RoboCup机器人（通用4篇）
RoboCup机器人 篇1
足球机器人比赛中型组采用分布式通信方式是人工智能技术的重要验证平台, 而其中通信网络系统是该比赛系统的重要支撑技术, 也是整个足球机器人控制设计[2]中最基本的环节。因此, 对通信网络的研究, 对于整个机器人设计中有着重要意义。
1 机器人通信网络系统的基本结构
依照足球机器人比赛规则, 以及网络通信的基本工作原理。通信网络系统的示意图如图1所示。
按照该通信的基本原理, 结合网络OSI参考通信模型[3], 设计出比赛通信网络系统的结构。其网络OSI参考通信模型结构如图2所示。
在机器人网络通信中, 数据传输过程为裁判盒将指令通过路由器传给教练机。教练机再通过路由器传给机器人, 机器人将状态信息通过路由器传给教练机。教练机再将部分信息通过路由器转给裁判盒完成通信过程。
2 教练机系统
2.1 教练机系统功能模型
在机器人网络系统设计中教练机系统设计十分重要[4], 首先, 该教练机系统应当可以接受裁判盒发送的指令信息, 并显示和发送该指令。其功能模型如图3所示。
裁判盒发给教练机的指令信息为真实足球场上, 所能遇到的所有可能出现的控制信息。其比赛指令如图4所示。
裁判盒应具有以上所有指令信息, 连接网络状态以及场上机器人的部分状态信息。因此, 裁判盒程序的操作界面如图5所示。
2.2 教练机连接裁判盒功能的设计
教练机连接裁判盒的连接建立有着很重要的作用, 是控制通信的基础, 通过网络建立, 裁判盒的选择, 通信用户的加入, 网络的配置, 端口的检查, 人机界面的教练机和裁判盒的状态先显示, 来完成, 教练机和裁判盒的连接建立。其流程图如图6所示。
2.3 教练机接收裁判盒信息函数的设计
教练机信息接收的设计要初始化网络连接状态, 并进行筛选出自己方的球队, 进行球队编码, 接收裁判盒指令并将该指令传给场上的各个球员。信息流程图如图7所示。
2.4 教练机接收并显示机器人发送的信息功能的设计
教练机接收场上机器人的信息并进行控制功能实现, 分为了与机器人通信[5]的建立和接收信息的处理与显示。
2.4.1 与机器人通信的建立
先要创建网络连接, 进行存储接口设定, 网络进行通信地址参数设定, 加入通信用户, 存储单元设定, 网络工作环境初始化。流程如图8所示。
2.4.2 接收信息的处理与显示
接收总的机器人的信息, 进行判断己方机器人, 进行数据分类处理, 分别显示在人机交互界面上。其数据流程如图9所示。
2.5 教练机系统界面设计
教练机系统界面设计包括:球队颜色分类设定[6]、球门方向设定;机器人在场上位置设置以及机器人角色设置;手动控制球员, 机器人发球类型设置, 比赛开始与停止命令的发送功能, 显示裁判盒发送的指令功能和发送状态, 显示教练机发送的指令功能和发送状态, 显示场上机器人信息功能和运行状态。整体界面图如图10所示。
3 通信网络程序检测实验
所谓的通信网络程序检测试验, 就是通过试验检测所设计的程序是否可以满足通信的功能并显示机器人的, 位置, 状态等信息。
3.1 实验过程
试验设备:一台电脑, 两台机器人、一个无线路由器、一条网线等。
首先, 将机器人和电脑分别和路由器相连。然后, 运行编写好的教练机程序。操作教练机观察并记录运行过程, 以及显示结果。
3.2 实验结果
教练发送指令后, 机器人进行执行相应的动作并上传相应状态信息。教练机的接受该信息并显示如图11所示。
通信实验记录如表1、表2所示。
3.3 实验结果分析
从实验结果可以得到, 机器人接受到指令概率为99%。准确动作概率为100%。这表明该教练机程序设计, 是可以满足通信要求的, 但有数据丢失, 应当在进行改善设计。
摘要：足球机器人比赛中型组采用分布式通信方式[1], 参考实际足球比赛规则, 对机器人的教练机系统进行设计, 并对所编写通信网络系统程序进行实验验证, 得出了该网络系统通信的正确行和可靠性。
关键词：分布式,通信网络,实验验证
参考文献
[1]孙迪生, 王炎.机器人控制技术[M].北京:机械工业出版社, 1997.
[2]李实, 徐旭明, 叶榛, 等.国际机器人足球比赛及其相关技术[J].机器人, 2000, 22 (5) :420-426.
[3]于新奇.OSI参考模型与TCP/IP模型的异同及关联[J].中国西部科技, 2009.
[4]Asada M., Kitano H., Noda I., et al.Robo Cup:Today and Tomorrow-What we have learned[J].Elsevier Science, 1999.8, 28.
[5]Santos F., Almeida L., Lopes L.S., et al.Communicating among Robots in the Robo Cup Middle-Size League[A].Goeble R., Siekmann J.Wahlster W..Robo Cup 2009:Robot Soccer World Cup XIII[C].Germany Springer-Verlag Berlin Heidelberg, 2010:320-331.
[6]Candea C., Hu H.S., Iocchi L., et al.Coordination in multi-agent Robo Cup teams[J].Robotics and Autonomous Systems, 2001, 36 (2-3) :67-86.
RoboCup机器人 篇2
我校从2004年起组织学生参加国内外Robocup机器人竞赛, 并取得了较好的成绩:2004年中国机器人大赛Robocup 2D仿真组冠军;2009年伊朗机器人国际公开赛3D仿真组季军;2010年新加坡世界杯3D仿真组冠军;2011年土耳其世界杯3D仿真组季军;2011年中国机器人公开赛3D仿真组冠军;2011年江苏省机器人大赛3D仿真组冠军等等。机器人竞赛的全面开展对提升我校电类专业学生的创新实践能力和增强就业竞争力发挥了积极作用, 也加深了我们对自动化类课程实践教学重要性和必要性的认识, 强化了我们对学生动手能力的训练, 促进了我们对学生基本素质的培养。
学生创新实践能力通过机器人竞赛的成绩来体现, 并在竞赛实施过程中得以培养和提高。近年来, 我们贯彻教育部质量工程建设, 在实施机器人竞赛过程中, 以校级大学生机器人创新基地为龙头, 积极开展教学改革。在教学团队建设、课程体系建设、注重实践教学、重视学生第二课堂等方面全面开展了大学生创新与实践能力培养新途径的探索。开展了如何培养学生的兴趣、如何在实验中发挥学生的主体作用、如何鼓励学生利用课余时间进行电子系统开发、如何营造创新环境、如何培养学生的创新意识、如何提高学生的创新能力、如何激发教师的指导热情等课题研究, 积累了一定的经验, 取得了一定的成效。在这过程中逐步形成了一个竞赛经验丰富的教学团队和一套卓有成效的竞赛培训体系。但是如何以机器人竞赛为载体, 促进大学生创新与实践能力培养, 我们还有很多需要探索和改进的地方, 本文从以下几个方面进行改革。
一、竞赛教材的编写
以培养学生的创新实践能力为目标, 完善培训课程设置、完善培训教学大纲、完善培训教材。建立完善的培训教学计划和培训体系。形成一年级普及兴趣班、二年级提高班、三年级综合班、暑期强化集训班的层次化集训体系, 分别编写相关行之有效的集训教材;建立完善的、随着科技进步不断更新优化的实验教学体系;不断研制开发综合性、设计性培训实验项目。
设计一个参加Robocup球队, 根本问题是设计一个多智能体系统, 能够进行实时的反应, 表现出目标指导的理性行为。目标与环境动态的实时变化, 由于足球比赛的状态空间极大, 不可能用手工的方法来编码所有可能的情形和智能体的行为。这使智能体能学习如何有策略的进行比赛变得极为重要, 因此必须对课程的内容进行合理地选择。我们的选择思路是尽量涵盖机器人学的主要内容, 使学生对机器人有一个整体的认识, 同时必须突出重点, 深入浅出, 使学生掌握课程的关键知识。因此, 选择仿人机器人和轮式机器人为对象, 以机器人运动学、动力学和控制系统设计为主线, 机器人传感器主要介绍光电编码器和视觉传感器, 驱动器重点介绍直流伺服电机和舵机。机器人运动学和动力学部分主要难点是复杂的空间变换、运动学和动力学关系, 这些内容即使对机械类的学生来说学起来也是相当困难的。如果要求学生完全掌握是不符合实际的, 而且过多地纠缠在复杂的公式推导, 学生难以理解反而会失去兴趣。因此, 在讲授过程中简要介绍坐标变换、运动学和动力学原理。这样, 学生以相对简单的对象进行学习, 再通过仿真试验就可以对运动学和动力学原理有比较深的理解。认识到复杂的机器人系统不过是计算过程比较复杂而已, 这一点对增强学生信心是非常重要的。在智能体协作方面, 通过简化的人类足球赛策略模式, 加以改进提升, 形成有效的进攻与防守策略, 让高智能算法理解起来不会太困难, 这样改革教学内容和讲授方式可以减轻学生心理压力, 进而学好本门课程的内容。
二、智能机器人实验平台建设
智能机器人实验平台主要包括轮式机器人实验系统和类人机器人实验系统两个主流的机器人平台。通过这两个平台的建设提高学生的动手和创新能力。
依托与网络机器人中央地方共建实验室的建设, 建立轮式机器人实验系统, 系统中机器人配备摄像头、激光和声纳等传感器, 学生可以从中学习信息如何进行采集、如何进行处理和如何进行利用等多种知识, 学习如何编写程序实现一系列的功能。
在类人机器人实验系统中, 机器人各关节的运动及运动姿态由位于关节处的电机控制, 依据所使用的电机个数的不同, 机器人有不同的自由度, 训练学生通过控制电机来实现机器人的行走、舞蹈及踢球等各种动作, 将书本上的运动学及逆运动学的知识生动地再现。
三、学生兴趣的培养
兴趣是最好的老师。依托学院机器人竞赛创新基地和学生组织“Apollo社团”, 进行科学的培训与管理, 促进学生的素质与素养得到整体提高。培养的具体方法如下。
1. 实验场所、实验设备、实验器材和文献
资料对参赛同学全天候开放, 分层次制订培训计划, 使不同层次的学生都以最快的进度完成计划内容, 让每一个参赛学生都能获得充实感、成就感。
2. 树立培训榜样, 使骨干队员充满自豪感, 全力引跑, 形成一种“比、学、赶、帮”的气氛。
3. 建立竞赛获奖光荣榜, 进行优秀作品展示, 长期激励低年级同学。
4. 积极邀请机器人方面的专家、应用能力强的优秀教师、高年级优秀获奖选手做学术和学习经验报告。
在培养学生的创新意识方面, 我们进行过一些有益的尝试。如2010年机器人世界杯竞赛, 学生任彦达、李立森、黄文伟应用自己所学的数学知识, 完成了仿人机器人的全向行走、远距离射门、快速起身等动作的设计, 并用一个多月的时间完成了算法的调试, 最后在竞赛中取得了优异的成绩。由策划设计到实现调试, 到答辩交流, 整个过程和经历让学生终生难忘。机器人竞赛的操作性很强, 侧重于锻炼学生的动手能力。竞赛使那些具有良好的理论基础、实践动手能力强, 特别是具有创新意识和协作精神的学生有了施展自己才能的空间。在目前就业形势严峻的情况下, 参加过我们集训的同学其实践能力都较为突出, 在毕业时都找到了较为满意的工作, 并得到用人单位的好评。今后我们将在集训项目的选择、竞赛指导的安排上进一步强化学生实践能力的培养。
此项工作得到南京邮电大学通达学院教改项目 (TD00511JG11) 、南京邮电大学教改项目 (JG00511J79、JG00511J78) 资助。
RoboCup机器人 篇3
机器人世界杯足球比赛简称Robocup, Robocup3D仿真比赛近似于人类足球比赛, 克服了机器人硬件的多方面限制, 解决了很多现阶段硬件无法实现的功能, 所以对多智能体系统 (MAS) 和分布式人工智能 (DAI) 的理论研究具有深远的影响。在Robocup3D仿真比赛系统中, 每个机器人体系结构包括世界模型、通信、高层决策、动作模型等模块。其中动作模型中截球技术的优劣对整个Robocup3D仿真比赛的结果具有重要的影响。本文将仿真机器人截球技术分为两种情况, 一种为远距离截球, 另一种为近距离截球, 将BP神经网络应用到远距离截球技术中, 采用该方法缩短了截球时间, 提高了截球成功率。
1 Robocup3D仿真系统简介
1.1 Robocup3D仿真系统结构
采用Client/Server方式设计Robo Cup3D仿真机器人足球比赛系统, 由监视器和客户端、服务器端组成该系统。对真实的物理三维世界的模拟可以由Robocup3D仿真环境实现, 该系统主要对服务器的通信、基本动作及其决策、对球员的感知等基本功能模块进行了研究。图1为仿真系统结构示意图。
1.2 机器人截球技术
Robocup3D截球技术的研究目标是要确定球员最佳截球点, 无论球距离自身距离为多远, 球员都可以拦截到球。最佳截球点由仿真足球的当前位置信息以及速度信息确定, 接下来使球员以最快的速度运动到该最佳截球点, 从而在比赛中获得对球的掌控权。通过一些基本动作指令, 例如转身指令、加速指令等, 在实时分析球场信息之后, 使得球员以最快的速度到达改最佳截球点。因为预测时间对于预测足球位置的精确度影响很大, 如果能一两个周期内完成预测则相对精确, 如果足球距离自身位置越远, 那么球员到达截球点的时间就越长, 越不能精确预测足球的位置, 下面将机器人截球技术分为两种情况研究, 一种为远距离截球技术, 另一种为近距离截球技术。
2 近距离截球技术
近距离截球就是要在一两个周期内拦截到距离自身位置较近的球, 通常将踢球距离的六分之一之内定义为距离自身较近。首先判断对足球在比赛过程中一两个时间周期之后的位置信息, 接着预测球员在一两个周期之后与球的距离。如果在两个周期内该距离不能小于踢球距离d的六分之一, 则说明不能实现近距离截球。具体过程为, 首先对球员下个周期所处的位置进行预测, 判断能否在一个时间周期之内截到, 该判断根据的是球员当前的位置信息和速度信息, 将球员下个周期自身位置沿视觉方向在水平面上的射影长度简称为射影长, 以下个周期球的预测位置为中心, 以足球半径r+d/6为半径。如果射影长与圆交点个数为1, 那么该点为截球点;如果射影长与圆的交点个数为2, 距离球员自身预测位置最近的点就是最佳截球点;如果射影长与圆的交点个数为0, 则说明不能实现在一个周期内截到球。在一个周期内不能截到球的情况下, 接着对两个周期之内能否截到球进程判断。第一步判断能否通过运行turn、dash动作指令截到球, 先对两个周期之后的足球所处的位置信息p进行预测;第二步执行turn Body To Point指令, 启用预测函数predict After Turn, 通过第二步使球员朝向设定的目标位置转身, 并且对球员自身的位置信息进行预测;player Speed_max表示球员最大球员速度, 如果球员的预测位置与足球位置p的距离小于r+d+player Speed_max, 表明可以在两个周期内截到球, 反之判定在两个时间周期之内截不到球。
3 远距离截球
3.1 判断截球点
采用解析法进行远距离截球, 预测出第i个周期后足球的位置信息p, 然后设计出截球分析函数, 对球员到达该位置p所需要的周期数进行计算, 如果该周期数小于i, 则表示能够截到球, 函数输出截球所需周期数i以及截球点。
该方法的算法流程图如图2。
3.2 采用BP神经网络训练截球
截球点确定之后, 一般情况下采用尝试的方法来确定采取dash和turn这两个动作指令中的哪一个, 这样就导致截球效率低, 也就是说即便得到了截球点也可能截不到球。为了避免出现这种情况, 在截球技术中使用人工智能技术, 其中神经网络技术计算简单, 适用于连续空间, 采用神经网络训练截球动作能够满足Robocup比赛的实时性要求。BP神经网络是现在比较成熟并且应用较多的神经网络模型, 该模型的基本思想是通过对输入信号Xi进行非线形变换得到输出信号Yk, 并且是通过隐层点使得输入信号作用于输出信号, 由期望输出量t、输入向量X、以及期望输出值t与网络输出值Y之间的差值组成每个网络训练样本, 对输出节点与隐层节点之间的联接强度以及阈值、还有隐层节点与输入节点之间的联接强度值进行调节, 经过不断的调节使得误差能够沿着梯度方向不断降低, 在不断的训练学习之后, 得到与最小误差相关的阈值和权值。采用该训练好的神经网络对同类的样本输入信息进行训练, 自动得到输出误差最小的信息。训练截球技术选取的是三层BP神经网络, 其结构模型如图3所示。
4 实验结果及分析
4.1 实验环境与条件
4.2 结果分析
设定最小均方误差为0.005, BP神经网络的样本数据为30场Robocup3D足球仿真比赛中的500个截球动作序列。学习训练之后网络逼近均方误差约为0.00532。训练后得到的误差曲线如图4所示:
训练好神经网络之后, 将该基于BP神经网络的截球算法在Robo Cup3D仿真比赛中采用该基于BP神经网络的截球算法。通过编写代码在到仿真机器人截球程序中加入BP神经网络, 对100次截球情况进行分析, 进行多次仿真比赛后, 得到截球效果对比表。
实验结果表明, 在截球技术中采用BP神经网络技术, 缩短了截球时间, 提高了截球成功率。
参考文献
[1]曹成才.机器人足球仿真系统的研究[D].成都:四川大学, 2005:10-15.
[2]时长娥.Robocup机器人足球赛3D仿真组程序设计研究[D].南京:东南大学, 2005:1-5.
[3]Jan Lubbers.Rogier R.Spaans.The Priority/Confidence Model as a Framework for Soccer Agents[C].Robo Cup-98:Robot Soccer World Cup II, Springer.1998.pages 52-60.
[4]许元.Robo Cup类人仿真足球机器人研究--SEU-Red Sun仿真足球机器人队伍设计与实现[D].南京:东南大学, 2008:1-5.
RoboCup机器人 篇4
1 NAO机器人简介
NAO已经在研究界及仿人机器人市场上成为世界闻名的明星。NAO作为世界上应用最广泛的仿人智能机器人, 已有1500多台机器人远销世界40多个国家和地区。NAO是世界机器人杯大赛标准平台 (Robo Cup Standard Platform) Robo Cup机器人世界杯是世界上最大型的机器人比赛, 主要以足球为主题。它在十几年里发展成为一项国际性活动, 比赛为期一周, 每年会吸引三千余名大学生参加。他们使用各种机器人参加不同联盟的比赛。其中, 在名为“平台标准” (Platform Standard) 的联盟里, 各队使用统一的机器人, 受到评判的只是各支队伍的编程能力和决策能力。2007年7月, NAO被Robo Cup的组委会选定为标准平台, 作为索尼机器狗爱宝 (Aibo) 的继承者。如下图1所示:
动作:NAO拥有25个的自由度, 动作灵活。它还配有一个惯性导航仪装置, 在移动时十分平稳, 并可随时确定自己的位置。NAO还可以靠超声波传感器探测并绕过障碍物。其减速引擎使用尖端技术, 可以使它的活动十分精确。
互动:装入的许多算法使NAO具有声音合成、音响定位、颜色图案与形状的探测等能力。这些算法也使它能 (依靠一种双通道的超声波系统) 探测到障碍物并依靠自己的大量发光二极管借助视觉进行互动。
编程能力:NAO拥有一个开放的编程构架, 所以不同的软件模块可以和谐的方式相互作用。不管使用者的专业水平如何, 都完全能用我们的图像编程平台Choregraphe来为NAO编制程序, 以使用C++语言创造或编辑它的行为。最高级的操作人员还可以通过一个非常丰富的应用程序接口使用各种脚本语言来为NAO编程。依靠这个高级的应用程序接口, 使用者可以创造NAO的移动动作并控制它的平衡。更专业的使用者还可打开一个低水平的传感器与驱动器编写程序, 如果愿意并可用他们自己的编码替换我们的编码。最后, 在使动作序列生效时, Choregraphe也适用于微软Robotics Studio和Cyberbotics Webots模拟器。
主体与多媒体:可以用不同颜色 (红、蓝或者个性化的颜色) 的附件使NAO个性化。装入的多媒体构件 (扬声器、无线网际网络、扩音器、两个数字摄像头) 为它提供了各种可能:言语、播放音乐、音响源的定位或者脸部探测等。
2 NAO目标红球的识别
2.1 颜色色彩空间的选择
通常色彩空间有RGB颜色空间、CMY颜色空间、YUV颜色空间和HSV空间等。其中RGB空间最常用, 它是根据R (红) 、G (绿) 、B (蓝) 三种颜色组合而成, 其它的色彩空间都是有它变换得来.但是由于RGB空间没有考虑到光照强度, 所以受光照强度的影响比较大, 实践结果表明, 对同一颜色的属性物体, 在不同条件 (光照光源种类, 照度, 物体反射特性等) 下, 测得的RGB颜色值分布很分散, 三个分量互相关联变化, 波段非常宽, 占据整个空间的比例非常大, 很难确定识别RGB的阈值范围, 非常容易把并非指定颜色的物体包括进去, 或者漏却了应该识别的部分物体.这样在比赛中, 会由于场地光照不均匀而导致出现丢失目标的现象。[7]
为了提高识别效果, 文章采用将RGB颜色空间转化为更接近观察的HSV颜色空间。HSV (hue, saturation, value) 颜色空间的模型, 如图2所示。对应于圆柱坐标系中的一个圆锥形子集, 圆锥的顶面对应于V=1。它包含RGB模型中的R=1, G=1, B=1三个面, 所代表的颜色较亮。色彩H由绕V轴的旋转角给定。红色对应于角度0°, 绿色对应于角度120°, 蓝色对应于角度240°。在HSV颜色模型中, 每一种颜色和它的补色相差180°。饱和度S取值从0到1, 所以圆锥顶面的半径为1。HSV颜色模型所代表的颜色域是CIE色度图的一个子集, 这个模型中饱和度为百分之百的颜色, 其纯度一般小于百分之百。物体的色度H与饱和度S通常只由构成物体的原材料的光线吸收和反射特征来决定, 与环境的亮度关系不大, 因而更容易得出正确结果。
RGB颜色空间到HSV颜色空间的转换算法:
2.2 红色阈值的确定
为节省赛前的调试时间, 也可以采用自动获取目标颜色范围, 先对目标阈值进行离线训练, 获取颜色特征后再进行在线识别。即在不同光照条件和成像距离对目标颜色进行反复多次测量, 直到找出其颜色特征中相对稳定的范围, 转换成函数关系, 在比赛中根据函数关系直接确定阈值。这样不仅避免了临时调试阈值的不确定性和人为因素, 而且可以简化确定阈值的运算处理, 提高处理速度, 提升机器人的比赛性能[4]。
2.3 目标红球的识别
NAO机器人按照我们所设定的红色阈值, 我们在机器人所拍的图片中得到是满足所设定阈值条件的红色像素点按照下面步骤进行处理来识别红色圆球
1) 对红色像素点进行初步过滤
理由:由于光照的影响会出现一些红色像素点噪声, 通过与红球红色像素点的比较发现, 噪声点比较离散, 而红球像素点紧密集中, 所以通过判断临近点的方式判断红色点是否是我们想要的红色像素点, 每当判断一个红色像素点时, 我们考察其周围上、下、左、右、左上、左下、右上和右下八个点是否也是红色像素点, 如果周围有5个及以上也是红色点, 那么我们认为这个点是红球像素点, 否则认为是噪声点, 按照这个方式初步过滤一些噪声点。
2) 得到图片上的圆形
前面一步确定了红色, 下一步我们得到图片红色点中的圆形, 也就是说NAO机器人识别的这个物体, 既是红的又是圆的, 认为它是目标红球。具体做法是:
这里我们主要采用的就是将采集到得每一帧图像我们称为原始图, 如图3所示。将其背景设置为 (0, 0, 0) , 红色像素设置为 (255, 255, 255) 。在预处理后会采用高斯滤波来平滑图像, 如图4所示。高斯滤波实质上是一种信号的滤波器, 其用途是信号的平滑处理。然后采用霍夫变换检测圆形, 如图5所示。最后完成原图场景的恢复, 如图6所示。实现效果如下图:
从图中我们可以得到:最下面两个红球都能很好的识别出来, 而且还能确定球心所在位置。上面一颗干扰黄球也被还原出黄色来了。通过上述步骤已经完成了NAO对红球的识别以及球的位置所在。
3 NAO目标红球追踪策略
3.1 测距追踪策略
经常用到的目标红球追踪策略是机器人看到红球后单目测距的方式[4], 测出球距离机器人的距离以及角度方向, 如图7所示。然后发指令让机器人NAO去找红球。
当发现红球时, 调节NAO的Head Pitch和Head Yaw关节值使得红球处于视野的中心, 然后求出红球夹角α, 由于红球使用统一标准的半径r为3cm的比赛专用球, 所以计算机器人与红球的距离如下:
那么机器人NAO距离红球的水平距离利用勾股定理:
求出水平距离s发指令给NAO去找红球。
3.2 目标红球始终在NAO视野中心追踪策略
实际真人足球比赛经验告诉我们, 足球运动员在球场上进行足球比赛时, 当看到球的时候也并不会进行计算自己距离目标球到底有多远, 而是直接沿着最短路径直直的朝着球的方向跑去。基于这个启发我们的做法是:当NAO发现目标红球时不进行测距直接朝着球直直走过去, 在靠近球的过程中使得红球一直动态的处于机器人NAO的视野正中间。下表是NAO机器人V3.3版本的摄像头参数。如表1所示。Camera Position如图8所示:
在Filed of view栏我们得到机器人水平视野范围是:47.8°垂直视野范围是:36.8°在第二步目标红球的识别中我们已经得到了红球的圆心坐标 (x, y) 以及红球的半径, 当我们采集机器人的图片分辨率为640*480时, 视野中心坐标就为 (320, 240) 我们就可以得到目标红球距离图片中心点的水平角度α以及垂直角度β。如图9所示。
假设机器人距离中心点的距离为是s, 那么角度α的计算公式为:
根据 (1) 和 (2)
由于圆心 (x, y) 已知, 我们就可以得到目标红球在机器人NAO视野中心的水平偏角α, 同理我们可以求出目标红球在机器人NAO视野中心的垂直偏角β。
然后将水平偏角α传给Walk To (0.1, 0, α) 函数, 根据β重新设置NAO的Head Pitch关节值, 这样让机器人一直朝着球的方向前进, 同时一直设置目标红球处于NAO的视野中间。当NAO走到红球跟前时, 通过设定Head Pitch关节阈值来控制NAO停下来, 做下一个 (调整、带球、射门等) 。
3.3 两种追踪策略的比较
单目测距追踪球, 可以方便的得到目标红球的距离, 告诉及机器人要走多远, 这种方式是静态的, 即给机器人下达命令后机器人就会执行直到完成, 如果走向球的过程中球运动了, 机器人还是会执行前一个命令直到结束, 然后发现球运动了还要重新发现目标重新测距。而且, 测距是存在误差的, 通过实验表明发现目标红球距离NAO越远误差就会越大。而在实际应用或比赛时如射门, 目标红球的位置要求的是十分精准的, 左右前后误差超过3cm, 射门动作就完成不了。不进行测距直接动态使目标在视野中心跟踪策略, 看似让机器人运算量很大, 而且还不知道距离, 但却实际应用效果却很好, 多线程技术可以使NAO一边跟踪红球一边走向红球, 是动态的, 最后当机器人停下来的时候, 我们经过100多次反复试验红球总会出现在机器人前方2—5cm范围内, 使得准确做下一个动作 (调整、带球、射门等) 得到保证, 所以我们所用的就是后面一种策略, 使得红球一直处于机器人视野中心。
4 结论
文章提出的基于HSV颜色空间的彩色图像处理技术符合视觉特性, 克服了机器人视觉系统在比赛过程中易受光照变化的影响。然后针对于从机器人采集到的图片, 进行红色阈值设定, 简单噪声过滤, 灰度处理, 高斯平滑处理, 霍夫变换识别圆形, 最后恢复原来场景, 一系列操作, 识别红球同时得到球的圆心所在位置。然后通过讨论单目测距追踪红球的优缺点提出了一种更为简单更容易理解的, 不进行测距直接动态使目标在视野中心跟踪策略, 通过实验得到该策略确实有更好的实用性。能够满足NAO机器人在实际比赛的要求。
摘要：根据RoboCup中NAO机器人足球比赛的规则, 机器人通过对颜色的识别来识别球场上的物体及环境。文章分析了RGB颜色空间的优缺点, 采用HSV作为视觉系统的颜色空间, 减弱了现场光照变化对视觉系统产生的影响。文章提出了一种基于HSV色彩空间下识别红球的方法, 然后提出一种简单的追踪红球策略, 与测距追踪实际效果相比较, 发现这种追踪策略更符合实际场景应用。
关键词：NAO机器人,目标红球识别,目标追踪,图像处理
参考文献
[1]关慧贞, 魏永, 刘赞, 等.足球机器人视觉系统的快速识别与跟踪技术[J].控制与检测, 2005 (2) :5-57.
[2]谢云, 杨宜民.全自主机器人足球系统的研究综述[J].机器人, 2004, 26 (5) :474-480.
[3]刘柞时, 胡发族.足球机器人视觉图像的快速识别[J].计算机工程, 2007, 33 (17) :234-236.
[4]陈天华, 刘载文, 郭培源, 等.全自主足球机器人的目标快速识别与定位[J].机床与液压, 2009, 37 (10) :143-146.
[5]张一鸣, 秦世引.基于单目视觉的移动机器人测距方法[J].微计算机信息, 2008, 24 (10) :223-225.
[6]杜鑫峰, 熊蓉, 褚健.仿人足球机器人视觉系统快速识别与精确定位[J].浙江大学学报, 2009, 43 (11) :1975-1980.
[7]赵增荣, 韩提文.基于RoboCup中型组足球机器人的图像识别算法[J].山东理工大学学报, 2007, 21 (1) :86-91.
[8]Xiong R, Chu J.A global vision system:using hue thresholds to exact feature and recognize[J].Journal of Harbin Institute of Tech nology, 2001, 6 (3) :233-238.