人工智能背景下實現信息化測繪的方法研究

蘇俊武

（中國冶金地質總局第三地質勘查院，太原030002）

當今世界經濟發展越來越全球化，現代測繪技術的發展也越來越專業化、數字化、信息化[1]。目前，測繪數據管理數據包括測繪數據、測繪生產過程數據和大部分測繪部門的數據，這些數據的生產過程中往往需要專門的硬盤數據管理人員對掛板進行查詢，嚴重影響生產效率。在數據借用、磁盤空間、數據安全和數據安全管理等方面存在許多問題。為此，國內外學者開發了基于網絡計算的測繪數據處理平臺[2-3]。

針對上述問題，文獻[4]提出了一種基于無人機的信息化測繪系統，由于采用了遺傳算法進行優化過程，保證視圖覆蓋率的耗時空間探索變得更加有效。然而，該方法大多只進行2D 感知和定位，這對視圖信息的獲取非常不利；文獻[5]公開采用了基于無人值守自主車輛進行實地勘測，采用傾斜攝影相機ZTRS-M5B 的采集大量測繪數據傳輸到后臺的點云處理模型中，但車輛勘測器需要根據各視圖的信息確定路徑，但其感知范圍有限，優化后的視圖序列還受到定位精度和視圖質量的影響。

1 信息化測繪系統設計

針對上述問題，本研究結合異構UAV-UGV，采用同步定位與繪圖技術實現信息化測繪系統，其結構如圖1所示。

圖1 信息化測繪系統框架Fig.1 Framework of information surveying and mapping system

在信息化測繪系統上，監控自動化系統可以收集信息化測繪系統的狀態（例如：CPU 使用率、帶寬、數據量、功耗等），并每隔一段時間將狀態信息發送到邊緣節點，每個節點中的傳輸模塊均進行數據壓縮和恢復，經處理的測繪視圖在節點之間傳輸[6]。在邊緣計算平臺中，推理引擎組件對需要計算和存儲資源的測繪數據進行最終處理。數據傳輸的過程主要包括序列化、數據包傳輸、解析與反序列化。測繪數據流被推送到云端進行處理，信息化測繪系統在每個節點上分配數據處理，數據主體以json 字符串的格式設置，可以根據數據大小來確定數據包的范圍[7]。

2 關鍵技術

2.1 基于特征的定位與映射

為了實現同步定位與信息化測繪，本研究采用基于測繪樣本特征定位的SLAM 模塊，包含所有與點云兼容的傳感器，該傳感器勘測與繪圖原理遵循特征提取、特征關聯與運動估計和映射3 個步驟：

（1）特征提取

為了提取可靠的測繪樣本特征，通常需要剔除離群點和進行穩健擬合。在2D 激光掃描中，通常根

據掃描點在局部鄰域的變化來選擇相應的特征點。本研究應用歐幾里德距離聚類步驟，然后選擇特征點來表示相鄰的屬性、邊緣和平面點[8]。假設無人機第k 次旋轉的單個掃描l 中的測繪樣本特征點p，定義相對變 化率Rk，l，p來區分邊緣點ek，l，i（大于一定的變化率）從平面點fk，l，i開始（小于一定的變化率）：

式中：Xk，l，p是指測繪樣本特征點p 的坐標；l 是指在局部鄰域內的第k 次旋轉的單個掃描l 中入射到點p 的邊的平均長度，即：

式中：N是指與p 相鄰點的總數；q 屬于N，是指p的相鄰點。

（2）特征關聯

本研究分別構造了點對線策略和點對平面策略對應的幾何關系來關聯不同旋轉的點，通過在第k 次旋轉中使用邊點p 和在（k+1）次旋轉中使用其最近鄰點m 來形成點到線對應。此外，在連續掃描中搜索m 的相鄰點并將其表示為n。邊點到線的距離de可使用以下公式獲得：

式中：vl的距離長度為 （Xk+1，l，m-Xk+1，l，n），ve的距離長度為（Xk，l，p-Xk+1，l，m），其邊點到線的距離如圖2所示。

圖2 邊點到線圖解Fig.2 Edge point to line diagram

點到平面的對應關系由沿法線方向的第k 次旋轉中的平坦測繪樣本特征點q 到第（k+1）次旋轉中的相鄰點r 形成。因此，點到平面的距離de可以計算為

式中：vp的距離長度為 （Xk，l，q-Xk，l，r），n 是由r，s 和t的非共線相鄰點確定的單位法向：

式中：vp1的距離長度為（Xk+1，l，n-Xk+1，l，r）；vp2的距離長度為（Xk，l，t-Xk+1，l，r），其邊點到面的距離如圖3所示。

圖3 邊點到面圖解Fig.3 Edge point to surface diagram

（3）運動軌跡預測與映射

考慮無人機的攝像頭動態3D 激光掃描，需要預測其運動軌跡及其對應的測繪特征點，假設無人機 第（k+1）次旋轉Xk+1，l，p中3D 測繪樣本特征點p相對于最后一個激光幀k 的平移和旋轉表示為

式中：Rk+1是指無人機機身歐拉角矩陣；Pk+1是指無人機在x，y，z 特征點3D 角度綜合點，基于上述變換關系得出Tk+1=（Rk+1，Pk+1），結合特征點對應關系可形成表示式（3）和式（4）的非線性函數w（Tk+1）=d。平方誤差函數可以建立為

為使式（7）目標函數S=0 最小化，采用信任區域反射法，其相應的信任區域函數ψ（σi）可通過以下公式求解：

式中：自變量σi=（Tk+1）i+1-（Tk+1）i，g 與H 分別是指在Tk處計算的w 的梯度和Hessian 矩陣的特征值，假設Δk>0 是指信賴域半徑，可接受的比率rk為

式（9）用于確定試驗步驟的迭代次數σi。

2.2 運動路徑規劃與導航

針對信息化測繪系統中SLAM 模塊的非線性誤差函數進行優化，本研究進一步研究了SLAM 模塊結果并擴展了主動映射函數。其中包含視圖規劃算法框架以及基于體地圖的運動規劃接口，用于生成相應的探索路徑，以優化勘測視圖規劃模塊。此外，考慮到傳感器的約束條件，進行在線視圖規劃和運動規劃，進一步勘測與繪圖未知環境。有關視圖規劃算法框架如圖4所示。

圖4 勘測視圖規劃算法框架Fig.4 Survey view planning algorithm framework

系統框架在未知環境中實例化時，執行初始掃描，同時相應地更新映射，規劃人員使用本研究提出的基于邊界的覆蓋采樣器生成一組視圖點，該采樣器的目標是全面覆蓋已勘測和未知區域的邊界。為了獲得全局最優的路徑，采用固定起點開放式旅行商問題（fixed start open traveling salesman problem，FSOTSP）求解器，啟發式地計算出最優的探索路徑開放序列[9]。通過基于采樣的運動路徑（BIT-H）算法來限制規劃空間，以加速收斂到最優解。此外，本研究使用本地軌跡規劃器（如無人機的CHOMP solver 和無人值守車輛的DWA 規劃器）進一步優化邊界[10]。

為了提高計算處理效率，本研究提出基于測繪信息增益模型來優化勘測視圖規劃算法。建立了基于占用概率和基于可見性的測繪信息增益模型，以反映測繪樣本特征點不確定區域內占用概率的偏差β，其計算公式為

式中：p（oi|x，z）和p（vi|oi-1，x，z）分別是指瞬時圖中記錄的當前占用概率和從視圖點x 測量的oi的可見性概率。可見性轉換可以作為占用概率p 分布的補碼的函數進行傳播，即：

式（11）符合這樣一個事實，即占用率p 越低，表示覆蓋的可能性越小，同時能見度也越高。在這種情況下，空閑單元和占用單元的值較小，而未知單元的值較大，在［0，1］之間呈拋物線形狀。x 處的總信息增益為

式中：z 表示體積圖中的測量值。在實際應用中，UAV 視圖點采樣需要從3D 空間轉換為2D 空間，以允許UGV 的即時導航，為了進行完整的探索，本研究為算描述的最小視圖點規劃集提出了一個基于邊界的覆蓋規劃器，以適應不同的勘測和制圖網絡層[11]，關于構建邊界的覆蓋規劃器程序代碼如下：

在覆蓋規劃器中，視圖點采用均勻采樣（從空間X 隨機抽取均勻采樣x1）和鄰域采樣（在半徑為r的x1的鄰域中采樣隨機采樣x2），從邊界區域隨機采樣視圖點，需進行邊界檢查和可見性檢查。對于勘測層的輸出，這是通過指定范圍的基于k-d 樹算法的最近鄰檢查來實現的；對于制圖層的輸出，本研究使用光線投射在OctoMap 環境模型（見圖4）中標記各個視圖點的覆蓋范圍。一個樣本只有在一個自由空間中并且在其鄰域中對一個未知空間樣本可見時才被選為一個可容許的邊界視圖點，即有效樣本由TheValidOf 函數輸出[12]。

綜上所述，UVA-UGV 在瞬時地圖和傳感器模型方面盡可能地分散樣本，并預測相對較長的行程，同時使勘測路徑全局合理和平滑，從而使每次迭代收集的信息獲得更高的勘測精度。

3 實驗與分析

為了驗證了信息化測繪系統在實際應用中的可行性，本節對UAV-UGV 系統在未知環境中進行測繪操作進行了實驗。

3.1 硬件配置

UAV-UGV 系統由一個靈活的微型無人機和一個自主無人地面車輛組成，其實體如圖5所示。

圖5 UAV-UGV 系統Fig.5 UAV-UGV system

圖5（a）無人機是由碳纖維制成的四旋翼平臺，機載傳感器包括慣性測量單元和磁羅盤，用于為安全的飛行員提供基本的機動性，板載算法處理安裝了使用Intel NUC 的高級處理器；圖5（b）無人值守地面車輛是由4 個獨立的伺服電機驅動的Mecanum車輪制成，微控制器通過以太網連接直接與板載處理器通信。無人機和無人值守地面車輛之間的通信基于通過安全外殼的無線網絡連接，定制的旋轉激光雷達設備剛性安裝在無人機平臺的頂部，立體相機安裝在激光雷達下方，以采取精細的測繪樣本特征點，其參數如表1所示。

表1 立體相機參數Tab.1 Stereo camera parameters

3.2 實驗結果

為了突顯本研究UAV-UGV 系統的優勢，通過對比文獻[5]中基于無人值守自主車輛的信息化測繪系統，測試兩種系統獨立測繪圖，本研究采用16通道的激光雷達模型和射程達30 m 的立體視覺傳感器模型進行UGV2.5D 測繪，無人機3D 地圖的視場和射程可達10 m，通過Gazebo 模擬器轉子進行模擬，測試環境在帶有雜亂障礙物的模擬艙室，如圖6所示。

圖6 模擬艙室示意圖Fig.6 Schematic diagram of simulation cabin

在測試開始之前，首先設置兩種系統的運動軌跡規劃，測試過程中相機每隔1 s 間隔拍一次照片，在拍照同時記錄相機位置和姿態信息。測試時間為60 min，一共拍攝了3600 張照片，測繪數據通過無線傳輸到后臺系統進行處理，進行相應的2D 重建與3D 重建，最終得出了兩種系統模擬測繪圖，如圖7和圖8所示。

圖7 獨立UGV 測繪圖Fig.7 Independent UGV mapping

圖8 UAV-UGV 測繪圖Fig.8 UAV-UGV mapping

兩種方法都能生成合理的探測路線，從無到有地對環境等高線進行完整的整體測繪，足以各自導航。無人值守自主車輛探索了帶有雜亂障礙物和障礙物的模擬艙室，提供了艙室的粗略2D 體積模型。然而，由于文獻[5]中車輛傳感器的限制，UGV 的測繪特征點映射能夠提供一個基本的環境輪廓，2D 地圖比較稀疏，其內部布局細節缺失，并且遺漏了測繪地圖拐點處的某些細節。而本研究UAV-UGV 系統結合了帶有傾斜激光模塊的無人機繼續執行精細測繪，覆蓋無人值守地面車輛無法到達的區域的未收集信息，最后得到完整的測繪信息，這表明本研究UAV-UGV 系統具有可靠性。

考慮到信息化測繪系統的適用性，對比文獻[4]采用無人機進行獨立勘測與本研究兩種方案完成測繪地圖重建的時間，以重建70%，80%，90%為多個測試點，其統計如圖9所示。

圖9 獨立UAV 與UAV﹣UGV 測繪時間對比Fig.9 Comparison of mapping time between independent UAV and UAV-UGV

結果表明，在這種大規模環境中，UAV-UGV 在測繪效率方面更具優勢，這歸功于測繪信息增益模型節省了大部分視圖規劃和運動規劃工作，使得原始的全局優化問題被粗略地求解并分解為局部子優化操作，減少了規劃空間，提高了系統輸出測繪視圖的效率。

4 結語

在人工智能的背景下，本研究建立了信息化測繪系統，提出了一個使用UAV-UGV 自主測繪方法，采用基于深度的SLAM 模塊生成最佳探索路徑和一個用于瞬時運動規劃，并盡可能地分散測繪樣本，同時使預測勘測路徑全局合理和平滑，從而使每次迭代收集的信息獲得更高的勘測精度。綜合探測路徑規劃與導航框架和協同感知方案，實現了復雜GPS 環境下未知環境的勘測。此外，本研究經過實驗驗證了信息化測繪系統的適用性與可靠性，提高了測量數據處理的效率，方便了測繪教學的生產和使用，具有重要的現實意義。