基于ROS與深度學習的智能避障移動機器人的設計

葉振康，陳耀鋒，黃培燦，鐘勇填

（東莞理工學院 計算機科學與技術學院，廣東 東莞 523808）

0 引 言

移動機器人已逐漸滲透到各個領域，隨著移動機器人的研究不斷深入，如何讓機器人避障也是一大熱點和難點[1]。本文介紹了如何使用深度學習和遷移學習的方法，只通過少量標簽樣本數據訓練的模型能夠獲得較好的圖像分類能力，實現障礙識別。利用遷移學習方法可以使用已有網絡結構對不同領域進行處理，借助少量訓練集快速訓練出可用模型[2]。基于ROS機器人操作系統進行避障功能的設計與實現，有利于提高軟件的通用性，便于與其他功能結合，高效構建完整的機器人系統。

1 系統架構

通過收集圖片并將圖片按照標簽BLOCK和FREE進行分類，使用Python的PyTorch深度學習張量庫訓練圖片分類器。為了在使用較少訓練集的條件下達到較好效果，使用預處理模型AlexNet將原先有大量標簽的最后一層替換成僅有BLOCK和FREE的特定特征[3]，最終得到基于卷積神經網絡的圖像分類器。系統架構如圖1所示。

圖1 系統架構

攝像頭采集的圖像作為神經網絡的輸入，根據神經網絡的輸出結果計算移動機器人的目標線速度和角速度，并通過USB線發送給底盤控制器，控制機器人執行避障動作。

2 硬件設計

硬件主要由3大部分組成，包括TurtleBot2底盤、NVIDIA Jetson Nano主控制器和RaspberryPi V2.1攝像頭。Jetson Nano搭載了四核Coretx-A57處理器、128核Maxwell GPU及4 GB LPDRR4內存，具有AI計算能力，可以很好地支撐TensorFlow和PyTorch等高級神經網絡的應用。

在環境感知方面，使用攝像頭實現基于機器視覺的避障功能，相比超聲波、紅外線傳感器的避障方案有較大優勢：超聲波傳感器雖然檢測范圍廣、精度高，但存在近距離檢測盲區，且對檢測的物體角度要求較高，可能會誤收其他機器發出的噪音信號，同時多個超聲波傳感器收發期間可能會出現交叉干擾等現象[4]。而紅外線傳感器的強光干擾能力差，系統發出的紅外線光易被太陽光主要能量波段下的光波影響，因此實際測量誤差較大[5]。在數據獲取方面，相對于超聲波和紅外線，機器視覺技術主動接收光源信息，因此獲取的信息量更大[6]。而選用的攝像頭又具有夜間使用功能，在使用范圍上更有優勢。

3 軟件設計

ROS是一個優秀的機器人分布式框架，它為開發者提供了硬件抽象、底層設備控制以及基礎功能。ROS系統軟件的功能模塊以節點為單位，可在不同的主機上獨立運行。各節點封裝成功能包，供開發者調用；軟件可復用，易于擴展，減少了“重復造輪子”的多余工作[7]，降低了移動機器人的開發成本，提高了開發效率。同時，ROS支持分布式計算，例如可將攝像頭采集的數據通過話題通信方式傳送回運算能力更強的計算機進行處理，以提高運算效率，降低移動機器人的功耗，為開發提供廣闊的可能性[8-9]。

ROS基于話題（Topic）的異步數據流通信常用于不斷更新的、含有較少邏輯處理的數據通信。各功能模塊以節點為單位運行，通過話題進行消息傳遞，消息具有嚴謹的數據結構，允許開發者自定義消息內容和數據類型[10]。

本系統主要由collision_avoidance、mobile_base_nodelet_managet、mobile_base和diagnostic_aggregator節點組成。collision_avoidance節點負責獲取實時圖像、調用神經網絡處理圖像和發送運動控制指令信息給mobile_base_nodelet_managet節點。mobile_base_nodelet_managet節點負責解決ROS數據交互存在的延時和堵塞問題，可實現多路數據交互，把信息發送到mobile_base節點。mobile_base節點是控制機器人運動的關鍵，diagnostic_aggregator節點是診斷節點。關鍵節點如圖2所示。

圖2 關鍵節點

collision_avoidance節點和mobile_base_nodelet_managet節點間使用cmd_vel_mux話題通信，消息內容是移動機器人的目標線速度和角速度。collision_avoidance節點發布消息，mobile_base_nodelet_managet節點讀取消息，并根據優先級分配電機運行權限，保證多路控制時系統的穩定性。優先級和超時時間可通過修改YAML文件相關參數設置。

cmd_vel_mux話題采用Twist類型的消息格式，它是用于控制電機的向量結構體，由線速度和角速度組成，可利用笛卡爾直角坐標系實現精確表達，采用Twist類型消息格式，其數據類型均為float 64型。collision_avoidance節點將移動機器人的目標線速度和角速度封裝為Twist類型消息，發布到cmd_vel_mux話題中。mobile_base_nodelet_managet節點從話題隊列中取出電機控制消息并按優先級依次執行。圖3所示為對應的程序流程。

圖3 程序流程

4 系統測試

測試基于TurtleBot2移動機器人平臺進行。該平臺搭載了NVIDIA Jetson Nano主控制器和RaspberryPi V2.1攝像頭等器件。在機器人前方放置障礙物，記錄算法的輸出結果和實際避障效果。測試場景如圖4所示。

圖4 測試場景

神經網絡會返回1個表示移動機器人是否受阻的概率值。當返回的概率值大于預設概率值時，表示移動機器人受阻，移動機器人將左轉彎直到避開障礙物，否則繼續前進。預設概率值將對避障性能產生直接影響。本測試設定角速度為1 rad/s，線速度為0.2 m/s，通過改變預設概率值研究在特定角速度和線速度下預設概率值對移動機器人避障性能的影響，測試結果見表1所列。

表1 不同概率預設值對避障距離的影響

在一定范圍內，隨著預設概率值遞增，移動機器人沿著墻壁走直線和觸發避障的距離都隨之變小。設定不同的預設概率值，移動機器人沿墻壁直線運動所需的最小邊距不同，觸發避障的距離也不同。根據具體應用場景和應用需求對預設概率值做適當調整即可滿足不同的用戶需求。

過低的預設概率值可能使移動機器人在離障礙物較遠時開始轉向；而過高的預設概率值會使移動機器人在過障礙物時因物體只占識別圖像的某一部分，達不到預設概率值而認為前方無障礙并發生碰撞。此外，過高的預設概率值會使移動機器人在觸發避障的臨界點抖動加劇。因此根據移動機器人的外形設定合適的預設概率值尤為重要。通過多次測試，測得最適合移動機器人的預設概率值范圍為0.4～0.5，避障成功率約為93%，避障效果較好。

5 結 語

為實現視覺避障功能，文中設計了一種基于ROS和深度學習的智能避障移動機器人。本系統使用深度學習訓練得到基于卷積神經網絡的圖像分類器，使用遷移學習技術縮短分類器的訓練時間，基于ROS操作系統進行避障功能的設計與實現，并快速構建擴展性強、性能穩定的機器人系統。系統測試結果表明，本系統具有較好的避障能力，對不同環境和障礙物均有良好的適應性。