基于机器视觉的轮式移动机器人技术

1 机器视觉技术的发展

机器视觉技术是计算机学科的一个重要分支，它综合了光学、机械、电子、计算机软硬件等方面的技术，涉及到计算机、图像处理、模式识别、人工智能、信号处理、光机电一体化等多个领域。自起步发展至今，已经有20多年的历史，其功能以及应用范围随着工业自动化的发展逐渐完善和推广，其中特别是目前的数字图像传感器、CMOS和CCD摄像机、DSP、FPGA、ARM等嵌入式技术、图像处理和模式识别等技术的快速发展，大大地推动了机器视觉的发展。简而言之，机器视觉就是利用机器代替人眼来作各种测量和判断。

1.1机器视觉系统的组成

机器视觉系统的应用范围特别广泛，所以在不同的系统里会选用不同的部件，但是无论何种系统都离不开最基本的几个组成部分。一般来说，机器视觉系统包括了照明系统、镜头、摄像系统和图像处理系统。对于每一个应用，我们都需要考虑系统的运行速度和图像的处理速度、使用彩色还是黑白摄像机、检测目标的尺寸还是检测目标有无缺陷、视场需要多大、分辨率需要多高、对比度需要多大等。

1.2机器视觉系统的核心技术

机器视觉系统的核心是专用高速图像处理单元,如何把存入存贮单元大量离散的数字化信息与模板库信息进行比较处理,并快速得出结论是处理单元软、硬件面对的问题。运算信息量大,意味着处理结果的准确率高,但如果运算时间较长,机器视觉便失去其存在的意义。这种信息量与运算速度之间的矛盾已成为目前世界上学术界和工业界讨论最为热烈的话题。目前,已有多种视觉专用硬件处理器芯片、DSP 芯片等等不断涌现并被广泛应用于计算机、通讯、娱乐等产品之中,进行高速图像计算、数据压缩,解压缩、贮存与传输。除去硬件因素,选用适当的算法,可以提高处理运行效率,减少存贮容量、提高运算速度及准确度。图像处理算法软件及技巧也成为高效机器视觉系统需要精益求精、探索不止的目的和不可缺少的重要组成部分。介于其计算量大、易导致系统延迟的问题，世界上有很多专家、学者引入网格分布式并行处理系统，将大计算量图像进行并行处理,以满足机器视觉实时性要求。今后，机器视觉的核心依然是图像理解。

2 国内外智能车辆技术的发展状况

发达国家从20世纪70年代开始进行无人驾驶汽车研究，目前在可行性和实用性方面，美国和德国走在前列。美国是世界上研究无人驾驶车辆最早、水平最高的国家之一。早在20世纪80年代，美国就提出自主地面车辆(ALV)计划，这是一辆8轮车，能在校园的环境中自主驾驶，但车速不高。美国其它一些著名大学，如卡耐基梅隆大学、麻省理工学院等都先后于20世纪80年代开始研究无人驾驶车辆。然而，由于技术上的局限和预期目标过于复杂，到20世纪80年代末90年代初，各国都将研究重点逐步转移到问题相对简单的高速公路上的民用车辆的辅助驾驶项目上。1995年，一辆由美国卡耐基梅隆大学研制的无人驾驶汽车Navlab-V，完成了横穿美国东西部的无人驾驶试验。在全长5000km的美国州际高速公路上，整个实验96%以上的路程是车辆自主驾驶的，车速达50—60km/h。尽管这次实验中的Navlab-V仅仅完成方向控制，而不进行速度控制(油门及档位由车上的参试人员控制)，但这次实验已经让世人看到了科技的神奇力量。丰田汽车公司在2000年开发出无人驾驶公共汽车。这套公共汽车自动驾驶系统主要由道路诱导、车队行驶、追尾防止和运行管理等方面组成。安装在车辆底盘前部的磁气传感器将根据埋设在道路中间的永久性磁石进行导向，控制车辆行驶方向。

2005年，美国国防部“大挑战”比赛上，最终由美国斯坦福大学工程师们改装的一辆大众途锐多功能车经过7个半小时的长途跋涉完成了全程障碍赛，第一个到达了终点。在赛道上，无人驾驶汽车需要穿越沙漠、通过黑暗的隧道、越过泥泞的河床并需要在崎岖险峻的山道上行使，整个行程无人驾驶汽车需要绕过无数个障碍。

在无人驾驶技术研究方面位于世界前列的德国汉堡Ibeo公司，最近推出了其研制的无人驾驶汽车。这辆无人驾驶智能汽车由德国大众汽车公司生产的帕萨特2.0改装而成，外表看来与普通家庭汽车并无差别，但却可以在错综复杂的城市公路系统中实现无人驾驶。行驶过程中，车内安装的全球定位仪随时获取汽车所在准确方位的信息数据。隐藏在前灯和尾灯附近的激光扫描仪是汽车的“眼”，它们随时“观察”汽车周围约183m内的道路状况，构建三维道路模型。除此之外，“眼”还能识别各种交通标识，如速度限制、红绿灯、车道划分、停靠点等，保证汽车在遵守交通规则的前提下安全行驶。最后由无人驾驶汽车的“脑”——安装在汽车后备厢内的计算机，将两组数据汇合、分析，并根据结果向汽车传达相应的行驶命令。多项先进科技确保这款无人驾驶汽车能够灵活换档、加速、转弯、刹车甚至倒车。在茫茫车海和人海中，它能巧妙避开建筑、障碍、其他车辆和行人，从容前行。

我国在无人驾驶汽车的开发方面要比国外稍晚。国防科技大学从20世纪80年代开始进行该项技术研究。1989年，我国首辆智能小车在国防科技大学诞生，这辆小车长100cm、宽60cm、重175ks，有3个轮子，前轮是一个导向轮，后边有两个驱动轮。它包含了自动驾驶仪、计算机体系结构、视觉及传感器系统、定位定向系统、路径规划及运动控制系统，还有无线电通信、车体结构及配电系统。1992年，国防科技大学研制成功了我国第一辆真正意义上的无人驾驶汽车。由计算机及其配套的检测传感器和液压控制系统组成的汽车计算机自动驾驶系统，被安装在一辆国产的中型面包车上，使该车既保持了原有的人工驾驶性能，又能够用计算机控制进行自动驾驶行车。2000年6月，国防科技大学研制的第4代无人驾驶汽车试验成功，最高时速达76km，创下国内最高纪录。其智能控制系统主要由3部分组成：传感器系统、自动驾驶仪系统和主控计算机系统。最近，国防科技大学机电工程与自动化学院和中国第一汽车集团公司联合研发的红旗旗舰无人驾驶轿车，其总体技术性能和指标已经达到世界先进水平。该车装备了摄像机、雷达，可以自己导航，对道路环境、障碍物进行判断识别，自动调整速度，不需要人做任何干预操作。与电子巡航、GPS导航不同的是，它的定位更加精确，转弯和遇到复杂情况也不需要人来控制。车内的环境识别系统识别出道路状况，测量前方车辆的距离和相对速度，相当于驾驶员的眼睛；车载主控计算机和相应的路径规划软件根据计算机视觉提供的道路信息、车前情况以及自身的行驶状态，决定继续前进还是换道准备超车，相当于驾驶员的大脑；接着，自动驾驶控制软件按照需要跟踪的路径和汽车行驶动力学，向方向盘、油门和刹车控制器发出动作指令，操纵汽车按规划好的路径前进，起到驾驶员的手和脚的作用。这辆无人驾驶轿车在正常交通情况下，在高速公路上行驶的最高稳定速度为130km/h，最高峰值速度为170km/h。

3 轮式移动机器人技术的研究

轮式移动机器人技术的研究阶段有多种划分，有人按用途大致分为三个阶段：军事用途、高速公路环境和城市环境。还有人按照研究侧重点也分为三个阶段：第一阶段(1950～1970)是集中在通过在道路上铺设制导电缆,进行横向行驶控制(转向控制)来实现的车辆导航；第2 阶段(1970～1980)焦点是基于机器视觉的自主型汽车自动驾驶系统；第3阶段(1990～现在)主要是基于ITS 的一些国家项目,与第二期的不同点在于第三期的自动驾驶系统以解决现行汽车交通问题为明确目的。不管是按用途还是按研究侧重点来分，我们都可以看到人们对轮式移动机器人技术的研究已有很长的时间，并也得到了不少宝贵的经验。

3.1该问题的关键技术

随着研究进程的深入,以及计算机和硬件的进步,速度更快、性能更强的ALV也陆续出现。在整个ALV系统中,感知系统是其中一个重要的组成部分,也是影响ALV速度和智能性的关键部分。磁导航方法往往需要在道路上埋设一定的导航设备（如磁钉或电线），系统实施过程比较繁琐，且不易维护，变更运营线路需重新埋设导航设备，因此在使用上仍具有较大的局限性。且与视觉技术相比,采用雷达技术可以很轻松解决实时性的问题。使用雷达可以准确快速地发现车辆周围的障碍物及行人,识别效率和准确率基本不受车速影响,非常适合于车在高速行驶时使用，是理想的测量探测用传感器。但缺点是技术含量高，目前只能依靠进口，从而成本过高。基于机器视觉导航则没有这类问题，对基础设施的要求很低，被公认为最有前景的导航方法。早期高速公路研究中，由于环境结构化程度较高，几乎所有的系统都采用了机器视觉导航方式。在城市环境中，基于机器视觉方法的导航仍然受到了较大的关注。

基于机器视觉的智能车辆导航是移动式机器人系统的关键, 包括道路检测和障碍物检测两部分。

1.道路检测

在智能车辆导航中, 道路检测主要是为了估计车辆在道路中的位置和方向, 以便控制车辆按预定路线行驶。另外, 它还为后续的障碍物检测确定搜索范围, 缩小障碍物检测的搜索空间, 降低算法复杂度和误识率。然而由于现实中的道路多种多样，在加上光照、气候等各种环境因素的影响，道路检测是一个十分复杂的问题。至今仍无一个通用的算法，现有算法基本上都对道路做了一定的假设。通常采用的假设有: (1)特定兴趣区域假设； (2) 道路等宽假设；(3) 道路平坦假设。另外, 道路平坦假设也为障碍物定义提供参考。

2．障碍物检测

障碍物检测是智能车辆安全行驶的重要保证。由于障碍物的出现具有不可预知性, 无法根据预先设定的电子地图避开障碍物，只能在车辆行驶过程中及时发现, 及时处理。当前, 关于障碍物的定义还没有统一的标准。因此, 可以认为一切可能妨碍车辆正常行驶的物体和影响车辆通行的局部异常地形都是车辆行驶过程中的障碍物。障碍物检测算法主要有以下3 种，分别是：1. 基于特征的障碍物检测；2. 基于光流场的障碍物检测；3. 基于立体视觉的障碍物检测。目前，基于立体视觉的障碍物检测具有显著优点, 它既不需要障碍物的先验知识, 对障碍物是否运动也无限制, 还能直接得到障碍物的实际位置。但其对摄像机标定要求较高。而在车辆行驶过程中, 摄像机定标参数会发生漂移, 需要对摄像机进行动态标定。

车体控制是轮式移动机器人的另一个核心问题，主要包括速度控制、方向控制和刹车控制等几个部分。通过分析驾驶员的驾驶行为不难发现，车体控制是一个典型的预瞄控制行为，驾驶员找到当前道路环境下的预瞄点，根据预瞄点控制车辆的行为。目前最常用的方法仍然是经典的智能PID 算法，例如模糊PID 、专家PID 、神经网络PID 等。

安全性是决定智能车辆系统在未来市场竞争中成败的关键，目前常用的避障传感器包括光学传感器、激光测距和雷达，及超声传感器等。就目前来说，雷达较光学传感器要更好用，光学传感器更贴近人类的认识事物的方式，且视觉方法最为灵活，价格也比较低廉，但立体视觉算法的可靠性和实时性仍有待进一步的提高。因此很长一段时间将会是视觉和雷达并用的局面，以求互补。

以上三方面是无人自动驾驶车辆的基础，但无人驾驶作为一种新型的公交系统，还需要一些其它相关技术，例如：1. 车辆调度，用于动态规划和协调系统中的多辆无人驾驶车辆；2. 通讯系统，用于保证车辆和中央控制系统之间的通讯，以及车辆间的通讯；3. 人机交互系统，用于乘客呼叫车辆和使用车辆。车辆呼叫一般可采用车站呼叫、短信呼叫、WEB 呼叫、电话呼叫等多种方式，车辆使用一般采用类似电梯的操作方法。

4 智能车辆的发展方向

智能车辆技术的研究，可以归纳为三个方面：高速公路环境、城市环境和特殊环境下的无人驾驶系统。就具体研究内容而言，三个方面相互重叠，只是技术的侧重点不同。

4.1高速公路环境下的无人驾驶系统

这类系统将使用在环境限定为具有良好标志的结构化高速公路上，主要完成道路标志线跟踪、车辆识别等功能。这些研究把精力集中在简单结构化环境下的高速自动驾驶上，其目标是实现进入高速公路之后的全自动驾驶。尽管这样的应用定位有一定的局限性，但它的确解决了现代社会中最为常见、危险、也是最为枯燥的驾驶环节的驾驶任务。

4.2城市环境下的无人驾驶系统

　　与高速环境研究相比，城市环境下的无人驾驶由于速度较慢，因此更安全可靠，应用前景更好。短期内，可作为城市大容量公共交通(如地铁等)的一种补充，解决城市区域交通问题，例如大型活动场所、公园、校园、工业园、机场等。但是，城市环境也更为复杂，对感知和控制算法提出了更高的要求。城市环境中的无人自动驾驶将成为下一阶段研究重点。例如，美国国防部“大挑战”比赛2007年将采用城市环境。目前这类环境的应用已经进入到小范围推广阶段，但其大范围应用目前仍存在一定困难，例如可靠性问题、多车调度和协调问题、与其它交通参与者的交互问题、成本问题、商业模型等。

4.3特殊环境下的无人驾驶系统

无人驾驶汽车研究走在前列的国家，一直都很重视其在军事和其他一些特殊条件下的应用。但其关键技术和基于高速公路和城市环境的车辆是一致的，只是在性能要求上的侧重点不一样。例如，车辆的可靠性、对恶劣环境的适应性是在特殊环境下考虑的首要问题，也是在未来推广应用要重点解决的问题。

5 总结和展望

本文分别从机器视觉技术的发展、轮式移动机器人技术、以及该问题的关键技术和发展方向等几个方面对基于机器视觉的轮式移动机器人研究进行了综述。需要指出的是，研发无人驾驶汽车并非要完全替代驾驶员，只是在需要替代的领域和场合作替代。无人驾驶汽车尤其适合从事旅游、应急救援、长途高速客货运输、军事用途，以发挥可靠、安全、便利及高效的性能优势，减少事故，弥补有人驾驶汽车的不足。无人驾驶汽车在交通领域的应用，从根本上改变了传统车辆的控制方式，可大大提高交通系统的效率和安全性。应该看到各国政府和研究机构对该问题已经非常的重视，并投入了大量的精力。但由于问题本身的复杂性，特别是认知领域的不可知性，导致了该问题的解决方法发展较慢，还不可能马上投入生产使用，但是无论从学科发展、理论研究的角度，还是从发展汽车工业及其相关产业，以及市场竞争的角度看，在某一方面或某些方面，进行深入、细致的研究，为今后智能车辆的发展及实际应用打下坚实的基础无疑会有深远的意义。

此外，随着系统规模的不断扩大和无人驾驶车辆数量的增多，如何有效地利用车间通讯和多车协调，降低事故发生率和提高交通系统效率，也是今后无人自动驾驶研究的一个重要问题。

上一篇：探析机器视觉传感器未来趋势

下一篇：选择激光识别条形码的原因