CN113313764B - 定位方法、装置、电子设备和存储介质 - Google Patents

定位方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN113313764B
CN113313764B CN202110594737.0A CN202110594737A CN113313764B CN 113313764 B CN113313764 B CN 113313764B CN 202110594737 A CN202110594737 A CN 202110594737A CN 113313764 B CN113313764 B CN 113313764B
Authority
CN
China
Prior art keywords
robot
pose
obstacle
positioning
point cloud
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
CN202110594737.0A
Other languages
English (en)
Other versions
CN113313764A (zh
Inventor
宋乐
郭鑫
李国林
谭浩轩
王世魏
陈侃
霍峰
秦宝星
程昊天
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.)
Shanghai Gaussian Automation Technology Development Co Ltd
Original Assignee
Shanghai Gaussian Automation Technology Development 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 Shanghai Gaussian Automation Technology Development Co Ltd filed Critical Shanghai Gaussian Automation Technology Development Co Ltd
Priority to CN202110594737.0A priority Critical patent/CN113313764B/zh
Publication of CN113313764A publication Critical patent/CN113313764A/zh
Application granted granted Critical
Publication of CN113313764B publication Critical patent/CN113313764B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开了一种定位方法、装置、电子设备和存储介质，其中，该方法包括：采集机器人的当前位姿以及至少一个预设方向的深度数据和至少一个预设方向的红外数据；在所述红外数据中提取至少一个边缘点，并根据所述深度数据将各个所述边缘点转换为特征点云；确定所述特征点云在预设全局栅格地图中的障碍得分，其中，所述预设全局栅格地图基于历史点云构成；根据所述障碍得分优化所述当前位姿以确定所述机器人的定位信息。本发明通过确定红外数据的边缘点在预设全局栅格地图中的障碍得分，并使用该障碍得分优化机器人的位姿，提高机器人定位信息的准确性，可增强机器人服务质量，有助于提高用户使用体验。

Description

定位方法、装置、电子设备和存储介质
技术领域
本发明实施例涉及自动化控制技术领域，尤其涉及一种定位方法、装置、电子设备和存储介质。
背景技术
随着自动化控制技术的发展，移动服务机器人逐渐在工业生产和商业服务中得到应用。移动服务机器人的重要工作前提是准确的位置信息获取。现有技术中常见的位置信息的获取方式是移动服务器人依靠激光雷达传感获取。虽然激光雷达具有定位精度和抗干扰等方面的能力，但是由于移动服务器机器人往往运行在较为复杂的场景中，导致激光雷达的应用受限，例如，在人流密集场景中激光雷达识别到的特征帧间变换大，使得运动服务器机器人确定的位姿存在较大误差，并且激光雷达的视野受到人群的制约，导致激光雷达采集数据受限。运动服务机器人在该人流密集的场景中运行时需要一种具有高精度的定位方法。
发明内容
本发明提供一种定位方法、装置、机器人和存储介质，以实现人流密集场景中的准确定位，提高机器人位置信息获取的准确性，提高机器人的运动效率，可增强机器人的服务质量，有助于提高用户的使用体验。
第一方面，本发明实施例提供了一种定位方法，该方法包括：
采集机器人的当前位姿以及至少一个预设方向的深度数据和至少一个预设方向的红外数据；
在所述红外数据中提取至少一个边缘点，并根据所述深度数据将各个所述边缘点转换为特征点云；
确定所述特征点云在预设全局栅格地图中的障碍得分，其中，所述预设全局栅格地图基于历史点云构成；
根据所述障碍得分优化所述当前位姿以确定所述机器人的定位信息。
第二方面，本发明实施例还提供了一种定位装置，该装置包括：
数据采集模块，用于采集机器人的当前位姿以及至少一个预设方向的深度数据和至少一个预设方向的红外数据；
特征点云模块，用于在所述红外数据中提取至少一个边缘点，并根据所述深度数据将各个所述边缘点转换为特征点云；
障碍得分模块，用于确定所述特征点云在预设全局栅格地图中的障碍得分，其中，所述预设全局栅格地图基于历史点云构成；
定位确定模块，用于根据所述障碍得分优化所述当前位姿以确定所述机器人的定位信息。
第三方面，本发明实施例还提供了一种电子设备，该电子设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明实施例中任一所述的定位方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如本发明实施例中任一所述的定位方法。
本发明实施例，通过获取机器人当前位姿以及预设方向的深度数据和红外数据，在红外数据中提取至少一个边缘点，根据深度数据处理各边缘点后组成特征点云，确定特征点云在预设全局栅格地图中的障碍得分，使用该障碍得分优化当前位姿以获取机器人的定位信息，实现了机器人位置信息的准确获取，减少复杂环境对位姿确定的影响，可增强机器人服务质量，有助于提高用户使用体验。
附图说明
图1是本发明实施例一提供的一种定位方法的流程图；
图2是本发明实施例一提供的一种位姿的示例图；
图3是本发明实施例一提供的一种预设全局栅格地图的示例图；
图4是本发明实施例二提供的另一种定位方法的流程图；
图5是本发明实施例二提供的一种坐标转换的示例图；
图6是本发明实施例三提供的另一种定位方法的流程图；
图7是本发明实施例三提供的一种定位方法的示例图；
图8是本发明实施例四提供的一种定位装置的结构示意图；
图9是本发明实施例五提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构，此外，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
机器人的服务质量主要依靠于准确的位置信息，目前移动机器人多以激光雷达传感器测取位置信息，但是受到场景的限制，例如，机器人所处环境中人流较多，导致激光雷达测取的特征变化较大，导致无法精确定位。针对上述问题，本申请技术方案通过短时间内基本无变化的室内天花板特征进行建图和定位，提高机器人定位的准确性。
实施例一
图1是本发明实施例一提供的一种定位方法的流程图，本实施例可适用于人流密集场景下机器人定位的情况，该方法可以由定位装置来执行，该装置可以采用硬件和/或软件的方式来实现，参见图1，本发明实施例提供的定位方法具体包括如下步骤：
步骤110、采集机器人的当前位姿以及至少一个预设方向的深度数据和至少一个预设方向的红外数据。
其中，当前位姿可以是表示机器人当前时刻位置和状态的信息，可以包括世界坐标系下的位置坐标以及机器人方向等。图2是本发明实施例一提供的一种位姿的示例图，参见图2，本发明实施例中机器人的当前位姿可以包含3个未知量，分别为x、y和yaw，其中，x表示机器人作为世界坐标系下的横坐标，y表示世界坐标下的纵坐标，yaw表示机器人方向与世界坐标系X轴的夹角。预设方向可以是预先设置的数据采集方向，可以由用户或者服务商设置，预设方向可以为空间内任意方向，例如，机器人的竖直方向以及机器人的水平向上45度方向等。深度数据可以是反映物体到机器人距离的数据，深度数据可以通过设置在机器人上的传感器采集获得。红外数据可以是通过红外线传感器采集的数据，红外数据可以由红外线传感器采集机器人预设方向的物体生成，可以表示机器人距离物体的远近。
在本发明实施例中，可以使用设置在机器人上的传感器采集当前位姿，例如，可以使用惯性导航或者位移传感器采集移动距离从而确定出机器人的当前位姿。可以在机器人的预设方向上采集深度数据和红外数据，例如，可以使用飞行时间(Time Of Flight，TOF)相机在机器人顶部方向上采集障碍物的深度数据。可以理解的是，机器人可以在多个预设方向上采集深度数据和红外数据，以进一步提高机器人定位的准确性。
步骤120、在红外数据中提取至少一个边缘点，并根据深度数据将各个边缘点转换为特征点云。
其中，边缘点可以是红外数据构成的图像中位于边缘位置的位置点，边缘点可以通过差分边缘检测、Reborts算子边缘检测、Sobel边缘检测、Laplacian边缘检测、Prewitt算子边缘检测等方式在红外数据中检测。
具体的，可以按照边缘检测方法在红外摄像数据中提取到边缘点，可以按照深度数据的深度值将各边缘点由二维坐标转换为三维坐标，例如，可以在深度数据中提取各边缘点对应的深度值，可以将该深度值作为三维坐标的第三维。可以将转换后的边缘点组成特征点云。
步骤130、确定特征点云在预设全局栅格地图中的障碍得分，其中，预设全局栅格地图基于历史点云构成。
其中，障碍得分可以是特征点云中各边缘点投影到预设全局栅格地图中遇到障碍栅格的概率总分，预设全局栅格地图可以是历史点云构成，可以反映机器人所处空间内的情况，预设全局栅格地图中可以包括一个或者多个栅格，每个栅格内可以包括机器人位于该栅格的概率值。预设全局栅格地图可以在机器人的移动过程中逐渐完善。障碍得分可以是边缘点处于预设全局栅格地图中障碍物位置的概率值总和，图3是本发明实施例一提供的一种预设全局栅格地图的示例图，参见图3，预设全局栅格地图中可以包括未知区域、障碍区域和无障碍区域三部分组成，障碍得分可以统计特征点云映射到障碍区域内栅格的概率值的总和确定。
在本发明实施例中，可以将特征点云中各边缘点一一映射到预设全局栅格地图中，确定出各边缘点在对应栅格的概率值，可以统计处于障碍栅格的边缘点的概率值作为特征点云在预设全局栅格地图的障碍得分。
步骤140、根据障碍得分优化当前位姿以确定机器人的定位信息。
其中，定位信息可以反映机器人在当前时刻的位置信息，可以包括机器人在世界坐标系下的坐标以及机器人与世界坐标系X轴的夹角。
具体的，可以使用特征点云的障碍得分作为当前位姿的限制条件，可以在上述障碍得分的基础下对当前位姿进行优化，可以将优化后的当前位姿的作为机器人的定位信息，可以理解的是，优化当前位姿的方式可以非线性最小二乘法优化以及拉格朗日乘子法优化等。
本发明实施例，通过获取机器人当前位姿以及预设方向上的深度数据和红外数据，在红外数据中提取至少一个边缘点，根据深度数据处理各边缘点后组成特征点云，确定特征点云在预设全局栅格地图中的障碍得分，使用该障碍得分优化当前位姿以获取机器人的定位信息，实现了机器人位置信息的准确获取，减少复杂环境对位姿确定的影响，可增强机器人服务质量，有助于提高用户使用体验。
实施例二
图4是本发明实施例二提供的另一种定位方法的流程图，本发明实施例是在上述发明实施例基础上的具体化，参见图4，本发明实施例提供的方法具体包括如下步骤：
步骤210、获取机器人世界坐标系下的当前位姿，其中，当前位姿至少包括横坐标、纵坐标以及机器人方向与世界坐标系X轴的夹角。
其中，世界坐标系可以是机器人的绝对坐标系，世界坐标系的原点可以在机器人初始化时确定。
在本发明实施例中，当前位姿可以包括横坐标、纵坐标以及机器人方向与世界坐标系X轴的夹角三个元素，可以通过机器人中设置的传感器获取。具体的，可以采集机器人传感器数据，传感器数据确定出机器人当前时刻在世界坐标系中所处的横坐标、纵坐标以及机器人方向与世界坐标系X轴的夹角作为当前位姿。
步骤220、使用预先设置在机器人上的至少一个深度数据传感器采集预设方向的深度数据和至少一个红外数据传感器采集预设方向的红外数据，其中，预设方向至少包括水平方向和竖直方向中一种。
其中，深度数据传感器可以是采集深度数据的设备，可以采集机器人到被采集物体的距离，可以感知空间中物体的深度，深度数据传感器可以包括结构光深度传感器、相机阵列深度传感器和飞行时间深度传感器，红外数据传感器等，红外数据传感器可以是生成被采集物体热成像图的设备，红外数据传感器可以包括红外成像仪和飞行时间相机等，机器人设备上的深度数据传感器和红外数据传感器可以为集成的数据采集设备，例如，TOF相机，可以直接控制TOF相机采集到被采集物体的深度数据和红外数据。预设方向具体可以为机器人的水平方向和竖直方向中至少一种。
在本发明实施例中，机器人上预先安装有深度数据传感器和红外数据传感器，可以使用深度数据传感器和红外数据传感器分别采集机器人的水平方向或者竖直方向的数据，可以理解是，机器人上可以预先设置有多个深度数据传感器和多个红外数据传感器，每个深度数据传感器和每个红外数据传感器预先设置的采集数据的预设方向可以不同，预设方向可以为用户或者服务商设置的预设方向，例如，可以是便于采集室内天花板特征的方向，预设方向可以包括竖直向上、或者水平向上45度等方向。
步骤230、滤除红外数据中的噪声。
在本发明实施例中，由于红外数据采集过程中由于受到环境的影响，数据中存在噪声，降低了边缘点采集的准确性，为了提高机器人定位的准确性，可以对红外数据中的噪声进行滤除，滤除的方法可以包括高斯滤波、双边滤波、中值滤波、均值滤波等方法，其中，高斯滤波可以是线性平滑滤波，可以在图像处理过程中消除高斯噪声，实现图像数据的减噪。
示例性的，以对采集到的红外数据通过高斯滤波来消除红外数据中的噪声为例，可以使用一个模板(卷积或掩膜)扫描红外数据中每个像素，使用模板确定邻域内像素的加权平均灰度值替代模板中心像素点的值，实现红外数据的噪声滤除。
步骤240、在滤除噪声的红外数据中提取至少一个边缘点。
在本申请实施例中，在红外线数据滤除噪声后，可以在红外数据形成的图像中提取边缘点，可以理解的是，可以将红外数据中所有边缘点全部提取，也可以每隔一段距离提取一个边缘点，以进一步提高机器人定位的效率。提取边缘点的方式可以通过图像识别的方式，例如，可以将红外线数据形成的图像中与周围其他像素点的颜色差别较大的点作为边缘点。
在一个示例性的实施方式中，可以按照Canny边缘检测算法可以对红外数据处理，依次对红外摄像数据进行高斯滤波降低噪声、使用一阶偏导的有限差分计算梯度的幅值和方向、对梯度幅值进行非极大值抑制和使用双阈值算法检测和连接边缘，从而获取到红外数据中的边缘点，其中，Canny边缘检测算法可以是对图像边缘进行检测的算法，具体可以包括图像高斯滤波降低噪声、使用一阶偏导的有限差分计算梯度的幅值和方向、对梯度幅值进行非极大值抑制和使用双阈值算法检测和连接边缘等步骤，还可以使用：Sobel边缘检测、Prewitt边缘检测、Roberts边缘检测、Canny边缘检测、Marr-Hildreth边缘检测等方法检测红外数据中的边缘点。
步骤250、使用机器人的相机模型以及深度数据将各边缘点转换为三维坐标以构成特征点云。
其中，相机模型可以是机器人建立的用于三维转换的相机模型，可以用于使用深度数据校正边缘点坐标以获取畸变较小的特征点云，深度数据可以包括各边缘点的深度信息，该深度信息可以作为对应边缘点三维坐标的第三维度信息，相机模型具体可以包括欧拉相机模型、UVN相机模型、针孔相机模型、鱼眼相机模型和广角相机模型中的一种或者多种。
具体的，可以使用预设的相机模型为参照系将各边缘点的坐标进行转换，使得边缘点的二维坐标与世界坐标系的坐标处于相同参照系，可以在深度数据中确定各边缘点对应的深度信息，可以将各边缘点的二维坐标以及深度信息构成三维坐标，可以将各具有三维坐标的边缘点构成特征点云。示例性的，可以按照下述转换方式实现边缘点的二维数据到三维点云的转换：
其中，Z为边缘点的深度信息，(u,v)为边缘点的二维图像坐标，K为相机内参矩阵，可以由相机模型确定，P为三维点云的坐标。
步骤260、将特征点云内各个边缘点的坐标转换到世界坐标系，映射各边缘点到预设全局栅格地图的目标栅格。
具体的，可以间该特征点云中各边缘点的坐标进行坐标系转换，使得各坐标以世界坐标系为基准，图5是本发明实施例二提供的一种坐标转换的示例图，参见图5，采集的边缘点位于机器人坐标系下，相机模型对应一个坐标系，可以按照相机模型的坐标系将深度数据添加到对机器人坐标系下的边缘点中，实现无畸变或低畸变的坐标转换，然后将各三维坐标再转换到世界坐标下，示例性的，转换过程可以如下公式表示：wi＝Proj(T*pi)，其中，wi表示世界坐标系下边缘点的坐标，pi表示机器人坐标下边缘点的坐标，Proj函数将三维坐标映射为二维坐标，T为机器人的当前位置由x,y和yaw表示，T可以如下公式：
在本发明实施例中，确定各边缘点在世界坐标系下的坐标后，可以将各边缘点按照坐标依次映射到预设全局栅格地图的目标栅格中，例如，预设栅格地图中不同栅格具有不同的坐标范围，可以将各边缘点按照各自的坐标范围映射到对应的栅格中，可以将具有边缘点映射的栅格记为目标栅格。
步骤270、若目标栅格为障碍位置，则获取目标栅格的概率值作为对应边缘点的障碍得分。
其中，障碍位置可以是表示目标栅格属于障碍区域的位置，障碍位置的栅格可以通过信息进行标识。
具体的，可以对预设全局栅格地图中存在边缘点映射的目标栅格进行检验，若该目标栅格为障碍位置，则将目标栅格内存储的概率值作为对应的边缘点的障碍得分。
进一步的，若目标栅格不是障碍位置，例如，边缘点再预设全局栅格内为无障碍区域或者未知区域，则可以不对该边缘点对应的概率值进行统计，可以将该边缘点删除或者不获取该边缘点对应的栅格存储的概率值。
步骤280、统计特征点云内各边缘点的障碍得分的总和作为特征点云的障碍得分。
在本发明实施例中，可以统计特征点云中所有边缘点的障碍得分，可以将该障碍得分的总和作为特征点云的障碍得分。
步骤290、根据当前位姿以及特征点云的障碍得分构建残差函数。
在本发明实施例中，可以根据当前位姿和特征点云的障碍得分构建用于优化当前位姿的残差函数，其中，残差函数可以是优化机器人位姿的函数关系，可以代表机器人当前位姿与障碍得分的关联关系，残差函数可以是通过非线性最小二乘法问题构成的优化函数，例如，
其中，e1为残差，pk为点云，M(T,Pk)为点pk在机器人位姿为T时投影到栅格地图计算的障碍得分。
步骤2100、调整残差函数中参数信息使得残差函数的结果值最小，残差函数中参数信息为当前位姿的横坐标、纵坐标以及机器人方向与世界坐标系X轴的夹角中至少一个参数的取值。
具体的，可以调整残差函数中的当前位姿的取值使得残差公式的结果值最小，对当前位姿调整的方式可以包括梯度下降法、牛顿法和拟牛顿法等。
步骤2110、将结果值最小时当前位姿对应的横坐标、纵坐标以及机器人方向与世界坐标系X轴的夹角作为输出的定位位姿信息。
其中，定位位姿信息可以是用于机器人定位的位姿信息，该定位位姿信息可以表示机器人当前最可能处于的状态。
在本发明实施例中，可以当残差函数的结果值最小时，可以确定当前位姿得到最佳优化，可以将此时调整后的当前位姿对应的横坐标、纵坐标以及机器人方向与世界坐标系X轴的夹角作为输出的定位位姿信息。
本申请实施例，通过获取机器人在世界坐标系下的当前位姿以及使用设置在机器人上的深度传感器采集预设方向的深度数据和红外数据，滤除红外数据包含的噪声，使用机器人的相机模型以及深度数据将红外数据处理为特征点云，将特征点云内各边缘点的坐标转换到世界坐标系，映射各边缘点到预设全局栅格地图的目标栅格，在目标栅格为障碍位置时获取目标栅格的概率值作为边缘点的障碍得分，统计特征点云的各边缘点的障碍得分的总和作为特征点云的障碍得分，使用障碍得分和当前位姿构建残差函数，调整残差函数中的当前位姿的取值，使得残差函数的结果值最小，将结果值最小时的当前位姿作为机器人的定位位姿信息，本申请实施例选择深度数据对应的三维点云中的平面的轮廓点组成特征点云，在不改变定位信息精度的前提下降低数据运算量，提高定位信息确定效率，使用障碍得分优化当前位姿，提高机器人位置信息确定的准确性，可增强机器人的服务质量，有助于提高用户的使用体验。
进一步的，在上述发明实施例的基础上，所述方法还包括：根据所述机器人的移动速度和障碍得分优化所述定位信息。
在本发明实施例的基础上，还可以获取机器人的移动速度，可以使用移动速度和障碍得分共同对定位信息进行优化，进一步提高机器人定位的准确性，例如，可以采集机器人的移动速度，基于移动速度构成限制条件，可以基于该限制条件对基于障碍得分优化后的定位信息构造非线性最小二乘问题，并根据梯度下降方法解决该问题，在非线性最小二乘问题的结果值最小时，可以得到最后优化后的定位信息。
实施例三
图6是本发明实施例三提供的另一种定位方法的流程图，本发明实施是在上述发明实施例基础上的具体化，参见图6，本发明实施例提供的方法具体包括如下步骤：
步骤310、采集机器人的当前位姿以及至少一个预设方向的深度数据和至少一个预设方向的红外数据。
步骤320、在红外数据中提取至少一个边缘点，并根据深度数据将各个边缘点转换为特征点云。
步骤330、确定特征点云在预设全局栅格地图中的障碍得分，其中，预设全局栅格地图基于历史点云构成。
步骤340、根据当前位姿以及特征点云的障碍得分构建第一残差项。
在本发明实施例中，可以基于当前位姿和特征点云的障碍得分构建非线性最小二乘问题对应的第一残差项，例如，其中，e1为残差，pk为点云，M(T,Pk)为点pk在机器人位姿为T时投影到栅格地图计算的障碍得分。
步骤350、基于移动速度确定速度预测位姿，并将速度预测位姿与上一时刻的历史位姿的差值作为第二残差项。
其中，预测位姿可以是根据移动速度确定出的机器人位姿，例如，可以通过移动速度确定出机器人的移动位置，可以根据该移动位置确定出机器人的位姿作为速度预测位姿。
具体的，可以采集机器人的移动速度，可以使用该移动速度生成机器人的位置，可以按照该位置确定出速度预测位姿，基于速度预测位姿以及上一时刻的历史位姿的差值作为第二残差项，其中，历史位姿可以是机器人在上一个时刻确定出的位姿信息，可以包括坐标以及与横坐标轴的夹角。
步骤360、调整第一残差项和第二残差项中速度预测位姿和/或当前位姿中参数信息使得第一残差项和第二残差项的和取值最小，参数信息包括横坐标、纵坐标以及机器人方向与世界坐标系X轴的夹角中至少一个参数的取值。
在本发明实施例中，可以分别调整速度预测位姿和/或当前位姿中的横坐标、纵坐标以及机器人方向与世界坐标系X轴的夹角中至少一个参数，使得第一残差项和第二残差项的和取值最小，调整的方式可以具体包括梯度下降法、牛顿法和拟牛顿法等。
步骤370、将第一残差项和第二残差项的和取值最小时的速度预测位姿和/或当前位姿的横坐标、纵坐标以及机器人方向与世界坐标系X轴的夹角作为优化后的定位位姿信息。
具体的，当第一残差项和第二残差项的和取值最小时，机器人的定位信息可以完成优化，可以将此时调整后的速度预测位姿和/或当前位姿的相关信息作为机器人优化后的定位位姿信息，可以将该定位位姿信息作为机器人定位过程使用的定位信息，其中，相关信息包括横坐标、纵坐标以及机器人方向与世界坐标系X轴的夹角。
步骤380、将定位信息对应的机器人位姿更新到预设全局栅格地图。
具体的，可以按照定位信息中的横坐标、纵坐标以及机器人方向与世界坐标系X轴的夹角确定出机器人的最终位姿，可以将该最终位姿确定出位于预设全局栅格地图中各栅格的概率值，并将该概率值添加到对应预设全局栅格地图中对应栅格中，实现预设全局栅格地图的更新。
本发明实施例，通过采集机器人当前位姿以及预设方向的深度数据和红外数据，在红外数据中提取至少一个边缘点，根据深度数据处理各边缘点后组成特征点云，确定特征点云在预设全局栅格地图中的障碍得分，基于障碍得分和当前位姿构建第一残差项，基于移动位姿确定速度预测位姿以及历史位姿构建第二残差项，调整当前位姿以及速度预测位姿使得第一残差项与第二残差项的和最小，将和最小时的当前位移和速度预测位姿的横坐标、纵坐标以及机器人方向与世界坐标系X轴的夹角作为机器人优化后的定位位姿信息作为定位信息，将定位信息对应的位姿更新到预设全局栅格地图，实现了机器人定位信息的准确获取，减少复杂环境对位姿确定的影响，可增强机器人服务质量，有助于提高用户使用体验。
在一个示例性的实施方式中，图7是本发明实施例三提供的一种定位方法的示例图，参见图7，基于顶视特征的飞行时间(Time of Flight,TOF)相机的机器人定位和建图方法可以包括如下步骤：
步骤一：获取顶视特征点云：
1、对采集的红外射线图像数据进行高斯滤波降噪处理。
2、对红外射线图像数据进行Canny边缘检测以获取边缘点，主要包括有限差分计算幅值和方向、非最大值抑制、用双阈值算法检测和连接边缘等步骤。
3、对2中提取到的边缘点为二维图像层面的坐标点，利用深度数据的中各边缘点的深度信息以及相机模型获取三维的特征点云，转换方式如下：
其中，Z为边缘点的深度信息，(u,v)为边缘点的二维图像坐标，K为相机内参矩阵，可以深度相机模型确定，P为三维点云的坐标。
步骤二、点云匹配：
机器人在进行定位建图时，可以使用历史特征点云转换到世界坐标系下构建栅格地图，使用新生成的特征点云与栅格地图进行匹配，匹配过程可以包括：
1、将提取到的特征点云P通过机器人位姿T转换到世界坐标系下，转换公式为wi＝Proj(T*pi)，其中，wi表示世界坐标系下边缘点的坐标，pi表示机器人坐标下边缘点的坐标，Proj函数将三维坐标映射为二维坐标，T为机器人的当前位置由x,y和yaw表示，T可以如下公式：
2、特征点云中每个点映射到栅格地图中，将映射栅格是障碍的概率作为单个点的匹配得分，所有点的匹配得分的总和记为特征点云的得分：
s＝1*pcell
其中，s为单点匹配得分，pcell为映射栅格的占据概率。
3、构建代价函数模型优化机器人位姿T，通过调整位姿T使代价函数最小，方程如下：
其中，e1为残差，pk为点云，M(T,Pk)为点pk在机器人位姿为T时投影到栅格地图计算的障碍得分。
步骤三、机器人位姿优化
对于步骤二中特征点云和车速作为约束一起构建非线性最小二乘问题，联合优化机器人的位姿，具体包括如下步骤：
1、构建代价函数模型优化机器人位姿T，通过调整位姿T使代价函数最小的误差项，误差项如下：
其中，e1为残差，pk为点云，M(T,Pk)为点pk在机器人位姿为T时投影到栅格地图计算的障碍得分。
2、构建车速得到的误差项e3:
e3＝P-Plast
其中，P是由车速推送当前时刻机器人的位姿，Plast是上一时刻优化后得到的机器人位姿。
3、对于所有的误差项，构建下面的最优化问题，使用优化库求(谷歌ceres)解得到当前时刻的位姿：
(x,y,yaw)＝argmin∑|e1|+|e3|
4、对于步骤二中得到的特征点云，通过优化后的位姿将其转换到世界坐标系下，并基于特征点云更新栅格地图。
实施例四
图8是本发明实施例四提供的一种定位装置的结构示意图，可执行本发明任意实施例所提供的定位方法，具备执行方法相应的功能模块和有益效果。该装置可以由软件和/或硬件实现，具体包括：数据采集模块401、特征点云模块402、障碍得分模块403和定位确定模块404。
数据采集模块401，用于采集机器人的当前位姿以及预设方向的深度数据和红外数据。
特征点云模块402，用于在所述红外数据中提取至少一个边缘点，并根据所述深度数据将各所述边缘点转换为特征点云。
障碍得分模块403，用于确定所述特征点云在预设全局栅格地图中的障碍得分，其中，所述预设全局栅格地图基于历史点云构成。
定位确定模块404，用于根据所述障碍得分优化所述当前位姿以确定所述机器人的定位信息。
本发明实施例，通过数据采集模块获取机器人当前位姿以及预设方向上的深度数据和红外数据，特征点云模块在红外数据中提取至少一个边缘点，根据深度数据处理各边缘点后组成特征点云，障碍得分模块确定特征点云在预设全局栅格地图中的障碍得分，定位确定模块使用该障碍得分优化当前位姿以获取机器人的定位信息，实现了机器人位置信息的准确获取，减少复杂环境对位姿确定的影响，可增强机器人服务质量，有助于提高用户使用体验。
进一步的，在上述发明实施例的基础上，所述定位确定模块404包括：
综合优化单元，用于根据所述机器人的移动速度和障碍得分优化所述定位信息。
进一步的，在上述发明实施例的基础上，所述数据采集模块401包括：
位姿采集单元，用于获取所述机器人世界坐标系下的当前位姿，其中，当前位姿至少包括横坐标、纵坐标以及机器人方向与世界坐标系X轴的夹角。
数据采集单元，用于使用预先设置在所述机器人上的至少一个深度数据传感器采集所述预设方向的深度数据和至少一个红外数据传感器采集所述预设方向的红外数据，其中，所述预设方向至少包括水平方向和竖直方向中一种。
进一步的，在上述申请实施例的基础上，所述特征点云模块402包括：
噪声处理单元，用于滤除所述红外数据中的噪声。
边缘提取单元，用于在滤除噪声的所述红外数据中提取至少一个边缘点。
点云生成单元，用于使用所述机器人的相机模型以及所述深度数据将各所述边缘点转换为三维坐标以构成特征点云。
进一步的，在上述发明实施例的基础上，所述障碍得分模块403包括：
位置映射单元，用于将所述特征点云内各个边缘点的坐标转换到世界坐标系，映射各个所述边缘点到所述预设全局栅格地图的目标栅格。
得分确定单元，用于若所述目标栅格为障碍位置，则获取所述目标栅格的概率值作为对应边缘点的障碍得分。
得分统计单元，用于统计所述特征点云内各所述边缘点的障碍得分的总和作为所述特征点云的障碍得分。
进一步的，在上述发明实施例的基础上，所述定位确定模块404还包括：
第一残差单元，用于根据所述当前位姿以及所述特征点云的障碍得分构建残差函数。
参数调整单元，用于调整所述残差函数中参数信息使得所述残差函数的结果值最小，残差函数中参数信息为当前位姿的横坐标、纵坐标以及机器人方向与世界坐标系X轴的夹角中至少一个参数的取值。
定位确定单元，用于将所述结果值最小时所述当前位姿对应的横坐标、纵坐标以及机器人方向与世界坐标系X轴的夹角作为输出的定位位姿信息。
进一步的，在上述发明实施例的基础上，所述综合优化单元具体用于：根据所述当前位姿以及所述特征点云的障碍得分构建第一残差项；基于所述移动速度确定速度预测位姿，并将速度预测位姿与上一时刻的历史位姿的差值作为第二残差项；调整所述第一残差项和所述第二残差项中速度预测位姿和/或所述当前位姿中参数信息使得所述第一残差项和所述第二残差项的和取值最小，所述参数信息包括横坐标、纵坐标以及机器人方向与世界坐标系X轴的夹角中至少一个参数的取值；将所述第一残差项和所述第二残差项的和取值最小时的速度预测位姿和/或所述当前位姿的横坐标、纵坐标以及机器人方向与世界坐标系X轴的夹角作为优化后的定位位姿信息。
进一步的，在上述发明实施例的基础上，所述装置还包括：
地图更新模块，用于将所述定位信息对应的机器人位姿更新到所述预设全局栅格地图。
实施例五
图9是本发明实施例五提供的一种电子设备的结构示意图，如图9所示，该电子设备包括处理器50、存储器51、输入装置52和输出装置53；电子设备中处理器50的数量可以是一个或多个，图9中以一个处理器50为例；电子设备中处理器50、存储器51、输入装置52和输出装置53可以通过总线或其他方式连接，图9中以通过总线连接为例。
存储器51作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例四中的定位装置对应的模块(数据采集模块401、特征点云模块402、障碍得分模块403和定位确定模块404)。处理器50通过运行存储在存储器51中的软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述的定位方法。
存储器51可主要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***、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器51可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器51可进一步包括相对于处理器50远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。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。
输入装置52可用于接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入。输出装置53可包括显示屏等显示设备。
在一个示例性的实施方式中，电子设备具体可以是机器人，或者，机器人上安装的定位导航设备。机器人或者定位导航设备可以通过本发明实施例提供的定位方法实现机器人位置的精准确定。
实施例六
本发明实施例六还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种定位方法，该方法包括：
采集机器人的当前位姿以及至少一个预设方向的深度数据和至少一个预设方向的红外数据；
在所述红外数据中提取至少一个边缘点，并根据所述深度数据将各个所述边缘点转换为特征点云；
确定所述特征点云在预设全局栅格地图中的障碍得分，其中，所述预设全局栅格地图基于历史点云构成；
根据所述障碍得分优化所述当前位姿以确定所述机器人的定位信息。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的定位方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是，上述定位装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (8)

1.一种定位方法，其特征在于，包括：
采集机器人的当前位姿以及至少一个预设方向的深度数据和至少一个预设方向的红外数据；
在所述红外数据中提取至少一个边缘点，并根据所述深度数据将各个所述边缘点转换为特征点云；
确定所述特征点云在预设全局栅格地图中的障碍得分，其中，所述预设全局栅格地图基于历史点云构成；
根据所述障碍得分优化所述当前位姿以确定所述机器人的定位信息；
其中，所述确定所述特征点云在预设全局栅格地图中的障碍得分，包括：
将所述特征点云内各个边缘点的坐标转换到世界坐标系，映射各个所述边缘点到所述预设全局栅格地图的目标栅格；
若所述目标栅格为障碍位置，则获取所述目标栅格的概率值作为对应边缘点的障碍得分；
若目标栅格不是障碍位置，边缘点在预设全局栅格内为无障碍区域或者未知区域，则不对该边缘点对应的概率值进行统计，将该边缘点删除或者不获取该边缘点对应的栅格存储的概率值；
统计所述特征点云内各所述边缘点的障碍得分的总和作为所述特征点云的障碍得分；
其中，所述根据所述障碍得分优化所述当前位姿以确定所述机器人的定位信息，包括：
根据所述机器人的移动速度和障碍得分优化所述定位信息；
其中，所述根据所述机器人的移动速度优化所述定位信息，包括：
根据所述当前位姿以及所述特征点云的障碍得分构建第一残差项；
基于所述移动速度确定速度预测位姿，并将速度预测位姿与上一时刻的历史位姿的差值作为第二残差项；
调整所述第一残差项和所述第二残差项中速度预测位姿和/或所述当前位姿中参数信息使得所述第一残差项和所述第二残差项的和取值最小，所述参数信息包括横坐标、纵坐标以及机器人方向与世界坐标系X轴的夹角中至少一个参数的取值；
将所述第一残差项和所述第二残差项的和取值最小时的速度预测位姿和/或所述当前位姿的横坐标、纵坐标以及机器人方向与世界坐标系X轴的夹角作为优化后的定位位姿信息。
2.根据权利要求1所述的方法，其特征在于，所述采集机器人的当前位姿以及至少一个预设方向的深度数据和/或至少一个预设方向的红外数据，包括：
获取所述机器人世界坐标系下的当前位姿，其中，当前位姿至少包括横坐标、纵坐标以及机器人方向与世界坐标系X轴的夹角；
使用预先设置在所述机器人上的至少一个深度数据传感器采集所述预设方向的深度数据和至少一个红外数据传感器采集所述预设方向的红外数据，其中，所述预设方向至少包括水平方向和竖直方向中一种。
3.根据权利要求1所述的方法，其特征在于，所述在所述红外数据中提取至少一个边缘点，并根据所述深度数据将各所述边缘点转换为特征点云，包括：
滤除所述红外数据中的噪声；
在滤除噪声的所述红外数据中提取至少一个边缘点；
使用所述机器人的相机模型以及所述深度数据将各个所述边缘点转换为三维坐标以构成特征点云。
4.根据权利要求1所述的方法，其特征在于，所述根据所述障碍得分优化所述当前位姿以确定所述机器人的定位信息，包括：
根据所述当前位姿以及所述特征点云的障碍得分构建残差函数；
调整所述残差函数中参数信息使得所述残差函数的结果值最小，残差函数中参数信息为当前位姿的横坐标、纵坐标以及机器人方向与世界坐标系X轴的夹角中至少一个参数的取值；
将所述结果值最小时所述当前位姿对应的横坐标、纵坐标以及机器人方向与世界坐标系X轴的夹角作为输出的定位位姿信息。
5.根据权利要求1-4中任一所述的方法，其特征在于，还包括：
将所述定位信息对应的机器人位姿更新到所述预设全局栅格地图。
6.一种定位装置，其特征在于，所述装置包括：
数据采集模块，用于采集机器人的当前位姿以及至少一个预设方向的深度数据和至少一个预设方向的红外数据；
特征点云模块，用于在所述红外数据中提取至少一个边缘点，并根据所述深度数据将各个所述边缘点转换为特征点云；
障碍得分模块，用于确定所述特征点云在预设全局栅格地图中的障碍得分，其中，所述预设全局栅格地图基于历史点云构成；
定位确定模块，用于根据所述障碍得分优化所述当前位姿以确定所述机器人的定位信息；
所述障碍得分模块包括：
位置映射单元，用于将所述特征点云内各个边缘点的坐标转换到世界坐标系，映射各个所述边缘点到所述预设全局栅格地图的目标栅格；
得分确定单元，用于若所述目标栅格为障碍位置，则获取所述目标栅格的概率值作为对应边缘点的障碍得分；若目标栅格不是障碍位置，边缘点在预设全局栅格内为无障碍区域或者未知区域，则不对该边缘点对应的概率值进行统计，将该边缘点删除或者不获取该边缘点对应的栅格存储的概率值；
得分统计单元，用于统计所述特征点云内各所述边缘点的障碍得分的总和作为所述特征点云的障碍得分；
所述定位确定模块包括：
综合优化单元，用于根据所述机器人的移动速度和障碍得分优化所述定位信息；
所述综合优化单元具体用于：
根据所述当前位姿以及所述特征点云的障碍得分构建第一残差项；
基于所述移动速度确定速度预测位姿，并将速度预测位姿与上一时刻的历史位姿的差值作为第二残差项；
调整所述第一残差项和所述第二残差项中速度预测位姿和/或所述当前位姿中参数信息使得所述第一残差项和所述第二残差项的和取值最小，所述参数信息包括横坐标、纵坐标以及机器人方向与世界坐标系X轴的夹角中至少一个参数的取值；
将所述第一残差项和所述第二残差项的和取值最小时的速度预测位姿和/或所述当前位姿的横坐标、纵坐标以及机器人方向与世界坐标系X轴的夹角作为优化后的定位位姿信息。
7.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的定位方法。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-5中任一所述的定位方法。
CN202110594737.0A 2021-05-28 2021-05-28 定位方法、装置、电子设备和存储介质 Active CN113313764B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110594737.0A CN113313764B (zh) 2021-05-28 2021-05-28 定位方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110594737.0A CN113313764B (zh) 2021-05-28 2021-05-28 定位方法、装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN113313764A CN113313764A (zh) 2021-08-27
CN113313764B true CN113313764B (zh) 2023-08-29

Family

ID=77376335

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110594737.0A Active CN113313764B (zh) 2021-05-28 2021-05-28 定位方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN113313764B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109658373A (zh) * 2017-10-10 2019-04-19 中兴通讯股份有限公司 一种巡检方法、设备及计算机可读存储介质
CN110275540A (zh) * 2019-07-01 2019-09-24 湖南海森格诺信息技术有限公司 用于扫地机器人的语义导航方法及其***
CN110530368A (zh) * 2019-08-22 2019-12-03 浙江大华技术股份有限公司 一种机器人定位方法及设备
CN111862219A (zh) * 2020-07-29 2020-10-30 上海高仙自动化科技发展有限公司 计算机设备定位方法、装置、计算机设备和存储介质
CN111895989A (zh) * 2020-06-24 2020-11-06 浙江大华技术股份有限公司 一种机器人的定位方法、装置和电子设备
CN112363158A (zh) * 2020-10-23 2021-02-12 浙江华睿科技有限公司 机器人的位姿估计方法、机器人和计算机存储介质
CN112634305A (zh) * 2021-01-08 2021-04-09 哈尔滨工业大学（深圳） 一种基于边缘特征匹配的红外视觉里程计实现方法
CN112799095A (zh) * 2020-12-31 2021-05-14 深圳市普渡科技有限公司 静态地图生成方法、装置、计算机设备及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11360216B2 (en) * 2017-11-29 2022-06-14 VoxelMaps Inc. Method and system for positioning of autonomously operating entities

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109658373A (zh) * 2017-10-10 2019-04-19 中兴通讯股份有限公司 一种巡检方法、设备及计算机可读存储介质
CN110275540A (zh) * 2019-07-01 2019-09-24 湖南海森格诺信息技术有限公司 用于扫地机器人的语义导航方法及其***
CN110530368A (zh) * 2019-08-22 2019-12-03 浙江大华技术股份有限公司 一种机器人定位方法及设备
CN111895989A (zh) * 2020-06-24 2020-11-06 浙江大华技术股份有限公司 一种机器人的定位方法、装置和电子设备
CN111862219A (zh) * 2020-07-29 2020-10-30 上海高仙自动化科技发展有限公司 计算机设备定位方法、装置、计算机设备和存储介质
CN112363158A (zh) * 2020-10-23 2021-02-12 浙江华睿科技有限公司 机器人的位姿估计方法、机器人和计算机存储介质
CN112799095A (zh) * 2020-12-31 2021-05-14 深圳市普渡科技有限公司 静态地图生成方法、装置、计算机设备及存储介质
CN112634305A (zh) * 2021-01-08 2021-04-09 哈尔滨工业大学（深圳） 一种基于边缘特征匹配的红外视觉里程计实现方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Extraction of Semantic Floor Plans from 3D Point Cloud Maps;Vytenis Sakenas 等;《Proceedings of the 2007 IEEE》;1-6 *

Also Published As

Publication number Publication date
CN113313764A (zh) 2021-08-27

Similar Documents

Publication Publication Date Title
CN111612760B (zh) 用于检测障碍物的方法和装置
CN110097553B (zh) 基于即时定位建图与三维语义分割的语义建图***
JP6739517B2 (ja) 車線認識のモデリング方法、装置、記憶媒体及び機器、並びに車線の認識方法、装置、記憶媒体及び機器
CN111862214B (zh) 计算机设备定位方法、装置、计算机设备和存储介质
CN113203409B (zh) 一种复杂室内环境移动机器人导航地图构建方法
CN113359782B (zh) 一种融合lidar点云与图像数据的无人机自主选址降落方法
JP5535025B2 (ja) 屋外地物検知システム、屋外地物検知システム用プログラム、および屋外地物検知システム用プログラムの記録媒体
CN113313765B (zh) 定位方法、装置、电子设备和存储介质
CN112967345B (zh) 鱼眼相机的外参标定方法、装置以及***
CN111862219B (zh) 计算机设备定位方法、装置、计算机设备和存储介质
CN112818925A (zh) 一种城市建筑和树冠识别方法
CN115376109B (zh) 障碍物检测方法、障碍物检测装置以及存储介质
CN110634138A (zh) 一种基于视觉感知的桥梁变形的监测方法、装置及设备
CN114179788A (zh) 自动泊车方法、***、计算机可读存储介质及车机端
WO2022246812A1 (zh) 定位方法、装置、电子设备及存储介质
CN116503567B (zh) 基于ai大数据的智慧建模管理***
CN115683100A (zh) 机器人的定位方法、装置、机器人以及存储介质
CN113313764B (zh) 定位方法、装置、电子设备和存储介质
CN114092771A (zh) 多传感数据融合方法、目标检测方法、装置和计算机设备
WO2023216555A1 (zh) 基于双目视觉的避障方法、装置、机器人及介质
CN115909253A (zh) 一种目标检测、模型训练方法、装置、设备及存储介质
CN116642490A (zh) 基于混合地图的视觉定位导航方法、机器人及存储介质
Chen et al. Amobile system combining laser scanners and cameras for urban spatial objects extraction
CN113029166B (zh) 定位方法、装置、电子设备及存储介质
KR102249380B1 (ko) 기준 영상 정보를 이용한 cctv 장치의 공간 정보 생성 시스템

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