《伺服与运动控制》2012第二期 清河机器人研究中心 舒雅 供稿
1煤矿井下的地形特征及其对井下地图的需求
矿井是一种人工开采的地下建筑结构，以网状狭长巷道为体，主要包括主副井、通风井、大巷、皮带运输巷、采煤工作面等具有不同结构、路面和环境特征的结构单元。
井下探测机器人主要是对井下的各种巷道进行探测与环境参数采集，这些巷道首先是具有不同的路面特征，呈现出路面情况的复杂性和多样性，如水泥路面等结构化平整路面，起伏不平但表面坚硬的土质路面，沙地，阶梯，铁轨，泥泞路面以及因开采施工等因素对方的杂物组成的更加复杂的地形条件等等。因此，用于井下机器人导航的环境地图，首先需要能够较为准确的表达出这些地形情况的起伏度、坡度等基本信息，从而使机器人可以在这种非平整路面环境下通过可通过性分析等手段完成基本的路径规划任务。
其次，由于井下各种巷道的结构条件以及巷道内设备、物料等堆放物以及自然形成的各种地质结构多种多样，其现场既存在确定性、结构化的特征，也存在不确定、非结构化的特征。在这些特征当中，有些是可以作为导航、定位的特征区域或特征点来使用的，如铁轨、巷道的交叉口、阶梯等；有些则是在远程操作或自主路径规划中需要躲避的可能对机器人本身造成伤害的危险区域或危险环境，如较深的积水、泥潭等。因此，如何对可利用的结构化的特征以及可能对机器人造成伤害的特征进行有效的识别与定位，并将这些目标的分类、危险程度、穿越或翻越的可能性及代价等信息在地图上进行表示，也是在井下机器人地图创建过程中的一个重要的目标。在本节接下来的内容里，将分别分析煤矿井下典型区域中各种人工或地质结构的地形特征及其可能对井下机器人导航产生的影响。
大巷是地下采矿时，为采矿提升、运输、通风、排水、动力供应等而掘进的通道。一般情况下煤矿大巷内结构化的环境特征比较明显，路面情况也比较好，多以平坦坚硬的路面为主，偶尔有阶梯或其他物料堆积物。因而，大巷对于井下机器人来说其导航的条件是比较理想的。
巷道交叉口，巷道交叉口一般为“Y”型结构，少数也有“+”型结构，对于交叉口的识别是井下导航一个非常实用的功能，可以用于局部地图与先验的井下拓扑地图的融合，使局部路径规划与全局路径规划结合起来。
铁轨是井下常见的一种结构特征，作为井下机器人来说，铁轨既可以被操作员利用作为保持机器人航向操作的参考；也可以直接被机器人的感知系统所采集并作为结构化特征为机器人的定位等任务提供必要的数据基础。除此之外，由于在正常情况下，铁轨因为经常被维护从而基本不会有人为的堆放物或其他障碍物，因此在地形环境比较复杂的时候，在铁轨中间行走不失为井下探测机器人一个理想的路径规划选择。
阶梯常出现在井底大巷或上下山巷道中，对于阶梯结构DEEC_II机器人有一套相对自主的攀爬模式，通过视觉引导的方法实现机器人在阶梯上的姿态保持，这部分内容将出现在论文的后续章节中。因此，如何准确的识别阶梯及其走向和坡度等信息，并存储到井下地图中，从而使机器人可以启动阶梯攀爬程序实现自主攀爬，也是很有意义的。
在井下积水是非常普遍的，只是因为大多数的矿井都会有地下水的渗入，甚至会由于大规模出水造成透水事故。这些积水区域有的只是浅浅的是一个小水坑，有的则很深。虽然DEEC_II机器人本体是按照IP67进行设计的，其本体可以在不超过1米的水下短时间工作，但机器人所携带的环境气体探测器等设备却由于必须与空气接触而需要暴露在外面，这些设备进水将造成其不可修复性损坏。对积水深度的判断是比较复杂的一件事，这在很大程度上需要借助操作员本人的经验来实现判断。对于机器人来说，较大面积的积水则由于其情况不明作为路径规划中具有潜在威胁的目标来对待。
泥泞的路面环境在井下也是非常普遍的，履带式移动机器人对泥泞道路具有一定的适应能力，但对于大面积过度饱和的泥泞路面，特别是具有一定深度的泥潭，将会使机器人深陷其中，从而无法继续完成探测任务。因此，机器人同样需要能够检测较为饱和的大面积泥泞路面，并作为一种有危害的特征在井下地图中进行标注。
综上所述，无论是用于对操作员的远程操作进行现场地形和环境信息的支持，还是作为移动机器人井下导航的基础数据，用于井下地形环境的地图不仅要具有描述井下复杂的不平整路面的能力，还应该能够进一步描述一些典型的景物特征，如铁轨、阶梯、巷道交叉口、大面积泥泞、积水等。
2移动机器人常用地图表达方式
移动机器人环境空间的表示方法主要包括几何地图(GeometricalMap)和拓扑地图(TopologicalMap)两大类。其中，栅格地图(Grid-basedMap)和特征地图(LandmarkMap)是比较常见的几何地图表达形式。这些地图表示方法分别具有其各自的特点，因而被应用于不同的场合，或者通过不同类型地图的组合实现其环境空间更为适当的表达。
(l)栅格地图
栅格地图表示法最早由Moravec和Elfes于1985年提出，其原理是将环境分解成若干相同大小的栅格，每一单元代表环境的一部分，并包含一个表示该单元格被占据可能性的概率值。相比之下，栅格地图易于创建、表示和维护，每个栅格单元的信息直接与环境对应用于表示空闲或障碍物信息，因而方便声纳等低成本传感器实现这种地图的创建。借助于栅格地图，机器人可以方便地完成自定位、路径规划等。栅格地图是一种用于近似表达环境信息的地图，它对特定感知系统的假设参数不敏感，因而具有较好的鲁棒性。然而在大规模环境或环境复杂需要详细划分时，栅格数量将会增大，这就导致维护地图所需的计算量增加从而导致地图处理的实时性变差。然而从另一方面考虑，由于传统的栅格地图仅仅表达了相应位置的“空闲”(可通过区域)或“占据”(障碍物区域)，因而更多的应用于室内或结构化特征明显的室外平整路面导航中，对于非平整路面或非结构化特征很强的环境，传统的栅格地图就由于信息量不足而显得无能为力了。
经过众多研究人员多年的努力，栅格地图表示法也在不断的发展和改进当中得到了越来越广泛的应用，逐渐形成了四叉树等改进的模型结构。Burgard采用神经网络对感知数据进行学习，然后映射到地图中。Angelo提出基于反馈神经网络模型的栅格概率计算方法，从而可以有效的减少传感器镜面反射、随机性误差等的影响。Ribo对Bayesian概率模型、D-S证据理论、模糊集三种算法更新栅格地图模型的优缺点进行了深入的分析。针对非平整路面机器人导航问题，Moravec，Rankin等提出并应用了多种形式的2.5D栅格地图，进而加强了栅格地图的表达能力，解决了栅格地图信息量不足的问题。
(2)特征地图
特征地图又称为几何特征地图，它是通过机器人从环境的感知信息中提取更为抽象的几何特征，这些特征由若干包含环境位置信息的特征组成，例如线段、角点、目标边缘、规则曲线、平面等均可作为地图特征，这些特征通过特定的表达形式存储在地图中，并且易于被机器人观测到，方便用于位置估计和目标识别。几何特征地图也有着较为广泛的应用，如Ayache通过视觉传感器获取环境中的直线段信息作为特征，Ip等人通过对原始声纳数据的处理获得线段信息作为特征，Choset等采用ATM模型精确提取环境中的点特征。多传感器信息融合是提高特征检测能力的重要手段，Castellanos对激光和摄像机数据进行特征级数据融合以提高识别准确度。特征地图缺点是特征的提取需要对感知信息作额外的处理，需要一定数量的感知数据才能得到结果，而且特征地图的更新比栅格地图复杂很多。
(3)拓扑地图
拓扑地图，首先由Kuipers在1978年提出，是一种紧凑的环境表示方法，通常以图(Graph)的结构形式表现一个环境的连通性。拓扑地图描述法是对真实世界的一种近似描述，它并没有一个明显的尺度概念，而是选用一些特定的地点来描述环境空间信息。一般来说拓扑地图把环境表示为带节点和相关连接线的拓扑结构图，其中节点表示环境中的重要位置，如墙角、门等有一定可检测特征的结构，拓扑地图的边表示节点之间的连接通道，如环境中的走廊、通道等。相对而言拓扑地图非常便于实现路径规划，适用于基于行为的导航；而更大的优势在于，拓扑地图可以直接使用诸多成熟高效的图形搜索和推理算法;这种地图以描述环境的拓扑结构为主要目标，因而对环境没有精确的位置要求；并且对存储空间和计算资源要求相对较低，因此，基于拓扑地图的计算效率较高。尽管拓扑地图在很多方面具有优势，但它要求机器人可以准确地观测到拓扑节点，对拓扑节点的定义是拓扑地图创建的难点，在很多情况下往往会造成节点定义的失败；特别是在相似性较强的环境中，很容易使系统陷入节点混淆的状态。因此，拓扑地图对于结构化的环境，特别是对于不是很复杂的大尺寸结构化环境，是一种高效的表示方法。然而，对于非结构化环境，节点的识别将变得非常复杂从而使地图创建的难度增大。拓扑地图的节点定义一般采用三种方式:第一种是人为预定节点标志的方式，第二种是特定位置法，即根据特定位置的环境信息定义节点。Kuipers采用爬山法寻找局部唯一特征点，利用外部传感器感知的信息定义节点，第三种是传感器的观测数据的相似性特征进行节点定义，Nehmzow直接根据栅格直方图信息进行节点定义。
井下环境是一个大尺度的空间环境，并且具有一定的先验知识，这些先验知识可以较为容易的转换为以巷道口、巷道交叉点、井下重要设备或场所为节点的拓扑地图。以这个地图作为全局路径规划的拓扑地图，可以初步规划出机器人在井下当前位置通往目的点进行探测的全局路径信息。但由于这些地图仅仅提供了井下理想情况下的连通性信息，而实际的井下环境复杂多变，即使是很短的一段巷道的通行都需要一个包含有更加详细信息的局部地图进行路径规划。对这样复杂的地形环境，本文提出一种能够存储和表达更加详细信息的2.5D栅格地图，用于表示地形及附着在地形以上的各种物体，从而为移动机器人路径规划提供更加充分的地图信息。
3基于双目视觉的井下2.5维栅格地图创建
3.1一种2.5D栅格地图
面对复杂的井下环境，探测机器人要想成功的实现井下探测中的路径规划与导航，不仅需要对地形环境的可靠感知，更需要对各种地形环境的准确而全面的表达。在井下探测过程中，一个可靠的地形表达形式对于探测机器人能够规划出一条安全的路径，并最终顺利到达预设的目标点起着至关重要的作用。一般来说，地形环境的表达主要依靠安装于移动机器人本体上的具有测距功能的传感器来实现，如激光扫描仪、毫米波雷达等设备，但这些设备或者体积较大或者价格昂贵；影像传感器也是一种重要的感知器件，如可见光摄像机、多光谱摄像机、热成像仪、偏振光相机等等，这些传感器本身或它们的组合也可以较为方便的实现地形信息的获取。
经历了近20年的发展，各种各样的直角坐标系栅格地图被应用在移动机器人导航的研究当中，到底采用2D,2.5D还是3D栅格地图，取决于地形环境的复杂情况以及移动机器人所需的运算和动作速度。如前所述，2D栅格地图是一种典型的占有格形式，它主要存储每个栅格区域的不可通过、可通过以及未知这几种状态，即当一个障碍物被探测到位于其中一个占有格当中的时候，该占有格则被设置为不可通过状态。2D栅格地图主要应用于障碍物相对简单而分散，且地形环境不太复杂的情况下，因而多用于室内或其他平坦地面环境下。对于更加复杂的环境，则需要更高维的栅格地图来表达。2.5D栅格地图的基本形式是一种数字高程地图形式，它将相应栅格的高程信息存储在所表达的栅格数据当中。对于工作在野外等非平整路面的移动机器人来说，更加常用的2.5D栅格地图是一种存储有高程信息以及地形特征等信息的地形地图。当然，3D栅格地图也是一种可选择的方式，3D栅格地图可以用来描述立体的空间信息，其主要应用于空间、水下等机器人的三维路径规划的实现。但相比较而言，对于地面移动机器人来说2.5D地图在存储效率和计算复杂度方面的优势都是比较明显的。
本文提出一种方便井下机器人导航的2.5D栅格地图结构，该地图是由一系列局部地图与含有井下地形环境先验信息的全局地图融合后形成，其中每一个局部地图是立体视觉相机的一次采集的信息处理后形成的数据，有些研究人员把它称作单帧地图(SingleFrameMap)，这些地图根据其位置和姿态被匹配到全局地图当中。每个地图栅格由高度、地形分类、起伏度、可通过性代价以及可信度等元素组成。考虑到机器人的外形尺寸、越障能力等因素，该地图的水平栅格尺寸定为10cm，而高度分辨率根据立体视觉精度的平均值，定位2cm。由于机器人跨越陡直障碍物的能力为30cm，因此2cm的分辨率足以满足障碍物翻越算法的要求。根据前述机器人基于视觉的定位于姿态估算算法，机器人的姿态在每次立体视觉采集后都需要重新计算一次，因此每个单帧地图都需要根据机器人本身位姿的数据计算出地图与全局地图之间的位置和方向关系，从而保证其在全局地图中位姿的正确性，这也是保证实现地图融合的前提条件。
该结构的每个地图单元由4个字节组成，第1位到第9位用于栅格高度的存储，其中第1位是符号位，后8位表示与机器人观测点平面的绝对高度差；第9-11位用于表达该单元格的起伏度信息，用于描述该单元格内部及其与相邻单元格之间高度变化的平均幅度；第12-14位表达地形分类，表征该单元格属于哪种特定的地形特征，如可通过地形、阶梯、铁轨、泥泞、积水、未知等等；15-16位表示可通过性代价，是通过起伏度、地形特征等数据计算出来的可直接应用于井下机器人路径规划及远程操作参考的数据，如图1所示。
图1地图单元组成
3.2栅格定位及坐标变换
通过立体视觉系统的感知，可以获得现场地形的三维点集合，这些离散的点集合可以用于描述地形环境的表面轮廓，从而构成了目标地形的三维点云描述，其中点的坐标描述了该视差点相对摄像机的位置。对于局部地图的创建，需要将这些三维点云描述首先由立体相机坐标系转化到机器人坐标系当中，并以此作为机器人此次路径规划的局部环境描述。而后，在进行全局路径规划之前，需要将上述坐标从机器人坐标系转换到世界坐标系，即井下环境全局地图坐标系当中，这主要通过机器人的定位及姿态估算信息进行推算，完成坐标变换后，进而可以完成局部地图与全局地图的融合。坐标系的定义及转换关系如图2.
当机器人在未知环境中进行自主导航时，若没有外部提供的全局定位信息，一般采用自主导航开始时，机器人的初始位置为世界坐标系的零点。用立体摄像机采集图像就是将客观世界的3D场景投影到2D像平面上，这个场景可以用成像变换来描述。成像变换涉及到不同坐标系统之间的变换，立体摄像机进行图像采集的最终结果是要得到计算机里的数字图像，因此在成像变换时需要用到以下坐标系。以机器人的姿态确定各坐标轴的方向。如图2所示，本文采用机器人的前向作为z轴，以处在相同水平面的指向机器人右侧与z轴垂直的方向作为x轴，最后以右手法则确定y轴。
世界坐标系：Xw，Yw，Zw，为基准坐标系，刻度单位为物理单位
图像坐标系：(u,v)，(x,y)
(u,v)：为以像素为单位的图像坐标系的坐标，表示像素在图像中的行数和列数
(x,y)：以物理单位表示的图像坐标系
图2世界坐标系和摄像机坐标系
摄像机坐标系：Xc，Yc，Zc
其原点O位于摄像机的光心，Xc,Yc分别与图像坐标系的x,y轴平行，Zc为摄像机的光轴，且与图像平面相互垂直。光轴与图像平面的交点为图像坐标系的原点。
机器人坐标系：Xr,Yr,Zr
安装在机器人上的立体视觉系统与机器人是固连的，根据以上坐标轴的定义，若以右摄像机的光心为摄像机坐标系的原点，则摄像机坐标系与机器人坐标系之间的转换关系为
Xc=Xr+l;Yc=Yr+h;Zc=Zr(1)
其中，l为右摄像机光心与机器人坐标系原点（一般为机器人质心）之间的水平距离，h为右摄像机光心与机器人坐标系原点之间的垂直距离。转换为齐次坐标转换为
（2）
当需要将三维点的坐标由机器人坐标系转化到世界坐标系中时，如图3所示，需要机器人自定位功能提供机器人的位置与姿态信息，假设机器人的位置在世界坐标系中的三维坐标为（x0,y0,z0）,即机器人坐标系的原点。则机器人坐标系与世界坐标系之间的平移矩阵为T：
（4）
若以任务开始时机器人的位置与朝向定义为全局坐标系的原点，则机器人坐标系中的点P(Xr,Yr,Zr)到全局坐标系中对应点P’(Xw,Yw,Zw)的转换如式如下：
具体的实现过程可以由图3-13所示。其中图3-13(a)为一对立体视觉图像中右摄像机获得的图像。图3-13(b)为根据立体匹配方法获得视差图。基于三角法，可以计算得到相对与摄像机坐标系的地形轮廓三维点云描述()CCCCPx,y,z，如图3-13(c)中所示。其为摄像机前方扇形区域内的地形轮廓。根据式（3-13）可将()CCCCPx,y,z转化为相对机器人的描述()RRRRPx,y,z。在此基础上，可以为每个数据点确定其所属的栅格。最后，根据式（6）计算栅格的高度，得到位于机器人前方扇形区域内的环境2.5D栅格地图描述。环境的全局2.5D栅格地图由机器人在各个不同的位置获得的局部2.5D栅格地图，依据自主定位获得的机器人位姿信息拼接而成。环境局部2.5D栅格地图与全局2.5D栅格地图的数据转换依据式（5）进行。
图3-132.5D格栅地图创建
3.3井下地形特征感知与描述
综合查阅了关于非平整路面立体视觉重建的相关文献，多名研究人员提到关于立体视觉匹配的不确定性对高程地图创建的影响，这些不确定性主要来自标定误差，匹配误差与量化误差，以及栅格地图造成的信息损失带来的误差。特别的，在匹配误差和标定误差未知的情况下，重建误差与场景离摄像机的距离有很大关系，文献【161．Miura，J．，YNegishi，andYShirai．MobileRobotMapGenerationbyIntegratingOmni-directionalStereoandLaserRangeFinder．in1ROS,PP．250—255，2002．】指出，重建的高程误差随着离传感器系统的距离成递增趋势。
经过研究与分析，刘提出尽管运动在非平整路面的移动机器人会由于颠簸会引起观测当中的绝对高程不一致，但在一定范围内的相对高程保持不变，且相对不确定度更小。重建后地形具有的这种性质称为地形的相对不变形，而基于高程地形某邻域内相对高程提取的环境特征称为地形的相对不变特征。也就是说，这类地形特征不随着车体颠簸而改变。虽然在车体颠簸过程中，感知到的同一地形的绝对高程时时在变，但一定范围内的相对高程落差保持不变，地形具有这种相对不变性对于稳定地确定不可通行区域具有重要意义。
3.3.1地形起伏度的检测
地形的起伏度是反映指定区域内某点邻域内的高程偏离该邻域平均高程的幅度，起伏度的计算可以通过计算该邻域内方差的值来描述。以(xi,yi)为中心，△d为半径的邻域Φi,j内，高程方差可以由下列公式表达：
首先计算指定点邻域内的高程均值，即：
3.3.2提取地形坡度
同一地形的起伏度具有相地面上某点的坡度表示地表面在该点倾斜程度的一个量，既有大小又有方向，是矢量。坡度矢量从数学上讲，其模等于地表曲面函数在该点的切平面与水平面夹角的正切，其方向等于在该切平面上沿最大倾斜方向的某一矢量在水平面上的投影方向，即坡向。可证明：任一斜面的坡度等于它在该斜面上两个互相垂直方向上的坡度分量的矢量和。在高程图上，坡度反映了地形高程值在某个方向的变化率。GIS中，坡度的计算方法可归纳为五种：四块法、空间矢量分析法、拟合平面法、拟合曲面法、直接解法。一般认为，拟合曲面法是求解坡度较好的方法。位置(i,j)处的坡度数值计算方法采用曲面拟合的数值解法，一般采用二次曲面。
3.4井下重要地形目标分类与描述
3.4.1阶梯的识别
在井下的各种环境中也存在着阶梯形式的地形——台阶，阶梯地形的检测也是非常重要的，在井下的通道内，自主导航机器人如果遇到阶梯地形时，由于阶梯数太多而将其识别为不可翻越的障碍时，可能会错失一个较好的路径，严重时（当只能通过台阶继续前进时）会导致任务失败，机器人停滞不前。
类似台阶的这类地形最为显著的特征是具有一组相互平行的直线边缘，因此最为直接的检测方法就是边缘检测（提取出图像中的直线特征）。由于井下环境与地面环境的不同，对台阶等类似地形的检测也采用多传感器融合的技术（立体视觉传感器和热外成像仪传感器）。
由于视觉传感器精度和范围的限制，在机器人探索过程中，直接对远距离景物进行直线特征的提取精确度不高，对台阶等检测效果不明显，但是可以预先进行对景物的纹理检测。本文采用了Gabor滤波器作为检测算法来检测图像中是否存在台阶等类似景物的疑似物，并确定其在图像中的位置。
Gabor滤波器的设计需要确定其频率参数和方向角。由于阶梯型景物是一种具有平行直线的特殊地形和Gabor滤波器的自身性质可知，在存在阶梯地形的区域，垂直方向上（90°）Gabor滤波器的产生的响应最强，相反在水平方向上（0°）滤波器的产生的响应最弱。根据这一特性，选用一系列不同的频率对图像（来自立体视觉的数据图像）在水平和垂直方向滤波，得到Gabor滤波器的最佳频率参数（使在水平方向上响应最弱，在垂直方向上响应最强），如图4所示。
图4（在8~36Hz不同频率的响应，步长为4）
以确定频率参数的Gabor滤波器就可以对远距离景物实施纹理检测。但是由于在井下环境中，可能存在于阶梯类似的纹理（例如，采矿时留下的规则痕迹等），会对阶梯的检测产生干扰。
当机器人距离纹理检测到的疑似阶梯景物较近时，可以对其实施边缘检测，进一步确定是否是阶梯。由于井下恶劣的环境，机器人照明系统等因素，往往得到的边缘是模糊的，间断的，有一簇彼此相互连接的点集组成。本文采用了Canny边缘检测方法，如图5所示。其有三大优点：对弱边缘也有较强的响应，能够保证良好的定位和确保每个边缘只检测一次。基于以上准则的canny边缘检测算法如下：
1)图像使用带有指定标准差σ的高斯滤波器平滑，以减少噪声；
4)最后，将连接的弱边缘像素集成到强像素，实现边缘连接。
在Canny算法的实现上同样面对参数选择的问题，这里要指定低阈值Tl、
高阈值T2以及高斯滤波器的标准差σ。其中，σ是一个尺度参数，指出在多大的距离内两条平行边缘将重合成一条边缘。
（a）原始图像（b）Canny边缘检测
图5Canny边缘检测
在边缘检测的基础上采用Hough变换，实施边缘的提取，对边缘连接。通过Canny边缘检测和Hough变换边缘提取，进一步提高了对阶梯的检测精度。如图6所示。
图6Canny边缘检测和Hough变换边缘提取
在井下环境中，红外热像仪在各种地形的检测中发挥着不可或缺的作用。当井下环境中光照亮度不够时或者视觉传感器不能判别时，可以用红外热像仪传感器采集到的图像数据与视觉传感器相融合，加强对地形的检测。
图7红外热像仪采集到的井下环境图像
图7为在井下环境中红外热像仪采集到的图像。对此图像采用纹理检测和边缘检测，与视觉传感器采集到的数据相互融合，增强了对井下阶梯的检测能力，为机器人寻找规划最优路径提供了前提。
3.4.2较大面积水面识别
在越野地形下，对于移动机器人自主导航来说，对积水的探测是一个重要的挑战。对于水密性不好的机器人来说，穿越较深的水域会对机器人本体造成严重的后果，虽然DEEC_II机器人本体是基于IP67标准设计的，但由于机器人携带有如气体传感器等需要与空气密切接触的设备，因此过深的积水仍然会对机器人的功能造成无法挽回的损坏。
近年来，应用于移动机器人导航的水体检测技术已经有了一定的研究基础和初步的发展。在2003年，Matthiesetal.通过记录与分析能够影响水体属性的环境变量，采用多种传感器研究了在各种不同环境条件下的水体检测[[i]]。Iqbaletal.最近也在使用传感器和相关的算法进行探测水体的研究工作[[ii]]。多种不同的传感器，包括被动式传感器（视觉，短波红外，热红外，偏振，遥感）[[iii]]和主动式传感器（激光）在水体的检测的研究中获得了较为广泛的应用。
能够表现水体存在的特征有好多，例如水体的颜色，水体的纹理，水体的起伏和水体的红外辐射能等等。根据单一的特征去检测仅仅对某一特定的水体有效。例如，时空变化分析对从固定的平台去检测流动的水体是有效果的，但是静止的水体效果不理想[[iv]]。也可以通过可见光相机采集的多种水体特征，通过信息融合的方法来检测水体[[v]]，A.Rankin利用水体对天空或其他景物的反射等多种特征的融合用于于日间水体的检测。Xie利用水体反射的偏振特性提出一种进行水体特征检测的算法[[vi]]。上述研究人员所提取的水体特征，如天空反射、景物反射以及偏振特性等，多数是在日间条件下进行的，对于夜间水体检测的研究目前未见有比较完善的方法，而Rankin提到，他们进一步将要主要解决的问题也是夜间水体检测的问题。
煤矿井下环境常年不见日光，在灾后绝大多数情况下井下都是处于断电状态，是不可能有外界照明的。因此，井下机器人对于水体的检测只能依靠其自身照明系统或夜视系统来实现，水体对于来自机器人照明系统灯光的反射由于入射角度的原因与自然光或外部灯光照射下的情况有很大的不同。这里我们热成像仪和视觉传感器相结合的方式检测井下水体。通过不同传感器对水体特征的检测确定疑似水体目标，接下来通过对这些特征数据的信息融合，筛选排除可能性较小的疑似水体目标，最终获得真实水体的位置和大小为机器人的自主导航规划路径提供可靠信息。
采用热成像仪对水体进行检测
热成像仪是一种用于检测远红外热辐射的传感器，我们采用的FLIRPHOTON320热像仪其检测波长范围为2-14μm。通过热像仪可以有效地探测井下物体的红外辐射信号，并将其转换为可以能够进行信息处理的图像信号。
红外成像技术实质上是一种波长转换技术，即把红外辐射分布转换为可视图像的技术。它将来自景物自身各部分红外辐射的差异转换为可见图像的细节，最终形成一幅红外热图。与场景的可见光图像不同，场景的红外辐射并不能由人眼直接观测，而需要借助红外探测器将红外辐射转换为某种可被显示设备显示的信号(如电压、电流等)。红外成像技术的实现设备被称为红外成像系统(热像仪是其中典型的一种)，主要由光学系统、探测器、信号处理器和显示设备等部件组成。
在井下环境中，矿石、轨道、支柱、机械、水体等等目标，由于在物质的内部，电子、原子、分子都在不断的运动着，在有外界的刺激或干扰的情况下，电子、原子、分子会改变运动的状态，就会发生能量的释放——热辐射。在绝对零度(-273℃)以上的物体都不同程度的辐射红外能量。每种物质有其自己独特的能量特征信息，因而不同物质对应的辐射能是不一样的。利用这一区别，就可以检测出井下环境中存在的水域，如图8所示。
需要说明如何进行检测，例如水的热熔比比较高，以及蒸发等现象的存在，导致水体温度往往地域周围的温度，这是检测水体存在的一个重要特征。
图8采用热像仪检测到水体图像（灰度较深部分为水面）
视觉传感器检测水面
在自然环境中，水面一般是具有较高亮度(自然光或较高入射角的灯光环境)，弱纹理（基本无波纹和倒影）的区域。这一点在井下略有不同，机器人本体上携带的灯光相对来说入射角度低，亮度较强，由于水面的起伏度和粗糙度相对于水面周围环境来说要小得多。因此，对于较低入射角来说，水面会由于镜面反射的原因，其表面成像区域的亮度相对较低；而水面周五的土壤、石块、路面等由于存在漫反射的原因，其平均亮度相对较高。另外，一般情况下，相对于水面附近的地面，机械，墙壁等其起伏程度、高程都较低，在非结构化路面条件下其高程差多数比较明显。因此，利用立体视觉技术，将探测区域的亮度、纹理、起伏度和高程等多特征并进行合理的融合，可以获得较为准确的井下水面检测结果。
井下水面亮度特征的提取：
是否考虑使用K均值聚类的方法，这个需要衡量一下，另外，使用K均值聚类可以将多个因素，如亮度、纹理、高程等因素同时考虑实现分类。
聚类（Cluster）分析是由若干模式（Pattern）组成的，通常，模式是一个度量（Measurement）的向量，或者是多维空间中的一个点。聚类分析以相似性为基础，在一个聚类中的模式之间比不在同一聚类中的模式之间具有更多的相似性。
由于井下环境相对于野外环境较为固定，为了更加准确的提取井下水面的亮度特征，采用了自适应的二值分割法。
首先，通过立体视觉传感器采集到井下一般环境的（含水面）的多幅彩色图像组成一个井下环境的图库。将采集到的彩色图像转换成灰度图像，并用人工的方式将水面与其他周围的景物分割开。从图库中统计出井下水面和周围环境图像的灰度值的范围，确定这两类环境的灰度值的中心值的范围——经验阈值。经过多次的实验，调整确定经验阈值，这样在根据亮度检测水体时，能够格更加精确地分类。经过大量的井下实验，水面灰度大致是180左右，周围景物(非水面)的灰度大致是40左右。统计得到了水面和非水面的中心值后，把经验阈值设为水面和非水面的中心值，然后就可以进行对井下环境聚类了。把要检测的灰度图中每一个像素点和中心值比较，根据最近邻法把每个像素点都聚类，聚类完成后就得到了两类；然后按照聚类的结果算出新的两个类的中心点，重新进行聚类；这样就可以不停的把要检测的图片中像素聚类，不断更新得到两类的中心点，可以预见中心点的变化将趋于稳定。当得到的两个中心点前次和后次相当接近的时候，就停止运算(比如说前后两次运算结果得到的中心点的值的比值大于0.999)。通过以上运算，就可以按照亮度把待检测图分割为两个类——水面和其周围环境。
基于亮度特征的井下水面检测存在着其固有的问题，可能将其他高亮的物体（例如，光滑的单色物体，表面整齐的矿石等等）误判为水体。
井下水面纹理特征的提取：
纹理，是对图像的象素灰度级在空间上的分布模式的描述，反映物品的质地，如粗糙度、光滑性、颗粒度、随机性和规范性等。对纹理简单的理解可以是物体表面的平滑程度，一般来说，水面相对于周围的环境，应该是比较光滑的弱纹理区域，所以通过寻找一幅图片中的弱纹理区域可以提取出要检测的水面。
描述一块图像区域的纹理有三种主要的方法，统计分析方法、结构分析方法和频谱分析方法。统计方法有自相关函数、纹理边缘、结构元素、灰度的空间共生概率(spatialgay-tonecooccurrenceprobabilities)、灰度行程和自回归模型。统计方法将纹理描述为光滑、粗糙、粒状等等。结构方法研究基元及其空间关系，基元一般定义为具有某种属性而彼此相连的单元的集合，属性包括灰度、连通区域的形状、局部一致性等。空间关系包括基元的相邻性、在一定角度范围内的最近距离等等。根据基元间的空间联系，纹理可以分为弱纹理或强纹理，进一步细分，可以根据基元的空间共生频率来划分，也可以根据单位面积内的边缘数来区别，基元也可以定义为灰度行程。频谱方法是根据傅立叶频谱，根据峰值所占的能量比例将图像分类。包括计算峰值处的面积、峰值处的相位、峰值与原点的距离平方、两个峰值间的相角差等手段。
描述一幅水面图片纹理的方法如下:算法开始时先设置大小为N×N的滑动窗口，按照从左向右，从上到下的顺序滑动。每次滑动一个像素的距离，并计算窗口内的象素灰度的相似度(公式如下)；
Ti为窗口内像素灰度的相似度，可以认为这是对纹理的描述，窗口内灰度变化越大，则相似度越小，那么纹理就越强，反之纹理越弱，Xi为每个窗口内的各个像素灰度值，而X为窗口内像素灰度和的均值，N为窗口大小。在我们的实验中，窗口的大小是根据经验设置的，窗口不能太小，太小了反映不出具体的纹理特征，太大了会造成划分太粗，通过大量的实验，认为设置窗口大小N=9（没有做过试验，需要验证）效果是最好的。通过以上计算，就得到一幅图片中除去边缘像素的每一个像素的纹理描述，进而得到一张图片的纹理描述图。提取水面纹理特征通过将水图库中的所有图片进行处理，得到一个水面纹理库，对这些水面和非水面的纹理统计，最终确定水面纹理值的范围一般在5左右（有待试验），而周围纹理较强的景物的纹理相似度则一般在7以上，有相对明显的区分度，我们可以利用这个统计结果来合理的设置初始值。通过聚类的方法能很容易就找到一幅图片中的弱纹理区域，这就是要找的水面。
井下水面的高程相对周围环境较小，可以明显的将水面和周围环境分类。
为了更为精确地检测到井下水体，本文采用了多传感器图像融合技术，将不同传感器（热像仪，立体视觉）获得同一景物不同特征的图像相融合，克服了单一传感器获取的图像在几何、光谱、分辨率等方面存在的局限性和差异性，提高了检测井下环境中水体的精度。
3.4.3泥泞区域的检测
在自主导航的机器人活动的范围内有各种各样的地形（例如，平整的路面，杂物，泥泞的路面，水体等等），泥泞的路面检测在机器人自主导航中是一个相对较新的领域，检测算法还不够成熟。但是在农业中，依靠估计土壤的水分含量（SMC）去检测的技术已经发展几十年了。土壤水分含量已经可以通过直接与土壤接触的设备或者遥感传感器测量。[[vii]][[viii]]测量SMC的遥感传感器设备可以安装在卫星上，可以安装在无人机上，也可以安装在车辆上。但是安装在卫星和无人机上不适合移动机器人，因为从高空中遥感的土壤水分含量信息精度对地面自主导航机器人来说不够高；而直接安装在移动机器人平台上时传感器天线会很大，而且直接指向地面，这就要求移动机器人要已经活动在泥泞的区域才能检测到，给机器人带来潜在的危险。
泥泞路面的检测对在井下工作的自主导航机器人也是一个具有十分重要挑战。井下移动机器人如果在执行任务的时候陷入泥泞的区域，不但需要执行的任务不能顺利的完成而且需要去对其救援。由于井下环境有其自身的特点：没有阳光，没有植物，没有天气因素的影响(温度变化不明显，无风，无冰雪等)，地质构成与地表不同等等，采用通常的检测方法不能满足井下泥泞地形的检测。
本文中采用了多光谱传感器和短波红外传感器相融合的方式检测井下环境中泥泞的环境。
在遥感领域内，当采用近红外光谱和红色反射空间绘制光谱数据的时候，裸土的多光谱数据会落在一条线上面（简称为土壤线）。裸土在土壤线上的位置由土壤的水分含量决定。湿的土壤在土壤线的一端，干的土壤在土壤线的另一端。为了测量土壤的水分含量，采用了邓肯科技的MS2100多光普传感器，其光谱扫描范围为400-1000nm。这种传感器是基于颜色分离棱镜和三个成像通道，通过一个共同的孔径可以获得四种光谱带（红色，绿色，蓝色，近红外），如图9所示。
图9红色反射空间
通过安装固定在机器人上的多光谱传感器，采集到了2组实验数据。一组数据为裸土和地面杂物；另一组为一条较长的路面。在这两个测试地面上洒上一定的水，使地面变成泥泞的状态。在图10中显示的是在第一种地形中的红色和近红外光谱。图中也表示了红光和近红外光的反射率在像素表中的比率。红色的小区域代表干燥的土壤，绿色的小区域代表泥泞的地方，而蓝色的区域代表处于阴影中的干燥土壤。黄线是由最小二乘法得到的线条。从上面的实验数据可知，土壤线现象能够基于地面上的传感器获得，在对地面干燥与泥泞分类上有一定的效果。
图10红色和近红外光谱
在图10中显示了使用多光谱带去分离出泥泞的区域。图10(a)（b）分别是在红光谱下和近红外光谱下对测试环境的采集图像，通过采集到的图像很容易对杂物，路面和地面中的泥泞区域分类。分类结果如图10(c)(d)所示。
为了对井下泥泞路面的检测结果更加准确，使机器人在路径规划中选择最优的路径，更好的完成人们给机器人下达的任务，本文中又采用另一种方法与多光谱分离方法相融合。
水对于短波红外具有很强的吸收能力，因此泥泞的土壤也具有这样的属性。Lobell和Asner在2002年就已经用光谱仪和一个校准过的光源在实验室中测量了四种含水量等级不同的土壤对短波辐射（400-2500nm）的反射能力。他们的报告中说，当用可见光反射，土壤水分含量在20%时就达到饱和，而用短波红外在土壤水分含量50%时才达到饱和。他们得出的结论是短波红外比近红外更适测量土壤的水分含量。研究结果表明了随着土壤水分含量的增加，在短波红外带上土壤的反射系数的拐点是在1450nm附近。这也证明了短波红外适合检测泥泞的路面。
在井下移动机器人上安装了一个SU320M-1.7RT短波红外传感器也来检测泥泞的井下路面。
图11短波红外传感器和通用的摄像头采集到的图像对比
图11显示的是用短波红外传感器和通用的摄像头采集到的图像对比实验。在图11（下）中可以明显的分辨出路面的干湿程度，用聚类的方法就可以将泥泞的区域分离出来。
通过以上两种传感器（多光谱传感器和短波红外传感器）的相互融合，将大大提高对井下环境中泥泞路面的检测精度，为井下移动机器人任务的顺利完成又增加了一层安全保障。
4路径规划
DEEC是一台具有辅助臂的履带式机器人，它的主要特点是对非平整路面环境的适应能力较强，因此对它的运动控制不同于其他工作于室内结构环境或室外具有平坦路面环境的移动机器人。对于工作于平整路面的移动机器人来说，其路径规划的主要目标是从地图中没有被障碍物占据的自由空间集合中搜索可达规划目标点的最优路径。例如在传统的栅格地图中，只需要判断栅格是否被障碍物占用，如果被占用则采取壁障的策略，假若存在无法避开的障碍物则会导致路径规划的失败。而对于DEEC来说，除了考虑到其自身安全性因素而尽量选取无障碍物通道之外，还可以选择通过对障碍物的翻越或攀爬在更大的空间内实现路径的规划任务，因此DEEC的路径规划需要一个具有高程信息的地图来表达路面环境信息。
5结束语
本文从煤矿井下地图创建的需求出发，采用双目视觉方法创建井下2.5维栅格地图，并对探测机器人路径进行了规划。
