基于雙目立體視覺(jué)伺服的智能車(chē)室內彎道控制

假定參考圖像P的SIFT特征點(diǎn)集合為：FP ={FP (1),FP (2),-,FP (m)}，m為圖像P的特征點(diǎn)的個(gè)數；待匹配圖像Q的特征點(diǎn)的個(gè)數為N，SIFT特征點(diǎn)集合為FQ ={FQ (1)，FQ (2)，-,FQ (m)}。當在建立參考圖像中的特征點(diǎn)和待匹配圖像的特征篩選對應匹配關(guān)系時(shí)，應按照圖2所示的算法進(jìn)行對稱(chēng)性測試，只有當兩個(gè)匹配集中的對應點(diǎn)完全一致時(shí)，才視為有效匹配。

SIFT特征向量生成后，利用特征點(diǎn)向量的歐式距離來(lái)作為兩幅圖像中特征點(diǎn)的相似性判定度量。最近鄰法是一種有效的為每個(gè)特征點(diǎn)尋找匹配點(diǎn)的方法。

最近鄰點(diǎn)被定義為與特征點(diǎn)的不變描述子向量之間的歐氏距離最短的點(diǎn)。對特征點(diǎn)集合FP中的每個(gè)點(diǎn)，逐一計算其與特征點(diǎn)集合FQ中每個(gè)點(diǎn)的距離，得到特征點(diǎn)之間的距離集合D。將距離集合D中的元素進(jìn)行排序，得到最近鄰距離dmin和次近鄰距離dn–nim。SIFT算法通過(guò)判斷最近鄰和次近鄰距離的比值：

來(lái)區分正確匹配對和錯誤匹配對。

對于正確的匹配對，其最近鄰距離dmin要遠遠小于次近鄰距離dn-nim，即DistanceRatio-1；而錯誤的匹配對，由于特征空間的維數很高，其最近鄰距離dmin與次近鄰距離dn-nim差距不大，即DistanceRatio≈1。所以可取一個(gè)距離比閾值Threh∈(0,1)來(lái)區分正確匹配對和錯誤匹配對。

1.3 運動(dòng)估計

進(jìn)行特征點(diǎn)立體匹配和跟蹤匹配如圖2所示，對當前時(shí)刻t獲得圖像對(ImgL1和ImgL2)進(jìn)行SIFT特征匹配之后獲得道路環(huán)境匹配特征點(diǎn)Ni個(gè)，再對相鄰時(shí)刻t+1獲得的Ni+1個(gè)特征點(diǎn)計算歐式距離，尋找t與t+1時(shí)刻獲取圖像中相同的特征點(diǎn)，得到一系列匹配點(diǎn)在車(chē)體運動(dòng)前后的三維坐標。

本文實(shí)驗環(huán)境是在室內，在假定室內環(huán)境為理想的水平面的基礎上，同一特征點(diǎn)三維坐標中y坐標保持基本不變，即車(chē)體運動(dòng)參數僅在x-z坐標平面內發(fā)生變化。

圖3中點(diǎn)P(x1,y1,z1)為所提取環(huán)境特征點(diǎn)，在t時(shí)刻立體匹配后得到其在攝像頭坐標系下的三維坐標，由于攝像頭固定安裝在小車(chē)上，因此通過(guò)坐標系的旋轉與平移變換可將點(diǎn)P的三維坐標轉換到小車(chē)坐標系ΣBt下表示。同理，t+1時(shí)刻所獲取的圖像中相同點(diǎn)P的(u,v)二維坐標發(fā)生變化，經(jīng)坐標轉換后可得到小車(chē)坐標系ΣBt+1下表示。

小車(chē)t時(shí)刻位于位置A時(shí)，特征點(diǎn)P在坐標系ΣBt為參考位置的三維坐標是[x1],y1,z1T，當經(jīng)過(guò)t+1時(shí)刻后移動(dòng)到空間位置B時(shí)，同一特征點(diǎn)P在以B為參考位置的三維坐標為[x]t+1,yt+1,zt+1T，所以得到：

當這些位置滿(mǎn)足3個(gè)及以上相同的匹配特征點(diǎn)時(shí)，小車(chē)所在坐標系間的平移與旋轉向量就可以通過(guò)以上方程獲得。

2 車(chē)體的轉彎控制

2.1 車(chē)體定位參數計算

環(huán)境特征點(diǎn)投影到車(chē)體坐標系下表示后，即為所有的環(huán)境坐標均統一在世界坐標系下的表示。如圖4所示，其中小車(chē)前進(jìn)方向為zw軸，xw水平垂直于zw，方向向右，其交點(diǎn)為原點(diǎn)Ow。直線(xiàn)為lmid為道路中間線(xiàn)，lmid與zw的夾角為φ，即為車(chē)輛的偏航角。點(diǎn)Ow到左車(chē)道線(xiàn)lL的距離為DL，到右車(chē)道線(xiàn)lR的距離為DR，可行駛區域的道路寬度為w = DL+DR。

2.2 彎道控制策略

2.2.1 控制策略

機器人的底層運動(dòng)控制是非常重要的一個(gè)環(huán)節，機器人運動(dòng)控制的好壞直接決定了能否有效執行決策意圖，準確無(wú)誤地沿著(zhù)預定軌跡行進(jìn)，完成導航任務(wù)。傳統的定位控制中，PI、PID是廣泛采用的控制方法，這些方法比較成熟，但卻具有一定的局限性。對被控系統的參數變化比較敏感，難以克服系統中非線(xiàn)性因素的影響。本文采用BP神經(jīng)網(wǎng)絡(luò )控制器在行使過(guò)程中經(jīng)學(xué)習對網(wǎng)絡(luò )進(jìn)行訓練，以適應當前的環(huán)境路況來(lái)調整車(chē)的左右輪速控制量。智能車(chē)左右輪速的大小，和車(chē)體偏離道路中間線(xiàn)lmid的距離d和車(chē)運動(dòng)時(shí)方向偏離中間線(xiàn)的角度φ有關(guān)。小車(chē)控制輸入為d,φ，輸出為VL,VR。