第五章 實驗結果
5.1 機器人硬體介紹
實驗所使用的機器人外觀如圖 5-1，其主要規格：外型(長×寬×高)為 450×480×1030(mm)，移動速度最高約 1m/sec，輪徑 150mm，電池規格 12V 7.2Ah 鉛酸電池。
機器人本體建構在一輪式運動平台上，此移動平台採用雙獨立驅動輪式之運 動機構，利用對兩馬逹的速度控制實現機器人在平面上之運動；移動平台後方另
有一被動式自由輪，三輪式的設計使機器人能夠平順穩定的在室內環境中移動。
機器人運算核心為威強公司出產之工業電腦主機板(NOVA-6612)，搭載 2GHz 之 CPU，主要用以影像處理及機器人之運動控制。
圖 5-1 機器人實體圖
圖 5-2 機器人硬體架構
圖 5-2 為機器人硬體架構，以工業電腦為運算核心，攝影機為主要的感測器，
馬達上有 Odometer 回授機器人移動的資訊，本機器人的 Odometer 之解析度為 500 lines，取樣時間為 51 ms，利用此資訊及式(3-8)之運動模型即可推算出機器 人之移動軌跡。以電腦發出控制命令給馬達控制卡，經由馬達驅動器驅動馬達的 運轉，完成機器人的移動控制。
機器人頂端之攝影機為日本 Vstone 公司所製之全向式攝影機，如圖 5-3，型 號為 VS-C450N-TR，其主要規格如下：尺寸為 59(Ф)x199(H) mm，可視範圍:
水平以上 15 度以下 60 度，有效影像最大像素 768*494，重量 228g。
機器人上裝置有 Imagenation 公司之影像擷取卡 PXC-200，用以擷取全向式 影像系統之 CCD 所拍攝到的畫面，利用此影像擷取卡可以每秒 30 張 Frame 的 速度擷取 640*480 Pixel2大小的影像。
圖 5-3 Vstone VS-C450N-TR全向式攝影機 5.2 環境特徵點辨識實驗
使用第二章所述之特徵點辨識演算法，實現在全向式影像中擷取出環境特徵 點及特徵點比對的方法。利用全向式攝影機在走廊環境中拍下畫面來測試演算法 的正確性，將不同位置、不同角度所拍下的數個畫面作比對，以驗證演算法的穩 定性。測試過程中機器人平移一段距離後，再與原始位置的影像作比對，測試機 器人移動後是否還能辨識到特徵點；另原地旋轉後，再與原始位置的影像作比
反射鏡面
攝影機鏡頭
彩色 CCD 攝影機
對，測試是否當機器人旋轉時依舊能偵測得到相同的環境特徵點。
實驗中擷取 500*500 pixel2大小的影像來作處理，圖 5-4 為兩張拍攝地點相 差 1 公尺之全向式影像，圖中之之方點代表所偵測到特徵點之位置，以綠線連接 表示兩張影像中的特徵點對應關係，可發現到大部份的特徵點都對應到另一張影 像中相同的環境位置中，驗證了特徵點比對之演算法對於移動一段距離後的影像 仍能有效的比對出相同特徵點之所在位置。
在圖 5-4 中仍可發現有數個特徵點還是有比對錯誤的情況發生，再套用 Outlier detector後，其結果如圖 5-5 所示，經過錯誤比對點刪除的演算法後，共 有 63 個特徵點比對成功，那些明顯比對錯誤的點都被刪除了，使特徵點比對的 正確率更為提高。
雖然證明了在機器人移動情況下能有效的比對出特徵點，但經多次不同的實 驗下發現，機器人移動超過 1.5 公尺後，與原始位置影像比對成功的特徵點數量 會大幅的減少，因此欲比較的兩張影像其相對距離是有一定的限制的。圖 5-6 為 兩張相同位置的影像，其中一張為機器人原始旋轉 45 度後才拍攝，在影像中可 注意到，所有的物體均以鏡心旋轉了 45 度，連接之線條即為經過特徵點比對後 的配對結果，共有 47 個特徵點比對成功。即使影像旋轉了，仍可比對出相對應 的特徵點所在，證實了此特徵點比對具有對抗全向式影像旋轉的特性。
圖 5-4 特徵點比點結果
圖 5-5 特徵點比對結果(加入 Outlier detection)
圖 5-6 特徵點比對結果(旋轉影像)
在實際測試中特徵點擷取及比對的流程所耗費的時間約為一秒。表 5-1 為數 張距離、角度不同之全向式影像中特徵點比對及正確率的結果，其中 Matched point為此影像有幾個比對成功的特徵點，Correct matched point 為比對正確無誤 的特徵點，Rate 代表特徵點比對的成功率：測試內容為在實驗環境中取其中一地 點之影像為比對的基準影像，之後移動一段距離或是旋轉角度，再次擷取影像後 與基準影像做特徵點的比對。
從實驗結果中可發現當兩張影像相距到 1.5 公尺左右時，比對正確率開始有 較顯著的下降，平移後之整體平均比對正確率為 87%；在影像旋轉後，正確率的
差異不大，平均的比對正確率為 93%。經上述實驗結果驗證，本特徵點比對之演 算法在機器人移動或是旋轉的情況下，均能有效的辨識出環境特徵點，對特徵點 的辨識平均有 90%的正確率，這些特徵點即為機器人定位演算法所需要的 Landmark，以此結果作為定位演算法的 Input，幫助完成機器人定位的功能。
表 5-1 特徵點比對實驗結果
Case 1
(-1m)
Case 2 (-0.5m)
Case 3 (0.5m)
Case 4 (1m)
Case 5 (1.5m)
Case 6 (2m)
Case 7 (2.5m)
Average correction
rate Matched point 29 30 30 23 17 12 16 Correct matched point 28 29 30 22 13 8 12
Rate 96% 96% 100% 95% 76% 67% 75% 87%
CaseA (45°)
Case B (90°)
Case C (135°)
CaseD (180°)
Case E (225°)
Case F (270°)
CaseG (315°) Matched point 28 25 28 29 28 26 26 Correct matched point 25 25 26 29 26 23 23
Rate 89% 100% 93% 100% 93% 88% 88% 93%
total 90%
5.3 EKF SLAM 初步測試實驗
為了驗證機器人於走廊環境中移動時之定位功能，實驗過程以手動遙控機器 人沿 2.8x1.2 公尺的矩形路徑，繞行五圈，實驗場景及行走範圍如圖 5-7，圖中虛 線為行走之矩形範圍。使用以第三章為基礎之 EFK-SLAM 演算法，建立出環境 特徵地圖及定位出機器人的座標。(47)式為 odometer 計算機器人位置之算式，Δx 代表在取樣時間Δt內，x 方向所移動的距離，Δ 代表在取樣時間y Δt內，y 方向 所移動的距離，Δθ 代表在取樣時間Δt內，機器人所旋轉的角度，vl、vr 分別為 左、右輪的轉速，d 為兩個輪子之間距，θ 為機器人的朝向角。所估測到之特徵
點位置及機器人行走軌跡結果如圖 5-8(b)，並將 odometer 所記錄的軌跡繪製如圖 5-8(a)，圖中(0,0)位置為起點，而圖中的三角形位置代表繞行五圈後的終點位置 所在。
d vl t vr
vr t vl
y
vr t vl
x
)
*(
sin 2 *
)
*(
cos 2 *
)
*(
Δ −
= Δ
Δ +
= Δ
Δ +
= Δ
θ
θ θ
(47)
在圖 5-8(b)，虛線代表牆面位置，所估測到的特徵點均落在虛線附近，由於 在實際環境中，能擷取到的環境特徵點亦是分佈在牆面上，代表演算法中對特徵 點的位置估測正確。因為在實驗過程中是以人工手動的方式遙控機器人沿矩形行 走，因此繞行軌跡應是近似相同位置的矩形軌跡，圖 5-8(a)是直接記錄 Odometer 的數值所繪製的軌跡，由於機器人行走可能產生的誤差影響，記錄出來的矩形軌 跡逐漸偏離初始的矩形位置，繞行五圈後的終點位置與起始點有 0.5 公尺以上的 誤差，且會愈來愈大。而圖 5-8(b)EKF SLAM 所估測出的軌跡即較為正確，在初 始矩形位置附近，繞行五圈後的終點位置與起始點有 0.25 公尺左右的誤差。此 結果證明出定位演算法是可行的，並有一定程度的修正僅用 Odometer 定位所出 現的誤差。
圖 5-7 實驗場景
圖 5-8 繞行移動之實驗結果 5.4 定位參考點轉換之測試實驗
使用第四章之參考點轉換策略，讓機器人在走廊環境下自主運動較長距離，
主要內容為在走廊上來回行走：機器人往前行走 5 公尺處，旋轉 180 度後往回走 10 公尺，再旋轉 180 度後行走 5 公尺，最後回到起始點，用此實驗來驗證參考 點能順利的轉換，並同時定位出機器人的位置及建立環境特徵點地圖。
圖 5-9 為實驗結果，圖 5-9(a)~(c)圖為實驗過程中移動軌跡及特徵點估測之演進，
起點為(0,0)，三角形代表特徵點建立的位置，數個橢圓形代表各特徵點的 Uncertainty分佈。(a)圖代表機器人走至 2 公尺處的位置，此時較近的特徵點開始 被建立在地圖上，但 Covariance 還很大；(b)圖代表已繞過 5 公尺處回到 0.5 公尺 左右的位置，此時不僅遠處的特徵點被建立了出來，特徵點的 covariance 也因為 多次的估測而收斂變小；(c)圖代表機器人已走回原點，並將路徑中的所觀測到 的特徵點地圖建立出來；(d)圖中的虛線代表牆面的位置，可確認特徵點均落在 牆面附近。
此實驗利用了參考點建立與轉換的策略，到了新的地點則建立新的參考點，
回到舊的區域則利用舊的參考點，圖 5-9 之(d)圖中的五個紅色三角形即代表了在 此實驗中共建立了 5 個參考點。
(b) SLAM演算法估測之軌跡與環境徵點位置 (a) Odometer所記錄之軌跡 (m) (m)
Wall surface
圖 5-9 來回行走之實驗結果
圖 5-10 為其中一次來回行走實驗中在四個位置之特徵點比對的擷圖，圖中 (a)為在 0.5 公尺處之比對結果，此時的參考點影像即為起點 0 公尺處之影像 Ref_01；圖中(b)為在 2.5 公尺之結果，此時因距離 Ref_01 超過 2 公尺了，故新 增一參考點 Ref_02 作為新的比對基準參考點；圖中(c)為移動到 5 公尺處後沿原 路繞回-0.5 公尺處時之擷圖，此時因為附近已有之前已建立過的參考點 Ref_01，
故不需再建立新的參考點，而從資料庫中取出 Ref_01 做為比對的基準；圖中(d) 為移動至-2 公尺處之擷圖，因此地區尚未來過，故新增參考點 Ref_04 為比對的 基準。
表 5-2 為五種不同距離之來回行走實驗之誤差結果，如 case 5 為機器人從起 點出發，向前行走 15m 後原地旋轉 180 度，再走 15m 回到起點，移動共 30m 的 距離後即記錄機器人此刻所估測出的位置座標，並與機器人之 ground truth 座標 比對，計算其位置誤差。
(a) (b) (c) (d) (m) (m)
(m) (m)
圖 5-10 Ref_01 等在 caption 中說明來回行走實驗中參考轉換之結果
表 5-2 來回行走之實驗結果誤差
Case 1 Case 2 Case 3 Case 4 Case 5
10m 15m 20m 25m 30m Error
x y θ x y θ x y θ x y θ x y θ Exp1 0.01 0.03 2 0.06 0.01 0 0.08 0.08 2 0.1 0.01 1 0.07 0.03 3 Exp2 0.09 0.01 3 0.09 0.01 2 0.12 0.02 2 0.12 0.03 2 0.09 0.04 1 Exp3 0.08 0 1 0.08 0.02 2 0.1 0.06 0 0.07 0.03 2 0.1 0.05 1 Exp4 0.07 0 2 0.1 0.03 1 0.15 0.04 3 0.06 0.03 2 0.15 0.05 8 Exp5 0.05 0.01 4 0.11 0.02 3 0.1 0.02 1 0.1 0.05 2 0.09 0.01 5 Average 0.06 0.01 3 0.9 0.02 2 0.11 0.04 2 0.09 0.03 2 0.1 0.04 4 上述實驗結果證實了各參考點間均能正確的轉換，經 30 公尺的行走距離後 位置的平均誤差為 0.11m，驗證了本參考轉換之演算法能讓機器人定位行走更長 的距離並建立出環境特徵點地圖。
圖 5-11 為機器人之 looping 實驗結果，於 8*10 公尺大小空間中以一 8 字型 之封閉路徑移動，用以證實機器人對環境地圖的建立，在起點之地圖與繞行一圈 後回到起點附近之地圖能夠銜接的上。
圖 5-11 為機器人之 looping 實驗結果，於 8*10 公尺大小空間中以一 8 字型 之封閉路徑移動，用以證實機器人對環境地圖的建立，在起點之地圖與繞行一圈 後回到起點附近之地圖能夠銜接的上。