[0001] 本申请涉及车厢运输的自动化设备技术领域，尤其是涉及一种车钩提杆的自动控制方法。

[0002] 詹式自动挂钩是我国铁路货车广泛使用的一种车钩装置，在能源行业，钢铁行业等行业进行大量使用。基于詹式自动挂钩的车厢在进行解编组时，往往需要对火车编组进
行大量的脱钩、挂钩动作，而车钩提杆是詹式挂钩插销的关键连接件，是进行脱钩的直接执
行件。

[0003] 脱挂钩目前都是采用人工进行操作，当火车需要进行脱钩时，由人工进行脱钩，将车钩提杆提起来，达到詹式挂钩解锁状态后，再用重调机分离车钩。工作人员在铁轨上进行
大量重复性摘钩操作，存在较大安全隐患且效率低下。

[0004] 随着自动化进程，有提出通过自动控制车钩提杆运动实现自动脱钩，即采用预设的控制程序，来控制移动装置带动车钩提杆每次按照固定的运动轨迹实现自动脱钩；但是
这种方式灵活性和适应性较差。

[0005] 由此，提出本申请。

[0048] 在本申请的描述中，需要理解的是，如出现术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示方位或位置关系的描述，若无特殊的说明，则理解为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，
因此不能理解为对本申请的限制。

[0049] 另外，如出现限定有“第一”、“第二”仅用于描述目的的特征，不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。限定有“第一”、“第二”的特征可以
明示或者隐含地包括至少一个该被限定的特征。如出现“多个”的描述，一般含义是至少包
括两个，例如两个，三个等，除非另有明确具体的限定。

[0050] 在本申请中，除非另有明确的规定和限定，如出现“安装”、“相连”、“连接”、“固定”等术语，应做广义理解。例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接，可以是直接相连，也可以通过中间媒介间接相连，可以是两个元
件内部的连通或两个元件的相互作用关系。对于本领域的技术人员而言，可以根据具体情
况理解上述术语在本申请中的具体含义。

[0051] 在本说明书的描述中，如出现术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等，意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针
对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或
多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员
可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组
合。

[0052] 申请人在实际运行中发现，由于火车运动伴随较大的振动，车钩提杆并不能每次都保持相同的姿态和位置，导致运动装置在提拉时无法提拉起车钩提杆，或者在提拉过程
中容易发生结构干涉。且采用固定的运动轨迹，这种方式对于不同型号、不同磨损程度的车
钩提杆可能无法完全适应。如果车钩提杆的尺寸、形状或磨损程度发生变化，按照固定轨迹
操作的运动装置可能会遇到困难，甚至导致无法脱钩或脱钩失败。一旦某个环节出现故障
或误差，整个系统可能会受到影响，甚至带来严重的安全隐患。

[0053] 如图1，本发明实施例一所提供一种用于车钩提杆的自动控制方法，应用于运动装置，运动装置连接车钩提杆，自动控制方法包括：

[0054] 步骤S10、获取原始点云数据并在原始点云数据中提取车钩提杆的区域点云；

[0055] 步骤S20、在区域点云中进行拟合得到提杆中轴线性方程；

[0056] 步骤S30、通过车钩提杆的已知参数围绕提杆中轴线性方程重构车钩提杆的提杆三维模型，并获取提杆三维模型的当前参数，当前参数至少包括尺寸参数、位置参数、姿态
参数；

[0057] 步骤S40、根据当前参数控制计算运动路径，并控制运动装置根据运动路径带动车钩提杆运动，以使得车钩自动连接或者脱钩。

[0058] 关于上述步骤中的示意中，“车钩提杆“是铁路车辆用于连接或断开两个车厢之间詹式车钩机构的结构。具体可理解为一个可以被提起或放下的杆，用于控制车钩的锁定或
解锁。“原始点云数据”为一种三维数据形式，通常通过三维扫描设备(如激光雷达等)获取。
包含包含有车钩提杆大量无序的三维点坐标，这些点坐标代表了被扫描物体的表面形状。
区域点云为从原始点云数据中提取出的特定区域的点云数据，这里特指车钩提杆所在的区
域。提杆中轴线性方程用于描述车钩提杆的中轴线在三维空间中的位置和走向。其为一空
间内的直线方程，通过拟合区域点云数据得到。提杆三维模型是车钩提杆在数字环境中的
表示。

[0059] 在本发明实施例中，尺寸参数指代如提杆的长度、直径等。位置参数为提杆中心点的三维坐标。姿态参数为描述提杆在三维空间中的方向或朝向，通常可以用矩阵表示。

[0060] 在步骤S10中，采用多个传感器来获取包含车钩提杆信息的原始点云数据。为了从大量点云数据中提取出专门代表车钩提杆的点云数据(即区域点云)，通过多传感器的融合
下的图像处理技术或机器学习算法来进行识别和提取。如基于点云的强度、类型、颜色等进
行边缘检测、阈值分割。

[0061] 当分割出区域点云后，提取区域点云进行拟合以获取了提杆的中轴线性方程；此时可以利用已知的提杆参数(如长度、直径等)和该方程来重构车钩提杆的三维模型。可采
用计算机图形学和三维建模技术。从重构的三维模型中，可以获取到提杆的尺寸(如长度、
直径等)、位置(如提杆中心的三维坐标)和姿态(如描述提杆在三维空间中的方向或朝向的
矩阵)等参数。根据当前获取的提杆参数和控制需求(如连接或脱钩操作)，可以使用路径规
划算法来计算运动装置的运动路径。这些算法会考虑到提杆的位置、姿态以及可能的障碍
物或限制条件。在计算出运动路径后，可以使用运动控制系统来控制运动装置按照计算出
的路径进行运动。

[0062] 综上，本发明所提供的总发明构思中，采用自动化操作的步骤加快了脱挂钩的速度，提高了铁路运输的效率。替代人工在铁轨上进行大量重复性摘钩操作的作业，从而降低
了工作人员的安全风险。更重要的是通过实时获取车钩提杆的点云数据，并据此进行三维
模型重构和参数获取，系统可以实时地知道车钩提杆的确切位置、尺寸和姿态，从而确保运
动装置的运动轨迹更加精确和准确。降低了因火车振动或提杆姿态变化而导致的无法提起
或结构干涉的风险。且由于系统是基于实时数据进行操作的，因此它可以适应不同车型、不
同姿态和不同位置的车钩提杆。即使在火车运动伴随振动的情况下，系统也能实时调整运
动装置的运动轨迹，确保操作的顺利进行。

[0063] 如图2，基于以上的总发明构思，在步骤S10的一种可选方式中，获取原始点云数据并在原始点云数据中提取车钩提杆的区域点云，包括：

[0064] 步骤S11、获取车钩提杆至少两个方向上的二维图像；

[0065] 步骤S12、获取车钩提杆的原始点云数据；

[0066] 步骤S13、对多个二维图像利用边缘检测提取车钩提杆的轮廓框，并结合多个方向下的轮廓框计算出车钩提杆在三维空间中的搜索范围；

[0067] 步骤S14、在搜索范围内对原始点云数据进行分割以获得区域点云。

[0068] 可理解，使用第一传感器(如2D相机)从不同角度对车钩提杆所在的目标区域进行拍摄，确保至少有两个不同的角度可以清晰地看到车钩提杆的轮廓。二维图像用于后续的
边缘检测和轮廓提取。同步或者异步使用第二传感器(如激光雷达或深度相机)对目标区域
进行扫描，获取包含车钩提杆的三维空间信息的原始点云数据。

[0069] 采集完成后，对不同方向下的二维图像进行边缘检测，这通常可以通过图像处理库(如OpenCV)中的边缘检测算法(如Canny边缘检测)来实现。提取出车钩提杆的轮廓，并生
成一个包围轮廓的矩形框(轮廓框)。由于是从不同角度拍摄的，所以会有多个轮廓框。结合
多个方向下的轮廓框，通过立体视觉技术或相机标定信息(内外参)，可以初步估算出车钩
提杆在三维空间中的位置和姿态。根据这些估算信息，确定一个三维空间中的搜索范围，这
个范围将用于后续的点云数据分割。

[0070] 进一步在步骤S13中所确定的三维搜索范围内，对原始点云数据进行分割。在本发明实施例中示例性的如：可采用基于欧氏距离的聚类、基于法线方向的分析的任一种等。选
择适合本应用场景的分割方法即可。对分割出的点云进行进一步筛选和细化，确保最终得
到的区域点云准确地表示车钩提杆的区域点云。

[0071] 本领域技术人员应当理解，在执行步骤S11前，需要对第一传感器(2D相机)和得让传感器进行精确的配准，以便更准确地估算车钩提杆在三维空间中的位置和姿态。

[0072] 在本发明实施例可替换的实施例中，也可以不采用相机采用二维图像，利用预先获取车钩提杆相对于车厢的位置，通过识别车厢以提取车钩提杆的区域点云；具体如下：

[0073] 获取原始点云数据并在原始点云数据中提取车钩提杆的区域点云，包括：

[0074] 步骤S11'、预获取车钩提杆在车厢上的位置信息；

[0075] 步骤S12'、根据原始点云数据识别车厢的特征来定位车厢的位置；

[0076] 步骤S13'、根据车厢的位置以及位置信息，在原始点云数据中裁剪出区域点云。

[0077] 可理解，需要预先确定车钩提杆在车厢上的精确位置。这通常可以通过测量、CAD模型、或者历史数据来实现。位置信息可以包括车钩提杆相对于车厢的坐标(如X、Y、Z坐
标)，或者车钩提杆相对于车厢某个特定特征(如车厢门、车厢角等)的相对位置。

[0078] 随后根据原始点云数据进行特征识别，可以使用基于形状的匹配算法(如RANSAC、ICP等)来匹配预建的车厢模型与点云数据中的车厢部分。一旦车厢在点云数据中被成功定
位，就可以根据步骤S11'中获取的车钩提杆的位置信息，在原始点云数据中裁剪出包含车
钩提杆的区域点云。

[0079] 车箱通常具有较大的体积和显著的特征(如形状、尺寸、纹理等)，这些特征在点云数据中相对容易识别和定位。在实际应用中，点云数据可能受到多种因素的影响(如光照、
遮挡、噪声等)，导致直接识别车钩提杆的准确性降低。而先识别车箱的策略可以提供一种
更鲁棒的方法，因为即使车钩提杆的部分特征被遮挡或损坏，只要车箱的主要特征仍然可
见，就可以通过车箱来间接定位车钩提杆。以快速缩小搜索范围，提高处理效率。一旦车箱
被识别，就可以只关注车箱附近的点云数据，从而快速定位车钩提杆。

[0080] 如图3，步骤12中，在获取原始点云数据后，还包括：

[0081] 步骤S121'、去除区域点云中的噪声点；

[0082] 步骤S122'、将平滑处理后的区域点云划分为大小相等的体素，在每个体素内通过计算体素内所有点云的质心或平均位置降维原始点云数据。

[0083] 由于提杆区域的所搜索的点云数量较多，上述为针对原始点云数据的去噪和降重步骤；在一个具体的方案中，如设定一个阈值，将距离周围点过远的点(即孤立点或远离主
体点云的点)视为噪声点并去除。随后对区域点云去噪后剩余的点云进行降维处理，即将点
云空间划分为大小相等的三维体素。在每个体素内，用所有点云的质心(即所有点的加权平
均位置)或平均位置来代表该体素内的所有点，从而实现对原始点云数据的姜伟。减少原始
点云数据中的点数，同时保留其形状和特征。从而消除由于传感器误差、目标物体的表面反
射或其他因素引入的随机噪声，从而提高点云数据的质量。且减少后续处理步骤中的计算
量，提高了响应速度。

[0084] 如图4至图7，在步骤S20中，将区域点云中进行拟合得到提杆中轴线性方程，包括：

[0085] 步骤S21、将区域点云投影至至少两个正交平面以得到两个投影图像，分别获取投影图像中的第一边界线和第二边界线；

[0086] 步骤S22、根据第一边界线和第二边界线计算中轴线点集；

[0087] 步骤S23、通过在中轴线点集中进行直线拟合，以获得平面中轴线方程；

[0088] 步骤S24、结合多个投影图像的平面中轴线方程以获得空间中的提杆中轴线性方程。

[0089] 在本发明实施例中，首先确定正交平面(例如XY和XZ)。将区域点云中的每个点分别投影到这两个平面上。具体来说通过每个点与投影平面法向量的点积，并将结果作为投
影点转换为对应平面上的坐标。在投影后的二维图像上，通过图像处理技术(如边缘检测、
阈值分割等)识别出提杆的边界，从而得到第一边界线和第二边界线。

[0090] 在分别得到了两个正交平面(例如XY平面和XZ平面)上的第一边界线和第二边界线(总计四条线)后，对于每一对通过插值或特征匹配找到的对应点，并计算边界线的中点
构成中轴线点集。

[0091] 在得到了中轴线点集后，我们使用直线拟合技术来找到这些点在投影平面上的最佳直线表示。拟合结果将是一个直线方程，该方程描述了提杆在某一投影平面上的中轴线。

[0092] 此时即具备两个正交平面上中轴线的直线方程，通过求解这两个平面直线的交点，即可得到提杆在三维空间中的提杆中轴线性方程。这个方程将是一个三维直线方程，描
述了提杆的中轴线在三维空间中的位置和方向。

[0093] 如图8，步骤S22中，根据第一边界线和第二边界线计算中轴线点集，包括：

[0094] 步骤S221、在第一边界线间隔预设的第一距离取坐标点以获得第一点集；

[0095] 步骤S222、第二边界线间隔第一距离取坐标点以获得第二点集；

[0096] 步骤S223、第一点集、第二点集中每个坐标点均做垂线与对应的另一条边界相交，获取垂线的中点作为中轴线点集。

[0097] 首先，需要确定第一边界线的起始点和终点。这可以通过图像处理技术(如边缘检测、阈值处理等)来识别边界线，并确定其起始和终止的坐标并计算其距离。将该距离的等
分至n段，每份距离即为上述的第一距离。

[0098] 第一边界线的起始点开始，沿着边界线方向，以“第一距离”为间隔，依次选取坐标点。可以使用循环结构或图像处理库的特定函数来实现这个间隔选点过程，从而组成第一
点集；此时该集合包含了沿着第一边界线均匀分布的多个坐标点。。与步骤S221类似，沿着
第二边界线(即车钩提杆的另一个边缘线)也以相同的预设距离为间隔取坐标点。这些点将
组成第二点集。

[0099] 对于第一点集中的每个点，做一条垂直于第一边界线的垂线，使其与第二边界线相交。这条垂线的中点被认为是中轴线上的一个点。对第二点集中的每个点也进行相同的
操作，做一条垂直于第二边界线的垂线，使其与第一边界线相交，并获取垂线的中点。所有
这些垂线的中点将组成中轴线点集。

[0100] 如图9，在中轴线点集中进行直线拟合，以获得平面中轴线方程，包括：

[0101] 步骤S231、在中轴线点集中随机选取两个坐标点代入线性方程以获得拟合直线方程；

[0102] 步骤S232、计算中轴线点集中其他坐标点至该拟合直线方程的距离d，将距离d小于预设的距离阈值的坐标点归为局内坐标点；

[0103] 步骤S233、循环迭代至预设的迭代次数并每次迭代获取局内坐标点的数量，选择局内坐标点数量最多的拟合直线方程作为平面中轴线方程。

[0104] 由于两点确定一条直线，由此可使用这两个点的坐标来得到直线的方程。在二维空间中，直线的方程可以示例为y＝mx+c，其中m是斜率，c是截距。从中轴线点集中中随机选
取两个点，如坐标(x1,y1)和(x2,y2)，代入直线方程来求解m和c。在得到了拟合直线方程
后，需要判断点集中的其他点是否接近这条直线。本发明实施例中通过计算点到直线的距
离来实现：对于二维直线y＝mx+c和点(x0,y0)，点到直线的距离d可以用公式计算。将计算
出的距离d与预设的距离阈值进行比较。如果d小于阈值，则认为该点接近拟合直线，将其归
类为局内坐标点。重复步骤S231和S232多次(即迭代)，每次都随机选取两个点来拟合直线，
并计算局内点的数量。在所有的迭代完成后，选择具有最多局内点的拟合直线作为最终的
平面中轴线方程。即被认为具有最多局内点的直线最有可能是真正的平面中轴线。

[0105] 如图10，为了进一步提高精准度以及响应速度，本发明实施例针对步骤S23进行改进；如步骤S23中循环迭代至预设的迭代次数，选择局内坐标点最多的拟合直线方程作为平
面中轴线方程，包括：

[0106] 步骤S2331、获取当前拟合直线方程对应的局内坐标点的数量，并将局内坐标点的数量和预设的数量阈值对比；

[0107] 步骤S2332、当局内坐标点的数量小于数量阈值时，则在中轴线点集中重新随机选取两个坐标点代入线性方程以获得拟合直线方程。

[0108] 在每次迭代过程中，当通过随机选取的两个点拟合出直线方程后，计算并获取这条直线对应的局内坐标点的数量。将这个局内坐标点的数量与一个预设的数量阈值进行对
比。这个数量阈值是一个根据实际需求设定的值，用于判断当前拟合的直线是否足够好；如
果当前拟合直线对应的局内坐标点数量小于预设的数量阈值，说明这条直线可能不是最优
的，或者数据中的噪声点较多，导致无法找到足够多的局内点。在这种情况下，执行中轴线
点集中重新随机选取两个坐标点，并代入线性方程以获得新的拟合直线方程。这个过程会
重复进行，直到找到一条局内坐标点数量满足数量阈值的拟合直线，或者达到预设的最大
迭代次数。这种改进可以显著提高算法的响应速度，因为当找到一条足够好的拟合直线时，
算法才开始后续的迭代过程，而不需要进行不必要的额外计算。同时，由于数量阈值的引
入，算法也能在一定程度上提高拟合直线的精准度，因为它会倾向于选择那些具有更多局
内点的拟合直线。

[0109] 如图11，基于上述，局内坐标点的数量大于数量阈值的基础上，还包括执行以下步骤：

[0110] 步骤S2333、在每次迭代均将当前的拟合直线方程所对应的局内坐标点数量，和之前每次拟合直线方程的局内坐标点数量进行对比；

[0111] 步骤S2334、如当前的局内坐标点数量均大于之前每次拟合直线方程的局内坐标点数量，则将当前的拟合直线方程保留；

[0112] 步骤S2335、当循环迭代至预设的迭代次数时，输出最终保留的拟合直线方程作为提杆中轴线性方程。

[0113] 在进行每一次迭代时(比如随机选取两个点拟合直线后)，计算当前拟合直线对应的局内坐标点数量。将当前拟合直线的局内坐标点数量与之前迭代过程中记录的最佳拟合
直线的局内坐标点数量进行对比。

[0114] 可理解，结合步骤S2334，此处的“之前每次拟合直线方程的局内坐标点数量”实际上已经指代目前为止找到的具有最多局内坐标点的拟合直线的数量。

[0115] 如果当前迭代得到的拟合直线的局内坐标点数量大于或等于之前保留的最佳拟合直线的局内坐标点数量，那么我们认为当前的拟合直线是一个更优的解(或者至少与之
前的解一样好)。我们会将当前的拟合直线方程作为新的最佳拟合直线方程保留下来，以便
后续迭代中与之对比。

[0116] 无论是否找到了满足数量阈值的拟合直线，当迭代次数达到预设的最大值时，算法都应该停止迭代并输出结果。此时，输出的是在迭代过程中最终保留的拟合直线方程，即
具有最多局内坐标点的拟合直线方程，作为提杆的中轴线性方程。

[0117] 通过持续迭代并更新最佳拟合直线方程，算法有机会找到更加接近真实数据分布的拟合直线，从而提高拟合的准确性。即使初始找到的拟合直线已经满足数量阈值的要求，
但可能仍然不是最优解。通过继续迭代，算法可以进一步优化拟合结果。通过持续迭代并保
留最佳解，算法可以更好地抵抗这些干扰因素，从而增强拟合结果的鲁棒性。即使数据中存
在少量的噪声或异常值，算法也能够找到一个相对稳定的拟合直线。

[0118] 如图12，更进一步地，该自动控制方法还包括：

[0119] 步骤S2336、如当前的局内坐标点数量小于之前每次拟合直线方程的局内坐标点数量，则在中轴线点集中重新随机选取两个坐标点代入线性方程以获得拟合直线方程；

[0120] 步骤S2337、如当前的局内坐标点数量均大于之前每次拟合直线方程的局内坐标点数量时，则在当前的局内坐标点中重新随机选取两个坐标点代入线性方程以获得拟合直
线方程。

[0121] 可理解，如果在当前迭代中，拟合直线的局内坐标点数量比之前任何一次迭代都要少，这意味着当前的拟合直线可能并不理想。因此，算法决定在中轴线点集中重新随机选
取两个坐标点来拟合新的直线方程。从而增加了找到更好拟合直线的机会，因为通过重新
选择点，算法有机会避开之前可能导致较差拟合的点集。有助于算法从可能的局部最优解
中跳出，探索更广阔的解空间。

[0122] 反之，如果当前迭代得到的拟合直线方程的局内坐标点数量比之前所有迭代都要多，这通常意味着当前直线是一个更好的拟合。然而，为了继续探索更优的解，算法选择在
当前的局内坐标点中重新随机选取两个点来拟合新的直线方程。通过在已经表现良好的局
内坐标点中重新选择点，算法能够更精细地调整拟合直线的参数，进一步提高拟合的精度。
这有助于算法在已知较好的解附近进行微调，以找到更加精确的最优解，可减少所需迭代
的次数。

[0123] 综上，通过对该算法的改进，共同增强了算法的搜索能力，使其能够在迭代过程中不断尝试新的点集，以找到最优的拟合直线方程。通过在不同条件下(局内点数量增加或减
少)采取不同的选择策略，算法能够更加灵活地应对不同的数据分布和噪声情况，从而提高
了算法的鲁棒性和适应性。迭代和随机选择的过程有助于算法跳出局部最优解，探索更广
阔的解空间，从而找到全局最优或接近全局最优的拟合直线方程。

[0124] 在执行步骤S20后，同时会对拟合直线方程所获得的结果(指代提杆中轴线性方程)，通过法向量方向和长度进行判定，当不满足预期情况时，会再次进行步骤，最多进行三
次，都不成功会进行预警上报；具体如下：

[0125] 在区域点云中进行拟合得到提杆中轴线性方程后，还包括以下步骤：

[0126] 步骤S21'、根据提杆中轴线性方程获取中轴线的长度信息，将长度信息和标定的长度指标进行对比计算长度误差值，并判断长度误差值是否在预设的允许尺寸公差范围
内；

[0127] 步骤S22'、根据提杆中轴线性方程获取中轴线的方向信息，并判断方向信息是否在预设的允许角度公差范围内；

[0128] 步骤S23'、若长度误差值超出允许尺寸公差范围；和/或长度误差值超过允许角度公差范围，重新循环执行步骤S10至步骤S20；

[0129] 步骤S24'、当重新循环执行步骤S10至步骤S20的循环次数达到预设的循环阈值，停止循环并预警上报。

[0130] 即在得到提杆中轴线性方程后，选取中点集的极值坐标代入，以估计中轴线的长度信息，将提取出的长度信息与预标定的长度指标进行对比，计算长度误差值。判断长度误
差值是否在预设的允许尺寸公差范围内。随后根据提取的方向信息(法向量)与预标定的姿
态指标进行对比，计算角度误差。判断角度误差是否在预设的允许角度公差范围内。如果长
度误差值超出允许尺寸公差范围，或者角度误差超出允许角度公差范围，则需要进行重试。
重新循环执行步骤S10至步骤S20，以尝试得到更符合预期的参数。当重新循环执行步骤S10
至步骤S20的循环次数达到预设的循环次数(例如，最多进行三次)，停止循环。将循环中的
提杆中轴线性方程、点云以及相关参数等作为预警信息进行上报。可理解，长度指标和姿态
指标其实就是指实际测量的车钩提杆的实际参数。

[0131] 如图13，步骤S40中根据当前参数控制计算运动路径，并控制运动装置根据运动路径带动车钩提杆运动，以使得车钩自动连接或者脱钩，包括：

[0132] 步骤S41、根据当前参数计算运动装置的抓取点；

[0133] 步骤S42、根据抓取点的当前位置和预设的连钩位置或者脱钩位置，通过路径规划算法计算计算对应的运动路径；

[0134] 步骤S43、控制运动装置根据运动路径带动车钩提杆运动，以使得车钩自动连接或者脱钩。

[0135] 首先获取关于车钩提杆的当前参数，这些参数通过之前重构的提杆三维模型获得，包括尺寸参数(如长度、宽度等)、位置参数(如X、Y、Z坐标)和姿态参数(如旋转角度等)。
基于这些参数，系统可以准确地计算车钩提杆的抓取点(如车钩提杆的中点处)。

[0136] 在一个示例性的实施例中，首先标定好的连钩位置以及脱钩位置，即是车钩提杆需要到达的目标位置。目标位置可以是一个三维空间中的点。随后创建一个包含障碍物、限
制区域、可移动空间等信息的静态环境模型。根据应用场景的需求和约束条件，选择合适的
路径规划算法，如A*算法、Dijkstra算法、RRT(快速随机树)算法、PRM(概率路线图)算法、动
态窗口法(DWA)等。设置算法的起始点(抓取点的当前位置)和目标点(预设的连钩或脱钩位
置)。设定算法的搜索参数，如步长、搜索范围、最大迭代次数等。在环境模型中运行路径规
划算法，从起始点开始搜索到达目标点的路径。算法会考虑环境中的障碍物和限制区域，避
免与它们发生碰撞。通过不断尝试和扩展可能的路径，直到找到一条从起始点到目标点的
无碰撞路径，即为运动路径。

[0137] 基于计算出的运动路径，系统向运动装置发送控制指令。这些指令详细描述了运动装置需要执行的动作。运动装置接收到指令后，会按照指令执行相应的动作，带动车钩提
杆沿着规划好的运动路径移动。当车钩提杆到达目标位置时，车钩实现连接或脱钩操作。

[0138] 如图14，本发明实施例还提供一种用于车钩提杆的自动控制系统100，该自动控制系统100包括：

[0139] 运动装置10，运动装置10连接于车钩提杆200，以能够带动车钩提杆200运动；

[0140] 第一传感器20，获取包含车钩提杆200的目标区域处的二维图像；

[0141] 第二传感器30，获取包含车钩提杆200的目标区域处的原始点云数据；

[0142] 控制器40，电性连接运动装置10、第一传感器20以及第二传感器30；控制器40被配置成：

[0143] 使用第一传感器从不同角度对车钩提杆所在的目标区域进行采集，以获取至少两个方向上的二维图像；

[0144] 使用第二传感器对目标区域进行扫描，获取原始点云数据；

[0145] 对多个二维图像利用边缘检测提取车钩提杆的轮廓框，并结合多个方向下的轮廓框计算出车钩提杆在三维空间中的搜索范围；

[0146] 在搜索范围内对原始点云数据进行分割以获得区域点云；

[0147] 在区域点云中进行拟合得到提杆中轴线性方程；

[0148] 通过车钩提杆的已知参数围绕提杆中轴线性方程重构车钩提杆的提杆三维模型，并获取提杆三维模型的当前参数，当前参数至少包括尺寸参数、位置参数、姿态参数；

[0149] 根据当前参数控制计算运动路径，并控制运动装置根据运动路径带动车钩提杆运动，以使得车钩自动连接或者脱钩。

[0150] 其中，运动装置10可以是机械臂、衍架、吊车、多轴运动结构等，具体根据现场环境进行配置。

[0151] 如图15，在一种车钩提杆的形态中可以为如图所示，提杆装置10连接于车钩提杆的末端，以带动车钩提杆进行向上提拉，即可完成车钩的脱离。

[0152] 此时车钩提杆在被运动装置10的末端抓取后，路径规划算法计算提拉的方向以及提拉的行程，直至抵达目标位置即可。

[0153] 如图16，作为一种优选方案，车钩提杆还可以为图所示，提杆装置10连接于车钩提杆的末端，通过带动车钩提杆转动，以完成车钩的连接或者脱离。

[0154] 对应地，车钩提杆在被运动装置10的末端抓取后，路径规划算法计算提拉的转动角度，直至抵达目标位置即可。

[0155] 当然，根据车钩提杆的不同，其传感器的布局，以及脱钩、挂钩的目标位置，以及所计算的运动轨迹均有所变化，具体可适应性设置。

[0156] 在本发明实施例中，第一传感器20是一个或多个视觉传感器(当采用一个摄像头时，其需要设置成能够运动)，用于从不同角度获取包含车钩提杆的目标区域的二维图像。
第二传感器30是三维激光雷达或类似的传感器，用于扫描目标区域并获取原始点云数据。

[0157] 该系统通过控制器40控制运动装置10、第一传感器20和第二传感器30，实现了车钩提杆200的自动连接或脱钩，大大提高了自动化程度，减少了人工操作的需求。系统结合
了二维图像处理和三维点云数据处理技术，能够准确提取车钩提杆的轮廓，并通过多个方
向下的轮廓框计算出车钩提杆在三维空间中的精确位置，从而提高了操作的精准度。且通
过构建车钩提杆的提杆三维模型，并获取其当前参数(包括尺寸参数、位置参数、姿态参
数)，系统能够适应不同型号、不同状态的车钩提杆，具有较强的适应性。

[0158] 依照上述的自动控制方法，本发明的实施例还提供一种计算机可读存储介质，计算机可读存储介质存储有一个或者多个程序，一个或多个程序可被一个或者多个处理器执
行，以实现上述的自动控制方法。

[0159] 本领域的技术人员可以理解，本发明的方法步骤可以通过计算机程序来指示相关的硬件如电子设备或处理器完成，计算机程序可存储于非暂时性计算机可读存储介质中，
该计算机程序被执行时导致本申请的步骤被执行。根据情况，本文中对存储器、存储或其它
介质的任何引用可包括非易失性或易失性存储器。非易失性存储器的示例包括只读存储器
(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)、闪存、磁带、
软盘、磁光数据存储装置、光学数据存储装置、硬盘、固态盘等。易失性存储器的示例包括随
机存取存储器(RAM)、外部高速缓冲存储器等。

[0160] 在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在
第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示
第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第
一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。

[0161] 以上结合附图详细描述了本发明的优选实施方式，但是，本发明并不限于此。在本发明的技术构思范围内，可以对本发明的技术方案进行多种简单变型，包括各个具体技术
特征以任何合适的方式进行组合，为了避免不必要的重复，本发明对各种可能的组合方式
不再另行说明。但这些简单变型和组合同样应当视为本发明所公开的内容，均属于本发明
的保护范围。

[0162] 尽管上面已经示出和描述了本发明的实施方式，可以理解的是，上述实施方式是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对
上述实施方式进行变化、修改、替换和变型。