基Kinect RGB-D 传感器的移动机器人定位外文翻译资料

英语原文共 6 页，剩余内容已隐藏，支付完成后下载完整资料

基Kinect RGB-D 传感器的移动机器人定位

Gurjap Singh ,Homi Bhabha 国家研究院,Bhabha 原子研究中心,Mumbai, India 91-9969695757 ,bains.jappi@gmail.comSanjeev

Sanjeev Sharma ,DRHR1,Bhabha 原子研究中心,Mumbai, India

91-9930692945 ,ssharma@barc.gov.in

Prabir K Pal ,DRHR1,Bhabha 原子研究中心,Mumbai, India, 91-9820357406

pkpal@barc.gov.in

摘要

我们提出了一种使用微软Kinect RGB-D传感器来完成移动机器人定位的方法。我们利用放在已知环境中的人工地标。机器人尝试通过这些地标的颜色和形状来定位它们，并反过来测量它们的范围和方向。接收到的范围和方向的信息是很吵杂的.本文所提出的方法通过Monte Carlo 定位估计机器人在世界坐标系中的位置。地标的总数和他们各自的位置（世界坐标系中）被用来提供对机器人的先验，这很像在一个环境中使用一个地图，但是只需要很低的资源需求。

提出的方法已经被完成并且进行了实验性的测试。在Kinect传感器的视图中，这个算法的时间复杂度和地标的数量成比例。因此地标需要采取这样的方式去放置来确保一个或者最大两个坐标一直保持在Kinect的检测范围中。我们在一个典型的用于室内办公室环境中的实际应用得出了结论。

1.介绍

如果一个移动机器人需要实现一些在现实生活中有意义的应用，从根本上来说它必须得在这个系统的任何时刻知道它在世界坐标系中的位置与方向。

传统上，一个机器人想要通过轮子旋转的数目计算它的位置，这种方法称为里程计法。

这里有两种测距误差，系统性误差和非系统性误差，两者都会影响移动机器人的定位，因此他们会导致机器人以一种非期望的方式去修正它的轨迹。

系统性误差的来源是：车轮的直径不相等，两个车轮的平均直径不同于额定直径，车轮错位，有效轴距的不确定，编码器的分辨率有限，编码器的采样率有限。

非系统性误差的来源是：不平整地面上的移动，地板上意外物体的移动，轮子的滑动导致：地板打滑，加速过快，转向打滑，外力作用，内力作用，连接着地面的面轮。

因为这些导致里程计法出错，姿势的错误导致被机器人观察的距离无限制增长并且因此，影响了机器人移动的控制。

因此，机器人必须在环境中增加对对象的参考，这才可以更准确的定位，机器人能够在世界坐标系中准确探测其位置的过程被称为定位。

为了能在环境中参考各种相关的对象，机器人使用了各种传感器如激光，声纳等。一种新的 传感器，Kinect RGB-D传感器，被微软在近几年提出来，尽管是为了不同的目的，它发现了机器人领域中的许多应用。它有一个红外线发射器，红外摄像机和一个像素640*480，每秒30帧的RGB摄像机。因此我们可以通过Kinect传感器获得三维的全彩图像，结合了颜色和深度的图像有它的特点（例如，一个物体可以通过颜色被识别，同时深度信息可以告诉我们这个物体相对于传感器的距离）我们打算推出一种使用Kinect传感器的机器人定位方法。

我们利用放置在已知位置的人工地标，机器人尝试通过地标的颜色和形状分析出他们的位置，因此它使得范围和方位的观察变得很有意义。当Kinect RGB-D传感器在使用时这些深度信息是吵杂的，因此接收到的范围和方位信息也是吵杂的输入。因此我们提出的方法使用Monte Carlo定位算法确定机器人在世界坐标系中的位置，它的特点在于很适合接收这些吵杂的输入。

传统定位方法利用操作环境的地图，地图在使用中需要大量的内存和计算资源。另外，生成一个新的操作环境的地图是非常麻烦的，因此它限制了机器人只映射环境的操作。在提出的方法中，我们需要放置一些地标在已知地点，并且把地标的总数，以及每个地标在世界坐标系中的xy位置提供给机器人，这样的方法在映射上只需要非常低的资源需求。此外，这种方法提高了机器人系统在新环境中的启动的灵活性。

本论文的剩余部分的组织如下。在下一章中，我们参考了一些在相关领域中的先前作品。我们将在第三章中详细地描述所提出的方法。实验所得结果将在第四章描述。一些所提出方法的优点将在第五章列出，最后结论和未来的展望在第六章总结。

2.先前工作

一个利用Kinect RGB-D传感器进行机器人应用的研究已在【6】中进行，Kinect传感器的技术文档已被记录在其中。和我们应用相关的一个是水平57度和垂直43度视图的领域。此外，观察到的范围数据相当准确，范围是800mm至3600mm，精度为 /-10mm，因此，Kinect传感器很适合我们的定位目的。

一种基于深度摄像机的移动机器人定位和导航的方法在【4】中被提出，利用了快速采样的导航平面滤波(FSPF)算法。作者利用3D点云平面提取来进行机器人定位和导航。

有一种方法非常接近于我们所提出的，在【5】中，标题为“基于里程计和Kinect传感器的移动机器人定位”论文。但是他们的方法依赖于4个标记圆形的地标的检测，并且同时了EKF和PF。因此这个方法并没有完全使用从Kinect接收到的三维的信息。除此之外，这篇论文所提到的地标，只能从一个方向使用，而我们的地标是圆柱体状的，相比之下，我们的地标可以在各个方向被使用，因此增加了机器人操作的范围。

3.算法

所提出的方法基本上遵循Monte Carlo定位方法，【7】，【3】。MCL的研究进展在两个阶段：移动更新（预测）阶段和测量更新（矫正）阶段。前者使用里程计信息，后者使用对地标的范围和方位的测量。我们的方法是一种利用Kinect RGB-D传感器的全新的方法，与之前所提及的成果相比，我们使用了完全不同的方法去测量更新阶段。

我们将在接下来的段落中完整地解释我们的方法。

3.1实验装置

正如之前所提及，我们把相同的地标（在形状，颜色，大小上）放置在机器人操作环境中的任意位置。在实施过程中我们使用了圆柱形的地标，通过颜色区分于操作环境。这些被放置了地标的地点，只受到机器人所有可能位置标准的约束，同时在操作中，最少一个最多两个可以同时在Kinect传感器的视野中。全部被放置的地标以及他们所代表的的坐标，需要被先验可用后才能被机器人使用。一个典型的实验装置如图所示，我们会回到提取从Kinect捕获的帧中获得的范围和方向信息这个过程。

3.2 样品位置生成

在我们的方法中，我们使用了MCL算法，它使用了粒子滤波，因此任何一个粒子代表了一个任何时刻机器人可能在的位置。我们会为我们的应用维持一个恒定的N=1000数量的粒子。在开始的时候，机器人知道它的位置，但我们不能完全肯定机器人坐标系和世界坐标系间的协同转换。因此，被生成的作为样本的位置或粒子需要代表机器坐标系中的同一个（位置），虽然它们不确定。因此，我们所产生的样本位置符合正态分布，具有给定的标准偏差，这相当于（模拟了）在原始环境中机器坐标系里那些不确定的物理位置。

3.2 将运动模型应用于样本位置

在机器人移动的时候，我们需要更新粒子来表示机器人最新的位置，让样本位置在i-th迭代中被表示为（Xi,Yi,Oi）,(Xi,Yi)代表着机器人位置的xy坐标系，而(Oi)代表着以X轴正方向的机器人的航向角。因此，为了找到在(Xi) i-th迭代中的位置，我们需要运动模型和测量去更新过程。我们利用基于运动模型的测程法来生成(Xi)的中间状态，从之前迭代的样本位置(Xi-1)中，在利用机器人给出的控制信号(ui)的基础上。由于很难在一个给定的瞬间找到准确的控制信号，相同点来自与两个不同的连续状态他们的基于测程法返回的结果， 分别是(Oi)和(Oi-1)两次迭代。此外，任何机器人位置的改变都可以可视化为旋转，通过翻译转换，再通过旋转，这三个值可以通过以下的方法获得。

基于所得到的控制信号，例如和，我们进行对所有粒子进行运动模型更新并取得如下的中间状态。

代表相同的带有随机噪音的控制输出，是为了表示测量的不确定性。对于所有粒子的结果的收集来自（4）的LHS通过这些粒子的中间状态或者预测的状态。这些粒子的状态收到下一步骤的测量更新阶段制约。

3.4方向和范围的提取

随后数据的产生，在样本位置的中间状态或者预测状态中获得，这些样本位置的信仰需要使用方向和范围数据来更新。在某一帧的所有可见地标中提取的方向和范围数据组成了第一步，这些数据由Kinect RGB-D传感器收集到。因为大量的我们不期望的数据在每一帧都会产生很多，所以我们需要过滤一些不需要的细节。为此我们使用条件过滤器，基于有限的颜色信息范围，深度（或者范围），以及高度（或者垂直范围）。在过滤后提取剩余的像素，我们采用RANSAC算法去检测圆柱形物体（我们的地标）。系数是圆柱体轴上的两个点（x,y,z）以及半径，用这三个值在三维世界中描述一个圆柱体。在Kinect的视野中对地标的距离和方位，从之前所说的系数中得来，通过提取点与水平面平行于真水平面以及圆柱体的轴（圆柱体的轴线垂直于水平面）。

所提取的位置与方向的信息，表示地标的位置，由机器人从它在抓帧那个瞬间实际的位置感知到，即从机器人真实的位置并且这杯称为测量。

由于所有的地标的形状，颜色和大小都一致，Kinect无法区分这些地标。因此我们面临数据关联的问题，在下一步，我们尝试关联所得到的测量值与每一个地标。为此，我们首先得到了机器人预期当前位置通过使用最后侧得到的位置，通过使用可用的先前迭代和当前迭代的里程计信息。然后我们可用计算每个地标的不同处，通过观察机器人的期望当前位置和真实位置。基于这些差异，我们计算每一次测量的比较概率，相对于每个不同的地标并关联与测量值。我们把得到配对的过程称为关联测量。

3.5 计算差距

一旦我们有了关联测量，我们可以估计一个地标的预期位置，我们可以通过使用在状态粒子和特殊的关联测量来获得。因此我们可以发现机器人预测位置和实际位置之间的差距，可以通过机器人先验获得。

数值上，一个直接的方法去找到相同点是找到粒子的预测范围和预测方向，通过目前粒子的位置和考虑的位置。因此我们找到了两个有区别的测量值：范围和方向。这些或许没什么但是代表了预测和先前量的不同。如下所示。

3.6 粒子的分配权重

重要因素或者权重被分配给每个样本位置，基于测量值的不同使用概率函数，在上述的过程中，概率函数执行如下：

在（7）中，x代表差值，y代表标准偏差，他俩是常数，控制着Kinect RGB-D传感器测量值的预期噪音。

因为我们的每一个测量值是一组范围和方向的集合，我们使用独立的（7）为了数量和观察到的产品概率，最后对于粒子的权重相当于一个被观测的地标。如果有一个或者多个粒子被Kinect RGB-D传感器观测到，每个被观测到的地标独立权重的总数，被分配到当前粒子中。

同样，所有粒子的权重都被计算，我们得到如下的一个合并中间状态。

代表着粒子在某种状态下的正常权重。

3.7 最后位置估计

最后机器人的位置，或者基于本地化的位置，可以估计出，作为加权平均的所有样本（粒子）构成。最后的机器人的位置估计在重采样前获取，以确保完全利用测量信息。

图3：（a）实际的物理路径随着机器人和定位信息变化，用于完成23个循环矩阵路线。（b）机器人运动的总和，逐渐的转移在里程计信息中显而易见。(c)机器的运动数据由定位信息控制。（d）实际物理机器人的路径，如图C所示的机器人被视为遵循所需的路径（圆形路径）。

3.8 再取样

在我们的算法中，我们从现有在权重分配的总体上画出样本位置和替换品，我们使用顺序重采样（SIR）, 因为它确保样本被绘制的概率是成比例的分配给单个粒子的重量。因此，我们得到一个随机分布的粒子群，它对应于期望真正的机器人位置。这个得到的总体用于初始化下个定位的周期。

3.9 增强健壮性

在重采样过程中产生新的粒子群，这就构成了下一次迭代算法的起点。由于重采样过程对粒子种群具有收敛作用。粒子种群的多样性偶尔会丢失。这一错误的结果会导致未来的本地化尝试。因此，我们尝试检测健康的粒子数。无论何时，健康的粒子总数不断恶化，随机粒子注入机器人位置的四周，这现象在最后的本地化尝试中获得。这类似于随机噪声注入粒子总数，确保了一个强大的定位技术。

4 实验性结果

一个包括三轮移动机器人（WMR）的实验装置已被使用，用于验证技术。本文所提出的算法在c 中用PCL和ARIA类库实现。【1】在一个粗略的本地化验证

过程中，我们尝试将机器人移动到预先指定的路径上（矩形路径）。我们已经实现了一个纯追演算法[ 2 ]。

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[154168]，资料为PDF文档或Word文档，PDF文档可免费转换为Word