唐小煜，勞健濤，李智豪，蒲小年，戚慧珊，胡靜宜

(華南師范大學(xué) 物理與電信工程學(xué)院,廣東 廣州 510006)

近年來，隨著人工智能等高新技術(shù)的發(fā)展與自動化控制的普及，智能化消費電子產(chǎn)品越發(fā)受到消費者的青睞. 在市場方面，機器視覺系統(tǒng)在全球的生產(chǎn)制造中扮演著越來越重要的角色，其應(yīng)用深入覆蓋于工業(yè)、農(nóng)業(yè)、國防、科研等重要行業(yè). 同時，在教育領(lǐng)域，越來越多的高校開展自動化專業(yè)的學(xué)科教學(xué)以及與自動化系統(tǒng)相關(guān)的科研項目. 其中，關(guān)于自動導(dǎo)航智能車項目的研究與競賽受到各類高校的重視. 由中國高等教育學(xué)會發(fā)布的《中國高校創(chuàng)新人才培養(yǎng)暨學(xué)科競賽評估結(jié)果》中，全國大學(xué)生智能汽車競賽被納入評估名單. 本文以追尋特殊發(fā)光信標(biāo)為行駛目標(biāo)的智能車為例,提出了適用于各類智能車競賽的高效、低誤判的最優(yōu)導(dǎo)航策略.

1 最優(yōu)導(dǎo)航策略研發(fā)背景

在國內(nèi)外的大中學(xué)生參加的各類智能車競賽中，競賽成績的高低往往取決于如何在硬件資源有限的情況下，智能小車能夠?qū)崿F(xiàn)自主導(dǎo)航，并且在最短時間內(nèi)完成所有賽道. 顯然，在追求完成時間最短的目標(biāo)下，智能車能夠無誤判地順利完成所有賽道點是對參賽選手的基本要求. 本文以全國大學(xué)生智能汽車競賽官方指定的競賽專用裁判系統(tǒng)[1]為例(如圖1所示)，分析在該信標(biāo)系統(tǒng)下的智能車最優(yōu)導(dǎo)航策略.

圖1 競賽場地信標(biāo)系統(tǒng)布置圖

2 導(dǎo)航策略設(shè)計

2.1 連通域圖像掃描算法

由于競賽所用的信標(biāo)散發(fā)紅光與紅外光作為光信號，為更好地區(qū)分不發(fā)光信標(biāo)與發(fā)光信標(biāo)的位置，采取在智能車CMOS攝像頭上安裝紅光濾光片的策略，使得攝像頭下采集的圖像，經(jīng)二值化處理后能夠較清晰地分辨出發(fā)光信標(biāo)與背景[2]. 但在實際使用時，由于外界太陽光或信標(biāo)光線的反射等不可控因素的存在，攝像頭采集的圖像中會出現(xiàn)多個類似實際發(fā)光信標(biāo)的白色區(qū)域塊. 為此，進一步采用基于連通域圖像的掃描算法，對攝像頭圖像進行掃描與濾波，從而得出正確的發(fā)光信標(biāo)位置.

對于攝像頭采集的圖像(已經(jīng)進行二值化處理)進行2次逐行掃描(自上至下、自左至右)，用四鄰域法(圖2)判斷當(dāng)前像素點是否與已經(jīng)掃描的白點相鄰. 對于第1次掃描(圖3)，若當(dāng)前白點不存在與已經(jīng)掃描白點相鄰，則給予該像素點1個自增的label；若存在相鄰，則給予與該像素點相鄰的最小label值，并且將存在相鄰點的label值存于1個數(shù)組(數(shù)組數(shù)與連通區(qū)域塊數(shù)相同). 對于第2次掃描(圖4)，將同一數(shù)組里的label值的點更換為最小的label值，使得相同label值的點為同一連通域的點，從而可以準(zhǔn)確標(biāo)記出不同的連通區(qū)域塊.

圖2 四鄰域圖

圖3 第1次掃描label圖

圖4 第2次掃描label圖

由于信標(biāo)的大小、攝像頭的型號、安裝高度及角度等參量在賽前已經(jīng)固定，因此可以建立關(guān)于信標(biāo)大小、形狀與其在圖像中位置的關(guān)系表，通過對多個連通域一一比對，即可得出發(fā)光信標(biāo)的正確位置. 實驗效果如圖5所示，其中十字標(biāo)記為正確發(fā)光信標(biāo)中心點.

圖5 信標(biāo)掃描算法實際效果圖

2.2 路線規(guī)劃

2.2.1 追尋路線規(guī)劃

智能車所追尋的發(fā)光信標(biāo)為直徑10 cm的半球體，與其相連的是直徑45 cm的圓形線圈，以便讓帶磁鐵的智能車切割線圈內(nèi)磁感線. 根據(jù)線圈內(nèi)磁場的變化，信標(biāo)系統(tǒng)則判斷為智能車尋到該發(fā)光信標(biāo)，以此來點亮另1個信標(biāo). 因此，智能車如何以最短路徑到達發(fā)光信標(biāo)的邊緣以及如何轉(zhuǎn)向?qū)ふ蚁?個發(fā)光信標(biāo)成為了路線規(guī)劃的重點.

在尋找到發(fā)光信標(biāo)后，首先判斷當(dāng)前信標(biāo)位于攝像頭視野的哪一側(cè)，以最短直線路徑[3]切過線圈該側(cè)，固定最小轉(zhuǎn)角，在轉(zhuǎn)角過程中尋找下1個發(fā)光信標(biāo)，重復(fù)上述路線行駛. 以小車在發(fā)光信標(biāo)左側(cè)為例，其路線規(guī)劃如圖6所示.

圖6 路線規(guī)劃圖

2.2.2 直線路線規(guī)劃

廣角攝像頭的視角和安裝角度會造成賽道圖像的梯形畸變，如圖7所示. 由于攝像頭視野下的發(fā)光信標(biāo)為圓形光斑，在智能車行進過程中光斑會出現(xiàn)不同程度的畸變，尤其是水平上的畸變程度會隨位置的不同而不同，導(dǎo)致在傳統(tǒng)PID[4]調(diào)節(jié)舵機的情況下，智能車駛向信標(biāo)的路線為曲線. 為使智能車駛向信標(biāo)的路線為最短直線路線，采用基于映射關(guān)系的畸形矯正算法[5]，通過映射公式對發(fā)光信標(biāo)的圖像進行畸變矯正，可以得出正視圖下的信標(biāo)位置，使得小車能夠在傳統(tǒng)PID的舵機調(diào)節(jié)下以最短直線路徑切向發(fā)光信標(biāo)，達到追尋信標(biāo)效率最優(yōu).

圖7 圖像畸變對比圖

2.3 避障策略

在多個信標(biāo)的賽場上，追尋發(fā)光信標(biāo)的線路上可能出現(xiàn)障礙物，如不發(fā)光信標(biāo)、墻壁等，且不同類型的障礙物需不同的處理算法，如圖8所示.

圖8 常見避障情景及避障處理圖

智能車在識別障礙物上有多種方法，如采用超聲波、紅外對管等傳統(tǒng)的避障傳感器. 該類傳感器實現(xiàn)避障的方法簡單，但對于在快速運動車體上的識別、曲面物體的識別與障礙物類型的識別還是存在較大誤差. 智能車還常采用基于圖像處理的障礙物識別傳感器，如CMOS攝像頭，但該類攝像頭占據(jù)的硬件資源較多，同時由于智能車已使用1個帶紅外濾光片的攝像頭用于發(fā)光信標(biāo)識別，這會大大增加中央處理芯片的處理數(shù)據(jù)，對整體智能車的運行速度造成較大影響. 為此，經(jīng)實際測試，采用線陣CCD攝像頭[6]與接近開關(guān)相結(jié)合的方法作為最終的避障策略，其視野范圍如圖9所示，灰色為用于尋信標(biāo)的CMOS攝像頭視野，紅色為避障傳感器視野，分別為接近開關(guān)與線陣CCD作用區(qū)域. 其傳感器安裝如圖10所示，自上至下分別為帶紅外濾光片的CMOS攝像頭、線陣CCD攝像頭以及接近開關(guān).

圖9 智能車傳感器作用區(qū)域圖

圖10 智能車傳感器安裝實物圖

由于智能車在尋找發(fā)光信標(biāo)上為獲得較大范圍的視野，其帶紅外濾光片的CMOS攝像頭的傾斜角度較大，以獲得較遠的前瞻以及較寬的廣角范圍，但遠前瞻視野會導(dǎo)致智能車存在較大的視野盲區(qū)(位于智能車前部). 為此，用接近開關(guān)傳感器來彌補此缺點，同時可以檢測持續(xù)性的障礙特征，如堵在信標(biāo)、擋板等情況，而做出后退或大角度拐角處理，防止了因阻塞狀態(tài)帶來的邏輯死區(qū). 同時，基于線陣CCD攝像頭的避障策略主要用于躲避不發(fā)光信標(biāo)等障礙物. 相比于80×60像素的CMOS攝像頭，僅有128個像素點的線性CCD傳感器所處理的數(shù)據(jù)量會大幅減少，且CCD所占用的引腳資源也較少，可以在影響智能車整體運行速度較小的情況下，達到避障的目的.

3 實際案例分析

采用一般追尋策略與本文提出的策略進行智能車測試,驗證該追尋策略的高效性與低誤判性.

3.1 連通域圖像掃描算法測試

將智能車置于存在場外光線影響的場地，使用CMOS攝像頭采集場地圖像，如圖11和圖12所示，分別采用連通域圖像掃描算法以及一般的全掃描算法進行測試.

圖11 場地圖像1

圖12 場地圖像2

通過測試可知，基于連通域圖像的掃描算法可準(zhǔn)確識別出不同的聯(lián)通區(qū)域，并且可準(zhǔn)確標(biāo)記出正確信標(biāo)的中心點；而一般的全掃描算法無法正確分辨出多個聯(lián)通區(qū)域，若采用隨機選取聯(lián)通區(qū)域或取所有白色區(qū)域平均值，會出現(xiàn)信標(biāo)中心值判斷錯誤的情況，且誤判率高.

3.2 路徑規(guī)劃策略測試

將智能車置于如圖13所示的賽道場景中，按照信標(biāo)的發(fā)光順序依次行駛，分別采用固定左向切燈策略、固定右向切燈策略及本文提出的路徑規(guī)劃策略，記錄智能車完成所有賽道點的總時間. 經(jīng)過多次實際測試，使用固定切向策略的賽道完成時間都超過23 s，固定左右切向分別23.16 s和25.33 s；而使用本文提及的路徑策略，在行駛總路線上減少了5 m以上，且最終完成的時間為17.95 s，提高了智能車的行駛效率.

圖13 賽道場景1

3.3 避障策略測試

將智能車置于如圖14所示的賽道場景中，按照信標(biāo)的發(fā)光順序依次行駛，分別采用無避障策略、CMOS攝像頭避障策略以及本文提出的避障策略，記錄智能車完成所有賽道點的總時間. 經(jīng)過多次實際測試，無避障策略在駛向第5個信標(biāo)時出現(xiàn)誤撞不發(fā)光信標(biāo)而造成智能車行駛效率低下，甚至無法完成所有賽道點；在使用CMOS攝像頭避障策略時，由于其程序執(zhí)行的數(shù)據(jù)量明顯增多，算法執(zhí)行效率低，導(dǎo)致智能車速度更新變慢，切向轉(zhuǎn)角距離增大. 使用CMOS攝像頭避障策略的智能車的行駛時間為18.11 s，相比于使用本文提及的避障策略的16.23 s多出接近2 s.

圖14 賽道場景2

4 結(jié)束語

提出了適用于智能車競賽上使用的追尋信標(biāo)導(dǎo)航策略，其中包含了基于連通域的信標(biāo)掃描算法、路線規(guī)劃以及避障策略等一系列的智能車駛向策略. 該策略適合運用在基于多傳感器、單處理器控制下的智能車系統(tǒng)，可以類比應(yīng)用到不同賽制的智能車競賽，具有運行速度高、誤判率低等特點，可以滿足參賽選手的備戰(zhàn)需求與培訓(xùn)教學(xué)需要.