CN113269878A - 一种基于多传感器的建图方法及*** - Google Patents
一种基于多传感器的建图方法及*** Download PDFInfo
- Publication number
- CN113269878A CN113269878A CN202110576943.9A CN202110576943A CN113269878A CN 113269878 A CN113269878 A CN 113269878A CN 202110576943 A CN202110576943 A CN 202110576943A CN 113269878 A CN113269878 A CN 113269878A
- Authority
- CN
- China
- Prior art keywords
- data
- point cloud
- grid
- pose
- lidar point
- 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
- 238000013507 mapping Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000005457 optimization Methods 0.000 claims abstract description 38
- 230000004927 fusion Effects 0.000 claims abstract description 34
- 238000007781 pre-processing Methods 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Graphics (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本申请公开了一种基于多传感器的建图方法及***,该方法包括:通过机器人上的多传感器获取当前时刻的LIDAR点云数据、IMU数据以及定位约束数据;基于预处理后的IMU数据及LIDAR点云数据,去除点云运动畸变,使用历史位姿构建局部点云地图,并结合去运动畸变后的LIDAR点云数据,以及相对运动数据构建最大后验概率问题并进行优化求解,根据优化结果构建位姿图,将预处理后的定位约束数据作为相应位姿的约束融入位姿图。对位姿图进行优化求解,将优化后的融合位姿与去运动畸变后的LIDAR点云进行拼接,完成地图的创建。本发明的基于多传感器的融合建图方法,通过图优化的方法融合多传感器信息,提高了建图的稳定性和准确性。
Description
技术领域
本发明涉及机器人技术领域,尤其涉及一种基于多传感器的建图方法及***。
背景技术
现阶段机器人的移动大多依靠人工路径规划,机器人的自主导航能力依赖于即时定位与建图技术,其核心任务是当机器人进入未知工作环境时,利用传感器信息,对周围环境进行高效率且准确地构建,同时得到设备在空间中的位置与姿态,除了可以应用在机器人领域外,为了实现智能移动设备的自主导航及定位,需要实现对于智能移动设备所处环境的环境建图。
现在比较新颖的构图为激光雷达建图或GPS建图,然而,这两种方法都有着很大的缺陷,激光雷达建图的误差可能会比较大,而GPS建图则完完全全依赖于卫星的信号。因此,使用单一传感器建图,不仅建图精度不高,且稳定性也不好,一旦用于定位建图的传感器失效,则难以实现建图。
因此,有必要设计一种基于多传感器的建图方法,以解决上述问题。
发明内容
本申请提出了一种基于多传感器的建图方法及***,通过图优化的方法融合多传感器信息,不受传感器数量限制,能够有效应对单一传感器失效问题,提高了建图稳定性,且提高了建图的精度。
本发明第一方面公开了一种基于多传感器的建图方法,该方法包括以下步骤:
通过机器人上的多传感器获取当前时刻的LIDAR点云数据、IMU数据以及定位约束数据;
对LIDAR点云数据、IMU数据以及定位约束数据进行预处理;
基于预处理后的IMU数据及LIDAR点云数据,去除点云运动畸变,获取当前时刻与上一时刻的相对运动数据;
使用历史位姿构建局部点云地图,并结合去运动畸变后的LIDAR点云数据,以及相对运动数据构建最大后验概率问题并进行优化求解,根据优化结果构建位姿图,将预处理后的定位约束数据作为相应位姿的约束融入位姿图;
对位姿图进行优化求解,输出优化后的融合位姿;
将优化后的融合位姿与去运动畸变后的LIDAR点云进行拼接,完成地图的创建。
可选地,定位约束数据包括GPS数据和/或轮式编码器的积分数据。
可选地,基于预处理后的IMU数据及LIDAR点云数据,去除点云运动畸变,获取当前时刻与上一时刻的相对运动数据;具体包括:
对当前帧的LIDAR点云进行特征提取,获取当前帧的LIDAR点云特征数据;
根据当前帧和前一帧各自的LIDAR点云特征数据,结合对应的预处理后的IMU数据构造最大后验概率问题,并进行联合优化;
根据优化结果去除点云运动畸变,输出去运动畸变的LINDAR点云,以及当前帧和上一帧的相对运动数据。
可选地,对LIDAR点云数据、IMU数据以及定位约束数据进行预处理,包括:
测试GPS精度,以保证其为差分状态且与IMU的融合定位收敛;
将GPS采集的原始的GPS定位数据进行坐标转换,转换为WSG84坐标;
去除LIDAR点云数据中的异常数据。
可选地,将预处理后的定位约束数据加入位姿图时,还包括,若当前位置和历史轨迹出现回环,将回环约束加入位姿图。
可选地,将优化后的融合位姿与去运动畸变后的LIDAR点云进行拼接后,还包括通过计算栅格占用概率去除动态目标。
可选地,通过计算栅格占用概率去除动态目标包括:
预先划分3D栅格,将优化后的融合位姿按照时间顺序拼接LINDAR点云并投影至相应栅格,并创建栅格概率查询结构;其中:将新一帧点云投影到栅格上,如果已存在数据则将栅格的占用概率加一,若尚未有数据则将栅格加入查询结构,当该帧所有点云处理完成时,将概率未变动的栅格的占用概率减一;
将各栅格的占用概率与预设的概率阈值进行比较,若栅格的占用概率小于设置阈值,将栅格从查询结构中删除。
本发明第二方面公开了一种基于多传感器机器人的建图***,包括:
数据获取模块,用于通过机器人上的多传感器获取当前时刻的LIDAR点云数据、IMU数据以及定位约束数据;
数据预处理模块,用于对LIDAR点云数据、IMU数据以及定位约束数据进行预处理;
帧间运动估计模块,用于基于预处理后的IMU数据及LIDAR点云数据,去除点云运动畸变,获取当前时刻与上一时刻的相对运动数据;
多传感器数据融合模块,用于使用历史位姿构建局部点云地图,并结合去运动畸变后的LIDAR点云数据,以及相对运动数据构建最大后验概率问题并进行优化求解,将优化结果构建位姿图,将预处理后的定位约束数据加入位姿图,对位姿图进行优化求解,输出优化后的融合位姿;
点云拼接建图模块,用于将优化后的融合位姿与去运动畸变后的LIDAR点云进行拼接,完成地图的创建。
可选地,帧间运动估计模块具体包括:
特征提取子模块,用于对当前帧的LIDAR点云进行特征提取,获取当前帧的LIDAR点云特征数据;
优化对齐子模块,用于根据当前帧和前一帧各自的LIDAR点云特征数据,结合对应的预处理后的IMU数据构造最大后验概率问题,并进行联合优化;
相对运动估计子模块,用于根据优化结果去除点云运动畸变,输出去运动畸变的LINDAR点云,以及当前帧和上一帧的相对运动数据。
可选地,点云拼接建图模块包括:
栅格划分子模块,用于预先划分3D栅格;
点云拼接子模块,用于将优化后的融合位姿按照时间顺序拼接LINDAR点云;
栅格投影子模块,用于将拼接的LINDAR点云投影至相应栅格,并创建栅格概率查询结构;其中,将新一帧点云投影到的栅格上,如果已存在数据则将栅格的占用概率加一,若尚未有数据则将该栅格加入查询结构,当该帧所有点云处理完成时,将概率未变动的栅格概率减一;
动态去除子模块,用于将各栅格的占用概率与预设的概率阈值进行比较,若栅格的占用概率小于预设的概率阈值,将栅格从查询结构中删除。
与现有技术相比,本发明实施例的技术方案本专利提供的机器人多传感器融合建图方法,通过图优化的方法融合多传感器信息,不受传感器数量限制,能够有效应对单一传感器失效问题,提高了建图稳定性。通过加入GPS约束简化回环,提高了建图精度。通过栅格占用概率剔除动态目标点云,在不加入感知的情况即可达到删除动态目标的效果,提高了建图的实时性。
附图说明
图1是本发明实施例提供的一种基于多传感器的建图方法的原理示意图;
图2是本发明实施例提供的一种基于多传感器的建图***的结构示意图。
具体实施方式
在本发明的说明书中,具有相同名称的部件具有相同或相似的功能、位置关系和连接关系。具有相同或类似标记的信号具有相同或相似的功能、发送部件和接收部件。
为使本发明实施例的上述目的、特征和有益效果能够更为明显易懂,下面结合附图对本发明的具体实施例进行详细说明。
实施例一
图1是本发明实施例一种基于多传感器的建图方法的原理示意图,包括如下步骤:
S110:通过机器人上的多传感器获取当前时刻的LIDAR点云数据、IMU数据以及定位约束数据。
S120:对LIDAR点云数据、IMU数据以及定位约束数据进行预处理。
S130:基于预处理后的IMU数据及LIDAR点云数据,去除点云运动畸变,获取当前时刻与上一时刻的相对运动数据。
S140:使用历史位姿构建局部点云地图,并结合去运动畸变后的LIDAR点云数据,以及相对运动数据构建最大后验概率问题并进行优化求解,根据优化结果构建位姿图,将预处理后的定位约束数据作为相应位姿的约束融入位姿图。
S150:对位姿图进行优化求解,输出优化后的融合位姿。
S160:将优化后的融合位姿与去运动畸变后的LIDAR点云进行拼接,完成地图的创建。
在步骤S110的执行中,通过机器人上的多传感器获取当前时刻的激光探测与测距(LIDAR,Light Detection And Ranging)点云数据、IMU数据以及定位约束数据,在机器人移动过程中,激光雷达根据采集的环境点云信息,通过数据处理后,会输出得到机器人的移动距离信息。IMU根据采集的三轴加速度信息和角度信息,获得机器人移动后当前的位姿。通过不同的传感器或传感器的组合获取机器人的多个定位约束数据,其中定位约束数据包括采集的GPS数据或轮式编码器的积分数据。GPS根据移动前后采集的经纬度信息,也可以获得机器人移动的位置或距离。这些移动距离和角度方面的信息都属于机器人的定位约束数据。轮式编码器用于每隔预设的时间间隔或者每移动预设的距离,采集机器人的编码器定位约束数据。
在步骤S120的执行中,对LIDAR点云数据、IMU数据以及定位约束数据进行预处理,具体包括:测试GPS精度,以保证其为差分状态且与IMU的融合定位收敛。将GPS采集的原始的GPS定位数据进行坐标转换,转换为WSG84坐标、去除LIDAR点云数据中的异常数据。
在步骤S130的执行中,对预处理后的IMU数据及LIDAR点云数据,去除点云运动畸变,从而获取当前时刻与上一时刻的相对运动数据。具体包括,对当前帧的LIDAR点云进行特征提取,获取当前帧的LIDAR点云特征数据。根据当前帧和前一帧各自的LIDAR点云特征数据,结合对应的预处理后的IMU数据构造最大后验概率问题,并进行联合优化。根据优化结果去除点云运动畸变,输出去运动畸变的LINDAR点云,以及当前帧和上一帧的相对运动数据。
在步骤S140的执行中,将获取的多传感器数据进行融合,具体包括:使用历史位姿构建局部点云地图,并结合去运动畸变后的LIDAR点云数据,以及相对运动数据构建最大后验概率问题并进行优化求解,根据优化结果构建位姿图,将预处理后的定位约束数据作为相应位姿的约束融入位姿图。
在步骤S150的执行中,对位姿图进行优化求解,输出优化后的融合位姿。根据自身输出的定位信息的时间戳,分别将对应的定位约束信息加入位姿图,以增加位姿的绝对或相对约束。
在步骤S160的执行中,将优化后的融合位姿与去运动畸变后的LIDAR点云进行拼接,即根据优化后的融合位姿重新拼接各帧点云数据,得到高精地图,以完成地图的创建。
本发明实施例的技术方案通过图优化的方法融合多传感器信息,不受传感器数量限制,能够有效应对单一传感器失效问题,提高了建图的稳定性和精度。
实施例二
本实施例的基于多传感器的融合建图方法,在上述方法实施例的基础上,增加了添加回环约束的步骤,更佳的,在建图步骤最后,还增加了动态目标删除的步骤,从而将地图中的移动物体进行了删除,使得最后构建的地图中不会包含移动障碍物。具体的,本实施例的基于多传感器的融合建图方法,主要包括以下步骤:
步骤1、机器人中的数据预处理模块需要先测试GPS精度,保证其为差分状态且与IMU的融合定位收敛。
步骤2、通过机器人上的多个传感器各自采集相应的传感数据,并通过数据预处理模块进行相应预处理。具体的,所述数据预处理模块保存IMU的原始数据、轮式编码器的积分数据、将GPS定位转换为WSG84坐标,剔除LIDAR数据中的异常数据。
步骤3、获取帧间相对运动。具体包括:首先提取点云中的线和面特征,使用步骤2中的IMU数据进行积分作为点云帧间相对运动初值,使用提取的点云特征和IMU预积分构建最大后验概率问题并进行联合优化,使用优化结果去除点云运动畸变。输出去运动畸变的点云和帧间相对运动。
步骤4、使用历史位姿构建局部点云地图,根据步骤3中的输入构建最大后验概率问题并进行优化求解。将优化结果构建位姿图,将步骤1中的GPS定位结果和轮式编码器积分结果作为相应位姿的约束加入位姿图,如若当前位置和历史轨迹出现回环则同时将回环约束加入位姿图。对构建的位姿图进行优化求解,输出优化后的位姿。
步骤5、根据步骤4的输出拼接点云,通过计算栅格占用概率剔除动态目标。具体的,预先划分3D栅格,使用步骤4的输出按照时间顺序拼接点云并投影至相应栅格并创建栅格概率查询结构。新一帧点云投影到的栅格如果已存在数据则该栅格占用概率加一,如果尚未有数据则将该栅格加入查询结构,当该帧所有点云处理完成,概率未变动的栅格概率减一。如果栅格占用概率大于设置阈值或者小于设置阈值,将该栅格从查询结构中删除。
本实施例提供的基于多传感器的融合建图方法,通过图优化的方法融合多传感器信息,不受传感器数量限制,能够有效应对单一传感器失效问题,提高了建图稳定性。此外,本实施例中通过加入GPS约束简化回环,提高了建图精度。通过栅格占用概率剔除动态目标点云,在不加入感知的情况即可达到删除动态目标的效果。
实施例三
基于相同的技术构思,本申请还提供了一种基于多传感器的建图***,该建图***应用上述任一实施例的建图方法。具体的,图2是本发明实施例一种基于多传感器的建图***200的结构示意图。包括:
数据获取模块210,用于通过机器人上的多传感器获取当前时刻的LIDAR点云数据、IMU数据以及定位约束数据。
数据预处理模块220,用于对LIDAR点云数据、IMU数据以及定位约束数据进行预处理。
帧间运动估计模块230,用于基于预处理后的IMU数据及LIDAR点云数据,去除点云运动畸变,获取当前时刻与上一时刻的相对运动数据。
多传感器数据融合模块240,用于使用历史位姿构建局部点云地图,并结合去运动畸变后的LIDAR点云数据,以及相对运动数据构建最大后验概率问题并进行优化求解,将优化结果构建位姿图,将预处理后的定位约束数据加入位姿图,对位姿图进行优化求解,输出优化后的融合位姿。
点云拼接建图模块250,用于将优化后的融合位姿与去运动畸变后的LIDAR点云进行拼接,完成地图的创建。
帧间运动估计模块具体包括:
特征提取子模块,用于对当前帧的LIDAR点云进行特征提取,获取当前帧的LIDAR点云特征数据。
优化对齐子模块,用于根据当前帧和前一帧各自的LIDAR点云特征数据,结合对应的预处理后的IMU数据构造最大后验概率问题,并进行联合优化。
相对运动估计子模块,用于根据优化结果去除点云运动畸变,输出去运动畸变的LINDAR点云,以及当前帧和上一帧的相对运动数据。
较佳的,上述点云拼接建图模块包括:
栅格划分子模块,用于预先划分3D栅格。
点云拼接子模块,用于将优化后的融合位姿按照时间顺序拼接LINDAR点云。
栅格投影子模块,用于将拼接的LINDAR点云投影至相应栅格,并创建栅格概率查询结构。其中,将新一帧点云投影到的栅格上,如果已存在数据则将栅格的占用概率加一,若尚未有数据则将该栅格加入查询结构,当该帧所有点云处理完成时,将概率未变动的栅格概率减一。
动态去除子模块,用于将各栅格的占用概率与预设的概率阈值进行比较,若栅格的占用概率小于预设的概率阈值,将栅格从查询结构中删除。
本发明实施例提供的机器人一种基于多传感器的建图方法和***通过图优化的方法融合多传感器信息,不受传感器数量限制,能够有效应对单一传感器失效问题,提高了建图稳定性。通过加入GPS约束简化回环,提高了建图精度。通过栅格占用概率剔除动态目标点云,在不加入感知的情况即可达到删除动态目标的效果。
虽然本发明披露如上,但本发明并非限定于此。任何本领域技术人员,在不脱离本发明的精神和范围内,均可作各种更动与修改,因此本发明的保护范围应当以权利要求所限定的范围为准。
Claims (10)
1.一种基于多传感器的建图方法,其特征在于,包括以下步骤:
通过机器人上的多传感器获取当前时刻的LIDAR点云数据、IMU数据以及定位约束数据;
对所述LIDAR点云数据、IMU数据以及定位约束数据进行预处理;
基于预处理后的IMU数据及LIDAR点云数据,去除点云运动畸变,获取当前时刻与上一时刻的相对运动数据;
使用历史位姿构建局部点云地图,并结合去运动畸变后的LIDAR点云数据,以及所述相对运动数据构建最大后验概率问题并进行优化求解,根据优化结果构建位姿图,将预处理后的定位约束数据作为相应位姿的约束融入所述位姿图;
对所述位姿图进行优化求解,输出优化后的融合位姿;
将所述优化后的融合位姿与所述去运动畸变后的LIDAR点云进行拼接完成地图的创建。
2.根据权利要求1所述的基于多传感器的建图方法,其特征在于,定位约束数据包括GPS数据和/或轮式编码器的积分数据。
3.根据权利要求1所述的基于多传感器的建图方法,其特征在于,基于预处理后的IMU数据及LIDAR点云数据,去除点云运动畸变,获取当前时刻与上一时刻的相对运动数据;具体包括:
对当前帧的LIDAR点云进行特征提取,获取当前帧的LIDAR点云特征数据;
根据当前帧和前一帧各自的LIDAR点云特征数据,结合对应的预处理后的IMU数据构造最大后验概率问题,并进行联合优化;
根据优化结果去除点云运动畸变,输出去运动畸变的LINDAR点云,以及当前帧和上一帧的相对运动数据。
4.根据权利要求2所述的基于多传感器的建图方法,其特征在于,对所述LIDAR点云数据、IMU数据以及定位约束数据进行预处理,包括:
测试GPS精度,以保证其为差分状态且与IMU的融合定位收敛;
将GPS采集的原始的GPS定位数据进行坐标转换,转换为WSG84坐标;
去除所述LIDAR点云数据中的异常数据。
5.根据权利要求1所述的基于多传感器的建图方法,其特征在于,将预处理后的定位约束数据加入所述位姿图时,还包括,若当前位置和历史轨迹出现回环,将回环约束加入所述位姿图。
6.根据权利要求1-5任一项所述的基于多传感器的建图方法,其特征在于,将所述优化后的融合位姿与去运动畸变后的LIDAR点云进行拼接后,还包括通过计算栅格占用概率去除动态目标。
7.根据权利要求6所述的基于多传感器的建图方法,其特征在于,通过计算栅格占用概率去除动态目标包括:
预先划分3D栅格,将所述优化后的融合位姿按照时间顺序拼接LINDAR点云并投影至相应栅格,并创建栅格概率查询结构;其中:将新一帧点云投影到栅格上,如果已存在数据则将所述栅格的占用概率加一,若尚未有数据则将所述栅格加入查询结构,当该帧所有点云处理完成时,将概率未变动的栅格的占用概率减一;
将各栅格的占用概率与预设的概率阈值进行比较,若所述栅格的占用概率小于设置阈值,将所述栅格从查询结构中删除。
8.一种基于多传感器机器人的建图***,其特征在于,包括:
数据获取模块,用于通过机器人上的多传感器获取当前时刻的LIDAR点云数据、IMU数据以及定位约束数据;
数据预处理模块,用于对所述LIDAR点云数据、IMU数据以及定位约束数据进行预处理;
帧间运动估计模块,用于基于预处理后的IMU数据及LIDAR点云数据,去除点云运动畸变,获取当前时刻与上一时刻的相对运动数据;
多传感器数据融合模块,用于使用历史位姿构建局部点云地图,并结合去运动畸变后的LIDAR点云数据,以及所述相对运动数据构建最大后验概率问题并进行优化求解,将优化结果构建位姿图,将预处理后的定位约束数据加入所述位姿图,对所述位姿图进行优化求解,输出优化后的融合位姿;
点云拼接建图模块,用于将所述优化后的融合位姿与去运动畸变后的LIDAR点云进行拼接,完成地图的创建。
9.根据权利要求8所述的一种基于多传感器的建图***,其特征在于,所述帧间运动估计模块具体包括:
特征提取子模块,用于对当前帧的LIDAR点云进行特征提取,获取当前帧的LIDAR点云特征数据;
优化对齐子模块,用于根据当前帧和前一帧各自的LIDAR点云特征数据,结合对应的预处理后的IMU数据构造最大后验概率问题,并进行联合优化;
相对运动估计子模块,用于根据优化结果去除点云运动畸变,输出去运动畸变的LINDAR点云,以及当前帧和上一帧的相对运动数据。
10.根据权利要求8或9任一所述的基于多传感器的建图***,其特征在于,所述点云拼接建图模块包括:
栅格划分子模块,用于预先划分3D栅格;
点云拼接子模块,用于将所述优化后的融合位姿按照时间顺序拼接LINDAR点云;
栅格投影子模块,用于将拼接的LINDAR点云投影至相应栅格,并创建栅格概率查询结构;其中,将新一帧点云投影到的栅格上,如果已存在数据则将所述栅格的占用概率加一,若尚未有数据则将该栅格加入查询结构,当该帧所有点云处理完成时,将概率未变动的栅格概率减一;
动态去除子模块,用于将各栅格的占用概率与预设的概率阈值进行比较,若所述栅格的占用概率小于所述预设的概率阈值,将所述栅格从查询结构中删除。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110576943.9A CN113269878B (zh) | 2021-05-26 | 2021-05-26 | 一种基于多传感器的建图方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110576943.9A CN113269878B (zh) | 2021-05-26 | 2021-05-26 | 一种基于多传感器的建图方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113269878A true CN113269878A (zh) | 2021-08-17 |
CN113269878B CN113269878B (zh) | 2023-04-07 |
Family
ID=77232832
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110576943.9A Active CN113269878B (zh) | 2021-05-26 | 2021-05-26 | 一种基于多传感器的建图方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113269878B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114111775A (zh) * | 2021-12-20 | 2022-03-01 | 国汽(北京)智能网联汽车研究院有限公司 | 一种多传感器融合定位方法、装置、存储介质及电子设备 |
CN114279434A (zh) * | 2021-12-27 | 2022-04-05 | 驭势科技(北京)有限公司 | 一种建图方法、装置、电子设备和存储介质 |
CN115183778A (zh) * | 2022-07-01 | 2022-10-14 | 北京斯年智驾科技有限公司 | 一种基于码头石墩的建图方法、装置、设备以及介质 |
CN115200572A (zh) * | 2022-09-19 | 2022-10-18 | 季华实验室 | 三维点云地图构建方法、装置、电子设备及存储介质 |
CN117570969A (zh) * | 2024-01-16 | 2024-02-20 | 锐驰激光(深圳)有限公司 | 割草机视觉定位方法、装置、设备及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069826A (zh) * | 2015-08-26 | 2015-11-18 | 中国科学院深圳先进技术研究院 | 弹性物体变形运动的建模方法 |
CN106447771A (zh) * | 2016-10-18 | 2017-02-22 | 中国科学院深圳先进技术研究院 | 花朵开放过程的重建方法及装置 |
CN107829452A (zh) * | 2017-11-12 | 2018-03-23 | 湖南科技大学 | 一种融合多传感器及地基sar的深基坑施工监测预警技术 |
CN109059942A (zh) * | 2018-08-22 | 2018-12-21 | 中国矿业大学 | 一种井下高精度导航地图构建***及构建方法 |
CN110286389A (zh) * | 2019-07-15 | 2019-09-27 | 北京智行者科技有限公司 | 一种用于障碍物识别的栅格管理方法 |
CN110428467A (zh) * | 2019-07-30 | 2019-11-08 | 四川大学 | 一种相机、imu和激光雷达联合的机器人定位方法 |
CN110554396A (zh) * | 2019-10-21 | 2019-12-10 | 深圳市元征科技股份有限公司 | 一种室内场景下激光雷达建图方法、装置、设备及介质 |
CN111968229A (zh) * | 2020-06-28 | 2020-11-20 | 北京百度网讯科技有限公司 | 高精度地图制图方法及装置 |
CN112113574A (zh) * | 2020-03-02 | 2020-12-22 | 北京百度网讯科技有限公司 | 用于定位的方法、装置、计算设备和计算机可读存储介质 |
CN112268559A (zh) * | 2020-10-22 | 2021-01-26 | 中国人民解放军战略支援部队信息工程大学 | 复杂环境下融合slam技术的移动测量方法 |
-
2021
- 2021-05-26 CN CN202110576943.9A patent/CN113269878B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069826A (zh) * | 2015-08-26 | 2015-11-18 | 中国科学院深圳先进技术研究院 | 弹性物体变形运动的建模方法 |
CN106447771A (zh) * | 2016-10-18 | 2017-02-22 | 中国科学院深圳先进技术研究院 | 花朵开放过程的重建方法及装置 |
CN107829452A (zh) * | 2017-11-12 | 2018-03-23 | 湖南科技大学 | 一种融合多传感器及地基sar的深基坑施工监测预警技术 |
CN109059942A (zh) * | 2018-08-22 | 2018-12-21 | 中国矿业大学 | 一种井下高精度导航地图构建***及构建方法 |
CN110286389A (zh) * | 2019-07-15 | 2019-09-27 | 北京智行者科技有限公司 | 一种用于障碍物识别的栅格管理方法 |
CN110428467A (zh) * | 2019-07-30 | 2019-11-08 | 四川大学 | 一种相机、imu和激光雷达联合的机器人定位方法 |
CN110554396A (zh) * | 2019-10-21 | 2019-12-10 | 深圳市元征科技股份有限公司 | 一种室内场景下激光雷达建图方法、装置、设备及介质 |
CN112113574A (zh) * | 2020-03-02 | 2020-12-22 | 北京百度网讯科技有限公司 | 用于定位的方法、装置、计算设备和计算机可读存储介质 |
CN111968229A (zh) * | 2020-06-28 | 2020-11-20 | 北京百度网讯科技有限公司 | 高精度地图制图方法及装置 |
CN112268559A (zh) * | 2020-10-22 | 2021-01-26 | 中国人民解放军战略支援部队信息工程大学 | 复杂环境下融合slam技术的移动测量方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114111775A (zh) * | 2021-12-20 | 2022-03-01 | 国汽(北京)智能网联汽车研究院有限公司 | 一种多传感器融合定位方法、装置、存储介质及电子设备 |
CN114111775B (zh) * | 2021-12-20 | 2024-03-29 | 国汽(北京)智能网联汽车研究院有限公司 | 一种多传感器融合定位方法、装置、存储介质及电子设备 |
CN114279434A (zh) * | 2021-12-27 | 2022-04-05 | 驭势科技(北京)有限公司 | 一种建图方法、装置、电子设备和存储介质 |
CN114279434B (zh) * | 2021-12-27 | 2024-06-14 | 驭势科技(北京)有限公司 | 一种建图方法、装置、电子设备和存储介质 |
CN115183778A (zh) * | 2022-07-01 | 2022-10-14 | 北京斯年智驾科技有限公司 | 一种基于码头石墩的建图方法、装置、设备以及介质 |
CN115200572A (zh) * | 2022-09-19 | 2022-10-18 | 季华实验室 | 三维点云地图构建方法、装置、电子设备及存储介质 |
CN115200572B (zh) * | 2022-09-19 | 2022-12-09 | 季华实验室 | 三维点云地图构建方法、装置、电子设备及存储介质 |
CN117570969A (zh) * | 2024-01-16 | 2024-02-20 | 锐驰激光(深圳)有限公司 | 割草机视觉定位方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113269878B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113269878B (zh) | 一种基于多传感器的建图方法及*** | |
Patil et al. | The h3d dataset for full-surround 3d multi-object detection and tracking in crowded urban scenes | |
JP6812404B2 (ja) | 点群データを融合させるための方法、装置、コンピュータ読み取り可能な記憶媒体、及びコンピュータプログラム | |
CN109507677B (zh) | 一种结合gps和雷达里程计的slam方法 | |
Zhao et al. | A robust laser-inertial odometry and mapping method for large-scale highway environments | |
CN111882612A (zh) | 一种基于三维激光检测车道线的车辆多尺度定位方法 | |
JP2023002757A (ja) | 高精度地図作成方法、装置及び電子機器 | |
CN115479598A (zh) | 基于多传感器融合的定位与建图方法及紧耦合*** | |
KR102490521B1 (ko) | 라이다 좌표계와 카메라 좌표계의 벡터 정합을 통한 자동 캘리브레이션 방법 | |
CN112419501A (zh) | 一种地空异构协同地图构建方法 | |
CN114459467B (zh) | 一种未知救援环境中基于vi-slam的目标定位方法 | |
CN114018248A (zh) | 一种融合码盘和激光雷达的里程计方法与建图方法 | |
CN110926485A (zh) | 一种基于直线特征的移动机器人定位方法及*** | |
CN114383611A (zh) | 一种移动机器人的多机协同激光slam方法、装置及*** | |
CN114459471A (zh) | 定位信息确定方法、装置、电子设备及存储介质 | |
CN111380515A (zh) | 定位方法及装置、存储介质、电子装置 | |
CN113325389A (zh) | 一种无人车激光雷达定位方法、***及存储介质 | |
CN115728803A (zh) | 一种城市驾驶车辆连续定位***及方法 | |
CN113311452B (zh) | 一种基于多传感器的定位方法及其*** | |
CN112991440A (zh) | 车辆的定位方法和装置、存储介质和电子装置 | |
Wang et al. | Simultaneous localization of rail vehicles and mapping of environment with multiple LiDARs | |
CN117470259A (zh) | 一种子母式空地协同多传感器融合三维建图*** | |
CN116698014A (zh) | 一种基于多机器人激光slam和视觉slam地图融合与拼接方法 | |
CN115638788B (zh) | 语义矢量地图的构建方法、计算机设备及存储介质 | |
CN115060276B (zh) | 一种多环境适应性自动驾驶车辆定位设备、***及方法 |
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 |