1 引言

移动机器人在未知环境下的自动导航涉及环境感知、地图构建、机器人定位、路径规划等任务。同步定位与地图创建SLAM(Simultaneous Localization And Mapping)根据传感器感知的信息对机器人的位姿和环境路标的位置信息进行概率估计，在估计机器人的位置的同时构建一个基于路标的环境地图，进而实现机器人在未知环境下的自动导航。这个概念自1986年在国际机器人和自动化会议上提出后,同步定位与地图重建研究取得了很大进展，尤其是基于激光扫描的SLAM算法在室内服务机器人、自动驾驶汽车等方面已经获得一些成功的应用。但是，激光扫描仪高昂的价格限制了其推广应用，很多学者因此研究基于摄像头的SLAM算法设计与实现。相比于激光扫描仪，视觉传感器具有价格低、信息量丰富等优势，因此更容易在低成本的机器人上使用。

基于视觉的SLAM算法计算复杂度较高，往往涉及大量的数据处理和存储工作，所以很多研究工作都是在通用计算机平台上进行。基于通用计算机的视觉SLAM在国外已取得了一些重要的成果，Hartmann等人[1]利用Kinect摄像头和笔记本电脑实现了FastSLAM算法。有基于单摄像头的SLAM[2,3]，也有基于立体摄像机[4,5]和RGBD(Red-Green-Blue-Depth)摄像头[6]的SLAM,但通用计算机存在着体积大、功耗高、需要不间断供电电源等问题，限制着视觉SLAM技术的实际应用。

目前在机器人应用领域，大量的工业机器人和服务机器人都采用嵌入式处理器。嵌入式计算机系统具有体积小、功耗低、抗干扰能力强等优点，基于嵌入式平台的视觉SLAM算法因此具有更大的市场和更广泛的应用价值。嵌入式平台的计算能力和存储资源相对于通用计算机比较受限制。因此，在嵌入式平台上实现SLAM算法往往需要在特征选取、特征关联、数据结构、算法运行速度方面精心考虑。

1.明晰EPC管理内核。EPC模式从总价控制、工期保证、质量使用功能等方面满足业主的需求，是一种高度集成化的建设管理模式，核心是提升服务水平，灵魂是创新，实现手段是总体协调管理。建筑企业，尤其是企业负责人，需转变理念，了解EPC模式的实质，以此决策企业宏观发展方向。

视觉SLAM算法的关键技术包括视觉特征提取、特征关联和定位与地图重建算法。其中视觉特征要求光照稳定性好，且具有良好的尺度和旋转不变性。在SLAM算法中用得比较多的特征算子有SURF(Speeded-Up Robust Features)[7]和SIFT(Scale Invariant Feature Transform)[8]算子。其中，SIFT算子具有良好的尺度不变性和光照稳定性，但是计算量太大，不适合用在嵌入式平台。Rublee等人[12] 提出的ORB(Oriented Fast and Rotated BRIEF)特征算子是BRIEF(Binary Robust Independent Elementary Feature)算子的改进，具有良好的旋转不变性、尺度不变性和抗噪能力，是SIFT算子的良好替代。

随着新生儿重症监护病房(neonatal intensive care unit，NICU)收治的新生儿数量逐年的增加，尤其是危重症患儿的增多，使得使用机械通气的患儿也不断增加，机械通气是抢救危重新生儿的重要手段。目前，呼吸机在NICU的有效应用，显著提高了危重新生儿的抢救成功率，同时机械通气所导致的并发症—呼吸机相关性肺炎(ventilator associated pneumonia，VAP)又是导致医院感染，延长住院时间，增加住院费用，导致医疗成本上升的主要因素之一。VAP是机械通气治疗后的一种严重并发症，发病率高达9% ～70%;而VAP

2 硬件平台

本文选择实验室自行开发的一个四轮移动机器人平台改造后来完成视觉导航和定位实验。该移动机器人具有两个驱动轮和两个随动轮。移动机器人本体上除了DSP控制板外，还安装有多个红外开关和近距离超声传感器模块。Kinect传感器安装在机器人顶部，替代原来的模拟CCTV摄像头。整个系统的硬件框架如图1所示。

  

Figure 1 Description of hardware platform图1 硬件架构图

2.1 控制器

该四轮移动机器人平台的控制系统由一块DSP主控板、两块DSP从控板、两个直驱伺服电机、1个舵机、摄像头以及多个红外和超声传感器模块组成。主控制器的任务包括导航、路径规划、避障、图像采集、通信等。从控制器负责电机的驱动控制以及红外超声等传感器的信息采集。主控板与从控板之间通过RS232串口交换数据。

随着医疗技术的快速发展,腹腔镜手术临床治疗中也得到了广泛应用,而舒适护理作为一种新型的护理模式,能够以患者为中心,为其带来更加全面及舒适的护理体验,也被常用在腹腔镜手术的干预护理中[2-3]。

主控制器采用的是TI公司生产的Davinci系列的DM3730双核处理器。DM3730内部有1个Cortex-A8 处理器和一个多媒体数字信号处理DSP内核，其中ARM Cortex-A8处理器的主频为1 GHz,DSP内核的主频是800 MHz。另外，控制板还集成了512 MB RAM和512 MB ROM，具有较强的存储能力。主控板上装载了Ubuntu Linux操作系统，方便软件的开发和调试。

D-S证据理论广泛用于信息融合中处理不确定性问题[8]。识别框架和基本概率分配是证据理论两个重要的组成。

由表5可知，级配碎石基层竣工后其横坡度平均值为0.15%，可以满足规范要求，级配碎石基层在施工时对横坡度指标的控制良好。

两个从控制板都采用TMS320LF2407芯片作为处理器，分别实现电机的驱动控制和传感器信息的采集。TMS320系列处理器功耗低、性能稳定，能够满足电机驱动和传感器信号采集的要求。

2.2 传感器和移动机构

摄像头用的是微软公司的Kinect传感器。一个Kinect传感器包含一个RGB CMOS摄像头、一个红外CMOS摄像头和一个红外结构光模块。红外结构光模块和红外CMOS摄像头结合能够实现0.3～5 m内的深度信息检测。Kinect采集的RGB图像信息和深度图像信息均通过USB接口输入主控制板。

北极是否有冰，真的与我们的日常生活无关吗？答案恰恰相反。海冰消融会对我们的生活产生很多影响，而且负面影响会更多一些。

由图3可知，随着发酵时间的不断增加，2种小麦酱油的红色指数、黄色指数变化曲线均呈缓慢上升趋势。从整体上看，发酵pH值稳定在6.5的酱油的红色指数和黄色指数均明显高于不控制pH的酱油。pH 6.5的酱油红色指数达到4.50，黄色指数达到7.40。pH 5.4的酱油红色指数仅为4.10，黄色指数仅为6.90。由此可见，pH 6.5的酱油的红色指数和黄色指数分别较pH 5.4的酱油提高了9.76%和7.25%。这一研究结果与焦糖色素的制备研究结论一致，偏中性pH值有助于提高色素的红色指数和黄色指数[10]。

(3)寻找匹配点过程中，如果在采样窗口内遇到边缘点，则停止在当前方向搜索，选择下一个方向。

【注意】①钠保存在煤油中,而不能保存在汽油、CCl4中,因汽油易挥发,CCl4的密度比钠的密度大,起不到隔离O2和H2O的作用。

机器人运动控制部分包括导向轮、驱动轮、电机、运动控制板。导向轮用一个大减速比的伺服电机驱动，驱动轮则用180 W的直流伺服电机进行驱动。电机驱动与控制任务由底层的DSP控制器完成。

3 软件框架

系统软件包括ARM端程序和DSP应用程序。双核平台克服了DSP在控制方面的弱点和ARM处理器在复杂信号处理方面的劣势，具有一定的互补优势。在软件任务分配上，ARM端程序主要完成机器人路径规划、Kinect图像读取、数据通信、机器人避障、里程计数据采集、FastSLAM算法实现等。DSP处理器主要完成深度图像修复、图像金字塔实现、ORB特征提取等。整个移动机器人的系统软件框架如图2所示。

  

Figure 2 Framework of software图2 软件框架图

4 视觉SLAM算法

在进行SLAM计算以前，需要先对Kinect输出的深度图像进行修复，并与源RGB图像进行裁剪对齐及融合。在完成图像预处理后，根据Kinect采集的RGB图像和深度图像提取环境中的特征点，把提取的特征点与地图中已有的特征点进行数据关联，根据机器人运动模型和特征点变化信息估计移动机器人的当前位姿，同时将没有匹配上的新特征加入到已创建的地图特征集中。整个视觉SLAM算法的框架如图3所示。

  

Figure 3 Diagram of visual-SLAM algorithm图3 视觉SLAM算法实现框架

4.1 深度图像修复

Kinect传感器采用结构光成像法来获取视场的深度信息。图像检测法需要避免镜面反射和黑体。当物体表面很光滑或者物体表面颜色很深时，由于镜面反射或者物体吸收光线的原因，反射进入相机的光线比较微弱，导致检测失败，Kinect的红外深度图像上会因此出现一些黑洞。要保证特征定位,必须先填补这些黑洞，这就是深度图像修复。我们采用基于边沿的最近邻修复算法对深度图像中的黑洞进行修复。

其中，x和y代表机器人的二维空间坐标，φ代表机器人当前的方向角。

(1)将RGB图像和深度图像裁剪对齐，然后利用Sobel边缘检测算子提取彩色图像中的物体边缘，这些边缘点的位置用来界定深度图像中黑洞修复的边界；

(2)寻找深度图像中的黑洞点，在RGB图像中在以黑洞为中心的5×5采样窗口内选择与黑洞点颜色最为匹配的像素点，并将此点的深度数值赋给黑洞点；

机器人的一块从控制板连接超声传感器和红外传感器来获取四周近距离的障碍物信息。所配置的超声传感器模块测距范围是0～3 m，红外传感器属于开关型，探测距离为0.5 m。超声传感器和红外传感器主要用来紧急避障，以保证机器人在运行过程中的安全。

采用最近邻修复法填充深度图像中的黑洞过程很快，修复效果如图4所示。

  

Figure 4 Repairing of depth image图4 深度图像修复

4.2 特征提取

特征提取是为了获取环境中的独特特征作为环境地图的路标。这些特征可以是具有某种属性的宏观特征，比如房间中的门、天花板上的灯、道路的边缘等，也可以是微观的抽象出来的特征，比如SIFT特征、ORB特征。宏观特征对于人来说比较容易识别，但是对计算机来说，一些微观特征算子具有更好的选择性和鲁棒性。好的特征算子应该具有良好的尺度不变性、旋转不变性以及计算快捷性等特点。ORB特征算子就具有这些特点，因此我们使用ORB特征算子来发掘环境中的特征点。ORB特征的提取过程如下：

(1)采用5×5的高斯核建立三级高斯图像金字塔，高斯金字塔的尺度参数为1.2；

首先，构建“一城一策”的能源消费模式，从三大城市群城镇居民生活用电模式的主导因素入手，采取有针对性的优化措施。例如，京津冀城市群第三产业发展迅速，服务业用电需求会逐渐增加，在电力使用高峰期会出现“电荒”等问题。因此，保障居民生活电力的供应，应从电力消费和生产两个方面共同引导，实现资源节约、生态友好的高质量发展。

(2)在图像金字塔的各级图像上采用FAST-9角点检测算子进行角点检测，得到对应的关键点图像，然后依据尺度对图像金字塔的每一层采样一定数目的关键点；

(3)利用Harris算子计算所选择的FAST特征点的响应值，根据响应值的大小筛选出前N个点作为最终检测到的环境特征点；

3.绿色债券指数品种不断丰富。随着我国绿色债券市场发展，目前我国已经发布多个绿色债券指数和气候相关指数（见表2）。绿色债券指数的编制为投资者追踪绿色债券市场表现、帮助投资者发现为低碳转型提供支持的固定收益投资项目、提高绿色债券市场流动性等提供了帮助。

(4)在特征点附近选取256对点进行比较，根据比较结果得到一个256位的二进制算子；

(5)计算特征点的一阶中心矩,以原点和特征区域的重心连线为主方向,用θ=2π/30作为增量，建立按一定角度旋转后的特征算子查找表。

4.3 数据关联

SLAM算法中的一个重要步骤是把检测到的特征与环境地图中已有的特征进行比较，发现数据之间的关联，并确定它们是否属于环境地图中的同一个特征。在视觉SLAM算法中，特征的对应关系通过观察到的新特征与地图记录的特征描述符之间的相似性(几何距离)来判断。本算法中的数据关联采用最近邻匹配方法，并用汉明距离来表达两个ORB描述符之间的相似度。最近邻匹配计算量很大，为了提高计算速度，我们采用哈希算法来实现描述符的匹配查找。与其他查找方法相比，LSH(Locality-Sensitive Hashing)算法对高维度的ORB描述符运算更有效。

ORB特征描述符是一个256位的数组，用P(x)表示。利用采样函数gl(x)(l=1,2,3,…,L)随机选取二进制序列P(x)中的32位，产生一个新的简化特征描述符hl(P(x))，利用哈希函数H(x)对hl(P(x))进行映射得到哈希表的桶号，把ORB特征描述符P(x)保存在该桶号所指桶内。在SLAM算法开始运行时，第一次得到的所有ORB特征描述符在哈希映射后都放入对应的桶中，构成最初始的ORB特征库。

脑卒中是指因脑血管突然破裂或堵塞造成局部脑组织缺血、坏死的神经系统疾病[1]。随着社会老龄化加剧，我国脑卒中发病率逐年升高，数据显示，我国脑卒中总标化患病率达2.13%，是致死和致残的首要因素[2]。脑卒中发病急骤、病情严重，常危及患者生命，而幸存者中大部分也会遗留不同程度的肢体、语言、认知功能障碍，给患者的身心带来冲击。女性患者由于其自身激素水平等因素的影响，出院后其心理状态更易引起关注[3]。本研究旨在探讨女性脑卒中患者自我感受负担的现状，并分析社会支持、一般资料对其的影响，为制定脑卒中患者心理干预方案提供依据，从而提高女性脑卒中患者的生活质量。

算法选取的哈希函数形式为:

H(x)=(h31*32+h30*31+…+h0*1)

(1)给特征描述符分配内存，将每一帧图像的特征描述符的首地址存储在一个数组中。

建立哈希表后，对每幅图像的所有描述符P(x)进行哈希映射，在对应的哈希表中查找相应的桶号，计算桶中的描述符和P(x)的汉明距离，取哈希表中汉明距离最小的描述符作为匹配正确的描述符并记录下来。未匹配上的特征描述符作为新特征，经过哈希映射后加入相应哈希表的哈希桶中，完成环境特征库的更新。具体算法步骤如下；

其中，hi(i=0,1,2,3,…,31)表示描述符hl(P(x))的第i位取值，可能是0或1。根据这个哈希函数的定义，一个哈希表可以有528个哈希桶号。

(2)建立20个哈希表，每个哈希表有528个桶。

(3)随机生成20个一维的32元数组，用于选取特征描述符的任意32位，这样将有20个哈希表。

(4)将第一帧图像的30个特征描述符哈希映射到20个哈希表的不同哈希桶中，形成最初特征库。同一个哈希桶中的描述符，以链表的形式存储。

(5)将第二帧图像的每个特征描述符哈希到20个哈希表的哈希桶中，查找相应的哈希桶中是否有特征描述符，利用汉明距离判断此特征描述符是否与桶中的特征描述符匹配，若是则进行关联，否则作为新特征描述符添加在哈希桶中。

(6)对采集到的每帧图像重复采用第(5)步处理，直到导航结束。

Kinect传感器是微软2010年推出的一款面向家庭娱乐的体感传感器。其工作原理是将红外结构光投射到物体对象上，经表面散射的反射光进入红外相机，然后根据采集到的红外光斑形状和位置计算出视场内的物体距离。Kinect既能获得深度图像，也能采集彩色RGB图像，其中深度图像包含了当前场景的空间距离信息。

  

Figure 5 ORB features match of two indoor images图5 室内图像的ORB特征匹配

4.4 FastSLAM算法

Murphy等人[14]提出，如果已知机器人的路径，路标位置可以分解成N个独立的路标估计问题。根据这一思想，斯坦福大学的Montemerlo等人[15]提出了FastSLAM算法。FastSLAM算法将同步定位与地图重建联合问题分解成机器人的位置估计以及机器人所在环境地图的创建两个独立问题，并分别利用粒子滤波器和EKF(Extended Kalman Filter)算法对机器人的位置以及地图特征之间的关联性进行估计，大大提高了SLAM的计算速度。FastSLAM的实质是将SLAM算法中的后验概率分布估计问题分解为独立的机器人位置估计问题和路标估计问题，如公式(1)所示。

p(st,Θ|ut,zt)=

 

(1)

其中，st是随时间t更新的机器人位置坐标，Θ是地图特征集合，ut和zt是从0时刻到t时刻的机器人输入控制变量和观测位置。

Montemerlo提出的FastSLAM算法针对的是采用激光扫描来获取环境特征信息的机器人。对视觉SLAM算法来说，地图模型、运动模型和观测模型需要做一定的修改。在本算法中，采用传统的三矢量表示机器人的位姿信息:

从中或可窥知，虽然由于每支“昆唱”的长度均受板则之制约，昆曲多节型过腔的节数不可能无限制地增加，但过腔的这种结构，却足以表明昆曲基因性构架之宏大。事实上，昆曲对于这一基因性构架功能的利用率，恐怕百分之一都不到，应该说，其间还有着很大的发展空间，这是一块既完全可以丝毫无损昆曲固有传统的一切品性，又能充分发挥其作用的，亟待探索、开发和利用的新大陆。

s=(x,y,φ)T

(2)

深度图像修复过程如下：

在FastSLAM中地图用路标集合Θ表示：

Θ={θ1,θ2,…,θN}

(3)

Θ中的路标θi用来表示环境中的特征点，可用三维矢量组表示：

θ=(μ,Σ,d)

(4)

其中，μ是路标的二维坐标，Σ是路标的误差协方差，d是路标对应的ORB特征。例如机器人在当前的位置检测到一个路标z，假设路标的二维位置信息用p表示，R是方差协方差矩阵,d是特征描述符，则用z=(p,R,d)表示此路标。路标位置信息p根据深度图像计算得到，方差协方差矩阵根据传感器检测误差以及检测距离确定。假设x轴坐标与y坐标检测是完全无关的，协方差为零，我们采用如下矩阵来计算测量方差:

 

(5)

其中，Δx和Δy是特征点到摄像头的距离，σ2=0.0035是根据Kinect的多次测量实验得到的[16]。

视觉SLAM算法中，路标的观测模型公式为：

zt=g(xt)+vt

(6)

其中，vt是零均值高斯噪声。路标θ的位置信息可以利用机器人的位置和坐标来计算，公式如下：

 

(7)

其中，u是路标在全局地图中的坐标，x、y是机器人的坐标。

5 实验结果

本节利用前面介绍的轮式机器人平台进行室内定位与导航实验。实验环境是办公楼里的一个长方形公共空间。机器人在大厅中行走一圈，全程大约36 m。行走过程中利用固定在机器人平台上的Kinect传感器采集彩色和深度图像，每帧图像选取30个ORB特征点，利用FastSLAM算法进行定位和地图重建，定位过程中粒子初始数目设为30。基于SLAM算法确定的机器人位置变化信息和机器人的实际运动轨迹如图6a所示。图中点云是算法检测出的ORB环境特征点，灰色线是算法估计得到的机器人位置，黑实线是机器人实际运动轨迹。实际运动轨迹是根据安装在机器人上的电子罗盘和激光测距仪的输出信息计算得到。从图6可以看出，基于Kinect的视觉SLAM对环境路标和机器人的位姿做出了较准确的估计，移动机器人实际移动轨迹与定位算法估计的轨迹基本吻合，最大定位误差发生在右上角，大约20 cm。在走完一圈后，机器人回到起点附近，特征点基本匹配。图6b是添加上实验时现场存在的障碍物后的实验轨迹。从实验结果可以看到，环境特征点检测结果分布与实验时环境中障碍物体的位置基本吻合，在机器人运动过程中虽然也检测到一些错误的环境特征点，但是95%以上的环境特征点是匹配的。实验结果说明，基于ORB算子的特征点检测算法能够较准确地检测出室内办公楼里的环境特征，实现机器人的自动定位和环境地图重建。

  

Figure 6 Features and estimated path of the robot图6 环境特征和机器人的估计轨迹

6 结束语

本文介绍了一种基于嵌入式双核处理器DM3730和Kinect传感器的视觉SLAM算法的设计与实现。基于该嵌入式平台的视觉SLAM算法实际信号处理速度达到5帧/秒，能够实现机器人在二维室内空间中缓慢运动状态下的定位和环境地图重建任务。该视觉SLAM算法在FastSLAM算法基础上采用ORB算子来提取环境特征信息，实验结果表明，大部分情况下ORB算子可以较好地捕捉环境信息，但在遇到光滑整洁的白色墙壁时有时会出现不能提取足够数量的ORB特征而使得SLAM的定位效果变差的情况。这可能与Kinect传感器中的CMOS彩色摄像头分辨率和灵敏度不够高有关。在下一步工作中，我们准备对嵌入式SLAM算法进行优化，提高特征匹配的速度，改善算法的实时性;另外,也考虑选择更高分辨率的摄像头来提高环境特征信息的检测效果。

参考文献:

[1] Hartmann J, Dariush F, Marek L, et al.Real-time visual SLAM using FastSLAM and the Microsoft kinect camera[C]∥Proc of ROBITIK,2012:458-463.

[2] Davison A J,Reid I D,Molton N D,et al.MonoSLAM:Real-time single camera SLAM[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2007,29(6):1052-1067.

[3] Strasdat H, Montiel J, Davison A.Scale drift-aware large scale monocular SLAM[C]∥Proc of Robotics:Science and Systems(RSS),2010:101-108.

[4] Paz L,Pinis P,Tardos J,et al.6DOF SLAM with stereo-in-hand[J]. IEEE Transactions on Robotics, 2008,24(5):946-957.

[5] Mei C,Sibley G,Cummins M,et al.A constant time efficient stereo SLAM system[C]∥Proc of the British Machine Vision Conference(BMVC),2009:5401-5411.

[6] Henry P,Krainin M,Herbst E,et al.RGB-D mapping:Using depth cameras for dense 3D modeling of indoor environments[C]∥Proc of the 12th International Symposium on Experimental Robotics(ISER),2010:647-663.

[7] Bay H,Ess A,Tuytelaars T,et al.SURF:Speeded up robust features[J].Computer Vision and Image Understanding,2008,110(9):346-359.

[8] Lowe D G. Distinctive image features from scale invariant keypoints[J].International Journal of Computer Vision,2004,60(2):91-110.

[9] Neira J,Tardos J.Data association in stochastic mapping using the joint compatibility test[J].IEEE Transactions on Robotics and Automation,2001,17(6):890-897.

[10] Fischler M, Bolles R. Random sample consensus:A paradigm for model fitting with applications to image analysis and automated cartography[J].Communications of the ACM,1981,24(6):381-395.

[11] Wang Kui, An Ping, Zhang Zhao-yang,et al.Fast inpainting algorithm for Kinect depth map[J].Journal of Shanghai University(Natural Science),2012,18(5):454-458.(in Chinese)

[12] Rublee E,Rabaud V,Konolige K,et al.ORB:An efficient alternative to SIFT or SURF[C]∥Proc of International Conference on Computer Vision,2011:2564-2571.

[13] Lv Q,Josephson W,Wang Z,et al. Multi-probe LSH:Efficient indexing for high-dimensional similarity search[C]∥Proc of VLDB,2007:950-961.

[14] Murphy K,Russell S.Rao-blackwellized particle filtering for dnamic Byesian networks[M]∥Sequential Montecarlo Methods In Practice.Berlin/Heidelberg:Springer,2001.

[15] Montemerlo M,Thrun S,Koller D,et al.FastSLAM:A factored solution to the simultaneous localization and mapping problem[C]∥Proc of the National Conference on Artificial Intelligence,2002:593-598.

[16] Kinect precision and accuracy[EB/OL].[2016-10-04].http://wiki.ros.org/openni_kinect/kinect_accuracy.

[17] Montemerlo M,Thrun S.FastSLAM:A scalable method for the simultaneous localization and mapping problem in robotcs[M].Berlin/Heidelberg:Springer,2007.

附中文参考文献：

[11] 王奎，安平，张兆扬，等.Kinect深度图像快速修复算法[J].上海大学学报(自然科学版)，2012,18(5):454-458.