無人機前方視野精準輪廓線條跟隨方法之研究 - 政大學術集成

全文

(1)國立政治大學資訊科學系 Department of Computer Science National Chengchi University 碩士論文 Master’s 治Thesis. 立. 政. 大. ‧. ‧ 國. 學. 無人機前方視野精準輪廓線條跟隨方法之研究. y. Nat. er. io. sit. Accurate contour line-following methods for UAV. n. a l forward view i v n Ch U engchi 研究生：李恭儀. 指導教授：劉吉軒. 中華民國一零七年十二月 December 2018. DOI:10.6814/THE.NCCU.CS.001.2019.B02.

(2) 無人機前方視野精準輪廓線條跟隨方法之研究 Accurate contour line-following methods for UAV forward view. 研究生：李恭儀. Student：Gong-Yi Lee. 指導教授：劉吉軒. Advisor：Jyi-Shane Liu. 資訊科學系. 學. ‧ 國. 立. 治政國立政治大學大碩士論文. y. ‧ sit. Nat. A Thesis. er. io. Submitted to Department of Computer Science. n. aNational iv l C Chengchi University n h e n g cofhthe i URequirements In partial fulfillment for the degree of Master in Computer Science. 中華民國一百零七年十二月 December 2018. DOI:10.6814/THE.NCCU.CS.001.2019.B02.

(3) 摘要現有的線條跟隨技術主要讓無人機跟隨下方視野的線條，以等高定速向前跟隨，並調整轉向角改變跟隨方向。然而當無人機跟隨前方視野的線條時，調整轉向角會使無人機前方視野的線條消失，而且現有的線條跟隨不會再偵測到跟隨過的線條，但前方視野依然能偵測到跟隨過的線條，需要固定前方視野來決定跟隨方向。而且當無人機改變方向飛行時，定速所產生的移動慣性會使無人機偏離原本的飛行路徑。除此之外，現有的研究亦存在一些問題，如線條的錯誤偵測、沒有固定的. 政治大因此本研究提出二維方向向量機率模型，解決無人機跟隨前方視野的線條時立. 方式評估線條跟隨的表現，以及未要求跟隨的精準度。. ‧ 國. 學. 所產生的方向性問題以及避免線條的錯誤偵測影響跟隨。本研究以雙層二維方向向量機率模型，搭配慣性速度抑制方法，能夠抑制無人機改變方向飛行時所產生的. ‧. 移動慣性，使無人機能夠快速且精準的進行線條跟隨。本研究提出兩種評估指標 1.. sit. y. Nat. 無人機視覺中心位於目標路徑寬度以內之程度以及 2. 無人機視覺中心偏移目標路. al. er. io. 徑寬度以外的位移誤差，評估無人機進行精準的線條跟隨時的表現。. v. n. 最後本研究透過在真實世界的實驗，驗證提出跟隨方法的可行性、穩定性以及. Ch. engchi. i n U. 精準性。以先前研究中最能精準跟隨線條的基於向量域的線條跟隨作為基準，本研究所提出的方法經過兩種評估指標進行評估後，皆比基準表現得更好。其中，雙層二維方向向量機率模型搭配慣性速度抑制方法的表現最為突出，該方法具備選擇飛行方向、校正自身位置以及慣性速度抑制的功能，能跟隨複雜的線條。經過真實世界的考驗，本研究提出的方法能實際應用在真實世界上。未來能針對前方視野的線條跟隨研究進行更進一步的改進與延伸，包含了移動時的穩定性、改進位移誤差以及戶外實際應用，如高壓電塔檢測、摩天樓設備安檢等任務。. 關鍵字：無人機、自主飛行控制、輪廓線條跟隨、二維方向向量機率模型. i. DOI:10.6814/THE.NCCU.CS.001.2019.B02.

(4) Accurate contour line-following methods for UAV forward view. Abstract Majority of existing line following techniques focused on allowing the drone to follow lines located bottom of the drone’s front view camera. The drone are often in constant speed and changes its following direction by adjusting its steering angle.. 政治大 front view camera, adjusting the steering angle will make the line disappeared from the 立 However, when the drone needs to follow lines located vertically at the center of the. drone’s vision. Even though the previously followed line can still be seen in the front. ‧ 國. 學. view camera, current existing line following techniques cannot detect a previously. ‧. followed the line, the line needs to be fixed in front of the view to determine the. sit. y. Nat. direction of the follow. Moreover, when the drone changes direction, the moving inertia. io. er. will cause the drone to deviate from the original flight path. In addition, there are still rooms of improvement for existing research, such as error detection of lines, lack of. al. n. v i n Cperformance common methods to evaluate the following and does not include h e n g cofhline i U line following accuracy as performance measurement.. Therefore, this study proposes a two-dimensional directional vector probability model to solve the directionality problem caused by the drone following the line of the front view and to avoid error detection of the line. In this study, the two-layer twodimensional vector probability model and the inertial speed suppression method can suppress the moving inertia generated by the UAV when changing direction, allowing the drone to follow line quickly and accurately. This study also proposes two evaluation indicators to evaluate the performance of the drone for precise line following: 1) The. ii. DOI:10.6814/THE.NCCU.CS.001.2019.B02.

(5) degree of UAV vision center within the width of the target path, 2) The displacement error of the drone vision center from the target path. Finally, this study verifies the feasibility, stability and accuracy of the proposed method by experimenting in the real world. Based on the most accurate vector-based line following methods in the previous study as the benchmark, using our proposed evaluation methods, the proposed method in this study performs better than the benchmark. Among them, the two-layer two-dimensional direction vector probability. 政治大 capability of selecting flight direction, correcting its own position and suppressing the 立 model and the inertial speed suppression method are the most prominent, it has the. inertia speed, and can follow complex lines. After experimenting in the real world, the. ‧ 國. 學. method proposed in this study can be practically applied in the real world. In future, we. ‧. can further improve and extend the line following research for front view, including. sit. y. Nat. stability during movement, improvement for displacement error and practical. io. al. n. for skyscraper facilities.. er. applications for outdoor, such as high-voltage tower inspection and security inspection. Ch. engchi. i n U. v. Keywords: UAV, Autonomous Flight Control, Contour Line Following, Two-Dimensional Direction Vector Probability Model. iii. DOI:10.6814/THE.NCCU.CS.001.2019.B02.

(6) 目錄第 1 章緒論 .......................................................................................................... 1 1.1 研究背景 .......................................................................................................... 1 1.2 研究動機與目的 .............................................................................................. 3 1.3 論文架構 .......................................................................................................... 5 1.4 研究成果與貢獻 .............................................................................................. 6 第 2 章文獻探討................................................................................................... 8. 政治大 2.2 狀態轉換 ........................................................................................................ 11 立 2.1 線條跟隨 .......................................................................................................... 8. ‧ 國. 學. 2.3 小結 ................................................................................................................ 14 第 3 章前方視野輪廓線條跟隨的方向判斷模型 ................................................ 15. ‧. 3.1 輪廓線條偵測 ................................................................................................ 16. sit. y. Nat. 3.2 基於向量域的線條跟隨方法 ........................................................................ 19. al. er. io. 3.3 單層二維方向向量機率模型 ........................................................................ 22. v. n. 3.4 雙層二維方向向量機率模型 ........................................................................ 29. Ch. engchi. i n U. 3.5 慣性速度抑制方法 ........................................................................................ 34 第 4 章實驗設計與結果分析 .............................................................................. 37 4.1 實驗設計 ........................................................................................................ 37 4.1.1 評估指標計算 ...................................................................................... 41 4.2 實驗資料 ........................................................................................................ 44 4.2.1 實驗資料之平均時間點結果與測試圖形之複雜性分析 .................. 46 4.2.2 實驗資料之任務花費時間結果與測試圖形之複雜性分析 .............. 47 4.3 實驗結果與分析 ............................................................................................ 49 4.3.1 無人機視覺中心位於目標路徑寬度以內之程度實驗結果 .............. 50. iv. DOI:10.6814/THE.NCCU.CS.001.2019.B02.

(7) 4.3.2 無人機視覺中心偏移目標路徑寬度以外的位移誤差之實驗結果 .. 58 4.3.3 轉角飛行表現之實驗結果 .................................................................. 64 4.4 轉折度數之探討 ............................................................................................ 69 4.5 小結 ................................................................................................................ 71 第 5 章結論與未來展望 ..................................................................................... 72 5.1 研究結論 ........................................................................................................ 72 5.2 未來展望 ........................................................................................................ 73. 政治大附錄 ....................................................................................................................... 80 立. References ............................................................................................................. 75. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. v. i n U. v. DOI:10.6814/THE.NCCU.CS.001.2019.B02.

(8) 第 1 章緒論. 1.1 研究背景無人機，或稱無人飛行載具(Unmanned aerial vehicle)、無人飛機系統(Unmanned Aircraft System)，研究[1]中提及美國聯邦航空總署(FAA)對無人機的定義為使用或意圖使用機器設備在空中飛行時，該機器設備上並沒有機載控制員(on-board pilot). 政治大內等除了飛機上以外的任意地點，藉由遠端遙控器或是手持裝置，傳送命令給機上立. 進行控制。根據定義，雖然控制員不能在飛機上進行控制，但可以在如地面、房屋. ‧ 國. 學. 的機載電腦(on-board computer)，讓機載電腦進行控制。. 隨著技術的進步，無人機除了透過遠端搖控器或是手持裝置進行人為控制外，. ‧. 亦逐漸往自動且智能化的方向邁進。根據當前的任務目標，在電腦或是機載電腦上. sit. y. Nat. 建構演算法與程式來自動控制無人機執行任務。美國亞馬遜(Amazon)公司研發用. al. er. io. 來進行運輸貨物的無人機，具備了感應與避障(sense and avoid)、偵測目的地和搜尋. v. n. 著陸點等技術，讓無人機在運輸貨物時能自動感應與避開障礙物，並在快到目的地. Ch. engchi. i n U. 時啟用偵測，尋找適合的著陸點進行降落，確保運輸貨物順利。台灣經緯使用自製之無人機進行環境監測與建模。如高雄氣爆後，使用無人機對災難現場進行場景探勘，後續依照探勘結果進行 3D 建模，在電腦上呈現災難現場 3D 模型，以利搜救人員進行搜救。傳統的人為控制需要全程仰賴控制員的判斷與控制，然而自動且智能化的無人機控制程式能根據當前的環境狀態進行判斷與自動控制，除了自行買零件組裝無人機進行開發外，許多公司也有推出適合開發用的無人機。Intel® 公司推出的 Intel Aero，如圖 1.1[2]所示，是一台適合開發自動且智能化的無人機控制程式之無人機，機上具備了開源的 Linux 系統與多種感應器，功能齊全。中國大疆(DJI)推出 1. DOI:10.6814/THE.NCCU.CS.001.2019.B02.

(9) 的 M200，如圖 1.2[3]所示，亦為適合開發用的無人機，然而在開發上需要基於大疆自行開發的 SDK 進行後續的開發。法國 Parrot Drones SAS 所推出的 Parrot Bebop2 四軸無人機，如圖 1.3[4]所示，不管是室內或室外都適合飛行，且較 Intel Aero 與 DJI M200 耐撞，以做為開發用的無人機來說非常適合，本研究亦選擇此機種作為開發用的無人機。. 立. 政治大. ‧ 國. 學. 圖 1.1：Intel® Areo Ready To Fly 四軸無人機[2]. ‧. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 圖 1.2：DJI M200 四軸無人機[3]. 圖 1.3：Parrot Bebop2 四軸無人機[4]. 2. DOI:10.6814/THE.NCCU.CS.001.2019.B02.

(10) 對於地面上的輪型機器人而言，線條跟隨(line following)已經是一套相當成熟的技術。輪型機器人透過如光照電阻器(Light dependent resistor sensor, LDR)[5]或是攝像機[6]等設備，感測地面上的光影或是分析影像來進行線條偵測(Line Detection)，並藉由偵測的結果進行輪軸馬達的控制，使輪型機器人進行線條跟隨。目前的技術可以使地面上的輪型機器人完成快速且精準的線條跟隨，且在市面上亦能買到搭載線條跟隨技術的輪型機器人，隨時隨地的進行線條跟隨。無人機也是一種機器人，但屬於在空中飛行的機器人，在空中飛行時除了多了上下方向需要控制外，還可能. 政治大型機器人的線條跟隨技術應用到無人機上，無法完成快速且精準的線條跟隨。立. 遭遇風場干擾移動、強光干擾辨識或是電子訊號干擾通訊等等的意外情況，使得輪. ‧ 國. 學. 1.2 研究動機與目的. ‧. y. Nat. 基於向量域(vector field based)[7]的線條跟隨是目前最常應用在無人機上的方. er. io. sit. 法。Sujit、Saripalli、Sousa 三位學者在 2013 年的研究[8]中，比較了基於向量域的線條跟隨方法與虛擬目標點(virtual target point)等其他幾種線條跟隨的方法，基於. al. n. v i n Ch 向量域的線條跟隨方法能比較精準的跟隨參考路徑。然而該研究是以模擬器進行 engchi U. 實驗，實驗中雖然有考量風場的干擾，但是在真實世界(real world)中，無人機飛行時亦會遭遇其他意外情況，導致模擬器的實驗結果常與真實世界的實驗結果有所出入。 Brandao 在 2015 年的研究[9]是以真實世界的無人機進行線條跟隨實驗。無人機首先透過下方的攝像機進行線條偵測，找出河流與陸地的分界線條，接著應用線條跟隨方法，跟隨分界線條完成河岸自主跟隨任務。由於線條偵測技術並非完美， Brandao 在計算分界線條的向量時，有考慮線條的錯誤偵測所產生的誤差。然而從. 該研究提供的實驗影片中，可以觀察到當線條的錯誤偵測發生時，還是會使無人機. 3. DOI:10.6814/THE.NCCU.CS.001.2019.B02.

(11) 左右偏移，產生位移誤差。針對線條的錯誤偵測，應讓無人機具備認知能力，能夠讓無人機在計算向量時，過濾不屬於認知裡的線條。研究中亦沒有評估無人機進行線條跟隨時的表現，例如無人機是否在分界線條上或是無人機因為線條的錯誤偵測產生偏移時，到底產生了多少位移誤差。目前基於向量域的線條跟隨方法，大多使用下方的攝像機跟隨地面上的輪廓或是地形線條。在控制無人機飛行時，僅需計算線條向量的夾角，讓無人機依照夾角轉向，並以等高定速向前飛行即可。然而當無人機執行如高壓電塔檢測[10]、摩. 政治大就會產生方向性問題。因為無人機調整轉向角會使無人機前方視野的線條消失，而立. 天樓設備安檢[11]等等自動設備檢測任務，需要使用前方的攝像機進行線條跟隨時，. 且現有的線條跟隨不會再偵測到跟隨過的線條，但前方視野依然能偵測到跟隨過. ‧ 國. 學. 的線條，無人機需要在固定前方視野的情況下來決定跟隨方向。而且當無人機改變. y. Nat. 動慣性將使無人機失去原本的飛行路徑。. ‧. 方向飛行時，定速所產生的移動慣性會使無人機偏離原本的飛行路徑，且過大的移. er. io. sit. 從精準面來看，無人機進行線條跟隨時，即使無人機偏離原本的飛行路徑，只要無人機還能偵測到跟隨線條，就能進行位置校正，並繼續進行線條跟隨。然而研. al. n. v i n Ch 究[12]中有提到目前偵測與跟隨電纜線的技術仍然不夠精準，在研究[9]中也有提及 engchi U. 線條偵測技術並非完美。因此當無人機進行高壓電塔檢測時，如果線條跟隨的精準. 度不夠，使無人機偏離原本的飛行路徑，後續可能無法偵測到原本的飛行路徑，導致無人機無法繼續進行任務。為了避免該情況發生，無人機精準的進行線條跟隨有其必要性。基於六個現有的無人機線條跟隨研究限制以及對於無人機使用前方的攝像機進行線條跟隨之困難處作為研究動機：一、模擬器的實驗結果常與真實世界的實驗結果有所出入。二、無人機使用前方的攝像機進行線條跟隨時，會產生方向性問題。. 4. DOI:10.6814/THE.NCCU.CS.001.2019.B02.

(12) 三、線條的錯誤偵測會影響無人機原本的跟隨。四、無人機改變方向飛行所產生的移動慣性會使無人機偏離原本的飛行路徑。五、無人機精準的進行線條跟隨有其必要性。六、沒有評估無人機進行線條跟隨時的表現。本研究的目的在於以真實世界的無人機，使用其前方的攝像機進行線條跟隨。無人機藉由本研究提出的單層二維方向向量機率模型與雙層二維方向向量機率模型來解決方向性問題以及避免線條的錯誤偵測影響跟隨。本研究提出的雙層二維方向. 政治大移動慣性，使無人機能夠快速且精準的進行線條跟隨，減少因為移動慣性造成的位立. 向量機率模型搭配慣性速度抑制方法，能夠抑制無人機改變方向飛行時所產生的. 移誤差。本研究提出兩種評估指標 1. 無人機視覺中心位於目標路徑寬度以內之程. ‧ 國. 學. 度以及 2. 無人機視覺中心偏移目標路徑寬度以外的位移誤差，試圖評估無人機進. er. io. sit. y. Nat. 1.3 論文架構. ‧. 行精準的線條跟隨時的表現。. al. n. v i n Ch 本論文架構在第一章闡述研究背景、動機與目的；第二章探討與本研究相關的 engchi U. 背景和技術，主要介紹線條跟隨與狀態轉換的相關研究；第三章介紹本研究的前方視野輪廓線條跟隨的方向判斷模型架構，該架構分為輪廓線條偵測與跟隨控制兩個階段，在跟隨控制階段中將介紹作為基準的基於向量域的線條跟隨方法、本研究提出的單層二維方向向量機率模型、雙層二維方向向量機率模型與慣性速度抑制方法；第四章首先講述驗證方法可行性與穩定性之實驗設計，包含了兩種評估指標：無人機視覺中心位於目標路徑寬度以內之程度以及無人機視覺中心偏移目標路徑寬度以外的位移誤差之說明，再來說明實驗中所收集的實驗資料與基本統計結果，後續對實驗資料進行評估，得出實驗結果並進行比較與分析來驗證方法之可行性. 5. DOI:10.6814/THE.NCCU.CS.001.2019.B02.

(13) 與穩定性；第五章為本研究的結論與未來展望。. 1.4 研究成果與貢獻本研究的研究成果與貢獻主要為提出的單層二維方向向量機率模型、雙層二維方向向量機率模型以及慣性速度抑制方法，解決當無人機使用前方的攝像機進行線條跟隨時，所產生的方向性問題、避免線條的錯誤偵測影響跟隨以及抑制無人. 政治大. 機改變方向飛行時所產生的移動慣性，最後透過兩種評估指標來評估無人機進行線條跟隨表現。. 立. 如圖 1.4，對於無人機來說，使用下方的攝像機進行線條跟隨時，只要讓無人. ‧ 國. 學. 機一直向前方移動(黑色線條)，並依照線條偵測的結果(棕色線條)適時的調整轉向. ‧. 角即可。然而將下方的攝像機更換成前方的攝像機後，則無人機無法再沿著單一方. y. Nat. 向移動，且調整轉向角亦不能改變跟隨方向，無人機需要決定跟隨方向，並進行上. er. io. sit. 下(棕色線條)左右(黑色線條)的多方向移動。因此本研究所提出的二維方向向量機率模型可以為無人機選出適當且合理的飛行方向進行線條跟隨，解決方向性問題。. al. n. v i n Ch 後續二維方向向量機率模型根據此方向進行認知，得出飛行座標，使無人機能精準 engchi U. 的進行線條跟隨，並避免線條的錯誤偵測影響跟隨。藉由本研究提出的雙層二維方向向量機率模型搭配慣性速度抑制方法，能夠抑制無人機改變方向飛行時所產生的移動慣性，使無人機精準的維持在原本的飛行路徑上，或是減少無人機偏離飛行路徑的位移誤差，同時避免過大的移動慣性使無人機失去原本的飛行路徑。. 6. DOI:10.6814/THE.NCCU.CS.001.2019.B02.

(14) 圖 1.4：使用下方的攝像機(左)與前方的攝像機(右)進行線條跟隨之不同. 政治大目前對於無人機進行線條跟隨的研究來說，沒有一種固定的評估方式來評估立. 無人機進行線條跟隨時的表現，大多以圖或是影片呈現研究成果，一些有評估數據. ‧ 國. 學. 的研究亦只有模擬器的研究成果。因此本研究提出兩種評估指標來評估真實世界. ‧. 之無人機進行線條跟隨時的表現，希望能夠為後續進行線條跟隨研究的論文提供. y. Nat. 一個固定的評估方式來呈現研究成果。. er. io. sit. 進行如高壓電塔檢測、摩天樓設備安檢或是山脈岩石紋理觀測等等任務時，由於這些設備或是地形的高度較為高聳，對於任務執行人來說具有一定程度的風險，. al. n. v i n Ch 因此使用無人機進行任務是較為安全的。本研究所提出的前方視野輪廓線條跟隨 engchi U. 的方向判斷模型，能夠針對前方的目標物輪廓線條進行跟隨，在針對高壓電塔、摩. 天樓等設備或是山脈岩石、峽谷斷面等地形進行輪廓線條偵測後，也能對這些輪廓線條進行跟隨，自動完成設備偵測、目標物狀態觀測等任務。藉由自動化能增加更多次的設備偵測、目標物狀態觀察，減少危險意外的發生或是增加研究人員對於目標物的理解。. 7. DOI:10.6814/THE.NCCU.CS.001.2019.B02.

(15) 第 2 章文獻探討第二章將依序介紹與本研究相關的文獻資料。首先將針對線條跟隨的發展與近年來的研究做相關文獻的探討，再來針對與狀態轉換相關的研究進行探討，並建立狀態轉換與二維方向向量機率模型之間的關係。透過文獻探討，除了對於與本研究相關的背景和技術有更深入的理解外，更能確立本研究方法的合理性。. 2.1 線條跟隨. 立. 政治大. ‧ 國. 學. 線條跟隨，或稱路徑跟隨，屬於機器人領域中的一種應用。先藉由線條偵測找出欲跟隨的線條後，藉由控制算法進行線條跟隨。對於一台具備自動導航能力的無. ‧. 人機來說，線條跟隨是最基本且應有的能力[8]。無人機透過線條跟隨，能自動的進. sit. y. Nat. 行一些耗時費力且危險的偵測任務，減少人力的開銷。然而無人機屬於機器人領域. al. n. 研究與開發。. er. io. 中較為新興的研究領域，因此早期的線條跟隨研究主要使用地面上的機器人進行. Ch. engchi. i n U. v. 地面上的機器人會配備朝向地面的感測器，感測地面上的線條來進行線條跟隨。如 Punetha 於 2013 年的研究[5]，讓機器人配備光照電阻器(LDR)來偵測與跟隨地上黑色的線條，藉此在患者需要藥物時，機器人跟隨地上的黑線來到患者附近提供藥物。Dupuis 於 2006 的研究[6]，機器人透過朝向地面的攝像機，獲取地面上的線條影像後進行處理並跟隨線條。Ghani 於 2011 年的研究[13]，機器人透過紅外線感測器，感測地面上的線條來進行線條跟隨。由於地面上的機器人只能進行平面移動，因此在上一段中所提及之研究，基本上都針對了地面上的線條進行線條跟隨。也因此當在空中飛行的無人機出現後，絕大部分的線條跟隨研究應用在無人機上，仍然透過在無人機下方或是前下方裝上 8. DOI:10.6814/THE.NCCU.CS.001.2019.B02.

(16) 感測器，讓無人機感測地面上的線條，向前移動進行線條跟隨。如 Páll 在 2014 年的研究[14]，使用無人機的前下方鏡頭進行鐵軌的偵測，找出軌道兩旁的線條後進行線條跟隨，藉此完成鐵軌檢測任務。Brandao 在 2015 年的研究[9]亦使用下方的攝像機進行河流與陸地的分界線偵測與跟隨。Cerón 在 2018 年的研究[15]，讓無人機飛到高壓電塔上方，對高壓電線進行偵測與跟隨，藉此完成高壓電塔檢測任務。 Hartley 在 2018 年的研究[16]，透過偵測地面上的道路，讓無人機自動沿著地面上的道路進行飛行。. 政治大物。然而針對整張影像去做邊緣檢測以及線條偵測很容易出現誤判，產生線條的錯立上述研究通常針對整張影像進行邊緣檢測以及線條偵測，找出欲跟隨的目標. 誤偵測。如研究[9]的實驗影片中，在陸地上會有因為線條偵測誤判所產生的線，影. ‧ 國. 學. 響線條跟隨。為了找出欲跟隨的目標物，應具備識別目標物的能力。在研究[17]、. ‧. 研究[18]以及研究[19]中皆有提及，輪廓偵測是各種電腦視覺任務(如影像切割、物. y. Nat. 件識別)的基礎。因此進行線條偵測時，應先進行輪廓偵測來識別目標物，目標物. er. io. sit. 也就是線條，再來才進行邊緣檢測以及線條偵測。先進行輪廓偵測可以找出線條的輪廓，縮減邊緣檢測以及線條偵測的範圍，並避免線條的錯誤偵測發生。. al. n. v i n Ch 因為無人機通常都是向前跟隨地上的線條，因此線條跟隨的控制算法大多都 engchi U. 採取讓無人機等高定速向前移動，依照線條偵測的結果來計算轉向角進行跟隨。如 Sujit、Saripalli、Sousa 三位學者在 2013 年的研究[8]中所進行比較的五種算法：胡蘿蔔追逐演算法(Carrot chasing algorithm)[20]、非線性導引原則(Non-linear guidance law)[21]、純追逐和基於 LOS(Line-Of-Sight)的路徑跟隨(Pure pursuit and LOS based path following, PLOS)[22] 、基於向量域的路徑跟隨 (vector ﬁeld based path following)[7]以及基於線性二次調節器的路徑跟隨(linear quadratic regulator based path following, LQR)[23]，在進行控制計算時都是讓無人機向前移動，並將無人機當前方位作為基準，與目標方位之夾角進行運算都出轉向角，讓無人機邊移動邊轉. 9. DOI:10.6814/THE.NCCU.CS.001.2019.B02.

(17) 向，直至欲跟隨的線條上。然而無人機並不是只能向前移動而已，無人機本身在空中進行移動，因此除了向前以及調整轉向外，也能往上下以及左右進行移動。顯然當無人機進行地面上的線條跟隨時不需要考慮到上下以及左右的移動，然而當無人機需要以前方的線條為目標進行跟隨，如高壓電塔檢測[10]，摩天設備安檢[11]，調整轉向會使無人機失去跟隨線條，需要讓無人機固定前方視野來決定跟隨方向，沿著設備的輪廓線條進行上下左右的多方向性移動跟隨，完成設備檢測任務。在目前的線條跟隨研究中，. 政治大方的線條為目標進行線條跟隨的研究。立. 絕大多數的研究依然是讓無人機向前移動，並調整轉向角進行跟隨，甚少有使用前. 對於地面上的輪型機器人來說，精準的線條跟隨能展現輪型機器人的自主智. ‧ 國. 學. 慧，在線條跟隨的比賽中精準度亦為評分的重要項目。在研究[24]中的輪型機器人. ‧. 具有精準的線條跟隨演算法，並在比賽中得名。對於無人機而言，精準的線條跟隨. y. Nat. 除了是最基本且應有的能力[8]，對於目前的研究[9]、[12]中皆提到目前線條偵測的. er. io. sit. 技術並不是完美的，因此當無人機進行線條跟隨時，如果不在乎精準度，那無人機偏離跟隨線條時，就有可能因為線條偵測的技術並非完美，導致無人機無法繼續跟. al. n. v i n Ch 隨線條。研究[25]讓無人機精準的跟隨預定好的軌跡線條，產生的誤差非常小(釐米 engchi U 等級)，適合用在城市道路導航上。. 研究[26]中亦提到許多任務，如搜救(search and rescue)、監視(surveillance)以及城市道路監控(urban highway traffic monitoring)會產生線條讓無人機精準的進行跟隨以便完成任務。這些任務如果沒有辦法精準的跟隨線條，則很有可能任務無法完成。如搜救任務，無法精準的跟隨線條，可能導致救援時間拖長，或是找不到搜救目標。. 10. DOI:10.6814/THE.NCCU.CS.001.2019.B02.

(18) 2.2 狀態轉換與狀態轉換有關的研究有二：有限狀態機以及馬可夫決策過程。本節將針對此二研究進行介紹與探討，並建立狀態轉換與二維方向向量機率模型之間的關係。有限狀態機(finite state machine)是一數學模型，其中包含了數量有限個狀態，狀態之間經由特定動作或輸入轉換到下一個特定狀態。狀態包含了起始以及接受 (或稱終點)狀態，起始狀態指的是沒有任何箭頭指到的狀態[27]，由起始狀態開始. 政治大出現連續兩個 1 之有限狀態機。兩個圈的狀態 S3 為接受狀態，S0 表示起始狀態，立轉換直至接受狀態。有限狀態機通常以圖來呈現，如圖 2.1 為一偵測輸入字串是否. 經由 0 或 1 的符號作為輸入，轉換至下一個狀態 S1 或是 S2，直到接受狀態 S3 後. ‧. ‧ 國. 學. 結束。. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 圖 2.1: 偵測輸入字串是否出現連續兩個 1 之有限狀態機. 有限狀態機藉由狀態以及動作轉換，可以應用在許多地方。以紅綠燈為例，紅燈、黃燈以及綠燈即為狀態，動作轉換如紅燈轉黃燈、黃燈轉綠燈等燈號轉換。每經過一段時間，有限狀態機會自動進行燈號轉換，完成自動控制。在無人機的領域上，有限狀態機可以用來做為決策控制方法。在研究[28]中，無人機執行噴灑農藥任務，從初始狀態轉換到偵測狀態，並藉由偵測結果不斷靠近噴灑目標。接著將會 11. DOI:10.6814/THE.NCCU.CS.001.2019.B02.

(19) 從偵測狀態轉換到噴灑目標追蹤狀態，飛到噴灑目標的上方，確認後開始降低至特定高度來進行噴灑農藥，完成噴灑農藥任務。馬可夫決策過程為一與有限狀態機相似的數學模型，說明馬可夫決策過程之前，需要先瞭解馬可夫鏈(Markov chain)，馬可夫鏈表示了在狀態空間中，從一個狀態轉換到下一個狀態的隨機過程，且具馬可夫性，也就是下一個狀態的機率分布只由當前狀態決定，與之前轉換過的狀態皆無關係。如圖 2.2，S1 的下一個狀態有 0.7 的機率轉換到 S3，有 0.3 的機率轉換到 S2，馬可夫一詞的由來根據俄國數學家. 政治大. 安德烈·馬可夫於 1906 年實作此一過程[29]得名。. 立. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 圖 2.2: 具有 3 個狀態之馬可夫鏈. 馬可夫鏈由兩個集合(S, P)所組成，S 表示了有限數量的狀態集合，P 則為條件機率 P(St+1|St)，表示在當前狀態 St 下轉換至 St+1 的機率。當馬可夫鏈增加了動作 A、獎勵 R 以及折扣因素 γ，轉變成(S, A, P, R, γ)，此一元組與馬可夫決策過程是相同的[29]。其中 S 依然表示了有限數量的狀態集合，A 為動作集合，P 依然為條件機率，不過變成 P(St+1|St, At)，表示在當前狀態 St 下，執行了動作 At 後轉換至 St+1 的機率。R 為函式 R(St, At, St+1)之縮寫，執行 At 使 St 轉換至 St+1 後，會立即. 12. DOI:10.6814/THE.NCCU.CS.001.2019.B02.

(20) 獲得的獎勵。折扣因素 γ 是一個介於 0 到 1 之間的常數，γ 靠近 0 會讓決策偏向如何及時獲得最佳獎勵，靠近 1 則使決策偏向整體獲得最佳獎勵。如圖 2.3，狀態 S0 執行 A0 後轉換到 S1，並依照 S0、A0 與 S1 獲得 R0 作為獎勵。. 立. 政治大. ‧. ‧ 國. 學. 圖 2.3: 馬可夫決策過程. 有限狀態機與馬可夫決策過程皆具狀態以及動作轉換，有限狀態機的狀態轉. sit. y. Nat. 換是明確的，也就是當前狀態接收到動作或訊號後，就會根據設計好的轉換方式進. al. er. io. 行轉換，且狀態轉換是一定成功的。如紅綠燈的狀態轉換，一定會從綠燈變成黃燈，. v. n. 再從黃燈變成紅燈。然而對於無人機的線條跟隨而言，當無人機向左方移動時，有. Ch. engchi. i n U. 可能會改變線條跟隨狀態，也有可能維持原本的線條跟隨狀態，是具有隨機性的轉換過程。且需要有策略性的方式引導無人機往未跟隨過的線條前進。鑒於無人機的精準線條跟隨是具有隨機性與策略性的轉換過程，本研究所使用之二維方向向量機率模型主要來自馬可夫決策過程中的狀態與動作轉換，並建立線條跟隨的認知做為跟隨策略。對於本研究之無人機進行線條跟隨時，從前方的攝像機所獲得的影像，應為當前無人機進行線條跟隨時的狀態。線條跟隨時可能出現的狀態分別為無人機在線條寬度內、無人機有看到線條但不在線條寬度內上以及無人機沒看到線條，這也就是馬可夫決策過程裡的狀態。對於線條跟隨而言，在動作轉換上應要讓當前狀態轉換至無人機在線條寬度內，因此透過上下左右的動 13. DOI:10.6814/THE.NCCU.CS.001.2019.B02.

(21) 作讓無人機能將當前狀態轉換至無人機在線條寬度內。後續依照線條偵測的結果，以線條跟隨的認知做為跟隨策略，驅使無人機往未跟隨過的線條進行精準跟隨。目前的研究也有透過影像作為馬可夫決策過程裡的狀態，Koenig 在 2018 年的研究[30]，將經過 VGG 訓練後得到的影像作為馬可夫決策過程裡的狀態。Xiang 在 2015 的研究[31]將影像裡的當前跟蹤目標的狀態作為馬可夫決策過程裡的狀態。上下左右 4 個方向經常在與馬可夫決策過程相關的研究中使用，如 Turchetta 在 2016 年的研究[32]以上下左右 4 個方向作為動作。Ferreira 在 2018 年的研究[33]亦. 政治大此在研究中通常一次只會採取單一方向的動作。與本研究相比，本研究除了上下左立使用上下左右 4 個方向作為動作。然而馬可夫決策過程由於計算上的複雜度，因. 右 4 個方向以外，還具有左上、左下、右上以及右下等複合性的方向。. ‧. ‧ 國. 學. 2.3 小結. y. Nat. er. io. sit. 在過去的線條跟隨研究中，鑒於地面上的機器人只能進行平面運動，因此開發的線條跟隨演算法皆讓機器人向前並調整方位角移動。在無人機出現後，這些原本. al. n. v i n Ch 適用在地面上的機器人之線條跟隨演算法也被應用在無人機上。然而當無人機需 engchi U. 要跟隨前方的線條時，就不能再向單一方向並調整方位角移動，需要固定前方視角. 並決定跟隨方向，進行上下左右之多方向性移動。本研究提出之方法試圖解決此多方向性問題，透過馬可夫決策過程裡的狀態與動作，針對當前畫面判斷三種狀態: 當前的無人機在線條寬度內、無人機看到線條卻不在線條線條寬度內或是無人機完全沒看到線條，讓無人機執行上下左右之多方向移動，轉換當前狀態至無人機在線條寬度內，藉此讓無人機能順利的進行精準的線條跟隨。後續以線條跟隨的認知做為跟隨策略，驅使無人機往未跟隨過的線條進行跟隨。. 14. DOI:10.6814/THE.NCCU.CS.001.2019.B02.

(22) 第 3 章前方視野輪廓線條跟隨的方向判斷模型本研究為了解決無人機使用前方的攝像機進行線條跟隨時所產生的方向性問題以及避免線條的錯誤偵測影響跟隨，提出了兩種方法：單層二維方向向量機率模型以及雙層二維方向向量機率模型。透過雙層二維方向向量機率模型搭配慣性速度抑制方法來抑制無人機在改變方向飛行時所產生的移動慣性。將讓無人機在真實世界進行方法測試，並針對測試結果進行評估與分析。. 政治大隨控制兩個部分。本章節將先從輪廓線條偵測方法開始進行介紹，接著進入跟隨控立本研究之前方視野輪廓線條跟隨的方向判斷模型主要分為輪廓線條偵測與跟. ‧ 國. 學. 制的部分，從作為基準的基於向量域的線條跟隨開始介紹，接著為本研究主要提出的單層二維方向向量機率模型與雙層二維方向向量機率模型，最後介紹慣性速度. ‧. 抑制方法。詳細的前方視野輪廓線條跟隨的方向判斷模型架構可以參閱圖 3.1。. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 圖 3.1：前方視野輪廓線條跟隨的方向判斷模型架構. 15. DOI:10.6814/THE.NCCU.CS.001.2019.B02.

(23) 3.1 輪廓線條偵測本研究使用無人機以及其前方的攝像機進行線條跟隨。從前方的攝像機獲取原始影像後進行輪廓線條偵測，考慮到原始影像可能有過多的雜訊，會影響後續的偵測，因此本研究使用模板長寬皆為 13 的高斯平滑濾波(Gaussian Blur filter)進行影像雜訊的平滑化。進行完影像雜訊的平滑化後，本研究將對欲跟隨線條的顏色進行偵測。由於在. 政治大先將影像從 RGB(Red, Green, Blue)空間轉換成 HSV(Hue, Saturation, Value)空間。立. 真實世界中，顏色受到光線的影響後，可能產生深淺或是明暗等變化，因此本研究. RGB 表示由紅光、綠光以及藍光組成單一顏色，HSV 表示色相、飽和度以及明亮. ‧ 國. 學. 度，飽和度表示了顏色的深淺，明亮度表示顏色的明暗程度。在偵測線條顏色時，. ‧. HSV 空間比 RGB 空間更能直觀的表示線條顏色，只要針對線條顏色的色相去進行. y. Nat. 偵測，並將所有的飽和度以及明亮度考慮進來即可將受到光線影響的線條顏色都. er. io. sit. 偵測出來，然而 RGB 空間還需要針對藍光與綠光進行飽和度以及明亮度的計算。線條顏色偵測結束後，本研究將進行輪廓偵測(contour detect)並選取出最大的. al. n. v i n Ch 輪廓，因為在無人機進行線條跟隨時，前方的攝像機所看到的最大輪廓應為欲跟隨 engchi U. 線條之輪廓。後續將選取出的最大輪廓以白色填滿後，畫至全黑影像上，產生如圖 3.2 的黑白影像，目的是為了避免其他與欲跟隨線條顏色一致的細小輪廓對邊緣偵測產生干擾。接著對畫有最大輪廓的黑白影像進行邊緣偵測(Canny detection)以及機率霍夫線條轉換(Probability Hough Line Transform)來偵測出欲跟隨線條。先進行邊緣偵測有助於提升機率霍夫線條轉換的精準度，邊緣偵測針對門檻值 55 的邊緣進行偵測，並用門檻值 20 將找到的邊緣連接起來。完成邊緣偵測後進行最後的機率霍夫線條轉換，目的是為了確認最大輪廓真的為本研究欲跟隨線條之輪廓。機率霍夫線條轉. 16. DOI:10.6814/THE.NCCU.CS.001.2019.B02.

(24) π. 換將尋找符合小於180的角度、門檻值 50、最小長度 50 以及線與線之間最大間隔 50 的線條，到此完成輪廓線條偵測。輪廓線條偵測之流程圖可以參閱圖 3.3。輪廓線條偵測之結果如圖 3.4，此圖以偵測紅色線條之輪廓為例，將輪廓線條偵測後所得到的結果以綠線呈現，可以觀察到輪廓線條偵測的結果確實有將紅色線條之輪廓偵測出來。. 立. 政治大. ‧. ‧ 國. 學. n. er. io. al. sit. y. Nat 圖 3.2：最大輪廓之黑白影像. Ch. engchi. i n U. v. 17. DOI:10.6814/THE.NCCU.CS.001.2019.B02.

(25) 立. 政治大. ‧. ‧ 國. 學 er. io. sit. y. Nat. n. a圖l 3.3：輪廓線條偵測之流程 i v n Ch U engchi. 輪廓線條偵測之結果. 圖 3.4：輪廓線條偵測之結果(以紅色線條為例) 藍色箭頭指的兩條綠線即為紅色線條之輪廓，淡紅色區域為無人機目前所在區域. 18. DOI:10.6814/THE.NCCU.CS.001.2019.B02.

(26) 3.2 基於向量域的線條跟隨方法基於向量域的線條跟隨方法主要計算欲跟隨線條周圍的向量域，向量域裡的向量表示了進行線條跟隨時所需的飛行方向[7]。本研究將根據本章 3.1 節輪廓線條偵測的結果進行後續的飛行方向計算與無人機的移動控制。對於研究[7]而言，使用公式 3.1 控制無人機進行線條跟隨，其中𝑉𝑎 為空速，𝜑 為轉向角，𝑊𝑥 與𝑊𝑦 為風速。然而對於以前方視野進行線條跟隨的無人機而言，調. 政治大偵測到跟隨過的線條，但前方視野依然能偵測到跟隨過的線條，無人機需要在固定立整轉向角的方式將會使無人機前方視野的線條消失，而且現有的線條跟隨不會再. 前方視野的情況下來決定跟隨方向。對此本研究將先計算欲跟隨線條周圍的向量，. ‧ 國. 學. 找出飛行方向，後續讓無人機依照此飛行方向進行跟隨。. 3.1(a) 3.1(b). io. er. 𝑦̇ = 𝑉𝑎 ∗ 𝑆𝑖𝑛𝜑 + 𝑊𝑦. sit. y. ‧. Nat. 𝑥̇ = 𝑉𝑎 ∗ 𝐶𝑜𝑠𝜑 + 𝑊𝑥. al. n. v i n Ch 根據本章 3.1 節輪廓線條偵測之結果，線條兩旁的綠線即為欲跟隨線條周圍的 engchi U. 線條，因此針對這些位於線條兩旁的綠線進行向量的計算，產生向量域。如公式 3.2 所示，P1 與 P2 為綠線兩側之端點，其中 P1 為起點，P2 為終點，藉由 P2 與 P1 之座標相減得到向量𝑉𝑒𝑐𝑡𝑜𝑟((𝑥𝑃1 , 𝑦𝑃1 ), (𝑥𝑃2 , 𝑦𝑃2 ))，其中 x 表示影像水平軸的座標，y 表示影像垂直軸的座標，座標原點位於影像的左上角，並往右與下遞增。與現實世界的座標系對應，前方為+x，左為+y(對應影像的 x)，上為+z(對應影像的 y)。. 𝑉𝑒𝑐𝑡𝑜𝑟((𝑥𝑃1 , 𝑦𝑃1 ), (𝑥𝑃2 , 𝑦𝑃2 )) = (𝑥𝑃2 − 𝑥𝑃1 , 𝑦𝑃2 − 𝑦𝑃1 ). 3.2. 19. DOI:10.6814/THE.NCCU.CS.001.2019.B02.

(27) 計算完位於欲跟隨線條兩旁的綠線向量後，為了找出飛行方向，接著根據公式 3.3 計算每條綠線的斜率，並將每條綠線的斜率進行平均，得出平均斜率 Avg.M。然後本研究將影像中心設定為無人機目前的所在位置，以公式 3.4(a)得出飛行方向 (∆𝑦 , ∆𝑧 )， ∆𝑦 表示無人機左右移動之飛行方向，以常數值 C 作為無人機欲移動的水平距離， ∆𝑧 為𝐴𝑣𝑔. 𝑀 + 𝑦𝑖𝑚𝑎𝑔𝑒_𝑐𝑒𝑛𝑡𝑒𝑟，表示無人機依照平均斜率的計算結果進行上下移動。由於垂直線的斜率不存在，因此公式 3.4(b)對垂直線進行處理，水平軸的 ∆𝑦 為 0，表示無人機不進行水平移動，而 ∆𝑧 為𝑦𝑃2 − 𝑦𝑖𝑚𝑎𝑔𝑒_𝑐𝑒𝑛𝑡𝑒𝑟，表示無人機依照. 政治大色箭頭所指之綠線為輪廓線條偵測之結果，紅色箭頭所指之深紅線為計算出的飛立. 欲跟隨線條周圍的向量往上或下移動。圖 3.5 以視覺方式呈現飛行方向，圖中的藍. 行方向。. (𝑦𝑃2 − 𝑦𝑃1 ) (𝑥𝑃2 − 𝑥𝑃1 ). ‧. ‧ 國. 學 𝑀((𝑥𝑃1 , 𝑦𝑃1 ), (𝑥𝑃2 , 𝑦𝑃2 )) =. Nat. sit. y. 3.3. al. n. ∆𝑦 = 0, ∆𝑧 = 𝑦𝑃2 − 𝑦𝑖𝑚𝑎𝑔𝑒_𝑐𝑒𝑛𝑡𝑒𝑟. Ch. 輪廓線條偵測之結果. engchi. er. io. ∆𝑦 = ∁, ∆𝑧 = 𝐴𝑣𝑔. 𝑀 + 𝑦𝑖𝑚𝑎𝑔𝑒_𝑐𝑒𝑛𝑡𝑒𝑟. i n U. v. 3.4(a) 3.4(b). 飛行方向. 圖 3.5：以視覺方式呈現基於向量域的線條跟隨之飛行方向藍色箭頭所指的綠線為輪廓線條偵測之結果，紅色箭頭所指之深紅線為飛行方向. 20. DOI:10.6814/THE.NCCU.CS.001.2019.B02.

(28) 最後將依照公式 3.4 所計算出來的飛行方向進行無人機的移動控制，根據公式 3.5 對飛行方向進行調整，以λ修正飛行方向，主要目的是避免飛行方向數值過大，導致無人機進行跟隨時速度過快，超過可人為控制降落之範圍，影響實驗的公平性。無人機將以調整過的飛行方向進行移動控制，並根據圖 3.1 的流程進行下一個時間點的輪廓線條偵測，直到終點完成線條跟隨。. 𝑉𝑦 =. ∆𝑦 λ. 3.5(a). ∆ 治政 𝑉 = λ 大. 3.5(b). 𝑧. 𝑧. 立. ‧ 國. 學. 當基於向量域的線條跟隨遇上稍微複雜的線條，如具有轉折處的線條，當無人機視覺中心進入轉折處的時候，轉折處兩端的線條將影響向量的計算，導致跟隨表. ‧. 現受到影響。如轉折處兩端為 V 字形時，計算出來的向量會因為兩條互為相反的. y. Nat. sit. 線條而趨近於直線，導致在轉折處的地方，基於向量域的線條跟隨無法沿著轉折處. n. al. er. io. 移動，而會直直的橫越轉折處。當轉折處兩端為 L 字形時，計算出來的向量會趨. i n U. v. 近於斜線，亦會使基於向量域的線條跟隨無法沿著轉折處移動，而依照斜線的向量跟隨。. Ch. engchi. 21. DOI:10.6814/THE.NCCU.CS.001.2019.B02.

(29) 3.3 單層二維方向向量機率模型為了解決無人機使用前方的攝像機進行線條跟隨時所產生的方向性問題以及避免線條的錯誤偵測影響跟隨，本研究提出了單層二維方向向量機率模型，將根據本章 3.1 節輪廓線條偵測的結果進行後續的單層二維方向向量機率模型建構與無人機的移動控制。對於無人機來說，前方視野的中間相當於當前線條跟隨的狀態，也就是馬可夫. 政治大研究只使用上下左右 4 個方向作為動作，還多了左上、左下、右上以及右下等動立. 決策過程裡的狀態，而狀態的轉換也就是從中間往其他地方移動。本研究鑑於其他. 作。因此本研究除了中間區域以外，依照 8 個動作將周遭區域切成 8 個區域，一個. ‧ 國. 學. 區域對應一個飛行方向。. ‧. 如圖 3.6 所示，S0 為無人機有看到線條但不在線條寬度內，S1 為無人機在線. y. Nat. 條寬度內，S2 為無人機沒看到線條。在第一秒(左)時，當前線條跟隨的狀態為 S0，. er. io. sit. 藉由單層二維方向向量機率模型的計算，往左方移動的機率最大(0.64604)，並會使狀態轉換至 S1。為了將當前線條跟隨的狀態轉換至 S1，單層二維方向向量模型將. al. n. v i n C h，當前線條跟隨的狀態將會依據偵測結果改變會選擇往左方移動。在第二秒(右)時， engchi U. 當前線條跟隨的狀態為 S1，而因為左上方有偵測到線條，但左上之中心點不在線條內，因此左上的狀態從 S2 轉換至 S0。藉由單層二維方向向量機率模型的計算，由於上一秒往左方移動，所以往右表示往跟隨過的方向移動，因此即便往右會使狀態轉換成 S1，無人機仍會繼續選擇往左移動。本研究將先進行影像分割，將影像分成上段所提及之 9 個區域。根據本章 3.1. 節輪廓線條偵測之結果，確認最大輪廓真的為本研究欲跟隨線條之輪廓後，本研究對畫有最大輪廓的黑白影像進行影像分割。如圖 3.7 所示，將黑白影像分成 9 個方位判讀空間區域，由左至右由上而下的順序從方向索引 0 開始編至方向索引 8，以. 22. DOI:10.6814/THE.NCCU.CS.001.2019.B02.

(30) 中間方位判讀空間區域(方向索引 4)作為無人機目前的所在區域，周遭的 8 個方位判讀空間區域即為無人機的飛行方向。以右上的方位判讀空間區域(方向索引 2)為例，當單層二維方向向量機率模型選擇此方位判讀空間區域作為飛行方向時，表示無人機決定往右上移動。初始的單層二維方向向量機率模型根據公式 3.6 建構，分別計算 9 個方位判讀空間區域中所擁有的欲跟隨線條輪廓面積，由於中間方位判讀空間區域為無人機目前的所在區域，所以扣除掉中間的欲跟隨線條輪廓面積後，以剩下 8 個方位判. 政治大對於初始的單層二維方向向量機率模型來說，沒有欲跟隨線條輪廓面積的方立. 讀空間區域作為基底，得到初始的單層二維方向向量機率模型。. 位判讀空間區域其狀態為無人機沒看到線條，而有欲跟隨線條輪廓面積的方位判. ‧ 國. 學. 讀空間區域則狀態有可能為無人機在線條寬度內或是無人機有看到線條但不在線. ‧. 條寬度內。. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 圖 3.6：單層二維方向向量機率模型之狀態轉換左為第一秒的狀態轉換(對應圖 3.7 左)，右為第二秒的狀態轉換(對應圖 3.7 右). 23. DOI:10.6814/THE.NCCU.CS.001.2019.B02.

(31) 方向索引:0. 方向索引:1. 方向索引:2. 方向索引:3. 方向索引:4. 方向索引:5. 方向索引:6. 方向索引:7. 方向索引:8. 圖 3.7：經過影像分割的最大輪廓黑白影像左圖與右圖的方向索引一樣. 政治大. 𝐴𝑟𝑒𝑎(0) 𝑀𝑎𝑥𝑅𝑒𝑑𝐶𝑜𝑛𝑡𝑜𝑢𝑟𝐴𝑟𝑒𝑎 = {𝐴𝑟𝑒𝑎(3) 𝐴𝑟𝑒𝑎(6). 立. 𝐴𝑟𝑒𝑎(1) 𝐴𝑟𝑒𝑎(4) 𝐴𝑟𝑒𝑎(7). 𝐴𝑟𝑒𝑎(2) 𝐴𝑟𝑒𝑎(5)} 𝐴𝑟𝑒𝑎(8). 3.6(a). ‧ 國. 學. 𝑏𝑎𝑠𝑒_𝑎𝑟𝑒𝑎 = 𝑆𝑢𝑚(𝑀𝑎𝑥 𝑅𝑒𝑑 𝐶𝑜𝑛𝑡𝑜𝑢𝑟 𝐴𝑟𝑒𝑎) − 𝐴𝑟𝑒𝑎(4) 𝐴𝑟𝑒𝑎(0) 1 ∗ { 𝐴𝑟𝑒𝑎(3) 𝑏𝑎𝑠𝑒_𝑎𝑟𝑒𝑎 𝐴𝑟𝑒𝑎(6). 𝐴𝑟𝑒𝑎(1) 0 𝐴𝑟𝑒𝑎(7). 𝐴𝑟𝑒𝑎(2) 𝐴𝑟𝑒𝑎(5)} 𝐴𝑟𝑒𝑎(8). ‧. 𝑂𝑛𝑒 𝐿𝑎𝑦𝑒𝑟 𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑡𝑦 𝑚𝑜𝑑𝑒𝑙 =. 3.6(b). Nat. sit. y. 3.6(c). n. al. er. io. 在初始的單層二維方向向量機率模型建構完後，首次所選擇的飛行方向為機. i n U. v. 率最大的方位判讀空間區域。接著為了將中間方位判讀空間區域的狀態轉換至無. Ch. engchi. 人機在線條寬度內，因此將進行飛行座標(𝑦𝑓𝑙𝑦 , 𝑧𝑓𝑙𝑦 )之計算。本研究針對首次選擇的方位判讀空間區域，使用公式 3.7 計算該方位判讀空間區域裡線條輪廓的重心作為飛行座標。所使用的原理為影像處理中的影像矩(image moments)，𝑀00 為零階矩，表示了線條輪廓的面積，𝑀10 與𝑀01 為一階矩，表示具像素強度(pixel intensities)的重心座標，因此𝑀10 與𝑀01 需要除與𝑀00 來得到沒有像素強度的重心座標。. 𝑀10 𝑀01 𝐶𝑒𝑛𝑡𝑟𝑜𝑖𝑑 = ( , ) 𝑀00 𝑀00. 3.7. 24. DOI:10.6814/THE.NCCU.CS.001.2019.B02.

(32) 有時候算出來的重心座標並不在線條輪廓內，會導致狀態轉換至無人機有看到線條但不在線條寬度內上。為了避免此情況，本研究取出線條輪廓的上方點 (cTop)、下方點(cBottom)、左方點(cLeft)以及右方點(cRight)座標，接著根據公式 3.8 計算左方點至右方點之距離(線條之長度)與上方點至下方點之距離(線條之寬度)，依此二距離與表 3.1 飛行座標之判斷規則進行判斷，找出飛行座標。如當選擇的方向區域為左上(0)，而且長度 > 寬度時，表示線條輪廓往左右移動，因此對於影像中心來說，左上的線條輪廓之右方點(cRight)應為離影像中心最近且能將中間區域. 政治大. 的狀態轉換至無人機在線條寬度內，因此線條輪廓的右方點(cRight)為飛行座標。. 立. ‧ 國. sit. y. 長度 = 寬度. er. io. (cRight + cBottom) 2. cBottom a l cRight v i n Ch cBottom e n g ccBottom hi U. n. 上(1). 長度 < 寬度. Nat. 左上(0). 長度 > 寬度. ‧. 表 3.1：飛行座標判斷規則. 規則. 方位判讀空間區域. 3.8. 學. 𝑑𝑖𝑠𝑡𝑎𝑛𝑐𝑒((𝑥𝑃1 , 𝑦𝑃1 ), (𝑥𝑃2 , 𝑦𝑃2 )) = √(𝑥𝑃2 − 𝑥𝑃1 )2 + (𝑦𝑃2 − 𝑦𝑃1 )2. cBottom. 右上(2). cLeft. cBottom. (cLeft + cBottom) 2. 左(3). cRight. cRight. cRight. 右(5). cLeft. cLeft. cLeft. 左下(6). cRight. cTop. (cRight + cTop) 2. 下(7). cTop. cTop. cTop. 右下(8). cLeft. cTop. (cLeft + cTop) 2. 25. DOI:10.6814/THE.NCCU.CS.001.2019.B02.

(33) 圖 3.8 以視覺方式呈現單層二維方向向量機率模型，左圖顯示了單層方向向量機率模型的各個方位判讀空間區域的機率值，由於左(3)為最大的機率值，因此選擇左(3)為飛行方向進行移動。右圖中綠色的區域為單層二維方向向量機率模型所選擇的方位判讀空間區域，黑色的點為飛行座標，淡紅色的區域為無人機目前所在的區域，紅色的點為影像中心，左上的數字為選擇方位判讀空間區域之機率值。. 0.83975. 政治大. 無人機目前所在的區域所選擇的方位判讀空間區域. ‧ 國. 0. 學. 0. 影像中心. 飛行座標. 0.16025. 0. 立 0. 選擇方位判讀空間區域之機率值. 0. 0. 0. ‧. 圖 3.8：以視覺方式呈現單層二維方向向量機率模型左圖為單層二維方向向量機率模型之機率值，右圖為視覺化之說明. y. Nat. er. io. sit. 在得出飛行座標後，透過公式 3.9 計算影像中心與飛行座標的向量，並透過公式 3.10 進行調整，無人機將以調整過的向量進行移動控制，並根據圖 3.1 的流程. n. al. Ch. 進行下一個時間點的輪廓線條偵測。. engchi. i n U. v. ∆𝑦 = (𝑦𝑓𝑙𝑦 ) − (𝑋𝑖𝑚𝑎𝑔𝑒_𝑐𝑒𝑛𝑡𝑒𝑟 ). 3.9(a). ∆𝑧 = (𝑧𝑓𝑙𝑦 ) − (𝑌𝑖𝑚𝑎𝑔𝑒_𝑐𝑒𝑛𝑡𝑒𝑟 ). 3.9(b). 𝑉𝑦 =. ∆𝑦 λ. 𝑉𝑧 =. ∆𝑧 λ. 3.10(a). 3.10(b). 26. DOI:10.6814/THE.NCCU.CS.001.2019.B02.

(34) 當無人機建構完初始的單層二維方向向量機率模型後，在下一個時間點的輪廓線條偵測後，單層二維方向向量機率模型將會依據線條跟隨的認知進行調整。由於線條具備起點與終點，所以無人機應以最初的位置做為起點，往初次選擇的飛行方向繼續移動，直至終點。而且選擇之飛行方向的反方向應為無人機所跟隨過的方位判讀空間區域，所以反方向的方位判讀空間區域應不做考量。藉由此二認知，無人機會調整單層二維方向向量機率模型，公式 3.11 為調整後的單層二維方向向量機率模型，以選擇飛行方向左(3)作為例子，進行單層二維方向向量機率模型的調整。. 立. 政治大. ‧ 國. 𝐴𝑟𝑒𝑎(2) 𝐴𝑟𝑒𝑎(5)} 𝐴𝑟𝑒𝑎(8). 𝐴𝑟𝑒𝑎(0) 𝐴𝑟𝑒𝑎(1) 𝐴𝑟𝑒𝑎(2) 1 ∗ {𝐴𝑟𝑒𝑎(3) + 𝐴𝑟𝑒𝑎(5) 0 0 } 𝐵𝑎𝑠𝑒 𝐴𝑟𝑒𝑎(6) 𝐴𝑟𝑒𝑎(7) 𝐴𝑟𝑒𝑎(8). ‧. 𝑛𝑒𝑤 𝑂𝑛𝑒 𝐿𝑎𝑦𝑒𝑟 𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑡𝑦 𝑚𝑜𝑑𝑒𝑙 =. 𝐴𝑟𝑒𝑎(1) 0 𝐴𝑟𝑒𝑎(7). 學. 𝐴𝑟𝑒𝑎(0) 1 𝐿𝑎𝑠𝑡 𝑂𝑛𝑒 𝐿𝑎𝑦𝑒𝑟 𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑡𝑦 𝑚𝑜𝑑𝑒𝑙 = ∗ { 𝐴𝑟𝑒𝑎(3) 𝐵𝑎𝑠𝑒 𝐴𝑟𝑒𝑎(6). 3.11(a). Nat. sit. y. 3.11(b). al. er. io. 調整後的單層二維方向向量機率模型一樣將機率最大的方位判讀空間區域作. v. n. 為選擇的飛行方向，無人機將對當前選擇的飛行方向與上一飛行方向進行認知，若. Ch. engchi. i n U. 當前選擇的飛行方向與上一飛行方向一樣，則不改變飛行方向繼續飛行。但若當前選擇的飛行方向與上一飛行方向不一樣，則無人機將藉由上一飛行方向進行判斷，如果上一飛行方向在當前時間點還能偵測到欲跟隨線條之輪廓，則表示此一方向還有線條需要繼續跟隨，因此不改變飛行方向繼續移動。若是上一飛行方向在當前時間點已經偵測不到欲跟隨線條之輪廓，表示此一方向已經沒有欲跟隨線條，則接受當前選擇的飛行方向，並且將根據公式 3.6 重新初始化單層二維方向向量機率模型。後續將依照公式 3.7 或表 3.1 得到飛行座標，透過公式 3.9 與公式 3.10 得到調整過的向量，無人機將以調整過的向量進行移動控制，直到終點完成線條跟隨。本節中，以單層二維方向向量機率模型所選擇之飛行方向來解決無人機使用 27. DOI:10.6814/THE.NCCU.CS.001.2019.B02.

(35) 前方的攝像機進行線條跟隨時所產生的方向性問題，並透過對於方向性的認知來逐步的往終點前進。針對線條的錯誤偵測影響跟隨，經過影像分割後，無人機之前方視野已經被分成 8 個方向，無人機將往單層二維方向向量機率模型所選擇的飛行方向進行移動，這時候即便其他方位判讀空間區域裡有線條的錯誤偵測，亦不會被飛行座標計算進去，因此不會被線條的錯誤偵測影響跟隨。透過計算欲跟隨線條之重心或是跟隨線條的認知，確保飛行座標一定在欲跟隨線條寬度內，使無人機能將狀態轉換至無人機在線條寬度內，進行精準的線條跟隨. 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 28. DOI:10.6814/THE.NCCU.CS.001.2019.B02.

(36) 3.4 雙層二維方向向量機率模型為了解決無人機使用前方的攝像機進行線條跟隨時所產生的方向性問題以及避免線條的錯誤偵測影響跟隨，本研究提出了單層二維方向向量機率模型，然而單層方向向量機率模型由於方位判讀空間區域較大，所造成的移動幅度也比較大，容易造成無人機偏移至線條外。而且當無人機改變飛行方向移動時，自身所在區域卻可能還有欲跟隨線條沒有跟隨完，因此本研究提出雙層二維方向向量機率模型來. 政治大維方向向量機率模型之建構方式進行後續的雙層二維方向向量機率模型建構與無立. 避免上述兩種情況發生。將根據本章 3.1 節輪廓線條偵測的結果以及 3.3 節單層二. 人機的移動控制。. ‧ 國. 學. 根據本章 3.1 節輪廓線條偵測之結果，確認最大輪廓為本研究欲跟隨線條之輪. ‧. 廓後，接著進行與本章 3.3 節同樣的處理，對畫有最大輪廓的黑白影像進行影像分. y. Nat. 割，產生單層二維方向向量機率模型。本章節之雙層二維方向向量機率模型主要針. er. io. sit. 對中間方位判讀空間區域(方形索引 4)再進行一次影像分割，產生外圍與內圈兩個單層二維方向向量機率模型。如圖 3.9 所示，紅色外圍的方位判讀空間區域為第一. al. n. v i n Ch 次影像分割時產生的，中間方位判讀空間區域經由第二次影像分割後產生 9 個綠 engchi U. 色外圍的方位判讀空間區域。. 本研究使用外圍的單層二維方向向量機率模型作為無人機自身位置校正之判斷，使用內圈的單層二維方向向量機率模型作為飛行方向之選擇與飛行座標之判斷，其中內圈的中間方位判讀空間區域(索引 4)為無人機目前的所在區域。當內圈的單層二維方向向量機率模型無法計算欲跟隨線條輪廓之面積時，表示無人機目前的所在區域是偏離欲跟隨線條的，這時候外圍的單層二維方向向量機率模型將產生自身位置校正之功用，透過外圍的單層二維方向向量機率模型產生飛行方向，讓無人機進行與 3.3 節同樣的移動控制，直到內圈可以計算欲跟隨線條輪廓之面. 29. DOI:10.6814/THE.NCCU.CS.001.2019.B02.

(37) 積，同時也表示無人機目前的狀態為為無人機在線條寬度內或是無人機有看到線條但不在線條寬度內上。. 政治大. 圖 3.9：經過二次影像分割的最大輪廓黑白影像. 立. ‧ 國. 學. 雙層二維方向向量機率模型中的外圍的單層二維方向向量機率模型與內圈的單層二維方向向量機率模型之建構與認知與本章 3.3 節所描述的單層二維方向向. ‧. 量機率模型一樣，對於飛行方向的選擇與飛行座標的判斷亦一樣。然而由於外圍的. sit. y. Nat. 單層二維方向向量機率模型主要作為無人機自身位置校正之判斷，因此在調整上. al. er. io. 會比原本的速度還慢(經過測試，以 1.5 倍λ進行修正)，只要讓無人機內圈的單層二. v. n. 維方向向量機率模型能計算出欲跟隨線條輪廓之面積就行。外圍的單層二維方向. Ch. engchi. i n U. 向量機率模型之向量計算與公式 3.9 一樣，而向量的調整依據公式 3.12 進行，無人機將以調整過的向量進行移動控制，直到內圈的單層二維方向向量機率模型能計算出欲跟隨線條輪廓之面積。. 𝑉𝑦 =. ∆𝑦 1.5 ∗ λ. 𝑉𝑧 =. ∆𝑧 1.5 ∗ λ. 3.12(a). 3.12(b). 30. DOI:10.6814/THE.NCCU.CS.001.2019.B02.

(38) 內圈的單層二維方向向量機率模型主要作為飛行方向之選擇與飛行座標之判斷，飛行方向與公式 3.9 一樣。然而因為內圈的單層二維方向向量機率模型之方位判讀空間區域較外圍的單層二維方向向量機率模型之方位判讀空間區域小，因此內圈的單層二維方向向量機率模型判斷出的飛行座標與外圍的單層二維方向向量機率模型不一樣，向量的調整也不一樣。內圈的單層二維方向向量機率模型之向量的調整方式與本章節 3.2 基於向量域的線條跟隨方法相符，因此依據公式 3.5 進行調整，無人機將以調整過的向量進行移動控制，直到終點完成線條跟隨。. 立. 政治大. ‧. ‧ 國. 學 sit. y. Nat. n. al. er. io. 圖 3.10：雙層二維方向向量機率模型之狀態轉換左為第一秒的狀態轉換(對應圖 3.9 左)，右為第二秒的狀態轉換(對應圖 3.9 右) 黑色線條為內圈二維方向向量機率模型之轉換機率棕線為外圍二維方向向量機率模型之轉換機率. Ch. engchi. i n U. v. 圖 3.10 為雙層二維方向向量機率模型之狀態轉換，S0 為無人機有看到線條但不在線條寬度內，S1 為無人機在線條寬度內，S2 為無人機沒看到線條。在第一秒 (左)的當前線條跟隨的狀態為 S0，藉由雙層二維方向向量機率模型的計算，由於內圈的二維方向向量機率模型偵測的到跟隨線條，因此外圍的二維方向向量機率模型之機率值皆為 0。內圈的二維方向向量機率模型因為往左方移動的機率最大 (0.41268)，並會使狀態轉換至 S0，因此選擇往左方移動。在第二秒(右)，當前線條跟隨的狀態將會依據偵測結果改變，這時候無人機的左上、上以及右上皆沒有偵測. 31. DOI:10.6814/THE.NCCU.CS.001.2019.B02.

(39) 到線條，因此狀態變為 S2。且由於上一秒選擇往左，因此反方向的線條為跟隨過的線條，即便往反方向會使狀態變為 S1，無人機亦不會選擇，最後將依照原方向進行跟隨。圖 3.11 與圖 3.12 分別以視覺方式呈現雙層二維方向向量機率模型的運作。圖 3.11 之左圖為雙層二維方向向量機率模型對影像進行判斷，由於內圈(以綠線框住) 的單層二維方向向量機率模型無法計算出欲跟隨線條輪廓之面積，方位判讀空間區域的機率值皆為 0。而外圍的單層二維方向向量機率模型有計算出欲跟隨線條輪. 政治大機率值又比左上(方向索引 0)還高，因此外圍的單層二維方向向量機率模型決定往立. 廓之面積，在左上(方向索引 0)以及上(方向索引 1)有機率值，而上(方向索引 1)的. 上進行無人機自身位置校正之判斷。右圖中綠色的區域為外圍的單層二維方向向. ‧ 國. 學. 量機率模型所選擇的方位判讀空間區域，黑色的點為飛行座標，紅色的點為影像中. ‧. 心，無人機將往飛行座標移動。. y. Nat. 圖 3.12 之左圖為雙層二維方向向量機率模型對影像進行判斷，由於內圈(以綠. er. io. sit. 線框住)的單層二維方向向量機率模型可以計算出欲跟隨線條輪廓之面積，因此將進行飛行方向之選擇，在內圈的單層二維方向向量機率模型分別有兩個方向索引. al. n. v i n 有機率值，分別是左(方向索引C3)以及右上(方向索引 2)，由於左的機率值比右上 hengchi U. 大，因此將選擇左做為飛行方向進行移動。右圖中綠色的區域為選擇的方位判讀空. 間區域，黑色的點為飛行座標，淡紅色的區域為無人機目前所在的區域，紅色的點為畫面中心，左上的數字為選擇方位判讀空間區域之機率值，無人機將往飛行座標移動。. 32. DOI:10.6814/THE.NCCU.CS.001.2019.B02.

(40) 0.42423 0. 0.57577. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 影像中心. 飛行座標. 0. 0. 0. 選擇的方位判讀空間區域. 0. 圖 3.11：以視覺方式呈現雙層二維方向向量機率模型校正無人機自身位置左圖為外圍的單層二維方向向量機率模型之機率值，右圖為視覺化之說明. 0 0. 0.94064. 所選擇的方位判讀空間區域. 影像中心. 0 飛行座標. 無人機目前所在區域. 0. 0. ‧. ‧ 國. 0 0.05936 0 0 0 0. 學. 0. 0. 立. 0. 政0 治大. 選擇的方位判讀空間區域之機率值. 0. n. al. er. io. sit. y. Nat. 圖 3.12：以視覺方式呈現雙層二維方向向量機率模型選擇飛行方向左圖為內圈的單層二維方向向量機率模型之機率值，右圖為視覺化之說明. Ch. engchi. i n U. v. 33. DOI:10.6814/THE.NCCU.CS.001.2019.B02.

(41) 3.5 慣性速度抑制方法雙層二維方向向量機率模型在判斷需要改變方向飛行時，通常已經位於跟隨線條的尾端，這時候如果讓無人機往新的方向移動，則無人機會因為移動慣性，而偏移出原本的跟隨線條。因此在無人機判斷需要改變方向飛行時，應進行移動慣性的抑制。本研究依據本章 3.4 節雙層二維方向向量機率模型，搭配慣性速度抑制方法來抑制無人機在改變方向飛行時所產生的移動慣性，將從雙層二維方向向量機. 政治大本章 3.4 節所提出的雙層二維方向向量機率模型，由於在改變方向時沒有進行立. 率模型判斷需要改變方向飛行時，進行額外的控制來抑制移動慣性。. 額外的控制，因此無人機在改變方向後，會受到移動慣性的影響。如圖 3.13，左圖. ‧ 國. 學. 中無人機之雙層二維方向向量機率模型因為上(方向索引 2)的機率值最大，所以由. y. Nat. 座標偏離原本的跟隨線條(如右圖所示)。. ‧. 原本的左改變方向至上移動，然而在改變方向時受到了移動慣性影響，使中心紅色. er. io. sit. 有鑑於此一行為，本研究在雙層二維方向向量機率模型選擇需要改變方向時，先對無人機進行了一次的懸停(hovering)，使無人機暫時停止移動，然而若馬上讓. al. n. v i n Ch 無人機往新的飛行方向移動，則無人機依然會受到移動慣性的影響而偏離跟隨線 engchi U. 條。顯然如果要讓無人機能穩定的停留在跟隨線條寬度內，需要讓無人機本身的飛行速度趨近於 0，也就是在一次的懸停後，等 Vx (前後)、Vy (左右)、Vz (上下)三個. 方向的速度變動都穩定後，才能往新的飛行方向移動；無人機本身的座標系統與平面影像不同，在影像上 x 為左右，y 為上下，將影像的 xy 座標轉換至無人機上需要注意。因此本研究透過感測器取得了無人機目前的飛行速度(Vx、Vy、Vz)，透過了表 3.2 對於飛行方向的改變決策，進行慣性速度抑制。例如當無人機從左(方向索引 3)改變飛行方向至上(方向索引 1)移動時，無人機將抑制左右的速度，也就是抑制 Vy 趨近於 0 後，才往新的飛行方向移動。當無人機從下(方向索引 7)改變飛行. 34. DOI:10.6814/THE.NCCU.CS.001.2019.B02.

(42) 方向至右(方向索引 5)移動時，則無人機將抑制上下的速度，也就是抑制 Vz 趨近於 0 後，才往新的飛行方向移動；當無人機不改變飛行方向移動時，就不需要抑制，可以繼續移動。圖 3.14，左圖中無人機之雙層二維方向向量機率模型因為上(方向索引 2)的機率值最大，所以由原本的左改變方向至上移動，藉由慣性速度抑制方法後，無人機在改變方向飛行時依然留在跟隨線條寬度內(如右圖所示)。. 選擇的方位判讀空間區域之機率值. 0. 0 0 0. 0 0.09904. 0. 0. 0.44728. 立. 所選擇的方位判讀空間區域. 治政 0 大. 影像中心，由於飛行慣性，因此偏離跟隨. 飛行座標. 0. 0. 線條. 無人機目前所在區域. 學. 0. 0. 0.45368. ‧ 國. 0. 0. ‧. 圖 3.13：以視覺方式呈現無人機受到移動慣性影響而偏離跟隨線條左圖為內圈的單層二維方向向量機率模型之機率值，右圖為視覺化之說明. y. Nat. al. er. io. sit. 表 3.2：無人機對於飛行方向的改變決策. 左上(0). 不抑制. Vy→0. Vy→0. Vz→0. Vy,Vz→0. Vz→0. 上(1). 不抑制. 不抑制. 不抑制. Vz→0. Vz→0. Vz→0. 右上(2). Vy→0. Vy→0. 不抑制. Vy,Vz→0. Vz→0. 左(3). 不抑制. Vy→0. Vy→0. 不抑制. Vy→0. 不抑制. Vy→0. Vy→0. 右(5). Vy→0. Vy→0. 不抑制. Vy→0. 不抑制. Vy→0. Vy→0. 不抑制. 左下(6). Vz→0. Vz→0. Vy,Vz→0. 不抑制. Vy→0. Vy→0. 下(7). Vz→0. Vz→0. Vz→0. Vz→0. 不抑制. 不抑制. 不抑制. Vz→0. Vy,Vz→0. Vz→0. Vy→0. Vy→0. 不抑制. n 左上(0). v i n C 上(1) 左(3) 右(5) h e右上(2) ngchi U. 飛行方向的改變改變後. 左下(6). 下(7). 右下(8). 改變前. 右下(8). Vy,Vz→0 Vy,Vz→0 Vz→0. Vy,Vz→0 Vy,Vz→0. Vy,Vz→0 Vy,Vz→0 Vz→0. Vy,Vz→0 Vy,Vz→0. Vz→0 Vz→0. 選擇的方位判讀空間區域之機率值. 35. DOI:10.6814/THE.NCCU.CS.001.2019.B02.

(43) 0 0. 0. 0 0 0. 所選擇的方位判讀空間區域影像中心，藉由. 0. 0.47417. 0. 0 0.18389. 0. 慣性速度抑制方. 飛行座標. 0 0.34194. 0. 法，維持在跟隨無人機目前所在區域. 0. 0. 線條上. 圖 3.14：以視覺方式呈現無人機改變方向時，藉由慣性速度抑制方法維持在跟隨線條上左圖為內圈的單層二維方向向量機率模型之機率值，右圖為視覺化之說明. 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 36. DOI:10.6814/THE.NCCU.CS.001.2019.B02.

(44) 第 4 章實驗設計與結果分析本章節依序講述驗證單層二維方向向量機率模型、雙層二維方向向量機率模型以及慣性速度抑制方法之可行性與穩定性的實驗設計、實驗中所收集的實驗資料、利用兩種評估指標：無人機視覺中心位於目標路徑寬度以內之程度以及無人機視覺中心偏移目標路徑寬度以外的位移誤差之實驗結果進行比較與分析，來驗證本研究提出方法之可行性與穩定性。. 政治大驗說明、兩種評估指標之計算方式、實驗機種、實驗場域的設置、測試圖形之參數。立本章節首先會針對實驗設計進行說明，包含了驗證方法可行性與穩定性之實. ‧ 國. 學. 再來針對無人機進行實驗時所收集之實驗資料進行說明，後續與時間相關的實驗資料之統計結果進行測試圖形之複雜性分析。最後藉由評估指標進行實驗資料的. ‧. 評估，將得出的實驗結果進行比較與分析以驗證方法之可行性與穩定性。. n. al. er. io. sit. y. Nat 4.1 實驗設計. Ch. engchi. i n U. v. 本研究將設計一個自動線條跟隨任務讓無人機進行實驗。如圖 4.1 所示，自動線條跟隨任務有三個階段：起飛、前方視野輪廓線條跟隨方法與降落，本研究第三章所講述之前方視野輪廓線條跟隨方法為電腦自動控制，而起飛與降落屬於外部程式控制，確保任務起點與終點的一致性。在前方視野輪廓線條跟隨方法中，有兩個實驗變因，一個為測試圖形(直線、折線、長方形)，另一個為前方視野輪廓線條跟隨方法中的跟隨控制(基於向量域的線條跟隨、單層二維方向向量機率模型、雙層二維方向向量機率模型、雙層二維方向向量機率模型搭配慣性速度抑制方法)。每次進行實驗時將會選擇一個測試圖形以及一個跟隨控制方法，為了能量化實驗資料，一個測試圖形與一個跟隨控制方法將會重複進行 30 次實驗以滿足統計 37. DOI:10.6814/THE.NCCU.CS.001.2019.B02.

(45) 意義的最小標準次數[34]，因此在全部實驗做完後，將會產生 360 筆的自動線條跟隨任務資料(3 種測試圖形*4 種方法*30 次)。後續 360 筆的自動線條跟隨任務資料將藉由本研究提出的兩種評估指標：無人機視覺中心位於目標路徑寬度以內之程度以及無人機視覺中心偏移目標路徑寬度以外的位移誤差進行評估(見本章 4.1.1 說明)，進而得出每次自動線條跟隨任務之線條跟隨表現，並針對 30 次之同測試圖形與同方法之線條跟隨表現結果進行平均以作為最後的實驗結果。由於本研究所用之折線與長方形具有轉角，因此自動線條跟隨任務之線條跟隨表現可以細分成. 政治大. 整體表現以及轉角飛行表現進行分析。. 立. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i n U. v. 圖 4.1：實驗方法架構. 38. DOI:10.6814/THE.NCCU.CS.001.2019.B02.