CN107316328B - 一种基于二维激光扫描仪角点特征的闭环检测方法 - Google Patents
一种基于二维激光扫描仪角点特征的闭环检测方法 Download PDFInfo
- Publication number
- CN107316328B CN107316328B CN201710331979.4A CN201710331979A CN107316328B CN 107316328 B CN107316328 B CN 107316328B CN 201710331979 A CN201710331979 A CN 201710331979A CN 107316328 B CN107316328 B CN 107316328B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- signature
- dimensional
- signatures
- edge
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000009826 distribution Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000005266 casting Methods 0.000 claims description 2
- 230000002194 synthesizing effect Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 5
- 230000004313 glare Effects 0.000 description 12
- 238000011160 research Methods 0.000 description 6
- 241001653634 Russula vesca Species 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种新颖的基于二维扫描仪角点特征的闭环检测方法,旨在减小二维点云地图创建过程中的累积误差。方法首先利用二维点云的角点特征来生成单帧点云的签名,该签名具有旋转不变性的特征,并利用点云签名之间的相似性来衡量点云之间的相似性。同时给出了一种基于点云角点特征之间几何结构的相对位姿计算方法,该方法具有相对位姿计算结果精度高的优点。利用得到的相似帧之间的相对位姿来构建图模型,对图模型进行优化,最后输出优化后的点云全局位姿信息完成闭环检测。该方法有效地减少了二维点云地图创建过程中的累积误差,大大提高了二维点云地图的质量。
Description
技术领域
本发明属于激光定位与导航技术领域,特别地涉及一种基于二维激光扫描仪角点特征的闭环检测方法。在闭环检测方法中,涉及了二维点云的签名生成方法和相似点云间的相对位姿计算方法。
背景技术
在SLAM中,只是依靠scan match或者里程计来建立地图的话,由于误差累积问题的存在,最终生成的地图会与实际环境有很大的偏差,而闭环算法作为校正这一偏差的重要方法,具有非常大的研究价值。一般而言,闭环算法可以分为两个步骤,首先需要进行地点识别,然后需要计算相似两帧之间的相对位姿进而生成图模型。地点识别的主要任务是当移动机器人从地点A出发后行进一段时间再度回到地点A时,需要能够识别出它之前到过地点A,即能检测到当前在A地扫到的数据帧F与出发时在A地扫到的数据帧F’具有相对较高的相似度。在地点识别完成之后,移动机器人需要计算两帧之间的相对位姿,同时根据得到的相对位姿也可以对两帧之间的相似度进行验证。在视觉领域,学者们已经对闭环算法进行了非常广泛的研究。相比之下,基于2D Lidar的SLAM闭环算法研究工作就显得寥寥无几。而在基于2D Lidar的闭环算法本就不多的研究工作中,利用栅格地图的研究又占了很大的比重。利用原始2D点云数据来进行闭环检测的工作不多的一个重要原因就是上一章中所提到的,即针对2D Lidar进行特征提取的研究工作不多。而特征点作为闭环检测中地点识别环节的重要判定依据,与其相关的研究工作的缺乏直接导致了在原始2D点云数据上进行闭环检测工作的缺乏。从2010年以来,随着Flirt、FALKO等算法的提出,基于2D Lidar原始数据的闭环检测算法也打下了基础。在之后的时期里,也出现了一些很有意义的基于2DLidar的闭环检测工作,诸如GFP、GLARE、GSR以及GLAROT(GLAre ROTation-invariant)等,其中前三者是基于Flirt特征,GLAROT是基于FALKO。这些工作的一个共同点就是利用这些针对2D Lidar的特征提取算法来将每帧数据压缩为一张用提取出的特征点生成的签名,这样就可以通过计算两张签名之间的距离大小来判断两帧数据之间的相似性,从而完成地点识别的任务。签名的生成方式可以分为两大类,一种需要通过结合特征描述子,例如GFP用特征描述子顺时针方向组合形成的短语来作为单帧数据的签名,另一种则是通过对特征点之间的相对位置关系进行离散化生成一个二维数组来作为单帧数据的签名,其中的代表是GLARE。GLARE对单帧数据中每对特征点之间连成的线段的距离d和角度θ进行离散化成nd和nθ,考虑到噪声的影响,GLARE没有采用one-hot的方式而是用一个以(nd,nθ)为中心的二元高斯分布来进行建模,最后所有特征点对形成的二元高斯分布之和作为最后的签名。GSR是在GLARE的基础上进行了改进,它把特征点之间的角度定义为两点法向量的角度之差,这使得GLARE具有了旋转不变性,相应的代价是计算量变大。GLAROT与GLARE和GSR不同之处在于它是基于FALKO特征。与GSR一样,它也具有旋转不变性,但它实现旋转不变性的方式与GSR实现旋转不变性的方式并不相同。GSR是在GLARE的基础上,改变了签名生成方式来获得旋转不变性,而GLAROT的签名生成方式与GLARE相同,它通过改变计算两张签名之间相似度的方式来获得旋转不变性,这样使得GLAROT的计算量相比GSR要减轻很多。检索得到相似度最高的帧后,需要解算出两帧之间的相对位姿。
发明内容
本发明针对构建二维点云地图累积误差过大的情况,设计了一种基于二维激光扫描仪角点特征的闭环检测方法,用于减小二维点云地图创建过程中的累积误差。本发明具体可以分为点云签名生成以及相对位姿计算两大部分;第一,提出了一种具有旋转不变性的点云签名生成方法;第二,提出了一种高精度的相似点云之间相对位姿的计算方法。
本发明的技术方案为:一种基于二维激光扫描仪角点特征的闭环检测方法,利用从二维激光扫描仪获得的二维点云数据中提取出的角点特征F,对二维点云数据C进行以下步骤处理:
步骤1:利用提出得到的二维点云角点特征F,生成二维点云C的签名,该签名具有旋转不变性的特征。根据两帧点云签名之间的欧氏距离来衡量两帧点云之间的相似性。
步骤2:利用点云角点特征之间的几何结构来计算相似两帧点云之间的相对位姿,并用两帧点云之间的相对位姿构建图模型,对图模型进行优化后输出优化后的全局位姿。
进一步地,点云类型为二维点云,方法旨在对二维点云数据进行闭环检测,减小二维点云地图的累积误差。
进一步地,二维点云的签名通过以下方法得到:
(1.1)对二维点云中任意两个特征点之间形成的线段的距离和角度进行离散化。
(1.2)对离散化后的距离和角度进行高斯建模。
(1.3)综合所有特征点对相应的高斯模型,生成二维点云的归一化后的签名。
(1.4)将得到的签名沿角度轴平移N个槽位,得到二维点云签名对应的N个平行签名。
(1.5)对任意两帧点云的签名,其距离定义为一帧点云的签名与另一帧点云M个平行签名之间最小的欧式距离。
进一步地,两个特征点之间形成的线段的距离和角度离散化通过以下方法得到:
(1.1.1)对其中任意两个特征点Fi和Fj,其对应的坐标为(xi,yi)和(xj,yj),则两个特征点之间形成的线段的距离和角度为:
进一步地,对离散化后的距离和角度进行高斯建模通过以下方法得到:所建立的高斯分布模型Gij的中心在nij=(nd,nψ),方差为Ωij。
进一步地,平行签名通过以下方法得到:签名的角度轴槽的个数为Nψ,对得到的签名沿着角度轴循环平移Nψ个槽位,得到Nψ个平行签名。
进一步地,两帧点云签名之间的距离通过以下方法得到:选出两帧签名Signature1、Signature2的峰值,其所在的角度槽值分别为nψ1、nψ2,两者之间差值为Δψ=nψ1-nψ2,选取一个合适的范围[Δψ-Δ,Δψ+Δ],从Signature2对应的Nψ个平行签名中选取平移量在上述范围内的共计2Δ个平行签名,并从中选取与Signature1之间最小的欧式距离作为两帧签名之间的最终距离。
进一步地,相似两帧点云之间的相对位姿通过以下方法得到:
2.1)两帧签名对应的数据帧中的角点分别构成了一个无向图,无向图中的节点对应数据帧中的角点,无向图中两个节点之间的边为对应数据帧中两角点之间的欧式距离,得到的两个无向图分别为G1(V,E)和G2(V,E)。
2.2)对于G1(V,E)中每一条边edge1i,从G2(V,E)中选取与其长度最接近的边为edge2i,若两条边之间长度的差值在阈值以内,就认为两条边匹配上,反之,认为edge1i在G2(V,E)中不存在与其匹配的边。
2.4)遍历完G1(V,E)中每一条边后,得到对所有点对的投票结果,对G1(V,E)中的每个节点,选取与其关联的配对得票数最高的节点作为G2(V,E)中与之配对的节点,若最高的得票数为0,则认为该节点在G2(V,E)中没有与之匹配的节点。
2.5)计算所有配对上的两个节点之间的平均相对位移作为两帧点云之间的相对位姿。
本发明的有益效果是:
(1)本发明设计了一种二维点云签名生成方法,生成的签名具有旋转不变性,可以根据两帧签名之间的距离来衡量两帧点云之间的相似性。
(2)给出了一种相似两帧点云之间的评价函数,可以精确地计算出两帧点云之间的相对位姿。
附图说明
图1为本发明基于二维激光扫描仪角点特征的闭环检测方法的步骤流程图;
图2为本发明二维点云签名生成示例;
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应该理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
相反,本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步,为了使公众对本发明有更好的了解,在下文对本发明的细节描述中,详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述可以完全理解本发明。
基于二维激光扫描仪角点特征的闭环检测方法,利用从二维激光扫描仪获得的二维点云数据中提取出的角点特征F,对二维点云数据C进行以下步骤处理:
步骤1:利用提出得到的二维点云角点特征F,生成二维点云C的签名,该签名具有旋转不变性的特征;根据两帧点云签名之间的欧氏距离来衡量两帧点云之间的相似性;
二维点云的签名通过以下方法得到:
1.1)对二维点云中任意两个特征点之间形成的线段的距离和角度进行离散化;
两个特征点之间形成的线段的距离和角度离散化通过以下方法得到:
1.2)对离散化后的距离和角度进行高斯建模;所建立的高斯分布模型Gij的中心在nij=(nd,nψ),方差为Ωij。
1.3)综合所有特征点对相应的高斯模型,生成二维点云的归一化后的签名;
1.4)将得到的签名沿角度轴平移N个槽位,得到二维点云签名对应的N个平行签名;平行签名通过以下方法得到:签名的角度轴槽的个数为Nψ,对得到的签名沿着角度轴循环平移Nψ个槽位,得到Nψ个平行签名。
1.5)对任意两帧点云的签名,其距离定义为一帧点云的签名与另一帧点云M个平行签名之间最小的欧式距离;
两帧点云签名之间的距离通过以下方法得到:选出两帧签名Signature1、Signature2的峰值,其所在的角度槽值分别为nψ1、nψ2,两者之间差值为Δψ=nψ1-nψ2,选取一个范围[Δψ-Δ,Δψ+Δ],从Signature2对应的Nψ个平行签名中选取平移量在上述范围内的共计2Δ个平行签名,并从中选取与Signature1之间最小的欧式距离作为两帧签名之间的最终距离。
步骤2:利用点云角点特征之间的几何结构来计算相似两帧点云之间的相对位姿,并用两帧点云之间的相对位姿构建图模型,相似两帧点云之间的相对位姿通过以下方法得到:
2.1)两帧签名对应的数据帧中的角点分别构成了一个无向图,无向图中的节点对应数据帧中的角点,无向图中两个节点之间的边为对应数据帧中两角点之间的欧式距离,得到的两个无向图分别为G1(V,E)和G2(V,E);
2.2)对于G1(V,E)中每一条边edge1i,从G2(V,E)中选取与其长度最接近的边为edge2i,若两条边之间长度的差值在阈值以内,就认为两条边匹配上,反之,认为edge1i在G2(V,E)中不存在与其匹配的边;
2.4)遍历完G1(V,E)中每一条边后,得到对所有点对的投票结果,对G1(V,E)中的每个节点,选取与其关联的配对得票数最高的节点作为G2(V,E)中与之配对的节点,若最高的得票数为0,则认为该节点在G2(V,E)中没有与之匹配的节点;
2.5)计算所有配对上的两个节点之间的平均相对位移作为两帧点云之间的相对位姿。
最后,对图模型进行优化后输出优化后的全局位姿。
实施例1
参考图1,所示为本发明实施例的针对二维激光扫描仪的角点特征提取方法的步骤流程图,其具体步骤如前所述,不再赘述,仅给出各步骤的参数。
通过分辨率为π/180的二维激光扫描仪获得二维点云数据,进行以下步骤处理:
1.利用二维激光扫描仪获得二维点云数据,提取点云中的角点,对于任意两个角点之间的线段,其端点坐标为(0,0),(1,1),线段的长度为1.414m,角度为π/4rad。
2.对线段长度以0.5m为间隔,角度以π/18rad为间隔进行离散化,离散化后线段得到的离散量为(1.414m,π/4rad)∈bin(3,5)。
3.以bin(3,5)为中心进行高斯建模,对应的高斯模型为N(nij-bin(3,5),Ωij)。
4.对所有角点重复步骤1-3,累加得到的高斯模型,并对最终得到的签名进行归一化,签名最终的结果如图2。
5.计算相似两帧点云之间的相对位姿,并在图模型中对应的节点之间添加一条边。
6.对得到的图模型进行优化,输出优化后的位姿,完成闭环检测。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于二维激光扫描仪角点特征的闭环检测方法,其特征在于利用从二维激光扫描仪获得的二维点云数据中提取出的角点特征F,对二维点云数据C进行以下步骤处理:
步骤1:利用提出得到的二维点云角点特征F,生成二维点云C的签名,该签名具有旋转不变性的特征;根据两帧点云签名之间的欧氏距离来衡量两帧点云之间的相似性;
步骤2:利用点云角点特征之间的几何结构来计算相似两帧点云之间的相对位姿,并用两帧点云之间的相对位姿构建图模型,对图模型进行优化后输出优化后的全局位姿;
步骤1中所述二维点云的签名通过以下方法得到:
1.1)对二维点云中任意两个特征点之间形成的线段的距离和角度进行离散化;
1.2)对离散化后的距离和角度进行高斯建模;
1.3)综合所有特征点对相应的高斯模型,生成二维点云的归一化后的签名;
1.4)将得到的签名沿角度轴平移N个槽位,得到二维点云签名对应的N个平行签名;
1.5)对任意两帧点云的签名,其距离定义为一帧点云的签名与另一帧点云M个平行签名之间最小的欧式距离。
3.根据权利要求1所述的方法,其特征在于,(1.2)中所建立的高斯分布模型Gij的中心在nij=(nd,nψ),方差为Ωij。
4.根据权利要求1所述的方法,其特征在于,(1.4)中所述的平行签名通过以下方法得到:签名的角度轴槽的个数为Nψ,对得到的签名沿着角度轴循环平移Nψ个槽位,得到Nψ个平行签名。
5.根据权利要求1所述的方法,两帧点云签名之间的距离通过以下方法得到:选出两帧签名Signature1、Signature2的峰值,其所在的角度槽值分别为nψ1、nψ2,两者之间差值为Δψ=nψ1-nψ2,选取一个范围[Δψ-Δ,Δψ+Δ],从Signature2对应的Nψ个平行签名中选取平移量在上述范围内的共计2Δ个平行签名,并从中选取与Sihnature1之间最小的欧式距离作为两帧签名之间的最终距离。
6.根据权利要求1所述的方法,其特征在于,相似两帧点云之间的相对位姿通过以下方法得到:
2.1)两帧签名对应的数据帧中的角点分别构成了一个无向图,无向图中的节点对应数据帧中的角点,无向图中两个节点之间的边为对应数据帧中两角点之间的欧式距离,得到的两个无向图分别为G1(V,E)和G2(V,E);
2.2)对于G1(V,E)中每一条边edge1i,从G2(V,E)中选取与其长度最接近的边为edge2i,若两条边之间长度的差值在阈值以内,就认为两条边匹配上,反之,认为edge1i在G2(V,E)中不存在与其匹配的边;
2.4)遍历完G1(V,E)中每一条边后,得到对所有点对的投票结果,对G1(V,E)中的每个节点,选取与其关联的配对得票数最高的节点作为G2(V,E)中与之配对的节点,若最高的得票数为0,则认为该节点在G2(V,E)中没有与之匹配的节点;
2.5)计算所有配对上的两个节点之间的平均相对位移作为两帧点云之间的相对位姿。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710331979.4A CN107316328B (zh) | 2017-05-11 | 2017-05-11 | 一种基于二维激光扫描仪角点特征的闭环检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710331979.4A CN107316328B (zh) | 2017-05-11 | 2017-05-11 | 一种基于二维激光扫描仪角点特征的闭环检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107316328A CN107316328A (zh) | 2017-11-03 |
CN107316328B true CN107316328B (zh) | 2020-07-07 |
Family
ID=60181446
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710331979.4A Active CN107316328B (zh) | 2017-05-11 | 2017-05-11 | 一种基于二维激光扫描仪角点特征的闭环检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107316328B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985230A (zh) * | 2018-07-17 | 2018-12-11 | 深圳市易成自动驾驶技术有限公司 | 车道线检测方法、装置及计算机可读存储介质 |
CN109100731B (zh) * | 2018-07-17 | 2022-11-11 | 重庆大学 | 一种基于激光雷达扫描匹配算法的移动机器人定位方法 |
CN113286982A (zh) | 2019-01-19 | 2021-08-20 | 北京嘀嘀无限科技发展有限公司 | 生成、更新和增强大比例尺高精度3d道路地图和多级道路图的***和方法 |
CN109708632B (zh) * | 2019-01-31 | 2024-05-28 | 济南大学 | 一种面向移动机器人的激光雷达/ins/地标松组合导航***及方法 |
CN109614459B (zh) * | 2019-03-06 | 2019-05-28 | 上海思岚科技有限公司 | 应用于二维激光的地图构建回环检测方法及设备 |
CN109848996B (zh) * | 2019-03-19 | 2020-08-14 | 西安交通大学 | 基于图优化理论的大规模三维环境地图创建方法 |
CN112596063B (zh) * | 2020-11-27 | 2024-04-02 | 北京迈格威科技有限公司 | 点云描述子构建方法及装置,闭环检测方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS60217475A (ja) * | 1984-04-12 | 1985-10-31 | Toshiba Corp | ル−プ検出方式とそれを利用したパタ−ン認識装置 |
CN104851094A (zh) * | 2015-05-14 | 2015-08-19 | 西安电子科技大学 | 一种基于rgb-d的slam算法的改进方法 |
CN105336002A (zh) * | 2014-08-01 | 2016-02-17 | 联想(北京)有限公司 | 信息处理方法及电子设备 |
CN105856230A (zh) * | 2016-05-06 | 2016-08-17 | 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 |
CN106056643A (zh) * | 2016-04-27 | 2016-10-26 | 武汉大学 | 一种基于点云的室内动态场景slam方法及*** |
-
2017
- 2017-05-11 CN CN201710331979.4A patent/CN107316328B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS60217475A (ja) * | 1984-04-12 | 1985-10-31 | Toshiba Corp | ル−プ検出方式とそれを利用したパタ−ン認識装置 |
CN105336002A (zh) * | 2014-08-01 | 2016-02-17 | 联想(北京)有限公司 | 信息处理方法及电子设备 |
CN104851094A (zh) * | 2015-05-14 | 2015-08-19 | 西安电子科技大学 | 一种基于rgb-d的slam算法的改进方法 |
CN106056643A (zh) * | 2016-04-27 | 2016-10-26 | 武汉大学 | 一种基于点云的室内动态场景slam方法及*** |
CN105856230A (zh) * | 2016-05-06 | 2016-08-17 | 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 |
Non-Patent Citations (1)
Title |
---|
Efficient Loop Closure based on FALKO LIDAR Features for Online Robot Localization and Mapping;Fabjan Kallasi et al.;《2016 IEEE/RSJ IROS》;20161014;第III-IV节 * |
Also Published As
Publication number | Publication date |
---|---|
CN107316328A (zh) | 2017-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107316328B (zh) | 一种基于二维激光扫描仪角点特征的闭环检测方法 | |
CN113432600B (zh) | 基于多信息源的机器人即时定位与地图构建方法及*** | |
CN110853100B (zh) | 一种基于改进点线特征的结构化场景视觉slam方法 | |
JP5385105B2 (ja) | 画像検索方法およびシステム | |
CN113538486B (zh) | 一种提高汽车钣金工件的识别与定位精度的方法 | |
Cui et al. | Efficient large-scale structure from motion by fusing auxiliary imaging information | |
CN109241901B (zh) | 一种对具有孔洞的三维点云的检测与识别方法 | |
CN114677418B (zh) | 一种基于点云特征点提取的配准方法 | |
CN107818598B (zh) | 一种基于视觉矫正的三维点云地图融合方法 | |
CN101916445A (zh) | 一种基于仿射参数估计的图像配准方法 | |
CN111986219B (zh) | 一种三维点云与自由曲面模型的匹配方法 | |
CN108830888B (zh) | 基于改进的多尺度协方差矩阵特征描述子的粗匹配方法 | |
CN113393524B (zh) | 一种结合深度学习和轮廓点云重建的目标位姿估计方法 | |
CN111429344B (zh) | 基于感知哈希的激光slam闭环检测方法及*** | |
CN116449384A (zh) | 基于固态激光雷达的雷达惯性紧耦合定位建图方法 | |
CN112200915B (zh) | 一种基于靶标三维模型纹理影像的前后形变量检测方法 | |
CN109255815B (zh) | 一种基于零阶球谐函数的物体检测与识别方法 | |
Han et al. | Robust ego-motion estimation and map matching technique for autonomous vehicle localization with high definition digital map | |
CN116309026A (zh) | 一种基于***部特征描述与匹配的点云配准方法及*** | |
CN114463396B (zh) | 一种利用平面形状和拓扑图投票的点云配准方法 | |
WO2018131163A1 (ja) | 情報処理装置、データベース生成装置、方法、プログラム、及び記憶媒体 | |
CN110942077A (zh) | 基于权重局部变化度和l1中值优化的特征线提取方法 | |
CN102679871B (zh) | 亚像素精度工业物体快速检测方法 | |
CN116878542A (zh) | 一种抑制里程计高度漂移的激光slam方法 | |
CN103927782A (zh) | 一种用于深度图像曲面拟合的方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |