CN114460600A - 基于三维激光雷达的装备自动装载偏差识别方法及*** - Google Patents
基于三维激光雷达的装备自动装载偏差识别方法及*** Download PDFInfo
- Publication number
- CN114460600A CN114460600A CN202210091989.6A CN202210091989A CN114460600A CN 114460600 A CN114460600 A CN 114460600A CN 202210091989 A CN202210091989 A CN 202210091989A CN 114460600 A CN114460600 A CN 114460600A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- flat plate
- plane
- cloud data
- fitting
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000009466 transformation Effects 0.000 claims abstract description 19
- 238000013519 translation Methods 0.000 claims abstract description 17
- 230000011218 segmentation Effects 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 206010034701 Peroneal nerve palsy Diseases 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims description 2
- 238000013178 mathematical model Methods 0.000 description 7
- 239000013598 vector Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000009434 installation Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 229910052705 radium Inorganic materials 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Electromagnetism (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了装备装载偏差控制技术领域的一种基于三维激光雷达的装备自动装载偏差识别方法及***。所述方法包括：扫描铁路平板所在区域，获得原始点云数据并进行预处理；对预处理后的原始点云数据进行聚类分割，识别出铁路平板数据点；对铁路平板数据点进行平面拟合，获得三维拟合平面；通过旋转与平移变换，将三维拟合平面转换为二维拟合平面；对二维拟合平面的两侧边沿点同时进行直线拟合，获得直线参数，进而计算获得装备自动装载偏差。本发明能自动识别铁路平板的宽度、装备相对于铁路平板中线的距离偏差和角度偏差，具有识别简便、智能化程度高、适应性强等特点。
Description
技术领域
本发明属于装备装载偏差控制技术领域，具体涉及一种基于三维激光雷达的装备自动装载偏差识别方法及***。
背景技术
装备(如工程车辆等)远距离运输时，通常采用列车平板装载的方式进行，具有成本低、速度快、安全的优点。但重型装备由于体型庞大，必须实现装备重心与列车平板中心基本重合，并进行钢缆固定，才能在列车快速转弯时不会发生侧翻事故。但在车辆装备装载行驶时，由于铁路平板一般处于驾驶员盲区，车辆重心与列车的铁路平板的中心距离满足规范要求的难度较大，通常采用人工辅助引导的方式实现，但依靠人为控制，即使是经验丰富的驾驶员和引导员也要用十几分钟才能精确完成一个大型车辆的装载任务。
因此出现很多关于此项应用的专利技术，专利CN204323334U提出一种装甲车辆铁路装载导引***，它利用红外深度视觉传感器、全球定位模块、超声测距传感器和高清彩色摄像头，通过无线通信方式，实现了装甲车辆铁路装载导引***，但存在成本高，误差大和布设复杂的问题，且无法实现车辆自动装载驾驶，采用无线方式无法保证稳定性。实用新型专利CN206695796U公开了一种铁路装载车辆引导装置，利用图像传感器识别中线的方式实现了引导装载，需要事先敷设铁路平板中心线，不但工作量大，而且无法识别铁路平板宽度，使用不变。
发明内容
为解决现有技术中的不足，本发明提供一种基于三维激光雷达的车辆装备自动装载偏差识别方法及***，能自动识别铁路平板的宽度、装备相对于铁路平板中线的距离偏差和角度偏差，具有布设方便、识别简便、智能化程度高、适应性强等特点。
为达到上述目的，本发明所采用的技术方案是：
第一方面，提供一种装备自动装载偏差识别方法，包括：扫描铁路平板所在区域，获得原始点云数据并进行预处理；对预处理后的原始点云数据进行聚类分割，识别出铁路平板数据点；对铁路平板数据点进行平面拟合，获得三维拟合平面；通过旋转与平移变换，将三维拟合平面转换为二维拟合平面；对二维拟合平面的两侧边沿点同时进行直线拟合，获得直线参数，进而计算获得装备自动装载偏差。
进一步地，所述预处理包括将极坐标形式的原始点云数据转换为右手笛卡尔坐标系下的三维点云数据。
进一步地，采用K-Means聚类算法对预处理后的原始点云数据进行聚类分割。
进一步地，采用RANSAC算法对铁路平板数据点进行平面拟合，获得三维拟合平面的平面方程为：
z＝b(1)+b(2)·x+b(3)·y (12)
其中，b(1)、b(2)、b(3)是待拟合平面方程参数，x,y,z是笛卡尔三轴坐标。
进一步地，所述通过旋转与平移变换，将三维拟合平面转换为二维拟合平面，包括：
首先计算坐标原点到由公式(12)表示的拟合平面的垂足点P⊥(x0,y0,z0)，其坐标计算公式为：
垂距:
其中，x0、y0、z0分别为垂足点P⊥的三轴坐标，d为原点到点云拟合平面(12)的距离；
其次通过公式(15)将点云中各点绕z轴旋转，至由公式(12)表示的拟合平面与y轴平行；变换前点云数据为Pi(xi,yi,zi)，变换后点云数据为Pi′(x′i,y′i,z′i)；
其中，x′i、y′i、z′i为第i个点云绕z轴旋转后的坐标，其余符号为中间变量；
再次将公式(15)变换后的点云坐标Pi′(x′i,y′i,z′i)绕y轴旋转并平移至xoy平面，变换如公式(16)所示：
其中，Pi′(x′i,y′i,z′i)为变换前的点云坐标，Pi″(x″i,y″i,z″i)为变换后的点云坐标，此后Pi″(x″i,y″i,z″i)点云数据被认为是在xoy平面内，也就是z″i＝0。
进一步地，对变换后的点云坐标Pi″(x″i,y″i,0)进行处理，获得铁路平板两条边线点云数据、中线点P″m(x″m,y″m,0)；获取方法为：
铁路平板左边线点云数据为：
Pl″k(x″,y″,0)＝{min(P″i(x″i,y″i,0),IDi＝k；k＝1,…,N} (17)
其中，k为扫描线序号，IDi为第i点云数据点所在的扫描线序号，min()为取最小值函数，N为三维激光雷达扫描线数；
铁路平板左边线点云数据为：
Pr″k(x″,y″,0)＝{max(P″i(x″i,y″i,0)),IDi＝k；k＝1,…,N} (18)
其中，k为扫描线序号，IDi为第i点云数据点所在的扫描线序号，max()为取最小值函数，N为三维激光雷达扫描线数；
装载车辆纵轴线所在点Pm(xm,ym,zm)坐标通过公式(15)、(16)处理，得到其在变换后的xoy的对应点P″m(x″m,y″m,z″m)。
进一步地，对铁路平板左边线点云数据、铁路平板右边线点云数据，采用基于联合整体最小二乘的直线拟合方法获得铁路平板左边线点云数据拟合直线方程l1和铁路平板右边线点云数据拟合直线方程l2，进一步获得铁路平板中轴线方程l3和装载车辆中轴线方程l4：
其中：
具体包括：根据铁路平板两侧边沿的平行关系，两侧边沿直线方程具有相同的直线斜率参数，采用基于联合整体最小二乘的直线拟合方法对两侧边沿点同时拟合，采用公式(20)求出两侧边沿直线l1与l2的方程的主要待定参数k、b1、b2；
铁路平板中轴线方程l3的斜率应与l1、l2相同，在y轴上的截距应为l1、l2在y轴上的截距之和的一半，即：
由于三维激光雷达所在点，即三维坐标原点(0,0,0)，在铁路平板平面上的投影点与P″m(x″m,y″m,0)连线即为装载车辆纵轴线，因此直线l4方程参数为：
进一步地，所述计算获得装备自动装载偏差，包括：装备上的测点在铁路平板上的投影点与铁路平板纵轴线的距离偏差为：
装备的纵轴线在铁路平板上的投影线与铁路平板纵轴线的角度偏差为：
Δθ＝argtan(k3-k)/(1+k3k) (24)
铁路平板的宽度，即铁路平板两侧边沿直线之间的距离为：
第二方面，提供一种装备自动装载偏差识别***，包括：数据采集模块，用于扫描铁路平板所在区域，获得原始点云数据并进行预处理；聚类模块，用于对预处理后的原始点云数据进行聚类分割，识别出铁路平板数据点；平面拟合模块，用于对铁路平板数据点进行平面拟合，获得三维拟合平面；平面转换模块，用于通过旋转与平移变换，将三维拟合平面转换为二维拟合平面；偏差识别模块，用于对二维拟合平面的两侧边沿点同时进行直线拟合，获得直线参数，进而计算获得装备自动装载偏差。
进一步地，所述数据采集模块包括三维激光雷达，所述三维激光雷达以给定的倾角θ和安装高度h，安装于装备的纵轴线上；三维激光雷达各扫描线180°扫描方向与装载车辆中轴线重合；三维激光雷达的检测范围为其在铁路平板面的垂点向前(x,x+d)范围内，其中，x、d满足：
与现有技术相比，本发明所达到的有益效果：
(1)本发明通过扫描铁路平板所在区域，获得原始点云数据，通过聚类分割，识别出铁路平板数据点；通过平面拟合，获得三维拟合平面；通过旋转与平移变换，将三维拟合平面转换为二维拟合平面；对二维拟合平面的两侧边沿点同时进行直线拟合，获得直线参数，进而计算获得装备自动装载偏差，实现了自动识别铁路平板的宽度、装备相对于铁路平板中线的距离偏差和角度偏差，具有识别简便、智能化程度高、适应性强等特点；
(2)本发明减少了对人工辅助引导的依赖，提高了装载效率；
(3)本发明不需要预先铺设辅助引导线，减少了装载工作量。
附图说明
图1是本发明实施例中激光雷达的安装示意图；
图2是本发明实施例提供的一种基于三维激光雷达的装备自动装载偏差识别方法的点云数据处理流程示意图；
图3是本发明实施例中激光雷达的检测范围示意图；
图4是本发明实施例中的坐标映射示意图；
图5是本发明实施例中通过聚类分割算法进行点云数据分割的示意图，其中，(a)表示原始点云数据，(b)表示分割提取结果；
图6是本发明实施例中点云数据的旋转与平移，其中，(a)表示各点坐标绕z轴旋转的示意图，(b)表示各点坐标绕y轴旋转并平移的示意图；
图7是本发明实施例中计算得到的角度偏差与距离偏差的示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例一：
一种基于三维激光雷达的装备自动装载偏差识别方法，包括：扫描铁路平板所在区域，获得原始点云数据并进行预处理；对预处理后的原始点云数据进行聚类分割，识别出铁路平板数据点；对铁路平板数据点进行平面拟合，获得三维拟合平面；通过旋转与平移变换，将三维拟合平面转换为二维拟合平面；对二维拟合平面的两侧边沿点同时进行直线拟合，获得直线参数，进而计算获得装备自动装载偏差。
如图1所示，本实施例以采用铁路铁路平板转运车辆为例进行说明，图1中车辆1需要在铁路平板4上行驶到铁路平板4的中心位置，且车辆中心与铁路平板中心距离偏差足够小。为此将三维激光雷达2安装于车辆1前方中心点位置，且三维激光雷达2的x轴与车辆1的纵向轴线在铁路铁路平板4上的投影重合，同时三维激光雷达2向下倾斜安装。由三维激光雷达2发出扫描线，扫描铁路平板4，形成点云数据，对点云数据按照图2所示流程进行处理，最终获得铁路平板的宽度、三维激光雷达中心点在铁路平板上投影点与铁路平板纵轴线的距离偏差、车辆纵轴线在铁路平板上投影线与铁路平板纵轴线的角度偏差。
本实施例中，三维激光雷达选用镭神公司研发的C16型三维激光雷达，C16是16线激光雷达，激光雷达装有16对激光发射接收模组，电机以5hz(或者10hz、20hz)转速驱动模组进行360度扫描。其垂直视角场为-15°～15°，垂直方向上相邻两条扫描线的夹角为2°。在水平方向上三维激光雷达则可以实现无死角的检测。水平方向的点云分辨率与电机的旋转频率有关，可选的旋转频率有5Hz、10Hz和20Hz三种，对应的水平角度分辨率分别为0.09°、0.18°和0.36°，单点激光线测距精度为±3cm。
由于三维激光雷达的垂直方向视角场比较小，因此选择倾斜安装，如图3所示，并且其与铁路平板的高度差为h，倾角为θ，三维激光雷达垂直视场角为30°，于是在水平方向上，三维激光雷达对铁路平板的检测范围为其在铁路平板面垂点向前(x,x+d)范围内。因此需要选择合适的安装高度、倾角，才可获得较高的检测精度。各变量的几何关系下式(1)所示：
θ的增加对d的影响更大，d的增加趋势明显快于x，车辆装备行进中的振动都会导致测量误差的增加，同时随着检测距离增加，激光的反射信号强度也会减弱，综合考虑各变量值的特点，本实施例选择如下的取值方案：h＝1.5m，θ＝48°，x＝0.97m，d＝1.97m。
该方案下，纵向检测覆盖范围为1.97米，最近的扫描线与激光雷达的水平距离为0.97米，可以保证足够的检测宽度。
对点云数据的处理关键技术包括点云数据坐标转换、点云数据的聚类分割、点云数据的平面拟合、点云数据的坐标旋转与平移、基于联合整体最小二乘法的平板边缘检测与定位。
一、扫描铁路平板所在区域，获得原始点云数据并进行预处理，预处理包括将极坐标形式的原始点云数据转换为右手笛卡尔坐标系下的三维点云数据。
三维激光雷达返回的数据为极坐标形式，包括垂直角度、水平角度和距离参数，为了便于处理，须将极坐标下的角度和距离信息转化到右手笛卡尔坐标下的三维坐标，如图4所示，坐标映射关系如公式(2)。
其中，r为极轴长度，θ为水平偏转角度，α为垂直偏转角度，x、y、z即为极坐标点在笛卡尔坐标系中各坐标轴上的投影点。
此过程应同时记录角度距离极坐标180°方向最近的激光雷达扫描点坐标，该坐标为Pm(xm,ym,zm)，该点即为装载车辆纵轴线所在点，三维激光雷达所在点(即三轴坐标点(0,0,0))在铁路平板平面上的投影点与Pm(xm,ym,zm)连线即为装载车辆纵轴线。同时应附加记录每个点云数据点所在的扫描线序号IDi，其中i为点云数据点序号。
二、对预处理后的原始点云数据进行聚类分割，识别出铁路平板数据点。
由于车辆装备装载环境杂乱，除了待装载车辆和列车铁路平板，周围还会出现其它物体干扰，因此三维激光雷达返回的原始点云也是杂乱的，如图5所示，因此必须将需要处理的列车平板反射的点云数据识别筛选出来。
聚类是指将物理或抽象对象的集合分成由类似的对象组成的多个类的过程，依据是相似性和距离，对于三维点云数据而言，聚类算法依据的是欧式范数，即：
其中，d为三维点云中任意点A1(x1,y1,z1)和A2(x2,y2,z2)之间的距离。
本实施例采用K-Means均值聚类算法，它不仅能满足点云数据分割的需求，同时具有计算简便、速度快的特点，以下是K-Means均值聚类算法的基本描述：
算法输入包括，待分类样本集为D＝{p1,p2,…,pn}，聚类的簇数为k，最大迭代次数为N，算法输出为C＝{C1,C2,…,Cn}。
按照目标最小化平方误差计算公式(4)重复计算，直至收敛。
其中，μi是每个簇的均值相量，也就是每一个簇的质心，其计算公式为
每次迭代时，需要计算点云中每个点到各簇质心的距离，并将其归入距离最近的簇，每个点计算完成以后，则利用公式(5)重新计算各簇质点，然后重复计算，直至每次迭代时各簇质点变化小于设定阈值。实际应用中，平板表面的反射点与其两侧的点云具有明显的高度差和距离差，因此取簇数k＝3比较合适。同时，簇的初始质点一般选择位于水平180°方向上或垂直0°方向上的点，本实施例获得180°方向点云数据聚类集合即为铁路平板的三维激光雷达点云数据集合。
三、对铁路平板数据点进行平面拟合，获得三维拟合平面。
经过前面的分割处理提取出了铁路平板表面及其上下小范围内的重点区域点云数据，降低了后续处理的计算量。本实施例采用ARNSAC平面拟合算法，主要包括以下5个步骤：
(1)从待拟合数据集中随机选取几个点并假设为局内点，点的个数选择要依据模型的特征确定。比如，平面直线的拟合参数为2个，空间直线拟合则需要3个模型参数；
(2)计算适合随机选出点的数学模型。数学模型的不同根据拟合对象的不同而不同；
(3)根据设定的阈值计算数据集中的其他点是否满足该数学模型，如果满足，记为该模型的局内点，并记录下该模型的局内点数量；
(4)重复步骤(1)至(3)，若所求得模型的局内点个数比上一次迭代产生模型的局内点更多，则将本次数学模型替换为最新的模型；
(5)当得到的数学模型符合误差要求，即满足了迭代退出条件可退出循环。
对于三维平面的直线拟合选择下式作为拟合数学模型。
ax+by+cz＝d (6)
从待拟合数据点中随机选择三个点P1(x1,y1,z1)、P2(x2,y2,z2)、P3(x3,y3,z3)，并假设三点均为内点。向量
和
分别为
由向量的叉乘运算可得到平面法向量为
V1×V2＝(i,j,k) (8)
其中，i，j，k分别为
由法向量与平面中任意向量垂直可得
i(x-x1)+j(y-y1)+k(z-z1)＝i·x+j·y+k·z-(i·x1+j·y1+k·z1)＝0 (10)
从而可求得平面方程的参数为
通过设定阈值并根据空间中点(x，y，z)到平面的距离计算数据集中的其他点是否满足该数学模型，如果满足，记为局内点，并记录下该模型的局内点数量。然后通过不断迭代随机取点并根据(6)至(11)求得模型参数，若新模型的局内点更多，则将其替换为最新模型。利用RANSAC算法对点云数据平面拟合，拟合的平面方程如式(12)：
z＝b(1)+b(2)·x+b(3)·y (12)
其中，b(1)、b(2)、b(3)是待拟合平面方程参数，x,y,z是笛卡尔三轴坐标。
四、通过旋转与平移变换，将三维拟合平面转换为二维拟合平面。
获得拟合平面后，需要将点云数据通过旋转、平移操作转换到xoy平面内，从而将三维空间内的方向偏差和距离偏差的识别问题转换为二维空间的识别，简化问题的求解并提高识别精度。
空间坐标的旋转步骤如下：
(1)根据公式(12)获得的拟合平面方程计算测点(即三维激光雷达所在点)到拟合平面A的垂足b1(x0,y0,z0)，其各点坐标计算公式为：
垂距:
其中，x0、y0、z0分别为垂足点P⊥的三轴坐标，d为原点到点云拟合平面(12)的距离。
(2)将点云数据绕z轴旋转，直至与y轴平行，变换前点云数据为Pi(xi,yi,zi)，变换后点云数据为Pi′(x′i,y′i,z′i)，公式(15)为具体坐标变换公式，旋转后的结果如图6(a)所示：
其中，x′i、y′i、z′i为第i个点云绕z轴旋转后的坐标，其余符号为中间变量。
(3)将点云数据绕y轴旋转至与xoy平行，并平移至xoy平面重合，经旋转平移后与点云数据Pi′(x′i,y′i,z′i)对应的点为Pi″(x″i,y″i,z″i)，转换公式为公式(16)，旋转平移后的结果如图6(b)所示；
其中，Pi′(x′i,y′i,z′i)为变换前的点云坐标，Pi″(x″i,y″i,z″i)为变换后的点云坐标，此后Pi″(x″i,y″i,z″i)点云数据被认为是在xoy平面内，也就是z″i＝0。
变换过程中只是坐标变化，每个点云数据点所在的扫描线序号IDi并没有发生变化。
五、对二维拟合平面的两侧边沿点同时进行直线拟合，获得直线参数，进而计算获得装备自动装载偏差。
对前面处理获得的点云Pi″(x″i,y″i,0)进行处理，获得铁路平板两条边线点云数据、中线点P″m(x″m,y″m,0)。获取方法为：
铁路平板左边线点云数据为：
Pl″k(x″,y″,0)＝{min(Pi″(x″i,y″i,0),IDi＝k；k＝1,…,N} (17)
其中，k为扫描线序号，IDi为第i点云数据点所在的扫描线序号，min()为取最小值函数，N为三维激光雷达扫描线数。
铁路平板左边线点云数据为：
Pr″k(x″,y″,0)＝{max(Pi″(x″i,y″i,0)),IDi＝k；k＝1,…,N} (18)
其中，k为扫描线序号，IDi为第i点云数据点所在的扫描线序号，max()为取最小值函数，N为三维激光雷达扫描线数。
前面装载车辆纵轴线所在点Pm(xm,ym,zm)坐标通过公式(15)、(16)处理，得到其在变换后的xoy的对应点P″m(x″m,y″m,z″m)。
对获得铁路平板左边线点云数据Pl″k(xl″,yl″,zl″)、铁路平板右边线点云数据Pr″k(xr″,yr″,zr″)，采用基于联合整体最小二乘的直线拟合方法获得铁路平板左边线点云数据拟合直线方程l1和铁路平板右边线点云数据拟合直线方程l2，进一步获得铁路平板中轴线方程l3和装载车辆中轴线方程l4。
其中：
具体包括：根据铁路平板两侧边沿的平行关系，两侧边沿直线方程具有相同的直线斜率参数，采用基于联合整体最小二乘的直线拟合方法对两侧边沿点同时拟合，可以公式(20)求出两侧边沿直线l1与l2的方程的主要待定参数k、b1、b2。
由于三维激光雷达所在点(即三维坐标点(0,0,0))在铁路平板平面上的投影点与P″m(x″m,y″m,0)连线即为装载车辆纵轴线，因此直线l4方程参数为：
如图7所示，基于以上结果，装备上的测点在铁路平板上的投影点与铁路平板纵轴线的距离偏差为：
铁路平板中轴线方程l3和装载车辆中轴线方程l4之间的角度即为角度偏差，因此角度偏差为：
Δθ＝arg tan(k3-k)/(1+k3k) (24)
铁路平板的宽度，即铁路平板两侧边沿直线之间的距离为：
本发明通过扫描铁路平板所在区域，获得原始点云数据，通过聚类分割，识别出铁路平板数据点；通过平面拟合，获得三维拟合平面；通过旋转与平移变换，将三维拟合平面转换为二维拟合平面；对二维拟合平面的两侧边沿点同时进行直线拟合，获得直线参数，进而计算获得装备自动装载偏差，实现了自动识别铁路平板的宽度、装备相对于铁路平板中线的距离偏差和角度偏差，具有识别简便、智能化程度高、适应性强等特点；本发明减少了对人工辅助引导的依赖，提高了装载效率；本发明不需要预先铺设辅助引导线，减少了装载工作量。
实施例二：
基于实施例一所述的一种基于三维激光雷达的装备自动装载偏差识别方法，本实施例提供一种基于三维激光雷达的装备自动装载偏差识别***，包括：数据采集模块，用于扫描铁路平板所在区域，获得原始点云数据并进行预处理；聚类模块，用于对预处理后的原始点云数据进行聚类分割，识别出铁路平板数据点；平面拟合模块，用于对铁路平板数据点进行平面拟合，获得三维拟合平面；平面转换模块，用于通过旋转与平移变换，将三维拟合平面转换为二维拟合平面；偏差识别模块，用于对二维拟合平面的两侧边沿点同时进行直线拟合，获得直线参数，进而计算获得装备自动装载偏差。
数据采集模块包括三维激光雷达，三维激光雷达以给定的倾角θ和安装高度h，安装于装备的纵轴线上，以5hz、10hz或20hz的旋转频率对铁路平板进行360度扫描；三维激光雷达的检测范围为其在铁路平板面的垂点向前(x,x+d)范围内，其中，x、d满足：
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种装备自动装载偏差识别方法，其特征在于，包括：
扫描铁路平板所在区域，获得原始点云数据并进行预处理；
对预处理后的原始点云数据进行聚类分割，识别出铁路平板数据点；
对铁路平板数据点进行平面拟合，获得三维拟合平面；
通过旋转与平移变换，将三维拟合平面转换为二维拟合平面；
对二维拟合平面的两侧边沿点同时进行直线拟合，获得直线参数，进而计算获得装备自动装载偏差。
2.根据权利要求1所述的装备自动装载偏差识别方法，其特征在于，所述预处理包括将极坐标形式的原始点云数据转换为右手笛卡尔坐标系下的三维点云数据。
3.根据权利要求1所述的装备自动装载偏差识别方法，其特征在于，采用K-Means聚类算法对预处理后的原始点云数据进行聚类分割。
4.根据权利要求1所述的装备自动装载偏差识别方法，其特征在于，采用RANSAC算法对铁路平板数据点进行平面拟合，获得三维拟合平面的平面方程为：
z＝b(1)+b(2)·x+b(3)·y (12)
其中，b(1)、b(2)、b(3)是待拟合平面方程参数，x,y,z是笛卡尔三轴坐标。
5.根据权利要求4所述的装备自动装载偏差识别方法，其特征在于，所述通过旋转与平移变换，将三维拟合平面转换为二维拟合平面，包括：
首先计算坐标原点到由公式(12)表示的拟合平面的垂足点P⊥(x0,y0,z0)，其坐标计算公式为：
垂距:
其中，x0、y0、z0分别为垂足点P⊥的三轴坐标，d为原点到点云拟合平面(12)的距离；
其次通过公式(15)将点云中各点绕z轴旋转，至由公式(12)表示的拟合平面与y轴平行；变换前点云数据为Pi(xi,yi,zi)，变换后点云数据为Pi′(xi′,yi′,zi′)；
其中，x′i、y′i、z′i为第i个点云绕z轴旋转后的坐标，其余符号为中间变量；
再次将公式(15)变换后的点云坐标Pi′(x′i,y′i,z′i)绕y轴旋转并平移至xoy平面，变换如公式(16)所示：
其中，Pi′(x′i,y′i,z′i)为变换前的点云坐标，Pi″(x″i,y″i,z″i)为变换后的点云坐标，此后Pi″(x″i,y″i,z″i)点云数据被认为是在xoy平面内，也就是z″i＝0。
6.根据权利要求5所述的装备自动装载偏差识别方法，其特征在于，对变换后的点云坐标Pi″(x″i,y″i,0)进行处理，获得铁路平板两条边线点云数据、中线点P″m(x″m,y″m,0)；获取方法为：
铁路平板左边线点云数据为：
Pl″k(x″,y″,0)＝{min(P″i(x″i,y″i,0),IDi＝k；k＝1,…,N} (17)
其中，k为扫描线序号，IDi为第i点云数据点所在的扫描线序号，min()为取最小值函数，N为三维激光雷达扫描线数；
铁路平板左边线点云数据为：
Pr″k(x″,y″,0)＝{max(P″i(x″i,y″i,0)),IDi＝k；k＝1,…,N} (18)
其中，k为扫描线序号，IDi为第i点云数据点所在的扫描线序号，max()为取最小值函数，N为三维激光雷达扫描线数；
装载车辆纵轴线所在点Pm(xm,ym,zm)坐标通过公式(15)、(16)处理，得到其在变换后的xoy的对应点P″m(x″m,y″m,z″m)。
7.根据权利要求6所述的装备自动装载偏差识别方法，其特征在于，对铁路平板左边线点云数据、铁路平板右边线点云数据，采用基于联合整体最小二乘的直线拟合方法获得铁路平板左边线点云数据拟合直线方程l1和铁路平板右边线点云数据拟合直线方程l2，进一步获得铁路平板中轴线方程l3和装载车辆中轴线方程l4：
其中：
具体包括：根据铁路平板两侧边沿的平行关系，两侧边沿直线方程具有相同的直线斜率参数，采用基于联合整体最小二乘的直线拟合方法对两侧边沿点同时拟合，采用公式(20)求出两侧边沿直线l1与l2的方程的主要待定参数k、b1、b2；
铁路平板中轴线方程l3的斜率应与l1、l2相同，在y轴上的截距应为l1、l2在y轴上的截距之和的一半，即：
由于三维激光雷达所在点，即三维坐标原点(0,0,0)，在铁路平板平面上的投影点与P″m(x″m,y″m,0)连线即为装载车辆纵轴线，因此直线l4方程参数为：
8.根据权利要求7所述的装备自动装载偏差识别方法，其特征在于，所述计算获得装备自动装载偏差，包括：
装备上的测点在铁路平板上的投影点与铁路平板纵轴线的距离偏差为：
装备的纵轴线在铁路平板上的投影线与铁路平板纵轴线的角度偏差为：
Δθ＝arg tan(k3-k)/(1+k3k) (24)
铁路平板的宽度，即铁路平板两侧边沿直线之间的距离为：
9.一种装备自动装载偏差识别***，其特征在于，包括：
数据采集模块，用于扫描铁路平板所在区域，获得原始点云数据并进行预处理；
聚类模块，用于对预处理后的原始点云数据进行聚类分割，识别出铁路平板数据点；
平面拟合模块，用于对铁路平板数据点进行平面拟合，获得三维拟合平面；
平面转换模块，用于通过旋转与平移变换，将三维拟合平面转换为二维拟合平面；
偏差识别模块，用于对二维拟合平面的两侧边沿点同时进行直线拟合，获得直线参数，进而计算获得装备自动装载偏差。
10.根据权利要求8所述的装备自动装载偏差识别***，其特征在于，所述数据采集模块包括三维激光雷达，所述三维激光雷达以给定的倾角θ和安装高度h，安装于装备的纵轴线上；三维激光雷达各扫描线180°扫描方向与装载车辆中轴线重合；三维激光雷达的检测范围为其在铁路平板面的垂点向前(x,x+d)范围内，其中，x、d满足：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210091989.6A CN114460600A (zh) | 2022-01-26 | 2022-01-26 | 基于三维激光雷达的装备自动装载偏差识别方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210091989.6A CN114460600A (zh) | 2022-01-26 | 2022-01-26 | 基于三维激光雷达的装备自动装载偏差识别方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114460600A true CN114460600A (zh) | 2022-05-10 |
Family
ID=81410865
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210091989.6A Pending CN114460600A (zh) | 2022-01-26 | 2022-01-26 | 基于三维激光雷达的装备自动装载偏差识别方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114460600A (zh) |
-
2022
- 2022-01-26 CN CN202210091989.6A patent/CN114460600A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110344621B (zh) | 一种面向智能车库的车轮点云检测方法 | |
| CN111352112B (zh) | 基于视觉、激光雷达和毫米波雷达的目标检测方法 | |
| CN107089599B (zh) | 基于集装箱箱区轮廓三维识别的吊具安全防撞***及方法 | |
| CN109716160B (zh) | 用于检测车辆环境信息的方法和*** | |
| CN110745140B (zh) | 一种基于连续图像约束位姿估计的车辆换道预警方法 | |
| US5170352A (en) | Multi-purpose autonomous vehicle with path plotting | |
| CN117441113A (zh) | 一种面向车路协同的感知信息融合表征及目标检测方法 | |
| Yan et al. | Autonomous underwater vehicle vision guided docking experiments based on L-shaped light array | |
| CN110794406B (zh) | 多源传感器数据融合***和方法 | |
| CN105302151A (zh) | 一种飞机入坞引导和机型识别的***及方法 | |
| CN114442101B (zh) | 基于成像毫米波雷达的车辆导航方法、装置、设备及介质 | |
| CN111290410A (zh) | 一种基于毫米波雷达的船舶自动离靠泊***及方法 | |
| CN113085896B (zh) | 一种现代有轨清洁车辅助自动驾驶***及方法 | |
| CN113850102B (zh) | 基于毫米波雷达辅助的车载视觉检测方法及*** | |
| EP4138044A1 (en) | Single-stage 3-dimension multi-object detecting apparatus and method for autonomous driving | |
| CN113340287B (zh) | 一种装船机船舱舱口识别方法 | |
| US11783507B2 (en) | Camera calibration apparatus and operating method | |
| CN103204104B (zh) | 一种车辆全视角驾驶监控***及方法 | |
| CN110427042A (zh) | 基于超声波和双目视觉的无人机低空避障方法 | |
| CN114061446A (zh) | 一种基于多三维扫描设备的车厢尺寸测量***及方法 | |
| CN111578893A (zh) | 一种牵引车与挂厢夹角的识别方法 | |
| CN107796373A (zh) | 一种基于车道平面几何模型驱动的前方车辆单目视觉的测距方法 | |
| CN108564628A (zh) | 一种面向掘进机自动化的截割头视觉定位定向*** | |
| CN113900443A (zh) | 一种基于双目视觉的无人机避障预警方法及装置 | |
| CN113790718A (zh) | 一种基于无人船的信息共享*** |
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 |