基于三維點云的導盲機器人的研究應用

摘 要：三維點云是一種由大量三維空間點構成的數據集，其與機器人的結合是當前關注的熱點。文中提出在導盲機器人的基礎上加入機器視覺，由3D相機拍攝場景點云，進行點云濾波、點云配準，在點云配準過程中引入改進的RANSAC算法，對室內常見的物品進行配準。結果表明：改進的RANSAC算法的使用對點云匹配的速度有所提升，能夠為導盲機器人軌跡規劃以及判斷動作提供位置信息。

關鍵詞：機器視覺；三維點云；導盲機器人；RANSAC；3D相機；點云配準

中圖分類號：TP391.4 文獻標識碼：A 文章編號：2095-1302（2024）10-0-03

0 引 言

導盲機器人是一種幫助視力障礙者在室內或室外環境中自主導航的機器人。導盲機器人的出現解決了視力障礙者出行過程中存在的諸多困難和挑戰，提高了他們的生活質量和獨立性。傳統的導盲方式大多依靠導盲犬或盲杖[1]，但這些方法存在一定的局限性，如導盲犬需要訓練，且成本較高，盲杖只能探測到地面上的障礙物，無法有效應對復雜的環境。而導盲機器人則可利用現代計算機視覺和機器學習技術，通過傳感器和相機等設備感知環境，進行自主導航，避開障礙物，大幅提高了導盲的準確性和效率[2-4]。近年來，隨著人工智能和機器學習技術的不斷發展和成熟，導盲機器人在研究和應用方面也取得了一定進展。例如，一些研究團隊開發了基于激光雷達、深度學習和路徑規劃算法的導盲機器人原型，能夠在室內和室外環境中進行自主導航和避障[5-7]；另一些研究人員則探索了通過聲音和振動等方式向盲人傳遞導航信息的方法，提高了導盲機器人的人機交互性和用戶體驗[8]。

本文通過3D相機提取室內障礙物，如椅子、圓凳、風扇和掃帚等，通過一系列點云預處理，提取出障礙點云，經過配準得出障礙物與機器人的位置旋轉平移矩陣，發送給導盲機器人進行軌跡規劃。

1 總體框架

由3D相機對室內點云進行采集，預處理所采集的點云，提取需要配準的部分，通過配準算法，確保誤差精度在一定范圍內；通過位姿轉化，使機器人做出相應決策。流程框架如圖1所示。

2 數據采集及點云預處理

2.1 數據采集

將室內出現的常見物品作為障礙物，通過3D相機實時采集椅子、圓凳、風扇、掃帚等。采集的點云如圖2所示。

原始點云受環境光照的影響，4個點云場景空間有很多噪聲點，在配準時會受噪聲點干擾，從而影響導盲機器人避障的準確性。

2.2 點云預處理

系統需要的是障礙物的點云數據，但現場采集的點云數據比較復雜，摻雜了大量背景點云，考慮通過直通濾波去除大量背景點云。主要原理：在指定的某一個維度以及在該維度范圍內，通過程序遍歷所有的點，在遍歷的同時確認該點在指定維度上是否處于該范圍，去除不屬于該范圍的點，直到所有點遍歷完畢。

統計濾波通過對點云數據進行統計分析來去除噪聲和異常值，以提高點云數據的質量和可靠性。

體素濾波是一種基于體素格的點云濾波方法，其將點云數據空間劃分為規則的三維體素（立方體體元），對每個體素內的點云進行處理，以實現平滑和降采樣的效果。最終提取出的點云如圖3所示。

通過以上處理流程得到的點云數量見表1所列。

預處理后提取出需要的點云數據。其中，椅子場景從原始的點云數量263 587減少到10 853；圓凳場景提取的目標點云數量為8 581；風扇場景由原來的點云數量190 708預處理至9 124；掃帚場景點云數量減少了約96.2%，為提高后續的配準算法效率和精度打下了堅實基礎。

3 點云的配準

RANSAC（Random Sample Consensus）是一種用于配準（Registration）和擬合模型的迭代方法[9]，它的主要目標是從一組數據點中估計出最適合數據的數學模型，即找到一組數據中的局內點（Inliers），這些點與估計的模型一致；排除局外點（Outliers），這些點與模型不一致。通過RANSAC粗配準方法找到模板點云與目標點云相近的位置，再用點到面的ICP（Iterative Closest Point）算法進行精配準[10]，使點云位置更加精確，旋轉平移矩陣更加準確，從而為導盲機器人提供準確的位置信息，及時進行道路避障及軌跡規劃。配準效果如圖4、圖5所示。

經過粗配準和精配準，可得出模板點云和目標點云的旋轉平移矩陣。配準的時間和位置的均方根誤差見表2所列。

識別出障礙物后，對障礙物進行位置配準，得出障礙物的位置信息，由導盲機器人進行軌跡規劃。表2中的耗時最大約為1 s，符合實時要求，且配準誤差均在3 mm內，屬于可控誤差范圍。

4 結 語

本文主要在導盲機器人視覺外設上加入三維點云配準功能，對室內障礙物點云進行預處理、配準識別，為導盲機器人后續避障、目標尋找以及其他功能的開發奠定了基礎，對機器人規劃動作執行提供了位置和位姿信息。實驗證明，該算法能夠滿足導盲機器人的實時性和準確性要求。

參考文獻

[1]宋玉娥，劉業輝，張小燕，等.基于STM32的智能導盲杖的設計[J].電子器件，2020，43（5）：1180-1184.

[2]諶海云，袁杰敏.基于RGB-D深度相機的智能導盲系統[J].傳感器與微系統，2021，40（1）：85-87.

[3]王政博，唐勇，陳國棟，等.基于機器視覺的智能導盲機器人系統設計[J].河北水利電力學院學報，2021，31（4）：17-22.

[4]劉志，陳超.基于激光雷達和Kinect信息融合的導盲機器人SLAM研究[J].江蘇科技大學學報（自然科學版），2018，32（2）：218-223.

[5]周凱凌，顏禧烽，張建民，等.室內導盲機器人的設計與實現[J].機電工程技術，2021，50（8）：36-39.

[6]朱文霖，劉華平，王博文，等.基于視-觸跨模態感知的智能導盲系統[J].智能系統學報，2020，15（1）：33-40.

[7]魏彤，李緒.動態環境下基于動態區域剔除的雙目視覺SLAM算法[J].機器人，2020，42（3）：336-345.

[8]張曉晨，姚小玉，胡飛.具身認知視角下連續觸感導盲導向產品設計[J].包裝工程，2021，42（16）：113-119.

[9] BAHRAINI M S，RAD A B，BOZORG M. SLAM in dynamic environments：a deep learning approach for moving object tracking using ML-RANSAC algorithm [J]. Sensors，2019，19（17）：3699.

[10] AMAIS R S，DONATI G L，ARRUDA M A Z. ICP-MS and trace element analysis as tools for better understanding medical conditions [J]. Trac-trends in analytical chemistry，2020，133：116094.