小型多功能機器人的目標識別與自主作業定位技術綜述

蒙麗雯，陳世鋒，陳泉成，翟旭磊，韓 冰，熊斯凱，李正強，韋 錦

（廣西大學 機械工程學院，廣西 南寧 530004）

0 引言

綠化樹木修剪是園林環衛部門的一項經常性工作，園林綠化環衛裝備從原來單一的作業需求，逐漸開始向集作業、信息化監管功能于一體的全方位需求方向發展，技術特性上朝智能化、集成化、環?；?、人性化、數字化方向發展[1，2]。

國外城市綠化苗木修剪養護主要依靠機器代替人工完成，機械化、自動化程度較高，并有較多的園林環衛機械產品投放市場，產品的通用性強，能夠實現一機多用。目前國外園林環衛機械通過引入機器視覺、高靈敏傳感器正在朝著高度自動化、智能化方向發展[3]。代表性產品是德國的Ducker 公司生產的Outrigger 系列多功能修剪機[4]。近年來，國內不少研究人員投身于自動化園林環衛機械研發，并已取得較多成果[5]。詹曉華[6]通過數學建模、數值分析對環衛車高壓清洗能力進行了研究優化；李紅燕[7]對灑水車自動工作模式進行了改進，提高了設備的智能化水平；針對高枝修剪，Li 等[8，9]研究了修剪鋸末端的振動抑制控制方法，實現了修剪鋸末端的快速準確定位，Zhang等[10]通過瞬態動態分析來預測修剪刀片摩擦引起的噪聲。韋和均、李正強[11，12]研究通過目標識別和圖像點云處理實現苗木中心的定位。國內也研制出多種園林機具，但品種尚不齊全，選擇余地較小，和國外先進產品相比，在性能上還存在較大差距。

針對目前綠籬修剪機械一般由人工駕駛機具行駛到待修剪綠籬的附近，以人眼通過視頻進行對中，通過人工操作移動機械臂的手部至綠籬的中心位置的上方進行修剪作業，導致工作效率低下的難題。研究自主作業修剪機器人的苗木識別、建圖與對中技術，提高修剪裝備的自動化和智能化水平。

1 綠籬苗木造型的自適應對中方法

綠籬苗木造型修剪一般有球、柱和錐形等，由于柱形和球形綠籬的水平截面中心近似圓形，因此，綠籬苗木修剪造型的對中可以看成復雜環境下的圓檢測問題。霍夫變換（Hough transform，HT）圓檢測是使用最廣泛的一種圓檢測算法，一般用于檢測半徑已知且待檢測圓是規整圓的情況，但是提取到的綠籬外輪廓一般不完整且與規整圓差異較大，半徑也不確定，因此基于Hough 原理的圓檢測算法檢測效果不佳，未知半徑導致耗時較長。隨機抽樣一致性（RANSAC）可以有效解決最小二乘法受個別離群值影響的問題，但是提取到的綠籬外輪廓經常出現許多凹陷，導致均值偏移嚴重，擬合成的圓往往與綠籬外輪廓差異很大，并且其隨機性容易導致尋找不到圓擬合的解而導致算法崩潰。輪廓匹配圓檢測一般以標準圓輪廓為模板，不需要指定圓半徑，通過調整匹配度即可檢測到不同大小的圓輪廓，但綠籬外輪廓并非規整圓且具有多樣性，只能滿足很低的匹配度，容易導致誤匹配。顏色形狀圓檢測是先分離不同顏色通道圖像，然后直接根據像素值范圍進行二值化處理，再根據每個像素塊與最小外接圓重合度檢測出每個顏色通道的圓，最后匯總所有顏色通道圖像檢測結果，可以有效檢測不同顏色的圓，防止出現漏檢，但是綠籬顏色多樣，很難選擇二值化閾值，復雜環境下算法運行時間較長，且對光照魯棒性差。

針對以上存在問題，通過研究一種綠籬修剪機器人的綠籬自適應對中方法，自適應對中的方法如圖1所示，通過該方法可以使綠籬修剪機器人的自動化、智能化水平大幅度提升，快速準確實現修剪機械手自動對中的功能[13]。

圖1 綠籬自適應對中的方法

自適應對中方法首先通過單目相機獲取俯視角度的綠籬圖像，從圖像中提取只含有綠籬信息的矩形圖作為模板。將綠籬圖像和模板轉換到同一顏色空間下，在各通道上進行直方圖對比，找到綠籬顯著顏色空間，完成顏色空間的自適應選擇，將可以求得綠籬顯著顏色空間的通道作為默認分析通道，以綠籬顯著波峰為中點分別向兩邊擴大25 得到對應的默認閾值區間，若遇到邊界，則在保證默認閾值區間范圍為50的情況下進行平移調整，確定默認閾值區間；對綠籬圖像進行二值化處理，獲得包含完整綠籬信息的二值圖像之后，根據二值圖像中所有小白塊的總面積在整幅圖像中的占比（LW_areaR）以及小白塊的數量（LW_num）來判斷二值化圖像的效果，獲得包含完整綠籬信息的二值圖像；同時對二值圖像進行增強處理，將離散的綠籬信息聚合，去除噪聲點。從圖像中獲取綠籬的最小外接圓，根據最小外接圓計算得到綠籬中心位置信息。

2 球形綠籬修剪機的建圖方法

基于多線激光雷達和單目視覺建立球形綠籬形狀、位置以及綠籬兩側護欄的三維點云地圖。主要包括以下過程：

（1）采集多線激光雷達點云數據和單目相機圖像數據。對激光雷達和單目相機采取PnP 的方法進行外參標定，視覺提取特征點，雷達提取邊緣，得到相機與雷達之間的幾何約束，使用多線激光雷達和單目相機對環境進行掃描讀取點云數據和圖像數據。

（2）對點云數據和圖像數據進行預處理。由于園林綠籬修剪作業的環境惡劣，原始點云中存在許多噪點，原始點云的數量過多將導致整體效率降低，并對之后的點云處理以及系統運算造成巨大影響，并且降低系統的實時性和建圖的準確性。因此采用Voxel-Grid 濾波器對點云進行降采樣處理，適當減少點云數量，提升效率的同時，保持足夠的點云數量。

（3）對點云數據進行聚類，然后剔除點云信息較少且對后續建圖產生不良影響的聚類簇。由于不確定的環境因素，綠籬在生長時并不會按照一定的形狀生長，這就會導致球形綠籬會出現形狀不確定的現象，對于后續的對中會產生一定的干擾，另外雜草以及稀疏葉子等在風的作用下并不會保持在一個固定的地方，動態物體對后續的點云匹配也會造成不良的影響，所以通過對點云進行聚類分割，剔除掉對結果造成負面影響的點云數據。

（4）利用激光-慣性里程計與視覺-慣性里程計緊耦合的slam 方法進行定位和建立三維點云地圖，并去除無關點云。由于單一的激光-慣性里程計或視覺-慣性里程計均存在自身缺陷，激光-慣性里程計對于特征紋理不豐富的位置時常產生誤匹配或匹配不上的問題，而視覺-慣導里程計在光照變化以及天氣惡劣的工況下也可能出現失效的問題。因此單一的激光-慣性里程計或視覺-慣性里程計單獨工作并不能達魯棒的定位效果，對兩種里程計以緊耦合的方式進行數據融合，聯合視覺里程計約束、激光雷達里程計約束等約束因子，對環境進行感知建圖，采用三維體素網格進行保存三維點云地圖。

（5）計算球形綠籬中心坐標，建立三位點云地圖。公路兩護欄間的距離參照國家標準，取兩護欄對稱中心所在的垂直地面的曲面作為綠籬中心線來定位綠籬中心位置截面，然后將曲面按一定距離分割形成一段段的平面。將綠籬的三維點云簇垂直投影到上述分割的對應平面，形成二維點云圖，采用隨機采樣一致方法對綠籬點云進行擬合，通過一定的迭代獲取最優的幾何參數，得到綠籬冠層模型，得到球形綠籬中心坐標并保存各個球形綠籬中心坐標到數據庫中，從而獲得了包含綠籬、護欄以及綠籬中心坐標的輕量化三維點云地圖。

3 結語

基于多線激光雷達和單目視覺的小型綠籬苗木修剪機器人點云建圖技術，通過獲取點云和圖像數據，并對圖像以及點云的處理，建立道路綠籬的幾何中心坐標、綠籬輪廓信息以及綠籬兩側護欄信息的三維點云地圖，將綠籬和護欄的幾何參數傳輸到中心控制系統，控制系統根據得到球形綠籬中心坐標的數據庫以及環境信息，可以完成機器人運動規劃和單株苗木球面修剪作業的定位，但該方法僅適用于單株球面造型作業。基于自適應技術的移動作業過程的對中方法，可實現球、柱和錐形等綠籬苗木的造型修剪作業。兩種方法都避免人工對于駕駛修剪機和對中綠籬中心的頻繁操作，大幅度提高了作業效率以及作業質量。