CN108801268B - 目标对象的定位方法、装置及机器人 - Google Patents

目标对象的定位方法、装置及机器人 Download PDF

Info

Publication number
CN108801268B
CN108801268B CN201810682199.9A CN201810682199A CN108801268B CN 108801268 B CN108801268 B CN 108801268B CN 201810682199 A CN201810682199 A CN 201810682199A CN 108801268 B CN108801268 B CN 108801268B
Authority
CN
China
Prior art keywords
data
information
laser
target object
subset
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
Application number
CN201810682199.9A
Other languages
English (en)
Other versions
CN108801268A (zh
Inventor
梁嘉俊
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.)
Guangzhou Shiyuan Electronics Thecnology Co Ltd
Original Assignee
Guangzhou Shiyuan Electronics Thecnology 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 Guangzhou Shiyuan Electronics Thecnology Co Ltd filed Critical Guangzhou Shiyuan Electronics Thecnology Co Ltd
Priority to CN201810682199.9A priority Critical patent/CN108801268B/zh
Publication of CN108801268A publication Critical patent/CN108801268A/zh
Application granted granted Critical
Publication of CN108801268B publication Critical patent/CN108801268B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01C21/206—Instruments for performing navigational calculations specially adapted for indoor navigation
    • 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
    • G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
    • G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles

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)
  • Optical Radar Systems And Details Thereof (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明公开了一种目标对象的定位方法、装置及机器人。其中，该方法包括：获取目标对象的激光观测数据，其中，激光观测数据为目标对象在预设空间内的任意一个位置通过激光扫描周围环境得到的激光数据；提取激光观测数据的几何特征信息；基于预设空间的环境特征索引库，根据几何特征信息确定目标对象的位置信息，其中，环境特征索引库中包含预设空间内至少一个位置的位置信息和对应的几何特征信息。本发明解决了现有采用粒子滤波技术对目标对象进行定位的方案，需要已知目标对象的初始位置的技术问题。

Description

目标对象的定位方法、装置及机器人
技术领域
本发明涉及移动物体的自主导航领域，具体而言，涉及一种目标对象的定位方法、装置及机器人。
背景技术
随着移动机器人的发展，使得移动机器人能够在未知动态环境下自主导航并完成任务是未来机器人发展的趋势。为了使得移动机器人在预定的区域内自主移动并完成任务，需要创建机器人周围环境的地图，以及在地图上的位置和姿态，然后才能正确的执行后面的导航程序。
现有技术中，主要通过如下三种方法来对移动机器人进行全局定位(全局定位是指机器人需要复位或迷失方向或遭遇绑架等情况需要重新启动时对自己初始位姿的定位)：
(1)在启动机器人的时候，人为将移动机器人放置到特定的位置和姿态，例如，放置到地图的原点位置。这种方法的缺点是，机器人无法在地图中的任意位置启动，给移动机器人的使用者带来不便。
(2)在启动机器人的时候，在地图上均匀分布大量粒子滤波中的粒子(也称“候选点”，每个候选点代表移动机器人位置和姿态的一个候选点)。然后，针对每个候选点，比对测量传感器(包括但不限于2D或3D激光雷达、超声测距仪、RGBD深度相机、双目相机、单目相机等)获得的数据，根据比对结果，将与测量传感器获得的结果相差较大的候选点淘汰掉，以提高与测量结果相差较小的候选点的权重，如此反复迭代，即获得机器人的正确位置。这种方法，通常需要大量的候选点，例如，在一般的楼宇内环境中，一般需要500个候选点每平方米的粒子数量，才能保证机器人正确判断出自己的位置。由此，如果在一个40平米的地图中，则需要20000个候选点，随着地图逐步变大，这种方法的可行性也逐步变小。而在典型的情况下，后续的导航算法通常需要1000个粒子就可以保证定位的准确。另外，一般的i5架构2.97Hz的四核CPU，最多可以加入2万个粒子，就已经无法添加更多的粒子了，如果添加更多的粒子，会导致操作系统资源紧张，而导致程序崩溃。
(3)对机器人所处环境进行改造，例如，添加辅助定位信标，使机器人在开始进行导航任务之前，通过当前观测到的绝对路标位置计算自身的初始位置。由于这种方法需要对环境进行二次改造，并且定位信标被遮挡的情况下可能会导致全局定位结果出错。
针对上述现有采用粒子滤波技术对目标对象进行定位的方案，需要已知目标对象的初始位置的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种目标对象的定位方法、装置及机器人，以至少解决现有采用粒子滤波技术对目标对象进行定位的方案，需要已知目标对象的初始位置的技术问题。
根据本发明实施例的一个方面，提供了一种目标对象的定位方法，包括：获取目标对象的激光观测数据，其中，激光观测数据为目标对象在预设空间内的任意一个位置通过激光扫描周围环境得到的激光数据；提取激光观测数据的几何特征信息；基于预设空间的环境特征索引库，根据几何特征信息确定目标对象的位置信息，其中，环境特征索引库中包含预设空间内至少一个位置的位置信息和对应的几何特征信息。
根据本发明实施例的另一方面，还提供了一种机器人，包括：激光发射器，用于机器人在预设空间内的任意一个位置扫描周围环境得到对应的激光观测数据；处理器，与激光发射器连接，用于获取激光观测数据，提取激光观测数据的几何特征信息，并基于预设空间的环境特征索引库，根据几何特征信息确定目标对象的位置信息，其中，环境特征索引库中包含预设空间内至少一个位置的位置信息和对应的几何特征信息。
根据本发明实施例的另一方面，还提供了一种目标对象的定位装置，包括：第一获取单元，用于获取目标对象的激光观测数据，其中，激光观测数据为目标对象在预设空间内的任意一个位置通过激光扫描周围环境得到的激光数据；第一提取单元，用于提取激光观测数据的几何特征信息；确定单元，用于基于预设空间的环境特征索引库，根据几何特征信息确定目标对象的位置信息，其中，环境特征索引库中包含预设空间内至少一个位置的位置信息和对应的几何特征信息。
根据本发明实施例的另一方面，还提供了一种存储介质，其特征在于，存储介质包括存储的程序，其中，程序执行上述的目标对象的定位方法。
根据本发明实施例的另一方面，还提供了一种处理器，其特征在于，处理器用于运行程序，其中，程序运行时执行上述的目标对象的定位方法。
在本发明实施例中，通过获取目标对象的激光观测数据，其中，激光观测数据为目标对象在预设空间内的任意一个位置通过激光扫描周围环境得到的激光数据；提取激光观测数据的几何特征信息；基于预设空间的环境特征索引库，根据几何特征信息确定目标对象的位置信息，其中，环境特征索引库中包含预设空间内至少一个位置的位置信息和对应的几何特征信息，达到了根据目标对象在预设空间内任意一个位置的激光观测数据快速搜索到对应的位置信息的目的，从而实现了目标对象快速全局定位的技术效果，进而解决了现有采用粒子滤波技术对目标对象进行定位的方案，需要已知目标对象的初始位置的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种目标对象的定位方法流程图；
图2是根据本发明实施例的一种可选的目标对象的定位方法流程图；
图3是根据本发明实施例的一种可选的直线识别查找直线分割点的示意图；
图4是根据本发明实施例的一种可选的直线识别提取激光观测数据的角度特征信息示意图；
图5是根据本发明实施例的一种可选的直线识别提取激光观测数据的角度特征信息示意图；
图6是根据本发明实施例的一种可选的直线识别提取激光观测数据的距离统计信息示意图；
图7是根据本发明实施例的一种可选的目标对象的定位方法流程图；
图8是根据本发明实施例的一种优选的全局定位算法流程图；
图9是根据本发明实施例的一种可选的目标对象的定位方法流程图；
图10是根据本发明实施例的一种机器人示意图；以及
图11是根据本发明实施例的一种目标对象的定位装置示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例，提供了一种目标对象的定位方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种目标对象的定位方法流程图，如图1所示，该方法包括如下步骤：
步骤S102，获取目标对象的激光观测数据，其中，激光观测数据为目标对象在预设空间内的任意一个位置通过激光扫描周围环境得到的激光数据；
作为一种可选的实施例，上述目标对象可以是安装有激光发射器的任何移动物体，本申请各个实施例以“移动机器人”为例来进行说明。上述激光观测数据可以是移动机器人在预设空间内任意一个位置通过激光扫描周围环境得到的激光数据。可选地，该激光数据可以包括激光发射器多个观测角度的距离信息。上述预设空间可以是但不限于各种楼宇、仓库、展厅、餐厅、商场等室内空间。
一种可选的实施例中，可以在目标对象上安装激光雷达，以获取该目标对象与周围环境中其他物体的距离信息。
需要说明的是，本申请各个实施例中提到的“移动机器人”包括但不限于轮式机器人、多足机器人以及室内或者特定场地运行的自动驾驶汽车等；按用途划分包含但不仅限于扫地机器人、迎宾机器人、送餐机器人、AGV(Automated Guided Vehicle，自动导引运输车)，以及具备自主导航功能的教育机器人等。
步骤S104，提取激光观测数据的几何特征信息；
作为一种可选的实施例，上述几何特征信息可以用于表征上述目标对象获取上述激光观测数据时所处位置对应的环境特征，可选地，该几何特征信息包括如下至少之一：角度特征信息和距离统计信息。
步骤S106，基于预设空间的环境特征索引库，根据几何特征信息确定目标对象的位置信息，其中，环境特征索引库中包含预设空间内至少一个位置的位置信息和对应的几何特征信息。
作为一种可选的实施例，上述环境特征索引库可以是预先根据上述预设空间内多个位置(已知的位置信息)的位置信息与对应位置获取的激光观测数据的几何特征信息建立的索引库，因而，可以采用特征匹配的方式，在该环境特征索引库中查找与目标对象当前位置(或启动位置，可以是上述预设空间内的任意一个位置)获取到的激光观测数据的几何特征信息匹配的位置信息，则可以得到目标对象当前位置的位置信息。
容易注意的是，本申请上述步骤S102至S106公开的方案，将预设空间内多个位置的激光观测数据的几何特征信息与这些位置的位置信息建立索引库，而不是直接将预设空间内多个位置的激光观测数据与这些位置的位置信息建立索引库，可以避免受传感器的噪声影响，使得环境特征与位置信息的对应关系变得复杂，导致识别效果不准确的问题。
需要说明的是，本申请各个实施例提供的方案可以应用但不限于使用超声、2D激光雷达、3D激光雷达或者毫米波雷达中的一种或多种信号使用粒子滤波技术进行导航定位的移动机器人。不适用于直接使用UWB、GPS、RTK-GPS(Real-Time Kinematic-GPS，实时动态)等可以直接获得移动机器人绝对位置的场景。
由上可知，在本申请上述实施例中，通过从激光观测数据中提取几何特征信息，并将建立几何特征信息与观测位置的索引库，在获取到目标对象(例如，移动机器人)在预设空间内任意一个位置的激光观测数据后，根据该位置观测的激光观测数据中提取到的几何特征信息，从预先建立的该预设空间的环境特征索引库中查找对应的位置信息，达到了根据目标对象在预设空间内任意一个位置的激光观测数据快速搜索到对应的位置信息的目的，从而实现了目标对象快速全局定位的技术效果，进而解决了现有采用粒子滤波技术对目标对象进行定位的方案，需要已知目标对象的初始位置的技术问题。
需要说明的是，激光导航定位原理利用光反射技术来实现的，由于至少需要通过三个坐标才能定位一个目标的位置信息，因而，在利用目标对象的激光观测数据来对目标对象进行定位时，需要获取激光发射器多个观测角度的激光距离。因而，一种可选的实施例中，上述激光观测数据为包含多个数据元素的数据集，其中，每个数据元素用于表征激光的观测角度以及该观测角度上的激光距离。
以“移动机器人”为例，假设该移动机器人上安装有激光雷达，可以获取该机器人在预设空间内任意一个位置观测的激光观测数据对应的数据集可以为D＝{d1，d2，...，dm}，其中，1～m用于表示激光雷达不同的观测角度，其中，m为激光雷达的最大观测角度，d1，d2，...，dm分别表示不同观测角度方向上的距离信息。
基于上述实施例，作为一种可选的实施例方式，如图2所示，提取激光观测数据的几何特征信息，可以包括如下步骤：
步骤S202，按照预设聚类规则，根据每个数据元素的激光距离将数据集划分为多个数据子集，将多个数据子集中符合预设条件的两个子集作为第一数据子集和第二数据子集；
步骤S204，对第一数据子集和第二数据子集中的数据元素进行分析，得到激光观测数据的角度特征信息和对应的距离统计信息。
一种可选的实施例中，上述预设聚类规则可以是以激光的距离作为划分因素，将一个连续激光数据集中距离差值小于预设阈值的元素划分为一类，仍以上述数据集为D为例，可以通过下面的表达式(1)将该数据集划分为多个数据子集L，其上角标n表示数据集D中的数据元素按照连续激光距离的距离差值小于预设阈值划分后的种类数量，也就是数据集D被划分的数据子集L的数量，每个数据子集L中都包含了若干个距离相近的激光数据。对于数据量较大子集，包含了观测到实际环境中的几何特征，如线段和直角等，这是所需的特征数据，因此将n个数据子集L中数据量最大(即上述预设条件)的两个子集L1(即上述第一数据子集)和L2(即上述第二数据子集)作为聚类输出结果。
Figure BDA0001710792270000061
可选地，对数据集D进行聚类划分得到数据量最大的两个数据子集后，可以对这两个数据子集进行直线识别等分析处理，提取目标对象获取到的激光观测数据的几何特征信息(例如，角度特征信息或距离统计信息等)。因而，作为一种可选的实施例，上述步骤S204，对第一数据子集和第二数据子集中的数据元素进行分析，得到激光观测数据的角度特征信息和对应的距离统计信息，可以包括下步骤：
步骤S2041，对第一数据子集和第二数据子集进行直线识别，得到角度特征信息；
步骤S2043，对第一数据子集和第二数据子集中所有数据元素的距离信息统计分析，得到对应的距离统计信息。
基于上述实施例，为了获取第一数据子集和第二数据子集的角度特征信息，作为一种可选的实施方式，对第一数据子集和第二数据子集进行直线识别，得到角度特征信息，可以包括下步骤：
步骤一，将第一数据子集和第二数据子集中的数据元素投影到二维笛卡尔坐标系上；
步骤二，计算第一数据子集或第二数据子集中所有数据元素到目标直线的距离，并将距离最大的数据元素作为直线分割点，其中，目标直线为第一数据子集或第二数据子集中第一个数据元素与最后一个数据元素构成的直线；
步骤三，计算第一数据子集或第二数据子集的法向量斜率；
步骤四，根据第一数据子集和第二数据子集的法向量斜率，确定角度特征信息。
以对数据集D进行聚类划分得到的数据子集L1和L2进行直线识别为例，图3是根据本发明实施例的一种可选的直线识别查找直线分割点的示意图，如图3所示，与图像中的直线识别方法霍夫变换不同，由于激光雷达的数据在一维平面中是连续且相近的，根据这一特点对L1和L2进行识别并找出拐点p1和p2。
首先将L1和L2中的数据元素，从距离与角度形式根据如下公式投影到二维笛卡尔坐标系上，图3中的实心圆点为二维笛卡尔坐标系的原点：
Figure BDA0001710792270000071
将L1集合中的首尾两点lstart与lend构建直线l1：Ax+By+C＝0，根据公式(3)并计算L1集合中所有点与该直线的距离ri，若存在ri＞ε,则找出最大距离rmax所对应的点则为L1集合中的直线分割点p1。
Figure BDA0001710792270000072
在得到集合L1的直线分割拐点后，即可计算线段中每个点的法向量vi。若集合中不存在直线分割拐点，即ri＜ε，
Figure BDA0001710792270000073
代表集合L1中只包含一条直线，其集合点的法向量斜率ki都相等：
Figure BDA0001710792270000081
相反，当集合L1中存在直线拐点(xn，yn)，则集合点start至n的法向量斜率相等，n至end的法向量斜率相等，计算公式与(4)相同。
对应集合L1中每个激光点都包含它与所在直线形成的法向量斜率
Figure BDA0001710792270000082
如图4所示，ni是从集合L1开始到结束的遍历点，定义
Figure BDA0001710792270000083
为
Figure BDA0001710792270000084
与ni形成的直线与ni法线所形成的夹角，而
Figure BDA0001710792270000085
为
Figure BDA0001710792270000086
与ni形成的直线与ni法线所形成的夹角，且
Figure BDA0001710792270000087
Figure BDA0001710792270000088
同理，
Figure BDA0001710792270000089
为L2集合的特征角，定义与性质与L1集合相同，其中，图4中的实心圆点为二维笛卡尔坐标系的原点。
对于集合L1与L2之间的相互特征角，如图5所示，定义为
Figure BDA00017107922700000810
与
Figure BDA00017107922700000811
Figure BDA00017107922700000812
其中表示L1集合的遍历点ni与集合L2的起点
Figure BDA00017107922700000813
两点形成的直线与ni法线形成的夹角，
Figure BDA00017107922700000814
表示L1集合的遍历点ni与集合L2的终点
Figure BDA00017107922700000815
两点形成的直线与ni法线形成的夹角，
Figure BDA00017107922700000816
Figure BDA00017107922700000817
同理，
Figure BDA00017107922700000818
与
Figure BDA00017107922700000819
为L2集合的遍历点mi分别与
Figure BDA00017107922700000820
和
Figure BDA00017107922700000821
的夹角，其中，图5中的实心圆点为二维笛卡尔坐标系的原点。
Figure BDA00017107922700000822
由上可知，
Figure BDA00017107922700000823
以及
Figure BDA00017107922700000824
均可通过公式(5)求得。
为保证每时刻激光观测数据长度一致，将计算得到的环境角度特征通过角度直方图进行统计，可得到集合L1与L2以及L1L2交互特征值结果T分别为：
Figure BDA00017107922700000825
需要说明的是，考虑到在相似的地理环境中，不同时刻得到的第一数据子集与第二数据子集中的角度特征信息可能出现相似的结果，为进一步提高机器人在学习环境特征的辨识度，在特征提取操作的最后一步加入激光数据集合L1与L2的距离统计信息，能提高环境特征相似但空间大小不同的识别结果。
为了获取第一数据子集和第二数据子集的距离统计信息，作为一种可选的实施方式，对第一数据子集和第二数据子集中所有数据元素的距离信息统计分析，得到对应的距离统计信息，可以包括如下步骤：将第一数据子集或第二数据子集中所有数据元素的距离信息通过直方图统计数据的分布状况，得到距离统计信息。
仍以上述第一数据子集L1与第二数据子集L2为例，如图6所示，分别对两个集合中所有元素的距离信息通过直方图统计数据的分布状况，形成相应的距离特征信息，，其中，图6中的实心圆点为二维笛卡尔坐标系的原点：
Figure BDA0001710792270000091
在对激光数据特征提取处理操作后，可以将不同位置得到观测数据编码成区分度高的区域识别数据，特征数据中包含了激光测距仪观测到的环境几何信息，取集合较大的数据集进行关联角度的提取以及距离信息的统计，在保证数据准确性的同时扩大了观测数据中距离与角度变量对环境的表示能力，使得即使在观测结果的角度特征相似情况下，通过距离统计信息区别角度相似的区域，最终的特征数据集E表示为：
E(L1L2)＝[T(L1)T(L2)T(L1L2)D(L1)D(L2)] (8)
可以看出，最终的特征数据集E分别包含了角度特征信息与距离统计信息，各个特征集的长度与统计图的划分值相关。
基于上述任意一种可选的实施例，如图7所示，作为一种可选的实施方式，在基于预设空间的环境特征索引库，根据几何特征信息确定目标对象的位置信息之前，上述方法还可以包括如下步骤：
步骤S702，获取预设空间内至少一个预设位置的激光观测数据；
步骤S704，提取每个预设位置的激光观测数据对应的几何特征信息；
步骤S706，根据至少一个预设位置的位置信息和对应的几何特征信息，构建预设空间的预设空间的环境特征索引库。
具体地，在上述实施例中，经过聚类、直线识别、角度特征提取以及距离信息统计后，可将机器人在不同地方观测的激光数据进行识别度较高的编码，结合对应的观测位置信息，机器人将这两者信息进行关联学习，可以构建出与室内环境相对应的环境特征索引库(也可以成为知识库)。当机器人被搬动劫持或进行全局初始定位时，即使在没有里程数据条件下，根据激光观测数据在已经学习得出的知识库里快速检索出近似的位置结果。
一种可选的实施例中，上述预设位置为预设空间的栅格地图中均匀产生的粒子训练样本的位置。其中，栅格地图是将预设空间划分为一系列栅格，利用栅格概率地图中的每一栅格的颜色深度代表可以该处有障碍物的概率，颜色越深，概率越大。栅格概率地图中的每个像素就代表一个栅格。当地图的分辨率为0.05cell/m(栅格/米)，就代表了每个栅格映射物理上0.05见方的一个区域。由于本申请上述实施例采用的搜索方法与像素点无关，只与室内环境中的几何特征相关，因此即使在面积更大、地图分辨率更高的情况下，也能在极短的时间内得到全局坐标的最优解。图8是根据本发明实施例的一种优选的全局定位算法流程图。如图8所示，根据已知栅格地图中均匀产生的粒子训练样本(xn，yn)中的每个训练样本所在位置观测得到激光观测数据，并提取对应的几何特征信息，与相应的位置信息建立知识库，以便获取到机器人的实时激光数据后，根据提取到的几何特征信息(包括角度特征统计和距离统计信息)，通过快速最近邻搜索算法(Flann)检索到与该几何特征信息近似的至少一个位置，在近似位置添加粒子样本点做初始化，可以的机器人的精确位置。
根据上述任意一种可选的实施例中，如图9所示，基于预设空间的环境特征索引库，根据几何特征信息确定目标对象的位置信息，可以包括如下步骤：
步骤S902，基于预设空间的环境特征索引库，根据几何特征信息检索目标对象的至少一个近似位置的位置信息；
步骤S904，对至少一个近似位置的位置信息进行收敛计算，得到目标对象的精确位置信息。
需要说明的是，粒子滤波技术是机器人导航领域常用的技术之一，其基本思想是利用随机样本来描述概率分布，然后在测量的基础上，通过调节各粒子权值的大小和样本的位置，来近似实际概率分布，并以样本的均值作为系统的估计值。
通过上述实施例公开的方案，根据获取到的激光数据确定目标对象的位置信息，由于激光数据没有如视觉中的大量点云特征数据，只包含角度与距离信息，但通过这两种信息可以提取机器人观测到的直线、夹角等平面中的几何特征信息，将此特征信息进行统计，并与位置信息构建一一对应的知识库，从而实现机器人在只有激光观测数据时的全局定位。由于对激光数据作了系列的特征提取统计处理，使得后期搜索全局位置时，能结合快速临近搜索的方法，在极短的时间内搜索出最优的全局坐标。具体地，可以实现如下技术效果：
(1)与传统的粒子滤波的均匀分布求解全局最优坐标的方法对比，本发明方法能够根据特征信息排除全局地图中大量不符合的初始位置，大大减少了初始时所需的粒子样本数量，使得目标对象(例如，移动机器人)的搜索范围缩窄至若干个相似的起始点。
(2)与划分地图的方法分支界定法相比，由于本发明采用的搜索方法与像素点无关，只与室内环境中的几何特征相关，因此即使在面积更大、地图分辨率更高的情况下，也能在极短的时间内得到全局坐标的最优解。使目标对象(例如，移动机器人)具备全局定位与定位恢复能力的同时，在定位恢复的实时性方面有较大保证。
根据本发明实施例，还提供了一种用于实现上述目标对象的定位的机器人实施例，图10是根据本发明实施例的一种机器人示意图，如图10所示，该机器人包括：激光发射器101和处理器103。
其中，激光发射器101，用于机器人在预设空间内的任意一个位置扫描周围环境得到对应的激光观测数据；
处理器103，与激光发射器连接，用于获取激光观测数据，提取激光观测数据的几何特征信息，并基于预设空间的环境特征索引库，根据几何特征信息确定目标对象的位置信息，其中，环境特征索引库中包含预设空间内至少一个位置的位置信息和对应的几何特征信息。
由上可知，在本申请上述实施例中，通过从激光观测数据中提取几何特征信息，并将建立几何特征信息与观测位置的索引库，在机器人通过激光发射器101在预设空间内的任意一个位置扫描周围环境得到对应的激光观测数据后，传输到处理器103后，处理器103根据该位置观测的激光观测数据中提取到的几何特征信息，从预先建立的该预设空间的环境特征索引库中查找对应的位置信息，达到了根据目标对象在预设空间内任意一个位置的激光观测数据快速搜索到对应的位置信息的目的，从而实现了目标对象快速全局定位的技术效果，进而解决了现有采用粒子滤波技术对目标对象进行定位的方案，需要已知目标对象的初始位置的技术问题。
需要说明的是，上述几何特征信息包括如下至少之一：角度特征信息和距离统计信息。
在一种可选的实施例中，上述激光观测数据为包含多个数据元素的数据集，其中，每个数据元素用于表征激光的观测角度以及该观测角度上的激光距离。
可选地，上述处理器103还用于按照预设聚类规则，根据每个数据元素的激光距离将数据集划分为多个数据子集，将多个数据子集中符合预设条件的两个子集作为第一数据子集和第二数据子集；对第一数据子集和第二数据子集中的数据元素进行分析，得到激光观测数据的角度特征信息和对应的距离统计信息。
可选地，上述处理器103还用于对第一数据子集和第二数据子集进行直线识别，得到角度特征信息；对第一数据子集和第二数据子集中所有数据元素的距离信息统计分析，得到对应的距离统计信息。
可选地，上述处理器103还用于将第一数据子集和第二数据子集中的数据元素投影到二维笛卡尔坐标系上；计算第一数据子集或第二数据子集中所有数据元素到目标直线的距离，并将距离最大的数据元素作为直线分割点，其中，目标直线为第一数据子集或第二数据子集中第一个数据元素与最后一个数据元素构成的直线；计算第一数据子集或第二数据子集的法向量斜率；根据第一数据子集和第二数据子集的法向量斜率，确定角度特征信息。
可选地，上述处理器103还用于将第一数据子集或第二数据子集中所有数据元素的距离信息通过直方图统计数据的分布状况，得到距离统计信息。
可选地，上述处理器103还用于获取预设空间内至少一个预设位置的激光观测数据；提取每个预设位置的激光观测数据对应的几何特征信息；根据至少一个预设位置的位置信息和对应的编码信息，构建预设空间的预设空间的环境特征索引库。
一种可选的实施例中，上述预设位置为预设空间的栅格地图中均匀产生的粒子训练样本的位置。
可选地，上述处理器103还用于基于预设空间的环境特征索引库，根据几何特征信息检索目标对象的至少一个近似位置的位置信息；对至少一个近似位置的位置信息进行收敛计算，得到目标对象的精确位置信息。
根据本发明实施例，还提供了一种用于实现上述目标对象的定位方法的装置实施例，图11是根据本发明实施例的一种目标对象的定位装置示意图，如图11所示，该装置包括：第一获取单元111、第一提取单元113和确定单元115。
其中，第一获取单元111，用于获取目标对象的激光观测数据，其中，激光观测数据为目标对象在预设空间内的任意一个位置通过激光扫描周围环境得到的激光数据；
第一提取单元113，用于提取激光观测数据的几何特征信息；
确定单元115，用于基于预设空间的环境特征索引库，根据几何特征信息确定目标对象的位置信息，其中，环境特征索引库中包含预设空间内至少一个位置的位置信息和对应的几何特征信息。
此处需要说明的是，上述第一获取单元111、第一提取单元113和确定单元115对应于方法实施例中的步骤S102至S106，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述方法实施例所公开的内容。需要说明的是，上述模块作为装置的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
由上可知，在本申请上述实施例中，通过从激光观测数据中提取几何特征信息，并将建立几何特征信息与观测位置的索引库，在通过第一获取单元111获取到目标对象(例如，移动机器人)在预设空间内任意一个位置的激光观测数据后，通过第一提取单元113根据该位置观测的激光观测数据中提取到的几何特征信息，并通过确定单元115从预先建立的该预设空间的环境特征索引库中查找对应的位置信息，达到了根据目标对象在预设空间内任意一个位置的激光观测数据快速搜索到对应的位置信息的目的，从而实现了目标对象快速全局定位的技术效果，进而解决了现有采用粒子滤波技术对目标对象进行定位的方案，需要已知目标对象的初始位置的技术问题。
在一种可选的实施例中，上述几何特征信息包括如下至少之一：角度特征信息和距离统计信息。
在一种可选的实施例中，上述激光观测数据为包含多个数据元素的数据集，其中，每个数据元素用于表征激光的观测角度以及该观测角度上的激光距离。
在一种可选的实施例中，上述第一提取单元包括：划分模块，用于按照预设聚类规则，根据每个数据元素的激光距离将数据集划分为多个数据子集，将多个数据子集中符合预设条件的两个子集作为第一数据子集和第二数据子集；分析模块，用于对第一数据子集和第二数据子集中的数据元素进行分析，得到激光观测数据的角度特征信息和对应的距离统计信息。
在一种可选的实施例中，上述分析模块包括：识别模块，用于对第一数据子集和第二数据子集进行直线识别，得到角度特征信息；分析子模块，用于对第一数据子集和第二数据子集中所有数据元素的距离信息统计分析，得到对应的距离统计信息。
在一种可选的实施例中，上述识别模块包括：投影模块，用于将第一数据子集和第二数据子集中的数据元素投影到二维笛卡尔坐标系上；第一计算模块，用于计算第一数据子集或第二数据子集中所有数据元素到目标直线的距离，并将距离最大的数据元素作为直线分割点，其中，目标直线为第一数据子集或第二数据子集中第一个数据元素与最后一个数据元素构成的直线；第二计算模块，用于计算第一数据子集或第二数据子集的法向量斜率；确定模块，用于根据第一数据子集和第二数据子集的法向量斜率，确定角度特征信息。
在一种可选的实施例中，上述分析子模块还用于将第一数据子集或第二数据子集中所有数据元素的距离信息通过直方图统计数据的分布状况，得到距离统计信息。
在一种可选的实施例中，上述装置还包括：第二获取单元，用于获取预设空间内至少一个预设位置的激光观测数据；第二提取单元，用于提取每个预设位置的激光观测数据对应的几何特征信息；构建单元，用于根据至少一个预设位置的位置信息和对应的编码信息，构建预设空间的预设空间的环境特征索引库。
在一种可选的实施例中，上述预设位置为预设空间的栅格地图中均匀产生的粒子训练样本的位置。
在一种可选的实施例中，上述确定单元包括：检索模块，用于基于预设空间的环境特征索引库，根据几何特征信息检索目标对象的至少一个近似位置的位置信息；计算模块，用于对至少一个近似位置的位置信息进行收敛计算，得到目标对象的精确位置信息。
根据本发明实施例，还提供了一种存储介质，存储介质包括存储的程序，其中，程序执行上述任意一项可选的或优选的目标对象的定位方法。
根据本发明实施例，还提供了一种处理器，处理器用于运行程序，其中，程序运行时执行上述任意一项可选的或优选的目标对象的定位方法。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案的全部或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中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
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 (12)

1.一种目标对象的定位方法，其特征在于，包括：
获取目标对象的激光观测数据，其中，所述激光观测数据为所述目标对象在预设空间内的任意一个位置通过激光扫描周围环境得到的激光数据；
提取所述激光观测数据的几何特征信息；
基于所述预设空间的环境特征索引库，根据所述几何特征信息确定所述目标对象的位置信息，其中，所述环境特征索引库中包含所述预设空间内至少一个位置的位置信息和对应的几何特征信息；
其中，提取所述激光观测数据的几何特征信息，包括：
按照预设聚类规则，根据每个数据元素的激光距离将所述数据集划分为多个数据子集，将所述多个数据子集中符合预设条件的两个子集作为第一数据子集和第二数据子集；
对所述第一数据子集和所述第二数据子集中的数据元素进行分析，得到所述激光观测数据的角度特征信息和对应的距离统计信息；
其中，对所述第一数据子集和所述第二数据子集中的数据元素进行分析，得到所述激光观测数据的角度特征信息和对应的距离统计信息，包括：
对所述第一数据子集和所述第二数据子集进行直线识别，得到所述角度特征信息；
对所述第一数据子集和所述第二数据子集中所有数据元素的距离信息统计分析，得到对应的距离统计信息。
2.根据权利要求1所述的方法，其特征在于，所述几何特征信息包括如下至少之一：角度特征信息和距离统计信息。
3.根据权利要求2所述的方法，其特征在于，所述激光观测数据为包含多个数据元素的数据集，其中，每个数据元素用于表征激光的观测角度以及该观测角度上的激光距离。
4.根据权利要求1所述的方法，其特征在于，对所述第一数据子集和所述第二数据子集进行直线识别，得到所述角度特征信息，包括：
将所述第一数据子集和所述第二数据子集中的数据元素投影到二维笛卡尔坐标系上；
计算所述第一数据子集或所述第二数据子集中所有数据元素到目标直线的距离，并将距离最大的数据元素作为直线分割点，其中，所述目标直线为所述第一数据子集或所述第二数据子集中第一个数据元素与最后一个数据元素构成的直线；
计算所述第一数据子集或所述第二数据子集的法向量斜率；
根据所述第一数据子集和所述第二数据子集的法向量斜率，确定所述角度特征信息。
5.根据权利要求1所述的方法，其特征在于，对所述第一数据子集和所述第二数据子集中所有数据元素的距离信息统计分析，得到对应的距离统计信息，包括：
将所述第一数据子集或所述第二数据子集中所有数据元素的距离信息通过直方图统计数据的分布状况，得到所述距离统计信息。
6.根据权利要求1所述的方法，其特征在于，在基于所述预设空间的环境特征索引库，根据所述几何特征信息确定所述目标对象的位置信息之前，所述方法还包括：
获取所述预设空间内至少一个预设位置的激光观测数据；
提取每个预设位置的激光观测数据对应的几何特征信息；
根据所述至少一个预设位置的位置信息和对应的几何特征信息，构建所述预设空间的预设空间的环境特征索引库。
7.根据权利要求6所述的方法，其特征在于，所述预设位置为所述预设空间的栅格地图中均匀产生的粒子训练样本的位置。
8.根据权利要求1所述的方法，其特征在于，基于所述预设空间的环境特征索引库，根据所述几何特征信息确定所述目标对象的位置信息，包括：
基于所述预设空间的环境特征索引库，根据所述几何特征信息检索所述目标对象的至少一个近似位置的位置信息；
对所述至少一个近似位置的位置信息进行收敛计算，得到所述目标对象的精确位置信息。
9.一种机器人，其特征在于，包括：
激光发射器，用于机器人在预设空间内的任意一个位置扫描周围环境得到对应的激光观测数据；
处理器，与所述激光发射器连接，用于获取所述激光观测数据，提取所述激光观测数据的几何特征信息，并基于所述预设空间的环境特征索引库，根据所述几何特征信息确定目标对象的位置信息，其中，所述环境特征索引库中包含所述预设空间内至少一个位置的位置信息和对应的几何特征信息；
其中，所述处理器还用于按照预设聚类规则，根据每个数据元素的激光距离将所述数据集划分为多个数据子集，将所述多个数据子集中符合预设条件的两个子集作为第一数据子集和第二数据子集；对所述第一数据子集和所述第二数据子集中的数据元素进行分析，得到所述激光观测数据的角度特征信息和对应的距离统计信息；
所述处理器还用于对所述第一数据子集和所述第二数据子集进行直线识别，得到所述角度特征信息；对所述第一数据子集和所述第二数据子集中所有数据元素的距离信息统计分析，得到对应的距离统计信息。
10.一种目标对象的定位装置，其特征在于，包括：
第一获取单元，用于获取目标对象的激光观测数据，其中，所述激光观测数据为所述目标对象在预设空间内的任意一个位置通过激光扫描周围环境得到的激光数据；
第一提取单元，用于提取所述激光观测数据的几何特征信息；
确定单元，用于基于所述预设空间的环境特征索引库，根据所述几何特征信息确定所述目标对象的位置信息，其中，所述环境特征索引库中包含所述预设空间内至少一个位置的位置信息和对应的几何特征信息；
其中，所述装置还用于按照预设聚类规则，根据每个数据元素的激光距离将所述数据集划分为多个数据子集，将所述多个数据子集中符合预设条件的两个子集作为第一数据子集和第二数据子集；对所述第一数据子集和所述第二数据子集中的数据元素进行分析，得到所述激光观测数据的角度特征信息和对应的距离统计信息；
所述装置还用于对所述第一数据子集和所述第二数据子集进行直线识别，得到所述角度特征信息；对所述第一数据子集和所述第二数据子集中所有数据元素的距离信息统计分析，得到对应的距离统计信息。
11.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，所述程序执行权利要求1至8中任意一项所述的目标对象的定位方法。
12.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至8中任意一项所述的目标对象的定位方法。
CN201810682199.9A 2018-06-27 2018-06-27 目标对象的定位方法、装置及机器人 Active CN108801268B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810682199.9A CN108801268B (zh) 2018-06-27 2018-06-27 目标对象的定位方法、装置及机器人

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810682199.9A CN108801268B (zh) 2018-06-27 2018-06-27 目标对象的定位方法、装置及机器人

Publications (2)

Publication Number Publication Date
CN108801268A CN108801268A (zh) 2018-11-13
CN108801268B true CN108801268B (zh) 2021-03-05

Family

ID=64072134

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810682199.9A Active CN108801268B (zh) 2018-06-27 2018-06-27 目标对象的定位方法、装置及机器人

Country Status (1)

Country Link
CN (1) CN108801268B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111223139B (zh) * 2018-11-26 2024-02-13 深圳市优必选科技有限公司 目标定位方法及终端设备
CN109829032B (zh) * 2019-03-14 2021-02-26 广州蓝胖子移动科技有限公司 一种物品识别的方法、设备及存储介质
CN110006432B (zh) * 2019-04-15 2021-02-02 广州高新兴机器人有限公司 一种基于几何先验信息下的室内机器人快速重定位的方法
CN110160528B (zh) * 2019-05-30 2021-06-11 华中科技大学 一种基于角度特征识别的移动装置位姿定位方法
CN110609290B (zh) * 2019-09-19 2021-07-23 北京智行者科技有限公司 激光雷达匹配定位方法及装置
CN110530375B (zh) * 2019-10-10 2021-08-27 上海钛米机器人科技有限公司 机器人自适应定位方法、定位装置、机器人及存储介质
CN111239763A (zh) * 2020-03-06 2020-06-05 广州视源电子科技股份有限公司 对象的定位方法、装置、存储介质和处理器
CN111308491A (zh) * 2020-03-09 2020-06-19 中振同辂(江苏)机器人有限公司 一种基于多传感器组合的障碍物感知方法
CN113063327B (zh) * 2021-03-22 2023-04-25 贵州航天电子科技有限公司 一种全波采样的激光引信信号处理电路及信号处理方法
CN113252027B (zh) * 2021-06-21 2021-10-01 中南大学 井下无人驾驶车辆局部路径规划方法、装置、设备及存储介质
CN113567932A (zh) * 2021-08-27 2021-10-29 中电科星河北斗技术(西安)有限公司 一种雷达显控装置
CN114545400B (zh) * 2022-04-27 2022-08-05 陕西欧卡电子智能科技有限公司 基于毫米波雷达的水面机器人的全局重定位方法
CN115137267B (zh) * 2022-07-13 2024-03-26 浙江欣奕华智能科技有限公司 一种清洁机器人的避障行走方法、装置、电子设备及介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105137998A (zh) * 2015-10-13 2015-12-09 徐金平 一种基于激光扫描仪的自主导航方法
CN107798330A (zh) * 2017-11-10 2018-03-13 上海电力学院 一种焊缝图像特征信息提取方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101031817B (zh) * 2004-09-30 2011-02-09 Faro科技有限公司 测量移动后向反射器的绝对测距仪
CN103268729B (zh) * 2013-05-22 2015-08-19 北京工业大学 基于混合特征的移动机器人级联式地图创建方法
CN105607071B (zh) * 2015-12-24 2018-06-08 百度在线网络技术（北京）有限公司 一种室内定位方法及装置
CN105674991A (zh) * 2016-03-29 2016-06-15 深圳市华讯方舟科技有限公司 一种机器人定位方法和装置
CN105865451B (zh) * 2016-04-19 2019-10-01 深圳市神州云海智能科技有限公司 用于移动机器人室内定位的方法和设备
CN106092104B (zh) * 2016-08-26 2019-03-15 深圳微服机器人科技有限公司 一种室内机器人的重定位方法及装置
CN106529573A (zh) * 2016-10-14 2017-03-22 北京联合大学 一种结合三维点云分割和局部特征匹配的实时物体检测方法
CN107561549B (zh) * 2017-08-17 2020-07-24 广州视源电子科技股份有限公司 终端位置的重定位方法、装置、终端及存储介质
CN107907124B (zh) * 2017-09-30 2020-05-15 杭州迦智科技有限公司 基于场景重识的定位方法、电子设备、存储介质、系统
CN107908185A (zh) * 2017-10-14 2018-04-13 北醒（北京）光子科技有限公司 一种机器人自主全局重定位方法及机器人
CN108152832A (zh) * 2017-12-11 2018-06-12 开沃新能源汽车集团有限公司 通过激光雷达探测目标障碍物的方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105137998A (zh) * 2015-10-13 2015-12-09 徐金平 一种基于激光扫描仪的自主导航方法
CN107798330A (zh) * 2017-11-10 2018-03-13 上海电力学院 一种焊缝图像特征信息提取方法

Also Published As

Publication number Publication date
CN108801268A (zh) 2018-11-13

Similar Documents

Publication Publication Date Title
CN108801268B (zh) 目标对象的定位方法、装置及机器人
US11816907B2 (en) Systems and methods for extracting information about objects from scene information
Paya et al. A state-of-the-art review on mapping and localization of mobile robots using omnidirectional vision sensors
Yousif et al. An overview to visual odometry and visual SLAM: Applications to mobile robotics
AU2018326401C1 (en) Method and system for use in performing localisation
US9183444B2 (en) Information processing apparatus, information processing method, and computer program
Paul et al. FAB-MAP 3D: Topological mapping with spatial and visual appearance
Zivkovic et al. Hierarchical map building using visual landmarks and geometric constraints
EP1658579B1 (en) Method for for classification and spatial localization of bounded 3d-objects
Sala et al. Landmark selection for vision-based navigation
Palazzolo et al. Fast image-based geometric change detection given a 3d model
EP3274964B1 (en) Automatic connection of images using visual features
Jebari et al. Multi-sensor semantic mapping and exploration of indoor environments
CN111709988A (zh) 一种物体的特征信息的确定方法、装置、电子设备及存储介质
Palazzolo et al. Change detection in 3d models based on camera images
Zingaretti et al. Appearance based robotics
Vu et al. Adaptive ground segmentation method for real-time mobile robot control
Zou et al. Static map reconstruction and dynamic object tracking for a camera and laser scanner system
Armenakis et al. Feasibility study for pose estimation of small UAS in known 3D environment using geometric hashing
Marginean et al. A Distributed Processing Architecture for Vision Based Domestic Robot Navigation
Dardavesis Indoor localisation and location tracking in semi-public buildings based on LiDAR point clouds and images of the ceilings
Sengupta Semantic Mapping of Road Scenes
Vokhmintsev et al. Development of a method for constructing a 3D accurate map of the surrounding environment
Jahromi 3D Reconstruction of Indoor Corridor Models Using Single Imagery and Video Sequences
Okamoto Jr et al. On-line SLAM using clustered landmarks with omnidirectional vision

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