本發(fā)明涉及一種基于計算機(jī)視覺的四足機(jī)器人本體位姿跟蹤方法,屬于智能機(jī)器人的技術(shù)領(lǐng)域。
背景技術(shù):
四足仿生機(jī)器人被認(rèn)為是最佳的足式機(jī)器人形式,四足步行機(jī)器人比兩足步行仿人機(jī)器人承載能力強(qiáng)、穩(wěn)定性好,具備更加良好的適應(yīng)復(fù)雜路況環(huán)境的能力,同時相比于六足、八足步行機(jī)器人,四足機(jī)器人的電子機(jī)械結(jié)構(gòu)設(shè)計簡單、易于控制,使其在軍事行動、反恐防暴以及工程建設(shè)等多種環(huán)境下具有廣泛的應(yīng)用前景。對四足機(jī)器人本體姿態(tài)進(jìn)行的研究,為機(jī)器人規(guī)劃協(xié)調(diào)層接下來的路徑規(guī)劃、步態(tài)生成、平衡控制等具有重要的工程價值及實際意義。
機(jī)器人位姿標(biāo)定的傳統(tǒng)算法主要有兩種:1.運(yùn)動學(xué)回路法,即在已知機(jī)器人初始位姿的情況下,通過測量裝置獲得機(jī)器人末時刻的位姿,然后通過求解機(jī)器人的運(yùn)動學(xué)方程來獲得機(jī)器人的運(yùn)動參數(shù);2.軸線測量法,通過將機(jī)器人的關(guān)節(jié)軸線抽象成一條空間中的直線,然后以該軸線為基礎(chǔ)建立機(jī)器人的運(yùn)動學(xué)模型,利用空間幾何關(guān)系解出機(jī)器人運(yùn)動模型中的相關(guān)參數(shù)。
機(jī)器人姿態(tài)估計的一般步驟:首先,建立四足機(jī)器人本體的幾何結(jié)構(gòu)模型,建立載體坐標(biāo)系、地理坐標(biāo)系、平臺坐標(biāo)系以及導(dǎo)航坐標(biāo)系,通過四者之間的關(guān)系,推導(dǎo)出載體坐標(biāo)與導(dǎo)航坐標(biāo)之間的捷聯(lián)轉(zhuǎn)換矩陣。然后,根據(jù)四足機(jī)器人狀態(tài)感知系統(tǒng)協(xié)調(diào)規(guī)劃層的需求,結(jié)合機(jī)器人本體幾何結(jié)構(gòu)模型,對四足機(jī)器人本體姿態(tài)求解,通過四元數(shù)實時計算,得出機(jī)器人本體速度、位置以及姿態(tài)的實時計算模型,從而計算出機(jī)器人本體的速度、位置信息以及機(jī)器人本體航向角、俯仰角、翻滾角的姿態(tài)信息。
傳統(tǒng)位姿估計需要用到加速度計來獲得航向角、俯仰角、翻滾角的角加速度,但是隨著時間的累積,由于加速度計本身的噪聲影響帶來的精度問題,誤差會越來越大,而后續(xù)的累積誤差修正算法則會影響機(jī)器的實時性,增加系統(tǒng)運(yùn)算的時間,影響系統(tǒng)的性能。而采用更高精度的加速度計則會提高機(jī)器人的設(shè)計成本。
技術(shù)實現(xiàn)要素:
針對現(xiàn)有技術(shù)的不足,本發(fā)明提供一種基于計算機(jī)視覺的四足機(jī)器人本體位姿跟蹤方法。
發(fā)明概述:
四足機(jī)器人Viroscope是一個以液壓為動力驅(qū)動的四足機(jī)器人,本發(fā)明為其在trot對角小跑步態(tài)時對其位姿進(jìn)行實時追蹤并向MCU傳導(dǎo)更新,運(yùn)行環(huán)境涵蓋了除實驗室外的曠野、山地以及夜間黑暗環(huán)境,實驗運(yùn)行軌跡為直線行走。
本發(fā)明的技術(shù)方案為:
一種基于計算機(jī)視覺的四足機(jī)器人本體位姿跟蹤方法,包括步驟如下:
1)在四足機(jī)器人本體背面配置兩個單目攝像頭,1號攝像頭和2號攝像頭;1號攝像頭指向正前方,2號攝像頭指向側(cè)方,兩個單目攝像頭方向滿足嚴(yán)格正交;機(jī)器人采取雙攝像頭替換了傳統(tǒng)設(shè)計中的高精度陀螺儀和加速度計,節(jié)省了機(jī)器人的生產(chǎn)成本。
2)圖像采集:
將機(jī)器人步態(tài)設(shè)置為對角小跑步態(tài),運(yùn)動路線設(shè)置為直線行走;運(yùn)動開始時開啟1號攝像頭和2號攝像頭,每個攝像頭每1S內(nèi)拍攝N張圖片;圖像采集不采用錄像的方式,而是使攝像頭每1S內(nèi)拍攝N張圖片的方式,有效減少了圖像的數(shù)量,節(jié)省了運(yùn)算量,改善了系統(tǒng)的實時性。
3)圖像匹配:
將兩個單目攝像頭采集到的第一幅圖像分別設(shè)定為各自的參考幀圖像,對參考幀圖像和當(dāng)前幀圖像進(jìn)行MSER檢驗,選取前C個區(qū)域進(jìn)行區(qū)域標(biāo)定,然后在標(biāo)定的區(qū)域進(jìn)行FAST特征點檢測;在標(biāo)定的區(qū)域進(jìn)行FAST特征點檢測,取代了傳統(tǒng)算法中對整幅圖像進(jìn)行特征點檢測的方法,使得提取出來的特征點更加穩(wěn)定,性能優(yōu)越,而且FAST角點提取速度非???,而傳統(tǒng)的特征點提取還要篩去特征點,篩去野點,防止誤匹配。在標(biāo)定區(qū)域進(jìn)行FAST特征點檢測大大節(jié)省了時間,增強(qiáng)了匹配的可靠性,減小了特征點之間的誤匹配概率,提高了對四足機(jī)器人本體運(yùn)動參數(shù)估計的精度。
4)計算四足機(jī)器人運(yùn)動參數(shù):
機(jī)器人本體運(yùn)動包括水平橫向位移Δx、水平縱向位移Δy、豎直位移Δh、俯仰角θ、翻滾角γ和航向角ψ;仰角θ向上為正值,向下為負(fù)值,定義域為[-90°~+90°];翻滾角γ右傾為正值,左傾為負(fù)值,定義域為[-180°~+180°];航向角ψ,定義域為[0°~360°];其中,航向角ψ由加速度計測得;
統(tǒng)計匹配點,對1號攝像頭采集的圖像用最小二乘法求解上述超定方程得到翻滾角γ,對2號攝像頭采集的圖像用最小二乘法求解上述超定方程得到俯仰角θ;其中,(x1,y1)為1號攝像頭采集的參考幀圖像的特征點坐標(biāo),(x'1,y'1)為1號攝像頭采集的當(dāng)前幀圖像的特征點坐標(biāo);(x2,y2)為2號攝像頭采集的參考幀圖像的特征點坐標(biāo),(x'2,y'2)為2號攝像頭采集的當(dāng)前幀圖像的特征點坐標(biāo);坐標(biāo)系為圖像坐標(biāo)系,x軸為圖像的水平軸,y軸為圖像的豎直軸,坐標(biāo)系原點為圖像左上角第一點;Tx1為1號攝像頭幀間圖像的水平位移,Ty1為1號攝像頭幀間圖像的垂直位移;Tx2為2號攝像頭幀間圖像的水平位移,Ty2為2號攝像頭幀間圖像的垂直位移;
5)分別測量1號攝像頭距離障礙物的距離l1,2號攝像頭距離障礙物的距離l2,求解四足機(jī)器人本體運(yùn)動位移;
運(yùn)算上述方程,更新機(jī)器人運(yùn)動估計參數(shù),其中,(x0,y0)為機(jī)器人初始位姿坐標(biāo)。至此,四足機(jī)器人本體位置姿態(tài)信息全部更新完畢;
優(yōu)選的,針對曠野和夜間環(huán)境,選擇捷聯(lián)慣導(dǎo)作為姿態(tài)求解的備選系統(tǒng);定義四元數(shù)Q表征機(jī)器人當(dāng)前狀態(tài)的姿態(tài)向量:
其中,
其中,φ表示等效角坐標(biāo)系的旋轉(zhuǎn)角度;
實時計算四元數(shù)Q;輸入信號為陀螺儀的數(shù)字輸出信號其中i為x、y或z;b為機(jī)器人軀干坐標(biāo)系,ωib表示在機(jī)器人軀干坐標(biāo)系中,四足機(jī)器人饒x,y或z軸的角速度;然后采用二階龍格庫塔法計算:
其中,
K1、K2、Y為中間變量,T為運(yùn)動過程中的更新周期;q(t)為四元數(shù)對時間t時刻的函數(shù);q(t+T)為四元數(shù)對時間t+T時刻的函數(shù);ωi為四足機(jī)器人饒x,y或z軸的角速度;所述陀螺儀設(shè)置在機(jī)器人軀干中。
由此可得歐拉參數(shù)表示的等效旋轉(zhuǎn)矩陣:
根據(jù)機(jī)器人本體旋轉(zhuǎn)軸為一般軸的等效旋轉(zhuǎn)矩陣:
其中,cθ=cosθ,sθ=sinθ,vθ=1-cosθ;
可得:
其中,rab為機(jī)器人本體旋轉(zhuǎn)軸為一般軸的等效旋轉(zhuǎn)矩陣的第a行第b列元素,a=1,2,3;b=1,2,3;
由旋轉(zhuǎn)矩陣中可得航向角ψ,俯仰角θ和翻滾角γ;
針對曠野和夜間等視覺不良的環(huán)境,我們通過接連慣導(dǎo)作為四足機(jī)器人姿態(tài)的備選系統(tǒng)對機(jī)器人本體姿態(tài)進(jìn)行求解,避免了極端情況下視覺算法失效帶來的機(jī)器人姿態(tài)追蹤失敗的問題。
由于在某些特殊地形與極端條件下,(比如像曠野與夜間)基于計算機(jī)視覺的位姿跟蹤無法正常運(yùn)行,此時將傳統(tǒng)捷聯(lián)式慣導(dǎo)系統(tǒng)作為位姿檢測備選方案,大大提高了四足機(jī)器人對環(huán)境的適應(yīng)能力和對極端情況的應(yīng)變能力,可以在多種環(huán)境下使用。
優(yōu)選的,N的取值范圍為5~10;C的取值范圍為2~4。
優(yōu)選的,在所述步驟3)和步驟4)之間還包括圖像誤匹配的步驟,具體方法如下:
計算第j副圖像幀與參考幀圖像的匹配分?jǐn)?shù)
其中,Sj(m,n)為參考幀圖像在坐標(biāo)(m,n)處的灰度值,T(m,n)為當(dāng)前幀圖像在坐標(biāo)(m,n)處的灰度值,坐標(biāo)(m,n)所處的坐標(biāo)系為圖像坐標(biāo)系,圖像左上角起點為原點,x軸為圖像的水平軸,y軸為圖像的豎直軸,M是指圖像的橫坐標(biāo)最大索引值,即圖像的寬度,N是指圖像的縱坐標(biāo)的最大索引值,即圖像的長度;
設(shè)定第一閾值M1和第二閾值M2,當(dāng)匹配分?jǐn)?shù)低于M1,則判定圖像匹配失敗,丟棄當(dāng)前幀圖像,如果M2幅圖像后依舊為圖像匹配失敗狀態(tài),則選擇當(dāng)前幀圖像作為參考幀圖像。
隨著四足機(jī)器人運(yùn)動過程的推進(jìn),場景最終發(fā)生大幅度轉(zhuǎn)換,與參考幀圖像公共部分逐漸變小直至消失,這時會導(dǎo)致圖像匹配失??;采取上述方法解決了場景切換帶來的匹配失敗的問題,使得機(jī)器人即使發(fā)生大幅度的轉(zhuǎn)向運(yùn)動該算法依舊可以保持優(yōu)良的性能。
進(jìn)一步優(yōu)選的,M1的取值范圍為10~20;M2的取值范圍為3~5。
優(yōu)選的,所述四足機(jī)器人為Viroscope。
本發(fā)明的有益效果為:
1.本發(fā)明所述基于計算機(jī)視覺的四足機(jī)器人本體位姿跟蹤方法,通過給四足機(jī)器人本體配置兩個攝像頭,可以實時獲取機(jī)器人的翻滾角以及俯仰角,通過圖像匹配可以達(dá)到亞像素級別的精度,優(yōu)化了傳統(tǒng)算法中的精確度問題,同時算法具有較高的魯棒性,對噪聲具有較強(qiáng)的抵抗能力,優(yōu)化了傳統(tǒng)算法帶來的累計誤差問題;
2.本發(fā)明所述基于計算機(jī)視覺的四足機(jī)器人本體位姿跟蹤方法,舍棄了傳統(tǒng)算法帶來的累積誤差,算法并未涉及陀螺儀與加速度計的使用,無需根據(jù)地磁進(jìn)行誤差補(bǔ)償,免除了傳統(tǒng)捷聯(lián)式慣導(dǎo)的累積誤差和地磁影響;同時在6幀/s的圖像采集標(biāo)準(zhǔn)下,位姿跟蹤精度達(dá)到亞像素精度,比傳統(tǒng)算法具有更加精確的機(jī)器人本體位姿反饋;
3.本發(fā)明所述基于計算機(jī)視覺的四足機(jī)器人本體位姿跟蹤方法,與傳統(tǒng)算法逆求解運(yùn)動方程相比,耗時更短,速度更快,滿足機(jī)器人運(yùn)動過程中的實時性要求;硬件上,節(jié)省了兩個高精度加速度計,有效節(jié)省了機(jī)器人制造的成本。
附圖說明
圖1為本發(fā)明所述四足機(jī)器人Viroscope的概念圖;
圖2為本發(fā)明所述基于計算機(jī)視覺的四足機(jī)器人本體位姿跟蹤方法的流程圖;
圖3為FAST特征點檢測的效果圖;
圖4為對參考幀圖像和當(dāng)前幀圖像進(jìn)行MSER檢驗的效果圖;
圖5為機(jī)器人姿態(tài)解算示意圖;
圖6為機(jī)器人的運(yùn)動軌跡圖;
圖7等效角坐標(biāo)系。
具體實施方式
下面結(jié)合實施例和說明書附圖對本發(fā)明做進(jìn)一步說明,但不限于此。
實施例1
如圖1-2所示。
一種基于計算機(jī)視覺的四足機(jī)器人本體位姿跟蹤方法,包括步驟如下:
1)在Viroscope四足機(jī)器人本體背面配置兩個單目攝像頭,1號攝像頭和2號攝像頭;1號攝像頭指向正前方,2號攝像頭指向側(cè)方,兩個單目攝像頭方向滿足嚴(yán)格正交;
2)圖像采集:
將機(jī)器人步態(tài)設(shè)置為對角小跑步態(tài),運(yùn)動路線設(shè)置為直線行走;運(yùn)動開始時開啟1號攝像頭和2號攝像頭,每個攝像頭每1S內(nèi)拍攝5張圖片;
3)圖像匹配:
將兩個單目攝像頭采集到的第一幅圖像分別設(shè)定為各自的參考幀圖像,對參考幀圖像和當(dāng)前幀圖像進(jìn)行MSER檢驗,選取前4個區(qū)域進(jìn)行區(qū)域標(biāo)定,然后在標(biāo)定的區(qū)域進(jìn)行FAST特征點檢測;在標(biāo)定的區(qū)域進(jìn)行FAST特征點檢測,取代了傳統(tǒng)算法中對整幅圖像進(jìn)行特征點檢測的方法,使得提取出來的特征點更加穩(wěn)定,性能優(yōu)越,而且FAST角點提取速度非???,而傳統(tǒng)的特征點提取還要篩去特征點,篩去野點,防止誤匹配。在標(biāo)定區(qū)域進(jìn)行FAST特征點檢測大大節(jié)省了時間,增強(qiáng)了匹配的可靠性,減小了特征點之間的誤匹配概率,提高了對四足機(jī)器人本體運(yùn)動參數(shù)估計的精度。如圖3、4所示。
4)計算四足機(jī)器人運(yùn)動參數(shù):
機(jī)器人本體運(yùn)動包括水平橫向位移Δx、水平縱向位移Δy、豎直位移Δh、俯仰角θ、翻滾角γ和航向角ψ;仰角θ向上為正值,向下為負(fù)值,定義域為[-90°~+90°];翻滾角γ右傾為正值,左傾為負(fù)值,定義域為[-180°~+180°];航向角ψ,定義域為[0°~360°];其中,航向角ψ由加速度計測得;
統(tǒng)計匹配點,對1號攝像頭采集的圖像用最小二乘法求解上述超定方程得到翻滾角γ,對2號攝像頭采集的圖像用最小二乘法求解上述超定方程得到俯仰角θ;其中,(x1,y1)為1號攝像頭采集的參考幀圖像的特征點坐標(biāo),(x'1,y'1)為1號攝像頭采集的當(dāng)前幀圖像的特征點坐標(biāo);(x2,y2)為2號攝像頭采集的參考幀圖像的特征點坐標(biāo),(x'2,y'2)為2號攝像頭采集的當(dāng)前幀圖像的特征點坐標(biāo);坐標(biāo)系為圖像坐標(biāo)系,x軸為圖像的水平軸,y軸為圖像的豎直軸,坐標(biāo)系原點為圖像左上角第一點;Tx1為1號攝像頭幀間圖像的水平位移,Ty1為1號攝像頭幀間圖像的垂直位移;Tx2為2號攝像頭幀間圖像的水平位移,Ty2為2號攝像頭幀間圖像的垂直位移;
5)通過機(jī)器人激光測距模塊分別測量1號攝像頭距離障礙物的距離l1,2號攝像頭距離障礙物的距離l2,求解四足機(jī)器人本體運(yùn)動位移;如圖5所示。
運(yùn)算上述方程,更新機(jī)器人運(yùn)動估計參數(shù),其中,(x0,y0)為機(jī)器人初始位姿坐標(biāo)。至此,四足機(jī)器人本體位置姿態(tài)信息全部更新完畢;機(jī)器人本體運(yùn)動軌跡見圖6。
實施例2
如實施例1所述的基于計算機(jī)視覺的四足機(jī)器人本體位姿跟蹤方法,所不同的是,針對曠野和夜間環(huán)境,選擇捷聯(lián)慣導(dǎo)作為姿態(tài)求解的備選系統(tǒng);定義四元數(shù)Q表征機(jī)器人當(dāng)前狀態(tài)的姿態(tài)向量:
其中,
其中,φ表示等效角坐標(biāo)系的旋轉(zhuǎn)角度;如圖7所示。
實時計算四元數(shù)Q;輸入信號為陀螺儀的數(shù)字輸出信號其中i為x、y或z;b為機(jī)器人軀干坐標(biāo)系,ωib表示在機(jī)器人軀干坐標(biāo)系中,四足機(jī)器人饒x,y或z軸的角速度;然后采用二階龍格庫塔法計算:
其中,
K1、K2、Y為中間變量,T為運(yùn)動過程中的更新周期;q(t)為四元數(shù)對時間t時刻的函數(shù);q(t+T)為四元數(shù)對時間t+T時刻的函數(shù);ωi為四足機(jī)器人饒x,y或z軸的角速度;所述陀螺儀設(shè)置在機(jī)器人軀干中。
由此可得歐拉參數(shù)表示的等效旋轉(zhuǎn)矩陣:
根據(jù)機(jī)器人本體旋轉(zhuǎn)軸為一般軸的等效旋轉(zhuǎn)矩陣:
其中,cθ=cosθ,sθ=sinθ,vθ=1-cosθ;
可得:
其中,rab為機(jī)器人本體旋轉(zhuǎn)軸為一般軸的等效旋轉(zhuǎn)矩陣的第a行第b列元素,a=1,2,3;b=1,2,3;
由旋轉(zhuǎn)矩陣中可得航向角ψ,俯仰角θ和翻滾角γ;
θ=arctan2(r21/cγ,r11/cγ)
。
γ=arctan2(r32/cγ,r33/cγ)
針對曠野和夜間等視覺不良的環(huán)境,我們通過接連慣導(dǎo)作為四足機(jī)器人姿態(tài)的備選系統(tǒng)對機(jī)器人本體姿態(tài)進(jìn)行求解,避免了極端情況下視覺算法失效帶來的機(jī)器人姿態(tài)追蹤失敗的問題。
由于在某些特殊地形與極端條件下,(比如像曠野與夜間)基于計算機(jī)視覺的位姿跟蹤無法正常運(yùn)行,此時將傳統(tǒng)捷聯(lián)式慣導(dǎo)系統(tǒng)作為位姿檢測備選方案,大大提高了四足機(jī)器人對環(huán)境的適應(yīng)能力和對極端情況的應(yīng)變能力,可以在多種環(huán)境下使用。
實施例3
如實施例1所述的基于計算機(jī)視覺的四足機(jī)器人本體位姿跟蹤方法,所不同的是,在所述步驟3)和步驟4)之間還包括圖像誤匹配的步驟,具體方法如下:
計算第j副圖像幀與參考幀圖像的匹配分?jǐn)?shù)
其中,Sj(m,n)為參考幀圖像在坐標(biāo)(m,n)處的灰度值,T(m,n)為當(dāng)前幀圖像在坐標(biāo)(m,n)處的灰度值,坐標(biāo)(m,n)所處的坐標(biāo)系為圖像坐標(biāo)系,圖像左上角起點為原點,x軸為圖像的水平軸,y軸為圖像的豎直軸,M是指圖像的橫坐標(biāo)最大索引值,即圖像的寬度,N是指圖像的縱坐標(biāo)的最大索引值,即圖像的長度;
設(shè)定第一閾值M1和第二閾值M2,M1=20,M2=5;當(dāng)匹配分?jǐn)?shù)低于M1,則判定圖像匹配失敗,丟棄當(dāng)前幀圖像,如果M2幅圖像后依舊為圖像匹配失敗狀態(tài),則選擇當(dāng)前幀圖像作為參考幀圖像。
隨著四足機(jī)器人運(yùn)動過程的推進(jìn),場景最終發(fā)生大幅度轉(zhuǎn)換,與參考幀圖像公共部分逐漸變小直至消失,這時會導(dǎo)致圖像匹配失?。徊扇∩鲜龇椒ń鉀Q了場景切換帶來的匹配失敗的問題,使得機(jī)器人即使發(fā)生大幅度的轉(zhuǎn)向運(yùn)動該算法依舊可以保持優(yōu)良的性能。