機器人室內導航之情境展示實驗

本實驗之目的為驗證機器人在室內之長距離移動時，能夠同時定位出機器人 本身的位置，建立出環境地圖，並證實機器人能藉由定位系統的幫助，達成自主 式移動之巡航能力。實驗中機器人從一房間內為起點，開始主動走出房間並在走 廊中移動到遠處 23 公尺處走廊盡頭事前已設定好的目標點，接著以一三角形軌 跡迴轉後，沿原路回到原本的房間內。

圖 5-12 為實驗過程之記錄結果，其中菱形點代表特徵點的位置，藍線為定 位系統所記錄下的移動軌跡，紅色三角形為移動過程中所建立的參考點位置，而 紫線則為實際上房間及走廊上的牆壁位置。在機器人開始移動之前，先預設好五 個目的地座標點作為機器人導航時依序要經過的地方：座標(0,-4)為房間內的起 點，機器人首先開始主動的朝向第一個目標點(0,0)移動，穿越房後到達位於走廊 上的第一個目標點(0,0)；接著旋轉 90 度後沿著走廊上行走，朝向第二個目標點 (0,21)前進；在走廊盡頭有較寬的空間，機器人依序走向三個目標點(0,21),(2,22), (0,23)，沿一個三角形軌跡移動迴轉；轉向，走回先前的目標點(0,0)，最後穿越 房門走回起點。全程除了預先設定好的目標點座標外，均是機器人主動的定位本 身的位置，並自主式的移動到目標地點。

在本次實驗中，機器人從房間內開始移動後，即一直重覆的運行 SLAM 演 算法，即時的定位出機器人的所在座標，讓機器人可得知如何移動到目標點，使 其能成功的走出房間並到達遠處的目標點位置；而環境特徵點地圖亦同時能建立 出來，在圖 5-12 中可發現特徵點大都落在兩側的牆面上；在移動的過程中，依 照參考點建立及轉換的策略，成功的延長機器人的定位範圍，本次實驗共建立了 17個參考點，如圖 5-11 中的三角形位置。圖 5-13 顯示實驗過程擷取之照片，其

中(a)為機器人開始出發之位置，(b)為機器人正走出房門，(c)為走出房間後轉向 朝走廊移動，(d)為走廊上行走之途中，(h)為機器人走至最遠之 23 公尺處，(g) 為機器人從走廊回程，正轉向房間方向，(f)為機器人正走進房門，(e)為回到起 點，完成一次的巡航任務。

沿著設定好的數個目的地依序前進，是機器人導航中的基本情境，本實驗完 成了此情境的展示，並且能建立環境地圖，讓機器人就算是到了未知的地點，亦 能定位出自身的位置，證實了本論文所設計的機器人定位方法能夠幫助機器人達 成室內導航的功能。

圖 5-12 走廊移動實驗結果 (m)

圖 5-13 實驗擷圖 5.6 討論

本論文主要是使用基於全向式影像及參考點轉換的定位方法：使用一套基於 全向式影像特性的特徵點辨識方法，偵測環境中的特徵；定位方式是設定一參考 點影像為基準，機器人移動後所擷取到的畫面與參考點影像作比較，以此方法定 位出機器人自身的位置並建立出參考點周遭環境特徵點之地圖。

其中定位參考點之建立與轉換策略為最主要的特色，此方法能讓機器人的定 位範圍距離延長，解決了因為機器人移動的愈遠，與參考點影像所能比對到的特 徵點變少的問題。本方法與[6]所使用的 Visual reference scan matching 方法類似，

利用建立新的參考點來延長可定位的距離，但本論文與[6]不同的地方在於使用 的攝影機為全向式攝影機，利用全向式影像的 360 度視角，可對參考點影像作重 覆的使用。

[6]中因為其攝影機的視角有限，故旋轉角度超過限定值時則需要再建立一 個新的參考點，若機器人走回之前走過的地點時，仍需再次建立新的參考點。本 研究中因使用的是全向式的影像，即使機器人旋轉了 180 度，仍可與參考點影像 成功的比對出相同的特徵點，故以此特性設計一參考點轉換的策略，將所有已建 立的參考點相關資料均存入資料庫中，當機器人走回到舊地區時不用再建立新的 參考點，而從資料庫中取出已有的資訊來使用即可，就好像每個參考點都有其監

(a) (b) (c) (d)

(e) (f) (g) (h)

測區域那樣。本論文所使用之方法可減少參考點建立的數量，並能重覆使用已存 在資料庫中的參考點影像及其特徵點資訊，也因此能讓EKF-SLAM 中State vector 及 Covariance matrix 不會一直持續的增大，降低 EKF-SLAM 最常見之複雜度持 續增加的問題所造成的影響。

上述之實驗證實了影像處理及定位演算法的可行性，亦驗證了參考點轉換的 策略無誤，並以最後情境模擬實驗證實本論文所設計的機器人定位方法能夠幫助 機器人達成室內導航的功能。

第六章 結論與未來展望

本論文完成了使用全向式攝影機之機器人定位設計與實驗，基於 EKF SLAM 之演算法，以全向式攝影機對環境做觀測，在機器人移動的同時，能夠建立出環 境地圖並定位出機器人的位置。

在環境的觀測方面，使用全向式攝影機為感測器，利用 SIFT 特徵點辨識演 算法配合攝影機的特性，成功的擷取辨識出在影像平面上的環境特徵點，並使用 一除錯法，實驗結果特徵點辨識的正確率平均為 90%。

基於攝影機對環境特徵點的觀測，及不同地點對特徵點的觀測視角，推算出 特徵點相對於機器人本身的距離關係，並以此資訊做為定位系統的輸入。使用 SLAM 演算法解決機器人之定位及地圖建立的問題，以機器人之移動模型、攝影 機之觀測模型，達成 EKF-based SLAM 演算法。結合影像處理與 SLAM 演算法，

實現在機器人平台上，目前實驗的測試上，一次的定位系統演算法運算耗時 2 秒以內。

最後並以實際的實驗來驗證定位演算法：在來回行走共 30 公尺後之定位誤 差平均為 0.11 公尺，而情境模擬實驗的結果證實機器人能依定位系統的幫助，

從房間內走出到走廊，沿走廊移動近 50 公尺的距離後回到房間內，並且同時建 立出走廊環境的特徵點地圖，達成機器人室內導航的功能。

在本論文中之定位演算法需耗時 2 秒左右，此運算時間在較為慢速的測試實 驗中雖然可行，但若在實際的應用中對於環境可能的複雜性或是改變則不能有及 時的反應，因此在影像處理及定位演算法的設計上可以再加以改善，提升整體定 位系統的效能。

全向式攝影機常被用於多機器人系統上，而本論文發展出的基於全向攝影機 之機器人定位方法亦可與之整合，讓攝影機的功能不僅能夠觀測機器人隊伍中的 隊友，也讓機器人能對周遭整體的環境做估測，並得知所在之位置，增加多機器 人隊伍的實用與功能。

參考文獻

[1] A. Sharma, D. Morales, G. Kantor and H. Choset, “Towards removing artificial landmarks for autonomous exploration in structured environments,” Master’s thesis, Carnegie Mellon University, 2005.

[2] S. Thompson and A. Zelinsky, ”Accurate local positioning using visual landmarks from a panoramic sensor,“ in Proceedings of IEEE International Conference on Robotics and Automation, vol. 3, 2002, pp. 2656-2661.

[3] H. Andreasson, A. Treptow and T. Duckett, “Localization for Mobile Robots using Panoramic Vision, Local Features and Particle Filter,” in Proceedings of IEEE International Conference on Robotics and Automation, Apr. 2005, pp.

3348-3353.

[4] J.H. Kim and M.J. Chung, “SLAM with Omni-directional Stereo Vision Sensor,”

in Proceedings of IEEE International Conference on Intelligent Robots and Systems, October 2003, pp. 442-447

[5] J.M.M. Montiel, J. Civera and A. J. Davison, “Unified Inverse Depth Parametrization for Monocular SLAM,” in Robotics Science and Systems Conference, Philadelphia, 2006.

[6] F. Bertolli, P. Jensfelt and H. I. Chistensen, ”SLAM using Visual Scan-Matching with Distinguishable 3D Points,” in Proceedings of IEEE International Conference on Intelligent Robots and Systems, October 2006, pp. 4042-4047.

[7] J. Kim, K.J. Yoon, J.S. Kim and I. Kweon, ”Visual SLAM by Single-Camera Catadioptric Stereo,” in Proceedings of SICE-ICASE International Joint Conference, Oct. 2006, pp. 2005-2009.

[8] David G. Lowe, “Distinctive Image Features from Scale-Invariant Keypoints,”

International Journal of Computer Vision, vol. 60, no. 2, pp. 91-110, Nov. 2004.

[9] N. Winters, J. Gaspar, G. Lacey and J. Santos-Victor, ”Omni-directional vision for robot navigation Omni-directional vision for robot navigation,“ in Proceedings of IEEE Workshop on Omni-directional Vision, 2000, pp. 21-28.

[10] S. Panzieri, F. Pascucci, R. Setola and G. Ulivi, “A Low Cost Vision Based Localization System for Mobile Robots,” 9th Mediterranean Conference on Control and Automation, Jun. 2001.

[11] J. Shi and C. Tomasi, “Good features to track.” in Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, June 1994.

[12] H. Durrant-Whyte and T. Bailey, “TUTORIAL : Simultaneous Localization and Mapping (SLAM): Part II”, IEEE Robotics &Automation Magazine, Sep. 2006, pp. 108-117.

[13] H. Durrant-Whyte and T. Bailey, “TUTORIAL : Simultaneous Localization and Mapping: Part I”, IEEE Robotics &Automation Magazine, Jun. 2006, pp. 99-108.

[14] S. Thrun, D. Fox and W. Burgard, Probabilistic Robotics, Massachusetts Institute of Technology, 2005.

[15] S. Thrun, D. Fox and W. Burgard, “A probabilistic approach to concurrent mapping and localization for mobile robots,” in Machine Learning and Autonomous Robots, vol.31, pp. 29-53, 1998.

[16] K. S. Chong and L. Kleeman, “Feature-based mapping in real, large scale environments using an ultrasonic array,” in International Journal of Robotics Research, vol. 18, no. 2, pp. 3-19, Jan. 1999.

[17] Z. Huaibin and J. K. Aggarwal, “3D Reconstruction of an Urban Scene from Synthetic Fish-eye Images,” in Proceedings of the 4th IEEE Southwest Symposium on Image Analysis and Interpretation, pp. 219-223, 2000.

[18] F. Pedemini, A. Sarti and S. Tuburo, “Multi-Camera Systems,” IEEE Signal Processing Magazine, vol. 16, pp. 55-65, 1999.

[19] F. Bruckstein and T. Richardson, “Omniview Cameras with Curved Surface Mirrors,” in Proceedings of IEEE Workshop on Omnidirectional Vision, pp.

79-84, 2000.

[20] G. Jang, S. Kim, J. Kim and I. Kweon, “Metric localization using a single artificial landmark for indoor mobile robots,” in Proceedings of IEEE International Conference on Intelligent Robots and Systems, pp. 2857-2862, Aug.

2005.

[21] S. Thrun, “Learning Metric-Topological Maps for Indoor Mobile Robot Navigation,” in Journal of Artificial Intelligence, vol. 99, pp. 21-71, Feb. 1998.

[22] G. Welch and G. Bishop, “An Introduction to the Kalman Filter,” University of North Carolina at Chapel Hill, Mar. 2002.

[23] C.Y. Wu, “A Novel Robotic vSLAM System to Realize Exploration in Larger Environment,” M.S. thesis, Department of Graduate Institute of Electrical Engineering National Taiwan University, Jun. 2007.

[24] N. Winters and D.Hons, “A Holistic Approach to Mobile Robot Navigation using Omnidirectional Vision,” University of Dublin, Trinity College, Oct. 2001.

[25] L. Wang, Q. Zhu and Z. Liu, “Location Research of Mobile Robot with an Omni-directional Camera,” in Proceedings of International Conference on Intelligent Mechatronics and Automation, 2004, pp. 662-666.

[26] J. V. Miro, G. Dissanayake and W. Xhou, “Vision-based SLAM using natural features in indoor environments,” in Proceedings of International Conference on Intelligent Sensors, Sensor Networks and Information Processing, 2005, pp.

151-156.

[27] R. C. Gonzalez and R. E. Woods, Digital Image Processing, 2^nd Ed. Prentice Hall,2002.

[28] A. Diosi and L. Kleeman, “Laser Scan Matching in Polar Coordinates with Application to SLAM,” in Proceedings of International Conference on Intelligent Robots and Systems, 2005, pp. 3317-3322.