CN114170348A - 二维栅格地图评价方法和*** - Google Patents
二维栅格地图评价方法和*** Download PDFInfo
- Publication number
- CN114170348A CN114170348A CN202111518368.3A CN202111518368A CN114170348A CN 114170348 A CN114170348 A CN 114170348A CN 202111518368 A CN202111518368 A CN 202111518368A CN 114170348 A CN114170348 A CN 114170348A
- Authority
- CN
- China
- Prior art keywords
- map
- obstacle
- score
- laser
- dimensional grid
- 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
- 238000011156 evaluation Methods 0.000 title claims description 21
- 238000000034 method Methods 0.000 claims abstract description 18
- 230000008569 process Effects 0.000 claims abstract description 10
- 230000000694 effects Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Images
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
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20164—Salient point detection; Corner detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种二维栅格地图评价方法和***,包括:步骤1:进行地图构建并保存;步骤2:判断构建的地图是否需要评价,若不需要则结束流程,否则执行步骤3;步骤3:进行参数调整,并再次进行地图构建;步骤4:对两次构建的地图进行评价比较,并将结果在前端进行显示;步骤5:判断地图是否符合预设要求,若是则选定地图并保存参数,然后结束流程,否则返回步骤3继续执行。本发明通过对地图中占据栅格占整个地图的比例、角点的数量、封闭区域的数量这三个维度进行评价,使slam建图结果量化,为现场部署人员提供参考依据,保证建图结果。
Description
技术领域
本发明涉及数据处理技术领域,具体地,涉及一种二维栅格地图评价方法和***。
背景技术
在机器人实际进场部署时,机器人内置的slam算法程序已经固化,在遇到复杂场景时(如很多玻璃幕墙,光滑反光墙面,空旷的大厅,许多环形走廊,无特征的长直廊等)建图质量就会大大降低,此时需要现场部署的人员调整一些参数来适配这个场景,然而现场人员一般对slam认知不够深入,通过比较和评价不同参数建成的地图生成一些量化指标来判断什么样的参数最适合这个场地,为现场部署人员提供参考依据是十分有必要的。
申请文献CN113538620公开了一种面向二维栅格地图的SLAM建图结果评价方法,该方法使用真实地图和生成的地图进行对比,从栅格占用比差值,轮廓周长差值,最临***均距离,均方误差,角均方差这几个维度去评分,这几个维度均需要真实地图,在通常情况下是没有真实地图作为参考的,即使有CAD图也不能反映实际的环境情况,因此该方法局限性很大,无法应用到实际。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种二维栅格地图评价方法和***。
根据本发明提供的二维栅格地图评价方法,包括:
步骤1:进行地图构建并保存;
步骤2:判断构建的地图是否需要评价,若不需要则结束流程,否则执行步骤3;
步骤3:进行参数调整,并再次进行地图构建;
步骤4:对两次构建的地图进行评价比较,并将结果在前端进行显示;
步骤5:判断地图是否符合预设要求,若是则选定地图并保存参数,然后结束流程,否则返回步骤3继续执行。
优选的,通过激光扫描障碍物或者墙体,得到障碍物在激光坐标系下的坐标x=r*cos(θ),y=r*sin(θ),其中,θ为激光束的角度,r为障碍物的距离;根据激光在地图坐标系中的坐标为(Xlaser,Ylaser),得到障碍物在地图中的坐标Xmap=Xlaser+x,Ymap=Ylaser+y;
找到障碍物在地图中的坐标的索引,将该位置的像素值设置为黑色,在整个图中,黑色占据的像素数量越高,说明激光扫描数据越不准确;
先进行二值化将地图内的灰色未知部分变成白色,然后遍历整张图片,将黑像素值提取出来并计数,然后通过计算得到占据百分比a。
优选的,当a≥0.2时,表明建图效果不符合预设要求,设常值k=10;
当0.01<a<0.2时,表明建图效果处在预设范围内,则k=a;
当a<0.01时,表明建图地点空旷无障碍,设常值k=7;
得到第一分数score1=k*100,分数越低越好。
优选的,先将图片转换成灰度图,然后使用Harris角点算法提取角点,统计角点数量,得到第二分数score2=角点数量,分数越低越好。
优选的,先将图片转换成灰度图,然后使用Suzuki轮廓跟踪算法检查封闭区域,并统计数量b;
计算h=lnb,得到第三分数score3=h*10;b为正整数,分数越低越好;
计算总分数scoretotal=k1*score1+k2*score2+k3*score3,k1、k2、k3为比例系数,选出总分数最低的地图为最佳建图,并记录对应参数至配置文件作为默认参数。
根据本发明提供的二维栅格地图评价***,包括:
模块M1:进行地图构建并保存;
模块M2:判断构建的地图是否需要评价,若不需要则结束流程,否则执行模块M3;
模块M3:进行参数调整,并再次进行地图构建;
模块M4:对两次构建的地图进行评价比较,并将结果在前端进行显示;
模块M5:判断地图是否符合预设要求,若是则选定地图并保存参数,然后结束流程,否则返回模块M3继续执行。
优选的,通过激光扫描障碍物或者墙体,得到障碍物在激光坐标系下的坐标x=r*cos(θ),y=r*sin(θ),其中,θ为激光束的角度,r为障碍物的距离;根据激光在地图坐标系中的坐标为(Xlaser,Ylaser),得到障碍物在地图中的坐标Xmap=Xlaser+x,Ymap=Ylaser+y;
找到障碍物在地图中的坐标的索引,将该位置的像素值设置为黑色,在整个图中,黑色占据的像素数量越高,说明激光扫描数据越不准确;
先进行二值化将地图内的灰色未知部分变成白色,然后遍历整张图片,将黑像素值提取出来并计数,然后通过计算得到占据百分比a。
优选的,当a≥0.2时,表明建图效果不符合预设要求,设常值k=10;
当0.01<a<0.2时,表明建图效果处在预设范围内,则k=a;
当a<0.01时,表明建图地点空旷无障碍,设常值k=7;
得到第一分数score1=k*100,分数越低越好。
优选的,先将图片转换成灰度图,然后使用Harris角点算法提取角点,统计角点数量,得到第二分数score2=角点数量,分数越低越好。
优选的,先将图片转换成灰度图,然后使用Suzuki轮廓跟踪算法检查封闭区域,并统计数量b;
计算h=lnb,得到第三分数score3=h*10;b为正整数,分数越低越好;
计算总分数scoretotal=k1*score1+k2*score2+k3*score3,k1、k2、k3为比例系数,选出总分数最低的地图为最佳建图,并记录对应参数至配置文件作为默认参数。
与现有技术相比,本发明具有如下的有益效果:
本发明通过对地图中占据栅格占整个地图的比例、角点的数量、封闭区域的数量这三个维度进行评价,使slam建图结果量化,为现场部署人员提供参考依据,保证建图结果。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1a和图1b为激光扫描示意图;
图2a和图2b为角点扫描示意图;
图3为回环走廊示意图;
图4为本发明方法流程图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
实施例:
本发明提供了一种二维栅格地图评价比较方法,通过地图中的一些特征来量化地图的好坏,解决了上述的局限性,无需真实地图,是一种相对比较选取最优地图的方法,在实际现场使用过程中也得到现场部署人员的认可。本方案从三个维度去量化比较,分别是占据栅格占整个地图的比例、角点的数量、封闭区域的数量。
1、计算占据栅格比例:激光扫描到障碍物或者墙体,已知激光束的角度θ,得到障碍物的距离r,那么障碍物在激光坐标系下的坐标x=r*cos(θ),y=r*sin(θ),已知激光在地图坐标系中的坐标(Xlaser,Ylaser),那就可以得到障碍物在地图中的坐标Xmap=Xlaser+x,Ymap=Ylaser+y,在地图上找到这个坐标的索引,将该位置的像素值设置为黑色,这是程序执行一次的结果。随着机器人不断移动,存在各种各样的误差,如轮子打滑、环境反光得到激光不准的距离读数等,导致机器人在地图中的位置不准确,即(Xlaser,Ylaser)不准,那么(Xmap,Ymap)地图上的位置也就不准确,那么同一堵墙在地图上形成一片黑色区域,如图1a和图1b,在地图中形成的墙越厚,说明越不准确,激光是扫描不到墙的厚度;墙薄说明观测到的墙每次都在同一位置,地图准确。因此在整张图中,黑色占据的像素数量越高,说明越不准确。
为了统计占据栅格的数量,先二值化将地图内的灰色未知部分变成白色,然后遍历整张图片,将黑像素值提取出来并计数得到C占,计算百分比x=C占/C总,得到占据百分比。然后做一个过滤,通过实验统计得出,占据的栅格的比例a通常是低于20%的。如果a极小,说明是在一个空旷的地方建的图,不会判定建图质量差,依然满足下列判断公式;如果大于20%说明地图黑色部分占的比较多说明建图效果不好。
当a>=0.2时,表明建图效果不符合预设要求,设常值k=10;
当0.01<a<0.2时,表明在正常范围,则k=a;
当a<0.01时,表明建图地点空旷无障碍,设常值k=7;
score1=k*100,分数越低越好。
2、计算角点的数量:在环境一致的情况下扫出来的图,角点越少越贴近实际环境,在相同的位置有的图是直线,有的图出现了角点或重影,那么这个地方的障碍确定性就降低了,因此角点数量越多,存在的误差就更多些,如图2a和图2b。
为了统计角点的数量,需要先将图片转换成灰度图,然后使用harris提取角点,统计角点数量。分数就是得到的角点数量。得到第二分数score2=角点数量。
3、封闭区域的数量:一般检测封闭区域对回环走廊比较有效,在进行回环失败后会产生多个封闭区域,并且封闭区域的面积都相对的较小,如图3,闭环成功的是只有闭合区域,并且面积大。
为了统计封闭区域的数量,需要先将图片转换成灰度图,然后使用Suzuki轮廓跟踪算法检查封闭区域,并统计数量x;
计算h=lnb,得到第三分数score3=h*10;b为正整数,分数越低越好
计算总分数scoretotal=k1*score1+k2*score2+k3*score3,k1、k2、k3可做比例调节,默认k1=k2=k3=1,选出总分数最低的地图,认为是相对好,并记录建图最佳参数至配置文件作为默认参数。
最后返回scoretotal=k1*score1+k2*score2+k3*score3。
如图4,流程步骤:
1.现场人员勘察现场;
2.沿场地利用内置slam程序进行建图保存;
3.判断是否需要地图评价,如不需要直接保存结束;
4.修改建图参数,包括:
i.里成计误差模型alpha1、alpha2、alpha3、alpha4;
ii.激光观测模型参数,激光最大观测距离,激光数据使用距离,滤波降噪参数;
iii.匹配参数,激光匹配的迭代步数,使用的激光数数量,频率;
5.调整好后再次建图保存;
6.将两次地图进行评价对比,对比结果,在前端界面列出各个维度的详细分数,以及最终总比分;
7.如不满意,可回到步骤4继续执行;
8.前端界面列出所有地图的各个维度的详细分数,以及最终总比分,部署人员选出评价最高的那张,并记录建图最佳参数至配置文件做默认参数。
根据本发明提供的二维栅格地图评价***,包括:模块M1:计算占据栅格占整个地图的比例,得到第一分数;模块M2:获取角点的数量,得到第二分数;模块M3:计算封闭区域的数量,得到第三分数;模块M4:根据第一分数、第二分数、第三分数的总和,得到评价最高的地图。
通过激光扫描障碍物或者墙体,得到障碍物在激光坐标系下的坐标x=r*cos(θ),y=r*sin(θ),其中,θ为激光束的角度,r为障碍物的距离;根据激光在地图坐标系中的坐标为(Xlaser,Ylaser),得到障碍物在地图中的坐标Xmap=Xlaser+x,Ymap=Ylaser+y;找到障碍物在地图中的坐标的索引,将该位置的像素值设置为黑色,在整个图中,黑色占据的像素数量越高,说明激光扫描数据越不准确;先进行二值化将地图内的灰色未知部分变成白色,然后遍历整张图片,将黑像素值提取出来并计数,然后通过计算得到占据百分比a。
设置比例参数k,当a>=0.2时,表明建图效果不符合预设要求,设常值k=10;当0.01<a<0.2时,k=a;当a<0.01时,表明建图地点空旷无障碍,设常值k=7;得到第一分数score1=k*100。先将图片转换成灰度图,然后使用Harris角点算法提取角点,统计角点数量,得到第二分数score2=角点数量。先将图片转换成灰度图,然后使用Suzuki轮廓跟踪算法检查封闭区域,并统计数量b;计算h=lnb,b为正整数得到第三分数score3=h*100;计算总分数scoretotal=k1*score1+k2*score2+k3*score3,选出总分数最低的地图,并记录建图最佳参数至配置文件作为默认参数。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的***、装置及其各个模块以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的***、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以,本发明提供的***、装置及其各个模块可以被认为是一种硬件部件,而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构;也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种二维栅格地图评价方法,其特征在于,包括:
步骤1:进行地图构建并保存;
步骤2:判断构建的地图是否需要评价,若不需要则结束流程,否则执行步骤3;
步骤3:进行参数调整,并再次进行地图构建;
步骤4:对两次构建的地图进行评价比较,并将结果在前端进行显示;
步骤5:判断地图是否符合预设要求,若是则选定地图并保存参数,然后结束流程,否则返回步骤3继续执行。
2.根据权利要求1所述的二维栅格地图评价方法,其特征在于,通过激光扫描障碍物或者墙体,得到障碍物在激光坐标系下的坐标x=r*cos(θ),y=r*sin(θ),其中,θ为激光束的角度,r为障碍物的距离;根据激光在地图坐标系中的坐标为(Xlaser,Ylaser),得到障碍物在地图中的坐标Xmap=Xlaser+x,Ymap=Ylaser+y;
找到障碍物在地图中的坐标的索引,将该位置的像素值设置为黑色,在整个图中,黑色占据的像素数量越高,说明激光扫描数据越不准确;
先进行二值化将地图内的灰色未知部分变成白色,然后遍历整张图片,将黑像素值提取出来并计数,然后通过计算得到占据百分比a。
3.根据权利要求2所述的二维栅格地图评价方法,其特征在于,当a≥0.2时,表明建图效果不符合预设要求,设常值k=10;
当0.01<a<0.2时,表明建图效果处在预设范围内,则k=a;
当a<0.01时,表明建图地点空旷无障碍,设常值k=7;
得到第一分数score1=k*100,分数越低越好。
4.根据权利要求3所述的二维栅格地图评价方法,其特征在于,先将图片转换成灰度图,然后使用Harris角点算法提取角点,统计角点数量,得到第二分数score2=角点数量,分数越低越好。
5.根据权利要求4所述的二维栅格地图评价方法,其特征在于,先将图片转换成灰度图,然后使用Suzuki轮廓跟踪算法检查封闭区域,并统计数量b;
计算h=lnb,得到第三分数score3=h*10;b为正整数,分数越低越好;
计算总分数scoretotal=k1*score1+k2*score2+k3*score3,k1、k2、k3为比例系数,选出总分数最低的地图为最佳建图,并记录对应参数至配置文件作为默认参数。
6.一种二维栅格地图评价***,其特征在于,包括:
模块M1:进行地图构建并保存;
模块M2:判断构建的地图是否需要评价,若不需要则结束流程,否则执行模块M3;
模块M3:进行参数调整,并再次进行地图构建;
模块M4:对两次构建的地图进行评价比较,并将结果在前端进行显示;
模块M5:判断地图是否符合预设要求,若是则选定地图并保存参数,然后结束流程,否则返回模块M3继续执行。
7.根据权利要求6所述的二维栅格地图评价***,其特征在于,通过激光扫描障碍物或者墙体,得到障碍物在激光坐标系下的坐标x=r*cos(θ),y=r*sin(θ),其中,θ为激光束的角度,r为障碍物的距离;根据激光在地图坐标系中的坐标为(Xlaser,Ylaser),得到障碍物在地图中的坐标Xmap=Xlaser+x,Ymap=Ylaser+y;
找到障碍物在地图中的坐标的索引,将该位置的像素值设置为黑色,在整个图中,黑色占据的像素数量越高,说明激光扫描数据越不准确;
先进行二值化将地图内的灰色未知部分变成白色,然后遍历整张图片,将黑像素值提取出来并计数,然后通过计算得到占据百分比a。
8.根据权利要求7所述的二维栅格地图评价***,其特征在于,当a≥0.2时,表明建图效果不符合预设要求,设常值k=10;
当0.01<a<0.2时,表明建图效果处在预设范围内,则k=a;
当a<0.01时,表明建图地点空旷无障碍,设常值k=7;
得到第一分数score1=k*100,分数越低越好。
9.根据权利要求8所述的二维栅格地图评价***,其特征在于,先将图片转换成灰度图,然后使用Harris角点算法提取角点,统计角点数量,得到第二分数score2=角点数量,分数越低越好。
10.根据权利要求9所述的二维栅格地图评价***,其特征在于,先将图片转换成灰度图,然后使用Suzuki轮廓跟踪算法检查封闭区域,并统计数量b;
计算h=lnb,得到第三分数score3=h*10;b为正整数,分数越低越好;
计算总分数scoretotal=k1*score1+k2*score2+k3*score3,k1、k2、k3为比例系数,选出总分数最低的地图为最佳建图,并记录对应参数至配置文件作为默认参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111518368.3A CN114170348A (zh) | 2021-12-13 | 2021-12-13 | 二维栅格地图评价方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111518368.3A CN114170348A (zh) | 2021-12-13 | 2021-12-13 | 二维栅格地图评价方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114170348A true CN114170348A (zh) | 2022-03-11 |
Family
ID=80486251
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111518368.3A Pending CN114170348A (zh) | 2021-12-13 | 2021-12-13 | 二维栅格地图评价方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114170348A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108550134A (zh) * | 2018-03-05 | 2018-09-18 | 北京三快在线科技有限公司 | 建图效果指标的确定方法和建图效果指标的确定装置 |
CN110411435A (zh) * | 2018-04-26 | 2019-11-05 | 北京京东尚科信息技术有限公司 | 机器人定位方法、装置以及机器人 |
CN113409410A (zh) * | 2021-05-19 | 2021-09-17 | 杭州电子科技大学 | 一种基于3d激光雷达的多特征融合igv定位与建图方法 |
CN113538620A (zh) * | 2021-06-17 | 2021-10-22 | 同济人工智能研究院(苏州)有限公司 | 一种面向二维栅格地图的slam建图结果评价方法 |
-
2021
- 2021-12-13 CN CN202111518368.3A patent/CN114170348A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108550134A (zh) * | 2018-03-05 | 2018-09-18 | 北京三快在线科技有限公司 | 建图效果指标的确定方法和建图效果指标的确定装置 |
CN110411435A (zh) * | 2018-04-26 | 2019-11-05 | 北京京东尚科信息技术有限公司 | 机器人定位方法、装置以及机器人 |
CN113409410A (zh) * | 2021-05-19 | 2021-09-17 | 杭州电子科技大学 | 一种基于3d激光雷达的多特征融合igv定位与建图方法 |
CN113538620A (zh) * | 2021-06-17 | 2021-10-22 | 同济人工智能研究院(苏州)有限公司 | 一种面向二维栅格地图的slam建图结果评价方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111563442B (zh) | 基于激光雷达的点云和相机图像数据融合的slam方法及*** | |
CN107169986B (zh) | 一种障碍物检测方法及*** | |
WO2022188663A1 (zh) | 一种目标检测方法及装置 | |
CN112462758B (zh) | 一种建图方法、装置、计算机可读存储介质及机器人 | |
Son et al. | Rapid 3D object detection and modeling using range data from 3D range imaging camera for heavy equipment operation | |
Valero et al. | Detection, modeling, and classification of moldings for automated reverse engineering of buildings from 3D data | |
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 | |
CN114972968A (zh) | 基于多重神经网络的托盘识别和位姿估计方法 | |
CN111026115A (zh) | 一种基于深度学习的机器人避障控制方法及装置 | |
CN116109601A (zh) | 一种基于三维激光雷达点云的实时目标检测方法 | |
CN113593035A (zh) | 一种运动控制决策生成方法、装置、电子设备及存储介质 | |
CN113538620A (zh) | 一种面向二维栅格地图的slam建图结果评价方法 | |
CN116563262A (zh) | 基于多模态的建筑裂缝检测算法 | |
CN115222884A (zh) | 一种基于人工智能的空间对象分析及建模优化方法 | |
Lin et al. | $ k $-segments-based geometric modeling of VLS scan lines | |
WO2011085433A1 (en) | Acceptation/rejection of a classification of an object or terrain feature | |
CN114170348A (zh) | 二维栅格地图评价方法和*** | |
CN116385292A (zh) | 一种IMU辅助的LiDAR动态点云剔除方法 | |
CN115131459B (zh) | 平面布置图重建方法及装置 | |
CN113284232B (zh) | 一种基于四叉树的光流跟踪方法 | |
CN114140608B (zh) | 一种光伏板标记方法、装置、电子设备及存储介质 | |
Panday | Fitting of parametric building models to oblique aerial images | |
CN115656991A (zh) | 车辆外参标定方法、装置、设备以及存储介质 | |
CN113592705A (zh) | 一种房型结构分析方法及装置 | |
Varkonyi-Koczy | Autonomous 3D model reconstruction and its intelligent applications in vehicle system dynamics part I: Theory |
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 |