高级检索

基于ORB-SLAM3视觉与惯导融合的煤矿机器人定位算法研究

陈伟, 巫帅达, 田子建, 张帆, 刘毅

陈 伟,巫帅达,田子建,等. 基于ORB-SLAM3视觉与惯导融合的煤矿机器人定位算法研究[J]. 煤炭科学技术,2025,53(S1):297−307. DOI: 10.12438/cst.2023-1915
引用本文: 陈 伟,巫帅达,田子建,等. 基于ORB-SLAM3视觉与惯导融合的煤矿机器人定位算法研究[J]. 煤炭科学技术,2025,53(S1):297−307. DOI: 10.12438/cst.2023-1915
CHEN Wei,WU Shuaida,TIAN Zijian,et al. Research on coal mine robot positioning algorithm based on integration of ORB-SLAM3 vision and inertial navigation[J]. Coal Science and Technology,2025,53(S1):297−307. DOI: 10.12438/cst.2023-1915
Citation: CHEN Wei,WU Shuaida,TIAN Zijian,et al. Research on coal mine robot positioning algorithm based on integration of ORB-SLAM3 vision and inertial navigation[J]. Coal Science and Technology,2025,53(S1):297−307. DOI: 10.12438/cst.2023-1915

基于ORB-SLAM3视觉与惯导融合的煤矿机器人定位算法研究

基金项目: 

国家自然科学基金资助项目(52274160);国家自然科学基金委员会—山西省人民政府煤基低碳联合基金资助项目(U1510115)

详细信息
    作者简介:

    陈伟: (1976—),男,江苏徐州人,教授。E-mail:chenwdavior@163.com

    通讯作者:

    田子建: (1964—),男,湖南望城人,教授。E-mail:tzjcumtb@126.com

  • 中图分类号: TD67

Research on coal mine robot positioning algorithm based on integration of ORB-SLAM3 vision and inertial navigation

  • 摘要:

    针对煤矿井下空间狭窄、光线昏暗且严重不均匀使矿井图像存在照度低、纹理稀疏、颜色失真等缺陷,严重影响了视觉SLAM特征点提取匹配结果,导致定位性能急剧下降,提出1种基于改进ORB-SLAM3算法的煤矿移动机器人单目视觉定位算法。首先对ORB-SLAM3定位算法进行改进,在前端特征点提取(ORB)算法的基础上引入了直方图均衡化、非极大值抑制法、自适应阈值法以及基于四叉树策略的特征点均匀化性质;然后在特征点匹配工作中,引入了基于图像金字塔的LK光流法,减少优化的迭代次数,在特征点匹配完成后加入RANSAC算法去除误匹配的特征点,提高特征点的匹配准确率。在后端通过三角测量的方法,得到像素的深度信息,将2D−2D位姿求解问题转化成3D−2D(pnp)位姿求解问题。根据视觉惯导紧耦合的原理,通过融合视觉残差和IMU残差构建整个定位系统的残差函数,并使用基于非线性优化的滑动窗口BA算法不断迭代优化残差函数,获取精确的移动机器人位姿估计。将改进后的算法在4个数据集下与ORB-SLAM3算法以及VINS-Mono算法进行了充分的对比实验。研究表明:① 相比于ORB-SLAM3算法以及VINS-Mono算法,提出定位系统的运动轨迹和真值轨迹最接近;② 提出定位系统的APE各项指标均优于ORB-SLAM3算法以及VINS-Mono算法;③ 提出定位系统均方根误差为0.049 m(4次实验平均值),相较于ORB-SLAM3均方根误差降低了31.1%(四次实验平均值)。

    Abstract:

    Due to the narrow underground environment of coal mine, dark and changeable light, the mine image has the characteristics of low illumination, low contrast map and uneven color, which affects the matching result of visual SLAM feature points extraction and makes the positioning performance drop sharply. In order to improve the positioning accuracy of monocular visual positioning algorithm of coal mine mobile robot in low illumination, weak texture and unstructured environment features, the ORB-SLAM3 positioning algorithm is improved. On the basis of the front-end feature point extraction (ORB) algorithm, histogram equalization, non-maximum suppression, adaptive threshold method and feature point homogenization based on quadtree strategy are introduced. In feature point matching, LK optical flow method based on image pyramid is introduced to reduce the number of optimization iterations. After the feature point matching is completed, the RANSAC algorithm is added to remove the mismatched feature points and improve the matching accuracy of the feature points. Through the method of triangulation at the back end, the pixel depth information is obtained, and the 2D-2D pose solving problem is transformed into 3D-2D (pnp) pose solving problem. According to the principle of tight coupling of visual inertial navigation, the residual function of the whole positioning system is constructed by fusing visual residual error and IMU residual error, and the sliding window BA algorithm based on nonlinear optimization is used to iteratively optimize the residual function to obtain accurate pose estimation of the mobile robot. The improved algorithm is compared with ORB-SLAM3 algorithm and VSIN-Mono algorithm in four data sets. The results show that: (1) Compared with the ORB-SLAM3 algorithm and the VMS-MONO algorithm, the motion trajectory of the proposed positioning system is the closest to the true value trajectory; (2) All indexes of APE of the positioning system are better than ORB-SLAM3 algorithm and VMS-MONO algorithm; The root-mean-square error of the positioning system is 0.049m (the mean value of four experiments), which is 31.1% lower than that of ORB-SLAM3 (the mean value of four experiments).

  • 煤体结构对钻井工程质量、储层物性评价、储层压裂改造、煤层气的赋存和产出等都有重要的影响[1-4],加之中国煤盆地复杂的构造运动背景为不同煤体结构的发育奠定了基础,因此,煤体结构的精准判识、分布预测、影响因素分析一直是煤储层研究领域的热点。

    煤体结构的准确判识是煤体结构分布预测的基础,逐渐由定性向半定量到定量发展[5-6]。目前,煤体结构的定量表征主要借助地球物理方法(地震和测井)[7-8],地震法由于高成本和低判识精度而应用受限。测井方法能够不间断记录岩石的地球物理响应,具有较好的纵向连续性,且具有一定的径向探测深度,能够很好地反映井周岩石的地质和地球物理属性,加之测井成本低,又是钻、完井以后的必然工序,数据丰富且获取容易[9]。因此,利用测井曲线判识煤体结构被广泛接受。基于测井曲线识别煤体结构的方法很多,有通过测井曲线的形态和幅度进行煤体结构的半定量识别[10-11],但是受其他因素的影响较大,其实用性受到影响。也有借助支持向量机、BP神经网络、XGBoost等机器学习方法划分煤体结构[12-14],但是该类方法的操作过程复杂且判识精度与训练样本有关,影响了其推广应用。还有利用地质强度因子(Geological Strength Index,GSI)量化表征煤体结构,然后建立与测井曲线的关系,进而定量识别煤体结构[15-17]。此类方法基于煤岩宏观观测,并将观测结果关联测井数值统计,操作简单、易行,且判识结果可以参与其他数学表达,大大提高了煤体结构定量化的应用价值。该方法应注意GSI值与多条测井曲线的综合响应,以提高煤体结构的判识精度。

    煤体结构是煤岩自身力学强度对外力作用的自适应结果,即煤体结构不仅受自身物质组成、结构的影响,同时受控于构造作用强度及外部应力环境的影响。张俊杰[18]认为煤体结构变化与构造发育程度相关,原生结构煤发育在构造简单的区域,而构造煤则发育在构造复杂的区域。刘博远[19]深入分析了褶皱、断层对煤体结构的影响,认为褶皱是控制煤体结构的主要因素,大断层或密集的小断层与褶皱构造叠加煤体则较为破碎。吴伟等[20]探讨了煤岩成分、褶皱、断层、层滑构造对煤体结构的影响,认为均质镜质体含量越高、褶皱、断层越发育、距离层滑越近,煤体结构越破碎。张珺晔[21]通过对新疆阜康地区八道湾组下段煤层煤体结构的研究,认为煤体结构展布主要受控于沉积特征和构造运动,但以构造控制为主。显然,煤体结构是煤岩成分、沉积、构造等多因素综合作用的结果,而以往的研究侧重于构造类型、构造作用强度对煤体结构的影响,缺乏多因素的系统分析,侧重于宏观地质条件对煤体结构的影响,而储层微观属性的影响没有得到重视,且鲜有报道原位应力对煤体结构的影响。

    此次研究在煤体结构GSI表征的基础上,构建基于测井多元回归的煤体结构GSI量化模型,预测煤体结构的空间分布,探讨沉积、构造、地应力、微观力学性能对煤体结构空间差异分布的影响机制,旨在为研究区煤层气施工工程和储层评价提供可靠的地质依据。

    鄂尔多斯盆地位于华北地台西部,根据其构造特征,可细分为六个次级构造单元,其中,伊陕斜坡构成了盆地的主体[22]图1a)。临兴区块位于晋西挠褶带北部偏西位置,整体呈一个西倾的单斜构造,地层倾角小,中部受紫金山隆起的影响,地层倾角较大,构造也相对复杂。紫金山隆起区外的构造主要是大型的宽缓褶皱,发育一些小型逆断层[23]图1b)。研究区石炭−二叠系为主要含煤地层,其中本溪组的8+9号煤层为该区深部煤层气勘探开发的主力,煤层埋深为1090.42163.5 m,平均为1910.4 m。煤层厚度为1.52~15.54 m,平均为5.69 m,主要发育在潮坪−潟湖沉积体系[24]

    图  1  鄂尔多斯盆地和临兴区块构造纲要
    Figure  1.  Structural outline of Ordos Basin and Linxing Block

    为了详细刻画煤体结构的空间分布(纵向和平面)特征,将煤体结构与测井曲线关联,通过测井曲线的变化来反映煤体结构差异。具体做法是在样品归位校正以后,统计不同煤体结构的测井曲线值,总结煤体结构的测井响应规律。该方法实施过程中特别重要的一个步骤是样品的归位校正,只有煤样准确归位后才能获得真实的测井响应,归位校正主要借助灰分与自然伽马的相关关系。煤体结构的测井响应统计工作如图2所示。

    图  2  研究区煤体结构的观测与统计
    Figure  2.  Observation and statistics of coal structures in the study area

    煤体结构的测井响应结果如图3所示,由原生结构向糜棱结构演变,煤体结构破碎程度逐渐增加,声波时差和井径测井值逐渐增大,密度和自然伽马测井值逐渐减小。这是因为随着煤体结构破碎程度的增加,煤中的空隙(宏观、显微裂隙)增多,单位体积内的物质(包括反射物质)减少,井壁稳定性降低,导致声波的传播速度降低,体积密度减小,放射强度变弱,扩径现象出现。此外,同一测井曲线对不同煤体结构的响应值是交叉的,因此,利用单一测井曲线是无法准确判识煤体结构类型的,利用多条响应较好的测井曲线去联合判识煤体结构是必要的。

    图  3  煤体结构的测井响应
    Figure  3.  Logging responses of coal structures

    GSI是HOKE等[25]根据岩石的完整程度、表面粗糙程度、裂缝发育情况等提出的岩石强度量化方法。由于GSI的内涵与煤体结构的本质内容高度吻合,因此,该方法已经被众多学者用于煤体结构的定量表征[26-28],其基本量化准则参考文献[27],即根据煤岩破碎的块体大小和裂隙的发育程度、结构面的质量状况等对煤体结构进行GSI赋值,GSI值越大,煤体结构越完整。GSI不仅可以刻画煤体结构的微小差异,也使得煤体结构可以参与数学表达与运算,这是该方法得到广泛应用的重要原因。依据GSI量化准则,对研究区的典型样品进行GSI赋值,也作为研究区煤体结构GSI表征的直观体现和应用参考。值得一提的是,由煤体结构的宏观观测和描述可知,研究区煤体结构主要为原生结构,其次为碎裂结构,其他类型的煤体结构发育较少,一般以薄夹层出现,煤体结构类型比较简单。为了更加精细表征煤体结构差异,此次研究特引入过渡组分原生−碎裂结构、碎裂−碎粒结构。研究区不同煤体结构宏观特征及GSI赋值如图4所示,L-42-8+9-2为样品编号,(20)~(70)为GSI赋值。

    图  4  基于GSI的研究区煤体结构量化值
    Figure  4.  Quantification values of coal structure of study area based on GSI

    在取心样品GSI量化的基础上,进行GSI与测井曲线的相关性分析,统计结果表明,声波时差、自然伽马、密度和井径测井与GSI的相关性较高,具体如图5所示。交会结果显示,煤体结构量化表征值GSI与密度、自然伽马测井值呈线性正相关(图5a图5b),与声波时差、井径测井值呈线性负相关(图5c图5d),这与煤体结构测井响应结果一致。由交会图分析可知,声波时差、井径测井对煤体结构的响应更灵敏,密度和自然伽马略差。由于单一测井曲线值与GSI的相关性较低,为了更加准确地开展煤体结构的量化表征,通过GSI与测井值的多元线性回归,建立基于测井曲线的煤体结构定量表征模型如公式(1)所示:

    图  5  GSI与测井值的交会图
    Figure  5.  Crossplot of GSI and logging curve values
    $$ {I}_{{\mathrm{GS}}}\text{= 11.438}D\text{+0.033}G{- 0.253}D_{{\mathrm{T}},24}{- 0.767}C +90.548$$ (1)

    式中:IGS为煤体结构量化值,无量纲;D为密度测井值,g/cm3G为自然伽马测井值,API;DT, 24为声波时差测井值,μs/ft;C为井径测井值,cm。

    GSI与测井曲线多元回归的拟合系数R2为0.88,与单一测井拟合值相比,相关性得到很大的提高,表明多条测井曲线配合评价煤体结构的效果更好。

    利用上述煤体结构测井量化模型,开展研究区煤体结构空间分布预测,并对不同煤体结构进行厚度统计,如此可以直观地看到不同煤体结构在煤层中的占比,得到的煤体结构空间分布如图6所示。由煤体结构的发育特征可知,研究区深8煤的煤体结构以原生−碎裂结构为主,其次为碎裂结构,发育少量的原生结构和碎裂−碎粒结构。研究区煤体结构的区域分布可以分为四种类型,类型Ⅰ以原生−碎裂结构为主,其次为原生结构,主要分布在区块的东北角;类型Ⅱ以原生−碎裂结构为主,其次为碎裂结构,是研究区的主要煤体结构类型,因此分布面积也最广;类型Ⅲ以碎裂结构为主,其次为原生−碎裂结构,主要分布在断层发育区和紫金山隆起区周围;类型Ⅳ与类型Ⅲ的区别在于出现了一定比例的碎裂−碎粒结构,主要环紫金山隆起区分布。从类型Ⅰ到类型Ⅳ,煤体结构的破碎程度在增加。如此,研究区按照煤体结构类型可以分为7个小分区,这对储层评价和改造具有重要的参考意义。

    图  6  研究区8+9号煤层煤体结构空间展布
    注:分类中煤体结构的先后顺序代表该类煤体结构占比的相对高低。
    Figure  6.  Spatial distribution of coal structures of No.8+9 coal seam in the study area

    研究区8+9号煤主要发育在潮坪−潟湖沉积体系,少量发育在三角洲平原亚相(研究区西北角)(图7a)。不同沉积环境下的聚煤厚度不同。潮道由于水动力条件较强,不利于泥炭堆积,导致该环境下煤层发育厚度较薄,煤层厚度为1.5~4.7 m,平均为3.1 m。砂坪水动力条件比潮道弱,但比泥坪强,也不是有利的泥炭堆积场所,煤层厚度一般是4.1~5.0 m,平均为4.5 m。泥坪是潮坪环境中水动力条件最弱的,比较适合泥炭堆积,煤层厚度一般为4.1~7.4 m,平均为5.6 m。潟湖环境是最适于泥炭堆积的场所,相对静水的环境及其在后期淤浅过程中连续的泥炭堆积最终形成了厚煤层。该环境中沉积的煤层厚度为8.9~15.5 m,平均为11.4 m。由于晚石炭—早二叠海水由东南方向侵入,西北方向则是陆相一侧,因此研究区西北角发育三角洲平原亚相,该环境中聚煤厚度为6.4~7.2 m,平均为6.8 m,该环境聚煤条件仅次于潟湖环境(图7b)。

    图  7  研究区8+9号煤层沉积相与厚度图
    Figure  7.  Sendimentary facies and thickness of No.8+9 coal seam in the study area

    由煤层厚度与GSI的相关性分析可知,两者没有明显的关系,即使在相同的沉积环境中煤体结构的变化也比较大(图8a)。然而,GSI与灰分呈明显的正相关关系,即灰分越高,GSI越大,煤体结构越完整(图8b)。这是因为灰分含量越大,煤岩力学强度越高,抵抗外力破坏的能力越大,煤体结构也相对完整。由于灰分的变化受控于沉积环境的变动,因此,未来系统研究不同沉积环境中灰分的变化规律是揭示沉积环境对煤体结构影响特征的关键所在。

    图  8  沉积环境对煤体结构的影响
    Figure  8.  The influence of sedimentary environment on coal structures

    研究区煤储层构造相对简单,以单斜构造为主,发育小型的褶皱构造和逆冲断层。其中,褶皱构造可以通过构造曲率来量化,反映煤层的弯曲变形程度。构造曲率的计算参考他人研究方法[26],先对研究区网格化,在网格化后的小单元中,利用式(2)、式(3)进行计算,计算示意如图9所示。

    图  9  构造曲率计算示意
    Figure  9.  Schematic diagram for calculating structural curvature

    某一方向的构造曲率表达如下:

    $$ {{r}}_{{i}}=\frac{{2}{\Delta }{h}}{{{\Delta }{h}}^{{2}}+\dfrac{{({{H}}_{{i}{+1}}-{}{{H}}_{{i}{}-{1}})}^{{2}}}{{4}}+{{a}}^{{2}}} $$ (2)

    小网格内的构造曲率则表达如下:

    $$ \mathit{r}\mathrm{=\max\left(\mathit{r}_{\mathrm{i}}\right)} $$ (3)

    式中:Hi +1Hi-1为小网格的节点标高,m;Hi为小网格中心点的标高,m;a为小网格边长的一半(a=1000),m;R为小网格曲面半径,m;ri为小网格某一方向上的构造曲率,m−1r为小网格构造曲率,m−1;$ \Delta h $、$ \Delta h' $、b为中间变量,m。

    依据上述方法计算的构造曲率分布如图10所示。由构造曲率区域分布可知,环紫金山隆起区,构造曲率普遍较大,代表煤储层变形程度高,远离紫金山隆起区,煤储层变形程度相对较小。由GSI和构造曲率的相关性分析可知,两者呈负相关(图11),构造曲率越大,GSI越小,即煤储层变形程度越大,煤体结构越破碎。依据不同井位的数据统计可知,原生结构煤的构造曲率平均为8.4×10−6 m−1,原生−碎裂结构煤的构造曲率平均为18.7×10−6 m−1,碎裂煤构造曲率平均为25.7×10−6 m−1,这为研究区利用构造曲率预测煤体结构提供了依据。另外,GSI的分布由低曲率向高曲率逐渐集中,表明当煤储层变形程度较低时,煤体结构类型多样,即受多因素控制,如断层的存在使得低变形区域的煤体结构相对破碎,这是煤体结构分区Ⅲ1形成的主要原因。当构造曲率较大时,煤储层高变形程度促使煤体结构破碎,所以GSI在高构造曲率时分布比较集中。煤体结构分区Ⅲ2和Ⅳ主要受控于高储层变形程度。

    图  10  构造对煤体结构的影响
    Figure  10.  The influence of structures on coal structures
    图  11  GSI与构造曲率的关系
    Figure  11.  Relationship between GSI and structure curvature

    煤储层地应力是煤岩原位条件下受力情况的综合体现,其组合特征反映了煤储层所处的应力状态。研究区煤储层地应力随埋深的增加而线性增大(图12a)。侧压系数作为水平主应力和垂直主应力相对强弱的指标,在研究区呈现先增大后减小的趋势,变化范围为0.6~1.1,最大值出现在1600 m附近(图12b)。综合地应力、侧压系数随埋深的变化特征可知,地应力的垂向分布呈现分带性。具体为:当埋深为700~1100 m时,σVσh, max>σh, min,地应力由伸张态向压缩态过渡;当埋深为11001600 m,σh, max>σVσh, min,以水平主应力为主,地应力为压缩状态,表现为大地动力场类型;当煤层埋深为16002000 m时,σh, max>σV>σh, min,仍以水平主应力为主,但垂直主应力逐渐增强;当埋深大于2000 m时,σh, maxσV>σh, min,地应力由压缩态向伸张态过渡,侧压系数显示垂直主应力进一步增强。由煤体结构与地应力的关系可以,在浅部伸张−压缩过渡带,煤体结构以碎裂−碎粒结构为主,碎裂结构次之;在以水平主应力主导的压缩带煤体结构以原生−碎裂结构为主,碎裂结构次之;在压缩−伸张过渡带,碎裂结构的比例增大。随着埋深的增加,煤储层原位条件下温度和应力增大。根据前人研究成果,在温度和应力的耦合作用下,煤岩力学强度呈增大趋势[27],则随着埋深的增大,煤岩抵抗变形的能力增强,煤体结构趋于完整。在此基础上,地应力状态将进一步分化煤体结构的完整程度。

    图  12  地应力与埋深、煤体结构的关系
    Figure  12.  The relationship between in-situ stress and burial depth and coal structures

    煤体结构类型与煤岩本身的力学性能密切相关,探讨不同煤体结构煤的力学性质,有助于理解煤体结构的差异分布[28-29]。一般煤岩力学性质常用柱塞样品的力学实验来揭示,然而构造煤由于裂隙发育而难以制成柱样,因而无法开展常规力学实验研究,影响了不同煤体结构煤的力学性能评价。鉴于此,本研究借助原子力显微镜揭示不同煤体结构煤的微观力学性质。

    研究区深8煤的煤体结构以原生结构、原生−碎裂结构和碎裂结构为主,基于控制变量的原则,此次实验所用样品采自同一口井的不同深度,但具有相似的组分和构造背景(样品的基本信息见表1),样品先后经过切割、抛光处理后,制成10 m×10 m×7 mm的小长方体。观测过程中分别对样品进行二维、三维以及杨氏模量成像。

    表  1  AFM实验样品信息及测试结果
    Table  1.  Sample information and test results of AFM
    样品编号 密度/
    (g·cm−3)
    Ro/% Mad/% Ad/% Vdaf/% 煤体结构
    M-1 1.50 1.01 1.34 19.26 21.79 原生结构
    M-2 1.47 0.98 0.96 14.53 21.39 原生−碎裂结构
    M-3 1.45 1.03 0.80 15.22 20.65 碎裂结构
    下载: 导出CSV 
    | 显示表格

    样品的测试结果如图13所示。M-1、M-2、M-3三个样品的杨氏模量平均为15.1、13.6、9.9 GPa。随着煤岩杨氏模量减小,煤体结构破碎程度增加。在构造背景相同的情况下,煤岩力学性能取决于煤岩物质组成和显微孔隙结构。对比三个样品的灰分含量可知,M-1的最高,M-3的最低,M-2介于两者之间。这与原子力显微镜观测结果一致,原子力显微镜下的紫色部分代表煤中的无机组分(图13的A3、B3、C3),M-1的无机组分最高,M-3的最低。另外,M-3、M-2、M-1的孔径依次减小(图13的A1、B1、C1),这是因为有机孔的孔径一般大于无机孔的孔径,对于有机质含量高的煤样,孔径较大的有机孔就相对发育。分析认为,有机质力学强度低,抵抗变形能力差,而矿物的力学强度高,煤中矿物成分的增加会提高煤的力学性能。另外,煤中孔隙孔径越大,煤的力学强度也越低。煤岩力学强度的差异将影响煤体结构类型。从测试数值来看,利用该方法获取的煤的杨氏模量要大于力学实验测试结果,这是因为该方法无法反映宏观结构面,导致了宏观和微观力学性能的差异。

    图  13  不同煤体结构煤的AFM测试结果
    Figure  13.  Test result of coal with different structures based on AFM

    1)研究区煤体结构以原生−碎裂结构为主,其次为碎裂结构,发育少量的原生结构和碎裂−碎粒结构。煤体结构分布可以归纳为四大类,据此将研究区划分为七个小分区,该分区对于储层评价和压裂改造的意义值得重视。

    2)灰分与煤体结构的完整性呈正相关,研究不同沉积环境中灰分的变化规律是揭示沉积对煤体结构影响特征的关键。

    3)原生结构、原生−碎裂结构、碎裂结构煤发育的平均构造曲率分别为8.4×10−6、18.7×10−6、25.7×10−6 m−1。断层发育的地方,煤体结构以碎裂煤为主。

    4)煤岩微观力学性能取决于煤基质组分和显微孔隙结构,煤岩无机组分含量越高,力学强度越高,煤体结构越完整。

  • 图  1   FAST关键点提取原理图

    Figure  1.   Fast key point extraction schematic

    图  2   金字塔匹配不用缩放比例下的图像

    Figure  2.   Pyramid matches images without scaling

    图  3   四叉树均匀化特征点

    Figure  3.   Quadtree homogenizes feature points

    图  4   基于图像金字塔的LK光流法

    Figure  4.   LK optical flow method based on image pyramid

    图  5   IMU预积分原理图

    Figure  5.   Schematic diagram of IMU pre-integration

    图  6   飞行器及搭载传感器

    Figure  6.   Aircraft and carrying sensors

    图  7   定位算法轨迹对比

    Figure  7.   Comparison of trajectory of positioning algorithm

    图  8   MH01系列APE分析结果对比

    Figure  8.   Comparison of MH01 series APE analysis results

    图  9   MH04系列APE分析结果对比

    Figure  9.   Comparison of MH04 series APE analysis results

    图  10   V101系列APE分析结果对比

    Figure  10.   Comparison of V101 series APE analysis results

    图  11   V102系列APE分析结果对比

    Figure  11.   Comparison of V102 series APE analysis results

    图  12   实验场景

    Figure  12.   Experimental scenes

    图  13   实验过程中特征点提取

    Figure  13.   Feature point extraction during experiment

    图  14   机器人的移动轨迹、稀疏点云

    Figure  14.   Robot moving track, sparse point cloud

    表  1   MH01序列系统误差对比

    Table  1   Systematic error comparison of MH01 sequence

    定位算法 max/m mean/m median/m min/m rmse/m std/m
    Ours 0.070 0.023 0.023 0.001 0.026 0.012
    ORB-SLAM3 0.225 0.051 0.055 0.0001 0.058 0.027
    VINS-Mono 0.791 0.154 0.126 0.019 0.183 0.099
    下载: 导出CSV

    表  2   MH04序列系统误差对比

    Table  2   Systematic error comparison of MH04 sequence

    定位算法 max/m mean/m median/m min/m rmse/m std/m
    Ours 0.289 0.113 0.105 0.011 0.122 0.045
    ORB-SLAM3 0.405 0.153 0.132 0.012 0.166 0.064
    VINS-Mono 1.294 0.315 0.247 0.018 0.389 0.229
    下载: 导出CSV

    表  3   V101序列系统误差对比

    Table  3   Systematic error comparison of V101 sequence

    定位算法 max/m mean/m median/m min/m rmse/m std/m
    Ours 0.083 0.035 0.034 0.001 0.037 0.014
    ORB-SLAM3 0.088 0.039 0.038 0.004 0.042 0.015
    VINS-Mono 0.475 0.118 0.099 0.005 0.142 0.080
    下载: 导出CSV

    表  4   V102序列系统误差对比

    Table  4   V102 sequence system error comparison

    定位算法 max/m mean/m median/m min/m rmse/m std/m
    Ours 0.032 0.011 0.011 0.001 0.012 0.005
    ORB-SLAM3 0.162 0.018 0.017 0.003 0.022 0.011
    VINS-Mono 0.851 0.250 0.210 0.007 0.307 0.178
    下载: 导出CSV
  • [1] 王凤超,刘应科,张利瑶,等. 淹没射流冲击煤体应力模型及破煤临界条件研究[J]. 中国安全科学学报,2023,33(12):122−130.

    WANG Fengchao,LIU Yingke,ZHANG Liyao,et al. Study on stress model and critical conditions for coal breaking by submerged jet[J]. China Safety Science Journal,2023,33(12):122−130.

    [2]

    SONG M L,WANG J L,ZHAO J J,et al. Production and safety efficiency evaluation in Chinese coal mines:Accident deaths as undesirable output[J]. Annals of Operations Research,2020,291(1):827−845.

    [3] 曾一凡,武强,赵苏启,等. 我国煤矿水害事故特征、致因与防治对策[J]. 煤炭科学技术,2023,51(7):1−14.

    ZENG Yifan,WU Qiang,ZHAO Suqi,et al. Characteristics,causes,and prevention measures of coal mine water hazard accidents in China[J]. Coal Science and Technology,2023,51(7):1−14.

    [4] 范京道,徐建军,张玉良,等. 不同煤层地质条件下智能化无人综采技术[J]. 煤炭科学技术,2019,47(3):43−52.

    FAN Jingdao,XU Jianjun,ZHANG Yuliang,et al. Intelligent unmanned fully-mechanized mining technology under conditions of different seams geology[J]. Coal Science and Technology,2019,47(3):43−52.

    [5] 张立亚,李晨鑫,刘斌,等. 基于子图像分割映射点云空间的机器人避障算法[J]. 煤炭科学技术,2024,52(S2):368−374. doi: 10.12438/cst.2023-0948

    ZHANG Liya,LI Chenxin,LIU Bin,et al. Robot obstacle avoidance algorithm based on sub-image segmentation mapping point cloud hosting[J]. Coal Science and Technology,2024,52(S2):368−374. doi: 10.12438/cst.2023-0948

    [6] 程健,李昊,马昆,等. 矿井视觉计算体系架构与关键技术[J]. 煤炭科学技术,2023,51(9):202−218. doi: 10.12438/cst.2023-0152

    CHENG Jian,LI Hao,MA Kun,et al. Architecture and key technologies of coalmine underground vision computing[J]. Coal Science and Technology,2023,51(9):202−218. doi: 10.12438/cst.2023-0152

    [7]

    ZHAI G D,ZHANG W T,HU W Y,et al. Coal mine rescue robots based on binocular vision:A review of the state of the art[J]. IEEE Access,2020,8:130561−130575. doi: 10.1109/ACCESS.2020.3009387

    [8] 刘瑞军,王向上,张晨,等. 基于深度学习的视觉SLAM综述[J]. 系统仿真学报,2020,32(7):1244−1256.

    LIU Ruijun,WANG Xiangshang,ZHANG Chen,et al. A survey on visual SLAM based on deep learning[J]. Journal of System Simulation,2020,32(7):1244−1256.

    [9] 高毅楠,姚顽强,蔺小虎,等. 煤矿井下多重约束的视觉SLAM关键帧选取方法[J]. 煤炭学报,2024,49(S1):472−482.

    GAO Yinan,YAO Wanqiang,LIN Xiaohu,et al. Selection method of visual SLAM key frames with multiple constraints in coal mine underground[J]. Journal of China Coal Society,2024,49(S1):472−482.

    [10]

    DAVISON A J,REID I D,MOLTON N D,et al. MonoSLAM:Real-time single camera SLAM[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,2007,29(6):1052−1067. doi: 10.1109/TPAMI.2007.1049

    [11]

    KLEIN G,MURRAY D. Parallel tracking and mapping for small AR workspaces[C]//2007 6th IEEE and ACM International Symposium on Mixed and Augmented Reality. Piscataway,NJ:IEEE,2007:225−234.

    [12]

    MUR-ARTAL R,MONTIEL J M M,TARDÓS J D. ORB-SLAM:A versatile and accurate monocular SLAM system[J]. IEEE Transactions on Robotics,2015,31(5):1147−1163. doi: 10.1109/TRO.2015.2463671

    [13]

    MUR-ARTAL R,TARDÓS J D. ORB-SLAM2:An open-source SLAM system for monocular,stereo,and RGB-D cameras[J]. IEEE Transactions on Robotics,2017,33(5):1255−1262. doi: 10.1109/TRO.2017.2705103

    [14]

    CAMPOS C,ELVIRA R,RODRÍGUEZ J J G,et al. ORB-SLAM3:An accurate open-source library for visual,visual–inertial,and multimap SLAM[J]. IEEE Transactions on Robotics,2021,37(6):1874−1890. doi: 10.1109/TRO.2021.3075644

    [15] 权美香. 基于多传感器信息融合的单目视觉SLAM算法研究[D]. 哈尔滨:哈尔滨工业大学,2021:23−112.

    QUAN Meixiang. Research on SLAM algorithm of monocular vision based on multi-sensor information fusion[D]. Harbin:Harbin Institute of Technology,2021:23−112.

    [16]

    LIU H M,CHEN M Y,ZHANG G F,et al. ICE-BA:Incremental,consistent and efficient bundle adjustment for visual-inertial SLAM[C]//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway,NJ:IEEE,2018:1974−1982.

    [17]

    MU Q,WANG Y H,LIANG X,et al. Autonomous localization and mapping method of mobile robot in underground coal mine based on edge computing[J]. Journal of Circuits,Systems and Computers,2024,33(1):2450018.

    [18]

    ZHU D X,JI K K,WU D,et al. A coupled visual and inertial measurement units method for locating and mapping in coal mine tunnel[J]. Sensors,2022,22(19):7437. doi: 10.3390/s22197437

    [19] 张帆,葛世荣. 矿山数字孪生构建方法与演化机理[J]. 煤炭学报,2023,48(1):510−522.

    ZHANG Fan,GE Shirong. Construction method and evolution mechanism of mine digital twins[J]. Journal of China Coal Society,2023,48(1):510−522.

    [20]

    SIBLEY G,MATTHIES L,SUKHATME G. A sliding window filter for incremental SLAM[M]//KRAGIC D,KYRKI V,eds. Unifying perspectives in computational and robot vision. Boston,MA:Springer US,2008:103−112.

    [21]

    QIN T,LI P L,SHEN S J. VINS-mono:A robust and versatile monocular visual-inertial state estimator[J]. IEEE Transactions on Robotics,2018,34(4):1004−1020. doi: 10.1109/TRO.2018.2853729

图(14)  /  表(4)
计量
  • 文章访问数:  46
  • HTML全文浏览量:  6
  • PDF下载量:  20
  • 被引次数: 0
出版历程
  • 收稿日期:  2023-12-14
  • 网络出版日期:  2025-05-09
  • 刊出日期:  2025-05-31

目录

/

返回文章
返回