基于IMU-LiDAR紧耦合的煤矿防冲钻孔机器人定位导航方法

防冲钻孔机器人是冲击地压矿井卸压的关键设备,其在复杂卸压巷道的精确地图构建和的稳定导航是实现钻孔作业智能化的基础和前提。在分析激光雷达点云畸变成因和同步定位与地图构建(SLAM)算法缺陷的基础上,设计了基于惯性测量单元(IMU)连续时间轨迹的点云畸变矫正方法,建立了激光雷达和IMU的数据融合模型,提出了基于IMU-LiDAR紧耦合的防冲钻孔机器人定位建图方法。根据煤矿卸压巷道特点建立了密闭坡道模型,开展了建图效果仿真分析,结果表明,所提算法在定位精度、轨迹误差方面均优于现有常用算法。在此基础上,设计了基于改进人工势场法和快速扩展随机树的动态路径规划方法,建立了适用于防冲钻孔机器人的路径规划与导航融合方案,并设计了2种仿真运动场景,结果表明,所提路径规划方法在全局路径规划和动态路径规划的平均路径长度、平均运行时间、平均生成节点数等方面均具有较好的综合性能。为了进一步验证防冲钻孔机器人定位导航方法的实用性,在校内模拟巷道、地面实验基地和井下卸压巷道等场景下开展了多组对比实验,结果表明:将IMU数据与LiDAR数据紧耦合后,所提方法的定位建图精度明显提高,在特征退化场景中具有优越的定位建图性能,且规划路径的运算效率和路径代价方面均具有良好的表现,验证了所提定位导航方法在多种场景中的可行性和优越性。

CNN-Transformer结合对比学习的高光谱与LiDAR数据协同分类

针对高光谱图像(hyperspectral images,HSI)与LiDAR数据多模态分类任务中的跨模态信息表达和特征对齐等问题,提出一种基于对比学习CNN-Transformer高光谱和LiDAR数据协同分类网络(Contrastive Learning based CNNTransformer Network,CLCT-Net)。CLCT-Net通过由ConvNeXt V2 Block构成的共有特征提取模块,获得不同模态间的共性特征,解决异构传感器数据之间语义对齐的问题。构建了包含空间-通道分支和光谱上下文分支的双分支HSI编码器,以及结合频域自注意力机制的LiDAR编码器,以获取更丰富的特征表示。利用集成对比学习进行分类,进一步提升多模态数据协同分类的精度。在Houston 2013和Trento数据集上的实验结果表明,相较于其他高光谱图像和Li‐DAR数据分类模型,本文所提模型获得了更高的地物分类精度,分别达到了92.01%和98.90%,实现了跨模态数据特征的深度挖掘和协同提取。

智航无人机载LiDAR系统在轨道交通建设中的应用分析

为了减少轨道交通建设外业勘测的工作量,提高制图的效率和精度,本文首先基于实际项目,选用智航SF1650六旋翼无人机载LiDAR系统对济南新东站片区进行航摄,利用获取的LiDAR点云和影像数据制作DEM、DOM,然后再进行大比例尺地形图和片区断面图的制作。通过外业勘测核实,DEM和DOM精度完全满足轨道交通建设工程制作大比例尺地形图的要求,且相较于传统立体航测,精度和数据利用率得到很大的提升,极大减少了外业勘测工作量,验证了智航SF1650无人机载LiDAR系统的可行性,为今后的工程应用提供了参考方案。

一种DEM辅助下的LiDAR点云PTD滤波改进算法

针对传统渐进加密不规则三角网(PTD)滤波算法在复杂地形环境下需要反复调试地面点判断参数才能获得较好结果的局限性,以往期DEM数据提取的地形高程和地形梯度为辅助,改进PTD中初始地面种子点的选取方法,优化地面点判断参数,并对往期DEM数据和现势LiDAR点云数据之间的地形变化进行检测和处理,适用于不同坡度地形条件的复杂地形,滤波效果较好。对比分析实验数据精度可知,该算法能有效降低I类与II类误差,且样本分类精度均在90%以上,说明DEM辅助可切实提高PTD滤波算法的精度。

改进的密度聚类精确自适应提取LiDAR电力线点云方法

原有邻域半径r_(Eps)与密度阈值p_(MinPts)两个参数的初始赋值导致电力线点云的提取结果存在不确定性,在密度聚类的基础上增添了点云簇类自适应判别方法,该方法避免人员重复测试初始参数的繁琐过程,采用C++语言完成了对该算法电力线精确提取及电力线拟合程序的开发与测试。结果表明:改进后的密度聚类法在电力线点云提取的损失率仅0.02%,三维重建残差为0.213 m;该方法大幅提高了电力线点云提取的准确性与便捷性,适用于高压电力走廊的电力巡检与三维重建等工作。

无人机LiDAR点云与无人机影像匹配点云分析比较

随着无人机技术的不断发展,无人机数码航测技术和无人机LiDAR技术在测量领域的应用越来越广泛。为分析无人机LiDAR点云和无人机影像匹配点云2种点云的差异,该文通过对西南某铁路一个测区在同一飞行高度的情况下同时进行无人机数码航摄及无人机LiDAR航摄2种方式航摄。对2种不同的摄影方式获取的点云进行比较,分析出2种方法获取点云在形态表现、滤波分类,以及利用2种点云制作DEM高程精度方面的差异,为实际工程航飞方式的选择提供一个参考。

基于车载LiDAR的交通标线自动提取方法研究

针对自动驾驶技术对高精度道路信息实时存储分析的需求日渐增大、道路点云数据冗余离散的问题,本文提出了一种从车载LiDAR点云数据中自动提取道路面、分类并矢量化交通标线的有效方法。首先,将点云数据中的非地面点滤除;其次,基于载体车辆的行车轨迹线生成伪扫描线实现道路面的提取;然后,构建一系列二维点云参考影像,利用点云强度等特征信息检测交通标线边界像素点及坐标,并去除离群值对交通标线进行分类细化;最后,对本文方法提取与传统方法提取的交通要素进行对比,实验结果表明,本文提取方法的准确度及效率都有了一定的提升。

融合星载LiDAR系统GEDI数据与Sentinel-2影像的长江中游洲滩典型禾本科植物高度动态研究

植物是大型河流生态系统的重要成分。但受气候变化和人类活动影响,洲滩禾本科植物高度不断发生调整,进而影响洲滩生境和河道防洪安全,故需长期监测。近年来,伴随着星载激光雷达(LiDAR)技术的发展,应用LiDAR卫星数据反演洲滩禾本科植物高度成为一种可能。本文融合新一代星载LiDAR系统GEDI数据与Sentinel-2影像,基于XGBoost算法构建了考虑物候、累积温度与光合有效辐射指标的洲滩典型禾本科植物高度外推模型,同时利用Attention-UNet算法搭建了洪淹区域识别模型。随后以长江中游洲滩为例,探明了星载LiDAR技术在获取洲滩植株高度方面的性能,分析了各指标对模型精度的影响,并初步得出了洲滩典型禾本科植物高度对不同淹没条件的响应模式。主要结论包括:(1)星载LiDAR系统GEDI具有准确探测洲滩植物高度的能力,与无人机航测数据相比RMSE=0.43 m;(2)运用GEDI数据构建禾本科植物高度外推模型时,考虑物候和累积温度等指标可有效提升模型精度,提升幅度为6.8%~10.7%;(3)利用无人机航测数据对模型外推植物高度进行评价,RMSE=0.80 m。同时从模型外推结果中可知,受2020年流域尺度洪水影响,中游各河段平均植物高度下降了0.03~0.24 m;(4)在2020年流域尺度洪水作用下,淹没历时≤10天的洲滩禾本科植物,其次年株高整体呈增长趋势;而淹没历时>10天时,其次年株高平均下降了2.3%~3.1%。此外,对于日均淹没水深与株高的比值>0.95的洲滩,随着比值增加,洪水对禾本科植株高度的负面作用逐步增强。

机载LiDAR点云数据的建筑屋顶面提取算法

针对机载LiDAR点云数据的屋顶面提取过程中因受植被影响导致提取精度低的问题,提出了一种基于区域生长的屋顶面点云提取算法。进行滤波处理得到非地面点云,利用屋顶面点云邻域特征信息提取屋顶面种子点,引入植被指数和RGB差值信息作为生长约束条件对屋顶面点云进行生长分割,利用屋顶面的高程与面积值对提取结果进行过滤优化,得到屋顶面点云。选取了农村、城市、工厂三组不同场景的测试数据进行实验,结果表明:Kappa系数分别达到了97.29%、97.82%、97.13%,算法可实现较好的建筑屋顶面提取效果,且针对不同建筑场景具有良好的适应性。

协同随机森林方法和无人机LiDAR空谱数据的盐沼植被“精灵圈”识别

“精灵圈”作为一种典型的空间自组织结构,对盐沼植被生态系统及其功能有重要影响。获取“精灵圈”的空间格局及时空变化,可为厘清其生态演化机理提供重要科学支撑。本文基于随机森林机器学习方法,结合无人机激光雷达(LiDAR)点云的空间信息与光谱信息,对盐沼植被“精灵圈”进行智能识别与提取。首先,利用激光雷达方程和Phong模型,消除距离、入射角以及镜面反射效应对强度数据的影响,并且通过校正后强度数据滤波分离植被点云与地面点云。然后,构造系列空间特征及几何变量,利用随机森林算法,对植被点云中的正常植被和“精灵圈”进行分类。结果表明:该方法无需人工经验设置参数,能够精确地从无人机LiDAR三维点云数据中快速自动识别“精灵圈”,总体精度为83.9%。本文为“精灵圈”时空分布反演提供了一种高精度的方法,也为基于机器学习的三维点云数据处理提供了技术借鉴。

基于MLS LiDAR点云提取桃树结构参数

为构建数字化果园并提高智能化管理水平,探索基于MLS LiDAR提取桃树结构参数的方法。使用背包搭载多平台激光雷达采集展叶期桃园点云数据,采用改进K-Means聚类算法分割单棵桃树点云;对部分存在空洞的枝条点云上采样,得到较高密度枝条点云数据;使用不同直径的圆柱拟合重建桃树定量结构模型(QSM),提取桃树5项结构参数。结果表明:该方法能实现桃树精准三维模型重建,重建后提取的冠幅值、株高、主干直径、一二级枝条长度与实测值决定系数分别为0.779、0.939、0.978、0.965、0.986,均方根误差分别为0.280 m、0.076 m、0.003 m、0.066 m、0.068 m;平均相对误差为8.6%、2.5%、3.2%、2.6%、8.4%。研究结果可为桃园智能化管理提供数据支撑。

基于三角面元的海岸带机载/船载LiDAR点云配准方法研究

机载LiDAR系统与船载LiDAR系统是获取海岸带点云数据的常用方式。两种测量系统所测数据具有空间差异性和互补性,对这两类非同源点云数据进行配准具有重要意义。本研究提出一种基于三角面元的LiDAR点云配准算法,根据空间分布将目标点云分割成若干不规则的三角面元作为配准基元,利用点-面变换模型,最小化源点云中的测量点与其平面位置处的三角面元间的距离,最终实现海岸带区域点云配准。实验结果表明,配准前后的样本点距离平均误差和点-面距离均方根误差分别从3.30和1.51 m降低到0.76和0.17 m,本研究基于三角面元的点云配准方法可以有效消除海岸带非同源点云数据测量空隙、角度偏差等现象。

GNSS/IMU/LiDAR融合定位研究

为提升低成本卫星接收机和惯性测量单元(inertial measurement unit,IMU)条件下传统组合导航定位的抗干扰性和定位精度,本文通过融合GNSS、IMU、激光雷达(laser radar,LiDAR)来提高定位的鲁棒性及定位精度.在高楼遮挡等复杂环境下由于卫星信号丢失导致卫星定位结果降低,可通过GNSS与IMU的组合来提升导航定位的鲁棒性及其精度.如果卫星信号缺失时间过长,那么低成本条件下的GNSS/IMU组合定位精度仍不理想,本文提出利用LiDAR里程计输出的位置信息与传统组合导航通过扩展卡尔曼滤波(extended Kalman filter,EKF)进行融合定位.实验得出:在无遮挡的环境下融合定位标准差(standard deviation,STD)精度较之卫星定位提升53.7%,均方根误差(root mean square error,RMSE)精度提升56%,较之GNSS/IMU组合定位STD精度提升37.9%,RMSE精度提升38.6%.在有遮挡的环境下融合定位STD精度较之卫星定位提升59.4%,RMSE精度提升71.3%,较之GNSS/IMU组合定位STD精度提升26.3%,RMSE精度提升33.7%.

一种改进的机载LiDAR数据构建DEM地面种子点选取方法

针对机载激光雷达(LiDAR)数据使用传统方法获取的地面种子点密度低,种子点之间空白区域的地形信息缺失,不利于后续提取地面点和构建高质量数字高程模型(DEM)的问题,本文提出了一种基于新的网格遍历规则的地面种子点选取方法。与传统方法中的起始网格在X和Y方向上每次移动1个规则网格宽度不同,该方法每次移动1/2个网格宽度,增加规则网格数量,获取的地面种子点个数相较于传统方法提高约200%,可补充种子点之间空白区域的地形信息,有利于提高后续点云数据处理的精度和相关产品的可靠性。

融合InSAR和机载LiDAR技术的滑坡早期识别与分析

针对植被密集的复杂山区单一数据滑坡早期识别准确性与可靠性不足的问题,本文结合激光雷达数据的微地貌特征和InSAR技术的形变特征,提出了一种滑坡早期识别分析方法。首先,利用SBAS-InSAR技术提取该地区的时序形变信息,确认形变速率异常分布范围;然后,结合机载雷达的高精度地形地貌的优势,确认主要区域内的7个潜在滑坡,并划分滑坡地图和潜在滑坡的边界识别;最后,结合光学影像遥感和几何畸变原理,对识别结果进行验证。结果表明,结合InSAR和机载LiDAR技术能提高滑坡识别精度和探测能力,滑坡的发育特征和识别结果可为文山地区地质灾害预防和滑坡的编目提供理论支持和依据。

基于分层叠加的机载LiDAR点云单木分割

【目的】提出一种基于分层叠加的单木分割算法,以充分利用高密度激光雷达点云信息,提高林分中下层单木分割精度。【方法】区别于传统将冠顶点作为聚类种子点的单木分割算法,基于分层叠加的单木分割算法以点云水平切片后各层的局部最大值为种子点进行分层聚类,并通过分层叠加与迭代优化,减少枝杈等因素导致的过分割现象,在保证上层树单木分割精度的同时提高对中下层单木的提取能力。【结果】基于分层叠加的单木分割算法在不同密度落叶松林分均有较高单木分割精度,提取单木与实测单木总体匹配成功率最高达94%,在中高密度林分匹配成功率最高达92%,相较其他算法,对中下层单木的匹配率可提高20%~40%;在单木树高提取精度方面,单木提取树高与实测树高相关系数为0.8,相对均方根误差为8.45%,提取冠幅与实测冠幅相关系数最高为0.83,相对均方根误差为16.5%。【结论】通过分层聚类、聚类种子点优化选取,充分利用林分各层次点云信息,可提高单木分割精度,为森林经营管理提供高精度数据支持。

露天煤矿环境下基于LiDAR/IMU的紧耦合SLAM算法研究

随着人工智能和无人驾驶等相关学科的快速发展,煤矿装备的智能化和无人化成为了新的趋势。智能设备的应用将大幅提高煤矿作业的生产力以及人员安全性。露天煤矿地形复杂,与城市环境相比无明显的几何特征,具有分段相似性,利用现有以激光雷达为主的同时定位与建图(Simultaneous Localization and Mapping,SLAM)方案在该环境下易出现定位漂移和建图误差较大等现象。针对上述问题,提出了一种基于激光雷达(Light Detection and Ranging,LiDAR)和惯导(Inertial Measurement Unit,IMU)紧耦合的SLAM算法,该算法使用LiDAR和IMU两种传感器作为数据输入,对数据进行预处理,前端利用迭代扩展卡尔曼滤波器将预处理后的LiDAR特征点与IMU数据相融合,并使用后向传播来矫正雷达运动畸变,后端利用雷达相对位姿因子将LiDAR帧间配准结果作为约束因子与回环因子共同完成全局因子图优化。利用开源数据集和露天煤矿实地数据集验证了算法的鲁棒性和精确性。试验结果表明在城市结构化环境中文中所提算法与当前激光SLAM算法精度保持一致,而针对长达两千多米的露天煤矿实地环境,所提算法较FAST-LIO2、LIO-SAM紧耦合算法在定位精度上分别提高了46.00%和23.15%,且具有更高的鲁棒性。

基于高光谱和LiDAR的黄河口湿地植被分类方法

利用无人机(Unmanned Aerial Vehicle,UAV)高光谱影像(Hyper-spectral Imaging,HSI)和激光雷达(Light Detection and Ranging,LiDAR)数据开展黄河口湿地植被分类方法研究。由于高空间分辨率HSI光谱变异性强,以及LiDAR点云密度不均匀,分类结果呈现出“椒盐”现象。为了解决这些问题,本文提出了一种结合空谱特征融合和通道注意力机制的双分支卷积神经网络(SSF-C-DBCNN)。光谱注意力机制通过为每个波段分配不同的权重来减少光谱变异性的影响。空间注意力机制侧重于学习和强调特征表达能力强的密集点云区域空间信息,从而减轻LiDAR点云密度不均匀对结果的影响。最后,在双分支融合特征后引入通道注意力机制来提取更深层次的特征。利用UAV采集的HSI和LiDAR数据进行实验验证,结果表明,本文提出方法的性能优于随机森林和五种深度学习方法,分类结果更为贴合实际土地覆盖,有效地抑制了“椒盐”现象。

林区机载LiDAR点云的多分辨率层次布料模拟滤波

针对现有机载LiDAR(light detection and ranging)点云滤波方法在地形起伏剧烈的林区适用性不足的问题,提出一种多分辨率层次布料模拟滤波方法。首先,通过多尺度形态学开运算选择大量种子地面点;然后,基于种子地面点,使用布料模拟法由低至高逐层构建参考地形,以快速获取高分辨率参考地形;最后,基于点至参考地形的高差区分地面点和非地面点。利用国际摄影测量和遥感学会提供的数据集和参考方法,评估该方法性能。利用在中国、美国多个代表性林区的点云数据,评估该方法的可推广性。结果表明,该方法的Kappa系数和运行时间是83.72%和34.11 s,精度和效率较经典布料模拟滤波方法提高10.49%和52.17%。相比8种参考方法,该方法能够获得更高精度,并且具有稳定的可推广性。

基于LiDAR多维点云优化的垄作菊花采摘机器人自主导航方法研究

[目的]针对田间作业环境复杂导致金丝皇菊采摘机器人行走不稳定、生产效率低的问题,本文设计了一种基于LiDAR多维点云优化的菊花采摘机器人自主导航系统,以实现机器人在农田中的精准作业与高效生产。[方法]通过履带式底盘搭载的Velodyne 16线激光雷达获取田间三维点云信息,并对其进行坐标校正和体素滤波预处理。提出了一种多维点云优化算法,可按照金丝皇菊植株生长特性获取不同坐标轴下的有效点云特征,生成左右两侧垄沟线;并采用改进纯跟踪控制算法对最小二乘法拟合得到导航基准线进行跟踪导航。[结果]通过对Stanley控制算法和改进纯跟踪控制算法进行仿真试验,改进纯跟踪算法表现出更高效的跟踪性能。利用金丝皇菊采摘机器人在南京市湖熟菊花园进行实地试验。试验结果表明,基于LiDAR多维点云优化的自主导航算法横向平均绝对误差为0.0474 m,标准差值为0.0306 m,位置偏差绝对值为0.0789 m,航向平均绝对误差为2.177°,标准差值为2.589°,横向平均绝对误差减小67.13%,离散程度降低48.34%。[结论]本文提出的基于LiDAR多维点云优化算法和改进纯跟踪算法可以有效提高导航精准度,改善系统抗干扰性,导航效果较好,从而保证金丝皇菊采摘机器人的精准作业。