精确高效的桩驱动器定位系统使用激光测距仪外文文献翻译、中英文翻译

附录 1：外文翻译精确高效的桩驱动器定位系统使用激光测距仪黄湘琦，竹崎笃，桥本秀树，井井富郎，博正，池田正五，池口松井 1 东京大学工业科学研究所 2Shibaura 理工学院 3 中央大学 4 小林公司技术研究所 5 国家先进工业科技研究所摘要：对于现代施工基础工作，实时定位桩是理想的，但由于测量仪器手工用于标记桩位置，其精度在很大程度上取决于工人的经验，因此传统系统不足。本文通过提出使用激光测距仪（LRF）的高效定位系统来解决这个问题。在传统的系统中，我们的优点是可以高精度地实时地自动检测桩或打桩机的位置。为此，我们首先开发基于LRF 的测量系统实时扫描施工现场，并收集 2D 激光点数据。然后，我们通过快速拟合的圆形几何模型来检测目标对象，如桩或打桩机，基于最大似然估计（MLE）推理的数据。算法的性能由合成数据集合和实数数据集合进行验证。结果表明我们的方法在未来施工领域的可行性。1 介绍动机如今，各种打桩机在施工现场广泛应用。堆是一个最重要的部分之一，一旦在正确的位置被驱入土壤时，就为建筑物提供基础支持。 因此，一种准确有效的桩驱动方法，对于现代化的建筑场地来说，总是令人满意的。最常见的打桩方法是基于预先定位使用测量仪器。然而，由于手动程序，它是不足的：1）放置使用测量仪器设计的桩位上的标记，2）用一个挖孔在标记位置具有一定的半径公差，以及 3）将桩驱动到孔中。该该程序的主要优点是：i）至少需要 3 名工作人员和 1 名操作员用于测量和调整桩位置; ii）他们被要求训练有素合作提高工作效率; iii）操作时间长这可能会降低工人的准确性和安全性。在本文中，我们提出了一种高效准确的打桩机定位系统 TEM。 我们建议不要使用传统仪器来测量预设标记使用激光测距仪的精确高效的桩驱动器定位系统利用高精度激光测距仪（LRF）扫描整个构造场同时从扫描范围同时检测移动的桩位置。图 1 示出了我们的系统，其中仅需要一个操作者来操作桩驾驶员调整桩位置，由显示动画桩的显示器导航施工现场地图上的定位。 该系统提供了更方便的方式帮助运营商全面评估收缩图上的错误，无需任何帮助的额外工人。因此，我们的系统大大提高了效率打桩精度。1.2 相关工作一方面，在施工现场，调查技术及其工具，在很短的时间内快速发展。 具有先进的测量仪器包括自动化传输和全站仪采用光波距离法，测量时间显着缩短，定位精度以达到到毫米级1。此外，在工作区非常的土木工程全球有很少的建筑物，全球定位系统（GPS）经常被用于足够的调查准确性和有效的工作2。然而它们存在缺点：i） 这些仪器是昂贵的，ii）由于环境条件，某些地方可能无法使用，iii）不能同时跟踪多个物体，vi）不可能跟踪目标实时和 v）测量需要至少两名工作人员。另一方面，近来消费级传感器的发展已经吸引增加对定位系统的适用性。使用分布式设备的时间定位系统包括摄像机3-5，超声波传感器6,7和激光测距仪（LRF）8,9。 在这些当中测量设备，LRF 在诸如实时扫描，高精度，大覆盖区域，不良照明的鲁棒性，低噪声到信号比例和简单安装10-12。例如，LRF 已经被实时使用了在大型户外区域进行位置测量13。自 20 世纪 90 年代中期以来，激光扫描仪已广泛应用于工程勘察，如高层建筑的地面测量14。 最近在施工现场，一些研究人员正在努力实时使用 LRF 来改善工作安全和效率。 15,16构建基于激光扫描仪的绳索跟踪系统，ELS。 这些系统在短距离内工作，并给予本地相对位置机器和对象。 17使用 LRF 进行测量任务。1.3 概述和贡献我们的系统由三个主要过程组成：1）LRF 的数据采集，2）位置估计过程和 3）结果的可视化。 它首先从 a 收集 2D LRF 数据施工现场实时; 然后同时估计桩位置最后的建筑地图可视化与设计的一起，协助工人决定桩作业。数据采集后，我们的挑战是实时位置估计的难度从范围扫描的移动。 为了超越，定位过程包括两个主要子步骤：1）基于圆模型聚类的目标检测;2）使用最大似然估计（MLE）的中心位置细化。以传统的定位方式，我们系统的主要贡献是：1）我们采用传统工具提前进行调 查，时间测量系统采用高精度 LRF; 2）我们提出快速检测算法用于从距离数据实时和准确的桩定位; 3）我们的系统同时跟踪和导航打桩机提供了更高效，更安全，更便宜和更简单的打桩任务的方式。本文的组织结构如下：第 2 节介绍了系统配置第 3 节中位置估计的详细算法。第 4节显示实验结果在模拟和实际数据，其次是第 5 节的结论。2 LRF 感应系统的配置我们首先使用 LRF 设计一种高精度定位桩的传感系统为此，我们在深度方向上采用了高精度的 UMT-30LX LRF 18表 1）水平扫描施工场地的特定区域。不过我们挑战在于，由于范围扫描的稀疏性，准确性难以实现。如如图 1 所示。1（c），原始扫描线（从左到右以粗体显示红色箭头）太稀疏，只有一点可以在达到圆柱体时返回。这种稀疏点云数据难以用于准确的位置估计。使用激光测距仪的精确高效的桩驱动器定位系统。为了克服这个问题，我们建议将 UMT-30LX LRF 安装到一个平台上密集扫描17。如图所示。如图 1（b）所示，我们将 LRF 安装在 SPU-01 平底锅上单元19，其可以驱动 LRF 以非常小的角度旋转（例如，0,015 度这种情况）LRF 的后续扫描。因此，可以通过组合获得密点在单位盘的不同旋转角度捕获的扫描。如图所示。如图 1（c）所示，所得到的数据点可以被视为每个 0.015 度采样，其中与 0.25 中的原始扫描比密度大大提高（最多 17 倍）度。该系统工作在 2Hz 至 40Hz 之间的数据采集率。该打桩机的工作速度在 0-2103mm/s 之间。在最后阶段的速度的打桩程序，特别需要高定位精度 0-50mm /秒。对于这种慢动作，系统数据采集频率满足对于打桩机辅助应用的实时要求。3 桩位检测鉴于上述传感系统捕获的密点数据，我们的下一个任务是如何精确有效地跟踪桩位置。这种位置估计方法包括两个主要步骤：1）桩位检测，2）中心细化。前者通过投票算法快速和粗略地检测范围扫描中的圆形模型。该稍后通过使用 MLE 算法的细化来准确地估计圆心。我们分别描述以下小节中的这两个主要步骤。3.1 桩检测由于桩总是垂直于地面并被水平的 LRF 扫描，扫描平面的交点始终是一个圆。 我们设计一个圆模型聚类算法用于快速但粗略地检测桩位置（参见算法 1）。由于参考目标是桩，从 LRF 的角度来看，桩是凸的，这意味着物体的中心不应该被观察的。3.2 精确位置估计精度由于 Algorithm1 只提供桩边界点的提案集，我们需要根据这些建议准确估算桩位。 所以下一个任务可以被视为：给定边界点 A = x i，y i K 的建议 1 和一个圆圈模（x-a）2 +（y-b）2 = r 2，我们如何准确地估计参数 a 和 b。为此，一个常见但有效的选择是使用最大似然估计（MLE）算法，估计可以最大化可能性的参数每个提 案。在我们的系统中，应该估计的参数只有 a 和 b，因为半径的参考目标是提前给出的。 然而，在这种情况下，MLE 变成了非线性问题。为了解决这个非线性方程，我们应用了 Newton-Raphson 方法，因为它比其他渐变方法具有更快的收敛性，如共轭梯度或 Levenberg-Marquardt，如果其初始值接近 a 和 b 的真值17。 这里我们使用从前一个检测到的中心位置检测结果作为 Newton-Raphson 方法的初始值。值得一提的是进一步推进两个简单的前处理在我们的方法中：1）假设背景场景是静态的，移动的数据部分是使用背景减法算法提取为前景对象，然后 2）所有的前景数据点都使用区域验证方法进行聚类。4 实验结果为了验证我们提出的圆检测和拟合算法，我们首先用 sim 仿真实验。在实际施工现场实验之前，我们进行一次对室内小型实验模型的打桩机进行了测试，提出了定位系统。最后，在实际施工现场进行户外实验。4.1 仿真实验在这种模拟中，我们模拟和设计了前面的实验施工现场20通过结合圆和线。我们假定，对于圆柱形参考目标，还有其他对象的横截面形状如矩形和其轮廓类似于弧形的梯形，特别是大型传感器噪声。依赖于高分辨率的高分辨率在距离 d max = 3010 3 mm 的范围内的偏 =50mm。角度分辨率的 LRF 为 reso = 0.05。圆柱参考目标的半径为 R = 1350mm。该从 LRF 到气缸中心的距离为 d = 9000mm。使用的阈值在算法 1（行 7,9,11）中经验确定为。所有的结果是平均值为 1000 次模拟。使系统工作实时且始终处理最新数据，算法将中止并考虑作为失败的检测，如果在最大次迭代之前不能建立可接受的模型时间。圆检测算法的评估。为了评估算法，误检率，随机抽样迭代次数和估计误差这里使用中心。图 2（a）显示，当投票为 2 和 3 时，检测率为几乎 100。但是，当需要更多的票数时，价值会下降。主要原因是最大迭代时间限制性能。图 2（b）显示了假如果T v 设置为大于 1，则阳性率几乎为零。4.2 室内实验为了验证我们提出的系统的可行性和估计误差，在实际施工现场指出，我们做了压力学试验。如图所示图 3（a）中，使用半径为 250mm 的圆柱体作为参考杆。 两个纸板盒子用于模拟应用场景中的打桩机。 图 3（b）来自实验场景的 LRF 的扫描数据的示例。我们首先将参考栏放在一个已知位置，并估计中心位置只有使用 MLE 方法。将气瓶保持在同一个地方，我们把另一个形状的物体靠近它，并用建议的定位算法再次估计气缸的位置，以查看我们是否可以估计准确度。自动重复 500mm 从 1000mm 到7500mm。如图 3（c）所示，估计误差的两条曲线几乎相同最大差值 3.4mm。 实验结果证明我们提出圆检测算法可以有效地从场景中提取圆的数据点与其他形状的对象。我们将参数 T v 从 1 改为 10，以查看检测率的影响。什么时候投票为 T v3， 如图 3（d）所示，即使小的检测率也超过 90T n 的值。如果没有投票程序，则意味着 T v = 1，检测率为勉强可以接受 这种低检测率是由三角形的连接引起的矩形框， 其轮廓类似于弧。这个结果证明了可行性的提出的桩检测算法，并显示它仍然可以工的可能性良好的闭塞或大噪音存在。4.3 施工现场实验我们在实际施工现场对所提出的系统进行了测试。我们的目的是测量堆放在钻孔中的位置。桩的位置跟踪可以帮助将其定位在预期的位置，这需要 100mm 的精度。 如如图 1（a）所示，桩被打桩机抬起，慢慢放下那个洞。目前在大多数施工领域，桩保持在预期的位置通过手工工作。需要三名训练有素的工人用棍棒来衡量是否桩是否在正确的地方。如图所示。如图 4（a）所示，LRF 和锅单元放置在三脚架上调整以保持 LRF 的扫描平面水平。三脚架的高度也有帮助保持其他移动物体，如人类，从扫描范围。对象是 mea-固定的是图 1（a）所示的桩，半径为 200mm。受施工现场的距离是测量对象与LRF 之间的距离 1510 3 mm。为了校准 LRF，一个薄金属棒（横截面：30mm1mm）具有一个高度反射能力的表面被使用。我们首先使用全站仪来定位几个点精度约 2mm / km。然后将校准棒放在些点上并获得来自 LRF 的棒的扫描数据。我们使用棒的扫描数据的平均值来估计它的位置。可以使用最小二乘估计法计算世界坐标与 LRF 坐标之间的变换矩阵。施工现场试验结果。打桩的程序是由 LRF 记录。当桩移动到预期位置附近时，它就开始了约 1m 在抵达洞的顶部后，堆放在一个位置误差在 50mm 左右。桩的放置调整为更准确最后 10 秒。工人岗位调整见图 4（b）。这里的错误在 X L 定义为（X L- a），Y L 的误差为（Y L-b）。测量之间的误差桩的中心位置和预期设计位置如（c） 所示。决赛提出的系统给出的位置误差为 25mm 左右。目前没有其他直接的方式来测量桩的中心位置它移动。传统测量系统的精度10mm。 另外，从这个实验确定了桩在允许的范围内被驱动。我们可以估计施工误差在15 -35mm 的范围内。考虑到手动调整过程中，我们系统的结果被认为是合理的。系统可以直接测量不能测量的打桩位置通过常规测量仪器。5 结论和未来工作在本文中，基于桩检测和拟合，提出了一种新颖的实时桩驾驶员定位系统使用激光瞄准器.LRF 的优势，如高精度，快速数