CN116051758A - 一种用于室外机器人的含有高度信息的地貌地图构建方法 - Google Patents
一种用于室外机器人的含有高度信息的地貌地图构建方法 Download PDFInfo
- Publication number
- CN116051758A CN116051758A CN202211545064.0A CN202211545064A CN116051758A CN 116051758 A CN116051758 A CN 116051758A CN 202211545064 A CN202211545064 A CN 202211545064A CN 116051758 A CN116051758 A CN 116051758A
- Authority
- CN
- China
- Prior art keywords
- convolution
- landform
- map
- point cloud
- layer
- 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
- 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
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Graphics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种用于室外机器人的含有高度信息的地貌地图构建方法,包括地貌分割方法、地图构建方法等;根据不同地貌的特征对可通行区域进行更为详细的划分和标注;针对构建的地貌数据集用于模型训练;根据传感器获取的原始图像与点云地图之间的几何转换关系,构建地貌地图与点云地图的映射关系后创建出地貌点云地图。将高度滤波后的点云地图转换为八叉树地图,对八叉树点云计算高度存储为高度地貌地图。融合贝叶斯概率更新减少语义地图的噪声。本发明使用语义分割网络对室外机器人移动环境中的地貌进行更为细致的划分,并通过像素点扫描、坐标转换和栅格映射,创建含有丰富信息的地貌高度栅格地图,以用于提高室外机器人的导航效率。
Description
技术领域
本发明属于机器人感知与建图技术领域,涉及一种用于室外机器人的含有高度信息的地貌地图构建方法。
背景技术
目前越来越多的室外机器人工作于非结构化的野外环境中,其中包含多种可通行地貌例如:水泥地、草地、砖石地、沙地等。当机器人穿越这些不同的通行地貌时,其安全性、通行时间以及能量消耗都是不同的。移动机器人可以模拟人类的通行策略,根据不同的任务需求规划通行路线,例如直线穿越高代价地貌来缩短通行时间;绕行积水等高风险地貌确保机器人通行安全;牺牲通行时间,选择易通行地貌降低能量消耗。以上针对非结构化的工作地貌,构建包含有丰富地貌信息和通行代价的地貌地图,可以帮助移动机器人在保障自身安全的前提下实现导航效率的最大化。
目前,移动机器人二维环境地图构建技术已经十分成熟,在室外非结构化场景中存在着不同高度的环境特征,二维地图表示方法无法充分满足机器人的感知需求,一些机器人可以通过的地方会被检测为障碍物而无法通行,例如:马路与人行道之间的台阶、草丛等,而三维地图构建能为机器人提供更加丰富的环境信息。但是三维地图的使用需要更大的存储量,一种解决这个问题的办法是基于八叉树的占据体素地图。其中有人提出基于八叉树的占据体素地图以压缩存储地图数据样本量,但八叉树地图虽然降存储了点云地图,其包含的丰富的三维信息对于野外机器人导航是冗余的。
在此,本发明提出基于三维激光数据构建环境高度地图,依靠单目视觉传感器添加辅助地貌信息,最终实现避免存储大量冗余三维数据,以进一步降低地图存储量,能够极大提高机器人处理器的运算效率,也可降低野外机器人芯片的性能需求。
发明内容
本发明的第一个目的是针对现有技术的不足,提出一种用于室外机器人的含有高度信息的地貌地图构建方法。
本发明主要基于三维激光数据构建环境地图,依靠单目视觉传感器添加辅助地貌信息。虽然用于室内结构化环境的地图模型不能满足室外地图构建的需求,但研究者们可以基于现有的二维地图表示方法,拓展出有效的三维地图模型。与三维表示方法相比较,用高度图表示室外环境降低了存储复杂度而放弃了部分环境信息。
为实现上述目的,本发明的技术方案是:
第一方面,本发明提供一种用于室外机器人的含有高度信息的地貌地图构建方法,包括以下步骤:
步骤一:使用多线激光雷达融合单目相机建图,在建图前记录单目相机内参,使用激光视觉联合标定工具Calibration_toolkit对雷达和相机外参联合标定得到相机内参R和相机雷达外参RT;
步骤二:采用LOAM室外SLAM建图算法融合移动机器人的激光雷达、IMU等传感器数据,构建移动机器人当前运动室外环境下的3D点云地图;其中在LOAM建图过程中将高度超过机器人的点云进行滤除,即丢弃雷达水平零度以上的点云,得到适用于移动机器人高效导航的点云地图;
步骤三:搭建高精度轻量级的地貌分割网络模型;
使用移动机器人车载摄像头采集不同场景下的多种地貌图像,经过人工数据标注后构建地貌数据集,数据集中的地貌信息被划分为多种地貌类型;将复杂地貌数据集输入构建的地貌分割网络,生成地貌分割网络模型;
所述地貌分割网络包括第一3x3卷积层、三个串联的跳跃残差卷积层、三个并行的池化层、第二3x3卷积层、两个串联的卷积上采样层、上采样层;
所述第一3x3卷积层将输入图像经过一个3x3卷积调整通道数并降维图片大小;
所述三个串联的跳跃残差卷积层依次包括第一跳跃残差卷积层、第二跳跃残差卷积层、第三跳跃残差卷积层;所述第一跳跃残差卷积层接收所述第一3x3卷积层的输出,通过一次1x1卷积调整通道数并采用跳跃残差提取图像特征;所述第二跳跃残差卷积层、第三跳跃残差卷积层均接收上一层跳跃残差卷积层输出的图像特征,通过一次1x1卷积调整通道数并采用跳跃残差进一步提取图像特征;
所述跳跃残差由左右两个通路组成,左主干通路先经过一个1x1卷积调整通道,接着进行三次残差网络计算提取特征最终输出,右通路则只进行一次1x1卷积调整通道。跳跃残差模块可以防止参数过拟合,在不损失准确性的情况下提升了网络速度。
所述三个并行的池化层大小不同接收第三跳跃残差卷积层输出的图像特征,通过不同大小的卷积池化模块处理图像特征,以实现对图片不同大小特征的特征加强提取;
所述第二3x3卷积层接收所述三个并行的池化层输出的特征调整通道数;
所述两个串联的卷积上采样层包括第一卷积上采样层、第二卷积上采样层;
所述第一卷积上采样层接收所述第二3x3卷积层和所述第三跳跃残差卷积层的输出,通过3x3卷积调整通道和上采样恢复图片到原大小输出,整合不同维度的信息加强网络对图像不同感受野的理解能力;
所述第二卷积上采样层接收所述第一卷积上采样层和所述第二跳跃残差卷积层的输出,通过3x3卷积调整通道和上采样恢复图片到原大小输出,整合不同维度的信息加强网络对图像不同感受野的理解能力;
所述上采样层接收所述第二卷积上采样层的输出,并恢复图片到原大小输出;
步骤四:使用移动机器人搭载的单目相机采集环境原始图像输入地貌分割网络模型,生成局部环境的地貌分割语义图;对每帧地貌图像进行像素点扫描和坐标转换;基于地貌分割网络模型实现了单帧图像地貌级别的语义分割,并采用地貌分割语义图结合点云信息构建了一个单帧的语义标注服务器;
步骤五:根据地貌像素点pt含有的地貌语义信息,基于贝叶斯概率更新对占据点云地图中指定的点云进行地貌增量式映射,用以改善点云语义噪声;
步骤六:采用八叉树地图格式将点云地图降存储为三维栅格地图,八叉树使用根节点和叶节点之间的联系将数据进行压缩,并根据子节点点云存储的信息将栅格表示是否被占据状态;
步骤七:记录三维栅格地图中每个地面栅格上的点云p.z坐标,根据k-中值算法对z坐标进行聚类;
步骤八:将聚类后的点云z坐标保存为高度存储在高度栅格地图数据格式中,得到高度地貌地图。
第二方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行所述的方法。
第三方面,本发明提供一种计算设备,包括存储器和处理器,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,实现所述的方法。
与现有技术相比,本发明的有益效果在于:
本发明使用跳跃残差网络可以减少网络的参数量,提高网络的地貌分割速度,更适用于车载计算资源有限的移动机器人。使用了对移动机器人的工作环境更细致的地貌分割数据集,为移动机器人的建图提供了丰富的地貌语义信息。将地貌信息与占据栅格地图进行坐标映射,基于贝叶斯判断的增量式更新提高了地貌语义信息映射的数学完备性,构建了地貌栅格地图层,将地貌的高度信息映射为一个新的高度图层,构造了高度栅格地图层,构建的地貌高度地图为移动机器人的导航提供了更为详细的环境信息,提高了机器人导航的准确性和效率。
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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明地貌地图构建流程。
图2为本发明跳跃残差网络示意图。
图3为本发明语义分割网络示意图。
图4为本发明便于室外移动机器人室外导航的高度地貌地图的结构。
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、完整的描述,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。
本实施例采用轮式机器人、搭载带GPU的计算机、多线激光雷达和深度相机搭建实验平台。一种便于室外移动机器人高效导航的高度地貌地图构建方法,如图1包括以下具体实施步骤:
步骤一:使用多线激光雷达融合单目相机建图,在建图前记录单目相机内参,使用激光视觉联合标定工具Calibration_toolkit对雷达和相机外参联合标定得到相机内参R和相机雷达外参RT,以获取准确的坐标变换信息后续传感器信息融合使用。
步骤二:采用LOAM(全称:Lidar Odometry and Mapping in Real-time.是基于激光雷达而搭建的在ROS平台下的SLAM***)室外SLAM建图算法融合移动机器人的激光雷达、IMU(全称:Lidar Odometry and Mapping in Real-time.惯性测量单元)等传感器数据,构建移动机器人当前运动室外环境下的3D点云地图。在LOAM建图过程中将高度超过机器人的点云进行滤除,即丢弃雷达水平零度以上的点云,得到适用于移动机器人高效导航的点云地图。
所述高度超过机器人的点云进行滤除具体操作如下:
计算雷达点(poiny.x,point.y,point.z)的仰角angle,根据仰角算出激光雷达velodyne的角度线号scanID,将水平零度以上线号的点云过滤掉;
步骤三:搭建高精度轻量级的地貌分割网络模型。使用移动机器人车载摄像头采集十个不同场景下的十二种地貌,经过人工数据标注后构建地貌数据集,数据集中的地貌信息被划分为水泥地、草地、泥地、林地、石子地、水、沟等多种地貌类型。将复杂地貌数据集输入构建的地貌分割网络,生成地貌分割模型。
图3所述地貌分割网络包括第一3x3卷积层、三个串联的跳跃残差卷积层、三个并行的池化层、第二3x3卷积层、两个串联的卷积上采样层、上采样层;
所述第一3x3卷积层将输入图像经过一个3x3卷积调整通道数并降维图片大小;
所述三个串联的跳跃残差卷积层依次包括第一跳跃残差卷积层、第二跳跃残差卷积层、第三跳跃残差卷积层;所述第一跳跃残差卷积层接收所述第一3x3卷积层的输出,通过一次1x1卷积调整通道数并采用跳跃残差提取图像特征;所述第二跳跃残差卷积层、第三跳跃残差卷积层均接收上一层跳跃残差卷积层输出的图像特征,通过一次1x1卷积调整通道数并采用跳跃残差进一步提取图像特征;
图2所述跳跃残差由左右两个通路组成,左主干通路先经过一个1x1卷积调整通道,接着进行三次残差网络计算提取特征最终输出,右通路则只进行一次1x1卷积调整通道。跳跃残差模块可以防止参数过拟合,在不损失准确性的情况下提升了网络速度。
所述三个并行的池化层大小不同接收第三跳跃残差卷积层输出的图像特征,通过不同大小的卷积池化模块处理图像特征,以实现对图片不同大小特征的特征加强提取;
所述第二3x3卷积层接收所述三个并行的池化层输出的特征调整通道数;
所述两个串联的卷积上采样层包括第一卷积上采样层、第二卷积上采样层;
所述第一卷积上采样层接收所述第二3x3卷积层和所述第三跳跃残差卷积层的输出,通过3x3卷积调整通道和上采样恢复图片到原大小输出,整合不同维度的信息加强网络对图像不同感受野的理解能力;
所述第二卷积上采样层接收所述第一卷积上采样层和所述第二跳跃残差卷积层的输出,通过3x3卷积调整通道和上采样恢复图片到原大小输出,整合不同维度的信息加强网络对图像不同感受野的理解能力;
所述上采样层接收所述第二卷积上采样层的输出,并恢复图片到原大小输出;
具体是:
1.将输入图像经过一个3x3卷积层调整通道数并降维图片大小。
2.通过三次的1x1卷积调整通道数并采用跳跃残差模块提取图像特征。
3.通过不同大小的卷积池化模块处理图像特征,以实现对图片不同大小特征的特征加强提取。
4.连接后两层的输入通过通道拼接到前两层输出层,建立金字塔连接以整合不同维度的信息加强网络对图像不同感受野的理解能力。
5.通过3x3卷积调整通道和上采样恢复图片到原大小输出。
步骤四:使用移动机器人搭载的单目相机采集环境原始图像输入地貌分割模型,生成局部环境的地貌分割语义图。对每帧地貌图像进行像素点扫描和坐标转换。基于深度学习模型实现了单帧图像地貌级别的语义分割,并采用结合点云信息构建了一个单帧的语义标注服务器。
1.将当前激光雷达点转换为齐次坐标,并将其存储在4D变量X中。
2.应用内外参投影矩阵将激光雷达点变量X映射到照相机的图像平面上并将结果存储在Y中。
3.完成坐标转换后,将Y转换回欧几里得坐标,将图像坐标存储到变量pt中。
4.将当前帧图像img像素pt颜色传输给点云ptcolor
ptcolor.r=img.(pt.y,py.x)[2] (3)
ptcolor.g=img.(pt.y,py.x)[1] (4)
ptcolor.b=img.(pt.y,py.x)[0] (5)
步骤五:根据地貌像素点含有的地貌语义信息,基于贝叶斯概率更新对占据点云地图中指定的点云进行地貌增量式映射,用以改善点云语义噪声;
使用当前帧语义标注服务器提供的实例语义概率,来更新地貌类别概率p,采用贝叶斯估计的方法,融合当前时刻的类别概率和之前时刻预测的类别概率:
其中,ci代表类别i,xt代表当前预测结果,p(ci|x1:t-1)代表t-1时刻的类别概率融合结果,将类别概率记为:
则可以将公式简化为:
L(ci|x1:t)=L(ci|x1:t-1)+L(ci|xt) (8)
这样就可以将概率融合简化为简单的加减运算和log运算,根据语义融合的结果,对实例所属的类别c进行更新。
步骤六:采用八叉树地图格式将点云地图降存储为三维栅格地图,八叉树使用根节点和叶节点之间的联系将数据进行压缩,并根据子节点点云存储的信息将栅格表示是否被占据状态。
步骤七:记录三维栅格地图中每个地面栅格上的点云p.z坐标,根据k-中值算法对z坐标进行聚类
随机选取k个聚类中心点,计算每个点与各中心点之间的距离,将点分配到其距离最近的中心点所属的簇中
式中,xi表示点x的第i个属性,medk表示在第k个簇中数据的中值。算法的最终目标是使这一目标函数最小化,计算每个簇的中值来更新簇的中心点。
步骤八:将聚类后的点云z坐标保存为高度存储在高度栅格地图数据格式中,得到高度地貌地图(图4)。
Claims (7)
1.一种用于室外机器人的含有高度信息的地貌地图构建方法,其特征在于包括以下步骤:
步骤一:使用多线激光雷达融合单目相机建图,在建图前记录单目相机内参,使用激光视觉联合标定工具Calibration_toolkit对雷达和相机外参联合标定得到相机内参R和相机雷达外参RT;
步骤二:采用LOAM室外SLAM建图算法融合移动机器人的激光雷达、IMU等传感器数据,构建移动机器人当前运动室外环境下的3D点云地图;其中在LOAM建图过程中将高度超过机器人的点云进行滤除,即丢弃雷达水平零度以上的点云,得到适用于移动机器人高效导航的点云地图;
步骤三:搭建高精度轻量级的地貌分割网络模型;
使用移动机器人车载摄像头采集不同场景下的多种地貌图像,经过人工数据标注后构建地貌数据集,数据集中的地貌信息被划分为多种地貌类型;将复杂地貌数据集输入构建的地貌分割网络,生成地貌分割网络模型;
所述地貌分割网络包括第一3x3卷积层、三个串联的跳跃残差卷积层、三个并行的池化层、第二3x3卷积层、两个串联的卷积上采样层、上采样层;
所述第一3x3卷积层将输入图像经过一个3x3卷积调整通道数并降维图片大小;
所述三个串联的跳跃残差卷积层依次包括第一跳跃残差卷积层、第二跳跃残差卷积层、第三跳跃残差卷积层;所述第一跳跃残差卷积层接收所述第一3x3卷积层的输出,通过一次1x1卷积调整通道数并采用跳跃残差提取图像特征;所述第二跳跃残差卷积层、第三跳跃残差卷积层均接收上一层跳跃残差卷积层输出的图像特征,通过一次1x1卷积调整通道数并采用跳跃残差进一步提取图像特征;
所述跳跃残差由左右两个通路组成,左主干通路先经过一个1x1卷积调整通道,接着进行三次残差网络计算提取特征最终输出,右通路则只进行一次1x1卷积调整通道;
所述三个并行的池化层的大小不同,接收第三跳跃残差卷积层输出的图像特征,通过不同大小的卷积池化处理图像特征,以实现对图片不同大小特征的特征加强提取;
所述第二3x3卷积层接收所述三个并行的池化层输出的特征调整通道数;
所述两个串联的卷积上采样层包括第一卷积上采样层、第二卷积上采样层;
所述第一卷积上采样层接收所述第二3x3卷积层和所述第三跳跃残差卷积层的输出,通过3x3卷积调整通道和上采样恢复图片到原大小输出,整合不同维度的信息加强网络对图像不同感受野的理解能力;
所述第二卷积上采样层接收所述第一卷积上采样层和所述第二跳跃残差卷积层的输出,通过3x3卷积调整通道和上采样恢复图片到原大小输出,整合不同维度的信息加强网络对图像不同感受野的理解能力;
所述上采样层接收所述第二卷积上采样层的输出,并恢复图片到原大小输出;
步骤四:使用移动机器人搭载的单目相机采集环境原始图像输入地貌分割网络模型,生成局部环境的地貌分割语义图;对地貌分割语义图中每帧地貌图像进行像素点扫描和坐标转换;采用地貌分割语义图结合点云信息构建了一个单帧的语义标注服务器;
步骤五:根据地貌像素点含有的地貌语义信息,基于贝叶斯概率更新对占据点云地图中指定的点云进行地貌增量式映射,用以改善点云语义噪声;
步骤六:采用八叉树地图格式将点云地图降存储为三维栅格地图,八叉树使用根节点和叶节点之间的联系将数据进行压缩,并根据子节点点云存储的信息将栅格表示是否被占据状态;
步骤七:记录三维栅格地图中每个地面栅格上的点云坐标,根据k-中值算法对z坐标进行聚类;
步骤八:将聚类后的点云z坐标保存为高度存储在高度栅格地图数据格式中,得到高度地貌地图。
3.根据权利要求1所述的方法,其特征在于步骤四具体是:
4-1将当前激光雷达点转换为齐次坐标,并将其存储在4D变量中;
4-2应用内外参投影矩阵将激光雷达点变量映射到照相机的图像平面上并将结果存储在中;
4-3完成坐标转换后,将转换回欧几里得坐标,将图像坐标存储到当前帧图像地貌像素点中;
4-4将当前帧图像地貌像素点颜色传输给点云
ptcolor.r=img.(pt.y,py.x)[2] (3)
ptcolor.g=img.(pt.y,py.x)[1] (4)
ptcolor.b=img.(pt.y,py.x)[0] (5)。
6.一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行权利要求1-5中任一项所述的方法。
7.一种计算设备,包括存储器和处理器,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,实现权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211545064.0A CN116051758A (zh) | 2022-11-21 | 2022-11-21 | 一种用于室外机器人的含有高度信息的地貌地图构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211545064.0A CN116051758A (zh) | 2022-11-21 | 2022-11-21 | 一种用于室外机器人的含有高度信息的地貌地图构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116051758A true CN116051758A (zh) | 2023-05-02 |
Family
ID=86132095
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211545064.0A Pending CN116051758A (zh) | 2022-11-21 | 2022-11-21 | 一种用于室外机器人的含有高度信息的地貌地图构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116051758A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117033675A (zh) * | 2023-10-09 | 2023-11-10 | 深圳眸瞳科技有限公司 | 基于城市实景模型的安全空间计算生成方法及装置 |
CN117788679A (zh) * | 2024-02-27 | 2024-03-29 | 腾讯科技(深圳)有限公司 | 地图数据生成方法、装置、电子设备及存储介质 |
-
2022
- 2022-11-21 CN CN202211545064.0A patent/CN116051758A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117033675A (zh) * | 2023-10-09 | 2023-11-10 | 深圳眸瞳科技有限公司 | 基于城市实景模型的安全空间计算生成方法及装置 |
CN117033675B (zh) * | 2023-10-09 | 2024-02-20 | 深圳眸瞳科技有限公司 | 基于城市实景模型的安全空间计算生成方法及装置 |
CN117788679A (zh) * | 2024-02-27 | 2024-03-29 | 腾讯科技(深圳)有限公司 | 地图数据生成方法、装置、电子设备及存储介质 |
CN117788679B (zh) * | 2024-02-27 | 2024-05-03 | 腾讯科技(深圳)有限公司 | 地图数据生成方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111599001B (zh) | 基于图像三维重建技术的无人机导航地图构建***及方法 | |
CN111462329B (zh) | 一种基于深度学习的无人机航拍影像的三维重建方法 | |
CN109682381B (zh) | 基于全向视觉的大视场场景感知方法、***、介质及设备 | |
Li et al. | Building and optimization of 3D semantic map based on Lidar and camera fusion | |
CN105160702B (zh) | 基于LiDAR点云辅助的立体影像密集匹配方法及*** | |
US11430087B2 (en) | Using maps comprising covariances in multi-resolution voxels | |
CN116051758A (zh) | 一种用于室外机器人的含有高度信息的地貌地图构建方法 | |
CN113936139B (zh) | 一种视觉深度信息与语义分割相结合的场景鸟瞰图重构方法及*** | |
CN105118090B (zh) | 一种自适应复杂地形结构的点云滤波方法 | |
US11288861B2 (en) | Maps comprising covariances in multi-resolution voxels | |
CN114332385A (zh) | 一种基于三维虚拟地理场景的单目相机目标检测与空间定位方法 | |
CN110488871B (zh) | 一种基于二三维一体化的无人机路径动态规划方法 | |
CN111860651A (zh) | 一种基于单目视觉的移动机器人半稠密地图构建方法 | |
CN115471634B (zh) | 一种城市绿植孪生的建模方法及装置 | |
CN114972748A (zh) | 一种可解释边缘注意力和灰度量化网络的红外语义分割方法 | |
CN115032648A (zh) | 一种基于激光雷达密集点云的三维目标识别与定位方法 | |
CN115128628A (zh) | 基于激光slam和单目视觉的道路栅格地图构建方法 | |
CN117058474B (zh) | 一种基于多传感器融合的深度估计方法及*** | |
CN116152442B (zh) | 一种三维点云模型生成方法及装置 | |
CN115619953A (zh) | 一种面向崎岖地形的移动机器人地形建图方法及*** | |
CN115546760A (zh) | 点云序列数据处理方法、装置、计算机设备和存储介质 | |
WO2021127692A1 (en) | Maps comprising covariances in multi-resolution voxels | |
CN114202567A (zh) | 一种基于视觉的点云处理避障方法 | |
CN112085776A (zh) | 一种直接法无监督单目图像场景深度估计方法 | |
CN117830991B (zh) | 一种基于多模融合的四足机器人复杂场景感知方法及*** |
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 |