CN114372914A - 应用于矿用电铲上的机械式激光雷达点云预处理方法 - Google Patents
应用于矿用电铲上的机械式激光雷达点云预处理方法 Download PDFInfo
- Publication number
- CN114372914A CN114372914A CN202210033914.2A CN202210033914A CN114372914A CN 114372914 A CN114372914 A CN 114372914A CN 202210033914 A CN202210033914 A CN 202210033914A CN 114372914 A CN114372914 A CN 114372914A
- Authority
- CN
- China
- Prior art keywords
- frame
- coordinate system
- point cloud
- axis
- vehicle body
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000005065 mining Methods 0.000 title claims abstract description 25
- 238000007781 pre-processing Methods 0.000 title claims abstract description 22
- 238000001914 filtration Methods 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000012937 correction Methods 0.000 claims abstract description 13
- 238000006073 displacement reaction Methods 0.000 claims description 58
- 230000009466 transformation Effects 0.000 claims description 43
- 230000008859 change Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000008447 perception Effects 0.000 abstract description 7
- 238000000605 extraction Methods 0.000 abstract description 5
- 238000005259 measurement Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/0014—Image feed-back for automatic industrial control, e.g. robot with camera
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06T17/005—Tree description, e.g. octree, quadtree
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Robotics (AREA)
- Navigation (AREA)
- Operation Control Of Excavators (AREA)
Abstract
本发明涉及一种应用于矿用电铲上的机械式激光雷达点云预处理方法,属于工程车辆与环境感知技术领域。包括离群点滤除,振动畸变矫正及感兴趣区域提取三个步骤,将输入的一帧点云信息经过基于KD树的密度滤波方法滤除离群点,之后应用高频组合导航提供的里程计信息和惯性测量单元(IMU)信息将该帧点云所有点均统一至该帧点云最后一点时刻的车体坐标系下完成振动畸变矫正,最后经过感兴趣区域提取步骤保留电铲前方特定区域的点云信息,完成了整个点云预处理步骤。该方法在矫正了机械式激光雷达采集到的点云数据由于电铲振动而造成的畸变的同时,提取了所需的电铲前方的感兴趣区域。一定程度上提高了后续点云处理算法的精度及效率。
Description
技术领域
本发明涉及工程车辆与环境感知技术领域,特别涉及一种应用于矿用电铲上的机械式激光雷达点云预处理方法。
背景技术
作为新时代的标签之一,无人驾驶成为各大科研机构和相关企业的研究焦点,作为其中的重要分支,工程车辆无人驾驶技术有着独特的研究意义,是实现工程装备自动化发展的必经之路。工程车辆无人化作业执行环节中通过导航***、激光雷达、相机等传感器获取定位数据和环境数据的任务可以归结为环境感知问题。作为工程车辆无人化作业的第一步,环境感知对于后续环节尤为重要。
与乘用车无人驾驶技术不同,工程车辆工作环境条件差且结构变化复杂。以矿用电铲为例,相较于乘用车,矿用电铲在环境感知技术中应用机械式激光雷达所面临的诸如:车辆振动大,点云数据离群点较多等问题影响了后续点云处理的精度及效率。
点云预处理为应用激光雷达点云数据进行环境感知任务的第一步,应用降采样、去噪、配准等点云预处理方法对原始点云进行处理能很好的消除点云数据中的干扰因素,提高后续点云处理算法的精度及效率。但目前针对应用于矿用电铲的机械式激光雷达的点云预处理方法暂未被提出。
发明内容
本发明的目的在于提供一种应用于矿用电铲上的机械式激光雷达点云预处理方法,解决了矿用电铲在环境感知技术中应用机械式激光雷达所面临的车辆振动大、点云数据离群点较多影响后续点云处理的精度及效率等问题。该方法在矫正了机械式激光雷达采集到的点云数据由于电铲振动而造成的畸变的同时,提取了所需的电铲前方的感兴趣区域。一定程度上提高了后续点云处理算法的精度及效率。
本发明的上述目的通过以下技术方案实现:
一种应用于矿用电铲上的机械式激光雷达点云预处理方法,包括以下三个步骤:
步骤S1:获取安装在矿用电铲上的机械式激光雷达的一帧点云信息,将该帧点云信息首先经过离群点滤除处理;所述的一帧点云信息主要包括每个点在车体坐标系下的坐标,及每个点读入设备的时间戳;
步骤S2:矫正经过离群点滤除处理的点云数据的振动畸变;
步骤S3:从经过电铲振动畸变矫正的点云信息中提取感兴趣区域。
进一步的,所述步骤S1离群点滤除处理应用基于KD树的密度滤波方法,具体包括:
步骤S101:创建输入点云的三维KD树;
步骤S102:应用所述三维KD树搜索该帧点云每个点周围最邻近的K个点,并得到每个点与各自最邻近K个点的欧氏距离,同时计算每个点与各自最邻近K个点的欧式距离的平均值di;
步骤S103:计算密度阈值t;
t=dav+s;
其中,t为所述密度阈值;dav为所述该帧点云所有点与各自最邻近K个点的欧式距离的平均值di的平均值,N为所述该帧点云中点的个数;s为所述该帧点云所有点与各自最邻近K个点的欧式距离的平均值di的标准差,
步骤S104:遍历该帧点云所有点,判断是否满足滤波条件,将满足滤波条件的点滤除;所述滤波条件为:判断该帧点云每个点与各自最邻近K个点的欧式距离的平均值di是否大于密度阈值t且判断该帧点云每个点与各自最邻近的K个点的欧氏距离小于t的点的个数是否小于0.84K。
进一步的,所述步骤S2具体包括:
步骤S201:从高频组合导航中读入里程计数据和惯性测量单元(Inertialmeasurement unit,IMU)数据,并将读入的数据存入各自的缓存队列内等待处理;所述里程计数据和IMU数据主要包括电铲在里程计坐标系下的X,Y,Z坐标值和姿态角,以及电铲在IMU坐标系下的瞬时角速度,所述高频组合导航提供的信息还包括数据读入设备时的时间戳;所述IMU坐标系与车体坐标系相同,所述车体坐标系X轴正方向为电铲前进方向,Y轴正方向为X轴正方向逆时针旋转90度所指车体左侧方向,Z轴正方向垂直于X轴和Y轴竖直向上,所述高频组合导航频率为100HZ;
步骤S202:IMU数据缓存队列初始化;将IMU数据缓存队列内时间戳位于该帧点云第一个点时间戳之前0.01S的数据从缓存队列中清除,遍历IMU数据缓存队列内当前点云帧起始时刻前0.01S至终止时刻后0.01S间的IMU数据,初始化该区间内最后一帧IMU数据时间戳所对应的绕车体坐标系X轴,Y轴,Z轴的相对旋转角为0,同时令该区间内最后一帧IMU数据时间戳所对应的车体坐标系为IMU基准坐标系,通过时间间隔和角速度分别计算该区间内每一帧IMU数据相对于最后一帧IMU数据时间间隔内车体坐标系由于电铲振动产生的角度变换量;
步骤S203:里程计数据缓存队列初始化;将里程计数据缓存队列内时间戳位于该帧点云第一个点时间戳之前0.01S的数据从缓存队列中清除,遍历里程计数据缓存队列内当前点云帧起始时刻前0.01S至终止时刻后0.01S间的里程计数据,令该区间内最后一帧里程计数据时间戳所对应的车体坐标系为里程计基准坐标系,通过电铲的X,Y,Z坐标值及姿态角分别计算该区间内每一帧里程计数据相对于最后一帧里程计数据时间间隔内车体坐标系由于电铲振动产生的位移变换量;
所述IMU数据和里程计数据均由所述高频组合导航提供,所述步骤S202中的IMU基准坐标系与所述步骤S203中的里程计基准坐标系为同一车体坐标系,统称为基准坐标系。
步骤S204:应用所述经过处理的高频组合导航提供的IMU数据和里程计数据将该帧点云内所有点的坐标均统一至该帧点云最后一点时刻的车体坐标系下。
进一步的,所述步骤S3具体包括:
遍历该帧点云中的所有点,将所有X坐标值为负的或Y坐标值位于区间[-a,a]外的点从该帧点云中滤除,保留的剩余部分即为所需感兴趣区域;
所述的X轴正方向为电铲前进方向,Y轴与X轴垂直,Y轴正方向为X轴正方向逆时针旋转90度所指车体左侧方向;a为电铲宽度。
可选的,所述步骤S204应用所述经过处理的高频组合导航提供的IMU数据和里程计数据将该帧点云内所有点的坐标均统一至该帧点云最后一点时刻的车体坐标系下,具体包括:
遍历所述该帧点云中的所有点;
根据所遍历该帧点云当前点的时间戳在IMU数据缓存队列内找到最邻近的前后两帧IMU数据,根据前后两帧IMU数据的时间戳及所计算的相对于所述区间内最后一帧IMU数据时间间隔内车体坐标系由于振动所产生的角度变换量和所遍历该帧点云当前点的时间戳,分别计算所遍历该帧点云当前点所在的车体坐标系相对于基准坐标系由于电铲振动所产生的绕X轴,Y轴,Z轴的角度变化量dθx,dθy,dθz;
其中dθx为所遍历该帧点云当前点车体坐标系相对于基准坐标系由于电铲振动所产生的绕X轴的角度变化量;T为所遍历该帧点云当前点的时间戳;Tf为在所述IMU数据缓存队列内根据所遍历该帧点云当前点时间戳找到的最邻近的前一帧IMU数据的时间戳;Tb为在所述IMU数据缓存队列内根据所遍历该帧点云当前点时间戳找到的最邻近的后一帧IMU数据的时间戳,且Tb>Tf;θxf为所述前一帧IMU数据相对于所述区间内最后一帧IMU数据时间间隔内车体坐标系由于电铲振动所产生的绕X轴的角度变换量,θxb为所述后一帧IMU数据相对于所述区间内最后一帧IMU数据时间间隔内车体坐标系由于电铲振动所产生的绕X轴的角度变换量;
dθy为所遍历该帧点云当前点车体坐标系相对于基准坐标系由于电铲振动所产生的绕Y轴的角度变化量,θyf为所述前一帧IMU数据相对于所述区间内最后一帧IMU数据时间间隔内车体坐标系由于电铲振动所产生的绕Y轴的角度变换量,θyb为所述后一帧IMU数据相对于所述区间内最后一帧IMU数据时间间隔内车体坐标系由于电铲振动所产生的绕Y轴的角度变换量;
dθz为所遍历该帧点云当前点车体坐标系相对于基准坐标系由于电铲振动所产生的绕Z轴的角度变化量,θzf为所述前一帧IMU数据相对于所述区间内最后一帧IMU数据时间间隔内车体坐标系由于电铲振动所产生的绕Z轴的角度变换量,θzb为所述后一帧IMU数据相对于所述区间内最后一帧IMU数据时间间隔内车体坐标系由于电铲振动所产生的绕Z轴的角度变换量;
根据所遍历该帧点云当前点的时间戳在里程计数据缓存队列内找到最邻近的前后两帧里程计数据,根据前后两帧里程计数据的时间戳及所计算的相对于所述区间内最后一帧里程计数据时间间隔内车体坐标系由于振动所产生的位移变换量和所遍历该帧点云当前点的时间戳,分别计算所遍历该帧点云当前点所在的车体坐标系相对于基准坐标系由于电铲振动所产生的沿X轴,Y轴,Z轴的位移变化量dX,dY,dZ;
其中dX为所遍历该帧点云当前点车体坐标系相对于基准坐标系由于电铲振动所产生的沿X轴的位移变化量;T为所遍历该帧点云当前点的时间戳,TOf为所述里程计数据缓存队列内根据所遍历该帧点云当前点时间戳找到的最邻近的前一帧里程计数据的时间戳;TOb为所述里程计数据缓存队列内根据所遍历该帧点云当前点时间戳找到的最邻近的后一帧里程计数据的时间戳,且Tob>Tof;Xf为所述前一帧里程计数据相对于所述区间内最后一帧里程计数据时间间隔内车体坐标系由于电铲振动产生的沿X轴的位移变换量,Xb为所述后一帧里程计数据相对于所述区间内最后一帧里程计数据时间间隔内车体坐标系由于电铲振动产生的沿X轴的位移变换量;
dY为所遍历该帧点云当前点车体坐标系相对于基准坐标系由于电铲振动所产生的沿Y轴的位移变化量,Yf为所述前一帧里程计数据相对于所述区间内最后一帧里程计数据时间间隔内车体坐标系由于电铲振动所产生的沿Y轴的位移变换量,Yb为所述后一帧里程计数据相对于所述区间内最后一帧里程计数据时间间隔内车体坐标系由于电铲振动所产生的沿Y轴的位移变换量;
dZ为所遍历该帧点云当前点车体坐标系相对于基准坐标系由于电铲振动所产生的沿Z轴的位移变化量,Zf为所述前一帧里程计数据相对于所述区间内最后一帧里程计数据时间间隔内车体坐标系由于电铲振动所产生的沿Z轴的位移变换量,Zb为所述后一帧里程计数据相对于所述区间内最后一帧里程计数据时间间隔内车体坐标系由于电铲振动所产生的沿Z轴的位移变化量;
根据所述相对角度变化量dθx,dθy,dθz,和相对位移变化量dX,dY,dZ将该帧点云内所有点的坐标均统一至该帧点云最后一点时刻的车体坐标系下。
可选的,所述根据相对角度变化量dθx,dθy,dθz,和相对位移变化量dX,dY,dZ将该帧点云内所有点的坐标均统一至该帧点云最后一点时刻的车体坐标系下,具体包括:
计算将所遍历该帧点云当前点转换至该帧点云最后一点时刻所在车体坐标系下的对应坐标X1,Y1,Z1;
其中X1为所遍历该帧点云当前点经坐标变换后在该帧点云最后一点时刻车体坐标系下的X轴坐标,Y1为所遍历该帧点云当前点经坐标变换后在该帧点云最后一点时刻车体坐标系下的Y轴坐标,Z1为所遍历该帧点云当前点经坐标变换后在该帧点云最后一点时刻车体坐标系下的Z轴坐标;X为所遍历该帧点云当前点在当前点时刻车体坐标系下的X轴坐标,Y为所遍历该帧点云当前点在当前点时刻车体坐标系下的Y轴坐标,Z为所遍历该帧点云当前点在当前点时刻车体坐标系下的Z轴坐标;dX为所遍历该帧点云当前点车体坐标系相对于基准坐标系由于电铲振动所产生的沿X轴的位移变化量,dY为所遍历该帧点云当前点车体坐标系相对于基准坐标系由于电铲振动所产生的沿Y轴的位移变化量,dZ为所遍历该帧点云当前点车体坐标系相对于基准坐标系由于电铲振动所产生的沿Z轴的位移变化量;dθx为所遍历该帧点云当前点车体坐标系相对于基准坐标系由于电铲振动所产生的绕X轴的角度变化量,dθy为所遍历该帧点云当前点车体坐标系相对于基准坐标系由于电铲振动所产生的绕Y轴的角度变化量,dθz为所遍历该帧点云当前点车体坐标系相对于基准坐标系由于电铲振动所产生的绕Z轴的角度变化量。
TBF为基准坐标系相对于该帧点云最后一点时刻车体坐标系的转换矩阵;
dXf为该帧点云最后一点时刻车体坐标系相对于基准坐标系由于电铲振动所产生的沿X轴的位移变化量,dYf为该帧点云最后一点时刻车体坐标系相对于基准坐标系由于电铲振动所产生的沿Y轴的位移变化量,dZf为该帧点云最后一点时刻车体坐标系相对于基准坐标系由于电铲振动所产生的沿Z轴的位移变化量;dθxf为该帧点云最后一点时刻车体坐标系相对于基准坐标系由于电铲振动所产生的绕X轴的角度变化量,dθyf为该帧点云最后一点时刻车体坐标系相对于基准坐标系由于电铲振动所产生的绕Y轴的角度变化量,dθzf为该帧点云最后一点时刻车体坐标系相对于基准坐标系由于电铲振动所产生的绕Z轴的角度变化量。
本发明的有益效果在于:本发明提供了一种应用于矿用电铲上的机械式激光雷达点云预处理方法,所述方法首先将获取到的一帧点云信息经过基于KD树的密度滤波方法进行离群点滤除处理,之后应用高频组合导航提供的IMU数据和里程计数据将该帧点云所有点均统一至该帧点云最后一点时刻的车体坐标系下进而矫正点云的振动畸变,最后提取感兴趣区域。所述方法可以用于解决在矿用电铲上应用机械式激光雷达进行环境感知遇到的车辆振动大,点云离群点多从而影响后续点云处理的精度及效率的问题。提高了后续点云处理算法的精度及效率,减小计算量。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明的应用于矿用电铲上的机械式激光雷达点云预处理方法流程图;
图2为本发明的应用于矿用电铲上的机械式激光雷达点云预处理方法离群点滤除步骤流程图;
图3为本发明的应用于矿用电铲上的机械式激光雷达点云预处理方法振动畸变矫正步骤流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方法对本发明作进一步详细的说明。
参见图1至图3所示,本发明所提供的应用于矿用电铲上的机械式激光雷达点云预处理方法能够提高后续点云处理算法的精度,减小计算量。本发明提供的激光雷达点云预处理方法具体包括如下步骤:
步骤S1:获取安装在矿用电铲上的机械式激光雷达的一帧点云信息,将该帧点云信息首先经过离群点滤除处理。
所述的机械式激光雷达频率为10HZ。所述的点云信息主要包括每个点在车体坐标系下的坐标,及每个点读入设备的时间戳。所述的离群点滤除步骤应用基于KD树的密度滤波方法。
参见图2所示,离群点滤除的具体实现步骤为:
步骤S101:创建输入点云的三维KD树。
步骤S102:应用所述三维KD树搜索该帧点云每个点周围最邻近的K个点,并得到每个点与各自最邻近K个点的欧氏距离,同时计算每个点与各自最邻近K个点的欧式距离的平均值di。
步骤S103:应用所述该帧点云每个点与各自最邻近K个点的欧式距离的平均值di计算密度阈值。
t=dav+s
在本实施例中点云帧点的个数N范围为[28800,30000],邻近点个数K=45。
步骤S104:遍历所有点,判断是否满足滤波条件,将满足滤波条件的点滤除。所述滤波条件为:判断该帧点云每个点与各自最邻近K个点的欧式距离的平均值di是否大于密度阈值t且判断该帧点云每个点与各自最邻近的K个点的欧氏距离小于t的点的个数是否小于0.84K。
完成上述步骤后,即将原始点云中的不利于后续处理的离群点全部滤除。提出的基于KD树的密度滤波方法在保证了算法实时性的基础上能很好的滤除点云中的离群点,一定程度上提高了后续振动畸变矫正及感兴趣区域提取步骤的效率。
步骤S2:矫正经过离群点滤除处理的点云数据的振动畸变。
参见图3所示,振动畸变矫正的具体实现步骤为:
步骤S201:从高频组合导航中读入里程计数据和IMU数据,并将读入的数据存入各自的缓存队列内等待处理。
所述高频组合导航的频率为100HZ;所述里程计数据和IMU数据主要包括电铲在里程计坐标系下的X,Y,Z坐标值和姿态角,以及电铲在IMU坐标系下的瞬时角速度,所述高频组合导航提供的信息还包括数据读入设备时的时间戳;所述IMU坐标系与车体坐标系相同,所述车体坐标系X轴正方向为电铲前进方向,Y轴正方向为X轴正方向逆时针旋转90度所指车体左侧方向,Z轴正方向垂直于X轴和Y轴竖直向上。
步骤S202:IMU数据缓存队列初始化。
所述IMU数据缓存队列初始化具体实现为:将IMU数据缓存队列内时间戳位于该帧点云第一个点时间戳之前0.01S的数据从缓存队列中清除,遍历IMU数据缓存队列内当前点云帧起始时刻前0.01S至终止时刻后0.01S间的IMU数据,初始化该区间内最后一帧IMU数据时间戳所对应的绕车体坐标系X轴,Y轴,Z轴的相对旋转角为0,同时令该区间内最后一帧IMU数据时间戳所对应的车体坐标系为IMU基准坐标系,通过时间间隔和角速度分别计算该区间内每一帧IMU数据相对于最后一帧IMU数据时间间隔内车体坐标系由于电铲振动产生的角度变换量。
步骤S203:里程计数据缓存队列初始化。
所述里程计数据缓存队列初始化具体实现为:将里程计数据缓存队列内时间戳位于该帧点云第一个点时间戳之前0.01S的数据从缓存队列中清除,遍历里程计数据缓存队列内当前点云帧起始时刻前0.01S至终止时刻后0.01S间的里程计数据,令该区间内最后一帧里程计数据时间戳所对应的车体坐标系为里程计基准坐标系,通过电铲的X,Y,Z坐标值及姿态角分别计算该区间内每一帧里程计数据相对于最后一帧里程计数据时间间隔内车体坐标系由于电铲振动产生的位移变换量。
所述IMU数据和里程计数据均由所述高频组合导航提供,所述步骤S202中的IMU基准坐标系与所述步骤S203中的里程计基准坐标系为同一车体坐标系,统称为基准坐标系。
步骤S204:应用所述经过处理的高频组合导航提供的IMU数据和里程计数据将该帧点云内所有点的坐标均统一至该帧点云最后一点时刻的车体坐标系下。具体实现为:遍历该帧点云的所有点,根据所遍历该帧点云当前点的时间戳在IMU数据缓存队列内找到最邻近的前后两帧IMU数据,根据前后两帧IMU数据的时间戳及所计算的相对于所述区间内最后一帧IMU数据时间间隔内车体坐标系由于振动所产生的角度变换量和所遍历该帧点云当前点的时间戳,分别计算所遍历该帧点云当前点所在的车体坐标系相对于基准坐标系由于电铲振动所产生的绕X轴,Y轴,Z轴的角度变化量dθx,dθy,dθz。
其中dθx为所遍历该帧点云当前点车体坐标系相对于基准坐标系由于电铲振动所产生的绕X轴的角度变化量;T为所遍历该帧点云当前点的时间戳;Tf为在所述IMU数据缓存队列内根据所遍历该帧点云当前点时间戳找到的最邻近的前一帧IMU数据的时间戳;Tb为在所述IMU数据缓存队列内根据所遍历该帧点云当前点时间戳找到的最邻近的后一帧IMU数据的时间戳,且Tb>Tf;θxf为所述前一帧IMU数据相对于所述区间内最后一帧IMU数据时间间隔内车体坐标系由于电铲振动所产生的绕X轴的角度变换量,θxb为所述后一帧IMU数据相对于所述区间内最后一帧IMU数据时间间隔内车体坐标系由于电铲振动所产生的绕X轴的角度变换量。
dθy为所遍历该帧点云当前点车体坐标系相对于基准坐标系由于电铲振动所产生的绕Y轴的角度变化量,θyf为所述前一帧IMU数据相对于所述区间内最后一帧IMU数据时间间隔内车体坐标系由于电铲振动所产生的绕Y轴的角度变换量,θyb为所述后一帧IMU数据相对于所述区间内最后一帧IMU数据时间间隔内车体坐标系由于电铲振动所产生的绕Y轴的角度变换量。
dθz为所遍历该帧点云当前点车体坐标系相对于基准坐标系由于电铲振动所产生的绕Z轴的角度变化量,θzf为所述前一帧IMU数据相对于所述区间内最后一帧IMU数据时间间隔内车体坐标系由于电铲振动所产生的绕Z轴的角度变换量,θzb为所述后一帧IMU数据相对于所述区间内最后一帧IMU数据时间间隔内车体坐标系由于电铲振动所产生的绕Z轴的角度变换量。
根据所遍历该帧点云当前点的时间戳在里程计数据缓存队列内找到最邻近的前后两帧里程计数据,根据前后两帧里程计数据的时间戳及所计算的相对于所述区间内最后一帧里程计数据时间间隔内车体坐标系由于振动所产生的位移变换量和所遍历该帧点云当前点的时间戳,分别计算所遍历该帧点云当前点所在的车体坐标系相对于基准坐标系由于电铲振动所产生的沿X轴,Y轴,Z轴的位移变化量dX,dY,dZ。
其中dX为所遍历该帧点云当前点车体坐标系相对于基准坐标系由于电铲振动所产生的沿X轴的位移变化量;T为所遍历该帧点云当前点的时间戳,TOf为所述里程计数据缓存队列内根据所遍历该帧点云当前点时间戳找到的最邻近的前一帧里程计数据的时间戳;TOb为所述里程计数据缓存队列内根据所遍历该帧点云当前点时间戳找到的最邻近的后一帧里程计数据的时间戳,且Tob>Tof;Xf为所述前一帧里程计数据相对于所述区间内最后一帧里程计数据时间间隔内车体坐标系由于电铲振动产生的沿X轴的位移变换量,Xb为所述后一帧里程计数据相对于所述区间内最后一帧里程计数据时间间隔内车体坐标系由于电铲振动产生的沿X轴的位移变换量。
dY为所遍历该帧点云当前点车体坐标系相对于基准坐标系由于电铲振动所产生的沿Y轴的位移变化量,Yf为所述前一帧里程计数据相对于所述区间内最后一帧里程计数据时间间隔内车体坐标系由于电铲振动所产生的沿Y轴的位移变换量,Yb为所述后一帧里程计数据相对于所述区间内最后一帧里程计数据时间间隔内车体坐标系由于电铲振动所产生的沿Y轴的位移变换量。
dZ为所遍历该帧点云当前点车体坐标系相对于基准坐标系由于电铲振动所产生的沿Z轴的位移变化量,Zf为所述前一帧里程计数据相对于所述区间内最后一帧里程计数据时间间隔内车体坐标系由于电铲振动所产生的沿Z轴的位移变换量,Zb为所述后一帧里程计数据相对于所述区间内最后一帧里程计数据时间间隔内车体坐标系由于电铲振动所产生的沿Z轴的位移变化量。
计算将所遍历该帧点云当前点转换至该帧点云最后一点时刻所在车体坐标系下的对应坐标X1,Y1,Z1。
其中X1为所遍历该帧点云当前点经坐标变换后在该帧点云最后一点时刻车体坐标系下的X轴坐标,Y1为所遍历该帧点云当前点经坐标变换后在该帧点云最后一点时刻车体坐标系下的Y轴坐标,Z1为所遍历该帧点云当前点经坐标变换后在该帧点云最后一点时刻车体坐标系下的Z轴坐标;X为所遍历该帧点云当前点在当前点时刻车体坐标系下的X轴坐标,Y为所遍历该帧点云当前点在当前点时刻车体坐标系下的Y轴坐标,Z为所遍历该帧点云当前点在当前点时刻车体坐标系下的Z轴坐标;dX为所遍历该帧点云当前点车体坐标系相对于基准坐标系由于电铲振动所产生的沿X轴的位移变化量,dY为所遍历该帧点云当前点车体坐标系相对于基准坐标系由于电铲振动所产生的沿Y轴的位移变化量,dZ为所遍历该帧点云当前点车体坐标系相对于基准坐标系由于电铲振动所产生的沿Z轴的位移变化量;dθx为所遍历该帧点云当前点车体坐标系相对于基准坐标系由于电铲振动所产生的绕X轴的角度变化量,dθy为所遍历该帧点云当前点车体坐标系相对于基准坐标系由于电铲振动所产生的绕Y轴的角度变化量,dθz为所遍历该帧点云当前点车体坐标系相对于基准坐标系由于电铲振动所产生的绕Z轴的角度变化量。
TBF为基准坐标系相对于该帧点云最后一点时刻车体坐标系的转换矩阵;
dXf为该帧点云最后一点时刻车体坐标系相对于基准坐标系由于电铲振动所产生的沿X轴的位移变化量,dYf为该帧点云最后一点时刻车体坐标系相对于基准坐标系由于电铲振动所产生的沿Y轴的位移变化量,dZf为该帧点云最后一点时刻车体坐标系相对于基准坐标系由于电铲振动所产生的沿Z轴的位移变化量;dθxf为该帧点云最后一点时刻车体坐标系相对于基准坐标系由于电铲振动所产生的绕X轴的角度变化量,dθyf为该帧点云最后一点时刻车体坐标系相对于基准坐标系由于电铲振动所产生的绕Y轴的角度变化量,dθzf为该帧点云最后一点时刻车体坐标系相对于基准坐标系由于电铲振动所产生的绕Z轴的角度变化量。
完成上述步骤后所得到的点云数据即为经过离群点滤除及电铲振动畸变矫正后的点云数据,相比于原始点云数据,经过离群点滤除和电铲振动畸变矫正处理后的点云数据更能反应周围的环境信息,一定程度上能够提高后续点云处理算法的精度。
步骤S3:从经过电铲振动畸变矫正的点云信息中提取感兴趣区域。
所述的提取感兴趣区域步骤具体实现为:遍历该帧点云中的所有点,将所有X坐标值为负的或Y坐标值位于区间[-a,a]外的点从该帧点云中滤除,保留的剩余部分即为所需感兴趣区域。
所述的X轴正方向为电铲前进方向,Y轴与X轴垂直,Y轴正方向为X轴正方向逆时针旋转90度所指车体左侧方向;a为电铲宽度。
经过感兴趣区域提取处理后保留了所需的电铲前方特定区域的信息,减少了后续算法的计算量,提高了计算效率。
可见,本发明所提供的一种应用于矿用电铲上的机械式激光雷达点云预处理方法包括离群点滤除,振动畸变矫正及感兴趣区域提取三个步骤,将输入的一帧点云信息经过基于KD树的密度滤波方法滤除离群点,之后应用高频组合导航提供的里程计信息和IMU信息将该帧点云所有点均统一至该帧点云最后一点时刻的车体坐标系下完成振动畸变矫正,最后经过感兴趣区域提取步骤保留电铲前方特定区域的点云信息,完成了整个点云预处理步骤。该方法在矫正了机械式激光雷达采集到的点云数据由于电铲振动而造成的畸变的同时,提取了所需的电铲前方的感兴趣区域。一定程度上提高了后续点云处理算法的精度及效率。
以上所述仅为本发明的优选实例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡对本发明所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种应用于矿用电铲上的机械式激光雷达点云预处理方法,其特征在于:包括如下步骤:
步骤S1:获取安装在矿用电铲上的机械式激光雷达的一帧点云信息,将该帧点云信息首先经过离群点滤除处理;所述的一帧点云信息包括每个点在车体坐标系下的坐标,及每个点读入设备的时间戳;所述的离群点滤除处理应用基于KD树的密度滤波方法,具体包括:
步骤S101:创建输入点云的三维KD树;
步骤S102:应用所述三维KD树搜索该帧点云每个点周围最邻近的K个点,并得到每个点与各自最邻近K个点的欧氏距离,同时计算每个点与各自最邻近K个点的欧式距离的平均值di;
步骤S103:计算密度阈值t;
t=dav+s;
其中,t为所述密度阈值;dav为所述该帧点云所有点与各自最邻近K个点的欧式距离的平均值di的平均值,N为所述该帧点云中点的个数;s为所述该帧点云所有点与各自最邻近K个点的欧式距离的平均值di的标准差,
步骤S104:遍历该帧点云所有点,判断是否满足滤波条件,将满足滤波条件的点滤除;所述滤波条件为:判断该帧点云每个点与各自最邻近K个点的欧式距离的平均值di是否大于密度阈值t且判断该帧点云每个点与各自最邻近的K个点的欧氏距离小于t的点的个数是否小于0.84K;
步骤S2:矫正经过离群点滤除处理的点云数据的振动畸变;
步骤S3:从经过电铲振动畸变矫正的点云信息中提取感兴趣区域。
2.根据权利要求1所述的应用于矿用电铲上的机械式激光雷达点云预处理方法,其特征在于:步骤S2所述的矫正经过离群点滤除处理的点云数据的振动畸变,具体是:
步骤S201:从高频组合导航中读入里程计数据和IMU数据,并将读入的数据存入各自的缓存队列内等待处理;所述里程计数据和IMU数据包括电铲在里程计坐标系下的X,Y,Z坐标值和姿态角,以及电铲在IMU坐标系下的瞬时角速度,所述高频组合导航提供的信息还包括数据读入设备时的时间戳;所述IMU坐标系与车体坐标系相同,所述车体坐标系X轴正方向为电铲前进方向,Y轴正方向为X轴正方向逆时针旋转90度所指车体左侧方向,Z轴正方向垂直于X轴和Y轴竖直向上,所述高频组合导航频率为100HZ;
步骤S202:IMU数据缓存队列初始化;将IMU数据缓存队列内时间戳位于该帧点云第一个点时间戳之前0.01S的数据从缓存队列中清除,遍历IMU数据缓存队列内当前点云帧起始时刻前0.01S至终止时刻后0.01S间的IMU数据,初始化该区间内最后一帧IMU数据时间戳所对应的绕车体坐标系X轴,Y轴,Z轴的相对旋转角为0,同时令该区间内最后一帧IMU数据时间戳所对应的车体坐标系为IMU基准坐标系,通过时间间隔和角速度分别计算该区间内每一帧IMU数据相对于最后一帧IMU数据时间间隔内车体坐标系由于电铲振动产生的角度变换量;
步骤S203:里程计数据缓存队列初始化;将里程计数据缓存队列内时间戳位于该帧点云第一个点时间戳之前0.01S的数据从缓存队列中清除,遍历里程计数据缓存队列内当前点云帧起始时刻前0.01S至终止时刻后0.01S间的里程计数据,令该区间内最后一帧里程计数据时间戳所对应的车体坐标系为里程计基准坐标系,通过电铲的X,Y,Z坐标值及姿态角分别计算该区间内每一帧里程计数据相对于最后一帧里程计数据时间间隔内车体坐标系由于电铲振动产生的位移变换量;
所述IMU数据和里程计数据均由所述高频组合导航提供,所述步骤S202中的IMU基准坐标系与所述步骤S203中的里程计基准坐标系为同一车体坐标系,统称为基准坐标系;
步骤S204:应用经过处理的高频组合导航提供的IMU数据和里程计数据将该帧点云内所有点的坐标均统一至该帧点云最后一点时刻的车体坐标系下。
3.根据权利要求1所述的应用于矿用电铲上的机械式激光雷达点云预处理方法,其特征在于:步骤S3所述的从经过电铲振动畸变矫正的点云信息中提取感兴趣区域,具体是:遍历该帧点云中的所有点,将所有X坐标值为负的或Y坐标值位于区间[-a,a]外的点从该帧点云中滤除,保留的剩余部分即为所需感兴趣区域;
所述的X轴正方向为电铲前进方向,Y轴与X轴垂直,Y轴正方向为X轴正方向逆时针旋转90度所指车体左侧方向;a为电铲宽度。
4.根据权利要求2所述的应用于矿用电铲上的机械式激光雷达点云预处理方法,其特征在于:步骤S204所述的应用经过处理的高频组合导航提供的IMU数据和里程计数据将该帧点云内所有点的坐标均统一至该帧点云最后一点时刻的车体坐标系下,具体包括:
遍历该帧点云中的所有点;
根据所遍历该帧点云当前点的时间戳在IMU数据缓存队列内找到最邻近的前后两帧IMU数据,根据前后两帧IMU数据的时间戳及所计算的相对于所述区间内最后一帧IMU数据时间间隔内车体坐标系由于振动所产生的角度变换量和所遍历该帧点云当前点的时间戳,分别计算所遍历该帧点云当前点所在的车体坐标系相对于基准坐标系由于电铲振动所产生的绕X轴,Y轴,Z轴的角度变化量dθx,dθy,dθz;
其中,dθx为所遍历该帧点云当前点车体坐标系相对于基准坐标系由于电铲振动所产生的绕X轴的角度变化量;T为所遍历该帧点云当前点的时间戳;Tf为在IMU数据缓存队列内根据所遍历该帧点云当前点时间戳找到的最邻近的前一帧IMU数据的时间戳;Tb为在IMU数据缓存队列内根据所遍历该帧点云当前点时间戳找到的最邻近的后一帧IMU数据的时间戳,且Tb>Tf;θxf为所述前一帧IMU数据相对于所述区间内最后一帧IMU数据时间间隔内车体坐标系由于电铲振动所产生的绕X轴的角度变换量,θxb为所述后一帧IMU数据相对于所述区间内最后一帧IMU数据时间间隔内车体坐标系由于电铲振动所产生的绕X轴的角度变换量;
dθy为所遍历该帧点云当前点车体坐标系相对于基准坐标系由于电铲振动所产生的绕Y轴的角度变化量,θyf为所述前一帧IMU数据相对于所述区间内最后一帧IMU数据时间间隔内车体坐标系由于电铲振动所产生的绕Y轴的角度变换量,θyb为所述后一帧IMU数据相对于所述区间内最后一帧IMU数据时间间隔内车体坐标系由于电铲振动所产生的绕Y轴的角度变换量;
dθz为所遍历该帧点云当前点车体坐标系相对于基准坐标系由于电铲振动所产生的绕Z轴的角度变化量,θzf为所述前一帧IMU数据相对于所述区间内最后一帧IMU数据时间间隔内车体坐标系由于电铲振动所产生的绕Z轴的角度变换量,θzb为所述后一帧IMU数据相对于所述区间内最后一帧IMU数据时间间隔内车体坐标系由于电铲振动所产生的绕Z轴的角度变换量;
根据所遍历该帧点云当前点的时间戳在里程计数据缓存队列内找到最邻近的前后两帧里程计数据,根据前后两帧里程计数据的时间戳及所计算的相对于所述区间内最后一帧里程计数据时间间隔内车体坐标系由于振动所产生的位移变换量和所遍历该帧点云当前点的时间戳,分别计算所遍历该帧点云当前点所在的车体坐标系相对于基准坐标系由于电铲振动所产生的沿X轴,Y轴,Z轴的位移变化量dX,dY,dZ;
其中dX为所遍历该帧点云当前点车体坐标系相对于基准坐标系由于电铲振动所产生的沿X轴的位移变化量;T为所遍历该帧点云当前点的时间戳,TOf为所述里程计数据缓存队列内根据所遍历该帧点云当前点时间戳找到的最邻近的前一帧里程计数据的时间戳;TOb为所述里程计数据缓存队列内根据所遍历该帧点云当前点时间戳找到的最邻近的后一帧里程计数据的时间戳,且Tob>Tof;Xf为所述前一帧里程计数据相对于所述区间内最后一帧里程计数据时间间隔内车体坐标系由于电铲振动产生的沿X轴的位移变换量,Xb为所述后一帧里程计数据相对于所述区间内最后一帧里程计数据时间间隔内车体坐标系由于电铲振动产生的沿X轴的位移变换量;
dY为所遍历该帧点云当前点车体坐标系相对于基准坐标系由于电铲振动所产生的沿Y轴的位移变化量,Yf为所述前一帧里程计数据相对于所述区间内最后一帧里程计数据时间间隔内车体坐标系由于电铲振动所产生的沿Y轴的位移变换量,Yb为所述后一帧里程计数据相对于所述区间内最后一帧里程计数据时间间隔内车体坐标系由于电铲振动所产生的沿Y轴的位移变换量;
dZ为所遍历该帧点云当前点车体坐标系相对于基准坐标系由于电铲振动所产生的沿Z轴的位移变化量,Zf为所述前一帧里程计数据相对于所述区间内最后一帧里程计数据时间间隔内车体坐标系由于电铲振动所产生的沿Z轴的位移变换量,Zb为所述后一帧里程计数据相对于所述区间内最后一帧里程计数据时间间隔内车体坐标系由于电铲振动所产生的沿Z轴的位移变化量;
根据相对角度变化量dθx,dθy,dθz和相对位移变化量dX,dY,dZ将该帧点云内所有点的坐标均统一至该帧点云最后一点时刻的车体坐标系下。
5.根据权利要求4所述的应用于矿用电铲上的机械式激光雷达点云预处理方法,其特征在于:所述的根据相对角度变化量dθx,dθy,dθz和相对位移变化量dX,dY,dZ将该帧点云内所有点的坐标均统一至该帧点云最后一点时刻的车体坐标系下,具体包括:
计算将所遍历该帧点云当前点转换至该帧点云最后一点时刻所在车体坐标系下的对应坐标X1,Y1,Z1;
其中X1为所遍历该帧点云当前点经坐标变换后在该帧点云最后一点时刻车体坐标系下的X轴坐标,Y1为所遍历该帧点云当前点经坐标变换后在该帧点云最后一点时刻车体坐标系下的Y轴坐标,Z1为所遍历该帧点云当前点经坐标变换后在该帧点云最后一点时刻车体坐标系下的Z轴坐标;X为所遍历该帧点云当前点在当前点时刻车体坐标系下的X轴坐标,Y为所遍历该帧点云当前点在当前点时刻车体坐标系下的Y轴坐标,Z为所遍历该帧点云当前点在当前点时刻车体坐标系下的Z轴坐标;dX为所遍历该帧点云当前点车体坐标系相对于基准坐标系由于电铲振动所产生的沿X轴的位移变化量,dY为所遍历该帧点云当前点车体坐标系相对于基准坐标系由于电铲振动所产生的沿Y轴的位移变化量,dZ为所遍历该帧点云当前点车体坐标系相对于基准坐标系由于电铲振动所产生的沿Z轴的位移变化量;dθx为所遍历该帧点云当前点车体坐标系相对于基准坐标系由于电铲振动所产生的绕X轴的角度变化量,dθy为所遍历该帧点云当前点车体坐标系相对于基准坐标系由于电铲振动所产生的绕Y轴的角度变化量,dθz为所遍历该帧点云当前点车体坐标系相对于基准坐标系由于电铲振动所产生的绕Z轴的角度变化量;
TBF为基准坐标系相对于该帧点云最后一点时刻车体坐标系的转换矩阵;
dXf为该帧点云最后一点时刻车体坐标系相对于基准坐标系由于电铲振动所产生的沿X轴的位移变化量,dYf为该帧点云最后一点时刻车体坐标系相对于基准坐标系由于电铲振动所产生的沿Y轴的位移变化量,dZf为该帧点云最后一点时刻车体坐标系相对于基准坐标系由于电铲振动所产生的沿Z轴的位移变化量;dθxf为该帧点云最后一点时刻车体坐标系相对于基准坐标系由于电铲振动所产生的绕X轴的角度变化量,dθyf为该帧点云最后一点时刻车体坐标系相对于基准坐标系由于电铲振动所产生的绕Y轴的角度变化量,dθzf为该帧点云最后一点时刻车体坐标系相对于基准坐标系由于电铲振动所产生的绕Z轴的角度变化量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210033914.2A CN114372914B (zh) | 2022-01-12 | 2022-01-12 | 应用于矿用电铲上的机械式激光雷达点云预处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210033914.2A CN114372914B (zh) | 2022-01-12 | 2022-01-12 | 应用于矿用电铲上的机械式激光雷达点云预处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114372914A true CN114372914A (zh) | 2022-04-19 |
CN114372914B CN114372914B (zh) | 2022-09-13 |
Family
ID=81144983
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210033914.2A Active CN114372914B (zh) | 2022-01-12 | 2022-01-12 | 应用于矿用电铲上的机械式激光雷达点云预处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114372914B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116630411A (zh) * | 2023-07-26 | 2023-08-22 | 湖南睿图智能科技有限公司 | 基于融合感知的矿用电铲物料面识别方法、装置及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109584183A (zh) * | 2018-12-05 | 2019-04-05 | 吉林大学 | 一种激光雷达点云去畸变方法及*** |
WO2020154966A1 (en) * | 2019-01-30 | 2020-08-06 | Baidu.Com Times Technology (Beijing) Co., Ltd. | A rgb point clouds based map generation system for autonomous vehicles |
CN112859051A (zh) * | 2021-01-11 | 2021-05-28 | 桂林电子科技大学 | 激光雷达点云运动畸变的矫正方法 |
CN113269837A (zh) * | 2021-04-27 | 2021-08-17 | 西安交通大学 | 一种适用于复杂三维环境的定位导航方法 |
WO2021218620A1 (zh) * | 2020-04-30 | 2021-11-04 | 上海商汤临港智能科技有限公司 | 地图构建方法、装置、设备及存储介质 |
CN113781582A (zh) * | 2021-09-18 | 2021-12-10 | 四川大学 | 基于激光雷达和惯导联合标定的同步定位与地图创建方法 |
-
2022
- 2022-01-12 CN CN202210033914.2A patent/CN114372914B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109584183A (zh) * | 2018-12-05 | 2019-04-05 | 吉林大学 | 一种激光雷达点云去畸变方法及*** |
WO2020154966A1 (en) * | 2019-01-30 | 2020-08-06 | Baidu.Com Times Technology (Beijing) Co., Ltd. | A rgb point clouds based map generation system for autonomous vehicles |
WO2021218620A1 (zh) * | 2020-04-30 | 2021-11-04 | 上海商汤临港智能科技有限公司 | 地图构建方法、装置、设备及存储介质 |
CN112859051A (zh) * | 2021-01-11 | 2021-05-28 | 桂林电子科技大学 | 激光雷达点云运动畸变的矫正方法 |
CN113269837A (zh) * | 2021-04-27 | 2021-08-17 | 西安交通大学 | 一种适用于复杂三维环境的定位导航方法 |
CN113781582A (zh) * | 2021-09-18 | 2021-12-10 | 四川大学 | 基于激光雷达和惯导联合标定的同步定位与地图创建方法 |
Non-Patent Citations (1)
Title |
---|
李广金等: "一种结合高斯统计的点云引导滤波算法", 《制造业自动化》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116630411A (zh) * | 2023-07-26 | 2023-08-22 | 湖南睿图智能科技有限公司 | 基于融合感知的矿用电铲物料面识别方法、装置及*** |
CN116630411B (zh) * | 2023-07-26 | 2023-09-29 | 湖南睿图智能科技有限公司 | 基于融合感知的矿用电铲物料面识别方法、装置及*** |
Also Published As
Publication number | Publication date |
---|---|
CN114372914B (zh) | 2022-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109902637B (zh) | 车道线检测方法、装置、计算机设备和存储介质 | |
CN110009718B (zh) | 一种三维高精度地图生成方法及装置 | |
JP7391701B2 (ja) | 定常横方向偏差の除去方法、装置、記憶媒体、及びプログラム | |
CN113345228B (zh) | 基于拟合轨迹的行驶数据的生成方法、装置、设备及介质 | |
CN109100730A (zh) | 一种多车协同快速建图方法 | |
CN111611958B (zh) | 确定众包数据中车道线形状的方法、装置和设备 | |
CN111339802A (zh) | 实时相对地图的生成方法及装置、电子设备和存储介质 | |
CN114372914B (zh) | 应用于矿用电铲上的机械式激光雷达点云预处理方法 | |
CN113819917A (zh) | 自动驾驶路径规划方法、装置、设备及存储介质 | |
CN112414415B (zh) | 高精度点云地图构建方法 | |
CN115077541A (zh) | 自动驾驶车辆的定位方法、装置及电子设备、存储介质 | |
CN115585818A (zh) | 一种地图构建方法、装置、电子设备及存储介质 | |
CN116777984A (zh) | 用于校准自主交通载具中摄像头的外部参数的*** | |
CN113050660B (zh) | 误差补偿方法、装置、计算机设备及存储介质 | |
CN113759347A (zh) | 坐标关系的标定方法、装置、设备及介质 | |
CN116543032A (zh) | 冲击物测距方法、装置、测距设备及存储介质 | |
CN116481543A (zh) | 一种移动机器人多传感器融合双层滤波定位方法 | |
CN115112125A (zh) | 自动驾驶车辆的定位方法、装置及电子设备、存储介质 | |
EP4382954A2 (en) | Lidar odometry implementation method, computer device, storage medium, and vehicle | |
CN116331225B (zh) | 车辆驾驶状态确定方法、装置、车辆及存储介质 | |
CN116793369B (zh) | 路径规划方法、装置、设备及计算机可读存储介质 | |
CN115128655B (zh) | 自动驾驶车辆的定位方法和装置、电子设备和存储介质 | |
CN116086476A (zh) | 一种融合滤波网络的车辆位置估测方法及计算机可读介质 | |
CN117368941A (zh) | 一种基于三维激光雷达的机器人精确定位方法 | |
CN117972627A (zh) | 点云数据的融合方法、装置、设备和存储介质 |
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 |