一種低成本的機(jī)器人室內(nèi)可通行區(qū)域建模方法

張釜愷，芮挺，何雷，楊成松

（1.中國人民解放軍陸軍工程大學(xué) 研究生院，南京210000； 2.中國人民解放軍陸軍工程大學(xué) 野戰(zhàn)工程學(xué)院，南京210000）

近年來，隨著計(jì)算機(jī)、傳感器以及圖像處理技術(shù)［1］的進(jìn)步，機(jī)器人技術(shù)也得到了蓬勃的發(fā)展。基于視覺的同步定位與建圖（Simultaneous Localization and Mapping，SLAM）［2］技術(shù)是機(jī)器人領(lǐng)域的重要技術(shù)之一。SLAM 可以利用輸入的連續(xù)圖像來實(shí)時(shí)解算攝像機(jī)的運(yùn)動(dòng)軌跡，并且構(gòu)建場(chǎng)景的地圖用以指導(dǎo)機(jī)器人的行進(jìn)。

室內(nèi)環(huán)境是目前小型機(jī)器人的主要應(yīng)用領(lǐng)域。在包括倉儲(chǔ)物流、工廠物料搬運(yùn)、家居服務(wù)等應(yīng)用場(chǎng)景中，小型機(jī)器人都有很大的應(yīng)用潛力。對(duì)于以室內(nèi)為主要工作環(huán)境的小型機(jī)器人來說，單目攝像頭視覺傳感器由于較低的成本、較小的體積以及較高的布置靈活性，是機(jī)器人獲取周圍信息的主要來源。利用單目視覺信息獲取場(chǎng)景信息以指導(dǎo)機(jī)器人的行動(dòng)，是相關(guān)研究的重點(diǎn)方向之一。其中，地面可通行區(qū)域的信息，包含了地面的紋理與可通行地面的范圍，可以直接用于對(duì)機(jī)器人的導(dǎo)航。地面可通行區(qū)域的建模可以為指導(dǎo)機(jī)器人的行動(dòng)提供很大的便利。

然而，由于室內(nèi)小型機(jī)器人的體積小、視角低、運(yùn)算能力弱、視場(chǎng)有限，應(yīng)用視覺SLAM 方法來實(shí)時(shí)理解場(chǎng)景較為困難。能夠構(gòu)建稠密地圖的SLAM方法對(duì)于計(jì)算資源有著較高的要求，不適合運(yùn)算能力較弱的小型機(jī)器人使用。而且，由于其視野內(nèi)的主要部分為地面且紋理特征較少，基于特征與梯度的SLAM方法只能獲得極為稀疏的地圖，對(duì)于場(chǎng)景的表現(xiàn)能力較差，無法指導(dǎo)機(jī)器人行動(dòng)。但另一方面，絕大多數(shù)室內(nèi)地面均為平面，而且紋理分布較為均勻，這又為地面的建模提供了方便。

針對(duì)此問題，本文提出了一種融合圖像分割與單目SLAM的室內(nèi)地面快速建模方法來獲取機(jī)器人的可通行區(qū)域。該方法基于單目特征點(diǎn)SLAM，并結(jié)合圖像分割，利用SLAM 生成的點(diǎn)云與圖像分割之間的相互印證來提高地面構(gòu)建的準(zhǔn)確性。最終，生成地面可通行區(qū)域的稠密建模，用以指導(dǎo)機(jī)器人的行動(dòng)。

通過實(shí)驗(yàn)與對(duì)比，在小型移動(dòng)機(jī)器人平臺(tái)上，相對(duì)于主流SLAM 方案，本文方法可以顯著提高對(duì)于地面建模的效果，并且滿足在移動(dòng)平臺(tái)上實(shí)時(shí)處理的要求。相比較于經(jīng)典的單目SLAM 方法，本文方法的運(yùn)行速度接近特征點(diǎn)SLAM，而對(duì)地面可通行區(qū)域的建模效果則接近稠密，對(duì)于機(jī)器人的行動(dòng)有較大的參考價(jià)值。

1 相關(guān)工作

SLAM問題自1988年被提出，經(jīng)過近30年的發(fā)展，取得了豐碩的成果。單目SLAM 目前主要有2條技術(shù)路線。直接法SLAM直接利用像素的亮度或梯度來匹配圖像間的像素，并可以在解算相機(jī)運(yùn)動(dòng)的同時(shí)生成稠密［3-4］或者半稠密［5-6］的場(chǎng)景地圖。特征法SLAM 利用點(diǎn)［7-8］或者線特征［9］來匹配圖像間的點(diǎn)或者線，進(jìn)而解算相機(jī)運(yùn)動(dòng)并生成只包括特征點(diǎn)或線的場(chǎng)景地圖。

在建模方面，直接法生成的稠密或半稠密地圖相對(duì)于特征法生成的稀疏地圖有著更多的點(diǎn)，對(duì)于場(chǎng)景的描述也更加具有表現(xiàn)力。其中，代表性的系統(tǒng)有2011年的DTAM（Dense Tracking and Mapping）［10］、2014年 的LSD-SLAM（Large-Scale Direct monocular SLAM）［11］等。然而，雖然基于特征的SLAM系統(tǒng)只能獲得稀疏的地圖，但是一般來說具有更快的速度。而且由于便于使用束集調(diào)整（Bundle Adjustment，BA［12］）進(jìn)行優(yōu)化，并進(jìn)行回環(huán)檢測(cè)［13］，特征法獲取的軌跡一般來說更加準(zhǔn)確與魯棒。在特征法SLAM 中，2007年的Mono-SLAM系統(tǒng)［14］與同一年的PTAM（Parallel Tracking and Mapping）［15］是這一領(lǐng)域具有開創(chuàng)性的成果。2015 年 的 ORB-SLAM （ORiented Brief SLAM）［16］系統(tǒng)各項(xiàng)功能較為完備，已經(jīng)被廣大研究者用作后續(xù)二次開發(fā)研究的基礎(chǔ)系統(tǒng)。

為了在保持穩(wěn)定跟蹤的同時(shí)，獲得更加稠密的地圖，有一些方法在特征法的基礎(chǔ)上進(jìn)行場(chǎng)景重建。2010年，Newcombe和Davison［17］提出的方法是在獲取了相機(jī)位姿與稀疏點(diǎn)云的基礎(chǔ)上，利用光流來重建場(chǎng)景表面。2015年，Murartal和Tardos基于ORB-SLAM系統(tǒng)，利用逆深度濾波像素匹配，構(gòu)建了基于概率的半稠密場(chǎng)景地圖［18］。一般來說，此類方法的基本思想為基于SLAM 獲得的相機(jī)軌跡對(duì)圖像像素進(jìn)行匹配，并計(jì)算其空間位置。此類思路雖然可以結(jié)合直接法和特征點(diǎn)法的優(yōu)點(diǎn)，但是運(yùn)算量也大大提升，并不符合小型移動(dòng)平臺(tái)的運(yùn)算能力。

為了提高運(yùn)算的速度，以適應(yīng)小型移動(dòng)平臺(tái)較低的運(yùn)算能力，近年來，基于視覺的低成本建模方法也成為了一個(gè)有意義的研究方向。2016年，Hinzmann等［19］提出了一種針對(duì)無人機(jī)平臺(tái)的低成本地面建模方法，利用無人機(jī)自身的傳感器感知姿態(tài)，并結(jié)合圖像處理方法獲得對(duì)于地面的稠密建模。但是，該方法基于的圖像內(nèi)容全部為地面，不適用于小型地面無人車。2017年，蒙山和唐文名將直線引入點(diǎn)特征單目SLAM，并通過點(diǎn)線特征以及直線增強(qiáng)的J-Linkage算法構(gòu)建包含特征平面的場(chǎng)景地圖［20］，但是該地圖相對(duì)于純特征點(diǎn)地圖，對(duì)場(chǎng)景描述效果的提升有限。2017年，von Stumberg等［21］針對(duì)小型旋翼無人機(jī)，基于LSD-SLAM提出了一種本地探索避障策略與體素模型構(gòu)建方法，但是對(duì)于地面的建模效果較差。2018年，蔣林等［22］對(duì)基于嵌入式平臺(tái)三維重建算法進(jìn)行了研究，針對(duì)差動(dòng)式機(jī)器人的運(yùn)動(dòng)特點(diǎn)對(duì)算法進(jìn)行了針對(duì)性的簡(jiǎn)化，但是所利用的視覺傳感器為深度相機(jī)而非單目相機(jī)。

總體來說，現(xiàn)有的主流單目SLAM 系統(tǒng)在小型室內(nèi)機(jī)器人上運(yùn)行時(shí)，由于平臺(tái)自身的特點(diǎn)，或是地圖構(gòu)建過于稀疏；或是雖地圖稠密，但不能實(shí)現(xiàn)實(shí)時(shí)運(yùn)行。一般并不能在構(gòu)建場(chǎng)景方面取得令人滿意的效果。而現(xiàn)有的低成本建模方法中，針對(duì)小型地面機(jī)器人特點(diǎn)的研究不多，尚未出現(xiàn)較為合適的地面區(qū)域低成本建模方法。

2 室內(nèi)地面快速建模方法

2.1 整體流程

本文提出的融合圖像分割與單目SLAM的室內(nèi)地面快速建模方法構(gòu)建在單目特征點(diǎn)SLAM的基礎(chǔ)上，利用SLAM 系統(tǒng)獲得的相機(jī)位姿與稀疏點(diǎn)云，結(jié)合地面區(qū)域的分割圖像獲得地面的稠密建模。

系統(tǒng)的基本流程如下：首先，利用SLAM系統(tǒng)獲得的相機(jī)位姿與稀疏點(diǎn)云。其次，利用地面區(qū)域的分割圖像，將稀疏點(diǎn)云中投影在地面區(qū)域的點(diǎn)提取出來，獲取粗略的地面稀疏點(diǎn)云。然后，進(jìn)行濾波后，利用優(yōu)化模型對(duì)這些地面點(diǎn)擬合平面，獲取地平面的數(shù)學(xué)表達(dá)。之后，通過計(jì)算稀疏點(diǎn)云中的點(diǎn)與該地平面之間的位置關(guān)系，將它們相對(duì)精確地分為地面與非地面點(diǎn)云。再利用該分類來篩選地面分割圖像。最后，通過相機(jī)的位姿，將篩選過的地面分割圖像投影到地面平面上，并進(jìn)行濾波與降噪，獲得稠密的地面建模。整個(gè)系統(tǒng)的流程示意圖如圖1所示。

后文將對(duì)本文方法流程中的各主要功能模塊逐一進(jìn)行介紹。

圖1 本文方法整體流程圖Fig.1 Flowchart of proposed method

2.2 單目SLAM 模塊

本文使用ORB-SLAM［16］作為系統(tǒng)的單目SLAM模塊。ORB-SLAM 是一個(gè)功能完善，接口便捷的單目SLAM 系統(tǒng)。整個(gè)系統(tǒng)圍繞ORB點(diǎn)特征建立，在效率與精度之間達(dá)到了較好的平衡，自發(fā)表以來就被研究者們所廣泛使用。該系統(tǒng)包含3個(gè)平行的線程：跟蹤線程（tracking thread）、局部建圖線程（local mapping thread）和回環(huán)檢測(cè)線程（loop closing thread）。其中，跟蹤線程負(fù)責(zé)計(jì)算相機(jī)的運(yùn)動(dòng)，以及指定關(guān)鍵幀，并在跟蹤丟失時(shí)負(fù)責(zé)重定位；局部建圖線程主要負(fù)責(zé)用局部束集調(diào)整（local BA）來對(duì)局部地圖進(jìn)行優(yōu)化，以及地圖點(diǎn)的插入和刪除；回環(huán)檢測(cè)線程主要負(fù)責(zé)進(jìn)行回環(huán)檢測(cè)，在有回環(huán)出現(xiàn)時(shí)進(jìn)行閉環(huán)全局優(yōu)化。

2.3 地面區(qū)域的分割

在SLAM進(jìn)程對(duì)相機(jī)位姿進(jìn)行跟蹤的同時(shí)，系統(tǒng)對(duì)每一幀輸入圖像進(jìn)行分割，以獲得地面區(qū)域的分割圖像。由于系統(tǒng)獲得的是一個(gè)地面分割的圖像序列，并且還需要和點(diǎn)云數(shù)據(jù)進(jìn)行比對(duì)，所以對(duì)于單張地面分割圖像的精度要求不高，但是對(duì)于圖像分割的速度有著較高的要求，這使得采用目前主流的深度學(xué)習(xí)語義分割的方法［23］較為困難。基于以上分析，本文采用基于HSV（Hue，Saturation，Value）色彩空間的自適應(yīng)閾值分割方法來對(duì)地面區(qū)域進(jìn)行分割。

計(jì)算機(jī)存儲(chǔ)和處理圖片時(shí)一般采用的顏色編碼方式是RGB顏色空間，其將顏色按紅、綠、藍(lán)3個(gè)維度上的分量進(jìn)行編碼，而HSV顏色空間是按照色度、飽和度和亮度來進(jìn)行編碼，分別對(duì)應(yīng)H、S、V 3個(gè)分量，更貼近人眼的視覺感知，受光照的影響也更小［24］。在本文的分割方法中，先將待分割的圖像轉(zhuǎn)化到HSV色彩空間。

由于室內(nèi)小型機(jī)器人在運(yùn)動(dòng)過程中會(huì)與障礙物保持一定距離，所以其攝像頭拍攝圖像的中間底部一般為地面區(qū)域。基于此假設(shè)，對(duì)于輸入圖像I，本系統(tǒng)設(shè)定圖像的底部中間區(qū)域?yàn)槟J(rèn)地面區(qū)域MG，其位置與尺寸如圖2（a）所示。首先，統(tǒng)計(jì)得到默認(rèn)地面區(qū)域MG內(nèi)H、S、V 3個(gè)分量的最值。然后對(duì)全圖像的每個(gè)像素pi進(jìn)行判斷：

式中：HG、SG、VG分別為默認(rèn)地面區(qū)域MG中所有像素H、S、V分量的集合；hi、si、vi分別為像素pi的H、S、V分量。若像素pi的3個(gè)分量均在默認(rèn)地面區(qū)域MG的分量范圍內(nèi)，該像素就被加入候選地面區(qū)域G1，如圖2（b）所示。

在獲取候選地面區(qū)域之后，還需要進(jìn)行后續(xù)的濾波與處理。首先進(jìn)行開操作（采用運(yùn)算符號(hào)“○”表示）。開操作用于使對(duì)象的輪廓變得光滑，斷開狹窄的間斷和消除細(xì)的突出物。開操作的流程是先用結(jié)構(gòu)元素S對(duì)G1腐蝕（采用運(yùn)算符號(hào)“⊕”表示），然后再用S對(duì)結(jié)果進(jìn)行膨脹（采用運(yùn)算符號(hào)“?”表示）［25］。將候選地面區(qū)域G1用開操作處理后，得到區(qū)域G2：

區(qū)域G2如圖2（c）所示。其中，本文方法采用的結(jié)構(gòu)元素S為半徑為2像素的圓形結(jié)構(gòu)。

最后對(duì)區(qū)域進(jìn)行連通域劃分，劃分結(jié)果如圖2（d）所示。選取默認(rèn)地面區(qū)域MG所在的連通域作為分割得到的地面區(qū)域G3，如圖2（e）所示。獲得的地面分割圖像如圖2（f）所示。

2.4 地面點(diǎn)云的獲取、濾波與地平面的計(jì)算

在SLAM模塊向稀疏點(diǎn)云地圖中添加每一個(gè)空間地圖點(diǎn)Qi時(shí)，都會(huì)判斷該點(diǎn)在其對(duì)應(yīng)的地面分割圖像上是否位于地面區(qū)域。如果位于地面區(qū)域，則將該點(diǎn)加入地面點(diǎn)云Cg。

然后，利用該地面點(diǎn)云來獲得地平面的數(shù)學(xué)表達(dá)。由于點(diǎn)云位置計(jì)算誤差以及地面分割誤差的存在，在后續(xù)處理之前，需要先去除地面點(diǎn)云中明顯的誤差離群點(diǎn)。本文采用統(tǒng)計(jì)濾波的方法進(jìn)行離群點(diǎn)的去除［26］：

1）計(jì)算點(diǎn)Qi與其鄰域范圍內(nèi)k個(gè)鄰域點(diǎn)的平均距離。

2）分析所有點(diǎn)k鄰域平均距離，計(jì)算其均值m和標(biāo)準(zhǔn)差σ。

3）設(shè)置標(biāo)準(zhǔn)差倍數(shù)閾值std，確定距離閾值為

4）若點(diǎn)Qi的k鄰域平均距離大于距離閾值d，則為噪聲點(diǎn)，去除。

本文方法的應(yīng)用環(huán)境是地面為平面的室內(nèi)環(huán)境。建立優(yōu)化模型對(duì)經(jīng)過統(tǒng)計(jì)濾波的地面點(diǎn)云Cg′進(jìn)行平面擬合，使點(diǎn)到平面的總距離最小。設(shè)地平面F的表達(dá)式為

優(yōu)化模型為

2.5 對(duì)地面分割圖像的篩選

在獲取了地平面F的表達(dá)式后，系統(tǒng)對(duì)地面分割圖像進(jìn)行篩選。對(duì)于每一個(gè)關(guān)鍵幀，系統(tǒng)計(jì)算其觀察到的所有地圖點(diǎn)與地平面F的位置關(guān)系，并將所有位于地平面F上方μ（單位為cm）以上的點(diǎn)視為非地面點(diǎn)，其余視為地面點(diǎn)。

若某張地面分割圖像的地面區(qū)域上有超過n個(gè)非地面點(diǎn)的投影，則略去這張分割。在本文的實(shí)驗(yàn)中，略去的分割如圖3所示（其中紅色為非地面點(diǎn)，綠色為地面點(diǎn)）。

從圖3可以看出，將墻體下沿的部分瓷磚也劃入了地面分割，從而包括了大量非地面點(diǎn)，并因此被略去。

圖3 被略去的地面分割圖像示例Fig.3 An example of excluded ground segmentation image

2.6 稠密地面建模

至此，系統(tǒng)通過對(duì)稀疏點(diǎn)云與地面分割圖像的交叉比對(duì)，已經(jīng)獲得了相對(duì)精確的地平面與分割圖像。利用關(guān)鍵幀的位姿，將地面分割圖像投影到地平面上即可得到稠密的地面點(diǎn)云模型，如圖4所示。

首先，通過相機(jī)內(nèi)參矩陣K，將地面分割圖像上的像素pi從圖像坐標(biāo)［u，v］T反投影到相機(jī)坐標(biāo)系中，獲得相機(jī)坐標(biāo)系下的坐標(biāo)PC=［Xc，Yc，］T：

式中：深度值ZC為未知量。

然后，通過該幀的相機(jī)位姿變換矩陣Twc，將相機(jī)坐標(biāo)系下的坐標(biāo)轉(zhuǎn)換到世界坐標(biāo)系坐標(biāo)Pw，即

圖4 將分割圖像投影到地平面對(duì)地面建模Fig.4 Projecting segmented images to groundplane for ground modeling

該世界坐標(biāo)（xw，yw，zw）應(yīng)該在平面F上，即

利用式（8）解出未知深度ZC，即可以得到該像素點(diǎn)對(duì)應(yīng)的世界坐標(biāo)。對(duì)所有地面分割圖像如此操作后，再進(jìn)行體素濾波，設(shè)定濾波半徑為0.01，即半徑0.01的范圍內(nèi)只保留一個(gè)點(diǎn)。最終，得到地面的稠密點(diǎn)云模型。

3 實(shí)驗(yàn)與分析

為了驗(yàn)證本文方法的可行性與實(shí)用性，使用搭載了單目攝像頭的小型機(jī)器人獲取數(shù)據(jù)。數(shù)據(jù)的處理使用筆記本電腦，搭載Ubuntu 16.04系統(tǒng)，處理器（CPU）為Intel 4 200 H，內(nèi)存4 G。并同樣的環(huán)境中用同樣的平臺(tái)運(yùn)行了ORB-SLAM 系統(tǒng)，與本文的系統(tǒng)相對(duì)比。

分別以辦公室與教室作為實(shí)驗(yàn)環(huán)境。其中，辦公室的地面為瓷磚，顏色與紋理相對(duì)連續(xù)，但是如圖5（a）所示，地面存在很嚴(yán)重的倒影現(xiàn)象。教室場(chǎng)景較為簡(jiǎn)單，光照較為均勻，但是如圖5（b）所示，教室的地面上存在明顯的黑色地磚縫，地面色彩與紋理不連續(xù)。2個(gè)實(shí)驗(yàn)環(huán)境對(duì)于地面區(qū)域的建模均具有一定的挑戰(zhàn)。

經(jīng)過預(yù)實(shí)驗(yàn)，在實(shí)驗(yàn)中將點(diǎn)云的統(tǒng)計(jì)濾波參數(shù)設(shè)置為k=10，std=1，將地面分割圖像篩選過程中的參數(shù)設(shè)置為μ=3 cm，n=50。

圖5 實(shí)驗(yàn)環(huán)境Fig.5 Experimental environment

3.1 場(chǎng)景與建模效果

3.1.1 辦公室場(chǎng)景

辦公室環(huán)境和機(jī)器人的運(yùn)動(dòng)軌跡如圖6所示。本文方法得到的稠密地面建模與非地面稀疏點(diǎn)云如圖7所示。ORB-SLAM得到的場(chǎng)景稀疏點(diǎn)云如圖8所示。

圖6 辦公室環(huán)境與機(jī)器人運(yùn)動(dòng)軌跡Fig.6 Office environment and robot movement track

辦公室場(chǎng)景的地面可通行區(qū)域邊界本身就并不明晰，所以建模的邊緣并不規(guī)則。但是本文方法得到的模型能夠基本準(zhǔn)確地反映通路的寬窄與通過情況，例如中間一段通路中最細(xì)的部分反映了因墻面突起造成的障礙。

圖7 本文方法得到的辦公室稠密地面建模與非地面稀疏點(diǎn)云Fig.7 Office dense ground modeling and non-ground sparse point cloud obtained by proposed method

圖8 ORB-SLAM得到的辦公室稀疏點(diǎn)云Fig.8 Office sparse point cloud obtained by ORB-SLAM

3.1.2 教室場(chǎng)景

教室環(huán)境和機(jī)器人的運(yùn)動(dòng)軌跡如圖9所示。本文方法得到的稠密地面建模與非地面稀疏點(diǎn)云如圖10所示。ORB-SLAM 得到的場(chǎng)景稀疏點(diǎn)云如圖11所示。

圖9 教室環(huán)境與機(jī)器人運(yùn)動(dòng)軌跡Fig.9 Classroom environment and robot movement track

圖10 本文方法得到的教室稠密地面建模與非地面稀疏點(diǎn)云Fig.10 Classroom dense ground modeling and non-ground sparse point cloud obtained by proposed method

圖11 ORB-SLAM得到的教室稀疏點(diǎn)云Fig.11 Classroom sparse point cloud obtained by ORB-SLAM

教室場(chǎng)景的地面比較規(guī)則，本文方法所建的模型較好地還原了通行區(qū)域的地面情況。但是由于通路狹窄，在轉(zhuǎn)彎的位置相機(jī)面對(duì)旁邊的課桌，地面的圖像區(qū)域不足，造成轉(zhuǎn)彎部分建模效果稍差。

3.1.3 建模效果

從圖11中可以看出，原ORB-SLAM 生成的點(diǎn)云十分稀疏，只是標(biāo)記了特征點(diǎn)的位置，根本無法從中獲得地面的位置以及場(chǎng)景的有效信息，對(duì)場(chǎng)景的還原效果較差，基本不能用于對(duì)場(chǎng)景的描述，指導(dǎo)機(jī)器人行動(dòng)。而本文方法獲得了對(duì)于地平面的稠密建模，基本涵蓋了機(jī)器人視野范圍內(nèi)的可通行區(qū)域。相比較原ORB-SLAM 算法，本文方法生成的地圖更具有實(shí)用性。

3.2 運(yùn)算速度

在實(shí)際的運(yùn)行中，本文方法與ORB-SLAM 算法平均每一幀各階段的運(yùn)算時(shí)間如表1所示。

從表1數(shù)據(jù)可以看出，相比較于ORB-SLAM，本文方法中的SLAM運(yùn)算時(shí)間基本不變。增加的計(jì)算時(shí)間中，占比最大的部分是圖像的分割與地面稠密建模。由于本文方法添加的操作全部是基于關(guān)鍵幀的，所以實(shí)際平均到每一幀的時(shí)間都很短。總體來看，本文方法能夠達(dá)到21幀/s的平均運(yùn)行速度，ORB-SLAM的平均運(yùn)行速度約為30幀/s。本文方法約為ORB-SLAM的70%，能夠滿足預(yù)期的應(yīng)用要求。

表1 平均每幀運(yùn)算時(shí)間Table 1 Average operation time per frame

3.3 精度分析

由于單目SLAM方法生成的空間數(shù)據(jù)具有尺度不確定性，所以為分析本文方法的建模精度，首先將生成的相機(jī)軌跡與真實(shí)的軌跡進(jìn)行配準(zhǔn)，得到數(shù)據(jù)的正確尺度后，再與實(shí)際數(shù)據(jù)相對(duì)比，進(jìn)行精度分析。而ORB-SLAM得到的稀疏點(diǎn)云地圖則過于稀疏，基本上無法從中提取通路的位置與具體范圍，精度也無從談起，故不對(duì)其進(jìn)行精度分析。

3.3.1 地平面的位置還原精度

本文方法對(duì)地面進(jìn)行還原的重要步驟是擬合地平面。由于搭載的相機(jī)高度已知，通過對(duì)比相機(jī)真實(shí)高度與相機(jī)和擬合地平面之間的平均距離，可以得到地平面的位置還原精度，如表2所示。可見，地平面位置的還原平均絕對(duì)誤差為5.8%。

3.3.2 場(chǎng)景建模精度

在2個(gè)場(chǎng)景中，分別在系統(tǒng)生成的稠密地面模型上選取3處通路的寬度進(jìn)行測(cè)量，與實(shí)際地面上通路的寬度進(jìn)行對(duì)比，以分析方法的場(chǎng)景建模精度。由于轉(zhuǎn)彎處存在遮擋，相機(jī)拍不到通路的全貌，故選取直線前行的部分通路作為實(shí)驗(yàn)分析的對(duì)象。

1）辦公室

對(duì)地面上3段通路的寬度進(jìn)行測(cè)量（見圖12）。

與真實(shí)的寬度進(jìn)行對(duì)比，得到的結(jié)果如表3所示。

通過對(duì)地面3處通路的寬度進(jìn)行測(cè)量后，我們發(fā)現(xiàn)a處和b處精度較高，而c處誤差較大。經(jīng)分析，這部分的誤差較大主要是由于地面倒影的影響，分析詳見后文3.4.1節(jié)。

2）教室

對(duì)系統(tǒng)生成的稠密地面模型進(jìn)行測(cè)量，對(duì)地面上3段通路的寬度進(jìn)行測(cè)量（見圖13）。

表2 地平面位置還原精度Table 2 Accuracy of ground plane position restoration

圖12 辦公室通路寬度測(cè)量Fig.12 Path width measurement of office

表3 辦公室地面建模精度Table 3 Ground modeling accuracy of office

圖13 教室通路寬度測(cè)量Fig.13 Path width measurement of classroom

與真實(shí)的寬度進(jìn)行對(duì)比，得到的結(jié)果如表4所示（b處下方藍(lán)圈內(nèi)為兩條通路交叉的位置，并非通路寬度）。

通過對(duì)地面3處通路的寬度進(jìn)行測(cè)量后，發(fā)現(xiàn)a處和b處精度較高，而c處相對(duì)誤差較大。經(jīng)分析，該部分誤差主要由地面紋理不連續(xù)造成，分析詳見后文3.4.2節(jié)。

表4 教室地面建模精度Table 4 Ground modeling accuracy of classroom

3.4 外在因素的影響分析

3.4.1 地面倒影

在圖12辦公室建模的c處，這一區(qū)域攝像機(jī)面向窗戶，由于室外亮度較大，在地面瓷磚上產(chǎn)生了倒影，使得地面中間區(qū)域亮度較高，地面的顏色出現(xiàn)了較大區(qū)別。對(duì)于地面劃分出現(xiàn)了一定的誤差，如圖14所示。

圖14 地面倒影對(duì)圖像分割的影響Fig.14 Effect of ground reflection on image segmentation

3.4.2 地面不均勻紋理

地面的不均勻紋理對(duì)于本文方法存在一定的影響。在教室中，地面存在明顯的地磚縫，導(dǎo)致有少部分圖像對(duì)于地面區(qū)域的分割不連續(xù)，經(jīng)過連通域計(jì)算后只留下一塊地磚內(nèi)的地面，如圖15所示。

根據(jù)對(duì)于重建效果的觀察和重建精度的分析，雖然存在倒影與地面紋理不均勻造成的圖像分割誤差，但是它們對(duì)于整體的地面重建效果影響較為有限。由于本文方法利用了圖像的序列整體信息，對(duì)于部分圖像的信息缺失，可以通過序列中其他相對(duì)正確的分割投影所掩蓋。

圖15 地面不均勻紋理對(duì)圖像分割的影響Fig.15 Effect of uneven texture of ground on image segmentation

4 結(jié) 論

關(guān)于場(chǎng)景的建模，從場(chǎng)景中獲取有意義的信息。速度與效果間的矛盾一直是研究中一個(gè)繞不過去的問題。近年來，國內(nèi)外有許多研究試圖在二者之間達(dá)到合適的平衡。本文結(jié)論如下：

1）對(duì)于室內(nèi)小型機(jī)器人這一特定應(yīng)用平臺(tái)，以及室內(nèi)環(huán)境這一特定場(chǎng)景，很多問題可以得到簡(jiǎn)化。

2）本文方法最大限度地利用了特定環(huán)境與特定需求，將對(duì)全場(chǎng)景的建模簡(jiǎn)化為地面的建模，將圖片深度的求取簡(jiǎn)化為直接投影在地平面上，可以用盡可能小的計(jì)算量來為機(jī)器人實(shí)時(shí)提供盡可能多的信息。

3）實(shí)驗(yàn)證明，本文方法可以以接近特征點(diǎn)SLAM 的速度，生成較為準(zhǔn)確的地面可通行區(qū)域稠密建模。點(diǎn)云與分割的交叉驗(yàn)證以及圖像序列的使用也可以在相當(dāng)程度上抵消地面倒影、地面分割困難等不利情況的影響。