CN108253962A - 一种低照度环境下新能源无人驾驶汽车定位方法 - Google Patents

一种低照度环境下新能源无人驾驶汽车定位方法 Download PDF

Info

Publication number
CN108253962A
CN108253962A CN201711371957.7A CN201711371957A CN108253962A CN 108253962 A CN108253962 A CN 108253962A CN 201711371957 A CN201711371957 A CN 201711371957A CN 108253962 A CN108253962 A CN 108253962A
Authority
CN
China
Prior art keywords
new energy
pilotless automobile
measurement unit
inertial measurement
image
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
CN201711371957.7A
Other languages
English (en)
Inventor
陈常
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.)
Zhongbei Runliang New Energy Automobile Xuzhou Co ltd
Original Assignee
North China Zhijie Technology (beijing) Co Ltd
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 North China Zhijie Technology (beijing) Co Ltd filed Critical North China Zhijie Technology (beijing) Co Ltd
Priority to CN201711371957.7A priority Critical patent/CN108253962A/zh
Publication of CN108253962A publication Critical patent/CN108253962A/zh
Pending legal-status Critical Current

Links

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
    • G01C21/10—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
    • 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
    • G01C21/18—Stabilised platforms, e.g. by gyroscope
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Navigation (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

一种低照度环境下新能源无人驾驶汽车定位方法，该定位方法为：采用图像多层金字塔提取图像FAST特征，使FAST特征点均匀分布在图像上；使用光流法进行跟踪，改进光度不变假设，利用光流法跟踪图像特征，提高系统的鲁棒性；对摄像头和惯性测量单元误差之和方程进行优化，确定新能源无人驾驶汽车位姿态；利用g2o库的高斯牛顿方程进行滑动窗口优化；然后利用惯性测量单元数据更新新能源无人驾驶汽车运动；当检测当前帧为关键帧时，判断此关键帧中特征点是否为新的地图点，当时新的地图点时创建为地图点，插入关键帧并更行地图点和关键帧集；随后进行回环检测，优化新能源无人驾驶汽车运动规划，达到在低照度环境下新能源无人驾驶汽车精确定位的效果。

Description

一种低照度环境下新能源无人驾驶汽车定位方法
技术领域
本发明涉及无人驾驶汽车定位领域，尤其涉及一种低照度环境下新能源无人 驾驶汽车定位方法。
背景技术
近年来，互联网技术的迅速发展给汽车制造工业带来了革命性变化的机会。 与此同时，汽车智能化技术正逐步得到广泛应用，这项技术简化了汽车的驾驶操 作并提高了行驶安全性。而其中最典型也是最热门的未来应用就是无人驾驶汽车。 在人工智能技术的加持下，无人驾驶高速发展，正在改变人类的出行方式，进而 会大规模改变相关行业格局。
在第九届“中国智能车未来挑战赛”之后，中国无人驾驶技术又有了新的突 破。无人驾驶智能车辆的研究与开发不仅包括基础理论和关键技术的突破，也涉 及到大量工程与试验问题，同时也能够推动汽车产业发展和变革创新，并为国防 安全领域相关研究与应用提供关键技术，对国民经济和汽车产业发展具有重大意 义。
但是现有无人驾驶技术并不成熟，无人驾驶系统的安全性和稳定性无法得到 有效验证，距离无人驾驶汽车的普及还有很长的一段时间。同时在地下室、隧道 这些低照度环境下，通过摄像头采集视频特征进行处理的方法无法获取充足的特 征，容易造成特征丢失，无法实现无人驾驶汽车有效定位。
为此，本发明现提出一种低照度环境下新能源无人驾驶汽车定位方法，利用 单目摄像头和惯性测量单元进行松耦合，通过对摄像头数据进行像素提取、计算 帧间运动，利用g2o库进行滑动窗口优化，进行回环检测，优化新能源无人驾驶 汽车运动规划，达到在低照度环境下新能源无人驾驶汽车精确定位的效果。
发明内容
为了克服现有技术中存在的不足，本发明提供一种低照度环境下新能源无人 驾驶汽车定位方法，通过此方法提高新能源无人驾驶汽车在低照度环境下的定位 精度和鲁棒性，达到在低照度环境下精确定位的效果。
为实现上述目的，本发明采用的技术方案为：
一种低照度环境下新能源无人驾驶汽车定位方法，该定位方法为：采用图像 多层金字塔提取图像FAST特征，使FAST特征点均匀分布在图像上；使用光流 法进行跟踪，改进光度不变假设，利用光流法跟踪图像特征，提高系统的鲁棒性； 对摄像头和惯性测量单元误差之和方程进行优化，确定新能源无人驾驶汽车位姿 态；利用g2o库的高斯牛顿方程进行滑动窗口优化；然后利用惯性测量单元数据 更新新能源无人驾驶汽车运动；当检测当前帧为关键帧时，判断此关键帧中特征 点是否为新的地图点，当时新的地图点时创建为地图点，插入关键帧并更行地图 点和关键帧集；随后进行回环检测，优化新能源无人驾驶汽车运动规划，达到在 低照度环境下新能源无人驾驶汽车精确定位的效果。
优选的是，(·)w作为世界坐标系，重力方向和z轴方向保持一致；(·)b视为与 惯性测量单元对齐的物体坐标系；(·)c视为相机坐标系；使用经典的针孔相机模 型来构建投影函数π：R3∈Ω，将相机参考系下的3D空间点Xc∈R3变换到图 像平面下的2D点
其中Xc＝[Xc Yc Zc]，[fu fv]T为相机的焦距，[cu cv]T为相机的投影中心。
优选的是，惯性测量单元包含三轴加速度计和三轴陀螺仪，a(t)表示为惯性 测量单元加速度，w(t)表示为惯性测量单元角速度；ba(t)表示为加速度计偏差， bg(t)表示为陀螺仪偏差；相机和惯性测量单元之间的坐标变换关系表达为 Tcb＝[Rcb|tcb]。
优选的是，新能源无人驾驶汽车的15维的状态变量定义为:
其中R、p和v分别是惯性测量单元的旋转、平 移和速度；ba、bg分别是惯性测量单元的加速度计以及陀螺仪的偏差；位姿(R、 p)属于SE(3)，v、ba、bg∈R3。
优选的是，在提取FAST特征之前，使用直方图进行均衡化对图像进行预处 理；采用图像多层金字塔提取图像特征，使特征点均匀分布在图像上；根据固定 的大小将照片分成块，在图像块的FAST角点上使用深度滤波器初始化。
优选的是，使用Lucas-Kanade光流算法进行特征跟踪，采用参数a和b来 校正两个图像间的光度变化；
在图像Ik-1和Ik之间的光度残差为：
其中ΩL是内点的集合，ξ表示从Ik到Ik-1变换，u′＝π(Tξπ-1(u,D1(u)))。
优选的是，惯性测量单元的加速度计和陀螺仪测量值表示为：
其中分别为惯性测量单元的加速度计和陀螺仪的测量值，wB(t)、 aB(t)分别为惯性测量单元的加速度计和陀螺仪真实值。
优选的是，两个关键帧之间的预积分表示为：
g是重力加速度。
优选的是，惯性测量单元的误差EIMU表示为：
eb＝bj-bi；
其中，ΣI是信息矩阵的预积分形式，ΣR是偏差随机游走，和是在不 明确计算预积分的情况下偏差变化影响的一阶近似；ρ是Huber权重函数。
优选的是，位姿估计问题转换成联合优化问题来估计所有帧的全部状态，包 含相机位姿、旋转速度以及惯性测量单元偏差：
使用g2o中的高斯牛顿算法来优化整个问题。
本发明有益效果：
本发明提供的一种低照度环境下新能源无人驾驶汽车定位方法，利用单目摄 像头和惯性测量单元进行紧耦合，采用图像多层金字塔提取图像FAST特征，使 FAST特征点均匀分布在图像上；使用光流法进行跟踪，改进光度不变假设，利 用光流法跟踪图像特征，提高系统的鲁棒性；对摄像头和惯性测量单元误差之和 方程进行优化，确定新能源无人驾驶汽车位姿；利用g2o库的高斯牛顿方程进行 滑动窗口优化；然后利用惯性测量单元数据更新新能源无人驾驶汽车运动；当检 测当前帧为关键帧时，并判断此关键帧的特征点是否为新的地图点，当时新的地 图点时创建为地图点，插入关键帧并更行地图点和关键帧集；随后进行回环检测， 优化新能源无人驾驶汽车运动规划，达到在低照度环境下新能源无人驾驶汽车精 确定位的效果。
附图说明
图1为本发明的FAST特征提取示意图；
图2为本发明的摄像头和惯性测量单元采集数据对应示意图；
图3为本发明的惯性测量单元预积分示意图。
具体实施方式
以下结合附图，通过具体实施例对本发明作进一步的说明。
如图1至图3所示：一种低照度环境下新能源无人驾驶汽车定位方法，利用 单目摄像头和惯性测量单元进行紧耦合，采用图像多层金字塔提取图像FAST特 征，使FAST特征点均匀分布在图像上；使用光流法进行跟踪，改进光度不变假 设，利用光流法跟踪图像特征，提高系统的鲁棒性；对摄像头和惯性测量单元误 差之和方程进行优化，确定新能源无人驾驶汽车位姿；利用g2o库的高斯牛顿方 程进行滑动窗口优化；然后利用惯性测量单元数据更新新能源无人驾驶汽车运动； 当检测当前帧为关键帧时，判断此关键帧的特征点是否为新的地图点，当时新的 地图点时创建为地图点，插入关键帧并更行地图点和关键帧集；随后进行回环检 测，优化新能源无人驾驶汽车运动规划，达到在低照度环境下新能源无人驾驶汽 车精确定位的效果。
(·)w为世界坐标系，重力方向和z轴方向保持一致；(·)b为与惯性测量单元对 齐的物体坐标系；(·)c为相机坐标系；使用经典的针孔相机模型来构建投影函数 π：R3∈Ω，将相机参考系下的3D空间点Xc∈R3变换到图像平面下的2D点
其中Xc＝[Xc Yc Zc]，[fu fv]T为相机的焦距，[cu cv]T为相机的投影中心。
惯性测量单元包含三轴加速度计和三轴陀螺仪，a(t)表示为惯性测量单元加 速度，w(t)表示为惯性测量单元角速度；ba(t)表示为加速度计偏差，bg(t)表示 为陀螺仪偏差；相机和惯性测量单元之间的坐标变换关系可以表达为 Tcb＝[Rcb|tcb]；
新能源无人驾驶汽车的15维的状态变量定义为:
其中R、p和v分别是惯性测量单元的旋转、平移和速度，ba、bg分别是惯 性测量单元的加速度计以及陀螺仪的偏差。位姿(R、p)属于SE(3)，v、ba、bg∈R3；
在提取特征之前，使用直方图进行均衡化对图像进行预处理；采用图像多层 金字塔提取图像特征，使特征点均匀分布在图像上；根据固定的大小将照片分成 块(如15*15像素)，在图像块的FAST角点上使用深度滤波器初始化；
使用Lucas-Kanade光流算法进行特征跟踪，采用参数a和b来校正两个图 像间的光度变化。在图像Ik-1和Ik之间的光度残差为：
其中ΩL是内点的集合。ξ表示从Ik到Ik-1变换。u′＝π(Tξπ-1(u,D1(u)))。
惯性测量单元的加速度计和陀螺仪测量值可以表示为：
其中分别为惯性测量单元的加速度计和陀螺仪的测量值，wB(t)、 aB(t)分别为惯性测量单元的加速度计和陀螺仪真实值。
两个关键帧之间的预积分可以表示为：
IMU的误差EIMU表示为：
eb＝bj-bi；
其中ΣI是信息矩阵的预积分形式，ΣR是偏差随机游走，和是在不明 确计算预积分的情况下偏差变化影响的一阶近似；ρ是Huber权重函数。
将位姿估计问题转换成联合优化问题来估计所有帧的全部状态，包含相机位 姿、旋转速度以及IMU偏差：
使用g2o中的高斯牛顿算法来优化整个问题。
以上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，还可以做出若干改进和润饰，这些改进 和润饰也应视为本发明的保护范围。

Claims (10)

1.一种低照度环境下新能源无人驾驶汽车定位方法，其特征在于：该定位方法为：
采用图像多层金字塔提取图像FAST特征，使FAST特征点均匀分布在图像上；
使用光流法进行跟踪，改进光度不变假设，利用光流法跟踪图像特征，提高系统的鲁棒性；
对摄像头和惯性测量单元误差之和方程进行优化，确定新能源无人驾驶汽车位姿态；
利用g2o库的高斯牛顿方程进行滑动窗口优化；
然后利用惯性测量单元数据更新新能源无人驾驶汽车运动；
当检测当前帧为关键帧时，判断此关键帧中特征点是否为新的地图点，当时新的地图点时创建为地图点，插入关键帧并更行地图点和关键帧集；
随后进行回环检测，优化新能源无人驾驶汽车运动规划，达到在低照度环境下新能源无人驾驶汽车精确定位的效果。
2.根据权利要求1所述的一种低照度环境下新能源无人驾驶汽车定位方法，其特征在于：
(·)w作为世界坐标系，重力方向和z轴方向保持一致；(·)b视为与惯性测量单元对齐的物体坐标系；(·)c视为相机坐标系；使用经典的针孔相机模型来构建投影函数π：R3∈Ω，将相机参考系下的3D空间点Xc∈R3变换到图像平面下的2D点
其中Xc＝[Xc Yc Zc]，[fu fv]T为相机的焦距，[cu cv]T为相机的投影中心。
3.根据权利要求1所述的一种低照度环境下新能源无人驾驶汽车定位方法，其特征在于：
惯性测量单元包含三轴加速度计和三轴陀螺仪，a(t)表示为惯性测量单元加速度，w(t)表示为惯性测量单元角速度；ba(t)表示为加速度计偏差，bg(t)表示为陀螺仪偏差；相机和惯性测量单元之间的坐标变换关系表达为Tcb＝[Rcb|tcb]。
4.根据权利要求1所述的一种低照度环境下新能源无人驾驶汽车定位方法，其特征在于：
新能源无人驾驶汽车的15维的状态变量定义为:
其中R、p和v分别是惯性测量单元的旋转、平移和速度；ba、bg分别是惯性测量单元的加速度计以及陀螺仪的偏差；位姿(R、p)属于SE(3)，v、ba、bg∈R3。
5.根据权利要求1所述的一种低照度环境下新能源无人驾驶汽车定位方法，其特征在于：
在提取FAST特征之前，使用直方图进行均衡化对图像进行预处理；
采用图像多层金字塔提取图像特征，使特征点均匀分布在图像上；
根据固定的大小将照片分成块，在图像块的FAST角点上使用深度滤波器初始化。
6.根据权利要求1所述的一种低照度环境下新能源无人驾驶汽车定位方法，其特征在于：
使用Lucas-Kanade光流算法进行特征跟踪，采用参数a和b来校正两个图像间的光度变化；
在图像Ik-1和Ik之间的光度残差为：
其中ΩL是内点的集合，ξ表示从Ik到Ik-1变换，u′＝π(Tξπ-1(u,D1(u)))。
7.根据权利要求1所述的一种低照度环境下新能源无人驾驶汽车定位方法，其特征在于：
惯性测量单元的加速度计和陀螺仪测量值表示为：
其中分别为惯性测量单元的加速度计和陀螺仪的测量值，wB(t)、aB(t)分别为惯性测量单元的加速度计和陀螺仪真实值。
8.根据权利要求1所述的一种低照度环境下新能源无人驾驶汽车定位方法，其特征在于：
两个关键帧之间的预积分表示为：
其中，g是重力加速度。
9.根据权利要求1所述的一种低照度环境下新能源无人驾驶汽车定位方法，其特征在于：
惯性测量单元的误差EIMU表示为：
eb＝bj-bi；
其中，ΣI是信息矩阵的预积分形式，ΣR是偏差随机游走，和是在不明确计算预积分的情况下偏差变化影响的一阶近似；ρ是Huber权重函数。
10.根据权利要求1所述的一种低照度环境下新能源无人驾驶汽车定位方法，其特征在于：
位姿估计问题转换成联合优化问题来估计所有帧的全部状态，包含相机位姿、旋转速度以及惯性测量单元偏差：
使用g2o中的高斯牛顿算法来优化整个问题。
CN201711371957.7A 2017-12-18 2017-12-18 一种低照度环境下新能源无人驾驶汽车定位方法 Pending CN108253962A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711371957.7A CN108253962A (zh) 2017-12-18 2017-12-18 一种低照度环境下新能源无人驾驶汽车定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711371957.7A CN108253962A (zh) 2017-12-18 2017-12-18 一种低照度环境下新能源无人驾驶汽车定位方法

Publications (1)

Publication Number Publication Date
CN108253962A true CN108253962A (zh) 2018-07-06

Family

ID=62722506

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711371957.7A Pending CN108253962A (zh) 2017-12-18 2017-12-18 一种低照度环境下新能源无人驾驶汽车定位方法

Country Status (1)

Country Link
CN (1) CN108253962A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109211241A (zh) * 2018-09-08 2019-01-15 天津大学 基于视觉slam的无人机自主定位方法
CN110455301A (zh) * 2019-08-01 2019-11-15 河北工业大学 一种基于惯性测量单元的动态场景slam方法
CN111695633A (zh) * 2020-06-12 2020-09-22 桂林电子科技大学 基于rpf-cam的低照度目标检测方法
CN112179355A (zh) * 2020-09-02 2021-01-05 西安交通大学 针对光度曲线典型特征的姿态估计方法
WO2021043073A1 (zh) * 2019-09-03 2021-03-11 平安科技（深圳）有限公司 基于图像识别的城市宠物活动轨迹监测方法及相关设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104732518A (zh) * 2015-01-19 2015-06-24 北京工业大学 一种基于智能机器人地面特征的ptam改进方法
CN104978722A (zh) * 2015-07-06 2015-10-14 天津大学 基于背景建模的多曝光图像融合鬼影去除方法
CN106558065A (zh) * 2015-09-17 2017-04-05 西安翔舟航空技术有限公司 基于图像颜色和纹理分析实现对目标的实时视觉跟踪方法
CN107025668A (zh) * 2017-03-30 2017-08-08 华南理工大学 一种基于深度相机的视觉里程计的设计方法
CN107193279A (zh) * 2017-05-09 2017-09-22 复旦大学 基于单目视觉和imu信息的机器人定位与地图构建系统
CN107246876A (zh) * 2017-07-31 2017-10-13 中北智杰科技（北京）有限公司 一种无人驾驶汽车自主定位与地图构建的方法及系统
CN107390704A (zh) * 2017-07-28 2017-11-24 西安因诺航空科技有限公司 一种基于imu姿态补偿的多旋翼无人机光流悬停方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104732518A (zh) * 2015-01-19 2015-06-24 北京工业大学 一种基于智能机器人地面特征的ptam改进方法
CN104978722A (zh) * 2015-07-06 2015-10-14 天津大学 基于背景建模的多曝光图像融合鬼影去除方法
CN106558065A (zh) * 2015-09-17 2017-04-05 西安翔舟航空技术有限公司 基于图像颜色和纹理分析实现对目标的实时视觉跟踪方法
CN107025668A (zh) * 2017-03-30 2017-08-08 华南理工大学 一种基于深度相机的视觉里程计的设计方法
CN107193279A (zh) * 2017-05-09 2017-09-22 复旦大学 基于单目视觉和imu信息的机器人定位与地图构建系统
CN107390704A (zh) * 2017-07-28 2017-11-24 西安因诺航空科技有限公司 一种基于imu姿态补偿的多旋翼无人机光流悬停方法
CN107246876A (zh) * 2017-07-31 2017-10-13 中北智杰科技（北京）有限公司 一种无人驾驶汽车自主定位与地图构建的方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
CHRISTIAN FORSTER等: "On-Manifold Preintegration for Real-Time Visual--Inertial Odometry", 《IEEE TRANSACTIONS ON ROBOTICS》 *
JAKOB ENGEL等: "Large-scale direct SLAM with stereo cameras", 《2015 IEEE/RSJ INTERNATIONAL CONFERENCE ON INTELLIGENT ROBOTS AND SYSTEMS(IROS)》 *
STEFAN LEUTENEGGER等: "Keyframe-based visual-inertial odometry using nonlinear optimization", 《INTERNATIONAL JOURNAL OF ROBOTICS RESEARCH》 *
TONG QIN等: "VINS-Mono a Robust and Versatile Monocular Visual-Inertial State Estimator", 《ARXIV》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109211241A (zh) * 2018-09-08 2019-01-15 天津大学 基于视觉slam的无人机自主定位方法
CN109211241B (zh) * 2018-09-08 2022-04-29 天津大学 基于视觉slam的无人机自主定位方法
CN110455301A (zh) * 2019-08-01 2019-11-15 河北工业大学 一种基于惯性测量单元的动态场景slam方法
WO2021043073A1 (zh) * 2019-09-03 2021-03-11 平安科技（深圳）有限公司 基于图像识别的城市宠物活动轨迹监测方法及相关设备
CN111695633A (zh) * 2020-06-12 2020-09-22 桂林电子科技大学 基于rpf-cam的低照度目标检测方法
CN112179355A (zh) * 2020-09-02 2021-01-05 西安交通大学 针对光度曲线典型特征的姿态估计方法

Similar Documents

Publication Publication Date Title
CN109307508B (zh) 一种基于多关键帧的全景惯导slam方法
CN108253962A (zh) 一种低照度环境下新能源无人驾驶汽车定位方法
CN110070615B (zh) 一种基于多相机协同的全景视觉slam方法
CN109993113B (zh) 一种基于rgb-d和imu信息融合的位姿估计方法
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
CN109676604B (zh) 机器人曲面运动定位方法及其运动定位系统
WO2020087846A1 (zh) 基于迭代扩展卡尔曼滤波融合惯性与单目视觉的导航方法
CN109631887A (zh) 基于双目、加速度与陀螺仪的惯性导航高精度定位方法
CN110095116A (zh) 一种基于lift的视觉定位和惯性导航组合的定位方法
CN102967305B (zh) 基于大小回字标志物的多旋翼无人机位姿获取方法
CN110345944A (zh) 融合视觉特征和imu信息的机器人定位方法
CN111750853B (zh) 一种地图建立方法、装置及存储介质
CN105953796A (zh) 智能手机单目和imu融合的稳定运动跟踪方法和装置
CN110009739A (zh) 移动摄像机的数字视网膜的运动特征的提取与编码方法
CN110455301A (zh) 一种基于惯性测量单元的动态场景slam方法
CN110726406A (zh) 一种改进的非线性优化单目惯导slam的方法
CN106056664A (zh) 一种基于惯性和深度视觉的实时三维场景重构系统及方法
CN107504969A (zh) 基于视觉和惯性组合的四旋翼室内导航方法
CN103745474A (zh) 基于惯性传感器和摄像机的图像配准方法
CN107909614A (zh) 一种gps失效环境下巡检机器人定位方法
CN111862316B (zh) 一种基于优化的imu紧耦合稠密直接rgbd的三维重建方法
CN111609868A (zh) 一种基于改进光流法的视觉惯性里程计方法
CN107831776A (zh) 基于九轴惯性传感器的无人机自主返航方法
CN105324792B (zh) 用于估计移动元件相对于参考方向的角偏差的方法
Menozzi et al. Development of vision-aided navigation for a wearable outdoor augmented reality system

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20180629

Address after: 221000 Tengfei Road 6 - 63, Quanshan Development Zone, Xuzhou, Jiangsu

Applicant after: ZHONGBEI RUNLIANG NEW ENERGY AUTOMOBILE (XUZHOU) Co.,Ltd.

Address before: 100000 Beijing Dongcheng District Youth Lake North Li 5 Sheng Yuanxiang River Hotel 3 floor 316 rooms.

Applicant before: ZHONGBEI ZHIJIE TECHNOLOGY (BEIJING) CO.,LTD.

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: 20180706