基于计算机视觉的移动机器人导航

        现代机器人技术在人工智能、计算机技术和传感器技术的推动下获得了飞速发展，其中移动机器人因具有可移动性和自治能力，能适应环境变化被广泛用于物流、探测、服务等领域。移动机器人的核心技术之一是导航技术，特别是自主导航技术。由于环境的动态变化和不可预测性、机器人感知手段的不完备等原因，使得移动机器人的导航难度较大，一直是人们研究的重点。

        目前常用的一种导航方式是"跟随路径导引"，即机器人通过对能感知到某些外部的连续路径参考信息做出相应的反应来导航。如在机器人运动路径上敷设金属导线或磁钉，通过检测金属导线或磁钉的特征信息来确定机器人的位置。从导航的角度看，这种方法的优点是可靠性较高，但功能单一，如不能在行进的同时对目标进行识别、避障，对环境的适应能力较弱、灵活性较差、维护成本较高，因此限制了其在移动机器人中的应用。

        随着计算机技术、数字图像处理技术及图像处理硬件的发展，基于计算机视觉的导航方式在机器人导航中得到广泛关注。在实际应用中，只需要在路面上画出路径引导线，如同在公共交通道路上画的引导线一样，机器人就可以通过视觉进行自主导航。相对于敷设金属导线、磁钉等方法，这种方法增强了系统的灵活性，降低了维护成本。视觉信息中包含有大量的数据，要从中提取有用的信息，需要复杂的算法及耗时的计算。如何保证视觉导航系统在正确理解路径信息的前提下仍具有较好的实时性和鲁棒性，是该方法要解决的核心问题。

1 视觉导航系统构成及工作过程

        基于计算机视觉的移动机器人导航实验系统的硬件部分由计算机、USB接口的摄像头、LEGO实验用机器人组成。软件分为2部分，即图像处理和机器人运动控制。基于视觉导航的原始输入图像是连续的数字视频图像。系统工作时，图像预处理模块首先对原始的输入图像进行缩小、边缘检测、二值化等预处理。其次利用哈夫变换提取出对机器人有用的路径信息。最后，运动控制模块根据识别的路径信息，调用直行或转弯功能模块使机器人做相应的移动。整个工作流程如图1所示。

1.1 视觉导航的图像预处理

        目前图像采集设备都具有较高的空间和灰度分辨率，精度高、数据量大。

        实验中的原始输入图像是USB摄像头采集320×240像素的RGB格式图像，最大帧数30帧／s。

        图像预处理的效果对后续哈夫变换检测路径信息的速度和准确性有很大影响。对整幅图像进行抽取时计算量过大、也无必要，故先将彩色图像转换为灰度图像，再将图像的大小依据最近邻域插值法原理进行缩小以节约后续计算时间。在实验室环境下，经测试，将原始图像缩小到30％仍然能满足需要，处理时间缩短了72％。

        由于图像传感器从时间和空间上对介质(光)采样，其图像质量对现场的非均匀光场和其他干扰因素非常敏感，二值化时，不同光照条件下阈值的确定是一件比较困难的工作。目前常用的阈值选取方法有双峰法、迭代法和最大类间方差法。从执行时问和处理效果2方面考虑，对3种方法比较后(结果如表1所示)，在优先考虑实时性的前提下，选用双峰法来求取阈值。在实验室条件下，路径环境相对理想，黑色引导线与背景反差较大。在灰度直方图上，引导线和背景都形成高峰，对这2个峰值及谷底的求取也可简化，使用灰度级的最大值和最小值代替2个峰值，那么这2个峰值的中间值即可作为谷底用作图像的阈值。

       地面的反光和阴影，以及不均匀的光照都会导致同一幅图像的二值化效果表现出很大差别，图2和图3是对同一幅图像在不同光照条件下二值化的结果，可以看到在光照条件2下会出现大量的黑点，这些黑点将严重影响提取路径信息的速度并且可能导致错误的路径信息。然而，相对于灰度、颜色特征，边缘特征受光照影响较小。为此，对缩小后的图像先进行引导线的边缘检测，边缘检测后图像中引导线边缘像素灰度的对比度得到增强，通过实验确定合适的阈值，然后对图像进行二值化以提取路径信息。

1.2 引导线角度检测

        采用哈夫变换检测路径引导线的角度。为了简单而又不失一般性，引导线分1条路径和2条相交的路径。当2条直线的夹角等于90°时即认为是两条相互垂直的路径。直线的哈夫变换利用如下直线的极坐标方程：

        式(1)中，(x，y)表示图像空间xy中所有共线的点即图像中的黑点；θ表示直线法线和x轴的夹角，取值范围为0～180°；λ表示直线到原点的距离。