CN117367412A - 一种融合捆集调整的紧耦合激光惯导里程计与建图方法 - Google Patents
一种融合捆集调整的紧耦合激光惯导里程计与建图方法 Download PDFInfo
- Publication number
- CN117367412A CN117367412A CN202311667140.XA CN202311667140A CN117367412A CN 117367412 A CN117367412 A CN 117367412A CN 202311667140 A CN202311667140 A CN 202311667140A CN 117367412 A CN117367412 A CN 117367412A
- Authority
- CN
- China
- Prior art keywords
- laser radar
- pose
- odometer
- map
- imu
- 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 42
- 238000005457 optimization Methods 0.000 claims abstract description 29
- 230000033001 locomotion Effects 0.000 claims abstract description 22
- 238000010168 coupling process Methods 0.000 claims abstract description 18
- 238000005859 coupling reaction Methods 0.000 claims abstract description 15
- 230000004927 fusion Effects 0.000 claims abstract description 15
- 230000010354 integration Effects 0.000 claims abstract description 11
- 238000010276 construction Methods 0.000 claims abstract description 8
- 230000008878 coupling Effects 0.000 claims abstract description 8
- 238000005259 measurement Methods 0.000 claims description 22
- 238000013507 mapping Methods 0.000 claims description 16
- 238000004891 communication Methods 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 3
- 230000000452 restraining effect Effects 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 5
- 230000007812 deficiency Effects 0.000 abstract 1
- 238000011423 initialization method Methods 0.000 abstract 1
- 230000003044 adaptive effect Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- 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
- Navigation (AREA)
Abstract
本发明提出了一种融合捆集调整的紧耦合激光惯导里程计与建图方法,通过提取激光点云平面和边缘特征,优化激光雷达里程计与IMU预积分因子,实时更新包括位姿、速度和偏置在内的状态量,实现紧耦合激光惯导里程计,结合本发明提出的利用IMU辅助的自适应体素地图初始化方法,能够在移动机器人实时定位和建图过程中,通过紧耦合多源传感器数据输入,利用高效的后端激光雷达点云BA优化(Bundle Adjustment,捆集调整)策略,提高了机器人定位与建图精度,增强了结构特征缺失和快速运动情形下的鲁棒性。
Description
技术领域
本发明涉及感知与定位技术领域,尤其涉及一种融合捆集调整的紧耦合激光惯导里程计与建图方法。
背景技术
移动机器人同步定位与建图(Simultaneous Localization and Mapping, SLAM)的研究重点在于提升准确性和实时性。精确的定位和建图结果有助于后续闭环控制、自主探索、运动规划和避障的实现。目前机器人的感知主要依赖激光雷达、相机或二者的结合。
基于激光雷达的SLAM方法更加通用和鲁棒,但密集的激光点云会导致大规模的计算消耗,同时,由于运动失真、点云稀疏以及激光雷达频率较低,单纯基于激光雷达的方法无法处理某些特定任务。与激光雷达相比,惯性测量单元IMU的频率往往较激光雷达高一个数量级,借助IMU提供的加速度与速度测量,可以消除运动引起的点云畸变。
根据测量数据在前端的融合方式,激光惯导SLAM***可以分为两类:松耦合和紧耦合。松耦合方法通常分别处理来自不同传感器的数据,利用数学工具(如卡尔曼滤波器或扩展卡尔曼滤波器等)对不同源观测结果进行简单融合。松耦合方式类似于数据后融合,不考虑传感器原始测量的内在相关性,因而通常实现灵活且计算效率很高。但松耦合方法易受噪声影响,无法修正传感器状态。紧耦合方法直接集成来自激光雷达和其他传感器的原始测量,从而实现状态变量的联合优化。
实时性能是基于激光雷达的SLAM***的挑战之一,处理密集点云的计算成本非常高。一些经典的配准技术很难直接扩展到激光雷达和多扫描情况,尽管这些方法在三维扫描中具有良好的性能,但它们依赖精确的点或面的匹配,而激光雷达点云往往是稀疏且不重复的。为降低计算成本并兼顾准确性,一个自然的想法是采用自适应体素化策略和关键帧选取策略。
捆集调整(Bundle Adjustment, BA)可以用于求解三维结构和位姿,其在视觉领域已经获得了广泛的应用。对于基于激光雷达的方法,BA通常用于激光雷达位姿和全局地图的联合优化。现有的基于激光雷达的方法通常使用迭代最近点(Iterative ClosestPoints, ICP)或广义ICP进行扫描匹配,增量式地构建地图,因而不可避免地会累积配准误差。BA对于减小累积漂移非常有效,尤其在大规模场景中。将BA与激光惯导框架集成,可以有效减少里程计的漂移并缓解稀疏激光雷达扫描造成的地面上翘。
综上所述,紧耦合多源传感器的测量数据,减小激光雷达点云的稀疏性导致的配准误差,在无GPS和闭环优化情形下降低定位与建图的累积误差,尤其是缓解地面上翘问题,是一个非常值得关注的研究问题。
发明内容
有鉴于此,本发明提出了一种融合捆集调整的紧耦合激光惯导里程计与建图方法,包括以下步骤:
S1, 获取来自激光雷达和测量单元的传感器测量数据,基于非线性运动模型对输入的激光雷达点云进行运动畸变矫正,在去除畸变后的激光雷达点云中进行特征点提取;
在具体实施中,所述基于非线性运动模型对输入的激光雷达点云进行运动畸变矫正,包括,构建非线性运行模型,利用IMU测量数据及IMU预积分估计一个激光雷达扫描周期内的运动,对输入激光雷达点做运动补偿以去除点云畸变;
所述在去除畸变后的激光雷达点云中进行特征点提取,包括,计算某点所在局部区域中点的曲率,基于所述曲率提取边缘特征点和平面特征点。
S2, 将激光雷达帧与局部地图进行配准以获取当前帧位姿估计,依据空间位姿变化情况选取新的激光雷达关键帧,进行自适应体素地图初始化;
在具体实施中,所述将激光雷达帧与局部地图进行配准以获取当前帧位姿估计,包括,利用IMU里程计作为先验位姿初始化激光雷达位姿估计;所述依据空间位姿变化情况选取新的激光雷达关键帧,包括,若当前帧相对于前一关键帧位姿变化值超过指定阈值,则选取当前帧为关键帧。
在具体实施中,所述自适应体素地图初始化,包括,新的激光雷达关键帧与关键帧滑动窗口内的子关键帧构建的局部点云地图进行匹配,关键帧点云与配准位姿用于初始化自适应体素地图。
S3,所述自适应体素地图初始化完成后,所述新的激光雷达关键帧与所述自适应体素地图配准以获取位姿估计,同时自适应体素地图随在关键帧滑动窗口上进行的局部BA优化不断更新;
S4,将激光雷达帧与自适应体素地图配准所得当前位姿估计和IMU预积分因子在局部因子图上进行联合优化,更新位姿、速度以及IMU偏置,得到紧耦合里程计输出。
在具体实施中,所述S4进一步包括,将新的激光雷达关键帧与自适应体素地图配准所得当前位姿估计作为激光雷达里程计因子添加到局部因子图中,利用相邻两个关键帧之间的IMU预积分因子约束激光雷达位姿、速度和IMU偏置,紧耦合激光雷达与IMU测量,实时更新位姿与速度估计以及IMU偏置,得到紧耦合里程计输出。
S5,后端执行BA优化,更新所述关键帧滑动窗口内的激光雷达帧位姿,输出优化后的位姿与地图。
在具体实施中,所述后端执行BA优化,包括,在关键帧滑动窗口中执行所述BA优化,通过最小化特征点到其对应的边缘或平面的距离,在稀疏的激光雷达特征点上执行BA优化,更新所述关键帧滑动窗口内的激光雷达帧位姿,输出优化后的位姿与地图。
本发明还提供一种计算设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行程序,所述可执行程序使所述处理器执行如前所述的融合捆集调整的紧耦合激光惯导里程计与建图方法对应的操作。
本发明还提供一种计算机存储介质,所述存储介质中存储有至少一可执行程序,所述可执行程序使处理器执行如前所述的融合捆集调整的紧耦合激光惯导里程计与建图方法对应的操作。
本发明通过紧耦合激光雷达与IMU测量以实时优化校正状态与偏置变量,利用IMU预积分所得里程计作为先验辅助自适应体素地图初始化,在后端融合高效的激光雷达BA优化,更新滑动窗口中的关键帧位姿并优化相应的自适应体素地图,在极大程度上抑制了里程计竖直方向的漂移,减小了定位与建图过程中的累积误差。能够有效提升大规模场景定位与建图的精度与鲁棒性,缓解低线数稀疏激光雷达建图的地面上翘问题。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对本发明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,下面描述中的附图是本发明的一些实施方式,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为融合捆集调整的紧耦合激光惯导里程计与建图方法流程图;
图2为紧耦合激光惯导里程计因子图的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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作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。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义,“多种”一般包含至少两种。
应当理解,本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
取决于语境,如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地,取决于语境,短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的商品或者***不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种商品或者***所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括这些要素的商品或者***中还存在另外的相同要素。
另外,下述各方法实施例中的步骤时序仅为一种举例,而非严格限定。
本发明提供一种融合捆集调整的紧耦合激光惯导里程计与建图方法,图1为该方法流程图,所述方法包括以下步骤:
S1, 获取来自激光雷达和测量单元的传感器测量数据,基于非线性运动模型对输入的激光雷达点云进行运动畸变矫正,在去除畸变后的激光雷达点云中进行特征点提取;
在具体实施中,所述基于非线性运动模型对输入的激光雷达点云进行运动畸变矫正,包括,构建非线性运行模型,利用IMU测量数据及IMU预积分估计一个激光雷达扫描周期内的运动,对输入激光雷达点做运动补偿以去除点云畸变;
基于非线性运动模型,利用IMU测量数据及IMU预积分对输入激光雷达点云进行运动畸变矫正,具体方法为通过对前后时刻姿态进行插值计算获得tk到ti时刻的平移变换p(k,i)、旋转增量R(k,i),计算公式为:,其中tk和tk+1为第k次扫描的起始和终止时刻,点i为第k次扫描中的一点,其对应时间为ti,第k次扫描期间的平移变换p(k,k+1)由IMU预积分得到,tback与tfront表示与i点相邻的两个IMU测量的时间戳,R(k,back)与R(k,front)分别表示当前帧起始时刻到tback与tfront的旋转变换,R(k,back)与R(k,front)通过IMU的原始角速度测量积分得到。
所述在去除畸变后的激光雷达点云中进行特征点提取,包括,计算某点所在局部区域中点的曲率,基于所述曲率提取边缘特征点和平面特征点。
具体的,通过评估一个局部区域中点的曲率来提取边缘和平面特征。曲率大的点被视为边缘点;反之,曲率小的点被视作平面点。所述激光点的曲率定义为与激光点邻近的前后各五个点与该点坐标的差值之和的平方。
S2, 将激光雷达帧与局部地图进行配准以获取当前帧位姿估计,依据空间位姿变化情况选取新的激光雷达关键帧,进行自适应体素地图初始化;
在具体实施中,所述将激光雷达帧与局部地图进行配准以获取当前帧位姿估计,包括,利用IMU里程计作为先验位姿初始化激光雷达位姿估计;
所述依据空间位姿变化情况选取新的激光雷达关键帧,包括,若当前帧相对于前一关键帧位姿变化值超过指定阈值,则选取当前帧为关键帧。即,当机器人的位姿xi+1相对于先前关键帧的状态xi的改变超过了设定的阈值,则选择对应的激光雷达帧Fi+1作为新的关键帧。
在具体实施中,所述自适应体素地图初始化,包括,新的激光雷达关键帧与关键帧滑动窗口内的子关键帧构建的局部点云地图进行匹配,关键帧点云与配准位姿用于初始化自适应体素地图。
具体的,提取n个与Fi+1最近的关键帧,称之为子关键帧,并将其用作构建局部地图以估计相对位姿变换。子关键帧的集合{Fi-n,…,Fi}通过与其相关联的变换{Ti-n,…,Ti}变换到世界坐标系W下,而后将转换过的子关键帧融合构成体素地图Mi。Mi由边缘特征子体素地图与平面特征子体素地图/>组成。使用ICP方法进行扫描匹配。
所述自适应体素地图的自适应体素化方法具体为:假设已有不同帧的粗略的初始化位姿,可以先将三维空间体素化为默认大小(1m),再依据体素中特征点的情况重复体素化现有栅格。如果当前栅格中所有特征点(来自所有扫描帧)均属于同一个平面或边缘特征,则存储当前体素与其包含的特征点;否则,当前体素被分解为8份,并继续检查是否满足要求,重复这个步骤,直到达到最小栅格大小(0.125m)。
S3,所述自适应体素地图初始化完成后,所述新的激光雷达关键帧与所述自适应体素地图配准以获取位姿估计,同时自适应体素地图随在关键帧滑动窗口上进行的局部BA优化不断更新;
在具体实施中,所述新的激光雷达关键帧与所述自适应体素地图配准,包括,将新的激光雷达关键帧添加进自适应体素地图。具体操作为:对于该帧中的每个点,搜索它所在的体素并将该点添加到它所对应的八叉树的叶节点中。如果在现有地图中找不到该点所在的体素,则创建一个新的八叉树,将该点添加到八叉树的根节点中,并在哈希表中索引根节点。在新的扫描中的所有特征点都被添加进现有的八叉树或者新创建的八叉树后,则按照自适应体素地图的构建方式更新地图:如果节点中的点不构成单一特征(平面或边缘),则将该节点分为八个并逐一检验是否满足要求。
S4,将激光雷达帧与自适应体素地图配准所得当前位姿估计和IMU预积分因子在局部因子图上进行联合优化,更新位姿、速度以及IMU偏置,得到紧耦合里程计输出,图2为紧耦合激光惯导里程计因子图的示意图。
在具体实施中,所述S4进一步包括,将新的激光雷达关键帧与自适应体素地图配准所得当前位姿估计作为激光雷达里程计因子添加到局部因子图中,利用相邻两个关键帧之间的IMU预积分因子约束激光雷达位姿、速度和IMU偏置,紧耦合激光雷达与IMU测量,实时更新位姿与速度估计以及IMU偏置,得到紧耦合里程计输出。
S5,后端执行BA优化,更新所述关键帧滑动窗口内的激光雷达帧位姿,输出优化后的位姿与地图。
在具体实施中,所述后端执行BA优化,包括,在关键帧滑动窗口中执行所述BA优化,通过最小化特征点到其对应的边缘或平面的距离,在稀疏的激光雷达特征点上执行BA优化,更新所述关键帧滑动窗口内的激光雷达帧位姿,输出优化后的位姿与地图。
具体BA优化过程为:联合确定扫描位姿T与单个特征的位置,特征由其上的一个点q与一个单位向量n表示,其中n为平面的法向量与边缘的方向向量。具体的,所述直接BA优化方法最小化每个平面特征点pi到其对应平面的距离的平方和:具体的,所述直接BA优化方法最小化每个边缘特征点pi到其对应边缘的距离的平方和:/>其中λk(A)表示矩阵A的第k大的特征值,uk是对应的特征向量,/>与A为:/>;代表矩阵A的迹。
以上表明最优特征(平面或边缘)参数可以在BA之前解析地获得,并且所得到的BA问题仅仅依赖于位姿T,对位姿T的优化归结为最小化关于T的特征值λk(p(T)),其中为对应于相同特征的所有特征点的向量。通过求解特征参数的解析解,实现可以仅对扫描位姿进行BA优化从而降低优化维度,允许实时优化多帧和大规模密集特征。
本发明还提供一种计算设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行程序,所述可执行程序使所述处理器执行如前所述的融合捆集调整的紧耦合激光惯导里程计与建图方法对应的操作。
本发明还提供一种计算机存储介质,所述存储介质中存储有至少一可执行程序,所述可执行程序使处理器执行本发明其他实施例所提供的方法对应的操作。
本发明还提供一种包含计算机可执行指令的存储介质,其上存储有计算机程序,该程序被处理器执行时实现本发明其他实施例所提供的方法。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (8)
1.一种融合捆集调整的紧耦合激光惯导里程计与建图方法,其特征在于,包括以下步骤:
S1, 获取来自激光雷达和测量单元的传感器测量数据,基于非线性运动模型对输入的激光雷达点云进行运动畸变矫正,在去除畸变后的激光雷达点云中进行特征点提取;
S2, 将激光雷达帧与局部地图进行配准以获取当前帧位姿估计,依据空间位姿变化情况选取新的激光雷达关键帧,进行自适应体素地图初始化;
S3,所述自适应体素地图初始化完成后,所述新的激光雷达关键帧与所述自适应体素地图配准以获取位姿估计,同时自适应体素地图随在关键帧滑动窗口上进行的局部BA优化不断更新;
S4,将激光雷达帧与自适应体素地图配准所得当前位姿估计和IMU预积分因子在局部因子图上进行联合优化,更新位姿、速度以及IMU偏置,得到紧耦合里程计输出;
S5,后端执行捆集调整BA优化,更新所述关键帧滑动窗口内的激光雷达帧位姿,输出优化后的位姿与地图。
2.根据权利要求1所述的融合捆集调整的紧耦合激光惯导里程计与建图方法,其特征在于,
所述基于非线性运动模型对输入的激光雷达点云进行运动畸变矫正,包括,构建非线性运行模型,利用IMU测量数据及IMU预积分估计一个激光雷达扫描周期内的运动,对输入激光雷达点做运动补偿以去除点云畸变;
所述在去除畸变后的激光雷达点云中进行特征点提取,包括,计算某点所在局部区域中点的曲率,基于所述曲率提取边缘特征点和平面特征点。
3.根据权利要求1所述的融合捆集调整的紧耦合激光惯导里程计与建图方法,其特征在于,
所述将激光雷达帧与局部地图进行配准以获取当前帧位姿估计,包括,利用IMU里程计作为先验位姿初始化激光雷达位姿估计;
所述依据空间位姿变化情况选取新的激光雷达关键帧,包括,若当前帧相对于前一关键帧位姿变化值超过指定阈值,则选取当前帧为关键帧。
4.根据权利要求3所述的融合捆集调整的紧耦合激光惯导里程计与建图方法,其特征在于,
所述自适应体素地图初始化,包括,关键帧滑动窗口内的子关键帧用于构建局部点云地图,新的激光雷达关键帧与该局部地图进行匹配,关键帧点云与相应配准位姿用于初始化自适应体素地图。
5.根据权利要求1所述的融合捆集调整的紧耦合激光惯导里程计与建图方法,其特征在于,
所述S4进一步包括,将新的激光雷达关键帧与自适应体素地图配准所得当前位姿估计作为激光雷达里程计因子添加到局部因子图中,利用相邻两个关键帧之间的IMU预积分因子约束激光雷达位姿、速度和IMU偏置,紧耦合激光雷达与IMU测量,实时更新位姿与速度估计以及IMU偏置,得到紧耦合里程计输出。
6.根据权利要求1所述的融合捆集调整的紧耦合激光惯导里程计与建图方法,其特征在于,
所述后端执行BA优化,包括,在关键帧滑动窗口中执行所述BA优化,通过最小化特征点到其对应的边缘或平面的距离,在稀疏的激光雷达特征点上执行BA优化,更新所述关键帧滑动窗口内的激光雷达帧位姿,输出优化后的位姿与地图。
7.一种计算机设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行程序,所述可执行程序使所述处理器执行如权利要求1-6任一项所述的融合捆集调整的紧耦合激光惯导里程计与建图方法对应的操作。
8.一种计算机存储介质,所述存储介质中存储有至少一可执行程序,所述可执行程序使处理器执行如权利要求1-6任一项所述的融合捆集调整的紧耦合激光惯导里程计与建图方法对应的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311667140.XA CN117367412B (zh) | 2023-12-07 | 2023-12-07 | 一种融合捆集调整的紧耦合激光惯导里程计与建图方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311667140.XA CN117367412B (zh) | 2023-12-07 | 2023-12-07 | 一种融合捆集调整的紧耦合激光惯导里程计与建图方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117367412A true CN117367412A (zh) | 2024-01-09 |
CN117367412B CN117367412B (zh) | 2024-03-29 |
Family
ID=89404488
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311667140.XA Active CN117367412B (zh) | 2023-12-07 | 2023-12-07 | 一种融合捆集调整的紧耦合激光惯导里程计与建图方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117367412B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117152675A (zh) * | 2023-07-21 | 2023-12-01 | 华能(广东)能源开发有限公司汕头电厂 | 燃烧器着火检测方法、装置及设备 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112967392A (zh) * | 2021-03-05 | 2021-06-15 | 武汉理工大学 | 一种基于多传感器触合的大规模园区建图定位方法 |
CN113436260A (zh) * | 2021-06-24 | 2021-09-24 | 华中科技大学 | 基于多传感器紧耦合的移动机器人位姿估计方法和*** |
CN113640778A (zh) * | 2021-08-12 | 2021-11-12 | 东风悦享科技有限公司 | 一种基于无重叠视场的多激光雷达的联合标定方法 |
CN113885046A (zh) * | 2021-09-26 | 2022-01-04 | 天津大学 | 针对低纹理车库的智能网联汽车激光雷达定位***及方法 |
CN113947639A (zh) * | 2021-10-27 | 2022-01-18 | 北京斯年智驾科技有限公司 | 基于多雷达点云线特征的自适应在线估计标定***及方法 |
CN114608561A (zh) * | 2022-03-22 | 2022-06-10 | 中国矿业大学 | 一种基于多传感器融合的定位与建图方法及*** |
CN115127542A (zh) * | 2022-07-13 | 2022-09-30 | 智道网联科技(北京)有限公司 | 激光建图方法、装置及电子设备、计算机可读存储介质 |
CN115371663A (zh) * | 2022-08-23 | 2022-11-22 | 智道网联科技(北京)有限公司 | 激光建图方法、装置及电子设备、计算机可读存储介质 |
WO2023004956A1 (zh) * | 2021-07-30 | 2023-02-02 | 西安交通大学 | 一种在高动态环境下的激光slam方法、***设备及存储介质 |
CN115830070A (zh) * | 2022-12-01 | 2023-03-21 | 上海应用技术大学 | 一种牵引变电所巡检机器人红外激光融合定位方法 |
CN116182837A (zh) * | 2023-03-16 | 2023-05-30 | 天津大学 | 基于视觉激光雷达惯性紧耦合的定位建图方法 |
CN116449384A (zh) * | 2023-03-17 | 2023-07-18 | 天津大学 | 基于固态激光雷达的雷达惯性紧耦合定位建图方法 |
CN116878501A (zh) * | 2023-07-12 | 2023-10-13 | 北京理工大学 | 一种基于多传感器融合的高精度定位与建图***及方法 |
-
2023
- 2023-12-07 CN CN202311667140.XA patent/CN117367412B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112967392A (zh) * | 2021-03-05 | 2021-06-15 | 武汉理工大学 | 一种基于多传感器触合的大规模园区建图定位方法 |
CN113436260A (zh) * | 2021-06-24 | 2021-09-24 | 华中科技大学 | 基于多传感器紧耦合的移动机器人位姿估计方法和*** |
WO2023004956A1 (zh) * | 2021-07-30 | 2023-02-02 | 西安交通大学 | 一种在高动态环境下的激光slam方法、***设备及存储介质 |
CN113640778A (zh) * | 2021-08-12 | 2021-11-12 | 东风悦享科技有限公司 | 一种基于无重叠视场的多激光雷达的联合标定方法 |
CN113885046A (zh) * | 2021-09-26 | 2022-01-04 | 天津大学 | 针对低纹理车库的智能网联汽车激光雷达定位***及方法 |
CN113947639A (zh) * | 2021-10-27 | 2022-01-18 | 北京斯年智驾科技有限公司 | 基于多雷达点云线特征的自适应在线估计标定***及方法 |
CN114608561A (zh) * | 2022-03-22 | 2022-06-10 | 中国矿业大学 | 一种基于多传感器融合的定位与建图方法及*** |
CN115127542A (zh) * | 2022-07-13 | 2022-09-30 | 智道网联科技(北京)有限公司 | 激光建图方法、装置及电子设备、计算机可读存储介质 |
CN115371663A (zh) * | 2022-08-23 | 2022-11-22 | 智道网联科技(北京)有限公司 | 激光建图方法、装置及电子设备、计算机可读存储介质 |
CN115830070A (zh) * | 2022-12-01 | 2023-03-21 | 上海应用技术大学 | 一种牵引变电所巡检机器人红外激光融合定位方法 |
CN116182837A (zh) * | 2023-03-16 | 2023-05-30 | 天津大学 | 基于视觉激光雷达惯性紧耦合的定位建图方法 |
CN116449384A (zh) * | 2023-03-17 | 2023-07-18 | 天津大学 | 基于固态激光雷达的雷达惯性紧耦合定位建图方法 |
CN116878501A (zh) * | 2023-07-12 | 2023-10-13 | 北京理工大学 | 一种基于多传感器融合的高精度定位与建图***及方法 |
Non-Patent Citations (1)
Title |
---|
陈学攀: ""基于激光雷达和惯导耦合的室外SLAM研究与实现", 中国优秀硕士学位论文全文数据库工程科技Ⅱ辑, 31 December 2021 (2021-12-31), pages 1 - 74 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117152675A (zh) * | 2023-07-21 | 2023-12-01 | 华能(广东)能源开发有限公司汕头电厂 | 燃烧器着火检测方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN117367412B (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111536964B (zh) | 机器人定位方法及装置、存储介质 | |
EP4155669A1 (en) | Multi-sensor fusion-based slam method and system | |
CN112634451B (zh) | 一种融合多传感器的室外大场景三维建图方法 | |
CN112304307A (zh) | 一种基于多传感器融合的定位方法、装置和存储介质 | |
CN107167826B (zh) | 一种自动驾驶中基于可变网格的图像特征检测的车辆纵向定位***及方法 | |
CN101907459B (zh) | 基于单目视频的实时三维刚体目标姿态估计与测距方法 | |
CN106595659A (zh) | 城市复杂环境下多无人机视觉slam的地图融合方法 | |
CN117367412B (zh) | 一种融合捆集调整的紧耦合激光惯导里程计与建图方法 | |
CN114526745A (zh) | 一种紧耦合激光雷达和惯性里程计的建图方法及*** | |
Demim et al. | Simultaneous localisation and mapping for autonomous underwater vehicle using a combined smooth variable structure filter and extended kalman filter | |
CN115494533A (zh) | 车辆定位方法、装置、存储介质及定位*** | |
CN113763549A (zh) | 融合激光雷达和imu的同时定位建图方法、装置和存储介质 | |
Barrau et al. | Invariant filtering for pose ekf-slam aided by an imu | |
WO2023226154A1 (zh) | 自主定位方法、装置、设备及计算机可读存储介质 | |
CN116577801A (zh) | 一种基于激光雷达和imu的定位与建图方法及*** | |
CN113379915B (zh) | 一种基于点云融合的行车场景构建方法 | |
Hu et al. | Efficient Visual-Inertial navigation with point-plane map | |
Conway et al. | Vision-based Velocimetry over Unknown Terrain with a Low-Noise IMU | |
Escourrou et al. | Ndt localization with 2d vector maps and filtered lidar scans | |
CN117433511B (zh) | 一种多传感器融合定位方法 | |
Li et al. | Localization and Mapping Based on Multi-feature and Multi-sensor Fusion | |
Hou et al. | Research on local point cloud map restoration based on laser SLAM | |
Boche et al. | Tightly-Coupled LiDAR-Visual-Inertial SLAM and Large-Scale Volumetric Occupancy Mapping | |
CN115930943A (zh) | 基于图优化和ekf框架下融合单目视觉和imu的slam方法及*** | |
Fu et al. | Semantic Map-based Visual Localization with Consistency Guarantee |
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 |