基于點云分割的移動機器人運動目標跟蹤方法

謝國坤，張培培，王寧寧

(西安交通工程學院， 西安 710300)

1 引言

近年來，隨著智能機器人視覺跟蹤領域的飛速發展，使得傳統靜態的目標跟蹤方式，已無法滿足需要，因而如何實現機器人運動目標跟蹤一時間備受青睞[1]。一方面，當前較流行的機器人運動目標跟蹤方法，雖在機器人領域取得了一定成果，但移動機器人運動在障礙物下的運動目標跟蹤過程中存在一些問題。通常的目標跟蹤算法都是基于像素的全局搜索，然而該方法計算量大，耗時滿足不了移動機器人控制的實時性要求，并且其易受到背景中相似特征物體的干擾。

王立玲等[2]提出了基于改進Camshift算法的運動目標跟蹤方法，但是該方法在有障礙物干擾時，NAO機器人運動目標跟蹤精度下降。李欣等[3]提出了基于ECO-HC改進的運動目標跟蹤方法，該方法雖然成功實現了機器人對運動目標的跟蹤，但是存在誤差偏移量較大、不穩定等問題。上述2種方法在跟蹤目標時，易受背景中干擾因素的影響，導致運動目標跟蹤精度下降[4-5]。

為了改變這種現狀，本文提出基于點云分割的移動機器人運動目標跟蹤方法，該方法以移動機器人為研究對象，對運動目標的坐標等點云數據進行采集和出力，降低了運動目標跟蹤過程中的誤差偏移量，提高了機器人在運動目標跟蹤中的穩定性，更適應實際需求。

2 方法設計

2.1 點云數據采集與處理

2.1.1點云數據采集

考慮移動機器人采集圖像中的目標存在隨機性，因此，在采集點云數據過程中，為避免測量誤差，采用非接觸設備采集點云數據。具體采集過程為：

將非接觸掃描設備與電源、計算機相連接，開啟數據識別與處理功能；設立圖像中被采集目標的參照目標，啟動掃描設備的識別功能，構建三維坐標系；在固定范圍內，對采集目標并描繪為三維圖形；經過多次變換后，重新獲取當前坐標，同時合并數據空間；平移、旋轉、縮放獲取的點云信息。

2.1.2點云數據合并

移動機器人在實際采集過程中，由于環境的復雜性，會受到目標表面特征、設備轉角等因素影響，需通過不斷的變換獲取更加全面的目標信息。而每次變換均會生成一個單獨的數據，為保證數據的完整性，本文通過建立靶標世界坐標系，實現點云數據合并。基于場景三維點云、世界坐標系具有相同空間尺度，建立靶標世界坐標系，可在世界坐標系確定跟蹤目標的空間區域，達到對映到世界坐標系里的點云進行分割的目的[6-7]。

相機坐標系里的點云用pc(xc,yc,zc)代表，世界坐標系里的點云用pw(xw,yw,zw)代表，根據像素p(u,v)投射到世界坐標系的點在像素坐標系中的齊次坐標與在世界坐標系里的關系，可得到式(1)：

(1)

(2)

式中：pwl(Xwl,Ywl,Zwl)表示偏移補償后的點云坐標；E3×3表示單位矩陣；在靶標坐標系中，Vroi表示目標區域，Vroi可通過手動測量獲得，也可以通過目標物模型求解。

2.1.3點云數據處理

想要獲得場景分割目標點云可將鳥瞰視角作為觀測的角度觀測點云，突出目標、從目標點云獲得更多信息[8-9]；通過中值濾波方法確定目標閾值范圍后對圖像進行還原[10-11]。

結合相關性理論與濾波技術，將所有點的p(u,v)坐標作為圖像灰度值，針對點云數據做選擇性濾波處理：

變換到場景點云俯視角時，通過式(1)得到的世界坐標系點云pwl(Xwl,Ywl,Zwl)變為轉換視角后的點云p(xu,yu,zu)滿足：

(3)

(4)

(5)

2.2 混合伺服跟蹤方法

以2.1小節獲取的點云數據處理為基礎，采用距離函數加權方法，依據移動機器人與目標間的距離，通過視覺伺服和聲吶伺服混合導航方式實現運動目標跟蹤。

2.2.1視覺目標差控制

(6)

式中： 機器人坐標系、圖像坐標系間的轉換矩陣用M代表且滿足：

(7)

延伸到像素平面控制策略可表示為

(8)

2.2.2目標跟蹤

通過距離函數加權可融合決策層的傳感器的信息，移動機器人與目標間的距離大、小、脫離視覺傳感器時相對應措施是：采用視覺導航、強化聲納信息權系數、只依靠聲納導航[15]。而單獨使用視覺導航跟蹤移動機器人目標時，存在對使用環境要求較高，受運行場地信息和面積的影響，導致目標跟蹤時間精度都有所下降，聲納導航多用于水下目標跟蹤，其在跟蹤移動機器人時同樣存在受外界干擾因素較強的影響，導致目標跟蹤精度有所下降[16-17]。為此本文通過視覺伺服和聲吶伺服混合導航方式實現運動目標跟蹤。

距離函數Ri可表示為

(9)

式(9)中:Δi表示移動機器人、目標的水平距離;Δr、Δs表示按任務需求量應用不同跟蹤方法的范圍邊界。移動機器人與目標間的距離大時，Δi>Δs時，Ri=1。移動機器人按高速υs通過視覺伺服跟蹤方法跟蹤運動目標，目標當前位置、跟蹤位置間的水平像素差決定用ω代表的角速度，曲率表示為

ρ=[-λ(ud-uc)-jυυs]/jωυs

(10)

式中: (ud-uc)表示目標在圖像平面的投影水平坐標差，jυ與jω表示移動機器人行為控制輸入的特征描述子橫坐標的雅可比矩陣量。jω=M12，jυ=M11，用M代表移動機器人坐標系得到圖像坐標系的轉換矩陣，滿足：

(11)

移動機器人與目標間的距離較小時，Δi<Δs，Ri=0。移動機器人按低速υr通過聲納跟蹤方法跟蹤運動目標，局部網格中的目標位置夾角、移動機器人前進方向決定用角速度ω，此時的曲率ρ滿足ρ=ρi：

(12)

Δr<Δi<Δs時，0

(13)

移動機器人不斷接近運動目標，如果要使速度(υ,ω)從(υs,ωs)到(υr,ωr)平滑過渡，則Ri要求從0到1平滑過渡。得到最終局部規劃控制策略：

(14)

υs在移動機器人直行時值較大，轉向時值較小。故υs可表示為

υs(ω)=υmin+(υmax-υmin)(1+tanh(π-kω|ω|))

(15)

綜合考慮移動機器人運動性能、柔順性可通過式(19)實現。移動機器人移動時最大最小速度分別用υmax、υmin代表，kω滿足kω=12。

3 實驗與論證

在面積為80 m2的實驗室內，以移動機器人Pioneer-3DX為實驗對象對運動目標進行跟蹤。設置機器人的最高速度為200 m/s，最高角速度為10 (°)/s，將攝像頭安裝在機器人上方每隔3 s對圖像進行一次采集。

表1為應用本文方法與文獻[2]基于改進Camshift算法的運動目標跟蹤方法、文獻[3]基于ECO-HC改進的運動目標跟蹤方法在第1幀、200幀、400幀、600幀條件下對點云數為30 700的圖像進行分割后的點云數目記錄表。

表1 3種方法分割后點云數目記錄表

利用表1所示的3種方法分割后的樣本數據，統計3種方法在不同分割比率下的點云分割均方根誤差，結果見圖1。

圖1 點云分割均方根誤差曲線

從圖1可以看出，在相同分割比率下，應用本文方法進行點云分割的均方根誤差變化曲線始終低于文獻[2]方法、文獻[3]方法，且曲線比較平緩。說明在相同分割比率下，應用本文方法的點云分割誤差更小，更適應實際需求。

圖2表示了應用本文方法得到的4種角速度下的運動目標距離精確度，該指標通過4種角速度下距離系數Ri的變化情況反映，距離系數Ri越大，跟蹤精度越低。

從圖2分析可得，在角速度值為6 (°)/s、8 (°)/s時，應用本文方法的距離系數Ri最小，得到的運動目標跟蹤的距離精確度要高于角速度為4 (°)/s、10 (°)/s時的運動目標跟蹤距離精確度，且在中心距離偏差為9像素時就達到了最高值。說明移動機器人在進行運動目標跟蹤時，采用角速度6 (°)/s、8 (°)/s時具有較好的運動目標跟蹤效果。

圖2 運動目標距離精確度曲線

圖3是應用本文方法得到的4種角速度下的中心距離誤差。從圖3可以看出，在角速度值為6 (°)/s、8 (°)/s時，應用本文方法得到的運動目標跟蹤的中心距離誤差要低于角速度為4 (°)/s、10 (°)/s時的運動目標跟蹤中心距離誤差，且在中心距離誤差曲線無較大波動，目標跟蹤穩定。

圖3 中心距離誤差

圖4表示了機器人在無障礙物與有障礙物時的目標跟蹤區域。

圖4 目標跟蹤區域示意圖

圖5表示了應用本文方法與文獻[2-3]方法對圖4中的目標跟蹤區域進行240次實驗，得到的目標跟蹤區域的誤差偏移量。

圖5 目標跟蹤誤差偏移量曲線

從圖5可以看出，在相同實驗次數下，無論在有障礙或者無障礙情況下，應用本文方法得到的目標跟蹤偏移曲線始終低于文獻[2-3]方法，且應用本文方法得到的目標跟蹤偏移曲線變化較平緩，無大幅度波動，而文獻[2]方法、文獻[3]方法的目標跟蹤偏移曲線波動較大。說明應用本文方法對目標進行跟蹤的穩定性更強，誤差更小。

4 結論

本文基于點云分割確定運動目標區域，運用混合伺服跟蹤方法在確定區域過程中實現了移動機器人對運動目標的跟蹤。并得出了以下結論：

驗證了該方法完成跟蹤任務的可行性與有效性，其運動目標跟蹤的距離精確度要高于其他運動目標跟蹤方法，在中心距離偏差為9像素時達到了運動目標跟蹤距離精確度最高值；并且采用合適的角速度可以降低運動目標跟蹤時的中心距離誤差。

無論在有障礙或者無障礙情況下，本文方法得到的目標跟蹤偏移曲線誤差值更低，且曲線變化較平緩，無大幅度波動；但是，移動機器人跟蹤目標單一，無法驗證多目標跟蹤時運用本文方法是否同樣優于其他運動目標跟蹤方法，下一步將從移動機器人多目標跟蹤方向進行研究。