基于单目实现微型无人机感知和避撞

1、介绍

光流在实际环境中应用很难，因为大部分同质区域，如白墙，没有足够的特征点来计算光流。

我们的算法&实验：
1. 相对大小探测器感知和避撞前方障碍物；
2. 特征描述器探测特征点大小的相对变化并实现实时避撞；
3. 使用引导算法使MAV在森林中飞行，实验中整条路径中摆放了20个障碍物。

---

2、相关工作

由于大小、重量和能量的限制，考虑到计算能力的改进和需要计算比较少，相机是UAV上可承载的最小的传感器。
生物视觉系统：
1. 运动视差；(光流、SFM)
2. 单目cues；
2. 立体视觉。
光流方法的局限性在于：帧与帧间的光流与前方角度成比例，这个对墙壁跟踪和中心飞行时有用，但是对于避撞来说作用很小。
尽管单目方法不能直接测量到障碍物的距离，但仍然可以用来避撞，因为光流与到障碍物的时间有一定关系。
本文提出是单目线索方法之一，用相对大小来探测前方障碍物。当UAV前方物体变大时，说明障碍物临近UAV。障碍物变化与临近障碍物时间成比例。

文献[23-2012]使用光流在森林中避障，所以要看看。

---

3、方法

相对大小探测器函数参数为时间，返回障碍物的大小。当离障碍物的距离由3m变为了2m时，图像大小变为原来的1.5倍。因为图像帧率已知，因此可求得到障碍物的时间。
文献[14]中SIFT实时性差且没有应用到实际机器人中。
SUFT特征点（openCV已经封装此函数）：1）比SIFT计算快；2）可计算相对大小变化，即使障碍物大小变化仍可很好匹配.
本文通过匹配连续图像中的特征点，比较特征点所在区域大小的变化来识别是否摄像头靠近障碍物。
当前特征点扩大率由原先特征点大小的改变和模块匹配组成。

3.1 规模扩大器算法：

用于匹配，过滤和计算连续图像帧SURF特征点相对变化。
输出：障碍物的位置。

1. 计算SURF特征点；
2. 连续图像匹配SURF特征点；
3. 去除没有匹配的点，如果两匹配点间距离小于0.25；
4. 去除特征点变小或者不变的点；
5. 确定模块匹配范围：（模块匹配算法输出：可以表示障碍物的特征点）

• 上述Template1中KP下标应该是i-n_skip，因为其实由第i-n_skip图像生成的;
• 5.1 Template1为第i-n_skip帧图像的第j个特征点周围截取size的大小；
• 5.2 在每次循环中，将此块图像Template1扩大到和Template2一样；
• 5.3 Template2的选取和Template1一样；
• 5.4 Template1和Template2进行匹配，计算它们中每个像素的不同，然后输出和它们大小一样的图像（这个是文中说的）；而此处TM_scale表示在此scale下模块匹配的结果，即两个图像匹配特征点形成的矢量（类似光流），因为图像xy均扩大了scale倍，则这里除scale².
• 5.5 保存在循环中运动最小的矢量(其越小，说明两个图像的匹配度越高，即Template1在变化很小的时候就可以变成Template2)和对应的比例scale；
• 5.7 如果最小比例scale大于1.2（说明在camera运动过程中离障碍物越近，障碍物变大。如果小于1.2则我们认为前方是同质区域，如白墙等）且运动矢量（光流）小于[0.8*标准]，则将j特征点标记为障碍物。

6. 计算剩余点的平均值，即为障碍物。

3.2 避撞策略

1. 若在视野中发现障碍物，则无人机向一旁飞；
2. 控制航向角来到达目的地。

以下参数的设置保证飞行轨迹的合理性：反应时间；加速限制；飞行速度；障碍物感知距离；视野；树干大小；两树间的最小速度。

---

4、实验

• 配置：
  
  1. 前方相机92度，320X240的像素，频率为10Hz，算法中采用8bits RGB信息存储的灰度图像，算法在地面计算机上实现。
  2. 采用声纳高度传感器、IMU（陀螺仪、加速度传感器）和向下的相机来控制AR.Drone的高度。
• 实验：
  
  1. 仿真实验；
  2. 放置8个树桩，AR.Drone试飞测试，23次，20次成功。
     本文参考文献[26-2012]的场景设计，可以看一下。
• 结论：
  该算法使用低像素的单目摄像头、普通的PC，在复杂环境中提取SUFT特征点且结合比例扩大器算法识别障碍物位置，并且不需要障碍物的先验知识，可以避开类似tree这样的slim障碍物。但是需要障碍物的质地是SURF特征点。

5、想法

1. 交叉障碍物场景参考。