High-precision 3D point cloud modeling method for coal mine roadways based on known point constraints
-
摘要:
面对煤矿井下低照度、弱纹理、高粉尘等复杂条件，现有煤矿巷道三维建模方法存在成本高、时效性差和精度低等问题，提出了一种基于已知点约束的高精度煤矿巷道三维点云建模方法。首先，通过体素滤波器对激光雷达点云数据进行降采样，并对降采样后的激光雷达点云数据利用迭代最近点（ICP）匹配提取出局部点云地图，结合惯性测量单元（IMU）数据对点云数据进行畸变校正；其次，利用ICP配准局部点云地图和畸变校正后的点云地图，以提高前端配准的精度和效率，并在后端加入回环检测来提高煤矿巷道定位与建图精度；然后，通过附合导线控制测量获取煤矿巷道分段已知点坐标，为点云建模提供全局约束条件；最后，将已知点和激光雷达同时定位与建图（SLAM）确定的测站点进行联合平差计算，对测站点坐标进行校正，并进一步利用非线性优化方法校正全局点云地图坐标，从而提高三维点云建模精度。实验结果表明：该方法构建的煤矿巷道三维点云地图具有较好的全局一致性和几何结构真实性，在煤矿井下具有较高的定位与建图精度。
Abstract:In response to the complex conditions such as poor lighting, weak texture, and high concentrtaions of dust in underground coal mines, the existing 3D modeling methods for coal mine roadways have the disadvantages of high costs, poor timeliness, and low accuracy. A high-precision 3D point cloud modeling method for coal mine roadways based on known point constraints was proposed. The LiDAR point cloud data was downsampled by voxel filter, followed by the use of iterative closest point (ICP) matching for the downsampled LiDAR point cloud data to extract local point cloud maps. The point cloud data was then distortion-corrected using inertial measurement unit (IMU) data. ICP was utilized to align the local point cloud maps with the distortion-corrected point cloud maps, improving the accuracy and efficiency of front-end registration. Loopback detection was incorporated in the back-end to enhance the accuracy of coal mine roadway localization and mapping. The coordinates of the known points of the coal mine roadways were obtained through control measurements using connecting traverse, providing global constraints for point cloud modeling. A combined adjustment calculation was performed on the known points and the station points determined by LiDAR simultaneous localization and mapping (SLAM). The station point coordinates were corrected, and a nonlinear optimization method was further employed to adjust the global point cloud map coordinates, thereby improving the accuracy of 3D point cloud modeling. Experimental results demonstrated that the 3D point cloud map of coal mine roadways constructed by this method had high global consistency and geometric structure authenticity, achieving high localization and mapping accuracy in underground coal mines.
-
0. 引言
滑坡是指斜坡上的土体或岩体，受河流冲刷、地下水活动、雨水浸泡、地震及人工切坡等因素影响，在重力作用下，沿着一定的软弱面或软弱带，整体地或分散地顺坡向下滑动的自然现象，据《中国统计年鉴》数据显示，在2019−2021年期间，我国共发生滑坡灾害11 365处，占地质灾害总数的60.51%，其中，矿山开采引起的边坡滑坡是最常见、安全影响最大的工程地质灾害。滑坡一旦发生，往往造成严重的经济损失和人员伤亡，对矿山的正常开采和工作人员的生命安全形成巨大威胁。2020年8月29日，内蒙古白云鄂博矿区采场凸形边坡发生滑坡，滑体长度约350 m，最大宽度约55 m，面积约12 300 m2[1]；2004年1月至2011年6月，云南磷化集团有限公司晋宁磷矿采区共发生大规模滑坡14次[2]，对滑坡区域及附近的道路与设施造成严重破坏。因此，开展边坡位移预测及滑坡风险评价研究，对矿山安全生产具有重要的理论意义与工程实用价值。
矿山边坡位移预测及滑坡风险评价受边坡所在位置的地质构造、气象条件、水文地质条件、人工开采活动等复杂因素影响。常用的边坡滑坡灾害分析方法是基于数值模拟方法（如有限元法、离散元法等[3-6]）实现的，通过模拟边坡在不同条件下的变形和破坏过程来预测位移及评价风险。然而，利用数值模拟方法建立的模型在参数及边界条件确定过程中，常常无法完全表征现实矿山边坡情况，导致出现结果偏差，且模型无法获得实时分析结果。随着矿山监测技术的发展，基于多源信息融合的矿山边坡位移预测及滑坡风险评价研究受到了越来越多的关注，进一步提高了滑坡灾害分析精度。
本文基于多源信息融合方法，从矿山边坡多源信息获取、矿山边坡多源信息融合、矿山边坡位移预测及滑坡风险评价3个方面概述了矿山边坡滑坡灾害研究进展，并对矿山边坡滑坡灾害研究存在的问题及发展趋势进行了探讨，以期为提高矿山边坡滑坡灾害分析准确性提供助力。
1. 矿山边坡多源信息获取
岩体变形是滑坡灾害发生最直观的表现形式[7]。当前矿山边坡滑坡灾害研究中，大多围绕位移监测展开。根据监测技术的不同，可划分为“天”“空”“地”3种监测方式。“天”监测方式监测范围大、监测周期长，能够对早期隐患及长期变化趋势进行较好地表征。例如：叶江等[8]利用卫星影像获取边坡位移，与实测数据吻合较好；李振洪等[9]总结了卫星雷达遥感应用于滑坡分析时面临的挑战，提出了一个滑坡探测/监测系统框架，并搭建了自动化滑坡探测与监测系统；李如仁等[10]利用小基线子集干涉合成孔径雷达（Small Baseline Subset Interferometric Synthetic Aperture Radar，SBAS-InSAR）技术有效反映了采区地表形变波动趋势。“空”监测方式具有更高的精度，适用于小范围监测，可作为“天”监测方式的补充和细化。例如：万忠明等[11]利用无人机倾斜拍摄技术实现边坡巡查，能够及时发现矿山边坡的潜在风险。“地”监测方式具有时效性高的特点，适用于灾害发生前的实时预警，监测手段多样，应用广泛。例如：孙威等[12]以全球导航卫星系统（Global Navigation Satellite System，GNSS）为基础，设计了露天采场边坡监测方案，实现了全气候、三维高精度、实时化在线监测；钟小宇等[13]基于北斗GNSS技术，构建了露天采场边坡监测系统，监测数据的有效性与准确性较高，可为其他露天矿边坡监测提供借鉴；尹永明等[14]对地基合成孔径雷达技术的适用性进行了研究，通过监测数据与现场实际调查发现，雷达可在潮湿、多雨、多雾的复杂气象条件下保持稳定的工作性能和监测精度，为南方地区进行边坡雷达监测工作提供了参考；秦宏楠等[15]利用地基雷达获取矿山地表位移监测数据，用于分析边坡滑坡趋势性特征；王德军等[16]利用三维激光扫描提取边坡变形数据，精度可达毫米级；张峰等[17]研制了分布式光纤测斜仪，该测斜仪在位移监测中距离分辨率高、位移测量精确，具有较强的工程实用性，可有效测量边坡等岩土体的连续变化。
不同类型的监测数据所反映的边坡位移特征各有侧重，单一数据源很难反映滑坡灾害演化的全貌。“天−空−地”一体化协同监测可实现边坡信息的多源化、多维度采集，克服单一类型监测信息无法精确表征灾害演化特征的问题。例如：许强等[18-20]分析了“天”“空”“地”不同监测技术在工程实践中的优势和适用性，构建了滑坡变形破坏全过程的“天−空−地”协同监测技术体系，实现了全空间、全要素的动态观测和精细感知，为滑坡地质灾害监测提供了一种新的思维范式；张凯等[21]、程刚等[22]应用“天−空−地”一体化技术（如InSAR、无人机航测、激光扫描等技术）获取矿山边坡多源监测信息。
2. 矿山边坡多源信息融合
为了从不同角度反映边坡状态，准确描述边坡滑坡灾害影响因素的复杂特征，对矿山边坡多源信息进行融合，流程如图1所示。多源信息融合分为数据级融合、特征级融合和决策级融合，具体过程：收集边坡形态（凸边坡、凹边坡、折线边坡等）、边坡水文地质条件、矿山生产计划与图纸等基础信息，通过多源传感器采集边坡位移、应力、气象等实时监测数据，原始数据在经过筛选、滤波、归一化等预处理之后，形成矿山边坡监测多源异构数据库，实现数据级融合；通过多维信息关联、特征提取和相似性匹配，实现特征级融合；将特征级融合结果用于构建边坡位移预测及滑坡风险评价模型，实现决策级融合。
2.1 位移监测数据与应力监测数据融合
位移监测数据能够直接反映边坡的位移变化情况，应力监测数据直接反映边坡的力学响应，常用于边坡位移预测及滑坡风险评价。罗勇等[23]基于位移和应力的综合监测，获取了边坡开挖变形规律，为大型岩堆边坡提供了科学防治措施。郭延辉等[24]提出利用GNSS、多点位移计和锚索测力计的位移和应力监测手段，实现对云南鲁甸地震红石岩堰塞湖右岸特高边坡的综合监测和位移特征分析。马旭峰等[25]采用多传感器集中式信息融合技术，实现滑体锚固力监测数据和地表水平位移监测数据的融合，提高了露天矿滑体风险评价的客观性。M. Peng 等[26]使用贝叶斯网络将位移和应力监测数据集成应用到滑坡风险评价中，并利用综合监测数据更新边坡参数、安全系数和失稳概率。
2.2 位移监测数据与水文气象监测数据融合
水文气象监测数据主要包括降水量、温度、湿度、风力等气象信息，以及地下水位、径流等水文信息，对边坡稳定性起到一定影响作用，且数据类型丰富。因此，学者们进行了大量位移监测数据与水文气象监测数据的融合研究，以实现边坡位移预测及滑坡风险评价。刘阳等[27]提出了融合地表峰值加速度、降水量等信息的改进贝叶斯网络模型，对边坡失稳规模进行了有效评估。王智伟等[28]提出了基于反向传播神经网络（Back Propagation Neural Network，BPNN）的多源信息融合算法，将温度、湿度、风力、云量、单日降水量和累计降水量等作为输入变量，以边坡位移变化量作为输出，实现基于多源信息融合的边坡位移预测。王利等[29]、郑海青等[30]、Liu Yong等[31]提出了不同的改进长短期记忆神经网络（Long Short-Term Memory，LSTM），融合降水量、位移等信息，实现了对边坡位移的预测。Liu Chun等[32]提出了一种基于三维变异（Three-dimensional Variational Method，3DVar）数据同化的滑坡监测通用多源信息融合方案，对全球定位系统、钻孔倾角仪和雨量计采集的信息进行融合，提高了滑坡风险评价的可信度。鄢好等[33]提出了基于时间序列和门控循环神经网络的边坡位移预测模型，将位移、降水量等信息作为输入，来预测滑坡周期项位移变化。
2.3 其他不同类型的监测数据融合
除了位移监测数据与应力监测数据、水文气象监测数据进行融合外，其他融合监测信息包括微震、开采扰动、地震等，可提高数据的完整性和可靠性，有利于提高滑坡灾害分析的准确性。Zhang Jie等[34]收集了具有54个滑坡案例的数据库，利用边坡位移、降水量、地下水、开采扰动、地震等信息构建贝叶斯网络模型，推理出边坡破坏时间的概率分布，实现对边坡破坏时间的预测。刘冠洲等[35]采用神经网络方法，对边坡微震监测数据、滑动力监测数据、表面位移数据等进行融合，得到了更加准确的预警信息。张凌凡等[36]基于微震、应力和位移监测数据的融合，将有限元强度折减法与梯度提升决策树（Gradient Boosting Decision Tree，GBDT）相结合，建立了用于边坡滑坡风险评价的非线性模型。
3. 矿山边坡位移预测及滑坡风险评价
3.1 边坡位移预测
3.1.1 基于卡尔曼滤波估计的边坡位移预测
卡尔曼滤波是一种数据滤波及状态估计方法，可有效进行边坡多源信息融合，已应用于边坡位移预测。刘超云等[37]建立了基于位移参数的卡尔曼滤波数据融合预测模型，利用卡尔曼滤波方法对监测数据进行滤波融合处理，对边坡位移做出更准确的预测。马旭峰等[25]采用集中式多传感器卡尔曼滤波算法，进行滑体位移监测信息的融合分析及估计。冯巩等[3]采用联邦卡尔曼滤波方法融合同一监测剖面多测点位移监测信息，获得各监测剖面实时动态位移融合值。朱自强等[38]利用自适应卡尔曼滤波融合方法，建立了矿山边坡位移预测模型。
卡尔曼滤波融合后的数据能够用于边坡位移预测，但融合的数据类型单一（仅为多个监测点的位移监测数据），对多类型监测数据的融合效果有待验证。
3.1.2 基于人工智能方法的边坡位移预测
由于矿山边坡所处环境复杂多变，边坡位移监测数据与影响因素之间存在复杂的非线性关系。人工智能方法能够实现多源信息融合，进行复杂非线性关系表征。利用人工智能方法能够挖掘历史监测数据中隐含的关系和规律，预测监测数据未来的变化趋势，以此实现边坡位移预测。
1） 人工神经网络。人工神经网络是一种模拟人脑神经系统功能的计算模型，具有潜在的多源信息融合能力。但该方法存在收敛速度慢、容易陷入局部极小值、难以确定超参数等问题[39]。因此，智能优化算法常与人工神经网络相结合，对人工神经网络模型的连接权值和阈值进行优化，提高模型的抗干扰能力和精度，用于矿山边坡位移预测。常见的智能优化算法包括遗传算法、粒子群优化算法（Particle Swarm Optimization，PSO）、果蝇优化算法（Fruit Fly Optimization Algorithm，FOA）、麻雀搜索算法（Sparrow Search Algorithm，SSA）、灰狼优化算法、人工蜂群算法等。宁永香等[40]从温度、大气压强、降雨量、相对湿度、开采记录对边坡影响的角度出发，建立了基于PSO和极限学习机（Extreme Learning Machine，ELM）的矿山边坡地表位移预测模型。Jiang Song等[41]提出了一种结合变量选择、SSA和深度极限学习机（Deep Extreme Learning Machine，DELM）的预测模型，实现了位移、气象、力学相关监测数据的融合，提高了岩石边坡位移预测的精度。
2） 支持向量回归（Support Vector Regression，SVR）。SVR具有结构简单、稳定性强、泛化能力强等优势[40]，在矿山边坡位移预测中，可用于建立影响因素与边坡位移的关系模型。李胜等[42]引入修正的果蝇优化算法（Modified Fruit Fly Optimization Algorithm，MFOA）优化SVR的相关参数，以地下水位变化量、边坡坡度和高度变化量、降雨量平均值、应力监测数据作为输入，位移监测数据作为输出，建立了基于MFOA−SVR的露天矿边坡位移预测模型。张研等[43]利用PSO优化相关向量机（Relevance Vector Machine，RVM）参数，建立了矿山边坡位移预测模型，选取地下水位变化量、降雨量平均值、黏聚力、边坡高度变化量、边坡角、内摩擦角及应力实测数据作为模型输入，边坡位移量作为模型输出，实现了边坡位移预测。金爱兵等[44]基于国内外304个边坡案例，构建了基于SSA优化支持向量机（Support Vector Machine，SVM）的边坡滑坡灾害分析模型。罗亦泳等[45]将协同进化粒子群优化（Co Evolution Particle Swarm Optimization，CEPSO）与多核相关向量机（Multi-Kernel Relevance Vector Machine，MK−RVM）相结合，以地下水位变化量、应力监测数据等作为输入，以边坡位移量作为输出，构建了基于CEPSO−MK−RVM的边坡位移预测模型，通过融合位移、应力、地下水等信息，提高了露天矿边坡位移预测精度。
SVR相关算法在处理中小规模数据时，能够凸显其较强的预测能力。但针对大规模训练数据，模型性能对参数和核函数选择较敏感，致使预测模型的稳定性较差。
3） 深度学习。深度学习在数据处理方面相较于传统机器学习具有显著优势，尤其是针对大规模时序监测数据的分析。王利等[29]基于互信息对影响边坡位移的多环境因子变量进行筛选，将筛选后的环境因子作为LSTM模型的输入，以滑坡累计位移作为输出，实现了基于多源信息融合的边坡位移预测。郑海青等[30]基于融合自注意力机制的卷积神经网络与LSTM，建立了多因素边坡位移预测模型，以温度、湿度、降水量、位移监测数据等作为模型输入，对矿山边坡位移进行预测。Chen Bingqian等[46]提出了利用SBAS−InSAR技术及LSTM构建封闭矿山综合监测预测模型，实现了表面变形的时空演化模式分析和动态预测。He Yi等[47]提出了一种新的具有窥视孔的LSTM与卷积神经网络结合的预测模型，对甘肃金川矿区进行了地表位移预测。然而，深度学习模型在建模过程中需要确定大量超参数，训练过程易出现梯度消失等问题。
3.2 滑坡风险评价
3.2.1 基于不确定性推理方法的滑坡风险评价
针对滑坡风险评价问题，常用的不确定性推理方法包括贝叶斯网络和D−S证据理论[48]。
1） 贝叶斯网络。贝叶斯网络作为一种机器学习模型，能够通过概率表征变量间不确定关系，实现模型学习和推理。因此，贝叶斯网络常用于多因素、不确定性数据的处理，已广泛应用于风险评价及可靠度分析。刘阳等[27]针对边坡样本数量不足的问题，提出了以贝叶斯网络为基础，结合模糊理论与SVM的一种边坡地震失稳规模评估方法。钟国强等[49]为了处理具有模糊性和多态性的系统可靠性分析问题，提出了一种基于多态模糊贝叶斯网络的桩锚支护边坡滑坡风险评价方法。M. Peng等[26]构建了包括边坡安全系数、监测指标及影响参数（内摩擦角、黏聚力等）的连续贝叶斯网络评价模型，利用多源信息进行边坡滑坡风险评价。F. Ahmad等[50]对复杂的、多因素影响的滑坡风险进行评价，利用黏聚力、内摩擦角、孔隙压力比、边坡角、单位质量和坡高6个输入因子，建立了一种新的树增量朴素贝叶斯（Tree Augmented Naive-Bayes，TAN）模型，用于评价圆形破坏下的滑坡风险。贝叶斯网络属于概率推理模型，建模过程中需要收集大量边坡滑坡风险评价案例，用于挖掘不同影响因素间的概率依赖关系。
2） D−S证据理论。D−S证据理论具有强大的推理能力和不确定性信息融合能力，改进的D−S证据理论可有效解决多源信息冲突问题。徐卫亚等[51]基于云模型和引入权重系数的改进D−S证据理论，建立了滑坡安全性多指标综合评价模型，考虑边坡表面位移、深部位移及变形破坏特征等综合条件，实现对滑坡风险的综合评判。张化进等[52]选择性集成边坡滑坡风险影响因素，提出了一种基于改进D−S证据理论的边坡滑坡风险评价方法，与传统机器学习方法相比，提高了边坡滑坡风险评价的准确率。利用D−S证据理论进行滑坡风险评价的关键是提取对矿山边坡稳定性影响较大的多源信息，并合理地确定基本信任函数。另外，合理确定多源信息的权重及融合规则是影响该方法性能的关键。李哲等[53]为准确评价高陡边坡滑坡风险，采用D−S证据理论建立了高陡边坡滑坡风险评价指标体系，提出了考虑支挡结构的高陡边坡滑坡风险评价方法，通过对监测数据进行迭代和反演计算，得到边坡变化过程中各参数随时间的动态变化规律，实现对边坡的滑坡风险评价。
3.2.2 基于人工智能方法的滑坡风险评价
针对边坡滑坡风险评价问题，常用的人工智能方法包括神经网络、SVM、集成学习等。
针对基于神经网络的滑坡风险评价，李国辉等[54]基于岩石容重、黏聚力、内摩擦角、边坡角、边坡高度、孔隙压力比这6个边坡稳定性影响因素，利用粗糙集和BPNN模型建立影响因素与安全系数、稳定状态之间的关系模型，对边坡滑坡风险进行评价。Zhang Duo等[55]提出了基于D−S证据理论和BPNN的多传感器数据集成的矿山地质灾害风险评价模型，对边坡进行风险评估和脆弱性评价。Liu Zaobao等[56]基于边坡的材料参数、几何参数和环境参数，推导了边坡的圆形破坏机理，并提出了一种基于ELM的边坡滑坡风险评价方法。杨勇等[57]提出了改进的ELM模型，通过PSO优化模型参数，提高了该模型在露天矿边坡滑坡风险评价中的精度。
针对基于SVM的边坡滑坡风险评价，Kang Fei等[58]提出了一种基于SVM的边坡系统可靠度分析方法，具有较好的适用性。Kang Fei等[59]提出了一种基于最小二乘支持向量机（Least Squares Support Vector Machine，LSSVM）的边坡滑坡风险评价方法，通过PSO选择对LSSVM性能影响至关重要的超参数，提高滑坡风险评价的可靠性。D. Tien Bui等[60]基于不同的回归方法（多层感知机、高斯过程回归、多元线性回归、简单线性回归、SVR）来预测边坡失效的安全系数，为滑坡风险评价提供有效信息。王健伟等[61]提出了一种基于网格搜索SVM的滑坡风险评价方法，并与贝叶斯岭回归模型、普通线性回归模型、梯度增强回归模型的预测结果进行对比，验证了该方法对边坡安全系数预测更加精确。
集成学习是对多个机器学习模型的结果进行综合决策，常用的集成学习模型包括随机森林（Random Forest，RF）和极值梯度提升（Extreme Gradient Boosting，XGBoost）。Zhang Wengang等[62]通过引入以上模型开发了一种基于集成学习的滑坡风险评价方法。Qi Chongchong等[63]采用logistic回归、决策树、RF、梯度提升、SVM和多层感知神经网络6种人工智能方法进行建模，提出了基于元启发式和机器学习算法整合的边坡滑坡风险评价方法。
4. 矿山边坡滑坡灾害研究存在的问题及发展趋势
基于多源信息融合的矿山边坡滑坡灾害研究已成为推动矿山智能化发展的重要内容。但由于矿山现场监测信息收集的限制，大多仍基于单一监测信息阈值超限的方法进行灾害分析。多源信息融合方法在实际工程中应用较少，目前更偏向于理论研究。基于多源信息融合的矿山边坡滑坡灾害分析主要利用数据驱动方法建立位移预测或风险评价模型，监测数据的质量严重影响该类方法对边坡灾害分析的准确性。然而，矿山生产环境复杂，受矿山机械、爆破、粉尘、降雨等因素的影响，监测数据常包含大量噪声信号，导致预测和评价结果出现偏差。当外界环境影响作用剧烈时，传感器甚至会发生损坏，导致数据缺失。另外，目前针对矿山边坡滑坡灾害的分析，使用的多源信息融合方法大多为人工智能方法，该类方法对岩石力学机理知识利用不足，导致机理知识对预测及评价模型建模过程的指导作用有限。
基于上述问题，对矿山边坡滑坡灾害研究的发展趋势进行以下展望。
1） 统一多源数据采集接入标准。多源异构数据的采集及存储是基于多源信息融合的矿山边坡滑坡灾害研究的基础。矿山监测传感器种类众多，针对同一类监测信息，监测手段多样且不同生产厂家的传感器数据接入标准不同。目前，国家现阶段已对雷达、视频、GNSS测点的接入数据标准进行了规范。然而，更多类型的传感器仍存在数据采集接入标准不统一的问题。统一多源异构数据接入标准，实现多源信息的存储与共享将为基于多源信息融合的矿山边坡滑坡灾害研究奠定坚实基础。
2） 开发监测数据与岩石力学机理融合的矿山边坡滑坡灾害分析方法。矿山干扰信号的存在对灾害演化前兆信息的识别带来巨大困难，监测信号的波动可能表征真实的灾害演化规律，也可能仅源于外界的干扰作用。因此，如何利用岩石力学机理知识及数据分析方法有效区分干扰作用和真实灾变前兆信息至关重要，有必要开发适应于矿山边坡监测数据特点的干扰信号识别及数据校正方法，提高传感器的抗干扰能力，为基于多源信息融合的矿山边坡滑坡灾害研究提供更加有效的监测数据源，为揭示滑坡灾害演化机制奠定坚实基础。同时，将矿山时序监测数据与三维地质模型进行融合，通过对齐监测传感器位置信息与三维地质模型地理位置坐标，基于矿山生产计划及监测传感信息实现矿山三维地质模型的实时动态更新。融合多源监测数据指标与岩石力学指标，对矿山灾害险情进行实时综合分析判断。
3） 优化“天−空−地”多源信息的时空关联挖掘算法。“天−空−地”一体化协同监测方案已成为矿山监测系统构建的主要发展趋势。该方案从不同空间维度获取矿山边坡监测信息，从多角度展示灾害演化过程。然而，地表监测、无人机航拍、卫星雷达等获取的监测信息在采样频率、时空分辨率、数据形式等方面存在巨大差异，不同监测信息对于矿山灾害不同演化阶段的作用可能不同，有效融合多源信息，同时整合基于岩石力学的灾害演化过程机理，进行矿山边坡滑坡灾害智能分析，实现边坡早期稳定性评价、灾害长期预警、灾害短临预报变得至关重要。因此，需要加强多源信息时空演化特征分析，从数据级、特征级及决策级进行多层次、多角度的“天−空−地”监测数据挖掘，实现不同层次、不同维度监测数据的融合算法研究，尤其重点关注矿山灾害机理知识在数据融合中的应用、多源信息冲突消解、多源决策信息权重的自适应更新、深度学习算法从大型监测数据集中特征学习的能力、基于增量动态信息融合策略的实时决策性能提升等方面，不断改进现有多源信息融合算法。
4） 加强基于多源信息融合的矿山边坡滑坡灾害预警平台建设。大数据、云计算、物联网等信息技术的发展推动了矿山智能化进程，各类矿山灾害监测预警云平台应运而生。针对矿山边坡滑坡灾害研究，相关云平台建设仍处于初期发展阶段，存在如下问题：平台中的矿山灾害预警算法大多基于阈值超限方法进行警情发布，但阈值设置主观性强，用于灾害预警的监测信息单一；随着多源监测数据的增加，可用于边坡滑坡灾害分析的信息增多，然而，在利用这些监测数据资源时，常常存在数据异构、数据孤岛等问题；对多源监测数据的挖掘不够充分，相关的基于多源信息融合的矿山边坡位移预测及滑坡风险评价算法在平台中集成不足。因此，为了更加高效地利用多源信息进行边坡滑坡灾害分析，有必要采取以下措施：进一步深化大数据、云计算、物联网等在矿山边坡滑坡灾害分析中的应用程度；根据多源信息的不同数据格式，设置针对性的数据接收及语义识别规则；基于多源数据处理、存储及算法分析需求，进行运算存储资源的更新配置；建立矿山灾害共享案例库，为矿山边坡位移预测及滑坡风险评价提供重要支持；配备专业研究团队，加强对接入云平台的多源信息的分析挖掘，开发新的矿山边坡位移预测及滑坡风险评价算法；针对矿山现场实际情况，评估各类基于多源信息融合的矿山边坡位移预测及滑坡风险评价算法性能，对相关算法进行云端集成，增强平台滑坡灾害防控能力；通过平台声光报警、短信通知、邮件发送等方式将预警信息发送至相应人员（一线生产人员、安全治理厂家及监管监察部门等），做到警情的及时发布；基于矿山历史滑坡灾害案例的分析挖掘，构建防治措施智能决策系统，基于灾害预报等级提供灾害防治指导建议；详细记录整个信息融合过程中数据的流动变化，在云平台中结合区块链技术对数据进行跟踪，提高信息融合过程中的安全性，便于寻找数据来源。
5. 结语
介绍了边坡多源信息监测手段，指出“天−空−地”一体化协同监测是矿山边坡监测的主要形式，能够实现不同监测信息的优势互补；整理了边坡多源信息融合形式，分析了不同多源信息融合方法用于边坡位移预测及滑坡风险评价的研究进展。基于当前研究存在的问题，对矿山边坡滑坡灾害研究发展趋势进行了展望，即统一多源数据采集接入标准；开发监测数据与岩石力学机理融合的矿山边坡滑坡灾害分析方法；优化“天−空−地”多源信息的时空关联挖掘算法；加强基于多源信息融合的矿山边坡滑坡灾害预警平台建设。
-
![]()
图 1 已知点约束的高精度煤矿巷道三维点云建模流程
Figure 1. Workflow of high-precision 3D point cloud modeling for coal mine roadways based on known point constraints
![]()
图 4 不同方法在实验室模拟巷道中的建图结果
Figure 4. Mapping results of different methods in laboratory simulated roadways
![]()
图 5 添加已知点约束前后的煤矿巷道建图结果
Figure 5. Mapping results of coal mine roadways before and after incorporating known point constraints
![]()
图 7 点云地图特征地物尺寸测量
Figure 7. Dimension measurement of feature objects in point cloud map
表 1 不同方法的定位误差
Table 1 Localization errors of different methods
方法 误差类别 最大误差/m 最小误差/m 平均误差/m 相对误差/% LeGO−
LOAM水平误差 9.253 0.025 0.708 3.86 竖直误差 7.933 0.032 1.684 3.31 LIO−
SAM水平误差 3.314 0.021 1.475 1.38 竖直误差 2.417 0.024 0.582 1.01 本文
方法水平误差 0.426 0.023 0.199 0.18 竖直误差 1.044 0.026 0.455 0.45 
下载: 导出CSV
表 2 不同方法对应的特征地物尺寸测量误差对比
Table 2 Comparison of dimension measurement errors of feature objects using different methods
方法 特征地物 真实长度/m 测量长度/m 绝对误差/m 相对误差/% LeGO−
LOAM1 4.600 4.356 0.244 5.30 2 2.000 1.916 0.084 4.20 3 0.600 0.585 0.015 2.50 4 3.500 3.663 0.163 4.66 5 0.900 0.923 0.023 2.56 6 1.500 1.482 0.018 1.20 LIO−
SAM1 4.600 4.562 0.038 0.83 2 2.000 1.986 0.014 0.70 3 0.600 0.595 0.005 0.83 4 3.500 3.533 0.033 0.94 5 0.900 0.862 0.038 4.22 6 1.500 1.490 0.010 0.67 本文
方法1 4.600 4.582 0.018 0.39 2 2.000 1.991 0.009 0.45 3 0.600 0.595 0.005 0.83 4 3.500 3.487 0.013 0.37 5 0.900 0.893 0.007 0.78 6 1.500 1.493 0.007 0.47
下载: 导出CSV
-
[1] 王国法,赵国瑞,任怀伟. 智慧煤矿与智能化开采关键核心技术分析[J]. 煤炭学报,2019,44(1):34-41. WANG Guofa,ZHAO Guorui,REN Huaiwei. Analysis on key technologies of intelligent coal mine and intelligent mining[J]. Journal of China Coal Society,2019,44(1):34-41.
[2] 高毅楠,姚顽强,蔺小虎,等. 煤矿井下多重约束的视觉SLAM关键帧选取方法[J]. 煤炭学报,2024,49(增刊1):472-482. GAO Yinan,YAO Wanqiang,LIN Xiaohu,et al. Visual SLAM keyframe selection method with multiple constraints in underground coal mines[J]. Journal of China Coal Society,2024,49(S1):472-482.
[3] 徐志强,杨邦荣,王李管,等. 巷道实体的三维建模研究与实现[J]. 计算机工程与应用,2008,44(6):202-205. DOI: 10.3778/j.issn.1002-8331.2008.06.061 XU Zhiqiang,YANG Bangrong,WANG Liguan,et al. Laneway entity three-dimensional modeling study and realization[J]. Computer Engineering and Applications,2008,44(6):202-205. DOI: 10.3778/j.issn.1002-8331.2008.06.061
[4] 刘杰,连增增,何荣,等. 基于近景摄影测量技术的地下巷道三维建模[J]. 金属矿山,2020(9):179-183. LIU Jie,LIAN Zengzeng,HE Rong,et al. 3D modeling of underground tunnel based on close range photogrammetry technique[J]. Metal Mine,2020(9):179-183.
[5] 汪云甲,伏永明. 矿井巷道三维自动建模方法研究[J]. 武汉大学学报(信息科学版),2006,31(12):1097-1100. DOI: 10.3969/j.issn.1671-8860.2006.12.016 WANG Yunjia,FU Yongming. On 3D automatic modeling method of mine roadway[J]. Geomatics and Information Science of Wuhan University,2006,31(12):1097-1100. DOI: 10.3969/j.issn.1671-8860.2006.12.016
[6] 徐海,罗周全,刘晓明. 复杂巷道工程三维可视化建模方法研究及应用[J]. 矿冶工程,2011,31(1):19-23. DOI: 10.3969/j.issn.0253-6099.2011.01.006 XU Hai,LUO Zhouquan,LIU Xiaoming. Study of 3D visualization modeling methods for complex roadway engineering and its application[J]. Mining and Metallurgical Engineering,2011,31(1):19-23. DOI: 10.3969/j.issn.0253-6099.2011.01.006
[7] 杨林,马宏伟,王岩. 基于激光惯性融合的煤矿井下移动机器人SLAM算法[J]. 煤炭学报,2022,47(9):3523-3534. YANG Lin,MA Hongwei,WANG Yan. LiDAR-Inertial SLAM for mobile robot in underground coal mine[J]. Journal of China Coal Society,2022,47(9):3523-3534.
[8] 董志华,姚顽强,蔺小虎,等. 煤矿井下顾及特征点动态提取的激光SLAM算法研究[J]. 煤矿安全,2023,54(8):241-246. DONG Zhihua,YAO Wanqiang,LIN Xiaohu,et al. LiDAR SLAM algorithm considering dynamic extraction of feature points in underground coal mine[J]. Safety in Coal Mines,2023,54(8):241-246.
[9] 李猛钢,胡而已,朱华. 煤矿移动机器人LiDAR/IMU紧耦合SLAM方法[J]. 工矿自动化,2022,48(12):68-78. LI Menggang,HU Eryi,ZHU Hua. LiDAR/IMU tightly-coupled SLAM method for coal mine mobile robot[J]. Journal of Mine Automation,2022,48(12):68-78.
[10] 马艾强,姚顽强,蔺小虎,等. 面向煤矿巷道环境的LiDAR与IMU融合定位与建图方法[J]. 工矿自动化,2022,48(12):49-56. MA Aiqiang,YAO Wanqiang,LIN Xiaohu,et al. Coal mine roadway environment-oriented LiDAR and IMU fusion positioning and mapping method[J]. Journal of Mine Automation,2022,48(12):49-56.
[11] KIM H,CHOI Y. Location estimation of autonomous driving robot and 3D tunnel mapping in underground mines using pattern matched LiDAR sequential images[J]. International Journal of Mining Science and Technology,2021,31(5):779-788. DOI: 10.1016/j.ijmst.2021.07.007
[12] 刘敬娜,徐华龙,徐正国,等. 智慧矿山工业广场三维自动建模技术研究[J]. 时空信息学报,2024,31(4):524-532. LIU Jingna,XU Hualong,XU Zhengguo,et al. 3D automatic modeling technology for smart mining industrial square[J]. Journal of Spatio-Temporal Information,2024,31(4):524-532.
[13] WANG Jiaheng,WANG Liguan,PENG Pingan,et al. Efficient and accurate mapping method of underground metal mines using mobile mining equipment and solid-state lidar[J]. Measurement,2023,221. DOI: 10.1016/j.measurement.2023.113581.
[14] 刘少杰,李志海,刘治翔,等. 基于激光扫描和三维栅格地图的掘进巷道空间建模方法研究[J]. 工程设计学报,2023,30(3):306-314. DOI: 10.3785/j.issn.1006-754X.2023.00.034 LIU Shaojie,LI Zhihai,LIU Zhixiang,et al. Research on spatial modeling method for excavation tunnels based on laser scanning and 3D grid map[J]. Chinese Journal of Engineering Design,2023,30(3):306-314. DOI: 10.3785/j.issn.1006-754X.2023.00.034
[15] 江记洲,郭甲腾,吴立新,等. 基于三维激光扫描点云的矿山巷道三维建模方法研究[J]. 煤矿开采,2016(2):109-113. JIANG Jizhou,GUO Jiateng,WU Lixin,et al. 3-D modeling method of mine roadway based on 3-D laser scanning point cloud[J]. Coal Mining Technology,2016(2):109-113.
[16] GURGEL M J M,PREUSSE A. New opportunities and challenges in surveying underground cavities using photogrammetric methods[J]. International Journal of Mining Science and Technology,2021,31(1):9-13. DOI: 10.1016/j.ijmst.2020.12.005
[17] BESL P J,MCKAY N D. A method for registration of 3-D shapes[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,1992,14(2):239-256. DOI: 10.1109/34.121791
[18] KIM G,KIM A. Scan context:egocentric spatial descriptor for place recognition within 3D point cloud map[C]. IEEE/RSJ International Conference on Intelligent Robots and Systems,Madrid,2018:4802-4809.
[19] 张继贤,肖雨彤. 仙泉煤矿井下导线网设计与测量成果分析[J]. 煤炭工程,2019,51(5):163-167. ZHANG Jixian,XIAO Yutong. Underground traverse network design and analysis of measurement results in Xianquan Coal Mine[J]. Coal Engineering,2019,51(5):163-167.
[20] 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,Madrid,2018:4758-4765.
[21] 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,Las Vegas,2020:5135-5142.
计量
- 文章访问数:
- HTML全文浏览量: 0
- PDF下载量: 0
