基于激光测距仪的温室机器人道路边缘检测与路径导航*

贾士伟1,2,3，李军民1，邱权2,3*，唐慧娟1

（1.西华大学机械工程与自动化学院，成都，610039；2. 北京市农林科学院，北京，100097；3. 北京农业智能装备技术研究中心，北京，100097）

摘要：针对温室内移动机器人的应用需求，该文提出了一种应用于温室内移动机器人自主行走的温室道路边缘检测与导航算法. 此方法利用激光测距仪获取当前视场内路面、作物及障碍物信息，根据温室路面平整度高于作物冠层外表面的特点,检测道路边缘并生成移动机器人下一采样控制周期的期望航向，然后根据机器人几何与物理模型推算左右驱动轮速度调整指令，使移动机器人保持沿道路行走而不进入作物区中。该算法的有效性在温室移动机器人Walle平台上得到了验证，机器人偏离道路中心线的平均值为-1.2707cm，均方误差为2.6772。

关键词：移动机器人，激光测距仪，温室道路，边缘提取，导航

中国分类号：S24;TP242.6 文献标识码：A0引言

温室能够克服四季气候影响、实现作物周年生产，是现代农业的高效生产形式[1]。随着中国温室面积的快速扩大，农业劳动者对于温室内自动化生产设备的需求日益迫切。与传统农业生产不同，温室生产作业环境比较狭窄，常规设备难以施展，因此人们开始关注适用于温室内狭窄作业环境的移动机器人技术。导航是实现机器人在温室内自动化、自主化作业的基础技术。根据机器人的行走路线特点，目前用于温室内的移动机器人导航方案大致可以划分为4类：用于轨道行走的、用于垄沟行走的、用于磁条/色带引导行走的和用于无明显引导标志的普通路面的。用于轨道行走的方案对于自主导航算法的要求较低，机器人只要按照作业需求沿着固定轨道以一定速度前进或者后退即可，前进或后退的距离则由具体作业需要确定，如移动指定的距离或者移动到其他

1收稿日期：2015-3-12；修订日期：2015-6-07

基金项目：国家863计划课题“设施农业装备的数字化设计与智能控制技术”（2013AA102406）；国家自然科学基金项目《柔性障碍物富集环境中的三维自主导航研究》（61305105）；教育部春晖计划项目《四足机器人步态规划与稳定性控制研究》（z2012014）；

作者简介：贾士伟，男（汉族），河南柘城人，主要研究方向为移动机器人。成都，西华大学机械工程与自动化学院610039。

Email: 1101164110@

通信作者：邱权，男（汉族），山东荣成人，副研究员，博士，主要研究方向为农业机器人系统、温室环境控制理论。北京，北京市农林科学院，100097。

Email: qiuq@ 传感器视野内出现作业对象为止[2]。类似的，用于垄沟行走的方案对导航算法要求也较低：机器人前后车轴按垄坡形状弯曲，从而将自身的运动限定在与垄沟平行的轴上，导航算法仅需给出前进后退指令[3]。用于磁条或色带的方案则稍微复杂，机器人轮/轮轴并非固定在某一轴上，而是依靠磁力传感器或机器视觉感知磁条/色带位置，从而引导机器人对其进行跟踪[4]。用于无明显引导标志的普通路面的方案，则主要依靠各种传感器信息的融合完成导航，常用的传感器包括激光测距仪、相机、陀螺仪、编码器等[5]。

在所有4类导航方案中，用于轨道、垄沟行走的方案要求道路具有特定的构型，用于磁条/色带引导行走的方案则要求道路上设有引导带，因此以上3类方法均存在一定局限性，难以引导温室机器人进行灵活的自主移动。相比之下，用于无明显引导标志的普通路面的导航方案具有突出的环境适应性强的特点，受到了许多学者的关注。通常该类方案的核心算法分为2部分：道路边缘提取和导航调速控制指令生成。道路边缘提取是为了确定机器人的移动方向，确保机器人一直沿着道路行走，不偏离道路区域碾压作物；导航是通过对机器人左右驱动轮电机的速度调控实现的，根据方向偏差来调整左右轮的速度，从而确保机器人在发现有可能偏出道路区域时能够自动调整过来。

基于道路检测的机器人期望驱动方向生成方法有很多种，基于道路中心线的生成算法是其中较为常见的一种。本文算法提取道路边缘后就主要根据道路中点信息生成下一步动作的期望驱动方向。现有的道路识别方法大部分以机器视觉和激光测距作为探测手段。机器视觉[6-8]方法通过图像处理手段发现路面与其他区域的色彩和亮度差异实现道路边界线的提取。机器视觉方法的缺点是受光照条件影响较大。激光测距方法对光照条件有较好的适应能力，且测量精度较高[9]。现有的激光测距道路识别算法大多服务于车载三维激光测距数据处理[10-12]，对于计算处理设备的硬件条件要求较高。

本文针对温室内道路与作物区域表面平整度不同的特点，提出了一种基于2维激光测距仪数据的温室机器人道路边缘检测与导航算法。该算法在Walle移动机器人上进行了试验验证。

1 Walle移动机器人平台

1. 激光测距仪 2. 显示器 3. 驱动电机 4. 前轮 5. 后轮

1. Laser range finder 2. Monitor 3. Motor 4. Front wheel

5. Rear wheel

图1 Walle移动机器人

Fig.1 Walle mobile robot

Walle是国家农业智能装备工程技术研究中心独立开发的温室内移动机器人（图1）。它装备有激光测距仪、电子罗盘、光电编码器等传感器。机器人本体宽度为0.6m，四轮形式，其中两个前轮为驱动轮，分别装配一台400W伺服电机，两个后轮为万向轮。本文算法使用激光测距仪作为机器人探测道路及其周围环境信息的主要工具，仪器型号为SICK公司生产的LMS-30206。激光测距仪安装在Walle机器人前方正中位置，并具有一个约为12°的俯角，激光发射点距离地面高度约为21cm。激光测距仪的测距量程设为8.183m。其角度扫描范围设为180°，角度分辨率设为0.5°，每组数据包含361个测距值。

2 道路边缘提取与导航算法

2.1 道路边缘提取

2.1.1环境数据特点分析

当道路两旁种有作物时，如果让处于道路上的机器人利用激光测距仪扫描道路及其周边的环境，则会呈现这样的特点：扫描到道路上的激光测距值的波动性很小，而扫描到作物区的激光测距值的波动性则会很大。这是因为道路是相对平坦的，而作物区表面则是明显凸凹不平的。为了突出单次扫描数据中包含的非地面信息，本文采用了类似于图像处理中的背景去除的方法。假设背景扫描数据为A、待去除背景的扫描数据为B，去除背景后的扫描数据为C，则有

CAB (1)

式中，A为机器人在无障碍物的理想水平地面上获取的数据。由于理想水平地面是很难找到的，我们将机器人放置在空旷的大理石地板上，保证激光测距仪量程内没有除大理石地板外的其他物体。如此采集的一组单次扫描数据如图2所示。其中横坐标为测距值的序号，纵坐标为距离值，起始序号为激光测距仪右手边与其朝向垂直的角度（定义为0°）。在图中序号居中的位置应为机器人正面朝向对应的测距值。通过分析图2数据可看出，测距值从机器人正前方开始向两侧逐渐平滑增大，直到达到满量程。这是由于激光测距仪具有一定的高度和一定的俯角，所有扫描点实际上都属于地板上一条垂直于机器人正面朝向的直线。测距值在垂足上达到最小，从垂足向直线两侧延伸，测距值逐步平滑增大。

图3(a)中是一组在温室中采集的道路环境扫描数据，采集时机器人正面朝向基本与道路延伸方向平行，道路两侧区域则种植有作物。分析图3(a)中数据可看出，机器人正面朝向附近的数据是道路数据，波动较小且变化平缓，而两侧作物区域数据则有明显

的剧烈波动。数据表现的特点与实际的环境物理特点，即道路表面较为平缓、作物表面凹凸不平，是完全对应的。

图2 背景扫描数据A

Fig.2 Background scan A

(a)

(b)

图3 (a)激光扫描两侧有植被的道路环境数据B;(b)B去除背景A后的数据C Fig.3 (a) Typical scan B for a corridor with plants on

both sides; (b) result scan C of A - B

图3(b)是图3(a)去除图2后获得的结果C。从图3(b)中可以看出，作物区域的测距波动被明显的放大，更加有利于道路边缘的提取。

2.1.2

道路边缘提取

以扫描数据C为处理对象进行道路边缘提取。提取主要包括2个步骤：1）将整个半圆形的扫描扇区均匀划分为若干个小的扇区，计算各个扇区中的测距数据方差，并认为方差最小的小扇区必定对应道路区域，将其称为“侯选扇区”；2）由于划分小扇区是人为固定划分的，无法保证侯选扇区包含了全部道路区域，所以要对侯选扇区两端进行扩展搜索，直到发现道路区域的边界。假设侯选扇区的激光束序号段为00[,]mn，其中0m为起始序号，0n为终止序号，序号n对应的测距值为()rn，则扩展搜索的伪码如下：

000//for the start point extentionfor(;0;){if(abs()(1));else{break;}}//for the stop point extentionfor(;361;){if(abs(threnmnnrnrnrmnnnnnr0)(1));else{break;}}threnrnrnn (2)

式中：0m和0n分别为扩展搜索获得的道路右侧和左侧（左右均相对于机器人正面方向）边缘，threr为预先设定的地面测距值波动阀值，()rn的计算方法为

()abs()(1)rnrnrn (3)

另外，扇区划分的数量对边缘提取结果会产生一定的影响。扇区数量过多，则计算量增大；扇区数量过少，则容易引入作物区域。在本文中，选择划分24个扇区。运用上述方法，以图3（b）中数据为处理对象，获得0m和0n分别为133、202。

2.1.3 伪道路部分的剔除

0000000000000while(){;cos(180)*0.5 if()if(180){1;refresh and ;}if(180){1nmWWMmnWMnnMmnMmm00000000;refresh and ;}if(180){1;1;refresh and ;}}elsebreak;}MmnMnnmmMmn (4)

温室内环境复杂，并非所有情况下道路区域和非道路区域都有着明显的分界线，典型情况如图4所示。图4是连栋温室内某处道路的细节图。土壤区域表面平缓且与道路边缘相接，因而在扩展搜索中易被误认为道路。为了解决这一问题，算法中提出了伪道路剔除策略。该策略借助基准道路宽度来监督扩展搜索过程，避免将伪道路区域扩展吸收进来。获取基准道路宽度的方法为：将机器人置于道路正中且正对道路延伸方向，进行一次道路边缘提取，计算2个边缘点间的连接线段长度，该长度即为基准路宽0W。假设2.1.2中的道路边缘提取结果0m和0n连接的线段中包含伪道路区域，且该线段中点所对应的激光束角度为M，则伪道路区域剔除策略的伪码如式（4）中所示。

注：红圈中为土壤区域

Note: the area in the red circle is soil area

图4 伪道路情况

Fig.4 Psedu corridor

2.2 导航调速控制指令生成

生成导航调速控制指令时，必须了解速度调整对机器人运动方向的影响方式，即速度变化与转向变化之间的关系。Walle配有左右2个驱动轮，且均为前轮，2个后轮为万向轮。Walle采用差速转向方式，以向右转向为例，其转向状态示意图如图5。图5中实线轮廓表示机器人转弯前的位姿，虚线轮廓表示机器人转弯后的位姿，D为两驱动轮间距，l为转向过程中左轮比右轮多走的弧线长度，为右转角度。从图5中几何关系容易得到

π180lD (5)

假设转向时速度调整瞬间完成，且左右轮速度差为v、速度控制采样周期为t，则l还可以表示为