劉 路 潘艷娟 陳志健 王玉偉 李亞偉 陳黎卿

(1.安徽農(nóng)業(yè)大學工學院， 合肥 230036； 2.安徽省智能農(nóng)機裝備工程實驗室， 合肥 230036)

0 引言

玉米作為我國主糧作物之一，后期植保是一項重要環(huán)節(jié)。在玉米植株生長中后期，植株形態(tài)復雜，枝葉的相互交錯對可通行區(qū)域的遮擋嚴重，影響了植保機器人作物行間自主導航行駛的通過性[1-3]。因此，玉米作物中后期植保機器人導航方法被廣泛研究[4]。

目前復雜環(huán)境農(nóng)作物的三維信息獲取主要有立體相機、深度相機和激光雷達3種方式。其中，立體相機和深度相機能夠快速、準確、高效地獲取作物表征信息，然而在室外光照強烈的環(huán)境中存在相機過曝導致感知的信息缺失[5-9]。激光雷達根據(jù)回波檢測原理可以獲得精準的作物點云數(shù)據(jù)，可以直觀地觀測出物體形狀和結(jié)構(gòu)特征[10-17]。張漫等[18]結(jié)合激光雷達傳感器對玉米植株三維點云表面特征進行二次濾波處理，通過點云濾波去除植株表面的無效噪點，優(yōu)化了三維玉米植株點云的識別和植株特征提取。ZHANG等[19]通過多傳感器融合的方式，將二維雷達與三維雷達相結(jié)合，進行目標障礙物的識別和小型植保機器人行駛路徑的規(guī)劃。薛金林等[20]利用激光雷達在無行距果樹樹林中進行導航性能測試，基于激光雷達獲得的樹行信息，結(jié)合模糊控制算法進行導航路徑計算。三維激光雷達受光照的影響小，可以提供作物的三維表征信息，使復雜高遮擋環(huán)境可通行區(qū)域識別具有可行性[21-24]。

本文將一種植保機器人頂端搭載的16線激光雷達[25-26]作為感知單元，并通過點云濾波聚類實現(xiàn)玉米主干區(qū)域識別并提取機器人可通行區(qū)域，最終擬合導航線。在激光雷達獲取玉米植株表型三維點云數(shù)據(jù)基礎(chǔ)上，研究葉片與主干點云地面投影的分布規(guī)律及K-means聚類特性，通過置信區(qū)間對聚類獲得中心點進行分析，剔除玉米作物行中心分析的離群點，優(yōu)化所識別的主干區(qū)域，最終實現(xiàn)高遮擋環(huán)境下可通行區(qū)域的識別。

1 識別系統(tǒng)組成與點云樣本

1.1 系統(tǒng)組成

移動機器人由三輪驅(qū)動機器人底盤、VLP-16激光雷達、工控機組成，其采集系統(tǒng)硬件平臺如圖1所示。植保機器人感知系統(tǒng)配置4GB獨立顯卡、16GB內(nèi)存、core i7處理器的工控機，使用VLP-16激光雷達搭載移動機器人作為傳感器。

圖1 植保機器人平臺實物圖Fig.1 Crop protection vehicle platform1.三維激光雷達傳感器 2.前輪轉(zhuǎn)向電機 3.GNSS導航模塊 4.鋰電池 5.底層控制處理器 6.工控機

大田環(huán)境中，機器人全局定位采用GNSS導航系統(tǒng)，局部環(huán)境感知主要采用3D激光雷達。機械化玉米種植每隔固定距離預留植保機器人進出約80 cm操作行，機器人設計寬度為60 cm。GNSS導航系統(tǒng)根據(jù)操作行分布，規(guī)劃機器人完整田塊植保作業(yè)行駛路徑，由于GNSS導航系統(tǒng)無法感知實際玉米植株位置，并且玉米冠層對于GNSS信號遮擋嚴重，差分信息穩(wěn)定性差，因此玉米壟間導航主要使用3D激光雷達感知機器人局部環(huán)境信息，實現(xiàn)植株局部防碰撞下的導航行駛。

VLP-16激光雷達有效測量距離100 m，垂直視場角度為±15°，當激光束遇到障礙物時，反饋距離與坐標信號等信息，激光雷達工作原理示意圖如圖2所示。機器人近端被測玉米植株高度方向信息有丟失，遠端玉米植株雖然高度方向所獲得信息增加，但由于被近端玉米葉片遮擋同樣會造成植株形態(tài)信息的殘缺，給感知定位增加了難度。

圖2 雷達工作原理示意圖Fig.2 Schematic of LiDAR working principle1.三維激光雷達 2.移動機器人平臺 3.地面 4.玉米植株

1.2 點云樣本及數(shù)據(jù)分析

玉米植株主干部分點云分布集中，而四周分布比較零散，覆蓋范圍較大，如圖3所示。由于玉米植株枝葉點云交織，中間可通行區(qū)域遮擋嚴重，可通行操作行中感知到大量點云信息，較難直接獲取空白可通行區(qū)域。機器人行駛過程中，由于植株葉片在壟間屬于非剛性障礙，碰撞并不會造成玉米植株損壞，可以通過分析玉米主干區(qū)域位置來限定機器人行駛邊界，解決植保機器人可通行區(qū)域的遮擋問題。

圖3 數(shù)據(jù)信息采集Fig.3 Data acquisition

2 玉米識別和聚類

2.1 玉米點云預處理

圖4 玉米植株點云投影圖Fig.4 Point cloud projection of maize plants

如圖3b所示，激光雷達所采集的點云中地面、雜草等無關(guān)點較多。針對植保機器人導航路徑需求，僅提取行駛前進方向兩側(cè)植株所在區(qū)域點云信息，本文提取的點云為傳感器所在垂直面與前方4.5 m范圍內(nèi)點云。首先，根據(jù)點云下采樣算法不改變點云分布特性，使用體素化網(wǎng)格方法實現(xiàn)下采樣降低點云密度，減少了數(shù)據(jù)計算量，達到精簡點云目的；再利用隨機采樣一致性(RANSAC)算法將地面與非地面點云進行分割，減少玉米植株聚類的干擾因素。最后基于直通濾波算法對某一維度進行篩選過濾，實現(xiàn)空間上分割以提取玉米植株點云區(qū)域，結(jié)果如圖4a所示。通過預處理，玉米點云數(shù)據(jù)較好地提取出玉米作物行玉米點云信息，為玉米作物行中心區(qū)域識別提供了基礎(chǔ)。

2.2 K-means算法提取主干區(qū)域

實際玉米植株之間存在葉片交叉，清晰分辨出每一株玉米主干的位置較為困難。向地面投影激光雷達掃描玉米植株獲得的點云，統(tǒng)計投影面上點數(shù)量。如圖4b所示，靠近激光雷達處主干區(qū)域垂直方向點更加密集，然而葉片重疊處點云也十分密集；前進方向越遠處點云信息越稀疏，主干區(qū)域點云密度也逐步下降。因此，根據(jù)每株植株點云地面投影云團具有主干區(qū)域密集、葉片區(qū)域稀疏特點，通過垂直投影后點云聚類分類植株點云團，并確定聚類中心。

通過K-means算法對玉米植株進行垂直投影后中心主干聚類。點云集合S中任意點與鄰近點之間的歐氏距離為

(1)

式中xi、yi——點坐標值

空間點歐氏距離越小，兩個數(shù)據(jù)相似度越高。對玉米植株所產(chǎn)生的點云數(shù)量的估計設置k值。對每個樣本點計算到這k個中心點的距離，將樣本點歸到與之距離最小的那個中心點的簇。

(2)

式中h——激光雷達基準線離地高度

lp——估算的玉米株間距

經(jīng)過聚類之后k個聚類的中心點為

(3)

算法的聚類準則為

(4)

2.3 聚類誤差分析

圖5 玉米識別與聚類Fig.5 Corn identification and clustering

由于VLP-16型線激光雷達采集點云密度大，且玉米植株枝葉分布較茂盛，在枝葉遮擋嚴重或在目標沒有特征的環(huán)境下，存在近端枝葉數(shù)據(jù)點密度大于遠端枝干數(shù)據(jù)點密度，導致近端聚類中心點分布密度大。如圖5b所示，提取玉米主干的過程中出現(xiàn)錯誤的聚類點，左行第1株玉米點云上出現(xiàn)多個聚類中心點，使通過聚類中心點擬合得到的行線與圖5實際植株行線相比存在較大誤差。

為提高分析精確度，根據(jù)玉米作物成行種植特性引入置信區(qū)間，去除所估計玉米主干區(qū)域離群的聚類點，以遠端主干區(qū)域點為參考，去除近端枝葉錯誤聚類所得聚類中心點，減少遠離實際行線的枝葉中心聚類點對行線擬合的影響。具體如下：

將每個點到由聚類點擬合直線y=ax+b的距離Li(a,b)作為樣本，且符合L～N(μ,σ2)。所有聚類點到直線的距離均值為

(5)

式中Li——聚類點到直線的距離

聚類點到擬合直線的距離樣本方差為

(6)

(7)

式中α——顯著性水平

聯(lián)立式(6)、(7)計算可以得到聚類中心區(qū)域點范圍為

根據(jù)置信上下限對聚類中心點進行區(qū)間劃分，在區(qū)間外的聚類點記為離群點。以圖5中左排玉米為例，根據(jù)實際需求取置信度為95%。如圖6a所示，虛線外側(cè)圓圈點不在置信區(qū)間內(nèi)，將其去除。

圖6 K-means聚類主干點基于正態(tài)分布的置信區(qū)間Fig.6 Confidence interval of K-means cluster main points based on normal distribution

2.4 導航線規(guī)劃方法

機器人在已知玉米局部中心區(qū)域基礎(chǔ)上規(guī)劃導航線，主要使規(guī)劃路徑盡可能避開玉米主干。本文使用RBF路徑規(guī)劃方法[7]。作物在作物行外的場景如圖7所示，對比Hough中心線提取和RBF情況下計算出來的路徑軌跡。中心線提取的方法雖然導航線在出現(xiàn)秸稈超出作物行時向左偏移，但是由于車身寬度的原因，車輛與超出秸稈發(fā)生碰撞的概率很大。而使用RBF的方法，在此處有航向角的偏轉(zhuǎn)，使得移動植保機器人順利通過的幾率明顯增加。

圖7 Hough中心線提取和RBF路徑規(guī)劃Fig.7 Hough centerline extraction and RBF path planning

3 試驗

通過置信區(qū)間優(yōu)化K-means聚類主干點方法，在實際農(nóng)田作物行中有效識別出植保機器人可通行區(qū)域，為更精確分析該方法在多種玉米種植密度下的植保機器人可通行區(qū)域識別精度，本試驗通過布置標定好行距和株距的玉米植株，模擬真實場景開展精度分析試驗。經(jīng)過調(diào)研，安徽地區(qū)機械化種植玉米作物的大田每隔5 m或10 m預留70～80 cm作業(yè)行，種植玉米株間距20～30 cm，布置模擬試驗如圖8所示，調(diào)節(jié)行間距與株間距研究不同行間距與株間距對該方法識別精度的影響。為更好實現(xiàn)模擬場景真實性，試驗中調(diào)整傳感器感知高度，使其所采集點云形態(tài)與真實環(huán)境保持一致，所采集對比點云如圖9所示。通過對比基于K-means聚類獲取的玉米主干定位與模擬植株真實位置，分析玉米主干定位誤差。

圖8 模擬試驗Fig.8 Simulation experiment

圖9 真實環(huán)境與模擬試驗點云對比Fig.9 Comparison of real environment and test point cloud

模擬試驗場景下植株聚類方法定位位置與真實位置對比如圖10所示，當被測植株距離雷達越遠時，測量的玉米主干誤差有所增加。根據(jù)兩側(cè)所求得主干中心區(qū)域，并通過中心區(qū)域圈定可通信區(qū)域規(guī)劃獲得導航線。通過對比，行距70～80 cm寬度內(nèi)變化對中心區(qū)域識別誤差影響較小，試驗中導航線最大誤差7.67 cm，最小誤差0.6 cm，平均誤差4.1 cm。

圖10 玉米分布結(jié)果對比Fig.10 Comparison of corn distribution

根據(jù)上述試驗方法，調(diào)整玉米行間距與株距，控制植保機器人在壟間多次行駛采集數(shù)據(jù)，分析植保機器人在作物行中不同位置的玉米植株主干區(qū)域定位與真實位置誤差。如圖11所示，選取試驗中典型的4個位置誤差數(shù)據(jù)。如表1所示，近端玉米定位與路徑規(guī)劃誤差小，距離越遠誤差越大。

圖11 誤差變化曲線Fig.11 Error analysis curves

表1 玉米行間誤差分布Tab.1 Inter row error distribution of corn cm

多次試驗結(jié)果表明，采用K-means算法引入置信度來估計玉米主干位置，與玉米主干實際可通行區(qū)域進行對比，X軸方向4.5 m前視范圍內(nèi)平均誤差均保持在±5 cm以內(nèi)，最大誤差為7.67 cm。由于機器人寬度限制，移動平臺行駛速度與前視距離成正比、與感知規(guī)劃時間成反比。感知系統(tǒng)3～3.5 m前視距離最大誤差3.55 cm，當前系統(tǒng)感知響應平均用時2 s，滿足機器人設計的最大移動1 m/s速度需求。誤差來源主要由于葉片分布不規(guī)則，且玉米葉片面積較大激光雷達感知點較密集，導致聚類中心受葉片伸展影響較大。作物行間玉米葉片重疊會影響兩側(cè)植株信息完整性，同樣給玉米主干區(qū)域分析帶來干擾。除此之外，車載激光雷達振動和傾斜會造成整體點云的偏移，也會導致主干區(qū)域整體偏移。

4 結(jié)論

(1)在K-means算法基礎(chǔ)上引入置信區(qū)間優(yōu)化主干區(qū)域聚類結(jié)果，通過分析機器人前進方向上的玉米植株三維點云數(shù)據(jù)，研究葉片與主干點云地面投影的分布規(guī)律，設置置信區(qū)間獲取K-means聚類中心點，剔除玉米壟間的離群點，基于此方法提出一種高遮擋環(huán)境下玉米中后期壟間行走小型植保機器人可通行區(qū)域識別方法。

(2)近端玉米定位與路徑規(guī)劃誤差小，距離越遠誤差越大。植保機器人的設計寬度為60 cm，通過試驗，感知系統(tǒng)3～3.5 m前視距離最大誤差3.55 cm，當前系統(tǒng)感知響應平均用時2 s，滿足機器人設計的最大移動1 m/s速度需求。該誤差基本能使移動機器人保持在80 cm左右寬度作物行內(nèi)正常行駛。

(3)該方法誤差來源較多，主要由于葉片分布不規(guī)則，且玉米葉片面積較大，激光雷達感知點較密集，以及作物行間玉米葉片重疊會影響兩側(cè)植株信息完整性，導致聚類中心受葉片伸展影響較大。此外，車載激光雷達振動和傾斜會造成整體點云的偏移，也會導致主干區(qū)域整體偏移。