本申请公开了一种适用于狭窄巷道的三维重建方法和系统，其中，方法包括：利用机械激光雷达和固态激光雷达进行点云累积，得到机械激光点云数据和固态激光点云数据；利用IMU进行前向传播，预测机器人的姿态，得到IMU估计的位姿变换；利用机械激光雷达从机械激光点云数据中筛选出特征点，根据IMU估计的位姿变换对机械激光点云数据和固态激光点云数据进行投影，形成点云帧；对点云帧和IMU估计的位姿变换进行滤波优化，得到最优位姿估计；利用最优位姿估计更新机械激光局部地图，生成并更新固态激光全局地图，形成巷道三维重建模型。本发明专利技术以固态激光雷达为主体辅以机械激光雷达和IMU作为约束，可以获得更多的巷道细节。可以获得更多的巷道细节。可以获得更多的巷道细节。
【技术实现步骤摘要】
一种适用于狭窄巷道的三维重建方法和系统
[0001]本申请涉及三维重建领域，具体而言涉及一种基于机械式激光雷达、固态激光雷达和IMU(IMU)融合的三维重建方法，用于狭窄巷道的三维重建。
技术介绍
[0002]巷道是在地表与矿体之间钻凿出的各种通路，用来运矿、通风、排水、行人以及为冶金设备采出矿石新开凿的各种必要准备工程等。由于巷道一般处于地下，会受到岩土体的挤压，并且在矿山开采期间容易受到影响从而导致安全问题，因此对巷道进行测绘非常重要。巷道建图技术来源于矿山测量学中，传统方法使用全站仪和三维激光扫描仪来获得巷道的环境信息。但传统的巷道建图过程耗时长，人员调动过多，更新地图慢，且全站仪和高精度的三维扫描仪价格不菲。随着近些年传感器精度的提高和种类的增加，传感器融合SLAM逐渐被应用到了地下巷道的建图技术中。根据目前所查阅的文献，发现一般在建图时只会使用到一个激光雷达，配合其他传感器融合使用。激光雷达分为机械激光雷达和固态激光雷达，机械激光雷达具有水平视角大的优点，可以提供更多的环境特征信息，但扫描所得的点云较稀疏，而固态激光雷达则是可以获得非常稠密的点云，但视场较小，捕捉到的环境特征信息较少，容易在建图时发生漂移。此外，由于地下巷道无GPS信号，因此使用IMU作为姿态估计传感器常被使用作为改善定位信息的方法。
[0003]考虑到巷道的三维重建所需要得到的是一个无漂移且稠密的点云模型，因此本专利技术将机械激光雷达、固态激光雷达和IMU融合，将其搭载在移动机器人底盘上，形成了一种新的紧耦合多传感器融合SLAM的巷道三维重建方法。此方法相较于单激光雷达SLAM的三维重建得到的三维模型要更加鲁棒，更加稠密，相较于使用传统的全站仪和三维扫描仪的方法，成本更低且耗费的人力要少很多。
技术实现思路
[0004]本申请公开了一种适用于巷道的三维重建方法，通过将机械激光雷达、固态激光雷达和IMU融合，将其搭载在移动机器人底盘上，形成了一种新的紧耦合多传感器融合SLAM的巷道三维重建方法。
[0005]为达到上述目的，本申请提供了以下方案：
[0006]一种适用于狭窄巷道的三维重建方法和系统，方法包括：
[0007]S1、分别利用机械激光雷达和固态激光雷达进行点云累积，得到机械激光点云数据和固态激光点云数据；
[0008]S2、利用IMU进行前向传播，预测机器人的姿态，得到IMU估计的位姿变换；
[0009]S3、利用所述机械激光雷达从所述机械激光点云数据中筛选出平面特征点和边缘特征点，根据所述IMU估计的位姿变换对所述机械激光点云数据和所述固态激光点云数据进行投影，形成点云帧；
[0010]S4、对所述点云帧和所述IMU估计的位姿变换进行滤波优化，得到最优位姿估计；
[0011]S5、利用所述最优位姿估计更新机械激光局部地图，生成并更新固态激光全局地图，最终形成稠密的巷道三维重建模型。
[0012]优选的，得到所述机械激光点云数据和所述固态激光点云数据的过程具体包括：
[0013]对所述机械激光雷达和所述固态激光雷达的高频采样累计预设时间内的数据进行处理，得到所述机械激光点云数据和所述固态激光点云数据。
[0014]优选的，得到IMU估计的位姿变换具体过程包括：
[0015]开启所述IMU，利用所述IMU进行前向传播，预测机器人不同时刻的姿态，得到IMU估计的位姿变换。
[0016]优选的，所述IMU前向传播的过程具体包括：
[0017]六轴IMU的数据进行前向传播实时的线加速度和角加速度，利用IMU的数据进行前向传播，估计机器人实时位姿变化；得到IMU前向传播的公式为：
[0018][0019]其中，x
i
即上面定义的机器人的状态，u
i
为输入，Δt为IMU两帧的间隔，0是指过程噪声设置为0。
[0020]优选的，所述筛选出平面特征点和边缘特征点具体过程包括：
[0021]从原始雷达数据中心，筛选用于后续状态估计环节的特征点，采用所述点云数据中随机一点前后5个点作为一组，计算曲率：
[0022][0023]其中，c为曲率，S为随机一点的集合，i为当前为中心的点，k为第k帧的点，L为在机械激光雷达坐标系下，为机械激光雷达坐标系下点的坐标。
[0024]优选的，进行滤波优化的过程具体包括：
[0025]采用扩展卡尔曼滤波器优化位姿估计方程，包括预测模型和矫正模型；
[0026]预测模型具体包括：先验估计，公式为：先验误差的协方差矩阵，公式为：其中，为预测出来的机器人姿态，f(
·
)为状态方程，x
k
‑1为上一时刻确定的机器人状态，u
k
‑1为输入，0表示我们把过程噪声仍然看做0，Q为符合高斯分布的噪声协方差，
[0027]矫正模型包括：卡尔曼增益，公式为：矫正模型包括：卡尔曼增益，公式为：后验估计，公式为：预测误差的协方差矩阵，公式为：其中，其中，h(
·
)为输出方程。
[0028]优选的，所述形成稠密的巷道三维重建模型具体包括：
[0029]根据所述扩展卡尔曼滤波器优化位姿估计方程优化后的位姿估计，对所述机械激
光点云数据和所述固态激光点云数据得到的不同时刻的点云帧按位姿变换方程进行投影，更新机械激光局部地图、生成和更新固态激光全局地图，最终形成稠密的巷道三维重建模型。
[0030]一种适用于狭窄巷道的三维重建方法还包括一种适用于狭窄巷道的三维重建系统，包括点云累积模块、前向传播模块、筛选模块、滤波模块和模型建立模块；
[0031]点云累积模块用于分别利用机械激光雷达和固态激光雷达进行点云累积，得到机械激光点云数据和固态激光点云数据；
[0032]前向传播模块用于利用IMU进行前向传播，预测机器人的姿态，得到IMU估计的位姿变换；
[0033]筛选模块用于利用所述机械激光雷达从所述机械激光点云数据中筛选出平面特征点和边缘特征点，根据所述IMU估计的位姿变换对所述机械激光点云数据和所述固态激光点云数据进行投影，形成点云帧；
[0034]滤波模块用于对所述点云帧和所述IMU估计的位姿变换进行滤波优化，得到最优位姿估计；
[0035]模型建立模块利用所述最优位姿估计更新机械激光局部地图，生成并更新固态激光全局地图，最终形成稠密的巷道三维重建模型。
[0036]本申请的有益效果为：
[0037]本申请公开了一种适用于巷道的三维重建方法，本申请的基于机械式激光雷达、固态激光雷达和IMU的测绘方法的优点在于：
[0038](1)以固态激光雷达为主体的三维重建，其点云更加稠密，可以获得更多的巷道细节；
[0039](2)辅以机械激光雷达和IMU作为约束，提高了三维重建的鲁棒性；
[0040](3)相较于使用全站仪测绘成本大大降低；
[0041](4)相较于人工测量的方法本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种适用于狭窄巷道的三维重建方法，其特征在于，方法包括：S1、分别利用机械激光雷达和固态激光雷达进行点云累积，得到机械激光点云数据和固态激光点云数据；S2、利用IMU进行前向传播，预测机器人的姿态，得到IMU估计的位姿变换；S3、利用所述机械激光雷达从所述机械激光点云数据中筛选出平面特征点和边缘特征点，根据所述IMU估计的位姿变换对所述机械激光点云数据和所述固态激光点云数据进行投影，形成点云帧；S4、对所述点云帧和所述IMU估计的位姿变换进行滤波优化，得到最优位姿估计；S5、利用所述最优位姿估计更新机械激光局部地图，生成并更新固态激光全局地图，最终形成稠密的巷道三维重建模型。2.根据权利要求1所述的适用于狭窄巷道的三维重建方法，其特征在于，得到所述机械激光点云数据和所述固态激光点云数据的过程具体包括：对所述机械激光雷达和所述固态激光雷达的高频采样累计预设时间内的数据进行处理，得到所述机械激光点云数据和所述固态激光点云数据。3.根据权利要求1所述的适用于狭窄巷道的三维重建方法，其特征在于，得到IMU估计的位姿变换具体过程包括：开启所述IMU，利用所述IMU进行前向传播，预测机器人不同时刻的姿态，得到IMU估计的位姿变换。4.根据权利要求3所述的适用于狭窄巷道的三维重建方法，其特征在于，所述IMU前向传播的过程具体包括：六轴IMU的数据进行前向传播实时的线加速度和角加速度，利用IMU的数据进行前向传播，估计机器人实时位姿变化；得到IMU前向传播的公式为：其中，x
i
即上面定义的机器人的状态，u
i
为输入，Δt为IMU两帧的间隔，0是指过程噪声设置为0。5.根据权利要求1所述的适用于狭窄巷道的三维重建方法，其特征在于，所述筛选出平面特征点和边缘特征点具体过程包括：从原始雷达数据中心，筛选用于后续状态估计环节的特征点，采用所述点云数据中随机一点前后5个点作为一组，计算曲率：其中，c为曲率，S为随机一点的集合，i为当前为中心的点，k为第k帧的点，L为在机械...
【专利技术属性】
技术研发人员：聂闻，张昊晟，
申请(专利权)人：泉州装备制造研究所，
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。