基于單目攝像頭的人形機器人實時導(dǎo)航系統(tǒng)

王軍華，魏衡華（中國科學(xué)技術(shù)大學(xué)　自動化系，安徽　合肥　230026）

基于單目攝像頭的人形機器人實時導(dǎo)航系統(tǒng)

王軍華，魏衡華
（中國科學(xué)技術(shù)大學(xué)自動化系，安徽合肥230026）

提出一種用于室內(nèi)環(huán)境下人形機器人的實時導(dǎo)航系統(tǒng)。首先基于顏色特征，把單目圖像的像素點分類為地面和障礙物，并對各個障礙物的像素點進行聚類，以選擇出它們最底部的像素點作為特征點。然后基于SVM（Support Vector Machine）算法，構(gòu)造攝像頭中實際點和像素點坐標的映射關(guān)系，并用均值場理論輔助SVM的學(xué)習(xí)過程。根據(jù)映射關(guān)系和特征像素點，就可以估計出障礙物與機器人的距離。最后根據(jù)距離信息，在離散化的運動空間中，一步一步規(guī)劃出機器人的行走路徑。在人形機器人DARWIN上對提出的方法進行了實現(xiàn)，實驗結(jié)果顯示了該方法的有效性。

人形機器人；導(dǎo)航；顏色信息；支持向量機；路徑規(guī)劃

0　引言

近年來，研究人員對人形機器人開展了大量研究工作，并取得了巨大進步。人形機器人的機械結(jié)構(gòu)使得它們更適合人類的生活環(huán)境，比如家里和辦公室等室內(nèi)環(huán)境。而人形機器人能自由行動的關(guān)鍵在于其自主導(dǎo)航能力。人形機器人的自主導(dǎo)航涉及很多基礎(chǔ)研究領(lǐng)域，比如計算機視覺、人工智能、運動規(guī)劃等。

目前，已有一些針對不同硬件平臺的人形機器人的自主導(dǎo)航方法。陳衛(wèi)東等人［1］將障礙物和目標的位置信息模糊化，建立模糊規(guī)則并對其求解以實現(xiàn)自主導(dǎo)航；CHESTNUTT J等人［2］為Honda ASIMO人形機器人設(shè)計了腳步規(guī)劃器，基于有限的狀態(tài)獨立行為，使用A*算法搜索最優(yōu)腳步序列；ZANNATHA J M等人［3］設(shè)計了人形足球機器人的視覺自定位系統(tǒng)，通過圖像處理算法及幾何分析，進行3D單目重建，估計機器人在球場內(nèi)的位置和方向；WANG Y T等人［4］實現(xiàn)了人形機器人的定位和建圖，其使用SURF進行圖像特征檢測和選擇，并基于擴展的卡爾曼濾波繼續(xù)圖像深度計算和特征狀態(tài)估計；BALTES J等人［5］以視覺信息作為反饋，使用粒子濾波對機器人定位，據(jù)此規(guī)劃出機器人的行走路徑。

前人的工作中較多采用的是雙目視覺系統(tǒng)，或者配合聲納等設(shè)備，雖然這樣能使測量和控制更加精準，但機器人的體積及質(zhì)量往往較大。由于單目攝像頭成本較低、結(jié)構(gòu)簡單，越來越多的機器人用其作為自主導(dǎo)航檢測系統(tǒng)的傳感器。本文針對配置一個攝像頭的人形機器人以及在室內(nèi)地面行走的任務(wù)，設(shè)計了一個實用的實時導(dǎo)航系統(tǒng)，此系統(tǒng)使機器人在實驗環(huán)境中能夠從當(dāng)前位置到達預(yù)定的目的地。本文的工作為基于單目的人形機器人在更加復(fù)雜的環(huán)境中順利行走奠定了基礎(chǔ)。

1　系統(tǒng)概述

此導(dǎo)航系統(tǒng)分為3部分，分別為障礙物的檢測、障礙物的定位和機器人路徑規(guī)劃。

檢測障礙物時，基于顏色特征，把單目圖像中的所有像素點分類為地面和障礙物。對屬于障礙物的像素點進行聚類，以區(qū)分開不同的障礙物。選擇每個障礙物最底部的像素點作為此障礙物的特征點，用于估計此障礙物和機器人之間的相對位置。

定位障礙物時，先用SVM（Support Vector Machine）算法構(gòu)造攝像頭中實際點和像素點坐標的映射關(guān)系，并用均值場理論來輔助SVM的學(xué)習(xí)過程?；诖擞成潢P(guān)系，還原出特征像素點的3D信息，就可以估計出障礙物與機器人的距離。

根據(jù)機器人的行走特點，離散化機器人的運動空間，然后根據(jù)距離信息，一步一步規(guī)劃出機器人的行走路徑。

2　系統(tǒng)設(shè)計描述

2.1障礙物檢測

機器人在自主運動的過程中，需要避開地面上的障礙物?？蓪C器人行走的室內(nèi)地面環(huán)境進行一些合理假設(shè)：地面平坦且顏色一致；障礙物都在地面上沒有懸空；障礙物的顏色與地面的顏色不同；障礙物的形狀比較簡單且有規(guī)則。

本文選擇顏色特征作為識別障礙物的主要線索。使用機器人的攝像頭對機器人行走的地面進行多次隨機采樣，以獲取較完備的地面參考信息。將攝像頭輸出的RGB顏色空間的圖像轉(zhuǎn)換到HIS顏色空間，計算出所有地面采樣圖像的平均色調(diào)和強度直方圖，并用簡單均值濾波器進行濾波處理。

機器人行走時，用5×5高斯濾波器對輸入圖像進行濾波，以降低圖像中的噪聲。將過濾后的圖像轉(zhuǎn)換到HIS顏色空間。

將圖像中的每個像素的色調(diào)、強度與參考數(shù)據(jù)相比較，如果滿足以下兩個條件之一，則該像素被判定屬于障礙物：（1）該像素色調(diào)值在直方圖中的頻數(shù)低于某個閾值；（2）該像素強度值在直方圖中的頻數(shù)低于某個閾值。

基于前文所描述的方法，對圖1（a）中地面上的圓柱體進行識別，識別結(jié)果如圖1（b）為所示，此實驗驗證了障礙物檢測方法的有效性。

圖1　障礙物識別結(jié)果示例

2.2障礙物定位

識別出視野內(nèi)地面上的障礙物后，還需要弄清障礙物和機器人的相對位置，才能進一步確定機器人的行走方向。根據(jù)前文的假設(shè)，由于障礙物都比較簡單且有規(guī)則，可以選擇障礙物最底部的點作為障礙物的特征點，用于度量障礙物和機器人的距離。

對單攝像頭采集的2D圖像，無法直接得到其中的像素點對應(yīng)實際點的真實坐標，需要建立它們之間的映射關(guān)系。本文利用SVM［6］回歸分析，求得攝像頭模型參數(shù)。均值場理論［7］用于輔助SVM算法的學(xué)習(xí)過程。

本文采用針孔透視投影模型，假設(shè)真實點M（X，Y，Z）對應(yīng)圖像像素點m（x，y），用式（1）表示這種投影關(guān)系：

式（1）的圖形化表示如圖2所示，可以看出，3個輸出分支之間存在耦合，因此無法對其單獨優(yōu)化。

圖2　齊次變換的圖形化表示

使用線性核的SVM回歸規(guī)則表示輸出為：

為克服回歸輸出之間存在的耦合問題，在優(yōu)化支持向量回歸機時，可以使用梯度下降法對伸縮因子s進行優(yōu)化。

用放置在地面上的黑白相間的方格棋盤來構(gòu)造訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集，以機器人在地面投影的中心為原點構(gòu)造真實世界坐標系，如圖3所示。選擇方塊的角作為特征點，用其中60個點的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，另外20個點的數(shù)據(jù)作為測試數(shù)據(jù)。可以通過角點檢測計算出所有特征點的像素坐標。對被選入訓(xùn)練集合的特征點，它們在坐標系O-xyz中的3D坐標為輸入，它們所對應(yīng)的像素點在圖像平面上的像素坐標為輸出。

圖3　訓(xùn)練場景示意圖

給定伸縮因子初始值后，就可以開始訓(xùn)練映射函數(shù)。用平均場方法優(yōu)化圖3中的回歸分支，用梯度下降法更新伸縮因子，重復(fù)這兩個過程直到式（4）達到最小。

訓(xùn)練結(jié)束后，投影矩陣的估計值為：

測試時，輸入測試集中特征點的像素坐標，得到對應(yīng)真實坐標的估計值，3D重建的準確度用均方根誤差來衡量：

2.3路徑規(guī)劃

機器人的運動機制比較復(fù)雜，使得其路徑規(guī)劃也很困難，一種簡單的處理辦法就是離散化機器人的運動空間。針對機器人的機械結(jié)構(gòu)及步態(tài)特點，本文為人形機器人設(shè)計了一種樹形路徑規(guī)劃算法。對機器人的下一個位置，設(shè)計了5種不同的選擇，如圖4所示。

圖4　運動空間離散化

對每個位置，由式（7）計算出一個值，作為選擇下一個位置的依據(jù)：

其中，j∈｛1，2，…，5｝，dmax為距離的最大值，本文中取dmax=300cm。

計算出每個位置對應(yīng)的fj后，再根據(jù)式（8）確定下一個位置的最優(yōu)選擇：

在圖4中，此位置為m3。當(dāng)機器人到達下一位置后，不斷重復(fù)以上路徑規(guī)劃過程直到機器人走到目的地。

3　實驗結(jié)果

本文以韓國ROBOTIS公司制造的小型人形機器人DARWIN為驗證平臺，對所提出的導(dǎo)航方法進行了實現(xiàn)。實驗場景如圖5（a）所示，地面上的紅色小球為目標地點，行進的路徑上有4個障礙物。

圖5（a）、（b）分別為機器人在起點處的場景圖和視野圖，機器人看到預(yù)設(shè)的4個障礙和兩個目標小球；圖5（c）、（d）分別為機器人到達第一個目標地點處的場景圖和視野圖，機器人避開障礙物并準確到達目的地，此時視野中還有兩個預(yù)設(shè)的障礙物以及一個目標小球；圖5（e）、（f）為機器人到達第二個目標地點處的場景圖和視野圖，機器人依然成功避開障礙物并準確到達目的地，此時視野中無目標，機器人停止行走。

圖5　機器人自主導(dǎo)航的快照

機器人順利完成設(shè)定的避障導(dǎo)航任務(wù)，驗證了本文所述方法的有效性。

4　結(jié)論

本文為小型人形機器人提出一種實用的實時導(dǎo)航系統(tǒng)。此系統(tǒng)包括3部分：（1）基于顏色特征的障礙物檢測系統(tǒng)；（2）基于SVM的障礙物定位系統(tǒng)；（3）基于運動空間離散化的樹形路徑規(guī)劃系統(tǒng)。障礙物檢測系統(tǒng)通過區(qū)別障礙物和地面的顏色特征，能夠比較準確地識別出在給定地面上的有別于地面顏色的障礙物，并選擇出用于計算障礙物和機器人距離的特征點。經(jīng)過訓(xùn)練的障礙物定位系統(tǒng)對測試數(shù)據(jù)表現(xiàn)良好，能夠比較精確地根據(jù)圖像中的像素坐標還原出對應(yīng)實際點的真實坐標。樹形路徑規(guī)劃方法將機器人的運動空間離散化為樹形結(jié)構(gòu)，能根據(jù)當(dāng)前障礙物和機器人的相對位置關(guān)系，從當(dāng)前位置節(jié)點的子節(jié)點中選擇下一個行進位置，使機器人一步一步抵達目標位置。在DARWIN機器人上實現(xiàn)了整個系統(tǒng)，并通過實驗驗證，機器人順利避開障礙物到達設(shè)定的目標位置，顯示了本文方法的有效性。

［1］陳衛(wèi)東，朱奇光.基于模糊算法的移動機器人路徑規(guī)劃［J］.電子學(xué)報，2011，39（4）：971-974，980.

［2］CHESTNUTT J，LAU M，CHEUNG G，et al.Footstep planning for the Honda ASIMO humanoid［C］.Proceedings of the 2005 IEEE International Conference on Robotics and Automation，ICRA 2005，IEEE，2005：629-634.

［3］ZANNATHAJM I，CISNEROSLIMóN R，GóMEZ SáNCHEZ A D，et al.Monocular visual self-localization for humanoid soccer robots［C］.2011 21st International Conference on Electrical Communications and Computers，.IEEE，2011：100-107.

［4］WANG Y T，HUNG D Y，CHENG S H.Monocular SLAM for a small-size humanoid robot［J］.Tamkang Journal of Science and Engineering，2011，14（2）：123-129.

［5］BALTES J，CHENG C T，LAU M C.Real-time navigation fora humanoid robotusing particle filter［J］.Applied Mechanics and Materials，2013，284：1914-1918.

［6］VAPNIK V.The nature of statistical learning theory［M］.New York：Springer，1995.

［7］OPPER M，WINTHER O.Gaussian processes for classification：mean field algorithms［J］.Neural Computation，2000，12（11）：2655-2684.

Study on real-time navigation for humanoid robot with monocular

Wang Junhua，Wei Henghua
（Department of Automation，University of Science and Technology of China，Hefei 230026，China）

This paper presents a real-time navigation system.Based on color information，pixels from monocular image are classified into ground and obstacles，and pixels from the same obstacle are clustered to choose the bottom ones as features.Then SVM（Support Vector Machine）is used to establish a mapping between the real-world coordinates of points and their corresponding image pixels，and Field Mean theory is used to assist the learning procedure.Distances between obstacles and robot can be estimated according to the mapping and features.At last，the path is planned step by step in the discretized motion space with the distances information.The navigation method is implemented on humanoid robot DARWIN and the results of the experiment show its effectiveness.

humanoid robots；navigation；color information；SVM；path planning

TP391

A

1674-7720（2015）16-0049-03

王軍華，魏衡華.基于單目攝像頭的人形機器人實時導(dǎo)航系統(tǒng)［J］.微型機與應(yīng)用，2015，34（16）：49-51，54.

2015-03-20）

王軍華（1988-），男，碩士研究生，主要研究方向：控制理論與控制工程。

魏衡華（1955-），男，碩士，副教授，碩士生導(dǎo)師，主要研究方向：智能控制，伺服控制，運動控制。