煤矿微震监测台网监测能力分析与优化方法

陈法兵, 吴红军, 崔保阁, 王元杰, 李岩

陈法兵,吴红军,崔保阁,等. 煤矿微震监测台网监测能力分析与优化方法[J]. 工矿自动化,2022,48(7):96-104. DOI: 10.13272/j.issn.1671-251x.2022020048
引用本文: 陈法兵,吴红军,崔保阁,等. 煤矿微震监测台网监测能力分析与优化方法[J]. 工矿自动化,2022,48(7):96-104. DOI: 10.13272/j.issn.1671-251x.2022020048
CHEN Fabing, WU Hongjun, CUI Baoge, et al. Analysis and optimization method of monitoring capability of coal mine microseismic monitoring network[J]. Journal of Mine Automation,2022,48(7):96-104. DOI: 10.13272/j.issn.1671-251x.2022020048
Citation: CHEN Fabing, WU Hongjun, CUI Baoge, et al. Analysis and optimization method of monitoring capability of coal mine microseismic monitoring network[J]. Journal of Mine Automation,2022,48(7):96-104. DOI: 10.13272/j.issn.1671-251x.2022020048

煤矿微震监测台网监测能力分析与优化方法

基金项目: 天地科技股份有限公司科技创新创业资金专项项目(2019-TD-CXY004,2019-TD-CXY006)。
详细信息
    作者简介:

    陈法兵(1985—),男,山东泰安人,助理研究员,硕士,主要从事煤矿冲击地压机理与防治技术研究工作,E-mail:727479294@qq.com

  • 中图分类号: TD326

Analysis and optimization method of monitoring capability of coal mine microseismic monitoring network

  • 摘要: 微震监测台网的监测能力取决于多种因素,如台网布置、速度模型、震相读取误差、走时区域异常、定位算法、设备运行状态和环境噪声等,其中台网布置现阶段可以人为优化。为了对微震监测台网的监测能力进行有效评价,并在此基础上对台网布置进行优化,提出了一种煤矿微震监测台网监测能力分析与优化方法。分析了台网布置因素中对微震监测台网监测能力影响最大、最直接的四因素:有效波形数、最大空隙角、近台震中距和台站高差,指出有效波形数、近台震中距和台站高差对震源深度求解误差起决定性作用,有效波形数和最大空隙角对震中定位精度起决定性作用。结合现有台网和工作面情况,得出四因素的分布云图,通过四因素分布云图逐项对微震监测台网监测能力进行评价,根据评价结果进行优化,得出新的台网布置方案;对新方案进行定位误差与灵敏度分析,得出全矿井的震中定位误差、震源定位误差及区域灵敏度,对新方案进行二次评价;若二次评价结果满足要求,则可将新方案作为最佳台网布置方案;若二次评价结果不满足要求,则重新进行四因素分项评价并对方案进行优化,直至满足要求为止。现场试验结果表明,利用提出的方法对唐口煤矿5307工作面的微震监测台网进行优化后,爆破震源定位误差均值由59.2 m降到37.2 m,定位误差最大值降到100 m以下,误差在50 m以下的爆破事件占总数的69.0%,说明提出的方法能够有效提高微震定位精度,优化台网监测能力。
    Abstract: The monitoring capability of microseismic monitoring network depends on many factors, such as network layout, velocity model, seismic phase reading error, regional anomaly of travel time, positioning algorithm, equipment running state and environmental noise. Among these factors, the network layout can be artificially optimized at present stage. In order to effectively evaluate the monitoring capacity of microseismic monitoring network and optimize the network layout, the analysis and optimization method of monitoring capacity of coal mine microseismic monitoring network is proposed. This study analyzes four factors which have the greatest and most direct influence on the monitoring capability of the microseismic monitoring network. The four factors are the number of effective waveforms, the maximum gap angle, the near-station epicenter distance and the height difference between stations. It is pointed out that the number of effective waveforms, the near-station epicenter distance and the height difference between stations play a decisive role in the error of hypocenter depth solution. The number of effective waveforms and the maximum gap angle play a decisive role in the precision of epicenter positioning. According to the situation of the existing network and the working face, the distribution cloud pictures of the four factors are obtained. The monitoring capability of the microseismic network is evaluated item by item through the distribution cloud pictures of the four factors. The new network arrangement scheme is obtained through optimization of the evaluation result. The positioning error and sensitivity of the new scheme are analyzed. The epicenter positioning error, hypocenter positioning error and regional sensitivity of the whole mine are obtained. The second evaluation of the new scheme is carried out. If the secondary evaluation results meet the requirements, the new scheme can be regarded as the best network layout scheme. If the secondary evaluation results do not meet the requirements, the four factors sub item evaluation will be carried out again and the scheme will be optimized until the requirements are met. The field test results show that after the proposed method is used to optimize the microseismic monitoring network of 5307 working face in Tangkou Coal Mine, the average value of blasting hypocenter positioning error is reduced from 59.2 m to 37.2 m. The maximum value of positioning error is reduced to less than 100 m, and the blasting events with error less than 50 m account for 69.0% of the total. The results show that the proposed method can effectively improve the microseismic positioning precision and optimize the monitoring capability of the network.
  • 煤炭是我国的主要能源和重要战略资源。目前我国煤矿智能化水平较低,井下作业人员仍然较多、安全风险大,加快煤炭企业对煤矿机器人的研发和应用是破解当前安全生产矛盾、实现减人增效的重要途径和现实需求。对于各类煤矿移动机器人,精确定位与地图构建是其推广应用亟待实现的共性关键技术[1]。同步定位与地图构建(Simultaneous Localization and Mapping,SLAM)具有在定位的同时实时重构场景模型的功能,为辅助驾驶、自主导航等提供定位建图功能,近10 a来得到了长足的发展并已逐渐走向工业应用领域。

    在煤矿井下SLAM方法方面,国外较早开展了相关研究,但主要采用手持设备[2]、移动小车[3]、探测机器人[4]、矿车[5]搭载激光雷达及惯性测量单元(Inertial Measurement Unit,IMU)等传感器进行环境建模。D.Tardioli等[6]分析了其所在课题组多年来在地下隧道机器人领域开展的相关研究进展,主要探讨了基于激光雷达、视觉相机、里程计等传感器的SLAM方法在隧道环境的应用。美国国防部高级研究计划局(Defense Advanced Research Projects Agency,DARPA)于2018—2021年举办的SubT赛事面向城市地下空间、隧道和天然洞穴环境下的机器人应用,相关研究针对光照变化[7]、场景退化[8]及巷道特征利用[9]等地下场景SLAM中的典型问题提出了新的解决方案。国内方面,马宏伟等[10]提出了基于深度相机进行井下定位建图实现移动机器人自主导航的方案。陈先中等[11]提出了一种煤矿地下毫米波雷达点云成像、结合深度学习处理稀疏点云的SLAM方法构想。杨健健等[12]研究了基于Hector−SLAM的掘进机器人巷道环境感知方法。Li Menggang等[13]提出了一种基于激光雷达的NDT(正态分布变换)−Graph SLAM方法,利用平面约束减轻地图漂移,用于煤矿救援机器人的高效建图任务。高士岗等[14]在国家能源神东煤炭榆家梁煤矿初步应用了搭载Exscan激光扫描仪的巡检机器人,基于SLAM技术构建了动态数字化工作面,三维点云模型实测精度为0.2 m。总体来看,针对煤矿机器人SLAM的研究集中于解决激光雷达、相机、毫米波雷达等传感器在特定场景、特定条件下的初步应用和性能改善问题,对井下多种条件耦合的复杂环境长期定位建模技术仍有待进一步攻关。

    在三维激光SLAM研究方面,以迭代最近点(Iterative Closest Point,ICP)为代表的扫描匹配方法研究较早[15]。6D SLAM[16]的前端利用大量原始点云进行ICP配准,后端使用全局松弛化,实现了非实时的高精地图构建。与使用全部点云不同,为了减少计算量、提高算法精度,另一类基于特征的方法被提出。Zhang Ji等[17]提出了一种激光里程计与建图(LiDAR Odometry and Mapping, LOAM)方法,通过计算曲率分割边点和面点,构建点−线和点−面优化问题,是目前诸多激光里程计采用的方法,但由于缺乏回环检测,LOAM方法在长距离应用中仍然有较大的漂移。Shan Tixiao等[18]基于LOAM方法提出LeGO−LOAM(Light Weight and Ground−optimized LOAM)方法,采用了与LOAM方法同样的特征提取方法,通过深度图像分割剔除地面的干扰。J.Weingartent等[19]和A.J.B.Trevor等[20]均提出构建平面特征进行数据关联,后端分别基于扩展卡尔曼滤波(Extended Kalman Filter,EKF)和图优化构建SLAM。此类方法必须要求环境中有大量可提取的平面,形成稀疏平面特征地图。

    在激光−惯性融合定位建图方面,目前主要分为松耦合和紧耦合2种方式。松耦合通过构建惯性导航独立进行状态传播,利用激光进行观测更新。紧耦合方法近年来逐渐得到关注。Ye Haoyang等[21]提出了一种雷达惯性里程计与建图(Lidar Inertial Odometry and Mapping,LIO−mapping)方法,使用面特征构建相邻帧之间的点−面约束,同时构建IMU预积分约束,基于因子图联合优化所有帧间观测,在特征较多的大场景条件下难以满足实时运行需求。Shan Tixiao等[22]提出了一种基于平滑建图的雷达惯性里程计(Lidar Inertial Odometry via Smoothing and Mapping,LIO−SAM)方法,前端同样采用LOAM进行特征提取,后端利用因子图框架融合IMU,取得了较好的效果。除了优化方案,滤波方法也被用于激光惯性传感器融合中。Qin Chao 等[23]提出的用于鲁棒和高效导航的雷达惯性状态估计器(Lidar−Inertial State Estimator for Robust and Efficient Navigation,LINS)和Xu Wei等[24]提出的快速雷达惯性里程计(Fast Lidar Inertial Odometry, Fast−LIO)系列方法,基于迭代扩展卡尔曼滤波(Iterative Extended Kalman Filter,IEKF)实现激光和IMU紧耦合,在观测更新时采用了类似优化方法的迭代过程,但没有使用历史数据,在复杂场景中的精度和鲁棒性较差。杨林等[25]提出了激光惯性融合SLAM方法,前端利用IEKF设计了激光惯性里程计,通过构建关键帧在后端采用位姿图优化进行联合优化,降低了系统累计误差。

    煤矿井下机器人SLAM是当前研究热点,但针对提高激光SLAM在井下复杂条件下的精度、鲁棒性的研究仍然不足;传统激光SLAM方法在此类环境下存在累计误差迅速增大、旋转过程鲁棒性差、特征关联错误率高等问题;现有激光−惯性融合的定位建图紧耦合融合机制仍需进一步探讨,以期进一步提高激光−惯性融合SLAM方法对煤矿井下复杂环境的适应能力。为此,本文提出了一种煤矿机器人LiDAR/IMU紧耦合SLAM方法(Lidar−Inertial SLAM,LI−SLAM方法)。基于点−线和点−面扫描匹配构建激光相对位姿约束,融合IMU预积分因子约束和回环因子约束,利用因子图优化实现了LiDAR/IMU紧耦合的SLAM。构建了雷达相对位姿因子约束模型,解析推导了雷达相对位姿约束的残差、雅可比和协方差矩阵;基于因子图模型,构建了激光相对位姿约束与IMU预积分约束的紧耦合数据融合机制,提升了对煤矿井下颠簸路面、机器人剧烈旋转等复杂工况的适应能力。该方法可帮助煤矿移动机器人在井下复杂地形与环境工况中实现鲁棒精确的定位建图,为煤矿移动机器人自主导航提供关键技术支撑。

    LI−SLAM框架如图1所示。激光约束构建阶段包括5个步骤:① 雷达数据预处理:利用IMU的短时状态估计传播运动状态,校正时段内采集的雷达线扫运动畸变,进行区域滤波等预处理过程。② 特征提取:提取点云中的边和面特征。③ 关键帧与子图构建:提取关键帧并构建局部子图。④ 特征关联:利用特征关联和扫描匹配计算相对位姿变换。⑤ 雷达相对位姿因子构建:基于帧到子图的扫描匹配建立局部雷达相对位姿因子。完成激光约束构建后,执行激光−惯性紧耦合融合机制:与同时段内惯性预积分因子在滑动窗口中进行联合优化,实现状态估计,利用雷达相对位姿因子限制惯导零偏等参数的漂移,实现紧耦合的联合状态估计,同时利用子图关键帧构建全局地图。迭代执行上述过程,可实现在线激光−惯性紧耦合SLAM。

    图  1  LI−SLAM方法框架
    Figure  1.  Framework of the LI-SLAM method

    定义惯导坐标系B,雷达坐标系L,激光惯性里程计坐标系O。LI−SLAM的因子图模型如图2所示。待估计的变量$ {\boldsymbol{x}}_{{B_i}}^O $是优化窗口内所有的IMU相对于局部坐标系下的位置p、速度v、姿态q、加速度零偏baa为加速度)、角速度零偏bωω为角速度)及从惯导到雷达坐标系间的外参${{\boldsymbol{T}}_{\boldsymbol{B}}^{\boldsymbol{L}}} $。从ii+1,…,j时刻所有的待估计变量$ {\boldsymbol{x}}_{{B_i}}^O $$ \;{\boldsymbol{x}}_{{B_{i + 1}}}^O $,…,$ {\boldsymbol{x}}_{{B_j}}^O $组成的集合为$ \;\chi $

    $$ \chi = \left[ {\begin{array}{*{20}{c}} {{\boldsymbol{x}}{{_{{B_i}}^{O\,{{\rm{T}}}}}}\;\;{\boldsymbol{x}}{{_{{B_{i + 1}}}^{O\,{{\rm{T}}}}}}}& \cdots &{{\boldsymbol{x}}{{_{{B_j}}^{O\,{{\rm{T}}}}}}}&{{\boldsymbol{T}}_B^L} \end{array}} \right] $$ (1)
    图  2  因子图模型
    Figure  2.  Factor graph model

    优化窗中第i时刻对应的状态变量和外参分别表示为

    $$ {\boldsymbol{x}}_{{B_i}}^O = {\left[ {\begin{array}{*{20}{c}} {{\boldsymbol{p}}{{_{{B_i}}^{O\,{{\rm{T}}}}}}}&{{\boldsymbol{v}}{{_{{B_i}}^{O\,{{\rm{T}}}}}}}&{{\boldsymbol{q}}{{_{{B_i}}^{O\,{{\rm{T}}}}}}}&{{\boldsymbol{b}}_{{a_i}}^{\rm{T}}}&{{\boldsymbol{b}}_{{g_i}}^{\rm{T}}} \end{array}} \right]^{\rm{T}}} $$ (2)
    $$ {\boldsymbol{T}}_B^L = {\left[ {\begin{array}{*{20}{c}} {{\boldsymbol{p}}{{_B^{L{{\rm{T}}}}}}}&{{\boldsymbol{q}}{{_B^{L{{\rm{T}}}}}} } \end{array}} \right]^{\rm{T}}} $$ (3)

    采用子图进行扫描匹配过程。在局部优化过程中,仅滑动窗口以内的各类因子参与优化过程,窗口外的状态利用边缘化技术固定。基于因子图模型的优化目标函数为

    $$ {\boldsymbol{\hat \chi }} = \mathop {\arg \min }\limits_{\boldsymbol{\chi }} \left\{ {{\phi _{{\rm{prior}}}}({\boldsymbol{\chi }}) + {\phi _L}({\boldsymbol{\chi }}) + {\phi _B}({\boldsymbol{\chi }})} \right\} $$ (4)

    式中:$ \;{\boldsymbol{\hat \chi }} $为优化求解后观测变量组成的集合;$ {\phi _{{\rm{prior}}}}({\boldsymbol{\chi }}) $为先验项约束;$ {\phi _L}({\boldsymbol{\chi }}) $为雷达相对位姿约束;$ {\phi _B}({\boldsymbol{\chi }}) $为惯性预积分约束。

    点云畸变在机械式激光雷达高速运动问题中是必须解决的问题。现有手段通常基于匀速运动假设,利用线性插值重新部署激光点云的位置。这种方法对于剧烈的非线性运动适应性差。本文使用高频IMU进行状态传播,以恢复每个点的运动。设定第i时刻和第j时刻对应的雷达观测帧为SiSj。对第Si帧与第Sj帧之间的IMU观测进行积分,作为激光扫描匹配的初值。相邻采样时刻间认为加速度和角速度未发生变化,加速度、角速度零偏是固定值。IMU加速度观测值为$ {{\boldsymbol{\hat a}}_t} $,角速度为$ {{\boldsymbol{\hat \omega }}_t} $,从t(t=ii+1,…, j)时刻传播的状态包括位置$ {\boldsymbol{p}}_{{B_j}}^O $、速度$ {\boldsymbol{v}}_{{B_j}}^O $、方向$ {\boldsymbol{q}}_{{B_j}}^O $

    $$ \left\{ \begin{array}{l} \begin{gathered} {\boldsymbol{p}}_{{B_j}}^O = {\boldsymbol{p}}_{{B_i}}^O + \sum\limits_{t = i}^{j - 1} {\left( {{\boldsymbol{v}}_{{B_t}}^W\Delta t + \frac{1}{2}\left( {{\boldsymbol{R}}_t^W({{{\boldsymbol{\hat a}}}_t} - {{\boldsymbol{b}}_{{{\boldsymbol{a}}_t}}}) - {{\boldsymbol{g}}^O}} \right)\Delta {t^2}} \right)} \\ {\boldsymbol{v}}_{{B_j}}^O = {\boldsymbol{v}}_{{B_i}}^O + \sum\limits_{t = i}^{j - 1} {\left( {{\boldsymbol{R}}_t^O({{{\boldsymbol{\hat a}}}_t} - {{\boldsymbol{b}}_{{{\boldsymbol{a}}_t}}}) - {{\boldsymbol{g}}^O}} \right)} \Delta t \\ {\boldsymbol{q}}_{{B_j}}^O = {\boldsymbol{q}}_{{B_j}}^O \otimes \prod\limits_{t = i}^{j - 1} {\left( {\left[ {\begin{array}{*{20}{c}} {\dfrac{1}{2}({{{\boldsymbol{\hat \omega }}}_t} - {{\boldsymbol{b}}_{{{\boldsymbol{\omega}} _t}}})\Delta t} \\ 1 \end{array}} \right]} \right)} \\ \end{gathered} \end{array} \right. $$ (5)

    式中:${{{\boldsymbol{v}}}}_{{B_t}}^W$t时刻世界坐标系下的速度;$ {{\boldsymbol{g}}^O} $为里程计坐标系下的重力加速度;$ {\boldsymbol{R}}_t^W $$ {\boldsymbol{R}}_t^O $t时刻相对于世界坐标系和里程计坐标系的旋转矩阵。

    利用在线估计获得的IMU与雷达之间的外参变换${\boldsymbol{T}}_B^L $,计算当前雷达的位置和速度。以各点时间戳将观测帧Sj通过线性插值重设位置,统一到Sj末端时刻的基坐标系,完成点云畸变的校正。利用区域滤波提取雷达测距有效范围内的点云参与后续特征提取、关键帧建立与状态估计。

    采用LOAM[17]的特征提取方法设计点云粗糙度指标作为线特征和面特征的区分方式。设定某个雷达扫描周期K内点云为PK,点云PK中2个点$ ({P_A},{P_U}) \in {P_K} $,在雷达坐标系下的位置坐标可以表示为$ ({\boldsymbol{X}}_{K,A}^L,{\boldsymbol{X}}_{K,U}^L) $s为点云PK中点PA所在的行中的点组成的连续点集,则点PA所在局部曲面的粗糙度为

    $$ C = \frac{1}{{\left| s \right| \left\| {{\boldsymbol{X}}_{K,A}^L} \right\|}}\left\| {\sum\limits_{U \in s,U \ne A} {({\boldsymbol{X}}_{K,A}^L - {\boldsymbol{X}}_{K,U}^L)} } \right\| $$ (6)

    式中AU为点云中的2个点对应的序号。

    根据以下规则提取特征:① 边缘点:取粗糙度C最大的某些个点排序即为曲率较大的边缘点。② 平面点:取粗糙度C最大的某些个点排序即为曲率较小的平面点。③ 为了使点云特征在雷达坐标系下的各个区域分布尽可能均匀,将每个扫描帧等分为若干区域,每个区域提取2个边点和4个平面点。

    为处理高频激光观测数据,采用关键帧进行特征匹配和雷达约束的构建。预设最小平移距离阈值、最小旋转角度阈值,若达到其中一个条件,则设置当前帧为关键帧。关键帧位姿变化计算公式可以参考文献[13]。

    在前端匹配中,采用帧到子图的方式进行扫描匹配,组合固定数量的关键帧形成子图。设关键帧k的边和面特征集合为 Fek Fhk(e,h分别表示边和面,下同),n个关键帧组成的特征集合为{${{{F}}_{k - n}},{{{F}}_{k - n + 1}} \cdots ,{{{F}}_k}$}$,{{{F}}_k} = {{F}}_{\rm{e}}^k \cup {{F}}_{\rm{h}}^k$。利用各关键帧的变换可以将特征转换到局部里程计坐标系O下。转换后,拼接关键帧,组成局部子图$ {{{M}}_k} $,其中包含变换到里程计坐标系后的边和面两类特征,${{{M}}_k} = \{ {{M}}_k^{\rm{e }}\cup {{M}}_k^{\rm{h}}\}$。采用下采样方法剔除同一个体素栅格中的重复特征,避免冗余的特征匹配。${{M}}_k^{\rm{e}}$${{M}}_k^{\rm{h}}$的下采样精度根据环境特点、计算量按照经验设置,此处设为0.1 m和0.2 m,子图内关键帧数量为n=20。

    新获得的雷达扫描帧${{{F}}_{k + 1}} \left( {{{{F}}_{k + 1}} = {{F}}_{k + 1}^{\rm{e}} \cup {{F}}_{k + 1}^{\rm{h}}} \right)$是基于雷达坐标系,需要将当前帧特征从雷达坐标系L转换到里程计坐标系O下。利用IMU预测的机器人运动状态${{{\overline {\boldsymbol{T}}}}_{k + 1}}$,可以获得转换后的特征集合${{{F}'}_{{{k}} + 1}}$。特征关联即寻找特征集合${{{F}'}_{{{k}} + 1}}$中边缘特征${{F}}_{k + 1}^{{\rm{e}}'}$和面特征${{F}}_{k + 1}^{{\rm{h}}'}$在局部子图${{{M}}_k} = \{ {{M}}_k^{\rm{e}} \cup {{M}}_k^{\rm{h}}\}$中的关联特征。边缘点和平面点的特征关联方法如图3所示。图3(a)中,对于任意边缘特征I,基于kd-tree寻找${{M}}_k^{\rm{e}}$中最近的点A、${{M}}_k^{\rm{e }}$中与A最近且与以上2个点不共线的点U,则(AU)为特征I的关联边特征点。图3(b)中,可以在${{M}}_k^{\rm{h}}$中找到与平面特征I最近的A、${{M}}_k^{\rm{h}}$中与A最近的2个不共线的点VU,即为面特征的关联面特征点(AVU)。

    图  3  2类特征点数据关联方法
    Figure  3.  Data association method for two kinds of features

    至此,构建点到线的距离$ {d_{\rm{e}}} $

    $$ {d_{\rm{e}}} = \frac{{\left| {\left( {{\boldsymbol{X}}_{k + 1,I}^{\rm{e}} - {\boldsymbol{X}}_{k,A}^{\rm{e}}} \right) \times \left( {{\boldsymbol{X}}_{k + 1,I}^{\rm{e}} - {\boldsymbol{X}}_{k,U}^{\rm{e}}} \right)} \right|}}{{\left| {{\boldsymbol{X}}_{k,A}^{\rm{e}} - {\boldsymbol{X}}_{k,U}^{\rm{e}}} \right|}} $$ (7)

    式中:${\boldsymbol{X}}_{k + 1,I}^{\rm{e}}$为关键帧k+1对应的边特征I的坐标;${\boldsymbol{X}}_{k,A}^{\rm{e}}$${\boldsymbol{X}}_{k,U}^{\rm{e}}$为关键帧k对应的面特征AU的坐标。

    构建点到面的距离dh

    $$ {d_{\rm{h}}} = \frac{{\left| {\left( {{\boldsymbol{X}}_{k + 1,I}^{\rm{h}} - {\boldsymbol{X}}_{k,A}^{\rm{h}}} \right) \cdot \left( {{\boldsymbol{X}}_{k,A}^{\rm{h}} - {\boldsymbol{X}}_{k,U}^{\rm{h}}} \right) \times \left( {{\boldsymbol{X}}_{k,A}^{\rm{h}} - {\boldsymbol{X}}_{k,V}^{\rm{h}}} \right)} \right|}}{{\left| {\left( {{\boldsymbol{X}}_{k,A}^{\rm{h}} - {\boldsymbol{X}}_{k,U}^{\rm{h}}} \right) \times \left( {{\boldsymbol{X}}_{k,A}^{\rm{h}} - {\boldsymbol{X}}_{k,V}^{\rm{h}}} \right)} \right|}} $$ (8)

    式中:${\boldsymbol{X}}_{k + 1,I}^{\rm{h}}$为关键帧k+1对应的面特征I的坐标;${\boldsymbol{X}}_{k,A}^{\rm{h}}$${\boldsymbol{X}}_{k,U}^{\rm{h}}$${\boldsymbol{X}}_{k,V}^{\rm{h}}$为关键帧k对应的面特征AUV对应的坐标。

    利用帧与子图中的点到线的距离$ {d_{\rm{e}}} $与点到面的距离dh,可以组成距离矩阵d,基于扫描匹配方法,可以建立以下代价函数$ f\left( {{{{{\overline {\boldsymbol{T}}}}}_{k + 1}}} \right) $来求解帧到子图的最优位姿变换关系$ {{{\overline {\boldsymbol{T}}}}_{k + 1}} $

    $$ \left\{ \begin{array}{l} f\left( {{{{{\overline {\boldsymbol{T}}}}}_{k + 1}}} \right) = {\boldsymbol{d}} \\ {\boldsymbol{d}} = \left[ {\begin{array}{*{20}{c}} {{d_{\rm{e}}}} \\ {{d_{\rm{h}}}} \end{array}} \right] \end{array} \right. $$ (9)

    利用列文伯格马切尔特(LM)方法可以构建以下优化方程来求解帧间位姿的变换:

    $$ \left\{ \begin{array}{l} \min \dfrac{1}{2}\left\| {f({{{{\overline {\boldsymbol{T}}}}}_{k + 1}}) + {\boldsymbol{J}}{{({{{{\overline {\boldsymbol{T}}}}}_{k + 1}})}^{\rm{T}}}\Delta {{{{\overline {\boldsymbol{T}}}}}_{k + 1}}} \right\| \\ {\rm{s.t.}}\;\;{\left\| {{\boldsymbol{D}}\Delta {{{{\overline {\boldsymbol{T}}}}}_{k + 1}} < \mu } \right\|_2} \end{array} \right. $$ (10)

    式中:J为雅可比矩阵,${\boldsymbol{J}} = {{\partial f} \mathord{\left/ {\vphantom {{\partial f} {\partial {{\boldsymbol{T}}_{k + 1}}}}} \right. } {\partial {{\boldsymbol{T}}_{k + 1}}}}$D为系数矩阵;$ \mu $为信赖区域半径。

    迭代推导出最优估计:

    $$ {{\boldsymbol{T}}_{k + 1}} \leftarrow {{\boldsymbol{T}}_{k + 1}} - {\left( {{{\boldsymbol{J}}^{\rm{T}}}{\boldsymbol{J}} + \lambda {\rm{diag}}\left( {{{\boldsymbol{J}}^{\rm{T}}}{\boldsymbol{J}}} \right)} \right)^{ - 1}}{{\boldsymbol{J}}^{\rm{T}}}{\boldsymbol{d}} $$ (11)

    式中$ \lambda $为阻尼因子。

    采用以上列文伯格马切尔特优化方法收敛后可以得到当前位姿估计值${{\boldsymbol{T}}_{k + 1}} = {{{\overline {\boldsymbol{T}}}}_{k + 1}}$。位姿TkTk+1之间的相对位姿变换为

    $$ \Delta {{\boldsymbol{T}}_{k,k + 1}} = {\boldsymbol{T}}_k^{ - 1}{{\boldsymbol{T}}_{k + 1}} $$ (12)

    利用雷达相对位姿构建关键帧位姿之间的约束关系,在滑窗中联合惯性预积分一起参与优化。相邻位姿间的优化目标项为

    $$ {\phi _L}({\boldsymbol{x}}) = \frac{1}{2}\left\| {{r_L}({{\boldsymbol{x}}_i},{{\boldsymbol{x}}_j})} \right\|_{\boldsymbol{\varSigma }}^2 $$ (13)

    式中:x为待优化状态变量;rL为相对位姿因子残差;xixj分别为ij时刻对应的运动状态;${\boldsymbol{ \varSigma }} $为约束不确定度的协方差矩阵,${\boldsymbol{ \varSigma }}\in {\boldsymbol{R}}^{6\text{}\times 6} $R为旋转矩阵。

    由于估计过程是基于IMU坐标系,相对位姿观测需要转换到LiDAR坐标系:

    $$ {\boldsymbol{T}}_{{L_j}}^{{L_i}} = {\boldsymbol{T}}_B^L{\boldsymbol{T}}_{{B_i}}^{{O^{ - 1}}}{\boldsymbol{T}}_{{B_j}}^O{\boldsymbol{T}}_B^{{L^{ - 1}}} $$ (14)

    式中:$ {\boldsymbol{T}}_{{L_j}}^{{L_i}} $为从j时刻变换到i时刻雷达坐标系下的位姿变换矩阵;$ {\boldsymbol{T}}_{{B_i}}^O $$ {\boldsymbol{T}}_{{B_j}}^O $为对应ij时刻IMU坐标系相对于里程计坐标系的位姿变换矩阵。

    i时刻关键帧到j时刻关键帧之间的位姿变换的观测和期望之间的残差可以表示为

    $$ {{{r}}_L}({{{{\boldsymbol{z}}}}}_{{B_j}}^{{B_i}},{\boldsymbol{\chi }}) = {{\overline {\boldsymbol{T}}}}{_{{L_j}}^{{{L_i}}^{ - 1}}}{\boldsymbol{T}}_B^L{\boldsymbol{T}}{_{{B_i}}^{O^{ - 1}}}{\boldsymbol{T}}_{{B_j}}^O{\boldsymbol{T}}{_B^{L^{ - 1}}} $$ (15)

    式中${{{r}}_L}({\boldsymbol{z}}_{{B_j}}^{{B_i}},{\boldsymbol{\chi }})$为雷达坐标系下相对于观测$ {\boldsymbol{z}}_{{B_j}}^{{B_i}} $和待估计变量$ {\boldsymbol{\chi }} $的残差,$ {\boldsymbol{z}}_{{B_j}}^{{B_i}} $为从j时刻到i时刻IMU坐标系下的观测。

    推导可得相对位姿因子残差的旋转部分$ {{\boldsymbol{r}}_{\boldsymbol{\theta }}} $和平移部分${{\boldsymbol{r}}}_{{\boldsymbol{\xi}} }$

    $$ \left\{ \begin{array}{l} {{\boldsymbol{r}}_{\boldsymbol{\theta }}} = {{\overline {\boldsymbol{R}}}}{_{{L_j}}^{{{L_i}}^{ - 1}}}{\boldsymbol{R}}_B^L{\boldsymbol{R}}{_{{B_i}}^{O^{ - 1}}}{\boldsymbol{R}}_{{B_j}}^O{\boldsymbol{R}}{_B^{L^{ - 1}}} \\ {{\boldsymbol{r}}_{\boldsymbol{\xi}} } = {{\overline {\boldsymbol{R}}}}{_{{L_j}}^{{{L_i}}^{ - 1}}}\left[ {{\boldsymbol{R}}_B^L{{\boldsymbol{R}}_{{{B_i}}}^{O^{ - 1}}}\left( {{\boldsymbol{p}}_{{B_j}}^O - {\boldsymbol{p}}_{{B_i}}^O - {\boldsymbol{R}}_{{B_j}}^O{{\boldsymbol{R}}_{B}^{L^{ - 1}}}{\boldsymbol{p}}_B^L} \right) + {\boldsymbol{p}}_B^L - {\boldsymbol{\bar p}}_{{L_j}}^{{L_i}}} \right] \end{array} \right. $$ (16)

    式中:${{\overline {\boldsymbol{R}}}}_{{L_j}}^{{L_i}}$${{\overline {\boldsymbol{p}}}}_{{L_j}}^{{L_i}}$分别为雷达坐标系下从j时刻到i时刻观测的旋转矩阵和平移矩阵;$ {\boldsymbol{R}}_B^L $$ {\boldsymbol{p}}_B^L $分别为从IMU坐标系到雷达坐标系的外参的旋转矩阵和平移矩阵;$ {\boldsymbol{R}}_{{B_i}}^O $$ {\boldsymbol{R}}_{{B_j}}^O $i时刻和j时刻对应的IMU相对于里程计坐标系下的旋转矩阵;$ {\boldsymbol{p}}_{{B_j}}^O $$ {\boldsymbol{p}}_{{B_i}}^O $j时刻和i时刻IMU在里程计坐标系下的平移矩阵。

    (1) 向量空间:平移残差向量在向量空间参数块的雅可比矩阵为

    $$ \left\{ \begin{array}{l} \begin{gathered} \frac{{\partial {{\boldsymbol{r}}_{\boldsymbol{\xi}} }}}{{\partial {\boldsymbol{p}}_{{B_i}}^o}} = - {{\overline {\boldsymbol{R}}}}{_{{L_j}}^{{{L_i}}^{\rm{T}}}}{\boldsymbol{R}}_B^L{\boldsymbol{R}}{_{{B_i}}^{O^{\rm{T}}}} \\ \frac{{\partial {{\boldsymbol{r}}_{\boldsymbol{\xi}} }}}{{\partial {\boldsymbol{p}}_{{B_j}}^o}} = {{\overline {\boldsymbol{R}}}}{_{{L_j}}^{{{L_i}}^{\rm{T}}}}{\boldsymbol{R}}_B^L{\boldsymbol{R}}{_{{B_j}}^{O^{\rm{T}}}} \\ \frac{{\partial {{\boldsymbol{r}}_{\boldsymbol{\xi}} }}}{{\partial {\boldsymbol{p}}_B^L}} = - {{\overline {\boldsymbol{R}}}}{_{{L_j}}^{{{L_i}}^{\rm{T}}}}{\boldsymbol{R}}_B^L{\boldsymbol{R}}{_{{B_i}}^{O^{\rm{T}}}}{\boldsymbol{R}}_{{B_j}}^O{\boldsymbol{R}}{_B^{L^{\rm{T}}}} + {\boldsymbol{\overline R}}{_{{L_j}}^{{{L_i}}^{\rm{T}}}} \\ \end{gathered} \end{array} \right. $$ (17)

    (2) 流形空间:平移与旋转残差向量在流形空间参数块的雅可比为

    $$ \left\{ \begin{array}{l} \begin{split} & \frac{{\partial {{\boldsymbol{r}}_{\boldsymbol{\xi}} }}}{{\partial \delta {\boldsymbol{\theta }}_{{B_i}}^O}} = {{\overline {\boldsymbol{R}}}}{_{{L_j}}^{{{L_i}}^{\rm{T}}}}{\boldsymbol{R}}_B^L{\left\lfloor {{{\boldsymbol{R}}_{{{B_i}}}^{O^{\rm{T}}}}\left( {{\boldsymbol{p}}_{{B_j}}^O - {\boldsymbol{p}}_{{B_i}}^O - {\boldsymbol{R}}_{{B_j}}^O{{\boldsymbol{R}}_{B}^{L^{\rm{T}}}}{\boldsymbol{p}}_B^L} \right)} \right\rfloor _ \times } \\ & \frac{{\partial {{\boldsymbol{r}}_{\boldsymbol{\xi}} }}}{{\partial \delta {\boldsymbol{\theta }}_{{B_j}}^O}} = {{\overline {\boldsymbol{R}}}}{_{{L_j}}^{{{L_i}}^{\rm{T}}}}{\boldsymbol{R}}_B^L{\boldsymbol{R}}{_{{B_i}}^{O^{\rm{T}}}}{\boldsymbol{R}}_{{B_j}}^O{\left\lfloor {{{\boldsymbol{R}}_{B}^{L^{ - 1}}}{\boldsymbol{p}}_B^L} \right\rfloor _ \times } \\ & \frac{{\partial {{\boldsymbol{r}}_{\boldsymbol{\xi}} }}}{{\partial \delta {\boldsymbol{\theta }}_B^L}} = {{\overline {\boldsymbol{R}}}}{_{{L_j}}^{{{L_i}}^{\rm{T}}}}{\boldsymbol{R}}_B^L\left( {{{\left\lfloor {{{\boldsymbol{R}}_{{{B_i}}}^{O^{\rm{T}}}}{\boldsymbol{R}}_{{B_j}}^O{{\boldsymbol{R}}_{B}^{L^{\rm{T}}}}{\boldsymbol{p}}_B^L} \right\rfloor }_ \times } - {{\boldsymbol{R}}_{{{B_i}}}^{O^{\rm{T}}}}{\boldsymbol{R}}_{{B_j}}^O{{\left\lfloor {{{\boldsymbol{R}}_{B}^{L^{\rm{T}}}}{\boldsymbol{p}}_B^L} \right\rfloor }_ \times }} \right) \\ & \frac{{\partial {{\boldsymbol{r}}_\theta }}}{{\partial \delta {\boldsymbol{\theta }}_{{B_i}}^O}} = {{\overline {\boldsymbol{R}}}}{_{{L_j}}^{{{L_i}}^{\rm{T}}}}{\boldsymbol{R}}_B^L{\left\lfloor {{{\boldsymbol{R}}_{{{B_i}}}^{O^{\rm{T}}}}{\boldsymbol{R}}_{{B_j}}^O{{\boldsymbol{R}}_{B}^{L^{\rm{T}}}}} \right\rfloor _ \times } \\ & \frac{{\partial {{\boldsymbol{r}}_\theta }}}{{\partial \delta {\boldsymbol{\theta }}_{{B_j}}^O}} = - {{\overline {\boldsymbol{R}}}}{_{{L_j}}^{{{L_i}}^{\rm{T}}}}{\boldsymbol{R}}_B^L{\boldsymbol{R}}{_{{B_i}}^{O^{\rm{T}}}}{\boldsymbol{R}}_{{B_j}}^O{\left\lfloor {{{\boldsymbol{R}}_{B}^{L^{\rm{T}}}}} \right\rfloor _ \times } \\ & \frac{{\partial {{\boldsymbol{r}}_\theta }}}{{\partial \delta {\boldsymbol{\theta }}_B^L}} = {{\overline {\boldsymbol{R}}}}{_{{L_j}}^{{{L_i}}^{\rm{T}}}}{\boldsymbol{R}}_B^L\left( {{{\boldsymbol{R}}_{{{B_i}}}^{O^{\rm{T}}}}{\boldsymbol{R}}_{{B_j}}^O{{\left\lfloor {{{\boldsymbol{R}}_{B}^{L^{\rm{T}}}}} \right\rfloor }_ \times } - {{\left\lfloor {{{\boldsymbol{R}}_{{{B_i}}}^{O^{\rm{T}}}}{\boldsymbol{R}}_{{B_j}}^O{{\boldsymbol{R}}_{B}^{L^{\rm{T}}}}} \right\rfloor }_ \times }} \right) \end{split} \end{array} \right. $$ (18)

    式中:$ {\boldsymbol{\theta }}_{{B_i}}^O $$ {\boldsymbol{\theta }}_{{B_j}}^O $分别为i时刻和j时刻的旋转矩阵的四元素表示形式;$ {\boldsymbol{\theta }}_B^L $为从IMU坐标系到雷达坐标系的外参旋转部分的四元数表示形式。

    由于前端配准采用了扫描到子图的方法,因此可通过计算所有匹配成功特征点来计算整体扫描匹配的协方差。计算当前扫描帧c的特征点u的坐标$X_u^c $在子图w中对应特征点u的坐标Xuw

    $$ {\boldsymbol{X}}_u^w = {\boldsymbol{R}}{_{{L_c}}^{{{L_w}}^{\rm{T}}}}\left( {{\boldsymbol{X}}_u^c - {\boldsymbol{p}}_{{L_c}}^{{L_w}}} \right) $$ (19)

    式中${\boldsymbol{R}}_{{L_c}}^{{L_w}}$${\boldsymbol{p}}_{{L_c}}^{{L_w}}$为扫描帧c到子图w计算的相对变换。

    所有匹配成功的雷达特征计算的协方差矩阵H

    $$ {\boldsymbol{H}} = \left[ {\begin{array}{*{20}{c}} {{{\left\lfloor {{\boldsymbol{X}}_u^c} \right\rfloor }_ \times }}&{ - {\boldsymbol{R}}_{{L_c}}^{{L_w}}} \end{array}} \right] $$ (20)

    定义噪声矩阵$ {\boldsymbol{\varLambda }} $

    $$ {\boldsymbol{\varLambda }} = \left[ {\begin{array}{*{20}{c}} {2\sigma _x^2}&{}&{} \\ {}&{2\sigma _y^2}&{} \\ {}&{}&{2\sigma _{\textit{z}}^2} \end{array}} \right] $$ (21)

    式中$ {\sigma _x} $$ {\sigma _y} $$ {\sigma _{\textit{z}}} $xyz方向的的噪声西格玛值,受到2个点XuwXuc噪声的影响,参考激光雷达的噪声参数,设置噪声典型值为5 cm。

    协方差矩阵对应的信息矩阵$ {\boldsymbol{\varOmega }} $

    $$ {\boldsymbol{\varOmega }} \leftarrow {\boldsymbol{\varOmega }} + {{\boldsymbol{H}}^{\rm{T}}}{{\boldsymbol{\varLambda }}^{ - 1}}{\boldsymbol{H}} $$ (22)

    利用式(22)从初始时刻的06×6矩阵开始迭代计算信息矩阵,随着运动距离增加,信息矩阵的不确定度逐渐增长。

    IMU预积分作为一种高频惯性观测数据处理方法,在视觉惯性里程计、激光惯性里程计中逐渐得到应用,其核心思想是将相邻关键帧之间的大量惯性观测进行集成,在关键帧的局部惯性坐标系下开始积分,获得独立的相对运动约束,与其他约束联合优化,实现完整的状态估计。预积分原理如图4所示,横坐标代表时间戳。预积分过程就是将关键帧SoSiSj之间的高频IMU观测独立建立为IMU运动约束。本文采用视觉惯性导航系统(Visual Inertial Navigation System,VINS)的预积分方法对IMU进行积分约束,预积分观测方程、残差、雅可比矩阵和协方差矩阵推导参考文献[26]。

    图  4  预积分原理
    Figure  4.  Principle of pre-integration

    回环检测优化对于获得全局一致的地图有很大作用。本文采用文献[13]提出的回环检测方法,通过以下3个步骤实现回环检测与约束构建。

    (1) 里程判断:当新的关键帧建立后,首先搜索因子图并找到与新关键帧位姿在欧氏距离上接近的关键帧。小于设定距离阈值的历史关键帧将被作为回环候选关键帧。

    (2) 形貌相似度判断:利用ICP扫描匹配方法匹配当前关键帧的点云,与回环候选关键帧前后设定的某些帧构成局部子图。利用最近点对的均方根最小距离计算拟合率,与设定阈值比较来确定是否为真实回环关键帧。

    (3) 回环因子构建:利用以上双重判断选择出回环关键帧后,通过式(12)计算相对变换因子,并将相对变换因子添加到全局因子图中。

    为了验证LI−SLAM方法在颠簸路面和复杂场景的精度与鲁棒性,基于轮式移动机器人试验平台在野外开展了试验。机器人搭载VLP−16 LiDAR,MTi−G710 IMU。轮式移动机器人搭载的运算平台配置为i7−8700k,32G内存。基于轮式移动机器人的试验平台和3个试验场地如图5所示。

    图  5  轮式移动机器人试验平台及野外试验场地
    Figure  5.  Wheeled mobile robot test platform and field tests environment

    为了分析LI−SLAM方法的优越性,将其与当前最优的激光算法LOAM方法、LINS方法、LIO−mapping方法进行了对比。几种方法的轨迹对比及其对齐到卫星地图上的结果如图6图8所示。可看出:在所有试验场地中,LI−SLAM方法和LOAM方法的地图一致性最好,与真实路线基本吻合,LI−SLAM方法对旋转有更佳的适应能力。LIO−mapping方法无法实时运行,在0.5倍速下可以获得完整轨迹,但在初始运动阶段出现了较大程度的方向偏移,初始化过程容易失败。LINS方法由于仅利用了最新的观测信息,在复杂地形下出现了漂移。

    图  6  试验场地1中各种方法的运行轨迹
    Figure  6.  Trajectories for different methods in different test scenario 1
    图  7  试验场地2中各种方法的运行轨迹
    Figure  7.  Trajectories for different methods in different test scenario 2
    图  8  试验场地3中各种方法的运行轨迹
    Figure  8.  Trajectories for different methods in different test scenario 3

    不同方法在机器人起点、终点间测量距离与真值的误差见表1,测量距离通过图上的坐标差获得,距离真值可以通过全站仪等测量和计算获得。从表1可看出:LI−SLAM方法在试验场地1、试验场地2中误差最小,在试验场地3中与LOAM方法的误差接近,均明显优于其他方法。

    表  1  不同方法起点、终点间距离与真值的误差
    Table  1.  The distance and truth value error between the starting point and the end point of different methods
    试验场地行程/m时间/s误差/m
    LIO−mapping×0.5LINS
    LOAM
    LI−SLAM
    13368548.8674.8090.233
    21974772.7880.98590.4
    3963143329.21715.90417.204
    下载: 导出CSV 
    | 显示表格

    LI−SLAM方法各个模块耗时的均值和最大值见表2,可看出回环检测模块耗时最长,其次是建图模块。实际应用中,回环检测和地图构建模块本身不需要实时,可以根据环境和需求人为设定。其余模块均满足10 Hz雷达采样频率的实时运行需求。

    表  2  野外试验时LI−SLAM方法中各模块耗时均值与最大值
    Table  2.  The average and maximum time consumption of each module of LI-SLAM method in field tests ms
    模块耗时均值耗时最大值
    去畸变1.8897.466
    特征提取2.65813.332
    回环检测85.820915.839
    地图构建49.322169.238
    优化0.153156.012
    下载: 导出CSV 
    | 显示表格

    在试验场地1中机器人起始和终止位置发生的回环优化前后的效果如图9所示。图9(a)中回环尚未发生,在位置2的树木和道路出现明显的模糊,图9(b)中回环优化后树木辨别更加清晰,获得了全局一致性的地图,证明了回环检测的有效性。

    图  9  回环优化效果
    Figure  9.  Effect of loop optimization

    为了验证LI−SLAM方法在少结构的井底车场等环境的应用效果,采用自主研发的CUMTV−C煤矿救援机器人平台[27]进行了地下车库的模拟试验,如图10所示,在机器人上方水平和倾斜30°各部署1个16线激光雷达,分别用于定位和构建稠密地图。机器人搭载Xsens MTi−G−710 IMU,用于惯性数据测量。

    图  10  地下车库环境及机器人平台
    Figure  10.  Underground garage environment and robot platform

    LI−SLAM方法的建模效果如图11所示,绿色到红色渐变的球形表示机器人的关键帧位姿,球形之间连线为相对位姿约束与回环约束。从图11可看出,LI−SLAM方法具有较好的建模精度,局部精细化程度高。

    图  11  LI−SLAM方法在地下车库建模效果
    Figure  11.  Modeling results of LI−SLAM method in underground garage

    不同方法的运动轨迹如图12所示,由于地面较为平坦,LINS、LOAM、LI−SLAM方法均获得了平滑的运动轨迹,LIO−Mapping方法在初始化时出现了偏移,表明该方法在缺乏足够运动激励时难以获得鲁棒的状态估计。

    图  12  不同方法轨迹对比
    Figure  12.  Comparison of trajectories of different methods

    不同方法起点、终点间距离的误差见表3,可看出LOAM和LI−SLAM方法的误差最小,证明了紧耦合方法可以提升定位精度。

    表  3  不同方法起点、终点间距离的误差
    Table  3.  The distance error between the starting point and the end point of different methods
    行程/m时间/s误差/m
    LIO−mappinsg
    LINS
    LOAM
    LI−SLAM
    168.9549.71.2270.1810.0700.126
    下载: 导出CSV 
    | 显示表格

    LI−SLAM方法各模块耗时均值与最大值见表4,可以看出:去畸变、特征提取、优化模块均可满足10 Hz运行条件,回环检测与地图构建模块无高频运行需求。

    表  4  地下车库试验时LI−SLAM方法中各模块耗时均值与最大值
    Table  4.  The average and maximum time consumption of each module in LI-SLAM method in underground garage tests ms
    模块耗时均值耗时最大值
    去畸变2.31910.885
    特征提取3.3809.034
    回环检测44.092359.736
    地图构建28.115171.516
    优化0.07879.906
    下载: 导出CSV 
    | 显示表格

    2020年11月2日,在晋能控股山西煤业股份有限公司塔山煤矿开展了煤矿救援机器人工业性验证试验,如图13所示。采用自主研发的CUMTV−C煤矿救援机器人平台进行试验[27],机器人实时运行LI−SLAM方法,通过无线信号传输(带宽大于120 Mbit/s)实时显示构建的地图,用于人员遥控和自主导航。

    图  13  煤矿井下现场试验
    Figure  13.  Field tests in underground coal mine

    机器人在行走过程遇到了各类复杂工况,包括大量水汽、斜坡、岔口、颠簸路面等,如图14所示。搭载LI−SLAM方法的煤矿救援机器人在各类地形环境中均可稳定运行,说明LI−SLAM方法满足鲁棒性、实时性需求。

    图  14  机器人在井下各类复杂环境中运行情况
    Figure  14.  Running process of the robot in several complex environment in underground coal mine

    LI−SLAM方法实际运行中的一组建模结果如图15所示。机器人行驶巷道直线距离为273 m,将地图上的距离作为测量值,利用全站仪测量获得人工标志点的定位结果之间的距离作为真值进行对比,分析30组距离结果表明,平均误差小于15 cm,具有较高的定位和建模精度,基本满足煤矿移动机器人的定位建模精度需求。

    图  15  煤矿井下建模效果
    Figure  15.  Modeling results in underground coal mine

    (1) 提出了一种基于因子图优化框架的LiDAR和IMU紧耦合SLAM(LI−SLAM)方法,基于点−线和点−面扫描匹配构建激光相对位姿约束,融合IMU预积分因子约束和回环因子约束,利用因子图优化实现了LiDAR/IMU紧耦合的SLAM。

    (2) 详细分析了激光约束的构建过程,设计了点云去畸变、特征提取、关键帧与子图构建、特征关联策略,解析推导了雷达相对位姿因子的残差、雅可比与协方差矩阵。

    (3) 设计了雷达相对位姿因子、惯性预积分因子、回环检测因子的代价函数,构建了激光惯性里程计因子图紧耦合模型,并设计了无约束优化目标函数。

    (4) 在野外颠簸路面、地下车库进行了大量测试,在真实煤矿井下现场进行了工业性试验。结果表明:与LOAM方法、LINS方法、LIO−mapping方法相比,LI−SLAM方法在精度、鲁棒性方面表现更佳,对于颠簸、少结构、水汽等复杂煤矿井下环境的移动机器人精确定位与地图构建有更好的适用性,具有较高的定位和建模精度,基本满足煤矿移动机器人的定位与建模精度需求,对井下各类移动机器人的定位建图与自主导航具有较强的指导意义和参考价值。

  • 图  1   震动波的传播

    Figure  1.   Propagation of shock waves

    图  2   最大空隙角

    Figure  2.   Maximum gap angle

    图  3   震源深度求解误差与近台震中距的关系

    Figure  3.   The relationship between the epicenter depth solution error and the near-station epicenter distance

    图  4   台站高差对震源深度求解精度的影响

    Figure  4.   Influence of height difference between stations on the accuracy of epicenter depth solution

    图  5   台网监测能力分级评价与优化流程

    Figure  5.   Grading evaluation and optimization process of network monitoring capability

    图  6   微震台网布置方案

    Figure  6.   Microseismic network layout plan

    图  7   有效波形数云图

    Figure  7.   Cloud map of effective waveform number

    图  8   最大空隙角云图

    Figure  8.   Cloud map of maximum gap angle

    图  9   近台震中距等值线

    Figure  9.   Contour line of near-station epicenter distance

    图  10   震源定位误差等值线

    Figure  10.   Contour line of hypocenter positioning error

    图  11   区域灵敏度等值线

    Figure  11.   Contour line of area sensitivity

    图  12   典型爆破波形

    Figure  12.   Typical blasting waveforms

    图  13   震源定位误差区间分布

    Figure  13.   The distribution of hypocenter positioning error interval

    表  1   2种情况下的台站坐标

    Table  1   Station coordinates in 2 cases m

    台站编号台站无高差台站高差合理
    xiyizixiyizi
    1470450−600470450−500
    2770450−600770450−550
    31070450−6001070450−600
    41370550−6001370550−650
    51070650−6001070650−700
    6770650−600770650−560
    7470650−600470650−620
    下载: 导出CSV

    表  2   台网监测能力分级评价结论与改进措施

    Table  2   Classification evaluation conclusions and improvement measures of network monitoring capability

    研究项评价结论改进措施
    有效波形数台站数少增加3个台站
    最大空隙角单侧布置工作面后方增加S7,S8
    近台震中距低值区小工作面前方增加S6
    台站高差需要扩大S7,S8位于630轨道大巷内
    下载: 导出CSV

    表  3   优化前后台站坐标

    Table  3   Station coordinates before and after optimization m

    阶段台站xiyizi
    优化前T1394527673921063−901
    T2394529113920964−891
    T3394527433920849−903
    S4394527503920312−958
    S5394531163920053−964
    优化后T1394527673921063−901
    T2394530373920889−888
    T3394527433920849−903
    S4394527503920312−958
    S5394531163920053−964
    S6394530763920616−889
    S7394521233920745−958
    S8394516133921114−949
    下载: 导出CSV

    表  4   震源定位误差对比

    Table  4   Comparison of hypocenter positioning error

    对比项误差
    均值/m
    误差
    标准差/m
    误差
    最大值/m
    误差≤50 m
    事件占比/%
    优化前59.238.717545.5
    优化后37.223.29669.0
    改进度/%37.240.145.151.6
    下载: 导出CSV
  • [1] 姜福兴,杨淑华,成云海,等. 煤矿冲击地压的微地震监测研究[J]. 地球物理学报,2006,49(5):1511-1516. DOI: 10.3321/j.issn:0001-5733.2006.05.032

    JIANG Fuxing,YANG Shuhua,CHENG Yunhai,et al. A study on microseismic monitoring of rock burst in coal mine[J]. Chinese Journal of Geophysics,2006,49(5):1511-1516. DOI: 10.3321/j.issn:0001-5733.2006.05.032

    [2] 徐奴文,唐春安,沙椿,等. 锦屏一级水电站左岸边坡微震监测系统及其工程应用[J]. 岩石力学与工程学报,2010,29(5):915-925.

    XU Nuwen,TANG Chun'an,SHA Chun,et al. Microseismic monitoring system establishment and its engineering applications to left bank slope of Jinping I Hydropower Station[J]. Chinese Journal of Rock Mechanics and Engineering,2010,29(5):915-925.

    [3] 巩思园,窦林名,曹安业,等. 煤矿微震监测台网优化布设研究[J]. 地球物理学报,2010,53(2):457-465. DOI: 10.3969/j.issn.0001-5733.2010.02.025

    GONG Siyuan,DOU Linming,CAO Anye,et al. Study on optimal configuration of seismological observation network for coal mine[J]. Chinese Journal of Geophysics,2010,53(2):457-465. DOI: 10.3969/j.issn.0001-5733.2010.02.025

    [4] 唐礼忠,杨承祥,潘长良. 大规模深井开采微震监测系统站网布置优化[J]. 岩石力学与工程学报,2006,25(10):2036-2042. DOI: 10.3321/j.issn:1000-6915.2006.10.014

    TANG Lizhong,YANG Chengxiang,PAN Changliang. Optimization of microseismic monitoring network for large-scale deep well mining[J]. Chinese Journal of Rock Mechanics and Engineering,2006,25(10):2036-2042. DOI: 10.3321/j.issn:1000-6915.2006.10.014

    [5] 邱宇,蒋长胜,司政亚. 地震监测台网优化布局技术方法综述[J]. 地球物理学进展,2020,35(3):866-873. DOI: 10.6038/pg2020DD0069

    QIU Yu,JIANG Changsheng,SI Zhengya. Summary of technical methods for optimizing layout of seismic monitoring network[J]. Progress in Geophysics,2020,35(3):866-873. DOI: 10.6038/pg2020DD0069

    [6] 李楠,王恩元,李保林,等. 传感器台网布设对震源定位的影响规律及机制研究[J]. 中国矿业大学学报,2017,46(2):229-236.

    LI Nan,WANG Enyuan,LI Baolin,et al. Research on the influence law and mechanisms of sensors network layouts for the source location[J]. Journal of China University of Mining & Technology,2017,46(2):229-236.

    [7] 曹英莉,刘玉桥,邓红卫. 矿山微震监测台网多目标优化决策模型研究及应用[J]. 矿业研究与开发,2021,41(11):34-43.

    CAO Yingli,LIU Yuqiao,DENG Hongwei. Research and application on multi-objective optimization decision model for mine microseismic monitoring network[J]. Mining Research and Development,2021,41(11):34-43.

    [8] 崔宇,李夕兵,董陇军,等. 玲珑金矿微震监测台网布设优化[J]. 黄金科学技术,2019,27(3):417-424.

    CUI Yu,LI Xibing,DONG Longjun,et al. Optimization of micro-seismic monitoring network layout in Linglong Gold Mine[J]. Gold Science and Technology,2019,27(3):417-424.

    [9] 梁姗姗,邹立晔,赵博,等. 中国测震台网地震监测能力初步分析[J]. 地震地磁观测与研究,2021,42(6):68-75. DOI: 10.3969/j.issn.1003-3246.2021.06.010

    LIANG Shanshan,ZOU Liye,ZHAO Bo,et al. Preliminary analysis of seismic monitoring capability of China Seismic Network[J]. Seismological and Geomagnetic Observation and Research,2021,42(6):68-75. DOI: 10.3969/j.issn.1003-3246.2021.06.010

    [10] 胡先明,邵玉平. 水库地震台网监测能力计算方法−基于G−R关系式[J]. 地震地质,2010,32(4):647-655. DOI: 10.3969/j.issn.0253-4967.2010.04.012

    HU Xianming,SHAO Yuping. Calculation method of monitoring capability of reservoir seismic network:based on G-R relationship[J]. Seismology and Geology,2010,32(4):647-655. DOI: 10.3969/j.issn.0253-4967.2010.04.012

    [11] 徐刚,陈法兵,张振金,等. 井上下微震联合监测震源垂直定位精度优化研究[J]. 煤炭科学技术,2020,48(2):80-88.

    XU Gang,CHEN Fabing,ZHANG Zhenjin,et al. Study on optimization of vertical location accuracy of seismic source based on joint monitoring of surface and underground micro-seismic monitoring[J]. Coal Science and Technology,2020,48(2):80-88.

    [12] 蔡永顺,张龙,张达,等. 基于Sigma−Optimal方法的微震监测台网设计及优化[J]. 有色金属(矿山部分),2019,71(1):79-84. DOI: 10.3969/j.issn.1671-4172.2019.01.016

    CAI Yongshun,ZHANG Long,ZHANG Da,et al. Design and optimization of microseismic monitoring network based on Sigma-Optimal method[J]. Nonferrous Metals(Mining Section),2019,71(1):79-84. DOI: 10.3969/j.issn.1671-4172.2019.01.016

    [13] 陈法兵. 矿山微震定位子台网的分布对定位精度的影响[J]. 煤矿开采,2016,21(4):107-114.

    CHEN Fabing. Influence of mine microseism location sub network distribution to positioning precision[J]. Coal Mining Technology,2016,21(4):107-114.

  • 期刊类型引用(12)

    1. 赵亚东,马腾飞,思旺斗,王猛. 煤矿井下移动机器人同步定位关键技术研究. 煤矿机械. 2024(02): 48-51 . 百度学术
    2. 司垒,王忠宾,魏东,顾进恒,闫海峰,谭超,朱远胜. 基于IMU-LiDAR紧耦合的煤矿防冲钻孔机器人定位导航方法. 煤炭学报. 2024(04): 2179-2194 . 百度学术
    3. 高毅楠,姚顽强,蔺小虎,郑俊良,马柏林,冯玮,高康洲. 煤矿井下多重约束的视觉SLAM关键帧选取方法. 煤炭学报. 2024(S1): 472-482 . 百度学术
    4. 刘敬东,李旭,于凤启,苟丙荣,贺国庆,巩泽文. 激光SLAM技术在巷道精细建模的应用研究. 煤矿机械. 2024(10): 199-202 . 百度学术
    5. 黄晨烜,常健,王雷. 基于激光雷达的井下带式输送机边缘提取方法. 工矿自动化. 2024(09): 115-123 . 本站查看
    6. 胡青松,李敬雯,张元生,李世银,孙彦景. 面向矿井无人驾驶的IMU与激光雷达融合SLAM技术. 工矿自动化. 2024(10): 21-28 . 本站查看
    7. 崔邵云,鲍久圣,胡德平,袁晓明,张可琨,阴妍,王茂森,朱晨钟. SLAM技术及其在矿山无人驾驶领域的研究现状与发展趋势. 工矿自动化. 2024(10): 38-52 . 本站查看
    8. 马亮,高亮,廉博翔,张琦,蔺小虎,姜之跃. 基于已知点约束的高精度煤矿巷道三维点云建模方法. 工矿自动化. 2024(11): 78-83+151 . 本站查看
    9. 夏建超,周亮亮,陈仁. 恶劣环境下钢包脱挂钩状态自动识别技术研究. 重型机械. 2023(04): 62-67 . 百度学术
    10. 高海跃,王凯,王保兵,王丹丹. 基于全局点云地图的煤矿井下无人机定位方法. 工矿自动化. 2023(08): 81-87+133 . 本站查看
    11. 程健,李昊,马昆,刘斌,孙大智,马永壮,殷罡,王广福,李和平. 矿井视觉计算体系架构与关键技术. 煤炭科学技术. 2023(09): 202-218 . 百度学术
    12. 李少安,刘欣,郭长鑫,王博,丁浩然,李晓健. 基于激光雷达自主定位导航的多功能机器人. 无线互联科技. 2023(17): 54-57 . 百度学术

    其他类型引用(6)

图(13)  /  表(4)
计量
  • 文章访问数:  258
  • HTML全文浏览量:  31
  • PDF下载量:  37
  • 被引次数: 18
出版历程
  • 收稿日期:  2022-02-23
  • 修回日期:  2022-07-08
  • 网络出版日期:  2022-04-13
  • 刊出日期:  2022-08-08

目录

/

返回文章
返回