一种轨道吊自动化作业防撞方法及轨道吊与流程

本发明属于障碍物检测，具体地说，是涉及一种轨道吊自动化作业防撞方法及轨道吊。

背景技术：

1、轨道吊是一种门式起重机，主要用于完成堆场与场外的集装箱卡车（简称集卡）之间集装箱的起重、堆叠和装卸车任务。

2、传统的集装箱码头在进行集装箱装卸作业时，都是由轨道吊司机发现集卡到达作业位置后，手动控制轨道吊移动至作业位置开始装卸车作业。在控制轨道吊移动的过程中，如果行驶轨道区域内存在障碍物，则需要司机在发现障碍物时手动刹停轨道吊。 但由于视野局限，司机很难快速地判断出轨道吊的行驶区域内是否存在障碍物以及障碍物的准确位置，因此存在安全隐患。针对这一问题，需要在轨道吊上实现自动防撞功能。

3、目前，行业内普遍使用的轨道吊自动防撞方法主要包括红外线测距、超声波测距等，但是这些方法存在探测距离近、精度低、误检率高等缺点。近几年来，随着激光雷达扫描技术以及图像识别技术的快速发展，将激光雷达和图像传感器（例如相机等）应用于障碍物检测领域的技术不断涌现，例如公开号为cn 113985405 a的中国发明专利申请“障碍物检测方法、应用于车辆的障碍物检测设备”以及公开号为cn 113568002 a的中国发明专利申请“基于激光和图像数据融合的轨道交通主动障碍物检测装置”，都是根据激光雷达获取的点云数据和图像传感器采集的图像信息，确定出目标点云数据；然后分别对目标点云数据和图像信息进行障碍物识别，得到目标点云数据对应的第一障碍物信息和图像信息对应的第二障碍物信息；通过将第一障碍物信息与第二障碍物信息进行障碍物融合，以确定出目标障碍物。

4、这种检测方法虽然可以提高障碍物识别的准确度，但是识别过程需要使用复杂的机器学习算法，例如对于激光雷达获取到的点云数据，需要采用高效的聚类算法等将非地面点云通过特征分类，解析出点云中的各种目标物体并提取出目标物轮廓；而对于图像传感器采集到的图像信息，则需要采用人工智能卷积神经网络算法等进行图像中障碍物目标的检测及障碍物类型的识别。机器学习算法的使用会占用处理器的大量资源，并且运行时间长，影响检测速度，不利于轨道吊紧急避障。

技术实现思路

1、本发明的目的在于提供一种轨道吊自动化作业防撞方法及轨道吊，以解决现有障碍物检测方法要么探测距离近、精度低，要么算法复杂、影响检测速度的问题。

2、为解决上述技术问题，本发明采用以下技术方案予以实现：

3、在一个方面，本发明提出了一种轨道吊自动化作业防撞方法，包括：

4、建立第一变换矩阵，用于相机坐标系到激光坐标系的转换；

5、建立第二变换矩阵，用于将激光雷达采集到的点云坐标转换成激光坐标系下的点云坐标；

6、利用相机拍摄轨道吊行走方向的前方设定区域内的二维图像；

7、利用激光雷达采集轨道吊行走方向的前方设定区域内的三维点云数据；

8、从所述相机拍摄到的二维图像中提取出左、右车道线的像素点；

9、利用提取出的左、右车道线的像素点生成左、右车道线的二维平面方程；

10、从左、右车道线的二维平面方程中分别提取出两个坐标点，经由第一变换矩阵和第二变换矩阵转换后，得到激光坐标系下的坐标点；

11、利用所述激光坐标系下的坐标点生成激光坐标系下的左、右车道线方程；

12、将激光雷达采集到的点云数据经由第二变换矩阵转换后，形成激光坐标系下的三维点云坐标；

13、从所述三维点云坐标中滤除掉地面点云坐标；

14、从非地面点云坐标中筛选出其x坐标和y坐标位于所述激光坐标系下的左、右车道线之间的点云坐标，作为障碍物点云保留，删除非障碍物点云；

15、当障碍物点云的数量超过设定阈值时，判断为有障碍物；

16、在判断为有障碍物时，轨道吊停车。

17、在本技术的一些实施例中，可以使用车道线分割模型对所述相机拍摄到的二维图像进行分割，以提取出轨道吊所在车道的左、右车道线的像素点；然后，使用ransac算法分别对所述左、右车道线的像素点进行拟合，以得到所述左、右车道线的二维平面方程。

18、在本技术的一些实施例中，为了在轨道吊上实现自动避障功能，可以首先配置所述相机坐标系和激光坐标系的x轴朝向轨道吊行走方向；然后，在判断有障碍物时，将障碍物点云中的最小x坐标值作为障碍物与轨道吊之间的距离；当障碍物与轨道吊之间的距离小于设定的安全阈值时，控制轨道吊停车。这里设置安全阈值，可以规避移动障碍物对轨道吊正常行车的影响，避免轨道吊非必要停车，影响作业效率。

19、在本技术的一些实施例中，为了实现相机坐标系到激光坐标系的准确转换，可以配置所述第一变换矩阵的建立过程包括：

20、使用相同的标定板对相机和激光雷达进行内参标定；

21、利用所述相机和激光雷达扫描所述标定板，并获取所述标定板上多个角点分别在相机坐标系和激光坐标系下的x坐标和y坐标；

22、根据相同角点在相机坐标系和激光坐标系下的x坐标和y坐标之间的转换关系，建立第一变换矩阵，使相机坐标系下的坐标点在经过第一变换矩阵转换后，变为激光坐标系下对应的坐标点，且忽略z轴坐标。

23、在本技术的一些实施例中，为了将激光雷达采集到的点云坐标转换到所建立的激光坐标系下，可以配置所述第二变换矩阵的建立过程包括：

24、从激光雷达采集到的地面激光点云数据中选出多个点云坐标，并找出所述多个点云坐标在激光坐标系的xoy平面上的对应点；

25、使用svd分解法构建线性方程组，求出变换矩阵的参数，构成第二变换矩阵。

26、在本技术的一些实施例中，由于车道线形成在地面，不具有z轴坐标，因此在从所述左、右车道线的二维平面方程中分别提取出两个坐标点并经由第一变换矩阵转换后，可以仅利用第二变换矩阵转换x轴坐标和y轴坐标，z轴坐标可以直接赋值0，进而得到激光坐标系下的四个坐标点；利用所述激光坐标系下的四个坐标点中的x轴坐标和y轴坐标，即可生成激光坐标系下的左车道线方程和右车道线方程，以用于区分位于左、右车道线之间、影响轨道吊正常行走的障碍物，位于左、右车道线以外的障碍物，由于不影响轨道吊正常行走，因此可以不予考虑。

27、在本技术的一些实施例中，可以配置所述障碍物点云的筛选过程包括：

28、从激光雷达采集到的点云数据经由第二变换矩阵转换后，形成激光坐标系下的三维点云坐标中，选择z坐标值小于等于0.1的三维点云坐标，作为地面点云坐标先行滤除；然后，将每一个非地面点云坐标的x坐标值分别代入激光坐标系下的左、右车道线方程，计算出两个y值；

29、若所述非地面点云坐标的y坐标值在计算出的两个y值之间，则表示该点云位于左、右车道线之间，应保留，作为障碍物点云；否则，滤除该点云坐标，不予考虑。

30、在本技术的一些实施例中，针对保留下的障碍物点云，可以预先设置设定阈值，判断是否为障碍物。当障碍物点云的数量大于设定阈值10时，表示是障碍物，否则，表示不是障碍物。为了提高障碍物判断结果的准确性，需要对设定阈值的具体取值进行特别考虑，设定阈值设置得太小，可能会将噪点误认为是障碍物；设定阈值设置得太大，可能会漏识别小型障碍物，为此，本技术设置设定阈值为10，以实现对障碍物的准确识别。

31、在另一个方面，本发明还提出了一种轨道吊，包括驱动轨道吊整体行走的大车机构、安装在大车机构上的相机和激光雷达、与所述相机和激光雷达通信的控制系统；配置控制系统运行计算机程序，以执行上述轨道吊自动化作业防撞方法。

32、在本技术的一些实施例中，配置轨道吊在场区内划定的左、右车道线之间往复行走；为了有效采集轨道吊在两个方向行走期间，其前方区域内的障碍物，可以在所述大车机构的前支腿和后支腿上分别倾斜向下安装一组相机和激光雷达，所述前支腿和后支腿应按照轨道吊行走方向的改变调整其命名方式；然后，按照轨道吊的行走方向开启安装在前支腿上的一组相机和激光雷达，并能扫描到轨道吊行走方向的前方1m~15m区域内的障碍物，以给轨道吊留出足够的减速停车时间。

33、与现有技术相比，本发明的优点和积极效果主要体现在：

34、1、本发明采用相机成像及图像识别技术获取轨道吊行走场区内的左、右车道线的坐标，并将其映射到激光坐标系下，以构建出激光坐标系下的左、右车道线方程。利用激光雷达扫描技术采集轨道吊行走方向前方区域的点云坐标，过滤掉其中的地面点云坐标以及左、右车道线以外的点云坐标后，保留的点云坐标即为障碍物点云，根据障碍物点云的数量即可判断出轨道吊前方是否存在影响其正常行走的障碍物，判断结果准确、可靠。

35、2、本发明的障碍物识别方法简单有效，无需使用复杂的机器学习算法，程序编写简单，运行速度快，可以即时地输出判断结果，为轨道吊避障停车留出足够的反应时间。

36、3、本发明根据障碍物点云的坐标值可以准确地判断出轨道吊与障碍物之间的距离，通过设置安全阈值，可以规避移动障碍物对轨道吊正常行车造成的影响，在保证轨道吊安全行车的情况下，不因移动障碍物的存在而无效停车，从而保证了轨道吊的作业效率。

37、4、本发明的障碍物检测及防撞停车功能可以由轨道吊自动完成，无需人员参与，自动化程度高，保障了轨道吊作业的安全性。

38、结合附图阅读本发明实施方式的详细描述后，本发明的其他特点和优点将变得更加清楚。