英语原文共 6 页，剩余内容已隐藏，支付完成后下载完整资料
基于融合视觉和接近度传感器的NAO人型机器人的路径查找
摘要——人形机器人路径寻找是机器人研究领域的核心技术之一。 本文提出了一种通过融合NAO相机拍摄的图像和声纳传感器传递的邻近信息来找到机器人运动的路径的方法。 NAO机器人围绕其周围环境拍摄图像，使用模糊颜色提取器来分割其潜在路径颜色，并且通过最小二乘法选择拟合线作为路径。 因此，NAO机器人能够根据所选择的路径执行自动导航。 因此，通过实验导航NAO机器人走到给定目的地并抓住盒子。 此外，NAO机器人使用其声纳传感器检测障碍，并帮助用手拿起盒子。
介绍
机器人广泛应用于工业，农业，医疗，服务，航空和军事等领域。导航路径规划是机器人研究的重要课题之一[1] [2] [3]。 当机器人执行操作任务时，应根据其任务规范选择优化路径。 机器人运动的路径的寻找可以分为基于地图的全局路径规划和基于传感器的局部路径规划。 Aldebaran的NAO在其身体上配备了各种传感器，是周围环境的友好伴侣。 融合其不同类型的传感器和开发有效的路径规划算法，NAO机器人能够自动跟踪具有某种颜色的路径并到达给定的目的地。 这对于残疾人或老年人完成他们想要的操作将很有帮助
在过去二十年里，在已知和静态工作空间中的机器人路径寻找已被广泛研究[4] [5] [6]。 Kavraki和她的同事描述了一个两阶段方法来解决静态工作空间中的机器人运动规划问题，包括学习阶段和查询阶段。他们的实验结果表明，在相对较短的时间段内学习后，路径规划可以在当代工作站的一秒钟内完成。路径规划方法需要在不同情况下变化的学习时间。 Leonard利用声纳信息解决了本地机器人导航的问题[8]。在他的论文中，观察到但未预测的目标表示未知的环境特征或障碍，并且导致新轨迹被启动，分类并最终集成到地图中。通过跟踪机器人移动的环境目标，减少了需要获取的数据，并且消除了在感知周期的每个步骤重新解决对应问题的需要。本地化和地图构建结果表面，单独使用声纳进行导航是可行的，但也许会稍慢。 Han和他的同事提出了一个循环路径规划算法，以避免机器人运动过程中的障碍[9]。通过单目照相机获得的图像数据和通过超声波传感器获得的数据融合以增加障碍物的检测概率。实验结果表明，该方法检测到几种障碍物并产生有效的圆形路径，用于避免复杂的环境。
在路径寻找问题中，图像识别方法被用来提取路径信息以提高导航性能[10] [11] [12]。 Shashank和Gaurav提出了实现图像处理和孤立词识别的实用策略[13]。模型车辆已经在道路上自动驾驶，并且可以在道路上自行驾驶，在斑马线停车，按照交通灯并到达终点或可以通过语音命令控制。 Lulio和他的同事[14]在计算机视觉中部署了图像处理和分割技术，通过用于轨迹导航问题的农业机器人的全向视觉系统以及本地化问题。具有在论文中提及的过程，将HSV空间色段分类和表征是可行的，并且获得了相当准确的结果。上述论文使得可以在单个路径可用时为移动机器人提供导航。然而，当检测到两个或更多个路径时，机器人将不知道选择哪个并且在缺少全局信息的情况下到达正确的目标。
在本文中，我们提出了一种用于在存在多个路径时为NAO机器人的选择合适路径的方法。 主要思想是使用模糊颜色提取器（FCE）来识别标记有特定颜色线的路径，使得NAO机器人能够遵循所寻求的路径到达给定目标并且基于声纳数据在路径上扫描障碍物 。 在该过程中，NAO机器人使用其相机拍摄图像，并处理图像以提取路径和声纳数据，用于实时调整机器人位置和运动方向。 实验表明，NAO可以容易地从起点到终点精确沿着计划的路径，而不与障碍物碰撞。
图像采集和颜色提取
A——图像采集
NAO机器人[15]拥有多个传感器和控制器：两个摄像机连接到头部和下颚，两个声纳传感器在胸部，多个运动电机在颈部，手和脚，红色，绿色和蓝色的三色LED 在眼睛上，以及触觉传感器上的头和脚，如图所示。 对于这项研究，我们使用下颚的摄像机，以获取其前面的图像，并使用由NAO平台提供的C 的编程接口来实现我们的算法。
- 摄像机的角度设置：NAO有两个摄像头安装在头部和下巴上。 每个相机能够以30帧/秒提供640times;480分辨率的图像。 如图1所示。 如图2所示，视场在垂直方向上可以达到47.64度，在水平方向上可以达到60.97度。 头上的摄像头主要观察远处场景，下颚上的摄像头拍摄脚下的场景。由于NAO机器人在颈部有两个自由度，如图3所示，HeadYaw的关节从-38.5度变化到29.5度，HeadPitch从-119.5度变化到119.5度。 在本文中，我们研究在机器人附近区域的路径查找问题，所以选择下颌相机来获取图像。为了做到这一点，经过多次测试，以搜索一个完美的角度的HeadPitch关节。 结果表明，14.3度是可以获取机器人附近的图像的精确角度。
- 使用C SDK进行图像采集：在图像采集的过程中，NAO的SDK为用户提供了各种类别。 例如，ALVideoDeviceProxy类订阅相机设备并从相机获取图像。 ALMotionProxy类为NAO的移动生成命令。 设置NAO头部的角度后，C 将启动颌骨相机，并在NAO前进之前获取图像。 通过处理所获得的图像，将对路径的选择的决定传送到相应的命令，使得NAO机器人能够执行其导航。
B——模糊颜色提取器
在许多基于颜色的计算机视觉应用中，由于环境不确定性，图像中的颜色是不明确的。 这里提出的模糊颜色提取器能够处理这种不确定性。 在本研究中，图像的颜色在RGB空间中描述，其中颜色由它们的红，绿和蓝色分量在正交笛卡尔空间中表示，如图4所示。处理由(m,n)RGB表示的每个像素p的颜色以分离其红色，绿色和蓝色分量(p（m,n)R ,p(m,n)G, p(m,n)B）[16]. FCE提取由种子RGB表示的基础上定义的颜色模式（种子）的颜色集群。RGB种子直接由其RGB分量定义或由图像中的像素确定。像素和种子之间的颜色分量差异计算如下：
其中M和N表示保存图像的数组的大小。 以下模糊规则应用于dif（m，n）R，dif（m，n）G和dif（m，n）B：
如果dif（m，n）R和dif（m，n）G和dif（m，n）B是零，则p（m，n）匹配。
如果dif（m，n）R或dif（m，n）G或dif（m，n）B为负或正，则p（m，n）不匹配。
Figure 4 根据立方体顶点的RGB空间和八个子空间
Figure 5 （a）色差的成员职能
（b）去模糊化的成员函数
如果沿着RGB坐标系中的三个轴的p和种子之间的欧几里德距离足够小，则这两个规则指示像素p属于要提取的对象; 否则，p不属于该对象。 图5（a）示出了由定义的输入模糊变量（负，零，正）的隶属函数mu;N(x)，mu;Z(x)，mu;P(x)
图5（b）显示了输出模糊变量（匹配，不匹配）的隶属函数（mu;M（x），mu;U（x））
其中pM pU= 255。基于色差dif（m，n）R，dif（m，n）G和dif（m，n）B的隶属函数，模糊规则产生匹配的wm和不匹配权重wu。
图5（b）示出了输出域中产生的区域，而wm和wu切割mu;M（x）和mu;U（x）。 通过质心解模糊化方法计算出一个脆性输出值△pf
其中mu;out（x）表示在模糊输出域中由wm和wu切割的面积的包络函数。 如果△pf lt;ı，则提取p（m，n）; 否则，不提取p（m，n），其中sigma;是阈值。 FCE可以被理解为RGB空间中的欧几里德距离{dif（m，n）R，dif（m，n）G，dif（m，n）B} 模糊度量。
在本文中，我们需要提取标记有特定颜色的路径，以便NAO机器人可以根据曲线拟合结果跟踪路径。 首先，我们定义一个种子：seedWHITE =（255,255,255）以创建保存路径信息（不包括其他环境噪声）的子图像。 因此，子图像仅保存由FCE提取的路径信息。 如图6所示。 在图6中，（a）是由NAO的颌相机拍摄的具有上述参数的原始图像。 （b）示出去除环境分量的提取路径信息。 结果表明，因为在真实环境和由NAO相机拍摄的图像之间存在色差导致不能完全提取路径信息。 由于我们只需要知道在NAO脚下的路径信息就可以轻易地导航NAO。 详情将在下面部分提及。
图6（a）由NAO的照相机拍摄的原始图像
（b）FCE提取的路径信息
图7 nao机器人的声呐
图8 抓箱过程
C——对象抓取
NAO机器人在胸部装备有两个声纳传感器，如图7所示。 可以通过其检测到环境中的障碍物的距离。 检测范围从25厘米到255厘米，但在25厘米下没有距离信息。 因此，两个声纳传感器用于识别和抓握终端中的物体。 在本文中，一旦距离达到30厘米NAO机器人将停止在物体前面避免声纳盲区。 然后，NAO机器人前进约20cm并抓住其中一个盒子。 实验表明，在这个距离下，NAO可以拾取放置在终端中的盒子。 图8示出了抓握过程和适当距离。
路径规划和导航
A——路径识别
由于我们已经获取了包含路径信息的提取图像，因此可以实现路径规划。 这里，最小二乘拟合（LSF）[17]用于路径拟合，以便NAO机器人可以根据结果做出决定。
- 最小二乘法（LSM）：LSM [18]基于最小化从拟合曲线到数据点的拟合平方距离的均方距离。 给定n个点（xi，yi），。目标函数由下式定义
其中di是从点（xi，yi）到曲线的欧几里德（几何）距离。 当拟合圆时，通过方程式对其进行参数化
在本文中，线性拟合可以解决路径规划问题。假设拟合线为
其中k是斜率，b是截距。 为了建立线，应该计算k和b的参数。 根据LSM的原理，优化标准是最小化方程（9）。 为了得到最小值F，k和b的偏导数应该分别等于零
因此，求解两个方程组可以获得k和b的值
- 拟合过程：在研究中，选择十个点以适合路径线（在上述等式中n = 10）。 路径标记由宽度为约5cm的一系列纸件制成。 纸件的宽度通过计算变为约35像素的图像。 然后，将Canny边缘检测算法[19]应用于包括路径信息的处理图像，以获取直线消息。 图9分别示出了原始图像，通过FCE的路径提取图像和通过Canny算子[20]的路径边缘检测结果。
假设图像的尺寸在纸中为Wtimes;H（320times;240）），使用H-13到H-3之间的行来提取拟合点。 由于处理的图像可能包含一些噪声，所以直线不能被认为是直线。 因此，提出了一种基于相同距离提取拟合点的方法。 首先，拾取上面提及的每一行中的白色像素点（RGB空间中的（255,255,255））并获得它们的坐标。 第二，计算每两个白色像素点之间的距离。 由于纸片的距离约为35像素，我们将距离标准的阈值设置为35plusmn;20。一旦确保每一行的两个边缘点，两个边缘点的中点将被设置为拟合点。 最后，将图像底部的中点设置为原点，通过LSF将中间点与十个中点对齐。图10示出了一个过程中的拟合结果之一。
图9 （a）原始图像（b）通过FCE的路径提取图像
（c）路径边缘检测结果
图10（a）原始图像（b）拟合结果
B——导航
1）多路径选择：有多种方法用于机器人通过图像边缘检测的导航。然而，当两个或更多个路径出现在机器人的前面时，选择正确的轨迹路径变得困难。 在本文中，绘画不同颜色的多个路径使它成为可能提取其中一个作为导航。 这里，拿两个路径选择为例。 当NAO机器人看到图像， 如图11（a）所示，出现多路径选择问题。 假设左路径是所需的路径，我们只需要在RGB空间中将种子像素设置为（255,255,255）。 因此，左路径可以通过FCE提取，这可以在11（b）中看到。 接下来，它变成单路径规划问题，这可以通过上述方法来解决。
2）制定NAO运动的规则：在得到实时拟合直线之后，制定机器人运动的规则成为关键步骤，这将决定NAO机器人是否能沿着选择路径行进并到达终点。 表1列出了与拟合直线对应的机器人运动规则。
其中k是斜率，b是截距
图11（a）原始图像包括两个路径
（b）选择后剩下一条路径
图 12.实验场景.
实验和结果
为了验证NAO导航在多路径选择中的效果，我们进行了一些实验。首先，两个标记有两种不同颜色（这里是白色和蓝色）的路径被放置在地板上，并且它们中的每一个将导向NAO到某个目标。此外，在每个路径中有一些分支。第二，如图1所示。 12，将NAO放在路径的起点，并在计算机上运行程序。在该实验中，NAO将沿着白色路径行进直到它遇到分支。这里，将设置RGB中的目标颜色以区分要选择的路径。一旦确定了路径，NAO将沿着所选择的一个继续其运动，直到它遇到另一个分支。因此，NAO可以自动地沿着选择路径导航自身。图。图13示出了NAO运动的处理中的路径选择结果和相应的拟合结果。当NAO接近目的地时，声纳将检测到一个盒子。而NAO不会停止向前，直到声纳值达到30厘米。然后，NAO将继续走约20厘米，拿起盒子，完成任务。
实验结果表明，FCE可以容易地通过其颜色区分路径。 当NAO满足当没有全局信息时找到特定颜色路径的问题，这导致有效的解决方案。 此外，我们根据使用LSF的拟合直线做出的规则可以沿着所选择的路径导航NAO。 并且声纳可以帮助NAO通过设置适当的距离值拾取盒子。
图13.实时图像处理和拟合结果
结论
本文提出了一种通
全文共9771字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[145870]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
