论文部分内容阅读
在Robocup标准平台组比赛中,NAO机器人主要通过摄像头感知球场的实时信息,为了适应球场的复杂环境,要求机器人的图像处理算法有较高的实时性和鲁棒性。图像处理部分要从图像中快速提取出球场中的目标,本文所述的目标是球、球门和场地白线。自定位是机器人在比赛中必须完成的任务,定位也是比赛中一项关键技术,其水平也是机器人智能程度的重要指标。蒙特卡罗(MCL)粒子滤波定位算法被广泛应用于机器人的定位中,各种改进算法提高了MCL算法的效率。本文以NAO机器人为研究平台,主要研究了标准平台组比赛中的目标识别和机器人自定位的MCL粒子滤波算法。1.对图像按目标的颜色进行分割,为了避免场外信息对机器人目标识别的影响,提出了确定球场边界的方法。根据球场图像中边界是非凹形的特点,提出了一种寻找最大斜率的方法,快速而准确的确定出图像中的球场边界,有效防止了场外信息的干扰,而且减少了后续目标识别算法的图像处理区域。2.在图像预处理的基础上,从NAO机器人的实际出发,实现了对球场目标的球和球门的识别。球和球门的识别都是以其特殊颜色为基础,其中球的识别用到了Hough的圆检测方法,球门的识别中涉及到角点的计算,以区分球门的左右门柱。3.因为其受到NAO机器人白色外壳的干扰,使得场地白线的识别是球场目标识别的难点。本文提出先用网格扫描找到白色边缘,再用边缘生长的方式遍历白色边缘,并根据边缘点的斜率变化情况,对遍历的白色边缘进行分类,再用Hough变换给出识别结果。这个方法简单而有效的实现了对白线的识别,满足机器人比赛的实时性和鲁棒性的要求。4.蒙特卡罗粒子滤波算法是一种基于概率计算的迭代算法,很好的解决了机器人“绑架”带来的非高斯问题,能有效实现对机器人的全局定位,而且各种改进算法减少了MCL的计算量,并提高了其稳定性。为了进一步减少计算量,本文实验引入对球场的分块方法,减少MCL计算的样本空间容量,提高了定位算法的实时性。