0 引言

    單獨(dú)的無(wú)人機(jī)(UAV)與單獨(dú)的無(wú)人車(chē)(UGV)在工作方式、搭載傳感器等方面存在顯著不同，在感知、負(fù)載、速度、視野獲取等方面也有很強(qiáng)的互補(bǔ)性。圖1為典型的UAV/UGV協(xié)同系統(tǒng),圖2為不同視角下獲取的環(huán)境信息，由圖可知UGV由于視野缺陷難以獲取障礙物信息，相反UAV在廣闊的視野下可以獲取障礙物信息，這樣使得UAV/UGV協(xié)同系統(tǒng)在執(zhí)行目標(biāo)跟蹤與救援、軍事邊境監(jiān)視等任務(wù)時(shí)發(fā)揮著顯著的作用^[1-2]。但是由于環(huán)境與任務(wù)的復(fù)雜性，仍然存在感知、決策和執(zhí)行三個(gè)方面的問(wèn)題需要解決。

    UAV/UGV協(xié)同系統(tǒng)中環(huán)境感知主要解決目標(biāo)識(shí)別與定位問(wèn)題。其中視覺(jué)傳感器是解決感知問(wèn)題的重要手段。CHAIMOWICZ L等^[3]搭建了UAV/UGV協(xié)同系統(tǒng)框架以及基于視覺(jué)的目標(biāo)檢測(cè)與定位算法。中科院谷豐等^[4]探索了利用空地機(jī)器人實(shí)現(xiàn)協(xié)作導(dǎo)航的方法，基于YCbRc顏色空間對(duì)動(dòng)目標(biāo)檢測(cè)并利用波門(mén)跟蹤器實(shí)現(xiàn)了對(duì)地面機(jī)器人的跟蹤，但是僅在室內(nèi)環(huán)境中驗(yàn)證了該方法。

    在UAV/UGV協(xié)同系統(tǒng)的UGV路徑規(guī)劃研究中，GANESHMURTHY M S^[5]提出了一種面向啟發(fā)式的方法來(lái)搜索可行的初始路徑，擬解決動(dòng)態(tài)環(huán)境問(wèn)題。ZHAO J等人^[6]提出改進(jìn)人工勢(shì)場(chǎng)法，實(shí)現(xiàn)了UGV路徑規(guī)劃。但是，人工勢(shì)場(chǎng)法對(duì)于不同障礙物要設(shè)不同的目標(biāo)函數(shù)。

    為了提高UAV/UGV協(xié)同系統(tǒng)執(zhí)行任務(wù)的效率，本文提出一種基于視覺(jué)傳感器下目標(biāo)識(shí)別與全局路徑規(guī)劃方法，主要工作包括：(1)UAV用高空視野獲取環(huán)境信息，實(shí)現(xiàn)目標(biāo)物的定位與障礙物的識(shí)別；(2)根據(jù)UAV獲取的環(huán)境信息，提出優(yōu)化A*算法，實(shí)現(xiàn)無(wú)人車(chē)全局路徑規(guī)劃；(3)分別在簡(jiǎn)單與復(fù)雜環(huán)境下驗(yàn)證了所提出算法的正確性。

1 典型場(chǎng)景構(gòu)建和環(huán)境建模

1.1 典型場(chǎng)景構(gòu)建

    UAV/UGV協(xié)同系統(tǒng)可以執(zhí)行人類(lèi)難以接近的復(fù)雜場(chǎng)景。以典型的救援場(chǎng)景為研究對(duì)象，如圖3所示，起點(diǎn)(UGV)為無(wú)人車(chē)，終點(diǎn)(D)為目標(biāo)物(搜救物)，中間其他的視為障礙物。

1.2 復(fù)雜環(huán)境中的目標(biāo)識(shí)別

    為了獲取搜救的目標(biāo)物，環(huán)境感知的首要任務(wù)是目標(biāo)識(shí)別。目標(biāo)識(shí)別如圖4所示。

1.3 圖像處理

    圖像處理是為了減少噪聲、污染等因素對(duì)目標(biāo)識(shí)別準(zhǔn)確性的干擾^[7]。

1.3.1 圖像灰度化

    灰度化處理是將RGB模型加權(quán)平均的方法^[8]。其中W_r、W_g、W_b分別為R、G、B的權(quán)值。為了符合人類(lèi)視覺(jué)的灰度值，W_r=0.3，W_g=0.59，W_b=0.11。

1.3.2 提取環(huán)境中目標(biāo)物

    SURF（Speeded Up Robust Features）算法在特征提取匹配算法中針對(duì)圖像平移、旋轉(zhuǎn)、噪聲影響等具有較強(qiáng)的魯棒性^[9-10]。

    SURF算法仿真結(jié)果如圖5所示。上述實(shí)驗(yàn)結(jié)果可用于后續(xù)任務(wù)UGV的路徑規(guī)劃中。

1.3.3 基于HSV空間的障礙物識(shí)別

    (1)空間轉(zhuǎn)化。UAV搭載的視覺(jué)傳感器采集的環(huán)境信息極易受到光線變化的影響，因此，采用HSV色彩空間模型^[11]。

    (2)圖像二值化。為了更好地反映障礙物的信息，對(duì)UAV獲取的圖像進(jìn)行二值化處理。圖像二值化是將障礙物表達(dá)為1，圖像背景表達(dá)為0。

其中，f(x，y)為圖像灰度值，T為灰度值閾值。圖像在HSV空間下二值化如圖6所示。

    根據(jù)SURF算法與圖像分割技術(shù)，上述圖像通過(guò)坐標(biāo)系可轉(zhuǎn)化為UGV可執(zhí)行的地圖信息。UGV地圖信息如圖7所示。

2 坐標(biāo)轉(zhuǎn)化

    UAV獲取的是以像素為單位的環(huán)境信息，為了實(shí)現(xiàn)UGV的全局路徑規(guī)劃，需要將像素坐標(biāo)系轉(zhuǎn)化為世界坐標(biāo)系^[12]。其中主要坐標(biāo)系如圖8所示，O_0uv為像素坐標(biāo)系，O₁X₁Y₁Z₁為圖像坐標(biāo)系，O_cX_cY_cZ_c為相機(jī)坐標(biāo)系（無(wú)人機(jī)坐標(biāo)系），O_GX_GY_GZ_G為無(wú)人車(chē)坐標(biāo)系，O_wX_wY_wZ_w為世界坐標(biāo)系。

2.1 UAV的坐標(biāo)系轉(zhuǎn)化

    UAV的運(yùn)動(dòng)為三維空間中剛性運(yùn)動(dòng)，為了避免相機(jī)運(yùn)動(dòng)產(chǎn)生誤差，相機(jī)坐標(biāo)系簡(jiǎn)化為無(wú)人機(jī)坐標(biāo)系，獲取的圖像像素坐標(biāo)在世界坐標(biāo)系中的齊次方程為：

其中，Z為P點(diǎn)在相機(jī)坐標(biāo)系的位置，P_uv為P點(diǎn)的像素坐標(biāo)系，K為相機(jī)內(nèi)參數(shù)矩陣，R₁為旋轉(zhuǎn)矩陣，t₁為平移向量，P_w為P點(diǎn)的世界坐標(biāo)系。

2.2 UGV的坐標(biāo)系轉(zhuǎn)化

    UGV在平面內(nèi)的運(yùn)動(dòng)是在世界坐標(biāo)系中的旋轉(zhuǎn)與平移變化，齊次方程如下：

其中，R₂為UGV到世界坐標(biāo)系的旋轉(zhuǎn)矩陣，t₂為UGV到世界坐標(biāo)系的平移向量。通過(guò)坐標(biāo)系轉(zhuǎn)化實(shí)現(xiàn)車(chē)輛的自主導(dǎo)航。

3 UGV的全局路徑規(guī)劃

    無(wú)人車(chē)的路徑規(guī)劃根據(jù)環(huán)境信息可以分為局部路徑規(guī)劃與全局路徑規(guī)劃。相對(duì)于局部路徑規(guī)劃，全局路徑規(guī)劃具有明顯的優(yōu)勢(shì)。本文首先分析對(duì)比了典型的全局路徑規(guī)劃雙向快速擴(kuò)展隨機(jī)樹(shù)算法(BRRT)與A*算法，最后優(yōu)化了A*算法。

3.1 雙向快速擴(kuò)展隨機(jī)樹(shù)（BRRT）

    BRRT算法實(shí)現(xiàn)是在RRT算法基礎(chǔ)上?；舅枷肴鐖D9所示，由一個(gè)度量函數(shù)、隨機(jī)采樣算法和組態(tài)空間所組成^[13]。尋找從起點(diǎn)q_init到目標(biāo)q_goal的可行路徑。

3.2 A*算法

    A*算法是用已知信息構(gòu)造啟發(fā)函數(shù)，要求滿足距離最近等指標(biāo)，在規(guī)劃路徑時(shí)對(duì)運(yùn)動(dòng)點(diǎn)進(jìn)行指標(biāo)評(píng)價(jià)^[14]。A*算法的函數(shù)為：

其中，f(n)是從起始點(diǎn)到目標(biāo)點(diǎn)的評(píng)價(jià)函數(shù)，g(n)是啟發(fā)函數(shù)，h(n)是從起始點(diǎn)到n點(diǎn)的實(shí)際代價(jià)。

3.3 優(yōu)化的A*算法

    雖然A*算法實(shí)現(xiàn)了UGV的全局路徑規(guī)劃，但是A*算法設(shè)計(jì)出的路徑在拐點(diǎn)處有明顯的尖峰與波動(dòng)，在實(shí)際環(huán)境中UGV無(wú)法實(shí)現(xiàn)路徑跟蹤^[15]。考慮到UGV自身運(yùn)動(dòng)與動(dòng)力學(xué)約束，本文提出優(yōu)化A*算法，將路徑出現(xiàn)拐角的地方利用梯度法作平滑處理。其基本原理是使Z取得最小值。

4 仿真研究與結(jié)果分析

4.1 簡(jiǎn)單的實(shí)驗(yàn)場(chǎng)景仿真

    首先用UAV獲取簡(jiǎn)單的實(shí)驗(yàn)場(chǎng)景，經(jīng)過(guò)圖像處理獲取UGV規(guī)劃地圖，如圖10所示。

    用上述UAV獲取的地圖對(duì)提及的全局路徑規(guī)劃算法進(jìn)行了20組實(shí)驗(yàn)，取相同的起點(diǎn)（50，650）與相同的終點(diǎn)（650，50）用MATLAB進(jìn)行仿真驗(yàn)證。實(shí)驗(yàn)結(jié)果如圖11與表1所示。

    仿真結(jié)果表明：A*算法相對(duì)于BRRT算法路徑來(lái)說(shuō)路徑平均距離短，實(shí)時(shí)性更優(yōu)；優(yōu)化的A*算法相對(duì)于A*算法來(lái)說(shuō)雖然平均時(shí)間增加了一點(diǎn)，但是優(yōu)化的A*算法路徑平均距離更短，優(yōu)化了所有的拐點(diǎn)，更適合UGV跟蹤。因此優(yōu)化的A*算法可以實(shí)時(shí)地規(guī)劃出無(wú)碰撞、路徑較短的路徑。

4.2 復(fù)雜的實(shí)驗(yàn)場(chǎng)景應(yīng)用

    為了進(jìn)一步確定提出的UAV/UGV協(xié)同環(huán)境下的目標(biāo)識(shí)別算法與全局路徑規(guī)劃算法，在實(shí)際更復(fù)雜環(huán)境中采用SURF算法進(jìn)行圖像分割能實(shí)現(xiàn)地圖建立，如圖7所示。將提出的優(yōu)化A*算法在上述地圖中應(yīng)用，實(shí)驗(yàn)結(jié)果如圖12、圖13和表2所示所示。

    上述結(jié)果表明優(yōu)化的A*算法優(yōu)化了路徑的拐點(diǎn)，可以實(shí)現(xiàn)UGV路徑跟蹤。

5 結(jié)束語(yǔ)

    針對(duì)無(wú)人機(jī)與無(wú)人車(chē)協(xié)同系統(tǒng)中的關(guān)鍵研究點(diǎn)：目標(biāo)定位與障礙物識(shí)別、路徑規(guī)劃，本文利用UAV/UGV協(xié)同系統(tǒng)中UAV的視野優(yōu)勢(shì)，驗(yàn)證了SURF算法在識(shí)別目標(biāo)物有很強(qiáng)的魯棒性，建立了UGV可執(zhí)行的地圖；在簡(jiǎn)單環(huán)境中對(duì)比了全局路徑規(guī)劃算法的實(shí)時(shí)性與最優(yōu)性，驗(yàn)證了提出的優(yōu)化A*算法更適合于無(wú)人車(chē)跟蹤；最后將提出的UAV/UGV協(xié)同環(huán)境下的目標(biāo)識(shí)別與全局路徑規(guī)劃應(yīng)用于復(fù)雜的實(shí)際環(huán)境中。實(shí)驗(yàn)表明，所提出的方法可以提高UAV/UGV協(xié)同系統(tǒng)執(zhí)行任務(wù)的效率，為后續(xù)UAV/UGV協(xié)同系統(tǒng)下的各種任務(wù)規(guī)劃和研究工作提供了基礎(chǔ)條件。

參考文獻(xiàn)

[1] KIM J, KIM Y.Moving ground target tracking in dense obstacle areas using UAVs[J].IFAC Proceedings Volumes，2008，41(2)：8552-8557.

[2] TANG Z，OZGUNER U.Sensor fusion for target track main-tenance with multiple UAVs based on Bayesian filtering method and Hospitability Map[C].IEEE Conference on Decision and Control，2003.Proceedings.IEEE，2004，1：19-24.

[3] CHAIMOWICZ L，COWLEY A，GOMEZ-IBANEZ D，et al.Deploying air-ground multi-robot teams in urban environ-ments[M].Multi-Robot Systems.From Swarms to Intelligent Automata Volume III.Springer Netherlands，2005：223-234.

[4] 谷豐，王爭(zhēng)，宋琦，等.空地機(jī)器人協(xié)作導(dǎo)航方法與實(shí)驗(yàn)研究[J].中國(guó)科學(xué)技術(shù)大學(xué)學(xué)報(bào)，2012，42（5）：398-404.

[5] GANESHMURTHY M S，SURESH G R.Path planning algorithm for autonomous mobile robot in dynamic environment[C].International Conference on Signal Processing，Communication and Networking.IEEE，2015：1-6.

[6] HU Q，ZHAO J，HAN L.Cooperative path planning for intelligent vehicle using unmanned air and ground vehicles[C].Chinese Intelligent Systems Conference.Springer，Singapore，2017：603-611.

[7] 陳明生.圖像配準(zhǔn)技術(shù)研究與應(yīng)用[D].長(zhǎng)沙：國(guó)防科學(xué)技術(shù)大學(xué)，2006.

[8] SHI Q，ZHAO J，HAN L，et al.Dynamic lane tracking system based on multi-model fuzzy controller[C].IEEE International Conference on Mechatronics and Automation.IEEE，2016：873-877.

[9] 石雅筍.改進(jìn)的SURF圖像配準(zhǔn)算法研究[D].成都：電子科技大學(xué)，2011.

[10] 陳小丹，杜宇人，高秀斌.一種基于SURF的圖像特征點(diǎn)快速匹配算法[J].揚(yáng)州大學(xué)學(xué)報(bào)(自然科學(xué)版)，2012，15(4)：64-67.

[11] 周榆豐.天車(chē)吊運(yùn)系統(tǒng)中運(yùn)動(dòng)目標(biāo)識(shí)別與匹配方法研究[D].唐山：河北聯(lián)合大學(xué)，2014.

[12] 朱瑋.基于視覺(jué)的四旋翼飛行器目標(biāo)識(shí)別及跟蹤[D].南京：南京航空航天大學(xué)，2014.

[13] 劉成菊，韓俊強(qiáng)，安康.基于改進(jìn)RRT算法的RoboCup機(jī)器人動(dòng)態(tài)路徑規(guī)劃[J].機(jī)器人，2017，39(1)：8-15.

[14] 楊占龍.基于特征點(diǎn)的圖像配準(zhǔn)與拼接技術(shù)研究[D].西安：西安電子科技大學(xué)，2008.

[15] Zhang Qifei，Guo Tailiang.Global path planning algorithm of robot based on multistage decision[J].Computer Engineering，2016，42(10)：296-302.

作者信息:

席阿行，趙  津，周  滔，胡秋霞

 (貴州大學(xué) 機(jī)械工程學(xué)院，貴州 貴陽(yáng)550025)