作为移动机器人感知环境、自主导航的基础，障碍物检测是实现正确运动控制的重要依据。传统的障碍物探测通常采用激光传感器、超声传感器或红外传感器等非视觉器件，具有抗干扰能力强、可全天候工作的优点，然而这些传感器采集的数据单一，机器人很难准确探测周围环境的三维信息[1-2]。作为无人驾驶系统中环境感知的重要功能单元，三维激光雷达可较好地检测周围环境三维信息，但因其成本较高，目前较难大范围应用[3]。

相比之下，基于视觉的环境感知技术具有成本低、信息丰富的优点，并得到了广泛研究[4-5]。然而，视觉传感器易受环境影响、检测精度低：基于单目视觉的环境感知方法具有受环境影响较大、检测精度低和视野范围小的缺点[6]；而基于双目视觉的环境感知方法易出现多义性[7-8]。鉴于这些问题，有研究者把视觉和激光检测方法结合起来，在增强环境适应性的同时提高检测精度[9]：文献[10]把车载相机和二维激光雷达结合起来，较好地探测了障碍物位置和形状，以较低成本辅助智能车无人驾驶；文献[11]把二维激光雷达与视觉融合起来，较好地解决了车轮打滑时的位姿丢失问题，并能较好检测出地面负障碍物。

相比单目和双目相机，Kinect相机能以简捷方式和较低成本提供环境深度数据[12]。利用这一优点，本文提出在移动机器人上同时安装二维激光雷达和Kinect相机，把激光扫描和深度图像结合起来检测障碍物。这种障碍物检测方法不仅具备二维激光雷达平面探测范围广、精度高、实时性好的特点，而且兼有Kinect深度相机三维探测的优势。具体步骤是：首先，二维激光雷达与深度相机分别从周围环境中获取二维激光数据和三维深度图像；然后，将深度图像转换成虚拟二维激光数据；最后，对虚拟二维激光数据与二维激光雷达数据进行融合，得到障碍物的三维位置。本文通过实物测试验证了该方法正确有效，可用于移动机器人对环境障碍物的判断。

1．1 对象 2011年9月－2012年8月广州市十区二市共165家医疗保健机构出生的活产新生儿共209 534例。

1 整体系统框架

图1为本文的研究平台，在改造的Turtlebot机器人平台上搭载一台Kinect相机，并在其上方安装一台Hokuyo UTM-30LX激光雷达。激光雷达和Kinect相机结合的工作思路如图2所示，Kinect相机从周围环境中采集深度图像，经过“深度图像转换模块”转换成虚拟激光测距数据；二维激光雷达从周围环境中采集二维平面的激光测距数据；“测距数据融合”模块把虚拟激光测距数据和激光测距数据整合得到障碍物位置，并提交给“机器人导航模块”。

图1 系统工作平台

图2 系统工作思路

2 二维激光雷达与Kinect相机联合标定

对于环境中的障碍物，二维激光雷达和Kinect相机各有不同的表示形式。图3给出了同时处在激光雷达坐标系(OL XL YL ZL)与Kinect相机坐标系(OK XK YK ZK)的目标点P，坐标分别为(xL,yL,zL)和(xK,yK,zK)，P点在图像平面坐标系(XP OP YP)中的投影P′坐标为(u,v)。通过标定找到激光雷达坐标系与Kinect图像坐标系之间的关系，才能准确融合激光雷达测距数据与Kinect深度图像数据。

图3 激光雷达与Kinect相机坐标系

2.1 激光雷达坐标系与Kinect坐标系的关系

P点在(OL XL YL ZL)下的坐标为(xL,yL,zL)，根据激光雷达坐标系与Kinect坐标系的几何关系，得到坐标关系为：

式中，R是旋转矩阵；T是平移矩阵。Kinect相机采集得到的数据不是P点坐标(xK,yK,zK)，而是P′点像素坐标(u,v)和对应的深度值zK；激光雷达采集得到的不是P点坐标(xL,yL,zL)，而是距离r和角度α。可以通过下面两小节分析得到(xK,yK,zK)与像素点三元组(u, v, zK)的对应关系、(xL,yL,zL)与测距点二元组(r,α)的对应关系。

根据经典相机模型[6]，P点在(OK XK YK ZK)下的坐标为(xK,yK,zK)，其在图像平面投影为P′，用像素表示坐标为(u, v)，可以得到Kinect坐标与像素点三元组的关系为：

2.2 Kinect坐标与像素点三元组的关系

式中，fx、fy是X轴和Y轴方向上以像素为单位的等效焦距；cx、cy是基准点。这些都是相机参数，可以采用标准的相机参数标定方法计算出。

2.3 激光雷达坐标与像素点三元组的关系

综合式(1)与式(2)，可以得到像素点三元组与激光雷达坐标的关系为：

对于激光雷达，保持极坐标系与平面直角坐标系(OL XL ZL)在同一个平面内，原点同为激光雷达中心，激光束与ZL轴正向夹角为极坐标角度α(激光束偏角值)，激光束测距值为极坐标径向值r(激光雷达当前测距值)，如图4所示。

图4 激光雷达的直角坐标与极坐标关系

激光测距点二元组(r,α)与直角坐标(xL,yL,zL)的关系为：

在HFSS中根据优化好的单腔搭建双腔模型,在本征模式(Eigenmode)下采用双模匹配法来进行级间耦合、交叉耦合与端口耦合仿真,其文献[5]中讲述了耦合系数的提取方法。级间耦合仿真模型如图3所示,初始窗口W设为10 mm,设置耦合筋高度为变量h_cou,参考在CoupleFil中得到表2的耦合系数数据,仿真得到相应耦合筋的初始高度。同样在双腔之间采用添加飞杆的方式来实现容性的交叉耦合[6],最终仿真得到飞杆盘R_f的初始值为3.6 mm。

对于像素点P′的图像坐标(u, v)，保持激光雷达坐标原点与Kinect相机坐标原点在Y轴方向的垂直高度差为l，则有像素点三元组(u, v, zK)与激光雷达测距点二元组(r,α)的关系为：

在确定相机参数后，把多对像素点三元组和测距点二元组代入式(5)，通过求解线性方程组得到未知的R、T矩阵，进而确定激光雷达坐标系与Kinect相机坐标系的旋转平移关系，完成联合标定。

利用第3节的方法，由(xK,yK,zK)得到P对应虚拟激光雷达测距数据d。于是，可得到融合后第i束激光测距二元组为：

3 深度图像转换

针对可燃外墙保温材料，除满足相应的SBI单体燃烧试验和可燃性试验的判定指标要求外，还新增加了氧指数的要求。其中，B1级保温材料的氧指数要求≥30%；B2级保温材料的氧指数要求≥26%。

假设当前需要转换的像素在第u个像素列，该列所有像素点被转换成一个虚拟激光点，该点在所有虚拟激光点中的序号是j，激光点距离值为：

式中，表示OK与目标点P的虚拟激光点(P点在中心平面上的投影)距离，具体计算方法参照图6所示模型。P在深度图像的对应点P′( u, v)，其在中心平面的投影点A就是虚拟激光点，C是OK的投影，那么，线段AO的长度就是。

图5 Kinect相机图像

图6 Kincet相机的虚拟激光测距

4) 计算A到相机原点KO的距离为：

1) 获取P在 Kinect坐标系下坐标P( xK,yK,zK)，zK是P′的深度值；

2) 计算直线AOK和COK夹角β为：

图7给出了本文方法的测试结果，图7a为Kinect相机采集的环境RGB图像，图7b为相机采集的深度图像。本文通过4组测试对比二维激光雷达、Kinect相机和本文方法的障碍物检测结果。

如果Kinect相机观测角范围为 (βm in ,βm ax )，沿AC轴向可转换成M个虚拟激光点，那么，P对应虚拟激光束的序号为：

具体计算(i)的步骤如下：

4 深度图像与二维激光雷达数据融合

设激光雷达扫描得到的测距二元组集合为DL，融合Kinect采集得到的三元组信息后的测距二元组集合为DF。图3中，P为DL中第i个测距点，其测距二元组为(dL,α) ，由式(1)和式(4)可得P在(OK XK YK ZK)下的坐标为：

本文中，Kinect相机采集得到深度图像后，深度图像转换模块把图像中转换窗口的每个像素列上深度值最小的像素点距离和角度提取出来，相当于将部分或者全部深度图像向中心平面压缩，在中心平面上形成一系列虚拟激光点。图5a为Kinect相机采集到的RGB图像；图5b为深度图像与转换窗口，s表示窗口第一个转换像素行号，h表示转换窗口高度(单位为像素行)，RGB图像 (u0, v0 )点对应深度图像的(u, v)点。

二是水质控制，水质控制的重点是通过调节投饵量、施肥时间、加水时间来控制水质，保证苗种下塘前期水质适当的瘦一点，防止气泡病的发生。鱼苗下塘10天后将水质调节的适当肥一点，促进鱼苗的快速生长。施肥的具体做法是：鱼苗下塘3天后，全池泼洒小球藻和EM菌。鱼苗下塘5～6天，每亩施发酵后的有机肥200kg。鱼苗下塘10天后，根据水质情况，通过施肥或加水的方式调节水质，保证水体透明度30cm左右，为鱼苗提供丰富的天然饵料，促进鱼苗快速生长。

2.3 影响患者全因死亡率的多因素分析 结合前述分析结果，将可能影响患者全因死亡率的危险因素纳入logistic风险模型，结果发现，年龄≥80岁是影响患者全因死亡率的不可更改的独立性危险因素（OR＞1，P＜0.001），单 non-HDL-C达标、双达标是影响患者全因死亡率的独立性保护因素（OR＜1，P＜0.05）。见表3。

输出：DF//融合Kinect数据的二元组集合

输入：DL//原始激光扫描二元组集合

当Kinect相机与二维激光雷达同时工作，按照上述方法得到所有融合后的测距二元组集合DF。一般情况下二维激光雷达的激光测量角度大于Kinect相机观测角度，即 [βmin ,βm ax ]⊂ [αmin ,αmax ]，从而DF为：式中，Δβ表示Kinect相机的虚拟二维激光角增量；Δα代表激光雷达的角增量。深度图像与二维激光雷达数据融合算法伪代码为：

其中，FuseRangeKinect()是主框架；GetNextElement()为从原始激光扫描点集LD返回下一个二元组；LaserTOKinect()实现式(10)；Insert()向融合激光点集FD中添加一个二元组。

5 实验测试

为验证本文方法正确有效，在图1的机器人平台上实现了上述环境障碍检测算法：主控计算机处理器为酷睿六代i7，主频为2.5 GHz，操作系统采用Ubuntu并运行了ROS系统；二维激光雷达为Hokuyo UTM-30LX，最大测距值30 m，角分辨率是0.25°，测距精度能达到30 mm，最大扫描角度是270°。

SW3(config)#spanning-tree portfast defau //二层交换机SW3上所有 access端口启用portfast特性

3) 二维激光点的计算。

1) 第1组测试：图7c表示h=50的测量区域，此时转换窗口很小，只能检测到桌面上的物品；图7d表示h=50的障碍物边缘比较图，其中点划线为激光雷达检测到的障碍物边缘(来自LD)，点线为Kinect相机检测到的障碍物边缘，细实线为融合得到的障碍物边缘(来自于FD)。对比可发现，因为Kinect相机检测角度小于激光雷达，其检测出的障碍物边缘范围也小于激光雷达和融合方法；因为转换窗口很小，融合方法跟激光雷达一样没有发现桌子边沿、垃圾桶和纸箱。

2) 第2组测试：图7e表示h=100的测量区域，转换窗口高度有所增大，检测到了桌面弧形边沿，图7f表示h=100的障碍物边缘比较图。对比可发现，随着转换窗口增大，融合方法和Kinect相机可发现桌子边沿，但激光雷达依然不行。

3) 第3组测试：图7g表示h=180的测量区域，转换窗口高度继续增大，检测到纸箱；图7h表示h=180障碍物边缘比较图。对比发现，随着窗口继续增大，融合方法和Kinect相机可发现地面纸箱，相比Kinect，融合方法还能检测更宽的范围。

欧洲：随着欧洲经济的缓慢复苏，2016年欧洲地区新住宅的开工量达119万套，基本与2011年水平持平。业内专家预测2016—2018年，住宅市场投资将每年增加2.4%，特别是新住宅建设将迅速增加。但是欧洲各国的情况差异很大，未来比利时、法国、德国、荷兰和西班牙将领跑欧洲的住宅市场复苏，另外满足多样化需求和偏好的建筑创新也将成为影响未来住宅建设的主要因素。

图7 障碍物检测实验

4) 第4组测试：图7i表示h=240的测量区域，转换窗口高度进一步增大，进而检测到地面垃圾桶；图7j表示h=240的障碍物边缘比较图。对比可发现，随着转换窗口进一步增大，融合方法和Kinect相机可发现地面纸篓，相比Kinect相机，融合方法还能检测更宽的范围。

由4次实验对比可见，本文的融合方法不仅能更准确地检测到环境中的障碍物，而且还具有较宽的检测范围，是一种成本较低的三维障碍检测方法，适合移动机器人在局部区域移动时避障。

该病以呼吸道和消化道症状为主，表现为呼吸困难、咳嗽和气喘，有时可见甩头、张口呼吸、气管内水泡音、食欲减少或死亡，口腔内有黏液。病鸡拉稀，粪便呈黄绿色，用药物治疗效果不明显，逐渐脱水消瘦，呈慢性散发性死亡。剖检病变不典型，其中最具诊断意义的是十二指肠粘膜、卵黄病柄前后的淋巴结、盲肠扁桃体、回直肠黏模等部位的出血灶鸡脑出血点。一旦发生此病，应立即隔离和淘汰早期病鸡，全群用活疫苗进行紧急接种。如果与灭活苗同时应用，效果更好。同时，对发病鸡群投喂多维和适量抗生素，可增强抵抗力，控制细菌并发感染。

校园安全一直以来都受到各界的广泛关注。所谓校园安全即学生在校期间的身体及心理健康，它与社会、家长、教师以及同学的影响息息相关。本文就艺术类高校的安全管理工作展开讨论，提出科学的解决对策，为学生的健康成长保驾护航。

6 结束语

针对现有视觉传感器探测障碍物时易受环境影响、检测精度低的问题，本文提出了一种结合Kinect相机和二维激光雷达判断障碍物的方法，具备了二维激光雷达平面探测范围广、精度高、实时性好的特点，同时兼有Kinect相机廉价的三维测量优势。在改造的Turtlebot机器人平台上，验证了该方法的正确性和有效性。

参 考 文 献

[1]MANSOUR S M B, SUNDARAPANDIAN V, NACEUR S M. Design and control with improved predictive algorithm for obstacles detection for two wheeled mobile robot navigation[J]. International Journal of Control Theory &Applications, 2016, 9(38)： 37-54.

[2]彭梦. 基于多传感器融合的移动机器人障碍物检测研究[D]. 长沙： 中南大学, 2007.PENG Meng. Research on obstacle detection of mobile robots based on multi-sensor information fusion[D].Changsha： Central South Uuniversity, 2007.

[3]邹斌, 刘康, 王科未. 基于三维激光雷达的动态障碍物检测和追踪方法[J]. 汽车技术, 2017(8)： 19-25.ZOU Bin, LIU Kang, WANG Ke-wei. Dynamic obstacle detection and tracking method based on 3D lidar[J].Automobile Technology, 2017(8)： 19-25.

[4]KELLER C G, ENZWEILER M, ROHRBACH M, et al. The benefits of dense stereo for pedestrian detection[J]. IEEE Transactions on Intelligent Transportation Systems, 2011,12(4)： 1096-1106.

[5]YU Q, ARAUJO H, WANG H. A stereovision method for obstacle detection and tracking in non-flat urban environments[J]. Autonomous Robots, 2005, 19(2)：141-157.

[6]李启东. 基于单目视觉的机器人动态障碍物检测与壁障方法研究[D]. 长春： 吉林大学, 2016.LI Qi-dong. Research on robot dynamic obstacle detection and obstacle avoidance method based on monocular vision[D]. Changchun： Jilin University, 2016.

[7]冯瑾. 基于双目立体视觉的移动机器人障碍物检测技术研究[D]. 徐州： 中国矿业大学, 2015.FENG Jin. Research on technology of mobile robot obstacle detection based on binocular stereo vision[D]. Xuzhou：China University of Mining and Technology, 2015.

[8]MANE S B, VHANALE S. Real time obstacle detection for mobile robot navigation using stereo vision[C]//Proceedings of the International Conference on Computing, Analytics and Security Trends. [S.l.]： IEEE, 2016： 101-105.

[9]CHEN X, REN W, LIU M, et al. An obstacle detection system for a mobile robot based on radar-vision fusion[C]//Proceedings of the 4th International Conference on Computer Engineering and Networks. [S.l.]： Springer International Publishing, 2015： 677-685.

[10]张双喜. 基于雷达与相机的无人驾驶智能车障碍物检测技术研究[D]. 西安： 长安大学, 2013.ZHANG Shuang-xi. Research on obstacle detection technology based on radar and camera of driverless smart vehicles[D]. Xi’an： Chang’an University, 2013.

[11]汪佩, 郭剑辉, 李伦波, 等. 基于单线激光雷达与视觉融合的负障碍检测算法[J]. 计算机工程, 2017, 43(7)：303-308.WANG Pei, GUO Jian-hui, LI Lun-bo, et al. Negative obstacle detection algorithm based on single line laser radar and vision fusion[J]. Computer Engineering, 2017,43(7)： 303-308.

[12]薛彦涛, 吕洪波, 孙启国. 基于Kinect深度数据的移动机器人障碍检测方法研究[J]. 计算机测量与控制, 2017,25(2)： 61-63.XUE Yan-tao, LÜ Hong-bo, SUN Qi-guo. Mobile robot obstacle detection method based on depth data of Kinect[J]. Computer Measurement & Control, 2017, 25(2)：61-63.