论文部分内容阅读
环境感知是智能移动机器人实现自主导航功能需要拥有的基本能力之一。机器人在行驶过程中,通过自身携带的传感器获取周围环境信息并加以分析,以得到前方可通行区域。目前常用的环境感知传感器包括可见光摄像机、激光测距雷达等。通过可见光摄像机获取的图像描述了机器人周围环境的颜色、纹理、几何形状等信息;通过激光测距雷达获取的数据描述了周围环境与机器人之间的距离信息。对不同传感器获取的信息加以有效融合可以更加准确地描述环境,指导机器人对环境的理解和建模。本文的主要工作是将图像和激光雷达数据进行融合,实现对道路和障碍物的有效检测。本文主要研究了基于图像的道路区域检测技术。本文采用机器学习的方法,用支持向量机(SVM)作为分类器对道路图像分类,从而提取图像中的道路区域。根据道路和非道路区域的颜色、纹理、边缘等多个特征信息选择训练样本,在检测中根据分类效果实时更新样本和对SVM重新训练,以提高算法对环境的适应能力。在初始化过程中,上述算法需要人为地选择SVM训练样本,本文提出将激光雷达数据与图像融合来改进算法:首先从激光雷达数据中提取路面直线,并映射到图像上。然后根据映射的结果获取图像中道路和非道路区域训练样本,从而实现机器人自主学习和分类。同时用模糊支持向量机FSVM代替SVM,增加检测中样本的可信度以及减少噪声对分类的干扰,从而进一步改善分类的效果。本文通过实验对两种方法进行对比,证明了图像和激光雷达联合检测道路的方法可靠性更强,效果更好。机器人在行驶过程中可能会遇到障碍物,及时、准确地检测前方道路上的障碍物是移动机器人道路检测的另一个重要问题。本文分别分析了利用图像检测和激光雷达检测障碍物的方法,发现单独使用图像检测或者激光雷达检测方法经常会出现对障碍物漏检的情况;因此,本文提出了将图像检测结果和激光雷达检测结果进行相互验证的方法,该方法有效地降低了障碍物漏检率。