英语原文共 8 页，剩余内容已隐藏，支付完成后下载完整资料
摘要
鸭子镇是一个开放、廉价、灵活的自主教育和研究平台。该平台由小型自主车辆（“鸭子机器人”）和城市（“鸭子镇”）组成，这些车辆由现成部件建造，配有道路、标志、红绿灯、障碍物和需要运输的市民（鸭子）。鸭子镇平台以低成本提供了广泛的功能。鸭子机器人只使用一个单目相机感知世界，并使用树莓派2执行船上的所有处理，但是能够：在避开障碍物的情况下跟随车道，行人（鸭子）和其他鸭子机器人，在全球地图内定位，导航城市，并与其他鸭子机器人协调以避免碰撞。鸭子镇是一个有用的工具，因为教育者和研究人员不必开发所有必要的支持基础设施和功能，就可以节省资金和时间。所有的资料都是开源的，希望社区里的其他人也能采用这个教育和研究平台。
1.引言
自动驾驶汽车正准备成为最普遍和最具影响力的自主应用之一。然而，在它们广泛部署之前，仍然存在困难的挑战，其中许多挑战涉及整个系统，而不是孤立的单个组件。实例包括硬件组件和算法的协同设计、感知和控制之间的耦合交互、将有限计算资源优化分配给并发进程以及安全的多代理行为。
现代自主课程应培养学生的个体成分和系统层次的交互作用。这带来了几个挑战。首先，建造一辆全尺寸的汽车，更不用说车队了，是非常昂贵的，而且还带来了重大的后勤和安全问题。第二，开发所有组件和基础设施所需的时间很长，其中大部分时间都花在与所需主题没有直接关系的任务上。
为了解决这些问题，我们提出了鸭子镇（图1），一个用于自主教育和研究的开源平台。它包括被称为“鸭子机器人”的自主车辆，最小的配置只使用一个树莓派2进行所有计算，而使用一个单目摄像机进行传感鸭子机器人能够完成相当复杂的单机器人和多机器人行为。鸭子机器人生活在“鸭子镇”中，由模块化瓷砖组装而成的彩色微型环境。鸭子镇和鸭子机器人易于复制，价格低廉，每辆车大约150美元，环境成本为每平方米2美元。
图1
鸭子镇经过精心设计，允许感知、推理和控制任务难度的滑动范围，使该平台在从本科教育到研究级问题的广泛应用中可用。例如，一个单独的鸭子机器人可以只用线路检测和反应控制成功地穿越环境，而成功的点对点导航需要识别街道标志。反过来，可以使用附加在每个符号上的基准点（四月标签[1]）来“模拟”符号检测，也可以使用“真实”对象检测来实现。实现更为复杂的行为，如基于视觉的分散式多机器人协调，尤其是在考虑资源约束的情况下，提出了研究层面的挑战。
鸭子镇平台的一个主要优势来自于所提供的复杂的软件体系结构，其中包含传感器校准、配置、低层感知、对象识别、非线性相对估计、全局定位、高层规划和分散协调等组件。我们的目标是提供一个完整的“教科书式”体系结构，它在复杂性上与全面实现（例如[2]）相当，同时仍然可以被初学者理解。
鸭子镇的主要用途是支持自主学习的本科或研究生水平的课程。鸭子镇特别适合基于团队的学习，学生小组致力于改进需要协同工作的不同子系统。这是麻省理工学院2016年春季使用它的方式[3]。或者，鸭子镇适用于专注于一个特定领域或子系统（例如，计算机视觉或非线性控制）的类。在这种情况下，好处是可以立即观察到特定子系统对完全集成系统的影响。这就是国立财东大学使用它的方式[4]。鸭子镇通过放松已知的环境先验假设（例如已知的尺寸、颜色、标志的位置、标志上的基准点、允许的网络拓扑等），成为一个研究平台。作者使用鸭子镇来研究资源受限感知[5]、协同设计[6]和安全车辆协调的形式化方法[7]。
表一
最小自动装置组件
|
子系统 |
项目 |
OTS成本 |
|
处理器 |
树莓派2B 8GB SD卡 |
$40 |
|
驱动 |
底盘 2直流电机 |
$15 |
|
电机控制器 |
Adafruit直流电机帽 |
$20 |
|
传感器 |
鱼眼镜头照相机 |
$25 |
|
电源 |
38.4Wh电池 |
$15 |
|
通信系统 |
无线加密狗 |
$10 |
|
杂费 |
电缆、螺钉和螺母 |
$10 |
概要：第二节描述了鸭子机器人平台，它是由现成的组件构建的。本文的其余部分描述了开发的体系结构。对于每个功能，我们将描述基线实现、使用该功能可以教授的主题，以及使用较少的先前假设可能的扩展。我们按照行为复杂性的顺序来描述体系结构。第三节介绍了单机器人无功车道跟踪的管道。第四节描述了单机器人定位、规划和导航所涉及的子系统。第五节描述了多机器人通信和协调行为所涉及的子系统。最后，我们在第六节讨论了资源管理的系统级方法，并在第七节提供了总结性意见。
2.鸭子机器人
鸭子机器人是一种自主式车辆，其设计目标是经济性、模块化和易于构建。我们提供三种配置：
bull;最小自治配置足以支持所有实现的单机器人行为。
bull;扩展配置增加了一些便于开发的“豪华”功能，如操纵杆和车载无线接入点。
bull;鸭队配置包括发光二极管（LED），作为鸭子机器人之间通信的一种方式，并支持多机器人协调行为。
1） 最小自治配置：总结了最小配置中鸭子机器人的组件在表一中。这些都是现成的部件，很容易更换。每个机器人需要大约15分钟的焊接工作和0.5-1.5小时的组装，这取决于技能。
a） 计算：所有计算都在一个树莓派2（RasPi）上执行，它提供4个900MHz ARM内核和1 GB RAM。
b） 驱动：鸭子机器人的底盘可以是许多可用的套件中的任何一个，这些套件可以在网上找到，它们在差速驱动配置中使用两个直流电机。因为我们不使用里程表，所以底盘是设计中最容易替代的部分。马达是通过一个Adafruit直流马达帽来控制的，这个帽作为一个“防护罩”附在RasPi上。
c） 传感：唯一使用的传感器是带有鱼眼镜头的单目摄像机。摄像头通过专用的并行连接连接到RasPi。
d） 通信：通过RasPi上的WiFi加密狗或以太网端口提供访问（用于通过键盘进行设置、调试和可选的手动控制）。
2） 扩展配置：对于具有大型团队部署的教学和研究设置，网络饱和的最佳解决方案是在每个鸭子机器人上使用一个接入点。这些移动热点为每个机器人创建一个专用的5GHz网络，并通过以太网直接连接到RasPi。此外，带有USB加密狗的无线操纵杆可以更方便地进行手动控制。最后，一个32GB的USB驱动器可以用来存储大量的数据日志。这种配置增加了大约75美元。
3） 车队配置：这款鸭子机器人配备了5个可变颜色的LED，以及一个驱动它们的Adafruit脉冲宽度调制（PWM）帽子。LED用于通过指示鸭子机器人的状态和意图与其他车辆通信。这些LED的引入使平台成本比基础型号增加了asymp;30美元。
我们比较了基本模型鸭子机器人和其他一些流行的机器人用于教育和外展在表二。特别值得注意的是，很少有低价位的可用机器人使用视觉作为主要传感器。相机的选择，而不是接近或红外（IR）传感器，使我们的系统更真实地代表了一个完整的平台。
三.车道跟踪
鸭子机器人最基本的行为是跟车道。此行为是使用真实的计算机视觉管道（图2）实现的，该管道包含以下步骤：
bull;照明可变性补偿。
bull;检测道路标记。
bull;基于外部和内部校准，从图像空间重新投影到世界框架。
bull;使用非参数Bayes滤波器进行车道定位。
bull;车道控制器。
图2.车道跟踪
A.基础设施-鸭子镇道路层
鸭子镇的设计是一个易于理解的正式规范示例：如果环境满足规范，那么鸭子机器人就保证能够导航它。
鸭子镇有两层：一层是道路，一层是信号。车道跟踪仅取决于道路层。路面层由五种互锁砖组成（图3）。道路标线的精确颜色和位置是规范的一部分，并构成可供感知使用的强大先验。
B.照明补偿
光照变化是计算机视觉面临的挑战之一。我们用这个程序来教导：
bull;如何将机器学习“在回路中”用于自主机器人。
bull;使用先验信息的重要性；在这种情况下，颜色的先验由鸭子镇道路层规范给出。
在这个功能的基线实现中，我们使用k-means聚类算法在传感器像素的子样本上检测道路上的主要聚类，并根据先验信息将它们与期望的红、黄、白、灰聚类相匹配。然后我们在RGB颜色空间中对检测到的簇和它们的颜色平衡版本进行仿射变换。
图3.环境模块
图4.摄像头前后图像对比
正则化表达了我们对光照条件和路标颜色的先验信念。允许的转换是通道分离的：
(1)
其中n是高斯测量噪声，对于正则化，我们假设参数,为高斯先验。得到的6times;6线性方程组是
（2）
其中,来自（1）的观测模型,,来自正则化。矢量是照明参数的矢量。（2）中的平方残差给出了拟合质量的估计，并允许系统检测故障
C.道路标线检测
鸭子机器人通过沿着车道标线的边界提取有方向的线段，然后运行一个非参数贝叶斯滤波器（更多细节见第III-E节）在车道上执行定位。由于我们的车道过滤方法的健壮性，我们以牺牲一些误报为代价来优先考虑高召回率。
定向线段检测管线的概述如图5所示。首先对图像进行降采样，然后两个滤波器并行工作：Canny滤波器检测边缘，Hue-Saturation-V值色域阈值检测给定颜色。结果是通过“和”门输入的。使用概率Hough变换提取单个线段[22]。
图5.流水线中的线段检测算法
图6.外部摄像头校准
D.图像平面→道路平面单应
下一步是将图像空间中的有向线段检测转换为体坐标中的三维有向点。利用平面环境的先验知识，可以创建从图像空间到三维空间的一对一地图。首先，使用相机的内部校准，这些点是不失真的。然后用一个单应矩阵表示地图，其中和分别表示图像和地平面上的点，是单应矩阵，并且表示在比例上的等价性。
鸭子镇包括一个校准工具，允许人们估计相机的内部和外部（图6）。
E.车道相对估计
为了执行车道跟随行为，我们必须获得鸭子机器人相对于车道的横向位置和方向的估计值（d和phi;如图7所示）。但是，我们不需要知道纵向坐标。这是用于执行控制任务的“最小充分统计”的示例。
估计问题的标准参数方法（例如采用高斯假设的Kalman滤波器）可能会因为存在如此高百分比的离群值和过程模型的非线性而失败。因此，在基线实现中，我们采用了非线性非参数直方图滤波器[23]。
时间t时车道内的车辆状态由降维状态表示：，其中: 是车道内的横向位移（d=0线被定义为车道中心），是相对于中心轴的角度，如图7所示。根据规范，我们分别知道车道宽度w和右（白色）和左（黄色）、左（和）的宽度，并且我们可以将这些信息结合起来，从道路标记检测器检测到的每个路段生成状态的唯一假设。
每个传入的段列表构成一个单独的度量。我们用每一部分产生一个“投票”。选票被放入一个直方图中，整个直方图表示测量的可能性（图7）。
一旦所有的片段都被处理过，直方图就会被标准化，并用于在Bayes滤波器中执行测量更新。
图7.线路滤波器
F.车道控制器
一旦我们有了一个小鸭机器人在车道上的位置和方向的估计，我们就用它来产生控制信号，从而沿着车道行驶。我们已经明确地设计了曲线，使得鸭子机器人执行转弯时的比例误差（图3-（e））足够小，使得它仍然在简单线性跟踪控制器的收敛范围内。这减少了对参考轨迹进行任何参数化的需要。
采用比例微分（PD）控制器，控制指令的形式为（项类似于微分）。
我们评估了有圆角的正方形轨道上的车道跟随性能，误差如图8所示。在正常照明条件下，鸭子机器人的车道跟驰行为的可靠性非常高，平均故障时间大于30分钟，交叉道误差始终在0.15米以内。
图8.车道跟踪性能
图9. 基于地图定位和路线规划的导航
四.导航
基本的车道跟踪管道充当嵌套的内部循环，以实现更复杂和有趣的行为。作为示例，图9示出了导航管道的概述。
A.基础设施-第2层-信号层
鸭子镇的第二层由标志和红绿灯等信号组成。标志有两种：（i）交通标志；（ii）街道名称。交通标志可以指示交叉口的可通过性、交叉口的类型（红绿灯或停车标志）或一些其他重要的道路信息，如图10所示。这些标志本身就包含了定位和导航的所有必要信息。每个标志还配有四月标签[1]，以便能够并行开发从使用这些检测的系统组件中检测标志的算法。我们将这些标志限制在瓷砖上的八个固定姿势中的一个：（a）确保这些标志位于鸭子机器人在停车线上的摄像机视野中；和（b）启用度量特征地图的自动生成。
B.地图表示法
由于鸭子镇是由模块化的标题组成的，因此地图可以完全由标
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[238627]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
