基于激光测距传感器的障碍物检测与模式识别
基于激光测距传感器的障碍物检测与模式识别
作者:王丽珍;刘慧玲;薛小兰
移动机器人为了准确的在未知环境中进行导航, 通常采用传感器对环境中存在的动态或静态障碍物 进行检测。在车辆行驶中检测周围存在的障碍物 是一项较为重要的工作,是实现安全驾驶和导航的保 证和前提。当前障碍物检测识别方法存在检测率 低和识别率低的问题,需要对障碍物检测与模式识别 进行研究。韩飞龙、应捷、朱丹丹结合贝叶斯网络 和卡尔曼滤波对障碍物进行检测和识别,通过卡尔曼滤波算法检测周围存在的障碍物,并提取障碍物的特 征,在根据障碍物边缘直线水平度和障碍物对称性的 特征构建贝叶斯网络实现障碍物的分类识别,该方法 的分类结果不准确,存在障碍物识别率低的问题。薛金林、闫嘉、范博文通过输出层、输入层、全连接层、池化层和卷积层构建卷积神经网络检测模型,并构建 了包含检测集和训练集的障碍物数据库,通过卷积核 完成样本的卷积操作获得特征图,对特征图做池化处 理,采用自动学习方法计算网络模型参数,根据参数 获得最佳网络模型,利用模型实现障碍物的检测与识 别,该方法获取的特征图覆盖率较低,存在检测率低 的问题。张名芳、刘新雨、付锐等人采用层次聚类 算法对初始聚类中心对应的待选点集和搜索范围上 界进行确定,通过距离乘积最大化方法排序待选点 集,采用距离评价函数和 Sihouette 确定聚类中心,对障碍物进行分类识别,该方法对选点集排序的结果不准确,导致识别结果与实际不符,存在识别率低的问题。目前常用的传感器主要包括激光测距传感器、视觉传感器、红外传感器和超声波传感器,其中激光测距传感器在移动机器人领域中的应用较广,具有实时性好和高精度的特点。检测识别障碍物过程中的关键技术之一是在获取传感器采集信号中的有用信息,通过信息相关处理技术完成障碍物的检测和识别。当前障碍物检测与识别方法中存在检测率低和识别率低的问题,为了解决当前方法中存在的问题,对障碍物检测与识别方法进行研究,提出基于激光测距传感器的障碍物检测与模式识别方法。
2激光测距传感器系统
2. 1激光测距传感器设计原理
传感器系统主要通过机械本体、电气系统和光学系统构成。三角法光学系统的目的是测量和成像; 电气系统的功能是对像点的位置信息进行采集,并对采集得到的信号进行处理,实现与控制系统之间的通信。
2.2光学系统设计原理
激光光学三角测距方法的应用场合较为广泛,具 有数据易处理、测量精度高和测量范围适中等优点。激光光学三角测距方法将激光光斑通过光学系统照射到目标表面中,在目标表面光斑发生散射,通过接 收物镜对光斑进行聚焦处理,将其转变为敏感表面。由敏感表面中光斑对应的像点位置确定目标的距离。传感器采集敏感表面中光斑对应的位置,根据采集到 的信息测量障碍物的距离。
所提方法采用三角法,三角法存在以下几个优点:
( 1) 可以缩小传感器体积。
( 2) 成像质量高。
( 3) 传感器元件之间距离较小。
( 4) 测距范围大。
在敏感表面中为了使光斑成像,图中的 φ 和 θ 需要符合斯凯普夫拉格条件,如下式所示,即透镜平面、物平面和像平面必须同时在一条直线内相交:当测量的障碍物对应的光斑位置从 O 点转变到O1 点时,光斑移动距离即为两点之间的距离 x,成像点在 CCD 敏感面上对应的移动距离为 x1 ,移动距离 x 和 x1 符合下式将窄带滤光片放置在接收透镜后方,降低环境光对测量过程中造成的影响[11]。设 α 代表的是光线的入射角; n 代表的是折射率; β 代表的是光线的折射角; S 代表的是光线经过滤光片的偏折距离在接收 CCD 上生成光线偏折 S 后的偏移,对应的偏移量为Δ,设 φ'代表的是CCD 平面和光线之间存在的夹角,满足下式:测量点和敏感位置之间存在的关系可以通过参考面位置确定。将参考面当作参照物,如果被测点移动 x 时,像点在敏感器中移动的距离。
2.3电气系统结构原理
CCD 时钟控制器、CSP时钟同步控制器、FIFO 缓存以及 SPI 接口在整体电气系统中起控制作用,实现串口异步通讯。电气系统的控制器选用现场可编程门阵列,可缩短计算和采样所用的时间,提高采样精准度的同时,保持能量消耗较低,提高传感器的运算速度和采样速度。该系统的硬件部分是可以配置的,根据工作工程中的需求添加对应的设备,可完成不同的任务。
选用红色激光二极管作为传感器中的发射光源,成像敏感芯片选用线性 CCD。CCD 芯片具有较高的稳定性、重复度、抗干扰性和线性度,且受温度的影响较小,提高了系统在工作过程中的可扩展性。
3障碍物检测与模式识别
对障碍物的特征信息进行模式识别主要通过检测障碍物的形态信息、激光测距传感器与障碍物中心的距离和障碍物的方位完成
3.1障碍物定位
完成障碍物检测与识别的前提是确定相对于激光测距传感器障碍物的位置。通过激光测距传感器对周围存在的障碍物进行扫描,分析扫描点可知,图像内存在的凹点位置即为障碍物的位置,障碍物的宽度与凹陷部分成正比发射器作为原点构建的笛卡尔直角坐标系代替 原极坐标系,获取与障碍物位置相关的数据和信 息。设 SV 代表的是障碍物边缘点构成的集合,将激光测距传感器作为中心,构建极坐标系。设SP 代表的是通过激光测距传感器扫描到的障碍物在坐标系中对应的点构成的集合。
3.2 障碍物边缘拟合
通过激光测距传感器首次对障碍物进行扫描后, 得到障碍物边缘的角度数据集和距离,通过 3. 1 获得在直角坐标系中障碍物边缘的离散点集。基于激光 测距传感器的障碍物检测与模式识别方法通过最小 二乘算法拟合障碍物的边缘,根据拟合结果得到边缘 曲线。
拟合曲线可通过最小的偏差平方和 Q 确定,即确定参数 a0 、a1 、a2 即可获得拟合曲线,通过偏差平方和Q 对参数 a0 、a1 、a2 进行求导,求解下式得到参数 a0
3. 3 障碍物模式识别
为了实现避障,需要获取障碍物的中心点和宽度特征[17-18]。基于激光测距传感器的障碍物检测与模式识别方法通过障碍物的边缘曲线获取最小的外接矩形,参数 β 的计算公式如下:
β = θf -θ1( 15)式中,θf 代表的是 V 中 x 轴与第 f 条反射线之间存在的夹角; θ1 代表的是 V 中 x 轴与第 1 条反射线之间存在的夹角。
利用最小外接矩形通过下式对障碍物的宽度值w 进行计算:式中,d1 代表的是障碍物其中一面的边缘和传感器之间存在的第 1 条反射线对应的距离; df 代表的是障碍物其中一面的边缘和传感器之间存在的第 f 条反射线对应的距离;
根据获取的障碍物宽度特征信息、距离特征信息和方位特征信息对障碍物进行模式识别。
4实验结果与分析
为了验证基于激光传感器的障碍物检测与模式识别方法的有效性,需要对基于激光传感器的障碍物检测与模式识别方法进行测试,本次测试的实验环境,图中的箭头即为避障路线,选取识别率和检测率作为测试指标,对所提方法、基于贝叶斯网络的障碍物检测与识别方法和基于卷积神经网络的障碍物检测与识别方法进行测试。
采用所提方法识别障碍物获得的识别率在多次实验中均在 95% 以上,总体高于基于贝叶斯网络的障碍物检测与识别方法和基于卷积神经网络的障碍物检测与识别方法识别障碍物获得的识别率,因为所提方法利用边缘曲线和拟合曲线获取障碍物的特征信息,提高了基于激光测距传感器的障碍物检测与模式识别方法的识别率。
5结束语
车辆智能和安全行驶的关键是自动避障技术,避 障技术的不断发展受到了人们的广泛关注。当前障碍 物检测与识别方法存在检测率低和识别率低的问题, 提出基于激光测距传感器的障碍物检测与模式识别方 法,其检测率和识别率均在 95% 以上,将激光测距传感器应用在障碍物检测与识别的过程中,障碍物的检测 率和识别率高,为自动避障技术的发展奠定了基础。
本文章转自爱学术(aixueshu.com),如有侵权,请联系删除