摘要：引文格式：郁威, 曹民, 孙金余, 等. 基于多线激光雷达的系泊船舶姿态监测算法[J]. 测绘通报, 2024(11): 33-37.doi: 10.13474/j.cnki.11-2246.2024.1106.

本文内容来源于《测绘通报》2024年第11期，审图号：GS京（2024）2287号

基于多线激光雷达的系泊船舶姿态监测算法

郁威1, 曹民1, 孙金余2, 吴绩伟2, 田进2, 黄秀松2

1. 上海理工大学, 上海 200093;

2. 上海国际港务(集团)股份有限公司, 上海 200080

基金项目：上海市浦东新区科技发展基金社会领域数字化转型项目(PKS2022-28)

关键词：激光雷达, 点云处理, 姿态监测, 系泊船舶

引文格式：郁威, 曹民, 孙金余, 等. 基于多线激光雷达的系泊船舶姿态监测算法[J]. 测绘通报, 2024(11): 33-37.doi: 10.13474/j.cnki.11-2246.2024.1106.

摘要

摘要：为实时监测集装箱船系泊装卸作业时的运动姿态,保障作业安全和提高作业效率,本文提出了近邻点云重心采样算法、基于距离阈值的经纬扫描边界提取算法和集装箱船姿态角算法,搭建仿真场景模型并建立了系泊集装箱船运动点云数据集用于算法效果验证。不同线数雷达仿真采集数据计算值与实际值对比表明,该算法能精确还原船舶运动历程,横、纵摇倾角测量误差均低于0.2°,且在有效范围内对点云密度不敏感,从而初步验证了该算法的有效性和可行性。本文可为集装箱船舶浮态及稳性的实时监测及预警提供数据支持。

正文

对于港方而言，使用船舶本身监测系统获取其姿态在港船双方通信上难以建立统一标准，由港方提供的传感系统设备安装调试工作量大，影响装卸效率且精度难以保证。本文结合系泊集装箱船装卸作业特点，提出一种基于多线激光雷达的系泊船舶姿态监测算法，实现对集装箱船姿态的实时监测，最后通过仿真点云数据集测试，验证本文系泊船舶姿态监测算法的准确性与有效性。

1 仿真点云数据采集1.1 创建仿真模型

为仿真多线激光雷达采集系泊集装箱船的点云数据，本文构建了一个三维集装箱船装卸泊位场景模型，如图 1所示。该场景由集装箱船、岸桥及岸桥轨道平面模型组成。为验证算法在复杂场景下的稳健性，本文在集装箱船模型上构建多个不同层高的集装箱模型。仿真中激光雷达安装于海侧岸桥横梁上，处于泊位正上方，扫描方向垂直向下，将平行于岸边的方向作为雷达水平方向。

图 1 集装箱船装卸泊位场景模型

图选项

1.2 获取仿真点云

为仿真船舶在系泊时自然摆动，设置岸桥模型与地面模型为静态模型，将集装箱船模型设置为动态模型建立数据集。图 2显示了本文仿真得到的多帧点云数据，其中不同颜色表示不同时刻采集到的点云。仿真点云数据符合系泊船舶自然摆动特点，为了更真实地模拟雷达扫描得到的点云数据，仿真同时加入了噪声点云。

图 2 仿真点云数据

图选项

2 基于多线激光雷达的系泊船舶倾角监测算法

集装箱船表面堆箱复杂，激光雷达在扫描时会被不同高度的集装箱遮挡，难以完整扫描船身。受限于多线激光雷达扫描方式、分辨率与误差，被扫描物体边缘处扫描获取的点云并不平滑连贯。结合集装箱船特点，本文提出一种姿态感知算法，其流程如图 3所示。

图 3 船舶姿态感知算法流程

图选项

2.1 点云滤波采样

由于本文算法关注的特征点云仅为集装箱顶面点云，而场景点云中包含岸侧、船体等冗余点云，在计算倾角前需对冗余点云进行分割滤除。采用直通滤波法滤除场景中岸侧点云，在泊位坐标系中通过限定y轴方向范围去除岸侧点云，从而快速提取船舶点云。

采用随机采样一致性算法(RANSAC)提取船舶上的集装箱顶面平面，在处理较高密度点云数据时算法耗时较长，为提高算法效率，应当对高密度点云进行下采样处理。由于集装箱顶面边缘特征对回转角拟合影响较大，在下采样中应尽可能地保留边缘点云。常用的点云采样方法中法线空间采样法(NSS)能够在法线变化大的地方保留更多的点云，但其时间复杂度高、计算法线耗时长，因此本文需要寻求一种更高效的采样算法。

在三维空间中若以平面直线边缘上一点作为半径r的球体中心，则该平面与球体相交部分为一个半圆，其重心在圆心与圆弧中心连线上距圆心

，即约0.42r处，若点在平面内部，则相交部分至该点距离应当小于0.42r。基于以上原理，本文提出一种近邻点云重心采样算法，该算法遍历点云中各点，以选取点为球心，计算半径r内所有近邻点的重心点，设置采样系数c，若重心点与选取点距离大于cr，则在采样结果中保留该点，对剩余非保留点进行均匀采样，且与保留点合并作为采样结果。

本文场景中取近邻搜索半径r为0.4，采样系数c为0.3，滤波采样结果如图 4所示(红色为采样点，蓝色为原始点云)。可知，本文采样算法在平面直线边缘处可保留更多的采样点，在其内部则表现为均匀采样效果，在降低点云数量的同时，保留了更多带有边缘特征信息的点云。

图 4 滤波采样结果

图选项

2.2 船舶姿态特征提取

(1) 依据当前扫描轴的最大、最小值点距离与分辨率计算步长，遍历点云将每个点分配至各个轴段并记录各轴段中点云索引。

(2) 遍历各个轴段并将其中点云索引按另一个轴坐标大小排序。

(3) 按照排序计算各相邻点对坐标距离，将大于给定阈值的点对索引与当前轴段排序中最大、最小点索引记录为当前轴扫描边缘点索引。

(4) 另一个轴重复以上操作，合并两扫描轴的边缘点索引并剔除其中重复索引，依据索引从原始点云中提取边缘点。

2.3 倾角计算

算法拟合平面角度中耦合了船舶回转角，需要解耦计算船舶横摇/纵摇倾角。设拟合平面空间表达式为Ax+By+Cz+D=0，船舶回转角为σ，集装箱顶面法向量绕z轴顺时针旋转σ后的向量为[A′B′C′]，公式为

(1)

则横摇倾角φ与纵摇倾角ψ可表示为

(2)

3 试验与分析3.1 试验参数介绍

依据奈奎斯特采样定律，采样频率大于或等于有效信号最高频率的两倍采样值即包含原始信号的所有信息，被采样的信号可以不失真地还原成原始信号。船舶摇摆周期一般大于5 s，因此想要还原船舶摇摆曲线，数据的采样频率为10 Hz可满足要求。

为贴合实际应用需求，参照市面上常见的该种类激光雷达参数，本文仿真点云数据集分别使用128、64及32线激光雷达以10 Hz扫描频率采集200帧数据，设置雷达水平视场角为120°，垂直视场角为30°。其中，128线激光雷达横向分辨率为1200，64及32线激光雷达横向分辨率为600。本文船舶角度输入采用衰减正弦曲线为

(3)

式中，θm为正弦幅值；μ为衰减系数；T为正弦周期。横纵摇角与回转角参数见表 1。

3.2 试验结果与分析3.2.1 不同边界提取算法对比分析

为对比不同边界提取算法，本文调整各算法参数以保证其边界提取效果一致，其中本算法设置x、y轴方向分辨率分别为500、200，阈值分别为2与0.8；利用网格划分法划分网格分辨率为77×77，Alpha shapes算法α设置为0.5，利用法线估计法设置法向半径与近邻搜索点数为3与200。

图 5(a)为原始点云数据，数量为58 278；图 5(b)—(e)分别为本文算法、网格划分法、Alpha shapes算法、法线估计法提取的边缘点云数据。表 2为各算法提取边缘点云数量与耗时对比，在边缘点提取效果一致的情况下，本文算法耗时更少且能够保证边缘点提取数量。

图 5 边界提取点云对比

图选项

为对比算法效果，通过均方根误差(RMSE)与皮尔逊积矩相关系数(PCC)衡量偏差，公式分别为

(4)

(5)

式中，c为本文计算结果；t为仿真输入值；c和t分别为其均值；N为点云帧数。

图 6为64线数据集的原始点云、经纬扫描法提取边界点云与本文算法提取边界点云通过PCA法计算回转角结果的对比，表 3为不同数据计算结果与实际值之间的误差与相关系数及PCA算法处理时间。可见，本文算法预处理点云能够在保持更好的精度前提下，减少后续算法处理时间，提高算法运行效率。

图 6 本文算法与经纬扫描法PCA回转角计算结果对比

图选项

3.2.2 船舶倾角拟合结果分析

图 7分别为不同线数激光雷达仿真点云拟合的船舶回转、横摇、纵摇角度结果，为便于观察曲线，对横摇、纵摇不同曲线作垂直方向平移处理，间隔为0.2°。

图 7

姿态角计算结果

图选项

表 4为本文算法误差统计。可以看出，点云密度对该算法影响较小，对不同雷达线数仿真采集的船舶点云均能达到小于0.2°的横/纵摇倾角计算精度。表 5为不同雷达线数仿真采集的船舶点云算法处理单帧平均耗时，其中32线与64线激光雷达采集点云数据无需降采样即可保证算法处理单帧平均耗时在100 ms以内；而128线激光雷达采集点云数据由于其点云数量较大，算法处理耗时长，可对其进行降采样处理，以满足10 Hz激光雷达扫描频率点云数据的实时处理要求。

4 结语

为保障集装箱船舶系泊装卸作业安全和效率，本文提出了一种基于多线激光雷达的系泊船舶姿态监测算法，该算法能通过提取集装箱船点云特征实时计算船舶纵/横倾角。仿真试验和误差分析表明，该算法能精确还原船舶运动历程，横/纵摇倾角测量误差均低于0.2°，且在有效范围内对点云密度不敏感。但不足的是，该算法对集装箱边缘特征依赖性较高，在噪声或遮挡等引起的点云模糊或缺失情形下效果较差，且在抗干扰性、普适性等方面有待进一步优化。后续将开展进一步研究，拟通过提取多种特征进行校核计算弥补当前算法的局限性，为集装箱船浮态及稳性的实时监测提供倾角数据信息。

作者简介：郁威(1998-),男,硕士,从事三维机器视觉算法研究工作。

资讯

来源：测绘学报