基于激光雷達的井下巷道形變量監(jiān)測算法

張會峰，韓國國，郗燕杰，陶金陽，趙欣桐

（1.山西天地王坡煤業(yè)有限公司，山西 晉城 048000；2.煤礦安全技術(shù)國家重點實驗室，遼寧 撫順 113122；3.中煤科工集團沈陽研究院有限公司，遼寧 撫順 113122）

目前，井下巷道形變監(jiān)測仍采用人工巡檢方式，此種方式存在測試數(shù)據(jù)人為誤差，受限于礦工工作經(jīng)驗；巷道形變監(jiān)測不準確，受限于人工勞動強度大、作業(yè)風(fēng)險高，同時，人工檢測數(shù)據(jù)點僅限于當(dāng)前位置及鄰近情況，不能覆蓋全局。姜闊勝等[1]基于單線激光雷達技術(shù)對礦井巷道變形進行了在線監(jiān)測，其技術(shù)方案僅為離散的比對，無法實現(xiàn)對巷道進行連續(xù)監(jiān)測；周竹峰[2]在巷道掃描時采用手持式掃描儀，且需要在監(jiān)測區(qū)域固定較高要求的標靶，導(dǎo)致施工難度大，增加人工勞動強度，其數(shù)據(jù)采集也為分段掃描法采集，后對獲取到的數(shù)據(jù)采用人工方式進行拼接，效率低；王黎明等[3]通過三維掃描技術(shù)對礦山巷道進行變形監(jiān)測的應(yīng)用，為固定點位靜態(tài)掃描，并且也需要放置標靶，無法實現(xiàn)實時監(jiān)測；Qiu D W 等[4]利用三維激光掃描數(shù)據(jù)，給出了滑坡預(yù)警信息分析，可以較好的完成形變監(jiān)測，但是需要GPS組合完成定位，不適用于井下巷道場景。相較于國內(nèi)三維激光技術(shù)在形變監(jiān)測領(lǐng)域的實踐性應(yīng)用，國外學(xué)者則在形變監(jiān)測中對三維點云數(shù)據(jù)處理算法做了一定的研究，如Mezaal 等[5]、Pourghasemi 等[6]以及Booth 等[7]通過三維激光雷達掃描構(gòu)建地圖模型時，在場景特征選取、深度學(xué)習(xí)預(yù)警分析和掃描數(shù)據(jù)重復(fù)等給出了針對性的算法原理改進，從而更好地完成形變監(jiān)測，然而對于煤礦井下巷道場景的特征點較為相似的場景無法應(yīng)用。

綜上分析現(xiàn)有巷道形變監(jiān)測技術(shù)及手段多適用于固定場景，布置標靶等方式，且點云數(shù)據(jù)大多為手動拼接，大大增加人工勞動強度。為此，提出1 種基于激光雷達的井下巷道塌陷預(yù)測算法，從數(shù)據(jù)預(yù)處理、三維建模和形變監(jiān)測3 個方面進行改進，能夠在礦車日常行進中對煤礦巷道進行實時分析，無需人員干預(yù)，以高效、準確、連續(xù)地監(jiān)測井下巷道形態(tài)變化的趨勢。

1 系統(tǒng)總體架構(gòu)

井下巷道環(huán)境三維點云數(shù)據(jù)的獲取及處理方法對后續(xù)形變監(jiān)測的效率和準確性具有較大影響。三維點云模型能夠描述井下巷道的三維信息，目前獲取點云的主流方式有基于激光雷達的時間飛行法、基于機器視覺的三角測距法和雙目視覺法等[8-10]。為此，將激光三維實時建模技術(shù)與3D 監(jiān)測技術(shù)融合，通過對井下巷道的形變量監(jiān)測，從而對巷道塌陷進行提前預(yù)測。系統(tǒng)總體架構(gòu)如圖1。

圖1 系統(tǒng)總體架構(gòu)Fig.1 Overall system architecture

2 點預(yù)處理與三維建模

2.1 點云數(shù)據(jù)采集與預(yù)處理

利用井下智慧車搭載車載激光雷達系統(tǒng)和車身輔助定位系統(tǒng)，獲取了井下巷道激光數(shù)據(jù)。由于井下工況和特征點稀疏等問題，行駛速度設(shè)定為10 km/h，激光雷達頻率為10 Hz，數(shù)據(jù)量為5 mb/s。

獲取的井下雷達數(shù)據(jù)并不能直接地進行解算，需要先在VLP-16 激光雷達掃描系統(tǒng)驅(qū)動程序?qū)⒃技す饫走_數(shù)據(jù)轉(zhuǎn)換為PCL 點云數(shù)據(jù)。通過點云柵格化將點云存儲到相應(yīng)的數(shù)據(jù)結(jié)構(gòu)中。其目的便于后續(xù)對點云的預(yù)處理，把原本離散的點變?yōu)橐詵鸥駷閱挝坏狞c集合，將點云投影到柵格網(wǎng)絡(luò)中可去掉不必要的信息，降低計算量。由于受儀器誤差和井下路面顛簸等問題影響，獲取的點云數(shù)據(jù)坐標會存在偏移誤差，因此需利用車身輔助定位系統(tǒng)中的慣性導(dǎo)航和編碼器用于數(shù)據(jù)校正，以此消除傳感器自身及其他干擾等產(chǎn)生的數(shù)據(jù)畸變。預(yù)處理過程中，將自定區(qū)域權(quán)重定義為正態(tài)分布，依據(jù)采樣點附近的點云密度作為是否噪聲點的判別準則，如果檢測區(qū)域的點云數(shù)據(jù)低于點云密度判定標準則將該區(qū)域認為是高頻噪聲，剔除該區(qū)域，從而縮小范圍，避免在解算過程中由周圍臨近點大量云數(shù)據(jù)帶來的時效處理速度慢問題。

2.2 點云配準

由于井下智慧車每次采集的點云信息時其位置及姿態(tài)均為不確定狀態(tài)，在巷道創(chuàng)建完整的三維數(shù)據(jù)模型時，局部的點云配準尤為關(guān)鍵。通過旋轉(zhuǎn)和平移修正點云位置，從而達到配準要求。將不同坐標系下的點云經(jīng)過一系列的剛性變換，實現(xiàn)其在同一坐標下輸出2 個變換后的點云數(shù)據(jù)。通過ICP 點到最近面迭代的算法，對點集中每個點施加初始變換矩陣運算，得到變換點，從目標點集中尋找與之距離最近的面形成對應(yīng)點面對，求解出最優(yōu)變換矩陣。變換矩陣采用迭代誤差來判斷，迭代誤差收斂時認為變換矩陣最優(yōu)。

2.3 構(gòu)建三維點云模型

使用所有點云數(shù)據(jù)進行的構(gòu)建地圖，會消耗占用大量的計算機內(nèi)存，這將導(dǎo)致計算量會非常的大，且井下智慧車的行駛速度為10 km/h，當(dāng)前幀的點云數(shù)據(jù)可能包含了前幾幀大量的掃描信息，導(dǎo)致三維點云地圖構(gòu)建時存在重疊區(qū)域過多，對于細節(jié)豐富的數(shù)據(jù)信息無法有效提取。因此，通過設(shè)置關(guān)鍵幀來進行巷道地圖構(gòu)建，每個關(guān)鍵幀都是1 個獨立單元，其內(nèi)部信息涵蓋了每個時刻的所有點云數(shù)據(jù)信息，以達到在線配準。結(jié)合上述點云配準技術(shù)，將2 個相鄰的關(guān)鍵幀進行點云配準并解算出相應(yīng)的變換矩陣，從而得到激光雷達在全局坐標系下的姿態(tài)變換，輸出激光里程計。利用車載輔助定位系統(tǒng)的IMU 及UWB 的數(shù)據(jù)進行插值對齊處理并完成預(yù)積分，后端采用滑動窗口算法來維持非線性優(yōu)化過程中姿態(tài)信息數(shù)量，保證三維點云構(gòu)建的實時性。通過閉環(huán)檢測模塊將兩幀之間的距離、特征點等決定因素與構(gòu)建好的三維模型進行回環(huán)檢測，如果成功檢測到閉環(huán)，將當(dāng)前滑動窗口內(nèi)的狀態(tài)參數(shù)信息值進行更新，消除累計誤差。同時聯(lián)合點云數(shù)據(jù)信息拼接三維點云，并進行面的擬合，解決了現(xiàn)有巷道形變檢測仍需固定點或標靶布置、手動拼接點云難題，極大地提高了巷道形變檢測的實時性。

3 形變計算

3.1 離群點提取算法

由于2 次試驗點云的不可重復(fù)性，2 次的點云數(shù)據(jù)采集過程不會按照完全相同的位姿及關(guān)鍵幀進行掃描，2 次采集的點云數(shù)量也不會完全相同，無法找出一一對應(yīng)的實際對應(yīng)點對。通過對目標點云進行三維面擬合填補點云空白區(qū)域，構(gòu)建虛擬面片，然后基于點面距離的優(yōu)化算法計算形變量。通過對第2 次試驗的點云數(shù)據(jù)進行預(yù)處理，矯正雷達畸變、剔除高頻噪聲，將其與目標三維模型進行配準，統(tǒng)一到同一坐標系下。將第2 次的點云中的任一點與其最近面片進行計算距離。點P 到面S1、S2距離如圖2，分別計算P 點到臨近面S1、S2的距離d1、d2。取其記錄最大值，提取出離群點。

圖2 點P 到面S1、S2 距離Fig.2 Distance from point P to faces S1 and S2

其目標點云面擬合方程如下：

式中：A、B、C、D 為各項系數(shù)；x1、y1、z1為平面上點的坐標。

點到平面的距離d 計算公式為：

式中：Ax1、By1、Cz1為平面外一點P 的三維坐標。

3.2 基于DBSCAN 的密度聚類

聚類主要作用為數(shù)據(jù)挖掘。常見的聚類算法有K-Means、均值漂移以及DBSCAN 等。K-Means 聚類因算法簡單從而具有計算速度快等優(yōu)點，缺點是必須提前知道類組數(shù)量；均值漂移聚類是基于滑動窗口的1 種質(zhì)心算法，因不需要類組數(shù)量，所以受均值影響??；DBSCAN 是基于密度程度的聚類算法，相比于K-Means 和均值漂移算法，DBSCAN 算法在簇數(shù)量未知的情況下，仍能夠依據(jù)密度不同進行數(shù)據(jù)分類。

結(jié)合巷道實際場景，采用基于DBSCAN 的密度聚類，將通過點面距離的優(yōu)化算法計算出第2 次點云中與第1 次目標三維模型距離超過閾值的離群點，并獲取離群點坐標。在數(shù)據(jù)聚類過程中，首先以任意1 個離群點以及周圍核心對象建立簇，然后合并核心對象關(guān)聯(lián)的對象，直到遍歷所有核心對象。在此過程里，核心對象如果唯一，則認為該區(qū)域是一簇離群點；如果有多個核心對象，則認為數(shù)量較少對象的簇是噪聲。最終離群點聚類后，將對象較少的簇剔除后，計算剩余離群簇到最近面的平均值，即可得到巷道形變量。DBSCAN 示意圖如圖3。

圖3 DBSCAN 示意圖Fig.3 DBSCAN schematic

4 試驗驗證

試驗采用鄂爾多斯地區(qū)某礦的井下巷道點云數(shù)據(jù)。采用16 線高精度雷達velodyne VLP-16 對巷道進行掃面采樣，總計完成2 次試驗，以第1 次試驗為目標模型。將2 次試驗采集點云數(shù)據(jù)進行比對分析，每次試驗巷道的完整數(shù)據(jù)采集點云都在1 200 萬以上。巷道1 次、2 次原始點云數(shù)據(jù)如圖4。

圖4 巷道1 次、2 次原始點云數(shù)據(jù)Fig.4 Primary and secondary original point cloud data of roadway

根據(jù)文中提出的點云預(yù)處理方法，將2 次試驗的點云數(shù)據(jù)進行柵格化、畸變矯正及降噪處理，巷道1 次、2 次預(yù)處理后點云數(shù)據(jù)如圖5，可以看出點云數(shù)據(jù)比較稀疏。因此，在經(jīng)過點云預(yù)處理后，采用點到最近面迭代算法進行點云配準，ICP 配準點云如圖6。

圖5 巷道1 次、2 次預(yù)處理后點云數(shù)據(jù)Fig.5 Point cloud data after one and two pre-processing of roadway

圖6 ICP 配準點云Fig.6 ICP registration point cloud

通過優(yōu)化算法對配準后的點云數(shù)據(jù)進行距離計算挑出大于20 mm 的點云數(shù)據(jù)標記為離群點。并記錄下離群點離最近面的距離。離群點如圖7。

圖7 離群點Fig.7 Outlier

DBSCAN 的密度聚類，將通過點面距離的優(yōu)化算法計算出第2 期點云中與目標三維模型的高密度離群點。最終離群點聚類后，將對象較少的簇剔除后，計算剩余離群簇到最近面的平均值，即可得到巷道形變量。離群點DBSCAN 的密度聚類如圖8。

圖8 離群點DBSCAN 的密度聚類Fig.8 Density clustering of outlier DBSCAN

5 結(jié) 語

1）針對井下巷道形變量無法自動監(jiān)測問題，提出了1 種基于激光雷達的井下巷道形變量自動監(jiān)測方法。利用井下智慧車安裝高精度激光雷達、車輛輔助定位系統(tǒng)，通過對巷道原始數(shù)據(jù)（第1 次）的采集與預(yù)處理，完整地將整條巷道點云構(gòu)建為三維模型，后續(xù)巷道形變檢測數(shù)據(jù)與此比對分析，進而判斷出巷道是否發(fā)生形變。

2）基于目標點云對巡檢點云進行離群點提取，并通過DBSCAN 的密度聚類快速提取大密度離群點，從而快速篩選出變形區(qū)域，分析形變程度，實現(xiàn)了井下巷道表面形變的實時監(jiān)控與自動測量。

提出的方法能夠在礦車日常運行時高效實現(xiàn)井下巷道表面形變的自動監(jiān)測，降低了井下巷道形變監(jiān)測工作的難度，免去了標靶布置、手動拼接點云等環(huán)節(jié)。在減少了人工勞動強度的同時，保障了井下巷道正常運行及保護礦工生命財產(chǎn)安全。