SCI论文（www.lunwensci.com）:
摘要：当前的环境识别方法受到光线的干扰较大，导致识别精度和识别准确率较低。针对上述存在的问题，研究基于K-means算法的移动机器人环境识别方法。根据二分查找的思想确定K-means算法的参数K值，并确定聚类中心。按照改进后的K个聚类中心，聚类预处理机器人环境图像像素点，实现图像识别区域的分割。由卷积神经网络识别分割图像中的障碍物，得到环境识别结果。实验验证中，应用研究的方法后，机器人的移动避障误差明显减小，识别效率提升约65.37%，具有良好的可行性。
关键词：K-means算法；移动机器人；环境识别；图像预处理；图像分割；卷积神经网络
Mobile Robot Environment Recognition Method Based on K-means Algorithm
JI Jianping
(School of Artificial Intelligence,Beijing Institute of Economics and Management,Beijing 100102)
【Abstract】：The current environment recognition methods are greatly interfered by light,resulting in low recognition accuracy and recognition accuracy.Aiming at the above problems,this paper studies the environment recognition method of mobile robot based on K-means algorithm.According to the idea of binary search,the parameter K value of K-means algorithm is determined,and the cluster center is determined.According to the improved K cluster centers,the pixel points of the robot environment image are clustered and preprocessed to realize the segmentation of the image recognition area.The obstacles in the segmented image are recognized by the convolutional neural network,and the environment recognition result is obtained.In the experimental verification,after applying the research method,the mobile obstacle avoidance error of the robot is significantly reduced,and the recognition efficiency is improved by about 65.37%,which has good feasibility.
【Key words】：K-means algorithm;mobile robot;environment recognition;image preprocessing;image segmentation;convolutional neural network
0引言
移动机器人集成了多种先进的控制技术、决策思想的现代科技产物，能够替代人工完成相应工作，有效减少了人们的工作负荷，不仅提高作业效率，更有效保证了特殊工作场景下的作业人员安全。移动机器人借助移动机构，可实现前后、左右、原地转向等运动，使其使用场合进一步扩大[1]。但是，移动机器人在移动过程中，需要及时躲避障碍物，灵活地在空间中运动，以免倾翻造成移动机器人损伤或者空间设备损毁，影响正常工作的开展。因此，提高移动机器人的环境识别能力，是研制移动机器人使其适应不同未知工作场景的主要基础。目前，移动机器人对于环境的识别主要是利用摄像头等视觉传感器实现。视觉技术应用于移动机器人对外界环境的感知相比红外线、激光等方式更加直接、简便。但是当前的移动机器人环境感知方法的识别精度受到光线的影响，并且方法的识别效率较低，影响了移动机器人的运动准确性[2]。
K-means算法应用于图像处理领域中，能够通过对图像特征的聚类，有效分割图像，提高对图像中关键信息的识别准确率。因此，根据以上分析结论，为提高移动机器人的环境识别能力，扩大移动机器人的应用范围，本文将研究基于K-means算法的移动机器人环境识别方法。
1基于K-means算法的移动机器人环境识别方法研究
1.1 K-means算法改进
K-means算法的聚类稳定性以及可靠性受到其初始聚类中心的影响较大。由于初始聚类中心的选择会对Kmeans聚类迭代最优形式产生干扰，本文通过算法k值确定，来选择算法的初始聚类中心，从而提高K-means算法的处理性能，本研究将根据二分查找的思想来确定k值，具体优化步骤如下[3]：
(1)若一段时间内，输入该时间窗口内待聚类数据对象共有n个。则根据时间窗口内的数据对象n确定k
值的上界
；
(3)如果SD(k)＜CD(k)，则kD=k-1；如果SD(k)＞CD(k)，则kG=k-1，转(2)继续执行。
(4)输出k值，算法结束。
选择K-means聚类中心时，首先进行悬空处理，将少量数据点投影于二维空间中。设定两个数据分布距离计算阈值，并逐步保留数据对象点，初始化得到具有k个节点的最小数据集。将集合中的数据与最小数据集合中数据点比较，若存在相对较小的数据替换数据集中的数据，否则舍弃原数据集合中的数据。重复该过程直至待聚类的二维数据输入完毕。此时最小集中的元素就是所要寻找的k个聚类中心点，完成对K-means聚类的改进。
1.2工作环境图像预处理
由于移动机器人的工作环境较为复杂，在识别前首先对图像进行降噪处理。本文使用采用逆谐波均值滤波器对移动机器人视觉传感器采集的工作环境图像进行噪声去除操作，滤波器原理如公式(1)[4]：
公式(1)中，L为逆谐波均值滤波器的阶数；g(s,t)为移动机器人采集的环境图像中的像素灰度值；(s,t)为环境图像像素坐标点；f(x,y)为经过处理后的环境图像；Sxy为图像像素域。该滤波器对于移动机器人采集的环境图像中的噪声有良好效果。当滤波器的阶数L＞0时，该滤波器能够滤除环境图像中的椒盐噪声，当滤波器的阶数L＜0时，滤波器可以滤除环境图像中的白噪声。当滤波器的阶数L=0时，逆谐波均值滤波器退化为算术均值滤波器，可以去除均匀噪声和高斯噪声，当滤波器的阶数L=-1时，滤波器变为谐波均值滤波器，可以去除环境图像中的高斯噪声。
由于滤波器参数选择不同，去除图像中不同类型的噪声后，会在一定程度上改变环境图像中的待识别障碍物等对象的边界轮廓模糊，影响机器人的识别效果。本研究根据图像中，不同对象像素点灰度值的差异造成的梯度下降的原理，锐化处理图像。机器人工作环境图像中的某一像素点(x,y)处的梯度矢量形式表示如公式(2)[5]：
矢量G梯度的方向与去噪处理后图像像素点的水平和垂直方向像素的变化率相比的最大值一致，使用差分对机器人环境图像梯度进行近似处理。计算梯度后，使用公式(3)对梯度进一步修正。
公式(4)中，T为梯度法的阈值，T是一个非负的数值。使用上文改进后的K-means算法分割图像中的不同像素点区域，从而缩小识别范围，进一步提高环境识别精度。使用下式的簇内变差评价聚类结果的质量。
上式中，e为簇内变差；dist为根据欧氏距离公式计算的图像像素值与k个聚类中心之间的距离。ci为聚类簇中心；Fj为图像中障碍物像素与平均像素的差异值。
1.3实现移动机器人环境识别
利用改进后的K-means算法处理工作环境图像后，建立卷积神经网络模型，实现对移动机器人工作环境识别。本文设计的卷积神经网络的适应度函数如公式(5)[6]：
上式中，Yj(i)为卷积神经网络训练时，输入节点i的训练图像数据(图像像素值)在节点j的实际输出；Yj(i)为与训练参数相对应节点的理论期望输出；O为设定环境识别卷积网络输出节点数量，根据本文研究内容，其取值与识别对象种类数量一致；N为输入网络进行训练的图像样本总数。本文根据迁移学习的理念对识别机器人工作环境的卷积神经网络进行参数训练，训练过程如下：
(1)选取在ImageNet数据集上已经训练成熟的卷积网。
(2)用成熟的网络对图像样本进行特征提取。利用卷积网络中的全连接层提取的多维环境图像特征，作为局部网络的输入，对局部网络进行参数训练。
(3)用成熟的网络对图像样本进行特征提取，从全连接层提取到环境空间特征作为小规模网络的输入，完成对小规模网络训练。
将移动机器人视觉传感器采集到的工作环境图像输入至已知参数的识别卷积神经网络中，经过卷积计算等多步处理，即可得到对机器人工作环境的识别结果。按照上述内容，即完成对基于K-means算法的移动机器人环境识别方法的研究。
2实验研究
上文提出了基于K-means算法的移动机器人环境识别方法，在将该方法大范围应用于移动机器人生产前，对该方法进行实验研究，以便于尽早对识别方法存在的缺陷进行改进。
2.1实验方案设计
实验采用对比的形式完成，选择基于激光的机器人环境识别方法、基于红外线的机器人环境识别方法作为对比，通过比较识别方法应用后避障移动的准确以及识别效率，评价方法可行性。
2.2实验数据与分析结论
如表1所示为应用不同的机器人环境识别方法控制机器人进行水平方向避障时，机器人的避障移动偏差对比情况。
分析表1中的数据可知，在控制机器人进行水平移动避障时，应用本文方法的机器人移动偏差明显少于应用另外两个方法的机器人。对于不同机器人的移动环境识别，本文方法控制下，机器人的移动偏差数值上更均衡，表明方法对机器人的适用性良好。
选取机器人初始中心点标记为初始点，并以此为原点，建立地面X-Y固定坐标系，机器人以1rad/s的速度完成360°转向避障，测量避障点到障碍点X、Y轴的距离得到实验数据。由于移动机器人原地转向分为顺时针、逆时针转向两种形式，本文设定移动机器人顺时针转动为正转、逆时针转动为反转。数据中，正转方向误差记为正值，反转方向误差记为负值。具体的实验数据如表2所示。
分析表2中的数据可知，使用本文研究的基于K-means算法环境识别方法后，移动机器人进行转动障碍物躲避时，仍能获得较小的移动误差。从数值上看，移动机器人按照本文方法的识别结果进行移动时，移动的偏差要明显少于另外两个方法。由表1和表2的分析数据可知，按照本文方法对实验环境的识别结果进行移动时，机器人的移动量更小，更精准，侧面说明本文方法的识别精度高。
如表3所示为使用三种不同的方法对移动机器人工作环境进行识别时，方法的识别耗时对比情况。
分析表3中的数据可知，本文方法对机器人移动环境的识别平均耗时为81.114ms，基于激光的机器人环境识别方法对机器人移动环境的识别平均耗时为371.849ms，基于红外线的机器人环境识别方法对机器人移动环境的识别平均耗时为234.216ms。从数据上看，本文方法对移动机器人工作环境的识别精度至少缩短了约65.37%。综上所述，本文研究的基于K-means算法的移动机器人环境识别方法具有识别准确度高、识别速率快的优点。
结语
移动机器人在实际应用过程中，都需要快速而准确地避开移动空间中的未知障碍物，如何提高移动机器人对当前环境的感知理解和识别能力，已经成为阻碍移动机器人实际应用推广的主要问题。本文研究了基于K-means算法的移动机器人环境识别方法，通过实验验证了应用所提出的方法后，机器人能够更准确地识别工作环境中的障碍物，避免行进受到阻碍，并且该方法的识别效率更高。
参考文献
[1]袁春,曾凡,李昊,等.基于LabVIEW和单线激光雷达的障碍物识别算法研究[J].重庆理工大学学报(自然科学),2021,35(2):8-16.
[2]杜力,徐光辉,汪繁荣.自适应萤火虫算法改进蚁群算法的移动机器人路径规划[J].河南理工大学学报(自然科学版),2022,41(2):124-130.
[3]张袅娜,鲍旋旋,李昊林.基于激光雷达和摄像机融合的智能车障碍物识别方法[J].科学技术与工程,2020,20(4):1461-1466.
[4]李映辉,钟平安,杨敏芝,等.基于投影寻踪-K均值的相似洪水动态识别方法[J].水电能源科学,2020,38(7):78-82.
[5]李寒,陶涵虓,崔立昊,等.基于SOM-K-means算法的番茄果实识别与定位方法[J].农业机械学报,2021,52(1):23-29.
[6]刘波,杨长辉,熊龙烨,等.果园自然环境下采摘机器人路径识别方法[J].江苏农业学报,2019,35(5):1222-1231.
关注SCI论文创作发表，寻求SCI论文修改润色、SCI论文代发表等服务支撑，请锁定SCI论文网！
文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/jisuanjilunwen/40893.html
，其中，kD、kG分别为k选取范围的最低值、最高值，
为向下取整运算。根据输入的数据对象(图像像素点)在二维空间的坐标值，确定数据点的空间距离SD(k)和类内距离CD(k)。如果在数据空间中，两种距离近似相等SD(k)≈CD(k)，则令参数
，
，如果ζ1<ζ2并且ζ1>ζ3，则直接输出k值，此时的k值即为最优的k值；如果ζ1>ζ2则k=k-1转(4)；否则如果ζ1>ζ3，则k=k+1，转(4)；如果SD(k)≠CD(k)转到(3)。
