基于NAO机器人的定位算法与目标识别

文/舒军　李志魁　杨露　蒋明威　吴柯

近几年，NAO机器人是在当前世界学术领域中运用范围最广的仿人机器人，由法国Aldcbaran机器人公司生产。其拥有25个自由度、开放编程构架以及多种传感器，动作较灵敏。NAO机器人中的每个应用程序都包括完成函数的方法层、提供接口的代理层以及不同实现方法的模块层三部分。目标识别是NAO机器人的一项基础技术，主要任务内容就是完成对目标图像的提取，将图像中的背景区域与目标进行分割，避免其他不相关因素对机器人目标识别产生影响。随着科学技术的不断发展，提取定位算法逐步增强，其效率有了较大提升，且适用性也越来越强。

1　基于NAO机器人的定位算法研究

基于NAO机器人的定位算法需要依照其当前的全局位置来确定每一环节的决策，不能全部依赖于外部的全景摄像头为其提供相关信息。NAO机器人是根据对图像信息分析进行定位，目前其定位通常是采用粒子滤波的算法，这是一种将定位样本进行概率相关统计的贝叶斯滤波算法，利用对应参数的迭代来完成NAO机器人的全局定位。粒子滤波的算法较好的解决了机器人定位算法中的非线性、非高斯等问题。比如NAO机器人非高斯模型中绑架问题通常就是因为机器人之间的相互摩擦或者人为强制将机器人移走造成的。假设某一环境中，机器人系统状态是已经确定的，依照其马尔可夫过程，结合概率密度函数，得到贝叶斯滤波机器人的定位算法公式如下。

其中Kx-1表示系统的状态转移概率，Q表示为某一时刻的观测值。

机器人蒙特卡罗粒子滤波定位算法是根据机器人的位置预测及视觉上得到观测信息来迭代至结果收敛而实现的，但蒙特卡罗粒子滤波涉及相关概率计算过程比较复杂，难度相对较大，而且容易因位置信息问题而使结果不收敛致使无法获取机器人的位置，许多中外研究人员对这种方法做了大量改进。蒙特卡罗粒子滤波定位算法最关键的部分就是对样本中每一个点的概率计算，其公式如下。

表1：基于NAO机器人的目标识别与传统方法比较

其中wk-1表示先验概率，Lmx表示为位移，qXm表示空间概率。并根据此公式获得NAO机器人的定位识别算法。

2　分析基于NAO机器人的目标识别

基于NAO机器人的目标识别是一项基本技能，就是对图像进行简化的处理，相关技术人员对其进行了大量研究。目标识别技术被大规模应用在多个领域，其基本任务就是将我们所需要的目标从背景图中分离出来，并列举出一些相关的数学统计特征。机器人目标识别的关键就是克服目标的多变性与复杂背景的影响，目标与背景的图像特征没有较大差异。目标识别经过长时间的发展，其算法的识别效率越来越高，适用性也在逐渐加强。目标的图像特征主要包括颜色特征、形状信息特征以及其它一些相关特征。颜色特征是彩色图像处理中使用最频繁的一个图像特征，因识别的木棒与周围的环境在颜色上具有较大差异，所以依照颜色特征对图像进行分离。选择对应的特征是目标准精识别的关键技术。参数变换技术就是较经典的基于边界方法，其圆变换技术、线变换技术以及其改进方法被大规模应用于机器人目标识别的图像边界处理中。形状信息特征是指目标的外部轮廓，通常可以分为基于目标边界与基于目标联通范围的两种表达方式。在统计学理论当中，矩可以表示概率，用于表达随机变量的分布，在物理基础理论中，矩代表形状物理量，能够描述物体形状的空间，而在机器人目标识别中，矩可看作是具有特殊形态的点阵，用来研究图像的特征，矩是依据对图像外表下的点进行积分或者求和运算，从而得到的一个相对粗略的特征。

3　实验测试与数据分析

将基于NAO机器人的目标识别与传统方法比较，得到如下数据，如表1所示。

与传统方法相比，在光线变化不大时，两种方法都有可以接受的识别率，只是传统变换识别环境时显得相当繁琐。由于传统方法的图像灰度化和参数累计计算占用的时间和空间较大，无法符合比赛的标准。基于NAO机器人的目标识别满足了比赛的需要，其图像处理的整体效率及图像预处理后的识别算法都有较大提高。

实验证明，传统方法不能满足对图像处理的需求，而新型NAO机器人的目标识别可以对图像进行整体效率处理，提高识别性。

4　结束语

自从NAO被机器人世界杯RoboCup的组委会认定为标准平台后，国内外许多学者与研究单位开始将NAO作为研究对象。不仅可以将NAO运用在计算机科学领域、机器人研究以及人工智能中，还可以应用于社会学与医疗保健方面。基于NAO机器人的智能水平大部分体现在对环境的识别及相应的决策处理上。针对目前的研究状况，NAO机器人尽管有很多传感器，但在预防碰撞情况时，主要还是利用能够感知外界环境的摄像头眼睛，有时还可以通过声纳系统对其进行辅助。基于NEO机器人的目标识别水平是机器人提升技术的基础，其智能水平可以直接凌驾于在图像处理能力之上。