Ультразвуковая система измерения расстояния до препятствий

ПЕРЕЧЕНЬ УСЛОВНЫХ ОБОЗНАЧЕНИЙ, СИМВОЛОВ, ЕДИНИЦ, СОКРАЩЕНИЙ И ТЕРМИНОВ

АМР - автономный мобильный робот

БД - база данных

ил. - иллюстрация

МК - микроконтроллер

ПЗС - прибор с зарядовой связью

ПР - промышленный робот

с. - страница

СТЗ - система технического зрения

СУ - система управления

ТП - технологический процесс

УЗ - ультразвук

УЗМ - ультразвуковой модуль

ФПВ - функция плотности распределения вероятностей

Ху-дескриптор - описатель объекта на основе инвариантов Ху

ЦК - цифровая камера

ЭВМ - электронная вычислительная машина

HSV - модель представления цвета в виде тройки значений: тон, насыщенность, яркость

RGB - модель представления цвета в виде тройки значений: красный, зелёный, голубой

СОДЕРЖАНИЕ

Введение

1. Анализ технического задания

1.1 Наименование, область применения, цель создания подсистемы

1.2 Задачи, решаемые подсистемой

1.3 Характеристика объектов обработки

1.4 Функциональные требования к подсистеме

2. Методы распознавания и идентификации и измерения расстояния в СТЗ ПР

2.1 Обзор методов распознавания и идентификации объектов

2.1.1 Методы описания объектов

2.1.2 Методы идентификации объектов

2.2 Существующие системы технического зрения

3. проектирование многоканальной системы ультразвукового зрения робота «Феникс 3»

Составление структурной схемы

3.2 Принцип действия УЗМ

3.3 Разработка и проектирование системы

3.4 Проведение испытаний

3.5 Обработка полученных данных

Выводы

Перечень ссылок

ВВЕДЕНИЕ

Ультразвук представляет собой волнообразно распространяющееся колебательное движение частиц среды. Ультразвук имеет некоторые особенности по сравнению со звуками слышимого диапазона. В ультразвуковом диапазоне сравнительно легко получить направленное излучение; он хорошо поддается фокусировке, в результате чего повышается интенсивность ультразвуковых колебаний. При распространении в газах, жидкостях и твердых телах ультразвук порождает интересные явления, многие из которых нашли практическое применение в различных областях науки и техники, в т.ч. робототехнике.

Современное производство достигло той стадии развития, на которой технологические процессы представляют собой сложные последовательности операций, требующие точного позиционирования используемых элементов, достигающих долей микрометров. Ручное или автоматизированное исполнение этих операций на уровне управления затруднительно. Решение сложных задач автоматизации технологических процессов возможно при широком использовании промышленных роботов (ПР).

Применение ПР роботов на первых этапах развития промышленности повысило производительность труда, однако оставалась нерешённой задача разработки и внедрения адаптивных робототехнических систем, способных не только автоматически исполнять технологические операции, но и адаптироваться к изменяющимся условиям окружающей среды - рабочему пространству ПР. Отсутствие адаптивности робототехнических систем приводит к снижению гибкости и производительности, что компенсируется финансовыми затратами при выпуске новых изделий на разработку устройств очувствления ПР и разработку новых методов позиционирования элементов производимого изделия. Развитие современной робототехники имеет два основных направления - создание систем принятия и поддержки решений для систем управления ПР и создание гибких систем очувствления ПР - сенсорных систем. Второе из названных направлений представляется более приоритетной, поскольку функциональность ПР в первую очередь зависит от полноты и точности информации о рабочем пространстве в котором он осуществляет операции, - от гибкости его сенсорной системы. Практические исследования многих учёных показывают, что наиболее информативной является зрительная информация, которая составляет порядка 60% от всех видов информации поступающей в систему принятия и поддержки решений ПР.

Системы технического зрения (СТЗ) на современном этапе развития робототехники представляют собой наиболее мощный и гибкий аппарат очувствления как промышленных, так и не промышленных роботов. Возможность создания гибких СТЗ появилась с развитием высокопроизводительных электронных вычислительных машин (ЭВМ), которые позволили реализовывать сложные ресурсоёмкие методы обработки видеоинформации в цифровом виде; снижение габаритно-массовых характеристик ЭВМ и систем регистрации зрительной информации (цифровых камер) позволило локализовать СТЗ в наиболее подвижном месте - манипулятор ПР, что увеличило возможности по контролю производимых операций ПР в реальном масштабе времени.

Исследования в области распознавания и идентификации объектов рабочего пространства ПР довольно обширные, однако большинство из этих исследований так и не вышли за рамки лабораторий. Большое количество методов обработки зрительной информации жёстко привязаны к конкретным условиям технологического процесса, что влияет на гибкость системы, область применения и экономический эффект при внедрении таких систем. Универсализация методов распознавания и идентификации, сталкивается с проблемой ограниченности вычислительных ресурсов, которая непосредственно зависит от финансовых возможностей разработчиков либо заказчиков системы.

С учётом выше приведенных рассуждений, можно утверждать, что построение собственной подсистемы распознавания и идентификации объектов роботизации является актуальной задачей автоматизации производства, решение которой внесёт определённый вклад в развитие данного направления.

Целью дипломной работы является разработка ультразвуковой системы измерения расстояния до препятствия на основе распознавания и идентификации объектов рабочего пространства автономного мобильного робота (АМР).

Комплекс должен обеспечивать, в автономном режиме информацией об объектах, находящихся в поле зрения ПР подсистему принятия и поддержки решений ПР.

В процессе достижения поставленной цели дипломной работы, решаются следующие задачи: анализ существующих методов распознавания и идентификации объектов рабочего пространства ПР; выбор наиболее подходящих методов для реализации их в виде программного комплекса; оптимизация программной реализации выбранного алгоритма с учётом имеющихся аппаратно-программных возможностей.

Исследования являющиеся основой дипломной работы связаны непосредственно с гибкими компьютеризированными системами, использующими робототехнические комплексы в качестве основного исполнительного элемента производственной системы. Такие системы объединяют в себе высокие технологии, как в области компьютерных наук, так и в области электроники и механики. Эксплуатация таких систем связана не только с исполнением технологических процессов на производстве, но и с необходимостью постоянного совершенствования функциональных возможностей системы.

1. АНАЛИЗ ТЕХНИЧЕСКОГО ЗАДАНИЯ

1.1 Наименование и область применения системы

Ультразвук (УЗ) - упругие колебания и волны, частота которых превышает 15 - 20 кГц. Нижняя граница области УЗ-вых частот, отделяющая ее от области слышимого звука, определяется субъективными свойствами человеческого слуха и является условной, так как верхняя граница слухового восприятия - у каждого человека своя. Верхняя граница УЗ-вых частот обусловлена физической природой упругих волн, которые могут распространяться лишь в материальной среде, т.е. при условии, что длина волны значительно больше длины свободного пробега молекул в газе или межатомных расстояний в жидкостях и твердых телах. В газах при нормальном давлении верхняя граница частот УЗ составляет (109 Гц, в жидкостях и твердых телах граничная частота достигает 1012 - 1013 Гц. В зависимости от длины волны и частоты УЗ обладает различными специфическими особенностями излучения, приема, распространения и применения, поэтому область УЗ-вых частот подразделяют на три области: низкие УЗ-вые частоты (104 - 105 Гц); средние (105 - 107 Гц); высокие (107 - 109 Гц). Упругие волны с частотами 109 - 1013 Гц принято называть гиперзвуком.

Разрабатываемая система измерения расстояния предназначена для зрительного очувствления ПР типа «Феникс 3». Предполагается, что автономный робот «Феникс 3» будет снабжен системой объезда препятствий, для чего предполагается использовать систему технического зрения на базе многоканального ультразвукового дальномера.

На этапе разработки подобная подсистема отсутствовала, и управление ПР осуществлялось в ручном режиме с пульта ручного управления либо с помощью управляющей программы, осуществляющей управление манипулятором ПР по заранее заданной траектории. Отсутствие средств обратной связи с объектами манипулирования не даёт возможности контролировать прохождение технологического процесса (ТП) и соответственно реагировать на изменения, вносимые внешними воздействиями. Отсутствие обратной связи с выполняемыми операциями указывает на малую гибкость системы в целом, что значительно сокращает возможности применения ПР в реальных условиях автоматизированного производства. Непосредственная эксплуатация такой системы сталкивается со следующими проблемами:

необходимость создания жёсткой конвейерной структуры производственных участков;

решение задач временного согласования работы конвейера и ПР;

необходимость изменения управляющей программы при переходе на выпуск нового вида изделий, где сказывается сложность ввода траектории отработки технологической операции ПР.

Основным недостатком является жёсткое требование к точности задания эталонной траектории, нарушение которой в процессе работы ведёт к нарушению исполнения всего ТП, при этом такую ситуацию сложно автоматически скорректировать.

1.2 Задачи, решаемые подсистемой

Задачи, решаемые подсистемой, заключаются в обеспечении ПР информацией об объектах, подлежащих обработке, - обеспечение обратной связи ПР с внешней производственной средой. Из всех задач, которые должны решаться подобными системами следует выделить следующие:

идентификация изменений в рабочем пространстве ПР;

автоматическое определение признаков для эталонных объектов;

выделение требуемого объекта из множества объектов (распознавание), находящихся в рабочем пространстве ПР, по команде от системы управления (СУ);

расчёт (идентификация) и передача в СУ ПР пространственных характеристик объекта, для его последующей технологической обработки;

обеспечение постоянной обратной связи ПР с внешней производственной средой;

модификация базы данных эталонных объектов.

1.3 Характеристика объектов обработки

Система предназначена ориентации робота в пространстве при движении в естественной среде. Эта возможность обеспечивается при использовании достаточно большого количества независимых каналов измерения. Таким образом, речь идет о необходимости разработки многоканального ультразвукового дальномера, включенного в бортовую управляющую сеть робота.

Технические характеристики системы определяются главным образом характеристиками использованных ультразвуковых пьезопреобразователей пьезоизлучатель MuRata MA40S8S и приёмник MA40S8R приведены в табл. 1.1.

Таблица 1.1 - Технические характеристики пьезоизлучателя MA40S8S и приёмника MA40S8R

Наименование	MA40S8S	MA40S8R
Номинальная рабочая частота	40 кГц	40 кГц
Уровень звукового давления в максимуме диаграммы направленности	120 дБ	-
Чувствительность	-	63 дБ
Диапазон измеряемых расстояний	0,2 - 4 м	0,2 - 4 м
Ширина диаграммы направленности	60°	60°

1.4 Функциональные требования к подсистеме

Подсистема должна обеспечивать следующие функциональные возможности:

автоматизированная система учёта объектов роботизации:

1) добавление новых объектов в базу данных (БД);

2) изменение характеристик объектов базы данных;

3) удаление объектов из базы данных.

пакетный режим работы СУ ПР;

модульность подсистемы

При добавлении базы данных выбор общих характеристик (наименование, код, и т.п.) объекта возлагается на оператора. Параметры захвата объекта вводятся непосредственно из СУ ПР, и в данной подсистеме не используются, а только записываются как дополнительные параметры объекта. Изменение характеристик существующих в базе данных объектов производится только при помощи самой подсистемы, оператор не имеет право менять эти параметры вручную.

Подсистема обеспечивает обновления методов обработки зрительной информации за счёт объектно-ориентированной структуры программного комплекса - перекомпоновка без изменения базовых объектов программного комплекса.

2. МЕТОДЫ РАСПОЗНАВАНИЯ, ИДЕНТИФИКАЦИИ И измерения расстояния до объектов В СТЗ ПР

2.1 Обзор методов распознавания и идентификации объектов

Распознавание - процесс разметки сцены, представляющей собой проекцию трёхмерного рабочего пространства ПР на плоскость объектива, регистрирующего устройства - цифровую камеру (ЦК) или ультразвуковой модуль (УЗМ). В процессе разметки происходит выделение информации относительно объектов расположенных в поле зрения УЗМ. Обычно в промышленных системах УЗМ расположен перпендикулярно рабочей поверхности рассматриваемых объектов, чем достигается уменьшение вероятности перекрытия одних объектов другими. Такое упрощение приводит к уменьшению вариации признаков в зависимости от расположения УЗМ и упрощает процесс сегментации и описания сцены в целом.

Распознавание наиболее сложный процесс, поскольку тесно связан с методами предварительной обработки изображения. Зачастую качество распознавания зависит от эффективности множества процессов, начиная от процесса ввода изображения и заканчивая формированием признаков объекта. Наиболее важной задачей при распознавании является задача описания свойств объекта - дескрипторов, для последующей идентификации объекта.

Непосредственно с задачей распознавания возникает задача идентификации объектов - процесс тесно связанный с распознаванием, заключающийся в объединении всей полученной информации от процесса распознавания в единое целое с целью классифицировать объект. Большинство известных методов не проводят чёткой границы между процессом распознавания и идентификации, поскольку выделение признаков происходит за счёт модификации исходного изображения.

2.1.1 Методы описания объектов

Конечной целью распознавания сцены, является процесс формирования дескрипторов для объектов сцены. Дескрипторы представляют собой структуру описания свойств объекта. Описание является основным результатом при конструировании СТЗ, поскольку дескрипторы должны влиять не только на сложность алгоритмов распознавания, но и на их работу. Существует три основные категории дескрипторов [1]: дескрипторы границы, дескрипторы области, дескрипторы для описания трёхмерных структур.

Дескрипторы границы включают в себя ряд наиболее распространённых методов: цепные коды, сигнатуры, аппроксимация многоугольниками, дескрипторы Фурье.

Цепные коды применяются для представления границы в виде последовательности отрезков прямых линий определённой длины и направления. В основе этого представления лежит 4- или 8- связная решётка. Длина каждого отрезка определяется разрешением решётки, а направления задаются выбранным кодом. Для порождения цепного кода заданной границы сначала выбирается решётка. Тогда, если площадь ячейки, расположенной внутри границы, больше определённого числа, ей присваивается значение 1; в противном случае этой ячейке присваивается значение 0. В данном методе основное место занимает процедура разбиения границы объекта на составляющие части. Недостатком метода является то, что цепной код данной границы зависит от начальной точки. Однако некоторые разработчики СТЗ применяли в этом методе нормирование, тем самым, обходя данный недостаток.

Сигнатуры представляют собой одномерное функциональное представление границы. Наиболее простым способом создания сигнатур является построение отрезка из центра к границе как функции угла. Такие сигнатуры являются зависимыми от периметра области и начальной точки отрезка. Применение такого дескриптора границы возможно только при его нормировании. Непосредственное применение сигнатур не представляется возможным, поскольку несколько сигнатур для разных объектов должны быть различимы. Для введения параметров различия наибольшее распространение получил способ описания сигнатур посредством вычисления её моментов. Целесообразность применения данного дескриптора заключается в получаемых выходных данных - одномерные функции, которые проще обрабатывать при описании объекта [1].

Другим видом разложения границы объекта в дескриптор является представление её в виде многоугольников - аппроксимация многоугольниками. При использовании цифровой обработки изображения границу объекта можно аппроксимировать с произвольной точностью. Для замкнутой границы аппроксимация многоугольниками является точной, тогда когда число сегментов в многоугольнике равно числу точек границы, так что каждая пара соседних точек определяет сегмент многоугольника. Целью такой аппроксимации является качественное определение формы границы с помощью минимального числа многоугольных сегментов. Долгое время практическое применение данного метода было невозможно из-за сложности задачи и ограниченности ресурсов вычислительных средств СТЗ. С появлением аппаратных средств воспроизведения графической информации данный метод был оптимизирован и реализован аппаратно. Наибольшее применение получил алгоритм построения триангуляции Делоне [2], в основе которого положен принцип аппроксимации многоугольниками множества точек границы объекта. Наряду с алгоритмом триангуляции Делоне применяются и более простые алгоритмы: наименьшего периметра, интуитивного объединения и разбиения.

При построении СТЗ основным требованием всегда является гибкость системы. Выше приведенные дескрипторы границы объекта практически сложно автоматически генерировать при обучении новому объекту. Оператор должен производить корректировку дескрипторов выборки обучения, вводимых в общую базу данных СТЗ для последующего процесса идентификации. Перенастройка СТЗ на распознавание новых объектов зачастую связана с длительным процессом вывода подобных дескрипторов отдельно для каждого нового объекта, при этом гибкость всей системы снижается.

Решение задачи автоматического формирования дескрипторов объекта, получается за счёт применения математического аппарата разложения сигнала в ряд Фурье - получение дескрипторов Фурье. Дескрипторы Фурье рассчитываются на комплексной плоскости, где каждая точка (x, y) границы соответствует комплексному числу (x+j·y). Последовательность из М точек границы представляется в виде функции, имеющей преобразование Фурье F(u), u=0, 1, 2, …, M-1. Если М является целым числом (степенью 2), F(u) вычисляется с помощью алгоритма быстрого преобразования Фурье [1, 3]. Данный метод получил широкое распространение в силу того, что для последующей идентификации существенно разных форм обычно требуется только несколько первых компонент F(u); преобразование Фурье легко нормируется для размера, поворота и начальной точки границы; для изменения размера контура достаточно умножить компоненты преобразования Фурье на константу, что вследствие линейности преобразования Фурье эквивалентно умножению границы на один и тот же множитель; поворот на угол и осуществляется умножением элементов F(u) на exp(jи) [4]. Данный метод реализован в большинстве промышленных СТЗ на основе оптических вычислительных средств. Следует отметить, что это дорогостоящие системы, что ограничивает область применения таких систем (системы навигации боевых ракет дальнего действия, авиационных и космических систем).

С развитием электронных вычислительных средств и средств регистрации зрительной информации всё больше исследователей и разработчиков СТЗ начали использовать информацию не только о форме объекта, но и о характеристиках ограничительной области объекта: текстура, скелет объекта и т.п. Хотя рассмотренные выше дескрипторы границы объекта представляют некоторую информацию об объекте роботизации и могут использоваться для описания области объекта, но не дают полной картины распознаваемой сцены, в отличие от дескрипторов области.

В случае если распознаваемые объекты отличаются друг от друга настолько, что для их последующей идентификации достаточно лишь нескольких основных дескрипторов, можно применить такие дескрипторы, как: площадь объекта, большая и малая оси объекта, периметр области объекта, связность отдельных областей одного объекта.

Если объекты представляют собой подобные по начертанию границы, но разные по характеру поверхности, то возможно применение дескрипторов текстуры. Дескриптор текстуры формального определения не получил - это, скорее всего, интуитивное описание поверхности (шероховатость, однородность, регулярность). На практике применяются два подхода для получения дескриптора текстуры объекта: структурный и статистический. Структурные методы позволяют установить взаимное расположение элементарных частей образа, таких как, описание текстуры, основанной на регулярном расположении параллельных линий. Статистические методы дают такие характеристики, как однородность, шероховатость, зернистость, узор и т.п.

Наиболее простой и получивший широкое применение в системах, связанных с обработкой объектов на основе текстуры, является метод, использующий моменты гистограммы интенсивности области объекта. Данный метод применяется к дискретизированному изображению, которое представляется интенсивностью отдельной точки изображения - пикселем. На первом этапе производится нахождение гистограммы интенсивности области объекта. На втором этапе производится вычисление моментов (до шестой степени) относительно среднего значения интенсивности области. Дескриптор, построенный по данному методу включает в себя: второй момент - дисперсию интенсивности области объекта, которая представляет меру контраста интенсивности и применяется в дальнейшем для описания однородности поверхности объекта; третий момент, который представляет собой меру асимметрии гистограммы, а четвёртый момент является мерой её относительной ровности. Пятые и шестые моменты представляют скорее практический интерес, поскольку их не так легко связать с формой гистограммы, но они дают определённую количественную информацию о виде текстуры объекта [4]. Данный метод нашёл практическое применение при идентификации шероховатых объектов на участках сборки деталей. При наличии в базе данных большого числа подобных объектов данный метод применяется в модифицированном виде: в процессе анализа текстуры объекта рассматривается не только распределение интенсивности, но и взаимное расположение пикселей с равными или почти равными значениями интенсивности.

Среди структурных методов получения дескрипторов области, следует отметить метод, основанный на получении описания области в виде графа - скелета области, т.е. схема области. В данном методе для получения скелета применяется большое количество алгоритмов прореживания, такие как: преобразование средних осей, алгоритм Накаши и Шингала [1], волновой метод [2, 5]. Перечисленные алгоритмы прореживания связывают свою работу с бинарным изображением, что требует в случае градационного изображения, предварительной его обработки.

Одной из наиболее быстрых и простых при реализации процедур прореживания является алгоритм, разработанный Накаши и Шингалом. Данный алгоритм основан на понятиях связности пикселей изображения; прореживание производится на основе вычисления логической функции на образе окна изображения. Выбор связывающей логической функции производится на основе интуитивно введённых функций последствий объединения и разрыва.

Волновые алгоритмы часто используются для определения минимального расстояния между объектами в пространстве (оптимизационные алгоритмы компьютерной графики), а в СТЗ они получили применение для реализации функции прореживания. Для этого, в исходной точке генерируется волна, распространяющаяся по определенным законам, помечающая пройденные точки номером шага. Процесс заканчивается по достижении целевой точки. Номер шага, которым помечена целевая точка и будет расстоянием от исходной до целевой точки. Построение скелета в данном случае сводится к выделению отрезков и мест их соединения с занесением найденных данных в результирующий граф. Выделение производится с помощью анализа пути прохождения волны, с пометкой пройденного пути (для предотвращения двойного прохождения волны по изображению). В результирующий граф скелета изображения заносятся средние точки для каждой генерации волны. С уменьшением количества точек в процессе движения волны производится анализ перемещения средней точки последней генерации волны, и в граф заносятся только точки, в которых происходит изменение направления движения средней точки. Методы скелетизации дают положительные результаты при работе с бинарными изображениями сцены, однако применение их для обработки градационных изображений ограниченно погрешностями при бинаризации области объекта. Здесь следует отметить, что скелет области непосредственно не может быть использован для последующего процесса идентификации и требует применения дополнительных алгоритмов описания полученного скелета. С появлением задач автоматического распознавания печатных текстов, данный алгоритм был модифицирован для распознавания печатных и рукописных текстов [5].

С созданием средств ввода и обработки потокового цифрового видео, применимым стал метод, основанный на получении описания объектов в виде инвариантных к преобразованиям перемещения, поворота и изменения масштаба моментов. Применение данного дескриптора в случае потокового видео более целесообразно, поскольку сокращается время на обработку отдельно взятого кадра потока видеоданных. Метод использует моменты до третьего порядка. Ограничение является экспериментальным, поскольку вычисление моментов более высокого порядка требует значительных вычислительных средств. На основе только нормированных центральных моментов 2- и 3-го порядков, выводятся наборы инвариантов моментов. Наиболее применимыми стали семь инвариантов моментов, получивших в литературе название Ху-дескрипторов (HU-descriptors) [6, 7].

2.1.2 Методы идентификации объектов

Современные методы идентификации делят на две основные категории: теоретические и структурные методы. Теоретические методы основываются на количественном описании идентифицируемых объектов сцены. Структурные методы основаны на применении символических описаний и связей между ними. Обе категории методов широко применяются для идентификации образов двумерных объектов.

Наиболее простым среди теоретических методов идентификации объектов, является метод решающих функций. Метод предполагает, что перед процессом идентификации был проведен процесс распознавания (процесс описания объекта), в результате которого был получен на этапе обучения вектор

- модели объекта с действительными компонентами, где - i-тый дескриптор рассматриваемого объекта. Если задано М классов объектов

,

то задачей идентификации является определение М решающих функций

,

таковых, что для любого модельного вектора , принадлежащего классу , выполняются неравенства:

, .

Метод позволяет произвести робастную идентификацию объекта. Он часто применяется для объектов, которые между собой мало подобны. В случае близости объектов метод может приводить к ошибочной идентификации. В качестве неравенств, применяются различные их модификации, которые зависят от конкретной системы распознавания и имеющихся дескрипторов объектов. На основе данного метода строятся также корреляционные методы распознавания. В таких методах процедуры распознавания и идентификации объединяются в единую процедуру - нахождения подобраза на более большем образе. Нахождение подобраза производится за счёт вычисления коэффициента корреляции, который может иметь вид относительного отклонения гистограммы интенсивностей подобраза от гистограммы интенсивностей текущего подобраза изображения сцены. Данный метод чувствителен к масштабированию, повороту. Применяется зачастую в системах пассивной навигации, распознавание заданных участков местности на карте при аэрофотосъёмках, участки роботизированной сборки с точным позиционированием деталей.

Другим теоретическим методом является метод потенциальных функций. Первоначально был предложен для решения задач обучения идентификации образов, а в дальнейшем был обобщён и реализован для более широкого круга задач, связанных с восстановлением и аппроксимацией функций. Метод подобен описанному выше методу, однако имеет более высокие показатели качества идентификации объектов. В основе метода заложена геометрическая интерпретация задачи идентификации, заключающаяся в представлении изображений в виде векторов в пространстве входных сигналов. Это позволяет представить задачу идентификации как обычную аппроксимационную задачу. В процессе обучения показываются точки и сообщаются значения функции в этих точках. Требуется восстановить функцию во всём пространстве предъявляемых значений в процессе работы метода. Алгоритмы метода потенциальных функций базируются на основной гипотезе о характере функций, разделяющих множества, соответствующие различным объектам [8].

Теоретические методы идентификации основываются на количественных моделях объектов, которые пренебрегают геометрическими параметрами, присущими форме объектов. В противовес теоретическим методам, структурные методы идентификации используют эти параметры для описания идентификационной модели объекта.

В основе структурных методов распознавания образов положена декомпозиция объекта на составляющие его элементарные примитивы. В данных методах более приемлемо использование дескрипторов границы, которые, как выше отмечалось, представляют собой разбиение границы на элементарные части, которые имеют собственные свойства идентификации. Такое представление данных применяется в наиболее простом методе - методе подбора индексов границ. В данном случае граница объекта представляется цепным кодом. Данный код состоит с отрезков границы, которые имеют разные направленности. Для процесса идентификации строится дерево схожести и матрица схожести. Дерево схожести представляет собой иерархическое разбиения форм отрезков в зависимости от расположения в границе объекта. Общая база данных эталонных объектов при этом представляется в виде путей следования отрезков, составляющих границы отдельного объекта. Метод применим в системах с дискретными датчиками позиционирования для плоских объектов.

Более ресурсоёмкими методами идентификации являются синтаксические методы. Эти методы включают в себя процессы распознавания (описания) и идентификации. Простейшими элементами в методе являются описания границы объекта на уровне связей её точек. В соответствии с этими связями строятся правила восстановления границы объекта - грамматики. Для задания эталонного объекта создаются из грамматик предложения, описывающие границу данного объекта. Данный метод положительно работает при описании скелета области в базе данных эталонных объектов в виде одного или нескольких предложений.

Приведённые методы распознавания и идентификации находят своё применение в различных системах технического зрения. Они предоставляют возможности создавать гибкие перепрограммируемые или самообучаемые системы распознавания для промышленных и непромышленных систем автоматизации деятельности человека в различных областях науки и техники.

2.2 Существующие системы технического зрения

Создание собственной подсистемы распознавания и идентификации объектов рабочего пространства требует рассмотрения аналогичных систем, поскольку разработки в данной области должны быть направлены на модификацию существующих методов либо на создание совершенно новых методов работы подсистемы в целом. При рассмотрении существующих разработок выявляются характеристики классических методов обработки зрительной информации, их положительные и отрицательные стороны.

Подсистемы подобного класса разрабатываются в большинстве случаев крупными корпорациями для собственных промышленных потребностей. Такие разработки зачастую являются узкоспециализированными. Этот факт представляет собой значительную проблему при портировании подобных систем в условия средних и малых предприятий. На большинстве предприятий до сих пор используются старые модели СТЗ, зарекомендовавшие себя как надёжное средство автоматизации производства.

Одной из достаточно давно разработанной и с успехом применяющейся в робототехнике является СТЗ «Autoview» фирмы British Robotic Systems (Великобритания). Система построена на базе специализированного процессора LSI 11-13, который способен в реальном масштабе времени анализировать изображения размером 256x256 (256 градаций яркости). Алгоритмы работы заключаются на непосредственном взаимодействии захватывающего устройства ПР с распознаваемым объектом, который перемещается перед объективом статически закреплённой камеры, с целью идентификации и дальнейшей обработки объекта. Система в комплексе с СУ ПР обеспечивает позиционирование детали с погрешностью не более ±0,5о. Область применения: участки автоматической сборки изделий. Недостатком системы является статическое расположение камеры, что сказывается на требованиях, предъявляемых к рабочему пространству СТЗ.

Другим применением СТЗ, являются технологические участки сортировки проходящих по конвейеру объектов. СТЗ подобного класса является разработка фирмы Optical Recognition Systems (США). Система используется на участках сортировки пачек сигарет. В системе используется информация о цветовой гамме пачек. Информация поддаётся модифицированному алгоритму гистограммного сглаживания, за счёт которого обеспечивается скоростное выделение краёв объектов, с последующей идентификацией объектов по цветовой гамме.

Применение ПР, оснащённых СТЗ не ограничивается производственными помещениями предприятий. В институте имени Келдыша разработан экспериментальный комплекс, который в реальном времени эмулирует захват космического спутника с помощью манипулятора ПР типа РМ-01. СТЗ является аппаратно-программным комплексом на базе персонального компьютера и двух статически закрепленных видеокамер. В системе используются методы распознавания на основе особых точек объекта. К недостаткам системы следует отнести отсутствие мобильных камер и как следствие высокие технические требования к рабочему пространству ПР.

Наиболее перспективная и многообещающая область применения СТЗ - это зрительное очувствление мобильных роботов. Здесь сказываются отличия мобильных роботов от статически установленных роботов - возможность свободно перемещаться в производственном помещении. Их область применения наиболее обширная: транспортные операции в пределах цеха; подводные, космические, геологические исследовательские работы и др. В таких системах скоростные характеристики СТЗ являются критическими, поскольку она должна обеспечивать распознавание и идентификацию объектов окружающего пространства за время меньшее, чем 1/30 секунды.

Как мы видим, наряду с теоретическими и экспериментальными исследованиями в области ультразвука выполнено много практических работ. Разработаны универсальные и специальные ультразвуковые станки, установки, работающие под повышенным статическим давлением, ультразвуковые механизированные установки для очистки деталей, генераторы с повышенной частотой и новой системой охлаждения, преобразователи с равномерно распределенным полем. Созданы и внедрены в производство автоматические ультразвуковые установки, которые включаются в поточные линии, позволяющие значительно повысить производительность труда.

3. проектирование многоканальной системы ультразвукового зрения робота «Феникс 3»

3.1 Составление структурной схемы

Структура проектируемого дальномера робота приведена на рис. 3.1.

Рисунок 3.1 - Структурная схема сетевого ультразвукового одноканального дальномера

На рис. 3.1 обозначены следующие структурные компоненты: 1 - контроллер шины CAN; 2 - микроконтроллер PIC18F458; 3 - 16-битный счётчик: 4 - формирователь пачки импульсов; 5 - ультразвуковой приёмник; 6 - ультразвуковой излучатель; 7 - делитель частоты; 8 - опорный кварцевый генератор.

3.2 Принцип действия УЗМ

Систему ультразвукового зрения можно разделить на две части:

а) сенсорный узел - выполняет цикл измерения дальности и передаёт эту информацию по каналу связи по запросу узла б).

б) приёмный узел - посылает запрос и получает информацию от узла а).

Узлы соединяются между собой при помощи последовательной шины CAN. В рамках структуры робота «Феникс-3», роль узла б) выполняет контроллер-«мастер».

Сенсорный узел представляет собой разновидность классического импульсного локатора. МК PIC18F458 с интервалом в 100 мс формирует запускающий импульс, который запускает формирователь пачки импульсов и одновременно запускает на счёт 16-битный счётчик времени. Формирователь пачки импульсов вырабатывает пачку импульсов частотой 40 кГц и длительностью 40 мкс.

Излучённый ультразвуковой сигнал отражается от объекта и возвращается назад. Фронт первого принятого импульса останавливает счётчик времени, а также формирует сигнал окончания цикла измерения. При поступлении этого сигнала МК считывает значение, накопившееся в счётчике. Делитель частоты формирует сигналы требуемых частот для схемы. В частности, на счётчик для подсчёта времени подаются импульсы с периодом 1 мкс. Таким образом, можно найти расстояние до объекта как:

[м],(4.1)

где Т - число, накопленное в счётчике. Теоретическое минимальное измеряемое расстояние составляет:

[м] = 6,8 [мм].(4.2)

На практике из-за конструктивных особенностей излучателя и приёмника минимальное измеряемое расстояние больше и составляет около 200 мм.

Исходя из принципа действия системы ультразвукового зрения, максимальное разрешение, с которым производится измерение расстояния, составляет:

[м] = 0,17 [мм].(4.3)

Максимальное расстояние ограничивается, в основном, мощностью излучателя и составляет около 2 м. В схеме нет специального сигнала для случая, когда сигнал не достигнет приёмника. При этом, когда счётчик отсчитает 216 импульсов, он останавливается, и формируется сигнал окончания счёта. Таким образом, максимальное время измерения расстояния составляет примерно:

65536 · 106 -= 0,07 [с].(4.4)

3.3 Разработка и проектирование системы

В низкочастотном УЗ-вом диапазоне применяются электродинамические излучатели и излучающие магнитострикционные преобразователи и пьезоэлектрические преобразователи. Наиболее широкое распространение получили излучатели магнитострикционного и пьезоэлектрического типов.

Принцип пьезоэлектрического эффекта используется при изготовлении излучателей УЗ-вых колебаний, которые преобразуют электрические колебания в механические. В качестве пьезоэлектрических материалов применяют кварц, титанит бария, фосфат аммония.

Кпд пьезоэлектрических преобразователей достигает 90%, интенсивность излучения - несколько десятков Вт/см2. Для увеличения интенсивности и амплитуды колебаний используют УЗ-вые концентраторы. В диапазоне средних УЗ-вых частот концентратор представляет собой фокусирующую систему, чаще всего в виде пьезоэлектрического преобразователя вогнутой формы, излучающего сходящуюся волну. В фокусе подобных концентраторов достигается интенсивность 105 - 106 Вт/см2.

В качестве приемников ультразвука на низких и средних частотах чаще всего применяют электроакустические преобразователи пьезоэлектрического типа. Такие приемники позволяют воспроизводить форму акустического сигнала, то есть временную зависимость звукового давления. В зависимости от условий применения приемники делают либо резонансными, либо широкополосными. Для получения усредненных по времени характеристик звукового поля используют термическими приемниками звука в виде покрытых звукопоглощающим веществом термопар или термисторов. Интенсивность и звуковое давление можно оценивать и оптическими методами, например по дифракции света на УЗ.

Для проверки работоспособности выбранного алгоритма работы сенсорного узла было произведено его предварительное макетирование.

Для этого была использована доработанная макетная плата, заимствованная из другого проекта. В качестве интерфейса для связи с контроллером-«мастером» был использован контроллер шины CAN MCP2510, т.к. он уже имелся на плате.

В качестве излучателя и приёмника ультразвука использованы пьезопреобразователи MuRata MA40B8S и MA40B8R соответственно. Узлы 3, 4 и 7 реализованы на ПЛИС MAX EPM7128STC100. В качестве узла 2 был использован МК PIC18F458, имеющийся на плате.

Принципиальная схема платы приведена на рис 3.2.



Рисунок 3.2 - Принципиальная схема платы

Плата была подвергнута следующей доработке:

вывод 16 микросхемы D3 (по схеме) отключён от порта RB1 МК и подключен к порту RC2. Это было сделано для совместимости с имеющимися встроенными библиотеками для контроллера шины CAN MCP2510, имеющимися в составе компилятора С18.

ПЛИС отключена от порта RC2 МК.

вывод 17 контроллера CAN D3 соединён с питанием +5В. В нашем случае специальный сигнал сброса не используется. Использован программный сброс контроллера CAN.

в качестве Q3 - Q6 использованы МОП-транзисторы IRLML2402, а Q1 и Q2 - IRLML6401. У этих транзисторов сопротивление в открытом состоянии значительно меньше, чем у тех, которые использовались в оригинальной схеме. При этом чтобы выходные ключи стабильно закрывались пришлось также добавить в цепи затворов Q3 и Q4 резисторы утечки (на землю) по 2,2кОм.

вывод DRDY ПЛИС соединён с портом RB1 МК, а выход INT CAN контроллера - к порту RB0.

Для макетирования системы использовался только один ультразвуковой канал. В качестве контроллера-«мастера» была использована макетная плата поддержки разработки для контроллера «ASK Lab», на которой также был установлен интерфейсный контроллер CAN MCP2510. Узел использовался для тестовых целей при отладке сенсорного узла. Макетная плата включает в себя контроллер шины CAN MCP2510, PIC18F458 и символьный ЖК индикатор.

«Мастер» и сенсорная плата обменивались данными по шине CAN. МК периодически формировал запрос данных, принимал данные от сенсорного узла и выводил принятую информацию на индикатор. Также на индикатор выводилась информация о тестовых посылках сенсорного узла.

При поступлении команды запроса данных МК сенсорного узла передавал числовые данные о текущем измеренном расстоянии. Также периодически (раз в 100 мс) МК передавал «мастеру» тестовую посылку для подтверждения того, что узел функционирует нормально.

Программное обеспечение для МК сенсорной платы и макетной платы «ASK Lab» написано на языке С18 и откомпилировано в среде MPLAB 8. Прошивка для микросхемы ПЛИС создана в среде MAX+ 10.0.

Плата сенсорного узла была установлена в пластмассовый корпус, на боковые стенки которого были также выведены разъёмы для подключения питания, пьезопреобразователей и линии CAN. Внешний вид собранного ультразвукового модуля приведён на рис. 3.3.

Рисунок 3.3 - Внешний вид ультразвукового модуля

Пьезопреобразователи установлены в специальные держатели, которые обеспечивают их механическую защиту, а также облегчают установку на робот. Внешний вид ультразвукового приемо-передатчика приведён на рис. 3.4.



Рисунок 3.4 - Внешний вид ультразвукового приемо-передатчика

3.4 Проведение испытаний

Для проверки работоспособности системы были проведены предварительные испытания. Производилось определение расстояния до различных объектов и наблюдение результата на индикаторе приёмного узла УЗМ (рис. 3.5, 3.6).

Испытательная установка представляет собой совокупность препятствия - корпус CD-диска; подвижного излучателя (синяя катушка), приемная часть которого жёстко зафиксирована пайкой на плате и нацелена на препятствие.

Звук идет, соответственно, от излучателя, отражается от препятствия и попадает в приемник, который расположен на этой же плате. В этот момент происходит подсчёт разницы времени между сигналами излучателя и приёмника. Зная скорость звука в воздухе, и рассчитанную временную разницу - рассчитывается расстояние до препятствия.



Рисунок 3.5 - Общий вид испытательной установки

Рисунок 3.6 - Проведение испытаний ультразвукового дальномера

3.5 Обработка полученных данных

При анализе осциллограммы сигнала, можно выбрать два способа контроля расстояния, обозначим первый из них - желтым: момент срабатывания прерывания МК ультразвукового дальномера на приеме; а второй - красным: пачка импульсов (как правило, импульс доходит отнюдь не в идеальном виде и не полностью: может не быть пары первых или последних импульсов) (рис. 3.7).

Рисунок 3.7 - Осциллограмма полученного сигнала дальномера

Для сравнения результатов измерения препятствий, определим, вначале, вид сигнала, определяющий пустое пространство или рабочую зону робота без препятствий (рис. 3.8).



Рисунок 3.8 - Осциллограмма сигнала пустого пространства.

Осциллограмма сигнала, отражённого от препятствия (в нашем случае CD-диска) представлена на рис. 3.9. Слева (за экраном) импульс синхронизации, посланный от контроллера во второй канал осциллографа.

Рисунок 3.9 - Осциллограмма сигнала препятствия.

Как нетрудно догадаться: импульс синхронизации посылается перед всем пакетом представления - по этому картина имеет привязку только к нему и если увеличить расстояние до препятствия, то «кучность» тоже отъедет вправо, вплоть до границ экрана.

В зависимости от того, в какие условия попадает АМР, можно выбирать способы контроля расстояния (рис. 3.7), а именно: второй определенно точнее, но проигрывает при использовании ультразвукового дальномера в узких пространствах, где необходимо следить за тем, что б после получения пачки импульсов, не поймать вторую - отраженную от чего-нибудь, и не принять ее конец за конец суммарной пачки; в первом случае, ультразвуковой дальномер работает не столь точно как может, зато измеренное расстоянии - это гарантированно расстояние до ближайшего препятствия.

ВЫВОДЫ

При выполнении данной квалификационной работы бакалавра, была достигнута цель работы: разработана ультразвуковая система измерения расстояния до препятствия на основе распознавания и идентификации объектов рабочего пространства автономного мобильного робота.

Рассмотренные методы распознавания и идентификации предоставляют базовые средства для реализации основных функциональных возможностей системы. Проведенный сравнительный анализ показал, что с учётом требований технического задания не все методы могут быть применены в разрабатываемой системе.

АМР «Феникс 3» снабжен системой объезда препятствий, для чего предполагается использовать систему технического зрения на базе многоканального ультразвукового дальномера.

В рамках разработки концепции построения архитектуры бортовой системы робота «Феникс 3», было выполнено проектирование одноканального ультразвукового дальномера, реализованного по сетевой технологии на базе пьезопреобразователей MA40S8S и MA40S8R фирмы MuRata.

Как показали проведённые расчёты, шина CAN имеет ряд преимуществ по сравнению с RS-485, а именно: аппаратная реализация адресации и арбитража шины.

Основываясь на полученные результаты, можно рекомендовать принять решение использовать шину CAN в качестве бортовой сети робота «Феникс-3».

Также, в работе приведена обработка результатов, полученных при анализе осциллограмм сигналов одноканального ультразвукового дальномера.

ПЕРЕЧЕНЬ ССЫЛОК

Gonzalez R.C., Wintz P. Digital Image Processing. Addison - Wesley: Reading, Mass., 1977. - 96 р.

Master Thesis LiTH-ISY-3132 Computer Vision Classification of Leaves from Swedish Trees Oskar J.O. Sхderkvist September 20, 2001. - р. 45 - 48.

Microsoft Developer Network. MSDN Library - April 2001

Nevludov I., Andrusevith А., Bondarenko А. Charkov-Rybachie, Proceedings x international conference "New leading technologies in machine building", September 2-6, 2001, р. 49 - 53.

Theodoris S., Koutroumbas K. Pattern Recognition. - Academic Press, 1999. - 124 р.

Айзерман М.А., Браверман Э.М., Розоноэр Л.И., и др. Метод потенциальных функций в теории обучения машин. - М.: Наука, 1970 - 384 с.

Архангельский А.Я. Программирование в С++ Builder 4 - М.: БИНОМ, 1999. - 928 с.

Баклицкий В.К., Бочкарёв А.М., Мусьяков М.П. Методы фильтрации сигналов в корреляционно-экстремальных системах навигации. - М.: Радио и связь, 1986. - 216 с.

Васильев В.И. Распознающие системы. Справочник. - К.: Наук. думка», 1983. - 422 с.

Власов В.Г. Конспект лекций по высшей математике. - М.: АЙРИС, 1996. - 289 с.

ГОСТ 2.105-2001. Единая система конструкторской документации. Общие требования к текстовым документам. - М.: Из-во стантдартов, 2001. - 76 с.

Грегори К. Использование Visual C++ 6. Спец. издание.: Пер. с англ. - СПб.: Изд. дом «Вильямс», 2000. - 864 с.

Державний стандарт України. ДСТУ 3008-95. Документація. Звіти у сфері науки і техніки. Структура і правила оформлення. Чинний від 01.01.96. - К.:Держстантдарт, 1995. - 60 с.

Единая система конструкторской документации: Справ. пособ. / С.С. Борушек А.А. Волков, М.М. Ефимова и др. - 2-е изд., перераб. и доп. - М.: Изд-во стандартов, 1989. - 352 с.

Жлуктенко В.І., Наконечний С.І. Теорія ймовірностей і математична статистика: навч.-метод. посіб. у 2-х частинах. Ч. 1: Теорія ймовірностей. - К.: КНЕУ, 2000. - 304 с.

Кугушев Е.И., Толстоусова В.Г. Константность восприятия в системах технического зрения роботов. - Предпринт ИПМ АН СССР, №45, 1985. - 24 c.

Методические указания к дипломному проекту для студентов специальности 8.091402 «Гибкие компъютерные системы и робототехника» Упоряд. В.В. Токарев, О.М. Цимбал. - Харьков: ХНУРЭ, 2003. - 40 с.

Путятин Е.П., Аверин С.И. Обработка изображений в робототехнике. - М.: Машиностроение, 1990. - 320 с.

Романовский П.И. Ряды Фурье. Теория поля. Аналитические и специальные функции. Преобразование Лапласа. - М.: Наука. Гл. ред. физ.-мат. л-ры, 1980. - 336 с.

Фу К., Гонсалес Р., Ли К. Робототехника: Пер. с англ. - М.: Мир, 1989. - 624 с.

Хорн Б.К. Зрение роботов: Пер. с англ. - М.: Мир, 1989. - 487 с.

Шикин А.В., Боресков А.В. Компьютерная графика. Полигональные модели. - М.: ДИАЛОГ-МИФИ, 2000. - 464 с.