Robust-Registration-Based Systematic Error Correction for Time-Series Point Clouds

doi:10.3390/app16062776

Robust-Registration-Based Systematic Error Correction for Time-Series Point Clouds

2026-03-13

0

PRE

AI

DOI：10.3390/app16062776

原文链接

原文求助

摘要

En 中文

多时相LiDAR点云的精确配准对于矿山沉降的可靠监测至关重要。不同时间获取的点云中存在的系统误差可能源于GNSS/INS定位漂移、传感器标定偏差以及观测几何差异。这些误差通常表现为全局参考偏移或渐进性畸变。当此类误差叠加于真实地形变化时，会掩盖沉降信号并引入观测伪差异，从而增加区分实际沉降与噪声的难度。为解决此问题，本研究提出基于鲁棒配准的系统误差校正方法（RR-SEC），用于时序点云，以建立跨时期的统一参考框架。该方法不假设稳定区域严格不变，而是通过多时相差异的信息熵分析识别局部变化模式在时间上更一致的区域。在复杂地形条件下，该方法选取差异熵较低的点作为稳定控制点，并利用其约束配准过程。随后在约束条件下执行广义迭代最近点（GICP）刚性配准，估计不同时期点云间的整体三维平移和旋转。通过将估计的变换应用于整个点云，校正时期间的参考不匹配并统一所有时期的坐标参考。利用包含刚性参考偏差和非刚性变形的复杂地形模拟数据以及来自木杜柴登煤矿的UAV LiDAR数据的全面验证表明，相较于基准GICP方法，RR-SEC降低了配准误差，使稳定区域的残余均值降低约85%。校正后的点云计算得到的沉降值与实测值更为一致，空间变形模式更易于解读。RR-SEC展现出鲁棒性能，可作为提高矿区变形监测精度的一种实用方法，并可能推广至其他地球科学应用。

Keyword:

mining subsidence monitoring

time-series point cloud registration

systematic error correction

differential entropy field

consistency control point selection

Robust-Registration-Based Systematic Error Correction for Time-Series Point Clouds

摘要

期刊

机构

引用论文