面向巡視探測(cè)任務(wù)的復(fù)雜地形信息感知與場(chǎng)景重建

趙 迪 1，2，胡夢(mèng)雅 1，李世其 2，紀(jì)合超 2，何 寧

(1.湖北工業(yè)大學(xué)，武漢 430068；2.華中科技大學(xué)，武漢 430074；3.中國(guó)航天員科研訓(xùn)練中心，北京 100094)

1 引言

移動(dòng)機(jī)器人的應(yīng)用場(chǎng)景已延伸至復(fù)雜地形環(huán)境(包含凹坑、坡、臺(tái)階等)，這些復(fù)雜地形因素會(huì)影響移動(dòng)機(jī)器人執(zhí)行巡視探測(cè)任務(wù)，超過(guò)越障極限的地形起伏會(huì)使機(jī)器人無(wú)法通過(guò)，不及時(shí)的地形信息感知也會(huì)影響機(jī)器人的探測(cè)安全與效率。如移動(dòng)機(jī)器人在進(jìn)行行星探測(cè)時(shí)，由于先驗(yàn)知識(shí)匱乏，需要在根據(jù)指令巡視探測(cè)的同時(shí)，對(duì)周圍環(huán)境地形信息進(jìn)行感知。因此為保證移動(dòng)機(jī)器人的探測(cè)安全，即時(shí)、高效地感知地形信息尤為重要。

地形信息感知方法根據(jù)傳感器數(shù)據(jù)的不同，主要包含振動(dòng)信號(hào)數(shù)據(jù)、基于視覺(jué)或激光雷達(dá)獲取的數(shù)字高程模型(Digital Elevation Model，DEM)數(shù)據(jù)、RGB數(shù)據(jù)、深度數(shù)據(jù)、點(diǎn)云數(shù)據(jù)等。其中，振動(dòng)信號(hào)分析通過(guò)對(duì)機(jī)器人探測(cè)過(guò)程中的振動(dòng)信號(hào)進(jìn)行分類，但在沒(méi)有先驗(yàn)知識(shí)的前提下，該方法容易使機(jī)器人處于危險(xiǎn)狀態(tài)；基于DEM數(shù)據(jù)的分析方法多用于包括高程在內(nèi)的各種地貌因子的全局描述，但DEM圖像數(shù)據(jù)的比例尺較大，會(huì)造成局部地形信息缺失；Blas等采用顏色紋理實(shí)現(xiàn)自然地形圖像的在線快速分割，但是顏色信息受外部環(huán)境因素影響較大，分割穩(wěn)定性難以得到保障；基于點(diǎn)云的地形描述可以快速準(zhǔn)確地獲得場(chǎng)景的幾何信息，其中Broten等通過(guò)計(jì)算各個(gè)柵格的加權(quán)平均高度來(lái)構(gòu)建高程地圖，能輔助機(jī)器人在未知的室外環(huán)境下運(yùn)作，但該方法無(wú)法準(zhǔn)確表示場(chǎng)景中地形信息；Gingras等通過(guò)高程劃分可通行區(qū)域與障礙區(qū)域，并采用改進(jìn)的三角網(wǎng)格法對(duì)可通行區(qū)域進(jìn)行地形重建以及路徑規(guī)劃，但該方法在含一定坡度的路面環(huán)境下難以適用。

本文針對(duì)移動(dòng)機(jī)器人在巡視探測(cè)過(guò)程中對(duì)復(fù)雜地形信息的感知問(wèn)題，提出一種基于點(diǎn)云的地形信息感知與快速三維場(chǎng)景重建的方法。首先采用Kinect2.0深度(RGB-D)相機(jī)獲取原始數(shù)據(jù)，對(duì)得到的三維點(diǎn)云數(shù)據(jù)進(jìn)行濾波降噪等處理；然后使用改進(jìn)的隨機(jī)采樣一致性算法(Random Sample Consensus，RANSAC)擬合基準(zhǔn)面，并以此作為移動(dòng)機(jī)器人運(yùn)行平面；其次使用基于密度的聚類算法(Density-Based Spatial Clustering of Applications with Noise，DBSCAN)對(duì)剩余的三維點(diǎn)云數(shù)據(jù)進(jìn)行分類聚合以獲得地形特征點(diǎn)集，同時(shí)為簡(jiǎn)化地形特征點(diǎn)集并確定其輪廓，采用凸包算法(Convex Hull)對(duì)分類后三維點(diǎn)云數(shù)據(jù)進(jìn)行處理；最后結(jié)合獲取的基準(zhǔn)面與地形特征信息對(duì)移動(dòng)機(jī)器人周圍的環(huán)境進(jìn)行快速三維重建，從而減少了對(duì)復(fù)雜地形環(huán)境信息感知與重建的時(shí)間。通過(guò)在沙地、臺(tái)階等復(fù)雜地形的場(chǎng)景下進(jìn)行模擬實(shí)驗(yàn)，快速進(jìn)行三維場(chǎng)景重建，以證明本文方法的有效性。

2 地形信息感知與場(chǎng)景重建

2.1 算法流程

地形信息感知與場(chǎng)景重建算法主要流程如圖1所示。

圖1 算法流程圖Fig.1 Algorithm flowchart

將采集到的RGB-D數(shù)據(jù)轉(zhuǎn)換為點(diǎn)云數(shù)據(jù)，進(jìn)行濾波降噪以及RANSAC算法估計(jì)基礎(chǔ)平面；然后采用基于密度聚類的算法感知地形特征信息(凹坑、坡、臺(tái)階)，并用凸包圖形學(xué)方法簡(jiǎn)化特征信息，最后進(jìn)行三維場(chǎng)景重建。

2.2 原始點(diǎn)云數(shù)據(jù)處理

為了快速三維場(chǎng)景重建，需對(duì)原始點(diǎn)云數(shù)據(jù)進(jìn)行處理，獲取有效的基準(zhǔn)平面與地形特征信息。

2.2.1 基準(zhǔn)平面獲取

濾波降噪完成后獲得點(diǎn)云數(shù)據(jù)集

X

={

x

，

x

，…，

x

}。在移動(dòng)機(jī)器人巡視探測(cè)過(guò)程中，為區(qū)分復(fù)雜地形中凸起障礙和凹陷障礙，可使用RANSAC算法擬合基準(zhǔn)面作為移動(dòng)機(jī)器人的運(yùn)行平面，定義高于基準(zhǔn)面的地形為凸起障礙，低于基準(zhǔn)面的地形為凹陷障礙。傳統(tǒng)RANSAC算法可以在大量離散數(shù)據(jù)集中獲得高精度、一致性模型參數(shù)，但是其參數(shù)設(shè)置難以滿足各不同地形下基準(zhǔn)面擬合的需要，同一參數(shù)設(shè)置難以滿足變化較大的地形環(huán)境，本文提出改進(jìn)的RANSAC算法是通過(guò)在機(jī)器人越障能力極限

h

范圍內(nèi)設(shè)置自適應(yīng)閾值

t

，即在

h

范圍內(nèi)的地形起伏對(duì)機(jī)器人移動(dòng)不構(gòu)成影響。改進(jìn)RANSAC算法流程如下:1)計(jì)算

X

中點(diǎn)到迭代平面距離

d

，

μ

為所有點(diǎn)沿垂直地面方向的平均距離，并設(shè)置閾值為

t

，式(1)為自適應(yīng)閾值

t

的計(jì)算公式。

2)若

d

≤

t

，則認(rèn)為

x

為局內(nèi)點(diǎn)

n′

，并統(tǒng)計(jì)局內(nèi)點(diǎn)個(gè)數(shù)。3)對(duì)1)、2)步驟進(jìn)行重復(fù)迭代

k

次，其中

k

如式(2)所示。

4)選擇局內(nèi)點(diǎn)最多的平面為最優(yōu)平面模型

P

(

ax＋b y＋cz=d

)，并獲得該模型

P

參數(shù)

a

、

b

、

c

、

d

作為該點(diǎn)云數(shù)據(jù)的基準(zhǔn)面參數(shù)值。

本文使用離群點(diǎn)剔除算法以及改進(jìn)RANSAC算法，在Matlab中對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行仿真處理，結(jié)果如圖2所示。

圖2 離群點(diǎn)剔除算法以及改進(jìn)RANSAC算法仿真效果Fig.2 Simulation effect of outlier elimination algorithm and improved RANSAC algorithm

由圖2可知，離群點(diǎn)剔除效果較好，且能有效擬合該復(fù)雜地形的基準(zhǔn)平面。

2.2.2 點(diǎn)云數(shù)據(jù)聚類

通過(guò)獲取基準(zhǔn)面，對(duì)凸起障礙和凹陷障礙進(jìn)行初步分割，但由于復(fù)雜地形的凹陷和凸起等特征形狀存在多樣且隨機(jī)連續(xù)分布的特性，無(wú)法根據(jù)幾何形狀對(duì)點(diǎn)云特征進(jìn)行信息感知與語(yǔ)義分割。因此，為得到具有語(yǔ)義信息的特征點(diǎn)集，需要對(duì)各不同特征的點(diǎn)云數(shù)據(jù)進(jìn)行聚類分割，使得各組點(diǎn)云數(shù)據(jù)能有效表示該環(huán)境下地形特征。為方便進(jìn)行聚類處理，本文做出以下假設(shè)與定義:假設(shè)擬合基準(zhǔn)面為平坦平面，即點(diǎn)垂直高度上的值變化可以忽略不計(jì)。定義基準(zhǔn)平面的點(diǎn)云數(shù)據(jù)為無(wú)需聚類數(shù)據(jù)，離群及密度小的點(diǎn)云集為離散噪聲點(diǎn)集。

為滿足上述假設(shè)與定義條件，首先對(duì)濾波降噪后點(diǎn)云數(shù)據(jù)

X

進(jìn)行聚類預(yù)處理，通過(guò)統(tǒng)計(jì)分析剔除離散噪聲點(diǎn)集；剔除無(wú)須聚類點(diǎn)集即基準(zhǔn)面點(diǎn)集；定義低于平面的數(shù)據(jù)集為

G′

(

j=

1，2，…，

m′

)，高于平面的數(shù)據(jù)集記為

H′

(

k=

1，2，…，

h′

)。

通過(guò)聚類預(yù)處理各地形特征被分割成不連通且具有一定密度的子集。在使用聚類算法時(shí)，各不同子集之間距離信息和密度信息是感知聚類特征的關(guān)鍵因素，故采用DBSCAN聚類算法對(duì)各不同子集進(jìn)行聚類，該算法步驟如下:

1)對(duì)各子集建立KD索引樹(shù)；

2)設(shè)置搜索半徑

r

、聚類最少點(diǎn)數(shù)

Min

以及聚類最大點(diǎn)數(shù)

Max

；3)進(jìn)行最近鄰搜索(K-NearestNeighbor)算法，設(shè)

s

為點(diǎn)集中兩點(diǎn)間歐氏距離；4)設(shè)置計(jì)數(shù)變量

N

初始值為0，則當(dāng)

s＜r

可視為同一類地形特征信息點(diǎn)，并令

N

=

N

＋1；當(dāng)

N

＜

Min

值時(shí)，該點(diǎn)集未構(gòu)成聚類；當(dāng)

N

＞

Max

值時(shí)，終止該子集聚類進(jìn)程。5)重復(fù)步驟2)～4)，直到完成所有子集的聚類過(guò)程，并得到

G′

(

j=

1，2，…，

m′

)，

H′

(

k=

1，2，…，

h′

)。其中，搜索半徑

r

與聚類最少點(diǎn)數(shù)

Min

根據(jù)所使用相機(jī)的參數(shù)與采集地形特征進(jìn)行設(shè)置。對(duì)降噪后點(diǎn)云數(shù)據(jù)

X

進(jìn)行DBSCAN聚類處理后的效果圖如圖3所示。

圖3 DBSCAN聚類效果圖Fig.3 DBSCAN clustering effect diagram

圖3可以看出，采用DBSCAN聚類算法能有效分割出各地形特征點(diǎn)集，并感知各點(diǎn)集的位置信息與密度信息。

2.3 地形信息感知與快速三維重建

為實(shí)現(xiàn)快速的場(chǎng)景重建，需簡(jiǎn)化地形特征信息。本文在進(jìn)行地形信息感知中，對(duì)各點(diǎn)云子集信息進(jìn)行簡(jiǎn)化處理，通過(guò)計(jì)算得到其位置信息的中心坐標(biāo)以及輪廓信息的包絡(luò)體，以此代表特征點(diǎn)集。該過(guò)程如下:

1)對(duì)各聚類點(diǎn)集

G′

(

j=

1，2，…，

m′

)、

H′

(

k=

1，2，…，

h′

)，利用式(3)求出其中心坐標(biāo)。

式中，

c

=(

x

，

y

，

z

)為某聚類點(diǎn)集中心坐標(biāo)，

n

表示該聚類點(diǎn)集中點(diǎn)個(gè)數(shù)。2)采用凸包算法計(jì)算各聚類點(diǎn)集輪廓范圍信息。選取某聚類點(diǎn)集

G′

中任意四點(diǎn)構(gòu)成一個(gè)初始的四面體；對(duì)

G′

中所有剩余點(diǎn)

G′

進(jìn)行判斷，若該點(diǎn)在四面體外部，則刪除與此點(diǎn)相對(duì)的面，形成新的多面體；若該點(diǎn)在四面體內(nèi)部，則跳過(guò)該點(diǎn)。對(duì)所有聚類點(diǎn)集重復(fù)以上步驟。

通過(guò)上述簡(jiǎn)化處理，取各聚類點(diǎn)集的中心坐標(biāo)、輪廓信息作為障礙物信息，再結(jié)合擬合的基準(zhǔn)平面進(jìn)行地形信息重建，相較于原始點(diǎn)云數(shù)據(jù)的障礙物描述，不僅可以大大降低地形特征維度，且減小了需要傳遞的測(cè)量值數(shù)據(jù)量，從而提升了時(shí)間效率。圖4即為仿真數(shù)據(jù)三維重建后的效果圖。圖中可知本文方法可有效感知關(guān)鍵障礙物信息并進(jìn)行快速場(chǎng)景重建，極大地減少了程序運(yùn)行數(shù)據(jù)量。

圖4 點(diǎn)云數(shù)據(jù)三維重建Fig.4 Three-dimensional reconstruction of point cloud data

3 實(shí)驗(yàn)與驗(yàn)證

3.1 實(shí)驗(yàn)條件

對(duì)本文方法在實(shí)際場(chǎng)景中的可行性與運(yùn)行結(jié)果進(jìn)行驗(yàn)證，實(shí)驗(yàn)硬件設(shè)備條件如表1所示。

表1 實(shí)驗(yàn)硬件設(shè)備Table 1 Hardware specifications

實(shí)驗(yàn)場(chǎng)景選擇具有代表性的沙地實(shí)驗(yàn)環(huán)境，該環(huán)境具有連續(xù)高低起伏等特點(diǎn)，適合作為復(fù)雜地形環(huán)境下地形感知與重建的實(shí)驗(yàn)場(chǎng)地。本文在強(qiáng)自然光照條件下采集多幀數(shù)據(jù)，每幀通過(guò)融合生成包含約20 000個(gè)點(diǎn)的點(diǎn)云數(shù)據(jù)集。選擇一幀包含該環(huán)境下各種噪聲的特征點(diǎn)云數(shù)據(jù)進(jìn)行分析，圖5(a)所示為沙地實(shí)驗(yàn)環(huán)境，圖5(b)為該環(huán)境下融合生成的點(diǎn)云數(shù)據(jù)。

圖5 實(shí)驗(yàn)環(huán)境及該環(huán)境點(diǎn)云數(shù)據(jù)Fig.5 Experiment environment and point cloud data of the environment

3.2 實(shí)驗(yàn)數(shù)據(jù)分析

3.2.1 點(diǎn)云數(shù)據(jù)處理實(shí)驗(yàn)效果與分析

在擬合基準(zhǔn)面時(shí)，通過(guò)使用改進(jìn)RANSAC算法計(jì)算并得到閾值

t=

3.26，并當(dāng)?shù)螖?shù)達(dá)到200次時(shí)滿足期望需要。圖6(a)為原始點(diǎn)云數(shù)據(jù)，紅點(diǎn)表示基準(zhǔn)面局內(nèi)點(diǎn)，這些點(diǎn)將會(huì)作為擬合基準(zhǔn)面的點(diǎn)集，藍(lán)點(diǎn)表示擬合基準(zhǔn)面后剩余點(diǎn)；圖6(b)為該環(huán)境下點(diǎn)云數(shù)據(jù)側(cè)視圖，原始點(diǎn)云數(shù)據(jù)在垂直方向上分布變化較大，且其中包含某些尖銳噪聲點(diǎn)，可被視為點(diǎn)云數(shù)據(jù)中離群點(diǎn)，會(huì)影響后續(xù)聚類算法的效果，故應(yīng)使用離群點(diǎn)剔除算法將其剔除；圖6(c)為局內(nèi)點(diǎn)到擬合基準(zhǔn)面距離值分布情況，其直方圖分布情況與高斯曲線吻合，實(shí)現(xiàn)了較好的擬合效果；圖6(d)為擬合基準(zhǔn)面后剩余點(diǎn)云數(shù)據(jù)。對(duì)圖6(d)中剩余點(diǎn)云使用DBSCAN聚類算法，并設(shè)置近鄰搜索半徑為

r

=0.02 m時(shí)，可得到進(jìn)行DBSCAN聚類算法后特征點(diǎn)集在原始點(diǎn)云數(shù)據(jù)中的位置信息，如圖7所示。

圖6 原始點(diǎn)云數(shù)據(jù)離群點(diǎn)剔除以及基準(zhǔn)面擬合Fig.6 Outlier elimination of original point cloud data and datum surface fitting

3.2.2 特征地形點(diǎn)云信息重建

對(duì)圖7中各特征點(diǎn)集進(jìn)行凸包輪廓提取，簡(jiǎn)化特征點(diǎn)，以輪廓點(diǎn)簇生成包絡(luò)體表示起伏地形信息。根據(jù)此包絡(luò)體的范圍(高度、深度)判斷當(dāng)前地形特征信息。其中

H

、

H

表示為凸起障礙，

G

表示為凹陷障礙，具體數(shù)據(jù)如表2所示。

圖7 DBSCAN聚類后特征點(diǎn)集信息Fig.7 Feature point set information after DBSCAN clustering

從表2中可以看出，在進(jìn)行包絡(luò)體提取后，使用相對(duì)較少的點(diǎn)云數(shù)據(jù)即可表示該地形特征，大大降低了計(jì)算障礙物輪廓的復(fù)雜度，提高了運(yùn)算效率。圖8為使用包絡(luò)體信息并結(jié)合擬合基準(zhǔn)面信息，將三維場(chǎng)景進(jìn)行重建，與原始數(shù)據(jù)直接進(jìn)行重建的效果進(jìn)行對(duì)比。圖8可以看出，相較于原始數(shù)據(jù)直接進(jìn)行重建，本文方法較好還原了該復(fù)雜環(huán)境地形特征，同時(shí)減少了約2/3的時(shí)間，為移動(dòng)機(jī)器人避障提供了可靠保障。

表2 地形特征提取Table 2 Terrain feature extraction

圖8 原始數(shù)據(jù)與本文方法地形重建效果對(duì)比Fig.8 Comparison of the original data and the terrain reconstruction effect of this method

4 實(shí)驗(yàn)效果對(duì)比分析

4.1 算法執(zhí)行效果

本文算法主要由點(diǎn)云數(shù)據(jù)處理以及地形信息重建構(gòu)成。在分析點(diǎn)云數(shù)據(jù)處理算法的執(zhí)行效果時(shí)，分別從基準(zhǔn)面擬合算法以及聚類算法兩方面進(jìn)行分析。

4.1.1 擬合基準(zhǔn)面效果

聚類效果優(yōu)劣很大程度上取決于基準(zhǔn)面擬合效果。實(shí)驗(yàn)中地形點(diǎn)云數(shù)據(jù)包含大量離群點(diǎn)，這對(duì)于擬合基準(zhǔn)面有較大影響。針對(duì)基準(zhǔn)面擬合效果，本文對(duì)比了最小二乘法、特征值法以及改進(jìn)RANSAC算法在處理相同實(shí)驗(yàn)采集數(shù)據(jù)時(shí)效果。其中實(shí)驗(yàn)數(shù)據(jù)為在相同參數(shù)設(shè)置下，各方法均進(jìn)行20次實(shí)驗(yàn)取平均值得到的基準(zhǔn)面方程，如表3所示。其中

T

表示運(yùn)算時(shí)間，

σ

是數(shù)據(jù)標(biāo)準(zhǔn)偏差，

a

，

b

，

c

，

d

為基準(zhǔn)面方程

ax＋b y＋cz=d

參數(shù)。由表3可知，在處理包含大量離群點(diǎn)的地形點(diǎn)云數(shù)據(jù)時(shí)，受到離群點(diǎn)影響，最小二乘法和特征值法的標(biāo)準(zhǔn)偏差

σ

較大，擬合效果不理想。而本文通過(guò)改進(jìn)RANSAC算法，使用局內(nèi)點(diǎn)擬合基準(zhǔn)面，相較于其他2種方法具有標(biāo)準(zhǔn)偏差小、時(shí)間效率較高等特點(diǎn)。

表3 基準(zhǔn)面擬合算法效果對(duì)比Table 3 Comparison of the effect of base-level fitting algorithms

在傳統(tǒng)RANSAC算法中，閾值

t

的選取對(duì)擬合效果影響較大，通常較高的

t

值會(huì)導(dǎo)致局內(nèi)點(diǎn)分割過(guò)量，難以去除無(wú)效點(diǎn)；而較小的

t

值會(huì)導(dǎo)致欠分割，難以保存有效的局內(nèi)點(diǎn)。在上述點(diǎn)云數(shù)據(jù)中，對(duì)相同數(shù)據(jù)選擇不同

t

值分別使用RANSAC算法擬合，得到圖9所示擬合結(jié)果，表4所示為不同

t

值對(duì)擬合平面的影響。通過(guò)對(duì)圖9和表4中不同

t

值對(duì)RANSAC算法影響分析可得出:

表4 不同t值對(duì)RANSAC算法影響Table 4 The influence of different t values on RANSAC algorithm

圖9 RANSAC算法中在不同t值下剩余點(diǎn)云數(shù)據(jù)Fig.9 The remaining point cloud data under different t values in the RANSAC algorithm

1)從時(shí)間上來(lái)看閾值

t

與運(yùn)行時(shí)間近似成正比，且閾值越大，計(jì)算的局內(nèi)點(diǎn)數(shù)越多，耗時(shí)越久。2)隨著閾值

t

的增大，局內(nèi)點(diǎn)數(shù)越多，所占比例越大；若選取的

t

較大時(shí)則會(huì)將過(guò)多無(wú)效點(diǎn)或誤差點(diǎn)認(rèn)定為局內(nèi)點(diǎn)；若選取的

t

較小則會(huì)剔除應(yīng)該選擇的有效點(diǎn)，擬合平面效果不明顯，影響聚類算法。因此

t

應(yīng)該選擇在一定的閾值區(qū)間內(nèi)可達(dá)到較好的分割效果。3)改進(jìn)RANSAC算法通過(guò)設(shè)置自適應(yīng)

t

值，動(dòng)態(tài)的改變了與

t

值呈正相關(guān)的比例系數(shù)

w

值。隨著地形變化，比例系數(shù)

w

發(fā)生改變從而會(huì)改變迭代次數(shù)

k

，通過(guò)不同的迭代次數(shù)達(dá)到期望概率。

4.1.2 聚類效果分析

針對(duì)特征點(diǎn)集聚類效果，通常采用緊密型指標(biāo)(Compactness，CP)、間隔性指標(biāo)(Separation，SP)、戴維森堡丁指數(shù)(Davies-Bouldin，DBI)、鄧恩指數(shù)(Dunn Validity Index，DVI)等指標(biāo)進(jìn)行分析。其中CP表示類中各點(diǎn)到聚類中心的平均距離，該值越低意味著類內(nèi)聚性越好；SP代表各聚類中心兩兩之間平均距離，SP越高意味各類間間聚越遠(yuǎn)；DBI代表任意兩點(diǎn)簇內(nèi)平均距離之和與兩聚類中心距離之比的最大值；DVI代表任意兩點(diǎn)簇元素的類間最短距離與任意點(diǎn)簇中類內(nèi)最大距離之比。

本文采用上述4種評(píng)價(jià)標(biāo)準(zhǔn)，選用3種常用算法:K-Mean算法、層次聚類算法、DBSACN算法，對(duì)去除基準(zhǔn)面擬合點(diǎn)后的剩余點(diǎn)云數(shù)據(jù)進(jìn)行聚類。在聚類效果中，通常簇內(nèi)越緊密、簇間越分離代表聚類效果越好。這3種聚類算法效果如圖10和表5所示。

圖10 不同算法的地形聚類效果Fig.10 Terrain clustering effect of different algorithms

表5 聚類評(píng)價(jià)表Table 5 Cluster evaluation table

從圖10以及表5中可以看出，層次聚類相對(duì)其他2種算法耗時(shí)較長(zhǎng)，聚類緊密性較差，DBI分類適確性較差且DVI指標(biāo)較差，故層次聚類不適合地形特征感知。K-mean聚類算法耗時(shí)較短，但相較于DBSCAN算法，其CP和DBI指標(biāo)較高，SP和DVI指標(biāo)較低，其聚類效果劣于DBSCAN算法，此外K-mean聚類需要選取

K

值，且對(duì)噪聲、孤立點(diǎn)數(shù)據(jù)敏感，故不適合地形特征感知。DBSCAN算法耗時(shí)較短，聚類簇緊密性較好，簇間分隔性較遠(yuǎn)，可以較好的聚類特征地形。綜上所述，DBSCAN聚類算法相對(duì)其他算法效果更好。

4.2 地形信息重建效果分析

地形信息重建效果主要取決于重建精確度以及耗時(shí)長(zhǎng)短。為了驗(yàn)證本文三維重建方法效果，在不同類型復(fù)雜場(chǎng)景下進(jìn)行實(shí)驗(yàn)(表6)。這些場(chǎng)景分別為沙地、樹(shù)林、堆積雜物、減速帶、臺(tái)階等。通過(guò)分析場(chǎng)景地形特征點(diǎn)云數(shù)據(jù)量、地形信息感知時(shí)間、復(fù)雜場(chǎng)景重建時(shí)間，得到如表7所示數(shù)據(jù)。對(duì)比表6各環(huán)境下的效果圖，可以看出本文使用的凸包算法在地形信息重建過(guò)程中不僅識(shí)別出所有地形特征，且有效保留了各地形特征信息。結(jié)合表6可知，在保證各地形特征的位置與輪廓精度前提下，本文方法極大縮短了重建時(shí)間，符合復(fù)雜環(huán)境下移動(dòng)機(jī)器人執(zhí)行探測(cè)任務(wù)時(shí)的避障需要。

表6 場(chǎng)景1～5的RGB圖、特征圖、原始數(shù)據(jù)重建以及本文方法場(chǎng)景重建Table 6 RGB map,feature map,original data reconstruction of scene 1～5 and scene reconstruction of the method in this paper

表7 多場(chǎng)景重建對(duì)比Table 7 Comparison of multi-scene reconstruction

5 結(jié)論

1)改進(jìn)的RANSAC算法可以從包含大量離群點(diǎn)的數(shù)據(jù)集中提取出一致性較好的擬合平面；

2)通過(guò)凸包算法提取特征輪廓，能有效保留特征信息，且簡(jiǎn)化無(wú)用信息，大幅度減少了數(shù)據(jù)運(yùn)行量；

3)結(jié)合簡(jiǎn)化的擬合平面方程快速重建地形可以極大地提高了數(shù)據(jù)利用率與時(shí)間利用率，在復(fù)雜地形中識(shí)別定位障礙物具有有效性和可行性，能實(shí)現(xiàn)復(fù)雜地形下的信息感知與快速重建。