准能黑岱沟露天矿贺暾：基于激光雷达的矿车载量自动计量技术研发与实践

摘要：针对露天矿山、采砂场等场景中，运输矿车的实际装载量缺乏高精度检测设备，提出了基于激光雷达的矿车载量自动计量，该技术分离线与在线阶段:离线存储空载矿车点云模板及参数;在线通过激光雷达获取重载矿车点云，经矩形拟合框分割车厢与装载物点云，利用Fast ICP算法匹配

针对露天矿山、采砂场等场景中，运输矿车的实际装载量缺乏高精度检测设备，提出了基于激光雷达的矿车载量自动计量，该技术分离线与在线阶段:离线存储空载矿车点云模板及参数;在线通过激光雷达获取重载矿车点云，经矩形拟合框分割车厢与装载物点云，利用Fast ICP算法匹配空重载车厢轮廓点云的位姿关系，配准装载物与空车底部点云，栅格化后作差得高度分布图，积分求体积，基于激光雷达的矿车载量自动计量方法具有高效率、高分辨率、非接触式、高精度的优势。矿车载量自动计量技术在广西某水泥矿和内蒙古某煤矿现场无人驾驶运输矿车测试结果表明精度较高，可推广至多场景物料计量。

露天矿山的采、装、运、卸的全流程无人化的智慧矿山建设中，采运环节最为重要，成本占比最高，以煤炭为例，成本占比约80%。准确获取矿车载量是计算运输功效和运输成本的基础。对物资储备规划、生产计划安排及配矿准确度的提升都具有重要的意义。矿车载物自动计量技术已应用于多个露天矿山，降低矿车载量计算耗时和费用成本，实现了无人值守的产量统计。

01、矿车载物自动计量流程

基于激光雷达的矿车载量自动计量技术包括离线和在线2个阶段，矿车载物自动计量流程如图1所示。

图1 矿车载物自动计量流程

（1）离线阶段整理和存储矿车基本数据，采集和保存空载矿车的车厢轮廓点云及车辆信息；对空载矿车的点云进行分割，获取到空载矿车的车厢底部点云和轮廓点云。

（2）在线阶段负责对重载矿车的载量实时分析，基于矿车特征分割得到重载矿车的车厢轮廓点云和装载物点云；从数据库提取出预先构建的同车型空载矿车的车厢轮廓点云与重载矿车的车厢轮廓点云进行匹配、校准后获取空载矿车和重载矿车的位姿关系；基于该位姿关系实现重载矿车的装载物点云与空载矿车车厢底部点云的配准；将重载矿车的装载物点云与空车车厢底部点云栅格化后，两者作差得到装载物高度分布图；采用积分法对装载物高度分布图求体积完成物料体积计量。

02、矿车载物自动计量关键技术

2.1 确定计量车位

矿车载量自动计量技术采用固定式数据采集方式，将激光雷达固定在露天矿山的破碎站卸料口顶部或高于矿车的位置。离线采集空载矿车点云数据或在线计量阶段，矿车均需停在高精度地图计量车位内，保证激光雷达完整扫描车体点云数据，高精度地图上的计量车位如图2所示的绿框范围。

图 2 高精度地图中的计量车位

通过联合标定用于计量的激光雷达和高精度地图位姿，将地图上的计量车位转到计量激光雷达坐标系，激光雷达坐标系的计量车位如图3所示中绿框范围。

图3 激光雷达坐标系下的计量车位

计量车位的尺寸设置综合考虑了激光雷达的扫描范围和现有多种工程机械的矿车尺寸等多种信息，矿车静止在计量车位内可被完整扫描，计量车位的矿车在激光雷达坐标系的效果如图4所示。

图4 计量车位的矿车在激光雷达坐标系的效果

2.2 离线阶段矿车数据准备

离线阶段获取空载矿车的模型数据，包括空载车厢点云模板及矿车参数。矿车核心参数包括车厢中心点、车厢长宽高尺寸、矿车车厢高度范围等。采用CloudCompare工具准确分割车厢底部和车厢轮廓，获取矿车参数，空载矿车点云分割效果如图5所示。

图5 空载矿车点云分割效果

2.3 重载矿车数据采集

在线阶段重载矿车驶入计量车位并且静止后发送计量请求。计量模块收到计量请求后，检测计量车位内的矿车，根据计量请求内的矿车型号信息，从数据库中调出对应的空载矿车模板点云和矿车参数。

通过检测计量车位内的矿车，聚类拟合得到用于描述矿车形状的矩形轮廓框，数据库中保存了矿车车厢的位置参数，包括车厢前后两条边分别与车头的距离，车厢左右两条边分别与车辆几何中心的距离，结合重载矿车矩形拟合框和矿车参数，自动将重载矿车车厢轮廓点云和装载物点云分割开，重载矿车点云分割如图6所示。

图6 重载矿车点云分割

2.4 重载矿车点云配准

为准确计算重载矿车的载物体积，对比重载和空载矿车车厢信息，把重载矿车点云数据转换到空载矿车坐标系，统一车厢的中心位置。图5和图6表明同车型空载、重载点云数据中，车辆轮廓点云数据差异较小，通过匹配空载、重载矿车车厢轮廓点云获取矿车位姿关系，实现空载、重载矿车的点云数据空间对齐。

为加速点云配准速度，在空载、重载矿车车厢轮廓点云信息，分别选取N个代表特征点，利用Fast ICP算法进行配准。特征点选取原则覆盖但不限于各刚体面连接的端点、线中点以及车厢各面重心等。

Fast ICP算法根据文献指出的原ICP算法缺点进行综合改进，加速了计算源点云与目标点云对应点的距离和构造旋转平移矩阵的过程，无需分割和特征提取点云即可进行配准，具有更高精度和更快收敛速度。Fast ICP算法流程如图7所示。

图7 Fast ICP算法流程

（1）筛选与配对：对源点云的点集和目标点云的点集进行配对。

（2）权重分配：为每个点对分配1个权重。

（3）筛选点对：去除不符合要求的点对。

（4）误差计算：根据匹配误差公式计算点对之间的匹配误差。

（5）重复步骤（1）—（4）直至最小化匹配误差满足迭代结束条件。

最终使用的Fast ICP算法计算匹配误差，经过Fast ICP算法得到最佳匹配矩阵后，将车厢及装载物点云数据中装载物点云与匹配矩阵相乘，得到坐标转换后的装载物点云信息，实现空载、重载矿车的数据空间对齐，如图8所示，蓝色点云为实时的重载矿车的扫描点云数据，黄色为同车型空载矿车的车厢模型，绿色为实现了空载、重载矿车的空间对齐后，得到的载物点云数据。图8表明空载、重载矿车实现了较好的空间对齐效果。

图8 空载、重载矿车数据空间对齐

2.5 重载矿车物料计量

实现空载、重载矿车的点云数据空间对齐后，重载矿车的物料载量计算分为3个步骤。

（1）栅格化：采用统一的点云栅格化参数对空载矿车的车厢底部点云及重载矿车物料点云进行栅格化处理，提高计算速度，实现点云的均匀化处理，采用紧邻插值方法解决空洞问题，避免点云扫描不均匀导致的计算误差。

（2）高程计算：当前栅格内点云高度均值作为栅格单元的像素值，分别得到空载矿车车厢底部点云和重载矿车物料点云的高程图。

（3）体积积分：把重载矿车的物料点云高程图与空载矿车的车厢底部高程图作差，作差结果即为装载物高度分布图。通过对高度分布图进行积分，得到最终装载物体积。

03、矿车载物自动计量实践验证

3.1 矿车载物自动计量测试场景

矿车载物自动计量测试场景为广西某水泥矿和内蒙古某煤矿现场的无人驾驶运输矿车，测试物料载量自动计量。广西某水泥矿矿车型号为宇通YTK90E，平装容积为33 m³，堆装容积为36 m³，全车长9.175 m，宽3.500 m，高3.930 m；内蒙古某煤矿的矿车型号为小松930E-4，平装容积为171 m³，堆装容积为211 m³，全车长15.6 m，宽8.69 m，高7.37 m。试验使用的激光雷达型号为OUSTER OS0-128，安装在矿区破碎站顶部外沿中心，激光雷达相关参数见表1，破碎站激光雷达布置方式示意如图9所示，试验使用的计算机配置及代码运行环境见表2，其中栅格长、宽均设置为0.06 m。

表1 OUSTER OS0-128激光雷达参数

图9 激光雷达布置方式

表2 试验使用计算机配置

3.2 试验结果分析

分析20次宇通YTK90E无人驾驶运输矿车的载量自动计量结果，平均绝对误差为0.47，平均百分比误差1.71%， YTK90E重载矿车载量计量结果见表3。分析20次小松930E-4无人驾驶运输矿车的载量自动计量结果，平均绝对误差为0.99，平均百分比误差0.65%，930E-4重载矿车载量计量结果见表4。

表3 YTK90E重载矿车载量计量结果

表4 930E-4重载矿车载量计量结果

为进一步分析算法运行结果，可视化算法关键计算步骤中的点云数据，以表3中08为例，重载车辆载量计量分析如图10所示。表3中的第3次、第11次、第12次及第13次车辆的重载矿车核心计量步骤点云如图11所示，空载、重载矿车高程分布如图12所示。图11a为激光雷达扫描的重载矿车的原始点云数据，图11b为重载矿车的车厢及装载物点云数据，图11c中蓝色显示了最终的物料的点云。图12a为空载矿车车厢点云信息中卡车底部点云计算得出的高程，图12b为重载矿车车厢及装载物点云信息计算得出物料高程，图12c为前两者作差得到的最终物料的高程分布。