障碍距离（精选四篇）
障碍距离 篇1
协同虚拟环境CVE[1]是一种支持位于不同地理位置的多个用户进行协同工作的分布式虚拟环境。近年来,CVE系统广泛应用于军事仿真、网络游戏、虚拟实验[2]、远程教育等领域。协同虚拟环境作为共享的虚拟空间,要求各个客户端的虚拟场景必须保持高度的一致。参与虚拟环境的实体通过实时地向其他实体发送自己的状态更新信息同时接收其他实体的状态更新信息来维持客户端场景的一致性。维护虚拟场景的一致性带来大量的通信开销,随着系统规模的增大,协同虚拟环境面临着规模扩展性问题,即如何在大量用户参与的情况下控制数据传输,保证用户之间进行有效通信。
兴趣管理IM是一种常用的数据过滤技术,其基本思想是让所有用户只接收他们感兴趣的数据,通过在虚拟环境中过滤不相关信息来减少网络开销,同时降低用户的处理开销,从而提高系统的扩展性。现有的兴趣管理方法基本上可分为以下五类:区域法、氛围法、基于类别的方法、基于可见性的方法和混合法[3]。这些方法各有其优缺点,但大多没有考虑虚拟环境中存在障碍物的情况,直接使用欧式距离进行兴趣匹配。基于可见性的方法虽然考虑了障碍物,但是其一般通过三角剖分[4]划分虚拟空间,构造三角网格的空间复杂度较高,而且大小不等的三角网格并不能精确描述用户的兴趣范围。本文对现有的兴趣管理方法进行了研究,提出一种新的基于障碍距离的兴趣管理方法,在混合法的基础上采用障碍距离进行兴趣匹配。该算法可以更加精确地描述用户的兴趣范围,进一步减少系统的网络开销,达到提高系统扩展性的目的。
1 相关工作
兴趣管理技术是随着虚拟现实技术和计算机网络技术的蓬勃发展而逐渐成熟起来的,本节对现有的5种主要兴趣管理方法进行简要介绍。
区域法[5]通过某种方式将虚拟空间划分成若干区域(region,可以是矩形、正六边形或其他形状),每个region分配一个组播地址,将用户的信息交互限制在region内,以此减少系统中的信息传输。网格法[6]是一种特殊的区域法,其将虚拟空间划分成一组大小相等的正方形网格,将实体映射到它的所属网格,然后采用组播技术实现数据过滤。区域法简单、容易实现、匹配复杂度低,但是过滤效果比较差,系统中包含很多不相关信息的传输。
氛围法使用aura表示每个仿真实体的兴趣域,aura有时也称作nimbus、AOI(Area of Interest)或awareness area[7],它定义了实体的感知区域。当两个实体的aura相交时,它们之间就建立通信连接。氛围法过滤效果比区域法好很多,但是它要对虚拟环境中的每对实体都进行兴趣匹配,这导致大量的计算开销,影响了兴趣管理的效率。
类别法[8]源于HLA(High Level Architecture)中的数据分发管理服务,采用基于类别/属性的过滤机制。仿真实体通过声明管理服务来发布/订阅数据,只要实体所订阅类的任何对象属性发生改变,该实体就会收到通知。这种方法静态地表示对象的兴趣域,实体只与特定类的对象建立通信关系,不适于描述协同虚拟环境中不断变化的实体兴趣域。
基于可见性的方法根据仿真实体实际的可视范围进行兴趣匹配。如果某个实体被障碍物遮挡住,即使它离用户很近,用户也不可能看到它。在这种情况下认为用户对该实体不感兴趣,用户不需要接收该实体的状态更新信息。例如文献[9]中采用Delaunay三角剖分划分虚拟空间能够较好地隔离障碍物,过滤精度高;但是构造Delaunay图的代价较高,而且使用一组三角形区域并不能完全覆盖实体的兴趣域。
针对区域法和氛围法的优点与不足,一些研究者提出混合法[10],采用区域法减少氛围法中的兴趣匹配次数,在保证过滤效果的同时降低计算开销。混合法能够在数据过滤精度和算法匹配效率之间取得较好的平衡,但是未考虑虚拟环境中存在障碍物的情况。在障碍空间中,实体的兴趣域并不是简单的以实体位置为中心的圆形AOI,当两个实体之间存在障碍物时,它们可能看不到彼此,也就不必向彼此发送位置等状态更新信息。
针对上述方法存在的问题,我们结合混合法,提出对虚拟空间中任意形状的障碍物进行多边形建模[11],在此基础上计算仿真实体之间的障碍距离,从而进行兴趣匹配。
2 基于障碍距离的兴趣管理方法
2.1 基本思想
本文方法综合了区域法和氛围法的混合方法,采用以实体位置为中心、感知半径r为半径的圆形区域作为实体的初始AOI,对虚拟空间中的障碍物进行多边形建模,采用一组障碍边表示某个障碍物。首先对虚拟空间进行网格划分,将实体映射到其所属网格,根据所属网格计算其邻居网格,将实体兴趣匹配的范围缩小在邻居网格内。然后在兴趣匹配的过程中对邻居实体连线和障碍边进行相交测试,只要与其中任何一条障碍边相交,则该邻居实体就不可见。障碍空间中实体的实际AOI为图1所示的浅灰色区域。为方便描述,同时又不失一般性,整个虚拟空间在二维平面讨论。
2.2 相关定义
虚拟空间:记为S。设三维空间R3∈S,二维空间R2∈S,定义三维空间R3到二维空间R2的映射函数f={(x,y,z)}→{(x,y)}。
实体集:U={u1,u2,…,un},n表示虚拟环境中的仿真实体个数。仿真实体ui的兴趣实体集合为IU(ui)={u1,u2,…,um},其中m表示实体的兴趣实体个数。
障碍集:O={o1,o2,…,ok},k表示虚拟空间中有效障碍物的个数,虚拟空间中的障碍物大小不一,一些比较小的障碍物并不会对实体的可视范围造成影响。在对障碍物进行建模前先进行预处理,剔除一些不必要的障碍物,得到障碍集。每个障碍物用一个多边形表示,记为G=(V,E),V={v1,v2,…,vr}是障碍物的顶点集,E={e1,e2,…,en}是障碍物对应的障碍边集。障碍顶点用其在二维空间中的位置坐标表示,即v=(x,y)。每条障碍边用一对障碍顶点表示,即e=(v1,v2),v1表示障碍边的第一个顶点,v2表示障碍边的另一个顶点。
障碍距离:实体ui、uj之间的障碍距离用OD(ui,uj)表示。当ui、uj之间的连线不与任何障碍边相交时,ui与uj是可见的,OD(ui,uj)为直接欧式距离;当ui、uj之间的连线与某个障碍边相交时,ui与uj是不可见的,障碍距离可视为无限大,记为OD(ui,uj)=∞。实体的兴趣实体即为与其障碍距离小于感知半径r的所有其他实体。
网格:每个网格用其在x维和y维投影的上下限表示,并赋予唯一标识,记为cell=(xlow,xupper,ylow,yupper),网格边长用l表示。
网格实体:记为表示位于网格celli中的所有实体,实体ui的所属网格为rcell(ui),邻居网格为ncell(ui)。一个实体包括其所属网格在内最多有9个邻居网格,遍历其邻居网格中的所有实体即可获得邻居实体,记为n(ui)。
2.3 算法描述
在描述算法之前,先讨论划分虚拟空间时一个很关键的问题:网格边长l的选取。选择最优的l比较困难,l较大,单个网格中包含的实体较多,需要执行的兴趣匹配次数就会增多,带来很多不必要的计算开销;l较小,兴趣匹配次数相应减少,计算开销少,但是网格越小,划分的网格数目就越多,导致空间复杂度增大。维护虚拟空间的空间复杂度与网格数量紧密相关,但其仍然是常量级的,无论参与的实体数有多少都保持不变,所以考虑选取的网格边长l尽可能小。同时根据算法的基本思想,需要将实体的兴趣匹配范围限制在邻居网格内,即邻居网格必须能够包围实体的AOI,则必须满足l≥r,故l的最佳取值为感知半径r。
根据基本思想,本文方法的算法流程包括两个子过程:一是兴趣匹配算法流程,二是计算障碍距离的算法流程。算法的具体描述如下:
算法1兴趣匹配算法
算法2计算障碍距离
3 实验分析
实验环境:Intel 2.93 GHz双核处理器、2 GB内存、Windows7、Microsoft Visual Studio 2010、Unity 4.6。仿真系统采用C#语言编写,对障碍空间中的仿真实体进行兴趣管理。
基于本文方法,我们实现了一个虚拟漫游系统。将所提算法运用到服务器端,系统客户端使用Unity3D引擎实现虚拟场景的绘制,设置场景的地形大小为1000×1000,在虚拟场景中创建了50个障碍物,共包含130条障碍边,感知半径r为100,兴趣域更新的时间间隔设为1秒。
兴趣管理算法主要有两个性能指标:过滤效果和计算效率。过滤效果通过实体接收的信息总量(Received Count)和相关信息接收率(RelatedRate)表示。在相同实验条件下,ReceivedCount越小说明过滤掉的信息越多,系统整体的网络开销就越低,但这样还不能充分说明过滤效果良好。过滤掉的数据可能包含无关信息和相关信息,为验证方法有效性,还需要评估相关信息接收率。相关信息接收率定义为:RelatedRate=相关信息接收量/需要接收的相关信息量。RelatedRate越高,说明过滤掉的相关信息越少,过滤掉的无关信息越多,系统降低的网络开销确实是不必要的,能够充分说明过滤效果良好。计算效率通过兴趣匹配算法的执行时间T表示,T越小表示兴趣匹配的效率越高。
为验证本文算法的性能,我们进行了对比实验,对比混合法和本文方法在过滤效果和计算效率方面的差异。分别向虚拟环境中投入10、20、40、60、80、100个仿真实体,实体进入虚拟环境后自动移动两分钟,监测两分钟内实体接收的信息总量、相关信息接收率以及算法执行时间的变化。实验结果如图2-图4所示。
从图2看出,在相同的实验条件下,采用本文方法实体接收的信息总量较少;而图3显示,采用本文方法的相关信息接收率和混合法一样均在90%以上波动。这说明实体接收了绝大部分的相关信息,减少的信息总量基本上是无关信息。由图2、图3可知,本文方法能够比混合法过滤掉更多的无关信息。
图4表明本文方法的执行时间比混合法略高,但总体时间差别不大。这是因为本文方法采用障碍距离进行兴趣匹配,计算障碍距离与直接使用欧式距离相比增加了一定的计算开销。由于虚拟空间中的障碍物是固定的,增加的计算机开销是常量级的,只与障碍集的规模有关。随着仿真实体增多,该方法仍然能够保证较高的效率。
通过以上实验分析证明基于障碍距离的兴趣管理方法和混合法相比能够进一步减少系统的网络开销,算法效率稳定,有助于提高协同虚拟环境的可扩展性。
4 结语
本文提出了一种基于障碍距离的兴趣管理方法。该方法考虑了虚拟环境中存在多个不规则障碍物的情况,对虚拟环境中的障碍物进行多边形建模,使用障碍顶点和障碍边表示障碍物;对传统混合法的兴趣匹配过程进行了改进,通过与障碍边进行相交测试计算实体间的障碍距离,基于障碍距离计算兴趣域,进一步减少不相关信息的传输。实验结果表明,该方法能够比混合法取得更好的过滤效果。本文的下一步工作是如何在此基础上降低算法的计算开销,进一步提高算法的整体性能。
摘要：兴趣管理是提高协同虚拟环境扩展性的一种常用技术。现有的兴趣管理方法大多采用理想欧式距离进行兴趣匹配,没有考虑虚拟空间中存在障碍物的情况。针对现有方法的不足提出一种基于障碍距离的兴趣管理方法。该方法在混合法的基础上,对虚拟环境中的障碍物进行多边形建模。首先采用网格划分虚拟空间,缩小实体的兴趣匹配范围,然后使用障碍距离进行兴趣匹配。实验结果表明,该方法可以进一步减少系统中不必要的网络开销,提高协同虚拟环境的扩展性。
关键词：兴趣管理,障碍距离,协同虚拟环境,混合法,网格
参考文献
[1]Montoya M M,Massey A P,Lockwood N S.3D collaborative virtual environments:exploring the link between collaborative behaviors and team performance[J].Decision Sciences,2011,42(2):451-476.
[2]甘茂华,阮丽娜,李昌国,等.多人协作虚拟实验室综述[J].计算机应用与软件,2010,27(5):130-132,143.
[3]Liu E S,Theodoropoulos G K.Interest management for distributed virtual environments:A survey[J].ACM Computing Surveys(CSUR),2014,46(4):51.
[4]周佳文,薛之昕,万施.三角剖分综述[J].计算机与现代化,2010(7):75-78.
[5]Liu E S,Theodoropoulos G K.A parallel interest matching algorithm for distributed-memory systems[C]//Distributed Simulation and Real Time Applications(DS-RT),2011 IEEE/ACM 15th International Symposium on.IEEE,2011:36-43.
[6]Li Y,Fujimoto R,Hunter M,et al.An interest management scheme for mobile peer-to-peer systems[C]//Proceedings of the 2011 Winter Simulation Conference(WSC).IEEE,2011:2747-2759.
[7]Yahyavi A,Kemme B.Peer-to-peer architectures for massively multiplayer online games:A survey[J].ACM Computing Surveys(CSUR),2013,46(1):9.
[8]梁洪波,朱卫国,姚益平,等.一种面向大规模HLA仿真的并行区域匹配算法[J].国防科技大学学报,2013,35(3):84-91.
[9]Denault A,Cañas C,Kienzle J,et al.Triangle-based obstacle-aware load balancing for massively multiplayer games[C]//Network and Systems Support for Games(Net Games),2011 10th Annual Workshop on.IEEE,2011:1-6.
[10]Pan K,Cai W T,Tang X Y,et al.A hybrid interest management mechanism for peer-to-peer networked virtual environments[C]//Parallel and Distributed Processing(IPDPS),2010 IEEE International Symposium on.IEEE,2010:1-12.
创业服务零障碍贴心为民零距离 篇2
——市文广局创业服务年“自选动作”精彩纷呈
在全市深入开展创业服务年活动中，市文广局在做好各项“规定动作”的同时，一系列“自选动作”精彩纷呈。近日，该局启动了“建设鄱阳湖经济生态区、探索科学发展新路子”推动文广事业大发展大繁荣主题教育，将创业服务年活动推向高潮。今年以来，市文广局以服务重大文化项目建设为重点，以深化改革为动力，以打造全市乃至全省文广行业优质创业环境为目标，大力开展创业服务年活动，使机关作风进一步转变，工作效率进一步提高，服务水平进一步提升，创业环境进一步优化，为我市科学发展、进位赶超、绿色崛起提供了有力的文化保障。
搅动思想服务创业
思想是行动的先导。市文广人认为，认识到位才能执行到位，为聚民心、集民智，促使全员服务创业。今年是鄱阳湖生态经济区上升为国家战略开初之年。面对这一新形势，市文广局组织开展了“三新两提高”和“四学”教育活动，以进一步夯实文广一体化思想基础，着力打造学习型机关。即：“新部门、新贡献、新形象，不断提高文广工作服务大局的贡献率和人民群众对文广部门的满意度；每月开展二次机关干部职工学习例会，每月对创业服务年和主题教育进行二次调度”。通过学习有关文件精神、邀请专家讲座、集中学习讨论，以及利用业余时间进行自学、记笔记、撰写学习体会文章等形式，组织干部职工系统学习和领会实施鄱阳湖生态经济区规划的战略背景、重大意义、本质内涵和重要举措，以及当前重大时事和重要文件精神等。通过学习上至班子成员，下至普通干部职工，全面搅动思想，广大干部职工从“强化服务理念，创新服务机制，提高服务水平，提升效率效益”的叠加追求中进一步解放了思想，一致表示要以“高标准、严要求、快节奏”的机关作风全方位打造“诚信、责任、创新、奉献”的文广机关和办事窗口，创优发展环境，助推创业服务。
创新创业服务水平
在创业服务年活动中，市文广局结合文广工作实际，从与创业服务联系最紧密、群众最关心的问题入手，扎实做好文广各项工作任务。为此，市文广局完善了重大项目招商引资和建设管理协调推进机制，积极配合有关部门加大招商引资力度，带动文化产业结构优化升级，完善人力、资金等要素配置，优先确保重大产业项目需要。同时完善重点项目服务和监管机制，开通重大文化产业项目和重点项目绿色通道，实行重点项目全过程跟踪服务，做好重点文化产业建设项目审批服务，全面推进重点项目的网上并联审批，并完善建设进度监督、项目建设督办、项目稽查和效能监察等制度。
此外，市文广局建立健全创业服务机构，理顺机构和职能，搭建文广管理架构，积极为创业者提供文化产业项目开发、政策咨询、政策扶持、跟踪指导等服务；拓宽融资渠道，积极发挥国家文化产业专项基金平台作用；大力支持非公有制经济发展，创新发展体制机制，使多种经济参与公平竞争；完善创业服务体系网络化建设，实施景德镇文化网站升级改造，改造后的局政务网站设立“创业服务年”专栏，每位局领导都设有邮箱，便于公众随时查询，提供及时有效的后续服务和跟踪指导；设立创业服务热线，接受创业者的咨询和投诉，局机关创业服务热线8224728，文化产业创业项目服务热线8224591。
创优创业服务环境
在开展主题教育中，市文广局将通过比创业服务水平、比廉洁从政水平、比工作效能水平、比务实创新水平、比勤奋学习水平的“五比”活动，着力夯实文广管理作风和工作基础，创建优质高效的政务和服务环境、宽松透明的市场和企业经营环境、优越的创新企业成长环境、公平正义的法制和社会环境，营造良好的创业氛围。
市文广局以服务创业、富民兴市为主题，以服务重大文化产业项目建设为重点，以深化改革为动力，开展创业服务年活动，强化服务意识，完善服务机制，把握服务重点，努力建设服务型机关，争做服务型干部。大力倡导创新之风，创新发展思路，创新工作机制，创新服务方式，工作中敢于突破、敢负责任、敢于争取，努力建设创新型机关、争做创新型干部。大力倡导务实之风，强化为民意识，建立责任机制，努力建设务实型机关、争做务实型干部。大力倡导廉洁之风，带头遵纪守法，严守各项纪律，廉洁自律，努力建设廉洁型机关、争做廉洁型干部。
说话无障碍 交际零距离 篇3
关键词：小学；低年级；口语交际
在人类社会里，人们借助语言，尤其是口头语言，交流思想感情、学习劳动技能、传授生产经验等。人，作为社会的成员，必须具备与其他成员交际的本领。如今时代的进步，社会的发展，也对人们的口语交际能力提出了更新、更高的要求。但是，令我们担忧的是少年儿童们，有的因缺乏口语交际的严格训练与培养，说话能力差，语汇贫乏，条理不清，不能很好地表情达意。有的因受不良习气的影响，语言粗鄙，不堪入耳。因此，培养少年儿童的口语交际能力，是一项有着战略意义的重要任务，而所谓“万丈高楼，平地起”，小学低年级学生的口语交际能力的培养，更是重中之重。根据低年级学生的年龄特点和接受知识的规律，我认为我们可以从以下几方面进行教学尝试，着力培养低年级学生的口语交际能力。
一、注重平等，让学生敢于说
只要留意观察，我们不难发现，在口语课堂中常常会出现这样的现象：平时在课外能说会道、侃侃而谈的学生，一到口语课的时候，说话总会吞吞吐吐，语无伦次或是一反常态，变得沉默寡言；而平时少言寡语的学生更是“金口难开”“甘于寂寞”。探其原因，绝大部分因素都是因为孩子们怕说错，说得不好，受到老师的批评，遭到同学的笑话，所以干脆就少说为妙，不说为佳。因此，我们如果想要在口语课上让学生摒弃害怕心理，克服心理障碍，轻松上阵，畅所欲言地说，我们就要注重平等，努力营造一种民主、和谐的交际氛围。
1.建立民主、平等的师生关系
前苏联教育家苏霍姆林斯基曾说过：“儿童的尊严，是人类心灵最敏感的角落。保护儿童的自尊心，就是保护儿童前进的潜在力量。”所以，在口语课上，我们教师要放下“师道尊严”的架子，不批评多鼓励，避免伤及学生的自尊心，以亲切的语言、温和的态度激励学生，诱发学生交际的情感，点燃学生交际的欲望，激发学生交际的潜能。如在口语课上对于胆小不敢说的学生，我总是给予鼓励的微笑说：“试试看，老师相信你能行的。”“你的声音很好听，能大声说说，让喜欢你的同学听听吗？”对于说错、说得不好的学生，我又给予安慰的微笑说：“没关系，失败乃成功之母，我们相信你下次会说得更好。”而当学生有进步或说得很好时，我又适时给予赞赏的微笑说：“你越来越勇敢了，说得越来越好了。”“你讲得太棒了，我们大家越来越喜欢你了。”就这样在口语课上我用和善的微笑、真诚的语言，拉近了教师与学生之间的距离，最大限度地消除学生的恐惧心理，让学生在身心放松的状态中，能够毫无顾忌地去表达自己的真实想法，抒发自己的真实情感，收到令人满意的教学效果。
2.建立和谐友爱的生生关系
其实，在日常的学习生活中，学生与学生之间的接触与交流总是最频繁。因此，在学生与学生之间营造一种和谐、友爱的交际氛围就显得特别的重要。在口语课上我们教师要让和谐、友爱的阳光普照每个学生的心灵，引导、启发学生认真、虚心倾听同学的说话，做到不嘲笑、不插嘴、不打断别人说话，增强学生与他人交流的勇气，以促使学生能够抛开顾虑，尽情交流。
二、借助图画，让学生易于说
由于低年级的学生口头表达能力还较差，常常会出现意思表达不完整，前后矛盾，重复或是无话可说等现象。这时低年级语文教材中直观形象、生动有趣的图画往往就能发挥其对口语交际提示性、辅助性的作用。如，在教学《这样做不好》时，我就充分地发挥了图画的作用，先引导学生仔细观察图画，让学生根据图画的内容说说每幅图的图意，然后再启发讨论“在草地上踢球”和“浪费自来水”这两件事的做法为什么不对，我们应该怎样来劝说。这样一来，凭借着图画学生不再为无内容可说而发愁。可见，在口语交际教学中，运用图画，可以大大地降低学生进行口语交际的门槛，使学生在图画的启发下，挥洒灵动的翅膀，化难为易，轻松地进行口语交际。
三、创设情境，让学生乐于说
爱因斯坦说：“兴趣是最好的老师。”这绝对是真理。在口语交际的教学中，创设具体的交际情境，可以激发学生交际的兴趣，点燃学生交际的热情，让学生个个乐于说，甚至人人争着说。如，在教学《我喜爱的玩具》时，我是先让学生把课前准备好的自己喜欢的玩具摆在课桌上，进行仔细的观察，然后创设“买玩具”的生活情境，让上台介绍的学生扮演玩具店的老板，再另外请两个学生分别扮演买玩具的家长及小朋友。在创设的情境中，“玩具店的老板”为了能够推销出自己所卖的玩具，真可谓是使出浑身解数，展示了自己一流的口才，耐心详细地向“顾客”介绍自己所卖的玩具。而没有上台的“老板们”看着别人将玩具成功推销出去了，也个个跃跃欲试，课堂气氛十分活跃。所以，由此可见，具体的交际情境是我们口语课堂的催化剂，它可以让我们的学生在口语课上兴趣盎然，乐此不疲，可以使我们的口语课堂充满生趣，不再沉寂。
四、展开想象，让学生尽情说
富于想象是儿童的天性。我们在口语交际训练中，要鼓励学生大胆地展开想象，自由地说，以训练学生的思维能力，发展学生的个性，培养学生的创新意识。在《小兔运南瓜》的口语交际训练中有三幅图，第一幅，小兔站在南瓜地边望着大南瓜想：怎么运走呢？第三幅，南瓜已经运回家了。在这其中小兔究竟怎样运南瓜，这幅图空缺，留给学生去想象。所以，在课上我就鼓励学生乘上想象的翅膀，大胆说出自己想到的办法，并根据学生的回答肯定其思考的角度，以打开学生的思路。在交流中，学生有的说小兔看到路边熊猫骑车经过，上前去请它帮忙运一运；有的说南瓜太大，小兔就去请来自己的好朋友帮着抬回家；有的说小免仔细琢磨后，发现南瓜像车轮似的，就把南瓜侧着立起来，推着滚回家……就这样，在无尽的想象中，学生的话匣子一下子被打开了，说话的内容也更加丰富、更加精彩了。
五、注重实践，让学生学会说
有道是“得法于课内，得益于课外。”对学生口语交际的训练不仅要放在课堂上，还要拓展延伸到学生的日常生活中，我们可以通过布置一些口语交际作业来巩固提高学生的口语交际能力。如，布置学生回家后，帮爸爸妈妈接待客人，或是布置学生和爸爸妈妈一起去购物等。这样，既可以让学生体验生活，积累生活经验，又可以让学生在实践中学会交际，做到学习与实践的有效结合。
总之，对学生口语交际能力的培养不是一朝一夕的事情，它是一项长期而复杂的任务。在实际教学中，我们要不断摸索，总结出一套符合学生学情的教学方法，让我们的学生真正地体验到说话无障碍，交际零距离所带来的快乐之感。
参考文献：
曹海燕.情境教学与小学口语交际研究[D].内蒙古师范大学，2013-05-20.
作者简介：林雅慧（1980.7-），学历：中专，职称：高级。
Barrier Free Communication with Zero Distance
——The Teaching of Oral Communication in Primary School Lower Grade
Lin Yahui
Abstract：Combining the teaching practice， talk about the oral communication teaching in primary school lover grade.
Key words：primary school；lower grade；oral communication
障碍距离 篇4
在野外环境下自主移动机器人的研究中,障碍物检测问题一直是研究热点和难点,其中草丛中的障碍物是十分重要和最难检测的障碍物类型之一。常规的以高度或者梯度来区分是否障碍物的方法已经完全不适用。从可移动性角度来看,野外随处可见的松软草丛或者灌木不应被认为障碍物,否则机器人将寸步难行。但完全无视这种草的存在而自由通行也会有潜在的风险,因为在草丛之中可能混杂了石块等障碍物。
作为机器人环境感知的前沿课题,相关领域有许多学者进行着类似研究。JPL的Matthies和Macedo等人[1]利用一个单线激光雷达光束在草丛中穿越的不同深度所呈现出不同的概率分布,建立统计模型,从而区分出在空间上杂乱分布的草丛,和相对平整的石块等障碍物。该方法所用模型基于草丛疏密较为均匀的场景,在尺度变化较小时能取得不错效果。而当面对复杂环境时,因为对局部区域的几何及纹理信息描述不够,导致区分度不佳。文献[2]的方法采用极大值滤波器充当草丛移除者的角色,根据相邻雷达光束落点在时间与空间上的约束条件滤除遮挡在障碍物前的草丛,适用于草丛较稀疏情况。文献[3]在一定区域内检测激光束穿透率来判决前方物体为坚硬的石块等障碍物或者是松散的草丛,容易增加物体边界。此外,上述方法的共同缺点是未能充分统计局部区域几何特征,检测结果容易存在大量离散误判点,而且适应性不强,抗噪声能力不够,从而降低了在实际中的应用价值。
CMU的Hebert[4]利用激光雷达和机器学习方法进行地形分类,主要用于区分地面、树干和树叶等不同类别。文献[5]利用立体摄像机提供的距离信息直接检测高于一定阈值的障碍物,但并不适合当障碍物被草丛部分遮掩情况。此外还有利用草丛,石块或是路面等两类物体反射光波长的不同[6],采用红外相机或是光谱信息的来检测草丛的算法。遥感领域的研究人员也有用多返回式雷达删除植被来做出地形图,将架在高处的多束雷达返回信号中较早的来自植被,而最晚的作为地表信号[7]。但这显然只适合高空遥感的情形。
本文提出了采用激光雷达和摄像机两种传感器来检测草丛中障碍物的方法来提高障碍物检测的鲁棒性。三维激光雷达获取的距离信息精准可靠。石块等障碍物的表面近似呈分片平滑状,空间上具有一致性,激光束打落的一小区域之内,3-D点云的分布接近平面。相反的,激光束若打在草丛,灌木上,落点空间上分布十分凌乱,表现为四散状,基本不具备一致性。所以,根据3-D点云在局部空间中几何形状的不同,可以将它们划分为两类。为提高不同场景下分类方法的鲁棒性,最大程度避免因为手动优化参数所带来的巨大工作量和自适应性的降低,本文利用已知的激光雷达数据样本进行训练,应用了由期望最大方法获得的高斯混合模型来模拟障碍物与非障碍物形状特征量的概率密度分布,以贝叶斯分类法实现对未知样本的自动分类,其鲁棒的结果为后续的优化奠定了重要基础。色彩图像蕴含丰富信息。本文利用均值偏移(mean-shift)方法分割场景的色彩图像。应用像素级的多传感器融合技术,将激光雷达光束点指示的障碍物区域投影到分割后的图像进行融合。融合后的结果不仅滤除了误判,而且使得障碍物的边界更加准确。
1 算法分析
1.1 三维激光雷达点统计模型
对于分布在三维空间上N个点Xi=[xi,yi,zi]T,可以计算出一个协方差矩阵:
其中。式(1)矩阵存在3个特征值,分别记为λ0,λ1,λ2,依次从大到小排列,λ2≥λ1≥λ0,后续的检测将基于这些统计量。
1.2 滤除地面激光雷达点
为了提高障碍检测效率,可以将地面上的激光雷达数据点预先滤除。因为相比草丛和障碍物,地面有两个很明显的特征:1)高度值一般较小;2)地面点统计的法向量一般接近于竖直。为简单起见,本文暂不考虑草丛障碍物前方的地面是较陡峭的斜坡这种复杂情况。依据这两条规律,可以把地面上的激光雷达点预先滤除,不参与后续的分类。
1.3 检测草丛中障碍物
图1为包含了草丛和石块场景的三维点云示意图,可以看到落在该场景下半部分石块上的激光雷达点分布较为规则,整齐,相反上半部分草丛的激光落点较为凌乱,两者区分度较高。图2为分类示意图,由于落在草丛的激光雷达点较为松散,三个特征值大小较为接近,λ2≈λ1≈λ0。而落在石块等表面分片平滑的障碍物上,3-D点分布接近平面,两个较大的特征值之间较为近似,并远大于最小的特征值,λ2≈λ1>>λ0。可见区分两类点云的关键在于判别两个较小的特征值之间比值的大小。
在3-D点云中提取障碍物是基于对局部区域点分布的统计。为此必须将场景划分为一个个统计窗口,各自计算可以作为分类依据的特征量,来刻画该区域内点云的几何状态,最终确定这个窗口内的雷达点落在障碍物或是草丛上。此外在统计三维点云之前还需要引入一个去除孤立雷达点的预处理。由于受噪声或者不规则的场景边缘等等不确定性因素影响,通常在某些区域内会出现离散点,其四周在统计窗口之内再无雷达光束点,故应将其排除在统计范围之外。统计窗口过小则落入的激光点数太少,无法准确统计特征量;过大则不容易满足障碍物表面分小片光滑的条件,引起漏检。多次试验发现当窗口中有15至35个左右的点,分类结果均较为满意。
记F=λ1/λ0,本文把F作为区分选定区域内点是否为障碍物的特征参数。实际中发现,这个比值随着场景改变而不断变化,若手动调节阈值,不仅负担巨大而且效果未必理想,故决定采用已知场景里特征值F的统计信息训练一个分类器来实现对未知场景的分类。为使分类器更具有适应性,依据障碍物四周草丛的疏密程度不同和障碍物形状的不同,分别采集了多组样本,两类样本数尽量平衡,然后各自计算特征量F,并做上类别标记。对于两类不同样本序列里F的分布函数分别用多个高斯函数之和来近似,然后使用最大期望(EM)算法[8]迭代优化权值,期望和方差等参数,以建立高斯混合模型。
设Gj={(ωkj,µkj,σkj)}k=,12K代表高斯混合模型中的第j类,其中j=1,2,分别指代障碍物和非障碍物,ωk,µk,σk为第k个高斯的权值,均值和方差等参数,且∑kK=1ωk=1。将每一类输入的N个特征值F,记为X代入式(2)。
依据贝叶斯最小误判概率准则,以后验概率作为分类指标,后验概率大的则归为那一类,即类别j由下式得出:
其中P(Cj)由训练样本中Cj样本出现的频数决定。
通过对不同场景分类结果的比对,发现用三个或者四个高斯函数来模拟每类特征值分布能够达到最佳分类效果,出于缩短运算时间的考虑,选择了以三个高斯函数来模拟特征值的分布。
1.4 距离与色彩信息融合
为了进一步融合色彩信息实现障碍物区域的准确判别,必须先对图像进行分割。本文采用了成熟的mean-shift图像分割技术[9]分割场景彩色图像。
经过激光雷达和单目摄像机联合标定,可以将激光雷达坐标系下的3-D点与图像中相应的像素点建立单向映射关系,从而使激光雷达的距离信息和色彩图像信息获得匹配,这是一种精确到像素级的多传感器融合技术。之前基于激光雷达距离信息的检测结果还存在问题,主要有两个方面:1)虚警。一些打在草丛上的激光点被误判为障碍物点;2)障碍物实际轮廓误差较大。
首先把激光雷达判别出的候选障碍物3-D点投影至mean-shift分割后的图像上,在图像上确定障碍物候选区域。这些区域的共同特点是大部分充斥了激光雷达点。相比摄像机而言,激光雷达点在图像中分布稀疏,密度较小,如图6中红色点所示。因此以6×6像素块作为统计面积的单位面积块。如果像素块中包含了红色点,则将此像素块暂时标记为障碍物像素块。若某一已分割区域内指示为障碍物像素块的像素数目未能超过该分割区域总像素点数的60%,则将此区域判为背景区域滤除,反之保留在候选障碍物区域中有待下一步判断。这一步筛选的置信度是很高的,此后剩下的少量误判区域,多数由障碍物四周紧贴的小块草丛引起。这些误判区域的特点是色彩与障碍物有较大区别,因此可以进一步使用色彩信息加以滤除,方法如下:对于所有障碍物候选区域,统计每个像素的[R,G,B]色彩信息,获得总体均值和均方差,并且设定总体均方差为阈值。然后依次求得每个障碍物候选区域的色彩均值,并与总体均值进行比较,若距离大于阈值则判为草丛,小于阈值则判为障碍物。这样可以将几乎所有误判区域排除。最后以mean-shift分割所得的区域边缘作为对应障碍物区域的边界,获得准确的障碍物轮廓。
2 实验结果
图3为3个典型的检测场景,障碍物分别为石块和人造障碍物纸箱,草丛遮挡的疏密程度各不相同。
图4为三维激光雷达所获得距离成像图。其中黑色区域为检测到的障碍物区域。看到各个障碍物60%至90%以上部分被检测出来,可见对于不同场景,本文所采用的方法均有较好的适用性。图5为检测结果的三维点云图,红色点云指示了障碍物候选点,其中落于地面的激光雷达点均已经预先有效滤除,不参与检测。依据联合标定的结果,将代表候选障碍物的激光雷达点在经过mean-shift分割后的图像平面中利用红色点表示,如图6所示。其中青色边界为分割后图像中各个区域的边缘。图中可以看到:激光雷达检测出的草丛障碍物基本上是正确的,但存在少许误报和漏检。根据本文1.4节描述的距离和色彩信息融合后,可以有效地改善接测结果。如图7中的红色区域所示。
结束语
本文提出了一种新的融合激光雷达与摄像机信息的草丛中障碍物检测方法。方法利用最本质的空间点分布信息的不同,引入高斯混合模型对草丛和障碍物进行了建模,并进行了有效判别。同时利用摄像机的彩色分割信息,有效地降低了纯激光雷达判别时出现的误判,并改善了最终障碍物轮廓检测的完整性。
当然目前工作还有待进一步完善:当障碍物和草丛的颜色很接近时,融合检测的效果会有所下降,这可能只能考虑融合更多种类的传感器来加以解决。
摘要：提出了一种融合激光雷达和单目摄像机的草丛中障碍物检测方法。首先由三维激光雷达测得一系列作为训练样本的距离数据,统计障碍物与杂草的形状特征参数,并利用期望最大(Expectation Maximization)算法求得高斯混合模型(Gaussian Mixture Model)来表征该特征值分布情况。利用该高斯混合模型可以从待测场景提取出候选障碍物区域。同时,采用均值偏移算法对场景的彩色图像进行分割,获得场景的区域信息。借助激光雷达和摄像机联合标定的结果,将激光雷达获得的候选障碍物区域投影至分割后的彩色图像,并进行融合获得最终障碍物判别结果。实验表明该方法能有效地检测出草丛中的障碍物,并具有较高的精度和较低的虚警率。
关键词：障碍物检测,高斯混合模型,信息融合,均值偏移
参考文献
[1]Macedo J,Matthies L,Manduchi R.Ladar-based Discrimination of Grass from Obstacles for Autonomous Navigation[J].Lecture Notes in Control and Information Sciences,London,UK:Springer-Verlag,2000,271:111-120.
[2]Castano A,Talukder A,Matthies L.Obstacle Detection and Terrain Classification for Autonomous Off-Road Navigation[J].Autonomous Robots(S0929-5593),2005,18:81-102.
[3]Lacaze A,Murphy K,DelGiorno M.Autonomous mobility for the Demo III experimental unmanned vehicles[C]//Assoc.for Unmanned Vehicle Systems.Int.Conf.on Unmanned Vehicles(AUVSI02),Gaithersburg,MD,USA,Sept14-17,2002:640-643.
[4]Hebert M,Vandapel N.Terrain classification techniques from ladar data for autonomous navigation[C]//Collaborative Technology Alliances Conference,College Park,MD,USA,May,2003:44-51.
[5]Bellutta P.Terrain Perception for Demo III[C]//Proceedings of the IEEE Intelligent Vehicles Symposium2000,Dearbom,MI,2000:326-331.
[6]Bradley D,Thayer S,Stentz A T,et al.Vegetation detection for mobile robot navigation[C]//Robotics Institute,Carnegie Mellon University,Pittsburgh,PA,Tech.Rep,February,2004:CMU-RI-TR-04-12.
[7]Jensen J R.Remote Sensing of the Environment[M].Prentice-Hall,2000:112-114.
[8]Bilmes J.A gentle tutorial on the em algorithm and its application to parameter estimation for gaussian mixture and hidden markov models[R].University of Berkeley,Tech.Rep,1997:ICSI-TR-97-021.