CN106599483A - 基于测量机器人露天矿边坡监测平面数据的处理方法 - Google Patents

Abstract

本发明提供一种基于测量机器人露天矿边坡监测平面数据的处理方法，该方法获取测量机器人采集的露天矿边坡监测基础数据，分别计算监测点方位角和监测点竖直角的残差和中误差；建立粗差甄别模型，根据方位角和竖直角的残差和中误差，对方位角数据和监测点竖直角数据进行粗差剔除；根据监测基点K₁和后视点K₂确定定向方位改正值，根据定向方位改正值对测得的滤波后的监测点方位角数据进行定向方位改正，得到处理后的监测点方位角；根据监测基点K₁和后视点K₂确定平距的固定边长改正系数，根据平距的固定边长改正系数对滤波后的监测点的斜距数据进行固定边长修正，得到处理后的监测点平距。该方法可有效提高基于测量机器人监测基础数据的精度。

Description

基于测量机器人露天矿边坡监测平面数据的处理方法

技术领域

本发明属于边坡工程变形监测技术领域，具体涉及一种基于测量机器人露天矿边坡监测平面数据的处理方法。

背景技术

露天矿经过长时间开采，其开采深度不断加深，边坡长度不断加长，很多矿山已处于深凹开采过程之中。因此，露天矿边坡滑坡事故时有发生，其给露天矿安全生产带来了极大威胁。

基于高精度全站仪的变形监测，由于其造价较低、观测灵活且具有自动化、高精度的技术优势，在变形监测中得到了普遍应用。另外带马达驱动和程序控制的全站仪结合激光、通讯及CCD技术，实现了测量过程的全自动化，被称作测量机器人，可自动搜寻观测目标，在很短的时间内完成对多个目标点的持续和重复观测，其已成为边坡、水库坝体等监测的重要手段。目前基于测量机器人平面监测数据的主要处理方法主要包括：(1)以拉依达准则作为粗差甄别模型对监测基础数据(方位角、竖直角和斜距)进行粗差剔除。(2)利用粗差剔除后的监测基础数据计算各监测基础数据的均值。(3)对粗差剔除后获取的斜距均值进行气象改正。(4)利用粗差剔除后的方位角均值、竖直角均值和气象改正的斜距计算各监测点的平面坐标。以此作为一个周期监测点平面监测成果。

上述方法存在如下问题：(1)拉依达准则是以粗差出现概率为0.3％的假设粗差甄别准则，基于测量机器人的边坡监测由于受到大气折光和放炮等因素的影响，其监测基础数据含有粗差的概率远大于0.3％，因此，以拉依达准则作为粗差甄别准则不尽合理。(2)忽略了定向误差对监测数据准度的影响。(3)忽略了噪声对监测数据的影响。(4)仅以测站点气象数据对测距光径曲线长度进行改正，具有一定的代表性误差。

为解决上述问题，经过多年的深入研究，首先以多周期露天矿边坡监测数据为数据源，全面分析基于测量机器人监测数据的误差来源。同时对不同距离、方位角和竖直角监测基础数据的误差以及它们之间的关系进行详尽分析。以《工程测量规范》中对岩质边坡和土质边坡监测点点位精度要求为目标，确定各监测数据的精度指标，建立方位角及竖直角粗差甄别模型。据此判断监测基础数据粗差出现的情况。再利用不同的滤波方法对含有粗差和不含有粗差监测数据的滤波去噪方法进行了深入研究，总结出不同类型监测数据的最佳滤波方法。同时对定向误差的改正方法及斜距改正方法进行了系统研究。在上述研究基础上提出了基于测量机器人露天矿采场与排土场边坡平面监测数据的处理方法。并利用多周期实际监测数据对该方法进行了验证，验证结果表明，利用上述方法可有效提高基于测量机器人平面监测数据的准度和精度。其对推动我国边坡监测技术发展、防止高大边坡地质灾害发生、保证矿山安全生产，具有重要的理论与实际意义。

发明内容

针对现有技术的不足，本发明提出一种基于测量机器人露天矿边坡监测平面数据的处理方法。

本发明的技术方案是：

一种基于测量机器人露天矿边坡监测平面数据的处理方法，包括以下步骤：

步骤1：获取测量机器人采集的露天矿边坡监测基础数据，包括：监测点方位角数据、监测点竖直角数据和测量基点到监测点的斜距数据；

步骤2：分别计算监测点方位角和监测点竖直角的残差和中误差；

步骤3：根据岩质边坡和土质边坡建立不同的粗差甄别模型，根据监测点方位角和监测点竖直角的残差和中误差，对监测点方位角数据和监测点竖直角数据进行粗差剔除；

步骤4：根据监测基础数据是否含有粗差情况选择滤波方法和小波基函数，对监测基础数据进行滤波处理；

步骤5：根据监测基点K₁和后视点K₂确定定向方位改正值，根据定向方位改正值对测得的滤波后的监测点方位角数据进行定向方位改正，得到处理后的监测点方位角；

步骤6：根据监测基点K₁和后视点K₂确定平距的固定边长改正系数，根据平距的固定边长改正系数对滤波后的监测点的斜距数据进行固定边长修正，得到处理后的监测点平距。

所述计算监测点方位角和监测点竖直角的残差和中误差的公式如下所示：

其中，为监测点A方位角的残差，为监测基点K₁到监测点A的测量方位角，α′_平均值为所有监测基点K₁到监测点的测量方位角的平均值，为监测点A方位角的中误差，n为测回数，为监测点A竖直角的残差，为监测基点K₁到监测点A的测量竖直角，β′_平均值为所有监测基点K₁到监测点的测量竖直角的平均值，为监测点A竖直角的中误差。

所述根据岩质边坡和土质边坡建立不同的粗差甄别模型分别为：

岩质边坡粗差甄别模型：

土质边坡粗差甄别模型：

其中，为监测点A方位角的残差，为监测点A方位角的中误差，为监测点A竖直角的残差，为监测点A竖直角的中误差，2.0≤a≤2.2为系数，2.3≤b≤2.5为系数。

所述根据监测点方位角和监测点竖直角的残差和中误差，对监测点方位角数据和监测点竖直角数据进行粗差剔除具体方法为：

对于岩质边坡监测基础数据：

当监测点方位角的残差和中误差满足时，即为粗差，将该监测点方位角数据删除，否则，保留该监测点方位角数据；

将监测点竖直角的残差和中误差满足时，即为粗差，将该监测点竖直角数据删除，否则，保留该监测点竖直角数据；

对于土质边坡监测基础数据：

将监测点方位角的残差和中误差满足时，即为粗差，将该监测点方位角数据删除，否则，保留该监测点方位角数据；

将监测点竖直角的残差和中误差满足时，即为粗差，将该监测点竖直角数据删除，否则，保留该监测点竖直角数据。

所述根据监测基础数据是否含有粗差情况选择滤波方法和小波基函数，对监测基础数据进行滤波处理的具体方法如下：

若监测基础数据不含粗差，则采用下述方法进行滤波：

对监测点方位角数据采用db3小波函数强制去噪的方法进行滤波去噪处理；

对监测点竖直角数据采用db3小波函数强制去噪或软阈去噪方法进行滤波去噪处理；

对测量基点到监测点的斜距数据，采用db5小波函数强制去噪或软阈去噪方法进行滤波去噪处理；

若监测基础数据中含有粗差，则采用下述方法进行滤波：

对监测点方位角数据采用db4小波函数强制去噪的方法进行滤波去噪处理；

对监测点竖直角数据采用db3小波函数强制去噪的方法进行滤波去噪处理；

对测量基点到监测点的斜距数据采用db3小波函数强制去噪的方法进行滤波去噪处理。

所述根据监测基点K₁和后视点K₂确定定向方位改正值的公式如下所示：

其中，Δα为根据监测基点K₁进行测量的定向方位改正值，为利用监测基点K₁坐标和后视点K₂坐标反算的方位角，为实测监测基点K₁倒后视点K₂的方位角。

所述根据定向方位改正值对测得的滤波后的监测点方位角数据进行定向方位改正，得到处理后的监测点方位角的公式如下所示：

其中，为处理后的监测点A方位角，为滤波后的监测基点K₁到监测点A的测量方位角。

所述根据监测基点K₁和后视点K₂确定平距的固定边长改正系数的公式如下所示：

其中，ΔD为固定边长改正系数，为监测基点K₁到后视点K₂的真实平距距离，为监测基点K₁到后视点K₂通过测量数据计算所得平距距离；

所述根据平距的固定边长改正系数对滤波处理后的监测点的平距数据进行固定边长修正，得到处理后的监测点平距的公式如下所示：

D_A＝D″_A×ΔD；

其中，D_A为处理后的监测点A某边改正后的平距，D″_A为滤波后的监测点A某边未改正后的平距。

本发明的有益效果：

本发明提出一种基于测量机器人露天矿边坡监测平面数据的处理方法，该方法利用露天矿环境下基于测量机器人监测基础数据粗差的甄别模型，可有效判定基于测量机器人监测基础数据的粗差；通过滤波去噪方法可有效提高基于测量机器人监测基础数据的精度；通过定向方位改正及平距固定边长改正可提高基于测量机器人监测基础数据的准度；通过上述的数据处理方法，可使平面数据精度有较大幅度的提高，同时也提高了监测成果的可靠性，为露天矿边坡滑坡实时预警奠定基础。

附图说明

图1为本发明具体实施方式中基于测量机器人露天矿边坡监测平面数据的处理方法的流程图；

图2为本发明具体实施方式中定向方向改正的示意图；

图3为本发明具体实施方式中监测点A改正前的时间位移曲线图；

图4为本发明具体实施方式中监测点A改正后的时间位移曲线图。

具体实施方式

下面结合附图对本发明具体实施方式加以详细的说明。

一种基于测量机器人露天矿边坡监测平面数据的处理方法，如图1所示，包括以下步骤：

步骤1：获取测量机器人采集的露天矿边坡监测基础数据，包括：监测点方位角数据、监测点竖直角数据和测量基点到监测点的斜距数据。

本实施方式中，以某露天铁矿采场边坡监测为例，该边坡为岩质边坡，对某周期A监测点的监测基础数据进行处理，以此来验证本发明的实用性。某周期监测点A的监测基础数据如表1所示：

表1某周期监测点A的监测基础数据

步骤2：分别计算监测点方位角和监测点竖直角的残差和中误差。

本实施方式中，计算监测点方位角和监测点竖直角的残差和中误差的公式如式(1)、(2)(3)和(4)所示：

其中，为监测点A方位角的残差，为监测基点K₁到监测点A的测量方位角，α′_平均值为所有监测基点K₁到监测点的测量方位角的平均值，为监测点A方位角的中误差，n为测回数，为监测点A竖直角的残差，为监测基点K₁到监测点A的测量竖直角，β′_平均值为所有监测基点K₁到监测点的测量竖直角的平均值，为监测点A竖直角的中误差。

本实施方式中，得到的监测点方位角的中误差为得到的监测点竖直角的中误差为

步骤3：根据岩质边坡和土质边坡建立不同的粗差甄别模型，根据监测点方位角和监测点竖直角的残差和中误差，对监测点方位角数据和监测点竖直角数据进行粗差剔除。

基于测量机器人监测平面基础数据的粗差判别方法应以露天矿多周期监测数据为数据源，以《工程测量规范》中对岩质和土质边坡监测点点位精度要求为目标，建立适合露天矿环境的监测数据粗差判别模型，并依据该模型对基于测量机器人监测数据粗差进行甄别。

根据岩质边坡和土质边坡建立不同的粗差甄别模型分别为：

岩质边坡粗差甄别模型如式(5)和(6)所示：

土质边坡粗差甄别模型如式(7)和(8)所示：

本实施方式中，a＝2.04，b＝2.39。

根据监测点方位角和监测点竖直角的残差和中误差，对监测点方位角数据和监测点竖直角数据进行粗差剔除具体方法为：

对于岩质边坡监测基础数据：

将监测点方位角的残差和中误差满足公式(5)时，即为粗差，将该监测点方位角数据删除，否则，保留该监测点方位角数据。

将监测点竖直角的残差和中误差满足公式(6)时，即为粗差，将该监测点竖直角数据删除，否则，保留该监测点竖直角数据。

对于土质边坡监测基础数据：

将监测点方位角的残差和中误差满足公式(7)时，即为粗差，将该监测点方位角数据删除，否则，保留该监测点方位角数据。

将监测点竖直角的残差和中误差满足公式(8)时，即为粗差，将该监测点竖直角数据删除，否则，保留该监测点竖直角数据。

本实施方式中，某露天铁矿采场边坡为岩质边坡，采用公式(5)和公式(6)对其进行粗差剔除，含有粗差的方位角监测值分别为：第12测回、33测回和41测回的方位角观测值，但第5测回、29测回和38测回方位角观测值残差也逼近粗差限差。

含有粗差的竖直角测值分别为：第24测回、35测回和41测回的竖直角观测值。

步骤4：根据监测基础数据是否含有粗差情况选择滤波方法和小波基函数，对监测基础数据进行滤波处理。

基于测量机器人监测基础数据总是含有大量的噪声。小波滤波是有效的去噪方法，但由于噪声分布特征不同，去噪方法也不同，其主要体现在小波基的选择和去噪方法。尤其对含有多个粗差的监测基础数据的滤波去噪方法。

对基于测量机器人含有普通噪声(不含粗差数据)基础数据的滤波去噪方法。主要以多周期监测数据为数据源，首先对其进行粗差判别处理，然后利用不同小波基和滤波方法对其进行滤波处理，以滤波后的图像以及滤波后数据的精度为衡量滤波效果的指标，以此判断滤波效果，从而确定不同基础数据的最佳滤波方法。经过对大量测量数据的实际处理，对于基于测量机器人的监测数据，因此，对监测基础数据进行滤波处理的具体方法如下：

若监测基础数据不含粗差，则采用下述方法进行滤波：

对监测点方位角数据采用db3小波函数强制去噪的方法进行滤波去噪处理。

对监测点竖直角数据采用db3小波函数强制去噪或软阈去噪方法进行滤波去噪处理。

对测量基点到监测点的斜距数据，采用db5小波函数强制去噪或软阈去噪方法进行滤波去噪处理。

对基于测量机器人含有多个高频噪声(粗差数据较多)基础数据的去噪方法。主要以多周期监测数据为数据源，首先对其进行粗差判别，然后利用不同的小波基对其进行滤波处理，根据滤波后的图像以及滤波后数据的精度为衡量滤波效果的指标，以此判断滤波效果，从而确定含有多个高频噪声的不同基础数据的最佳滤波方法，因此，若监测基础数据中含有粗差，则采用下述方法进行滤波：

对监测点方位角数据采用db4小波函数强制去噪的方法进行滤波去噪处理。

对监测点竖直角数据采用db3小波函数强制去噪的方法进行滤波去噪处理。

对测量基点到监测点的斜距数据采用db3小波函数强制去噪的方法进行滤波去噪处理。

本实施方式中，监测基础数据中监测点方位角数据和监测点竖直角数据均含有粗差，故对监测基础数据进行如下滤波方式进行滤波：

对监测点方位角数据采用db4小波函数强制去噪的方法进行滤波去噪处理。

对监测点竖直角数据采用db3小波函数强制去噪的方法进行滤波去噪处理。

对测量基点到监测点的斜距数据采用db3小波函数强制去噪的方法进行滤波去噪处理。

三项监测基础数据滤波前的精度如式(9)、(10)和(11)所示：

其中，为监测点A斜距的中误差，为监测点A斜距的残差。

三项监测基础数据滤波后的精度如式(12)、(13)和(14)所示：

其中，为滤波后的监测点A方位角的残差，为滤波后的监测点A方位角的中误差，为滤波后的监测点A竖直角的残差，为滤波后的监测基点K₁到监测点A的测量竖直角，为滤波后的监测点A竖直角的中误差，为滤波后的监测点A斜距的中误差，为滤波后的监测点A斜距的残差。

本实施方式中，滤波后方位角中误差仅是原始测量数据中误差的1/4，精度提高了近3倍。滤波后竖直角中误差仅是原始测量数据中误差的1/2.5，精度提高了近1.5倍。滤波后距离中误差仅是原始测量数据中误差的3/4，精度提高了0.2倍。

步骤5：根据监测基点K₁和后视点K₂确定定向方位改正值，根据定向方位改正值对测得的滤波后的监测点方位角数据进行定向方位改正，得到处理后的监测点方位角。

本实施方式中，为确保定向方向改正的正确性，在监测点点组划分时应将一个监测控制点分别划分到不同点组中，监测时应将该监测控制点连同监测点一并进行双面测量，以获取监测基点K₁和后视点K₂在该点组中的测量方位角。如图2所示，监测基点K₁的坐标为 后视点K₂的坐标为A为监测点，为利用监测基点K₁坐标和后视点K₂坐标反算的方位角，为实测监测基点K₁倒后视点K₂的方位角，根据监测基点K₁和后视点K，确定定向方位改正值的公式如式(15)所示：

其中，Δα为根据监测基点K₁进行测量的定向方位改正值，由于一个监测点组中的监测点数量不会过大，监测时间较短，因此，该值可作为各方向的方向改正值。

利用监测基点K₁坐标和后视点K₂坐标反算的方位角实测监测基点K₁倒后视点K₂的方位角得到的定向方位改正值Δα＝-0.00128(度)＝4.6(秒)，该定向方位改正值对该点位移影响值ΔL如式(16)所示：

ΔL＝4.6/206265×780000＝17.4(毫米) (16)

由于边坡监测精度一般要求较高(毫米级)，如此大的偏差将会对边坡失稳预测产生巨大影响，甚至导致误判结果发生。

根据定向方位改正值对测得的滤波后的监测点方位角数据进行定向方位改正，得到处理后的监测点方位角的公式如式(17)所示：

其中，为处理后的监测点A方位角，为滤波后的监测基点K₁到监测点A的测量方位角。

根据多个周期的露天矿监测基础数据统计，定向偏差一般在2″到7″之间，若取定向偏差为4″，如表2所示，其对坐标的影响值随监测基点至监测点的距离增大而增大，1000米时，影响值近20毫米。因此，可以说定向方向改正是提高基于测量机器人监测基础数据中方位角准度的有效方法。

表2随距离变化定向方位改正值对监测点位移的影响

步骤6：根据监测基点K₁和后视点K₂确定斜距的固定边长改正系数，根据斜距的固定边长改正系数对滤波后的监测点的斜距数据进行固定边长修正，得到处理后的监测点平距。

由于用于监测的监测基点K₁和后视点K₂往往是利用GPS静态测量方法建立的，其坐标精度很高(亚毫米级)，大气折光对监测基点至后视控制点的距离没有影响，因此，可以把该边长作为真实边长由于变形监测主要考虑位移量的精准度，后视点K₂和其它监测点基本处于同一环境，因此，监测基点至后视点的距离改正系数可作为其它监测点至监测基点的距离改正系数。

根据监测基点K₁和后视点K₂确定斜距的固定边长改正系数的公式如式(18)所示：

其中，ΔD为固定边长改正系数，为监测基点K₁到后视点K₂的真实平距距离，为监测基点K₁到后视点K₂通过测量数据计算所得平距距离。

根据平距的固定边长改正系数对滤波处理后的监测点的平距数据进行固定边长修正，得到处理后的监测点平距的公式如式(19)所示：

D_A＝D″_A×ΔD (19)

其中，D_A为处理后的监测点A某边改正后的平距，D″_A为滤波后的监测点A某边未改正后的平距。

本实施方式中，由于监测点A和后视点K₂外界环境条件与其它监测点外界环境条件相近，故采用固定边长改正方法对边长进行改正：

得到

从上述计算结果可以看出，边长改正值近8毫米，由于竖直角较小，该改正值即为监测点位移改正值，由于边坡监测精度一般要求较高(毫米级)，若不对边长进行改正，监测点位移数据的准度将会大大降低，其对边坡失稳预测将会产生巨大影响，甚至导致误判结果发生。

本实施方式中，对监测点A改正前坐标如式(20)和式(21)所示：

对监测点A改正后坐标如式(22)和式(23)所示：

其中，X′_A为改正前监测点A的X坐标，为改正前监测基点K₁的X坐标，s′为改正前斜距测量值，为改正前监测点A的竖直角测量值，为改正前监测点A的方位角测量值，Y′_A为为改正前监测点A的Y坐标，为改正前监测基点K₁的Y坐标，X_A为改正后监测点A的X坐标，为改正后监测基点K₁的X坐标，s为改正后斜距测量值，为改正后监测点A的竖直角测量值，为改正后监测点A的方位角测量值，Y_A为为改正后监测点A的Y坐标，为改正后监测基点K₁的Y坐标。

改正前后监测点A的坐标差及坐标精度如表3所示：

表3改正前后监测点A的坐标差及坐标精度

从表3可以看出改正前后的X坐标差达到7.45毫米，Y坐标差达到11.94毫米。改正后X坐标精度被提高了14倍，Y坐标精度被提高了7倍。

如表4和表5，分别为监测点A改正前后各周期的监测数据。

表4监测点A未进行改正各周期的监测数据

表5监测点A改正后各周期的监测数据

如图3和图4分别为监测点A改正前后的时间位移曲线图。从图3可以看出，2015年6月14日(第3周期)的位移量较前一周期位移量减小，类似情况也发生在2015年7月28日(第6周期)。由于边坡的自然条件，边坡监测点位移量应随监测周期延续而逐渐增加。不可能出现反复的现象。这说明未经过改正的监测数据精准度较差。而从图4可以看出，监测点位移量随监测周期延续而逐渐增加。两者对比表明，本专利所论述的基于测量机器人边坡监测基础数据的处理方法是科学有效的。

Claims (7)

1.一种基于测量机器人露天矿边坡监测平面数据的处理方法，其特征在于，包括以下步骤：

步骤1：获取测量机器人采集的露天矿边坡监测基础数据，包括：监测点方位角数据、监测点竖直角数据和测量基点到监测点的斜距数据；

步骤2：分别计算监测点方位角和监测点竖直角的残差和中误差；

步骤3：根据岩质边坡和土质边坡建立不同的粗差甄别模型，根据监测点方位角和监测点竖直角的残差和中误差，对监测点方位角数据和监测点竖直角数据进行粗差剔除；

步骤4：根据监测基础数据是否含有粗差情况选择滤波方法和小波基函数，对监测基础数据进行滤波处理；

步骤5：根据监测基点K₁和后视点K₂确定定向方位改正值，根据定向方位改正值对测得的滤波后的监测点方位角数据进行定向方位改正，得到处理后的监测点方位角；

步骤6：根据监测基点K₁和后视点K₂确定平距的固定边长改正系数，根据平距的固定边长改正系数对滤波后的监测点的斜距数据进行固定边长修正，得到处理后的监测点平距。

2.根据权利要求1所述的基于测量机器人露天矿边坡监测平面数据的处理方法，其特征在于，所述计算监测点方位角和监测点竖直角的残差和中误差的公式如下所示：

$m_{{\mathrm{\α}}_{K1-A}}^{\′}=\±\sqrt{\[v_{{\mathrm{\α}}_{K_1-A}}^{\′}{v}_{{\mathrm{\α}}_{K_1-A}}^{\′}\]/n-1};$

$m_{{\mathrm{\β}}_{K1-A}}^{\′}=\±\sqrt{\[v_{{\mathrm{\β}}_{K_1-A}}^{\′}{v}_{{\mathrm{\β}}_{K_1-A}}^{\′}\]/n-1};$

其中，为监测点A方位角的残差，为监测基点K₁到监测点A的测量方位角，α′_平均值为所有监测基点K₁到监测点的测量方位角的平均值，为监测点A方位角的中误差，n为测回数，为监测点A竖直角的残差，为监测基点K₁到监测点A的测量竖直角，β′_平均值为所有监测基点K₁到监测点的测量竖直角的平均值，为监测点A竖直角的中误差。

3.根据权利要求1所述的基于测量机器人露天矿边坡监测平面数据的处理方法，其特征在于，所述根据岩质边坡和土质边坡建立不同的粗差甄别模型分别为：

岩质边坡粗差甄别模型：

${v^{\′}}_{{\mathrm{\α}}_{K_1-A}}\≥{{\mathrm{am}}^{\′}}_{{\mathrm{\α}}_{K_1-A}};$

${v^{\′}}_{{\mathrm{\β}}_{K_1-A}}\≥{{\mathrm{am}}^{\′}}_{{\mathrm{\β}}_{K_1-A}};$

土质边坡粗差甄别模型：

${v^{\′}}_{{\mathrm{\α}}_{K_1-A}}\≥{{\mathrm{bm}}^{\′}}_{{\mathrm{\α}}_{K_1-A}};$

${v^{\′}}_{{\mathrm{\β}}_{K_1-A}}\≥{{\mathrm{bm}}^{\′}}_{{\mathrm{\β}}_{K_1-A}};$

其中，为监测点A方位角的残差，为监测点A方位角的中误差，为监测点A竖直角的残差，为监测点A竖直角的中误差，2.0≤a≤2.2为系数，2.3≤b≤2.5为系数。

4.根据权利要求1或3所述的基于测量机器人露天矿边坡监测平面数据的处理方法，其特征在于，所述根据监测点方位角和监测点竖直角的残差和中误差，对监测点方位角数据和监测点竖直角数据进行粗差剔除具体方法为：

对于岩质边坡监测基础数据：

当监测点方位角的残差和中误差满足时，即为粗差，将该监测点方位角数据删除，否则，保留该监测点方位角数据；

将监测点竖直角的残差和中误差满足时，即为粗差，将该监测点竖直角数据删除，否则，保留该监测点竖直角数据；

对于土质边坡监测基础数据：

将监测点方位角的残差和中误差满足时，即为粗差，将该监测点方位角数据删除，否则，保留该监测点方位角数据；

将监测点竖直角的残差和中误差满足时，即为粗差，将该监测点竖直角数据删除，否则，保留该监测点竖直角数据。

5.根据权利要求1所述的基于测量机器人露天矿边坡监测平面数据的处理方法，其特征在于，所述根据监测基础数据是否含有粗差情况选择滤波方法和小波基函数，对监测基础数据进行滤波处理的具体方法如下：

若监测基础数据不含粗差，则采用下述方法进行滤波：

对监测点方位角数据采用db3小波函数强制去噪的方法进行滤波去噪处理；

对监测点竖直角数据采用db3小波函数强制去噪或软阈去噪方法进行滤波去噪处理；

对测量基点到监测点的斜距数据，采用db5小波函数强制去噪或软阈去噪方法进行滤波去噪处理；

若监测基础数据中含有粗差，则采用下述方法进行滤波：

对监测点方位角数据采用db4小波函数强制去噪的方法进行滤波去噪处理；

对监测点竖直角数据采用db3小波函数强制去噪的方法进行滤波去噪处理；

对测量基点到监测点的斜距数据采用db3小波函数强制去噪的方法进行滤波去噪处理。

6.根据权利要求1所述的基于测量机器人露天矿边坡监测平面数据的处理方法，其特征在于，所述根据监测基点K₁和后视点K₂确定定向方位改正值的公式如下所示：

$\mathrm{\Δ}\mathrm{\α}={\mathrm{\α}}_{K_1-K_2}-{{\mathrm{\α}}^{\′}}_{K_1-K_2};$

其中，Δα为根据监测基点K₁进行测量的定向方位改正值，为利用监测基点K₁坐标和后视点K₂坐标反算的方位角，为实测监测基点K₁倒后视点K₂的方位角。

所述根据定向方位改正值对测得的滤波后的监测点方位角数据进行定向方位改正，得到处理后的监测点方位角的公式如下所示：

${\mathrm{\α}}_{K_1-A}={{\mathrm{\α}}^{\′\′}}_{K_1-A}+\mathrm{\Δ}\mathrm{\α};$

其中，为处理后的监测点A方位角，为滤波后的监测基点K₁到监测点A的测量方位角。

7.根据权利要求1所述的基于测量机器人露天矿边坡监测平面数据的处理方法，其特征在于，所述根据监测基点K₁和后视点K₂确定平距的固定边长改正系数的公式如下所示：

$\mathrm{\Δ}D=D_{K_1-K_2}/{D^{\′}}_{K_1-K_2};$

其中，ΔD为固定边长改正系数，为监测基点K₁到后视点K₂的真实平距距离，为监测基点K₁到后视点K₂通过测量数据计算所得平距距离；

所述根据平距的固定边长改正系数对滤波处理后的监测点的平距数据进行固定边长修正，得到处理后的监测点平距的公式如下所示：

D_A＝D″_A×ΔD；

其中，D_A为处理后的监测点A某边改正后的平距，D″_A为滤波后的监测点A某边未改正后的平距。