基于單目視覺無(wú)人機(jī)避障系統(tǒng)的算法研究?

史 駿

（西安鐵路職業(yè)技術(shù)學(xué)院 西安 710026）

1 引言

自2001年以來美國(guó)的空中作戰(zhàn)中心（ACC）發(fā)展新世紀(jì)空戰(zhàn)的概念，無(wú)人機(jī)（UAV）在未來機(jī)器人概念中扮演一個(gè)主要角色，它能夠進(jìn)行監(jiān)測(cè)、空中戰(zhàn)術(shù)和閃電戰(zhàn)作戰(zhàn)任務(wù)［1］。1996年美國(guó)研制的X-36是第一個(gè)具有戰(zhàn)場(chǎng)使用的原型機(jī)［2］。無(wú)人機(jī)具有體積小、成本低、便于攜帶、機(jī)動(dòng)性好、安全性高、受地域環(huán)境限制小等優(yōu)點(diǎn)［3］，而隨著無(wú)人機(jī)承載的任務(wù)越來越多樣化，使用環(huán)境多樣化和無(wú)人機(jī)飛行速度的提升，這也導(dǎo)致對(duì)無(wú)人機(jī)成功避免障礙物的要求不斷增加［4］。在這一發(fā)展趨勢(shì)下，要求無(wú)人機(jī)在探測(cè)到在保證性能的條件下必須實(shí)現(xiàn)對(duì)環(huán)境的兼容。對(duì)于這個(gè)要求，目前通行解決方案有兩種，要么采用衛(wèi)星制導(dǎo)技術(shù)，提前探測(cè)飛行環(huán)境［5］；要么在無(wú)人機(jī)上加裝攝像探頭搜索周圍環(huán)境，導(dǎo)致技術(shù)難度增加且損失過多性能［6］。無(wú)論單一使用哪種方法都不能很好地解決這一無(wú)人機(jī)飛行需求問題。因此有必要找到一種能夠較好地兼顧作戰(zhàn)環(huán)境以及快速調(diào)整無(wú)人機(jī)飛行狀態(tài)的算法。

本研究將以單目視覺為基礎(chǔ)，結(jié)合改進(jìn)型花授粉算法（IFPA）對(duì)無(wú)人機(jī)探索到的飛行環(huán)境進(jìn)行避障處理。首先對(duì)無(wú)人機(jī)避障環(huán)境進(jìn)行建模選取最優(yōu)避免障礙物的路徑坐標(biāo)體系，其次，在建立單目視覺條件下對(duì)障礙物威脅點(diǎn)進(jìn)行邊緣檢測(cè)，獲得邊緣輪廓信息，然后利用橢圓的集合性質(zhì)來進(jìn)行有效的弧線分割，最后，利用動(dòng)態(tài)變換概率策略（DSPS）改進(jìn)花授粉算法（IFPA）以分辨單目視覺圖像中障礙物。

2 無(wú)人機(jī)避障的環(huán)境建模

2.1 數(shù)學(xué)模型

無(wú)人機(jī)路徑規(guī)劃的目標(biāo)是設(shè)計(jì)一個(gè)從起點(diǎn)到目標(biāo)點(diǎn)的最優(yōu)或次優(yōu)的路線［7］。優(yōu)化的路線在戰(zhàn)場(chǎng)中有能力避免威脅和適用戰(zhàn)場(chǎng)作戰(zhàn)的長(zhǎng)短。首先，路線規(guī)劃問題應(yīng)該轉(zhuǎn)換為一維函數(shù)優(yōu)化問題，如圖1所示。

圖1 二維空間坐標(biāo)轉(zhuǎn)換關(guān)系

圖1中，由原坐標(biāo)系OXY轉(zhuǎn)化為的新坐標(biāo)系O'X'Y'。水平軸是從起始點(diǎn)到目標(biāo)點(diǎn)的連接線路。兩種坐標(biāo)系統(tǒng)轉(zhuǎn)換表達(dá)式如下［8］：

2.2 性能評(píng)估

無(wú)人機(jī)路徑的性能指標(biāo)主要包括威脅成本Jt和燃料成本 Jf，評(píng)估可以遵循以下公式［10～11］：

其中，l表示生成的路徑長(zhǎng)度，L表示生成的路徑總長(zhǎng)度，wt和wf分別代表與當(dāng)前路徑和生成路徑長(zhǎng)度密切相關(guān)的每個(gè)線段上的威脅成本和燃料成本單價(jià)。

為了簡(jiǎn)化計(jì)算，并采用更有效的近似精確解。在這項(xiàng)工作中，每個(gè)路徑段離散成五段，同時(shí)威脅成本在路徑長(zhǎng)度上的計(jì)算隨需應(yīng)變。則模型圖2所示［12］。

圖2 無(wú)人機(jī)威脅成本模型

如果威脅點(diǎn)的距離不超過每個(gè)子段威脅點(diǎn)半徑距離，則威脅成本是給定的表達(dá)式如下［13］：

其中，Nt代表威脅地區(qū)的數(shù)量，Li表示第i段路徑的長(zhǎng)度，d0.1，i，k表示第 i個(gè)威脅點(diǎn)與第 k 個(gè)威脅點(diǎn)的距離的1 10，tk表示第k個(gè)威脅點(diǎn)的威脅等級(jí)。假設(shè)無(wú)人機(jī)的速度是恒定常量，燃料成本Jf由路徑的總長(zhǎng)度構(gòu)成。沿著軌跡運(yùn)行的總成本由威脅成本和燃料成本加權(quán)和組成，總成本公式如下：

其中，k值組成的向量決定著各種組件成本相對(duì)總成本的函數(shù)，無(wú)人機(jī)設(shè)計(jì)師靈活地處理威脅與燃料消耗之間的關(guān)系。k值的取值在0～1之間。

3 單目視覺圖像分析

3.1 邊緣與弧段檢測(cè)

本研究利用單目視覺方式執(zhí)行無(wú)人機(jī)的避障，在單目視覺中，弧段的正確提取是解決問題的關(guān)鍵。為了減少執(zhí)行時(shí)間，本研究以弧段為對(duì)象代替單個(gè)像素點(diǎn)來進(jìn)行橢圓參數(shù)計(jì)算，通過邊緣檢測(cè)、弧線分割等處理工作，完成無(wú)人機(jī)飛行過程中獲取圖像中弧段的提取。為了便于對(duì)障礙物的檢測(cè)，對(duì)提取到的弧段進(jìn)行分組，弧段分組的方法進(jìn)行了改進(jìn)，把可能屬于同一個(gè)橢圓的弧段分為一組，根據(jù)文中的約束條件排除掉不符合要求的弧段組合，然后對(duì)滿足條件的弧段用直接最小二乘法進(jìn)行橢圓擬合，檢測(cè)出原圖像中存在的橢圓。

圖像中的弧線是以邊緣點(diǎn)的形式存在的，因此首先要做的工作是邊緣檢測(cè)。邊緣是圖像中灰度值發(fā)生變化的位置，由于圖像容易受到噪聲點(diǎn)等因素的影響，因此，首先對(duì)圖像進(jìn)行Gaussian平滑濾波［14］，然后利用自適應(yīng)閾值Canny邊緣檢測(cè)得到邊界輪廓，它能減少噪聲的響應(yīng)，在正確的位置檢測(cè)到邊緣，并且能限制單個(gè)邊緣點(diǎn)對(duì)于亮度變化的定位。從而得到邊緣點(diǎn)集合，對(duì)邊界輪廓像素進(jìn)行編碼，得到一系列邊界鏈碼并舍棄小于15個(gè)像素點(diǎn)的邊界輪廓。

實(shí)際情況下，由于原圖像場(chǎng)景往往比較復(fù)雜，會(huì)出現(xiàn)多種對(duì)象相交或者部分遮擋的情況，邊緣檢測(cè)后獲得的障礙物不一定都是滿足構(gòu)成橢圓的弧段，因此，要進(jìn)一步排除掉一些不足以描述一個(gè)橢圓特性的弧段。對(duì)于弧段來說，是具有凹凸性的。通過弧段劃分其所在的最小邊界矩形的兩個(gè)區(qū)域的面積，如圖3所示，來判斷此弧段是否符合要求，當(dāng)弧段的下部區(qū)域的面積S1大于上部區(qū)域S2時(shí)，認(rèn)為此弧段是凸性的，反之，則認(rèn)為是凹性的。若兩區(qū)域面積相等，則此弧段是沒有意義的，因此棄掉此弧。由于檢測(cè)出來的弧段有很多是相交，對(duì)于這種情況，若最小邊界矩形的短邊小于已設(shè)定閾值TL，則將此弧段舍棄。

圖3 弧段的凹凸性分類

3.2 弧段分組與橢圓擬合

給定兩條相鄰的弧段 Arci和 Arcj，如圖4所示，這兩個(gè)弧段用首尾端點(diǎn)組合分別表示為和。弧段Arci和Arcj各端點(diǎn)連線的最小距離 Di，j表示為［15］

若 滿 足 Di，j＜Dmax且 △G＜Gmax，則 Arci和Arcj為同一個(gè)橢圓的弧組。

圖4 相鄰弧段的組合

圖5 平行弦的中心線擬合

由于存在一些弧段是相交的，把相鄰的弧段組合以后，還需要對(duì)弧段進(jìn)行整體分組。對(duì)于任一對(duì)弧組，我們選取它們的一組生成路徑平行弦l1和l2，對(duì)應(yīng)的弦中點(diǎn)為M1和Mn，如圖5所示，采用最小二乘法擬合這些平行弦的中心線，如圖5中虛線所示。定義每條平行弦中心點(diǎn)Mi到擬合中心線的垂直距離為di，l，則平均垂直距離d-可以表示為

若平均垂直距離d-，即平均誤差，小于設(shè)定的閾值dmax，則判定該弧組是屬于同一個(gè)橢圓的。把橢圓弧組合在一起之后，還要確定分組的弧段是否適合被擬合成橢圓。為了提高運(yùn)行速度，給每個(gè)弧組標(biāo)定一個(gè)級(jí)別Grade來表示其適合程度，若Grade小于設(shè)定閾值TG，則其并不合適［17］。Grade計(jì)算公式：

其中，Li是給定弧段 Arci的弧長(zhǎng)，Di是前一條弧段的尾端點(diǎn)和后一條弧段首端點(diǎn)間的距離。

橢圓的一般性質(zhì)方程可以表示為

其中，x和y分別是弧段組合以后得到的邊段點(diǎn)的橫縱坐標(biāo)，A，B，C，D和E是滿足橢圓方程的五個(gè)參數(shù)。為了減少參數(shù)計(jì)算的時(shí)間，本文采用直接最小二乘法（DLS）［18］，可以快速、正確地?cái)M合到橢圓。最后，利用文章的方法計(jì)算誤差En來判斷檢測(cè)到的第n個(gè)橢圓是否為圖像中合理存在的橢圓，若En小于設(shè)定的閾值TE，則該橢圓是真的，反之，則舍棄掉。En的計(jì)算公式：

其中，Nn為檢測(cè)到的第n個(gè)橢圓的所含像素點(diǎn)的數(shù)目，這個(gè)橢圓上的每個(gè)像素點(diǎn)用Pn，k表示，b為此橢圓短軸的大小，為距離 Pn，k最近的邊緣點(diǎn)。

4 算法求解

4.1 改進(jìn)花授粉算法

為了令單目視覺中的弧段和橢圓檢測(cè)計(jì)算過程在精度上有所提升，本研究將采用改進(jìn)花授粉算法（IFPA）進(jìn)行求解。在規(guī)則進(jìn)行更新中，植物的異花授粉可以視為一個(gè)全局授粉的過程，其傳粉運(yùn)載體遵循Lévy軌跡［19］，全局授粉規(guī)則中花粉配子是由傳粉者攜帶，如昆蟲攜帶花粉。由于昆蟲可以在較長(zhǎng)的時(shí)間范圍內(nèi)遠(yuǎn)距離飛行。因此，花授粉可以在數(shù)學(xué)上表示為

4.2 動(dòng)態(tài)變換概率策略（DSPS）

在IFPA中，轉(zhuǎn)換概率 p∈[0，1]控制局部搜索和全局搜索，它是一個(gè)恒定常量。假設(shè)一個(gè)合理的算法應(yīng)該滿足在開始搜索過程中的全局搜索功能。因此，應(yīng)用動(dòng)態(tài)變換概率策略（DSPS）調(diào)整兩種搜索過程的比例［20］。變換概率 p可以進(jìn)行選擇

p=0.6-0.1×(Max_iter-t)/Max_iter （14）其中，Max_iter代表DDIFPA的最大迭代次數(shù)，t表示當(dāng)前迭代次數(shù)?；ㄊ诜鄹倪M(jìn)算法（IFPA）的求解無(wú)人機(jī)飛行過程中通過單目視覺捕捉到的圖像分析偽代碼算法如下：

5 仿真實(shí)驗(yàn)

5.1 實(shí)驗(yàn)裝置

所有的算法在CPU配置為Intel酷睿i5 4590，內(nèi)存為4GB中，運(yùn)用Matlab R2012a編程進(jìn)行計(jì)算。

5.2 環(huán)境假設(shè)

在測(cè)試IFPA適用性之前，本研究通過與DE算法在2D的空間區(qū)域內(nèi)選擇維度D=5，10，15 和20進(jìn)行比較。首先確定起點(diǎn)、終點(diǎn)和威脅點(diǎn)。假設(shè)存在以下地圖信息，無(wú)人機(jī)路徑從起點(diǎn)( )5，10 到終點(diǎn)。在這個(gè)戰(zhàn)斗區(qū)域中，安全性能和燃料的性能之間的平衡系數(shù)k=0.5，并假設(shè)存在五個(gè)威脅點(diǎn)區(qū)域。他們的半徑坐標(biāo)和對(duì)應(yīng)的威脅如表1所示。

表1 威脅點(diǎn)信息

5.3 性能分析

在維度D=10的分段區(qū)域內(nèi)，DE和IFPA的規(guī)劃路徑如圖6和圖7所示，收斂曲線的如圖8所示。

圖6 D=10時(shí)DE算法路徑

圖7 D=10時(shí)單目視覺下的IFPA算法路徑

圖6顯示DE成功避開五個(gè)威脅點(diǎn)區(qū)域的規(guī)劃道路且為平滑。圖7顯示IFPA也可以計(jì)劃一個(gè)安全的路徑來逃避上面提到的這些威脅且也較為平滑。圖8表明收斂曲線在10維度條件下，IFPA算法的收斂速度更快。

圖8 D=10時(shí)兩算法性能對(duì)比

在維度D=20的分段區(qū)域內(nèi)，DE和IFPA的規(guī)劃路徑如圖9和圖10所示，收斂曲線的如圖11所示。

圖9 D=20時(shí)DE算法路徑

圖10 D=20時(shí)單目視覺下的IFPA算法路徑

圖11 D=20時(shí)兩算法性能對(duì)比

圖9顯示DE沒有避開威脅點(diǎn)區(qū)域，進(jìn)入了第2個(gè)威脅點(diǎn)構(gòu)成的威脅區(qū)域。圖10中IFPA路徑通過距離相比圖7的路徑更短，且與DE生成路徑相比更安全。圖11表明，相比DE生成收斂曲線，IFPA有更快的收斂速度和收斂曲線平滑。

6 結(jié)語(yǔ)

本文對(duì)無(wú)人機(jī)在復(fù)雜環(huán)境中自動(dòng)避開威脅點(diǎn)障礙物進(jìn)行了研究，采用單目視覺采集到的每一幀圖像進(jìn)行弧段提取和邊緣檢測(cè)。在弧段分組和直接最小二乘法的橢圓檢測(cè)方法中，對(duì)相似的橢圓進(jìn)行合并，最后確定障礙物的位置。利用動(dòng)態(tài)變換概率策略（DSPS）對(duì)改進(jìn)花授粉（IFPA）進(jìn)行優(yōu)化，以增強(qiáng)其搜索能力。提出的基于單目視覺下的IFPA用于解決在空間區(qū)域中的無(wú)人機(jī)路徑規(guī)劃問題，能找到一個(gè)路徑航行距離較短和有效避免威脅的最優(yōu)全局路徑規(guī)劃方式。為了更直觀地說明尋優(yōu)結(jié)果，選擇維度在D=10和20時(shí)，比較DE算法和IFPA算法，通過比較兩個(gè)算法的路徑規(guī)劃結(jié)果及其收斂曲線，IFPA比DE有更快的收斂速度和更為順暢的路徑，單目視覺下的IPFA更適合解決復(fù)雜的無(wú)人機(jī)避障最優(yōu)路徑規(guī)劃問題。