一种基于船载激光雷达目标检测的泊位状态估计方法

《Ocean Engineering》：A berthing state estimation method based on shipborne LiDAR target detection

基于船载LiDAR的三维靠泊感知系统研究，提出包含点云采集、三维船舶检测、边界平面拟合与状态估计的框架，通过反射率优化检测网络提升14.3% mAP，结合RANSAC算法实现0.2514米级误差的边界平面建模，验证了系统在港口与河道场景的可靠性。

　　随着智能和自主系统技术的快速发展，无人驾驶水面船舶（USV）在海洋勘探、环境监测、国防以及港口物流等多个领域得到了广泛应用（Bovcon 等，2022）。作为一种高度灵活且成本效益高的工具，USV 在执行复杂任务方面展现出显著的优势。然而，在实际应用中，船舶的靠泊和离泊操作是其任务执行中的关键环节，直接影响到 USV 的操作效率和安全性（Tran 和 Im，2012）。目前，大多数 USV 的靠泊和离泊操作仍需要人工辅助，这不仅消耗大量的人力和财力资源（Han 等，2023），也限制了其完全自动化的潜力。因此，实现 USV 的自主靠泊能力是推进“无人驾驶”管理的重要一步。

USV 的靠泊系统主要由三个部分组成：靠泊感知、靠泊路径规划和靠泊控制。其中，靠泊感知作为整个靠泊过程的核心基础，决定了路径规划和控制策略的准确性。USV 靠泊感知的核心任务是实时环境感知与理解，包括对靠泊区域的识别与检测，以及对 USV 位置和靠泊状态的精确估计。这些信息为后续的路径规划和控制提供了可靠的依据。路径规划的目标是生成一条最优的轨迹，使 USV 能够在满足环境约束、靠泊精度要求和能耗效率的前提下安全抵达目标位置。控制部分则通过调整 USV 的推进系统和转向系统，确保其按照规划的轨迹运行，同时对风、水流和波浪等外部干扰因素进行补偿。

在靠泊感知领域，目前的研究主要集中在 LiDAR 点云数据的应用上。LiDAR 作为一种高精度、抗干扰能力强的传感器，能够输出三维点云数据，因此在近场感知中具有显著优势。与传统的雷达和视觉传感器相比，LiDAR 不受光照条件或雾气的影响，能够在复杂环境中提供更加准确的环境信息。然而，现有的研究在 USV 靠泊场景中仍存在一定的局限性。首先，多数靠泊感知方法缺乏对不同类型靠泊区域的适应性，难以应对不规则靠泊区或多船靠泊的情况。其次，现有的方法多依赖于基于线模型的靠泊区域识别，这在不规则靠泊区的靠泊过程中容易引入较大的误差，从而影响靠泊状态的估计精度。

为了克服上述问题，本文提出了一种基于船载 LiDAR 的靠泊感知系统，旨在提升系统的适用性和靠泊状态估计的准确性。该系统由四个主要模块组成：点云数据采集、三维船舶目标检测、靠泊边界平面模型拟合以及靠泊状态估计。在系统设计中，点云数据采集是基础环节，通过船载 LiDAR 实时获取船舶周围的三维环境信息。随后，利用点云反射强度信息对 PointPillar 检测网络进行改进，提升其在三维目标检测中的准确性。通过这种方式，系统能够更精确地识别船舶，并提取其三维点云数据。

在靠泊边界平面模型拟合环节，采用随机样本一致性（RANSAC）算法，从点云数据中提取靠泊区域的边界平面模型以及停泊船舶的外轮廓平面模型。这些模型作为靠泊状态估计的参考，能够有效提高靠泊状态估计的精度。此外，本文还提出了一种基于空闲靠泊区域的靠泊状态估计方法，通过提取靠泊点云数据，并结合 RANSAC 算法进行边界平面拟合，最终计算出靠泊参数。这种方法相较于传统的基于线模型的方法，显著提高了靠泊状态估计的准确性。

本文的实验验证部分涵盖了实际应用场景中的测试，包括大连理工港的 Zhilong NO.1 无人驾驶船舶和天津海河某段的靠泊实验。通过这些实验，验证了本文提出的靠泊感知系统的有效性、可扩展性和准确性。实验结果显示，相较于以往的海上场景 PointPillar 检测模型，本文提出的三维船舶目标检测方法的平均平均精度（mAP）提高了 14.3%。在靠泊状态估计模块中，距离测量的均方根误差约为 0.2514 米，相较于基于线模型的方法，误差减少了 0.1107 米。这些结果表明，本文提出的靠泊感知系统能够在复杂环境中提供高精度的靠泊状态估计，为操作人员提供可靠的决策支持。

在靠泊感知系统的设计过程中，本文特别关注了小 USV 的靠泊需求。与大型船舶相比，小 USV 通常不直接停泊在标准的靠泊区域，而是停泊在其他类型的船舶旁边。因此，传统的距离感知系统只能识别标准的靠泊区域，无法满足小 USV 的实际操作需求。本文提出的靠泊感知系统则专门针对小 USV 的特殊操作场景进行优化，通过利用点云反射强度信息，结合改进的损失函数和编码网络，提升了 PointPillar 检测网络在三维目标检测中的性能。同时，通过提取靠泊点云数据，并结合 RANSAC 算法进行边界平面拟合，实现了对空闲靠泊区域和停泊船舶的准确识别与状态估计。

在实验环境中，本文选择了大连理工港口和天津海河的特定区域进行测试。这些区域代表了不同类型的靠泊场景，包括繁忙的港口环境和相对开放的水域环境。通过这些实验，验证了本文提出的靠泊感知系统在不同环境下的适应性。实验设备包括船载 LiDAR 传感器、RTK 定位系统以及相关的数据处理和分析工具。这些设备共同构成了完整的实验验证体系，确保了实验数据的准确性和可靠性。

本文的研究成果表明，基于船载 LiDAR 的靠泊感知系统能够有效提升 USV 在靠泊过程中的感知能力。通过改进 PointPillar 检测网络，结合点云反射强度信息，系统能够更准确地识别船舶，并提取其三维点云数据。这不仅提高了船舶目标检测的精度，也为后续的路径规划和控制提供了可靠的基础。此外，通过采用 RANSAC 算法进行边界平面拟合，系统能够更准确地估计靠泊状态，从而提高 USV 的操作效率和安全性。

在实际应用中，本文提出的靠泊感知系统具有重要的意义。首先，它能够提升 USV 在复杂环境中的自主靠泊能力，减少对人工操作的依赖。其次，该系统能够适应不同类型的靠泊区域，包括不规则靠泊区和多船靠泊的情况，提高了系统的适用性。此外，通过提高靠泊状态估计的精度，系统能够为操作人员提供更加可靠的决策支持，确保 USV 的安全靠泊。因此，本文的研究成果为实现 USV 的完全自动化靠泊提供了新的思路和技术支持。

在实验验证过程中，本文采用了多种评估指标，包括 mAP 和均方根误差（RMSE）。通过这些指标，可以全面评估系统的性能。实验结果显示，本文提出的三维船舶目标检测方法在 mAP 上相比传统方法提升了 14.3%，表明其在目标识别方面的优越性。同时，在靠泊状态估计模块中，距离测量的 RMSE 为 0.2514 米，相较于基于线模型的方法，误差减少了 0.1107 米，进一步验证了系统在靠泊状态估计方面的准确性。

此外，本文还探讨了 LiDAR 点云反射强度信息在目标分类和语义识别中的应用。在一些研究中，LiDAR 强度图像被用于区分不同的环境类型，例如 Amani 等（2022）在 Bonne Bay 海湾的研究中，利用 LiDAR 强度图像和基于对象的随机森林（RF）算法，成功区分了不同类型的生态环境。在自动驾驶领域，一些研究者也将点云反射强度信息引入到高速公路车道检测中，实现了对车道标记和其他道路元素的分离。然而，对于船舶检测任务而言，由于船舶由多种材料组成，仅依赖点云反射强度信息不足以准确区分船舶与其他目标。因此，本文结合点云反射强度信息与改进的 PointPillar 检测网络，提升了三维目标检测的精度。

本文的研究不仅在技术上有所突破，也在实际应用中展现出良好的效果。通过实验验证，系统能够有效提升 USV 在靠泊过程中的感知能力，为实现完全自主的靠泊操作提供了坚实的基础。此外，系统的设计理念也具有一定的推广价值，可以应用于其他类型的水面交通工具或相关领域。未来，随着 LiDAR 技术的进一步发展和应用，基于船载 LiDAR 的靠泊感知系统有望在更多复杂场景中发挥重要作用，为实现智能化、自主化的水面交通管理提供支持。

在总结本文的研究成果时，可以发现，基于船载 LiDAR 的靠泊感知系统在提升 USV 靠泊精度和安全性方面具有显著优势。通过改进 PointPillar 检测网络，结合点云反射强度信息，系统能够更准确地识别船舶，并提取其三维点云数据。这不仅提高了船舶目标检测的精度，也为后续的路径规划和控制提供了可靠的基础。此外，通过采用 RANSAC 算法进行边界平面拟合，系统能够更准确地估计靠泊状态，从而提升 USV 的操作效率和安全性。

在实际应用中，本文提出的靠泊感知系统具有重要的意义。首先，它能够提升 USV 在复杂环境中的自主靠泊能力，减少对人工操作的依赖。其次，该系统能够适应不同类型的靠泊区域，包括不规则靠泊区和多船靠泊的情况，提高了系统的适用性。此外，通过提高靠泊状态估计的精度，系统能够为操作人员提供更加可靠的决策支持，确保 USV 的安全靠泊。因此，本文的研究成果为实现 USV 的完全自动化靠泊提供了新的思路和技术支持。

未来的研究方向可以包括进一步优化 PointPillar 检测网络，提升其在不同环境下的适应性和泛化能力。同时，可以探索更多先进的算法，如深度学习模型或其他类型的点云处理方法，以进一步提高靠泊感知系统的性能。此外，还可以结合其他传感器数据，如 GPS、雷达或视觉传感器，以增强系统的鲁棒性和准确性。通过这些研究，可以推动 USV 靠泊感知技术的发展，为实现更加智能化和自动化的水面交通管理提供支持。

总的来说，本文的研究为 USV 靠泊感知提供了新的方法和技术支持。通过结合点云反射强度信息、改进 PointPillar 检测网络以及采用 RANSAC 算法进行边界平面拟合，系统能够更准确地识别船舶，并提供可靠的靠泊状态估计。这些成果不仅提升了 USV 在靠泊过程中的操作效率和安全性，也为实现完全自主的水面交通管理提供了坚实的基础。未来，随着技术的不断进步和应用的不断拓展，基于船载 LiDAR 的靠泊感知系统有望在更多复杂场景中发挥重要作用，为实现智能化、自主化的水面交通管理提供支持。