摘要
在自动化干散货码头作业中，准确感知门式起重机钢丝绳的空间姿态对于抓斗定位至关重要，同时还能为后续的抗摆控制研究提供几何信息。基于视觉的测量方法可能会受到金属反光、光照变化以及灰尘遮挡的影响，而惯性或机械耦合式的测量方法则可能受到振动和动态耦合的影响。本研究提出了一种基于LiDAR的钢丝绳点云分割与姿态估计方法，该方法采用了改进版的PointNet++。通过基于运动学约束的感兴趣区域对双LiDAR点云进行对齐和过滤，以减少背景冗余。此外，还引入了空间自注意力模块，将长距离语义关联与局部空间权重相结合，从而提升对稀疏且碎片化钢丝绳点的表征能力。经过分割后的钢丝绳点通过t–k-均值聚类法进行分组，再通过空间线条拟合以实现姿态估计。整个数据集包含11,348帧带有标注的图像：其中9458帧用于模型开发，这些图像来自1000次完整的作业循环；另外还有1890帧独立于前者的图像，用于工程测试，这些图像来自200种不同的作业场景。在模型开发阶段，数据集被划分为相互独立的训练集和验证集，且仅在验证集上选择模型检查点。研究共进行了三次使用固定随机种子的独立训练。在独立测试集上，PointNet++的F1分数为87.5 ± 0.2%，mIoU值为79.0 ± 0.2%，而所提出的完整方法的F1分数为92.8 ± 0.2%，mIoU值为86.6 ± 0.2%。这些结果反映了该算法在数据集中代表的不同起重机及传感器配置下的实际性能。单独的分割阶段处理速度可达111.9 FPS，而由于需要逐帧进行KD-ICP精细配准，整个处理流程每帧的处理时间略高于2秒。
