[论文解读] Obstacle Avoidance Using Stereo Camera

Akkas Uddin Haque, Ashkan Nejadpak|arXiv (Cornell University)|May 11, 2017

Robotics and Sensor-Based Localization参考文献 5被引用 10

一句话总结

本文提出了一种基于双目视觉的机器人和四旋翼无人机的实时避障系统。该系统将深度图划分为优化区域，计算每个区域的最小深度值，并采用模糊控制器生成运动指令，实现了在多种测试路径中对动态障碍物的高精度避障。

ABSTRACT

In this paper we present a novel method for obstacle avoidance using the stereo camera. The conventional obstacle avoidance methods and their limitations are discussed. A new algorithm is developed for the real-time obstacle avoidance which responds faster to unexpected obstacles. In this approach the depth map is divided into optimized number of regions and the minimum depth at each section is assigned as the depth of that region. A fuzzy controller is designed to create the drive commands for the robot/quadcopter. The system was tested on multiple paths with different obstacles and the results demonstrated the high accuracy of the developed system.

研究动机与目标

• 为解决传统避障方法在应对突发障碍物时响应速度慢的局限性。
• 开发一种基于双目视觉的实时、计算高效的动态障碍物检测与避障系统。
• 在障碍物配置多变的复杂环境中提升响应速度与精度。
• 将深度区域分析与模糊逻辑控制器集成，实现稳健的运动规划。
• 在多种路径和障碍物场景下验证系统的性能表现。

提出的方法

• 双目摄像头捕获深度信息，生成环境的深度图。
• 将深度图划分为数量经过优化的空间区域，以降低计算负载。
• 对每个区域，提取最小深度值，并将其作为该区域的代表性深度。
• 模糊逻辑控制器处理区域深度数据，生成机器人或四旋翼无人机的实时转向与速度指令。
• 系统根据深度阈值和障碍物接近程度动态调整运动。
• 该算法专为实时运行设计，确保对突发障碍物的快速响应。

实验结果

研究问题

• RQ1 如何利用双目视觉实现实时、更快更准确的障碍物检测？
• RQ2 在计算效率与检测精度之间取得平衡时，深度图区域的最优数量是多少？
• RQ3 模糊逻辑控制器能否有效将区域深度数据转化为稳定、安全的运动指令？
• RQ4 该系统在多样化且复杂的障碍物配置与动态路径下的表现如何？
• RQ5 与完整深度图处理相比，基于区域的深度处理在响应时间上提升了多少？

主要发现

• 系统在多种配置的测试路径中均表现出高精度的障碍物检测与避障能力。
• 基于区域的深度处理显著降低了计算负载，同时保持了实时性能。
• 模糊控制器实现了对突发障碍物的平稳且快速的运动调整。
• 区域数量的优化提升了处理速度，同时未影响障碍物检测的可靠性。
• 系统在动态环境中成功避开了障碍物，证实了其鲁棒性与适应性。
• 结果验证了将区域深度分析与模糊控制相结合在实时避障中的有效性。