高遮擋環境下玉米植保機器人作物行間導航研究

劉 路 潘艷娟 陳志健 王玉偉 李亞偉 陳黎卿

(1.安徽農業大學工學院， 合肥 230036； 2.安徽省智能農機裝備工程實驗室， 合肥 230036)

0 引言

玉米作為我國主糧作物之一，后期植保是一項重要環節。在玉米植株生長中后期，植株形態復雜，枝葉的相互交錯對可通行區域的遮擋嚴重，影響了植保機器人作物行間自主導航行駛的通過性[1-3]。因此，玉米作物中后期植保機器人導航方法被廣泛研究[4]。

目前復雜環境農作物的三維信息獲取主要有立體相機、深度相機和激光雷達3種方式。其中，立體相機和深度相機能夠快速、準確、高效地獲取作物表征信息，然而在室外光照強烈的環境中存在相機過曝導致感知的信息缺失[5-9]。激光雷達根據回波檢測原理可以獲得精準的作物點云數據，可以直觀地觀測出物體形狀和結構特征[10-17]。張漫等[18]結合激光雷達傳感器對玉米植株三維點云表面特征進行二次濾波處理，通過點云濾波去除植株表面的無效噪點，優化了三維玉米植株點云的識別和植株特征提取。ZHANG等[19]通過多傳感器融合的方式，將二維雷達與三維雷達相結合，進行目標障礙物的識別和小型植保機器人行駛路徑的規劃。薛金林等[20]利用激光雷達在無行距果樹樹林中進行導航性能測試，基于激光雷達獲得的樹行信息，結合模糊控制算法進行導航路徑計算。三維激光雷達受光照的影響小，可以提供作物的三維表征信息，使復雜高遮擋環境可通行區域識別具有可行性[21-24]。

本文將一種植保機器人頂端搭載的16線激光雷達[25-26]作為感知單元，并通過點云濾波聚類實現玉米主干區域識別并提取機器人可通行區域，最終擬合導航線。在激光雷達獲取玉米植株表型三維點云數據基礎上，研究葉片與主干點云地面投影的分布規律及K-means聚類特性，通過置信區間對聚類獲得中心點進行分析，剔除玉米作物行中心分析的離群點，優化所識別的主干區域，最終實現高遮擋環境下可通行區域的識別。

1 識別系統組成與點云樣本

1.1 系統組成

移動機器人由三輪驅動機器人底盤、VLP-16激光雷達、工控機組成，其采集系統硬件平臺如圖1所示。植保機器人感知系統配置4GB獨立顯卡、16GB內存、core i7處理器的工控機，使用VLP-16激光雷達搭載移動機器人作為傳感器。

圖1 植保機器人平臺實物圖Fig.1 Crop protection vehicle platform1.三維激光雷達傳感器 2.前輪轉向電機 3.GNSS導航模塊 4.鋰電池 5.底層控制處理器 6.工控機

大田環境中，機器人全局定位采用GNSS導航系統，局部環境感知主要采用3D激光雷達。機械化玉米種植每隔固定距離預留植保機器人進出約80 cm操作行，機器人設計寬度為60 cm。GNSS導航系統根據操作行分布，規劃機器人完整田塊植保作業行駛路徑，由于GNSS導航系統無法感知實際玉米植株位置，并且玉米冠層對于GNSS信號遮擋嚴重，差分信息穩定性差，因此玉米壟間導航主要使用3D激光雷達感知機器人局部環境信息，實現植株局部防碰撞下的導航行駛。

VLP-16激光雷達有效測量距離100 m，垂直視場角度為±15°，當激光束遇到障礙物時，反饋距離與坐標信號等信息，激光雷達工作原理示意圖如圖2所示。機器人近端被測玉米植株高度方向信息有丟失，遠端玉米植株雖然高度方向所獲得信息增加，但由于被近端玉米葉片遮擋同樣會造成植株形態信息的殘缺，給感知定位增加了難度。

圖2 雷達工作原理示意圖Fig.2 Schematic of LiDAR working principle1.三維激光雷達 2.移動機器人平臺 3.地面 4.玉米植株

1.2 點云樣本及數據分析

玉米植株主干部分點云分布集中，而四周分布比較零散，覆蓋范圍較大，如圖3所示。由于玉米植株枝葉點云交織，中間可通行區域遮擋嚴重，可通行操作行中感知到大量點云信息，較難直接獲取空白可通行區域。機器人行駛過程中，由于植株葉片在壟間屬于非剛性障礙，碰撞并不會造成玉米植株損壞，可以通過分析玉米主干區域位置來限定機器人行駛邊界，解決植保機器人可通行區域的遮擋問題。

圖3 數據信息采集Fig.3 Data acquisition

2 玉米識別和聚類

2.1 玉米點云預處理

圖4 玉米植株點云投影圖Fig.4 Point cloud projection of maize plants

如圖3b所示，激光雷達所采集的點云中地面、雜草等無關點較多。針對植保機器人導航路徑需求，僅提取行駛前進方向兩側植株所在區域點云信息，本文提取的點云為傳感器所在垂直面與前方4.5 m范圍內點云。首先，根據點云下采樣算法不改變點云分布特性，使用體素化網格方法實現下采樣降低點云密度，減少了數據計算量，達到精簡點云目的；再利用隨機采樣一致性(RANSAC)算法將地面與非地面點云進行分割，減少玉米植株聚類的干擾因素。最后基于直通濾波算法對某一維度進行篩選過濾，實現空間上分割以提取玉米植株點云區域，結果如圖4a所示。通過預處理，玉米點云數據較好地提取出玉米作物行玉米點云信息，為玉米作物行中心區域識別提供了基礎。

2.2 K-means算法提取主干區域

實際玉米植株之間存在葉片交叉，清晰分辨出每一株玉米主干的位置較為困難。向地面投影激光雷達掃描玉米植株獲得的點云，統計投影面上點數量。如圖4b所示，靠近激光雷達處主干區域垂直方向點更加密集，然而葉片重疊處點云也十分密集；前進方向越遠處點云信息越稀疏，主干區域點云密度也逐步下降。因此，根據每株植株點云地面投影云團具有主干區域密集、葉片區域稀疏特點，通過垂直投影后點云聚類分類植株點云團，并確定聚類中心。

通過K-means算法對玉米植株進行垂直投影后中心主干聚類。點云集合S中任意點與鄰近點之間的歐氏距離為

(1)

式中xi、yi——點坐標值

空間點歐氏距離越小，兩個數據相似度越高。對玉米植株所產生的點云數量的估計設置k值。對每個樣本點計算到這k個中心點的距離，將樣本點歸到與之距離最小的那個中心點的簇。

(2)

式中h——激光雷達基準線離地高度

lp——估算的玉米株間距

經過聚類之后k個聚類的中心點為

(3)

算法的聚類準則為

(4)

2.3 聚類誤差分析

圖5 玉米識別與聚類Fig.5 Corn identification and clustering

由于VLP-16型線激光雷達采集點云密度大，且玉米植株枝葉分布較茂盛，在枝葉遮擋嚴重或在目標沒有特征的環境下，存在近端枝葉數據點密度大于遠端枝干數據點密度，導致近端聚類中心點分布密度大。如圖5b所示，提取玉米主干的過程中出現錯誤的聚類點，左行第1株玉米點云上出現多個聚類中心點，使通過聚類中心點擬合得到的行線與圖5實際植株行線相比存在較大誤差。

為提高分析精確度，根據玉米作物成行種植特性引入置信區間，去除所估計玉米主干區域離群的聚類點，以遠端主干區域點為參考，去除近端枝葉錯誤聚類所得聚類中心點，減少遠離實際行線的枝葉中心聚類點對行線擬合的影響。具體如下：

將每個點到由聚類點擬合直線y=ax+b的距離Li(a,b)作為樣本，且符合L～N(μ,σ2)。所有聚類點到直線的距離均值為

(5)

式中Li——聚類點到直線的距離

聚類點到擬合直線的距離樣本方差為

(6)

(7)

式中α——顯著性水平

聯立式(6)、(7)計算可以得到聚類中心區域點范圍為

根據置信上下限對聚類中心點進行區間劃分，在區間外的聚類點記為離群點。以圖5中左排玉米為例，根據實際需求取置信度為95%。如圖6a所示，虛線外側圓圈點不在置信區間內，將其去除。

圖6 K-means聚類主干點基于正態分布的置信區間Fig.6 Confidence interval of K-means cluster main points based on normal distribution

2.4 導航線規劃方法

機器人在已知玉米局部中心區域基礎上規劃導航線，主要使規劃路徑盡可能避開玉米主干。本文使用RBF路徑規劃方法[7]。作物在作物行外的場景如圖7所示，對比Hough中心線提取和RBF情況下計算出來的路徑軌跡。中心線提取的方法雖然導航線在出現秸稈超出作物行時向左偏移，但是由于車身寬度的原因，車輛與超出秸稈發生碰撞的概率很大。而使用RBF的方法，在此處有航向角的偏轉，使得移動植保機器人順利通過的幾率明顯增加。

圖7 Hough中心線提取和RBF路徑規劃Fig.7 Hough centerline extraction and RBF path planning

3 試驗

通過置信區間優化K-means聚類主干點方法，在實際農田作物行中有效識別出植保機器人可通行區域，為更精確分析該方法在多種玉米種植密度下的植保機器人可通行區域識別精度，本試驗通過布置標定好行距和株距的玉米植株，模擬真實場景開展精度分析試驗。經過調研，安徽地區機械化種植玉米作物的大田每隔5 m或10 m預留70～80 cm作業行，種植玉米株間距20～30 cm，布置模擬試驗如圖8所示，調節行間距與株間距研究不同行間距與株間距對該方法識別精度的影響。為更好實現模擬場景真實性，試驗中調整傳感器感知高度，使其所采集點云形態與真實環境保持一致，所采集對比點云如圖9所示。通過對比基于K-means聚類獲取的玉米主干定位與模擬植株真實位置，分析玉米主干定位誤差。

圖8 模擬試驗Fig.8 Simulation experiment

圖9 真實環境與模擬試驗點云對比Fig.9 Comparison of real environment and test point cloud

模擬試驗場景下植株聚類方法定位位置與真實位置對比如圖10所示，當被測植株距離雷達越遠時，測量的玉米主干誤差有所增加。根據兩側所求得主干中心區域，并通過中心區域圈定可通信區域規劃獲得導航線。通過對比，行距70～80 cm寬度內變化對中心區域識別誤差影響較小，試驗中導航線最大誤差7.67 cm，最小誤差0.6 cm，平均誤差4.1 cm。

圖10 玉米分布結果對比Fig.10 Comparison of corn distribution

根據上述試驗方法，調整玉米行間距與株距，控制植保機器人在壟間多次行駛采集數據，分析植保機器人在作物行中不同位置的玉米植株主干區域定位與真實位置誤差。如圖11所示，選取試驗中典型的4個位置誤差數據。如表1所示，近端玉米定位與路徑規劃誤差小，距離越遠誤差越大。

圖11 誤差變化曲線Fig.11 Error analysis curves

表1 玉米行間誤差分布Tab.1 Inter row error distribution of corn cm

多次試驗結果表明，采用K-means算法引入置信度來估計玉米主干位置，與玉米主干實際可通行區域進行對比，X軸方向4.5 m前視范圍內平均誤差均保持在±5 cm以內，最大誤差為7.67 cm。由于機器人寬度限制，移動平臺行駛速度與前視距離成正比、與感知規劃時間成反比。感知系統3～3.5 m前視距離最大誤差3.55 cm，當前系統感知響應平均用時2 s，滿足機器人設計的最大移動1 m/s速度需求。誤差來源主要由于葉片分布不規則，且玉米葉片面積較大激光雷達感知點較密集，導致聚類中心受葉片伸展影響較大。作物行間玉米葉片重疊會影響兩側植株信息完整性，同樣給玉米主干區域分析帶來干擾。除此之外，車載激光雷達振動和傾斜會造成整體點云的偏移，也會導致主干區域整體偏移。

4 結論

(1)在K-means算法基礎上引入置信區間優化主干區域聚類結果，通過分析機器人前進方向上的玉米植株三維點云數據，研究葉片與主干點云地面投影的分布規律，設置置信區間獲取K-means聚類中心點，剔除玉米壟間的離群點，基于此方法提出一種高遮擋環境下玉米中后期壟間行走小型植保機器人可通行區域識別方法。

(2)近端玉米定位與路徑規劃誤差小，距離越遠誤差越大。植保機器人的設計寬度為60 cm，通過試驗，感知系統3～3.5 m前視距離最大誤差3.55 cm，當前系統感知響應平均用時2 s，滿足機器人設計的最大移動1 m/s速度需求。該誤差基本能使移動機器人保持在80 cm左右寬度作物行內正常行駛。

(3)該方法誤差來源較多，主要由于葉片分布不規則，且玉米葉片面積較大，激光雷達感知點較密集，以及作物行間玉米葉片重疊會影響兩側植株信息完整性，導致聚類中心受葉片伸展影響較大。此外，車載激光雷達振動和傾斜會造成整體點云的偏移，也會導致主干區域整體偏移。