具体实施方式

为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图予以说明。

实施例一

请参阅图1至图5，本实施例提供一种矿山自主三维测绘无人车，包括车身、铝制型材支架3、激光雷达以及移动机构，所述车身内设有微型主机12、控制器13、开关电源14、后扣件15、遥控接收机16、驱动板17、锂电池18以及前扣件19，所述车身前部设有前挡板9，所述车身后部设有后挡板，所述微型主机12及控制器13固定在车身内部，二者之间设有通讯线进行连接，所述开关电源14安装在车身尾部，且设有内六角扳手旋转接通或切断电源，所述遥控接收机16固定在尾部，接收遥控信号，所述驱动板17紧靠开关电源14，所述锂电池18用于供电，安装于车身内部，所述前扣件19及后扣件15分别位于车身前挡板9及后挡板，所述车身顶部设有顶部盖板8，且与后扣件15以及前扣件 19连接，用于上锁固定顶部盖板8，所述铝制型材支架3安装在顶部盖板8的顶部，所述移动机构包括越野轮胎7，所述越野轮胎7共计四个安装在车身的底部，用于带动车身运动，所述激光雷达与微型主机12及控制器13连接，所述激光雷达共计四部安装于铝制型材支架3上，且分别朝向不同角度，所述激光雷达进行测绘及路径规划并导航，所述控制器13与直流电机20连接智能驱动直流电机20运转。

本实施例中，所述激光雷达为固态激光雷达，所述激光雷达底部设有激光雷达底座2与铝制型材支架3连接，既而提高激光雷达使用的稳定性。

本实施例中，所述激光雷达包括顶部激光雷达1、左侧朝向激光雷达4、右侧朝向激光雷达11以及底部朝向激光雷达5，且方向夹角为六十度，既而提高激光雷达的探测范围。

本实施例中，所述移动机构还包括直流电机20、减速器21、侧板22、橡胶密封圈23、轮毂法兰24、减速器输出轴25以及减速器外连接片26，所述直流电机20与减速器21相连接，固定于侧板22上，所述侧板22与减速器外连接片26之间的缝隙由橡胶密封圈23密封，所述减速器输出轴25与轮毂法兰24 之间配合转动输出动力，所述越野轮胎7通过螺栓与轮毂法兰24之间链接，既而提高车身的移动的稳定效果。

本实施例中，所述激光雷达与铝制型材支架3之间设有固定角码6连接，既而提高激光雷达安装在铝制型材支架3上的稳定性。

本实施例中，所述通讯线为RS232串口通讯线，既而提高微型主机12与控制器13的通讯效果。

综上所述，该矿山自主三维测绘无人车，在使用时，本发明进入自主导航模式时，四部激光雷达均通过固定角码6固定在铝制型材支架3上，为了获取最佳视场，顶部激光雷达1安装在倾角为10度的激光雷达底座2上，并使用船型螺母锁具固定于铝制型材支架3上，左侧朝向激光雷达4，底部朝向激光雷达5，右侧朝向激光雷达11，其探测方向分别朝向车体左侧六十度，居中朝下倾斜十度，朝向车体右侧六十度方向，锂电池18为激光雷达及微型主机12 供电并将数据传输至微型主机12进行处理，执行SLAM算法程序；微型主机 12在开关电源14的控制下与控制器13通讯，并输出信号至驱动板17，驱动板 17在接收到信号后，控制直流电机20的正反转及加速减速动作，配合减速器 21，可以增大直流电机20扭矩，提高车身的负载能力，减速器输出轴25与轮毂法兰24配合，越野轮胎7通过螺栓与轮毂法兰24固定在一起，车身的前进后退是通过前后四个直流电机20的正转反转实现的，而转弯是通过车身左右两侧越野轮胎7差速转动所实现，而在使用手动控制模式时，通过遥控器安装在车身内部的接收机，手动模式下直接控制小车的前进后退等动作，从而满足自主测绘的工作条件。

在本实施例中，基于上述无人机的自主测绘过程包括：

步骤1：顶部激光雷达1、左侧朝向激光雷达4、底部朝向激光雷达5以及右侧朝向激光雷达11实时采集当前工作环境区域的点云数据；

步骤2：点云数据传输给上位机NUC微型主机12进行处理，通过执行算法，确定当前工作区域障碍物，规划无人机行进路线，同时实时构建矿井内部结构的三维模型；

步骤3：下位机控制器通过mavlink协议接收来自上位机NUC微型主机12 的路径规划命令，将命令转化为控制器13的驱动信号，从而控制驱动直流电机 20的运转；

步骤4：直流电机20驱动车轮运转，车轮带动小车整体运动，完成整个矿洞的测绘任务。

循环执行步骤1-4，直至测绘任务完成。

实施例二

请参照图6，本实施例基于上述实施例一的无人机提供一种矿山自主三维测绘方法，包括：

所述无人机在矿井中行进的过程中，其上的所有激光雷达实时地采集当前环境的点云数据，逐帧发送对应的点云数据至主机；

主机接收到当前帧的点云数据后，从中筛选出高价值数据点；

优选地，主机将通过计算当前帧的各个点云数据在FLU坐标系中的特征，过滤掉接近FOV视场边缘的点云数据、强度过大或过小的点云数据、入射角度接近π或0的点云数据以及隐藏在物体后面的点云数据，从而获取高价值数据点。

然后，主机通过计算所述高价值数据点的局部平滑度，分别提取平面特征点和边缘特征点，获取当前帧对应的平面特征点集合和边缘特征点集合；

依据所述当前帧对应的平面特征点集合和边缘特征点集合，通过迭代位姿优化计算得到无人机对应所述当前帧的姿态，同时创建当前帧的三维地图；

可选得，上述步骤具体包括：

S01：主机获取当前帧的平面特征点集合和边缘特征点集合、现有地图的平面特征点集合和边缘特征点集合，以及无人机前一帧的姿态；

S02：取当前帧的边缘特征点集合中的一个特征点p_l，依据公式 p_w＝R_kp_l+t_k计算所述特征点p_l投影到现有地图中的点p_w；其中，所述(R_k， t_k)为当前帧的最后一个数据点被采样时的无人机姿态；

S03：确定现有地图的边缘特征点集合中距离所述点p_w最近的5个特征点；

S04：若所述5个特征点处于同一直线上，则依据点对边残差公式计算所述点p_w的点对边残差；

S05：确定现有地图的平面特征点集合中距离所述点p_w最近的5个特征点；

S06：若所述5个特征点处于同一直线上，则依据点对边残差公式计算所述点p_w的点对面残差；

S07：返回执行S02，重新计算特征点p_l的点对边残差和点对面残差；

S08：依据预设的迭代次数，计算得到对应所述迭代次数的多组点对边残差和点对面残差；

S09：依据所述多组点对边残差和点对面残差，计算得到无人机对应所述当前帧的姿态，以及去除当前帧对应的平面特征点集合和边缘特征点集合中的异常值；

S10：将去除了异常值的当前帧对应的平面特征点集合和边缘特征点集合投影到现有地图中，获取当前帧对应的三维地图。

最后，主机依据当前帧的三维地图，实时规划无人机的行进路线，并依据所述行进路线，通过控制器控制所述无人机行进。

可选得，该步骤具体可以包括：

主机依据快速搜索随机数算法在所述当前帧的三维地图中计算无人机的行进路线；

主机依据所述行进路线确定无人机对应的线速度和角速度，并将其传输至控制器；

控制器依据接收到的线速度和角速度对无人机进行控制。

本实施例提供的基于矿山自主三维测绘无人机的测绘方法，区别于现有传统的人工作业模式所面临的耗时长、成本高、精度易受坏境影响等问题，由于无人机同时具备测绘作业、路径规划和自主导航功能，不仅能够自主在矿井内部进行高精度建图，生成能够反映矿井内部结构的三维模型；而且能够很好地适应矿井内的恶劣路况，稳定运行，提高勘测效率的同时又能保障人员安全。

实施例三

本实施例提供一种基于实施例一或实施例二提供的无人机，完成自主矿井内测绘的方法，该方法具体可以包括以下步骤：

步骤1：通过无人机上的顶部激光雷达1、左侧朝向激光雷达4、底部朝向激光雷达5以及右侧朝向激光雷达11实时地采集当前工作环境下的点云数据，并将采集到的每一帧的点云数据传输给NUC微型主机12实时执行SLAM算法。

具体而言，NUC微型主机12接收到一帧点云数据后，执行SLAM算法过程包括：

步骤11：通过计算在Front-Left-Up(FLU)坐标系激光雷达点云P＝[x，y，z] 的特征，筛选出高价值数据点；

具体而言，依据每一个点云数据按照以下公式进行计算的结果进行筛选：

雷达测距信息：

激光偏转角Φ(激光射线与X轴之间夹角)：

入射角θ(激光与被测点周围的局部平面夹角)：

依据每一个点云数据的上述计算结果，剔除以下特征点，以提高定位建图的准确性：

1、接近FOV视场边缘的点，即e.g.Φ(p)≥17°的特征点，在这样的区域中，扫描轨迹具有较大的曲率，从而导致特征提取的可靠性降低；

2、强度太大或者太小的点，即e.g.I(p)≤7×10^-3，I(p)≤1×10^-1Livox MID40的特征点。这是因为：一方面，强度直接表示接收到的激光信号的强度，强度(信号)过大通常会导致接收电路饱和或失真，并降低测距精度；另一方面，强度(信号)太小通常会导致信号噪声比降低，也会降低测距精度。

3、入射角度接近π或者0的点，即e.g.θ(p)≤5°，θ(p)≥175°，Livox MID40 的特征点。这是因为由激光束的非零发散角引起的激光光斑将导致激光点被大大延长。

4、隐藏在物体后面的点。

通过对点云数据中的点进行初步筛选，提取其中最有价值的数据点，排除干扰，有利于提高定位及建图精度。

步骤12：提取特征。

筛选出高价值数据点后，执行特征提取。具体通过计算候选点的局部平滑度来提取平面特征点和边缘特征点。

优选地，为了减轻由于有限的FoV和点选择导致的少量特征而导致的匹配退化，将LiDAR反射率用作4维测量。如果3D点的反射率与附近点有很大不同，将其视为边缘特征点(由于材料变化，反射率中的边缘，与由于形状变化而导致的几何形状中的边缘相反)。在某些退化情况下，例如面对带有关闭的门和窗的墙壁，这种特征点有利于进行特征提取。

步骤13：迭代位姿优化。

由于固态激光雷达所采用的非重复扫描方式，即使在静态环境下，所扫描的轨迹与特征点也不同于上一帧，无法利用两帧之间提取的点云特征进行匹配。因此在工作中使用迭代位姿优化来估计激光雷达的位姿，以实现20Hz的实时建图。

13.1边缘之间残差

使用ε_k表示当前帧的边缘特征点集合，使用ε_m表示现有地图中的边缘特征点集合；对于ε_k中的每个点p_w，获取ε_m中与其距离最近的5个点。为了提高搜索速度，将预先构建ε_m的KD树。此外，一旦接收到最后的注册帧/子帧，KD- 树就由另一个并行线程构建。这样，当接收到新帧时，KD树便立即可用。

令pl为当前帧(第k帧)的ε_k中的一个点，由于ε_k中的p_l点位于本地LiDAR 框架中，而ε_m点已在全局地图中注册，要找到ε_m中p_l的最近点，需要通过下述公式(4)变换将其投影到全局地图中。

p_w＝R_kP_l+t_k 公式(4)

其中，(Rk，tk)是当前帧的最后一点被采样时的LiDAR姿态，需要通过姿态优化来确定。在这里，使用框架中最后一点的LiDAR姿态来表示整个框架的姿态，并使用该姿态将该框架中的所有点投影到全局地图上。还要注意，当前帧中的最后一点本质上是下一帧中的第一个点。

令p_i表示ε_m的p_w的第i个最近点。为了确保p_i确实在一条线上，计算p_w的的m个最近点形成的均值μ和协方差矩阵∑。优选地，在工作中将m设置为5。如果∑的最大特征值比第二个最大特征值大三倍，则可以确保p_w的最近点形成 p_w所在的线。然后通过下述公式(5)计算对应的点对边残差，然后将其添加到姿态优化中。

13.2平面对平面残差

与边缘特征点相似，对于当前帧的平面特征集中的一个点，在地图的平面特征集中找到5个最近的点。通过计算它们的协方差矩阵∑，确保这5个最近的点确实在同一平面内。如果∑的最小特征值比第二个最小特征值小三倍，计算当前帧中的平面点到同一平面中5个点形成的平面的距离，如下公式(6) 所示，并将此残差加到优化。

13.3帧内运动补偿

如前所述，随着LiDAR运动不断进行，在不同姿势的不同时间(即电机模糊)对3D点进行采样。为了消除运动模糊的影响，本实施例提出了以下两种方法：

13.3.1分段处理

消除运动模糊影响的一种简单而有效的方法是分段处理。通过将输入帧分为三个连续的子帧；然后将这三个子帧分别匹配到迄今累积的同一地图。在每个子帧的扫描匹配期间，使用该子帧终点处的LiDAR姿态将其所有点投影到全局地图。这样，每个子帧的时间间隔是原始帧的1/3。这种分段处理的好处是，通过并行化每个子帧的匹配，可以在现代CPU中利用多核结构。

13.3.2线性插值：

另一种常用的运动补偿方法是线性插值：以(R_k，t_k)表示LiDAR姿态在当前帧的最后一点，(R_k-1，t_k-1)为在前一帧，为在前一帧之间的相对旋转和平移和当前帧，然后，通过下述公式(7)进行计算：

假设t_k-1是前一帧中最后一点的采样时间。对于在当前帧的时间t采样的任何点，有t∈[t_k-1，t_k]，计算S＝(t-t_k-1)/(t_k-t_k-1)，则在时间t处的线性插值姿态为：

其中，θ是强度，ω是的旋转轴的单位向量。是ω的称矩阵。根据Rodrigue的公式：

这意味着仅需要为当前帧的每个点计算sin(sθ)和cos(sθ)，而其余的保持不变。这样可以简化计算。对于当前时间的LiDAR姿态为：

然后可以通过插值姿势将时间t的点投影到全局地图上，如下计算公式 (10)：

p_w(t)＝R_tp_l+t_t 公式(11)

步骤14：离群值剔除，动态对象过滤；

为了避免在现实环境中移动物体而降低扫描匹配的准确性，执行以下动态物体过滤：

在迭代姿势优化的每次迭代中，重新找到每个特征点的最近邻居并添加边到边目标函数的残差公式(5)和平面间残差公式(6)，首先以少量迭代(例如，实验中使用2次)执行姿势优化。使用优化结果，计算(5)和(6)中的两个残差，并去除前20％的最大残差。去除异常值后，最终执行全姿势优化。

步骤2：通过步骤1所述算法获取当前自主测绘小车的位姿及地图信息，并将该信息用于规划自主测绘小车路径。

具体而言，该步骤可以包括：

步骤21：根据初始位姿及激光雷达点云数据创建先验地图；

步骤22：根据RRT(快速搜索随机树算法)在所述地图中计算全局路径；

步骤3：上位机NUC微型主机计算出的全局路径转化为相应的线速度，角速度信息通过Mavlink协议传-输给下位机控制器执行。

步骤4：下位机控制器输出高电平，低电平信号给驱动板，驱动板控制电机的速度及正反转。

步骤5：电机经减速器减速，并将动力输出至车轮，带动小车运动，完成测绘任务。

以上步骤在程序未中止之前，重复执行。

综上所述，本发明提供的矿山自主三维测绘无人车及测绘方法，通过在无人机上搭载高精度建图的激光雷达，能够实现在矿井环境下的快速的三维场景重建及测绘工作，并能通过激光SLAM算法实现自主导航，规划路线；能够实现自主完成测绘任务。与传统人工测绘方式相比，大大减小了工作人员的工作强度，节省时间；缩短测绘工程工期，节约企业成本。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。