SLAM技術(shù)及其在測繪領(lǐng)域中的應(yīng)用

黃　鶴，佟國峰，夏　亮，李　勇，岳曉陽，姜　斌

(1. 北京建筑大學(xué)測繪與城市空間信息學(xué)院，北京 102616； 2. 北京建筑大學(xué)北京未來城市設(shè)計高精尖創(chuàng)新 中心，北京 100044； 3. 東北大學(xué)信息科學(xué)與工程學(xué)院，遼寧 沈陽 110819； 4. 歐思徠(北京)智能科技有限公司，北京 102300)

電子學(xué)、信息學(xué)、電子計算機科學(xué)與空間科學(xué)等學(xué)科自身的不斷發(fā)展，極大地推動了包括測繪儀器設(shè)備在內(nèi)的測繪領(lǐng)域各項技術(shù)的變革和進(jìn)步，測繪儀器從早期的測繩、羅盤儀、游標(biāo)經(jīng)緯儀等經(jīng)典測量工具，逐步發(fā)展成為電子經(jīng)緯儀、數(shù)字水準(zhǔn)儀、全站儀、GPS及各種電子專用儀器。20世紀(jì)60年代，電磁波測距儀的出現(xiàn)使長期以來只依靠觀測角度的測量方式發(fā)生了根本性變化，并且結(jié)合電子經(jīng)緯儀形成了目前測繪領(lǐng)域中應(yīng)用極為廣泛的全站儀。此外，微波測距儀、激光束準(zhǔn)仗、激光掃平儀、數(shù)字水準(zhǔn)儀、陀螺經(jīng)緯儀等儀器的進(jìn)步也推動了測繪技術(shù)的發(fā)展。20世紀(jì)70年代，除了用飛機進(jìn)行航空攝影測量測繪地(形)圖外，還通過人造地球衛(wèi)星拍攝地球照片，監(jiān)測自然現(xiàn)象的變化，并且測繪地圖的精度也逐步提高。20世紀(jì)80年代，GPS問世，采用衛(wèi)星直接進(jìn)行空間點的三維定位引起了測繪行業(yè)的重大變革，為工程測量提供了嶄新的技術(shù)手段和方法。由于衛(wèi)星定位具有全球、全天候、快速、高精度和無需建立高標(biāo)等優(yōu)點，被廣泛應(yīng)用于大地測量、工程測量、地形測量及軍事的導(dǎo)航、定位上[1-3]。

常見的測角、測距、測高、定向、定位和繪圖通常是通過多余觀測或重復(fù)測量來保證精度和穩(wěn)定性，勞動強度大、作業(yè)時間長。而長期以來用測角、測距、測水準(zhǔn)為主體的常規(guī)地面定位技術(shù)，正逐步被以一次性確定三維坐標(biāo)的、高速度、高效率、高精度的GPS技術(shù)所代替，同時定位范圍已從陸地和近海擴(kuò)展到海洋和宇宙空間，定位方法已從靜態(tài)擴(kuò)展到動態(tài)，定位服務(wù)領(lǐng)域已從導(dǎo)航和測繪領(lǐng)域擴(kuò)展到國民經(jīng)濟(jì)建設(shè)的廣闊領(lǐng)域。隨著計算機技術(shù)和數(shù)字地圖技術(shù)的發(fā)展，三維場景的信息采集與重構(gòu)精度越來越高，其應(yīng)用也越來越廣泛。傾斜攝影技術(shù)的發(fā)展，使得低空遙感平臺實現(xiàn)了低空數(shù)碼影像獲取，可以滿足大比例尺測圖、精度較高的城市三維建模等工程應(yīng)用的需要。機載激光雷達(dá)(Airborne LiDAR)集激光掃描儀、GPS和慣性導(dǎo)航系統(tǒng)(INS)3種技術(shù)于一體，能夠直接得到高精度的三維坐標(biāo)信息，與傳統(tǒng)的航空攝影測量方法相比，使用機載激光雷達(dá)技術(shù)可部分地穿透樹林遮擋，直接獲取地面點的高精度三維坐標(biāo)數(shù)據(jù)，而且具有外業(yè)成本低、內(nèi)業(yè)處理簡單等優(yōu)點。然而，航空測量對于地面的信息缺失較多，尤其是在三維重建中，建筑物最底端的重建效果較差，因此，還需要以地面測繪系統(tǒng)重建的信息進(jìn)行補充。地面移動測繪系統(tǒng)是指在移動載體平臺上集成多種傳感器，通過定位、定姿和成像等傳感器在移動狀態(tài)下自動采集各種定位定姿數(shù)據(jù)(GPS、INS)、影像數(shù)據(jù)和激光掃描數(shù)據(jù)，并通過統(tǒng)一的地理參考和攝影測量解析處理，實現(xiàn)無控制的空間地理信息采集與建庫。該系統(tǒng)將激光掃描得到的點云數(shù)據(jù)與數(shù)碼影像進(jìn)行融合，能夠快速完成三維模型的紋理映射，由于省去了近景攝影測量中復(fù)雜的影像匹配步驟，可以顯著地提高工作效率。而地面場景的三維點云數(shù)據(jù)獲取一般分為兩種，移動式激光掃描和固定式激光掃描。目前，現(xiàn)有的地面移動測量系統(tǒng)通常是基于車載的移動測量系統(tǒng)的，但目前地面移動測量系統(tǒng)均需要依賴于全球衛(wèi)星導(dǎo)航系統(tǒng)(global navigation satellite system，GNSS)和慣性導(dǎo)航系統(tǒng)，只能用于室外環(huán)境。然而，由于室內(nèi)和地下空間等環(huán)境中沒有GNSS信號，因此，傳統(tǒng)的移動測量系統(tǒng)無法正常工作。固定式激光掃描可以用于室內(nèi)室外的環(huán)境，但是復(fù)雜場景需要大量換站，然后進(jìn)行點云拼接，數(shù)據(jù)獲取的效率十分低下。然而，即時定位與地圖構(gòu)建(simultaneous localization and mapping，SLAM)技術(shù)在移動測繪方面具有較好的應(yīng)用，如歐洲專利號為EP2913796A1的基于SLAM技術(shù)的推車，能夠?qū)κ覂?nèi)和室外的地面水平環(huán)境進(jìn)行地圖構(gòu)建和環(huán)境建模。因此，SLAM技術(shù)在測繪領(lǐng)域中的應(yīng)用降低了測量復(fù)雜性，不需要大量標(biāo)記地物點，不需要GPS信號，適用于在室內(nèi)室外場景，對于解決傳統(tǒng)測繪中的定位及場景重建問題具有廣闊的前景。

SLAM技術(shù)是機器人領(lǐng)域的關(guān)鍵技術(shù)之一，是現(xiàn)代智能移動機器人系統(tǒng)的核心技術(shù)。SLAM解決的問題是移動機器人在未知的環(huán)境中利用自身裝載的傳感器獲取數(shù)據(jù)進(jìn)行探索，通過觀測的數(shù)據(jù)，增量式地建立與環(huán)境相同的地圖，同時利用已經(jīng)建立的環(huán)境模型計算出機器人的位姿。SLAM是機器人進(jìn)入未知環(huán)境遇到的第一個問題，是路徑規(guī)劃及許多其他任務(wù)的前提，是實現(xiàn)機器人自主性的關(guān)鍵，是一個智能移動機器人進(jìn)行其他一切后續(xù)動作和行為的技術(shù)依據(jù)。目前，SLAM技術(shù)在掃地機器人、家用機器人、無人機、智能手機、可穿戴設(shè)備等方面具有廣泛的應(yīng)用。

SLAM技術(shù)在測繪領(lǐng)域的應(yīng)用是一個新問題，目前有一些SLAM的綜述和教程，但基本都是對各類SLAM方法、原理和常規(guī)模塊的介紹，沒有SLAM技術(shù)在測繪領(lǐng)域中的應(yīng)用論述。本文主要根據(jù)SLAM技術(shù)的發(fā)展現(xiàn)狀及其在測繪領(lǐng)域中的應(yīng)用問題進(jìn)行綜述，并且給出SLAM技術(shù)在測繪領(lǐng)域中應(yīng)用的示例。

1　SLAM技術(shù)簡介

1.1　SLAM技術(shù)發(fā)展歷程

1986年以前，還未形成SLAM的概念，只在地圖已知的情況下研究定位問題。1986—1990年期間，Smith等對該問題進(jìn)行了大量研究，并清楚地定義了SLAM,也稱為CML(concurrent mapping and localization)，即時定位與地圖構(gòu)建或并發(fā)建圖與定位[4]。

EKF(extended Kalman filter)模型主導(dǎo)時期，如Castellanos等[5]提出的基于圖像和激光在EKF框架的算法是以激光為主的定位；SeS等[6]利用雙目相機，提出在EKF框架下通過特征點運動估計的算法；Davison[7]利用單目相機，提出在EKF框架下最早的實時SLAM系統(tǒng)，成為之后許多單目系統(tǒng)的起源。但是EKF的方法具有一定的局限性，因此，又提出了粒子濾波(particle filter，PF)、RBPF(Rao-Blackwellised粒子濾波器)、UKF(unscented Kalman filter)等改進(jìn)的方法[8-10]。

BA(bundle adjustment)轉(zhuǎn)型期：源于攝影幾何的BA算法,用于優(yōu)化所有幀位姿約束的誤差。2000年引入SFM(structure from motion)到SLAM算法中，在計算機視覺領(lǐng)域，SFM技術(shù)與SLAM技術(shù)類似，早期的SFM技術(shù)一般是離線處理，后來研究出實時SFM技術(shù)應(yīng)用到V-SLAM等，代表性工作主要有PTAM[11]和FrameSLAM[12]。

2010年之后，SLAM技術(shù)進(jìn)入到前沿階段，涌現(xiàn)出大量成熟的系統(tǒng)和軟件，同時隨著各種傳感器的發(fā)展，出現(xiàn)了大量研究成果，如：HectorSLAM[13]、ORB-SLAM[14]、LSD-SLAM[15]、SVO[16]、RGB-DSLAM V2[17]和DTAM[18]等。

1.2　SLAM算法概述

SLAM算法主要分為3大部分：前端(又叫跟蹤或前端建圖，跟蹤又可以分成odometry loop closure)、后端、地圖創(chuàng)建。而SLAM算法按照傳感器的不同主要分為3大類：基于相機的SLAM算法、基于深度相機的SLAM算法、基于激光的SLAM算法。常用的傳感器有：單目相機、雙目/多目相機、全景相機、深度相機(RGB-D數(shù)據(jù))、2D轉(zhuǎn)軸雷達(dá)、可裝戴設(shè)備等。其中，激光SLAM研究較早，理論和工程均比較成熟。視覺方案目前尚處于實驗室研究階段，極少看到實際產(chǎn)品應(yīng)用。

如圖1所示，本文以RGB-DSLAM算法為例，介紹SLAM算法的關(guān)鍵步驟[19]。前端部分主要包含特征點提取、特征點匹配和運動估計；后端主要是優(yōu)化部分，研究人員提出了g2o(general graph optimization)，是一個用于求解圖優(yōu)化問題的C++框架，專門用于求解圖優(yōu)化問題。g2o框架中包含了3個線性求解器CSparse、CHOLMOD和PCG。CSparse和CHOLMOD求解器是基于Cholesky分解的方法，PCG是采用雅克比塊預(yù)條件器進(jìn)行迭代的方法。這些求解器都包含了傳統(tǒng)的迭代優(yōu)化方法Gauss-Newton或Levenberg-Marquardt(LM)思想。使用g2o框架包含的求解器求解該問題時，會給每個時刻的位姿一個初始估計值，保持求出的關(guān)鍵幀之間的運動關(guān)系不變，然后用梯度下降的方法來迭代，求解出使目標(biāo)函數(shù)最小的優(yōu)化變量。優(yōu)化結(jié)束后將會得到機器人全局優(yōu)化后的位姿、運動軌跡。在地圖創(chuàng)建部分，RGB-D方法獲得的地圖是彩色點云圖，創(chuàng)建過程是把關(guān)鍵幀對應(yīng)的點云放置在同一個坐標(biāo)系下的過程。創(chuàng)建完成后可以對點云地圖進(jìn)行濾波、降采樣處理，分別用于保持精確度和節(jié)省存儲空間。

圖1　RGB-D SLAM關(guān)鍵步驟

按照算法處理的各個關(guān)鍵步驟的不同對SLAM技術(shù)進(jìn)行劃分[25-27]，可以得到如圖2所示的框圖。

對于SLAM算法構(gòu)建出的地圖主要有以下幾種形式[28]：

(1) 路標(biāo)地圖(landmark map)：由環(huán)境中的3D特征點組成，如單目SLAM中基于特征的方法構(gòu)建的地圖。其構(gòu)建方法為：根據(jù)攝像機模型，把圖像2D特征點投影到世界坐標(biāo)系下變?yōu)?D點。該地圖的優(yōu)點為占存儲空間小、易擴(kuò)展、易滿足實時創(chuàng)建要求。缺點為稀疏，可能導(dǎo)致無法識別地圖中的內(nèi)容。

(2) 度量地圖(metricmap)：盡可能精確地表達(dá)環(huán)境，包含了環(huán)境中許多細(xì)節(jié)，如距離、大小、顏色等，通常度量地圖都是基于一個全局坐標(biāo)系創(chuàng)建的。通常指2D或3D的網(wǎng)格地圖，常見的有黑白或點云地圖，如RGB-D SLAM構(gòu)建的點云圖、基于直接法的單目SLAM構(gòu)建出的地圖。該地圖的優(yōu)點為精度高，更適用于測繪，也適合于定位、導(dǎo)航和避障(點云地圖轉(zhuǎn)成OctoMap才能用于避障)。缺點為計算量大，構(gòu)建困難，不易擴(kuò)展，占用存儲空間大。

(3) 拓?fù)涞貓D(topological map)：使用抽象的方式表達(dá)環(huán)境，圖中節(jié)點表示環(huán)境中具有顯著特征的地點，弧表示節(jié)點之間的關(guān)系。該地圖的優(yōu)點為構(gòu)建簡單、易擴(kuò)展，比測量地圖占用的存儲空間小很多，適合路徑規(guī)劃。缺點為不能用于需要高精度地圖的場合，如避障。

圖2　SLAM技術(shù)分類

(4) 混合地圖：這種地圖盡力結(jié)合度量地圖和拓?fù)涞貓D的優(yōu)點。

2　SLAM技術(shù)的發(fā)展及應(yīng)用

SLAM技術(shù)的一種簡單分類方法是按照移動機器人的空間移動方式劃分，即分為2D SLAM和3D SLAM。2D SLAM指的是機器人在二維平面上移動時進(jìn)行的自定位和地圖繪制；而3D SLAM指的是機器人在三維空間里移動時進(jìn)行的自定位和地圖繪制。

早期的機器人一般為輪式機器人，這類機器人都有類似的輪式結(jié)構(gòu)作為行走機構(gòu)，采用視覺傳感器或激光傳感器來進(jìn)行環(huán)境感知。在比較光潔平整的室內(nèi)地面環(huán)境下，它們的SLAM靠二維線陣激光傳感器完成，即采用2D SLAM技術(shù)。2D SLAM是一種在機器人領(lǐng)域十多年前就已經(jīng)成熟的技術(shù)，目前已經(jīng)很少有學(xué)者在這方面進(jìn)行學(xué)術(shù)研究。因為它對工作環(huán)境有非常嚴(yán)重的依賴，并且精度不高。原則上，它要求二維激光傳感器絕對水平安裝，并且在機器人運動過程中保持激光傳感器的姿態(tài)水平，進(jìn)而保證二維線陣激光傳感器的激光掃描面水平，否則會導(dǎo)致二維構(gòu)圖失準(zhǔn)并產(chǎn)生嚴(yán)重誤差。為了提高算法的適應(yīng)性，往往給二維激光傳感器配一個IMU或AHRS等角度姿態(tài)傳感器，幫助矯正水平掃描激光由地面不平引起的掃描面不水平帶來的二維地圖構(gòu)建錯誤問題。由于2D SLAM的先天技術(shù)架構(gòu)局限性問題，它主要應(yīng)用在低成本低精度的室內(nèi)定位和構(gòu)圖需求方案中，如現(xiàn)在流行的千元級產(chǎn)品清潔掃地機器人里面的基于激光傳感器的SLAM模塊。

為了解決2D SLAM技術(shù)的不足，研究人員開始提出3D SLAM技術(shù)，該技術(shù)是目前國際學(xué)術(shù)的研究熱點。機器人本體平臺的快速發(fā)展對SLAM技術(shù)的三維化提出了要求和挑戰(zhàn)。如目前在機器人領(lǐng)域非常著名的美國谷歌的機器人公司波士頓動力(Boston Dynamics)的雙足人形機器人Atlas上采用的就是3D SLAM技術(shù)，還有美國宇航局噴氣推進(jìn)實驗室(NASA JPL)的猿形機器人RoboSimian的3D SLAM技術(shù)。

3D SLAM的實現(xiàn)手段是多樣的，在室內(nèi)等小范圍環(huán)境識別和構(gòu)圖方面，可以采用視覺傳感器，如單目或雙目攝像機、微軟的kinect或Intel的realsense類的RGB-D深度傳感器等。在室外大場景環(huán)境中的工業(yè)級應(yīng)用往往采用激光和視覺傳感器結(jié)合的里程計方法等。3D SLAM技術(shù)是目前SLAM技術(shù)發(fā)展的方向，不僅在機器人領(lǐng)域，在VR(虛擬現(xiàn)實)、AR(增強現(xiàn)實)、室內(nèi)高精地圖、室內(nèi)定位與導(dǎo)航、人工智能和深度學(xué)習(xí)等相交叉的領(lǐng)域也是研究熱點，是不斷更新的技術(shù)。

最近由歐思徠(北京)智能科技有限公司研發(fā)的采用3D SLAM技術(shù)的激光影像背包式測繪機器人，可以爬山涉水、翻山越嶺，全空間、全地形地在運動中高精度建模，該技術(shù)解決了現(xiàn)有地面移動測量系統(tǒng)對GNSS信號的依賴問題，可以用于無GNSS信號的環(huán)境中進(jìn)行移動測繪；相較于傳統(tǒng)的固定式激光雷達(dá)換站式掃描的測繪方法，該測繪機器人可以連續(xù)移動測量掃描，極大地提高了數(shù)據(jù)采集的效率，而且具有良好的機動性。相較于基于二維SLAM推車式的移動測繪系統(tǒng)只適用于地面水平的環(huán)境中，該測繪機器人能夠在各種復(fù)雜的環(huán)境下進(jìn)行數(shù)據(jù)采集，操作簡單，可用于不同移動載體。

3D SLAM激光背包測繪機器人是一個背負(fù)式系統(tǒng)，當(dāng)工作人員背負(fù)作業(yè)時，激光掃描儀的運動軌跡是一條與工作人員行走的步態(tài)有關(guān)的非線性和高動態(tài)的曲線。按照一般的理解，激光掃描儀如果安裝在移動測量系統(tǒng)中，一定要有一個高精度的定位系統(tǒng)(POS系統(tǒng))與之匹配，這樣，激光掃描儀得到的激光點才能得到對應(yīng)的位置和姿態(tài)數(shù)據(jù)，進(jìn)而合成三維的激光點云。同時，常規(guī)的移動測量系統(tǒng)的載具在室外一般是汽車，而汽車由于采用四輪結(jié)構(gòu)的底盤，因而其轉(zhuǎn)彎半徑受限，因此它的行駛軌跡往往是局部連續(xù)可微的平滑曲線。而同樣是基于激光的移動測量系統(tǒng)，3D SLAM激光背包測繪機器人既沒有GPS，也沒有IMU慣導(dǎo)，在如此高動態(tài)非線性的運動采集方式下，卻能獲得非常高精度的三維空間點云成果。為了能解算出激光點云數(shù)據(jù)的高動態(tài)非線性位姿，通過研究激光點云的處理算法，可從這些雜亂無章的點云中找到線索，求取其中隱含的更穩(wěn)定的高階特征點和特征向量，并連續(xù)跟蹤這些特征點和特征向量，進(jìn)而高精度地動態(tài)反向解算機器人的位置和姿態(tài)。然而，這種高精度的動態(tài)反向解算位置和姿態(tài)的方法顛覆的傳統(tǒng)的測繪方法，為測繪技術(shù)開拓了一種新的思路方法。

3　SLAM技術(shù)在測繪領(lǐng)域中應(yīng)用的可能性

3.1　SLAM技術(shù)在測繪領(lǐng)域中的優(yōu)勢

由于SLAM技術(shù)無需GNSS信號，對工作環(huán)境又有極強的適應(yīng)性，基于SLAM技術(shù)的移動測量系統(tǒng)在多個測繪領(lǐng)域發(fā)揮作用，具體表現(xiàn)為：

(1) 外業(yè)數(shù)據(jù)采集速度極快，可快速獲得所需點云數(shù)據(jù)，數(shù)據(jù)精度高。

(2) 內(nèi)業(yè)點云預(yù)處理時間短，自動化程度高，基本不需要人工干預(yù)，短時間便能獲得配準(zhǔn)好的點云數(shù)據(jù)。

(3) 操作簡單方便，無需換站，連續(xù)采集，具有連貫性，可實現(xiàn)室內(nèi)外一體化掃描作業(yè)。

(4) 基于SLAM技術(shù)的測繪移動測量機器人在任意環(huán)境中長時間工作故障率低，對于精度要求較高的重點區(qū)域，可與固定測站式三維激光系統(tǒng)配合使用，既能保證精度，又能保證效率。

3.2　應(yīng)用案例

3.2.1室內(nèi)外大比例尺一體化測圖及三維建模

通過空中航拍傾斜攝影手段，可以快速重建出大面積地面建筑模型。但是，由于地面植被覆蓋、城區(qū)高樓互相干涉遮擋等原因，采用傾斜攝影進(jìn)行城市建模的方法對城市建筑模型的30 m以下底商部分，無法進(jìn)行精模的制作。而采用3D SLAM自定位技術(shù)的激光影像背包測繪機器人，由于它的工作原理不依賴GPS+INS的組合慣導(dǎo)系統(tǒng)定位，可以以步行的方式穿過高樓林立和樹木遮擋等無GPS參考信號的城區(qū)進(jìn)行數(shù)據(jù)采集，尤其是那些遠(yuǎn)離主干道的建筑物、居民小區(qū)、企事業(yè)單位等傳統(tǒng)移動激光測量車不能到達(dá)的地方，進(jìn)而得到非常精確的數(shù)據(jù)成果，包括室外建筑群的高精度結(jié)構(gòu)數(shù)據(jù)、全景影像數(shù)據(jù)、三維模型和大比例尺地圖等。傾斜攝影三維建模的特點是宏觀大區(qū)域建模；3D SLAM激光影像背包測繪機器人的特點是微觀小范圍精細(xì)建模。兩者各有特點，互為補充。

如北京某施工完成待驗收建筑項目，主體建筑4棟高層，數(shù)據(jù)外業(yè)采集時間10 min，精度1 cm。原始點云數(shù)據(jù)(白模)如圖3(a)所示，實景著色圖像如圖3(b)所示。

圖3　建筑物應(yīng)用實例

通過與傾斜攝影測量技術(shù)相比，結(jié)合圖3所示效果，可以看到只有基于采用3D SLAM激光背包測繪機器人的步行方式所具有的高通過性才能保證在施工工地采集數(shù)據(jù)，其他方式如機動車車載、手推車車載等都無法勝任此類外業(yè)工作。

3.2.2室內(nèi)外導(dǎo)航定位

3D SLAM激光影像背包測繪機器人具有采集方便、精度高、無需GPS信號等特點，可以為任何建筑物，包括住房、辦公室、商場、工業(yè)廠房、公共場所等進(jìn)行高精度室內(nèi)地圖構(gòu)建，并且依據(jù)高精室內(nèi)地圖在室內(nèi)地下等無GPS信號覆蓋的環(huán)境中進(jìn)行高精定位與導(dǎo)航。如圖4所示，為室內(nèi)繪制結(jié)果。

圖4　高精度室內(nèi)地圖構(gòu)建與定位導(dǎo)航結(jié)果

3.2.3建筑工程BIM

3D SLAM激光影像背包測繪機器人的特點包括高速的現(xiàn)場數(shù)據(jù)采集、高精度的數(shù)據(jù)處理和點云建模、POS自定位核心算法不依賴GPS信號和慣導(dǎo)的約束、室內(nèi)/室外/地下/地上三維空間全地形作業(yè)等。這些特性非常適合建筑工程施工行業(yè)數(shù)據(jù)每日動態(tài)數(shù)據(jù)采集、項目施工全過程電子檔案生成、工程現(xiàn)場物資堆放空間規(guī)劃與管理、工程質(zhì)量實時管控等BIM應(yīng)用。圖5為3D SLAM技術(shù)在建筑工程項目中的BIM應(yīng)用示例。

圖5　3D SLAM技術(shù)在建筑工程項目中的BIM應(yīng)用

3.2.4電力、通信及森林管理

電力鐵塔和通信鐵塔是非常通用的長距離傳輸線纜的中繼支撐平臺。這些鐵塔的選址復(fù)雜性較高，在市區(qū)、山區(qū)、農(nóng)田、戈壁等不同地形地貌情況下，施工和使用單位都需要對它們進(jìn)行巡查和監(jiān)管。除了常見的人工巡檢外，近來采用無人機結(jié)合激光和影像等自動化的巡查方法也逐漸成熟。與此同時，作為多地貌多地形的應(yīng)用，地面激光和影像相結(jié)合的巡檢方式也被廣泛使用。這種地面數(shù)據(jù)采集方式可以更近距離、更精確地得到現(xiàn)場結(jié)構(gòu)數(shù)據(jù)，對需要精確數(shù)據(jù)模型的管理和巡查類應(yīng)用更為適用。當(dāng)然，傳統(tǒng)的基于固定式三維激光掃描儀的作業(yè)模式效率非常低，參與的作業(yè)人員較多；在保證精度的情況下，采用3D SLAM激光影像背包測繪機器人移動作業(yè)可以提高工作效率10倍以上，并只需一名作業(yè)人員，因此可以極大地縮短外業(yè)施工周期，提升整體項目收益。

圖6為北京某高壓傳輸線路中繼支撐鐵塔站址，占地面積約44畝(30 000 m2)，共有鐵塔4座，高度約55 m，為內(nèi)業(yè)處理建模后的數(shù)據(jù)成果。

圖6　電力和通信鐵塔巡檢與管理中的應(yīng)用實例

4　結(jié)　語

通過近些年的發(fā)展，移動機器人SLAM導(dǎo)航技術(shù)取得了很大的發(fā)展，多傳感器融合能進(jìn)一步提高機器人的定位精度，尤其在一些復(fù)雜的場景中表現(xiàn)得更加突出，使得提高SLAM測繪移動機器人的測量精度、獲取高精度的點云數(shù)據(jù)成為可能。雖然目前的SLAM技術(shù)在測繪領(lǐng)域中的應(yīng)用尚處于適應(yīng)性試驗階段，但其特有的高精度、高效率及革新性在不遠(yuǎn)的將來會帶來測繪領(lǐng)域的變革。

參考文獻(xiàn)：

[1] 王之卓.當(dāng)代測繪科學(xué)的發(fā)展[J].測繪學(xué)報，1998，27(4)：283-286.

[2] 趙吉先，聶運菊.測繪儀器發(fā)展的回顧與展望[J].測繪通報，2008(2)：70-71.

[3] 寧津生，陳俊勇，李德仁，等.測繪學(xué)概論[M].武漢：武漢大學(xué)出版社，2004.

[4] 陳衛(wèi)東，張飛.移動機器人的同步自定位與地圖創(chuàng)建研究進(jìn)展[J].控制理論與應(yīng)用，2005，22(3)：455-460.

[6] SE S，LOWE D G，LITTLE J J.Mobile Robot Localization and Mapping with Uncertainty Using Scale-Invariant Visual Landmarks[J].International Journal of Robotics Research，2002，21(8):735-760.

[7] DAVISON A J.Real-time Simultaneous Localisation and Mapping with a Single Camera[C]∥IEEE International Conference on Computer Vision.[S.l.]：IEEE，2003.

[8] GRISETTI G，TIPALDI G D，STACHNISS C，et al.Fast and Accurate SLAM with Rao-Blackwellized Particle Filters[J].Robotics & Autonomous Systems，2007，55(1):30-38.

[9] SIM R，ELINAS P，LITTLE J J.A Study of the Rao-Blackwellised Particle Filter for Efficient and Accurate Vision-Based SLAM[J].International Journal of Computer Vision，2007，74(3):303-318.

[10]MONTEMERLO M，THRUN S，KOLLER D，et al.FastSLAM：a Factored Solution to the Simultaneous Localization and Mapping Problem in Robotics[C]∥Eighteenth National Conference on Artificial Intelligence.Edmonton:[s.n.]，2002.

[11]WATER S T.American Association for Artificial Intelligence[J].Library Hi Tech News,1988(54):1-3.

[12]KAMEDA Y.Parallel Tracking and Mapping for Small AR Workspaces (PTAM) Augmented Reality[J].Journal of the Institute of Image Information & Television Engineers，2012，66(1):45-51.

[13]KONOLIGE K，AGRAWAL M.Frame SLAM：From Bundle Adjustment to Real-Time Visual Mapping[J].IEEE Transactions on Robotics，2008，24(5):1066-1077.

[14]KOHLBRECHER S，MEYER J，GRABER T，et al.Hector SLAM for Robust Mapping in USAR Environments[J].Robot Soccer World Cup,2013,8371:624-631.

[15]MUR-ARTAL R，MONTIEL J M M，TARDS J D.Orb-slam：A Versatile and Accurate Monocular Slam System[J].IEEE Transactions on Robotics，2015，31(5)：1147-1163.

[16]ENGEL J，SCH?PS T，CREMERS D.LSD-SLAM：Large-Scale Direct Monocular SLAM[C]∥European Conference on Computer Vision.[S.l.]：Springer，2014:834-849.

[17]FORSTER C，PIZZOLI M，SCARAMUZZA D.SVO：Fast Semi-direct Monocular Visual Odometry[C]∥IEEE International Conference on Robotics and Automation.[S.l.]：IEEE，2014:15-22.

[18]ENDRES F，HESS J，STURM J，et al.3-D Mapping with an RGB-D Camera[J].IEEE Transactions on Robotics，2014，30(1)：177-187.

[19]NEWCOMBE R A，LOVEGROVE S J，DAVISON A J.DTAM：Dense Tracking and Mapping in Real-time[C]∥2011 International Conference on Computer Vision.[S.l.]：IEEE，2011：2320-2327.

[20]ENDRES F，HESS J，STURM J，et al.3-D Mapping with an RGB-D Camera[J].IEEE Transactions on Robotics，2014，30(1)：177-187.

[21]BAILEY T，DURRANT-WHYTE H.Simultaneous Localization and Mapping (SLAM)：Part Ⅱ[J].IEEE Robotics & Automation Magazine，2006，13(3)：108-117.

[22]KLEIN G，MURRAY D.Parallel Tracking and Mapping for Small AR Workspaces[C]∥Mixed and Augmented Reality，2007.ISMAR 2007.6th IEEE and ACM International Symposium on.[S.l.]：IEEE，2007：225-234.

[23]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.

[24]ANGELI A，F(xiàn)ILLIAT D，DONCIEUX S，et al.Fast and Incremental Method for Loop-closure Detection using Bags of Visual Words[J].IEEE Transactions on Robotics，2008，24(5)：1027-1037.

[25]HO K L，NEWMAN P.Loop Closure Detection in SLAM by Combining Visual and Spatial Appearance[J].Robotics & Autonomous Systems，2006，54(9):740-749.

[26]DURRANT-WHYTE H,BAILEY T.Simultaneous Localization and Mapping：Part I[J].IEEE Robotics & Automation Magazine，2006，13(2)：99-110.

[27]KüMMERLE R，GRISETTI G，STRASDAT H，et al.g2o：A General Framework for Graph Optimization[C]∥Robotics and Automation (ICRA)，2011 IEEE International Conference on.[S.l.]：IEEE，2011：3607-3613.

[28]徐冬云.基于Kinect的視覺同步定位與建圖研究[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2016.

[29]GARCIA-FIDALGO E，ORTIZ A.Vision-based Topological Mapping and Localization Methods：A Survey[J].Robotics and Autonomous Systems，2015，64：1-2.

[30]黃鶴,王柳,姜斌,等.3D SLAM激光影像背包測繪機器人精度驗證[J].測繪通報，2016(12)：68-73.