面向無人駕駛礦車的露天礦山道路坡度實(shí)時(shí)檢測方法

孟德將，田 濱，蔡 峰，高義軍，陳 龍

1. 北京慧拓?zé)o限科技有限公司，北京 100190； 2. 中國科學(xué)院自動化研究所復(fù)雜系統(tǒng)管理與控制國家重點(diǎn)實(shí)驗(yàn)室，北京 100190； 3. 中國科學(xué)院大學(xué)人工智能學(xué)院，北京 100190； 4. 中國中煤能源集團(tuán)有限公司，北京 100120； 5. 安徽馬鋼礦業(yè)資源集團(tuán)南山礦業(yè)有限公司，馬鞍山 243031； 6. 中山大學(xué)數(shù)據(jù)科學(xué)與計(jì)算機(jī)學(xué)院，廣州 510006

智慧礦山已經(jīng)成為礦山發(fā)展的方向。露天礦山道路坡度變化范圍大，無人駕駛礦車容易發(fā)生因下坡急減速導(dǎo)致的物料外撒或因上坡導(dǎo)致的溜車等危險(xiǎn)。無人駕駛礦車需要精確檢測車輛前方一定范圍內(nèi)的道路坡度，輔助速度規(guī)劃合理規(guī)劃速度，才能避免危險(xiǎn)的發(fā)生。無人駕駛礦車依據(jù)道路坡度合理規(guī)劃速度后，還可以提升運(yùn)輸?shù)男省?/p>

目前可以用于無人駕駛礦車實(shí)時(shí)檢測露天礦山道路坡度的方法主要分為4類。

(1) 基于INS或GNSS，直接從車載高精度的INS讀取俯仰角、基于GNSS單天線計(jì)算水平與豎直方向的速度比或基于GNSS雙天線提取信號的低頻部分等作為道路的坡度[1-5]。這一類方法在道路坡度小且平整的結(jié)構(gòu)化場景中精確度較高，但是在檢測露天礦山道路坡度時(shí)有兩個(gè)挑戰(zhàn)：①礦山道路坡度大且不平整，礦車在行駛過程中的俯仰和彈跳運(yùn)動會降低檢測精確度；②無法實(shí)時(shí)檢測車輛前方的道路坡度。

(2) 基于SLAM算法，首先提取周圍環(huán)境的線、面等特征；然后利用幀間匹配算法或地圖匹配算法等構(gòu)建精確的三維環(huán)境地圖；最后可以檢測道路坡度[6-12]。這一類方法在幾何特征明顯的結(jié)構(gòu)化場景中的精確度比較高，但是在檢測露天礦山道路坡度時(shí)有一個(gè)挑戰(zhàn)：露天礦山幾乎沒有樹木和建筑，幾何特征缺失，在一些特征缺失嚴(yán)重的路段容易匹配錯(cuò)誤，導(dǎo)致道路坡度檢測精確度較低。同時(shí)，這一類方法測出的也是車輛的俯仰角，而不是道路的坡度。

(3) 基于卡爾曼濾波器或龍伯格(Luenberger)觀測器等，通過分析車輛的受外力情況建立車輛模型，進(jìn)而利用動力學(xué)的方法估計(jì)道路的坡度[13-19]。這一類方法無須借助昂貴的激光雷達(dá)或INS，但是該方法檢測道路坡度會受到車輛動力學(xué)性能和道路條件的影響，露天礦山道路不平整，同時(shí)獲取的礦車動力學(xué)參數(shù)也存在誤差，所以很難獲得精確的道路坡度。

(4) 基于激光雷達(dá)的方法。激光雷達(dá)可以實(shí)時(shí)精確地獲得周圍環(huán)境的三維位置信息，基于激光雷達(dá)的這個(gè)特點(diǎn)，已經(jīng)提出了很多地形檢測的方法。研究比較多的地形包括路沿(路面)、凹坑等。路沿(路面)的研究方法主要分為兩類：一類基于傳統(tǒng)方法，首先使用高度差、ILP(integral laser points)等特征提取路沿候選點(diǎn)，然后使用霍夫變換、B樣條等方法對路沿候選點(diǎn)進(jìn)行曲線擬合，提取最終的道路邊界[20-21]；另外一類基于機(jī)器學(xué)習(xí)或深度學(xué)習(xí)的方法，使用CNN(convolutional neural network)或DCNN(deep convolutional neural network)等對路面進(jìn)行分割，從而提取路面[22-23]。凹坑主要采用傳統(tǒng)方法，一種方法是首先通過投影獲得點(diǎn)云深度圖，然后在點(diǎn)云深度圖的基礎(chǔ)上采用激光雷達(dá)直方圖及點(diǎn)云分割的方法檢測凹坑[24]；另一種方法是直接利用原始的激光點(diǎn)云之間的幾何關(guān)系檢測凹坑[25]。雖然基于激光雷達(dá)檢測地形的方法比較多，但是公開的基于激光雷達(dá)檢測道路坡度的方法還比較少。目前基于激光雷達(dá)檢測道路坡度的方法首先通過提取打在斜坡上的點(diǎn)云，然后使用PROSAC(progressive sample consensus)、RANSAC(random sample consensus)等平面擬合的方法得到斜坡坡面方程，進(jìn)而獲得道路坡度[26-27]。因?yàn)檫@一類方法沒有融合INS姿態(tài)角信息，無法檢測道路相對于水平面的坡度，所以，在坡度小且平整的結(jié)構(gòu)化場景中的道路坡度檢測精確度還比較高，而在露天礦山場景下，則對道路坡度的檢測精確度就比較差。

針對目前無人駕駛礦車實(shí)時(shí)檢測露天礦山道路坡度研究中存在的問題，利用激光雷達(dá)可以實(shí)時(shí)精確地獲得環(huán)境三維位置信息及INS可以實(shí)時(shí)精確獲得INS坐標(biāo)系相對于水平面姿態(tài)角的特點(diǎn)，本文提出了柵格卡爾曼道路坡度實(shí)時(shí)檢測(grid Kalman road slope real-time detection，GKSRD)方法。該方法以三維激光雷達(dá)點(diǎn)云和INS俯仰角信息作為輸入，并采用二維柵格地圖、感興趣矩形區(qū)域迭代優(yōu)化算法和卡爾曼濾波器。相比于基于INS或GNSS的方法，該方法減小了無人駕駛礦車行駛過程中由于道路坡度大且不平整對道路坡度實(shí)時(shí)檢測帶來的誤差。相比于基于SLAM的方法，因?yàn)樵摲椒ú灰蕾囍車h(huán)境的幾何特征，所以其不會受到露天礦山幾何特征缺失的影響。同時(shí)，相比于基于激光雷達(dá)的方法，該方法融合了INS俯仰角信息，可以更加精確地檢測露天礦山的道路坡度。經(jīng)過試驗(yàn)驗(yàn)證，該方法在露天礦山復(fù)雜的道路條件下可以實(shí)時(shí)、精確地檢測車輛前方道路某一區(qū)域的坡度。

1 柵格卡爾曼道路坡度實(shí)時(shí)檢測(GKSRD)方法

露天礦山道路坡度變化范圍大且不平整，無人駕駛礦車會有比較大的俯仰和彈跳運(yùn)動。同時(shí)，露天礦山幾何特征缺失。為了精確地提取露天礦山道路的坡度，本文提出了柵格卡爾曼道路坡度實(shí)時(shí)檢測方法。激光雷達(dá)可以提供精確的環(huán)境三維信息。INS可以提供INS坐標(biāo)系相對于水平面的精確姿態(tài)信息。本文方法融合激光雷達(dá)和INS作為輸入，可以在很大程度上降低無人駕駛礦車在運(yùn)動過程中的俯仰和彈跳運(yùn)動對道路坡度提取的影響。傳感器融合必須保證不同傳感器有統(tǒng)一的坐標(biāo)表示，本文采用文獻(xiàn)[28]的方法對INS和激光雷達(dá)進(jìn)行聯(lián)合標(biāo)定，獲得INS坐標(biāo)系與激光雷達(dá)坐標(biāo)系之間的相對位姿關(guān)系。該方法適用于機(jī)械式旋轉(zhuǎn)雷達(dá)和固態(tài)雷達(dá)，如果是前者，輸出的點(diǎn)云會發(fā)生運(yùn)動畸變，本文基于勻速運(yùn)動模型[29]對點(diǎn)云進(jìn)行運(yùn)動畸變矯正。

本文方法輸出的道路坡度是實(shí)時(shí)檢測的，即只用到了當(dāng)前幀和歷史幀的數(shù)據(jù)，沒有用到未來幀的數(shù)據(jù)。根據(jù)露天礦山道路的實(shí)際情況，方法忽略無人駕駛礦車的側(cè)傾運(yùn)動，只融合INS俯仰角，從而獲得點(diǎn)云在INS水平坐標(biāo)系下的三維坐標(biāo)，INS水平坐標(biāo)系原點(diǎn)與INS坐標(biāo)系原點(diǎn)重合。無人駕駛礦車主要關(guān)心車輛行駛方向的道路坡度，不關(guān)心另外兩個(gè)維度的道路坡度，因此，本文方法基于二維柵格地圖計(jì)算道路坡度，將INS水平坐標(biāo)系下的點(diǎn)云投影到二維柵格地圖，柵格的值為點(diǎn)云的高度，從而獲得二維高度柵格地圖[30]。相比于實(shí)際的道路坡度變化情況，由于本文方法采用的二維柵格的分辨率比較高，所以基于二維柵格地圖計(jì)算車輛行駛方向的道路坡度不僅對檢測的精確度影響不大，還能在很大程度上減少時(shí)間成本。在二維高度柵格地圖中定義一個(gè)用于計(jì)算道路坡度的感興趣矩形區(qū)域，矩形區(qū)域相對于INS水平坐標(biāo)系原點(diǎn)的位置以及矩形區(qū)域的大小是固定的。將感興趣矩形區(qū)域劃分為遠(yuǎn)近兩部分，使用感興趣矩形區(qū)域迭代優(yōu)化算法分別計(jì)算每一部分的高度值，進(jìn)而計(jì)算整個(gè)感興趣矩形區(qū)域的坡度初始值。基于坡度初始值，融合卡爾曼濾波器，即可提取精確的實(shí)時(shí)道路坡度。

1.1 二維高度柵格地圖構(gòu)建

本文方法基于二維高度柵格地圖檢測道路坡度，首先需要構(gòu)建二維高度柵格地圖。如圖1所示，x0y0z0為激光雷達(dá)坐標(biāo)系，xyz為車體坐標(biāo)系，車體坐標(biāo)系的xy平面與車底板平行，x1y1z1為INS坐標(biāo)系，x2y2z2為INS水平坐標(biāo)系，INS水平坐標(biāo)系的x2y2平面與水平面平行。

(1)

(2)

式中，λ1為INS相對于車底板的角度安裝誤差；λ2為由于車輛俯仰運(yùn)動產(chǎn)生的車底板與路面的夾角；λ3為車輛所在道路的坡度；λ1+λ2+λ3為INS的俯仰角。

根據(jù)式(3)將PL投影到二維柵格地圖，可以獲得二維高度柵格地圖

(3)

圖1 道路坡度實(shí)時(shí)檢測示意Fig.1 A diagram of road slope real-time detection

式中，Zindex為索引index的柵格的高度；其中index與i滿足

i∈[0,n]

(4)

1.2 感興趣矩形區(qū)域迭代優(yōu)化算法

建立了二維高度柵格地圖后，即可進(jìn)行道路坡度計(jì)算。首先需要確定柵格地圖中的感興趣矩形區(qū)域。為了使感興趣矩形區(qū)域中有盡量多的值不為0的柵格，感興趣矩形區(qū)域選擇在車輛前方道路點(diǎn)云比較密集的區(qū)域。根據(jù)實(shí)際情況，道路的寬度必然大于無人駕駛礦車的寬度，所以感興趣矩形區(qū)域的寬一般略大于車寬。如圖2所示，A與B分別為近處和遠(yuǎn)處的感興趣矩形區(qū)域，組成了選定的感興趣矩形區(qū)域。A與B的大小相同，位置相鄰，且在二維柵格地圖坐標(biāo)系中的位置固定。

確定了二維柵格地圖中的感興趣矩形區(qū)域后，根據(jù)二維柵格地圖矩形區(qū)域迭代優(yōu)化算法可以分別計(jì)算A與B的幾何中心位置(XA,YA)與(XB,YB)處的高度ZA和ZB。算法的輸入包括二維高度柵格地圖、矩形區(qū)域邊界、初始迭代次數(shù)、迭代次數(shù)閾值、初始偏移量閾值、偏移量步長及標(biāo)準(zhǔn)差閾值。初始偏移量閾值、偏移量步長與標(biāo)準(zhǔn)差閾值配合篩選每次迭代時(shí)偏離均值較遠(yuǎn)的柵格。然后基于直角三角形模型，由式(5)可確定感興趣區(qū)域A+B的幾何中心位置的初始坡度

(5)

圖2 二維柵格地圖Fig.2 2D grid map

二維柵格地圖矩形區(qū)域迭代優(yōu)化算法如下。

輸入：ogm二維高度柵格地圖；minrow矩形區(qū)域下邊界；maxrow矩形區(qū)域上邊界；mincol矩形區(qū)域左邊界；maxcol矩形區(qū)域右邊界；count初始迭代次數(shù)；counthre迭代次數(shù)閾值；offsethre初始偏移量閾值；s偏移量步長；stdevthre標(biāo)準(zhǔn)差閾值

輸出：mean矩形區(qū)域幾何中心位置高度

1: function Interation(ogm, minrow, maxrow, mincol, maxcol, count, counthre, offsethre, stdevthre,s)

2: offsethre←offsethre-s

3: count++

4: totalvalue←0 矩形區(qū)域內(nèi)部柵格值的總和

5: totalcell←0 矩形區(qū)域內(nèi)部不為0的柵格的數(shù)量

6: array 保存矩形區(qū)域內(nèi)部不為零的柵格的值的數(shù)組

7: width 柵格地圖的寬，即列數(shù)

8: fori←minrow to maxrow step 1 do

9: forj←mincol to maxcol step 1 do

10: if ogm[i·width+j]>0 then

11: totalvalue←totalvalue+ogm[i·width+j]

12: array[totalcell]←ogm[i·width +j]

13: totalcell←totalcell+1

14: end if

15: end for

16: end for

17: mean←totalvalue / totalell

19: if stdev>stdevthre and count

offsethre>1 then

20: fori←minrow to maxrow step 1 do

21: forj←mincol to maxcol step 1 do

22: offset←|ogm[i·width+j] - mean|

23: if ogm[i·width+j]≠0 and offset>

offsethre then

24: ogm[i·width+j]←0

25: end if

26: end for

27: end for

28: return

29: function Interation(ogm, minrow, maxrow,

mincol, maxcol, count, counthre, offsethre, stdevthre,s)

30: else

31: return mean

32: end if

33: end function

1.3 基于卡爾曼濾波器的結(jié)果優(yōu)化

GKSRD方法的前兩步已經(jīng)求出了當(dāng)前幀感興趣矩形區(qū)域幾何中心位置的道路初始坡度。根據(jù)實(shí)際情況，基于相鄰幀道路坡度均勻變化模型，融合卡爾曼濾波器，GKSRD方法可以進(jìn)一步優(yōu)化當(dāng)前幀感興趣矩形區(qū)域幾何中心位置的道路坡度，優(yōu)化的結(jié)果即為GKSRD方法最終的道路坡度實(shí)時(shí)提取結(jié)果。相鄰幀道路坡度均勻變化模型是指相鄰幀的感興趣矩形區(qū)域幾何中心位置的道路坡度均勻變化。

卡爾曼濾波器由兩個(gè)步驟描述：估計(jì)和測量更新。

第1步：估計(jì)。當(dāng)前幀的狀態(tài)估計(jì)向量xk和誤差協(xié)方差矩陣Pk根據(jù)式(6)和式(7)求得

xk=Fkxk-1

(6)

(7)

式中，xk-1為前一幀的感興趣矩形區(qū)域幾何中心位置的道路坡度測量更新結(jié)果，只包含道路坡度一個(gè)狀態(tài)變量；Pk-1初始化為一行一列的單位矩陣；Fk為狀態(tài)轉(zhuǎn)移矩陣，基于相鄰幀道路坡度均勻變化模型，令Fk=1；Qk為過程噪聲協(xié)方差，本文方法中忽略過程噪聲協(xié)方差，令Qk=0。

(8)

(9)

(10)

式中，Hk為尺度變換矩陣，令Hk=1；Rk為測量噪聲協(xié)方差矩陣，本文方法中忽略測量噪聲協(xié)方差，令Rk=0。

2 試驗(yàn)與分析

2.1 試驗(yàn)場景

為了驗(yàn)證本文方法的有效性，在兩個(gè)不同的露天礦山進(jìn)行試驗(yàn)。如圖3所示，其中，圖3(a)為內(nèi)蒙古寶利露天煤礦，圖3(b)為馬鞍山和尚橋露天鐵礦。圖3(a)道路坡度大，路面相對平整；圖3(b)道路坡度也很大，同時(shí)，路面有很多礦石，路面很不平整。

2.2 試驗(yàn)平臺

本文采用的試驗(yàn)平臺如圖4所示，型號為臨工集團(tuán)CMT96非公路自卸車，車頭左右兩側(cè)各安裝一個(gè)三維激光雷達(dá)，型號為RS-LiDAR-16，部分性能參數(shù)信息見表1所示，緊貼車輛前軸中心正上方的車底板上安裝一個(gè)慣性導(dǎo)航系統(tǒng)，型號為OXTS Inertial+，部分性能參數(shù)信息表2所示。

圖3 試驗(yàn)場景Fig.3 Experimental scene

圖4 試驗(yàn)平臺Fig.4 Experimental platform

表1 RS-LIDAR-16性能參數(shù)

表2 OXTS Inertial+性能參數(shù)

由表1和表2可以看出激光雷達(dá)的測距精度可以達(dá)到2 cm，INS的Pitch精度可以達(dá)到0.03°。計(jì)算平臺為工控機(jī)(industrial personal computer，IPC)，CPU(intel core i7-6820EQ)為四核八線程，主頻2.8 GHz，運(yùn)行內(nèi)存為16 GB，系統(tǒng)環(huán)境為Ubuntu18.04系統(tǒng)，基于ROS(robot operating system)軟件框架。

在試驗(yàn)中，為了使道路坡度真值盡量精確，INS由于安裝誤差，還需要進(jìn)行安裝誤差矯正，誤差矯正采用高精度的傾角儀，將車輛靜止停放在一個(gè)平整的斜坡上，利用傾角儀測出斜坡的角度，同時(shí)讀出INS的俯仰角，即可獲得安裝誤差。經(jīng)過安裝誤差矯正后，理論上，車載INS在靜止?fàn)顟B(tài)下的俯仰角就是所在位置的道路坡度。

2.3 試驗(yàn)結(jié)果

本文在圖3(a)和圖3(b)的場景中各選擇了3段道路作為試驗(yàn)對象，道路依次標(biāo)記為a、b、c、d、e、f、g、h。在圖3(a)道路車輛的速度為15 km/h，在圖3(b)道路車輛的速度為10 km/h。柵格地圖大小為40×70 m2，分辨率為0.2 m，坐標(biāo)原點(diǎn)位于左下角，INS水平坐標(biāo)系原點(diǎn)的坐標(biāo)為(20,20)。如圖5所示為部分道路坡度實(shí)時(shí)提取效果圖，紅色單元格的邊長為10 m，白色矩形框?yàn)檐囕v位置，綠色為點(diǎn)云，粉色矩形框?yàn)楦信d趣矩形區(qū)域，橫向?qū)挒? m，縱向高為4 m，青色表示感興趣矩形區(qū)域的坡度為正，紅色表示感興趣矩形區(qū)域的坡度為負(fù)。

2.4 試驗(yàn)結(jié)果分析與精度評價(jià)

為了盡量減小由于路面不平整和坡度大導(dǎo)致的車輛俯仰運(yùn)動帶來的誤差，真值通過以下方式獲得。記錄每一組試驗(yàn)的起點(diǎn)，以該起點(diǎn)作為真值獲得的起點(diǎn)，車輛每走大約1 m左右，停下來讀取此時(shí)的INS俯仰角作為當(dāng)前所在位置的道路坡度。這種獲得真值的方式由于在車輛靜止的時(shí)候讀取INS俯仰角，所以在極大程度上減小了由于路面不平整和坡度大導(dǎo)致的車輛俯仰運(yùn)動帶來的誤差。同時(shí)，為了驗(yàn)證GKSRD方法的有效性，本文進(jìn)行的對比試驗(yàn)包括：以GKSRD方法的提取頻率實(shí)時(shí)讀取的INS俯仰角以及融合GNSS的LOAM算法，LOAM是目前主流的SLAM算法。

目前的一些基于激光雷達(dá)的方法只能提取相對于車體坐標(biāo)系的道路坡度，所以對比試驗(yàn)結(jié)果分析中沒有加入基于激光雷達(dá)的方法。同時(shí)，基于卡爾曼濾波器或龍伯格(Luenberger)觀測器等的方法無法進(jìn)行實(shí)時(shí)檢測，所以也沒有加入對比試驗(yàn)結(jié)果分析。

圖6(a)、圖6(b)、圖6(c)和圖6(d)依次為LOAM算法在場景3(a)中的道路a、b、c、d的建圖結(jié)果，試驗(yàn)結(jié)果顯示，LOAM算法在圖6(a)中矩形圈出來的路段無法正確匹配，在圖6(b)、圖6(c)和圖6(d)中大部分路段都無法正確匹配。圖6(e)、圖6(f)圖6(g)和圖6(h)依次為LOAM算法在場景3(b)中的道路e、f、g、h的建圖結(jié)果，試驗(yàn)結(jié)果顯示，LOAM算法在圖6(e)、圖6(f)和圖6(g)中矩形圈出來的路段無法正確匹配，在圖6(h)中可以正確匹配。由于LOAM算法在場景3(a)中的大部分路段無法正確匹配，導(dǎo)致測量的道路坡度無法輸出正常值，所以場景3(a)的對比試驗(yàn)結(jié)果中不加入LOAM算法，而在場景3(b)中，只有部分路段無法正確匹配，測量的道路坡度可以輸出正常值，所以場景3(b)的對比試驗(yàn)結(jié)果中加入了LOAM算法。

圖7(a)、圖7(b)、圖7(c)和圖7(d)依次為場景3(a)中的道路a、b、c、d的對比試驗(yàn)結(jié)果，圖7(e)、圖7(f)圖7(g)和圖7(h)依次為場景3(b)中的道路e、f、g、h的對比試驗(yàn)結(jié)果。橫軸表示每次試驗(yàn)的里程，縱軸表示對應(yīng)里程的道路坡度。其中紅色曲線為在車輛運(yùn)動過程中以GKSRD方法的提取頻率直接實(shí)時(shí)讀取的INS的俯仰角，藍(lán)色曲線為GKSRD方法提取的道路坡度，青色曲線為LOAM算法測量的道路坡度，綠色曲線為采集的道路坡度真值。分析圖7(a)、圖7(b)、圖7(c)、圖7(d)、圖7(e)、圖7(f)、圖7(g)和圖7(h)可以發(fā)現(xiàn)8張圖中的道路坡度變化范圍都比較大，坡度絕對值最小為0°，最大可以達(dá)到11°，同時(shí)GKSRD方法與真值的擬合程度最高。分析圖7(e)、圖7(f)、圖7(g)和圖7(h)可以發(fā)現(xiàn)大部分LOAM的測量結(jié)果誤差與直接實(shí)時(shí)讀取的INS的俯仰角的誤差相近，而前者在部分路段的誤差要比后者更大。對比圖7(a)、圖7(b)、圖7(c)、圖7(d)與圖7(e)、圖7(f)、圖7(g)和圖7(h)，可以發(fā)現(xiàn)圖7(e)、圖7(f)、圖7(g)和圖7(h)中的曲線波動更劇烈，也驗(yàn)證了場景3(b)的道路更加不平整，同時(shí)，圖7(e)、圖7(f)、圖7(g)和圖7(h)中通過直接讀取INS的俯仰角作為道路坡度的誤差比圖7(a)、圖7(b)、圖7(c)、圖7(d)更大，但是本文提出的GKSRD方法在兩個(gè)場景中的誤差是穩(wěn)定的，說明GKSRD方法具有較強(qiáng)的環(huán)境適應(yīng)性。

表3列出了INS俯仰角作為道路坡度、LOAM測量道路坡度和利用GKSRD方法提取道路坡度在8組試驗(yàn)中的平均誤差和最大誤差。觀察表中數(shù)據(jù)，可以發(fā)現(xiàn)INS俯仰角作為道路坡度在所有試驗(yàn)中的平均誤差都大于0.07°，LOAM測量的道路坡度在所有試驗(yàn)中的平均誤差都大于0.1°，而GKSRD方法在所有試驗(yàn)中的平均誤差都小于0.01°，INS俯仰角在所有試驗(yàn)中的最大誤差都大于1.6°，LOAM測量的道路坡度在所有試驗(yàn)中的最大誤差都大于2.0°，而GKSRD方法在所有試驗(yàn)中的最大誤差都小于0.5°，說明本文提出的GKSRD方法精度更高，同時(shí)具有較強(qiáng)的穩(wěn)定性。

表3 3種方法在8組試驗(yàn)中的誤差

圖6 LOAM建圖結(jié)果Fig.6 Results of LOAM

圖7 道路坡度離線提取結(jié)果Fig.7 Extracted off-line result of road slope

3 結(jié)論與展望

露天礦山道路坡度大，不平整，目前的一些方法在提取露天礦山道路坡度時(shí)精度比較低，本文針對目前存在的挑戰(zhàn)提出了GKSRD方法，該方法在很大程度上減小了由于道路坡度大和不平整導(dǎo)致的道路坡度測量誤差。相比于目前的一些方法，GKSRD方法的精度更高，穩(wěn)定性和環(huán)境適應(yīng)性也更高。但是GKSRD方法存在幾個(gè)不足：不適用于拐彎小，左右傾斜程度大的道路；未考慮多傳感器的時(shí)間同步；真值獲得效率很低。在未來的研究中，會考慮露天礦山道路的一些極端情況，同時(shí)進(jìn)行多傳感器的時(shí)間同步，并且尋找更好的真值獲得方法。