CN110009718A - 一种三维高精度地图生成方法及装置 - Google Patents
一种三维高精度地图生成方法及装置 Download PDFInfo
- Publication number
- CN110009718A CN110009718A CN201910172645.6A CN201910172645A CN110009718A CN 110009718 A CN110009718 A CN 110009718A CN 201910172645 A CN201910172645 A CN 201910172645A CN 110009718 A CN110009718 A CN 110009718A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- environment
- environment point
- dimensional
- 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
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000001514 detection method Methods 0.000 claims abstract description 26
- 230000007613 environmental effect Effects 0.000 claims abstract description 25
- 230000008569 process Effects 0.000 claims abstract description 25
- 230000011218 segmentation Effects 0.000 claims abstract description 24
- 238000003860 storage Methods 0.000 claims abstract description 24
- 238000003062 neural network model Methods 0.000 claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 230000004888 barrier function Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 14
- 230000001133 acceleration Effects 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 6
- 230000032258 transport Effects 0.000 claims 1
- 238000012545 processing Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 239000011159 matrix material Substances 0.000 description 11
- 230000009466 transformation Effects 0.000 description 11
- 238000013519 translation Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B29/00—Maps; Plans; Charts; Diagrams, e.g. route diagram
- G09B29/003—Maps
- G09B29/005—Map projections or methods associated specifically therewith
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Graphics (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种三维高精度地图生成方法及装置，用以解决现有的三维高精度地图生成方法成本高、效率低的问题。所述三维高精度地图生成方法，包括：实时采集车辆在移动过程中车身周围的环境信息，所述环境信息包括环境点云数据；针对每一帧的环境点云数据，执行如下操作：根据预设的神经网络模型对所述环境点云数据进行物体检测和语义分割，确定可移动障碍物点云数据，并将所述可移动障碍物点云数据从所述环境点云数据中去除；根据预设算法将该去除了可移动障碍物点云数据的环境点云数据和存储的上一帧的去除了可移动障碍物点云数据的环境点云数据进行点云配准；根据进行了点云配准后的环境点云数据完成三维高精度地图的一次增量更新。
Description
技术领域
本发明涉及地图构建技术领域，尤其涉及一种三维高精度地图生成方法及装置。
背景技术
在无人驾驶技术的相关领域中，三维高精度地图扮演着重要的角色，它包含了大量的语义信息和行车辅助信息，通过车载定位传感器、摄像头和激光雷达等传感器提供的实时数据，能够帮助无人驾驶车辆快速准确地识别行人、车辆等障碍物，给无人驾驶车辆提供精确的当前位置。
三维高精度地图的研究涉及到大量点云数据的采集、处理和保存，涉及到语义信息的自动提取。现有技术中，常见的三维高精度地图的生成采用离线方式，需要成本高昂的数据采集车，通过机器加人工半自动化的方式识别采集的点云数据中的元素，制成三维高精度地图。
然而，这种离线生成三维高精度地图的方式存在设备与人力成本高、工作量大的问题，它将地图制作和使用的过程分割开来，制作周期长、效率低。且现有的三维即时定位与地图构建(SLAM)技术通常融合了多种传感器的数据，包括摄像头、激光雷达、轮速传感器以及惯性导航等等，信息来源多，处理复杂，增加了生成三维高精度地图的难度。
发明内容
为了解决现有的三维高精度地图生成方法成本高、效率低的问题，本发明实施例提供了一种三维高精度地图生成方法及装置。
第一方面，本发明实施例提供了一种三维高精度地图生成方法，包括：
实时采集车辆在移动过程中车身周围的环境信息，所述环境信息包括环境点云数据；
针对每一帧的环境点云数据，执行如下操作：
根据预设的神经网络模型对所述环境点云数据进行物体检测和语义分割，确定可移动障碍物点云数据，并将所述可移动障碍物点云数据从所述环境点云数据中去除；
根据预设算法将该去除了可移动障碍物点云数据的环境点云数据和存储的上一帧的去除了可移动障碍物点云数据的环境点云数据进行点云配准；
根据进行了点云配准后的环境点云数据完成三维高精度地图的一次增量更新。
本发明实施例提供的三维高精度地图生成方法，车载系统实时采集车辆在移动过程中车身周围的环境信息，所述环境信息包括环境点云数据，针对每一帧的环境点云数据，均执行如下操作：根据预先训练好的神经网络模型对所述环境点云数据进行物体检测和语义分割，确定可移动障碍物点云数据，并将所述可移动障碍物点云数据从所述环境点云数据中去除，根据预设算法将该去除了可移动障碍物点云数据的环境点云数据和存储的上一帧的去除了可移动障碍物点云数据的环境点云数据进行点云配准，根据进行了点云配准后的环境点云数据完成三维高精度地图的一次增量更新，直至车辆行驶完一段设定路程停止时为止。相比于现有技术，本发明实施例在构建三维高精度地图时，在线检测并过滤可移动障碍物，在满足无人驾驶车辆移动过程中对检测实时性需求的情况下，避免了可移动障碍物对生成地图的干扰，有效降低了生成三维高精度地图的成本，提高了生成效率。并且，通过基于深度学习的物体检测和语义分割过程，算法运行速度快，生成的三维高精度地图更加稳定可靠，能够适应动态环境的变化，满足无人驾驶车辆在园区等室外小规模环境中的导航和定位需求。
可选地，针对每一帧的环境点云数据，在根据预设的神经网络模型对所述环境点云数据进行物体检测和语义分割之前，还包括：
对所述环境点云数据进行滤波和消除变形处理，获得预处理后的环境点云数据；
去除所述预处理后的环境点云数据中的路面点。
较佳地，所述环境信息还包括车身惯导信息；
对所述环境点云数据进行滤波和消除变形处理，获得预处理后的环境点云数据，具体包括：
对所述环境点云数据进行滤波处理，去除所述环境点云数据中的噪声和离群点；
融合滤波后的环境点云数据和所述车身惯导信息，消除所述滤波后的环境点云数据的变形，获得预处理后的环境点云数据。
上述较佳的实施方式中，在采集到环境点云数据之后，确定可移动障碍物点云数据之前，还可以对环境点云数据进行预处理，对环境点云数据进行滤波处理去除噪声和离群点，并消除滤波后的环境点云数据的变形，经过预处理后的环境点云数据更加精确，进而使得最终生成的三维高精度地图更加精确。
较佳地，所述环境点云数据包括所述车辆车身周围环境的三维数据点坐标，所述车身惯导信息包括所述车辆的加速度。
上述较佳的实施方式中，仅仅需要获取环境点云数据和车身惯导信息两种数据，降低了设备成本，并降低了处理复杂度以及生成三维高精度地图的难度。
较佳地，去除所述预处理后的环境点云数据中的路面点，具体包括：
以所述车辆为中心，根据预设步长生成所述预处理后的环境点云数据的障碍物栅格图；
根据所述预处理后的环境点云数据的各三维数据点坐标投影到所述障碍物栅格图上的x轴坐标和y轴坐标所对应的z轴坐标，计算在每个栅格内的最大高度差；
将所述最大高度差小于预设阈值的三维数据点坐标标记为路面点；
去除所述路面点对应的三维数据点。
较佳地，所述可移动障碍物包括车辆和行人；
根据预设的神经网络模型对所述环境点云数据进行物体检测和语义分割，确定可移动障碍物点云数据，具体包括：
将所述环境点云数据作为所述预设的神经网络模型的输入，进行物体检测和语义分割，输出组成车辆和行人对应的三维数据点坐标。
上述较佳的实施方式中，利用基于深度学习的物体检测和语义分割方法，算法运行速度快，生成的三维高精度地图更加稳定可靠，能够适应动态环境的变化，满足无人驾驶车辆在园区等室外小规模环境中的导航和定位需求。
第二方面，本发明实施例提供了一种三维高精度地图生成装置，包括：
采集单元，用于实时采集车辆在移动过程中车身周围的环境信息，所述环境信息包括环境点云数据；
确定单元，用于针对每一帧的环境点云数据，执行如下操作：根据预设的神经网络模型对所述环境点云数据进行物体检测和语义分割，确定可移动障碍物点云数据，并将所述可移动障碍物点云数据从所述环境点云数据中去除；
配准单元，用于根据预设算法将所述确定单元去除了可移动障碍物点云数据的环境点云数据和存储的上一帧的去除了可移动障碍物点云数据的环境点云数据进行点云配准；
更新单元，用于根据进行了点云配准后的环境点云数据完成三维高精度地图的一次增量更新。
可选地，所述装置，还包括：
预处理单元，用于针对每一帧的环境点云数据，在根据预设的神经网络模型对所述环境点云数据进行物体检测和语义分割之前，对所述环境点云数据进行滤波和消除变形处理，获得预处理后的环境点云数据；
去除单元，用于去除所述预处理后的环境点云数据中的路面点。
较佳地，所述环境信息还包括车身惯导信息；
所述预处理单元，具体用于对所述环境点云数据进行滤波处理，去除所述环境点云数据中的噪声和离群点；融合滤波后的环境点云数据和所述车身惯导信息，消除所述滤波后的环境点云数据的变形，获得预处理后的环境点云数据。
较佳地，所述环境点云数据包括所述车辆车身周围环境的三维数据点坐标，所述车身惯导信息包括所述车辆的加速度。
较佳地，所述去除单元，具体用于以所述车辆为中心，根据预设步长生成所述预处理后的环境点云数据的障碍物栅格图；根据预处理后的环境点云数据的各三维数据点坐标投影到所述障碍物栅格图上的x轴坐标和y轴坐标所对应的z轴坐标，计算在每个栅格内的最大高度差；将所述最大高度差小于预设阈值的三维数据点坐标标记为路面点；去除所述路面点对应的三维数据点。
较佳地，所述可移动障碍物包括车辆和行人；
所述确定单元，具体用于将所述环境点云数据作为所述预设的神经网络模型的输入，进行物体检测和语义分割，输出组成车辆和行人对应的三维数据点坐标。
本发明提供的三维高精度地图生成装置的技术效果可以参见上述第一方面或第一方面的各个实现方式的技术效果，此处不再赘述。
第三方面，本发明实施例提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现本发明所述的三维高精度地图生成方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明所述的三维高精度地图生成方法中的步骤。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例提供的三维高精度地图生成方法的实施流程示意图；
图2为本发明实施例中，对环境点云数据进行预处理的实施流程示意图；
图3为本发明实施例中，去除预处理后的环境点云数据中的路面点的实施流程示意图；
图4为本发明实施例提供的三维高精度地图生成装置的结构示意图；
图5为本发明实施例提供的电子设备的结构示意图。
具体实施方式
为了解决现有的三维高精度地图生成方法成本高、效率低的问题，本发明实施例提供了一种三维高精度地图生成方法及装置。
以下结合说明书附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明，并且在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
如图1所示，其为本发明实施例提供的三维高精度地图生成方法的实施流程示意图，可以包括以下步骤：
S11、实时采集车辆在移动过程中车身周围的环境信息，所述环境信息包括环境点云数据。
具体实施时，车载系统实时采集车辆在移动过程中车身周围的环境信息，所述环境信息包括环境点云数据，还包括车身惯导信息。所述车辆可以是无人驾驶车辆。
具体地，本发明实施例中，无人驾驶车辆的车载系统配备有激光雷达和惯性导航传感器，利用激光雷达获取环境点云数据，环境点云数据包括所述车辆车身周围环境的三维数据点坐标；利用惯性导航传感器获取车身惯导信息，车身惯导信息包括所述车辆的加速度。
较佳地，较佳地，在采集到所述环境信息后，可以对所述环境点云数据进行预处理。
具体地，针对每一帧的环境点云数据，对所述环境点云数据进行滤波和消除变形处理，获得预处理后的环境点云数据。
具体实施时，针对每一帧的环境点云数据，可以通过如图2所示的流程对所述环境点云数据进行预处理，包括以下步骤：
S21、对所述环境点云数据进行滤波处理，去除所述环境点云数据中的噪声和离群点。
本步骤中，可以但不限于采用以下滤波方法对所述环境点云数据进行滤波处理：半径滤波、条件滤波、体素滤波或统计滤波，以去除所述环境点云数据中的噪声和离群点。
例如，使用统计滤波方法，计算环境点云数据中每个点到其最近的k个点的平均距离，则环境点云数据中所有点的距离应构成高斯分布，给定均值与方差，可剔除设定阈值之外的点。
S22、融合滤波后的环境点云数据和所述车身惯导信息，消除所述滤波后的环境点云数据的变形，获得预处理后的环境点云数据。
具体实施时，激光雷达匀速运转，生成每帧环境点云数据扫描经过的时间(即扫描周期)固定为Tperiod，扫描周期Tperiod的起始时间分别记为Tstart和Tend，在一个扫描周期内，激光雷达在Tstart时刻接收到第一个三维数据点Pstart，在Tend时刻接收到最后一个三维数据点Pend，假设点Pstart的水平扫描角度为Angfirst，点Pend的水平扫描角度为Anglast，则当前帧在Tperiod时间内扫描过的总角度Angscan＝Anglast-Angfirst。在扫描周期Tperiod内的任意一三维数据点P的水平扫描角度为AngP，则点P相对于Pstart的时间偏移通过以下公式计算获得：
则点P的时间戳为：TP＝Tstart+TPscanshift。
进而，将惯导信息数据与P点根据时间戳大小进行排序，找到点P的时间戳之前和之后最近的两个惯导信息数据，时间戳在点P的时间戳之前的惯导信息数据记为gyro(k)，时间戳在点P的时间戳之后的惯导信息数据记为gyro(k+1)，其中，k表示个数，gyro(k)表示第k个惯导信息数据，gyro(k+1)表示第k+1个惯导信息数据。
进一步地，计算gyro(k)和gyro(k+1)之间车辆发生的位移。假设车辆做匀速运动，gyro(k)的加速度为a(k)，gyro(k)和gyro(k+1)之间的时间差为t(k)，则车辆从gyro(k)时刻移动到gyro(k+1)时，速度v(k+1)＝v(k)+a(k)*t(k)，初始时，v(0)＝0，其中，v(k+1)表示车辆在gyro(k+1)时刻的速度，v(k)表示车辆在gyro(k)时刻的速度，则gyro(k+1)相对于gyro(k)的位置偏移为：Shift(k+1)＝v(k)*t(k)+0.5*a(k)*t2(k)，其中，表示Shift(k+1)gyro(k+1)相对于gyro(k)的位置偏移。
进一步地，以点Pstart作为基准点，它的位置偏移为0，则可以计算出gyro(k)数据到达时车辆相对于点Pstart的位置偏移Shiftstart(k)：
其中，shift(i)表示第i个惯导信息数据相对于点Pstart的位置偏移。
通过线性插值法计算点P相对于点Pstart的位置偏移Shiftstart(P)：
其中，Shiftstart(P)表示点P相对于点Pstart的位置偏移；
Shiftstart(k)表示gyro(k)数据到达时车辆相对于点Pstart的位置偏移；
Shiftstart(k+1)表示gyro(k+1)数据到达时车辆相对于点Pstart的位置偏移；
Tp表示点P的时间戳；
Tgyro(k)表示gyro(k)的时间戳；
Tgyro(k+1)表示gyro(k+1)的时间戳。
进而，重新调整点P的三维坐标，消除车辆运动导致的环境点云数据的变形：
P′.pos＝P.pos+Shiftstart(P)
其中，P'.pos表示消除变形后的点P的三维坐标；
P.pos表示点P的初始三维坐标。
较佳地，在消除所述滤波后的环境点云数据的变形之后，即对环境点云数据的预处理，还可以包括以下步骤：
对所述消除了变形之后的环境点云数据进行下采样。
具体地，可以采用体素滤波方法对所述消除了变形之后的环境点云数据进行下采样。经过下采样处理，所述消除了变形之后的环境点云数据的数据量可以减少约50％，有效降低后续环境点云数据处理过程的计算量，可以有效加快处理速度。
较佳地，对所述环境点云数据进行预处理之后，还可以包括去除所述预处理后的环境点云数据的路面点的步骤。
具体实施时，可以通过如图3所示的流程去除预处理后的环境点云数据中的路面点，包括以下步骤：
S31、以所述车辆为中心，根据预设步长生成所述预处理后的环境点云数据的障碍物栅格图。
本步骤中，预设步长可以根据实际经验自行设定，本发明实施例对此不作限定。例如，预设步长可以为10cm，则栅格大小为10cm*10cm。
S32、根据所述预处理后的环境点云数据的各三维数据点坐标投影到所述障碍物栅格图上的x轴坐标和y轴坐标所对应的z轴坐标，计算在每个栅格内的最大高度差。
本步骤中，根据所述预处理后的环境点云数据的各三维数据点坐标投影到所述障碍物栅格图上的x轴坐标和y轴坐标所对应的z轴坐标，计算在每个栅格内的最大高度差。
S33、将所述最大高度差小于预设阈值的三维数据点坐标标记为路面点。
本步骤中，预设阈值可以根据实际经验设定，本发明实施例对此不作限定。
S34、去除所述路面点对应的三维数据点。
具体地，去除所述路面点对应的三维数据点坐标，即路面点云数据。
针对每一帧的环境点云数据，均执行步骤S12～步骤S14的操作：
S12、根据预设的神经网络模型对所述环境点云数据进行物体检测和语义分割，确定可移动障碍物点云数据，并将所述可移动障碍物点云数据从所述环境点云数据中去除。
具体实施时，可移动障碍物包括车辆和行人。本发明实施例中，该车辆为正在移动中的实时采集车身周围的环境信息的车辆之外的车辆。
具体地，可以但不限于采用PointNet2深度学习神经网络模型进行物体检测和语义分割，本发明实施例中，预先采集行驶区域内的环境点云数据，人工为环境点云数据的三维数据点添加属性标签，其中，属性标签包括车辆和行人，将添加过标签的环境点云数据的三维数据点分为训练集和测试集，训练PointNet2深度学习神经网络直至收敛，保存网络参数，得到训练好的神经网络模型。
具体实施时，将所述环境点云数据作为所述预设的神经网络模型的输入，进行物体检测和语义分割，输出组成车辆和行人对应的三维数据点坐标，并将组成车辆和行人对应的三维数据点坐标从所述环境点云数据中去除。
S13、根据预设算法将该去除了可移动障碍物点云数据的环境点云数据和存储的上一帧的去除了可移动障碍物点云数据的环境点云数据进行点云配准。
点云配准就是计算获得两点集之间的旋转变换矩阵和三维平移变量，使得两点集重叠区域的点对齐。要获得旋转变换矩阵和三维平移变量，须至少知道三个非共线点的对应关系。
本发明实施例中，预设算法可以但不限于使用正态分布变换(NormalDistribution Transform，NDT)算法。初始时，三维高精度地图为空。针对从激光雷达获取的第二帧环境点云数据中去除了可移动障碍物点云数据后的环境点云数据，可以根据从激光雷达获取的第一帧环境点云数据中去除了可移动障碍物点云数据后的环境点云数据进行点云配准，获得旋转变换矩阵和三维平移变量，根据获得的旋转变换矩阵和三维平移变量进行点云配准。后续以同样的方式，从第三帧环境点云数据中去除了可移动障碍物点云数据后的环境点云数据开始，均根据从上一帧环境点云数据中去除了可移动障碍物点云数据后的环境点云数据进行点云配准。
具体地，将当前帧去除了可移动障碍物点云数据的环境点云数据和存储的上一帧的去除了可移动障碍物点云数据的环境点云数据进行点云配准，获得坐标变换矩阵M，已知坐标变换由旋转和平移组成，假设当前帧去除了可移动障碍物点云数据后的环境点云数据中三维数据点P的坐标是(x,y,z)T，记为通过旋转和平移，可获得点P在三维高精度地图中对应点P'的坐标(x',y',z')T，记为用R表示3*3旋转变换矩阵，T表示3*1平移矩阵，则：记坐标变换矩阵则公式变为如下形式：
本发明实施例中，可以采用PCL(Point Cloud Library，点云库)提供的NDT算法工具库计算所述坐标变换矩阵M，仅需将当前帧去除了可移动障碍物点云数据的环境点云数据和存储的包含了上一帧的去除了可移动障碍物点云数据的环境点云数据的三维高精度地图作为NDT算法的数据输入，设置算法参数，经过NDT计算，即可自动输出坐标变换矩阵M。NDT算法的参数主要包括连续两次变换之间增量变化阈值trans_epsilon，最大搜索步长step_size，网格体素分辨率resolution，最大迭代次数max_iterations等，具体参数大小通过调试确定。
S14、根据进行了点云配准后的环境点云数据完成三维高精度地图的一次增量更新。
具体实施时，针对每一帧的去除了可移动障碍物点云数据后的环境点云数据，根据坐标变换矩阵M，将当前帧的去除了可移动障碍物点云数据的环境点云数据和存储的上一帧的去除了可移动障碍物点云数据的环境点云数据进行坐标系转换，根据上述公式以三维高精度地图坐标系为基准，将进行了点云配准后的环境点云数据投影到三维高精度地图中，完成三维高精度地图的一次增量更新，直至车辆行驶完一段设定路程停止时为止。
车载系统实时采集车辆在移动过程中车身周围的环境信息，所述环境信息包括环境点云数据，针对每一帧的环境点云数据，均执行如下操作：根据预先训练好的神经网络模型对所述环境点云数据进行物体检测和语义分割，确定可移动障碍物点云数据，并将所述可移动障碍物点云数据从所述环境点云数据中去除，根据预设算法将该去除了可移动障碍物点云数据的环境点云数据和存储的上一帧的去除了可移动障碍物点云数据的环境点云数据进行点云配准，根据进行了点云配准后的环境点云数据完成三维高精度地图的一次增量更新，直至车辆行驶完一段设定路程停止时为止。相比于现有技术，本发明实施例在构建三维高精度地图时，在线检测并过滤可移动障碍物，在满足无人驾驶车辆移动过程中对检测实时性需求的情况下，避免了可移动障碍物对生成地图的干扰，有效降低了生成三维高精度地图的成本，提高了生成效率。并且，通过基于深度学习的物体检测和语义分割过程，算法运行速度快，生成的三维高精度地图更加稳定可靠，能够适应动态环境的变化，满足无人驾驶车辆在园区等室外小规模环境中的导航和定位需求。
基于同一发明构思，本发明实施例还提供了一种三维高精度地图生成装置，由于上述三维高精度地图生成装置解决问题的原理与三维高精度地图生成方法相似，因此上述装置的实施可以参见方法的实施，重复之处不再赘述。
如图4所示，其为本发明实施例提供的三维高精度地图生成装置的结构示意图，可以包括：
采集单元41，用于实时采集车辆在移动过程中车身周围的环境信息，所述环境信息包括环境点云数据；
确定单元42，用于针对每一帧的环境点云数据，执行如下操作：根据预设的神经网络模型对所述环境点云数据进行物体检测和语义分割，确定可移动障碍物点云数据，并将所述可移动障碍物点云数据从所述环境点云数据中去除；
配准单元43，用于根据预设算法将所述确定单元去除了可移动障碍物点云数据的环境点云数据和存储的上一帧的去除了可移动障碍物点云数据的环境点云数据进行点云配准；
更新单元44，用于根据进行了点云配准后的环境点云数据完成三维高精度地图的一次增量更新。
可选地，所述装置，还包括：
预处理单元，用于针对每一帧的环境点云数据，在根据预设的神经网络模型对所述环境点云数据进行物体检测和语义分割之前，对所述环境点云数据进行滤波和消除变形处理，获得预处理后的环境点云数据；
去除单元，用于去除所述预处理后的环境点云数据中的路面点。
较佳地，所述环境信息还包括车身惯导信息；
所述预处理单元，具体用于对所述环境点云数据进行滤波处理，去除所述环境点云数据中的噪声和离群点；融合滤波后的环境点云数据和所述车身惯导信息，消除所述滤波后的环境点云数据的变形，获得预处理后的环境点云数据。
较佳地，所述环境点云数据包括所述车辆车身周围环境的三维数据点坐标，所述车身惯导信息包括所述车辆的加速度。
较佳地，所述去除单元，具体用于以所述车辆为中心，根据预设步长生成所述预处理后的环境点云数据的障碍物栅格图；根据预处理后的环境点云数据的各三维数据点坐标投影到所述障碍物栅格图上的x轴坐标和y轴坐标所对应的z轴坐标，计算在每个栅格内的最大高度差；将所述最大高度差小于预设阈值的三维数据点坐标标记为路面点；去除所述路面点对应的三维数据点。
较佳地，所述可移动障碍物包括车辆和行人；
所述确定单元42，具体用于将所述环境点云数据作为所述预设的神经网络模型的输入，进行物体检测和语义分割，输出组成车辆和行人对应的三维数据点坐标。
基于同一技术构思，本发明实施例还提供了一种电子设备500，参照图5所示，电子设备500用于实施上述方法实施例记载的三维高精度地图生成方法，该实施例的电子设备500可以包括：存储器501、处理器502以及存储在所述存储器中并可在所述处理器上运行的计算机程序，例如三维高精度地图生成程序。所述处理器执行所述计算机程序时实现上述各个三维高精度地图生成方法实施例中的步骤，例如图1所示的步骤S11。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能，例如41。
本发明实施例中不限定上述存储器501、处理器502之间的具体连接介质。本申请实施例在图5中以存储器501、处理器502之间通过总线503连接，总线503在图5中以粗线表示，其它部件之间的连接方式，仅是进行示意性说明，并不引以为限。所述总线503可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
存储器501可以是易失性存储器(volatile memory)，例如随机存取存储器(random-access memory，RAM)；存储器501也可以是非易失性存储器(non-volatilememory)，例如只读存储器，快闪存储器(flash memory)，硬盘(hard disk drive，HDD)或固态硬盘(solid-state drive，SSD)、或者存储器501是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器301可以是上述存储器的组合。
处理器502，用于实现如图1所示的一种三维高精度地图生成方法，包括：
所述处理器502，用于调用所述存储器501中存储的计算机程序执行如图1中所示的步骤S11～步骤S14。
本申请实施例还提供了一种计算机可读存储介质，存储为执行上述处理器所需执行的计算机可执行指令，其包含用于执行上述处理器所需执行的程序。
在一些可能的实施方式中，本发明提供的三维高精度地图生成方法的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在电子设备上运行时，所述程序代码用于使所述电子设备执行本说明书上述描述的根据本发明各种示例性实施方式的三维高精度地图生成方法中的步骤，例如，所述电子设备可以执行如图1中所示的步骤S11～步骤S14。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
本发明的实施方式的用于三维高精度地图生成的程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在计算设备上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意，尽管在上文详细描述中提及了装置的若干单元或子单元，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之，上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
此外，尽管在附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(装置)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (14)
1.一种三维高精度地图生成方法，其特征在于，包括：
实时采集车辆在移动过程中车身周围的环境信息，所述环境信息包括环境点云数据；
针对每一帧的环境点云数据，执行如下操作：
根据预设的神经网络模型对所述环境点云数据进行物体检测和语义分割，确定可移动障碍物点云数据，并将所述可移动障碍物点云数据从所述环境点云数据中去除；
根据预设算法将该去除了可移动障碍物点云数据的环境点云数据和存储的上一帧的去除了可移动障碍物点云数据的环境点云数据进行点云配准；
根据进行了点云配准后的环境点云数据完成三维高精度地图的一次增量更新。
2.如权利要求1所述的方法，其特征在于，针对每一帧的环境点云数据，在根据预设的神经网络模型对所述环境点云数据进行物体检测和语义分割之前，还包括：
对所述环境点云数据进行滤波和消除变形处理，获得预处理后的环境点云数据；
去除所述预处理后的环境点云数据中的路面点。
3.如权利要求2所述的方法，其特征在于，所述环境信息还包括车身惯导信息；
对所述环境点云数据进行滤波和消除变形处理，获得预处理后的环境点云数据，具体包括：
对所述环境点云数据进行滤波处理，去除所述环境点云数据中的噪声和离群点；
融合滤波后的环境点云数据和所述车身惯导信息，消除所述滤波后的环境点云数据的变形，获得预处理后的环境点云数据。
4.如权利要求3所述的方法，其特征在于，所述环境点云数据包括所述车辆车身周围环境的三维数据点坐标，所述车身惯导信息包括所述车辆的加速度。
5.如权利要求4所述的方法，其特征在于，去除所述预处理后的环境点云数据中的路面点，具体包括：
以所述车辆为中心，根据预设步长生成所述预处理后的环境点云数据的障碍物栅格图；
根据预处理后的环境点云数据的各三维数据点坐标投影到所述障碍物栅格图上的x轴坐标和y轴坐标所对应的z轴坐标，计算在每个栅格内的最大高度差；
将所述最大高度差小于预设阈值的三维数据点坐标标记为路面点；
去除所述路面点对应的三维数据点。
6.如权利要求1所述的方法，其特征在于，所述可移动障碍物包括车辆和行人；
根据预设的神经网络模型对所述环境点云数据进行物体检测和语义分割，确定可移动障碍物点云数据，具体包括：
将所述环境点云数据作为所述预设的神经网络模型的输入，进行物体检测和语义分割，输出组成车辆和行人对应的三维数据点坐标。
7.一种三维高精度地图生成装置，其特征在于，包括：
采集单元，用于实时采集车辆在移动过程中车身周围的环境信息，所述环境信息包括环境点云数据；
确定单元，用于针对每一帧的环境点云数据，执行如下操作：根据预设的神经网络模型对所述环境点云数据进行物体检测和语义分割，确定可移动障碍物点云数据，并将所述可移动障碍物点云数据从所述环境点云数据中去除；
配准单元，用于根据预设算法将所述确定单元去除了可移动障碍物点云数据的环境点云数据和存储的上一帧的去除了可移动障碍物点云数据的环境点云数据进行点云配准；
更新单元，用于根据进行了点云配准后的环境点云数据完成三维高精度地图的一次增量更新。
8.如权利要求7所述的装置，其特征在于，还包括：
预处理单元，用于针对每一帧的环境点云数据，在根据预设的神经网络模型对所述环境点云数据进行物体检测和语义分割之前，对所述环境点云数据进行滤波和消除变形处理，获得预处理后的环境点云数据；
去除单元，用于去除所述预处理后的环境点云数据中的路面点。
9.如权利要求8所述的装置，其特征在于，所述环境信息还包括车身惯导信息；
所述预处理单元，具体用于对所述环境点云数据进行滤波处理，去除所述环境点云数据中的噪声和离群点；融合滤波后的环境点云数据和所述车身惯导信息，消除所述滤波后的环境点云数据的变形，获得预处理后的环境点云数据。
10.如权利要求9所述的装置，其特征在于，所述环境点云数据包括所述车辆车身周围环境的三维数据点坐标，所述车身惯导信息包括所述车辆的加速度。
11.如权利要求10所述的装置，其特征在于，
所述去除单元，具体用于以所述车辆为中心，根据预设步长生成所述预处理后的环境点云数据的障碍物栅格图；根据预处理后的环境点云数据的各三维数据点坐标投影到所述障碍物栅格图上的x轴坐标和y轴坐标所对应的z轴坐标，计算在每个栅格内的最大高度差；将所述最大高度差小于预设阈值的三维数据点坐标标记为路面点；去除所述路面点对应的三维数据点。
12.如权利要求7所述的装置，其特征在于，所述可移动障碍物包括车辆和行人；
所述确定单元，具体用于将所述环境点云数据作为所述预设的神经网络模型的输入，进行物体检测和语义分割，输出组成车辆和行人对应的三维数据点坐标。
13.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1～6任一项所述的三维高精度地图生成方法。
14.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1～6任一项所述的三维高精度地图生成方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910172645.6A CN110009718B (zh) | 2019-03-07 | 2019-03-07 | 一种三维高精度地图生成方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910172645.6A CN110009718B (zh) | 2019-03-07 | 2019-03-07 | 一种三维高精度地图生成方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110009718A true CN110009718A (zh) | 2019-07-12 |
| CN110009718B CN110009718B (zh) | 2021-09-24 |
Family
ID=67166564
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910172645.6A Active CN110009718B (zh) | 2019-03-07 | 2019-03-07 | 一种三维高精度地图生成方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110009718B (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110930506A (zh) * | 2019-10-11 | 2020-03-27 | 深圳市道通智能航空技术有限公司 | 三维地图生成方法、移动装置和计算机可读存储介质 |
| CN111060924A (zh) * | 2019-12-02 | 2020-04-24 | 北京交通大学 | 一种slam与目标跟踪方法 |
| CN111337898A (zh) * | 2020-02-19 | 2020-06-26 | 北京百度网讯科技有限公司 | 激光点云的处理方法、装置、设备及存储介质 |
| CN111462083A (zh) * | 2020-03-31 | 2020-07-28 | 北京东软医疗设备有限公司 | 图像处理方法、装置、电子设备及存储介质 |
| CN111506586A (zh) * | 2020-03-27 | 2020-08-07 | 北京百度网讯科技有限公司 | 增量制图的方法、装置、电子设备以及可读存储介质 |
| CN112154445A (zh) * | 2019-09-19 | 2020-12-29 | 深圳市大疆创新科技有限公司 | 高精度地图中车道线的确定方法和装置 |
| CN112622923A (zh) * | 2019-09-24 | 2021-04-09 | 北京百度网讯科技有限公司 | 用于控制车辆的方法和装置 |
| CN113074748A (zh) * | 2021-03-29 | 2021-07-06 | 北京三快在线科技有限公司 | 一种无人驾驶设备的路径规划方法及装置 |
| CN113724380A (zh) * | 2021-07-21 | 2021-11-30 | 中联重科股份有限公司 | 用于生成吊装方案的方法、处理器和工程装置 |
| WO2022000260A1 (zh) * | 2020-06-30 | 2022-01-06 | 深圳市大疆创新科技有限公司 | 地图的更新方法、装置、可移动平台及存储介质 |
| CN114359381A (zh) * | 2020-09-27 | 2022-04-15 | 北京极智嘉科技股份有限公司 | 机器人、障碍物探测方法、装置、计算机设备及存储介质 |
| WO2022110473A1 (zh) * | 2020-11-24 | 2022-06-02 | 深圳市优必选科技股份有限公司 | 机器人建图方法、装置、计算机可读存储介质及机器人 |
| JPWO2022124115A1 (zh) * | 2020-12-07 | 2022-06-16 | ||
| CN115265561A (zh) * | 2022-09-27 | 2022-11-01 | 小米汽车科技有限公司 | 车辆定位方法、装置、车辆及介质 |
| CN115685133A (zh) * | 2022-12-30 | 2023-02-03 | 安徽蔚来智驾科技有限公司 | 自动驾驶车辆的定位方法、控制装置、存储介质及车辆 |
| CN117664101A (zh) * | 2023-10-20 | 2024-03-08 | 威海广泰空港设备股份有限公司 | 一种基于激光雷达的机场无人车语义slam建图方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105184852A (zh) * | 2015-08-04 | 2015-12-23 | 百度在线网络技术（北京）有限公司 | 一种基于激光点云的城市道路识别方法及装置 |
| CN107272019A (zh) * | 2017-05-09 | 2017-10-20 | 深圳市速腾聚创科技有限公司 | 基于激光雷达扫描的路沿检测方法 |
| CN109285220A (zh) * | 2018-08-30 | 2019-01-29 | 百度在线网络技术（北京）有限公司 | 一种三维场景地图的生成方法、装置、设备及存储介质 |
-
2019
- 2019-03-07 CN CN201910172645.6A patent/CN110009718B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105184852A (zh) * | 2015-08-04 | 2015-12-23 | 百度在线网络技术（北京）有限公司 | 一种基于激光点云的城市道路识别方法及装置 |
| CN107272019A (zh) * | 2017-05-09 | 2017-10-20 | 深圳市速腾聚创科技有限公司 | 基于激光雷达扫描的路沿检测方法 |
| CN109285220A (zh) * | 2018-08-30 | 2019-01-29 | 百度在线网络技术（北京）有限公司 | 一种三维场景地图的生成方法、装置、设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| CHARLES R. QI 等: "PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation", 《ARXIV》 * |
| 杨玉荣 等: "基于激光点云扫描的高精导航地图关键技术研究", 《现代计算机》 * |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112154445A (zh) * | 2019-09-19 | 2020-12-29 | 深圳市大疆创新科技有限公司 | 高精度地图中车道线的确定方法和装置 |
| CN112622923A (zh) * | 2019-09-24 | 2021-04-09 | 北京百度网讯科技有限公司 | 用于控制车辆的方法和装置 |
| CN110930506B (zh) * | 2019-10-11 | 2022-09-09 | 深圳市道通智能航空技术股份有限公司 | 三维地图生成方法、移动装置和计算机可读存储介质 |
| CN110930506A (zh) * | 2019-10-11 | 2020-03-27 | 深圳市道通智能航空技术有限公司 | 三维地图生成方法、移动装置和计算机可读存储介质 |
| CN111060924A (zh) * | 2019-12-02 | 2020-04-24 | 北京交通大学 | 一种slam与目标跟踪方法 |
| CN111337898A (zh) * | 2020-02-19 | 2020-06-26 | 北京百度网讯科技有限公司 | 激光点云的处理方法、装置、设备及存储介质 |
| CN111506586A (zh) * | 2020-03-27 | 2020-08-07 | 北京百度网讯科技有限公司 | 增量制图的方法、装置、电子设备以及可读存储介质 |
| CN111506586B (zh) * | 2020-03-27 | 2023-09-22 | 阿波罗智能技术(北京)有限公司 | 增量制图的方法、装置、电子设备以及可读存储介质 |
| CN111462083B (zh) * | 2020-03-31 | 2023-05-02 | 北京东软医疗设备有限公司 | 图像处理方法、装置、电子设备及存储介质 |
| CN111462083A (zh) * | 2020-03-31 | 2020-07-28 | 北京东软医疗设备有限公司 | 图像处理方法、装置、电子设备及存储介质 |
| WO2022000260A1 (zh) * | 2020-06-30 | 2022-01-06 | 深圳市大疆创新科技有限公司 | 地图的更新方法、装置、可移动平台及存储介质 |
| CN114359381A (zh) * | 2020-09-27 | 2022-04-15 | 北京极智嘉科技股份有限公司 | 机器人、障碍物探测方法、装置、计算机设备及存储介质 |
| WO2022110473A1 (zh) * | 2020-11-24 | 2022-06-02 | 深圳市优必选科技股份有限公司 | 机器人建图方法、装置、计算机可读存储介质及机器人 |
| WO2022124115A1 (ja) * | 2020-12-07 | 2022-06-16 | パイオニア株式会社 | 情報処理装置、制御方法、プログラム及び記憶媒体 |
| JPWO2022124115A1 (zh) * | 2020-12-07 | 2022-06-16 | ||
| CN113074748B (zh) * | 2021-03-29 | 2022-08-26 | 北京三快在线科技有限公司 | 一种无人驾驶设备的路径规划方法及装置 |
| CN113074748A (zh) * | 2021-03-29 | 2021-07-06 | 北京三快在线科技有限公司 | 一种无人驾驶设备的路径规划方法及装置 |
| CN113724380A (zh) * | 2021-07-21 | 2021-11-30 | 中联重科股份有限公司 | 用于生成吊装方案的方法、处理器和工程装置 |
| CN115265561A (zh) * | 2022-09-27 | 2022-11-01 | 小米汽车科技有限公司 | 车辆定位方法、装置、车辆及介质 |
| CN115685133A (zh) * | 2022-12-30 | 2023-02-03 | 安徽蔚来智驾科技有限公司 | 自动驾驶车辆的定位方法、控制装置、存储介质及车辆 |
| CN117664101A (zh) * | 2023-10-20 | 2024-03-08 | 威海广泰空港设备股份有限公司 | 一种基于激光雷达的机场无人车语义slam建图方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110009718B (zh) | 2021-09-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110009718A (zh) | 一种三维高精度地图生成方法及装置 | |
| CN109993780B (zh) | 一种三维高精度地图生成方法及装置 | |
| CN108550318B (zh) | 一种构建地图的方法及装置 | |
| CN109285220A (zh) | 一种三维场景地图的生成方法、装置、设备及存储介质 | |
| CN108765487A (zh) | 重建三维场景的方法、装置、设备和计算机可读存储介质 | |
| Beinschob et al. | Semi-automated map creation for fast deployment of AGV fleets in modern logistics | |
| CN109470254A (zh) | 地图车道线的生成方法、装置、系统及存储介质 | |
| CN109584294A (zh) | 一种基于激光点云的路面点云提取方法和装置 | |
| CN111402414A (zh) | 一种点云地图构建方法、装置、设备和存储介质 | |
| CN115451977A (zh) | 车道标注数据的获取方法、计算机设备及存储介质 | |
| CN115639823B (zh) | 崎岖起伏地形下机器人地形感知与移动控制方法及系统 | |
| US20220398856A1 (en) | Method for reconstruction of a feature in an environmental scene of a road | |
| CN111178170B (zh) | 一种手势识别方法和一种电子设备 | |
| US20230184564A1 (en) | High-precision map construction method, electronic device, and storage medium | |
| CN111928860A (zh) | 一种基于三维曲面定位能力的自主车辆主动定位方法 | |
| CN115407364A (zh) | 点云地图处理方法、车道标注数据获取方法、设备及介质 | |
| CN114577196B (zh) | 使用光流的激光雷达定位 | |
| CN114137562B (zh) | 一种基于改进全局最邻近的多目标跟踪方法 | |
| CN117372536A (zh) | 激光雷达与相机标定方法、系统、设备和存储介质 | |
| CN117032215A (zh) | 一种基于双目视觉的移动机器人物体识别及定位方法 | |
| CN116523970A (zh) | 基于二次隐式匹配的动态三维目标跟踪方法及装置 | |
| CN116823942A (zh) | 三维点云的目标标注方法和点云连续帧中目标跟踪方法 | |
| CN114459483B (zh) | 基于机器人导航用地标导航地图构建与应用方法、系统 | |
| Xue et al. | Real-time 3D grid map building for autonomous driving in dynamic environment | |
| CN114511590A (zh) | 基于单目视觉3d车辆检测与跟踪的路口多引导线构建方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240508 Address after: Room 6227, No. 999, Changning District, Shanghai 200050 Patentee after: Shenlan robot (Shanghai) Co.,Ltd. Country or region after: China Address before: Unit 1001, 369 Weining Road, Changning District, Shanghai, 200336 (9th floor of actual floor) Patentee before: DEEPBLUE TECHNOLOGY (SHANGHAI) Co.,Ltd. Country or region before: China |
|
| TR01 | Transfer of patent right |