CN107180215B - 基于库位和二维码的停车场自动建图与高精度定位方法 - Google Patents

基于库位和二维码的停车场自动建图与高精度定位方法 Download PDF

Info

Publication number
CN107180215B
CN107180215B CN201710397595.2A CN201710397595A CN107180215B CN 107180215 B CN107180215 B CN 107180215B CN 201710397595 A CN201710397595 A CN 201710397595A CN 107180215 B CN107180215 B CN 107180215B
Authority
CN
China
Prior art keywords
dimensional code
vehicle
library
map
camera
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.)
Expired - Fee Related
Application number
CN201710397595.2A
Other languages
English (en)
Other versions
CN107180215A (zh
Inventor
赵君峤
张绍明
黄业韡
贺旭东
张涛
孙路
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongji University
Original Assignee
Tongji University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tongji University filed Critical Tongji University
Priority to CN201710397595.2A priority Critical patent/CN107180215B/zh
Publication of CN107180215A publication Critical patent/CN107180215A/zh
Application granted granted Critical
Publication of CN107180215B publication Critical patent/CN107180215B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
    • G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
    • G06K7/14—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation using light without selection of wavelength, e.g. sensing reflected white light
    • G06K7/1404—Methods for optical code recognition
    • G06K7/1408—Methods for optical code recognition the method being specifically adapted for the type of code
    • G06K7/1417—2D bar codes
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Toxicology (AREA)
  • Electromagnetism (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Navigation (AREA)

Abstract

本发明提出了一种基于库位和二维码识别的即时定位与建图(SLAM)方法，基于低成本的前视单目相机以及由鱼眼相机组成的环视系统，对环境中的库位、库位编号以及预先布设的二维码进行鲁棒识别；利用低成本的惯性导航设备对车辆航向以及速度进行观测；利用SLAM算法实现对环境中的库位以及二维码标记的位置的优化估计，实现车库平面分布图自动构建，并利用建图结果实现无人车的实时高精度分米级定位。

Description

基于库位和二维码的停车场自动建图与高精度定位方法
技术领域
本发明是一种应用于停车场以及类似无GNSS环境下的自动建图与高精度定位方法，适用无人车在停车场环境中的自主无人驾驶。
背景技术
在室外，全球卫星导航系统(GNSS)技术已经可以提供准确可靠的定位导航服务，但在室内空间，由于建筑墙体遮挡，无法接受到GNSS信号。当前实现室内停车场定位的方法主要依靠无线设备例如WiFi或UWB等，其一方面需要布设大量基站设备，成本高昂；另一方面定位精度(米级)难以满足无人驾驶需求。另外，采用激光雷达的机器人室内SLAM受到激光雷达成本的制约，难以在量产车型中装备；采用纯视觉系统的机器人SLAM方法受到停车场环境中缺乏丰富纹理的限制，无法保证精度和可用性。
发明内容
本发明提出了一种基于库位和二维码识别的即时定位与建图(SLAM)方法，基于低成本的前视单目相机以及由鱼眼相机组成的环视系统，对环境中的库位、库位编号以及预先布设的二维码进行鲁棒识别；利用低成本的惯性导航设备对车辆航向以及速度进行观测；利用SLAM算法实现对环境中的库位以及二维码标记的位置的优化估计，实现车库平面分布图自动构建，并利用建图结果实现无人车的实时高精度分米级定位。
本发明所采用的技术方案是：
1、通过低成本前视单目相机以及鱼眼环视相机获得车辆前方以及车辆四周地面的图像信息；
2、从前视图像中识别并提取二维码标志的类型和二维码的四个角点，利用二维码的平面假设计算车辆与二维码之间的相对位置关系；
3、从环视图像中提取库位的边界线，计算库位边界在车辆坐标系中的坐标，同时对库位的编号进行识别；
4、利用二维码标志的编号、库位位置和编号，对重复观测的库位以及二维码进行闭环优化，消除累积噪声；
5、实时通过扩展卡尔曼滤波器优化融合基于库位和二维码分别求解出的车辆位置信息，以及惯性导航观测得到的车辆位移信息，实现优化建图；
6、利用图优化方法对建图结果进行多次优化，提高建图的精度；
7、将建图结果进行保存，生成停车场库位平面地图；在线定位时通过已生成的建图结果，通过对库位边界以及二维码的实时识别优化求解当前车辆的位置，实现分米级的高精度定位。
本发明的有益效果是：1、在停车场等无GNSS信号以及在视觉特征稀疏的环境中提供高精度的实时定位结果；2、使用低成本传感器，和少数纸质二维码标记，实用性强；3、自动构建的定位地图能够同时支持无人车自主无人驾驶的定位需求，以及人类在停车场内的导航需求。
附图说明
图1各相机传感器获得的影像
图2二维码布置效果图
图3单目相机影像中视觉标记与三维空间坐标系中视觉标记对应关系
图4俯视图中检测得的库位
图5本方法中使用的图模型及基于视觉标记的导航示例
具体实施方式
基于本发明技术方案，以下结合附图对本发明技术方案做更为详细的介绍。
各个步骤依次为：
1、通过低成本前视单目相机以及鱼眼环视相机获得车辆前方以及车辆四周地面的图像信息
视觉传感器布置与标定：
1.1布置
本发明采用1个前视相机和4个鱼眼环视相机，前视相机分辨率为1080p或以上，水平视场角75-90度之间，帧率为25Hz，延迟小于5ms；鱼眼环视相机分辨率为720p或以上，水平视场角180度，帧率为25Hz，延迟小于5ms。其中，前视相机布置于汽车前挡风玻璃与后视镜之间；鱼眼环视相机布置于车辆前后保险杠，以及左右后视镜。
1.2标定
通过棋盘格内参标定法对前视相机和鱼眼相机的内参数进行标定，通过地面标志点对鱼眼相机的外参数进行标定，获得拼接后的俯视图如图1所示。
2、从前视图像中识别并提取二维码标志的类型和二维码的四个角点，利用二维码的平面假设计算车辆与二维码之间的相对位置关系
二维码布置及检测方法说明
2.1二维码布置
二维码生成采用Apriltag方案(https://april.eecs.umich.edu/wiki/AprilTags)，将二维码打印于A2以上尺寸的雾面防水纸，然后将其张贴在停车场的立柱与墙面之上。张贴的密度约为沿停车场道路每1张/10m，在转弯处增加张贴密度至1张/5m。张贴高度约为1.7m-2.5m，保证车辆前视相机能够观测到二维码，并避免其他车辆的遮挡。二维码布置效果图如图2所示。
2.2检测并计算车辆与二维码之间的相对位置关系
利用前视单目相机对二维码进行检测，其中首先使用AprilTag SDK检测二维码的角点坐标。由于图像中四个角点在世界坐标系中位于同一平面上，因此对于每一个角点，可列出方程：R·K-1·x+t＝X，其中，K为相机内参数，x为角点在像空间坐标系中的坐标，R,t为相机在这一时刻的外参数，分别代表旋转和平移，X为角点在三维空间中的坐标。
如图3所示，其中s为人为二维码标记边长的一半。由于四个角点之间的位置关系已知，根据其位置关系，可以建立一个以二维码标记中心为原点，x轴沿标记边缘方向右，y轴沿标记边缘方向向上，z轴垂直于标记平面向内的三维空间直角坐标系。在此坐标系中，X已知，此外，x已经检测确定，K通过相机标定得出，R,t自由度为6Dof，则仅需三个或以上点，即可迭代求解出R,t。
对R进行罗德里格变换，即得单目相机到二维码标记中心连线与车辆航向的夹角a，对t取二范数即为单目相机到二维码标记中心的距离d。则构建视觉标记在车身坐标系，坐标为：
x＝sin(a)·d
y＝cos(a)·d。
3、从环视图像中提取库位的边界线，计算库位边界在车辆坐标系中的坐标，同时对库位的编号进行识别
库位布置及检测方法说明
3.1库位布置
库位需为停车场标准库位，其包括平直的库位线以及库位编号(英文字母与阿拉伯数字)。
3.2检测并计算
在获得环视相机俯视图后，利用机器视觉方法，检测俯视图中的停车库位线与库位编号。由于俯视图标定在步骤2构建的车身坐标系(x轴方向垂直航向向右，y轴方向沿航向指向车辆行驶方向)下，因此库位近端两个角点坐标可直接读出，远端两个角点利用库位规则(所述库位规则，为每个车库固有的规则，非本发明技术方案需要披露内容)估算得到。图4俯视图中检测得的库位。
4、利用二维码标志的编号、库位位置和编号，对重复观测的库位以及二维码进行离线闭环优化，消除累积噪声
该离线优化建图过程说明：
由于基于惯性导航进行航位推算存在累积误差，因此需要通过不断重复观测二维码标记或库位位置来修正累积误差。在离线建图过程中，由于无需考虑效率等问题，使用图优化方法建立地图。
所述图优化方法，是以图的方式来建立优化模型，图由结点和边组成。如图5(左)所示，本方法中，所述结点是指每个时刻车辆所在位置、各视觉标记(二维码与库位)所在位置，所述边是指两时刻间基于惯性导航的推算结果，或每个时刻车辆与视觉标记的相对坐标差。每观测到一个新的视觉标记或车辆发生了位移，则在图模型中增加一个新的结点和一条边，在添加所有数据后，根据图模型中边和结点的关系，列出边误差方程，使用高斯牛顿法迭代进行优化。
进一步公开，所述图模型可以用下列误差方程描述：
Figure GDA0002167687310000051
Figure GDA0002167687310000052
其中，k表示图模型中任意一个结点(视觉标记或车辆)；
C表示图模型中全体结点集合；
xk表示第k个结点的位置信息，若该结点为视觉标记，则存储视觉标记的位置坐标；若该结点为车辆，则存储车辆的位置坐标及航向；
zk表示由与第k个结点相关的观测获得的第k个结点的位置信息矩阵；
Ωk表示由与第k个结点相关的观测获得的协方差矩阵；
ek(xk,zk)表示xk与zk的误差函数；
则F(x)是整个图模型的误差函数，x*表示图模型的全局最优解；
为了求出全局最优解x*，用高斯牛顿法对上式进行迭代求解：
首先，对F(x)进行一阶泰勒展开：
Figure GDA0002167687310000054
Figure GDA0002167687310000055
Figure GDA0002167687310000056
其中，
Figure GDA0002167687310000057
表示结点信息矩阵x的初始值；
Δx表示x的修正值；
Jk表示将初始值代入ek中计算，得到的雅可比矩阵；
于是，该问题转化为对求解线性方程：
HΔx*＝-b
解得新的全局最优解
Figure GDA0002167687310000059
并作为初始值代入F(x)进行新一轮迭代。
5、实时通过扩展卡尔曼滤波器优化融合基于库位和二维码分别求解出的车辆位置信息，以及通过步骤4惯性导航观测得到的车辆位移信息，实现优化建图
在线定位及建图过程中的优化
在获得构建的停车场地图后，即可进行即时定位。为达到实时性的需求，在定位过程中使用扩展卡尔曼滤波同时对定位结果及导航地图中视觉标记的位置进行优化，系统的处理速度为5-10Hz。
所述扩展卡尔曼滤波是适用于非线性系统的卡尔曼滤波，它基于联合概率分布和贝叶斯理论，可根据一系列具有噪声的时序数据，对未知量进行估计，在本方法中，每一时刻获得的视觉标记观测和车辆位移观测均含有误差，而车辆所处的位置即为待求的未知量，则可用扩展卡尔曼滤波公式描述这一问题：
Figure GDA0002167687310000061
Figure GDA0002167687310000062
Figure GDA0002167687310000065
Figure GDA0002167687310000066
Pk|k＝(I-KkHk)Pk|k-1
其中，k为当前时刻，k-1为上一时刻，
Figure GDA0002167687310000067
是根据上一时刻先验信息，预测得到的当前时刻的未知量矩阵，包含车辆位置、航向及视觉标记位置的，
Figure GDA0002167687310000068
是上一次迭代中得到的上一时刻的未知量矩阵，
uk-1为控制向量，表示上一时刻的惯性导航数据，
函数f()表示了上一时刻的未知量
Figure GDA0002167687310000069
控制量uk-1对这一时刻未知量的影响，
Fk-1是函数f()对应的雅可比矩阵，
Qk-1表示经验模型中包含的噪声，
zk为当前时刻的观测值矩阵，包含了车辆对视觉标记的观测，
Figure GDA00021676873100000610
为当前时刻的卡尔曼增益，衡量了当前时刻观测值zk与预测值
Figure GDA00021676873100000611
的差异，
函数h()表示了观测值矩阵和未知量矩阵的对应转换关系，
Sk是与
Figure GDA00021676873100000612
对应的协方差矩阵，
Hk是函数h()对应的雅可比矩阵，
Rk表示观测值中包含的噪声，
Kk衡量了观测值的可信度；
Figure GDA0002167687310000071
是当前时刻经过优化的未知量估计值，
Pk-1|k-1、Pk|k-1、Pk|k是与未知量
Figure GDA0002167687310000072
一一对应的协方差矩阵，
I是与协方差矩阵相同阶数的单位矩阵。
经过上式即可增量式地得到车辆当前位置，并即时更新地图中视觉标记的位置。
6、利用图优化方法对建图结果进行多次优化，提高建图的精度
离线地图的局部优化与全局优化相结合
为了提高优化的效率，本方法采取全局图优化与局部图优化相结合的模式，首先利用观测数据构建图优化模型，对所构建的图中的结点和约束边进行均匀采样，对采样后的图优化模型进行全局优化，再以优化后的结点作为基准，对原始图优化模型进行局部图优化。图优化的结果如图5(右)所示，其中点为二维码标记，框为库位。该地图自动生成完全无需人工干预，可用于实现在线高精度定位和行人导航。
7、将建图结果进行保存，生成停车场库位平面地图；在线定位时通过已生成的建图结果，通过对库位边界以及二维码的实时识别优化求解当前车辆的位置，实现分米级的高精度定位。
7.1离线地图的保存
在完成建图优化工作后，将地图中的二维码和库位位置坐标及属性信息(库位的编号、长度、宽度、方向等)存储为文本信息，供在线定位使用。
7.2在线定位中离线地图的使用
在线定位时，首先从文本中读取离线地图信息，进行地图初始化，再用步骤2、3中的检测方法识别车库中的二维码及库位信息、利用步骤5进行在线优化，最终实时获得车辆在离线地图中的位置，并进一步对离线地图进行精化，达到分米级定位效果。
创新点：
1.利用低成本视觉传感器与惯性导航设备结合二维码和库位信息进行高精度室内定位；
2.定位与建图的速度能够满足实际应用中的实时性需求；
3.导航地图在被使用的同时可以不断迭代优化，最终趋于稳定；
4.使用二维码和库位作为定位地图中的地标，既可用于车辆的自主定位，又符合人类对地图的认知规律。

Claims (5)

1.基于库位和二维码的停车场自动建图与高精度定位方法，其特征在于，包括如下过程：
步骤1、通过前视单目相机以及鱼眼环视相机获得车辆前方以及车辆四周地面的图像信息，所述图像信息是单目相机采集的车库中张贴的二维码标志和环视相机采集的俯视图；
包括视觉传感器布置与标定：
步骤1.1视觉传感器布置
采用1个前视相机和4个鱼眼环视相机；所述前视相机布置于汽车前挡风玻璃与后视镜之间；所述鱼眼环视相机布置于车辆前后保险杠，以及左右后视镜；
步骤1.2标定
通过棋盘格内参标定法分别对前视相机和鱼眼相机的内参数进行标定，通过地面标志点对鱼眼相机的外参数进行标定，获得拼接后的俯视图；
步骤2、从前视图像中识别并提取二维码标志的类型和二维码的四个角点，利用二维码的平面假设计算车辆与二维码之间的相对位置关系；
步骤2.1二维码布置
将二维码打印，然后将其张贴在停车场的立柱与墙面之上；
步骤2.2检测并计算车辆与二维码之间的相对位置关系；
步骤3、从环视图像中提取库位的边界线，计算库位边界在车辆坐标系中的坐标，同时对库位的编号进行识别；
步骤3.1库位布置
库位需为停车场标准库位，其包括平直的库位线以及库位编号，库位编号由英文字母与阿拉伯数字组成；
步骤3.2检测并计算
在获得环视相机俯视图后，利用机器视觉方法，检测俯视图中的停车库位线与库位编号；由于俯视图标定在步骤2构建的车身坐标系下，车身坐标系的x轴方向垂直航向向右，y轴方向沿航向指向车辆行驶方向，因此库位在靠近车身的两个库位角点坐标能够直接读出，远离车身的两个角点坐标利用库位规则估算得到；
步骤4、利用二维码标志的编号、库位位置和编号，对重复观测的库位以及二维码进行离线闭环优化，消除累积噪声；
通过不断重复观测二维码标记或库位位置来修正累积误差，在离线建图过程中，使用图优化方法建立地图；
所述图优化方法，是以图的方式来建立优化模型，图由结点和边组成，所述结点是指每个时刻车辆所在位置、各视觉标记所在位置，各视觉标记为二维码与库位，所述边是指两时刻间基于惯性导航的推算结果，或每个时刻车辆与视觉标记的相对坐标差；每观测到一个新的视觉标记或车辆发生了位移，则在图模型中增加一个新的结点和一条边，在添加所有数据后，根据图模型中边和结点的关系，列出边误差方程，使用高斯牛顿法迭代进行优化；
步骤5、实时通过扩展卡尔曼滤波器优化融合基于库位和二维码分别求解出的车辆位置信息，以及通过惯性导航观测得到的车辆位移信息，实现优化建图；
步骤6、利用图优化方法对建图结果进行多次优化，提高建图的精度：
首先对结点和边进行均匀采样，进行全局图优化，再以全局图中的点为基准，进行局部图优化；
步骤7、将建图结果进行保存，生成停车场库位平面地图；在线定位时通过已生成的建图结果，通过对库位边界以及二维码的实时识别优化求解当前车辆的位置，实现分米级的高精度定位。
2.如权利要求1所述的方法，其特征在于，所述步骤2.2，具体为：
先检测二维码的角点坐标；
由于图像中四个角点在世界坐标系中位于同一平面上，对于每一个角点可列出方程：R·K-1·x+t＝X，其中，K为相机内参数，x为角点在像空间坐标系中的坐标，R,t为相机在这一时刻的外参数，分别代表旋转和平移，X为角点在三维空间中的坐标；
由于四个角点之间的位置关系已知，根据其位置关系，可以建立一个以二维码标记中心为原点，x轴沿标记边缘方向右，y轴沿标记边缘方向向上，z轴垂直于标记平面向内的三维空间直角坐标系；在此坐标系中，X已知，此外，x 已经检测确定，K通过相机标定得出，R,t自由度为6Dof，则仅需三个或以上点，即可迭代求解出R,t；
对R进行罗德里格变换，即得单目相机到二维码标记中心连线与车辆航向的夹角a，对t取二范数即为单目相机到二维码标记中心的距离d；则构建视觉标记在车身坐标系，坐标为：
x＝sin(a)·d
y＝cos(a)·d。
3.如权利要求1所述的方法，其特征在于，所述图模型用下列误差方程描述：
Figure FDA0002167687300000031
Figure FDA0002167687300000032
k表示图模型中任意一个结点，所述结点为视觉标记或车辆；
C表示图模型中全体结点集合；
xk表示第k个结点的位置信息，若该结点为视觉标记，则存储视觉标记的位置坐标；若该结点为车辆，则存储车辆的位置坐标及航向；
zk表示由与第k个结点相关的观测获得的第k个结点的位置信息矩阵；
Ωk表示由与第k个结点相关的观测获得的协方差矩阵；
ek(xk,zk)表示xk与zk的误差函数；
F(x)是整个图模型的误差函数，x＊表示图模型的全局最优解。
4.如权利要求1所述的方法，其特征在于，步骤5中，每一时刻获得的视觉标记观测和车辆位移观测均含有误差，而车辆所处的位置即为待求的未知量，则可用扩展卡尔曼滤波公式描述这一问题：
Figure FDA0002167687300000033
Figure FDA0002167687300000034
Figure FDA0002167687300000035
Figure FDA0002167687300000037
Figure FDA0002167687300000038
Pk|k＝(I-KkHk)Pk|k-1
其中，k为当前时刻，k-1为上一时刻，
Uk-1 表示上一时刻的惯性导航数据，
函数f()表示了上一时刻的未知量矩阵和惯性导航数据对当前时刻未知量矩阵的影响，
Fk-1是函数f()对应的雅可比矩阵，
经过上式即可增量式地得到车辆当前位置，并即时更新地图中视觉标记的位置。
5.如权利要求1所述的方法，其特征在于，步骤7中，包括
步骤7.1离线地图的保存
在完成建图优化工作后，将地图中的二维码和库位位置坐标及属性信息存储为文本信息，属性信息包括库位的编号、长度、宽度、方向，供在线定位使用；
步骤7.2在线定位中离线地图的使用
在线定位时，首先从文本中读取离线地图信息，进行地图初始化，再用步骤2、3中的检测方法识别车库中的二维码及库位信息、利用步骤5进行在线优化，最终实时获得车辆在离线地图中的位置，并进一步对离线地图进行精化，达到分米级定位效果。
CN201710397595.2A 2017-05-31 2017-05-31 基于库位和二维码的停车场自动建图与高精度定位方法 Expired - Fee Related CN107180215B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710397595.2A CN107180215B (zh) 2017-05-31 2017-05-31 基于库位和二维码的停车场自动建图与高精度定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710397595.2A CN107180215B (zh) 2017-05-31 2017-05-31 基于库位和二维码的停车场自动建图与高精度定位方法

Publications (2)

Publication Number Publication Date
CN107180215A CN107180215A (zh) 2017-09-19
CN107180215B true CN107180215B (zh) 2020-01-31

Family

ID=59836013

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710397595.2A Expired - Fee Related CN107180215B (zh) 2017-05-31 2017-05-31 基于库位和二维码的停车场自动建图与高精度定位方法

Country Status (1)

Country Link
CN (1) CN107180215B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023284986A1 (en) * 2021-07-16 2023-01-19 Ruag Simulation & Training Ag Personalized combat simulation equipment

Families Citing this family (40)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107844858B (zh) * 2017-10-25 2021-11-02 驭势科技（北京）有限公司 一种用于智能驾驶场景确定定位特征及布局的方法与系统
CN108225367A (zh) * 2017-12-29 2018-06-29 大陆汽车投资（上海）有限公司 一种用于遮蔽空间的定位导航方法
WO2019153855A1 (zh) * 2018-02-07 2019-08-15 迎刃而解有限公司 一种360度环绕方位及位置感知物件信息获取系统及其应用
CN108510434B (zh) * 2018-02-12 2019-08-20 中德（珠海）人工智能研究院有限公司 通过球幕相机进行三维建模的方法
CN110243360B (zh) 2018-03-08 2022-02-22 深圳市优必选科技有限公司 机器人在运动区域的地图构建及定位方法
US10807236B2 (en) * 2018-04-30 2020-10-20 Beijing Jingdong Shangke Information Technology Co., Ltd. System and method for multimodal mapping and localization
CN110542416B (zh) * 2018-05-28 2023-07-21 上海汽车集团股份有限公司 一种地下车库自动定位系统及方法
CN108717712B (zh) * 2018-05-29 2021-09-03 东北大学 一种基于地平面假设的视觉惯导slam方法
CN109631896B (zh) * 2018-07-23 2020-07-28 同济大学 一种基于车辆视觉和运动信息的停车场自主泊车定位方法
CN110826364B (zh) * 2018-08-09 2024-02-02 上海汽车集团股份有限公司 一种库位识别方法及装置
CN109443348B (zh) * 2018-09-25 2022-08-23 同济大学 一种基于环视视觉和惯导融合的地下车库库位跟踪方法
CN110969890A (zh) * 2018-09-30 2020-04-07 上海博泰悦臻电子设备制造有限公司 车辆、车机设备及其在线式地图智能构造方法、云服务器
CN109508474A (zh) * 2018-10-09 2019-03-22 北京优位智停科技有限公司 停车场结构分布图的构建方法
CN109556617A (zh) * 2018-11-09 2019-04-02 同济大学 一种自动建图机器人的地图要素提取方法
CN109556616A (zh) * 2018-11-09 2019-04-02 同济大学 一种基于视觉标记的自动建图机器人建图修整方法
CN109405837B (zh) * 2018-11-14 2021-06-08 蔚来(安徽)控股有限公司 物体定位方法、应用和车辆
CN110378962B (zh) * 2018-11-27 2022-12-02 北京京东尚科信息技术有限公司 车载相机的标定方法、装置及计算机可读存储介质
CN109343540A (zh) * 2018-11-30 2019-02-15 广东工业大学 一种基于回环检测的slam后端轨迹优化方法
CN109801314B (zh) * 2019-01-17 2020-10-02 同济大学 一种基于深度学习的双目动态视觉传感器立体匹配方法
CN109920266A (zh) * 2019-02-20 2019-06-21 武汉理工大学 一种智能车辆定位方法
CN109883434B (zh) * 2019-03-25 2022-08-19 魔视智能科技(上海)有限公司 限制场景下辅助无人车全局定位的场端及全局定位方法
CN110097064B (zh) * 2019-05-14 2021-05-11 驭势科技（北京）有限公司 一种建图方法及装置
CN110481602B (zh) * 2019-07-15 2021-06-25 广西柳钢东信科技有限公司 一种轨道运输设备的实时定位方法及装置
CN110262517B (zh) * 2019-07-18 2022-05-10 石家庄辰宙智能装备有限公司 Agv系统的轨迹跟踪控制方法
CN110415550B (zh) * 2019-07-31 2020-08-07 北京智行者科技有限公司 基于视觉的自动泊车方法
CN110514225B (zh) * 2019-08-29 2021-02-02 中国矿业大学 一种矿井下多传感器融合的外部参数标定及精准定位方法
CN110910311B (zh) * 2019-10-30 2023-09-26 同济大学 一种基于二维码的多路环视相机自动拼接方法
CN111060118B (zh) * 2019-12-27 2022-01-07 炬星科技（深圳）有限公司 场景地图建立方法、设备及存储介质
CN111191596B (zh) * 2019-12-31 2023-06-02 武汉中海庭数据技术有限公司 一种封闭区域制图方法、装置及存储介质
CN111242996B (zh) * 2020-01-08 2021-03-16 郭轩 一种基于Apriltag标签与因子图的SLAM方法
CN111256689B (zh) * 2020-01-15 2022-01-21 北京智华机器人科技有限公司 一种机器人定位方法、机器人和存储介质
CN111197984A (zh) * 2020-01-15 2020-05-26 重庆邮电大学 一种基于环境约束下的视觉-惯性运动估计方法
CN111862672B (zh) * 2020-06-24 2021-11-23 北京易航远智科技有限公司 基于顶视图的停车场车辆自定位及地图构建方法
CN111881235B (zh) * 2020-07-01 2022-02-01 广州小鹏自动驾驶科技有限公司 一种语义地图更新方法及装置、车辆、存储介质
CN112304305A (zh) * 2020-10-31 2021-02-02 中环曼普科技(南京)有限公司 一种结合marker图像的车辆初始定位方法及系统
CN113781645B (zh) * 2021-08-31 2024-03-26 同济大学 一种面向室内泊车环境的定位和建图方法
CN115390116B (zh) * 2022-09-09 2023-05-12 紫清智行科技(北京)有限公司 一种基于路侧图像识别与卫星图像的动态建图方法与装置
CN115407355B (zh) * 2022-11-01 2023-01-10 小米汽车科技有限公司 库位地图的验证方法、装置及终端设备
CN116228870B (zh) * 2023-05-05 2023-07-28 山东省国土测绘院 一种基于二维码slam精度控制的建图方法及系统
CN116499470B (zh) * 2023-06-28 2023-09-05 苏州中德睿博智能科技有限公司 环视相机定位系统优化控制方法、装置及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130078847A (ko) * 2011-12-31 2013-07-10 한정남 모의 주행 시스템
CN105814404A (zh) * 2014-02-26 2016-07-27 奥迪股份公司 用于定位移动设备的方法和系统
CN205450772U (zh) * 2016-01-05 2016-08-10 东莞市松迪智能机器人科技有限公司 一种全向自动导引车
CN106643801A (zh) * 2016-12-27 2017-05-10 纳恩博（北京）科技有限公司 一种定位准确度的检测方法及电子设备
CN106679648A (zh) * 2016-12-08 2017-05-17 东南大学 一种基于遗传算法的视觉惯性组合的slam方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130078847A (ko) * 2011-12-31 2013-07-10 한정남 모의 주행 시스템
CN105814404A (zh) * 2014-02-26 2016-07-27 奥迪股份公司 用于定位移动设备的方法和系统
CN205450772U (zh) * 2016-01-05 2016-08-10 东莞市松迪智能机器人科技有限公司 一种全向自动导引车
CN106679648A (zh) * 2016-12-08 2017-05-17 东南大学 一种基于遗传算法的视觉惯性组合的slam方法
CN106643801A (zh) * 2016-12-27 2017-05-10 纳恩博（北京）科技有限公司 一种定位准确度的检测方法及电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于二维码的天花板视觉同步定位与制图;赵永华;《中国优秀硕士学位论文全文数据库 信息科技辑》;20160415;全文 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023284986A1 (en) * 2021-07-16 2023-01-19 Ruag Simulation & Training Ag Personalized combat simulation equipment

Also Published As

Publication number Publication date
CN107180215A (zh) 2017-09-19

Similar Documents

Publication Publication Date Title
CN107180215B (zh) 基于库位和二维码的停车场自动建图与高精度定位方法
CN109631896B (zh) 一种基于车辆视觉和运动信息的停车场自主泊车定位方法
KR102583989B1 (ko) 지도들에 기반한 차량용의 자동화된 이미지 라벨링
CN110160542B (zh) 车道线的定位方法和装置、存储介质、电子装置
CN109887057B (zh) 生成高精度地图的方法和装置
CN107356252B (zh) 一种融合视觉里程计与物理里程计的室内机器人定位方法
KR102508843B1 (ko) 서라운드 뷰 영상에서 차량의 자차 동작을 산정하는 방법 및 장치
Alonso et al. Accurate global localization using visual odometry and digital maps on urban environments
CN110411457B (zh) 基于行程感知与视觉融合的定位方法、系统、终端和存储介质
CN110842940A (zh) 一种建筑测量机器人多传感器融合三维建模方法及系统
CN110361010B (zh) 一种基于占据栅格地图且结合imu的移动机器人定位方法
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系统及方法
CN108225327B (zh) 一种顶标地图的构建与定位方法
EP2503510A1 (en) Wide baseline feature matching using collobrative navigation and digital terrain elevation data constraints
CN106767785B (zh) 一种双回路无人机的导航方法及装置
CN111862673B (zh) 基于顶视图的停车场车辆自定位及地图构建方法
CN107728175A (zh) 基于gnss和vo融合的无人驾驶车辆导航定位精度矫正方法
CN110458885B (zh) 基于行程感知与视觉融合的定位系统和移动终端
Senlet et al. Satellite image based precise robot localization on sidewalks
CN113220818B (zh) 一种停车场自动建图与高精度定位方法
Lee et al. AVM/LiDAR sensor based lane marking detection method for automated driving on complex urban roads
WO2018154579A1 (en) Method of navigating an unmanned vehicle and system thereof
CN112183171A (zh) 一种基于视觉信标建立信标地图方法、装置
CN113580134A (zh) 视觉定位方法、设备、机器人、存储介质及程序产品
CN113706702A (zh) 矿区三维地图构建系统和方法

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200131

CF01 Termination of patent right due to non-payment of annual fee