走,利用激光测距仪数据计算每次扫描时刻机器人到两侧墙壁的距离。走廊上的激光扫描数据。以激光测距仪的光源点为坐标原点,以激光扫描平面为坐标平面建立坐标系,然后利用拐点提取的方法识别两侧墙壁并计算原点到左右墙壁的距离 Sl 和 Sr。每隔 2 s 扫描一次并计算 S ,整个试验过程共扫描超过 130 次,S 的变化情况如图 8 所示。经过统计得出,S 的平均值为?1.2707 cm,均方误差为 2.6772,超调较小, 说明机器人的导航控制达到了较好的效果。
3.2弯道环境试验
由于算法的导航期望角度是通过单次扫描提取道路边缘计算的,算法本身并不关心道路两侧边缘是否组成平行线。因此从理论上来讲,本文算法同样能够用于在弯曲道路上的导航。为了验证这一点,弯曲道路上进行了试验,道路宽度为 1 m,两侧为植被,道路的中心线是一条曲线。图 9 中的蓝色虚线示意性的标出了道路中心线。经过试验,机器人成功地完成了在此弯道上的自主导航行走任务。
3.3温室环境试验
算法的最终目的是实现机器人在温室道路上的自主行走。温室道路及其周围环境如图10 所示,温室道路宽度为0.8 m。本文选取了连栋温室内的道路进行导航试验。虽然温室道路比较窄,但依靠新的道路边缘提取导航算法, 机器人同样可以实现自主行走。
4结论与讨论
本文提出了一种基于激光测距仪的温室移动机器人道路边缘检测和导航算法,利用道路区域与作物区域的表面平整度差异实现道路边缘检测,利用基准道路宽度帮助剔除伪道路区域,进而生成导航调速控制指令。依靠Walle 温室移动机器人试验平台,新算法的有效性在走廊、弯道、温室道路等多种环境下得到了试验验证,在走廊环境中机器人偏离道路中心线的平均值为?1.2707 cm,均方误差为 2.6772。
该算法仅能处理温室道路相对平坦的情形,因此更加适合用于连栋温室内具有硬化路面的主干道自主导航行走或搬运,对于温室道路两侧有平缓坡度以及有凹凸不平障碍物的情况适应能力较差。在下一步工作中,将引入三维激光测距的方法,争取解决道路两侧有平缓坡度或者道路中有凹凸不平障碍物情况下的导航问题,研究复杂温室道路条件下的三维导航算法,为温室自主搬运机器人、温室作物生长状态自主巡查机器人提供移动平台支撑。
本文章转自爱学术(aixueshu.com),如有侵权,请联系删除