CN106595659A - 城市复杂环境下多无人机视觉slam的地图融合方法 - Google Patents
城市复杂环境下多无人机视觉slam的地图融合方法 Download PDFInfo
- Publication number
- CN106595659A CN106595659A CN201610974116.4A CN201610974116A CN106595659A CN 106595659 A CN106595659 A CN 106595659A CN 201610974116 A CN201610974116 A CN 201610974116A CN 106595659 A CN106595659 A CN 106595659A
- Authority
- CN
- China
- Prior art keywords
- octomap
- unmanned plane
- map
- point
- complex environment
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000000007 visual effect Effects 0.000 title claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims description 37
- 230000009466 transformation Effects 0.000 claims description 21
- 238000005457 optimization Methods 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000005267 amalgamation Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 12
- 238000004804 winding Methods 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 9
- 238000006073 displacement reaction Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 6
- 241000208340 Araliaceae Species 0.000 claims description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 235000008434 ginseng Nutrition 0.000 claims description 3
- 238000012152 algorithmic method Methods 0.000 claims 1
- 238000004064 recycling Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 4
- 230000005540 biological transmission Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 4
- 230000001186 cumulative effect Effects 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000007630 basic procedure Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种城市复杂环境下多无人机视觉SLAM的地图融合方法,该方法包括以下步骤:1)通过安装在各个无人机上的RGB‑D相机采集图像,再利用无人机对图像进行预处理,再进行图像配准;2)构建视觉里程计,实现回环检测;3)优化无人机的位姿;4)构建octomap地图,实现实时在线SLAM;5)将各octomap传输到地面计算机中,将各局部octomap融合为全局octomap,再将融合后的全区域的octomap传输给各无人机;本方法的计算量减少,可实现实时在线SLAM,减少了不稳定的无线传输带来的信息丢失的隐患;同时,缩减了任务执行时间,提高了任务执行效率,降低了无人机续航能力不足带来的隐患,最终可以获得更精准的定位和建立了更精确的地图。
Description
技术领域
本发明属于视觉导航系统领域,具体讲是一种城市复杂环境下多无人机视觉SLAM的地图融合方法。
背景技术
由于无人机具有小型化,易于操纵,控制等优点,广泛应用于城市救灾、地理勘测等场景。基于城市环境的复杂性,GPS信号易于丢失,而惯性测量元件的累积误差使得无人机无法获得精准的自身位姿信息,因此无人机无法实现自主导航。SLAM技术是解决未知环境下导航的关键技术,SLAM技术已经广泛应用于地面机器人、室内机器人。基于SLAM技术的传感器有激光扫描仪,单目相机,立体相机,RGB-D相机。近些年,利用较轻便,价格便宜,信息丰富的RGB-D相机实现视觉SLAM越来越引起行业内的关注。除此之外,丰富的视觉信息还可以用于无人机的目标跟踪,目标检测。
在单无人机视觉SLAM中,考虑到大规模环境下,时间紧迫,无人机的续航能力有限,并且长时间内,无人机获得的图像信息越来越多,视觉SLAM需要处理的图像越多,视觉里程计中计算无人机位姿变换矩阵所需的计算量大,加重无人机处理器的计算负担。单无人机绘制大规模环境地图可能造成占用大量无人机的内存。同时,大规模的环境下,单无人机SLAM视觉里程计的累积误差随着时间增加。然而,多无人机协同SLAM很好地解决了这些问题。多无人机协同技术可将目标区域划分为多个子区域,减轻各无人机自身处理器的计算量,避免了单个无人机执行导航任务的电池续航能力弱的缺点,快速地实现了区域的定位与地图构建,同时获得更精确的定位与地图。
在无人机的应用领域中,要求一个概率表示、对空白区域(可自由移动区域),占有区域(障碍物)和未知区域建模,在时间和存储空间具有较高的效率的地图。其中:概率表示:无人机通过RGB-D相机感知环境,测量值受不确定性因素影响,例如:动态物体。当要求从嘈杂的环境中创建环境的精确模型时,必须概率地考虑潜在的不确定。多个不确定性的测量结果可以融合成鲁棒性地估计正确的结果。除此之外,此种概率的表示还可以融合来自于其他传感器的数据。对未知区域建模:在自主导航任务中,无人机可以由相机确定占有区域和空闲区域,规划无碰撞路径。未知区域认为是占有区域,需要避免出现在规划的路线上,因此需要对未知区域进行建模。高效率性:无人机可以路径规划和执行任务的关键是地图,同时,地图需要在时间和内存两方面具有高效率。在3D建图领域,内存消耗是一个大问题。因此,在大规模的环境中此地图必须有效地、节省内存地存储。
octomap(概率占有栅格地图)满足上述三种要求,octomap形式紧凑,占内存较小,可以用于导航,方便压缩,更新且分辨率可调。因此采用octomap地图用于无人机的自主导航是很好地选择。
综上分析:多无人机的视觉SLAM是一项军事、救灾领域的重大课题。目前,国内的多无人机视觉SLAM技术还处于初级阶段。因此,如何实现在线、实时的多无人机视觉SLAM用于导航是无人机的前沿技术,同时,面对城市复杂环境下,能够有效的缩小地图内存,减少无人机计算量,提高任务执行的效率的自主导航也是本领域技术人员厄待发展的技术。
发明内容
针对现有技术中存在的问题,本发明公开了一种城市复杂环境下多无人机视觉SLAM的地图融合方法,本发明利用多个无人机搭建的视觉SLAM系统,利用无线发送设备将构建的各octomap发送给地面PC,用迭代最近点算法进行融合,将融合后的全局octomap传送给无人机,用于无人机的自主导航。
本发明是这样实现的,一种城市复杂环境下多无人机视觉SLAM的地图融合方法,该方法的具体步骤如下:
步骤一,通过安装在各个无人机上的RGB-D相机采集图像,再利用无人机对图像进行预处理,再进行图像配准;
步骤二,构建视觉里程计(visual odometry),实现回环检测;
步骤三,优化无人机的位姿,SLAM的处理方法主要包含滤波和图优化。常见的滤波方法有扩展卡尔曼滤波(EKF),粒子滤波等。滤波方法的SLAM是递增、实时的处理数据并矫正无人机的位姿。在RGB-D SLAM中,使用滤波方法,随着时间的推移,地图扩大,内存消耗与计算量大,利用图优化方法可以保证地图的高精度与快效率,所以,选择图优化工具;利用通用的图优化工具优化无人机的位姿,尽可能满足各位姿之间的约束条件,实现优化无人机位姿的目的;
步骤四,构建octomap地图,利用迭代最近点算法实现关键帧对应的点云地图的融合,利用点云地图构建octomap地图,实现实时在线SLAM,建立了概率占有栅格地图octomap,此地图可用于无人机的自主导航及给工作人员提供环境信息;
步骤五,将各octomap传输到地面计算机中,将各局部octomap融合为全局octomap,再将融合后的全区域的octomap传输给各无人机,此全区域地图可用于路径规划,自主导航。
进一步,所述的步骤一具体为:
1.1,该系统的硬件设备包括多架无人机,RGB-D相机,无线传输模块将需要执行SLAM的全区域划分为多个子区域,在各子区域中,利用安装在多架无人机中的RGB-D相机ZED采集关于环境的视频流,获取关于环境的每帧的RGB图像和深度图;本发明将任务区域划分为多个子区域,每个无人机在该子区域进行视觉SLAM,使得单个无人机的计算量相对减少,可实现在线实时视觉SLAM,减少了不稳定的无线传输带来的信息丢失的隐患;
1.2,利用无人机的机载ARM处理芯片,对获得的RGB图像进行预处理;
1.3,将RGB-D图像转化为点云;RGB-D相机使用针孔相机模型,空间点三维坐标[x,y,z]和它在图像中的像素坐标[u,v,d]的对应关系为:
式中,fx,fy分别表示相机在x,y两个轴上的焦距,cx,cy指相机的光圈中心,S指深度
图的缩放因子,即深度图中数据与实际距离的比例;
根据上述式子求得空间点的三维坐标x,y,z如下:
1.4,图像配准;首先进行特征提取与匹配,利用最近邻算法匹配特征点,再利用随机采样一致性算法剔除误匹配,删除外点;
1.5,在获得良好的特征匹配的前提下,利用迭代最近点算法获得相邻两帧之间的变换矩阵。
进一步,所述的空间点与像素点坐标关系还可用矩阵模型表示,对应关系如下:
其中C称为相机的内参,R称为相机的外参,R和t是相机的姿态;R代表旋转矩阵,t代表位移矢量。
进一步,所述的迭代最近点算法的过程如下:
相邻两帧为F1和F2,将两邻两帧的SIFT特征点表示为:
两帧之间的变换矩阵由旋转矩阵R和位移变化向量t组成,因此存在下式:
由于误差的存在,使得左端不等于右端,通过优化下式求得R,t;
将求得R,t用于匹配P,Q中的特征点,获得新的对应点关系;再优化误差项求得新的R,t;依次循环直到到达设定的循环次数或者R,t不再发生改变为止。
进一步,所述的步骤二具体为:选取第一帧作为关键帧,定义无人机运动大小为位移与旋转的范数之和,当无人机运动大小在一定的范围时,选取此刻该无人机位姿对应的帧作为一个关键帧。求取所有相邻两关键帧之间的变换矩阵,将构成视觉里程计。对于增加的新的关键帧,与关键帧序列的末尾m个关键帧进行匹配,若匹配成功则在图优化中增加一条边,从而实现回环检测;利用回环检测识别之前经过的场景,构建连续一致性地图,矫正地图的误差漂移。无人机在实际应用场景中将无可避免遇到闭合场景,利用回环检测功能可将之间遇到的相同环境识别,构成全区域一致性闭合环境地图,也进一步了缩小无人机位姿误差。
进一步,所述的步骤三具体为:利用通用的图优化工具优化无人机的位姿,优化的目标
函数为:
式中,xi,xj分别代表无人机在i,j时刻对应的无人机位姿,Ti,j代表位姿变化矩阵,表示无人机从位姿xj转化为xi。eij为xi与xj经过变换后的差值,表示两者之间的误差。Ωij为权重矩阵,又称为信息矩阵,代表传感器测量过程中对各测量值的信任程度。
进一步,所述的步骤四具体为:
4.1,无人机采集的RGB-D图像转化为点云地图,利用获得的各帧之间的变换矩阵,获
得连续一致的融合后的局部点云地图;
4.2,将点云地图构建为octomap地图。
进一步,所述的步骤五具体为:
5.1,将各无人机的局部octomap地图通过无线传输模块传送给地面PC;
5.2,将各局部octomap利用迭代最近点算法融合为全局octomap;
5.3,将全局octomap通过无线传输模块传递给各无人机,可用于路径规划,导航。
本发明相较于现有技术的有益效果在于:
(1)本发明将任务区域划分为多个子区域,每个无人机在一个子区域进行视觉SLAM,单个无人机的计算量相对减少,可实现在线实时视觉SLAM,减少了不稳定的无线传输带来的信息丢失的隐患。同时,缩减了任务执行时间,提高了任务执行效率,降低了无人机续航能力不强带来的隐患。
(2)相比于单无人机视觉SLAM,视觉里程计中的无人机位姿数量减少,求取的位姿变换矩阵减少,位姿变换矩阵的累积误差减少,因此获得了更精准的定位和建立了更精确的地图。
(3)同时,相比于单无人机SLAM,多无人机SLAM将定位与构图的任务分散到各子无人机,分散了无人机自身处理器的计算量和存储地图所需的空间,使得效率提高。
(4)通过本发明的方法可以获得更精准的定位和建立了更精确的octomap,并且该octomap地图形式紧凑,占内存较小,可以用于导航,方便压缩,更新且分辨率可调。此地图可用于无人机的视觉导航及提供环境信息给工作人员。
附图说明
图1是本发明的视觉SLAM各模块框图;
图2是本发明的实施例中RGB-D图像转化为点云时的透视投影图;
图3是单无人机视觉SLAM原理框图;
图4是本发明的多无人机协同视觉SLAM原理框图。
具体实施方式
下面结合附图对本发明的技术方案做进一步详细的说明:
本设计发明了一种城市复杂环境下多无人机视觉SLAM的地图融合方法,包括如下步骤:
如图1所示,利用安装在无人机中的RGB-D相机ZED采集关于环境的视频流,获取关于环境的每帧的RGB图像和深度图;利用无人机的机载ARM处理芯片,对获得的RGB图像进行预处理,利用高斯滤波滤除噪声。
RGB-D图像转化为点云;RGB-D相机使用针孔相机模型,透视投影关系如图2所示。空间点[x,y,z]和它在图像中的像素坐标[u,v,d]的对应关系为:
式中,fx,fy分别表示相机在x,y两个轴上的焦距,cx,cy指相机的光圈中心,S指深度图的缩放因子,即深度图中数据与实际距离的比例。
根据上述式子求得x,y,z如下:
根据上式求得空间点的三维坐标。
空间点与像素点坐标关系还可用矩阵模型表示如下:
其中C称为相机的内参,R和t是相机的姿态;R代表旋转矩阵,t代表位移矢量,R称为相机的外参。
图像配准;首先进行特征提取与匹配;如图3所示,提取SIFT(尺度不变特征变换)特征。提取SIFT特征分为计算关键点,根据关键点周围的像素计算128维描述子。当两个关键点的描述子越相似,说明两个关键点越匹配。利用最近邻算法匹配特征点。由于基于最近邻的匹配存在误差,因此利用随机采样一致性算法剔除误匹配,删除外点。
如图3所示,在获得良好的特征匹配的前提下,利用迭代最近点算法获得相邻两帧之间的变换矩阵。
迭代最近点算法的过程如下:假设有相邻两帧:F1和F2,由上述提取的两邻两帧的SIFT特征点表示为:
假设两帧之间的变换矩阵由旋转矩阵R和位移变化向量t组成。因此存在下式:
由于误差的存在,使得左端不等于右端;通过优化下式求得R,t。
将求得R,t用于匹配P,Q中的特征点,获得新的对应点关系;再优化误差项求得新的R,t,依次循环直到到达设定的循环次数或者R,t不再发生改变为止。
根据上述步骤,求取所有相邻两帧之间的变换矩阵,将构成视觉里程计。在机器人学与计算机视觉领域,视觉里程计是一个通过分析相关图像序列,来确定机器人位置和姿态的过程。视觉里程计利用连续的图像序列来估计机器人位姿。
回环检测;回环检测有以下两种方法:在先前获取的关键帧中随机选择n个帧的近距离回环和在先前获取的关键帧中选取前n个帧的随机回环。
至此,SLAM的基本流程包括以下两个主要方面:1)提取关键帧,2)回环检测。在视觉里程计中,帧与帧之间的距离很近,因此不必耗费时间去计算每帧时无人机的位姿和拼接点云地图,且有利于实现实时在线点云地图显示。在SLAM流程中,当无人机的运动超过一定间隔,运动一段距离时,增加一个关键帧。所有关键帧对应的无人机位姿构成所有位姿信息,所有关键帧对应的点云图融合构成全局点云地图。
利用通用的图优化(general graph optimization,简称g2o)优化无人机的位姿。图优化可分为前端(front-end)和后端(back-end)。前端构建图为视觉里程计的过程,而后端优化无人机的位姿使得尽量符合边的约束条件。
一个图由节点与边构成:
G={V,E} (7)
V代表节点,E代表连接两节点的边。在无人机SLAM中,V代表相机的各个位姿表示为:
E代表两邻两位姿之间的位姿变换矩阵,可表示为:
由于通过特征提取匹配,利用迭代最近点算法求取的关键帧之间的变换矩阵Ti,j存在误差,所以通过变换矩阵求得的无人机位姿与初始设定的无人机的初始值之间存在误差,因此可以优化一个不一致性误差:
其中为xi的估计值。考虑到传感器的测量受到高斯白噪声的影响,所有测量值的分布可以看做为高斯分布。倘若测量值为多变量的,则为多元高斯分布。测量值中的各变量的可信度不一致,构成了各测量值的权重,所有权重值构成权重矩阵,也称为信息矩阵。信息矩阵为多测量变量的协方差矩阵的逆。协方差越小,表示此次测量越准确,越值得相信,信息权重越大。因此优化的目标函数变为:
由以上可知上述优化目标函数利用最小二乘法求解,由于无人机位姿之间的变化函数不是线性的,所以上述优化问题是一个非线性最小二乘问题。利用Guass-Newton迭代法求解。
局部的点云地图;将此无人机采集的RGB-D图像转化为点云地图,利用获得的各帧之间的变换矩阵,获得连续一致的融合后的局部点云地图。
将点云地图构建为octomap地图。在无人机的应用领域中,要求一个概率表示、对空白区域(可自由移动区域),占有区域(障碍物)和未知区域建模,在时间和存储空间具有较高的效率。构建的octomap地图满足上述三种要求,形式紧凑,占内存较小,可以用于导航,方便压缩,更新且分辨率可调。
如图4所示,将各无人机的局部octomap地图通过无线传输模块传送给地面PC,将各局部octomap利用迭代最近点算法融合为全局octomap。两张octomap地图利用迭代最近点算法进行融合步骤如下:首先,提取octomap中的三维点分别构成两个元素为三维空间点的集合P={p1,p2,…,pn},Q={q1,q2,…,qn};假设两张octomap地图的变换矩阵由旋转矩阵R和位移变化向量t组成。因此存在下式:
由于误差的存在,通过最小二乘法求得R,t,具体表示为优化下式:
因此利用R,t,将Q中对应的三维信息转化为P中。最终将P中的点云地图用octomap形式表示出来。
因此,借鉴两张octomap地图的融合方式,选取第一张octomap地图作为参考,通过上述方法获得其余octomap地图转化到第一张octomap地图的变化矩阵,从而获得一张大的三维点云地图,再表示为octomap地图形式。
获得的全局octomap通过无线传输模块传递给各无人机,可用于路径规划,导航。
以上所述,仅为本发明的较佳实施例,并非用来限定本发明的范围,凡依本发明所做的均等变化与修饰,皆为本发明专利范围所涵盖。
Claims (8)
1.一种城市复杂环境下多无人机视觉SLAM的地图融合方法,其特征在于,该方法包括以下步骤:
步骤一,通过安装在各个无人机上的RGB-D相机采集图像,再利用无人机对图像进行预处理,再进行图像配准;
步骤二,构建视觉里程计,实现回环检测;
步骤三,优化无人机的位姿;
步骤四,构建octomap地图,实现实时在线SLAM;
步骤五,将各octomap传输到地面计算机中,将各局部octomap融合为全局octomap,
再将融合后的全区域的octomap传输给各无人机。
2.根据权利要求1所述的城市复杂环境下多无人机视觉SLAM的地图融合方法,其特征在于,所述的步骤一具体为:
1.1,将需要执行SLAM的全区域划分为多个子区域,在各子区域中,利用安装在无人机中的RGB-D相机ZED采集关于环境的视频流,获取关于环境的每帧的RGB图像和深度图;
1.2,利用无人机的机载ARM处理芯片,对获得的RGB图像进行预处理;
1.3,将RGB-D图像转化为点云;RGB-D相机使用针孔相机模型,空间点三维坐标[x,y,z]和它在图像中的像素坐标[u,v,d]的对应关系为:
式中,fx,fy分别表示相机在x,y两个轴上的焦距,cx,cy指相机的光圈中心,S指深度图的缩放因子,即深度图中数据与实际距离的比例;
根据上述式子求得空间点的三维坐标x,y,z如下:
z=d/s
x=(u-cx)·z/fx
y=(v-cy)·z/fy (2)
1.4,图像配准;首先进行特征提取与匹配,利用最近邻算法匹配特征点,再利用随机采样一致性算法剔除误匹配,删除外点;
1.5,在获得良好的特征匹配的前提下,利用迭代最近点算法获得相邻两帧之间的变换矩阵。
3.根据权利要求2所述的城市复杂环境下多无人机视觉SLAM的地图融合方法,其特征在于,所述的空间点与像素点坐标关系还可用矩阵模型表示,对应关系如下:
其中C称为相机的内参,R称为相机的外参,R和t是相机的姿态;R代表旋转矩阵,t代表位移矢量。
4.根据权利要求2所述的城市复杂环境下多无人机视觉SLAM的地图融合方法,其特征在于,所述的迭代最近点算法的过程如下:
其中一组相邻两帧为F1和F2,将两邻两帧的SIFT特征点表示为:
两帧之间的变换矩阵由旋转矩阵R和位移变化向量t组成,因此存在下式:
通过优化下式求得R,t;
将求得R,t用于匹配P,Q中的特征点,获得新的对应点关系;再优化误差项求得新的R,t;依次循环直到到达设定的循环次数或者R,t不再发生改变为止。
5.根据权利要求4所述的城市复杂环境下多无人机视觉SLAM的地图融合方法,其特征在于,所述的步骤二具体为:求取所有相邻两帧之间的变换矩阵,将构成视觉里程计,实现回环检测。
6.根据权利要求5所述的城市复杂环境下多无人机视觉SLAM的地图融合方法,其特征在于,所述的步骤三具体为:利用通用的图优化工具优化无人机的位姿,优化的目标函数为F,求得最小目标函数对应的无人机位姿x*:
式中,xi,xj分别代表无人机在i,j时刻对应的无人机位姿,Ti,j代表位姿变化矩阵,表示无人机从位姿xj转化为xi,eij为xi与xj经过变换后的差值,表示两者之间的误差,Ωij为权重矩阵,又称为信息矩阵,代表传感器测量过程中对各测量值的信任程度。
7.根据权利要求6所述的城市复杂环境下多无人机视觉SLAM的地图融合方法,其特征在于,所述的步骤四具体为:
4.1,无人机采集的RGB-D图像转化为点云地图,利用获得的各帧之间的变换矩阵,获得连续一致的融合后的局部点云地图;
4.2,将点云地图构建为octomap地图。
8.根据权利要求7所述的城市复杂环境下多无人机视觉SLAM的地图融合方法,其特征在于,所述的步骤五具体为:
5.1,将各无人机的局部octomap地图通过无线传输模块传送给地面PC;
5.2,将各局部octomap利用迭代最近点算法方法融合为全局octomap;
5.3,将全局octomap通过无线传输模块传递给各无人机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610974116.4A CN106595659A (zh) | 2016-11-03 | 2016-11-03 | 城市复杂环境下多无人机视觉slam的地图融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610974116.4A CN106595659A (zh) | 2016-11-03 | 2016-11-03 | 城市复杂环境下多无人机视觉slam的地图融合方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106595659A true CN106595659A (zh) | 2017-04-26 |
Family
ID=58590963
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610974116.4A Pending CN106595659A (zh) | 2016-11-03 | 2016-11-03 | 城市复杂环境下多无人机视觉slam的地图融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106595659A (zh) |
Cited By (70)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107036594A (zh) * | 2017-05-07 | 2017-08-11 | 郑州大学 | 智能电站巡检智能体的定位与多粒度环境感知技术 |
CN107204015A (zh) * | 2017-05-27 | 2017-09-26 | 中山大学 | 基于色彩图像和红外图像融合的即时定位与建图系统 |
CN107272454A (zh) * | 2017-06-19 | 2017-10-20 | 中国人民解放军国防科学技术大学 | 一种基于虚拟现实的实时人机交互方法 |
CN107263473A (zh) * | 2017-06-19 | 2017-10-20 | 中国人民解放军国防科学技术大学 | 一种基于虚拟现实的人机交互方法 |
CN107301654A (zh) * | 2017-06-12 | 2017-10-27 | 西北工业大学 | 一种多传感器的高精度即时定位与建图方法 |
CN107390700A (zh) * | 2017-09-05 | 2017-11-24 | 珠海市微半导体有限公司 | 机器人的动态建图方法及芯片 |
CN107450577A (zh) * | 2017-07-25 | 2017-12-08 | 天津大学 | 基于多传感器的无人机智能感知系统和方法 |
CN107451540A (zh) * | 2017-07-14 | 2017-12-08 | 南京维睛视空信息科技有限公司 | 一种可压缩的3d识别方法 |
CN107515891A (zh) * | 2017-07-06 | 2017-12-26 | 杭州南江机器人股份有限公司 | 一种机器人地图制作方法、装置和存储介质 |
CN107544504A (zh) * | 2017-09-26 | 2018-01-05 | 河南科技学院 | 一种面向复杂环境的灾区救援机器人自主探测系统及方法 |
US9870624B1 (en) | 2017-01-13 | 2018-01-16 | Otsaw Digital Pte. Ltd. | Three-dimensional mapping of an environment |
CN107767450A (zh) * | 2017-10-31 | 2018-03-06 | 南京维睛视空信息科技有限公司 | 一种基于sparse‑slam的实时建图方法 |
CN107808407A (zh) * | 2017-10-16 | 2018-03-16 | 亿航智能设备(广州)有限公司 | 基于双目相机的无人机视觉slam方法、无人机及存储介质 |
CN107862720A (zh) * | 2017-11-24 | 2018-03-30 | 北京华捷艾米科技有限公司 | 基于多地图融合的位姿优化方法及位姿优化系统 |
CN108151728A (zh) * | 2017-12-06 | 2018-06-12 | 华南理工大学 | 一种用于双目slam的半稠密认知地图创建方法 |
CN108303710A (zh) * | 2018-06-12 | 2018-07-20 | 江苏中科院智能科学技术应用研究院 | 基于三维激光雷达的无人机多场景定位建图方法 |
CN108303099A (zh) * | 2018-06-14 | 2018-07-20 | 江苏中科院智能科学技术应用研究院 | 基于三维视觉slam的无人机室内自主导航方法 |
CN108344999A (zh) * | 2018-01-09 | 2018-07-31 | 浙江大学 | 一种用于水下机器人导航的声呐地图构建与重定位方法 |
CN108469729A (zh) * | 2018-01-24 | 2018-08-31 | 浙江工业大学 | 一种基于rgb-d信息的人体目标识别与跟随方法 |
CN108537263A (zh) * | 2018-03-29 | 2018-09-14 | 苏州大学张家港工业技术研究院 | 一种基于最大公共子图的栅格地图融合方法 |
CN108648274A (zh) * | 2018-05-10 | 2018-10-12 | 华南理工大学 | 一种视觉slam的认知点云地图创建系统 |
CN108898669A (zh) * | 2018-07-17 | 2018-11-27 | 网易(杭州)网络有限公司 | 数据处理方法、装置、介质和计算设备 |
CN109029422A (zh) * | 2018-07-10 | 2018-12-18 | 北京木业邦科技有限公司 | 一种多无人机协作构建三维调查地图的方法和装置 |
CN109029417A (zh) * | 2018-05-21 | 2018-12-18 | 南京航空航天大学 | 基于混合视觉里程计和多尺度地图的无人机slam方法 |
CN109191504A (zh) * | 2018-08-01 | 2019-01-11 | 南京航空航天大学 | 一种无人机目标跟踪方法 |
CN109282822A (zh) * | 2018-08-31 | 2019-01-29 | 北京航空航天大学 | 构建导航地图的存储介质、方法和设备 |
CN109459023A (zh) * | 2018-09-18 | 2019-03-12 | 武汉三体机器人有限公司 | 一种基于无人机视觉slam的辅助地面机器人导航方法及装置 |
CN109459052A (zh) * | 2018-12-28 | 2019-03-12 | 上海大学 | 一种扫地机全覆盖路径规划方法 |
CN109579843A (zh) * | 2018-11-29 | 2019-04-05 | 浙江工业大学 | 一种空地多视角下的多机器人协同定位及融合建图方法 |
CN109615698A (zh) * | 2018-12-03 | 2019-04-12 | 哈尔滨工业大学(深圳) | 基于互回环检测的多无人机slam地图融合算法 |
WO2019080924A1 (zh) * | 2017-10-26 | 2019-05-02 | 广州极飞科技有限公司 | 导航图配置方法、避障方法以及装置、终端、无人飞行器 |
CN109752724A (zh) * | 2018-12-26 | 2019-05-14 | 珠海市众创芯慧科技有限公司 | 一种图像激光一体式导航定位系统 |
CN109974721A (zh) * | 2019-01-08 | 2019-07-05 | 武汉中海庭数据技术有限公司 | 一种基于高精度地图的视觉回环检测方法和装置 |
CN110007670A (zh) * | 2019-02-14 | 2019-07-12 | 四川阿泰因机器人智能装备有限公司 | 移动机器人定位建图方法 |
CN110033651A (zh) * | 2018-01-12 | 2019-07-19 | 西安远智电子科技有限公司 | 航区分割方法及装置 |
CN110047142A (zh) * | 2019-03-19 | 2019-07-23 | 中国科学院深圳先进技术研究院 | 无人机三维地图构建方法、装置、计算机设备及存储介质 |
CN110068335A (zh) * | 2019-04-23 | 2019-07-30 | 中国人民解放军国防科技大学 | 一种gps拒止环境下无人机集群实时定位方法及系统 |
CN110146081A (zh) * | 2019-04-30 | 2019-08-20 | 北京云迹科技有限公司 | 用于机器人的地图数据处理方法及装置 |
CN110163968A (zh) * | 2019-05-28 | 2019-08-23 | 山东大学 | Rgbd相机大型三维场景构建方法及系统 |
CN110163915A (zh) * | 2019-04-09 | 2019-08-23 | 深圳大学 | 一种多rgb-d传感器的空间三维扫描方法及装置 |
CN110276826A (zh) * | 2019-05-23 | 2019-09-24 | 全球能源互联网研究院有限公司 | 一种电网作业环境地图的构建方法及系统 |
CN110333513A (zh) * | 2019-07-10 | 2019-10-15 | 国网四川省电力公司电力科学研究院 | 一种融合最小二乘法的粒子滤波slam方法 |
CN110570449A (zh) * | 2019-09-16 | 2019-12-13 | 电子科技大学 | 一种基于毫米波雷达与视觉slam的定位与建图方法 |
CN110779496A (zh) * | 2018-07-30 | 2020-02-11 | 阿里巴巴集团控股有限公司 | 三维地图构建系统、方法、设备和存储介质 |
CN110914640A (zh) * | 2017-08-04 | 2020-03-24 | 罗伯特·博世有限公司 | 用于创建用于工厂环境的对象地图的方法 |
CN110930455A (zh) * | 2019-11-29 | 2020-03-27 | 深圳市优必选科技股份有限公司 | 定位方法、装置、终端设备及存储介质 |
CN111123925A (zh) * | 2019-12-19 | 2020-05-08 | 天津联汇智造科技有限公司 | 一种移动机器人导航系统以及方法 |
CN111174799A (zh) * | 2019-12-24 | 2020-05-19 | Oppo广东移动通信有限公司 | 地图构建方法及装置、计算机可读介质、终端设备 |
CN111540005A (zh) * | 2020-04-21 | 2020-08-14 | 南京理工大学 | 基于二维栅格地图的回环检测方法 |
CN111637897A (zh) * | 2019-03-01 | 2020-09-08 | 纳恩博(常州)科技有限公司 | 地图的更新方法、更新装置、存储介质以及处理器 |
CN111768417A (zh) * | 2020-06-23 | 2020-10-13 | 中南大学 | 基于单目视觉3d重建技术的铁路货车超限检测方法 |
CN111902826A (zh) * | 2018-03-20 | 2020-11-06 | 埃塞克斯大学企业有限公司 | 定位、建图和网络训练 |
CN112000130A (zh) * | 2020-09-07 | 2020-11-27 | 哈尔滨工业大学 | 一种无人机的多机协同高精度建图定位系统 |
CN112132745A (zh) * | 2019-06-25 | 2020-12-25 | 南京航空航天大学 | 一种基于地理信息的多子地图拼接特征融合方法 |
CN112665575A (zh) * | 2020-11-27 | 2021-04-16 | 重庆大学 | 一种基于移动机器人的slam回环检测方法 |
CN108775901B (zh) * | 2018-07-20 | 2021-05-07 | 山东大学 | 一种实时slam场景地图构建系统、导航系统及方法 |
CN112917467A (zh) * | 2019-12-06 | 2021-06-08 | 深圳市优必选科技股份有限公司 | 机器人的定位及地图构建方法、装置及终端设备 |
CN112965507A (zh) * | 2021-02-03 | 2021-06-15 | 南京航空航天大学 | 一种基于智能优化的集群无人机协同工作系统及方法 |
CN113034687A (zh) * | 2021-03-29 | 2021-06-25 | 重庆智行者信息科技有限公司 | 一种用于大型场景的实时栅格地图生成方法 |
CN113155126A (zh) * | 2021-01-04 | 2021-07-23 | 航天时代飞鸿技术有限公司 | 一种基于视觉导航的多机协同目标高精度定位系统及方法 |
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 |
CN113506368A (zh) * | 2021-07-13 | 2021-10-15 | 阿波罗智能技术(北京)有限公司 | 地图数据融合方法、装置、电子设备、介质和程序产品 |
CN113535875A (zh) * | 2021-07-14 | 2021-10-22 | 北京百度网讯科技有限公司 | 地图数据扩充方法、装置、电子设备、介质和程序产品 |
CN115118322A (zh) * | 2022-03-02 | 2022-09-27 | 广东工业大学 | 一种基于事件触发的室内复杂环境无人机协同飞行的方法及装置 |
CN115166686A (zh) * | 2022-09-06 | 2022-10-11 | 天津大学 | 卫星拒止环境下多无人机分布式协同定位与建图方法 |
CN115222905A (zh) * | 2022-07-05 | 2022-10-21 | 苏州大学 | 基于视觉特征的空地多机器人地图融合方法 |
US11518513B2 (en) | 2019-02-15 | 2022-12-06 | Raytheon Company | Intelligent location awareness for unmanned systems |
CN117213470A (zh) * | 2023-11-07 | 2023-12-12 | 武汉大学 | 一种多机碎片地图聚合更新方法及系统 |
CN118115314A (zh) * | 2024-04-30 | 2024-05-31 | 湖南希赛网络科技有限公司 | 一种基于灾后救援的无人机群边端协同计算和充电系统 |
CN118603103A (zh) * | 2024-08-07 | 2024-09-06 | 浙江容祺科技有限公司 | 基于视觉slam的无人机室内导航系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104019813A (zh) * | 2014-06-19 | 2014-09-03 | 无锡知谷网络科技有限公司 | 目标即时定位和构建地图的方法与系统 |
CN104764457A (zh) * | 2015-04-21 | 2015-07-08 | 北京理工大学 | 一种用于无人车的城市环境构图方法 |
CN105022401A (zh) * | 2015-07-06 | 2015-11-04 | 南京航空航天大学 | 基于视觉的多四旋翼无人机协同slam的方法 |
-
2016
- 2016-11-03 CN CN201610974116.4A patent/CN106595659A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104019813A (zh) * | 2014-06-19 | 2014-09-03 | 无锡知谷网络科技有限公司 | 目标即时定位和构建地图的方法与系统 |
CN104764457A (zh) * | 2015-04-21 | 2015-07-08 | 北京理工大学 | 一种用于无人车的城市环境构图方法 |
CN105022401A (zh) * | 2015-07-06 | 2015-11-04 | 南京航空航天大学 | 基于视觉的多四旋翼无人机协同slam的方法 |
Non-Patent Citations (4)
Title |
---|
宋艳: "基于图像特征的RGB-D视觉SLAM算法", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
张彦珍: "基于g2o的SLAM后端优化算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
李永锋等: "基于快速视觉里程计和大回环局部优化模型的改进VSLAM算法", 《机器人》 * |
郑顺凯: "自然环境中基于图优化的单目视觉SLAM的研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (108)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9870624B1 (en) | 2017-01-13 | 2018-01-16 | Otsaw Digital Pte. Ltd. | Three-dimensional mapping of an environment |
WO2018130885A1 (en) * | 2017-01-13 | 2018-07-19 | Otsaw Digital Pte. Ltd. | Three-dimensional mapping of an environment |
US10096129B2 (en) | 2017-01-13 | 2018-10-09 | Otsaw Digital Pte. Ltd. | Three-dimensional mapping of an environment |
CN107036594A (zh) * | 2017-05-07 | 2017-08-11 | 郑州大学 | 智能电站巡检智能体的定位与多粒度环境感知技术 |
CN107204015A (zh) * | 2017-05-27 | 2017-09-26 | 中山大学 | 基于色彩图像和红外图像融合的即时定位与建图系统 |
CN107204015B (zh) * | 2017-05-27 | 2021-06-08 | 中山大学 | 基于色彩图像和红外图像融合的即时定位与建图系统 |
CN107301654A (zh) * | 2017-06-12 | 2017-10-27 | 西北工业大学 | 一种多传感器的高精度即时定位与建图方法 |
CN107272454A (zh) * | 2017-06-19 | 2017-10-20 | 中国人民解放军国防科学技术大学 | 一种基于虚拟现实的实时人机交互方法 |
CN107263473A (zh) * | 2017-06-19 | 2017-10-20 | 中国人民解放军国防科学技术大学 | 一种基于虚拟现实的人机交互方法 |
CN107515891A (zh) * | 2017-07-06 | 2017-12-26 | 杭州南江机器人股份有限公司 | 一种机器人地图制作方法、装置和存储介质 |
CN107451540A (zh) * | 2017-07-14 | 2017-12-08 | 南京维睛视空信息科技有限公司 | 一种可压缩的3d识别方法 |
CN107451540B (zh) * | 2017-07-14 | 2023-09-01 | 南京维睛视空信息科技有限公司 | 一种可压缩的3d识别方法 |
CN107450577A (zh) * | 2017-07-25 | 2017-12-08 | 天津大学 | 基于多传感器的无人机智能感知系统和方法 |
CN110914640A (zh) * | 2017-08-04 | 2020-03-24 | 罗伯特·博世有限公司 | 用于创建用于工厂环境的对象地图的方法 |
CN110914640B (zh) * | 2017-08-04 | 2024-03-12 | 罗伯特·博世有限公司 | 用于创建用于工厂环境的对象地图的方法 |
CN107390700B (zh) * | 2017-09-05 | 2021-06-01 | 珠海市一微半导体有限公司 | 机器人的动态建图方法及芯片 |
CN107390700A (zh) * | 2017-09-05 | 2017-11-24 | 珠海市微半导体有限公司 | 机器人的动态建图方法及芯片 |
CN107544504A (zh) * | 2017-09-26 | 2018-01-05 | 河南科技学院 | 一种面向复杂环境的灾区救援机器人自主探测系统及方法 |
CN107544504B (zh) * | 2017-09-26 | 2020-08-21 | 河南科技学院 | 一种面向复杂环境的灾区救援机器人自主探测系统及方法 |
WO2019076304A1 (zh) * | 2017-10-16 | 2019-04-25 | 亿航智能设备(广州)有限公司 | 基于双目相机的无人机视觉slam方法、无人机及存储介质 |
CN107808407A (zh) * | 2017-10-16 | 2018-03-16 | 亿航智能设备(广州)有限公司 | 基于双目相机的无人机视觉slam方法、无人机及存储介质 |
WO2019080924A1 (zh) * | 2017-10-26 | 2019-05-02 | 广州极飞科技有限公司 | 导航图配置方法、避障方法以及装置、终端、无人飞行器 |
CN107767450A (zh) * | 2017-10-31 | 2018-03-06 | 南京维睛视空信息科技有限公司 | 一种基于sparse‑slam的实时建图方法 |
CN107767450B (zh) * | 2017-10-31 | 2021-05-28 | 南京维睛视空信息科技有限公司 | 一种基于sparse-slam的实时建图方法 |
CN107862720B (zh) * | 2017-11-24 | 2020-05-22 | 北京华捷艾米科技有限公司 | 基于多地图融合的位姿优化方法及位姿优化系统 |
CN107862720A (zh) * | 2017-11-24 | 2018-03-30 | 北京华捷艾米科技有限公司 | 基于多地图融合的位姿优化方法及位姿优化系统 |
CN108151728A (zh) * | 2017-12-06 | 2018-06-12 | 华南理工大学 | 一种用于双目slam的半稠密认知地图创建方法 |
CN108344999A (zh) * | 2018-01-09 | 2018-07-31 | 浙江大学 | 一种用于水下机器人导航的声呐地图构建与重定位方法 |
CN110033651A (zh) * | 2018-01-12 | 2019-07-19 | 西安远智电子科技有限公司 | 航区分割方法及装置 |
CN108469729B (zh) * | 2018-01-24 | 2020-11-27 | 浙江工业大学 | 一种基于rgb-d信息的人体目标识别与跟随方法 |
CN108469729A (zh) * | 2018-01-24 | 2018-08-31 | 浙江工业大学 | 一种基于rgb-d信息的人体目标识别与跟随方法 |
CN111902826A (zh) * | 2018-03-20 | 2020-11-06 | 埃塞克斯大学企业有限公司 | 定位、建图和网络训练 |
CN108537263B (zh) * | 2018-03-29 | 2020-10-30 | 苏州大学张家港工业技术研究院 | 一种基于最大公共子图的栅格地图融合方法 |
CN108537263A (zh) * | 2018-03-29 | 2018-09-14 | 苏州大学张家港工业技术研究院 | 一种基于最大公共子图的栅格地图融合方法 |
CN108648274A (zh) * | 2018-05-10 | 2018-10-12 | 华南理工大学 | 一种视觉slam的认知点云地图创建系统 |
CN108648274B (zh) * | 2018-05-10 | 2020-05-22 | 华南理工大学 | 一种视觉slam的认知点云地图创建系统 |
CN109029417B (zh) * | 2018-05-21 | 2021-08-10 | 南京航空航天大学 | 基于混合视觉里程计和多尺度地图的无人机slam方法 |
CN109029417A (zh) * | 2018-05-21 | 2018-12-18 | 南京航空航天大学 | 基于混合视觉里程计和多尺度地图的无人机slam方法 |
CN108303710A (zh) * | 2018-06-12 | 2018-07-20 | 江苏中科院智能科学技术应用研究院 | 基于三维激光雷达的无人机多场景定位建图方法 |
CN108303099A (zh) * | 2018-06-14 | 2018-07-20 | 江苏中科院智能科学技术应用研究院 | 基于三维视觉slam的无人机室内自主导航方法 |
CN108303099B (zh) * | 2018-06-14 | 2018-09-28 | 江苏中科院智能科学技术应用研究院 | 基于三维视觉slam的无人机室内自主导航方法 |
CN109029422B (zh) * | 2018-07-10 | 2021-03-05 | 北京木业邦科技有限公司 | 一种多无人机协作构建三维调查地图的方法和装置 |
CN109029422A (zh) * | 2018-07-10 | 2018-12-18 | 北京木业邦科技有限公司 | 一种多无人机协作构建三维调查地图的方法和装置 |
CN108898669A (zh) * | 2018-07-17 | 2018-11-27 | 网易(杭州)网络有限公司 | 数据处理方法、装置、介质和计算设备 |
CN108775901B (zh) * | 2018-07-20 | 2021-05-07 | 山东大学 | 一种实时slam场景地图构建系统、导航系统及方法 |
CN110779496A (zh) * | 2018-07-30 | 2020-02-11 | 阿里巴巴集团控股有限公司 | 三维地图构建系统、方法、设备和存储介质 |
CN110779496B (zh) * | 2018-07-30 | 2022-03-22 | 斑马智行网络(香港)有限公司 | 三维地图构建系统、方法、设备和存储介质 |
CN109191504A (zh) * | 2018-08-01 | 2019-01-11 | 南京航空航天大学 | 一种无人机目标跟踪方法 |
CN109282822B (zh) * | 2018-08-31 | 2020-05-05 | 北京航空航天大学 | 构建导航地图的存储介质、方法和设备 |
CN109282822A (zh) * | 2018-08-31 | 2019-01-29 | 北京航空航天大学 | 构建导航地图的存储介质、方法和设备 |
CN109459023B (zh) * | 2018-09-18 | 2021-07-16 | 武汉三体机器人有限公司 | 一种基于无人机视觉slam的辅助地面机器人导航方法及装置 |
CN109459023A (zh) * | 2018-09-18 | 2019-03-12 | 武汉三体机器人有限公司 | 一种基于无人机视觉slam的辅助地面机器人导航方法及装置 |
CN109579843A (zh) * | 2018-11-29 | 2019-04-05 | 浙江工业大学 | 一种空地多视角下的多机器人协同定位及融合建图方法 |
CN109579843B (zh) * | 2018-11-29 | 2020-10-27 | 浙江工业大学 | 一种空地多视角下的多机器人协同定位及融合建图方法 |
CN109615698A (zh) * | 2018-12-03 | 2019-04-12 | 哈尔滨工业大学(深圳) | 基于互回环检测的多无人机slam地图融合算法 |
CN109752724A (zh) * | 2018-12-26 | 2019-05-14 | 珠海市众创芯慧科技有限公司 | 一种图像激光一体式导航定位系统 |
CN109459052A (zh) * | 2018-12-28 | 2019-03-12 | 上海大学 | 一种扫地机全覆盖路径规划方法 |
CN109974721A (zh) * | 2019-01-08 | 2019-07-05 | 武汉中海庭数据技术有限公司 | 一种基于高精度地图的视觉回环检测方法和装置 |
CN110007670B (zh) * | 2019-02-14 | 2021-11-23 | 四川阿泰因机器人智能装备有限公司 | 移动机器人定位建图方法 |
CN110007670A (zh) * | 2019-02-14 | 2019-07-12 | 四川阿泰因机器人智能装备有限公司 | 移动机器人定位建图方法 |
US11518513B2 (en) | 2019-02-15 | 2022-12-06 | Raytheon Company | Intelligent location awareness for unmanned systems |
CN111637897B (zh) * | 2019-03-01 | 2022-04-19 | 纳恩博(常州)科技有限公司 | 地图的更新方法、更新装置、存储介质以及处理器 |
CN111637897A (zh) * | 2019-03-01 | 2020-09-08 | 纳恩博(常州)科技有限公司 | 地图的更新方法、更新装置、存储介质以及处理器 |
CN110047142A (zh) * | 2019-03-19 | 2019-07-23 | 中国科学院深圳先进技术研究院 | 无人机三维地图构建方法、装置、计算机设备及存储介质 |
CN110163915A (zh) * | 2019-04-09 | 2019-08-23 | 深圳大学 | 一种多rgb-d传感器的空间三维扫描方法及装置 |
CN110068335A (zh) * | 2019-04-23 | 2019-07-30 | 中国人民解放军国防科技大学 | 一种gps拒止环境下无人机集群实时定位方法及系统 |
CN110068335B (zh) * | 2019-04-23 | 2021-07-30 | 中国人民解放军国防科技大学 | 一种gps拒止环境下无人机集群实时定位方法及系统 |
CN110146081A (zh) * | 2019-04-30 | 2019-08-20 | 北京云迹科技有限公司 | 用于机器人的地图数据处理方法及装置 |
CN110276826A (zh) * | 2019-05-23 | 2019-09-24 | 全球能源互联网研究院有限公司 | 一种电网作业环境地图的构建方法及系统 |
CN110163968A (zh) * | 2019-05-28 | 2019-08-23 | 山东大学 | Rgbd相机大型三维场景构建方法及系统 |
CN112132745A (zh) * | 2019-06-25 | 2020-12-25 | 南京航空航天大学 | 一种基于地理信息的多子地图拼接特征融合方法 |
CN112132745B (zh) * | 2019-06-25 | 2022-01-04 | 南京航空航天大学 | 一种基于地理信息的多子地图拼接特征融合方法 |
CN110333513B (zh) * | 2019-07-10 | 2023-01-10 | 国网四川省电力公司电力科学研究院 | 一种融合最小二乘法的粒子滤波slam方法 |
CN110333513A (zh) * | 2019-07-10 | 2019-10-15 | 国网四川省电力公司电力科学研究院 | 一种融合最小二乘法的粒子滤波slam方法 |
CN110570449A (zh) * | 2019-09-16 | 2019-12-13 | 电子科技大学 | 一种基于毫米波雷达与视觉slam的定位与建图方法 |
CN110930455A (zh) * | 2019-11-29 | 2020-03-27 | 深圳市优必选科技股份有限公司 | 定位方法、装置、终端设备及存储介质 |
CN110930455B (zh) * | 2019-11-29 | 2023-12-29 | 深圳市优必选科技股份有限公司 | 定位方法、装置、终端设备及存储介质 |
CN112917467A (zh) * | 2019-12-06 | 2021-06-08 | 深圳市优必选科技股份有限公司 | 机器人的定位及地图构建方法、装置及终端设备 |
CN111123925A (zh) * | 2019-12-19 | 2020-05-08 | 天津联汇智造科技有限公司 | 一种移动机器人导航系统以及方法 |
CN111174799A (zh) * | 2019-12-24 | 2020-05-19 | Oppo广东移动通信有限公司 | 地图构建方法及装置、计算机可读介质、终端设备 |
CN111174799B (zh) * | 2019-12-24 | 2023-02-17 | Oppo广东移动通信有限公司 | 地图构建方法及装置、计算机可读介质、终端设备 |
CN111540005B (zh) * | 2020-04-21 | 2022-10-18 | 南京理工大学 | 基于二维栅格地图的回环检测方法 |
CN111540005A (zh) * | 2020-04-21 | 2020-08-14 | 南京理工大学 | 基于二维栅格地图的回环检测方法 |
CN111768417A (zh) * | 2020-06-23 | 2020-10-13 | 中南大学 | 基于单目视觉3d重建技术的铁路货车超限检测方法 |
CN111768417B (zh) * | 2020-06-23 | 2023-12-05 | 中南大学 | 基于单目视觉3d重建技术的铁路货车超限检测方法 |
CN112000130A (zh) * | 2020-09-07 | 2020-11-27 | 哈尔滨工业大学 | 一种无人机的多机协同高精度建图定位系统 |
CN112665575B (zh) * | 2020-11-27 | 2023-12-29 | 重庆大学 | 一种基于移动机器人的slam回环检测方法 |
CN112665575A (zh) * | 2020-11-27 | 2021-04-16 | 重庆大学 | 一种基于移动机器人的slam回环检测方法 |
CN113155126B (zh) * | 2021-01-04 | 2023-10-20 | 航天时代飞鸿技术有限公司 | 一种基于视觉导航的多机协同目标高精度定位系统及方法 |
CN113155126A (zh) * | 2021-01-04 | 2021-07-23 | 航天时代飞鸿技术有限公司 | 一种基于视觉导航的多机协同目标高精度定位系统及方法 |
CN112965507A (zh) * | 2021-02-03 | 2021-06-15 | 南京航空航天大学 | 一种基于智能优化的集群无人机协同工作系统及方法 |
CN113034687B (zh) * | 2021-03-29 | 2024-04-16 | 北京智行者科技股份有限公司 | 一种用于大型场景的实时栅格地图生成方法 |
CN113034687A (zh) * | 2021-03-29 | 2021-06-25 | 重庆智行者信息科技有限公司 | 一种用于大型场景的实时栅格地图生成方法 |
CN113345018B (zh) * | 2021-05-31 | 2022-06-14 | 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 |
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 |
CN113506368A (zh) * | 2021-07-13 | 2021-10-15 | 阿波罗智能技术(北京)有限公司 | 地图数据融合方法、装置、电子设备、介质和程序产品 |
CN113535875A (zh) * | 2021-07-14 | 2021-10-22 | 北京百度网讯科技有限公司 | 地图数据扩充方法、装置、电子设备、介质和程序产品 |
CN115118322A (zh) * | 2022-03-02 | 2022-09-27 | 广东工业大学 | 一种基于事件触发的室内复杂环境无人机协同飞行的方法及装置 |
CN115222905A (zh) * | 2022-07-05 | 2022-10-21 | 苏州大学 | 基于视觉特征的空地多机器人地图融合方法 |
CN115222905B (zh) * | 2022-07-05 | 2024-03-22 | 苏州大学 | 基于视觉特征的空地多机器人地图融合方法 |
CN115166686B (zh) * | 2022-09-06 | 2022-11-11 | 天津大学 | 卫星拒止环境下多无人机分布式协同定位与建图方法 |
CN115166686A (zh) * | 2022-09-06 | 2022-10-11 | 天津大学 | 卫星拒止环境下多无人机分布式协同定位与建图方法 |
CN117213470A (zh) * | 2023-11-07 | 2023-12-12 | 武汉大学 | 一种多机碎片地图聚合更新方法及系统 |
CN117213470B (zh) * | 2023-11-07 | 2024-01-23 | 武汉大学 | 一种多机碎片地图聚合更新方法及系统 |
CN118115314A (zh) * | 2024-04-30 | 2024-05-31 | 湖南希赛网络科技有限公司 | 一种基于灾后救援的无人机群边端协同计算和充电系统 |
CN118115314B (zh) * | 2024-04-30 | 2024-08-09 | 湖南希赛网络科技有限公司 | 一种基于灾后救援的无人机群边端协同计算和充电系统 |
CN118603103A (zh) * | 2024-08-07 | 2024-09-06 | 浙江容祺科技有限公司 | 基于视觉slam的无人机室内导航系统 |
CN118603103B (zh) * | 2024-08-07 | 2024-10-01 | 浙江容祺科技有限公司 | 基于视觉slam的无人机室内导航系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106595659A (zh) | 城市复杂环境下多无人机视觉slam的地图融合方法 | |
CN109166149B (zh) | 一种融合双目相机与imu的定位与三维线框结构重建方法与系统 | |
CN110223348B (zh) | 基于rgb-d相机的机器人场景自适应位姿估计方法 | |
CN111862126B (zh) | 深度学习与几何算法结合的非合作目标相对位姿估计方法 | |
Lu et al. | L3-net: Towards learning based lidar localization for autonomous driving | |
Abayowa et al. | Automatic registration of optical aerial imagery to a LiDAR point cloud for generation of city models | |
Wefelscheid et al. | Three-dimensional building reconstruction using images obtained by unmanned aerial vehicles | |
CN111862673B (zh) | 基于顶视图的停车场车辆自定位及地图构建方法 | |
CN112634451A (zh) | 一种融合多传感器的室外大场景三维建图方法 | |
CN112556719B (zh) | 一种基于cnn-ekf的视觉惯性里程计实现方法 | |
CN205426175U (zh) | 一种融合车载多传感器的slam装置 | |
CN105719352B (zh) | 人脸三维点云超分辨率融合方法及应用其的数据处理装置 | |
Qian et al. | Robust visual-lidar simultaneous localization and mapping system for UAV | |
CN113903011A (zh) | 一种适用于室内停车场的语义地图构建及定位方法 | |
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 | |
Alcantarilla et al. | Large-scale dense 3D reconstruction from stereo imagery | |
CN114485640A (zh) | 基于点线特征的单目视觉惯性同步定位与建图方法及系统 | |
CN115574816A (zh) | 仿生视觉多源信息智能感知无人平台 | |
Beauvisage et al. | Robust multispectral visual-inertial navigation with visual odometry failure recovery | |
CN112945233B (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 | |
Majdik et al. | Micro air vehicle localization and position tracking from textured 3d cadastral models | |
Hoang et al. | Motion estimation based on two corresponding points and angular deviation optimization | |
Gokhool et al. | A dense map building approach from spherical RGBD images | |
CN117470259A (zh) | 一种子母式空地协同多传感器融合三维建图系统 | |
Lu et al. | Vision-based localization methods under GPS-denied conditions |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170426 |