基于特征融合的仿生SLAM算法研究

王 均，凌有鑄*，王 靜

(1.安徽工程大學(xué) 電氣工程學(xué)院，安徽 蕪湖 241000；2.巢湖學(xué)院 電子工程學(xué)院，安徽 巢湖 238000)

移動機(jī)器人在未知環(huán)境中運(yùn)動時逐步構(gòu)建環(huán)境地圖，同時運(yùn)用此地圖對機(jī)器人進(jìn)行位姿估計，即運(yùn)動機(jī)器人的同時定位和地圖創(chuàng)建(SLAM)。一般的地圖構(gòu)建和定位系統(tǒng)需要有環(huán)境的先驗(yàn)信息或者環(huán)境的模型，但是SLAM系統(tǒng)在地圖信息和機(jī)器人位置不明確的情況下仍然可以工作，即使在環(huán)境改變的情況下仍然可以工作。對SLAM問題的解決方法運(yùn)用最為廣泛的是基于數(shù)學(xué)概率的方法[1]。數(shù)學(xué)概率方法的實(shí)現(xiàn)是建立在傳感器平臺上的，傳感器雖然類型和能力各有不同，但是都存在使用限制和不同程度的噪聲，因此使用精準(zhǔn)的傳感器是提高機(jī)器人SLAM的精度和可靠性的一個方法[2]。自然界中的生物采用完全不同的辦法來解決這個問題，它們不需要高精度的傳感設(shè)備就可以在復(fù)雜環(huán)境中進(jìn)行地圖構(gòu)建和導(dǎo)航。這是因?yàn)閯游锞邆渫降貓D構(gòu)建和導(dǎo)航的能力[3]。受動物空間認(rèn)知的啟發(fā)，在過去的幾十年里，許多研究者都在研究動物是如何感知、存儲和維持空間認(rèn)知的。生物的這種能力為SLAM在移動機(jī)器人中的應(yīng)用指示了研究方向[4]。

澳大利亞學(xué)者M(jìn)ichael[5-7]等就提出一種嚙齒動物海馬區(qū)擴(kuò)展模型(RatSLAM)，該模型通過頭方向細(xì)胞和位置細(xì)胞網(wǎng)絡(luò)的融合構(gòu)建位姿感知細(xì)胞網(wǎng)絡(luò)，將路徑積分和視覺關(guān)聯(lián)過程集成到位姿細(xì)胞模型中。然而，位姿感知細(xì)胞矩陣中最終的空間表征是不連續(xù)的，RatSLAM表征也會出現(xiàn)兩種附加現(xiàn)象：沖突和多沖表示。研究者們?yōu)榻鉀Q這三個問題，在RatSLAM基礎(chǔ)上根據(jù)機(jī)器人位姿表征和環(huán)境表征的對應(yīng)關(guān)系，擴(kuò)展出一種經(jīng)歷制圖算法，該算法直接存儲了環(huán)境空間、時間、機(jī)器人視覺、行為和變化等信息[8-9]。

RatSLAM算法的經(jīng)驗(yàn)圖中的活動具有一些幾何屬性，但仍然不能以人類可讀的形式表示，文獻(xiàn)[10]引入了一個“RatChat”的新系統(tǒng)，利用語言游戲范式構(gòu)建空間概念作為交流基礎(chǔ)，實(shí)現(xiàn)了人類與機(jī)器人的交流。文獻(xiàn)[11]將RatSLAM算法的基本原理與標(biāo)準(zhǔn)的概率SLAM算法進(jìn)行了比較，訓(xùn)練出一種新的非貝葉斯因果更新過濾器，并通過實(shí)驗(yàn)證明了它在功能上可以代替RatSLAM算法的核心。文獻(xiàn)[12-13]在RatSLAM算法的基礎(chǔ)上加入了多傳感器融合，同時介紹了一種基于運(yùn)動的自動校準(zhǔn)技術(shù)，該技術(shù)可以校準(zhǔn)位置識別和自動過程，并在室內(nèi)和室外環(huán)境中都驗(yàn)證了方案的可行性。文獻(xiàn)[14]通過調(diào)整給定的約束條件，將RatSLAM系統(tǒng)用于人形機(jī)器人平臺。此外還引入了一種多重假設(shè)建圖技術(shù)，這種算法在同一時間跟蹤多個空間機(jī)器人的假設(shè)位置，并對它們的合理性進(jìn)行加權(quán)，從而提高了開放空間建圖的魯棒性。文獻(xiàn)[15]將RatSLAM系統(tǒng)中經(jīng)驗(yàn)地圖算法用于RGBD-SLAM算法，解決了RGBD-SLAM算法中需要連續(xù)的圖像流的問題，克服了由無特征的表面生成的模糊數(shù)據(jù)的問題，并通過實(shí)驗(yàn)驗(yàn)證了算法融合的可行性。

近年來，基于特征的視覺SLAM方法在SLAM領(lǐng)域得到了廣泛應(yīng)用。SIFT[16-17]特征經(jīng)過十幾年的發(fā)展已取得巨大成功，是一種非常流行和實(shí)用的視覺處理算法。SIFT描述符由128維向量表示，使其具有旋轉(zhuǎn)不變性等優(yōu)良性能，對光線變化也有魯棒性。同時其能夠比較方便地與其他相關(guān)的特征向量進(jìn)行融合。GIST[18-19]特征是模擬人的視覺特點(diǎn)提出的。利用多尺度多方向的Gabor濾波器組分別與圖像進(jìn)行卷積運(yùn)算，得到圖像的GIST特征。針對傳統(tǒng)RatSLAM算法中局部場景的形成和匹配過程中，沒有對場景的幾何處理和特征提取，導(dǎo)致其對光線變化的敏感性，以及不能識別已有模板圖像旋轉(zhuǎn)后的圖像的問題，研究在局部場景形成階段，分別提取局部場景圖像的GIST特征和SIFT特征，串行融合后形成局部場景特征模板存儲入局部場景細(xì)胞，改進(jìn)了原RatSLAM對光線變化敏感的問題，同時提高了檢測的準(zhǔn)確率。

圖1 RatSLAM模型

1 RatSLAM模型

RatSLAM模型包括位姿感知細(xì)胞網(wǎng)絡(luò)、局部視圖細(xì)胞以及局部場景細(xì)胞和位姿細(xì)胞共同作用形成的經(jīng)歷圖，模型如圖1所示。

1.1 位姿感知細(xì)胞網(wǎng)絡(luò)內(nèi)部動態(tài)過程

(1)興奮度更新。創(chuàng)建興奮度權(quán)重矩陣εabc：

(1)

式中，a、b、c為x′、y′、θ′的分布系數(shù)；θ′維和(x′,y′)平面方差常數(shù)分別是kθ′和kx′y′；位姿感知細(xì)胞活性因興奮性致使的變化ΔPx′y′θ′：

(2)

式中，(x′，y′，θ′)空間中位姿感知細(xì)胞的三維矩陣元素分別為Nx′,Ny′,Nθ′。

(3)

式中，φ為抑制常數(shù)，控制全局抑制水平。

(4)

歸一化可以使獲得積分路徑輸入和視覺輸入后的位姿細(xì)胞總活性在0～1之間。

1.2 場景學(xué)習(xí)

(5)

(6)

式中，Px′y′θ′為位姿感知細(xì)胞的活動水平；Vi為局部場景細(xì)胞的活動水平。

1.3 經(jīng)歷圖的繪制

經(jīng)歷由位姿感知細(xì)胞和局部場景細(xì)胞中的活性驅(qū)動產(chǎn)生。當(dāng)已有的經(jīng)歷集不足以描述機(jī)器人的活動狀態(tài)時，就將產(chǎn)生一個新的經(jīng)歷。第i個經(jīng)歷如式(7)所示。

ei={Ei，Pi，Vi},

(7)

(8)

2 融合全局與局部特征的RatSLAM模型

RatSLAM中局部場景由一個一維細(xì)胞單元陣列組成，其中細(xì)胞單元對應(yīng)存儲著特征值模板。將照相機(jī)采集到的圖像轉(zhuǎn)換為灰度圖像，分別提取圖像的GIST特征和SIFT特征，并將向量標(biāo)準(zhǔn)化到(0，1)的范圍內(nèi)，串行融合組成局部場景特征模板。融合后的RatSLAM技術(shù)路線如圖2所示。

圖2 技術(shù)路線

2.1 GIST特征提取

GIST特征的核心是通過Gabor變換提取全局特征。先對輸入圖像預(yù)處理，之后利用多尺度多方向的Gabor濾波器組分別與圖像進(jìn)行卷積運(yùn)算，得到圖像的全局特征。二維Gabor變換核函數(shù)表達(dá)式為：

gmn(x,y)=a-mgσx′σy′ω(x′,y′),a>1,

(9)

(10)

x′=a-m(x·cosθ+y·sinθ),

(11)

y′=a-m(-x·sinθ+y·cosθ),

(12)

(13)

式中，x、y為像素點(diǎn)的位置信息；σx和σy分別為沿x和y方向上的高斯標(biāo)準(zhǔn)差；n為方向數(shù)；m為尺度數(shù)；a-m為尺度變換系數(shù)(尺度因子)。

將一幅灰度圖像I(x,y)劃分成大小相等的4×4個網(wǎng)格，每個小塊圖像大小為h×d，對每個小塊圖像用4個尺度8個方向的Gabor濾波器組進(jìn)行卷積濾波，并將濾波后的結(jié)果級聯(lián)起來，形成該小塊的特征。將上述每一小塊計算出的特征值取平均值，得到該小塊的Gist特征：

(14)

式中，nc=m×n為濾波器個數(shù)。整幅圖像的Gist特征由每一小塊計算出的32個平均特征值級聯(lián)得到，其維數(shù)為4×4×32=512維。

2.2 SIFT特征提取

SIFT算法在圖像與高斯函數(shù)卷積生成的尺度空間中尋找極值點(diǎn)來確定關(guān)鍵點(diǎn)位置，然后計算關(guān)鍵點(diǎn)周圍的梯度信息，進(jìn)而生成SIFT特征描述子。SIFT特征描述子對旋轉(zhuǎn)、尺度縮放、亮度變化等保持很好的不變性。

尺度空間L(x,y,σ)是由高斯函數(shù)G(x,y,σ)與二維圖像I(x,y)卷積生成。

L(x,y,σ)=G(x,y,σ)·I(x,y),

(15)

(16)

式中，x、y為像素點(diǎn)的位置信息；σ是尺度空間因子。

構(gòu)建高斯差分(Difference of Gaussian，DOG)金字塔D(x,y,σ)，比較每個點(diǎn)與其相鄰的尺度和上下相鄰位置共計26個特征點(diǎn)的值，當(dāng)某點(diǎn)為最大值或最小值時，則該點(diǎn)是該尺度下的一個特征點(diǎn)。DOG算子定義如下：

D(x,y,σ)=(G(x,y,kσ)-G(x,y,σ))·I(x,y)=L(x,y,kσ)-L(x,y,σ),

(17)

其中，k為相鄰尺度空間的倍數(shù)。利用特征點(diǎn)相鄰的鄰域點(diǎn)梯度方向分布特性為每一個特征點(diǎn)確定方向信息，其中包括了特征點(diǎn)的梯度值m(x,y)與方向θ(x,y)。

(18)

(19)

以關(guān)鍵點(diǎn)為中心劃分為16個子塊，計算各子塊8個方向的梯度累加值，并繪制梯度方向直方圖，得到一個128維的描述子向量，最后將特征向量的模長做歸一化處理。

2.3 局部場景特征模板匹配

設(shè)該圖像的GIST特征向量為：Xgist=[X11,X12,…,X1n]，SIFT特征向量為：Xsift=[X21,X22,…,X2m]，串行融合后形成局部場景特征模板為：X=[Xgist,Xsift]。

使用歐氏距離來評估新的模板和之前學(xué)習(xí)的模板之間的相似程度。若超過閾值，就會學(xué)習(xí)到新的局部場景特征模板，否則，被認(rèn)為是匹配的。一個新的局部場景特征模板只有在當(dāng)前的局部場景特征模板沒有匹配的情況下才會被學(xué)習(xí)。

3 實(shí)驗(yàn)與結(jié)果分析

實(shí)驗(yàn)采用移動機(jī)器人平臺“旅行家Ⅱ號”，平臺上搭載了編碼器、視覺傳感器、激光傳感器、聲吶傳感器、電子羅盤。移動機(jī)器人實(shí)驗(yàn)平臺如圖3所示。實(shí)驗(yàn)場景選取9 m×6 m的會議室環(huán)境。實(shí)驗(yàn)內(nèi)容為機(jī)器人在環(huán)境中行走兩圈之后改變環(huán)境光線，同時通過攝像頭采集圖像并將采集信息傳輸至上位機(jī)，進(jìn)行仿真實(shí)驗(yàn)。

圖3 實(shí)驗(yàn)平臺

3.1 特征提取

第一圈中相鄰幀的SIFT特征提取與匹配如圖4a所示。第一圈與改變光線之后的第三圈形成閉環(huán)位置的SIFT特征提取與匹配如圖4b所示。SIFT特征旋轉(zhuǎn)不變性能強(qiáng)，一定程度上也能對抗光線變化。第一圈中相鄰幀的GIST特征如圖5a、圖5b所示。第三圈在與第一圈形成閉環(huán)處的GIST特征如圖5c所示。

圖4 SIFT特征提取與匹配

圖5 GIST特征提取

3.2 經(jīng)驗(yàn)節(jié)點(diǎn)匹配

RatSLAM模型經(jīng)驗(yàn)節(jié)點(diǎn)匹配圖如圖6所示。在前兩圈的實(shí)驗(yàn)中，RatSLAM模型能夠一定程度的匹配局部場景模板，但是第三圈改變環(huán)境光線之后，RatSLAM模型匹配局部場景模板數(shù)量降低，后續(xù)匹配效果變差。RatSLAM+SIFT模型經(jīng)驗(yàn)節(jié)點(diǎn)匹配圖如圖7所示。RatSLAM+GIST模型經(jīng)驗(yàn)節(jié)點(diǎn)匹配圖如圖8所示。相較于RatSLAM模型，兩組實(shí)驗(yàn)中檢測到的閉環(huán)數(shù)量都有所增加。其中，RatSLAM+SIFT模型第二圈實(shí)驗(yàn)效果較好，RatSLAM+GIST模型在改變環(huán)境光線之后的第三圈匹配效果較好。特征融合的RatSLAM模型經(jīng)驗(yàn)節(jié)點(diǎn)匹配圖如圖9所示。在前兩圈的實(shí)驗(yàn)中，特征融合的RatSLAM模型相較于前三組實(shí)驗(yàn)有更多的經(jīng)驗(yàn)節(jié)點(diǎn)匹配到局部場景模板，第三圈改變環(huán)境光線之后，也能很好地完成閉環(huán)檢測。

圖6 RatSLAM模型經(jīng)驗(yàn)節(jié)點(diǎn)匹配圖圖7 RatSLAM+SIFT模型經(jīng)驗(yàn)節(jié)點(diǎn)匹配圖

圖8 RatSLAM+GIST模型經(jīng)驗(yàn)節(jié)點(diǎn)匹配圖圖9 特征融合的RatSLAM模型經(jīng)驗(yàn)節(jié)點(diǎn)匹配圖

RatSLAM模型和特征融合的RatSLAM模型準(zhǔn)確率與召回率的對比如表1所示。由表1可知，RatSLAM模型的準(zhǔn)確率與召回率分別為65%和49%，RatSLAM+SIFT模型的準(zhǔn)確率與召回率分別為84%和83%，RatSLAM+GIST模型的準(zhǔn)確率與召回率分別為79%和88%，融合特征點(diǎn)的RatSLAM模型準(zhǔn)確率和召回率分別為91%和82%。相較于RatSLAM模型，特征融合的RatSLAM模型準(zhǔn)確率和召回率都得到提升。

表1 RatSLAM模型和特征融合的RatSLAM模型性能對比

3.3 經(jīng)驗(yàn)地圖

RatSLAM模型構(gòu)建的經(jīng)歷圖與真實(shí)軌跡對比如圖10a所示，特征融合的RatSLAM模型經(jīng)歷圖與真實(shí)軌跡對比如圖10b所示。由圖10可知，RatSLAM模型在第三圈光線變化之后，經(jīng)歷圖產(chǎn)生了偏移，而特征融合的RatSLAM模型的經(jīng)歷圖更符合實(shí)際軌跡。

圖10 RatSLAM模型經(jīng)歷、特征融合的RatSLAM模型經(jīng)歷與真實(shí)軌跡對比圖

4 結(jié)論

研究中提出的特征融合的RatSLAM算法改進(jìn)了現(xiàn)有RatSLAM仿生算法下由于光線變換等狀況造成的導(dǎo)航不穩(wěn)定的問題，系統(tǒng)魯棒性增強(qiáng)，同時提高了系統(tǒng)檢測的準(zhǔn)確率。當(dāng)前的融合算法給定識別閾值，若系統(tǒng)自動調(diào)整識別閾值是否能夠提高召回率，以及如何通過現(xiàn)有的圖像處理技術(shù)與仿生算法相融合的手段處理復(fù)雜環(huán)境，這些仍值得進(jìn)一步研究。