英语原文共 16 页,剩余内容已隐藏,支付完成后下载完整资料
多个巡检机器人主动视觉定位
1.介绍
主动移动机器人很适合用于工业或者其他领域上的例行检查,如果是人来执行这项工作时,可能会感到十分乏味,并且有时注意力可能会分散,这样在工作时是十分危险的。例如,在核电厂有很多管道和阀门要定期检查裂缝,在这种环境下长期工作可能会引起人患有一些疾病,而且化学泄漏和噪音对人也是有很大危害的。
哪些类型的机器人可以用来执行这些巡查任务呢?隐藏的传感器能够使他们能够执行巡查任务,不同类型的摄像头、麦克风和化学传感器等,这些不同的功能零件必须协调有序,有规律地在同一个系统中工作。
虽然许多已经在使用的机器人是不需要知道自己身处何处(例如流浪机器人),然而对巡检机器人来说计划好的路径和本地化是必不可少的,最容易实现本地化的方法就是将信标放置在环境中的已知位置。在户外这些可以是GPS卫星,在户内最常见的系统就是激光传感器检测到的条形码信号。
在这片论文中,我们假定提供这种类型的信标是不切实际的,并且机器人需要具有环境特征的地图,地图上的环境特征机器人能够借助自身的传感器识别,或者能够检测自己所处的环境,当自身移动时能够建立相应的地图。在机器人巡检时,这两种方法都是有用的。在机器人正常工作的时候,最明智的行为就是提前提供环境地图给机器人参考,一些意外也可能使机器人无法识别一些地图上的特征或者迫使机器人走到正常工作区域,在地图上添加自身特征的能力也是十分有价值的。
机器人携带的大部分传感器都可以帮助实现本地化:一般来说,任何能够重复测量机器人和在环境中的东西的相对位置都将提供信息(不同来源的信息的融合的问题已经在数据融合中被提及)。此外,如果机器人有哪些必须要检查的特征的确切的预定路线,这些特征本身就是能够用来本地化的。在现阶段,我们使用特征点视觉识别,但是一旦扩展这个想法会更加有力度,例如,对于像管道那样的线性特征必须要沿着长度检查:这个过程需要一定的时间,但是测量管道也将提供本地化信息,机器人也会更加安全地在工作中移动。
多种机器人协作完成巡查任务是很有可能的,一种可能是类似的机器人之间分享一个很大的范围,这样可以增加工作的速度。另一种更大的可能是,装配有不同传感器设备的特殊机器人在一个区域一起工作,每一个机器人使用它们的特殊能力,这是人类工作团队中最常见的一种方法,这样每个人都能发挥自己的作用。当机器人更加先进,除了解决简单的问题,它们的能力扩展到分析、解决问题,这个团队合作方法会更加有效。
本文讨论了多个巡检机器人样本的定位问题:一个装备了立体主动视觉的机器人和一个携带了主动照明系统的盲眼机器人。方法要点如下:
- 基于阳离子识别和三维活动视觉地标位置测量的视觉机器人本地化,机器人检查的特征本身就能作为导航地标。
- 盲助手机器人工作时只使用里程计传感器,但是它的本地化是借助全自动机器人测量实现的,在盲助机器人上面安装的灯塔提供两者相对位置的信息和帮助两者的本地化。
- 使用地图建设的大体框架和定位实现本地化,支持同时使用多种机器人、传感器、特征类型和关于地图更新的柔性协议。
我们将证明包含高质量视觉特征的稀松地图可以和不可靠的里程计结合使用来提供高精确的定位,这种定位方法适合在复杂的检测环境中安全地命令机器人。精确的定位不是一个完全的导航和检测——在现实世界中运行的机器人要能够避开未知的障碍和在一定距离对人做出反应,但是为进一步的能力提供一个框架是最重要和基本的。
2.主动视觉定位
2.1 主动视觉
用主动的方法去感知,传感器或者信息处理源被有目的的引向当前感兴趣的区域,而不是用来统一获取和处理数据。在视觉上,主动操作不是通过摄像机拍摄的图片有选择处理实现的就是可活动的相机作为摄像平台获取的图像。
主动视觉容易应用于小范围策略航行任务,比如绕开周围一个已知的障碍物:这个障碍物可以被追踪,并且可以通过一定的观察角度用来控制机器人的转向。然而,将它用在长期导航任务上只有几次尝试,例如地图的建造和使用。将它作为人类导航的主要工具是很惊人的:当我们在自身所处的环境中移动的时候,我们的眼睛不断改变看到的关注点寻找地标,查看障碍物或者寻找标题。这些重要的任务要注意划分,这使主动视觉成为一个有趣的研究领域。
2.2 视觉标志
视觉定位的基础是对机器人摄像头拍摄的图像里面的特征的重复测量,在一般的映射框架里面,这些特征可能有多种不同的形式,比如点、线或者平面。在现有水平下,三维空间中识别出来的特征点用在图像相关性的匹配,对视点变化的鲁棒性是令人惊奇的,机器人可活动的头部移向充当准确固定点的特征点来用它的两个摄像头来测量,这个固定点在一个非常广泛的视野中测量方向和特征的深度。这些特征自动被机器人检测出来,要么在导航中作为图像感兴趣操作者,或者由外部提供。
2.3 储存和更新地图数据
机器人当前的状态和已知的场景特征是储存在系统状态向量和协方差矩阵中,状态矢量表示机器人的环境地图和它在其中的位置。
机器人开始导航时候,给定的特征位置用来作为预先信息,在地图中能够动态地添加和移除。一个完整的SLAM方法可以用来在机器人状态和所用的特征估计之间传递协方差,也可以在特征估计之间传递协方差。这对我们的系统来说十分重要,因为一些使用广泛的少量特征必须有高质量的估计来提供精确的定位信息。机器人活动摄像头在广泛视野中查看特征的能力对地图的质量十分关键:机器人在来回移动中连续看到同一个特征;因此,越来越少的特征需要添加到地图中,这些特征相关的不确定性不断降低,因为在一个较长的时间里机器人能够重复测量这些特征。
当机器人在环境中移动时候,数据按照顺序被更新,并且使地图中特征的测量遵循扩展的卡尔曼滤波规则:机器人移动时候预测一个步骤,当新的估计位置被里程计计算出来后更新步骤,当测量是由一个特征组成。
在预测步骤中,机器人运动的状态和协方差会随时间适当更新,这里,fv是当前机器人状态估计的函数,时间段和控制输入u,这对于我们的机器人来说是速度,随方向盘角度和炮塔角度改变。机器人每一个时间步长里的运动模拟成转动和伴随着沿着直线段的移动,在这种运动中方向的改变很小。控制输入通过地面实况测量校准,任何不确定都是由过程噪声产生的。由@f/@x和Qk组成的完整状态雅克比是过程噪声:
式中U是u的对角线协方差矩阵,处理噪声从本质上说对车辆运动中未建模有一定的影响,比如车轮打滑。我们的地图构建软件支持描述机器人运动和特征测量规格的插件模型。
2.4 主动测量
在一个活动场景中,在不同的时刻都决定测量地图上的特征是十分有必要的,做这个决定由两个基本准则:可预测的能见度和测量的预期效用。预期的能见度依赖于传感器和特征类型,例如,在相关特征点匹配的时候,如果观察点和最初看到的那个点不一样,那么我们就希望匹配不成功。由于我们估计了当前机器人的位置,所以在这方面预测的观察方向可以被评估。
一旦地图中的一个可测量的特征子集被识别了,根据机器人位置的不确定性(我们选择一个高创新协方差的测量方法)我们可以对测量的每一个值进行评估,测量那些我们已经确定的结果是没有用处的,这是一个基本原则。这一准则在实践中的作用是保持局部一致性;在组合机器人和特征估计中,对任何特征的不确定性都是不可取的,这个准则通常也能使全球定位不确定性变小。
主动测量方法的关键是预测任何测量值的价值和以创新协方差的形式计算此预期的不确定性。在测量中计算创新协方差之前允许我们以一个选定的标准偏差值为每个特征建立一个搜索区域(提供自动选通和最小化查寻计算),我们将会看到创新协方差Si为自动测量的选择提供了一个依据。
被选中的特征通过将可活动头部转动到为定位特征预测的角度来测量,并且从搜索的图像中获得匹配。精确的搜索区域是从地图的不确定性中计算出来,它能够将计算效率最大化,减少不匹配的几率。一旦一个特征的测量值返回,卡尔曼增益就能够计算出来,过滤器也将以通常的方式更新。
3.多机器人定位
当一个有主动视觉的机器人伴随着一个助手机器人,这个助手机器人的工作是提供照明,这个机器人的位置是一个未知量。在机器人移动时,这个未知量必须按顺序估计,并且它的位置状态估计和协方差插入到旁边的第一个机器人。
当然,这对机器人在合作执行巡查任务时必须精确协调他们的位置,安装的传感器的缺乏,在独自运动过程中助手机器人只能依靠里程计。众所周知,基于里程计的位置估算的不确定性不随时间的改变而改变,为了消除这个不确定性,一个视觉机器人能够观察到的视觉信标依附在第二个机器人上:在物理上,这个信标是直径为4厘米的黑色聚苯乙烯半球,类似于基于视觉的人类运动捕捉中的视觉标记,连接到机器人顶端的一个垂直标尺。这个信标被安置在第二个机器人的自传轴上以便于测量为它提供信息的机器人的方向和位置。这个的测量方式和特征的测量方式完全一样,生成搜索区域和相关匹配,并用EKF和普通特征测量的方式进行处理。
何时测量这一信标的准则自动和任意给定时间地图中测量特征的准则是一致的,详见2.4节,在单个机器人操作过程中将候选特征的测量值的创新协方差进行比较,并选择最大的那个。在两个机器人的操作过程中,第二个机器人的信标的间接测量值的创新协方差也进行计算和比较,如果大于所有候选特征测量值,我们会选择信标的即时测量值。
通过这种方法,我们可以将第二个机器人上的信标的测量值和映射世界特征的测量值进行比较,这一准则建议用于频繁测量机器人信标的情况,因为第二个机器人的运动只由里程计控制导致相对位置的不确定性迅速增加。
值得注意的是对于同样拥有传感器和测量自身在地图中位置的第二机器人来说这种方法应该同样有效,在这种情况下对国际机器人的测量将会是具有更大益处的位置估计改进的方法,而不是现在这种视觉机器人将将它准确地位置信息传输给不确定的盲助手机器人的情况。注意,由于两个机器人不确定性的不平衡,这种情况很自然会发生:我们没有指定是哪个机器人帮助另外一个。
最近有一个有趣的用来给协作机器人定位的方法,是关于福克斯使用粒子表示概率分布的方法,而不是一阶近似的卡尔曼方法。这种方法十分强大,因为它可以处理多峰分布的透明的卡尔曼滤波。然而,相关的计算费用意味着它还不适用于特征位置不确定的机器人的情况:在工作中,巡航机器人使用一个完全已知的地图。
在我们的系统中,国际机器人的测量是在我们定位软件框架中通用的自我测量能力中实现的,机器人或者机器人组有潜力测量自身内部参数,也能够测量世界上任意特征;在多机器人的情况下,这种测量包括机器人之间的测量。
4.实验
4.1 实验环境
我们在实验室里面建造了一个核电站内部的部分样机用来作为实验环境,样机的特点是有管子、表盘和阀门,并且有一个面积为18平方米的区域供机器人在里面巡航。
在我们的实验中,所有的视觉和定位处理都是在视觉机器人的linux系统电脑里面处理的。照明机器人充当一个从动装置,接收视觉机器人发出的控制指令。两个机器人之间的通信是通过无线以太网实现的。
在下面的实验中,实况机器人的位置是通过精确的地面网格和导航算法输出相比较手工测量出来的。
4.2 合作检查任务
在这种情况下,移动视觉机器人和携带移动照明系统的助手机器人必须合作完成检查安装在工厂样机设备背面的管道的任务。为了有一个清晰的视野,视觉机器人要通过一个狭窄的缝隙(只比自己宽几厘米)到达指定位置,灯光机器人则移动到附近的位置来提供照明。
从模型较远的一侧出发,机器人根据已知“路点”的预设路线航行,它们通过这些简单的连接起来的位置来移动。当然,机器人必须知道自己的位置,才能知道自己什么时候到达一个“路点”,所以这是对机器人定位能力的测试。机器人最初是通过手工测量来获得在环境中的位置的,这些位置点插入到最初的状态中。注意,这些最初的位移的精确度是估计的,并且作为最初的协方差(例如,机器人手工测量方位的精确度可以分成两个等级)。
在导航过程中,视觉机器人反复测量环境中的特征(遵循第二节的方法),在实验中预先给出一个地图,以便于知道这些特征的位置。特征是环境中的自然特征,例如表盘和门框的位置,通过手动测量初始化它们的位置,并选择在三维场景中广泛分布的点(这种自动生成的特征地图也能够用在包含SLAM结构的活动视觉中)。通过测量照明机器人上信标在轨迹上的不同位置查看工作进度(虽然视觉机器人可活动的头部能够提供将近180度的视野,当照明机器人在视觉机器人的后面的时候,视觉机器人能够转动头部使照明机器人进入视野之中)。当找到相对于视觉机器人的位置测量值时,这个值送入定位滤波器中生成两个机器人更新后的估计位置。
4.3 辅助观察员定位
为了评估优化盲助机器人定位测量的价值,我们进行了更加深入的实验。简单的状态装置要求视觉机器人静止不动,在它的间断观察下照明机器人在周围移动。由于视觉机器人不动的时候它的位置不确定性最小,能够最大程度地帮助照明机器人。
为照明机器人设计了一个近似“8”的轨迹图进行两项实验:首先只使用里程计(在图中显示一系列的快照),然后用固定的视觉机器人进行常规测量,这些图在真实世界中的尺度大约是3米。在只使用里程计的情况下,我们能够看到,在一个很短的运动之后估计的位置开始明显的不同,虽然很幸运看到很准确地返回起始位置的快照。然而,当机器人被送到另一个环形路径上时出现组合错误,特别是在机器人的指引方向不能再地图上直接看到的时候,这就意味着机器人很快就偏离航向了,这十分危险。必须在碰撞发生之前使机器人停止。
在第二种情况下定期观察,良好的定位准确度保持在3-4厘米以内。在机器人返回起点前最后一个快照之后,机器人从更远的两个环形路径出发进行试验,定位准确度保持在相同的范围内。
4.4 评估
在实验中我们展示了用一个疏松的视
全文共6358字,剩余内容已隐藏,支付完成后下载完整资料
资料编号:[142689],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。