基于激光雷達的井下巷道形變量監測算法

張會峰，韓國國，郗燕杰，陶金陽，趙欣桐

（1.山西天地王坡煤業有限公司，山西 晉城 048000；2.煤礦安全技術國家重點實驗室，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，井下巷道形變監測仍采用人工巡檢方式，此種方式存在測試數據人為誤差，受限于礦工工作經驗；巷道形變監測不準確，受限于人工勞動強度大、作業風險高，同時，人工檢測數據點僅限于當前位置及鄰近情況，不能覆蓋全局。姜闊勝等[1]基于單線激光雷達技術對礦井巷道變形進行了在線監測，其技術方案僅為離散的比對，無法實現對巷道進行連續監測；周竹峰[2]在巷道掃描時采用手持式掃描儀，且需要在監測區域固定較高要求的標靶，導致施工難度大，增加人工勞動強度，其數據采集也為分段掃描法采集，后對獲取到的數據采用人工方式進行拼接，效率低；王黎明等[3]通過三維掃描技術對礦山巷道進行變形監測的應用，為固定點位靜態掃描，并且也需要放置標靶，無法實現實時監測；Qiu D W 等[4]利用三維激光掃描數據，給出了滑坡預警信息分析，可以較好的完成形變監測，但是需要GPS組合完成定位，不適用于井下巷道場景。相較于國內三維激光技術在形變監測領域的實踐性應用，國外學者則在形變監測中對三維點云數據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建地圖模型時，在場景特征選取、深度學習預警分析和掃描數據重復等給出了針對性的算法原理改進，從而更好地完成形變監測，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用。

綜上分析現有巷道形變監測技術及手段多適用于固定場景，布置標靶等方式，且點云數據大多為手動拼接，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測算法，從數據預處理、三維建模和形變監測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，以高效、準確、連續地監測井下巷道形態變化的趨勢。

1 系統總體架構

井下巷道環境三維點云數據的獲取及處理方法對后續形變監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與3D 監測技術融合，通過對井下巷道的形變量監測，從而對巷道塌陷進行提前預測。系統總體架構如圖1。

圖1 系統總體架構Fig.1 Overall system architecture

2 點預處理與三維建模

2.1 點云數據采集與預處理

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

獲取的井下雷達數據并不能直接地進行解算，需要先在VLP-16 激光雷達掃描系統驅動程序將原始激光雷達數據轉換為PCL 點云數據。通過點云柵格化將點云存儲到相應的數據結構中。其目的便于后續對點云的預處理，把原本離散的點變為以柵格為單位的點集合，將點云投影到柵格網絡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，獲取的點云數據坐標會存在偏移誤差，因此需利用車身輔助定位系統中的慣性導航和編碼器用于數據校正，以此消除傳感器自身及其他干擾等產生的數據畸變。預處理過程中，將自定區域權重定義為正態分布，依據采樣點附近的點云密度作為是否噪聲點的判別準則，如果檢測區域的點云數據低于點云密度判定標準則將該區域認為是高頻噪聲，剔除該區域，從而縮小范圍，避免在解算過程中由周圍臨近點大量云數據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均為不確定狀態，在巷道創建完整的三維數據模型時，局部的點云配準尤為關鍵。通過旋轉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過一系列的剛性變換，實現其在同一坐標下輸出2 個變換后的點云數據。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點面對，求解出最優變換矩陣。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。

2.3 構建三維點云模型

使用所有點云數據進行的構建地圖，會消耗占用大量的計算機內存，這將導致計算量會非常的大，且井下智慧車的行駛速度為10 km/h，當前幀的點云數據可能包含了前幾幀大量的掃描信息，導致三維點云地圖構建時存在重疊區域過多，對于細節豐富的數據信息無法有效提取。因此，通過設置關鍵幀來進行巷道地圖構建，每個關鍵幀都是1 個獨立單元，其內部信息涵蓋了每個時刻的所有點云數據信息，以達到在線配準。結合上述點云配準技術，將2 個相鄰的關鍵幀進行點云配準并解算出相應的變換矩陣，從而得到激光雷達在全局坐標系下的姿態變換，輸出激光里程計。利用車載輔助定位系統的IMU 及UWB 的數據進行插值對齊處理并完成預積分，后端采用滑動窗口算法來維持非線性優化過程中姿態信息數量，保證三維點云構建的實時性。通過閉環檢測模塊將兩幀之間的距離、特征點等決定因素與構建好的三維模型進行回環檢測，如果成功檢測到閉環，將當前滑動窗口內的狀態參數信息值進行更新，消除累計誤差。同時聯合點云數據信息拼接三維點云，并進行面的擬合，解決了現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性，2 次的點云數據采集過程不會按照完全相同的位姿及關鍵幀進行掃描，2 次采集的點云數量也不會完全相同，無法找出一一對應的實際對應點對。通過對目標點云進行三維面擬合填補點云空白區域，構建虛擬面片，然后基于點面距離的優化算法計算形變量。通過對第2 次試驗的點云數據進行預處理，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；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

聚類主要作用為數據挖掘。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點，缺點是必須提前知道類組數量；均值漂移聚類是基于滑動窗口的1 種質心算法，因不需要類組數量，所以受均值影響小；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 算法在簇數量未知的情況下，仍能夠依據密度不同進行數據分類。

結合巷道實際場景，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。在數據聚類過程中，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聯的對象，直到遍歷所有核心對象。在此過程里，核心對象如果唯一，則認為該區域是一簇離群點；如果有多個核心對象，則認為數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某礦的井下巷道點云數據。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 次試驗采集點云數據進行比對分析，每次試驗巷道的完整數據采集點云都在1 200 萬以上。巷道1 次、2 次原始點云數據如圖4。

圖4 巷道1 次、2 次原始點云數據Fig.4 Primary and secondary original point cloud data of roadway

根據文中提出的點云預處理方法，將2 次試驗的點云數據進行柵格化、畸變矯正及降噪處理，巷道1 次、2 次預處理后點云數據如圖5，可以看出點云數據比較稀疏。因此，在經過點云預處理后，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 次預處理后點云數據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

通過優化算法對配準后的點云數據進行距離計算挑出大于20 mm 的點云數據標記為離群點。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 語

1）針對井下巷道形變量無法自動監測問題，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，通過對巷道原始數據（第1 次）的采集與預處理，完整地將整條巷道點云構建為三維模型，后續巷道形變檢測數據與此比對分析，進而判斷出巷道是否發生形變。

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域，分析形變程度，實現了井下巷道表面形變的實時監控與自動測量。

提出的方法能夠在礦車日常運行時高效實現井下巷道表面形變的自動監測，降低了井下巷道形變監測工作的難度，免去了標靶布置、手動拼接點云等環節。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安全。