CN115575962A - 一种基于多线激光雷达的井下矿道内定位方法 - Google Patents
一种基于多线激光雷达的井下矿道内定位方法 Download PDFInfo
- Publication number
- CN115575962A CN115575962A CN202211311785.5A CN202211311785A CN115575962A CN 115575962 A CN115575962 A CN 115575962A CN 202211311785 A CN202211311785 A CN 202211311785A CN 115575962 A CN115575962 A CN 115575962A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- vehicle
- mine
- laser radar
- points
- 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
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
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
- G01S17/06—Systems determining position data of a target
-
- 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
- G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Electromagnetism (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
一种基于多线激光雷达的井下矿道内定位方法,包括以下步骤;步骤1,在井下两侧加设金属反光片,在无人驾驶矿车上安装多线激光雷达和工业控制计算机;步骤2,车辆驶入矿道,对矿道进行先验地图构建,在设备上启动雷达后启动该项目文件,结束时自动保存点云地图在map文件夹内;步骤3,将步骤2中的已生成的地图存入ndt算法内,启动ndt文件,若出现某一自由度方向漂移则表示当前特征并不满足特征匹配条件,执行步骤4,若特征点符合匹配条件,则采用ndt算法对车辆进行定位;步骤4,根据井下车辆收集到的点云数据,通过反射率不同检测出设置反光片的位置、激光雷达检测距离,获取车辆在矿道内坐标。本发明具有稳定性高、满足井下定位精度的技术特点。
Description
技术领域
本发明涉及井下矿道内车辆自主定位技术领域,具体涉及一种基于多线激光雷达的井下矿道内定位方法。
背景技术
无人驾驶技术在传统矿产行业向智慧化矿山转型中起关键作用,要实现无人驾驶技术在采矿过程中的使用,首先要解决车辆定位问题,为后续实现无人矿车环境感知、路径规划等技术提供先行条件和安全保障。
现阶段的无人驾驶定位技术主要是针对民用无人驾驶,其显著特点就是道路属于结构化道路。绝大多数自动驾驶车辆依靠全球导航卫星***(GlobalNavigationSatelliteSystem,GNSS)来获取当前位置信息,依赖载波相位差分(Realtimekinematic,RTK)技术将GNSS***的精确度提高至厘米级;在高大建筑或林荫道等卫星信号被遮挡的情况下,自动驾驶车辆大多釆用激光雷达采集环境特征信息,利用特征匹配先验地图获得自身在地图中的位置。
当前有多种定位技术,如釆用双目相机识别路沿荧光反射以及标识牌等,其运用SLAM(SimultaneousLocalizationAndMapping,同步定位与地图构建)技术进行定位,但在井下光照条件差的环境中无法达到期望水平;另有采用摄像头与毫米波雷达识别矿道内特征与先验地图比对进行定位,这种方法在特征较少的平直矿道中不适用。
普通激光雷达的点云配准定位算法依赖特征点和特征面,而大多数非结构化矿道的墙壁平直相似,无法为雷达提供足够的几何特征信息用于匹配位置。导致定位漂移,车辆位置信息丢失,匹配失败。如何解决这一问题,在智能矿山建设背景下,缺乏一种井下矿道内车辆进行精确化的定位方法。
发明内容
为了克服上述现有技术存在的不足,本发明的目的在于提供一种基于多线激光雷达的井下矿道内定位方法,解决了矿井巷道内特征稀疏导致地图匹配不准,车辆坐标飘逸的问题,具有稳定性高、满足井下定位精度的技术特点。
为了实现上述目的,本发明采用的技术方案是:
一种基于多线激光雷达的井下矿道内定位方法,包括以下步骤;
步骤1,在井下两侧加设金属反光片,在无人驾驶矿车上安装多线激光雷达和工业控制计算机;
步骤2,搭载设备的车辆驶入布设好反光片的矿道,对矿道进行先验地图构建,采用SC-Legoloam的方法,在设备上启动雷达后运行该方法,结束时自动保存点云地图在map文件夹内;
步骤3,将步骤2中的已生成的地图存入ndt算法内,启动ndt文件,观察地图匹配状态,若出现某一自由度方向漂移则表示当前特征并不满足特征匹配条件,执行步骤4,若特征点符合匹配条件,则采用ndt算法对车辆进行定位;
步骤4,根据井下车辆收集到的点云数据,通过反射率不同检测出设置反光片的位置,通过激光雷达检测距离,将雷达水平方向激光束的反射距离作为车辆的横向坐标,解决车辆横向定位;车辆进入矿道口纵向坐标为0,每经过一个反光片纵向坐标加1,由此获得车辆在纵向的粗定位,通过测量车辆前方一个反光片距离和激光雷达偏转角度计算得纵向距离D,假定当前车辆经过第n个反光片,即当前纵向坐标为(n-1),当前纵向坐标为(n-D),由此获取车辆在矿道内坐标。
所述步骤1中布设的金属反光片平铺在矿道两侧,考虑到井下矿道是单向行车,平铺于矿道两侧能满足上下两个方向对于车辆定位特征不足的补充,保证车辆从两个方向过来都能检测到金属片的反射面;金属片自矿口开始布设,当检测到第一个金属片的反射面时表示车辆进入,纵向坐标此时为0,算法设置为每当激光雷达扫描到一次金属片纵向坐标加1(这里利用金属片与矿下其他环境材质不同,对激光的反射率不同作为区分标准),通过金属片和车辆的相对距离和位置推算确定车辆纵向位置。
所述步骤2具体操作为,搭载设备的无人驾驶矿车启动SC-legoloam项目,同时启动激光雷达,车辆由矿口进入矿道开始建图,首先是对输入的原始点云进行点云分割,找到地面并且进行点云分割,接着对分割好的点云进行特征提取,提取出特征之后接下来进行特征匹配,并且输出位姿,最后对点云进行注册,生成全局地图,并且进行回环检测,对生成的地图进行优化;
步骤201、根据使用的激光雷达设备以及imu组合惯导的话题名修改项目中对应的话题名同时根据雷达线束设置相应参数,做好建图准备;
步骤202、创建工作空间,输入指令开始运行并建图;
点云分割主要的流程是先进行地面提取,然后对剩下的点云进行分割,最后拿分割好的点云进行到下一步的特征提取;
首先选取当前帧点云数据,Pt是t时刻的一帧点云数据,Pi是Pt中的一个点:
Pt={p1,p2,...,pn}
将Pt映射到深度图像上去,映射的深度图像的分辨率是1800*16,1800就是一帧激光雷达点云里面的每一次扫描上有1800个点,16表示16次扫描,选用雷达的水平分辨率为0.2°,垂直分辨率为2°,每个有效的点为深度图像的一个像素,像素的值就是该点到雷达中心的距离,x,y,z表示三个方向上的距离:
在特征提取部分首先计算每个点的粗糙度,ri表示从对应点Pi到传感器的欧几里德距离,S为Pi在同一水平方向上的点集:
按每个点的粗糙度值对S的每一行中的点进行排序,使用阈值cth来区分不同类型的特征,粗糙度c大于阈值则划分为边特征,该点则为边缘点Fe,粗糙度c小于阈值则划分为面特征,该点则为平面点Fp,从S的每一行中选取不属于地面,且有最大粗糙度c的n个边缘点Fe作为特征边,再选取最小粗糙度c的n个平面点Fp作为地面点,生成对应的特征边缘集合和地面点集合,以此来区分地面。
所述步骤3中,采用ndt算法进行地图匹配对进入矿道的车辆进行重定位;
把Target点云按照固定的分辨率划分成3d网格,并计算出每个3d网格点云的分布情况,计算Source点云在Target分布的概率来计算点云的匹配关系,将步骤2中建立好的点云概率地图存入算法map文件夹中,调取NDT点云配准项目,对车辆进行定位;
具体计算步骤为:
1、计算分好的网格中的包含点的中心,计算协方差矩阵,q为
各轴均值,xi为分布在网格中的点:
2、建立位于网格中点的概率模型:
3、将配准的点云变换到参考坐标系下(以前一帧为参考),T为变换后的矩阵,φ为旋转变量,t为分别在x,y方向上的平移变量:
4、根据正态分布参数计算每个转换点落在对应网格中的概率:
5、计算对应点落在对应网格中的概率之和,即NDT配准得分:
以上公式中,xi为分布在网格中的点,q为计算的各轴均值,以此计算网格的协方差矩阵,根据均值和协方差矩阵建立网格中点的概率模型p(x),此时将配准的点云进行变换,将其对准至参考坐标系下,此时T为变换后的矩阵,为旋转变量,tx,ty分别对应x,y两方向的平移变量,依据正态分布参数(均值q,协方差矩阵)计算每个转换点落在对应网格中的概率,最后计算对应网格中的概率之和,以此作为NDT的配准得分,至此完成NDT配准。
所述步骤4在特征点不充足,不满足步骤3算法需求时采用此算法,车辆进入矿道,捕获当前时刻点云信息,首先对点云信息进行预处理(预处理同步骤2中分离平面点边缘点),去除其他干扰点,识别所设金属反光片位置信息,然后通过激光雷达测量水平方向上横向距离X以及车辆激光雷达到反射面距离D,雷达水平方向到反射面之间的偏转角θ,根据这些距离及角度信息快速测算出车辆横向、纵向里程信息,整合出车辆位置信息并发布;
步骤401、将参考点云所占的空间划分成指定大小的网格或体素并计算每个网格的多维正态分布参数,计算网格的概率分布模型,计算网格中的包含点的中心(各轴均值),及协方差矩阵其中q为均值,xi为网格内的点:
由此生成点位于网格中的概率模型:
将点云进一步通过直通滤波,直接过滤出距离地平面高度为1.5米至2.5米的点云,即路标所在的高度,根据反射率不同识别所设反光片所在中心位置,获取反光片坐在位置坐标;
步骤402、在得到反光片的坐标后,根据激光雷达测距的功能测得所需距离和偏转角度,算得纵向距离ΔD,结合激光雷达在水平方向距离矿道墙壁里程距离X,获取当前车辆位置坐标并发布;
步骤403、通过以上计算车辆在行进过程中继续识别前方反光片会产生误差对计算的车辆位置进行误差补偿,输出更加精确的车辆位置信息。
本发明的有益效果:
本发明通过布设与矿下场景不同材质的金属反光片,根据激光反射率不同识别该装置,所述装置布设于矿道两侧墙壁上,根据车辆所装激光雷达的测距范围设置布设反光片间距,以所用雷达的最大测距范围为两个反光片之间最大间距,两侧分别取不同间距布设以保证两向来车识别测距不被干扰且均能识别到该装置。在这一段矿道中,通过记录车辆前方最近反光片距车距离、横向水平距离以及雷达水平方向激光与前方一个反光片之间夹角,实现对矿道内车辆位置标定,直到这一段长直矿道结束后采用ndt地图匹配算法进行定位。
本发明只使用了激光雷达一种传感器,实现了精度高、重定位性好的井下矿道内定位;
本发明不受井下矿道是否有照明设备,照明条件是否符合定位匹配条件的限制,在没有照明设备或照明条件较差的井下矿道依然能稳定定位,抗环境干扰能力优秀;
本发明通过布设不同环境的金属反光片增加了井下长直矿道的特征点,实现了与矿道内环境的差异化,降低工程复杂性,同时降低成本;
本发明解决了SLAM技术中NDT算法针对井下缺乏特征点无法进行地图匹配的长直矿道进行定位。
因此在不同环境条件下,使用本发明方法均能在较短时间内输出车辆定位,满足无人驾驶矿车在井下矿道内定位的最低需求。
附图说明
图1本发明定位方法根据环境条件选择不同算法流程框图。
图2本发明定位方法在环境条件满足的情况下采用NDT点云配准算法流程框图。
图3本发明方法中使用金属片距离算法进行定位的流程框图。
图4本发明方法中对金属片距离方法识别部分的流程框图。
图5本发明方法具体布设金属片的位置示意图。
图6为本发明矿车结构示意图。
具体实施方式
下面结合实施例对本发明作进一步详细说明。
如图1-图6所示:本发明提供了一种基于激光雷达的井下矿道内定位方法,包括如下四个步骤:
步骤一、在隧道一侧布设区别于井下环境的金属反光片,在无人驾驶矿车上架设激光雷达、工业控制计算机等所需设备。
本发明实施实例在长直矿道一侧布设金属反光片,由于材质不同导致激光反射率不同。这样采集到的点云信息具有差异化的位置和反射率特征,便于与其他环境点区分开。因为考虑到井下矿道属于非结构化道路,多是单向行驶,为保证车辆从两个方向行驶到当前位置均能准确定位,采用将金属反光片平铺在矿道墙壁上的方式,便于两向来车均能检测到反光片所在位置。本发明中金属反光片反射率特征较为明显,是指其表面能够反射激光雷达所发出的大部分激光。这种设计可以在雷达捕捉到的点云中形成一片反射率比较高的点云集,易于识别。激光反射率是指激光雷达接收到的激光强度与发射的激光强度的比值,反射率越高说明物体反射激光的能力越强。
步骤二、搭载设备的无人驾驶矿车启动SC-legoloam项目,同时启动激光雷达,车辆由矿口进入矿道开始建图,首先是对输入的原始点云进行点云分割,找到地面并且进行点云分割,接着对分割好的点云进行特征提取,提取出特征之后接下来进行特征匹配,并且输出位姿,最后对点云进行注册,生成全局地图,并且进行回环检测,对生成的地图进行优化。
步骤201、根据使用的激光雷达设备以及imu组合惯导的话题名修改项目中对应的话题名同时根据雷达线束设置相应参数,做好建图准备;
步骤202、创建工作空间,输入指令开始运行并建图;
点云分割主要的流程是先进行地面提取,然后对剩下的点云进行分割,最后拿分割好的点云进行到下一步的特征提取。为了提高效率和可靠性,分割的时候忽略了少于30个点的集群;
首先选取当前帧点云数据,Pt是t时刻的一帧点云数据,Pi是Pt中的一个点:
Pt={p1,p2,...,pn}
将Pt映射到深度图像上去,映射的深度图像的分辨率是1800*16,1800就是一帧激光雷达点云里面的每一次扫描上有1800个点,16表示16次扫描,选用雷达的水平分辨率为0.2°,垂直分辨率为2°,每个有效的点为深度图像的一个像素,像素的值就是该点到雷达中心的距离,x,y,z表示三个方向上的距离:
在特征提取部分首先计算每个点的粗糙度,ri表示从对应点Pi到传感器的欧几里德距离,S为Pi在同一水平方向上的点集:
按每个点的粗糙度值对S的每一行中的点进行排序,使用阈值cth来区分不同类型的特征,粗糙度c大于阈值则划分为边特征,该点则为边缘点Fe,粗糙度c小于阈值则划分为面特征,该点则为平面点Fp。从S的每一行中选取不属于地面,且有最大粗糙度c的n个边缘点Fe作为特征边,再选取最小粗糙度c的n个平面点Fp作为地面点。生成对应的特征边缘集合和地面点集合,以此来区分地面;
SC-legoloam项目是属于SLAM技术中loam系列的改进和延续,相比于其他实时建图与定位技术选用SC-legoloam的原因是其具有以下优势:
(1)具有轻量级框架,能在嵌入式设备上实时运行;
(2)采取地面优化,在点云处理部分加入了分割模块,这样做能够去除地面点的干扰,只在聚类的目标中提取特征。其中主要包括一个地面的提取,和一个点云的分割,使用筛选过后的点云再来提取特征点,这样会大大提高效率;
(3)SC-LeGO-LOAM算法回环检测使用了scancontext系列提取的全局特征子来进行查找,方便图优化;
在提取特征点时,将点云分成小块,分别提取特征点,以保证特征点的均匀分布。在特征点匹配的时候,使用预处理得到的标签筛选点云分割为边缘点类和平面点类两类,再次提高效率。
步骤三、在特征点充足,能满足算法需求的环境,采用NDT算法进行地图匹配对进入矿道的车辆进行重定位。
ndt的原理是把Target点云按照固定的分辨率划分成3d网格,并计算出每个3d网格点云的分布情况,计算Source点云在Target分布的概率来计算点云的匹配关系。将步骤二中建立好的点云概率地图存入算法map文件夹中,调取NDT点云配准项目,对车辆进行定位。
具体计算步骤为:
1、计算分好的网格中的包含点的中心(各轴均值q)及协方差矩阵:
2、建立位于网格中点的概率模型:
3、将配准的点云变换到参考坐标系下(以前一帧为参考):
4、根据正态分布参数计算每个转换点落在对应网格中的概率:
5、计算对应点落在对应网格中的概率之和,即NDT配准得分:
以上公式中,xi为分布在网格中的点,q为计算的各轴均值,以此计算网格的协方差矩阵,根据均值和协方差矩阵建立网格中点的概率模型p(x),此时将配准的点云进行变换,将其对准至参考坐标系下,此时T为变换后的矩阵,为旋转变量,tx,ty分别对应x,y两方向的平移变量,依据正态分布参数(均值q,协方差矩阵)计算每个转换点落在对应网格中的概率,最后计算对应网格中的概率之和,以此作为NDT的配准得分,至此完成NDT配准。
步骤四、在特征点不充足,不满足步骤三算法需求时采用此算法,车辆进入矿道,捕获当前时刻点云信息,首先对点云信息进行预处理(预处理同步骤二中分离平面点边缘点),去除其他干扰点,识别所设金属反光片位置信息,然后通过激光雷达测量水平方向上横向距离X以及车辆激光雷达到反射面距离D,雷达水平方向到反射面之间的偏转角θ,根据这些距离及角度信息快速测算出车辆横向、纵向里程信息,整合出车辆位置信息并发布。本发明在条件不满足使用NDT点云配准算法的场景下仍能保持较好的定位效果,满足井下矿道内对车辆的定位需求。
步骤401、将参考点云所占的空间划分成指定大小的网格或体素并计算每个网格的多维正态分布参数,计算网格的概率分布模型,计算网格中的包含点的中心(各轴均值),及协方差矩阵其中q为均值,xi为网格内的点:
由此生成点位于网格中的概率模型:
将点云进一步通过直通滤波,直接过滤出距离地平面高度为1.5米至2.5米的点云,即路标所在的高度。根据反射率不同识别所设反光片所在中心位置,获取反光片坐在位置坐标。
步骤402、在得到反光片的坐标后,根据激光雷达测距的功能测得所需距离和偏转角度,算得纵向距离ΔD,结合激光雷达在水平方向距离矿道墙壁里程距离X,获取当前车辆位置坐标并发布。
步骤403、通过以上计算车辆在行进过程中继续识别前方反光片会产生误差,本发明还对计算的车辆位置进行误差补偿,输出更加精确的车辆位置信息。
两种定位算法中的误差主要来源于每个计算循环中车辆的位移,因此本发明还进一步的通过融合IMU惯性测量单元数据,来获得当时的车速信息,对车速进行积分后得到计算耗时中的车辆位移,对所识别的车辆定位结果进行补偿以消除误差。
Claims (5)
1.一种基于多线激光雷达的井下矿道内定位方法,其特征在于,包括以下步骤;
步骤1,在井下两侧加设金属反光片,在无人驾驶矿车上安装多线激光雷达和工业控制计算机;
步骤2,搭载设备的车辆驶入布设好反光片的矿道,对矿道进行先验地图构建,采用SC-Legoloam的方法,在设备上启动雷达后启动该项目文件,结束时自动保存点云地图在map文件夹内;
步骤3,将步骤2中的已生成的地图存入ndt算法内,启动ndt文件,观察地图匹配状态,若出现某一自由度方向漂移则表示当前特征并不满足特征匹配条件,执行步骤4,若特征点符合匹配条件,则采用ndt算法对车辆进行定位;
步骤4,根据井下车辆收集到的点云数据,通过反射率不同检测出设置反光片的位置,通过激光雷达检测距离,将雷达水平方向激光束的反射距离作为车辆的横向坐标,解决车辆横向定位;车辆进入矿道口纵向坐标为0,每经过一个反光片纵向坐标加1,由此获得车辆在纵向的粗定位,通过测量车辆前方一个反光片距离和激光雷达偏转角度计算得纵向距离D,假定当前车辆经过第n个反光片,即当前纵向坐标为(n-1),当前纵向坐标为(n-D),由此获取车辆在矿道内坐标。
2.根据权利要求1所述的一种基于多线激光雷达的井下矿道内定位方法,其特征在于,所述步骤1中布设的金属反光片平铺在矿道两侧,保证车辆从两个方向过来都能检测到金属片的反射面;金属片自矿口开始布设,当检测到第一个金属片的反射面时表示车辆进入,纵向坐标此时为0,算法设置为每当激光雷达扫描到一次金属片纵向坐标加1,通过金属片和车辆的相对距离和位置推算确定车辆纵向位置。
3.根据权利要求1所述的一种基于多线激光雷达的井下矿道内定位方法,其特征在于,所述步骤2具体操作为,搭载设备的无人驾驶矿车启动SC-legoloam项目,同时启动激光雷达,车辆由矿口进入矿道开始建图,首先是对输入的原始点云进行点云分割,找到地面并且进行点云分割,接着对分割好的点云进行特征提取,提取出特征之后接下来进行特征匹配,并且输出位姿,最后对点云进行注册,生成全局地图,并且进行回环检测,对生成的地图进行优化;
步骤201、根据使用的激光雷达设备以及imu组合惯导的话题名修改项目中对应的话题名同时根据雷达线束设置相应参数,做好建图准备;
步骤202、创建工作空间,输入指令开始运行并建图;
点云分割主要的流程是先进行地面提取,然后对剩下的点云进行分割,最后拿分割好的点云进行到下一步的特征提取;
首先选取当前帧点云数据,Pt是t时刻的一帧点云数据,Pi是Pt中的一个点:
Pt={p1,p2,...,pn}
将Pt映射到深度图像上去,映射的深度图像的分辨率是1800*16,1800就是一帧激光雷达点云里面的每一次扫描上有1800个点,16表示16次扫描,选用雷达的水平分辨率为0.2°,垂直分辨率为2°,每个有效的点为深度图像的一个像素,像素的值就是该点到雷达中心的距离,x,y,z表示三个方向上的距离:
在特征提取部分首先计算每个点的粗糙度,ri表示从对应点Pi到传感器的欧几里德距离,S为Pi在同一水平方向上的点集:
按每个点的粗糙度值对S的每一行中的点进行排序,使用阈值cth来区分不同类型的特征,粗糙度c大于阈值则划分为边特征,该点则为边缘点Fe,粗糙度c小于阈值则划分为面特征,该点则为平面点Fp,从S的每一行中选取不属于地面,且有最大粗糙度c的n个边缘点Fe作为特征边,再选取最小粗糙度c的n个平面点Fp作为地面点,生成对应的特征边缘集合和地面点集合,以此来区分地面。
4.根据权利要求1所述的一种基于多线激光雷达的井下矿道内定位方法,其特征在于,所述步骤3中,采用ndt算法进行地图匹配对进入矿道的车辆进行重定位;
把Target点云按照固定的分辨率划分成3d网格,并计算出每个3d网格点云的分布情况,计算Source点云在Target分布的概率来计算点云的匹配关系,将步骤2中建立好的点云概率地图存入算法map文件夹中,调取NDT点云配准项目,对车辆进行定位;
具体计算步骤为:
计算分好的网格中的包含点的中心(各轴均值q)及协方差矩阵:
建立位于网格中点的概率模型:
将配准的点云变换到参考坐标系下(以前一帧为参考):
根据正态分布参数计算每个转换点落在对应网格中的概率:
计算对应点落在对应网格中的概率之和,即NDT配准得分:
5.根据权利要求1所述的一种基于多线激光雷达的井下矿道内定位方法,其特征在于,所述步骤4在特征点不充足,不满足步骤3算法需求时采用此算法,车辆进入矿道,捕获当前时刻点云信息,首先对点云信息进行预处理(预处理同步骤2中分离平面点边缘点),去除其他干扰点,识别所设金属反光片位置信息,然后通过激光雷达测量水平方向上横向距离X以及车辆激光雷达到反射面距离D,雷达水平方向到反射面之间的偏转角θ,根据这些距离及角度信息快速测算出车辆横向、纵向里程信息,整合出车辆位置信息并发布;
步骤401、将参考点云所占的空间划分成指定大小的网格或体素并计算每个网格的多维正态分布参数,计算网格的概率分布模型,计算网格中的包含点的中心(各轴均值),及协方差矩阵其中q为均值,xi为网格内的点:
由此生成点位于网格中的概率模型:
将点云进一步通过直通滤波,直接过滤出距离地平面高度为1.5米至2.5米的点云,即路标所在的高度,根据反射率不同识别所设反光片所在中心位置,获取反光片坐在位置坐标;
步骤402、在得到反光片的坐标后,根据激光雷达测距的功能测得所需距离和偏转角度,算得纵向距离ΔD,结合激光雷达在水平方向距离矿道墙壁里程距离X,获取当前车辆位置坐标并发布;
步骤403、通过以上计算车辆在行进过程中继续识别前方反光片会产生误差对计算的车辆位置进行误差补偿,输出更加精确的车辆位置信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211311785.5A CN115575962A (zh) | 2022-10-25 | 2022-10-25 | 一种基于多线激光雷达的井下矿道内定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211311785.5A CN115575962A (zh) | 2022-10-25 | 2022-10-25 | 一种基于多线激光雷达的井下矿道内定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115575962A true CN115575962A (zh) | 2023-01-06 |
Family
ID=84587213
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211311785.5A Pending CN115575962A (zh) | 2022-10-25 | 2022-10-25 | 一种基于多线激光雷达的井下矿道内定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115575962A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117689536A (zh) * | 2024-02-01 | 2024-03-12 | 浙江华是科技股份有限公司 | 激光雷达拼接配准方法、***、装置及计算机存储介质 |
-
2022
- 2022-10-25 CN CN202211311785.5A patent/CN115575962A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117689536A (zh) * | 2024-02-01 | 2024-03-12 | 浙江华是科技股份有限公司 | 激光雷达拼接配准方法、***、装置及计算机存储介质 |
CN117689536B (zh) * | 2024-02-01 | 2024-05-10 | 浙江华是科技股份有限公司 | 激光雷达拼接配准方法、***、装置及计算机存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110618434B (zh) | 一种基于激光雷达的隧道内定位***及其定位方法 | |
KR102195164B1 (ko) | 다중 라이다를 이용한 다중 물체 인식 시스템 및 방법 | |
CN101163940B (zh) | 摄影位置分析方法 | |
CN110780305A (zh) | 一种基于多线激光雷达的赛道锥桶检测及目标点追踪方法 | |
US20030225487A1 (en) | Method of guiding an aircraft in the final approach phase and a corresponding system | |
CN115407357B (zh) | 基于大场景的低线束激光雷达-imu-rtk定位建图算法 | |
CN112346463B (zh) | 一种基于速度采样的无人车路径规划方法 | |
Zhang et al. | Background filtering and vehicle detection with roadside lidar based on point association | |
CN114359861B (zh) | 基于视觉和激光雷达的智能车辆障碍物识别深度学习方法 | |
EP3979156A1 (en) | Work analysis system, work analysis device, and work analysis program | |
US20210247771A1 (en) | Information processing device | |
CN115187964A (zh) | 基于多传感器数据融合的自动驾驶决策方法及SoC芯片 | |
CN101915570A (zh) | 一种基于灭点的地面移动测量影像线段自动提取分类方法 | |
CN114821526A (zh) | 基于4d毫米波雷达点云的障碍物三维边框检测方法 | |
Schachtschneider et al. | Assessing temporal behavior in lidar point clouds of urban environments | |
CN111506069B (zh) | 一种全天候全地面起重机障碍识别***及方法 | |
CN115575962A (zh) | 一种基于多线激光雷达的井下矿道内定位方法 | |
Gálai et al. | Crossmodal point cloud registration in the Hough space for mobile laser scanning data | |
Zou et al. | Incremental map refinement of building information using LiDAR point clouds | |
US20230266469A1 (en) | System and method for detecting road intersection on point cloud height map | |
CN113227713A (zh) | 生成用于定位的环境模型的方法和*** | |
Zhan et al. | Automatic navigation for a mobile robot with monocular vision | |
WO2022021209A9 (zh) | 电子地图生成方法、装置、计算机设备和存储介质 | |
Huang et al. | Ground filtering algorithm for mobile LIDAR using order and neighborhood point information | |
KR102603877B1 (ko) | 차량의 정밀 측위 방법 및 장치 |
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 |