论文部分内容阅读
随着电力系统的快速发展和智能变电站的推广,旨在提高变电站巡检效率、减小人工巡检压力的变电站巡检机器人日益受到青睐。在变电站巡检机器人的“智能化”进程中,实现自主导航是其最基础也是最核心的技术。研究具有高定位精度、较强的环境适应能力和自主处理问题能力的变电站巡检机器人是本文的目标。由于仅使用单一的传感器进行导航难以满足变电站场景的需求,因此本文选择基于摄像头和三维激光雷达数据融合的自主导航方式。本文的研究工作主要包括传感器的标定技术、道路检测与机器人定位技术、障碍物检测与跟踪技术以及前方道路场景理解技术。在传感器的标定技术部分,首先建立摄像头和激光雷达模型,并确定传感器相互之间的位置关系;然后进行摄像头和激光雷达的自标定,详细介绍了各坐标系转换的推导过程,并通过标定实验确定各传感器数据与机器人之间的关系;进而从空间和时间两方面对摄像头和激光雷达进行联合标定,实现摄像头与激光雷达数据的融合;最后对摄像头所拍摄的图像进行了基于IPM的逆透视变换,从而得到前方道路的鸟瞰图。该部分作为自主导航的基础,是后续章节融合的重要桥梁。在道路检测部分,核心问题是提高车道线检测的鲁棒性,因此本文提出在传统的Hough直线检测的基础上加入基于HSV彩色空间变换的车道线区域提取。该方法除了利用Hough变换以及约束条件获得候选直线段之外,还通过对图像HSV颜色空间三通道的阈值进行限制,从而提取出具有特定颜色特征的车道标示线区域,最后将两种检测结果进行融合获得最终的车道线。实验证明,该方法有效减少了光照、阴影等环境变化对车道线检测的影响,提高了车道线检测的准确性与可靠性。在提取出两侧车道线之后,介绍了如何利用道路虚拟中心线和机器人的相对位置关系确定机器人的局部位姿,并通过基于PID的方法控制机器人跟随道路虚拟中心线行驶,从而进行机器人的局部定位与横向控制。在障碍物检测部分,首先构建合适的栅格地图对三维激光雷达所获得的点云数据进行预处理,将前方道路环境的三维点云数据转化为二维平面栅格地图;然后利用区域生长法对被障碍物占用的栅格进行聚类,获得障碍物的方位、距离以及大小信息,从而对障碍物特征参数进行提取。最后为了对所检测出的障碍物进行跟踪,使用扩展卡尔曼滤波对雷达的测量数据进行校正,提高了对障碍物跟踪的准确性。在前方道路场景理解方面,为了突出前方道路的场景特征,降低机器人对场景理解的难度,本文提出一种基于视觉和雷达检测结果融合的前方道路场景示意图,该示意图仅用黑白的几何化方式对前方道路的可通行情况与障碍物情况进行宏观描述而无冗余信息。进而,通过对该前方道路场景示意图进行HOG及GLCM特征提取,增大了不同类间的距离。最后,对于前方道路场景的理解,本文通过分析变电站特点,提出使用支持向量机(SVM)的方法训练得到多分类的前方道路场景分类器,用于判断前方道路中的障碍物情况,并通过实验验证该方法的可行性与有效性。该部分是本文的核心,也是实现机器人具备智能信息处理能力的体现。