面向无人化取料机的毫米波雷达感知技术

　　摘要：针对散料港口无人化取料机往复取料效率低，毫米波雷达感知数据集噪声多、波动频繁、数据不平衡导致现有机器学习分类模型效果欠佳等问题，提出了一种基于改进模糊孪生支持向量机结合近邻算法的孪生重叠敏感边距分类器的料堆边界感知方法。首先，利用毫米波雷达获取料堆边界扫描数据并进行预处理，依据空间分布以及作业特点设计提取点云的10维特征，组成料堆点云样本数据集;其次，引入改进模糊隶属度函数的模糊孪生支持向量机，将料堆点云样本数据集划分为重叠与非重叠区域;然后，采用模糊孪生支持向量机决策边界、近邻算法分别对非重叠与重叠区域样本进行分类，以提高对不平衡数据集的分类能力;最后，将得到的分类结果加入感知环节，达到料堆边界感知目的。在人工作业雷达采集的数据集上的实验表明，所提出感知方法有效提高了对少数类的识别能力。现场实验表明，改进后的感知方法更接近操作员的判断，斗轮空转时间占比减少15.1%，提高了无人化取料机的作业效率，对无人化散料港口的建设具有参考意义。

　　关键词：毫米波雷达点云不平衡数据集模糊支持向量机孪生支持向量机智慧港口

　　引言

　　智慧港口是国家倡导的重点发展方向之一，也是现代物流向“智能化、绿色化、高效化”转型升级的重要环节。其中散料港口无人化改造是智慧港口建设不可或缺的一部分，取料机作为散料港口中数量最多、使用率最高的机械设备，其单机作业效率对港口效益的影响最为显著。

　　无人化运行取料机需要环境感知、智能决策、自动执行三个环节支撑，环境感知作为整个系统与外界信息交互的关键，能够提高对自身状态和作业环境的理解能力[1]，确保无人化系统安全高效运行。由于目前环境感知对料堆边界识别效果差，取料机在料堆边界减速时斗轮空转时间长，导致取料效率低。因此，优化取料机感知环节对提高港口经济效益、无人化程度以及助力智慧港口建设有重要意义[2]。由于环境感知环节中缺乏全面的料堆边界感知手段，无法根据料堆轮廓进行减速位置预判，从而严重影响了取料机作业效率。

　　无人机论文范例：无人机测绘数据处理关键技术及应用的相关分析

　　近年来，超声波雷达、激光雷达、毫米波雷达等传感器以及机器学习算法在自动驾驶领域的广泛应用为无人化取料机系统的环境感知提供了重要参考，使取料机感知系统可以获取料堆轮廓的点云数据，通过机器学习分类算法对人工作业时正常取料过程“垛中”和料堆边界减速过程“垛外”两类点云数据学习，从而在无人作业时能够预判取料机回转减速位置。然而，在料堆轮廓点云数据的分类问题中，“垛外”样本占样本总数较少，且根据操作员的个人经验标注样本存在错误标注的问题。

　　取料机作业时伴随的机械振动和尘雾水雾也会增加雷达扫描数据的噪声。因此，料堆轮廓点云数据存在样本数量不平衡、样本重叠以及存在噪声样本的问题。上述问题在机器学习领域中被归类为不平衡数据集问题，其主要包含两类：类间样本数量不平衡问题和类间样本重叠问题。

　　由于传统分类算法大多基于正确率(accuracy)最大化和样本分布平衡建立模型，当训练数据集不平衡时预测结果会出现偏斜性[3,4]，对少数类的分类性能明显降低。目前针对不平衡数据集的解决方法主要有两种，前者基于数据集的改造，通过重采样平衡样本数据集。如Chawla等[5]提出基于合成新数据的SMOTE过采样算法，通过增加少数类样本平衡数据集，Lin等[6]提出基于聚类的降采样算法，剔除部分多数类样本平衡数据集，以及Georgios等[7]提出means聚类结合SMOTE的重采样算法，提高了合成数据的可靠性。后者则从机器学习算法改进出发，如Batuwita等[8]提出了FSVM和改变类间惩罚成本结合的方法(FSVMCIL)，对噪声鲁棒并改善了数据集预测结果的偏斜性。

　　Zhu等[9]提出了基于熵的矩阵学习机，并在实际应用中验证了方法的有效性。Batista等[10]指出类间样本重叠是造成分类算法性能下降的主要原因，而重采样方法对解决样本重叠问题帮助十分有限。现有方法仅对样本不平衡和样本重叠单独进行分析，在实际应用中两类问题同时存在时处理结果不够理想[11]。综合来看，虽然数据重采样处理不平衡数据集通用性比较好，但存在引入噪声、损失关键信息、容易过拟合、对样本重叠的数据集分类结果改善不明显等问题[12]，所以算法改进更加适合解决实际问题。本文基于机器学习分类算法对取料机感知系统进行优化，提出通过学习人工作业采集的雷达点云数据特征，来模拟操作员对料堆边界的感知方式。针对传统方法对不平衡数据集处理能力较差的问题，提出了孪生重叠敏感边距(twinoverlapsensitivemargin,TOSM分类模型。

　　对毫米波雷达点云进行预处理并提取特征组成样本数据集后，使用改进的孪生模糊支持向量机fuzzytwinsupportvectormachines,FTSVM)将数据集分割为非重叠和重叠区域，并对非重叠区域样本分类。在限制重叠区域样本占总体比例的前提下，使用NN算法进行重叠样本分类。点云的数据集分类实验证明，所提出分类器性能优于传统分类方法。加入TOSM方法的感知环节能预测出合理减速位置，较斗轮功率和距离预测的方法更接近人工作业，显著减小了取料机在回转边界的斗轮空转时间。

　　1料堆边界感知方法

　　取料作业可分为以下四个过程：接受任务、走行对位、往复取料、到量停止。如图所示，在接收中控室下发的作业任务后，取料机走行到指定料堆附近完成对位;继而进入往复取料过程：悬臂向左侧回转取料，直至斗轮到达料堆左侧边界，回转减速并向前进车，再向右侧回转取料;当取料量累积到任务额度，则抬升取料机悬臂，停止取料。可见，料堆边界的感知信号参与了往复取料过程的控制，决定斗轮的回转方向。因此，快速、准确的检测料堆边界对提高取料机的作业效率有重要作用。

　　投运的无人化散料港口中，料堆边界的感知手段有测量料堆切削面与斗轮距离、斗轮负载功率、料堆模型计算。前两种通过设定阈值判断当前位置能否进车，但无法获知理想进车位置。第三种方法受限于料堆模型误差和数据更新滞后，实际效果不理想。现有边界感知方法均会在边界导致斗轮空转，降低取料效率。因此提出基于毫米波雷达的改进方式，通过雷达点云挖掘料堆轮廓特征，引入机器学习算法识别操作员对料堆形状的预判，模拟人工对料堆边界的处理。

　　2基于点云的料堆边界感知

　　2.1料堆点云的获取

　　目前，大场景点云获取方式主要有双目视觉、激光雷达和毫米波雷达，相比前两者，毫米波雷达探测范围大，对雨、雾、烟、尘的穿透能力强[13]，适合大雾天气多、盐雾浓度高、扬尘污染严重的散料港口。基于现有条件在取料机斗轮左右两侧各安装一台毫米波雷达，采集作业中料堆轮廓点云，选用大陆集团ARS408毫米波雷达。

　　2.2料堆点云的预处理

　　扫描过程由于设备振动和环境变化将产生离群点，干扰后续算法应用。利用直通滤波与统计滤波算法进行预处理，确定兴趣区域，滤除无效点，减少对数据分析的影响。直通滤波通过限制数据范围剔除无效数据14]，为避免扫描到相邻料堆影响后续点云分析，定义圆锥形料堆的兴趣区域为圆形作业平台范围。根据相似三角形和休止角原理，在已知料堆堆积高度的情况下可计算出当前斗轮作业平台的直径。

　　2.3基于机器学习的边界感知方法

　　工业智能化是工业生产转型升级的重要趋势，基于人工智能的建模、预测、诊断、优化、决策在工业领域不断展现优势。因此选择机器学习算法识别取料过程点云特征，优化料堆边界感知问题。操作员通过视觉感知可以预判料堆边界提前减速，斗轮在料堆边界空转时间较短。通过标注好的点云数据样本对机器学习模型训练，将人工操作的取料机回转减速过程点云和其他状态点云进行区分，模拟人工作业对料堆边界的判断。

　　2.4点云样本标注和特征提取

　　料堆边界感知的理想效果是模仿人类通过视觉预判减速位置，使取料机回转减速至静止时，斗轮处于料堆边界附近，既具备进车条件又不会在垛边残留过多散料。在点云标注中，将人工操作时取料机在料堆边界的停止回转角Δ作为理想值。取料机通过变频器控制回转电机，减速时可在1.6°回转角内减速至静止，结合设备操作规程和人工操作经验，设置回转制动裕量2.5°满足减速需求，回转到边过程中将点云数据以Δ前2.5°为界，分别标注为“垛中”和“垛外”。

　　样本标注完成后需提取点云特征进行学习15]，在数据分类问题中，样本特征的选取直接关系到模型分类性能。显然，较少的点云数据是不利于分析其特征的，但是自动执行环节要求料堆边界感知信号频率至少为1Hz，因此考虑数据采集和运算过程的时间，每次将雷达.5秒内采集的数据合并处理，依靠取料机搭载的工控机运算能力能够满足要求。虽然预处理时按雷达轨迹对毫米波雷达二维点云进行拼接，但雷达在短时间内的移动距离极小，料堆点云的局部特征区别不明显。因此，采用法向量、曲率、FPFH作为分类特征并不理想。

　　3重叠敏感边距分类器

　　3.1模糊孪生支持向量机

　　标准的模糊支持向量机FSVM)、孪生支持向量机TSVM)算法即使考虑了数量不平衡的问题，但支持向量仍集中在样本重叠区域，导致非重叠区域的分类正确率较差。针对此问题提出了孪生重叠敏感边距分类器twinoverlapsensitivemargin,TOSM)的不平衡数据集处理算法。

　　4实验与结论分析

　　为验证本文提出的感知方法和TOSM分类性能，分别进行了数据集测试和现场应用验证。基于MATLAB软件，在雷达点云数据集上进行了分类性能测试。通过部署训练模型的C++动态链接库将识别方法加入感知环节，在取料机无人化重载调试过程进行了现场验证，证明了该方法的可行性。

　　4.1模型评价指标的选择

　　数据集不平衡的分类问题，个别典型评价指标会给出误导性的分类能力评价，因此实验中选择了正确率Acc、查准率Pre、mean以及F1score四个指标衡量模型性能。

　　4.2TOSM分类实验结果分析

　　采用TOSM分类器对不平衡数据集进行分类试验，实验数据采用2020年10月2021年月曹妃甸某港口取料机人工作业和自动作业过程中，在操作员严格按照规章作业的条件下采集的点云数据。实验以操作员在边界的回转角作为理想值标准值。样本数量的选取依据统计学习理论中泛化误差界概念，在不引入噪声的前提下尽量扩大训练样本数以降低泛化误差18]。

　　5结论

　　本文针对无人化取料机的毫米波感知技术进行研究，利用机器学习模型分析人工作业时雷达点云数据特征，针对点云数据集的不平衡性导致分类难度增加的问题，提出一种基于重叠敏感成本的孪生模糊支持向量机(TOSM)，相比其他传统方法更适合处理不平衡数据集。基于TOSM改进感知系统后，实现了取料机作业中预判减速位置的功能。重载实验表明本文提出的感知技术比改进前增加了取料效率，降低了斗轮空载时间。

　　在后续工作中，重点考虑建立案例库的方式进一步优化感知系统。通过记录料堆煤种、数量、堆积方式、堆积位置以及整个作业过程的点云数据，训练边界感知模型。对新作业料堆，通过“身份信息”，选用案例库中最相似的模型识别到边减速位置。目前正在开展黄骅某矿石码头取料机改造工作，推广时需根据现场作业规范收集数据训练模型。综上所述，基于机器学习优化感知系统的方法具有可行性与实用价值，为散料港口中无人化取料机的感知技术研究提供了探索经验。

　　参考文献

　　[1]柴天佑.工业人工智能发展方向[J].自动化学报,2020,46(10):20052012.CHAITY.Developmentdirectionsofindustrialartificialintelligence[J].ActaAutomaticaSinica,2020,46(10):20052012.

　　[2]陈致远.黄骅港智能堆场研究[J].起重运输机械,2019(2):4651.CHENZY,ResearchonintelligentstorageyardofHuanghuaPort[J].HoistingandConveyingMachinery,2019(2):4651.

　　作者：孔德明*,张钰,曹帅,王立成

转载请注明来自发表学术论文网：http://www.fbxslw.com/dzlw/27573.html