CN113504543B - 无人机LiDAR系统定位定姿系统及方法 - Google Patents
无人机LiDAR系统定位定姿系统及方法 Download PDFInfo
- Publication number
- CN113504543B CN113504543B CN202110666660.3A CN202110666660A CN113504543B CN 113504543 B CN113504543 B CN 113504543B CN 202110666660 A CN202110666660 A CN 202110666660A CN 113504543 B CN113504543 B CN 113504543B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- laser
- positioning
- aerial vehicle
- unmanned aerial
- 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
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明公开了一种无人机LiDAR系统定位定姿系统及方法,首先,采用POS数据对每帧激光点云数据进行融合解算,实现运动畸变补偿,其次,通过Q‑范数ICP精确配准双激光头获取的每个激光帧对,提升点云密度与完整度,最后,基于激光SLAM/惯导融合来增强定位定姿精度,生成高质量电力杆塔三维点云数据。本发明利用两个激光雷达传感器获取高质量的杆塔点云数据,可提高无人机激光雷达电力巡线效率和准确度,降低了巡检费用以及工作人员的工作量和风险,实现具有工程实践意义上的无人机杆塔电力巡线,降低重大电网安全稳定运行风险,提升输电线路运行可靠性,在电网线路检修、公共安全管理、防灾减灾等领域具有广阔的应用前景。
Description
技术领域
本发明涉及激光测绘与电网技术领域,具体涉及一种无人机LiDAR系统定位定姿系统及方法。
背景技术
无人机激光雷达技术是一种即科学又高效的电力线巡检方式,此技术是集激光雷达扫描仪、GNSS、惯性导航系统等一体的高精度三维遥感系统,激光雷达系统可以高效、高精度地获取测量覆盖区域的三维激光点云数据,实现对电力线走廊的全貌三维空间信息显示,并提供精确的定量分析,可以有效的解决了传统的电力巡检耗时和效率低的问题,是近年来国网系统内大力推广的线路巡检方式。
电力杆塔精细建模与倾斜参数计算严重依赖于激光雷达获取的高质量三维点云数据。而影响点云质量的两个关键因素为:点云密度与定位定姿参数。现有的激光雷达巡检系统一般采用单激光头进行三维点云获取,受激光雷达视场角以及遮挡等影响,通常获取的杆塔点云较为稀疏,部分杆塔关键结构被遮挡而缺少,无法获取完整的杆塔数据,势必降低后续杆塔建模精度。三维激光雷达处于运动状态,其通过发射和接收激光束来实现激光测距,并基于角度信息计算得到三维坐标。这种方式获取的三维坐标为激光雷达当前坐标系下的局部坐标,需通过激光雷达的全局位置与姿态参数转换为全局坐标,从而得到电力线走廊的全貌三维空间信息。定位定姿参数直接决定了三维点云数据融合的质量。现有方法直接采用POS系统进行定位定姿。然而,POS系统受GPS/北斗信号严重影响。
发明内容
本发明的目的就是要提供一种无人机LiDAR系统定位定姿系统及方法,本发明可提高无人机激光雷达电力巡线效率和准确度,降低了巡检费用以及工作人员的工作量和风险,实现具有工程实践意义上的无人机杆塔电力巡线,降低重大电网安全稳定运行风险,提升输电线路运行可靠性。在电网线路检修、公共安全管理、防灾减灾等领域具有广阔的应用前景。
为实现此目的,本发明所设计的一种无人机LiDAR系统定位定姿系统,它包括数据采集预处理模块、快速检测定位模块、数据高精度融合模块、数据融合定位定姿模块和电力杆塔点云重构模块,所述数据采集预处理模块用于采用无人机LiDAR系统的POS传感器采集获取POS定位定姿信息,采用无人机LiDAR系统获取双激光头点云数据,基于POS定位定姿信息对双激光头点云数据进行预处理生成双激光头点云帧数据,并获得无人机LiDAR系统扫描场景的全貌三维空间点云;所述快速检测定位模块用于对所述数据采集预处理模块输出的全貌三维空间点云进行地面点分割,获得地面点激光点云数据和非地面点激光点云数据,基于非地面点激光点云数据局部高程极大值与模板匹配方法定位检测出电力杆塔区域;所述数据高精度融合模块基于双激光头点云帧数据的同步时间戳,获取相同时刻的双激光头点云帧数据,将同一时刻获取的两帧点云视为一个匹配对,构成点云帧对,采用Q-范数ICP算法将点云帧对中的两帧点云的相同部分重合,生成双激光头相同时刻的点云帧;所述数据融合定位定姿模块采用Q-范数ICP算法对所述数据高精度融合模块输出的双激光头相同时刻的点云帧进行帧间匹配,得到无人机的运动状态信息,基于SLAM递推位姿参数、POS定位定姿信息和卡尔曼滤波模型构建激光SLAM与惯导联合的无人机LiDAR系统运动状态与观测模型,采用卡尔曼滤波算法对上述融合模型进行优化,获得优化后的全局最优定位定姿信息,实现无人机LiDAR系统激光SLAM与惯导融合定位定姿;所述电力杆塔点云重构模块基于融合定位定姿结果重新生成电力杆塔点云。
一种无人机LiDAR系统定位定姿方法,它包括如下步骤:
S1,数据采集预处理模块采用无人机LiDAR系统的POS传感器采集获取POS定位定姿信息,采用无人机LiDAR系统获取双激光头点云数据,基于POS定位定姿信息对双激光头点云数据进行预处理生成双激光头点云帧数据,并获得无人机LiDAR系统扫描场景的全貌三维空间点云;
S2,快速检测定位模块对步骤S1生成的全貌三维空间点云进行地面点分割,获得地面点激光点云数据和非地面点激光点云数据,基于非地面点激光点云数据局部高程极大值与模板匹配方法定位检测出电力杆塔区域;
S3,数据高精度融合模块基于双激光头点云帧数据的同步时间戳,获取相同时刻的双激光头点云帧数据,将同一时刻获取的两帧点云视为一个匹配对,构成点云帧对,采用Q-范数ICP算法将点云帧对中的两帧点云的相同部分重合,生成双激光头相同时刻的点云帧;
S4,数据融合定位定姿模块采用Q-范数ICP算法对步骤S3生成的双激光头相同时刻的点云帧进行帧间匹配,得到无人机的运动状态信息,基于SLAM递推位姿参数、POS定位定姿信息和卡尔曼滤波模型构建激光SLAM与惯导联合的无人机LiDAR系统运动状态与观测模型,采用卡尔曼滤波算法对上述融合模型进行优化,获得优化后的全局最优定位定姿信息,实现无人机LiDAR系统激光SLAM与惯导融合定位定姿;
S5,电力杆塔点云重构模块基于融合定位定姿结果重新生成电力杆塔点云。
本发明的有益效果为:
1、本发明提出了一套利用双激光SLAM/惯导融合增强无人机LiDAR系统位姿精度以提高电力杆塔测量精度方法和技术流程,实现对来自两个激光雷达传感器获取的杆塔点云自动融合,增强点云质量,为杆塔精细结构识别和精准测量提供高质量点云数据。
2、本发明利用两个激光雷达传感器获取高质量的杆塔点云数据,可提高无人机激光雷达电力巡线效率和准确度。
3、本发明提供了一种激光SLAM/惯导融合定位定姿技术,对弱GPS/北斗信号较为鲁棒。
附图说明
图1为本发明的系统结构图;
图2为本发明的方法流程图;
图3为本发明中电力杆塔提取示例结果;
图4为本发明中双激光头配准前后结果;
图5为本发明中基于高精度位姿进行点云重新解算结果;
其中,1-数据采集预处理模块、2-快速检测定位模块、3-数据高精度融合模块、4-数据融合定位定姿模块和5-电力杆塔点云重构模块。
具体实施方式
以下结合附图和具体实施例对本发明作进一步的详细说明:
一种无人机LiDAR系统定位定姿系统,如图1所示,它包括数据采集预处理模块1、快速检测定位模块2、数据高精度融合模块3、数据融合定位定姿模块4和电力杆塔点云重构模块5,所述数据采集预处理模块1用于采用无人机LiDAR系统的POS传感器采集获取POS定位定姿信息,采用无人机LiDAR系统获取双激光头点云数据,基于POS定位定姿信息对双激光头点云数据进行预处理生成双激光头点云帧数据,并获得无人机LiDAR系统扫描场景的全貌三维空间点云;所述快速检测定位模块2用于对所述数据采集预处理模块1输出的全貌三维空间点云进行地面点分割,获得地面点激光点云数据和非地面点激光点云数据,基于非地面点激光点云数据局部高程极大值与模板匹配方法定位检测出电力杆塔区域;所述数据高精度融合模块3基于双激光头点云帧数据的同步时间戳,获取相同时刻的双激光头点云帧数据,将同一时刻获取的两帧点云视为一个匹配对,构成点云帧对,采用Q-范数ICP算法将点云帧对中的两帧点云的相同部分重合,生成双激光头相同时刻的点云帧;所述数据融合定位定姿模块4采用Q-范数ICP算法对所述数据高精度融合模块3输出的双激光头相同时刻的点云帧进行帧间匹配,得到无人机的运动状态信息,基于SLAM递推位姿参数、POS定位定姿信息和卡尔曼滤波模型构建激光SLAM与惯导联合的无人机LiDAR系统运动状态与观测模型,采用卡尔曼滤波算法对上述融合模型进行优化,获得优化后的全局最优定位定姿信息,实现无人机LiDAR系统激光SLAM与惯导融合定位定姿;所述电力杆塔点云重构模块5基于融合定位定姿结果重新生成电力杆塔点云。
上述技术方案中,所述数据采集预处理模块1的具体实现方法为:
S1.1,无人机激光雷达是连续扫描,因此,需依据激光扫描的时间戳信息将获取的双激光头点云数据划分为双激光头点云帧数据,作为后续SLAM处理的基本单元;
S1.2,由于无人机处于运动状态,激光束发射与接收过程中激光雷达位置发生变动,需基于POS定位定姿信息对每帧激光点云帧数据进行运动补偿,获得运动补偿后的激光点云帧数据,消除无人机飞行过程中带来的运动畸变;
S1.3,基于POS定位定姿信息对步骤S1.1输出的双激光头点云帧数据进行融合解算,得到无人机LiDAR系统扫描场景的全貌三维空间点云,便于步骤S2的电力杆塔区域定位与提取。
上述技术方案中,所述运动补偿的具体实现方法为:依据激光点云帧数据中每个点的时间信息和POS定位定姿信息插值得到激光点云帧数据内每个点的全局最优定位定姿信息;
上述技术方案中,所述融合解算的具体实现方法为:基于每帧激光点云帧数据对应的POS定位定姿信息,通过坐标转换将所有激光点云帧数据转换到同一个全局坐标系中。
上述技术方案中,所述快速检测定位模块2的具体实现方法为:
S2.1,基于全貌三维空间点云的高程直方图信息,采用CSF滤波分离步骤S1生成的全貌三维空间点云中的地面点与非地面点,获得地面点和非地面点;
S2.2,按高程方向投影得到点云深度图,在点云深度图上提取非地面点高程局部极大值点,并计算该点到相应地面的高度,提取高度大于10m的局部极大值点作为潜在杆塔或树木顶点;
S2.3,由于电力杆塔分布间距较大且周围无树木等障碍物,而树木通常较为密集,因此,对S2.2得到的局部极大值点进行空间分布分析,剔除分布密集的极大值点,并采用模板匹配方法定位出电力杆塔的位置,如图3所示;
S2.4,通过计算电力杆塔点云在空间坐标轴上的分布,得到包含所有电力杆塔的最小六面体,获得电力杆塔外包围盒,抽取外包围盒内的连续激光点云帧数据作为后续SLAM/POS融合的基础数据。
上述技术方案中,所述剔除分布密集的极大值点的具体实现方法为:在每个极大值点的20m×20m的邻域范围内搜寻极大值点个数,若极大值点个数大于1,则认为该极大值点为树木并予以剔除;
上述技术方案中,所述模板匹配方法的具体实现方法为:所述模板为杆塔激光点云深度图,所述模板匹配指的是通过最小二乘匹配法在待分析图像中找到电力杆塔,并确定其坐标位置。
上述技术方案中,所述Q-范数ICP算法的具体实现方法为:
采用最近邻策略获取点云帧对的同名点,基于同名点采用Q-范数优化求解点云帧对的6参数刚体变换(旋转与平移),迭代进行同名点匹配-模型优化求解直到获取最优配准参数,并基于最优参数实现两帧点云的高精度配准,如图4所示,获得双激光头相同时刻的配准点云帧作为SLAM/POS融合的处理单元。
所述SLAM递推位姿参数由无人机LiDAR系统的SLAM算法得到,是实时变化的,反应当前无人机LiDAR系统全局最优的位置与姿态的参数。
上述技术方案中,所述电力杆塔点云重构模块5的具体实现方法为:
基于所述数据融合定位定姿模块4优化后的全局最优定位定姿信息,将所述数据采集预处理模块1输出的全貌三维空间点云的坐标根据标定参数转换至无人机坐标系中,并根据无人机坐标系的姿态角和位置转换到导航坐标系中,实现扫描场景的高精度全貌三维空间信息,如图5所示。
一种无人机LiDAR系统定位定姿,如图2所示,它包括如下步骤:
S1,数据采集预处理模块1采用无人机LiDAR系统的POS传感器采集获取POS定位定姿信息,采用无人机LiDAR系统获取双激光头点云数据,基于POS定位定姿信息对双激光头点云数据进行预处理生成双激光头点云帧数据,并获得无人机LiDAR系统扫描场景的全貌三维空间点云;
S2,快速检测定位模块2对步骤S1生成的全貌三维空间点云进行地面点分割,获得地面点激光点云数据和非地面点激光点云数据,基于非地面点激光点云数据局部高程极大值与模板匹配方法定位检测出电力杆塔区域;
S3,数据高精度融合模块3基于双激光头点云帧数据的同步时间戳,获取相同时刻的双激光头点云帧数据,将同一时刻获取的两帧点云视为一个匹配对,构成点云帧对,采用Q-范数ICP算法将点云帧对中的两帧点云的相同部分重合,生成双激光头相同时刻的点云帧;
S4,数据融合定位定姿模块4采用Q-范数ICP算法对步骤S3生成的双激光头相同时刻的点云帧进行帧间匹配,得到无人机的运动状态信息,基于SLAM递推位姿参数、POS定位定姿信息和卡尔曼滤波模型构建激光SLAM与惯导联合的无人机LiDAR系统运动状态与观测模型,采用卡尔曼滤波算法对上述融合模型进行优化,获得优化后的全局最优定位定姿信息,实现无人机LiDAR系统激光SLAM与惯导融合定位定姿;
S5,电力杆塔点云重构模块5基于融合定位定姿结果重新生成电力杆塔点云。
本说明书未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (10)
1.一种无人机LiDAR系统定位定姿系统,其特征在于,它包括数据采集预处理模块(1)、快速检测定位模块(2)、数据高精度融合模块(3)、数据融合定位定姿模块(4)和电力杆塔点云重构模块(5),所述数据采集预处理模块(1)用于采用无人机LiDAR系统的POS传感器采集获取POS定位定姿信息,采用无人机LiDAR系统获取双激光头点云数据,基于POS定位定姿信息对双激光头点云数据进行预处理生成双激光头点云帧数据,并获得无人机LiDAR系统扫描场景的全貌三维空间点云;所述快速检测定位模块(2)用于对所述数据采集预处理模块(1)输出的全貌三维空间点云进行地面点分割,获得地面点激光点云数据和非地面点激光点云数据,基于非地面点激光点云数据局部高程极大值与模板匹配方法定位检测出电力杆塔区域;所述数据高精度融合模块(3)基于双激光头点云帧数据的同步时间戳,获取相同时刻的双激光头点云帧数据,将同一时刻获取的两帧点云视为一个匹配对,构成点云帧对,采用Q-范数ICP算法将点云帧对中的两帧点云的相同部分重合,生成双激光头相同时刻的点云帧;所述数据融合定位定姿模块(4)采用Q-范数ICP算法对所述数据高精度融合模块(3)输出的双激光头相同时刻的点云帧进行帧间匹配,得到无人机的运动状态信息,基于SLAM递推位姿参数、POS定位定姿信息和卡尔曼滤波模型构建激光SLAM与惯导联合的无人机LiDAR系统运动状态与观测模型,采用卡尔曼滤波算法对融合模型进行优化,获得优化后的全局最优定位定姿信息,实现无人机LiDAR系统激光SLAM与惯导融合定位定姿;所述电力杆塔点云重构模块(5)基于融合定位定姿结果重新生成电力杆塔点云;
Q-范数ICP算法的具体实现方法为:
采用最近邻策略获取点云帧对的同名点,基于同名点采用Q-范数优化求解点云帧对的6参数刚体变换,迭代进行同名点匹配-模型优化求解直到获取最优配准参数,并基于最优参数实现两帧点云的高精度配准。
2.根据权利要求1所述的无人机LiDAR系统定位定姿系统,其特征在于:所述数据采集预处理模块(1)的具体实现方法为:
S1.1,将获取的双激光头点云数据划分为双激光头点云帧数据;
S1.2,基于POS定位定姿信息对每帧激光点云帧数据进行运动补偿,获得运动补偿后的激光点云帧数据;
S1.3,基于POS定位定姿信息对步骤S1.1输出的双激光头点云帧数据进行融合解算,得到无人机LiDAR系统扫描场景的全貌三维空间点云。
3.根据权利要求2所述的无人机LiDAR系统定位定姿系统,其特征在于:
所述运动补偿的具体实现方法为:依据激光点云帧数据中每个点的时间信息和POS定位定姿信息插值得到激光点云帧数据内每个点的定位定姿信息。
4.根据权利要求2所述的无人机LiDAR系统定位定姿系统,其特征在于:
所述融合解算的具体实现方法为:基于每帧激光点云帧数据对应的POS定位定姿信息,通过坐标转换将所有激光点云帧数据转换到同一个全局坐标系中。
5.根据权利要求1所述的无人机LiDAR系统定位定姿系统,其特征在于:所述快速检测定位模块(2)的具体实现方法为:
S2.1,基于全貌三维空间点云的高程直方图信息,采用CSF滤波分离所述数据采集预处理模块(1)输出的全貌三维空间点云中的地面点与非地面点,获得地面点和非地面点;
S2.2,提取非地面点高程局部极大值点,并计算该点到相应地面的高度,提取高度大于设定阈值的局部极大值点作为潜在杆塔或树木顶点;
S2.3,对S2.2得到的局部极大值点进行空间分布分析,剔除分布密集的极大值点,并采用模板匹配方法定位出电力杆塔的位置;
S2.4,通过计算电力杆塔点云在空间坐标轴上的分布,得到包含所有电力杆塔的最小六面体,获得电力杆塔外包围盒,抽取外包围盒内的连续激光点云帧数据。
6.根据权利要求5所述的无人机LiDAR系统定位定姿系统,其特征在于:
所述剔除分布密集的极大值点的具体实现方法为:在每个极大值点的设定邻域范围内搜寻极大值点个数,若极大值点个数大于设定阈值,则认为该极大值点为树木并予以剔除。
7.根据权利要求5所述的无人机LiDAR系统定位定姿系统,其特征在于:
所述模板匹配方法的具体实现方法为:所述模板为杆塔激光点云深度图,所述模板匹配指的是通过最小二乘匹配法在待分析图像中找到电力杆塔,并确定其坐标位置。
8.根据权利要求1所述的无人机LiDAR系统定位定姿系统,其特征在于:所述Q-范数ICP算法的具体实现方法为:
采用最近邻策略获取点云帧对的同名点,基于同名点采用Q-范数优化求解点云帧对的6参数刚体变换,迭代进行同名点匹配-模型优化求解直到获取最优配准参数,并基于最优参数实现两帧点云的高精度配准,获得双激光头相同时刻的配准点云帧。
9.根据权利要求1所述的无人机LiDAR系统定位定姿系统,其特征在于:所述电力杆塔点云重构模块(5)的具体实现方法为:
基于所述数据融合定位定姿模块(4)优化后的全局最优定位定姿信息,将所述数据采集预处理模块(1)输出的全貌三维空间点云的坐标根据标定参数转换至无人机坐标系中,并根据无人机坐标系的姿态角和位置转换到导航坐标系中,实现扫描场景的高精度全貌三维空间信息。
10.一种无人机LiDAR系统定位定姿方法,其特征在于:它包括如下步骤:
S1,采用无人机LiDAR系统的POS传感器采集获取POS定位定姿信息,采用无人机LiDAR系统获取双激光头点云数据,基于POS定位定姿信息对双激光头点云数据进行预处理生成双激光头点云帧数据,并获得无人机LiDAR系统扫描场景的全貌三维空间点云;
S2,对步骤S1生成的全貌三维空间点云进行地面点分割,获得地面点激光点云数据和非地面点激光点云数据,基于非地面点激光点云数据局部高程极大值与模板匹配方法定位检测出电力杆塔区域;
S3,基于双激光头点云帧数据的同步时间戳,获取相同时刻的双激光头点云帧数据,将同一时刻获取的两帧点云视为一个匹配对,构成点云帧对,采用Q-范数ICP算法将点云帧对中的两帧点云的相同部分重合,生成双激光头相同时刻的点云帧;
S4,采用Q-范数ICP算法对步骤S3生成的双激光头相同时刻的点云帧进行帧间匹配,得到无人机的运动状态信息,基于SLAM递推位姿参数、POS定位定姿信息和卡尔曼滤波模型构建激光SLAM与惯导联合的无人机LiDAR系统运动状态与观测模型,采用卡尔曼滤波算法对融合模型进行优化,获得优化后的全局最优定位定姿信息,实现无人机LiDAR系统激光SLAM与惯导融合定位定姿;
Q-范数ICP算法的具体实现方法为:
采用最近邻策略获取点云帧对的同名点,基于同名点采用Q-范数优化求解点云帧对的6参数刚体变换,迭代进行同名点匹配-模型优化求解直到获取最优配准参数,并基于最优参数实现两帧点云的高精度配准;
S5,基于融合定位定姿结果重新生成电力杆塔点云。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110666660.3A CN113504543B (zh) | 2021-06-16 | 2021-06-16 | 无人机LiDAR系统定位定姿系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110666660.3A CN113504543B (zh) | 2021-06-16 | 2021-06-16 | 无人机LiDAR系统定位定姿系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113504543A CN113504543A (zh) | 2021-10-15 |
CN113504543B true CN113504543B (zh) | 2022-11-01 |
Family
ID=78009937
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110666660.3A Active CN113504543B (zh) | 2021-06-16 | 2021-06-16 | 无人机LiDAR系统定位定姿系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113504543B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113985436A (zh) * | 2021-11-04 | 2022-01-28 | 广州中科云图智能科技有限公司 | 基于slam的无人机三维地图构建与定位方法及装置 |
CN114894157A (zh) * | 2022-04-13 | 2022-08-12 | 中国能源建设集团江苏省电力设计院有限公司 | 一种基于激光点云分层的输电杆塔倾斜度计算方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105758408A (zh) * | 2016-01-05 | 2016-07-13 | 福州华鹰重工机械有限公司 | 局部地图构建方法及装置 |
CN112561998A (zh) * | 2020-12-16 | 2021-03-26 | 国网江苏省电力有限公司检修分公司 | 一种基于三维点云配准的机器人定位和自主充电方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103106339A (zh) * | 2013-01-21 | 2013-05-15 | 武汉大学 | 同步航空影像辅助的机载激光点云误差改正方法 |
US11449061B2 (en) * | 2016-02-29 | 2022-09-20 | AI Incorporated | Obstacle recognition method for autonomous robots |
CN107462897B (zh) * | 2017-07-21 | 2020-01-07 | 西安电子科技大学 | 基于激光雷达的三维建图的方法 |
US20190041865A1 (en) * | 2017-08-02 | 2019-02-07 | GM Global Technology Operations LLC | Method and Apparatus for Parallel Acquisition in Lidar Array |
CN108562274B (zh) * | 2018-04-20 | 2020-10-27 | 南京邮电大学 | 一种基于标志器的非合作目标位姿测量方法 |
CN108955679B (zh) * | 2018-08-16 | 2022-03-15 | 电子科技大学 | 一种变电站智能巡检机器人高精度定位方法 |
GB2589024A (en) * | 2018-10-04 | 2021-05-19 | Gps Lands Singapore Pte Ltd | System and method for facilitating generation of geographical information |
CN110658530B (zh) * | 2019-08-01 | 2024-02-23 | 北京联合大学 | 一种基于双激光雷达数据融合的地图构建方法、系统及地图 |
CN110927740B (zh) * | 2019-12-06 | 2023-09-08 | 合肥科大智能机器人技术有限公司 | 一种移动机器人定位方法 |
CN111929699B (zh) * | 2020-07-21 | 2023-05-09 | 北京建筑大学 | 一种顾及动态障碍物的激光雷达惯导里程计与建图方法及系统 |
CN112711987B (zh) * | 2020-12-11 | 2022-04-29 | 国网电力科学研究院武汉南瑞有限责任公司 | 双激光雷达电力杆塔三维点云增强系统及方法 |
CN112698303A (zh) * | 2020-12-23 | 2021-04-23 | 国网电力科学研究院武汉南瑞有限责任公司 | 基于无人机激光雷达点云杆塔倾斜参数测量方法及系统 |
-
2021
- 2021-06-16 CN CN202110666660.3A patent/CN113504543B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105758408A (zh) * | 2016-01-05 | 2016-07-13 | 福州华鹰重工机械有限公司 | 局部地图构建方法及装置 |
CN112561998A (zh) * | 2020-12-16 | 2021-03-26 | 国网江苏省电力有限公司检修分公司 | 一种基于三维点云配准的机器人定位和自主充电方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113504543A (zh) | 2021-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111929699B (zh) | 一种顾及动态障碍物的激光雷达惯导里程计与建图方法及系统 | |
CN110221311B (zh) | 基于tls和uav自动化提取高郁闭林分树高的方法 | |
CN112946628A (zh) | 一种基于雷达与视频融合的道路运行状态检测方法及系统 | |
CN113504543B (zh) | 无人机LiDAR系统定位定姿系统及方法 | |
CN111060924B (zh) | 一种slam与目标跟踪方法 | |
CN115407357B (zh) | 基于大场景的低线束激光雷达-imu-rtk定位建图算法 | |
CN110889350A (zh) | 一种基于三维成像的线路障碍物监测报警系统及方法 | |
CN114444158B (zh) | 一种基于三维重建的地下巷道形变预警方法及系统 | |
CN103093459A (zh) | 利用机载LiDAR点云数据辅助影像匹配的方法 | |
US20230236280A1 (en) | Method and system for positioning indoor autonomous mobile robot | |
CN112767461A (zh) | 激光点云与序列全景影像自动配准方法 | |
CN115330866A (zh) | 一种融合激光雷达和深度相机点云的建图定位方法 | |
CN112735135A (zh) | 高速运动车辆超限检测方法 | |
CN113608234A (zh) | 一种城市数据采集系统 | |
Li et al. | Feature extraction and modeling of urban building from vehicle-borne laser scanning data | |
CN112711987B (zh) | 双激光雷达电力杆塔三维点云增强系统及方法 | |
CN115854895A (zh) | 一种基于目标立木形态的非接触式立木胸径测量方法 | |
CN113160292B (zh) | 一种基于智能移动终端的激光雷达点云数据三维建模装置及方法 | |
CN115236658A (zh) | 基于主动式雷达遥感协同的路面裂缝三维形态监测方法 | |
Guo et al. | Curb detection and compensation method for autonomous driving via a 3-D-LiDAR sensor | |
CN112767459A (zh) | 基于2d-3d转换的无人机激光点云与序列影像配准方法 | |
CN113947141B (zh) | 一种城市路口场景的路侧灯塔感知系统 | |
CN116299383A (zh) | 多传感器融合综合管廊巡检小车定位方法 | |
CN115436966A (zh) | 一种激光雷达参考水深控制点批量提取方法 | |
CN114187409A (zh) | 基于视频图像与激光雷达点云融合建立船舶模型的方法 |
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 |