煤矿井下多重约束的视觉SLAM关键帧选取方法

煤矿智能化的重大需求对煤矿井下移动机器人智能感知提出了更高的要求,视觉同时定位与建图(Visual Simultaneous Localization and Mapping,VSLAM)是煤矿机器人智能感知的关键技术。然而,煤矿井下存在非结构化环境特征、纹理弱、光照不均匀、空间狭小等问题,现有依赖启发式阈值进行关键帧选取的方法无法满足煤矿下视觉SLAM的定位与建图需求。为此,提出一种煤矿井下多重约束的视觉SLAM关键帧选取方法,实现了煤矿井下移动机器人实时稳健的位姿估计,并为煤矿井下数字孪生提供数据基础。首先,提出的方法根据几何结构约束,采用自适应阈值取代静态启发式阈值进行关键帧选取,以实现视觉SLAM关键帧选取的有效性和鲁棒性。其次,通过重心平衡原则对有效特征点分布进行均匀化处理,以进一步确保视觉SLAM关键帧选取的稳定性以及创建地图点的稠密性和准确性。最后,利用航向角阈值对转向处做进一步约束,降低视角突变对视觉SLAM精度的影响。为验证本文方法的有效性,利用自主搭建的移动机器人数据采集平台在室内场景及煤矿井下分别进行了实验,并从绝对轨迹误差(Absolute Trajectory Error,ATE)和均方根误差(Root Mean Square Error,RMSE)等方面进行了定量和定性评价。结果表明:相比于启发式视觉SLAM关键帧选取方法,提出的方法在室内场景中轨迹RMSE提高了29%,在煤矿井下环境中轨迹RMSE提高了44%,具有较高的鲁棒性、定位精度和全局一致的建图效果。

基于机载LiDAR点云C2C算法的矿山沉陷监测研究

针对地表移动观测站和InSAR技术手段在矿山开采沉陷监测的局限性,利用机载激光雷达(Light Detection and Ranging,LiDAR)采集沉陷区三维点云数据,通过多时相点云构建地表数字沉陷模型(沉陷DEM),获取地表的移动变形特征。然而构建的沉陷DEM包含多种来源复杂且难以去除的噪声,限制了该技术在矿山开采沉陷监测的应用。提出将机载LiDAR点云直接比较的算法(Cloud to Cloud,C2C)进行矿山开采沉陷监测,以榆神矿区某工作面为研究区,将同期水准观测数据作为参考数据,并与三种主流点云插值算法构建的沉陷DEM进行对比,验证该算法的可行性和精度。结果表明,C2C算法能够快速获取高精度的沉陷值,其沉陷精度明显优于通过点云插值算法获取的计算结果,下沉曲线符合矿山开采沉陷的一般规律。该算法可以达到厘米级的精度,为矿山地表移动变形监测和生态环境修复提供了新的参考方案。

煤矿井下顾及特征点动态提取的激光SLAM算法研究

针对煤矿井下无GNSS信号、主流激光SLAM算法易出现特征约束不足而导致退化问题,提出了一种面向煤矿井下环境的激光雷达、IMU紧耦合SLAM算法。首先,设计一种动态提取特征点方法,通过检测煤矿井下环境是否发生退化,动态调整特征点提取数量,构建丰富且良好的特征信息约束矩阵,提高位姿估计准确性;然后,利用因子图优化实现煤矿井下稳健精确的SLAM;最后,通过煤矿井下实测数据进行了广泛的试验分析。结果表明:提出的激光SLAM算法表现较好,位姿估计误差在平面方向较LIO_SAM降低了50.93%,在高程方向降低了42.13%,可为煤矿机器人智能感知、安全巡检提供了技术参考。