基于双目立体视觉伺服的智能车室内弯道控制

基于双目立体视觉获取得到的三维信息，即为经左右图像SIFT特征点匹配，在摄像头坐标系中获取前景环境中各关键点的坐标信息。选取关键点中与机器人基坐标系原点高度靠近的点，并且该点的个数需大于3，之后，采用最小二乘法拟合可得行驶区域的边界直线，即确定了车体定位参数中左、右车道线lL、lR。直线与图像右边界存在交点，即可判断出弯道转向。同时，拟合确定的左车道线与图像下边缘的交点Pl0为第一个控制点；以图像右边界与拟合直线的交点处为第二个控制点Pln。图5表示为前景环境中对特征点的匹配结果图和判断可行驶区域。

对序列图像进行实时处理时，由于摄像机采集系统速度为30帧/s，车速在不超过33cm/s的情况下，采集一帧图像智能车向前行驶约小于1cm，连续采集的两帧图像中所判断的车道左右车道线和弯道方向偏差不会太大。

2.2.2 控制仿真实验

实验采用BP神经网络作为控制对偏离角φ进行仿真实验。在Simulink环境下搭建的系统模型中BP神经网络的搭建如图6所示。U为经由视觉信息得到的偏航角φ作为系统输入量，输出Y为小车质心速度V。小车左、右轮速可在判断弯道转向的前提下，由两轮速差VD经计算得出。若如图5所示，弯道转向向右：

利用Simulink库中Signal Builder产生变化的Signal仿真实际环境中视觉系统得到的当前车体的偏移量。

小车经左右轮差速转弯运动中质心位置实际偏转角度作为网络的输入，经训练学习反馈回系统的控制输入端。图7为控制仿真结果图，由图示可知该方法基本完成了对信号的控制跟踪，由此说明了利用双目立体视觉所获得的信息，并采用BP网络自学习对道路的变化可适用于不同弯道的道路，避免了传统PID控制方法因弯道曲率变化使得小车转弯控制失败。

3 结论

借助机器视觉系统判断小车可行驶区域，同时还可清晰地判断出弯曲线路的走向，避免了弯道方向的复杂判别方法，且该方法普遍适用于不同的道路环境，特别是非结构化的道路环境，也增强了算法的实用性和鲁棒性。但目前对双目摄像机进行精确匹配和标定仍然是个技术难题；神经网络训练方法在选取训练样本数据和精确定位车辆位置方面也比较困难，这将是进一步研究的主要关键问题。