CN110082779A - 一种基于3d激光雷达的车辆位姿定位方法及系统 - Google Patents
一种基于3d激光雷达的车辆位姿定位方法及系统 Download PDFInfo
- Publication number
- CN110082779A CN110082779A CN201910206464.0A CN201910206464A CN110082779A CN 110082779 A CN110082779 A CN 110082779A CN 201910206464 A CN201910206464 A CN 201910206464A CN 110082779 A CN110082779 A CN 110082779A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- point cloud
- cloud data
- laser radar
- localization method
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000004807 localization Effects 0.000 title claims abstract description 22
- 239000011159 matrix material Substances 0.000 claims abstract description 17
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 14
- 238000013459 approach Methods 0.000 claims abstract description 8
- 238000013135 deep learning Methods 0.000 claims abstract description 6
- 230000004069 differentiation Effects 0.000 claims abstract description 4
- 238000013519 translation Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 8
- 238000012546 transfer Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/87—Combinations of systems using electromagnetic waves other than radio waves
- G01S17/875—Combinations of systems using electromagnetic waves other than radio waves for determining attitude
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明涉及一种基于3D激光雷达的车辆位姿定位方法及系统,该系统由3D激光雷达、单目摄像头、车型判别模块、云端点云数据库、点云数据匹配模块所组成,所配套的定位方法为:首先利用单目摄像头获取当前目标车辆的特征图像信息,利用3D激光雷达采集当前车辆的特征点云数据;然后结合深度学习CNN卷积神经网络车型判别模块对目标车辆的车型进行判别;根据CNN卷积神经网络的判别结果,从云端数据库调取对应车型的点云数据,然后利用迭代最近点算法(Iterative Closest Point,ICP)对所采集的目标车辆特征点云数据与云端点云数据进行匹配获取目标车辆的刚体旋转矩阵与位移向量;最后依据刚体旋转矩阵与位移向量获取目标车辆的位姿信息,本发明具有高鲁棒性和高准确性的优点。
Description
技术领域
本发明涉及智能泊车中的车辆定位技术领域,尤其是涉及一种基于3D激光雷达的车辆位姿定位方法及系统。
背景技术
在智能泊车技术领域中,对目标车辆的位姿信息的精准检测是实现泊车机器人对目标车辆进行精准对位的关键任务之一。由于激光雷达能够不随环境变化,对目标车辆采集出丰富而精准的点云数据,激光雷达已经成为在智能泊车领域中最为重要的车辆检测与定位的传感器。
目前,在智能泊车技术领域中,对目标车辆的位姿定位,还主要依托于特定的辅助搬运装置。通过对辅助装置的上特定位置点的定位来间接实现目标车辆的定位。这就要求车主必须将车辆停放在指定装置上,降低了泊车的体验。一定程度上制约了智能泊车技术的推广与发展。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于3D激光雷达的车辆位姿定位方法及系统。
本发明的目的可以通过以下技术方案来实现:
一种基于3D激光雷达的车辆位姿定位方法,包括以下步骤:
步骤1:分别利用3D激光雷达和单目摄像头获取目标车辆的特征点云数据和特征图像数据;
步骤2:利用车型判别模块对目标车辆的车型进行判别;
步骤3:根据车型判别结果从云端点云数据库调取对应车型的特征点云数据;
步骤4:对采集的特征点云数据与云端点云数据进行匹配,获取采集的特征点云数据相对于云端点云数据的刚体旋转矩阵和平移向量;
步骤5:根据刚体旋转矩阵和平移向量得出车辆位姿信息定位结果。
进一步地,所述的步骤1中的3D激光雷达设置于泊车机器人上或泊车中转区正对目标车辆的指定位置处。
进一步地,所述的步骤1中的单目摄像头设置于泊车机器人上或泊车中转区正对目标车辆的指定位置处。
进一步地,所述步骤2中的车辆车型检测模块采用经深度学习卷积神经网络训练所得的车辆车型检测模块,所述深度学习卷积神经网络的输入为所述特征图像数据,其输出为车型判别结果。
进一步地,所述步骤4采用迭代最近点算法获取采集的特征点云数据相对于云端点云数据的刚体旋转矩阵和平移向量。
进一步地,所述迭代最近点算法对应的目标优化函数为:
式中,pi为所采集的特征点云数据,p′i为云端点云数据库中对应的点云数据,R为刚体旋转矩阵,t为平移向量。
本发明还提供一种采用所述基于3D激光雷达的车辆位姿定位方法的系统,该系统由3D激光雷达、单目摄像头、车型判别模块、云端点云数据库和点云数据匹配模块组成。
与现有技术相比,本发明具有以下优点:
第一.因为多线激光雷达能够在各种复杂的工况下采集准确的目标车辆点云数据,同时辅以具有较高的鲁棒性的检测算法,因此,本发明的车辆位姿定位方法具有很高的稳健性,在复杂工况下也能够保证检测结果的相对准确性。
第二.本发明所提出的目标车辆位姿定位方法与系统,不需要额外的辅助定位装置,不需要车主将车辆停放至狭小的指定区域,能够提高车主在使用智能泊车系统时的停车体验,同时利于智能泊车技术的推广。
第三.本发明所提出的目标车辆位姿定位方法与系统,只需依赖一个激光雷达和单目摄像头,成本较低。
第四.本发明所提出的目标车辆位姿定位方法与系统,算法效率较高,能够满足智能泊车技术在对位过程的实时性要求。
附图说明
图1为本发明的方法流程示意图;
图2为本发明所采用的车型判别模块的网络结构图;
图3为本发明所采用的点云匹配算法结果示意图。
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,所描述的实施例是本发明的一部分实施例,而不是全部实施例。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的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
实施例
本发明提供了一种利用3D激光雷达的车辆位姿定位系统,其中车辆位姿定位系统主要由3D激光雷达、单目摄像头、车型判别模块、云端点云数据库、点云数据匹配模块所组成。通过上述传感器与功能模块的共同作用,最终得到目标车辆的位姿信息。
其中3D激光雷达可部署于泊车机器人上,也可部署于指定的泊车中转区,3D激光雷达以自身位置为原点,以一定帧率的速度采集目标车辆的点云数据,在本发明的优选实施例中,3D激光雷达部署于泊车机器人上,离地高度大约1m,激光雷达能够尽可能多的采集目标车辆的点云数据,利于点云数据的匹配结果的精准性。
其中单目摄像头可部署于泊车机器人上,也可部署于指定的泊车中转区,单目摄像头的部署应保证能尽可能正对目标车辆的前部,在本发明的优选实施例中,单目摄像头部署于泊车机器人上,正对泊车机器人搬运车辆方向,位于3D激光雷达下方。
其中车型判别模块为利用各大车型的前部图像数据,根据深度学习技术,搭建车型判别的卷积神经网络,经过训练所得。在本发明的优选实施例中,车型判别模块的卷积神经网络以ResNet、VGGNet等著名卷积神经网络进行迁移训练所得。
其中云端点云数据库为对各大车型的车辆在指定区域,利用车辆位姿定位系统的同一型号3D激光雷达采集并按车型分类存放于所得。
其中点云数据匹配模块用于实现对目标车辆的点云数据与数据库中相应车辆点云数据的匹配,进而获取目标车辆点云数据相对于数据库中点云数据的刚体旋转矩阵R和平移向量t。在本发明的优选实施例中,利用迭代最近点算法(Iterative Closest Point,ICP)进行求解相应的匹配结果。
本发明提供了一种利用3D激光雷达的车辆位姿定位方法,其定位方法为:首先利用3D激光雷达获取目标车的特征点云数据、利用单目摄像头获取车辆的特征图像数据;然后利用车辆车型检测模块进行判别;根据判别结果,从云端数据库调取对应车型的点云数据,然后利用迭代最近点算法(Iterative Closest Point,ICP)对所采集的目标车辆特征点云数据与云端点云数据进行匹配获取目标车辆的刚体旋转矩阵与位移向量;最后依据刚体旋转矩阵与位移向量获取目标车辆的位姿信息。具体步骤如下:
(1)、利用3D激光雷达获取目标车的特征点云数据、利用单目摄像头获取车辆的特征图像数据;
(2)、利用结合深度学习CNN卷积神经网络的车型判别模块对目标车辆的车型进行判断;
(3)、根据车型判别结果从云端点云数据库调取对对应车型的特征点云数据
(4)、对采集的特征点云数据与云端点云数据进行匹配,获取采集点云数据相对于云端点云数据的刚体旋转矩阵R和平移向量t;
(5)、根据刚体旋转矩阵R和平移向量t作为对车辆位姿信息的定位结果。
在步骤(2)中的CNN卷积神经网络的车型判别模块通过对ResNet、VGGNet等著名网络结构进行迁移训练得到,神经网络结构具体如图2所示;
在步骤(4)中的点云匹配过程中,利用迭代最近点算法(Iterative ClosestPoint,ICP),其目标优化函数为:
上式中pi为所采集的点云数据,p′i为所云端数据库中的对应的点云数据,R为刚体旋转矩阵,t为平移向量。
求解时,通过数学变化可将该求解过程简化为以下3个步骤:
(5-1)计算两组点的质心位置p,p′,然后计算每个点的去质心坐标:
qi=pi-p,q′i=p′i-p′
(5-2)根据优化问题计算旋转矩阵:
(5-3)根据(5-2)所求的R,计算t:
t*=p-Rp′
本实施例的算法实际匹配效果如图3所示,本发明的流程图如图1所示。
总之,本发明提出了一种基于3D激光雷达的车辆位姿定位方法与系统,在智能泊车技术领域,对目标车辆的位姿信息的精准检测是实现泊车机器人对目标车辆进行精准对位的关键任务之一。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (7)
1.一种基于3D激光雷达的车辆位姿定位方法,其特征在于,包括以下步骤:
步骤1:分别利用3D激光雷达和单目摄像头获取目标车辆的特征点云数据和特征图像数据;
步骤2:利用车型判别模块对目标车辆的车型进行判别;
步骤3:根据车型判别结果从云端点云数据库调取对应车型的特征点云数据;
步骤4:对采集的特征点云数据与云端点云数据进行匹配,获取采集的特征点云数据相对于云端点云数据的刚体旋转矩阵和平移向量;
步骤5:根据刚体旋转矩阵和平移向量得出车辆位姿信息定位结果。
2.根据权利要求1所述的一种基于3D激光雷达的车辆位姿定位方法,其特征在于,所述的步骤1中的3D激光雷达设置于泊车机器人上或泊车中转区正对目标车辆的指定位置处。
3.根据权利要求1所述的一种基于3D激光雷达的车辆位姿定位方法,其特征在于,所述的步骤1中的单目摄像头设置于泊车机器人上或泊车中转区正对目标车辆的指定位置处。
4.根据权利要求1所述的一种基于3D激光雷达的车辆位姿定位方法,其特征在于,所述步骤2中的车辆车型检测模块采用经深度学习卷积神经网络训练所得的车辆车型检测模块,所述深度学习卷积神经网络的输入为所述特征图像数据,其输出为车型判别结果。
5.根据权利要求1所述的一种基于3D激光雷达的车辆位姿定位方法,其特征在于,所述步骤4采用迭代最近点算法获取采集的特征点云数据相对于云端点云数据的刚体旋转矩阵和平移向量。
6.根据权利要求5所述的一种基于3D激光雷达的车辆位姿定位方法,其特征在于,所述迭代最近点算法对应的目标优化函数为:
式中,pi为所采集的特征点云数据,p′i为云端点云数据库中对应的点云数据,R为刚体旋转矩阵,t为平移向量。
7.一种采用如权利要求1~6中任意一项所述的基于3D激光雷达的车辆位姿定位方法的系统,其特征在于,该系统由3D激光雷达、单目摄像头、车型判别模块、云端点云数据库和点云数据匹配模块组成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910206464.0A CN110082779A (zh) | 2019-03-19 | 2019-03-19 | 一种基于3d激光雷达的车辆位姿定位方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910206464.0A CN110082779A (zh) | 2019-03-19 | 2019-03-19 | 一种基于3d激光雷达的车辆位姿定位方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110082779A true CN110082779A (zh) | 2019-08-02 |
Family
ID=67413277
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910206464.0A Pending CN110082779A (zh) | 2019-03-19 | 2019-03-19 | 一种基于3d激光雷达的车辆位姿定位方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110082779A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111047703A (zh) * | 2019-12-23 | 2020-04-21 | 杭州电力设备制造有限公司 | 一种用户高压配电设备识别与空间重建方法 |
CN111539973A (zh) * | 2020-04-28 | 2020-08-14 | 北京百度网讯科技有限公司 | 用于检测车辆位姿的方法及装置 |
CN111833401A (zh) * | 2020-06-12 | 2020-10-27 | 华中科技大学 | 一种基于双面点云信息的快速测距方法及其系统 |
CN112529783A (zh) * | 2019-09-19 | 2021-03-19 | 北京京东乾石科技有限公司 | 图像处理方法、图像处理装置、存储介质和电子设备 |
WO2021143778A1 (zh) * | 2020-01-14 | 2021-07-22 | 长沙智能驾驶研究院有限公司 | 一种基于激光雷达的定位方法 |
CN113435392A (zh) * | 2021-07-09 | 2021-09-24 | 阿波罗智能技术(北京)有限公司 | 应用于自动泊车的车辆定位方法、装置及车辆 |
WO2022007504A1 (zh) * | 2020-07-09 | 2022-01-13 | 北京京东乾石科技有限公司 | 位置确定方法、装置、系统和计算机可读存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105488459A (zh) * | 2015-11-23 | 2016-04-13 | 上海汽车集团股份有限公司 | 车载3d道路实时重构方法及装置 |
CN106541945A (zh) * | 2016-11-15 | 2017-03-29 | 广州大学 | 一种基于icp算法的无人车自动泊车方法 |
US20180246515A1 (en) * | 2017-02-28 | 2018-08-30 | Mitsubishi Electric Research Laboratories, Inc. | Vehicle Automated Parking System and Method |
US20180299273A1 (en) * | 2017-04-17 | 2018-10-18 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for positioning vehicle |
CA3003427A1 (en) * | 2017-05-24 | 2018-11-24 | Jena-Optronik Gmbh | Method for detecting and autonomously tracking a target object by means of a lidar sensor |
CN108932736A (zh) * | 2018-05-30 | 2018-12-04 | 南昌大学 | 二维激光雷达点云数据处理方法以及动态机器人位姿校准方法 |
CN109035841A (zh) * | 2018-09-30 | 2018-12-18 | 上海交通大学 | 停车场车辆定位系统及方法 |
CN109297510A (zh) * | 2018-09-27 | 2019-02-01 | 百度在线网络技术(北京)有限公司 | 相对位姿标定方法、装置、设备及介质 |
CN109345510A (zh) * | 2018-09-07 | 2019-02-15 | 百度在线网络技术(北京)有限公司 | 物体检测方法、装置、设备、存储介质及车辆 |
CN109386155A (zh) * | 2018-09-20 | 2019-02-26 | 同济大学 | 面向自动化停车场的无人泊车搬运机器人的对位方法 |
-
2019
- 2019-03-19 CN CN201910206464.0A patent/CN110082779A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105488459A (zh) * | 2015-11-23 | 2016-04-13 | 上海汽车集团股份有限公司 | 车载3d道路实时重构方法及装置 |
CN106541945A (zh) * | 2016-11-15 | 2017-03-29 | 广州大学 | 一种基于icp算法的无人车自动泊车方法 |
US20180246515A1 (en) * | 2017-02-28 | 2018-08-30 | Mitsubishi Electric Research Laboratories, Inc. | Vehicle Automated Parking System and Method |
US20180299273A1 (en) * | 2017-04-17 | 2018-10-18 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for positioning vehicle |
CA3003427A1 (en) * | 2017-05-24 | 2018-11-24 | Jena-Optronik Gmbh | Method for detecting and autonomously tracking a target object by means of a lidar sensor |
CN108932736A (zh) * | 2018-05-30 | 2018-12-04 | 南昌大学 | 二维激光雷达点云数据处理方法以及动态机器人位姿校准方法 |
CN109345510A (zh) * | 2018-09-07 | 2019-02-15 | 百度在线网络技术(北京)有限公司 | 物体检测方法、装置、设备、存储介质及车辆 |
CN109386155A (zh) * | 2018-09-20 | 2019-02-26 | 同济大学 | 面向自动化停车场的无人泊车搬运机器人的对位方法 |
CN109297510A (zh) * | 2018-09-27 | 2019-02-01 | 百度在线网络技术(北京)有限公司 | 相对位姿标定方法、装置、设备及介质 |
CN109035841A (zh) * | 2018-09-30 | 2018-12-18 | 上海交通大学 | 停车场车辆定位系统及方法 |
Non-Patent Citations (3)
Title |
---|
F. AGHILI AND C. Y. SU: "《Robust Relative Navigation by Integration of ICP and Adaptive Kalman Filter Using Laser Scanner and IMU》", 《IEEE/ASME TRANSACTIONS ON MECHATRONICS》 * |
张元; 杨志卿: "《基于图论的单线激光雷达数据匹配方法》", 《红外与激光工程》 * |
李帅帅; 鲍晨; 沈勇: "《 路面不平度识别与地图匹配在车辆定位中的应用》", 《汽车零部件》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112529783A (zh) * | 2019-09-19 | 2021-03-19 | 北京京东乾石科技有限公司 | 图像处理方法、图像处理装置、存储介质和电子设备 |
CN112529783B (zh) * | 2019-09-19 | 2024-01-16 | 北京京东乾石科技有限公司 | 图像处理方法、图像处理装置、存储介质和电子设备 |
CN111047703A (zh) * | 2019-12-23 | 2020-04-21 | 杭州电力设备制造有限公司 | 一种用户高压配电设备识别与空间重建方法 |
CN111047703B (zh) * | 2019-12-23 | 2023-09-26 | 杭州电力设备制造有限公司 | 一种用户高压配电设备识别与空间重建方法 |
WO2021143778A1 (zh) * | 2020-01-14 | 2021-07-22 | 长沙智能驾驶研究院有限公司 | 一种基于激光雷达的定位方法 |
CN111539973A (zh) * | 2020-04-28 | 2020-08-14 | 北京百度网讯科技有限公司 | 用于检测车辆位姿的方法及装置 |
CN111539973B (zh) * | 2020-04-28 | 2021-10-01 | 北京百度网讯科技有限公司 | 用于检测车辆位姿的方法及装置 |
CN111833401A (zh) * | 2020-06-12 | 2020-10-27 | 华中科技大学 | 一种基于双面点云信息的快速测距方法及其系统 |
CN111833401B (zh) * | 2020-06-12 | 2022-05-27 | 华中科技大学 | 一种基于双面点云信息的快速测距方法及其系统 |
WO2022007504A1 (zh) * | 2020-07-09 | 2022-01-13 | 北京京东乾石科技有限公司 | 位置确定方法、装置、系统和计算机可读存储介质 |
CN113435392A (zh) * | 2021-07-09 | 2021-09-24 | 阿波罗智能技术(北京)有限公司 | 应用于自动泊车的车辆定位方法、装置及车辆 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110082779A (zh) | 一种基于3d激光雷达的车辆位姿定位方法及系统 | |
CN102982557B (zh) | 基于深度相机的空间手势姿态指令处理方法 | |
CN114384920B (zh) | 一种基于局部栅格地图实时构建的动态避障方法 | |
CN104848851B (zh) | 基于多传感器数据融合构图的变电站巡检机器人及其方法 | |
CN101941438B (zh) | 安全车距智能检控装置与方法 | |
CN109460709A (zh) | 基于rgb和d信息融合的rtg视觉障碍物检测的方法 | |
CN108986037A (zh) | 基于半直接法的单目视觉里程计定位方法及定位系统 | |
CN109270534A (zh) | 一种智能车激光传感器与相机在线标定方法 | |
CN102722697B (zh) | 一种无人飞行器视觉自主导引着陆的目标跟踪方法 | |
CN107167139A (zh) | 一种变电站巡检机器人视觉定位导航方法及系统 | |
CN106919915A (zh) | 基于adas系统的地图道路标记及道路质量采集装置及方法 | |
CN108051002A (zh) | 基于惯性测量辅助视觉的运输车空间定位方法及系统 | |
CN107481315A (zh) | 一种基于Harris‑SIFT‑BRIEF算法的单目视觉三维环境重建方法 | |
CN109949375A (zh) | 一种基于深度图感兴趣区域的移动机器人目标跟踪方法 | |
CN109166140A (zh) | 一种基于多线激光雷达的车辆运动轨迹估计方法及系统 | |
CN101520892B (zh) | 可见光图像中弱小目标的检测方法 | |
CN103605978A (zh) | 基于三维实景数据的城市违章建筑识别系统及方法 | |
CN105005999A (zh) | 一种基于计算机立体视觉面向导盲仪的障碍物探测方法 | |
CN110675453B (zh) | 一种已知场景中运动目标的自定位方法 | |
CN110243380A (zh) | 一种基于多传感器数据与角度特征识别的地图匹配方法 | |
CN106780631A (zh) | 一种基于深度学习的机器人闭环检测方法 | |
CN111967360A (zh) | 基于车轮的目标车辆姿态检测方法 | |
CN109766757A (zh) | 一种融合车辆和视觉信息的泊车位高精度定位方法及系统 | |
CN110378210A (zh) | 一种基于轻量化YOLOv3的车辆和车牌检测及长短焦融合测距方法 | |
CN107796373A (zh) | 一种基于车道平面几何模型驱动的前方车辆单目视觉的测距方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190802 |
|
RJ01 | Rejection of invention patent application after publication |