CN116879866B - 一种基于激光雷达三维数据的路面平整度评价方法 - Google Patents
一种基于激光雷达三维数据的路面平整度评价方法 Download PDFInfo
- Publication number
- CN116879866B CN116879866B CN202311142331.4A CN202311142331A CN116879866B CN 116879866 B CN116879866 B CN 116879866B CN 202311142331 A CN202311142331 A CN 202311142331A CN 116879866 B CN116879866 B CN 116879866B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- value
- road point
- road
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 39
- 238000001914 filtration Methods 0.000 claims abstract description 27
- 238000009499 grossing Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 104
- 238000000034 method Methods 0.000 claims description 33
- 238000005259 measurement Methods 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 20
- 230000005484 gravity Effects 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 13
- 230000007704 transition Effects 0.000 claims description 6
- 230000017105 transposition Effects 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 208000024891 symptom Diseases 0.000 claims 1
- 230000004044 response Effects 0.000 abstract description 12
- 230000008859 change Effects 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000001069 Raman spectroscopy Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- E—FIXED CONSTRUCTIONS
- E01—CONSTRUCTION OF ROADS, RAILWAYS, OR BRIDGES
- E01C—CONSTRUCTION OF, OR SURFACES FOR, ROADS, SPORTS GROUNDS, OR THE LIKE; MACHINES OR AUXILIARY TOOLS FOR CONSTRUCTION OR REPAIR
- E01C23/00—Auxiliary devices or arrangements for constructing, repairing, reconditioning, or taking-up road or like surfaces
- E01C23/01—Devices or auxiliary means for setting-out or checking the configuration of new surfacing, e.g. templates, screed or reference line supports; Applications of apparatus for measuring, indicating, or recording the surface configuration of existing surfacing, e.g. profilographs
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/30—Measuring arrangements characterised by the use of optical techniques for measuring roughness or irregularity of surfaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Structural Engineering (AREA)
- Civil Engineering (AREA)
- Operations Research (AREA)
- Architecture (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computing Systems (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
Abstract
本发明公开了一种基于激光雷达三维数据的路面平整度评价方法,属于路面评价技术领域,该方法包括利用激光雷达扫描道路表面,获取道路点云数据;根据道路点云数据,利用扩展卡尔曼滤波算法进行平滑处理,得到滤波后的道路点云数据;根据滤波后的道路点云数据,基于主曲率和次曲率计算平均曲率值;根据平均曲率值,得到路面平整度评价结果。本发明能够有效反映路面坑洼和破损情况,对路面高低起伏响应较强,具有高精度和高稳定性。
Description
技术领域
本发明属于路面评价技术领域,尤其涉及一种基于激光雷达三维数据的路面平整度评价方法。
背景技术
路面平整度是评价道路使用安全 和舒适性的重要指标之一。现有技术常用的平整度评价指标有国际ISO标准中的IRI(International Roughness Index),即国际粗糙度指数,通过横向、纵向加速度传感器采集路面震动数据,计算出路面纵向高低起伏度,以米/公里(m/km)作为单位。这是一种较为广泛应用的评价指标。其中激光断面法是一种常用的测试道路平整度的方法,虽然这种方法在实践中被广泛采用,但仍然存在以下问题:(1)测量结果受车速影响:激光断面法需要车辆行驶在被测路段上,因此车速的变化会影响到测量结果,导致不同速度下的测量结果不一致。(2)没有考虑车辆动态响应:激光断面法只能测量车辆行驶时的路面高度信息,但不能直接考虑车辆动态响应,如车辆悬挂系统对路面高低变化的响应,这可能导致测量结果与实际情况存在偏差。(3)测量成本较高:激光传感器的价格较高,对于大面积道路的评价需要耗费大量时间和人力物力成本。(4)雨雪等天气因素对测量结果有影响:雨雪等天气因素会影响激光传感器的测量结果,进而影响道路平整度的评价。因此,需要进一步研究和改进道路平整度的测试方法,以更准确、快速、成本低廉地评价道路平整度。
发明内容
针对现有技术中的上述不足,本发明提供的一种基于激光雷达三维数据的路面平整度评价方法能够有效反映路面坑洼和破损情况,对路面高低起伏响应较强,具有高精度和高稳定性。
为了达到上述发明目的,本发明采用的技术方案为:一种基于激光雷达三维数据的路面平整度评价方法,包括以下步骤:
S1、利用激光雷达扫描道路表面,获取道路点云数据;
S2、根据道路点云数据,利用扩展卡尔曼滤波算法进行平滑处理,得到滤波后的道路点云数据;
S3、根据滤波后的道路点云数据,基于主曲率和次曲率计算平均曲率值;
S4、根据平均曲率值,得到路面平整度评价结果。
本发明的有益效果为:激光雷达扫描道路表面获取道路点云数据的过程是非接触式的,不需要对道路进行任何物理性接触,可以减少对道路的损伤;采用激光雷达获取道路点云数据,并且可以进行滤波处理,减少噪声干扰。同时,基于主曲率和次曲率的概念进行平均曲率值计算,可以更准确地评价道路平整度;该方法可以对道路表面进行全面性的评价,包括对道路表面的坑洼、破损等问题进行识别,同时对路面高低起伏的响应也更加敏感;该方法可以通过自动化的方式对道路平整度进行评价,无需人工干预,提高了工作效率和评价的客观性;该方法适用于各种类型的道路,包括高速公路、市区道路等,具有广泛的应用前景;相比激光断面测试道路平整度,采用激光雷达三维数据的路面平整度评价方法不受到车辆运行速度影响和对加速度计测试车辆动态响应的影响。
进一步地,所述步骤S2具体为:
S201、根据道路点云数据,进行系统状态预测,得到道路点云数据预测值:
其中,为道路点云数据预测值;/>为非线性状态方程;/>为表示时间步时刻的道路点云数据预测值;/>为时间步/>的控制量;
S202、进行协方差矩阵预测,得到协方差矩阵预测值:
其中,为时间步/>时的协方差矩阵预测值;/>为状态转移矩阵;/>为过程噪声协方差矩阵;/>为表示时间步/>时刻的协方差矩阵预测值;/>为状态转移矩阵的转置;/>为转置;
S203、根据协方差矩阵预测值,计算卡尔曼增益:
其中,为卡尔曼增益;/>为测量矩阵;/>为表示测量矩阵/>的转置;/>为测量噪声协方差矩阵;
S204、根据状态预测值和卡尔曼增益,得到状态更新值:
其中,为时间步/>时的道路点云数据更新值;/>为时间步/>时的测量值;为基于道路点云数据预测值/>的非线性测量方程的输出;/>为非线性测量方程;
S205、根据协方差矩阵预测值和卡尔曼增益,得到协方差矩阵更新值:
其中,为时间步/>时的协方差矩阵更新值;/>为是单位矩阵;
S206、根据道路点云数据更新值和协方差矩阵更新值判断是否达到收敛条件,若是,得到滤波后的道路点云数据,否则,返回步骤S201。
上述进一步方案的有益效果为:利用激光雷达扫描获得的道路点云数据,通过扩展卡尔曼滤波算法进行平滑处理,最终得到滤波后的道路点云数据。该滤波后的道路点云数据反映了道路表面形态,用于后续的平均曲率值计算和路面平整度评价。通过递归的方式对状态进行估计和更新,能够有效地降低激光雷达的噪声干扰和误差,并提高测量精度和稳定性,从而实现对路面平整度的快速准确评价。
进一步地,所述步骤S206中收敛条件为连续m次的状态更新值的差值之和小于设定的状态阈值,并且协方差矩阵更新值的差值之和小于设定的协方差矩阵阈值。
上述进一步方案的有益效果为:为扩展尔曼滤波算法提供出口,保证滤波后的点云数据的获取,避免局部陷入。
进一步地,所述步骤S3具体为:
S301、根据滤波后的道路点云数据,计算所有点的坐标平均值,得到重心:
其中,为重心;/>为第/>个滤波后的道路点云数据;/>为滤波后的道路点云数据的编号;/>为滤波后的道路点云数据的总数;
S302、将各滤波后的道路点云数据平移到重心处,得到平移到重心后的数据:
其中,为第/>个滤波后的道路点云数据平移到重心后的数据;
S303、根据统计学协方差公式,构建道路点云数据的协方差矩阵:
其中,为道路点云数据的协方差矩阵;/>为转置;
S304、根据道路点云数据的协方差矩阵,进行特征值分解得到道路点云数据的特征向量矩阵和道路点云数据的特征值对角矩阵:
其中,为道路点云数据的特征向量矩阵;/>为道路点云数据的特征值对角矩阵;
S305、根据道路点云数据的特征向量矩阵和道路点云数据的特征值对角矩阵,获取道路点云数据的协方差矩阵的最小特征值对应的特征向量,并以道路点云数据的协方差矩阵的最小特征值对应的特征向量作为最小二乘拟合平面的法向量:
其中,v为最小二乘拟合平面的法向量;为道路点云数据的协方差矩阵的最小特征值对应的特征向量;
S306、根据最小二乘拟合平面的法向量,将滤波后的道路点云数据投影到最小二乘拟合平面,得到点到最小二乘拟合平面距离的平均值:
其中,为点到最小二乘拟合平面距离的平均值;/>为表示欧几里得范数;
S307、根据点到最小二乘拟合平面距离的平均值,利用曲率计算方法,得到平均曲率值。
上述进一步方案的有益效果为:利用最小二乘拟合平面能够更准确地计算道路表面的平均曲率值,不受噪声和点云分布的影响,这使得本发明的道路平整度评价结果更加精确,能够更好地反映道路表面的真实情况。
进一步地,所述步骤S307具体为:
S3071、根据点到最小二乘拟合平面距离的平均值,计算主曲率:
其中,为主曲率;/>为道路点云数据的协方差矩阵的最小特征值;
S3072、根据点到最小二乘拟合平面距离的平均值,计算次曲率:
其中,为次曲率;/>为道路点云数据的协方差矩阵的最大特征值;
S3073、根据主曲率和次曲率,得到平均曲率值:
其中,为平均曲率值。
上述进一步方案的有益效果为:通过主曲率和次曲率的计算可以更精确地计算道路表面的曲率值,从而更准确地评价路面平整度。同时,该方法计算简单、计算效率高,能够满足实时道路平整度评价的需求。
附图说明
图1为本发明的方法流程图。
图2为本发明实施例中采用的装置结构图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,在本发明的一个实施例中,一种基于激光雷达三维数据的路面平整度评价方法,包括以下步骤:
S1、利用激光雷达扫描道路表面,获取道路点云数据;
S2、根据道路点云数据,利用扩展卡尔曼滤波算法进行平滑处理,得到滤波后的道路点云数据;
S3、根据滤波后的道路点云数据,基于主曲率和次曲率计算平均曲率值;
S4、根据平均曲率值,得到路面平整度评价结果。
本实施例中,本发明提供了一种基于激光雷达三维数据的路面平整度评价方法,具体包括以下步骤:
(1)激光雷达扫描道路表面,获取道路点云数据;
(2)对道路点云数据进行扩展卡尔曼滤波算法进行平滑处理,得到滤波后的道路点云数据;
(3)利用基于主曲率和次曲率的概念计算滤波后的道路点云数据的平均曲率值;
(4)根据计算得出的平均曲率值评价路面平整度。
在上述方法中,平均曲率值的计算采用了基于主曲率和次曲率的概念的方法。具体而言,对于每个滤波后的道路点云数据,通过对其进行扩展卡尔曼滤波分析和主曲率和次曲率计算,得到其曲率方向和曲率值,并计算出平均曲率值,用于评价路面平整度。
本实施例中,如图2所示,采用的装置是一种基于激光雷达三维数据的路面平整度评价装置。下面将对装置中的每个组件进行详细描述。
激光雷达模块:该模块采用激光雷达传感器扫描道路表面,获取道路表面的三维点云数据,即道路点云数据。激光雷达传感器通过发射激光束并接收反射激光束,来获取道路表面上每个点的三维坐标信息,实现对道路表面的高精度测量。
数据分析处理模块:该模块接收激光雷达模块采集的道路点云数据,并运行扩展卡尔曼滤波算法进行数据平滑处理,得到滤波后的道路点云数据。然后,基于主曲率和次曲率计算滤波后的道路点云数据的平均曲率值。平均曲率值可以反映道路表面的平整度情况。
显示器模块:该模块用于显示计算机模块计算得到的道路表面平均曲率结果。用户可以直接通过显示器查看评价结果,便于快速了解道路表面的平整度情况。
综上所述,本装置利用激光雷达传感器获取道路表面的道路点云数据,并采用扩展卡尔曼滤波算法(EKF)对道路点云数据进行处理,得到道路表面的平均曲率值,从而实现对道路平整度的评价。本装置具有精度高、响应快、实时性强等优点,能够快速准确地评估道路平整度,为道路维护和管理提供技术支持。
本实施例中,采用激光雷达扫描道路表面,获得道路点云数据。具体而言,激光雷达通过发射激光束并接收反射激光束的方式获取道路表面的三维坐标数据,以构建道路表面的三维点云数据。
所述步骤S2具体为:
S201、根据道路点云数据,进行系统状态预测,得到道路点云数据预测值:
其中,为道路点云数据预测值;/>为非线性状态方程;/>为表示时间步时刻的道路点云数据预测值;/>为时间步/>的控制量;
S202、进行协方差矩阵预测,得到协方差矩阵预测值:
其中,为时间步/>时的协方差矩阵预测值;/>为状态转移矩阵;/>为过程噪声协方差矩阵;/>为表示时间步/>时刻的协方差矩阵预测值;/>为状态转移矩阵的转置;/>为转置;
S203、根据协方差矩阵预测值,计算卡尔曼增益:
其中,为卡尔曼增益;/>为测量矩阵;/>为表示测量矩阵/>的转置;/>为测量噪声协方差矩阵;
S204、根据状态预测值和卡尔曼增益,得到状态更新值:
其中,为时间步/>时的道路点云数据更新值;/>为时间步/>时的测量值;为基于道路点云数据预测值/>的非线性测量方程的输出;/>为非线性测量方程;
S205、根据协方差矩阵预测值和卡尔曼增益,得到协方差矩阵更新值:
其中,为时间步/>时的协方差矩阵更新值;/>为是单位矩阵;
S206、根据道路点云数据更新值和协方差矩阵更新值判断是否达到收敛条件,若是,得到滤波后的道路点云数据,否则,返回步骤S201。
所述步骤S206中收敛条件为连续m次的状态更新值的差值之和小于设定的状态阈值,并且协方差矩阵更新值的差值之和小于设定的协方差矩阵阈值。
该方法是利用激光雷达扫描获得的道路点云数据,通过扩展卡尔曼滤波算法(包括状态预测、协方差矩阵预测、计算卡尔曼增益和更新状态等步骤)进行平滑处理,最终得到滤波后的点云数据。该滤波后的道路点云数据反映了道路表面形态,用于后续的平均曲率值计算和路面平整度评价。其中收敛标准为:
1.状态更新值变化很小。即当前状态更新值与上一状态更新值的差值小于某个阈值,达到收敛。
2.协方差矩阵更新值变化很小。即当前协方差矩阵更新值与上一协方差矩阵更新值的差值小于某个阈值,达到收敛。
3.连续几次状态更新值和协方差矩阵更新值变化很小。即当前状态更新值与上m次状态更新值的差值之和小于某个阈值,并且当前协方差矩阵更新值与上m次协方差矩阵更新值的差值之和小于某个阈值,达到收敛。
本实施例中,在获得道路点云数据之后,需要对其进行滤波处理,以消除噪声和离群点的影响。本发明采用扩展卡拉曼滤波算法进行滤波处理。具体而言,扩展卡拉曼滤波算法是一种基于贝叶斯滤波理论的状态估计算法,通过递归的方式对状态进行估计和更新,以提高滤波效果和精度。该算法能够有效处理非线性系统和非高斯噪声的情况,具有较好的适用性和稳定性。
在本发明中,采用扩展卡拉曼滤波算法对道路点云数据进行滤波处理,得到滤波后的道路点云数据,以减小噪声和离群点对后续曲率计算的影响。
本装置采用扩展卡拉曼滤波算法对道路点云数据进行滤波处理。
具体来说,该装置通过激光雷达获取道路表面的道路点云数据,并对其进行扩展卡拉曼滤波处理,得到滤波后的道路点云数据。然后,基于该滤波后的道路点云数据,计算每个点的曲率,并根据计算结果计算平均曲率,从而得到路面平整度的评价指标。该装置的优点是通过采用扩展卡拉曼滤波算法对点云数据进行处理,能够有效地降低激光雷达的噪声干扰和误差,并提高测量精度和稳定性,从而实现对路面平整度的快速准确评价。
所述步骤S3具体为:
S301、根据滤波后的道路点云数据,计算所有点的坐标平均值,得到重心:
其中,为重心;/>为第/>个滤波后的道路点云数据;/>为滤波后的道路点云数据的编号;/>为滤波后的道路点云数据的总数;
S302、将各滤波后的道路点云数据平移到重心处,得到平移到重心后的数据:
其中,为第/>个滤波后的道路点云数据平移到重心后的数据;
S303、根据统计学协方差公式,构建道路点云数据的协方差矩阵:
其中,为道路点云数据的协方差矩阵;/>为转置;
S304、根据道路点云数据的协方差矩阵,进行特征值分解得到道路点云数据的特征向量矩阵和道路点云数据的特征值对角矩阵:
其中,为道路点云数据的特征向量矩阵;/>为道路点云数据的特征值对角矩阵;
S305、根据道路点云数据的特征向量矩阵和道路点云数据的特征值对角矩阵,获取道路点云数据的协方差矩阵的最小特征值对应的特征向量,并以道路点云数据的协方差矩阵的最小特征值对应的特征向量作为最小二乘拟合平面的法向量:
其中,v为最小二乘拟合平面的法向量;为道路点云数据的协方差矩阵的最小特征值对应的特征向量;
S306、根据最小二乘拟合平面的法向量,将滤波后的道路点云数据投影到最小二乘拟合平面,得到点到最小二乘拟合平面距离的平均值:
其中,为点到最小二乘拟合平面距离的平均值;/>为表示欧几里得范数;
S307、根据点到最小二乘拟合平面距离的平均值,利用曲率计算方法,得到平均曲率值。
所述步骤S307具体为:
S3071、根据点到最小二乘拟合平面距离的平均值,计算主曲率:
其中,为主曲率;/>为道路点云数据的协方差矩阵的最小特征值;
S3072、根据点到最小二乘拟合平面距离的平均值,计算次曲率:
其中,为次曲率;/>为道路点云数据的协方差矩阵的最大特征值;
S3073、根据主曲率和次曲率,得到平均曲率值:
其中,为平均曲率值。
计算主曲率,主曲率定义为道路点云数据的协方差矩阵的最小特征值/>平方根与点到最小二乘拟合平面的距离/>之比:
其中,是对协方差矩阵/>进行特征值分解,从特征值中选择最小的特征值,它描述了道路点云数据在最不突出的方向上的变化程度。
主曲率是曲面在某一点上沿着曲面法线方向的最大弯曲率,它表示曲面在该点上最陡峭或最平坦的弯曲程度。主曲率可以用来描述曲面在该点上的主要曲率方向和变化情况,当/>较大时,表示曲面在该点附近存在较大的弯曲;当/>较小或为零时,表示曲面在该点附近相对平坦。
计算次曲率,次曲率定义为点云数据的协方差矩阵的最大特征值/>和 最小特征值/>之比的平方根与点到最小二乘拟合平面的距离/>之比:
其中,和/>是对协方差矩阵/>进行特征值分解,从特征值中选择最大的特征值和最小特质值。
次曲率是曲面在某一点上沿着曲面法线方向的次大弯曲率,它表示曲面在该点上除了主曲率方向外的弯曲程度。次曲率提供了对曲面在该点上曲率变化的额外信息,它可以用来检测曲面的弯曲方向和曲率变化的趋势。
因此,主曲率和次曲率的关系可以提供更全面的曲率特征描述,帮助分析和评估曲面的平整度等形状特征。
本实施例中,在对道路点云数据进行滤波处理之后,需要对其进行曲率计算,以获取道路表面的平均曲率值。提出的方法首先将道路点云数据进行扩展卡尔曼滤波算法进行平滑处理,得到滤波后的道路点云数据。然后,通过计算滤波后的道路点云数据的主曲率和次曲率,得到曲率方向,并计算出平均曲率值。改进后的方法的主要优点是,它能够更准确地计算道路表面的平均曲率值,不受噪声和点云分布的影响。这使得本发明的道路平整度评价结果更加精确,能够更好地反映道路表面的真实情况。同时,由于本发明采用的是激光雷达三维数据,不受车速的影响,因此能够更加方便快捷地进行道路平整度评价。
具体而言,对于每个滤波后的道路点云数据,计算其最小二乘拟合平面,即通过将该滤波后的道路点云数据投影到最小二乘平面上,得到该平面的法向量,以及该平面上所有滤波后的道路点云数据到该平面距离的平均值。然后,采用基于EKF的方法计算该滤波后的道路点云数据的曲率值。
本实施例中,需要说明的是:在某个点处,主曲率是曲率方向上的最大曲率值,次曲率是垂直于曲率方向的最大曲率值。主曲率和次曲率是描述曲率形状的重要参数,可以用于区分不同形状的曲面。
在基于EKF的曲率计算方法中,对于每个滤波后的道路点云数据,可以计算其主曲率和次曲率,进而得到曲率值。具体而言,对于某个点p,在其局部坐标系下,通过对点云数据进行扩展卡尔曼滤波分析,可以得到其主曲率和次曲率以及对应的曲率方向。然后,根据主曲率和次曲率计算出曲率值
通过采用改进的基于EKF的曲率计算方法,本发明可以更精确地计算道路表面的曲率值,从而更准确地评价路面平整度。同时,该方法计算简单、计算效率高,能够满足实时道路平整度评价的需求。
本实施例中,本发明提出了一种基于激光雷达三维数据采用扩展卡拉曼滤波提出的平均曲率计算平整度的装置,通过使用激光雷达获取道路表面的道路点云数据,并结合扩展卡拉曼滤波算法进行数据处理,得到道路表面平均曲率,从而实现对道路平整度的评估。基于激光雷达三维数据的路面平整度评价方法的优势如下:
(1)非接触式检测:激光雷达扫描道路表面获取道路点云数据的过程是非接触式的,不需要对道路进行任何物理性接触,可以减少对道路的损伤。
(2)高精度:采用激光雷达获取道路点云数据,并且可以进行滤波处理,减少噪声干扰。同时,基于主曲率和次曲率的概念进行曲率计算,可以更准确地评价道路平整度。
(3)全面性:该方法可以对道路表面进行全面性的评价,包括对道路表面的坑洼、破损等问题进行识别,同时对路面高低起伏的响应也更加敏感。
(4)自动化:该方法可以通过自动化的方式对道路平整度进行评价,无需人工干预,提高了工作效率和评价的客观性。
(5)适用性:该方法适用于各种类型的道路,包括高速公路、市区道路等,具有广泛的应用前景。
(6)相比激光断面测试道路平整度,采用激光雷达三维数据的路面平整度评价方法不受到车辆运行速度影响和对加速度计测试车辆动态响应的影响。
本实施例中,采用激光雷达采集的道路点云数据,对比了本发明方法和现有技术中常用的IRI评价指标的结果。实验结果如表1所示,本发明方法能够更准确地反映道路表面的平整度情况,对路面上的坑洼、破损等问题的识别更加精确,同时对路面高低起伏的响应也更加敏感。
表1
本发明提出了一种基于激光雷达三维数据采用扩展卡拉曼滤波提出的平均曲率计算平整度的方法,能够更准确地评价道路表面的平整度情况,对路面上的坑洼、破损等问题的识别更加精确,同时对路面高低起伏的响应也更加敏感。该方法计算简单、计算效率高,能够满足实时道路平整度评价的需求,具有广泛的应用前景。
Claims (3)
1.一种基于激光雷达三维数据的路面平整度评价方法,其特征在于,包括以下步骤:
S1、利用激光雷达扫描道路表面,获取道路点云数据;
S2、根据道路点云数据,利用扩展卡尔曼滤波算法进行平滑处理,得到滤波后的道路点云数据;
S3、根据滤波后的道路点云数据,基于主曲率和次曲率计算平均曲率值;所述步骤S3具体为:
S301、根据滤波后的道路点云数据,计算所有点的坐标平均值,得到重心:
其中,为重心;/>为第/>个滤波后的道路点云数据;/>为滤波后的道路点云数据的编号;/>为滤波后的道路点云数据的总数;
S302、将各滤波后的道路点云数据平移到重心处,得到平移到重心后的数据:
其中,为第/>个滤波后的道路点云数据平移到重心后的数据;
S303、根据统计学协方差公式,构建道路点云数据的协方差矩阵:
其中,为道路点云数据的协方差矩阵;/>为转置;
S304、根据道路点云数据的协方差矩阵,进行特征值分解得到道路点云数据的特征向量矩阵和道路点云数据的特征值对角矩阵:
其中,为道路点云数据的特征向量矩阵;/>为道路点云数据的特征值对角矩阵;
S305、根据道路点云数据的特征向量矩阵和道路点云数据的特征值对角矩阵,获取道路点云数据的协方差矩阵的最小特征值对应的特征向量,并以道路点云数据的协方差矩阵的最小特征值对应的特征向量作为最小二乘拟合平面的法向量:
其中,v为最小二乘拟合平面的法向量;为道路点云数据的协方差矩阵的最小特征值对应的特征向量;
S306、根据最小二乘拟合平面的法向量,将滤波后的道路点云数据投影到最小二乘拟合平面,得到点到最小二乘拟合平面距离的平均值:
其中,为点到最小二乘拟合平面距离的平均值;/>为表示欧几里得范数;
S307、根据点到最小二乘拟合平面距离的平均值,利用曲率计算方法,得到平均曲率值;
所述步骤S307具体为:
S3071、根据点到最小二乘拟合平面距离的平均值,计算主曲率:
其中,为主曲率;/>为道路点云数据的协方差矩阵的最小特征值;
S3072、根据点到最小二乘拟合平面距离的平均值,计算次曲率:
其中,为次曲率;/>为道路点云数据的协方差矩阵的最大特征值;
S3073、根据主曲率和次曲率,得到平均曲率值:
其中,为平均曲率值;
S4、根据平均曲率值,得到路面平整度评价结果。
2.根据权利要求1所述基于激光雷达三维数据的路面平整度评价方法,其特征在于,所述步骤S2具体为:
S201、根据道路点云数据,进行系统状态预测,得到道路点云数据预测值:
其中,为道路点云数据预测值;/>为非线性状态方程;/>为表示时间步/>时刻的道路点云数据预测值;/>为时间步/>的控制量;
S202、进行协方差矩阵预测,得到协方差矩阵预测值:
其中,为时间步/>时的协方差矩阵预测值;/>为状态转移矩阵;/>为过程噪声协方差矩阵;/>为表示时间步/>时刻的协方差矩阵预测值;/>为状态转移矩阵的转置;/>为转置;
S203、根据协方差矩阵预测值,计算卡尔曼增益:
其中,为卡尔曼增益;/>为测量矩阵;/>为表示测量矩阵/>的转置;/>为测量噪声协方差矩阵;
S204、根据状态预测值和卡尔曼增益,得到状态更新值:
其中,为时间步/>时的道路点云数据更新值;/>为时间步/>时的测量值;/>为基于道路点云数据预测值/>的非线性测量方程的输出;/>为非线性测量方程;
S205、根据协方差矩阵预测值和卡尔曼增益,得到协方差矩阵更新值:
其中,为时间步/>时的协方差矩阵更新值;/>为是单位矩阵;
S206、根据道路点云数据更新值和协方差矩阵更新值判断是否达到收敛条件,若是,得到滤波后的道路点云数据,否则,返回步骤S201。
3.根据权利要求2所述基于激光雷达三维数据的路面平整度评价方法,其特征在于,所述步骤S206中收敛条件为连续m次的状态更新值的差值之和小于设定的状态阈值,并且协方差矩阵更新值的差值之和小于设定的协方差矩阵阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311142331.4A CN116879866B (zh) | 2023-09-06 | 2023-09-06 | 一种基于激光雷达三维数据的路面平整度评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311142331.4A CN116879866B (zh) | 2023-09-06 | 2023-09-06 | 一种基于激光雷达三维数据的路面平整度评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116879866A CN116879866A (zh) | 2023-10-13 |
CN116879866B true CN116879866B (zh) | 2023-11-14 |
Family
ID=88271949
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311142331.4A Active CN116879866B (zh) | 2023-09-06 | 2023-09-06 | 一种基于激光雷达三维数据的路面平整度评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116879866B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117387531A (zh) * | 2023-12-04 | 2024-01-12 | 中铁四局集团第二工程有限公司 | 隧道初支平整度检测方法及其系统 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB1503990A (en) * | 1975-05-08 | 1978-03-15 | Pacific Kogyo Kk | Method of and apparatus for recording unevenness in a road surface |
US4741207A (en) * | 1986-12-29 | 1988-05-03 | Spangler Elson B | Method and system for measurement of road profile |
JP2001082906A (ja) * | 1999-09-14 | 2001-03-30 | Yokohama Rubber Co Ltd:The | 路面粗さ測定方法及び測定装置 |
CN101644023A (zh) * | 2009-08-21 | 2010-02-10 | 赵怀志 | 一种路面平整度检测方法 |
JP2013113702A (ja) * | 2011-11-29 | 2013-06-10 | Asuko:Kk | 三次元レーザ計測システムおよび路面の縦断プロファイルの作成方法 |
CN108567501A (zh) * | 2017-03-14 | 2018-09-25 | 无锡时代天使医疗器械科技有限公司 | 牙齿邻接面的重建方法 |
CN109543572A (zh) * | 2018-11-07 | 2019-03-29 | 北京交通大学 | 一种行驶路况评价方法 |
CN112465948A (zh) * | 2020-11-24 | 2021-03-09 | 山东科技大学 | 一种保留空间特征的车载激光路面点云抽稀方法 |
CN213179909U (zh) * | 2020-11-14 | 2021-05-11 | 长顺建设集团有限公司 | 一种沥青路面平整度检测设备 |
CN114475573A (zh) * | 2022-02-14 | 2022-05-13 | 科大国创合肥智能汽车科技有限公司 | 基于v2x与视觉融合的起伏路况识别及车辆控制方法 |
CN114877838A (zh) * | 2022-04-14 | 2022-08-09 | 东南大学 | 一种基于车载激光扫描系统的道路几何特征检测方法 |
CN115213600A (zh) * | 2022-08-31 | 2022-10-21 | 深圳前海瑞集科技有限公司 | 焊接工作站设备内的曲面焊缝识别方法和装置 |
CN115825956A (zh) * | 2021-09-17 | 2023-03-21 | Aptiv技术有限公司 | 用于确定道路状况的方法和雷达系统 |
CN116338726A (zh) * | 2022-04-20 | 2023-06-27 | 浙江零跑科技股份有限公司 | 一种激光雷达点云路沿检测方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102012101085A1 (de) * | 2012-02-10 | 2013-08-14 | Conti Temic Microelectronic Gmbh | Bestimmung einer Beschaffenheit einer Fahrbahnoberfläche mittels einer 3D-Kamera |
-
2023
- 2023-09-06 CN CN202311142331.4A patent/CN116879866B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB1503990A (en) * | 1975-05-08 | 1978-03-15 | Pacific Kogyo Kk | Method of and apparatus for recording unevenness in a road surface |
US4741207A (en) * | 1986-12-29 | 1988-05-03 | Spangler Elson B | Method and system for measurement of road profile |
JP2001082906A (ja) * | 1999-09-14 | 2001-03-30 | Yokohama Rubber Co Ltd:The | 路面粗さ測定方法及び測定装置 |
CN101644023A (zh) * | 2009-08-21 | 2010-02-10 | 赵怀志 | 一种路面平整度检测方法 |
JP2013113702A (ja) * | 2011-11-29 | 2013-06-10 | Asuko:Kk | 三次元レーザ計測システムおよび路面の縦断プロファイルの作成方法 |
CN108567501A (zh) * | 2017-03-14 | 2018-09-25 | 无锡时代天使医疗器械科技有限公司 | 牙齿邻接面的重建方法 |
CN109543572A (zh) * | 2018-11-07 | 2019-03-29 | 北京交通大学 | 一种行驶路况评价方法 |
CN213179909U (zh) * | 2020-11-14 | 2021-05-11 | 长顺建设集团有限公司 | 一种沥青路面平整度检测设备 |
CN112465948A (zh) * | 2020-11-24 | 2021-03-09 | 山东科技大学 | 一种保留空间特征的车载激光路面点云抽稀方法 |
CN115825956A (zh) * | 2021-09-17 | 2023-03-21 | Aptiv技术有限公司 | 用于确定道路状况的方法和雷达系统 |
CN114475573A (zh) * | 2022-02-14 | 2022-05-13 | 科大国创合肥智能汽车科技有限公司 | 基于v2x与视觉融合的起伏路况识别及车辆控制方法 |
CN114877838A (zh) * | 2022-04-14 | 2022-08-09 | 东南大学 | 一种基于车载激光扫描系统的道路几何特征检测方法 |
CN116338726A (zh) * | 2022-04-20 | 2023-06-27 | 浙江零跑科技股份有限公司 | 一种激光雷达点云路沿检测方法及装置 |
CN115213600A (zh) * | 2022-08-31 | 2022-10-21 | 深圳前海瑞集科技有限公司 | 焊接工作站设备内的曲面焊缝识别方法和装置 |
Non-Patent Citations (6)
Title |
---|
Image-Translation-Based Road Marking Extraction From Mobile Laser Point Clouds;Lirong Liu等;IEEE Access;64297-64309 * |
Laser Line Recognition for Autonomous Road Roughness Measurement;Yuan, ZH等;2015 IEEE INTERNATIONAL CONFERENCE ON CYBER TECHNOLOGY IN AUTOMATION, CONTROL, AND INTELLIGENT SYSTEMS (CYBER);436-440 * |
四川省普通国省干线公路路面性能预测系统;许伟强等;公路与汽运;68-72 * |
基于激光雷达技术的路面平整度算法;朱立伟等;物联网技术;第13卷(第3期);12-15 * |
基于移动激光雷达数据的路面状况检测方法研究;钟棉卿;中国博士学位论文全文数据库 (工程科技Ⅱ辑);C034-11 * |
基于表面特征差异的车载点云道路坑槽提取方法;安卫等;测绘与空间地理信息;第46卷(第1期);169-171+176 * |
Also Published As
Publication number | Publication date |
---|---|
CN116879866A (zh) | 2023-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116879866B (zh) | 一种基于激光雷达三维数据的路面平整度评价方法 | |
CN112465948B (zh) | 一种保留空间特征的车载激光路面点云抽稀方法 | |
CN110533229B (zh) | 轨道维修时刻预测方法及装置 | |
CN105891833A (zh) | 基于多普勒雷达信息识别暖云降水率的方法 | |
CN113341389B (zh) | 一种基于最大似然估计的微波散射计风场反演方法及系统 | |
WO2023025334A1 (zh) | 一种路面平整度检测方法、装置、电子设备及介质 | |
CN116522270B (zh) | 用于智慧海绵城市的数据处理系统 | |
CN108009566B (zh) | 一种时空窗口下的改进型pca损伤检测方法 | |
CN110763187A (zh) | 一种稳健的基于雷达分布式目标的地面沉降监测方法 | |
CN116227752A (zh) | 一种基于物联网的园区设施管理系统 | |
CN112782701B (zh) | 一种基于雷达的能见度感知的方法、系统及设备 | |
CN108846200B (zh) | 一种基于迭代法的准静态桥梁影响线识别方法 | |
CN116910041B (zh) | 一种基于尺度分析的遥感降水产品的逐日订正方法 | |
CN110540136A (zh) | 桥式起重机大车位置检测方法、装置、设备及存储介质 | |
CN114264597A (zh) | 一种低成本的路面附着系数确定方法及系统 | |
CN111623796B (zh) | 一种基于信息融合的钢轨里程估计方法 | |
CN113074651B (zh) | 单路激光测距隧道变形监测系统及方法 | |
CN103669183A (zh) | 路面平整度的时间序列模型 | |
CN113240637B (zh) | 一种基于机器学习的墙面平整度信息化检测方法和系统 | |
CN115376106A (zh) | 基于雷达图的车型识别方法、装置、设备及介质 | |
KR20220000262A (ko) | 연직바람 관측장비와 이중 도플러 레이더 바람장을 이용한 태풍 수평 바람장 회수를 위한 장치 및 방법 | |
CN112859073A (zh) | 一种基于PSInSAR技术的道路破损评估方法 | |
CN112785847A (zh) | 立交基本段通行能力评估模型建模方法 | |
CN116456460B (zh) | 用于tdoa室内定位的滤波预处理方法 | |
Chavan et al. | An Overview of Machine Learning Techniques for Evaluation of Pavement Condition |
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 |