智能車輛障礙物識別與路徑規劃方法*

四川大學錦江學院機械工程學院 唐小潔

無人駕駛中的自主導航問題是當前研究的熱點之一,而避障和路徑規劃則是其中的核心問題。為了使智能車輛能夠實現自主避障和最優路徑規劃,提出了一種基于數字圖像處理和人工勢場法的障礙物識別和路徑規劃算法。為了驗證方案的可行性,在仿真軟件中進行了仿真模擬測試,結果表明,采用這種方法能夠正確識別障礙物,并使智能車輛能規劃出最優路徑,達到了自主避障并到達最終目標點的目的。

為了使智能車輛在未知環境中能無碰撞地自主從出發點移動到目標點,需要智能車輛具有識別障礙物和進行路徑規劃的能力。障礙物信息可利用圖像傳感器進行采集,并用數字圖像處理技術進行圖像處理。通過數字圖像處理技術在被噪聲污染的圖像中提取出障礙物位置和重要特征,計算障礙物與目標點的距離和角度,利用人工勢場法進行路徑規劃,尋找出最優路徑。

1 障礙物識別

1.1 圖像預處理

圖像預處理主要用削弱圖像無關信息,增強其有用信息,達到提高圖像質量的目的。

1.1.1 圖像濾波

在實際的行車環境中,可能存在雨雪等顆粒狀的噪聲信號干擾障礙物的提取,因此在圖像處理過程中加入椒鹽噪聲模擬真實環境,然后利用中值濾波算法濾除噪聲。中值濾波法[1]的原理是對像素點所在鄰域內的像素灰度值排序,并將該像素點灰度值設置為鄰域內所有像素點灰度值的中間值。

通過圖1對比發現,中值濾波算法能較好地在濾除椒鹽噪聲的同時保留圖像邊緣細節。

圖1 圖像濾波Fig.1 Image filtering

1.1.2 圖像二值化

圖像二值化[2]是一種常見的圖像處理算法,其將像素點灰度值在閾值以上的置為1,其余的置為0,本文的二值化閾值由最大類方間法獲得。二值化可以簡化并加速圖像的數據處理,得到的二值化圖像經過進一步處理還可以得到幾何特征更加精準化的圖像目標。圖2為二值化后的圖像。

圖2 圖像二值化Fig.2 Image binarization

1.2 圖像形態學處理

觀察二值化圖像,發現在白色區域中有一些小顆粒噪聲,以及障礙物上有一些小空洞,因此可以利用數學形態學來做進一步的圖像處理。數學形態學[3]以數學中的集合為基礎,利用特定形態的結構元素去探測目標形狀,其基本操作包括膨脹、腐蝕、開運算和閉運算。

本文采用先開運算后閉運算的方式對二值化圖像進行進一步處理。先腐蝕后膨脹的過程稱為開運算[4],可以在不明顯改變目標物體面積的前提下消除細小噪聲、分離細小連通區域、平滑輪廓線。先膨脹后腐蝕的過程稱為閉運算,可以填充目標物體內小空洞、平滑輪廓線。圖像A在結構元素即鄰域B的作用下,其開運算和閉運算的數學表達式分別為:

由圖3可見,經過形態學處理后,障礙物中的小空洞和背景中的細小噪聲被消除了,輪廓線變得更加平滑。

圖3 圖像形態學處理Fig.3 Image morphological processing

1.3 圖像邊緣檢測

障礙物邊緣反映了障礙物的形狀特征,利用障礙物邊緣檢測可以將障礙物從背景中分割出來。常見邊緣檢測算子[5]有:Prewitt算子、Sobel算子、Rober算子、Canny算子、LoG算子等。本文采用了Canny算子對經形態學處理后的障礙物邊緣進行增強識別,如圖4。

圖4 圖像邊緣檢測Fig.4 Image edge detection

1.4 障礙物提取

為了識別出障礙物,可通過求出包含障礙物的最小外接矩形來提取障礙物。最小外接矩形[6]是包含了障礙物所有點線面的面積最小的矩形。找出障礙物所在的閉合連續區域,用最小外接矩形法將障礙物框定出來,這樣就把障礙物位置反映出來了,如圖5。

圖5 障礙物提取Fig.5 Obstacle extraction

2 智能車輛路徑規劃

檢測出障礙物后,智能車輛可采用人工勢場法進行路徑規劃實現自主避障。人工勢場法[7-8]的基本思想是移動車輛在目標點對它的引力場和障礙物對它的斥力場的共同作用下,避開障礙物最終到達目標點。

2.1 引力場

引力場函數為:

式中:ξ為引力尺度因子;ρ(q,qgoal)表示車輛當前位置q與目標點位置qgoal的距離,

引力是引力場對距離求導:

車輛距離目標點越近,引力越小。

2.2 斥力場

斥力場函數為:

式中:η為斥力尺度因子;ρ(q,qobs)代表車輛與障礙物之間的距離;0ρ表示每個障礙物的影響半徑。

斥力是斥力場對距離求導:

車輛距離障礙物越近,斥力越大。

因此,當車輛距離目標點和障礙物都很近的時候,會因引力過小而斥力過大引起目標不可達問題。所以可將車輛與目標點之間的距離[9]加入斥力場函數中:

式中:nρ為移動車輛與目標點的距離的n次方,n為正系數,通常取2;L為移動車輛中心到頂點的距離。相應斥力變為:

其中Frep1的方向從障礙物指向移動小車,Frep2的方向從移動車輛指向目標點。

2.3 仿真

在MATLAB中建立仿真環境,用圓形和矩形代表障礙物,五角星代表起點和目標點。通過軟件編程將移動車輛與目標點之間的距離、角度、引力,以及移動車輛與障礙物之間的距離、角度、斥力計算出來,并用得到的合力值來確定車輛的移動方向和新的位置坐標值。當車輛與目標點之間的距離小于設定閾值時,則認為移動車輛已經到達設定目標點,路徑規劃結束。

從圖6仿真結果可以看到,移動車輛能避開障礙物規劃出最短路徑,并能在目標點附近有大型障礙物、斥力很大時,也能最終到達目標點。

圖6 車輛避障與路徑規劃結果Fig.6 Results of vehicle obstacle avoidance and path planning

3 結語

為了使智能車輛實現自主導航功能,無碰撞地從起始點移動到目標點,本文采用了圖像傳感器和數字圖像處理算法對障礙物進行探測提取,并將人工勢場法引入到導航系統中以實現最優路徑規劃。在數字圖像處理中利用了數學形態學算法和邊緣提取算法,在人工勢場法中改進了斥力場函數。為了驗證這種方法的可行性,在MATLAB中進行了相應的模擬測試,結果表明此種方法合理有效,能夠完成自主導航。

引用

[1] 張利平,潘宏俠,黃晉英.智能車輛視覺系統的障礙物邊緣檢測[J].計測技術,2006(4):29-31.

[2] 張一飛,李新福,田學東.基于圖像分割的立體匹配算法[J].計算機應用,2020,40(5):1415-1420.

[3] 石玉敏.基于數學形態學的船舶圖像質量提升方法[J].艦船科學技術,2021,43(16):157-159.

[4] 雒娟花.基于圖像處理的障礙物檢測系統研究[D].西安:西安科技大學,2009.

[5] 黃時杰,曾建華.圖像邊緣檢測與分割的MATLAB實現[J].赤峰學院學報(自然科學版),2019,35(9):47-49.

[6] 楊藺.航拍絕緣子圖像識別及故障檢測方法設計與研究[D].重慶:重慶郵電大學,2020.

[7] Khatib O.Real time obstacle avoidance for manipulators and mobile robots[J].The International Journal of Robotics Research,2003,2(5):500-505.

[8] 安林芳,陳濤,成艾國,等.基于人工勢場算法的智能車輛路徑規劃仿真[J].汽車工程,2017,39(12):1451-1456.

[9] 唐小潔,丁一航,申勤,等.改進人工勢場法的移動小車動態避障路徑規劃[J].軟件導刊,2019,18(10):152-156+225.