CN110032800B - 一种基于sdf的长大货物铁路运输智能辅助选线方法 - Google Patents
一种基于sdf的长大货物铁路运输智能辅助选线方法 Download PDFInfo
- Publication number
- CN110032800B CN110032800B CN201910299631.0A CN201910299631A CN110032800B CN 110032800 B CN110032800 B CN 110032800B CN 201910299631 A CN201910299631 A CN 201910299631A CN 110032800 B CN110032800 B CN 110032800B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- sdf
- environment
- bounding box
- truck
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
Abstract
本发明公开了一种基于SDF的长大货物铁路运输智能辅助选线方法,首先获取铁路沿线地段的真实环境点云;然后,构建装载长大货物的货车的AABB包围盒;再对AABB包围盒进行体素化处理,计算各个体素顶点到货车包络模型的有向距离场值;最后,将真实环境点云和AABB包围盒置于同一坐标系下,并判断各个环境点相对于AABB包围盒的位置,若在AABB包围盒内,则基于其所在体素各个顶点的有向距离场值,计算该环境点的有向距离场值;根据计算得到的有向距离场值的符号判断各个环境点与货车包络模型的限界关系,从而判断装载长大货物的货车能够通过该铁路沿线地段。本发明大幅度降低长大货物铁路运输选线成本,提高了检测精度。
Description
技术领域
本发明涉及铁路运输领域,尤其涉及一种基于SDF的长大货物铁路运输智能辅助选线方法。
背景技术
随着我国国民经济的持续高速增长,铁路货运体制改革不断深化、完善,大量的国家建设物资和人民生活必需品,都涌入铁路运输线。尤其是超限货物,几年来运量猛增。在铁路运输中超限超重货物(长大货物)运输是一种特殊的运输方式,而其中更为特殊的是超限货物专列运输,其定义是:为了能够实现对一件或者多件超限货物(特种车)的安全运送而特别增开的铁路货车。为了判断铁路货车能否安全通过某一条线路,现有的检测方式主要是以下三种:
(1)使用测量仪进行人工测量。该方式测量速度慢,需要多人配合,并且存在一定的安全隐患;
(2)制作并安装检查架,活动支架的尺寸根据货物装后尺寸来定,用检查架随车运行模拟所要运输的货物运行情况。该方式只能对特定地点进行测量,且检查架制作和安装过程复杂。
(3)制作1:1木制货物模型,在选定路线试运输以确定是否可以通过。该方式建设成本高,且测试周期长。
现有检测方式耗费的人力物力成本高,选择新路线或旧路线许可运行数据发生变动时数据采样周期长,现行数据并不包括长大货物货车的动态包络轮廓与环境数据的相关干涉数据,运输路线需要制作和安装检查架并不断进行实车实验以找到可以安全运输长大货物的路线。
发明内容
本发明所要解决的技术问题是,针对现有技术的不足,提供一种基于SDF的长大货物铁路运输智能辅助选线方法,大幅度降低长大货物铁路运输选线成本,提高了检测精度,增强了线路和货物数据可重用性,进而提高了选线的数字化和智能化。
本发明所提供的技术方案为:
一种基于SDF的长大货物铁路运输智能辅助选线方法,其中,所述SDF为有向距离场,其特征在于,包括以下步骤:
步骤1、获取包含障碍物的铁路沿线地段的真实环境点云;
步骤2、建立装载长大货物的货车的包络模型的AABB包围盒,及其有向距离场属性;
步骤2.1、基于装载长大货物的货车的原始模型,构建装载长大货物的货车的包络模型;然后确定包络模型上的最大横截面,纵向拉伸该最大横截面,得到与原货车包络模型等长的新的货车包络模型;
步骤2.2、对货车包络模型进行外扩,生成AABB包围盒,然后对AABB包围盒进行体素化处理;
步骤2.3、分别计算AABB包围盒中各个体素的顶点到货车包络模型的有向距离场值,有向距离场值为正代表该体素顶点在货车包络模型外部,为负数代表该体素顶点在货车包络模型内部,为0代表该体素顶点在货车包络模型上;由各个体素顶点到货车包络模型的有向距离场值,建立该AABB包围盒的有向距离场属性;
步骤3、基于铁路沿线地段的真实环境点云和AABB包围盒的有向距离场属性判断真实环境中的各个环境点与货车包络模型的限界关系;
步骤3.1、将真实环境点云和AABB包围盒置于同一坐标系下,且两者根据实际运输过程中铁轨与货车转向架的位置关系进行摆放;
步骤3.2、依次判断真实环境点云中的各个环境点相对于AABB包围盒的位置,若在AABB包围盒外则认为该环境点对装载长大货物的货车的运输无影响,若在AABB包围盒内,则判断其处于AABB包围盒哪个体素中,基于其所在体素各个顶点的有向距离场值,计算该环境点的有向距离场值;若计算得到的有向距离场值为正,说明该环境点在货车包络模型外部,若为负说明该环境点在货车包络模型内部,若为0说明该环境点在货车包络模型上;若存在位于货车包络模型内部的环境点,则装载长大货物的货车无法通过该铁路沿线地段,应从备选路线中去除包含该铁路沿线地段的路线,否则能通过该铁路沿线地段,从而实现辅助选线。
进一步地,所述步骤1包括以下步骤:
步骤1.1、对于包含障碍物的铁路沿线地段,在该地段铁轨上放置参考物,然后拍摄该地段包括障碍物和参考物在内的照片;其中障碍物是指可能对长大货物运输产生影响的铁路线路特征;
步骤1.2、基于拍摄得到的照片进行铁路沿线地段的环境三维重建,获得环境点云;
步骤1.3、对环境点云进行去噪;
步骤1.4、从环境点云中分割出属于参考物部分的点云;
步骤1.5、制作参考物标准点云,其由反映参考物的实际尺寸的点(x,y,z)组成;
步骤1.6、由分割得到的环境点云中属于参考物部分的点云和参考物标准点云,计算坐标变换矩阵;
步骤1.7、根据坐标变换矩阵对环境点云进行变换,得到真实环境点云。
进一步地,所述步骤1.1中,参考物为设置有棋盘格图案的标定板。
进一步地,采用SFM算法环境三维重建,获得环境点云,方法为:首先采用SIFT算法检测每张照片中障碍物的SIFT特征点,从而提取所有照片中的特征点集,并得到多张照片之间的匹配特征点对;同时,采用Ratio Test方法来排除匹配结果中误匹配的情况;然后由相机的变换矩阵和匹配点的坐标采用三角化的方式进行环境三维重建,获得环境点云;最后,采用Bundle Adjustment算法优化环境三维重建的结果。
进一步地,所述步骤1.3中,对环境点云进行去噪包括以下步骤:
首先,使用统计滤波器滤除环境点云中的噪点,计算每个点到其周围点集的平均距离,得到这些距离的均值和方差,使用高斯分布的3σ准则去除点云中平均距离比样本均值大0.5个方差的点;
然后,使用半径滤波器和条件滤波器进一步滤除环境点云中的离群点,调整条件滤波器的条件参数以将非相关的噪声点集从点云中完全滤除。
进一步地,所述步骤1.4中,先采用基于颜色的区域生长算法从环境点云中分割出属于棋盘格黑色部分的点云;然后将棋盘格黑色部分的点云绕其中心对称复制,填充没有被分割的白色部分点云,还原得到完整的棋盘格点云。
进一步地,所述步骤1.6中,采用SICP算法进行完整的棋盘格点云和棋盘格标准点云的配准,计算坐标变换矩阵;
设标准棋盘格点云为P={pi,i=1,2,…,Np},分割后得到的棋盘格点云为M={mj,j=1,2,…,n},其中,pi表示标准棋盘格点云中的点,i表示标准棋盘格点云中点的序号,Np表示标准棋盘格点云中点的总数,mj表示分割后得到的棋盘格点云中的点,j表示分割后得到的棋盘格点云中点的序号,n表示分割后得到的棋盘格点云中点的总数;采用SICP进行点云配准过程包括以下步骤:
1)设置初始旋转矩阵、平移向量和缩放系数分别为R0、T0和S0;设置迭代次数的初始值k=0;
2)根据当前廓形查找最近邻点对:
其中,Rk、Tk、Sk分别表示第k次迭代的旋转矩阵、平移向量和缩放系数,c(i)表示使查找邻近点对公式达到最小值时的j的取值;
3)通过能量最小化函数,计算最优旋转矩阵、平移向量和缩放系数,记为Rk+1、Tk+1和Sk+1,公式为:
其中,R、T、S分别表示旋转矩阵、平移向量和缩放系数,mc(i)表示所查找最近邻点云;
4)令迭代次数k=k+1,返回步骤2)进行迭代,当迭代次数达到最大迭代次数后停止迭代,由最终得到的最优旋转矩阵、平移向量和缩放系数构成坐标转换矩阵。
进一步地,所述步骤1.7中,通过Point Cloud Library开源库导入坐标变换矩阵,据坐标变换矩阵对环境点云进行变换,得到真实环境点云。
进一步地,所述步骤2.2中,对AABB包围盒进行体素化处理的方法为:按选定体素边长h将AABB包围盒分割成多个大小相同的立方体体素,并沿x、y、z轴对AABB包围盒中的各个立方体体素用(i,j,k)编号,编号为(i,j,k)表示该立方体体素是AABB包围盒沿x轴第i个,沿y轴第j个,沿z轴第k个立方体体素。
进一步地,所述步骤2.3中,先将货车包络模型表面分割为多个面片,然后遍历AABB包围盒中各个体素的顶点,针对每个体素顶点计算其到货车包络模型表面各个面片的距离,得到最短距离作为该体素顶点到货车包络模型的有向距离场值;在计算过程中定义位于货车包络模型内部的体素顶点到货车包络模型表面各个面片的距离为负数;定义位于货车包络模型外部的体素顶点到货车包络模型表面各个面片的距离为正数。
进一步地,所述步骤3.1中,将真实环境点云和AABB包围盒置于同一坐标系下,且对两者的摆放位置进行调整后,获得位置调整后的AABB包围盒上的最小坐标点和最大坐标点,分别记为(xmin,ymin,zmin)和(xmax,ymax,zmax);其中,xmin,ymin,zmin分别表示最小坐标点在x轴上的坐标分量、y轴上的坐标分量及z轴上的坐标分量,xmax,ymax,zmax分别表示最大坐标点在x轴上的坐标分量、y轴上的坐标分量及z轴上的坐标分量;
所述步骤3.2中,设真实环境点云中的环境点坐标为(x,y,z),其中,x,y,z分别表示真实环境点云中的环境点在x轴上的坐标分量、y轴上的坐标分量及z轴上的坐标分量;环境点云中的环境点若满足xmin≤x≤xmax或ymin≤y≤ymax或zmin≤z≤zmax,则在AABB包围盒内,存在妨碍货车运输的可能;否则该环境点在AABB包围盒外;对于在包围盒内的环境点(x,y,z),首先计算设其所处的AABB包围盒体素编号(i,j,k),计算公式为:
其中,函数Floor()表示向下取整;
然后,基于编号为(i,j,k)的体素的八个顶点的有向距离场值,采用三维拉格朗日插值方法计算该环境点到货车包络模型表面各个面片的最短距离,即该环境点的有向距离场值T,计算公式为:
T=(1-a)*(1-b)*(1-c)*fSDF(i,j,k)+a*(1-b)*(1-c)*fSDF(i+1,j,k)+(1-a)*b*(1-c)*fSDF(i,j+1,k)+(1-a)*(1-b)*c*fSDF(i,j,k+1)+a*b*(1-c)*fSDF(i+1,j+1,k)+a*(1-b)*c*fSDF(i+1,j,k+1)+(1-a)*b*c*fSDF(i,j+1,k+1)+a*b*c*fSDF(i+1,j+1,k+1)
其中,fSDF(i,j,k)、fSDF(i+1,j,k)、fSDF(i,j+1,k)、fSDF(i,j,k+1)、fSDF(i+1,j+1,k)、fSDF(i+1,j,k+1)、fSDF(i,j+1,k+1)和fSDF(i+1,j+1,k+1)分别为编号为(i,j,k)的体素的八个顶点的有向距离场值;a、b和c为体素余量,a=x-Floor(x),b=y-Floor(y),c=z-Floor(z)。
进一步地,采用AR技术对步骤3的判断结果的准确性进行验证,包括以下步骤:
首先,在三维软件Unity内部使用AR插件Vuforia,添加待识别的目标图,并设置识别到该目标图时要显示的货车包络模型,生成AR应用,并将其安装到识别设备上;
然后,对需要进行验证的铁路沿线地段,在铁轨上放置设有目标图的标定板;打开识别设备上的AR应用,在其中调用识别设备的摄像头,对准该铁路沿线地段,当标定板上的目标图进入摄像头时,被AR应用识别,AR应用显示货车包络模型,并将其叠加到摄像头中的实际景象中,调节摄像头的位置,使识别设备显示的货车包络模型中货车转向架与摄像头实际景象中铁轨的位置和比例关系跟实际运输过程中货车转向架与铁轨的位置和比例关系一致;
最后,根据叠加后的视图,观察铁路沿线地段的障碍物是否入侵货车包络模型边界,从而判断货车能否安全通过该铁路沿线地段。
本发明具体具有以下优点:
(1)成本低
不需要重复制作和运行各种型号的检测门和检查架即可预先获取长大货物运输的线路限界参考值,检测平台的制作成本低,SDF环境检测和AR现场检测技术单次检测成本也很低,且检测时间短。
(2)简易设置
基于SDF的长大货物铁路运输智能辅助选线系统利用的基础操作有两个步骤,分别为识别装置的安装与界限检测。
识别装置具有体积小、重量轻、易携带、易拆装更换、易架设的特点。
(3)实时交互性
传统选线系统无法利用历史数据进行操作,通常情况下检测间隔周期长,反馈信息的速度慢。而基于SDF的长大货物铁路运输智能辅助选线方法可以借助增强现实技术快速判断现场通行可能性。其得到实时信息在用于设计、规划时具有更强的可参考性。
(4)检测精度高
利用SFM三维点云重建,根据体素单元SDF计算,并通过拉格朗日插值获得三维环境点距离场属性值,判断环境点云是否在包络模型内部,以此来判断周围障碍物是否侵入,检测精度高。
(5)数据重用性
生成的真实环境点云、装载货物的货车包络模型库和选线参考参数数据可以制成选线参考数据文档,增加选线数据重用性。
(6)运输虚拟仿真
可提供广域线路运输仿真,辅助现有选线系统锁定运输沿线障碍物分布,并可基于轨道谱数据提供更高运输速度下的仿真测试能力,大幅度减少长大货物运输测试成本。
附图说明
图1是本发明方法总体处理流程图;
图2是环境点云与货车包络模型坐标融合叠加原理图
具体实施方式
下面结合附图和具体实例对本发明进行详细说明。
如图1所示,本发明公开了一种基于SDF的长大货物铁路运输智能辅助选线方法,其中,所述SDF为有向距离场,包括以下步骤:
步骤1、获取包含障碍物的铁路沿线地段的真实环境点云;
步骤1.1、对于包含障碍物的铁路沿线地段,在该地段铁轨上放置参考物,然后拍摄该地段包括障碍物和参考物在内的照片;其中障碍物是指可能对长大货物运输产生影响的隧道、桥梁、电线杆等线路特征;
步骤1.2、基于拍摄得到的照片进行铁路沿线地段的环境三维重建,获得环境点云;
步骤1.3、对环境点云进行去噪;
步骤1.4、从环境点云中分割出属于参考物部分的点云;
步骤1.5、参考物存在固定的几何参数,所以预先制作参考物标准点云,由反映参考物的实际尺寸的点(x,y,z)组成;
步骤1.6、由分割得到的环境点云中属于参考物部分的点云和参考物标准点云,计算坐标变换矩阵;
步骤1.7、根据坐标变换矩阵对环境点云进行变换,得到真实环境点云;
步骤2、建立装载长大货物的货车的包络模型的AABB包围盒,及其有向距离场(Signed-Distance-Field)属性;
步骤2.1、基于装载长大货物的货车的原始模型,构建装载长大货物的货车的包络模型;然后确定包络模型上的最大横截面,纵向拉伸该最大横截面,得到与原包络模型等长的新包络模型;构建包络模型可采用现有方法实现,参考CN201610221629-一种高速货车虚拟限界计算方法,发明人:易兵李雄兵易敏寒杨岳;
步骤2.2、对货车包络模型进行外扩,生成AABB包围盒,然后对AABB包围盒进行体素化处理;
步骤2.3、分别计算AABB包围盒中各个体素的顶点到货车包络模型的有向距离场值,有向距离场值为正代表该体素顶点在货车包络模型外部,为负数代表该体素顶点在货车包络模型内部,为0代表该体素顶点在货车包络模型上;由各个体素顶点到货车包络模型的有向距离场值,建立该AABB包围盒的有向距离场属性;
步骤3、基于铁路沿线地段的真实环境点云和AABB包围盒的有向距离场属性判断真实环境中的各个环境点(障碍物)与货车包络模型的限界关系;
步骤3.1、将真实环境点云和AABB包围盒置于同一坐标系下,且两者根据实际运输过程中铁轨与货车转向架的位置关系进行摆放;
步骤3.2、依次判断真实环境点云中的各个环境点相对于AABB包围盒的位置,若在AABB包围盒外则认为该环境点对装载长大货物的货车的运输无影响,若在AABB包围盒内,则判断其处于AABB包围盒哪个体素中,基于其所在体素各个顶点的有向距离场值,计算该环境点的有向距离场值;若计算得到的有向距离场值为正,说明该环境点在货车包络模型外部,若为负说明该环境点在货车包络模型内部,若为0说明该环境点在货车包络模型上;若存在位于货车包络模型内部的环境点,则装载长大货物的货车无法通过该铁路沿线地段,否则能通过该铁路沿线地段,通过分析货车包络模型与沿线环境间距离关系从而实现辅助选线。
进一步地,所述步骤1.1中,参考物为设置有棋盘格图案的标定板。
进一步地,所述步骤1.2中,基于拍摄的多张照片,采用Point Cloud Library开源库与Structure-From-Motion算法(SFM算法)进行铁路沿线地段的环境三维重建,获得环境点云。
为了对环境进行三维点云重建,首先对需要检测的障碍物路段进行多角度拍照生成若干张图像;在采用SFM算法对环境进行三维点云重建过程中,首先采用SIFT算法检测每张图像中障碍物的SIFT特征点,从而提取所有图像中的特征点集,并得到多张图像之间的匹配特征点对;同时,采用Ratio Test方法来排除匹配结果中误匹配的情况;然后由相机的变换矩阵和匹配点的坐标采用三角化的方式进行三维点云重建,得到空间坐标;最后,采用Bundle Adjustment优化三维点云重建的结果,解决由于多张图像带来的累计误差增大的问题。
进一步地,所述步骤1.3中对环境点云进行去噪具体包括以下步骤:
首先,使用统计滤波器滤除环境点云中的噪点,计算每个点到其周围点集的平均距离,得到这些距离的均值和方差,使用高斯分布的3σ准则去除点云中平均距离比样本均值大0.5个方差的点;
然后,使用半径滤波器和条件滤波器进一步滤除环境点云中的离群点,调整条件滤波器的条件参数可以将非相关的噪声点集从点云中完全滤除。
进一步地,所述步骤1.4中,先采用基于颜色的区域生长算法从环境点云中分割出属于棋盘格黑色部分的点云;然后将棋盘格黑色部分的点云绕其中心对称复制,填充没有被分割的白色部分点云,还原得到完整的棋盘格点云。所述基于颜色的区域分割算法使用颜色值对环境点云进行区域生长分割,在得到按颜色值分割的大量聚类之后,合并具有接近颜色的聚类。其合并结果使得相邻颜色特征之间具有小偏差的两个相邻聚类合并在一起,然后进行第二次合并。在此步骤中,每个聚类都通过其包含的点数进行验证。如果此数字小于定义的值,则当前集群与最近的相邻集群合并。此时,由于棋盘格点云呈现黑白交接的格子状特征,与周围环境相比具有更明显的颜色特征,所以可以被基于颜色的区域分割算法处理,从环境点云集中得到属于棋盘格黑色部分的点云。
所述步骤1.5中,制作棋盘格标准点云;
所述步骤1.6中,采用SICP算法进行完整的棋盘格点云和棋盘格标准点云的配准(包括旋转(Rotation)和平移(Translation)和尺度(Scale)变换),计算坐标变换矩阵。
所述点云配准具体包括以下步骤:
设标准棋盘格点云为P={pi,i=1,2,…,Np},分割后得到的棋盘格点云为M={mj,j=1,2,…,n},其中,pi表示标准棋盘格点云中的点,i表示标准棋盘格点云中点的序号,Np表示标准棋盘格点云中点的总数,mj表示分割后得到的棋盘格点云中的点,j表示分割后得到的棋盘格点云中点的序号,n表示分割后得到的棋盘格点云中点的总数;采用SICP进行点云配准过程包括以下步骤:
1)设置初始旋转矩阵、平移向量和缩放系数分别为R0、T0和S0;设置迭代次数的初始值k=0;
2)根据当前廓形查找最近邻点对:
其中,Rk、Tk、Sk分别表示第k次迭代的旋转矩阵、平移向量和缩放系数,c(i)表示使查找邻近点对公式达到最小值时的j的取值;
3)通过能量最小化函数,计算最优旋转矩阵、平移向量和缩放系数,记为Rk+1、Tk+1和Sk+1,公式为:
其中,R、T、S分别表示旋转矩阵、平移向量和缩放系数,mc(i)表示所查找最近邻点云;
4)令迭代次数k=k+1,返回步骤2)进行迭代,当迭代次数达到最大迭代次数后停止迭代,由最终得到的最优旋转矩阵、平移向量和缩放系数构成坐标转换矩阵。
进一步地,所述步骤1.7中,通过Point Cloud Library开源库导入坐标变换矩阵,据坐标变换矩阵对环境点云进行变换,得到真实环境点云。
进一步地,所述步骤2.2中,对AABB包围盒进行体素化处理的方法为:按选定体素边长h将AABB包围盒分割成多个大小相同的立方体体素,并沿x、y、z轴对AABB包围盒中的各个立方体体素用(i,j,k)编号,编号为(i,j,k)表示该立方体体素是AABB包围盒沿x轴第i个,沿y轴第j个,沿z轴第k个立方体体素。
进一步地,所述步骤2.3中,先将货车包络模型表面分割为多个面片,然后遍历AABB包围盒中各个体素的顶点,针对每个体素顶点计算其到货车包络模型表面各个面片的距离,得到最短距离作为该体素顶点到货车包络模型的有向距离场值。定义位于货车包络模型内部的体素顶点到货车包络模型表面各个面片的距离为负数,且越是远离货车包络模型表面则距离值越小;定义位于货车包络模型外部的体素顶点到货车包络模型表面各个面片的距离为正数,且越是远离货车包络模型表面则距离值越大。有向距离场值的计算可参考CN201510915549-一种复杂产品异构模型融合方法,发明人:易兵杨岳李雄兵刘冲高广军田红旗;
进一步地,所述步骤3.1中,将真实环境点云和AABB包围盒置于同一坐标系下,且对两者的摆放位置进行调整后,获得位置调整后的AABB包围盒上的最小坐标点和最大坐标点,分别记为(xmin,ymin,zmin),(xmax,ymax,zmax);其中,xmin,ymin,zmin分别表示最小坐标点在x轴上的坐标分量、y轴上的坐标分量及z轴上的坐标分量,xmax,ymax,zmax分别表示最大坐标点在x轴上的坐标分量、y轴上的坐标分量及z轴上的坐标分量;
所述步骤3.2中,设真实环境点云中的环境点坐标为(x,y,z),其中,x,y,z分别表示真实环境点云中的环境点在x轴上的坐标分量、y轴上的坐标分量及z轴上的坐标分量;环境点云中的环境点若满足xmin≤x≤xmax或ymin≤y≤ymax或zmin≤z≤zmax,则在AABB包围盒内,存在妨碍货车运输的可能;否则该环境点在AABB包围盒外。对于在包围盒内的环境点(x,y,z),首先计算设其所处的AABB包围盒体素编号(i,j,k),计算公式为:
其中,函数Floor()表示向下取整。
然后,基于编号为(i,j,k)的体素的八个顶点的有向距离场值,采用三维拉格朗日插值方法计算该环境点到货车包络模型表面各个面片的最短距离,即该环境点的有向距离场值T,计算公式为:
其中,fSDF(i,j,k)、fSDF(i+1,j,k)、fSDF(i,j+1,k)、fSDF(i,j,k+1)、fSDF(i+1,j+1,k)、fSDF(i+1,j,k+1)、fSDF(i,j+1,k+1)和fSDF(i+1,j+1,k+1)分别为编号为(i,j,k)的体素的八个顶点的有向距离场值;a、b和c为体素余量,a=x-Floor(x),b=y-Floor(y),c=z-Floor(z)。
将真实环境点云、坐标变换矩阵和AABB包围盒及其有向距离场属性保存为选线用限界数据文档,保留至各地段铁路局数据中心处,根据后续选线需要即可调出对应的选线用限界数据文档。
进一步地,采用AR技术对步骤3的判断结果的准确性进行验证,包括以下步骤:
首先,在三维软件Unity内部使用AR插件Vuforia,添加待识别的目标图,并设置识别到该目标图时要显示的货车包络模型,生成AR应用,并将其安装到识别设备上;具体实现方式可参考:《高通Vuforia+Unity——实现简单的AR功能》
(https://my.oschina.net/CoderBleak/blog/872205)
然后,对需要进行验证的铁路沿线地段,在铁轨上放置设有目标图的标定板;打开识别设备上的AR应用,在其中调用识别设备的摄像头,对准该铁路沿线地段,当标定板上的目标图进入摄像头时,被AR应用识别,AR应用显示货车包络模型,并将其叠加到摄像头中的实际景象中,调节摄像头的位置,使显示的货车包络模型中货车转向架与摄像头中的实际景象中的铁轨位置关系跟实际运输过程中货车转向架与铁轨的位置关系一致;
最后,根据叠加后的视图,观察铁路沿线地段的障碍物是否入侵货车包络模型边界,从而判断货车能否安全通过该铁路沿线地段。
在实际应用过程中,也可以单独采用上述AR技术判断判断货车能否安全通过该铁路沿线地段。
进一步地,所述目标图采用二维码图片。
本发明还提供一种基于SDF的长大货物铁路运输辅助选线系统,包括识别装置、识别设备和服务器;
所述识别装置具体结构如下:包括设置有棋盘格图案的标定板、设置有二维码图片的标定板、两根连杆和四个滑轮;
设置有棋盘格图案的标定板的边长为0.3m*0.4m,板上每个格子的边长为3cm;
设置有二维码图片的标定板(亚克力板),二维码边长为0.3m*0.3m;
利用连接件将两个标定板固定在连杆上;两个标定板在同一平面上平行放置;
每根连杆两端各设置一个滑轮;
滑轮利用螺丝连接到连杆上,可实现在铁轨上滑动;
连杆作为识别平台支撑部分,可架设在铁轨上;
所述识别设备为配备有摄像头的手机等便携式移动设备,用于进行AR识别和拍照;
所述服务器用于接收识别设备上传的图片,并使用高性能的图形工作站进行环境点云三维重建与SDF计算,将得到的结果返回检测人员的移动设备或PC端中,运算过程中产生的数据被保存为限界数据文档以待下次选线时使用。数据文档应当包括滤波去噪后的真实环境点云、装载货物的货车包络模型库和选线参考数据。
Claims (10)
1.一种基于SDF的长大货物铁路运输智能辅助选线方法,其中,所述SDF为有向距离场,其特征在于,包括以下步骤:
步骤1、获取包含障碍物的铁路沿线地段的真实环境点云;
步骤2、建立装载长大货物的货车的包络模型的AABB包围盒,及其有向距离场属性;
步骤2.1、基于装载长大货物的货车的原始模型,构建装载长大货物的货车的包络模型;然后确定包络模型上的最大横截面,纵向拉伸该最大横截面,得到与原货车包络模型等长的新的货车包络模型;
步骤2.2、对货车包络模型进行外扩,生成AABB包围盒,然后对AABB包围盒进行体素化处理;
步骤2.3、分别计算AABB包围盒中各个体素的顶点到货车包络模型的有向距离场值,有向距离场值为正代表该体素顶点在货车包络模型外部,为负数代表该体素顶点在货车包络模型内部,为0代表该体素顶点在货车包络模型上;由各个体素顶点到货车包络模型的有向距离场值,建立该AABB包围盒的有向距离场属性;
步骤3、基于铁路沿线地段的真实环境点云和AABB包围盒的有向距离场属性判断真实环境中的各个环境点与货车包络模型的限界关系;
步骤3.1、将真实环境点云和AABB包围盒置于同一坐标系下,且两者根据实际运输过程中铁轨与货车转向架的位置关系进行摆放;
步骤3.2、依次判断真实环境点云中的各个环境点相对于AABB包围盒的位置,若在AABB包围盒外则认为该环境点对装载长大货物的货车的运输无影响,若在AABB包围盒内,则判断其处于AABB包围盒哪个体素中,基于其所在体素各个顶点的有向距离场值,计算该环境点的有向距离场值;若计算得到的有向距离场值为正,说明该环境点在货车包络模型外部,若为负说明该环境点在货车包络模型内部,若为0说明该环境点在货车包络模型上;若存在位于货车包络模型内部的环境点,则装载长大货物的货车无法通过该铁路沿线地段,否则能通过该铁路沿线地段,从而实现辅助选线。
2.根据权利要求1所述的基于SDF的长大货物铁路运输智能辅助选线方法,其特征在于,所述步骤1包括以下步骤:
步骤1.1、对于包含障碍物的铁路沿线地段,在该地段铁轨上放置参考物,然后拍摄该地段包括障碍物和参考物在内的照片;其中障碍物是指可能对长大货物运输产生影响的铁路线路特征;
步骤1.2、基于拍摄得到的照片进行铁路沿线地段的环境三维重建,获得环境点云;
步骤1.3、对环境点云进行去噪;
步骤1.4、从环境点云中分割出属于参考物部分的点云;
步骤1.5、制作参考物标准点云,其由反映参考物的实际尺寸的点(x,y,z)组成;
步骤1.6、由分割得到的环境点云中属于参考物部分的点云和参考物标准点云,计算坐标变换矩阵;
步骤1.7、根据坐标变换矩阵对环境点云进行变换,得到真实环境点云。
3.根据权利要求2所述的基于SDF的长大货物铁路运输智能辅助选线方法,其特征在于,所述步骤1.1中,参考物为设置有棋盘格图案的标定板。
4.根据权利要求2所述的基于SDF的长大货物铁路运输智能辅助选线方法,其特征在于,所述步骤1.2中,采用SFM算法环境三维重建,获得环境点云,方法为:首先采用SIFT算法检测每张照片中障碍物的SIFT特征点,从而提取所有照片中的特征点集,并得到多张照片之间的匹配特征点对;同时,采用Ratio Test方法来排除匹配结果中误匹配的情况;然后由相机的变换矩阵和匹配点的坐标采用三角化的方式进行环境三维重建,获得环境点云;最后,采用Bundle Adjustment算法优化环境三维重建的结果。
5.根据权利要求2所述的基于SDF的长大货物铁路运输智能辅助选线方法,其特征在于,所述步骤1.3中,对环境点云进行去噪包括以下步骤:
首先,使用统计滤波器滤除环境点云中的噪点,计算每个点到其周围点集的平均距离,得到这些距离的均值和方差,使用高斯分布的3σ准则去除点云中平均距离比样本均值大0.5个方差的点;
然后,使用半径滤波器和条件滤波器进一步滤除环境点云中的离群点,调整条件滤波器的条件参数以将非相关的噪声点集从点云中完全滤除。
6.根据权利要求3所述的基于SDF的长大货物铁路运输智能辅助选线方法,其特征在于,所述步骤1.4中,先采用基于颜色的区域生长算法从环境点云中分割出属于棋盘格黑色部分的点云;然后将棋盘格黑色部分的点云绕其中心对称复制,填充没有被分割的白色部分点云,还原得到完整的棋盘格点云。
7.根据权利要求6所述的基于SDF的长大货物铁路运输智能辅助选线方法,其特征在于,所述步骤1.6中,采用SICP算法进行完整的棋盘格点云和棋盘格标准点云的配准,计算坐标变换矩阵;
设标准棋盘格点云为P={pi,i=1,2,…,Np},分割后得到的棋盘格点云为M={mj,j=1,2,…,n},其中,pi表示标准棋盘格点云中的点,i表示标准棋盘格点云中点的序号,Np表示标准棋盘格点云中点的总数,mj表示分割后得到的棋盘格点云中的点,j表示分割后得到的棋盘格点云中点的序号,n表示分割后得到的棋盘格点云中点的总数;采用SICP进行点云配准过程包括以下步骤:
1)设置初始旋转矩阵、平移向量和缩放系数分别为R0、T0和S0;设置迭代次数的初始值k=0;
2)根据当前廓形查找最近邻点对:
其中,Rk、Tk、Sk分别表示第k次迭代的旋转矩阵、平移向量和缩放系数,c(i)表示使查找邻近点对公式达到最小值时的j的取值;
3)通过能量最小化函数,计算最优旋转矩阵、平移向量和缩放系数,记为Rk+1、Tk+1和Sk+1,公式为:
其中,R、T、S分别表示旋转矩阵、平移向量和缩放系数,mc(i)表示所查找最近邻点云;
4)令迭代次数k=k+1,返回步骤2)进行迭代,当迭代次数达到最大迭代次数后停止迭代,由最终得到的最优旋转矩阵、平移向量和缩放系数构成坐标转换矩阵。
8.根据权利要求1~7中任一项所述的基于SDF的长大货物铁路运输智能辅助选线方法,其特征在于,所述步骤2.3中,先将货车包络模型表面分割为多个面片,然后遍历AABB包围盒中各个体素的顶点,针对每个体素顶点计算其到货车包络模型表面各个面片的距离,得到最短距离作为该体素顶点到货车包络模型的有向距离场值;在计算过程中定义位于货车包络模型内部的体素顶点到货车包络模型表面各个面片的距离为负数;定义位于货车包络模型外部的体素顶点到货车包络模型表面各个面片的距离为正数。
9.根据权利要求1~7中任一项所述的基于SDF的长大货物铁路运输智能辅助选线方法,其特征在于,所述步骤3.1中,将真实环境点云和AABB包围盒置于同一坐标系下,且对两者的摆放位置进行调整后,获得位置调整后的AABB包围盒上的最小坐标点和最大坐标点,分别记为(xmin,ymin,zmin)和(xmax,ymax,zmax);其中,xmin,ymin,zmin分别表示最小坐标点在x轴上的坐标分量、y轴上的坐标分量及z轴上的坐标分量,xmax,ymax,zmax分别表示最大坐标点在x轴上的坐标分量、y轴上的坐标分量及z轴上的坐标分量;
所述步骤3.2中,设真实环境点云中的环境点坐标为(x,y,z),其中,x,y,z分别表示真实环境点云中的环境点在x轴上的坐标分量、y轴上的坐标分量及z轴上的坐标分量;环境点云中的环境点若满足xmin≤x≤xmax或ymin≤y≤ymax或zmin≤z≤zmax,则在AABB包围盒内,存在妨碍货车运输的可能;否则该环境点在AABB包围盒外;对于在包围盒内的环境点(x,y,z),首先计算设其所处的AABB包围盒体素编号(i,j,k),计算公式为:
其中,函数Floor()表示向下取整,h表示体素边长,体素编号(i,j,k)表示该体素是AABB包围盒沿x轴第i个,沿y轴第j个,沿z轴第k个体素;
然后,基于编号为(i,j,k)的体素的八个顶点的有向距离场值,采用三维拉格朗日插值方法计算该环境点到货车包络模型表面各个面片的最短距离,即该环境点的有向距离场值T,计算公式为:
T=(1-a)*(1-b)*(1-c)*fSDF(i,j,k)+a*(1-b)*(1-c)*fSDF(i+1,j,k)+(1-a)*b*(1-c)*fSDF(i,j+1,k)+(1-a)*(1-b)*c*fSDF(i,j,k+1)+a*b*(1-c)*fSDF(i+1,j+1,k)+a*(1-b)*c*fSDF(i+1,j,k+1)+(1-a)*b*c*fSDF(i,j+1,k+1)+a*b*c*fSDF(i+1,j+1,k+1)
其中,fSDF(i,j,k)、fSDF(i+1,j,k)、fSDF(i,j+1,k)、fSDF(i,j,k+1)、fSDF(i+1,j+1,k)、fSDF(i+1,j,k+1)、fSDF(i,j+1,k+1)和fSDF(i+1,j+1,k+1)分别为编号为(i,j,k)的体素的八个顶点的有向距离场值;a、b和c为体素余量,a=x-Floor(x),b=y-Floor(y),c=z-Floor(z)。
10.根据权利要求1~7中任一项所述的基于SDF的长大货物铁路运输智能辅助选线方法,其特征在于,采用AR技术对步骤3的判断结果进行验证,包括以下步骤:
首先,在三维软件Unity内部使用AR插件Vuforia,添加待识别的目标图,并设置识别到该目标图时要显示的货车包络模型,生成AR应用,并将其安装到识别设备上;
然后,对需要进行验证的铁路沿线地段,在铁轨上放置设有目标图的标定板;打开识别设备上的AR应用,在其中调用识别设备的摄像头,对准该铁路沿线地段,当标定板上的目标图进入摄像头时,被AR应用识别,AR应用显示货车包络模型,并将其叠加到摄像头中的实际景象中,调节摄像头的位置,使识别设备显示的货车包络模型中货车转向架与摄像头实际景象中铁轨的位置和比例关系跟实际运输过程中货车转向架与铁轨的位置和比例关系一致;
最后,根据叠加后的视图,观察铁路沿线地段的障碍物是否入侵货车包络模型边界,从而判断货车能否安全通过该铁路沿线地段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910299631.0A CN110032800B (zh) | 2019-04-15 | 2019-04-15 | 一种基于sdf的长大货物铁路运输智能辅助选线方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910299631.0A CN110032800B (zh) | 2019-04-15 | 2019-04-15 | 一种基于sdf的长大货物铁路运输智能辅助选线方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110032800A CN110032800A (zh) | 2019-07-19 |
CN110032800B true CN110032800B (zh) | 2021-03-16 |
Family
ID=67238386
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910299631.0A Active CN110032800B (zh) | 2019-04-15 | 2019-04-15 | 一种基于sdf的长大货物铁路运输智能辅助选线方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110032800B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117726196A (zh) * | 2024-02-18 | 2024-03-19 | 中南大学 | 一种用于铁路选线的环境适宜度综合评价方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108369775B (zh) * | 2015-11-04 | 2021-09-24 | 祖克斯有限公司 | 响应于物理环境的改变自适应制图以对自主车辆进行导航 |
CN105426628B (zh) * | 2015-12-10 | 2018-06-01 | 中南大学 | 一种复杂产品异构模型融合方法 |
CN105956214B (zh) * | 2016-04-11 | 2019-06-07 | 中南大学 | 一种高速列车虚拟限界计算方法 |
-
2019
- 2019-04-15 CN CN201910299631.0A patent/CN110032800B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110032800A (zh) | 2019-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Automatic building information model reconstruction in high-density urban areas: Augmenting multi-source data with architectural knowledge | |
Isailović et al. | Bridge damage: Detection, IFC-based semantic enrichment and visualization | |
CN109447994B (zh) | 结合完全残差与特征融合的遥感图像分割方法 | |
CN109615611B (zh) | 一种基于巡检影像的绝缘子自爆缺陷检测方法 | |
Nurunnabi et al. | Robust cylinder fitting in three-dimensional point cloud data | |
CN110032949A (zh) | 一种基于轻量化卷积神经网络的目标检测与定位方法 | |
Xu et al. | Reconstruction of scaffolds from a photogrammetric point cloud of construction sites using a novel 3D local feature descriptor | |
CN109598794B (zh) | 三维gis动态模型的构建方法 | |
CN111047695B (zh) | 一种城市群高度空间信息及等高线的提取方法 | |
Cheng et al. | Integration of LiDAR data and optical multi-view images for 3D reconstruction of building roofs | |
CN103426200B (zh) | 基于无人机航拍序列图像的树木三维重建方法 | |
Bremer et al. | Eigenvalue and graph-based object extraction from mobile laser scanning point clouds | |
CN111402414A (zh) | 一种点云地图构建方法、装置、设备和存储介质 | |
CN111768417A (zh) | 基于单目视觉3d重建技术的铁路货车超限检测方法 | |
Condorelli et al. | A comparison between 3D reconstruction using nerf neural networks and mvs algorithms on cultural heritage images | |
Kwak et al. | Automatic 3D building model generation from lidar and image data using sequential minimum bounding rectangle | |
Alidoost et al. | Y-shaped convolutional neural network for 3d roof elements extraction to reconstruct building models from a single aerial image | |
EP4174792A1 (en) | Method for scene understanding and semantic analysis of objects | |
CN110032800B (zh) | 一种基于sdf的长大货物铁路运输智能辅助选线方法 | |
Husain et al. | Detection and thinning of street trees for calculation of morphological parameters using mobile laser scanner data | |
CN117315146A (zh) | 基于跨尺度多源数据的三维模型的重建方法及存储方法 | |
CN114549780B (zh) | 一种基于点云数据的大型复杂构件智能化检测方法 | |
CN114004740B (zh) | 基于无人机激光雷达点云的建筑物墙线提取方法 | |
Yue et al. | A method for extracting street trees from mobile LiDAR point clouds | |
Zhu | A pipeline of 3D scene reconstruction from point clouds |
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 |