移动机器人基于激光测距和单目视觉的室内同时定位和地图构建
移动机器人基于激光测距和单目视觉的室内同时定位和地图构建
庄严, 王伟, 王坷 徐晓东
1.引言
移动机器人通过定位能够确定自身在环境中相对于全局坐标的位姿, 这是现机器人自主导航的前提和基础, 根据先验地图在结构化室内环境中进行的移动机器人定位和导航的研究已经有很多成功的应用实例 , 但是由于实际应用中很少能够提供准确的地图信息, 即便能够得到的地图也未必以机器人所需要的形式给出当环境是动态情况时, 地图的预先构建和及时更新就更加难以实现因此, 自主移动机器人在室内环境中的同时定位和地图构建, 成为移动机器人研究领域的一个研究热点。
在的研究中, 移动机器人使用测量数据具有较低不确定性的激光测距仪和高性能的传感器都有助于提高地图构建和定位的精度, 而传感器模型的选取以及对原始数据的处理与校正也对的效果非常关键激光测距仪所获取的数据只是对特定水平面的二维描述, 而视觉传感器提供的环境信息则相对更加丰富, 特别是通过图像处理算法得到的门和角落的垂直边缘线段特征是对二维水平面环6.境特征的必要补充, 它也使得机器人对环境的感知更加准确且有效率在移动机器人位姿估计中, 卡尔曼滤波是一种基于概率模型进行状态和参数估计的有效方法“ 周在系统噪声和测量服从高斯白噪声分布情况下, 卡尔曼滤波用带有噪声的状态方程和观测方程递推决定统计意义上的最优位姿估计, 但实际应用中不满足这一条件的情况会造成机器人误定位的发生卡尔曼滤波同时可实现实时低层次传感器信息的融合, 但多种传感器提供的环境信息也会造成新息协方差矩阵维数的增高, 从而增加系统处理的负担, 影响定位和地图构建的实性在基于多传感器的移动机器人的研究中, 我们采用激光测距仪作为主要传感器来完成室内特定水平面环境信息的采集, 而能提供丰富冗余环境信息的视觉系统使得移动机器人对环境的识别与判断更加可靠为提高定位的精确性和避免误定位的发生, 在基于所构建线段特征进行扩展卡尔曼滤波定位的基础上, 提出将视觉图像中提取的垂直边缘与激光数据所生成二维地图中线段特征进行匹配融合, 并根据由此确定的高级环境特征进行二次定位, 从而提高了的效果, 并有助于消除实际环境中动态物体对定位和地图构建的干扰高级特征提取是不同传感器的环境信息在特征层次上的融合, 是机器人通过对工作环境中自然特征的识别所构建的自然陆标, 不但降低了多传感器信息在低层次融合所造成的计算复杂性, 提高了定位成功率, 更有利于机器人在动态环境中的即时定位和地图更新, 同时也便于从几何地图到拓扑地图的转换, 使得导航工作易于实现传感器模型里程计模型当机器人瞬时运动近似为直线而不考虑航向角的变化时, 里程计可简单的采用直线模型但为更好的近似机器人实际移动轨迹, 本文采用圆弧模型来描述机器人航向角变化时的情况,
2.激光测距仪模型
激光测距仪是一种基于原理的高精度、高解析度外部传感器与图像传感器相比, 其具有不受光线影响、处理方法简单和数据精度高等优点与曾经在移动机器人研究中广泛使用的声纳传感器相比较, 激光测距仪不仅具有更高的距离与角度分辨率, 而且其极短的采样周期和较低的测量噪声使其成为当前移动机器人测距的主要手段我们实验中所配备的一型激光测距仪扫描区域为, 最大测距二, 距离和角度分辨率分别为二。和“ “ 相对扫描数据点为或个一型激光测距仪具有扫描速度快、数据点密集和测量精度高的优点, 扫描数据可用极坐标表示。
摄像机是移动机器人通常使用的一种外部传感器, 针孔摄像机模型是视觉成像普遍采用的理想模型按照针孔摄像机的成像原理, 在一定条件下可以将像平面中的像素坐标还原成机器人坐标系下对应的三维坐标由于实际摄像机镜头以及成像元件的不精确性, 必须对摄像机做标定试验以获得摄像机的内外部参数考虑到镜头产生的径向扭曲对成像的影响较大, 而离心扭曲的影响很小, 因此在针孔摄像机模型的基础上忽略了离心扭曲, 只考虑径向扭曲参数。
3.环境特征的表示与提取
基于线段的几何环境特征能对结构化室内环境进行有效的描述例, 室内环境中墙角和门等高级环境特征也都是由最基本的线段所构成的激光测距仪所获取的数据只是对特定水平面的二维描述, 而视觉传感器提供的环境信息则相对更加丰富, 特别是通过图像处理算法得到的门和角落的垂直边缘线段特征是对特定平面环境特征的必要补充, 它也使得机器人对环境特征的判断更加准确有效。
3.基于单目视觉的特征描述与提取
激光传感器的局限是只能提供特定高度的水平面环境中物体与机器人之间的距离信息, 因此从摄像机获得的数据所提供的特征信息则是对环境感知的必要补充实际应用中, 使用激光传感器获取水平方向环境信息, 用摄像机获取室内垂直边缘特征的方法相对更有效这是因为在走廊等室内环境中, 除了相对有限的水平直线特征外还有很多垂直线段特征而且这些垂直边缘在摄像机中的成像始终垂直于地面方向, 通过特定的图像处理就能提取, 这对提高视觉系统的实时性和减少计算量具有实际意义但邻近的垂直边缘通常较难区分, 也造成了垂直线段检测上的模糊性在进行物体边缘识别时, 算子具有较好的处理效果为了进一步分离那些对于后继处理有用的信息, 并在一定程度上去除噪声干扰, 非最大抑止算法耐可进行边缘细化处理, 从而提高提取精度算法选择那些沿着垂直于边缘方向并且具有梯度最大值的像素作为候选像素, 如果这个像素的灰度值大于某一闽值则成为细化后的边缘像素。
4.特征的匹配与合并
移动机器人在当前某一位姿下基于不同传感器所获得的环境特征要经过融合与匹配后才能加入到机器人的全局地图中特别是墙壁角落和门边缘等高级特征先分别由激光测距仪和视觉系统分别进行提取, 然后再从特征层次上进行匹配融合, 激光测距仪采集的数据经过处理和拟合构建出二维水平面局部地图, 而摄像机采集的走廊环境特征经过节介绍的图像处理方法提取出若干垂直边缘见图图为使通过激光传感器数据提取的角落特征与获取的垂直边缘能进行匹配, 首先要将激光数据转换到视觉传感器坐标系下垂直边缘的开角沪的计算公式为沪· , 其中是图像校正后垂直边缘位置, 和分别为比例因子和焦距经过计算有五个垂直边缘的开角沪可与激光传感器提取的特征成功匹配上, 从而实现激光测距仪和视觉传感器在特征层次上的信息融合图激光特征与视觉特征的匹配与融合移动机器人地图构建过程中, 在两种情况下线段特征要进行合并处理一种情况是在局部地图构建中, 共线判据过于严格会导致本属于同一特征直线的物体表面被分成多条线段另一种情况是用局部地图信息对全局地图进行更新时, 对同一物体特征的局部描述与全局描述也要进行合并处理由于要考虑机器人当前位姿不确定性, 后者的处理更为复杂不同位姿下所进行的线段合并一般分为坐标变换、线段匹配和线段合并三步
4.同时定位和地图构建
地图构建和自定位是移动机器人室内导航中的两个核心任务前者是创建以地图形式存储的环境信息用于定位的进行, 后者则是根据传感器对环境中特征的识别, 并与已有地图进行匹配来确定自身位姿的过程在研究中, 定位精度和地图构建效果是相互关联、相互影响的
4.1基性
基于陆标的拓扑地图的优点在于其只要求维持地图全局拓扑的一致性, 而避免了几何地图保证一致性的问题但其缺点是由于定位空间的离散化而无法保证定位的精度栅格地图容易创建和维护, 但提高这种方法的分辨率会导致计算复杂性的迅速增加, 使其在自主移动机器人上进行实时处理变得困难侧由于本文进行实验的走廊和办公室为部分结构化室内环境而。, 所以在的地图构建研究中以几何地图构建方法为主, 这样表达简单,节省存储空间具体构建步骤包括基于激光和视觉传感器进行的环境特征提取、线段特征的拟合、合并及匹配激光构建的二维平面地图与从视觉传感器提取的墙角和门的垂直边缘可在特征层次上进一步融合, 成功匹配的高级环境特征可视为自然陆标, 并可作为地图中拓扑节点的选取依据这种在局部采用儿何地图表示, 全局使用拓扑表示的地图构建方法在实际应用中具有更好的实用性和鲁棒性全局线段特征在机器人观测坐标下的表示
4.2基于室内环境特征的地图构建方法
地图构建的研究主要可分为几何地图、拓扑地图和栅格地图几种表述方式纯几何地图有利于机器人在局部区域的精确定位, 但由于里程计的漂移不便于维持地图全局的一致扩展卡尔里滤波定位
由于采用弧线建模的里程计模型无法进行近似的线性表示, 所以本文在机器人自主定位中采用算法是迭代调用算法, 并且只有新息才被当前计算所使用, 所以该算法不需要大量的数据存储且易于实现算法包括如下个步骤状态预测系统状态的一步预测解及其协方差尸解可由前述公式和计算得到测量预测全局地图的线段特征可由节所介绍方法转换到机器人坐标系下以完成对观测的预估匹配全局线段特征在当前位姿下进行坐标转换得到的线段特征与局部地图中通过测量得到的线段特征构成一组特征对, 如果其满足准则, 则可以认为其是最优的匹配。
5.算法的具体实现
算法在机器人导航控制软件的体系结构中处于核心地位当激光测距仪和单目视觉的数据经过预处理、特征提取和数据融合后, 水平线段和垂直边缘这样的初级特征以及墙角、门等高级特征被转换到全局坐标系下以预定义的抽象对象形式存储于全局地图中当机器人进行定位时, 全局地图中的特征再转换到当前机器人所在坐标系下, 通过准则将地图中的特征与机器人当前观测的特征进行匹配处理利用公式进行“特征对” 的匹配时, 从激光传感器数据中提取的特定平面线段特征和从视觉数据中获取的垂直边缘特征分别进行匹配匹配成功的“特征对” 所提供的位姿校正量被送入机器人位姿及速度控制模块进行更新。
多传感器信息在特征层次上匹配所得到的高级环境特征被作为自然陆标使用自然陆标的确定已经包含了激光和视觉传感器的特征匹配和信息融合, 而且自然陆标相对于普通线段特征更易于辨识例如走廊中房门的宽度基本相同, 而且分布也有一定的规律可寻所以我们在实际应用中利用自然陆标进行二次定位, 这样经过普通线段特征定位的机器人即便因为动态噪声的干扰而发生误定位, 仍然可以根据自然陆标进行再次定位校正, 避免了不可恢复的定位失败, 从而保证导航策略的正确进行地图构建和基于的定位算法在一移动机器人平台所使用的嵌入式实时操作系统中以实时任务的形式周期进行调用由于机器人视角等因素的制约, 基于自然陆标定位的频率要低于基于普通线段特征定位的频率。
5.1实验结果
一移动机器人是从瑞士引进的一种功能强大的多用途中型嵌入式机器人系统该系统采用工业标准, 由单一中央处理器控制, 使用强实时嵌入式操作系统一机器人系统配备有激光、视觉等多种传感器, 并具有完整的控制软件和开发工具, 从而为开展自主机器人研究提供了适宜的平台和有力的技术支持。
自主移动机器人实验的实际环境包括办公室、走廊和门厅几部分, 其中走廊为实验的主体环境在实验中, 我们可通过基于网络的控制界面见图对机器人的地图构建、定位和导航进行实时的监控和结果分析随着机器人位姿的不断更新, 实验的效果同时反映在软件界面的局部地图、视觉场景和全局地图中图是机器人在宽的走廊区域的一组实验结果图中机器人位姿用圆圈来表示, 圆圈中短线为机器人运动方向图中相邻两网格点间距为二在机器人运动环境中墙壁、开或关闭的门以及角落等不同环境特征随着机器人的不断运动, 走廊环境的全局地图被逐渐构建出来机器人在完全未知的环境中根据提取的特征同时进行自主定位, 定位周期为1.5s实验中机器人速度为0.2m/s。
5.2数据分析与结果讨论
图为实验中机器人位姿误差曲线横轴为运动过程中定位次数, 纵轴为机器人位姿二, 的校正量, 从上到下分别为△ 、△试网格间距代表和△ 网格间距代表在多次实验的定位过程中, 和夕的校正量保持在士之内, 的校正量在士之内由图可见机器人局部位姿有些时刻校正量较大, 这主要基于下述原因启动阶段△ 、△, 较大是因为机器人由静止到运动对控制器有较大冲击造成的地面状况的局部不平整也会造成位姿误差的突增当机器人运动中转向时, 受非完整约束移动机器人平台点镇定控制器控制算法的影响, 机器人位姿, , , 的校正量同时增大由于机器人运动中以沿方向运行为主, 所以位姿在方向的误差要明显大于, 方向的误差值。
在图中, 随机给出机器人在不同位姿下的几组误差椭圆如图所示, 外面的误差椭圆代表机器人经过一步状态预测后的状态协方差矩阵劝, 里面的误差椭圆为经过状态更新后的状态协方差矩阵尸十十在第二组误差椭圆中, 被更新后的误差椭圆显著变小, 表明机器人自定位使得位姿不确定性得到改善其余几组误差椭圆的变化不是很明显, 这是由于机器人运动速度有限, 而定位频率相对较快, 这样在短距离直线运动中, 根据里程计模型进行的一步状态估计值本身误差就有限在定位算法中只选用长度大于的特征进行匹配, 这虽提高了定位可靠性, 但也导致机器人在某些位置可用于定位的环境特征减少, 所以校正效果不明显.
6.结论
本文的研究重点在于如何从激光和视觉传感器获取的数据中高效率的提取环境特征并合理的进行几何地图构建本文提出的机器人同时定位和地图构建算法已应用于全自主移动机器人在部分结构化室内环境下的导航运动中实验表明该算法可以实时完成机器人的全局地图构建和即时精确定位任务, 并且易于在嵌入式移动机器人平台上实现如何进一步提高地图构建和定位的精度并消除实际环境中动态物体对定位和地图构建的影响是下一步研究工作的重点。
本文章转自爱学术,如有侵权,请联系删除