0 引言

    單獨的無人機(UAV)與單獨的無人車(UGV)在工作方式、搭載傳感器等方面存在顯著不同，在感知、負載、速度、視野獲取等方面也有很強的互補性。圖1為典型的UAV/UGV協同系統,圖2為不同視角下獲取的環境信息，由圖可知UGV由于視野缺陷難以獲取障礙物信息，相反UAV在廣闊的視野下可以獲取障礙物信息，這樣使得UAV/UGV協同系統在執行目標跟蹤與救援、軍事邊境監視等任務時發揮著顯著的作用^[1-2]。但是由于環境與任務的復雜性，仍然存在感知、決策和執行三個方面的問題需要解決。

    UAV/UGV協同系統中環境感知主要解決目標識別與定位問題。其中視覺傳感器是解決感知問題的重要手段。CHAIMOWICZ L等^[3]搭建了UAV/UGV協同系統框架以及基于視覺的目標檢測與定位算法。中科院谷豐等^[4]探索了利用空地機器人實現協作導航的方法，基于YCbRc顏色空間對動目標檢測并利用波門跟蹤器實現了對地面機器人的跟蹤，但是僅在室內環境中驗證了該方法。

    在UAV/UGV協同系統的UGV路徑規劃研究中，GANESHMURTHY M S^[5]提出了一種面向啟發式的方法來搜索可行的初始路徑，擬解決動態環境問題。ZHAO J等人^[6]提出改進人工勢場法，實現了UGV路徑規劃。但是，人工勢場法對于不同障礙物要設不同的目標函數。

    為了提高UAV/UGV協同系統執行任務的效率，本文提出一種基于視覺傳感器下目標識別與全局路徑規劃方法，主要工作包括：(1)UAV用高空視野獲取環境信息，實現目標物的定位與障礙物的識別；(2)根據UAV獲取的環境信息，提出優化A*算法，實現無人車全局路徑規劃；(3)分別在簡單與復雜環境下驗證了所提出算法的正確性。

1 典型場景構建和環境建模

1.1 典型場景構建

    UAV/UGV協同系統可以執行人類難以接近的復雜場景。以典型的救援場景為研究對象，如圖3所示，起點(UGV)為無人車，終點(D)為目標物(搜救物)，中間其他的視為障礙物。

1.2 復雜環境中的目標識別

    為了獲取搜救的目標物，環境感知的首要任務是目標識別。目標識別如圖4所示。

1.3 圖像處理

    圖像處理是為了減少噪聲、污染等因素對目標識別準確性的干擾^[7]。

1.3.1 圖像灰度化

    灰度化處理是將RGB模型加權平均的方法^[8]。其中W_r、W_g、W_b分別為R、G、B的權值。為了符合人類視覺的灰度值，W_r=0.3，W_g=0.59，W_b=0.11。

1.3.2 提取環境中目標物

    SURF（Speeded Up Robust Features）算法在特征提取匹配算法中針對圖像平移、旋轉、噪聲影響等具有較強的魯棒性^[9-10]。

    SURF算法仿真結果如圖5所示。上述實驗結果可用于后續任務UGV的路徑規劃中。

1.3.3 基于HSV空間的障礙物識別

    (1)空間轉化。UAV搭載的視覺傳感器采集的環境信息極易受到光線變化的影響，因此，采用HSV色彩空間模型^[11]。

    (2)圖像二值化。為了更好地反映障礙物的信息，對UAV獲取的圖像進行二值化處理。圖像二值化是將障礙物表達為1，圖像背景表達為0。

其中，f(x，y)為圖像灰度值，T為灰度值閾值。圖像在HSV空間下二值化如圖6所示。

    根據SURF算法與圖像分割技術，上述圖像通過坐標系可轉化為UGV可執行的地圖信息。UGV地圖信息如圖7所示。

2 坐標轉化

    UAV獲取的是以像素為單位的環境信息，為了實現UGV的全局路徑規劃，需要將像素坐標系轉化為世界坐標系^[12]。其中主要坐標系如圖8所示，O_0uv為像素坐標系，O₁X₁Y₁Z₁為圖像坐標系，O_cX_cY_cZ_c為相機坐標系（無人機坐標系），O_GX_GY_GZ_G為無人車坐標系，O_wX_wY_wZ_w為世界坐標系。

2.1 UAV的坐標系轉化

    UAV的運動為三維空間中剛性運動，為了避免相機運動產生誤差，相機坐標系簡化為無人機坐標系，獲取的圖像像素坐標在世界坐標系中的齊次方程為：

其中，Z為P點在相機坐標系的位置，P_uv為P點的像素坐標系，K為相機內參數矩陣，R₁為旋轉矩陣，t₁為平移向量，P_w為P點的世界坐標系。

2.2 UGV的坐標系轉化

    UGV在平面內的運動是在世界坐標系中的旋轉與平移變化，齊次方程如下：

其中，R₂為UGV到世界坐標系的旋轉矩陣，t₂為UGV到世界坐標系的平移向量。通過坐標系轉化實現車輛的自主導航。

3 UGV的全局路徑規劃

    無人車的路徑規劃根據環境信息可以分為局部路徑規劃與全局路徑規劃。相對于局部路徑規劃，全局路徑規劃具有明顯的優勢。本文首先分析對比了典型的全局路徑規劃雙向快速擴展隨機樹算法(BRRT)與A*算法，最后優化了A*算法。

3.1 雙向快速擴展隨機樹（BRRT）

    BRRT算法實現是在RRT算法基礎上。基本思想如圖9所示，由一個度量函數、隨機采樣算法和組態空間所組成^[13]。尋找從起點q_init到目標q_goal的可行路徑。

3.2 A*算法

    A*算法是用已知信息構造啟發函數，要求滿足距離最近等指標，在規劃路徑時對運動點進行指標評價^[14]。A*算法的函數為：

其中，f(n)是從起始點到目標點的評價函數，g(n)是啟發函數，h(n)是從起始點到n點的實際代價。

3.3 優化的A*算法

    雖然A*算法實現了UGV的全局路徑規劃，但是A*算法設計出的路徑在拐點處有明顯的尖峰與波動，在實際環境中UGV無法實現路徑跟蹤^[15]。考慮到UGV自身運動與動力學約束，本文提出優化A*算法，將路徑出現拐角的地方利用梯度法作平滑處理。其基本原理是使Z取得最小值。

4 仿真研究與結果分析

4.1 簡單的實驗場景仿真

    首先用UAV獲取簡單的實驗場景，經過圖像處理獲取UGV規劃地圖，如圖10所示。

    用上述UAV獲取的地圖對提及的全局路徑規劃算法進行了20組實驗，取相同的起點（50，650）與相同的終點（650，50）用MATLAB進行仿真驗證。實驗結果如圖11與表1所示。

    仿真結果表明：A*算法相對于BRRT算法路徑來說路徑平均距離短，實時性更優；優化的A*算法相對于A*算法來說雖然平均時間增加了一點，但是優化的A*算法路徑平均距離更短，優化了所有的拐點，更適合UGV跟蹤。因此優化的A*算法可以實時地規劃出無碰撞、路徑較短的路徑。

4.2 復雜的實驗場景應用

    為了進一步確定提出的UAV/UGV協同環境下的目標識別算法與全局路徑規劃算法，在實際更復雜環境中采用SURF算法進行圖像分割能實現地圖建立，如圖7所示。將提出的優化A*算法在上述地圖中應用，實驗結果如圖12、圖13和表2所示所示。

    上述結果表明優化的A*算法優化了路徑的拐點，可以實現UGV路徑跟蹤。

5 結束語

    針對無人機與無人車協同系統中的關鍵研究點：目標定位與障礙物識別、路徑規劃，本文利用UAV/UGV協同系統中UAV的視野優勢，驗證了SURF算法在識別目標物有很強的魯棒性，建立了UGV可執行的地圖；在簡單環境中對比了全局路徑規劃算法的實時性與最優性，驗證了提出的優化A*算法更適合于無人車跟蹤；最后將提出的UAV/UGV協同環境下的目標識別與全局路徑規劃應用于復雜的實際環境中。實驗表明，所提出的方法可以提高UAV/UGV協同系統執行任務的效率，為后續UAV/UGV協同系統下的各種任務規劃和研究工作提供了基礎條件。

參考文獻

[1] KIM J, KIM Y.Moving ground target tracking in dense obstacle areas using UAVs[J].IFAC Proceedings Volumes，2008，41(2)：8552-8557.

[2] TANG Z，OZGUNER U.Sensor fusion for target track main-tenance with multiple UAVs based on Bayesian filtering method and Hospitability Map[C].IEEE Conference on Decision and Control，2003.Proceedings.IEEE，2004，1：19-24.

[3] CHAIMOWICZ L，COWLEY A，GOMEZ-IBANEZ D，et al.Deploying air-ground multi-robot teams in urban environ-ments[M].Multi-Robot Systems.From Swarms to Intelligent Automata Volume III.Springer Netherlands，2005：223-234.

[4] 谷豐，王爭，宋琦，等.空地機器人協作導航方法與實驗研究[J].中國科學技術大學學報，2012，42（5）：398-404.

[5] GANESHMURTHY M S，SURESH G R.Path planning algorithm for autonomous mobile robot in dynamic environment[C].International Conference on Signal Processing，Communication and Networking.IEEE，2015：1-6.

[6] HU Q，ZHAO J，HAN L.Cooperative path planning for intelligent vehicle using unmanned air and ground vehicles[C].Chinese Intelligent Systems Conference.Springer，Singapore，2017：603-611.

[7] 陳明生.圖像配準技術研究與應用[D].長沙：國防科學技術大學，2006.

[8] SHI Q，ZHAO J，HAN L，et al.Dynamic lane tracking system based on multi-model fuzzy controller[C].IEEE International Conference on Mechatronics and Automation.IEEE，2016：873-877.

[9] 石雅筍.改進的SURF圖像配準算法研究[D].成都：電子科技大學，2011.

[10] 陳小丹，杜宇人，高秀斌.一種基于SURF的圖像特征點快速匹配算法[J].揚州大學學報(自然科學版)，2012，15(4)：64-67.

[11] 周榆豐.天車吊運系統中運動目標識別與匹配方法研究[D].唐山：河北聯合大學，2014.

[12] 朱瑋.基于視覺的四旋翼飛行器目標識別及跟蹤[D].南京：南京航空航天大學，2014.

[13] 劉成菊，韓俊強，安康.基于改進RRT算法的RoboCup機器人動態路徑規劃[J].機器人，2017，39(1)：8-15.

[14] 楊占龍.基于特征點的圖像配準與拼接技術研究[D].西安：西安電子科技大學，2008.

[15] Zhang Qifei，Guo Tailiang.Global path planning algorithm of robot based on multistage decision[J].Computer Engineering，2016，42(10)：296-302.

作者信息:

席阿行，趙  津，周  滔，胡秋霞

 (貴州大學 機械工程學院，貴州 貴陽550025)