CN105203551A - 车载激光雷达隧道检测系统、基于隧道检测系统的自主定位方法及隧道灾害检测方法 - Google Patents

Abstract

一种车载激光雷达隧道检测系统、基于隧道检测系统的自主定位方法及隧道灾害检测方法，检测系统包括：车辆平台，提供车辆运行环境和能源供给；定位模块，包括自主定位模块和卫星定位模块；卫星定位模块在能够接收到卫星定位信号时对车辆平台进行定位，自主定位模块用于车辆在隧道内无法进行卫星定位的位置进行定位；激光雷达检测模块，利用激光对隧道表面进行检测；信息融合与检测模块，用于对自主定位模块/卫星定位模块的位置信息以及激光雷达检测模块的测量信息进行分析、处理与融合。自主定位方法为适用于上述检测系统的定位方法。隧道灾害检测方法为基于隧道检测系统的检测方法。本发明具有检测效率高、可进行实时监测等优点。

Description

车载激光雷达隧道检测系统、基于隧道检测系统的自主定位方法及隧道灾害检测方法

技术领域

本发明主要涉及到隧道监测与维护技术领域，特指一种基于自主定位的车载激光雷达隧道检测系统及自主定位方法。

背景技术

随着我国高速公路负荷量的激增和隧道运营时间的延长，如何快速的对既有隧道进行有效监测，从而保证高速公路运营安全，愈发成为广大高速公路管理者和技术人员关注的焦点。

隧道从建成到破坏，通常经历变形、裂损和垮塌三个阶段。变形是破坏必经的第一步，变形量积累至一定程度将导致裂损，裂损随着变形量增加而加重，最终导致垮塌。通过对变形的监控，可以及时发现隐患，判断裂损是否为变形导致，查明变形与裂损的发展关联及形成原因，在垮塌到来之前，对病害进行及时有效维护整治。

衬砌裂缝是最常见的隧道病害，是衬砌结构破坏或失稳坍塌的重要原因。目前，对隧道裂缝的检测主要采用裂缝观测仪，通过人工判读和记录检测信数据。该方法不仅效率低、费用高，而且主观因素较多，直接影响到隧道结构安全的客观评估。

现有技术中，对隧道内壁表面检测过程大多采用人工检测方法，通过人工选择和标定检测点，确定隧道内部检测点的位置信息；然后部署检测仪器，沿着隧道纵深对其内部表面情况进行定点检测。该检测方法虽能精确得到隧道内部的结构以及灾害信息，但是需要耗费大量的人力物力，隧道环境也可能对检测人员的人身安全造成严重影响。同时，定点检测的方法大多需要在无其他车辆干扰下进行，需要封闭隧道来确保检测的顺利进行，因此对正常的隧道通行秩序造成了一定影响。另一种隧道检测方法是利用车辆搭载检测传感器(如可见光传感器、超声波雷达探测器等)，通过分析传感器采集的数据来判定隧道内部灾害区域和受灾情况，需要通过卫星定位系统提供定位信息才能准确地定位灾害区域。然而在较长的隧道环境中，卫星定位信号一般较弱或者完全没有，因此，依靠卫星定位来确定隧道内灾害位置的方法在实际隧道测量中难以解决实际检测问题。此外，目前基于可见光和雷达图像的隧道检测方法来发现识别表面裂缝、断裂或形变物理变化较为常见，但此方法较难根据图像发现隧道内壁渗水、浸水、水渍灾害情况。

发明内容

本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种检测效率高、可在非封闭状态下进行实时监测的车载激光雷达隧道检测系统、基于隧道检测系统的自主定位方法及隧道灾害检测方法。

为解决上述技术问题，本发明采用以下技术方案：

一种基于自主定位的车载激光雷达隧道检测系统，包括：

车辆平台，用于为检测系统的运行提供必要的车辆运行环境和能源供给；

定位模块，包括自主定位模块和卫星定位模块；所述卫星定位模块用于在能够接收到卫星定位信号时对车辆平台进行定位，所述自主定位模块则用于车辆在隧道内无法进行卫星定位的位置进行定位；

激光雷达检测模块，利用激光对隧道表面进行检测，记录激光束反射的光点相对位置和强度信息；

信息融合与检测模块，用于对自主定位模块/卫星定位模块的位置信息以及激光雷达检测模块的测量信息进行分析、处理与融合。

作为本发明的进一步改进：所述车辆平台上安装有车辆传感器模块和车载计算处理与数据存储平台，所述车辆传感器模块作为车辆自身的传感器；所述车载计算处理与数据存储平台，用于为检测过程的数据采集存储、数据分析与信息融合计算、检测分析与评估过程提供计算和存储资源。

作为本发明的进一步改进：所述自主定位模块包括激光雷达模块和定位信息处理模块；所述激光雷达模块包括惯性测量装置和三维磁阻式电子罗盘；所述惯性测量装置为捷联式惯导，具有一个加速度传感器和一个角速度传感器，加速度计用来测量车辆顶端相对地垂线的三个方向加速度分量信息，角速度传感器用来测量车辆的三个角速度信息；所述定位信息处理模块用于对惯性测量装置、三维磁阻式电子罗盘以及里程计信息进行非线性融合估计，根据车辆运动的三自由度的姿态角度、加速度、速度与角速度信息，融合估计车辆在三个方向上的位置状态信息，以确定当前车辆在相对坐标系中的具体位置信息。

作为本发明的进一步改进：所述三个方向加速度分量信息分别为水平两个方向与竖直方向，所述三个角速度信息分别为车辆上下起伏俯仰角、倾斜角度与侧滑角度。

作为本发明的进一步改进：所述信息融合与检测模块依据两类信息中的时间关系，将同一时刻信息进行组合，获取某一时刻测量得到的车辆位置以及激光雷达测量的光点位置和反射强度，生成点云信息；之后，通过时间轴的推移，还原隧道表面激光雷达测量点的位置和反射强度实现所检测隧道内部场景重构，根据点云密度检测表面裂缝及形变情况，并依据点云反射强度信息检测表面渗水和水渍情况。

本发明进一步提供了一种基于上述检测系统的自主定位方法，其特征在于，步骤为：

S1:相对坐标系建立；

以最后一次卫星定位信息或自主定位起始位置作为基准点，包括经度、维度和高度坐标，建立水平两个方向和竖直方向的三维相对坐标系，即相对于地理坐标系中的经度、维度和高度，将所有传感器的数据信息在统一的坐标系中进行运算；

S2:建立状态估计过程方程；

根据牛顿运动学方程，假定车辆在隧道中沿着曲线方向进行匀加速运动，车辆在隧道内运动为上坡、下坡以及平路运行，且运动过程车轮不发生形变，不和地面产生打滑现象。在t时刻，车辆运动过程方程可描述为：

$\left\{\begin{array}{c}{P}_t=\left[\begin{array}{c}{P}_{x_t}\\ P_{y_t}\\ P_{z_t}\end{array}\right]=\left[\begin{array}{c}{P}_{x_{t-1}}\\ P_{y_{t-1}}\\ P_{z_{t-1}}\end{array}\right]+(D_t-D_{t-1})\left[\begin{array}{c}{\mathrm{cos\θ}}_{x_t}\\ {\mathrm{cos\θ}}_{y_t}\\ {\mathrm{cos\θ}}_{z_t}\end{array}\right]\\ D_t=D_{t-1}+v_{t-1}T+\frac{1}{2}{a}_{t-1}{T}^2\\ v_t=v_{t-1}+a_{t-1}T\\ a_t=a_{t-1}\\ {\mathrm{\θ}}_t=\left[\begin{array}{c}{\mathrm{\θ}}_{x_t}\\ {\mathrm{\θ}}_{y_t}\\ {\mathrm{\θ}}_{z_t}\end{array}\right]=\left[\begin{array}{c}{\mathrm{\θ}}_{x_{t-1}}\\ {\mathrm{\θ}}_{y_{t-1}}\\ {\mathrm{\θ}}_{z_{t-1}}\end{array}\right]+\left[\begin{array}{c}{w}_{x_{t-1}}\\ w_{y_{t-1}}\\ w_{z_{t-1}}\end{array}\right]T\\ w_t=w_{t-1}\end{array}\right.---\left(1\right)$

在式(1)中，假定车辆在速度方向上做匀加速运动，而在转向方向上做匀速旋转，由此可得，在三维相对坐标系中，车辆位置当前位置P_t与车辆运动状态中的速度、加速度、偏转角度以及角速度呈非线性关系，其中，D_t为行车里程，v_t为行车速度，a_t为加速度，θ_t为转向偏转角度，w_t为角速度，T为系统观测周期。车辆位置P_t为估计状态，其他参数当前时刻信息可通过传感器测量获取，如，车载传感器可测量D_t、v_t和θ_t参数信息，IMU可测量a_t和w_t参数信息；

S3:扩展卡尔曼滤波状态估计；

S4：定位信息融合；将扩展卡尔曼滤波算法估计的车辆位置状态估计结果，与GPS最后一次精确定位和车载行车里程计实时数据进行信息融合，确定车辆位置信息；

S5：坐标系转换；将车辆在相对坐标系中的位置转换为地理坐标信息，实现车辆的定位。

本发明进一步提供一种基于上述检测系统的隧道内壁灾害检测方法，其步骤为：

S100：基于自主定位的激光雷达点云信息生成；

在无GPS等卫星定位信号时候条件下，通过自主定位模块以及最后一次GPS精确的定位信息，对点云原始记录数据进行测量点位置的推算和确定，生成LAS格式标准点云数据文件；

S200：隧道内部场景重构；

在获取LAS标准格式数据基础上，通过测量点的位置信息以及点云数据信息，对点云的位置进行部署，重构点云在三维空间中的位置；在完成点云部署之后，通过点云密度的不同，采用不同的表面拟合方法对点云在连续三维空间中进行插值拟合，生成隧道内部表面的场景情况；

S300：隧道表面突变区域检测与灾害识别；

通过对隧道内壁表面复原的场景进行分析，结合场景重构过程中对点云密度和分布有明显变化的区域位置、范围记录信息，检测并识别出表面的灾害信息。

作为本发明的进一步改进：所述步骤S200中，在对点云分布情况进行分析时，针对点云密度变化较大以及点云形成凹凸面的区域，要提高拟合的精度，确保还原出隧道内壁表面的裂缝和不平整特性。

作为本发明的进一步改进：所述步骤S100中，采用LIDAR机载激光雷达进行隧道内表面检测，测量记录产生的LAS数据标准格式，它包括两个部分：LAS头文件和LAS点记录元数据块。

作为本发明的进一步改进：所述步骤S200中，在点云三维位置部署过程中，利用隧道表面的变化趋势较为稳定的特性来整合点云的位置部署。

与现有技术相比，本发明的优点在于：

1、本发明基于自主定位的车载激光雷达隧道检测系统，能够在检测车辆保持一定速度且不影响正常交通的情况下，通过车载传感器、激光雷达以及自主定位与数据处理模块，实现对隧道内壁表面的裂缝、断面、形变以及浸水、渗水灾害的快速检测识别、准确定位、自主预测/评估受损范围与受损程度。

2、本发明基于自主定位的车载激光雷达隧道检测系统及自主定位方法，在没有卫星定位信号条件下，采用自定位方法，融合点云原始信息，生成标准点云数据格式文件，并利用点云数据中位置信息和回波强度信息分别重构隧道内壁表面和介质分布情况，通过表面检测与介质分析，对隧道内壁表面的裂缝、断裂、渗水、形变灾害进行检测、识别、定位以及灾害评估，实现了车载检测平台对隧道内部的快速检测，弥补了当前隧道检测的不足。

3、本发明基于隧道检测系统的隧道灾害检测方法，利用回波强度信息分别重构隧道内壁表面和介质分布情况，通过表面检测与介质分析，对隧道内壁表面的裂缝、断裂、渗水灾害进行检测、识别、定位以及灾害评估，实现了车载检测平台对隧道内部的快速检测，弥补了当前隧道检测的不足。

附图说明

图1是本发明基于自主定位的车载激光雷达隧道检测系统的拓扑结构示意图。

图2是在具体应用实例中基于多源定位信息融合的激光雷达数据处理流程示意图。

图3是在具体应用实例中于无卫星定位信息情况下的激光雷达数据处理流程示意图。

图4是在具体应用实例中自主定位模块的拓扑结构示意图。

图5是本发明检测系统中自主定位方法的流程示意图。

图6是本发明在进行自主定位时建立的坐标示意图。

图7是本发明在具体应用实例中基于点云场景重构的隧道检测流程示意图。

图8是本发明在具体应用实例中基于点云重构的隧道场景切面示意图。

图9是本发明在具体应用实例中基于点回波强度与分类信息的扫面切面隧道表面介质分布示意图。

具体实施方式

以下将结合说明书附图和具体实施例对本发明做进一步详细说明。

如图1所示，本发明的基于自主定位的车载激光雷达隧道检测系统，包括：

车辆平台，用于为检测系统的运行提供必要的车辆运行环境和能源供给。

定位模块，包括自主定位模块和卫星定位模块；卫星定位模块用于在能够接收到卫星定位信号时对车辆平台进行定位，自主定位模块则用于车辆在隧道内无法进行卫星定位的位置进行定位。由于在较长的隧道中(如：大于2km)卫星定位信号较弱、甚至无法接收到，就需要依靠检测系统自身传感器实现自主定位。

激光雷达检测模块，利用激光对隧道表面进行检测，记录激光束反射的光点相对位置和强度信息。

信息融合与检测模块，用于对自主定位模块/卫星定位模块的位置信息以及激光雷达检测模块的测量信息进行分析、处理与融合。依据两类信息中的时间关系，将同一时刻信息进行组合，获取某一时刻测量得到的车辆位置以及激光雷达测量的光点位置和反射强度，生成点云信息；之后，通过时间轴的推移，还原隧道表面激光雷达测量点的位置和反射强度实现所检测隧道内部场景重构，根据点云密度检测表面裂缝，并依据点云反射强度信息检测表面渗水和水渍情况。

在具体应用时，车辆平台上安装有车辆传感器模块和车载计算处理与数据存储平台，车辆传感器模块作为车辆自身的传感器，如可以包括转向传感器、速度计、水平仪。车载计算处理与数据存储平台，用于为检测过程的数据采集存储、数据分析与信息融合计算、检测分析与评估过程提供计算和存储资源。

在具体应用实例中，由于一般激光雷达检测模块的工作频率较高，其工作周期可为百毫秒级别甚至十毫秒级别，因此本发明采用工作频率较高的自主定位模块和卫星定位模块，以匹配激光雷达测量过程，实现高精度测量，为检测隧道表面细微灾害奠定基础。

如图4所示，在具体应用实例中自主定位模块包括激光雷达模块和定位信息处理模块。其中，激光雷达模块包括惯性测量装置(IMU)和三维磁阻式电子罗盘。惯性测量装置属于捷联式惯导，该装置具有一个加速度传感器和一个角速度传感器，加速度计用来测量车辆顶端相对地垂线的三个方向加速度分量信息(三个方向为水平两个方向与竖直方向)，角速度传感器用来测量车辆的三个角速度信息(车辆上下起伏俯仰角、倾斜角度与侧滑角度)。车辆平台上的车载传感器主要是车辆行车计算机上配置的传感器，用来进行实时运行数据采集，一般包括方向盘转向计(车辆行驶偏向角度)、行车速度计和行车里程计。定位信息处理模块作为自主定位的核心计算模块，采用扩展卡尔曼滤波算法对惯性测量装置、三维磁阻式电子罗盘以及里程计信息进行非线性融合估计，根据车辆运动的三自由度的姿态角度、加速度、速度与角速度信息，融合估计车辆在三个方向上的位置状态信息。然后，通过以最后一次卫星准确定位信息为基准，参考车载里程计传感器信息，以及三自由度方向的运动位置估计状态，确定当前车辆在相对坐标系中的具体位置信息。最后，通过坐标系转换，将车辆相对位置转换为大地物理坐标系中经度、维度、高度信息，同时，将当前时刻数据一并记录与存储，以此作为激光雷达测量生成点云数据的基础位置数据信息。

本发明的信息融合与检测模块，采用自主定位模块的定位信息与点云数据记录信息进行融合重构隧道内壁表面场景，主要对隧道内壁的裂缝、断面以及变形灾害进行识别、定位和灾害区域评估；并同时可以利用基于点云回波强度信息，检测隧道内壁的表面介质变化，主要对内壁的渗水以及水渍情况进行检测，对受灾区域进行定位和范围大小评估。

本发明进一步提供一种基于上述检测系统的自主定位方法，由于车辆在隧道中运动方向与姿态、速度与加速度以及空间位置具有三维/三个方向特性，其过程描述方程是非线性过程，因此本发明采用扩展卡尔曼滤波方法对车辆在相对坐标系中的位置状态进行融合估计，如图5所示，其具体过程如下：

S1:相对坐标系建立；

以最后一次卫星定位信息或自主定位起始位置作为基准点(经度、维度和高度坐标)，建立水平两个方向和竖直方向的三维相对坐标系(相对于地理坐标系中的经度、维度和高度)，将所有传感器的数据信息在统一的坐标系中进行运算，以简化位置数据推算过程，参见图6。

S2:建立状态估计过程方程；

根据牛顿运动学方程，假定车辆在隧道中沿着曲线方向进行匀加速运动，车辆在隧道内运动为上坡、下坡以及平路运行，且运动过程车轮不发生形变，不和地面产生打滑现象。在t时刻，车辆运动过程方程可描述为：

$\left\{\begin{array}{c}{P}_t=\left[\begin{array}{c}{P}_{x_t}\\ P_{y_t}\\ P_{z_t}\end{array}\right]=\left[\begin{array}{c}{P}_{x_{t-1}}\\ P_{y_{t-1}}\\ P_{z_{t-1}}\end{array}\right]+(D_t-D_{t-1})\left[\begin{array}{c}{\mathrm{cos\θ}}_{x_t}\\ {\mathrm{cos\θ}}_{y_t}\\ {\mathrm{cos\θ}}_{z_t}\end{array}\right]\\ D_t=D_{t-1}+v_{t-1}T+\frac{1}{2}{a}_{t-1}{T}^2\\ v_t=v_{t-1}+a_{t-1}T\\ a_t=a_{t-1}\\ {\mathrm{\θ}}_t=\left[\begin{array}{c}{\mathrm{\θ}}_{x_t}\\ {\mathrm{\θ}}_{y_t}\\ {\mathrm{\θ}}_{z_t}\end{array}\right]=\left[\begin{array}{c}{\mathrm{\θ}}_{x_{t-1}}\\ {\mathrm{\θ}}_{y_{t-1}}\\ {\mathrm{\θ}}_{z_{t-1}}\end{array}\right]+\left[\begin{array}{c}{w}_{x_{t-1}}\\ w_{y_{t-1}}\\ w_{z_{t-1}}\end{array}\right]T\\ w_t=w_{t-1}\end{array}\right.---\left(1\right)$

在式(1)中，假定车辆在速度方向上做匀加速运动，而在转向方向上做匀速旋转，由此可得，在三维相对坐标系中，车辆位置当前位置P_t与车辆运动状态中的速度、加速度、偏转角度以及角速度呈非线性关系，其中，D_t为行车里程，v_t为行车速度，a_t为加速度，θ_t为转向偏转角度，w_t为角速度，T为系统观测周期。车辆位置P_t为估计状态，其他参数当前时刻信息可通过传感器测量获取，如，车载传感器可测量D_t、v_t和θ_t参数信息，IMU可测量a_t和w_t参数信息。

S3:扩展卡尔曼滤波状态估计；

在式(1)中(即车辆运动系统的状态方程和测量方程)，状态方程式(2)为非线性方程，而且，状态方程接近线性，测量方程(式3)均为线性方程，因此，本发明采用应用广泛的扩展卡尔曼滤波算法对车辆位置状态进行估计，既确保估计结果有效逼近真实值，又降低了计算复杂度。

$P_t=\left[\begin{array}{c}{P}_{x_t}\\ P_{y_t}\\ P_{z_t}\end{array}\right]=\left[\begin{array}{c}{P}_{x_{t-1}}\\ P_{y_{t-1}}\\ P_{z_{t-1}}\end{array}\right]+(v_{t-1}T+\frac{1}{2}{a}_{t-1}{T}^2)\left[\begin{array}{c}{\mathrm{cos\θ}}_{x_t}\\ {\mathrm{cos\θ}}_{y_t}\\ {\mathrm{cos\θ}}_{z_t}\end{array}\right]---\left(2\right)$

$\{\begin{array}{c}{v}_t=v_{t-1}+a_{t-1}T\\ a_t=a_{t-1}\\ {\mathrm{\θ}}_t=\left[\begin{array}{c}{\mathrm{\θ}}_{x_t}\\ {\mathrm{\θ}}_{y_t}\\ {\mathrm{\θ}}_{z_t}\end{array}\right]=\left[\begin{array}{c}{\mathrm{\θ}}_{x_{t-1}}\\ {\mathrm{\θ}}_{y_{t-1}}\\ {\mathrm{\θ}}_{z_{t-1}}\end{array}\right]+\left[\begin{array}{c}{w}_{x_{t-1}}\\ w_{y_{t-1}}\\ w_{z_{t-1}}\end{array}\right]T\\ w_t=w_{t-1}\end{array}---\left(3\right)$

同时，对成熟的车辆传感器和IMU设备，其位置估计所需的状态和测量噪声均有大量研究，建立了可信的噪声统计特征模型，确保了在状态和测量噪声的协方差矩阵保持不变的扩展卡尔曼滤波地推过程中，误差累计较小且滤波过程不易发散。

S4：定位信息融合；

将扩展卡尔曼滤波算法估计的车辆位置状态估计结果，与GPS最后一次精确定位(自主定位的基准)和车载行车里程计实时数据进行信息融合(例如，卡尔曼滤波等)，确定车辆位置信息。

S5：坐标系转换；

在每次迭代计算获得车辆当前位置状态信息之后，利用相对坐标系到地球物理坐标系的转换矩阵，将车辆在相对坐标系中的位置转换为地理坐标信息，实现车辆的定位。本发明采用大地坐标与空间相对坐标之间相互转换的雅克比矩阵的数值导数的计算方法，实现两坐标系之间的转换，其转换矩阵的描述如下：

任一点在空间大地直角坐标系(X,Y,Z)及相应的大地坐标系(B,L,H)之间的坐标转换关系及微分关系为公式4。

$\begin{array}{c}\left[\begin{array}{c}X\\ Y\\ Z\end{array}\right]=\left[\begin{array}{c}(N+H)\cos B\cos L\\ (N+H)\cos B\sin L\\ \left(N\right(1-e^2)+H)\sin B\end{array}\right]\⇒\\ \left[\begin{array}{c}dX\\ dY\\ dZ\end{array}\right]=\left[\begin{array}{ccc}-(M+H)\sin B\cos L& -(N+H)\cos B\sin L& \cos B\cos L\\ -(M+H)\sin B\sin L& (N+H)\cos B\cos L& \cos B\sin L\\ (M+H)\cos B& 0& \sin B\end{array}\right]\left[\begin{array}{c}dB\\ dL\\ dH\end{array}\right]\end{array}---\left(4\right)$

式(4)中，M为纬度为B的子午线曲率半径，N为经度L的赤道线的曲率半径。式(4)中微分方程右端的系数矩阵在此可称为坐标映射的雅克比(Jacobi)矩阵。

采用本发明的方法，便于计算的相对坐标系与地理坐标之间的转换。通过相对坐标系中位置信息与实际地理坐标信息转换，最终获得自主定位模块的输出数据信息，即当前的车辆地理位置经度、纬度与高度。

S6：位置数据生成与存储

在通过计算和坐标转换获取到车辆当前时刻地理位置信息(经度、维度和高度)之后，将该数据信息与当前时间信息(时、分、秒)一并保存封装为定位信息输出数据包，作为激光雷达点云数据融合处理的基础位置数据。

由上可知，本发明所采用的基于车载激光雷达与自主定位技术，在GPS等卫星定位信号较好时，采用卫星定位信息作为车辆位置信息；而在卫星定位信号受影响时，采用自主定位模块，融合点云原始信息，生成标准点云数据格式文件，并利用点云数据中位置信息，实现车辆的自主定位。

此外，本发明还进一步提供一种基于激光雷达探测点云信息和回波强度信息的隧道内壁灾害检测方法，即采用自主定位模块的定位信息与点云数据记录信息进行融合重构隧道内壁表面场景。在确定数据丢失率较低的情况下，利用数据数字分析方法，对点云分布情况进行分析：在激光雷达扫描的每一圈扫描切面上所有数据点的最大值、最小值、平均值和方差的统计特征，用于对隧道界面形状的大致估计。数字特征的坐标原点，是以安装在移动平台上的激光雷达扫描仪中心离地高度，和以行驶道1/2为中心位置，并与当前自主定位所得在相对坐标系中的坐标融合来确定的。数字特征可应用到对同步数据的分析，移动平台运动速度不均匀，就会有相邻切面间隔值的数字特征表现。检测车辆平台移动速度的控制主要取决于应用精度要求和数据采集和计算成本之间的多因素的综合。在隧道内部表面灾害检测过程中，检测车辆的速度以及车载系统的工作频率直接影响了检测的效果。例如，若要在隧道直径约为14m隧道中，检测出隧道内壁表面1-2cm级别的裂缝，利用工作频率为50HZ的激光雷达进行检测，可估算得到检测车辆的运动速度不得高于50km/h。因此，本专利方法进行检测时需要首先确定检测精度，根据检测精度来确定系统各个模块的型号及工作频率和精度特性，然后估算出检测车辆的运行最大限速，为车辆驾驶人员操作提供规范依据。

本发明的隧道内壁灾害检测方法，为基于激光雷达探测点云信息和回波强度信息的隧道内壁灾害检测方法，如图7所示，具体过程如为：

(1)基于自主定位的激光雷达点云信息生成；

如图2、3所示，在无GPS等卫星定位信号时候条件下，通过自主定位模块以及最后一次GPS精确的定位信息，对点云原始记录数据进行测量点位置的推算和确定，生成LAS格式标准点云数据文件。在本实施例中，采用LIDAR机载激光雷达实现隧道内表面检测，其测量记录产生的LAS数据标准格式，主要包括两个部分：LAS头文件和LAS点记录元数据块。将每个激光测量的返回结果信息与测量时位置信息按照数据格式进行数据整合与存储，其中，从自主定位模块获得的车载激光雷达扫描仪的定位信息将替代卫星定位定位信息，可存储与车载计算机存储介质中(如高速固态盘、大容量磁盘阵列)。

(2)隧道内部场景重构；

在表面拟合过程中，针对点云密度变化较大以及点云形成凹凸面的区域，需要进行提高拟合的精度，确保还原出隧道内壁表面的裂缝和不平整特性。即：

在获取LAS标准格式数据基础上，通过测量点的位置信息以及点云数据信息，对点云的位置进行部署，重构点云在三维空间中的位置。在点云三维位置部署过程中，利用隧道表面的变化趋势较为稳定的特性(例如，小面积表面无突然凸起或下沉、表面产生波浪纹路形变突发情况以及由于地基或支付层下沉而引起的形变情况)，整合点云的位置部署，减小由于车辆平台、检测装置在运动中的抖动以及检测设备的测量产生的误差。在完成点云部署之后，通过对点云密度的不同，采用不同的表面拟合方法对点云在连续三维空间中进行插值拟合，生成隧道内部表面的场景情况，如图8、9所示，对隧道扫描切面进行重构。

(3)隧道表面突变区域检测与灾害识别；

通过对隧道内壁表面复原的场景进行分析，结合场景重构过程中对点云密度和分布有明显变化的区域位置、范围记录信息，检测并识别出表面的裂缝、断裂、变形灾害及受灾位置和范围，如图8所示。由于不同物质是不同的介质组成，而不同介质表面的反射系数也不同，决定了激光回波能量的多少。最后，利用激光回波能量决定了回波强度信息大小的原理，将点云转换为灰度图像，就会表现为不同灰度值。这样，根据灰度值的不同，将不同的物质区分开来，对隧道表面的不同介质进行识别，实现隧道表面的水渍、浸水和渗水灾害的检测，如图9所示。

综上所述，本发明所提供的基于隧道检测系统的自主定位方法及隧道内壁灾害检测方法实现了车载检测平台对隧道内部的快速检测，弥补了当前隧道检测的不足。

以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (10)

1.一种车载激光雷达隧道检测系统，其特征在于，包括：

车辆平台，用于为检测系统的运行提供必要的车辆运行环境和能源供给；

定位模块，包括自主定位模块和卫星定位模块；所述卫星定位模块用于在能够接收到卫星定位信号时对车辆平台进行定位，所述自主定位模块则用于车辆在隧道内无法进行卫星定位的位置进行定位；

激光雷达检测模块，利用激光对隧道表面进行检测，记录激光束反射的光点相对位置和强度信息；

信息融合与检测模块，用于对自主定位模块/卫星定位模块的位置信息以及激光雷达检测模块的测量信息进行分析、处理与融合。

2.根据权利要求1所述的车载激光雷达隧道检测系统，其特征在于，所述车辆平台上安装有车辆传感器模块和车载计算处理与数据存储平台，所述车辆传感器模块作为车辆自身的传感器；所述车载计算处理与数据存储平台，用于为检测过程的数据采集存储、数据分析与信息融合计算、检测分析与评估过程提供计算和存储资源。

3.根据权利要求1所述的车载激光雷达隧道检测系统，其特征在于，所述自主定位模块包括激光雷达模块和定位信息处理模块；所述激光雷达模块包括惯性测量装置和三维磁阻式电子罗盘；所述惯性测量装置为捷联式惯导，具有一个加速度传感器和一个角速度传感器，加速度计用来测量车辆顶端相对地垂线的三个方向加速度分量信息，角速度传感器用来测量车辆的三个角速度信息；所述定位信息处理模块用于对惯性测量装置、三维磁阻式电子罗盘以及里程计信息进行非线性融合估计，根据车辆运动的三自由度的姿态角度、加速度、速度与角速度信息，融合估计车辆在三个方向上的位置状态信息，以确定当前车辆在相对坐标系中的具体位置信息。

4.根据权利要求3所述的车载激光雷达隧道检测系统，其特征在于，所述三个方向加速度分量信息分别为水平两个方向与竖直方向，所述三个角速度信息分别为车辆上下起伏俯仰角、倾斜角度与侧滑角度。

5.根据权利要求1～4中任意一项所述的车载激光雷达隧道检测系统，其特征在于，所述信息融合与检测模块依据两类信息中的时间关系，将同一时刻信息进行组合，获取某一时刻测量得到的车辆位置以及激光雷达测量的光点位置和反射强度，生成点云信息；之后，通过时间轴的推移，还原隧道表面激光雷达测量点的位置和反射强度实现所检测隧道内部场景重构，根据点云密度检测表面裂缝及形变灾害，并依据点云反射强度信息检测表面渗水和水渍情况。

6.一种基于上述权利要求1～5中任意一项检测系统的自主定位方法，其特征在于，步骤为：

S1:相对坐标系建立；

以最后一次卫星定位信息或自主定位起始位置作为基准点，包括经度、维度和高度坐标，建立水平两个方向和竖直方向的三维相对坐标系，即相对于地理坐标系中的经度、维度和高度，将所有传感器的数据信息在统一的坐标系中进行运算；

S2:建立状态估计过程方程；

根据牛顿运动学方程，假定车辆在隧道中沿着曲线方向进行匀加速运动，车辆在隧道内运动为上坡、下坡以及平路运行，且运动过程车轮不发生形变，不和地面产生打滑现象；在t时刻，车辆运动过程方程可描述为：

$\left\{\begin{array}{c}{P}_t=\left[\begin{array}{c}{P}_{x_t}\\ P_{y_t}\\ P_{z_t}\end{array}\right]=\left[\begin{array}{c}{P}_{x_{t-1}}\\ P_{y_{t-1}}\\ P_{z_{t-1}}\end{array}\right]+(D_t-D_{t-1})\left[\begin{array}{c}{\mathrm{cos\θ}}_{x_t}\\ {\mathrm{cos\θ}}_{y_t}\\ {\mathrm{cos\θ}}_{z_t}\end{array}\right]\\ D_t=D_{t-1}+v_{t-1}T+\frac{1}{2}{a}_{t-1}{T}^2\\ v_t=v_{t-1}+a_{t-1}T\\ a_t=a_{t-1}\\ {\mathrm{\θ}}_t=\left[\begin{array}{c}{\mathrm{\θ}}_{x_t}\\ {\mathrm{\θ}}_{y_t}\\ {\mathrm{\θ}}_{z_t}\end{array}\right]=\left[\begin{array}{c}{\mathrm{\θ}}_{x_{t-1}}\\ {\mathrm{\θ}}_{y_{t-1}}\\ {\mathrm{\θ}}_{z_{t-1}}\end{array}\right]+\left[\begin{array}{c}{w}_{x_{t-1}}\\ w_{y_{t-1}}\\ w_{z_{t-1}}\end{array}\right]T\\ w_t=w_{t-1}\end{array}\right.---\left(1\right)$

在式(1)中，假定车辆在速度方向上做匀加速运动，而在转向方向上做匀速旋转，由此可得，在三维相对坐标系中，车辆位置当前位置P_t与车辆运动状态中的速度、加速度、偏转角度以及角速度呈非线性关系，其中，D_t为行车里程，v_t为行车速度，a_t为加速度，θ_t为转向偏转角度，w_t为角速度，T为系统观测周期；车辆位置P_t为估计状态，其他参数当前时刻信息可通过传感器测量获取，如，车载传感器可测量D_t、v_t和θ_t参数信息，IMU可测量a_t和w_t参数信息；

S3:扩展卡尔曼滤波状态估计；

S4：定位信息融合；将扩展卡尔曼滤波算法估计的车辆位置状态估计结果，与GPS最后一次精确定位和车载行车里程计实时数据进行信息融合，确定车辆位置信息；

S5：坐标系转换；将车辆在相对坐标系中的位置转换为地理坐标信息，实现车辆的定位。

7.一种基于上述权利要求1～5中任意一项检测系统的隧道灾害检测方法，其特征在于，步骤为：

S100：基于自主定位的激光雷达点云信息生成；

在无GPS等卫星定位信号时候条件下，通过自主定位模块以及最后一次GPS精确的定位信息，对点云原始记录数据进行测量点位置的推算和确定，生成LAS格式标准点云数据文件；

S200：隧道内部场景重构；

在获取LAS标准格式数据基础上，通过测量点的位置信息以及点云数据信息，对点云的位置进行部署，重构点云在三维空间中的位置；在完成点云部署之后，通过点云密度的不同，采用不同的表面拟合方法对点云在连续三维空间中进行插值拟合，生成隧道内部表面的场景情况；

S300：隧道表面突变区域检测与灾害识别；

通过对隧道内壁表面复原的场景进行分析，结合场景重构过程中对点云密度和分布有明显变化的区域位置、范围记录信息，检测并识别出表面的灾害信息。

8.根据权利要求7所述的隧道灾害检测方法，其特征在于，所述步骤S200中，在对点云分布情况进行分析时，针对点云密度变化较大以及点云形成凹凸面的区域，提高拟合的精度，确保还原出隧道内壁表面的裂缝和不平整特性。

9.根据权利要求7所述的隧道灾害检测方法，其特征在于，所述步骤S100中，采用LIDAR机载激光雷达进行隧道内表面检测，测量记录产生的LAS数据标准格式，它包括两个部分：LAS头文件和LAS点记录元数据块。

10.根据权利要求7所述的隧道灾害检测方法，其特征在于，所述步骤S200中，在点云三维位置部署过程中，利用隧道表面的变化趋势较为稳定的特性来整合点云的位置部署。