·796· 智能系统学报 第15卷 差，将整条隧道按相同距离间隔选取多个断面， 建设计路线对应的理论隧道模型，从而准确地找 计算出每个断面中关键点的侵限值，根据所有断 到理论线路对应的断面。根据设计线路参数建立 面关键点侵限值大小即可判断隧道的偏差大小， 的理论隧道模型以及点云大数据对应的实际隧道 进而判断原始设计线路方案是否满足行车要求。 模型，便可计算隧道的侵限值。最后，本文采用 当隧道的偏差不满足要求时，需要调整原始设计 深度神经网络学习设计路线与侵限值之间的函数 线路，重新计算每个断面中关键点的侵限值。直 关系，采用梯度下降方法求取函数的极值，从而 至调整后的设计线路满足行车要求，才能进行列 得到最优线路参数，达到减小实际隧道与理论隧 车轨道的铺设。但以上传统方法存在2个缺陷： 道偏差的目的。 1)无法实时地计算每个断面关键点的侵限 值。传统断面测量方法只测量每个断面特定 1点云大数据获取及处理 10个点的坐标位置，结合设计线路方案便可计算 出断面关键点的侵限值，然而，当设计线路方案 1.1点云大数据的获取 进行了调整，原来测量的每个断面10个点的坐标 地铁隧道建成后，需要建立实际隧道模型，从 位置会发生变化，需要重新测量每个断面的10个 而在计算机中虚拟实际隧道。现有的方法是基于 点坐标位置，才能计算出每个断面的偏差程度， 三维激光扫描的点云大数据建模，三维激光扫描 而重新测量需要耗费大量的时间，测量工作完成 能快速、高效地获取隧道内壁的坐标位置，所有 后才能计算出每个断面关键点的侵限值。 的内壁坐标点构成隧道的点云大数据。点云大数 2)根据测量值计算出的设备尺寸误差较大。传 据在三维空间中展现的是隧道内壁的三维坐标点。 统计算设备尺寸的方法是基于轨检小车的轨距测量 扫描仪获得的点云坐标为扫描仪独立坐标系 值，轨距测量值容易受人为因素的影响，导致测量 下的坐标，通过传感器及轨道设计线路等信息可 数据不准确，进而使得设备尺寸的计算误差增大。 得到地铁测量坐标系下的坐标，为得到点云在地 三维激光扫描技术获取隧道点云大数据的测 铁测量坐标系下的坐标，需要标定扫描仪和轨道 量方式提高了侵限值计算的效率以及关键点坐标 的相对位置关系。标定的过程实际上是获得扫 的准确度。三维激光扫描技术能够密集地、全面 描坐标系和地铁测量坐标系之间的旋转参数和平 地对实际隧道进行数据采集，从而获取实际隧 移参数的过程。获取地铁坐标系下的点云大数据 道点云大数据。与传统的基于断面10个关键点 基本流程如下： 的测量方法相比，点云大数据能具体展示实际隧 1)建立地铁测量坐标系； 道细节信息。当设计线路发生变化时，能从点云 2)水平调整扫描仪，使得两个坐标系相对平行； 大数据中快速、实时地抽取相应断面的关键点坐 3)在隧道内壁放置扫描标： 标；同时，点云大数据还具有很高的精度，这为侵 4)在地铁测量坐标系下测量标志中心坐标和 限值及关键点坐标的计算提供了可靠的精度保证。 扫描仪坐标； 目前很多学者对点云大数据在隧道变形监测 5)扫描仪扫描隧道内壁，同时，得到扫描仪 的应用做了大量研究。2008年，毕俊等1率先将 坐标系下的标志位置坐标； 点云大数据应用于地铁隧道变形监测，从地铁隧 6)将扫描仪下的点云坐标转换为地铁测量坐 道数据采集、三维模型建立、数据处理、成果输出 标系下的坐标： 等方面进行了分析，该方法的主要优点是可以 7)获取地铁坐标系下的点云大数据。 次快速、完整、全方位采集隧道内部的表面数 1.2点云分块处理 据。随后，康志忠等4、谢雄耀等、潘国荣等可 高密度的点云大数据降低了抽取特定点云数 张明智等⑧对点云大数据在隧道形变监测中的应 据的效率。在空间中给定平面，需要在所有点云 用做了一系列的研究。然而，隧道变形监测并未 大数据中抽取属于该平面的点云切片，抽取过程 能充分发挥点云大数据高密度以及高精度的优势。 需要耗费大量计算资源以及时间，并且可能会导 本文摒弃早期研究中的隧道多点测量，采 致计算机因运算内存不足而无法计算出结果。本 用三维激光扫描的方式收集隧道数据，高精度的 文根据原始设计线路对点云大数据进行切分索 扫描仪能将误差控制在允许范围之内，完全满足 引，从而将点云大数据切分成多个文件，并为这 隧道测量的精度要求。由于扫描收集到的点云大 些文件加上对应索引，以便在搜索任意断面的点 数据比较粗糙且有过多的冗余部分，需要对点云 云数据时能够从文件名中快速找到相应的数据。 大数据进行进一步降噪以及分块处理，加快点云 点云分块具体步骤如下： 数据的查找过程。根据给定的设计线路参数，搭 1)令Pm=P,Pm=P+0.01;差，将整条隧道按相同距离间隔选取多个断面， 计算出每个断面中关键点的侵限值，根据所有断 面关键点侵限值大小即可判断隧道的偏差大小， 进而判断原始设计线路方案是否满足行车要求。 当隧道的偏差不满足要求时，需要调整原始设计 线路，重新计算每个断面中关键点的侵限值。直 至调整后的设计线路满足行车要求，才能进行列 车轨道的铺设。但以上传统方法存在 2 个缺陷： 1) 无法实时地计算每个断面关键点的侵限 值。传统断面测量方法只测量每个断面特定 10 个点的坐标位置，结合设计线路方案便可计算 出断面关键点的侵限值，然而，当设计线路方案 进行了调整，原来测量的每个断面 10 个点的坐标 位置会发生变化，需要重新测量每个断面的 10 个 点坐标位置，才能计算出每个断面的偏差程度， 而重新测量需要耗费大量的时间，测量工作完成 后才能计算出每个断面关键点的侵限值。 2) 根据测量值计算出的设备尺寸误差较大。传 统计算设备尺寸的方法是基于轨检小车的轨距测量 值 [1] ，轨距测量值容易受人为因素的影响，导致测量 数据不准确，进而使得设备尺寸的计算误差增大。 三维激光扫描技术获取隧道点云大数据的测 量方式提高了侵限值计算的效率以及关键点坐标 的准确度。三维激光扫描技术能够密集地、全面 地对实际隧道进行数据采集[2] ，从而获取实际隧 道点云大数据。与传统的基于断面 10 个关键点 的测量方法相比，点云大数据能具体展示实际隧 道细节信息。当设计线路发生变化时，能从点云 大数据中快速、实时地抽取相应断面的关键点坐 标；同时，点云大数据还具有很高的精度，这为侵 限值及关键点坐标的计算提供了可靠的精度保证。 目前很多学者对点云大数据在隧道变形监测 的应用做了大量研究。2008 年，毕俊等[3] 率先将 点云大数据应用于地铁隧道变形监测，从地铁隧 道数据采集、三维模型建立、数据处理、成果输出 等方面进行了分析，该方法的主要优点是可以一 次快速、完整、全方位采集隧道内部的表面数 据。随后，康志忠等[4-5] 、谢雄耀等[6] 、潘国荣等[7] 、 张明智等[8] 对点云大数据在隧道形变监测中的应 用做了一系列的研究。然而，隧道变形监测并未 能充分发挥点云大数据高密度以及高精度的优势。 本文摒弃早期研究中的隧道多点测量[9] ，采 用三维激光扫描的方式收集隧道数据，高精度的 扫描仪能将误差控制在允许范围之内，完全满足 隧道测量的精度要求。由于扫描收集到的点云大 数据比较粗糙且有过多的冗余部分，需要对点云 大数据进行进一步降噪以及分块处理，加快点云 数据的查找过程。根据给定的设计线路参数，搭 建设计路线对应的理论隧道模型，从而准确地找 到理论线路对应的断面。根据设计线路参数建立 的理论隧道模型以及点云大数据对应的实际隧道 模型，便可计算隧道的侵限值。最后，本文采用 深度神经网络学习设计路线与侵限值之间的函数 关系，采用梯度下降方法求取函数的极值，从而 得到最优线路参数，达到减小实际隧道与理论隧 道偏差的目的。 1 点云大数据获取及处理 1.1 点云大数据的获取 地铁隧道建成后，需要建立实际隧道模型，从 而在计算机中虚拟实际隧道。现有的方法是基于 三维激光扫描的点云大数据建模，三维激光扫描 能快速、高效地获取隧道内壁的坐标位置，所有 的内壁坐标点构成隧道的点云大数据。点云大数 据在三维空间中展现的是隧道内壁的三维坐标点。 扫描仪获得的点云坐标为扫描仪独立坐标系 下的坐标，通过传感器及轨道设计线路等信息可 得到地铁测量坐标系下的坐标，为得到点云在地 铁测量坐标系下的坐标，需要标定扫描仪和轨道 的相对位置关系[10]。标定的过程实际上是获得扫 描坐标系和地铁测量坐标系之间的旋转参数和平 移参数的过程。获取地铁坐标系下的点云大数据 基本流程如下： 1) 建立地铁测量坐标系； 2) 水平调整扫描仪，使得两个坐标系相对平行； 3) 在隧道内壁放置扫描标志； 4) 在地铁测量坐标系下测量标志中心坐标和 扫描仪坐标； 5) 扫描仪扫描隧道内壁，同时，得到扫描仪 坐标系下的标志位置坐标； 6) 将扫描仪下的点云坐标转换为地铁测量坐 标系下的坐标； 7) 获取地铁坐标系下的点云大数据。 1.2 点云分块处理 高密度的点云大数据降低了抽取特定点云数 据的效率。在空间中给定平面，需要在所有点云 大数据中抽取属于该平面的点云切片，抽取过程 需要耗费大量计算资源以及时间，并且可能会导 致计算机因运算内存不足而无法计算出结果。本 文根据原始设计线路对点云大数据进行切分索 引，从而将点云大数据切分成多个文件，并为这 些文件加上对应索引，以便在搜索任意断面的点 云数据时能够从文件名中快速找到相应的数据。 点云分块具体步骤如下： 1) 令 Pm0=Ps，Pm1=Ps+0.01； ·796· 智 能 系 统 学 报 第 15 卷