CN114690230A - 一种基于视觉惯性slam的自动驾驶车辆导航方法 - Google Patents
一种基于视觉惯性slam的自动驾驶车辆导航方法 Download PDFInfo
- Publication number
- CN114690230A CN114690230A CN202210480382.7A CN202210480382A CN114690230A CN 114690230 A CN114690230 A CN 114690230A CN 202210480382 A CN202210480382 A CN 202210480382A CN 114690230 A CN114690230 A CN 114690230A
- Authority
- CN
- China
- Prior art keywords
- imu
- representing
- camera
- dynamic target
- bias
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
- G01S19/48—Determining position by combining or switching between position solutions derived from the satellite radio beacon positioning system and position solutions derived from a further system
- G01S19/485—Determining position by combining or switching between position solutions derived from the satellite radio beacon positioning system and position solutions derived from a further system whereby the further system is an optical system or imaging system
-
- 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
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
- G01C21/1656—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments with passive imaging devices, e.g. cameras
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C3/00—Measuring distances in line of sight; Optical rangefinders
- G01C3/02—Details
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Automation & Control Theory (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种基于视觉惯性SLAM的自动驾驶车辆导航方法,具体是一种视觉惯性SLAM结合目标检测网络的导航方法。目的是移除道路场景下动态目标的影响,解决自动驾驶车辆在动态环境下导航精度下降的问题。该方法是由如下步骤实现的:步骤一:车载传感器采集图像、加速度和角速度,之后对齐数据;步骤二:检测动态目标,移除动态目标对位姿预估的影响;步骤三:IMU预积分,每次优化更新后不需重新进行积分,减小计算量;步骤四:初始化计算出各个参数;步骤五:紧耦合优化计算出边缘化先验信息、IMU测量残差和视觉观测残差。本发明适用于视觉惯性导航***。
Description
技术领域
本发明涉及自动驾驶车辆导航技术领域,尤其涉及一种基于视觉惯性SLAM 的自动驾驶车辆导航方法。
背景技术
将视觉惯性SLAM应用于自动驾驶车辆面临着许多问题和挑战,仍有一些关键技术问题亟待解决。比如视觉惯性SLAM的性能在很大程度上依赖于周围的视觉特征是静态的假设,使得***在动态环境中的导航精度急剧下降。为了提高自动驾驶车辆在动态环境下的定位和状态估计精度,本发明提出了一种结合动态目标检测的视觉惯性导航***,为视觉惯性SLAM应用于自动驾驶车辆提供了理论指导和解决方案。
为了解决视觉惯性SLAM在动态环境下的位姿预估精度下降、轨迹漂移甚至导航失败等问题,国内外出现了许多优秀的解决方案。现有的较好的解决方法是结合神经网络-语义分割来剔除动态特征点,但由于计算量较大,未能达到实时性要求。另一个解决方法是利用随机抽样一致算法来剔除异常值,但当场景中的异常值过多时会导致漂移甚至失败。最后一个解决方法是利用深度相机来检测运动物体,然后把物体上的特征点剔除,但限定的相机同时也限制了应用的场景和机载的传感器。由于实时性、计算量、传感器等限制,以上的解决方案仍不能使视觉惯性SLAM很好地应用于自动驾驶车辆。
发明内容
本发明针对现有技术的不足,提出了一种基于视觉惯性SLAM的自动驾驶车辆导航方法,提高了自动驾驶车辆导航的精度。
本发明采用下述技术方案实现:
基于视觉惯性SLAM的自动驾驶车辆导航方法,该方法采用下述步骤实现:
步骤一,车载双目相机采集前方道路的灰度图像,IMU传感器采集车辆的加速度和角速度,主控进行数据的对齐;
步骤二,训练动态目标检测模型,检测出道路场景下的动态目标,提取目标边界框,移除边界框内的特征点;
步骤三,消除IMU的噪声和偏差,对IMU数据进行预积分,计算出IMU数据的观测值以及残差的协方差矩阵和雅各比矩阵,之后修正偏差;
步骤四,初始化计算出绝对尺度、陀螺仪偏置、加速度偏置、重力加速度和每个IMU时刻的速度;
步骤五,初始化之后,执行一个基于滑动窗口的紧耦合优化,得到精度更高鲁棒性更好的状态估计值。
本发明的有效效果:一、本发明对采集的数据进行时间校准,提高位姿预估的精度;本发明对IMU数据进行预积分,减小了积分时所消耗的计算量。二、本发明基于YOLOv5网络训练所提出的动态目标检测模型来检测道路环境中的动态目标。相比于YOLOv5自带的模型,本模型只检测道路场景下的汽车、卡车、摩托车和行人等动态目标,缩减了模型的大小并且加快了识别动态目标的速度。本模型利用BD100K数据集训练得出,经过大量的调试和参数优化,我们的动态目标检测模型比YOLOv5自带的模型减小了大约70%的模型体量,目标检测速度平均提高了63%。三、本发明训练出的动态目标检测模型能检测道路环境下的动态目标,利用模型提取出目标边界框后,前端的特征点追踪模块移除目标边界框内的特征点,从而达到消除动态干扰的目的,提高自动驾驶车辆导航的精度。
本发明的效果通过如下实验得到验证:
本提出的方法与VINS-Fusion进行比较,VINS-Fusion具有闭环、重装载和高精度地图复用等功能。本发明已经在公共KITTI数据集和现实世界中评估了所提出的方法。为了使估计的轨迹与地面实况对齐,本发明使用了Horn’s的方法。本发明通过绝对位姿误差和绝对轨迹误差来评估导航的准确性。绝对位姿误差和绝对轨迹误差由EVO工具计算。本发明采用绝对轨迹均方根误差进行定量评估。绝对轨迹误差比较估计和地面实况轨迹的平移分量之间的绝对距离。在时间步i处的绝对轨迹误差计算公式如下:
其中,T表示对齐两个轨迹的变换;G表示真实地面;E表示预估的轨迹。
对于N个姿势的序列,绝对轨迹误差的绝对轨迹均方根误差的计算公式如下:
考虑到***的不确定性,所有值都是通过五次实验获得的,并显示了估计轨迹准确性的中值结果。本发明使用KITTI数据集来评估所提出的方法,该数据集适用于评估视觉惯性SLAM在自动驾驶车辆中的性能。在这个数据集中,为序列 00-10提供了真实地面。为了提供准确的地面实况,对激光雷达、摄像头和GPS 进行校准和同步。KITTI数据集是从现实世界中的各种场景数据中收集的,例如农村、高速公路和城市。本发明主要考虑序列00和序列05-07,因为在这些城市序列中有移动的车辆和行人。
在现实世界的实验中,本发明利用自制传感器套件来演示所提出的方法。本发明在户外高动态环境中驾驶汽车,并使用四种不同的组合进行状态估计。为了对该实验进行误差评估,本发明通过RTK-GPS传感器设置了控制点,控制点作为真实地面点。为了获得绝对误差,本发明将估计的轨迹与控制点对齐。
在KITTI数据集和真实世界上的实验表明,本发明提出的方法在大规模动态城市环境中,与VINS-Fusion相比,将定位精度提高了约40%。对比实验结果表明,本方法在动态环境中提高了准确性和鲁棒性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明中步骤一到步骤五的流程示意图。
图2是实验中本发明在KITTI数据集中的运动轨迹和稠密点云。
图3是实验中本发明在现实世界中的实验设备。
图4是本发明和传统方法绝对轨迹误差的绝对轨迹均方根误差对比图。
具体实施方式
下面结合具体实施例对本发明作详细的说明。
基于视觉惯性SLAM的自动驾驶车辆导航方法,该方法采用下述步骤实现,具体见图1的流程:
步骤一,车载双目相机采集前方道路的灰度图像,IMU传感器采集车辆的加速度和角速度,主控进行数据的对齐。
步骤二,训练动态目标检测模型,检测出道路场景下的动态目标,提取目标边界框,移除边界框内的特征点。
步骤三,消除IMU的噪声和偏差,对IMU数据进行预积分,计算出IMU数据的观测值以及残差的协方差矩阵和雅各比矩阵,之后修正偏差。
步骤四,初始化计算出绝对尺度、陀螺仪偏置、加速度偏置、重力加速度和每个IMU时刻的速度。
步骤五,初始化之后,执行一个基于滑动窗口的紧耦合优化,得到精度更高鲁棒性更好的状态估计值。
所述步骤一中,具体步骤包括:
(1)车载双目相机以10Hz的频率采集左右目的灰度图像;
(2)车载IMU以100Hz的频率采集车体的三轴加速度和角速度;
(3)主控进行数据的对齐;由于触发延迟、传输延迟和不同步的时钟,生成的时间戳不等于实际采样时间,导致摄像机与IMU之间的时间失调。对齐数据的计算公式为:
tIMU=tcam+td;
其中,tIMU和tcam分别表示IMU和相机的时间戳;td表示一个未知常数的时间偏移量。
所述步骤二中,具体步骤包括:
(1)训练动态目标检测模型。自训练的神经网络模型可以更准确、更快速地检测特定的动态目标。训练图像被传递到神经网络以创建定制训练的检测器。本发明准备了一个BDD100K训练集来训练动态目标检测模型。动态目标检测模型使用YOLOv5网络进行训练。与其他神经网络一样,YOLO网络也需要标记大量图像并将其发送到模型中,以训练神经网络的参数。动态目标检测模型检测到的动态目标包括人、汽车、摩托车、公共汽车和卡车。
动态目标检测模型的准确性和运行速度对整体结果有决定性的影响。本发明做了很多工作来提高动态目标检测模型的准确性。在实际应用中,将动态目标检测模型添加到视觉惯性SLAM中会增加算法的计算量,但不会影响***的实时性。
(2)提取边界框。动态目标检测模型提供动态目标的类和两维边界框。动态目标检测模型需要三个步骤来获得动态目标的边界框。首先,整个图像被分成大小相等的网格单元,并且网络同时在所有组合的单元上运行。其次,网络预测输出特征图中每个单元的边界框。最后,为了得到预测边界框相对于原图的实际坐标值,算法将(bx,by,bw,bh)除以特征图大小,再乘以原图的大小。预测边界框的计算公式为:
其中,(bx,by)表示每个网格单元在预测中心的坐标;(bw,bh)表示边界框的宽度和高度;(cx,cy)表示特征图中网格单元的左上坐标;pw和ph分别表示预测的边界框的宽度和高度。
所述步骤三中,具体步骤包括:
(1)消除IMU的噪声和偏置。测量值受到加速度偏置、陀螺仪偏置和噪声的影响,消除噪声和偏置的计算公式如下:
其中,和分别表示加速度计和陀螺仪的随机游走噪声;at表示加速度计测量的理想值;ωt表示陀螺仪测量的理想值;表示IMU坐标系到相机坐标系的旋转矩阵;gw表示重力矢量。加速度噪声na和陀螺仪噪声nw为高斯白噪声,表示为:
(2)IMU测量值预积分;对于两个连续帧bk和bk+1,需要将时间间隔[tk,tk+1] 内的惯性测量值积分到局部帧bk中,计算公式如下:
所述步骤四中,具体步骤包括:
(1)将姿态从相机帧转换到IMU帧中。计算公式如下:
(2)校准陀螺仪偏置;通过线性化IMU预积分关于陀螺仪的偏置并最小化代价函数,来得到陀螺仪偏置的初始校准。代价函数的计算公式为:
(3)初始化速度、重力向量和度量比例。速度、重力向量和度量比例的向量如下公式所示:
窗口中两个连续帧bk和bk+1的转换公式为:
得到以下线性模型:
通过解决线性最小二乘问题,得到窗口中每一帧的速度,计算公式如下:
所述步骤五中,具体步骤包括:
(1)代价函数;对于相机和IMU,需要预估的整个状态定义为:
其中,p表示预估的位置;R表示预估的方向;xcam表示相机相关的状态向量; ximu表示IMU相关的状态向量;λ表示特征的深度;v表示速度向量;ba表示加速度偏置;bg表示陀螺仪偏置。
定义要预估的状态后进行状态预估,状态估计是一个最大似然预估问题,定义为:
上式的负对数似然函数为:
之后将状态预估转换为一个非线性最小二乘问题。求解非线性最小二乘问题需要求出相机和IMU传感器的因子。
(2)相机和IMU传感器因子。相机因子由每一帧图像的特征组成。图像t 中观测的残差计算公式为:
IMU残差计算公式为:
(3)优化。通过(2)得到相机因子和IMU因子后,对非线性最小二乘问题进行优化。代价函数的计算公式为:
在经过非线性近似后,上式得到了δχ的封闭解。求解的推导计算公式如下:
(4)边缘化。为了减小计算量,在不丢失有用信息的前提下引入边缘化。通过上式总结所有边缘化因素得到新的H和b在重新排列状态的顺序后,得到了以下的关系:
边缘化的计算公式如下:
图2是通过本发明所提出的方法所构建的稀疏地图和运动轨迹。本发明在现实世界中采集数据集的装置如图3所示,图3中包含双目深度相机(MYNTEYE-S1030)、惯性测量单元(IMU)和GPS传感器(GPS-U-Blox)。在得到数据集后进行算法的精度验证,精度对比结果如图4所示,图4中的传统算法为 VINS-Fusion。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,本领域普通技术人员可以理解实现上述实施例的全部或部分流程,并依本发明权利要求所作的等同变化,仍属于发明所涵盖的范围。
Claims (6)
1.一种基于视觉惯性SLAM的自动驾驶车辆导航方法,其特征在于,包括步骤:
步骤一,车载双目相机采集前方道路的灰度图像,IMU传感器采集车辆的加速度和角速度,主控进行数据的对齐;
步骤二,训练动态目标检测模型,检测出道路场景下的动态目标,提取目标边界框,移除边界框内的特征点;
步骤三,消除IMU的噪声和偏差,对IMU数据进行预积分,计算出IMU数据的观测值以及残差的协方差矩阵和雅各比矩阵,之后修正偏差;
步骤四,初始化计算出绝对尺度、陀螺仪偏置、加速度偏置、重力加速度和每个IMU时刻的速度;
步骤五,初始化之后,执行一个基于滑动窗口的紧耦合优化,得到精度更高鲁棒性更好的状态估计值。
2.根据权利要求1所述基于视觉惯性SLAM的自动驾驶车辆导航方法,其特征在于:所述步骤一中,具体步骤包括:
(1)车载双目相机以10Hz的频率采集左右目的灰度图像;
(2)车载IMU以100Hz的频率采集车体的三轴加速度和角速度;
(3)主控进行数据的对齐;由于触发延迟、传输延迟和不同步的时钟,生成的时间戳不等于实际采样时间,导致摄像机与IMU之间的时间失调;对齐数据的计算公式为:
tIMU=tcam+td;
其中,tIMU和tcam分别表示IMU和相机的时间戳;td表示一个未知常数的时间偏移量。
3.根据权利要求1所述基于视觉惯性SLAM的自动驾驶车辆导航方法,其特征在于:所述步骤二中,具体步骤包括:
(1)训练动态目标检测模型;自训练的神经网络模型可以更准确、更快速地检测特定的动态目标;训练图像被传递到神经网络以创建定制训练的检测器;本发明准备了一个BDD100K训练集来训练动态目标检测模型;动态目标检测模型使用YOLOv5网络进行训练;与其他神经网络一样,YOLO网络也需要标记大量图像并将其发送到模型中,以训练神经网络的参数;动态目标检测模型检测到的动态目标包括人、汽车、摩托车、公共汽车和卡车;
动态目标检测模型的准确性和运行速度对整体结果有决定性的影响;本发明做了很多工作来提高动态目标检测模型的准确性;在实际应用中,将动态目标检测模型添加到视觉惯性SLAM中会增加算法的计算量,但不会影响***的实时性;
(2)提取边界框;动态目标检测模型提供动态目标的类和两维边界框;动态目标检测模型需要三个步骤来获得动态目标的边界框;首先,整个图像被分成大小相等的网格单元,并且网络同时在所有组合的单元上运行;其次,网络预测输出特征图中每个单元的边界框;最后,为了得到预测边界框相对于原图的实际坐标值,算法将(bx,by,bw,bh)除以特征图大小,再乘以原图的大小;预测边界框的计算公式为:
其中,(bx,by)表示每个网格单元在预测中心的坐标;(bw,bh)表示边界框的宽度和高度;(cx,cy)表示特征图中网格单元的左上坐标;pw和ph分别表示预测的边界框的宽度和高度。
4.根据权利要求1所述基于视觉惯性SLAM的自动驾驶车辆导航方法,其特征在于:所述步骤三中,具体步骤包括:
(1)消除IMU的噪声和偏置;测量值受到加速度偏置、陀螺仪偏置和噪声的影响,消除噪声和偏置的计算公式如下:
其中,和分别表示加速度计和陀螺仪的随机游走噪声;at表示加速度计测量的理想值;ωt表示陀螺仪测量的理想值;表示IMU坐标系到相机坐标系的旋转矩阵;gw表示重力矢量;加速度噪声na和陀螺仪噪声nw为高斯白噪声,表示为:
(2)IMU测量值预积分;对于两个连续帧bk和bk+1,需要将时间间隔[tk,tk+1]内的惯性测量值积分到局部帧bk中,计算公式如下:
5.根据权利要求1所述基于视觉惯性SLAM的自动驾驶车辆导航方法,其特征在于:所述步骤四中,具体步骤包括:
(1)将姿态从相机帧转换到IMU帧中;计算公式如下:
(2)校准陀螺仪偏置;通过线性化IMU预积分关于陀螺仪的偏置并最小化代价函数,来得到陀螺仪偏置的初始校准;代价函数的计算公式为:
其中,B表示窗口中所有帧的索引;
(3)初始化速度、重力向量和度量比例;速度、重力向量和度量比例的向量如下公式所示:
窗口中两个连续帧bk和bk+1的转换公式为:
得到以下线性模型:
通过解决线性最小二乘问题,得到窗口中每一帧的速度,计算公式如下:
6.根据权利要求1所述基于视觉惯性SLAM的自动驾驶车辆导航方法,其特征在于:所述步骤五中,具体步骤包括:
(1)代价函数;对于相机和IMU,需要预估的整个状态定义为:
其中,p表示预估的位置;R表示预估的方向;xcam表示相机相关的状态向量;ximu表示IMU相关的状态向量;λ表示特征的深度;v表示速度向量;ba表示加速度偏置;bg表示陀螺仪偏置;
定义要预估的状态后进行状态预估,状态估计是一个最大似然预估问题,定义为:
上式的负对数似然函数为:
之后将状态预估转换为一个非线性最小二乘问题;求解非线性最小二乘问题需要求出相机和IMU传感器的因子;
(2)相机和IMU传感器因子;相机因子由每一帧图像的特征组成;图像t中观测的残差计算公式为:
IMU残差计算公式为:
(3)优化;通过(2)得到相机因子和IMU因子后,对非线性最小二乘问题进行优化;代价函数的计算公式为:
在经过非线性近似后,上式得到了δχ的封闭解;求解的推导计算公式如下:
(4)边缘化;为了减小计算量,在不丢失有用信息的前提下引入边缘化;通过上式总结所有边缘化因素得到新的H和b在重新排列状态的顺序后,得到了以下的关系:
其中,χm表示被边缘化的状态集合;χr表示剩余状态集;
边缘化的计算公式如下:
通过上式得到剩余状态的新先验Hp和bp;在获得有关当前状态的先验信息后,使用贝叶斯规则将后验计算为可能性和先验的乘积:p(χ∣z)∝p(z∣χ)p(χ);然后状态估计变为最大后验问题,最大后验问题的计算公式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210480382.7A CN114690230A (zh) | 2022-05-05 | 2022-05-05 | 一种基于视觉惯性slam的自动驾驶车辆导航方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210480382.7A CN114690230A (zh) | 2022-05-05 | 2022-05-05 | 一种基于视觉惯性slam的自动驾驶车辆导航方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114690230A true CN114690230A (zh) | 2022-07-01 |
Family
ID=82145617
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210480382.7A Pending CN114690230A (zh) | 2022-05-05 | 2022-05-05 | 一种基于视觉惯性slam的自动驾驶车辆导航方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114690230A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115688610A (zh) * | 2022-12-27 | 2023-02-03 | 泉州装备制造研究所 | 一种无线电磁六维定位方法、***、存储介质及电子设备 |
-
2022
- 2022-05-05 CN CN202210480382.7A patent/CN114690230A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115688610A (zh) * | 2022-12-27 | 2023-02-03 | 泉州装备制造研究所 | 一种无线电磁六维定位方法、***、存储介质及电子设备 |
CN115688610B (zh) * | 2022-12-27 | 2023-08-15 | 泉州装备制造研究所 | 一种无线电磁六维定位方法、***、存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112347840B (zh) | 视觉传感器激光雷达融合无人机定位与建图装置和方法 | |
CN108731670B (zh) | 基于量测模型优化的惯性/视觉里程计组合导航定位方法 | |
CN112083725B (zh) | 一种面向自动驾驶车辆的结构共用多传感器融合定位*** | |
CN102999759B (zh) | 一种基于光流的车辆运动状态估计方法 | |
CN114526745B (zh) | 一种紧耦合激光雷达和惯性里程计的建图方法及*** | |
CN110726406A (zh) | 一种改进的非线性优化单目惯导slam的方法 | |
CN113052908A (zh) | 一种基于多传感器数据融合的移动机器人位姿估计算法 | |
CN113776519B (zh) | 一种无光动态开放环境下agv车辆建图与自主导航避障方法 | |
CN114758504B (zh) | 一种基于滤波校正的网联车超速预警方法及*** | |
CN114019552A (zh) | 一种基于贝叶斯多传感器误差约束的定位置信度优化方法 | |
CN115479602A (zh) | 一种融合事件与距离的视觉惯性里程计方法 | |
CN113920198B (zh) | 一种基于语义边缘对齐的由粗到精的多传感器融合定位方法 | |
CN110929402A (zh) | 一种基于不确定分析的概率地形估计方法 | |
CN114690229A (zh) | 一种融合gps的移动机器人视觉惯性导航方法 | |
CN114964276A (zh) | 一种融合惯导的动态视觉slam方法 | |
CN114754768A (zh) | 一种点线融合的视觉惯性导航方法 | |
CN113759364A (zh) | 一种基于激光地图的毫米波雷达连续定位方法及装置 | |
CN115218889A (zh) | 一种基于点线特征融合的多传感器室内定位方法 | |
CN115540850A (zh) | 一种激光雷达与加速度传感器结合的无人车建图方法 | |
CN115453599A (zh) | 一种多传感器协同的管道机器人精准定位方法 | |
CN114690230A (zh) | 一种基于视觉惯性slam的自动驾驶车辆导航方法 | |
CN114608568A (zh) | 一种基于多传感器信息即时融合定位方法 | |
CN112945233A (zh) | 一种全局无漂移的自主机器人同时定位与地图构建方法 | |
CN112862818A (zh) | 惯性传感器和多鱼眼相机联合的地下停车场车辆定位方法 | |
Huang et al. | Wheel odometry aided visual-inertial odometry for land vehicle navigation in winter urban environments |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |