CN108919300A - 一种面向仓库通道场景的混合地图创建方法 - Google Patents
一种面向仓库通道场景的混合地图创建方法 Download PDFInfo
- Publication number
- CN108919300A CN108919300A CN201810783809.4A CN201810783809A CN108919300A CN 108919300 A CN108919300 A CN 108919300A CN 201810783809 A CN201810783809 A CN 201810783809A CN 108919300 A CN108919300 A CN 108919300A
- Authority
- CN
- China
- Prior art keywords
- package
- corner location
- point
- map
- probability distribution
- 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.)
- Granted
Links
Classifications
-
- 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
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种面向仓库通道场景的混合地图创建方法,包括:步骤1.根据激光雷达初次测量结果,初始化货包角点位置概率分布;步骤2.根据激光雷达的多次测量结果,更新货包角点位置的概率分布;步骤3.根据已经更新好的角点概率分布,估计货包角点位置;步骤4.对货包边缘的线段信息进行提取;步骤5.使用递推最小二乘法估计货包边缘信息;步骤6.根据货包角点位置和边缘的估计结果,计算货包之间相对位置关系。本发明在考虑仓库通道环境特点的情况下,提出了描述货包特征和货包相互关系的货包链式地图。此方法为仓库通道环境下地图创建提供了一种解决方案。该方案易于实现,适应能力强,适合于仓库通道环境下地图创建问题。
Description
技术领域
本发明属于移动机器人的环境建模领域,具体公开一种面向仓库通道场景的货包链式地图创建方法。
背景技术
环境地图即对周围环境进行建模,描述了机器人的工作环境。地图对实际环境描述的准确程度直接影响到机器人定位和导航的精度。仓库整体空间较大但通道空间狭窄的特点,这些特点要求环境地图在具备较高分辨率的同时有效利用存储空间。因此,建立准确、高效的仓库通道环境的地图很有必要。
环境地图按照维度划分常见的有二维地图和三维地图,二维环境可以通过单线激光雷达感知,而三维地图则需要通过多线激光雷达或者深度摄像机等来进行感知。二维地图可以分为三类,第一类是拓扑地图,第二类是特征地图,第三类是栅格地图。
拓扑地图由Kuipers等人提出,拓扑地图将环境表征为一些点和相关连线组成的拓扑结构图。其中,拓扑点定义为局部环境下用用最多等距障碍物的点,线表示两个点之间可以通行。拓扑地图是描述环境地图较为简洁的方式,存储了机器人的可行区域,在极大节省地图存储空间的同时忽略了环境的细节信息。
特征地图由特征和特征所在的位置来描述环境信息的地图。特征既可以是环境固有信息也可以是人为设定的标志。环境固有特征通常抽象为几何特征,这些几何特征通常包含对于环境结构的理解,比如将桌脚抽象为点,墙壁抽象为线,货包可以抽象为点、线和角的组合。传感器获取了测量数据之后,通过一些特征提取方法可以获得环境特征信息。高翔等人采用霍夫变换将实际环境中的线转换为霍夫平面的点,从而通过霍夫平面上点的组合来提取特征。最小二乘法也可用来拟合环境中出现的线段,并将这些线段组合得到环境特征。Lari等人采用split-merge算法通过设定阈值划分检测区域,通过合并过程提取环境特征。
栅格地图按照一定的大小,将整个环境进行划分,形成一张网格状的地图。占用栅格地图中,每一格通过0或者1来表示该位置是否被占用。一般而言,0用来表示该位置空旷,1用来表示该位置已被占用。当该位置的值未初始化时表示该位置尚未被探测,是否占用的情况未知。该方法由Elfes等人提出,并在机器人系统上实现。栅格地图可以清楚地表示整个环境的障碍物信息,环境信息的精确程度取决于栅格的大小,如果栅格较大地图占用的内存空间较小但环境信息也较为粗略,定位时往往不能达到足够的精度。当栅格较小时,地图的空间开销较大,相应能获取更高精度的地图。贾松敏等人将特征地图和栅格地图混合得到混合地图,该混合地图实现了分层匹配,首先检测传感器获取到的特征信息进行特征匹配,然后进行匹配栅格。但这种方法没有实现地图真正的融合,只是存储两份地图,匹配精度也受限于栅格地图的精度。
综上所述,环境地图描述以特征地图和栅格地图为主。特征地图保留环境中已处理的可识别信息,而失去环境中细节的描述。栅格地图能够对环境实现完整描述,但描述的精度取决于栅格大小的设置。过粗的栅格会丧失地图部分信息,并对一些区域描述不正确。过细的栅格会导致地图占用空间过大,导致难以加载和实时处理。而仓库整体环境往往较大,这导致整张地图较大,而仓库通道又比较狭窄,这对于地图分辨率有较高的要求。现有地图创建技术不能良好适用于仓库通道环境,有必要设计一种适合于仓库通道环境的地图创建方法。
发明内容
有鉴于此,为了解决上述问题,本发明提供一种面向仓库通道场景的混合地图创建方法。该方法易于实现,适应能力强,适合于仓库通道环境下地图创建问题。
为实现上述目的及其他目的,本发明提供一种面向仓库通道场景的混合地图创建方法,包括以下步骤:
步骤1.根据激光雷达初次测量结果,初始化货包角点位置概率分布;
步骤2.根据激光雷达的多次测量结果,更新货包角点位置的概率分布;
步骤3.根据已经更新好的角点概率分布,估计货包角点位置;
步骤4.对货包边缘的线段信息进行提取;
步骤5.使用递推最小二乘法估计货包边缘信息;
步骤6.根据货包角点位置和边缘的估计结果,计算货包之间相对位置关系。
优选地,在所述步骤2中,所述更新货包角点位置的概率分布方法具体为:
其中,ls表示激光激光雷达在测量到位置x是角点的概率对数比,y1,y2分别为两束相邻的测距光束分别与同一货包边缘以及该边缘的延长线的交点的纵坐标;y3,y4分别为两束相邻的测距光束分别与两货包的交点的纵坐标。
优选地,利用贝叶斯滤波的方法对货包角点位置进行估计。
优选地,所述步骤3具体包括以下子步骤:首先将通过转换公式转换为概率值,然后通过归一化参数η对范围[y1,y2)的数据进行归一化,
其中,belt(x)为位置x在t时刻下是角点的概率,lt为t时刻下测量范围内所有点的概率对数比,y1,y2分别为两束相邻的测距光束分别与同一货包的交点的纵坐标,
根据区间[y1,y2)内的概率分布情况,估计货包角点位置,计算公式如下:
pos为估计的货包角点位置的值,i表示区间[y1,y2)内可能为货包角点的位置索引。
优选地,对货包边缘的线段信息进行提取的具体方法为:
假设激光雷达测量周围环境得到的数据点集合为P={p1,p2,...,pn},起点p1与终点pn相连所得到的线段记为l1,计算起点到终点之间的数据点到线段l1的距离为dmax,若dmax小于阈值d,则认为该数据部分为一条,算法结束,否则记距离为dmax处的分割点为pk,则将点pk的σ邻域标记为活动区域。
由于采用了上述技术方案,本发明具有如下的优点:
本发明在考虑仓库通道环境特点的情况下,提出了描述货包特征和货包相互关系的货包链式地图。此方法为仓库通道环境下地图创建提供了一种解决方案。该方案易于实现,适应能力强,适合于仓库通道环境下地图创建问题。本发明采用组合估计方式估计货包特征信息;并描述货包之间的相互关系,在有限存储空间内记录更多环境信息。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步的详细描述:
图1为激光雷达扫描货包示意图1;
图2为激光雷达扫描货包示意图2;
图3为角点位置概率分布图;
图4为货包链式地图;
图5为本发明的流程图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。
需要说明的是,本实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
本发明提供一种面向仓库通道场景的混合地图创建方法,具体包括以下步骤:
第一步:根据激光雷达初次测量结果,初始化货包角点位置概率分布。
如图1所示,假设激光雷达初始时处于位置pos1,两束相邻的测距光束分别交L1于P1和P2,记P1和P2的纵坐标分别为y1和y2,则将区间[y1,y2)内所有位置是角点的概率初始化为0.5,如图3所示。概率0.5即对应l0(x)的值为0;
第二步:根据激光雷达的多次测量结果,更新货包角点位置的概率分布。
如图2所示,假设激光雷达处于位置pos2,测量货包A和B的两束相邻光束分别交货包A的边缘线L1于P3和P4,此处假设两点的纵坐标值y3和y4存在如下关系:
则针对不同区域的点采取如下更新策略:
其中,ls表示激光雷达在测量到位置x是角点时的概率对数比,该值根据激光雷达型号不同需要自行设定。
第二步需要通过多组激光雷达的数据实现角点位置概率分布的更新。
第三步:根据已经更新好的角点概率分布,估计角点位置。
假设一共经历了t个时刻,在时刻t角点概率分布情况为lt,首先将通过转换公式转换为概率值,然后通过归一化参数η对范围[y1,y2)的数据进行归一化,计算公式如下所示
根据区间内的概率分布情况,估计货包角点位置,计算公式如下:
pos即为估计的货包角点位置的值,i表示区间[y1,y2)内可能为货包角点的位置索引。
具体地,第三步可以表示为:
记belt(x)为位置x在时刻t下是角点的概率,p(x|z1:t)表示位置x在激光雷达测量值z1:t下是角点的概率,二者关系可以描述为如下所示。
belt(x)=p(x|z1:t)
记为位置x在时刻t下不是角点的概率,则与belt(x)关系可以描述如下
记l(x)为x是角点与不是角点的概率比对数,表示如下
通过对数基本运算,belt(x)可以描述如下
根据贝叶斯滤波的推导结果,可以得到t时刻的概率对数比lt(x)可以描述如下
贝叶斯滤波过程其实就是不断更新这个概率对数比的过程,在所有数据均用于估计之后,可以通过下式将区间内的概率进行归一化,其中η是归一化参数。
各个点的位置归一化之后可以通过下面公式来估算角点的位置信息
第四步:采用IEPF算法来对货包边缘的线段信息进行提取
假设数据点集合为P={p1,p2,...,pn},起点p1与终点pn相连所得到的线段记为l1,计算起点到终点之间的数据点到该线段的距离为dmax,若dmax小于阈值d,则认为该数据部分为一条线段,算法结束,否则记距离为dmax处的分割点为pk,则将点pk的σ邻域标记为活动区域。
第五步:使用递推最小二乘法估计货包边缘信息
根据第四步的结果,对每条线段上的点进行拟合处理,拟合方式为递推最小二乘法,具体计算方式如下。其中θ(k)、θ(k-1)分别表示k、k-1时刻参数值,G(k)表示k时刻增益,计算方式如上式所示。y(k)、φ(k)和θ(k-1)描述了货包在对应时刻的特征信息。P(k)定义为φ(k)转置和φ(k)乘机的逆,φT(k)表示φ(k)转置,I表示单位矩阵。
具体地,第五步可以表示为:
货包的边缘信息可以描述为一组直线线段,如下所示
其中a分别表示直线的在Y轴上的截距,b表示直线的斜率,x1,x2,...,xn和y1,y2,...,yn描述了在直角坐标系下横坐标为x时对应于纵坐标的值。
记φ、θ、Y分别如下所示
故货包边缘信息可以描述如下
Y=φθ
根据递推最小二乘法,货包边缘特征的估计可以描述如下
其中θ(k)、θ(k-1)分别表示k、k-1时刻参数值,G(k)表示k时刻增益,计算方式如上式所示。y(k)、φ(k)和θ(k-1)描述了货包在对应时刻的特征信息。P(k)定义为φ(k)转置和φ(k)乘机的逆,φT(k)表示φ(k)转置。
第六步:根据货包角点和边缘的估计结果,计算货包之间相对位置关系。
如图4所示,描述了货包链式地图,其中A、B、C、D、E、F表示货包,Q表示墙面。该环境地图首先记录了每个货包的模型信息以及相邻货包之间的位置关系。货包的模型的信息,包含4个角点信息以及4条边缘信息,分别通过坐标点和直线进行描述。
货包相邻货包之间的位置关系通过货包左下角角点位置以及底边线段倾角的相对关系来进行描述,包括角点横向和纵向的平移距离、底边线段的旋转角度。
通过记录货包模型信息以及货包位置关系信息,货包链式地图创建完成,该地图在完整描述通道环境信息的同时记录了货包之间的相对位置,在有限存储空间内记录丰富的环境信息。
根据每个货包信息的估计结果,计算相邻货包左下角点的横纵坐标位置的变化,记为水平和竖直偏差。计算货包底边的角度偏差记为货包间的相对旋转程度。上述水平、竖直偏差以及旋转角度一同组成货包之间的位置关系。货包模型与货包关系一同组成货包链式地图。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的保护范围当中。
Claims (5)
1.一种面向仓库通道场景的混合地图创建方法,其特征在于,包括以下步骤:
步骤1.根据激光雷达初次测量结果,初始化货包角点位置概率分布;
步骤2.根据激光雷达的多次测量结果,更新货包角点位置的概率分布;
步骤3.根据已经更新好的角点概率分布,估计货包角点位置;
步骤4.对货包边缘的线段信息进行提取;
步骤5.使用递推最小二乘法估计货包边缘信息;
步骤6.根据货包角点位置和边缘的估计结果,计算货包之间相对位置关系。
2.根据权利要求1所述的一种面向仓库通道场景的混合地图创建方法,其特征在于,在所述步骤2中,所述更新货包角点位置的概率分布方法具体为:
其中,ls表示激光激光雷达在测量到位置x是角点的概率对数比,y1,y2分别为两束相邻的测距光束分别与同一货包边缘以及该边缘的延长线的交点的纵坐标;y3,y4分别为两束相邻的测距光束分别与两货包的交点的纵坐标。
3.根据权利要求1所述的一种面向仓库通道场景的混合地图创建方法,其特征在于,在所述步骤3中,利用贝叶斯滤波的方法对货包角点位置进行估计。
4.根据权利要求3所述的一种面向仓库通道场景的混合地图创建方法,其特征在于,所述步骤3具体包括以下子步骤:
首先将通过转换公式转换为概率值,然后通过归一化参数η对范围[y1,y2)的数据进行归一化,
其中,belt(x)为位置x在t时刻下是角点的概率,lt为t时刻下测量范围内所有点的概率对数比,y1,y2分别为两束相邻的测距光束分别与同一货包的交点的纵坐标,
根据区间[y1,y2)内的概率分布情况,估计货包角点位置,计算公式如下:
pos为估计的货包角点位置的值,i表示区间[y1,y2)内可能为货包角点的位置索引。
5.根据权利要求1所述的一种面向仓库通道场景的混合地图创建方法,其特征在于,在所述步骤4中,对货包边缘的线段信息进行提取的具体方法为:
假设激光雷达测量周围环境得到的数据点集合为P={p1,p2,...,pn},起点p1与终点pn相连所得到的线段记为l1,计算起点到终点之间的数据点到线段l1的距离为dmax,若dmax小于阈值d,则认为该数据部分为一条,算法结束,否则记距离为dmax处的分割点为pk,则将点pk的σ邻域标记为活动区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810783809.4A CN108919300B (zh) | 2018-07-17 | 2018-07-17 | 一种面向仓库通道场景的混合地图创建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810783809.4A CN108919300B (zh) | 2018-07-17 | 2018-07-17 | 一种面向仓库通道场景的混合地图创建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108919300A true CN108919300A (zh) | 2018-11-30 |
CN108919300B CN108919300B (zh) | 2022-07-08 |
Family
ID=64415545
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810783809.4A Active CN108919300B (zh) | 2018-07-17 | 2018-07-17 | 一种面向仓库通道场景的混合地图创建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108919300B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109724612A (zh) * | 2019-01-14 | 2019-05-07 | 浙江大华技术股份有限公司 | 一种基于拓扑地图的agv路径规划方法及设备 |
CN113534095A (zh) * | 2021-06-18 | 2021-10-22 | 北京电子工程总体研究所 | 一种激光雷达地图构建方法和机器人自主导航方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101413806A (zh) * | 2008-11-07 | 2009-04-22 | 湖南大学 | 一种实时数据融合的移动机器人栅格地图创建方法 |
US20120053755A1 (en) * | 2010-08-30 | 2012-03-01 | Denso Corporation | Traveling environment recognition device and method |
EP2471426A2 (de) * | 2011-01-03 | 2012-07-04 | Vorwerk & Co. Interholding GmbH | Verfahren zur gleichzeitigen Bestimmung und Kartenbildung |
CN106772218A (zh) * | 2017-01-24 | 2017-05-31 | 重庆大学 | 基于移动rfid阅读器仓库货包平面位置分级定位方法 |
CN107390681A (zh) * | 2017-06-21 | 2017-11-24 | 华南理工大学 | 一种基于激光雷达与地图匹配的移动机器人实时定位方法 |
CN107836013A (zh) * | 2016-03-09 | 2018-03-23 | 广州艾若博机器人科技有限公司 | 地图构建方法、纠正方法及装置 |
CN108271408A (zh) * | 2015-04-01 | 2018-07-10 | 瓦亚视觉有限公司 | 使用被动和主动测量生成场景的三维地图 |
-
2018
- 2018-07-17 CN CN201810783809.4A patent/CN108919300B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101413806A (zh) * | 2008-11-07 | 2009-04-22 | 湖南大学 | 一种实时数据融合的移动机器人栅格地图创建方法 |
US20120053755A1 (en) * | 2010-08-30 | 2012-03-01 | Denso Corporation | Traveling environment recognition device and method |
EP2471426A2 (de) * | 2011-01-03 | 2012-07-04 | Vorwerk & Co. Interholding GmbH | Verfahren zur gleichzeitigen Bestimmung und Kartenbildung |
CN108271408A (zh) * | 2015-04-01 | 2018-07-10 | 瓦亚视觉有限公司 | 使用被动和主动测量生成场景的三维地图 |
CN107836013A (zh) * | 2016-03-09 | 2018-03-23 | 广州艾若博机器人科技有限公司 | 地图构建方法、纠正方法及装置 |
CN106772218A (zh) * | 2017-01-24 | 2017-05-31 | 重庆大学 | 基于移动rfid阅读器仓库货包平面位置分级定位方法 |
CN107390681A (zh) * | 2017-06-21 | 2017-11-24 | 华南理工大学 | 一种基于激光雷达与地图匹配的移动机器人实时定位方法 |
Non-Patent Citations (5)
Title |
---|
LUKAS LUFT ET AL.: "Detecting Changes in the Environment Based on Full Posterior Distributions Over Real-Valued Grid Maps", 《IEEE ROBOTICS AND AUTOMATION LETTERS》 * |
孙海等: "激光测距在仓储搬运机器人运动中的应用", 《电子技术与软件工程》 * |
尹邦政等: "基于激光雷达AGV的实时地图创建", 《东莞理工学院学报》 * |
石杏喜等: "基于PF/CUKF/EKF的移动机器人SLAM框架算法", 《电子学报》 * |
金世俊等: "基于低成本移动机器人设计的超声SLAM", 《测控技术》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109724612A (zh) * | 2019-01-14 | 2019-05-07 | 浙江大华技术股份有限公司 | 一种基于拓扑地图的agv路径规划方法及设备 |
CN113534095A (zh) * | 2021-06-18 | 2021-10-22 | 北京电子工程总体研究所 | 一种激光雷达地图构建方法和机器人自主导航方法 |
CN113534095B (zh) * | 2021-06-18 | 2024-05-07 | 北京电子工程总体研究所 | 一种激光雷达地图构建方法和机器人自主导航方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108919300B (zh) | 2022-07-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109541634B (zh) | 一种路径规划方法、装置和移动设备 | |
CN111220993B (zh) | 目标场景定位方法、装置、计算机设备和存储介质 | |
Yu et al. | Automated derivation of urban building density information using airborne LiDAR data and object-based method | |
CN109682381B (zh) | 基于全向视觉的大视场场景感知方法、系统、介质及设备 | |
Jin et al. | Coverage path planning on three‐dimensional terrain for arable farming | |
Shinzato et al. | Road terrain detection: Avoiding common obstacle detection assumptions using sensor fusion | |
Bulatov et al. | Context-based automatic reconstruction and texturing of 3D urban terrain for quick-response tasks | |
Nurunnabi et al. | Robust locally weighted regression techniques for ground surface points filtering in mobile laser scanning three dimensional point cloud data | |
KR20150122676A (ko) | 이미지 처리 | |
EP2478335A1 (de) | Verfahren zur erstellung einer karte bezüglich ortsbezogener angaben über die wahrscheinlichkeit der zukünftigen bewegung einer person | |
CN102565810B (zh) | 一种遥感影像上土地利用地物边界轮廓提取方法 | |
US10192004B2 (en) | Estimation of three-dimensional models of roofs from spatial two-dimensional graphs | |
Song et al. | Extraction and reconstruction of curved surface buildings by contour clustering using airborne LiDAR data | |
CN110346799A (zh) | 一种障碍物检测方法及设备 | |
CN108919300A (zh) | 一种面向仓库通道场景的混合地图创建方法 | |
US20150161300A1 (en) | Estimation of Three-Dimensional Models of Roofs from Spatial Two-Dimensional Graphs | |
CN107782311A (zh) | 可移动终端的移动路径规划方法及装置 | |
CN115564926A (zh) | 基于影像建筑物结构学习的三维面片模型构建方法 | |
Dal Poz et al. | Three-dimensional semiautomatic road extraction from a high-resolution aerial image by dynamic-programming optimization in the object space | |
Suhr et al. | Noise-resilient road surface and free space estimation using dense stereo | |
Barros-Ribademar et al. | Visibility analysis for the occlusion detection and characterisation in street point clouds acquired with Mobile Laser Scanning | |
Bulatov et al. | Vectorization of road data extracted from aerial and uav imagery | |
Giorgini et al. | Floorplan generation of indoor environments from large-scale terrestrial laser scanner data | |
CN108960738A (zh) | 一种仓库通道环境下的激光雷达数据聚类方法 | |
Gruen et al. | An Operable System for LoD3 Model Generation Using Multi-Source Data and User-Friendly Interactive Editing |
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 |