搜索
导航系统中的障碍物检测与避障摘要随着科技的进步和自动化控制技术的发展，农用车辆的性能和智能性不断提高。有关农用车辆智能性的研究是智能导航研究领域内的一个很重要的科研方向，其中车辆的避障技术是实现和提升车辆智能性的一个重要方面，一直是该领域内的研究热点。如何让车辆知道什么是障碍物，以及如何躲避障碍物，这两个问题分别对应避障过程中的障碍物检测与避障路径规划两个基本环节。关键词：农用车辆导航系统障碍物检测避障目录第一章国内外研究现状.........................................................................................................11.1国外研究现状.............................................................................................................11.2国内研究现状.............................................................................................................2第二章传感器对障碍物的检测原理及方法.........................................................................4第三章机器人避障路径规划算法.........................................................................................5结论...........................................................................................................................................7参考文献...................................................................................................................................7第一章国内外研究现状1.1国外研究现状目前从对移动机器人研究深入程度以及商业开发成熟度来说,美国、法国、德国、日本等国处于世界前列。下面分别从当前研究的两个热点问题,对国外的研究现状进行介绍。1)在障碍物检测研究方面:FelipeJimenez等人通过使用激光传感器及GPS传感器数据进行融合,对障碍物检测进行了改进,提高了检测的正确率,并且通过提出检测障碍物特征轴线的算法,减少了由于测量产生的误差,实验验证他们的改进措施获得了较好的检测结果[1]。Dur等人为其自主研发的探测车设计了基于光流法的障碍检测算法以及避障算法,他们分析了光流法在该领域所具有的应用优势,并通过光流法获取的环境数据训练人工神经网络,进而实现了障碍物检测及避障[2]。Seraji等人提出了一种多传感器融合及多推理系统决策融合算法,该算法将雷达、激光雷达和CCD相机所获得的地面信息进行智能融合,根据传感器信息,使用3个子决策系统(模糊集系统、贝叶斯概率系统和Dempster-Shafer置信系统)分别给出决策,通过分层融合选择算法获得最终决策,完成了对障碍物的检测[3]。MiguelAngdSotelo等人采用基于颜色和形状的方法对图像进行分割,使用HIS模型描述图像特征,分割完成后使用时域空间滤波对不一致的物体进行滤除,进而检测出感兴趣的区域,然后在该区域进行车辆检测,利用垂直边缘以及对称性差别进行分析,成功的解决了车辆识别以及追踪问题[4]。RoyerE等人提出了一种基于离线地图的检测算法,该算法借助RTK-GPS,通过学习算法离线建立环境地图,获得了较好的实验结果,但算法本身的特点使该方法更适合中小范围的应用,且对平台移动速度有一定限制[5]。BajracharyaM等人利用探测器获得近地可行路径。通过使用近地分类系统以获得远地的可行路径。通过对远地地形进行分类避免了双目相机的近视行为,很好的解决了近视问题对远距离目标物检测造成的影响[6]。2)在避障策略研究方面:Otte.WM等人提出使用图像空间技术,在环境未知的室外进行路径规划,通过图像数据建立栅格地图,并且使用图表搜寻算法来获得最优路径。通过使用该算法,他们实现了移动机器人在真实环境中的自主导航[7]。Z.Li等人提出了一种基于平滑曲线的避障策略,通过整合机器人与障碍物之间的切线得到合适的平滑曲线,即避碰路线,不仅可以躲避障碍物,还可以尽量保证合理的机器人运动轨迹。这种方法简单易行,并且算法的实现也很简单[8]。NaoyaOhnishi等人使用虚拟势场结合光流法的方式实现了在没有环境先验知识情况下的导航以及避障,通过连续图像获得光流进行检测,通过序列图像计算虚拟势场进行轨迹规划。使用该算法,他们成功的实现了真实环境中的移动机器人导航[9]。AmaliaRFoka等人使用部分可观的马尔科夫决策模型统一了定位、全局和本地运动规划模型,进而有效地实现了对环境的建模,提高了系统的实时性,并采用决策路径的方法对障碍物进行避障,通过使用提前预判的方式,控制机器人进行加速前进,减速等待或绕行,实现了对移动障碍物的有效躲避[10]。MohammadAbdelKareemJaradat等人将Q学习算法应用于动态环境中,传统的Q学习算法均应用于静态环境中,由于Q学习算法应用于动态环境中时会产生大量的位置点,使得训练过程极其复杂,而作者通过重新定义位置空间的方式限制了位置点的个数,实现了动态空间的移动机器人导航,并且在算法的执行效率方面也获得了大大改善。1.2国内研究现状我国在移动机器人方面的研究起步较晚,大多数研究尚处于某个单项研究阶段,但也取得了一些成果。1)在障碍物检测研究方面:张晶,王书茂等人针对智能农业机械自动驾驶或辅助驾驶时,使用立体视觉进行障碍物检测,传统阈值分割不能达到目标提取精度的问题,提出分析扫描线上区域分割与特征匹配相结合的障碍物检测算法。在使用双目视觉系统得到的农田场景图像中,通过分析扫描线上像素分布情况将图像分割,进行归类整理提取目标区域;通过对目标区域进行快速立体特征匹配,得到目标区域的空间信息,进行障碍物的检测。他们通过对800帧(400对)图像进行检测试验,结果表明:每对图像的平均处理时间100ms,检测出障碍物的正确率达到95%[11]。祝現,杨唐文等人利用双目视觉信息系统实现了三维空间中运动物体的实时跟踪与测距工作。当运动目标超出视野范围时,可通过控制摄像机云台转动搜索目标。还研究了在摄像机运动状态下,无需重新标定,即可实现运动物体测距的算法。采用自适应背景建模法与Camshift算法实现了运动物体的辨别与跟踪[12]。王荣本,赵一兵等人按照使用传感器的不同类型,对智能车辆的障碍物检测和识别技术进行了总结,并对一些障碍物检测方法进行分析。这些方法中主要包括基于立体视觉的方法、基于激光雷达的方法、基于彩色机器视觉的方法以及基于结构光的方法等,同时作者指出任何一种有效的障碍物检测系统不能只依靠单一传感器进行环境感知,因此利用多种传感器信息融合技术检测智能车辆前方障碍物,是未来该领域的研究重点与难点,为我国在智能车辆障碍物检测领域的发展提供借鉴[13]。王明军,周俊等人提出了基于条件随机场的一种由近及远的在线、自适应大范围场景地形感知框架。首先通过把当前场景图片划分为超像素,将近视场超像素的特征向量和地形类别作为学习样本整合到地形数据库中,然后利用条件随机场和地形数据库对远视场超像素的特征信息和空间关系进行建模,再利用在线学得的模型参数对远视场超像素所属地形类别进行推理的方式,解决了双目相机的近视问题,并且该方法相对已有的其他方法在分类的精度、鲁棒性以及对动态环境的自适应能力三方面均有极大提高[14]。2)在避障策略研究方面:段华,赵东标提出了一种新颖、有效的,基于立体视觉的移动机器人动态避障方法。该方法首先提取出可疑障碍物区域,然后通过引入最大包围盒得到障碍物投影到水平路面的二维尺寸,接着利用几何知识获取障碍物相对机器人的运动速度和可能发生碰撞的方位,最后使用基于速度改变最小原则和速度改变最佳原则来完成机器人的动态避障[15]。张凤,谈大龙提出了一种机器人在动态环境下的动态实时避碰算法,该算法基于相对坐标系,在加速度空间中,通过动态实时地调整机器人自身速度的大小和方向使其离开碰撞区域,实现了机器人与动、静态障碍物之间的避碰[16]。洪炳溶,石朝侠等人为了提高移动机器人的动态避障能力,提出了一种基于视觉信息的拟人动态避障算法。该算法以视觉信息为决策依据,利用神经网络对障碍物的图像坐标和实际相对坐标进行非线性映射,在避障过程中只考虑障碍物相对于机器人的运动及可能的碰撞方式,无需考虑机器人和障碍物的运动速度和运动方向。仿真试验证明这种算法是可行而有效的[17]。祖迪,谈大龙等人针对动态不确定环境下移动机器人的路径规划问题,提出了加速度空间中一种基于线性规划的方法。在机器人的加速度空间中利用相对速度信息,把机器人路径规划这一非线性问题,描述成一组满足线性约束同时使目标函数极小的线性规划问题,通过嵌入基于线性规划方法的规划器,得到一条满足性能要求的最优路径。经验证,该算法比势场引导进化算法更优[18]。吴康,沈捷等人设计了一种基于模糊识别的移动机器人避障方案。采用模糊控制旳思想,根据捕获的障碍物图像中边界点的位置信息得到相应的姿态特征信息,根据障碍物的方位和大致姿态信息,采用设定一组虚拟目标点序列的方法,达到避障路径的合理规划。该算法降低了图像识别和处理的复杂度,提高了实时效率,仿真试验证明了该算法具有可行性,并且避障效果良好[19]。朱齐丹,仲训皇等人针对以往速度障碍法在动态避碰应用中存在的问题,制订了相应的改进方法。综合考虑障碍物速度的动态变化和碰撞时间、碰撞距离,在速度变化空间中,基于避碰行为动力学原理,设计了新的优化评价函数,釆用双障碍物检测窗口进行动态避碰规划。有效地克服了避碰规划的保守性,提高了机器人运动的安全性,并能实现对运动目标的及时追踪[20]。占日新,李舜酸等人釆用模糊聚类的方法对环境模型进行分类,对不同类型的障碍物釆用不同的避障策略,釆用间接识别方法,考察一个模糊集与哪一种已知模糊集最接近,应用择近原则进行处理。通过仿真实验检验了月球车在避障过程中安全与连续移动的性能,针对不同的模糊规则库,实现了月球车避障过程的自适应控制。根据主要信息来设计模糊控制器,减少了规则库的个数,相应的减少了避障所需要的计算量,增加了避障控制的实时性[21]。徐玉华,张崇巍等人针对向量场直方图(VFH)算法对阈值敏感的问题,基于激光测距仪提出了一种通过自适应阈值获得可行方向的移动机器人实时避障算法。对于给定的一组阈值,用其中的每个阈值求取可行方向,在获得的接近目标方向的所有可行方向中,选取最大阈值所对应的方向作为机器人的参考行驶方向。根据当前行驶方向与参考行驶方向之间的偏差和所选阈值的大小对线速度进行限制,在机器人上进行实验的结果表明,当最大运行速度设为0.8m/s时,机器人能够以0.61m/s的平均速度安全平滑地通过障碍区[22]。第二章传感器对障碍物的检测原理及方法目前应用于智能导航车辆的外部环境感知传感器有超声、激光雷达、红外、摄像机等[23]，根据信息的来源可以把环境感知传感器分为主动与被动两种。通过发射测量信号再接受外界环境对信号的反射信号的传感器称为主动传感器，如激光雷达、声纳、红外等；而CCD摄像机和红外摄像机等的工作原理则是通过感受物体对光线的反射或物体自身所发出的信息而得到环境图像信息，这种传感器称为被动传感器。两者相比较，被动传感器