CN109848988A - 一种基于历史多帧点云信息融合的扫描匹配方法及系统 - Google Patents
一种基于历史多帧点云信息融合的扫描匹配方法及系统 Download PDFInfo
- Publication number
- CN109848988A CN109848988A CN201910070306.7A CN201910070306A CN109848988A CN 109848988 A CN109848988 A CN 109848988A CN 201910070306 A CN201910070306 A CN 201910070306A CN 109848988 A CN109848988 A CN 109848988A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud information
- history
- observation
- present frame
- 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
Landscapes
- Image Analysis (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明涉及一种基于历史多帧点云信息融合的扫描匹配方法与系统，所述方法包括：获取历史多帧点云信息、当前帧点云信息、环境模型；根据历史多帧点云信息、当前帧点云信息、环境模型构建观测值概率模型；根据历史多帧点云信息构建栅格化查询表求解观测值概率模型的概率值；根据历史多帧点数据进行历史多帧点云信息融合获取当前帧点云信息的理论值并进行栅格化处理；根据当前帧点云信息的理论值与当前帧点云信息观测值进行多分辨率扫描匹配修正当前帧点云信息的观测值；根据修正后的当前帧点云信息的观测值及其理论值对待定位物体进行定位。本发明提供的方法及系统种解决了点云数据过于稀疏导致CSM方法匹配精度下降的方法，避免机器人定位失败。
Description
技术领域
本发明涉及智能机器人技术领域，具体涉及一种基于历史多帧点云信息融合的扫描匹配方法及系统。
背景技术
随着科技的发展，以及人们对生活质量的要求的不断增高，智能机器人逐渐出现在人们的日常生活中，比如清扫机器人、工业机器人、服务机器人、仓库里搬运货物的机器人等。为了了解机器人的工作情况，需要对机器人进行实时定位，从而获取机器人的行走路线以及所在位置.
对于机器人定位，现有技术中常用的有ICP方法与ICL方法。其中ICP方法与ICL方法是解决基于自由形态曲面的一种迭代方法。与ICP和ICL等方法相比，CSM不依赖于前后帧待匹配扫描点的一一对应关系，这使得在点云较为稀疏，特征较少的情况下，CSM方法仍然有效。单线激光雷达具有计算量小，实时性高的优点，但是，单线激光雷达数据受地面起伏变化影响较大，同时当点云数据过于稀疏时，CSM方法匹配精度下降。
本发明为了解决CSM方法匹配精度下降的问题，提供了一种基于历史多帧点云信息融合的扫描匹配方法与系统。
发明内容
本发明解决的技术问题是，提供了一种基于历史多帧点云信息融合的扫描匹配方法及系统。提供了一种解决点云数据过于稀疏导致CSM方法匹配精度下降的方法，避免机器人定位失败。
为了解决上述技术问题，本发明提供的技术方案为：
一种基于历史多帧点云信息融合的扫描匹配方法，包括：
获取历史多帧点云信息、当前帧点云信息、环境模型；
根据历史多帧点云信息、当前帧点云信息、环境模型构建观测值概率模型；
根据历史多帧点云信息构建栅格化查询表求解观测值概率模型的概率值；
根据历史多帧点数据进行历史多帧点云信息融合获取当前帧点云信息的理论值并进行栅格化处理；
根据当前帧点云信息的理论值与当前帧点云信息观测值进行多分辨率扫描匹配修正当前帧点云信息的观测值；
根据修正后的当前帧点云信息的观测值与其理论值对待定位物体进行定位。
优选地，所述的构建概率模型具体为构建点云的后验概率模型，其中包含观测模型与运动模型。CSM算法运用概率模型搜索能够使观测数据概率最大得刚体变换具有初始误差鲁棒性强且计算效率高的优点。
通过构建机器人点云的后验概率分布模型，通过贝叶斯法则去除无关条件后，后验概率模型可通过观测模型和运动模型来表达。方法中所述的环境模型是采用机器人轨迹前一时刻的激光雷达扫描点云地图。
优选地，所述的构建栅格化查询表包括场景中每个位置点以及位置点附近点的激光雷达观测到扫描点的概率。栅格化查询表是根据历史点云信息构建的一个2D查询表，目的是加快观测模型的计算速度，查询表包含了场景中每个位置激光雷达观测到扫描点的概率值。由于传感器存在测量误差，采用高斯函数作为模糊核来构建栅格化查询表以保持测量数据的不确定性。
优选地，所述的历史多帧点云信息融合具体为，将多个历史帧点云信息数据融合处理推测下一帧点云信息。通过对不同帧点的扫描点云在栅格化查询表中的融合作用实现点云数据稀疏时，融合历史帧点云信息，提高CSM匹配精度。
优选地，所述的多分辨率扫描匹配具体为将当前帧点云信息观测值与理论值先进行低分辨率扫描匹配再进行高分辨率扫描匹配，确定当前帧点云信息在栅格表中的概率值，从而确定观测值与理论值的位移变化量。低分辨率下的查询比高分辨率下的查询快得多，能够有效提高算法效率，低分辨率扫描结果触发高分辨率扫描结果，确保结果准确性。
优选地，所述的获取位移变化量后还包括根据位移变化量与理论值将当前帧点云信息观测值进行修正。
优选地，所述将当前帧点云信息进行修正后还包括将修正值点云数据加载到环境地图上，环境地图进行更新。
一种基于历史多帧点云信息融合的扫描匹配系统，包括：
信息获取模块：所述信息获取模块用于获取历史多帧点云信息、当前帧点云信息、环境模型；
概率模型构建模块：所述概率模型构建模块用于根据历史多帧点云信息、当前帧点云信息、环境模型构建观测值概率模型；
栅格化查询表构建模块：所述栅格化查询表构建模块用于根据历史多帧点云信息构建栅格化查询表求解观测值概率模型的概率值；
多帧点云信息融合模块：所述多帧点云信息融合模块用于根据历史多帧点数据进行历史多帧点云信息融合获取当前帧点云信息的理论值并进行栅格化处理；
多分辨率扫描模块：所述多分辨率扫描模块用于根据当前帧点云信息的理论值与当前帧点云信息观测值进行多分辨率扫描匹配修正当前帧点云信息的观测值；
定位模块：所述定位模块用于根据修正后的当前帧点云信息的观测值与其理论值对待定位物体进行定位。
优选地，所述信息获取模块用于获取历史多帧点云信息、当前帧点云信息、环境模型；所述环境模型即机器人轨迹激光雷达扫描点云地图。
优选地，所述概率模型构建模用于根据历史多帧点云信息、当前帧点云信息、环境模型构建观测值概率模型；通过CSM算法构建后验概率模型，后验概率模型通过观测模型与运动模型的关系构建。后验概率模型反映了观测值与帧点云信息信息、环境模型之间的关系。
优选地，所述栅格化查询表构建模具体为根据历史多帧点云信息构建栅格化查询表。栅格化查询表是通过历史点云信息建立的一个2D查询表加快构建的观测模型的计算速度，查询表包含了场景中每个位置处激光雷达观测到扫描点的概率，以及每个观测点附近的概率。由于传感器存在测量误差，采用高斯函数作为模糊核来构建栅格化查询表以保持测量数据的不确定性。
优选地，所述多帧点云信息融合模用于根据历史多帧点数据进行历史多帧点云信息融合获取当前帧点云信息的理论值；历史多帧点数据的融合在于，获取当前帧点的前若干帧点进行数据的融合，通过融合若干帧点数据推测当前帧点的理论值。
优选地，所述多分辨率扫描模块将理论值与当前观测值通过多分辨率扫描的方法进行匹配，先进行低分辨率扫描匹配，匹配结果触发高分辨率匹配，这种匹配方法优点在于低分辨率匹配速度快，高分辨率匹配结果更加准确。匹配观测值的概率值确定观测值与测量值的偏差，通过偏差结果修正观测值，同时将修正后的结果加载到环境地图上，环境地图进行更新。
优选地，所述定位模块用于根据修正后的观测值与理论值进行物体定位。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序指令，该程序指令适于由处理器加载并执行上述基于历史多帧点云信息融合的扫描匹配方法。
本发明还提供一种移动终端，其包括处理器以及存储器，所述的处理器用于执行存储器中存储的程序，以实现上述基于历史多帧点云信息融合的扫描匹配方法。
与现有技术相比，本发明具有的有益效果为：本发明提供了一种解决点云数据过于稀疏导致CSM算法匹配精度下降的方法，避免机器人定位失败。CSM方法的优点在于不依赖于前后帧待匹配点的一一对应关系，这使得在点云较为稀疏，特征较少的情况下，CSM 算法仍然有效，本发明通过具体的在激光雷达数据受到比较大的影响下，同时点云数据稀疏时，融合历史帧点云信息，能够提高CSM匹配精度，达到有效的机器人定位。同时CSM方法运用概率模型搜索能够使观测数据概率最大的刚体变换，具有初始误差鲁棒性强且计算效率高等优点。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明所述的一种基于历史多帧点云信息融合的扫描匹配方法的流程示意图；
图2是本发明所述的一种基于历史多帧点云信息融合的扫描匹配系统的结构图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本流程图，因此其仅显示与本发明有关的流程。
如图1所示，本发明是一种基于历史多帧点云信息融合的扫描匹配方法，所述的方法具体为：
S1.获取历史多帧点云信息、当前帧点云信息、环境模型；
S2.根据历史多帧点云信息、当前帧点云信息、环境模型构建观测值概率模型；
S3.根据历史多帧点云信息构建栅格化查询表求解观测值概率模型的概率值；
S4.根据历史多帧点数据进行历史多帧点云信息融合获取当前帧点云信息的理论值并进行栅格化处理；
S5.根据当前帧点云信息的理论值与当前帧点云信息观测值进行多分辨率扫描匹配修正当前帧点云信息的观测值；
S6.根据修正后的当前帧点云信息的观测值与其理论值对待定位物体进行定位。
步骤S1：获取历史多帧点云信息、当前帧点云信息、环境模型；所述环境模型即机器人轨迹激光雷达扫描点云地图。
步骤S2：根据历史多帧点云信息、当前帧点云信息、环境模型构建观测值概率模型。具体的：通过CSM算法构建后验概率模型，后验概率模型通过观测模型与运动模型的关系构建。后验概率模型反映了观测值与帧点云信息信息、环境模型之间的关系。
步骤S3：根据历史多帧点云信息构建栅格化查询表。具体的：栅格化查询表是通过历史点云信息建立的一个2D查询表加快构建的观测模型的计算速度，查询表包含了场景中每个位置处激光雷达观测到扫描点的概率，以及每个观测点附近的概率。由于传感器存在测量误差，采用高斯函数作为模糊核来构建栅格化查询表以保持测量数据的不确定性。
步骤S4：根据历史多帧点数据进行历史多帧点云信息融合获取当前帧点云信息的理论值；具体的：历史多帧点数据的融合在于，获取当前帧点的前若干帧点进行数据的融合，通过融合若干帧点云数据推测下一帧点云的理论值。
步骤S5：.根据当前帧点云信息的理论值与当前帧点云信息观测值进行多分辨率扫描匹配修正当前帧点云信息的观测值。将当前帧点云信息的观测值与理论值通过多分辨率扫描的方法进行匹配，具体的先进行低分辨率扫描匹配，匹配结果触发高分辨率匹配，这种匹配方法优点在于低分辨率匹配速度快，高分辨率匹配结果更加准确。匹配后确定观测值在栅格化查询表中位置，确定观测值的的概率，通过观测值概率从而确定观测值与理论值的偏差，通过偏差修正观测值，同时将修正后的结果加载到环境地图上，环境地图进行更新。
步骤S6：根据修正后的当前帧点云信息的观测值与其理论值对待定位物体进行定位。修正后的观测值与理论值进行物体定位。
如图2所示，本发明提供了一种基于历史多帧点云信息融合的扫描匹配系统：
信息获取模块1：所述信息获取模块用于获取历史多帧点云信息、当前帧点云信息、环境模型；
概率模型构建模块2：所述概率模型构建模块用于根据历史多帧点云信息、当前帧点云信息、环境模型构建观测值概率模型；
栅格化查询表构建模块3：所述栅格化查询表构建模块用于根据历史多帧点云信息构建栅格化查询表求解观测值概率模型的概率值；
多帧点云信息融合模块4：所述多帧点云信息融合模块用于根据历史多帧点数据进行历史多帧点云信息融合获取当前帧点云信息的理论值并进行栅格化处理；
多分辨率扫描模块5：所述多分辨率扫描模块用于根据当前帧点云信息的理论值与当前帧点云信息观测值进行多分辨率扫描匹配修正当前帧点云信息的观测值；
定位模块6：所述定位模块用于根据修正后的当前帧点云信息的观测值与其理论值对待定位物体进行定位。
所述信息获取模块1：用于获取历史多帧点云信息、当前帧点云信息、环境模型；所述环境模型即机器人轨迹激光雷达扫描点云地图。
所述概率模型构建模:2：用于根据历史多帧点云信息、当前帧点云信息、环境模型构建观测值概率模型；通过CSM算法构建后验概率模型，后验概率模型通过观测模型与运动模型的关系构建。后验概率模型反映了观测值与帧点云信息信息、环境模型之间的关系。
所述栅格化查询表构建模:3：具体为根据历史多帧点云信息构建栅格化查询表；栅格化查询表是通过历史点云信息建立的一个2D查询表加快构建的观测模型的计算速度，查询表包含了场景中每个位置处激光雷达观测到扫描点的概率，以及每个观测点附近的概率。由于传感器存在测量误差，采用高斯函数作为模糊核来构建栅格化查询表以保持测量数据的不确定性。
所述多帧点云信息融合模:4：用于根据历史多帧点数据进行历史多帧点云信息融合获取当前帧点云信息的理论值；历史多帧点数据的融合在于，获取当前帧点的前若干帧点进行数据的融合，通过融合若干帧点数据推测当前帧点的理论值。
所述多分辨率扫描模块5：用于根据当前帧点云信息的理论值与当前帧点云信息观测值进行多分辨率扫描匹配修正当前帧点云信息的观测值；将理论值与当前观测值通过多分辨率扫描的方法进行匹配，先进行低分辨率扫描匹配，匹配结果触发高分辨率匹配，这种匹配方法优点在于低分辨率匹配速度快，高分辨率匹配结果更加准确。匹配观测值的概率值确定观测值与测量值的偏差，通过偏差结果修正观测值，同时将修正后的结果加载到环境地图上，环境地图进行更新。
所述定位模块6：用于根据修正后的当前帧点云信息的观测值与其理论值对待定位物体进行定位。修正后的观测值与理论值进行物体定位。
上列详细说明是针对本发明可行实施例的具体说明，以上实施例并非用以限制本发明的专利范围，凡未脱离本发明所为的等效实施或变更，均应包含于本案的专利范围中。
Claims (10)
1.一种基于历史多帧点云信息融合的扫描匹配方法，其特征在于，包括：
获取历史多帧点云信息、当前帧点云信息、环境模型；
根据历史多帧点云信息、当前帧点云信息、环境模型构建观测值概率模型；
根据历史多帧点云信息构建栅格化查询表求解观测值概率模型的概率值；
根据历史多帧点数据进行历史多帧点云信息融合获取当前帧点云信息的理论值并进行栅格化处理；
根据当前帧点云信息的理论值与当前帧点云信息观测值进行多分辨率扫描匹配修正当前帧点云信息的观测值；
根据修正后的当前帧点云信息的观测值与其理论值对待定位物体进行定位。
2.根据权利要求1所述的一种基于历史多帧点云信息融合的扫描匹配方法，其特征在于，所述的构建概率模型具体为构建点云的后验概率模型，其中包含观测模型与运动模型。
3.根据权利要求1所述的一种基于历史多帧点云信息融合的扫描匹配方法，其特征在于，所述的栅格化查询表包括场景中每个位置点以及位置点附近点的激光雷达观测到扫描点的概率。
4.根据权利要求1所述得一种基于历史多帧点云信息融合的扫描匹配方法，其特征在于，所述的历史多帧点云信息融合具体为，将多个历史帧点云信息数据融合处理推测下一帧点云信息。
5.根据权利要求1所述的一种基于历史多帧点云信息融合的扫描匹配方法，其特征在于，所述的多分辨率扫描匹配具体为将当前帧点云信息观测值与理论值先进行低分辨率扫描匹配再进行高分辨率扫描匹配，确定当前帧点云信息在栅格表中的概率值，从而确定观测值与理论值的位移变化量。
6.根据权利要求5所述的一种基于历史多帧点云信息融合的扫描匹配方法，其特征在于，所述的获取位移变化量后还包括根据位移变化量与理论值将当前帧点云信息观测值进行修正。
7.根据权利要求6所述的一种基于历史多帧点云信息融合的扫描匹配方法，其特征在于，所述的将当前帧点云信息观测值进行修正后还包括将修正值点云数据加载到环境地图上，环境地图进行更新。
8.一种基于历史多帧点云信息融合的扫描匹配系统，其特征在于，包括：
信息获取模块：所述信息获取模块用于获取历史多帧点云信息、当前帧点云信息、环境模型；
概率模型构建模块：所述概率模型构建模块用于根据历史多帧点云信息、当前帧点云信息、环境模型构建观测值概率模型；
栅格化查询表构建模块：所述栅格化查询表构建模块用于根据历史多帧点云信息构建栅格化查询表求解观测值概率模型的概率值；
多帧点云信息融合模块：所述多帧点云信息融合模块用于根据历史多帧点数据进行历史多帧点云信息融合获取当前帧点云信息的理论值并进行栅格化处理；
多分辨率扫描模块：所述多分辨率扫描模块用于根据当前帧点云信息的理论值与当前帧点云信息观测值进行多分辨率扫描匹配修正当前帧点云信息的观测值；
定位模块：所述定位模块用于根据修正后的当前帧点云信息的观测值与其理论值对待定位物体进行定位。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序指令，该程序指令适于由处理器加载并执行权利要求1~7任一项所述的方法。
10.一种移动终端，其特征在于，包括处理器以及存储器，所述的处理器用于执行存储器中存储的程序，以实现权利要求1~7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910070306.7A CN109848988B (zh) | 2019-01-24 | 2019-01-24 | 一种基于历史多帧点云信息融合的扫描匹配方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910070306.7A CN109848988B (zh) | 2019-01-24 | 2019-01-24 | 一种基于历史多帧点云信息融合的扫描匹配方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109848988A true CN109848988A (zh) | 2019-06-07 |
| CN109848988B CN109848988B (zh) | 2022-12-06 |
Family
ID=66896102
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910070306.7A Active CN109848988B (zh) | 2019-01-24 | 2019-01-24 | 一种基于历史多帧点云信息融合的扫描匹配方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109848988B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111947671A (zh) * | 2020-03-02 | 2020-11-17 | 北京百度网讯科技有限公司 | 用于定位的方法、装置、计算设备和计算机可读存储介质 |
| CN112154356A (zh) * | 2019-09-27 | 2020-12-29 | 深圳市大疆创新科技有限公司 | 点云数据处理方法及其装置、激光雷达、可移动平台 |
| CN112589795A (zh) * | 2020-12-04 | 2021-04-02 | 中山大学 | 一种基于不确定性多帧融合的真空吸盘机械臂抓取方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6611726B1 (en) * | 1999-09-17 | 2003-08-26 | Carl E. Crosswhite | Method for determining optimal time series forecasting parameters |
| US20070293985A1 (en) * | 2006-06-20 | 2007-12-20 | Samsung Electronics Co., Ltd. | Method, apparatus, and medium for building grid map in mobile robot and method, apparatus, and medium for cell decomposition that uses grid map |
| CN104236548A (zh) * | 2014-09-12 | 2014-12-24 | 清华大学 | 一种微型无人机室内自主导航方法 |
| CN106056643A (zh) * | 2016-04-27 | 2016-10-26 | 武汉大学 | 一种基于点云的室内动态场景slam方法及系统 |
| CN106272423A (zh) * | 2016-08-31 | 2017-01-04 | 哈尔滨工业大学深圳研究生院 | 一种针对大尺度环境的多机器人协同制图与定位的方法 |
| CN107577646A (zh) * | 2017-08-23 | 2018-01-12 | 上海莫斐信息技术有限公司 | 一种高精度轨迹运算方法及系统 |
| CN108710367A (zh) * | 2018-05-23 | 2018-10-26 | 广州视源电子科技股份有限公司 | 激光数据识别方法、装置、机器人及存储介质 |
| CN108734218A (zh) * | 2018-05-22 | 2018-11-02 | 京东方科技集团股份有限公司 | 一种多传感器系统的信息融合方法和装置 |
| CN108921893A (zh) * | 2018-04-24 | 2018-11-30 | 华南理工大学 | 一种基于在线深度学习slam的图像云计算方法及系统 |
-
2019
- 2019-01-24 CN CN201910070306.7A patent/CN109848988B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6611726B1 (en) * | 1999-09-17 | 2003-08-26 | Carl E. Crosswhite | Method for determining optimal time series forecasting parameters |
| US20070293985A1 (en) * | 2006-06-20 | 2007-12-20 | Samsung Electronics Co., Ltd. | Method, apparatus, and medium for building grid map in mobile robot and method, apparatus, and medium for cell decomposition that uses grid map |
| CN104236548A (zh) * | 2014-09-12 | 2014-12-24 | 清华大学 | 一种微型无人机室内自主导航方法 |
| CN106056643A (zh) * | 2016-04-27 | 2016-10-26 | 武汉大学 | 一种基于点云的室内动态场景slam方法及系统 |
| CN106272423A (zh) * | 2016-08-31 | 2017-01-04 | 哈尔滨工业大学深圳研究生院 | 一种针对大尺度环境的多机器人协同制图与定位的方法 |
| CN107577646A (zh) * | 2017-08-23 | 2018-01-12 | 上海莫斐信息技术有限公司 | 一种高精度轨迹运算方法及系统 |
| CN108921893A (zh) * | 2018-04-24 | 2018-11-30 | 华南理工大学 | 一种基于在线深度学习slam的图像云计算方法及系统 |
| CN108734218A (zh) * | 2018-05-22 | 2018-11-02 | 京东方科技集团股份有限公司 | 一种多传感器系统的信息融合方法和装置 |
| CN108710367A (zh) * | 2018-05-23 | 2018-10-26 | 广州视源电子科技股份有限公司 | 激光数据识别方法、装置、机器人及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| EDWIN B.OLSON: "Real-Time Correlative Scan Matching", 《2009 IEEE INTERNATIONAL CONFERENCE ON ROBOTICS AND AUTOMATION》 * |
| 张艳国等: "基于惯性测量单元的激光雷达点云融合方法", 《系统仿真学报》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112154356A (zh) * | 2019-09-27 | 2020-12-29 | 深圳市大疆创新科技有限公司 | 点云数据处理方法及其装置、激光雷达、可移动平台 |
| WO2021056438A1 (zh) * | 2019-09-27 | 2021-04-01 | 深圳市大疆创新科技有限公司 | 点云数据处理方法及其装置、激光雷达、可移动平台 |
| CN112154356B (zh) * | 2019-09-27 | 2024-03-15 | 深圳市大疆创新科技有限公司 | 点云数据处理方法及其装置、激光雷达、可移动平台 |
| CN111947671A (zh) * | 2020-03-02 | 2020-11-17 | 北京百度网讯科技有限公司 | 用于定位的方法、装置、计算设备和计算机可读存储介质 |
| US11852751B2 (en) | 2020-03-02 | 2023-12-26 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method, apparatus, computing device and computer-readable storage medium for positioning |
| CN112589795A (zh) * | 2020-12-04 | 2021-04-02 | 中山大学 | 一种基于不确定性多帧融合的真空吸盘机械臂抓取方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109848988B (zh) | 2022-12-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110501017A (zh) | 一种基于orb_slam2的移动机器人导航地图生成方法 | |
| CN111060135B (zh) | 一种基于局部地图的地图修正方法及系统 | |
| CN107301654B (zh) | 一种多传感器的高精度即时定位与建图方法 | |
| Dissanayake et al. | A review of recent developments in simultaneous localization and mapping | |
| CN107239076B (zh) | 基于虚拟扫描与测距匹配的agv激光slam方法 | |
| Nieto et al. | Recursive scan-matching SLAM | |
| Indelman et al. | Factor graph based incremental smoothing in inertial navigation systems | |
| CN109633664B (zh) | 基于rgb-d与激光里程计的联合定位方法 | |
| CN110930495A (zh) | 基于多无人机协作的icp点云地图融合方法、系统、装置及存储介质 | |
| CN110187348A (zh) | 一种激光雷达定位的方法 | |
| CN110118556A (zh) | 一种基于协方差交叉融合slam的机器人定位方法及装置 | |
| CN109848988A (zh) | 一种基于历史多帧点云信息融合的扫描匹配方法及系统 | |
| CN102763132A (zh) | 三维测量设备、处理方法和非暂态计算机可读存储介质 | |
| CN109506650B (zh) | 基于bp网络的agv导航行程偏差修正方法 | |
| CN103901891A (zh) | 一种基于层次结构的动态粒子树slam算法 | |
| CN113763548B (zh) | 基于视觉-激光雷达耦合的贫纹理隧洞建模方法及系统 | |
| CN116661469B (zh) | 机器人轨迹误差修正方法及系统 | |
| CN116577801A (zh) | 一种基于激光雷达和imu的定位与建图方法及系统 | |
| Qiao et al. | Online monocular lane mapping using catmull-rom spline | |
| Garcia et al. | Portable multi-hypothesis Monte Carlo localization for mobile robots | |
| CN112612034B (zh) | 基于激光帧和概率地图扫描的位姿匹配方法 | |
| CN117824667A (zh) | 一种基于二维码和激光的融合定位方法及介质 | |
| CN114659518B (zh) | 一种固定场景下的高精鲁棒定位方法 | |
| CN115950414A (zh) | 一种不同传感器数据的自适应多重融合slam方法 | |
| Chen et al. | LIO-PPF: fast LiDAR-inertial odometry via incremental plane pre-fitting and skeleton tracking |
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 |