CN112965077B - 一种基于车载激光雷达的道路巡检系统与方法 - Google Patents

Abstract

本发明提供了一种基于车载激光雷达的道路巡检系统与方法，该系统包括：车载惯性导航装置，单线激光雷达，高精度GPS定位设备以及车载边缘计算智能盒子；基于所述系统提出了一种基于车载激光雷达道路巡检方法，包括以下步骤：设备安装、数据采集、数据处理、数据上传。本发明提出的道路检测系统和方法对测量环境要求低，且检测范围广泛，单次测量即可满足多车道、全路幅的道路检测，且检测结果精度较高；并且由于测量方式为车载测量，测量速度快，效率高，适合大范围的道路检测，可以大大缩短检测周期，在同等检测覆盖范围下也有效缩短了检测频次，更节省人力成本。

Description

一种基于车载激光雷达的道路巡检系统与方法

技术领域

本发明涉及道路智能快速巡检领域，特别是涉及一种基于车载激光雷达的道路巡检系统与方法。

背景技术

道路运输以其快捷、方便、门对门直达的优势位于公路、铁路、航空、管道、水运等五大运输方式之首，在国家经济发展中占有极其重要的地位。截止2019年底，我国已经有通车公路总里程超过501万公里，在新建道路的同时，必须对原有道路进行养护与维修作业，以确保行车安全并降低运营成本。但一方面，传统道路检测方法存在诸多弊端，如手推式断面仪法等人工作业方法存在耗时费力、操作麻烦的问题，而激光传感器、线扫描成像等专业设备虽然检测自动化程度较高，但其检测范围一般仅能覆盖一条车道(3.5m左右)，单次检测不能全面反映道路状况。另一方面，道路质量管理任务分别由省市公路管理局、路政局、地方养护公司、交通部基本建设质量监督总站等部门共同承担。每一环节的数据交互存在流程复杂、阻隔明显等问题，导致众多检测工作重复进行，浪费了大量的人力物力投入。因此，利用自动化程度高且覆盖面广的专业检测设备实现道路全路幅的周期性检测，并对道路质量检测数据进行统一部署管理是提高道路服务水平，是保证行车安全的必要举措。

发明内容

本发明的目的是提供一种车载便携轻量化智能巡检系统与方法，以实现智能化、便捷化的道路快速巡检。

为实现上述目的，本发明提供了如下方案：

一种基于车载激光雷达的道路巡检系统，包括：

车载惯性导航装置：用于测量汽车的惯性；

激光雷达：用于对待检测的路面区域进行扫描；

高精度定位设备：用于获得汽车的精准位置；

车载边缘计算智能盒子：用于满足道路检测相关算法运行需求的计算机硬件设备和接收、传输各类数据信号的硬件接口。

优选地，所述车载边缘计算智能盒子和所述车载惯性导航装置放置在车辆内部，通过车内电源进行供电；将所述单线激光雷达固定于车身后方上部；所述高精度定位设备放置于车辆顶部，其上方不被其他遮挡物遮挡。

优选地，所述激光雷达的激光发射器发出的扫描线不被车身遮挡，所述扫描线与道路中轴线保持垂直，扫描线与地面的交线距车尾的距离为2-3米。

一种基于车载激光雷达的道路巡检方法，包括以下步骤：

S1、设备安装：将系统所需设备安装于车身各个部位并确保电源供应；在进行测试之前，在地面沿单一方向绕8字型循环行驶至少10次完成所述车载惯性导航装置的初始对准，在检测过程中避免倒车行为；

S2、数据采集：对目标路段进行检测，检测车行驶速度控制在30-45km/h之间；

S3、数据处理：数据采集完成后，利用所述车载边缘计算智能盒子搭载的点云数据处理方法分析激光雷达点云数据，分别获得道路的平整度和路面形变类病害分布；

S4、数据上传：将所采集到的道路检测数据通过在线或离线的方法统一上传至后端数据库，作为大数据分析或可视化展示的数据源。

优选地，所述步骤S3中点云数据处理方法包括：

首先利用卡尔曼滤波法，以GPS定位记录为修正源对惯性导航定位数据进行修正，获得精准的检测车辆行驶轨迹数据；

再匹配惯性导航数据和点云数据的时间序列，对于同一时刻的数据利用惯性导航数据的位置信息定位点云数据的坐标，对于时间未匹配上的点云数据采用插值法处理；

按时间序列依次匹配，直到所有点云数据拼接为一副完整的全局点云数据，进行平整度计算。

优选地，基于点云数据的平整度计算方法为：

获得所述全局点云数据后，基于车辆轨迹数据中的高程信息与已知的设备安装高度得到路面点的高程分布，沿轨迹方向，设置路面高程阈值，筛选出所有地面点；

利用DBSCAN聚类方法筛选出路面区域，以一定间隔将全路段分割为各个统计空间，基于空间内点云高程利用最小二乘法拟合路面纵坡，使所述点云数据减去纵坡高程后获得点云的相对高程；

最后，设置采样距离，沿道路方向进行采样，将采样点的相对高程代入平整度计算解析式中获得路面的平整度。

优选地，所述基于点云数据的路面形变类病害计算方法为：

首先获得路面区域，将全路段分割为若干个统计空间，通过对道路边界点采样，利用最小二乘法拟合道路边界方程，作为搜索过程的起、终点；

沿着任一边界线方向构造搜索框W，对搜索框W内的所有点的z坐标进行统计，得到众值记为z_m，所述众值z_m用来表征非病害点z坐标的平均值；

设定形变类病害判定高差阈值H，对于所述搜索框W内的每个点，计算其z坐标与z_m的高差，如果该高差大于阈值H，则认为该点属于形变类病害；当搜索框W内的所有点检测完成后，将搜索框W沿着与边界垂直的方向移动，并重复所述检测的过程直至搜索框抵达另一侧的边界，则统计空间内的形变类病害检测完毕，获得所有形变类病害的点云数据。

优选地，所述步骤S4中数据上传的后台处理环境的组成包括：数据接收模块，WebService模块，JavaScript网页模块，数据计算模块，数据库模块，规范标准模块，报表生成模块组成；

其中，所述数据接收模块采用FTPserver，将采集设备发送的数据接收到指定文件夹；所述WebService模块利用地图API实现坐标系的转化；所述数据计算模块用于处理原始数据并生成检测结果数据；所述数据库模块采用Oracle数据库作为后台数据存储；所述报表生成模块用于对系统做总结性的结果输出，包含检测路段信息，工程名称，检测结果；所述网页模块作为前台显示部分，调用所述API，将采集车辆行驶轨迹、平整度、病害指标计算结果显示于前台上。

本发明的有益效果为：

(1)本发明提供的道路检测系统和方法对测量环境要求低，且检测范围广泛，单次测量即可满足多车道、全路幅的道路检测，且检测结果精度较高。并且由于测量方式为车载测量，测量速度快，效率高，适合大范围的道路检测，可以大大缩短检测周期，在同等检测覆盖范围下也有效缩短了检测频次，更节省人力成本；

(2)基于车载激光雷达的道路巡检系统，采用了多种无线传感器网络技术，使得数据的采集传输更为可靠，利用GPS设备可以采集配套的地理信息，并可以与电子地图结合，对城市内路网进行较快速的数据采集和结果分析。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明基于车载激光雷达的道路巡检方法流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

一种基于车载激光雷达的道路巡检系统，包括：

车载惯性导航装置：用于测量汽车的惯性；

单线激光雷达：用于对待检测的路面区域进行扫描；

高精度GPS定位设备：用于得到汽车的精准位置；

车载边缘计算智能盒子，主要包括满足道路检测相关算法运行需求的CPU、GPU等计算机硬件设备以及用以接收和传输各类数据信号的硬件接口。

首先将车载边缘计算智能盒子和惯性导航装置放置于车辆内部，应保障车辆行驶过程中设备不会发生大范围移动且接线不会脱落或折断，放置完成后通过车内电源进行供电；将单线激光雷达固定于车身后方上部，需保障激光雷达扫描线不被车身遮挡，左右扫描距离大致相等，且扫描线与道路中轴线应尽量保持垂直，扫描线与地面的交线距车尾的距离在2-3m为宜；高精度GPS定位设备放置于车辆顶部，需保障其上方不被他物遮挡以免影响定位精度；上述设备安装完毕后，需连接各设备与车载边缘计算智能盒子间的信号传输线，并检验数据流是否通畅及设备是否可正常运转。

基于车载激光雷达的道路巡检方法(如图1所示)，包括以下步骤：

S1、数据采集：确保系统正常工作后，按照道路检测计划对目标路段进行检测工作，检测应尽量安排在夜间等交通量少的时刻，且检测车行驶速度应当尽量控制在30-45km/h之间；在正式测试之前，需通过在宽阔地面沿单一方向绕8字型循环行驶10次以上以完成惯性导航装置的初始对准，并且在之后的正式检测过程中尽量避免倒车行为以防止惯导系统错乱。

S2、数据处理：采集完成后，利用车载边缘计算智能盒子搭载的点云处理方法分析激光雷达点云数据，分别获得道路的平整度和路面形变类病害分布；

数据处理中全局点云数据的拼接方法为：首先利用卡尔曼滤波法，以GPS定位记录为修正源对惯性导航定位数据进行修正，获得精准的检测车辆行驶轨迹数据。再匹配惯性导航数据和点云数据的时间序列，对于同一时刻的数据利用惯导数据的位置信息定位点云数据的坐标，对于时间未匹配上的点云数据则采用插值法处理。按时间序列依次匹配，直到所有点云数据拼接为一副完整的全局点云数据。

基于点云数据的平整度计算方法为：首先获得全局点云数据，利用车辆轨迹必然位于道路上的特点，基于车辆轨迹数据中的高程信息与已知的设备安装高度得到路面点的高程分布，在沿轨迹方向，以路面高程+0.5m为高程阈值筛选出所有的地面点。再利用路面反射强度与人行道、土地等其他地面区域均明显不同的特点，利用DBSCAN聚类方法筛选出路面区域。以10m为间隔将全路段分割为各个统计空间，基于空间内点云高程利用最小二乘法拟合路面纵坡，使点云数据减去纵坡高程后获得点云的相对高程。最后，以0.25m为采样距离，沿道路方向进行采样，将采样点的相对高程代入平整度计算解析式中获得路面的平整度。

基于点云数据的路面形变类病害计算方法：首先获得路面区域，提取方法与上述平整度计算方法中提取路面区域的方法相同。以10m为间隔将全路段分割为各个统计空间，通过对道路边界点采样，利用最小二乘法拟合道路边界方程，作为搜索过程的起、终点。沿着任一边界线方向构造宽度为d、长度为10m的搜索框W，对搜索框W内的所有点的z坐标进行统计，得到众值记为z_m，由于路面病害所占的点云数量远小于正常路面，因此众值可以用来表征非病害点z坐标的平均值。依据《公路技术状况评定标准》设定形变类病害判定高差阈值H，对于搜索框W内的每个点，计算其z坐标与z_m的高差，如果该高差大于阈值H，则认为该点属于形变类病害。当搜索框W内的所有点检测器完成后，将搜索框W沿着与边界垂直的方向移动，并重复上述检测的过程直至搜索框抵达另一侧的边界，则统计空间内的形变类病害检测完毕。最终获得所有形变类病害的点云数据。

S3、数据上传：将采集到的道路检测数据通过在线或离线方式统一上传至后端数据库，作为大数据分析或可视化展示的数据源；

数据传输及后台处理环境主要由：数据接收模块，WebService模块，JavaScript网页模块，数据计算模块，数据库模块，规范标准模块，报表生成模块组成。

其中，数据接收模块采用FTPserver，将采集设备发送的数据接收到指定文件夹；WebService模块利用百度地图API实现坐标系的转化；数据计算模块用于处理原始数据并生成检测结果数据；数据库模块采用Oracle数据库作为后台数据存储；报表生成模块用于对系统做总结性的结果输出，包含检测路段信息，工程名称，检测结果等；网页模块作为前台显示部分，调用百度网页API，将采集车辆行驶轨迹、平整度、病害指标计算结果显示于前台百度地图上。后台数据处理流程为接受各类采集设备所传输的数据，并实现基于百度地图API显示，利用oracle数据库存储，最后结合历史数据、相关规范给出路段维护意见。

与传统检测相比，本发明提出的道路检测系统和方法对测量环境要求低，且检测范围广泛，单次测量即可满足多车道、全路幅的道路检测，且检测结果精度较高。并且由于测量方式为车载测量，测量速度快，效率高，适合大范围的道路检测，可以大大缩短检测周期，在同等检测覆盖范围下也有效缩短了检测频次，更节省人力成本。另外，在基于车载激光雷达的道路巡检系统中，采用了多种无线传感器网络技术，使得数据的采集传输更为可靠，利用GPS设备可以采集配套的地理信息，并可以与电子地图结合，对城市内路网进行较快速的数据采集和结果分析。

以上所述的实施例仅是对本发明优选方式进行的描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (5)

1.一种基于车载激光雷达的道路巡检方法，其特征在于，包括：

S1、设备安装：将所需设备安装于车身各个部位并确保电源供应；在进行测试之前，在地面沿单一方向绕8字型循环行驶至少10次完成所述车载惯性导航装置的初始对准，在检测过程中避免倒车行为；其中，所述设备包括：

车载惯性导航装置：用于测量汽车的惯性；

单线激光雷达：用于对待检测的路面区域进行扫描；

高精度定位设备：用于获得汽车的精准位置；

车载边缘计算智能盒子：用于满足道路检测相关算法运行需求的计算机硬件设备和接收、传输各类数据信号的硬件接口；

S2、数据采集：对目标路段进行检测，检测车行驶速度控制在30-45km/h之间；

S3、数据处理：数据采集完成后，利用所述车载边缘计算智能盒子搭载的点云数据处理方法分析激光雷达点云数据，分别获得道路的平整度和路面形变类病害分布；

基于点云数据的路面形变类病害计算方法为：

首先获得路面区域，将全路段分割为若干个统计空间，通过对道路边界点采样，利用最小二乘法拟合道路边界方程，作为搜索过程的起、终点；

沿着任一边界线方向构造搜索框W，对搜索框W内的所有点的z坐标进行统计，得到众值记为z_m，所述众值z_m用来表征非病害点z坐标的平均值；

设定形变类病害判定高差阈值H，对于所述搜索框W内的每个点，计算其z坐标与z_m的高差，如果该高差大于阈值H，则认为该点属于形变类病害；当搜索框W内的所有点检测完成后，将搜索框W沿着与边界垂直的方向移动，并重复所述检测的过程直至搜索框抵达另一侧的边界，则统计空间内的形变类病害检测完毕，获得所有形变类病害的点云数据；

S4、数据上传：将所采集到的道路检测数据通过在线或离线的方法统一上传至后端数据库，作为大数据分析或可视化展示的数据源；

所述步骤S4中数据上传的后台处理环境的组成包括：数据接收模块，WebService模块，JavaScript网页模块，数据计算模块，数据库模块，规范标准模块，报表生成模块组成；

其中，所述数据接收模块采用FTPserver，将采集设备发送的数据接收到指定文件夹；所述WebService模块利用地图API实现坐标系的转化；所述数据计算模块用于处理原始数据并生成检测结果数据；所述数据库模块采用Oracle数据库作为后台数据存储；所述报表生成模块用于对系统做总结性的结果输出，包含检测路段信息，工程名称，检测结果；所述网页模块作为前台显示部分，调用所述API，将采集车辆行驶轨迹、平整度、病害指标计算结果显示于前台上。

2.根据权利要求1所述的基于车载激光雷达的道路巡检方法，其特征在于，所述车载边缘计算智能盒子和所述车载惯性导航装置放置在车辆内部，通过车内电源进行供电；将所述单线激光雷达固定于车身后方上部；所述高精度定位设备放置于车辆顶部，其上方不被其他遮挡物遮挡。

3.根据权利要求1或2所述的基于车载激光雷达的道路巡检方法，其特征在于，所述激光雷达的激光发射器发出的扫描线不被车身遮挡，所述扫描线与道路中轴线保持垂直，扫描线与地面的交线距车尾的距离为2-3米。

4.根据权利要求1所述的基于车载激光雷达的道路巡检方法，其特征在于，所述步骤S3中点云数据处理方法包括：

首先利用卡尔曼滤波法，以GPS定位记录为修正源对惯性导航定位数据进行修正，获得精准的检测车辆行驶轨迹数据；

再匹配惯性导航数据和点云数据的时间序列，对于同一时刻的数据利用惯性导航数据的位置信息定位点云数据的坐标，对于时间未匹配上的点云数据采用插值法处理；

按时间序列依次匹配，直到所有点云数据拼接为一副完整的全局点云数据，进行平整度计算。

5.根据权利要求4所述的基于车载激光雷达的道路巡检方法，其特征在于，基于点云数据的平整度计算方法为：

获得所述全局点云数据后，基于车辆轨迹数据中的高程信息与已知的设备安装高度得到路面点的高程分布，沿轨迹方向，设置路面高程阈值，筛选出所有地面点；

利用DBSCAN聚类方法筛选出路面区域，以一定间隔将全路段分割为各个统计空间，基于空间内点云高程利用最小二乘法拟合路面纵坡，使所述点云数据减去纵坡高程后获得点云的相对高程；

最后，设置采样距离，沿道路方向进行采样，将采样点的相对高程代入平整度计算解析式中获得路面的平整度。

Images