面向機械臂避障的非結構場景感知研究

周恒旭，何志敏，周 燕

(1.佛山科學技術學院電子信息工程學院，廣東 佛山 528225；2.佛山科學技術學院自動化學院，廣東 佛山 528225)

0 引言

目前，對于解決機械臂避障問題，一般是利用先驗知識進行示教避障。機器人雖然擁有某種程度的智能化，但遠不符合人們的預期，其中一個重要因素是機器人感知系統(tǒng)中仍存在一些問題亟待解決，其中最重要的是如何讓機器人對現(xiàn)實三維場景感知和理解[1]。這些現(xiàn)實問題極大地制約著機器人的應用。非結構場景的感知是機械臂實現(xiàn)自主避障的基礎，使用三維傳感器是非結構場景感知的前提。

激光雷達和深度攝像頭都是獲取點云的主流設備之一，但深度攝像頭存在的問題有：深度攝像頭的測量距離短，隨著距離增大誤差變大；會因反射率不同而導致深度圖里的物體邊緣出現(xiàn)空洞現(xiàn)象[2]；其成像程序計算量大，在有遮擋物情況下不適用。

激光雷達應用場景多，文獻[3]使用2D激光雷達通過掃描站獲取個體植物的位置信息；文獻[4]使用機載激光雷達進行輸電線的三維重建；文獻[5]描述了歐洲航天局的e.Deorbit軌道碎片清除計劃中的B1階段里，激光雷達是清理衛(wèi)星的GNC技術的一個組成部分，能在近距離上切換成3D模式掃描生成點云。綜上所述，本文將使用三維激光雷達作為場景感知的傳感器以此獲取點云數(shù)據(jù)。

在點云處理算法方面，近年來流行使用深度學習的算法對點云進行處理，其主要分為2類：基于鳥瞰圖的算法和基于點云圖的算法?；邙B瞰圖的思想是將點云數(shù)據(jù)轉換為鳥瞰圖，再使用近些年出現(xiàn)的RCNN、Fast RCNN、Faster RCNN、YOLO和SSD等算法[6-12]對鳥瞰圖進行目標檢測?；邳c云圖的算法起源于2017年出現(xiàn)的PointNet[13]，該深度學習網(wǎng)絡直接處理點云，在目標分割和識別上取得良好效果，但其僅僅是用于物件的抓取任務上?；谏疃葘W習的算法雖然表現(xiàn)最好，但實際上，數(shù)據(jù)的處理決定著算法的表現(xiàn)效果，而這些算法往往是針對數(shù)據(jù)和特定場景進行設計的。深度學習是數(shù)據(jù)驅動型，需要大量數(shù)據(jù)訓練才能取得良好表現(xiàn)。在現(xiàn)實世界中大多數(shù)數(shù)據(jù)都是未標記的，不存在標簽信息，因此有監(jiān)督的深度學習適合解決的AI問題是非常狹窄的，更多的是需要無監(jiān)督學習解決問題[14]。面向機械臂避障的非結構場景中，場景形態(tài)結構千變萬化，并無具體的特征結構，無法進行針對性的數(shù)據(jù)處理，非結構場景的每一個構成部分也不存在標簽，無法制作大規(guī)模的數(shù)據(jù)集進行深度學習，故雖然深度學習在某方面表現(xiàn)效果良好，但是在非結構場景里的應用中始終無法代替非深度學習方法進行點云的處理操作。故本文將使用非深度學習的方法對點云進行處理。

本文目的在于，針對目前實現(xiàn)機械臂避障過程中需要感知場景信息，而使用激光雷達對非結構場景感知進行研究的情況，通過對三維激光雷達點云進行地面分割、濾波和聚類操作，實現(xiàn)對場景信息的獲取。在地面分割過程中，針對傳統(tǒng)的RANSAC算法表現(xiàn)不佳情況，提出了基于橫截面積的地面分割方法。在聚類過程中，針對經典的DBSCAN算法存在參數(shù)選擇難且影響聚類效果的問題，根據(jù)激光點云的特點，提出一種基于有序點云間的切比雪夫距離確定DBSCAN 算法的鄰域半徑參數(shù)方法。

1 非結構場景的點云數(shù)據(jù)獲取

本文通過CoppeliaSim機器人仿真軟件進行非結構場景的搭建。使用仿真軟件進行機器人感知算法研究的優(yōu)點在于快速且準確，可搭建任意現(xiàn)實世界場景。為了獲取場景的激光點云數(shù)據(jù)，在CoppeliaSim里使用Velodyne公司的HDL-64E三維激光雷達，該傳感器專為障礙物探測和車船導航而設計，探測精度為1 cm，垂直視場角為26.8°，水平視場角為360°。設計的場景為常見的室內非結構場景，2張桌子，桌子上面有2個立方體和1個盆栽，桌子對面為激光雷達，如圖1所示。

圖1 非結構場景示意

利用CoppeliaSim的遠程API與Python進行通信，獲取激光雷達的點云數(shù)據(jù)，取其1/4視場并保存成.ply格式文件，數(shù)量為10 952個。讀取.ply文件，并可視化如圖2所示。

圖2 非結構場景的點云示意

2 地面分割

在獲取到點云數(shù)據(jù)后，一般需要進行地面分割操作，減少點云數(shù)據(jù)量。地面分割一般采用基于隨機采樣一致性(RANSAC)算法進行操作，該算法是Fischler和Bolles在1981年提出[15]，被廣泛用于平面提取[16]、邊界擬合與提取[17-18]、剔除誤匹配點[19]和建筑物立面分割[20]等領域。雖然RANSAC算法具有較強的魯棒性，但是也存在缺點：局外點的數(shù)目不能過多；計算參數(shù)過程中迭代次數(shù)沒有上限，耗費計算資源較大；需確定模型閾值和適用數(shù)據(jù)數(shù)目。這些不足限制了RANSAC算法在點云分割地面上的應用。針對圖1的場景，使用RANSAC算法對點云數(shù)據(jù)進行處理，發(fā)現(xiàn)效果不佳，如圖3所示。在圖3中，之所以擬合的平面與地面形成大幅度的角度，這是因為場景的點云相對于地面來說是局外點，而局外點的數(shù)目過多，導致z方向的權重過大，故出現(xiàn)擬合地面效果不佳情況。

圖3 RANSAC算法分割地面效果

2.1 基于橫截面積的地面劃分

結合非結構場景，提出了一種基于橫截面積的地面分割原理。通過研究發(fā)現(xiàn)，從z軸方向看，在非結構場景中，地面點云分布范圍廣泛，而其他物體點云分布范圍集中，為了實現(xiàn)分離地面，提出一種以橫截面為依據(jù)的地面分割的方法。其具體原理是：以z軸為分割標準，設置分層數(shù)n對z軸進行分割，即分為n個截面。對于第i個截面(i=1,…,n)，遍歷所有點云的z坐標是否屬于第i個截面上，如果是，將其x坐標值和y坐標值保存在臨時存儲單元里tempi，查找tempi里x最大值xmax和最小值xmin，求xmax與xmin的差，即xei。同樣方法計算出yei。用xei與yei相乘計算出最大橫截面積si。最后，si最大的橫截面層即為包含的地面層。根據(jù)地面層所在的位置，可以使用直通濾波器進行地面分割操作。另外，關于分層數(shù)n的選擇，n越大則z軸方向分的層越細。但層數(shù)n并非越大越好，因為n決定著每層的高度，若每層有一定的高度，則可以囊括整個地面的小幅度的坡度，有小幅度坡度的地面是會在z方向上產生高度，故每層的高度需要高于可能存在的坡度地面產生的高度。假設點云在x-y平面內的范圍為t×t，單位為m，地面坡度為α°，則通過正切函數(shù)得到其高度為t×tanα。

根據(jù)場景的實際長寬，將分層數(shù)n設置為15，每層的高度h為0.09 m，再對其進行每層橫截面積計算，把每層的橫截面積數(shù)值繪制成直方圖，如圖4所示。由圖4可知，第1層的面積遠遠大于其他層，明顯是由地面的點云分布過廣所致，從第2層開始，面積逐步下降，但第11層和第12層的面積略微上升，這是盆栽的植物下窄中寬上窄所致。

圖4 每層的橫截面積直方圖

2.2 利用直通濾波器進行地面分割

點云的直通濾波器，是在點云的某個維度上設置閾值，將某個維度上的點云數(shù)據(jù)分為在閾值內和閾值外，從而決定是否濾除。此外，在面向機械臂避障的三維場景中，機械臂有一定的工作空間，即機械臂的末端執(zhí)行范圍有限，一般為x-y-z軸的±2 m之間。采用直通濾波器對點云數(shù)據(jù)處理，既符合機械臂的工作空間需要，同時也有利于減少點云數(shù)據(jù)量。

依據(jù)每層高度h，地面在第1層，以及點云z軸方向上最小值為-0.023 0 m、最大值為1.902 1 m，并結合一般機械臂的最大工作空間，設置直通濾波器的閾值，對點云進行直通濾波操作。處理后的點云可視化如圖5所示，其數(shù)量為4 314個。

圖5 地面分割后的場景點云

經過直通濾波處理后，僅僅是去除地面點云，但目前場景中的點云數(shù)量依然較大，這是由于使用了高分辨率的三維激光雷達獲取的點云，有些地方往往非常密集，存在極大的冗余信息。同時，大量冗余的點云對于后續(xù)的分割工作提出了挑戰(zhàn)，故對場景的點云數(shù)據(jù)進行采樣是必要操作。本文采用體素化網(wǎng)格濾波器對點云數(shù)據(jù)進行采樣操作，從而實現(xiàn)點云的濾波。效果如圖6所示，其點云數(shù)量為2 157個。

對比圖5與圖6，明顯發(fā)現(xiàn)點云數(shù)量減少，但依然保留場景中許多細節(jié)特征，即有利于分割處理的效率，場景也具備較高的保真度。

圖6 體素網(wǎng)格濾波后的場景點云

3 利用聚類進行點云語義分割

在點云濾波之后，需要進行分割操作。點云的分割是通過點云的坐標、幾何結構等信息進行歸類區(qū)分，使得同一區(qū)分內的點云具有相似的特征。點云的高效分割是其他應用的基礎。目前，魯棒性比較好且實用的點云分割算法是聚類分割。在聚類后，每一個簇進行包圍盒操作提取物體，可實現(xiàn)語義分割的功能。

3.1 基于密度的對噪聲魯棒空間聚類

點云在空間上的分布因物體的存在密集，而無物體處稀疏，故采用基于密度的聚類。在基于密度的聚類算法中，DBSCAN(density-based spatial clustering of applications with noise)是最具有代表性的基于密度的聚類算法[21]。

DBSCAN算法能找到點云的密集區(qū)域，并將點云空間中密集區(qū)域歸為聚類簇。相較于其他聚類方法，DBSCAN算法具有一些優(yōu)點：基于密度進行聚類，對遠離密度核心的噪聲點具有較強的魯棒性；不需提前指定聚類簇的數(shù)量，而k-means聚類需要提前指定聚類簇的數(shù)量，且不同數(shù)量會對聚類結果產生很大影響，需要進行多次實驗；能聚類出任意空間形態(tài)的聚類。

DBSCAN算法有2個重要的算法參數(shù)：鄰域半徑R和最少點數(shù)目minpoints。R與minpoints組合能描述數(shù)據(jù)樣本的密集程度，當R內的數(shù)據(jù)點的個數(shù)大于或等于minpoints即為密集。在R內點的數(shù)量大于minpoints的點叫做核心點，不屬于核心點但位于其他某個核心點的R內的點叫做邊界點，噪聲點既不是核心點也不是邊界點。DBSCAN算法中描述點與點之間的關系有4種：密度直達、密度可達、密度相連和非密度相連。DBSCAN的算法流程如圖7所示。

圖7 DBSCAN的算法流程

3.2 改進DBSCAN算法

經典的DBSCAN算法雖能分類出任意形態(tài)的簇并且能較為準確地識別噪聲點，但仍存在算法對參數(shù)鄰域半徑R極其敏感的特性。若參數(shù)選取不當，會對聚類結果會產生不良影響[22]，故需要從參數(shù)選擇方面改進DBSCAN算法。

通過研究三維激光雷的點云，發(fā)現(xiàn)激光雷達輸出點云數(shù)據(jù)是分布不均衡的，距離三維激光雷達較近位置處點的分布較為密集，距離激光雷達較遠位置處點的分布較為稀疏。文獻[23]使用切比雪夫距離作為鄰域距離，但其點云數(shù)據(jù)是由深度攝像頭獲取，點云分布較均勻。文獻[24]在進行體素化過程中使用切比雪夫距離作為有效計算距離。在此，為了尋找到合適的參數(shù)R，結合三維激光生成點云數(shù)據(jù)分布的特點，提出一種基于有序點云間的切比雪夫距離確定鄰域半徑的方法。

雖然點云里的點的排列順序并不影響其表達的內容，但會影響點與點之間的距離計算。為了統(tǒng)一計算點間的距離，需要將點云按照一定規(guī)則排序。已知點云信息[xi,yi,zi],i=1,…,n,n為點云總數(shù)。先以x維度的數(shù)值為基準進行排序，數(shù)值從低到高，若x維度上的數(shù)值相同，則以y維度上的數(shù)值為基準進行排序，若y維度上的數(shù)值相同，則以z軸上數(shù)值為基準進行排序，實際的點云數(shù)據(jù)不存在2個位置完全一樣的點。將排好序的點云列表按照式(1)點i與點i+1之間計算出切比雪夫距離di。對di求其平均值d，并按照式(2)求其標準差σ。

di=max(|xi+1-xi|,|yi+1-yi|,|zi+1-zi|)

(1)

(2)

最終的鄰域半徑為R=d+σ。相較于常用的歐式距離，切比雪夫距離更長些，所囊括的范圍更廣，適用于高維空間環(huán)境。

3.3 實驗對比及分析

為了驗證本文改進DBSCAN算法的效果，將用本文改進的DBSCAN算法與經典DBSCA算法進行對比測試，并且還與k-means算法進行對比測試。通過第3節(jié)處理后的點云數(shù)據(jù)，根據(jù)3.2節(jié)的方法，計算得到鄰域半徑R=0.083。對于經典的DBSCAN算法的鄰域半徑R的選擇，參考文獻[21]中給出的建議，這里選取R=0.200。對于參數(shù)最少點數(shù)目minpoints的選取，其對效果影響不大，一般選取范圍5～8，這里都取minpoints=7。k-means算法、經典DBSCA算法和改進DBSCAN算法的效果分別如圖8、圖9和圖10所示，圖中的每一簇已框出標識。

圖8 k-means算法聚類效果

圖9 經典DBSCAN算法聚類效果

對比圖8與圖10，k-means算法把盆栽、立方體和桌子一部分歸為1簇。對比圖9與圖10，改進DBSCAN算法聚類簇比經典DBSCAN算法的多出了8個簇，意味著改進DBSCAN算法聚類更精細，同時，經典DBSCAN算法把盆栽和桌子歸為1簇，2個立方體通過桌子點云也被歸為1簇，說明經典DBSCAN算法在非結構場景聚類中表現(xiàn)差，而改進DBSCAN算法能把盆栽、桌子和2個立方體各歸1簇，已達到精準分割物體的作用。通過以上實驗證明，在處理激光點云數(shù)據(jù)時，改進DBSCAN算法相較于經典的DBSCAN算法和k-means算法聚類分割更精細合理。

圖10 改進DBSCAN算法聚類效果

3.4 障礙物的提取

為了使得聚類分割后的障礙物更加直觀，需要使用擬合包圍盒來產生具體的障礙物信息[25-27]，即經過分割后得到場景中的一些障礙物，需要找出各個障礙物的邊界，擬合出邊界將各個障礙物框住，進而達到障礙物提取的作用。在三維點云數(shù)據(jù)障礙物感知提取領域，實用且簡單的擬合包圍盒為MAR(minimum area rectangle)方法[28-29]。

經過3.3節(jié)聚類處理后獲得了13個簇，由于篇幅有限，只對具有代表性的盆栽簇和立方體簇使用MAR方法進行擬合包圍盒操作，實現(xiàn)障礙物提取，其效果如圖11和圖12所示。盆栽包圍盒的中心坐標為[ 0.247 6,0.189 7,0.419 5]，長為0.495 1 m，寬為0.379 3 m，高為0.839 0 m，體積為0.157 6 m3。立方體包圍盒的中心坐標為[0.294 6,0.871 5,0.149 4]，長為0.589 1 m，寬為0.275 4 m，高為0.298 7 m，體積為0.048 5 m3。

圖11 包圍盒提取的盆栽

圖12 包圍盒提取的立方體

4 聯(lián)合仿真實驗

為了進一步測試本文的所提出的方法在機械臂避障方面的應用效果，本節(jié)使用CoppeliaSim機器人仿真軟件及MATLAB進行聯(lián)合仿真實驗。搭建常見的非結構場景，使用UR5機械臂進行實驗。實驗目的是根據(jù)給定的起始點和目標點信息，利用感知系統(tǒng)和處理算法獲取場景的信息，作為復合機器人的路徑規(guī)劃依據(jù)。

將獲取到的點云數(shù)據(jù)使用本文的地面分割方法進行分割；經過濾波操作后，再使用本文的改進DBSCAN算法進行聚類，如圖13所示；最后使用包圍盒進行物體的提取，如圖14所示。

圖13 改進DBSCAN算法聚類效果

圖14 提取場景物體效果

利用提取到的場景信息，使用Informed RRT*算法進行路徑規(guī)劃，對規(guī)劃出的路徑信息進行逆運動學求解以驅動仿真環(huán)境中的機器人伺服。機械臂的避障運動效果如圖15所示，圖中曲線為機械臂末端運動軌跡。記錄運動過程中機械臂的6個關節(jié)的角度數(shù)據(jù)，并利用MATLAB將數(shù)據(jù)可視化出來，如圖16所示。 由圖16可知，機械臂關節(jié)角度變化平緩無突變，說明機械臂運動姿態(tài)穩(wěn)定。總體而言，在按照規(guī)劃的路徑運動時，機械臂姿態(tài)平穩(wěn)，效果達到預期。

圖15 復合機器人避障效果

圖16 機械臂關節(jié)角度變化

5 結束語

精準提取非結構場景中的障礙物是機械臂進行可靠避障的基礎。為了達到精確提取障礙物，本文進行了激光點云的研究和相關的處理算法的操作，驗證了基于有序點云間的切比雪夫距離確定DBSCAN算法的鄰域半徑參數(shù)方法的可行性，以及其相較于經典的DBSCAN算法具有的優(yōu)良性。同時，在進行地面分割操作過程中，發(fā)現(xiàn)RANSAC算法分割地面效果不佳的情況，設計了一種基于橫截面的地面分割方法，其原理簡單易懂，操作使用方便，且仿真表現(xiàn)效果良好，也為后續(xù)的聚類分割處理達到預期效果提供了保障。