CN111033299A - 基于点云利用位姿预估的车辆导航*** - Google Patents
基于点云利用位姿预估的车辆导航*** Download PDFInfo
- Publication number
- CN111033299A CN111033299A CN201880002069.4A CN201880002069A CN111033299A CN 111033299 A CN111033299 A CN 111033299A CN 201880002069 A CN201880002069 A CN 201880002069A CN 111033299 A CN111033299 A CN 111033299A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- vehicle
- pose
- pose information
- frames
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/481—Constructional features, e.g. arrangements of optical elements
- G01S7/4817—Constructional features, e.g. arrangements of optical elements relating to scanning
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4808—Evaluating distance, position or velocity data
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
- G01S17/06—Systems determining position data of a target
- G01S17/42—Simultaneous measurement of distance and other co-ordinates
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/87—Combinations of systems using electromagnetic waves other than radio waves
- G01S17/875—Combinations of systems using electromagnetic waves other than radio waves for determining attitude
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
- G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明所公开的实施例提供了定位车辆的***和方法。所述***包括通信接口(202),被配置为当车辆沿着轨迹移动时,接收关于场景的多个点云帧和由装备在车辆上的多个传感器(150)捕获的车辆的初始位姿数据。所述***还包括存储器(208),被配置为存储所述多个点云帧和所述初始位姿数据。所述***进一步包括处理器(204),被配置为基于所述初始位姿数据和所述多个点云预估与每一个点云帧相关联的车辆的位姿信息。所述处理器(204)还被配置为基于模型调整车辆的预估位姿信息。所述模型包括多个点云帧之间的空间关系和时间关系。所述处理器(204)进一步被配置为基于调整后的位姿信息定位车辆。
Description
技术领域
本发明涉及用于预估车辆位姿的导航***和方法,特别地,涉及利用激光雷达和导航传感器来预估车辆位姿的导航***和方法。
背景技术
自动驾驶技术在很大程度上依赖于精确的地图。例如,导航地图的准确性对于自动驾驶车辆的功能是至关重要的,比如定位、环境识别、决策和控制。可以通过在车辆行驶时集合由车辆上的各种传感器、检测器和其他装置获取的图像和信息来获得高分辨率地图。例如,车辆可以配备有多个集成传感器,比如激光雷达、全球定位***(GPS)接收器、一个或多个惯性测量单元(IMU)传感器,以及一个或多个摄像机,以捕获车辆所行驶的道路的特征或周围的物体。所捕获的数据可以包括例如车道的中线或边界线坐标和诸如建筑物、另一车辆、地标、行人或交通标志的物体的坐标和图像。
由于高分辨率地图可以通过基于检测车辆的相应三维(3-D)位姿信息(例如,位置和方向)聚合多个点云帧而获得,高分辨率地图的准确性很大程度上依赖于在捕获点云数据时车辆定位的准确性。一些已知的导航***利用GPS、IMU和无线基站在正常条件下提供具有大约10cm精度的车辆位姿预估。然而,在复杂的城市环境中,特别是在GPS卫星信号差(例如,被高层建筑物、立交桥等阻挡)的情况下,定位精度会大大降低。其他已知的导航***试图引入实时点云以提高定位精度,但仍然由于较差的GPS卫星信号而导致不准确。定位精度的损失可能导致定位误差的累积,这是检测车辆使用的现有导航***无法消除的。因此,当检测车辆重复地通过同一场景时,所得到的高分辨率地图可能不同(即由于同一场景的未匹配点云导致的所谓的“全局不一致性”)。
本发明公开的实施例通过用于定位车辆的改进的导航***和方法解决了上述问题。
发明内容
本发明所公开的实施例提供了一种用于定位车辆的导航***。所述***包括通信接口,被配置为当车辆沿着轨迹移动时,接收关于场景的多个点云帧和由装备在车辆上的多个传感器捕获的车辆的初始位姿数据。所述***还包括存储器,被配置为存储所述多个点云帧和所述初始位姿数据。所述***进一步包括处理器,被配置为基于所述初始位姿数据和所述多个点云预估与每一个点云帧相关联的车辆的位姿信息。所述处理器还被配置为基于模型调整车辆的预估位姿信息。所述模型包括多个点云帧之间的空间关系和时间关系。所述处理器进一步被配置为基于调整后的位姿信息定位车辆。
本发明所公开的实施例提供了一种用于定位车辆的方法。所述方法包括当车辆沿着轨迹移动时,接收关于场景的多个点云帧和由装备在车辆上的多个传感器捕获的车辆的初始位姿数据。所述方法还包括由处理器基于初始位姿数据和多个点云预估与每一个点云帧相关联的车辆的位姿信息。所述方法进一步包括由处理器基于模型调整车辆的预估位姿信息。所述模型包括多个点云帧之间的空间关系和时间关系。所述方法进一步包括基于调整后的位姿信息定位车辆。
本发明所公开的实施例一种存储指令的非暂时性计算机可读介质,所述指令在被执行时使一个或多个处理器执行操作。所述操作包括当车辆沿着轨迹移动时,接收关于场景的多个点云帧和由装备在车辆上的多个传感器捕获的车辆的初始位姿数据。所述操作还包括基于初始位姿数据和多个点云预估与每一个点云帧相关联的车辆的位姿信息。所述操作进一步包括基于模型调整车辆的预估位姿信息。所述模型包括多个点云帧之间的空间关系和时间关系。所述操作进一步包括基于调整后的位姿信息定位车辆。
应当理解的是,前述的一般性描述和后续的详细描述都只是示例性的和说明性的,并不是对如权利要求所述的发明的限制。
附图说明
图1是根据本发明的一些实施例所述的示例性的具有传感器的车辆的示意图;
图2是根据本发明的一些实施例所示的用于确定与点云相关的位姿信息的示例性控制器的框图;
图3是根据本发明的一些实施例所示的轨迹插值前后的示例性点云帧;
图4是根据本发明的一些实施例所示的基于利用正态分布变换(NDT)和无损卡尔曼滤波(UKF)预估的位姿信息从点云帧聚合的示例性点云;
图5是根据本发明的一些实施例所示的示例性位姿图;
图6是根据本发明的一些实施例所示的与未优化的位姿信息和优化的位姿信息相关的示例性点云;以及
图7是根据本发明的一些实施例所示的用于提供与点云相关的位姿信息的示例性方法的流程图。
具体实施方式
现在将详细参考示例性实施例,其示例在附图中示出。在任何可能的情况下,在整个附图中将使用相同的附图标记来指代相同或相似的部分。
图1是根据本发明的一些实施例所示的具有多个传感器140、150和160的示例性车辆100的示意图。与一些实施例一致,车辆100可以是检测车辆,其被配置为获取用于构建高分辨率地图或三维(3-D)城市建模的数据。可以预见的是,车辆100可以是电动车辆、燃料电池车辆、混合动力车辆或传统的内燃机车辆。车辆100可具有车身110和至少一个车轮120。车身110可以是任何车身类型,例如运动车辆、轿跑车、轿车、皮卡车、旅行车、运动型多功能车(SUV)、小型货车或房车。在一些实施例中,车辆100可包括一对前轮和一对后轮,如图1所示。然而,可以预见的是,车辆100可具有较少的车轮或等效结构,使车辆100能够四处移动。车辆100可以被配置为全轮驱动(AWD)、前轮驱动(FWR)或后轮驱动(RWD)。在一些实施例中,车辆100可以被配置为由占用车辆的操作员操作、由操作员远程控制和/或自动操作。
如图1所示,车辆100可以配备有经由安装结构130安装到主体110的传感器140和160。安装结构130可以是安装或以其他方式附接到车辆100的主体110的机电设备。在一些实施例中,安装结构130可以使用螺钉、粘合剂或其他安装机制(机构)。车辆100可以另外配备有使用任何合适的安装机构在主体110的内部或外部的传感器150。可以预见的是,每个传感器140、150或160可以配备在车辆100上的方式不受图1所示的示例的限制,可以根据传感器140-160和/或车辆100的类型对其进行修改,以实现期望的传感性能。
在一些实施例中,传感器140-160可以被配置为在车辆100沿轨迹移动时捕获数据。与本发明所公开的一致,传感器140可以是激光扫描仪/雷达,其被配置为扫描周围环境并获取点云。激光雷达通过用脉冲激光照射目标并用传感器测量反射脉冲来测量到目标的距离。然后可以使用激光返回时间和波长的差异来制作目标的数字3D表示。用于激光扫描的光可以是紫外线、可见光或近红外线。由于窄激光束可以以非常高的分辨率映射物理特征,因此激光扫描仪特别适用于高分辨率地图测量。在一些实施例中,激光扫描仪可以捕获点云。当车辆100沿着轨迹移动时,传感器140可以在多个时间点获取一系列点云(每个被称为在时间点获取的点云帧)。
如图1所示,车辆100可以另外配备有传感器150,传感器150可以包括用在用于定位车辆100的导航单元的传感器,例如GPS接收器和一个或多个IMU传感器。GPS是一种全球导航卫星***,为GPS接收器提供地理定位和时间信息。IMU是一种电子设备,其使用各种惯性传感器(例如加速度计和陀螺仪,有时还有磁力计)来测量并提供车辆的比力、角速率,有时还提供车辆周围的磁场。通过组合GPS接收器和IMU传感器,传感器150可以在车辆100行进时提供车辆100的实时位姿数据,包括在每个时间点车辆100的位置和方向(例如,欧拉角)
与本发明所公开的一致,车辆100可以另外配备有传感器160,传感器160被配置为捕获数字图像。在一些实施例中,传感器160可包括拍摄照片或以其他方式收集图像数据的相机。例如,传感器160可包括单目、双目或全景相机。当车辆100沿轨迹移动时,传感器160可以获取多个图像(每个图像称为图像帧)。每个图像帧可以在时间点由传感器160获取。
与本发明所公开的一致,车辆100可以包括本地控制器170,其设置于车辆100的车身110内,或者与基于点云的车辆位姿预估的遥控器(图1中未示出)通信。与本发明所公开的一致,控制器170的位姿预估提供了改进的准确度和减少的误差累积。在一些实施例中,为了提高点云的准确度,基于每个点云帧的采样时间点的轨迹插值可以用于聚合多个点云帧。在一些实施例中,为了实时位姿信息更好的预估精度,可以利用诸如无损卡尔曼滤波(UKF)的方法来预估非线性函数的概率密度分布,与非线性函数本身相反,是保留非线性函数的高阶分量。在一些实施例中,闭环测试可用于优化与每个点云帧相关联的位姿信息,例如在位姿图优化中,以减少误差累积。此外,在使用实时车辆位姿信息提供高精度定位的同时,本地控制器170和/或遥控器还可以通过基于其相关位姿信息聚合多个点云帧来提供高精度点云数据。
例如,图2是根据本发明的一些实施例所示的用于确定与点云相关联的姿位姿信息的示例性控制器200的框图。与本发明所公开的一致,控制器200可以使用各种类型的数据来进行车辆位姿预估。当车辆100沿着轨迹移动时,关于周围场景的各种类型的数据可以由装配在车辆100上的传感器140-160捕获。所述数据可以包括由传感器140(例如,激光扫描仪)捕获的点云201,其由在不同时间点的多个点云帧组成。所述数据还可以包括由传感器150(例如,GPS接收器和/或一个或多个IMU传感器)获取的车辆100的初始位姿数据203。在一些实施例中,可以通过基于来自GPS接收器和IMU传感器的初始位姿数据203将本地激光雷达数据从局部坐标系变换为全局坐标系(例如,经度/纬度坐标)来校准点云201。可以预见的是,可以向控制器200提供附加类型的数据以用于车辆位姿预估,例如由传感器160获取的数字图像和/或来自无线基站(未示出)的定位信号。
在一些实施例中,如图2所示,控制器200可以包括通信接口202、处理器204、内存206和存储器208。在一些实施例中,控制器200可以在单个设备中具有不同的模块,例如集成电路(IC)芯片(实现为专用集成电路(ASIC)或现场可编程门阵列(FPGA)),或具有专用功能的独立设备。在一些实施例中,控制器200的一个或多个组件可以位于车辆100内部(例如,图1中的本地控制器170),或者可以替代地在移动设备中、在云中或另一个远程位置。控制器200的组件可以在集成设备中,或者分布在不同位置,但是通过网络(未示出)彼此通信。例如,处理器204可以是车载处理器100、移动设备内的处理器或云处理器,或其任何组合。
通信接口202可以经由通信电缆、无线局域网(WLAN)、广域网(WAN)、诸如无线电波的无线网络、全国性蜂窝网络和/或本地无线网络(例如,BluetoothTM或Wi-Fi)或其他通信方法向诸如传感器140-160的组件发送数据和从其接收数据。在一些实施例中,通信接口202可以是综合业务数字网(ISDN)卡、电缆调制解调器、卫星调制解调器或提供数据通信连接的调制解调器。又例如,通信接口202可以是局域网(LAN)卡,以提供与兼容LAN的数据通信连接。无线链路也可以由通信接口202实现。在这种实现中,通信接口202可以发送和接收电信号、电磁信号或光信号,其通过网络携带表示各种类型信息的数字数据流。
与一些实施例一致,通信接口202可以接收由传感器140和150捕获的数据,包括点云201和初始位姿数据203,并将接收的数据提供给内存206和存储器208用于存储或提供给处理器204以进行处理。通信接口202还可以接收由处理器204生成的优化位姿信息和关联点云,并且经由网络将位姿信息和关联点云提供给车辆100中的任何本地组件或任何远程设备。
处理器204可包括任何适当类型的通用或专用微处理器、数字信号处理器或微控制器。处理器204可以被配置为专用于估计车辆位姿的单独处理器模块。或者,处理器204可以被配置为共享处理器模块,用于执行与车辆位姿预估无关的其他功能。
如图2所示,处理器204可以包括多个模块,例如点云插值单元210、位姿信息预估单元212、位姿信息优化单元214、点云聚合单元216等。这些模块(以及任何相应的子模块或子单元)可以是处理器204的硬件单元(例如,集成电路的部分),其被设计为用于与其他组件一起使用或执行程序的一部分。所述程序可以存储在计算机可读介质上,并且当由处理器204执行时,它可以执行一个或多个功能。虽然图2示出了在一个处理器204内的所有单元210-216,但是可以预见的是,这些单元可以分布在彼此靠近或远离的多个处理器之间。
点云插值单元210可以被配置为基于初始位姿数据203使用轨迹插值来处理点云201中的多个点云帧。在一些实施例中,点云帧可以与多个快门时间戳相关联(采样时间点),因此,包括多个段,每个段与快门时间戳相关联。点云插值单元210可以被配置为使用轨迹插值对点云帧的每个片段执行位姿变换,以生成具有更高精度的经过处理的点云帧。例如,可以基于由车辆100的初始位姿数据203指示的车辆100的轨迹,使用线性插值来构造和***点云帧的每个片段中的附加数据点。例如,图3是根据本发明的一些实施例所示的轨迹插值之前和之后的示例性点云帧。310示出了在轨迹插值之前具有锯齿状错位的点云帧及其放大区域。相反,320示出了在由点云插值单元210进行轨迹插值处理之后的点云帧及其放大区域。由于使用轨迹插值添加数据点,320中的点云帧的平滑度得到改善。
返回参考图2,位姿信息预估单元212可以被配置为基于初始位姿数据203和点云帧来预估与每个点云帧相关联的车辆100的位姿信息。可以通过合并基于点云帧的估计(即,点云位姿信息)和基于初始位姿数据的估计来获得预估的姿势信息。在一些实施例中,姿势信息预估单元212可以首先基于点云帧预估车辆100的点云位姿信息。例如,位姿信息预估单元212可以基于每个点云帧中的点的3-D坐标及其相关属性(例如,反射激光强度)来计算相邻点云帧之间的位姿变化。在一个示例中,可以使用四维(4-D)正态分布变换(NDT)基于X、Y和Z坐标以及每个点的反射层强度来计算位姿变化。4-D NDT将从单点云帧重建的离散的3-D点集合转换为在3-D空间中定义的分段连续且可微分的概率密度。所述概率密度可以包括一组可以容易地被计算的正态分布。所述概率密度分布可以用于表示对应点云帧的点云位姿信息。
在一些实施例中,位姿信息预估单元212可以基于点云位姿信息和初始位姿数据203来预估与每个点云帧相关联的位姿信息。例如,可以使用UKF方法合并点云位姿信息和初始位姿数据203。UKF方法使用称为无损变换(UT)的确定性采样技术来选择后验均值周围的最小样本点集(称为sigma点)。然后通过非线性函数传播sigma点,然后从中形成新的后验均值和协方差估计。得到的UKF滤波器可以更准确地预估真实均值和协方差。对于任何非线性,UKF可以准确地确定后验均值和协方差到3阶(泰勒级数展开)。相比之下,已经被一些现有导航***用于位姿估计的扩展卡尔曼滤波(EKF)仅实现了一阶精度,其计算复杂度与UKF的顺序相同。
通过在位姿预估中应用4-D NDT和UKF,位姿信息预估单元212可以使用非线性函数的概率密度分布并且保持非线性函数中的高阶分量以实现更高的预估精度而不会显着牺牲处理速度。在一些实施例中,与点云帧相关联的预估位姿信息可以用于点云帧聚合和分割。例如,图4是根据本发明的一些实施例所示的基于利用NTD和UKF预估的位姿信息从点云帧聚合的示例性点云。410示出了单个点云帧,420示出了基于利用NTD和UKF预估的位姿信息与相邻点云帧聚合的点云帧。
返回参考图2,位姿信息优化单元214可以被配置为基于模型调整与每个点云帧相关联的车辆100的预估位姿信息。所述模型可以包括点云帧之间的空间关系和时间关系。所述模型可以应用闭环测试以减少累积的定位误差并最终提供与每个点云帧相关联的优化位姿信息以消除累积的定位误差。在一些实施例中,位姿信息优化单元214可以首先基于空间关系和时间关系以及一组阈值将点云帧划分为多个批次。例如,该组阈值可以包括最小时间间隔t、最小位置变化x和最小取向变化y。点云帧的划分可以基于它们的空间变化和相对于空间阈值x和y的时间变化,以及时间阈值t。在一个示例中,具有小于t的时间间隔、小于x的位置变化以及小于y的方向变化的任何点云帧都在同一批次中。通过在同一批次中排列相邻点云帧(同时在空间和时间上)以进行优化,可以降低计算复杂度。
在一些实施例中,位姿信息优化单元214使用的模型可以是包括多个节点的位姿图,每个节点表示每个批次中的点云帧的位姿。在一个示例中,点云帧可以是批次中具有最早时间点的点云帧。位姿信息优化单元214可以调整位姿图的每个节点的位姿信息以减小位姿图的代价函数的值。当位姿图的代价函数值最小化时,位姿图的每个节点的相应位姿信息达到其优化值。
图5是根据本发明的一些实施例所示的示例性位姿图500。位姿图500的每个节点表示一批点云帧,并且与批次中的第一点云帧的位姿信息(例如,具有最早时间点的位姿信息)相关联。位姿图500包括三种类型的边缘:(1)在空间中相邻但在时间上不相邻的两个批次形成闭环。两个闭环批次之间的预估点云位姿信息(例如,使用4D NDT)的变化表示为两个节点之间的两批边缘(显示为虚线箭头)。例如,批次0和批次2形成闭环并通过两批边缘连接,批次1和批次i-1也是如此。(2)对于每个批次,预估的位姿(例如,使用UKF获得的在先位姿)表示为节点的一批边缘(显示为圆圈箭头)。例如,图5中的每个批次都有自己的一批边缘。(3)位姿图500中的两个相邻批次通过另一个两批边缘(显示为实线箭头)连接,表示基于初始位姿数据203的预估位姿信息的变化(例如,使用UKF获得的相对在先位姿)。在一些实施例中,总相对在先位姿可以用作用于优化位姿图的每个节点的位姿信息的代价函数。
图6是根据本发明的一些实施例所示的与未优化的位姿信息和优化的位姿信息相关联的示例性点云。610示出了与未优化的位姿信息相关联的点云,620示出了与优化的位姿信息相关联的相同的点云。位姿信息将使用如图5所示的位姿图表姿势来进行优化。
返回参考图2,点云聚合单元216可以被配置为用每个点云帧记录调整后的位姿信息,并基于其调整后的位姿信息来聚合点云帧。也就是说,除了预估用于高精度定位的车辆100的位姿之外,控制器200还可以基于其相关联的位姿信息来聚合点云帧以提供高精度点云数据。因此,每个点云帧可以与优化的姿势信息一起被记录,例如车辆100的位置和方向以及捕获点云帧的时间点。在一些实施例中,可以基于其优化的位姿信息来聚合在空间中相邻的点云帧。
返回参考图2,内存206和存储器208可以包括任何适当类型的大容量存储器,其被提供以存储处理器204可能需要操作的任何类型的信息。内存206和存储器208可以是易失性或非易失性、磁性、半导体、磁带、光学、可移动、不可移动或其他类型的存储设备或有形(即,非暂时性)计算机可读介质,包括但不限于ROM、闪存、动态RAM和静态RAM。内存206和/或存储器208可以被配置为存储可以由处理器204执行以执行本文公开的车辆位姿预估功能的一个或多个计算机程序。例如,内存206和/或存储器208可以被配置为存储程序,该程序可以由处理器204执行以控制传感器140-160以在车辆100沿轨迹移动时捕获各种类型的数据,并处理捕获的数据以预估车辆100的位姿信息。
内存206和/或存储器208还可以被配置为存储由处理器204使用的信息和数据。例如,内存206和/或存储器208可以被配置为存储由传感器140-160捕获的各种类型的数据并且预估姿势信息。各种类型的数据可以永久存储,周期性地移除,或者在处理完每帧数据后立即被忽略。
图7是根据本发明的一些实施例所示的基于与点云相关联的预估位姿信息用于定位车辆100的示例性方法700的流程图。例如,方法700可以由车辆100的车辆位姿预估***实现,其包括控制器200和传感器140和150等。然而,方法700不限于该示例性实施例。方法700可以包括如下所述的步骤S702-S718。应当了解的是,一些步骤可以是任选的以执行本文提供的公开内容。此外,一些步骤可以同时执行,或者以与图7中所示不同的顺序执行。
在步骤S702中,当车辆100沿着轨迹移动时,关于场景的多个点云帧和车辆100的初始位姿数据可以由与车辆100相关联的传感器140和150捕获。例如,配备在车辆100上的激光扫描仪可以捕获表示场景的3-D信息的点云帧。配备在车辆100上的GPS接收器和一个或多个IMU传感器可以获取车辆100的初始位姿数据,包括时间、位置和方向。在一些实施例中,在捕获数据之前,可以校准传感器140和150以获得相对位姿转换。
在步骤S704中,处理器204可以使用基于初始位姿数据的轨迹插值来处理点云帧。初始位姿数据可用于指示车辆100的轨迹。各种插值方法,例如分段常数插值、线性插值、样条插值等,可以基于轨迹和采样时间点在点云帧范围内构建新数据点。所述新数据点可以补充点云帧以提高点云的平滑度。
在步骤S706中,处理器204可以基于点云帧估计点云位姿信息。可以基于点云帧中的每个点的3-D坐标和相关属性(例如,反射激光强度)来执行点云位姿信息估计。也可以估计在空间中相邻的两个或更多个点云帧之间的点云位姿信息的变化。在一些实施例中,4-DNDT可用于估计点云位姿信息。与非线性函数本身相反,4-D NDT可以基于非线性函数的概率密度分布来估计点云位姿信息。
在步骤S708中,处理器204可以基于点云位姿信息和初始位姿数据来预估与每个点云帧相关联的位姿信息。在一些实施例中,可以使用UKF将点云位姿信息与初始位姿数据合并,以在预估与每个点云帧相关联的位姿信息时保留非线性函数的高阶分量。预估的位姿信息可以用作稍后优化的初始值。
在步骤S710中,点云帧可以由处理器204划分为多个批次。可以基于点云帧之间的空间和时间关系(比如空间和时间的变化)来执行点云帧的划分。在一个示例中,对应于小于时间阈值的时间间隔、小于位置阈值的位置变化以及小于方向阈值的方向变化的任何点云帧将被分配给相同的批次。因此,每个批次可以包括在空间和时间上相邻的一个或多个点云帧。在一些实施例中,在每个批次中具有最早时间点的点云帧可以被视为该批次的第一点云帧,并且第一点云帧的位姿信息可以被用作与批次相关的位姿信息。
在步骤S712中,处理器204可以基于模型调整与每个点云帧相关联的预估位姿信息。所述模型可以包括点云帧之间的空间关系和时间关系。在一些实施例中,模型可以由位姿图表示,所述位姿图包括多个节点,每个节点表示多个批次中的每个批次中的点云帧的位姿。位姿图还可以包括连接节点的各种类型的边缘,例如连接表示预估点云位姿信息的变化的闭环批次的两批边缘,连接表示预估位姿信息的变化的相邻批次的两批边缘,和表示每个节点的预估位姿的一批边缘。在一些实施例中,总相对先前位姿(由连接相邻批次的两批边缘表示)可以用作用于优化位姿图的每个节点的位姿信息的代价函数。可以调整预估位姿信息以减小代价函数的值,直到该值最小化。
在步骤S714中,调整后的位姿信息可以由处理器204与每个点云帧一起被记录。在步骤S716中,处理器204可以基于与每个点云帧相关联的调整后的位姿信息来聚合点云帧。例如,可以聚合如由相关联的位姿信息所指示的在空间中相邻的点云帧。在步骤S718中,可以通过处理器204基于调整后的位姿信息来定位车辆100。在一些实施例中,调整后的位姿信息可以具有其优化值,并且可以高精度地定位车辆100。
本发明公开的另一方面涉及一种存储指令的非暂时性计算机可读介质,所述指令在被执行时使一个或多个处理器执行如上所述的方法。所述计算机可读介质可以包括易失性或非易失性、磁性、半导体、磁带、光学、可移动、不可移动或其他类型的计算机可读介质或计算机可读存储设备。例如,如所公开的,所述计算机可读介质可以是其上存储有计算机指令的存储设备或存储器模块。在一些实施例中,所述计算机可读介质可以是其上存储有计算机指令的磁碟或闪存驱动器。
对于本领域技术人员显而易见的是,可以对所公开的***和相关方法进行各种修改和变化。考虑到所公开的***和相关方法的说明书和实践,其他实施例对于本领域技术人员来说是显而易见的。
说明书和示例旨在仅被视为示例性的,真实范围由所附权利要求及其等同物指示。
Claims (20)
1.一种用于定位车辆的导航***,其特征在于,包括:
通信接口,被配置为当车辆沿着轨迹移动时,接收关于场景的多个点云帧和由装备在车辆上的多个传感器捕获的车辆的初始位姿数据;
存储器,被配置为存储所述多个点云帧和所述初始位姿数据;
处理器,被配置为:
基于所述初始位姿数据和所述多个点云预估与每一个点云帧相关联的车辆的位姿信息;
基于模型调整车辆的预估位姿信息,其中,所述模型包括多个点云帧之间的空间关系和时间关系;以及
基于调整后的位姿信息定位车辆。
2.根据权利要求1所述的***,其特征在于,所述处理器进一步被配置为:
记录每个点云帧中车辆调整后的位姿信息;以及
基于所述调整后的位姿信息聚合所述多个点云帧。
3.根据权利要求1所述的***,其特征在于,为预估车辆的位姿信息,所述处理器进一步被配置为基于所述初始位姿数据利用轨迹插值处理多个点云帧。
4.根据权利要求1所述的***,其特征在于,为预估车辆的位姿信息,所述处理器进一步被配置为:
基于所述多个点云帧预估车辆的点云位姿信息;以及
基于所述点云位姿信息和所述初始位姿数据预估所述位姿信息。
5.根据权利要求4所述的***,其特征在于,利用四维(4-D)正态分布变换(NDT)预估点云位姿信息,利用无损卡尔曼滤波(UKF)预估位姿信息。
6.根据权利要求1所述的***,其特征在于,为调整车辆的预估位姿信息,所述处理器进一步被配置为基于所述空间关系和所述时间关系以及一组阈值将多个点云帧划分为多个批次。
7.根据权利要求6所述的***,其特征在于,所述模型由位姿图表示,所述姿势图包括多个节点,每个节点表示多个批次中每个批次中的点云帧的位姿。
8.一种用于定位车辆的方法,其特征在于,包括:
当车辆沿着轨迹移动时,接收关于场景的多个点云帧和由装备在车辆上的多个传感器捕获的车辆的初始位姿数据;
处理器基于所述初始位姿数据和所述多个点云预估与每一个点云帧相关联的车辆的位姿信息;
所述处理器基于模型调整车辆的预估位姿信息,其中,所述模型包括多个点云帧之间的空间关系和时间关系;以及
基于调整后的位姿信息定位车辆。
9.根据权利要求8所述的方法,其特征在于,所述方法进一步包括:
记录每个点云帧中车辆调整后的位姿信息;以及
基于所述调整后的位姿信息聚合所述多个点云帧。
10.根据权利要求8所述的方法,其特征在于,所述预估车辆的位姿信息包括基于所述初始位姿数据利用轨迹插值处理多个点云帧。
11.根据权利要求8所述的方法,其特征在于,所述预估车辆的位姿信息,包括:
基于所述多个点云帧预估车辆的点云位姿信息;以及
基于所述点云位姿信息和所述初始位姿数据预估所述位姿信息。
12.根据权利要求11所述的方法,其特征在于,利用四维正态分布变换预估点云位姿信息,利用无损卡尔曼滤波预估位姿信息。
13.根据权利要求8所述的方法,其特征在于,所述调整车辆的预估位姿信息,包括基于所述空间关系和所述时间关系以及一组阈值将多个点云帧划分为多个批次。
14.根据权利要求13所述的方法,其特征在于,所述模型由位姿图表示,所述姿势图包括多个节点,每个节点表示多个批次中每个批次中的点云帧的位姿。
15.一种非暂时性计算机可读存储介质,用于存储指令,所述指令在由一个或多个处理器执行时使所述一个或多个处理器执行以下操作,包括
当车辆沿着轨迹移动时,接收关于场景的多个点云帧和由装备在车辆上的多个传感器捕获的车辆的初始位姿数据;
处理器基于所述初始位姿数据和所述多个点云预估与每一个点云帧相关联的车辆的位姿信息;
所述处理器基于模型调整车辆的预估位姿信息,其中,所述模型包括多个点云帧之间的空间关系和时间关系;以及
基于调整后的位姿信息定位车辆。
16.根据权利要求15所述的计算机可读介质,其特征在于,所述操作进一步包括:
记录每个点云帧中车辆调整后的位姿信息;以及
基于所述调整后的位姿细细聚合所述多个点云帧。
17.根据权利要求15所述的计算机可读介质,其特征在于,所述预估车辆的位姿信息包括基于所述初始位姿数据利用轨迹插值处理多个点云帧。
18.根据权利要求15所述的计算机可读介质,其特征在于,所述预估车辆的位姿信息,包括:
基于所述多个点云帧预估车辆的点云位姿信息;以及
基于所述点云位姿信息和所述初始位姿数据预估所述位姿信息。
19.根据权利要求15所述的计算机可读介质,其特征在于,所述调整车辆的预估位姿信息,包括基于所述空间关系和所述时间关系以及一组阈值将多个点云帧划分为多个批次。
20.根据权利要求19所述的计算机可读介质,其特征在于,所述模型由位姿图表示,所述姿势图包括多个节点,每个节点表示多个批次中每个批次中的点云帧的位姿。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2018/094118 WO2020006667A1 (en) | 2018-07-02 | 2018-07-02 | Vehicle navigation system using pose estimation based on point cloud |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111033299A true CN111033299A (zh) | 2020-04-17 |
CN111033299B CN111033299B (zh) | 2023-06-16 |
Family
ID=69007559
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880002069.4A Active CN111033299B (zh) | 2018-07-02 | 2018-07-02 | 基于点云利用位姿预估的车辆导航*** |
Country Status (9)
Country | Link |
---|---|
US (1) | US11131752B2 (zh) |
EP (1) | EP3612854B1 (zh) |
JP (1) | JP6880080B2 (zh) |
CN (1) | CN111033299B (zh) |
AU (1) | AU2018278849B2 (zh) |
CA (1) | CA3026914C (zh) |
SG (1) | SG11201811001WA (zh) |
TW (1) | TWI693423B (zh) |
WO (1) | WO2020006667A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111856499A (zh) * | 2020-07-30 | 2020-10-30 | 浙江大华技术股份有限公司 | 基于激光雷达的地图构建方法和装置 |
CN112433211A (zh) * | 2020-11-27 | 2021-03-02 | 浙江商汤科技开发有限公司 | 一种位姿确定方法及装置、电子设备和存储介质 |
WO2021244114A1 (zh) * | 2020-05-31 | 2021-12-09 | 华为技术有限公司 | 视觉定位方法和装置 |
CN114549605A (zh) * | 2021-12-31 | 2022-05-27 | 广州景骐科技有限公司 | 基于点云匹配的图像优化方法、装置、设备及存储介质 |
Families Citing this family (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10940851B2 (en) * | 2018-12-12 | 2021-03-09 | Waymo Llc | Determining wheel slippage on self driving vehicle |
KR102376709B1 (ko) * | 2019-01-30 | 2022-03-18 | 바이두닷컴 타임즈 테크놀로지(베이징) 컴퍼니 리미티드 | 자율 주행 차량을 위한 포인트 클라우드 등록 시스템 |
US11138789B1 (en) * | 2019-06-25 | 2021-10-05 | A9.Com, Inc. | Enhanced point cloud for three-dimensional models |
CN113096181B (zh) * | 2020-01-08 | 2024-04-09 | 纳恩博(北京)科技有限公司 | 设备位姿的确定方法、装置、存储介质及电子装置 |
TWI726630B (zh) * | 2020-02-25 | 2021-05-01 | 宏碁股份有限公司 | 地圖建構系統以及地圖建構方法 |
CN113433566B (zh) * | 2020-03-04 | 2023-07-25 | 宏碁股份有限公司 | 地图建构***以及地图建构方法 |
CN113496145B (zh) * | 2020-03-19 | 2023-06-16 | 武汉四维图新科技有限公司 | 标牌角点获取方法、装置及设备 |
CN111882977B (zh) * | 2020-05-06 | 2022-04-29 | 北京嘀嘀无限科技发展有限公司 | 一种高精度地图构建方法及*** |
CN114026461A (zh) * | 2020-05-19 | 2022-02-08 | 深圳市大疆创新科技有限公司 | 构建点云帧的方法、目标检测方法、测距装置、可移动平台和存储介质 |
CN111578894B (zh) * | 2020-06-02 | 2021-10-15 | 北京经纬恒润科技股份有限公司 | 一种确定障碍物航向角的方法及装置 |
CN111812698A (zh) * | 2020-07-03 | 2020-10-23 | 北京图森未来科技有限公司 | 一种定位方法、装置、介质和设备 |
US11769272B2 (en) | 2020-07-30 | 2023-09-26 | Toyota Research Institute, Inc. | Distinguishing, in a point cloud data set represented by an image, a first object from a second object |
US11448748B2 (en) | 2020-09-10 | 2022-09-20 | Argo AI, LLC | Systems and methods for simultaneous range-rate unwrapping and outlier removal for radar |
US11662454B2 (en) * | 2020-11-02 | 2023-05-30 | Ford Global Technologies, Llc | Systems and methods for range-rate dealiasing using position consistency |
CN112465831B (zh) * | 2020-11-16 | 2023-10-20 | 北京中科慧眼科技有限公司 | 基于双目立体相机的弯道场景感知方法、***和装置 |
TWI764735B (zh) * | 2021-05-26 | 2022-05-11 | 張量科技股份有限公司 | 基於四元數卡爾曼濾波器的載體姿態控制系統及其控制方法 |
CN113379915B (zh) * | 2021-07-05 | 2022-12-23 | 广东工业大学 | 一种基于点云融合的行车场景构建方法 |
CN113776543B (zh) * | 2021-07-27 | 2023-11-28 | 武汉中海庭数据技术有限公司 | 一种车辆融合定位方法、***、电子设备及存储介质 |
US20230213633A1 (en) * | 2022-01-06 | 2023-07-06 | GM Global Technology Operations LLC | Aggregation-based lidar data alignment |
CN114757980B (zh) * | 2022-05-12 | 2024-03-26 | 苏州轻棹科技有限公司 | 一种连续帧点云数据的离线配准方法 |
US11899114B1 (en) * | 2022-05-31 | 2024-02-13 | Zoox, Inc. | Secondary sensor data-based soft constraint optimization for pose graph and mapping refinement |
KR102507906B1 (ko) * | 2022-10-04 | 2023-03-09 | 주식회사 라이드플럭스 | 저용량 ndt 지도를 이용한 자율주행 차량의 측위 방법, 장치 및 컴퓨터프로그램 |
KR102616437B1 (ko) * | 2023-06-20 | 2023-12-22 | 주식회사 모빌테크 | 라이다 및 관성측정장치의 캘리브레이션 방법 및 이를 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103869820A (zh) * | 2014-03-18 | 2014-06-18 | 北京控制工程研究所 | 一种巡视器地面导航规划控制方法 |
CN105354875A (zh) * | 2015-09-25 | 2016-02-24 | 厦门大学 | 一种室内环境二维与三维联合模型的构建方法和*** |
CN107340522A (zh) * | 2017-07-10 | 2017-11-10 | 浙江国自机器人技术有限公司 | 一种激光雷达定位的方法、装置及*** |
CN107388967A (zh) * | 2017-08-14 | 2017-11-24 | 上海汽车集团股份有限公司 | 一种车载三维激光传感器的外参数补偿方法及装置 |
US20180088234A1 (en) * | 2016-09-27 | 2018-03-29 | Carnegie Mellon University | Robust Localization and Localizability Prediction Using a Rotating Laser Scanner |
CN108053443A (zh) * | 2017-11-20 | 2018-05-18 | 中国科学院空间应用工程与技术中心 | 一种基于粒子群优化的物体点云位姿估算方法和*** |
Family Cites Families (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8126642B2 (en) * | 2008-10-24 | 2012-02-28 | Gray & Company, Inc. | Control and systems for autonomously driven vehicles |
GB201116959D0 (en) * | 2011-09-30 | 2011-11-16 | Bae Systems Plc | Vehicle localisation with 2d laser scanner and 3d prior scans |
US10037469B2 (en) * | 2013-12-10 | 2018-07-31 | Google Llc | Image location through large object detection |
US9285230B1 (en) * | 2013-12-20 | 2016-03-15 | Google Inc. | Methods and systems for detecting road curbs |
GB201407643D0 (en) | 2014-04-30 | 2014-06-11 | Tomtom Global Content Bv | Improved positioning relatie to a digital map for assisted and automated driving operations |
EP3078935A1 (en) | 2015-04-10 | 2016-10-12 | The European Atomic Energy Community (EURATOM), represented by the European Commission | Method and device for real-time mapping and localization |
CN104764457B (zh) | 2015-04-21 | 2017-11-17 | 北京理工大学 | 一种用于无人车的城市环境构图方法 |
US9710714B2 (en) * | 2015-08-03 | 2017-07-18 | Nokia Technologies Oy | Fusion of RGB images and LiDAR data for lane classification |
CN105279371B (zh) * | 2015-09-21 | 2019-02-19 | 武汉海达数云技术有限公司 | 一种基于控制点的移动测量***pos精度改善方法 |
WO2017079341A2 (en) * | 2015-11-04 | 2017-05-11 | Zoox, Inc. | Automated extraction of semantic information to enhance incremental mapping modifications for robotic vehicles |
CN105783873B (zh) * | 2016-02-24 | 2018-09-07 | 腾讯科技(深圳)有限公司 | 目标物的测量方法、高精度地图生成方法及相关装置 |
US9946264B2 (en) * | 2016-03-22 | 2018-04-17 | Sharp Laboratories Of America, Inc. | Autonomous navigation using visual odometry |
CN106225790B (zh) * | 2016-07-13 | 2018-11-02 | 百度在线网络技术(北京)有限公司 | 一种无人车定位精度的确定方法及装置 |
JP2018025490A (ja) * | 2016-08-10 | 2018-02-15 | 株式会社デンソー | 位置推定装置 |
CN117824676A (zh) * | 2016-12-09 | 2024-04-05 | 通腾全球信息公司 | 用于基于视频的定位及映射的方法及*** |
CN106908775B (zh) * | 2017-03-08 | 2019-10-18 | 同济大学 | 一种基于激光反射强度的无人车实时定位方法 |
US10489665B2 (en) * | 2017-09-07 | 2019-11-26 | GM Global Technology Operations LLC | Systems and methods for determining the presence of traffic control personnel and traffic control signage |
US10509413B2 (en) * | 2017-09-07 | 2019-12-17 | GM Global Technology Operations LLC | Ground reference determination for autonomous vehicle operations |
CN108152831B (zh) * | 2017-12-06 | 2020-02-07 | 中国农业大学 | 一种激光雷达障碍物识别方法及*** |
DE102018202871B4 (de) | 2018-02-26 | 2019-09-12 | Dialog Semiconductor (Uk) Limited | Leistungseffiziente Treiberschaltung, die Ladungsrückgewinnung nutzt, und Verfahren zum Ansteuern einer Last |
-
2018
- 2018-07-02 JP JP2018564800A patent/JP6880080B2/ja active Active
- 2018-07-02 WO PCT/CN2018/094118 patent/WO2020006667A1/en unknown
- 2018-07-02 CA CA3026914A patent/CA3026914C/en active Active
- 2018-07-02 AU AU2018278849A patent/AU2018278849B2/en active Active
- 2018-07-02 CN CN201880002069.4A patent/CN111033299B/zh active Active
- 2018-07-02 SG SG11201811001WA patent/SG11201811001WA/en unknown
- 2018-07-02 EP EP18807549.3A patent/EP3612854B1/en active Active
- 2018-12-19 TW TW107145896A patent/TWI693423B/zh active
- 2018-12-27 US US16/234,265 patent/US11131752B2/en active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103869820A (zh) * | 2014-03-18 | 2014-06-18 | 北京控制工程研究所 | 一种巡视器地面导航规划控制方法 |
CN105354875A (zh) * | 2015-09-25 | 2016-02-24 | 厦门大学 | 一种室内环境二维与三维联合模型的构建方法和*** |
US20180088234A1 (en) * | 2016-09-27 | 2018-03-29 | Carnegie Mellon University | Robust Localization and Localizability Prediction Using a Rotating Laser Scanner |
CN107340522A (zh) * | 2017-07-10 | 2017-11-10 | 浙江国自机器人技术有限公司 | 一种激光雷达定位的方法、装置及*** |
CN107388967A (zh) * | 2017-08-14 | 2017-11-24 | 上海汽车集团股份有限公司 | 一种车载三维激光传感器的外参数补偿方法及装置 |
CN108053443A (zh) * | 2017-11-20 | 2018-05-18 | 中国科学院空间应用工程与技术中心 | 一种基于粒子群优化的物体点云位姿估算方法和*** |
Non-Patent Citations (2)
Title |
---|
AHMAD KARAMBAKHSH 等: "Deep gesture interaction for augmented anatomy learning", 《INTERNATIONAL JOURNAL OF INFORMATION MANAGEMENT》 * |
张名芳等: "基于激光雷达的远距离运动车辆位姿估计", 《公路交通科技》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021244114A1 (zh) * | 2020-05-31 | 2021-12-09 | 华为技术有限公司 | 视觉定位方法和装置 |
CN111856499A (zh) * | 2020-07-30 | 2020-10-30 | 浙江大华技术股份有限公司 | 基于激光雷达的地图构建方法和装置 |
CN112433211A (zh) * | 2020-11-27 | 2021-03-02 | 浙江商汤科技开发有限公司 | 一种位姿确定方法及装置、电子设备和存储介质 |
CN114549605A (zh) * | 2021-12-31 | 2022-05-27 | 广州景骐科技有限公司 | 基于点云匹配的图像优化方法、装置、设备及存储介质 |
CN114549605B (zh) * | 2021-12-31 | 2023-08-04 | 广州景骐科技有限公司 | 基于点云匹配的图像优化方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
SG11201811001WA (en) | 2020-02-27 |
TWI693423B (zh) | 2020-05-11 |
EP3612854A1 (en) | 2020-02-26 |
WO2020006667A1 (en) | 2020-01-09 |
TW202006395A (zh) | 2020-02-01 |
US11131752B2 (en) | 2021-09-28 |
CA3026914C (en) | 2021-11-30 |
JP6880080B2 (ja) | 2021-06-02 |
AU2018278849A1 (en) | 2020-01-16 |
US20200003869A1 (en) | 2020-01-02 |
CA3026914A1 (en) | 2020-01-02 |
EP3612854B1 (en) | 2023-03-15 |
JP2020528994A (ja) | 2020-10-01 |
CN111033299B (zh) | 2023-06-16 |
AU2018278849B2 (en) | 2020-11-05 |
EP3612854A4 (en) | 2020-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111033299B (zh) | 基于点云利用位姿预估的车辆导航*** | |
CA3027921C (en) | Integrated sensor calibration in natural scenes | |
CN111656136B (zh) | 使用激光雷达的车辆定位*** | |
CN111436216B (zh) | 用于彩色点云生成的方法和*** | |
US10996072B2 (en) | Systems and methods for updating a high-definition map | |
US11138448B2 (en) | Identifying a curb based on 3-D sensor data | |
AU2018102199A4 (en) | Methods and systems for color point cloud generation |
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 |