基于石化场景的多线激光雷达地面坑洼检测方法及装置与流程

本发明属于机器人，特别是涉及到一种基于石化场景的多线激光雷达地面坑洼检测方法及装置。

背景技术：

1、在石油化工等易燃易爆高危区域，防爆巡检机器人正逐步替代人工进行日常巡查。然而，这些区域环境的地面条件极其复杂，常布满因长期重载碾压形成的地面坑洼、裂缝，给防爆巡检机器人的自主移动带来了巨大挑战：

2、（1）决策能力缺失：现有的机器人大多只能检测到障碍就停下，缺乏量化判断能力，不知道前面的障碍应该如何处理，例如针对坑洼是应该“跨过去”还是应该“绕过去”。

3、（2）安全风险极高：首先存在机器人误入坑洼的风险，可能导致机器人底盘托底、电机受损，甚至侧翻，引发危险区域的二次事故；其次由于防爆要求，机器人不能携带或搭载大功率、高发热、大重量的计算硬件，难以运行复杂算法，不能精确测算坑洼数据然后自主判断越障还是绕行。

4、（3）容错成本极高：高危化工现场环境危险、空间受限，机器人一旦因判断失误卡坑、故障趴窝，人工进场施救难度大、救援成本高。

5、针对复杂地面条件带来的问题，现有技术中使用传统点云、多传感器融合、基于深度学习的计算机视觉等方案实现地面坑洼的检测，但现有技术应用于防爆巡检机器人对石油化工区域地面坑洼的识别还存在一些不足：

6、一、传统点云方案，仅能处理平坦公路等场景，靠简单高度分离逻辑，在石油化工区域石子路、砖路这类非平坦路面完全失效。

7、二、多传感器融合方案，所述多传感器（如声波+摄像头+光传感器）在防爆机器人封闭机身内，还会面临多源数据同步延迟、传感器防爆改装兼容性差的问题，并且数据处理链路长，延迟高，无法满足防爆巡检机器人实时避障、预警的需求。

8、三、基于深度学习的计算机视觉方案（如yolo 系列、u-net）易被石子路纹理、砖路缝隙干扰，误将路面正常纹理判定为坑洼；而且受光照（石化区域逆光、夜间强光巡检）、雨天积水影响大，阴影易误判为坑洼、水面反射会直接导致检测失效；在防爆巡检机器人移动巡检时，高速行驶会导致计算机视觉方案的图像模糊、车辆颠簸会引发图像抖动，需额外增加振动补偿算法，不仅增加计算复杂度，还会占用防爆机器人有限的算力。

9、另外深度学习模型高度依赖大规模、特定场景的标注数据集，现有数据集多集中于市政道路、高速路，迁移到石化区域的柏油路、石子路、砖路混合路况时，精度会大幅下降；并且深度学习模型参数量大，需要组合 dice loss、focal loss 等优化手段，对终端算力要求极高；多传感器融合方案需处理数据同步、配准，进一步加重算力负担，难以在防爆机器人的嵌入式算力平台上实现实时检测。

技术实现思路

1、本发明提出一种基于石化场景的多线激光雷达地面坑洼检测方法及装置，凭借多维度几何特征识别的技术路径，高度匹配石油化工防爆巡检机器人的多路况巡检需求，同时解决了传统方案环境适应性差、算力要求高、泛化能力弱的三大核心痛点，并通过构建坑洼评分模型，提高了坑洼检测的鲁棒性。

2、为达到上述目的，本发明的技术方案是这样实现的：

3、一种基于石化场景的多线激光雷达地面坑洼检测方法，包括：

4、s1、防爆巡检机器人周期性扫描获取周围环境的原始三维点云数据集合，点云数据结构中内置激光反射强度信息；对点云数据建立kd-tree索引结构；

5、s2、对原始三维点云数据进行多级自适应滤波，得到全局点云；所述多级自适应滤波包括基于距离自适应的统计滤波和基于扫描角补偿的半径滤波；

6、s3、基于防爆巡检机器人姿态补偿从所述全局点云中提取地面候选区域；

7、s4、引入曲率加权采样与多约束筛选机制，对地面候选区域的点云进行曲率引导的多约束ransac地面拟合，分离出地面点云；

8、s5、根据所述地面点云计算地面平均高度；在所述地面点云的前向一定范围的点云中，根据地面平均高度以及预设的高度偏差阈值，分离出包含坑洼点的候选点云集合；

9、s6、基于预设的空间距离阈值和高度阈值，对所述候选点云集合进行聚类，得到若干个候选点云簇；

10、s7、根据每个候选点云簇的平均曲率、高度变化、点云密度计算坑洼评分；根据坑洼评分选出坑洼簇，所述坑洼簇作为坑洼点云输出。

11、进一步的，步骤s1中，周期性扫描获取周围环境的原始三维点云数据集合时，防爆巡检机器人还进行动态视场裁剪，基于机器人当前的行驶速度，动态调整采集范围，剔除视场角范围外及过远距离的稀疏点云。

12、进一步的，步骤s2中，所述基于距离自适应的统计滤波包括：对于原始三维点云数据中任一点，在kd-tree中搜索其k近邻点集合，计算邻域平均距离和邻域标准差；并基于该点到激光雷达原点距离计算该点的自适应放宽系数；根据邻域平均距离、邻域标准差、以及该点的自适应放宽系数，判断该点是否为离群噪声，如果是则进行剔除。

13、进一步的，步骤s2中，所述基于扫描角补偿的半径滤波包括：

14、在基于距离自适应的统计滤波后，对每一个点基于激光雷达的扫描角和角度补偿系数定义自适应搜索半径，统计各点的自适应搜索半径内的邻域点数和邻域点云密度，将邻域点数量小于预设最小数量值或邻域点云密度小于预设最小密度值的点剔除。

15、进一步的，步骤s3中包括：引入防爆巡检机器人imu姿态信息，利用其中的俯仰角和横滚角信息，结合预设的姿态补偿系数，对基准地面范围进行补偿，得到地面候选高度范围，作为地面候选区域。

16、进一步的，步骤s4包括：对地面候选区域中的地面候选点构建邻域协方差矩阵，然后进行特征值分解，根据特征值求该地面候选点的曲率；

17、基于曲率求取采样概率，曲率越小则采样概率越高，使采样点集中于平坦区域；

18、进行ransac地面拟合时，通过所述采样点形成拟合样本，拟合平面，并对拟合得到的平面进行法向约束检查和粗糙度约束检查，选出内点最多、约束满足的平面作为地面点云。

19、进一步的，步骤s5中候选点云集合的各点与所述地面平均高度的高度差小于所述高度偏差阈值，所述高度偏差阈值根据防爆巡检机器人的越障能力进行调节。

20、进一步的，步骤s6包括：对所述候选点云集合的每两个点，如果二者空间距离小于所述空间距离阈值，并且二者的高度差小于所述高度阈值，则聚类为一簇；从而得到若干个候选点云簇。

21、进一步的，步骤s7包括：每个候选点云簇对该点云簇的平均曲率、高度变化、点云密度进行加权和的计算，得到该点云簇的坑洼评分。

22、本发明另一方面还提出了一种基于石化场景的多线激光雷达地面坑洼检测装置，包括：

23、数据采集模块：用于防爆巡检机器人周期性扫描获取周围环境的原始三维点云数据集合，点云数据结构中内置激光反射强度信息；对点云数据建立kd-tree索引结构；

24、预处理模块：用于原始三维点云数据进行多级自适应滤波，得到全局点云；所述多级自适应滤波包括基于距离自适应的统计滤波和基于扫描角补偿的半径滤波；基于防爆巡检机器人姿态补偿从所述全局点云中提取地面候选区域；引入曲率加权采样与多约束筛选机制，对地面候选区域的点云进行曲率引导的多约束ransac地面拟合，分离出地面点云；根据所述地面点云计算地面平均高度；在所述地面点云的前向一定范围的点云中，根据地面平均高度以及预设的高度偏差阈值，分离出包含坑洼点的候选点云集合；

25、坑洼识别模块：基于预设的空间距离阈值和高度阈值，对所述候选点云集合进行聚类，得到若干个候选点云簇；根据每个候选点云簇的平均曲率、高度变化、点云密度计算坑洼评分；根据坑洼评分选出坑洼簇，所述坑洼簇作为坑洼点云输出。

26、与现有技术相比，本发明具有如下的有益效果：

27、本发明设计多维度几何特征识别的技术路径，高度匹配石油化工场景下防爆巡检机器人的多路况巡检需求，同时解决了传统方案环境适应性差、算力要求高、泛化能力弱的三大核心痛点，并通过构建同时考虑空间距离、高度变化、局部曲率、点云密度的坑洼评分模型进行坑洼的检测识别，避免了传统欧式聚类误把斜坡或障碍物当坑洼的问题，提高坑洼检测的准确性和鲁棒性。