CN113218408B - 适用于多地形的多传感器融合的2Dslam方法及其*** - Google Patents

适用于多地形的多传感器融合的2Dslam方法及其*** Download PDF

Info

Publication number
CN113218408B
CN113218408B CN202110327244.0A CN202110327244A CN113218408B CN 113218408 B CN113218408 B CN 113218408B CN 202110327244 A CN202110327244 A CN 202110327244A CN 113218408 B CN113218408 B CN 113218408B
Authority
CN
China
Prior art keywords
particle
point cloud
2dslam
terrain
map
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
Application number
CN202110327244.0A
Other languages
English (en)
Other versions
CN113218408A (zh
Inventor
江如海
王玉龙
袁胜
刘跃
丁骥
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.)
Hefei Zhongke Zhichi Technology Co ltd
Original Assignee
Hefei Zhongke Zhichi Technology Co ltd
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 Hefei Zhongke Zhichi Technology Co ltd filed Critical Hefei Zhongke Zhichi Technology Co ltd
Priority to CN202110327244.0A priority Critical patent/CN113218408B/zh
Publication of CN113218408A publication Critical patent/CN113218408A/zh
Application granted granted Critical
Publication of CN113218408B publication Critical patent/CN113218408B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
    • G01C21/30—Map- or contour-matching
    • G01C21/32—Structuring or formatting of map data

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Optical Radar Systems And Details Thereof (AREA)

Abstract

本发明公开了一种适用于多地形的多传感器融合的2Dslam方法，通过读取激光雷达和编码器数据，解算编码器数据和处理雷达数据；扫描线特征分割点云，得到地面点云和非地面点云，并计算出坡度信息；依据坡度信息将三维非地面点云投影到二维；编码器和激光雷达二维点云粒子滤波融合。还公开了一种适用于多地形的多传感器融合的2Dslam***。本发明所述方法适用于平坦、颠簸和斜坡地形，突破传统2Dslam适用场合，进一步扩展应用场景，融合多传感器提高了算法的定位和建图精度。

Description

适用于多地形的多传感器融合的2Dslam方法及其***
技术领域
本发明涉及定位导航与地图构建技术领域，特别是涉及一种适用于多地形的多传感器融合的2Dslam方法及其***。
背景技术
SLAM(Simultaneous Localization And Mapping，即时定位与地图构建)主要用于解决移动设备在未知环境中运行时进行定位导航与地图构建的问题。要进行定位和建图，首先需要采集数据，目前大多数是采用编码器和激光雷达传感器来进行数据采集。然而，常规采用编码器解算位置和单线激光雷达检测障碍物的slam方法，仅适用于平坦地形。此外，颠簸和斜坡地形等复杂地形采用常规方法建图和定位，精度差。因此，复杂地形使用编码器和激光雷达同时建图与定位是非常值得研究的问题。
发明内容
本发明所要解决的技术问题是提供一种适用于多地形的多传感器融合的2Dslam方法及其***，适用于平坦、颠簸和斜坡地形，突破传统2Dslam适用场合。
为解决上述技术问题，本发明采用的一个技术方案是：提供一种适用于多地形的多传感器融合的2Dslam方法，包括以下步骤：
S1：获取编码器脉冲值，依据脉冲值解算运动模型参数；读取激光雷达点云，网格均值降采样处理点云数据并根据运动模型去除点云畸变；
S2:基于扫描线特征分割激光点云地面点和非地面点，计算地面点的坡度，根据坡度将非地面三维点投影为二维地面点；
S3：根据上一时刻的粒子位姿以及编码器数据运动模型，估计得到当前时刻的粒子位姿；
S4:依据处理后的二维激光雷达点云，以及上一时刻的粒子地图，采用梯度下降的方法扫描匹配优化粒子位姿，更新权重；
S5:根据得到粒子的姿态参考当前激光雷达扫描数据对各个粒子的地图进行更新，将权重最高的粒子的地图作为当前地图。
在本发明一个较佳实施例中，步骤S1的具体步骤包括：
S1.1：获取编码器脉冲值，解算出自身运动速度V、角速度ω；
S1.2：读取激光雷达探测范围所有三维点云存放于容器A，对A中点云采取长宽高均为d的网格，取每个网格内所有点云坐标(x,y,z)和时间戳的均值，将所有网格均值存放在容器B；
S1.3：依据速度V和角速度ω的匀速运动模型，根据容器B中点云时间戳将坐标转换到t起始时刻，将转换后的点云存放在容器C。
在本发明一个较佳实施例中，步骤S2的具体步骤包括：
S2.1：依据容器C中，假设相邻两扫面线同一射线角的点分别为(x1,y1,z1)和(x2,y2,z2)，倾斜角倾斜角小于10°认为是地面点，以此分割地面点和非地面点；
S2.2：依据计算得到的地面点云扫描线间的相邻线段间距倾斜度α、绝对高度差H＝|z1-z2|，将非地面三维点(x,y,z)投影到二维坐标二维点云存放在容器D。
在本发明一个较佳实施例中，步骤S4的具体步骤包括：
S4.1：依据容器D中的激光点云和(t-1)时刻粒子地图采用梯度下降法扫描匹配，优化粒子位姿/>得到该粒子最优估计位姿/>
S4.2：根据(t-1)时刻粒子权重粒子地图/>和t时刻的容器D的激光点云Zt、最优估计位姿/>依据/>更新得到t时刻粒子权重/>
在本发明一个较佳实施例中，步骤S5的具体步骤包括：
S5.1：计算粒子的离散程度若Neff小于阈值T，阈值T的取值为/>则进行粒子重采样，否则执行步骤S5.2；
S5.2：依据t时刻容器D中的激光点云和粒子位姿以及t-1时刻粒子地图/>更新得到t时刻粒子地图/>
S5.3：判断数据是否读完，若未读完，则返回步骤S1；若数据处理结束，则遍历所有粒子，输出权重最大粒子地图作为当前地图。
为解决上述技术问题，本发明采用的另一个技术方案是：提供一种适用于多地形的多传感器融合的2Dslam***，主要包括：
编码器数据模块，用于获取编码器脉冲值并依据脉冲值解算运动模型参数；
激光雷达数据模块，用于读取激光雷达点云，采用网格均值降采样处理点云数据并根据运动模型去除点云畸变；
激光点云分割模块，用于分割激光点云地面点和非地面点，计算地面点的坡度，根据坡度将非地面三维点投影为二维地面点；
粒子位姿获取模块，用于根据上一时刻的粒子位姿以及编码器数据运动模型，估计得到当前时刻的粒子位姿；
粒子位姿优化模块，用于依据所述激光雷达数据模块输出的二维激光雷达点云，以及上一时刻的粒子地图，采用梯度下降的方法扫描匹配优化粒子位姿，更新权重；
粒子地图输出模块，用于根据所述粒子位姿优化模块得到粒子的姿态参考当前激光雷达扫描数据对各个粒子的地图进行更新，将权重最高的粒子的地图作为当前地图。。
为解决上述技术问题，本发明还提供一种适用于多地形的多传感器融合的2Dslam设备，包括：
存储器、处理器及存储在所述存储器上并可在所述处理器上运行的适用于多地形的多传感器融合的2Dslam方法程序；
所述适用于多地形的多传感器融合的2Dslam方法程序被所述处理器执行时实现如上任一项所述的适用于多地形的多传感器融合的2Dslam方法的步骤。
为解决上述技术问题，本发明还提供一种计算机介质，所述计算机介质上存储有适用于多地形的多传感器融合的2Dslam方法程序；
所述适用于多地形的多传感器融合的2Dslam方法程序被所述处理器执行时实现如上任一项所述的适用于多地形的多传感器融合的2Dslam方法的步骤。
本发明的有益效果是：本发明所述方法通过读取激光雷达和编码器数据，解算编码器数据和处理雷达数据；扫描线特征分割点云，得到地面点云和非地面点云，并计算出坡度信息；依据坡度信息将三维非地面点云投影到二维；编码器和激光雷达二维点云粒子滤波融合。本方法适用于平坦、颠簸和斜坡地形，突破传统2Dslam适用场合，进一步扩展应用场景，融合多传感器提高了算法的定位和建图精度。
附图说明
图1是本发明适用于多地形的多传感器融合的2Dslam方法的流程图；
图2是所述适用于多地形的多传感器融合的2Dslam***的结构框图。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
请参阅图1，本发明实施例包括：
一种适用于多地形的多传感器融合的2Dslam方法，包括以下步骤：
S1：获取编码器脉冲值，依据脉冲值解算运动模型参数；读取激光雷达点云，网格均值降采样处理点云数据并根据运动模型去除点云畸变；具体步骤包括：
S1.1：获取左右编码器脉冲值，解算出自身运动速度V、角速度ω；
S1.2：读取激光雷达探测范围所有三维点云存放于容器A，对A中点云采取长宽高均为d的网格，取每个网格内所有点云坐标(x,y,z)和时间戳的均值，将所有网格均值存放在容器B；
S1.3：依据速度V和角速度ω的匀速运动模型，根据容器B中点云时间戳将坐标转换到t起始时刻，将转换后的点云存放在容器C。
S2:基于扫描线特征分割激光点云地面点和非地面点，计算地面点的坡度，根据坡度将非地面三维点投影为二维地面点；具体步骤包括：
S2.1：依据容器C中，假设相邻两扫面线同一射线角的点分别为(x1,y1,z1)和(x2,y2,z2)，倾斜角倾斜角小于10°认为是地面点，以此分割地面点和非地面点；
S2.2：依据计算得到的地面点云扫描线间的相邻线段间距倾斜度α、绝对高度差H＝|z1-z2|，将非地面三维点(x,y,z)投影到二维坐标二维点云存放在容器D。
S3：根据上一时刻的粒子位姿以及编码器数据运动模型，估计得到当前时刻的粒子位姿；即根据t-1时刻粒子的位姿和速度V和角速度ω匀速运动模型，估计得到t时刻粒子位姿/>
S4:依据处理后的二维激光雷达点云，以及上一时刻的粒子地图，采用梯度下降的方法扫描匹配优化粒子位姿，更新权重；具体步骤包括：
S4.1：依据容器D中的激光点云和(t-1)时刻粒子地图采用梯度下降法扫描匹配，根据梯度下降法匹配的结果，优化粒子位姿/>得到该粒子最优估计位姿/>
S4.2：根据(t-1)时刻粒子权重粒子地图/>和t时刻的容器D的激光点云Zt、最优估计位姿/>依据/>更新得到t时刻粒子权重/>
S5:根据得到粒子的姿态参考当前激光雷达扫描数据对各个粒子的地图进行更新，将权重最高的粒子的地图作为当前地图。具体步骤包括：
S5.1：计算粒子的离散程度若Neff小于阈值T，阈值T的取值为/>则进行粒子重采样，否则执行步骤S5.2；
S5.2：依据t时刻容器D中的激光点云和粒子位姿以及t-1时刻粒子地图/>更新得到t时刻粒子地图/>
S5.3：判断数据是否读完，若未读完，则返回步骤S1；若数据处理结束，则遍历所有粒子，输出权重最大粒子地图作为当前地图。
本发明实施例中，如图2所示，还提供一种适用于多地形的多传感器融合的2Dslam***，主要包括：
编码器数据模块，用于获取编码器脉冲值并依据脉冲值解算运动模型参数；
激光雷达数据模块，用于读取激光雷达点云，采用网格均值降采样处理点云数据并根据运动模型去除点云畸变；
激光点云分割模块，用于分割激光点云地面点和非地面点，计算地面点的坡度，根据坡度将非地面三维点投影为二维地面点；
粒子位姿获取模块，用于根据上一时刻的粒子位姿以及编码器数据运动模型，估计得到当前时刻的粒子位姿；
粒子位姿优化模块，用于依据所述激光雷达数据模块输出的二维激光雷达点云，以及上一时刻的粒子地图，采用梯度下降的方法扫描匹配优化粒子位姿，更新权重；
粒子地图输出模块，用于根据所述粒子位姿优化模块得到粒子的姿态参考当前激光雷达扫描数据对各个粒子的地图进行更新，将权重最高的粒子的地图作为当前地图。
本示例的一种适用于多地形的多传感器融合的2Dslam***，可执行本发明所提供的一种适用于多地形的多传感器融合的2Dsalm方法，可执行方法示例的任何组合实施步骤，具备该方法相应的功能和有益效果。
本发明实施例还提供一种适用于多地形的多传感器融合的2Dslam设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的适用于多地形的多传感器融合的2Dslam方法程序；
所述适用于多地形的多传感器融合的2Dslam方法程序被所述处理器执行时实现如上任一项所述的适用于多地形的多传感器融合的2Dslam方法的步骤。
本发明实施例还提供一种计算机介质，所述计算机介质上存储有适用于多地形的多传感器融合的2Dslam方法程序；
所述适用于多地形的多传感器融合的2Dslam方法程序被所述处理器执行时实现如上任一项所述的适用于多地形的多传感器融合的2Dslam方法的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (8)

1.一种适用于多地形的多传感器融合的2Dslam方法，其特征在于，包括以下步骤：
S1：获取编码器脉冲值，依据脉冲值解算运动模型参数；读取激光雷达点云，网格均值降采样处理点云数据并根据运动模型去除点云畸变；
S2:基于扫描线特征分割激光点云地面点和非地面点，计算地面点的坡度，根据坡度将非地面三维点投影为二维地面点；
S3：根据上一时刻的粒子位姿以及编码器数据运动模型，估计得到当前时刻的粒子位姿；
S4:依据处理后的二维激光雷达点云，以及上一时刻的粒子地图，采用梯度下降的方法扫描匹配优化粒子位姿，更新权重；
S5:根据得到粒子的姿态参考当前激光雷达扫描数据对各个粒子的地图进行更新，将权重最高的粒子的地图作为当前地图。
2.根据权利要求1所述的适用于多地形的多传感器融合的2Dslam方法，其特征在于，步骤S1的具体步骤包括：
S1.1：获取编码器脉冲值，解算出自身运动速度V、角速度ω；
S1.2：读取激光雷达探测范围所有三维点云存放于容器A，对A中点云采取长宽高均为d的网格，取每个网格内所有点云坐标(x,y,z)和时间戳的均值，将所有网格均值存放在容器B；
S1.3：依据速度V和角速度ω的匀速运动模型，根据容器B中点云时间戳将坐标转换到t起始时刻，将转换后的点云存放在容器C。
3.根据权利要求2所述的适用于多地形的多传感器融合的2Dslam方法，其特征在于，步骤S2的具体步骤包括：
S2.1：依据容器C中，假设相邻两扫面线同一射线角的点分别为(x1,y1,z1)和(x2,y2,z2)，倾斜角倾斜角小于10°认为是地面点，以此分割地面点和非地面点；
S2.2：依据计算得到的地面点云扫描线间的相邻线段间距倾斜度α、绝对高度差H＝|z1-z2|，将非地面三维点(x,y,z)投影到二维坐标二维点云存放在容器D。
4.根据权利要求3所述的适用于多地形的多传感器融合的2Dslam方法，其特征在于，步骤S4的具体步骤包括：
S4.1：依据容器D中的激光点云和(t-1)时刻粒子地图采用梯度下降法扫描匹配，优化粒子位姿/>得到该粒子最优估计位姿/>
S4.2：根据(t-1)时刻粒子权重粒子地图/>和t时刻的容器D的激光点云Zt、最优估计位姿/>依据/>更新得到t时刻粒子权重/>
5.根据权利要求3所述的适用于多地形的多传感器融合的2Dslam方法，其特征在于，步骤S5的具体步骤包括：
S5.1：计算粒子的离散程度若Neff小于阈值T，阈值T的取值为则进行粒子重采样，否则执行步骤S5.2；
S5.2：依据t时刻容器D中的激光点云和粒子位姿以及t-1时刻粒子地图/>更新得到t时刻粒子地图/>
S5.3：判断数据是否读完，若未读完，则返回步骤S1；若数据处理结束，则遍历所有粒子，输出权重最大粒子地图作为当前地图。
6.一种适用于多地形的多传感器融合的2Dslam***，其特征在于，主要包括：
编码器数据模块，用于获取编码器脉冲值并依据脉冲值解算运动模型参数；
激光雷达数据模块，用于读取激光雷达点云，采用网格均值降采样处理点云数据并根据运动模型去除点云畸变；
激光点云分割模块，用于分割激光点云地面点和非地面点，计算地面点的坡度，根据坡度将非地面三维点投影为二维地面点；
粒子位姿获取模块，用于根据上一时刻的粒子位姿以及编码器数据运动模型，估计得到当前时刻的粒子位姿；
粒子位姿优化模块，用于依据所述激光雷达数据模块输出的二维激光雷达点云，以及上一时刻的粒子地图，采用梯度下降的方法扫描匹配优化粒子位姿，更新权重；
粒子地图输出模块，用于根据所述粒子位姿优化模块得到粒子的姿态参考当前激光雷达扫描数据对各个粒子的地图进行更新，将权重最高的粒子的地图作为当前地图。
7.一种适用于多地形的多传感器融合的2Dslam设备，其特征在于，包括：
存储器、处理器及存储在所述存储器上并可在所述处理器上运行的适用于多地形的多传感器融合的2Dslam方法程序；
所述适用于多地形的多传感器融合的2Dslam方法程序被所述处理器执行时实现如权利要求1至5任一项所述的适用于多地形的多传感器融合的2Dslam方法的步骤。
8.一种计算机介质，其特征在于，所述计算机介质上存储有适用于多地形的多传感器融合的2Dslam方法程序；
所述适用于多地形的多传感器融合的2Dslam方法程序被所述处理器执行时实现如权利要求1至5任一项所述的适用于多地形的多传感器融合的2Dslam方法的步骤。
CN202110327244.0A 2021-03-26 2021-03-26 适用于多地形的多传感器融合的2Dslam方法及其*** Active CN113218408B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110327244.0A CN113218408B (zh) 2021-03-26 2021-03-26 适用于多地形的多传感器融合的2Dslam方法及其***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110327244.0A CN113218408B (zh) 2021-03-26 2021-03-26 适用于多地形的多传感器融合的2Dslam方法及其***

Publications (2)

Publication Number Publication Date
CN113218408A CN113218408A (zh) 2021-08-06
CN113218408B true CN113218408B (zh) 2024-06-11

Family

ID=77084222

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110327244.0A Active CN113218408B (zh) 2021-03-26 2021-03-26 适用于多地形的多传感器融合的2Dslam方法及其***

Country Status (1)

Country Link
CN (1) CN113218408B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113607166B (zh) * 2021-10-08 2022-01-07 广东省科学院智能制造研究所 基于多传感融合的自主移动机器人室内外定位方法及装置
CN114332259A (zh) * 2021-12-29 2022-04-12 福州大学 一种基于车载激光雷达的点云编解码方法
CN114763998B (zh) * 2022-03-30 2023-08-22 西安交通大学 基于微型雷达阵列的未知环境并行导航方法和***

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109932713A (zh) * 2019-03-04 2019-06-25 北京旷视科技有限公司 定位方法、装置、计算机设备、可读存储介质和机器人
CN110095788A (zh) * 2019-05-29 2019-08-06 电子科技大学 一种基于灰狼优化算法的rbpf-slam改进方法
CN111427370A (zh) * 2020-06-09 2020-07-17 北京建筑大学 一种基于稀疏位姿调整的移动机器人的Gmapping建图方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9037396B2 (en) * 2013-05-23 2015-05-19 Irobot Corporation Simultaneous localization and mapping for a mobile robot
US11598876B2 (en) * 2019-06-14 2023-03-07 Nvidia Corporation Segmenting ground points from non-ground points to assist with localization of autonomous vehicles

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109932713A (zh) * 2019-03-04 2019-06-25 北京旷视科技有限公司 定位方法、装置、计算机设备、可读存储介质和机器人
CN110095788A (zh) * 2019-05-29 2019-08-06 电子科技大学 一种基于灰狼优化算法的rbpf-slam改进方法
CN111427370A (zh) * 2020-06-09 2020-07-17 北京建筑大学 一种基于稀疏位姿调整的移动机器人的Gmapping建图方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Yang,JS.Localization/Mapping Motion Control System for a Mobile Robot.seventh international symposium on precision engineering measurements and instrumentation.2011,第8321卷1-9. *
基于激光雷达传感器的RBPF-SLAM***优化设计;王依人;传感器与微***;第36卷(第9期);77-80 *
基于激光雷达的同时定位与地图构建方法综述;危双丰;计算机应用研究;第37卷(第2期);327-332 *

Also Published As

Publication number Publication date
CN113218408A (zh) 2021-08-06

Similar Documents

Publication Publication Date Title
CN113218408B (zh) 适用于多地形的多传感器融合的2Dslam方法及其***
CN108152831B (zh) 一种激光雷达障碍物识别方法及***
EP3620823B1 (en) Method and device for detecting precision of internal parameter of laser radar
CN113487631B (zh) 基于lego-loam的可调式大角度探测感知及控制方法
CN112166457A (zh) 点云分割方法、***和可移动平台
CN115451948A (zh) 一种基于多传感器融合的农业无人车定位里程计方法及***
CN113238251A (zh) 一种基于车载激光雷达的目标级语义定位方法
CN112907625A (zh) 应用于四足仿生机器人的目标跟随方法及***
Lee et al. Temporally consistent road surface profile estimation using stereo vision
CN116879870A (zh) 一种适用于低线束3d激光雷达的动态障碍物去除方法
CN114859938A (zh) 机器人、动态障碍物状态估计方法、装置和计算机设备
CN112965076B (zh) 一种用于机器人的多雷达定位***及方法
CN114565726A (zh) 一种非结构化动态环境下的同时定位与建图方法
CN113734176A (zh) 智能驾驶车辆的环境感知***、方法、车辆及存储介质
CN117036447A (zh) 基于多传感器融合的室内场景稠密三维重建方法及装置
CN117029870A (zh) 一种基于路面点云的激光里程计
US20200292704A1 (en) Self position estimation apparatus
CN116380039A (zh) 一种基于固态激光雷达和点云地图的移动机器人导航***
CN114897967A (zh) 一种面向挖掘装备自主作业的物料形态识别方法
CN114648571A (zh) 机器人高精度地图建图中行驶区域内障碍物过滤方法
CN111127474B (zh) 机载LiDAR点云辅助的正射影像镶嵌线自动选取方法及***
Madake et al. Visualization of 3D Point Clouds for Vehicle Detection Based on LiDAR and Camera Fusion
CN114089376A (zh) 一种基于单激光雷达的负障碍物检测方法
Guo et al. 3D Lidar SLAM Based on Ground Segmentation and Scan Context Loop Detection
CN115685236A (zh) 机器人、机器人打滑处理方法、装置和可读存储介质

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