CN113052940B - 一种基于声呐的时空关联地图实时构建方法 - Google Patents
一种基于声呐的时空关联地图实时构建方法 Download PDFInfo
- Publication number
- CN113052940B CN113052940B CN202110272885.0A CN202110272885A CN113052940B CN 113052940 B CN113052940 B CN 113052940B CN 202110272885 A CN202110272885 A CN 202110272885A CN 113052940 B CN113052940 B CN 113052940B
- Authority
- CN
- China
- Prior art keywords
- sonar
- map
- image
- dynamic
- time
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 23
- 230000003068 static effect Effects 0.000 claims abstract description 51
- 238000000034 method Methods 0.000 claims abstract description 32
- 230000011218 segmentation Effects 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000013139 quantization Methods 0.000 claims abstract description 5
- 238000005259 measurement Methods 0.000 claims description 18
- 238000001514 detection method Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000004083 survival effect Effects 0.000 claims description 5
- 241001270131 Agaricus moelleri Species 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000011002 quantification Methods 0.000 abstract description 2
- 238000013507 mapping Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 241000282461 Canis lupus Species 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/206—Drawing of charts or graphs
-
- 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
- G06F16/23—Updating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明提出一种基于声呐的时空关联地图实时构建方法。在地面坐标系下建立静态地图和动态地图,设定地图栅格数量与大小,并初始化各栅格占用概率;对于当前帧声呐图像,利用最优分割阈值对声呐图像进行二值化处理;按照栅格参数对处理后的声呐图像进行栅格化处理,并使用量化模型输出图像中处于声呐视域内的每个栅格对应的量化结果;利用量化结果使用静态反演观测模型选择性更新静态地图,并使用动态反演模型选择性更新动态地图。本发明使用时空关联的方法实现了分别构建实时动静态栅格地图的目的。
Description
技术领域
本发明涉及水下机器人声呐图像处理领域,具体为一种基于声呐的时空关联地图实时构建方法。
背景技术
在半未知或完全未知环境下,为完成自主航行与作业任务,水下机器人必须具备通过传感器逐步建立环境地图的能力。声学传感器具有感知距离远、环境依赖性低的优良特性,多波束前视声呐更可实时提供图像流,成为水下感知传感器的首选。
与光学图像相比,前视声呐图像质量更低,因此使用含噪声呐图像实时构建环境地图对图像处理算法提出了更高的要求。此外,现有的机器人地图构建方法往往基于静态环境假设,但在水下机器人作业环境中,还可能存在动态物体。
目前,从含噪声呐图中提取环境信息的主流方法有两种:基于迭代计算的阈值分割方法和基于图像建模的图像分割方法。基于迭代计算的方法通过遍历图像中灰度值,选取对噪声抑制较好的阈值,对声呐图像进行阈值分割;但该方法计算分割阈值时需要多次遍历图像各像素点,不适用于实时建图。基于图像建模的方法通过建立描述声呐图像噪声的模型,使用马尔可夫随机场估算目标和背景的模型参数,然后利用该参数进行声呐图像分割;该方法要求所建立的描述模型与实际噪声相匹配,同时模型参数估计的准确性也影响图像分割的效果。
现有机器人地图实时构建方法中,占用栅格法具有简单、直观和可描述不确定性信息等优点,可较好地应用于机器人导航、避障和定位等研究。针对室内半结构化环境,Wolf算法通过处理激光雷达数据分别建立静、动态栅格地图,将二者合并即可得到整个环境的完整描述。但是,Wolf算法中动态物体在全局动态地图标记后,即使未能再次观测到该动态物体,仍然认为该物体存在。此外,Wolf算法未设计选择性更新机制,对地图进行全局更新的时间和空间代价较大。
综上所述,基于声呐图像的实时建图方法还未到完善的地步,对于存在动态物体的水下环境建图,主要存在图像信息提取效率低和动态地图未与时间关联的问题。因此,迫切需要提出一种可实时提取图像信息并将空间栅格与时间相关联的静、动态环境建图方法,以进一步促进水下机器人技术的发展。
发明内容
针对现有方法图像信息提取效率低和动态地图未与时间关联的问题,本发明通过划分灰度区间并取区间均值作为备选分割阈值、为动态栅格地图增加生存时间约束等方法,依据水下声呐图像的特点及其与全局地图的时空联系,提供了一种基于声呐的时空关联地图实时构建方法。
本发明的技术方案为:
所述一种基于声呐的时空关联地图实时构建方法,包括以下步骤:
步骤1:建立地面坐标系,并在地面坐标系下建立静态地图sm和动态地图dm,设定地图栅格数量与大小,并且初始化地图中各栅格占用概率为l0;
步骤2:获取声呐图像,对于当前帧声呐图像,利用最优分割阈值对声呐图像进行二值化处理;
步骤3:按照步骤1设定的栅格参数对步骤2获得的图像进行栅格化处理,并使用量化模型输出图像中处于声呐视域内的每个栅格对应的量化结果s(d)li;所述量化结果为占用概率;
步骤4:利用步骤3得到的当前帧声呐图像的量化模型输出结果,使用静态反演观测模型选择性更新静态地图,并使用动态反演模型选择性更新动态地图;其中更新动态地图时,先校验各栅格的生存时间是否到达预设约束值,若达到,则直接将该栅格占用概率设置为初始值l0,否则使用动态反演模型选择性更新动态地图;地图更新结束后,接收下一帧声呐图像,转至步骤2继续处理。
进一步的,步骤2中,当采用所述最优分割阈值对声呐图像进行二值化处理后,若得到的图像中,面积小于设定值的连通区域的数量多于预设限制值,则增大所述最优分割阈值,再利用更新后的最优分割阈值对声呐图像进行二值化处理,如此循环直至面积小于设定值的连通区域的数量不多于预设限制值。
进一步的,步骤2中,若得到的图像中,面积小于设定值的连通区域的数量多于预设限制值,则修正最优分割阈值T*=1.05T*。
进一步的,步骤2中,所述最优分割阈值通过以下过程得到:
对于当前帧声呐图像,获取图像中像素灰度值的最大值Tmin和最小值Tmax,将灰度区间R=[Tmin,Tmax],将灰度区间R等分成L份,得到L个灰度等级[1,…,L],并计算各灰度等级的概率
ni表示当前声呐图像中灰度值属于第i个灰度等级的像素点个数;
计算R区间灰度加权平均值
Ti为灰度值属于第i个灰度等级的像素点的平均灰度值;
以k2为界将灰度区间R划分为两个子区间,分别计算两个子区间的灰度加权平均值
其中表示k2所在的灰度等级;
定义声呐图像中灰度低于阈值的像素点为背景B,不低于阈值的像素点为物体O,然后分别以k1,k2,k3为阈值,使用最大熵法计算三种阈值下的背景和物体信息熵之和若/>则选取k2为最优分割阈值;否则,以信息熵之和较大一侧所对应子区间作为新的灰度区间,重新进行计算。
进一步的,步骤2中,使用最大熵法计算阈值T下的背景和物体信息熵之和H为:
其中LT表示阈值T所在的灰度等级。
进一步的,所述声呐视域根据声呐的探测距离和水平开角确定。
进一步的,所述占用概率分为l0、locc或lfree,其中lfree<l0<locc。
进一步的,步骤3中量化结果s(d)li为:
θ=arctan((yi-ys)/(xi-xs))-ψ′
其中,(xi,yi)表示第i个栅格的中心像素点坐标,(xs,ys)表示声呐在当前图像坐标系中的位置;ψ′表示声呐绕自身zs轴的旋转角度;l表示声呐的探测距离,θs表示声呐的水平开角;g表示第i个栅格的灰度均值,g0表示预设的灰度阈值。
进一步的,步骤4中,仅使用步骤3量化结果中不等于l0的栅格进行动态地图和静态地图进行全局更新。
进一步的,步骤4中,若声呐载体当前时刻的位姿为xt,则静态地图的更新方程为
其中,slt,i表示当前t时刻第i个静态地图栅格smi的后验概率,P(smi|zt,xt,slt-1,i)的值取决于静态反演测量模型;zt表示当前t时刻的声呐观测结果;
动态地图的更新方程为
其中,dlt,i表示t时刻第i个动态地图栅格dmi的后验概率,P(dmi|zt,xt,dlt-1,i)的值取决于动态反演测量模型;
静态反演测量模型为:
动态反演测量模型为:
有益效果
1.本发明利用最优分割阈值对声呐图像进行二值化处理,并优选使用灰度区间灰度加权均值为备选阈值,评估分割效果并迭代缩小灰度区间的方法选取最佳分割阈值,可减少阈值选取时迭代计算次数;
2.本发明使用时空关联的方法分别构建实时动静态栅格地图,并对动态物体栅格加以生存时间约束,可更为准确地描述存在动态物体的水下环境。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1:算法执行流程图;
图2:声呐安装示意图;
图3:图像坐标系与声呐坐标系关系图;
图4:阈值分割结果图;
图5:实时建图效果图;
图6:ROS运行算法时节点与话题图。
具体实施方式
本实施例为用于水下机器人的一种基于前视声呐的时空关联地图实时构建方法,算法执行流程图如图1所示,在实施例中,包括以下步骤:
步骤1:建立地面坐标系,设定地面坐标系的原点为机器人下水点,x轴指向正北,y轴指向正东;并在地面坐标系下建立静态地图sm和动态地图dm,设定地图栅格数量为200×200个,栅格大小为dx=dy=0.2m,并且初始化地图中各栅格占用概率为l0=0.5。
静态地图sm和动态地图dm中表示为有限多个栅格单元smi和dmi,栅格单元取值为1时,即smi=1,dmi=1,表示在静(动)态地图中该栅格被占用,反之亦然。为提高运算效率并避免概率值接近0或1时的数值不稳定性,使用对数将概率表示为
而为实现单帧声呐图像到全局地图的增量式融合,根据机器人在地面坐标系中的位姿和声呐传感器在机器人上的安装位置与角度,结合声呐成像原理,使用坐标转换矩阵的形式,建立单帧声呐图像像素点到全局地图栅格之间的转换关系:
如图2所示,设此时水下机器人的欧拉角为(φ,θ,ψ),声呐安装于载体坐标系中的(x′s,0,0)位置,安装时声呐各轴与航行器载体坐标系各轴保持平行;声呐坐标系OsxSys与图像坐标系Omuv之间的关系如图3所示,依据声呐成像原理和坐标转换理论,可得由声呐图像中像素点在图像坐标系下的坐标(i,j)到地面坐标系坐标(x,y,z)的转换关系为
其中,为载体坐标系到地面坐标系的转换矩阵,h为声呐图像的高度,w为声呐图像的宽度,(xb,yb,zb)为机器人在地面坐标系中的位置。
步骤2:获取声呐图像,对于当前帧声呐图像,利用最优分割阈值对声呐图像进行二值化处理。
所述最优分割阈值通过以下过程得到:
对于当前帧声呐图像,获取图像中像素灰度值的最大值Tmin和最小值Tmax,将灰度区间R=[Tmin,Tmax],将灰度区间R等分成L份,得到L个灰度等级[1,…,L],并计算各灰度等级的概率
ni表示当前声呐图像中灰度值属于第i个灰度等级的像素点个数;
计算R区间灰度加权平均值
Ti为灰度值属于第i个灰度等级的像素点的平均灰度值;
以k2为界将灰度区间R划分为两个子区间,分别计算两个子区间的灰度加权平均值
其中表示k2所在的灰度等级;
定义声呐图像中灰度低于阈值的像素点为背景B,不低于阈值的像素点为物体O,然后分别以k1,k2,k3为阈值,使用最大熵法计算三种阈值下的背景和物体信息熵之和若/>则选取k2为最优分割阈值;否则,以信息熵之和较大一侧所对应子区间作为新的灰度区间,重新进行计算。
这里使用最大熵法计算阈值T下的背景和物体信息熵之和H为:
其中LT表示阈值T所在的灰度等级。
当采用所述最优分割阈值对声呐图像进行二值化处理后,若得到的图像中,面积小于设定值的连通区域的数量多于预设限制值,则令T*=1.05T*增大所述最优分割阈值T*,即增大5%,再利用更新后的最优分割阈值对声呐图像进行二值化处理,如此循环直至面积小于设定值的连通区域的数量不多于预设限制值。
本实施例中,声呐选用BluePrint公司Oculus M750d声呐,工作模式设置为高频f=1.2MHz,声呐的探测距离为l=20m,水平开角θs=80°,垂直开角φv=12°,水平方向角度分辨率为0.6°,距离分辨率为2.5mm。
图4是所选取的3帧图像进行处理后的效果,由此可知进行小连通区域数量判断后,分割后图像中存在的噪声点数目明显降低,障碍物与噪声之间具有更好的区分度。但是,障碍物的明显程度也有一定的下降,这是算法选取了更高的灰度分割阈值导致的。
步骤3:按照步骤1设定的栅格参数对步骤2获得的图像进行栅格化处理,并使用量化模型输出图像中处于声呐视域内的每个栅格对应的量化结果s(d)li:
θ=arctan((yi-ys)/(xi-xs))-ψ′
其中,(xi,yi)表示第i个栅格的中心像素点坐标,(xs,ys)表示声呐在当前图像坐标系中的位置;ψ′表示声呐绕自身zs轴的旋转角度;l表示声呐的探测距离,θs表示声呐的水平开角;g表示第i个栅格的灰度均值,g0表示预设的灰度阈值。所述声呐视域根据声呐的探测距离和水平开角确定,所述量化结果为占用概率,占用概率分为l0、locc或lfree,其中lfree<l0<locc。在本实施例中,障碍物区分灰度阈值g0=200,量化模型中lfree=0.3,locc=0.7。
步骤4:利用步骤3得到的当前帧声呐图像的量化模型输出结果,过滤动态物体,使用静态反演观测模型选择性更新静态地图,并对照静态地图,使用动态反演模型选择性更新动态地图;其中更新动态地图时,先校验各栅格的生存时间是否到达预设约束值,若达到,则直接将该栅格占用概率设置为初始值l0,否则对照静态地图,使用动态反演模型选择性更新动态地图;地图更新结束后,接收下一帧声呐图像,转至步骤2继续处理。
此时,静、动态全局地图选择性更新策略为,仅使用步骤3量化结果中不等于l0的栅格进行动态地图和静态地图进行全局更新。若声呐载体当前时刻的位姿为xt,则静态地图的更新方程为
其中,slt,i表示当前t时刻第i个静态地图栅格smi的后验概率,P(smi|zt,xt,slt-1,i)的值取决于静态反演测量模型;zt表示当前t时刻的声呐观测结果;
动态地图的更新方程为
其中,dlt,i表示t时刻第i个动态地图栅格dmi的后验概率,P(dmi|zt,xt,dlt-1,i)的值取决于动态反演测量模型。
反演测量模型根据当前时刻的静、动态地图与量测数据,给出该栅格此时刻被占用的概率值。在反演测量模型中,通过对比静、动态地图,区分静态物体与动态物体。具体来说,一方面,环境中的物体不可能即是动态又是静态的,故静态与动态地图在某一栅格的取值不能相同;另一方面,静态物体可作为运动物体的参照物,故使用同一时刻该栅格的静态占用值作为更新动态地图的参考。
例如,当某一栅格的状态从未知变为被占用时,将其视为静态物体;但当某一栅格的状态从空闲变为被占用时,并不将其视为静态物体,而是将其视为动态物体。根据上述原则,设计静态反演测量模型如表1所示。
表1:静态反演测量模型
该建图方法的时空关联性表现为,一方面,随着不同时刻量测的融合,静、动态全局地图都是时变的;另一方面动态物体的位置与时间紧密关联,故动态地图栅格的取值仅在其被观测后的一定时间内有意义。
因此,将动态地图栅格与时间相关联,对其设置生存时间约束,超过指定时间t0=5s未再次更新该栅格取值时,将其占用概率设置为初始值l0。根据上述原则,设计动态反演测量模型如表2所示。
表2:动态反演测量模型
在实施例中,利用所获取的声呐图像流,实时进行环境建图,其结果如图5所示。图5(a)、(c)、(e)分别表示t=1s,40s,60s时获取的静态地图;(b)、(d)、(f)则为t=1s,40s,60s时获取的动态地图,图中红色箭头表示机器人此时所在位置。
图5(a)、(c)、(e)中有部分动态噪声未能消除,主要是因为定位误差未被完全滤除。最终使用1405帧图像完成建图,所设计的算法可以很好地区分环境中的动态实验人员、BlueROV2和静态石阶,构建的地图精度较高。同时,仅考虑局部视野中有效栅格的更新机制使地图更新时间复杂度从O(n2)降低到常数级,使之可在实验平台上实时完成建图任务。
图6为本发明所提出的声呐图像处理与建图算法在ROS平台上运行时的节点与话题图,其中/sonar_oculus_node为读取声呐原始数据节点,/sonar_oculus_viewer为声呐图像预处理节点,/cv_process为本文所提出的阈值分割与实时建图算法节点;/ping话题为原始声呐数据,/image为处理后OpenCV格式声呐二值图像,/auv_states为经滤波处理后的机器人当前状态;/occu_map发布此时刻的实时占用地图。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上,任何熟悉本专业的技术人员,在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作任何的简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (6)
1.一种基于声呐的时空关联地图实时构建方法,其特征在于:包括以下步骤:
步骤1:建立地面坐标系,并在地面坐标系下建立静态地图sm和动态地图dm,设定地图栅格数量与大小,并且初始化地图中各栅格占用概率为l0;
步骤2:获取声呐图像,对于当前帧声呐图像,利用最优分割阈值对声呐图像进行二值化处理;
所述最优分割阈值通过以下过程得到:
对于当前帧声呐图像,获取图像中像素灰度值的最大值Tmin和最小值Tmax,将灰度区间R=[Tmin,Tmax],将灰度区间R等分成L份,得到L个灰度等级[1,…,L],并计算各灰度等级的概率
ni表示当前声呐图像中灰度值属于第i个灰度等级的像素点个数;
计算R区间灰度加权平均值
Ti为灰度值属于第i个灰度等级的像素点的平均灰度值;
以k2为界将灰度区间R划分为两个子区间,分别计算两个子区间的灰度加权平均值
其中表示k2所在的灰度等级;
定义声呐图像中灰度低于阈值的像素点为背景B,不低于阈值的像素点为物体O,然后分别以k1,k2,k3为阈值,使用最大熵法计算三种阈值下的背景和物体信息熵之和若/>则选取k2为最优分割阈值;否则,以信息熵之和较大一侧所对应子区间作为新的灰度区间,重新进行计算;
其中使用最大熵法计算阈值T下的背景和物体信息熵之和H为:
其中LT表示阈值T所在的灰度等级;
当采用所述最优分割阈值对声呐图像进行二值化处理后,若得到的图像中,面积小于设定值的连通区域的数量多于预设限制值,则增大所述最优分割阈值,再利用更新后的最优分割阈值对声呐图像进行二值化处理,如此循环直至面积小于设定值的连通区域的数量不多于预设限制值;
步骤3:按照步骤1设定的栅格参数对步骤2获得的图像进行栅格化处理,并使用量化模型输出图像中处于声呐视域内的每个栅格对应的量化结果s(d)li;所述量化结果为占用概率;
步骤4:利用步骤3得到的当前帧声呐图像的量化模型输出结果,使用静态反演观测模型选择性更新静态地图,并使用动态反演模型选择性更新动态地图;其中更新动态地图时,先校验各栅格的生存时间是否到达预设约束值,若达到,则直接将该栅格占用概率设置为初始值l0,否则使用动态反演模型选择性更新动态地图;地图更新结束后,接收下一帧声呐图像,转至步骤2继续处理;
其中,若声呐载体当前时刻的位姿为xt,则静态地图的更新方程为
其中,slt,i表示当前t时刻第i个静态地图栅格smi的后验概率,P(smi|zt,xt,slt-1,i)的值取决于静态反演测量模型;zt表示当前t时刻的声呐观测结果;
动态地图的更新方程为
其中,dlt,i表示t时刻第i个动态地图栅格dmi的后验概率,P(dmi|zt,xt,dlt-1,i)的值取决于动态反演测量模型;
静态反演测量模型为:
动态反演测量模型为:
2.根据权利要求1所述一种基于声呐的时空关联地图实时构建方法,其特征在于:步骤2中,若得到的图像中,面积小于设定值的连通区域的数量多于预设限制值,则修正最优分割阈值T*=1.05T*。
3.根据权利要求1所述一种基于声呐的时空关联地图实时构建方法,其特征在于:所述声呐视域根据声呐的探测距离和水平开角确定。
4.根据权利要求1所述一种基于声呐的时空关联地图实时构建方法,其特征在于:所述占用概率分为l0、locc或lfree,其中lfree<l0<locc。
5.根据权利要求4所述一种基于声呐的时空关联地图实时构建方法,其特征在于:步骤3中量化结果s(d)li为:
θ=arctan((yi-ys)/(xi-xs))-ψ′
其中,(xi,yi)表示第i个栅格的中心像素点坐标,(xs,ys)表示声呐在当前图像坐标系中的位置;ψ′表示声呐绕自身zs轴的旋转角度;l表示声呐的探测距离,θs表示声呐的水平开角;g表示第i个栅格的灰度均值,g0表示预设的灰度阈值。
6.根据权利要求5所述一种基于声呐的时空关联地图实时构建方法,其特征在于:步骤4中,仅使用步骤3量化结果中不等于l0的栅格进行动态地图和静态地图进行全局更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110272885.0A CN113052940B (zh) | 2021-03-14 | 2021-03-14 | 一种基于声呐的时空关联地图实时构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110272885.0A CN113052940B (zh) | 2021-03-14 | 2021-03-14 | 一种基于声呐的时空关联地图实时构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113052940A CN113052940A (zh) | 2021-06-29 |
CN113052940B true CN113052940B (zh) | 2024-03-15 |
Family
ID=76513185
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110272885.0A Active CN113052940B (zh) | 2021-03-14 | 2021-03-14 | 一种基于声呐的时空关联地图实时构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113052940B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115176127A (zh) * | 2022-06-02 | 2022-10-11 | 深圳市正浩创新科技股份有限公司 | 地图更新方法、计算机设备和存储介质 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663726A (zh) * | 2012-03-06 | 2012-09-12 | 中国矿业大学(北京) | 对物料堆积图像进行物料分割的方法和装置 |
CN105261037A (zh) * | 2015-10-08 | 2016-01-20 | 重庆理工大学 | 一种自适应复杂场景的运动目标检测方法 |
CN108344999A (zh) * | 2018-01-09 | 2018-07-31 | 浙江大学 | 一种用于水下机器人导航的声呐地图构建与重定位方法 |
CN108594834A (zh) * | 2018-03-23 | 2018-09-28 | 哈尔滨工程大学 | 一种面向未知环境下多auv自适应目标搜索和避障方法 |
CN108709562A (zh) * | 2018-04-28 | 2018-10-26 | 北京机械设备研究所 | 一种移动机器人滚动栅格地图构建方法 |
JP2018177074A (ja) * | 2017-04-18 | 2018-11-15 | 国立大学法人 東京大学 | 自律型水中ロボット及びその制御方法 |
CN109213204A (zh) * | 2018-10-15 | 2019-01-15 | 中国海洋大学 | 基于数据驱动的auv海底目标搜寻航行***及方法 |
CN109543694A (zh) * | 2018-09-28 | 2019-03-29 | 天津大学 | 一种基于点特征稀疏策略的视觉同步定位与地图构建方法 |
CN110570361A (zh) * | 2019-07-26 | 2019-12-13 | 武汉理工大学 | 声呐图像结构化噪声的抑制方法、***、装置和存储介质 |
CN110852959A (zh) * | 2019-10-14 | 2020-02-28 | 江苏帝一集团有限公司 | 基于新型中值滤波算法的声呐图像滤波方法 |
CN111337930A (zh) * | 2020-03-19 | 2020-06-26 | 哈尔滨工程大学 | 一种auv目标搜索方法 |
CN111486845A (zh) * | 2020-04-27 | 2020-08-04 | 中国海洋大学 | 基于海底地形匹配的auv多策略导航方法 |
WO2020211605A1 (zh) * | 2019-04-19 | 2020-10-22 | 苏州大学 | 一种基于最大公共子图的栅格地图融合方法 |
CN112146654A (zh) * | 2020-08-25 | 2020-12-29 | 浙江大学 | 基于关键约束帧的前视成像声呐水下定位与导航方法 |
-
2021
- 2021-03-14 CN CN202110272885.0A patent/CN113052940B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663726A (zh) * | 2012-03-06 | 2012-09-12 | 中国矿业大学(北京) | 对物料堆积图像进行物料分割的方法和装置 |
CN105261037A (zh) * | 2015-10-08 | 2016-01-20 | 重庆理工大学 | 一种自适应复杂场景的运动目标检测方法 |
JP2018177074A (ja) * | 2017-04-18 | 2018-11-15 | 国立大学法人 東京大学 | 自律型水中ロボット及びその制御方法 |
CN108344999A (zh) * | 2018-01-09 | 2018-07-31 | 浙江大学 | 一种用于水下机器人导航的声呐地图构建与重定位方法 |
CN108594834A (zh) * | 2018-03-23 | 2018-09-28 | 哈尔滨工程大学 | 一种面向未知环境下多auv自适应目标搜索和避障方法 |
CN108709562A (zh) * | 2018-04-28 | 2018-10-26 | 北京机械设备研究所 | 一种移动机器人滚动栅格地图构建方法 |
CN109543694A (zh) * | 2018-09-28 | 2019-03-29 | 天津大学 | 一种基于点特征稀疏策略的视觉同步定位与地图构建方法 |
CN109213204A (zh) * | 2018-10-15 | 2019-01-15 | 中国海洋大学 | 基于数据驱动的auv海底目标搜寻航行***及方法 |
WO2020211605A1 (zh) * | 2019-04-19 | 2020-10-22 | 苏州大学 | 一种基于最大公共子图的栅格地图融合方法 |
CN110570361A (zh) * | 2019-07-26 | 2019-12-13 | 武汉理工大学 | 声呐图像结构化噪声的抑制方法、***、装置和存储介质 |
CN110852959A (zh) * | 2019-10-14 | 2020-02-28 | 江苏帝一集团有限公司 | 基于新型中值滤波算法的声呐图像滤波方法 |
CN111337930A (zh) * | 2020-03-19 | 2020-06-26 | 哈尔滨工程大学 | 一种auv目标搜索方法 |
CN111486845A (zh) * | 2020-04-27 | 2020-08-04 | 中国海洋大学 | 基于海底地形匹配的auv多策略导航方法 |
CN112146654A (zh) * | 2020-08-25 | 2020-12-29 | 浙江大学 | 基于关键约束帧的前视成像声呐水下定位与导航方法 |
Non-Patent Citations (2)
Title |
---|
基于声纳和摄像头的动态环境地图创建方法;陈白帆;蔡自兴;潘薇;;高技术通讯(04);全文 * |
基于灰度分布模型的声呐图像目标检测算法;田晓东;刘忠;;***工程与电子技术(05);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113052940A (zh) | 2021-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109766878B (zh) | 一种车道线检测的方法和设备 | |
CN105809687B (zh) | 一种基于图像中边沿点信息的单目视觉测程方法 | |
CN109239709B (zh) | 一种无人船的局部环境地图自主构建方法 | |
KR100702663B1 (ko) | 입자 필터 프레임 워크에서 전방향 시각센서 기반 위치추정 및 매핑을 위한 방법 | |
CN111899301A (zh) | 一种基于深度学习的工件6d位姿估计方法 | |
CN112965063B (zh) | 一种机器人建图定位方法 | |
Henson et al. | Attitude-trajectory estimation for forward-looking multibeam sonar based on acoustic image registration | |
CN113269837A (zh) | 一种适用于复杂三维环境的定位导航方法 | |
CN115451964B (zh) | 基于多模态混合特征的船舶场景同时建图与定位方法 | |
CN111667523B (zh) | 一种基于多模态多源的深度数据精炼方法及*** | |
CN108550134B (zh) | 建图效果指标的确定方法和建图效果指标的确定装置 | |
CN114527490A (zh) | 在车辆运行时检测三维结构模型 | |
CN113052940B (zh) | 一种基于声呐的时空关联地图实时构建方法 | |
CN112946660A (zh) | 一种基于多波束前视声呐的同时定位与建图方法 | |
CN116385493A (zh) | 野外环境下多运动目标检测与轨迹预测方法 | |
CN115436920A (zh) | 一种激光雷达标定方法及相关设备 | |
CN116030130A (zh) | 一种动态环境下的混合语义slam方法 | |
Wang et al. | 3D-LIDAR based branch estimation and intersection location for autonomous vehicles | |
CN114217303A (zh) | 目标定位跟踪方法及装置、水下机器人和存储介质 | |
CN115797490B (zh) | 基于激光视觉融合的建图方法及*** | |
Zhang et al. | Feature-based ukf-slam using imaging sonar in underwater structured environment | |
Thallas et al. | Particle filter—Scan matching hybrid SLAM employing topological information | |
CN113554705B (zh) | 一种变化场景下的激光雷达鲁棒定位方法 | |
CN115512054A (zh) | 三维时空连续点云地图的构建方法 | |
CN115060268A (zh) | 一种机房融合定位方法、***、设备及存储介质 |
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 |