一种无人机搭载激光雷达测量建筑土方的方法和系统技术方案

本发明专利技术提供了一种无人机搭载激光雷达测量建筑土方的方法和系统，所述方法包括：无人机按飞行路线自主飞行；无人机发射激光脉冲信号、接收反射回来的激光脉冲信号和转化信号得到并存储点云数据；点云数据传输至控制终端，地面控制终端上运行SLAM三维重建算法获取待测区域的三维点云模型；SLAM三维重建算法中采用了ESKF算法且进行了回环检测；运行土方计算算法计算出待测区域内各个部分或整体的参数，输出结果。所述系统可执行上述方法，且系统包括前端传感单元和终端单元。本发明专利技术的方法提高了数据采集效率和精度，同时生成多种测绘成果，能够满足不同需求。本发明专利技术的系统对于山区、有遮挡的建筑物等复杂地形采集有效数据。有遮挡的建筑物等复杂地形采集有效数据。有遮挡的建筑物等复杂地形采集有效数据。

【技术实现步骤摘要】
一种无人机搭载激光雷达测量建筑土方的方法和系统


[0001]本专利技术涉及勘测和建筑施工测量
，具体的，涉及一种无人机搭载激光雷达测量建筑土方的方法和系统。

技术介绍

[0002]建筑土方测量是指在建筑工程施工中，对土方工程的体积、面积和高程等参数进行准确的计算和分析，以便于控制工程质量和成本。现有的土方测量方法主要有倾斜摄影、全站仪和RTK（Real
‑
time kinematic 实时差分定位）等地面测绘手段，但这些方法存在以下缺点：1、外业工作量大，人力投入大，效率低；2、对于山区、有遮挡的建筑物等复杂地形难以采集有效数据；3、测绘成果单一，仅限于数字线划图，无法提供可视化实景模型；4、倾斜摄影基于视觉图像技术，精度低，对光照条件要求高，高反射表面影响测绘结果。
[0003]因此，需要一种新的土方测量方法，以提高数据采集效率和精度，同时生成多种测绘成果，满足不同需求。所以，本申请提供的一种无人机搭载激光雷达测量建筑土方的方法和系统具有重要的意义。
[0004]申请号为“CN201710119737.本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无人机搭载激光雷达测量建筑土方的方法，其特征在于，所述方法包括步骤：S1、无人机按照地面控制终端规划出的飞行路线自主飞行；S2、无人机通过激光雷达发射激光脉冲信号、接收反射回来的激光脉冲信号和转化信号得到并存储点云数据；S3、点云数据通过雷达传输至控制终端，终端上运行SLAM三维重建算法获取待测区域的三维点云模型；SLAM三维重建算法中对全局位姿约束问题采用ESKF算法进行优化，SLAM三维重建算法中实现回环检测以提高位姿的估计精确度；S4、终端上运行土方计算算法，根据三维点云模型计算出待测区域内各个部分或整体的参数，输出结果。2.根据权利要求1所述的无人机搭载激光雷达测量建筑土方的方法，其特征在于，所述SLAM三维重建算法包括步骤：对IMU获取的运动信息，忽略IMU的测量噪声并进行预积分，获取先验机体位姿，作为下一时刻的位姿初值与该先验机体位姿估计的协方差矩阵；对点云数据进行降采样后投影至全局坐标系，并在历史点云地图中搜索该帧点云中每一点对应所在平面，获得点到平面残差向量，进而获得激光雷达的观测方程；利用观测方程计算卡尔曼增益，并更新本时刻的估计状态和协方差矩阵，利用ESKF算法迭代求解当前的精确位姿；对当前点云进行描述子计算，并在历史描述子数据库中进行搜索，实现回环检测；对点云数据进行预处理后进行点云拼接和表面重建，将点云数据转换为三维网格或三维体素，形成待测区域的三维点云模型。3.根据权利要求1所述的无人机搭载激光雷达测量建筑土方的方法，其特征在于，所述ESKF算法包括步骤：a、在忽略IMU噪声的前提下，利用IMU的运动输入不断进行下一时刻名义状态的更新，下一时刻名义状态的公式为：；式中，为下一时刻名义状态；为当前时刻的名义状态；为IMU测量的时间间隔；为运动模型；为IMU的运动输入；为定义在流形上的加法，即用于将运动模型的预测值添加到状态估计值上；b、利用泰勒展开不断预测下一时刻对应的误差状态，同时不断更新误差状态的协方差，该矩阵表明对误差状态估计的不确定性，直至得到下一次观测值时，预测方程将获取到该时刻的名义状态，预测方程为：，；式中，为状态误差向量；为在下一个时间步i+1的状态预测向量；为下一时刻真实状态；表示定义在状态空间流形上的减法运算；为当前时刻的状态；为当前时刻的实际状态与名义状态之间的差异，表示为状态误差；为对的雅可比矩阵；为
对噪声的雅可比矩阵；为IMU测量的噪声向量；是下一时刻状态误差的协方差矩阵；为当前时刻状态误差的协方差矩阵；为IMU测量的噪声矩阵；T表示矩阵的转置；c、当获取一帧点云观测时，利用b步骤中估计的位姿将点云投影至前一帧坐标系下，该过程可表示为，计算点到线或点到面误差，由此获得观测方程，对其进行泰勒展开可得：；式中，为非线性测量模型，将状态向量和测量噪声映射到测量向量空间；为状态向量；为观测噪声；表示当前时刻的状态的估计值；为将观测模型在处进行线性化；为观测模型关于状态向量的雅可比矩阵；为状态误差向量，表示当前时刻的状态与估计值之间的差异；表示观测噪声；表示实际测得的观测值；d、利用步骤c中获得的观测矩阵计算卡尔曼增益，并更新本时刻的估计状态与协方差矩阵，该过程可进行迭代，直至估计状态收敛，此时称为IESKF算法，IESKF算法能够完成对当前时刻状态的精确估计；IESKF算法的公式如下：，；式中，为卡尔曼增益；为状态估计误差的协方差矩阵；为观测模型关于状态的雅可比矩阵；为观测噪声的协方差矩阵；为在滤波过程中更新后的状态估计值；上标为当前的迭代次数；下标k为时间步；T表示矩阵的...

【专利技术属性】
技术研发人员：王康年，潘成，黄战华，董联欣，苗振岩，
申请(专利权)人：天津大学四川创新研究院，
类型：发明
国别省市：