[发明专利]一种基于3D激光雷达的地铁车底定位方法

说明书

本发明公开了一种基于3D激光雷达的地铁车底定位方法，具体为：通过位于地铁巡检机器人上的3D激光雷达获取地铁车底环境三维点云数据；基于深度学习的目标检测网络PointPillars实现快速定位和识别车底点云中的三维目标；通过直通滤波器对需要进行测距定位的目标框进行提取，过滤掉不属于目标主成份的点云；再对提取出的目标框进行下采样处理，控制点云数量；拟合目标点云在各方向上的平面，并计算各方向上的平面在对应方向的中点位置信息，从而得到目标物中心点相对于激光雷达的位置信息，实现定位。本发明实现了精准定位，提高了算法的泛化性，平衡了检测速度和检测精度，为巡检机器人后期的导航巡检工作奠定了扎实的基础。

技术领域

本发明属于地铁车底定位技术领域，尤其涉及一种基于3D激光雷达的地铁车底定位方法。

背景技术

城市轨道交通的建设是解决交通拥堵、带动就业以及带动经济发展的重要方式之一，随着我国经济的发展及城市轨道交通的技术的成熟，各城市纷纷开通城市轨道交通线路。而大量地铁的开通，必不可免会带来各种行车安全问题。要建立智能运维体系，从而提升城轨装备维护的智能化程度和运维效率。为此地铁巡检维护智能化，现在也被提上日程，成为了当下研究的热点，所以建立列车安全保障体系成为城市轨道系统建设中必不可少的一环。

随着“互联网+”城市轨道交通的发展，基于自动化、智能化的新技术与新模式不断出现，其中机器人技术、人工智能、大数据、图像处理技术等助力了智慧城市轨道交通，而当下地铁巡检机器人的问世也的确替代了人工巡检工作，大大提升了智能巡检维护的效率，而对于巡检机器人而言，前期的定位导航为后期机器人移动到对应位置采集相关部件数据进行监测分析奠定了至关重要的基础。目前多数巡检机器人采用人工路标导航、超声波传感器、激光测距仪、相机等来实现对目标的识别与定位。人工路标导航，费工费时，效率低，主要依赖工作人员的现场工作经验来进行路标标注，具有一定的主观性，难以保证定位结果的准确率。基于超声波传感器、激光测距仪这类方法的成本较高，智能度也不够，算法鲁棒性不强，这显然不符合中国城轨交通协会提出的城市轨道交通智能化、高效化建设要求。而基于相机的方法即视角SLAM，是多数巡检机器人目前会采用的方法，但是，由于相机传感器光学特性的限制，相机只能在光照充足且稳定的环境下工作，而对于工作环境狭小密闭且场景复杂的地铁车底而言，采用相机的方法将会受到环境影响。而激光雷达因其不受外界光照影响，成为无人驾驶感知方案的主流，激光雷达定位具有极高的分辨率、抗干扰能力强、获取的信息量丰富、精度可达厘米级，适用于室内尤其是场景复杂的情况下，因此基于激光雷达的地铁车底定位成为了目前研究的一个热点。

从上述背景中可以分析出利用3D激光雷达实现列车车底定位需要解决以下几个关键点：（1）算法模型须能够适应狭小密闭且场景复杂的地铁车底环境，能够不受光照、污渍等环境因素的干扰，具有强鲁棒性。（2）算法模型必须具备高精度、高稳定性以及泛化性的特点，能够精准获得位置信息，实现定位功能，完美辅助后期巡检机器人导航巡检。（3）高效率，智能巡检只能在地铁停运的阶段进行，在不影响地铁正常发车运行，需在较短时间内完成一系列的巡检工作，故需算法模型在较短的时间内完成车底定位，才能更好地辅助后期项点检测。

发明内容

针对上述问题，本发明提供了一种基于3D激光雷达的地铁车底定位方法。

本发明的一种基于3D激光雷达的地铁车底定位方法，包括以下步骤：

步骤1：采用3D激光雷达获取地铁车底点云数据。

步骤2：利用基于深度学习的目标检测网络PointPillars实现快速定位和识别车底点云中的三维目标。

S21：将点云数据划分为一定数量的Pillars，然后通过最大池化操作从Pillars中提取特征，并将提取的特征压缩为鸟瞰图，生成伪2D图。

S22：将伪2D图作为输入，通过区域候选网络2D-CNN和单步多尺度检测网络SSD实现目标检测任务，获取三维目标边界框。

步骤3：目标框点云预处理。