CN107709926A - 自动化的移动岩土测绘 - Google Patents

自动化的移动岩土测绘 Download PDF

Info

Publication number
CN107709926A
CN107709926A CN201680033791.5A CN201680033791A CN107709926A CN 107709926 A CN107709926 A CN 107709926A CN 201680033791 A CN201680033791 A CN 201680033791A CN 107709926 A CN107709926 A CN 107709926A
Authority
CN
China
Prior art keywords
orientation
axle
msp
sensor
estimation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201680033791.5A
Other languages
English (en)
Other versions
CN107709926B (zh
Inventor
M·加兰特
J·马歇尔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Queens University at Kingston
Original Assignee
Queens University at Kingston
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Queens University at Kingston filed Critical Queens University at Kingston
Publication of CN107709926A publication Critical patent/CN107709926A/zh
Application granted granted Critical
Publication of CN107709926B publication Critical patent/CN107709926B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C15/00—Surveying instruments or accessories not provided for in groups G01C1/00 - G01C13/00
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C17/00—Compasses; Devices for ascertaining true or magnetic north for navigation or surveying purposes
    • G01C17/02—Magnetic compasses
    • G01C17/04—Magnetic compasses with north-seeking magnetic elements, e.g. needles
    • G01C17/10—Comparing observed direction with north indication
    • G01C17/16—Comparing observed direction with north indication by clinometers, e.g. for determining dip or strike of geological strata
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
    • G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
    • G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
    • G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
    • G01C21/1652—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments with ranging devices, e.g. LIDAR or RADAR
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
    • G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
    • G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
    • G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
    • G01C21/1656—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments with passive imaging devices, e.g. cameras
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
    • G01V3/40—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation specially adapted for measuring magnetic field characteristics of the earth
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V7/00—Measuring gravitational fields or waves; Gravimetric prospecting or detecting
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V7/00—Measuring gravitational fields or waves; Gravimetric prospecting or detecting
    • G01V7/02—Details
    • G01V7/06—Analysis or interpretation of gravimetric records

Abstract

提供了用于生成物理环境的表示的设备和方法，其包括：移动传感器平台(MSP)，所述MSP包括输出传感器信号的传感器，所述传感器信号与诸如距离、重力、地球磁场方向和角速度等的参数相关。所述MSP适用于在所述环境中移动。对所述传感器信号进行处理，并且在时间步长序列中对环境中的轴进行观测，针对每个时间步长估计MSP的方位，在每个方位上识别观察到的轴，并且关联相似的轴。所述的方位、环境中的轴以及重力和地球磁场的方向被链接，使每个观测值基于所述方位的估计被预测。所述方位的估计被优化，并且基于所述优化的方位估计生成物理环境的表示的输出。所述输出可以是轴向图、视觉表示和/或数据集。在一个实施方案中，输出装置可以产生包括stereonet立体图的输出。

Description

自动化的移动岩土测绘
发明领域
本发明一般涉及在物理环境中测量平面的方位。更具体地说，本发明涉及用于远程，移动，自动测量物理环境中的平面的方位的设备和方法。本发明特别适用于采矿、土木和地质应用。
发明背景
测量岩体性质的安全，高效，准确的方法在许多工程和地质应用中至关重要。这些应用包括确保民用和岩土工程项目(如建设高速公路、建筑物和桥梁)的稳定基础，建设安全高效的矿山(如隧道开挖，岩壁维护)，以及地质勘察(如测绘从而更好地了解地质特征的性质和演变)。由于构造活动，加热和冷却事件或应力的突然变化而引起的弱面(即不连续面)的存在，岩体具有高度的各向异性特性。这些特性非常重要，因为它们在很大程度上决定了岩体的力学行为，如应力和位移。举例来说，沿着不连续处的剪切强度可能会降低，并且不连续处的抗拉强度几乎为零。此外，不连续性的分布严重影响渗透率，影响流体如何流过岩体。
在岩面中，不连续性通常可以看作是平面表面，其方位可以用轴参数化。相同的不连续性可以表现为具有相似方位的一组轴(即，节理组)。一般来说，在岩面可以看到有限数量的节理组，每个节理组在方位和间距上都是统计分布的。节理组具有许多可以从中推断工程或地质信息的可测量性质。这些包括其方位、间隔(即，在相同节理组中的平面之间的垂直距离)、粗糙度和持久性(即，在预定体积的岩体中节理组的程度)。表征岩体特别重要，也许最常见的测量特征，是它的节理组的方位，因为这表明了最可能的破坏面。一个不连续面的常用的地质参数化是其走向和倾角。这两个量是平面的走向线的方位角(走向)，以及相对于法线是重力矢量(倾角)的平面的角度(参见图1)。尽管有经验的野外地质学家或岩土工程师有时可以通过研究岩面来定性评估岩体的可能的力学行为，但对于工程项目或安全考虑，定量评估是必要的。
测量节理组的方位通常可能是一个复杂的、耗时的、费力的，并且往往是危险的努力。测量岩面不连续面的走向和倾角的最广泛使用的方法是用指南针(测量走向)和倾角计(测量倾角)手动测量各个平面。试图自动化这个过程涉及用固定的3D光检测和测距(LiDAR)装置扫描岩面并处理所得到的点云以评估不连续面的走向和倾角。然而，这种方法尚未被广泛采用，可能由于诸如复杂性、时间要求和高成本等缺点。
发明内容
根据本发明的一个方面，提供了一种用于生成物理环境的表示的设备，其包括：包括传感器的移动传感器平台(MSP)，所述传感器输出传感器信号，其中所述传感器感知和/或测量距离、重力、地球磁场的方向和角速度，并且所述的MSP适用于在环境中移动；处理器，其：(i)接收所述的传感器信号并且针对时间步长序列在所述环境中产生轴的观测值；(ii)估计所述时间步长序列的每个时间的MSP的方位，在每个方位识别观察到的轴，并且关联相似的轴；(iii)将所述方位、环境中的轴线以及重力方向和地球磁场方向链接起来，以便基于方位的估计来预测每个观测值，并且优化所述方位的估计；以及输出装置，其基于所述优化的方位估计来输出物理环境的表示。所述的设备可以包括输出装置，其用于产生包括轴向图、视觉表示和数据集中的一个或多个的输出。在一个实施方案中，所述的输出设备可以产生包括stereonet立体图的输出。
所述的MSP可以包括手持设备、机器人车辆、无人驾驶飞行器或非机器人车辆。所述的传感器可以包括距离传感器(即，可以以三维测量距离的装置，诸如闪光灯LiDAR、扫描仪或相机；其也可以被称为3D距离传感器)，三轴加速计，三轴陀螺仪和三轴磁力计。
所述的物理环境可以包括岩面或人造结构。
根据另一方面，提供了与计算机一起使用的可编程介质，所述可编程介质包括存储在与所述计算机兼容的非临时性存储介质上的计算机程序，所述计算机程序包含用于引导所述计算机执行以下操作中的一个或多个的指令：从与MSP相关联的至少一个传感器接收至少一个传感器信号；处理所述一个或多个传感器信号并且针对时间步长序列在环境中生成轴的观测值；对于间步长序列的每个时间估计MSP的方位，在每个方位上识别观察到的轴，并且关联相似的轴；将所述的方位，环境中的轴、重力方向以及地球磁场的方向链接起来，以便根据所述方位的估计来预测每个观测值，并优化所述方位的估计；以及输出优化的方位估计的表示。在一个实施方案中，所述的输出包括轴向图。
另一方面涉及与计算机一起使用的可编程介质，所述的可编程介质包括存储在与所述计算机兼容的非临时性存储介质上的计算机程序，所述计算机程序包含引导所述计算机执行以下操作中的一个或多个的指示：接收与在时间步长序列的环境中的轴的观测值以及对于时间步长序列的每一个时间的MSP的方位的估计相对应的数据；在每个方位识别观察到的轴，并关联相似的轴；将所述的方位、环境中的轴、重力方向以及地球磁场的方向链接起来，以便根据所述方位的估计来预测每个观测值，并且优化所述方位的估计；以及输出优化的方位估计的表示。在一个实施方案中，输出包括轴向图。
另一个方面涉及一种用于生成物理环境的轴向图的方法，其包括：使用包括传感器的移动传感器平台(MSP)，所述传感器输出传感器信号，其中所述传感器感测和/或测量距离、重力、地球磁场的方向和角速度，以及所述的MSP适用于在所述环境中移动；使用处理器用于：(i)接收所述传感器信号并且在所述环境中对时间步长序列产生轴的观测值；(ii)对所述时间步长序列的每个时间估计所述MSP的方位，在每个方位识别观察到的轴，并且关联相似的轴；(iii)将所述的方位、环境中的轴线、重力方向以及地球磁场的方向链接起来，以便根据所述方位的估计来预测每个观测值，并优化所述方位的估计；以及输出所述优化的方位估计的表示。
在一个实施方案中，所述方法包括产生包括轴向图、视觉表示和数据集中的一个或多个的输出。在一个实施方案中，所述方法包括产生stereonet立体图。
在一个实施方案中，所述方法包括移动所述MSP通过所述环境，使要映射的轴被距离传感器的视场捕获，其中所述物理环境包括岩石面。
附图的简要说明
为了更好地理解本发明，并且为了更清楚地显示如何实施本发明，将参考附图以举例的方式描述实施方案，其中：
图1是示出岩体中的平面的走向和倾角的图示，其中所述走向是从所述平面的走向线(以虚线示出)测量的方位(指南针)角，并且所述倾角是相对于水平面的角度；
图2A是示出两种类型stereonet立体图的示意图：极坐标投影(左)和等面积(Wulff)投影(右)，根据一个实施例，其中具有方位030/40的平面被绘制为正方形，并且在极坐标和等面积投影上为虚线，以及具有方位160/60的平面被绘制为三角形和点划线；
图2B是根据一个实施例示出在聚类(clustering)(右)之后聚类(左)之前在极坐标上绘制的三个不同节理组的图，其中在聚类之前被去除的异常值用星号表示；
图3是根据一个实施方案示出的传统的基于地标的状态估计(顶部)和轴向映射(底部)之间的差异的2D图示；
图4是根据一个实施方案的旋转矢量θ的图示；
图5A是示出根据轴向映射实施方案的全局参数化的示意图；
图5B是根据一个实施方案示出的在图5A中的单位轴的轴向量参数化的图示；
图6A是根据一个实施方案示出的轴向量参数化的图示；
图6B是根据一个实施方案示出的单位轴参数化的示意图；
图7是根据一个实施方案的如何在轴向映射中执行轴提取的可视化；
图8示出根据轴向映射实施方案的表示单个观察的负对数似然性的等式；
图9是示出根据一个实施方案的具有轴向映射和stereonet立体图生成的MSP的主要部件和功能的高级框图；
图10是示出通过观察连续方位，方向(重力和地球磁场)和轴(在环境中的平面)之间的旋转估计的方位序列的示意图；
图11是示出根据一个实施方案的具有轴向映射和stereonet立体图生成的MSP的部件和功能的框图；
图12是根据一个实施方案的原型MSP的工程图；
图13A是用于评估图12的实施方案的岩石面的照片；
图13B是由图12的实施方案产生的对应于图13A的岩石面的stereonet立体图；
图14A是用于评估图12的实施方案的另一个岩石面的照片；以及
图14B是由图12的实施方案产生的对应于图14A的岩石面的stereonet立体图。
具体实施方式
在此描述的是用于获得对应于物理环境中的平面表面的轴(即，平面的方位)的数据的设备和方法。所述的数据可以被称为轴向图。所述的数据可以以图形表示提供，例如在stereonet立体图中。通常所述的环境包括暴露的岩石。然而，这里描述的实施方案不限于此，并且可以应用于需要这种数据的任何环境。
出于本公开的目的，实施方案将被描述为应用于测量岩体中的节理组的方位。这种实施方案解决了当前手工和遥感方法的弱点。此外，这些实施方案提供节理组的移动测量，以有效且概率性地提供对岩体特征化的不干涉方法(hands-off approach)。一个实施方案将岩面中的不连续面的方位视为地图中的特征，并且使用配备有3D LiDAR的MSP来识别岩体中的节理组。
如本文所使用的，术语“岩体”是指嵌入地球中的岩石体积。
如本文所使用的，术语“岩面”是指岩体的暴露部分。
如本文所使用的，术语“轴向图”是指在所述物理环境中限定平面的方位的轴的表示。
如图1所示，不连续面的方位由平面的走向线的方位角(走向)和相对于法向为重力向量(倾角)的平面的角度表征。尽管有时候走向通过基本方位(例如N30°E)来描述，但是本公开使用方位角，其是从真北(true North)起顺时针测量的三位标量，省略了度符号(例如N30°E＝030)。倾角取自水平面的最小角度；因此它总是在0°和90°之间，也没有度数符号表示。因此，不连续面的方位完全通过“走向/倾角”来描述(例如，034/77,325/19)。
一种用于可视化走向和倾角测量的常用方法是stereonet立体图(即，绘制地质特征的方位或方向的立体投影)。使用stereonet时可能有几种不同的投影。例如，图2A中示出了两种类型的stereonet立体图：极坐标投影(左)和等角(Wulff)投影(右)。这两种投影均表示以北纬(000)，东经(090)，南纬(180)和西经(270)为圆心的走向。极坐标投影是极坐标的图形，其中半径是倾角，角度是走向；因此，一个平面被表示为一个点(或极点)。具有方位为030/40的平面分别在极坐标和等面积投影上绘制为正方形和虚线。同样，具有方位为160/60的平面被绘制成一个三角形和点划线。在Wulff投影中，网格中的扇形之间的角度被保留。一个平面是通过描绘倾角的大圈并旋转使其原点在走向角开始。
不连续平面往往发生在少数的节理组。当绘制在stereonet立体图上时，这些平面之间的相关性变得明显，例如，因为平面属于相同的节理组，其倾向于形成聚类。随后使用聚类算法(例如，k-均值，具有噪声的应用程序的基于密度的空间聚类(DBSCAN))来确定各个平面的节理组成员。从这些聚类中，提取平均走向和倾角以表示所述节理组的方位。参考图2B中，其示出了在聚类之前(左)和聚类之后(右)在极坐标上绘制的三个不同的节理组。这一步骤也可能包括使用手动或统计方法拒绝异常值(以星号表示)。属于相同节理组的平面(或轴)在极坐标stereonet立体图中以点的聚类的形式出现。从这些聚类中，可以计算每个聚类的平均走向和倾角(在每个聚类中显示为十字)。注意每个平面的不确定性通常不被计算；因此，每个平面在平均计算中的权重是相等的。
走向和倾角测量传统上是用指南针和倾角计或类似的工具(如Brunton指南针)手动进行的。手工测量提供了一种快速、便携和廉价的方法来测量单个平面的走向和倾角，但是当需要一个强大的数据集进行定量分析时，包括
·程序错误(例如对工具的不当使用或理解)或抽样错误(例如磁干扰)；
·欠采样(即，没有进行足够的测量或测量的适当分布以确保stereonet立体图正确地代表岩面)；
·偏见(例如，只选择更容易测量的平面，偏好一个节理组而不是另一个)；
·确保充分覆盖岩面可能是费力且耗时的；
·测量难以到达的地区是困难的(例如脚手架或攀岩设备对测量高岩面的要求)；
·安全问题(例如，不稳定的岩面，正在进行采石、掘进或采矿等工程项目的地区)。
尽管存在这些缺点，但手工测量走向和倾角是广泛使用的，并且是迄今为止最常用的用于定量分析的stereonet立体图的方法。
利用遥感方法测量节理组的方位是一个相对较新的、目前活跃的研究领域。这种方法通过处理3D点云来提取岩面中的不连续面。点云可以通过摄影测量(从多个相机视图中提取3D信息)或通过3D LiDAR获得。尽管摄影测量可以提供关于目标的附加信息(例如，颜色)，但是3D LiDAR通常提供更精确的点云(即，在来自多个传感器的组合信息时不引入额外的误差)。一般来说，大部分的方法都遵循下面总结的类似的步骤顺序。相对于手工测量，遥感有很多优点。可以用更少的努力来测量更多数量的平面，包括许多可能无法用手工进行的平面。由于所测量的平面不是手动选择的，所以偏差减小(当然，除非在平面分割期间完成)。由于操作员不需要直接与岩面相互作用，所以通常更安全。但是，使用遥感技术还存在一些缺点，包括：
·高分辨率3D LiDAR的高成本；
·传感器的尺寸和重量远远超过传统手工工具的尺寸和重量；
·由于测量和扫描所需的时间和精力，捕获正确的节理定位分析所需的数据仍然是费力和费时的；
·由于平面的方位相对于传感器的方位而导致的数据中的遮挡(在最坏的情况下，整个节理组可能会错过)；
·远程捕获大面积数据的优势在地下矿山等封闭区域受到限制；
·大多数用于处理点云的“现成”软件都是专有的，而且是昂贵的。
一般来说，遥感的优点受到阻碍是由于其成本高、不便携，而且必须是静止的。
移动传感平台(MSP)
这里描述的是用于有效且精确地测量岩体中节理组的方位的移动传感平台(MSP)实施方案。这些实施方案提供了遥感的优点，同时克服了其许多缺点。例如，像遥感一样，MSP实施方案在没有偏差或体力劳动的情况下测量大量平面。相对于手动和遥感技术，所述的实施方案提供的测量时间更短，成本更低，对不同环境更灵活，更便携，并可扩展到不同的平台和传感器。
MSP平台不依赖任何特定的数据收集方法、传感器类型或车辆类型来实现移动性。一般来说，MSP有能力收集岩面的三维点云，并测量其自身的运动(即其移动带来方位的变化)。例如，MSP的移动性可通过手持式实施方案，固定到或与任何类型的车辆(例如，用于水下，水面，雪地，陆地(地下和/或地面)空中和太空旅行中的一个或多个)一起使用的实施方案来实现，这种车辆由人操作(机上或远程，例如机器人车辆或无人驾驶飞行器(UAV))或者部分或完全自主地操作。这里将主要针对某些传感器来描述实施方案；然而，可以理解的是，本发明不限于此，因为可以采用其它类型的传感器，只要提供了对点云的分辨率和精度的最低要求即可。例如，在使用相对便宜的3D LiDAR的实施方案中获得了优异的性能。
使用MSP测量走向和倾角的最具挑战性的方面是解决岩面观测期间传感器定位的不确定性。在固定传感器的情况下，传感器的位置被勘察，使得其在测量时的方位是已知的；其定位的不确定性通常被忽略和忽视。当传感器持续移动时，MSP不是这种情况。
虽然MSP的初始定位可能被精确测量，但MSP的后续定位将取决于其传感器。传感器产生的传感器信号通常包含必须过滤或以其他方式管理以提取数据的“噪声”。除此之外，MSP的一个特征是在实际创建点云期间不需要静止。为了解决使用潜在有噪声的传感器信号来推断关于环境的几何信息(即地图)同时还确定平台本身的状态(即，定位)的问题，可以使用批量状态估计。在这里，地图是节理组在目标岩面上的方位，平台的状态是其定位。请注意，因为感兴趣的只有地图的方位，所以只需要平台的方位来构建地图(即，平台的位置是不相关的)。在本公开中，使用批量状态估计来测量走向和倾角将被称为“轴向映射”。
值得期望的是，如本文所述的MSP实施方案可以采用轴向映射，可用于生成至少与从手工测量和静态遥感获得的准确度相当的准确度的岩面stereonet立体图，并且因此可用于相同类型的定量分析。值得注意的是，手工派生的stereonet立体图和MSP stereonet立体图的直接比较不是精确度的测量，因为手工派生的stereonet立体图受到上述误差的影响。此外，使用MSP从岩面采集数据比手工测量和静态遥感费时费力。因此，MSP是其他方法的可行替代方案。
注意到轴向映射可以保持与从中收集数据的MSP完全独立。轴向映射实施方案可以是通用的并且不依赖于特定的传感器或车辆，并且对于点云的质量以及应该如何导出运动感测测量具有最小的要求。除了作为地理应用的便利工具之外，轴向映射对于机器人学界可能是一个有用的贡献，至少是由于其唯一的仅定向批量估计问题的方法。
在一个静态遥感方法中，建立了岩面的一个大型的全包围点云，并采用平面提取技术来计算节理组的方位。然而，这种方法并不考虑问题的特殊性质，具体而言，只有平面的方位是重要的。因此，点云中的大部分信息，例如所提取的平面的点本身和几何位置，都可以被丢弃。核心轴向映射算法是围绕这个最小表示设计的。该算法接收法向量的噪声观测作为输入，而不是点云本身。因此，点云的类型和平面分割方法与核心算法是分开的。核心算法对于传感器本身是不可知的；只需要传感器的处理输出(算法的输入)就可以用来建立用于批量状态估计的观测图。这种架构允许一种独特的“仅定位”状态估计算法，该算法仅处理方向和方位并消除位置信息。迄今为止，还没有这样的实现存在。
从优化状态生成轴线图
在这里描述的轴向映射和传统的状态估计算法之间存在两个主要区别。首先，轴向映射中的映射由平面的方位(如下所述)组成，而不是矢量空间。因此，在执行映射(例如，扰动，坐标转换，手段等)时在地图上的所需操作必须明确定义，以防止违反其拓扑空间。接下来，观察的物理环境在地图中具有相同特征的多个实例。所有在(几乎)相同的方位的岩面上的不连续面是同一个节理组的一部分。也就是说，如果观察两个不同的不连续面，如果它们属于同一个节理组，那么它们之间就没有区别。节理组本身就是地图上的特征，而不是单个的平面。这是轴向映射和常规状态估计算法之间的根本区别，因为它影响了如何制定问题。这种差异如图3所示，这表明在基于地标的映射(上图)中，每个地标都是唯一的；环境中的地图条目和地标之间存在一对一映射。在轴向映射(底部)中，映射条目存在于环境中的多个位置。另外，由于岩面的自然变化，属于同一个节理组的平面的方位也不相同。也就是说，在这个二维图中由→n1标记的线属于同一个节理组，但不是相同的方位。另外，节理组中的单个不连续面的方位也有自然的变化。因此，节理组的“真实”方位是一个分布，当试图将一个新观察到的不连续面与一个节理组联系起来时，必须考虑这个分布。
轴向映射状态
轴向映射状态是由方位和轴组成。旋转存在很多不同的参数化；然而，众所周知的是，所有的最小化参数化(即参数的数量等于自由度的数量)具有至少一个奇点。所有轴的集合形成单位球体S2。一个轴是与单位球直接相对的无序的一对方位，或者相当于单位半球上的单个点。像旋转一样，轴的最小参数化至少有一个奇点。
轴向映射将旋转参数化为单位四元数(全局参数化)和旋转矢量(局部矢量类参数化)。图4是旋转矢量θ的图示。几何上，旋转矢量空间是一个半径为π的球。旋转矢量的长度表示旋转角度θ，其方向对应于旋转轴线a。将旋转矢量投影到球的表面可以帮助将空间视为一个实心球。旋转矢量θ＝[θ1 θ2 θ3]T由其空间中的三个标量分量参数化。旋转向量是执行状态估计所需的“伪向量空间”。
轴被参数化为单位轴(全局参数化)和轴向量(局部向量参数化)。根据一个实施方案，全局参数化(图5A)用于表示没有奇点的轴，并为所有轴定义。当轴被比较并相互减去时，这是通过单位轴完成的，差值被转换成轴矢量(见图5B)。图6A示出了根据另一个实施方案的轴矢量参数化，图6B显示单位轴参数。单位轴在半球平面上的投影是矢量部分κ，其沿半球(3)的轴的分量是标量部分λ.半球的轴线与单位轴之间的角度φ，和归一化的矢量部分γ组成轴的轴角参数化，并且它们的乘积φ：＝φγ形成轴矢量参数化。本体单位轴o是沿着半球的轴的单位轴。
单位四元数和单位轴是它们各自空间的全局参数化，因为它们连续变化以表示状态的连续变化。旋转矢量和轴矢量是局部参数化，因为它们只是连续地从参考状态的局部连续变化。换句话说，给定参考旋转或轴，相对于参考的所有旋转和轴都不是局部的由奇点引起的参数化。轴向映射在这两者之间交替参数化：状态由全局参数化表示，而状态估计算法用局部参数化计算局部状态扰动。由于状态扰动和观测误差往往是局部的，所以避免了与局部参数化有关的问题。
图6A是轴矢量参数化的说明。轴矢量是在轴向映射中使用的轴的两个参数化之一(另一个是单位轴(图6B))。轴向量是执行状态估计所需的“伪向量空间”。几何上，轴矢量空间是单位半球到半径为π/2的圆盘的平坦化。轴向量在方向r上具有长度φ。它由两个标量参数化这个空间中的分量
图7是在轴向映射中如何执行轴提取的可视化。这描述了点云如何转换成轴观测列表。首先，体素过滤器减少点云的点数。接下来，基于到其相邻点的平均距离去除异常值。接下来，使用主成分分析(PCA)的稳健变体来估计被测表面的法向矢量。最后，估计被测表面的曲率，丢弃具有较大曲率的点。
数据收集和观测
MSP装备有感测/测量距离、重力、地球磁场方向和角速度的传感器。例如，传感器可以包括3D距离传感器(例如，LiDAR)、三轴加速计、三轴陀螺仪和三轴磁力计。通过在测试中移动MSP通过轨迹来收集数据环境。选择轨迹以确保大部分或全部感兴趣的平面被距离传感器扫描。MSP的方位估计在轨迹的离散时刻。在每个方位上，MSP上的传感器套件观察重力的方向(使用加速度计)、地球磁场的方向(使用磁力计)和/或环境中的平坦表面的轴(使用距离传感器)。此外，也观察到MSP在连续方位之间的旋转(使用陀螺仪)。
根据当前的MSP方位估计和观测模型预测每种观测类型。这些预测与实际的传感器观察值进行比较，它们之间的差异是观测误差。轴向映射确定最小化这些误差的MSP方位的最佳顺序。
在不同方位关联所观察的轴
由3D距离传感器测量提取的轴全部表示在传感器的坐标系中。为了将来自不同观测的观测值相关联，首先将坐标轴转换为公共共享坐标系。使用MSP方位序列的初始估计，将所有轴观测值转换为全局坐标系。在这一点上，相似的观测值聚类在一起，并标记为环境中同一平面的观测结果。
优化轴向映射状态
观测值的负对数似然性是其与其协方差矩阵的倒数(即其不确定性)成正比的平方误差(相对于其预测)。轴向映射的目标是确定状态的最优估计，使所有观测的负对数似然最小化。所有负对数似然的总和是使用成本函数计算的。通过迭代求解使线性化代价函数最小化的状态估计的最优摄动来优化状态。例如参见图8。由于观测模型都是非线性的，所以有必要线性化成本函数。另外，由于观测值和状态不是矢量空间的一部分(例如，旋转和轴不能被视为矢量)，所以通过首先将其转换为其全局参数化来应用最佳摄动。此外，线性化成本函数还必须考虑观察所在的空间。最佳摄动的实际计算是使用非线性最小二乘算法确定的。
例如，图8显示了一个表示单个观测的负对数似然的方程。优化函数使所有观测的负对数似然性的总和最小化。也就是说，对于每次观测(即每次测量重力方向，地球磁场，方位之间的旋转以及从点云提取的轴)，计算方程的结果，并且将结果相加以得到所有观测误差的总成本。然后，优化算法确定改变(即，干扰)状态(即，方位的估计序列)的最佳方式，使得总成本尽可能小。
从优化状态生成轴线图
优化状态包含沿着其轨迹的一系列步骤中MSP方位的最佳估计。在这些方位的每个方位上，从3D距离传感器的测量中提取多个轴。使用进行测量的方位，将每个轴旋转到全局坐标系中。该旋转使用四元数旋转运算符执行，该运算符执行轴的刚性变换。通过将每个轴转换为走向和倾角参数化，可以将结果轴向图视觉化为stereonet立体图。
介质
实施方案可以包括用于与计算机一起使用的可编程的介质，所述可编程的介质包括存储在与所述计算机兼容的非临时性存储介质上的计算机程序，所述计算机程序包含用于引导所述计算机执行以下一项或多项的指令：从与MSP相关联的至少一个传感器接收至少一个传感器信号；处理所述一个或多个传感器信号并产生用于时间步长序列的所述环境中的轴的观测值；估计MSP对于时间步长序列的每个时间的方位，在每个方位上识别观察到的轴，并且关联相似的轴；将所述方位、环境中的轴线、重力方向以及地球磁场的方向链接起来，以便根据方位的估计来预测每个观测值，并且优化方位的估计；以及从优化的方位估计中输出轴向图。
在一个实施方案中，所述可编程的介质引导计算机接收来自传感器的传感器信号，所述传感器包括距离传感器，三轴加速计，三轴陀螺仪和三轴磁力计。
在另一个实施方案中，所述可编程的介质引导计算机接收与环境中的对于时间步长序列和MSP的方位估计的轴的观测值相对应的数据，用于针对时间步长序列的每个时间；在每个方位识别观察的轴，并关联相似的轴；将所述方位、环境中的轴线、重力方向以及地球磁场的方向链接起来，以便根据方位的估计来预测每个观测值，并且优化方位的估计；以及从优化的方位估计中输出stereonet立体图。
通过以下非限制性实施例进一步描述实施方案。
实施例1
该实施例描述了包括可用于获得环境中的轴向图(即，主平面轴列表)的算法的广义MSP，并且生成代表性输出，诸如轴向图(例如，stereonet立体图)。尽管该实施例可以应用于其他环境，但通常情况下该环境是岩面。如上所述，MSP可以是手持式杖/装置、移动式机器人、无人机或其他机器人或非机器人平台。
参考图9，MSP配备有感测/测量距离、重力、地球磁场的方向和角速度的传感器20。例如，传感器可以包括距离传感器、三轴加速计、三轴陀螺仪和三轴磁力计。MSP在环境中以一种方式移动，使得所有要映射的平面都被距离传感器的视场捕获。然后对来自所有传感器的数据进行处理22以产生观测值的时间序列。针对时间步长序列计算MSP的方位的初始估计24，并且在每个方位处的观察轴彼此相关联。例如，可以通过观察连续方位，方向(重力和地球磁场)和轴(环境中的平面表面)之间的旋转来估计最可能的方位序列，例如图10中所示的坐标框。建立链接节点26(例如图)，链接估计的方位、环境中的轴以及重力方向和地球磁场方向。每个观测值(图中的一条边)是根据方位的初始估计值预测的，预测和观测值之间的误差最小化28，产生一个最佳的方位估计。通过使用优化的方位估计将观察轴变换到全局坐标系来生成输出，例如stereonet立体图。
实施例2
该实施例描述了基于广义的更详细的实施例1的实施方案。这里参考图11，描述的特征可以包括在MSP中，并且可以被用于在诸如岩面的环境中获得轴线图，并且生成输出，例如stereonet立体图。
(i)MSP装备有包括距离传感器30、三轴加速计32、三轴陀螺仪34和三轴磁力计36的传感器。MSP在环境中以一种方式移动，使得所有要映射的平面都被距离传感器的视场捕获。
每个传感器的最低要求必须满足才能用于轴向映射，如下所述。某些传感器输出的数据在用于轴向映射之前进行处理。距离传感器30用于产生点云(即，3D空间中的点阵列)。为了考虑单一点云中的所有点是从MP的单个方位测量的，相对于MSP的运动以足够高的速率产生点云。三轴加速计32测量MSP在三个垂直轴上的加速度。它可能包含三个加速度计(每个轴一个)。三轴陀螺仪34测量三个垂直轴上的MSP的角速度。它可以包括三个陀螺仪(每个轴一个)。传感器的频率足够高，使得MSP的角速度可以假设在测量之间是恒定的。三轴磁力计36在三个垂直轴上测量传感器附近的局部磁场。它可以包括三个磁力计(每个轴一个)。加速度计、陀螺仪和磁力计可以包含在单个传感器(例如，惯性测量单元(IMU))中。如果加速度计、陀螺仪和磁力计的坐标系未对齐，则必须知道其各自坐标系之间的旋转。
从距离传感器测量的点云中提取40平面的轴。这包括首先去除点云中的异常值，估计点云中每个点处的轴，然后去除其轴被确定为不是平面表面的一部分的点。然后使用例如DBSCAN算法(M.Ester等，“A density-based algorithm for discovering clustersin large spatial databases with noise，”in Proceedings of the 2ndInternational Conference on Knowledge Discovery and Data Mining,AAAI出版社，1996，第226-231页)以生成代表由传感器测量的所有平面表面的少量轴。
加速度计的输出被归一化42以确定作用在MSP上的外部加速度的方向。这个方向被认为是重力的方向，如果检测到作用在MSP上的额外的外力，在观察中包含额外的不确定性。陀螺仪的输出被整合44以估计MSP方位的变化。这个观察的不确定性与距离传感器进行的测量之间的时间长度成正比。磁力计的输出被归一化以确定地球磁场的方向。预先校准了磁力计，以补偿软铁和硬铁的扭曲。
(ii)使用，例如因子四元数算法(FQA)(X.Yun等人“Asimplified quaternion-based algorithm for orientation estimation from earth gravity and magneticfield measurements”(从地球重力和磁场测量一个简化的四元数为基础的方位估计)，IEEE仪器仪表和测量学会，2008年，第57卷，第638-650页)，从观测到的重力和地球磁场方向计算出全局坐标系(北，东，下)中MSP的3D方位的初始估计值。在距离传感器进行每次测量时估计方位。
(iii)在每个距离传感器测量中获得MSP的方位的初始估计之后，从点云提取的所有轴被转换为全局参考坐标系。此时，相似的轴聚类在一起54(即，它们被相互关联)，以形成少量不同的轴观察值。在每个方位上观察到的轴被标记为他们正在观察的轴。
(iv)生成图56，该图用边缘(每个观测值一个边缘)链接节点(MP的方位、环境中的平面轴，以及在全局坐标系中的恒定的重力方向和地球磁场方向)。有四种类型的观测值：(a)连续方位之间的旋转(来自陀螺仪的集成)，(b)环境中的平面轴(来自由距离传感器产生的点云处理)，(c)在每个方位上的重力方向(来自加速度计的归一化)，以及(d)在每个方位上的地球磁场的方向(来自磁力计的归一化)58。每个观测值现在都与图中的方位相关联。
(iv)从最初的方位猜测中产生每个观测值的预测60。例如，在连续方位之间的旋转的集成的陀螺仪观测值的预测是这些方位的初始猜测之间的旋转差。观测值和其预测值之间的差异是观测值的误差62。误差最小化64的目标是确定导致所有同时地观测值的最小平方误差的方位。作为一个实施例，为实现此目的，可以使用Levenberg-Marquardt算法(W.H.Press，等，Numerical Recipes：The Art of Scientific Computing，第3版，剑桥大学出版社，2007)。结果是在数据收集期间MP经受的方位序列的优化估计66。
(v)给定由误差最小化导致的方位序列的优化估计，生成全局坐标轴中的轴向映射68。如(i)所描述的，在每个定位(即由轴提取得到的轴)上观察到少量的轴。使用优化的方位将坐标轴旋转到全局坐标系。换句话说，现在在每个距离传感器测量时MSP的方位是已知的，测量本身可以在全局坐标系中表示。stereonet立体图只是这些测量的一个参数化。轴被转换成点并通过变量的变化绘制在stereonet立体图上70。
实施例3
如图12的工程图所示，原型MSP基本上使用货架部件来构造。表1列出了主要组件(项目编号如图12所示)。MSP与苹果iPad平板电脑连接。
表1.MSP原型的部件清单
两个岩面(图13A和14A)在加拿大安大略省金斯顿附近用MSP扫描。图13A包括一本笔记本和指南针作为比例。图的立体图13B和14B的stereonet立体图分别作为输出产品。
所有引用的出版物通过引证整体并入本文。
等同物
虽然已经参考其说明性实施方案描述了本发明，但是将理解的是，在不脱离本发明的范围的情况下可以对实施方案进行各种改变。因此，所描述的实施方案仅被认为是示例性的，并且本发明不限于此。

Claims (27)

1.一种用于生成物理环境的表示的设备，其包括：
移动传感器平台(MSP)，其包括输出传感器信号的传感器，其中所述传感器感知和/或测量距离、重力、地球磁场方向和角速度，所述MSP适用于在所述环境中移动；
处理器，其：
(i)接收所述的传感器信号并针对时间步长序列在所述环境中生成观测值；
(ii)对所述时间步长序列的每个时间估计所述MSP的方位，在每个方位识别观察到的轴，并关联相似的轴；以及
(iii)链接所述的方位、环境中的轴和重力及地球磁场方向，使每个观测值基于所述方位的估计被预测，优化所述方位的估计；以及
输出装置，其基于所述优化的方位的估计输出所述物理环境的表示。
2.根据权利要求1所述的设备，其中所述处理器建立图，其链接所述方位、环境中的轴以及重力和地球磁场的方向。
3.根据权利要求1所述的设备，其中所述处理器通过最小化所述预测值和观测值之间的误差优化所述的方位的估计。
4.根据权利要求1所述的设备，其中所述的输出设备产生输出，所述输出包括轴向图、视觉表示和数据集中的一种或多种。
5.根据权利要求1所述的设备，其中所述的输出装置产生输出，所述输出包括stereonet立体图。
6.根据权利要求5所述的设备，其中所述的输出装置通过使用优化的方位估计将所述观察到的轴转换成全局坐标系，从而产生stereonet立体图。
7.根据权利要求1所述的设备，其中所述的MSP适用于移动通过所述环境，使要映射的轴被所述距离传感器的视场捕获。
8.根据权利要求1所述的设备，其中所述的MSP是手持设备、机器人、无人驾驶飞行器或非机器人车辆。
9.根据权利要求1所述的设备，其中所述的传感器包括距离传感器、三轴加速计、三轴陀螺仪和三轴磁力计。
10.根据权利要求1所述的设备，其中所述的距离传感器包括扫描激光测距仪、LiDAR、飞行时间(ToF)相机、立体相机系统或其他距离感测装置。
11.根据权利要求1所述的设备，其中所述的物理环境包括岩面。
12.一种与计算机一起使用的可编程介质，所述的可编程介质包括存储在于所述计算机兼容的非暂时性存储介质上的计算机程序，所述的计算机程序包含用于引导所述计算机执行以下一种或多种的指令：
从与MSP相关联的至少一个传感器处接受至少一个传感器信号；
处理所述一个或多个传感器信号并针对时间步长序列生成环境中的轴的观测值；
对所述时间步长序列的每个时间估计所述MSP的方位，在每个方位识别观察到的轴，并关联相似的轴；
链接所述方位、环境中的轴以及重力和地球磁场的方向，使每个观测值在所述方位的估计的基础上被预测，并优化所述方位的估计；以及
输出所述优化的方位估计的表示。
13.根据权利要求12所述的可编程介质，其中所述可编程介质引导所述计算机从传感器接受传感器信号，其中所述传感器包括所述MSP的距离传感器、三轴加速计、三轴陀螺仪和三轴磁力计。
14.根据权利要求12所述的可编程介质，其中所述的输出包括轴向图。
15.一种与计算机一起使用的可编程介质，所述可编程介质包括存储在于所述计算机兼容的非暂时性存储介质上的计算机程序，所述计算机程序包含引导所述计算机执行以下一种或多种的指令：
接收与针对时间步长序列的环境中的轴的观测值和对所述时间步长序列的每个时间的MSP的方位的估计对应的数据；
在每个方位识别观察到的轴，并关联相似的轴；
链接所述方位、环境中的轴及重力和地球磁场的方向，使每个观测值基于所述方位的估计被预测，并优化所述方位的估计；以及
输出所述优化的方位估计的表示。
16.根据权利要求15所述的可编程介质，其中所述的输出包括轴向图。
17.一种用于生成物理环境的轴向图的方法，其包括：
使用一种移动传感器平台(MSP)，所述MSP包括输出传感器信号的传感器，其中所述的传感器感测和/或测量距离、重量、地球磁场方向和角速度，所述MSP适用于移动通过所述环境；
使用处理器用于：
(i)接收所述的传感器信号并针对时间步长序列对在所述环境中的轴生成观测值；
(ii)估计所述时间步长序列的每个时间的MSP的方位，在每个方位识别观察到的轴，并关联相似的轴；和
(iii)链接所述的方位、环境中的轴和重力及地球磁场的方向，使每个观测值基于所述方位的估计被预测，并优化所述方位的估计；以及
输出所述优化的方位估计的表示。
18.根据权利要求17所述的方法，其中所述的处理器建立图，所述的图将所述方位、环境中的轴和重力和地球磁场的方向链接起来。
19.根据权利要求17所述的方法，其中所述处理器通过最小化所述预测值和观测值之间的误差优化所述方位的估计。
20.根据权利要求17所述的方法，包括产生输出，所述的输出包括轴向图、视觉表示和数据集的一种或多种。
21.根据权利要求17所述的方法，包括产生stereonet立体图。
22.根据权利要求21所述的方法，包括通过使用所述优化的方位估计将所述观察到的轴转换为全局坐标系从而产生所述的stereonet立体图。
23.根据权利要求17所述的方法，包括移动所述MSP通过所述环境，使要映射的轴被所述距离传感器的视场捕获。
24.根据权利要求17所述的方法，其中所述MSP是手持设备、机器人、无人驾驶飞行器或非机器人车辆。
25.根据权利要求17所述的方法，其中所述传感器包括距离传感器、三轴加速计、三轴陀螺仪和三轴磁力计。
26.根据权利要求17所述的方法，其中所述的距离传感器包括扫描激光测距仪、LiDAR、飞行时间(ToF)相机、立体相机系统或其他距离感测装置。
27.根据权利要求17所述的方法，其中所述物理环境包括岩面。
CN201680033791.5A 2015-06-11 2016-06-10 自动化的移动岩土测绘 Active CN107709926B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201562174372P 2015-06-11 2015-06-11
US62/174,372 2015-06-11
PCT/CA2016/050664 WO2016197251A1 (en) 2015-06-11 2016-06-10 Automated mobile geotechnical mapping

Publications (2)

Publication Number Publication Date
CN107709926A true CN107709926A (zh) 2018-02-16
CN107709926B CN107709926B (zh) 2020-12-29

Family

ID=57502861

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201680033791.5A Active CN107709926B (zh) 2015-06-11 2016-06-10 自动化的移动岩土测绘

Country Status (8)

Country Link
US (1) US11226201B2 (zh)
EP (1) EP3308102A4 (zh)
CN (1) CN107709926B (zh)
AU (1) AU2016275179B2 (zh)
CA (1) CA2988326C (zh)
HK (1) HK1254162A1 (zh)
WO (1) WO2016197251A1 (zh)
ZA (1) ZA201708147B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109034621A (zh) * 2018-07-27 2018-12-18 重庆工程职业技术学院 防渗止水帷幕体施工工期和造价的风险评价方法

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3064774B1 (fr) * 2017-03-29 2020-03-13 Elichens Procede d'etablissement d'une cartographie de la concentration d'un analyte dans un environnement
WO2018201180A1 (en) * 2017-05-02 2018-11-08 PETRA Data Science Pty Ltd Automated, real time processing, analysis, mapping and reporting of data for the detection of geotechnical features
IL253770B2 (en) * 2017-07-31 2023-02-01 Israel Aerospace Ind Ltd Determination of azimuth during flight
WO2019104251A1 (en) * 2017-11-24 2019-05-31 Tmeic Corporation Methods and systems for generating landing solutions for containers on landing surfaces
CN109658431B (zh) * 2018-12-26 2023-07-14 中国科学院大学 基于区域生长的岩体点云平面提取方法
US11562560B1 (en) * 2020-03-26 2023-01-24 Apple Inc. Normal estimation for a planar surface
CN111880305B (zh) * 2020-08-14 2022-03-08 中国科学院国家天文台南京天文光学技术研究所 基于地图投影的大型光学望远镜非球面主镜划分的方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020060784A1 (en) * 2000-07-19 2002-05-23 Utah State University 3D multispectral lidar
JP2007113240A (ja) * 2005-10-19 2007-05-10 Kitakyushu Foundation For The Advancement Of Industry Science & Technology カメラセンサと距離センサによるロボットの自己位置検知方法及び装置
US20140314308A2 (en) * 2011-04-13 2014-10-23 Kabushiki Kaisha Topcon Three-dimensional point cloud position data processing device, three-dimensional point cloud position data processing system, and three-dimensional point cloud position data processing method and program
US20150127298A1 (en) * 2013-11-04 2015-05-07 Invensense, Inc. Activity detection and analytics
CN104613947A (zh) * 2015-01-16 2015-05-13 同济大学 一种节理组结构面产状综合测量仪

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6590640B1 (en) * 2000-07-20 2003-07-08 Boards Of Regents, The University Of Texas System Method and apparatus for mapping three-dimensional features
US7203342B2 (en) 2001-03-07 2007-04-10 Schlumberger Technology Corporation Image feature extraction
JP2005537535A (ja) 2002-07-10 2005-12-08 ハーマン ベッカー オートモーティブ システムズ ゲーエムベーハー オブジェクトの３次元電子モデルを生成するシステム
US6895356B2 (en) 2003-08-14 2005-05-17 Rubicon Digital Mapping Associates Integrated laser mapping tablet and method of use
US7697748B2 (en) * 2004-07-06 2010-04-13 Dimsdale Engineering, Llc Method and apparatus for high resolution 3D imaging as a function of camera position, camera trajectory and range
US7417717B2 (en) * 2005-10-05 2008-08-26 Utah State University System and method for improving lidar data fidelity using pixel-aligned lidar/electro-optic data
US8521418B2 (en) 2011-09-26 2013-08-27 Honeywell International Inc. Generic surface feature extraction from a set of range data
KR101164411B1 (ko) * 2012-03-19 2012-07-12 한국지질자원연구원 주향 및 경사 측정 장치 및 주향 및 경사 측정 보조 장치
DE102012109481A1 (de) * 2012-10-05 2014-04-10 Faro Technologies, Inc. Vorrichtung zum optischen Abtasten und Vermessen einer Umgebung
US20140123507A1 (en) * 2012-11-02 2014-05-08 Qualcomm Incorporated Reference coordinate system determination
US20150242314A1 (en) * 2014-02-23 2015-08-27 PNI Sensor Corporation Motion processing memory architecture
US20150316579A1 (en) * 2014-05-02 2015-11-05 Qualcomm Incorporated Motion direction determination and application
US9760996B2 (en) * 2015-08-11 2017-09-12 Nokia Technologies Oy Non-rigid registration for large-scale space-time 3D point cloud alignment

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020060784A1 (en) * 2000-07-19 2002-05-23 Utah State University 3D multispectral lidar
JP2007113240A (ja) * 2005-10-19 2007-05-10 Kitakyushu Foundation For The Advancement Of Industry Science & Technology カメラセンサと距離センサによるロボットの自己位置検知方法及び装置
US20140314308A2 (en) * 2011-04-13 2014-10-23 Kabushiki Kaisha Topcon Three-dimensional point cloud position data processing device, three-dimensional point cloud position data processing system, and three-dimensional point cloud position data processing method and program
US20150127298A1 (en) * 2013-11-04 2015-05-07 Invensense, Inc. Activity detection and analytics
CN104613947A (zh) * 2015-01-16 2015-05-13 同济大学 一种节理组结构面产状综合测量仪

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109034621A (zh) * 2018-07-27 2018-12-18 重庆工程职业技术学院 防渗止水帷幕体施工工期和造价的风险评价方法

Also Published As

Publication number Publication date
US20180180415A1 (en) 2018-06-28
US11226201B2 (en) 2022-01-18
AU2016275179A1 (en) 2017-12-14
CA2988326A1 (en) 2016-12-15
WO2016197251A1 (en) 2016-12-15
HK1254162A1 (zh) 2019-07-12
CN107709926B (zh) 2020-12-29
CA2988326C (en) 2023-10-03
EP3308102A1 (en) 2018-04-18
EP3308102A4 (en) 2019-01-16
ZA201708147B (en) 2022-05-25
AU2016275179B2 (en) 2021-10-07

Similar Documents

Publication Publication Date Title
CN107709926A (zh) 自动化的移动岩土测绘
JP2021152662A5 (zh)
McLeod et al. Using video acquired from an unmanned aerial vehicle (UAV) to measure fracture orientation in an open-pit mine
CN104374388A (zh) 一种基于偏振光传感器的航姿测定方法
CN103196445A (zh) 基于匹配技术的地磁辅助惯性的载体姿态测量方法
CN110017812B (zh) 一种垂线偏差、重力加速度和重力梯度的测量装置及方法
CN112967392A (zh) 一种基于多传感器触合的大规模园区建图定位方法
CN113820735A (zh) 位置信息的确定方法、位置测量设备、终端及存储介质
CN111121758B (zh) 室内磁地图的快速建模与可信定位方法
Zhang et al. Online ground multitarget geolocation based on 3-D map construction using a UAV platform
Daftry et al. LunarNav: Crater-based localization for long-range autonomous lunar rover navigation
CN110360986A (zh) 一种便携式星表局部地形测绘系统
Zhou et al. Crater identification simulation using LiDAR on Lunar rover
CN112596113A (zh) 一种基于重力不同阶梯度特征值交点的场源位置识别方法
Ogunniyi et al. LiDAR-based 3D mapping and localisation system for ground penetrating radar
KR20230101241A (ko) 지하광산 내 3차원 위치 인식방법
Sheta Vision based navigation (VBN) of unmanned aerial vehicles (UAV)
Cheng et al. Research on UAV Oblique Photography Route planning in the investigation of building damage after the earthquake
Zhu et al. A hybrid step model and new azimuth estimation method for pedestrian dead reckoning
Azpúrua et al. Cooperative digital magnetic‐elevation maps by small autonomous aerial robots
Zhang et al. A Geomagnetic Positioning Model Based on Naive Bayes Classifier
Hama et al. Geological Orientation Measurements using an iPad: Method Comparison.
Liu et al. A tightly-coupled method of lidar-inertial based on complementary filtering
CN114779352B (zh) 一种基于空-地-井多维电磁法的地质体勘测系统
Battulwar Automatic Extraction of Joint Characteristics from Rock Mass Surface Point Cloud Using Deep Learning

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant