3D map construction of coal mine roadway mobile robot based on integrated factor graph optimization
-
摘要: 煤矿井下移动机器人作业精度严重依赖于同步定位与建图 (SLAM) 技术的准确性。井下长直巷道存在特征缺失、光照条件差等问题，导致激光里程计和视觉里程计易失效，因而限制了传统SLAM方法在煤矿巷道的有效应用，且目前SLAM方法的研究主要聚焦于多传感融合建图方法，较少关注激光 SLAM 方法建图精度的提升。针对上述问题，面向移动机器人在煤矿巷道的建图需求，提出了一种基于集成式因子图优化的煤矿巷道移动机器人三维地图构建方法，采用前端构建和后端优化的策略，设计了前端点云配准模块和基于滤波、图优化的后端构建方法，使建图结果更准确、适应性更强。针对煤矿长直巷道环境退化导致三维激光点云配准精度低的问题，融合迭代最近点 (ICP) 和正态分布变换 (NDT)算法，兼顾点云几何特征和概率分布特征，设计了集成式前端点云配准模块，实现了点云的精确配准。针对三维激光 SLAM 后端优化问题，研究了基于位姿图和因子图优化的后端构建方法，构建了集成 ICP和NDT 相对位姿因子的因子图优化模型，以准确估计移动机器人位姿。分别利用公开数据集 KITTI和模拟巷道点云数据集对三维地图构建方法在不同工况下的性能进行了实验验证。公开数据集 KITTI上的实验结果表明：在全局一致性上，该方法与传统基于特征点匹配的A−LOAM方法和基于平面分割及特征点提取的LeGO−LOAM方法具有相似的性能，在建图局部精度上优于其他2种方法。模拟巷道点云数据集上的实验结果表明：该方法具有显著优势，通过因子图优化，可得到一致性较高的三维地图，提升了煤矿巷道三维地图构建的精度及鲁棒性，解决了井下长直巷道特征点缺失、激光里程计失效的难题。Abstract: The working precision of mobile robots in coal mines seriously depends on the accuracy of simultaneous localization and mapping (SLAM) technology. There are some problems such as feature missing and poor lighting conditions in long and straight underground roadway. The problems lead to the failure of the laser odometer and visual odometer. The result limits the effective application of traditional SLAM method in coal mine roadway. At present, the research of the SLAM method mainly focuses on the multi-sensor fusion mapping method. There is a lack of research on the improvement of the mapping precision of the laser SLAM method. In order to solve the above problems, facing the mapping requirements of mobile robot in coal mine roadway, a 3D map construction method of coal mine roadway mobile robot based on integrated factor graph optimization is proposed. The method adopts the strategy of front-end construction and back-end optimization. The method designs a front-end point cloud registration module and a back-end construction method based on filtering and graph optimization. Therefore, the mapping result is more accurate and adaptable. The environmental degradation in coal mine long and straight roadway leads to the low registration precision of 3D laser point cloud. In order to solve the above problem, integrating iterative closest point (ICP) and normal-distributions transform (NDT) algorithms, taking into account the geometric characteristics and probability distribution characteristics of point clouds, an integrated front-end point cloud registration module is designed, which realizes the accurate registration of point clouds. Inview of the back-end optimization problem of 3D laser SLAM, the back-end construction method based on pose map and factor map optimization is studied. The factor map optimization model integrating ICP and NDT relative pose factors is constructed to accurately estimate the pose of the mobile robot. The performance of the proposed method of 3D map construction under different working conditions is verified by using the open dataset KITTI and the simulated roadway point cloud dataset. The experimental results on the open dataset KITTI show the following points. In terms of global consistency, this method has similar performance with the traditional A-LOAM method based on feature point matching and the LeGO-LOAM method based on plane segmentation and feature point extraction. It is superior to the other two methods in the local precision of mapping. The experimental results on the simulated roadway point cloud dataset show the following points. This method has significant advantages, through factor map optimization, a 3D map with high consistency can be obtained. The precision and robustness of 3D map construction of coal mine roadway are improved. The problems of the feature point missing and laser odometer failure in long straight underground roadway are solved.
-
0. 引言
随着5G、物联网、互联网、大数据、云计算、边缘计算等技术的发展和逐步成熟，智慧矿山的建设开始进入快车道。先进的信息化技术是矿山实现数字化、智能化的基础，5G低时延、大带宽和广覆盖的特点，可有效解决矿山智能化过程中面临的大量传感信息回传、远程控制等问题。然而，矿山环境与公网的5G建设部署场景存在显著差异，矿井现场设备回传的上行带宽需求显著、大带宽需求与低时延高可靠需求共存，井工矿井下无线信号衰减严重、覆盖受限等，都对智慧矿山5G建设提出了更高需求。
近年来，业界学者聚焦矿山5G技术展开了研究。孙继平[1]系统研究了矿用5G技术特性、适用范围和智能化应用场景，提出了矿用5G的总体要求和建设方向。郑小磊等[2]研究了煤矿5G通信系统安全技术要求和检验方法，对煤矿5G安标技术的具体要求和测试方法进行了系统介绍。张立亚[3]研究了矿山场景中基于5G的可视化智能监控技术，分析了5G用于视频监控的传输需求。刘雨燕等[4]研究了5G通信对智慧矿山建设的主要支撑作用。顾义东[5]研究了5G技术在煤矿掘进工作面运输系统中的应用，提出了5G用于智能掘进的传输需求。上述成果主要针对矿用5G的宏观技术发展方向、测试方法和特定应用场景展开研究，缺乏对智慧矿山5G各类应用场景特点的全面梳理。
本文针对智慧矿山建设的主要业务需求进行全面梳理，分析智慧矿山应用场景对通信网络的指标要求，结合矿山5G建设的环境特点，研究智慧矿山5G网络架构、智慧矿山5G关键技术及5G网络资源优化配置方法，确保5G网络对智慧矿山应用场景的全面支撑。
1. 智慧矿山5G应用场景及应用环境特点
1.1 智慧矿山5G应用场景
智慧矿山5G主要承载传感器监测、视频监控、远程控制及自动驾驶等高等级智能化应用的信息传输。
（1） 传感器信息回传需求。利用5G技术的广覆盖特性，对实时监测矿山井下瓦斯、温度、湿度等环境类传感器[6-8]的数据进行采集，并通过5G网络回传至地面数据中心进行实时分析。
（2） 视频信息采集和回传需求。基于5G技术大带宽特性，对部署在井下采、掘、运及机电硐室等关键地点的视频监视数据进行采集和汇聚[9-11]，并通过5G网络实时回传至地面监控中心或井下集控中心进行实时分析。
（3） 实时控制信息交互需求。利用5G技术低时延特性，保证矿山通风、排水、电力等控制信息实时交互，以实现精准及时的控制和调整[12-14]。对部分大型设备进行智能化改造，逐步实现远程控制。
（4） 自动驾驶信息采集和回传需求。井下无人驾驶对矿井无线网络的需求极高，5G技术为井下通信网络提供充足的带宽、低时延及精确定位能力。在正常行驶过程中，5G技术将传感器数据和视频数据进行实时回传，当自动驾驶出现问题时，能随时通过远程人工方式进行接管[15-16]。
1.2 智慧矿山5G应用环境特点
由于矿山环境与公网的5G建设部署环境存在差异，智慧矿山5G与公网5G建设的技术要求存在明显不同，具体体现在以下3个方面：
（1） 系统架构方面。《煤矿5G通信系统安全技术要求（试行）》规定，5G系统应能实现独立组网、独立运行，在外部网络故障或断开时，系统应能安全、独立、稳定运行，保证无线通信及数据传输可靠、稳定；应满足井上下安全隔离的相关规定。需要有针对性地构建矿山5G专用系统架构。
（2） 设备接入特点方面。矿井传感器、视频监控设备部署的覆盖面广、设备数量多、传输数据量大，导致矿井上行传输速率需求显著、上行无线传输资源需求高于下行无线传输资源需求，而公众电信网络则以下行传输为主。因此，针对矿山环境5G应用，需要研究上行传输能力增强技术。
（3） 传输业务需求方面。智慧矿山5G承载的业务类型多，上行传输的大带宽需求和下行传输的低时延需求共存，多业务并行传输需要同时满足不同业务、不同链路的差异化传输需求，对承载网和无线网的网络调度能力均提出更高要求。
2. 矿山5G网络架构
矿山5G网络架构采用核心网+承载网+接入网的总体架构，如图1所示。
矿山5G核心网利用专网通信平台进行用户数据计算和管理，将用户面功能（User Plane Function，UPF）单元和多接入边缘计算(Multi-acess Edge Computing，MEC)单元下沉至矿区，实现矿山5G独立组网、独立运行功能，并支持低时延传输。核心网的业务管理功能（Service Management Function，SMF）用于实现传输业务管理。核心网通过与承载网的智能传输网（Smart Transport Network，STN）设备对接，控制数据在内网/外网的流向。矿山5G终端在5G网络注册后，核心网根据接入点的数据网络名称（Data Network Name，DNN）和无线基站归属，确定下沉的UPF，用户面数据经过基站和STN设备，之后回传到下沉的UPF，进而通往矿山数据中心的防火墙，再接入内网。矿山5G 承载网用于实现井上下数据交换，其核心交换机设备集成信息安全模块进行数据安全审计监测和传输控制，实现井上下数据安全隔离；承载网的STN设备采用网络切片和QoS（Quality of Service，服务质量）管理模块，对不同业务进行信道划分和隔离，实现多业务共存信道隔离，保障传输性能。矿山5G接入网采用基站控制器+基站汇集器+基站+终端的方式，实现井下5G信号分区、按需覆盖。基站与终端之间的空中接口通过载波聚合技术为上行大带宽传输提供更多资源。针对不同传输需求指标，采用不同的空口资源调度机制，同时保障下行低时延传输和上行大带宽传输性能。
3. 矿山5G关键技术与应用
为满足矿山5G的多样化应用场景、上行大带宽传输和增强覆盖需求，对网络切片及QoS机制、灵活空口资源调度机制和载波聚合等关键技术进行研究，支持矿山5G有效应用。矿用5G关键技术及承载应用的关系见表1。
表 1 矿用5G关键技术与承载应用的关系Table 1. Relationship between key technologies and carrying application of mine 5G关键技术 传感器类
应用视频类
应用实时控制类
应用自动驾驶类
应用网络切片及
QoS机制支撑技术 支撑技术 支撑技术 支撑技术 灵活空口资源
调度机制基于配置预
留资源承载基于请求调
度方式承载基于配置预
留资源承载基于请求调
度方式承载载波聚合 − 支撑技术 − − 3.1 网络切片及QoS机制
网络切片技术及QoS机制是5G 承载网关键技术，共同实现在同一网络中不同业务数据需求。QoS机制为不同业务定义具体的传输参数指标。网络切片技术是将同一物理网络系统划分为不同的逻辑单元，多个逻辑单元独立组成虚拟网络，即网络切片。每个网络切片都可被视为一个独立的网络，能够承载对应的QoS指标。当传输具体业务时， 网络切片按照传输业务的QoS指标，将业务数据映射到不同的切片资源上进行传输，按照不同业务需求进行资源配置。根据对矿山业务的需求分析，将矿山5G网络划分为传感器切片、视频回传类切片、实时控制类切片、远程控制类切片4种。传感器切片对应瓦斯、温度、湿度等环境传感器，属于小带宽、广覆盖通用切片。视频回传类切片对应矿区、园区、巷道、工作面等视频监控信息回传场景，属于大带宽通用切片。实时控制类切片对应通风、排水、机电控制及其他实时控制类场景，属于低时延、小带宽切片。远程控制类切片对应自动驾驶、远程驾驶、远程控制类场景，属于大带宽、低时延切片。其中，低时延切片的数据必须通过下沉UPF，从而保障信息传送和控制时延。对于非低时延类切片，可通过公网回传至园区数据中心。对于各类切片的具体实现，需要在承载网中设计网络切片和QoS指标管理模块，实现切片资源与QoS指标映射，保障业务传输性能。
3.2 灵活空口资源调度机制
针对接入网空口无线传输需求，设计灵活的空口资源调度机制。灵活的空口资源调度机制能够根据不同业务传输数据包的特点，灵活使用不同的空口资源调度方法，确保矿山5G多样化业务传输需求得到全面满足。
根据典型业务传输的数据包特点，大带宽业务以大包传输为主，时延要求不高，适合采用资源请求−业务缓存报告资源分配−业务缓存−数据传输资源分配的空口资源调度方式，该方式流程较为复杂，但能够实现空口资源按需调度，保证带宽。而低时延高可靠业务则主要传输控制类信息，数据包以小包为主，数据量较小但时延要求极高，适合采用无线资源块资源预留方式，即针对低时延业务（如矿山远程控制类切片和实时控制类业务），直接采用预留的专用空口资源（如30%的空口资源）进行传输，达到降低时延的效果。
3.3 载波聚合技术
由于矿山业务的种类和需求较多，且存在大量的视频类大带宽数据需要上传，当单一频段无法满足上行传输需求时，通过载波聚合技术，将多个连续或非连续的载波聚合成更大的带宽，为矿用5G传输引入更多的传输资源，有效支撑矿山5G的大带宽传输需求。
3.5 GHz频段是目前全球5G部署的主流频段，单载波最大带宽为100 MHz，能够提供较高的传输速率。但智慧矿山5G应用场景对上行传输带宽需求显著，3.5 GHz单频段难以确保传输需求得到全面满足。采用载波聚合技术可在使用3.5 GHz载波进行传输的同时，额外聚合2.1 GHz的载波（载波带宽可为20，50 MHz），从而拥有更多传输资源，同时根据频率越低则覆盖距离越大的基本原理，可实现增强覆盖。载波聚合技术下2.1，3.5 GHz频段的主要配置参数见表2和表3。
表 2 载波聚合频段上行主要配置参数Table 2. Main uplink configuration parameters of the carrier aggregation frequency band参数 2.1 GHz 3.5 GHz 信道带宽/MHz 20 50 100 时隙配置 FDD FDD 23∶45（按需配置） 基站噪声系数/dB 2.5 2.5 3.5 上行干扰余量/dB 3 3 2 穿透损耗/dB 20 20 23.4 边缘覆盖率/% 75 75 75 传播模型 3GPP UMa 3GPP UMa 3GPP UMa 表 3 载波聚合频段下行主要配置参数Table 3. Main downlink configuration parameters of the carrier aggregation frequency band参数 2.1 GHz 3.5 GHz 信道带宽/MHz 20 50 100 时隙配置 FDD FDD 23∶45（按需配置） 终端噪声系数/dB 7 7 7 终端接收增益 0 0 3 下行干扰余量/dB 7 5 5 穿透损耗/dB 20 20 23.4 边缘覆盖率/% 75 75 75 传播模型 3GPP UMa 3GPP UMa 3GPP UMa 载波聚合终端支持主载波（3.5 GHz）和辅载波，基站通过配置主载波上的MAC（Media Access Control，媒体接入控制层）和RRC（Radio Resource Control，无线资源控制层）参数，实现SCell（Secondary Cell，辅小区）状态配置，从而实现辅载波激活或释放。SCell的状态包含SCell配置未激活、SCell 配置且激活、SCell 未配置3种状态。终端初始接入、切换入或重建入小区时会触发SCell的配置，如果需要使用辅载波，则申请激活SCell，进入配置且激活状态，否则SCell处于配置未激活状态。当不再需要SCell或测量到信号质量更好的SCell，则申请激活当前的SCell，从而释放辅载波或变更到信号质量更好的辅载波。SCell状态转移如图2所示。
![]()
图 2 载波聚合机制SCell状态转换Figure 2. Secondary cell state transition in carrier aggregation mechanism4. 结论
（1） 归纳了智慧矿山5G应用场景类型，梳理了主要应用场景的通信需求，指出传感器信息回传类应用具有广覆盖需求、视频信息采集和回传类应用具有上行大带宽传输需求、实时控制信息交互类应用具有下行低时延传输需求、自动驾驶信息采集和回传类应用具有上行大带宽和下行低时延共存的差异化传输需求。
（2） 分析了智慧矿山5G应用的环境特点和技术要求，提出了核心网+承接网+接入网的矿用5G网络总体架构。该5G网络总体架构的核心网通过UPF和MEC下沉，支持矿山5G需要独立组网、独立运行的建设要求，井下部署基站控制器+基站汇集器+基站+终端，实现5G信号分区、按需覆盖。
（3） 研究了矿山5G关键技术方案。① 网络切片与QoS机制，能够实现传输网不同应用的按需资源分配，满足差异化传输需求。② 灵活的空口资源调度机制能够根据不同业务传输数据包的特点，灵活使用不同的空口资源调度方法，确保矿山5G多样化业务传输需求得到全面满足。③ 载波聚合技术可在单一频段无法满足上行传输需求时，将多个连续或非连续的载波聚合成更大的带宽，为矿用5G传输引入更多的传输资源，有效支撑矿山5G的大带宽传输需求。
-
![]()
图 7 INE−SLAM方法在模拟巷道的建图效果
Figure 7. Mapping effect of ICP and NDT ensemble SLAM in simulated roadway
![]()
图 8 LeGO−LOAM 方法在模拟巷道的建图结果
Figure 8. Mapping result of lightweight and ground-optimized LOAM in simulated roadway
![]()
图 10 巷道收窄部分INE−SLAM 方法的建图细节
Figure 10. Mapping details of ICP and NDT ensemble SLAM in narrowing roadway
表 1 APE对比
Table 1 Absolute pose error comparison
序列 方法 APE/m 最大值 平均值 中位数 最小值 均方根误差 和方差 标准偏差 A−LOAM 7.708074 2.014421 1.705119 0.291645 2.465952 27558.715930 1.422330 00 LeGO−LOAM 8.557403 4.429299 4.409769 0.351308 4.866022 107309.456000 2.014814 INE−SLAM 17.083902 7.400451 7.140376 0.808981 8.020236 291517.204500 3.091523 A−LOAM 35.109976 16.999973 18.074131 0.728562 18.893051 391928.228800 8.243076 01 LeGO−LOAM 290.476267 201.358024 224.237243 113.022321 210.274942 48548675.320000 60.584632 INE−SLAM 297.638420 203.560376 226.902531 112.478793 212.970114 49801183.740000 62.605453 A−LOAM 8.140921 1.971348 1.592937 0.228409 2.373178 15527.353030 1.321272 05 LeGO−LOAM 9.238267 2.139186 1.827800 0.482764 2.519107 17495.642090 1.330332 INE−SLAM 8.649879 2.256443 1.996284 0.472615 2.514627 17433.470720 1.109870 A−LOAM 3.285654 1.331722 1.012147 0.242015 1.545941 3795.214464 0.785143 09 LeGO−LOAM 6.063340 2.108868 1.971362 0.292446 2.343031 8717.794097 1.021015 INE−SLAM 7.315510 2.622855 2.616781 0.112678 2.840584 12813.436660 1.090663 
下载: 导出CSV
表 2 RPE对比
Table 2 Relative pose error comparison
序列 方法 RPE/m 最大值 平均值 中位数 最小值 均方根误差 和方差 标准偏差 A−LOAM 1.896651 1.154897 1.200041 0.003222 1.215805 6697.636647 0.379992 00 LeGO−LOAM 0.972212 0.061612 0.047549 0.003754 0.076631 26.607482 0.045567 INE−SLAM 0.514520 0.092929 0.078107 0.004084 0.109881 54.707031 0.058635 A−LOAM 3.885951 3.132486 3.553323 1.028025 3.218495 11363.507790 0.739085 01 LeGO−LOAM 2.699271 0.517959 0.169555 0.016541 0.831417 758.306416 0.650364 INE−SLAM 2.604537 0.517871 0.170409 0.020407 0.831250 758.001303 0.650220 A−LOAM 1.716019 1.123840 1.217291 0.000759 1.196405 3944.896806 0.410327 05 LeGO−LOAM 0.942990 0.053947 0.046318 0.002914 0.063128 10.983231 0.032786 INE−SLAM 0.883468 0.056378 0.047659 0.003852 0.065977 11.996595 0.034271 A−LOAM 2.197394 1.505677 1.491705 0.323694 1.550710 3816.262265 0.370999 09 LeGO−LOAM 0.334782 0.063748 0.057174 0.005735 0.070704 7.933544 0.030582 INE−SLAM 0.315042 0.064674 0.058037 0.008362 0.071649 8.146901 0.030836
下载: 导出CSV
-
[1] 杨林,马宏伟,王岩,等. 煤矿巡检机器人同步定位与 地图构建方法研究[J]. 工矿自动化,2019,45(9):18-24. YANG Lin,MA Hongwei,WANG Yan,et al. Research on method of simultaneous localization and mapping of coal mine inspection robot[J]. Industry and Mine Automation,2019,45(9):18-24.
[2] 孙继平,江嬴. 矿井车辆无人驾驶关键技术研究[J]. 工矿自动化,2022,48(5):1-5,31. DOI: 10.13272/j.issn.1671-251x.17947 SUN Jiping,JIANG Ying. Research on key technologies of mine unmanned vehicle[J]. Journal of Mine Automation,2022,48(5):1-5,31. DOI: 10.13272/j.issn.1671-251x.17947
[3] 潘祥生,陈晓晶. 矿用智能巡检机器人关键技术研究[J]. 工矿自动化,2020,46(10):43-48. DOI: 10.13272/j.issn.1671-251x.2020080042 PAN Xiangsheng,CHEN Xiaojing. Research on key technologies of mine-used intelligent inspection robot[J]. Industry and Mine Automation,2020,46(10):43-48. DOI: 10.13272/j.issn.1671-251x.2020080042
[4] 周治国,曹江微,邸顺帆. 3D 激光雷达 SLAM 算法综述[J]. 仪器仪表学报,2021,42(9):13-27. ZHOU Zhiguo,CAO Jiangwei,DI Shunfan. Overview of 3D Lidar SLAM algorithms[J]. Chinese Journal of Scientific Instrument,2021,42(9):13-27.
[5] ZHANG Ji, SINGH S. LOAM: lidar odometry and mapping in real-time[C]. Robotics: Science and Systems Conference, Berkeley, 2014. DOI: 10.15607/RSS. 2014.X.007.
[6] HESS W, KOHLER D, RAPP H, et al. Real-time loop closure in 2D LIDAR SLAM[C]. IEEE International Conference on Robotics and Automation （ICRA） , Stockholm, 2016: 1271-1278.
[7] SHAN Tixiao, ENGLOT B. LeGO-LOAM: lightweight and ground-optimized lidar odometry and mapping on variable terrain[C]. IEEE/RSJ International Conference on Intelligent Robots and Systems （IROS）, Madrid, 2018: 4758-4765.
[8] SHAN Tixiao, ENGLOT B, MEYERS D, et al. LIO-SAM: tightly-coupled lidar inertial odometry via smoothing and mapping[C]. IEEE/RSJ International Conference on Intelligent Robots and Systems （IROS）, Madrid, 2020: 3106-3111.
[9] BESL P J,MCKAY N D. A method for registration of 3D shapes[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,1992,14(2):239-256. DOI: 10.1109/34.121791
[10] LI Qingde ,GRIFFITHS J G. Iterative closest geometric objects registering[J]. Computers & Mathematics with Applications,2000,40(10/11):1171-1188.
[11] CHEN Hui, BHANU B. Contour matching for 3D ear recognition[C]. 7th IEEE Workshop on Applications of Computer Vision, Breckenridge, 2005: 123-128.
[12] HE Shijun, ZHAO Shiting, BAI Fan, et al. A method for spatial data registration based on PCA-ICP algorithm[C]. 3rd International Conference on Advanced Measurement and Test, Xiamen, 2013: 1063-1066.
[13] BIBER P, STRASSER W. The normal distributions transform: a new approach to laser scan matching[C]. IEEE/RSJ International Conference on Intelligent Robots and Systems （IROS）, Las Vegas, 2003: 2743-2748.
[14] KOIDE K,MIURA J,MENEGATTI E. A portable three-dimensional LIDAR-based system for long-term and wide-area people behavior measurement[J]. International Journal of Advanced Robotic Systems,2019,16(2):1729-8806.
[15] LI Menggang,ZHU Hua,YOU Shaoze,et al. Efficient laser-based 3D SLAM for coal mine rescue robots[J]. IEEE Access,2019,7:14124-14138. DOI: 10.1109/ACCESS.2018.2889304
[16] XU Jiachang,HUANG Yourui,ZHAO Ruijuan,et al. Probabilistic membrane computing-based SLAM for patrol UAVs in coal mines[J]. Journal of Sensors,2021:1-11. DOI: 10.1155/2021/7610126.
[17] 王佳婧,王晓南,郑顺义,等. 三维点云初始配准方法的比较分析[J]. 测绘科学,2018,43(2):16-23. DOI: 10.16251/j.cnki.1009-2307.2018.02.004 WANG Jiajing,WANG Xiaonan,ZHENG Shunyi,et al. Comparison and analysis of initial registration methods of 3D point cloud[J]. Science of Surveying and Mapping,2018,43(2):16-23. DOI: 10.16251/j.cnki.1009-2307.2018.02.004
[18] 李猛钢. 煤矿救援机器人导航系统研究[D]. 徐州: 中国矿业大学, 2017. LI Menggang. Research on navigation system of coal mine rescue robot [D]. Xuzhou: China University of Mining and Technology, 2017.
[19] SCHULZ C, ZELL A. Real-time graph-based SLAM with occupancy normal distributions transforms [C]. IEEE International Conference on Robotics and Automation （ICRA）, Paris, 2020: 3105-3111.
[20] PARK C, MOGHADAM P, KIM S, et al. Elastic LiDAR fusion: dense map-centric continuous-time SLAM[C]. IEEE International Conference on Robotics and Automation （ICRA）, Brisbane, 2018: 1-25.
[21] QIN Chao, YE Haoyang, PRANATA C E, et al. LINS: a lidar-inertial state estimator for robust and efficient navigation[C]. IEEE International Conference on Robotics and Automation （ICRA）, Paris, 2020: 8899-8906.
[22] KSCHISCHANG F,FREY B,LOELIGER H. Factor graphs and the sum-product algorithm[J]. IEEE Transactions on Information Theory,2001,47(2):498-498. DOI: 10.1109/18.910572
[23] KUMMERLE R, GRISETTI G, STRASDAT H, et al. G2o: a general framework for graph optimization[C]. IEEE International Conference on Robotics and Automation, Shanghai, 2011: 3607-3613.
[24] KAESS M,DELLAERT F. iSAM:incremental smoothing and mapping[J]. IEEE Transactions on Robotics,2008,24(6):1365-1378.
[25] KAESS M, JOHANNSSON H, ROBERTS R, et al. iSAM2: incremental smoothing and mapping with fluid relinearization and incremental variable reordering[C]. IEEE International Conference on Robotics and Automation, Shanghai, 2011. DOI: 10.1109/ICRA.2011.5979641.
[26] DELLAERT F. Factor graphs and GTSAM: a hands-on introduction [EB/OL]. （2016-01-13） [2022-09-16]. https://www.docin.com/p-1444792601.html.
[27] GEIGER A,LENZ P,STILLER C,et al. Vision meets robotics:the KITTI dataset[J]. The International Journal of Robotics Research,2013,32(11):1231-1237. DOI: 10.1177/0278364913491297
-
期刊类型引用(14)
1. 刘通，但德东，陈大明. 5G+智慧矿山应用中的高可靠性保障. 邮电设计技术. 2025(02): 83-87 . 
百度学术
2. 蔡勇，王晓彬，姚梦珂，戴鹏. 5G网络能力提升方案研究与应用. 无线互联科技. 2024(09): 106-110 . 百度学术
3. 张绍斌. 矿用5G综合基站设计及应用. 工矿自动化. 2024(S1): 57-60 . 本站查看
4. 张科学，张立亚，李晨鑫，魏春贤，高鹏. 基于5G的电液控设备邻架控制方法. 工矿自动化. 2024(S1): 165-168 . 本站查看
5. 黎一冰，韩文成，何义华，谢晓斌. 露天矿山5G立体覆盖波束的场景化研究与实践. 中国矿业. 2024(S2): 139-144 . 百度学术
6. 黎一冰，韩文成，王仁福，卿启林，车长路. 露天矿山5G全连接智能采矿无线网络设计及应用. 中国矿业. 2024(S2): 127-132 . 百度学术
7. 邢震，韩安，陈晓晶，陈海舰，沈毅. 基于工业互联网的智能矿山灾害数字孪生研究. 工矿自动化. 2023(02): 23-30+55 . 本站查看
8. 牛克洪，牛天勇，刘名宇. 基于创新趋势研判方法的煤炭产业发展走势研究. 中国煤炭. 2023(03): 11-15 . 百度学术
9. 李晨鑫. 矿用5G通信演进技术研究. 工矿自动化. 2023(03): 6-12 . 本站查看
10. 武熙，李珂，孟庆灵，赵佳伟. 矿用带式输送机头部智能清扫器研究与设计. 金属矿山. 2023(08): 253-259 . 百度学术
11. 李新，葛祥吉，刘更庆，李仕宾. 基于5G+技术的智慧化矿山建设研究. 内蒙古煤炭经济. 2023(13): 127-129 . 百度学术
12. 杨志华，李娜，高天. 井工矿5G专网无线覆盖方案研究. 邮电设计技术. 2023(09): 10-14 . 百度学术
13. 王耀. 基于5G工业互联网的井工煤矿信息化技术研究. 工矿自动化. 2023(S1): 29-31 . 本站查看
14. 李强，钟仕军，赖亚寒，宋仕斌. 基于多频融合5G专网的智慧矿山安全管理研究. 现代计算机. 2023(21): 30-35 . 百度学术
其他类型引用(4)
计量
- 文章访问数: 372
- HTML全文浏览量: 206
- PDF下载量: 53
- 被引次数: 18
