温室机器人道路识别与路径导航研究—基于红外测距

张 丽，李名莉

(河南工业职业技术学院，河南 南阳 473000)



温室机器人道路识别与路径导航研究—基于红外测距

张 丽，李名莉

(河南工业职业技术学院，河南 南阳 473000)

针对温室内移动机器人的应用需求，提出了一种基于红外线测距的温室机器人自主导航算法，并使用模糊算法对导航误差进行控制，实现了温室机器人的精确自主移动功能。温室机器人导航过程中，当红外线接收管接受到红外线信号时，会产生一个光强电流，电流放大后可以输出一个模拟电压；根据电压值，通过编程计算，利用电压和距离的对应关系，可以得到机器人和标志物的距离误差；距离信息通过串口传输到PC机上，PC机利用模糊控制原理对距离误差进行判断，发出控制指令。实验测试发现：机器人导航的距离偏差平均值为-1.28cm，均方差为2.68，超调较小，可以实现较为精确的导航。

温室机器人；红外测距；路径导航；模糊控制；PC机

0 引言

路径的导航与定位是温室机器人视觉系统的关键技术之一。在国内外的研究中，很多学者利用CMOS图像传感器和双目图像采集系统及立体的视差，对导航标志进行定位，并将标志的质心转换为空间坐标，完成定位。但是，基于双目的图像采集系统，由于采用左右两个相机来模拟人眼的双目，其标定和匹配的难度较大，因此实现高精度的定位具有一定的困难。利用小波算法、关联性匹配等图像处理方法可以有效地降低噪声的干扰，但图像处理较为复杂，实时性较差。本研究使用红外线传感器，利用其体积小、功耗低、抗干扰和速度快等特点，结合模糊控制算法，对温室机器人道路识别和路径导航进行了深入的研究，对于提高温室机器人的自主导航和定位精度具有重要的意义。

1 温度机器人路径导航和红外测距算法

本文研究设计的机器人自动测距主要是依据红外线传感系统。该系统由1个红外线接收器和2个红外线发射管构成，检测距离为10～100cm，可以检测前方和左右前方的障碍物，并根据反射回来的红外线判断障碍物的距离。其结构原理和测距过程如图1所示。

图1 机器人红外线识别障碍物和测距原理

图1中，红外线发射的角度为60°，红外线覆盖的区域为阴影区；当接收器接收到信号后向PC上位机发出障碍物信号后，PC机做出反应；当发现障碍物之后，机器人利用红外线测距卡PSD进行测距，测距原理为三角测量原理。当红外线传播过程中遇到障碍物时，一部分光被反射回来，反射到PSD传感器上的部分光束聚焦到透镜后面的CCD线性电耦合器件上，根据CCD上的位置便可以知道红外线的反射角，从而得到距离障碍物的距离。PSD输出值是电压的变化，由于电压和距离为非线性关系，其函数表达式可以写为

y=α+βx-1

(1)

其中，y为输出电压；x为测量距离。如果要根据电压显示测量距离，则需要利用实验数据求出α和β的值。本研究使用较为简单的分段方法对距离进行校准。传感器显示数据和距离之间的函数关系曲线，可以利用微分方法将曲线分成n段，每段近似为线性关系，可以得到

(2)

其中，y为机器人红外线传感器显示的读数；x为实际的测量距离，yi-1和xi-1分别为第i-1点红外线传感器显示读数和实际测量距离。由此可以得到，在机器人红外线传感器显示为y时机器人实际的测量距离为

(3)

因此，根据红外线显示数据，便可以推算出机器人实际的测量距离。在机器人进行自主导航过程中，可以在温室中设置标定物(如导航线)，使机器人实现自主导航。温室机器人在作业过程中，当机器人偏离导航线一定距离时，会产生误差，为了消除误差对导航精度的影响，利用模糊控制规则对误差进行控制，其原理如图2所示。

图2 模糊控制器结构原理图

模糊化过程主要将输入误差划分为语言词集，然后定义隶属函数，将非模糊化的误差量转换为模糊量。该模糊量用隶属度的某个词集表示，然后利用经验总结的规则语句组成的规则库对模糊控制过程进行表述，其表达式为

IF(X1为A1,...,Xn为An)and

(Y1为B1,...,Yn为Bn),

THEN(Z1为C1,...,Z1为C1)

(4)

其中，X、Y为模糊化后输入信息；Z为去模糊化后的输出信息；Ai、Bi、Ci(i=1,2,…,n)为第i条规则语句输入量和输出量的词集。将Ai、Bi、Ci看成X、Y、Z对应论域上的词集，可以推出控制语句之间的关系为

Ri=(Ai×Bi)×Ci

(5)

Ri隶属函数的表达式为

μRi(X,Y,Z)=μAi(xi)∧μBi(yi)∧μci(zi)

∀x∈X,∀y∈Y,∀z∈Z

(6)

为了求出所有模糊规则对应的模糊关系，可以采用取并集的方法，其表达式为

(7)

R的隶属函数为

(8)

将X、Y模糊化后得到模糊集A、B，通过推理后得到C，其表达式为

C=(A×B)·R

(9)

C的隶属函数为

(10)

由于被控制的机器人误差大小有一定的控制要求，因此需要对模糊集进行去模糊化处理。最常用的方法是将隶属度函数进行加权平均，然后进行判别，其表达式为

(11)

在机器人误差控制过程中，以误差范围K作为基本论域，利用三角形分布的方法将误差进行划分，其隶属函数的表达式为

(12)

其中，a、b、c分布为误差的阈值，可以通过对其数值的设定，约束温室机器人在温室导航中的位置误差，从而提高机器人自主导航的精确性。

2 红外线测距硬件和软件设计

2.1 硬件设计

在移动式机器人的设计中，一般采用单片机作为中央控制器，红外线测距模块也采用单片机作为控制模块，如AVR、ATMEGA16等微处理器。这些控制器虽然可以完成信号的接收与传输，并可以将模拟信号转换为数字信号，但其运算速度较低，数字信号的处理功能较少，无法完成机器人控制的关键技术，因此需要借助于ARM系列处理器，来完成机器人的硬件设计。

1)系统组成。ARM系列处理器有许多无可比拟的优势，并支持多线程，其运算速度较快、开发周期较短，因此在移动机器人控制系统的设计中得到了广泛的应用。本次研究采用三星公司的S3C2440A，其片上的资源非常丰富，性价比比较高，集成了嵌入式系统接口，并具有串口通讯、网络通讯功能，还具有APD转换模块。系统的结构组成如图3所示。

图3 硬件系统组成

当红外线得到导航标识的具体信息后，距离信息由电压信号经过S3C2440A输入引脚Ain0，S3C2440A利用APD模块对模拟量进行模数转换，通过编程计算得到具体的距离信息，并将距离信息通过串口传输到PC机上；PC机利用模糊控制原理对距离误差进行判断，发出控制指令。

2)红外测距模块。红外线是微波和可见光之间的一种电磁波，具有光的直线传播、反射和折射功能，还具有微波特性，穿透力较强，可以贯穿一些不透明的物质。红外线传感器主要是由发射器和接收器构成，由于自然界中所有物体的温度都高于绝对零度，都会辐射红外线，因此红外线传感器具有较强的发射和接受功能。

图4为红外线测距模块的硬件框图。在测距过程中，首先利用红外线发光发射红外线，当红外线遇到障碍物时，会被反射到接收管内，此时红外线接收管也会产生一个光强电流，电流放大后可以输出一个模拟电压；根据电压值，利用电压和距离的对应关系，可以得到机器人和导航标志物之间的位置关系，从而为自主导航提供依据。

图4 红外测距模块硬件框图

2.2 软件设计

系统软件部分的设计主要是主程序的设计。通过主程序的驱动，使机器人可以完成距离的测量，为自主导航的精确控制提供相应的依据。软件的设计流程如图5所示。

图5 软件设计主流程图

开始时，首先将S3C2440A进行初始化，通过红外线信号的发射和采集得到电压模拟信号，利用A/D转换模块将电压转换为对应的距离值，最后输出相应的距离值。

3 温室红外线导航机器人性能测试

本次对温室机器人设计的最终目的是实现机器人在温室道路上的自主行走。为了测试机器人的性能，在温室环境中对机器人进行了测试。温室道路及其周围环境如图6所示。

图6 温室道路和周围环境

温室道路宽度为0.8m，在试验过程中，以中心线作为导航标志物，使温室机器人沿着中心线进行自主导航，使用的机器人构造如图7所示。

该机器人具有红外线测距模块及光电编码器等，并配置了PC上位机，以实现模糊控制算法。机器人的本体宽度为0.6 m，移动方式为四轮形式，驱动轮为前轮，每个轮配备了400W伺服电机，通过测试得到了如图8所示的机器人导航偏差曲线。

1.激光测距仪 2.显示器 3.后轮 4.前轮 5.驱动电机

图8 导航偏差检测

在整个测试过程中，每隔2s完成一次扫描，并计算一次导航偏差；整个试验的扫描次数为130次，通过计算得到的偏差曲线。最后，统计计算得到的偏差平均值为-1.28cm，均方差为2.68，超调较小，说明模糊控制对于机器人的导航起到了很好的控制效果，也验证了红外线机器人导航的准确性。

4 结论和讨论

为了实现温室机器人自主导航能力，提高导航的速度和精度，结合红外线测距原理，设计了一种新的移动式温室机器人，并采用模糊控制算法对导航误差进行了控制，从而实现了机器人较为精确的自主导航功能。为了验证机器人的自主导航功能和模糊控制算法的可靠性，在温室内对机器人的导航性能进行了测试。测试结果表明：机器人导航的距离偏差平均值为-1.28cm，均方差为2.68，超调较小，可以实现较为精确的导航。本试验仅对较为平坦的温室道路进行了测试，对于陡坡和凹凸不平的路面还没有进行测试，在下一步的研究中，将结合三维红外线测距方法，争取解决复杂作业环境中的导航问题，为温室机器人的研究提供移动式的平台支持。

[1] 高国琴,李明.基于 K-means 算法的温室移动机器人导航路径识别[J].农业工程学报,2014,30(7):25-33.

[2] 方莉娜,杨必胜.车载激光扫描数据的结构化道路自动提取方法[J].测绘报,2013,42(2):260-267.

[3] 熊爱武.基于车载激光云点数据的道路模型重建[J].地理信息世界,2013,20(6):86-88.

[4] 魏泽鼎,贾俊国,王占永.基于视觉传感器的棉花果实定位方法[J].农机化研究,2012,34(6):66-68.

[5] 王海青,姬长英,顾宝兴,等.基于机器视觉和支持向量机的温室黄瓜识别[J].农业机械学报,2012,43(3): 163-167.

[6] 王辉,毛文华,刘刚,等.基于视觉组合的苹果作业机器人识别与定位[J].农业机械学报,2012,43(12): 165-170.

[7] 李寒,王库,曹倩,等.基于机器视觉的番茄多目标提取与匹配[J].农业工程学报,2012,28(5):168-172.

[8] 项荣,应义斌,蒋焕煜.田间环境下果蔬采摘快速识别与定位方法研究进展[J].农业机械学报,2013, 44(11):208-223.

[9] 蔡健荣,孙海波,李永平,等.基于双目立体视觉的果树三维信息获取与重构[J].农业机械学报,2012, 43(3):153-156.

[10] 李立君,李昕,高自成,等.基于偏好免疫网络的油茶果采摘机器人图像识别算法[J].农业机械学报,2012,43(12):209-213.

[11] 王文庆,张涛,龚娜.基于多传感器融合的自主移动机器人测距系统[J].计算机测量与控制,2013,21(2): 343-345.

[12] 韦伟,周凌翱,刘青.一种便携式的红外测距系统[J].电子设计工程,2011,19(21):40-42.

[13] 刘金帅,赖惠成,贾振红.基于YCbCr颜色空间和Fisher判别分析的棉花图像分割研究[J].作物学报,2011,37(7):1274-1279.

[14] 朱群峰,黄磊.温室移动机器人轨迹控制系统的设计[J].农机化研究,2009,31(4):73-75.

[15] 张卫东.我国温室发展的现状及发展建议[J].科技信息,2013(10):439.

[16] 李明,李旭,孙松林,等.基于全方位视觉传感器的农业机械定位系统[J].农业工程学报,2010,26 (2):170-174.

[17] 陈运鹏,龙慧,刘志杰.我国施肥技术与施肥机械的研究现状及对策[J].农机化研究,2015,37(4):255-260.

[18] 姬江涛,郑治华,杜蒙蒙.农业机器人的发展现状及趋势[J].农机化研究,2014,36(12):1-4.

[19] 乔永亮,何东键,赵川源,等.基于多光谱图像和SVM的玉米田间杂草识别[J].农机化研究,2013,35(8):30-34.

[20] 姬长英,周俊.农业机械导航技术发展分析[J].农业机械学报,2014,45(9):44-54.

[21] 孟庆宽,何洁,仇瑞承,等.基于机器视觉的自然环境下作物行识别与导航线提取[J].光学学报,2014, 34(7):1-7.

[22] 刘金龙,郑泽锋,丁为民,等.对靶喷雾红外探测器的设计与探测距离测试[J].江苏农业科学,2013,41(7):368-370.

Greenhouse Robot Path Recognition and Path Navigation —Based on Infrared Distance Measurement

Zhang Li, Li Mingli

(Henan Polytechnic Institute, Nanyang 473000, China)

In view of the greenhouse in mobile robot applications, and puts forward a greenhouse robot autonomous navigation based on infrared distance measurement algorithm and use fuzzy algorithm to control the navigation error, to achieve the greenhouse robot autonomous precision mobile function. Greenhouse robot navigation in the process, when the infrared receiving tube receives the infrared signal, to generate a light current, current amplification can be an analog voltage output, according to the voltage values, calculated by programming, using the corresponding relation between the voltage and the distance can machine and markers of the distance error is obtained. Distance information through the serial port to transfer to the PC, PC using fuzzy control principle to judge distance error, sends out the control command. Finally through the test found that the distance deviation of robot navigation average - 128 cm, and the mean square error is 2.68, smaller overshoot, can achieve more accurate navigation.

greenhouse robot; infrared distance measurement; navigation; fuzzy control; PC

2016-01-08

河南省自然科学基金项目(2015ZCB115)；南阳市科技公关项目(2013GG044)

张 丽(1979-)，女，河南南阳人，讲师，硕士。

李名莉(1987-)，女，河南南阳人，助教，硕士，(E-mail)mlli1987@qq.com。

TP242.6;S24

A

1003-188X(2017)04-0221-05