基于激光测距仪的温室机器人道路边缘检测与路径导航综述

基于激光测距仪的温室机器人道路边缘检测与路径导
航*
贾士伟1,2,3，李军民1，邱权2,3*，唐慧娟1
（1.西华大学机械工程与自动化学院，成都，610039；2.北京市农林科学院，北京，100097；3. 北京农业智
能装备技术研究中心，北京，100097）
摘要：针对温室内移动机器人的应用需求，该文提出了一种应用于温室内移动机器人自主行走的温室道路边缘检测与导航算法. 此方法利用激光测距仪获取当前视场内路面、作物及障碍物信息，根据温室路面平整度高于作物冠层外表面的特点,检测道路边缘并生成移动机器人下一采样控制周期的期望航向，然后根据机器人几何与物理模型推算左右驱动轮速度调整指令，使移动机器人保持沿道路行走而不进入作物区中。

该算法的有效性在温室移动机器人Walle平台上得到了验证，机器人偏离道路中心线的平均值为-1.2707cm，均方误差为2.6772。

关键词：移动机器人，激光测距仪，温室道路，边缘提取，导航
中国分类号：S24;TP242.6 文献标识码：A
0引言
温室能够克服四季气候影响、实现作物周年生产，是现代农业的高效生产形式[1]。

随着中国温室面积的快速扩大，农业劳动者对于温室内自动化生产设备的需求日益迫切。

与传统农业生产不同，温室生产作业环境比较狭窄，常规设备难以施展，因此人们开始关注适用于温室内狭窄作业环境的移动机器人技术。

导航是实现机器人在温室内自动化、自主化作业的基础技术。

根据机器人的行走路线特点，目前用于温室内的移动机器人导航方案大致可以划分为4类：用于轨道行走的、用于垄沟行走的、用于磁条/色带引导行走的和用于无明显引导标志的普通路面的。

用于轨道行走的方案对于自主导航算法的要求较低，机器人只要按照作业需求沿着固定轨道以一定速度前进或者后退即可，前进或后退的距离则由具体作业需要确定，如移动指定的距离或者移动到其他
1收稿日期：2015-3-12；修订日期：2015-6-07
基金项目：国家863计划课题“设施农业装备的数字化设计与智能控制技术”（2013AA102406）；国家自然科学基金项目《柔性障碍物富集环境中的三维自主导航研究》（61305105）；教育部春晖计划项目《四足机器人步态规划与稳定性控制研究》（z2012014）；
作者简介：贾士伟，男（汉族），河南柘城人，主要研究方向为移动机器人。

成都，西华大学机械工程与自动化学院610039。

Email: 1101164110@
通信作者：邱权，男（汉族），山东荣成人，副研究员，博士，主要研究方向为农业机器人系统、温室环境控制理论。

北京，北京市农林科学院，100097。

Email:qiuq@ 传感器视野内出现作业对象为止[2]。

类似的，用于垄沟行走的方案对导航算法要求也较低：机器人前后车轴按垄坡形状弯曲，从而将自身的运动限定在与垄沟平行的轴上，导航算法仅需给出前进后退指令[3]。

用于磁条或色带的方案则稍微复杂，机器人轮/轮轴并非固定在某一轴上，而是依靠磁力传感器或机器视觉感知磁条/色带位置，从而引导机器人对其进行跟踪[4]。

用于无明显引导标志的普通路面的方案，则主要依靠各种传感器信息的融合完成导航，常用的传感器包括激光测距仪、相机、陀螺仪、编码器等[5]。

在所有4类导航方案中，用于轨道、垄沟行走的方案要求道路具有特定的构型，用于磁条/色带引导行走的方案则要求道路上设有引导带，因此以上3类方法均存在一定局限性，难以引导温室机器人进行灵活的自主移动。

相比之下，用于无明显引导标志的普通路面的导航方案具有突出的环境适应性强的特点，受到了许多学者的关注。

通常该类方案的核心算法分为2部分：道路边缘提取和导航调速控制指令生成。

道路边缘提取是为了确定机器人的移动方向，确保机器人一直沿着道路行走，不偏离道路区域碾压作物；导航是通过对机器人左右驱动轮电机的速度调控实现的，根据方向偏差来调整左右轮的速度，从而确保机器人在发现有可能偏出道路区域时能够自动调整过来。

基于道路检测的机器人期望驱动方向生成方法有很多种，基于道路中心线的生成算法是其中较为常见的一种。

本文算法提取道路边缘后就主要根据道路中点信息生成下一步动作的期望驱动方向。

现有的道路识别方法大部分以机器视觉和激光测距作为探测手段。

机器视觉[6-8]方法通过图像处理手段发现路面与其他区域的色彩和亮度差异实现道路边界线的提取。

机器视觉方法的缺点是受光照条件影响较大。

激光测距方法对光照条件有较好的适应能力，且测量精度较高[9]。

现有的激光测距道路识别算法大多服务于车载三维激光测距数据处理[10-12]，对于计算处理设备的硬件条件要求较高。

本文针对温室内道路与作物区域表面平整度不同的特点，提出了一种基于2维激光测距仪数据的温室机器人道路边缘检测与导航算法。

该算法在Walle移动机器人上进行了试验验证。

1 Walle移动机器人平台
1. 激光测距仪
2. 显示器
3. 驱动电机
4. 前轮
5. 后轮1. Laser range finder 2. Monitor 3. Motor 4. Front wheel 5. Rear wheel
图1 Walle移动机器人
Fig.1 Walle mobile robot
Walle是国家农业智能装备工程技术研究中心独立开发的温室内移动机器人（图1）。

它装备有激光测距仪、电子罗盘、光电编码器等传感器。

机器人本体宽度为0.6m，四轮形式，其中两个前轮为驱动轮，分别装配一台400W伺服电机，两个后轮为万向轮。

本文算法使用激光测距仪作为机器人探测道路及其周围环境信息的主要工具，仪器型号为SICK公司生产的LMS-30206。

激光测距仪安装在Walle机器人前方正中位置，并具有一个约为12°的俯角，激光发射点距离地面高度约为21cm。

激光测距仪的测距量程设为8.183m。

其角度扫描范围设为180°，角度分辨率设为0.5°，每组数据包含361个测距值。

2 道路边缘提取与导航算法
2.1 道路边缘提取
2.1.1环境数据特点分析
当道路两旁种有作物时，如果让处于道路上的机器人利用激光测距仪扫描道路及其周边的环境，则会呈现这样的特点：扫描到道路上的激光测距值的波动性很小，而扫描到作物区的激光测距值的波动性则会很大。

这是因为道路是相对平坦的，而作物区表面则是明显凸凹不平的。

为了突出单次扫描数据中包含的非地面信息，本文采用了类似于图像处理中的背景去除的方法。

假设背景扫描数据为A、待去除背景的扫描数据为B，去除背景后的扫描数据为C，则有
C A B
=-(1) 式中，A为机器人在无障碍物的理想水平地面上获取的数据。

由于理想水平地面是很难找到的，我们将机器人放置在空旷的大理石地板上，保证激光测距仪量程内没有除大理石地板外的其他物体。

如此采集的一组单次扫描数据如图2所示。

其中横坐标为测距值的序号，纵坐标为距离值，起始序号为激光测距仪右手边与其朝向垂直的角度（定义为0°）。

在图中序号居中的位置应为机器人正面朝向对应的测距值。

通过分析图2数据可看出，测距值从机器人正前方开始向两侧逐渐平滑增大，直到达到满量程。

这是由于激光测距仪具有一定的高度和一定的俯角，所有扫描点实际上都属于地板上一条垂直于机器人正面朝向的直线。

测距值在垂足上达到最小，从垂足向直线两侧延伸，测距值逐步平滑增大。

图3(a)中是一组在温室中采集的道路环境扫描数据，采集时机器人正面朝向基本与道路延伸方向平行，道路两侧区域则种植有作物。

分析图3(a)中数据可看出，机器人正面朝向附近的数据是道路数据，波动较小且变化平缓，而两侧作物区域数据则有明显
的剧烈波动。

数据表现的特点与实际的环境物理特点，即道路表面较为平缓、作物表面凹凸不平，是完全对应的。

图2 背景扫描数据A Fig.2 Background scan A
(a)
(b)
图3 (a)激光扫描两侧有植被的道路环境数据
B ;(b)B 去除背景A 后的数据C
Fig.3 (a) Typical scan B for a corridor with plants on
both sides; (b) result scan C of A - B
图3(b)是图3(a)去除图2后获得的结果C 。

从图3(b)中可以看出，作物区域的测距波动被明显的放大，更加有利于道路边缘的提取。

2.1.2 道路边缘提取
以扫描数据C 为处理对象进行道路边缘提取。

提取主要包括2个步骤：1）将整个半圆形的扫描扇区均匀划分为若干个小的扇区，计算各个扇区中的测距数据方差，并认为方差最小的小扇区必定对应道路区域，将其称为“侯选扇区”；2）由于划分小扇区是人为固定划分的，无法保证侯选扇区包含了全部道路区域，所以要对侯选扇区两端进行扩展搜索，直到发现道路区域的边界。

假设侯选扇区的激光束序号段为0
[,]m n ，其中0
m 为起始序号，0
n 为终止序号，序号n 对应的测距值为()r n ，则扩展搜
索的伪码如下：
()000//for the start point extention for(;0;){
if (abs ()(1));
else {
break;}}
//for the stop point extention for(;361;){
if (abs (thre n m n n r n r n r m n n n n n r δδδδ=>-- --≤ {
' = } =<++ ()0)(1));
else {
break;}}
thre n r n r n n δδ-+≤ {
' = } (2)
式中：0
m '和0
n '分别为扩展搜索获得的道路
右侧和左侧（左右均相对于机器人正面方向）边缘，thre
r δ为预先设定的地面测距值波动阀值，()r n δ的计算方法为
()()abs ()(1)r n r n r n δ=--
(3)
另外，扇区划分的数量对边缘提取结果会产生一定的影响。

扇区数量过多，则计算量增大；扇区数量过少，则容易引入作物区域。

在本文中，选择划分24个扇区。

运用上述方法，以图3（b ）中数据为处理对象，获得0
m '和0
n '分别为133、202。

2.1.3 伪道路部分的剔除
()
000
0000000000while(){;
cos (180)*0.5 if ()if (180){
1;refresh and ;}
if (180){
1n m W
W M m n W M n n M m n M m m ''>' =-''' ≥ {
> '' =-'' < '' =+00000000;refresh and ;}
if (180){
1;1;refresh and ;}}else break;}
M m n M n n m m M m n '' == '' =-'' =+'' {
} (4)
温室内环境复杂，并非所有情况下道路区域和非道路区域都有着明显的分界线，典型情况如图4所示。

图4是连栋温室内某处
道路的细节图。

土壤区域表面平缓且与道路边缘相接，因而在扩展搜索中易被误认为道路。

为了解决这一问题，算法中提出了伪道路剔除策略。

该策略借助基准道路宽度来监督扩展搜索过程，避免将伪道路区域扩展吸收进来。

获取基准道路宽度的方法为：将机器人置于道路正中且正对道路延伸方向，进行一次道路边缘提取，计算2个边缘点间的连接线段长度，该长度即为基准路宽0
W 。

假设2.1.2中的道路边缘提取结果0
m '和0
n '连接
的线段中包含伪道路区域，且该线段中点所对应的激光束角度为M ，则伪道路区域剔除策略的伪码如式（4）中所示。

注：红圈中为土壤区域
Note: the area in the red circle is soil area
图4 伪道路情况 Fig.4 Psedu corridor
2.2 导航调速控制指令生成
生成导航调速控制指令时，必须了解速度调整对机器人运动方向的影响方式，即速度变化与转向变化之间的关系。

Walle 配有左右2个驱动轮，且均为前轮，2个后轮为万向轮。

Walle 采用差速转向方式，以向右转向为例，其转向状态示意图如图5。

图5中实线轮廓表示机器人转弯前的位姿，虚线轮廓表示机器人转弯后的位姿，D 为两驱动轮间距，l 为转向过程中左轮比右轮多走的弧线长度，θ∆为右转角度。

从图5中几何关系容易得到
π180
D θ
(5)
假设转向时速度调整瞬间完成，且左右轮速
度差为v ∆
、速度控制采样周期为t ，则l 还可以表示为
l v t =∆ (6)
由式（5）、（6 π180D
t
θ∆ (7)
若令
180D
t
π (8)
则式（7）可以表示为
v k θ∆=∆ (9)
式（9）即速度变化与转向变化间的关系式，k 是转换比例系数。

式（9）可用于在期望转向角度已知的条件下求解调速指令。

注：实线轮廓为转弯前位姿，虚线轮廓为转弯后位姿 Note: the part of solid line is Walle ’s gesture before turning and the part of dash line is Walle ’s gesture after turning
图5 Walle 的转向状态示意图 Fig.5 Schematic diagram for Walle ’s turning
在具体生成调速控制指令时，为了计算简便，本文采取了机器人跟踪道路中心的方式。

假设道路中心位置对应的扫描数据激光束序号为M ，其计算方法为
2
n m
M -=
(10)
机器人朝向角度必然对应激光扫描数据的中间序号，如果初始序号为0，则机器人朝向角度对应的激光束序号为180，于是期望转向角度∆(º)为
)0
0.51800.52n m -⎛
⎫=- ⎪⎝⎭
(11) 式中：0.5为激光测距仪角度分辨率。

由式（9）、式（11）可获得道路边缘激光束序号与速度变化间的关系，即
1800.52n m k -⎛
⎫- ⎪⎝⎭
(12)
v ∆可用于计算左右两轮的调速指令。

假设
左右两轮的原有速度均为0
v ，则期望速度l
v
（左驱动轮线速度）和r
v （右驱动轮线速度）
为
1
2v ∆
(13) 1
2
v ∆ (14)
完整的导航调速控制框图如图6所示。

图6 Walle 导航调速控制框图 Fig.6 Speed control flow of Walle
3试验
为了试验算法的有效性，以Walle 移动机器人为载体，在北京农科大厦走廊、北京市农林科学院院内绿化区弯道、北京市农林科学院连栋温室道路三种不同环境条件下进行了实际验证。

试验中，Walle 以约0.5m/s 的低速行进。

3.1 走廊环境试验
机器人的车体宽度为0.6m ，走廊的宽度为1.90m 。

图7展示了机器人在走廊中行走的情况。

走廊的两边有墙、门，门凹进墙面，且部分门为打开状态。

首先进行了定性试验，直观的观测算法导航效果。

如图7(a)所示，Walle 机器人的尾部中心位置安放一个滴墨水的画线装置，机器人在行走时可以画出其行走轨迹，其轨迹如图7(b)中的红色墨迹线所示。

图8(b)中的蓝色虚线代表走廊道路的中心线。

实验中，移动机器人始终在走廊的中心线附近行走，没有撞向墙壁，导航效果较好。

(a)
(b)
图7 （a）Walle在走廊中导航行走；（b）Walle
的行走轨迹
Fig.7 (a) Walle walking in indoor corridor; (b) Trace
made by walking robot
然后我们进行了定量试验，采用数据分析的方式证明算法具有较好的导航效果。

试验方案为：机器人在走廊内一段没有门的区域行走，利用激光测距仪数据计算每次扫描时刻机器人到两侧墙壁的距离。

走廊上的激光扫描数据如图8所示。

图8激光雷达在走廊上的扫描情况
Fig.8 Typical laser scan for indoor corridor
以激光测距仪的光源点为坐标原点，以激光扫描平面为坐标平面建立坐标系，然后利用拐点提取的方法识别两侧墙壁并计算原点到左右墙壁的距离
l
S和
r
S。

设机器人中心位置距离道路中心线的距离为S，则有
1
abs()
2l r
S S S
=-(15) 每隔2s扫描一次并计算S，整个试验过程共扫描超过130次，S的变化情况如图9所示。

经过统计得出，S的平均值为-1.2707cm，均方误差为2.6772，超调较小，说明机器人的导航控制达到了较好的效果。

图9 机器人中心距走廊中心距离值变化情况
Fig.9Changing situation of the distance from
Walle’s center to corridor’s center
3.2 弯道环境试验
由于算法的导航期望角度是通过单次扫描提取道路边缘计算的，算法本身并不关心道路两侧边缘是否组成平行线。

因此从理
论上来讲，本文算法同样能够用于在弯曲道路上的导航。

为了验证这一点，在如图10所示的弯曲道路上进行了试验，道路宽度为1米，两侧为植被，道路的中心线是一条曲线。

图10中的蓝色虚线示意性的标出了道路中心线。

经过试验，机器人成功地完成了在此弯道上的自主导航行走任务。

图10弯道试验环境
Fig.10 Experimental environment of curve routine 3.3 温室环境试验
算法的最终目的是实现机器人在温室道路上的自主行走。

温室道路及其周围环境如图11所示，温室道路宽度为0.8m。

图12 温室道路及其周围环境
Fig.12 Experimental environment of greenhouse
corridor
本文选取了连栋温室内的道路进行导航试验。

虽然温室道路比较窄，但依靠新的道路边缘提取导航算法，机器人同样可以实现自主行走。

4 结论
本文提出了一种基于激光测距仪的温室移动机器人道路边缘检测和导航算法，利用道路区域与作物区域的表面平整度差异实现道路边缘检测，利用基准道路宽度帮助剔除伪道路区域，进而生成导航调速控制指令。

依靠Walle温室移动机器人试验平台，新算法的有效性在走廊、弯道、温室道路等多种环境下得到了实验验证，在走廊环境中机器人偏离道路中心线的平均值为-1.2707cm，均方误差为2.6772。

然而，该算法仅能处理温室道路相对平坦的情形，因此更加适合用于连栋温室内具有硬化路面的主干道自主导航行走或搬运，对于温室道路两侧有平缓坡度以及有凹凸不平障碍物的情况适应能力较差。

在下一步工作中，将引入三维激光测距的方法，争取解决道路两侧有平缓坡度或者道路中有凹凸不平障碍物情况下的导航问题，研究复杂温室道路条件下的三维导航算法，为温室自主搬运机器人、温室作物生长状态自主巡查机器人提供移动平台支撑。

[参考文献]
[1]张卫东.我国温室发展的现状及发展建议[J].
科技信息,2013(10):439-439.
Zhang Weidong. The development situation of
Chin a’s greenhouse and suggestions for
greenhouse developing[J]. Science &
Technology Information, 2013(10):439. (in
Chinese)
[2]王丽丽,郭艳玲,王迪,等.果蔬采摘机器人研
究综述[J]. 林业机械与木工设备,
2009,37(1):10,11,14.
Wang Lili, Guo Yanling, Wang Di, et al.
Overview of study on fruit picking robots[J].
Forestry Machinery & Woodworking Equipment,
2009, 37(1):10,11,14. (in Chinese with English
abstract)
[3]近藤直,門田充司,野口伸. 农业机器人（Ⅱ）：
机构与实例[M]. 乔军, 陈兵旗译.北京：中
国农业大学出版社，2009.
Naoshi Kondo, Mitsuji Monta, Noboru Noguchi.
Agricultural R obots [II]: mechanism and
Practice[M]. Translated by Qiao Jun, Chen
Bingqi. Beijing: China Agricultural University
Press, 2009. (in Chinese)
[4]沈明霞,姬长英.农业机器人视觉导航技术发
展与展望[J].农业机械学报, 2001,
32(1):109-111,117.
Shen Mingxia, Ji Changying. Development and
prospect of vision guidance of agricultural
robot[J]. Transactions of the Chinese Society of
Agricultural Machinery, 2001, 32(1):109-11,117.
(in Chinese with English abstract)
[5]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,(04):73-75.
Zhu Qunfeng, Huang Lei. Design of greenhouse
mobile robot movement control system[J].
Journal of Agricultural Mechanization Research,
2009, (04):73-75. (in Chinese with English
abstract)
[6]Joel C. McCall, Mohan M. Trivedi. Video based
lane estimation and tracking for driver
assistance: Survey, system, and evaluation[J].
IEEE Transactions on Intelligent Transportation
Systems, 2006, 7(l):20–37.
[7]李大杰,柴毅,尹宏鹏,徐术平.一种基于彩色图
像边缘检测的道路检测方法[J].计算机工程与
应用, 2008,44(28):177–183.
Li Dajie, Chai Yi, Yin Hongpeng, et al. Method
of road recognition based on color image edge
detection[J]. Computer Engineering and
Applications, 2008, 44(28):177–183. (in
Chinese with English abstract)
[8]顾洁宇,叶秀清,顾伟康.一种结构化道路的实
时监测算法[J].传感技术学报,
2005,18(3):514–518.
Gu Jieyu, Ye Xiuqing, Gu Weikang. A real-time
lane detection in structural road[J]. Chinese
Journal of Sensors and Actuators, 2005,
18(3):514-518. (in Chinese with English
abstract)
[9]杨青,阎勤劳,朱琳,等.农业机电一体化[M].
西安:陕西科学技术出版社, 2002.
[10]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.
Fang Lina, Yang Bisheng. Automated extracting
structural roads from mobile laser scanning
point clouds[J]. Acta Geodaetica et
Cartographica Sinca, 2013, 42(2):260-267. [11]于春和.基于激光雷达的道路边缘检测[J].电
子器件, 2008, 31(3):756–762.
Yu Chunhe. Road curbs detection based laser
radar[J]. Chinese Journal of Electron Devices,
2008, 31(3):756-762. (in Chinese with English
abstract)
[12]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.
Xiong Aiwu. Roads model reconstruction based
vehicle-borne laser point-cloud data[J].
Geomatics World, 2013, 20(6):86-88. (in
Chinese with English abstract)
A new corridor edge detection and navigation algorithm for greenhouse mobile robots based on
laser scanner
Jia Shiwei1,2,3, Li Junmin1, Qiu Quan2,3*, Tang Huijuan1
(1. Mechanical Engineering and Automation College, XiHua U niversity, Chengdu, 610039, China.
2. Beijing Academy of Agriculture and Forestry Sciences, Beijing 100097, China;
3. Beijing Research Center of Intelligent Equipment for Agriculture, Beijing 100097, China)
Abstract: This paper proposes a new corridor edge detection and navigation algorithm based on laser scanner data for greenhouse mobile robots. The type of laser scanner is SICK LMS-30206, which can give up to 361 distance values in a single scan. All the values will queue in an angle-ascending order, with 0 degrees as the start and 180 degrees as the stop. For the corridor edge detection task, the algorithm will intensify the fluctuating features of the range values in the same scan by background removing. Then the modified scan will be divided into 24 equal subsectors. The range value mean square error of each subsector will be computed and compared. The subsector with the maximum range value mean square error will be taken as the corridor candidate. And bi-direction expending search will be launched for the corridor candidate. The expending search will stop at the point whose adjacent range value difference is larger than a predefined threshold. When the search stops, the
corresponding laser beam serial numbers of the corridor edges will be found. As other objects may be mistaken as corridor when they locate in the neighborhood area of corridor and share similar range values with corridor scan points, a pseudo-corridor removing strategy is also presented. With the help of a benchmark corridor width, the pseudo-corridor scan points can be removed. The corridor edges can be used to generate speed control orders for the mobile robot. A new developed front wheel drive mobile robot called Walle is employed as the experimental platform. Walle has four wheels. The two front wheels are equipped with servo motors. The two gear wheels are universal. It can change its heading direction in a differential walking mode. In the navigation process, the center of the scan line on the corridor is chosen as the navigation goal for each speed control sample period, and the speed differential between the two driving wheels is the main control parameters. By analyzing the geometrical and kinematical relationships, a transfer function between the expected steering error and the speed differential can be built. Then the speed differential can be induced from corridor edge information with the help of the transfer function. Finally, speed altering control orders can be generated according to the speed differential. Here the new algorithm chooses to speed up one wheel and slow down the other for obtaining the expected speed differential. Experiments are conduction on Walle under different environmental conditions, including indoor corridor, outdoor curve routine, and inner-greenhouse corridor. The robot can navigate itself in the indoor corridor scene with a mean horizontal error of 1.2707 centimeters and a mean square horizontal error of 2.6772 when following the corridor center line. Also, Walle can navigate itself on outdoor curve routine and inner-greenhouse corridor successfully. Because Walle lacks of the self-localization sensors on board, the real-time position values can’t be obtained and recorded for the outdoor curve routine and inner-greenhouse corridor cases. Two website addresses of the experimental videos are given as remedial measure. The feasibility of the new algorithm is verified through the above mentioned experiments.
Key words: mobile robot, laser scanner, greenhouse corridor, edge detection, navigation。