基于語(yǔ)義樹(shù)Markov隨機(jī)場(chǎng)模型的地面機(jī)器人多尺度道路感知

杜明芳，王軍政1，李多楊1，何玉東1

（1.北京理工大學(xué)復(fù)雜系統(tǒng)智能控制與決策國(guó)家重點(diǎn)實(shí)驗(yàn)室，北京100081；2.北京聯(lián)合大學(xué)自動(dòng)化學(xué)院，北京100101）

基于語(yǔ)義樹(shù)Markov隨機(jī)場(chǎng)模型的地面機(jī)器人多尺度道路感知

杜明芳1，2，王軍政1，李多楊1，何玉東1

（1.北京理工大學(xué)復(fù)雜系統(tǒng)智能控制與決策國(guó)家重點(diǎn)實(shí)驗(yàn)室，北京100081；2.北京聯(lián)合大學(xué)自動(dòng)化學(xué)院，北京100101）

道路實(shí)時(shí)感知是自主式地面移動(dòng)機(jī)器人實(shí)現(xiàn)自主導(dǎo)航的關(guān)鍵技術(shù)，但由于室外道路環(huán)境的復(fù)雜性與不確定性，其算法開(kāi)發(fā)難度較大。提出了一種基于小波域語(yǔ)義樹(shù)Markov模型的多尺度仿生道路感知算法。在時(shí)空域上采用三維隨機(jī)場(chǎng)對(duì)機(jī)器人采集到的道路圖像序列進(jìn)行建模，提出了一種采用樹(shù)結(jié)構(gòu)約束、面向道路識(shí)別的語(yǔ)義樹(shù)Markov隨機(jī)場(chǎng)（RT-MRF）模型；采用遺傳算法優(yōu)化的有監(jiān)督RT-MRF模型進(jìn)行道路圖像序列分割；機(jī)器人通過(guò)跟蹤分割邊界實(shí)現(xiàn)道路區(qū)域識(shí)別及自主導(dǎo)航。采用自主研制的四足仿生機(jī)器人作為研究和實(shí)驗(yàn)平臺(tái)。實(shí)驗(yàn)結(jié)果表明：該方法能夠在具有陰影、裂紋、坑洞、不平整及光照度變化的較差道路檢測(cè)條件下魯棒分割出道路邊界，算法實(shí)時(shí)性高，可滿(mǎn)足室外移動(dòng)機(jī)器人自主導(dǎo)航需求。

控制科學(xué)與技術(shù)；四足機(jī)器人；道路檢測(cè)；多尺度仿生感知；語(yǔ)義樹(shù)Markov模型；小波域

0 引言

基于視覺(jué)的室外移動(dòng)機(jī)器人道路環(huán)境感知屬于攝像機(jī)運(yùn)動(dòng)、目標(biāo)（道路、動(dòng)靜態(tài)障礙物）運(yùn)動(dòng)狀態(tài)混合的機(jī)器視覺(jué)問(wèn)題范疇，特別是在考慮室外隨機(jī)復(fù)雜道路環(huán)境干擾的情形下，該領(lǐng)域一直缺乏統(tǒng)一且有效的圖像建模與理解方法。機(jī)器人在運(yùn)動(dòng)過(guò)程中采集到一個(gè)圖像序列，將二維平面空間的計(jì)算問(wèn)題延伸為三維立體空間的計(jì)算問(wèn)題，因此傳統(tǒng)靜態(tài)圖像處理和分析的算法并不完全適用于移動(dòng)機(jī)器人視覺(jué)導(dǎo)航系統(tǒng)。目前，室外移動(dòng)機(jī)器人視覺(jué)環(huán)境感知中，遇到的主要問(wèn)題集中體現(xiàn)在缺少?lài)?yán)謹(jǐn)?shù)囊曈X(jué)計(jì)算模型，感知算法的實(shí)時(shí)性和魯棒性，不能完全滿(mǎn)足機(jī)器人大范圍移動(dòng)的需求，機(jī)器人對(duì)環(huán)境的自適應(yīng)性不強(qiáng)。另外，缺少實(shí)際的移動(dòng)機(jī)器人實(shí)驗(yàn)平臺(tái)和驗(yàn)證平臺(tái)也是阻礙此項(xiàng)研究進(jìn)展的關(guān)鍵因素。

本文以自主研制的四足仿生機(jī)器人BigDog為背景，對(duì)自主移動(dòng)機(jī)器人的視覺(jué)環(huán)境感知問(wèn)題展開(kāi)研究。四足仿生機(jī)器人是近年來(lái)國(guó)內(nèi)外機(jī)器人領(lǐng)域研究的熱點(diǎn)［1-4］。美國(guó)波士頓動(dòng)力學(xué)工程公司研制的BigDog四足機(jī)器人在具有挑戰(zhàn)性的環(huán)境中，如斜坡地形、15 m以上巨石障礙、坑洞負(fù)障礙、樹(shù)干障礙、葉子干擾等，仍能通過(guò)視覺(jué)和雷達(dá)系統(tǒng)有效識(shí)別出可通行區(qū)域。我國(guó)于2011年啟動(dòng)了高性能四足機(jī)器人的研發(fā)資助工作，目前僅有北京理工大學(xué)、山東大學(xué)、國(guó)防科學(xué)技術(shù)大學(xué)、哈爾濱工業(yè)大學(xué)、上海交通大學(xué)等少數(shù)單位真正研制出了可以承重100 kg以上的BigDog機(jī)器人樣機(jī)，研究的重點(diǎn)大多集中在驅(qū)動(dòng)與控制部分，對(duì)感知系統(tǒng)研究的較少，因此這些樣機(jī)尚不具備復(fù)雜未知地形感知能力。本文提出了一種基于有監(jiān)督小波域 Markov隨機(jī)場(chǎng)（MRF）模型的非結(jié)構(gòu)化道路圖像建模及多尺度識(shí)別方法，可解決BigDog在室外非結(jié)構(gòu)化環(huán)境行走時(shí)的視覺(jué)道路環(huán)境理解問(wèn)題，為室外自主移動(dòng)機(jī)器人有效感知復(fù)雜環(huán)境奠定堅(jiān)實(shí)基礎(chǔ)。

機(jī)器人對(duì)道路圖像的正確理解實(shí)質(zhì)上可以簡(jiǎn)化成障礙物—非障礙物的圖像二分類(lèi)問(wèn)題，因此有效的圖像分割方法是解決問(wèn)題的關(guān)鍵。聚類(lèi)（如K-均值聚類(lèi)法）和神經(jīng)網(wǎng)絡(luò)是以往較常用的道路圖像分割方法。聚類(lèi)法能將圖像分為障礙物和非障礙物兩類(lèi)，但對(duì)應(yīng)的具體含義無(wú)法確定。神經(jīng)網(wǎng)絡(luò)法通過(guò)訓(xùn)練樣本構(gòu)造分類(lèi)器，缺點(diǎn)是需要采集大量樣本，訓(xùn)練耗時(shí)長(zhǎng)，在線(xiàn)應(yīng)用較難，且分類(lèi)器只對(duì)應(yīng)于某時(shí)刻和某種道路屬性，無(wú)法適應(yīng)路面介質(zhì)變化或光照變化。人類(lèi)視覺(jué)認(rèn)知的最大特點(diǎn)是具有層次性，人腦大腦皮層的視覺(jué)區(qū)域是分層次工作的，越底層的視覺(jué)皮層對(duì)底層特征越敏感，這與小波分析的多尺度分析思想是相通的。受此啟發(fā)，本文提出一種基于小波分析的道路圖像分析及理解方法。

隨著子波分析及基于子波的統(tǒng)計(jì)信號(hào)處理方法的發(fā)展，多尺度變換域圖像的感知與識(shí)別也得到了一些相應(yīng)的發(fā)展。Crouse等［5］、Choi等［6］、Li等［7］提出的子波域隱Markov模型開(kāi)辟了多尺度變換域統(tǒng)計(jì)信號(hào)處理這一新領(lǐng)域。迄今為止，學(xué)者們提出了多種不同變換域的改進(jìn)Markov模型，其主要目的是提高建模的準(zhǔn)確定性和模型訓(xùn)練的有效性。由于這些模型主要立足于如何準(zhǔn)確描述子波系數(shù)間的相關(guān)性，忽略了實(shí)際應(yīng)用中模型參數(shù)訓(xùn)練會(huì)占用大量處理時(shí)間的事實(shí)，因此在圖像感知與識(shí)別這類(lèi)實(shí)時(shí)性要求高的領(lǐng)域，實(shí)用價(jià)值并不大。本文從室外移動(dòng)機(jī)器人實(shí)時(shí)性要求高及室外道路圖像噪聲大（將裂紋、陰影、模糊等統(tǒng)一看作噪聲）這兩個(gè)本質(zhì)特點(diǎn)入手，根據(jù)先驗(yàn)知識(shí)，提出一種小波域語(yǔ)義樹(shù)深度為i（i≤3）、同時(shí)僅對(duì)關(guān)鍵參數(shù)進(jìn)行訓(xùn)練的改進(jìn)隱Markov模型，將該模型命名為面向道路識(shí)別的語(yǔ)義樹(shù)MRF（RT-MRF）.

1 道路圖像的小波域多尺度建模

RT-MRF模型采用樹(shù)結(jié)構(gòu)約束的二值Markov時(shí)空域三維隨機(jī)場(chǎng)序列來(lái)建模道路圖像序列。通過(guò)空間域分割，將道路圖像分割為具有語(yǔ)義邊界的區(qū)域，再通過(guò)時(shí)域上的邊界跟蹤實(shí)現(xiàn)最終的道路區(qū)域識(shí)別。

在空間域的幀內(nèi)，每一個(gè)二值MRF對(duì)應(yīng)樹(shù)結(jié)構(gòu)的一個(gè)節(jié)點(diǎn)，通過(guò)節(jié)點(diǎn)與節(jié)點(diǎn)之間的相互關(guān)系來(lái)表達(dá)道路圖像的層次結(jié)構(gòu)信息。對(duì)機(jī)器人環(huán)境感知來(lái)講，道路圖像的分類(lèi)類(lèi)別數(shù)和分類(lèi)結(jié)果是已知的，屬于先驗(yàn)知識(shí)，因此采用有監(jiān)督分割法更加適宜，這可降低分割過(guò)程中確定分類(lèi)樹(shù)所需的計(jì)算復(fù)雜度。語(yǔ)義樹(shù)原型為簡(jiǎn)單二叉樹(shù)，如圖1（a）所示，道路圖像空間域分割的語(yǔ)義樹(shù)定義如圖1（b）所示。

在小波分解的每一尺度上均定義相同結(jié)構(gòu)的道路圖像語(yǔ)義樹(shù)。將分類(lèi)層次樹(shù)和小波系數(shù)四叉樹(shù)分別記為CT和WRT.用r（0）表示根節(jié)點(diǎn)，m（t）（1≤t≤p）表示中間節(jié)點(diǎn)，l（t）（1≤t≤q）表示葉子節(jié)點(diǎn)。則

將道路圖像序列定義為大小為M×N×K的三維格網(wǎng)位置集合V=｛v|v=（m，n，k）｝，單幀道路圖像定義為M×N的二維格網(wǎng)位置集合S=｛s|s= （m，n）｝.在某幀內(nèi)，用二維小波分解把第l尺度上的低頻段道路圖像信號(hào)分解成第l+1尺度上的4個(gè)道路圖像信號(hào)：1個(gè)低頻段圖像信號(hào)和水平、垂直、對(duì)角線(xiàn)3個(gè)方向上的高頻段圖像信號(hào)。高頻段圖像信號(hào)對(duì)應(yīng)水平、垂直和對(duì)角線(xiàn)方向的圖像細(xì)節(jié)信息。這種分解一直繼續(xù)下去，直到達(dá)到預(yù)期尺度為止。

對(duì)機(jī)器人檢測(cè)到的道路圖像作J-1層小波分解，每一小波尺度空間標(biāo)號(hào)用層號(hào)j（j∈［0，…，J-1］）表示。分解后的道路圖像在每一尺度上均被分解為4個(gè)頻段：SLL（j）、SLH（j）、SHL（j）、SHH（j）.同一分辨率上的不同頻帶具有相同格網(wǎng)位置集合S（j）= SLL（j）=SLH（j）=SHL（j）=SHH（j）.某幀圖像經(jīng)小波分解后所有分辨率的格網(wǎng)位置集合為S=｛S（j）|0≤j≤J-1｝.相鄰分辨率的格網(wǎng)位置具有1對(duì)4的關(guān)系，一個(gè)低分辨率格網(wǎng)位置對(duì)應(yīng)4個(gè)相鄰高分辨率格網(wǎng)位置，從而形成小波系數(shù)向量的四叉樹(shù)結(jié)構(gòu)。某幀多尺度道路圖像語(yǔ)義模型如圖2所示。

圖2　多尺度道路圖像語(yǔ)義模型Fig.2 Multi scale road image semantic model

2 基于有監(jiān)督RT-MRF模型的道路圖像分割

RT的T-MRFi模型XWRT表示為各分辨率上RT中各節(jié)點(diǎn)的MRF的集合

XWRT的一個(gè)現(xiàn)實(shí)所對(duì)應(yīng)的聯(lián)合分布表示為

（3）式體現(xiàn)了圖像分割時(shí)的父節(jié)點(diǎn)約束及相鄰分辨率上對(duì)應(yīng)同一節(jié)點(diǎn)的兩個(gè)MRF的約束關(guān)系。

通過(guò)求（4）式的極大值來(lái)估計(jì)各尺度上的分割結(jié)果：

式中：ω為多分辨率觀測(cè)場(chǎng)。

四足仿生機(jī)器人采用離線(xiàn)訓(xùn)練，在線(xiàn)感知的方式進(jìn)行道路感知。首先為每一尺度道路區(qū)域和非道路區(qū)域分別手工選定一個(gè)感興趣區(qū)域，作為每一類(lèi)的訓(xùn)練樣本，將每一尺度的訓(xùn)練參數(shù)保存到指定空間；然后利用RT-MRF模型進(jìn)行道路圖像分割。在每一尺度上分割時(shí)首先讀取模型參數(shù)，然后沿道路語(yǔ)義樹(shù)自下向上計(jì)算似然取值，再沿著語(yǔ)義樹(shù)自上而下逐節(jié)點(diǎn)計(jì)算每一節(jié)點(diǎn)的分割結(jié)果。首先，在最低分辨率尺度上執(zhí)行分割算法，然后，再將此分割結(jié)果逐層傳遞到更高一級(jí)分辨率尺度上。通過(guò)遞歸優(yōu)化運(yùn)算實(shí)現(xiàn)（4）式的最大化。在進(jìn)行遞歸優(yōu)化運(yùn)算時(shí)，遍歷所有m（t）（1≤t≤p）節(jié)點(diǎn)將占用大部分時(shí)間，其中計(jì)算參數(shù)x（j，t）和 β（j，t）最為復(fù)雜，因此采用遺傳算法對(duì)其進(jìn)行優(yōu)化計(jì)算。令遺傳算法的適應(yīng)度函數(shù)為

式中：β（j，t）為T(mén)-MRFi模型的雙點(diǎn)勢(shì)函數(shù)。這樣就將參數(shù)的計(jì)算轉(zhuǎn)化為求適應(yīng)度函數(shù)的極值問(wèn)題。

3 實(shí)驗(yàn)與分析

本文算法的應(yīng)用平臺(tái)—BigDog四足仿生機(jī)器人試驗(yàn)測(cè)試系統(tǒng)如圖3所示。

圖3　BigDog研究平臺(tái)Fig.3 BigDog research platform

為了說(shuō)明算法的通用性，采用卡耐基梅隆大學(xué)提供的室外移動(dòng)機(jī)器人道路視頻對(duì)本文所述算法進(jìn)行驗(yàn)證，以隨機(jī)選擇的第9幀、第12幀、第15幀、第18幀為例說(shuō)明實(shí)驗(yàn)效果。用sym4小波對(duì)以上幀進(jìn)行3層分解，為節(jié)省計(jì)算時(shí)間，并不進(jìn)行圖像重構(gòu)，且在每一尺度上只采用低頻段圖像信息進(jìn)行語(yǔ)義樹(shù)參數(shù)訓(xùn)練。設(shè)置語(yǔ)義樹(shù)深度為2，感知后的黑色區(qū)域理解為“非路”，類(lèi)標(biāo)注為“2”，不可通行；白色區(qū)域理解為“路”，類(lèi)標(biāo)注為“1”，可通行。通過(guò)這種類(lèi)標(biāo)注實(shí)現(xiàn)了道路語(yǔ)義理解。

原始幀在3個(gè)尺度上的小波分解（LL頻段）結(jié)果如圖4所示。在3個(gè)尺度上的道路感知結(jié)果如圖5所示。

實(shí)驗(yàn)結(jié)果表明：

1）算法的魯棒性強(qiáng)。對(duì)陰影干擾較嚴(yán)重（如第12幀、第15幀、第18幀）、有裂紋（如第12幀、第15幀）、有坑洞（如第12幀）的非結(jié)構(gòu)化道路有較強(qiáng)的魯棒性，道路邊界分割準(zhǔn)確，完全可以用于指導(dǎo)機(jī)器人自主導(dǎo)航。

2）算法的實(shí)時(shí)性得到了很大改善。本文采用的原始幀的大小均約110 K左右，經(jīng)過(guò)小波分解后變?yōu)?0 K左右，在滿(mǎn)足系統(tǒng)導(dǎo)航精度的前提下圖像得到有效壓縮，且算法存儲(chǔ)的是小波系數(shù)及其他小存儲(chǔ)量參數(shù)，因此算法復(fù)雜度降低，實(shí)時(shí)性顯著提高，各幀的分割耗時(shí)對(duì)比如圖6所示。

3）算法的自適應(yīng)性強(qiáng)。相較于傳統(tǒng)的僅在最高分辨率級(jí)上進(jìn)行計(jì)算的算法，本文算法可以根據(jù)路況自由選擇單個(gè)尺度或某幾個(gè)尺度上的局部頻段進(jìn)行圖像感知計(jì)算，例如針對(duì)本文的道路圖像序列，就可以只選擇尺度2作為感知對(duì)象，完全可以滿(mǎn)足機(jī)器人道路感知需求。

另外，需要說(shuō)明的是：利用單目圖像感知的方法并不能精確區(qū)分陰影和障礙物實(shí)體，可利用立體視覺(jué)或雷達(dá)進(jìn)一步探測(cè)出障礙物的高度信息（凸障礙物高度為正；凹障礙物高度為負(fù)），以確定出障礙物的準(zhǔn)確位置。道路實(shí)際邊界和陰影干擾邊界的區(qū)分也是要依靠雷達(dá)或立體視覺(jué)等給出邊界的高度信息，并綜合數(shù)值擬合的結(jié)果進(jìn)行決策。

圖4　3個(gè)尺度上的小波分解結(jié)果（LL頻段）Fig.4 Wavelet decomposition results（LL band）on three scales

圖5　3個(gè)尺度上的道路感知結(jié)果Fig.5 Road sensing results on three scales

圖6　算法實(shí)時(shí)性對(duì)比Fig.6 Real-time comparison of algorithms

4 結(jié)論

室外移動(dòng)機(jī)器人道路感知的需求特點(diǎn)為實(shí)時(shí)性要求高，精度要求并不需太高。本文針對(duì)該需求，建立了道路圖像的小波域多尺度分析模型，并在該模型基礎(chǔ)上提出了采用遺傳算法優(yōu)化的基于有監(jiān)督樹(shù)型結(jié)構(gòu)MRF模型的道路圖像分割方法，取得了對(duì)道路裂紋、陰影、坑洞等干擾綜合處理最優(yōu)的結(jié)果，算法實(shí)時(shí)性、魯棒性、自適應(yīng)性均達(dá)到自主移動(dòng)機(jī)器人環(huán)境感知系統(tǒng)的基本需求，是一種模擬人眼多粒度感知環(huán)境的仿生感知方法。該方法的提出和研制對(duì)促進(jìn)仿生機(jī)器人仿生環(huán)境感知領(lǐng)域的發(fā)展具有積極促進(jìn)意義，彌補(bǔ)了目前該領(lǐng)域仿生設(shè)計(jì)的不徹底性的不足。進(jìn)一步研究計(jì)劃為：

1）將機(jī)器學(xué)習(xí)算法引入自主機(jī)器人領(lǐng)域［8］，如采用深度學(xué)習(xí)算法對(duì)環(huán)境圖像特征進(jìn)行自主學(xué)習(xí)，進(jìn)一步提高方法的智能性。

2）進(jìn)一步深入研究稀疏度自適應(yīng)算法［9］并應(yīng)用到三維時(shí)空域上的道路圖像表示中，進(jìn)一步提高系統(tǒng)實(shí)時(shí)性。

3）采用三維虛擬樣機(jī)技術(shù)［10］，使機(jī)器人設(shè)計(jì)更加符合產(chǎn)品研制的一般流程，使樣機(jī)更加接近產(chǎn)品。最終達(dá)到機(jī)器人視覺(jué)感知系統(tǒng)與控制系統(tǒng)協(xié)同性好、能量?jī)?yōu)化、抗外力自平衡性好，從而達(dá)到綜合性能最優(yōu)［11-13］。

（References）

［1］ Semini C，Tsagarakis N G，Guglielmino E，et al.Design of HyQ-a hydraulically and electrically actuated quadruped robot［J］.Proceedings of the Institution of Mechanical Engineers，Part I：Journal of Systems and Control Engineering，2011，225（6）：831-849.

［2］ 張秀麗.四足機(jī)器人節(jié)律運(yùn)動(dòng)及環(huán)境適應(yīng)性的生物控制研究［D］.北京：清華大學(xué)，2004. ZHANG Xiu-li.Biological-inspired rhythmic motion&environmental adaptability for quadruped robot［D］.Beijing：Tsinghua U-niversity，2004.（in Chinese）

［3］ 李貽斌，李彬，榮學(xué)文，等.液壓驅(qū)動(dòng)四足仿生機(jī)器人的結(jié)構(gòu)設(shè)計(jì)和步態(tài)規(guī)劃［J］.山東大學(xué)學(xué)報(bào)，2011，41（5）：32-36，45. LI Yi-bin，LI Bin，RONG Xue-wen，et al.Mechanical design and gait planning of a hydraulically actuated quadruped bionic robot ［J］.Journal of Shandong University，2011，41（5）：32-36，45. （in Chinese）

［4］ 王立鵬，王軍政，汪首坤，等.基于足端軌跡規(guī)劃算法的液壓四足機(jī)器人步態(tài)控制策略［J］.機(jī)械工程學(xué)報(bào)，2013，49（1）：39-44. WANG Li-peng，WANG Jun-zheng，WANG Shou-kun，et al. Strategy of foot trajectory generation for hydraulic quadruped robots gait planning［J］.Journal of Mechanical Engineering，2013，49（1）：39-44.（in Chinese）

［5］ Crouse M S，Nowak R D，Baraniuk R G.Wavelet-based statistical signal processing using hidden Markov models［J］.IEEE Transactions on Signal Processing，1998，46（4）：886-902.

［6］ Choi H，Baraniuk R.Multiscale image segmentation using waveletdomain hidden Markov models［J］.IEEE Transactions on Image Processing，2001，10（9）：1309-1321.

［7］ Li J，Gray R M，Olshen R A.Multiscale image classification by hierarchical modeling with two dimensional hidden Markov models ［J］.IEEE Transactions on Information Theory，2000，46（5）：1826-1841.

［8］ 周建軍，林春生，趙建揚(yáng).無(wú)人飛行器背景磁場(chǎng)學(xué)習(xí)方法研究［J］.兵工學(xué)報(bào)，2014，35（1）：76-82. ZHOU Jian-jun，LIN Chun-sheng，ZHAO Jian-yang.Research on learning flight for unmanned aircraft in background magnetic field ［J］.Acta Armamentarii，2014，35（1）：76-82.（in Chinese）

［9］ 伍飛云，周躍海，童峰，等.可適應(yīng)稀疏度變化的非均勻范數(shù)約束水聲信道估計(jì)算法［J］.兵工學(xué)報(bào)，2014，35（9）：1503-1509. WU Fei-yun，ZHOU Yue-hai，TONG Feng，et al.Non-uniform norm constraint estimation algorithm for underwater acoustic channels at the presence of varying sparsity［J］.Acta Armamentarii，2014，35（9）：1503-1509.（in Chinese）

［10］ 丁良宏.BigDog四足機(jī)器人關(guān)鍵技術(shù)分析［J］.機(jī)械工程學(xué)報(bào)，2015，51（7）：66-87. DING Liang-hong.Key technology analysis of BigDog quadruped robot［J］.Journal of Mechanical Engineering，2015，51（7）：66-87.（in Chinese）

［11］ 張?zhí)欤瑮畛筷?，朱穎.多傳感器信息融合在四足機(jī)器人避障中的應(yīng)用［J］.傳感器與微系統(tǒng)，2015（5）：150-153. ZHANG Tian，YANG Chen-xi，ZHU Ying.Application of multisensor information fusion in obstacle avoidance of quadruped robot ［J］.Transducer and Microsystem Technologies，2015（5）：150-153.（in Chinese）

［12］ Zhang T H，Wei Q，Ma H X.Position/force control for a single leg of a quadruped robot in an operation space［J］.International Journal of Advanced Robotic Systems，2013，10（137）：1-7.

［13］ Lei J T，Wang F，Yu H Y，et al.Energy efficiency analysis of quadruped robot with trot gait and combined cycloid foot trajectory［J］. Chinese Journal of Mechanical Engineering，2014，27（1）：138-145.

Ground Robot Multi-scale Road Perception Based on Semantic Tree MRF Model

DU Ming-fang1，2，WANG Jun-zheng1，LI Duo-yang1，HE Yu-dong1
（1.Key Laboratory of Intelligent Control and Decision of Complex System，Beijing Institute of Technology，Beijing 100081，China；2.College of Automation，Beijing Union University，Beijing 100101，China）

Road real-time perception is the key technology of autonomous ground mobile robot to realize autonomous navigation.But it is difficult to develop a road sensing algorithm because of the complexity and uncertainty of outdoor road environment.A multi-scale biomimetic road sensing algorithm in wavelet domain based on semantic tree Markov model is proposed.In time-space domain，the three-dimensional random field is used to express the road image sequence collected by robot.A road model named road best tree-Markov random field（RT-MRF）using the semantic tree structure Markov random field（MRF）is proposed.The genetic algorithm is used to optimize the supervised RT-MRF model for image segmentation of road sequences.The road recognition and autonomous navigation are realized through tracking segmentation boundary.An independently developed quadruped bionic robot is used as the research and experiment platform.The experimental results show that the proposed algorithm is a robust road image sequence segmentation method，which can be used under the poor detection conditions，such as shadow，cracks，holes，uneven and illumination change.And the real time of the algorithm is enough high to meetthe demand of outdoor mobile robot autonomous navigation.

control science and technology；quadruped robot；road detection；multi-scale biomimetic sensing；semantic tree Markov model；wavelet domain

TP391.41

A

1000-1093（2016）03-0512-06

10.3969/j.issn.1000-1093.2016.03.017

2015-03-24

國(guó)家自然科學(xué)基金項(xiàng)目（61103157）；北京市教育委員會(huì)科技計(jì)劃面上項(xiàng)目（SQKM201311417010）

杜明芳（1979—），女，副教授。E-mail：1314310@163.com