CN117570994B - 利用柱状结构辅助slam的地图表征方法 - Google Patents
利用柱状结构辅助slam的地图表征方法 Download PDFInfo
- Publication number
- CN117570994B CN117570994B CN202311643061.5A CN202311643061A CN117570994B CN 117570994 B CN117570994 B CN 117570994B CN 202311643061 A CN202311643061 A CN 202311643061A CN 117570994 B CN117570994 B CN 117570994B
- Authority
- CN
- China
- Prior art keywords
- data
- point cloud
- rod
- plane
- accumulated
- 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.)
- Active
Links
- 238000012512 characterization method Methods 0.000 title claims abstract description 6
- 238000000034 method Methods 0.000 claims abstract description 61
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000009825 accumulation Methods 0.000 claims abstract description 8
- 230000011218 segmentation Effects 0.000 claims abstract description 8
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 14
- 230000014509 gene expression Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims 1
- 230000001131 transforming effect Effects 0.000 abstract description 2
- 238000013459 approach Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
Classifications
-
- 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
- G01C21/20—Instruments for performing navigational calculations
-
- 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
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
-
- 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
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明适用于地图定位技术领域,尤其涉及一种利用柱状结构辅助SLAM的地图表征方法。所述地图表征方法包括:通过激光雷达获取原始点云数据;对所述原始点云数据进行预处理,得到初始位姿数据;将所述原始点云数据变换到全局坐标系,并进行累积处理,得到全局累积点云数据;对所述全局累积数据进行局部保留处理,得到局部累积数据;对所述局部累积数据进行柱状结构的杆件和平面分割处理,并作为杆件路标进行关联、计算残差,得到杆件路标因子;根据所述初始位姿数据获取激光里程计因子,并将所述激光里程计因子和所述杆件路标因子进行因子图优化,输出得到实时鲁棒位姿和对应的语义地图。本发明提高了地图中位姿估计的精度。
Description
技术领域
本发明适用于地图定位技术领域,尤其涉及一种利用柱状结构辅助SLAM的地图表征方法。
背景技术
当前的SLAM(simultaneous localization and mapping,即时定位与地图构建)技术的发展不仅注重位姿估计精度,而且注重地图的表征形式。好的地图表征形式有助于提升定位结果,现有方法的地图表征形式主要有三种:一、特征点地,这种地图可以由每一帧特征点拼接而成全局地图;二、点线面混合表征地图,除了特征点以外,大量线面结构化特征存在于室内环境中,引入必要的结构化信息,如线面等,可以增加定位精度;三、语义物体地图:采用点线面,属于低层次语义地图表征方式,而采用语义物体地图属于高层次的地图表征形式,语义物体比线面特征在定位方面更鲁棒。这不仅能提升定位精度,而且还能用于上层任务交互和运动规划。
地图通常基于参照物体进行构建。相比于其它参照物体(行人车辆等),使用柱状结构的杆件作为参照的优点主要在于:在长期中不会随着光照、季节而变化,是典型的静态物体,例如树干、路灯杆、桁架杆件、建筑物的石柱等圆柱形杆件。将该圆柱形杆件作为路标,可以提高位姿估计精度和鲁棒性。这种思想在自动驾驶高精地图中的应用非常普遍。但现有技术利用圆柱体杆件的相关工作较少。其主要原因为:杆件的形状属于细长型物体,在数据关联上采用以往的方法会出现一些关联错误的现象。在点云覆盖较少的物体的参数估计中,对噪声较敏感,已有方法容错性较低,对外点的处理方式不好;其次,圆柱形杆件在空间中缺少轴线方向自由度约束,不利于数据处理。
发明内容
本发明旨在解决现有技术在构建点云地图时对圆柱形杆件的数据关联处理容错性低、缺少自由度约束的问题。
为解决上述技术问题,本发明提供一种利用柱状结构辅助SLAM的地图表征方法,所述地图表征方法包括以下步骤:
S1、通过激光雷达获取原始点云数据;
S2、对所述原始点云数据进行预处理,得到初始位姿数据;
S3、将所述原始点云数据变换到全局坐标系,并进行累积处理,得到全局累积点云数据;
S4、对所述全局累积数据进行局部保留处理,得到局部累积数据;
S5、对所述局部累积数据进行柱状结构的杆件和平面分割处理,并作为杆件路标进行关联,计算残差,得到杆件路标因子;
S6、根据所述初始位姿数据获取激光里程计因子,并将所述激光里程计因子和所述杆件路标因子进行因子图优化,输出得到实时鲁棒位姿和对应的语义地图。
更进一步地,步骤S2中对所述原始点云数据进行预处理的方法包括特征提取和点云配准。
更进一步地,步骤S3中的累积处理具体为:对处于全局坐标系下的所述原始点云数据累积预设时长,以获取累积点云数据,将所述原始点云数据与所述累积点云数据进行叠加,得到所述全局累积点云数据。
更进一步地,步骤S4中的局部保留处理具体为:对所述全局累积数据中当前坐标的预设范围以外的点云数据进行删除。
更进一步地,步骤S5包括以下子步骤:
S51、在所述局部累积数据中分割出柱状结构的杆件数据和平面数据;
S52、将不同的所述杆件数据进行关联;
S53、根据不同的所述杆件数据的向量和所述平面数据,构建关于所述杆件数据的向量和所述平面数据的交叉点的路标数据的残差表达式;
S54、根据列文伯格-马夸尔特法和所述残差表达式构建优化方程,并进行求解,得到所述杆件路标因子。
更进一步地,步骤S51具体为:
在所述局部累积数据中,利用RANSAC方法分割出地面点云所在的平面作为所述平面数据;
在除去所述平面数据的所述局部累积数据中,多次利用RANSAC方法分割出所述杆件数据。
更进一步地,步骤S52具体为:
基于以下约束判断任意两个所述杆件数据之间是否进行关联:
两个所述杆件数据的轴线夹角和正交距离在预设阈值内;
两个所述杆件数据的点到轴线数据的距离在高斯分布区间内;
基于所述杆件数据构建长半轴方向与杆件轴线一致的椭球,两个所述杆件数据的点均处于椭球的预设空间阈值内。
更进一步地,步骤S53具体为:
定义pi和pj分别是在i和j时刻下估计得到的所述杆件数据,根据pi和pj寻找距离为d的所述平面数据π,以构造k个相互平行的所述平面数据的集合{π1,π2,…,πk},所述平面数据的集合{π1,π2,…,πk}与pi、pj各自的轴线vi、vj的相交点为路标点其中:
nT为所述平面数据的法向量,Δd为是所述平面数据πk-1和πk之间的距离,路标点的残差/>为:
本发明所达到的有益效果,在于提出了一种利用柱状结构辅助SLAM的地图表征方法,该方法基于RANSAC杆件分割,不限制杆件轴线方向,能够对多种场景有较好的适应性,相比于现有方法,针对于细长型杆件物体的数据关联方式有更好的容错率,并在地图构建过程中考虑了利用平面来构造杆件残差,可抑制圆柱体在沿着轴线方向缺乏自由度的现象,从而提高地图中位姿估计的精度。
附图说明
图1是本发明实施例提供的利用柱状结构辅助SLAM的地图表征方法的步骤流程示意图;
图2是本发明实施例提供的杆件、平面自由度约束示意图;
图3是本发明实施例提供的RANSAC方法分割数据示意图;
图4是本发明实施例提供的杆件数据关联约束示意图;
图5是本发明实施例提供的平面辅助构造残差流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
请参照图1,图1是本发明实施例提供的利用柱状结构辅助SLAM的地图表征方法的步骤流程示意图,所述地图表征方法包括以下步骤:
S1、通过激光雷达获取原始点云数据。
S2、对所述原始点云数据进行预处理,得到初始位姿数据。
步骤S2中对所述原始点云数据进行预处理的方法包括特征提取和点云配准。
S3、将所述原始点云数据变换到全局坐标系,并进行累积处理,得到全局累积点云数据。
步骤S3中的累积处理具体为:对处于全局坐标系下的所述原始点云数据累积预设时长,以获取累积点云数据,将所述原始点云数据与所述累积点云数据进行叠加,得到所述全局累积点云数据。
本发明实施例中所述预设时长为1s,累积得到10帧点云。
S4、对所述全局累积数据进行局部保留处理,得到局部累积数据。
步骤S4中的局部保留处理具体为:对所述全局累积数据中当前坐标的预设范围以外的点云数据进行删除。
S5、对所述局部累积数据进行柱状结构的杆件和平面分割处理,并作为杆件路标进行关联,计算残差,得到杆件路标因子。
步骤S5包括以下子步骤:
S51、在所述局部累积数据中分割出柱状结构的杆件数据和平面数据;
S52、将不同的所述杆件数据进行关联;
S53、根据不同的所述杆件数据的向量和所述平面数据,构建关于所述杆件数据的向量和所述平面数据的交叉点的路标数据的残差表达式;
S54、根据列文伯格-马夸尔特法和所述残差表达式构建优化方程,并进行求解,得到所述杆件路标因子。
具体的,本发明实施例中对杆件和平面的表示方式如下:
杆件在几何形状上近似于圆柱体。用于表征圆柱体的数学表达有三种:二次曲面、两个端点和半径、普吕克直线坐标和半径,其中二次曲面和普吕克坐标只能表示圆柱体侧面,无边界约束,不能表示杆件的长度。在本发明实施例中采用了更加直观的杆件数学表征方式,采用中心点pc=(xc,yc,zc)T、轴线的方向向量v=(m,n,p)T、长度l、半径ρ来共同对杆件进行精确描述:
平面元素为:
其中n=(nx,ny,nz)T是法向量,d是原点到平面的距离。
杆件类似于直线和半径的组合。在空间中杆件和直线的自由度数目一致,只能对(x,y,roll,pitch)产生约束,对(z,yaw)不起约束作用。同理平面只能对(z,roll,pitch)起到约束作用,对(x,y,yaw)无法起到约束作用。杆件、平面各自的自由度约束如图2所示。
步骤S51具体为:
在所述局部累积数据中,利用RANSAC方法分割出地面点云所在的平面作为所述平面数据;
在除去所述平面数据的所述局部累积数据中,多次利用RANSAC方法分割出所述杆件数据。
RANSAC方法能有效地应对各种环境的点云。分割过程如图3所示。在得到激光里程计后,将原始输入点云变换到全局坐标系下。累积1s(10帧点云),得到全局累积点云。删除离当前坐标下太远的点云,保留局部区域内的点云。随后利用RANSAC分割出地面点云所在的平面,即图3中的估计平面。接着在剩余的点云中采用多次RANSAC分割出杆件点云,对每一团杆件点云进行PCA。得到三个特征值λ1,λ2,λ3(λ1<λ2<λ3)和特征向量e1,e2,e3,其中最大特征值λ3所对应的特征向量e3即为杆件轴线向量。将坐标变换至原点,通过计算点云高度差即可获得杆件长度l。
步骤S52具体为:
基于以下约束判断任意两个所述杆件数据之间是否进行关联:
两个所述杆件数据的轴线夹角和正交距离在预设阈值内;
两个所述杆件数据的点到轴线数据的距离在高斯分布区间内;
基于所述杆件数据构建长半轴方向与杆件轴线一致的椭球,两个所述杆件数据的点均处于椭球的预设空间阈值内。
具体的,现有的用于杆件数据关联的方法,如图4a、b所示。4a表示如果两个杆件轴线夹角和正交距离在一定阈值内,便可以认为是同一个物体。但这种方式要求估计的模型参数比较准确,对于噪声比较敏感。4b将高斯分布原理应用于杆件物体关联上,该方法认为在杆件表面上的点云呈现一个高斯分布形式,把两个时刻所估计的杆件记为pi,pj。其所对应的点云记为计算点云/>中每个点到轴线的距离d,转化为高斯分布/>根据3σ原则,可认为杆件/>上的点到轴线距离d'都在区间(μ-3σ,μ+3σ)内,但这种方式在半径较小的杆件物体中并不适用。当激光雷达观测噪声与杆件直径相差不大的时候,该方法表现得不理想。
本发明实施例结合上述约束,再加上4c表示的统计椭球内点关联方式作为任意两个所述杆件数据之间是否进行关联的判断依据。例如,利用杆件pi的参数(pc,v,l,r)构造了一个椭球Q,该椭球略大于杆件的形状,长半轴方向与杆件轴线一致,采用下列公式判断点x是否在椭球体Q内:
f(x)=xTQx;
若f(x)小于等于0,说明x在椭球体Q内;否则,x在椭球体Q外。
如果杆件pj的点云中有足够多数量的点落在椭球内部,即满足下述公式,则认为为pi、pj是同一个物体。
sizeof(inliers)>η·sizeof(pj);
其中,η为指定的阈值,可根据精度要求需要进行修改。在本发明实施例中,η设为0.7。
中心坐标pc,方向向量v,长度l和半径r来是一种常见的直观精确描述杆件形式。但每次来自于杆件分割的观测并不完整性,这会导致每次观测的中心坐标pc和长度l都可能相差较大。所以在计算杆件的残差无法利用杆件中心点的距离误差。一种思路是将杆件看成直线,计算两个杆件之间轴线方向向量v的差异。但这种方式容易优化出错误的位姿。本发明实施例采用平面辅助来构造残差,过程如图5a所示。步骤S53具体为:
定义pi和pj分别是在i和j时刻下估计得到的所述杆件数据,根据pi和pj寻找距离为d的所述平面数据π,以构造k个相互平行的所述平面数据的集合{π1,π2,…,πk},所述平面数据的集合{π1,π2,…,πk}与pi、pj各自的轴线vi、vj的相交点为路标点其中:
nT为所述平面数据的法向量,Δd为是所述平面数据πk-1和πk之间的距离,路标点的残差/>为:
根据以上方式构建的因子图如图5b所示,一个杆件包含k个路标点。
而对于残差的求解,本发明实施例采用以下的采用列文伯格-马夸尔特法和所述残差表达式构建优化方程的方法进行求解。具体的:
在优化过程中,正规方程可表示为:
(JTJ+λI)Δx=-JTe;
其中Δx为优化变量,包括位姿Δxc和路标Δxp,e为残差,λ是Levenberg-Marquardt(列文伯格-马夸尔特法,简称LM)算法的参数。J是雅可比矩阵,可写成:
雅可比矩阵的每一个元素可以写成:
其中,p为全局坐标系下路标点的坐标,p′为雷达坐标系下路标点的坐标。当前位姿为c=(R,t)。路标点从全局坐标系p变换到雷达坐标系p′的关系为:
p′=RTp-RTt;
对于同一个杆件pj,路标点存在共线的关系。雅可比矩阵的元素存在递推关系:
其中Δd是平面πk-1和πk之间的距离,可得到关系:
通过上面公式,只需要计算杆件pj的路标点的雅可比值即可递推得到其余点的雅可比值。这个递推关系可以加速求解雅可比矩阵。
S6、根据所述初始位姿数据获取激光里程计因子,并将所述激光里程计因子和所述杆件路标因子进行因子图优化,输出得到实时鲁棒位姿和对应的语义地图。
本发明所达到的有益效果,在于提出了一种利用柱状结构辅助SLAM的地图表征方法,该方法基于RANSAC杆件分割,不限制杆件轴线方向,能够对多种场景有较好的适应性,相比于现有方法,针对于细长型杆件物体的数据关联方式有更好的容错率,并在地图构建过程中考虑了利用平面来构造杆件残差,可抑制圆柱体在沿着轴线方向缺乏自由度的现象,从而提高地图中位姿估计的精度。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存取存储器(Random AccessMemory,简称RAM)等。
需要说明的是,在本文中,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过程、方法、物品或者装置不仅包括那些要素,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过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述,所揭露的仅为本发明较佳实施例而已,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式用等同变化,均属于本发明的保护之内。
Claims (4)
1.一种利用柱状结构辅助SLAM的地图表征方法,其特征在于,所述地图表征方法包括以下步骤:
S1、通过激光雷达获取原始点云数据;
S2、对所述原始点云数据进行预处理,得到初始位姿数据;
S3、将所述原始点云数据变换到全局坐标系,并进行累积处理,得到全局累积点云数据;
S4、对所述全局累积数据进行局部保留处理,得到局部累积数据;
S5、对所述局部累积数据进行柱状结构的杆件和平面分割处理,并作为杆件路标进行关联,计算残差,得到杆件路标因子;
S6、根据所述初始位姿数据获取激光里程计因子,并将所述激光里程计因子和所述杆件路标因子进行因子图优化,输出得到实时鲁棒位姿和对应的语义地图;
其中,步骤S5包括以下子步骤:
S51、在所述局部累积数据中分割出柱状结构的杆件数据和平面数据;
S52、将不同的所述杆件数据进行关联;
S53、根据不同的所述杆件数据的向量和所述平面数据,构建关于所述杆件数据的向量和所述平面数据的交叉点的路标数据的残差表达式;
S54、根据列文伯格-马夸尔特法和所述残差表达式构建优化方程,并进行求解,得到所述杆件路标因子;
步骤S51具体为:
在所述局部累积数据中,利用RANSAC方法分割出地面点云所在的平面作为所述平面数据;
在除去所述平面数据的所述局部累积数据中,利用RANSAC方法分割出所述杆件数据;
步骤S52具体为:
基于以下约束判断任意两个所述杆件数据之间是否进行关联:
两个所述杆件数据的轴线夹角和正交距离在预设阈值内;
两个所述杆件数据的点到轴线数据的距离在高斯分布区间内;
基于所述杆件数据构建长半轴方向与杆件轴线一致的椭球,两个所述杆件数据的点均处于椭球的预设空间阈值内;
步骤S53具体为:
定义和/>分别是在i和j时刻下估计得到的所述杆件数据,根据/>和/>寻找距离为d的所述平面数据/>,以构造k个相互平行的所述平面数据的集合/>,所述平面数据的集合/>与/>、/>各自的轴线/>、/>的相交点为路标点/>,其中:
;
为所述平面数据的法向量,/>为是所述平面数据/>和/>之间的距离,路标点的残差/>为:
。
2.如权利要求1所述的利用柱状结构辅助SLAM的地图表征方法,其特征在于,步骤S2中对所述原始点云数据进行预处理的方法包括特征提取和点云配准。
3.如权利要求1所述的利用柱状结构辅助SLAM的地图表征方法,其特征在于,步骤S3中的累积处理具体为:对处于全局坐标系下的所述原始点云数据累积预设时长,以获取累积点云数据,将所述原始点云数据与所述累积点云数据进行叠加,得到所述全局累积点云数据。
4.如权利要求1所述的利用柱状结构辅助SLAM的地图表征方法,其特征在于,步骤S4中的局部保留处理具体为:对所述全局累积数据中当前坐标的预设范围以外的点云数据进行删除。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311643061.5A CN117570994B (zh) | 2023-12-01 | 2023-12-01 | 利用柱状结构辅助slam的地图表征方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311643061.5A CN117570994B (zh) | 2023-12-01 | 2023-12-01 | 利用柱状结构辅助slam的地图表征方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117570994A CN117570994A (zh) | 2024-02-20 |
CN117570994B true CN117570994B (zh) | 2024-05-28 |
Family
ID=89895382
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311643061.5A Active CN117570994B (zh) | 2023-12-01 | 2023-12-01 | 利用柱状结构辅助slam的地图表征方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117570994B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110223348A (zh) * | 2019-02-25 | 2019-09-10 | 湖南大学 | 基于rgb-d相机的机器人场景自适应位姿估计方法 |
CN113345018A (zh) * | 2021-05-31 | 2021-09-03 | 湖南大学 | 一种动态场景下的激光单目视觉融合定位建图方法 |
CN114565726A (zh) * | 2022-01-26 | 2022-05-31 | 浙江工业大学 | 一种非结构化动态环境下的同时定位与建图方法 |
CN115494533A (zh) * | 2022-09-23 | 2022-12-20 | 潍柴动力股份有限公司 | 车辆定位方法、装置、存储介质及定位*** |
CN116883606A (zh) * | 2023-09-04 | 2023-10-13 | 安徽继远软件有限公司 | 基于激光点云的三维模型构建方法及*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018027206A1 (en) * | 2016-08-04 | 2018-02-08 | Reification Inc. | Methods for simultaneous localization and mapping (slam) and related apparatus and systems |
-
2023
- 2023-12-01 CN CN202311643061.5A patent/CN117570994B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110223348A (zh) * | 2019-02-25 | 2019-09-10 | 湖南大学 | 基于rgb-d相机的机器人场景自适应位姿估计方法 |
CN113345018A (zh) * | 2021-05-31 | 2021-09-03 | 湖南大学 | 一种动态场景下的激光单目视觉融合定位建图方法 |
CN114565726A (zh) * | 2022-01-26 | 2022-05-31 | 浙江工业大学 | 一种非结构化动态环境下的同时定位与建图方法 |
CN115494533A (zh) * | 2022-09-23 | 2022-12-20 | 潍柴动力股份有限公司 | 车辆定位方法、装置、存储介质及定位*** |
CN116883606A (zh) * | 2023-09-04 | 2023-10-13 | 安徽继远软件有限公司 | 基于激光点云的三维模型构建方法及*** |
Non-Patent Citations (2)
Title |
---|
基于LDSO的机器人视觉定位与稠密建图的应用;李奎霖 等;微电子学与计算机;20200205(02);全文 * |
基于特征几何关系的无人车轨迹回环检测;康俊民 等;中国公路学报;20170115(01);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117570994A (zh) | 2024-02-20 |
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*** | |
KR102143108B1 (ko) | 차선 인식 모델링 방법, 장치, 저장 매체 및 기기, 및 인식 방법, 장치, 저장 매체 및 기기 | |
Ma et al. | A review of 3D reconstruction techniques in civil engineering and their applications | |
CN110160502B (zh) | 地图要素提取方法、装置及服务器 | |
CN112347550B (zh) | 耦合式室内三维语义建图及建模方法 | |
CN111060888B (zh) | 一种融合icp和似然域模型的移动机器人重定位方法 | |
Yokoyama et al. | Detection and classification of pole-like objects from mobile laser scanning data of urban environments | |
WO2020211655A1 (zh) | 激光粗配准方法、装置、移动终端及存储介质 | |
CN109685858B (zh) | 一种单目摄像头在线标定方法 | |
CN111427904B (zh) | 高精地图数据的更新方法、装置及电子设备 | |
US10346996B2 (en) | Image depth inference from semantic labels | |
US20150371385A1 (en) | Method and system for calibrating surveillance cameras | |
Taneja et al. | Geometric change detection in urban environments using images | |
CN113822278B (zh) | 一种无受限场景车牌识别方法 | |
Sohn et al. | An implicit regularization for 3D building rooftop modeling using airborne lidar data | |
US10089417B2 (en) | Structure determination in a geographic area | |
CN116485856B (zh) | 一种基于语义分割的无人机图像地理配准方法及相关设备 | |
JP2008020225A (ja) | 自己位置推定プログラム、自己位置推定方法および自己位置推定装置 | |
Waqas et al. | Deep learning-based obstacle-avoiding autonomous UAVs with fiducial marker-based localization for structural health monitoring | |
CN116258826A (zh) | 一种面向露天矿区的语义地图构建及边界实时提取方法 | |
Zhu et al. | Spatial and visual data fusion for capturing, retrieval, and modeling of as-built building geometry and features | |
CN117523403A (zh) | 一种宅基地图斑变化检测方法、***、设备及介质 | |
Zhang et al. | High‐resolution 3‐D geometry updating of digital functional models using point cloud processing and surface cut | |
CN117570994B (zh) | 利用柱状结构辅助slam的地图表征方法 | |
CN113870326A (zh) | 一种基于图像和三维点云配准的结构损伤映射、量化及可视化方法 |
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 |