基于計算機視覺的機場智能電動代步車原型系統

鄧迎忠 張海 夏園盟 張斌 曹文博 李金鍵

中國民航大學機器人研究所，中國·天津 300300

1 引言

近些年來，隨著機器人的研究應用領域的不斷深入，載人機器人成為當前服務型機器人的研究熱點。機器人運動控制依賴當前現有機器人系統的數學模型以及相應的控制理論，輪式機器人廣泛應用于人們的生活之中和室內公眾環境中，情況復雜，要求機器人盡可能保證運行路徑可靠、安全，并保證局部軌跡的可通行性。課題重點研究機器人擾動情況下的穩定控制方法，對研究、設計與實現輪式機器人的全局路徑規劃及局部軌跡規劃具有重要意義。

一方面，人群中自主通行方法研究是為了解決航站樓載運機器人在人機共存的公共環境下能夠安全順暢地將旅客送達目的地的問題，通行過程中遇到的問題主要包括人群中的行人檢測跟蹤、行人運動狀態預估、行人建模、可通行區域檢測、機器人控制器的設計等問題；另一方面，為了響應民航局提出的提高民航的運行效率、服務品質，節省旅客在航站樓的行走時間和減輕旅客的負重等號召。

對航站樓服務機器人適應性導航系統進行了設計。針對航站樓環境廣闊、場景復雜、旅客流動性大等情況，采用雙輪差速與多傳感器融合設計機器人硬件系統；針對機器人運行中需與旅客進行交互，采用ROS 系統搭建可以實現運載旅客與行李、符合航站樓安全運行的機器人軟件系統。

通過對激光雷達識別的目標圖像進行處理并進行分類，提取重要的特征在海量數據中排除多余的信息；通過A*算法對路徑進行規劃；通過自抗擾控制（ADRC）算法對雙輪差速式移動機器人進行運動控制。

項目設計是一種應用于機場航站樓的智能電動代步車原型系統。實現智能電動代步車的旅客自動識別與行程判斷、航班狀態推測和旅客運送等功能，解決自主導航與運動控制問題。本項目的主要研究內容為面部識別和航班信息確認、旅客的運送與自主導航、代步車的運行控制。

通過對人群中的行人跟蹤檢測、行人運動狀態預估、行人動力學建模、可通行區域檢測、拓展可通行路徑和駕駛動作生成等問題的研究，解決人群中的自主路徑拓展的問題。人群中的自主路徑拓展不同于局部路徑規劃所給定的路徑，而且局部規劃的路徑在相鄰時間段內是不變的，而對于人群中的自主路徑拓展所開辟的路徑是實時更新的，它更類似于給機器人指定運動的大致方向，機器人在已經規劃好的路徑方向上，沿著路徑一直走下去，即便中途遇到行人阻擋，仍然沿著給定的方向一直探索、前進，以此來達到在人群中通行，最終行至目的地的目的。

旅客面部識別和航班信息確認，是基于面部識別技術對乘客的面部特征進行身份認證，通過攝像進行人臉采集，當用戶在攝像頭范圍內時，設備會自動搜索并拍攝用戶的人臉圖像，確定圖像之后，對人臉中的眼、鼻器官進行特征提取，特征數據提取完畢后，通過與數據庫中儲存的數據特征進行搜索匹配，進行身份確認。

2 基于激光雷達數據的行人檢測

激光雷達的基本原理就是利用傳感器發射的激光束反射的時間差來實現對周圍物體的精準測距，但激光打在某些反射率較低的物體時，激光束無法返回傳感器，就造成該掃描線在那一時刻變成無效值，從整體點云看就是有該物體有部分點云缺失，比較典型的情況就是激光打在玻璃上或是打在黑色車輛上。這種情況會造成一個物體在聚類時會被分成多個小物體，因此為了改善這種情況需要對這些缺失的點進行補償。

激光雷達數據識別行人需要解決的問題是在復雜的背景中找到行人，并用矩形或立方體框標記他們的位置。因此，行人檢測屬于目標檢測的范疇，檢測行人的任務一直是有趣而艱巨的。計算機視覺被廣泛用于各種項目中，這在自動駕駛領域中尤為重要。自動駕駛技術能夠通過傳感器感應周圍的環境并確定重要的環境目標，訪問重要信息，如行人和車輛的位置、深度、速度和移動距離，并幫助中央控制系統做出明智的決策。深度代表從目標到傳感器的距離，也是訪問信息的基礎，如三維位置和速度。自動駕駛中的行人檢測研究可以幫助腳本系統做出更明智的決策，避免交通事故和死亡，因此這一點的意義顯而易見。

激光雷達的廣泛使用，可以精確地獲得準確的室外環境的深度信息以及從環境到傳感器的距離，對天氣和光照條件的影響較小。激光雷達獲取數據的形式為點云數據，它的特征是無序性、稀疏性。

3 機器人的路徑規劃

3.1 路徑規劃

移動機器人依據某個或某些性能指標（如工作代價最小、行走路線最短、行走時間最短等），在運動空間中找到一條從起始狀態到目標狀態可以避開障礙物的最優或者接近最優的路徑。路徑規劃分為全局路徑規劃和局部路徑規劃。

全局路徑規劃：是宏觀的規劃，主要為機器人在運動中提供核心運動點，保證機器人安全到達目的地，但全局路徑規劃生成的可能不是一條軌跡，而是一些離散的點。

局部路徑規劃：為了使機器人的路線更加合理，還需要進行局部路徑規劃，對機器人的速度、加速度等進行約束。

論文局部規劃采用DWA 算法，全局規劃采用A*算法。

3.2 對路徑規劃的需求

首先要做的就是對外部環境的實時獲取及車輛的動態路徑規劃。傳統機器人路徑規劃大致可分三種：

①靜態結構化環境下的路徑規劃。

②動態已知環境下的路徑規劃。

③動態不確定環境下的路徑規劃。

將其與自動駕駛對應起來，靜態的規劃就是根據地理信息以及交通規則在已知的全局地圖上進行道路循跡，但這個技術對于目前自動駕駛實現來說并沒有什么實際應用價值。

自動駕駛需要的是對預先已選擇好的最優路徑，甚至在未知的環境下，基于實時不確定的場景，進行動態調整的路徑規劃技術，而地圖的需求、外部信息采集等就還是要依賴攝像頭、激光雷達、傳感器等硬件的支持。現有傳統機器人路徑規劃技術已經發展得較為成熟，將該技術如何更為符合場景地應用到自動駕駛技術上還有很長的探索階段，但現已存在的包括A*算法在內的一系列最優路徑算法將會在人工智能、機器人技術、自動駕駛等多學科的融合下得到更大的發展。

3.3 DWA 算法

3.3.1 DWA 算法的原理

機器人的運動狀態包括其不停變換的位置及運動方向，實際上是由其當前的運動速度及角速度（轉向速度）決定的。那么，動態窗口法核心的動態窗口，其實就是根據機器人當前狀態（即當前速度、航向角）及機器人運動模型（機器人所能達到的最大速度、最大角速度、加速度、旋轉加速度）計算出當前機器人的最大最小速度及角速度，以此作為一個限定范圍，這個范圍就是窗口。在此范圍中計算每個速度及角速度下所能到達到的位置，再對每個位置進行測評（測評內容包括據障礙物的距離、朝向終點的角度等），由此選出當前的最佳位置，然后再由這個最佳位置繼續重復以上過程建立新的窗口，這樣窗口就動起來了，即所謂的動態窗口。

3.3.2 DWA 算法的實現

在當前的狀態下對本狀態周圍進行采樣，獲得下一時刻的合理的動作變化，這個動作僅包括角速度和線速度。在這個方法中，我們把軌跡認為是一系列不同動作組合而產生的在窗口內生成的軌跡。設定一個評價標準，選出最合理的軌跡。

首先將軌跡當成軌跡曲線，然后選取合理的速度組合生成動態窗口。選取速度有三個限制：

第一：按這個速度行駛，最大減速度停車都不能撞到最近的障礙物。

第二：加速度限制。當前狀態下，加減速變化都是有上下限的，因此下一時刻的狀態也是有上下限的。

第三：任何情況下都要遵守車輛本身的動力學限制。

動態窗口就是這三個限制的交集。

3.4 A＊算法

A*算法的原理：A*算法是將地圖虛化，并將其劃分為一個個小方塊，這樣可以用二維數組來表示地圖。劃分完成后在周圍不停的找點選出一個新的點作為起點后再循環的找點。

在計算機科學中，A*算法作為Dijkstra 算法的擴展，因其高效性而被廣泛應用于尋路和圖的遍歷。在理解算法前，我們需要知道幾個概念：

①搜索區域（The Search Area）：圖中的搜索區域被劃分為簡單的二維數組，數組每個元素對應一個小方格，當然我們也可以將區域等分成是五角星、矩形等，通常將一個單位的中心點稱之為搜索區域節點（Node），而非方格（Squares）。

②開放列表(Open List)：我們將路徑規劃過程中待檢測的節點存放于Open List 中，而已檢測過的格子則存放于Close List 中。

③父節點（Parent）：在路徑規劃中用于回溯的節點，開發時可考慮為雙向鏈表結構中的父結點指針。

④路徑排序（Path Sorting）：具體往哪個節點移動由以下公式確定：

F(n)=G(n)+H(n)

式中，G 代表的是從初始位置A 沿著已生成的路徑到指定待檢測格子的移動開銷；H 代表的是待測格子到目標節點B 的估計移動開銷。

⑤啟發函數（Heuristics Function）：H 為啟發函數，也被認為是一種試探，由于在找到唯一路徑前，我們不確定在前面會出現什么障礙物，因此用了一種計算H 的算法，具體根據實際場景決定。在我們簡化的模型中，H 采用的是傳統的曼哈頓距離（Manhattan Distance），也就是橫縱向走的距離之和。

4 機器人的運動控制

4.1 雙輪差速式移動機器人模型

移動式兩輪差動驅動機器人結構簡單、控制方便，是最常用的移動機器人，其運動模型是移動機器人研究的重要內容。當前，對兩輪差速傳動移動機器人的研究經常被忽視，它包含相關的動態因素，包括移動機器人下面的驅動電機的動態性能。但是，在實際的機器人系統中，當機器人負載發生變化時，驅動系統負載也會發生變化，這會影響驅動系統的動態響應過程并導致機器人運動。具有差動驅動的兩輪移動機器人是多輸入多輸出控制系統，其運動學模型具有典型的非完整約束，每個驅動電路通常使用內部非線性連接的雙閉環控制系統。它是具有多個非線性結的非線性系統，需要使用非線性建模技術來構建模型。因此，我們創建了一個考慮了移動機器人動態行為的兩輪差速變速器移動機器人的運動模型，其中，控制具有非常重要的理論和實踐意義。

4.2 自抗擾控制器的設計

自動控制發展經歷了經典控制理論、現代控制理論到智能控制等幾個階段。伴隨著自動控制理論的不斷發展，控制算法越來越復雜，并且越來越多地體現出對控制系統模型依賴的特性。但是從總體上來看，方法的研究基本上都是基于理論和數值研究。單純的現代控制方法，對控制系統的分析和設計主要是通過對系統的狀態變量的描述來進行的，都是基于系統精確的數學模型而得出相應的控制系統，因此不可避免地存在魯棒性較差的問題。

而經典的PID 控制不需要控制對象的機理或動態的數學模型，只需目標設定值與被控輸出量之間的誤差，通過適當對這個誤差進行加工產生的控制力來消除誤差。因而在當前的過程控制及運動控制兩大領域中，使用最廣泛的依舊是傳統的PID 控制。但是隨著一些高品質控制設備的需求，傳統的PID 控制由于形式所限也遇到了很大的瓶頸，如何跳出現代控制論的模型框架，并且有效地克服PID 控制的缺點，發揚它的精髓，一直是控制理論研究工作者的一個努力方向。

在這樣思想的指導下，歷經了近30年的發展，一種最大程度保持PID 控制形式，同時借助于現代控制理論中觀測器思想而不依賴于被控對象模型的自抗擾控制(Active Disturbance Rejection Control, ADRC)思想，成為面向工程從事現代理論思想應用的典范。

①安排“過渡過程”。直接根據給定指令計算誤差可能會導致控制效果變差，如有些指令里包含了我們不希望的高頻信號，這類信號的例子有階躍指令、方波指令。為了將高頻信號解決掉，ADRC 提出了安排“過渡過程”的方法，類似于把給定指令進行低通濾波，得到一個更容易實現的指令，從而在犧牲一點快速性的同時大大降低超調。

②由誤差提取誤差微分的方法“跟蹤微分器”的設計。

③確定合適的“非線性組合”。傳統的線性反饋方式（就是誤差直接乘上一個增益）在收斂速度以及抗擾動能力上存在不足，ADRC 的方案是用非線性函數代替傳統的增益，用非線性反饋代替線性反饋。

④擴張狀態觀測器的設計。積分的主要作用之一就是消除擾動（可以認為它是簡單的擾動觀測器），但是積分起作用比較慢，而且還會引起超調。所以，ADRC 直接把積分舍棄了，使用擴張狀態觀測器來觀測總擾動，將系統補償成純積分鏈的形式。

5 實驗環境與結果分析

5.1 實驗環境

論文的仿真環境為開源機器人仿真軟件Vrep，Ubuntu16.04 ROS kinetic，使用的研華工控機未搭載NVIDIA GPU 設備，采用Intel 推出的開放式視覺推理和神經網絡優化工具套件Open VINO。

仿真實驗和實際場景實驗均使用Gmapping 激光SLAM方法構建的環境柵格地圖，實際場景通過載運機器人單線激光雷達、Intel D435 深度相機進行行人檢測與跟蹤。其中深度相機行人檢測采用現有的基于SSD 目標檢測算法，部署環境為Intel OpenVino 2019R3，單線激光雷達行人檢測采用Unet算法，上述行人檢測結果通過坐標系變換至世界坐標系，并通過K 近鄰算法基于世界坐標系位置進行融合。

5.2 結果分析

在人與機器都有的復雜環境中，安裝在運輸機器人上的單線激光雷達的探測高度為行人膝蓋的高度，因此當前提供的有關行人特征的信息受到限制，并且行人的檢測和位置也受到限制。機器人操作系統（ROS）提供的leg_detector 行人腿部檢測程序包，使用機器學習技術來檢測和匹配行人小腿信息以及行走時的行人小腿特征。這得益于用于深度學習的卷積神經網絡的發展，使用拉格朗日插值算法對單獨的單線激光雷達數據點進行了插值，從而獲得了具有結構化屬性的二值圖像。根據行人小腿的特征，使用SSD 神經網絡進行特征處理提取，最終實現行人的定位。

如圖1是自抗擾運動控制仿真結果；圖2是雙輪差速模型自抗擾控制仿真結果圖；圖3是智能代步車；圖4是程序流程圖。

圖1 雙輪差速機器人自抗擾控制simulink 仿真圖

圖2 雙輪差速模型自抗擾控制仿真結果圖

圖3 智能代步車正面圖

圖4 程序流程圖