CN111999740A - 无人机载激光雷达数据获取方法、系统、装置以及介质 - Google Patents

Abstract

本发明公开一种无人机载激光雷达数据获取方法、系统、装置以及介质，该方法包括：根据获取的飞行路径结合同步地图生成对应于无人机的位置信息，根据位置信息生成控制指令，并向激光雷达发送所述控制指令，位置信息包括飞行路径上的关键区域和非关键区域的位置信息；根据控制指令调整激光雷达的扫描分辨率并驱动所述激光雷达获取特征量；获取飞行路径以及特征量并发送到地面处理平台，对丢失或者错误的特征量进行补充。本发明的有益效果是：通过对关键区域的特征量进行密集采集，对丢失或者错误的特征量进行补充，能够解决激光雷达采集的数据总量偏大，而关键区域数据量不足及丢失的问题。

Description

无人机载激光雷达数据获取方法、系统、装置以及介质

技术领域

本发明涉及无人机载激光雷达数据获取技术领域，尤其涉及一种无人机载激光雷达数据获取方法、系统、装置以及介质。

背景技术

激光雷达系统指的是用激光器作为辐射源的雷达，现有的激光雷达系统的体积小，质量小，常搭载于无人机平台上，为激光雷达点云数据的获取提供了更为灵活的途径。轻小型无人机载激光雷达系统可以在距离目标较近的区域开展作业，并且相对于直升飞机等机载系统来说，在有效减少作业成本的同时，也可前往不易到达的区域。

但激光雷达扫描得到的数据量大，如果采用同样的分辨率在飞行路径上进行数据采集，当无人机长时间作业后，会带来较大的存储空间需求，这与无人机的轻小型设计相悖，同时也会导致数据处理耗时长，还会导致无关区域数据量过大，关键区域数据量不足的问题；而且，大规模、高密度信标广播将会带来巨大的通信开销，很容易引起通信质量的下降，再加上实际通信环境中的遮挡、电磁辐射等因素对信号传输的影响，导致通过GPS/DR采集到的原始位置数据传输过程中出现丢失现象。

发明内容

针对上述问题，本发明提出一种无人机载激光雷达数据获取方法、系统、装置以及介质，通过结合关键区域，主要解决激光雷达采集的数据总量偏大，而关键区域数据量不足及丢失的问题。

为解决上述技术问题，本发明第一方面公开了一种无人机载激光雷达数据获取方法，包括：

根据获取的飞行路径结合同步地图生成对应于无人机的位置信息，根据所述位置信息生成控制指令，并向激光雷达发送所述控制指令，所述位置信息包括所述飞行路径上的关键区域和非关键区域的位置信息；

根据所述控制指令调整激光雷达的扫描分辨率并驱动所述激光雷达获取特征量，所述控制指令包括所述关键区域内获取的特征量的扫描分辨率，以及所述非关键区域内获取的特征量的扫描分辨率；

获取所述飞行路径以及特征量并发送到地面处理平台，利用基于Singer模型的卡尔曼预测方程对丢失或者错误的所述特征量进行补充。

作为一种可选的实施方式，所述特征量包括电力杆塔、树木或电力线路中的至少一种。

作为一种可选的实施方式，所述根据获取的飞行路径结合同步地图生成对应于无人机的位置信息具体为：判断所述同步地图中是否存储有所述飞行路径的地面信息，若有，则根据所述地面信息的区域确定关键区域的位置；若无，则将缺失所述地面信息的区域设置为关键区域，并将扫描得到的特征量处理后更新地图。

作为一种可选的实施方式，所述关键区域的扫描范围由所述关键区域的原始边界往外扩展a米。

作为一种可选的实施方式，所述关键区域内获取的特征量的扫描分辨率为M2米，时间间隔为N2秒，所述非关键区域内获取的特征量的扫描分辨率为M1米，时间间隔为N1秒，且M1大于M2，N1大于N2。

作为一种可选的实施方式，所述M1的取值范围为1-2，M2的取值范围为0.1-1，N1的取值范围为5-10，N2的取值范围为1-5，所述a的取值范围为50-100。

作为一种可选的实施方式，所述利用基于Singer模型的卡尔曼预测方程对丢失或者错误的所述特征量进行补充的步骤为：

无人机位置姿态补充，

根据Singer模型得到的卡尔曼状态方程和观测方程为：

Z(t+N)＝HX(t+N)+ε(N)

其中，X＝(x,y,z,ax,ay,az,wx,wy,wz)T，X()为某时刻无人机的位置姿态向量，

为状态转移矩阵，δ()为系统噪声，Z()为观测量，H为观察方程，ε()为观测噪声，其中x,y,z表示无人机所在位置的三轴坐标值，ax,ay,az表示无人机采集点的三轴加速度值，wx,wy,wz表示无人机采集点的三轴角速度值；

预测方程和误差协方差为：

其中，P()为某时刻无人机的误差向量，Q为随机误差，

为姿态角，^代表估计值；

根据无人机位置姿态补充点云数据，

为无人机在i时刻的补充点云数据，

为无人机在i时刻的位置，α、β分别为无人机在i时刻的方位角和天顶角，Q_i为i时刻的随机误差。

本发明第二方面公开了一种无人机载激光雷达数据获取系统，包括：

数据处理模块，用于根据获取的飞行路径结合同步地图生成对应于无人机的位置信息，根据所述位置信息生成控制指令，并向激光雷达发送所述控制指令，所述位置信息包括所述飞行路径上的关键区域和非关键区域的位置信息；

指令执行模块，用于根据所述控制指令调整激光雷达的扫描分辨率并驱动所述激光雷达获取特征量，所述控制指令包括所述关键区域内获取的特征量的扫描分辨率，以及所述非关键区域内获取的特征量的扫描分辨率，

无线通信模块，用于获取所述飞行路径以及特征量并发送到地面处理平台，所述地面处理平台利用基于Singer模型的卡尔曼预测方程对丢失或者错误的所述特征量进行补充。

本发明第三方面公开了一种无人机载激光雷达数据获取装置，所述装置包括存储器和处理器，其中，

所述存储器用于存储可执行程序代码；

所述处理器与所述存储器耦合；

所述处理器调用所述存储器中存储的所述可执行程序代码，执行上述的无人机载激光雷达数据获取方法。

本发明第四方面公开了一种计算机可存储介质，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行上述的无人机载激光雷达数据获取方法。

本发明的有益效果为：通过对关键区域的激光雷达获取的特征量进行密集采集，结合基于Singer模型的卡尔曼预测方程对丢失或者错误的特征量进行补充，实现了激光雷达扫描数据的完整性和准确性，能够解决现有技术中激光雷达采集的数据总量偏大，而关键区域数据量不足及丢失的问题。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例一公开的一种无人机载激光雷达数据获取方法的流程示意图；

图2是本发明实施例二公开的一种无人机载激光雷达数据获取系统的示意图；

图3是本发明实施例三公开的另一种无人机载激光雷达数据获取装置的示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

需要说明的是，本申请实施例的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统或装置不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法或装置固有的其它步骤或单元。

本申请实施例公开了一种无人机载激光雷达数据获取方法、系统、装置以及介质，实现了激光雷达扫描数据的完整性和准确性。以下将结合附图进行详细描述。

实施例一

请参阅图1，图1是本发明实施例公开的一种无人机载激光雷达数据获取方法的流程示意图。其中，图1所示的方法可以用于无人机中，本发明实施例不做限定。如图1所示，该无人机载激光雷达数据获取方法可以包括以下步骤：

101、无人机根据获取的飞行路径结合同步地图生成对应于无人机的位置信息，根据位置信息生成控制指令，并向激光雷达发送控制指令，位置信息包括飞行路径上的关键区域和非关键区域的位置信息。

本发明实施例中，获取的飞行路径存储在无人机电路板上的路径规划单元中，同步地图存储在无人机电路板上的地图同步单元中，无人机中的微处理器通过分别向路径规划单元和地图同步单元发送查询指令，路径规划单元和地图同步单元接收查询指令后向微处理器反馈预设的飞行路径以及存储的同步地图，微处理器结合飞行路径以及同步地图数据计算生成位置信息，微处理器根据生成的位置信息再次生成对应的控制指令，假设预设的飞行路径为一条长达一公里的直线，根据同步地图的显示，该飞行路径上存在三个关键区域，其余地区则为非关键区域，则微处理器输出包含三个关键区域的具体坐标，并将关键区域的具体坐标经转化后向激光雷达发送控制指令。

102、无人机根据所述控制指令调整激光雷达的扫描分辨率并驱动所述激光雷达获取特征量，控制指令包括关键区域内获取的特征量的扫描分辨率，以及非关键区域内获取的特征量的扫描分辨率。

本发明实施例中，无人机根据其微处理器内计算获得的控制指令控制激光雷达在关键区域内增加特征量的扫描分辨率，而在非关键区域内则保持原始的特征量的扫描分辨率，激光雷达的分辨率根据无人机所处区域进行调整，关键区域内获取的数据量需大于非关键区域内获取的数据量，使到关键区域的所获取的特征量更加密集，保证有效数据更加丰富。

103、无人机获取飞行路径以及特征量并发送到地面处理平台，利用基于Singer模型的卡尔曼预测方程对丢失或者错误的特征量进行补充。

本发明实施例中，地面处理平台作为信息处理的终端，将远程接收的飞行路径以及特征量经基于Singer模型的卡尔曼预测方程运算后进行还原以及补充。经过还原以及补充后的数据与实际存在的目标几乎无数据偏移。

在一个可选的实施例中，特征量包括电力杆塔、树木或电力线路中的至少一种。还可以根据实际情况增加其他的目标，如建筑、河流等等，所获取的特征量通过预先输入特征模型以及设置阈值过滤噪声。

在一个可选的实施例中，根据获取的飞行路径结合同步地图生成对应于无人机的位置信息具体为：判断同步地图中是否存储有飞行路径的地面信息，若有，则根据地面信息的区域确定关键区域的位置；若无，则将缺失地面信息的区域设置为关键区域，并将扫描得到的特征量处理后更新地图。通过设置关键区域，以便于数据采集时针对不同区域使用不同分辨率进行采集，提高数据采集效率。

在一个可选的实施例中，关键区域的扫描范围由关键区域的原始边界往外扩展a米。

在一个可选的实施例中，关键区域内获取的特征量的扫描分辨率为M2米，时间间隔为N2秒，非关键区域内获取的特征量的扫描分辨率为M1米，时间间隔为N1秒，且M1大于M2，N1大于N2。

作为本发明的一个优选实施例，M1的取值范围为1-2，M2的取值范围为0.1-1，N1的取值范围为5-10，N2的取值范围为1-5，a的取值范围为50-100。避免同一分辨率情况下，导致的无关区域数据量过大，而关键区域数据量不足的问题，显著提高数据有效率，分辨率的最优取值根据实际点云数据的处理经验推算，具有一些预料不到的效果，比如关键区域需要每隔0.2或0.5米一个点的时间间隔也是根据实际采集数据时的经验得出，平衡了数据量以及数据完整性。

同时还提供一个基于Singer模型的卡尔曼预测方程优选实施例，上述的利用基于Singer模型的卡尔曼预测方程对丢失或者错误的特征量进行补充的步骤为：

第一步，无人机位置姿态补充，

根据Singer模型得到的卡尔曼状态方程和观测方程分别为：

Z(t+N)＝HX(t+N)+ε(N)

其中，X＝(x,y,z,ax,ay,az,wx,wy,wz)T，X()为某时刻无人机的位置姿态向量，

为状态转移矩阵，δ()为系统噪声，Z()为观测量，H为观察方程，ε()为观测噪声，其中x,y,z表示无人机所在位置的三轴坐标值，ax,ay,az表示无人机采集点的三轴加速度值，wx,wy,wz表示无人机采集点的三轴角速度值；

第二步，预测方程和误差协方差为：

其中，P()为某时刻无人机的误差向量，Q为随机误差，

为姿态角，^代表估计值；

第三步，根据无人机位置姿态补充点云数据，

为无人机在i时刻的补充点云数据，

为无人机在i时刻的位置，α、β分别为无人机在i时刻的方位角和天顶角，Q_i为i时刻的随机误差。

以上述的算式对飞行路径以及特征量进行计算，通过预测结果结合测量值来估计当前系统的状态，避免了激光雷达在不同区域的扫描分辨率不同造成数据缺失的问题。

实施例二

请参阅图2，一种无人机载激光雷达数据获取系统，包括：

数据处理模块201，用于根据获取的飞行路径结合同步地图生成对应于无人机的位置信息，根据位置信息生成控制指令，并向激光雷达发送控制指令，位置信息包括飞行路径上的关键区域和非关键区域的位置信息；

指令执行模块202，用于根据控制指令调整激光雷达的扫描分辨率并驱动激光雷达获取特征量，控制指令包括关键区域内获取的特征量的扫描分辨率，以及非关键区域内获取的特征量的扫描分辨率；

无线通信模块203，用于获取飞行路径以及特征量并发送到地面处理平台，地面处理平台利用基于Singer模型的卡尔曼预测方程对丢失或者错误的特征量进行补充。

本发明实施例中，可以在微处理器中划分出两部分运算资源分别作为数据处理模块201和指令执行模块202的虚拟运算单元，数据处理模块201和指令执行模块202从而完成数据处理和指令执行的动作，然后将数据处理模块201和指令执行模块202的运算内容共同传输到无线通信模块203，无线通信模块203将飞行路径以及特征量经过编码发送到地面处理平台。另外，无线通信模块203可以是较微处理器相对独立的外挂模块，也可以是集成在微处理器上的集成模块。

在一个可选的实施例中，特征量包括电力杆塔、树木或电力线路中的至少一种。

在一个可选的实施例中，根据获取的飞行路径结合同步地图生成对应于无人机的位置信息具体为：判断同步地图中是否存储有飞行路径的地面信息，若有，则根据地面信息的区域确定关键区域的位置；若无，则将缺失地面信息的区域设置为关键区域，并将扫描得到的特征量处理后更新地图。

在一个可选的实施例中，关键区域的扫描范围由关键区域的原始边界往外扩展a米。

在一个可选的实施例中，关键区域内获取的特征量的扫描分辨率为M2米，时间间隔为N2秒，非关键区域内获取的特征量的扫描分辨率为M1米，时间间隔为N1秒，且M1大于M2，N1大于N2。

作为本发明的一个优选实施例，M1的取值范围为1-2，M2的取值范围为0.1-1，N1的取值范围为5-10，N2的取值范围为1-5，a的取值范围为50-100。

同时还提供一个基于Singer模型的卡尔曼预测方程优选实施例，上述的利用基于Singer模型的卡尔曼预测方程对丢失或者错误的特征量进行补充的步骤为：

第一步，无人机位置姿态补充，

根据Singer模型得到的卡尔曼状态方程和观测方程为：

Z(t+N)＝HX(t+N)+ε(N)

其中，X＝(x,y,z,ax,ay,az,wx,wy,wz)T，X()为某时刻无人机的位置姿态向量，

为状态转移矩阵，δ()为系统噪声，Z()为观测量，H为观察方程，ε()为观测噪声，其中x,y,z表示无人机所在位置的三轴坐标值，ax,ay,az表示无人机采集点的三轴加速度值，wx,wy,wz表示无人机采集点的三轴角速度值；

第二步，预测方程和误差协方差为：

其中，P()为某时刻无人机的误差向量，Q为随机误差，

为姿态角，^代表估计值；

第三步，根据无人机位置姿态补充点云数据，

为无人机在i时刻的补充点云数据，

为无人机在i时刻的位置，α、β分别为无人机在i时刻的方位角和天顶角，Q_i为i时刻的随机误差。

实施例三

请参阅图3，一种无人机载激光雷达数据获取装置，装置包括存储器和处理器，其中，

存储器301用于存储可执行程序代码；

处理器302与存储器301耦合；

处理器302调用存储器301中存储的可执行程序代码，执行实施例一所述的无人机载激光雷达数据获取方法。

存储器301可以包括随机存储器(Random Access Memory，RAM)，也可以包括只读存储器(Read-Only Memory)。可选地，该存储器包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器301可用于存储指令、程序、代码、代码集或指令集。存储器301可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令、用于实现上述各个方法实施例的指令等；存储数据区可存储根据服务器的使用所创建的数据等。

处理器302可以包括一个或者多个处理核心。处理器302利用各种接口和线路连接整个服务器内的各个部分，通过运行或执行存储在存储器301内的指令、程序、代码集或指令集，以及调用存储在存储器301内的数据，执行服务器的各种功能和处理数据。可选地，处理器302可以采用数字信号处理(Digital Signal Processing，DSP)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)、可编程逻辑阵列(Programmable LogicArray，PLA)中的至少一种硬件形式来实现。处理器302可集成中央处理器(CentralProcessing Unit，CPU)和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统和应用程序等；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器302中，单独通过一块芯片进行实现。

实施例四

此外，本申请实施例进一步公开一种计算机可存储介质，计算机存储介质存储有计算机指令，计算机指令被调用时，用于执行如实施例一所述的无人机载激光雷达数据获取方法。

实施例五

此外，本申请实施例进一步公开一种计算机程序产品，当该计算机程序产品在计算机上运行时，使得计算机执行执行如实施例一所述的无人机载激光雷达数据获取方法。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质包括只读存储器(Read-Only Memory，ROM)、随机存储器(Random Access Memory，RAM)、可编程只读存储器(Programmable Read-only Memory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory，OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。

上述实施例只是为了说明本发明的技术构思及特点，其目的是在于让本领域内的普通技术人员能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡是根据本发明内容的实质所做出的等效的变化或修饰，都应涵盖在本发明的保护范围内。

Claims (10)

1.一种无人机载激光雷达数据获取方法，其特征在于，包括：

根据获取的飞行路径结合同步地图生成对应于无人机的位置信息，根据所述位置信息生成控制指令，并向激光雷达发送所述控制指令，所述位置信息包括所述飞行路径上的关键区域和非关键区域的位置信息；

根据所述控制指令调整激光雷达的扫描分辨率并驱动所述激光雷达获取特征量，所述控制指令包括所述关键区域内获取的特征量的扫描分辨率，以及所述非关键区域内获取的特征量的扫描分辨率；

获取所述飞行路径以及特征量并发送到地面处理平台，利用基于Singer模型的卡尔曼预测方程对丢失或者错误的所述特征量进行补充。

2.如权利要求1所述的无人机载激光雷达数据获取方法，其特征在于，所述特征量包括电力杆塔、树木或电力线路中的至少一种。

3.如权利要求1所述的无人机载激光雷达数据获取方法，其特征在于，所述根据获取的飞行路径结合同步地图生成对应于无人机的位置信息具体为：判断所述同步地图中是否存储有所述飞行路径的地面信息，若有，则根据所述地面信息的区域确定关键区域的位置；若无，则将缺失所述地面信息的区域设置为关键区域，并将扫描得到的特征量处理后更新地图。

4.如权利要求1所述的无人机载激光雷达数据获取方法，其特征在于，所述关键区域的扫描范围由所述关键区域的原始边界往外扩展a米。

5.如权利要求4所述的无人机载激光雷达数据获取方法，其特征在于，所述关键区域内获取的特征量的扫描分辨率为M2米，时间间隔为N2秒，所述非关键区域内获取的特征量的扫描分辨率为M1米，时间间隔为N1秒，且M1大于M2，N1大于N2。

6.如权利要求5所述的无人机载激光雷达数据获取方法，其特征在于，所述M1的取值范围为1-2，M2的取值范围为0.1-1，N1的取值范围为5-10，N2的取值范围为1-5，所述a的取值范围为50-100。

7.如权利要求1所述的无人机载激光雷达数据获取方法，其特征在于，所述利用基于Singer模型的卡尔曼预测方程对丢失或者错误的所述特征量进行补充的步骤为：

无人机位置姿态补充，

根据Singer模型得到的卡尔曼状态方程和观测方程为：

Z(t+N)＝HX(t+N)+ε(N)

其中，X＝(x,y,z,ax,ay,az,wx,wy,wz)T，X()为某时刻无人机的位置姿态向量，

为状态转移矩阵，δ()为系统噪声，Z()为观测量，H为观察方程，ε()为观测噪声，其中x,y,z表示无人机所在位置的三轴坐标值，ax,ay,az表示无人机采集点的三轴加速度值，wx,wy,wz表示无人机采集点的三轴角速度值；

预测方程和误差协方差为：

其中，P()为某时刻无人机的误差向量，Q为随机误差，

为姿态角，^代表估计值；

根据无人机位置姿态补充点云数据，

为无人机在i时刻的补充点云数据，

为无人机在i时刻的位置，α、β分别为无人机在i时刻的方位角和天顶角，Q_i为i时刻的随机误差。

8.一种无人机载激光雷达数据获取系统，其特征在于，包括：

数据处理模块，用于根据获取的飞行路径结合同步地图生成对应于无人机的位置信息，根据所述位置信息生成控制指令，并向激光雷达发送所述控制指令，所述位置信息包括所述飞行路径上的关键区域和非关键区域的位置信息；

指令执行模块，用于根据所述控制指令调整激光雷达的扫描分辨率并驱动所述激光雷达获取特征量，所述控制指令包括所述关键区域内获取的特征量的扫描分辨率，以及所述非关键区域内获取的特征量的扫描分辨率，

无线通信模块，用于获取所述飞行路径以及特征量并发送到地面处理平台，所述地面处理平台利用基于Singer模型的卡尔曼预测方程对丢失或者错误的所述特征量进行补充。

9.一种无人机载激光雷达数据获取装置，其特征在于，所述装置包括存储器和处理器，其中，

所述存储器用于存储可执行程序代码；

所述处理器与所述存储器耦合；

所述处理器调用所述存储器中存储的所述可执行程序代码，执行如权利要求1-7任一项所述的无人机载激光雷达数据获取方法。

10.一种计算机可存储介质，其特征在于，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行如权利要求1-7任一项所述的无人机载激光雷达数据获取方法。

Images