CC BY
59
ТЕХНИЧЕСКИЕ НАУКИ
МЕТОД НАВИГАЦИИ МОБИЛЬНОГО РОБОТА ДЛЯ ПОЗИЦИОНИРОВАНИЯ НА ДОРОГЕ В ЛЕСНОЙ МЕСТНОСТИ Карпенков А.С.1, Мартынов О.В.2, Гришанович Ю.В.3, Карпенкова Е.С.4 Email: Karpenkov653@scientifictext.ru
'Карпенков Андрей Сергеевич — кандидат технических наук, заведующий кафедрой; 2Мартынов Олег Владимирович — кандидат физико-математических наук, доцент, кафедра робототехники и комплексной автоматизации; 3Гришанович Юлия Владимировна — кандидат технических наук, доцент, кафедра физики,
Ковровская государственная технологическая академия им. В.А. Дегтярева; 4Карпенкова Елена Сергеевна — инженер-исследователь, Всероссийский научно-исследовательский институт «Сигнал», г. Ковров
Аннотация: статья посвящена методу обработки данных с лазерного сканера для решения навигационной задачи при движении мобильного робота по дороге на пересеченной и лесной местности, а также задачи объезда препятствий. Проведен сравнительный анализ методов решения этих задач. Показано, что предложенный метод позволяет не только решить проблему быстрой и эффективной идентификации границ дороги при движении мобильного робота по пересеченной и лесной местности, но и идентифицировать наличие препятствия на пути следования и расстояние до него.
Ключевые слова: система технического зрения, навигация, цифровая обработка видеосигнала, беспилотные транспортные системы.
MOBILE ROBOT NAVIGATION METHOD FOR POSITIONING ON THE ROAD IN FOREST AREA Karpenkov A.S.1, Martynov O.V.2, Grishanovich Yu.V.3, Karpenkova E.S.4
'Karpenkov Andrey Sergeevich - Candidate of Technical Sciences, Head of the Department; 2Martynov Oleg Vladimirovich - Candidate ofPhysical and Mathematical Sciences, Associate Professor, DEPARTMENT OF ROBOTICS AND INTEGRATED AUTOMATION; 3Grishanovich Yulia Vladimirovna - Candidate of Technical Sciences, Associate Professor,
DEPARTMENT OF PHYSICS, KOVROV STATE TECHNOLOGICAL ACADEMY NAMED AFTER V.A. DEGTYAREV; 4Karpenkova Elena Sergeevna - research engineer, ALL-RUSSIAN SCIENTIFIC RESEARCH INSTITUTE "SIGNAL", KOVROV
Abstract: the article is devoted to the method of processing data from a laser scanner for solving a navigation problem when a mobile robot moves along a road on rough and wooded terrain, as well as the task of avoiding obstacles. A comparative analysis of methods for solving these problems. It is shown that the proposed method allows not only to solve the problem of fast and efficient identification of the road boundaries when a mobile robot moves across rough and wooded areas, but also to identify the presence of an obstacle along the way and distance to it.
Keywords: vision system, navigation, digital video signal processing, unmanned transport systems.
УДК 004.896:535.8
Навигация всегда была и есть нетривиальной и сложной системой мобильного робота. Именно от выбора и реализации навигационной системы зависят технико-тактические характеристики мобильного робота. Как правило, большинство навигационных систем для наземных беспилотных комплексов строятся на основе комплексирования показаний одометра (механического или визуального), гироскопа и системы спутниковой навигации. Примерная функциональная схема типичной навигационной системы мобильного робота приведена на рисунке 1.
Бесплатформенная инерциальная навигационная система
Акселерометр
Гироскоп
Магнитный компас
Спутниковая навигационная система
о и н
о «
О
о
^
о о я
л
п
<D «
О S
3 PQ
Одометр левого и правого бортов
Рис. 1. Функциональная схема типичной навигационной системы мобильного робота
Особенности среды применения так же накладывают определенные ограничения на используемое навигационное оборудование. Так, например, точность определения местоположения с помощью широко распространенной системы спутниковой навигации существенным образом ухудшается при работе в лесной местности, в случае плотной городской застройки и т.п. С целью осуществления движения по имеющейся дорожной инфраструктуре, ошибка в определении собственных координат мобильного робота не может превышать размера автономного аппарата (в противном случае возможны столкновения с устройствами такого же или меньшего размеров и другие конфликты со средой) [1]. Типичный беспилотный наземный робот обычно не превышает в длину трех метров и может удаляться от места старта более чем на 30 км, в то время как сигнал спутниковой системы имеет точность порядка ±6м. В настоящее время в качестве основной навигационной системы мобильного робота используется система спутниковой навигации с учетом кинематики движения в реальном времени (RTK GPS). Она позволяет получать погрешность определения местоположения не более 10 см. Однако для ее работы необходимо обеспечить устойчивую связь между стационарной базовой станцией и самим роботом, с целью передачи от базы на робота дифференциальных поправок. Как правило, в качестве канала связи используются различные УКВ модемы или модемы сотовой сети GSM, радиус действия которых также ограничен. В случае нестабильного приема сигнала со спутниковой навигационной системы, решение навигационной задачи ложится на комплексированную навигационную систему, состоящую из механического одометра и гироскопа. Это приводит к большим ошибкам (более 10 км при маршруте в 100 км) позиционирования при движении на большие расстояния. Точность такой навигационной системы сильно зависит от типа гироскопа (микромеханический, волоконно-оптический, лазерный) и от состояния дорожного полотна (наличия проскальзывания колес, разной подстилающей поверхности левого и правого колес).
Задача определения местоположения мобильного робота тесно связана с задачей траекторного движения. Как правило от робота требуется осуществлять движение по имеющейся дороге объезжая имеющиеся препятствия на пути.
За распознавание препятствий на пути движения мобильного робота отвечает система технического зрения. Среди широко распространенных систем технического зрения, применяющихся в робототехнике, можно выделить следующие: ультразвуковые сонары, лазерные сканеры, видеокамеры оптического диапазона с различного вида подсветками, радиолокационные датчики.
Как правило указанные выше задачи решаются отдельными системами независимо друг от друга. В тоже время имеющаяся дорога имеет набор характерных признаков, учитывая которые
можно повысить точность локализации мобильного робота на дороге. К таким признакам можно отнести границы дороги, распознавая местоположение которых относительно текущей позиции мобильного робота можно рассчитать необходимый поправочный коэффициент для расчета курса.
Как правило, для распознавания границ дорожного полотна и наличия препятствий на нем используются данные с видеокамеры.
Общий алгоритм работы подобных систем следующий. Вначале выполняют калибровку изображения видеокамеры с целью уменьшения дисторсии изображения. Затем преобразуют исходное RGB-изображение в формат HSV — именно в этой цветовой модели удобно выделять диапазоны конкретных цветов. Следующим шагом осуществляют бинаризацию (преобразование изображения в бинарную маску с интересующими цветами) и векторизацию изображения путем использования детектора границ Кэнни и преобразования Хафа. С целью повышения точности распознавания границ дороги верхнюю часть изображения (как правило, выше линии горизонта) при проведении дальнейшей обработки в расчет не берут. Затем на полученном изображении выделяют отдельные линии-кандидаты, относящиеся к границе дороги. Такие линии-кандидаты должны удовлетворять ряду условий:
■ линия не может быть горизонтальной и должна иметь умеренный уклон;
■ разница между уклонами линии границ дороги и линии-кандидата не может быть слишком высокой;
■ линия-кандидат не должна отстоять далеко от границ дороги, к которым она принадлежит;
■ линия-кандидат должна быть ниже горизонта.
Выделенные на предыдущем шаге линии-кандидаты подвергают дополнительной фильтрации с учетом данных полученных на предыдущем кадре и получают уже стабильные линии, соответствующие границе дорожного полотна [2].
Данный метод имеет ряд ограничений. Во-первых, он плохо работает на извилистой дороге, т.к. в самом методе заложен детектор именно линий, а не кривых. Во-вторых, данный метод не работает на участках дорог с частыми сменами направления движения и освещённости, в следствии того, что детектор перестает успевать следить за линиями из-за накопления ошибки в определении границ дорожного полотна [3].
Предлагаемый метод позиционирования мобильного робота на дорогах, имеющих сравнительно гладкую поверхность и размытую границу дороги, а также область за ней (лес, степь и прочее) по данным сканирующего дальномера основывается на следующем. Освещаем поверхность дороги и прилегающие области сканирующим дальномером. График зависимости расстояния от угла по показаниям дальномера показан на рисунке 2.
¡Ь;
Л V -I-- X: -1
-f- X -F - г
i- У Р-
-2,364 -1,364 -0.364 0.636 1.636
а
Рис. 2. График зависимости расстояния от угла по показаниям дальномера
Как видно из рисунка график имеет участок гладкой кривой, этот участок соответствует поверхности дороги. Отобразим график в декартовую систему координат у(х), где у соответствует оси направленной вдоль центральной линии сканирования дальномера (с нулевым углом), а ось х направленна перпендикулярно у вдоль поверхности дороги. Полученный график показан на рисунке 3.
ч N. V ' г
\ /
чу. /
— ч —¡=*
(-
V
2.
-
--
-1Б.727 -10727 -5 727 -0 727 4.273 0 273 14.273
X
Рис. 3. График зависимости координат у от х
При таком преобразовании гладкий участок становится близким к прямой линии. Для автоматического определения границ этого участка используем метод наименьших квадратов (МНК) для окна сканирования - участка графика заданной ширины. Ширина окна может варьироваться в зависимости от поставленной задачи (искать или игнорировать препятствия на дороге и прочее), но, как правило, не превышает ширины дороги. На основе оконного МНК получаем среднеквадратическое отклонение зависимости у(х) от прямой линии в пределах окна (а;) в зависимости от угла сканирования, соответствующему началу окна (а;) по формулам:
Е
<7; = ~ (а1 * Х1+1 +
= а0 + ( * йа
где 1 - значение номера дискреты (шага сканирования) начала окна сканирования, ] -значение номера дискреты в пределах окна сканирования, у^ , х^ - у и х координата 1+] точки сканирования соответственно, а;, - коэффициенты прямой в пределах окна, полученные по МНК, а0 -начальный угол сканирования, ¿а - величина дискреты. График такой зависимости показан на рисунке 4.
1
\
w
1/ / \ Г, Л
У ? 1\
Л 1 J
V
1 1
1
1
J
\ 4
-2.364 -1.364 Ct! -0J64 a2 0.636 1.636
Рис. 4. График среднеквадратического отклонения (а) зависимости у(х) от прямой линии в пределах
окна от угла сканирования (а)
Очевидно, что уровень с низким значением среднеквадратического отклонения соответствует окнам сканирования дорожной поверхности. Следовательно, угловые значение границ дороги а1 и а2 можно отследить по заданному значению as как показанному на рисунке. По эти углам a1 и а2 можно определить как направление на центр дороги ac (среднее арифметическое) так и угол между центральной линией сканирования дальномера и перпендикуляру к линии, проходящей через точки, соответствующие границам дороги ad (этот угол характеризует направление дороги). По этим углам можно позиционировать мобильный робот относительно как направления дороги, так и положения относительно ее краев. Кроме того, наличие на дороге препятствия будет отображаться на зависимости a(a) в виде небольших скачкообразных увеличений значений a в области ее малых значений. Эти изменения также можно отследить, что в свою очередь, позволит распознать наличие препятствия, его размеры и расположение.
Таким образом, предложенный метод позволяет не только решить проблему быстрой и эффективной идентификации границ дороги при движении мобильного робота по пересеченной и лесной местности, но и идентифицировать наличие препятствия на пути следования и расстояние до него. К достоинствам предложенного метода можно также отнести его инвариантность к форме границ дорожного полотна и ее освещённости.
Работа выполнена при финансовой поддержке Министерства образования и науки РФ в рамках государственного задания № 8.12192.2018/11.12.
Список литературы / References
1. Власов С.М., Бойков В.И., Быстров С.В., Григорьев В.В. Бесконтактные средства локальной ориентации роботов. СПб: Университет ИТМО, 2017. 169 с.
2. Ammu M. Kumar & Philomina Simon, 2015. Review of Lane Detection and Tracking Algorithms in Advanced Driver Assistance System. International Journal of Computer Science and Information Technology. 7. 65-78. 10.5121/ijcsit.2015.7406.
3. Kirill Danilyuk CarND Project 1: Lane Lines Detection—A Complete Pipeline. // [Электронный ресурс], 2017. Режим доступа: https://towardsdatascience.com/carnd-project-1-lane-lines-detection-a-complete-pipeline-6b815037d02c/ (дата обращения: 03.12.2018).
