基于姿態測量模塊和閉環檢測算法的仿生SLAM研究

許 曈,凌有鑄,陳孟元,王 偉

(安徽工程大學,安徽省電氣傳動與控制重點實驗室,安徽 蕪湖 241000)

?

基于姿態測量模塊和閉環檢測算法的仿生SLAM研究

許 曈,凌有鑄*,陳孟元,王 偉

(安徽工程大學,安徽省電氣傳動與控制重點實驗室,安徽 蕪湖 241000)

基于傳感器模型的SLAM導航策略精度較高,但由于摩擦等因素誤差長時間累計會造成里程計的漂移現象。依靠視覺里程計進行導航的RatSLAM系統,通過在局部場景細胞中引入閉環檢測策略實現累計誤差的校正,在靜態環境下具有一定的魯棒性,但在復雜場景里,如移動障礙物的出現,視覺里程計會提取到錯誤的速度等姿態信息,導致航跡出現較大偏移,有時無法通過場景重定位進行閉環校正。結合兩種模型的優勢提出一種帶姿態測量模塊和閉環檢測算法的仿生SLAM模型。實驗表明,相較于僅帶帶閉環檢測的RatSLAM系統或僅由姿態測量模塊構成的導航系統,本文提出的新系統更能適應長期復雜場景下的導航,且魯棒性更強。

同步定位與地圖構建;仿生導航;閉環檢測;姿態測量模塊;傳感器應用;移動機器人

同步定位和地圖構建SLAM(Simultaneous Localization and Mapping)要求移動機器人在一個陌生環境中探索環境、構建地圖,并同步運用構建出的地圖追蹤機器人在該環境中的位置。現有處理移動機器人SLAM問題的傳感器包括激光測距儀[1-2]、聲吶測距儀、圖像傳感器[3]、慣性導航設備等。激光測距儀精度高、可靠性好,但強光條件會影響探測器而導致讀數的錯誤;聲吶測距儀利用探測器錐形區域最近物體的反射來判斷距離的方式決定了其無法準確判斷物體的距離;照相機在區分圖像色方面表現很差,全景相機采集的圖像會產生嚴重畸變;里程計漂移現象使移動機器人輪子上的里程計無法反映其移動的真實距離等。全球衛星定位系統GPS可以不依賴移動機器人輪子編碼器的路徑積分實現機器人位置信息的更新,從而實現室外環境下的精準導航。但在無法接收衛星導航信號的室內環境下,仍可以利用不同種類的多個傳感器數據進行信息融合消除上述單一傳感器采集的錯誤信息對定位導航的影響[4-6],但仍有其局限性。

動物無需精確完美的傳感器便可適應環境并實現自身的定位導航,通過模擬動物的導航行為提供了SLAM問題的另一種解決思路。與基于數學概率的導航算法相比,這類仿生導航策略避免了高精度昂貴傳感器和復雜概率算法的使用。澳大利亞昆士蘭大學Michael等[7-9]提出一種基于復合位姿表征的嚙齒動物海馬區擴展模型(RatSLAM),將路徑積分和視覺關聯過程集成到位姿細胞模型中,使機器人具有更新預測狀態的能力,并建立了存儲環境空間、視覺、時間、行為和變化等信息的經歷制圖算法,實驗表明[10-13],這種RatSLAM模型能夠滿足室內靜態場景下的導航。

但是,僅依靠視覺的RatSLAM模型并不能適應長時間動態復雜環境下的導航,研究者們將現有的傳感器技術應用于鼠類海馬模型的導航細胞以改進現有的RatSLAM模型。Berkvens等[14]將地磁定位的理念引入RatSLAM系統,提高定位的精準度,但由于金屬、電氣設備的干擾,提出的這種地磁RatSLAM并不具備較高的準確性,在文獻[15]中,他又提出了一種結合RatSLAM中的視覺圖像處理和WI-FI指紋識別的新型傳感器融合技術以改進定位策略,并使用指南針傳感器修正方位角偏差。通過室內和室外的實驗數據表明,構建出這種拓撲地圖的準確性遠高于使用單一傳感器,并在文獻[16]中將無源RFID、有源RFID、WI-FI、地磁傳感器分別引入多組實驗,結果表明將地磁通量引入RatSLAM算法可以明顯減少射頻技術構建經歷圖的平均誤差,并在很大程度上能夠確保不產生錯誤路徑,但實驗中仍出現一些問題,包括由于前一時刻定位產生錯誤而對預期位置的錯誤判斷、經歷圖的平均誤差仍比較大等問題。本文在RatSLAM模型的局部場景細胞中引入閉環檢測算法消除導航中的累計誤差,同時引入磁力計、加速度計和陀螺儀等多種傳感器建立一種新型的航位推算模型,避免在移動障礙物出現時,視覺里程計提取到錯誤的速度和角度信息,同時準確判斷出自身當前方位,進一步增強了導航的穩定性。

1 基于閉環檢測算法的RatSLAM模型

提出一種滿足室內場景導航的改進型RatSLAM系統,該系統在基于鼠類海馬模型的基礎上引入融合磁力計、加速度計和陀螺儀的姿態測量模塊,通過攝像頭對實際場景的采集完成外部視覺感知過程從而形成局部場景;獲得的局部場景一方面通過給位姿網絡模型注入活性實現定位,另一方面通過聯想學習進行地圖構建,其中,模型化頭方向細胞和位置細胞的競爭性吸引子網絡結構所形成的位姿感知細胞群模型通過(x,y,θ)表征估計當前自身位置影響每一個經歷的構建;利用移動機器人自身所帶的多種傳感裝置監測其自身的狀態并對圖像識別中可能出現的誤判數據做修正,進而影響經歷圖的構建,模型如圖1所示。

圖1 改進型RatSLAM模型

1.1 外部視覺感知

采用筆記本自帶的攝像頭對當前場景進行感知,通過Hessian矩陣行列式對圖像中的像素點進行分析,構造快速魯棒特征SURF(Speeded Up Robust Feature)的特征點描述算子,其中,每個特征點采用64維向量的描述子進行匹配。

1.2 閉環檢測下的RatSLAM模型

①獲取局部場景信息

在現有RatSLAM模型基礎上采用基于詞袋模型的閉環檢測算法,先利用SURF算法進行特征提取生成視覺單詞構建視覺詞典樹,再通過貝葉斯濾波后驗概率估計進行閉環獲取,從而進行場景重定位。局部場景細胞感知的視覺模板集合V如式(1)所示:

V={V1,V2,…,Vn}

(1)

式中:Vi(1≤i≤n)表示局部場景細胞的活動水平。

②位姿網絡內部活動

位姿網絡的內部活動通過吸引子競爭網絡的動力學模型控制,由于突觸的興奮傳導使位姿感知細胞活動產生的變化如式(2)所示:

(2)

式中:a、b、c為x′、y′、z′的分布系數;Nx′,Ny′,Nz′為(x′,y′,z′)空間中的位姿感知細胞三維矩陣元素。利用墨西哥帽函數(mexh,Mexican Hat)計算位姿細胞神經元間的突觸權重ψ(dx′,dy′,dz′),表達式如式(3)所示。

(3)

式中:

dx′=min(Nx′-|x′-a|,|x′-a|)
dy′=min(Ny′-|y′-b|,|y′-b|)
dz′=min(Nz′-|z′-c|,|z′-c|)

(4)

③關聯局部場景與位姿感知

(5)

位姿感知細胞活動的變化ΔPx′,y′,z′,如式(6)所示。

(6)

為保持位姿細胞在獲得視覺輸入和路徑積分輸入后的總活性,需對其活躍性進行歸一化。表達式如(7)式所示。

(7)

④經歷圖構建

一個經歷能級Ex′y′z′的各組成要素由當前位姿感知細胞的活性與決定,每一個經歷e通過關聯經歷能級Ex′y′z′、局部場景細胞活動水平V和位姿細胞Px′y′z′活動,第i個經歷如式(8)所示。

ei={Eix′y′z′,Pix′y′z′,Vi}

(8)

閉環改進后的RatSLAM模型如圖2所示,其中,經歷i編碼時進行一次閉環檢測校準。

圖2 基于閉環檢測校準的RatSLAM模型

1.3 姿態測量模塊

對于室內導航,當出現移動障礙物時,如人的走動等,基于視覺的RatSLAM導航系統無法提取到準確的速度和角度信息,因而導致視覺里程計導航性能下降,本文引入磁力計、加速度計和陀螺儀等傳感器建立航位推算模型糾正其視覺導航的錯誤記錄并增強系統的魯棒性。

圖3 姿態測量模塊檢測流程圖

①傳感器校準

靜態條件下傳感器會受到重力和地球自轉速率影響,通過實驗校準加速度計、磁力計、陀螺儀補償其測量值,轉換公式由(9)式表達。

(9)

式中:δ和δ′分別為轉換前后的傳感器誤差;ρ為弧度與秒的轉換常量;g為重力加速度;vearth為地球自轉速率;H為當前位置的磁場強度。

②坐標系變換

在此建立載體坐標系向導航坐標系的姿態轉換矩陣。選北東天地理坐標系作為載體導航坐標系,導航坐標系向載體坐標系轉換關系如式(10)所示。

(10)

(11)

式中:φ為滾動角,θ為俯仰角,ψ為航向角,ab=[axayaz]T和Mb=[MxMyMz]T分別表示加速度計測得重力加速度和磁場強度在載體坐標系三軸投影分量。

③姿態更新

四元數法計算量小,算法簡單,可適用于低動態載體姿態解算,這里選取此方式進行姿態更新,其微分方程表達式如式(12)所示。

(12)

(13)

式中:

(14)

圖5 實驗場景

2 實驗與分析

①實驗設計

本實驗采用筆記本自帶攝像頭進行場景采集,將其搭載在實驗室移動機器人平臺旅行者二號上進行數據采集,傳感器采用姿態測量模塊,該模塊包含陀螺儀、加速度計與磁力計。實驗場景選取9 m×6 m的室內環境。圖4為移動機器人實驗平臺,將攝像頭采集的圖像信息與姿態測量模塊采集的數據信息傳輸至上位機并進行MATLAB仿真實驗。圖5為實驗的真實環境。

圖4 實驗平臺

②實驗結果分析

視覺里程計提取的速度信息與加速度計測得的速度信息如圖6所示,在43 s～51 s間由于人運動的干擾,視覺里程計無法對移動機器人實時速度準確判別,此時必須通過加速度計獲取的數據進行替代。

圖6 視覺里程計速度與加速度計測得數據對照

注入閉環檢測的局部場景細胞學習到的場景與其匹配效果如圖7所示,可以看出,在47 s左右移動機器人走完場景一圈,定位到初始時刻位置,并正確匹配到一次閉環,受環境影響節點匹配時可能出現錯誤閉環和閉環未檢測到的情況。

圖7 帶閉環檢測算法的經驗節點匹配效果圖

圖8 三種算法的經歷圖

繪制的經歷圖如圖8所示,現有的RatSLAM算法會由于里程計漂移等因素影響無法勝任復雜環境下的導航;帶閉環檢測的RatSLAM系統通過經驗節點的匹配能夠一定程度上降低誤差,但由于一些關鍵幀未檢測到閉環,如圖中帶閉環檢測的RatSLAM算法所示虛線,當移動機器人第三次初始位置時閉環檢測未能及時匹配到而造成經歷圖偏離軌跡;采用帶姿態測量模塊和閉環檢測算法的RatSLAM模型能夠直接從移動機器人本身獲取數據避免了由于移動障礙物的突然出現導致視覺里程計在一段時間中提取出錯誤的姿態信息而降低經歷制圖的準確性。實驗表明本文提出的帶姿態測量模塊和閉環檢測算法的RatSLAM模型穩定性更好,適應性更強。

3 結論

本文提出的帶姿態測量模塊和閉環檢測算法的RatSLAM模型,通過閉環檢測改進現有RatSLAM仿生算法下由于摩擦等誤差累計造成的里程計漂移現象,通過引入姿態測量模塊避免了突發障礙物的出現對視覺里程計提取速度等姿態信息的干擾。結合傳感器技術和仿生原理解決SLAM問題仍值得進一步研究。

[1] 辛煜,梁華為,梅濤,等. 基于激光傳感器的無人駕駛汽車動態障礙物檢測及表示方法[J]. 機器人,2014(6):654-661.

[2] 李琳,林炳強,鄒焱飚. 基于條紋式激光傳感器的機器人焊縫跟蹤系統研究[J]. 中國激光,2015(5):34-41.

[3] 李曉晨,姚素英,黃碧珍,等. 一種應用于高動態范圍CMOS圖像傳感器的曝光控制技術[J]. 傳感技術學報,2013,26(3):328-332.

[4] 張學習,楊宜民. 基于多傳感器信息融合的移動機器人快速精確自定位[J]. 控制理論與應用,2011,28(3):443-448.

[5] 汪劍鳴,王曦,王勝蓓,等. 室內慣性/視覺組合導航地面圖像分割算法[J]. 中國慣性技術學報,2011,19(5):553-558.

[6] 宋鏢,程磊,周明達,等. 基于慣導輔助地磁的手機室內定位系統設計[J]. 傳感技術學報,2015,28(8):1249-1254.

[7] Milford M J,Prasser D P,Wyeth G F. Effect of Representation Size and Visual Ambiguity on RatSLAM System Performance[C]//Australasian Conference on Robotics and Automation. Australian Robotics and Automation Society(ARAA),2006:1-8.

[8] Milford M,Schulz R,Prasser D,et al. Learning Spatial Concepts from RatSLAM Representations[J]. Robotics and Autonomous Systems,2007,55(5):403-410.

[9] Milford M,Wyeth G,Prasser D. RatSLAM on the Edge:Revealing a Coherent Representation from an Overloaded Rat Brain[C]//Ieee/rsj International Conference on Intelligent Robots and Systems,IROS 2006,2006:4060-4065.

[10] Milford M J,Wyeth G F,Prasser D. RatSLAM:a Hippocampal Model for Simultaneous Localization and Mapping[C]//IEEE International Conference on Robotics and Automation.IEEE,2004:403-408.

[11] Galluppi F,Conradt J,Stewart T,et al. Live Demo:Spiking ratSLAM:Rat Hippocampus Cells in Spiking Neural Hardware[C]//Biomedical Circuits and Systems Conference. IEEE,2012:91-91.

[12] Prasser D P,Wyeth G F,Milford M J. Experiments in Outdoor Operation of RatSLAM[C]//The 2004 Australasian Conference on Robotics and Automation(ACRA2004). Australian Robotics and Automation Association,2004:1-6.

[13] Prasser D,Milford M,Wyeth G. Outdoor Simultaneous Localisation and Mapping Using RatSLAM[J]. Springer Tracts in Advanced Robotics,2006,25(1):143-154.

[14] Berkvens R,Vercauteren C,Peremans H,et al. Feasibility of Geomagnetic Localization and Geomagnetic RatSLAM[J]. International Journal on Advances in Systems and Measurements,2014,7(1):44-56.

[15] Berkvens R,Jacobson A,Milford M,et al. Biologically Inspired SLAM Using Wi-Fi[C]//Ieee/rsj International Conference on Intelligent Robots and Systems. IEEE,2014:1804-1811.

[16] Berkvens R,Weyn M,Peremans H. Asynchronous,Electromagnetic Sensor Fusion in RatSLAM[C]//Sensors. IEEE,2015:1-4.

Bio-Inspired SLAM Based on Gesture Measuring and Closed-Loop Detection

XU Tong,LING Youzhu*,CHEN Mengyuan,WANG Wei

(Key Laboratory of Electric Drive and Control,Anhui Polytechnic University,Wuhu Anhui 241000,China)

There has a relatively high accuracy on sensors in the Simultaneous Localization and Mapping(SLAM)problem,but odometer drift appears on account of accumulative errors for a long time,and this kind of accumulated error can be corrected by adding closed-loop detection to the local view cells,which is based on visual odometry of RatSLAM system,and this system has a good performance on robustness under the circumstance of static environment. However,speed acquired from the visual odometry is incorrect in complex scenarios such as moving obstacles,which leads to large deviation during navigation,and sometimes this model is unable to relocate the surroundings and correct trajectory. Combined with the two algorithms above,bio-inspired SLAM based on gesture measuring and closed-loop detection is presented,and experiments show that in contrast to the RatSLAM system with only closed-loop detection or the system with only gesture measuring model,the new system proposed in this paper adapts to the navigation in a long time and has fairly better robustness.

simultaneous localization and mapping;bio-inspired navigation;closed-loop detection;gesture measuring model;sensor applications;mobile robots

許 曈(1993-),男,安徽工程大學在讀研究生。目前主要研究方向為機器視覺和仿生導航算法等,928087776@qq.com;

凌有鑄(1962-),男,畢業于哈爾濱工業大學,現任安徽工程大學教授。主要研究方向為傳感器信號處理和機器人地圖構建等,lyz7985@163.com;

陳孟元(1984-),男,安徽工程大學副教授,中國科學技術大學在讀博士。目前主要研究方向為傳感器信息融合及優化等,mychen@aphu.edu.cn。

項目來源:2016年安徽高校自然科學研究項目(KJ2016A794);2016安徽工程大學研究生實踐與創新基金項目(Y040116004)

2017-02-20 修改日期:2017-04-07

TP242.6;Q811.211;TP751

A

1004-1699(2017)06-0916-06

C:7230M;7230G;7310

10.3969/j.issn.1004-1699.2017.06.019