車輛智能障礙物檢測方法及其農(nóng)業(yè)應(yīng)用研究進展

何 勇，蔣 浩，方 慧，王 宇，劉羽飛

（浙江大學生物系統(tǒng)工程與食品科學學院，杭州 310058）

0 引 言

傳統(tǒng)的農(nóng)業(yè)作業(yè)過程一般是由人或人操縱農(nóng)機完成，勞動重復且單調(diào)，易產(chǎn)生疲勞，長時間會導致作業(yè)精度下降以及危險性上升，智能化農(nóng)業(yè)車輛的使用則可以減輕人員的勞動強度，提升作業(yè)的精度及安全性。智能化農(nóng)業(yè)車輛（包括農(nóng)業(yè)機器人）是一個高度信息化、自動化、智能化，可自主實施變量作業(yè)的智能化平臺，隨著精準農(nóng)業(yè)理論的發(fā)展，其自動導航技術(shù)已越來越受到國內(nèi)外的關(guān)注[1-2]。農(nóng)機自動導航技術(shù)的研究內(nèi)容主要包括環(huán)境中障礙物的檢測、路徑規(guī)劃、車輛模型的建立與控制方法，其中障礙物檢測是重要的一個環(huán)節(jié)，當環(huán)境復雜時是進行其他任務(wù)的前提[3]。

真實的農(nóng)田環(huán)境是復雜的非結(jié)構(gòu)化環(huán)境，在智能農(nóng)業(yè)車輛或機器人行進路線上不可避免的存在大量障礙物，包括高土堆或坑、樹樁或較大的樹杈、灌木叢、電線桿、人工放置的農(nóng)具以及人、家畜和其他行駛的農(nóng)機等，如果不通過傳感器實時感知并及時避開，會造成嚴重的安全問題。目前世界上用于障礙物檢測的傳感器主要為超聲波傳感器、激光雷達和視覺傳感器，但大多數(shù)的研究集中在室內(nèi)或者已知結(jié)構(gòu)的簡單室外環(huán)境，對于田間的研究相對較少。隨著多傳感器融合技術(shù)的運用，復雜環(huán)境障礙物檢測的可靠性提高且成本降低，使得其成為了新的研究熱點。

本文將首先對單一種類傳感器檢測技術(shù)在農(nóng)田環(huán)境中的障礙物檢測研究進行逐一研究，分析每一類的優(yōu)點以及存在的問題；然后將幾種典型的傳感器技術(shù)融合方式（視覺技術(shù)與超聲波技術(shù)，視覺技術(shù)與激光雷達技術(shù)以及Kinect傳感器）的應(yīng)用情況進行概述；最后對未來這方面可能展開的研究進行展望，包括新型裝置和新算法引入及原有傳統(tǒng)方法的改進2個方面。

1 超聲波技術(shù)障礙物檢測

超聲波是一種頻率高于人耳聽覺上限的聲波，其方向性好、穿透能力強、易于獲得集中的聲能，在農(nóng)業(yè)[4]、化工[5]、醫(yī)學[6]、軍事[7]等領(lǐng)域得到了廣泛的應(yīng)用。超聲波距離檢測的基本原理是通過傳感器發(fā)出超聲波，遇物體反射后，傳感器計算超聲波的飛行時間（time of fly ,TOF）從而確定物體的大致位置。

1.1 室內(nèi)環(huán)境下障礙物檢測

當超聲波技術(shù)用于障礙物檢測時，單一的傳感器能探測的范圍太小且方向性差無法滿足需求[8]，一般會使用多個傳感器同時發(fā)出和接收信號。由于超聲波傳感器無需接觸、操作簡單、探測速度快（一個測量周期僅需幾十毫秒），并且在一定條件下可以檢測到處于黑暗、灰塵、煙霧、電磁干擾、有毒等惡劣環(huán)境中的被測障礙物[9]，該技術(shù)已經(jīng)在室內(nèi)環(huán)境自動導航中得到了廣泛的應(yīng)用。Veelaert等[10]嘗試將三個超聲波傳感器安裝在自動輪椅上以檢測輪椅前面的障礙物，但是他們沒有考慮多物體反射的互相干擾以及傳感器的方向性，因此只能應(yīng)用在單一障礙物或者障礙物間距離較大的簡單條件下；Ohya等[11]利用超聲波技術(shù)輔助視覺，通過由 4個超聲波傳感器組成的聲納環(huán)檢測移動的障礙物；Ure?a等[12]設(shè)計了基于 4個超聲波傳感器的室內(nèi)障礙物檢測系統(tǒng)，能夠檢測出墻壁、墻角等障礙物；曾迎生等[13]設(shè)計了一種超聲傳感器線陣，可在室內(nèi)環(huán)境下確定障礙物的距離和方位；美國Activmedia公司生產(chǎn)的Pioneer2DXE型移動機器人在機器人的前方和兩側(cè)安裝了 8個超聲傳感器用于檢測[14]。

上述這些研究都是在室內(nèi)環(huán)境進行，障礙物種類單一且位置大致已知，僅需檢測出障礙物的距離與大致邊界，而在非結(jié)構(gòu)化的室外環(huán)境中，不僅障礙物種類更多樣化，且位置未知，還存在重疊或者間距較小的情況。

1.2 室外環(huán)境及農(nóng)田環(huán)境障礙物檢測

隨著技術(shù)的發(fā)展和設(shè)備的更新，國內(nèi)外學者開始研究超聲波技術(shù)在室外環(huán)境中的應(yīng)用并獲得了一定的成果，但仍存在亟需解決的問題。Guo等[15]通過 2個超聲波傳感器檢測并計算室外靜止和移動障礙物的相對位置，但由于強風會造成超聲波反射信號的丟失，該系統(tǒng)無法在有強風的環(huán)境中對障礙物進行有效檢測。高云[16]采用聲速溫度補償及針對濕度、氣壓等其他影響因素的誤差修正因子補償來提高測距精度的方法，設(shè)計了超聲波測距系統(tǒng)，該系統(tǒng)在100~4 000 mm范圍內(nèi)，對障礙物的距離檢測誤差在10%以內(nèi)。石彪等[17]對超聲波的傳播、反射過程中引起的農(nóng)業(yè)機器人測距不確定性進行了研究，并提出了基于概率和D-S理論的2種方法，對獲取的信息進行分析和融合，從而確定障礙物的位置。Dvorak等[18]針對不同表面對超聲波反射波特性影響的問題，試驗研究了超聲波傳感器用于不同農(nóng)田障礙物或結(jié)構(gòu)環(huán)境中障礙物的檢測能力，試驗的對象包括人、動物、籬笆樁、不同植物冠層、水壺、定向刨花板等。賈闖等[19]研制了用于山地果園單軌運輸機的超聲波避障系統(tǒng)，以規(guī)則物塊（高60 cm、寬20 cm、長30 cm）和不規(guī)則小石塊（最大橫截面積直徑小于等于18 cm，高小于等于8 cm）作為軌道上的障礙物，以側(cè)枝較多的盆栽柑橘樹（直徑70 cm，高110 cm）作為軌道旁的非障礙物，結(jié)果顯示將超聲波傳感器安裝在車頭正前方中垂線上距軌道垂直高度 10 cm處時能達到最佳安全停車距離，且都不會將非障礙物誤判為障礙物而導致停車；該試驗對農(nóng)田環(huán)境具有一定參考性，單軌條件可類比作物行間的行車路徑，柑橘樹側(cè)枝可類比作物的側(cè)枝，因此可考慮將該系統(tǒng)用于農(nóng)機行進道路上的障礙物檢測。

綜上所述，目前將超聲波技術(shù)用于室外環(huán)境（包括更為復雜的農(nóng)田環(huán)境）中的障礙物檢測仍存在的問題有：超聲波檢測障礙物空間位置的準確性較差，誤差在10~50 cm[20]；環(huán)境噪音或者多個傳感器之間的相互干擾會造成檢測系統(tǒng)的頻繁誤判；空氣溫度在一定的程度上會對超聲波傳播速度產(chǎn)生影響；障礙物的表面類型會影響超聲波檢測的效果[21]。因此，該技術(shù)目前只適用于障礙物相對單一的場景?？梢灶A見，在復雜的農(nóng)田環(huán)境中進行障礙物檢測，如果出現(xiàn)障礙物和作物混雜在一起的情況或者是存在超聲波檢測效果不好的障礙物（如牛、羊等[21]），單獨使用超聲波技術(shù)是無法完成的，將其與其他傳感器檢測技術(shù)相結(jié)合使用是未來研究的趨勢。

2 激光雷達技術(shù)障礙物檢測

激光雷達（light detection and ranging, LIDAR），是激光與現(xiàn)代光電探測技術(shù)結(jié)合的探測方式，集激光、全球定位系統(tǒng)（global positioning system, GPS）和慣性導航系統(tǒng)（inertial navigation system, INS）三種技術(shù)于一體，通過發(fā)射器向目標發(fā)射激光束，將接收到的反射信號與發(fā)射信號比較，處理后得到目標的相關(guān)信息，如目標距離、方向、速度、形狀參數(shù)等，基本原理與超聲波測距類似，但該技術(shù)依據(jù)光速計算距離，而光的傳播速度基本不受環(huán)境溫度的影響。激光雷達具有分辨率高、抗有源干擾能力強、光束窄的優(yōu)點，已經(jīng)被廣泛應(yīng)用于軍事[22]、大氣監(jiān)測[23]、無人機遙感[24]、道路檢測[25]、自動避障等方面。根據(jù)掃描機構(gòu)的不同，激光雷達可分為二維掃描和三維掃描2種。

2.1 二維激光雷達

與三維激光雷達相比，二維激光雷達通常只使用一組激光傳感器和一個旋轉(zhuǎn)裝置在一條線上進行掃描[26]，結(jié)構(gòu)簡單、檢測速度快、價格相對較低。

2.1.1 室內(nèi)研究

Kwon等[27]利用二維激光對實際環(huán)境中不規(guī)則形狀的障礙物進行檢測，通過得到數(shù)據(jù)的空間近鄰性對障礙物區(qū)域進行劃分；該方法雖能檢測到不規(guī)則的墻壁或微小障礙物，但不能提取出有效的線段特征且只適用于準靜態(tài)環(huán)境（障礙物位置非一直保持移動）。Kyriakopoulos等[28]基于二維激光雷達的掃描測量設(shè)計了一種方法，對機器人的移動進行評估同時對移動障礙物進行檢測并估計速度；該方法試驗場所為辦公室內(nèi)且障礙物較為單一，僅為遙控的玩具汽車。于金霞等[29]使用二維激光雷達對辦公室環(huán)境中的障礙物，使用無監(jiān)督聚類學習對障礙物的特征進行提取并將模糊邏輯引入增量式數(shù)據(jù)關(guān)聯(lián)來進行障礙動靜態(tài)屬性的判別；該方法對運動物體具有一定的識別能力且能消除長期運動中軌跡推測造成的誤差。

2.1.2 室外研究

上述都是二維激光雷達用于室內(nèi)障礙物檢測，近幾年也有學者對二維激光檢測技術(shù)的室外應(yīng)用展開了研究。Takahashi等[30]針對人行道上障礙物的情況設(shè)計了基于LIDAR的緊急避障模塊，模塊包括傾斜安裝的二維激光雷達和嵌入式微控制器，并運用二維自回歸模型對障礙物的位置進行了定位；試驗結(jié)果證明可以對靜止的路障、運動的人和自行車進行較好的檢測且能將低矮的障礙物與斜坡進行快速區(qū)分。Peng等[31]則基于二維激光雷達設(shè)計了障礙物檢測的算法，將得到的激光點云去噪后進行濾波、分割和聚類，最終輸出障礙物的形狀和位置；該算法的數(shù)學模型簡單實時性強，且能用于室外環(huán)境下的已知障礙物（灌木叢、墻壁、木箱）的檢測，但只能是用于靜止障礙物且要求路面平整。

從上述的文獻可以看出，二維激光雷達適用的前提是周圍環(huán)境的路面情況比較平坦，不會出現(xiàn)大幅度的顛簸情況，然而，而在復雜的野外（包括農(nóng)田）環(huán)境中地形高低不平，會引起車體行駛時的劇烈顛簸；且二維激光測距雷達只能是單線掃描，對于掃描線外的障礙物無法進行檢測。樸燕等[32]將虛擬二維激光雷達用到了障礙物檢測上，并結(jié)合 3D場景點云特征進行掃描障礙物模擬；虛擬激光雷達是一類以計算機模型模擬激光傳播、測距、成像原理形成激光圖像的技術(shù)，國外已經(jīng)開始對這方面進行研究[33-35]，但目前技術(shù)還不是很成熟且應(yīng)用在障礙物檢測上的研究很少。

2.2 三維激光雷達

三維激光雷達通過多線（即多組傳感器同時掃描，常見的有4線、8線、16線、32線）混合固態(tài)或固態(tài)旋轉(zhuǎn)來實現(xiàn)三維空間的環(huán)境測繪，在室外環(huán)境中的應(yīng)用比二維激光雷達更多。Brenneke等[36]提供了一種三維激光障礙物識別算法，將三維點云分成兩類，第一類點垂直成一條線，如樹干、墻、坑和某些人造路標；第二類點與地面無直接關(guān)聯(lián)，如樹枝、屋頂，對整副圖像兩類點進行顏色標識即可完成對障礙物的識別。Jiménez等[37]提供了一種改進的障礙物識別算法，解決了一般方法只依賴障礙物距離對障礙物進行識別的局限性，并通過提取障礙物的特征軸，計算動態(tài)變量如速度；該算法在室外進行試驗測試時，結(jié)果具有較高的魯棒性和精確性。Asvadi等[38]利用三維激光掃描獲得的點云數(shù)據(jù)和慣性導航系統(tǒng)獲得的定位數(shù)據(jù)設(shè)計了一種方法進行城市環(huán)境中的靜態(tài)和動態(tài)障礙物檢測（馬路上常見的運動障礙物包括行駛的車輛、行人，靜止障礙物包括路邊?？康能囕v、電線桿和樹木），首先利用分段平面擬合算法和RANSAC方法對地形進行評估，然后對三維像素點網(wǎng)格模型進行判別分析和自運動分析檢測靜態(tài)和動態(tài)的障礙物；試驗結(jié)果證明該方法可行。

應(yīng)用三維激光雷達檢測障礙物獲得的信息更直觀，且視角更大，受車輛顛簸的影響更小，但由于系統(tǒng)的造價昂貴，目前還沒有學者或研究將其直接運用在農(nóng)田障礙物檢測中。

2.3 激光雷達技術(shù)的農(nóng)業(yè)應(yīng)用

針對三維激光和二維激光雷達各自的缺點，有學者提出了將二維雷達進行改裝進行三維掃描的解決方法。國內(nèi)外學者采取了改裝或組合二維激光雷達以獲得三維采樣功能的方法，如德國的自主智能系統(tǒng)研究所的Surmann等[39]、美國的卡耐基梅隆大學的Tuley等[40]和浙江大學的孫宇[41]都將二維激光雷達增加一維掃描裝置（通常為云臺）以實現(xiàn)三維測量；而日本東京大學的Zhao等[42]和浙江大學的項志宇[43]則通過安裝 2個二維激光雷達在不同的位置獲得不同的掃描位置和掃描深度信息，然后加以融合獲得環(huán)境的三維信息。

雖然目前仍然很少有研究將激光雷達技術(shù)單獨用在農(nóng)機農(nóng)田障礙物檢測中，但其已經(jīng)在農(nóng)業(yè)中的其他方面得到了應(yīng)用。薛金林等[44]利用基于激光雷達研究農(nóng)業(yè)機器人在有行株距的果樹行和無行株距的果樹行（尤其是單側(cè)存在行缺失的情況）中的導航性能；張瑩瑩[45]用激光雷達檢測果樹的位置，并通過結(jié)果生成導航線和導航控制量指導農(nóng)業(yè)移動機器人行走；H?mmerle等[46-48]使用激光雷達技術(shù)分別進行了糧食作物表面建模、糧食產(chǎn)量建模和農(nóng)田土地利用檢測。

3 機器視覺技術(shù)障礙物檢測

機器視覺就是指用視覺傳感器代替人眼來做測量和判斷[49]，已經(jīng)被廣泛的應(yīng)用于自動導航中的障礙物檢測中。目前常用的視覺傳感器主要有單目相機、雙目相機和多目相機。單目相機結(jié)構(gòu)簡單，在已知障礙物類型的特定環(huán)境中可以用來進行障礙物檢測[50-52]，但是在非特定環(huán)境中只能得到二維信息[53]，目前較多應(yīng)用在噴藥播種施肥、地頭識別、田間路徑檢測[54-57]；多目相機需要用到 3個及以上的相機，構(gòu)造復雜，價格相對昂貴，對計算機處理器的運算速度要求很高[58]，較少運用于智能農(nóng)機的自動導航系統(tǒng)中。相比較而言，雙目相機更有利于研究和使用[59]，尤其是在障礙物檢測方面，得到了國內(nèi)外學者的重視。

雙目視覺技術(shù)的基本原理是利用兩臺位置固定（一般平行）的相機，在兩個不同的視角下得到兩幅圖像，通過幾何原理計算視差（兩幅圖像中同一像素點的位置偏差），從而確定三維空間點的深度信息。早在1995年，Matthies[60]等就首先證明了立體視覺技術(shù)實際用于無人駕駛地面車輛（UGV）的可行性，其中就改進了算法通過高度閾值實現(xiàn)了對障礙物的檢測；近幾年來，算法得到了不斷的改進，尤其是在立體匹配方面，Yoon等[61-68]學者提出了多種算法，研究的障礙物對象也從靜止狀態(tài)變?yōu)橐苿訝顟B(tài)[69-71]。

但是很多研究都只適用于室內(nèi)環(huán)境和室外簡單障礙物條件，或者僅僅存在于理論階段，而在實際農(nóng)田中，智能農(nóng)機作業(yè)環(huán)境復雜、障礙物種類較多，如何利用雙目視覺進行快速準確的農(nóng)田障礙物識別成為國內(nèi)外學者研究的一個熱點。

3.1 田間障礙物識別分割算法

3.1.1 傳統(tǒng)算法

基于雙目視覺技術(shù)檢測障礙物的關(guān)鍵在于利用圖像分割算法識別復雜背景中的多種典型障礙物。Reid[72]在專利中提出了一套基于雙目視覺的田間障礙物檢測系統(tǒng)，可以對高于田間作物冠層的障礙物進行檢測，并通過立體匹配獲得障礙物的范圍和距離。Wei等[73]假定人為唯一潛在的田間障礙物，通過設(shè)定閾值對獲得的視差圖進行處理，可以檢測出農(nóng)機附近的人型障礙物及其運動狀態(tài)。張磊等[74]提出通過分析掃描線上的亮度分布情況將障礙物區(qū)域從背景中分割出來，并進行快速的立體特征匹配，得到障礙物的空間信息，結(jié)果表明每對圖像的處理時間小于100 ms且檢測出人型障礙物的正確率達到95%。丁幼春等[75]針對聯(lián)合收割機的視覺測障，提出了將單目彩色圖像分割與立體視覺特征匹配相結(jié)合的新方法，利用H、S分量對單目圖像閾值分割獲得潛在障礙物的區(qū)域，采用尺度空間不變（SIFT）算法和近似最近鄰分類（ANN）算法進行立體特征匹配，進一步確定障礙物距離收割機的距離，該算法在200 ms內(nèi)可以完成障礙物的檢測。Yin等[76]對3D相機（PMD CamCube 2.0，原理即通過兩個鏡頭得到深度圖像，且相機內(nèi)自帶立體匹配的程序）獲得的深度圖像進行去噪處理，去除噪聲后的像素點通過坐 標轉(zhuǎn)換并設(shè)定高度閾值進行過濾，再通過四聯(lián)通法（4-connectivity）進行障礙物的邊界提取，最終獲得障礙物的位置和大小信息。

上述的傳統(tǒng)閾值分割方法雖然得到獲得較好的檢測效果且單幅圖像的處理時間較短，但都存在一定的局限性，如 Wei[73]和 Yin[76]的檢測對象都僅僅為田間的人，Reid[72]、張磊[74]和丁幼春[75]的試驗對障礙物與周圍環(huán)境的高度差或顏色差有嚴格的要求。

3.1.2 傳統(tǒng)算法的改進及新算法的提出

總的來說，傳統(tǒng)算法存在的問題有：檢測的障礙物種類單一；無法檢測未知障礙物；對于作物遮擋的障礙物檢測效果不佳；部分算法的實時性較差。針對這些問題，也有學者提供了新的思路。

楊福增等[77]提出了一種針對不同障礙物的檢測方法：對獲得的左右圖像用Bouguet算法進行雙目校正，然后采用 SAD（絕對差值和）算法對校正后的雙目圖像進行立體匹配，獲得障礙物的深度信息；田間試驗設(shè)置的障礙物包括人、磚塊、鐵鍬和陷坑，識別的準確率達到96%以上，且完成一次檢測的時間小于 100 ms。但是，該試驗雖然分析了多種障礙物情況，但這些障礙物的類型和大致位置是已知的，且需要滿足檢測距離小于 2 m的條件，難以在田間實用。

茍琴等[78]基于視差圖提出了一種障礙物的檢測方法：采用改進的立體匹配算法（基于SAD算法）對獲得的圖像進行立體匹配獲得視差圖，然后通過視差閾值和區(qū)域聯(lián)通分割出潛在的障礙物區(qū)域，最后由面積閾值和高度閾值進一步過濾，檢測出障礙物并定位，田間結(jié)果顯示在 5 m視野內(nèi)，障礙物距離和尺寸的相對偏差在4.37%和3.81%內(nèi)，總耗時不超過310 ms，滿足多數(shù)情況下的作業(yè)要求；該算法較好的解決了未知障礙物的問題，但是算法中的視差閾值、高度閾值和面積閾值都是根據(jù)經(jīng)驗或試驗得出，對于不同的試驗場景不具有普遍性，且算法單幅圖像的處理時間較長，實時性仍較差。

韓永華等[79]提出了基于頻率信息與立體匹配相結(jié)合的方法，利用作物和非作物頻率信息的區(qū)別，檢測發(fā)生遮擋的障礙物，最后采用立體匹配技術(shù)確定障礙物的具體位置；試驗圖像在深秋的青菜地、春天的麥田、收獲期麥田、生長期水稻田中進行，發(fā)現(xiàn)田頭、農(nóng)業(yè)機械、土堆、石塊、電線桿、人等障礙物都可以檢測出且檢出率為100%，單幀圖像的平均處理時間為79 ms。Ball等[80]設(shè)計的障礙物檢測和自動導航系統(tǒng)中使用雙目視覺相機和 novelty-based障礙物檢測方法，先將典型的種植場圖像模型輸入給系統(tǒng)，當相機采集到的圖像中出現(xiàn)模型之外的區(qū)域時就標記為潛在的障礙物，并用 LIBELAS（Library for Efficient Large-Scale Stereo Matching）匹配方法對其進行立體匹配生成三維點云，經(jīng)過過濾后找出障礙物，并最終輸出二維的局部障礙物圖和障礙物位置的掩膜，試驗結(jié)果顯示可以避開多種典型的靜止農(nóng)田障礙物，如：油桶、農(nóng)機、樹杈和人。Fleischmann等[81]則將通過像素差的絕對值（Sum of Absolute Differences,SAD）立體匹配后得到的三維點云分割成相互獨立的平面單元，通過分析點的密度和分布以及擬合平面的法線確定障礙物所在的單元，最終通過鄰域分析實現(xiàn)障礙物的聚類與識別，試驗證明該方法可準確識別多種環(huán)境中的障礙物包括收割田中的電線桿，且能夠?qū)崟r進行。姬長英等[82]也利用了雙目視覺中立體匹配得到的點云圖為對象進行了障礙物檢測，通過對不同區(qū)域點云密度的計算獲得點云密度隨距離的衰減曲線，經(jīng)二次設(shè)置有效空間后鎖定障礙物位置，并將障礙物點云分別投影于俯視柵格圖和正視圖中，獲得距離和尺寸信息；結(jié)果顯示該方法的最大測距為28 m（平均誤差2.43%），最大尺寸檢測范圍為10 m。

3.2 雙目視覺技術(shù)的優(yōu)點和缺點

相比于其他方法，利用機器視覺（雙目視覺）進行農(nóng)田障礙物的檢測，具有以下的優(yōu)點：機器視覺使用的相機不對外發(fā)射信號，所以不會對周圍環(huán)境造成影響[83]；可以檢測更寬廣視角下的障礙物而無需進行掃描[73]；機器視覺能在瞬時得到一個面上的信息，并進一步得到一個區(qū)域范圍的信息；相比于其他傳感器，用于障礙物檢測的相機價格更低，且圖像內(nèi)包含的信息更多。但是該方法也存在以下的問題需要解決：受環(huán)境光的影響較大，在沒有良好光照的條件下障礙物不易被檢測[84]；雖然已有很多算法提出，但如何從復雜環(huán)境中快速準確檢測出與環(huán)境類似的障礙物仍是一個重大問題；環(huán)境中的灰塵、雨、雪會對障礙物的檢測產(chǎn)生很大的影響[85]；由于立體匹配的準確性隨著檢測距離增加而降低，所以該方法的檢測距離受到限制，部分系統(tǒng)無法滿足實際的農(nóng)田作業(yè)。

針對這些問題，也有學者進行了相應(yīng)的研究：Broggi等[86-87]使用多基線相機（multibaseline cameras）取代雙目視覺中的普通相機，可以有效地提升立體匹配的距離從而提高障礙物的檢測距離，但是該方法會降低檢測的精度并提高系統(tǒng)的成本；Gée等[88]采用RGB顏色空間，利用2G-R-B作為顏色特征因子，在一定程度上降低了光照對圖像分析造成的干擾；An等[89]采用與光照無關(guān)的方法消除圖像陰影，提高了導航系統(tǒng)在光照變化條件下參數(shù)提取的穩(wěn)健性，但是該算法計算復雜、耗時長，難以滿足實時性要求。

盡管現(xiàn)在對于上述問題還沒有很好的解決方案，但是機器視覺技術(shù)已經(jīng)證明了在環(huán)境可控的條件下是一種有效的障礙物檢測方法，隨著研究的深入，該技術(shù)會在農(nóng)田障礙物檢測中得到更多的應(yīng)用。

4 多傳感器融合障礙物檢測

農(nóng)田環(huán)境是非結(jié)構(gòu)化環(huán)境，相比于如室內(nèi)這種結(jié)構(gòu)化環(huán)境，更為復雜和未知，障礙物種類更多且環(huán)境因素更不可控，因此需要障礙物檢測系統(tǒng)具有更高的精確性、更遠的檢測距離、更好的實時性和更強的環(huán)境適應(yīng)性。而單一的傳感器檢測技術(shù)雖各有優(yōu)點，但同時也存在局限性，如表 1所示。顯然，只靠單一傳感器搭建的系統(tǒng)無法滿足農(nóng)機的農(nóng)田作業(yè)要求，隨著多傳感器融合技術(shù)的出現(xiàn)和應(yīng)用[90]，將 2種或多種單傳感器檢測技術(shù)結(jié)合運用到系統(tǒng)中已經(jīng)成為室外環(huán)境障礙物檢測的趨勢。

表1 單一傳感器檢測技術(shù)的優(yōu)缺點Table 1 Advantages and disadvantages of single sensor measurement technology, including ultrasonic measurement, laser radar measurement and binocular vision measurement

4.1 視覺技術(shù)與雷達（激光雷達）技術(shù)相結(jié)合

Labayrade等[91]結(jié)合立體視覺和激光掃描的優(yōu)點設(shè)計了道路環(huán)境下多障礙物的檢測系統(tǒng)，該系統(tǒng)的魯棒性、準確性和實時性比單一傳感器的系統(tǒng)都好；Perrollaz等[92]針對立體視覺中檢測精度隨檢測距離增加而降低的情況，利用激光掃描儀與立體相機結(jié)合的方法進行道路上的障礙物檢測，提高了系統(tǒng)的檢測距離；Bertozzi等[93]用視覺相機結(jié)合雷達的方法檢測障礙物，解決了單獨使用雷達時提供的用于障礙物邊界檢測的數(shù)據(jù)點不足和對于較小障礙物檢測效果不佳的問題；王葵等[94]利用激光測距雷達和機器視覺對障礙物進行聯(lián)合檢測，既可以獲得深度信息，又可以獲取形狀信息，提高了障礙物檢測的可靠性；汪佩等[95]提出了一種基于單線激光雷達和單目視覺的負障礙檢測算法，解決了單線激光雷達在覆蓋能力不足的問題，對不同尺寸的室外環(huán)境中負障礙物的識別準確率達96%。

綜上所述，這兩種技術(shù)的結(jié)合使用一方面能通過激光雷達彌補視覺相機檢測距離短的問題，另一方面能通過相機彌補二維激光雷達檢測視角小的缺點，能有效地提高系統(tǒng)的魯棒性和準確性，同時避免了使用三維激光雷達的高成本問題。

4.2 視覺技術(shù)與超聲波技術(shù)相結(jié)合

Ohya等[96]將單目相機與超聲波傳感器相結(jié)合用于室內(nèi)移動機器人的避障；戈新良等[97]將單目彩色相機與超聲波傳感器相結(jié)合，利用相機獲得二維圖，利用超聲波傳感器獲得深度信息從而得到三維圖，該方法相當于用一個價格低的超聲波傳感器替代雙目視覺中的另一個相機；Kim 等[98]利用視覺系統(tǒng)檢測兩米以外的障礙物，用超聲波傳感器對兩米內(nèi)的障礙物進行邊緣檢測；王檀彬等[99]用D-S證據(jù)理論將視覺和多個超聲波傳感器信息進行融合的方法進行障礙物判斷，解決了單獨使用視覺傳感器存在光干擾和單獨使用超聲波傳感器方向性不確定的問題；Lu[100]通過相機獲得的圖像判斷障礙物區(qū)域的大小，并使用超聲波傳感器獲得障礙物的距離信息，實現(xiàn)了機器人前方障礙物的快速準確識別。

綜上所述，利用單目相機獲得的圖像確定障礙物的大小和大致范圍，并通過低成本超聲波探頭確定障礙物的距離，這種融合方法一方面進一步降低了系統(tǒng)的成本，另一方面解決了單獨使用超聲波技術(shù)時方向性差以及單獨使用雙目相機時立體匹配過程耗時長的問題，提升了系統(tǒng)的實時性。

4.3 其他形式的技術(shù)結(jié)合

Mobus等[101]將紅外檢測技術(shù)與雷達結(jié)合進行障礙物檢測，并通過與單獨使用 2種傳感器進行試驗比較，結(jié)果表明，將雷達數(shù)據(jù)與紅外數(shù)據(jù)融合，大大提高了檢測范圍、可靠性和準確性；Yamamoto等[102-103]都將普通相機和紅外相機獲得的圖像信息結(jié)合用于障礙物識別，結(jié)果顯示識別效果比單獨使用可見光圖像和紅外圖像的效果都好，且能夠很好的克服環(huán)境光的影響；Wang[104]為提高移動機器人障礙物檢測的實時準確性，利用自適應(yīng)加權(quán)融合算法將紅外傳感器和超聲波傳感器獲得的環(huán)境信息融合，結(jié)果顯示相比于單一傳感器更接近真實值、波動更小；Qu等[105]將超聲波傳感器陣列與紅外距離檢測技術(shù)組合，在機器人前方建立了一個 180°的滾動窗口用于未知環(huán)境中障礙物的檢測；Close[106]針對部分被遮掩的障礙物檢測提出了將激光雷達與普通雷達相結(jié)合進行檢測的方法，并利用兩者在無線電頻譜中不同的部分工作彌補了彼此的缺點；Budzan等[107]將深度圖像信息和3D激光掃描數(shù)據(jù)融合進行障礙物的檢測，結(jié)果顯示該方法能提高不同場景下障礙物檢測的有效性；Giannì等[108]研究的障礙物檢測系統(tǒng)集成了超聲波傳感器、雷達和激光雷達三種傳感器，該系統(tǒng)能對墻、透明窗戶、電線桿、金屬網(wǎng)、人和植被等典型戶外障礙物的距離進行準確估計。

以上所述傳感器融合用于障礙物檢測的環(huán)境大多都是道路環(huán)境，雖然相比于室內(nèi)環(huán)境更為復雜，但相比于農(nóng)田環(huán)境還是過于簡單（如道路上的障礙物種類一般為人和行駛車輛，而農(nóng)田的障礙物種類更多且部分隱藏在非障礙物中），因此這些方法只能作為參考而不能直接用于農(nóng)田中的障礙物檢測，否則無法獲得滿意的檢測效果。

4.4 多傳感器融合技術(shù)的農(nóng)業(yè)應(yīng)用

近幾年來隨著技術(shù)的不斷發(fā)展，多傳感器融合技術(shù)在智能化農(nóng)業(yè)車輛（包括農(nóng)業(yè)機器人）上的研究逐漸開始有了進展。Liu等[109]設(shè)計了基于多傳感器融合算法的避障系統(tǒng)用于農(nóng)業(yè)機器人，該系統(tǒng)中GPS進行定位，超聲波傳感器、紅外熱成像傳感器、二維激光掃描儀測得到的障礙物信息進行融合后通過聚類模糊找到障礙物的大致區(qū)域。Ding等[110]研究的避障算法可用于較接近于農(nóng)田環(huán)境的森林環(huán)境中，具體做法是用二維激光掃描儀和紅外熱像儀采集林區(qū)障礙物信息，從中分別提取障礙物的特征（包括溫度、顏色、長寬比、多邊形特點），利用融合后的數(shù)據(jù)訓練支持向量機進行障礙物的識別；試驗設(shè)置的障礙物包括人、樹木、石頭，平均識別準確率為91%，可以考慮將其用于障礙物較少的農(nóng)田環(huán)境中使用。Yang等[111]在專利中設(shè)計了用于山地區(qū)域的農(nóng)業(yè)機器人避障系統(tǒng)，包括視覺傳感器模塊、超聲波傳感器模塊、紅外傳感器模塊和數(shù)據(jù)融合模塊。Benet等[112]將激光雷達獲得的三維數(shù)據(jù)融入到普通相機獲得的彩色圖像中，在葡萄園環(huán)境中進行試驗，結(jié)果顯示識別農(nóng)機前方不同離地高度的雜草或?qū)嶓w障礙物（如樹杈）有較好的效果，且受光照條件的影響較小。但目前這些研究大多仍處于起步階段或室內(nèi)模擬試驗階段，距離產(chǎn)品化及實際田間使用還有大量問題亟待解決，如產(chǎn)品的成本、環(huán)境變化時系統(tǒng)的穩(wěn)定性等。

4.5 基于Kinect的障礙物檢測

近幾年來出現(xiàn)的基于Kinect的障礙物檢測技術(shù)也是一種多傳感器融合技術(shù)的運用。Kinect傳感器因其同時含有彩色圖像視覺傳感器和深度視覺傳感器且價格較低[113]，已被應(yīng)用到障礙物的三維重建中。

目前大多數(shù)研究都在簡單室內(nèi)環(huán)境進行[114-116]，但已有學者開始將試驗地點轉(zhuǎn)移到溫室或簡單的室外環(huán)境中。Nissimov等[117]設(shè)計了使用Kinect傳感器檢測溫室作物行間（本文為辣椒）障礙物的方法，通過計算深度數(shù)據(jù)各個點的斜率，將斜率大于閾值的點標記為可疑障礙物，然后根據(jù)顏色特征和紋理特征對這些可疑點進行分類和篩選，最終確定障礙物的位置。Zhu等[118]提出了將Kinect傳感器獲得的深度圖像與紅外圖像先用均值漂移方法進行背景分割，然后融合進行障礙物檢測的方法；在室內(nèi)環(huán)境和室外環(huán)境中進行試驗的結(jié)果顯示，該算法可以檢測視野中小的障礙物并且檢測的準確率不受環(huán)境光的影響。Hernández-Aceituno等[119]將 Kinect傳感器用于室外環(huán)境的障礙物檢測，通過一系列的濾波技術(shù)將傳感器獲得的深度圖像轉(zhuǎn)換為潛在障礙物區(qū)域圖，結(jié)果顯示Kinect的檢測結(jié)果比立體視覺技術(shù)更準確。

Kinect傳感器的優(yōu)勢在于：設(shè)備方便裝卸且價格較低；同時獲得深度信息、紅外和彩色圖像信息，避免因傳感器不同而帶來的不同步問題；受環(huán)境光的影響較小。但是由于紅外攝像頭和彩色相機的可視范圍有限（一般在0.5 m~4 m[113]，Zhu等[118]在文章中提到的有效距離為0.5 m~8 m，但較遠處的檢測準確度有所下降），導致了在復雜農(nóng)田環(huán)境中使用Kinect傳感器時雖能檢測到障礙物，但無法及時避開，因此目前沒有研究將其用于農(nóng)田環(huán)境中，但是如果能有研究將其的檢測距離提升或是再與其他價格相對較低的傳感器融合彌補其檢測距離短的缺點，Kinect在農(nóng)業(yè)中的應(yīng)用將更為廣泛。

5 結(jié)論與展望

5.1 總 結(jié)

綜上所述，單個傳感器檢測技術(shù)所使用的不同的傳感器都具有各自的優(yōu)點和缺點：超聲波傳感器操作簡單、探測速度快、成本低且技術(shù)較為成熟，但缺點在于空間檢測的準確性較低、受噪音的影響大以及檢測效果受物體表面類型影響大；雷達（包括激光雷達）對嚴苛環(huán)境（灰、雨、雪、黑暗）的適應(yīng)性強、探測距離遠、受有源信號的干擾弱，但是視角相對較小，若考慮視角大的三維雷達或者多個二維雷達組合則會使成本太高；立體視覺（包括雙目視覺）相機雖然獲得的視角更廣且不用對外發(fā)射信號，但受環(huán)境因素影響嚴重，在數(shù)據(jù)處理上相對復雜，若要提高處理的速度需在檢測范圍或精度標準上相應(yīng)降低。而多傳感器融合的障礙物檢測雖然能彌補一種傳感器單獨使用的缺點，但現(xiàn)在的研究尚處于起步階段，對于農(nóng)田環(huán)境的研究仍需進一步深入，至于搭建真正用于農(nóng)田障礙物檢測的系統(tǒng)尚需更多的時間。

5.2 未來研究展望

未來的研究可從新型裝置及新算法引入及原有傳統(tǒng)方法的提升這2個方面考慮。

1）新裝置及新算法的探索

隨著技術(shù)的發(fā)展和設(shè)備的更新，一些新出現(xiàn)的方法和設(shè)備可以逐步運用在農(nóng)田障礙物檢測中，具體有：

（1）目前不斷有新型的基于視覺、激光等原理的裝置出現(xiàn)，比如新型的雙目立體相機、激光雷達等，在保證了性能的同時，成本卻沒有提高。如與 Kinect類似的zed雙目立體相機據(jù)稱可在室外20 m有較好深度精度，這為基于深度與立體視覺農(nóng)機避障提供了可能性；北醒公司的激光雷達TF01作為一款低成本的激光雷達，克服了激光雷達的高成本引起的在農(nóng)業(yè)上運用的局限性；類似這樣新型儀器裝置，克服了原有同類傳感器的一些弱點，但其在農(nóng)田中的穩(wěn)定性與可靠性需進一步探索。

（2）避障的數(shù)據(jù)處理過程一般涉及圖像中障礙物分割、邊緣提取、識別等過程，可以不斷嘗試新算法、新方法用于這些障礙物識別過程。如深度學習已經(jīng)應(yīng)用在道路環(huán)境中的行人檢測上且得到了較好的檢測效果；在線學習的激光點云聚類算法被證明可正確分割大多數(shù)空間分布各異且相互連接的障礙物；密度補償算法可以有效解決遠距離障礙物隨距離增加點云密度下降的問題。而農(nóng)田中背景復雜多樣、場景光強弱不一、障礙物姿態(tài)多樣化且與作物相互遮擋，運用這些新算法進行農(nóng)田中障礙物的檢測、識別和定位的效果值得進一步研究。

（3）農(nóng)田避障過程中一些看似無法解決的問題，需要用新思路新的角度去考慮。如視覺技術(shù)的缺點在于田間環(huán)境中作物對障礙物的遮擋導致無法通過圖像分割對障礙物邊緣進行提取，而農(nóng)用無人機可以在農(nóng)田上空采集圖像，避免了水平視角下作物的遮擋問題；可否考慮使用農(nóng)用無人機攜帶視覺檢測系統(tǒng)與農(nóng)機協(xié)同作業(yè)，通過無人機獲取的障礙物信息制定農(nóng)機的避障策略。

2）已有傳統(tǒng)方法的改進

新方法的運用尚需要一定的時間，因此未來幾年發(fā)展的重點應(yīng)在已有的算法和設(shè)備的改進上。

（1）立體視覺技術(shù)所使用的相機在多傳感器融合系統(tǒng)中一般作為主要傳感器使用，但其存在的問題在于處理得到的數(shù)據(jù)需要較長的時間（部分障礙物邊緣提取效果較好的算法需要用幾百毫秒乃至幾秒的時間處理單幅圖像），影響了系統(tǒng)的實時性，從室內(nèi)簡單環(huán)境的數(shù)據(jù)處理到室外復雜環(huán)境，算法需要進一步改進從而達到減少處理時間的目的；需要設(shè)計出一種算法，既能使系統(tǒng)快速的分析出障礙物的位置從而對避障策略做出決策，又不會對障礙物空間位置的精度估算造成太大的影響，那么將其應(yīng)用于立體視覺檢測技術(shù)中可實現(xiàn)障礙物的快速準確判斷。

（2）農(nóng)田是一種復雜的環(huán)境，其中障礙物種類眾多且未知，而不同的傳感器檢測技術(shù)對不同類型的障礙物有不同的檢測效果，如對于超聲波檢測來說，對于表面硬、反射強的障礙物的檢測效果較好而對于表面柔軟、吸收性強的檢測效果相對較差；想要依靠一種傳感器檢測出所有類型的障礙物在現(xiàn)階段是極難實現(xiàn)的，可考慮首先對農(nóng)田中存在的障礙物進行建模，然后在進行檢測之前先對障礙物的種類進行識別（可考慮使用高光譜圖像技術(shù)），根據(jù)其不同的類型選擇不同的傳感器技術(shù)進行檢測，這樣可以一定程度上提高檢測的效率與精度。

[參 考 文 獻]

[1] 田光兆. 智能化農(nóng)業(yè)車輛導航系統(tǒng)關(guān)鍵技術(shù)研究[D]. 南京：南京農(nóng)業(yè)大學，2013.Tian Guangzhao. Research on the Key Techniques of Intelligent Agricultural Vehicles Navigation System[D].Nanjing: Nanjing Agricultural University, 2013. (in Chinese with English abstract)

[2] 張智剛，羅錫文. 農(nóng)業(yè)機械導航中的航向角度估計算法[J]. 農(nóng)業(yè)工程學報，2008，24(5)：110－114.Zhang Zhigang, Luo Xiwen. Adaptive weighted fusion algorithm for orientation evaluation of agricultural machinery[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2008,24 (5): 110－114. (in Chinese with English abstract)

[3] Bellingham J G, Rajan K. Robotics in remote and hostile environments[J]. Science, 2007, 318(5853): 1098－1102.

[4] 鄧紅，仇農(nóng)學，孫俊，等. 超聲波輔助提取文冠果籽油的工藝條件優(yōu)化[J]. 農(nóng)業(yè)工程學報，2007，23(11)：249－254.Deng Hong, Qiu Nongxue, Sun Jun, et al. Optimization of ultrasonic-assisted extraction technology of oil from Xanthoceras sorborifolia burge seeds[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2007, 23(11): 249－254. (in Chinese with English abstract)

[5] Suslick K S, Price G J. Applications of ultrasound to materials chemistry[J]. Mrs Bulletin, 1995, 20(4): 29－34.

[6] 周永昌，郭萬學. 超聲醫(yī)學第3版[M]. 北京：科學技術(shù)文獻出版社，1998.

[7] 錢星博. 超聲波技術(shù)在軍事上的應(yīng)用[J]. 世界發(fā)明，1997(3)：21－21.

[8] 陳疆. 基于超聲波傳感器的障礙物判別系統(tǒng)研究[D]. 楊凌：西北農(nóng)林科技大學，2005.Chen Jiang. Research of Based on Ultrasonic Sensors Differentiating Obstacle System[D]. Yangling: Northwest A&F University, 2005. (in Chinese with English abstract)

[9] Ohya A, Ohno T, Yuta S. Obstacle detectability of ultrasonic ranging system and sonar map understanding[J]. Robotics &Autonomous Systems, 1996, 18(1/2): 251－257.

[10] Veelaert P, Bogaerts W. Ultrasonic potential field sensor for obstacle avoidance[J]. IEEE Transactions on Robotics &Automation, 1999, 15(4): 774－779.

[11] Ohya A, Kosaka A, Kak A. Vision-based navigation of mobile robot with obstacle avoidance by single camera vision and ultrasonic sensing[J]. IEEE Transactions on Robotics & Automation, 1998, 14(6): 704－711.

[12] Ure?a J, Mazo M, García J J, et al. Classification of reflectors with an ultrasonic sensor for mobile robot applications[J]. Robotics & Autonomous Systems, 1999,29(4): 269－279.

[13] 曾迎生，劉愛琴. 用于自主車繞障的超聲傳感器線陣[J].高技術(shù)通訊，1995(4)：9－12.

[14] 吳濤. 移動機器人避障與路徑規(guī)劃研究[D]. 武漢：華中科技大學，2004.Wu Tao. Research on Obstacle Avoidance and Path Planning for Mobile Robots[D]. Wuhan: Huazhong University of Science and Technology, 2004. (in Chinese with English abstract)

[15] Guo L, Zhang Q, Han S. Agricultural machinery safety alert system using ultrasonic sensors[J]. Journal of Agricultural Safety & Health, 2002, 8(4): 385－396.

[16] 高云. 農(nóng)業(yè)機器人的超聲波測距系統(tǒng)設(shè)計[J]. 農(nóng)機化研究，2009，31(4)：76－79.Gao Yun. The design of ultrasonic ranging system in agriculture robot[J]. Journal of Agricultural Mechanization Research, 2009, 31(4): 76－79. (in Chinese with English abstract)

[17] 石彪，倪文志，劉利枚. 農(nóng)業(yè)機器人中超聲波測距的不確定性研究[J]. 農(nóng)機化研究，2010，32(12)：19－22.Shi Biao, Ni Wenzhi, Liu Limei. Study on uncertain information of ultrasonic distance measurement in agricultural robotics[J]. Journal of Agricultural Mechanization Research,2010, 32(12): 19－22. (in Chinese with English abstract)

[18] Dvorak J S, Stone M L, Self K P. Object detection for agricultural and construction environments using an ultrasonic sensor[J]. Journal of Agricultural Safety & Health,2016, 22(2): 107－119.

[19] 賈闖，李加念，洪添勝，等. 山地果園單軌運輸機超聲波避障系統(tǒng)的設(shè)計與試驗[J]. 農(nóng)業(yè)工程學報，2015，31(增刊 2)：69－74.Jia Chuang, Li Jianian, Hong Tiansheng, et al. Design and test of ultrasonic obstacle avoidance system for mountain orchard monorail conveyor[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(Supp.2): 69－74. (in Chinese with English abstract)

[20] Borenstein J, Koren Y. Real-time obstacle avoidance for fast mobile robots[J]. IEEE Transactions on Systems Man &Cybernetics, 1989, 19(5): 1179－1187.

[21] O’Sullivan J A. Evaluation of a polaroid ultrasonic proximity transducer[J]. Journal of Agricultural Engineering Research, 1986, 34(1): 63－73.

[22] 倪樹新. 軍用激光雷達的發(fā)展趨勢[J]. 紅外與激光工程，2003，32(2)：111－114.Ni Shuxin. Trend of laser radar for military[J]. Infrared and Laser Engineering, 2003, 32(2): 111－114. (in Chinese with English abstract)

[23] 周軍，岳古明，金傳佳，等. 探測對流層氣溶膠的雙波長米氏散射激光雷達[J]. 光學學報，2000，20(10)：1412－1417.Zhou Jun, Yue Guming, Jin Chuanjia, et al.Two-Wavelength Mie Lidar for monitoring of tropospheric aerosol[J]. Acta Optica Sinica, 2000, 20(10): 1412－1417.(in Chinese with English abstract)

[24] 龐勇，趙峰，李增元，等. 機載激光雷達平均樹高提取研究[J]. 遙感學報，2008，12(1)：152－158.Pang Yong, Zhao Feng, Li Zengyuan, et al. Inversion using airborne Lidar technology[J]. Journal of Remote sensing,2008, 12(1): 152－158. (in Chinese with English abstract)

[25] 楊象軍. 基于四線激光雷達的道路檢測與跟蹤[D]. 杭州：浙江大學，2013.Yang Xiangjun. Detection and Tracking of Road Boundary Based on a Four-laver Laser Radar[D]. Hangzhou: Zhejiang University, 2013. (in Chinese with English abstract)

[26] 王榮本，趙一兵，李琳輝，等. 智能車輛的障礙物檢測研究方法綜述[J]. 公路交通科技，2007，24(11)：109－113.Wang Rongben, Zhao Yibin, Li Linhui, et al. Approach review of obstacle detection for intelligent vehicle[J].Journal of Highway and Transportation Research and Development, 2007, 24(11): 109－113. (in Chinese with English abstract)

[27] Kwon Y D, Jin S L. A stochastic map building method for mobile robot using 2-D laser range finder[J]. Autonomous Robots, 1999, 7(2): 187－200.

[28] Kyriakopoulos K J, Skounakis N. Moving obstacle detection for a skid-steered vehicle endowed with a single 2-D laser scanner[C]//IEEE International Conference on Robotics and Automation, 2003. Proceedings. ICRA. IEEE,2003: 7－12.

[29] 于金霞，蔡自興，段琢華. 基于激光雷達特征提取和增量式數(shù)據(jù)關(guān)聯(lián)的障礙分類判決[J]. 高技術(shù)通訊，2007，17(7)：703－708.Yu Jinxia, Cai Zixing, Duan Zhuohua. Obstacle classification decision based on feature extraction and incremental data association of laser scanners[J]. Chinese High Technology Letters, 2007, 17(7): 703－708. (in Chinese with English abstract)

[30] Takahashi M, Kobayashi K, Watanabe K, et al.Development of prediction based emergency obstacle avoidance module by using LIDAR for mobile robot[C]//International Symposium on Soft Computing and Intelligent Systems. IEEE, 2015: 561－564.

[31] Peng Y, Qu D, Zhong Y, et al. The obstacle detection and obstacle avoidance algorithm based on 2-D lidar[C]//IEEE International Conference on Information and Automation.IEEE, 2015: 1648－1653.

[32] 樸燕，沈俊，張華，等. 虛擬二維激光雷達成像積分算法[J]. 計算機測量與控制，2016，24(4)：152－154.Piao Yan, Shen Jun, Zhang Hua, et al. An integral algorithm of imaging virtual 2D Lidar[J]. Computer Measurement &Control, 2016, 24(4): 152－154. (in Chinese with English abstract)

[33] Telgarsky R J, Cates M C, Thompson C, et al. High-fidelity ladar simulation[C]//International Society for Optics and Photonics, 2004: 194－208.

[34] Smith D D, Nichols T L, Gatt P, et al. Supercomputer-based advanced ladar imaging simulator (ALIS)[J]. Proceedings of SPIE-The International Society for Optical Engineering,2004, 5240:142－152.

[35] Bosché F. Automated recognition of 3D CAD model objects in laser scans and calculation of as-built dimensions for dimensional compliance control in construction[J]. Advanced Engineering Informatics, 2010, 24(1): 107－118.

[36] Brenneke C, Wagner B. A scan based navigation system for autonomous operation of mobile robots in man-made environments[C]//International Conference of systems engineering, 2003.

[37] Jiménez F, Naranjo J E. Improving the obstacle detection and identification algorithms of a laserscanner-based collision avoidance system[J]. Transportation Research Part C Emerging Technologies, 2011, 19(4): 658－672.

[38] Asvadi A, Premebida C, Peixoto P, et al. 3D Lidar-based static and moving obstacle detection in driving environments[J]. Robotics & Autonomous Systems, 2016, 83(C): 299－311.

[39] Surmann H, Kai L, Nuchter A, et al. A 3D laser range finder for autonomous mobile robots[J]. Proceedings of Isr, 2001,2(6): 1218－1223.

[40] Tuley J, Vandapel N, Hebert M. Analysis and removal of artifacts in 3-D LADAR data[C]//IEEE International Conference on Robotics and Automation. IEEE, 2004:2203－2210.

[41] 孫宇. 基于激光雷達的機器人三維地形構(gòu)建和草叢中障礙物檢測[D]. 杭州：浙江大學，2007.Sun Yu. Terrain Construction and Obstacle Detection in Grass of Robots Based on Lidar[D]. Hangzhou: Zhejiang University, 2007. (in Chinese with English abstract)

[42] Zhao H, Shibasaki R. Reconstructing textured CAD model of urban environment using vehicle-borne laser range scanners and line cameras[C]//International Conference on Computer Vision Systems. Springer, Berlin, Heidelberg,2001: 284－297.

[43] 項志宇. 針對越野自主導航的障礙物檢測系統(tǒng)[J]. 東南大學學報(自然科學版)，2005(增刊2)：71－74.

[44] 薛金林，張順順. 基于激光雷達的農(nóng)業(yè)機器人導航控制研究[J]. 農(nóng)業(yè)機械學報，2014，45(9)：55－60.Xue Jinlin, Zhang Shunshun. Navigation of an agriculture robot based on laser radar[J]. Transactions of The Chinese Society for Agricultural Machinery, 2014, 45(9): 55－60.(in Chinese with English abstract)

[45] 張瑩瑩. 基于激光雷達的農(nóng)業(yè)移動機器人果樹干檢測和導航研究[D]. 南京：南京農(nóng)業(yè)大學，2015.Sun Yingying. Research on Agriculture Mobile Robot Tree Trunk Detection and Navigation in Orchard Based on Laser Radar[D]. Nanjing: Nanjing Agricultural University, 2015.(in Chinese with English abstract)

[46] H?mmerle M, H?fle B. Effects of reduced terrestrial LiDAR point density on high-resolution grain crop surface models in precision agriculture[J]. Sensors, 2014, 14(12): 24212－24230.

[47] Keightley K E, Bawden G W. 3D volumetric modeling of grapevine biomass using Tripod LiDAR[J]. Computers &Electronics in Agriculture, 2010, 74(2): 305－312.

[48] Mesascarrascosa F J, Castillejogonzález I L, Ms D L O, et al. Combining LiDAR intensity with aerial camera data to discriminate agricultural land uses[J]. Computers &Electronics in Agriculture, 2012, 84(11): 36－46.

[49] 申川，蔣煥煜，包應(yīng)時. 機器視覺技術(shù)和GPS在農(nóng)業(yè)車輛自動導航中的應(yīng)用[J]. 農(nóng)機化研究，2006(7)：185－188.

[50] Angelova A, Matthies L, Helmick D, et al. Learning and prediction of slip from visual information: Research Articles[J]. Journal of Field Robotics, 2007, 24(3): 205－231.

[51] Filitchkin P, Byl K. Feature-based terrain classification for LittleDog[C]//Ieee/rsj International Conference on Intelligent Robots and Systems. IEEE, 2012:1387－1392.

[52] Khan Y N, Komma P, Zell A. High resolution visual terrain classification for outdoor robots[C]//IEEE International Conference on Computer Vision Workshops. IEEE, 2012:1014－1021.

[53] 祝琨. 基于雙目視覺信息的運動物體實時跟蹤與測距[D].北京：北京交通大學，2008.Zhu Kun. Tracking and Measuring a Moving Object with a Binocular Camera System[D].Beijing: Beijing Jiaotong University, 2008. (in Chinese with English abstract)

[54] Han S, Zhang Q, Ni B, et al. A guidance directrix approach to vision-based vehicle guidance systems[J]. Computers &Electronics in Agriculture, 2004, 43(3): 179－195.

[55] Wei S, Gang L. A robust approach to obtain a guidance directrix for a vision-based agricultural vehicle guidance system[C]//International Conference on Computers and Computing Technologies in Agriculture. 2007: 1067－1072.

[56] Chen B, Tojo S, Watanabe K. Machine vision-based guidance system for automatic rice transplanters[J]. Applied Engineering in Agriculture, 2003, 19(1): 91－97.

[57] 王榮本，紀壽文，初秀民，等. 基于機器視覺的玉米施肥智能機器系統(tǒng)設(shè)計概述[J]. 農(nóng)業(yè)工程學報，2001，17(2)：151－153.Wang Rongben, Ji Shouwen, Chu Xiumin, et al. General design for corn fertilizing intelligent machine vehicle system based on machine vision[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2001, 17(2): 151－153. (in Chinese with English abstract)

[58] 程嘉煜. 基于機器視覺的農(nóng)業(yè)機器人運動障礙檢測及避障策略研究[D]. 南京：南京農(nóng)業(yè)大學，2011.Cheng Jiayu. Research on Moving Obstacle Detection and Avoidance Strategy for Agricultural Robot Based on Machine Vision[D]. Nanjing: Nanjing Agricultural University, 2011. (in Chinese with English abstract)

[59] 宋麗梅. 雙目立體機器視覺檢測系統(tǒng)及其應(yīng)用[J]. 西南科技大學學報:自然科學版，2006，21(1)：30－34.

[60] Matthies L, Kelly A, Litwin T, et al. Obstacle detection for unmanned ground vehicles: A progress report[C]//Intelligent Vehicles '95 Symposium. Proceedings of the.IEEE, 1995: 66－71.

[61] Yoon K J, Kweon I S. Adaptive support-weight approach for correspondence search[J]. IEEE Trans Pattern Anal Mach Intell, 2006, 28(4): 650－656.

[62] Geiger A, Roser M, Urtasun R. Efficient large-scale stereo matching[C]//Asian Conference on Computer Vision.Springer-Verlag, 2010: 25－38.

[63] Kim C I, Park S Y. Fast stereo matching of feature links[C]//International Conference on 3d Imaging,Modeling, Processing, Visualization and Transmission.IEEE, 2011: 268－274.

[64] Samadi M, Othman M F. A new fast and robust stereo matching algorithm for robotic systems[C]//The International Conference on Computing and Information technology.2013: 281－290.

[65] 張令濤，曲道奎，徐方. 一種基于圖割的改進立體匹配算法[J]. 機器人，2010，32(1)：104－108.Zhang Lingtao, Qu Daokui, Xu Fang. An improved stereo matching algorithm based on graph cuts[J]. Robot, 2010,32(1): 104－108. (in Chinese with English abstract)

[66] 霍智勇，朱秀昌, 劉天亮. 基于線性生長的區(qū)域立體匹配算法研究[J]. 儀器儀表學報，2011，32(4)：819－824.Huo Zhiyong, Zhu Xiuchang, Liu Tianliang. Region based stereo matching algorithm using line growing method[J].Chinese Journal of Scientific Instrument, 2011, 32(4):819－824. (in Chinese with English abstract)

[67] 王堯，余祖俊，朱力強，等. 基于脈沖耦合神經(jīng)網(wǎng)絡(luò)和Markov隨機場的立體匹配研究[J]. 儀器儀表學報，2013，34(7)：1539－1545.Wang Yao, Yu Zujun, Zhu Liqiang, et al. Study on stereo matching based on pulse-coupled neutral network and Markov random field[J]. Chinese Journal of Scientific Instrument, 2013, 34(7): 1539－1545. (in Chinese with English abstract)

[68] Kaneko N, Yoshida T, Sumi K. Fast obstacle detection for monocular autonomous mobile robots[J]. SICE Journal of Control, Measurement, and System Integration, 2017, 10(5):370－377.

[69] 周俊，程嘉煜. 基于機器視覺的農(nóng)業(yè)機器人運動障礙目標檢測[J]. 農(nóng)業(yè)機械學報，2011，42(8)：154－158.Zhou Jun, Cheng Jiayu. Moving obstacle detection based on machine vision for agricultural mobile robot[J]. Transactions of The Chinese Society for Agricultural Machinery, 2011,42(8): 154－158. (in Chinese with English abstract)

[70] Estilo J D, Ramos M. Obstacle detection and localization in an automated vehicle using binocular stereopsis and motion field[C]//IEEE International Conference on Control System,Computing and Engineering. IEEE, 2017: 446－451.

[71] Yamaguchi K, Kato T, Ninomiya Y. Moving obstacle detection using monocular vision[C]//Intelligent Vehicles Symposium. IEEE, 2006: 288－293.

[72] Reid J F. Obstacle detection using stereo vision:US7248968[P]. 2007-07-24.

[73] Wei J, Han S, Reid J F, et al. Obstacle detection using stereo vision to enhance safety of autonomous machines[J].Transactions of the Asabe, 2005, 48(6): 2389－2397.

[74] 張磊，王書茂，陳兵旗，等. 基于雙目視覺的農(nóng)田障礙物檢測[J]. 中國農(nóng)業(yè)大學學報，2007，12(4)：70－74.Zhang Lei, Wang Shumao, Chen Bingqi, et al. Detection of obstacles in farmland based on binocular vision[J]. Journal of China Agricultural University, 2007, 12 (4): 70－74. (in Chinese with English abstract)

[75] 丁幼春，王書茂，陳紅. 農(nóng)用車輛作業(yè)環(huán)境障礙物檢測方法[J]. 農(nóng)業(yè)機械學報，2009，40(增刊1)：23－27.Ding Youchun, Wang Shumao, Chen Hong. Obstacle detection in the working area of agricultural vehicle based on machine vision[J]. Transactions of The Chinese Society for Agricultural Machinery, 2009, 40(Supp.1): 23－27. (in Chinese with English abstract)

[76] Yin X, Noguchi N, Ishi K. Development of an obstacle avoidance system for a field robot using a 3D camera[J].Engineering in Agriculture Environment & Food, 2013, 6(2):41－47.

[77] 楊福增，劉珊，陳麗萍，等. 基于立體視覺技術(shù)的多種農(nóng)田障礙物檢測方法[J]. 農(nóng)業(yè)機械學報，2012，43(5)：168－172.Yang Fuzeng, Liu Shan, Chen Liping, et al. Detection method of various obstacles in farmland based on stereovision technology[J]. Transactions of The Chinese Society for Agricultural Machinery, 2012, 43(5): 168－172.(in Chinese with English abstract)

[78] 茍琴，耿楠，張志毅. 基于視差圖的未知環(huán)境下農(nóng)田障礙物檢測方法[J]. 計算機工程與設(shè)計，2013，34(2)：707－710.Gou Qin, Geng Nan, Zhang Zhiyi. Obstacle detection for farmland in unknown environment based on disparity image[J]. Computer Engineering and Design, 2013, 34(2):707－710. (in Chinese with English abstract)

[79] 韓永華，汪亞明，康鋒，等. 基于小波多分辨率分解的農(nóng)田障礙物檢測[J]. 農(nóng)業(yè)機械學報，2013，44(6)：215－221.Han Yonghua, Wang Yaming, Kang Feng, et al. Detection of obstacles in farmland based on wavelet multi-resolution transform[J]. Transactions of The Chinese Society of Agricultural Machinery, 2013, 44(6): 215－221. (in Chinese with English abstract)

[80] Ball D, Upcroft B, Wyeth G, et al. Vision-based obstacle detection and navigation for an agricultural robot[J]. Journal of Field Robotics, 2016, 33(8): 1107－1130.

[81] Fleischmann P, Berns K. A stereo vision based obstacle detection system for agricultural applications[J]. Springer International Publishing, 2016:217－231.

[82] 姬長英，沈子堯，顧寶興，等. 基于點云圖的農(nóng)業(yè)導航中障礙物檢測方法[J]. 農(nóng)業(yè)工程學報，2015，31(7)：173－179.Ji Changying, Shen Ziyao, Guo Baoxin, et al. Obstacle detection based on point clouds in application of agricultural navigation[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015,31(7): 173－179. (in Chinese with English abstract)

[83] Reina G, Milella A. Towards autonomous agriculture:automatic ground detection using trinocular stereovision[J].Sensors, 2012, 12(9): 12405－12423.

[84] Vázquezarellano M, Griepentrog H W, Reiser D, et al. 3-D imaging systems for agricultural applications-a review[J].Sensors, 2016, 16(5): 618－641.

[85] Corke P, Winstanley G, Roberts J, et al. Robotics for the mining industry: opportunities and current research[C]//Proc.Int. Conf. Field and Service Robotics. 1999: 208－219.

[86] Broggi A, Cappalunga A, Caraffi C, et al. TerraMax vision at the urban challenge 2007[J]. IEEE Transactions on Intelligent Transportation Systems, 2010, 11(1): 194－205.

[87] Milella A, Reina G. 3D reconstruction and classification of natural environments by an autonomous vehicle using multi-baseline stereo[J]. Intelligent Service Robotics, 2014,7(2): 79－92.

[88] Gée C, Bossu J, Jones G, et al. Crop/weed discrimination in perspective agronomic images[J]. Computers & Electronics in Agriculture, 2008, 60(1): 49－59.

[89] An Q, Li Z C, Ji C Y, et al. Agricultural robot vision navigation algorithm based on illumination invariant image.[J]. Transactions of the Chinese Society of Agricultural Engineering, 2009, 25(11): 208－212.

[90] Yenilmez L, Temeltas H. Real time multi-sensor fusion and navigation for mobile robots[C]//Electro Technical Conference, 1998. Melecon 98. Mediterranean. IEEE, 1998:221－225.

[91] Labayrade R, Royere C, Gruyer D, et al. Cooperative fusion for multi-obstacles detection with use of stereovision and laser scanner[J]. Autonomous Robots, 2005, 19(2): 117－140.

[92] Perrollaz M, Labayrade R, Royere C, et al. Long range obstacle detection using laser scanner and stereovision[C]//Intelligent Vehicles Symposium. IEEE, 2006: 182－187.

[93] Bertozzi M, Bombini L, Cerri P, et al. Obstacle detection and classification fusing radar and vision[C]//Intelligent Vehicles Symposium. IEEE, 2008: 608－613.

[94] 王葵，徐照勝，顏普，等. 基于激光測距雷達和機器視覺的障礙物檢測[J]. 儀表技術(shù)，2012(8)：29－32.Wang Kui, Xu Zhaosheng, Yan Pu, et al. Obstacle detection based on laser ranging radar and machine vision[J].Instrumentation Technology, 2012(8): 29－32. (in Chinese with English abstract)

[95] 汪佩，郭劍輝，李倫波，等. 基于單線激光雷達與視覺融合的負障礙檢測算法[J]. 計算機工程，2017，43(7)：303－308.Wang Pei, Guo Jianhui, Li Lunbo, et al. Negative obstacle detection algorithm based on single line laser radar and vision fusion[J]. Computer Engineering, 2017, 43(7): 303－308. (in Chinese with English abstract)

[96] Ohya A, Kosaka A, Kak A. Vision-based navigation of mobile robot with obstacle avoidance by single camera vision and ultrasonic sensing[J]. IEEE Transactions on Robotics & Automation, 1998, 14(6): 704－711.

[97] 戈新良，楊杰. 基于多傳感器融合的機器人障礙物檢測和識別[J]. 計算機仿真，2005，22(3)：168－170.Ge Xinliang, Yang Jie. Obstacle detection and recognition of robotic based on multi-sensor fusion[J]. Computer Simulation, 2005, 22(3): 168－170. (in Chinese with English abstract)

[98] Kim P G, Chang G P, Yun H J, et al. Obstacle avoidance of a mobile robot using vision system and ultrasonic sensor[C]//International Conference on Intelligent Computing.Springer Berlin Heidelberg, 2007: 545－553.

[99] 王檀彬，陳無畏，焦俊，等. 多傳感器融合的智能車輛導航研究[J]. 中國機械工程，2009(11)：1381－1385.Wang Tanbin, Chen Wuwei, Jiao Jun, et al. Study on navigation of intelligent vehicles based on multi-sensor fusion[J]. China Mechanical Engineering, 2009(11): 1381－1385. (in Chinese with English abstract)

[100] Lu L. Fast obstacle detection based on multi-sensor information fusion[C]//International Symposium on Optoelectronic Technology and Application, 2014:93011K-93011K-7.

[101] Mobus R, Kolbe U. Multi-target multi-object tracking,sensor fusion of radar and infrared[C]//Intelligent Vehicles Symposium. IEEE, 2004: 732－737.

[102] Yamamoto K. Image processing and fusion to detect navigation obstacles[J]. Proceedings of SPIE - The International Society for Optical Engineering, 1998, 3374:337－346.

[103] Apatean A, Rogozan A, Bensrhair A. Information fusion for obstacle recognition in visible and infrared images[C]//International Symposium on Signals, Circuits and Systems. IEEE, 2009: 1－4.

[104] Wang Y. Application of multi-sensor information fusion technology to moving robot obstacle detection[J].Informatization Research, 2009, 35(1): 55－57.

[105] Qu D, Hu Y, Zhang Y. The investigation of the obstacle avoidance for mobile robot based on the multi sensor information fusion technology[J]. International Journal of Materials Mechanics & Manufacturing, 2013, 1(4): 366－370.

[106] Close R. Fusion of lidar and radar for detection of partially obscured objects[C]//SPIE Defense + Security. 2015: 6－14.

[107] Budzan S, Kasprzyk J. Fusion of 3D laser scanner and depth images for obstacle recognition in mobile applications[J].Optics & Lasers in Engineering, 2016, 77(7): 230－240.

[108] Giannì C, Balsi M, Esposito S, et al. Obstacle detection system involving fusion of multiple sensor technologies[J].The International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, 2017, 42: 127－134.

[109] Liu P, Bi S, Zang G, et al. Obstacle avoidance system for agricultural robots based on multi-sensor information fusion[C]//International Conference on Computer Science and Network Technology. IEEE, 2012: 1181－1185.

[110] Ding X, Yan L, Liu J, et al. Obstacles detection algorithm in forest based on multi-sensor data fusion[J]. Journal of Multimedia, 2013, 8(6): 108－117.

[111] Yang Fuzeng, Wang Tao, Wang Yuanjie, et al.Mountainous region agricultural robot obstacle-avoiding system based on multi-sensor information fusion: CN 203012510 U[P]. 2013-06-19.

[112] Benet B, Rousseau V, Lenain R. Fusion between a color camera and a TOF camera to improve traversability of agricultural vehicles[C]// The 6th International Workshop Applications of Computer Image Analysis and Spectroscopy in Agriculture. 2016: 8－16.

[113] 江锽. 基于 Kinect的溫室噴霧機器人視覺導航定位系統(tǒng)的研究[D]. 北京：北京林業(yè)大學，2015.Jiang Huang. Research of Greenhouse Spray Robot’s Visual Navigation and Positioning System Based on Kinect[D].Beijing: Beijing Forestry University, 2015. (in Chinese with English abstract)

[114] Rakprayoon P, Ruchanurucks M, Coundoul A. Kinect-based obstacle detection for manipulator[C]. Ieee/sice International Symposium on System Integration. IEEE, 2011: 68－73.

[115] 朱濤，蘆利斌，金國棟. 基于 Kinect深度技術(shù)的障礙物在線快速檢測算法[J]. 電子設(shè)計工程，2014(12)：176－179.Zhu Tao, Lu Libin, Jin Guodong. Obstacle detection algorithm online based on Kinect depth technique[J].Electronic Design Engineering, 2014(12): 176－179. (in Chinese with English abstract)

[116] Gy?rgy Csaba, Zoltán Vámossy. Fuzzy based obstacle avoidance for mobile robots with Kinect sensor[C]//IEEE International Symposium on Logistics and Industrial Informatics. IEEE, 2012: 135－144.

[117] Nissimov S, Goldberger J, Alchanatis V. Obstacle detection in a greenhouse environment using the Kinect sensor[J].Computers & Electronics in Agriculture, 2015, 113(C):104－115.

[118] Zhu Y, Yi B, Guo T. A simple outdoor environment obstacle detection method based on information fusion of depth and infrared[J]. Journal of Robotics, 2016(9): 1－10.

[119] Hernández-Aceituno J, Arnay R, Toledo J, et al. Using kinect on an autonomous vehicle for outdoors obstacle detection[J]. IEEE Sensors Journal, 2016, 16(10): 3603－3610.