【技术实现步骤摘要】
一种基于多传感器融合的打桩机自动定位和工况自适应方法
[0001]本专利技术涉及打桩机的智能控制
，特别涉及一种基于多传感器融合的打桩机自动定位和工况自适应方法。
技术介绍
[0002]高速道路两旁多为地势险要地区，为了有效减少意外事故带来的安全问题，一般都会在高速路两旁装有安全防护栏来保证来往车辆的安全。在安装防护栏时需要进行放桩、打桩以保证防护栏的稳定性。如果地桩的安装位置不合理或者精度不够很容易导致防护栏安装误差大、安装失败，不能起到安全防护的作用。
[0003]现有技术对于护栏桩的定位安装过程主要还是依赖于人工操作，通过人工测量的方式进行放桩和打桩，该方法不仅耗时耗力，而且地桩与地桩之间的距离并不能很好的保证，很可能导致后期护栏安装失败，严重的甚至需要返工等问题。另外，由于地形的原因也会导致打桩工作过程中出现地桩歪斜、入地深度过多或过少等问题，道路存在直线、弯道、不规则弧度、上下坡等复杂情况，也会对打桩机的作业造成很大的影响，对操作人员的熟练程度要求较高。
[0004]目前，国内很多研究机构对打...
【技术保护点】
【技术特征摘要】
1.一种基于多传感器融合的打桩机自动定位和工况自适应方法，其特征在于，包括以下步骤：步骤S1，通过安装在打桩机车辆上的多个传感器进行数据收集并进行联合标定；步骤S2，采用深度学习目标检测算法进行车道线识别并使打桩机车辆进行车道线跟踪行驶；步骤S3，采用基于因子图优化的slam算法生成激光惯性里程计，使用GPS
‑
RTK测量技术进行校正，获取并保存打桩机车辆的行驶轨迹信息、各个位置打桩机车辆的位姿信息；步骤S4，根据激光惯性里程计输出的信息对每个打桩点的位置进行精确规划和标记；步骤S5，打桩机开始进行作业，打桩机车辆采用车道线跟踪与GPS
‑
RTK混合定位策略沿激光惯性里程计行驶，实时输出打桩机车辆的位置信息和位姿信息；步骤S6，采用近距打桩的定位识别系统对打桩位置进行优化，实时提供打桩机车辆和打桩点的位置信息、打桩机车辆的位姿信息；步骤S7，将打桩机车辆位置信息、打桩点位置信息和打桩机车辆位姿信息传输给打桩机的中心控制系统，中心控制系统根据这些信息实时对打桩机车辆进行调整。2.按照权利要求1所述的打桩机自动定位和工况自适应方法，其特征在于：步骤S1中，安装在打桩机车辆上的传感器包括：激光雷达、至少2个摄像机、惯性传感器和至少2个GPS接收器；其中，摄像机安装在打桩机的前方和后方，GPS接收器安装在打桩机的前方和后方；激光雷达对打桩机周围环境进行360
°
扫描收集点云数据；摄像机收集覆盖车道线、路面边缘和地桩区域的图像；惯性传感器收集打桩机的六自由度位姿信息和加速度信息；GPS接收器收集打桩机车体的坐标信息和方位角信息。3.按照权利要求1所述的打桩机自动定位和工况自适应方法，其特征在于：步骤S1中，对收集的数据进行联合标定的方法为：采用pnp外参标定方式，对于视觉提取特征点与雷达提取边缘建立几何约束关系；采用手眼标定法进行摄像机与惯性传感器，激光雷达与惯性传感器之间的外参标定，建立几何约束关系；采用组合惯导中的标定信息建立惯性传感器与GPS接收器的几何约束关系。4.按照权利要求1所述的打桩机自动定位和工况自适应方法，其特征在于，步骤S2采用深度学习目标检测算法进行车道线识别并使打桩机车辆进行车道线跟踪行驶的方法包括以下步骤：步骤S21，在打桩作业地点采集车道线数据，采用基于LanNet改进深度学习目标检测算法，对所得数据进行标注训练，不断调整权重参数，提高对车道线识别检测的准确性和鲁棒性；步骤S22，采用双相机模式使用步骤S21改进的深度学习目标检测算法对高速路上的车道线进行识别检测，然后利用图像分割算法进一步分割车道线部分；步骤S23，将获取的车道线信息传入车辆的中心控制系统，中心控制系统控制挖掘机车辆在离车道线一定距离的位置自主行驶，实现车道线跟踪行驶。5.按照权利要求1所述的打桩机自动定位和工况自适应方法，其特征在于，步骤S3采用基于因子图优化的slam算法生成激光惯性里程计，使用GPS
‑
RTK测量技术进行校正，获取并保存打桩机车辆的行驶轨迹信息、各个位置车辆的位姿信息的方法包括以下步骤：步骤S31，在车道线跟踪行驶过程中启动基于因子图优化的slam算法，采用激光雷达与
惯性传感器紧耦合的方式获取里程计轨迹和车体在各个位置的位姿，同时，惯性传感器采用预积分的处理方式为激光里程计提供良好的...
【专利技术属性】
技术研发人员：蒙艳玫，韩冰，刘辉，许恩永，韦锦，董振，唐治宏，吴湘柠，韦和钧，
申请(专利权)人：广西大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。