CN109341706B - 一种面向无人驾驶汽车的多特征融合地图的制作方法 - Google Patents
一种面向无人驾驶汽车的多特征融合地图的制作方法 Download PDFInfo
- Publication number
- CN109341706B CN109341706B CN201811206107.6A CN201811206107A CN109341706B CN 109341706 B CN109341706 B CN 109341706B CN 201811206107 A CN201811206107 A CN 201811206107A CN 109341706 B CN109341706 B CN 109341706B
- Authority
- CN
- China
- Prior art keywords
- data
- map
- time
- feature
- imu
- 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
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 22
- 230000000007 visual effect Effects 0.000 claims abstract description 27
- 238000005457 optimization Methods 0.000 claims abstract description 19
- 238000005259 measurement Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000001133 acceleration Effects 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000008520 organization Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 6
- 230000008447 perception Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
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
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
- G01C21/30—Map- or contour-matching
- G01C21/32—Structuring or formatting of map data
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种面向无人驾驶汽车的多特征融合地图的制作方法,包括以下步骤:利用车载激光雷达设备采集各传感器数据;利用IMU数据和激光测量数据生成三维点云地图;利用IMU数据和相机数据生成视觉特征地图;对GPS数据预处理,将大地坐标转换为空间直角坐标;使用连续时间SLAM算法进行全局优化融合;生成多特征融合地图。本发明的多特征融合地图制作方法融合激光雷达、IMU、相机和GPS等多种传感器数据,大大提高了稳定性和准确性;采用视觉SLAM算法和激光SLAM算法融合处理数据,获得比单纯的视觉SLAM算法或激光SLAM算法更好的构图效果;本方法简单、实用、成本低,制作出的地图精确、属性丰富,有助于提高无车驾驶汽车行驶过程的安全性。
Description
[技术领域]
本发明涉及电子地图,尤其涉及一种面向无人驾驶汽车的多特征融合地图的制作方法。
[背景技术]
传统电子地图主要依靠卫星影像产生,再由GPS定位,这种方法可以达到米级精度。而面向无人驾驶需要精细化定义的精度达到厘米级的高精度地图。由于高精度地图可帮助车辆找到合适的行驶空间,感知、定位与规划等均依赖它。无人驾驶技术中,为了安全与准确的感知,无人驾驶系统采用了多种异构传感器。车载移动测量系统作为一种先进的测量手段,具有快速、动态、主动和高精度等特点,能够采集大面积的三维道路信息。所谓精细化定义是需要格式化存储交通场景中的各种交通要素,包括车道线、路面标志等。
高精度地图的主要服务对象不是人类驾驶员,而是无人驾驶系统。它能够扩展车辆的静态环境感知能力,在精确定位、障碍物检测和避让、智能调速、转向和引导等方面发挥着重要作用,是无人驾驶中必不可少的一项关键技术。与传统地图相比,高精度地图具有更高的定时性,路网每天都在变化,通过与云端通信,无人驾驶汽车可实时得知路网更新信息。无人驾驶不仅需要机器视觉技术、激光雷达技术和传感器技术等提供外部数据,更需要强大的数据处理算法提供技术支撑。
申请号为CN201710645663.2的发明公开了一种无人驾驶汽车自主定位与地图构建的方法及系统,利用SLAM的技术,将多种传感器数据进行融合,采用新型的算法结构,构建稳定有效的框架。利用粒子滤波器优化三维激光雷达的数据,将三维激光雷达的数据转换成视觉模型,利用词袋模型进行闭环检测,对无人驾驶汽车进行稳定有效的自主定位与地图构建,提高运算效率和运行速度,可以应用到无人驾驶汽车系统上。
该发明构建的点云地图定位精度和稳定性不够好,该发明的数据关联部分,由于各个传感器数据特性不同,导致数据频率不一致,生成的地图精度低,无人驾驶的安全性不够好
[发明内容]
本发明要解决的技术问题是提供一种定位精度高,稳定性好的面向无人驾驶汽车的多特征融合地图的制作方法。
为了解决上述技术问题,本发明采用的技术方案是,一种面向无人驾驶汽车的多特征融合地图的制作方法,包括以下步骤:
101)利用车载激光雷达设备采集各传感器数据;
102)利用IMU数据和激光测量数据生成三维点云地图;
103)利用IMU数据和相机数据生成视觉特征地图;
104)对GPS数据预处理,将大地坐标转换为空间直角坐标;
105)使用连续时间SLAM算法进行全局优化融合;
106)生成多特征融合地图。
以上所述的制作方法,在步骤102中,IMU数据包含采集时段中任一时刻ti对应的旋转角速度ωi及线性加速度ai,下一时刻ti+1的位置Ti+1和姿态Ri+1,根据当前的时刻ti对应全局坐标系下的位置Ti、姿态Ri及IMU测量的角速度和线性加速度进行积分得到;
激光测量数据包含采集时段内所有的三维点集,按照帧进行组织,时刻段[tj-1,tj]的激光器局部坐标系下的三维点集合为帧LFj,下一帧LFj+1与当前帧LFj进行匹配,得到相对位姿;下一帧LFj+1与三维地图点集LM进行匹配,得到全局坐标系下的位姿;
使用激光SLAM算法对IMU数据和激光测量数据进行融合,得到最优估计后的车辆运动轨迹以及三维点云地图。
以上所述的制作方法,在步骤103中,相机的图像数据中包含采集时段中任一时刻tk对应的二维图像数据、在图像中提取特征点集合以及对应的特征描述子;对tk时刻提取的任一特征点fkj,其图像坐标为(uj,vj),其在下一时刻tk+1中,对应的图像坐标为(un,vn),根据当前时刻ti对应的全局坐标系下的位置Tk和姿态Rk计算出下一时刻tk+1对应的位置和姿态,由此得到运动轨迹;
利用IMU数据和相机数据,采用视觉SLAM算法得到运动轨迹以及视觉特征地图。
以上所述的制作方法,在步骤104中,将相对坐标系下的数据转换至绝对坐标系,GPS数据中包含采集时段中任一时刻tm的在WGS84坐标系下的大地坐标(Lm,Bm,Hm),及3*3协方差矩阵Covm;根据GPS信号强弱进行GPS数据筛选,去除信号较差的GPS观测值,得到稳定可靠的GPS数据,随后进行坐标转换,将大地坐标(Lm,Bm,Hm)转换为空间直角坐标(Xm,Ym,Zm)。
以上所述的制作方法,在步骤105中,使用连续时间SLAM算法,统一描述运动轨迹,将运动轨迹建模为一个连续时间函数T(t),如下式所示;
T(t)=(R(t),p(t))
在上式中,R(t)为任一时刻t的姿态,p(t)为任一时刻t的位置;
根据GPS数据、三维点云地图数据、视觉特征地图数据以及各传感器相对位姿关系,构建优化目标函数,采用非线性优化方式进行统一全局优化融合。
以上所述的制作方法,在步骤106中,全局优化融合后,进行空间索引构建和数据结构组织,得到全局坐标下包括三维空间点坐标、视觉特征等的多特征融合地图。
本发明的多特征融合地图制作方法融合激光雷达、IMU、相机和GPS等多种传感器数据,大大提高了稳定性和准确性;采用视觉SLAM算法和激光SLAM算法融合处理数据,获得比单纯的视觉SLAM算法或激光SLAM算法更好的构图效果;本方法简单、实用、成本低,制作出的地图精确、属性丰富,有助于提高无车驾驶汽车行驶过程的安全性,
[附图说明]
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1是本发明实施例面向无人驾驶汽车的多特征融合地图的制作方法的流程图。
[具体实施方式]
本发明实施例给出的面向无人驾驶汽车的多特征融合地图制作方法,如图1所示,利用无人驾驶汽车搭载的激光雷达设备采集多种传感器数据,包括GPS(全球定位系统)数据、LiDAR(激光雷达)数据、IMU(惯性测量单元)数据及高清工业相机数据,利用LiDAR数据和IMU数据生成三维点云地图,利用相机数据和IMU数据生成视觉特征地图,最后利用GPS数据完成全局控制,同时进行全局优化,制作出精确、属性丰富的多特征融合地图。
本发明实施例面向无人驾驶汽车的多特征融合地图的制作方法包括以下步骤:
步骤一、利用车载激光雷达设备采集各传感器数据
在外业数据采集过程中,选取数据采集路线后,利用无人驾驶汽车搭载的激光雷达设备(包括集成三维激光雷达、高清工业相机、GPS和IMU)采集各传感器数据,技术人员在负责控制采集设备的电脑系统上实时监控采集情况,保证在同一时间基准下各传感器获取数据的完整性和正确性。
步骤二、利用IMU数据和LiDAR数据(激光测量数据)生成三维点云地图
IMU数据中包含采集时段中任一时刻ti对应的旋转角速度ωi及线性加速度ai,计算下一时刻ti+1的位置Ti+1和姿态Ri+1,可根据当前的时刻ti对应全局坐标系下的位置Ti、姿态Ri及IMU测量的角速度和线性加速度进行积分得到。
LiDAR数据(激光测量数据)中包含采集时段内所有的三维点集,按照帧进行组织,时刻段[tj-1,tj]的激光器局部坐标系下的三维点集合为帧LFj,下一帧LFj+1与当前帧LFj进行匹配,得到相对位姿。下一帧LFj+1与三维地图点集LM进行匹配,得到全局坐标系下的位姿。
使用激光SLAM算法对两者数据进行融合,得到最优估计后的车辆运动轨迹以及三维点云地图。
步骤三、利用IMU数据和相机数据生成视觉特征地图
相机的图像数据中包含采集时段中任一时刻tk对应的二维图像数据,在图像中提取特征点集合以及对应的特征描述子。对tk时刻提取的任一特征点fkj,其图像坐标为(uj,vj),其在下一时刻tk+1中,对应的图像坐标为(un,vn),可根据当前时刻ti对应的全局坐标系下的位置Tk和姿态Rk计算出下一时刻tk+1对应的位置和姿态,由此可以得到运动轨迹。
IMU数据提供绝对尺度及短时间内稳定估计的轨迹,能够补偿纯视觉方式的弱点。利用IMU数据和相机数据,采用视觉SLAM算法得到运动轨迹以及视觉特征地图。
步骤四、GPS数据预处理
GPS数据可提供绝对空间参考,将相对坐标系下的数据转换至绝对坐标系。GPS数据中包含采集时段中任一时刻tm的在WGS84坐标系下的大地坐标(Lm,Bm,Hm),及3*3协方差矩阵Covm。根据GPS信号强弱进行GPS数据筛选,去除信号较差的GPS观测值。得到稳定可靠的GPS数据,随后进行坐标转换,将大地坐标(Lm,Bm,Hm)转换为空间直角坐标(Xm,Ym,Zm)。
步骤五、全局优化融合
相机、IMU及LiDAR传感器数据时间与空间基准一致,但各个传感器频率不一样,使用连续时间SLAM算法,统一描述运动轨迹,将运动轨迹建模为一个连续时间函数T(t),如下式所示。
T(t)=(R(t),p(t))
其中,R(t)表示任一时刻t的姿态,p(t)表示任一时刻t的位置。
根据该函数可以得到任一时刻t的轨迹,从而可以关联在该时刻的观测量,构建出后端的优化问题。使用概率方法进行建模,假定误差服从高斯分布,则后端优化的目标是为了在给定观测量的情况下,求解函数f(Θ)的最大后验估计。
根据GPS数据、三维点云地图数据、视觉特征地图数据以及各传感器相对位姿关系,构建优化目标函数,采用非线性优化方式进行统一全局优化融合。
步骤六、多特征融合地图生成
在全局优化融合后,进行空间索引构建和数据结构组织,得到全局坐标下包括三维空间点坐标、视觉特征等的紧凑多特征融合地图,适用于无人驾驶汽车的导航与路径规划。
本发明以上实施例在外业数据采集过程中,车载激光雷达设备中的核心控制模块集成了GNSS模块、惯性测量单元、三维激光雷达和高清工业相机等多种异构传感器。与智能硬件对应的组合导航、融合SLAM、视觉感知、激光雷达三维感知、高精度地图及路径规划等高可靠性智能算法,有助于多特征融合地图的制作及后续的路径规划与决策。
本发明以上实施例中,多特征融合地图中视觉特征部分使用图的形式进行表达,节点包括轨迹点状态,边对应视觉特征的不同节点之间的约束。点云地图部分则按照空间网格进行划分,保证搜索以及存储效率。两者空间坐标系统统一。
本发明以上实施例的全局优化融合步骤中,为解决多种异构传感器的数据采集频率不一致问题,采用连续时间SLAM方法统一对轨迹进行表达以及状态估计。对于不同的传感器数据,根据其时间戳得到插值后的相关轨迹状态,构建误差方程进行优化,不仅减少了优化未知数,提高了计算效率,同时还得到了平滑的车辆行驶轨迹。
本发明以上实施例的多特征融合地图制作方法融合激光雷达、IMU、相机和GPS等多种传感器数据,大大提高了稳定性和准确性;采用视觉SLAM算法和激光SLAM算法融合处理数据,获得比单纯的视觉SLAM算法或激光SLAM算法更好的构图效果;本多特征融合地图的制作方法简单、实用、成本低,制作出的地图精确、属性丰富,有助于提高无车驾驶汽车行驶过程的安全性。
Claims (3)
1.一种面向无人驾驶汽车的多特征融合地图的制作方法,其特征在于,包括以下步骤:
101)利用车载激光雷达设备采集各传感器数据;
102)利用IMU数据和激光测量数据生成三维点云地图;
103)利用IMU数据和相机数据生成视觉特征地图;
104)对GPS数据预处理,将大地坐标转换为空间直角坐标;
105)使用连续时间SLAM算法进行全局优化融合;
106)生成多特征融合地图;
在步骤102中,IMU数据包含采集时段中任一时刻ti对应的旋转角速度ωi及线性加速度ai,下一时刻ti+1的位置Ti+1和姿态Ri+1,根据当前的时刻ti对应全局坐标系下的位置Ti、姿态Ri及IMU测量的角速度和线性加速度进行积分得到;
激光测量数据包含采集时段内所有的三维点集,按照帧进行组织,时刻段[tj-1,tj]的激光器局部坐标系下的三维点集合为帧LFj,下一帧LFj+1与当前帧LFj进行匹配,得到相对位姿;下一帧LFj+1与三维地图点集LM进行匹配,得到全局坐标系下的位姿;
使用激光SLAM算法对IMU数据和激光测量数据进行融合,得到最优估计后的车辆运动轨迹以及三维点云地图;
在步骤103中,相机的图像数据中包含采集时段中任一时刻tk对应的二维图像数据、在图像中提取特征点集合以及对应的特征描述子;对tk时刻提取的任一特征点fkj,其图像坐标为(uj,vj),其在下一时刻tk+1中,对应的图像坐标为(un,vn),根据当前时刻ti对应的全局坐标系下的位置Tk和姿态Rk计算出下一时刻tk+1对应的位置和姿态,由此得到运动轨迹;
利用IMU数据和相机数据,采用视觉SLAM算法得到运动轨迹以及视觉特征地图;
在步骤105中,使用连续时间SLAM算法,统一描述运动轨迹,将运动轨迹建模为一个连续时间函数T(t),如下式所示;
T(t)=(R(t),p(t))
在上式中,R(t)为任一时刻t的姿态,p(t)为任一时刻t的位置;
根据GPS数据、三维点云地图数据、视觉特征地图数据以及各传感器相对位姿关系,构建优化目标函数,采用非线性优化方式进行统一全局优化融合。
2.根据权利要求1所述的制作方法,其特征在于,
在步骤104中,将相对坐标系下的数据转换至绝对坐标系,GPS数据中包含采集时段中任一时刻tm的在WGS84坐标系下的大地坐标(Lm,Bm,Hm),及3*3协方差矩阵Covm;根据GPS信号强弱进行GPS数据筛选,去除信号较差的GPS观测值,得到稳定可靠的GPS数据,随后进行坐标转换,将大地坐标(Lm,Bm,Hm)转换为空间直角坐标(Xm,Ym,Zm)。
3.根据权利要求1所述的制作方法,其特征在于,在步骤106中,全局优化融合后,进行空间索引构建和数据结构组织,得到全局坐标下包括三维空间点坐标、视觉特征等的多特征融合地图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811206107.6A CN109341706B (zh) | 2018-10-17 | 2018-10-17 | 一种面向无人驾驶汽车的多特征融合地图的制作方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811206107.6A CN109341706B (zh) | 2018-10-17 | 2018-10-17 | 一种面向无人驾驶汽车的多特征融合地图的制作方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109341706A CN109341706A (zh) | 2019-02-15 |
CN109341706B true CN109341706B (zh) | 2020-07-03 |
Family
ID=65310394
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811206107.6A Active CN109341706B (zh) | 2018-10-17 | 2018-10-17 | 一种面向无人驾驶汽车的多特征融合地图的制作方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109341706B (zh) |
Families Citing this family (36)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111665512B (zh) * | 2019-02-21 | 2024-04-30 | 香港科技大学 | 基于3d激光雷达和惯性测量单元的融合的测距和绘图 |
CN111678534A (zh) * | 2019-03-11 | 2020-09-18 | 武汉小狮科技有限公司 | 一种结合rgbd双目深度相机、imu和多线激光雷达的联合标定平台和方法 |
CN111679308A (zh) * | 2019-03-11 | 2020-09-18 | 武汉小狮科技有限公司 | 一种基于多传感器融合的无人车定位方法 |
CN111735439B (zh) * | 2019-03-22 | 2022-09-30 | 北京京东乾石科技有限公司 | 地图构建方法、装置和计算机可读存储介质 |
EP3739361A1 (en) * | 2019-05-13 | 2020-11-18 | Aptiv Technologies Limited | Method and system for fusing occupancy maps |
CN110132306B (zh) * | 2019-05-20 | 2021-02-19 | 广州小鹏汽车科技有限公司 | 车辆定位误差的纠正方法及系统 |
CN109934920B (zh) * | 2019-05-20 | 2019-08-09 | 奥特酷智能科技(南京)有限公司 | 基于低成本设备的高精度三维点云地图构建方法 |
CN110275181A (zh) * | 2019-07-08 | 2019-09-24 | 武汉中海庭数据技术有限公司 | 一种车载移动测量系统及其数据处理方法 |
CN110412596A (zh) * | 2019-07-10 | 2019-11-05 | 上海电机学院 | 一种基于图像信息和激光点云的机器人定位方法 |
CN110362083B (zh) * | 2019-07-17 | 2021-01-26 | 北京理工大学 | 一种基于多目标跟踪预测的时空地图下自主导航方法 |
CN112304321B (zh) * | 2019-07-26 | 2023-03-28 | 北京魔门塔科技有限公司 | 一种基于视觉和imu的车辆融合定位方法及车载终端 |
CN110595457B (zh) * | 2019-08-29 | 2020-12-22 | 山东大学 | 伪激光数据生成方法、地图构建方法、导航方法及系统 |
CN110726409B (zh) * | 2019-09-09 | 2021-06-22 | 杭州电子科技大学 | 一种基于激光slam和视觉slam地图融合方法 |
CN110704563B (zh) * | 2019-09-27 | 2022-06-28 | Oppo广东移动通信有限公司 | 地图融合方法及装置、设备、存储介质 |
EP3819674A1 (en) * | 2019-11-08 | 2021-05-12 | Outsight | Rolling environment sensing and gps optimization |
CN110672097B (zh) * | 2019-11-25 | 2020-11-06 | 北京中科深智科技有限公司 | 一种基于激光雷达的室内定位跟踪方法、装置及系统 |
CN110986969B (zh) * | 2019-11-27 | 2021-12-28 | Oppo广东移动通信有限公司 | 地图融合方法及装置、设备、存储介质 |
CN112991440B (zh) * | 2019-12-12 | 2024-04-12 | 纳恩博(北京)科技有限公司 | 车辆的定位方法和装置、存储介质和电子装置 |
CN110988894B (zh) * | 2019-12-25 | 2022-04-08 | 畅加风行(苏州)智能科技有限公司 | 一种面向港口环境的多源数据融合的无人驾驶汽车实时定位方法 |
CN111025366B (zh) * | 2019-12-31 | 2022-04-01 | 芜湖哈特机器人产业技术研究院有限公司 | 基于ins及gnss的网格slam的导航系统及方法 |
CN111209956A (zh) * | 2020-01-02 | 2020-05-29 | 北京汽车集团有限公司 | 传感器数据融合方法、车辆的环境地图生成方法及系统 |
CN113218407B (zh) * | 2020-01-21 | 2024-04-12 | 北京初速度科技有限公司 | 一种基于vio和卫星导航系统融合的地图生成方法及装置 |
CN111402702A (zh) * | 2020-03-31 | 2020-07-10 | 北京四维图新科技股份有限公司 | 地图构建方法、装置及系统 |
CN111457902B (zh) * | 2020-04-10 | 2021-10-29 | 东南大学 | 基于激光slam定位的水域测量方法及系统 |
CN111561923B (zh) * | 2020-05-19 | 2022-04-15 | 北京数字绿土科技股份有限公司 | 基于多传感器融合的slam制图方法、系统 |
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 |
CN111879287B (zh) * | 2020-07-08 | 2022-07-15 | 河南科技大学 | 基于多传感器的低速车辆的前向地形三维构建方法 |
CN111964673A (zh) * | 2020-08-25 | 2020-11-20 | 一汽解放汽车有限公司 | 一种无人车定位系统 |
CN112577499B (zh) * | 2020-11-19 | 2022-10-11 | 上汽大众汽车有限公司 | 一种vslam特征地图尺度恢复方法及系统 |
CN113268555B (zh) * | 2021-05-26 | 2024-05-14 | 深圳市有方科技股份有限公司 | 多类型数据的地图生成方法、装置和计算机设备 |
CN113390422B (zh) * | 2021-06-10 | 2022-06-10 | 奇瑞汽车股份有限公司 | 汽车的定位方法、装置及计算机存储介质 |
CN113252033B (zh) * | 2021-06-29 | 2021-10-15 | 长沙海格北斗信息技术有限公司 | 基于多传感器融合的定位方法、定位系统及机器人 |
CN113902864B (zh) * | 2021-10-18 | 2022-11-01 | 奥特酷智能科技(南京)有限公司 | 用于矿场的矢量地图生成方法、系统及计算机系统 |
CN114120631B (zh) * | 2021-10-28 | 2023-03-24 | 新奇点智能科技集团有限公司 | 构建动态高精度地图的方法、装置及交通云控平台 |
CN114013449B (zh) * | 2021-11-02 | 2023-11-03 | 阿波罗智能技术(北京)有限公司 | 针对自动驾驶车辆的数据处理方法、装置和自动驾驶车辆 |
CN114407927B (zh) * | 2022-01-21 | 2023-05-26 | 常州大学 | 一种物流运输车辆智能辅助驾驶系统及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103542868A (zh) * | 2013-11-05 | 2014-01-29 | 武汉海达数云技术有限公司 | 基于角度和强度的车载激光点云噪点自动去除方法 |
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 |
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 |
CN107246868A (zh) * | 2017-07-26 | 2017-10-13 | 上海舵敏智能科技有限公司 | 一种协同导航定位系统及导航定位方法 |
CN107301654A (zh) * | 2017-06-12 | 2017-10-27 | 西北工业大学 | 一种多传感器的高精度即时定位与建图方法 |
CN107966989A (zh) * | 2017-12-25 | 2018-04-27 | 北京工业大学 | 一种机器人自主导航系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3306344A1 (en) * | 2016-10-07 | 2018-04-11 | Leica Geosystems AG | Flying sensor |
-
2018
- 2018-10-17 CN CN201811206107.6A patent/CN109341706B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103542868A (zh) * | 2013-11-05 | 2014-01-29 | 武汉海达数云技术有限公司 | 基于角度和强度的车载激光点云噪点自动去除方法 |
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 |
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 |
CN107301654A (zh) * | 2017-06-12 | 2017-10-27 | 西北工业大学 | 一种多传感器的高精度即时定位与建图方法 |
CN107246868A (zh) * | 2017-07-26 | 2017-10-13 | 上海舵敏智能科技有限公司 | 一种协同导航定位系统及导航定位方法 |
CN107966989A (zh) * | 2017-12-25 | 2018-04-27 | 北京工业大学 | 一种机器人自主导航系统 |
Non-Patent Citations (1)
Title |
---|
基于激光雷达的室内机器人slam研究;李昀泽;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170215(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109341706A (zh) | 2019-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109341706B (zh) | 一种面向无人驾驶汽车的多特征融合地图的制作方法 | |
CN113945206B (zh) | 一种基于多传感器融合的定位方法及装置 | |
US11802769B2 (en) | Lane line positioning method and apparatus, and storage medium thereof | |
CN110243358B (zh) | 多源融合的无人车室内外定位方法及系统 | |
CN110440801B (zh) | 一种定位感知信息获取方法、装置及系统 | |
CN110400490B (zh) | 轨迹预测方法和装置 | |
CN107246876B (zh) | 一种无人驾驶汽车自主定位与地图构建的方法及系统 | |
US20200272816A1 (en) | Scalable three dimensional object segmentation | |
CN108981730A (zh) | 用于为操作自动驾驶车辆生成参考路径的方法和系统 | |
CN113819905B (zh) | 一种基于多传感器融合的里程计方法及装置 | |
CN106980657A (zh) | 一种基于信息融合的车道级电子地图构建方法 | |
CN112162297B (zh) | 一种剔除激光点云地图中动态障碍伪迹的方法 | |
CN113916242A (zh) | 车道定位方法和装置、存储介质及电子设备 | |
CN113252022B (zh) | 一种地图数据处理方法及装置 | |
CN110208783B (zh) | 基于环境轮廓的智能车辆定位方法 | |
Wu et al. | Robust LiDAR-based localization scheme for unmanned ground vehicle via multisensor fusion | |
CN113252051A (zh) | 一种地图构建方法及装置 | |
CN110780325B (zh) | 运动对象的定位方法及装置、电子设备 | |
CN117685953A (zh) | 面向多无人机协同定位的uwb与视觉融合定位方法及系统 | |
CN115290071A (zh) | 相对定位融合方法、装置、设备及存储介质 | |
CN112651991B (zh) | 视觉定位方法、装置及计算机系统 | |
CN112880692A (zh) | 地图数据标注方法及装置、存储介质 | |
CN118089758A (zh) | 协同感知方法、装置、设备、存储介质和程序产品 | |
CN112380314B (zh) | 路网信息的处理方法和装置、存储介质及电子设备 | |
Li et al. | Low-cost vector map assisted navigation strategy for autonomous vehicle |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20211118 Address after: 518071 floors 3001-3004, building 6, international innovation Valley, phase 3, Xili Vanke Yuncheng, Nanshan District, Shenzhen, Guangdong Patentee after: Shenzhen Smart Mapping Tech. Co.,Ltd. Address before: 518000 West Tower of digital cultural industry base, No. 10128, Shennan Avenue, Nanshan street, Nanshan District, Shenzhen, Guangdong Province Patentee before: Zhang Liang |
|
TR01 | Transfer of patent right |