信息发布

??您当前位置: 首页 ?>? 狗万博和吉祥坊 ?>? 行业动态

移动三维激光雷达系统在带状测区的应用和展望

文章来源: ???? 发布时间:2019-07-20 ???? 发布人: ???? 【字体:??

Mobile LiDAR System移动三维激光雷达系统(MLS)之所以成为测绘界的新宠并大行其道,其关键在于这种新型的测量方式能够在正常的单位时间投入内高效采集全方位的高分辨率空间三维地形数据。当激光雷达在一条长廊里扫描的时候,它不仅获取到了周边物体的坐标信息,还能创建整个带状空间范围的详细三维模型。而这些丰富的高精度点云数据,用于解决譬如:绘制道路资产、评估道路表面状况、量测道路几何模型、为扩建道路提供参考依据等实际问题。


优于传统的带状图测量方式


其实,相比起传统的测量方式激光雷达具有很多方面的优势,包括高速数据采集(降低时间和成本),高密度点云信息(物无巨细,尽收眼底),复杂地形测绘(将问题数据最小化),遥感方式数据采集(极大提高测绘效率和操作安全性),彩色三维点云成果输出(精准呈现测绘场景)。当激光雷达技术被越来越多的单位广泛采纳并投入带状测区(尤其是高速公路)测量以后,人们发现这种方式比传统模式可以降低不少成本。


现有的移动激光雷达系统


在过去的十年当中,涌现了许多成功推出激光雷达系统解决方案的厂商,常见的有:RIEGL、Teledyne Optech、3DLaser Mapping、拓普康、Reinshaw(现为Carlson软件公司)、天宝、三菱电机、徕卡和Siteco Informatica。


每套激光雷达系统的定向架构是各不相同的。例如,RIEGL VMX-2HA,Lynx SG、StreetMapper IV、Dynascan S250、天宝MX9和徕卡Pegasus:Two Ultimate应用的是双激光头组合,而IP-S3 HD1和MLS-G220ZL有三个激光头,Road-Scanner4则只配备一个。通常来说,这些多激光头的解决方案相当昂贵(超过25万美元),体积尺寸较大,而且必须接受操作培训。


硬件组成和数据处理


LiDAR是一套基于位置与姿态信息采集功能的激光扫描仪与相机集成系统。不断发展的激光雷达硬件技术逐步地提升着三维激光的测量效果。新式、小型化的传感器技术使系统集成变得更加容易,同时,也为这类轻巧的系统集成安装到各种移动载体上提供了极大的便利。小型化的解决方案为多领域应用和降低价格门槛开辟了一条新的道路。


尽管激光雷达的硬件提升了不少,但技术应用的瓶颈已经从数据采集部分转移到了数据处理部分。由于激光雷达采集到的数据密集且庞大,后期处理涉及到不少的人工干预,地物提取自动化也只是实现了一部分而已。打比方说,车载激光雷达以50公里的时速移动扫描,每一公里能够获取大约1GB左右的的数据量,如此一来,最终的原始数据在一台工作站电脑上需要整整一周的时间进行处理。


考虑到这些现实情况,业界和学界正在研究自动化数据处理的方法和软件工具,以便从激光雷达的海量数据里精准提取带状路形信息。在场景复杂和数据性质混乱的情况下,自动化识别路面物体是相对比较困难的。现有的许多半自动化提取方法,可用于普通的地物,譬如:在高速公路上作业,高低植被、电线杆、电力线、墙壁和建筑物都是可以识别提取的。然而,此实用性仅限于结构分明且可预测的激光雷达数据集。


挑战与展望


由于激光雷达设备机身结构被固化,里边所能加载的传感器极其有限,市面上的激光雷达基本上都是在一个特殊定制的平台上使用,意味着转移到另一个非定制的平台上使用则是不现实的,安装起来费劲又费时。通常来说,在一条车流繁忙的高速路上使用车载激光雷达扫描,采集到的数据将会是不完整的,一些重要信息片段因为其他车辆的遮挡而未被扫描得到。目前,要么在非繁忙时段进行采集,要么增加测回反复采集。不规则空间、遮挡和复杂几何场景造成的数据缺口,使路面信息的自动分割和分类处理工作变得更加繁琐。另外,为了获得高精度的绝对定位数据,一定量的地面控制点也必不可少。


车载激光雷达的道路扫描及地物提取透析图


传感器的小型化很好地解决了系统集成和安装工艺的刚需问题,但面向个别具体应用的布局设计优化仍然任重而道远。相信在未来,我们将看到更多新式的激光雷达系统集成工艺,可在不同的平台上轻松安装和检校,以便根据不同需求采集各种数据。测量员可通过即插即用的方法在野外自定义所需的激光雷达扫描系统。


在不久的将来,我们将迎来用于高端测图领域的多个传感器集成技术革新,包括关于机器人自动化和计算机视觉技术的激光雷达扫描和视觉定位测图概念,基于影像的空间定位等等。这将极大地推动起轻小型且价格门槛更低的激光雷达系统产品应用于移动三维数据采集和更新现有的数字三维模型。不言而喻,在场景复杂的道路三维点云里实现地物提取自动化,把人工干预程度最小化,这是一个非常关键的需求点。对于数据分类的深度学习和应用,整个业界都在翘首以待这方面的发展。


译者:彭嘉婷

译自Bharat Lohani和Manohar Yadav的Mobile Lidar Systems Today and Tomorrow,荷兰杂志GIM INTERNATIONAL,第四期,2018(19-21),原文有删减。

【打印本页】【关闭窗口】
触碰右侧展开