高文斌，張豐豐，董偉光，余曉流

(1.安徽工業(yè)大學a.機械工程學院；b.特種重載機器人安徽省重點實驗室，安徽馬鞍山 243032；2.公安部交通管理科學研究所，江蘇無錫 214151)

隨著我國經(jīng)濟、社會的快速發(fā)展，2021 年我國機動車保有量超過3.95 億輛，汽車保有量超過3 億輛。近年，我國每年發(fā)生近20萬起交通事故，造成大量人員傷亡和財產(chǎn)損失。交通事故現(xiàn)場勘察是交通事故調(diào)查處理中一道重要的工序，其中車輛底盤勘察取證對還原車輛交通事故事實、認定事故責任起到關(guān)鍵性的作用[1-2]。

車底勘察取證裝備分成手持式、固定式和移動式。手持式勘察裝備由手柄、顯示器、檢視裝置及照明燈組成，需手持裝備進行車底勘察，體力消耗大、效率低[3]。固定式勘察裝備要求車輛從勘察裝備上方通過才能獲取車輛底盤圖像信息，該類裝備攜帶不便，還需要車輛具有正常的移動功能，對事故現(xiàn)場底盤勘察的適應性差[4-5]。研究表明[6-10]，移動式勘察裝備已廣泛用于危險環(huán)境的探查取樣、城市救援救災、戰(zhàn)場偵察、反恐排爆等領(lǐng)域。但是，移動式勘察裝備受車輛底盤高度的限制而通過性較差；操作人員在遙控機器人運行軌跡的同時需手動采集車底圖像信息，難以滿足實際勘察需求；已有專用移動式勘察裝備本體及控制終端體積較大，不便于攜帶和運輸。鑒于此，根據(jù)乘用車事故現(xiàn)場勘察的實際需求，研制一種可自主運行的底盤勘察機器人(簡稱機器人)，通過手動或自主巡航方式覆蓋整個車底采集車輛底盤圖像，以實現(xiàn)交通事故的快速準確勘察。

1 機器人本體設(shè)計

普通轎車的最小離地間隙為130～200 mm，運動型多用途汽車(sport utility vehicle，SUV)的最小離地間隙為200～250 mm，行駛路面主要為混凝土和柏油路面[11]。根據(jù)機器人的工作環(huán)境、通用性和便攜性要求，確定機器人主要設(shè)計參數(shù)，如表1。

表1 主要設(shè)計參數(shù)Tab.1 Main design parameters

如圖1 所示，設(shè)計的機器人系統(tǒng)包括機器人本體、控制終端和手提箱。其中機器人本體由車體、輪式移動機構(gòu)、云臺、圖像采集模塊、底盤識別傳感器和避障傳感器組成。底盤識別傳感器安裝于車體上方，用于車輛底盤及底盤邊界識別；障礙物檢測傳感器安裝于車體前端和左右兩側(cè)，用于周圍環(huán)境信息獲取。

圖1 機器人系統(tǒng)和本體示意圖Fig.1 Schematic diagram of robot system and body

為滿足機器人高度約束要求，設(shè)計一種通過中空軸內(nèi)部走線、由數(shù)字舵機驅(qū)動的半潛式兩自由度云臺(圖2)，用于圖像采集模塊的姿態(tài)調(diào)整。

圖2 兩自由度云臺Fig.2 2-DOF pan-tilt platform

云臺通過繞垂直軸左右轉(zhuǎn)動來調(diào)整航向角，傳動裝置布置在車體內(nèi)部；通過繞水平軸上下翻轉(zhuǎn)來調(diào)整俯仰角，傳動裝置布置在云臺內(nèi)腔。云臺搭載一個發(fā)光二極管(light emitting diode，LED)，在光照不佳的環(huán)境下為圖像采集補充照明。

2 機器人控制系統(tǒng)設(shè)計

2.1 硬件結(jié)構(gòu)

控制系統(tǒng)硬件主要包括核心控制器、運動控制系統(tǒng)、圖像采集系統(tǒng)和傳感器系統(tǒng)，如圖3。采用STM32F407ZGT6 芯片作為核心控制器，負責數(shù)據(jù)處理、指令解析和運動控制；運動控制系統(tǒng)包括驅(qū)動器和直流伺服減速電機；圖像采集系統(tǒng)包括高清攝像頭、LED 光源和云臺；傳感器系統(tǒng)包括紅外傳感器、超聲波傳感器和慣性導航模塊。

圖3 控制系統(tǒng)硬件結(jié)構(gòu)Fig.3 Hardware structure of the control system

2.2 控制流程

基于μC/OS-II 嵌入式實時操作系統(tǒng)架構(gòu)開發(fā)機器人機載控制系統(tǒng)，協(xié)調(diào)各項硬件資源完成作業(yè)功能，實現(xiàn)多任務分配和調(diào)度。機載控制系統(tǒng)軟件功能主要包括指令接收與解析、底盤識別、局部路徑規(guī)劃、自主遍歷等，控制流程如圖4。

圖4 控制系統(tǒng)流程圖Fig.4 Flowchart of the control system

機器人可在手動模式和自主運行模式之間自由切換，當接收到上位機下發(fā)的自主運行指令后，進入自主運行模式。機器人初次駛?cè)氡豢辈燔囕v車底時進行方向校準，使前進方向與車輛車長方向垂直，并在首次駛?cè)胲嚨滋幗⑹澜缱鴺讼礨OY(圖5)。機器人以“弓”字形軌跡遍歷運行，直至完成勘察，駛出車底。在勘察過程中，機器人處于車底時，以100 ms 為周期實時掃描周圍和底盤等環(huán)境信息，若檢測到障礙物，則根據(jù)障礙物特征類型進行局部路徑規(guī)劃，并判斷能否避讓。若能避讓，則在運動規(guī)則庫中選擇相應避讓策略；若不能避讓，則中止自主運行，跳轉(zhuǎn)至手動模式。當機器人處于車底邊緣時，若有障礙物，則進行自主避障；若無障礙物，則相對底盤邊緣進行方向校準。當機器人駛出至車底之外時，中止自主運行進入手動模式。

圖5 機器人運動學模型Fig.5 Kinematics model of the robot

2.3 底盤識別

機器人在自主運行模式下進行車輛底盤遍歷時需估算機器人在車輛底盤下的位置，通常有如下兩種方法：建立坐標系，使用機器人的位置坐標估算機器人與車輛底盤的相對位置，受勘察車輛車型的影響，這種方法通用性差；通過紅外傳感器陣列識別車輛底盤，估算機器人與車輛底盤的相對位置，這種方法通用性好，但受車輛底盤復雜結(jié)構(gòu)的影響，尤其是凹陷部位，易造成誤判。為提高車輛底盤識別功能的準確性，保證作業(yè)過程中機器人始終處于車輛底盤下，結(jié)合機器人位置坐標和紅外傳感器陣列被遮擋部分面積對機器人與車輛底盤的相對位置進行估算，可降低車輛底盤結(jié)構(gòu)對檢測結(jié)果的影響。

圖5中XOY為世界坐標系，原點O為機器人首次駛?cè)胲嚨椎奈恢?，Y軸與車寬方向平行，X軸與車長方向平行；xoy為機器人坐標系，機器人坐標系與世界坐標系的夾角為θ，位姿可表示為[x,y,θ]T。在機器人坐標系中，機器人沿x，y軸方向的速度為vx，vy；在世界坐標系中機器人的速度vX，vY，相對世界坐標系的角速度為θ˙，兩坐標下的速度滿足式(1)。設(shè)機器人第1 次駛?cè)胲囕v底盤時的位姿為[x0,y0,θ0]T，如式(2)，經(jīng)時間t后，機器人位姿為[xt,yt,θt]T。機器人沿車寬方向(世界坐標系Y軸)遍歷的距離y=yt-y0。

如圖6(a)所示，機器人頂部安裝16 個呈矩形分布的紅外傳感器陣列，被遮擋兩梯形或兩四邊形的面積(圖6(b))之和A的計算方法如式(3)。h1，h2為陣列矩形邊長；L1，L2，L3，L4為陣列矩形四邊被遮擋的傳感器之間的距離。當h1h2≤A ≤2h1h2時，機器人位于底盤下。

圖6 紅外傳感器陣列被遮擋區(qū)域Fig.6 Shadowed area of infrared sensor array

根據(jù)乘用車輛寬度主要在1 500～2 000 mm 之間，一般不超過2 000 mm 的先驗知識[11]，結(jié)合y和A的取值范圍，識別機器人與車輛底盤的相對位置，可歸納為3種情況，如表2。

表2 底盤識別Tab.2 Chassis recognition

2.4 底盤邊緣對齊

如圖7 所示，陰影部分為不同工況下紅外傳感器陣列被車輛底盤遮擋區(qū)域特征。矩形長邊為機器人本體長度方向，短邊為機器人本體寬度方向，填充圓圈表示被觸發(fā)(被底盤遮擋)的傳感器，中空圓圈表示未被觸發(fā)的傳感器。紅外傳感器陣列共有216種信號組合，根據(jù)機器人實際工作情況歸納出10種特征工況。圖7(a)～(f)為機器人前進方向與被勘察車輛底盤長度方向垂直，圖7(g)～(j)為機器人前進方向與被勘察車輛底盤長度方向平行。規(guī)定特征工況1，2表示機器人在汽車底盤下；工況3，4表示機器人位于底盤邊緣之下，且前進方向與底盤邊緣接近垂直；工況5，6 表示機器人在底盤外；工況7～10 表示機器人位于底盤邊緣之下，且前進方向與底盤邊緣接近平行。

圖7 紅外傳感器陣列信號特征Fig.7 Signal characteristics of infrared sensor array

機器人在進行自主勘察作業(yè)時，慣性導航模塊受車輛底盤鐵制磁性材料影響漂移嚴重。為實現(xiàn)機器人按照指定的路徑自主運行，當機器人處于底盤邊緣時，利用紅外傳感器陣列對機器人運行方位進行校正。如圖8 所示，兩相鄰紅外傳感器的間距為l，機器人前進方向與底盤邊緣存在一個偏角δ，最大值為δmax，δmax= arctan。機器人通過四輪原地差速轉(zhuǎn)動消除δ。

圖8 機器人偏角Fig.8 Robot declination

機器人各零部件左右對稱布置，假設(shè)路面絕對平坦，機器人只受到重力和路面垂直方向的支持力與水平方向的摩擦力作用。根據(jù)水平方向受力分析(圖9)，可得機器人動力學微分方程，如式(4)[12-13]。

圖9 機器人受力分析Fig.9 Forces analysis of the robot

式中：m為機器人質(zhì)量；γ為機器人相對大地參考系的角速度；Fxi，F(xiàn)yi分別為地面對各車輪摩擦力在車長和車寬方向的分量；Iz為機器人相對質(zhì)心o的轉(zhuǎn)動慣量；W為輪距；L為前后輪軸距；d為前軸到質(zhì)心的距離。機器人在原地勻速轉(zhuǎn)動時，|vx|=0，vy=γh，h為機器人質(zhì)心o到旋轉(zhuǎn)中心O的距離，則有式(5)。

機器人繞旋轉(zhuǎn)中心O勻速旋轉(zhuǎn)時，由對稱關(guān)系知

勻速轉(zhuǎn)動時γ為非零常數(shù)，m＞0，可知h= 0，即機器人旋轉(zhuǎn)中心與質(zhì)心重合，但與紅外傳感器陣列的幾何中心O′不重合。因此在進行邊界校準時，旋轉(zhuǎn)中心O到前后對稱的兩紅外傳感器的距離不同，即OA≠OB，如圖10。

圖10 對齊過程分析Fig.10 Analysis of the alignment process

校準主要步驟如下：

1)機器人順時針旋轉(zhuǎn)，當?shù)谝粋€紅外傳感器在B點被底盤遮擋狀態(tài)發(fā)生改變時，機器人開始計時，同時以角速度γ逆時針勻速旋轉(zhuǎn)；

2)經(jīng)時間t后，第二個傳感器在A′點被底盤遮擋狀態(tài)發(fā)生改變，機器人方向與底盤邊緣夾角為α；

3)機器人順時針旋轉(zhuǎn)角度α后，前進方向與車輛底盤邊緣所在直線平行。

O點為機器人的旋轉(zhuǎn)中心，根據(jù)機器人設(shè)計參數(shù)已知OB′，OA′，OA，OB，AB，A′B′線段的長度及∠AOB，∠A′OB′，且

由余弦定理知：

式中l(wèi)為線段的長度。由式(8)可求得∠COC′即α，故在步驟3)時，機器人原地順時針旋轉(zhuǎn)α后與底盤邊緣平行。

2.5 路徑規(guī)劃

事故車輛底盤勘察機器人工作于未知環(huán)境中，基于傳感器信息，借鑒模糊控制思想實現(xiàn)局部路徑規(guī)劃[14-16]，完成自主避障和車輛底盤遍歷等自主運行任務。對于乘用車底盤離地間隙較小，超聲波傳感器波束角較大時，探測結(jié)果易受地面或車輛底盤反射聲波的干擾；紅外傳感器波束角較小時，障礙物顏色對觸發(fā)距離影響大。故組合使用將超聲波傳感器和紅外傳感器，以提高檢測精度。組合1為1個超聲波傳感器和1個紅外傳感器；組合2為1個超聲波傳感器和2 個紅外傳感器。如表3 所示，0 表示無障礙物、1 表示有障礙物。如圖11 所示，C1，C2，C3，C5，C6和C7為組合1；C4為組合2。如圖12 所示，根據(jù)障礙物在機器人周圍的分布，抽象出8 種障礙物特征類型[17]，記Ei={E1,E2,E3,E4,E5,E6,E7,E8}。如圖13 所示，根據(jù)機器人在車底的相對位姿抽象出4 種狀態(tài)，分別為狀態(tài)一、狀態(tài)二、狀態(tài)三、狀態(tài)四，記為Sj={S1,S2,S3,S4}。將Ei和Sj作為輸入變量映射為機器人動作Yk=EiSj，k= 32，實現(xiàn)機器人自主避障和自主運行。

表3 避障傳感器狀態(tài)組合Tab.3 Status combination of obstacle avoidance sensors

圖11 避障傳感器分布Fig.11 Distribution of the obstacle avoidance sensors

圖12 障礙物特征Fig.12 Characteristics of the obstacles

圖13 機器人在車底的運行狀態(tài)Fig.13 Running state of robot under the vehicle

3 機器人道路測試

在柏油和混凝土路面上，對研制的機器人開展自主運行模式下的測試試驗。

1)如圖14所示，紅外傳感器陣列實時判斷機器人與底盤關(guān)系，完成自主運行。根據(jù)提出的3 步式校準法修正機器人前進方向。

圖14 底盤識別和方向校準Fig.14 Chassis identification and attitude alignment

2)如圖15所示，當機器人自主運行過程中遇到路肩、車輪等障礙物時，避讓后繼續(xù)完成遍歷。

圖15 避障及自主運行Fig.15 Obstacle avoidance and autonomous running

3)機器人在自主運行過程中，可根據(jù)設(shè)定完成拍照，實時上傳底盤圖像并保存至控制終端。部分采集圖像如圖16，可滿足交警部門對事故鑒定的照片質(zhì)量要求。

圖16 底盤圖像采集Fig.16 Chassis images acquisition

4 結(jié)論

針對交警部門對離地間隙狹小乘用車輛底盤拍照取證困難的問題，研制一種用于乘用車車底圖像采集的自主勘察機器人。結(jié)合機器人位置坐標和頂部紅外傳感器陣列觸發(fā)信息來自動識別汽車底盤圖像信息；采用基于紅外傳感器陣列觸發(fā)狀態(tài)的機器人相對車輛邊沿位姿校正的方法，解決慣性導航模塊在鐵磁性車輛底盤下嚴重漂移導致的導航失效問題；基于慣性導航信息和避障傳感器的組合，實現(xiàn)對車輛底盤拍照取證的自主遍歷。道路測試結(jié)果表明，研制的機器人在自主運行過程中，可根據(jù)設(shè)定完成車輛底盤取證拍照，實時上傳照片并保存至控制終端，上傳的照片可滿足交警部門對事故鑒定的圖像質(zhì)量要求。