李 強(qiáng)

(江蘇安全技術(shù)職業(yè)學(xué)院，江蘇 徐州 221000)

0 引言

移動(dòng)機(jī)器人是一種能自動(dòng)完成任務(wù)的機(jī)械設(shè)備，可以按照事先設(shè)定好的程序執(zhí)行任務(wù)。它具備感知環(huán)境、決策規(guī)劃和執(zhí)行行動(dòng)的能力，能夠通過(guò)傳感器獲取周圍環(huán)境的信息，并利用算法進(jìn)行數(shù)據(jù)處理和決策。目標(biāo)檢測(cè)與跟蹤是移動(dòng)機(jī)器人的主要工作內(nèi)容之一，目標(biāo)跟蹤是利用視頻或圖像序列的上下文信息，對(duì)目標(biāo)的外觀和運(yùn)動(dòng)信息進(jìn)行建模，從而對(duì)目標(biāo)運(yùn)動(dòng)狀態(tài)進(jìn)行預(yù)測(cè)并標(biāo)定目標(biāo)的位置。從建模方式上看，目標(biāo)跟蹤算法可劃分為生成性和判別性兩種，從被跟蹤對(duì)象的個(gè)數(shù)上看，可劃分為單個(gè)和多個(gè)目標(biāo)。目標(biāo)跟蹤是圖像處理、機(jī)器學(xué)習(xí)、優(yōu)化等多學(xué)科交叉融合的一種新方法，是實(shí)現(xiàn)更高層次圖像理解任務(wù)的先決條件。在復(fù)雜場(chǎng)景下，由于目標(biāo)受多種因素影響，使移動(dòng)機(jī)器人對(duì)目標(biāo)跟蹤的精度和效率降低。為此，對(duì)移動(dòng)機(jī)器人的目標(biāo)跟蹤進(jìn)行研究。

從現(xiàn)階段機(jī)器人目標(biāo)跟蹤方法的研究情況來(lái)看，文獻(xiàn)[1]提出了基于自適應(yīng)隨動(dòng)機(jī)構(gòu)的機(jī)器人目標(biāo)跟蹤方法。利用YOLOv3對(duì)多個(gè)目標(biāo)進(jìn)行定位，并將其定位結(jié)果與三維坐標(biāo)解相結(jié)合，以達(dá)到對(duì)多個(gè)目標(biāo)的實(shí)時(shí)追蹤。文獻(xiàn)[2]提出了基于遺傳迭代和模糊控制的機(jī)器人目標(biāo)跟蹤方法。以采摘機(jī)器人作為處理對(duì)象，在機(jī)器人視覺(jué)系統(tǒng)和控制系統(tǒng)的設(shè)計(jì)上引入遺傳迭代算法，通過(guò)對(duì)圖像處理過(guò)程和機(jī)械執(zhí)行末端動(dòng)作過(guò)程進(jìn)行優(yōu)化，確定目標(biāo)的跟蹤結(jié)果。文獻(xiàn)[3]方法針對(duì)小型移動(dòng)機(jī)器人因跟蹤目標(biāo)速度快而導(dǎo)致跟蹤精度低的問(wèn)題，提出一種基于ROS的移動(dòng)機(jī)器人目標(biāo)跟蹤優(yōu)化方法。通過(guò)建立足部動(dòng)力學(xué)模型預(yù)測(cè)移動(dòng)位置，結(jié)合濾波器跟蹤算法實(shí)現(xiàn)目標(biāo)跟蹤優(yōu)化。文獻(xiàn)[4]方法利用ORB算法和Kalman 預(yù)測(cè)器改進(jìn)Camshift 算法，通過(guò)ORB算法匹配預(yù)測(cè)區(qū)域與目標(biāo)區(qū)域，降低背景干擾，采用Kalman 濾波作為預(yù)測(cè)機(jī)制，初始化Camshift 算法，結(jié)合ORB算法和Kalman更新預(yù)測(cè)器參數(shù)，實(shí)現(xiàn)對(duì)目標(biāo)的穩(wěn)定跟蹤，文獻(xiàn)[5]方法根據(jù)目前移動(dòng)機(jī)器人在目標(biāo)跟蹤中存在的難點(diǎn)問(wèn)題，設(shè)計(jì)基于視覺(jué)的目標(biāo)跟蹤框架，采用深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)目標(biāo)跟蹤。然而上述目標(biāo)跟蹤方法在實(shí)際運(yùn)行過(guò)程中存在明顯的跟蹤誤差問(wèn)題。

多模態(tài)數(shù)據(jù)指的是由兩種或兩種以上模態(tài)組成的數(shù)據(jù)，而粒子濾波器是一種基于蒙特卡羅算法的遞推濾波器，通過(guò)對(duì)隨機(jī)事件的加權(quán)后驗(yàn)概率進(jìn)行描述，實(shí)現(xiàn)對(duì)含噪音和殘缺數(shù)據(jù)的動(dòng)力系統(tǒng)狀態(tài)估計(jì)，適用于任意的狀態(tài)空間?；谏鲜龇治?，提出了基于多模態(tài)數(shù)據(jù)和粒子濾波器的移動(dòng)機(jī)器人目標(biāo)跟蹤方法，以期能夠提升移動(dòng)機(jī)器人的目標(biāo)跟蹤精度和效率。

1 移動(dòng)機(jī)器人目標(biāo)跟蹤方法設(shè)計(jì)

粒子濾波器在視覺(jué)處理領(lǐng)域得到廣泛應(yīng)用，但由于移動(dòng)機(jī)器人目標(biāo)跟蹤存在的問(wèn)題較為復(fù)雜，粒子濾波器在實(shí)際目標(biāo)跟蹤過(guò)程中會(huì)產(chǎn)生粒子衰退現(xiàn)象，在實(shí)際應(yīng)用中，由于噪聲的存在，不僅會(huì)導(dǎo)致對(duì)粒子權(quán)值的描述不精確，而且還會(huì)導(dǎo)致粒子的分散度不斷降低，從而無(wú)法確保目標(biāo)跟蹤效果[3]。在移動(dòng)機(jī)器人目標(biāo)跟蹤方法的設(shè)計(jì)中，綜合應(yīng)用多模態(tài)數(shù)據(jù)和粒子濾波器，利用多模態(tài)數(shù)據(jù)解決粒子濾波器單獨(dú)使用中存在的粒子退化問(wèn)題，提高移動(dòng)機(jī)器人目標(biāo)的跟蹤效果。

1.1 多模態(tài)數(shù)據(jù)提取方法設(shè)計(jì)

1.1.1 采集移動(dòng)機(jī)器人目標(biāo)多模態(tài)數(shù)據(jù)

根據(jù)多模態(tài)數(shù)據(jù)的定義，利用移動(dòng)機(jī)器人內(nèi)置的多個(gè)視覺(jué)傳感器設(shè)備獲取多個(gè)視角的目標(biāo)圖像數(shù)據(jù)，得出多模態(tài)數(shù)據(jù)的采集結(jié)果。移動(dòng)機(jī)器人目標(biāo)多模態(tài)數(shù)據(jù)采集原理如圖1所示。

圖1 移動(dòng)機(jī)器人目標(biāo)多模態(tài)數(shù)據(jù)采集原理圖

按照?qǐng)D1所示的原理，得出移動(dòng)機(jī)器人對(duì)目標(biāo)的數(shù)據(jù)采集結(jié)果，其中，左側(cè)視角得出目標(biāo)數(shù)據(jù)采集結(jié)果為：

(1)

式中，f為成像焦距，θleft為移動(dòng)機(jī)器人左側(cè)成像設(shè)備與成像目標(biāo)之間的角度，即左側(cè)視角下的成像角，(x，y)為移動(dòng)機(jī)器人跟蹤目標(biāo)的實(shí)際位置數(shù)據(jù)，h為移動(dòng)機(jī)器人跟蹤目標(biāo)成像的深度坐標(biāo)，其計(jì)算公式為：

(2)

式中，L和d分別對(duì)應(yīng)的是左右兩端成像位置之間的距離以及視差，將式(2)的計(jì)算結(jié)果代入到式(1)中，即可得出跟蹤目標(biāo)左側(cè)模態(tài)數(shù)據(jù)的采集結(jié)果。同理可以得出右側(cè)視角下的模態(tài)數(shù)據(jù)采集結(jié)果：

(3)

其中：θright為右側(cè)視角下的成像角。按照上述方式可以得到跟蹤目標(biāo)所在區(qū)域所有位置的成像結(jié)果，即多模態(tài)數(shù)據(jù)的初始采集結(jié)果。

1.1.2 移動(dòng)機(jī)器人目標(biāo)多模態(tài)數(shù)據(jù)預(yù)處理

移動(dòng)機(jī)器人目標(biāo)初始多模態(tài)數(shù)據(jù)預(yù)處理的目的是保證數(shù)據(jù)的采集質(zhì)量，為目標(biāo)的檢測(cè)與跟蹤提供滿足要求的數(shù)據(jù)支持[4]。移動(dòng)機(jī)器人目標(biāo)多模態(tài)數(shù)據(jù)的預(yù)處理包括畸變校正、圖像匹配/融合、去噪、增強(qiáng)等步驟，多模態(tài)數(shù)據(jù)畸變的產(chǎn)生是由于光線通過(guò)成像設(shè)備產(chǎn)生的不規(guī)則折射，其目的是保證多模態(tài)數(shù)據(jù)像點(diǎn)的實(shí)際位置與理想位置一致，初始多模態(tài)數(shù)據(jù)的畸變校正處理結(jié)果可以表示為：

(4)

其中：δxr、δxt和δyr、δyt分別為徑向畸變和切向畸變?cè)谒胶拓Q直方向上的分量，其計(jì)算公式如下：

(5)

式中，κradial1、κradial2和κradial3均為徑向畸變系數(shù)，κtangential1和κtangential2表示的是切向畸變系數(shù)，r為鏡頭半徑。通過(guò)式(4)和式(5)的聯(lián)立，即可完成對(duì)初始度模態(tài)數(shù)據(jù)的畸變校正處理，將數(shù)據(jù)的畸變校正處理結(jié)果幅值給初始多模態(tài)數(shù)據(jù)[5]。采用局部立體匹配的方式對(duì)兩視角的模態(tài)采集數(shù)據(jù)進(jìn)行匹配融合，以匹配點(diǎn)為中心建立窗口。利用圖像中相鄰像素點(diǎn)具有相同的特性，通過(guò)圖像中的鄰域像素來(lái)刻畫圖像中的當(dāng)前匹配點(diǎn)，從而降低了圖像中出現(xiàn)的離群點(diǎn)的錯(cuò)配問(wèn)題。該方法使用相似度度量函數(shù)，對(duì)兩幅圖像中的像素點(diǎn)進(jìn)行相似度度量，并以最近的像素點(diǎn)作為最好的匹配點(diǎn)[6]。局部立體匹配算法是以局部窗口中的鄰域像素為基礎(chǔ)，假設(shè)參考圖中一待匹配點(diǎn)的坐標(biāo)為(xmate，ymate)，以該點(diǎn)為中心在其周圍選擇一個(gè)尺寸為J×K的視窗做為支撐范圍。為了降低由于離群點(diǎn)所引起的誤配，利用極線限制原理，對(duì)左右兩視角的模態(tài)數(shù)據(jù)采集結(jié)果進(jìn)行分別校正，尋找數(shù)據(jù)之間的視差，在目標(biāo)圖像中建立與參考圖像等大小的窗口，并在視差范圍內(nèi)選擇最佳匹配點(diǎn)[7]。由此得出多模態(tài)數(shù)據(jù)的融合結(jié)果為：

(6)

按照上述流程，得出多模態(tài)數(shù)據(jù)的融合處理結(jié)果，保證能夠在同一數(shù)據(jù)中反映出待跟蹤目標(biāo)的全部信息。多模態(tài)數(shù)據(jù)去噪處理的目的是降低無(wú)關(guān)因素對(duì)目標(biāo)跟蹤結(jié)果造成的影響。為了能夠在完全去除噪聲信號(hào)的同時(shí)，最大程度地保留多模態(tài)數(shù)據(jù)中的有效信息，采用均值濾波與高斯濾波相結(jié)合的方式進(jìn)行多模態(tài)數(shù)據(jù)的去噪處理，均值濾波方法采用域平均方法，將各像素的灰度值取若干像素的平均值，從而達(dá)到去噪的目的[8]。高斯濾波是將輸入陣列中的每個(gè)像素點(diǎn)與高斯核心作卷積，并將其結(jié)果作為輸出像素的一種簡(jiǎn)單、快速的線性光滑降噪方法。通過(guò)均值濾波與高斯濾波處理，得出的多模態(tài)數(shù)據(jù)去噪處理結(jié)果為：

(7)

其中：Mx，y表示均值濾波窗口中心與圖像像素點(diǎn)重合時(shí)，窗口內(nèi)的所有像素點(diǎn)集合，Npixel為多模態(tài)數(shù)據(jù)量，λ(s，v)為卷積模板系數(shù)，s和v分別為長(zhǎng)度系數(shù)和寬度系數(shù)，按照上述方式將多模態(tài)數(shù)據(jù)的去噪處理結(jié)果賦值給初始數(shù)據(jù)[9]。在此基礎(chǔ)上，采用形態(tài)學(xué)處理的方式實(shí)現(xiàn)對(duì)多模態(tài)數(shù)據(jù)的增強(qiáng)處理，通過(guò)形態(tài)學(xué)操作來(lái)減輕噪聲對(duì)圖像的干擾，然后采用圖像分割算法將前景目標(biāo)從場(chǎng)景中提取出來(lái)。在數(shù)學(xué)中，構(gòu)建幾何模型是分析形態(tài)學(xué)處理的基礎(chǔ)，形態(tài)學(xué)處理中膨脹和腐蝕操作是最基本的形態(tài)學(xué)處理，它們被廣泛地應(yīng)用在運(yùn)動(dòng)目標(biāo)檢測(cè)中[10]。采用膨脹和腐蝕算法，可以使檢測(cè)到的前景目標(biāo)更加完整，并且能夠消除部分背景中的干擾信息。多模態(tài)數(shù)據(jù)的膨脹與腐蝕處理過(guò)程可以描述為：

(8)

1.1.3 提取移動(dòng)機(jī)器人目標(biāo)多模態(tài)數(shù)據(jù)特征

以移動(dòng)機(jī)器人的多模態(tài)數(shù)據(jù)預(yù)處理結(jié)果為研究對(duì)象，從邊緣、顏色、紋理等多個(gè)方面提取數(shù)據(jù)特征，為目標(biāo)的檢測(cè)與識(shí)別提供參考[12]。移動(dòng)機(jī)器人目標(biāo)的邊緣特征用來(lái)描述目標(biāo)的基本結(jié)構(gòu)，在邊緣特征的提取過(guò)程中，首先將目標(biāo)多模態(tài)數(shù)據(jù)均勻分割成多個(gè)模塊，采用[-1，0，1]的離散微分模板計(jì)算每個(gè)模塊內(nèi)像素在水平和垂直方向上的梯度矢量，計(jì)算公式如下：

(9)

利用式(9)的求解結(jié)果，得出多模態(tài)數(shù)據(jù)中任意像素位置處梯度大小和方向特征的提取結(jié)果為：

(10)

按照上述方式可以得出多模態(tài)數(shù)據(jù)中所有像素位置的梯度大小與方向的特征提取結(jié)果，最終將所有的特征分量進(jìn)行融合，即可得出邊緣特征的提取結(jié)果：

(11)

顏色特征是一種更直接，更容易觀察的視覺(jué)特性[13]。由于多模態(tài)數(shù)據(jù)所包含的環(huán)境、背景、物體以及其他與顏色相關(guān)的事物，都與顏色相關(guān)，具有良好的抗干擾能力。在RGB顏色空間內(nèi)，構(gòu)建目標(biāo)的顏色直返圖，在任意像素點(diǎn)位置上，顏色分布特征的提取結(jié)果為：

(12)

式中，fi()和W分別為核函數(shù)和核帶寬，fKronecker delta()為Kronecker delta函數(shù)，γ為歸一化常數(shù)，Q表示的是多模態(tài)數(shù)據(jù)對(duì)應(yīng)直方圖的顏色索引。另外移動(dòng)機(jī)器人目標(biāo)紋理特征的提取結(jié)果為：

(13)

其中：E(x，y)和g分別為多模態(tài)數(shù)據(jù)的能量分量和灰度均值。綜合邊緣、顏色和紋理3個(gè)方面，得出移動(dòng)機(jī)器人目標(biāo)特征的最終提取結(jié)果為：

τ=?1τgradient+?2τcolour+?3τtexture

(14)

式中，?1、?2和?3對(duì)應(yīng)的是邊緣特征、顏色特征以及紋理特征的融合權(quán)重值。按照上述流程，完成對(duì)移動(dòng)機(jī)器人目標(biāo)的特征提取任務(wù)。

1.2 利用多模態(tài)數(shù)據(jù)特征和粒子濾波器檢測(cè)機(jī)器人目標(biāo)

以提取的多模態(tài)數(shù)據(jù)特征為分析對(duì)象，構(gòu)建粒子濾波器，通過(guò)粒子初始化、粒子更新、粒子擴(kuò)散、粒子退化等環(huán)節(jié)，實(shí)現(xiàn)對(duì)移動(dòng)機(jī)器人跟蹤目標(biāo)的檢測(cè)。移動(dòng)機(jī)器人目標(biāo)多模態(tài)數(shù)據(jù)范圍內(nèi)，粒子濾波器的連接結(jié)構(gòu)[15]如圖2所示。

圖2 多模態(tài)數(shù)據(jù)范圍內(nèi)粒子濾波器連接結(jié)構(gòu)圖

在移動(dòng)機(jī)器人目標(biāo)檢測(cè)過(guò)程中，單個(gè)粒子濾波器的運(yùn)行流程如圖3所示。

圖3 粒子濾波器運(yùn)行流程圖

粒子濾波器通過(guò)一組帶權(quán)粒子樣本集對(duì)后驗(yàn)概率密度進(jìn)行估計(jì)，并不斷更新粒子樣本集以及粒子權(quán)值，從而實(shí)現(xiàn)了對(duì)目標(biāo)狀態(tài)的準(zhǔn)確估計(jì)。粒子濾波器中目標(biāo)跟蹤模型狀態(tài)方程為：

Υt=Ψ(Υt-1，Φt-1，Κt-1)

(15)

式中，Υt-1為t-1時(shí)刻的目標(biāo)狀態(tài)，Φt-1為t-1時(shí)刻的控制輸入，Κt-1為t-1時(shí)刻的過(guò)程噪聲。

粒子濾波通過(guò)對(duì)粒子運(yùn)動(dòng)模型進(jìn)行建模，提取粒子特征，定義粒子與目標(biāo)之間的相似性測(cè)度，并對(duì)下一幀粒子集進(jìn)行預(yù)測(cè)，根據(jù)粒子集的候選區(qū)域，利用相似性測(cè)度，實(shí)現(xiàn)對(duì)目標(biāo)的定位。在經(jīng)過(guò)一段時(shí)間的追蹤之后，再將更多的粒子拋到最后一幀，從而提高了跟蹤的魯棒性[16]。在粒子濾波器運(yùn)行過(guò)程中，首先對(duì)用于檢測(cè)目標(biāo)的粒子進(jìn)行初始化，在已知先驗(yàn)概率分布的情況下，得到初始采樣粒子集。移動(dòng)機(jī)器人目標(biāo)跟蹤工作的目標(biāo)多模態(tài)數(shù)據(jù)逐幀計(jì)算過(guò)程中，需要求解各個(gè)粒子的重要性權(quán)值，該參數(shù)決定了粒子的擴(kuò)散和更新情況，粒子重要性權(quán)值的求解結(jié)果為：

(16)

(17)

其中：NL為粒子數(shù)量，若式(17)的計(jì)算結(jié)果低于閾值C0，則進(jìn)行粒子重采樣操作，將權(quán)值大的粒子分解為多個(gè)粒子，替換權(quán)值小的粒子，否則無(wú)需進(jìn)行粒子重采樣操作，重采樣后，所有粒子的權(quán)重是相同的。目標(biāo)檢測(cè)工作中，粒子濾波器的執(zhí)行過(guò)程也是粒子的尋優(yōu)過(guò)程，將多模態(tài)數(shù)據(jù)范圍內(nèi)粒子距離中心粒子的平均距離作為多樣性測(cè)度，研究粒子在高似然區(qū)域內(nèi)的粒子數(shù)目，并結(jié)合粒子數(shù)目，對(duì)其數(shù)目進(jìn)行控制，最終將粒子數(shù)目降低至一定的臨界值，進(jìn)而利用減少的粒子進(jìn)行粒子擴(kuò)散，提高粒子的多樣性[18]。粒子濾波器執(zhí)行過(guò)程中的粒子擴(kuò)散原理如圖4所示。

圖4 粒子濾波器的粒子擴(kuò)散原理圖

多模態(tài)數(shù)據(jù)范圍內(nèi)粒子的擴(kuò)散行為可以量化描述為：

(18)

(19)

將式(16)和式(18)的計(jì)算結(jié)果代入到式(19)中，即可得出目標(biāo)狀態(tài)的預(yù)測(cè)估計(jì)結(jié)果[19]。按照上述方式可以得出多模態(tài)數(shù)據(jù)區(qū)域內(nèi)所有粒子狀態(tài)的預(yù)測(cè)估計(jì)結(jié)果，將Pt(i)最大值對(duì)應(yīng)的候選粒子作為當(dāng)前時(shí)刻移動(dòng)機(jī)器人目標(biāo)的檢測(cè)結(jié)果。

1.3 實(shí)現(xiàn)移動(dòng)機(jī)器人目標(biāo)跟蹤

由于機(jī)器人以及目標(biāo)處于實(shí)時(shí)移動(dòng)狀態(tài)，因此需要利用采集的多模態(tài)數(shù)據(jù)和粒子濾波器對(duì)目標(biāo)的實(shí)時(shí)位置進(jìn)行更新，從而實(shí)現(xiàn)對(duì)目標(biāo)的跟蹤。移動(dòng)機(jī)器人在t+1時(shí)刻對(duì)目標(biāo)的跟蹤結(jié)果為：

(20)

式中，max[]為最大值求解函數(shù)，pt+1為目標(biāo)跟蹤節(jié)點(diǎn)。同理可以得出機(jī)器人移動(dòng)狀態(tài)下對(duì)目標(biāo)實(shí)時(shí)位置的跟蹤結(jié)果，通過(guò)多跟蹤點(diǎn)的融合，即可輸出移動(dòng)機(jī)器人跟蹤得出的目標(biāo)移動(dòng)路線為：

rtarget={pt，pt+1，pt+2，…}

(21)

在實(shí)際的移動(dòng)機(jī)器人目標(biāo)跟蹤過(guò)程中，由于多模態(tài)數(shù)據(jù)的支持，因此在粒子濾波器執(zhí)行過(guò)程中基本不會(huì)出現(xiàn)大批量粒子退化的情況，因此在此次研究中未考慮粒子退化的情況[20]。另外，在移動(dòng)機(jī)器人視野范圍內(nèi)存在的目標(biāo)存在不唯一的情況，此時(shí)需要對(duì)多目標(biāo)進(jìn)行跟蹤，根據(jù)多個(gè)目標(biāo)模態(tài)數(shù)據(jù)的采集結(jié)果，擴(kuò)大粒子濾波器的擴(kuò)散與搜索范圍，對(duì)跟蹤目標(biāo)對(duì)應(yīng)粒子進(jìn)行分類，重復(fù)上述操作得出各個(gè)粒子對(duì)應(yīng)目標(biāo)的跟蹤結(jié)果，由此便可得出移動(dòng)機(jī)器人多目標(biāo)的跟蹤結(jié)果，并最終以可視化的形式輸出。

2 跟蹤性能仿真

為驗(yàn)證設(shè)計(jì)的基于多模態(tài)數(shù)據(jù)和粒子濾波器的移動(dòng)機(jī)器人目標(biāo)跟蹤方法的跟蹤性能，采用白盒測(cè)試與對(duì)比測(cè)試相結(jié)合的方式，設(shè)計(jì)仿真測(cè)試，白盒測(cè)試的基本原理是提前設(shè)置移動(dòng)機(jī)器人跟蹤目標(biāo)的實(shí)時(shí)位置，以此作為仿真跟蹤結(jié)果，判斷設(shè)計(jì)方法輸出的跟蹤結(jié)果是否與設(shè)置數(shù)據(jù)一致，從而反應(yīng)設(shè)計(jì)方法跟蹤性能的測(cè)試結(jié)果。而對(duì)比測(cè)試的基本原理則是：選擇多個(gè)現(xiàn)有的目標(biāo)跟蹤方法作為仿真的對(duì)比方法，在相同的仿真場(chǎng)景下，對(duì)同一目標(biāo)進(jìn)行跟蹤，將對(duì)比方法得出的跟蹤數(shù)據(jù)作為仿真的對(duì)比項(xiàng)，以此驗(yàn)證設(shè)計(jì)方法在跟蹤性能方面的優(yōu)勢(shì)。

2.1 選擇移動(dòng)機(jī)器人樣機(jī)

此次仿真選擇MIR型自主移動(dòng)機(jī)器人作為執(zhí)行對(duì)象，該移動(dòng)機(jī)器人能夠?qū)崿F(xiàn)自主移動(dòng)，主要用于對(duì)道路交通與安全的監(jiān)測(cè)。選擇的移動(dòng)機(jī)器人樣機(jī)以IR2110作為驅(qū)動(dòng)電機(jī)，移動(dòng)機(jī)器人樣機(jī)內(nèi)部裝設(shè)了超聲傳感器，能夠檢測(cè)出前方是否存在障礙物并進(jìn)行躲避，避免移動(dòng)機(jī)器人在移動(dòng)過(guò)程中出現(xiàn)碰撞情況。為了保證移動(dòng)機(jī)器人能夠成功接收移動(dòng)指令與目標(biāo)跟蹤指令，在移動(dòng)機(jī)器人中內(nèi)置無(wú)線收發(fā)MODEM芯片，可連接到計(jì)算機(jī)的RS232接口。從幾何形態(tài)方面來(lái)看，移動(dòng)機(jī)器人的整機(jī)高度為1.7 m，為滿足多模態(tài)數(shù)據(jù)的采集工作，設(shè)置兩個(gè)視覺(jué)傳感器設(shè)備，傳感器的設(shè)置高度為1.5 m，兩傳感器之間的間隔距離為0.2 m，移動(dòng)機(jī)器人的最大移動(dòng)速度為35 km/h。在仿真開(kāi)始前，首先需要規(guī)劃并控制移動(dòng)機(jī)器人的移動(dòng)路線，保證移動(dòng)機(jī)器人的跟蹤目標(biāo)在移動(dòng)機(jī)器人的視野范圍內(nèi)。

2.2 搭建目標(biāo)跟蹤仿真環(huán)境

分別從移動(dòng)機(jī)器人、跟蹤目標(biāo)的實(shí)際移動(dòng)環(huán)境和設(shè)計(jì)目標(biāo)跟蹤方法的運(yùn)行環(huán)境兩個(gè)方面，通過(guò)Matlab軟件構(gòu)建移動(dòng)機(jī)器人模型，并將攝像頭、激光雷達(dá)、聲音傳感器等添置至機(jī)器人模型中，根據(jù)接收到的多模態(tài)數(shù)據(jù)信息，通過(guò)粒子濾波器對(duì)目標(biāo)進(jìn)行定位和跟蹤。此次仿真選擇某市郊區(qū)的空曠馬路作為移動(dòng)機(jī)器人和跟蹤目標(biāo)的移動(dòng)環(huán)境，設(shè)置的跟蹤目標(biāo)為車輛，根據(jù)馬路中行駛車輛的數(shù)量，生成單目標(biāo)場(chǎng)景和多目標(biāo)場(chǎng)景，其中，單目標(biāo)場(chǎng)景中只存在1輛車，而多目標(biāo)場(chǎng)景中的車輛數(shù)量為2。為滿足移動(dòng)機(jī)器人的目標(biāo)跟蹤要求，要求車輛的行駛速度不高于30 km/h?；诙嗄B(tài)數(shù)據(jù)和粒子濾波器的移動(dòng)機(jī)器人目標(biāo)跟蹤方法采用DM6446評(píng)估板作為粒子濾波跟蹤算法實(shí)現(xiàn)的嵌入式平臺(tái)。DM6446是一種以DaVinci技術(shù)為基礎(chǔ)的下一代嵌入式處理器，是為了適應(yīng)高效音視頻處理及編解碼需要而設(shè)計(jì)的，采用了ARM9+DSP的二核架構(gòu)，擁有較高的外設(shè)控制能力及數(shù)據(jù)運(yùn)算能力。

2.3 輸入粒子濾波器運(yùn)行參數(shù)

為保證移動(dòng)機(jī)器人目標(biāo)跟蹤方法中粒子濾波器的正常運(yùn)行，設(shè)置粒子濾波器中的初始粒子數(shù)量為200個(gè)，粒子濾波器通過(guò)增加粒子數(shù)來(lái)提高算法的跟蹤性能。在粒子濾波器運(yùn)行過(guò)程中，設(shè)置粒子的初始權(quán)值和正則化參數(shù)分別為0.1和0.01。將上述運(yùn)行參數(shù)的設(shè)置結(jié)果輸入到目標(biāo)跟蹤方法的運(yùn)行程序中，完成參數(shù)的設(shè)置與輸入工作。

2.4 生成移動(dòng)機(jī)器人目標(biāo)跟蹤任務(wù)

針對(duì)單目標(biāo)和多目標(biāo)兩個(gè)仿真場(chǎng)景，通過(guò)控制目標(biāo)車輛的行駛參數(shù)，確定跟蹤目標(biāo)的實(shí)際移動(dòng)位置，以此作為移動(dòng)機(jī)器人的目標(biāo)跟蹤任務(wù)。部分目標(biāo)跟蹤任務(wù)的生成情況如表1所示。

表1 移動(dòng)機(jī)器人目標(biāo)跟蹤任務(wù)表

仿真中，單目標(biāo)場(chǎng)景與多目標(biāo)場(chǎng)景的仿真環(huán)境相同，在該環(huán)境中構(gòu)建坐標(biāo)系，獲取跟蹤目標(biāo)的實(shí)時(shí)位置坐標(biāo)，以此作為判定移動(dòng)機(jī)器人目標(biāo)跟蹤精度的比對(duì)標(biāo)準(zhǔn)。

2.5 描述跟蹤性能測(cè)試仿真過(guò)程

在仿真開(kāi)始前，利用編程工具對(duì)設(shè)計(jì)的基于多模態(tài)數(shù)據(jù)和粒子濾波器的移動(dòng)機(jī)器人目標(biāo)跟蹤方法進(jìn)行編碼，保證主測(cè)計(jì)算機(jī)能夠直接運(yùn)行對(duì)應(yīng)的目標(biāo)跟蹤程序。同時(shí)啟動(dòng)移動(dòng)機(jī)器人及其內(nèi)部的傳感器設(shè)備，將目標(biāo)跟蹤程序切換至運(yùn)行狀態(tài)，啟動(dòng)跟蹤目標(biāo)車輛引擎。通過(guò)多模態(tài)數(shù)據(jù)采集與分析、粒子濾波等步驟，得出單目標(biāo)和多目標(biāo)場(chǎng)景下輸出的目標(biāo)跟蹤結(jié)果。移動(dòng)機(jī)器人目標(biāo)跟蹤方法在單目標(biāo)仿真場(chǎng)景下的目標(biāo)跟蹤結(jié)果如圖5所示。

圖5 移動(dòng)機(jī)器人目標(biāo)跟蹤結(jié)果輸出

按照上述方式可以得出目標(biāo)運(yùn)行過(guò)程中任意時(shí)刻的目標(biāo)跟蹤結(jié)果。仿真中設(shè)置的對(duì)比方法包括：基于自適應(yīng)隨動(dòng)機(jī)構(gòu)的機(jī)器人目標(biāo)跟蹤方法(文獻(xiàn)[1]方法)和基于遺傳迭代和模糊控制的機(jī)器人目標(biāo)跟蹤方法(文獻(xiàn)[2]方法)，按照上述方式，在相同的仿真環(huán)境下完成對(duì)比方法的開(kāi)發(fā)，得出相應(yīng)的目標(biāo)跟蹤結(jié)果。

2.6 設(shè)置跟蹤性能量化測(cè)試指標(biāo)

此次仿真分別從跟蹤精度和跟蹤效率兩個(gè)方面測(cè)試設(shè)計(jì)方法的跟蹤性能，跟蹤精度的測(cè)試指標(biāo)為跟蹤誤差，其數(shù)值結(jié)果為：

(22)

其中：(xtrack，ytrack)和(xreality，yreality)分別為移動(dòng)機(jī)器人輸出的目標(biāo)跟蹤結(jié)果以及跟蹤車輛目標(biāo)的實(shí)際位置，計(jì)算得出跟蹤誤差越小，證明對(duì)應(yīng)方法的跟蹤精度越高。另外，跟蹤效率的量化測(cè)試指標(biāo)設(shè)置為跟蹤平均更新時(shí)延，該指標(biāo)的測(cè)試結(jié)果為：

(23)

其中：ti和tt-1分別為第i和第i-1次的更新時(shí)間，nrenew為目標(biāo)跟蹤結(jié)果的更新時(shí)間。計(jì)算得出跟蹤平均更新時(shí)延取值越小，證明對(duì)應(yīng)方法的跟蹤效率越高。

2.7 跟蹤性能仿真結(jié)果與分析

2.7.1 單目標(biāo)跟蹤性能

通過(guò)相關(guān)數(shù)據(jù)的統(tǒng)計(jì)，得出單目標(biāo)場(chǎng)景下，移動(dòng)機(jī)器人目標(biāo)跟蹤方法的跟蹤精度性能測(cè)試結(jié)果，如表2所示。

表2 單目標(biāo)場(chǎng)景下移動(dòng)機(jī)器人目標(biāo)跟蹤精度測(cè)試數(shù)據(jù)表

將表1和表2中的數(shù)據(jù)代入到式(22)中，得出基于自適應(yīng)隨動(dòng)機(jī)構(gòu)的機(jī)器人目標(biāo)跟蹤方法和基于遺傳迭代和模糊控制的機(jī)器人目標(biāo)跟蹤方法的平均跟蹤誤差為10.75 m和6.50 m，而設(shè)計(jì)基于多模態(tài)數(shù)據(jù)和粒子濾波器的移動(dòng)機(jī)器人目標(biāo)跟蹤方法跟蹤誤差的平均值為1.13 m。另外，通過(guò)式(23)的計(jì)算，得出單目標(biāo)場(chǎng)景下跟蹤效率的測(cè)試結(jié)果，如圖6所示。

圖6 單目標(biāo)場(chǎng)景下移動(dòng)機(jī)器人跟蹤效率測(cè)試結(jié)果

從圖6中可以直觀地看出，與基于自適應(yīng)隨動(dòng)機(jī)構(gòu)的機(jī)器人目標(biāo)跟蹤方法和基于遺傳迭代和模糊控制的機(jī)器人目標(biāo)跟蹤方法相比，設(shè)計(jì)基于多模態(tài)數(shù)據(jù)和粒子濾波器的移動(dòng)機(jī)器人目標(biāo)跟蹤方法的跟蹤平均更新時(shí)延更短，即跟蹤效率更高。

2.7.2 多目標(biāo)跟蹤性能

在多目標(biāo)跟蹤仿真場(chǎng)景下，統(tǒng)計(jì)移動(dòng)機(jī)器人輸出的目標(biāo)跟蹤結(jié)果，得出反映目標(biāo)跟蹤精度性能的測(cè)試結(jié)果，如圖7所示。

圖7 多目標(biāo)場(chǎng)景下移動(dòng)機(jī)器人目標(biāo)跟蹤精度測(cè)試結(jié)果

從圖7中可以看出，設(shè)計(jì)方法在x和y方向上的跟蹤誤差均低于其他兩種方法，通過(guò)式(22)的計(jì)算，得出基于自適應(yīng)隨動(dòng)機(jī)構(gòu)的機(jī)器人目標(biāo)跟蹤方法、基于遺傳迭代和模糊控制的機(jī)器人目標(biāo)跟蹤方法和設(shè)計(jì)方法的平均跟蹤誤差分別為19.8、11.8、2.2 m。利用式(23)計(jì)算得出多目標(biāo)場(chǎng)景下的目標(biāo)跟蹤效率結(jié)果，如圖8所示。

圖8 多目標(biāo)場(chǎng)景下移動(dòng)機(jī)器人目標(biāo)跟蹤效率結(jié)果

通過(guò)對(duì)圖8中數(shù)據(jù)的分析，得出基于自適應(yīng)隨動(dòng)機(jī)構(gòu)的機(jī)器人目標(biāo)跟蹤方法、基于遺傳迭代和模糊控制的機(jī)器人目標(biāo)跟蹤方法和設(shè)計(jì)方法的跟蹤平均更新時(shí)延分別為7.6、6.8、1.8 s。

3 結(jié)束語(yǔ)

目標(biāo)跟蹤技術(shù)在軍用和民用領(lǐng)域均具有重大的應(yīng)用價(jià)值。在實(shí)際應(yīng)用中，目標(biāo)跟蹤方法的優(yōu)劣也會(huì)影響到跟蹤結(jié)果的穩(wěn)定性與精確性。在此次研究中，在多模態(tài)數(shù)據(jù)和粒子濾波器的支持下，實(shí)現(xiàn)對(duì)移動(dòng)機(jī)器人目標(biāo)跟蹤方法的設(shè)計(jì)，從仿真結(jié)果中可以看出，設(shè)計(jì)方法的跟蹤精度達(dá)到預(yù)期效果，可以應(yīng)用到實(shí)際項(xiàng)目工作中。