煤礦地下毫米波雷達(dá)點(diǎn)云成像與環(huán)境地圖導(dǎo)航研究進(jìn)展

doi:10.13225/ki.jccs.ZN20.0316煤礦地下毫米波雷達(dá)點(diǎn)云成像與環(huán)境地圖導(dǎo)航研究進(jìn)展自動化、智能化的煤礦生產(chǎn)作業(yè)至關(guān)重要。隨著第五代移動通信技術(shù)(5thgenerationmobile率成像遇到的稀疏特征提取問題；稀疏點(diǎn)云的處理策略與算法評估；深度學(xué)習(xí)在毫米波稀疏未來煤礦復(fù)雜環(huán)境下毫米波通訊與導(dǎo)航兼容并蓄的(1.SchoolofAutomationandElectricalEngineering,UniversityofScienceandTechnologyBeijing,Beijing100083;2.KeyLaboratoryofKnowledgeAu-tomationforIndustrialProcessesofMinistryofEducation,UniversityofScienceandTechnologyBeijing,Beijing100083)Abstract:Environmentaldetectifieldofintelligentinformationforcoalmines,whichareveryimportantfortherealizationofunmanned,fuautomaticandintelligentcoalmineproduction.Withthedevelopmento(5G)andmmWaveimagingtechnology,theintegrationapplicationofhardwareandsoftwaredesignwaveinthedetectionandcommunicatonthecharacteristicsofhighspeed,lowdelayandhiradiocommunicationtechnology;Comparedwithlas基金項(xiàng)目:國家自然科學(xué)基金（61671054,61673056ti-jamming,andthepointcloudpixelmakesitsmorepopularin3Dimagingofunavigationprovidesanewsolutionforautonomousnavigationofcoviewstheproblemsfacedbyautonomousnavigationofcoalminerobotsandtherealizationofintelligentcoalmine,andtheresearchprogressofmmWaveimagingrecently;thesparsefeatureextractionmhigh-resolutionimaging,andalsotheschematicdiagramofmodulegroupsareintroduced;theprocessingstrategyandalgorithmevaluatsearchstatusanddevelopmentdirectionofdeeplearesummarized.Finally,Wehavecategorizedandelabostruction,pathplanningandobstacleavoidanceintheundrithmappliedtodifferentenvironmentsandSLAMnavigationalgorithm.Attheend,wepointedouttheprthatneedtobesolvedinthefurtherstudyofmillimeterwavecommunicationandnavigationandpossibldevelopmentdirections.Keywords:mmWaveradar;undergroundmining;3Dimaging;sparsepointcloud;simultaneouslocalizationandmapping;deeplearning煤礦智能化是國家提倡的重點(diǎn)研發(fā)方向之一，也是實(shí)現(xiàn)煤礦產(chǎn)業(yè)轉(zhuǎn)型和解決煤礦安全問題的關(guān)鍵。目前，我國的煤礦智能化仍然處于綜采自動化與可視化遠(yuǎn)程干預(yù)相結(jié)合的半自動階段[1]，而實(shí)現(xiàn)煤礦智能化需要智能感知、智能決策和自動執(zhí)行三方面技術(shù)支撐[2]。去年，國家煤礦安監(jiān)局發(fā)布的《煤礦機(jī)器人重點(diǎn)研發(fā)目錄》提出一個重要方式被提上日程[3]。臨的主要挑戰(zhàn)是開發(fā)強(qiáng)大且精確的機(jī)器人感知系統(tǒng)已經(jīng)在煤礦井下有所應(yīng)用，但是由于煤礦巷道及工作面的截面空間尺寸多為米級以下，因此米級精度的定位技術(shù)已經(jīng)難以滿足煤礦井下機(jī)器人自主定位導(dǎo)航的需求[4]。同時，煤礦井下環(huán)境黑暗、復(fù)雜，并且動態(tài)的開采也會帶來空間的動態(tài)變化和產(chǎn)生大量的粉塵，這對煤礦機(jī)器人的魯棒性、適應(yīng)性及動態(tài)導(dǎo)航能力提出了更高的要求。毫米波雷達(dá)其魯棒性好、穿透能力強(qiáng)、高精度、可全天時、全天候使用的特點(diǎn)，適合作為煤礦機(jī)可實(shí)現(xiàn)目標(biāo)檢測與識別、路徑規(guī)劃和導(dǎo)航。另外使用基于毫米波的5G無線通訊技術(shù)可以滿足煤礦井下對通訊鏈路高速率、低延時、高可靠的要本文提出采用毫米波成像雷達(dá)作為傳感器的自主定位導(dǎo)航構(gòu)想。比較分析毫米波和激光在煤導(dǎo)航所面臨的任務(wù)與挑戰(zhàn)并展望利用毫米波雷達(dá)世界上大部分的煤炭儲量都在地下，我國以上，其作業(yè)環(huán)境具有明顯的特殊性。煤礦地下環(huán)境多粉塵和瓦斯，粉塵主要來源于掘進(jìn)機(jī)開采煤巖石及加工、運(yùn)輸、裝料所產(chǎn)生的各種煤塵與塵和瓦斯的煤礦地下環(huán)境要求傳感器必須本安防礦巷道環(huán)境黑暗、封閉、狹長、多轉(zhuǎn)角，部分巷道壁凹凸不平，給定位導(dǎo)航帶來不便[7]；煤礦地型的電氣設(shè)備多且集中等問題的影響導(dǎo)致信號更容易遇到屏蔽、干擾、折射以及傳播距離有限等問題[8]。隨著煤礦地下無人化智能設(shè)備增多，高因此在煤礦地下環(huán)境中的自主定位導(dǎo)航需要克服多粉塵、高溫、高的空氣濕度、強(qiáng)噪音、強(qiáng)振動、強(qiáng)氣流和復(fù)雜電磁環(huán)境等地上環(huán)境所沒有3毫米波雷達(dá)（mmWaveradar）的波長介于波雷達(dá)發(fā)射的電磁波信號被其傳播路徑上的物體毫米波雷達(dá)具有在惡劣天氣及不可預(yù)測的照明條達(dá)配備長短程探測單元和環(huán)繞車身的分布式天線設(shè)計，這使得煤礦機(jī)器人能夠模仿地面環(huán)境的無人駕駛。若是遇到煤礦坍塌、瓦斯爆炸等特殊情況，環(huán)境將充滿不確定性。此時裝載毫米波雷達(dá)的機(jī)器人可以在大量粉塵彌漫、充滿瓦斯等危險氣體、缺少照明和外部定位的環(huán)境下開展救援行動。文獻(xiàn)[9,10]中給出在采礦環(huán)境中，毫米波雷達(dá)載、機(jī)載的方式實(shí)現(xiàn)對井下圓形、矩形巷道或者Fig.1Workingdiagramofvehicleborne,airborneandmo-毫米波雷達(dá)雖然其分辨率高，但在惡劣環(huán)境下探測范圍、精度嚴(yán)重下降[11]，相反毫米波雷達(dá)穿透像雷達(dá)的引入克服了現(xiàn)有毫米波雷達(dá)的低分辨率差好高低隨著技術(shù)的發(fā)展和迭代，單芯片集成化毫米推出首款集成了射頻前端、DSP和MCU的級聯(lián)有效增強(qiáng)了雷達(dá)的分辨率[12]。目前，基于方位角、仰角、距離和多普勒等四維數(shù)據(jù)立方體的際半導(dǎo)體公司也在推出毫米波雷達(dá)芯片，集成化毫米波芯片的出現(xiàn)大大降低了智能化設(shè)備開發(fā)難度和成本，預(yù)計未來有更多毫米波產(chǎn)業(yè)的落地。累核心技術(shù)。Fig.2The4Dimaging超高數(shù)據(jù)速率、低功耗及超低延時的特點(diǎn)[14-17]。支持煤礦作業(yè)超高清視頻等數(shù)據(jù)傳輸?shù)拇罅髁恳?共口徑天線V2X共口徑天線V2X動寬帶，mMTC（massiveMachineTCommunication）支持井下多傳感器物聯(lián)網(wǎng)，URLLC（Ultra-reliableandLow隨著技術(shù)不斷成熟以及成本不斷降低，探測與通訊軟硬件一體化設(shè)計成為趨勢。國際最新在未來采用共口徑天線技術(shù)結(jié)合分時復(fù)用的硬件，可以同時實(shí)現(xiàn)探測與高速無線通訊兩種功能77G射頻及V2X射頻分別通過共口徑天線收發(fā)外設(shè)接口Fig3DiagramofmmWaveand5Gcommunicationinterac-下一代無人駕駛不僅需要依賴機(jī)器人所配備的毫米波傳感器進(jìn)行環(huán)境感知，還需要與其他機(jī)器人、路邊基礎(chǔ)的網(wǎng)絡(luò)設(shè)施（基站）、終端進(jìn)行航重復(fù)進(jìn)入相同環(huán)境時，可利用先驗(yàn)離線地圖信息，提前動作應(yīng)對彎道等路況；如果彎道處有車幅提高效率、減少機(jī)器人之間的碰撞、實(shí)現(xiàn)信息共享。這是汽車界正在追求的統(tǒng)一車輛通訊和雷達(dá)傳感的愿景，也是下一代車聯(lián)網(wǎng)和自動駕駛技術(shù)的一個重大轉(zhuǎn)變。文獻(xiàn)[22]提出基于毫米波成像V2VV2VFig4Perceptionandcommunicationsynergyofmillimeterwaveincoalmineroadway天線技術(shù)帶來了新的挑戰(zhàn)。目前車載雷達(dá)系統(tǒng)采用的是微帶天線。貼片天線通常是矩形，當(dāng)改變方向性等都會隨之而發(fā)生改變[23]。智能閉環(huán)算法射頻模組已經(jīng)開始用于手機(jī)等面向是本文根據(jù)煤礦地下設(shè)計的工作頻率為Fig5Designofmillimeterwaveantennaforcoalminerobot煤礦機(jī)器人四周裝配毫米波雷達(dá)，其前后側(cè)5Fig6Sketchmapofsparsepointcl近年來隨著三維數(shù)據(jù)獲取裝置的發(fā)展，三維[27]等實(shí)際任務(wù)中得到廣泛應(yīng)用。毫米波點(diǎn)云是基于毫米波雷達(dá)調(diào)頻連續(xù)波原理[28]，通過測量周圍點(diǎn)的距離和雷達(dá)回波強(qiáng)度得到點(diǎn)云數(shù)據(jù)。點(diǎn)云數(shù)深度學(xué)習(xí)方法分析和理解目標(biāo)場景的豐富信息[29-33]。等提出基于深度學(xué)習(xí)的深度雷達(dá)檢測方法（Deep號處理方法（2Dimension-CellAverage-Constant校準(zhǔn)并且具有更高的精度[35]。由于點(diǎn)云數(shù)據(jù)結(jié)構(gòu)的稀疏性、不規(guī)則性和無序性，在點(diǎn)云上直接應(yīng)用卷積是一個挑戰(zhàn)。已有的大多數(shù)工作都將3D點(diǎn)云通過多視圖投影轉(zhuǎn)換為圖像[36]或通過量化轉(zhuǎn)換為體積網(wǎng)格[37]，再進(jìn)行卷積網(wǎng)絡(luò)處理；也有研相對粗粒度的點(diǎn)云圖像，并配合機(jī)器學(xué)習(xí)完成場污染，使數(shù)據(jù)中包含異常值或偽影。因此需對原始點(diǎn)云實(shí)施濾波、降噪等優(yōu)化處理。相比于稠密點(diǎn)云，在稀疏點(diǎn)云中離群點(diǎn)、噪點(diǎn)對整體點(diǎn)云的影響更大，選擇降噪的關(guān)鍵指標(biāo)是降低均方誤差投影的降噪。表2列出各個算法在相同數(shù)據(jù)集神經(jīng)投影降噪（NeuralProjectionDenoising,的參考平面只需一次投影就可以實(shí)現(xiàn)高性能降噪。通過前期神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，提高在現(xiàn)場實(shí)時Table2ComparisonofpointclouddenoisingalMSE(10-4)ElmoatazAbderrahim[41]圖DuanChaojing[44]20DuanChaojing[40]20NPD點(diǎn)云配準(zhǔn)代表將一個點(diǎn)云與另一個點(diǎn)云對齊的剛性變換，其方法分為局部配準(zhǔn)[45]、全局配準(zhǔn)[46]、深度學(xué)習(xí)[47,48]。煤礦地下坑洼多且存在大量幾何相似區(qū)域因此要求準(zhǔn)確的配準(zhǔn)算法。旋轉(zhuǎn)R在很大程度上取決于初始擾動[45]。由于局部和全局配準(zhǔn)方法的根本缺陷，基于深度學(xué)習(xí)的基于深度學(xué)習(xí)的方法克服了計算速度和陷入局部果，開發(fā)基于深度學(xué)習(xí)快速、準(zhǔn)確的井下環(huán)境配Table3ComparisonofpointcloudregistrationalgorithmsRMSE(R)RMSE(T)6 AkiyoshiKurobe[47]20Aoki,Yasuhiro[48]2PointNetLKAkiyoshiKurobe[47]20域注意力方法和單階段網(wǎng)絡(luò)的方法，前者生成包含目標(biāo)的可能區(qū)域（RegionsofInter提取區(qū)域特征確定類別；后者直接預(yù)測類的概率數(shù)據(jù)集上目標(biāo)檢測算法的最新進(jìn)展[49]。礦地下環(huán)境的目標(biāo)識別，該方法運(yùn)行速度快，適合實(shí)時運(yùn)行。在網(wǎng)絡(luò)選擇上，基于體素的方法對合地下環(huán)境的使用。值得一提的是，地下環(huán)境相比于地上環(huán)境場景簡單，遮擋物和易混淆物品都電線桿等易與人混淆，但在地下環(huán)境行人-車輛-障礙物的識別相對單一，這對地下環(huán)境目標(biāo)檢測Table4Researchprogressofpointcloudtargetdetecti環(huán)境的語義分割對于實(shí)現(xiàn)自動駕駛極為有利。必須準(zhǔn)確識別煤礦機(jī)器人、車輛周圍的物體并將其分配適當(dāng)?shù)燃壊拍鼙ＷC行駛安全?，F(xiàn)有毫米波點(diǎn)云語義分割算法分為靜態(tài)目標(biāo)(停放的汽用基于密度的聚類算法（Density-BasedSpatial合長短期記憶網(wǎng)絡(luò)（LongShort-TermMemory,LSTM）實(shí)現(xiàn)對動態(tài)目標(biāo)的分類[56]；PointNet++變體算法是對動態(tài)目標(biāo)分類的改進(jìn)[57]；OleSchumann等又提出毫米波點(diǎn)云語義分割的完整框架[58]，實(shí)現(xiàn)動態(tài)目標(biāo)和靜態(tài)目標(biāo)結(jié)合的語義分割，在相同數(shù)據(jù)集下動態(tài)目標(biāo)的循環(huán)實(shí)例分割方深度學(xué)習(xí)在提高點(diǎn)云處理精度的同時彌補(bǔ)了傳統(tǒng)算法魯棒性不足及處理速度緩慢等缺點(diǎn)，其端到端的思路使得3D點(diǎn)云處理相比傳統(tǒng)算法更加簡單?？紤]到煤礦巷道、采掘工作面上的人、深度學(xué)習(xí)的方法對稀疏點(diǎn)云進(jìn)行降噪、配準(zhǔn)、目標(biāo)檢測和語義分割等處理[59]，提升煤礦機(jī)器人對地下環(huán)境采運(yùn)掘的感知和分析能力，同時也為盡管現(xiàn)在使用深度學(xué)習(xí)處理毫米波圖像稀疏維及三維圖像處理上已取得的進(jìn)展，其在稀疏點(diǎn)激光雷達(dá)、毫米波雷達(dá)等傳感器在未知環(huán)境中進(jìn)相比于現(xiàn)在地下環(huán)境導(dǎo)航中所提出的捷聯(lián)慣環(huán)境適應(yīng)性并且可以構(gòu)建未知環(huán)境高精度的地勢在于消除了對人工基礎(chǔ)設(shè)施或環(huán)境先驗(yàn)拓?fù)渲R的需求，在無法獲得絕對位置或精確地圖信息SLAM算法框架及煤礦巷道建圖效果[63]。當(dāng)煤礦機(jī)器人處于地表工作時，可以采用激光掃描儀、攝像頭等多種傳感器，但對于地下礦山，7尤其煤礦環(huán)境，其地面崎嶇不平、巷道環(huán)境差、可用照明條件差、活動極受限、巷道無紋理并且足煤礦機(jī)器人工作需求。另外，當(dāng)前無論激光還算資源下無法實(shí)現(xiàn)實(shí)時操作。而毫米波雷達(dá)3D如，基于馬爾可夫模型的擴(kuò)展卡爾曼濾波（ExtendedKalmanFilter,EKF）算法[67]、刻數(shù)據(jù)進(jìn)行全狀態(tài)估計，從局部優(yōu)化傳遞至全局算法的最佳選擇。但是煤礦地下相比地表具有環(huán)A.Hernan-在地下環(huán)境工作中，搭載多傳感器的煤礦機(jī)器人可將聲音、圖像、溫度、氣體濃度及其他數(shù)據(jù)傳送到控制中心，同時也要面對工作面及巷道的實(shí)時變化。當(dāng)面對煤礦災(zāi)難等突發(fā)情況時，煤礦機(jī)器人的定位導(dǎo)航變得極為困難。因?yàn)闉?zāi)后煤礦巷災(zāi)害導(dǎo)致先驗(yàn)路標(biāo)和地圖不再可靠；在災(zāi)后斷電的情況下，也無法使用依賴于基站的其他無線定位方法[73]；受粗糙地形上的累積誤差影響，基于航位推算的姿態(tài)估計方法無法提供精確的長期估視覺傳感器和激光雷達(dá)的SLAM將難以正常工服惡劣環(huán)境的影響，提供機(jī)器人姿態(tài)估計并同時綜合目前各種復(fù)雜環(huán)境下SLAM的研究成果，可以預(yù)見毫米波全天時全天候工作，結(jié)合深據(jù)高效連續(xù)傳輸、快速掘進(jìn)、復(fù)雜條件綜采、連規(guī)劃，定位精度高，可大規(guī)模使用等優(yōu)點(diǎn)。全局其可實(shí)現(xiàn)快速收斂，但極可能陷入停滯[78]；人工的特點(diǎn)[79]；蟻群算法，其在規(guī)劃性能及速度均相對較好[80]。局或半全局的環(huán)境地圖，而處于未知環(huán)境下的路徑規(guī)劃和實(shí)時避障需要考慮到環(huán)境地圖信息的實(shí)時補(bǔ)充等多種難題。因此如何一方面在線感知周人動態(tài)避障并不斷優(yōu)化路徑，這是未知環(huán)境下機(jī)5G通訊與毫米波環(huán)境感知高度集成帶來的低成本物聯(lián)網(wǎng)技術(shù)，會逐漸走向成熟與大規(guī)模應(yīng)用。隨著煤礦智能化的推進(jìn)，基于毫米波雷達(dá)的通過大量部署毫米波雷達(dá)構(gòu)建煤礦地下的通訊網(wǎng)合理精度與分辨率、快速低成本與便攜成像的毫8云處理的相關(guān)研究較少，將稀疏點(diǎn)云處理與深度V2X和自主導(dǎo)航V2X和自主導(dǎo)航Fig8Blockdiagramofcoalmineinundergroundenvironmentnavig結(jié)合目前相關(guān)技術(shù)的應(yīng)用趨勢，本文初步構(gòu)制，采用多毫米波雷達(dá)傳感器融合的方式采集多針對毫米波雷達(dá)點(diǎn)云稀疏的特性，通過深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行配準(zhǔn)、濾波、降噪、稠密化等優(yōu)采用深度學(xué)習(xí)網(wǎng)絡(luò)實(shí)現(xiàn)目標(biāo)及道路區(qū)域的煤礦地下機(jī)器人的自主導(dǎo)航和無線通訊是實(shí)現(xiàn)煤礦智能化的關(guān)鍵因素。本文從毫米波雷達(dá)和的智能機(jī)器人自主導(dǎo)航方案。同時本文參考國內(nèi)外相關(guān)文獻(xiàn)對使用深度學(xué)習(xí)處理毫米波稀疏點(diǎn)云的研究方法進(jìn)行分析和歸納，總結(jié)出毫米波雷達(dá)SLAM的研究現(xiàn)狀并提出在煤礦地下環(huán)境中文通過分析、總結(jié)以毫米波雷達(dá)為基礎(chǔ)的煤礦地下環(huán)境的自主導(dǎo)航技術(shù)，給出了煤礦地下機(jī)器人作者感謝王宇對毫米波天線設(shè)計仿真的幫參考文獻(xiàn)（References）:[1]李首濱,煤炭智能化無人開采的現(xiàn)狀與展望[J].中國煤LIShoubin.Presentsituationandprospectoniunmannedminingatworkface[J].ChinaCoal,20[2]王國法,張德生,煤炭智能化綜采技術(shù)創(chuàng)新實(shí)踐與發(fā)展展望[J].WANGGuofa,ZHANGDesheng.Indevelopmentprospectofintelligentfullymechanizedtechnologyforcoalmining[J].JournalofChinaUniversityofMining&[3]葛世榮,胡而已,裴文良,煤礦機(jī)器人體系及關(guān)鍵技術(shù)[J].煤炭GEShirong,HUEryi,PEIWenkeytechnologyofcoalminerobot[J].JournalofCoalScience&Engineering,2020,45(01):455-46[4]王國法,趙國瑞,任懷偉,智慧煤礦與智能化開采關(guān)鍵核心技術(shù)分析[J].煤炭學(xué)報,2019,44(01):9WANGGuofa,ZHAOGuorui,RENHuaiwtechnologiesofintelligentcoalmineandintelligentmining[J].JournalofChinaCoalSociety,2019,4[5]菅潔,謝建林,郭勇義,煤礦井下粉塵濃度與粉塵粒度測定分析[J].太原理工大學(xué)學(xué)報,2017,48(0JIANJie,XIEJianlin,GUOYongyi.AnalysisoConcentrationandParticleSize[J].JournalofTaiyofTechnology,2017,48[6]王鵬,煤礦井下作業(yè)場所濕度對工人身心健康的影響[J].職業(yè)WANGPeng.Influenceofhumidityonworkers'physicmentalhealthincoalmineworkplaces[J].OccupationHealth,2018,34(07):872-87[7]石峰,郭鑫,龍智卓,等.,地下礦用車輛無人駕駛目標(biāo)路徑規(guī)劃方法研究[J].礦冶,2018,27(04):SHIFeng,GUOXin,LONGZhizhuo,etal.StudyonplanningmethodforundergroundminingunmannedvehiclesMiningandMetallurgy,2018,27([8]RANJANA,SAHsignalbehaviorinmetalandnon-metalunWirelessNetworks,2019,25(6):36Applicationofmillimetrewaveradarsensortoenvironmentmappinginsurfacemining[A].InteControl,Automation,RoboticsandVision[C[10]REINAG,UNDERWOODJ,BROOKERG,etperceptionforautonomousoutdoorvehicles[J].JournaRobotics,2011,28(6):[11]HARGRAVEC,CLARKSONIVnavigatorforundergroundmining[A].AntennasandPropagation(EuCAP2014)[C],2014:3587[12]于淵,鄭銀香,趙成林,等.,車載毫米波雷達(dá)目標(biāo)檢測與定位技術(shù)研究[J].移動通信,2019,43(YUYuan,ZHENGYinxiang,ZHAOChenglin,etal.Researchonthetargetdetectionandlocalizationtechnologyvehicle-mountedmillimeter-waveradar[J].MoCommunications,2019,4[13]DeliveringUnprecedentedRoadSafetythrImaging[EB/OL]./product/,2020-03-IEEEJournalonSelectedenergy-efficient,low-latencyandhigh-renetworks[A].IEEEinternationalcosystems[C],IEEE,2014:197-201.[16]AGIWALM,ROYAnetworks:acomprehensivesurvey[J].IEEE[17]孫繼平,陳暉升,智慧礦山與5G和WiFi6[J].工礦自動SUNJiping,CHENHuisheng.SmartminewiIndustryandMineAutomation,2019,45(10):1-4.WangGuofa,ZhaoGuorui,HuYahui.Applicationprospectof5gtechnologyinintelligentcoalmine[J].JournalofCoalScience&Engineering,2020,45(01):16-23.[19]INTELLIGENCEG.Understanding5technologicaladvancementsinmobile[J].InvestigatingtheIEEE802.11adautomotiveradar[A].Veh(VTC2015-Fall)[C],2015[21]KUMARIP,CHOIJ,GONZáLEZ-PRELCICN,et802.11ad-basedradar:Anapproachtojointvehicular[22]ALADSANIM,ALKHLeveragingmmWaveimagisimultaneouslocalizationandmapping[A].IEEEInternatioConferenceonAcoustics,SpeechandSignalP(ICASSP)[C],2019:4539[23]段雷.77GHz微帶陣列天線的研DUANLei.Researchon77ghzmicrostriparrayantennHarbinCity:HarbinInstituteOfT[24]QualcommAnnouncesSecondGeneration5GRFFrDevices[EB/OL]./new9/02/19/qualcomm-announces-second-generation-5g-rf-front-enetworkforautonomousdriving[A].VisionandPatternRecognition(CVPR)[C],2017:6navigationusingareal-time3dpointcloud[A].AustralasianConferenceonRoboticsandAutomation[C],2010:1面點(diǎn)云銳化成像[J/OL].自動化學(xué)報:1-9[2020-02-26]./10.16383/j.aas.c180683.WANGQian,WUJiangxue,HOUQingwen,etaageofburdenpointcloudbasedonCRlowerboundunbiasedenergyestimation[J/OL].ActaAu[2020-02-26]./10.16383/j.aas.c[28]侯慶文,陳先中,王小攀,等.,改進(jìn)的FMCW相位差法[J].儀器儀表學(xué)報,2010,31(04):721-HOUQingwen,CHENXianzhong,WAImprovedphase-differencealgorithmwithwecompensationandcorrectionforFMCWsignal[J].JournalofScientificInstrument,2010,31(04):721-726.[29]ROVERIRPointProNets:Consolidationofpointcloudswithconvolutionalneuralnetworks[J].ComputerGraphicsForum,2018,37(2):87-99.Denoising:Unsupervisedlearningof3dpointcloudcleaProceedingsoftheIEEEInternationalConferenceonpedestriansusinglow-resolutionLIDAR?[A].ProcIn[32]MEYERM,KUSCHKG.Deeplearningbased3dobjectConference(EuRAD)[C][33]GARCIA-GARCIAA,GOMEZ-DONF,GARCIA-RODRIGUEZJ,neuralnetworkforreal-timeobjectclassrecoInternationalJointConferenceonNeuralN[34]BEHARVP,KABAKCHIEVCA,DOUKOVSKALA.AdaptiCFARPIprocessorforradartargetdetectioninpulsejamming[J].JournalofVLSIsignalprocessingsystemsfvideotechnology,2000,26(3[35]BRODESKID,BILIKI,GIRYESR.Deepradardetector[A].IEEERadarConference(RadarConf)[C],IEEE,2019:1-objectcategorizationandposeestimationusingmultiviewsunsupervisedviewpoints[A].ProceedingsoftheIEEEConferenceonComputerRecognition[C],2018:5010-5019.neuralnetworkforreal-timeobjectrecognition[A].IEEE/RSJ(IROS)[C],2015:922-9for3dclassificationandsegmentation[A].ProceedingsoftheIEEEconferenceoncomputervisionandpatternrecognition[C],2017:652-660.3dpointcloudunderstanding[A].ProceedingsoftheIEEEviadeepneuralnetworkbasedlocalsurfaceestimation[A].IEEEInternationalConferenceonAcousProcessing(ICASSP)[C],2019:8553-8557.regularizationonweightedgraphs:amanifoldprocessing[J].IEEETransGraph-baseddenoisingfortime-varyingpointclouDisplayof3DVideo(3DTV-CON)[43]DIGNEJ,DEFRclouds[J].ImageProcessingOnLine,2017,7:278--multi-projection:3dpointclouddenoisingwithtangentplanes[A].(GlobalSIP)[C],IEEE,2018:725-7[45]BESLPJ,MCKAYNshapes[A].Sensorstructures[C],InternationalSocietyforclosestpoint[A].ComputerGraphicsForum[C],WileyOnlinepointcloudregistrationbydeepneuralnetwork[J].IEEERoboticsandAutomationLettPointNetLK:Robust&efficientpointcloudregistrationusingPointNet[A].ProceedingsoftheIEEEConferenceonVisionandPatternRecognition[C],2019:71[49]3DObject2017[EB/OL]./datasets/kittip?obj_benchmark=3d,2020-03-31.[50]WANGZ,JIAK.FrustumConvNet:Sllocalpoint-wisefeaturesfConferenceonIntelldetectionfrompointcloudswithtripl[52]CHENQ,Sanchor-free3dobjectdetectionapproachviafiringofhotspots[J].detectorforpointcloud[A].ProceedingsoftheIEEEabstractionfor3dobjectdetection[J].arXiv:191213192,20[55]LOMBACHERJ,HAHNM,DICKMANNJ,etal.Potentialofradarforstaticobjectclassificationusingdeepmethods[A].IEEEMTT-SInternationalCoMicrowavesforIntelligentMobility(ICMIM)[C],2016:1-4.[56]SCHUMANNO,W?HLERC,HAHNM,etal.Comparisonofrandomforestandlongshort-termmemorynetperformancesinclassificationtasksusingFusion:Trends,Solutions,Applications(SDF)[C],2017:[57]SCHUMANNO,HAsegmentationonradarpointclouds[A].IntonInformationFusion(Fusion)[C],2018:2179-2[58]SCHUMANNO,LOMBACHEunderstandingwithautomotiverada[59]張靖,周明全,張雨禾,等.,基于馬爾科夫隨機(jī)場的散亂點(diǎn)云全局ZHANGJing,ZHOUMingquan,Zfeatureextractionfromscatteredpointcloudsbasedonrandomfield[J].ActaAutomaticaSinica,2016,42(07):1090-1099.[60]樊啟高,李威,王禹橋,等.,一種采用捷聯(lián)慣導(dǎo)的采煤機(jī)動態(tài)定位positioningmethodusingstrapdowninertialnavigation[J].[61]楊超,陳樹新,劉立,等.,反應(yīng)式導(dǎo)航在地下自主行駛鏟運(yùn)機(jī)中的YANGChao,CHENShuxin,LIULi,etaundergroundautonomousscraper[J].JournalofChinaCoal[62]崔柳,徐會軍,劉治翔,等.,基于超寬帶定位的掘進(jìn)機(jī)姿態(tài)監(jiān)測仿真與實(shí)驗(yàn)研究[J].煤炭學(xué)報,2017,42(S1):2CUILiu,XUHuijun,LIUZhixiang,etal.Simulatiexperimentontheattitudemonitoringofroadheaderbasedonultrawideband[J].JournalofChinaCoal[63]Emesent-Autonomytechnologyforindustrialdrones[EB/OL].https://www.emesent.[64]YOUJIZ,QIJLOAMforgroundvehiclesintheflatground[A].InternationalConferenc(ICPS)[C],IEEE,2019:546-5onobjectdetectioninConferenceonAdvancedMechatronicSyste(ICAMechS)[C],IEEE,2019:363-adjusteddirec