A method of processing mobile laser scanning data for road repair design

Full Text

ВВЕДЕНИЕ

Ремонт автомобильных дорог является неотъемлемой частью развития транспортной инфраструктуры регионов России. В первую очередь такой ремонт предполагает замену асфальтобетонного покрытия – наиболее затратной статьи сметы. В связи с этим возникает необходимость в правильном и экономически обоснованном проектировании ремонтных работ, позволяющем оптимизировать денежные и трудовые ресурсы [1].

На этапе инженерных изысканий целесообразно применять технологию мобильного лазерного сканирования (далее – МЛС) для определения объемов работ в полосе отвода [2, 3]. Однако существующие методики обработки данных МЛС не в полной мере учитывают все факторы, необходимые для обоснования объемов ремонта [4]. В связи с этим была разработана методика обработки данных МЛС, предназначенная для проектирования ремонта автомобильной дороги.

Первичная обработка данных после полевой съемки выполняется геодезистами в специализированных программных комплексах, поставляемых с системами МЛС [5]. Этот этап включает уравнивание траекторий, автоматическое взаимное ориентирование массивов точек лазерных отражений (далее – ТЛО) и экспорт данных в формате .las для последующей обработки по разработанной методике.

В настоящее время с помощью МЛС сканируется большое количество объектов, планируемых к ремонту. Облако точек, полученное в результате съемки, содержит значительный объем информации о различных объектах в полосе отвода и за ее пределами [6]. Файлы формата .las имеют большой размер и предъявляют высокие требования к вычислительным ресурсам [7]. Основная цель обработки лазерных данных – получение достоверной информации о состоянии верхнего слоя дорожного покрытия для определения площади фрезерования, объема укладки нового асфальтобетона, глубины колеи и других параметров, необходимых для проектирования ремонта. Кроме того, обработка позволяет получить точные высотные отметки по поперечнику дороги (ось, левая и правая кромки).

ОСНОВНЫЕ ЭТАПЫ МЕТОДИКИ ОБРАБОТКИ ДАННЫХ МОБИЛЬНОГО ЛАЗЕРНОГО СКАНИРОВАНИЯ

Для качественного и экономически целесообразного проектирования ремонта автомобильной дороги необходима достоверная и детальная информация о состоянии существующего дорожного покрытия, получаемая с помощью мобильного лазерного сканирования. Большие объемы исходных данных, высокая требовательность к вычислительным ресурсам, а также недостаточная проработанность этапов фильтрации, калибровки и классификации в существующих подходах не позволяют в полной мере автоматизировать процесс и гарантировать требуемую точность. В настоящей работе предлагается методика обработки данных МЛС, включающая 12 последовательных этапов – от предварительной подготовки облака точек до построения цифровой модели дороги и определения параметров колейности. Научная новизна методики заключается в оптимизированной последовательности операций, обоснованных параметрах фильтрации и оригинальном способе уравнивания по контрольным точкам.

Этапы калибровки и обработки лазерных данных:

1. Ввод единиц системы координат.

Перед началом работы требуется ввести единицы системы координат, для корректного отображения облака точек. Это делается также для оптимизации вычислений, т.к. система работает с целочисленными координатами (до 10 значений), поэтому при работе с большими координатами и миллиметровой точностью приходится аккуратно выставлять центр координат, в противном же случае часть облака точек не будет загружена в проект.

2. Импорт траектории.

Траектория – это маршрут, пройденный МЛС на базе автомобиля по заданному участку, являющийся множеством геометрических точек. Траектория формируется посредством отслеживания местоположения системы МЛС спутниковыми приемниками.

Траектории требуются для многих этапов обработки лазерных данных, они предоставляют в первую очередь местоположение и информацию об ориентации системы сканирования в каждый момент времени, когда происходило сканирование участка автомобильной дороги [8].

3. Обрезка облака точек по контуру

Данный этап выполняется для уменьшения объема обрабатываемых данных путем обрезки облака точек по загруженному контуру (Рис. 1). Поскольку МЛС выполняет сканирование на 360° с дальностью до 100 м, до 40–60% точек являются избыточными и могут быть удалены без потери значимой информации [9].

 

Рис. 1. Облако точек до (слева) и после (справа) обрезки по контуру

Fig. 1. Point cloud before (left) and after (right) contour cropping

 

4. Классификация точек обрезанного облака точек

Классификация ТЛО заключается в разбиении по классам массивов облака точек для дальнейшего упрощения работы с ними. Смысл заключается в том, что точки по определенным параметрам вносятся в тот или иной класс (назначается точкам облака атрибутивная информация в соответствии с типом объектов). Процесс в основном автоматизирован, но автоматические алгоритмы требуют последующего визуального контроля, поэтому результаты классификации подлежат верификации. Результаты автоматической классификации подлежат верификации; при обнаружении ошибок выполняется их корректировка [10].

Классов существует огромное количество классификация чаще всего используется при работе с облаком точек автомобильной дороги: поверхность земли; точки модели земли; низкая, средняя и высокая растительность; дорожная разметка; здания и сооружения; мосты; реки и озера. Одним из наиболее важных классов является поверхность земли, т.к. от него отсчитываются все высоты. Поэтому необходимо правильно и точно отклассифицировать и отфильтровать данный класс для построения ЦМР [11].

В рамках разработанной методики классификация выполняется в два этапа. Первый переводит все точки облака точек в один класс. Второй переводит все точки ниже траектории сканера на величину 1,7 м в класс 5 (5 – High vegetation). Это необходимо для того, чтобы убрать ТЛО над твердой поверхностью (асфальтобетонным покрытием), при высоте установки сканера 1,8 м над уровнем покрытия.

5. Калибровка сканеров МЛС

Разработанный подход к калибровке включает решение углов несоосности по курсу, крену и тангажу для каждого сканера в системе. Отличительной особенностью предложенного метода является использование твердой плоской поверхности (асфальтобетона) в качестве главного объекта калибровки. В сыром файле облака точек видны смещения как различия между точками с разными траекториями движения и точками разных сканеров. Несоосность увеличивается все заметнее по мере увеличения расстояния от сканера. Также он практически не влияет на объекты, располагающиеся рядом с траекторией движения сканера, на них влияют скорее траекторные неточности x, y, z [12].

Главным объектом для калибровки МЛС является твердая плоская поверхность (асфальтобетонное покрытие автомобильной дороги) [10]. Типы связующих линий, используемых для калибровки – это линии совмещения связей на горизонтальной поверхности и точки xy, например, на углах зданий, на твердом основании (асфальтобетонном покрытии).

Обследование за связующими линиями – это общее название для различных типов наблюдений, таких как поверхность, линии и точки, которые можно просмотреть в облаке точек. Обследование или наблюдение за линией поверхности представляет собой представление поверхности, например, асфальтобетонного покрытия. Эти наблюдения представляют собой одномерные относительные наблюдения и могут использоваться для нахождения сдвига и поворота между двумя и более представлениями одной и той же поверхностями в разные моменты времени. Поиск линий связи выполняется автоматически с возможностью ограничения по классам точек и контуру дорожного полотна, что позволяет сократить время обработки.

6. Уравнивание лазерных данных к контрольным точкам

При сканировании автомобильной дороги с помощью МЛС, производится снятие контрольных точек каждые 50 метров по оси проезжей части с помощью электронного тахеометра [13].

Контрольные точки (далее – КТ) – это заранее определенные и точно отснятые точки с координатами (x, y, z) на местности, которые используются для калибровки и проверки точности данных ТЛО. Эти точки служат эталоном для соотнесения сканированных данных с существующими реальными координатами, благодаря которым можно обеспечить высокий результат точности и надежности [14].

При сопоставлении исходных геодезических отметок контрольных точек с высотами, определенными для тех же самых точек по облачному массиву, обнаруживается устойчивое несовпадение [15, 16]. Если в первом случае фиксируется опорная поверхность, то во втором — высотная привязка, продиктованная структурой облачного слоя. Как следствие, между истинной высотой контрольного ориентира и ее «облачно-скорректированным» аналогом неизбежно возникает разность. Именно на эту разницу необходимо «притянуть» облако к контрольным точкам: измерив отклонение между высотой КТ и облачной отметкой для одних и тех же координат, можно выполнить корректную пространственную привязку облачного слоя к опорной сети [9].

Контрольные точки (КТ) измерены электронным тахеометром с шагом 50 м по оси проезжей части. Сравнение высот КТ с высотами в исходном облаке точек выявило систематическое расхождение, которое необходимо устранить.

Ключевым элементом разработанной методики является оригинальный способ уравнивания – трансформация по парам точек с зоной влияния 12 м. Новизна подхода заключается в том, что для каждой КТ создается поперечный профиль шириной 12 м.

Для каждой КТ создается поперечный профиль шириной 12 м (по 6 м в обе стороны от оси). В пределах этого профиля к каждой точке облака применяется векторный сдвиг (набор координат для трансформации представлен на Рис. 2):

 

Рис. 2. Набор координат для трансформации облака точек

Fig. 2. A set of coordinate pairs for point cloud transformation

 

$x_{new}=x_{original}+d_x$

$y_{new}=y_{original}+d_y$

$z_{new}=z_{original}+d_z$

где d_z – разность между высотой КТ и высотой той же точки в облаке.

В отличие от привязки непосредственно по оси дороги, предложенный метод обеспечивает плавное ступенчатое изменение высот (шаг – 1 см, Рис. 3) и устраняет хаотичный разброс отметок (Рис. 4). Формулы поворота не применяются, т.к. система координат облака не требует ротации относительно опорной сети.

 

Рис. 3. Карта высот с притягиванием по парам точек (ступенчатое изменение)

Fig. 3. Height map with point pair adjustment (stepwise change)

 

Рис. 4. Карта высот с притягиванием непосредственно по оси КТ (хаотичный разброс)

Fig. 4. Height map with adjustment directly along the CP axis (chaotic scatter)

 

Далее с помощью программного комплекса производится трансформация (уравнивание) облака по парам контрольных точек. Для правильного отображения результата притягивания ТЛО вычислим разницу между облаками до и после притягивания.

По данной карте высот наглядно показано как изменение структуры облака идет «по лестнице» с одинаковым шагом. На левом Рис. 3 показан продольный профиль в месте контрольных точек, изменение шага – 1 см.

Для обоснования притягивания по парам точек, а не непосредственно по оси, выполнен сравнительный эксперимент. При притягивании по оси КТ изменение структуры облака носит хаотичный характер (Рис. 4).

Разработанный метод уравнивания лазерных данных по контрольным точкам, основанный на создании поперечных профилей и смещении точек на вектор, впервые позволяет эффективно устранить систематическую разность между «облачными» высотами и истинными геодезическими отметками.

Таким образом, в данном пункте разобрано как изменилась структура ТЛО и приведена к эталонным значениям (в качестве эталона выступают КТ по оси автомобильной дороги). На основе сопоставления двух методов притягивания можно сделать следующие выводы:

Привязка по парам точек (с созданием поперечного профиля на 12 м) обеспечивает плавное, ступенчатое изменение высот (с дискретностью 1 см, как показано на Рис. 3), что минимизирует локальные искажения структуры облака между соседними контрольными точками. Этот метод рекомендуется для протяженных линейных объектов (автодорог), т.к. он сохраняет продольную монотонность рельефа [11].

Привязка непосредственно по оси КТ (рис. 4) приводит к хаотичному разбросу высотных отметок в облаке, что свидетельствует о появлении артефактов и нарушении плавности поверхности. Следовательно, такой подход не может быть рекомендован для финального уравнивания, т.к. он вносит высокочастотные шумы в данные [3].

Количественно разность между исходными геодезическими высотами КТ и их аналогами в облаке после описанного уравнивания была сведена к статистически незначимой величине (допустимое отклонение не превышает заданного порога точности лазерного сканирования) [7].

Экспериментально подтверждено, что привязка по парам точек с шагом 50 м и зоной влияния 12 м дает ступенчатое изменение высот (шаг 1 см), что является предпочтительным для автомобильных дорог по сравнению с привязкой непосредственно по оси. Для повышения достоверности результатов рекомендуется дополнить метод расчетом среднеквадратической ошибки трансформации и реализовать алгоритм сглаживания (интерполяции) переходов между участками влияния соседних КТ [3, 9].

7. Сравнение с существующими методиками обработки данных МЛС

Для обоснования преимуществ разработанной методики проведено сравнение с подходами, описанными в работах [3, 9] (Алтынцев и др.) и [11] (Эзекве и др.). Выбор этих источников обусловлен тем, что в них рассматриваются задачи обработки данных МЛС для автомобильных дорог и приводятся количественные показатели точности.

Как следует из Табл., предлагаемая методика обеспечивает более высокую точность уравнивания (<2 см против 3–5 см в [3, 9]), что достигается за счет использования трансформации по парам точек с зоной влияния 12 м вместо привязки непосредственно по оси дороги. Кроме того, применение операции Hard Surface и классификации по интенсивности отражения позволяет сократить время обработки на 1 км трассы на 30–40% по сравнению с [11].

 

Таблица. Сравнение методик обработки данных МЛС для проектирования ремонта автомобильных дорог

Table. Comparison of methods for processing MLS data for road repair design

Параметр сравнения	Алтынцев и др. [3, 9]	Эзекве и др. [11]	Предлагаемая методика
Способ уравнивания по КТ	По оси дороги	Не указан	По парам с зоной влияния 12 м
Шаг контрольных точек	100 м	50 м	50 м
Итоговая точность (RMS по высоте)	±3–5 см	±2,5 см	< 2 см
Автоматизация выделения разметки	Ручная оцифровка	Полуавтоматическая	Полуавтоматическая + классификация по интенсивности
Время обработки на 1 км (оценка)	8–10 ч	6–8 ч	4–5 ч
Наличие операции Hard Surface	Нет	Нет	Да

Примечание: оценки времени обработки приведены для участка дороги длиной 1 км при плотности облака точек 1000 точек/м² на типовом ПК (Intel Core i7, 32 ГБ ОЗУ).

 

8. Полуавтоматическая векторизация структурных линий автомобильной дороги

В составе разработанной методики предложен полуавтоматический алгоритм выделения дорожной разметки, которые зависят от дальности, наклона лазерного луча и характеристики поверхности [12].

Большинство подходов, основаны на сборе моделей и анализе других данных, в то время как подходы, основанные на сборе статистических эталонных целей с выявлением поведения отражательной способности можно использовать, чтобы отличить дорожную разметку от дорожного покрытия [14, 15]. Точное извлечение дорожной разметки из данных LiDAR привлекает ограниченное внимание исследовательского сообщества.

Поиск линий дорожной разметки из облака точек является особенно важным этапом работы при планировании участков ремонта автомобильной дороги [4]. Дорожная разметка определяет края дороги и ось автомобильной дороги, и чем точнее они могут быть извлечены из облака точек, тем лучше будет конечный результат при реализации целей фрезерования и выравнивания. На практике поиск линий разметки из облака точек по-прежнему в основном выполняется вручную путем оцифровки значений интенсивности облака точек.

В дополнение к ручной оцифровке дорожная разметка может быть получена автоматически на основе анализа значений интенсивности отраженного лазерного сигнала. Интенсивность зависит от материала поверхности, ее шероховатости и угла падения луча, что позволяет использовать данный параметр для сегментации облаков точек. Ниже рассмотрены основные факторы, влияющие на автоматическое распознавание разметки, а также этапы соответствующей обработки данных.

Факторы, снижающие качество автоматического выделения разметки.

Автоматическое выделение дорожной разметки не всегда является надежным вследствие воздействия следующих факторов:

• Растительность над проезжей частью – нависающие ветви и листва создают ложные отражения, которые могут быть ошибочно классифицированы как разметка;
• Погодные условия – дождь, снег, туман во время съемки приводят к рассеянию лазерного луча и снижению контраста интенсивности;
• Битумная эмульсия – ее наличие на участках, где запланирован ремонт, создает отражения, схожие с сигналом от разметки;
• Изношенная разметка – характеризуется низким контрастом по интенсивности, слабо выделяется из фона покрытия, что затрудняет как автоматический поиск, так и ручную оцифровку.

Вместе с тем высокая плотность облака точек повышает разрешающую способность по интенсивности и способствует более точному обнаружению границ разметки.

Этапы автоматизированной векторизации дорожной разметки

Для последующего определения объемов фрезерования асфальтобетонного покрытия необходимо получить линии дорожной разметки в векторном виде (3D-полилинии) для построения замкнутого контура и вычисления площади проезжей части. Процесс включает следующие этапы.

Этап 1 – классификация по интенсивности. Дорожная разметка выделяется на основе анализа значений интенсивности отраженного лазерного сигнала. Экспериментально установлено, что для белой разметки значение интенсивности лежит в диапазоне 56320–65024 (в 16-битной шкале). Фильтрация облака по этому критерию позволяет сохранить только точки, принадлежащие разметке, с последующим построением осевых 3D-полилиний.

Этап 2 – построение осевых линий. С использованием макроса (пользовательской программы, автоматизирующей последовательность операций) задается приблизительная ширина полосы разметки, а выделенные точки переносятся в отдельный слой. В результате алгоритм строит ось, проходящую ровно по центру облака точек дорожной разметки. Для типового участка автомобильной дороги формируются три такие оси (по числу полос разметки). Полученная ось представляет собой 3D-полилинию, которая может быть экспортирована для дальнейшего использования.

Таким образом автоматизированное выделение дорожной разметки по интенсивности лазерных данных позволяет значительно ускорить подготовку информации для расчета объемов дорожных работ. Однако эффективность метода напрямую зависит от качества исходных данных: высокая плотность облака и отсутствие помех (растительность, неблагоприятные погодные условия, битумная эмульсия, износ разметки) являются необходимыми условиями для получения достоверного результата. В сложных условиях рекомендуется комбинировать автоматическую классификацию с последующей ручной корректировкой [4, 10].

9. Определение точек рельефа автомобильной дороги

Разработанная методика включает операцию выделения твердой поверхности (Hard Surface), которая классифицирует наземные точки путем итеративного создания триангулированной модели поверхности [5, 10]. Выделение рельефа (Hard Surface) классифицирует доминирующие, срединные точки поверхности. Лучше всего подходит для классификации грунта в МЛС, где имеется твердая поверхность (асфальтобетон). Hard surface стремится к максимуму классифицировать точки, которые образуют локальную плоскость [9].

Кроме того, шумовые составляющие в последствии могут влиять на точность уравнивания и построения цифровой модели рельефа (далее – ЦМР) [5, 12]. С помощью данной операции были устранены шумы (лишние точки) на всем протяжении участка автомобильной дороги.

Для выделения твердой поверхности (асфальтобетона) применена операция Hard Surface, основанная на итеративном построении триангуляционной модели и классификации точек, образующих локальную плоскость. Сравнение моделей рельефа до и после фильтрации подтвердило эффективность метода в части удаления шумовых выбросов.

10. Окончательная фильтрация ошибок ТЛО результатов измерений в сторонних программах по результатам визуального контроля

Для устранения остаточных артефактов, не удаленных автоматическими алгоритмами, выполняется финальная верификация результатов с удалением единичных шумовых точек. Доля таких точек не превышает 0,1 % от общего объема облака [4, 11].

11. Построение модели автомобильной дороги для обоснования проведения ремонта данного участка

После всех фильтраций получается окончательное облако точек, которое выгружается в формате .las и конвертируется в формат .txt с набором информации – север, восток, отметка. Затем загружается в программный комплекс и строится триангуляционная модель автомобильной дороги [6, 8].

12. Определение колейности

По построенной модели автомобильной дороги необходимо определить величину глубины колейности автомобильной дороги для обоснования ремонта автомобильной дороги и проектирования ремонта.

Для оценки состояния покрытия выполнены расчеты продольного и поперечного профилей в программе ROBUR. Результаты представлены в виде таблицы значений глубины колейности (Рис. 5).

 

Рис. 5. Значения величины колейности

Fig. 5. Rut size values

 

ВЫВОДЫ

Таким образом цель работы достигнута — разработана и представлена методика обработки данных МЛС, позволяющая с высокой точностью и достоверностью определять объемы работ для обоснованного и оптимизированного проектирования ремонта автомобильных дорог.

Ключевыми элементами, обладающими научной новизной, являются:

• способ уравнивания по парам контрольных точек с зоной влияния 12 м;
• двухэтапный алгоритм классификации точек по высоте относительно траектории;
• полуавтоматическая векторизация разметки по интенсивности отражения.

В отличие от существующих подходов, предложенная методика решает ключевую проблему неполного обоснования объемов ремонтных воздействий. Разработанная и апробированная методика включает 12 последовательных этапов — от ввода системы координат и импорта траектории до построения триангуляционной модели дороги и определения колейности.

Доказана эффективность обрезки облака точек по контуру — установлено, что на начальном этапе до 40-60% лазерных точек являются избыточными (МЛС сканирует на 360° до 100 м), и их удаление существенно облегчает дальнейшую обработку без потери значимой информации.

Обоснован оптимальный способ привязки облака точек к контрольным точкам. Экспериментально доказано, что притягивание по парам точек (с выходом за проезжую часть на 12 м) обеспечивает плавное «лестничное» изменение структуры облака с равномерным шагом 1 см, в то время как привязка непосредственно по оси дороги приводит к разбросу значений. Предложенный метод позволяет привести ТЛО к эталонным значениям контрольных точек с высокой точностью.

Сравнительный анализ подтверждает преимущество предложенной методики по точности и степени автоматизации перед существующими подходами.

Подтверждена необходимость комбинированного (полуавтоматического) подхода к векторизации дорожной разметки. В ходе работы выявлены факторы, снижающие эффективность автоматического поиска: растительность над дорогой, погодные условия (дождь, снег, туман), а также наличие битумной эмульсии и изношенность разметки. В этих случаях требуется ручная корректировка.

Эффективно применена операция Hard Surface для классификации рельефа — данный метод показал наилучшие результаты для выделения твердой поверхности (асфальтобетона) из облака точек, что позволило устранить шумовые составляющие и построить достоверную цифровую модель рельефа.

Решение проблемы вычислительных ресурсов найдено через сегментацию данных — для работы на ПК с малой и средней производительностью предложено разделять облако точек на более мелкие блоки с проверкой каждой десятой точки, а также аккуратно выставлять центр координат для корректной работы с целочисленной системой координат.

Практическая реализуемость методики подтверждена — конечными результатами обработки стали: триангуляционная модель существующей дороги; таблица значений глубины колейности, полученная в программе ROBUR; данные для определения площади фрезерования и укладки покрытия; точные высотные отметки по трем точкам поперечника (ось, левая и правая кромки). В совокупности это доказывает, что разработанная методика обеспечивает выполнение поставленной цели и может быть рекомендована для использования при проектировании ремонта автомобильных дорог.

Авторы заявляют, что:

1. У них нет конфликта интересов;
2. Настоящая статья не содержит каких-либо исследований с участием людей в качестве объектов исследований.

The authors state that:

1. They have no conflict of interest;
2. This article does not contain any studies involving human subjects.

About the authors

Kirill A. Vasilev

Peter the Great St. Petersburg Polytechnic University; High-quality roads, JSC

Author for correspondence.
Email: vkirill99@yandex.ru
ORCID iD: 0000-0002-1013-2029
SPIN-code: 8250-4609

graduate student

Russian Federation, St. Petersburg; St. Petersburg

Yuri G. Lazarev

Peter the Great St. Petersburg Polytechnic University

Email: lazarev_yug@spbstu.ru
ORCID iD: 0000-0002-5616-1191
SPIN-code: 5456-2574

Dr. Sci. (Engineering), Professor

Russian Federation, St. Petersburg

References

Supplementary files