未知環(huán)境中移動機器人視覺環(huán)境建模與定位研究.pdf

1、本論文來源于國家自然科學基金重點項目“未知環(huán)境中移動機器人導航控制的理論與方法研究”(60234030)，屬于其子任務“環(huán)境建模與定位”的研究方向。本文著重研究了移動機器人在未知環(huán)境中基于攝像機視覺的拓撲建模、定位及導航等問題，目的在于探索針對未知環(huán)境的視覺建模與定位方法，提高所建立拓撲模型的準確性，降低模型的存儲需求，從而提高機器人在未知環(huán)境中的自定位精度和長時間生存能力。 有效分析視覺傳感器信息以獲取環(huán)境特征是視覺環(huán)境建模與

2、定位的至關重要的基礎，本文首先基于視覺顯著性研究了針對未知環(huán)境的自底向上的自然路標檢測、表示與識別方法。提出了一種帶反饋機制的顯著性檢測模型(feedback saliency detection model，F(xiàn)SDM)，并定義了能夠更好地體現(xiàn)對比含義且充分考慮全局信息影響的級間對比度算子。在多尺度空間上計算顏色、紋理特征的對比度，經(jīng)綜合處理得到描述路標候選位置的顯著性指示圖。通過引入反饋通道，控制備類特征在不同場景圖像處理中發(fā)揮的作用

3、?；拘阅軠y試、穩(wěn)定性測試及抗干擾性測試等一系列實驗表明，該方法具有非常優(yōu)越的顯著位置重復檢測性能。此后，應用LOG算子進行自動區(qū)域尺寸選擇，形成顯著區(qū)域作為自然路標原型，選擇梯度方向、二階不變矩、歸一化的色調作為自然路標的表示方案。目標識別實驗表明，基于局部顯著區(qū)域的自然路標穩(wěn)定性好，能夠容忍遠近尺度、視角等變化引起的圖像差異，識別準確率較高。 在前述獲得的自然路標的基礎上，基于隱馬爾科夫模型(hiddenMarkov mod

4、el，HMM)提出了一種增量式視覺拓撲建模與定位方法。該方法首先通過單CCD攝像頭掃視機器人當前所在環(huán)境來獲得全方位圖像序列，然后利用HMM建模所獲得局部顯著路標間的關系，以構造拓撲節(jié)點，于是定位問題可以轉化為HMM的估值問題。設計了基于聯(lián)合概率分布的初始定位方法，并且設計了基于最大后驗概率(maximum a posteriori，MAP)的學習策略來處理定位的不確定性。該方法具有以下鮮明特點：采用局部圖像特征而不是整幅圖像特征參與環(huán)

5、境識別，并利用HMM建模這些路標間的空間關系，因此在定位時能夠對環(huán)境變化具有更高的容許程度，識別更加可靠；HMM的狀態(tài)空間恒定，不會隨著探索環(huán)境規(guī)模的擴大而增長，從而降低了概率定位的計算需求；支持在線增量式建立拓撲地圖，同時進行定位，而目前大多數(shù)視覺拓撲建模系統(tǒng)都需要離線分析建模和在線定位兩個階段。實驗表明，上述方法能夠有效地提高場景識別的準確率，實現(xiàn)在線增量式拓撲建模與定位。為提高視覺拓撲建模與定位方法在包含各種動態(tài)因素的真實環(huán)境中應

6、用的能力，本文側重研究了存在運動物體(或稱為運動目標)的動態(tài)未知環(huán)境拓撲建模，盡量消除其對建模的影響，以提高拓撲環(huán)境模型的準確性。首先提出了帶運動補償?shù)倪\動目標檢測方法，并從檢測與跟蹤任務的完整性考慮，以Kalman濾波器為基本單元構造了一個驅動攝像頭的反饋控制系統(tǒng)。為快速提取完整目標，對模糊C均值聚類(fuzzy C-Means clustering，F(xiàn)CM)方法進行了改進。在此基礎上，重新修改了自然路標提取策略：將所有檢測出的路標劃

7、分為靜態(tài)路標和動態(tài)路標兩類，然后拋棄那些動態(tài)路標以濾除運動目標影響。實驗結果表明，該方法能夠有效地濾除噪聲路標，提高了拓撲建模和定位的精度。 在前述自然路標提取、增量式建模及動態(tài)目標檢測研究的基礎上，提出并實現(xiàn)了一個視覺拓撲建模及導航系統(tǒng) VOTMNS(Vision basedOnline Topological Mapping and Navigation System)，并在移動機器人平臺 MORCS-1 上進行了實踐。該系