[发明专利]用于动态集装箱自动配置的三维(3D)深度成像系统和方法

说明书

公开了三维(3D)深度成像系统和方法以用于动态集装箱自动配置。3D深度相机在装运集装箱装载作业段期间捕获位于预定义搜索空间中的装运集装箱的3D图像数据。自动配置应用确定表述性的集装箱点云，并且(a)加载初始预配置文件，所述初始预配置文件定义具有表示预定义搜索空间的尺寸和初始前板区域的数字边界框；(b)将数字边界框应用于集装箱点云，以基于初始前板区域从集装箱点云中移除前板干扰数据；(c)基于装运集装箱类型生成经细化的前板区域；(d)基于经细化的前板区域生成经调整的数字边界框；和(e)生成自动配置结果，所述自动配置结果包括包含集装箱点云的至少一部分在内的经调整的数字边界框。

发明背景

在运输业中，通常使用各种不同的技术来装载装运集装箱(shipping container)(例如，用于航空和/或陆地运输和装运的装运集装箱，诸如单元装载设备(ULD))，这些技术考虑到箱子、包裹或其它装运或转运物品的各种不同尺寸和配置。另外，装运集装箱本身通常具有不同的尺寸和存储容量(例如，此类集装箱被构造为处理不同的货物尺寸、负载和/或配置)。所有各种装载技术、箱子尺寸/配置和装运集装箱尺寸/配置的全部创建了不同的装载策略、技术和总体装载操作的差异，监督此类商用拖车的装载的装载员和/或管理员难以进行管理。

装载策略、尺寸和配置的此类各种排列在追踪不同人员(例如，装载员)的装载表现或质量指标产生了问题，每一个人员可能位于不同的地理位置和/或采用不同的装载方案。具体而言，装载器或管理人员可能期望更好地理解和改进与如何装载他们的装运集装箱的效率相关的指标，使得他们能采用或做出更好的管理决策，以改进与集装箱相关联的物流操作的装载时间或以其它方式装载的效率。

另外，传统的装运集装箱(例如，ULD)装载策略和技术也会产生问题。例如，准确的集装箱位置信息对于其它分析算法(诸如，ULD满度算法)来说至关重要，以获得可接受的性能。手动提供当前ULD位置信息并假定此集装箱保持静止。然而，因为装运集装箱和/或相机位置可能在装载过程期间偏移，因此，产生如何动态提供具有高准确度的位置信息这样的问题。在算法可能基于定位而作出某些(不正确的)假设时，这些问题可变得特别严重。例如，ULD位置传统上是由(人工)视觉检查来设置，这耗时且低效。更重要的是，在例行装载过程中，集装箱和相机都有不可忽略的偏移，这可降低装载分析算法的性能以及准确度。因此，关于如何自动地、高效地且准确地动态定位和配置集装箱位置，通常产生各种问题。

一些常规的技术试图解决这些问题。然而，每种技术都具有特定缺点。例如，可采用直接3D匹配技术将目标点云匹配到3D模板点云。然而，直接3D匹配技术不具有稳健性，这是因为其缺乏稳定且可重复的结果，还对局部结构敏感，并且涉及高计算复杂性。此外，匹配不准确，这导致错误的和通常不准确的报告。

第二个常规技术包括点云聚类。然而，点云聚类也不是稳健的，这是因为其缺乏稳定且可重复的结果，具体地，其遭受到无法控制的3D数据分割结果的影响。附加地，点云聚类技术对于“噪声”(例如，装载器/人员移动通过装载区域)和小对象干扰(例如，在装载区域内移动的包裹)也敏感。因此，点云聚类通常因装载器以及包裹干扰而产生不正确的聚类结果，

第三个常规技术包括2.5D模板匹配。然而，2.5D模板匹配也不是稳健的，这是因为其缺乏稳定且可重复的结果。具体而言，2.5D模板匹配不是稳健的，这是因为装载器干扰通常产生2.5D模板匹配所依赖的不正确的聚类结果。另外，2.5D模板匹配需要大量计算以获取实时的定位，并且可能遭受到不正确的基值拟合(ground fitting)的影响。

相应地，常规的技术无法为实时/动态集装箱装载提供快速且高效的解决方案，这将例如为实时定位提供解决方案。这些常规技术面临着典型的装载挑战，典型的装载挑战包括包裹和装载器堵塞和干扰、集装箱的不同类型和大小、和其它典型装载问题，诸如装运集装箱具有关闭或打开的门。

相应地，需要如本文进一步所描述的用于动态集装箱自动配置的三维(3D)深度成像系统和方法，以允许快速且高效的实时定位以用于装运集装箱装载和诊断。

附图说明