CN108765487A - 重建三维场景的方法、装置、设备和计算机可读存储介质 - Google Patents
重建三维场景的方法、装置、设备和计算机可读存储介质 Download PDFInfo
- Publication number
- CN108765487A CN108765487A CN201810565152.4A CN201810565152A CN108765487A CN 108765487 A CN108765487 A CN 108765487A CN 201810565152 A CN201810565152 A CN 201810565152A CN 108765487 A CN108765487 A CN 108765487A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- data frame
- subset
- point
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/38—Registration of image sequences
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/55—Depth or shape recovery from multiple images
- G06T7/593—Depth or shape recovery from multiple images from stereo images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/04—Texture mapping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20072—Graph-based image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30184—Infrastructure
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/56—Particle system, point based geometry or rendering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Graphics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
- Processing Or Creating Images (AREA)
- Image Analysis (AREA)
- Optical Radar Systems And Details Thereof (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Navigation (AREA)
- Instructional Devices (AREA)
- Image Generation (AREA)
Abstract
本公开的实施例涉及重建三维场景的方法、装置、设备和计算机可读存储介质。用于重建三维场景的方法包括获取针对三维场景的点云数据帧集合,点云数据帧集合中的点云数据帧各自具有位姿参数。该方法还包括从点云数据帧集合确定与三维场景的一部分相对应的子集。该方法还包括调整子集中的点云数据帧的位姿参数,以得到经调整的子集,经调整的子集包括具有匹配的重叠部分的至少两个点云数据帧。该方法还包括利用经调整的子集来更新点云数据帧集合。以此方式,可以实现对大量点云数据的分布式处理,以提高计算效率。
Description
技术领域
本公开的实施例一般涉及对点云数据的处理,并且更具体地,涉及用于重建三维场景的方法、装置、设备和计算机可读存储介质。
背景技术
高精度地图是无人驾驶技术的重要组成部分,是无人车辆的路径规划和决策控制的基础,也为高精度的车辆自定位提供核心数据。基于车载激光雷达的高精度场景重建是高精度地图制作的先决条件,在全球卫星导航***(GNSS,例如全球定位***GPS)信号良好的环境中,通过差分GPS/惯导***可以得到准确的雷达位姿,按雷达位姿将获取的点云数据投影到世界坐标系下,便可重建出高精度的三维场景。然而,在城市高楼、隧道等场景中,缺失GNSS信号使得此类***无法正常运行。因此,需要提供一种至少部分解决上述技术问题的用于重建三维场景的技术方案。
发明内容
根据本公开的实施例,提供了一种用于重建三维场景的方案。
在本公开的第一方面,提供了一种用于重建三维场景的方法。该方法包括:获取针对所述三维场景的点云数据帧集合,所述点云数据帧集合中的点云数据帧各自具有位姿参数;从所述点云数据帧集合确定与所述三维场景的一部分相对应的子集;调整所述子集中的点云数据帧的位姿参数,以得到经调整的子集,所述经调整的子集包括具有匹配的重叠部分的至少两个点云数据帧;以及利用经调整的子集来更新所述点云数据帧集合。
在本公开的第二方面,提供了一种用于重建三维场景的装置。该装置包括:获取针对所述三维场景的点云数据帧集合,所述点云数据帧集合中的点云数据帧各自具有位姿参数;从所述点云数据帧集合确定与所述三维场景的一部分相对应的子集;调整所述子集中的点云数据帧的位姿参数,以得到经调整的子集,所述经调整的子集包括具有匹配的重叠部分的至少两个点云数据帧;以及利用经调整的子集来更新所述点云数据帧集合。
在本公开的第三方面,提供了一种电子设备。该电子设备包括:一个或多个处理器;以及存储器,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得电子设备实现根据本公开的第一方面的方法。
在本公开的第四方面中,提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现根据本公开的第一方面的方法。
应当理解,发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征,亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。
附图说明
结合附图并参考以下详细说明,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中,相同或相似的附图标记表示相同或相似的元素,其中:
图1示出了能够在其中实现本公开的实施例的示例性环境的示意图;
图2示出了根据本公开的实施例的用于重建三维场景的方法的流程图;
图3示出了根据本公开的实施例的用于确定与三维场景的一部分对应的点云数据帧子集的方法的流程图;
图4示出了根据本公开的实施例的用于调整位姿参数的方法的流程图;
图5示出了根据本公开的实施例的用于重建三维场景的装置的方框图;以及
图6示出了能够实施本公开的实施例的电子设备的方框图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
如上文所提及的,在无人驾驶领域中,目前已有的建图方法,主要是依赖全球卫星导航***(GNSS)/惯导***(SINS)组合导航***提供的高精度全球定位结果来建立地图,该***在空旷的高速公路等地确实能提供厘米级的精度。然而,在高楼密集、隧道等典型城市场景下,GPS信号变弱甚至完全丢失,惯导误差快速累积,无法得到准确的激光雷达位姿,场景重建精度不能满足无人驾驶需求。另外, GPS信号的缺失还导致在点云数据帧的拼接过程中计算量较高,难以实现较高的计算效率和计算精度,对于大规模城市道路而言尤其如此。
针对上述问题,本公开的实施例提供了一种用于重建三维场景的方案。该方案将三维场景分割为多个独立的部分,并针对每一个部分的点云数据帧的位姿参数进行优化。然后,将优化后的每个部分合并在一起。以这种方式,可以实现对三维场景重建和高精度地图的创建的分布式处理,从而提高对复杂场景的处理效率和计算精度。
下面将结合图1到图6来具体描述本公开的实施例。
图1示出了能够在其中实现本公开的实施例的示例性环境100的示意图。在环境100中,安装有激光雷达的采集实体116(例如,车辆)在道路120上运动,以对与采集实体116所处的场景102相关的数据进行采集。
在本公开的上下文中,术语“采集实体”是能够采集点云、数据和/或其他适当数据的实体,例如车辆、人或其他能够运动的设备。激光雷达可以是单线激光雷达、多线激光雷达、3D激光雷达等。应当理解,上述示例仅仅是为了说明的目的,而无意限制本公开的实施例的范围。
在采集实体116运动过程中,激光雷达采集描述采集实体116所处的场景102的三维信息的点云。如图1所示,场景102包括采集实体116当前所处的道路120、采集实体116两侧的树木112以及采集实体116前方的建筑物114等。所采集的点云数据可以描述道路120、树木114以及建筑物114上各点的三维信息,例如空间坐标。另外,场景102还包括一些运动物体,例如,车辆118。因此,所采集的点云数据还可以包括描述车辆118之类的运动物体的三维信息,例如空间坐标。
以多线激光雷达为例,其一次扫描所获得的点云可以称为一帧点云或者一个点云数据帧。例如,如果一个64线激光雷达0.1秒扫描一圈,则该激光雷达一秒钟可以获得10帧点云。本领域技术人员将理解的是,激光雷达等传感器的位置(例如,三维坐标)和方向(例如,姿态角)也可以称为这种传感器的位姿。例如,传感器可以被认为具有由采集3D数据时的位姿参数所定义的位姿。例如,位姿参数可以包括坐标和俯仰角等6个参数。
采集实体116可以将运动过程中采集的点云上传到云存储设备中。本领域技术人员将理解的是,也可以将点云存储在其他存储设备上,而不限于存储到云存储设备。例如,点云也可以存储在诸如硬盘之类的常规存储器中,这些存储器可以设置在例如采集实体116中。
计算设备104可以从云存储设备或其他存储设备获取采集实体 116采集的数据。计算设备104可以是分布式计算设备,其具有并行计算能力以提高处理大规模数据的计算性能。计算设备104可以对点云数据进行处理,重建并输出三维场景,例如,图1所示的场景106。在重建的场景106中,示出了道路126、树木122和建筑物124。在道路126中,还可以包括车道线的信息。重建的场景106可以进一步用于形成高精度地图,以用于自动驾驶等应用中。
应当理解,图1所示的各个部件的数目、结构、连接关系和布局都是示例性的,而非限制性的,并且其中一些部件是可选的。本领域技术人员在本公开的范围内可以在数目、结构、连接关系和布局等方面进行调整。
图2示出了根据本公开的一些实施例的用于重建三维场景的方法 200的流程图。方法200可以由图1所示的计算设备104来执行。如之前所描述的,计算设备104可以是包括多个计算节点的分布式计算设备。
在框202,计算设备104获取针对三维场景的点云数据帧集合,点云数据帧集合中的点云数据帧各自具有位姿参数。例如,点云数据帧集合可以由采集实体在城市道路上通过激光雷达的方式获取。如上所述,在获取点云数据帧时,激光雷达等传感器的位置和方位可以称为与该点云数据帧对应的位姿参数。例如,位姿参数可以包括坐标和俯仰角等6个参数。采集实体还可以包括全球卫星导航***(GNSS) 和/或惯性测量单元(IMU)。GNSS包括全球定位***(GPS)、北斗***、伽利略***、GLONASS等。
在框204,计算设备104从点云数据帧集合确定与三维场景的一部分相对应的子集。以这种方式,可以将三维场景划分为多个部分,各部分与相应的点云数据帧子集相对应。在计算设备104是分布式计算设备的情况下,可以将不同的点云数据帧子集发送给不同的计算节点,从而由不同的计算节点对点云数据帧子集进行并行处理,以提高计算效率,从而有效地解决了城市大规模场景的制图优化计算耗时问题。
根据本公开的实施例,可以通过多种方式来从点云数据帧集合确定与场景的特定部分相对应的子集。图3示出了根据本公开的一些实施例的用于确定点云数据帧子集的方法300的流程图。方法300可以由图1所示的计算设备104来执行。
在框302,计算设备104基于与点云数据帧集合相对应的轨迹,确定三维场景内的路口的位置。点云数据帧集合相对应的轨迹可以基于点云数据帧的初始位姿来确定。例如,点云数据帧的初始位姿可以由全球卫星导航***(GNSS)和/或惯性测量单元(IMU)来确定。在一些实施例中,在采集实体的起点处具有良好的GNSS信号,并可以准确地确定采集实体所处的位置。随着采集实体的行进,GNSS信号可能受到遮挡而变弱或消失,初始位姿可以通过IMU以增量的形式来确定。
在一些实施例中,对一些道路可能进行了多次点云数据采集,因此,对于这些道路可能具有多条轨迹。因此,可以对轨迹图像进行膨胀处理来将对应于多条轨迹的道路合并为一条线。例如,一条道路上可以具有10条轨迹线,可以通过膨胀操作将这10条轨迹线合并为一条线。对于膨胀处理之后的图像,可以通过角点检测方法来确定路口的角点。本领域技术人员将理解的是,可以使用目前已知的或将来开发的角点检测方法来确定路口的角点,本公开在此不受限制。通过角点检测方法,可以检测出与一个路口对应的一个或多个角点。例如,在一个路口可以检测出2或4个点。在一个路口检测出多个角点的情况下,可以通过聚类的方法来确定该路口的位置。可以通过图像的像素反算出该位置的全局坐标系下的平面坐标。
在框304,基于路口的位置,形成连接路口的连接图。例如,根据轨迹的连通性,可以将所确定的路口连接起来,以形成路口的连接图。
在框306,基于连接图,确定封闭的路径作为三维场景的所述部分。例如,通过提取的路口和激光雷达采集的轨迹顺序,得到各个路口坐标的相互连通性,确定各个封闭的路径(也称为闭环或回环)。在这种情况下,可以在点云拼接过程中执行闭环检测(也称回环检测),以减小误差的漂移,提高优化精度。本领域技术人员将理解的是,可以使用目前已知的或者将来开发的任何适当的闭环检测方法来执行闭环检测。
现在返回图2,在框206,调整子集中的点云数据帧的位姿参数,以得到经调整的子集。经调整的子集包括具有匹配的重叠部分的至少两个点云数据帧。例如,可以拼接点云数据帧子集中的各个点云数据帧,以减小各个点云数据帧的重叠部分的重影。
位姿参数可以通过多种方式来调整。图4示出了根据本公开的一些实施例的调整位姿参数的方法400的流程图。方法400可以由计算设备104执行,例如,在计算设备104是分布式计算设备的情况下,方法400可以由分布式计算设备中的一个计算节点来执行。此外,本领域技术人员将理解的是,尽管图4示出了方法400包括依次的多个步骤,然而在不脱离本公开的范围的情况下,这些步骤中的一个或多个可以省略,并且这些步骤的顺序可以进行适当地调整。
在框402,计算设备104从点云数据帧子集的点云数据帧中去除与动态物体相关联的数据点。如图1所示,三维场景102中可能包括动态物体,例如车辆118、行人(未示出)等。对于三维场景102的重建,动态物体可以被视为噪声。因此,为了消除动态物体的影响,可以首先将表示动态物体的数据点从点云数据帧中去除。
在一些实施例中,可以使用基于地面检测和边界框的方法来检测动态物体。在该方法中,可以从点云数据帧中提取地面。例如,可以使用随机抽样一致性(RANSAC)方法、平面拟合等方法来提取地面。本领域技术人员将理解的是,也可以使用已知的或将来开发的图像处理方法来提取地面,本公开在此不受限制。在提取地面之后,可以将表示地面的数据点从点云数据帧中去除。
在实际应用场景中,非地面上的数据点可以包括建筑物的墙壁、植物(例如,树木)等。在去除表示地面的数据点之后,由于没有地面的连接,这些物体的空间分布可能呈现离散性和不连续性。在这种情况下,可以通过聚类将表示物体的数据点分割成多个群组,每一个群组可以表示相应的物体。例如,每一个车辆、树木等可以被聚类成一个群组。
可以基于车辆等对象的属性(例如几何性质)来匹配和提取动态物体。例如,可以通过边界框的方法来匹配和提取动态物体。例如,以车辆为例,可以使用与车辆的尺寸(例如,长、宽、高)相匹配的边界框来检测车辆。在提取动态物体之后,可以将表示动态物体的数据点从点云数据帧中去除,并添加表示地面的数据点。
由于动态物体在不同的点云数据帧中的位置不同,因此在点云拼接过程中导致误差的产生,提升匹配精度和稳定性。通过从点云数据帧中去除表示动态物体的数据点,可以减小或消除这种误差的产生。以上结合基于地面检测和边界框的方法描述了对动态物体的处理。然而,本领域技术人员将理解的是,也可以使用基于规则的检测、基于学习的检测等其他已知的或将来开发的检测方法来去除动态物体。
在框404,计算设备104可以从点云数据帧中提取静态物体,例如,提取点云数据帧中的平面(地面、墙壁等)和柱状物(树干、路灯等),仅保留具有强结构化信息的数据,以提高后续匹配精度。计算设备104可以提取平面特征和/或直线特征。例如,可以使用点云库(PCL)来提取地面等平面,并且可以使用区域增长的方法来提取树干等柱状物。本领域技术人员将理解的是,也可以使用目前已知的或者将来开发的任何适当的方法来提取静态物体。
在框406,计算设备104可以基于具有重叠的点云数据帧中的相应对象之间的特征距离来调整位姿参数。例如,如果两个点云数据帧扫描到了公共的区域,则这两个点云数据帧可以形成具有重叠的点云数据帧。例如,第一点云数据帧与第二点云数据帧具有重叠,那么可以确定第一点云数据帧与第二点云数据帧中的相应对象之间的特征距离,并且基于该特征距离来调整位姿参数。对象可以是在框404处确定的平面特征(例如,地面或墙壁等)或直线特征(例如,树干或路灯等)。可以将点云数据帧子集的所有的这些对象之间的特征距离求和,并通过最小化特征距离之和来调整位姿参数。例如,可以使用最小二乘法来进行求解,本领域技术人员将理解的是,也可以使用目前已知的或者将来开发的任何适当的方法来进行求解。
如上所述,在采集点云数据时,可以在道路上多次来回采集。例如,可以在每一条道路上来回采集五次。因此,对于一个点云数据帧,与该点云数据帧具有重叠的点云数据帧可以包括在时间上连续采集的一个或多个点云数据帧,以及在多次经过该位置时(例如,在该位置一定距离以内)采集的那些点云数据帧。因此,一个点云数据帧可以与多个点云数据帧建立成对。
将一个点云数据帧子集内的所有点云数据帧的位姿参数一起优化具有较大的计算量,因此,在独立的计算节点处理的情况下更加具有优势。另外,通过提取平面特征和直线特征,并基于平面特征和直线特征进行匹配,可以减小噪声,并提高匹配的精度和计算效率。
在一些实施例中,对于提取的平面和圆柱体(圆柱体可视为穿过中心的直线),可以表示为fk(ck,nk),其中ck代表中心坐标,nk表示平面的法向量或直线的方向。在点云匹配时,可以根据公式(1)来计算点p到平面特征的特征距离,并且根据公式(2)来计算点p到直线特征的特征距离。
d=(p-ck)·nk (1)
d=||(p-ck)×nk||(2)
令激光雷达的先验位姿为两帧激光点云分别为M1,M2(包含了上面所说的提取的平面特征和法向量),点云匹配的目的是通过匹配M1和M2,确定最佳位姿差异Δp,这样便可得到激光雷达的后验位姿为
如上所述,可以确定具有重叠区域的点云数据帧的相应特征(例如,平面特征和/或直线特征),并且针对这些特征来计算线线距离、面面距离,并将所有的具有重叠区域的点云数据帧的线线距离和面面距离求和作为优化目标函数,通过最小化所述目标函数来求解最佳位姿差异Δp,如公式(3)所示:
其中,i和j表示两个点云数据帧,k表示数据点。
以上结合公式(1)-(3)描述了根据本公开的一些实施例的位姿参数优化方法。本领域技术人员将理解的是,提供上述公式是为了更清楚地描述本公开的实施例,而非进行限制。
现在返回图2,在框208,计算设备104利用经调整的子集来更新点云数据帧集合。由于每个部分是独立优化的,通过共同参与的位姿的约束,进行全局的位姿调整。例如,可以对点云数据帧子集的所有点云数据帧的位姿参数进行整体的优化。具体地,可以确定三维场景的另一部分,另一部分与三维场景的这一部分相重叠。例如,两个封闭的路径可能具有部分的重叠路径。对于三维场景的另一部分,可以确定与其相对应的点云数据帧子集,其可以是已经通过如框206或图3所示的方法300进行处理。通过调整两个子集中的点云数据帧的位姿参数,使得在三维场景的重叠部分中的相应点云数据帧彼此重叠,或者使得相应的点云数据帧的位姿参数相等。
例如,对于每个点云数据帧子集具有相应的位姿调节参数,例如,旋转矩阵A和平移向量b。例如,如果第i个场景部分和第j个场景部分之间具有重叠,则对于重叠的部分,由于点云数据帧的重复使用,相应的点云数据帧的位姿参数应当相当。例如,相应的点云数据帧应当满足关系AiSi+bi=AjSj+bj,其中Ai、bi、Aj、bj分别表示第i个点云数据帧子集和第j个点云数据帧子集的旋转矩阵和平移向量,Si和 Sj表示第i个点云数据帧子集和第j个点云数据帧子集的位姿。对于一个点云数据帧子集的位姿可以被定义为其中的一个点云数据帧的位姿,并且该子集内的其他点云数据帧的位姿可以被理解为与该点云数据帧的位姿的相对位姿。例如,可以将两个场景部分重复使用的点云数据帧的位姿定义为相应的子集的位姿。
在一些实施例中,如果GNSS(例如,GPS)可以提供置信度,那么可以将GNSS信号质量好的位姿固定来优化整体的激光雷达位姿。例如,可以通过GNSS来确定相应点云数据帧的位姿参数,并且在基于该点云数据帧的位姿参数来更新点云数据帧集合。例如,Ai*SH i +bi=^SH,GNSS可信度高的位姿(SH)在优化前后保持不变。例如,如果一个点云数据帧子集的一个点云数据帧对应于较好的GNSS信号,该点云数据帧的位姿参数经过框206的优化之后可能偏离了原始的位姿参数,而原始的位姿参数是通过置信度较高的GNSS信号来确定的。因此,可以将该点云数据帧的位姿参数修改为原始的位姿参数,并对该点云数据帧所在的子集中的其他点云数据帧的位姿参数进行同样的调整。通过借助于具有较高置信度的GNSS信号,可以进一步提升点云拼接的精确度。
图5示出了根据本公开的一些实施例的用于重建三维场景的装置 500的方框图。装置500可以被包括在图1的计算设备104中或者被实现为计算设备104。如图5所示,装置500包括点云获取模块502,被配置为获取针对三维场景的点云数据帧集合,点云数据帧集合中的点云数据帧各自具有位姿参数。装置500还包括子集确定模块504,被配置为从点云数据帧集合确定与三维场景的一部分相对应的子集。装置502还包括位姿调整模块506,被配置为调整子集中的点云数据帧的位姿参数,以得到经调整的子集,经调整的子集包括具有匹配的重叠部分的至少两个点云数据帧。此外,装置500还包括点云更新模块508,被配置为利用经调整的子集来更新点云数据帧集合。
在一些实施例中,子集确定模块504包括:路口确定模块,被配置为基于与点云数据帧集合相对应的轨迹,确定三维场景内的路口的位置;连接图形成模块,被配置为基于路口的位置,形成连接路口的连接图;以及部分确定模块,被配置为基于连接图,确定封闭的路径作为三维场景的部分。
在一些实施例中,路口确定模块包括:路线确定模块,被配置为通过膨胀轨迹来确定表示道路的路线;角点确定模块,被配置为基于路线,确定路口处的至少一个点;以及位置确定模块,被配置为基于路口处的至少一个点来确定路口的位置。
在一些实施例中,位姿调整模块506包括:动态物体去除模块,被配置为从子集中的点云数据帧中去除与动态物体相关联的数据点,以更新子集;以及第一位姿参数调整模块,被配置为调整经更新的子集中的点云数据帧的位姿参数。
在一些实施例中,动态物体去除模块包括:地面去除模块,被配置为从点云数据帧中去除表示地面的数据点;动态物体识别模块,被配置为识别点云数据帧中的动态物体;数据点去除模块,被配置为从点云数据帧中去除表示动态物体的数据点;以及地面添加模块,被配置为向点云数据帧中添加表示地面的数据点。
在一些实施例中,动态物体识别模块包括:聚类模块,被配置为对点云数据帧中的点云数据帧进行聚类以在点云数据帧中确定多个群组;以及匹配模块,被配置为从多个群组中确定与动态物体的属性匹配的群组。
在一些实施例中,位姿调整模块506包括:数据点提取模块,被配置为从多个点云数据帧中提取表示静态物体的数据点,以更新子集;以及调整经更新的子集中的点云数据帧的位姿参数。
在一些实施例中,至少两个点云数据帧包括第一点云数据帧和第二点云数据帧,其中位姿调整模块506包括:特征距离确定模块,被配置为确定第一点云数据帧与第二点云数据帧中的相应对象之间的特征距离;以及第二位姿参数调整模块,被配置为基于特征距离来调整位姿参数。
在一些实施例中,点云更新模块508包括:部分确定模块,被配置为确定三维场景的另一部分,另一部分与三维场景的部分相重叠;子集确定模块,被配置为从点云数据帧集合确定与三维场景的另一部分相对应的另一子集;以及第三位姿参数调整模块,被配置为调整子集和另一子集中的点云数据帧的位姿参数,以使得子集中的第三点云数据帧与另一子集中的第四点云数据帧重叠。
在一些实施例中,点云更新模块508包括:位姿参数确定模块,被配置为通过全球卫星导航***来确定部分中的第五点云数据帧的位姿参数;以及点云数据更新模块,被配置为基于第五点云数据帧,更新点云数据帧集合。
图6示出了一个可以用来实施本公开的实施例的设备600的示意性框图。设备600可以用于实现图1的计算设备104。如图所示,设备600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的计算机程序指令或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序指令,来执行各种适当的动作和处理。在RAM 603中,还可存储设备600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/ 数据。
上文所描述的各个过程和处理,例如方法200-400,可由处理单元601执行。例如,在一些实施例中,方法200-400可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序被加载到RAM 603并由CPU601执行时,可以执行上文描述的方法 200-400的一个或多个步骤。备选地,在其他实施例中,CPU 601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法200-400。
本公开可以是方法、设备、***和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM 或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理单元,从而生产出一种机器,使得这些指令在通过计算机或其他可编程数据处理装置的处理单元执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其他可编程数据处理装置、或其他设备上,使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其他可编程数据处理装置、或其他设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所公开的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其他普通技术人员能理解本文公开的各实施例。
Claims (22)
1.一种用于重建三维场景的方法,包括:
获取针对所述三维场景的点云数据帧集合,所述点云数据帧集合中的点云数据帧各自具有位姿参数;
从所述点云数据帧集合确定与所述三维场景的一部分相对应的子集;
调整所述子集中的点云数据帧的位姿参数,以得到经调整的子集,所述经调整的子集包括具有匹配的重叠部分的至少两个点云数据帧;以及
利用经调整的子集来更新所述点云数据帧集合。
2.根据权利要求1所述的方法,其中确定所述子集包括:
基于与所述点云数据帧集合相对应的轨迹,确定所述三维场景内的路口的位置;
基于所述路口的位置,形成连接所述路口的连接图;以及
基于所述连接图,确定封闭的路径作为所述三维场景的所述部分。
3.根据权利要求2所述的方法,其中确定所述路口的位置包括:
通过膨胀所述轨迹来确定表示道路的路线;
基于所述路线,确定所述路口处的至少一个点;以及
基于所述路口处的至少一个点来确定所述路口的位置。
4.根据权利要求1所述的方法,其中调整所述位姿参数包括:
从所述子集中的点云数据帧中去除与动态物体相关联的数据点,以更新所述子集;以及
调整经更新的所述子集中的点云数据帧的位姿参数。
5.根据权利要求4所述的方法,其中去除所述数据点包括:
从所述点云数据帧中去除表示地面的数据点;
识别所述点云数据帧中的动态物体;
从所述点云数据帧中去除表示所述动态物体的数据点;以及
向所述点云数据帧中添加所述表示地面的数据点。
6.根据权利要求5所述的方法,其中识别所述动态物体包括:
对所述点云数据帧中的点云数据帧进行聚类以在所述点云数据帧中确定多个群组;以及
从所述多个群组中确定与所述动态物体的属性匹配的群组。
7.根据权利要求1所述的方法,其中调整所述位姿参数包括:
从所述多个点云数据帧中提取表示静态物体的数据点,以更新所述子集;以及
调整经更新的所述子集中的点云数据帧的位姿参数。
8.根据权利要求1所述的方法,其中所述至少两个点云数据帧包括第一点云数据帧和第二点云数据帧,其中调整所述位姿参数包括:
确定所述第一点云数据帧与所述第二点云数据帧中的相应对象之间的特征距离;以及
基于所述特征距离来调整所述位姿参数。
9.根据权利要求1所述的方法,其中更新所述点云数据帧集合包括:
确定所述三维场景的另一部分,所述另一部分与所述三维场景的所述部分相重叠;
从所述点云数据帧集合确定与所述三维场景的所述另一部分相对应的另一子集;以及
调整所述子集和所述另一子集中的点云数据帧的位姿参数,以使得所述子集中的第三点云数据帧与所述另一子集中的第四点云数据帧重叠。
10.根据权利要求1所述的方法,其中更新所述点云数据帧集合包括:
通过全球卫星导航***来确定所述部分中的第五点云数据帧的位姿参数;以及
基于所述第五点云数据帧的位姿参数来更新所述点云数据帧集合。
11.一种用于重建三维场景的装置,包括:
点云获取模块,被配置为获取针对所述三维场景的点云数据帧集合,所述点云数据帧集合中的点云数据帧各自具有位姿参数;
子集确定模块,被配置为从所述点云数据帧集合确定与所述三维场景的一部分相对应的子集;
位姿调整模块,被配置为调整所述子集中的点云数据帧的位姿参数,以得到经调整的子集,所述经调整的子集包括具有匹配的重叠部分的至少两个点云数据帧;以及
点云更新模块,被配置为利用经调整的子集来更新所述点云数据帧集合。
12.根据权利要求11所述的装置,其中所述子集确定模块包括:
路口确定模块,被配置为基于与所述点云数据帧集合相对应的轨迹,确定所述三维场景内的路口的位置;
连接图形成模块,被配置为基于所述路口的位置,形成连接所述路口的连接图;以及
部分确定模块,被配置为基于所述连接图,确定封闭的路径作为所述三维场景的所述部分。
13.根据权利要求12所述的装置,其中所述路口确定模块包括:
路线确定模块,被配置为通过膨胀所述轨迹来确定表示道路的路线;
角点确定模块,被配置为基于所述路线,确定所述路口处的至少一个点;以及
位置确定模块,被配置为基于所述路口处的至少一个点来确定所述路口的位置。
14.根据权利要求11所述的装置,其中所述位姿调整模块包括:
动态物体去除模块,被配置为从所述子集中的点云数据帧中去除与动态物体相关联的数据点,以更新所述子集;以及
第一位姿参数调整模块,被配置为调整经更新的所述子集中的点云数据帧的位姿参数。
15.根据权利要求14所述的装置,其中所述动态物体去除模块包括:
地面去除模块,被配置为从所述点云数据帧中去除表示地面的数据点;
动态物体识别模块,被配置为识别所述点云数据帧中的动态物体;
数据点去除模块,被配置为从所述点云数据帧中去除表示所述动态物体的数据点;以及
地面添加模块,被配置为向所述点云数据帧中添加所述表示地面的数据点。
16.根据权利要求15所述的装置,其中所述动态物体识别模块包括:
聚类模块,被配置为对所述点云数据帧中的点云数据帧进行聚类以在所述点云数据帧中确定多个群组;以及
匹配模块,被配置为从所述多个群组中确定与所述动态物体的属性匹配的群组。
17.根据权利要求11所述的装置,其中所述位姿调整模块包括:
数据点提取模块,被配置为从所述多个点云数据帧中提取表示静态物体的数据点,以更新所述子集;以及
调整经更新的所述子集中的点云数据帧的位姿参数。
18.根据权利要求11所述的装置,其中所述至少两个点云数据帧包括第一点云数据帧和第二点云数据帧,其中所述位姿调整模块包括:
特征距离确定模块,被配置为确定所述第一点云数据帧与所述第二点云数据帧中的相应对象之间的特征距离;以及
第二位姿参数调整模块,被配置为基于所述特征距离来调整所述位姿参数。
19.根据权利要求11所述的装置,其中所述点云更新模块包括:
部分确定模块,被配置为确定所述三维场景的另一部分,所述另一部分与所述三维场景的所述部分相重叠;
子集确定模块,被配置为从所述点云数据帧集合确定与所述三维场景的所述另一部分相对应的另一子集;以及
第三位姿参数调整模块,被配置为调整所述子集和所述另一子集中的点云数据帧的位姿参数,以使得所述子集中的第三点云数据帧与所述另一子集中的第四点云数据帧重叠。
20.根据权利要求11所述的装置,其中所述点云更新模块包括:
位姿参数确定模块,被配置为通过全球卫星导航***来确定所述部分中的第五点云数据帧的位姿参数;以及
点云数据更新模块,被配置为基于所述第五点云数据帧,更新所述点云数据帧集合。
21.一种电子设备,所述电子设备包括:
一个或多个处理器;以及
存储器,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述电子设备实现根据权利要求1-10中任一项所述的方法。
22.一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现根据权利要求1-10中任一项所述的方法。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810565152.4A CN108765487B (zh) | 2018-06-04 | 2018-06-04 | 重建三维场景的方法、装置、设备和计算机可读存储介质 |
JP2019047110A JP6771059B2 (ja) | 2018-06-04 | 2019-03-14 | 3次元シーンを再構成するための方法、装置、機器及びコンピュータ可読記憶媒体 |
US16/353,717 US11080919B2 (en) | 2018-06-04 | 2019-03-14 | Method, apparatus, device and computer readable storage medium for reconstructing three-dimensional scene |
EP19162888.2A EP3579188B1 (en) | 2018-06-04 | 2019-03-14 | Method, apparatus, device and computer readable storage medium for reconstructing three-dimensional scene |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810565152.4A CN108765487B (zh) | 2018-06-04 | 2018-06-04 | 重建三维场景的方法、装置、设备和计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108765487A true CN108765487A (zh) | 2018-11-06 |
CN108765487B CN108765487B (zh) | 2022-07-22 |
Family
ID=64002592
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810565152.4A Active CN108765487B (zh) | 2018-06-04 | 2018-06-04 | 重建三维场景的方法、装置、设备和计算机可读存储介质 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11080919B2 (zh) |
EP (1) | EP3579188B1 (zh) |
JP (1) | JP6771059B2 (zh) |
CN (1) | CN108765487B (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109657031A (zh) * | 2018-12-28 | 2019-04-19 | 国汽(北京)智能网联汽车研究院有限公司 | 一种基于智能网联汽车的高精度动态地图生成与应用方法 |
CN109714421A (zh) * | 2018-12-28 | 2019-05-03 | 国汽(北京)智能网联汽车研究院有限公司 | 基于车路协同的智能网联汽车运行*** |
CN110060322A (zh) * | 2019-03-11 | 2019-07-26 | 北京旷视科技有限公司 | 平面提取方法、装置、***和存储介质 |
CN110111374A (zh) * | 2019-04-29 | 2019-08-09 | 上海电机学院 | 基于分组阶梯式阈值判断的激光点云匹配方法 |
CN110276317A (zh) * | 2019-06-26 | 2019-09-24 | Oppo广东移动通信有限公司 | 一种物体尺寸检测方法、物体尺寸检测装置及移动终端 |
CN110910493A (zh) * | 2019-11-29 | 2020-03-24 | 广州极飞科技有限公司 | 三维重建方法、装置及电子设备 |
WO2020119487A1 (zh) * | 2018-12-13 | 2020-06-18 | 华为技术有限公司 | 点云的编解码方法及装置 |
CN111461981A (zh) * | 2020-03-30 | 2020-07-28 | 北京百度网讯科技有限公司 | 点云拼接算法的误差估计方法和装置 |
CN111461980A (zh) * | 2020-03-30 | 2020-07-28 | 北京百度网讯科技有限公司 | 点云拼接算法的性能估计方法和装置 |
CN111553844A (zh) * | 2020-04-29 | 2020-08-18 | 北京百度网讯科技有限公司 | 用于更新点云的方法及装置 |
CN111681163A (zh) * | 2020-04-23 | 2020-09-18 | 北京三快在线科技有限公司 | 构建点云地图的方法、装置、电子设备和存储介质 |
CN111860358A (zh) * | 2020-07-23 | 2020-10-30 | 广元量知汇科技有限公司 | 基于工业互联网的物料验收方法 |
CN112539755A (zh) * | 2019-11-22 | 2021-03-23 | 百度(美国)有限责任公司 | 用于自主车辆的基于admm算法的更新点云配准管线 |
CN112739983A (zh) * | 2020-04-24 | 2021-04-30 | 华为技术有限公司 | 校正点云数据的方法和相关装置 |
CN112747756A (zh) * | 2019-10-30 | 2021-05-04 | 北京地平线机器人技术研发有限公司 | 一种地图构建方法及装置 |
CN112837241A (zh) * | 2021-02-09 | 2021-05-25 | 贵州京邦达供应链科技有限公司 | 建图重影去除方法、设备及存储介质 |
CN113516772A (zh) * | 2021-06-30 | 2021-10-19 | 同济大学 | 三维场景重建方法及装置、bim模型的优化方法及装置 |
CN113748314A (zh) * | 2018-12-28 | 2021-12-03 | 北京嘀嘀无限科技发展有限公司 | 交互式三维点云匹配 |
CN113759369A (zh) * | 2020-06-28 | 2021-12-07 | 北京京东乾石科技有限公司 | 基于双多线雷达的建图方法和装置 |
CN113874681A (zh) * | 2019-05-23 | 2021-12-31 | 北京嘀嘀无限科技发展有限公司 | 点云地图质量的评估方法和*** |
CN115439331A (zh) * | 2022-09-02 | 2022-12-06 | 北京百度网讯科技有限公司 | 角点的校正方法和元宇宙中三维模型的生成方法、装置 |
CN115712298A (zh) * | 2022-10-25 | 2023-02-24 | 太原理工大学 | 基于单线激光雷达的机器人在通道中行驶的自主导航方法 |
Families Citing this family (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109271893B (zh) * | 2018-08-30 | 2021-01-01 | 百度在线网络技术(北京)有限公司 | 一种仿真点云数据的生成方法、装置、设备及存储介质 |
US10839530B1 (en) * | 2018-09-04 | 2020-11-17 | Apple Inc. | Moving point detection |
CN109903330B (zh) * | 2018-09-30 | 2021-06-01 | 华为技术有限公司 | 一种处理数据的方法和装置 |
US11520331B2 (en) * | 2018-12-28 | 2022-12-06 | Intel Corporation | Methods and apparatus to update autonomous vehicle perspectives |
CN113359148B (zh) * | 2020-02-20 | 2024-05-28 | 百度在线网络技术(北京)有限公司 | 激光雷达点云数据处理方法、装置、设备及存储介质 |
CN111311742B (zh) * | 2020-03-27 | 2023-05-05 | 阿波罗智能技术(北京)有限公司 | 三维重建方法、三维重建装置和电子设备 |
CN111553975B (zh) * | 2020-04-27 | 2022-04-22 | 武汉易维晟医疗科技有限公司 | 一种手持式三维扫描***的实时回环检测方法 |
JP7448945B2 (ja) | 2020-05-22 | 2024-03-13 | 国立大学法人金沢大学 | 3次元マップ生成方法及び3次元マップ生成装置 |
US11668831B2 (en) * | 2020-06-28 | 2023-06-06 | Beijing Baidu Netcom Science Technology Co., Ltd. | High-precision mapping method and device |
CN111833447A (zh) * | 2020-07-13 | 2020-10-27 | Oppo广东移动通信有限公司 | 三维地图构建方法、三维地图构建装置及终端设备 |
CN111983635B (zh) * | 2020-08-17 | 2022-03-29 | 浙江商汤科技开发有限公司 | 位姿确定方法及装置、电子设备和存储介质 |
CN112329547A (zh) * | 2020-10-15 | 2021-02-05 | 北京三快在线科技有限公司 | 一种数据处理方法及装置 |
CN112258647B (zh) * | 2020-11-12 | 2024-04-02 | Oppo广东移动通信有限公司 | 地图重建方法及装置、计算机可读介质和电子设备 |
CN112419414B (zh) * | 2020-12-07 | 2023-03-07 | 河南科技大学 | 一种获取奶畜***区域三维点云的装置 |
CN112704877B (zh) * | 2021-01-21 | 2022-05-24 | 博智安全科技股份有限公司 | 空中侦察的通视范围确定方法、终端设备和可读存储介质 |
CN113066009B (zh) * | 2021-03-24 | 2023-08-25 | 北京斯年智驾科技有限公司 | 港口高精度地图集的构建方法、装置、***和存储介质 |
CN113077544A (zh) * | 2021-03-31 | 2021-07-06 | 商汤集团有限公司 | 一种点云生成的方法、装置、电子设备及存储介质 |
US11796670B2 (en) * | 2021-05-20 | 2023-10-24 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Radar point cloud data processing method and device, apparatus, and storage medium |
CN113568997A (zh) * | 2021-07-30 | 2021-10-29 | 京东鲲鹏(江苏)科技有限公司 | 点云地图更新方法、装置、电子设备和计算机可读介质 |
CN113808216A (zh) * | 2021-08-31 | 2021-12-17 | 上海商汤临港智能科技有限公司 | 相机标定方法及装置、电子设备和存储介质 |
CN113450457B (zh) * | 2021-08-31 | 2021-12-14 | 腾讯科技(深圳)有限公司 | 道路重建方法、装置、计算机设备和存储介质 |
CN113936085B (zh) * | 2021-12-17 | 2022-05-20 | 荣耀终端有限公司 | 三维重建方法和装置 |
CN115034000B (zh) * | 2022-05-13 | 2023-12-26 | 深圳模德宝科技有限公司 | 一种工艺设计的方法 |
CN114966793B (zh) * | 2022-05-25 | 2024-01-26 | 苏州天硕导航科技有限责任公司 | 三维测量***、方法及gnss*** |
CN115984489B (zh) * | 2023-03-21 | 2023-09-19 | 广东数字生态科技有限责任公司 | 一种输电线路的三维重建方法、装置及处理设备 |
CN116310262B (zh) * | 2023-05-23 | 2023-08-01 | 山东省国土测绘院 | 面状实体与倾斜三维模型融合方法、***、介质及设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102508257A (zh) * | 2011-09-27 | 2012-06-20 | 北京航空航天大学 | 一种车载移动测图装置 |
CN105069842A (zh) * | 2015-08-03 | 2015-11-18 | 百度在线网络技术(北京)有限公司 | 道路三维模型的建模方法和装置 |
CN105139445A (zh) * | 2015-08-03 | 2015-12-09 | 百度在线网络技术(北京)有限公司 | 场景重建方法及装置 |
FR3033973A1 (fr) * | 2015-03-16 | 2016-09-23 | Univ Pierre Et Marie Curie Paris 6 | Procede de reconstruction 3d d'une scene |
CN106846392A (zh) * | 2016-12-12 | 2017-06-13 | 国网北京市电力公司 | 三维建模的方法和装置 |
CN107452062A (zh) * | 2017-07-25 | 2017-12-08 | 深圳市魔眼科技有限公司 | 三维模型构建方法、装置、移动终端、存储介质及设备 |
WO2018060313A1 (en) * | 2016-09-28 | 2018-04-05 | Tomtom Global Content B.V. | Methods and systems for generating and using localisation reference data |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9041914B2 (en) | 2013-03-15 | 2015-05-26 | Faro Technologies, Inc. | Three-dimensional coordinate scanner and method of operation |
JP6789926B2 (ja) | 2014-08-15 | 2020-11-25 | エイアイ インコーポレイテッドAEYE, Inc. | Ladar伝送のための方法及びシステム |
KR102380216B1 (ko) | 2016-11-29 | 2022-03-28 | 블랙모어 센서스 앤드 애널리틱스, 엘엘씨 | 포인트 클라우드 데이터 세트에서 객체의 분류를 위한 방법 및 시스템 |
US10482340B2 (en) * | 2016-12-06 | 2019-11-19 | Samsung Electronics Co., Ltd. | System and method for object recognition and ranging by deformation of projected shapes in a multimodal vision and sensing system for autonomous devices |
US10509413B2 (en) | 2017-09-07 | 2019-12-17 | GM Global Technology Operations LLC | Ground reference determination for autonomous vehicle operations |
US10482628B2 (en) | 2017-09-30 | 2019-11-19 | United States Of America As Represented By The Secretary Of The Army | Photogrammetric point cloud compression for tactical networks |
JP7069927B2 (ja) | 2018-03-26 | 2022-05-18 | 株式会社デンソー | 物体認識装置、及び物体認識方法 |
JP7093680B2 (ja) | 2018-06-01 | 2022-06-30 | 日立Geニュークリア・エナジー株式会社 | 構造物差分抽出装置、構造物差分抽出方法およびプログラム |
-
2018
- 2018-06-04 CN CN201810565152.4A patent/CN108765487B/zh active Active
-
2019
- 2019-03-14 US US16/353,717 patent/US11080919B2/en active Active
- 2019-03-14 EP EP19162888.2A patent/EP3579188B1/en active Active
- 2019-03-14 JP JP2019047110A patent/JP6771059B2/ja active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102508257A (zh) * | 2011-09-27 | 2012-06-20 | 北京航空航天大学 | 一种车载移动测图装置 |
FR3033973A1 (fr) * | 2015-03-16 | 2016-09-23 | Univ Pierre Et Marie Curie Paris 6 | Procede de reconstruction 3d d'une scene |
CN105069842A (zh) * | 2015-08-03 | 2015-11-18 | 百度在线网络技术(北京)有限公司 | 道路三维模型的建模方法和装置 |
CN105139445A (zh) * | 2015-08-03 | 2015-12-09 | 百度在线网络技术(北京)有限公司 | 场景重建方法及装置 |
WO2018060313A1 (en) * | 2016-09-28 | 2018-04-05 | Tomtom Global Content B.V. | Methods and systems for generating and using localisation reference data |
CN106846392A (zh) * | 2016-12-12 | 2017-06-13 | 国网北京市电力公司 | 三维建模的方法和装置 |
CN107452062A (zh) * | 2017-07-25 | 2017-12-08 | 深圳市魔眼科技有限公司 | 三维模型构建方法、装置、移动终端、存储介质及设备 |
Non-Patent Citations (4)
Title |
---|
J. CHEN: "A Study of Three-Dimensional Reconstruction Using High Overlap Aerial Photograph Sequence", 《2011 INTERNATIONAL SYMPOSIUM ON IMAGE AND DATA FUSION》 * |
T. SHIRATORI 等: "Efficient Large-Scale Point Cloud Registration Using Loop Closures", 《2015 INTERNATIONAL CONFERENCE ON 3D VISION》 * |
Y. YU 等: "Semiautomated Extraction of Street Light Poles From Mobile LiDAR Point-Clouds", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
刘斌: "结合八叉树和最近点迭代算法的点云配准", 《测绘科学》 * |
Cited By (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11961265B2 (en) | 2018-12-13 | 2024-04-16 | Huawei Technologies Co., Ltd. | Point cloud encoding and decoding method and apparatus |
WO2020119487A1 (zh) * | 2018-12-13 | 2020-06-18 | 华为技术有限公司 | 点云的编解码方法及装置 |
CN109657031B (zh) * | 2018-12-28 | 2020-08-04 | 国汽(北京)智能网联汽车研究院有限公司 | 一种基于智能网联汽车的高精度动态地图生成与应用方法 |
CN109714421A (zh) * | 2018-12-28 | 2019-05-03 | 国汽(北京)智能网联汽车研究院有限公司 | 基于车路协同的智能网联汽车运行*** |
CN113748314B (zh) * | 2018-12-28 | 2024-03-29 | 北京嘀嘀无限科技发展有限公司 | 交互式三维点云匹配 |
CN113748314A (zh) * | 2018-12-28 | 2021-12-03 | 北京嘀嘀无限科技发展有限公司 | 交互式三维点云匹配 |
CN109657031A (zh) * | 2018-12-28 | 2019-04-19 | 国汽(北京)智能网联汽车研究院有限公司 | 一种基于智能网联汽车的高精度动态地图生成与应用方法 |
CN110060322A (zh) * | 2019-03-11 | 2019-07-26 | 北京旷视科技有限公司 | 平面提取方法、装置、***和存储介质 |
CN110060322B (zh) * | 2019-03-11 | 2023-03-03 | 北京旷视科技有限公司 | 平面提取方法、装置、***和存储介质 |
CN110111374A (zh) * | 2019-04-29 | 2019-08-09 | 上海电机学院 | 基于分组阶梯式阈值判断的激光点云匹配方法 |
CN113874681A (zh) * | 2019-05-23 | 2021-12-31 | 北京嘀嘀无限科技发展有限公司 | 点云地图质量的评估方法和*** |
CN110276317A (zh) * | 2019-06-26 | 2019-09-24 | Oppo广东移动通信有限公司 | 一种物体尺寸检测方法、物体尺寸检测装置及移动终端 |
CN112747756A (zh) * | 2019-10-30 | 2021-05-04 | 北京地平线机器人技术研发有限公司 | 一种地图构建方法及装置 |
CN112539755B (zh) * | 2019-11-22 | 2024-04-09 | 百度(美国)有限责任公司 | 用于自主车辆的基于admm算法的更新点云配准管线 |
CN112539755A (zh) * | 2019-11-22 | 2021-03-23 | 百度(美国)有限责任公司 | 用于自主车辆的基于admm算法的更新点云配准管线 |
CN110910493B (zh) * | 2019-11-29 | 2021-05-14 | 广州极飞科技股份有限公司 | 三维重建方法、装置及电子设备 |
CN110910493A (zh) * | 2019-11-29 | 2020-03-24 | 广州极飞科技有限公司 | 三维重建方法、装置及电子设备 |
CN111461981A (zh) * | 2020-03-30 | 2020-07-28 | 北京百度网讯科技有限公司 | 点云拼接算法的误差估计方法和装置 |
CN111461980A (zh) * | 2020-03-30 | 2020-07-28 | 北京百度网讯科技有限公司 | 点云拼接算法的性能估计方法和装置 |
CN111461981B (zh) * | 2020-03-30 | 2023-09-01 | 北京百度网讯科技有限公司 | 点云拼接算法的误差估计方法和装置 |
CN111461980B (zh) * | 2020-03-30 | 2023-08-29 | 北京百度网讯科技有限公司 | 点云拼接算法的性能估计方法和装置 |
CN111681163A (zh) * | 2020-04-23 | 2020-09-18 | 北京三快在线科技有限公司 | 构建点云地图的方法、装置、电子设备和存储介质 |
CN112739983A (zh) * | 2020-04-24 | 2021-04-30 | 华为技术有限公司 | 校正点云数据的方法和相关装置 |
CN111553844B (zh) * | 2020-04-29 | 2023-08-29 | 阿波罗智能技术(北京)有限公司 | 用于更新点云的方法及装置 |
US11828606B2 (en) | 2020-04-29 | 2023-11-28 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for updating point cloud |
CN111553844A (zh) * | 2020-04-29 | 2020-08-18 | 北京百度网讯科技有限公司 | 用于更新点云的方法及装置 |
CN113759369A (zh) * | 2020-06-28 | 2021-12-07 | 北京京东乾石科技有限公司 | 基于双多线雷达的建图方法和装置 |
CN113759369B (zh) * | 2020-06-28 | 2023-12-05 | 北京京东乾石科技有限公司 | 基于双多线雷达的建图方法和装置 |
CN111860358A (zh) * | 2020-07-23 | 2020-10-30 | 广元量知汇科技有限公司 | 基于工业互联网的物料验收方法 |
CN112837241A (zh) * | 2021-02-09 | 2021-05-25 | 贵州京邦达供应链科技有限公司 | 建图重影去除方法、设备及存储介质 |
CN113516772B (zh) * | 2021-06-30 | 2023-09-15 | 同济大学 | 三维场景重建方法及装置、bim模型的优化方法及装置 |
CN113516772A (zh) * | 2021-06-30 | 2021-10-19 | 同济大学 | 三维场景重建方法及装置、bim模型的优化方法及装置 |
CN115439331A (zh) * | 2022-09-02 | 2022-12-06 | 北京百度网讯科技有限公司 | 角点的校正方法和元宇宙中三维模型的生成方法、装置 |
CN115712298A (zh) * | 2022-10-25 | 2023-02-24 | 太原理工大学 | 基于单线激光雷达的机器人在通道中行驶的自主导航方法 |
Also Published As
Publication number | Publication date |
---|---|
JP6771059B2 (ja) | 2020-10-21 |
EP3579188A2 (en) | 2019-12-11 |
CN108765487B (zh) | 2022-07-22 |
US11080919B2 (en) | 2021-08-03 |
EP3579188B1 (en) | 2022-05-11 |
JP2019211466A (ja) | 2019-12-12 |
EP3579188A3 (en) | 2020-03-25 |
US20190371044A1 (en) | 2019-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108765487A (zh) | 重建三维场景的方法、装置、设备和计算机可读存储介质 | |
EP3505869B1 (en) | Method, apparatus, and computer readable storage medium for updating electronic map | |
KR102145109B1 (ko) | 지도 생성 및 운동 객체 위치 결정 방법 및 장치 | |
EP3707469B1 (en) | A point clouds registration system for autonomous vehicles | |
US10670416B2 (en) | Traffic sign feature creation for high definition maps used for navigating autonomous vehicles | |
CN111462275B (zh) | 一种基于激光点云的地图生产方法和装置 | |
WO2020154966A1 (en) | A rgb point clouds based map generation system for autonomous vehicles | |
WO2020154965A1 (en) | A real-time map generation system for autonomous vehicles | |
WO2020154967A1 (en) | Map partition system for autonomous vehicles | |
WO2020154968A1 (en) | A point clouds ghosting effects detection system for autonomous driving vehicles | |
WO2021003452A1 (en) | Determination of lane connectivity at traffic intersections for high definition maps | |
CN113906414A (zh) | 用于生成导航自主车辆用的高清晰度地图的位姿图的分布式处理 | |
WO2019099802A1 (en) | Iterative closest point process based on lidar with integrated motion estimation for high definitions maps | |
US11590989B2 (en) | Training data generation for dynamic objects using high definition map data | |
EP4116935B1 (en) | High-definition map creation method and device, and electronic device | |
CN113034566B (zh) | 高精度地图构建方法、装置、电子设备及存储介质 | |
WO2021007117A1 (en) | Generating training data for deep learning models for building high definition maps | |
WO2020264222A1 (en) | Image-based keypoint generation | |
KR102218881B1 (ko) | 차량 위치 결정 방법 및 시스템 | |
CN112017262B (zh) | 路面标识生成方法及装置、存储介质及电子设备 | |
CN112507891A (zh) | 自动化识别高速路口并构建路口向量的方法及装置 | |
EP4194807A1 (en) | High-precision map construction method and apparatus, electronic device, and storage medium | |
Wu | Photogrammetry for 3D mapping in Urban Areas | |
CN113227713A (zh) | 生成用于定位的环境模型的方法和*** | |
JP7308772B2 (ja) | データ処理装置、データ処理方法及びデータ処理プログラム |
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 |