﻿ 面向调线调坡的点云大数据分析及深度模型研究
«上一篇
 文章快速检索 高级检索

 智能系统学报  2020, Vol. 15 Issue (4): 795-803  DOI: 10.11992/tis.201911027 0

引用本文

HU Lei, QIU Yunjun, WANG Xizhao, et al. Point cloud big data analysis and deep model research for line and slope fine-tuning[J]. CAAI Transactions on Intelligent Systems, 2020, 15(4): 795-803. DOI: 10.11992/tis.201911027.

文章历史

1. 深圳大学 计算机与软件学院，广东 深圳 518061;
2. 中建南方投资有限公司，广东 深圳 518022;
3. 中建轨道电气化工程有限公司，北京 100089

Point cloud big data analysis and deep model research for line and slope fine-tuning
HU Lei 1, QIU Yunjun 2, WANG Xizhao 1, ZHANG Zhiyi 3
1. Department of Computer Science & Software Engineering, Shenzhen University, Shenzhen 518061, China;
2. China Construction South Investment Co., Ltd., Shenzhen 518022, China;
3. China Construction Railway Electrification Engineering Co., Ltd., Beijing 100089, China
Abstract: The deviation information between the completed tunnel and the originally designed tunnel is very important for the safety adjustment of metro lines. However, there is no clear mathematical formula that can be used to accurately describe and measure the deviation. At present, the mainstream approach is to measure the invasion value of each section with the same interval manually and then sum up these values to get the deviation. This method has the disadvantages of large error, time-consuming and high cost. To solve these problems, a novel deviation representation method based on deep neural network is proposed, which can learn the internal relationship between the parameters of the designed tunnel and the invasion values based on the point cloud data, and then predict the parameters that can make the sum of the invasion values minimum. These parameters can be used to assist the safety adjustment of metro lines. The experimental results on a data set collected from a real subway project show that the proposed method can quickly obtain the appropriate adjustment scheme of the lines and slopes with only a small amount of computer memory resources.
Key words: actual tunnel    theoretical tunnel    deviation    point cloud big data    invasion limit value    design line    deep learning    gradient descent    extreme value

1)无法实时地计算每个断面关键点的侵限值。传统断面测量方法只测量每个断面特定10个点的坐标位置，结合设计线路方案便可计算出断面关键点的侵限值，然而，当设计线路方案进行了调整，原来测量的每个断面10个点的坐标位置会发生变化，需要重新测量每个断面的10个点坐标位置，才能计算出每个断面的偏差程度，而重新测量需要耗费大量的时间，测量工作完成后才能计算出每个断面关键点的侵限值。

2)根据测量值计算出的设备尺寸误差较大。传统计算设备尺寸的方法是基于轨检小车的轨距测量值[1]，轨距测量值容易受人为因素的影响，导致测量数据不准确，进而使得设备尺寸的计算误差增大。

1 点云大数据获取及处理 1.1 点云大数据的获取

1)建立地铁测量坐标系；

2)水平调整扫描仪，使得两个坐标系相对平行；

3)在隧道内壁放置扫描标志；

4)在地铁测量坐标系下测量标志中心坐标和扫描仪坐标；

5)扫描仪扫描隧道内壁，同时，得到扫描仪坐标系下的标志位置坐标；

6)将扫描仪下的点云坐标转换为地铁测量坐标系下的坐标；

7)获取地铁坐标系下的点云大数据。

1.2 点云分块处理

1)令 ${P_{{m_0}}}$ = ${P_s}$ ${P_{{m_1}}}$ = ${P_s}$ +0.01；

2)根据F(Ω1,Ω2)和 ${P_{{m_0}}}$ ${P_{{m_1}}}$ 得到 ${P_s}$ 处曲线的法平面方程 ${s_{{P_{{m_0}}}}}$ ${s_{{P_{{m_1}}}}}$

3)从点云文件中找到介于 ${s_{{P_{{m_0}}}}}$ ${s_{{P_{{m_1}}}}}$ 之间的点并存储到文件 ${\rm{fil}}{{\rm{e}}_{{m_0}}}$ 中去；

4)令 ${P_{{m_0}}}$ = ${P_{{m_1}}}$ ${P_{{m_1}}}$ = ${P_{{m_1}}}$ +0.01；

5)重复2)~4) 直到 ${m_0}$ >e

1.3 点云去噪处理

1)令m=s+0.01；

2)根据最小二乘法在二维坐标系中拟合出实际的圆心O和半径R

3)令m=m+0.01；

4)根据F(Ω1,Ω2)和 ${P_m}$ 得到 ${P_m}$ 处曲线的法平面方程 ${s_{{P_m}}}$

5)将 ${\rm{fil}}{{\rm{e}}_m}$ 中的点投影到 ${s_{{P_m}}}$ 上，将平面中的所有点云映射到平面 ${s_{{P_m}}}$ 的二维坐标系中；

6)设二维坐标系中的点与点O距离为d，删除d> $R{\rm{ + }}$ 0.01与d< $R -$ 0.01的点，根据最小二乘法拟合出实际的圆心O和半径R

7)重复4)~ 6)直到 $m$ >e

2 建模与使用点云大数据

2.1 平面建模

 $\partial = \arccos \left(\frac{{{b^2} - {a^2} - {c^2}}}{{ - 2ac}}\right)$ (1)

 ${\theta _{ab}} = \arctan \left(\frac{{{y_b} - {y_a}}}{{{x_b} - {x_a}}}\right)$ (2)
 ${\theta _{bc}} = \arctan \left(\frac{{{y_b} - {y_c}}}{{{x_b} - {x_c}}}\right)$ (3)

 $x = x'\cos (\theta ) + y'\sin (\theta ) + {x_0}$ (4)
 $y = y'\cos (\theta ) - x'\sin (\theta ) + {y_0}$ (5)

${x_D} < x < {x_E}$ 时，给定的点在DE前缓和曲线上，以D点为原点、AB $x$ 轴、AB的垂线为 $y$ 轴建立坐标系，根据式(6)、(7)：

 $x = L\left(1 - \frac{{{L^4}}}{{40{R^2}l_s^2}}\right)$ (6)
 $y = \frac{{{x^3}}}{{6RX}}$ (7)

${x_E} < x < {x_F}$ 时，给定的点在EF圆弧上，可以将 $x$ 代入BC直线的方程即可求出 $y$ 值。同理可以采用求前缓和曲线的方式求圆弧上任意一点的坐标值。

$x > {x_F}$ 时，给定的点在FG后缓和曲线上，求法同前缓和曲线，相对坐标系选G点为原点。即可求出后缓和曲线上任意一点的坐标值。

2.2 纵断面建模

 $y = (x - {x_B})\tan \alpha + {y_B}$ (8)

 ${x_F} = {x_B} \pm \sin \left(\frac{{{\theta _{AB}} + {\theta _{BC}} - 180^\circ }}{2}\right)$ (9)
 ${y_F} = {y_B} \pm \cos \left(\frac{{{\theta _{AB}} + {\theta _{BC}} - 180^\circ }}{2}\right)$ (10)

2.3 侵限值与疏散平台尺寸的计算

 Download: 图 7 理论与实际的10个关键点 Fig. 7 Ten key points of theoretical and real

1)以 ${P_{{m_0}}}$ 里程的轨道中心点为原点，建立直角坐标系，图7中虚线为理论断面；

2)根据F(Ω1,Ω2)求 ${P_{{m_0}}}$ 处的法平面方程 ${s_{{P_{{m_0}}}}}$

3)点云大数据中找到 ${s_{{P_{{m_0}}}}}$ 平面小于0.01的点云，将所有点云投影至 ${s_{{P_{{m_0}}}}}$ 平面，图7中实线为实际断面；

4)两断面距离原点y0y1y2y3处共有16个交点坐标，在x=0处求得4个交点坐标；

5)XTheireticalXReal<0,即可判定该点横向侵限，并记录侵限值V1YReal topYTheoretical top<0即可判定纵向顶点侵限，并记录侵限值V2YTheoretical topYReal top<0即可判定纵向底点侵限，并记录侵限值V3

6)计算疏散平台的尺寸大小SVi=612+Vi

3 深度神经网络模型

3.1 神经网络构建 3.1.1 全连接神经网络模型的构建

3.1.2 卷积神经网络模型的构建

3.2 训练数据及方法

3.3 优化线路参数

1)提取神经网络参数 ${w_1}$ ~ ${w_4}$ ${b_1}$ ~ ${b_4}$ ，将其设为常量；

2)将原始线路参数F(Ω1,Ω2)设置为变量；

3)定义侵限值为(((F(Ω1,Ω2) ${w_1}$ + ${b_1}$ ) ${w_2}$ + ${b_2}$ ) ${w_3}$ + ${b_3}$ ) ${w_4}$ + ${b_4}$

4)反向求导；

5)更新线路参数，得到 $F'$ (Ω1,Ω2)；

6)重复步骤3)~ 5)，直至侵限值收敛，最终结果 $F'$ (Ω12)即为最优结果。

4 实验结果

4.1 深度神经网络训练结果

 Download: 图 10 全连接神经网络损失函数收敛过程 Fig. 10 Convergence process of Fully Connected NN

4.2 梯度下降结果

4.3 实验对比