小型飞行机器人三维环境映射及自定位的超声波传感器安装

可在www.sciencedirect.com上在线ScienceDirect电气系统与信息技术学报4（2017）289安装可移动超声波测距传感器的小型飞行机器人的三维环境映射和自位置估计Kazuya Nakajima，Chinthaka Premachandra， KiyotakaKato部东京理科大学研究生院工学研究科电气工程系，地址：日本东京都葛饰区新宿6-3-1，邮编接收日期：2015年10月13日;接受日期：2017年2017年1月26日在线发布摘要超声波传感器的重量轻，使他们有用的移动机器人收集环境信息超声波传感器通常用于表面移动机器人中的圆形结构，但这不适合小型飞行机器人，因为小型飞行机器人需要小尺寸和轻重量。在这里，我们创造了一个可移动的超声波范围传感器，结合一个小，重量轻，和单个超声波测距传感器。该传感器可以360度测量物体与机器人之间的距离此外，我们还构建了一个测量系统，通过配备一个小型的飞行机器人与此可移动的超声波范围传感器和地面超声波范围传感器的高度测量。通过飞行试验对系统进行了验证，实现了实时的三维环境映射和自定位© 2017 电 子 研 究 所 （ ERI ） 。 Elsevier B. V. 制 作 和 托 管 这 是 CC BY-NC-ND 许 可 证 下 的 开 放 获 取 文 章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。关键词：移动式超声波测距传感器;三维环境测绘;自定位;小型飞行机器人1. 介绍探测周围物体的传感器对于飞行机器人的自主飞行至关重要。图像传感器、激光测距仪和超声波传感器是这样的传感器的示例。已经对通过图像传感器的图像处理和通过激光测距仪的环境理解进行了广泛的研究（Daisuke和Satoru，2010; Fei等人，2013; Schmid等人，2013; Bastian等人，2008; Chunrong等人， 2009），并且最近已经使用距离图像传感器执行了先进的对象识别（Salado等人，2010;John等人，2011;Ganganath和Leung，2012）。虽然这些传感器具有高精度，但它们也具有大、重和昂贵的缺点。此外，由于处理的数据量，图像处理往往很慢相比之下，小型廉价的超声波传感器通讯作者：芝浦工业大学大学院工学研究科电子工学系，东京都江东区丰洲3-7-5，邮编135-8548。传真：+81 3 5859 8308。电子邮件地址：nakajima@ee.kagu.tus.ac.jp（K. Nakajima），cpremachandra@yahoo.co.jp，chintaka@sic.shibaura-it.ac.jp（C.Premachandra）。电子研究所（ERI）负责同行评审。http://dx.doi.org/10.1016/j.jesit.2017.01.0072314-7172/© 2017电子研究所（ERI）。Elsevier B. V.制作和托管这是CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。290K. Nakajima等人/Journal of Electrical Systems and Information Technology 4（2017）289Fig. 1.系统配置。具有低处理负荷的处理器是常见的，尽管它们具有较低的精度。因此，超声波传感器适用于需要轻质部件的小型飞行机器人。当用于表面移动机器人时，多个超声波传感器通常以圆形形式部署（Ho等人，2007;Toledo等人，2000），需要许多超声波传感器来覆盖机器人的整个周围环境，从而使其更大更重。此外，为了提高相对于物体的位置精度，需要增加超声波传感器的数量，但是相邻的超声波传感器之间的串扰成为限制因素。总之，这表明超声波传感器不适合小型飞行机器人。关于这种圆形形成，先前的研究（Sonali等人，2010）在表面移动机器人中使用可移动的超声波范围传感器该方法通过由电机旋转的单个超声波测距传感器来促进，并且与圆形形成相比，可以容易地提高分辨率，因为可以在任意方向上设置超声波测距传感器的情况下执行测量。我们创造了一个可移动的超声波测距传感器，结合了一个小，重量轻的传感器和一个单一的超声波测距传感器。使用该传感器测量机器人与其周围360度范围内的物体之间的距离，并且使用可移动的超声波范围传感器执行2D环境映射（Kazuya等人， 2010年）。 将该传感器和超声波测距高度传感器安装在小型飞行机器人上，实现了三维环境映射和自定位。图 1显示了构建的测量系统。使用网格形式的环境地图，并且将点分配给网格块，该网格块对应于当可移动超声波测距传感器旋转通过预设角度时检测到的对象位置具有高分的坐标被识别为存在障碍物的坐标。本文的其余部分组织如下。第二节介绍了可移动式超声波测距传感器及其测量系统，第三节报告了实验结果，第四节给出了我们的结论，并描述了未来发展的可能性。2. 使用可移动超声波距离传感器的2.1. 移动式超声波测距传感器图2（a）示出了可移动的超声波范围传感器。测量系统包括超声波测距传感器、单片机和微处理器。超声波测距传感器根据微处理器输出的触发脉冲发射超声波该超声波的发射和检测之间的时间作为脉冲宽度数据输出到微处理器伺服电机根据伺服系统设定角度K. Nakajima等人/Journal of Electrical Systems and Information Technology 4（2017）289291DD图二.具有可旋转超声波测距传感器的飞行机器人。图三. 位置关系。微处理器输出的信号。通过组合该超声波测距传感器和传感器来执行周围环境的测量。一个齿轮被纳入，以实现360度的测量，因为最初的移动范围是狭窄的180度。微处理器通过从超声波测距传感器接收的脉冲来估计到物体的距离。然后它创建一个环境地图（如下所述）并执行自定位。图图2（b）示出了配备有这种可移动的超声波测距传感器的小型飞行机器人。无线通信设备也连接到微处理器，因为在这次飞行试验中需要验证环境映射数据2.2. 使用可移动超声波距离传感器的环境测绘环境贴图是一个网格，其中单个网格块表示为坐标（X，Y）。 图图3示出了飞行机器人和由超声波传感器检测到的物体在环境地图内的位置关系。对于相对于机身前部的直角θ、从超声波测距传感器获得的到物体的距离r、块边长d和相对于原点O的机身位置（x1，y1）（图10）。 3），物体的坐标（x2，y2）由以下等式给出。（x2，y2）=. r sin θ+ x1，r cos θ+ y1<$（1）通过这种方式，飞行机器人估计其与物体的位置关系，但由于超声波具有方向性传播（图1）。 4（a）），单次测量不足以确定对象位置。此外，由于超声波被间接反射，可能会获得不正确的测量结果（图1）。4（b））。因此，进行多次测量，将点添加到检测到对象的坐标，并且将点添加到检测到对象的坐标。292K. Nakajima等人/Journal of Electrical Systems and Information Technology 4（2017）289图四、错误检测的示例（a：超声波扩散的情况;b：错误的超声波反射的情况图五. 使用分数的位置估计。见图6。世界地图。越多的点被认为越可能是对象位置（图5）。坐标评分根据范围进行加权，越近的坐标得分越高。这是因为，由于超声波的传播和反射特性，随着范围的增加，数据变得不那么可靠此外，它是更重要的飞行机器人，以避免更接近的对象。2.3. 相对于环境地图的自定位整个环境的世界地图（图。图6）与飞行机器人所看到的环境的单独局部地图一起准备（图7）。在同一地点创建的地图可能会获得类似的点模式。因此，通过在移动世界地图上的局部地图的坐标的同时执行匹配来估计飞行机器人在世界地图上的位置，如图12所示。8.第八条。K. Nakajima等人/Journal of Electrical Systems and Information Technology 4（2017）289293.=见图7。 当地地图。见图8。 使用匹配算法定位。2.4. 世界地图更新和过滤处理在机器人通过如第2.3节中详细描述的将本地地图与世界地图进行匹配来进行自定位之后，通过添加本地地图数据来更新世界地图数据。通过重复本地地图获取、通过匹配的自定位和世界地图更新的过程来组装世界地图。然而，当添加原始本地地图数据时，不必要的数据被合并到世界地图中，并随着每次更新而积累这产生了使得难以通过匹配执行自定位的问题这个问题通过结合由等式（1）表示的滤波处理来解决。（2）使得在更新世界地图时忽略不必要的信息。W（x，y）W（x，y） 当（x，y）> th1且W（x，y）> th2时（2）0否则W（x，y）：世界地图W：W（x，y）的变化量th1，th2：阈值2.5. 扩展到3D环境贴图通过将超声波传感器安装在飞行机器人的下侧（图9）并在垂直方向上采集数据，实现了将环境地图扩展为三维虽然飞行机器人的高度可能会在准备本地地图时发生变化，但在这种情况下，执行第2.3节中描述的自定位时，将具有最大数据量的高度作为当前层（图2）。 10）。294K. Nakajima等人/Journal of Electrical Systems and Information Technology 4（2017）289××××见图9。向下定向超声波传感器。见图10。 当前图层。3. 实验3.1. 实验方法在飞行机器人上安装了可移动的超声波测距传感器，人工飞行以创建环境地图。测试系统包括进行测量的飞行机器人和显示环境地图的地面站两人通过无线设备连接。飞行机器人准备了一张环境地图，并通过无线设备将其数据传输到地面站计算机。地面站计算机接收所发送的环境地图数据，并通过实时显示地图数据的应用程序以可视格式显示它们（图11），并与物体的实际位置关系进行比较。应用程序将包含对象的概率较高（得分较高）的网格坐标图11（a）示出了与在本地地图准备期间具有最高数据量的层中的环境地图相关的信息和自定位的结果。图11（b）示出了世界地图的3D图像。测量环境包括障碍物1和2（0.30 m 0.43 m 1.32 m）和障碍物3（0.30 m 0.43 m 0.66 m），其以图12所示的位置关系布置。在这些测量中，网格块的宽度d为0.60m。3.2. 实验结果图13显示了飞行试验的结果。图13（a）-（e）示出了连续飞行的地图数据和场景 实验的结果在这些图中，形成垂直方向上每一层的基础的地图数据K. Nakajima等人/Journal of Electrical Systems and Information Technology 4（2017）289295见图11。 地图应用程序。见图12。 实验环境。296K. Nakajima等人/Journal of Electrical Systems and Information Technology 4（2017）289图十三.机器人从（a）和（b）获得初始位置，而从剩余的（c）-（e）获得在从初始位置移动时获得的地图数据，并且执行自定位。我们考虑每个数据集（a）-（e）。给定飞行机器人的初始位置（X，Y，Z）=（5，5，0），障碍物1在测试环境中占据（3，5，0）和（3，5，1）网格块。同样，障碍物2占据（5，7，0）和（5，7，1），障碍物3占据（6，3，0）。图13（a）示出了地面附近的地图数据在世界地图上，我们看到障碍1-3的位置得分更K. Nakajima等人/Journal of Electrical Systems and Information Technology 4（2017）289297见图14。 3D地图的结果图的数据。图13（b）是地面以上0.6-1.2米高度的地图。世界地图显示，与障碍1和障碍2相对应的位置得分较高在这个高度，在对应于障碍3的位置中没有得分根据以上所述，准备用于形成各层的标准的地图数据之后加入了自定位处理图13（c）示出了当飞行机器人已经从位置（b）沿方向移动0.6m时获取的地图数据。障碍2。比较世界地图和3D地图，飞行机器人的估计位置已经从（b）中的位置移动了一个块，并且位于与障碍物2的位置相对应的网格块上。图图13（d）和图13（e）分别示出了当飞行机器人已经沿障碍物1的方向对角地移动一个街区时以及当飞行机器人已经移动到与图13（b）中相同的位置时的地图数据。与（c）中的数据一样，我们可以看到实现了自定位图图14显示了最终的3D地图。 比较图图14和12示出了测试环境，可以看出，在对应于图14中的障碍物1-3的位置中具有高分的坐标。 12存在于图的3D地图中。 十四岁3.3. 讨论测试结果表明，创建一个三维空间的环境地图，并使用可移动的超声波测距传感器和超声波测距传感器进行高度测量的自定位的可行性在图12中的每个局部地图的数据中确认了在真实环境中不存在障碍物的网格块的分数的增加。这可能是由于图4所示和第2.2节所述的误检测。 从这些错误检测中获得的分数比实际存在障碍物的位置的分数低。从世界地图的数据（显示在本地地图的右侧）可以看出，这些在更新世界地图时通过过滤被删除。4. 结论和未来发展我们创建了一个可移动的超声波测距传感器，通过结合超声波测距传感器和传感器，可以实现机器人周围环境的360度测量通过为飞行机器人配备这种可移动的超声波测距传感器和用于高度测量的超声波测距传感器并使其飞行，创建网格形式的环境地图，并使用一个应用程序，以显示创建的地图在一个视觉格式，在一个3D空间的环境映射和实时自定位被证明是可行的与构建的测量系统。在未来的工作中，我们的目标是实现飞行与完全自主避障的独立飞行机器人，将此测量系统纳入其飞行控制系统。298K. Nakajima等人/Journal of Electrical Systems and Information Technology 4（2017）289引用Bastian，S.，乔治，G.，Cyrill，S.，Wolfram，B.，2008年飞行车辆的视觉SLAM。 Proc. IEEE Trans. 罗伯 24（5），1088-1093。春荣，Y.，法比安河，Hanspeter，上午，2009. 在未知的实施例中，UA V的视觉转向。2009年IEEE/RSJ智能机器人和系统国际会议（IROS），3906-3911。Daisuke，N.，Satoru，T.，2010. 基于扫描激光测距传感器信息的移动机器人控制。第十一届IEEE国际先进运动控制研讨会论文集，258-261。Fei，W.，Jinqiang，C.，Swee，K.P.，Chen，B.M.，李，T.H.，2013. 基于单相机和扫描激光测距仪的无人机室内导航系统。国际无人驾驶飞机系统会议（ICUAS），694-701。Ganganath，N.，梁汉，2012年。 基于里程计和kinect传感器的移动机器人定位。 Proc. 的国际会议上融合信号处理应用（ESPA），91-94。哦，K。-D、Sang，S.-W.，In，J. -H、Kwee，S.-B、2007年室内环境下移动机器人的SLAM，采用数字磁罗盘和超声波传感器。国际控制、自动化与系统会议论文集（ICCAS），87-90。约翰，S.，迈克尔，H.，安德鲁，理学士，2011. 使用微软Kinect传感器的深度图进行四旋翼直升机的高度控制。2011年IEEE机电一体化国际会议论文集，358-362。Kazuya，N.，普雷马钱德拉角，Kiyotaka，K.，2010. 基于移动式超声波测距传感器的小型飞行机器人定位与三维建图。2013年SSI2013。上午，萨拉多，Vandeportaele，B.，Lacroix，S.，Hattenberger，G.，2010年。微型无人机在室内环境中使用LiDAR闪光灯相机的飞行自主性。输入：程序 国际微型空中交通工具会议和飞行比赛，布伦瑞克：Allemagne（IMAV）。施密德，K.，Tomic，T.，Ruess，F.，Hirschmuller，H.，Suppa，M.，2013年。基于立体视觉的飞行机器人室内外导航。 Proc. IEEE/RSJ智能机器人和系统国际会议（IROS），3955-3962。Sonali，K.K.，Dharmesh，H.S.，Nishant，M.R.，2010年。 使用单一超音波测距感测器之移动探勘机器人避障。 Proc. 2010年机器人和通信技术新兴趋势国际会议（INTERACT），8-11。托莱多，新泽西州，路易斯，J.D.，托马斯，L.M.，萨莫拉，文学硕士，Martinez，H.，两千用神经网络建立室内环境超声波传感器地图。2000年IEEE系统人与控制论国际会议论文集2，920-925。