基于LiDAR点云分割与扫掠体连续碰撞检测的双塔机起重臂实时防碰撞预警方法

《Algorithms》：Real-Time Anti-Collision Warning Method for Dual Tower-Crane Jibs Based on LiDAR Point-Cloud Segmentation and Swept-Volume Continuous Collision Detection

　　

双塔式起重机交叉作业需要在两根起重臂空间关系变化时及时识别碰撞风险。基于起重机状态传感器和静态安全区的传统系统对周围三维工作空间提供的信息有限，而稀疏点云、遮挡和类别不平衡使可靠的起重臂识别复杂化。研究人员开发了一种基于LiDAR的方法，将点云分割转换为几何模型以用于短期碰撞风险预测。几何-时序动态图卷积神经网络（geometric-temporal dynamic graph convolutional neural network，GT-DGCNN）结合几何先验、类别平衡学习和时序一致性，识别两台起重机的起重臂和塔身结构。分割后的起重臂用基于胶囊的包络表示，并通过扫掠体预测（swept-volume prediction）、动态安全距离（dynamic safety distance）和碰撞时间（time to collision，TTC）进行评估。完整方法达到平均交并比（mean intersection over union，mIoU）87.3%和起重臂召回率91.7%，分别超过DGCNN（dynamic graph convolutional neural network）基线6.4和7.4个百分点。漏警率从7.8%降至2.4%，处理速率为17.2帧/秒（frames per second，FPS）。这些结果支持在所评估的双起重机场景中使用几何-时序点云感知进行起重臂识别和碰撞预警。

研究背景与问题：塔式起重机广泛用于高层建筑、预制建筑和大型施工现场。双塔或多塔交叉作业时，不同起重机的起重臂、平衡臂、吊钩和载荷可能形成重叠空间工作区；当回转半径重叠、工作高度接近或载荷路径相交时，仅依赖操作员目视、地面信号或简单限位装置进行风险控制，容易受盲区、夜间施工、粉尘、雨雾、载荷摆动和通信延迟影响，增加碰撞概率。传统防碰撞系统主要依赖编码器、GPS、UWB、限位开关或人工定义安全区，虽可获取回转角、小车半径、起升高度等内部状态，但对临时材料、建筑边界、脚手架、非仪表物体和动态障碍物的表征能力有限。双塔交叉作业的碰撞风险具有高度空间性和动态性，单机状态参数难以准确反映两臂、吊钩/载荷与周边障碍物的实时几何关系。因此，研究人员引入可表征三维工作空间的LiDAR（激光雷达）点云，并结合点云语义分割、几何拟合和短期运动预测，从设备状态监测转向空间风险感知。

研究开展、结论与意义：研究人员提出一种基于LiDAR点云的雙塔机交叉作业实时防碰撞预警方法，将点级语义分割结果转换为连续几何表示，用于距离计算、运动估计和碰撞风险评估。多源LiDAR点云先同步并变换至统一世界坐标系，再用改进的GT-DGCNN区分两塔起重臂、塔身结构和周边障碍物；分割后的起重臂点云转换为中心线、有向包围盒（oriented bounding box，OBB）和胶囊安全包络；随后预测两臂短期运动，根据预测最小距离、动态安全距离和TTC生成多级预警。完整方法达到mIoU 87.3%、起重臂召回率91.7%，分别较DGCNN基线提高6.4和7.4个百分点；漏警率由7.8%降至2.4%，处理速率17.2 FPS。结果支持在所评估的双起重机场景中采用几何-时序点云感知进行起重臂识别和碰撞预警。

技术方法概括（不超过250字）：研究人员同步多源LiDAR点云与PLC（programmable logic controller，可编程逻辑控制器）/编码器状态并统一坐标，经ROI裁剪、自适应体素采样、RANSAC（random sample consensus，随机采样一致性）去背景和DBSCAN（density-based spatial clustering of applications with noise，基于密度的噪声应用空间聚类）候选提取；用KNN（k-nearest neighbors，k近邻）动态图与EdgeConv构建GT-DGCNN，输入塔轴/臂轴距离、高度、距离、反射强度与局部几何坐标，结合几何先验、类别平衡损失和时序一致性完成六类分割；以PCA（principal component analysis，主成分分析）/RANSAC拟合中心线、端点与OBB，构建胶囊包络，并用卡尔曼滤波和前帧跟踪估计运动；最后以扫掠体连续碰撞检测、动态安全距离和TTC多级预警。样本包括现场正常20,000帧（18,000训练验证、2,000测试）、Unity生成10,000帧（仅训练）和现场环境5,000帧（夜间、雨、雾、尘，测试）。

研究结果：4.1 实验参数与评价公式。研究人员从点云分割精度、几何拟合误差、风险预警性能和实时处理能力四方面设置指标，选取总体精度（overall accuracy，OA）、mIoU、Precision、Recall、F1-score（F1）、几何误差、预警召回率、漏警率、虚警率、预警提前时间和FPS；并说明大型塔身和障碍点数量多时OA可能高估，重点考察两臂类IoU、Recall和F1。由此建立面向臂架分割、几何建模、预警和实时性的评价体系。4.2 实验数据与工况。数据由正常条件现场数据、Unity生成训练补充数据和现场环境数据组成：现场正常条件20,000帧，按序列划分18,000帧用于训练和验证、2,000帧测试；Unity生成10,000帧仅用于训练；现场环境5,000帧覆盖夜间、雨、雾、尘，用于测试。语义真值由五名标注人员使用CloudCompare按统一协议人工标注为六类，吊钩、钢丝绳、小车和悬吊载荷归入障碍类。实验平台为Intel Core i7级处理器、64 GB内存、NVIDIA RTX 3090 GPU（24 GB显存），Ubuntu 20.04、PyTorch 2.1.2和CUDA 11.8。4.3 网络比较与消融实验。以DGCNN为基线，分别叠加几何先验、类别平衡损失、自适应体素采样和时序跟踪；基线mIoU为80.9%、起重臂召回率84.3%、漏警率7.8%、16.7 FPS；完整GT-DGCNN为mIoU 87.3%、起重臂召回率91.7%、漏警率2.4%、17.2 FPS。与PointNet++、RandLA-Net相比，GT-DGCNN的mIoU为87.3%，对应高7.1和5.2个百分点；起重臂IoU分别为77.0%、78.9%和85.8%，召回率分别为83.8%、85.6%和91.7%，漏警率分别为8.2%、7.1%和2.4%；RandLA-Net处理速率最高为22.0 FPS，PointNet++和GT-DGCNN分别为17.5和17.2 FPS。4.4 不同环境条件下鲁棒性比较。研究人员用独立5,000帧现场环境数据，以2,000帧正常条件白天测试结果为参考，保持起重机类型、LiDAR安装位置、点云采集频率、网络配置和预警参数一致。白天mIoU、起重臂IoU和跟踪成功率分别为87.6%、92.1%和96.8%；夜间三项分别下降0.7、0.6和0.7个百分点；雨、雾、尘条件下低于白天，雾条件降幅最大，mIoU降至82.8%、起重臂IoU降至87.4%、跟踪成功率降至92.0%。五种条件下mIoU范围为82.8%—87.6%，起重臂IoU为87.4%—92.1%，跟踪成功率为92.0%—96.8%。4.5 几何建模精度。通过将点云导出的起重臂端点、臂轴方向和最小间距与同步编码器参考几何比较，白天端点定位误差、臂轴角度误差和最小距离误差分别为0.22±0.09 m、0.20（原文此处角度单位空缺，前文说明角度误差以度报告）和0.16±0.07 m；夜间略增至0.24±0.10 m、0.22（单位空缺）和0.18±0.08 m；雨、雾、尘条件下平均误差和标准差更高，雾产生最大平均端点定位误差0.34±0.16 m和臂轴角度误差0.32（单位空缺），尘产生最大平均最小距离误差0.25±0.11 m，雾在该指标上标准差最大为0.13 m。4.6 碰撞预警性能。研究人员以完整起重臂接近—分离事件评价预警性能，危险事件统计检测率和漏警率，安全事件统计虚警率；每个工况约100次运行，每次运行50次危险和50次安全事件评价，累计每个工况5000次危险和5000次安全事件评价，百分比指标跨运行平均，提前时间为正确检测危险事件的汇总均值±标准差，处理延迟为所有已处理点云帧的汇总结果。阈值敏感性分析显示，在参考阈值比1.0时，五种环境条件平均漏警率和虚警率约为2.4%和3.4%；在所评价范围内，提高预警距离阈值会降低漏警率并提高虚警率。4.7 实验结果分析。完整GT-DGCNN相对DGCNN基线将mIoU由80.9%提高至87.3%、起重臂召回率由84.3%提高至91.7%，漏警率由7.8%降至2.4%，处理速率由16.7提高至17.2 FPS。环境实验中白天与夜间差异较小，雨、雾、尘条件下下降较大；雾的分割和跟踪得分最低、端点定位和臂轴角度平均误差最大，尘的最小距离平均误差最大。独立消融配置中，几何先验和类别平衡损失分别使起重臂召回率达到87.6%和88.1%；自适应体素采样在消融配置中处理速率最高，为18.9 FPS，mIoU为84.8%；时序跟踪将漏警率降至3.8%；完整配置在六种消融配置中mIoU和起重臂召回率最高、漏警率最低。

讨论部分总结：研究人员指出，所提方法并非用于替代基于编码器或IMU（inertial measurement unit，惯性测量单元）的刚性起重臂运动学定位；当具备完整运动学状态、几何参数和连续标定时，编码器和IMU监测系统可高效重建标称臂姿，并为两个孤立刚性起重臂提供直接间距估计。在本系统中，同步PLC/编码器信息提供标称运动状态、逐帧坐标更新和状态一致性检查，LiDAR提供被监测交叉工作空间及非仪表周边物体的观测几何。LiDAR—PLC融合框架将起重机运行状态与现场几何观测结合，用于两刚性起重臂间碰撞风险预警；语义分割区分两臂、对应塔身和周边物体，提取的臂架点集为碰撞包络构建提供几何，连续帧观测支持相对运动估计和短期风险预测，同步数据支持时间对齐、坐标变换和状态一致性检查。与通用点云分割网络相比，GT-DGCNN配置将几何先验、类别平衡学习、自适应体素采样和时序跟踪纳入六类双起重机施工现场分割任务，完整配置mIoU为87.3%、起重臂IoU为85.8%、起重臂召回率91.7%、漏警率2.4%，在相同评价设置下超过PointNet++、RandLA-Net和DGCNN基线；其贡献不在于孤立使用RANSAC、DBSCAN、胶囊拟合或常规点云网络，而在于面向双起重机交叉作业的语义感知、时序目标处理、几何碰撞体构建和碰撞预警的任务导向集成与定量验证。方法局限包括性能依赖LiDAR可见性、现场传感器布置和点云质量，17.2 FPS低于RandLA-Net的22.0 FPS；环境条件实验作为LiDAR感知组件的鲁棒性验证，而非方法新颖性的主要证据；与仅编码器预警基线在含障碍物交叉场景中的直接比较仍是未来工作方向。

研究结论部分翻译：本文提出一种基于LiDAR点云分割和扫掠体连续碰撞检测的双塔机起重臂实时防碰撞预警方法。该方法以多源4D点云为输入，使用改进GT-DGCNN识别关键起重机部件，将起重臂点云转换为中心线、OBB和胶囊等工程几何模型，并进一步基于动态安全距离、TTC和未来扫掠体进行多级预警。通过结合同步起重机状态信息与LiDAR观测，所提方法估计两臂几何状态并预测其短期碰撞风险。PLC/编码器信息提供标称运动状态、时间同步、逐帧坐标更新和状态一致性检查，LiDAR提供语义感知和碰撞体构建所需的观测工作空间几何。实验结果表明，该方法在双臂交叉作业中的起重臂分割、几何建模和事件级碰撞预警方面具有相应性能。未来工作将把当前现场验证扩展到更多施工现场、起重机型号和更长运行条件；此外，将结合塔式起重机型号、制动性能和现场安全管理要求，进一步校准动态安全距离、TTC阈值和预警等级判断策略，使预警结果更符合工程实践。