Evolutionary characteristics of sandstone pore-fracture structure under the action of high and low temperature cyclic impact
-
摘要:
我国煤系气储量丰富，但煤系气藏复杂的地质条件使得对单一含气系统的开采成本高、效率低，对多种含气系统难以合层共采。如何提高煤系储层的渗透性与兼容性是开发煤系气的关键问题。为探讨改善煤系储层结构的有效方法，研究了在高温200 ℃、低温−196 ℃循环冲击作用下煤层顶板砂岩孔裂隙的演化特征，使用工业显微CT对高低温冲击作用前后砂岩试样孔裂隙的发育过程进行了表征。利用数字图像和三维重构技术，对冲击前后试样的CT数据进行了滤波和均值化等处理，定性和定量分析了0、1、5、10、15次高低温度冲击后砂岩孔裂隙体积、表面积、孔隙率和孔裂隙分布复杂度分形维数的变化。研究结果表明：①高低温循环冲击促使砂岩试样孔裂隙发育、扩展、连通和次生裂隙的萌生，冲击作用有助于微小孔裂隙扩展形成较大的宏观裂隙。②砂岩孔裂隙体积、表面积、孔隙率和孔裂隙分布复杂度分形维数随温度冲击次数的增加呈对数规律变化，其增长幅度呈先增大后减小的趋势，在第5次冲击作用后其面积和孔隙率增幅达到最大，分别为15.48%，20.98%。③高低温循环冲击作用减弱了砂岩基体间的束缚力，打破了其原有的静态平衡，试样孔隙率随扫描层数的变化曲线演变为类“C”状，表明砂岩两端的束缚力衰减幅度更大。
Abstract:China is rich in coal-measure gas reserves. However, the complex geological conditions of coal-measure gas reservoirs make it costly and inefficient to mine a single gas-bearing system, and difficult to co-mine multiple gas-bearing systems. How to improve the permeability and compatibility of coal reservoirs is the key issue in development of coal-measure gas. In order to explore effective methods to improve the structure of coal reservoirs, the evolution characteristics of sandstone pore-fracture in the top plate of coal seams under the cyclic impacts of high temper-ature (200 ℃) and low temperature (−196 ℃) were investigated. The development of sandstone pore-fracture before and after high- and low-temperature impacts was characterized using industrial micro-CT. The CT data of the specimens before and after impact were filtered and homogenized using digital image and three-dimensional reconstruction techniques. The changes of volume, surface area, porosity and fractal dimension of distribution complexity of sandstone pore-fracture after 0, 1, 5, 10 and 15 high- and low-temperature impacts were qualitatively and quantitatively analyzed. The results shown that: ① High- and low-temperature cyclic impacts promoted the development, expansion and connectivity of pore-fracture, and the sprouting of secondary fracture in sandstone. The impacts contributed to the expansion of micro pore-fracture to form larger macro fracture; ② The volume, surface area, porosity and fractal dimension of distribution complexity of sandstone pore-fracture varied logarithmically with the increase of the number of temperature impacts, and the growth tended to increase first and then decrease. The increase of its area and porosity reached a maximum of 15.48% and 20.98%, respectively, after the 5th impact effect; ③ High- and low-temperature cyclic impacts weakened the binding force between the sandstone matrix and broke the original static equilibrium. The variation curve of sandstone porosity with the number of scanned layers evolved into a “C-like” shape, which indicated that the binding force at the ends of the sandstone was more attenuated.
-
0. 引 言
煤矿智能化建设目前正处于初级阶段，大力应用和发展煤矿机器人等智能装备已成为国家煤炭能源发展战略和行业共识。煤矿机器人在煤矿井下巷道狭长封闭空间中的定位与导航面临着极大的挑战[1]，即时定位与建图（Simultaneous Localization and Mapping，SLAM）是其亟待解决的核心关键技术之一[2]。激光雷达具有不受粉尘遮挡以及光照变化影响的特点，可以实时获得精确的三维空间的距离信息，适用于煤矿井下低光照、高粉尘环境定位与建图。LIO-SAM[3]算法为具有代表性的激光IMU紧耦合SLAM算法，具有较好的精度和实时性。煤矿井下为典型的半结构化或非结构化环境，GPS拒止，巷道两帮环境相似，难以获得准确的特征匹配以及位姿估计，制约了其建图和定位效果。
点云特征提取通过点云帧处理，获得其有效的特征点以用于后续点云匹配，目前主要有单点特征提取和局部特征提取方法。单点特征方法主要有基于曲率的方法和基于主成分分析（Principal Component Analysis，PCA）方法。LOAM[4]算法即采用基于点云曲率的方法区分边缘特征点和平面特征点。GUO等[5]和CHENG等[6]利用PCA算法提取激光点云特征值来表征点云特征。点云局部特征方法是用SHOT[7]、B-SHOT[8]等局部描述子来表征激光点云帧中关键点邻域的几何特征，常用的关键点检测算法有3DSift[9]、3DHarris[10]、3D-SURF[11]、ISSs[12]等。煤矿井下巷道壁面点云具有复杂纹理结构，单点特征无法获得稳定有效的点云特征，需采用点云局部特征来提升建图匹配精度。
点云配准是利用两帧点云的特征进行匹配，获得其位姿转换关系，有粗配准和精配准之分。粗配准是较为粗糙的配准，以获得完全未知情况下两帧点云间的简单位姿关系。随机采样一致性（Random Sample Consensus，RANSAC）配准算法[13]通过随机抽样估计模型参数迭代寻优的配准算法，效率较低。LOAM系列算法基于平面和边缘特征，采用两步LM（Levenberg-Marquardt）算法提升配准精度。基于RANSAC粗配准搭配精配准的二阶段配准方法[14]考虑了两帧点云的表面法线和曲率多个因素，精度较高。精配准主要有基于正态分布变换[15]（Normal Distributions Transform，NDT）和基于迭代最近点[16]（Iterative Closest Point，ICP）或其变体的配准算法[17-18]。NDT算法是基于概率的点云配准算法，速度快但精度不高。ICP算法以欧氏距离误差最小作为目标函数，通过迭代的方式寻找最佳变换关系，配准精度高。
闭环检测是SLAM算法保持状态估计的一致性和收敛性，减少机器人位姿估计累积误差的方法。M3RSM根据两帧激光数据的几何相似性来判断闭环[19]。LIO-SAM利用ICP算法结合欧氏距离进行闭环检测，但准确率不高[3]。GLAROT-3D利用平移和旋转不变的3D全局描述符检测闭环[20]。Seed则将分割点云拓扑信息编码到全局描述符中，利用全局描述符检测闭环[21]。SegMatch[22]和SegMap[23]针对点云数据稀疏问题，将一个点云聚为多个片段并提取片段特征，使用KNN（K-Nearest Neighbor）算法识别闭环。Scan Context方法则利用存储高度值的二维矩阵数据作为描述符，并采用两阶段搜索算法检测闭环[24]。
针对煤矿井下环境中特征模糊、环境复杂的问题，RAVAL等[25]通过在激光雷达的数据中结合惯性测量单元（Inertial Measurement Unit，IMU）并引入了统计离群点算法，减少了环境噪声对系统的影响和累计误差。上海交通大学DONG等[26]提出了一种适用于巷道环境的点云编码和快速关键帧匹配算法，以解决巷道环境特征难提取的问题。上海交通大学HUANG等[27]针对煤矿井下退化环境中点云特征稀疏问题，利用PCA方法对点云进行分割进而提取稳定的平面和线性特征。REN等[28-29]研究了煤矿井下的3D激光SLAM算法，将基于广义迭代最近点（GICP，Generalized Iterative Closest Point）的连续帧点云配准和连续关键帧之间的点云配准相结合，并将巷道平面作为节点约束，设计了基于规则和GICP的高效闭环检测。邹筱瑜等[30]为解决井下退化环境导致特征点缺失、配准精度低的问题，提出一种融合ICP和NDT的精配准方法。薛光辉等[31]针对煤矿井下地图构建问题，提出SegMatch描述子改进LEGO-LOAM回环检测模块，提高煤矿井下的建图精度。韩超等[32]利用特征向量与中心点坐标系尺度分布关系构建全局描述子，提升后端闭环系统的运算速度和准确性。杨林等[33]在SLAM后端引入关键帧和地面约束的图优化降低系统累计误差，提升机器人定位建图精度。
针对煤矿井下非结构退化环境的激光SLAM算法，国内外学者已开展了较多研究，但在点云特征提取、点云配准和闭环检测方面仍存在精度不高等问题。为实现煤矿井下环境精确鲁棒的地图构建以及位姿估计，笔者基于LIO-SAM算法框架，提出了一种融合基于快速点特征直方图（Fast Point Feature Histograms，FPFH）特征和ICP算法的二阶段匹配算法改进LIO-SAM的特征提取和匹配算法，利用Scan Context闭环因子加入图优化过程改进算法，加强闭环检测的有效性和准确性，以增强SLAM算法在煤矿井下环境建图定位的准确性以及鲁棒性，并利用公开数据集和自备数据集分别进行试验验证，以为煤矿井下机器人的定位与导航提供新思路。
1. 点云特征提取和配准方法
基于特征的点云配准的大致流程为：① 点云的关键点提取；② 计算关键点的特征描述符；③ 基于最近邻匹配获得初始的对应关系；④ 通过RICP算法计算最终的变换关系。
1.1 点云特征提取
点云关键特征点提取能够提高点云配准的精度和效率。相较于其他几何特征，表面法向量能够描述被检测物体的表面细节信息，因此笔者采用直接估计法求取表面法向量。但仅利用单一的点云表面法向量区分点云的效果有限，因此引入具有较好的特征描述性及鲁棒性的点特征直方图（Point Feature Histograms，PFH）[34]以及快速点特征直方图（Fast PFH，FPFH）[35]局部描述子来提取点云特征。
PFH描述子首先通过法线估计得到点云表面变化，然后计算每个点的特征直方图，再通过比较PFH的相似度以确定对应点关系，以完成对应点的配准。图1表示了计算查询点pq（位于球形区域中心的红点）FPH的影响区域，查询点pq与其邻域半径r的所有k近邻点相互连接在一个网络中，计算该邻域内所有两点之间的关系得到PFH描述子。为计算查询点对ps、pt及其邻域点的法线ns、nt之间的相对偏差，定义查询点ps固接的局部坐标系如图2所示，其中坐标轴U由法线ns方向确定，是ps点的表面法向量；v垂直于ns和矢量[pt-ps]，W轴由右手法则确定。
![]()
图 2 查询点ps固接的局部坐标系示意Figure 2. Schematic diagram of local coordinate system fixed on querying point pS则ns、nt之间的相对偏差可用$ \alpha $、$ \phi $、$ \theta $表示，计算式如下：
$$ \alpha = {\boldsymbol{v}} {{\boldsymbol{n}}_t} $$ (1) $$ \phi = {\boldsymbol{u}} \frac{{{p_t} - {p_s}}}{{{{\left\| {{p_t} - {p_s}} \right\|}_2}}} $$ (2) $$ \theta = \arctan \left( {{\boldsymbol{w}} {{\boldsymbol{n}}_t},{\boldsymbol{u}} {{\boldsymbol{n}}_t}} \right) $$ (3) 式中：${\left\| {{p_t} - {p_s}} \right\|_2}$为查询点对pt与ps欧式距离。 u、v和w为3个坐标轴U、 V和W的单位矢量。
则查询点对ps、pt的位置和法线12个参数就被简化为$ \alpha $、$ \phi $、$ \theta $ 3个特征参数。然后将3个特征参数等分为若干个子区间，统计落在每个区间内点云数，就得到了点云的PFH特征。
PFH具有旋转不变性，鲁棒性好，但计算复杂性高，计算效率低。FPFH在PFH的基础上，通过计算查询点pq的k邻域中各个点的简化点特征直方图（Simplified Point Feature Histograms，SPFH）（仅利用图3中红线连接的对应点对），然后将所有的SPFH加权得到的FFPH特征，在保持描述子识别特性的同时，降低了算法复杂度，计算效率更高。计算式为
$$ \mathrm{F}\mathrm{P}\mathrm{F}\mathrm{H}\left({p}_{q}\right)=\mathrm{S}\mathrm{P}\mathrm{F}\mathrm{H}\left({p}_{q}\right)+\frac{1}{k}\displaystyle\sum_{m=1}^{k}\frac{1}{{\omega }_{km}}\mathrm{S}\mathrm{P}\mathrm{F}\mathrm{H}\left({p}_{km}\right) $$ (4) 式中：权重ωm为查询点pq与其近邻点pm之间的距离；pm为查询点pq的第m个近邻点。
1.2 点云配准
首先利用基于FPFH特征描述子的粗配准获得源点云和目标点云的旋转和平移关系初始估计值，再利用基于ICP算法的精配准通过迭代使误差最小化以完成点云配准。为提高计算速度，在点云配准过程中对点云进行滤波及下采样以精简数据量，并利用kd-tree构建数据结构。点云配准流程如图4所示。
粗配准阶段，首先建立源点云和目标点云的kd-tree数据结构，利用基于k近邻点计算的统计滤波算法去除离群点，再经过基于体素网格的下采样降低数据量，以保持点云形状的同时提高点云配准速度；然后，估计点云表面法线并计算关键点的FPFH特征描述子；最后，利用采样一致性初始配准算法（Sample Consensus Initial Alignment, SAC-IA）进行点云的粗配准，获得源点云和目标点云旋转和平移的初始位姿参数。
精配准阶段，首先根据粗配准获得的转换矩阵，限定参数剔除错误点对，并构建目标函数，即两点间的欧氏距离；计算迭代误差，当迭代误差满足设定的阈值或达到迭代次数时，停止迭代并输出变换矩阵，完成点云精配准。
1.3 性能验证
为验证本文提出的点云特征提取与配准算法的效果，从非结构退化模拟环境SLAM试验中获取的激光点云数据中，分别选取了大平移、小旋转和大旋转、小平移的激光点云进行了点云配准试验，并与3D Shape Context特征描述子（3D SC）、NDT算法和PFH特征描述子的配准方法进行了对比。
图5为不同配准算法对大平移、小旋转的两帧激光点云进行配准的结果，图中用不同颜色来区分隶属于不同帧的激光点云数据。从图5中可以看出，各个算法对点云平移变化的配准结果都普遍较好。为准确量化不同配准算法的配准效果，统计了其配准误差与所用的时间，结果见表1。由表1可知，NDT算法配准的所用时间最短，其次是本文算法，然后是PFH算法与3D SC算法；本文算法的旋转误差最小，PFH算法次之，NDT算法与3D SC算法最大；NDT算法平移误差最小，本文算法与PFH算法次之，最后是3D SC算法。本文采用的算法对旋转的配准具有优势。
![]()
图 5 不同配准算法对大平移、小旋转激光点云的配准结果Figure 5. Registration results of different algorithms for LiDAR point clouds with large translation and small rotation表 1 不同配准算法对大平移、小旋转的点云配准效果对比Table 1. Comparison of registration effects of different algorithms on point clouds with large translation and small rotation算法 时间/s 旋转误差/（°） 平移误差/mm X轴 Y轴 Z轴 总旋转 X轴 Y轴 Z轴 总平移 3D SC 24.724 5.807×10−5 2.18×10−4 −0.783 0.784 50.092 −0.292 −0.197 50.102 NDT 0.237 0.003 0.012 −0.784 0.784 0.085 −0.193 −0.106 0.236 PFH 4.390 7.712×10−9 3.127×10−9 −0.783 0.783 2.500 −0.300 −0.200 2.526 本文算法 2.294 4.359×10−9 4.893×10−9 0.783 0.783 2.500 −0.300 −1.999 2.526 图6为不同配准算法对大旋转，小平移的两帧激光点云的配准结果。从图6中看出，各个算法对大旋转情况下的配准效果差异较大，本文提出的算法效果最好。表2列出了不同算法对大旋转、小平移激光点云的配准误差与配准计算时间。由表2可知，NDT算法配准计算时间最短，其次是本文算法，3D SC算法最长；本文算法的旋转误差最小，为0.716，其次是PFH算法，再次是NDT算法与3D SC算法；NDT算法平移误差最小，其次是3D SC算法与本文算法，最大是PFH算法。
![]()
图 6 不同配准算法对大旋转、小平移两帧点云的配准结果Figure 6. Registration results of two frames of point clouds with large rotation and small translation表 2 不同算法对大旋转、小平移的点云配准时间与误差Table 2. Point cloud registration time and error of different algorithms for large rotation and small translation算法 时间/s 旋转误差/（°） 平移误差/mm X轴 Y轴 Z轴 总旋转 X轴 Y轴 Z轴 总平移 3D SC 25.191 0.010 0.009 −0.780 0.789 1.626 0.606 −0.136 1.741 NDT 0.236 0.015 0.007 −0.782 0.782 0.019 −0.289 −0.190 0.346 PFH 5.861 0.008 0.022 −0.733 0.733 11.303 1.228 0.167 11.371 本文算法 3.082 0.003 0.019 0.716 0.716 2.074 0.559 0.016 2.148 综上所述，本文算法在2个配准过程中的旋转误差都是最小的，在旋转配准上有优势，平移误差与3D SC相当，在配准计算用时上较3D SC缩短了1个数量级，但平移误差和配准用时上较NDT算法要逊色。
2. 基于改进特征匹配算法的LIO-SAM算法
2.1 LIO-SAM算法
LIO-SAM算法一种具有代表性的激光惯性SLAM算法框架，其基本框架如图7所示。其前端利用与LeGO-LOAM相同的特征配准模块，通过基于局部平滑度的计算提取当前帧和匹配帧的边缘和曲面特征，并将当前点云中的点与地图中的边缘和曲面进行匹配；后端则采用因子图优化，添加了IMU预积分因子、激光惯性里程计因子、GPS因子以及闭环因子，以获得更精确的位姿估计和地图构建。
![]()
图 7 本文构建的融合IMU数据的激光SLAM算法框架Figure 7. LIDAR SLAM algorithm framework of IMU data fusion in this paper2.2 改进LIO-SAM算法框架
在LIO-SAM算法的基础上，融合前文的研究成果，前端采用基于FPFH特征描述子的粗配准方法及基于ICP算法的精配准的方案，后端继承基于因子图优化的紧耦合方案，构建了融合IMU数据的激光SLAM算法框架如图7所示。改进后的LIO-SAM算法实现了多传感器融合，信息互补，提高了整体精度，能够得到精度更高的点云地图。算法前端实现激光点云的去畸变，后端以因子图的形式实现紧耦合，激光雷达数据与IMU数据的紧耦合可以改善狭长空间环境的退化问题。
前端使用基于FPFH特征描述子的粗配准方法与基于ICP算法的精配准构建地图，改进原算法中基于曲率的方法的特征提取和基于特征点的配准方法，提升激光雷达对周围环境的特征点识别，识别环境中的局部特征点，并通过两次配准提升配准精度，从而增强煤矿井下机器人的位姿估计精度。后端继承了因子图优化方法，将因子图节点中的回环因子改为Scan Context回环因子，利用Scan Context全局描述符进行闭环检测，将得到的空间约束以闭环因子的形式加入至图优化中，以获得更精确的全局一致性地图。
2.3 算法流程
2.3.1 前端特征提取与配准
由于环境噪声或设备精度的影响，3D激光雷达获取的点云存在“离群点”，会造成点云配准不准确，降低配准效率[36]。本文采用基于k近邻点计算的统计滤波算法对点云数据进行降噪处理，以减少离群点数量。离群点滤波效果如图8所示，由图可见部分离群点已被去除。
![]()
图 8 离群点滤波前后效果对比示意Figure 8. Diagram comparing the effect before and after outlier filtering基于体素网格下采样是指将点云构建成体素网格，将体素网格基于哈希函数计算的重心来近似点云数据，并通过控制体素网格的大小控制下采样的比重。该方法计算量较小，也能够保留完整的点云局部特征信息。效果如图9所示，经过体素滤波后，点云原有的分布没有改变但密度下降，点云数量从3 431 547降至357 886，降低了89.57%。
然后，利用FPFH特征描述子提取点云特征。再利用两步配准方法对源点云到目标点云进行配准，获得使所有对应点的距离误差为最小的变换矩阵，作为激光里程计因子，用于后续位姿优化。
2.3.2 后端因子图优化
1）IMU预积分因子。因子图模型包括变量节点和因子节点。IMU预积分因子根据IMU误差模型及测量数据可解得位置、速度和姿态，描述关键帧之间的运动，通过增加因子图变量节点之间的约束进行优化。设i时刻IMU的姿态、速度和位置分别为Ri、vi和pi，利用i时刻至j时刻IMU的所有测量值，可更新得到j时刻的姿态Rj、速度vj和位置pj，其计算式为
$$ {R}_{j}={R}_{i}\prod \limits_{c=i}^{j-1}\mathrm{e}\mathrm{x}\mathrm{p}\left[\left({\widehat{\omega }}_{c}-{b}_{c}^{\omega }-{n}_{c}^{\mathrm{\omega }\mathrm{d}}\right)\Delta t\right] $$ $$ {v}_{j}={v}_{i}+{g}\Delta {t}_{ij}+\displaystyle\sum _{c=i}^{j-1}{R}_{c}\left({\widehat{a}}_{c}-{b}_{c}^{a}-{n}_{c}^{{a}\mathrm{d}}\right)\Delta t $$ $$ {p}_{j}={p}_{i}+\displaystyle\sum _{c=i}^{j-1}\left[{v}_{c}\Delta t+\frac{1}{2}\mathrm{g}\Delta {t}^{2}+\frac{1}{2}{R}_{c}\left({\widehat{a}}_{c}-{b}_{c}^{a}-{n}_{c}^{{a}\mathrm{d}}\right)\Delta {t}^{2}\right] $$ (5) 式中：$ {\widehat{\omega }}_{c} $和$ {\widehat{a}}_{c} $分别为c时刻角速度和加速度的测量值；$ {b}_{c}^{\omega } $和$ {b}_{c}^{a} $分别为时刻c角速度和加速度的测量偏差；$ {n}_{c}^{\omega {\mathrm{d}}} $为c时刻的角速度测量噪声，rad/s；$ {n}_{c}^{a{\mathrm{d}}} $为c时刻线加速度的测量噪声，m/s2；$ \Delta t $为采样时间间隔；g为重力加速度；$ {v}_{c} $和$ {R}_{c} $分别为c时刻的位置和速度；$ \Delta {t}_{ij}\triangleq \displaystyle\sum _{c=i}^{j-1}\Delta t $。
通过分解离散化运动方程的测量值，则得到的预积分因子如式（6）所示，利用预积分因子构建的残差方程则如式（7）所示。
$$ \left\{\begin{array}{l} \Delta {R}_{ij}=\displaystyle\prod _{c=i}^{j-1}\exp\left[\left({\widehat{\omega }}_{c}-{b}_{c}^{\omega }-{n}_{c}^{\omega {\mathrm{d}}}\right)\Delta t\right]\\ \Delta {v}_{ij}=\displaystyle\sum _{c=i}^{j-1}\Delta {{\boldsymbol{R}}}_{ic}\left({\widehat{a}}_{c}-{b}_{c}^{a}-{n}_{c}^{a{\mathrm{d}}}\right)\Delta t\\ \Delta {p}_{ij}=\displaystyle\sum _{c=i}^{j-1}\left[\Delta {v}_{ic}\Delta t+\frac{1}{2}\Delta {{\boldsymbol{R}}}_{ic}\left({\widehat{a}}_{c}-{b}_{c}^{a}-{n}_{c}^{a{\mathrm{d}}}\right)\Delta {t}^{2}\right] \end{array}\right. $$ (6) $$ {\boldsymbol{r}}=\left[\begin{array}{l}{r}_{p}\\ {r}_{v}\\ {r}_{\theta }\\ {r}_{b}^{a}\\ {r}_{b}^{\omega }\end{array}\right]= \left[\begin{array}{l}{{\boldsymbol{R}}}_{i}^{{\mathrm{T}}}\left({p}_{j}-{p}_{i}-\dfrac{1}{2}\Delta {t}_{ij}^{2}-{v}_{i}\Delta {t}_{ij}\right)-\displaystyle\sum _{c=i}^{j-1}\left(\Delta {v}_{ic}\Delta t+\dfrac{1}{2}\Delta {{\boldsymbol{R}}}_{ic}\left({\widehat{a}}_{c}-{b}_{c}^{a}\right)\Delta {t}^{2}\right)\\ {{\boldsymbol{R}}}_{i}^{{\mathrm{T}}}\left({v}_{j}-{v}_{i}-g\Delta {t}_{ij}\right)-\displaystyle\sum _{c=i}^{j}\Delta {{\boldsymbol{R}}}_{ic}\left({\widehat{a}}_{c}-{b}_{c}^{a}\right)\Delta t\\ {\log}\left({\left\{\displaystyle\prod _{c=i}^{j-1}{\mathrm{exp}}\left[\left({\widehat{\omega }}_{c}-{b}_{c}^{\omega }\right)\Delta t\right]\right\}}^{{\mathrm{T}}}{{\boldsymbol{R}}}_{i}^{{\mathrm{T}} }{{\boldsymbol{R}}}_{j}\right)\\ {b}_{j}^{a}-{b}_{i}^{a}\\ {b}_{j}^{\omega }-{b}_{i}^{\omega }\end{array}\right] $$ (7) 式中：$ {{\boldsymbol{R}}}_{i}^{{\mathrm{T}}} $为i时刻旋转矩阵的转置；$ {\Delta v}_{ic} $为i时刻到c时刻速度的变化量；$ {\Delta {\boldsymbol{R}}}_{ic} $为i时刻到c时刻旋转矩阵的变化量；$ {b}_{j}^{\omega }、{b}_{i}^{\omega }和b_{j}^{a}、{b}_{i}^{a} $分别为i和j时刻IMU角速度和加速度的测量偏差；rp为位置残差；rv为速度残差；$r_{\theta} $为姿态残差；$r_b^a $、$r_b^{\omega } $分别为IMU加速度和角速度bias残差。
后端图优化中，激光雷达数据与IMU数据以因子形式加入至图优化中，预积分因子添加了更多里程计的约束，通过IMU的位姿数据与雷达点云数据时空上的融合，从而实现测量数据的紧耦合，提高结果的准确性。
2）激光里程计因子。构建激光雷达里程计因子步骤如下：① 对激光点云预处理，构建kd-tree结构，计算关键特征点，提取关键特征帧；② 基于几何特征描述的粗配准结合ICP精配准，进行关键帧和地图的特征配准；③ 通过因子图优化计算最终的相对位姿，并进行地图更新。
直接利用点云构建地图会影响后端优化的效果，因此在构建地图时，将关键点特征描述子的点云添加至局部地图进行优化。利用关键帧进行地图构建，能够提高算法实时性，保存局部地图信息。
关键帧的特征提取方法与上文的特征提取方法相同，IMU数据结合激光数据去畸变，并通kd-tree结构查找特征点进行配准，最终将位姿变换加入至地图更新中。
3）回环因子。Scan Context是2018年Giseop Kim和Ayoung Kim提出的算法，将三维扫描得到的点云编码为一个二维矩阵作为描述符，用于三维激光雷达扫描数据的位置识别。其框架如图10所示，首先将局部关键点附近的点云的几何形状编码为图像，然后采用融合相似度评分和最近邻搜索两阶段搜索算法以实现高效、鲁棒的检测闭环。
基于Scan Context的闭环因子构建流程：首先对点云处理提取点云描述符，并通过特征点选取关键帧，利用ICP算法比较关键帧与相邻帧得到相似度，然后在因子图中添加约束，基于Scan Context的闭环节点，通过增加闭环约束进行全局优化，得到全局一致性的地图。
3. 试验结果与分析
为验证本文算法的有效性，选择M2DGR公共数据集[37]的hall_05序列进行测试，主要从建图轨迹长度、绝对位姿误差和相对位姿误差等指标进行算法的效果衡量和定量分析。同时，利用搭载激光雷达和IMU的试验平台开展了不同模拟场景下的SLAM试验，验证算法的有效性和和鲁棒性。
3.1 公开数据集测试结果与分析
M2DGR是由上海交大针对地面机器人导航采集的SLAM数据集，涵盖了电梯、街道、房间、大厅等多个室内外具有挑战性的场景，具有丰富的传感信息，包括视觉、LiDAR、IMU、GNSS、事件、热红外图像等。
该数据集中的室内场景hall为室内走廊场景，与煤矿井下水泵房、变电站的环境具有一定的相似性，故选择M2DGR公开数据集的hall_05序列对本文算法进行测试，采用EVO工具对比分析了LIO-SAM算法和本文改进后算法的绝对位姿误差（Absolute Pose Error，APE）和相对位姿误差（Relative Pose Error，RPE），结果如图11所示。
![]()
图 11 LIO-SAM算法与本文算法的APE和RPEFigure 11. APE and RPE of LIO-SAM algorithm and algorithm proposed in this paper图12显示了LIO-SAM算法和改进算法的相对位姿误差效果，颜色的深浅代表了误差的大小。由图12可知，LIO-SAM算法在弯道和重叠区域位姿估计存在不稳定的现象，而本文算法在相应位置表现更加平稳。
![]()
图 12 LIO-SAM算法与本文算法的RPE可视化效果Figure 12. RPE visualization effect of LIO-SAM algorithm and algorithm proposed in this paper表3为利用hall_05序列数据集测试LIO-SAM和本文算法时的APE和RPE统计结果。从表3可以看出，与LIO-SAM算法相比，本文算法的APE和RPE的最大误差、最小误差、平均误差均有改善，其中APE的平均误差改善了6.52%，RPE的最大误差降低了18.84%。本文算法估计得到的hall_05序列轨迹长度与实际长度仅相差了2.434 m，较改进前LIO-SAM算法提升了13.8%，表明本文算法估计的位姿更准确。
表 3 利用hall_05序列测试LIO-SAM和本文算法时的APE和RPE统计结果Table 3. APE and RPE statistical results when testing LIO-SAM and our algorithm using the hall_05 sequence dataset评价指标 LIO-SAM 本文算法 APE RPE APE RPE 最大误差 2.395 3 10.408 7 2.391 5 8.447 3 最小误差 0.028 1 0.001 4 0.026 2 0.001 3 平均误差 1.019 5 1.219 2 0.953 0 1.323 4 标准差 0.372 5 1.486 1 0.372 5 1.438 1 均方误差 1.022 3 1.922 3 1.023 2 1.954 4 综上所述，在M2DGR公开数据集hall_05序列测试中，本文算法相较于改进前的LIO-SAM算法具有更好的位姿估计和建图效果，估计精度更高，验证了改进算法的有效性。
3.2 模拟环境试验与结果分析
为验证本文算法在煤矿井下狭长巷道环境中的定位与建图效果，搭建了试验平台，开展了狭长走廊（模拟煤矿井下狭长巷道的“长廊”效应）和回形走廊（模拟煤矿井底车场等场景的回环效应）的环境测试试验。这2种场景与煤矿井下环境特点相似，如图13所示，特征相对较少且单一，易使机器人产生错误的位姿估计，对激光点云的特征提取和配准具有较高的挑战性。
试验平台采用履带式机器人底盘，搭载有16线的激光雷达RS-LiDAR-16和六轴的IMU HI229-6，如图14所示。激光雷达和IMU的采样频率分别为10 Hz和500 Hz。上位机采用工控机，硬件配置为8 GB内存、Intel Core i3-4100M和NVIDIA GeForce 940M，操作系统为Ubuntu 18.04+ROS melodic。
1）狭长走廊。利用本文算法对采集的狭长走廊激光点云和IMU数据进行了地图构建，如图15所示。
由图15可知，本文算法可较好的构建出狭长巷道环境地图，没有发生角度倾斜或者是建图不成功的情况。对构建的狭长走廊点云地图中关键尺寸进行了测量，并于用激光测距仪测得的尺寸进行了对比，结果见表4。由表4可知，长度和宽度方向上的绝对误差分别为0.175、0.042 m或相对误差分别为0.49%与0.57%，表明构建的地图精度较高。
表 4 狭长走廊建图尺寸及误差Table 4. Build dimensions and errors for Narrow corridor走廊 实际尺寸/m 建图尺寸/m 建图误差/m 相对误差/% 长度 36.086 35.911 0.175 0.49 宽度 2.114 2.102 0.012 0.57 2）回形走廊。回形走廊与煤矿井底车场特征较相似，同为封闭狭长、两帮结构特征相似的退化环境，难以为机器人位姿估计提供准确的特征信息，容易产生错误匹配，导致定位错误、建图失真甚至失败。
对比了LOAM、LEGO-LOAM、LIO-SAM和本文算法对回形走廊试验的建图效果，如图16所示。由图16可以看出，LOAM、LEGO-LOAM算法构建的地图出现了严重的失真，LIO-SAM算法效果要好一些，但已出现了明显的偏移现象，本文算法构建地图没有出现明显偏差，这是因为本文算法在LIO-SAM传统算法的基础上改进了点云特征提取算法，采用融合FPFH特征描述子的粗配准与ICP精配准算法能够准确识别点云的关键特征点并实现较高精度的点云配准，引入的scan context闭环因子也提升了闭环检测的性能，提升了位姿估计精度，从而可构建出准确的地图。
![]()
图 16 典型SLAM算法和本文算法对回型走廊建图效果Figure 16. Mapping effect of circular corridor by typical SLAM algorithm and our algorithm提取了本文算法构建的地图的关键尺寸并与激光测距仪的测量结果进行了对比，结果见表5。由表可知，本文算法构建的地图在横向、纵向和轨迹长度上的相对误差均在1%以内，表明本文算法在退化环境中构建的地图具有较高的精度。
表 5 本文算法构建的回形走廊地图关键尺寸及其误差Table 5. Key dimensions and errors of circular corridor map constructed by improved algorithm指标 实际尺寸/m 建图尺寸/m 建图误差/m 相对误差/% 横向长度 35.504 35.441 0.162 0.45 纵向长度 1.509 1.499 0.010 0.65 轨迹长度 27.506 27.324 0.182 0.66 4. 结 论
1）针对煤矿井下非结构退化环境点云特征提取和配准难的问题，提出一种融合FPFH和ICP的二阶段点云配准算法，首先构建源点云和目标点云的kd-tree数据结构，利用统计滤波和体素网格下采样降低点云数据量，估计点云表面法线并计算关键点的FPFH特征描述子，再利用SAC-IA算法进行点云粗配准，然后利用ICP迭代算法完成点云精配准，性能验证试验结果表明该算法在大平移、小旋转场景和小平移、大旋转场景下的旋转误差最小，可实现较高精度的点云配准。
2）在LIO-SAM算法框架基础上，前端改进了点云特征提取和配准算法，以提升非结构退化环境的关键局部特征点识别和点云配准能力，增强煤矿机器人位姿估计精度；后端改进了回环因子图优化方法，利用Scan Context全局描述符因子进行闭环检测，以获得更精确的全局一致性地图。利用M2DGR公开数据集hall_05序列对其性能进行了测试，结果表明改进后的算法具有更好的位姿估计和建图效果。
3）为验证本文算法应用在煤矿移动机器人上的可行性，利用搭载LiDAR和IMU的试验平台开展了狭长走廊和回形走廊2种煤矿井下模拟场景的SLAM试验，对比分析了典型SLAM算法和本文算法的建图效果，结果表明本文算法构建的地图没有出现明显的偏差，误差在1%以内，可构建出高精度的全局一致性地图。同时研究也发现本文提出的激光点云特征提取与配准算法在平移误差和用时上较NDT算法要逊色，改进后的LIO-SAM算法尚需要煤矿井下真实场景的试验验证，有待后续的研究。
-
![]()
图 3 高低温循环冲击前后砂岩试样的显微CT图像
Figure 3. Micro-CT images of sandstone specimens before and after high and low temperature cyclic impact
![]()
图 4 孔裂隙面积及增长幅度随冲击作用次数的变化
Figure 4. Variation of pore fracture area and growth rate with the number of impacts
![]()
图 5 砂岩孔裂隙随循环冲击次数演化示意
Figure 5. Schematic of evolution of sandstone pore fissures with the number of cyclic impacts
![]()
图 6 冲击作用次数对砂岩孔裂隙分布特征的影响
Figure 6. Effect of different impact times on distribution characteristics of sandstone pores and fissures
![]()
图 7 砂岩试样孔隙率随扫描层数的变化
Figure 7. Variation of porosity of sandstone specimens with number of scanned layers
![]()
图 8 冲击作用次数对孔隙率及增长幅度的影响
Figure 8. Effect of different number of impacts on porosity and growth rate
![]()
图 9 砂岩孔隙网络模型随高低温冲击次数的变化
Figure 9. Variation of sandstone pore network model with number of high and low temperature impacts
![]()
图 10 冲击作用次数对孔隙半径−数量的影响
Figure 10. Pore radius-quantity curves for different number of impact effects
表 1 砂岩的主要成分和物理参数
Table 1 Principal components and physical parameters of sandstone
主要成分含量/% 物理参数 石英 钠长石 高岭石 伊利石 方解石 钾长石 孔隙率/% 干密度 /(g·cm−3) 饱和密度/(g·cm−3) 72.8 16.7 7.4 1.7 1.0 0.4 11.25 2.65 2.88 
下载: 导出CSV
-
[1] 桑树勋,周效志,刘世奇,等. 岩石力学地层理论方法及其煤系气高效勘探开发应用基础述评[J]. 地质学报,2022,96(1):304−316. doi: 10.3969/j.issn.0001-5717.2022.01.024 SANG Shuxun,ZHOU Xiaozhi,LIU Shiqi,et al. A review of mechanical stratigraphy methodology and its application in high-efficient exploration and development of coal measure gas[J]. Acta Geologica Sinica,2022,96(1):304−316. doi: 10.3969/j.issn.0001-5717.2022.01.024
[2] 王瑞瑞,傅雪海,张宝鑫,等. 煤系碳酸盐岩天然气勘探前景初探−以华北太原组为例[J]. 煤炭科学技术,2021,49(12):138−149. WANG Ruirui,FU Xuehai,ZHANG Baoxin,et al. Preliminary study on exploration prospect of carbonate gas in coal measures:a case study of Taiyuan Formation in North China[J]. Coal Science and Technology,2021,49(12):138−149.
[3] 孙四清,李文博,张 俭,等. 煤矿井下长钻孔分段水力压裂技术研究进展及发展趋势[J]. 煤田地质与勘探,2022,50(8):1−15. doi: 10.12363/issn.1001-1986.22.06.0520 SUN Siqing,LI Wenbo,ZHANG Jian,et al. Research progress and development trend of staged hydraulic fracturing technology in long-borehole underground coal mine[J]. Coal Geology & Exploration,2022,50(8):1−15. doi: 10.12363/issn.1001-1986.22.06.0520
[4] 张永将,黄振飞,季 飞. 基于水力割缝卸压的煤岩与瓦斯动力灾害防控技术[J]. 煤炭科学技术,2021,49(4):133−141. doi: 10.13199/j.cnki.cst.2021.04.016 ZHANG Yongjiang,HUANG Zhenfei,JI Fei. Prevention and control technology of coal-rock and gas dynamic disaster based on water jet slotting pressure relief[J]. Coal Science and Technology,2021,49(4):133−141. doi: 10.13199/j.cnki.cst.2021.04.016
[5] 孟巧荣. 热解条件下煤孔隙裂隙演化的显微CT试验研究[D]. 太原: 太原理工大学, 2011. MENG Qiaorong. The Micro-CT experimental research on the evolvement of pores and cracks of coal in pyrolysis [D]. Taiyuan: Taiyuan University of Technology, 2011.
[6] 王 勇,孟巧荣,高 力,等. 热解无烟煤微细观孔裂隙结构随温度的演化规律[J]. 煤炭学报,2020,45(S1):300−307. doi: 10.13225/j.cnki.jccs.2020.0088 WANG Yong,MENG Qiaorong,GAO Li,et al. Evolution law of micro-meso pore-fracture structure of anthracite in pyrolysis[J]. Journal of China Coal Society,2020,45(S1):300−307. doi: 10.13225/j.cnki.jccs.2020.0088
[7] 张 毅,李 皋,王希勇,等. 川西须家河组致密砂岩高温后微组构特征及对力学性能的影响[J]. 岩石力学与工程学报,2021,40(11):2249−2259. doi: 10.13722/j.cnki.jrme.2021.0135 ZHANG Yi,LI Gao,WANG Xiyong,et al. Microfabric characteristics of tight sandstone of Xujiahe formation in western Sichuan after high temperature and the effect on mechanical properties[J]. Chinese Journal of Rock Mechanics and Engineering,2021,40(11):2249−2259. doi: 10.13722/j.cnki.jrme.2021.0135
[8] 魏则宁,翟 成,孙 勇,等. 液氮冷冲击时长对煤体致裂效果的影响[J]. 中国矿业大学学报,2022,51(2):273−282. doi: 10.3969/j.issn.1000-1964.2022.2.zgkydxxb202202007 WEI Zening,ZHAI Cheng,SUN Yong,et al. The influence of cold shock duration of liquid nitrogen on the fracturing effect of coal[J]. Journal of China University of Mining& Technology,2022,51(2):273−282. doi: 10.3969/j.issn.1000-1964.2022.2.zgkydxxb202202007
[9] 李和万,王来贵,张 豪,等. 循环冷加载条件下受载煤样结构损伤规律[J]. 煤炭学报,2017,42(9):2345−2352. doi: 10.13225/j.cnki.jccs.2016.1763 LI Hewan,WANG Laigui,ZHANG Hao,et al. Investigation on damage laws of loading coal samples under cyclic cooling treatment[J]. Journal of China Coal Society,2017,42(9):2345−2352. doi: 10.13225/j.cnki.jccs.2016.1763
[10] 李和万,张子恒,王来贵,等. 循环冷浸致煤样结构损伤的力学性质演化规律[J]. 煤炭学报,2021,46(S2):770−776. doi: 10.13225/j.cnki.jccs.cb21.0516 LI Hewan,ZHANG Ziheng,WANG Laigui,et al. Evolution law of mechanical properties of coal sample structure damage caused by cyclic cold leaching[J]. Journal of China Coal Socity,2021,46(S2):770−776. doi: 10.13225/j.cnki.jccs.cb21.0516
[11] CAI C,LI G,Huang Z,et al. Experiment of coal damage due to super-cooling with liquid nitrogen[J]. Journal of Natural Gas Science and Engineering,2015,22:42−48. doi: 10.1016/j.jngse.2014.11.016
[12] MAHESAR A A,ALI M,SHAR A M,et al. Effect of cryogenic liquid nitrogen on the morphological and petrophysical characteristics of tight gas sandstone rocks from kirthar fold belt, Indus Basin, Pakistan[J]. Energy & Fuels,2020,34(11):14548−14559.
[13] LIU S,LI X,WANG D,et al. Experimental Study on temperature response of different ranks of coal to liquid nitrogen soaking[J]. Natural Resources Research,2021,30(2):1467−1480. doi: 10.1007/s11053-020-09768-3
[14] 王登科,张 平,刘淑敏,等. 温度冲击下煤层内部孔缝结构演化特征试验研究[J]. 煤炭学报,2018,43(12):3395−3403. WANG Dengke,ZHANG Ping,LIU Shumin,et al. Experimental study on evolutionary characteristics of pore -fissure structure in coal seam under temperature impact[J]. Journal of China Coal Society,2018,43(12):3395−3403.
[15] 魏建平,孙刘涛,王登科,等. 温度冲击作用下煤的渗透率变化规律与增透机制[J]. 煤炭学报,2017,42(8):1919−1925. doi: 10.13225/j.cnki.jccs.2016.1489 WEI Jianping,SUN Liutao,WANG Dengke,et al. Change law of permeability of coal under temperature impact and the mechanism of increasing permeability[J]. Journal of China Coal Society,2017,42(8):1919−1925. doi: 10.13225/j.cnki.jccs.2016.1489
[16] ISAKA B L A,RANJITH P G,RATHNAWEERA T D,et al. Quantification of thermally-induced microcracks in granite using X-ray CT imaging and analysis[J]. Geothermics,2019,81:152−167. doi: 10.1016/j.geothermics.2019.04.007
[17] HOSSEINI M. Effect of temperature as well as heating and cooling cycles on rock properties[J]. Journal of Mining and Environment,2017,8(4):631−644.
[18] CAO R,FANG L,QIU X,et al. Damage deterioration mechanism and damage constitutive modelling of red sandstone under cyclic thermal-cooling treatments[J]. Archives of Civil and Mechanical Engineering,2022,22(4):188. doi: 10.1007/s43452-022-00505-6
[19] 康 健. 岩石热破裂的研究及应用[M]. 大连: 大连理工大学出版社, 2008. [20] 平 琦,吴明静,袁 璞,等. 冲击载荷作用下高温砂岩动态力学性能试验研究[J]. 岩石力学与工程学报,2019,38(4):782−792. doi: 10.13722/j.cnki.jrme.2018.1299 PING Qi,WU Mingjing,YUAN Pu,et al. Experimental study on dynamic mechanical properties of high temperature sandstone under impact loads[J]. Chinese Journal of Rock Mechanics and Engineering,2019,38(4):782−792. doi: 10.13722/j.cnki.jrme.2018.1299
[21] WU Y,PAN X L,HAN Y J,et al. Dissolution kinetics and removal mechanism of kaolinite in diasporic bauxite in alkali solution at atmospheric pressure[J]. Transactions of Nonferrous Metals Society of China,2019,29(12):2627−2637. doi: 10.1016/S1003-6326(19)65169-1
[22] KUMAR H,LESTER E,KINGMAN S,et al. Inducing fractures and increasing cleat apertures in a bituminous coal under isotropic stress via application of microwave energy[J]. International Journal of Coal Geology,2011,88(1):75−82. doi: 10.1016/j.coal.2011.07.007
[23] ZHANG H,ABDERRAHMANE H,AL KOBAISI M,et al. Pore-Scale Characterization and PNM Simulations of Multiphase Flow in Carbonate Rocks[J]. Energies,2021,14(21):6897. doi: 10.3390/en14216897
[24] XIE L,YOU Q,WANG E,et al. Quantitative characterization of pore size and structural features in ultra-low permeability reservoirs based on X-ray computed tomography[J]. Journal of Petroleum Science and Engineering,2022,208:109733. doi: 10.1016/j.petrol.2021.109733
[25] GAN H,LIU Z,WANG G,et al. Permeability and Porosity Changes in Sandstone Reservoir by Geothermal Fluid Reinjection: Insights from a Laboratory Study[J]. Water,2022,14(19):3131. doi: 10.3390/w14193131
[26] ROSENBRAND E,HAUGWITZ C,JACOBSEN P S M,et al. The effect of hot water injection on sandstone permeability[J]. Geothermics,2014,50:155−166. doi: 10.1016/j.geothermics.2013.09.006
[27] LI B,LIN H,LI S,et al. Exploration of pore structure evolution and damage mechanism of coal under liquid nitrogen freeze-thaw cycles[J]. Fuel,2022,325:124875. doi: 10.1016/j.fuel.2022.124875
-
期刊类型引用(7)
1. 曹现刚, 刘依哲, 吴旭东, 王鹏, 张烨. 煤矸分拣机器人的煤矸动态称重方法. 工矿自动化. 2025(06) 
百度学术
2. 刘宏滔, 吴禹同, 白尧, 刘成龙. 基于YOLO-V5算法的煤岩界线识别研究. 山西建筑. 2025(13) 百度学术
3. 季朕伟, 闫晓华. 基于感兴趣区域检测的低照度图像目标识别方法. 长江信息通信. 2025(06) 百度学术
4. 吕瑞宏，李大玮，沈红博. 基于CT图像的煤矸元素成分分析算法研究. 仪器仪表学报. 2025(03): 170-179 . 百度学术
5. 张建. 基于SVM的厚煤层综放工作面煤矸图像识别方法. 山西煤炭. 2025(02): 95-101+109 . 百度学术
6. 李立宝，袁永，秦正寒，李波，闫政天，李勇. 图像特征与振动频谱多源融合驱动的煤矸识别技术研究. 工矿自动化. 2024(11): 43-51 . 百度学术
7. 李珍峰，符世琛，徐乐，孟博，张昕，秦建军. 基于MBI-YOLOv8的煤矸石目标检测算法研究. 图学学报. 2024(06): 1301-1312 . 百度学术
其他类型引用(4)
计量
- 文章访问数: 83
- HTML全文浏览量: 13
- PDF下载量: 36
- 被引次数: 11
