(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210802040.2 (22)申请日 2022.07.08 (65)同一申请的已公布的文献号 申请公布号 CN 114862957 A (43)申请公布日 2022.08.05 (73)专利权人 西南交通大 学 地址 610031 四川省成 都市金牛区二环路 北一段111号 (72)发明人 秦娜　谢林孜　黄德青　杜元福　 刘佳辉　周期　罗兵　 (74)专利代理 机构 成都高远知识产权代理事务 所(普通合伙) 51222 专利代理师 李安霞　谢一平 (51)Int.Cl. G06T 7/73(2017.01) G06T 7/60(2017.01) G06T 7/11(2017.01)G06T 5/20(2006.01) (56)对比文件 CN 113808133 A,2021.12.17 CN 101293529 A,2008.10.29 CN 112389505 A,2021.02.23 CN 114397877 A,2022.04.26 CN 113240038 A,2021.08.10 CN 112767391 A,2021.0 5.07 CN 114119553 A,2022.03.01 CN 111582232 A,2020.08.25 CN 108921893 A,2018.1 1.30 US 2019205665 A1,2019.07.04 CN 113589685 A,2021.1 1.02 卢海林.基 于2D-3D图像信息融合的列车 车 底中心鞘螺 栓故障检测方法. 《中国优秀硕士学 位论文全文数据库》 .202 2,(第02期), 审查员 祝丽业 (54)发明名称 一种基于3D激光雷达的地铁车底定位方法 (57)摘要 本发明公开了一种基于3D激光雷达的地铁 车底定位方法， 具体为： 通过位于地铁巡检机器 人上的3D激光雷达获取地铁车底环境三维点云 数 据 ；基 于 深 度 学 习 的 目 标 检 测 网 络 PointPillars实现快速定位和识别车底点云中 的三维目标； 通过直通滤波器对需要进行测距定 位的目标框进行提取， 过滤掉不属于目标主成份 的点云； 再对提取出的目标框进行下采样处理， 控制点云数量； 拟合目标点云在各方向上的平 面， 并计算各方向上的平面在对应方向的中点位 置信息， 从而得到目标物中心点相对于激光雷达 的位置信息， 实现定位。 本发明实现了精准定位， 提高了算法的泛化性， 平衡了检测速度和检测精 度， 为巡检机器人后期的导航巡检工作奠定了扎 实的基础。 权利要求书1页 说明书7页 附图4页 CN 114862957 B 2022.09.27 CN 114862957 B 1.一种基于 3D激光雷达的地铁车底定位方法， 其特 征在于， 包括以下步骤： 步骤1： 采用3D激光雷达获取地铁车底点云数据； 步骤2： 利用基于深度学习的目标检测网络PointPillars实现快速定位和识别车底点 云中的三维目标框； 步骤3： 目标框点云预处 理； S31： 采用直通滤波， 保留需要进行测距定位的目标框点云， 过滤掉背景点云中非目标 成分， 实现对一个简单立方体的分割提取； S32： 再对提取 出的目标框进行采样处 理， 控制点云数量； 步骤4： 拟合目标框点云在各方向上的平面， 并计算各方向平面在对应方向的中点位置 信息， 从而获得目标物相对于雷达的位置信息； S41： 利用RANSAC先随机 选取一些点， 用这些点去组成一个平面； S42： 用获得的平面去测试剩余的点， 如果测试的数据点到平面的距离在误差允许的范 围内， 则判断为内点 inlier， 否则为外点 outlier； S43： 计算内点inlier的数目， 如果内点数目达到了设定的阈值 m， 则继续步骤S44， 否则 继续步骤S41 ‑S43， 直到满足循环终止条件为止， 此时得到的模型便认 为是对数据点的最优 模型构建， 循环终止条件 满足下式： 空间平面拟合至少需要3个空间点， 因此RANSAC算法应用于空间平面拟合时， N=3，P表 示一些迭代过程中从数据集内随机选取出 的点均为局内点的概率， 因此 P也表征了算法产 生有用结果的概率； 是所有N个点均为内点inlier的概率； 是N个点中至少有一个 点为外点outlier的概率； S44： 对拟合得到的各方向上的平面点云进行对应方向排序， 获取各平面在对应方向上 的中点位置信息， 从而得到目标物相对于 激光雷达的位置信息， 辅助机器人定位。 2.根据权利要求1所述的一种基于3D激光雷达的地铁车底定位方法， 其特征在于， 所述 步骤2具体为： S21： 将点云数据划分为若干数量的Pillars， 然后通过最大池化操作从Pillars中提取 特征， 并将提取的特 征压缩为鸟瞰图， 生成伪2D图； S22： 将伪2D图作为输入， 通过区域候选网络2D ‑CNN和单步多尺度检测网络SSD实现目 标检测任务， 获取三维目标边界框 。权　利　要　求　书 1/1 页 2 CN 114862957 B 2一种基于3D 激光雷达的地铁车底定位方 法 技术领域 [0001]本发明属于地铁车底定位技术领域， 尤其涉及一种基于3D激光雷达的地铁车底定 位方法。 背景技术 [0002]城市轨道交通的建设是解决交通拥堵、 带动就业以及带动经济发展的重要方式之 一， 随着我国经济的发展及城市轨道交通的技术的成熟， 各城市纷纷开通城市轨道交通线 路。 而大量地铁的开通， 必不可免会带来各种行车安全问题。 要建立智能运维体系， 从而提 升城轨装 备维护的智能化程度和运 维效率。 为此地铁巡检维护智能化， 现在也被提上日程， 成为了当下研究的热点， 所以建立列车安全保障体系成为城市轨道系统建设中必不可少的 一环。 [0003]随着“互联网+”城市轨道交通的发展， 基于自动化、 智能化的新技术与新模式不断 出现， 其中机器人技术、 人工智能、 大数据、 图像处理技术等助力了智慧城市轨道交通， 而当 下地铁巡检机器人 的问世也的确替代了人工巡检工作， 大大提升了智能巡检维护的效率， 而对于巡检机器人而言， 前期的定位导航为后期 机器人移动到对应位置采集相关部件数据 进行监测分析奠定了至关重要的基础。 目前多数巡检机器人采用人工路标导航、 超声波传 感器、 激光测距仪、 相机等来实现对目标的识别与定位。 人工路标导航， 费工费时， 效率低， 主要依赖工作人员的现场工作经验来进行路标标注， 具有一定的主观性， 难以保证定位结 果的准确率。 基于超声波传感器、 激光测距仪这类方法的成本较高， 智能度也不够， 算法鲁 棒性不强， 这显然不符合中 国城轨交通协会提出的城市轨道交通智能化、 高效化建设要求。 而基于相机的方法即视角SLAM， 是多数巡检机器人目前会采用的方法， 但是， 由于相机传感 器光学特性的限制， 相 机只能在光照充足且稳定的环境下工作， 而对于工作环境狭小密闭 且场景复杂的地铁车底而言， 采用相 机的方法将会受到环境影响。 而激光雷达因其不受外 界光照影响， 成为无人驾驶 感知方案的主流， 激光雷达定位具有极高的分辨率、 抗干扰能力 强、 获取的信息量丰富、 精度可达厘米级， 适用于室内尤其是场景复杂的情况下， 因此基于 激光雷达的地铁车底定位成为了目前研究的一个热点。 [0004]从上述背景中可以分析出利用3D激光雷达实现列车车底定位需要解决以下几个 关键点： （1） 算法模型须能够适应狭小密闭且场景复杂的地铁车底环境， 能够不受光照、 污 渍等环境因素的干扰， 具有强鲁棒性。 （2） 算法模型必须具备高精度、 高稳定性以及泛化性 的特点， 能够精 准获得位置信息， 实现定位功能， 完美辅助后 期巡检机器人导航巡检。 （3） 高 效率， 智能巡检只能在地铁停 运的阶段进 行， 在不影响地铁正常发车运行， 需在较 短时间内 完成一系列的巡检工作， 故需算法模型在较短的时间内完成车底定位， 才能更好地辅助后 期项点检测。 发明内容 [0005]针对上述问题， 本发明提供了一种基于 3D激光雷达的地铁车底定位方法。说　明　书 1/7 页 3 CN 114862957 B 3