CN117289296A - 一种基于激光雷达的矿区反坡检测方法及系统 - Google Patents
一种基于激光雷达的矿区反坡检测方法及系统 Download PDFInfo
- Publication number
- CN117289296A CN117289296A CN202310991418.2A CN202310991418A CN117289296A CN 117289296 A CN117289296 A CN 117289296A CN 202310991418 A CN202310991418 A CN 202310991418A CN 117289296 A CN117289296 A CN 117289296A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- ground
- slope
- steps
- point
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 51
- 238000005065 mining Methods 0.000 title claims abstract description 43
- 238000004364 calculation method Methods 0.000 claims abstract description 49
- 230000011218 segmentation Effects 0.000 claims abstract description 39
- 230000002441 reversible effect Effects 0.000 claims abstract description 33
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 238000001914 filtration Methods 0.000 claims abstract description 27
- 238000009499 grossing Methods 0.000 claims abstract description 8
- 238000012544 monitoring process Methods 0.000 claims abstract description 5
- 230000002411 adverse Effects 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 17
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000013519 translation Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000009792 diffusion process Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 5
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 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
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
-
- 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
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
- G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明涉及矿区自动驾驶技术领域，具体为一种基于激光雷达的矿区反坡检测方法及系统，包括，采集卸载区倒车数据；进行地面分割，获取地面检测结果，获取挡土墙监测结果；采用点云叠加方式，进行单帧地面点云计算反坡精度差；基于车辆轨迹以及监测到的挡土墙位置，对叠加后的地面点云进行分段；进行反坡计算及补偿，对每一段点云，通过平面拟合的方式，计算出每一段的坡度，并通过卡尔曼滤波算法进行平滑处理。本发明解决的是矿山卸载区反坡检测问题，采用激光雷达点云数据和组合惯导车辆位姿数据进行反坡计算，保证了识别的精度，并具有实时性，为矿卡提供安全保障。
Description
技术领域
本发明涉及矿区自动驾驶技术领域，具体为一种基于激光雷达的矿区反坡检测方法及系统。
背景技术
随着自动驾驶技术的不断发展，矿区无人驾驶应用已经取得了重大突破。矿区无人驾驶技术不仅提高了运输效率，而且提供了安全保障，减少事故发生率。然而，矿区相对复杂多变的地形，对无人矿卡的行驶埋下了安全隐患。尤其是卸载区，随着开采作业不断进行，作业区、地面状况、挡土墙等会频繁发生变化，而且存在路面反坡、挡土墙不规则等情况。无人驾驶卡车在倒车卸货时，如果无法检测出地面反坡，会导致车辆出现控制不合理情况，甚至导致冲撞挡土墙、翻车等安全事故，因此对卸载区反坡的准确感知是无人驾驶卡车的安全保障。
当前矿区常用激光雷达作为主传感器，用于对常见动态目标、静态障碍物等目标检测，以及对路面状况等进行分析处理。然而，针对矿山卸载区的反坡检测，属于矿山特殊工况，尚未有同类研究。
发明内容
鉴于上述存在的问题，提出了本发明。
因此，本发明解决的技术问题是：本发明提出一种基于点云和组合导航数据的路面反坡计算方法，利用激光雷达点云获取挡土墙以及地面点云信息，计算地面反坡坡度，并结合车辆位姿信息，最终输出准确、稳定的反坡信息。
为解决上述技术问题，本发明提供如下技术方案：采集卸载区倒车数据；进行地面分割，获取地面检测结果，获取挡土墙监测结果；采用点云叠加方式，进行单帧地面点云计算反坡精度差；基于车辆轨迹以及监测到的挡土墙位置，对叠加后的地面点云进行分段；进行反坡计算及补偿，对每一段点云，通过平面拟合的方式，计算出每一段的坡度，并通过卡尔曼滤波算法进行平滑处理。
作为本发明所述一种基于激光雷达的矿区反坡检测方法的一种优选方案，其中：所述倒车数据包括，获取矿区卡车在卸载区倒车和卸载过程中的激光雷达点云数据和组合惯导的车辆位姿数据。
作为本发明所述一种基于激光雷达的矿区反坡检测方法的一种优选方案，其中：所述地面分割包括，将激光雷达点云数据导入地面分割模块，获取地面检测结果，获取挡土墙检测结果；使用梯度滤波方法分割地面，具体步骤包括点云下采样、梯度计算、梯度扩散、阈值区分以及条件再过滤；所述云下采样包括，使用体素滤波器，基于预处理后的点云创建一个三维体素栅格，用每个体素的重心来表达体素中的其它点，得到下采样点云；所述梯度计算包括，对下采样点云P进行八叉树的构建，对点P进行基于半径的近邻搜索，得到邻域点集Pi＝(1,2,...,k),对P进行梯度值计算，具体公式如下：
其中，f(Pi)表示Pi的高度Zi；
所述梯度扩散包括，计算下采样点云中各个点梯度，将梯度值赋值给所对应的体素内的所有点,最终点云每个点都有对应梯度值；所述阈值区分包括，遍历点云所有点，若梯度值大于设定的阈值，则为非地面点，否则为地面点，得到地面点云和初始非地面点云；所述条件再过滤包括，采用连通域聚类算法对初始非地面点云进行聚类，计算各聚类的高度值及点数，若高度值或点数不满足设定的阈值，则将该聚类所有点重新归为地面点云，得到最终的非地面点云。
作为本发明所述一种基于激光雷达的矿区反坡检测方法的一种优选方案，其中：所述点云叠加包括，计算的地面点云，经过组合惯导提供的车辆位姿数据进行坐标转换，获取全局坐标下的点云信息，并和N帧点云进行叠加，获取高密度点云，再将该高密度点云转换到车体坐标系中；建立O和O’为原点的空间直角坐标系，P点在Oxyz坐标系下的坐标为p(x,y,z)，在x’,y’,z'坐标系下的坐标为p'(x’,y’,z')，p'和p的坐标转换关系表示为：
其中，R为旋转矩阵，T为平移矩阵，α为绕x轴旋转的角度，β为绕y轴旋转的角度，γ为绕z轴旋转的角度；
车辆位姿信息提供三个旋转角度以及三个平移量，通过旋转平移矩阵将点云转换到全局坐标；坐标转换后的点云和N帧点云进行叠加，获取高密度点云，再将点云转换到车体坐标系，获取车体坐标系下车身后面的点云。
作为本发明所述一种基于激光雷达的矿区反坡检测方法的一种优选方案，其中：所述点云分段包括，点云分段模块基于矿卡后退轨迹进行计算，全局规划的倒退终点离挡土墙有一段距离，对挡土墙之间的地面点云进行计算，将倒退轨迹终点向后延长，并找到与挡土墙最近的地面点，以最近的地面点为起始点，均匀间隔一段距离划分一段轨迹线，基于分段的轨迹线，将叠加的地面点云进行分段处理，分段后共获得N段地面点云，设置每段点云的大小，点云的大小为矿卡的宽度，N根据卸载区的具体状况进行取值。
作为本发明所述一种基于激光雷达的矿区反坡检测方法的一种优选方案，其中：所述反坡计算及补偿包括RANSAC平面拟合、反坡坡度计算及补偿以及卡尔曼滤波优化，所述RANSAC平面拟合包括，使用RANSAC算法拟合平面点云，对每一段地面点云，接入拟合器中，进行多次计算，取多次计算结果的平均值，消除算法随机性导致的系统误差；所述反坡坡度计算及补偿包括，基于RANSAC平面拟合计算结果，获取每段点云平面的法向量，计算在矿卡纵轴方向上的分向量，获取反坡坡度值，从组合惯导获取从车辆自身的pitch角度值，所述pitch角度值表示车辆当前位置的俯仰角，用于补偿点云计算的反坡坡度值，最终获取每段点云的真实反坡值，用数组TN表示。
作为本发明所述一种基于激光雷达的矿区反坡检测方法的一种优选方案，其中：所述卡尔曼滤波算法包括，采用卡尔曼滤波算法，对TN中的N组反坡值进行平滑处理，规定tn为一个反坡测量值，经过线性卡尔曼滤波器后计算tn的预测值为bn，下一个反坡测量值为tn+1，通过卡尔曼增益K对bn和bn+1进行修正得到最优估计值，将数组TN中的反坡坡度值接入卡尔曼滤波器中循环计算，获取平滑后的反坡坡度值，输出最终结果。
本发明的另一个目的是提供一种基于激光雷达的矿区反坡检测系统，其能通过构建矿区反坡检测系统，解决矿山卸载区反坡检测问题，为矿卡提供安全保障。作为本发明所述一种基于激光雷达的矿区反坡检测系统的一种优选方案，其中：所述系统包括采集模块、分割模块、计算模块、分段模块、输出模块；所述采集模块包括，采集卸载区倒车数据，获取矿区卡车在卸载区倒车和卸载过程中的激光雷达点云数据和组合惯导的车辆位姿数据；所述分割模块包括，将激光雷达点云数据导入地面分割模块，获取地面检测结果，获取挡土墙检测结果；所述计算模块包括，计算的地面点云，经过组合惯导提供的车辆位姿数据进行坐标转换，获取全局坐标下的点云信息，并和N帧点云进行叠加，获取高密度点云，再将该高密度点云转换到车体坐标系中；所述分段模块包括，根据车辆行驶轨迹，以及检测到的挡土墙位置，对叠加后的地面点云进行分段；所述输出模块包括，对点云分段中计算的每一段点云，通过平面拟合的方式，计算出每一段的坡度，并通过卡尔曼滤波算法进行平滑处理。
本发明还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现所述一种基于激光雷达的矿区反坡检测方法步骤。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现所述一种基于激光雷达的矿区反坡检测方法的步骤。
本发明的有益效果：本发明解决矿山卸载区反坡检测问题，采用激光雷达点云数据和组合惯导车辆位姿数据进行反坡计算，保证了识别的精度，并具有实时性，为矿卡提供安全保障。
附图说明
为了更清楚地说明本发明实施例的技术方案，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它的附图。其中：
图1为本发明提供的一种基于激光雷达的矿区反坡检测方法的反坡监测流程图。
图2为本发明提供的一种基于激光雷达的矿区反坡检测方法的梯度滤波点云分割算法流程图。
图3为本发明提供的一种基于激光雷达的矿区反坡检测方法的反坡计算流程图。
图4为本发明提供的一种基于激光雷达的矿区反坡检测方法的坐标转换关系图。
图5是本发明提供的一种基于激光雷达的矿区反坡监测系统的结构图。
图6为本发明提供的一种基于激光雷达的矿区反坡检测方法的点云分段流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1至图4，为本发明的第一个实施例，提供了一种基于激光雷达的矿区反坡检测方法。
S1：采集卸载区倒车数据；
具体的，所述倒车数据包括，获取矿区卡车在卸载区倒车和卸载过程中的激光雷达点云数据和组合惯导的车辆位姿数据。
S2：进行地面分割，获取地面检测结果，获取挡土墙监测结果；
具体的，所述地面分割包括，将激光雷达点云数据导入地面分割模块，获取地面检测结果，获取挡土墙检测结果；
使用梯度滤波方法分割地面，具体步骤包括点云下采样、梯度计算、梯度扩散、阈值区分以及条件再过滤；
所述云下采样包括，使用体素滤波器，基于预处理后的点云创建一个三维体素栅格，用每个体素的重心来表达体素中的其它点，得到下采样点云；所述梯度计算包括，对下采样点云P进行八叉树的构建，对点P进行基于半径的近邻搜索，得到邻域点集Pi＝(1,2,...,k),对P进行梯度值计算，具体公式如下：
其中，f(Pi)表示Pi的高度Zi；
所述梯度扩散包括，计算下采样点云中各个点梯度，将梯度值赋值给所对应的体素内的所有点,最终点云每个点都有对应梯度值；
所述阈值区分包括，遍历点云所有点，若梯度值大于设定的阈值，则为非地面点，否则为地面点，得到地面点云和初始非地面点云；
所述条件再过滤包括，采用连通域聚类算法对初始非地面点云进行聚类，计算各聚类的高度值及点数，若高度值或点数不满足设定的阈值，则将该聚类所有点重新归为地面点云，得到最终的非地面点云。
S3：采用点云叠加方式，进行单帧地面点云计算反坡精度差；
32/16线激光雷达扫到地面的点云线束较少，基于此计算的地平面误差较大，因此采用点云叠加的方式进行计算。
具体的，所述点云叠加包括，计算的地面点云，经过组合惯导提供的车辆位姿数据进行坐标转换，获取全局坐标下的点云信息，并和N帧点云进行叠加，获取高密度点云，再将该高密度点云转换到车体坐标系中；
建立O和O’为原点的空间直角坐标系，P点在Oxyz坐标系下的坐标为p(x,y,z)，在x’,y’,z'坐标系下的坐标为p'(x’,y’,z')，p'和p的坐标转换关系表示为：
其中，R为旋转矩阵，T为平移矩阵，α为绕x轴旋转的角度，β为绕y轴旋转的角度，γ为绕z轴旋转的角度。
车辆位姿信息提供三个旋转角度以及三个平移量，通过旋转平移矩阵将点云转换到全局坐标；
坐标转换后的点云和N帧点云进行叠加，获取高密度点云，再将点云转换到车体坐标系，获取车体坐标系下车身后面的点云。
S4：基于车辆轨迹以及监测到的挡土墙位置，对叠加后的地面点云进行分段；
所述点云分段包括，点云分段模块基于矿卡后退轨迹进行计算，全局规划的倒退终点离挡土墙有一段距离，对挡土墙之间的地面点云进行计算，将倒退轨迹终点向后延长，并找到与挡土墙最近的地面点，以最近的地面点为起始点，均匀间隔一段距离划分一段轨迹线，基于分段的轨迹线，将叠加的地面点云进行分段处理，分段后共获得N段地面点云，设置每段点云的大小，点云的大小为矿卡的宽度，N根据卸载区的具体状况进行取值。
S5：进行反坡计算及补偿，对每一段点云，通过平面拟合的方式，计算出每一段的坡度，并通过卡尔曼滤波算法进行平滑处理；
具体的，所述反坡计算及补偿包括RANSAC平面拟合、反坡坡度计算及补偿以及卡尔曼滤波优化，所述RANSAC平面拟合包括，使用RANSAC算法拟合平面点云，对每一段地面点云，接入拟合器中，进行多次计算，取多次计算结果的平均值，消除算法随机性导致的系统误差。
所述反坡坡度计算及补偿包括，基于RANSAC平面拟合计算结果，获取每段点云平面的法向量，计算在矿卡纵轴方向上的分向量，获取反坡坡度值，从组合惯导获取从车辆自身的pitch角度值，所述pitch角度值表示车辆当前位置的俯仰角，用于补偿点云计算的反坡坡度值，最终获取每段点云的真实反坡值，用数组TN表示。
进一步的，所述卡尔曼滤波算法包括，采用卡尔曼滤波算法，对TN中的N组反坡值进行平滑处理，规定tn为一个反坡测量值，经过线性卡尔曼滤波器后计算tn的预测值为bn，下一个反坡测量值为tn+1，通过卡尔曼增益K对bn和bn+1进行修正得到最优估计值，将数组TN中的反坡坡度值接入卡尔曼滤波器中循环计算，获取平滑后的反坡坡度值，输出最终结果。
实施例2
参照图5，为本发明的第二个实施例，提供了一种基于激光雷达的矿区反坡检测系统。
具体的，所述系统包括采集模块、分割模块、计算模块、分段模块、输出模块。
所述采集模块包括，采集卸载区倒车数据，获取矿区卡车在卸载区倒车和卸载过程中的激光雷达点云数据和组合惯导的车辆位姿数据；
所述分割模块包括，将激光雷达点云数据导入地面分割模块，获取地面检测结果，获取挡土墙检测结果；
所述计算模块包括，计算的地面点云，经过组合惯导提供的车辆位姿数据进行坐标转换，获取全局坐标下的点云信息，并和N帧点云进行叠加，获取高密度点云，再将该高密度点云转换到车体坐标系中；
所述分段模块包括，根据车辆行驶轨迹，以及检测到的挡土墙位置，对叠加后的地面点云进行分段；
所述输出模块包括，对点云分段中计算的每一段点云，通过平面拟合的方式，计算出每一段的坡度，并通过卡尔曼滤波算法进行平滑处理。
实施例3
本发明提供的第三个实施例，提供了一种基于激光雷达的矿区反坡检测方法的点云分段和反坡计算及补偿的具体方法。
参照图6，点云分段模块基于矿卡后退轨迹进行计算，全局规划的倒退终点通常离挡土墙还有一段距离，需要对其与挡土墙之间的地面点云进行计算。
将倒退轨迹终点向后延长5米，并找到与挡墙最近的地面点a，以a为起始点，每隔1米划分一段轨迹线，基于分段的轨迹线，将叠加的地面点云进行分段处理。
分段后共获得N段地面点云，每段点云设置大小为Truck_length*1米，其中Truck_length为矿卡宽度，N根据卸载区状况灵活取值，每段点云内包含点云数量500左右，保持地面特征的同时，减少数据量，以实现快速运算。
RANSAC算法可以很好的拟合平面点云，受离群点影响较小。对每一段地面点云，将其接入拟合器中，并进行10次计算，最终取10次结果的平均值，以消除算法随机性导致的系统误差。
根据RANSAC算法计算结果，获取每段点云平面的法向量，计算其在矿卡纵轴方向上的分向量，获取反坡坡度值。从组合惯导获取车辆自身的pitch角度值，该值表示车辆当前位置的俯仰角，用于补偿点云计算的反坡坡度值。最终获取每段点云的真实反坡值，用数组TN表示。
采用卡尔曼滤波算法，对TN中的N组反坡值进行平滑处理，规定tn为一个反坡测量值，经过线性卡尔曼滤波器后计算tn的预测值为bn，下一个反坡测量值为tn+1，通过卡尔曼增益K对bn和bn+1进行修正得到最优估计值，将数组TN中的反坡坡度值接入卡尔曼滤波器中循环计算，获取平滑后的反坡坡度值，输出最终结果。
实施例4
本发明第四个实施例，其不同于前一个实施例的是：
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)、便携式计算机盘盒(磁装置)、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编辑只读存储器(EPROM或闪速存储器)、光纤装置以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
此外，为了提供示例性实施方案的简练描述，可以不描述实际实施方案的所有特征(即，与当前考虑的执行本发明的最佳模式不相关的那些特征，或于实现本发明不相关的那些特征)。
应理解的是，在任何实际实施方式的开发过程中，如在任何工程或设计项目中，可做出大量的具体实施方式决定。这样的开发努力可能是复杂的且耗时的，但对于那些得益于此公开内容的普通技术人员来说，不需要过多实验，所述开发努力将是一个设计、制造和生产的常规工作。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于激光雷达的矿区反坡检测方法，其特征在于：包括，
采集卸载区倒车数据；
进行地面分割，获取地面检测结果，获取挡土墙监测结果；
采用点云叠加方式，进行单帧地面点云计算反坡精度差；
基于车辆轨迹以及监测到的挡土墙位置，对叠加后的地面点云进行分段；
进行反坡计算及补偿，对每一段点云，通过平面拟合的方式，计算出每一段的坡度，并通过卡尔曼滤波算法进行平滑处理。
2.如权利要求1所述的一种基于激光雷达的矿区反坡检测方法，其特征在于：所述倒车数据包括，获取矿区卡车在卸载区倒车和卸载过程中的激光雷达点云数据和组合惯导的车辆位姿数据。
3.如权利要求2所述的一种基于激光雷达的矿区反坡检测方法，其特征在于：所述地面分割包括，将激光雷达点云数据导入地面分割模块，获取地面检测结果，获取挡土墙检测结果；
使用梯度滤波方法分割地面，具体步骤包括点云下采样、梯度计算、梯度扩散、阈值区分以及条件再过滤；
所述云下采样包括，使用体素滤波器，基于预处理后的点云创建一个三维体素栅格，用每个体素的重心来表达体素中的其它点，得到下采样点云；
所述梯度计算包括，对下采样点云P进行八叉树的构建，对点P进行基于半径的近邻搜索，得到邻域点集Pi＝(1,2,...,k),对P进行梯度值计算，具体公式如下：
其中，f(Pi)表示Pi的高度Zi；
所述梯度扩散包括，计算下采样点云中各个点梯度，将梯度值赋值给所对应的体素内的所有点,最终点云每个点都有对应梯度值；
所述阈值区分包括，遍历点云所有点，若梯度值大于设定的阈值，则为非地面点，否则为地面点，得到地面点云和初始非地面点云；
所述条件再过滤包括，采用连通域聚类算法对初始非地面点云进行聚类，计算各聚类的高度值及点数，若高度值或点数不满足设定的阈值，则将该聚类所有点重新归为地面点云，得到最终的非地面点云。
4.如权利要求3所述的一种基于激光雷达的矿区反坡检测方法，其特征在于：所述点云叠加包括，计算的地面点云，经过组合惯导提供的车辆位姿数据进行坐标转换，获取全局坐标下的点云信息，并和N帧点云进行叠加，获取高密度点云，再将该高密度点云转换到车体坐标系中；
建立O和O’为原点的空间直角坐标系，P点在Oxyz坐标系下的坐标为p(x,y,z)，在x’,y’,z'坐标系下的坐标为p'(x’,y’,z')，p'和p的坐标转换关系表示为：
其中，R为旋转矩阵，T为平移矩阵，α为绕x轴旋转的角度，β为绕y轴旋转的角度，γ为绕z轴旋转的角度；
车辆位姿信息提供三个旋转角度以及三个平移量，通过旋转平移矩阵将点云转换到全局坐标；
坐标转换后的点云和N帧点云进行叠加，获取高密度点云，再将点云转换到车体坐标系，获取车体坐标系下车身后面的点云。
5.如权利要求4所述的一种基于激光雷达的矿区反坡检测方法，其特征在于：所述点云分段包括，点云分段模块基于矿卡后退轨迹进行计算，全局规划的倒退终点离挡土墙有一段距离，对挡土墙之间的地面点云进行计算，将倒退轨迹终点向后延长，并找到与挡土墙最近的地面点，以最近的地面点为起始点，均匀间隔一段距离划分一段轨迹线，基于分段的轨迹线，将叠加的地面点云进行分段处理，分段后共获得N段地面点云，设置每段点云的大小，点云的大小为矿卡的宽度，N根据卸载区的具体状况进行取值。
6.如权利要求5所述的一种基于激光雷达的矿区反坡检测方法，其特征在于：所述反坡计算及补偿包括RANSAC平面拟合、反坡坡度计算及补偿以及卡尔曼滤波优化，所述RANSAC平面拟合包括，使用RANSAC算法拟合平面点云，对每一段地面点云，接入拟合器中，进行多次计算，取多次计算结果的平均值，消除算法随机性导致的系统误差；
所述反坡坡度计算及补偿包括，基于RANSAC平面拟合计算结果，获取每段点云平面的法向量，计算在矿卡纵轴方向上的分向量，获取反坡坡度值，从组合惯导获取从车辆自身的pitch角度值，所述pitch角度值表示车辆当前位置的俯仰角，用于补偿点云计算的反坡坡度值，最终获取每段点云的真实反坡值，用数组TN表示。
7.如权利要求6所述的一种基于激光雷达的矿区反坡检测方法，其特征在于：所述卡尔曼滤波算法包括，采用卡尔曼滤波算法，对TN中的N组反坡值进行平滑处理，规定tn为一个反坡测量值，经过线性卡尔曼滤波器后计算tn的预测值为bn，下一个反坡测量值为tn+1，通过卡尔曼增益K对bn和bn+1进行修正得到最优估计值，将数组TN中的反坡坡度值接入卡尔曼滤波器中循环计算，获取平滑后的反坡坡度值，输出最终结果。
8.一种采用如权利要求1～7任一所述一种基于激光雷达的矿区反坡检测方法的系统，其特征在于：所述系统包括采集模块、分割模块、计算模块、分段模块、输出模块；
所述采集模块包括，采集卸载区倒车数据，获取矿区卡车在卸载区倒车和卸载过程中的激光雷达点云数据和组合惯导的车辆位姿数据；
所述分割模块包括，将激光雷达点云数据导入地面分割模块，获取地面检测结果，获取挡土墙检测结果；
所述计算模块包括，计算的地面点云，经过组合惯导提供的车辆位姿数据进行坐标转换，获取全局坐标下的点云信息，并和N帧点云进行叠加，获取高密度点云，再将该高密度点云转换到车体坐标系中；
所述分段模块包括，根据车辆行驶轨迹，以及检测到的挡土墙位置，对叠加后的地面点云进行分段；
所述输出模块包括，对点云分段中计算的每一段点云，通过平面拟合的方式，计算出每一段的坡度，并通过卡尔曼滤波算法进行平滑处理。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述一种基于激光雷达的矿区反坡检测方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述一种基于激光雷达的矿区反坡检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310991418.2A CN117289296A (zh) | 2023-08-08 | 2023-08-08 | 一种基于激光雷达的矿区反坡检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310991418.2A CN117289296A (zh) | 2023-08-08 | 2023-08-08 | 一种基于激光雷达的矿区反坡检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117289296A true CN117289296A (zh) | 2023-12-26 |
Family
ID=89250708
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310991418.2A Pending CN117289296A (zh) | 2023-08-08 | 2023-08-08 | 一种基于激光雷达的矿区反坡检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117289296A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117475398A (zh) * | 2023-12-26 | 2024-01-30 | 苏州元脑智能科技有限公司 | 一种基于体素采样的地面分割优化方法、装置 |
-
2023
- 2023-08-08 CN CN202310991418.2A patent/CN117289296A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117475398A (zh) * | 2023-12-26 | 2024-01-30 | 苏州元脑智能科技有限公司 | 一种基于体素采样的地面分割优化方法、装置 |
| CN117475398B (zh) * | 2023-12-26 | 2024-02-23 | 苏州元脑智能科技有限公司 | 一种基于体素采样的地面分割优化方法、装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107341819B (zh) | 目标跟踪方法及存储介质 | |
| CN108519094B (zh) | 局部路径规划方法及云处理端 | |
| CN109143207B (zh) | 激光雷达内参精度验证方法、装置、设备及介质 | |
| CN105404844B (zh) | 一种基于多线激光雷达的道路边界检测方法 | |
| CN110658531A (zh) | 一种用于港口自动驾驶车辆的动态目标追踪方法 | |
| CN109001757B (zh) | 一种基于2d激光雷达的车位智能检测方法 | |
| CN105488498A (zh) | 一种基于激光点云的车道边线自动提取方法及系统 | |
| CN112184736B (zh) | 一种基于欧式聚类的多平面提取方法 | |
| Gikas et al. | A novel geodetic engineering method for accurate and automated road/railway centerline geometry extraction based on the bearing diagram and fractal behavior | |
| CN113252027B (zh) | 井下无人驾驶车辆局部路径规划方法、装置、设备及存储介质 | |
| CN117289296A (zh) | 一种基于激光雷达的矿区反坡检测方法及系统 | |
| CN111325138B (zh) | 一种基于点云局部凹凸特征的道路边界实时检测方法 | |
| CN112215958B (zh) | 一种基于分布式计算的激光雷达点云数据投影方法 | |
| CN114842450B (zh) | 一种可行驶区域检测方法、装置及设备 | |
| CN112085843B (zh) | 一种隧道类目标特征实时提取及测量方法和装置 | |
| WO2022166323A1 (zh) | 一种道路线确定的方法，相关装置以及设备 | |
| CN113933859A (zh) | 一种无人矿卡行驶场景的路面及两侧挡墙检测方法 | |
| CN113936215A (zh) | 一种矿区路面凹坑的识别方法、系统及无人驾驶货车 | |
| CN114549286A (zh) | 车道线生成方法及装置、计算机可读存储介质、终端 | |
| CN115861968A (zh) | 一种基于实时点云数据的动态障碍物剔除方法 | |
| CN114022760B (zh) | 铁路隧道障碍物监测预警方法、系统、设备及存储介质 | |
| CN114322856B (zh) | 矿区路面平整度的检测方法、装置、存储介质及设备 | |
| CN113345093B (zh) | 一种针对激光雷达点云拖尾点的滤波方法 | |
| CN114241448A (zh) | 障碍物航向角的获取方法、装置、电子设备及车辆 | |
| CN113887590B (zh) | 一种目标典型航迹及区域分析方法 |
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 |