CN107246876B - 一种无人驾驶汽车自主定位与地图构建的方法及*** - Google Patents

一种无人驾驶汽车自主定位与地图构建的方法及*** Download PDF

Info

Publication number
CN107246876B
CN107246876B CN201710645663.2A CN201710645663A CN107246876B CN 107246876 B CN107246876 B CN 107246876B CN 201710645663 A CN201710645663 A CN 201710645663A CN 107246876 B CN107246876 B CN 107246876B
Authority
CN
China
Prior art keywords
data
coordinate system
time
laser radar
unmanned
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201710645663.2A
Other languages
English (en)
Other versions
CN107246876A (zh
Inventor
陈常
李猛钢
张亚斌
马域人
汪雷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhongbei Lithium Energy Huaibei Technology Co ltd
Original Assignee
Zhongbei Runliang New Energy Automobile Xuzhou Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhongbei Runliang New Energy Automobile Xuzhou Co ltd filed Critical Zhongbei Runliang New Energy Automobile Xuzhou Co ltd
Priority to CN201710645663.2A priority Critical patent/CN107246876B/zh
Publication of CN107246876A publication Critical patent/CN107246876A/zh
Application granted granted Critical
Publication of CN107246876B publication Critical patent/CN107246876B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
    • G01C21/30—Map- or contour-matching
    • G01C21/32—Structuring or formatting of map data

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Navigation (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开了发明一种无人驾驶汽车自主定位与地图构建的方法及***，利用SLAM的技术，将多种传感器数据进行融合，采用新型的算法结构，构建稳定有效的框架。利用粒子滤波器优化三维激光雷达的数据，将三维激光雷达的数据转换成视觉模型，利用词袋模型进行闭环检测，对无人驾驶汽车进行稳定有效的自主定位与地图构建，提高运算效率和运行速度，应用到无人驾驶汽车***上，进行大规模应用。

Description

一种无人驾驶汽车自主定位与地图构建的方法及***
技术领域
本发明涉及机器人及控制领域，尤其涉及一种无人驾驶汽车自主定位与地图构建的方法。
背景技术
近年来，互联网技术的迅速发展给汽车制造工业带来了革命性变化的机会。与此同时，汽车智能化技术正逐步得到广泛应用，这项技术简化了汽车的驾驶操作并提高了行驶安全性。而其中最典型也是最热门的未来应用就是无人驾驶汽车。在人工智能技术的加持下，无人驾驶高速发展，正在改变人类的出行方式，进而会大规模改变相关行业格局。
对于行驶在未知区域中的无人驾驶汽车而言，由于楼宇、树木遮挡等原因，汽车常处于无信号或弱信号的状态，无法提供有效定位；在环境恶劣的地方，因天气等原因GPS或北斗导航***信号微弱，无法对无人驾驶汽车进行有效的定位。为此，无人驾驶汽车必须具有自主定位与地图构建的能力。通过实时的自主定位与地图构建，获取周围环境信息，确定无人驾驶汽车所处的位置，为路径规划提供重要的依据。
在机器人领域，同时定位与地图构建(simultaneous localization andmapping，SLAM)技术能够对机器人进行实时定位与地图构建，是当今的主要研究对象。
然而如今的无人驾驶汽车大多仍存在于辅助驾驶阶段，缺乏自主定位与地图构建的能力。同时较少的无人驾驶汽车采用单一传感器进行自主定位与地图构建，定位与地图构建精度较低，不能有效的将多种传感器进行融合，或者能够将多种传感器数据进行融合，但是不能够对无人驾驶汽车进行稳定有效的自主定位与地图构建，并且不能大规模普及。
为此发明一种无人驾驶汽车自主定位与地图构建的方法，利用SLAM的技术，将多种传感器数据进行融合，采用新型的算法结构，构建稳定有效的框架，对无人驾驶汽车进行稳定有效的自主定位与地图构建，应用到无人驾驶汽车***上，进行大规模应用。
发明内容
发明目的：为了克服现有技术中存在的不足，本发明提供一种无人驾驶汽车自主定位与地图构建的方法，利用无人驾驶汽车车轮里程计、IMU惯性测量单元、全景摄像头、三维激光雷达的数据，通过数据融合及优化，对无人驾驶汽车进行自主定位与地图构建。
为实现上述目的，本发明采用的技术方案为：
一种无人驾驶汽车自主定位与地图构建的方法，包括以下步骤：
步骤一、初始化无人驾驶汽车的位姿为x0，无人驾驶汽车行驶的轨迹为X1:t＝{x1,x2...xt}，校正无人驾驶汽车车轮里程计、IMU惯性测量单元、全景摄像头、三维激光雷达的时间，使无人驾驶汽车车轮里程计、IMU惯性测量单元、全景摄像头、三维激光雷达的数据保持时间一致性；
步骤二、采集无人驾驶汽车车轮里程计数据U1:t＝{u1,u2...ut}，IMU惯性测量单元的数据I1:t＝{i1,i2...it}，全景摄像头的数据C1:t＝{c1,c2...ct}，三维激光雷达的数据R1:t＝{r1,r2...rt}，汽车大脑通过全景摄像头和三维激光雷达的数据计算出无人驾驶汽车周围所有环境路标为L1:t＝{l1,l2...lt}；
步骤三、利用评价函数F评价全景摄像头采集数据C1:t的复杂程度，根据评价指标选择fast、orb、surf、sift特征点的一种，进一步利用PCL库将数据C1:t转换成点云P1:t；
步骤四、利用粒子滤波器去除三维激光雷达的数据R1:t异常值，与步骤三生成的点云数据P1:t、无人驾驶汽车车轮里程计数据U1:t＝{u1,u2...ut}，IMU惯性测量单元的数据I1:t＝{i1,i2...it}进行数据关联；
步骤五、估计无人驾驶汽车轨迹和周围环境三维地图的后验概率P(X1:t，L1:t|C1:t，R1:t，U1:t，I1:t，x0)，进一步将函数转化成最小二乘法问题进行求解，得出无人驾驶汽车实时位姿xt’；
步骤六、根据步骤五中的无人驾驶汽车实时位姿xt’，利用图优化的方法将步骤三中的点云和步骤四优化的三维激光雷达的数据R1:t实时构建无人驾驶汽车周围环境三维地图；
步骤七、利用词袋模型进行闭环检测，进一步提高人驾驶汽车周围环境三维地图的精度。
优选的是，在步骤三中的环境复杂评价函数，F＝G+H，G为环境的亮度函数，H为sift特征点数量函数，
Figure BDA0001365900140000031
优选的是，在步骤四中，将三维激光雷达的数据的坐标系均转换为世界坐标系下的数据，根据时间戳进行数据关联；
Figure BDA0001365900140000032
Figure BDA0001365900140000033
Figure BDA0001365900140000034
Figure BDA0001365900140000035
数据关联函数:
Figure BDA0001365900140000036
优选的是，在步骤五中的最小二乘法问题中，具体采用g2o模块中Levenberg-Marqudart方法进行求解。
优选的是，在步骤五中，转化后的公式为
Figure BDA0001365900140000037
其中hi,j(Qi-Lj)为关联数据在路标平面图像上投影位置的函数。
优选的是，在步骤六的无人驾驶汽车周围环境三维地图构建中，针对稀疏矩阵采用cholesky分解进行求解，提高运算速度。
优选的是，在步骤七的的闭环检测中，将步骤四优化的三维激光雷达的数据R1:t转换成视觉模型，同样利用词袋模型进行闭环检测。
一种无人驾驶汽车自主定位与地图构建的***，该***包括汽车大脑、车轮里程计、全景摄像头、IMU惯性测量单元和三维激光雷达；所述汽车大脑作为整个***的核心部件，分别与车轮里程计、全景摄像头、IMU惯性测量单元和三维激光雷达相连；所述车轮里程计采集汽车行程数据；所述全景摄像头观测汽车周围视觉环境；所述IMU惯性测量单元采集测量汽车三轴姿态角以及加速度；所述三维激光雷达采集汽车周围环境的点云信息。
本发明有益效果：
本发明提供的一种无人驾驶汽车自主定位与地图构建的方法，利用SLAM的技术，将多种传感器数据进行融合，采用新型的算法结构，构建稳定有效的框架，对无人驾驶汽车进行稳定有效的自主定位与地图构建，应用到无人驾驶汽车***上，进行大规模应用。
附图说明
图1为本发明的无人驾驶汽车自主定位与地图构建的方法示意图；
图2为本发明的无人驾驶汽车自主定位与地图构建的***框图；
图3为本发明实现自主定位的图示；
图4、图5分别为本发明实现地图构建的图示。
具体实施方式
下面结合附图对本发明作更进一步的说明。
如图1，一种无人驾驶汽车自主定位与地图构建的方法，包括以下步骤：
步骤一、初始化无人驾驶汽车的位姿为x0，无人驾驶汽车行驶的轨迹为X1:t＝{x1,x2...xt}，校正无人驾驶汽车车轮里程计、IMU惯性测量单元、全景摄像头、三维激光雷达的时间，使无人驾驶汽车车轮里程计、IMU惯性测量单元、全景摄像头、三维激光雷达的数据保持时间一致性；
步骤二、采集无人驾驶汽车车轮里程计数据U1:t＝{u1,u2...ut}，IMU惯性测量单元的数据I1:t＝{i1,i2...it}，全景摄像头的数据C1:t＝{c1,c2...ct}，三维激光雷达的数据R1:t＝{r1,r2...rt}，汽车大脑通过全景摄像头和三维激光雷达的数据计算出无人驾驶汽车周围所有环境路标为L1:t＝{l1,l2...lt}；
步骤三、利用评价函数F评价全景摄像头采集数据C1:t的复杂程度，根据评价指标选择fast、orb、surf、sift特征点的一种，进一步利用PCL库将数据C1:t转换成点云P1:t；PLC库是一个依赖的开源库，可以当成是一种软件。
在步骤三中的环境复杂评价函数，F＝G+H，G为环境的亮度函数，H为sift特征点数量函数，
Figure BDA0001365900140000041
步骤四、利用粒子滤波器去除三维激光雷达的数据R1:t异常值,与步骤三生成的点云数据P1:t、无人驾驶汽车车轮里程计数据U1:t＝{u1,u2...ut}，IMU惯性测量单元的数据I1:t＝{i1,i2...it}进行数据关联；
将三维激光雷达、的数据的坐标系均转换为世界坐标系下的数据，根据时间戳进行数据关联。
Figure BDA0001365900140000051
Figure BDA0001365900140000052
Figure BDA0001365900140000053
Figure BDA0001365900140000054
数据关联函数
Figure BDA0001365900140000055
步骤五、估计无人驾驶汽车轨迹和周围环境三维地图的后验概率函数
Figure BDA0001365900140000056
进一步将该函数转化成最小二乘法问题进行求解，得出无人驾驶汽车实时位姿xt’；
转化后的公式为
Figure BDA0001365900140000057
其中hi,j(Qi-Lj)为关联数据在路标平面图像上投影位置的函数
在步骤五中的最小二乘法问题中，具体采用g2o模块中Levenberg-Marqudart方法进行求解；
步骤六、根据步骤五中的无人驾驶汽车实时位姿xt’，根据同一时间t下三维激光雷达数据
Figure BDA0001365900140000059
和xt’在中间坐标中位置，进行有序堆积，利用图优化的方法将步骤三中的点云和步骤四优化的三维激光雷达的数据
Figure BDA0001365900140000058
实时构建无人驾驶汽车周围环境三维地图；
在步骤六的无人驾驶汽车周围环境三维地图构建中，针对稀疏矩阵采用cholesky分解进行求解，将一个矩阵分解为若干个矩阵的乘积可以大大降低存储空间，提高运算速度；
步骤七、利用词袋模型进行闭环检测，当遇到重复或已知地域时，能够将运行轨迹进行回环处理，进一步提高人驾驶汽车周围环境三维地图的精度；
在步骤七的的闭环检测中，将步骤四优化的三维激光雷达的数据R1:t转换成视觉模型，同样利用词袋模型进行闭环检测。
如图2所示，一种无人驾驶汽车自主定位与地图构建的***，该***包括汽车大脑1、车轮里程计2、全景摄像头3、IMU惯性测量单元4和三维激光雷达5；
所述汽车大脑1作为整个***的核心部件，分别与车轮里程计2、全景摄像头3、IMU惯性测量单元4和三维激光雷达5相连；所述车轮里程计2采集汽车行程数据；所述全景摄像头3观测汽车周围视觉环境；所述IMU惯性测量单元4采集测量汽车三轴姿态角以及加速度；所述三维激光雷达5采集汽车周围环境的点云信息。其中汽车大脑1配备高性能的CPU和GPU.
如图3所示，给出了本发明实现自主定位的图示，图中的直线为汽车定位的位姿。
图4、图5分别为本发明实现地图构建的图示。本发明提供的一种无人驾驶汽车自主定位与地图构建的方法，利用SLAM的技术，将多种传感器数据进行融合，采用新型的算法结构，构建稳定有效的框架，对无人驾驶汽车进行稳定有效的自主定位与地图构建，应用到无人驾驶汽车***上，进行大规模应用。
以上仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (7)

1.一种无人驾驶汽车自主定位与地图构建的方法，其特征在于，包括以下步骤：
步骤一、初始化无人驾驶汽车的位姿为x0，无人驾驶汽车行驶的轨迹为X1:t＝{x1,x2...xt}，校正无人驾驶汽车车轮里程计、IMU惯性测量单元、全景摄像头、三维激光雷达的时间，使无人驾驶汽车车轮里程计、IMU惯性测量单元、全景摄像头、三维激光雷达的数据保持时间一致性；
步骤二、采集无人驾驶汽车车轮里程计数据U1:t＝{u1,u2...ut}，IMU惯性测量单元的数据I1:t＝{i1,i2...it}，全景摄像头的数据C1:t＝{c1,c2...ct}，三维激光雷达的数据R1:t＝{r1,r2...rt}，汽车大脑通过全景摄像头和三维激光雷达的数据计算出无人驾驶汽车周围所有环境路标为L1:t＝{l1,l2...lt}；
步骤三、利用评价函数F评价全景摄像头采集数据C1:t的复杂程度，根据评价指标选择fast、orb、surf、sift特征点的一种，进一步利用PCL库将数据C1:t转换成点云P1:t；
步骤四、利用粒子滤波器去除三维激光雷达的数据R1:t异常值，与步骤三生成的点云数据P1:t、无人驾驶汽车车轮里程计数据U1:t＝{u1,u2...ut}，IMU惯性测量单元的数据I1:t＝{i1,i2...it}进行数据关联；
步骤五、估计无人驾驶汽车轨迹和周围环境三维地图的后验概率P(X1:t，L1:t|C1:t，R1:t，U1:t，I1:t，x0)，进一步将函数转化成最小二乘法问题进行求解，得出无人驾驶汽车实时位姿xt’；
步骤六、根据步骤五中的无人驾驶汽车实时位姿xt’，利用图优化的方法将步骤三中的点云和步骤四优化的三维激光雷达的数据R1:t实时构建无人驾驶汽车周围环境三维地图；
步骤七、利用词袋模型进行闭环检测，进一步提高无人驾驶汽车周围环境三维地图的精度。
2.根据权利要求1所述的无人驾驶汽车自主定位与地图构建的方法，其特征在于：在步骤三中的环境复杂评价函数，F＝G+H，G为环境的亮度函数，H为sift特征点数量函数，
Figure FDA0002376762600000021
3.根据权利要求1所述的无人驾驶汽车自主定位与地图构建的方法，其特征在于：在步骤四中，将三维激光雷达的数据的坐标系均转换为世界坐标系下的数据，根据时间戳进行数据关联；
Figure FDA0002376762600000022
R1:t为三维激光雷达坐标系下三维激光雷达的数据，
Figure FDA0002376762600000023
为三维激光雷达坐标系到世界坐标系的转换，
Figure FDA0002376762600000024
为世界坐标系下三维激光雷达的数据；
Figure FDA0002376762600000025
P1:t为全景摄像头坐标系下全景摄像头的点云数据，
Figure FDA0002376762600000026
为全景摄像头坐标系到世界坐标系的转换，
Figure FDA0002376762600000027
为世界坐标系下全景摄像头的点云数据；
Figure FDA0002376762600000028
U1:t为车轮里程计坐标系下车轮里程计的数据，
Figure FDA0002376762600000029
为车轮里程计坐标系到世界坐标系的转换，
Figure FDA00023767626000000210
为世界坐标系下车轮里程计的数据；
Figure FDA00023767626000000211
I1:t为IMU惯性测量单元坐标系下IMU惯性测量单元的数据，
Figure FDA00023767626000000212
为IMU惯性测量单元坐标系到到世界坐标系的转换，
Figure FDA00023767626000000213
为世界坐标系下IMU惯性测量单元的数据；
数据关联函数:
Figure FDA00023767626000000214
q函数表示将世界坐标系下的三维激光雷达的数据、全景摄像头的点云数据、车轮里程计的数据和IMU惯性测量单元的数据根据时间t进行数据关联，Qt表示关联后的结果。
4.根据权利要求1所述的无人驾驶汽车自主定位与地图构建的方法，其特征在于：在步骤五中的最小二乘法问题中，具体采用g2o模块中Levenberg-Marqudart方法进行求解。
5.根据权利要求1所述的无人驾驶汽车自主定位与地图构建的方法，其特征在于：在步骤五中，转化后的公式为
Figure FDA0002376762600000031
其中hi,j(Qi-Lj)为关联数据在路标平面图像上投影位置的函数，Qi表示第i时刻数据关联函数Q的值，Lj表示第j时刻无人驾驶汽车周围所有环境路标，x’t为无人驾驶汽车实时位姿，arg min表示求取公式
Figure FDA0002376762600000032
在达到最小时无人驾驶汽车实时位姿xt’的值。
6.根据权利要求1所述的无人驾驶汽车自主定位与地图构建的方法，其特征在于：在步骤六的无人驾驶汽车周围环境三维地图构建中，针对稀疏矩阵采用cholesky分解进行求解，提高运算速度。
7.根据权利要求1所述的无人驾驶汽车自主定位与地图构建的方法，其特征在于：在步骤七的的闭环检测中，将步骤四优化的三维激光雷达的数据R1:t转换成视觉模型，同样利用词袋模型进行闭环检测。
CN201710645663.2A 2017-07-31 2017-07-31 一种无人驾驶汽车自主定位与地图构建的方法及*** Expired - Fee Related CN107246876B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710645663.2A CN107246876B (zh) 2017-07-31 2017-07-31 一种无人驾驶汽车自主定位与地图构建的方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710645663.2A CN107246876B (zh) 2017-07-31 2017-07-31 一种无人驾驶汽车自主定位与地图构建的方法及***

Publications (2)

Publication Number Publication Date
CN107246876A CN107246876A (zh) 2017-10-13
CN107246876B true CN107246876B (zh) 2020-07-07

Family

ID=60013478

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710645663.2A Expired - Fee Related CN107246876B (zh) 2017-07-31 2017-07-31 一种无人驾驶汽车自主定位与地图构建的方法及***

Country Status (1)

Country Link
CN (1) CN107246876B (zh)

Families Citing this family (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108253962A (zh) * 2017-12-18 2018-07-06 中北智杰科技（北京）有限公司 一种低照度环境下新能源无人驾驶汽车定位方法
CN108088456B (zh) * 2017-12-21 2021-07-16 北京工业大学 一种具有时间一致性的无人驾驶车辆局部路径规划方法
JP7032440B2 (ja) * 2018-02-02 2022-03-08 達闥機器人有限公司 測位方法、装置、ロボット及びコンピューター読み取り可能な記憶媒体
CN110832275B (zh) 2018-06-14 2021-05-18 北京嘀嘀无限科技发展有限公司 基于双目图像更新高分辨率地图的***和方法
CN110657801B (zh) * 2018-06-29 2022-02-08 阿里巴巴（中国）有限公司 定位方法、装置以及电子设备
CN109084786B (zh) * 2018-08-09 2020-12-25 北京智行者科技有限公司 一种地图数据的处理方法
CN109633725B (zh) * 2018-10-31 2021-03-30 百度在线网络技术（北京）有限公司 定位初始化的处理方法、装置及可读存储介质
CN111319612B (zh) * 2018-12-13 2021-09-28 北京初速度科技有限公司 一种自动驾驶车辆用地图的自建图方法和***
CN109752724A (zh) * 2018-12-26 2019-05-14 珠海市众创芯慧科技有限公司 一种图像激光一体式导航定位***
WO2020133415A1 (en) * 2018-12-29 2020-07-02 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for constructing a high-definition map based on landmarks
CN109443351B (zh) * 2019-01-02 2020-08-11 亿嘉和科技股份有限公司 一种稀疏环境下的机器人三维激光定位方法
WO2021007716A1 (en) * 2019-07-12 2021-01-21 Beijing Voyager Technology Co., Ltd. Systems and methods for positioning
CN110587597B (zh) * 2019-08-01 2020-09-22 深圳市银星智能科技股份有限公司 一种基于激光雷达的slam闭环检测方法及检测***
CN110726409B (zh) * 2019-09-09 2021-06-22 杭州电子科技大学 一种基于激光slam和视觉slam地图融合方法
CN111044040A (zh) * 2019-12-30 2020-04-21 哈尔滨工业大学 一种用于无人驾驶设备的全地形多传感器数据采集平台
CN111258313B (zh) * 2020-01-20 2022-06-07 深圳市普渡科技有限公司 多传感器融合slam***及机器人
CN111505662B (zh) * 2020-04-29 2021-03-23 北京理工大学 一种无人驾驶车辆定位方法及***
CN111561923B (zh) * 2020-05-19 2022-04-15 北京数字绿土科技股份有限公司 基于多传感器融合的slam制图方法、***
CN112083726B (zh) * 2020-09-04 2021-11-23 湖南大学 一种面向园区自动驾驶的双滤波器融合定位***
CN114001729B (zh) * 2021-11-16 2024-04-26 苏州挚途科技有限公司 定位方法、装置及电子设备
CN117351140B (zh) * 2023-09-15 2024-04-05 中国科学院自动化研究所 融合全景相机和激光雷达的三维重建方法、装置及设备

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8473144B1 (en) * 2012-10-30 2013-06-25 Google Inc. Controlling vehicle lateral lane positioning
CN203133590U (zh) * 2013-03-14 2013-08-14 武汉大学 一种车载同步控制器
CN104777835A (zh) * 2015-03-11 2015-07-15 武汉汉迪机器人科技有限公司 一种全向自动叉车及3d立体视觉导航定位方法
CN204757984U (zh) * 2015-04-13 2015-11-11 武汉海达数云技术有限公司 一体化移动三维测量***
CN105856230B (zh) * 2016-05-06 2017-11-24 简燕梅 一种可提高机器人位姿一致性的orb关键帧闭环检测slam方法
CN106272423A (zh) * 2016-08-31 2017-01-04 哈尔滨工业大学深圳研究生院 一种针对大尺度环境的多机器人协同制图与定位的方法

Also Published As

Publication number Publication date
CN107246876A (zh) 2017-10-13

Similar Documents

Publication Publication Date Title
CN107246876B (zh) 一种无人驾驶汽车自主定位与地图构建的方法及***
Kabzan et al. AMZ driverless: The full autonomous racing system
CN113168708B (zh) 车道线跟踪方法和装置
CN113819914B (zh) 一种地图构建方法及装置
JP2022019642A (ja) マルチセンサ融合に基づく測位方法及び装置
CN112639882B (zh) 定位方法、装置及***
JP2022016419A (ja) 軌跡予測方法及び装置
CN111860493A (zh) 一种基于点云数据的目标检测方法及装置
CN113819905B (zh) 一种基于多传感器融合的里程计方法及装置
CN110901656A (zh) 用于自动驾驶车辆控制的实验设计方法和***
CN113252051A (zh) 一种地图构建方法及装置
CN115457074A (zh) 用于对象检测和跟踪的神经网络
Jun et al. Autonomous driving system design for formula student driverless racecar
CN113920198A (zh) 一种基于语义边缘对齐的由粗到精的多传感器融合定位方法
CN111708010B (zh) 一种可移动设备的定位方法、装置、***及可移动设备
CN117795378A (zh) 用于粒子滤波器跟踪的***和方法
CN117075158A (zh) 基于激光雷达的无人变形运动平台的位姿估计方法及***
US20230123184A1 (en) Systems and methods for producing amodal cuboids
EP4148599A1 (en) Systems and methods for providing and using confidence estimations for semantic labeling
US11809524B2 (en) System and method for training an adapter network to improve transferability to real-world datasets
CN112747752B (zh) 基于激光里程计的车辆定位方法、装置、设备和存储介质
Yildiz et al. CNN based sensor fusion method for real-time autonomous robotics systems
US11443147B2 (en) Systems and methods for object detection using stereovision information
Tian et al. Autonomous formula racecar: Overall system design and experimental validation
CN113066124A (zh) 一种神经网络的训练方法以及相关设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right

Effective date of registration: 20180629

Address after: 221000 Tengfei Road, Xuzhou Quanshan Development Zone, Xuzhou, Jiangsu 6 - 63

Applicant after: ZHONGBEI RUNLIANG NEW ENERGY AUTOMOBILE (XUZHOU) Co.,Ltd.

Address before: 100000 Beijing Dongcheng District Youth Lake North Li 5 Sheng Yuanxiang River Hotel 3 floor 316 rooms.

Applicant before: ZHONGBEI ZHIJIE TECHNOLOGY (BEIJING) CO.,LTD.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20210224

Address after: 235000 south area of bid section B of standardized plant in New Area of Huaibei Economic Development Zone, Anhui Province

Patentee after: Zhongbei lithium energy (Huaibei) Technology Co.,Ltd.

Address before: 221000 no.6-63, Tengfei Road, Quanzhou Development Zone, Xuzhou City, Jiangsu Province

Patentee before: ZHONGBEI RUNLIANG NEW ENERGY AUTOMOBILE (XUZHOU) Co.,Ltd.

TR01 Transfer of patent right
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200707

Termination date: 20210731

CF01 Termination of patent right due to non-payment of annual fee