趙光國,孟福軍,岳勝如
(塔里木大學水利與建筑工程學院,新疆 阿拉爾 843300)
當農業智能機器人(農機智能體)工作環境中出現一些障礙物時,可能會導致農機智能體不能正常工作[1-3],需通過建立農機智能體自身運動模型及其工作環境的避障路徑規劃來指導農機智能體實現障礙物的順利避障[4],并在避障完成后正?;氐皆脊ぷ髀窂?,因此有必要進行基于多傳感器融合的障礙物檢測與匹配算法研究。
使用激光掃描儀實現障礙物識別,需要將激光點的光斑間隔數據變換到對應坐標系下[5],如圖1所示。其右前方區域有障礙物,激光雷達以一定間隔(0.5°)逐點掃描,記錄此點與觀測點的距離Di,同時記錄對應的角度θi(與坐標x軸的夾角)。 變換公式如下:
(1)
其中:Di為第i個激光點到激光雷達的距離,θi為第i個激光點轉換的角度:θi=i×0.5,(Xi,Yi) 則為第i個激光點轉換的坐標(i=0,1,2,…,360)。
圖1 坐標轉換示意圖Fig.1 Coordinate transformation diagram
1.2.1 障礙物檢測方法流程
通過BDS與INS傳感器獲取農機智能體的位姿信息,并用激光掃描儀實時識別農機智能體與農田障礙物之間的相對位置關系。經過坐標轉換后,得到障礙物的方位及其絕對坐標[6-7]。采用歐式聚類法實現激光數據的濾波、聚類及分割,分析采樣周期內障礙物絕對位置,識別障礙物狀態,方法流程如圖2所示。
圖2 方法流程圖Fig.2 Method flow chart
1.2.2 障礙物識別與匹配
1.2.2.1 激光數據的濾波和聚類
由于田間環境因素復雜多變,噪聲影響大,在獲取到障礙物絕對坐標后,必須進行數據去噪處理。通過歐式聚類法實現聚類分割處理[8],在過濾后的點云數據基礎上提取出障礙物部分點云集,進行坐標轉換后,可測量到農機智能體前方一定范圍內的障礙物。
具體方法如下:當激光點間距小于一定閾值時,說明相鄰的兩個激光點來自一個物體,反之,則表明來自不同的物體。聚類判斷準則如下:
(2)
式中:Dn-1,n為兩相鄰激光點間的距離;δ為激光點聚類的間隔閾值,設為100 cm。
1.2.2.2 匹配潛在障礙物
通過歐式聚類和潛在障礙物的識別后,得到了m個獨立的潛在障礙物,則可通過計算得到潛在障礙物中激光點數量、大小和位置[9]。
在激光點聚類過程中可以直接得到潛在障礙物中包含的激光點的個數。利用潛在障礙物所覆蓋的區域面積來表達其面積尺寸,設定在激光坐標系下,潛在障礙物i中激光點坐標中X和Y方向上取值范圍[Ximax,Ximin],[Yimax,Yimin]。障礙物的面積尺寸為:Ai=(Ximax-Ximin)(Yimax-Yimin)。把潛在障礙物想象成一個置于地面的圓心物體,則圓心可以用其所有激光點的間距和角度平均值計算:
(3)
其中:(Xi,Yi)為潛在障礙物i的質心,Di和θi為潛在障礙物i中n個激光點的間距和角度平均值。
經過激光點數據的坐標變換和聚類分割后[10],根據潛在障礙物及農機當前狀態來判斷障礙物類別:在采樣周期內識別到同一障礙物中激光點個數和坐標基本不變,則可判斷為相對靜止的障礙物。當采樣周期內檢測到的激光點面積有一定的重合,子集合質心間的間距差不大時,可推斷出識別的前后障礙物為同一障礙物,表明障礙物處于運動狀態。
在ROS軟件平臺仿真工具包Gazebo中建立農機智能體仿真模型,并添加研究提出的匹配算法,進行避障仿真測試。以車輛的啟動和運行控制點為路徑規劃的原點(0,0),要求試驗車輛從起動點繞開障礙物到達目標點,圖3為測試中仿真規劃路線效果。圖4為添加障礙物后仿真車實際行走路線效果。
圖3 仿真規劃路線Fig.3 Simulation planning route
圖4 仿真車實際行走路線Fig.4 Actual walking route of the simulation car
試驗結果:從前進路線可以看出,仿真車啟動后先沿全局規劃路徑前進,當檢測到障礙物后,程序啟動避障模式,重新規劃路徑,實現對障礙物的繞行;仿真模型能夠完成路徑規劃任務,并且能生成較為光滑的路徑,基本滿足試驗要求。
進行了一種基于傳感器信息融合的障礙物識別與匹配算法研究,并結合仿真測試,驗證了算法的有效性。在ROS機器人操作系統平臺Gazebo仿真軟件上,建立了障礙物識別模型并添加研究提出的匹配算法,在仿真模擬環境中,仿真模型車能夠完成路徑規劃任務,基本滿足試驗要求。