基于激光位移傳感器的障礙物檢測與模式識別

李海林， 吳開華， 王文杰, 王 朔, 孫學超, 陳 念

(杭州電子科技大學 生命信息與儀器工程學院，浙江 杭州 310018)

0 引 言

自動避障技術作為無人機安全飛行和智能飛行的關鍵技術之一，受到越來越多的關注。對威脅飛機飛行安全的障礙物有效準確地檢測與識別，是實現無人機自動避障的前提。黃豐、黎順泰等人于2015年提出了一種基于超聲波的無人機避障檢測方法[1]。但超聲波信號容易受風速、氣流、水霧等影響，并不適用于植保無人機室外作業環境下的障礙物檢測。此外，機器視覺技術[2～5]也是國內外常見的障礙物檢測手段之一，但自然光成像技術難以在夜晚使用，且圖像數據量比較大也給實時檢測帶來了較大的難度。激光技術用于障礙物檢測，目前多被應用于地面的移動機器人平臺[6～8]。激光信號不易受氣流等外界因素影響，能夠滿足植保無人機室外環境下對于障礙物檢測的要求，且激光位移傳感器能夠在夜間工作，可以適應植保無人機的夜間作業。

本文針對植保無人機的應用場景，以植保無人機作業環境下最常見障礙物中的樹木和電線桿為研究對象，以滿足植保無人機對于避障檢測模塊的指標要求(7000mm內感知障礙物的存在，距離值誤差不超過±250mm，角度誤差不超過±5.0°)為標準。提出了一種基于激光位移傳感器的障礙物檢測和模式識別方法，建立樹木和電線桿兩個類別的分類器，并通過實驗驗證了有效性。

1 檢測原理

激光位移傳感器發出激光脈沖，當激光脈沖碰到障礙物后，激光位移傳感器的接收器會接收到反饋的激光脈沖信號，如圖1(a)。通過發射與接收激光脈沖的時間差，可以計算出障礙物的距離值。激光位移傳感器連續不停的發射激光脈沖，由旋轉的光學機構將激光脈沖按一定角度間隔(角度分辨率ε，(°))發射至激光位移傳感器掃描角度內的各個方向而形成一個二維空間中的掃描線序列，如圖1(b)。

圖1 激光位移傳感器原理示意

當某條激光脈沖未碰到障礙物時，激光位移傳感器的接收器接收不到該條激光脈沖的反饋信號，該條激光脈沖所對應的距離值取0，如圖2中的a～e以及i～k。圖2中的f～h三條激光脈沖探測到樹木，所對應的距離值不為0。依此從數據序列中提取出與圖2中的樹木所對應的數據塊，經后續算法處理后可得到樹木的平均角度、平均距離及寬度。

圖2 激光位移傳感器的檢測原理示意

2 數據處理

2.1 數據塊提取

激光位移傳感器掃描一次得到一個數據序列如圖3。其中θ為激光位移傳感器的角度量程(ξ1…ξ2)，(°)；Xi為距離值，mm；N為每次探測的數據總個數(X0,X1,…，XN-1)。

圖3 激光位移傳感器數據序列示意

假定圖3的這N個數據中X0～Xn-1全部取0，Xn，Xm取非0值，Xm+1～XN-1全部取0，稱Xn～Xm之間m-n+1個距離值為一個數據塊，記為數據塊Xn～Xm。α,β為數據塊的起始角度和結束角度，即在傳感器的α～β方向存在一個障礙物，并且有式(1)、式(2)成立

N=θ/ε+1

(1)

β-α=(m-n)ε

(2)

式中n與m為數據塊Xn～Xm的下標。圖3中的數據塊Xn～Xm對應圖2中的樹木。

2.2 障礙物基本參數計算

以平均角度Ф(°)、平均距離S(mm)和寬度B(mm)作為障礙物的基本參數。

將數據塊Xn～Xm的中心所在的角度α+(β-α)/2作為該數據塊所對應障礙物的平均角度，即有

Φ=α+(β-α)/2

(3)

將Xn～Xm之間所有非0的Xi求一個算術平均值,作為這個數據塊所對應的障礙物的平均距離,即有

S=∑Xi/ψ

(4)

式中ψ為數據塊Xn～Xm中非0數據的個數，即有效數據個數。

利用圖4中角度、距離和寬度的三角關系，計算出數據塊所對應的障礙物的寬度

B=2Stan((m-n)ε/2π/180)

(5)

圖4 障礙物角度與距離及寬度之間的關系

3 模式識別

3.1 特征選擇

模式識別的依據是激光位移傳感器探測在不同類型障礙物上所產生數據塊的不同特征，根據特征的不同，可以判斷出與該數據塊所對應障礙物的類型[9]。對于圖3中的數據塊Xn～Xm來說，特征由Xn～Xm之間的這m-n+1個距離值的不同取值情況所決定。

最終選擇以下4個特征用于模式識別分類器的設計:

1)寬度特征B：數據塊所對應障礙物的寬度，計算方法如式(5)。

2)最大間隙特征δ：如果數據塊Xn～Xm內部存在一個或連續多個Xi取值為0，則稱該數據塊有一個數據間隙，此時數據塊離散，δi為數據間隙中取值為0的Xi的個數，特征δ為數據塊內部所有δi中的最大值，當數據塊內部所有的Xi都取非0值，稱數據塊是連續的，此時δ=δi=0，δ的計算方法如式(6)

(6)

3)跳變次數特征：數據塊Xn～Xm內部所有相鄰的非零的Xi之間，發生距離值取值相差過大的次數，即數據塊內部發生(Xi+1-Xi)>的次數，計算方法式(7)

(7)

4)方差特征S2：數據塊Xn～Xm中所有非零Xi的方差，計算方法如式(8)

(8)

式中Xi為非零距離值。

3.2 分類器建立和訓練

對樹木和柱狀物兩種類別建立和訓練分類器，步驟如下：

1)置步數k=1,令增量C為常量，且C>0,分別賦予初始增廣權向量w(1)各分量較小的任意值。

2)輸入訓練模式xk，計算判別函數wT(k)xk。

3)調整增廣權向量，如果wT(k)xk<0,則w(k+1)=w(k)+Cxk;如果wT(k)xk>0,則w(k+1)=w(k)。

4)如果k

通過對訓練集200組數據的訓練得到權向量w={1/300,1/6,1/3,12,-3.75}，則有與其對應的判別函數成立

g(x)=1/300B+1/6δ+1/3+12S2-3.75

(9)

由此可見，樹木和柱狀物體這兩個類別是線性可分的。對于任意一組來自樹木或者電線桿的探測數據，將該組數據的各項特征值代入判別函數g(x)中，如果g(x)>0，則認為這組數據來自于樹木，若g(x)<0，則認為該組數據來自于電線桿。g(x)對于測試集(400組來自樹木，400組來自電線桿)的模式識別情況如表1。統計結果總量800組數據，準確識別794組，準確率99.25%。如表2。

表1 測試集模式識別記錄表

表2 測試集識別準確率統計表

4 實驗驗證

4.1 實驗準備

避障主控模塊采用研揚PICO—CV01工控機。傳感器為SICK TIM系列激光位移傳感器,通過安裝支架與飛機平臺連接,如圖5。傳感器與工控機采用12 V供電，工控機、供電電池、電源線等置于控制盒中,工控機和激光位移傳感器之間基于TCP/IC協議通信。

圖5 植保無人機結構設計示意

選取空曠實驗場地，如圖6。飛機高度設定為2 500 mm。

圖6 實驗場景

4.2 實驗過程

圖6中分別在距離樹木3 000，5 000，7 000，9 500 mm 處以及60°，90°和120°同的角度，對樹木進行方位、距離檢測和模式識別。將探測值與設定值逐一對比，并計算探測值與設定值之間的誤差，同時計算每組數據的各項數據特征以及判別函數g(x)取值，實驗數據如表3。

表3 實驗數據

表3為經重復進行50次得到600組障礙物數據，g(x)對于這600組樹木數據的模式準確識別587組，準確率達97.83 %。

4.3 實驗分析

因樹木不規則的外形,無法確切給出確切的平均角度和平均距離值。實驗前以樹干為基準，將樹干與機載傳感器之間的距離作為表3中的設定距離，樹干與機載傳感器之間的夾角作為表3中的設定角度。從表3中可以看出距離值誤差，隨著樹木與激光位移傳感器之間設定距離值的增大而增大。這是因為傳感器的角度分辨ε是固定的，當樹木與傳感器之間的距離不斷增大時，得到的數據規模(即數據塊的數據總個數m-n+1)會逐漸減小，有效數據個數ψ隨之減小，當ψ較小時，通常會造成S與設定距離值之間誤差的增大。但總體上當傳感器與樹木之間的距離小于等于7 000 mm時，誤差穩定在±200 mm范圍內，滿足本文距離值誤差不超過±250 mm的要求。

樹木有一定的體積，為了方便處理采用平均角度來表示其方位。根據式(3)計算得到的障礙物的平均角度Ф是障礙物所在真實方位的一個近似描述，Ф與設定角度之間的誤差在±4.0°范圍內，滿足本文角度誤差±5.0°的要求。外形不規則的樹木(見圖6)作為探測對象，從相同距離的不同角度看，樹木的寬度不同。導致了當激光位移傳感器從某一方位探測該樹木時，會得到一個數據規模相對較小的數據塊。當數據量較少時，樹木寬度與電線桿的寬度比較接近，樹木的其他特征(δ，，S2)也不明顯，此時會有一定的幾率將樹木誤判為電線桿。實驗中樹木的枝葉較少，出現了將其誤判為電線桿的情況，但這樣的樹木外形上與電線桿比較接近，將其誤判為電線桿，最終并不影響植保無人機對于這類樹木的成功躲避。

5 結束語

本文基于激光位移傳感器，為植保無人機提出了一種用于自動避障的檢測方法。研究了障礙物的方位檢測和距離檢測，完成了模式識別的設計，并對檢測和識別效果進行了實驗驗證。實驗結果表明：該檢測方法能夠較準確地探測出障礙物所在距離和方位，距離和角度的檢測誤差滿足植保無人機避障對于避障檢測的要求，并且在驗證實驗中對于樹木模式識別的準確率達到了97 %。本文方法為植保無人機后續更高效、更精準避障功能的實現提供了基礎。

[1] 黃 豐,黎順泰,翁南華.微輕型無人機的避障飛行技術研究[J].中國電業:技術版,2015(11):229-233.

[2] 王 宇,劉泓濱,李華文.機器視覺的災后救援機器人越障系統設計[J].傳感器與微系統,2016,35(4):79-81.

[3] 張博翰,蔡志浩,王英勛.電動VTOL飛行器雙目立體視覺導航方法[J].北京航空航天大學學報,2011,37(7):882-887.

[4] Huh K,Park J,Hwang J,et al.A stereo vision-based obstacle detection system in vehicles[J].Optics and Lasers in Engineering,2008,46(2): 168-178.

[5] Toulminet G,Bertozzi M,Mousset S,et al.Vehicle detection by means of stereo vision-based obstacles features extraction and monocular pattern analysis[J].IEEE Transactions on Image Processing,2006,15(8): 2364-2375.

[6] 許增樸,許敬華,王永強,等.激光傳感器掃描邊緣系統定位方法研究[J].傳感器與微系統,2016,35(2):49-51.

[7] 李云翀,何克忠.基于激光雷達的室外移動機器人避障與導航新方法[J].機器人,2006,28(3):275-278.

[8] 田國會,王家超,段 朋.病房巡視機器人復雜環境下的避障技術研究[J].華中科技大學學報:自然科學版,2013,41(s1):312-315.

[9] 邊肇祺.模式識別 [M].2版.北京：清華大學出版社,2000:83-92.