CN110006432A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN110006432A CN110006432A CN201910301095.3A CN201910301095A CN110006432A CN 110006432 A CN110006432 A CN 110006432A CN 201910301095 A CN201910301095 A CN 201910301095A CN 110006432 A CN110006432 A CN 110006432A
- Authority
- CN
- China
- Prior art keywords
- point
- region
- geometry
- distance
- information
- 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
- 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
Abstract
本发明属于机器人技术领域,具体涉及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,其无需人的协助可直接根据环境信息辅助粒子滤波算法进行快速定位,并且根据SLAM模块给出的定位合并重复的地图信息并添加新的地图信息,最终可以形成一个包含着几何结构信息的几何特征地图。该快速重定位方法鲁棒性高,实时性好,能够有效解决大地图之下室内机器人无法快速重新定位以及定位困难的问题。
Description
技术领域
本发明属于机器人技术领域,具体涉及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。
背景技术
基于环境地图更新的导航是利用机器人自身的传感器不断更新环境地图从而对机器人的导航提供依据;而完全未知的导航是机器人处在实时变化的环境中,无法通过明确的地图来确定环境信息,因此只能依靠传感器的信息为机器人的行为提供依据。在缺乏外部参考的情况下(如GPS(室内不可用),基站(需要提前布置)),机器人的行走的可以同时构建地图和定位(SLAM技术),这个时候的定位信息相对准确。而当地图构建完成后,业界的通用做法是载入一个已经建好的地图,重新定位机器人在地图上的位置在获得精确的(地图上的)位置之后,开始进一步的动作。同时,在环境发生一些变化或者机器人对环境的感知传感器被容易误导的环境误导时,机器人可能在运行的过程中丢失自己的位置信息。在这两个情况下,机器人需要准确的获得自己的位置信息,这一过程被称为重定位。
现有技术中主要的方法还是基于概率密度的方法,基于概率估计的方法的基础主要是基于贝叶斯估计的方法,分为卡尔曼滤波的方法和粒子滤波的方法。卡尔曼滤波器的方法是假设状态噪声和观测噪声为高斯分布的情况下,通过系统输入输出观测数据,对系统状态进行最优估计。相比之下,粒子滤波算法有着比卡尔曼滤波算法有着更好的准确性和鲁棒性,能够适用于非高斯、非线性、后验密度函数未知的场合。这两者都有比较多的应用,但是都具有比较明显的缺点:1)关于卡尔曼滤波:随地标增加,计算量和存储量显著增长;实时性随地标数增加而变差;数据关联问题难以解决。非线性化的假设需要采用泰勒展开来进行局部线性化估计导致精度存在一定的问题。2)粒子滤波最主要的问题是需要用大量的样本数量才能很好地近似系统的后验概率密度。机器人面临的环境越复杂,描述后验概率分布所需要的样本数量就越多,算法的复杂度就越高。譬如ROS系统中默认带的AMCL算法(基于粒子滤波的自适应全局定位算法),开始时的假设需要将粒子均匀的散落在空间之中,如果遇到地图比较大的情况就会出现收敛时间比较长的问题。一般来说需要人员辅助给予一个粗略的位置辅助定位,无法做到完全自主的快速定位。
发明内容
为了解决现有技术中存在的技术缺陷,本发明提出了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,其无需人的协助可直接根据环境信息辅助粒子滤波算法进行快速定位,并且鲁棒性高,实时性好,解决大地图之下室内机器人无法快速重新定位以及定位困难的问题。
本发明通过以下技术方案实现:
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,包括如下步骤:
(1)提取环境几何特征,通过激光雷达对环境信息进行感知,按照一定的采样频率将离散化的点云数据信息收集起来;
(2)环境结构化信息分块,以测量开始的第一个点为待处理的第一个点,依次计算顺序测得的两个点之间的距离并根据距离值进行区域分块,直至处理到周期测量的最后一个点;
(3)基于几何先验信息进行重定位,将分块后的环境结构化信息与几何地图进行匹配,获得粗匹配点,基于粗匹配点和点云数据进行重定位。
进一步地,所述激光雷达安装在机器人上。
进一步地,在所述步骤(2)中,进一步包括如下步骤:
(a)计算两个连续测量点之间的距离;
(b)计算分块,设定动态阈值,如果上述两个连续测量点之间的距离大于所述动态阈值,则认定这两个点是不连续的,以这个点为分割点,将这个点分割成和前一个点所在区域不同的区域;
(c)判断每个区域内的测量点的个数是否少于预设值,如果是,将该区域的测量点放弃;
(d)判断所有的区域块中的第一个点与前一个区域块中的最后一个点的距离是否小于所述阈值,如果是,则将后一个区域块和前一个区域块进行合并;
(e)预先设定一个最大偏离阈值,并基于最小二乘拟合算法和所述阈值对步骤(d)中区域块继续分割,形成一个统计线性区域M;
(f)对步骤(e)中获得的区域M采用最小二乘法拟合为直线。
进一步地,在所述步骤(a)中,计算两个连续测量点之间的距离的公式为:
其中jmax为激光雷达在圆周360°内的最多可见点数。
进一步地,在所述步骤(e)中,进一步包括,采用最小二乘拟合算法对区域块继续分割,预先设定一个最大偏离值的阈值,步骤如下:
S1:在区域Qi中,j=区域中第一个点Ps,k=区域中最后一个点Pc,其中i为区域的编号;
S2:经过j点和k点做一条直线Lj,k;
S3:从j+1点开始寻找,判断是否有到直线Lj,k的距离大于阈值的点;若是,k=距离大于阈值且到直线距离最大的点,返回步骤S2;否则进入步骤S4;
S4:j到k的点形成一个统计线性区域M;
S5:判断j是否为Pc;若否,j=k+1为新的起点,k=Pc,返回步骤S2;若是,流程结束。
进一步地,将上述拟合为直线的区域几何结构信息保存在机器人存储器中。
进一步地,机器人不断重复执行上述步骤(1)-(2),并根据SLAM模块给出的定位合并重复的地图信息且添加新的地图信息,最终可以形成一个包含着几何结构信息的几何特征地图。
进一步地,在所述步骤(3)中,进一步包括步骤:
(3.1)机器人到达一个新的环境中,先旋转一周,获取周围的所述分块后的环境结构信息,并且采用区域分割的方式将其归一化到多条直线的状态;
(3.2)将机器人周围的所述分块后的环境结构化信息与几何地图进行匹配,获得粗匹配点;
(3.3)将所述点云数据散落在粗匹配点之上,利用粒子滤波来进行重定位。
进一步地,在步骤(3.2)中,所述的匹配为非精确匹配。
本发明还包括一种非易失性存储介质,其包括一条或多条计算机指令,所述一条或多条计算机指令在执行时实现上述的快速重定位的方法。
与现有技术相比,本发明至少具有下述的有益效果或优点:
1)无需依靠外接传感器,只依靠本身就存在的激光雷达即可实现。
2)结合几何地图进行匹配,但是花费时间并不会显著增多。但是重定位速度会有显著提高,在越大的地图上显示的会越明显。
3)实现方法相对简单,后续也可与基于图优化的SLAM算法相结合。
4)无需人员给予初始位姿,可以自行重定位。
5)增加了一个几何地图进行辅助定位,地图信息量更大,增强了机器人导航系统的鲁棒性。
附图说明
以下将结合附图对本发明做进一步详细说明;
图1为本发明的基于最小二乘拟合的分割方法流程图。
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。
本发明基于几何先验信息下的室内机器人快速重定位的方法,步骤如下:
1、关于环境几何特征的提取的说明:
机器人身上装有比较高精度的2D激光雷达,该激光雷达可以对环境信息进行感知,按照一定的采样频率将离散化的点云信息收集起来。由于本提案适用于室内的机器人,室内机器人的激光雷达安装位置一般处于相对较低的平面,再结合室内的环境的特征,因此结构化信息比较明显。
但是本提案中提到的几何特征以及几何特征组成的环境地图并不意味着传统意义上精度比较高的几何特征地图。因为传统的几何特征地图需要全局地图和局部地图的统一性,对传感器的一致性要求比较高,因此实现的条件比较苛刻。本提案中提及的几何特征地图只包含点线的组合以及相对关系,对于和栅格地图的对应不做强要求。
2、环境结构化信息分块,通过坐标转换,可以得到雷达顺时针旋转一周测得的点云数据的直角坐标。以测量开始的第一个点为待处理的第一个点,依次计算顺序测得的两个点之间的距离并根据距离值进行区域分块,直至处理到周期测量的最后一个点。具体的处理方法如下:
(a)计算两个连续测量点之间的距离
其中jmax为激光雷达在圆周360°内的最多可见点数。
(b)计算分块,设定动态阈值,如果大于设定好的动态阈值,则认定这两个点是不连续的,以这个点为分割点,将这个点分割成和前一个点所在区域不同的区域。
由于激光雷达中心到被照射物的距离大小不同,连续的相邻的扫描点的距离也随之变化。通常,距离雷达中心近的测量点的密度会大一些,距离雷达中心远的测量点的密度会小一些,因此需要采用动态阈值来进行分块,从而取得比较精确的分块结果因此动态阈值的大小由激光雷达的测量距离和精度相关。
(c)判断每个区域内的扫描点的个数,当扫描点的个数少于一定的值时,便视这个区域内的点为噪声点(因为比较短,很容易误判),将该区域的扫描点放弃。
(d)在将一次360°扫描数据按照点距阈值分成不同的区块以后,在实际情况中经常遇到测量噪声导致原本连续的直线特征的扫描点不连续,因此分块以后还应该检查所有的区块中的第一个点与前一个区块中的最后一个点的距离是否小于阈值。如果是,则将后一个区块和前一个区块进行合并。同时,一次完整的扫描的头尾部分可能存在融合的问题,因此会导致重复计算的情况,因此仍需比较首尾两区域的首末点,如果低于阈值则合并。
(e)经过(d)的操作,环境信息被分割成各个区域,但是各个区域之间是存在差别的,分别由一条到多条线段组成,因此还要继续将(d)中的区域继续分割。分割的方法可以采用最小二乘拟合的思想,设定一个最大偏离值的阈值。首先将区域的首末点带入方程,计算区域内是否有点超出最大偏离值,如果没有则整个区域可以成为一条直线否则取第一个偏离点开始分段拟合。重复以上步骤直至所有的点都已经被纳入到直线的体系。其过程的流程如图1所示,包括步骤:
S1:在区域Qi中,j=Ps(区域中第一个点),k=Pc(区域中最后一个点),其中i为区域的编号;
S2:经过j点和k点做一条直线Lj,k;
S3:从j+1点开始寻找,判断是否有到直线Lj,k的距离大于阈值的点;若是,k=距离大于阈值且到直线距离最大的点,返回步骤S2;否则进入步骤S4;
S4:j到k的点形成一个统计线性区域M;所述线性统计区域M为包含单条直线的点云区域。
S5:判断j是否为Pc;若否,j=k+1为新的起点,k=Pc,返回步骤S2;若是,流程结束;
(f)对于结果M则采用最小二乘的办法拟合为直线。
经过以上步骤,机器人的存储器中包含了一段区域的几何结构信息并且已经解构为直线。在机器人重复的过程中不断重复上述动作,并且根据SLAM模块给出的定位合并重复的地图信息并添加新的地图信息,最终可以形成一个包含着几何结构信息的几何特征地图。该地图由于简化处理故而没有全局栅格地图的精度因此无法用于精确定位,但是可以用来做辅助定位。
3、基于先验几何信息的重定位:
(a)机器人到达一个陌生的环境中,首先可以旋转一周,获取周围的环境结构信息,并且采用区域分割的方式将其归一化到多条直线的状态。
(b)将机器人周围的环境结构信息与几何地图进行匹配。注意,此时的匹配并非精确匹配。因为精确匹配所消耗的时间比较多,同时icp等经典算法对初始值比较敏感,很容易在多次迭代后陷入到局部最优点。而重定位时恰恰时不会给予比较好的初始点。因此此时的匹配只是将周围环境信息与已经保存的环境信息进行粗略匹配,适当放宽阈值则可以得到少量粗匹配点。
(c)将粒子滤波的初始点云散落在粗匹配点之上,开始利用粒子滤波来进行重定位。因为已经给定了几个甚至是一个初始点,粒子滤波的收敛会比较迅速,因此达到快速重定位的效果。
本发明还提供了一种非易失性存储介质,其包括一条或多条计算机指令,所述一条或多条计算机指令在执行时实现上述快速重定位方法。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围。在不脱离本发明之精神和范围内,所做的任何修改、等同替换、改进等,同样属于本发明的保护范围之内。
Claims (10)
1.一种基于几何先验信息下的室内机器人快速重定位的方法,其特征在于,包括如下步骤:
(1)提取环境几何特征,通过激光雷达对环境信息进行感知,按照一定的采样频率将离散化的点云数据信息收集起来;
(2)环境结构化信息分块,以测量开始的第一个点为待处理的第一个点,依次计算顺序测得的两个点之间的距离并根据距离值进行区域分块,直至处理到周期测量的最后一个点;
(3)基于几何先验信息进行重定位,将分块后的环境结构化信息与几何地图进行匹配,获得粗匹配点,基于粗匹配点和点云数据进行重定位。
2.根据权利要求1所述的基于几何先验信息下的室内机器人快速重定位的方法,其特征在于,所述激光雷达安装在机器人上。
3.根据权利要求1所述的基于几何先验信息下的室内机器人快速重定位的方法,其特征在于,在所述步骤(2)中,进一步包括如下步骤:
(a)计算两个连续测量点之间的距离;
(b)计算分块,设定动态阈值,如果上述两个连续测量点之间的距离大于所述动态阈值,则认定这两个点是不连续的,以这个点为分割点,将这个点分割成和前一个点所在区域不同的区域;
(c)判断每个区域内的测量点的个数是否少于预设值,如果是,将该区域的测量点放弃;
(d)判断所有的区域块中的第一个点与前一个区域块中的最后一个点的距离是否小于所述阈值,如果是,则将后一个区域块和前一个区域块进行合并;
(e)预先设定一个最大偏离阈值,并基于最小二乘拟合和所述阈值对步骤(d)中区域块继续分割,形成一个统计线性区域M;
(f)对步骤(e)中获得的区域M采用最小二乘法拟合为直线。
4.根据权利要求3所述的基于几何先验信息下的室内机器人快速重定位的方法,其特征在于,在所述步骤(a)中,计算两个连续测量点之间的距离的公式为:
其中jmax为激光雷达在圆周360°内的最多可见点数。
5.根据权利要求4所述的基于几何先验信息下的室内机器人快速重定位的方法,其特征在于,在所述步骤(e)中,进一步包括,采用最小二乘拟合算法对区域块继续分割,预先设定一个最大偏离值的阈值,步骤如下:
S1:在区域Qi中,j=区域中第一个点Ps,k=区域中最后一个点Pc,其中i为区域的编号;
S2:经过j点和k点做一条直线Lj,k;
S3:从j+1点开始寻找,判断是否有到直线Lj,k的距离大于阈值的点;若是,k=距离大于阈值且到直线距离最大的点,返回步骤S2;否则进入步骤S4;
S4:j到k的点形成一个统计线性区域M;
S5:判断j是否为Pc;若否,j=k+1为新的起点,k=Pc,返回步骤S2;若是,流程结束。
6.根据权利要求5所述的基于几何先验信息下的室内机器人快速重定位的方法,其特征在于,将上述拟合为直线的区域几何结构信息保存在机器人存储器中。
7.根据权利要求6所述的基于几何先验信息下的室内机器人快速重定位的方法,其特征在于,机器人不断重复执行上述步骤(1)-(2),并根据SLAM模块给出的定位合并重复的地图信息且添加新的地图信息,最终可以形成一个包含着几何结构信息的几何特征地图。
8.根据权利要求1所述的基于几何先验信息下的室内机器人快速重定位的方法,其特征在于,在所述步骤(3)中,进一步包括步骤:
(3.1)机器人到达一个新的环境中,先旋转一周,获取周围的所述分块后的环境结构信息,并且采用区域分割的方式将其归一化到多条直线的状态;
(3.2)将机器人周围的所述分块后的环境结构化信息与几何地图进行匹配,获得粗匹配点;
(3.3)将所述的点云数据散落在粗匹配点之上,利用粒子滤波来进行重定位。
9.根据权利要求8所述的基于几何先验信息下的室内机器人快速重定位的方法,其特征在于,在步骤(3.2)中,所述的匹配为非精确匹配。
10.一种非易失性存储介质,其特征在于,包括一条或多条计算机指令,所述一条或多条计算机指令在执行时实现上述权利要求1-9任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910301095.3A CN110006432B (zh) | 2019-04-15 | 2019-04-15 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910301095.3A CN110006432B (zh) | 2019-04-15 | 2019-04-15 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110006432A true CN110006432A (zh) | 2019-07-12 |
CN110006432B CN110006432B (zh) | 2021-02-02 |
Family
ID=67171995
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910301095.3A Active CN110006432B (zh) | 2019-04-15 | 2019-04-15 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110006432B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111077495A (zh) * | 2019-12-10 | 2020-04-28 | 亿嘉和科技股份有限公司 | 一种基于三维激光的定位恢复方法 |
CN111998846A (zh) * | 2020-07-24 | 2020-11-27 | 中山大学 | 基于环境几何与拓扑特征的无人系统快速重定位方法 |
CN113552586A (zh) * | 2020-04-08 | 2021-10-26 | 杭州萤石软件有限公司 | 一种移动机器人的定位方法和移动机器人 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104180799A (zh) * | 2014-07-15 | 2014-12-03 | 东北大学 | 一种基于自适应蒙特卡罗定位的机器人定位方法 |
CN106940186A (zh) * | 2017-02-16 | 2017-07-11 | 华中科技大学 | 一种机器人自主定位与导航方法及系统 |
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 |
CN108801268A (zh) * | 2018-06-27 | 2018-11-13 | 广州视源电子科技股份有限公司 | 目标对象的定位方法、装置及机器人 |
CN108801254A (zh) * | 2017-05-02 | 2018-11-13 | 北京米文动力科技有限公司 | 一种重定位方法及机器人 |
-
2019
- 2019-04-15 CN CN201910301095.3A patent/CN110006432B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104180799A (zh) * | 2014-07-15 | 2014-12-03 | 东北大学 | 一种基于自适应蒙特卡罗定位的机器人定位方法 |
CN106940186A (zh) * | 2017-02-16 | 2017-07-11 | 华中科技大学 | 一种机器人自主定位与导航方法及系统 |
CN108801254A (zh) * | 2017-05-02 | 2018-11-13 | 北京米文动力科技有限公司 | 一种重定位方法及机器人 |
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 |
CN108801268A (zh) * | 2018-06-27 | 2018-11-13 | 广州视源电子科技股份有限公司 | 目标对象的定位方法、装置及机器人 |
Non-Patent Citations (1)
Title |
---|
DULINGTINGZI: "区域生长和区域分离与合并的图像分割方法", 《HTTPS://BLOG.CSDN.NET/DULINGTINGZI/ARTICLE/DETAILS/50916827》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111077495A (zh) * | 2019-12-10 | 2020-04-28 | 亿嘉和科技股份有限公司 | 一种基于三维激光的定位恢复方法 |
CN111077495B (zh) * | 2019-12-10 | 2022-02-22 | 亿嘉和科技股份有限公司 | 一种基于三维激光的定位恢复方法 |
CN113552586A (zh) * | 2020-04-08 | 2021-10-26 | 杭州萤石软件有限公司 | 一种移动机器人的定位方法和移动机器人 |
CN113552586B (zh) * | 2020-04-08 | 2024-04-05 | 杭州萤石软件有限公司 | 一种移动机器人的定位方法和移动机器人 |
CN111998846A (zh) * | 2020-07-24 | 2020-11-27 | 中山大学 | 基于环境几何与拓扑特征的无人系统快速重定位方法 |
CN111998846B (zh) * | 2020-07-24 | 2023-05-05 | 中山大学 | 基于环境几何与拓扑特征的无人系统快速重定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110006432B (zh) | 2021-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP4318397A2 (en) | Method of computer vision based localisation and navigation and system for performing the same | |
EP3293487A1 (en) | Data structure of environment map, environment map preparing system and method, and environment map updating system and method | |
Wang et al. | Intelligent vehicle self-localization based on double-layer features and multilayer LIDAR | |
CN111161353B (zh) | 车辆定位方法、装置、可读存储介质和计算机设备 | |
RU2487419C1 (ru) | Система комплексной обработки информации радионавигационных и автономных средств навигации для определения действительных значений параметров самолетовождения | |
KR102226846B1 (ko) | Imu 센서와 카메라를 이용한 하이브리드 실내 측위 시스템 | |
CN112639502A (zh) | 机器人位姿估计 | |
CN110006432A (zh) | 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 | |
CN111179274B (zh) | 地图地面分割方法、装置、计算机设备和存储介质 | |
CN108061889A (zh) | Ais与雷达角度系统偏差的关联方法 | |
WO2021207999A1 (zh) | 车辆定位的方法和装置、定位图层生成的方法和装置 | |
Bai et al. | A sensor fusion framework using multiple particle filters for video-based navigation | |
CN115183762A (zh) | 一种机场仓库内外建图方法、系统、电子设备及介质 | |
CN113822944B (zh) | 一种外参标定方法、装置、电子设备及存储介质 | |
CN114061611A (zh) | 目标对象定位方法、装置、存储介质和计算机程序产品 | |
Charroud et al. | Localisation and mapping of self-driving vehicles based on fuzzy K-means clustering: A non-semantic approach | |
US11783504B2 (en) | Geolocation system | |
CN116630442B (zh) | 一种视觉slam位姿估计精度评估方法及装置 | |
Park et al. | Precise and reliable positioning based on the integration of navigation satellite system and vision system | |
Soleimani et al. | A disaster invariant feature for localization | |
KR101797027B1 (ko) | 표고 영상의 정합 방법 및 장치 | |
Choi et al. | Point Cloud-Based Lane Detection for Optimal Local Path Planning | |
Tang et al. | Terrain correlation suitability | |
Huang et al. | Research on LIDAR Slam Method with Fused Point Cloud Intensity Information | |
Sadeq et al. | Merging digital surface models implementing Bayesian approaches |
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 |