基于声纳移动机器人地图创建改进方法.docVIP

基于声纳移动机器人地图创建改进方法 　　摘 要:针对移动机器人配备的多个声纳在采集数据时获得的大量不确定信息,要从中有效地找出特征信息,本文引入Hough变换,利用其能够提取直线特征的特点在室内结构化环境下进行实验。然后通过比较多种边缘检测算子,选择Sobel算子来进行边缘检测。这种直线边缘提取算法既保持了广义Hough变换鲁棒性强的特点,又具有计算量小的优点,提高了建立地图的效率和地图的精度。 　　关键词:声纳 Hough变换 Sobel算子 　　中图分类号:TP24文献标识码:A 文章编号:1007-3973(2010)06-065-03 　　 　　1引言 　　未知环境中移动机器人自主创建地图是移动机器人研究中一个基本且重要的问题,这是移动机器人在未知环境中实现导航、完成复杂任务等的关键。机器人携带的各种传感器的准确度是决定地图精度的一个关键因素,而传感器获得的信息都带有不同程度的不确定性。 　　2问题的提出 　　本文创建的地图类型为栅格地图,关键是声纳模型和声纳数据的融合。声纳数据融合主要应用Bayes理论和D-S证据推理,方法的不足是在对原始数据进行融合时,其中存在的一些不确定信息也参与了融合过程。本文提出一种改进方法是,在声纳数据融合之前对数据进行预处理,将其中的噪声去除,提取出有效的可用信息,然后进行数据融合。因此,对于简单的室内环境地图创建,引入了Hough变换提取直线特征 ,对声纳数据进行预处理 ,然后利用边缘检测法进行边缘检测,创建了栅格地图。边缘检测中,选取的是Sobel算子,它的优点是方法简单、处理速度快。 　　3Hough变换及边缘检测原理介绍 　　3.1Hough变换基本原理 　　Hough 变换的实质是将图像空间内具有一定关系的像元进行聚类,寻找能把这些像元用某一解析形式联系起来的参数空间累积对应点。Hough变换的一个突出的优点就是对图像分割结果的稳定性,对曲线间断和噪声不敏感 。 　　Hough变换是一种投票方案,每一传感器信息不断累积实际测量中特定特征的证据。投票是在离散参数空间内进行的,即Hough空间,表征了所有可能的特征点。Hough空间中投票数最多的单元对应实际环境中实际存在的特征。通过有哪些信誉好的足球投注网站投票数,可以获得所探测特征的传感器数据。本文正??利用这一点,设定了投票数的阈值,当投票数大于阈值时,保留声纳数据;当投票数小于阈值的时候,表明对应的原始信息在大量的声纳数据中,对此信息的证据量较少,属于不确定信息,予以除去。这样,就可以在一定程度上去除大量的不确定信息,减少数据融合过程的计算量。 　　3.2边缘检测概念 　　图像的边缘是图像的最基本特征,包含了图像的重要信息。正确提取边缘既能减少图像处理的信息量,又可以描述物体的形态特征,为进一步的处理(如图像分析、目标识别等)提供基础。 　　边缘检测算子(edge detector)是一组用于在亮度函数中定位变化的非常重要的局部图像预处理方法,在数据处理时,借鉴边缘检测的基本原理,对图像中的每个传感器数据考察其领域内灰度变化,利用其变化规律,筛选出有重要特征的数据。最简单的边缘检测方法是对原始图像在所需处理的某领域内构造边缘检测算子,如梯度算子, Sobel, Laplace算子等,其中最常用的是Sobel算子,其优点是方法简单、处理速度快,并且所得的边缘光滑、连续。 　　3.3 Sobel边缘检测算子 　　如果一个像素落在图像中某一个物体的边界上,那么它的邻域将成为一个灰度级变化的带,对这种变化最有用的两个特征是灰度的变化率和方向,它们分别以梯度向量的幅度和方向来表示。边缘检测算子检查每个像素的邻域并对灰度变化率进行量化,通常也包括方向的确定,有若干种方法可以使用,其中大多数是基于方向导数求卷积的方法。 　　Sobel算子是一种一阶微分算子。它利用像素邻近区域的梯度值来计算一个像素的梯度,然后根据一定的阈值来取舍,得到图像中的边缘。对图像中的每个像素,用式(3-1)计算梯度大小: 　　选取阈值T,如果 ,则点为阶跃型边缘点。 　　方向敏感度是边缘检测算子的一项重要性能指标,它反映了算子利用边缘方向检测边缘的能力。Abdou对各个边缘检测算子进行了定量比较,分析了它们由于边缘方向改变而导致误判边缘的性能。结果表明,Sobel算子具有非常优异的性能。 　　4 基于声纳的移动机器人地图创建 　　4.1传感器数据预处理 　　本文中使用Hough变换对声纳数据进行预处理,首先将声纳原始数据在全局坐标系中的坐标经过Hough变换到Hough空间下,并对Hough曲线所经过的各点进行投票。对所有声纳数据实施变换,并累计投票数,当投票数达到设定的阈值,选择这个声纳数据进行D-S证据推理,融合声纳数据。以一个声纳数