小型多功能机器人的目标识别与自主作业定位技术综述

蒙丽雯，陈世锋，陈泉成，翟旭磊，韩 冰，熊斯凯，李正强，韦 锦

（广西大学 机械工程学院，广西 南宁 530004）

0 引言

绿化树木修剪是园林环卫部门的一项经常性工作，园林绿化环卫装备从原来单一的作业需求，逐渐开始向集作业、信息化监管功能于一体的全方位需求方向发展，技术特性上朝智能化、集成化、环保化、人性化、数字化方向发展[1，2]。

国外城市绿化苗木修剪养护主要依靠机器代替人工完成，机械化、自动化程度较高，并有较多的园林环卫机械产品投放市场，产品的通用性强，能够实现一机多用。目前国外园林环卫机械通过引入机器视觉、高灵敏传感器正在朝着高度自动化、智能化方向发展[3]。代表性产品是德国的Ducker 公司生产的Outrigger 系列多功能修剪机[4]。近年来，国内不少研究人员投身于自动化园林环卫机械研发，并已取得较多成果[5]。詹晓华[6]通过数学建模、数值分析对环卫车高压清洗能力进行了研究优化；李红燕[7]对洒水车自动工作模式进行了改进，提高了设备的智能化水平；针对高枝修剪，Li 等[8，9]研究了修剪锯末端的振动抑制控制方法，实现了修剪锯末端的快速准确定位，Zhang等[10]通过瞬态动态分析来预测修剪刀片摩擦引起的噪声。韦和均、李正强[11，12]研究通过目标识别和图像点云处理实现苗木中心的定位。国内也研制出多种园林机具，但品种尚不齐全，选择余地较小，和国外先进产品相比，在性能上还存在较大差距。

针对目前绿篱修剪机械一般由人工驾驶机具行驶到待修剪绿篱的附近，以人眼通过视频进行对中，通过人工操作移动机械臂的手部至绿篱的中心位置的上方进行修剪作业，导致工作效率低下的难题。研究自主作业修剪机器人的苗木识别、建图与对中技术，提高修剪装备的自动化和智能化水平。

1 绿篱苗木造型的自适应对中方法

绿篱苗木造型修剪一般有球、柱和锥形等，由于柱形和球形绿篱的水平截面中心近似圆形，因此，绿篱苗木修剪造型的对中可以看成复杂环境下的圆检测问题。霍夫变换（Hough transform，HT）圆检测是使用最广泛的一种圆检测算法，一般用于检测半径已知且待检测圆是规整圆的情况，但是提取到的绿篱外轮廓一般不完整且与规整圆差异较大，半径也不确定，因此基于Hough 原理的圆检测算法检测效果不佳，未知半径导致耗时较长。随机抽样一致性（RANSAC）可以有效解决最小二乘法受个别离群值影响的问题，但是提取到的绿篱外轮廓经常出现许多凹陷，导致均值偏移严重，拟合成的圆往往与绿篱外轮廓差异很大，并且其随机性容易导致寻找不到圆拟合的解而导致算法崩溃。轮廓匹配圆检测一般以标准圆轮廓为模板，不需要指定圆半径，通过调整匹配度即可检测到不同大小的圆轮廓，但绿篱外轮廓并非规整圆且具有多样性，只能满足很低的匹配度，容易导致误匹配。颜色形状圆检测是先分离不同颜色通道图像，然后直接根据像素值范围进行二值化处理，再根据每个像素块与最小外接圆重合度检测出每个颜色通道的圆，最后汇总所有颜色通道图像检测结果，可以有效检测不同颜色的圆，防止出现漏检，但是绿篱颜色多样，很难选择二值化阈值，复杂环境下算法运行时间较长，且对光照鲁棒性差。

针对以上存在问题，通过研究一种绿篱修剪机器人的绿篱自适应对中方法，自适应对中的方法如图1所示，通过该方法可以使绿篱修剪机器人的自动化、智能化水平大幅度提升，快速准确实现修剪机械手自动对中的功能[13]。

图1 绿篱自适应对中的方法

自适应对中方法首先通过单目相机获取俯视角度的绿篱图像，从图像中提取只含有绿篱信息的矩形图作为模板。将绿篱图像和模板转换到同一颜色空间下，在各通道上进行直方图对比，找到绿篱显著颜色空间，完成颜色空间的自适应选择，将可以求得绿篱显著颜色空间的通道作为默认分析通道，以绿篱显著波峰为中点分别向两边扩大25 得到对应的默认阈值区间，若遇到边界，则在保证默认阈值区间范围为50的情况下进行平移调整，确定默认阈值区间；对绿篱图像进行二值化处理，获得包含完整绿篱信息的二值图像之后，根据二值图像中所有小白块的总面积在整幅图像中的占比（LW_areaR）以及小白块的数量（LW_num）来判断二值化图像的效果，获得包含完整绿篱信息的二值图像；同时对二值图像进行增强处理，将离散的绿篱信息聚合，去除噪声点。从图像中获取绿篱的最小外接圆，根据最小外接圆计算得到绿篱中心位置信息。

2 球形绿篱修剪机的建图方法

基于多线激光雷达和单目视觉建立球形绿篱形状、位置以及绿篱两侧护栏的三维点云地图。主要包括以下过程：

（1）采集多线激光雷达点云数据和单目相机图像数据。对激光雷达和单目相机采取PnP 的方法进行外参标定，视觉提取特征点，雷达提取边缘，得到相机与雷达之间的几何约束，使用多线激光雷达和单目相机对环境进行扫描读取点云数据和图像数据。

（2）对点云数据和图像数据进行预处理。由于园林绿篱修剪作业的环境恶劣，原始点云中存在许多噪点，原始点云的数量过多将导致整体效率降低，并对之后的点云处理以及系统运算造成巨大影响，并且降低系统的实时性和建图的准确性。因此采用Voxel-Grid 滤波器对点云进行降采样处理，适当减少点云数量，提升效率的同时，保持足够的点云数量。

（3）对点云数据进行聚类，然后剔除点云信息较少且对后续建图产生不良影响的聚类簇。由于不确定的环境因素，绿篱在生长时并不会按照一定的形状生长，这就会导致球形绿篱会出现形状不确定的现象，对于后续的对中会产生一定的干扰，另外杂草以及稀疏叶子等在风的作用下并不会保持在一个固定的地方，动态物体对后续的点云匹配也会造成不良的影响，所以通过对点云进行聚类分割，剔除掉对结果造成负面影响的点云数据。

（4）利用激光-惯性里程计与视觉-惯性里程计紧耦合的slam 方法进行定位和建立三维点云地图，并去除无关点云。由于单一的激光-惯性里程计或视觉-惯性里程计均存在自身缺陷，激光-惯性里程计对于特征纹理不丰富的位置时常产生误匹配或匹配不上的问题，而视觉-惯导里程计在光照变化以及天气恶劣的工况下也可能出现失效的问题。因此单一的激光-惯性里程计或视觉-惯性里程计单独工作并不能达鲁棒的定位效果，对两种里程计以紧耦合的方式进行数据融合，联合视觉里程计约束、激光雷达里程计约束等约束因子，对环境进行感知建图，采用三维体素网格进行保存三维点云地图。

（5）计算球形绿篱中心坐标，建立三位点云地图。公路两护栏间的距离参照国家标准，取两护栏对称中心所在的垂直地面的曲面作为绿篱中心线来定位绿篱中心位置截面，然后将曲面按一定距离分割形成一段段的平面。将绿篱的三维点云簇垂直投影到上述分割的对应平面，形成二维点云图，采用随机采样一致方法对绿篱点云进行拟合，通过一定的迭代获取最优的几何参数，得到绿篱冠层模型，得到球形绿篱中心坐标并保存各个球形绿篱中心坐标到数据库中，从而获得了包含绿篱、护栏以及绿篱中心坐标的轻量化三维点云地图。

3 结语

基于多线激光雷达和单目视觉的小型绿篱苗木修剪机器人点云建图技术，通过获取点云和图像数据，并对图像以及点云的处理，建立道路绿篱的几何中心坐标、绿篱轮廓信息以及绿篱两侧护栏信息的三维点云地图，将绿篱和护栏的几何参数传输到中心控制系统，控制系统根据得到球形绿篱中心坐标的数据库以及环境信息，可以完成机器人运动规划和单株苗木球面修剪作业的定位，但该方法仅适用于单株球面造型作业。基于自适应技术的移动作业过程的对中方法，可实现球、柱和锥形等绿篱苗木的造型修剪作业。两种方法都避免人工对于驾驶修剪机和对中绿篱中心的频繁操作，大幅度提高了作业效率以及作业质量。