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。