臺灣博碩士論文加值系統

本論文針對視覺自主之小型人形機器人提出一個基於機器人作業系統(Robot Operating System, ROS)之定位與導航的實現方法。在Linux環境下，以ROS建構人形機器人的軟體開發架構，在視覺系統中，本論文將影像中感興趣的顏色，以人工標記的方式標記作為特徵，並利用逆透視映射法(Inverse Perspective Mapping, IPM)計算出障礙物與機器人間的距離，以此作為定位的依據。在定位系統中，本論文建立一個有障礙物資訊的虛擬地圖，以機器人移動量做為位移資訊，並且以視覺影像做為系統觀測的資訊，再以蒙地卡羅(Monte Carlo)自我定位法搭配上結合粒子群最佳化法(Particle Swarm Optimization, PSO)之粒子濾波器(particle filter)演算法來推算小型人形機器人的位置。在導航系統中，本論文以改良式A*演算法來規劃一個具有較少轉折點的全域規劃路徑。由實驗結果可得知，本論文所設計之小型人形機器人的定位與導航系統，可使機器人在已知環境中具有自我定位及導航的能力，且安全的避開障礙物並順利抵達目的地。

In this thesis, a localization and navigation system is proposed to be implemented on Robot Operating System (ROS) for a vision-based autonomous small-sized humanoid robot. In the Linux environment, ROS is used to establish the software development framework for the humanoid robot system. In the vision system, some interested color blocks in the image are marked as features, and Inverse Perspective Mapping (IPM) is used to calculate the distance between the obstacle and robot. In the localization system, a virtual map with some obstacle information is established. The amount of movement of the robot is regarded as displacement information, and the visual image is regarded as observation information. Then a method based on the Monte Carlo self-localization method and the particle filter combined with Particle Swarm Optimization (PSO) algorithm is used to estimate the localization for the small-sized humanoid robot. In the path planning system, a modified A* algorithm is proposed to plan a global path planning which has less turning points. From the experimental results, we can see that the proposed localization and navigation system really lets the small-sized humanoid robot has the ability of self-localization and navigation in a known environment. Moreover, the robot can safely avoid obstacles and successfully reach the destination.

目錄 I
圖目錄 IV
表目錄 VII
第一章 緒論 1
1.1 研究背景 1
1.2 研究動機 2
1.3 論文架構 3
第二章 人形機器人平台介紹 4
2.1 前言 4
2.2 人形機器人機構介紹 5
2.3 人形機器人核心控制板介紹 9
2.3.1 工業電腦(IPC) 9
2.3.2 FPGA開發板 10
第三章 人形機器人系統介紹 12
3.1 前言 12
3.2 影像處理模組 15
3.2.1 RGB色彩模型 15
3.2.2 HSV色彩模型 17
3.2.3 影像二值化 18
3.2.4 侵蝕膨脹 20
3.2.5 物件分割 22
3.3 策略與動作規劃 25
第四章 人形機器人定位系統 26
4.1 前言 26
4.2 機器人自我定位 26
4.2.1 貝氏濾波器（Bayes Filter） 26
4.2.2 蒙地卡羅定位 29
4.2.3 粒子群最佳化法 31
4.2.4 結合粒子群最佳化法之粒子濾波器 35
4.3 避障策略應用 37
4.3.1 觀測模型 38
4.3.2 運動模型 42
4.3.3 自我定位 43
第五章 人形機器人導航系統 46
5.1 前言 46
5.2 A*演算法 46
5.3 改良式A*演算法 53
5.4 避障策略應用 56
第六章 實驗結果 59
第七章 結論與未來展望 65
參考文獻 66
圖目錄
圖2.1、第十代小型人形機器人實體圖 4
圖2.2、第十代人形機器人機器人維度圖 5
圖2.3、人形機器人機構設計與尺寸圖 6
圖2.4、自由度設計圖 7
圖2.5、腳部結構圖 8
圖2.6、工業電腦(IPC)實體圖 10
圖2.7、FPGA開發板實體圖 11
圖3.1、機器人系統模組圖 13
圖3.2、ROS系統節點圖 14
圖3.3、RGB色彩模型 16
圖3.4、HSV色彩模型 17
圖3.5、影像建模 20
圖3.6、影像侵蝕示意圖 21
圖3.7、影像膨脹示意圖 21
圖3.8、影像分割結果 22
圖3.9、影像遮罩 23
圖3.10、連通物件標記法示意圖 24
圖3.11、腰部與腳部軌跡示意圖 25
圖4.1、機器人狀態估測 27
圖4.2、粒子濾波器流程圖 31
圖4.3、粒子群最佳化法流程圖 34
圖4.4、蒙地卡羅定位粒子初始化比較圖 35
圖4.5、結合粒子群最佳化法之粒子濾波器流程圖 37
圖4.6、相機與地面幾何關係示意圖 38
圖4.7、地面與影像平面投影關係示意圖 39
圖4.8、x軸地面與影像平面幾何關係示意圖 40
圖4.9、實際測距示意圖 40
圖4.10、實際測距誤差 41
圖4.11、實際場景與全域地圖建置 43
圖4.12、障礙物虛擬地圖 44
圖4.13、粒子障礙物映射圖 45
圖5.1、A*演算法流程圖 47
圖5.2、A*演算法實例 48
圖5.3、A*演算法搜尋相鄰節點並評估代價 49
圖5.4、以新節點為中心重新搜尋 49
圖5.5、A*演算法模擬流程 51
圖5.6、A*演算法實際計算路徑 52
圖5.7、傳統A*路徑與改良式A*路徑比較 53
圖5.8、改良式A*流程 54
圖5.9、改良式A*演算法與傳統式A*演算法比較圖 55
圖5.10、改良式A*演算法與傳統式A*演算法實際運算圖 55
圖5.11、擴大障礙物之A*虛擬地圖 56
圖5.12、改良式A*演算法於避障實際計算之路徑 57
圖5.13、刪除過多的路徑點之路徑 58
圖6.1、避障實際場景與全域地圖建置 59
圖6.2、人形機器人實際避障過程 60
圖6.3、避障過程所建立之全域地圖 61
圖6.4、機器人實際位置與粒子位置比較圖 62
圖6.5、全域地圖與實際機器人位置對照圖 63


表目錄
表2.1、馬達規格 8
表2.2、工業電腦(IPC)規格 10
表2.3、FPGA開發板之系統規格 11
表3.1、顏色模型之色彩代碼表 19
表6.1、粒子濾波器誤差表 64

[1]N. Ayache and O. Faugeras, “Building, registrating, and fusing noisy visual maps,” International Journal of Robotics Research, Vol. 7, No.6, pp. 45-65, 1988.
[2]J. L. Crowley, “World modeling and position estimation for a mobile robot using ultrasonic ranging,” IEEE International Conference on Robotics and Automation, Vol. 2, pp. 674-680, 1989.
[3]R. Chatila and J. Laumond, “Position referencing and consistent world modeling for mobile robots,” IEEE International Conference on Robotics and Automation, Vol. 2, pp. 138-145, 1985.
[4]A. Doucet, N. de Freitas, and N. J. Gordon, Sequential Monte Carlo Methods in Practice, Springer, 2001.
[5]F. Dellaert, D. Fox, W. Burgard, and S. Thrun, “Monte Carlo localization for mobile robots,” IEEE International Conference on Robotics and Automation, Vol. 2, pp. 1322-1328, 1999.
[6]M.S. Arulampalam, S. Maskell, N. Gordon, and T. Clapp, “A tutorial on particle filters for online nonlinear/non-gaussian bayesian tracking,” IEEE Transaction on Signal Processing, vol. 50, no. 2, pp.174-188, 2002.
[7]J. Baltes, C.T. Cheng, M.C. Lau, and A. Espinola, “Real-time navigation for a humanoid robot using particle filter,” ICETI Applied Mechanics and Materials, vol. 284-287, pp. 1914-1918, 2012.
[8]J.K. David, T. Ernst, and O. B. Thomas, “Stereo vision and navigation in building for mobile robots,” IEEE Transaction on Robotics and Automation, vol. 5, pp. 792-803, 1989.
[9]H.S. Baek, J.M. Choi, and B.S. Lee, “Improvement of distance measurement algorithm on stereo vision system (SVS),” CUTE International Conference on Ubiquitous Information Technologies and Applications, no. 5678176, 2010.
[10]Y. Matsumoto, K. Ikeda, M. Inaba, and H. Inoue, “Visual navigation using omnidirectional view sequence,” IEEE/RSJ International Conference on Intelligent Robots and System, pp. 317-322, 1999.
[11]J. Huber and V. Graefe, “Motion stereo for mobile robots,” IEEE Transactions on Industrial Electronics, vol. 41, pp. 378-383, 1994.
[12]P.E. Hart, N.J. Nilsson, and B. Raphael, “A formal basis for the heuristic determination of minimum cost paths in graphs,” IEEE Transaction of Systems Science and Cybernetics, Vol. SSC-4, no.2, pp.100-107, 1968.
[13]G.E. Jan, K.Y. Chang, and I. Parberry, “Optimal path planning for mobile robot navigation,” IEEE/ASME Transaction on Mechatronics, Vol. 13, no. 4, pp. 451-459, 2008.
[14]“ROS.org | Powering the world’s robots.” URL: http://www.ros.org/.
[15]S. Cousins, “ROS on the PR2,” IEEE Robotics and Automation Magazine, Vol. 17, pp. 23-25, 2010
[16]L.L. Forero, J.M. Yáñez, and J. Ruiz-del-Solar, “Integration of the ROS Framework in Soccer Robotics: The NAO Case,” RoboCup 2013: Robot World Cup XVII, pp. 664-671, 2013.
[17]蕭聖儒，基於ROS與SOPC之人形機器人的行走速度規劃，淡江大學電機工程學系碩士論文（指導教授：翁慶昌），2016。
[18]M.A. Mallot, H.H. B Hulthoff, J.J. Little, and S. Bohrer, “Inverse perspective mapping simplifies optical flow computation and obstacle detection, “Biological Cybernetics, 64:177-185, 1991.
[19]M. Fu and B. Xue, “A path planning algorithm based on dynamic networks and restricted searching area,” IEEE International Conference on Automation and Logistics, pp.1193-1197, 2007.
[20]I. Chabini and L. Shan, “Adaptations of the A* algorithm for the computation of fastest paths in deterministic discrete-time dynamic networks,” IEEE Transactions on Intelligent Transportation Systems, Vol.3, no.1, pp.60-74, 2002.
[21]“ROBOTIS.” URL: http://www.robotis.com/index/
[22]N. Metropolis and S. Ulam, “The Monte Carlo method,” Journal of the American Statistical Association, Vol. 44, No. 247, pp. 335-341, 1949.
[23]N.J. Gordon, D.J. Salmond, and A.F. Smith, “Novel approach to nonlinear/non-Gaussian Bayesian state estimation,” IEE Proceedings F- Radar and Signal Processing, Vol. 140, No. 2, pp. 107-113, 1993.
[24]J.S. Liu and R. Chen, “Sequential Monte Carlo methods for dynamic systems,” Journal of the American Statistical Association, Vol. 93, No. 443, pp. 1032-1044, 1998.
[25]C.C. Wong, S.A. Li, and H.Y. Wang, “Hybrid evolutionary algorithm for PID controller design for AVR system,” Journal of the Chinese Institute of Engineers, Vol. 32, No. 2, pp. 251-264, Mar. 2009.
[26]溫泯毅，視覺自主人形機器人之定位與導航，淡江大學電機工程學系碩士論文（指導教授：翁慶昌、鄭吉泰），2016。
[27]鄧宏志，結合粒子群最佳化法之雙層粒子濾波器於移動機器人的定位與地圖建置，淡江大學電機工程學系博士論文（指導教授：翁慶昌、許陳鑑），2012。