黄金科学技术,2020,28(1):105-111doi:10.11872/j.issn.1005-2518.2020.01.043
采选技术与矿山管理
2.中南大学数字矿山研究中心，湖南长沙410083
2.CenterofDigitalMineResearch，CentralSouthUniversity，Changsha410083，Hunan，China
收稿日期:2019-05-05修回日期:2019-09-17网络出版日期:2020-03-06
Received:2019-05-05Revised:2019-09-17Online:2020-03-06
作者简介Aboutauthors
巷道边线是井下铲运机反应式导航系统中重要的感知信息。为了准确可靠地在井下环境中感知巷道边线，提出一种基于二维激光扫描信息和随机抽样一致性（RANSAC）的巷道边线检测算法。首先计算每个激光点的曲率，根据曲率阈值将激光点云划分为多个区域；然后基于RANSAC从每个区域提取直线，并根据铲运机航向角及巷道的设计标准进行筛选；最后合并筛选后的激光点云数据，使用RANSAC算法生成最终的巷道边线。基于地下矿山6种典型的巷道场景对算法效果进行验证，结果显示提取的巷道边线可靠度均达到96%以上，且算法具有很高的实时性和稳健性。
关键词：井下铲运机;激光雷达;随机抽样一致性;巷道边线检测;反应式导航;地下矿山
Keywords：undergroundLHD;lidar;randomsamplingconsistency;roadwayedgedetection;reactivenavigation;undergroundmine
本文引用格式
毕林,段长铭,任助理.基于RANSAC的地下矿山巷道边线检测算法[J].黄金科学技术,2020,28(1):105-111doi:10.11872/j.issn.1005-2518.2020.01.043
BILin,DUANChangming,RENZhuli.RoadwayEdgeDetectionAlgorithmBasedonRANSACinUndergroundMine[J].GoldScienceandTechnology,2020,28(1):105-111doi:10.11872/j.issn.1005-2518.2020.01.043
本文提出了一种基于二维单线激光雷达扫描信息和随机抽样一致性的井下巷道边线检测方法，通过考虑矿山井下巷道环境的特点及复杂性，提高算法在多种类型巷道环境下的稳健性和准确度。文中阐述了该方法的数学原理及算法实现流程，并通过6组激光模拟数据对算法的效果进行了验证及分析。
RANSAC算法的数学推导过程如下：
首先，假设数据集中内点占所有数据的比例为t，有
然后，假设用RANSAC算法求解的数学模型需要的点数为n。n的值由求解的问题确定，如求解直线模型时n为2，求解平面模型时n为3。则用RANSAC算法解得正确模型的概率P为
由于内点所占比例t是一个先验值，且是未知数，所以通常先赋给t一个经验值。根据式（2），可得t和迭代次数k共同影响RANSAC算法求得正确模型的概率，如果赋给t的经验值与真实值偏差过大，可以通过调整迭代次数来保证算法的准确度P，迭代次数k由以下公式得出：
式中：P为算法的目标准确度；k为迭代次数；t为内点占比。
图1基于RANSAC的巷道边线检测流程
Fig.1RoadwayedgedetectionprocessbasedonRANSAC
步骤1：计算激光点曲率
公式如下：
步骤2：根据激光点曲率划分不同的区域
在曲率出现突然变化的点处，将该点前后的激光点划分为2个部分。
步骤3：运用RANSAC提取不同区域的直线
应用RANSAC算法，从每一部分激光点提取巷道边线，并存储每个巷道边线的斜率和截距。
步骤4：根据铲运机运动方向和巷道设计标准筛选巷道边线
巷道边线筛选原则如下：
（1）巷道边线应该以铲运机为中点，分成左右2个部分。
（2）为保证铲运机的安全，铲运机运动方向与巷道走向夹角始终不超过50°。
（3）巷道边线原则上是两两平行的，但是由于实际建设或数据收集过程存在误差，相交角度应该在一定范围内（本文设置相交角度范围为小于20°），则有
（4）巷道宽度范围应满足矿山巷道设计要求，本文设置为约2.2m。
步骤5：合并筛选剩余的巷道边线激光点，并再次运用RANSAC算法进行最终巷道边线提取，同时计算巷道边线可靠度。
算法数据基于二维单线激光雷达。单线激光雷达与多线束激光雷达相比，具有体积小、测量速度快、数据量少和成本较低的优点，因此更加适用于巷道边线的检测。为了测试本文所提算法的准确度和稳健性，共准备了6组激光点云模拟数据，分别代表地下矿山井下巷道中6种典型的场景，其中既有对应相对简单情景的数据，也有对应相对复杂情景的数据，所以试验结果具有很好的代表性。
6组激光点云数据是在铲运机航向角与巷道真实走向完全一致的假设条件下模拟得出（航向角与x轴夹角为90°，模拟的巷道真实走向与x轴夹角也为90°）。本文的研究重点是如何在井下根据二维激光扫描信息提取巷道边线，所以文中数据是指经过去除运动畸变等处理的激光点数据，不需要考虑铲运机运动速度等因素的影响。
图2激光点云数据集
Fig.2Laserpointclouddataset
图3巷道边线提取效果图
（a）直行巷道分段；（b）转弯处分段；（c）交叉口处分段；（d）直行巷道最终结果；（e）转弯处最终结果；（f）交叉口处最终结果；（g）多交叉口巷道分段；（h）不规则交叉口处分段；（i）采场处分段；（j）多交叉口巷道最终结果；（k）不规则交叉口处最终结果；（l）采场处最终结果
Fig.3Effectmapofroadwayedgeextraction
表1巷道边线可靠度分析
Table1Reliabilityanalysisofroadwayedge（%）
Table2Operatingtimeofalgorithm
通过分析试验结果得出：在6种场景下，提取的巷道边线平行度都在93%以上，巷道边线与航向角契合度都在96%以上，巷道边线内点占比都在92%以上，最终计算得到提取的巷道边线总体可靠度都在96%以上；同时生成的巷道边线经可视化显示后均符合井下巷道工程实际情况，没有异常；算法的平均解算时长为72.51ms，最大值为89.47ms，完全满足井下反应式导航的需求。以上结果说明本文所提方法能够有效准确地提取巷道边线，并且具有很高的实时性。
（2）算法稳健性评估。试验场景设计由简单到复杂，已经对算法的稳健性进行了一定程度的测试。为了更加深入地评估算法的稳健性，通过删除当前数据的1/2和2/3来模拟不同角度分辨率的激光数据，如果激光雷达原本角度分辨率是1°，经上述处理之后分别为2°和3°，这样就可以评估当使用更低数据速率（角度分辨率更大）的雷达或小功率处理器时算法的效果。
表3由不同角度分辨率数据提取的巷道边线可靠度
Table3Reliabilityofroadwayedgeextractedfromdifferentangleresolutiondata
表4试验数据方差分析
Table4Varianceanalysisofexperimentaldate
（1）针对多粉尘及巷道壁凹凸不平的井下封闭环境，提出了基于RANSAC的巷道边线检测算法，用于辅助井下铲运机的反应式导航，为实现井下铲运机的自主导航提供技术支撑。
（3）稳健性分析试验结果表明：该算法在矿山复杂多变的环境和较大角度分辨率的激光数据下均能稳定有效地提取巷道边线，具有很高的稳健性。
DragtBJ.ModelingandControlofanAutonomousUndergroundVehicle
陈盟，王李管，贾明涛，等.地下铲运机自主导航研究现状及发展趋势
ChenMeng，WangLiguan，JiaMingtao，etal.AnoverviewofautonomousnavigationtechniquesanddevelopmenttrendforundergroundLHD
姜勇.基于双变量PID控制算法的地下智能铲运机自主导航技术研究
JiangYong.TechnicalstudyonautonomousnavigationofsmartundergroundscraperbasedonbivariatePIDcontrolalgorithm
杨超，陈树新，刘立，等.反应式导航在地下自主行驶铲运机中的应用
YangChao，ChenShuxin，LiuLi，etal.Reactivenavigationforundergroundautonomousscraper
LarssonJ.ReactiveNavigationofanAutonomousVehicleinUndergroundMines
BorensteinJ，EverettHR，FengL，etal.Mobilerobotpositioning：Sensorsandtechniques
李晓梅，贾明涛，李宁，等.基于模糊控制的井下自主铲运机的安全导航
LiXiaomei，JiaMingtao，LiNing，etal.Safenavigationofundergroundautonomouscarryscraperbasedonfuzzycontrol
张绍光.基于局部重建的点云特征点提取
ZhangShaoguang.FeatureDetectiononPointCloudsViaLocalReconstruction
陈岚峰，杨静瑜，崔崧，等.基于MATLAB的最小二乘曲线拟合仿真研究
ChenLanfeng，YangJingyu，CuiSong，etal.MATLABsimulationofcurvefittingbasedonleast-squares
HoughV，PaulC.Methodandmeansforrecognizingcomplexpatterns
FischlerMA，BollesRC.Aparadigmformodelfittingwithapplicationstoimageanalysisandautomatedcartography
LarssonJ，BroxvallM，SaffiottiA.Laserbasedcorridordetectionforreactivenavigation
王旭宸，卢欣辰，张恒胜，等.一种基于平行坐标系的车道线检测算法
WangXuchen，LuXinchen，ZhangHengsheng，etal.Alanedetectionmethodbasedonparallelcoordinatesystem
杜恩宇，张宁，李艳荻.基于Gabor滤波器的车道线快速检测方法
DuEnyu，ZhangNing，LiYandi.LanelinequickdetectionmethodbasedonGaborfilter
段建民，李岳，庄博阳.基于改进SIS算法和顺序RANSAC的车道线检测方法研究
DuanJianmin，LiYue，ZhuangBoyang.LanelinedetectionmethodresearchbasedonimprovedalgorithmofSISandsequentialRANSAC
贾会群，魏仲慧，何昕，等.基于神经网络与最小二乘法的车道线检测算法研究
JiaHuiqun，WeiZhonghui，HeXin，etal.Aresearchonlanemarkingdetectionalgorithmbasedonneuralnetworkandleastsquaresmethod
游俊甫.基于RANSAC的点云数据特征提取
YouJunpu.FeatureExtractionofPointCloudDataBasedonRANSAC
ZhangJ，SinghS.Low-driftandreal-timelidarodometryandmapping