摘要:环境感知是自动驾驶系统中不可或缺的一环,本文详细分析MCR机器人环境感知传感器搭配方案,并阐述基于视觉、激光的感知算法,获取机器人周围环境的信息,反求机器人在环境地图中的定位信息,结合机器人等效几何模型,构建轻量化规划地图。
01
在前文《设计搭建汽车机器人》中详细阐述了MCR的硬件系统,并将硬件系统划分为三个层次,其中就包括感知系统等,而感知系统依赖的传感器是ZED双目相机和激光雷达,获取机器人周围环境信息。
从自动驾驶系统层面分析,环境感知子系统的作用是将机载传感器获取的自然环境信息生成地图模型。综合分析发现(具体分析可参考《机器人环境感知研究现状简述》),几何特征地图的构建及运用具有简洁、高效等优势。
图 1.1 汽车机器人MCR模型
因此,本文综合考虑传感器特性及环境特征,设计环境感知建模方案,包括障碍物感知建模、室内外道路感知建模,以及机器人在环境中的位姿解算。进而,优化设计机器人等效几何模型,并最终构建适用于运动规划模型的轻量化地图模型。
02
综合考虑道路场景特征、传感器工作特性等因素,设计环境感知建模方案及其障碍物、道路建模算法,构建轻量化环境地图模型。
在《设计搭建汽车机器人》一文中讲述了硬件设计方案,其中上层感系统就包含激光雷达和双目相机。在SLAM系统中多采用激光雷达或视觉传感器,2D激光雷达精度高,但仅能获取其平面环境信息,而3D激光雷达成本过于昂贵;视觉传感器能够获取3D环境颜色信息,但存在较大盲区,且容易受光等自然因素干扰。综合考虑场景需求、工作范围等需求,环境感知系统采用双目相机与2D激光雷达相结合的方案。
两类传感器的安装位置位于机器人顶部,激光雷达略高于双目相机,双目相机恰好不能识别到机器人本体,且可减弱盲区距离影响,两种传感器均安装于机器人对称轴线上,如图 2.1所示。双目相机主要获取机器人前方3D场景RGBD信息,且适用于室内外环境,但两侧及后方存在大范围盲区,激光雷达则获取360度2D平面场景信息,考虑机器人主要前向运动,因此采用上述方案能够满足要求。
为便于描述机器人本体和传感器之间的位姿关系,如图 2.1所示,建立4个坐标系,分别为相机坐标系ocam-xyz,其原点ocam位于相机对称中心;雷达坐标系olid-xyz,其原点olid位于雷达对称中心;机器人后桥坐标系obase-xyz,其原点obase位于后轮轴线中点;机器人几何中心坐标系ocenter-xyz,其原点ocenter位于前后轮轴中垂线的中点。且这4个坐标系的xoz平面与机器人对称面重合,x正方向均沿着机器人正前方,z正方向均竖直向上,并满足右手法则。
(点击或阅读PDF原文查看大图)
图 2.1感知传感器方案
图 2.2描述了环境感知建模的流程,箭头表示数据流方向。激光雷达和双目相机采集环境信息,输出原始数据,包括雷达激光点云和视觉图像(深度图像、RGB图像)。环境建模包含障碍物建模和道路建模(室内/室外)。障碍物建模是将雷达激光点云及深度图像结合作为输入,通过分割拟合等方法得到圆形、直线障碍物集合。道路建模分为室内廊道场景和室外道路场景,室内廊道光线不稳定,设计基于直线障碍集合的廊道壁面识别算法,并求解机器人在廊道内的位姿;室外道路上存在道路边界线标识,采用双目相机生成的RGB图像,通过图像识别算法获取道路边界信息,并求解机器人在室外道路中的位姿。
由于机器人运动属于平面运动,因此将所有障碍物、道路几何信息投影、转化到xocentery平面,得到环境几何地图,同时降低运动规划计算量。
(点击或阅读PDF原文查看大图)
图 2.2 环境感知建模流程
2.2.1 障碍物感知建模
为了实现障碍物建模,需要将组合激光点云转化为圆形障碍集合,需要对雷达激光点云、深度图像等原始传感数据预处理、障碍物几何建模算法生成直线、圆形障碍集合,具体理论推导、实现方法及测试效果。具体可参考《基于激光雷达的场景建模算法分析与应用》。
2.2.1 道路感知建模
根据室内外道路特征的不同,所采用的传感器也不同,因此,设计不同的感知建模算法,以实现识别室内外道路边界、计算传感器与道路的位姿关系等信息,构造道路模型。
室内廊道感知建模是基于环境先验信息,完成室内廊道识别及机器人定位,其具体理论推导、实现方法及测试效果可参考《基于激光雷达的场景建模算法分析与应用》;室外道路场景感知的实现思路和室内廊道感知建模相似,其具体理论推导、实现方法及测试效果《基于视觉的场景建模算法分析与应用》。
03
如图 1.1所示,机器人外形是立体的,复杂且不规则,若直接应用于运动规划模型,会增加不必要计算成本。由于机器人的运动规划在二维平面,因此可综合考虑机器人俯视投影的轮廓形状、安全碰撞余量等因素,优化设计简洁的机器人等效几何模型。具体设计及优化方法可参考《机器人碰撞检测几何模型设计》,最终效果如图 3.1所示。
图 3.1 机器人简化等效集合模型
为便于机器人运动规划计算,需要将上述障碍物、道路建模算法输出的结果转换到道路坐标系,并结合机器人模型,构建适用于运动规划的完整的环境地图模型。
在前文《基于激光雷达的场景建模算法分析与应用》和《基于视觉的场景建模算法分析与应用》中,道路感知建模算法可获得传感器(雷达、相机)坐标系在对应的道路坐标系中的位姿。
如图 3.2所示,构建用于运动规划计算的道路坐标系or-xy,过点ocenter作道路中心线的垂线,其交点为原点or,x轴正方向是该沿着垂线指向右侧道路,y轴正方向沿着道路中心线指向机器人运动方向,因此道路坐标系or-xy是随机器人的运动而动态变化的。
如图 3.2,机器人在道路坐标系位姿用姿态角θcenter 及偏距dcenter 表示,基于雷达或相机传感器建模结果转换得到,具体为
1)在室内廊道中通过激光雷达建模结果转化,表示为
式中,dlc表示点ocenter与点olid连线在平面xocentery的投影线段长度。
2)在室外道路中通过双目相机建模结果转化,表示为
式中,dcc表示点ocenter与点ocam连线在平面xocentery的投影线段长度。
在章节2中,圆形障碍物及室内廊道边界的描述是基于olid-xy,室外道路边界的描述是基于ocam-xy,因此需要通过坐标变换转换矩阵到or-xy中。在or-xy中,所有的障碍物表示为Obs={OL,OC}(道路边界线也是特殊的直线段障碍物)。
综上所述,在or-xy下,运动规划地图包含圆形障碍物OC、道路边界OL、机器人等效模型IFL,整个地图仅由直线段和圆形构成,满足了地图模型简洁的设计要求,如图 3.2所示。
联系客服