CN112255633B - 一种无人自卸车在垃圾填埋场自动卸载的方法 - Google Patents

Abstract

本发明公开了一种无人自卸车在垃圾填埋场自动卸载的方法，通过在自卸车尾部设置多线激光雷达进行数据采集，从而获取自卸车后向点云数据，然后对点云数据进行坐标系变换、聚类分析处理，通过先验值比对的方式从而能自动区分障碍物和斜坡，对斜坡位置进行识别，并实时更新斜坡边界线的轨迹，适应斜坡的缓慢变形和后移；最终在倒车卸载作业过程中能实时精确获得自卸车与斜坡之间的距离；同时若识别的障碍物阻碍自卸车向斜坡行驶，则自卸车会停车发布预警，不需人工干预，最终确保自卸车在倒车卸载作业时的安全。

Description

一种无人自卸车在垃圾填埋场自动卸载的方法

技术领域

本发明涉及一种自动卸载垃圾的方法，具体是一种无人自卸车在垃圾填埋场自动卸载的方法。

背景技术

垃圾填埋场是采用卫生填埋方式下的垃圾集中堆放的场地，垃圾卫生填埋场因为成本低、卫生程度好在国内被广泛应用。垃圾的运输方式主要通过人工驾驶自卸车的方式运输到填埋场，随着经济社会发展，运输产生的人力成本越来越高，且人工驾驶自卸车的运输方式不能很好地解决运输安全和效率问题。因此，伴随着自动驾驶技术的发展，实现垃圾填埋场自卸车的自动驾驶是一个具有前景的解决途径。

在垃圾填埋场，自动驾驶的自卸车在进行垃圾运输过程中，在卸载区进行卸载作业时，是较为危险、关键的环节。如何准确的检测自卸车与规定卸载点的实时距离是至关重要的。目前通过在卸载区设置一面斜坡辅助自卸车在倒车卸载时进行识别是一种通用做法。自动驾驶自卸车通过相机或激光雷达作为检测传感器，实时检测斜坡与自卸车之间的距离，从而保证自卸车达到卸载点，但是由于垃圾填埋场较为恶劣的环境条件，现有的方式，并不能使自动驾驶自卸车精确获得其与斜坡之间的距离，从而导致自卸车无法达到卸载点进行垃圾卸载工作。

发明内容

针对上述现有技术存在的问题，本发明提供一种无人自卸车在垃圾填埋场自动卸载的方法，能实时精确获得自卸车与斜坡之间的距离，从而确保自卸车在倒车卸载作业时的安全。

为了实现上述目的，本发明采用的技术方案是：一种无人自卸车在垃圾填埋场自动卸载的方法，具体步骤为：

(1)采用多线激光雷达竖直布置在自动驾驶自卸车尾部，并确定激光雷达坐标系为lidar_link和自卸车坐标系为base_link；竖直布置激光雷达能够更好的表现远处的斜坡特征，使得有更多的激光点可以被斜坡反射，从而确保在较远位置仍可以实现检测。

(2)在自卸车行驶到卸载区后，开始倒车靠近卸载区的斜坡，此时启动多线激光雷达获取自卸车后向点云数据，并反馈给控制器；

(3)控制器对采集到的点云数据采用已知预处理方法滤除无效的数据，然后将激光雷达坐标系lidar_link下的点云数据转换到自卸车的base_link坐标系下；

(4)对完成坐标系转换后的数据进行地面分割处理(该方法为现有)，将大部分的地面点云数据分割之后，保留障碍物点云数据并进行聚类；

(5)聚类之后，利用斜坡边界线拟合匹配方法在多个聚类结果中识别出斜坡，具体为：由于卸载区斜坡的走势在一定时间内都是固定的，随着垃圾的堆积，斜坡慢慢向后平移，根据斜坡这一特征，首先使自卸车在卸载区内采用激光雷达采集一次斜坡数据，并提取斜坡和地面的交界点，同时利用自卸车带有的组合导航系统获取自卸车在当前大地坐标系下的位置，之后将base_link坐标系下的交界点转换到大地坐标系下，作为先验值；

获取一次先验值后，此时自卸车开始向斜坡倒车进行卸载作业；在倒车过程中，自卸车的多线激光雷达实时检测斜坡位置及多个障碍物，并对斜坡及每个障碍物分别提取其和地面的交界点，然后在base_link坐标系下将斜坡交界点和每个障碍物的交界点分别进行直线拟合，获得多个交界点直线方程及各自斜率，并分别获得base_link坐标系原点到各个交界点直线方程的垂直距离；此时根据得到的先验值及自卸车当前的大地坐标，将先验值由大地坐标系转换到当前自卸车的base_link坐标系后进行直线拟合，获得先验值直线方程并计算其斜率，并获得base_link坐标系原点到先验值直线方程的垂直距离；设定斜率阈值和距离差阈值，计算各个交界点直线方程分别与先验值直线方程的斜率差值和距离差值，将各个斜率差值和距离差值分别与斜率阈值和距离差阈值进行比对，若其中一个交界点直线方程的斜率差值和距离差值均未超过斜率阈值和距离差阈值，则确定其为斜坡交界点直线方程，从而完成一次倒车过程中斜坡的识别过程；之后，将本次得到的斜坡与地面交界点更新为先验值，在倒车过程中每次识别均进行更新，以此来适应斜坡的缓慢变形和位移，实现斜坡与地面交界线的自动更新；

(6)在步骤(5)进行斜坡识别过程中，若检测到的障碍物阻碍自卸车向斜坡行驶，则自卸车会停车发布预警；若没有障碍物阻碍自卸车行驶，则在斜坡识别完成后，对斜坡坡面进行平面拟合，从而得到base_link坐标系下三维空间内的平面方程，据此解算当前自卸车到斜坡的距离，如此实时监控，每次识别均重复步骤(5)和(6)，从而使自卸车在倒车卸载作业过程中实时获得到斜坡的距离。

进一步，所述步骤(3)的点云数据坐标系转换具体过程为：

采用A表示base_link坐标系，B表示lidar_link坐标系；测算得到的B相对A的RPY角度分别为γ、β、α，则由B系到A系的转换矩阵表示为：

式中：

R_X(γ)为绕着X轴转动γ角度；

R_Y(β)为绕着Y轴转动β角度；

R_Z(α)为绕着Z轴转动α角度；

为从B坐标系到A坐标系的转换矩阵；

此时，B坐标系下一点P_B＝[x₀ y₀ z₀]转换到A坐标系下P_A＝[x₁ y₁ z₁]，表示为：

依照上式能将点云数据中各个点从lidar_link坐标系下转换到base_link坐标系下。

进一步，所述步骤(5)的交界点坐标系转换后确定先验值的具体过程为：

设任意时刻，自卸车携带的组合导航系统解算得到base_link坐标系原点处的车辆航向角为θ₀，航向规定以正东方向为正方向，逆时针为正，大地坐标为：

Q₀＝(longitude₀,latitude₀,altitude₀)

式中：

longitude₀为当前时刻车辆base_link坐标系原点处的经度；

latitude₀为当前时刻车辆base_link坐标系原点处的纬度；

altitude₀为当前时刻车辆base_link坐标系原点处的高程；

局部base_link坐标系下有一点：

P_A＝[x₁ y₁ z₁]

首先，将在base_link下的P_A转换到大地坐标的东北天坐标系，令E表示东北天坐标系，转换后的坐标表示为：

P_E＝[x₂ y₂ z₂]

则转换表示为：

统一坐标系后，需要转换尺度，即将欧式距离转换到大地坐标系下的经度、维度和高程；假设转换后的坐标Q₁＝(longitude₁,latitude₁,altitude₁)，转换步骤如下：

altitude₁＝altitude₀+z₂

将各个交界点坐标转换完成后，从而获得先验值。

现有的技术一般都对卸载区的环境做了假设，认为卸载区内不会有其它障碍物的干扰，在进行地面分割之后即认为得到了斜坡数据，这种方法往往需要过多的人工干预，需要人工去清理卸载区内可能掉落的障碍物，以免出现误检，威胁自卸车的安全行驶。与现有技术相比，本发明可自动区分障碍物和斜坡，从而对斜坡进行识别，并实时更新斜坡边界线的轨迹，适应斜坡的缓慢变形和后移；能实时精确获得自卸车与斜坡之间的距离；同时若识别的障碍物阻碍自卸车向斜坡行驶，则自卸车会停车发布预警，不需人工干预，最终确保自卸车在倒车卸载作业时的安全。

附图说明

图1是本发明的多线激光雷达安装示意图；

图2是本发明中激光雷达采集的原始卸载区数据图；

图3是本发明对点云数据进行地面分割后得到的斜坡及路面上的障碍物数据图；

图4是本发明提取得到的斜坡和地面的交界点示意图；

图5是本发明的整体流程图；

图6是本发明中斜坡交界线匹配识别的流程图。

具体实施方式

下面将对本发明作进一步说明。

如图5所示，本发明具体步骤为：

(1)采用多线激光雷达竖直布置在自动驾驶自卸车尾部(如图1所示)，并确定激光雷达坐标系为lidar_link和自卸车坐标系为base_link；竖直布置激光雷达能够更好的表现远处的斜坡特征，使得有更多的激光点可以被斜坡反射，从而确保在较远位置仍可以实现检测。

(2)在自卸车行驶到卸载区后，开始倒车靠近卸载区的斜坡，此时启动多线激光雷达获取自卸车后向点云数据，并反馈给控制器；如图2所示；

(3)控制器对采集到的点云数据采用已知预处理方法滤除无效的数据，然后将激光雷达坐标系lidar_link下的点云数据转换到自卸车的base_link坐标系下，具体过程为：

采用A表示base_link坐标系，B表示lidar_link坐标系；测算得到的B相对A的RPY角度分别为γ、β、α，则由B系到A系的转换矩阵表示为：

式中：

R_X(γ)为绕着X轴转动γ角度；

R_Y(β)为绕着Y轴转动β角度；

R_Z(α)为绕着Z轴转动α角度；

为从B坐标系到A坐标系的转换矩阵；

此时，B坐标系下一点P_B＝[x₀ y₀ z₀]转换到A坐标系下P_A＝[x₁ y₁ z₁]，表示为：

依照上式能将点云数据中各个点从lidar_link坐标系下转换到base_link坐标系下。

(4)对完成坐标系转换后的数据进行地面分割处理，将大部分的地面点云数据分割之后，保留障碍物点云数据并进行聚类；如图3所示；

(5)聚类之后，利用斜坡边界线拟合匹配方法在多个聚类结果中识别出斜坡，具体为：由于卸载区斜坡的走势在一定时间内都是固定的，随着垃圾的堆积，斜坡慢慢向后平移，根据斜坡这一特征，首先使自卸车在卸载区内采用激光雷达采集一次斜坡数据，并提取斜坡和地面的交界点，同时利用自卸车带有的组合导航系统获取自卸车在当前大地坐标系下的位置，之后将base_link坐标系下的交界点转换到大地坐标系下，作为先验值，具体过程为：

设任意时刻，自卸车携带的组合导航系统解算得到base_link坐标系原点处的车辆航向角为θ₀，航向规定以正东方向为正方向，逆时针为正，大地坐标为：

Q₀＝(longitude₀,latitude₀,altitude₀)

式中：

longitude₀为当前时刻车辆base_link坐标系原点处的经度；

latitude₀为当前时刻车辆base_link坐标系原点处的纬度；

altitude₀为当前时刻车辆base_link坐标系原点处的高程；

局部base_link坐标系下有一点：

P_A＝[x₁ y₁ z₁]

首先，将在base_link下的P_A转换到大地坐标的东北天坐标系，令E表示东北天坐标系，转换后的坐标表示为：

P_E＝[x₂ y₂ z₂]

则转换表示为：

统一坐标系后，需要转换尺度，即将欧式距离转换到大地坐标系下的经度、维度和高程；假设转换后的坐标Q₁＝(longitude₁,latitude₁,altitude₁)，转换步骤如下：

altitude₁＝altitude₀+z₂

将各个交界点坐标转换完成后，从而获得先验值。

获取一次先验值后，此时自卸车开始向斜坡倒车进行卸载作业；在倒车过程中，自卸车的多线激光雷达实时检测斜坡位置及多个障碍物，并对斜坡及每个障碍物分别提取其和地面的交界点，如图4，然后在base_link坐标系下将斜坡交界点和每个障碍物的交界点分别进行直线拟合，获得多个交界点直线方程及各自斜率，并分别获得base_link坐标系原点到各个交界点直线方程的垂直距离；此时根据得到的先验值及自卸车当前的大地坐标，将先验值由大地坐标系转换到当前自卸车的base_link坐标系后进行直线拟合，获得先验值直线方程并计算其斜率，并获得base_link坐标系原点到先验值直线方程的垂直距离；如表1；设定斜率阈值为0.05和距离差阈值为0.3，计算各个交界点直线方程分别与先验值直线方程的斜率差值和距离差值，将各个斜率差值和距离差值分别与斜率阈值和距离差阈值进行比对，若其中一个交界点直线方程的斜率差值和距离差值均未超过斜率阈值和距离差阈值，则确定其为斜坡交界点直线方程，从而完成一次倒车过程中斜坡的识别过程；之后，将本次得到的斜坡与地面交界点更新为先验值，在倒车过程中每次识别均进行更新，以此来适应斜坡的缓慢变形和位移，实现斜坡与地面交界线的自动更新；

表1：

(6)在步骤(5)进行斜坡识别过程中，若检测到的障碍物阻碍自卸车向斜坡行驶，则自卸车会停车发布预警；若没有障碍物阻碍自卸车行驶，则在斜坡识别完成后，对斜坡坡面进行平面拟合，从而得到base_link坐标系下三维空间内的平面方程，据此解算当前自卸车到斜坡的距离，如此实时监控，每次识别均重复步骤(5)和(6)，从而使自卸车在倒车卸载作业过程中实时获得到斜坡的距离。

Claims (3)

1.一种无人自卸车在垃圾填埋场自动卸载的方法，其特征在于，具体步骤为：

(1)采用多线激光雷达竖直布置在自动驾驶自卸车尾部，并确定激光雷达坐标系为lidar_link和自卸车坐标系为base_link；

(2)在自卸车行驶到卸载区后，开始倒车靠近卸载区的斜坡，此时启动多线激光雷达获取自卸车后向点云数据，并反馈给控制器；

(3)控制器对采集到的点云数据采用已知预处理方法滤除无效的数据，然后将激光雷达坐标系lidar_link下的点云数据转换到自卸车的base_link坐标系下；

(4)对完成坐标系转换后的数据进行地面分割处理，将大部分的地面点云数据分割之后，保留障碍物点云数据并进行聚类；

(5)聚类之后，利用斜坡边界线拟合匹配方法在多个聚类结果中识别出斜坡，具体为：首先使自卸车在卸载区内采用激光雷达采集一次斜坡数据，并提取斜坡和地面的交界点，同时利用自卸车带有的组合导航系统获取自卸车在当前大地坐标系下的位置，之后将base_link坐标系下的交界点转换到大地坐标系下，作为先验值；

获取一次先验值后，此时自卸车开始向斜坡倒车进行卸载作业；在倒车过程中，自卸车的多线激光雷达实时检测斜坡位置及多个障碍物，并对斜坡及每个障碍物分别提取其和地面的交界点，然后在base_link坐标系下将斜坡交界点和每个障碍物的交界点分别进行直线拟合，获得多个交界点直线方程及各自斜率，并分别获得base_link坐标系原点到各个交界点直线方程的垂直距离；此时根据得到的先验值及自卸车当前的大地坐标，将先验值由大地坐标系转换到当前自卸车的base_link坐标系后进行直线拟合，获得先验值直线方程并计算其斜率，并获得base_link坐标系原点到先验值直线方程的垂直距离；设定斜率阈值和距离差阈值，计算各个交界点直线方程分别与先验值直线方程的斜率差值和距离差值，将各个斜率差值和距离差值分别与斜率阈值和距离差阈值进行比对，若其中一个交界点直线方程的斜率差值和距离差值均未超过斜率阈值和距离差阈值，则确定其为斜坡交界点直线方程，从而完成一次倒车过程中斜坡的识别过程；之后，将本次得到的斜坡与地面交界点更新为先验值，在倒车过程中每次识别均进行更新；

(6)在步骤(5)进行斜坡识别过程中，若检测到的障碍物阻碍自卸车向斜坡行驶，则自卸车会停车发布预警；若没有障碍物阻碍自卸车行驶，则在斜坡识别完成后，对斜坡坡面进行平面拟合，从而得到base_link坐标系下三维空间内的平面方程，据此解算当前自卸车到斜坡的距离，如此实时监控，每次识别均重复步骤(5)和(6)，从而使自卸车在倒车卸载作业过程中实时获得到斜坡的距离。

2.根据权利要求1所述的一种无人自卸车在垃圾填埋场自动卸载的方法，其特征在于，所述步骤(3)的点云数据坐标系转换具体过程为：

采用A表示base_link坐标系，B表示lidar_link坐标系；测算得到的B相对A的RPY角度分别为γ、β、α，则由B系到A系的转换矩阵表示为：

式中：

R_X(γ)为绕着X轴转动γ角度；

R_Y(β)为绕着Y轴转动β角度；

R_Z(α)为绕着Z轴转动α角度；

为从B坐标系到A坐标系的转换矩阵；

此时，B坐标系下一点P_B＝[x₀ y₀ z₀]转换到A坐标系下P_A＝[x₁ y₁ z₁]，表示为：

依照上式能将点云数据中各个点从lidar_link坐标系下转换到base_link坐标系下。

3.根据权利要求1所述的一种无人自卸车在垃圾填埋场自动卸载的方法，其特征在于，所述步骤(5)的交界点坐标系转换后确定先验值的具体过程为：

设任一时刻，自卸车携带的组合导航系统解算得到base_link坐标系原点处的车辆航向角为θ₀，航向规定以正东方向为正方向，逆时针为正，大地坐标为：

Q₀＝(longitude₀,latitude₀,altitude₀)

式中：

longitude₀为当前时刻车辆base_link坐标系原点处的经度；

latitude₀为当前时刻车辆base_link坐标系原点处的纬度；

altitude₀为当前时刻车辆base_link坐标系原点处的高程；

局部base_link坐标系下有一点：

P_A＝[x₁ y₁ z₁]

首先，将在base_link下的P_A转换到大地坐标的东北天坐标系，令E表示东北天坐标系，转换后的坐标表示为：

P_E＝[x₂ y₂ z₂]

则转换表示为：

统一坐标系后，需要转换尺度，即将欧式距离转换到大地坐标系下的经度、维度和高程；假设转换后的坐标Q₁＝(longitude₁,latitude₁,altitude₁)，转换步骤如下：

altitude₁＝altitude₀+z₂

将各个交界点坐标转换完成后，从而获得先验值。

Images