CN113619569A - 用于固定泊车场景的车辆定位方法及其*** - Google Patents
用于固定泊车场景的车辆定位方法及其*** Download PDFInfo
- Publication number
- CN113619569A CN113619569A CN202110880325.3A CN202110880325A CN113619569A CN 113619569 A CN113619569 A CN 113619569A CN 202110880325 A CN202110880325 A CN 202110880325A CN 113619569 A CN113619569 A CN 113619569A
- Authority
- CN
- China
- Prior art keywords
- marker
- matching
- coordinate system
- pair
- position information
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 239000003550 marker Substances 0.000 claims abstract description 215
- 238000001514 detection method Methods 0.000 claims abstract description 28
- 230000009466 transformation Effects 0.000 claims description 79
- 239000011159 matrix material Substances 0.000 claims description 73
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 238000000354 decomposition reaction Methods 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 13
- 230000004807 localization Effects 0.000 claims description 8
- 230000009191 jumping Effects 0.000 claims description 3
- 230000003100 immobilizing effect Effects 0.000 claims 3
- 238000009616 inductively coupled plasma Methods 0.000 description 18
- 238000006243 chemical reaction Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000016776 visual perception Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0225—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving docking at a fixed facility, e.g. base station or loading bay
-
- 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
- G01C21/34—Route searching; Route guidance
- G01C21/36—Input/output arrangements for on-board computers
- G01C21/3626—Details of the output of route guidance instructions
- G01C21/3632—Guidance using simplified or iconic instructions, e.g. using arrows
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/06—Automatic manoeuvring for parking
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
- B62D—MOTOR VEHICLES; TRAILERS
- B62D15/00—Steering not otherwise provided for
- B62D15/02—Steering position indicators ; Steering position determination; Steering aids
- B62D15/027—Parking aids, e.g. instruction means
- B62D15/0285—Parking performed automatically
-
- 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
- G01C21/34—Route searching; Route guidance
- G01C21/36—Input/output arrangements for on-board computers
- G01C21/3605—Destination input or retrieval
- G01C21/3623—Destination input or retrieval using a camera or code reader, e.g. for optical or magnetic codes
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0234—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using optical markers or beacons
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/586—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of parking space
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
- B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
- B60W2420/403—Image sensing, e.g. optical camera
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/20—Static objects
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2754/00—Output or target parameters relating to objects
- B60W2754/10—Spatial relation or speed relative to objects
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Aviation & Aerospace Engineering (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Combustion & Propulsion (AREA)
- Chemical & Material Sciences (AREA)
- Electromagnetism (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及用于固定泊车场景的车辆定位方法及其***。该方法包括:包括:标识物检测步骤,检测标识物并识别出标识物对;有位姿匹配步骤,根据车辆位置信息以及标识物对进行有位姿匹配;无位姿匹配步骤,根据标识物对进行无位姿匹配以得到最新的车辆位置信息;以及位置更新步骤,根据所述有位姿匹配步骤或者所述无位姿匹配步骤得到的最新的车辆位置信息更新当前的车辆位置信息。
Description
技术领域
本发明涉及车辆控制技术,具体地涉及用于固定泊车场景的车辆定位方法以及用于固定泊车场景的车辆定位***。
背景技术
自动泊车是指车辆自动泊入车位而不需要人工控制。不同的自动泊车***一般采用不同的方法来检测车辆周围的物体。
图像匹配(Image Matching)旨在将两幅图像中具有相同/相似属性的内容或结构进行像素级别上的识别与对齐,一般而言,待匹配的图像通常取自相同或相似的场景或目标,或者具有相同形状或者语义信息的其他类型图像对。
为了提高匹配算法鲁棒性、减少噪声、畸变等其他因素对于匹配性能的影响以及降低计算复杂度,基于特征的图像匹配方法得到了广泛研究。现有技术中的基于特征的图像匹配方法主要包括以下步骤:从图像中提取具有物理意义的显著特征结构,包括特征点、特征线以及具有显著性的形态区域;以及对所提取的特征结构进行匹配预测变换函数并对齐其他图像内容。
在自动泊车领域,快速定位车辆位置信息对于车辆的路径规划、安全智能驾驶具有重要的意义。图像匹配则是沟通车辆场景信息与实际地图信息之间的桥梁,为了图像匹配的实时性以及准确性,获取车辆场景中的三维点云信息与实际地图信息进行三维匹配成为解决定位问题的有效手段之一。
常见的点云匹配算法包括RANSAC算法、ICP算法。RANSAC方法可以鲁棒的估计匹配模型参数,但是,缺点在于计算模型参数迭代次数可能会比较大,比较耗时,而且需要额外阈值参数。ICP算法则是一种点集对点集求解放射变换矩阵的配准方法,可以达到精准的匹配效果,但是搜索对应点时计算量很大。
发明内容
鉴于上述问题,本发明旨在提出一种能够简化算法复杂度并且能够实时为车辆提供精准鲁棒的定位需求的用于固定泊车场景(例如停车库泊车场景、换电站泊车场景等等)的车辆定位方法以及用于固定泊车场景的车辆定位***。
本发明一方面的用于固定泊车场景的车辆定位方法,其特征在于,包括:
标识物检测步骤,检测标识物并识别出标识物对,若已获得在该固定泊车场景下的车辆位置信息,则继续以下的有位姿匹配步骤,若未获得在该固定泊车场景下的车辆位置信息,则跳至下述的无位姿匹配步骤;
有位姿匹配步骤,根据所获得的车辆位置信息以及所识别的标识物对进行有位姿匹配,如果得到最新的车辆位置信息则跳至下述的位置更新步骤,否则继续下述的无位姿匹配步骤;
无位姿匹配步骤,根据所识别的标识物对进行无位姿匹配以得到最新的车辆位置信息;以及
位置更新步骤,根据所述有位姿匹配步骤或者所述无位姿匹配步骤得到的最新的车辆位置信息更新当前的车辆位置信息,
其中,所述标识物检测步骤中的所述车辆位置信息是指在之前时序已经通过进行所述车辆定位方法获得的车辆位置信息。
可选地,作为所述标识物对,采用两个相同的标识物构成。
可选地,在所述标识物检测步骤中包括:
子步骤1:根据图像中的标识物得到的检测结果或者对于之前检测到的图像中的标识物的跟踪结果获取到标识物;
子步骤2:对子步骤1中获取到的标识物进行遍历,在一定范围内查找是否还有其他标识物,如有其他标识物,则获取多个标识物;
子步骤3:在获取到的多个标识物中判断是否存在标识物对,如果满足有标识物对的条件下则保存标识物信息;以及
子步骤4:对保存的标识物信息进行过滤以滤掉重复的标识物对,获得至少一对标识物对,以作为地面坐标系中的标识物对。
可选地,在所述子步骤3中,判断是否存在标识物对是通过下述方式实现:
通过计算两个标识物的中心点距离以及标识物的方向夹角,判断两个标识物的中心点距离以及方向夹角是否满足规定阈值,如果满足预先设定的规定阈值,则判断两个标识物为成对的标识物对。
可选地,在子步骤4中,根据标识物对的中心点距离和方向夹角过滤掉重复的标识物对以得到地面坐标系中的标识物对。
可选地,所述无位姿匹配步骤包括:
对于得到的地面坐标系中的标识物对,依次与已知的固定场景坐标系中的实际的标识物对进行匹配;
选择匹配最优的标识物对作为匹配上的标识物对,基于匹配上的标识物对获得车辆位置信息并作为所述最新的车辆位置信息。
可选地,其中,对于得到的地面坐标系中的标识物对,依次与已知的固定场景坐标系中的实际的标识物对进行匹配包括:
对于得到的地面坐标系中的标识物对,利用SVD分解求解ICP算法进行坐标系变换矩阵,计算该地面坐标系中的标识物对在固定场景坐标系中的对应位置,并获得该对应位置与已知的固定场景坐标系中的实际的标识物对之间的距离差,
其中,选择匹配最优的标识物对是指选择所述距离差为最小的标识物对。
可选地,所述无位姿匹配步骤包括:
粗匹配子步骤,对于得到的地面坐标系中的标识物对,与已知的固定场景坐标系中的实际的标识物对进行匹配,利用SVD分解求解ICP算法进行坐标系变换矩阵,获得第一变换矩阵以及第一误差;
精匹配子步骤,对于所述粗匹配子步骤中获取的第一变换矩阵进行逆运算求得固定场景坐标系中的实际的标识物对在地面坐标系中对应的虚拟标识物对,对于得到的虚拟标识物对,过滤掉已经匹配上的虚拟标识物对,将剩下未匹配上的虚拟标识物对与已匹配上的地面坐标系中的标识物对一起再计算一次变换矩阵,得到第二变换矩阵和第二误差;以及
选择子步骤,从所述粗匹配子步骤得到的第一变换矩阵以及第一误差和所述精匹配子步骤获得的第二变换矩阵和第二误差中,选择误差小的变换矩阵的标识物对作为匹配上的标识物对,基于匹配上的标识物对获得固定场景坐标系中的车辆位置信息以作为所述最新的车辆位置信息。
可选地,所述有位姿匹配步骤包括:
(a)根据车辆位置信息获取地面坐标系到固定场景坐标系的坐标系变换矩阵;以及
(b)根据(a)获取的坐标系变换矩阵,计算地面坐标系中的标识物对在固定场景坐标系中的对应位置,并将该对应位置与已知的固定场景坐标系中的实际的标识物对进行匹配,如果匹配误差小于预先设定的匹配阈值,则将匹配上的固定场景坐标系中的标识物对的位置作为最新的车辆位置信息。
本发明一方面的用于固定泊车场景的车辆定位***,其特征在于,包括:
标识物检测模块,用于检测标识物并识别出标识物对;
有位姿匹配模块,用于根据车辆位置信息以及标识物对进行有位姿匹配;
无位姿匹配模块,用于根据标识物对进行无位姿匹配以得到最新的车辆位置信息;以及
位置更新模块,用于根据所述有位姿匹配模块或者所述无位姿匹配模块得到的最新的车辆位置信息更新当前的车辆位置信息。
可选地,作为所述标识物对,采用两个相同的标识物构成。
可选地,所述标识物检测模块包括:
检测子模块,用于根据图像中标识物得到的检测结果或者对于之前检测到的标识物的跟踪结果获得标识物;
遍历子模块,用于对所述检测子模块中获取到的标识物进行遍历,在一定范围内查找是否还有其他标识物,如有其他标识物,则获得多个标识物;
判断子模块,用于判断所述遍历子模块获得的的多个标识物中是否有成对的标识物对,如果由有成对的标识物对的情况下则保存标识物信息;以及
过滤子模块,用于对所述判断子模块获取的标识物信息进行过滤以滤掉重复的标识物对,获得至少一对标识物对,作为地面坐标系中的标识物对。
可选地,在所述判断子模块中,判断是否有两个标识物为成对的标识物对通过下述方式实现:
通过计算两个标识物的中心点距离以及标识物的方向夹角,判断两个标识物的中心点距离以及方向夹角是否满足规定阈值,如果满足预先设定的规定阈值,则判断两个标识物为成对的标识物对。
可选地,所述过滤子模块根据标识物对的中心点距离和方向夹角过滤掉重复的标识物对以得到地面坐标系中的标识物对。
可选地,所述无位姿匹配模块包括:
匹配子模块,用于对于得到的地面坐标系中的标识物对,依次与已知的固定场景坐标系中的实际的标识物对进行匹配;以及
选择子模块,用于选择匹配最优的标识物对作为匹配上的标识物对,基于匹配上的标识物对获得车辆位置信息并作为所述最新的车辆位置信息。
可选地,所述匹配子模块对于得到的地面坐标系中的标识物对,利用SVD分解求解ICP算法进行坐标系变换矩阵,计算该地面坐标系中的标识物对在固定场景坐标系中的对应位置,并获得该对应位置与已知的固定场景坐标系中的实际的标识物对之间的距离差,
所述选择子模块选择匹配最优的标识物对是指选择所述距离差为最小的标识物对。
可选地,所述无位姿匹配模块包括:
粗匹配子模块,对于得到的地面坐标系中的标识物对,与已知的固定场景坐标系中的实际的标识物对进行匹配,利用SVD分解求解ICP算法进行坐标系变换矩阵,获得第一变换矩阵以及第一误差;
精匹配子模块,对于所述粗匹配子模块中获取的第一变换矩阵进行逆运算求得固定场景坐标系中的实际的标识物对在地面坐标系中对应的虚拟标识物对,对于得到的虚拟标识物对,过滤掉已经匹配上的虚拟标识物对,将剩下未匹配上的虚拟标识物对与已匹配上的地面坐标系中的标识物对一起再计算一次变换矩阵,得到第二变换矩阵和第二误差;以及
选择子模块,用于从所述粗匹配子模块获得的第一变换矩阵以及第一误差以及从所述精匹配子模块获得的第二变换矩阵和第二误差中,选择误差小的变换矩阵的标识物对作为匹配上的标识物对,基于匹配上的标识物对获得固定场景坐标系中的车辆位置信息以作为所述最新的车辆位置信息。
可选地,所述有位姿匹配模块包括:
变换子模块,根据车辆位置信息获取地面坐标系到固定场景坐标系的坐标系变换矩阵;以及
匹配子模块,根据所述变换子模块获取的坐标系变换矩阵,计算地面坐标系中的标识物对在固定场景坐标系中的对应位置,并将该对应位置与已知的固定场景坐标系中的实际的标识物对进行匹配,如果匹配误差小于预先设定的匹配阈值,则将匹配上的固定场景坐标系中的标识物对的位置作为最新的车辆位置信息。
本发明一方面的计算机可读介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现所述的用于固定泊车场景的车辆定位方法。
本发明一方面的算机设备,包括存储模块、处理器以及存储在存储模块上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现所述的用于固定泊车场景的车辆定位方法。
本发明一方面的车辆,其特征在于,包括任意一项所述的用于固定泊车场景的车辆定位***。
附图说明
图1是表示一实施方式的换电站场景下的车辆定位方法中的标识物的示意图。
图2是表示一实施方式的换电站场景下的车辆定位方法的流程的示意图。
图3是表示无位姿匹配步骤的一个变换示例的具体流程的示意图。
图4是表示一实施方式的用于固定泊车场景的车辆定位***的构造示意图。
图5是表示无位姿匹配模块的一个变换示例的构造示意图。
具体实施方式
下面介绍的是本发明的多个实施例中的一些,旨在提供对本发明的基本了解。并不旨在确认本发明的关键或决定性的要素或限定所要保护的范围。
出于简洁和说明性目的,本文主要参考其示范实施例来描述本发明的原理。但是,本领域技术人员将容易地认识到,相同的原理可等效地应用于所有类型的用于固定泊车场景的车辆定位方法以及用于固定泊车场景的车辆定位***,并且可以在其中实施这些相同的原理,以及任何此类变化不背离本专利申请的实际精神和范围。
而且,在下文描述中,参考了附图,这些附图图示特定的示范实施例。在不背离本发明的精神和范围的前提下可以对这些实施例进行电、机械、逻辑和结构上的更改。此外,虽然本发明的特征是结合若干实施/实施例的仅其中之一来公开的,但是如针对任何给定或可识别的功能可能是期望和/或有利的,可以将此特征与其他实施/实施例的一个或多个其他特征进行组合。因此,下文描述不应视为在限制意义上的,并且本发明的范围由所附权利要求及其等效物来定义。
诸如“具备”和“包括”之类的用语表示除了具有在说明书和权利要求书中有直接和明确表述的单元(模块)和步骤以外,本发明的技术方案也不排除具有未被直接或明确表述的其它单元(模块)和步骤的情形。
本发明旨在提供一种基于视觉感知能力,在固定泊车场景的一定区域内,借助标识进行辅助定位。本发明主要解决问题包括:不需对场景和车辆初始姿态以及泊车路径进行严格限制,具有一定灵活性;只需匹配地面标识,大大简化算法复杂度,能够实时为车辆提供精准鲁棒的定位需求。
为了解决上述技术问题,特别是为了能够快速精准地匹配,本发明提出了在设置特定标识物的基础上改进视觉感知定位算法,即通过改进ICP算法使之可以实现快速匹配,由此,能够在固定泊车场景的一定区域内为车辆实时提供定位信息。
以下作为固定泊车场景的一个实施方式,以换电站外泊车的场景为例进行说明。固定泊车场景不仅能够适用于换电站外泊车,也能够适用于例如停车场泊车等的其他固定场景。
图1是表示一实施方式的换电站场景下的车辆定位方法中的标识物的示意图。
如图1所示,在换电站之外设置例如若干个单直角形状标识物、以及若干个双直角形状标识物,在图1中示例的这些标识物为平面标识物,当然本发明的标识物也可以同样采用空间标识物来实现。
关于标识物对,采用两个相同的标识物构成,在本发明中,标识物对具体指的是两个标识物平行且距离在一定范围内,即可构成标识物对。参考图1,如图1的地面标识中,车位外左侧的两个标识物组成一个标识物对,车位中间部分的两个标识物组成一个标识物对,车位外右侧两个标识物组成一个标识物对。
关于平面标识物和空间标识物的设置位置,平面标识物包括以下的一项或者多项的组合:设置在固定泊车场景的地面侧的定位标识物;设置在固定泊车场景的周围侧的定位标识物;以及设置在固定泊车场景的上方侧的定位标识物。另一方面,空间标识物包括以下的一项或者多项的组合:设置在固定泊车场景的地面侧的定位标识物;设置在固定泊车场景的周围侧的定位标识物;以及设置在固定泊车场景的上方侧的定位标识物。
关于平面标识物和空间标识物的形状,平面标识物为以下的一项或者多项的组合:箭头形状标识物;单直角形状标识物;三角形标识物;以及多边形标识物。另一方面,空间标识物为以下的一项或者多项的组合:二维码标识物;箭头形状标识物;单直角形状标识物;三角形标识物;多边形标识物;以及固定泊车场景内原本已设置有的物体。这里所谓的“固定泊车场景内原本已设置有的物体”是指除了额外贴标识物,也可以是固定泊车场景(如换电站)内固有的物体,如前V槽、后平面槽、提醒用户注意的警示贴等等。
图2是表示一实施方式的换电站场景下的车辆定位方法的流程的示意图。
如图2所示,一实施方式的换电站场景下的车辆定位方法包括以下步骤:
步骤S100:在初始化之后,获取标识物的检测结果或者跟踪结果,优选地,还可以进一步按照尺寸信息过滤掉一些过大或者过小的标识物,如果已获得车辆位置信息的情况下则继续步骤S200,如果没有获得车辆位置信息的情况下则继续步骤S300;
步骤S200:根据车辆位置信息进行有位姿匹配,如果有位姿匹配成功则跳至步骤S400,如果有位姿匹配失败则继续步骤S300;
步骤S300:根据标识物进行无位姿匹配;
步骤S400:根据有位姿匹配或者无位姿匹配的结果更新车辆位置信息,根据匹配得到的车辆位置信息,结合车辆里程计预测下一帧车辆位置信息,重复执行步骤S100。
其中,关于车辆位置信息,从时序方面考虑,一开始是没有车辆位置信息的,但是根据定位结果获取在地面坐标系中的车辆位置信息,那么后续定位时可以根据之前的匹配结果以及里程计结果进行当前帧匹配,也就是进行“有位姿匹配”。
这里,在说明本发明的具体步骤之前,先对于现有技术中SVD分解求解ICP算法的过程进行简单说明。
奇异值分解(Singular Value Decomposition,简称SVD)是在机器学习领域广泛应用的算法,SVD是线性代数中一种重要的矩阵分解,奇异值分解是特征分解在任意矩阵上的推广。
ICP算法(Iterative Closest Points Algorithm,迭代最*点法)主要用于三维物体的匹配问题,可以理解为:给定两个来自不同坐标系的三维数据点集合,找两个点集的空间变换,以便它们能进行空间匹配。
通过SVD分解求解ICP算法过程包括以下步骤:
对于两组匹配点P={p1,p2,...,pn}和Q={q1,q2,...,qn},其中pi,qi∈Rd,是空间中的匹配点集,采用ICP算法计算得到旋转矩阵R和平移向量t使得变换之后的点集与目标点集之间误差最小,公式如下:
步骤1:计算两组匹配点的加权中心:
步骤2:得到去中心化的点集:
步骤3:计算d×d的covariance(协方差)矩阵:
S=XWYT
其中,X,Y为d×n矩阵,xi,yi分别是它们的列元素,
W=diag(ω1,ω2,...,ωn)
步骤4:对S进行SVD分解S=U∑YT,得到旋转矩阵R:
步骤5:计算平移量:
通过上述步骤计算得到变换矩阵(R,t),但是这里直接搜索匹配点非常耗时,计算量较大,为了解决这一个技术问题,首先,在本发明中设计了图1所示的特殊的标识对,在无位姿匹配过程中根据对标识的检测或者跟踪结果计算距离以及标识方向确定成对(pair)的标识对,将确定的标识对与地图中实际的标识物对进行匹配,得到最优匹配结果。
在本发明中,利用标识物对进行匹配能够减少计算量的原因在于,例如在图1中,标识物对只有三对,根据检测到的标识物对假设匹配上地图中某个标识物对进行匹配,要比遍历匹配上的点要少很多计算量。比如检测到4个标识物对,计算量也就是最多计算4*3=12次坐标转换矩阵,计算较快,而不是像ICP算法那样对于得到的点位置进行大量计算,在匹配过程中往往是,实际应用中如果检测结果较好,检测到的标识物对一般是与实际地图中标识对个数相近。
接着,对于本发明中如何获取成对的标识物的过程进行说明。
获取成对的标识物的过程包括以下步骤:
步骤S1:根据图像检测结果以及时序帧跟踪结果中的标识物,根据标识物尺寸信息进行过滤,过滤到尺寸过大或者过小的标识物,其中,图像检测结果来自对于图像中标识物检测得到的结果,时序帧跟踪则是对于之前检测到的标识物的跟踪结果,可能会存在部分标识物重合的情况;
步骤S2:对步骤S1中获取到的标识物进行遍历,在一定范围内查找是否有别的标识物,如有进行步骤S3(如有其他的标识物,则获得多个标识物),否则继续步骤S2进行遍历;
步骤S3:计算两个标识物中心点距离以及标识物的方向夹角,这里标识物的方向定义为标识物两端点至中心点向量之和,并对和向量进行归一化,判断两标识物中心点距离以及方向夹角是否满足一定阈值,如满足则找到一对标识物并将标识物对信息保存下来;以及
步骤S4:对获取的标识物对信息进行过滤,根据成对标识物对的距离和方向夹角信息过滤掉一些重复的标识物对(因为跟踪结果与检测结果不完全一致可能会造成一个标识物与多个标识物组成对的情况),最后获得至少一对标识物,包括仅仅一对标识物的情况,也包括有多对标识物并对各个标识物对进行匹配而从中找到匹配误差最小的标识物对的情况。
在本实施方式中,出现了两个坐标系:地面坐标系(也可以称为图像坐标系);以及换电站坐标系(也可以称为地图坐标系,对应于权利要求书中的“固定场景坐标系”)。
这里的“地面坐标系”代表传统意义上的图像坐标系,以图像左上角为原点构建的二维坐标系,单位为像素。“换电站坐标系”代表以换电站某处位置为原点的实际3D场景中的坐标系,单位例如为米。
下面,对于无位姿匹配以及有位姿匹配的具体内容进行说明。
1.无位姿匹配包括以下步骤:
(a)从标识物中找到能够组成对的标识物对(即地面坐标系的标识物对);
(b)遍历(a)中获取的标识物对,依次将地面坐标系中的标识物对与实际的标识物对(即换电站坐标系中的实际的标识物对)进行匹配,具体地,利用SVD分解求解ICP算法得到坐标系变换矩阵,计算实际的标识物对(即换电站坐标系中的实际的标识物对)与经过变换矩阵换算到换电站坐标系中的标识物对之间的距离差(如果未匹配上,则标识物对之间的距离用一个较大的数值代替);
(c)从(b)中选择最优匹配(即距离差最小),如果最优匹配满足预先设定的匹配阈值,则无位姿匹配完成,根据匹配上的标识物对更新车辆在换电站坐标系中的位置信息,如果最优匹配不满足预先设定的匹配阈值,则没有匹配上实际的标识物对,等待后面的时序帧进行匹配。
2.有位姿匹配包括以下步骤:
(a)根据车辆位置信息获取坐标系变换矩阵;以及
(b)如果(a)中获取的矩阵匹配效果较好(即距离差满足预先设定的匹配阈值的情况下),则根据匹配上的标识物对更新车辆位置信息,否则进行无位姿匹配。
其中,在(a)中,这里车辆位置信息作为一个示例指的是车辆前后轴中心点在换电站坐标系中的位置信息,因为图像中车辆前后轴坐标是一定的,因此可以计算图像中车辆前后轴坐标至换电站坐标系中车辆前后轴坐标的变换矩阵,即从地面坐标系至换电站坐标系的变换矩阵。
在(b)中,这里是根据(a)获取到坐标变换矩阵,计算标识物对变换到换电站坐标系中的对应位置,将该标识物对在换电站坐标系中的对应位置与换电站坐标系中的实际的标识物对进行比较,如果匹配误差小于预先设定的匹配阈值,则认为该车辆位置信息已经比较精确,无需对标识物再度进行匹配,只需计算一次比较匹配结果误差即可,并可根据该匹配上的换电站坐标系中的实际的标识物对的位置更新车辆位置信息,如果匹配误差大于预先设定的匹配阈值,说明当前的车辆位置信息不准确,则进行无位姿匹配。
进一步,对于无位姿匹配一个变换示例进行说明。
图3是表示无位姿匹配的一个变换示例的具体流程的示意图。
该示例中,无位姿匹配可以分为粗匹配和精匹配两个过程。
如图3所示,该变换示例的无位姿匹配包括:
(1)粗匹配:
将地面坐标系中的标识物对与实际的标识物对(即换电站坐标系中的实际的标识物对)进行匹配,获得第一变换矩阵RT1(地面坐标系到换电站坐标系的变换矩阵)以及此时的第一误差cost1;
(2)精匹配:
(a)通过对粗匹配获取的变换矩阵RT1进行逆运算,求得地图中的实际标识物对(即换电站坐标系中的实际标识物对)此时在地面坐标系中的对应的虚拟标识物,;
(b)根据(a)中得到的虚拟标识物对,过滤掉已经匹配上的检测或者跟踪的标识物对,将剩下未匹配上的地图标识物对(即虚拟标识物对)与匹配上的检测或跟踪的标识物对一起再计算一次变换矩阵,得到第二变换矩阵RT2和第二误差cost2,;
(3)根据过程(1)和过程(2)的第一误差cost1和第二误差cost2,选择误差更小的一方所对应的变换矩阵作为最终的变换矩阵。
在本示例中进行粗匹配和精匹配的原因在于,匹配时根据坐标变换矩阵将实际检测或者跟踪得到的标识物进行匹配,但是因为匹配误差,地图中的真实标识物(即换电站坐标系中的实际标识物)不一定被完全匹配上,将未匹配上的地图真实标识物(即换电站坐标系中的实际标识物)通过坐标变换矩阵逆变换为图像中的“虚拟标识物”(即地面坐标系中的标识物),该“虚拟标识物”并不是检测或者跟踪得到的,而是假想的,然后将该“虚拟标识物”补充已经能够匹配上的图像标识物-地图实际标识物对中,形成一组标识物匹配对,标识物匹配对具体表现为:(1)图像标识物(即地面坐标系中的标识物)-地图实际标识物(即换电站坐标系中的实际标识物)的匹配对;与(2)虚拟标识物-地图实际标识物(即换电站坐标系中的实际标识物)的匹配对,根据这样新的标识物匹配对重新计算坐标转换矩阵,对转换矩阵进行更新。
由于计算变换矩阵是通过SVD分解求取,一般而言,更多的匹配点意味着能够得到更好的变换矩阵,而且检测、跟踪结果并不是完全准确,通过反计算地图标识物对在地面坐标系位置能在一定程度上补充匹配上的标识物对,这里由粗匹配至精匹配是对提升匹配精度的更进一步的优化方法。
接着,对于本发明的用于固定泊车场景的车辆定位***进行说明。
图4是表示一实施方式的用于固定泊车场景的车辆定位***的构造示意图。
如图4所示,本发明的用于固定泊车场景的车辆定位***包括:
标识物检测模块100,用于检测标识物并识别出标识物对;
有位姿匹配模块200,用于根据车辆位置信息以及标识物对进行有位姿匹配;
无位姿匹配模块300,用于根据标识物对进行无位姿匹配以得到最新的车辆位置信息;以及
位置更新模块400,用于根据所述有位姿匹配模块或者所述无位姿匹配模块得到的最新的车辆位置信息更新当前的车辆位置信息。
其中,作为所述标识物对,采用两个相同的标识物构成。
进一步,所述标识物检测模块100包括:
检测子模块110,用于根据图像中标识物得到的检测结果或者对于之前检测到的标识物的跟踪结果获得标识物;
遍历子模块120,用于对所述检测子模块中获取到的标识物进行遍历,在一定范围内查找是否还有其他标识物,如有其他标识物,则获得多个标识物;
判断子模块130,用于判断所述遍历子模块获得的的多个标识物中是否有成对的标识物对,如果由有成对的标识物对的情况下则保存标识物信息;以及
过滤子模块140,用于对所述判断子模块获取的标识物信息进行过滤以滤掉重复的标识物对,获得至少一对标识物对,作为地面坐标系中的标识物对。
其中,在所述判断子模块130中,判断是否有两个标识物为成对的标识物对通过下述方式实现:通过计算两个标识物的中心点距离以及标识物的方向夹角,判断两个标识物的中心点距离以及方向夹角是否满足规定阈值,如果满足预先设定的规定阈值,则判断两个标识物为成对的标识物对。
其中,所述过滤子模块140根据标识物对的中心点距离和方向夹角过滤掉重复的标识物对以得到地面坐标系中的标识物对。
进一步,有位姿匹配模块200包括:
变换子模块210,根据车辆位置信息获取地面坐标系到固定场景坐标系的坐标系变换矩阵;以及
匹配子模块220,根据所述变换子模块获取的坐标系变换矩阵,计算地面坐标系中的标识物对在固定场景坐标系中的对应位置,并将该对应位置与已知的固定场景坐标系中的实际的标识物对进行匹配,如果匹配误差小于预先设定的匹配阈值,则将匹配上的固定场景坐标系中的标识物对的位置作为最新的车辆位置信息。
另一方面,当在匹配子模块220中的匹配误差如果大于预先设定的匹配阈值的情况下,则说明当前的车辆位置信息不准确,则由无位姿匹配模块300执行无位姿匹配。
进一步,无位姿匹配模块300包括:
匹配子模块310,用于对于得到的地面坐标系中的标识物对,依次与已知的固定场景坐标系中的实际的标识物对进行匹配;以及选择子模块320,用于选择匹配最优的标识物对作为匹配上的标识物对,基于匹配上的标识物对获得车辆位置信息并作为所述最新的车辆位置信息。
其中,所述匹配子模块310对于得到的地面坐标系中的标识物对,利用SVD分解求解ICP算法进行坐标系变换矩阵,计算该地面坐标系中的标识物对在固定场景坐标系中的对应位置,并获得该对应位置与已知的固定场景坐标系中的实际的标识物对之间的距离差,所述选择子模块320选择匹配最优的标识物对是指选择所述距离差为最小的标识物对。
接着,对于无位姿匹配模块的另一个变换示例进行说明。
图5是表示无位姿匹配模块的一个变换示例的构造示意图。
如图5所示,在无位姿匹配模块的一个变换示例中,无位姿匹配模块300包括:
粗匹配子模块311,对于得到的地面坐标系中的标识物对,与已知的固定场景坐标系中的实际的标识物对进行匹配,利用SVD分解求解ICP算法进行坐标系变换矩阵,获得第一变换矩阵以及第一误差;
精匹配子模块312,对于所述粗匹配子模块中获取的第一变换矩阵进行逆运算求得固定场景坐标系中的实际的标识物对在地面坐标系中对应的虚拟标识物对,对于得到的虚拟标识物对,过滤掉已经匹配上的虚拟标识物对,将剩下未匹配上的虚拟标识物对与已匹配上的地面坐标系中的标识物对一起再计算一次变换矩阵,得到第二变换矩阵和第二误差;以及
选择子模块313,用于从所述粗匹配子模块获得的第一变换矩阵以及第一误差以及从所述精匹配子模块获得的第二变换矩阵和第二误差中,选择误差小的变换矩阵的标识物对作为匹配上的标识物对,基于匹配上的标识物对获得固定场景坐标系中的车辆位置信息以作为所述最新的车辆位置信息。
如上所述,根据本发明的用于固定泊车场景的车辆定位方法以及用于固定泊车场景的车辆定位***,能够实现快速精准地匹配,特别是在本发明中通过采用特定标识物(即标识物对)的基础上,改进ICP算法,使之可以实现快速匹配,在换电站外一定平面区域内为车辆实时提供定位信息。
而且,本发明的本发明的用于固定泊车场景的车辆定位方法以及用于固定泊车场景的车辆定位***中通过利用特定标识物进行定位,具有较高的灵活性,不限泊车路径,根据匹配上的地面标识物对与已知的地图(例如云端下发方地图)中的实际的标识物对相结合,计算出车辆在换电站坐标系中的位置,达到车辆实时定位的目的。
以上列举了换电站场景的车辆定位方法以及车辆定位***,当然本发明的用于固定泊车场景的车辆定位方法以及用于固定泊车场景的车辆定位***不仅适用于换电站场景,还能适用于其他固定泊车场景,例如停车库场景等。
本发明还提供一种计算机可读介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现上述的用于固定泊车场景的车辆定位方法。
本发明还提供一种计算机设备,包括存储模块、处理器以及存储在存储模块上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述的用于固定泊车场景的车辆定位方法。
本发明还提供一种车辆,其特征在于,包括上述的用于固定泊车场景的车辆定位***。
以上例子主要说明了本发明的用于固定泊车场景的车辆定位方法以及用于固定泊车场景的车辆定位***。尽管只对其中一些本发明的具体实施方式进行了描述,但是本领域普通技术人员应当了解,本发明可以在不偏离其主旨与范围内以许多其他的形式实施。因此,所展示的例子与实施方式被视为示意性的而非限制性的,在不脱离如所附各权利要求所定义的本发明精神及范围的情况下,本发明可能涵盖各种的修改与替换。
Claims (10)
1.一种用于固定泊车场景的车辆定位方法,其特征在于,包括:
标识物检测步骤,检测标识物并识别出标识物对,若已获得在该固定泊车场景下的车辆位置信息,则继续以下的有位姿匹配步骤,若未获得在该固定泊车场景下的车辆位置信息,则跳至下述的无位姿匹配步骤;
有位姿匹配步骤,根据所获得的车辆位置信息以及所识别的标识物对进行有位姿匹配,如果根据有位姿匹配得到最新的车辆位置信息则跳至下述的位置更新步骤,否则继续下述的无位姿匹配步骤;
无位姿匹配步骤,根据所识别的标识物对进行无位姿匹配以得到最新的车辆位置信息;以及
位置更新步骤,根据所述有位姿匹配步骤或者所述无位姿匹配步骤得到的最新的车辆位置信息更新当前的车辆位置信息,
其中,所述标识物检测步骤中的所述车辆位置信息是指在之前时序已经通过进行所述车辆定位方法获得的车辆位置信息。
2.如权利要求1所述的用于固定泊车场景的车辆定位方法,其特征在于,在所述标识物检测步骤中包括:
子步骤1:根据图像中的标识物得到的检测结果或者对于之前检测到的图像中的标识物的跟踪结果获取到标识物;
子步骤2:对子步骤1中获取到的标识物进行遍历,在一定范围内查找是否还有其他标识物,如有其他标识物,则获取多个标识物;
子步骤3:在获取到的多个标识物中判断是否存在标识物对,如果满足有标识物对的条件下则保存标识物信息;以及
子步骤4:对保存的标识物信息进行过滤以滤掉重复的标识物对,获得至少一对标识物对,以作为地面坐标系中的标识物对。
3.如权利要求2所述的用于固定泊车场景的车辆定位方法,其特征在于,所述无位姿匹配步骤包括:
对于得到的地面坐标系中的标识物对,依次与已知的固定场景坐标系中的实际的标识物对进行匹配;
选择匹配最优的标识物对作为匹配上的标识物对,基于匹配上的标识物对获得车辆位置信息并作为所述最新的车辆位置信息。
4.如权利要求2所述的用于固定泊车场景的车辆定位方法,其特征在于,所述无位姿匹配步骤包括:
粗匹配子步骤,对于得到的地面坐标系中的标识物对,与已知的固定场景坐标系中的实际的标识物对进行匹配,利用SVD分解求解ICP算法进行坐标系变换矩阵,获得第一变换矩阵以及第一误差;
精匹配子步骤,对于所述粗匹配子步骤中获取的第一变换矩阵进行逆运算求得固定场景坐标系中的实际的标识物对在地面坐标系中对应的虚拟标识物对,对于得到的虚拟标识物对,过滤掉已经匹配上的虚拟标识物对,将剩下未匹配上的虚拟标识物对与已匹配上的地面坐标系中的标识物对一起再计算一次变换矩阵,得到第二变换矩阵和第二误差;以及
选择子步骤,从所述粗匹配子步骤得到的第一变换矩阵以及第一误差和所述精匹配子步骤获得的第二变换矩阵和第二误差中,选择误差小的变换矩阵的标识物对作为匹配上的标识物对,基于匹配上的标识物对获得固定场景坐标系中的车辆位置信息以作为所述最新的车辆位置信息。
5.如权利要求2所述的用于固定泊车场景的车辆定位方法,其特征在于,
所述有位姿匹配步骤包括:
(a)根据车辆位置信息获取地面坐标系到固定场景坐标系的坐标系变换矩阵;以及
(b)根据(a)获取的坐标系变换矩阵,计算地面坐标系中的标识物对在固定场景坐标系中的对应位置,并将该对应位置与已知的固定场景坐标系中的实际的标识物对进行匹配,如果匹配误差小于预先设定的匹配阈值,则将匹配上的固定场景坐标系中的标识物对的位置作为最新的车辆位置信息。
6.一种用于固定泊车场景的车辆定位***,其特征在于,包括:
标识物检测模块,用于检测标识物并识别出标识物对;
有位姿匹配模块,用于根据车辆位置信息以及标识物对进行有位姿匹配;
无位姿匹配模块,用于根据标识物对进行无位姿匹配以得到最新的车辆位置信息;以及
位置更新模块,用于根据所述有位姿匹配模块或者所述无位姿匹配模块得到的最新的车辆位置信息更新当前的车辆位置信息。
7.如权利要求6所述的用于固定泊车场景的车辆定位***,其特征在于,所述标识物检测模块包括:
检测子模块,用于根据图像中标识物得到的检测结果或者对于之前检测到的标识物的跟踪结果获得标识物;
遍历子模块,用于对所述检测子模块中获取到的标识物进行遍历,在一定范围内查找是否还有其他标识物,如有其他标识物,则获得多个标识物;
判断子模块,用于判断所述遍历子模块获得的的多个标识物中是否有成对的标识物对,如果由有成对的标识物对的情况下则保存标识物信息;以及
过滤子模块,用于对所述判断子模块获取的标识物信息进行过滤以滤掉重复的标识物对,获得至少一对标识物对,作为地面坐标系中的标识物对。
8. 如权利要求7所述的用于固定泊车场景的车辆定位***,其特征在于,所述无位姿匹配模块包括:
匹配子模块,用于对于得到的地面坐标系中的标识物对,依次与已知的固定场景坐标系中的实际的标识物对进行匹配;以及
选择子模块,用于选择匹配最优的标识物对作为匹配上的标识物对,基于匹配上的标识物对获得车辆位置信息并作为所述最新的车辆位置信息。
9.如权利要求7所述的用于固定泊车场景的车辆定位***,其特征在于,
所述有位姿匹配模块包括:
变换子模块,根据车辆位置信息获取地面坐标系到固定场景坐标系的坐标系变换矩阵;以及
匹配子模块,根据所述变换子模块获取的坐标系变换矩阵,计算地面坐标系中的标识物对在固定场景坐标系中的对应位置,并将该对应位置与已知的固定场景坐标系中的实际的标识物对进行匹配,如果匹配误差小于预先设定的匹配阈值,则将匹配上的固定场景坐标系中的标识物对的位置作为最新的车辆位置信息。
10.一种车辆,其特征在于,包括权利要求6~9任意一项所述的用于固定泊车场景的车辆定位***。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110880325.3A CN113619569A (zh) | 2021-08-02 | 2021-08-02 | 用于固定泊车场景的车辆定位方法及其*** |
EP22170403.4A EP4130922A1 (en) | 2021-08-02 | 2022-04-28 | Vehicle positioning method and system for fixed parking scenario |
US17/874,988 US20230030660A1 (en) | 2021-08-02 | 2022-07-27 | Vehicle positioning method and system for fixed parking scenario |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110880325.3A CN113619569A (zh) | 2021-08-02 | 2021-08-02 | 用于固定泊车场景的车辆定位方法及其*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113619569A true CN113619569A (zh) | 2021-11-09 |
Family
ID=78382188
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110880325.3A Pending CN113619569A (zh) | 2021-08-02 | 2021-08-02 | 用于固定泊车场景的车辆定位方法及其*** |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230030660A1 (zh) |
EP (1) | EP4130922A1 (zh) |
CN (1) | CN113619569A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116382191A (zh) * | 2023-04-07 | 2023-07-04 | 成都飞机工业(集团)有限责任公司 | 基于零件特征的成品零件数控加工方法、坐标系建立方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180316877A1 (en) * | 2017-05-01 | 2018-11-01 | Sensormatic Electronics, LLC | Video Display System for Video Surveillance |
EP3692336B1 (en) * | 2017-10-06 | 2022-05-18 | Qualcomm Incorporated | Simultaneous relocation and reinitialization of vslam |
CN110223348B (zh) * | 2019-02-25 | 2023-05-23 | 湖南大学 | 基于rgb-d相机的机器人场景自适应位姿估计方法 |
CN112667837A (zh) * | 2019-10-16 | 2021-04-16 | 上海商汤临港智能科技有限公司 | 图像数据自动标注方法及装置 |
CN111862672B (zh) * | 2020-06-24 | 2021-11-23 | 北京易航远智科技有限公司 | 基于顶视图的停车场车辆自定位及地图构建方法 |
CN113112847A (zh) * | 2021-04-12 | 2021-07-13 | 蔚来汽车科技(安徽)有限公司 | 用于固定泊车场景的车辆定位方法及其*** |
-
2021
- 2021-08-02 CN CN202110880325.3A patent/CN113619569A/zh active Pending
-
2022
- 2022-04-28 EP EP22170403.4A patent/EP4130922A1/en active Pending
- 2022-07-27 US US17/874,988 patent/US20230030660A1/en active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116382191A (zh) * | 2023-04-07 | 2023-07-04 | 成都飞机工业(集团)有限责任公司 | 基于零件特征的成品零件数控加工方法、坐标系建立方法 |
Also Published As
Publication number | Publication date |
---|---|
US20230030660A1 (en) | 2023-02-02 |
EP4130922A1 (en) | 2023-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108369741B (zh) | 用于配准数据的方法和*** | |
Olson et al. | Wide-baseline stereo vision for terrain mapping | |
US20110205338A1 (en) | Apparatus for estimating position of mobile robot and method thereof | |
CN109887033A (zh) | 定位方法及装置 | |
JP2020500767A (ja) | 車両自動パーキングシステム及び方法 | |
JP2017526082A (ja) | 動作推定方法、移動体、およびプロセッサに動作推定方法を実行させるコンピュータプログラムコードでコード化された非一時的コンピュータ可読媒体 | |
WO2013032192A2 (ko) | 천장 임의 형상 특성 활용 이동 로봇 위치 인식 방법 | |
CN111612728B (zh) | 一种基于双目rgb图像的3d点云稠密化方法和装置 | |
Fiala et al. | Visual odometry using 3-dimensional video input | |
Michot et al. | Bi-objective bundle adjustment with application to multi-sensor slam | |
CN111986261B (zh) | 一种车辆定位方法、装置、电子设备及存储介质 | |
US20200206927A1 (en) | Relocalization method and robot using the same | |
CN111145139A (zh) | 从2d图像中检测3d对象的方法、设备和计算机程序 | |
Charmette et al. | Vision-based robot localization based on the efficient matching of planar features | |
CN113902782A (zh) | 一种挖掘机周边障碍物三维点云的快速配准方法及*** | |
Araujo et al. | Air-sslam: A visual stereo indoor slam for aerial quadrotors | |
CN115962773A (zh) | 一种移动机器人同步定位与地图构建方法、装置和设备 | |
CN113619569A (zh) | 用于固定泊车场景的车辆定位方法及其*** | |
Holz et al. | Fast edge-based detection and localization of transport boxes and pallets in rgb-d images for mobile robot bin picking | |
Wong et al. | Vision-based vehicle localization using a visual street map with embedded SURF scale | |
Sobreira et al. | 2D cloud template matching-a comparison between iterative closest point and perfect match | |
Wong et al. | Position interpolation using feature point scale for decimeter visual localization | |
Zieliński et al. | 3d dense mapping with the graph of keyframe-based and view-dependent local maps | |
CN111882601A (zh) | 定位方法、装置及设备 | |
JP2020091519A (ja) | オブジェクト追跡装置、オブジェクト追跡方法、及びオブジェクト追跡プログラム |
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 |