三維激光雷達無人機樹障實時測量系統研究

張 英，汪 勇，廖如超，袁新星，康泰鐘

（1.廣東電網有限責任公司機巡作業中心，廣東 廣州 510145; 2.北京數字綠土科技有限公司，北京 100089）

0 引 言

生長在輸電線路附近，并且對線路造成安全隱患的樹木會被定義為危險樹障。及時清理危險樹障是架空線路安全運行的重要工作，其保證電網安全、經濟、可靠運行[1-2]。

對輸電線路定期巡檢和及時發現并清理危險樹障，能夠有效消除樹障導致的隱患或事故。但是，人工巡線勞動強度大、效率低，維護人員在高壓線路上作業存在危險，并且線路所在環境復雜，人與設備難以進入荒山野嶺，無人機作業成為電力巡檢的新手段[3-6]。而在巡檢過程中，如何通過無人機測量樹木與導線的距離是判斷樹木是否為危險樹障的關鍵。而隨著測量儀器的不斷進步，目前導線激光測距、超聲波測距、傾斜攝影測距、直升飛機機載激光雷達建模測距技術在我國架空輸電線路巡檢作業中都被普遍使用。這些方法不僅提高了樹障測量的精度，還提高了線路巡檢作業的效率。然而這些方法還存一些不足，在導線激光測距中，其通過向目標發射一簇激光反射進行測距，覆蓋面小，在巡檢過程中難以獲知全面的樹木信息，對日后運維管理造成困難[7-8]；在超聲波測距中，通過超聲波傳輸和反射之間時間差進行距離測量，而在實際作用中，超聲波測量距離有限，并且超聲波的速度還受溫度和風向的干擾，會被吸音面吸收導致實際測量數據不穩定[9]；在傾斜攝影測距中，通過攝像頭從不同角度拍攝照片進行三維建模，而實際作業中，線路檔距普遍較長，需要拍攝耗費時間較長，在無人機電量有限的情況下，難以支持長檔距的傾斜攝影[10-11]；在機載激光雷達建模測距中，通過機載激光雷達掃描，獲取輸電線路及其走廊附近物體的三維坐標，以此對線路附近進行三維建模并且后臺計算輸電線路與地表物距離，在實際作業中存在成本高，直升飛機受航空管制，巡檢間隔長等問題[12]。

為了彌補以上測量手段的不足，本文提出基于三維激光雷達的樹障實時測量系統及方法，搭建了無人機基于三維激光雷達測量的硬件框架，提供一種無人機樹障測量解決方案，克服了傳統無人機先采集后處理分析而導致操作比較繁瑣的問題。最后在實地巡檢中，與傳統樹障測量方式進行比較，驗證該測量方式的有效性。

1 三維激光雷達

本文選用的是Velodyne-16 lite三維激光雷達。飛機端的板載計算機通過網口線與激光雷達的驅動板相連接，樹障檢測軟件系統則通過ROS系統的Velodyne驅動程序獲取其掃描的三維數據。

1.1 Velodyne-16 lite三維激光雷達簡介

Velodyne-16 lite是Velodyne公司出品的最小型的三維激光雷達，保留了電機轉速可調節的功能，能夠實時上傳周圍距離和反射率的測量值。雷達質量只有700 g，能夠在小型無人機和小型移動機器人上進行搭載。Velodyne-16 lite三維激光雷達具體參數如表1所示。

表1 Velodyne-16 lite三維激光雷達參數說明

1.2 三維激光雷達的坐標軸建立

在原始數據中，數據包括點云相對應垂直角ω、方位角α和距離R。每個激光點都具有X、Y、Z坐標，如圖1所示。而硬件實際掛載雷達結構如圖2所示。實際掛載雷達掃描點云數據如圖3所示。

圖1 三維激光雷達XYZ坐標轉換

圖2 M210三維激光雷達掛載結構側面圖

圖3 測量過程中三維激光雷達掃描點云圖

2 多線雷達樹障檢測算法

2.1 點云數據預處理

在巡檢過程中，雷達產生數據量巨大，Velodyne 16線三維激光雷達每秒能夠產生30萬個激光點，若把原始數據作為處理對象會使得機載計算機處理時間過長。該研究通過對點云原始數據進行降采樣等預處理，通過直通濾波器對XYZ軸坐標間范圍進行過濾并劃定感興趣區域，降低處理數據量，減少機載計算機的計算量。另外，為了避免噪點數據的干擾，本文通過統計濾波器去除明顯離群點和孤立點。上述預處理使采樣數據減少，計算機處理速度加快。預處理后的點云數據如圖4所示。

圖4 預處理后的點云數據

2.2 非地面點云與地面點云分離

為了實現對樹木點云的檢測，首先，需要將預處理后的感興趣區域點云數據中的地面點云與非地面點云進行分離劃分。現有的主要點云分割濾波算法有5類：基于坡度、基于形態學、基于曲面擬合、基于TIN[13]和基于機器學習的濾波算法[14]。其中，基于坡度算法的實現原理簡單并且具有實時性；機器學習、形態學的濾波算法涉及統計計算，算法處理時間長、無法滿足實時性要求；另外，Himmelsbach等[15]提出的地面坡度分離算法將地面分成扇形微分區域，在每個扇形中提取直線進行地面分割，以此實現對地面點云數據的實時分割。本文在該算法基礎上提出了地面坡度分離算法，具體流程如下：

1）本文采用的三維激光雷達的掃描范圍為[–15°，15°]，共有16條不同垂直角的掃描射線，每相鄰兩條射線間隔為2°，將不同射線掃描采集的點云數據進行劃分，記為集合St，其中t為掃描射線的編號，0≤t≤15。將地面點云集設為G，設非地面點云集NG。

2）在每條射線集St中以每個點云數據Pt,α（i）的方位角大小α進行排序，其中Pt,α（i）∈St，0≤i≤Len（St）–1。

3）將該射線集的初始點Pt,α（i）∈NG，記為前點Pr，即Pr∈NG。將下一個點云數據Pt,α（i）記為當前點Cu。

4）遍歷該射線集St的點云數據Pt,α（i），進行點云集劃分，在排序好的射線集中計算前點Pr和當前點Cu的高度差為H。

If Pr∈ NG，H<0，|H|≥β，則Cu∈G。

If Pr∈ NG，H≥0，則Cu∈NG。

If Pr∈ G，H>0，|H|≥β，則Cu∈G。

If Pr∈ G，H≤0，則Cu∈NG。

其中坡度閾值為β。

5）Pr=Cu，i=i+1，重復4），直到i=Len（St）?1。

6）St遍歷完，t=t+1，重復2），直到t=15，St完成遍歷。

7）點云集劃分完成。

經過非地面與地面點云分類算法處理的后點云數據效果，如圖5所示。

2.3 非地面物體點云檢測

通過點云分割算法對地面和非地面的點云數據進行分類后，進一步地需對非地面點云數據進行聚類檢測。本文通過K-D樹搜索的歐氏聚類算法，將非地面點云聚類為物體群，并且計算出非地面物體的最大最小XYZ軸坐標，并以立方體標記區分，完成非地面點云物體群的檢測。

另外，聚類算法需根據距離對點云數據進行大量的臨近點搜索，若通過簡單的遍歷方法會導致其處理速度太慢而無法滿足實時要求，而K-D樹是歐幾里得空間中組織點的基本數據結構，通過K-D樹可加快聚類算法的搜索速度。聚類算法過程如下：

1）將非地面的點云的X軸全部置為0，即所有點云處于ZOY平面中。

2）設定非地面點云中隨機的一點云為初始點P。

3）通過K-D樹近鄰搜索算法找到k個離點P最近的點集Vi，若點集Vi的點與P的距離小于設定的閾值點，則屬于Ci類空間中。

4）統計Ci空間的點云數量N，在Ci選取點P以外的點，重復步驟3）。若N∈[Nmin,Nmax]，則該Ci類空間已經聚類完成。

5）計算Ci內點云最大最小的XYZ坐標，在最大坐標外隨機尋找一點P，重復步驟2）～4），形成新的Ci+1類，直至C類不在增加，結束聚類。

為了確定類C的空間位置，可對各個類C中的所有點云計算最大最小的XYZ坐標。聚類檢測的結果如圖6所示。

圖6 聚類后檢測密集樹木點云圖

2.4 樹障判斷

三維激光雷達的水平方位角為0°平面以上為導線區域，如圖7所示。

圖7 樹障測量模型側面示意圖

定義雷達激光掃描一圈為一個周期T，T為一次樹障距離的計算間隔，HBT為飛機在T周期中檢測樹木最高點云與飛機的距離，HLT為飛機在T周期中檢測導線區域最低點云與飛機的距離，二者的和為檢測物離線高度H，而L為檢測樹木距小號塔的距離，在T周期中，檢測樹木離線高度為H、距小號塔的距離L的檢測樹木定義為BT（H,L），S為檢測樹障的集合，θ為樹障離線距離閾值。

即樹木物體的樹障判斷為

為了避免在雷達掃描間隔T中對樹障重復檢測，引入檢測處理時間T1，即檢測樹障后，飛機需拍攝樹障圖片后，經過樹障時間為T1，繼續巡檢掃描檢測。

3 系統組成

該系統包含無人機上的板載計算機、三維激光雷達和樹障測量算法等部分，通過無人機搭載的三維激光雷達和板載計算機從導線起始點進行檢測、分析數據，達到數據采集、處理的目的。另外，基于三維激光雷達的樹障測量系統由數據分析軟件系統和硬件采集系統兩部分組成。

3.1 硬件框架

硬件采集系統主要基于ROS系統進行設計開發，主要負責采集樹木的空間位置信息、樹障圖像信息和GPS信息，并且利用無線通信技術將測量數據返回控制終端。本文通過GPS系統組建RTK差分的方法，使無人機的GPS定位精度更加準確。其ROS硬件節點框架圖如圖8所示。

圖8 系統硬件架構圖

3.2 軟件實現流程

軟件系統在板載計算機和測量終端中運行，主要負責對硬件采集的點云數據做實時分析處理，其中包括預處理、點云分割、聚類檢測、樹障判斷。測量流程如圖9所示。

圖9 導線樹障測量流程圖

4 實驗結果與分析

4.1 實驗條件

本文選取了某實際運行同塔雙回線路進行了現場測試，環境溫度29 ℃，風速3 m/s。采用了一架多旋翼無人機搭載三維激光雷達進行飛行巡檢，分別在#40-#41檔、#41-#42檔、#42-#43檔、#43-#44、#52-#53檔進行三維激光雷達樹障巡檢實驗。

為了保障飛機與導線的安全，設定飛機與導線的水平距離為5 m，而在巡檢規定中，樹障離線的安全距離為7 m以外，該實驗設定樹障離線距離閾值θ為7.7 m。根據樹木密集程度設定 Nmin、Nmax分別為 100，2 000。坡度閾值β為 0.8 m，聚類簇的最大距離為0.5 m。

另一方面，實驗采用激光測距望遠鏡等傳統手段進行樹障距離實測進行對比，計算兩者的相對誤差，以驗證本文提出測量方法的準確性。

4.2 實驗結果分析

在實地實驗中，通過無人機搭載三維激光雷達系統對選定的線路進行樹障檢測，結果如表2所示。另外，兩種測量手段得出的結果進行對比，分析相對誤差，其中相對誤差的計算方式如下式所示：

表2 樹障巡檢報告表

式中：dl——實時三維激光雷達測量的樹障離線距離；

dr——激光測距望遠鏡測量的樹障離線距離。

兩種測量方式對比分析結果如表3所示。

表3 不同測量方法下的樹障距離測量結果表

由表3記錄的結果可知，本文提出的基于無人機三維激光雷達系統測量方法與利用激光測距望遠鏡的傳統測量方法中，兩者的最大相對誤差在±1.52%以內，證明了測量結果可信有效。此外，在相同線路進行巡檢過程中，因無需巡檢人員翻山越嶺巡線，本文所述方法對比傳統測量方式所需巡檢耗時大大減少，較大地提高了作業效率。

5 結束語

本文提出了基于三維激光雷達的樹障實時測量方法，將三維激光雷達、無線通信技術、GPS以及無人機技術應用于架空輸電線路樹障測量，該方法不僅克服了現場地理環境的影響，而且有利于提高工作效率，提高樹障距離測量的精度。在實地實驗中，對某實際運行線路進行實際測量和對比，結果驗證了文章所提出方法的有效性及可行性。本文提出的實時測量方法為樹障測量技術提供了新的思路和解決方案。