关键字 |
| 图像分割，障碍物，转向角度，计算速度，平地，强度匹配，坐标帧，滤波噪声，归一化和不一致性计算。 |
介绍 |
| UGV (Unmanned Ground Vehicle)顾名思义是一种自动板车，它将用户输入的目的地作为输入，将其当前位置映射到预定义的地图上，并在两点之间找到最简单、耗时最短的路径。然后，它沿着这条路径到达目的地，同时检测路径上的障碍物。如果障碍物大到足以阻挡整个路径，那么它就会选择另一条路径到达目的地。 |
| 全球许多地方正在开发的几个项目包括:美国将于2030年完成的Auto Drive项目、斯坦福大学的谷歌无人驾驶汽车项目、无人驾驶奥迪(Audi)等。 |
| 障碍物检测系统的作用是计算障碍物的位置。障碍物检测系统通常通过使用距离信息计算障碍物相对于移动代理的位置。距离信息可以通过雷达(激光测距)[1,2]、声纳(声音测距)[3,4]或基于视觉的技术[5,6,7,8]获得。 |
| 视觉技术具有成本低、功耗降低低、机械精度高的优点。视觉算法的速度和精度通常取决于更快的计算平台。此外，相机的无源特性意味着它没有可检测的特征，在其他传感器的当前工作中相对不受信号干扰。然而，基于立体视觉的障碍物检测速度相对较慢，限制了其在实际问题中的应用。现有的基于通信的算法实现要么不能满足实时要求，要么只能以粗糙的分辨率运行。 |
| 障碍物检测算法以精度和图像分辨率换取速度，有效地将障碍物位置估计的精度限制在小范围内。此外，由于MPL是一种大型交通工具，只有在障碍物很少的情况下，可观测区域才可航行。我们相信，对于稀疏分布的障碍物，一种不需要详细路径规划的反射方法就足以避免。我们的方法是自反的，在这种意义上，转向和速度是由一个快速贪婪算法调制，该算法完全基于对障碍物位置的瞬时局部感知。 |
| 本文第二节介绍了地面无人车的应用，第三节介绍了相关工作，第四节介绍了图像分割及其技术，第五节介绍了障碍物检测和假设，第六节介绍了障碍物检测算法，第七节介绍了避障，第八节介绍了转向和速度的计算。 |
无人地面车辆的应用 |
| ugv可用于许多不方便、危险或不可能有人工操作人员在场的场合。一般来说，车辆将有一组传感器来观察环境，并可以自主地对其行为做出决定，或者将信息传递给位于不同位置的操作员，后者将通过隐形传输来控制车辆。无人地面车辆(UGV)在军事和民用领域，如侦察、监视、目标捕获、搜索和救援以及探索等领域都有许多潜在的应用。UGV技术在不同领域的应用: |
| 1)农业:在农业中，UGV用于自动监测和保护作物。UGV是未来自动化农业活动的一个重要方面。 |
| 2)安全目的:-收集有关环境的信息，例如周围元素的建筑地图。跟踪感兴趣的对象，如人和车辆。 |
| 3)军事战争:在国防部，无人地面车辆通过控制系统架构、先进传感器系统、研究服务和实现无人地面车辆自主机动的标准来挽救生命和提高国防能力。这些车辆还可以作为警察和军队的自动汽油车，减少生命威胁。 |
| 4)通用交通:在这个现代世界，自动化的需求在每一个可能的人类干预领域。驾驶道路车辆也是一个值得关注的领域，因为人为错误会导致重大的生命和财产的致命损失。随着精神压力的增加和努力工作的因素，一些情况可能会发生，从道路上转移注意力，可能会导致致命的事故，但经过训练和有能力进行自动驾驶的机器不能承受压力，除非人为错误持续存在，否则会犯这样的重大错误。 |
相关工作 |
| 本节概述了无人地面车辆自主导航的相关研究。其中一些是:- |
| Matthies, Larry，等[10]在本文中，作者开发了一个实时立体视觉系统，使用数据立方体mtv -200和68040 CPU板在夜间，白天和低能见度条件下感知地形几何和组成。Somboon.H.et。本文提出了一种活动表示和概率识别方法，主要用于通过对运动物体的形状、运动和轨迹特征的概率分析，自动从视频数据中检测和分割事件。但这些方法的主要问题是跟踪人群，这是许多监控应用所必需的，但由于自遮挡和身体部位与他人遮挡，仍然非常困难。 |
| Maria T.et.al[12]在本文中，作者提出了一种动态视觉注意方法，用于将场景分割为移动物体-车辆，行人和背景，而不使用参考图像或建模背景。 |
| 在Durst.et.al[13]中，作者提出了一个新的环境，称为自主导航虚拟环境实验室(ANVEL)。它使用视频游戏技术和基于物理的建模技术，为无人地面车辆提供了一个直观、交互式和物理意义的M&S工具包，但它主要用于越野导航，UGV可以在静态环境中检测和避开障碍物。 |
| 张苏敏、王豫等[14]提出了一种基于“曲率匹配”技术的轨迹规划新方法。该方法快速生成一条连接路径的末端路径，生成一条危险规避路径。将轨迹规划算法应用于智能驾驶员模型中，实现复杂环境下无人地面车辆的控制。实验车辆在平坦和斜坡地形上的速度为8米/秒(18英里/小时)，在崎岖地形上的速度为7米/秒(16英里/小时)。 |
| Saurabh Trikande.et.al[15]提出了利用三维点云提供深度信息的UGV可视化技术，利用三维扫描仪在一个平面上扫描前方环境，感知三维点云的输出。聚类提取是在点云中提取聚类的一种方法，主要用于识别目标目标，如炸弹，但主要应用于无人地面车辆的安全防范。 |
| UGV利用图像分割技术，将图像分割成与图像中包含的物体或感兴趣的区域(包括地形形状和地层)有很强相关性的部分。在图像处理中，将图像中有用的像素与不需要的像素或不感兴趣的像素分开。 |
| 基于实时和物理的仿真环境是ugv的前提条件。自主导航虚拟环境实验室也是对UGV进行虚拟测试的好软件。 |
| 阈值和边缘检测是两种最常见的图像分割技术: |
| 1)阈值分割是最简单的图像分割方法。从灰度图像，阈值可以用来创建二值图像。彩色图像也可以是阈值。一种方法是为图像的每个RGB组件指定单独的阈值，然后将它们与and操作结合起来。这反映了相机的工作方式以及数据如何存储在计算机中，但它并不对应于人们识别颜色的方式。 |
| 2)在边缘检测中，使用特殊的算法来检测图像中物体的边缘。边缘在灰度、颜色、纹理等方面标记图像不连续性的位置。边缘通常出现在图像中两个不同区域之间的边界上。对此有许多算法，但这些算法可以分为基于导数的算法，即对每个像素进行一阶或二阶导数，或者基于梯度的算法，即在x和y方向上对连续像素进行梯度。被称为内核操作的操作通常被执行。核是滑动在图像矩阵上的一个小矩阵，其中包含系数，这些系数乘以相应的图像矩阵元素。 |
障碍物检测基于一些假设 |
| 障碍检测算法有五个基本假设: |
| 1)障碍物可以被认为是离地面足够高的物体或表面预定深度的物体。对于我们所讨论的系统，障碍物被限制为高于水平面至少k个单位高度的物体。 |
| 2)平坦地面:假定地面可以局部用平面表示。这一假设是正确的，因为车辆可以行驶的区域或多或少是平面上的。 |
| 3)假设障碍物与图像中的背景强度容易快速区分;局部颜色(R, G, B)强度不连续构成了我们跨立体图像对检测过程的基础。请注意，基于相关性的技术为我们的工作提供了基础。 |
| 4)图像验证是对点的二维寻找，如果被选择的定向图像中固有的极极几何所施加的约束，则可以将点简化为一维点。该检测算法利用了外极性约束，采用相同焦距的传感器件对齐直到扫描线。 |
| 5)采用相同的传感装置，简化了强度图像处理和点搜索的任务。传感器件焦距的差异带来了二维变换和获取对应关系的复杂性。传感器对入射光的动态响应的差异以及设备对输入信号的缩放或偏移需要昂贵和耗时的强度归一化 |
障碍物检测算法 |
| 障碍物的检测基于七个步骤: |
| 1)不一致性计算:表观极性参数将我们的工作绑定为属于一行的对应像素。我们使用一个简单的n × n相关掩码来找到与L(i;K)在左图中。 |
| 2)滤波噪声:对噪声进行滤波，以确保我们有一个图像自由的不需要的组件，可以作为这一阶段处理的障碍，不同的噪声，如盐和胡椒噪声，高斯噪声，散斑噪声被去除。过滤后获得的输出将进一步暴露给即将到来的操作。由于匹配过程过于简单，我们往往会得到一些错误的匹配，从而导致错误的结果;采用常用的恒局部视差约束去除椒盐噪声。这些参数强制小窗口中的错误具有相似的值。在Marr-Poggio-Grimson方法[16]中，匹配矛盾被解决，使所选值接近邻域中非模糊点的大多数误差。在上一步中计算的不平衡被认为，如果我们在它的m x m邻域中至少有K个像素将具有相同的不一致，否则不一致将被忽略。这种不一致性/一致性帮助我们区分障碍点和非障碍点。 |
| 3)设置不一致性阈值:不一致性D(i;j)在像素R(i;j)与期望的地平面不一致性G(i;j)，如果D(i;j) > G(i;j)、R(我;J)，将其视为障碍物的像素。 |
| 4)在地平面上放置障碍物点:使用像素坐标(i, j)将属于障碍物的每个点放置在地平面上，并计算出不一致的距离。这个步骤输出被称为瞬时障碍图(IOM)。 |
| 5)转向向量转换:IOM可以很容易地转换成一个表示所需转向方向范围的转向向量，即转向向量的范围是无人驾驶车辆的瞬时转弯点。在该矢量的每一次输入的值被认为是一个转向联动方向的跨栏。转向方向被称为转向角，由转向向量中具有最低跨栏值的单元定位，直到一个阈值。 |
| 6)转向矢量的计算:将二维笛卡尔坐标系Fc中的IOM点转换为以车辆为中心的坐标系，从IOM计算转向矢量。在这种情况下，这个框架是交叉的前轴和车辆的纵轴。变换用于旋转、平移和缩放。Fv中的障碍点用极坐标表示。如果遇到的障碍物接近最小距离阈值ρthrsh min(比如说)，那么车辆就会停下来;否则，执行下一步。 |
| 7)离散化和松弛:以极坐标形式表示的每个障碍物点都被离散化以表示一个位置(i;j)为离散极性占用网格(POG)。POG类似于c空间地图，并编码了车辆可能存在的可能安排。一个障碍点G (i;j)在POG中使用以下公式分配一个值: |
 |
| 所有其他点都赋值为0。n + 1和n + 1分别是G的行数和列数。 |
避障 |
| 系统避障组件使用的常数和阈值为: |
| 1) hmin = 0单位& hmax = 200单位 |
| 2) αmin = -20度，αmax=+20度 |
| 3) vmin < vref < vmax |
| 这个曲面显示了vref的值相对于变化的阻值t < ?转向(度)对应αmin < αref < αmax。 |
| 注意，对于αref和t的所有其他值，vref = 0。 |
| 图像必须按照从左到右的模式读取。这包括将锥体和人类障碍置于最后一个图中清晰可见的配置中。车辆将追踪出的路径被认为是通往目的地的轨道，也可以在下面的图中看到。在图像中观察到的失真是视频传感设备的人工制品。 |
转向速度计算 |
| 单元格S(j)被认为是对与向j方向转向相关的障碍进行编码，在这种意义上，随着S(j)的值越大，我们将车辆转向由j表示的方向的几率就越低[18]，[19]。那么，给定S，转向方向的选择对应于单元格j的最小阻值，阻值应低于预定的阈值。 |
| 该规则实现为一维搜索最小值，从车辆的中心车轮位置开始。通过阈值，我们设置了与车辆的基本水平距离，直到有选择性的避免，当前的实现逐渐降低了选择性避免距离。如果在整个过程中没有找到槽位，算法将引发异常，车辆将立即停止。 |
| Vref = w.Vmax (1) |
| 在哪里 |
 （2） |
| 和 |
 （3） |
| 上述计算转向方向的方法是掠夺性的，它将转向方向确定为与尽可能远的避免视界上的剩余满意槽相对应的角ref。 |
结论 |
| 一种产生后方视差信息的图像分割算法对一般室外环境下的避障有一定的影响。该避障模块是自反性的，因为它是数据驱动的，并且易于生成电机命令。该算法不受障碍物位置和执行器伺服精度的影响。该算法具有稳定、简单、快速、鲁棒、实用等特点。我们确定我们的到来可能会失败，但我们也观察到我们的技术在大多数户外场景中表现得非常好，特别是在有远障碍物的情况下。 |
|
数字一览 |
|
|
|
参考文献 |
- J. H. M.J. Daily和K. Reiser，“在距离图像中检测障碍物，“[ARPA]图像理解研讨会教授，第87-97页，1987。
- P. Veatch和L. Davis，“利用距离数据进行障碍物检测的高效算法”，CVGIP 50，第50-74页，1990
- B. Barshan和R. Kuc，“一种类似蝙蝠的障碍物定位声纳系统”IEEE系统、人与控制论汇刊，第636-646页，1992。
- J. Borenstein和Y. Koren，“用超声波传感器避障”，IEEE J.机器人自动化，第213-218页，1988。
- N. Ancona，“基于光流的快速障碍物检测方法”欧洲计算机视觉会议主持人，Pp . 267-271, 1992。
- W. Enkelmann，“从图像序列中评估光流场的障碍检测”，图像视觉计算9，第160-168页，1991
- M. H. G.S. Young, T.H. Hong和a . Yang，“基于光流的车辆障碍检测”，SAE IntelligentVehicle．IEEE 1992。
- R. Nelson和J. Aloimonos，“使用流发散来避开障碍:迈向定性视觉”，计算机视觉国际会议主持人，第188-196页，1988。
- S.Badal, S.Ravela, B. Draper, A. Hanson，“一种实用的障碍物检测和躲避系统”，第二届IEEE计算机视觉应用研讨会论文集，1994年。
- Matthies, Larry, Alonzo Kelly, Todd Litwin和Greg Tharp，“无人地面车辆的障碍检测:进展报告”，SpringerLondon，第475-486页。2000。
- SomboonHongeng, Ram Nevatia，和Francois Bremond，“基于视频的事件识别:活动表示和概率识别方法”施普林格，计算机视觉与图像理解96(2004)129-162。
- María T. Lópeza，安东尼奥Fernández-Caballeroa，Miguel A. Fernándeza, José Mirab, Ana E. Delgadob“动态视觉注意方法的视觉监控”Springerpattern识别，39 (11)页2194 - 2211 2006年4月。
- Durst, P. J.， Goodin, C.， Cummins, C.， Gates, B.， Mckinley, B.， George, T.，& Crawford, J.(2012, 7月)，“无人地面车辆的实时交互式仿真环境:自主导航虚拟环境实验室(ANVEL)”第五届国际信息与计算科学会议(ICICS)(7 - 10页。)。2012.
- 张苏民，王宇，“复杂环境下高度自动驾驶的轨迹规划算法”，第四届数字制造与自动化国际会议。32卷，pp 1-16，中国，2013。
- SaurabhTrikande "基于点云的无人地面车辆可视化技术IEEE计算、通信和信息学进展国际会议(ICACCI), pp。183.2-1836, 2013.
- D. Marr和T. Poggio，《人类立体视觉理论》罗伊。Soc。伦敦，b204卷，页301-328,1979
- W. E. L.格里姆森，《从图像到表面》，麻省理工学院出版社，1981年。
- J. Kim和P. Khosla，“利用谐波势函数实时避障”技术报告COMPSI T-RA 8， pp. 338-349, 1992。
- M.S. B. Thomas C. Wikman和W. S. Newman，“反射性避碰:一种广义方法”IEEE Intl的proc。机器人与自动化研讨会，1993
- T. Lozano-Perez，《空间规划:一种构型空间方法》IEEE反式。计算机C-32, N0.2，第108-120页，1983年。
|
菜单
（2）
（3）
