基于双目立体视觉伺服智能车室内弯道控制.docVIP

基于双目立体视觉伺服智能车室内弯道控制 　　摘 要： 为了提高智能车弯道中定位的鲁棒性，将室内弯道特征信息进行特征提取与匹配来建立路径，利用自身前景立体视觉感知信息获得车体弯道转向的判断和偏航角度的给定，并采用BP控制策略对智能小车实现转弯控制，避免了传统PID控制方法因被控系统参数变化时难以克服系统中非线性因素影响，解决了未知环境与非线性系统对控制带来的困难。仿真实验结果表明方法在转弯时控制的有效性。 关键词： 立体视觉； 视觉伺服； 运动估计； 弯道控制 中图分类号： TN911.7?34； TP242 文献标识码： A 文章编号： 1004?373X（2013）17?0110?04 0 引 言 智能车环境感知系统的一个重要任务就是实时地提供车辆在行使过程中的位置信息。机器视觉因其有信号探测范围宽、获取信息完整、符合人类认知习惯、维护成本低、不产生环境污染等多优点，已在智能车环境感知系统中广泛采用[1?3]。机器视觉车辆环境感知系统中的主要任务是完成道路及目标的识别和跟踪，为智能车行使提供必须的本车位置信息和周围环境距离信息。 对于现实情况下的道路，一般可以将其分为两大类，即：结构化道路和非结构化道路。结构化道路上有明显的道路标记，且这些标记具有较强的几何特征，道路路面主要是由这些标记界分确定的，如高速公路上道路中间黄色的连续标志线或白色的间断标志线以及两旁白色的连续标志线；非结构化道路上没有明显的道路标记，在二维图像中道路路面与非路面主要依靠纹理与色彩而区分的，如没有标记的水泥路、野外土路或石板路等[4]。 弯道图像包含丰富的道路信息和环境信息，解释了道路周围场景。弯道检测是从道路图像中检测出弯曲车道线的边界，这也是对弯道理解的基础[5]。建立弯道模型；提取车道线像素点；拟合车道线模型属于目前较常采用的认知方法，并在特定的结构化道路体现出较好的检测效果。文献[6]介绍了弯道检测在车道偏离预警、弯道限速以及弯道防碰撞预警等领域的应用情况，并提出了弯道检测应该建立三维车道线模型，提高适用性。文献[5?6]均采用的Hough变换求出车道线直线方程，从而确定对应直线段上的最低点和最高点，然后根据相应准则判断曲线道路的弯曲方向，最后分段拟合车道线的直线段和曲线段实现车道线的二维重建。 弯道检测不仅需要识别出道路边界线，还需要判断道路弯曲方向，确定转弯的曲率半径。常用的车道检测方法可分为2大类：基于道路特征[7]和基于道路模型[8]的方法。目前国外主要常用基于道路模型的方法，即将弯道检测转化为各种曲线模型中数学参数的求解问题。省略弯道曲线模型建立和数学参数的复杂求解过程，本文采用立体视觉感知环境的三维信息，利用它的视差原理对所获取室内道路周边环境图像中角点特征的位置恢复其三维信息来判断车体的弯道转向和偏航角度。建立了视觉信息直接控制车体驱动偏离角与偏离距离视觉伺服控制系统，初步采用了BP控制策略，利用Simulink仿真环境实现了针对未知弯道曲率的智能车转弯控制运动。 1 室内道路环境信息的视觉感知 1.1 立体视觉系统模型 1.2 室内环境特征向量的提取与匹配 由于噪声、光照变化、遮挡和透视畸变等因素的影响，空间同一点投影到两个摄像机的图像平面上形成的对应点的特性可能不同，对在一幅图像中的一个特征点或者一小块子图像，在另一幅图像中可能存在好几个相似的候选匹配。因此需要另外的信息或者约束作为辅助判据，以便能得到惟一准确的匹配。最近邻法是一种有效的为每个特征点寻找匹配点的方法。最近邻点被定义为与特征点的不变描述子向量之间的欧氏距离最短的点[9]。 1.3 运动估计 2 车体的转弯控制 2.1 车体定位参数计算 2.2 弯道控制策略 2.2.1 控制策略 2.2.2 控制仿真实验 利用Simulink库中Signal Builder产生变化的Signal仿真实际环境中视觉系统得到的当前车体的偏移量。小车经左右轮差速转弯运动中质心位置实际偏转角度作为网络的输入，经训练学习反馈回系统的控制输入端。图7为控制仿真结果图，由图示可知该方法基本完成了对信号的控制跟踪，由此说明了利用双目立体视觉所获得的信息，并采用BP网络自学习对道路的变化可适用于不同弯道的道路，避免了传统PID控制方法因弯道曲率变化使得小车转弯控制失败。 3 结 论 借助机器视觉系统判断小车可行驶区域，同时还可清晰地判断出弯曲线路的走向，避免了弯道方向的复杂判别方法，且该方法普遍适用于不同的道路环境，特别是非结构化的道路环境，也增强了算法的实用性和鲁棒性。但目前对双目摄像机进行精确匹配和标定仍然是个技术难题；神经网络训练方法在选取训练样本数据和精确定位车辆位置方