CN109887053A - 一种slam地图拼接方法及系统 - Google Patents

一种slam地图拼接方法及系统 Download PDF

Info

Publication number
CN109887053A
CN109887053A CN201910102625.1A CN201910102625A CN109887053A CN 109887053 A CN109887053 A CN 109887053A CN 201910102625 A CN201910102625 A CN 201910102625A CN 109887053 A CN109887053 A CN 109887053A
Authority
CN
China
Prior art keywords
map
key frame
sub
current
vehicle
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
Application number
CN201910102625.1A
Other languages
English (en)
Other versions
CN109887053B (zh
Inventor
周建
刘中元
李良
肖志光
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 Xiaopeng Motors Technology Co Ltd
Original Assignee
Guangzhou Xiaopeng Motors Technology 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 Xiaopeng Motors Technology Co Ltd filed Critical Guangzhou Xiaopeng Motors Technology Co Ltd
Priority to CN201910102625.1A priority Critical patent/CN109887053B/zh
Publication of CN109887053A publication Critical patent/CN109887053A/zh
Priority to PCT/CN2019/093531 priority patent/WO2020155543A1/zh
Priority to EP19913891.8A priority patent/EP3886048B1/en
Application granted granted Critical
Publication of CN109887053B publication Critical patent/CN109887053B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
    • 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
    • G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G06T7/248—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30241—Trajectory
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/61—Scene description

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Automation & Control Theory (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)
  • Navigation (AREA)

Abstract

一种SLAM地图拼接方法及系统，包括：在检测到SLAM跟踪丢失时，重新进行SLAM建图初始化；利用车辆的定位模块获取当前车辆位姿信息，推算出车载传感器的当前位姿信息，以构建当前虚拟关键帧；将当前虚拟关键帧与历史关键帧进行关联，判断初始化是否成功；若否，利用车辆的定位模块获取当前车辆位姿信息以生成虚拟关键帧；若是，构建新的子地图，并利用当前虚拟关键帧对应的传感器位姿信息初始化新的子地图，以实现对原有子地图和新的子地图之间的拼接；同时，对所有子地图进行整体联合优化。本技术解决了SLAM制图过程中SLAM跟踪丢失导致制图失败的问题，大幅度提高构建大场景完整SLAM地图的成功率。

Description

一种SLAM地图拼接方法及系统
技术领域
本发明涉及自动驾驶技术领域，具体涉及一种SLAM地图拼接方法及系统。
背景技术
近年来，同步定位与建图(Simultaneous Localization And Mapping，SLAM)技术越来越多地应用于自动驾驶汽车领域，主要用于解决车辆在未知环境运动时的定位与地图构建问题。其中，传统的SLAM的地图构建过程主要为：车辆通过车载传感器(比如相机、激光雷达)采集周围环境的观测数据(比如拍摄图像、点云数据)，以对采集到的观测数据进行跟踪与匹配；根据观测数据之间的匹配关系，计算出车载传感器对应的位姿运动信息，进而可以对车辆自身进行定位，并基于车辆定位信息构建增量式地图。实践中发现，当车辆处于视觉特征贫乏(比如地下白墙道路)或者环境较为苛刻(比如雨天、雨刷遮挡)的条件时，在SLAM建图过程中经常出现SLAM跟踪丢失的情况，导致无法构建完整的SLAM地图。
发明内容
本发明实施例公开了一种SLAM地图拼接方法及系统，能够解决SLAM建图过程中SLAM跟踪丢失导致制图失败的问题，提高构建完整的SLAM地图的成功率。
本发明实施例第一方面公开一种SLAM地图拼接方法，所述方法包括：
在检测到SLAM跟踪丢失时，重新进行SLAM建图初始化；
利用车辆的定位模块获取当前车辆位姿信息，并根据所述当前车辆位姿信息推算出车载传感器的当前传感器位姿信息；其中，所述车载传感器包括车载相机或者车载激光雷达；
根据所述当前传感器位姿信息，构建当前虚拟关键帧；
将所述当前虚拟关键帧与历史关键帧进行关联；其中，若所述当前虚拟关键帧为所述SLAM跟踪丢失之后构建的第一帧虚拟关键帧，则所述历史关键帧为第一子地图中的任一关键帧，其中，所述第一子地图为所述SLAM跟踪丢失之前已构建的SLAM子地图；若所述当前虚拟关键帧为所述第一帧虚拟关键帧之后构建的任一虚拟关键帧，则所述历史关键帧为当前时刻之前所构建的任一关键帧；
判断SLAM建图初始化是否成功；
若SLAM建图初始化成功，执行所述利用车辆的定位模块获取当前车辆位姿信息的步骤；
若SLAM建图初始化不成功，构建第二子地图，并利用所述当前虚拟关键帧对应的传感器位姿信息初始化所述第二子地图，以实现对所述第一子地图与所述第二子地图进行拼接；
对所述第一子地图和所述第二子地图进行整体联合优化，以生成完整的SLAM地图。
作为一种可选的实施方式，在本发明实施例第一方面中，所述将所述当前虚拟关键帧与历史关键帧进行关联，包括：
根据所述当前虚拟关键帧对应的传感器位姿信息以及历史关键帧对应的传感器位姿信息，将所述当前虚拟关键帧与所述历史关键帧进行关联，以利用所述当前虚拟关键帧对应的传感器位姿信息更新所述车辆的虚拟运动轨迹，并将更新后的虚拟运动轨迹与所述车辆的第一运动轨迹对接；所述车辆的第一运动轨迹是基于所述第一子地图中所有关键帧对应的传感器位姿信息所生成的；
所述利用所述当前虚拟关键帧对应的传感器位姿信息初始化所述第二子地图，包括：
根据所述当前虚拟关键帧对应的传感器位姿信息，获得初始关键帧对应的传感器位姿信息，以利用所述当前虚拟关键帧对应的传感器位姿信息与所述初始关键帧对应的传感器位姿信息将所述当前虚拟关键帧与所述第二子地图进行关联，并将所述更新后的虚拟运动轨迹与所述车辆的第二运动轨迹对接；所述第二运动轨迹是基于所述第二子地图中所有关键帧对应的传感器位姿信息所生成的；所述初始关键帧为初始化成功后所述第二子地图中最先构建的关键帧。
作为一种可选的实施方式，在本发明实施例第一方面中，在所述根据所述当前车辆位姿信息推算出车载传感器的当前传感器位姿信息之后，所述方法还包括：
根据所述车载传感器的当前传感器位姿信息与在当前时刻之前构建的若干关键帧对应的传感器位姿信息，构建误差函数；
优化所述误差函数中所述当前传感器位姿信息的取值，使得所述误差函数达到最小值，以获得优化后的当前传感器位姿信息；
所述根据所述当前传感器位姿信息，构建当前虚拟关键帧，包括：
根据所述优化后的当前传感器位姿信息，构建当前虚拟关键帧。
作为一种可选的实施方式，在本发明实施例第一方面中，在所述利用所述当前虚拟关键帧对应的传感器位姿信息初始化所述第二子地图之后，所述方法还包括：
根据所述车辆的实时车辆位姿信息推算出所述车载传感器的实时传感器位姿信息，若检测到所述实时传感器位姿信息与所述更新后的虚拟运动轨迹中任一虚拟关键帧对应的传感器位姿信息相匹配，将所述更新后的虚拟运动轨迹中任一虚拟关键帧对应的位置作为目标起点，根据所述更新后的虚拟运动轨迹指引的路线控制车辆行驶，直至检测到所述车辆进入所述第二子地图的定位范围。
作为一种可选的实施方式，在本发明实施例第一方面中，所述对所述第一子地图和所述第二子地图进行整体联合优化，以生成完整的SLAM地图，包括：
对所述第一子地图对应的第一位姿图进行位姿图优化，以获得优化后的第一位姿图；
对所述第二子地图对应的第二位姿图进行位姿图优化，以获得优化后的第二位姿图；
将所述优化后的第一位姿图和所述优化后的第二位姿图进行整合，以生成完整的SLAM地图。
本发明实施例第二方面公开一种SLAM地图拼接系统，所述系统包括：
初始化单元，用于在检测到SLAM跟踪丢失时，重新进行SLAM建图初始化；
获取单元，用于利用车辆的定位模块获取当前车辆位姿信息，并根据所述当前车辆位姿信息推算出车载传感器的当前传感器位姿信息；其中，所述车载传感器包括车载相机或者车载激光雷达；
关键帧构建单元，用于根据所述当前传感器位姿信息，构建当前虚拟关键帧；
第一关联单元，用于将所述当前虚拟关键帧与历史关键帧进行关联；其中，若所述当前虚拟关键帧为所述SLAM跟踪丢失之后构建的第一帧虚拟关键帧，则所述历史关键帧为所述第一子地图中的任一关键帧，其中，所述第一子地图为所述SLAM跟踪丢失之前已构建的SLAM子地图；若所述当前虚拟关键帧为所述第一帧虚拟关键帧之后构建的任一虚拟关键帧，则所述历史关键帧为当前时刻之前所构建的任一关键帧；
判断单元，用于判断SLAM建图初始化是否成功；
第二关联单元，用于在所述判断单元判定出SLAM建图初始化成功时，构建第二子地图，并利用所述当前虚拟关键帧对应的传感器位姿信息初始化所述第二子地图，以实现对所述第一子地图与所述第二子地图进行拼接；
图优化单元，用于对所述第一子地图和所述第二子地图进行整体联合优化，以生成完整的SLAM地图；
所述获取单元，还用于在所述判断单元判定出SLAM建图初始化不成功时，利用车辆的定位模块获取当前车辆位姿信息。
作为一种可选的实施方式，在本发明实施例第二方面中，所述第一关联单元用于将所述当前虚拟关键帧与历史关键帧进行关联的方式具体为：
所述第一关联单元，用于根据所述当前虚拟关键帧对应的传感器位姿信息以及历史关键帧对应的传感器位姿信息，将所述当前虚拟关键帧与所述历史关键帧进行关联，以利用所述当前虚拟关键帧对应的传感器位姿信息更新所述车辆的虚拟运动轨迹，并将更新后的虚拟运动轨迹与所述车辆的第一运动轨迹对接；所述车辆的第一运动轨迹是基于所述第一子地图中所有关键帧对应的传感器位姿信息所生成的；
所述第二关联单元用于利用所述当前虚拟关键帧对应的传感器位姿信息初始化所述第二子地图的方式具体为：
所述第二关联单元，用于根据所述当前虚拟关键帧对应的传感器位姿信息，获得初始关键帧对应的传感器位姿信息，以利用所述当前虚拟关键帧对应的传感器位姿信息与所述初始关键帧对应的传感器位姿信息将所述当前虚拟关键帧与所述第二子地图进行关联，并将所述更新后的虚拟运动轨迹与所述车辆的第二运动轨迹对接；所述第二运动轨迹是基于所述第二子地图中所有关键帧对应的传感器位姿信息所生成的；所述初始关键帧为初始化成功后所述第二子地图中最先构建的关键帧。
作为一种可选的实施方式，在本发明实施例第二方面中，所述系统还包括：
函数构建单元，用于在所述获取单元根据所述当前车辆位姿信息推算出车载传感器的当前传感器位姿信息之后，根据所述车载传感器的当前传感器位姿信息与在当前时刻之前构建的若干关键帧对应的传感器位姿信息，构建误差函数；
函数优化单元，用于优化所述误差函数中所述当前传感器位姿信息的取值，使得所述误差函数达到最小值，以获得优化后的当前传感器位姿信息；
所述关键帧构建单元用于根据所述当前传感器位姿信息，构建当前虚拟关键帧的方式具体为：
所述关键帧构建单元，用于根据所述优化后的当前传感器位姿信息，构建当前虚拟关键帧。
作为一种可选的实施方式，在本发明实施例第二方面中，所述系统还包括：
控制单元，用于在所述第二关联单元利用所述当前虚拟关键帧对应的传感器位姿信息初始化所述第二子地图之后，根据所述车辆的实时车辆位姿信息推算出所述车载相机的实时传感器位姿信息，若检测到所述实时传感器位姿信息与所述更新后的虚拟运动轨迹中任一虚拟关键帧对应的传感器位姿信息相匹配，将所述更新后的虚拟运动轨迹中任一虚拟关键帧对应的位置作为目标起点，根据所述更新后的虚拟运动轨迹指引的路线控制车辆行驶，直至检测到所述车辆进入所述第二子地图的定位范围。
作为一种可选的实施方式，在本发明实施例第二方面中，所述图优化单元，包括：
第一图优化子单元，用于对所述第一子地图对应的第一位姿图进行位姿图优化，以获得优化后的第一位姿图；
第二图优化子单元，用于对所述第二子地图对应的第二位姿图进行位姿图优化，以获得优化后的第二位姿图；
整合子单元，用于将所述优化后的第一位姿图和所述优化后的第二位姿图进行整合，以生成完整的SLAM地图。
本发明实施例第三方面公开一种计算机可读存储介质，其存储计算机程序，其中，所述计算机程序使得计算机执行本发明实施例第一方面公开的一种SLAM地图拼接方法。
本发明实施例第四方面公开一种计算机程序产品，当所述计算机程序产品在计算机上运行时，使得所述计算机执行第一方面的任意一种方法的部分或全部步骤。
与现有技术相比，本发明实施例具有以下有益效果：
实施本发明实施例，基于已构建的SLAM子地图，在检测到SLAM跟踪丢失时，重新进行SLAM建图初始化，同时，根据获取到的车辆位姿信息推算出车载传感器的传感器位姿信息，来产生虚拟关键帧，利用虚拟关键帧将前后两次构建的SLAM子地图拼接起来，能够提高构建完整的SLAM地图的成功率，其中，车载传感器包括车载相机或者车载激光雷达，可以适用于视觉SLAM建图或者激光SLAM建图；并且，通过对各子地图进行整体联合优化，提高了拼接子地图后生成的SLAM地图的统一性和完整性；此外，在SLAM跟踪丢失时，通过采集车辆的位姿信息，还能够保证记录车辆的运动轨迹的连续性，用于辅助后续的车辆导航。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例公开的一种SLAM地图拼接方法的流程示意图；
图2是本发明实施例公开的另一种SLAM地图拼接方法的流程示意图；
图3是本发明实施例公开的一种SLAM地图拼接系统的结构示意图；
图4是本发明实施例公开的另一种SLAM地图拼接系统的结构示意图。
具体实施方式
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，所描述的实施例仅是本发明一部分实施例，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中的术语“第一”、“第二”、“第三”“第四”等是用于区别不同的对象，而不是用于描述特定顺序。本发明实施例的术语“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。
本发明实施例公开了一种SLAM地图拼接方法及系统，能够解决SLAM建图过程中SLAM跟踪丢失导致制图失败的问题，提高构建完整的SLAM地图的成功率。以下结合附图进行详细描述。
实施例一
请参阅图1，图1是本发明实施例公开的一种SLAM地图拼接方法的流程示意图。如图1所示，该SLAM地图拼接方法应用于地图拼接系统，具体可以包括以下步骤。
101、地图拼接系统在检测到SLAM跟踪丢失时，重新进行SLAM建图初始化。
本发明实施例适用于视觉SLAM建图和激光SLAM建图。以视觉SLAM建图为例进行说明，视觉SLAM建图主要包括以下步骤：
前端基于车载传感器持续对周边环境采集到的图像帧，对相邻图像帧进行特征点匹配，其中，车载传感器可以为车载相机，具体可以包括单目相机、双目相机或者深度相机，对此不作限定。可选的，对于单目相机，根据相邻图像帧的特征点匹配结果，可以获得相邻图像帧之间的相机旋转量与相机平移量，再结合利用三角测量原理所确定的每个图像帧中特征点的深度信息，进而可以获得相机位姿信息；对于双目或深度相机，若已知两组相匹配的3D特征点的位置信息，使用ICP(Iterative Closest Point，迭代最近点)方法求出相机位姿信息；若已知两组相匹配的3D特征点的位置信息以及其在相机的投影位置，可使用PnP(Pespective-n-Point，透视n点定位)方法求出相机位姿信息。
后端通过回环检测来检测车辆是否到达先前位置，并对不同图像帧对应的相机位姿信息以及回环检测的检测信息进行优化，获取车辆的运动轨迹。
进一步地，根据车辆的运动轨迹以及采集到的图像帧，构建子地图，其中，子地图包括多个关键帧，基于每一个关键帧对应的相机位姿信息，相邻的关键帧之间对应的位移量大于或等于预设位移值；此外，根据使用的传感器类型和实际应用需求，第一子地图可以为2D栅格地图、2D拓扑地图、3D点云地图或者3D网格地图等，对此不作具体限定。
以激光SLAM建图为例进行说明，激光SLAM建图主要是基于激光测距的原理，通过设置于车身的激光雷达对周围环境采集点云数据，其中，点云数据包括激光雷达与周边物体之间的角度信息和距离信息。并且，通过对不同时刻的点云数据进行匹配与比对，可以计算出激光雷达位姿信息，以基于激光雷达位姿信息获得车辆的运动轨迹，进而构建子地图，其中，激光雷达位姿信息可以包括激光雷达的相对运动距离和姿态变化量。
可以理解，SLAM追踪失败可以包括以下情况：对于视觉SLAM建图，在光照不足或者纹理缺失的环境下，采集到的当前图像帧中特征点数目不足，或者，当前图像帧与前一关键帧进行特征点匹配失败，将导致SLAM跟踪丢失；对于激光SLAM建图，在动态环境(比如存在大量遮挡物)或者几何环境(比如长期形状不变的白墙)下，不同时刻的点云数据匹配失败，也会导致SLAM跟踪丢失。
本发明实施例中，可选的，对于视觉SLAM建图，地图拼接系统重新进行SLAM建图初始化的步骤具体可以包括：
地图拼接系统持续通过视觉传感器采集图像帧，并对采集到的图像帧进行特征点识别；若当前图像帧满足特征点数目要求，且至少存在一个满足特征点数目要求的历史关键帧，对当前图像帧以及上述至少一个历史关键帧进行特征点匹配，其中，特征点数目要求可以设定为特征点数目大于预设阈值(如100)；若根据当前图像帧以及上述至少一个历史关键帧的匹配结果、当前图像帧的特征点深度信息以及上述至少一个历史关键帧的特征点深度信息，可以计算出当前图像帧对应的传感器位姿信息，则可视为建图初始化成功；否则，继续执行持续通过视觉传感器采集图像帧的步骤。
还可选的，对于激光SLAM建图，地图拼接系统重新进行SLAM建图初始化的方式可以为：地图拼接系统通过激光雷达持续采集周围环境的点云数据，并对不同时刻的点云数据进行匹配，直至重新匹配成功，则视为SLAM建图初始化成功。
102、地图拼接系统利用车辆的定位模块获取当前车辆位姿信息，并根据当前车辆位姿信息推算出车载传感器的当前传感器位姿信息。
本发明实施例中，车载传感器包括车载相机或者车载激光雷达。车辆的定位模块可以包括车身里程计、GPS、惯性组合导航等，对此不作具体限定。车辆位姿信息可以为车辆在世界坐标系下的位置信息(比如三维坐标位置)和姿态信息。举例来说，利用GPS获取车辆的位置信息；通过惯性组合导航测量车辆在特定坐标系下的角速度和加速度，以获得车辆的姿态信息。
本发明实施例中，根据车辆坐标系与传感器坐标系之间的转换关系，将车辆位姿信息从车辆坐标系转换至传感器坐标系，获得在传感器坐标系下车载传感器的传感器位姿信息；其中，车辆坐标系与传感器坐标系之间的转换关系可以通过预先标定得到。以车载相机为例，可以根据车载相机的外部参数，获得车辆坐标系与相机坐标系之间的转换关系。
103、根据当前传感器位姿信息，地图拼接系统构建当前虚拟关键帧。
104、地图拼接系统将当前虚拟关键帧与历史关键帧进行关联。
本发明实施例中，若当前虚拟关键帧为SLAM跟踪丢失之后构建的第一帧虚拟关键帧，则历史关键帧为第一子地图中的任一关键帧，其中，第一子地图为SLAM跟踪丢失之前已构建的SLAM子地图；若当前虚拟关键帧为第一帧虚拟关键帧之后构建的任一虚拟关键帧，则历史关键帧为当前时刻之前所构建的任一关键帧。需要区分的是，虚拟关键帧对应的传感器位姿信息是基于车辆在特定时刻利用定位模块获取到的车辆位姿信息推算得到的，而第一子地图中的关键帧对应的传感器位姿信息是基于车载传感器采集到的观测数据推算得到的，二者的获取方式不同。可以理解，当前虚拟关键帧为当前时刻根据当前传感器位姿信息所构建的虚拟关键帧。
105、地图拼接系统判断SLAM建图初始化是否成功，若SLAM建图初始化成功，执行步骤102；若SLAM建图初始化不成功，执行步骤106。
106、地图拼接系统构建第二子地图，并利用所述当前虚拟关键帧对应的传感器位姿信息初始化第二子地图，以实现对第一子地图与第二子地图进行拼接，第一子地图为SLAM跟踪丢失之前已构建的SLAM子地图。
本发明实施例中，第二子地图为对SLAM跟踪丢失之后，重新进行SLAM建图初始化成功后生成的SLAM地图。
作为一种可选的实施方式，步骤104具体包括：
根据当前虚拟关键帧对应的传感器位姿信息以及历史关键帧对应的传感器位姿信息，地图拼接系统将当前虚拟关键帧与历史关键帧进行关联，以利用当前虚拟关键帧对应的传感器位姿信息更新车辆的虚拟运动轨迹，并将更新后的虚拟运动轨迹与车辆的第一运动轨迹对接；其中，车辆的第一运动轨迹是基于第一子地图中所有关键帧对应的传感器位姿信息所生成的；车辆的虚拟运动轨迹由在对第一子地图的当前图像帧进行特征点追踪失败之后构建的多个虚拟关键帧组成。一般来说，历史关键帧可以为最接近当前时刻所构建的关键帧。
作为一种可选的实施方式，步骤106中地图拼接系统利用当前虚拟关键帧对应的传感器位姿信息初始化第二子地图的方式具体为：
地图拼接系统根据当前虚拟关键帧对应的传感器位姿信息，获得初始关键帧对应的传感器位姿信息，以利用当前虚拟关键帧对应的传感器位姿信息与初始关键帧对应的传感器位姿信息将当前虚拟关键帧与第二子地图进行关联，并将更新后的虚拟运动轨迹与车辆的第二运动轨迹对接；其中，第二运动轨迹是基于第二子地图中所有关键帧对应的传感器位姿信息所生成的；初始关键帧为初始化成功后第二子地图中最先构建的关键帧。
其中，可选的，地图拼接系统根据当前虚拟关键帧对应的传感器位姿信息，获得初始关键帧对应的传感器位姿信息，可以包括：
地图拼接系统对当前虚拟关键帧对应的图像帧以及初始关键帧对应的图像帧进行特征点识别与匹配；
地图拼接系统根据上述特征点匹配结果、每一个图像帧的特征点深度信息以及当前虚拟关键帧对应的传感器位姿信息，获得初始关键帧对应的传感器位姿信息。
可见，实施可选的实施方式，通过将虚拟关键帧与第一子地图进行关联，以及将虚拟关键帧与第二子地图进行关联，能够实现对第一子地图和第二子地图的拼接，此外，还能基于若干包含车辆位姿信息的虚拟关键帧所构成的虚拟运动轨迹，维持整个定位与建图过程中车辆的运动轨迹的连续性。
107、地图拼接系统对第一子地图和第二子地图进行整体联合优化，以生成完整的SLAM地图。
可见，实施图1所描述的方法，基于已构建的SLAM子地图，在检测到SLAM跟踪丢失时，重新进行SLAM建图初始化，同时，根据获取到的车辆位姿信息推算出车载传感器的传感器位姿信息，来产生虚拟关键帧，利用虚拟关键帧将前后两次构建的SLAM子地图拼接起来，能够提高构建完整的SLAM地图的成功率，其中，车载传感器包括车载相机或者车载激光雷达，可以适用于视觉SLAM建图或者激光SLAM建图；并且，通过对各子地图进行整体联合优化，提高了拼接子地图后生成的SLAM地图的统一性和完整性；此外，在SLAM跟踪丢失时，通过采集车辆的位姿信息，还能够保证记录车辆的运动轨迹的连续性，用于辅助后续的车辆导航。
实施例二
请参阅图2，图2是本发明实施例公开的另一种SLAM地图拼接方法的流程示意图。如图2所示，该SLAM地图拼接方法可以包括以下步骤。
201、地图拼接系统在检测到SLAM跟踪丢失时，重新进行SLAM建图初始化。
202、地图拼接系统利用车辆的定位模块获取当前车辆位姿信息，并根据当前车辆位姿信息推算出车载相机的当前传感器位姿信息。
203、地图拼接系统根据当前传感器位姿信息与在当前时刻之前构建的若干关键帧对应的传感器位姿信息，构建误差函数。
本发明实施例中，当前时刻之前构建的若干关键帧可以为第一子地图中的至少两个关键帧，或者第一子地图中的关键帧与在当前时刻之前构建的虚拟关键帧的组合，或者在检测到SLAM跟踪丢失之后，以及当前时刻之前构建的至少两个虚拟关键帧。
204、地图拼接系统优化误差函数中当前传感器位姿信息的取值，使得误差函数达到最小值，以获得优化后的当前传感器位姿信息。
可选的，构造一个最小二乘误差函数其中，r(ξ)为非线性函数，可以代表当前传感器位姿信息与当前时刻之前构建的若干关键帧对应的传感器位姿信息之间的相对位姿变化量，ξ代表虚拟关键帧对应的传感器位姿信息。利用迭代法对函数F(ξ)进行多次迭代，求得误差函数最小化时对应的当前传感器位姿信息的取值，以作为优化后的当前传感器位姿信息；其中，迭代法可以包括牛顿迭代、列文伯格-马克尔特迭代法等。
205、根据优化后的当前传感器位姿信息，地图拼接系统构建当前虚拟关键帧。
可见，实施上述步骤203～步骤205，基于第一子地图中若干关键帧的传感器位姿信息，对当前传感器位姿信息进行优化，能够提高优化后的当前传感器位姿信息的精确度，并且，根据优化后的当前传感器位姿信息所构建的虚拟关键帧进一步参与生成车辆的虚拟运动轨迹，使得车辆的虚拟运动轨迹与车辆在第一子地图中的运动轨迹之间的误差最小。
206、地图拼接系统将当前虚拟关键帧与历史关键帧进行关联。
207、地图拼接系统判断SLAM建图初始化是否成功，若SLAM建图初始化成功，执行步骤202；若SLAM建图初始化不成功，执行步骤208～步骤211。
208、地图拼接系统构建第二子地图，并利用当前虚拟关键帧对应的传感器位姿信息初始化第二子地图，以实现对第一子地图与第二子地图进行拼接，第一子地图为SLAM跟踪丢失之前已构建的SLAM子地图。
作为一种可选的实施方式，在步骤208之后，还可以包括以下步骤：
根据车辆的实时车辆位姿信息推算出车载相机的实时传感器位姿信息，若检测到实时传感器位姿信息与更新后的虚拟运动轨迹中任一虚拟关键帧对应的传感器位姿信息相匹配，将更新后的虚拟运动轨迹中任一虚拟关键帧对应的位置作为目标起点，根据更新后的虚拟运动轨迹指引的路线控制车辆行驶，直至检测到车辆进入第二子地图的定位范围。
可见，实施可选的实施方式，在检测到车辆回到虚拟运动轨迹中任一虚拟关键帧对应的位置时，通过虚拟运动轨迹指引的路线控制车辆行驶，能够在未覆盖SLAM地图的区域内实现车辆的自主导航与驾驶。
209、地图拼接系统对第一子地图对应的第一位姿图进行位姿图优化，以获得优化后的第一位姿图。
210、地图拼接系统对第二子地图对应的第二位姿图进行位姿图优化，以获得优化后的第二位姿图。
211、地图拼接系统将优化后的第一位姿图和优化后的第二位姿图进行整合，以生成完整的SLAM地图。
作为一种可选的实施方式，对于视觉SLAM建图，第一位姿图可以包括根据第一子地图中各个关键帧对应的特征点构建成的第一特征节点，以及根据各个关键帧对应的传感器位姿信息所构建的第一位姿节点。步骤209具体为：利用迭代法对第一位姿图中任意两个第一位姿节点对应的相机位姿变化量，以及相应的第一位姿节点和第一特征节点之间所对应的深度观测量进行多次迭代，使得误差值最小化，以获得图优化后的第一位姿图；其中，迭代法可以包括牛顿迭代、列文伯格-马克尔特迭代法等；图优化后的第一位姿图中提供最优相机位姿，并且测量得到最优特征点深度。
类似地，作为一种可选的实施方式，对于视觉SLAM建图，第二位姿图可以包括根据第二子地图中各个关键帧对应的特征点构建成的第二特征节点，以及根据各个关键帧对应的传感器位姿信息所构建的第二位姿节点。步骤210具体为：利用迭代法对第二位姿图中任意两个第二位姿节点对应的相机位姿变化量，以及相应的第二位姿节点和第二特征节点之间所对应的深度观测量进行多次迭代，使得误差值最小化，以获得图优化后的第二位姿图；其中，迭代法可以包括牛顿迭代、列文伯格-马克尔特迭代法等；图优化后的第二位姿图中提供最优相机位姿，并且测量得到最优特征点深度。
进一步地，作为一种可选的实施方式，步骤211具体为：基于图优化后的第一位姿图所提供的传感器位姿信息以及关键帧的特征点深度信息，生成图优化后的第一子地图；基于图优化后的第二位姿图所提供的传感器位姿信息以及关键帧的特征点深度信息，生成图优化后的第二子地图，以利用图优化后的第一子地图和图优化后的第二子地图更新原有的完整SLAM地图，获得图优化后的完整SLAM地图，其中，SLAM地图可以为三维地图。
再进一步地，可选的，针对第一子地图和第二子地图整合生成的完整SLAM地图，第一子地图/第二子地图可以为地图拼接系统通过深度相机采集图像帧，并且将三维点云变换到世界坐标下进行拼接和逐步叠加后构建的稠密且特征丰富的三维地图。而针对用于拼接第一子地图和第二子地图的虚拟运动轨迹所在区域，还可以在车辆沿虚拟运动轨迹移动的过程中，根据若干虚拟关键帧对应的时刻所采集到的图像帧，在完整SLAM地图上的虚拟运动轨迹所在区域建立稀疏子地图，以丰富完整SLAM地图的内容。
可见，实施上述步骤209～步骤211，对各子地图进行融合车身里程计和视觉特征的位姿图优化，能够减少经多个图像帧累积的误差，提高构建完整SLAM地图的准确度。
可见，实施图2所描述的方法，基于已构建的SLAM子地图，在检测到SLAM跟踪丢失时，重新进行SLAM建图初始化，同时，根据获取到的车辆位姿信息推算出车载传感器的传感器位姿信息，来产生虚拟关键帧，以利用虚拟关键帧将前后两次构建的SLAM子地图拼接起来，能够提高构建完整的SLAM地图的成功率，其中，车载传感器包括车载相机或者车载激光雷达，可以适用于视觉SLAM建图或者激光SLAM建图；此外，在SLAM跟踪丢失时，通过采集车辆的位姿信息，还能够保证记录车辆的运动轨迹的连续性，用于辅助后续的车辆导航；进一步地，在检测到车辆回到虚拟运动轨迹中任一虚拟关键帧对应的位置时，通过虚拟运动轨迹指引的路线控制车辆行驶，能够在未覆盖SLAM地图的区域内实现车辆的自主导航与驾驶；再进一步地，对各子地图进行融合车身里程计和视觉特征的位姿图优化，能够减少经多个图像帧累积的误差，提高构建完整SLAM地图的准确度，还能够使得车辆的虚拟运动轨迹与车辆在第一子地图中的运动轨迹之间的误差最小。
实施例三
请参阅3，图3是本发明实施例公开的一种SLAM地图拼接系统的结构示意图。如图3所示，该SLAM地图拼接系统可以包括初始化单元301、获取单元302、关键帧构建单元303、第一关联单元304、判断单元305、第二关联单元306以及图优化单元307，其中：
初始化单元301，用于在检测到SLAM跟踪丢失时，重新进行SLAM建图初始化。
本发明实施例中，可选的，对于视觉SLAM建图，初始化单元301用于重新进行SLAM建图初始化的步骤具体可以包括：
初始化单元301，用于持续通过视觉传感器采集图像帧，并对采集到的图像帧进行特征点识别；若当前图像帧满足特征点数目要求，且至少存在一个满足特征点数目要求的历史关键帧，对当前图像帧以及上述至少一个历史关键帧进行特征点匹配，其中，特征点数目要求可以设定为特征点数目大于预设阈值(如100)；若根据当前图像帧以及上述至少一个历史关键帧的匹配结果、当前图像帧的特征点深度信息以及上述至少一个历史关键帧的特征点深度信息，可以计算出当前图像帧对应的传感器位姿信息，则可视为建图初始化成功；否则，继续执行持续通过视觉传感器采集图像帧的步骤。
还可选的，对于激光SLAM建图，初始化单元301用于重新进行SLAM建图初始化的方式具体为：初始化单元301，用于通过激光雷达持续采集周围环境的点云数据，并对不同时刻的点云数据进行匹配，直至重新匹配成功，则视为SLAM建图初始化成功。
获取单元302，用于利用车辆的定位模块获取当前车辆位姿信息，并根据当前车辆位姿信息推算出车载传感器的当前传感器位姿信息，其中，车载传感器包括车载相机或者车载激光雷达。
关键帧构建单元303，用于根据当前传感器位姿信息，构建当前虚拟关键帧。
第一关联单元304，用于将当前虚拟关键帧与历史关键帧进行关联；其中，若当前虚拟关键帧为SLAM跟踪丢失之后构建的第一帧虚拟关键帧，则历史关键帧为第一子地图中的任一关键帧，其中，第一子地图为SLAM跟踪丢失之前已构建的SLAM子地图；若当前虚拟关键帧为第一帧虚拟关键帧之后构建的任一虚拟关键帧，则历史关键帧为当前时刻之前所构建的任一关键帧。
作为一种可选的实施方式，第一关联单元304用于将当前虚拟关键帧与历史关键帧进行关联的方式具体为：
第一关联单元304，用于根据当前虚拟关键帧对应的传感器位姿信息以及历史关键帧对应的传感器位姿信息，地图拼接系统将当前虚拟关键帧与历史关键帧进行关联，以利用当前虚拟关键帧对应的传感器位姿信息更新车辆的虚拟运动轨迹，并将更新后的虚拟运动轨迹与车辆的第一运动轨迹对接；其中，车辆的第一运动轨迹是基于第一子地图中所有关键帧对应的传感器位姿信息所生成的；车辆的虚拟运动轨迹由在对第一子地图的当前图像帧进行特征点追踪失败之后构建的多个虚拟关键帧组成。一般来说，历史关键帧可以为最接近当前时刻所构建的关键帧。
判断单元305，用于判断SLAM建图初始化是否成功。
第二关联单元306，用于判断单元305判定出SLAM建图初始化成功时，构建第二子地图，并利用当前虚拟关键帧对应的传感器位姿信息初始化第二子地图，以实现对第一子地图与第二子地图进行拼接。
作为一种可选的实施方式，第二关联单元306用于利用当前虚拟关键帧对应的传感器位姿信息初始化所述第二子地图的方式具体为：
第二关联单元306，用于根据当前虚拟关键帧对应的传感器位姿信息，获得初始关键帧对应的传感器位姿信息，以利用当前虚拟关键帧对应的传感器位姿信息与初始关键帧对应的传感器位姿信息将当前虚拟关键帧与第二子地图进行关联，并将更新后的虚拟运动轨迹与车辆的第二运动轨迹对接；其中，第二运动轨迹是基于第二子地图中所有关键帧对应的传感器位姿信息所生成的；初始关键帧为初始化成功后第二子地图中最先构建的关键帧。
其中，可选的，第二关联单元306用于根据当前虚拟关键帧对应的传感器位姿信息，获得初始关键帧对应的传感器位姿信息的方式具体为：
第二关联单元306，用于对当前虚拟关键帧对应的图像帧以及初始关键帧对应的图像帧进行特征点识别与匹配；以及，根据上述特征点匹配结果、每一个图像帧的特征点深度信息以及当前虚拟关键帧对应的传感器位姿信息，获得初始关键帧对应的传感器位姿信息。
图优化单元307，用于对第一子地图和第二子地图进行整体联合优化，以生成完整的SLAM地图。
获取单元302，还用于在判断单元305判定出SLAM建图初始化不成功时，利用车辆的定位模块获取当前车辆位姿信息。
可见，实施图3所描述的系统，基于已构建的SLAM子地图，在检测到SLAM跟踪丢失时，重新进行SLAM建图初始化，同时，根据获取到的车辆位姿信息推算出车载传感器的传感器位姿信息，来产生虚拟关键帧，利用虚拟关键帧将前后两次构建的SLAM子地图拼接起来，能够提高构建完整的SLAM地图的成功率，其中，车载传感器包括车载相机或者车载激光雷达，可以适用于视觉SLAM建图或者激光SLAM建图；并且，通过对各子地图进行整体联合优化，提高了拼接子地图后生成的SLAM地图的统一性和完整性；此外，在SLAM跟踪丢失时，通过采集车辆的位姿信息，还能够保证记录车辆的运动轨迹的连续性，用于辅助后续的车辆导航。
实施例四
请参阅图4，图4是本发明实施例公开的另一种SLAM地图拼接系统的结构示意图。其中，图4所示的SLAM地图拼接系统是由图3所示的SLAM地图拼接系统进行优化得到的。与图3所示的SLAM地图拼接系统相比较，图4所示的SLAM地图拼接系统还可以包括函数构建单元308和函数优化单元309，其中：
函数构建单元308，用于在获取单元302根据当前车辆位姿信息推算出车载传感器的当前传感器位姿信息之后，根据当前传感器位姿信息与在当前时刻之前构建的若干关键帧对应的传感器位姿信息，构建误差函数。
函数优化单元309，用于优化误差函数中当前传感器位姿信息的取值，使得误差函数达到最小值，以获得优化后的当前传感器位姿信息。
可选的，函数构建单元308用于构造一个最小二乘误差函数其中，r(ξ)为非线性函数，可以代表当前传感器位姿信息与当前时刻之前构建的若干关键帧对应的传感器位姿信息之间的相对位姿变化量，ξ代表虚拟关键帧对应的传感器位姿信息。函数优化单元309用于利用迭代法对函数F(ξ)进行多次迭代，求得误差函数最小化时对应的当前传感器位姿信息的取值，以作为优化后的当前传感器位姿信息；其中，迭代法可以包括牛顿迭代、列文伯格-马克尔特迭代法等。
关键帧构建单元303用于根据当前传感器位姿信息，构建当前虚拟关键帧的方式具体为：
关键帧构建单元303，用于根据优化后的当前传感器位姿信息，构建当前虚拟关键帧。
作为一种可选的实施方式，该SLAM地图拼接系统还可以包括控制单元，控制单元用于在第二关联单元306利用当前虚拟关键帧对应的传感器位姿信息初始化第二子地图之后，根据车辆的实时车辆位姿信息推算出车载传感器的实时传感器位姿信息，若检测到实时传感器位姿信息与更新后的虚拟运动轨迹中任一虚拟关键帧对应的传感器位姿信息相匹配，将更新后的虚拟运动轨迹中任一虚拟关键帧对应的位置作为目标起点，根据更新后的虚拟运动轨迹指引的路线控制车辆行驶，直至检测到车辆进入第二子地图的定位范围。
图优化单元307，包括：
第一图优化子单元3071，用于对第一子地图对应的第一位姿图进行位姿图优化，以获得优化后的第一位姿图。
第二图优化子单元3072，用于对第二子地图对应的第二位姿图进行位姿图优化，以获得优化后的第二位姿图。
整合子单元3073，用于将优化后的第一位姿图和优化后的第二位姿图进行整合，以生成完整的SLAM地图。
作为一种可选的实施方式，对于视觉SLAM建图，第一位姿图可以包括根据第一子地图中各个关键帧对应的特征点构建成的第一特征节点，以及根据各个关键帧对应的传感器位姿信息所构建的第一位姿节点。第一图优化子单元3071，具体用于利用迭代法对第一位姿图中任意两个第一位姿节点对应的相机位姿变化量，以及相应的第一位姿节点和第一特征节点之间所对应的深度观测量进行多次迭代，使得误差值最小化，以获得图优化后的第一位姿图；其中，迭代法可以包括牛顿迭代、列文伯格-马克尔特迭代法等；图优化后的第一位姿图中提供最优相机位姿，并且测量得到最优特征点深度。
类似地，作为一种可选的实施方式，对于视觉SLAM建图，第二位姿图可以包括根据第二子地图中各个关键帧对应的特征点构建成的第二特征节点，以及根据各个关键帧对应的传感器位姿信息所构建的第二位姿节点。第二图优化子单元3072，具体用于利用迭代法对第二位姿图中任意两个第二位姿节点对应的相机位姿变化量，以及相应的第二位姿节点和第二特征节点之间所对应的深度观测量进行多次迭代，使得误差值最小化，以获得图优化后的第二位姿图；其中，迭代法可以包括牛顿迭代、列文伯格-马克尔特迭代法等；图优化后的第二位姿图中提供最优相机位姿，并且测量得到最优特征点深度。
进一步地，作为一种可选的实施方式，整合子单元3073，具体用于基于图优化后的第一位姿图所提供的传感器位姿信息以及关键帧的特征点深度信息，生成图优化后的第一子地图；基于图优化后的第二位姿图所提供的传感器位姿信息以及关键帧的特征点深度信息，生成图优化后的第二子地图，以利用图优化后的第一子地图和图优化后的第二子地图更新原有的完整SLAM地图，获得图优化后的完整SLAM地图，其中，SLAM地图可以为三维地图。
再进一步地，可选的，针对第一子地图和第二子地图整合生成的完整SLAM地图，第一子地图/第二子地图可以为地图拼接系统通过深度相机采集图像帧，并且将三维点云变换到世界坐标下进行拼接和逐步叠加后构建的稠密且特征丰富的三维地图。而针对用于拼接第一子地图和第二子地图的虚拟运动轨迹所在区域，还可以在车辆沿虚拟运动轨迹移动的过程中，根据若干虚拟关键帧对应的时刻所采集到的图像帧，在完整SLAM地图上的虚拟运动轨迹所在区域建立稀疏子地图，以丰富完整SLAM地图的内容。
可见，实施图4所描述的系统，基于已构建的SLAM子地图，在检测到SLAM跟踪丢失时，重新进行SLAM建图初始化，同时，根据获取到的车辆位姿信息推算出车载传感器的传感器位姿信息，来产生虚拟关键帧，以利用虚拟关键帧将前后两次构建的SLAM子地图拼接起来，能够提高构建完整的SLAM地图的成功率，其中，车载传感器包括车载相机或者车载激光雷达，可以适用于视觉SLAM建图或者激光SLAM建图；此外，在SLAM跟踪丢失时，通过采集车辆的位姿信息，还能够保证记录车辆的运动轨迹的连续性，用于辅助后续的车辆导航；进一步地，在检测到车辆回到虚拟运动轨迹中任一虚拟关键帧对应的位置时，通过虚拟运动轨迹指引的路线控制车辆行驶，能够在未覆盖SLAM地图的区域内实现车辆的自主导航与驾驶；再进一步地，对各子地图进行融合车身里程计和视觉特征的位姿图优化，能够减少经多个图像帧累积的误差，提高构建完整SLAM地图的准确度，还能够使得车辆的虚拟运动轨迹与车辆在第一子地图中的运动轨迹之间的误差最小。
本发明实施例公开一种计算机可读存储介质，其存储计算机程序，其中，该计算机程序使得计算机执行图1～图2任意一种SLAM地图拼接方法。
本发明实施例还公开一种计算机程序产品，其中，当计算机程序产品在计算机上运行时，使得计算机执行如以上各方法实施例中的方法的部分或全部步骤。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质包括只读存储器(Read-Only Memory，ROM)、随机存储器(Random Access Memory，RAM)、可编程只读存储器(Programmable Read-only Memory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory，OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
以上对本发明实施例公开的一种SLAM地图拼接方法及系统进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种SLAM地图拼接方法，其特征在于，所述方法包括：
在检测到SLAM跟踪丢失时，重新进行SLAM建图初始化；
利用车辆的定位模块获取当前车辆位姿信息，并根据所述当前车辆位姿信息推算出车载传感器的当前传感器位姿信息；其中，所述车载传感器包括车载相机或者车载激光雷达；
根据所述当前传感器位姿信息，构建当前虚拟关键帧；
将所述当前虚拟关键帧与历史关键帧进行关联；其中，若所述当前虚拟关键帧为所述SLAM跟踪丢失之后构建的第一帧虚拟关键帧，则所述历史关键帧为第一子地图中的任一关键帧，其中，所述第一子地图为所述SLAM跟踪丢失之前已构建的SLAM子地图；若所述当前虚拟关键帧为所述第一帧虚拟关键帧之后构建的任一虚拟关键帧，则所述历史关键帧为当前时刻之前所构建的任一关键帧；
判断SLAM建图初始化是否成功；
若SLAM建图初始化成功，执行所述利用车辆的定位模块获取当前车辆位姿信息的步骤；
若SLAM建图初始化不成功，构建第二子地图，并利用所述当前虚拟关键帧对应的传感器位姿信息初始化所述第二子地图，以实现对所述第一子地图与所述第二子地图进行拼接；
对所述第一子地图和所述第二子地图进行整体联合优化，以生成完整的SLAM地图。
2.根据权利要求1所述的方法，其特征在于，所述将所述当前虚拟关键帧与历史关键帧进行关联，包括：
根据所述当前虚拟关键帧对应的传感器位姿信息以及历史关键帧对应的传感器位姿信息，将所述当前虚拟关键帧与所述历史关键帧进行关联，以利用所述当前虚拟关键帧对应的传感器位姿信息更新所述车辆的虚拟运动轨迹，并将更新后的虚拟运动轨迹与所述车辆的第一运动轨迹对接；所述车辆的第一运动轨迹是基于所述第一子地图中所有关键帧对应的传感器位姿信息所生成的；
所述利用所述当前虚拟关键帧对应的传感器位姿信息初始化所述第二子地图，包括：
根据所述当前虚拟关键帧对应的传感器位姿信息，获得初始关键帧对应的传感器位姿信息，以利用所述当前虚拟关键帧对应的传感器位姿信息与所述初始关键帧对应的传感器位姿信息将所述当前虚拟关键帧与所述第二子地图进行关联，并将所述更新后的虚拟运动轨迹与所述车辆的第二运动轨迹对接；所述第二运动轨迹是基于所述第二子地图中所有关键帧对应的传感器位姿信息所生成的；所述初始关键帧为初始化成功后所述第二子地图中最先构建的关键帧。
3.根据权利要求2所述的方法，其特征在于，在所述根据所述当前车辆位姿信息推算出车载传感器的当前传感器位姿信息之后，所述方法还包括：
根据所述车载传感器的当前传感器位姿信息与在当前时刻之前构建的若干关键帧对应的传感器位姿信息，构建误差函数；
优化所述误差函数中所述当前传感器位姿信息的取值，使得所述误差函数达到最小值，以获得优化后的当前传感器位姿信息；
所述根据所述当前传感器位姿信息，构建当前虚拟关键帧，包括：
根据所述优化后的当前传感器位姿信息，构建当前虚拟关键帧。
4.根据权利要求2或3所述的方法，其特征在于，在所述利用所述当前虚拟关键帧对应的传感器位姿信息初始化所述第二子地图之后，所述方法还包括：
根据所述车辆的实时车辆位姿信息推算出所述车载传感器的实时传感器位姿信息，若检测到所述实时传感器位姿信息与所述更新后的虚拟运动轨迹中任一虚拟关键帧对应的传感器位姿信息相匹配，将所述更新后的虚拟运动轨迹中任一虚拟关键帧对应的位置作为目标起点，根据所述更新后的虚拟运动轨迹指引的路线控制车辆行驶，直至检测到所述车辆进入所述第二子地图的定位范围。
5.根据权利要求1～4任一项所述的方法，其特征在于，所述对所述第一子地图和所述第二子地图进行整体联合优化，以生成完整的SLAM地图，包括：
对所述第一子地图对应的第一位姿图进行位姿图优化，以获得优化后的第一位姿图；
对所述第二子地图对应的第二位姿图进行位姿图优化，以获得优化后的第二位姿图；
将所述优化后的第一位姿图和所述优化后的第二位姿图进行整合，以生成完整的SLAM地图。
6.一种SLAM地图拼接系统，其特征在于，所述系统包括：
初始化单元，用于在检测到SLAM跟踪丢失时，重新进行SLAM建图初始化；
获取单元，用于利用车辆的定位模块获取当前车辆位姿信息，并根据所述当前车辆位姿信息推算出车载传感器的当前传感器位姿信息；其中，所述车载传感器包括车载相机或者车载激光雷达；
关键帧构建单元，用于根据所述当前传感器位姿信息，构建当前虚拟关键帧；
第一关联单元，用于将所述当前虚拟关键帧与历史关键帧进行关联；其中，若所述当前虚拟关键帧为所述SLAM跟踪丢失之后构建的第一帧虚拟关键帧，则所述历史关键帧为所述第一子地图中的任一关键帧，其中，所述第一子地图为所述SLAM跟踪丢失之前已构建的SLAM子地图；若所述当前虚拟关键帧为所述第一帧虚拟关键帧之后构建的任一虚拟关键帧，则所述历史关键帧为当前时刻之前所构建的任一关键帧；
判断单元，用于判断SLAM建图初始化是否成功；
第二关联单元，用于在所述判断单元判定出SLAM建图初始化成功时，构建第二子地图，并利用所述当前虚拟关键帧对应的传感器位姿信息初始化所述第二子地图，以实现对所述第一子地图与所述第二子地图进行拼接；
图优化单元，用于对所述第一子地图和所述第二子地图进行整体联合优化，以生成完整的SLAM地图；
所述获取单元，还用于在所述判断单元判定出SLAM建图初始化不成功时，利用车辆的定位模块获取当前车辆位姿信息。
7.根据权利要求6所述的系统，其特征在于，所述第一关联单元用于将所述当前虚拟关键帧与历史关键帧进行关联的方式具体为：
所述第一关联单元，用于根据所述当前虚拟关键帧对应的传感器位姿信息以及历史关键帧对应的传感器位姿信息，将所述当前虚拟关键帧与所述历史关键帧进行关联，以利用所述当前虚拟关键帧对应的传感器位姿信息更新所述车辆的虚拟运动轨迹，并将更新后的虚拟运动轨迹与所述车辆的第一运动轨迹对接；所述车辆的第一运动轨迹是基于所述第一子地图中所有关键帧对应的传感器位姿信息所生成的；
所述第二关联单元用于利用所述当前虚拟关键帧对应的传感器位姿信息初始化所述第二子地图的方式具体为：
所述第二关联单元，用于根据所述当前虚拟关键帧对应的传感器位姿信息，获得初始关键帧对应的传感器位姿信息，以利用所述当前虚拟关键帧对应的传感器位姿信息与所述初始关键帧对应的传感器位姿信息将所述当前虚拟关键帧与所述第二子地图进行关联，并将所述更新后的虚拟运动轨迹与所述车辆的第二运动轨迹对接；所述第二运动轨迹是基于所述第二子地图中所有关键帧对应的传感器位姿信息所生成的；所述初始关键帧为初始化成功后所述第二子地图中最先构建的关键帧。
8.根据权利要求7所述的系统，其特征在于，所述系统还包括：
函数构建单元，用于在所述获取单元根据所述当前车辆位姿信息推算出车载传感器的当前传感器位姿信息之后，根据所述车载传感器的当前传感器位姿信息与在当前时刻之前构建的若干关键帧对应的传感器位姿信息，构建误差函数；
函数优化单元，用于优化所述误差函数中所述当前传感器位姿信息的取值，使得所述误差函数达到最小值，以获得优化后的当前传感器位姿信息；
所述关键帧构建单元用于根据所述当前传感器位姿信息，构建当前虚拟关键帧的方式具体为：
所述关键帧构建单元，用于根据所述优化后的当前传感器位姿信息，构建当前虚拟关键帧。
9.根据权利要求7或8所述的系统，其特征在于，所述系统还包括：
控制单元，用于在所述第二关联单元利用所述当前虚拟关键帧对应的传感器位姿信息初始化所述第二子地图之后，根据所述车辆的实时车辆位姿信息推算出所述车载相机的实时传感器位姿信息，若检测到所述实时传感器位姿信息与所述更新后的虚拟运动轨迹中任一虚拟关键帧对应的传感器位姿信息相匹配，将所述更新后的虚拟运动轨迹中任一虚拟关键帧对应的位置作为目标起点，根据所述更新后的虚拟运动轨迹指引的路线控制车辆行驶，直至检测到所述车辆进入所述第二子地图的定位范围。
10.根据权利要求6～9任一项所述的系统，其特征在于，所述图优化单元，包括：
第一图优化子单元，用于对所述第一子地图对应的第一位姿图进行位姿图优化，以获得优化后的第一位姿图；
第二图优化子单元，用于对所述第二子地图对应的第二位姿图进行位姿图优化，以获得优化后的第二位姿图；
整合子单元，用于将所述优化后的第一位姿图和所述优化后的第二位姿图进行整合，以生成完整的SLAM地图。
CN201910102625.1A 2019-02-01 2019-02-01 一种slam地图拼接方法及系统 Active CN109887053B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201910102625.1A CN109887053B (zh) 2019-02-01 2019-02-01 一种slam地图拼接方法及系统
PCT/CN2019/093531 WO2020155543A1 (zh) 2019-02-01 2019-06-28 一种slam地图拼接方法及系统
EP19913891.8A EP3886048B1 (en) 2019-02-01 2019-06-28 Slam map joining method and system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910102625.1A CN109887053B (zh) 2019-02-01 2019-02-01 一种slam地图拼接方法及系统

Publications (2)

Publication Number Publication Date
CN109887053A true CN109887053A (zh) 2019-06-14
CN109887053B CN109887053B (zh) 2020-10-20

Family

ID=66927779

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910102625.1A Active CN109887053B (zh) 2019-02-01 2019-02-01 一种slam地图拼接方法及系统

Country Status (3)

Country Link
EP (1) EP3886048B1 (zh)
CN (1) CN109887053B (zh)
WO (1) WO2020155543A1 (zh)

Cited By (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110533587A (zh) * 2019-07-03 2019-12-03 浙江工业大学 一种基于视觉先验信息和地图恢复的slam方法
CN110645998A (zh) * 2019-09-10 2020-01-03 上海交通大学 一种基于激光点云的无动态物体地图分段建立方法
CN110825832A (zh) * 2019-11-07 2020-02-21 深圳创维数字技术有限公司 Slam地图更新方法、装置及计算机可读存储介质
CN111161347A (zh) * 2020-04-01 2020-05-15 亮风台（上海）信息科技有限公司 一种进行slam初始化的方法与设备
CN111339228A (zh) * 2020-02-18 2020-06-26 Oppo广东移动通信有限公司 一种地图更新方法、设备、云服务器和存储介质
CN111427061A (zh) * 2020-06-15 2020-07-17 北京云迹科技有限公司 一种机器人建图方法、装置，机器人及存储介质
CN111461982A (zh) * 2020-03-30 2020-07-28 北京百度网讯科技有限公司 用于拼接点云的方法和装置
CN111462072A (zh) * 2020-03-30 2020-07-28 北京百度网讯科技有限公司 点云图质量检测方法、装置以及电子设备
WO2020155543A1 (zh) * 2019-02-01 2020-08-06 广州小鹏汽车科技有限公司 一种slam地图拼接方法及系统
CN111784798A (zh) * 2020-06-30 2020-10-16 滴图(北京)科技有限公司 地图生成方法、装置、电子设备和存储介质
CN111784835A (zh) * 2020-06-28 2020-10-16 北京百度网讯科技有限公司 制图方法、装置、电子设备及可读存储介质
CN111999740A (zh) * 2020-07-17 2020-11-27 中国南方电网有限责任公司超高压输电公司广州局 无人机载激光雷达数据获取方法、系统、装置以及介质
CN112116654A (zh) * 2019-06-20 2020-12-22 杭州海康威视数字技术股份有限公司 一种车辆位姿确定方法、装置及电子设备
CN112132745A (zh) * 2019-06-25 2020-12-25 南京航空航天大学 一种基于地理信息的多子地图拼接特征融合方法
CN112233180A (zh) * 2020-10-23 2021-01-15 上海影谱科技有限公司 基于地图的slam快速初始化方法、装置和电子设备
CN112539755A (zh) * 2019-11-22 2021-03-23 百度（美国）有限责任公司 用于自主车辆的基于admm算法的更新点云配准管线
CN112581514A (zh) * 2019-09-30 2021-03-30 浙江商汤科技开发有限公司 一种地图构建方法及装置、存储介质
CN112785700A (zh) * 2019-11-08 2021-05-11 华为技术有限公司 虚拟物体显示方法、全局地图更新方法以及设备
CN113030960A (zh) * 2021-04-06 2021-06-25 陕西国防工业职业技术学院 一种基于单目视觉slam的车辆定位方法
CN113034687A (zh) * 2021-03-29 2021-06-25 重庆智行者信息科技有限公司 一种用于大型场景的实时栅格地图生成方法
CN113252051A (zh) * 2020-02-11 2021-08-13 北京图森智途科技有限公司 一种地图构建方法及装置
CN113674351A (zh) * 2021-07-27 2021-11-19 追觅创新科技(苏州)有限公司 一种机器人的建图方法及机器人
WO2021253430A1 (zh) * 2020-06-19 2021-12-23 深圳市大疆创新科技有限公司 绝对位姿确定方法、电子设备及可移动平台
WO2022016320A1 (zh) * 2020-07-20 2022-01-27 深圳元戎启行科技有限公司 地图更新方法、装置、计算机设备和存储介质
CN114279456A (zh) * 2021-12-06 2022-04-05 纵目科技（上海）股份有限公司 图片构建/车辆定位方法、系统、终端及计算机存储介质
CN115965682A (zh) * 2022-12-16 2023-04-14 镁佳(北京)科技有限公司 一种车辆可通行区域确定方法、装置及计算机设备

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111986261B (zh) * 2020-08-13 2023-08-18 清华大学苏州汽车研究院（吴江） 一种车辆定位方法、装置、电子设备及存储介质
CN112541970A (zh) * 2020-11-30 2021-03-23 北京华捷艾米科技有限公司 一种集中式协同SlAM中的重定位方法及装置
CN113008223B (zh) * 2021-03-03 2022-10-28 哈尔滨工程大学 基于粒子滤波与图优化的海底地形同步定位与建图方法
CN113537171B (zh) * 2021-09-16 2021-12-21 北京易航远智科技有限公司 一种slam地图的划分方法
CN114088081B (zh) * 2021-10-10 2024-05-28 北京工业大学 一种基于多段联合优化的用于精确定位的地图构建方法
CN115267796B (zh) * 2022-08-17 2024-04-09 深圳市普渡科技有限公司 定位方法、装置、机器人和存储介质
CN115128655B (zh) * 2022-08-31 2022-12-02 智道网联科技(北京)有限公司 自动驾驶车辆的定位方法和装置、电子设备和存储介质
CN116592869B (zh) * 2023-04-13 2024-05-03 广州汽车集团股份有限公司 地图的更新方法、装置、电子设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104537709A (zh) * 2014-12-15 2015-04-22 西北工业大学 一种基于位姿变化的实时三维重建关键帧确定方法
US20150234477A1 (en) * 2013-07-12 2015-08-20 Magic Leap, Inc. Method and system for determining user input based on gesture
CN105953785A (zh) * 2016-04-15 2016-09-21 青岛克路德机器人有限公司 机器人室内自主导航的地图表示方法
CN106570913A (zh) * 2016-11-04 2017-04-19 上海玄彩美科网络科技有限公司 基于特征的单目slam快速初始化方法
CN106803270A (zh) * 2017-01-13 2017-06-06 西北工业大学深圳研究院 无人机平台基于单目slam的多关键帧协同地面目标定位方法
CN108648240A (zh) * 2018-05-11 2018-10-12 东南大学 基于点云特征地图配准的无重叠视场相机姿态标定方法
CN108759844A (zh) * 2018-06-07 2018-11-06 科沃斯商用机器人有限公司 机器人重定位与环境地图构建方法、机器人及存储介质
CN109118940A (zh) * 2018-09-14 2019-01-01 杭州国辰机器人科技有限公司 一种基于地图拼接的移动机器人构图

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9766074B2 (en) * 2008-03-28 2017-09-19 Regents Of The University Of Minnesota Vision-aided inertial navigation
US20150103183A1 (en) * 2013-10-10 2015-04-16 Nvidia Corporation Method and apparatus for device orientation tracking using a visual gyroscope
US10185775B2 (en) * 2014-12-19 2019-01-22 Qualcomm Technologies, Inc. Scalable 3D mapping system
CN105783913A (zh) * 2016-03-08 2016-07-20 中山大学 一种融合车载多传感器的slam装置及其控制方法
CN107515891A (zh) * 2017-07-06 2017-12-26 杭州南江机器人股份有限公司 一种机器人地图制作方法、装置和存储介质
CN109887053B (zh) * 2019-02-01 2020-10-20 广州小鹏汽车科技有限公司 一种slam地图拼接方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150234477A1 (en) * 2013-07-12 2015-08-20 Magic Leap, Inc. Method and system for determining user input based on gesture
CN104537709A (zh) * 2014-12-15 2015-04-22 西北工业大学 一种基于位姿变化的实时三维重建关键帧确定方法
CN105953785A (zh) * 2016-04-15 2016-09-21 青岛克路德机器人有限公司 机器人室内自主导航的地图表示方法
CN106570913A (zh) * 2016-11-04 2017-04-19 上海玄彩美科网络科技有限公司 基于特征的单目slam快速初始化方法
CN106803270A (zh) * 2017-01-13 2017-06-06 西北工业大学深圳研究院 无人机平台基于单目slam的多关键帧协同地面目标定位方法
CN108648240A (zh) * 2018-05-11 2018-10-12 东南大学 基于点云特征地图配准的无重叠视场相机姿态标定方法
CN108759844A (zh) * 2018-06-07 2018-11-06 科沃斯商用机器人有限公司 机器人重定位与环境地图构建方法、机器人及存储介质
CN109118940A (zh) * 2018-09-14 2019-01-01 杭州国辰机器人科技有限公司 一种基于地图拼接的移动机器人构图

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张剑华等: "单目同时定位与见图中的地图恢复融合技术", 《中国图像图形学报》 *

Cited By (43)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020155543A1 (zh) * 2019-02-01 2020-08-06 广州小鹏汽车科技有限公司 一种slam地图拼接方法及系统
CN112116654B (zh) * 2019-06-20 2024-06-07 杭州海康威视数字技术股份有限公司 一种车辆位姿确定方法、装置及电子设备
CN112116654A (zh) * 2019-06-20 2020-12-22 杭州海康威视数字技术股份有限公司 一种车辆位姿确定方法、装置及电子设备
CN112132745B (zh) * 2019-06-25 2022-01-04 南京航空航天大学 一种基于地理信息的多子地图拼接特征融合方法
CN112132745A (zh) * 2019-06-25 2020-12-25 南京航空航天大学 一种基于地理信息的多子地图拼接特征融合方法
CN110533587A (zh) * 2019-07-03 2019-12-03 浙江工业大学 一种基于视觉先验信息和地图恢复的slam方法
CN110533587B (zh) * 2019-07-03 2023-06-13 浙江工业大学 一种基于视觉先验信息和地图恢复的slam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
CN110645998A (zh) * 2019-09-10 2020-01-03 上海交通大学 一种基于激光点云的无动态物体地图分段建立方法
CN112581514A (zh) * 2019-09-30 2021-03-30 浙江商汤科技开发有限公司 一种地图构建方法及装置、存储介质
CN110825832A (zh) * 2019-11-07 2020-02-21 深圳创维数字技术有限公司 Slam地图更新方法、装置及计算机可读存储介质
CN110825832B (zh) * 2019-11-07 2022-08-19 深圳创维数字技术有限公司 Slam地图更新方法、装置及计算机可读存储介质
CN112785700A (zh) * 2019-11-08 2021-05-11 华为技术有限公司 虚拟物体显示方法、全局地图更新方法以及设备
CN112539755A (zh) * 2019-11-22 2021-03-23 百度（美国）有限责任公司 用于自主车辆的基于admm算法的更新点云配准管线
CN112539755B (zh) * 2019-11-22 2024-04-09 百度（美国）有限责任公司 用于自主车辆的基于admm算法的更新点云配准管线
CN113252051A (zh) * 2020-02-11 2021-08-13 北京图森智途科技有限公司 一种地图构建方法及装置
CN111339228A (zh) * 2020-02-18 2020-06-26 Oppo广东移动通信有限公司 一种地图更新方法、设备、云服务器和存储介质
CN111339228B (zh) * 2020-02-18 2023-08-11 Oppo广东移动通信有限公司 一种地图更新方法、设备、云服务器和存储介质
CN111462072A (zh) * 2020-03-30 2020-07-28 北京百度网讯科技有限公司 点云图质量检测方法、装置以及电子设备
CN111462072B (zh) * 2020-03-30 2023-08-29 北京百度网讯科技有限公司 点云图质量检测方法、装置以及电子设备
CN111461982B (zh) * 2020-03-30 2023-09-22 北京百度网讯科技有限公司 用于拼接点云的方法和装置
CN111461982A (zh) * 2020-03-30 2020-07-28 北京百度网讯科技有限公司 用于拼接点云的方法和装置
CN111161347B (zh) * 2020-04-01 2020-09-29 亮风台（上海）信息科技有限公司 一种进行slam初始化的方法与设备
CN111161347A (zh) * 2020-04-01 2020-05-15 亮风台（上海）信息科技有限公司 一种进行slam初始化的方法与设备
CN111427061A (zh) * 2020-06-15 2020-07-17 北京云迹科技有限公司 一种机器人建图方法、装置，机器人及存储介质
WO2021253430A1 (zh) * 2020-06-19 2021-12-23 深圳市大疆创新科技有限公司 绝对位姿确定方法、电子设备及可移动平台
CN111784835A (zh) * 2020-06-28 2020-10-16 北京百度网讯科技有限公司 制图方法、装置、电子设备及可读存储介质
CN111784835B (zh) * 2020-06-28 2024-04-12 北京百度网讯科技有限公司 制图方法、装置、电子设备及可读存储介质
CN111784798A (zh) * 2020-06-30 2020-10-16 滴图(北京)科技有限公司 地图生成方法、装置、电子设备和存储介质
CN111784798B (zh) * 2020-06-30 2021-04-09 滴图(北京)科技有限公司 地图生成方法、装置、电子设备和存储介质
CN111999740A (zh) * 2020-07-17 2020-11-27 中国南方电网有限责任公司超高压输电公司广州局 无人机载激光雷达数据获取方法、系统、装置以及介质
WO2022016320A1 (zh) * 2020-07-20 2022-01-27 深圳元戎启行科技有限公司 地图更新方法、装置、计算机设备和存储介质
CN112233180A (zh) * 2020-10-23 2021-01-15 上海影谱科技有限公司 基于地图的slam快速初始化方法、装置和电子设备
CN112233180B (zh) * 2020-10-23 2024-03-15 上海影谱科技有限公司 基于地图的slam快速初始化方法、装置和电子设备
CN113034687A (zh) * 2021-03-29 2021-06-25 重庆智行者信息科技有限公司 一种用于大型场景的实时栅格地图生成方法
CN113034687B (zh) * 2021-03-29 2024-04-16 北京智行者科技股份有限公司 一种用于大型场景的实时栅格地图生成方法
CN113030960A (zh) * 2021-04-06 2021-06-25 陕西国防工业职业技术学院 一种基于单目视觉slam的车辆定位方法
CN113674351B (zh) * 2021-07-27 2023-08-08 追觅创新科技(苏州)有限公司 一种机器人的建图方法及机器人
CN113674351A (zh) * 2021-07-27 2021-11-19 追觅创新科技(苏州)有限公司 一种机器人的建图方法及机器人
CN114279456A (zh) * 2021-12-06 2022-04-05 纵目科技（上海）股份有限公司 图片构建/车辆定位方法、系统、终端及计算机存储介质
CN114279456B (zh) * 2021-12-06 2024-04-30 纵目科技（上海）股份有限公司 图片构建/车辆定位方法、系统、终端及计算机存储介质
CN115965682A (zh) * 2022-12-16 2023-04-14 镁佳(北京)科技有限公司 一种车辆可通行区域确定方法、装置及计算机设备
CN115965682B (zh) * 2022-12-16 2023-09-01 镁佳(北京)科技有限公司 一种车辆可通行区域确定方法、装置及计算机设备

Also Published As

Publication number Publication date
CN109887053B (zh) 2020-10-20
EP3886048A4 (en) 2022-03-02
EP3886048C0 (en) 2024-02-21
EP3886048A1 (en) 2021-09-29
WO2020155543A1 (zh) 2020-08-06
EP3886048B1 (en) 2024-02-21

Similar Documents

Publication Publication Date Title
CN109887053A (zh) 一种slam地图拼接方法及系统
CN110312912B (zh) 车辆自动停车系统和方法
CN111788102B (zh) 用于跟踪交通灯的里程计系统和方法
CN103869814B (zh) 一种终端定位和导航方法以及可移动的终端
CN103954275B (zh) 基于车道线检测和gis地图信息开发的视觉导航方法
CN109767475A (zh) 一种传感器的外部参数标定方法及系统
KR101807484B1 (ko) 객체 및 시스템 특성에 기반한 확률 분포 지도 작성 장치 및 그 방법
CN109887087A (zh) 一种车辆的slam建图方法及系统
CN109084732A (zh) 定位与导航方法、装置及处理设备
CN109887032A (zh) 一种基于单目视觉slam的车辆定位方法及系统
CN107167826B (zh) 一种自动驾驶中基于可变网格的图像特征检测的车辆纵向定位系统及方法
US11560160B2 (en) Information processing apparatus
CN109887033A (zh) 定位方法及装置
CN110146909A (zh) 一种定位数据处理方法
CN109949609A (zh) 一种车辆的定位修正方法及系统、车辆
JP7245084B2 (ja) 自動運転システム
CN109443348A (zh) 一种基于环视视觉和惯导融合的地下车库库位跟踪方法
CN104077809A (zh) 基于结构性线条的视觉slam方法
EP3799618B1 (en) Method of navigating a vehicle and system thereof
CN208323361U (zh) 一种基于深度视觉的定位装置及机器人
CN111239763A (zh) 对象的定位方法、装置、存储介质和处理器
CN114248778A (zh) 移动设备的定位方法和定位装置
JPWO2004048895A1 (ja) 移動体ナビゲート情報表示方法および移動体ナビゲート情報表示装置
WO2022193193A1 (zh) 数据处理方法和设备
JPH04205320A (ja) 移動路データに対する評価方法

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
CB02 Change of applicant information

Address after: 510000 No.8 Songgang street, Cencun, Tianhe District, Guangzhou City, Guangdong Province

Applicant after: GUANGZHOU XPENG AUTOMOBILE TECHNOLOGY Co.,Ltd.

Address before: 510555 245, room nine, Jianshe Road 333, Guangzhou knowledge city, Guangzhou, Guangdong.

Applicant before: GUANGZHOU XPENG AUTOMOBILE TECHNOLOGY Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20190614

Assignee: Zhaoqing Xiaopeng New Energy Investment Co.,Ltd.

Assignor: GUANGZHOU XPENG AUTOMOBILE TECHNOLOGY Co.,Ltd.

Contract record no.: X2021440000002

Denomination of invention: A method and system of slam map mosaic

Granted publication date: 20201020

License type: Common License

Record date: 20210104

EE01 Entry into force of recordation of patent licensing contract