CN111784835B - 制图方法、装置、电子设备及可读存储介质 - Google Patents
制图方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN111784835B CN111784835B CN202010596116.1A CN202010596116A CN111784835B CN 111784835 B CN111784835 B CN 111784835B CN 202010596116 A CN202010596116 A CN 202010596116A CN 111784835 B CN111784835 B CN 111784835B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- transformation information
- pose transformation
- vehicle
- pose
- 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
- 238000000034 method Methods 0.000 title claims abstract description 96
- 230000009466 transformation Effects 0.000 claims abstract description 168
- 238000012545 processing Methods 0.000 claims abstract description 49
- 230000008569 process Effects 0.000 claims description 31
- 238000005259 measurement Methods 0.000 claims description 23
- 230000015654 memory Effects 0.000 claims description 19
- 238000001514 detection method Methods 0.000 claims description 16
- 238000013507 mapping Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 description 20
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000004927 fusion Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000002457 bidirectional effect Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000000059 patterning Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G06T17/05—Geographic models
-
- 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
- G06F16/29—Geographical information databases
-
- 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
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Computer Graphics (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种制图方法、装置、电子设备及可读存储介质,涉及自动驾驶领域。具体实现方案为:采集车辆所在场所中的多帧点云。基于目标位姿变换信息对所述多帧点云进行拼接处理,得到所述车辆所在场所的地图。所述目标位姿变换信息包括:点云与点云所在子图的相对位姿变换信息、相邻点云之间的相对位姿变换信息、子图之间的相对位姿变换信息以及局部坐标系与全局坐标系的变换关系。该方法避免了因数据向服务器上传时间过长所导致的制图效率不高的问题,同时极大提升制的灵活性。
Description
技术领域
本申请实施例涉及计算机技术领域,尤其涉及一种制图方法、装置、电子设备及可读存储介质,可用于自动驾驶及智能交通。
背景技术
自动驾驶汽车在行驶的过程中需要自动感知检测道路环境,决策控制车辆运动,如果出现些许偏差,会影响自动驾驶行驶的安全性。而高精地图包含大量道路环境的详细信息,包括交叉路口布局、路标位置、红绿灯信息和道路限速信息等,精度可达厘米级别,因此能够有效保障了自动驾驶车辆的行驶安全。因此,如何生产高精地图成为研究的热点。
现有技术中,可以使用云端集中制图方式生产高精地图。在该方式中,由采集车人工采集园区或路段的数据,该数据例如包括采集车上各传感器采集的数据。再由采集车将数据上传至云端,由云端进行离线制图处理。
但是,现有技术的方法流程繁琐,导致制图效率不高,并且如果某次制图失败,需要重新启动制图流程,灵活性低。
发明内容
本申请实施例提供了一种制图方法、装置、电子设备及可读存储介质。
根据第一方面,提供了一种制图方法,该方法包括:
采集车辆所在场所中的多帧点云。
基于目标位姿变换信息对所述多帧点云进行拼接处理,得到所述车辆所在场所的地图。
所述目标位姿变换信息包括:点云与点云所在子图的相对位姿变换信息、相邻点云之间的相对位姿变换信息、子图之间的相对位姿变换信息以及局部坐标系与全局坐标系的变换关系,所述子图由点云拼接而成,包括预设数量的点云。
第二方面,本申请实施例提供一种制图装置,包括:
采集模块,用于采集车辆所在场所中的多帧点云。
处理模块,用于基于目标位姿变换信息对所述多帧点云进行拼接处理,得到所述车辆所在场所的地图。
所述目标位姿变换信息包括:点云与点云所在子图的相对位姿变换信息、相邻点云之间的相对位姿变换信息、子图之间的相对位姿变换信息以及局部坐标系与全局坐标系的变换关系,所述子图由点云拼接而成,包括预设数量的点云。
第三方面,本申请实施例提供一种一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述第一方面所述的方法。
第四方面,本申请实施例提供一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行上述第一方面所述的方法。
本申请实施例所提供的制图方法、装置、电子设备及可读存储介质,由车辆在采集车辆所在场所的多帧点云之后,基于该多帧点云以及由点云与点云所在子图的相对位姿变换信息、相邻点云之间的相对位姿变换信息、子图之间的相对位姿变换信息以及局部坐标系与全局坐标系的变换关系这四种信息所组成的目标位姿变换信息,可以完成在车辆端的制图,其中,目标位姿变换信息作为制图时的约束信息。经过上述过程实现了在车辆端的制图,避免了因数据向服务器上传时间过长所导致的制图效率不高的问题,同时能够在数据采集的同时发现制图问题,无需重新启动制图流程,极大提升制的灵活性。另外,上述过程能够紧耦合的融合车辆上传感器的数据完成制图,从而保证在某些特殊情况下,例如弱GPS环境下的快速制图。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1为现有技术中制图方法的***架构图;
图2为本申请实施例提供的制图方法的场景示意图;
图3为本申请实施例提供的制图方法的流程示意图;
图4为本申请实施例提供的制图方法的流程示意图;
图5为本申请实施例提供的制图方法的流程示意图;
图6为本申请实施例提供的一种制图装置的模块结构图;
图7是用来实现本申请实施例的制图的方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1为现有技术中制图方法的***架构图,如图1所示,现有技术中,制图过程涉及车辆以及云端服务器。车辆与云端服务器之间通过互联网进行通信连接。车辆以人工采集方式采集园区或路段的数据,并将采集的数据上传至云端服务器。云端服务器基于车辆上传的数据,进行离线处理并生成车辆所在园区或路段的地图。
在现有技术的上述过程中,由于车辆采集的数据量庞大,例如包括多种传感器实时采集的大量数据,因此,车辆向云端服务器上传数据时需要耗费较长的时间,导致流程繁琐,进而导致制图效率不高。另外,如果某次制图失败,则需要重新启动制图流程,导致制图的灵活性低。
考虑到现有的制图方法存在的制图效率不高以及灵活性低的问题,本申请实施例通过车端制图方式,可以避免因数据上传时间过长所导致的制图效率不高的问题,同时能够在数据采集的同时发现制图问题,无需重新启动制图流程,极大提升制的灵活性。
图2为本申请实施例提供的制图方法的场景示意图,如图2所示,该方法可以应用于自动驾驶场景中。自动驾驶车辆上安装激光雷达,自动驾驶车辆在园区或路段行驶时,使用本申请实施例的方法,由激光雷达采集自动驾驶车辆所在场所的点云(例如图2所示例的车辆所在场所中某建筑物的点云),并基于目标位姿变换信息将点云拼接生成车辆所在场所的高精度地图。自动驾驶车辆进而可以保存该高精度地图。进而,自动驾驶车辆在自动驾驶过程中可以利用该高精度地图进行自动驾驶路线规划、驾驶控制等。另外,自动驾驶车辆还可以将生成的高精度地图发送给云端服务器和/或其他终端设备,由其他终端设备直接或者从服务器获取该高精度地图并使用。该其他终端设备可以是但不限于计算机,移动电话、消息收发设备,平板设备,个人数字助理等用户设备。云端服务器可以是但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算的由大量计算机或网络服务器构成的云。其中,云计算是分布式计算的一种,由一群松散耦合的计算机组成的一个超级虚拟计算机。
需要说明的是,本申请实施例提供的制图方法的应用场景包括但不限于自动驾驶的场景,还可以运用于其他任一需要高精度地图的场景中。
图3为本申请实施例提供的制图方法的流程示意图,该方法的执行主体为车辆,如图3所示,该方法包括:
S301、采集车辆所在场所中的多帧点云。
点云是指扫描资料以点的形式进行记录,每个点包含有三维坐标,还可能含有颜色信息,反射强度信息等。其中颜色信息通常是将对应位置的像素点的颜色信息赋予点云中的对应的点,反射强度信息的获取是激光雷达接收装置采集到的回波强度,此强度信息与目标的表面材质,粗糙度,入射角方向以及仪器的发射能量,激光波长有关。
可选的,车辆可以通过车辆上安装的激光雷达采集车辆所在场所中的点云。
车辆所在场所可以指车辆行驶的园区、路段等。以车辆行驶的路段为例,该路段上可以包括道路、桥梁、建筑物等。激光雷达通过扫描,可以采集到这些道路、桥梁、建筑物的多帧点云。具体的,激光雷达每扫描一周或一次,可以得到一帧点云。
S302、基于目标位姿变换信息对上述多帧点云进行拼接处理,得到车辆所在场所的地图。其中,该目标位姿变换信息包括:点云与点云所在子图的相对位姿变换信息、相邻点云之间的相对位姿变换信息、子图之间的相对位姿变换信息以及局部坐标系与全局坐标系的变换关系。
位姿信息包括位置信息和姿态信息,例如,点云的位姿包括点云在指定坐标系中的位置和姿态。
上述目标位姿变换信息的解释如下:
1、点云与点云所在子图(submap)的相对位姿变换信息
在将点云拼接为车辆所在场所的地图之前,可以利用点云与子图的匹配将点云拼接为若干子图,拼接的方式可以为将点云逐个***子图中,所拼接的每个子图可以包括预设数量的点云,每个子图具有特定的位姿,子图的位姿为首个点云的位姿。对于某一个特定的点云A,该点云A与点云A所在子图B的相对位姿变换信息可以指点云A相对于子图B的位姿的变换。其中,子图B的位姿可以指子图B中首个点云的位姿。
点云与点云所在子图的相对位姿变换信息的获得方式将在下述实施例中详细说明。
2、相邻点云之间的相对位姿变换信息
相邻点云之间的相对位姿变换信息可以指时间上相邻的点云之间的相对位姿变换信息。
相邻点云之间的相对位姿变换信息的获得方式将在下述实施例中详细说明。
3、子图之间的相对位姿变换信息
在将多帧点云拼接为地图时,可以是将点云和/或子图进行拼接,因此,可以使用子图之间的相对位姿变换信息。
子图之间的相对位姿变换信息的获得方式将在下述实施例中进行详细说明。
4、局部坐标系与全局坐标系的变换关系
上述的三种位姿变换信息均为局部坐标系下的位姿信息,而制图***最终需要生成全局一致的位姿,因此,可以利用局部坐标系与全局坐标系的变换关系,将点云的轨迹转换至全局坐标系。
在上述四种变换信息中,点云与点云所在地图的相对位姿变换信息,以及相邻点云之间的相对位姿变换信息为子图内部的约束,子图之间的相对位姿变换信息为各子图之前的约束,局部坐标系与全局坐标系的变换关系为坐标系约束。由这四种变换信息组成目标位姿变换信息,该目标位姿变换信息可以作为点云拼接时的四种约束,利用该四种约束以及多帧点云,可以生成位姿图(Pose Graph),利用该位姿图,可以实现多帧点云的拼接,从而得到车辆所在场所的地图。
本实施例中,由车辆在采集车辆所在场所的多帧点云之后,基于该多帧点云以及由点云与点云所在子图的相对位姿变换信息、相邻点云之间的相对位姿变换信息、子图之间的相对位姿变换信息以及局部坐标系与全局坐标系的变换关系这四种信息所组成的目标位姿变换信息,可以完成在车辆端的制图,其中,目标位姿变换信息作为制图时的约束信息。经过上述过程实现了在车辆端的制图,避免了因数据向服务器上传时间过长所导致的制图效率不高的问题,同时能够在数据采集的同时发现制图问题,无需重新启动制图流程,极大提升制的灵活性。另外,上述过程能够紧耦合的融合车辆上传感器的数据完成制图,从而保证在某些特殊情况下,例如弱全球定位***(Global Positioning System,简称GPS)环境下的快速制图。
可选的,在得到车辆所在场所的地图之后,还可以对该地图进行自定位测试,以验证地图的准确性。
以下对上述步骤S302中基于目标位姿变换信息对上述多帧点云进行拼接处理,得到车辆所在场所的地图的过程进行详细说明。
图4为本申请实施例提供的制图方法的流程示意图,如图4所示,上述步骤S302的一种可选方式可以包括:
S401、基于上述多帧点云以及上述目标位姿变换信息生成位姿图,并优化该位姿图。
如前文所述,车辆在采集到点云后,可以利用点云与子图的匹配将点云拼接为若干子图,每个子图可以包括预设数量的点云。相应的,作为一种可选的实施方式,车辆可以将多帧点云以及点云所在子图为节点,以目标位姿变换信息为边,生成上述位姿图。
位姿图包括节点和边,相关的节点之间通过边连接。在本申请实施例中,位姿图的节点包括点云,具体包括点云或点云所在子图的位姿,位姿图的边包括上述的位姿变换信息。
其中,相关的节点是指具有关联关系的节点,例如下述的相邻点云的节点为相关的节点。
具体的,以点云以及子图的位姿构成位姿图的节点,以相邻点云之间的相对位姿变换信息构成位姿图的相邻节点的边,以点云与点云所在子图的相对位姿变换信息以及子图之间的相对位姿变换信息构成位姿图的子图级别的边。另外,由于前三种位姿变换信息均为局部坐标系下的位姿信息,而制图***最终需要生成全局一致的位姿,因此需要通过GPS数据将点云的轨迹转换至全局坐标系,使用位姿图融合上述数据。为了融合GPS数据,利用局部全局(local-global)变换在位姿图中构建一个虚拟节点,使得点云状态与GPS量测相匹配。
利用上述方式所生成的位姿图不仅包含了点云以及子图的位姿,同时,还包括了点云与点云之间、点云与子图之间,以及,子图之间的位姿变换信息,从而使得位姿图所包含的信息丰富全面,进而使得基于该位姿图可以快速完成制图。
在生成上述位姿图之后,可以进一步对位姿图进行优化。
作为一种可选的实施方式,可以利用损失函数进行位姿图的优化。
具体的,对于位姿图中由某条边相连的节点,首先使用边的位姿变换信息计算两个节点的差值,并将差值作为损失函数的参数,利用该参数计算损失函数的结果,并根据损失函数的结果调整边的位姿变换信息,直至损失函数的结果收敛至目标。
S402、使用优化后的位姿图对上述多帧点云进行拼接处理,得到车辆所在场所的地图。
在本申请实施例中,在完成位姿图的优化后,作为一种可选的实施方式,可以使用优化后的位姿图得到多帧点云的全局位姿,并使用多帧点云的全局位姿对多帧点云进行拼接处理,得到车辆所在场所的地图。
使用优化后的位姿图得到多帧点云的全局位姿,使得点云可以在同一全局坐标系下完成拼接,避免出现异常。
优化后的位姿图中包括了前述的节点以及优化的边的信息,利用这些信息,可以得到点云以及子图在全局坐标系下的全局位姿。进而可以利用点云以及子图的全局位姿,将多帧点云拼接为全局坐标系系的地图。本申请实施例对于如何将多帧点云拼接为地图的方式不做限制。示例性的,可以将不同的子图或者多帧点云聚合在一起,形成待建地图的底图。
本实施例中,车辆基于多帧点云以及目标位姿变换信息生成位姿图,并在优化该位姿图之后,使用优化后的位姿图对多帧点云进行拼接处理,得到车辆所在场所的地图,该基于位姿图的生成以及优化方式使得多帧点云具有在同一全局坐标系下的准确的位姿,进而使得拼接而成的地图的正确性。
以上说明了基于目标位姿变换信息对多帧点云进行拼接得到车辆所在场所的地图的过程。以下说明上述过程中所使用到的各目标位姿变换信息的获得过程。
在一种可选的实施方式中,基于车辆的轮速计和/或惯性测量单元(InertialMeasurement Unit,简称IMU)的采集数据,得到点云与点云所在子图的相对位姿变换信息以及相邻点云之间的相对位姿变换信息。
以自动驾驶车辆为例,自动驾驶车辆上可以安装轮速计和惯性测量单元。其中,轮速计可以实时采集车辆的速度,惯性测量单元可以实时采集车辆的位置的位姿,即位姿信息。具体实施过程中,车辆可以选择二者中的一种所采集的数据,或者同时使用二者所采集的数据。以同时使用二者所采集的数据为例,车辆可以利用轮速计所采集的速度信息计算车辆的位置,并利用惯性测量单元所采集的数据得到车辆的角度(即姿态)信息,并使用这些信息得到点云与点云所在子图的相对位姿变换信息以及相邻点云之间的相对位姿变换信息。
在一些特定的场景下,尤其是在GPS遮挡严重、车辆位于地库等弱GPS场景中,无法利用GPS数据得到点云的位姿,而轮速计和惯性测量单元所采集的数据的准确性能够得到保证,因此可以利用轮速计和/或惯性测量单元的采集数据得到点云与所在子图以及相邻点云之间的位姿变换信息,将该位姿变换信息作为点云拼接时的约束,从而可以相应使得点云在地图拼接时的位姿信息的准确性得以保证。
图5为本申请实施例提供的制图方法的流程示意图,如图5所示,上述基于车辆的轮速计和/或惯性测量单元的采集数据,得到点云与点云所在子图的相对位姿变换信息以及相邻点云之间的相对位姿变换信息的一种可选的方式包括:
S501、对车辆的轮速计和/或惯性测量单元的采集数据进行积分处理,得到相邻点云之间的相对位姿变换信息。
本实施例可以由车辆的激光雷达-惯导里程计(LiDAR-IMU Odometry)模块完成。
由于在车辆运动时激光雷达持续旋转扫描周围环境,因此获得的每帧点云存在运动畸变。为补偿运动带来的畸变,使用惯性测量单元和/或轮速计进行积分处理以完成帧间的位姿估计,并将该变换作用在原始点云,得到去运动畸变的点云。
在上述过程中,通过积分处理完成帧间的位姿估计,因此可以得到相邻点云的相对位姿变换信息,这种方式无需其他额外处理即可得到相邻点云的相对位姿变换信息,使得制图的效率得到进一步的提升。
S502、根据上述积分处理结果进行点云与子图匹配处理,得到点云与点云所在子图的相对位姿变换信息。
通过积分处理完成帧间的位姿估计,即预测当前一帧点云的位姿,采用航迹推演方式估计当前位姿的方式会导致估计结果存在累计误差,因此使用双向递推有助于降低漂移,示例性的,在双向激光雷达-惯导里程计模块中,分别从两个方向建立子图。激光雷达-惯导里程计模块在通过轮速计和/或惯性测量单元积分预测当前帧的位姿后,将补偿后的点云进行滤波得到多分辨率在线点云,并与多分辨率的栅格子图进行匹配来优化预测位姿,最后将多分辨率在线点云***到子图中。在该过程中,激光雷达-惯导里程计模块在将点云与子图的匹配可以得到点云与所在子图的相对位姿变换信息。
在上述过程中,在将点云***子图时,利用点云与子图的匹配可以得到点云与所在子图的相对位姿变换信息,这种方式无需其他额外处理即可得到点云与所在子图的相对位姿变换信息,使得制图的效率得到进一步的提升。
作为一种可选的实施方式,车辆在基于车辆的轮速计和/或惯性测量单元的采集数据,得到点云与点云所在子图的相对位姿变换信息以及相邻点云之间的相对位姿变换信息时,可以基于车辆的轮速计和/或惯性测量单元的采集数据,得到关键点云与关键点云所在子图的相对位姿变换信息以及相邻点云之间的相对位姿变换信息。
在该方式中,车辆可以从采集的多帧点云中按照包含信息数量等参数筛选出关键点云,并针对关键点云获取关键点云与所在子图的相对位姿变换信息。这种方式在保证制图准确性的同时可以进一步降低制图的复杂度,进一步提升制图的效率。
以下说明获得子图之间的相对位姿变换信息的过程。
作为一种可选的实施方式,车辆可以基于闭环检测处理,得到子图之间的相对位姿变换信息。
闭环检测,又可以称为回环检测,指车辆识别在整个制图过程中曾经到达某个场景,进而使地图进行闭环的检测工作。
本申请实施例中,闭环检测的过程可以包括:首先,在一定距离范围内搜索,生成候选位姿。其次,将各层匹配打分并进行排序,高分值的优先进入更高分辨率的匹配。进而,对最佳候选位姿进行点云与子图的注册,得到优化的位姿。
由于激光雷达-惯导里程计存在累计漂移,如果当前GPS信号可用,可以有效降低闭环检测搜索的范围。闭环检测结果一般具有一致性,即当前候选周围存在多个能够匹配上闭环检测,利用该特性对闭环检测结果进行检查。
利用上述的闭环检测中点云与候选位姿的匹配,可以得到点云与历史子图的相对位姿变换信息。在此基础上,基于前述的方法可以得到点云与当前所在子图的相对位姿变换信息,基于该两种相对位姿变换信息,可以确定出历史子图与当前所在子图的相对位姿变换信息。
具体的,将点云与历史子图的相对位姿变换信息以及点云当前所在子图的相对位姿变换信息进行叠加相乘,得到历史子图与当前所在子图的相对位姿变换信息。
本实施例中,利用上述的闭环检测中点云与候选位姿的匹配,可以得到点云与历史子图的相对位姿变换信息。这种方式无需其他额外处理即可得到子图的相对位姿变换信息,使得制图的效率得到进一步的提升。
以下说明得到局部坐标系与全局坐标系的变换关系的过程。
可选的,车辆可以基于车辆采集的GPS数据,得到局部坐标系与全局坐标系的变换关系。
如前文所述,上述目标位姿变换信息中除局部坐标系与全局坐标系的变换关系之外的变换信息以及点云均为局部坐标系下的信息,而制图***最终需要生成全局一致的位姿,因此,车辆可以基于采集的GPS数据,将点云的轨迹转换至全局坐标系。具体的,车辆利用全局坐标系下的GPS数据进行局部至全局的变换处理,从而得到局部坐标系至全局坐标系的变换关系。进而,在上述生成位姿图时,在位姿图中构建一个虚拟节点,使得状态与GPS量测相匹配。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序信息相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
图6为本申请实施例提供的一种制图装置的模块结构图,如图6所示,该装置包括:
采集模块601,用于采集车辆所在场所中的多帧点云。
处理模块602,用于基于目标位姿变换信息对所述多帧点云进行拼接处理,得到所述车辆所在场所的地图。
所述目标位姿变换信息包括:点云与点云所在子图的相对位姿变换信息、相邻点云之间的相对位姿变换信息、子图之间的相对位姿变换信息以及局部坐标系与全局坐标系的变换关系。
作为一种可选的实施方式,处理模块602具体用于:
基于所述多帧点云以及所述目标位姿变换信息生成位姿图,并优化所述位姿图;使用优化后的位姿图对所述多帧点云进行拼接处理,得到所述车辆所在场所的地图。
作为一种可选的实施方式,处理模块602具体用于:
以所述多帧点云以及点云所在子图为节点,以所述目标位姿变换信息为边,生成所述位姿图。
作为一种可选的实施方式,处理模块602具体用于:
使用所述优化后的位姿图得到所述多帧点云的全局位姿;使用所述多帧点云的全局位姿对所述多帧点云进行拼接处理,得到所述车辆所在场所的地图。
作为一种可选的实施方式,处理模块602还用于:
基于所述车辆的轮速计和/或惯性测量单元的采集数据,得到点云与点云所在子图的相对位姿变换信息以及相邻点云之间的相对位姿变换信息。
作为一种可选的实施方式,处理模块602具体用于:
对所述车辆的轮速计和/或惯性测量单元的采集数据进行积分处理,得到相邻点云之间的相对位姿变换信息;根据所述积分处理结果进行点云与子图匹配处理,得到点云与点云所在子图的相对位姿变换信息。
作为一种可选的实施方式,处理模块602具体用于:
基于所述车辆的轮速计和/或惯性测量单元的采集数据,得到关键点云与关键点云所在子图的相对位姿变换信息以及相邻点云之间的相对位姿变换信息。
作为一种可选的实施方式,处理模块602还用于:
基于闭环检测处理,得到子图之间的相对位姿变换信息。
作为一种可选的实施方式,处理模块602具体用于:
基于闭环检测处理确定点云与历史子图的相对位姿变换信息;根据点云与历史子图的相对位姿变换信息以及点云当前所在子图的相对位姿变换信息,确定所述历史子图与所述当前所在子图的相对位姿变换信息。
作为一种可选的实施方式,处理模块602具体用于:
将所述点云与历史子图的相对位姿变换信息以及点云当前所在子图的相对位姿变换信息进行叠加相乘,得到所述历史子图与所述当前所在子图的相对位姿变换信息。
作为一种可选的实施方式,处理模块602还用于:
基于所述车辆采集的GPS数据,得到局部坐标系与全局坐标系的变换关系。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图7所示,是根据本申请实施例的制图的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图7所示,该电子设备包括:一个或多个处理器701、存储器702,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器***)。图7中以一个处理器701为例。
存储器702即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的制图的方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的制图的方法。
存储器702作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的制图的方法对应的程序指令/模块(例如,附图6所示的采集模块601和处理模块602)。处理器701通过运行存储在存储器702中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的制图的方法。
存储器702可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储根据制图的电子设备的使用所创建的数据等。此外,存储器702可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器702可选包括相对于处理器701远程设置的存储器,这些远程存储器可以通过网络连接至制图的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
制图的方法的电子设备还可以包括:输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704可以通过总线或者其他方式连接,图7中以通过总线连接为例。
输入装置703可接收输入的数字或字符信息,以及产生与制图的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置704可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案,由车辆在采集车辆所在场所的多帧点云之后,基于该多帧点云以及由点云与点云所在子图的相对位姿变换信息、相邻点云之间的相对位姿变换信息、子图之间的相对位姿变换信息以及局部坐标系与全局坐标系的变换关系这四种信息所组成的目标位姿变换信息,可以完成在车辆端的制图,其中,目标位姿变换信息作为制图时的约束信息。经过上述过程实现了在车辆端的制图,避免了因数据向服务器上传时间过长所导致的制图效率不高的问题,同时能够在数据采集的同时发现制图问题,无需重新启动制图流程,极大提升制的灵活性。另外,上述过程能够紧耦合的融合车辆上传感器的数据完成制图,从而保证在某些特殊情况下,例如弱GPS环境下的快速制图。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (14)
1.一种制图方法,包括:
采集车辆所在场所中的多帧点云;
基于目标位姿变换信息对所述多帧点云进行拼接处理,得到所述车辆所在场所的地图;
所述目标位姿变换信息包括:点云与点云所在子图的相对位姿变换信息、相邻点云之间的相对位姿变换信息、子图之间的相对位姿变换信息以及局部坐标系与全局坐标系的变换关系,所述子图由点云拼接而成,包括预设数量的点云;
所述基于目标位姿变换信息对所述多帧点云进行拼接处理,得到所述车辆所在场所的地图,包括:
基于所述多帧点云以及所述目标位姿变换信息生成位姿图,并优化所述位姿图,所述位姿图包括节点和边,相关的节点之间通过边连接,所述位姿图的节点包括点云,所述位姿图的边包括位姿变换信息;
使用优化后的位姿图对所述多帧点云进行拼接处理,得到所述车辆所在场所的地图。
2.根据权利要求1所述的方法,其中,所述基于所述多帧点云以及所述目标位姿变换信息生成位姿图,包括:
以所述多帧点云以及点云所在子图为节点,以所述目标位姿变换信息为边,生成所述位姿图。
3.根据权利要求1或2所述的方法,其中,所述使用优化后的位姿图对所述多帧点云进行拼接处理,得到所述车辆所在场所的地图,包括:
使用所述优化后的位姿图得到所述多帧点云的全局位姿;
使用所述多帧点云的全局位姿对所述多帧点云进行拼接处理,得到所述车辆所在场所的地图。
4.根据权利要求3所述的方法,所述基于目标位姿变换信息对所述多帧点云进行拼接处理,得到所述车辆所在场所的地图之前,还包括:
基于所述车辆的轮速计和/或惯性测量单元的采集数据,得到点云与点云所在子图的相对位姿变换信息以及相邻点云之间的相对位姿变换信息。
5.根据权利要求4所述的方法,其中,所述基于所述车辆的轮速计和/或惯性测量单元的采集数据,得到点云与点云所在子图的相对位姿变换信息以及相邻点云之间的相对位姿变换信息,包括:
对所述车辆的轮速计和/或惯性测量单元的采集数据进行积分处理,得到相邻点云之间的相对位姿变换信息;
根据所述积分处理结果进行点云与子图匹配处理,得到点云与点云所在子图的相对位姿变换信息。
6.根据权利要求4或5所述的方法,其中,所述基于所述车辆的轮速计和/或惯性测量单元的采集数据,得到点云与点云所在子图的相对位姿变换信息以及相邻点云之间的相对位姿变换信息,包括:
基于所述车辆的轮速计和/或惯性测量单元的采集数据,得到关键点云与关键点云所在子图的相对位姿变换信息以及相邻点云之间的相对位姿变换信息。
7.根据权利要求1-2、4-5中任一项所述的方法,所述基于目标位姿变换信息对所述多帧点云进行拼接处理,得到所述车辆所在场所的地图之前,还包括:
基于闭环检测处理,得到子图之间的相对位姿变换信息。
8.根据权利要求7所述的方法,其中,所述基于闭环检测处理,得到子图之间的相对位姿变换信息,包括:
基于闭环检测处理确定点云与历史子图的相对位姿变换信息;
根据点云与历史子图的相对位姿变换信息以及点云当前所在子图的相对位姿变换信息,确定所述历史子图与所述当前所在子图的相对位姿变换信息。
9.根据权利要求8所述的方法,其中,所述根据点云与历史子图的相对位姿变换信息以及点云当前所在子图的相对位姿变换信息,确定所述历史子图与所述当前所在子图的相对位姿变换信息,包括:
将所述点云与历史子图的相对位姿变换信息以及点云当前所在子图的相对位姿变换信息进行叠加相乘,得到所述历史子图与所述当前所在子图的相对位姿变换信息。
10.根据权利要求1-2、4-5、8-9中任一项所述的方法,所述基于目标位姿变换信息对所述多帧点云进行拼接处理,得到所述车辆所在场所的地图之前,还包括:
基于所述车辆采集的全球定位***GPS数据,得到局部坐标系与全局坐标系的变换关系。
11.一种制图装置,包括:
采集模块,用于采集车辆所在场所中的多帧点云;
处理模块,用于基于目标位姿变换信息对所述多帧点云进行拼接处理,得到所述车辆所在场所的地图;
所述目标位姿变换信息包括:点云与点云所在子图的相对位姿变换信息、相邻点云之间的相对位姿变换信息、子图之间的相对位姿变换信息以及局部坐标系与全局坐标系的变换关系,所述子图由点云拼接而成,包括预设数量的点云;
所述处理模块,具体用于基于所述多帧点云以及所述目标位姿变换信息生成位姿图,并优化所述位姿图,所述位姿图包括节点和边,相关的节点之间通过边连接,所述位姿图的节点包括点云,所述位姿图的边包括位姿变换信息;使用优化后的位姿图对所述多帧点云进行拼接处理,得到所述车辆所在场所的地图。
12. 一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-10中任一项所述的方法。
13.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-10中任一项所述的方法。
14.一种计算机程序产品,包括计算机程序,所述计算机程序在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 (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010596116.1A CN111784835B (zh) | 2020-06-28 | 2020-06-28 | 制图方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010596116.1A CN111784835B (zh) | 2020-06-28 | 2020-06-28 | 制图方法、装置、电子设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111784835A CN111784835A (zh) | 2020-10-16 |
CN111784835B true CN111784835B (zh) | 2024-04-12 |
Family
ID=72760910
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010596116.1A Active CN111784835B (zh) | 2020-06-28 | 2020-06-28 | 制图方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111784835B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112462385A (zh) * | 2020-10-21 | 2021-03-09 | 南开大学 | 一种基于激光雷达的室外大环境下的地图拼接定位方法 |
CN112710318B (zh) * | 2020-12-14 | 2024-05-17 | 深圳市商汤科技有限公司 | 地图生成方法、路径规划方法、电子设备以及存储介质 |
CN113311411B (zh) * | 2021-04-19 | 2022-07-12 | 杭州视熵科技有限公司 | 一种用于移动机器人的激光雷达点云运动畸变校正方法 |
CN113379910B (zh) * | 2021-06-09 | 2023-06-02 | 山东大学 | 基于slam的移动机器人矿山场景重建方法及*** |
CN113989451B (zh) * | 2021-10-28 | 2024-04-09 | 北京百度网讯科技有限公司 | 高精地图构建方法、装置及电子设备 |
CN114494618B (zh) * | 2021-12-30 | 2023-05-16 | 广州小鹏自动驾驶科技有限公司 | 地图的生成方法、装置、电子设备及存储介质 |
CN115493603B (zh) * | 2022-11-17 | 2023-03-10 | 安徽蔚来智驾科技有限公司 | 地图对齐方法、计算机设备及计算机可读存储介质 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103268729A (zh) * | 2013-05-22 | 2013-08-28 | 北京工业大学 | 基于混合特征的移动机器人级联式地图创建方法 |
CN104240297A (zh) * | 2014-09-02 | 2014-12-24 | 东南大学 | 一种救援机器人三维环境地图实时构建方法 |
CN105261060A (zh) * | 2015-07-23 | 2016-01-20 | 东华大学 | 基于点云压缩和惯性导航的移动场景实时三维重构方法 |
CN107665503A (zh) * | 2017-08-28 | 2018-02-06 | 汕头大学 | 一种构建多楼层三维地图的方法 |
CN108225345A (zh) * | 2016-12-22 | 2018-06-29 | 乐视汽车(北京)有限公司 | 可移动设备的位姿确定方法、环境建模方法及装置 |
CN108337915A (zh) * | 2017-12-29 | 2018-07-27 | 深圳前海达闼云端智能科技有限公司 | 三维建图方法、装置、***、云端平台、电子设备和计算机程序产品 |
CN108665540A (zh) * | 2018-03-16 | 2018-10-16 | 浙江工业大学 | 基于双目视觉特征和imu信息的机器人定位与地图构建*** |
CN109064506A (zh) * | 2018-07-04 | 2018-12-21 | 百度在线网络技术(北京)有限公司 | 高精度地图生成方法、装置及存储介质 |
CN109087393A (zh) * | 2018-07-23 | 2018-12-25 | 汕头大学 | 一种构建三维地图的方法 |
CN109541630A (zh) * | 2018-11-22 | 2019-03-29 | 武汉科技大学 | 一种适用于建筑物室内平面2d slam测绘的方法 |
CN109709801A (zh) * | 2018-12-11 | 2019-05-03 | 智灵飞(北京)科技有限公司 | 一种基于激光雷达的室内无人机定位***及方法 |
CN109887053A (zh) * | 2019-02-01 | 2019-06-14 | 广州小鹏汽车科技有限公司 | 一种slam地图拼接方法及*** |
CN109974707A (zh) * | 2019-03-19 | 2019-07-05 | 重庆邮电大学 | 一种基于改进点云匹配算法的室内移动机器人视觉导航方法 |
CN109974712A (zh) * | 2019-04-22 | 2019-07-05 | 广东亿嘉和科技有限公司 | 一种基于图优化的变电站巡检机器人建图方法 |
CN110533587A (zh) * | 2019-07-03 | 2019-12-03 | 浙江工业大学 | 一种基于视觉先验信息和地图恢复的slam方法 |
CN110689622A (zh) * | 2019-07-05 | 2020-01-14 | 电子科技大学 | 一种基于点云分割匹配闭环校正的同步定位与构图算法 |
CN110796598A (zh) * | 2019-10-12 | 2020-02-14 | 劢微机器人科技(深圳)有限公司 | 自主移动机器人及其地图拼接方法、装置和可读存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120300020A1 (en) * | 2011-05-27 | 2012-11-29 | Qualcomm Incorporated | Real-time self-localization from panoramic images |
-
2020
- 2020-06-28 CN CN202010596116.1A patent/CN111784835B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103268729A (zh) * | 2013-05-22 | 2013-08-28 | 北京工业大学 | 基于混合特征的移动机器人级联式地图创建方法 |
CN104240297A (zh) * | 2014-09-02 | 2014-12-24 | 东南大学 | 一种救援机器人三维环境地图实时构建方法 |
CN105261060A (zh) * | 2015-07-23 | 2016-01-20 | 东华大学 | 基于点云压缩和惯性导航的移动场景实时三维重构方法 |
CN108225345A (zh) * | 2016-12-22 | 2018-06-29 | 乐视汽车(北京)有限公司 | 可移动设备的位姿确定方法、环境建模方法及装置 |
CN107665503A (zh) * | 2017-08-28 | 2018-02-06 | 汕头大学 | 一种构建多楼层三维地图的方法 |
CN108337915A (zh) * | 2017-12-29 | 2018-07-27 | 深圳前海达闼云端智能科技有限公司 | 三维建图方法、装置、***、云端平台、电子设备和计算机程序产品 |
CN108665540A (zh) * | 2018-03-16 | 2018-10-16 | 浙江工业大学 | 基于双目视觉特征和imu信息的机器人定位与地图构建*** |
CN109064506A (zh) * | 2018-07-04 | 2018-12-21 | 百度在线网络技术(北京)有限公司 | 高精度地图生成方法、装置及存储介质 |
CN109087393A (zh) * | 2018-07-23 | 2018-12-25 | 汕头大学 | 一种构建三维地图的方法 |
CN109541630A (zh) * | 2018-11-22 | 2019-03-29 | 武汉科技大学 | 一种适用于建筑物室内平面2d slam测绘的方法 |
CN109709801A (zh) * | 2018-12-11 | 2019-05-03 | 智灵飞(北京)科技有限公司 | 一种基于激光雷达的室内无人机定位***及方法 |
CN109887053A (zh) * | 2019-02-01 | 2019-06-14 | 广州小鹏汽车科技有限公司 | 一种slam地图拼接方法及*** |
CN109974707A (zh) * | 2019-03-19 | 2019-07-05 | 重庆邮电大学 | 一种基于改进点云匹配算法的室内移动机器人视觉导航方法 |
CN109974712A (zh) * | 2019-04-22 | 2019-07-05 | 广东亿嘉和科技有限公司 | 一种基于图优化的变电站巡检机器人建图方法 |
CN110533587A (zh) * | 2019-07-03 | 2019-12-03 | 浙江工业大学 | 一种基于视觉先验信息和地图恢复的slam方法 |
CN110689622A (zh) * | 2019-07-05 | 2020-01-14 | 电子科技大学 | 一种基于点云分割匹配闭环校正的同步定位与构图算法 |
CN110796598A (zh) * | 2019-10-12 | 2020-02-14 | 劢微机器人科技(深圳)有限公司 | 自主移动机器人及其地图拼接方法、装置和可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111784835A (zh) | 2020-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111784835B (zh) | 制图方法、装置、电子设备及可读存储介质 | |
US11615605B2 (en) | Vehicle information detection method, electronic device and storage medium | |
JP7262545B2 (ja) | 車両位置の判定方法、車両位置の判定装置、電子機器、コンピュータ可読記憶媒体及びコンピュータプログラム | |
KR102382420B1 (ko) | 차량 위치 결정 방법, 전자 기기 및 저장 매체 | |
KR102548282B1 (ko) | 고정밀도 맵 작성 방법 및 장치 | |
CN111753765B (zh) | 感知设备的检测方法、装置、设备及存储介质 | |
CN111649739B (zh) | 定位方法和装置、自动驾驶车辆、电子设备和存储介质 | |
US11698262B2 (en) | Method and apparatus for generating route planning model, and storage medium | |
JP7204823B2 (ja) | 車両制御方法、車両制御装置及び車両 | |
CN111220164A (zh) | 定位方法、装置、设备及存储介质 | |
CN111784836B (zh) | 高精地图生成方法、装置、设备及可读存储介质 | |
CN111553844B (zh) | 用于更新点云的方法及装置 | |
CN111340860B (zh) | 点云数据的配准、更新方法、装置、设备和存储介质 | |
CN111666876B (zh) | 用于检测障碍物的方法、装置、电子设备和路侧设备 | |
JP7214803B2 (ja) | 建築物の測位方法、装置、電子デバイス、記憶媒体、プログラム、及び端末デバイス | |
CN112241718B (zh) | 车辆信息的检测方法、检测模型的训练方法和装置 | |
CN112147632A (zh) | 车载激光雷达感知算法的测试方法、装置、设备和介质 | |
CN111597287B (zh) | 地图生成方法、装置及设备 | |
CN111783611B (zh) | 无人车的定位方法、装置、无人车及存储介质 | |
CN111260722B (zh) | 车辆定位方法、设备及存储介质 | |
CN112577524A (zh) | 信息校正方法和装置 | |
CN115900697B (zh) | 对象运动轨迹信息处理方法、电子设备以及自动驾驶车辆 | |
CN115979262A (zh) | 飞行器的定位方法、装置、设备及存储介质 | |
CN114299192B (zh) | 定位建图的方法、装置、设备和介质 | |
CN111784579B (zh) | 制图方法及装置 |
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 |