《Expert Systems with Applications》:A global point cloud semantic mapping method for underground spaces under extreme spatial constraints
编辑推荐:
•在极端约束条件下构建了首个用于地下空间的NUH-PCD数据集。•为不规则狭窄的地下通道确定了8种语义类别。•提出了一种新的深度学习模型PointNet++_DAG用于分割任务。•在真实的地下环境中进行实地验证与全局语义映射。引言中国的城市化进程正在快速推进,地下空间的开发与利用
- •
在极端约束条件下构建了首个用于地下空间的NUH-PCD数据集。
- •
为不规则狭窄的地下通道确定了8种语义类别。
- •
提出了一种新的深度学习模型PointNet++_DAG用于分割任务。
- •
在真实的地下环境中进行实地验证与全局语义映射。
引言
中国的城市化进程正在快速推进,地下空间的开发与利用也以前所未有的速度发展(Zhang等,2025)。作为城市资源利用的重要领域,地下空间日益具有重要的战略意义。
虽然地下空间的广泛应用带来了诸多便利,但也伴随着复杂多变的安全风险与挑战。地下环境通常具有复杂的内部结构且相对封闭,存在大量未知区域和潜在危险(Singh等,2023)。为有效应对这些安全风险与挑战,实现地下空间的安全高效利用,关键在于对地下空间进行准确、全面且动态的认知与表征(Deng等,2023)。
在地下空间建模领域,该学科已从早期的人工标注绘图阶段(Fowler & Little,1979),发展到计算机辅助设计(CAD)数字绘图阶段(Lippus,1995),进而进入通过地理信息系统(GIS)进行动态数据处理的时代(Renger等,2002)。1988年,Smith首次提出了同时定位与建图(SLAM)的概念。SLAM的出现为地下空间建模提供了新思路。研究人员将SLAM技术应用于各类地下场景,如地下矿井隧道(?troner等,2025)、地下隧道与管道走廊(Huitong等,2025)、地下洞穴与喀斯特岩溶洞穴(Ullman等,2023)以及地下考古遗址(Alicia & Colmenero,2025),从而突破了传统定位与测绘技术在特殊地下环境中的应用瓶颈。
然而,仅靠地下空间建模无法直观反映其运行状况。随着地下设施的迅速增加及其复杂性的提升(Wei等,2024),在日常监测与维护过程中出现了一系列亟待解决的问题,如传统检测方法效率低下(Qingqing等,2023)、难以实现对复杂结构的全面覆盖,以及实时数据获取存在延迟(Wang, Wang等,2024)。这些问题直接威胁到地下空间的安全运行以及人员和财产的安全。
为在复杂的地下环境中实现智能感知,本研究融合了点云语义分割技术,旨在实现从几何建模向语义理解的跨越(Wang & Yin,2022),智能识别地下空间中的潜在安全隐患,为风险预警提供更准确的基础。
目前,针对地下空间结构分析的点云语义分割研究主要聚焦于工程背景清晰、结构相对规则的地下环境,如隧道(Wang, Li等,2024)。针对狭窄且不规则隧道的专门研究仍存在明显不足。此外,现有关于地下空间点云语义分割的研究仅集中在对结构组件的分割上,例如区分隧道壁、拱顶和地面(Peng & Wang,2025)。尽管这些研究取得了一定成果,但普遍缺乏对安全设施标签的关注。这表明当前研究在满足实际工程需求方面存在明显缺陷,尤其是在风险防控方面。
为解决这些问题,我们提出了一种适用于不规则狭窄地下空间的新型点云分割方法。本研究的主要贡献如下:
- (1)
为不规则狭窄的地下通道构建了一个高质量的点云数据集NUH-PCD。该数据集涵盖了长度超过2,000米的真实复杂地下通道,包含约13亿个高质量点,并针对各类结构和设施进行了8种语义类别的精细标注。
- (2)
在语义分割任务中加入了安全设施标签,运用点云语义分割技术精准识别隧道中的关键安全设施,包括风险警示标志、通风设备、通风口和紧急信标等。
- (3)
提出了一种基于深度学习的新型语义分割模型PointNet++_DAG。该模型所达到的mIoU值为76.73%,相比基准的PointNet++模型提升了14.51个百分点。
- (4)
在真实的地下环境中进行了实地验证与全局语义地图构建,在实验场地生成了全局语义地图,突破了复杂地下场景中智能感知与建模的瓶颈。
本文的其余部分结构如下:第2节介绍SLAM技术、地下空间点云数据集以及点云语义分割的相关研究;第3节探讨数据采集与优化方法;第4节阐述数据集构建过程及点云语义分割方法;第5节对所提出的算法架构进行性能验证;第6节描述在选定测试场地进行的实地试验;第7节给出结论。
章节要点
SLAM技术
在SLAM技术研究中,多传感器融合策略已成为提升性能的关键方法(Cui等,2024;Liu等,2024;Feng等,2023)。例如,就有研究者利用SLAM技术对地下水井进行建模(Alhmiedat等,2023)。为进一步提升SLAM在复杂地下环境中的性能,(Lin等,2024)提出了一种基于图的自适应加权融合SLAM(AWF-SLAM)方法,该方法显著提高了SLAM在复杂环境中的精度与稳定性。
数据采集
为找到与实验环境更为匹配的测试场地,我们在多个地点进行了实地考察。理想的测试场地应具备狭窄不规则的特点,同时信号较差且照明条件不佳。最终,我们选择了中国河北省的一个地下隧道作为数据采集与扫描的场所。该场所包含1,626米的主隧道、304米的次级隧道以及13,666米的支线隧道,总长度达15.6公里。这些隧道均处于地下
NUH-PCD数据集
鉴于现有地下通道点云数据集通常具有较大场景尺度、结构规则,且缺乏在极窄复杂工作条件下的真实数据这一研究缺口,本研究构建了NUH-PCD数据集。作为首个专为极窄且不规则的地下通道场景打造的高精度3D点云语义分割数据集,它填补了此类特定工作条件下公共数据集的空白。
仅包含点云数据
实验部分
本研究的所有实验均在三块NVIDIA P100 GPU上并行开展。我们采用所提出的PointNet++_DAG模型,对八类已标记对象进行语义分割实验。为全面评估该点云语义分割模型的性能,我们使用了多种评估指标,包括IoU、mIoU、准确率、召回率、精确率和F1分数。
IoU(交并比)用于衡量模型预测结果与真实情况之间的重叠程度
实地应用案例
运用语义分割技术为狭窄地下隧道中的闭环路径生成全局语义地图,是地下空间智能感知与应用的核心环节之一。其核心目标是将无结构化的点云数据转化为包含语义信息的结构化空间表示。
我们在中国河北省的一个地下隧道进行了试验。该闭环路径的总长度为1.52公里,被划分为6
结论
本研究以狭窄且不规则的地下通道作为应用场景,旨在满足在黑暗且无信号环境下快速感知地下通道的空间需求。其核心目标是利用点云语义分割技术,将缺乏语义信息的原始点云数据转化为富含语义属性的全局语义地图,从而便于高效掌握地下空间的基本状况。
为
CRediT作者贡献说明
侯嘉宇:负责初稿撰写、方法设计及概念构思。庄玉峰:负责资源协调、项目管理及资金筹措。刘书奇:负责调研工作、数据整理及概念构思。胡彦珠:负责监督工作及形式化分析。王松:负责数据整理及概念构思。
利益冲突声明
作者声明存在以下可能被视为潜在利益冲突的财务利益/个人关系:庄玉峰称获得了北京邮电大学的资金支持,同时还表示自己拥有相关专利申请中。其他作者则声明不存在任何可能影响本文研究的已知财务利益或个人关系。
致谢
本研究得到了中国国家重点研发计划(项目编号:2024YFC3016003)的支持。作者们衷心感谢该计划提供的有力资金支持与指导,正是这些帮助使得本研究能够顺利完成。
Jiayu Hou|Yufeng Zhuang|Shuqi Liu|Yanzhu Hu|Song Wang