商标3840-480

同济大学发表了一种结合IMU和激光雷达的铁轨检测云重构方法

近年来,我们铁路隧道建设的规模和速度取得了令人瞩目的成就,截至2020年底,全国已建成铁路隧道19630公里,地铁隧道超过6000公里。为保证隧道安全运营,需要投入大量人力物力对隧道进行变形监测、运维检查等工作。传统的铁路测量采用人工观测方法,使用人工观测精度高,但检测效率低,无法满足对铁路进行动态连续高精度全息测量的要求。

随着激光扫描技术的发展,移动激光扫描被广泛的用于隧道检测中,移动测绘系统通常包含激光扫描仪、IMU和全景相机。移动式激光扫描效率高、精度高、自动化程度也高,大大的提高了铁路隧道检测效率。但是,整合IMU导航数据和移动激光扫描数据,以此获取真实的铁路3D信息,一直是亟待解决的难题问题。

为此,同济大学地理与测绘学院和中铁上海设计院设计了一种基于轨迹滤波的移动激光扫描系统点云重建方法。该方法通过深度学习识别铁路特征点来校正里程表数据,并使用RTS (Rauch–Tung–Striebel)滤波来优化轨迹结果。结合铁路试验轨道数据,RTS算法在东、北坐标方向最大差异可控制在7 cm以内,平均高程误差为2.39 cm,优于由于传统的KF(Kalman filter)算法。

设计的移动测绘系统由激光扫描仪,全景相机,轨道检测车,IMU,GNSS系统,计程器等组成。使用移动激光扫描系统进行数据采集,并使用正射照片图像实现特征点的自动识别和里程校正,而轨迹数据通过KF算法进行优化,以获得高精度的轨迹数据。

移动铁路检查车示意图,包括激光扫描仪、IMU、GNSS 天线、平板电脑、里程表和全景凸轮

铁路移动激光扫描数据处理流程图

团队在同济大学嘉定校区综合测试场对该方案进行了可行性及精度测试,测试总里程约200m。

实验环境中的移动激光扫描系统

实验结果:

1)目标检测和里程校准精度测试结果

团队从数千公里的激光移动扫描数据中建立了铁路紧固件数据集,并随机选择了925幅图片作为训练数据,322幅图像指定为测试数据,系统在深度学习后,对该实验激光扫描图像的紧固件位置与手动标记的铁轨紧固件位置做对比,以验证目标检测精度。实验结果表明,YOLO V3提取的钢轨扣件准确率在91.3%以上。

特征点识别结果

实际测量值与里程定位算法的比较结果如下表所示。滤波前的里程定位误差在9cm以内,滤波后的里程定位精度在6cm以内,标准误差为0.04。

特征点识别结果

实际测量值与里程定位算法的比较结果

2)轨迹修正测试结果

车载测试前,利用里程表信息和参考位置点对惯性导航系统的安装偏差角进行预标定,航向角(α)=-0.4579°,航向角(γ)= 0.5457°,安装偏差角满足小角度的要求。 引入安装偏角误差后,由于安装引起的系统误差得到更好的纠正。同时,惯性导航轨迹随时间的发散趋势也受到抑制。

3) 三维点云生成精度

数据采集完成后,对轨迹数据进行滤波和平滑处理,计算出小车轨迹在铁路轨道上的定位和姿态信息。 结合求解轨迹、车辆系统标定参数、INS信息,扫描点云同步信息等进行计算,实现相对点云到地理坐标系的转换。得到上海城建坐标系下铁路轨道的3D点云数据,如图

实验选取的 23 个识别点,采用全站仪测量的方法进行坐标测量,测量结果精度达到毫米级。通过比较对应的3D点云识别点的坐标,得到对应的坐标差和统计差。

识别点北坐标方向绝对值的平均误差为0.86cm,最大差值为4.6cm,标准差为1.65。东坐标方向绝对值的平均误差为1.34cm,最大差值为6.9cm,标准差为2.95。高程坐标方向绝对值的平均误差为2.39cm,最大差值为6.33cm,标准差为1.77。系统点云误差为1.6cm。以上实验结果数据表明,该系统整体精度较高。

有理由相信该系统投入运行的话,将大大提高铁路检测的自动化程度,同时提高检测效率、精确度。

论文原文:https://www.mdpi.com/2072-4292/14/19/4965