CN107463871A - 一种基于角特征加权的点云匹配方法 - Google Patents

一种基于角特征加权的点云匹配方法 Download PDF

Info

Publication number
CN107463871A
CN107463871A CN201710462330.6A CN201710462330A CN107463871A CN 107463871 A CN107463871 A CN 107463871A CN 201710462330 A CN201710462330 A CN 201710462330A CN 107463871 A CN107463871 A CN 107463871A
Authority
CN
China
Prior art keywords
mrow
laser
msub
mtd
point cloud
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
Application number
CN201710462330.6A
Other languages
English (en)
Inventor
石鹏
吕品
赖际舟
张竣涵
白师宇
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN201710462330.6A priority Critical patent/CN107463871A/zh
Publication of CN107463871A publication Critical patent/CN107463871A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开了一种基于角特征加权的点云匹配方法，首先对激光雷达的激光点云数据进行预处理，再进行角特征检测，根据角特征对激光点云数据进行分类，计算每类激光点数据的权值，建立基于角特征的加权匹配模型进行点云匹配。在特征稀疏环境下，相对于Hector SLAM匹配模型，通过本发明公开的加权匹配方法能够有效提高状态估计精度。

Description

一种基于角特征加权的点云匹配方法
技术领域
本发明属于机器人自主导航技术领域，尤其涉及一种激光雷达Hector SLAM算法中基于角特征加权的点云匹配方法。
背景技术
同步定位与地图(SLAM，Simultaneous Localization and Mapping)技术是机器人自主导航技术领域中的一大研究热点。在无GPS(Global Positioning System)环境中，SLAM方法能够帮助机器人实现在陌生环境中的导航与定位，是机器人实际应用中的关键技术。
根据使用的传感器不同，目前主要的SLAM方法可以分为两类：激光雷达SLAM和视觉SLAM。相对于视觉SLAM中使用的视觉传感器——摄像头，激光雷达的使用不依赖于外界的光照条件，并且能够获取高精度的测距信息，可靠性更高。在2011年，StefanKohlbrecher在论文《A Flexible and Scalable SLAM System with Full 3D MotionEstimation》中提出Hector SLAM方法，Hector SLAM是目前最为广泛应用的一种激光雷达SLAM法，该方法只需要激光雷达数据，不需要里程计等额外传感器，能够同时应用于空中无人机和地面无人车中，且具有较好的定位精度，运算耗时少。
在激光雷达SLAM方法中，根据激光雷达采集的点云信息进行实时定位与地图构建，其中激光点云的匹配是一个关键问题。Hector SLAM中通过概率模型将激光点云与已构建的地图进行全局匹配，具有较好的定位与构图效果；但是，在特征稀疏环境中该匹配方法的误差较大。
发明内容
针对于上述现有技术的不足，本发明的目的在于提供一种基于角特征加权的点云匹配方法，以解决激光雷达Hector SLAM在特征稀疏环境中定位与构图效果差的问题；本发明提高了激光雷达Hector SLAM中点云与已构建的地图之间的匹配精度。
为达到上述目的，本发明的技术方案为：
一种基于角特征加权的点云匹配方法，包括步骤如下：
(1)对激光点云数据进行预处理，根据不同型号激光雷达的测距有效范围，将测距信息超出该有效范围的数据剔除；
(2)对激光点云进行角特征检测；
(3)根据步骤(2)中得到的角特征，对激光点云数据进行分类；
(4)计算激光点云中每类激光点数据的匹配权值；
(5)利用高斯牛顿迭代方法进行激光雷达的点云匹配计算。
优选地，上述的步骤(3)中对激光点云数据进行分类的方法如下：步骤(2)中得到角特征的数量记为ncorner，检测每个角特征的角点，以这些角点为中心，cj为描述第j个角特征所用的激光点数量，j＝1,2,…ncorner，选取cj个激光点为一类激光点数据，记为gj，j＝1,2,…ncorner，描述第j个角特征，其中cj根据不同情况选取合适的数值，且以此方法将描述每个角特征的激光点分别划分为一类激光点数据；剩余的其它所有的激光点为未描述角特征的一类激光点数据，记为g0，其激光点的数量记为c0。
优选地，上述的步骤(4)中计算每类激光点数据的匹配权值的方法如下：经过步骤(1)预处理后激光点的数量为n，描述角特征的激光点数据的权值大于1，其余激光点的权值不大于1；其中第gj类激光点数据的权值为其中，j＝1,2,…ncorner，k为比例因子，根据不同情况选取合适的数值，且k＞1；第g0类激光点数据的权值为
优选地，上述的步骤(5)中，建立如下基于角特征加权的点云匹配模型，基于角特征加权的点云匹配目标函数如下：
其中每个激光点数据的权值为λi，i＝1,2,…n，ξ为激光雷达所在载体的状态，包括在激光雷达SLAM全局坐标系下的航向角ψ和位置坐标(px,py)，T表示转置，其具体表达式如下：
ξ＝(ψ px py)T
Si(ξ)为激光雷达的第i个激光点在全局坐标系下的坐标，式中si,x和si,y为第i个激光点在激光雷达载体坐标系下的坐标值，Si(ξ)x和Si(ξ)y为第i个激光点在全局坐标系下的坐标值，如下所示：
M(Si(ξ))为激光雷达的第i个激光点占据坐标Si(ξ)所对应栅格的概率值，具体表达式参考Hector SLAM方法中利用线性插值计算激光点坐标的概率的公式。
本发明的有益效果：
本发明在特征稀疏的环境中能够有效提高Hector SLAM中激光雷达点云与已构建的地图之间的匹配精度，改善Hector SLAM方法的定位与构图的效果。
附图说明
图1为本发明方法的流程图。
具体实施方式
为了便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。
参照图1所示，本发明的一种基于角特征加权的点云匹配方法，包括步骤如下：
步骤一：按照如下方法对激光点云数据进行预处理：
根据不同型号激光雷达的测距有效范围，将测距信息超出该有效范围的数据剔除。例如采用Hokuyo utm-30lx型号激光雷达，将激光点云中距离大于30米的激光点数据剔除；
步骤二：对激光点云进行角特征检测；
步骤三：根据步骤二中得到的角特征，对激光点云数据进行分类：
ncorner为上述步骤二中得到角特征的数量，检测每个角特征的角点，以这些角点为中心，cj(j＝1,2,…ncorner)为描述第j个角特征所用的激光点数量，选取cj个激光点分一类激光点数据，记为gj(j＝1,2,…ncorner)，描述第j个角特征，其中cj根据不同情况选取合适的数值，且以此方法将描述每个角特征的激光点分别划分为一类激光点数据；剩余的其它所有的激光点为未描述角特征的一类激光点数据，记为g0，其激光点的数量记为c0。
步骤四：计算激光点云中每类激光点数据的匹配权值：
经过上述步骤一预处理后激光点的数量为n，描述角特征的激光点数据的权值大于1，其余激光点的权值不大于1；其中第gj(j＝1,2,…ncorner)类激光点数据的权值为其中k为比例因子，可根据不同情况选取合适的数值，且k＞1；第g0类激光点数据的权值为
步骤五：按照如下方法进行激光雷达的点云匹配计算：
基于角特征加权的点云匹配目标函数如下：
其中每个激光点数据的权值为λi(i＝1,2,…n)，ξ为激光雷达所在载体的状态，包括在激光雷达SLAM全局坐标系下的航向角ψ和位置坐标(px,py)，上标“T”表示转置，其具体表达式如下：
ξ＝(ψ px py)T
Si(ξ)为激光雷达的第i个激光点在全局坐标系下的坐标，式中si,x和si,y为第i个激光点在激光雷达载体坐标系下的坐标值，Si(ξ)x和Si(ξ)y为第i个激光点在全局坐标系下的坐标值，如下所示：
M(Si(ξ))为激光雷达的第i个激光点占据坐标Si(ξ)所对应栅格的概率值，具体表达式参考Hector SLAM方法中利用线性插值计算激光点坐标的概率的公式。
利用高斯牛顿迭代法求解激光雷达载体的最优估计状态ξ*，具体方法如下：
建立误差函数e：
以ξ为迭代初值，利用状态增量Δξ对目标函数进行迭代求解，使得误差函数e的值不断趋近于0，迭代3～5次后即可停止迭代，上式中Si(ξ+Δξ)为以ξ+Δξ为状态量计算的第i个激光点全局坐标系下的坐标，M(Si(ξ+Δξ))为第i个激光点占据坐标Si(ξ+Δξ)所对应的栅格概率值。
迭代计算中Δξ为：
H表达式如下：
上述表达式中，为函数求偏导的符号，为Si(ξ)对ξ的求导：
为M(Si(ξ))对Si(ξ)的求导，具体表达式可参考Hector SLAM方法中坐标概率求导计算公式。
本发明具体应用途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进，这些改进也应视为本发明的保护范围。

Claims (4)

1.一种基于角特征加权的点云匹配方法，其特征在于，包括步骤如下：
(1)对激光点云数据进行预处理，根据不同型号激光雷达的测距有效范围，将测距信息超出该有效范围的数据剔除；
(2)对激光点云进行角特征检测；
(3)根据步骤(2)中得到的角特征，对激光点云数据进行分类；
(4)计算激光点云中每类激光点数据的匹配权值；
(5)利用高斯牛顿迭代方法进行激光雷达的点云匹配计算。
2.根据权利要求1所述的基于角特征加权的点云匹配方法，其特征在于，上述的步骤(3)中对激光点云数据进行分类的方法如下：步骤(2)中得到角特征的数量记为ncorner，检测每个角特征的角点，以这些角点为中心，cj为描述第j个角特征所用的激光点数量，j＝1,2,…ncorner，选取cj个激光点为一类激光点数据，记为gj，j＝1,2,…ncorner，描述第j个角特征，其中cj根据不同情况选取合适的数值，且以此方法将描述每个角特征的激光点分别划分为一类激光点数据；剩余的其它所有的激光点为未描述角特征的一类激光点数据，记为g0，其激光点的数量记为c0。
3.根据权利要求2所述的基于角特征加权的点云匹配方法，其特征在于，上述的步骤(4)中计算每类激光点数据的匹配权值的方法如下：经过步骤(1)预处理后激光点的数量为n，描述角特征的激光点数据的权值大于1，其余激光点的权值不大于1；其中第gj类激光点数据的权值为其中，j＝1,2,…ncorner，k为比例因子，根据不同情况选取合适的数值，且k＞1；第g0类激光点数据的权值为
4.根据权利要求1所述的基于角特征加权的点云匹配方法，其特征在于，上述的步骤(5)中，建立如下基于角特征加权的点云匹配模型，基于角特征加权的点云匹配目标函数如下：
<mrow> <msup> <mi>&amp;xi;</mi> <mo>*</mo> </msup> <mo>=</mo> <munder> <mi>argmin</mi> <mi>&amp;xi;</mi> </munder> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msub> <mi>&amp;lambda;</mi> <mi>i</mi> </msub> <mo>*</mo> <msup> <mrow> <mo>&amp;lsqb;</mo> <mn>1</mn> <mo>-</mo> <mi>M</mi> <mrow> <mo>(</mo> <msub> <mi>S</mi> <mi>i</mi> </msub> <mo>(</mo> <mi>&amp;xi;</mi> <mo>)</mo> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> </mrow> <mn>2</mn> </msup> </mrow>
其中每个激光点数据的权值为λi，i＝1,2,…n，ξ为激光雷达所在载体的状态，包括在激光雷达SLAM全局坐标系下的航向角ψ和位置坐标(px,py)，T表示转置，其具体表达式如下：
ξ＝(ψ px py)T
Si(ξ)为激光雷达的第i个激光点在全局坐标系下的坐标，式中si,x和si,y为第i个激光点在激光雷达载体坐标系下的坐标值，Si(ξ)x和Si(ξ)y为第i个激光点在全局坐标系下的坐标值，如下所示：
<mrow> <msub> <mi>S</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>&amp;xi;</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open = "(" close = ")"> <mtable> <mtr> <mtd> <mrow> <msub> <mi>S</mi> <mi>i</mi> </msub> <msub> <mrow> <mo>(</mo> <mi>&amp;xi;</mi> <mo>)</mo> </mrow> <mi>x</mi> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>S</mi> <mi>i</mi> </msub> <msub> <mrow> <mo>(</mo> <mi>&amp;xi;</mi> <mo>)</mo> </mrow> <mi>y</mi> </msub> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>=</mo> <mfenced open = "(" close = ")"> <mtable> <mtr> <mtd> <mrow> <mi>cos</mi> <mrow> <mo>(</mo> <mi>&amp;psi;</mi> <mo>)</mo> </mrow> </mrow> </mtd> <mtd> <mrow> <mo>-</mo> <mi>sin</mi> <mrow> <mo>(</mo> <mi>&amp;psi;</mi> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>sin</mi> <mrow> <mo>(</mo> <mi>&amp;psi;</mi> <mo>)</mo> </mrow> </mrow> </mtd> <mtd> <mrow> <mi>cos</mi> <mrow> <mo>(</mo> <mi>&amp;psi;</mi> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>*</mo> <mfenced open = "(" close = ")"> <mtable> <mtr> <mtd> <msub> <mi>s</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>x</mi> </mrow> </msub> </mtd> </mtr> <mtr> <mtd> <msub> <mi>s</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>y</mi> </mrow> </msub> </mtd> </mtr> </mtable> </mfenced> <mo>+</mo> <mfenced open = "(" close = ")"> <mtable> <mtr> <mtd> <msub> <mi>p</mi> <mi>x</mi> </msub> </mtd> </mtr> <mtr> <mtd> <msub> <mi>p</mi> <mi>y</mi> </msub> </mtd> </mtr> </mtable> </mfenced> </mrow>
M(Si(ξ))为激光雷达的第i个激光点占据坐标Si(ξ)所对应栅格的概率值，具体表达式参考Hector SLAM方法中利用线性插值计算激光点坐标的概率的公式。
CN201710462330.6A 2017-06-19 2017-06-19 一种基于角特征加权的点云匹配方法 Pending CN107463871A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710462330.6A CN107463871A (zh) 2017-06-19 2017-06-19 一种基于角特征加权的点云匹配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710462330.6A CN107463871A (zh) 2017-06-19 2017-06-19 一种基于角特征加权的点云匹配方法

Publications (1)

Publication Number Publication Date
CN107463871A true CN107463871A (zh) 2017-12-12

Family

ID=60546023

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710462330.6A Pending CN107463871A (zh) 2017-06-19 2017-06-19 一种基于角特征加权的点云匹配方法

Country Status (1)

Country Link
CN (1) CN107463871A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109186601A (zh) * 2018-07-05 2019-01-11 南京理工大学 一种基于自适应无迹卡尔曼滤波的激光slam算法
CN109959937A (zh) * 2019-03-12 2019-07-02 广州高新兴机器人有限公司 长廊环境基于激光雷达的定位方法、存储介质及电子设备
CN111113422A (zh) * 2019-12-30 2020-05-08 深圳市优必选科技股份有限公司 机器人定位方法、装置、计算机可读存储介质及机器人
CN111257909A (zh) * 2020-03-05 2020-06-09 安徽意欧斯物流机器人有限公司 一种多2d激光雷达融合建图与定位方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103500338A (zh) * 2013-10-16 2014-01-08 厦门大学 基于车载激光扫描点云的道路斑马线自动提取方法
CN104123746A (zh) * 2014-07-10 2014-10-29 上海大学 一种三维扫描点云中实时法向量的计算方法
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
CN105427317A (zh) * 2015-11-25 2016-03-23 武汉大学 一种适用于多视角自动化配准多站地面激光点云数据的方法
CN105487535A (zh) * 2014-10-09 2016-04-13 东北大学 一种基于ros的移动机器人室内环境探索系统与控制方法
EP3064899A1 (en) * 2015-03-06 2016-09-07 Airbus DS GmbH Tracking in an indoor environment

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103500338A (zh) * 2013-10-16 2014-01-08 厦门大学 基于车载激光扫描点云的道路斑马线自动提取方法
CN104123746A (zh) * 2014-07-10 2014-10-29 上海大学 一种三维扫描点云中实时法向量的计算方法
CN105487535A (zh) * 2014-10-09 2016-04-13 东北大学 一种基于ros的移动机器人室内环境探索系统与控制方法
EP3064899A1 (en) * 2015-03-06 2016-09-07 Airbus DS GmbH Tracking in an indoor environment
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
CN105427317A (zh) * 2015-11-25 2016-03-23 武汉大学 一种适用于多视角自动化配准多站地面激光点云数据的方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
JUN XIE 等: ""Fine registration of 3D point clouds fusing structural and photometric information using an RGB-D camer"", 《JOURNAL OF VISUAL COMMUNICATION AND IMAGE REPRESENTATION》 *
JUNHUA SUN 等: ""An automatic 3D point cloud registration method based on regional curvature maps"", 《IMAGE AND VISION COMPUTING》 *
朱德海: "《点云库PCL学习教程》", 31 October 2012, 北京航空航天大学出版社 *
王永青 等: ""基于粒子群算法的三维扫描点云数据在机配准"", 《组合机床与自动化加工技术》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109186601A (zh) * 2018-07-05 2019-01-11 南京理工大学 一种基于自适应无迹卡尔曼滤波的激光slam算法
CN109959937A (zh) * 2019-03-12 2019-07-02 广州高新兴机器人有限公司 长廊环境基于激光雷达的定位方法、存储介质及电子设备
CN109959937B (zh) * 2019-03-12 2021-07-27 广州高新兴机器人有限公司 长廊环境基于激光雷达的定位方法、存储介质及电子设备
CN111113422A (zh) * 2019-12-30 2020-05-08 深圳市优必选科技股份有限公司 机器人定位方法、装置、计算机可读存储介质及机器人
CN111113422B (zh) * 2019-12-30 2021-10-29 深圳市优必选科技股份有限公司 机器人定位方法、装置、计算机可读存储介质及机器人
CN111257909A (zh) * 2020-03-05 2020-06-09 安徽意欧斯物流机器人有限公司 一种多2d激光雷达融合建图与定位方法及系统
CN111257909B (zh) * 2020-03-05 2021-12-07 安徽意欧斯物流机器人有限公司 一种多2d激光雷达融合建图与定位方法及系统

Similar Documents

Publication Publication Date Title
CN107239076B (zh) 基于虚拟扫描与测距匹配的agv激光slam方法
CN109945856A (zh) 基于惯性/雷达的无人机自主定位与建图方法
CN102419178B (zh) 基于红外路标的移动机器人定位系统和方法
CN109345574A (zh) 基于语义点云配准的激光雷达三维建图方法
CN107315171B (zh) 一种雷达组网目标状态与系统误差联合估计算法
Xiao et al. Monocular vehicle self-localization method based on compact semantic map
CN107463871A (zh) 一种基于角特征加权的点云匹配方法
CN110008851A (zh) 一种车道线检测的方法及设备
CN103413352A (zh) 基于rgbd多传感器融合的场景三维重建方法
CN110132284B (zh) 一种基于深度信息的全局定位方法
CN110570449A (zh) 一种基于毫米波雷达与视觉slam的定位与建图方法
Wu et al. Robust LiDAR-based localization scheme for unmanned ground vehicle via multisensor fusion
CN109425348A (zh) 一种同时定位与建图的方法和装置
CN113763549B (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
CN111998862A (zh) 一种基于bnn的稠密双目slam方法
CN113960614A (zh) 一种基于帧-地图匹配的高程图构建方法
CN110927765B (zh) 激光雷达与卫星导航融合的目标在线定位方法
CN109799513A (zh) 一种基于二维激光雷达数据中直线特征的室内未知环境定位方法
CN105389819A (zh) 一种鲁棒的半标定下视图像极线校正方法及系统
Fu et al. Semantic Map-based Visual Localization with Consistency Guarantee
Xue et al. Visual-marker based localization for flat-variation scene
CN107330934A (zh) 低维度的集束调整计算方法与系统
Kupervasser et al. Robust positioning of drones for land use monitoring in strong terrain relief using vision-based navigation
CN110766154B (zh) 一种行人航迹推断方法、装置、设备及存储介质
CN110148218A (zh) 一种大批量机载LiDAR点云数据整体优化的方法

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20171212