技术领域
[0001] 本
发明涉及轨道交通安全领域，具体涉及一种基于激光雷达检测隧道内异物侵限的在线检测方法。
背景技术
[0002] 随着大城市的人口日益增多，路上交通越来越无法满足人们急剧增加的交通使用量，城市轨道交通的发展为缓解城市交通拥堵起到重要的作用。自从1863年伦敦建成第一条地
铁以来，地铁作为一种重要的城市轨道交通工具已经在欧美等发达国家以及国内北京、上海、广州、深圳等发达地区广泛应用。
[0003] 城市轨道交通作为一个特殊服务性行业，在生产过程中除了职工人身安全，还包括乘客的人身安全以及各种设备设施的运行安全，同时存在着许多不可预测的安全隐患，城市轨道交通的安全特性包括：(1)公共设施特性；(2)大流量高
密度；(3)封闭性；(4)防范困难。
[0004] 目前的隧道侵限检测通常采用激光扫描方法和视觉方法，但由于激光扫描的
精度较高，它在隧道侵限检测中具有不可替代的地位。以往的激光扫描方案，大都先基于横截面的形状建模，然后实现侵限检测任务。这种方案的误差偏大，实时性也难以保证。
发明内容
[0005] 本发明是为了克服
现有技术中隧道侵限检测存在误差偏大，无法实现实时性等问题，提供一种基于激光雷达的在线检测方法，能够实现在线实时检测，且具有较高的准确率。
[0006] 本发明提供一种基于激光雷达的在线检测方法，包括以下步骤：
[0007] S1、点
云获取：在智能巡检
机器人的初始
位置建立全局
坐标系、车体坐标系和测量坐标系，将激光雷达测量的检测点坐标转换为全局坐标系下位置坐标；
[0008] S2、点云预处理：通过所有位于全局坐标系下的检测点的点云数据计算轨道平面；
[0009] S3、预警判断：将激光雷达实时测量的扫描点投影到步骤S2提取的轨道平面上，并计算其到轨道平面的投影距离，当所述投影距离小于设定
阈值时，判定为异物侵限；当所述投影距离大于设定阈值时，判定异物不侵限。
[0010] 本发明所述的一种基于激光雷达的在线检测方法，作为优选方式，步骤S1进一步包括以下步骤：
[0011] S11、在智能巡检机器人的初始位置建立全局坐标系XPYPZP、车体坐标系XBYBZB和激光雷达的测量坐标系XLYLZL；
[0012] S12、将智能巡检机器人运动过程中获得的扫描点p在测量坐标系 XLYLZL下的坐标转换为全局坐标系XPYPZP下的位置坐标 转换方法如下：
[0013]
[0014] 其中：
[0015] RB是测量坐标系到车体坐标系的旋转矩阵；
[0016] 是雷达扫描中心在车体坐标系下的坐标；
[0017] RP是车体坐标系到全局坐标系的旋转矩阵；
[0018] 为车体坐标系原点在全局坐标系下的坐标。
[0019] 从激光雷达获取的数据是以其自身坐标系为参照的点云数据。随着车体的运动，激光雷达坐标系不断移动，不同时刻下点云数据的基准坐标不同。因此，对所有点云数据进行坐标变换才能将其转换到同一坐标系下，为实时检测提供理论支持。
[0020] 本发明所述的一种基于激光雷达的在线检测方法，作为优选方式，步骤S2进一步包括以下步骤：
[0021] S21、法向量估计：点云的法向量指过该点且与点云组成的表面相切的平面的垂直向量。法向量的变化在一定程度上体现了点云表面的变化，这也为之后提取轨道提供了依据。本
申请中利用最小二乘法估计点云法向量，假设点云模型的表面是处处光滑的，每个点的邻域都可以通过平面很好地拟合，这样就可以利用拟合平面的法向量代替该点的法向量，通过点云中的点p计算出其近邻点，在通过所述邻近点拟合最小二乘平面L，[0022]
[0023] 其中：
[0024] 为拟合平面的法向量；
[0025] d为拟合平面到原点的距离；
[0026] k为拟合平面内点的总数；
[0027] 为原点指向第i个点的向量；
[0028] S22、点云的平滑处理：点云数据存在误差，故需要平滑处理以滤除噪声。本文中采用的是移动最小二乘(MLS)原理。核心思想是任意点的坐标由其附近点决定，其他区域的点不产生影响。选取不同的基函数、不同的权函数和不同的影响区域会产生不同的拟合结果。通过移动最小二乘原理计算目标点的坐标f(x)，
[0029]
[0030] 其中：
[0031] a(x)是待求系数；
[0032] β(x)是基函数；
[0033] f(x)是x处的坐标；
[0034] t为基函数的维数；
[0035] 对于坐标系OXYZ中的点，以z为所求目标点，则基函数一般有两种：
[0036] 一维坐标基：(1,x,y)T
[0037] 二维坐标基：(1,x,y,x2,xy,y2)T
[0038] 为了便于计算，这里取β＝(1,x,y)T。
[0039] 目标函数的误差可由下式表示：
[0040]
[0041] 其中，m为影响域内点的总数，w(xj)是xj处的权值，可由式(5)决定，zj是xj处的测量值。
[0042]
[0043] 其中，γ为常系数。
[0044] 使J取最小值，对a(x)求导：
[0045]
[0046] 其中：
[0047]
[0048] B＝[w(x1)β(x1),…,w(xm)β(xm)]
[0049] z＝[z1,z2,…,zm]T
[0050] S23、轨道提取：将步骤S22经过平滑处理的点云数据结合相应的步骤S21拟合的最小二乘平面计算轨道平面。
[0051] 本发明所述的一种基于激光雷达的在线检测方法，作为优选方式，步骤S23进一步包括以下步骤：
[0052] S231、提取点云数据中所有平面：在点云中，平面由离散的点组成。当所有的点都接近于一个平面时，认为这些点近似组成一个平面，通过即计算点p及其近邻点坐标的协方差矩阵Σ，求取协方差矩阵的特征值，其最小特征值λmin可表示各点到拟合平面的平均距离提取出平均距离 小于阈值的点集组成的平面，即为点云中所有的平面；
[0053] 协方差矩阵Σ是实对称阵，则存在
正交矩阵Q使下式成立。
[0054] cov(X)＝Σ＝QTΛQ
[0055] 其中，X为点云的三维坐标矩阵，Λ为对
角阵。
[0056] 令Y＝XQT，由矩阵性质可知，X经过数次初等变换可以得到Y，且X和 Y内各点点的相对位置不变，将Y代入上式可得
[0057] cov(Y)＝QΣQT＝Λ
[0058] 式中，Λ对角线上的元素代表Y内各点在各个坐标轴方向的方差。根据主元分析法取最小特征值λmin对应的
特征向量为拟合平面的法向量，则相应的λmin为Y内各点在该坐标轴上的方差，近似表示Y内各点到拟合平面的平均距离
[0059] S232、计算轨道平面宽度：铁轨宽度在70～150mm之间。将步骤S231 中提取的平面中宽度s为70～150mm的平面提取。
[0060] 本发明所述的一种基于激光雷达的在线检测方法，作为优选方式，步骤S232中所述的宽度s计算方法如下：
[0061] 选取平面中趋于中心的点p，且以点p为中心设置一个半径r＝200mm 的搜索窗，分别计算搜索窗内的点与点p组成的向量( 等)与铁轨宽度方向 的内积，其值为该点在方向的投影坐标，分别求投影坐标中的最大值smax和最小值smin，则s＝smax-smin。
[0062] S233、计算轨道平面：将步骤S232中提取的符合宽度要求的平面中长宽比λmax/λmin＞20的平面提取，即为轨道平面。
[0063] 本发明所述的一种基于激光雷达的在线检测方法，作为优选方式，步骤S233中所述的长宽比λmax/λsec计算方法如下：
[0064] λmax为协方差矩阵Σ的最大特征值，对应的特征向量 为Y中各点方差最大的坐标轴，即铁轨的长度方向 λsec为协方差矩阵Σ第二大特征值对应的特征向量 为Y中各点方差第二大的坐标轴，即铁轨的宽度方向
[0065] 本发明所述的一种基于激光雷达的在线检测方法，作为优选方式，步骤S3进一步包括以下步骤：
[0066] S31、将扫描点投影到轨道平面内，利用k近邻
算法计算各点与轨道的最近距离l1和l2；
[0067] S32、沿着X方向整毫米间隔提取限界的Y坐标，再通过l1和l2的值确定扫描点的X坐标，然后查询对应的限界的Y坐标，当l1和l2的值小于对应的限界的Y坐标时，判定为异物侵限；当l1和l2的值大于对应的限界的Y 坐标时，判定异物不侵限。
[0068] 本发明由于通过对限界检测问题的分析，结合限界模型的几何特征，将三维空间的问题简
化成一维空间的来判断，在保证检测精度的条件下，大大降低了运算量，能够实现轨道交通隧道内实时侵限检测。
附图说明
[0069] 图1为一种基于激光雷达的在线检测方法
流程图；
[0070] 图2为一种基于激光雷达的在线检测方法步骤S1流程图；
[0071] 图3为一种基于激光雷达的在线检测方法步骤S2流程图；
[0072] 图4为一种基于激光雷达的在线检测方法步骤S23流程图；
[0073] 图5为一种基于激光雷达的在线检测方法步骤S23另一判断方法流程图；
[0074] 图6为一种基于激光雷达的在线检测方法步骤S3流程图；
[0075] 图7为实时例激光雷达实时扫描点云图。
具体实施方式
[0077] 如图1所示，本发明提供一种基于激光雷达的在线检测方法，包括以下步骤：
[0078] S1、点云获取：在智能巡检机器人的初始位置建立全局坐标系、车体坐标系和测量坐标系，将激光雷达测量的检测点坐标转换为全局坐标系下位置坐标；如图2所示，步骤S1进一步包括以下步骤：
[0079] S11、在智能巡检机器人的初始位置建立全局坐标系XPYPZP、车体坐标系XBYBZB和激光雷达的测量坐标系XLYLZL；
[0080] S12、将智能巡检机器人运动过程中获得的扫描点p在测量坐标系 XLYLZL下的坐标转换为全局坐标系XPYPZP下的位置坐标 转换方法如下：
[0081]
[0082] 其中：
[0083] RB是测量坐标系到车体坐标系的旋转矩阵；
[0084] 是雷达扫描中心在车体坐标系下的坐标；
[0085] RP是车体坐标系到全局坐标系的旋转矩阵；
[0086] 为车体坐标系原点在全局坐标系下的坐标；
[0087] S2、点云预处理：通过所有检测点位于所述全局坐标系下的位置坐标的点云数据计算轨道平面；如图3所示，步骤S2进一步包括：
[0088] S21、法向量估计：通过点云中的点p计算出其近邻点，在通过所述邻近点拟合最小二乘平面L，
[0089]
[0090] 其中：
[0091] 为拟合平面的法向量；
[0092] d为拟合平面到原点的距离；
[0093] k为拟合平面内点的总数；
[0094] 为原点指向第i个点的向量；
[0095] S22、点云的平滑处理：通过移动最小二乘原理计算目标点的坐标f(x)，[0096]
[0097] 其中：
[0098] a(x)是待求系数；
[0099] β(x)是基函数；
[0100] f(x)是x处的坐标；
[0101] t为基函数的维数；
[0102] S23、轨道提取：将步骤S22经过平滑处理的点云数据结合相应的步骤S21拟合的最小二乘平面计算轨道平面；如图4所示，步骤S23进一步包括以下步骤：
[0103] S231、提取点云数据中所有平面：通过即计算点p及其近邻点坐标的协方差矩阵Σ，求取协方差矩阵的特征值，其最小特征值λmin可表示各点到拟合平面的平均距离 提取出平均距离 小于阈值的点集组成的平面，即为点云中所有的平面；
[0104] S232、计算轨道平面宽度：将步骤S231中提取的平面中宽度s为 70～150mm的平面提取；宽度s计算方法如下：
[0105] 选取平面中趋于中心的点p，且以点p为中心设置一个半径r＝200mm 的搜索窗，分别计算搜索窗内的点与点p组成的向量( 等)与铁轨宽度方向 的内积，其值为该点在 方向的投影坐标，分别求投影坐标中的最大值smax和最小值smin，则s＝smax-smin；
[0106] S233、计算轨道平面：将步骤S232中提取的符合宽度要求的平面中长宽比λmax/λmin＞20的平面提取，即为轨道平面；其中长宽比λmax/λsec计算方法如下：
[0107] λmax为协方差矩阵Σ的最大特征值，对应的特征向量 为Y中各点方差最大的坐标轴，即铁轨的长度方向 λsec为协方差矩阵Σ第二大特征值对应的特征向量 为Y中各点方差第二大的坐标轴，即铁轨的宽度方向
[0108] S3、预警判断：将激光雷达实时测量的扫描点投影到步骤S2提取的轨道平面上，并计算其到轨道平面的投影距离，当所述投影距离小于设定阈值时，判定为异物侵限；当所述投影距离大于设定阈值时，判定异物不侵限；如图6所示，步骤S3进一步包括以下步骤：
[0109] S31、将扫描点投影到轨道平面内，利用k近邻算法计算各点与轨道的最近距离l1和l2；
[0110] S32、沿着X方向整毫米间隔提取限界的Y坐标，再通过l1和l2的值确定扫描点的X坐标，然后查询对应的限界的Y坐标，当l1和l2的值小于对应的限界的Y坐标时，判定为异物侵限；当l1和l2的值大于对应的限界的Y 坐标时，判定异物不侵限。
[0111] 实施例1检测过程中使用velodyne公司VLP-16激光雷达，测量误差小于30mm。
数据处理采用NI公司的高性能工业
控制器IC-3173，内部搭载了i7-5650U处理器。测试在室内环境下进行，最大测量距离为5m，测量轨道宽度10cm。
[0112] 经多次扫描并设置不同的扫描场景可以得到多组不同的点云，利用上文提到的方法对点云进行处理得到表1所示结果
[0113] 表1轨道点云提取实验结果
[0114]
[0115] 从表1可以看出，轨道点云提取的准确率高达93％，基本保留了轨道的轮廓信息。不过尚有7％的点无法提取出来。分析可以知道，这些点应该基本分布于轨道点云的两侧边界处，且基本上都属于在平面提取步骤当中的损失。
[0116] 设定限界的空间为距铁轨两侧各0.5m，高度距铁轨平面1.5m，准备了三个大小和形状均不相同的物体，分别将其置于轨道限界内，得到如表2 所示的检测结果[0117] 表2三种异物侵限检测结果
[0118]
[0119] 激光雷达实时扫描点云图如图7所示，其中被圈中的点云为检测出的侵限点云，其他点云为非侵限点云，从图7看出，限界内的点云基本都被识别，检测准确率很高，且扫描与检测都是实时进行的，数据处理的效率也能满足实时性的要求。
[0120] 以上说明对本发明而言只是说明性的，而非限制性的，本领域普通技术人员理解，在不脱离
权利要求所限定的精神和范围的情况下，可作出的任何
修改、变化或等效，都将落入本发明的保护范围之内。
