CN111324848A - 移动激光雷达测量***车载轨迹数据优化方法 - Google Patents

移动激光雷达测量***车载轨迹数据优化方法 Download PDF

Info

Publication number
CN111324848A
CN111324848A CN202010097598.6A CN202010097598A CN111324848A CN 111324848 A CN111324848 A CN 111324848A CN 202010097598 A CN202010097598 A CN 202010097598A CN 111324848 A CN111324848 A CN 111324848A
Authority
CN
China
Prior art keywords
vehicle
motion
track data
mounted track
data
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
Application number
CN202010097598.6A
Other languages
English (en)
Other versions
CN111324848B (zh
Inventor
郭明
潘登
郭可才
周腾飞
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.)
Beijing University of Civil Engineering and Architecture
Original Assignee
Beijing University of Civil Engineering and Architecture
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 Beijing University of Civil Engineering and Architecture filed Critical Beijing University of Civil Engineering and Architecture
Priority to CN202010097598.6A priority Critical patent/CN111324848B/zh
Publication of CN111324848A publication Critical patent/CN111324848A/zh
Application granted granted Critical
Publication of CN111324848B publication Critical patent/CN111324848B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • Quality & Reliability (AREA)
  • Navigation (AREA)

Abstract

本发明公开了一种移动激光雷达测量***车载轨迹数据优化方法，通过车载移动测量***获取基于GNSS和IMU联合解算的卡尔曼滤波车载轨迹数据，还包括：步骤一、基于卡尔曼滤波车载轨迹数据进行运动状态分析，建立车辆运动模型，根据位置、速度大小、运动姿态、加速度参数判断车辆的运动状态和自身的三维姿态；步骤二、根据运动姿态将车辆运动轨迹进行粗分段，其中车辆拐弯轨迹被分为单独段，根据运动加速度进一步进行细分段，使每段运动方向相同、运动加速度变化值低于阈值；步骤三、针对分段结果，分别对段内及段间车载轨迹数据进行平滑处理化获得优化车载轨迹数据。本发明能够强数据的平顺性，消除存在的局部误差，提高轨迹数据精度。

Description

移动激光雷达测量***车载轨迹数据优化方法
技术领域
本发明涉及车载移动测量***。更具体地说，本发明涉及一种移动激光雷达测量***车载轨迹数据优化方法。
背景技术
随着“数字城市”“自动驾驶”的概念日渐渗入人们的生活，尤其伴随着“大数据”、“云平台”的提出与发展，人们对更精确、更丰富、更及时的三维地理信息产品展现出惊人的需求，而三维地理信息产品的基础便是海量数据的采集与获取。针对这种情况车载移动测量技术应运而生。车载移动测量***具有更新速度快、效率高、成本低、灵活性强等特点，可以快速获取道路、建筑、电力线等地物空间三维点云信息，对三维场景进行快速反映调查，在智能交通、城市规划更新、地籍调查等领域应用越来越广泛。
车载轨迹是车载移动测量***的重要组成部分，由惯性导航原件(IMU)和全球定位***(GNSS)联合解算而成，包括位置、速度、角度、加速度等多种运动信息，是将扫描得到的点云数据转换到大地坐标系点云的基础，轨迹数据的质量是影响数据质量的关键因素。虽然轨迹位置和姿态数据经过联合卡尔曼滤波处理，但是在局部区域还是存在起伏波动，对此需要对得到的轨迹数据进行平滑处理，消除局部突变偏差，提高最后解算数据精度。
发明内容
本发明的一个目的是解决至少上述问题，并提供至少后面将说明的优点。
本发明还有一个目的是提供一种移动激光雷达测量***车载轨迹数据优化方法，其能够强数据的平顺性，消除存在的局部误差，提高轨迹数据精度。
为了实现根据本发明的这些目的和其它优点，提供了一种移动激光雷达测量***车载轨迹数据优化方法，通过车载移动测量***获取基于GNSS和IMU联合解算的卡尔曼滤波车载轨迹数据，还包括：
步骤一、基于卡尔曼滤波车载轨迹数据进行运动状态分析，建立车辆运动模型，根据位置、速度大小、运动姿态、加速度参数判断车辆的运动状态和自身的三维姿态；
步骤二、根据运动姿态将车辆运动轨迹进行粗分段，其中车辆拐弯轨迹被分为单独段，根据运动加速度进一步进行细分段，使每段运动方向相同、运动加速度变化值低于阈值；
步骤三、针对分段结果，分别对段内及段间车载轨迹数据进行平滑处理化获得优化车载轨迹数据。
优选的是，步骤二包括：
步骤a、段内车载轨迹数据进行最小二乘法的多项式平滑原理优化，段间车载轨迹数据利用基于B样条曲线的平滑原理优化，获得初步优化车载轨迹数据；
步骤b、再次根据运动姿态、运动加速度将车辆运动轨迹分段，并重复步骤a，进行预定次的迭代平滑处理，获得平滑优化车载轨迹数据。
优选的是，粗分段后根据运动距离将长段轨迹进行切割分段后使每段运动距离值低于阈值再进行细分段。
优选的是，段内车载轨迹数据的优化方式为：先将窗口内数据进行多项式拟合，确定多项式系数，基于最小二乘方法确定各控制点权系数，进行移动窗口加权平均进行平滑滤波。
优选的是，段间车载轨迹数据的优化方式为：确定B样条曲线基函数并进行递归处理。
优选的是，粗分段时，运动姿态的偏航角持续变化超过20°认为是车辆拐弯，被分为单独段。
本发明至少包括以下有益效果：
本发明建立车辆运动模型，分析车辆随时间的车载轨迹变化趋势，实时记录位置、速度和姿态等信息，对车辆运动轨迹进行分段处理，直观了解车辆呈现的直线运动、曲线运动状态，用SG滤波和B样条曲线滤波结合的方式进行数据的滤波平滑处理，增强数据的平顺性，消除存在的局部误差，提高轨迹数据精度。
本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
具体实施方式
下面结合细节对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
应当理解，本文所使用的诸如“具有”、“包含”以及“包括”术语并不配出一个或多个其它元件或其组合的存在或添加。
现有技术中，对车载移动测量***轨迹数据进行优化处理的方法较少，一般车载移动测量***直接基于GNSS和IMU联合解算的卡尔曼滤波数据进行点云数据解算，但由于道路环境复杂、车辆存在振动使得卡尔曼滤波后数据存在一定局部偏差，对此需要对得到的轨迹数据进一步进行平滑优化处理，本发明提供一种移动激光雷达测量***车载轨迹数据优化方法，通过车载移动测量***获取基于GNSS和IMU联合解算的卡尔曼滤波车载轨迹数据，包含时间、位置、姿态、速度、加速度等多种信息，此步骤为现有技术不作赘述，基于这些条件建立车辆运动模型，还包括：
步骤一、基于卡尔曼滤波车载轨迹数据进行运动状态分析，建立车辆运动模型，进行运动状态分析，分析车辆随时间的变化趋势，对车载移动测量***数据采集过程有整体直观了解，根据位置、速度大小、运动姿态、加速度参数判断车辆的运动状态和自身的三维，根据速度正负和偏航姿态判断车辆运动方向，速度正负表示方向，东西方向速度以东方向为正，南北方向以北方向为正，上下方向以向上为正，加速度大小判断速度变化，同时姿态大小和正负表示车辆运动运动方向和运动三维状态；
步骤二、根据车辆运动状态进行轨迹分段，包括粗分段和细分段两部分，根据运动姿态将车辆运动轨迹进行粗分段，运动姿态包括翻滚角、俯仰角、偏航角，车辆正常行驶是翻滚角、俯仰角的偏差在正常范围内，偏航角作为表征车辆运动姿态的主要指标，根据惯性导航数据采集得到的姿态进行车辆运动状态分析，偏航角可直观确定车辆运动方向，0°表示车辆沿着正东方向进行行驶，90°表示车辆沿着正南方向进行行驶，180°表示车辆沿着正西方向进行行驶，270°表示车辆沿着正北方向进行行驶，0°～90°为车辆沿着东南方向进行行驶，90°～180°为车辆沿着西南方向进行行驶，180°～270°为车辆沿着西北方向进行行驶，270°～360°为车辆沿着东北方向进行行驶，按照偏航角大小进行车辆运动方向分段，一般建筑方位规整，道路为东西或南北走向，角度多为整数，将运动方向相同(角度变化不超过阈值)的分为相同段，其中车辆拐弯轨迹(角度持续变化，超过阈值)被分为单独段，对车辆拐弯即角度持续变化的区域进行单独分段，根据运动加速度进一步进行细分段，即加速度值进行加密划分，使每段运动方向相同、运动加速度变化值低于阈值；根据车辆运动速度变化，即加速度大小进行轨迹细致分段，具体见式(1)设置速度变化阈值△a，当加速度绝对值大小小于△a时，认为该区域内轨迹点速度变化不大，运动状态大致相同，划分为相同段，当绝对值大小大于△a时，认为速度变化过大，进行分段处理，记录分段点，以新速度的作为分段点进行新的比较，从而将轨迹换分成速度不同的段。这里的细分段不包括车辆存在拐弯的区域，即对于车辆的方向连续改变现象当作一个独立现象进行处理。
Figure RE-GDA0002450661000000041
其中v为车辆运动速度，i某一时刻时间，i+1为下一时刻时间。
步骤三、针对分段结果，分别对段内及段间车载轨迹数据进行平滑处理化，具体包括：
步骤a、段内车载轨迹数据进行最小二乘法的多项式平滑原理优化，段间车载轨迹数据利用基于B样条曲线的平滑原理优化，获得初步优化车载轨迹数据，具体为：
段内数据利用最小二乘的多项式平滑原理进行位置和姿态数据优化，即将段内数据按照一定窗口大小进行滑动加权平均，先将窗口内数据进行多项式拟合，确定多项式系数，基于最小二乘方法确定各控制点权系数，具体过程如下：
1)多项式拟合
假设窗口大小为M＝2N+1，各点分别为(-n，-n+1，….，0，….，n-1，n)按照式(2) 对窗口内数据进行多项式拟合，确定多项式系数
y＝b0+b1x+b2x2+…+bk-1xk-1 (2)
其中N为控制点个数，k-1为拟合多项式次数，b为每项系数，x为各控制点值，即N个这样方程组成K元线性方程组。利用最小二乘方式确定拟合参数，写成矩阵形式表示为：
Figure RE-GDA0002450661000000042
用矩阵表示为
Y(2m+1)×1＝X(2m+1)×k·Bk×1+E(2m+1)×1 (4)
其中
Figure RE-GDA0002450661000000043
2)拟合参数确定
B的最小二乘解为
Figure RE-GDA0002450661000000044
Figure RE-GDA0002450661000000045
3)平滑滤波
Y的模型预测值或滤波值
Figure RE-GDA0002450661000000051
为
Figure RE-GDA0002450661000000052
其中P＝X·(XT·X)-1·XT，P可以理解为各控制点的权重系数，Y为输入控制点，应用最小二乘法确定加权系数进行移动窗口加权平均进行平滑滤波。
段内数据利用SG局部特征的多项式拟合方法进行滤波处理后有较好的平滑性，段间为保证数据平滑性，避免产生局部跳跃点，利用B样条滤波器进行数据滤波平滑处理，根据B样条曲线的混合函数公式和选取的数据处理范围进行递归处理，确定B样条曲线基函数，进而实现位置和姿态的平滑处理，具体过程如下：
B样条曲线公式
Figure RE-GDA0002450661000000053
umin≤u≤umax,2≤d≤n+1 (7)
其中pk为输入的控制点，个数为n+1，Bk,d(u)为基函数，表示次数为d-1的多项式，d为一个次数参数，u为节点，B样条曲线的局部控制由定义在u取值范围中子区间上的基函数确定。
1)基函数递归
B样条曲线的基函数由Cox-deBoor递归公式定义，具体为：
Figure RE-GDA0002450661000000054
Figure RE-GDA0002450661000000055
其中，每个基函数定义在u的取值范围的d子区间上，所选的一组子区间端点u_j为节点，选定的一组子区间端点整体成为节点向量，可以选取满足uj≤uj+1的任意值作为子区间端点，u的最大和最小值取决于所选的控制点个数，参数d的值。
2)节点向量确定
假设有n+1个控制点，m+1个节点向量，次数为p。n，m，p必须满足m＝n+p+1，即如果想定义一个有n+1个控制点的p次B样条曲线，必须提供n+p+2个节点 u0,u1……un+p+1，另一方面，如果给出一个m+1个节点的节点向量和n+1个控制点，B 样条曲线的次数是p＝m-n-1，节点把B样条曲线划分成曲线段。
步骤b、再次根据运动姿态、运动加速度将车辆运动轨迹分段，并重复步骤a，对数据进行多次迭代平滑处理，将处理后结果依次赋值到相应位置，将得到的新数据作为输入值按照步骤一进行多次迭代，直到满足迭代的次数，增强数据的一致性，消除局部起伏的坡度，从而提升数据精度，进行预定次的迭代平滑处理，获得平滑优化车载轨迹数据。
在另一种技术方案中，粗分段后根据运动距离将长段轨迹进行切割分段后使每段运动距离值低于阈值再进行细分段。在角度分段基础上根据距离将相同方向的长段轨迹进行切割分段，此处分段主要解决沿着某一方向行驶数据量较大的情况。
在另一种技术方案中，粗分段时，运动姿态的偏航角持续变化超过20°认为是车辆拐弯，被分为单独段。经过试验验证具有较好的分段、平滑优化效果。
这里说明的设备数量和处理规模是用来简化本发明的说明的。对本发明的应用、修改和变化对本领域的技术人员来说是容易实现的。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的细节。

Claims (6)

1.移动激光雷达测量***车载轨迹数据优化方法，通过车载移动测量***获取基于GNSS和IMU联合解算的卡尔曼滤波车载轨迹数据，其特征在于，还包括：
步骤一、基于卡尔曼滤波车载轨迹数据进行运动状态分析，建立车辆运动模型，根据位置、速度大小、运动姿态、加速度参数判断车辆的运动状态和自身的三维姿态；
步骤二、根据运动姿态将车辆运动轨迹进行粗分段，其中车辆拐弯轨迹被分为单独段，根据运动加速度进一步进行细分段，使每段运动方向相同、运动加速度变化值低于阈值；
步骤三、针对分段结果，分别对段内及段间车载轨迹数据进行平滑处理化获得优化车载轨迹数据。
2.如权利要求1所述的移动激光雷达测量***车载轨迹数据优化方法，其特征在于，步骤二包括：
步骤a、段内车载轨迹数据进行最小二乘法的多项式平滑原理优化，段间车载轨迹数据利用基于B样条曲线的平滑原理优化，获得初步优化车载轨迹数据；
步骤b、再次根据运动姿态、运动加速度将车辆运动轨迹分段，并重复步骤a，进行预定次的迭代平滑处理，获得平滑优化车载轨迹数据。
3.如权利要求1所述的移动激光雷达测量***车载轨迹数据优化方法，其特征在于，粗分段后根据运动距离将长段轨迹进行切割分段后使每段运动距离值低于阈值再进行细分段。
4.如权利要求2所述的移动激光雷达测量***车载轨迹数据优化方法，其特征在于，段内车载轨迹数据的优化方式为：先将窗口内数据进行多项式拟合，确定多项式系数，基于最小二乘方法确定各控制点权系数，进行移动窗口加权平均进行平滑滤波。
5.如权利要求2所述的移动激光雷达测量***车载轨迹数据优化方法，其特征在于，段间车载轨迹数据的优化方式为：确定B样条曲线基函数并进行递归处理。
6.如权利要求1所述的移动激光雷达测量***车载轨迹数据优化方法，其特征在于，粗分段时，运动姿态的偏航角持续变化超过20°认为是车辆拐弯，被分为单独段。
CN202010097598.6A 2020-02-17 2020-02-17 移动激光雷达测量***车载轨迹数据优化方法 Active CN111324848B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010097598.6A CN111324848B (zh) 2020-02-17 2020-02-17 移动激光雷达测量***车载轨迹数据优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010097598.6A CN111324848B (zh) 2020-02-17 2020-02-17 移动激光雷达测量***车载轨迹数据优化方法

Publications (2)

Publication Number Publication Date
CN111324848A true CN111324848A (zh) 2020-06-23
CN111324848B CN111324848B (zh) 2023-09-19

Family

ID=71167038

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010097598.6A Active CN111324848B (zh) 2020-02-17 2020-02-17 移动激光雷达测量***车载轨迹数据优化方法

Country Status (1)

Country Link
CN (1) CN111324848B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112504268A (zh) * 2020-09-22 2021-03-16 合肥赛为智能有限公司 一种无人机imu采集数据的预处理方法
CN112937569A (zh) * 2021-02-20 2021-06-11 福瑞泰克智能***有限公司 一种面向车道边界的紧急转向辅助方法及装置
CN113362606A (zh) * 2021-07-23 2021-09-07 重庆智和慧创科技有限公司 一种基于车联网的车路协同防碰撞综合控制***
CN113359167A (zh) * 2021-04-16 2021-09-07 电子科技大学 一种通过惯性测量参数将gps与激光雷达融合定位的方法
CN113593302A (zh) * 2021-07-23 2021-11-02 重庆智和慧创科技有限公司 一种基于车联网的车路协同防碰撞***服务平台
CN113672286A (zh) * 2021-07-30 2021-11-19 科络克电子科技（上海）有限公司 一种流水线求值器、移动轨迹分析处理装置、方法及设备
CN114184206A (zh) * 2021-12-03 2022-03-15 北京车慧达科技有限公司 一种基于车辆轨迹点生成行驶路线的方法和装置
CN115238801A (zh) * 2022-07-28 2022-10-25 上海理工大学 一种交叉口车辆二维轨迹重构方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101894370A (zh) * 2010-07-14 2010-11-24 苏州大学 具有形状参数自适应的甲骨文轮廓字形自动生成方法
CN106017486A (zh) * 2016-05-16 2016-10-12 浙江大学 一种面向无人车导航的基于轨迹拐点滤波的地图定位方法
CN106985826A (zh) * 2016-01-19 2017-07-28 福特全球技术公司 用于用以停车的距离的***
CN109521763A (zh) * 2017-09-18 2019-03-26 百度（美国）有限责任公司 用于自动驾驶车辆的基于约束平滑样条的路径优化
US20190301873A1 (en) * 2018-03-27 2019-10-03 Uber Technologies, Inc. Log trajectory estimation for globally consistent maps

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101894370A (zh) * 2010-07-14 2010-11-24 苏州大学 具有形状参数自适应的甲骨文轮廓字形自动生成方法
CN106985826A (zh) * 2016-01-19 2017-07-28 福特全球技术公司 用于用以停车的距离的***
CN106017486A (zh) * 2016-05-16 2016-10-12 浙江大学 一种面向无人车导航的基于轨迹拐点滤波的地图定位方法
CN109521763A (zh) * 2017-09-18 2019-03-26 百度（美国）有限责任公司 用于自动驾驶车辆的基于约束平滑样条的路径优化
US20190301873A1 (en) * 2018-03-27 2019-10-03 Uber Technologies, Inc. Log trajectory estimation for globally consistent maps

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
冯兴辉;张旭;金龙;刘栋;: "分段点区间的确定及高精度重构方法研究" *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112504268A (zh) * 2020-09-22 2021-03-16 合肥赛为智能有限公司 一种无人机imu采集数据的预处理方法
CN112937569A (zh) * 2021-02-20 2021-06-11 福瑞泰克智能***有限公司 一种面向车道边界的紧急转向辅助方法及装置
CN113359167A (zh) * 2021-04-16 2021-09-07 电子科技大学 一种通过惯性测量参数将gps与激光雷达融合定位的方法
CN113362606A (zh) * 2021-07-23 2021-09-07 重庆智和慧创科技有限公司 一种基于车联网的车路协同防碰撞综合控制***
CN113593302A (zh) * 2021-07-23 2021-11-02 重庆智和慧创科技有限公司 一种基于车联网的车路协同防碰撞***服务平台
CN113672286A (zh) * 2021-07-30 2021-11-19 科络克电子科技（上海）有限公司 一种流水线求值器、移动轨迹分析处理装置、方法及设备
CN114184206A (zh) * 2021-12-03 2022-03-15 北京车慧达科技有限公司 一种基于车辆轨迹点生成行驶路线的方法和装置
CN114184206B (zh) * 2021-12-03 2024-04-19 北京车慧达科技有限公司 一种基于车辆轨迹点生成行驶路线的方法和装置
CN115238801A (zh) * 2022-07-28 2022-10-25 上海理工大学 一种交叉口车辆二维轨迹重构方法

Also Published As

Publication number Publication date
CN111324848B (zh) 2023-09-19

Similar Documents

Publication Publication Date Title
CN111324848A (zh) 移动激光雷达测量***车载轨迹数据优化方法
CN108519094B (zh) 局部路径规划方法及云处理端
Schroedl et al. Mining GPS traces for map refinement
CN112612287B (zh) 一种自动驾驶汽车局部路径规划***、方法、介质及设备
CN112965063B (zh) 一种机器人建图定位方法
JP2022542289A (ja) 地図作成方法、地図作成装置、電子機器、記憶媒体及びコンピュータプログラム製品
CN112700479B (zh) 一种基于cnn点云目标检测的配准方法
CN110285817B (zh) 基于自适应d-s证据理论的复杂路网地图匹配方法
CN111443712B (zh) 一种基于天牛群搜索算法的三维路径规划方法
CN112747744B (zh) 一种结合航位推算和多车道路网地图的车辆定位方法
CN113920198B (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
CN112348867B (zh) 基于LiDAR点云数据的城市高精度三维地形构建方法及***
CN101408434B (zh) 移动终端零位漂移双模定位和单模定位方法
CN114323050A (zh) 车辆定位方法、装置和电子设备
CN115728803A (zh) 一种城市驾驶车辆连续定位***及方法
CN111123953B (zh) 人工智能大数据下粒子化移动机器人组及其控制方法
CN108871365A (zh) 一种航向约束下的状态估计方法及***
CN111399021A (zh) 一种导航定位方法
CN109307513B (zh) 一种基于行车记录的实时道路匹配方法及***
CN112612034A (zh) 基于激光帧和概率地图扫描的位姿匹配方法
Guo et al. Novel Trajectory Optimization Algorithm of Vehicle-borne LiDAR Mobile Measurement System.
CN112880699B (zh) 一种基于脑选择性注意机制的车辆协作定位方法
CN112985428B (zh) 基于安全角度的高精传感地图的图层的优先级参取方法
CN113850915A (zh) 一种基于Autoware的车辆循迹方法
CN112947481A (zh) 一种家庭服务机器人自主定位控制方法

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