基于Dempster-Shafer的飛行機器人多目標視覺定位方法

(西北工業(yè)大學 計算機學院，西安 710072)

0 引言

飛行機器人在沒有外界干擾情況下能夠完成飛行任務，但一旦受到外界干擾，對于飛行機器人的精確位置與姿態(tài)信息獲取是相對困難的[1]。針對目前大多數(shù)飛行機器人裝備的定位系統(tǒng)，受到定位精準度升級影響，導致定位系統(tǒng)每秒更新速度較慢，獲取的數(shù)據(jù)也相對較少，且飛行機器人工作環(huán)境受到各種因素影響，導致定位系統(tǒng)存在較大局限性，因此，飛行機器人多目標視覺定位成為目前人們研究的熱點問題[2]。正是飛行機器人能夠靈活轉向的特點，使其在軍事、農業(yè)、物流等方面得到了越來越廣泛的應用，通過預估自身位姿能夠實現(xiàn)飛行機器人高性能運行，以此獲取高精度導航數(shù)據(jù)[3]。

飛行機器人為了實現(xiàn)自主飛行，通過全球定位系統(tǒng)獲取飛行器精確位置和姿態(tài)，但在室內環(huán)境中，全球定位系統(tǒng)信號受到空間限制，獲取的信號相對薄弱，針對該現(xiàn)象，提出了基于擴展Dempster-Shafer證據(jù)推理的飛行機器人多目標視覺定位方法[4]。該方法的基本思路是：將接收到的信息作為定位信息源證據(jù)，給不同信息源分配不同的信任度，并支持證據(jù)對不同推理的精確描述，從而提高定位的準度。將證據(jù)推理描述信息源與基于不同位置定位方法結合可以有效彌補現(xiàn)有其他定位方法在對各接入點同等對待的不足，理論分析并結合實驗結果驗證了該方法的可行性，且方法使用效率高，適用性較強。

1 飛行機器人控制原理

飛行機器人如圖1所示。

圖1 飛行機器人

飛行機器人是世界上較為先進的信息搜索系統(tǒng)，用于罪犯跟蹤，方便攜帶，也可部署于人群上空，方便監(jiān)視工作。利用該機器人進行多目標視覺定位時，采用了Dempster-Shafer證據(jù)推理方法，該方法在不確定性度量上表現(xiàn)更為靈活，更加接近人自然思維習慣。就證據(jù)推理機制來說，對于任何一個信任更新后的證據(jù)都是通過合成規(guī)則來實現(xiàn)的，該推理過程透明可見，適用于任何機器。

針對飛行機器人的控制原理如圖2所示。

圖2 飛行機器人控制原理

根據(jù)圖2可知，飛行機器人控制組件中，存在前后左右4個電機，其為220 v銅芯0.55/0.75/1.1/1.5 KW兩相馬達組成的，具備高密度精工軸承，安全耐用、溫度低，采用全銅線圈設計方案，運行平穩(wěn)，且使用壽命較長[5]。

飛行機器人位置和姿態(tài)控制是相互獨立的，位置數(shù)據(jù)輸出結果作為姿態(tài)控制輸入數(shù)據(jù)，此時飛行機器人所在的具體位置是通過視覺定位方法進行計算的[6]。飛行機器人在空間的飛行位置與期望位置是存在一定偏差的，將該偏差結果作為橫軸輸入值，縱軸輸出值作為姿態(tài)控制器的期望值。通過Dempster-Shafer證據(jù)推理可得到姿態(tài)控制所需的角度信息，并使飛行機器人達到預期位置[7]。

2 基于Dempster-Shafer多目標視覺定位方案的實現(xiàn)

通過Dempster-Shafer證據(jù)推理多源信息融合定位方法實時獲取飛行機器人捕獲的彩色圖像和深度圖像，并手動選取目標區(qū)域，提取相關邊緣特征，按照一定權值系數(shù)來構建目標模板[8]。利用多目標跟蹤定位方法實時捕捉多個目標位置信息，將此結果全部輸出，獲取三維位置坐標。

2.1 特征提取

2.1.1 顏色特征提取

飛行機器人對顏色特征進行提取時，對于圖片變化并不敏感，因此當目標被遮擋時，飛行機器人獲取的圖片受到影響程度較小，適用于對多目標的描述。對于顏色特征提取可通過HSV顏色空間進行描述，由于亮度值與多目標物體反射比有關，因此，容易受到外界光照影響，導致用色度分量和飽和度分量形成了二維直方圖，這對于目標的構建是具有一定影響的[9]。針對該問題，需將圖片的HSV顏色空間按照直方圖，將用色度和飽和度子空間量轉化為等份空間，使每個空間都構成一個直方圖空間。

2.1.2 邊緣特征提取

圖片中的多目標輪廓包括了豐富特征，一旦出現(xiàn)多目標被遮擋現(xiàn)象時，圖片的輪廓邊緣變化十分明顯，因此，需通過計算區(qū)域圖像中的像素梯度才能得到邊緣信息。為此，需采用Canny算子對圖片進行處理，首先計算水平方向梯度值，然后計算垂直方向梯度值，最后計算梯度幅值和方向[10]。由于多目標的邊緣信息通常是在360°空間中獲取的，因此，梯度方向只能反應出180°的多目標輪廓信息，依據(jù)梯度幅值的橫縱坐標可將180°的多目標輪廓信息轉換成360°的多目標輪廓信息。通過統(tǒng)計直方圖，可將360°空間等分成18份，以此保證不同區(qū)間內圖像像素點個數(shù)一致，由此確定多目標的邊緣信息特征。

2.2 多目標模型建立

根據(jù)上述提取的顏色特征和邊緣特征，使用Bhattacharyya系數(shù)將特征信息融合起來，選定的多目標模板顏色特征隨著選定區(qū)域擴大，信息內容越豐富，此時目標顏色模板與候選的模板是相似的，這與之前模板也是完全匹配的。

多目標模型構建具體流程為：

1)選定目標邊緣特征；

2)將兩種特征信息轉化為巴氏距離；

3)利用高斯函數(shù)構建似然函數(shù)；

4)對似然函數(shù)進行加權融合處理；

5)確定權重后，對地面標記進行設計。

2.3 地面標記設計

設計地面標記，通過不同形狀填充多邊形。為了保持飛行機器人在設定周期內進行飛行，需對其進行實時控制，對于圖形中的不同特征進行提取，當圖形數(shù)量滿足設定的個數(shù)時，具有良好穩(wěn)定性。此時，標記坐標系原點，組成地面標記的多邊形信息。飛行機器人進行實時采集時，需先標記地面位置，通過圖像傳輸將圖片特征信息傳入地面計算機之中，以此進行基于Dempster-Shafer多目標視覺定位計算。

在進行計算前，需先對飛行機器人捕捉到的圖像進行處理，處理流程如下所示：

1)安裝機載攝像頭，由此獲取圖像；

2)對圖像進行預處理；

3)進行輪廓檢測；

4)特征提??；

5)將提取的結果輸入到已經訓練好的分類器中進行處理，由此獲取不同形狀的對應信息。

根據(jù)上述內容，完成地面標記設計。

2.4 分段多目標跟蹤定位

通過迭代算法能夠快速對目標進行局部最大化概率計算，以此適應多目標形變，一旦目標被遮擋，那么將會造成多目標極大值點出現(xiàn)個數(shù)變多，此時分段多目標跟蹤定位結果出現(xiàn)偏差，坐標信息也將全部丟失。分段多目標跟蹤定位方法對于目標遮擋問題能夠較好地追蹤目標，但相對于位置信息的選取是相對嚴格的，當信息獲取數(shù)量較多時，其分布的例子概率密度逐漸逼近于后驗證的概率函數(shù)密度，跟蹤精準度較低。

在整個跟蹤過程中，需依據(jù)Bhattacharyya系數(shù)將特征信息融合起來，通過Dempster-Shafer證據(jù)推理對當前幀建立目標模型。經過迭代處理后，捕獲到候選目標，依據(jù)選取的目標進行相似度判斷，如果相似度大于設定的閾值，那么說明多目標沒有被遮擋，飛行機器人繼續(xù)跟蹤多目標；反之，如果相似度小于設定的閾值，那么說明多目標被遮擋，此時不應更新目標模板，直接切換成Dempster-Shafer證據(jù)推理方法進行跟蹤。通過相似度與閾值對比的方法，能夠在多目標未被遮擋情況下，確保良好跟蹤效果，而一旦目標被遮擋，那么該方法能夠增強跟蹤的實效性。

分段多目標跟蹤定位方法具體實現(xiàn)步驟為：

1)通過飛行機器人捕獲當前幀彩色和深度圖像；

2)依據(jù)當前獲取的圖片顏色和相關特征構建初始化目標模型；

3)在搜索窗內對目標質心位置進行搜索；

4)依據(jù)目標與候選目標相似度，判斷飛行機器人多目標視覺物體是否被遮擋，如果未被遮擋，則需返回到步驟3)，如果被遮擋，則需采用Dempster-Shafer證據(jù)推理方法對多目標進行視覺跟蹤；

5)根據(jù)上述追蹤到的結果選定目標顏色，收集相關信息進行初始化處理，并依次賦予權值；

6)通過高斯分布對賦予的權值進行擴散處理，依次獲取新的位置信息；

7)通過位置信息計算不同顏色與邊緣融合特征，并進行模板匹配，依據(jù)Bhattacharyya系數(shù)計算選定目標和候選目標之間的相似度，通過該相似度對目標進行更新，并賦予權值重新采樣；

8)選取最大權值作為目標跟蹤結果，由此獲取二維坐標，依據(jù)坐標信息計算目標所在位置矩形框，并返回到步驟4)。

2.5 多目標視覺定位方案的實現(xiàn)

通過分段多目標跟蹤定位獲取的坐標信息與之對應的點以及飛行機器人內部參數(shù)，計算攝像機方位，通過Dempster-Shafer證據(jù)推理方法對飛行機器人位置進行估計，并使用虛擬控制點表示多目標位置的點。

將攝像機透視問題轉化為攝像機坐標下的控制點問題，通過標記的坐標點表示攝像機坐標系下的坐標點，以此構建成像模型。利用相機小孔成像的模型參數(shù)矯正成像模型，獲取圖像坐標，采用最小二乘法能夠獲取攝像機內部參數(shù)，由此能夠獲得n維未知向量。對地面標記的目標點進行識別，如果出現(xiàn)的點數(shù)不能完全被識別，通過識別出其中幾個點就能獲取目標位置信息，由此實現(xiàn)多目標視覺定位。

3 實驗

實驗針對基于Dempster-Shafer的飛行機器人多目標視覺定位方法進行研究，為了測試該方法在被遮擋情況下的定位效果，進行了飛行機器人穿過教室實驗。將該方法與Camshift方法在飛行機器人視覺定位準確率和效率兩方面進行對比分析；為了提高定位結果精準度，需進行靜止定位實驗，計算其與期望中的誤差，以此驗證該方法的定位精準度。

3.1 實驗環(huán)境

本實驗選在Wi-Fi環(huán)境下，實驗場地示意圖如圖3所示，過道中部署60個采樣點采集接收到的RSSI來構建位置數(shù)據(jù)庫，設最小采樣點間距為1米，主要將采樣點布置在各房間門前，每個采樣點按照每秒采集1個RSSI的頻率來采集。實驗場地示意圖如圖3所示。

圖3 實驗場地示意圖

3.2 飛行機器人飛行定位實驗

在上述實驗環(huán)境下，放置教室空間模型作為遮擋，通過平臺獲取圖像信息，在該平臺上沿著直線進行移動，使其通過教室，并保證飛行機器人在移動過程中的平穩(wěn)性。在曲線飛行狀態(tài)下，實際運行軌跡如表1所示。

表1 曲線飛行狀態(tài)下實際運行軌跡

在直線飛行狀態(tài)下，實際運行軌跡如表2所示。

表2 直線飛行狀態(tài)下實際運行軌跡

分別使用兩種方法跟蹤定位，其跟蹤結果如圖4和圖5所示。

圖4 兩種方法跟蹤定位曲線飛行比較結果

由圖4可知：由于飛行機器人在曲線飛行時保持勻速飛行狀態(tài)，所以無論時間多少，其飛行的軌跡大都一致。當時間為10 s時，傳統(tǒng)方法X軸方向飛行的位置為480 mm，y軸方向飛行的位置為750 mm，Z軸方向飛行的位置為1 750 mm；基于Dempster-Shafer方法X軸方向飛行的位置為250 mm，y軸方向飛行的位置為275 mm，Z軸方向飛行的位置為2 250 mm；當時間為40 s時，傳統(tǒng)方法X軸方向飛行的位置為600 mm，y軸方向飛行的位置為750 mm，Z軸方向飛行的位置為1 650 mm；基于Dempster-Shafer方法X軸方向飛行的位置為240 mm，y軸方向飛行的位置為280 mm，Z軸方向飛行的位置為2 250 mm，這與實際運行軌跡一致。

由圖5可知：當時間為2 s時，傳統(tǒng)方法X軸方向飛行的位置為750 mm，y軸方向飛行的位置為900 mm，Z軸方向飛行的位置為1 490 mm；基于Dempster-Shafer方法X軸方向飛行的位置為500 mm，y軸方向飛行的位置為650 mm，Z軸方向飛行的位置為2 100 mm。當時間為8 s時，傳統(tǒng)方法X軸方向飛行的位置為260 mm，y軸方向飛行的位置為700 mm，Z軸方向飛行的位置為1 600 mm；基于Dempster-Shafer方法X軸方向飛行的位置為100 mm，y軸方向飛行的位置為150 mm，Z軸方向飛行的位置為2 000 mm，這與實際運行軌跡一致。

依據(jù)上述對比結果，將飛行機器人曲線和直線飛行的數(shù)據(jù)進行分析，發(fā)現(xiàn)其與實際軌跡期望的距離還是存在一定偏差的，因此，采用EVPS測量數(shù)據(jù)具有較小測量誤差，并能夠與真實數(shù)據(jù)進行對比，滿足飛行機器人實時控制的需求。為了驗證該方法精準性，依次對傳統(tǒng)方法與基于Dempster-Shafer方法定位誤差累積概率進行對比分析，如圖6所示。

由圖6可知，當誤差距離為1 mm時，基于Dempster-Shafer方法定位誤差累積概率為0.1，傳統(tǒng)方法定位誤差累積概率為0.3；當誤差距離為3 mm時，基于Dempster-Shafer方法定位誤差累積概率為0.12，傳統(tǒng)方法定位誤差累積概率為0.5；當誤差距離為6 mm時，基于Dempster-Shafer方法定位誤差累積概率為0.18，傳統(tǒng)方法定位誤差累積概率為0.85。由此可知，基于Dempster-Shafer方法在飛行狀態(tài)時定位誤差較小。

3.3 飛行機器人靜止定位實驗

基于Dempster-Shafer方法計算獲取的飛行機器人多目標視覺定位的二維位置坐標，需結合相關數(shù)據(jù)獲取三維位置坐標信息，為了驗證該方法精準度是否滿足飛行機器人位置信息輸入的精準度要求，需在其靜止狀態(tài)下進行跟蹤定位。分別采用Dempster-Shafer方法和傳統(tǒng)方法對飛行機器人靜止狀態(tài)下的三維位置誤差進行對比分析，結果如圖7～8所示。

圖7 Dempster-Shafer方法下的三維位置誤差曲線

圖8 傳統(tǒng)方法下三維位置誤差曲線

由圖7、8可知，傳統(tǒng)方法X軸方向最大誤差為3 mm，最小誤差為0 mm；Y軸方向最大誤差為2.7 mm，最小誤差為0 mm；Z軸方向最大誤差為2.5 mm，最小差為0 mm?；贒empster-Shafer方法X軸方向的曲線呈有規(guī)律性的上下變動狀態(tài)；Y軸方向呈現(xiàn)直線狀態(tài)，當時間依次為40 s和 50 s時，誤差達到最大；Z軸方向的曲線呈無規(guī)律性的上下變動狀態(tài)。X軸方向最大誤差為3 mm，最小誤差為0 mm；Y軸方向最大誤差為3 mm，最小誤差為0 mm；Z軸方向最大誤差為2.7mm，最小誤差為0 mm。由此可知，飛行機器人在靜止狀態(tài)的三維位置誤差較小。

3.4 實驗結果與分析

基于Dempster-Shafer的飛行機器人多目標視覺定位結果精準度與傳統(tǒng)方法對比結果如表3所示。

由表3可知，當實驗次數(shù)為1、2、3、4、5次時，采用Dempster-Shafer方法飛行狀態(tài)下的飛行機器人多目標視覺定位精準度比傳統(tǒng)方法依次高52%、53%、54%、53%、55%；在靜止狀態(tài)下的飛行機器人采用Dempster-Shafer方法對多目標視覺進行定位的精準度比傳統(tǒng)方法依次高43%、43%、45%、46%、47%。

表3 兩種方法定位結果精準度對比分析

綜上所述：無論是在飛行機器人飛行定位實驗還是靜止定位實驗下，基于Dempster-Shafer方法比傳統(tǒng)方法定位精準度要高。

4 結束語

針對飛行機器人多目標視覺定位，提出了Dempster-Shafer方法，在飛行機器人被遮擋情況下也具有較高定位精準度。實驗結果表明，提出的Dempster-Shafer方法解決了定位精準度低的問題，可廣泛應用于自主飛行的機器之中，完成飛行任務。在一定誤差范圍內，通過地面標記能夠識別多目標，并在機載視覺下也能進行精準定位。

下一步工作應充分利用該方法的高精準定位性能對飛行機器人的位姿進行測量，保證飛行機器人能夠完成復雜動作。