面向铁路无人机巡检的大范围点云配准方法

被引：3

作者：

王志鹏 ^{[1
]}

邵长虹 ^{[2
]}

杨怀志 ^{[3
]}

秦勇 ^{[1
]}

薄一军 ^{[2
]}

古文超 ^{[2
]}

张丁慈 ^{[1
]}

耿毅轩 ^{[1
]}

机构：

[1] 北京交通大学先进轨道交通自主运行全国重点实验室

[2] 京沪高速铁路股份有限公司

[3] 不详

来源：

中国铁路 | 2024年 / 05期

关键词：

京沪高铁; 铁路巡检; 无人机; 点云配准; 3DMatch数据集; RANSAC算法;

D O I：

10.19549/j.issn.1001-683x.2024.03.19.007

中图分类号：

V19 [航空、航天的应用]; U298 [安全技术];

学科分类号：

摘要：

在我国铁路网络广阔、运输需求巨大的背景下，利用无人机配合高精度激光雷达进行铁路巡检，相较传统人工方法，不仅提高了效率，而且通过精准的点云数据配准与分析，构建出完善的三维铁路环境地图，为线路维护、故障排查及安全隐患定位提供可靠的数据支持。针对铁路及周边环境大规模非结构化数据的挑战，提出一种旋转不变性强、泛化能力优异的点云配准算法。通过在3DMatch公开数据集上训练模型，并在ETH数据集及京沪高铁数据集上进行测试，该算法展示了对未知数据集高效准确配准的能力，显著提升了无人机在铁路巡检中的应用价值，为铁路系统的安全运营与高效管理提供了强有力的技术支持。

引用

页码：41 / 49

页数：9

共 7 条

[1] 基于三维激光扫描的铁路限界检测技术[J] 杨楠; 中国铁路 2022, 04
[2] 小型无人机在国外铁路的应用[J] 李美洁;谢征宇;秦勇;杨雪飞; 中国铁路 2020, 10
[3] 管道内表面圆结构光视觉三维测量系统
王颖
张瑞
[J]. 红外与激光工程, 2014, (03) : 891 - 896
[4] D3Feat: Joint learning of dense detection and description of 3D local features[J] Bai X.;Luo Z.;Zhou L.;Fu H.;Quan L.;Tai C.-L. Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition 2020,
[5] Challenging data sets for point cloud registration algorithms[J] François Pomerleau;Ming Liu;Francis Colas;Roland Siegwart The International Journal of Robotics Research 2012,
[6] A method for registration of 3-D shapes[J] Besl P.J.;McKay H.D. IEEE Transactions on Pattern Analysis and Machine Intelligence 1992,
[7] Random Sample Consensus: A Paradigm for Model Fitting with Applications to Image Analysis and Automated Cartography.[J] Martin A. Fischler;Robert C. Bolles Commun. ACM 1981,

← 1 →