平台姿态自校准的滑坡蠕变实时视觉监测与位移分解方法

《Frontiers in Earth Science》：A real-time visual monitoring method for landslide creep using platform attitude self-calibration

　　

高频、高精度、实时位移监测对于滑坡蠕变（landslide creep）——斜坡破坏（slope failure）的关键前兆——的早期预警至关重要。然而，平台姿态扰动（platform attitude disturbance），如风致振动（wind-induced vibration）和基础沉降（foundation settlement），会在图像序列中引入虚假位移（spurious displacement），并降低传统基于视觉的监测（vision-based monitoring）精度。本研究提出一种基于平台姿态自校准（platform attitude self-calibration）的滑坡蠕变实时视觉监测技术。研究人员将光学跟踪器（optical tracker）与惯性测量单元（inertial measurement unit, IMU）集成，以同步获取目标图像和姿态数据。研究人员建立了纳入姿态波动的位移分解模型（displacement decomposition model），以将真实斜坡运动与姿态诱发的虚假位移分离。亚像素目标定位（subpixel target localization）采用梯度方向投票（gradient-direction voting）和加权椭圆拟合（weighted elliptical fitting），实时姿态估计采用误差状态卡尔曼滤波（error-state Kalman filter, ESKF）。在40 m处的室内振动试验（indoor vibration tests）中，均方根误差（root mean square error, RMSE）低于0.7 mm，与仅视觉方法（vision-only）和视觉加参考点校正方法（vision-plus-reference-point correction）相比，降低比例分别为0.955和0.846。在苏州大洋山滑坡（Dayangshan landslide, Suzhou）为期93天的现场监测（field campaign）中，该方法的数据捕获率（data capture rate）达到0.986，RMSE为0.28–0.36 mm，与全球导航卫星系统（Global Navigation Satellite System, GNSS）数据的相关系数高于0.91。该方法通过在平台不稳定条件和不利天气下准确、连续地监测滑坡蠕变，为斜坡破坏早期预警提供了一种实用选择。

研究背景与问题：滑坡具有破坏性强和发生规律性特点，其中多数并非突然失稳，而是经历长期渐进蠕变（landslide creep），日地表运动量可从数毫米至数厘米，累积变形达到一定程度后发生灾难性破坏，因此实时、连续、高精度蠕变变形监测对识别前兆和破坏前预警至关重要。现有监测手段包括全球导航卫星系统（Global Navigation Satellite System, GNSS）、机器人全站仪、地面合成孔径雷达（ground-based synthetic aperture radar, GB-SAR）、分布式光纤传感和人工巡查等，各有优势但存在成本、采样率、功耗、布线和长期漂移等限制。视觉监测因精度较高、数据采集快、设备成本低和易部署而在结构健康监测中受到关注，并被尝试用于滑坡监测；但野外相机通常安装于临时脚手架或混凝土柱，受风振、基础微沉降和周边植物摆动影响，光轴发生微小转动，从而在图像平面产生虚假位移（spurious displacement）。参考点校正只能降低部分系统误差，不能完全消除姿态诱发虚假位移；现有惯性视觉融合多用于桥梁挠度、隧道沉降和机器人定位，常将IMU数据用于稳像、位姿估计或事后校正，较少将姿态变化直接嵌入位移计算模型以分离真实斜坡变形与姿态诱发虚假位移。因此，研究人员开展本研究以建立融合实时平台姿态自校准与位移分解的滑坡蠕变监测方法。

研究开展与结论意义：研究人员提出一种基于平台姿态自校准（platform attitude self-calibration）的滑坡蠕变实时视觉监测方法，建立将实时IMU姿态信息嵌入图像到位移映射的位移分解模型（displacement decomposition model），以分离真实蠕变变形与姿态诱发虚假位移；设计惯性视觉测量单元（inertial vision measurement unit, VIMU）作为集成硬件软件系统，结合光学相机、MEMS IMU、硬件级同步、嵌入式处理器和近红外照明，用于长期野外部署。室内振动模拟和现场监测表明，该方法可在不稳定平台条件下实现亚毫米级监测，室内RMSE低于0.7 mm，较仅视觉方法和视觉加参考点校正方法分别降低0.955和0.846；大洋山滑坡93天现场监测数据捕获率为0.986，与GNSS数据相关系数高于0.91，RMSE为0.28–0.36 mm。该研究为滑坡蠕变早期预警提供实用技术选项，并说明将姿态自校准纳入位移分解而非仅用于事后校正可提高野外视觉监测可靠性。

关键技术方法：研究人员将光学相机与六轴MEMS IMU（三轴陀螺仪、三轴加速度计、三轴磁力计，200 Hz）及嵌入式处理器集成，采用硬件级同步将相机曝光信号与IMU触发对齐，并以线性插值获取曝光时刻姿态；亚像素定位依次进行基于灰度对比的感兴趣区域（region of interest, ROI）提取、Sobel梯度方向投票粗定位、加权最小二乘椭圆拟合和时域一阶低通平滑及异常剔除；姿态估计采用误差状态卡尔曼滤波（error-state Kalman filter, ESKF），以陀螺仪预测、在准静态条件下用加速度计和磁力计更新；位移解算将姿态补偿嵌入针孔成像位移分解，并用稳定基岩参考目标校正残余漂移。验证包括40 m室内走廊六自由度振动台试验，以及苏州大洋山高填方边坡3个VIMU单元、93天现场监测与GNSS对比。

研究结果：3.1 精度验证：研究人员在40 m室内走廊以六自由度振动台施加扫频、随机和脉冲振动，并设置阶跃蠕变、加速蠕变和往复微动三类目标运动，比较仅视觉、视觉加参考点校正和惯性视觉融合三种处理。结果表明仅视觉误差持续较高，参考点校正仅部分降低误差；所提方法在九种振动—运动组合下RMSE为0.36–0.58 mm，全部低于0.7 mm，较仅视觉降低0.955、较视觉加参考点校正降低0.846，且误差未随振动幅值或频率增加而明显增大，说明姿态自校准可提供亚毫米级稳定测量。3.2 滑坡监测现场应用：在大洋山高填方边坡三个断面布设3个VIMU，连续监测93天并与GNSS对比。所提方法与GNSS差异显著小于仅视觉，数据捕获率为0.986，摘要报告RMSE为0.28–0.36 mm、相关系数高于0.91；结果部分指出各断面最大误差低于0.5 mm且均优于0.45 mm，仅视觉RMSE随距离增大而所提方法一致性较好，能够反映真实蠕变过程。

讨论部分总结：讨论指出，惯性视觉测量通过从总图像运动中减去IMU姿态变化来获取滑坡体实际运动；室内和现场数据表明复杂俯仰和偏航扰动下位移误差可低于1 mm。IMU校准精度是关键：理论示例中0.001°俯仰校准误差在100 m处可致约1.7 mm视线位移误差，而重复静态校准（N=10）的俯仰角标准差为0.01°，ESKF将长期姿态漂移控制在0.005°/h以内；现场温度?2 °C至42 °C下仍有残余漂移，建议每3个月原位校准并在机壳内热控。监测距离增加会降低目标像素尺寸并加剧大气湍流，模型预测所提方法RMSE从30 m的0.21 mm增至70 m的0.28 mm，仅视觉从0.21 mm增至0.48 mm，误差分解显示亚像素定位和湍流贡献随距离变化；更长距离可考虑长焦、高分辨率相机或湍流抑制。环境方面，窄带滤波和850 nm近红外照明使夜间数据采集率接近白天，雾和小雨下有效采集率约95%，93天总体为98.6%，但能见度低于50 m的大雨会造成严重衰减，可融合毫米波雷达或热成像。目标维护方面，被动反光靶无需供电但易积尘和植被遮挡，大洋山目标需每14天清洁检查，陡坡维护困难，可增大靶面或改用主动靶。与GNSS、机器人全站仪和GB-SAR相比，所提方法在亚毫米精度、高采样频率、低设备成本和环境适应性之间较平衡，但依赖通视和物理靶，裸岩陡崖不适用，自然特征跟踪可作为替代；与前人隧道监测相比，本研究在户外远距离靶设计、ESKF参数化和大洋山现场验证方面不同。

研究结论（译）：本研究针对视觉滑坡蠕变监测中的平台姿态扰动问题，指出风致振动、基础微动和热效应引起的低频平台转动会向图像序列引入虚假位移并降低传统视觉方法精度。为此提出基于平台姿态自校准的实时视觉监测技术，将光学跟踪器与IMU集成以同步采集目标图像与姿态数据，建立纳入姿态波动的位移分解模型分离真实蠕变与姿态诱发虚假位移，采用梯度方向投票和加权椭圆拟合进行亚像素定位，并利用ESKF实时估计姿态；研制了集成硬件软件VIMU用于现场部署。室内振动实验表明，在往复微动、阶跃蠕变和快速蠕变下RMSE低于0.6 mm，且较仅视觉和视觉加参考点校正显著降低误差。大洋山高填方边坡93天现场监测在170 m监测距离上连续运行，与GNSS参考数据相比相关系数高于0.91，数据获取率为98.6%，结论部分还报告与GNSS参考数据相比位移差异的RMSE变化为0.42 mm，并在低照度、夜间、轻雾和轻雨条件下按预期工作。科学贡献在于将惯性视觉融合从隧道沉降监测拓展至滑坡蠕变监测，核心优势是以实时姿态自校准嵌入位移分解模型而非假设平台稳定，从而分离仪器诱发虚假位移与真实斜坡变形；技术意义是在滑坡现场常见的不完全稳定平台上实现可靠视觉监测，兼具低成本、高采样频率、亚毫米精度和良好环境适应性。未来将研究自然特征跟踪、融合热成像或毫米波雷达，以及多单元网络化以生成更大范围二维变形图。