本發(fā)明涉及機器人巡檢控制領域，具體地說是一種巡檢機器人多傳感器系統(tǒng)及巡檢方法。

背景技術：

巡檢機器人沿架空地線或輸電導線運動，安裝在其上的防振錘、線夾、壓接管、間隔棒等都是機器人在巡檢過程中必須跨越的障礙物。因此巡檢機器人在線路上運行時，需要對前方的線路環(huán)境進行檢測，特別是需要對前方線路上存在的障礙物進行具體分析，確定其形狀、尺寸和在線路上的位姿，從而指導機器人穩(wěn)定趨近并跨越這些障礙物。巡檢機器人主要通過傳感器感知外部環(huán)境信息實現(xiàn)對線路環(huán)境的理解。

目前，李強基于GPS和線路先驗知識，提供了線路環(huán)境的全局信息,但是由于GPS精度低和先驗知識的不準確，使得機器人對障礙物的定位精度低，同時不能檢測到線路環(huán)境的未知障礙物[李強.基于GPS技術光纜定位巡線系統(tǒng)設計.蘭州交通大學學報(自然科學版)，2007,26(3)：116-118.]；黃瀟嶸等人基于激光傳感器解決了局部環(huán)境的障礙物定位問題，但不能在全局或較大范圍內(nèi)實現(xiàn)障礙物的定位與識別[黃瀟嶸，阮毅，李正，湯燕燕.500kV超高壓架空輸電線路巡線機器人的空間巡線方法研究[J].機床與液壓，2011，39(11)：36-39.]；胡彩石等人基于可見光視覺提供了較多的環(huán)境信息，但是所采取的算法一般數(shù)據(jù)量大、運算復雜，難以保證實時性[胡彩石，吳功平，曹晰等.高壓輸電線路巡線機器人障礙視覺檢測識別研究.傳感技術學報，2008，21(12):2092-2096.]。采取單一傳感器很難獲取線路全面、準確的環(huán)境信息，多傳感器融合技術對于提高巡檢機器人障礙物定位與識別能力有著十分重要的作用。

技術實現(xiàn)要素：

針對現(xiàn)有技術的不足，本發(fā)明提供一種巡檢機器人多傳感器系統(tǒng)及巡檢方 法，增強了巡檢機器人在復雜、動態(tài)、不確定線路環(huán)境中的自主決策能力，可以實現(xiàn)機器人越障過程中的障礙物的可靠定位與識別、質(zhì)心調(diào)整和自主抓線。

本發(fā)明為實現(xiàn)上述目的所采用的技術方案是：

一種巡檢機器人多傳感器系統(tǒng)，包括傳感器系統(tǒng)采集巡檢機器人當前狀態(tài)以及外部環(huán)境信息，并發(fā)送到地面基站；地面基站接收到傳感器系統(tǒng)發(fā)送的巡檢機器人當前狀態(tài)以及外部環(huán)境信息后，向巡檢機器人發(fā)送控制命令。

所述傳感器系統(tǒng)包括內(nèi)部傳感器和外部傳感器；

內(nèi)部傳感器包括：編碼器、電流傳感器、溫度傳感器、限位傳感器、傾角傳感器和電池電量傳感器；

外部傳感器包括視覺傳感器和接觸傳感器。

所述編碼器設置于行走輪的驅(qū)動電機軸，實時檢測電機的轉(zhuǎn)速；

所述電流傳感器、溫度傳感器、傾角傳感器和電池電量傳感器設置于巡檢機器人的控制箱內(nèi)部；

所述限位傳感器設置于各個關節(jié)的電機處，用于反饋機器人各關節(jié)的狀態(tài)；

所述視覺傳感器包括針孔攝像機和高速球攝像機；

其中，在每個機械臂的頂端設置俯視角度的針孔攝像機和機械臂的下端仰視角度的針孔攝像機以觀測機械臂爪落線情況；

高速球攝像機設置于巡檢機器人控制箱體的前端，其內(nèi)部設置寬動態(tài)攝像機；

所述接觸傳感器包括接觸障礙物傳感器和接觸位置傳感器；

其中，接觸障礙物傳感器設置于行走輪的前端，在行走遇到障礙時觸發(fā)，幫助巡檢機器人對前方障礙物進行定位；

接觸位置傳感器包括前后臂伸縮方向移動的接觸位置傳感器和前后臂水平方向移動的接觸位置傳感器，其中傳感器部分安裝在手臂上隨手臂運動，接觸部分安裝在機器人框架上，當手臂運動到設定位置時發(fā)生接觸以限位保護作用。

一種巡檢機器人多傳感器巡檢方法，包括以下步驟：

步驟1：巡檢機器人無障礙行駛時，將高速球攝像機拍攝的圖像進行二值化，對二值化的圖像通過可疑窗口規(guī)則來判斷有無障礙物；

步驟2：當有障礙物趨近時，對高速球攝像機視覺圖像障礙物特征提取，提取障礙物的中心特征點，根據(jù)單目測距算法判斷出障礙物距離機器人的距離；

步驟3：巡檢機器人進入低速近距離行駛，通過異源信息融合的方法定位障礙物；

步驟4：利用障礙物趨近時測得的障礙物特征，結合針孔攝像機拍攝圖像障礙物邊緣的小波不變矩特征，并基于模糊識別的障礙物分類算法對障礙物進行識別。

所述異源信息融合的方法為：接觸障礙物傳感器識別機器人與線路障礙物之間的碰撞；編碼器實時檢測電機的轉(zhuǎn)速；電機電流傳感器檢測行走驅(qū)動輪的驅(qū)動電流；

當機器人前方行走輪接觸到障礙物后，前輪的接觸障礙物傳感器首先觸發(fā)，隨后由于行走輪受到阻力，電機電流增大且電機轉(zhuǎn)速減慢；

令A_i為接觸障礙物傳感器首次觸發(fā)后連續(xù)i次檢測的綜合輸出值，即

A_i＝A(1)·A(2)·...·A(i)

其中：

令B_i為A_i觸發(fā)后連續(xù)i次檢測編碼器的綜合輸出值，即

B_i＝B(1)·B(2)·...·B(i)

其中：v(i)為第i次檢測時電機轉(zhuǎn)速；

令C(i)為A_i觸發(fā)后連續(xù)i次檢測電流傳感器的平均輸出值，即:

C(i)＝[C_i(1)+C_i(2)+...+C_i(n)]/n

其中C_i(n)表示第n次檢測電流傳感器輸出值，則電流傳感器綜合輸出狀態(tài)值C_i表示為：

融合公式為：X_i＝A_i·B_i·C_i

其中X_i為檢測狀態(tài)值，當X_i＝ture時，判斷障礙物與機器人行走輪完全接觸。

所述模糊識別的障礙物分類算法包括以下步驟：

步驟1：建立障礙物特征的模糊集，并構造障礙物特征的隸屬函數(shù)；

步驟2：依據(jù)模糊特征，建立待識別障礙物的特征矩陣；

步驟3：根據(jù)特征矩陣構造隸屬度矩陣和權值矩陣；

步驟4：計算決策矩陣；

步驟5：根據(jù)最大隸屬度原則從決策矩陣中識別被識別障礙物的類別。

所述障礙物特征包括相對高度H、物理寬度W、長寬比C、圖像占空比P和手臂仰視攝像機的小波不變矩特征；

相對高度H為：

其中，X(_Lup,Rleft)、X_(Lup,Rright)、X_{(Lup,Rmiddle)}為單目測距時點(Lup,Rleft)、(Lup,Rright)和(Lup,Rmiddle)在世界坐標系中的X_W軸坐標，H為多幀圖像測得值H_i的均值，即相對高度；

物理寬度W為：

W_i＝Y(_Lup,Rright)-Y(_Lup,Rleft)

其中，Y_(Lup,Rright)、Y_(Lup,Rleft)為單目測距時點(Lup,Rleft)、(Lup,Rright)在世界坐標系中的Y_W軸坐標，W為多幀圖像測得值W_i的均值，即物理寬度；

長寬比C為：

圖像占空比P為：

其中，Rleft為窗口左列，Rright為窗口右列，Ldown為窗口底行，Lup為窗口頂行。

所述隸屬函數(shù)包括相對高度特征隸屬函數(shù)、物理寬度特征隸屬函數(shù)、長寬比特征隸屬函數(shù)、占空比特征隸屬函數(shù)和小波不變矩特征隸屬函數(shù)；

其中，相對高度特征隸屬函數(shù)、占空比特征隸屬函數(shù)和小波不變矩特征隸屬函數(shù)為正態(tài)分布隸屬函數(shù)；

物理寬度特征隸屬函數(shù)和長寬比特征隸屬函數(shù)為梯形隸屬函數(shù)。

所述待識別障礙物的特征矩陣為：

其中，U為待識別障礙物的特征矩陣，m為特征參數(shù)數(shù)目，n為待識別障礙物數(shù)目，i為第i個特征參數(shù)，j為第j個待識別的障礙物。

所述隸屬度矩陣為：

其中，m為模糊特征參數(shù)個數(shù)，r為識別類中的元素個數(shù)，s_ij表示第i個特征值對第j個識別類元素的隸屬度；

權值矩陣為：

其中，m為模糊特征參數(shù)個數(shù)，r為識別類中的元素個數(shù)，a_ij表示第i個特征值對第j個識別類元素的重要程度，

所述決策矩陣為：

其中，m為模糊特征參數(shù)個數(shù)，r為識別類中的元素個數(shù)，rⁱ_j表示第j待識別障礙物屬于第i個識別類元素的隸屬度。

所述最大隸屬度原則為：

對于第j待識別障礙物x_j，r_ij表示x_j關于C_i類的隸屬度，如果：

則判x_j∈C_k，即待判別障礙物x_j屬于C_k類。

本發(fā)明具有以下有益效果及優(yōu)點：

1.本發(fā)明綜合協(xié)調(diào)運用巡檢機器人多種傳感器裝置提供的信息，增強了巡檢機器人在復雜、動態(tài)、不確定線路環(huán)境中的自主決策能力。

2.本發(fā)明的多傳感器系統(tǒng)保證了巡檢機器人對周圍環(huán)境的感知范圍、精度和實時性的要求。

3.本發(fā)明的多傳感器系統(tǒng)為機器人能夠穩(wěn)定趨近和可靠定位障礙物、準確識別障礙物提供了保證。

4.本發(fā)明的多傳感器系統(tǒng)為巡檢機器人越障過程中的自主抓線和動態(tài)質(zhì)心調(diào)整提供了保證。

附圖說明

圖1為本發(fā)明的結構三維模型圖；其中1為俯視的針孔攝像機，2為接觸障礙物傳感器，3為仰視的針孔攝像機，4為前臂伸縮方向移動的接觸位置傳感器，5為前臂水平方向移動的接觸位置傳感器，6為高速球攝像機，7為控制箱。

圖2為本發(fā)明的多傳感器數(shù)據(jù)處理流程圖。

圖3為本發(fā)明的機器人到障礙物的距離變化情況圖。

圖4為本發(fā)明的試驗中機器人傾角的開環(huán)和閉環(huán)響應圖。

圖5為本發(fā)明的偏角、偏距、線寬和機器人傾角隨控制節(jié)拍的變化情況圖。

具體實施方式

下面結合附圖及實施例對本發(fā)明做進一步的詳細說明。

巡檢機器人多傳感器系統(tǒng)由反饋機器人狀態(tài)的內(nèi)部傳感器(編碼器、電流傳感器、溫度傳感器、限位傳感器、傾角傳感器、電池電量傳感器等)和感知環(huán)境的外部傳感器(視覺傳感器和接觸傳感器)組成。編碼器、電流傳感器、溫度傳感器、限位傳感器安裝于各關節(jié)電機處反饋機器人各關節(jié)的狀態(tài)；傾角傳感器反饋機器人整體的傾斜角度；電池電量傳感器用來檢測并估計機器人電池剩余電量；接觸傳感器由安裝于行走輪兩端的碰撞開關組成；視覺傳感器包括安裝于機器人前端的云臺攝像機和兩個手臂下的針孔攝像機。云臺攝像機、針孔攝像機和接觸傳感器結合完成機器人前方環(huán)境的定位與識別。

機器人多傳感器集成即指綜合協(xié)調(diào)運用多傳感器裝置提供的信息，以協(xié)助 機器人完成任務，增強機器人在復雜、動態(tài)、不確定環(huán)境中的自主決策能力。巡檢機器人障礙物的定位與識別功能的實現(xiàn)，主要由三個過程：第一是控制機器人平穩(wěn)地趨近障礙物存在區(qū)域；第二是精確定位障礙物；第三是根據(jù)障礙物特征對其進行識別。根據(jù)機器人決策和控制對環(huán)境感知的要求，這三個階段機器人環(huán)境感知有不同的感知范圍、精度和實時性要求。第一個階段要求感知范圍廣、實時性好；第二個階段要求精度高、實時性好；第三個階段要求識別精度高，而實時性可以稍差。

針對巡檢機器人障礙物定位與識別時傳感器感知范圍、精度和實時性的要求，設計多傳感器系統(tǒng)結構如圖2所示。目標任務規(guī)劃層根據(jù)環(huán)境和機器人狀態(tài)規(guī)劃機器人當前目標任務，目標任務主要有無障礙物行駛、有障礙物趨近行駛、近距離定位障礙物和障礙物識別；傳感器協(xié)調(diào)管理器根據(jù)目標任務協(xié)調(diào)傳感器信息；傳感器數(shù)據(jù)處理與融合層負責當前傳感器信息的采集、預處理、融合以及異步信息在各子系統(tǒng)間的傳遞；環(huán)境描述負責對傳感器融合的結果轉(zhuǎn)換為環(huán)境參數(shù)傳遞給機器人目標規(guī)劃層，環(huán)境參數(shù)表示為E(o,d,s)，即障礙物的類型、距離和尺寸。這種傳感器集成結構既保證了機器人行走效率，同時提高了障礙識別的可靠性。當機器人運行在高速時，通過對前端攝像機拍攝的圖像進行灰度分割，提取可能存在障礙物的區(qū)域(障礙物可疑區(qū)域即可能出現(xiàn)障礙物的區(qū)域外包輪廓)，如果當前視野中不存在障礙物可疑區(qū)域則保持機器人無障礙物行駛任務，否則機器人進入有障礙物趨近行駛任務；在有障礙物趨近行駛任務下，機器人利用云臺攝像機單目視覺測距方法測量障礙區(qū)域到機器人的距離，并根據(jù)距離控制機器人的行走速度使其穩(wěn)定趨近障礙區(qū)域，當兩者距離到達一定值時觸發(fā)機器人低速近距離障礙物定位任務并對當前障礙區(qū)域進行特征 提取(相對高度、物理寬度、長寬比、圖像占空比)；在低速近距離障礙物定位任務下，機器人利用編碼器、電流傳感器和接觸傳感器的信息準確定位障礙物；接觸傳感器觸發(fā)后，障礙物將處于前手臂下方針孔攝像機視野中，根據(jù)針孔攝像機所拍攝圖像的小波不變矩特征，對當前障礙物進行識別，并將識別結果和減速行駛模式下的識別結果進行融合決策，從而識別出當前障礙物以確定下一步的越障策略。

針對雙臂巡檢機器人越障過程中的動態(tài)穩(wěn)定問題，分析了機器人越障過程中的動力學模型，以過渡時間最短為目標規(guī)劃機器人的關節(jié)運動軌跡。為了確認機器人是否水平，在機器人箱體位置安裝了傾角傳感器，實時反饋機器人傾角。根據(jù)機器人傾角設計了狀態(tài)反饋H_∞控制器，利用機器人傾角和關節(jié)位移實時調(diào)節(jié)各關節(jié)運動，通過控制調(diào)整機器人質(zhì)心位置實現(xiàn)機器人越障時的穩(wěn)定運動。針對一種雙臂巡檢機器人越障過程中脫線手臂的自主抓線問題，首先，基于輸電導線紋理特征和積分投影方法估計導線的位姿(偏距、偏角)。然后，基于輸電導線的位姿偏差設計自主抓線的仿人智能控制器，利用偏角、偏距和線寬的估計值并結合機器人的傾角信息對機器人進行自主抓線控制。

巡檢機器人由行走越障機構、質(zhì)心調(diào)整機構和控制箱體組成。機器人行走越障機構由兩個輪-爪-臂(復合手臂)組成，每個手臂分別有行走關節(jié)、腕關節(jié)、伸縮關節(jié)和旋轉(zhuǎn)關節(jié)。機器人質(zhì)心調(diào)節(jié)機構由雙臂導軌和控制箱導軌組成，分別由3個移動關節(jié)驅(qū)動，可以實現(xiàn)兩臂和控制箱沿導軌水平運動，如圖1所示。機器人控制系統(tǒng)包括移動機器人控制系統(tǒng)、地面基站控制系統(tǒng)以及數(shù)據(jù)傳輸系統(tǒng)。

圖1中，標號1和3為機器人前臂上的2個俯視和仰視的針孔攝像機，后臂的結構相同。4個針孔攝像機是為了觀察機器人在行走、越障和落線時的狀態(tài)而安裝的，通過地面基站可以控制4個針孔攝像機視頻信號的切換，可以對機器 人4個不同位置進行監(jiān)控，從而能夠了解到機器人在線上的狀態(tài)；標號2、4和5分別為機器人前臂上的接觸障礙物傳感器、前臂伸縮方向移動的接觸位置傳感器和前臂水平移動方向的接觸位置傳感器，后臂的結構相同。遇障傳感器安裝在機器人行走輪的前端，在行走遇到障礙時觸發(fā)，幫助巡檢機器人對前方障礙物進行精確的定位。伸縮和水平方向的接觸位置傳感器幫助巡檢機器人關節(jié)更精確的運動以及實現(xiàn)巡檢機器人越障過程中的動態(tài)質(zhì)心調(diào)節(jié)；標號6為高速球攝像機，主要的作用是對所需巡檢的線路進行拍攝，高速球攝像機的云臺可以水平360度，垂直180度方位轉(zhuǎn)動，高速球攝像機內(nèi)所裝的寬動態(tài)攝像機可以通過地面基站遙控放大、縮小和變焦，高速球攝像機在對障礙物的定位和識別上也起著關鍵的作用；標號7控制箱內(nèi)包含著電流傳感器、溫度傳感器、傾角傳感器和電池電量傳感器等；除圖1中標出的傳感器外，還包括用于監(jiān)測各關節(jié)精確行走位置的編碼器。

機器人在輸電線路上行走可分為五個階段：無障礙物行駛、有障礙物趨近行駛、近距離障礙物定位、障礙物識別和越障(包括質(zhì)心調(diào)整和自主抓線)，在不同階段使用不同的傳感器和算法，如圖2所示。各傳感器不同階段的應用如下：

機器人無障礙物行駛時，通過前端高速球攝像機拍攝的圖像進行灰度分割，提取可能存在障礙物的區(qū)域(障礙物可疑區(qū)域即可能出現(xiàn)障礙物的區(qū)域外包輪廓)，如果當前視野中不存在障礙物可疑區(qū)域則保持機器人無障礙物行駛任務，否則機器人進入有障礙物趨近行駛任務。

機器人有障礙物趨近行駛時，機器人對高速球攝像機視覺圖像進行中值濾波、提取導線邊界、擬合中心線、根據(jù)導線灰度特征二值化圖像、沿中心線提取窗口可疑系數(shù)、聚類分析找出可疑區(qū)域、可疑區(qū)域合并、擴展、收縮可準確提取障礙物區(qū)域在圖像中的位置。

巡檢機器人單目測距的目的是快速估計出障礙物的距離、位置等，避免機器人與障礙物發(fā)生碰撞。已知的線路目標有導線及各種金具，這些目標在圖像上表現(xiàn)為帶狀或固定形狀的區(qū)域，且導線目標都是由近到遠逐漸延伸，在圖像上表現(xiàn)為一個從上到下的帶狀區(qū)域。同時根據(jù)線路走勢不同，導線的傾斜方向也不相同但是大多都分布在圖像靠近中間的位置。線路目標的灰度和背景一般也具有明顯區(qū)別。輸電線路環(huán)境中的障礙物在巡檢機器人攝像機圖像中多表現(xiàn)為比輸電導線投影寬的塊狀區(qū)域。輸電導線表現(xiàn)為具有一定寬度的線，當沿導線的投影寬度突變時，表征障礙物的出現(xiàn)。障礙物可以用一個最小包圍矩形表征，選擇最小包圍矩形的四個頂點和靠近機器人側矩形邊與導線中心線的交點作為特征點。

對處理后的二值圖像，沿輸電線中心線尋找障礙物。首先，定義搜索窗口W大小。f(m,n)為窗口中的像素，(m,n)∈W。窗口中心沿輸電線搜索，定義窗口系數(shù)為窗口中物體像素所占比例，即：

搜索完成后，對所有搜索窗口系數(shù)進行統(tǒng)計，求其均值和方差：

其中，h為搜索窗口的總數(shù)。當方差小于設定閾值σ_閾時，即σ_k≤σ_閾，圖像不存在障礙物；當方差大于設定閾值時，σ_k＞σ_閾，以為閾值將搜索窗口分為可疑障礙窗口和導線窗口。實質(zhì)是在二值圖像中，沿輸電導線尋找寬度突變處作為障礙物起始位置。然后通過單目視覺原理測得機器人距離障礙物起始的距離。

在預設條件下進行試驗，測得機器人到障礙物的距離變化情況如圖3所示。 當兩者距離到達一定值時觸發(fā)機器人低速近距離障礙物定位任務并對當前障礙區(qū)域進行特征提取。

機器人低速近距離行駛時，障礙物的近距離定位采用接觸傳感器、編碼器和電機電流傳感器融合的方法，這三種傳感器數(shù)據(jù)采集和處理速度快，保證了實時性，而多傳感器的融合提高了定位的精度。接觸障礙物傳感器安裝在行走輪兩端，能夠識別機器人與線路障礙物之間的碰撞；編碼器安裝于行走輪的驅(qū)動電機軸上，實時檢測電機的轉(zhuǎn)速；電機電流傳感器檢測行走驅(qū)動輪的驅(qū)動電流。當機器人前方行走輪接觸到障礙物后，前輪外接觸傳感器首先觸發(fā)。隨后由于行走輪受到阻力，行走輪電機力矩增大，即電機電流增大且電機轉(zhuǎn)速減慢。

令A_i為接觸傳感器首次觸發(fā)后連續(xù)i次檢測的綜合輸出值，即

A_i＝A(1)·A(2)·...·A(i)

其中：

上述方法克服了由于機器人抖動而引起的誤檢，但是無法克服線路變形、凸點和接觸傳感器機械卡死等引起的誤檢?？紤]到機器人遇障時行走輪驅(qū)動電機電流和轉(zhuǎn)速的變化規(guī)律，可將這三種不同類型的傳感器數(shù)據(jù)融合準確定位障礙物。

令B_i為A_i觸發(fā)后連續(xù)i次檢測編碼器的綜合輸出值，即

B_i＝B(1)·B(2)·...·B(i)

其中：

v(i)為第i次檢測時電機轉(zhuǎn)速。

令C(i)為A_i觸發(fā)后連續(xù)i次檢測電流傳感器的平均輸出值，即:

C(i)＝[C_i(1)+C_i(2)+...+C_i(n)]/n

其中C_i(n)表示第n次檢測電流傳感器輸出值。則電流傳感器綜合輸出狀態(tài)值表示為C_i：

檢測狀態(tài)設為X_i，融合公式為：

X_i＝A_i·B_i·C_i

當X_i＝ture時，可判別為障礙物與機器人行走輪完全接觸。

機器人障礙物識別時，利用障礙物趨近階段高速球攝像機測得的障礙物特征，結合針孔攝像機所拍攝圖像的小波不變矩特征，并基于模糊識別的障礙物分類算法來識別障礙物，從而為機器人的下一步越障做準備。選擇以下特征作為障礙物分類特征：

相對高度H，即障礙物相對輸電導線的高度，根據(jù)障礙物在輸電導線上的安裝位置，防振錘處于導線下方，線夾處于導線中，而懸垂線夾的絕緣子處于導線上方。定義障礙物的相對高度為圖像區(qū)域特征點(Lup,Rleft)、(Lup,Rright)和(Lup,Rmiddle)到導線的平均高度。對于單幀圖像i中的障礙物相對高度H_i為：

其中，X_(Lup,Rleft)、X_(Lup,Rright)、X_{(Lup,Rmiddle)}為單目測距時點(Lup,Rleft)、(Lup,Rright)和(Lup,Rmiddle)在世界坐標系中的X_W軸坐標。

融合多幀圖像測得的障礙物相對高度，H為多幀圖像測得值H_i的均值：

物理寬度W是指障礙物在世界坐標系中的寬度，代表障礙物在坐標軸Y_W上的尺寸。用包圍矩形盒的寬度表示，則單幀圖像測得的障礙物物理寬度W_i為：

W_i＝Y(_Lup,Rright)-Y(_Lup,Rleft)

其中，Y_(Lup,Rright)、Y_(Lup,Rleft)為單目測距時點(Lup,Rleft)、(Lup,Rright)在世界坐標系中的Y_W軸坐標。

融合多幀圖像測得的障礙物物理寬度，W為多幀圖像測得值W_i的均值：

障礙物包圍矩形盒長寬比C反應了障礙物的形狀走勢，長寬比越大，表明障礙物水平截面約接近于長方形，反之則接近于扁長方形，當長寬比接近1時，說明障礙物截面接近于正方形。定義長寬比C為：

障礙物在圖像上投影區(qū)域的包圍矩形盒的長寬比C結合其在世界坐標系中的寬度W反應了障礙物世界坐標系中的水平截面尺寸。

障礙物圖像區(qū)域的占空比表征P的是障礙物在其包圍盒內(nèi)的飽和度，從一定程度上反應了障礙物的形狀特征。定義障礙物圖像占空比P為：

確立了各特征的隸屬函數(shù)，依據(jù)模糊特征隸屬函數(shù)構造被識別對象的特征矩陣、隸屬度矩陣和權值矩陣，并實現(xiàn)識別對象的特征集到?jīng)Q策集的轉(zhuǎn)換，即計算得到?jīng)Q策矩陣，最后應用模糊綜合決策從決策矩陣中識別被識別障礙物的類別。

機器人越障時，動態(tài)質(zhì)心調(diào)節(jié)過程中，利用傾角傳感器建立機器人的單臂掛線模型，并利用水平位置接觸傳感器設計H_∞最優(yōu)狀態(tài)反饋控制器u＝W(X)^-1x。在預設條件下進行實驗，測得機器人傾角的開環(huán)和閉環(huán)響應曲線如圖4。實驗結果說明結合算法現(xiàn)有傳感器可以保證質(zhì)心調(diào)節(jié)過程中的動態(tài)穩(wěn)定；機器人抓線過程中，利用手臂上的針孔攝像機拍攝圖像，對原始圖像依次進行邊緣圖像提 取、濾波、形態(tài)學處理、提取骨架和積分投影估計導線的位姿，然后設計仿人智能控制算法，結合編碼器完成機器人的自主抓線，如圖5所示。