英语原文共 14 页，支付完成后下载完整资料
Multi-sensor person following in low-visibility scenarios_translate
摘要：移动机器人跟随传统上是一个重要的研究课题。在大多数情况下，通过使用机器视觉或激光测距仪已经解决了这个问题。在某些特殊情况下，例如烟雾弥漫的环境，使用光学传感器并不是一个好的解决方案。本文提出并比较了替代传感器和方法，以便在低能见度条件下执行人员跟踪，例如消防场景中的烟雾环境。建议结合使用能够确定环境中烟雾量的视觉系统来使用激光测距仪和声纳传感器。烟雾检测算法使机器人能够使用不同的传感器组合来执行机器人导航和人员跟踪，这取决于环境中的可见性。
关键词：低能见度;抽烟;风险环境;激光测距仪;超声;时差
- 介绍
由机器人执行的人员（见图1传统上一直是机器视觉领域的重要研究课题。很自然地想象未来的移动机器人，特别是那些在公共场所工作的机器人，将被期望拥有这种技能。例如，在 [1]，提出了一种使用两个独立移动摄像机的基于视觉的移动机器人的高效人物跟踪算法。通过这种方法，可以在室内进行实时人员跟踪环境。下一节中描述的这个和其他工作共同具有良好可见性的假设，并且主要在室内环境中进行了测试。
图1.使用计算机视觉跟踪人的机器人（左）。机器人跟随消防员使用超声波和无线 电传感器。超声波环发射器连接到消防员的腿上。机器人可以使用接收到的信号跟随消防员（右）。
在实际情况下，假设良好的可见性是不可行的。本文提出使用多个传感器从环境中获取信息， 以适应每种特定情况。提出使用激光测距仪和声纳传感器与视觉系统相结合，该视觉系统能够确定环境中的可见度。很可能我们很快就会看到机器人助手出现在我们的家庭，办公室，医院， 购物中心和其他人口稠密的环境中。因为这些机器人主要与公众互动，所以重要的是人机交互是直观的，社会可接受的。 在下一节中，描述了与人跟随相关的其他先前作品。然后，在部分3，提出了一种多传感器方法，包括使用摄像机来确定环境的可见度（Section4).在节中5，解释和比较不同的人跟随方法（部分6).最后，结论部分讨论并提出使用所描述的多传感器系统。
- 对已开发系统的评论
本节描述了一些试图解决问题后人的最相关的以前的工作。例如，在[2作者描述了一个具有以下功能并使用单目相机返回功能的机器人。在[激光测距仪（LRF）获得的范围数据中使用模板匹配的不同人体跟踪方法在[3].使用存储的模板执行块匹配，所述模板对应于人腿的外观。 在[在[4]，作者使用激光扫描和过滤技术来跟踪移动的物体和人。
在[在[5]，作者使用基于激光的人跟踪方法和两种不同的人跟踪方法：方向跟踪和路径跟踪，并提出两种方法的组合：混合方法，机器人自动选择哪种方法使用。基于相机和发光装置的机器人跟踪系统用于[6].他们的目的是开发一种可以跟随人类的自主移动机器人。带摄像头的机器人看着有发光装置的人。该设备由两个LED组成。机器人可以从两个LED之间的距离和从捕获图像上的LED的位置的方向知道人的位置。在[在[7]双传感器系统用于执行机器人跟随的人。机器人可以陪伴使用基于视觉的目标检测的人并且在跟随人时避免使用超声波传感器的障碍物。 所有这些方法都使用不同的传感器来执行人员跟踪，但是假设能见度良好。用于救援行动的机器人（如消防员执行的机器人）必须能够在充满烟雾的环境中航行（参见欧盟监护人项目 [8]).这项工作的目的是开发一种多传感器系统，能够跟随一个人最大化其可靠性并适应能见度条件。在下一节中，描述了多传感器方法。
- 低可见性场景中的多传感器方法
多个传感器传统上用于机器人中以允许机器人导航（参见图2).其中一些是激光测距仪 （LRF），超声波，计算机视觉等。激光传感器已被广泛使用，用于导航和同步定位和绘图 （SLAM）[9].与超声波传感器相比，它们的使用适用于大多数环境，并提供良好的分辨率和精度。
图2.广泛用于室内移动机器人的传感器声纳环（左），Vivotek无线云台摄像机（中 心）和Hokuyo URG-04LX激光测距仪，通常用于机器人导航和定位（右）。
在[在[10]，作者研究了两种常用于移动机器人的2D LRF：Sick LMS200 [11]和Hokuyo URG04LX [12].在他的研究中，这些激光传感器在极端环境条件下进行了测试，尤其与消防应用相关。他们的结论是在最佳条件下，即良好的能见度，没有干扰源，以及具有良好反射率的表面传感器方向，LRF是优秀的范围传感器，特别是在预热后，在线性度和精度方面。但在恶劣的环境中，当不满足以前的条件时，LRF会提供错误或饱和的输出，无法用作机器人的距离传感器[10].使用LRF进行人员跟踪时的另一个问题是，分析不同的模式以区分墙壁，物体或人员并不容易。必须进行模式分析和相当多的处理，以识别行走的人并跟随该人[13].作为结论，移动机器人领域中广泛使用的激光测距传感器应该在没有良好能见度条件的情况下使用其他传感器，或者需要进行某种物体或模式识别. . 在LRF的替代解决方案中使用超声传感器。它们的性能远低于激光，但在某些情况下，如在烟雾环境中，它们可以提供良好的解决方案（见图3).在[在[14]，无线电和超声信号的使用被 用作机器人定位的可行替代方案。
图3。 使用无线电和超声波传感器的组合的一名消防队员的守卫机器人。
相机也可以提供大量信息，但大多数现有作品都依赖于使用特殊的地标或图案，以及良好的 能见度条件。本文提出使用相机来确定环境中的烟雾量，允许多传感器机器人决定在每种情况 下使用哪种传感器。
4. 检测环境中的烟雾强度
为了确定来自激光测距仪传感器的信息是否可靠，提出了一种确定环境中烟雾量的方法。通 常用于检测火灾的商用烟雾探测器不能用于此目的。我们应该强调的原因包括：（i）它们只提供一个简单的开/关信号，表明烟雾的检测，和 （ii）如果烟雾到达传感器，他们只能警告烟雾的存在，但不能警告距离传感器一定距离的烟雾是否存在。
4.1. 提出的烟雾探测方法
提出的方法使用摄像机（Vivotek PT3122云台摄像机[15]）并且基于[在[描述]中描述的烟雾检测方法16].在这项工作中，作者提出了一种基于视频处理的早期火灾报警系统的烟雾探测 方法。他们的烟雾像素判断的基本策略由两个决策规则组成：基于色度的静态决策规则和基于 扩散的动态特征决策规则。色度决策规则由烟灰色推断，动态决策规则取决于烟雾的传播属性。
我们的实现部分基于[在[16].该方法使用没有烟雾的环境的参考图像。然后，将参考图像变换为HSI颜色模型，并获得S平面（饱和平面），其是包含图像饱和度的平面。当环境中含有烟雾时，使用可以描述如下的方法分析在这种情况下获得的新图像：
bull; 从HSI颜色模型中提取新图像S分量（饱和度）。
bull; 计算参考图像的S分量与新图像之间的绝对差值。
bull; 获取差异的二进制图像。
bull; 对于生成的二进制图像中的每个正像素，使用以下规则来验证新图像的像素是否可以被视为烟雾。
– 规则1：Rplusmn;alpha;1 = Gplusmn;alpha;2 = Bplusmn;alpha;3 （三个R，G和B分量相似，15le;alpha; i le;20） – 规则2：L1 le;Ile;L2 （强度分量范围从浅灰色L1 和L2 值）
– 规则3：D1 le;Ile;D2 （强度分量范围从深灰D1 和D2 值）
– 如果（规则1）AND [（规则2）OR（规则3）]：冒烟像素
4.2 烟雾中激光测距仪和超声传感器的评估
在所描述的烟雾环境中，已经评估了激光和超声波性能。数字4，显示一系列捕获的图像， 同时增加烟雾密度。每个图像由烟雾检测算法评定为密度的0％至45％。通过记录从激光测距 仪Hokuyo URG-04LX获得的距离值来进行评估[12和来自MaxBotix的8个MaxSonar EZ1的声纳环 [17].
接下来描述用于评估激光和超声传感器的可靠性的实验程序。它是在室内，在一个体积为56 米3的14米2房间内进行的。房间里有荧光灯照明。为了产生增加量的人造烟雾，使用使用基于乙二醇的雾汁的商业烟雾机。
机器人平台（见图5），一个不稳定的Videre移动平台[18]，用于此目的。机器人放置在离场景2米远的地方（激光工作范围内的距离），并记录激光和声纳装置的测量结果，同时增加烟雾密度。在图中4对于每个烟雾密度，它还表示两个传感器测量的距离。
在图中6，绘制从两个传感器获得的测量数据，同时增加场景中的烟雾。可以看出，声纳测 量值大约在2米左右稳定，与场景中的烟雾量无关。在激光的情况下，当烟雾量小于30％时，该测量值比声纳测量值更准确和稳定。
图4.增加烟雾密度时的图像序列。
图5.不稳定的Videre移动平台配备了八个MaxSonar EZ1和Hokuyo URG-04LX激光测距仪 （左）和一个Vivotek云台摄像机（右）的Sonar环。
图6.增加烟雾密度的声纳和激光性能。
当烟雾的百分比在30％和40％之间时，可以看到到物体的距离急剧减少，从而获得该值的误 差。最后，当烟雾密度超过45％时，激光器无法提供距离测量。由于激光束被烟雾颗粒的量散 射，传感器没有检测到反射信号，因此假设最大距离为5.6米，如传感器设置中所定义的。
然后，该提议是基于由所使用的相机和算法确定的烟雾密度来做出关于使用来自激光或超声 环的信息的决定。在未来的研究工作中将开发模糊逻辑算法。
-
- 跟随不同传感器和实验结果的人
为了评估执行人员跟踪的不同传感器和算法的性能，已经开发了几个实验。三种开发的方法是：
(1)声纳环跟随，
(2)激光测距仪跟随和（3）Sonar TDoA（到达时差）跟随。第一个是基于超声波技术，性能不如其他方法。第二种方法使用激光测距传感器来检测人的腿并提供更好的结果。最后，第三种方法使用基于无线电和超声波传感器组合的先前工作来测量距离并执行跟随策略，即使在低能见度条件下也能提供良好的结果。
为了比较不同的方法，设计了室内路径（见图7).路径测量的细节如图所示7 对。测试包括由以下组成的小队：
bull; 一个前机器人，按照预定义的闭环路径，以恒定速度，
bull; 跟随第一个机器人的人，和
bull; 跟随人类的机器人。
图7.使用不同传感器的人员。机器人形成（左）。具有3条左曲线的预定义闭合路径， 带有轨迹坐标的细节（右）。
这种形成的想法是始终保持恒定的速度和恒定的路径。此外，路径包含3条左曲线，每条曲 线比前一曲线更锐利。三个急转弯的目的是测试每个系统跟随人类的能力，即使在棘手的情况 下也是如此。
本实验部分（领导者和追随者）使用的机器人平台是Erratic Videre移动平台[18]（见图7 左）配备嵌入式PC电脑。领导者机器人只是执行程序以在指定的速度下精确地遵循预定义的路 径。从动机器人集成了每种方法中使用的所有不同传感器，并在相应的小节中给出了进一步的解释。
为了比较每种方法的性能，对于以下每种方法，已经进行了5次不同速度的试验。下面详细描述这三种方法。
5.1. 声纳环跟随
配置的初始人员使用内置超声波环（MaxSonar EZ1来自MaxBotix [17]）的Erratic Videre 移动平台[18]（见图8).机器人执行一种算法，该算法试图通过使用从声纳环接收的信息来跟随一个人。该算法假设当几个前传感器测量短距离（在该实验中为50cm）时，被跟踪的人在机器人前面。在初始化之后，该算法使用由环中的所有声纳传感器获得的测量值来计算机器人运动，以便将跟随的人保持在预定距离。
图8.安装在Erratic Videre机器人平台前部的MaxSonar EZ1超声环（左）。Erratic Videre移动平台的顶视图，显示超声波模式光束（右）。
5.2. 激光测距仪跟随
在这个配置中，Hokuyo URG-04LX激光测距仪[12用于检测人的腿并使用模式检测执行跟随策略[13]（见图9 剩下）。该传感器发出的光束模式在每次扫描中覆盖240˚（见图9 对）。它的最大范围为4米，精度为 /- 10 mm，角度分辨率为0.36度，最大扫描速率为10 Hz。
图9.用于模式跟踪和跟随（左）的Hokuyo URG-04LX激光测距仪传感器。传感器发出的光束模式和完整240˚扫描（右）中的范围测量示例。
该算法假设只有一个人将在跟随者机器人的视野中（Erratic Videre移动平台[18]).使用该前提条件，该算法搜索具有特定可配置宽度的对象以及与机器人的特定视图范围和距离。此对象将是该人，因为此初始范围内没有其他对象。
要知道对象的宽度，请在对象质心的两侧执行线性搜索。假设一个点属于物体，如果它在物体的质心（激光读数值）的距离（delta;）的某个阈值内，并且就读数的角度而言距离该质心不远（E））。这两个参数提供矩形的尺寸，其包含适合于跟踪的形状。一旦用适当的腿形状初始化算法，它就能够跟踪模式并命令机器人执行跟随的人（参见[13]有关已实现算法的更多详细信息）。
5.3. 声纳TDoA（抵
资料编号：[3195]
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
