1 引言
机器视觉、专家系统和自然语言理解被认为是人工智能最活跃的三大研究领域，近年来已成为提高工业生产自动化和智能化水平的理论基础和核心技术。其中，视觉是人类获取信息的主要来源之一[1-2]。在移动机器人自主导航或工业机器人工作引导的技术研究中，视觉传感逐渐成为机器人感知外部信息的重要途径之一和理解环境的主要依据之一[3]。尤其在非结构化环境中，采用视觉引导技术可有效提高移动机器人的环境认知和自主探索能力，为移动机器人在不确定环境中作业提供技术支撑[4]。非结构化环境路径识别的难点在于路径形状复杂、边界模糊、易受光照变化和路面阴影干扰等[5-7]，因此，实现机器人对环境的准确感知和可靠引导成为了研究热点之一。近年来，国内外许多研究者将遗传算法、模糊逻辑、神经网络、支持向量机（SVM）、深度学习等人工智能方法应用于非结构化环境中的路径区域识别[8-10]。Hadelich等[11]采用颜色均值、颜色直方图及纹理分层变长法对不同的地表物质类型特征进行了描述，旨在对不同地表区域进行识别和认知。Lee等[12]采用尺度不变特征变换（SIFT）、加速稳健特征（SURF）等算法描述了导航区域的局部环境特征，并实验研究了移动机器人室外自定位和路径信息识别方法。为提高算法运行效率和图像感兴趣区域（ROI）特征认知的有效性，王璐等[13]采用视觉局部显著区域分析方法对非结构化环境开展了理论和实验研究，在环境感知过程中提取了ROI的规则化特征。Jiang等[14]提出了一种基于最小二乘曲线拟合的导航路径识别方法，并利用路径曲线获取导航参数引导机器人行走，该方法在具有显著曲线特征的工作环境中具有较高的可靠性。Song等[15]通过引入图像区域影响因子改进了模糊C均值聚类（FCM）算法，并将其应用于非结构化导航路径的检测过程中，该方法在一定程度上提高了路径识别的准确率，具有较高的理论和实用价值。Zhao等[16]开发了一套用于自主车越野的非结构化路径实时识别系统，提出了基于纹理分析的非结构化和不规则道路的识别和跟踪方法，并采用均匀度测量方法进行障碍物检测。Phung等[17]采用改进的边缘像素局部方向消失点估计方法，使用消失点道路边界及表面的几何和颜色特征来描述道路区域。任永新等[18]研究了基于模糊控制的实时路径规划和跟踪方法，通过训练神经网络对图像进行分割，获取导航预瞄点，得到了机器人运动的角度偏差和横向偏差。介鸣等［１９］采用ＳＩＦＴ算法提取了月貌特征匹配图像数据库信息，利用匹配点的地理信息，通过二维（2D）/三维（3D）位姿估计检测出了探测器在地理坐标系下的绝对位置和姿态，并以此来引导机器人作业。周值宇等[20]提出了一种基于高斯核SVM的植被检测方法，主要研究了非结构化环境中的植被检测问题，通过抑制路面不可通行区域提高了机器人在复杂环境的自主避障功能。
本文提出了一种基于模糊粗糙集理论的非结构化环境下移动机器人的自主导航路径识别方法，针对机器人引导路径表面特征复杂、边界模糊、光照不均及存在路边阴影的情况，通过构建模型实现了机器人引导区域精确识别。依据环境特征，基于图像清晰度评价算法的分析和实验研究，建立了以导航显著区域图像空间特征为计算依据的电荷耦合器件（CCD）聚焦状态和光积分时间图像清晰度的自适应控制方法，为后续路径识别模型的建立和图像多目标特征的提取提供了可靠信息。开展了模糊粗糙集的非结构化路径识别模型（F-R模型）构建方法的研究，基于粗糙集理论定义了图像目标（路径）、背景（非路径）和不确定区域（模糊边界），通过融合相对模糊连接度（RFC）算法并利用模糊竞争机制对图像的不确定区域像素进行重分类，精确描绘了机器人的导航路径。利用模糊集与粗糙集在处理不确定性问题上的优势互补，提高了粗糙集方法在问题边界区域对不确定性问题的描述能力，并保留了粗糙集理论在处理不确定和不精确问题上无需先验信息的特点。模型中引入的RFC方法旨在针对粗糙集定义的不确定边界区域进行模糊重分类，以实现路径的精确识别。
2 基本原理和方法设计
2.1 图像清晰度的自适应控制方法
在机器人视觉导航过程中，获取高清晰和信息量丰富的图像是提取导航区域有效特征的前提条件之一。以CCD作为视觉传感器，在特定景深区间和导航视野范围内，为减少非结构化环境下不确定或随机因素的干扰，建立了CCD图像清晰度的自适应控制方法，如图1所示。
图1 最佳图像清晰度的确定方法
通过快速调节CCD的光积分时间，以图像清晰度评价函数的计算结果作为依据捕捉当前最佳图像，通过分析CCD成像原理和不同的图像清晰度评价函数，以导航区间图像作为目标，建立了基于实时信息反馈的全局和局部显著区域最佳图像清晰度的自适应控制方法。在线计算CCD不同光积分时间和聚焦（离焦）状态下的图像信息量变化，通过单位时间内（以秒为计算单位）计算不同CCD成像参数下图像序列来获取全局或指定区域的最大信息量图像。为提高自适应判断能力，该方法同时以后续F-R模型的连续路径识别结果作为反馈参考信息，即当在系统中已检测出导航路径区域时，模型通过计算其他图像区域与已确定区域灰度特征的相似性，确定特定区域的最佳清晰度（局部信息量最大化）。基于常用图像清晰度评价函数（包括图像平均梯度、图像信息熵及Tenengrad函数等）的分析和实验研究，确定了以Tenengrad图像清晰度评价为计算依据的CCD光积分时间和聚焦状态的自适应控制方法。Tenengrad能量梯度函数基于Sobel算子梯度幅值，通过横纵相邻点的差分计算一个点的梯度值，单峰性好，可靠性高。其函数表达式[21]为
暂无评论内容