基于仿生的機(jī)器人室內(nèi)地圖構(gòu)建方法的研究

李 偉，胡雨露，黃繼鵬

(東北師范大學(xué)計(jì)算智能研究所，吉林 長春 130024)

0 引言

隨著機(jī)器人技術(shù)的發(fā)展，移動(dòng)機(jī)器人逐步應(yīng)用于人們的日常生活中.地圖構(gòu)建方法作為移動(dòng)機(jī)器人實(shí)現(xiàn)自主定位與導(dǎo)航的核心技術(shù)引起了眾多專家、學(xué)者的廣泛關(guān)注.目前，基于非視覺傳感器的地圖構(gòu)建方法，如激光雷達(dá)、超聲、紅外等，可精確測量距離和方位角且受環(huán)境影響程度小，但存在成本高、信息量單一的問題.[1-3]相對于非視覺傳感器，基于視覺的地圖構(gòu)建方法具有便于實(shí)施、可靠性高、信息量大等特點(diǎn)，能夠提高系統(tǒng)的靈活性，降低應(yīng)用成本[4-5]，但該方法需要依賴復(fù)雜的圖像處理技術(shù)，來解決地圖優(yōu)化問題，并且得到在特征跟蹤和定位的連續(xù)上存在不足的全局最優(yōu)化估計(jì).[6-7]文獻(xiàn)[8]對視覺SLAM(Simultaneous Localization And Mapping，SLAM)進(jìn)行了研究，提出了深度數(shù)據(jù)模擬激光雷達(dá)SLAM的方式，但未對傳統(tǒng)的視覺SLAM所存在的問題進(jìn)行深入研究和改進(jìn)；文獻(xiàn)[9]針對視覺SLAM特征提取慢和極端場景的魯棒性低的問題，提出了基于GPU加速的SURF特征提取方式，但機(jī)器人的硬件環(huán)境要求隨之提高，增加了成本；文獻(xiàn)[10]改進(jìn)了DVO SLAM(Dense Visual Odometry SLAM)，提出了一種基于有效像素點(diǎn)進(jìn)行關(guān)鍵幀選取的方法，雖然在處理效果和效率上比基于稀疏視覺特征的方法有較大的提高，但是密集算法也引入了更大的計(jì)算量.

本文借鑒人類視覺對獲取的顏色信息和深度信息進(jìn)行處理而完成環(huán)境標(biāo)志識別與定位，提出一種仿生的室內(nèi)地圖構(gòu)建方法，可以有效地解決復(fù)雜室內(nèi)背景中地圖構(gòu)建算法復(fù)雜和成本高的問題.

1 室內(nèi)地圖構(gòu)建的仿生思想

人類對環(huán)境的表示是通過對環(huán)境中不同標(biāo)志性建筑或標(biāo)志性物體的相對位置的記憶來實(shí)現(xiàn)的，人構(gòu)建環(huán)境地圖的主要信息來源是人的眼睛.人眼的視網(wǎng)膜包括兩種感光細(xì)胞：視錐細(xì)胞與視桿細(xì)胞.視錐細(xì)胞的特點(diǎn)是感受強(qiáng)光和顏色，產(chǎn)生明視覺，對物體細(xì)節(jié)和顏色分辨力強(qiáng).視桿細(xì)胞的特點(diǎn)是對弱光敏感，主要負(fù)責(zé)在昏暗環(huán)境中產(chǎn)生暗視覺.另外，人眼對深度信息具有感知能力，可以對物體間的距離有模糊的遠(yuǎn)近概念.可見，人類對環(huán)境信息的理解是通過獲取顏色、輪廓、深度和明暗等信息建立的.因此，本文擬從4個(gè)方面進(jìn)行仿生，進(jìn)行室內(nèi)地圖構(gòu)建：

(1) 仿生人眼同時(shí)獲取顏色和深度信息的能力，進(jìn)行環(huán)境中的路徑信息識別；

圖1 室內(nèi)地圖構(gòu)建流程

(2) 仿生人類通過識別和記憶環(huán)境中的標(biāo)志物形成地圖定位點(diǎn)的方法，采用二維碼表示標(biāo)志物，并識別標(biāo)志物；

(3) 仿生人類對距離的模糊表示方式，對地圖中的標(biāo)志物間的距離進(jìn)行表示；

(4) 仿生人類的記憶功能，采用數(shù)據(jù)庫存儲所構(gòu)建的地圖.

機(jī)器人室內(nèi)地圖構(gòu)建的具體過程如圖1所示.

2 仿生路徑獲得方法

當(dāng)不同波長的可見光進(jìn)入人眼后，相應(yīng)的視覺細(xì)胞會把不同可見光產(chǎn)生的電信號傳送到大腦的視覺中樞，獲得環(huán)境的顏色信息.而人的左右眼對同一環(huán)境信息所獲取的圖像存在差異，圖像的差異可以顯示環(huán)境的深度信息.因此，人眼不僅能得到環(huán)境中的顏色信息，還可以得到深度信息.本文選用Microsoft公司的Kinect體感器獲取環(huán)境的顏色信息和深度信息，并進(jìn)行相應(yīng)處理獲得路徑信息.具體方法如下：

(1) 首先用實(shí)際距離對Kinect所獲得的深度信息進(jìn)行標(biāo)定；

(2) 將Kinect所獲得的圖像變換到HSV空間，獲得機(jī)器人正前方景物的顏色信息；

(3) 將圖像中與地面顏色一致部分的像素值保持不變，不一致部分設(shè)置為黑色，得到只有黑色和道路顏色的區(qū)域；

(4) 通過深度信息獲得機(jī)器人前方道路可行駛空間的距離.若深度信息小于設(shè)定值，則認(rèn)為前方已有障礙物，不可前行.然后根據(jù)深度信息，判斷圖像中障礙物的左右兩側(cè)是否有道路及可行駛空間距離.

圖2為道路識別對比圖，其中圖2(a)為室內(nèi)的原始場景，圖2(b)為經(jīng)過上述算法處理得到的路徑圖，并根據(jù)深度信息確定了可行駛距離.

(a)室內(nèi)原始場景

通過該方法處理后，可以得到機(jī)器人直行的距離和遇障礙物后的轉(zhuǎn)動(dòng)方向.從圖2(b)中可以得到機(jī)器人的直行距離最遠(yuǎn)是405 cm，在該路徑的左邊有障礙物并且障礙物左側(cè)有一條275 cm的路徑.若此時(shí)機(jī)器人面對的是355 cm處的障礙物，則會得到左右有2條路徑供選擇.圖2中的中間線表示機(jī)器人正前方方向.

3 仿生距離表示方法

圖3 模糊集隸屬度函數(shù)曲線

人對于距離并沒有準(zhǔn)確的概念，對路徑的描述通常也采用模糊的方式.因此機(jī)器人完成路徑識別后，對可運(yùn)行距離采用模糊集進(jìn)行表示.由于目前市場上視覺傳感器的工作能力有限，機(jī)器人可識別路標(biāo)的極限距離設(shè)定3 m，同時(shí)設(shè)定40～90 cm為機(jī)器人可以進(jìn)行路標(biāo)識別的最佳距離.根據(jù)這兩個(gè)限定條件給出機(jī)器人的路徑距離的5個(gè)模糊集：d1表示“近”、d2表示“較近”、d3表示“較遠(yuǎn)”、d4表示“遠(yuǎn)”和d5表示“很遠(yuǎn)”，輪域X= {(30，300)}，單位為cm，利用參照法分別求出對應(yīng)的隸屬度函數(shù).模糊集隸屬度函數(shù)曲線見圖3.

通過視覺傳感器獲得了路徑的具體距離信息x，分別將x帶入上述5個(gè)模糊集的隸屬度函數(shù)中求出對應(yīng)的隸屬度，隸屬度最大的模糊集便是該距離下機(jī)器人對環(huán)境路徑的距離判斷.

4 仿生地圖記憶方法

根據(jù)經(jīng)驗(yàn)得知，人記憶環(huán)境是人行走時(shí)將所遇的標(biāo)志物及標(biāo)志物之間的相對位置不斷記憶的過程.人描述環(huán)境是從環(huán)境中某標(biāo)志物經(jīng)過大致運(yùn)動(dòng)過程到另一標(biāo)志物.所以對機(jī)器人而言，構(gòu)建地圖的過程是將運(yùn)動(dòng)時(shí)的路徑和所見路標(biāo)信息進(jìn)行存儲的過程.本文利用數(shù)據(jù)庫對機(jī)器人的運(yùn)動(dòng)信息進(jìn)行記錄存儲，形成地圖.

地圖數(shù)據(jù)庫相當(dāng)于機(jī)器人路徑記憶的“大腦”.因此，該數(shù)據(jù)庫分別存儲機(jī)器人運(yùn)動(dòng)路徑中直行的模糊距離、轉(zhuǎn)動(dòng)方向和人工路標(biāo)等三方面內(nèi)容(見表1).

表1路標(biāo)數(shù)據(jù)庫存儲字段及其含義

字段含義label當(dāng)前機(jī)器人所處的路標(biāo)編碼direction機(jī)器人的轉(zhuǎn)動(dòng)方向distance機(jī)器人沿道路直行的模糊距離target機(jī)器人到達(dá)的路標(biāo)編碼

如表1所示：數(shù)據(jù)庫中第1個(gè)“l(fā)abel”字段存儲的是當(dāng)前機(jī)器人所處的路標(biāo)編碼；第2個(gè)“direction”字段存儲的是機(jī)器人的轉(zhuǎn)動(dòng)方向，該字段下有“0”、“3”、“4”三種編碼，其中0表示原地不動(dòng)，3表示右轉(zhuǎn)，4表示左轉(zhuǎn)；第3個(gè)“distance”字段存儲的是機(jī)器人沿道路直行的模糊距離.為方便數(shù)據(jù)的存儲和查詢將距離模糊集進(jìn)行編碼：“1”表示近、“2”表示較近、“3”表示較遠(yuǎn)、“4”表示遠(yuǎn)、“5”表示很遠(yuǎn)；第4個(gè)“target”字段表示到達(dá)的路標(biāo)編碼.從label字段對應(yīng)的路標(biāo)，經(jīng)過一次轉(zhuǎn)動(dòng)得到一條直行路徑并且得到到達(dá)target字段路標(biāo)編號所需要行駛的距離.從表1可以看出，數(shù)據(jù)庫存儲的內(nèi)容是由不同路標(biāo)及路標(biāo)間路徑構(gòu)成的空間縮影.

5 方法測試與結(jié)果

圖4 室內(nèi)機(jī)器人

本文采用如圖4所示的機(jī)器人對室內(nèi)地圖構(gòu)建方法進(jìn)行驗(yàn)證.該機(jī)器人采用馮哈勃直流電機(jī)提供動(dòng)力，采用Kinect體感器模擬人眼獲取顏色和深度信息，信息處理由配備1.86 GHz CPU、內(nèi)存為4 GB的嵌入式PC機(jī)完成.

為了方便標(biāo)志物的識別，用二維碼表示的人工路標(biāo)固定在標(biāo)志物上，機(jī)器人只需識別二維碼就可以獲取標(biāo)志物信息.圖5(a)和(b)分別為人工路標(biāo)的樣式、檢測結(jié)果，機(jī)器人利用Hough變換對輪廓為圓形的人工路標(biāo)進(jìn)行檢測，檢測到的路標(biāo)用圓標(biāo)出.

(a)人工路標(biāo)

為了驗(yàn)證地圖構(gòu)建的可行性，在教室環(huán)境下設(shè)置了14個(gè)路標(biāo)，如圖6所示，其中三角形表示機(jī)器人初始位置，讓機(jī)器人從該位置自主移動(dòng).在運(yùn)動(dòng)過程中機(jī)器人會將所識別到的路標(biāo)、路徑及相對距離在數(shù)據(jù)庫中進(jìn)行記錄，記錄結(jié)果如表2所示，表2實(shí)現(xiàn)了用數(shù)據(jù)庫對室內(nèi)地圖的表示.

圖6 人工路標(biāo)識別結(jié)果及路標(biāo)設(shè)置表2 數(shù)據(jù)庫路徑儲存結(jié)果

labeldirectiondistancetarget3334434131341553311114177429933101035883411114466441313323

6 結(jié)論

本文借鑒人眼感知環(huán)境信息的方式，采用模糊集表示距離，利用圖像信息和深度信息完成路徑的識別.選用人工路標(biāo)作為地圖中的定位點(diǎn)，采用數(shù)據(jù)庫中對路徑和人工路標(biāo)進(jìn)行存儲，最終形成了室內(nèi)空間的地圖.利用模糊集表征距離相比于利用激光雷達(dá)、編碼器或深度視覺構(gòu)建里程計(jì)的方法更有效地減少了機(jī)器人測距環(huán)節(jié)的計(jì)算量，同時(shí)也簡化了數(shù)據(jù)庫對位移信息的存儲.該方法有效地解決了當(dāng)前主流地圖構(gòu)建方法中存在的數(shù)據(jù)量大、算法復(fù)雜的問題.

[參 考 文 獻(xiàn)]

[1] LEONARD J，HOW J，TELLER S，et a1.A perception-driven autonomous urban vehicle[J].Journal of Field Robotics，2008，25(10)：727-774.

[2] THRUN S，MONTEMERLO M，DAHLKAMP H，et a1.Stanley：the robot that won the DARPA grand challenge[J].Journal of Field Robotics，2006，23(9)：661-692.

[3] OLSON E.Robust and efficient robotic mapping[D].Cambridge：University of Cambridge，2008.

[4] 包加桐，宋愛國，唐鴻儒，等.基于視覺目標(biāo)跟蹤的偵察機(jī)器人導(dǎo)航方法[J].東南大學(xué)學(xué)報(bào)(自然科學(xué)版)，2012，42(3)：399-405.

[5] 張海波，原魁，周慶瑞.基于路徑識別的移動(dòng)機(jī)器人視覺導(dǎo)航[J].中國圖象圖形學(xué)報(bào)，2004，9(7)：853-857.

[6] SE S，LOWE D G，LITTLE J.Vision-based global localization and mapping for mobile robots[J].IEEE Transactions on Robotics.2015，21(3)：364-375.

[7] ZHANG X，RAD A B，WONG Y K.Sensor fusion of monocular cameras and laser rangefinders for line-based simultaneous localization and mapping (slam) tasks in autonomous mobile robots[J].Sensors，2012，12(1)：429-452.

[8] 李策，魏豪左，盧冰，等.基于深度視覺的SLAM算法研究與實(shí)現(xiàn)[J].計(jì)算機(jī)工程與設(shè)計(jì)，2017，38(4)：14-16.

[9] 龍超.基于Kinect和視覺詞典的三維SLAM算法的研究[D].杭州：浙江大學(xué)，2016.

[10] 劉靜雯.基于Kinect的密集視覺里程計(jì)SLAM算法研究[D].西安：西安電子科技大學(xué)，2015.