摘  要： 提出一種用于室內(nèi)環(huán)境下人形機(jī)器人的實(shí)時(shí)導(dǎo)航系統(tǒng)。首先基于顏色特征，把單目圖像的像素點(diǎn)分類為地面和障礙物，并對各個(gè)障礙物的像素點(diǎn)進(jìn)行聚類，以選擇出它們最底部的像素點(diǎn)作為特征點(diǎn)。然后基于SVM（Support Vector Machine）算法，構(gòu)造攝像頭中實(shí)際點(diǎn)和像素點(diǎn)坐標(biāo)的映射關(guān)系，并用均值場理論輔助SVM的學(xué)習(xí)過程。根據(jù)映射關(guān)系和特征像素點(diǎn)，就可以估計(jì)出障礙物與機(jī)器人的距離。最后根據(jù)距離信息，在離散化的運(yùn)動(dòng)空間中，一步一步規(guī)劃出機(jī)器人的行走路徑。在人形機(jī)器人DARWIN上對提出的方法進(jìn)行了實(shí)現(xiàn)，實(shí)驗(yàn)結(jié)果顯示了該方法的有效性。

　　關(guān)鍵詞： 人形機(jī)器人；導(dǎo)航；顏色信息；支持向量機(jī)；路徑規(guī)劃

0 引言

　　近年來，研究人員對人形機(jī)器人開展了大量研究工作，并取得了巨大進(jìn)步。人形機(jī)器人的機(jī)械結(jié)構(gòu)使得它們更適合人類的生活環(huán)境，比如家里和辦公室等室內(nèi)環(huán)境。而人形機(jī)器人能自由行動(dòng)的關(guān)鍵在于其自主導(dǎo)航能力。人形機(jī)器人的自主導(dǎo)航涉及很多基礎(chǔ)研究領(lǐng)域，比如計(jì)算機(jī)視覺、人工智能、運(yùn)動(dòng)規(guī)劃等。

　　目前，已有一些針對不同硬件平臺(tái)的人形機(jī)器人的自主導(dǎo)航方法。陳衛(wèi)東等人[1]將障礙物和目標(biāo)的位置信息模糊化，建立模糊規(guī)則并對其求解以實(shí)現(xiàn)自主導(dǎo)航；CHESTNUTT J等人[2]為Honda ASIMO人形機(jī)器人設(shè)計(jì)了腳步規(guī)劃器，基于有限的狀態(tài)獨(dú)立行為，使用A*算法搜索最優(yōu)腳步序列； ZANNATHA J M等人[3]設(shè)計(jì)了人形足球機(jī)器人的視覺自定位系統(tǒng)，通過圖像處理算法及幾何分析，進(jìn)行3D單目重建，估計(jì)機(jī)器人在球場內(nèi)的位置和方向；WANG Y T等人[4]實(shí)現(xiàn)了人形機(jī)器人的定位和建圖，其使用SURF進(jìn)行圖像特征檢測和選擇，并基于擴(kuò)展的卡爾曼濾波繼續(xù)圖像深度計(jì)算和特征狀態(tài)估計(jì)；BALTES J等人[5]以視覺信息作為反饋，使用粒子濾波對機(jī)器人定位，據(jù)此規(guī)劃出機(jī)器人的行走路徑。

　　前人的工作中較多采用的是雙目視覺系統(tǒng)，或者配合聲納等設(shè)備，雖然這樣能使測量和控制更加精準(zhǔn)，但機(jī)器人的體積及質(zhì)量往往較大。由于單目攝像頭成本較低、結(jié)構(gòu)簡單，越來越多的機(jī)器人用其作為自主導(dǎo)航檢測系統(tǒng)的傳感器。本文針對配置一個(gè)攝像頭的人形機(jī)器人以及在室內(nèi)地面行走的任務(wù)，設(shè)計(jì)了一個(gè)實(shí)用的實(shí)時(shí)導(dǎo)航系統(tǒng)，此系統(tǒng)使機(jī)器人在實(shí)驗(yàn)環(huán)境中能夠從當(dāng)前位置到達(dá)預(yù)定的目的地。本文的工作為基于單目的人形機(jī)器人在更加復(fù)雜的環(huán)境中順利行走奠定了基礎(chǔ)。

1 系統(tǒng)概述

　　此導(dǎo)航系統(tǒng)分為3部分，分別為障礙物的檢測、障礙物的定位和機(jī)器人路徑規(guī)劃。

　　檢測障礙物時(shí)，基于顏色特征，把單目圖像中的所有像素點(diǎn)分類為地面和障礙物。對屬于障礙物的像素點(diǎn)進(jìn)行聚類，以區(qū)分開不同的障礙物。選擇每個(gè)障礙物最底部的像素點(diǎn)作為此障礙物的特征點(diǎn)，用于估計(jì)此障礙物和機(jī)器人之間的相對位置。

　　定位障礙物時(shí)，先用SVM（Support Vector Machine）算法構(gòu)造攝像頭中實(shí)際點(diǎn)和像素點(diǎn)坐標(biāo)的映射關(guān)系，并用均值場理論來輔助SVM的學(xué)習(xí)過程。基于此映射關(guān)系，還原出特征像素點(diǎn)的3D信息，就可以估計(jì)出障礙物與機(jī)器人的距離。

　　根據(jù)機(jī)器人的行走特點(diǎn)，離散化機(jī)器人的運(yùn)動(dòng)空間，然后根據(jù)距離信息，一步一步規(guī)劃出機(jī)器人的行走路徑。

2 系統(tǒng)設(shè)計(jì)描述

　　2.1 障礙物檢測

　　機(jī)器人在自主運(yùn)動(dòng)的過程中，需要避開地面上的障礙物?？蓪C(jī)器人行走的室內(nèi)地面環(huán)境進(jìn)行一些合理假設(shè)：地面平坦且顏色一致；障礙物都在地面上沒有懸空；障礙物的顏色與地面的顏色不同；障礙物的形狀比較簡單且有規(guī)則。

　　本文選擇顏色特征作為識別障礙物的主要線索。使用機(jī)器人的攝像頭對機(jī)器人行走的地面進(jìn)行多次隨機(jī)采樣，以獲取較完備的地面參考信息。將攝像頭輸出的RGB顏色空間的圖像轉(zhuǎn)換到HIS顏色空間，計(jì)算出所有地面采樣圖像的平均色調(diào)和強(qiáng)度直方圖，并用簡單均值濾波器進(jìn)行濾波處理。

　　機(jī)器人行走時(shí)，用5×5高斯濾波器對輸入圖像進(jìn)行濾波，以降低圖像中的噪聲。將過濾后的圖像轉(zhuǎn)換到HIS顏色空間。

　　將圖像中的每個(gè)像素的色調(diào)、強(qiáng)度與參考數(shù)據(jù)相比較，如果滿足以下兩個(gè)條件之一，則該像素被判定屬于障礙物：（1）該像素色調(diào)值在直方圖中的頻數(shù)低于某個(gè)閾值；（2）該像素強(qiáng)度值在直方圖中的頻數(shù)低于某個(gè)閾值。

　　基于前文所描述的方法，對圖1（a）中地面上的圓柱體進(jìn)行識別，識別結(jié)果如圖1（b）為所示，此實(shí)驗(yàn)驗(yàn)證了障礙物檢測方法的有效性。

　　2.2 障礙物定位

　　識別出視野內(nèi)地面上的障礙物后，還需要弄清障礙物和機(jī)器人的相對位置，才能進(jìn)一步確定機(jī)器人的行走方向。根據(jù)前文的假設(shè)，由于障礙物都比較簡單且有規(guī)則，可以選擇障礙物最底部的點(diǎn)作為障礙物的特征點(diǎn)，用于度量障礙物和機(jī)器人的距離。

　　對單攝像頭采集的2D圖像，無法直接得到其中的像素點(diǎn)對應(yīng)實(shí)際點(diǎn)的真實(shí)坐標(biāo)，需要建立它們之間的映射關(guān)系。本文利用SVM[6]回歸分析，求得攝像頭模型參數(shù)。均值場理論[7]用于輔助SVM算法的學(xué)習(xí)過程。

　　本文采用針孔透視投影模型，假設(shè)真實(shí)點(diǎn)M（X，Y，Z）對應(yīng)圖像像素點(diǎn)m（x，y），用式（1）表示這種投影關(guān)系：

　　式（1）的圖形化表示如圖2所示，可以看出，3個(gè)輸出分支之間存在耦合，因此無法對其單獨(dú)優(yōu)化。

　　使用線性核的SVM回歸規(guī)則表示輸出為：

　　為克服回歸輸出之間存在的耦合問題，在優(yōu)化支持向量回歸機(jī)時(shí)，可以使用梯度下降法對伸縮因子s進(jìn)行優(yōu)化。

　　用放置在地面上的黑白相間的方格棋盤來構(gòu)造訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集，以機(jī)器人在地面投影的中心為原點(diǎn)構(gòu)造真實(shí)世界坐標(biāo)系，如圖3所示。選擇方塊的角作為特征點(diǎn)，用其中60個(gè)點(diǎn)的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，另外20個(gè)點(diǎn)的數(shù)據(jù)作為測試數(shù)據(jù)。可以通過角點(diǎn)檢測計(jì)算出所有特征點(diǎn)的像素坐標(biāo)。對被選入訓(xùn)練集合的特征點(diǎn)，它們在坐標(biāo)系O-xyz中的3D坐標(biāo)為輸入，它們所對應(yīng)的像素點(diǎn)在圖像平面上的像素坐標(biāo)為輸出。

　　給定伸縮因子初始值后，就可以開始訓(xùn)練映射函數(shù)。用平均場方法優(yōu)化圖3中的回歸分支，用梯度下降法更新伸縮因子，重復(fù)這兩個(gè)過程直到式（4）達(dá)到最小。

　　訓(xùn)練結(jié)束后，投影矩陣的估計(jì)值為：

　　測試時(shí)，輸入測試集中特征點(diǎn)的像素坐標(biāo)，得到對應(yīng)真實(shí)坐標(biāo)的估計(jì)值，3D重建的準(zhǔn)確度用均方根誤差來衡量：

　　其中，對本文所采用的測試集，RMSE=0.568 mm，表明模型的準(zhǔn)確性較高。

　　2.3 路徑規(guī)劃

　　機(jī)器人的運(yùn)動(dòng)機(jī)制比較復(fù)雜，使得其路徑規(guī)劃也很困難，一種簡單的處理辦法就是離散化機(jī)器人的運(yùn)動(dòng)空間。針對機(jī)器人的機(jī)械結(jié)構(gòu)及步態(tài)特點(diǎn)，本文為人形機(jī)器人設(shè)計(jì)了一種樹形路徑規(guī)劃算法。對機(jī)器人的下一個(gè)位置，設(shè)計(jì)了5種不同的選擇，如圖4所示。

　　對每個(gè)位置，由式（7）計(jì)算出一個(gè)值，作為選擇下一個(gè)位置的依據(jù)：

　　其中，j∈{1，2，…，5}，dmax為距離的最大值，本文中取dmax=300 cm。

　　計(jì)算出每個(gè)位置對應(yīng)的fj后，再根據(jù)式（8）確定下一個(gè)位置的最優(yōu)選擇：

　　在圖4中，此位置為m3。當(dāng)機(jī)器人到達(dá)下一位置后，不斷重復(fù)以上路徑規(guī)劃過程直到機(jī)器人走到目的地。

3 實(shí)驗(yàn)結(jié)果

　　本文以韓國ROBOTIS公司制造的小型人形機(jī)器人DARWIN為驗(yàn)證平臺(tái)，對所提出的導(dǎo)航方法進(jìn)行了實(shí)現(xiàn)。實(shí)驗(yàn)場景如圖5（a）所示，地面上的紅色小球?yàn)槟繕?biāo)地點(diǎn)，行進(jìn)的路徑上有4個(gè)障礙物。

　　圖5（a）、（b）分別為機(jī)器人在起點(diǎn)處的場景圖和視野圖，機(jī)器人看到預(yù)設(shè)的4個(gè)障礙和兩個(gè)目標(biāo)小球；圖5（c）、（d）分別為機(jī)器人到達(dá)第一個(gè)目標(biāo)地點(diǎn)處的場景圖和視野圖，機(jī)器人避開障礙物并準(zhǔn)確到達(dá)目的地，此時(shí)視野中還有兩個(gè)預(yù)設(shè)的障礙物以及一個(gè)目標(biāo)小球；圖5（e）、（f）為機(jī)器人到達(dá)第二個(gè)目標(biāo)地點(diǎn)處的場景圖和視野圖，機(jī)器人依然成功避開障礙物并準(zhǔn)確到達(dá)目的地，此時(shí)視野中無目標(biāo)，機(jī)器人停止行走。

　　機(jī)器人順利完成設(shè)定的避障導(dǎo)航任務(wù)，驗(yàn)證了本文所述方法的有效性。

4 結(jié)論

　　本文為小型人形機(jī)器人提出一種實(shí)用的實(shí)時(shí)導(dǎo)航系統(tǒng)。此系統(tǒng)包括3部分：（1）基于顏色特征的障礙物檢測系統(tǒng)；（2）基于SVM的障礙物定位系統(tǒng)；（3）基于運(yùn)動(dòng)空間離散化的樹形路徑規(guī)劃系統(tǒng)。障礙物檢測系統(tǒng)通過區(qū)別障礙物和地面的顏色特征，能夠比較準(zhǔn)確地識別出在給定地面上的有別于地面顏色的障礙物，并選擇出用于計(jì)算障礙物和機(jī)器人距離的特征點(diǎn)。經(jīng)過訓(xùn)練的障礙物定位系統(tǒng)對測試數(shù)據(jù)表現(xiàn)良好，能夠比較精確地根據(jù)圖像中的像素坐標(biāo)還原出對應(yīng)實(shí)際點(diǎn)的真實(shí)坐標(biāo)。樹形路徑規(guī)劃方法將機(jī)器人的運(yùn)動(dòng)空間離散化為樹形結(jié)構(gòu)，能根據(jù)當(dāng)前障礙物和機(jī)器人的相對位置關(guān)系，從當(dāng)前位置節(jié)點(diǎn)的子節(jié)點(diǎn)中選擇下一個(gè)行進(jìn)位置，使機(jī)器人一步一步抵達(dá)目標(biāo)位置。在DARWIN機(jī)器人上實(shí)現(xiàn)了整個(gè)系統(tǒng)，并通過實(shí)驗(yàn)驗(yàn)證，機(jī)器人順利避開障礙物到達(dá)設(shè)定的目標(biāo)位置，顯示了本文方法的有效性。

參考文獻(xiàn)

　　[1] 陳衛(wèi)東，朱奇光．基于模糊算法的移動(dòng)機(jī)器人路徑規(guī)劃[J]．電子學(xué)報(bào)，2011，39（4）：971-974，980.

　　[2] CHESTNUTT J， LAU M， CHEUNG G， et al. Footstep planning for the Honda ASIMO humanoid[C]. Proceedings of the 2005 IEEE International Conference on Robotics and Automation， ICRA 2005， IEEE， 2005：629-634.

　　[3] ZANNATHA J M I， CISNEROS LIM?魷N R， G?魷MEZ S?譧NCHEZ A D， et al. Monocular visual self-localization for humanoid soccer robots[C]. 2011 21st International Conference on Electrical Communications and Computers，. IEEE， 2011：100-107.

　　[4] WANG Y T, HUNG D Y, CHENG S H. Monocular SLAM for a small-size humanoid robot[J]. Tamkang Journal of Science and Engineering， 2011， 14（2）： 123-129.

　　[5] BALTES J， CHENG C T， LAU M C. Real-time navigation for a humanoid robot using particle filter[J]. Applied Mechanics and Materials， 2013， 284： 1914-1918.

　　[6] VAPNIK V. The nature of statistical learning theory[M]. New York： Springer， 1995.

　　[7] OPPER M， WINTHER O. Gaussian processes for classification： mean field algorithms[J]. Neural Computation， 2000，12（11）：2655-2684.