基于激光雷達(dá)的井下帶式輸送機(jī)邊緣提取方法

摘要：帶式輸送機(jī)是煤礦井下非結(jié)構(gòu)化膠帶巷中巡檢機(jī)器人的巡檢對象之一，且其邊緣提取可使機(jī)器人獲取自身相對檢測目標(biāo)的空間位姿，為執(zhí)行巡檢任務(wù)提供環(huán)境信息支持。目前井下大多采用基于視覺的邊緣提取技術(shù)，難以有效克服照度低、粉塵大、水霧濃等問題。針對該問題，采用防爆16 線激光雷達(dá)作為巡檢機(jī)器人傳感器獲取巷道點(diǎn)云，以降低環(huán)境對提取結(jié)果的影響。對獲取的原始稀疏點(diǎn)云進(jìn)行統(tǒng)計(jì)離群值移除和直通濾波預(yù)處理，以去除噪聲和無用點(diǎn)云，采用隨機(jī)樣本一致算法分割帶式輸送機(jī)點(diǎn)云平面，基于投影?四叉樹方法提取帶式輸送機(jī)邊緣點(diǎn)云。rviz+Gazebo 聯(lián)合仿真結(jié)果表明：在機(jī)器人不同運(yùn)動工況下，帶式輸送機(jī)邊緣提取的準(zhǔn)確率不低于96.33%；雷達(dá)遮蔽率低于30% 時(shí)準(zhǔn)確率不低于79.23%。實(shí)驗(yàn)室測試結(jié)果表明：帶式輸送機(jī)表面水層分布比例為100% 且厚度飽和條件下，邊緣提取準(zhǔn)確率不低于88%，整體優(yōu)于基于經(jīng)緯的極值檢索法、基于KDTree/OcTree 的曲率閾值法、基于KDTree/OcTree 的臨近點(diǎn)夾角閾值法，且平均計(jì)算耗時(shí)僅為36 ms，滿足井下實(shí)時(shí)巡檢需求。

關(guān)鍵詞：非結(jié)構(gòu)化巷道；膠帶巷；巡檢機(jī)器人；帶式輸送機(jī)；激光雷達(dá)；稀疏點(diǎn)云；邊緣提取

中圖分類號：TD67 文獻(xiàn)標(biāo)志碼：A

0 引言

隨著煤礦智能化建設(shè)的推進(jìn)，越來越多的智能機(jī)器人正代替人工步入井下工作崗位。在煤礦膠帶巷巡檢任務(wù)中，巡檢機(jī)器人除了基礎(chǔ)的自主移動及導(dǎo)航外，還需執(zhí)行帶式輸送機(jī)堵塞識別、煤流量檢測等任務(wù)[1-3]。巡檢過程中機(jī)器人實(shí)時(shí)將自身的位姿及檢測目標(biāo)當(dāng)前的狀態(tài)反饋給控制端，供下一步?jīng)Q策用。而在非結(jié)構(gòu)化的膠帶巷場景下[4]，機(jī)器人可用于確定自身位姿的環(huán)境參照物較少，導(dǎo)致其運(yùn)動自主性不足。帶式輸送機(jī)作為該場景中少數(shù)特征較明顯的物體，其邊緣的支架、托輥等結(jié)構(gòu)不僅全局位姿固定，且可始終保持在傳感器感知范圍內(nèi)。此外，帶式輸送機(jī)本身是機(jī)器人的主要巡檢目標(biāo)。因此，對帶式輸送機(jī)邊緣進(jìn)行提取及位姿解算，不僅可使機(jī)器人準(zhǔn)確獲取自身的全局位姿，還可使機(jī)器人獲取待檢測目標(biāo)的相對位置，保障其順利完成巡檢任務(wù)。

井下巷道環(huán)境的非結(jié)構(gòu)化問題較為突出，導(dǎo)致目前少有能夠?qū)嶋H應(yīng)用于膠帶巷的巡檢機(jī)器人。因此，現(xiàn)有的帶式輸送機(jī)邊緣提取技術(shù)大多采用固定于帶式輸送機(jī)上下側(cè)的視覺相機(jī)作為傳感器。視覺相機(jī)的像素精度能夠滿足邊緣提取任務(wù)需求，且相機(jī)本體通常符合井下防爆標(biāo)準(zhǔn)。若額外采用結(jié)構(gòu)光照射進(jìn)行輔助， 則可提升提取結(jié)果的魯棒性[5-6]。在視覺提取研究方面， 現(xiàn)有方法大多基于CNN（Convolutional Neural Networks，卷積神經(jīng)網(wǎng)絡(luò)） [7-8]、Canny 算法[9-11]等實(shí)現(xiàn)。這2 種方法成熟度較高，但分別存在對數(shù)據(jù)集質(zhì)量依賴較重、不適應(yīng)昏暗雜亂環(huán)境的問題。此外，視覺算法對環(huán)境粉塵狀況較為敏感，經(jīng)常在相機(jī)表面受污染的情況下輸出偽邊緣或直接提取失敗[12]。針對該問題，有學(xué)者采用調(diào)整特征算子的方式進(jìn)行改善[10]，但放寬了圖像邊緣判定的標(biāo)準(zhǔn)，導(dǎo)致提取精度較差。因此，機(jī)器視覺方式不便應(yīng)用于存在粉塵、水霧及光照條件不斷變化的移動巡檢任務(wù)中。

激光雷達(dá)能有效應(yīng)對上述問題。目前采用激光雷達(dá)（包括固定式激光雷達(dá)、部署于移動機(jī)器人上的激光雷達(dá)）進(jìn)行井下帶式輸送機(jī)邊緣提取的研究較少，主要原因是當(dāng)前煤礦機(jī)器人相關(guān)產(chǎn)業(yè)建設(shè)正處于初期，另外《煤礦安全規(guī)程》對激光雷達(dá)等電氣設(shè)備的功率有防爆限制。目前可用于井下的為功率較低、精度較差的單線或16 線激光雷達(dá)。單線激光雷達(dá)采集的信息僅是傳感器所在二維平面中物體的距離信息，在井下復(fù)雜巡檢環(huán)境中缺乏足夠的應(yīng)用價(jià)值；16 線激光雷達(dá)采集的信息是水平360°、分辨率0.1°及垂直30°、分辨率2°的點(diǎn)云，原始信息量是單線雷達(dá)的16 倍，但與普遍應(yīng)用于地面自動駕駛的128 線激光雷達(dá)相比，其信息密度較為稀疏。雖然目前將激光雷達(dá)技術(shù)應(yīng)用于帶式輸送機(jī)點(diǎn)云邊緣提取的研究較少，但其他場景中的研究成果可以借鑒。在泛用性較強(qiáng)的點(diǎn)云特征提取方面： 李猛鋼等[13]、何怡靜等[14]采用經(jīng)典的LOAM（LidarOdometry and Mapping， 雷達(dá)里程計(jì)及建圖）技術(shù)提取點(diǎn)云中的線、面特征； Lin Jiarong 等[15]改進(jìn)了傳統(tǒng)LOAM 特征識別方式，提出LOAM?livox 算法，實(shí)現(xiàn)了傳統(tǒng)基于曲率的特征提取方法在井下的應(yīng)用。在煤巖界面識別方面：榮耀等[16]采用弦法向量法分析數(shù)值點(diǎn)與其鄰域法向量的夾角，并基于閾值篩選非煤壁與頂板交線點(diǎn)云，實(shí)現(xiàn)對頂板?墻壁交界線的提取。在大規(guī)模稠密點(diǎn)云方面：P. Trybala 等[17]采用固定的TLS（Terrestrial Laser Scanner，地面激光掃描儀器）提供高精度點(diǎn)云，但未考慮煤礦設(shè)備防爆要求及設(shè)備的靈活性問題；陳建華等[18]對巷道表面點(diǎn)云鄰域進(jìn)行二次分析，借助點(diǎn)云法向量特征逐次篩選特征區(qū)域及特征點(diǎn)，提高了特征提取效率。在巷道車輛循跡方面：于淼等[19]從BEV（Bird's Eye View，鳥瞰圖）角度分析井下車墻碰撞問題，采用卡爾曼濾波方式實(shí)現(xiàn)可行駛邊界的提取，但缺乏對帶式輸送機(jī)、施工標(biāo)志等障礙物的考慮。

除以上單獨(dú)基于視覺或激光的方式外， HuangQiang 等[20]、Wen Liang 等[21]采用視覺相機(jī)+激光雷達(dá)方式，由視覺相機(jī)提供高精度的X，Y 軸像素信息，由激光雷達(dá)提供高精度的Z 軸距離信息，實(shí)現(xiàn)輸送帶邊緣提取，但該方式仍以視覺算法為主，只采用激光點(diǎn)云提供額外的景深信息，在環(huán)境條件良好的情況下可滿足應(yīng)用需求，但無法有效克服照度低、粉塵大、水霧濃等問題，對人工維護(hù)依賴大。

針對煤礦井下膠帶巷復(fù)雜惡劣的巡檢環(huán)境，本文采用激光雷達(dá)代替視覺相機(jī)實(shí)現(xiàn)帶式輸送機(jī)邊緣提取， 設(shè)計(jì)了一種基于RANSAC（Random SampleConsensus，隨機(jī)樣本一致）平面分割與投影?四叉樹結(jié)構(gòu)的邊緣提取方法，并通過仿真及實(shí)驗(yàn)室測試驗(yàn)證了該方法在機(jī)器人不同運(yùn)動工況及不同環(huán)境條件下的提取效果。