三维激光雷达无人机树障实时测量系统研究

张 英，汪 勇，廖如超，袁新星，康泰钟

（1.广东电网有限责任公司机巡作业中心，广东 广州 510145; 2.北京数字绿土科技有限公司，北京 100089）

0 引 言

生长在输电线路附近，并且对线路造成安全隐患的树木会被定义为危险树障。及时清理危险树障是架空线路安全运行的重要工作，其保证电网安全、经济、可靠运行[1-2]。

对输电线路定期巡检和及时发现并清理危险树障，能够有效消除树障导致的隐患或事故。但是，人工巡线劳动强度大、效率低，维护人员在高压线路上作业存在危险，并且线路所在环境复杂，人与设备难以进入荒山野岭，无人机作业成为电力巡检的新手段[3-6]。而在巡检过程中，如何通过无人机测量树木与导线的距离是判断树木是否为危险树障的关键。而随着测量仪器的不断进步，目前导线激光测距、超声波测距、倾斜摄影测距、直升飞机机载激光雷达建模测距技术在我国架空输电线路巡检作业中都被普遍使用。这些方法不仅提高了树障测量的精度，还提高了线路巡检作业的效率。然而这些方法还存一些不足，在导线激光测距中，其通过向目标发射一簇激光反射进行测距，覆盖面小，在巡检过程中难以获知全面的树木信息，对日后运维管理造成困难[7-8]；在超声波测距中，通过超声波传输和反射之间时间差进行距离测量，而在实际作用中，超声波测量距离有限，并且超声波的速度还受温度和风向的干扰，会被吸音面吸收导致实际测量数据不稳定[9]；在倾斜摄影测距中，通过摄像头从不同角度拍摄照片进行三维建模，而实际作业中，线路档距普遍较长，需要拍摄耗费时间较长，在无人机电量有限的情况下，难以支持长档距的倾斜摄影[10-11]；在机载激光雷达建模测距中，通过机载激光雷达扫描，获取输电线路及其走廊附近物体的三维坐标，以此对线路附近进行三维建模并且后台计算输电线路与地表物距离，在实际作业中存在成本高，直升飞机受航空管制，巡检间隔长等问题[12]。

为了弥补以上测量手段的不足，本文提出基于三维激光雷达的树障实时测量系统及方法，搭建了无人机基于三维激光雷达测量的硬件框架，提供一种无人机树障测量解决方案，克服了传统无人机先采集后处理分析而导致操作比较繁琐的问题。最后在实地巡检中，与传统树障测量方式进行比较，验证该测量方式的有效性。

1 三维激光雷达

本文选用的是Velodyne-16 lite三维激光雷达。飞机端的板载计算机通过网口线与激光雷达的驱动板相连接，树障检测软件系统则通过ROS系统的Velodyne驱动程序获取其扫描的三维数据。

1.1 Velodyne-16 lite三维激光雷达简介

Velodyne-16 lite是Velodyne公司出品的最小型的三维激光雷达，保留了电机转速可调节的功能，能够实时上传周围距离和反射率的测量值。雷达质量只有700 g，能够在小型无人机和小型移动机器人上进行搭载。Velodyne-16 lite三维激光雷达具体参数如表1所示。

表1 Velodyne-16 lite三维激光雷达参数说明

1.2 三维激光雷达的坐标轴建立

在原始数据中，数据包括点云相对应垂直角ω、方位角α和距离R。每个激光点都具有X、Y、Z坐标，如图1所示。而硬件实际挂载雷达结构如图2所示。实际挂载雷达扫描点云数据如图3所示。

图1 三维激光雷达XYZ坐标转换

图2 M210三维激光雷达挂载结构侧面图

图3 测量过程中三维激光雷达扫描点云图

2 多线雷达树障检测算法

2.1 点云数据预处理

在巡检过程中，雷达产生数据量巨大，Velodyne 16线三维激光雷达每秒能够产生30万个激光点，若把原始数据作为处理对象会使得机载计算机处理时间过长。该研究通过对点云原始数据进行降采样等预处理，通过直通滤波器对XYZ轴坐标间范围进行过滤并划定感兴趣区域，降低处理数据量，减少机载计算机的计算量。另外，为了避免噪点数据的干扰，本文通过统计滤波器去除明显离群点和孤立点。上述预处理使采样数据减少，计算机处理速度加快。预处理后的点云数据如图4所示。

图4 预处理后的点云数据

2.2 非地面点云与地面点云分离

为了实现对树木点云的检测，首先，需要将预处理后的感兴趣区域点云数据中的地面点云与非地面点云进行分离划分。现有的主要点云分割滤波算法有5类：基于坡度、基于形态学、基于曲面拟合、基于TIN[13]和基于机器学习的滤波算法[14]。其中，基于坡度算法的实现原理简单并且具有实时性；机器学习、形态学的滤波算法涉及统计计算，算法处理时间长、无法满足实时性要求；另外，Himmelsbach等[15]提出的地面坡度分离算法将地面分成扇形微分区域，在每个扇形中提取直线进行地面分割，以此实现对地面点云数据的实时分割。本文在该算法基础上提出了地面坡度分离算法，具体流程如下：

1）本文采用的三维激光雷达的扫描范围为[–15°，15°]，共有16条不同垂直角的扫描射线，每相邻两条射线间隔为2°，将不同射线扫描采集的点云数据进行划分，记为集合St，其中t为扫描射线的编号，0≤t≤15。将地面点云集设为G，设非地面点云集NG。

2）在每条射线集St中以每个点云数据Pt,α（i）的方位角大小α进行排序，其中Pt,α（i）∈St，0≤i≤Len（St）–1。

3）将该射线集的初始点Pt,α（i）∈NG，记为前点Pr，即Pr∈NG。将下一个点云数据Pt,α（i）记为当前点Cu。

4）遍历该射线集St的点云数据Pt,α（i），进行点云集划分，在排序好的射线集中计算前点Pr和当前点Cu的高度差为H。

If Pr∈ NG，H<0，|H|≥β，则Cu∈G。

If Pr∈ NG，H≥0，则Cu∈NG。

If Pr∈ G，H>0，|H|≥β，则Cu∈G。

If Pr∈ G，H≤0，则Cu∈NG。

其中坡度阈值为β。

5）Pr=Cu，i=i+1，重复4），直到i=Len（St）−1。

6）St遍历完，t=t+1，重复2），直到t=15，St完成遍历。

7）点云集划分完成。

经过非地面与地面点云分类算法处理的后点云数据效果，如图5所示。

2.3 非地面物体点云检测

通过点云分割算法对地面和非地面的点云数据进行分类后，进一步地需对非地面点云数据进行聚类检测。本文通过K-D树搜索的欧氏聚类算法，将非地面点云聚类为物体群，并且计算出非地面物体的最大最小XYZ轴坐标，并以立方体标记区分，完成非地面点云物体群的检测。

另外，聚类算法需根据距离对点云数据进行大量的临近点搜索，若通过简单的遍历方法会导致其处理速度太慢而无法满足实时要求，而K-D树是欧几里得空间中组织点的基本数据结构，通过K-D树可加快聚类算法的搜索速度。聚类算法过程如下：

1）将非地面的点云的X轴全部置为0，即所有点云处于ZOY平面中。

2）设定非地面点云中随机的一点云为初始点P。

3）通过K-D树近邻搜索算法找到k个离点P最近的点集Vi，若点集Vi的点与P的距离小于设定的阈值点，则属于Ci类空间中。

4）统计Ci空间的点云数量N，在Ci选取点P以外的点，重复步骤3）。若N∈[Nmin,Nmax]，则该Ci类空间已经聚类完成。

5）计算Ci内点云最大最小的XYZ坐标，在最大坐标外随机寻找一点P，重复步骤2）～4），形成新的Ci+1类，直至C类不在增加，结束聚类。

为了确定类C的空间位置，可对各个类C中的所有点云计算最大最小的XYZ坐标。聚类检测的结果如图6所示。

图6 聚类后检测密集树木点云图

2.4 树障判断

三维激光雷达的水平方位角为0°平面以上为导线区域，如图7所示。

图7 树障测量模型侧面示意图

定义雷达激光扫描一圈为一个周期T，T为一次树障距离的计算间隔，HBT为飞机在T周期中检测树木最高点云与飞机的距离，HLT为飞机在T周期中检测导线区域最低点云与飞机的距离，二者的和为检测物离线高度H，而L为检测树木距小号塔的距离，在T周期中，检测树木离线高度为H、距小号塔的距离L的检测树木定义为BT（H,L），S为检测树障的集合，θ为树障离线距离阈值。

即树木物体的树障判断为

为了避免在雷达扫描间隔T中对树障重复检测，引入检测处理时间T1，即检测树障后，飞机需拍摄树障图片后，经过树障时间为T1，继续巡检扫描检测。

3 系统组成

该系统包含无人机上的板载计算机、三维激光雷达和树障测量算法等部分，通过无人机搭载的三维激光雷达和板载计算机从导线起始点进行检测、分析数据，达到数据采集、处理的目的。另外，基于三维激光雷达的树障测量系统由数据分析软件系统和硬件采集系统两部分组成。

3.1 硬件框架

硬件采集系统主要基于ROS系统进行设计开发，主要负责采集树木的空间位置信息、树障图像信息和GPS信息，并且利用无线通信技术将测量数据返回控制终端。本文通过GPS系统组建RTK差分的方法，使无人机的GPS定位精度更加准确。其ROS硬件节点框架图如图8所示。

图8 系统硬件架构图

3.2 软件实现流程

软件系统在板载计算机和测量终端中运行，主要负责对硬件采集的点云数据做实时分析处理，其中包括预处理、点云分割、聚类检测、树障判断。测量流程如图9所示。

图9 导线树障测量流程图

4 实验结果与分析

4.1 实验条件

本文选取了某实际运行同塔双回线路进行了现场测试，环境温度29 ℃，风速3 m/s。采用了一架多旋翼无人机搭载三维激光雷达进行飞行巡检，分别在#40-#41档、#41-#42档、#42-#43档、#43-#44、#52-#53档进行三维激光雷达树障巡检实验。

为了保障飞机与导线的安全，设定飞机与导线的水平距离为5 m，而在巡检规定中，树障离线的安全距离为7 m以外，该实验设定树障离线距离阈值θ为7.7 m。根据树木密集程度设定 Nmin、Nmax分别为 100，2 000。坡度阈值β为 0.8 m，聚类簇的最大距离为0.5 m。

另一方面，实验采用激光测距望远镜等传统手段进行树障距离实测进行对比，计算两者的相对误差，以验证本文提出测量方法的准确性。

4.2 实验结果分析

在实地实验中，通过无人机搭载三维激光雷达系统对选定的线路进行树障检测，结果如表2所示。另外，两种测量手段得出的结果进行对比，分析相对误差，其中相对误差的计算方式如下式所示：

表2 树障巡检报告表

式中：dl——实时三维激光雷达测量的树障离线距离；

dr——激光测距望远镜测量的树障离线距离。

两种测量方式对比分析结果如表3所示。

表3 不同测量方法下的树障距离测量结果表

由表3记录的结果可知，本文提出的基于无人机三维激光雷达系统测量方法与利用激光测距望远镜的传统测量方法中，两者的最大相对误差在±1.52%以内，证明了测量结果可信有效。此外，在相同线路进行巡检过程中，因无需巡检人员翻山越岭巡线，本文所述方法对比传统测量方式所需巡检耗时大大减少，较大地提高了作业效率。

5 结束语

本文提出了基于三维激光雷达的树障实时测量方法，将三维激光雷达、无线通信技术、GPS以及无人机技术应用于架空输电线路树障测量，该方法不仅克服了现场地理环境的影响，而且有利于提高工作效率，提高树障距离测量的精度。在实地实验中，对某实际运行线路进行实际测量和对比，结果验证了文章所提出方法的有效性及可行性。本文提出的实时测量方法为树障测量技术提供了新的思路和解决方案。