CN110187375A - 一种基于slam定位结果提高定位精度的方法及装置 - Google Patents

一种基于slam定位结果提高定位精度的方法及装置 Download PDF

Info

Publication number
CN110187375A
CN110187375A CN201910570049.3A CN201910570049A CN110187375A CN 110187375 A CN110187375 A CN 110187375A CN 201910570049 A CN201910570049 A CN 201910570049A CN 110187375 A CN110187375 A CN 110187375A
Authority
CN
China
Prior art keywords
data
slam
gps
positioning
gps positioning
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
Application number
CN201910570049.3A
Other languages
English (en)
Inventor
白海江
胡铮铭
聂文
罗跃军
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.)
Wuhan Zhonghai Data Technology Co Ltd
Original Assignee
Wuhan Zhonghai Data 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 Wuhan Zhonghai Data Technology Co Ltd filed Critical Wuhan Zhonghai Data Technology Co Ltd
Priority to CN201910570049.3A priority Critical patent/CN110187375A/zh
Publication of CN110187375A publication Critical patent/CN110187375A/zh
Pending legal-status Critical Current

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
    • G01C21/26—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
    • 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
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/42—Determining position
    • G01S19/48—Determining position by combining or switching between position solutions derived from the satellite radio beacon positioning system and position solutions derived from a further system

Abstract

本发明涉及一种基于SLAM定位结果提高定位精度的方法及装置，该方法通过激光/视觉SLAM方法，利用激光雷达或图像数据进行求解定位，得到SLAM定位数据，同时获取GPS定位数据；利用所述SLAM定位数据替换信号状态差的GPS定位数据，并将所述SLAM定位数据与所述信号状态好的GPS定位数据进行融合得到完整的车辆位姿信息和移动传感器信息。本发明通过融合激光/视觉SLAM定位结果及GPS定位信息，有效提高GPS在信号失锁及信号较差情况下的行车定位精度。

Description

一种基于SLAM定位结果提高定位精度的方法及装置
技术领域
本发明涉及智能驾驶技术领域，具体涉及一种基于SLAM定位结果在只能驾驶车辆出现GPS失锁或定位状态价差的情况下提高定位精度的方法及装置。
背景技术
全球定位系统(GPS)是当前行车定位不可或缺的技术，在智能驾驶定位中也担负着相当重要的职责。GPS系统包括太空中的32颗GPS卫星，地面上1个主控站、3个数据注入站和5个监测站及作为用户端的GPS接收机。最少只需其中3颗卫星，就能迅速确定用户端在地球上所处的位置及海拔高度。现在民用GPS可以达到十米左右的定位精度。GPS系统使用低频讯号，纵使天候不佳仍能保持相当的讯号穿透性。GPS定位系统是利用卫星基本三角定位原理、GPS接收装置以量测无线电信号的传输时间来量测距离。由每颗卫星的所在位置，测量每颗卫星至接受器间距离，便可以算出接受器所在位置之三维空间坐标值。使用者只要利用接受装置接收到3个卫星信号，就可以定出使用者所在之位置。卫星距离测量存在着卫星钟与播延迟导致的误差等问题，通常利用差分技术来消除或者降低这些误差，让GPS达到更高的精度。然而无人车是在复杂的动态环境中行驶，尤其在大城市，GPS多路径反射的问题会很明显，这样得到的GPS定位信息很容易就有几米的误差。
SLAM(Simultaneous Localization and Mapping)，同步定位与地图构建，最早在机器人领域提出，它指的是：机器人从未知环境的未知地点出发，在运动过程中通过重复观测到的环境特征定位自身位置和姿态，再根据自身位置构建周围环境的增量式地图，从而达到同时定位和地图构建的目的。SLAM技术也是智能驾驶主要定位方法之一。
发明内容
本发明针对现有技术中存在的技术问题，提供一种基于SLAM定位结果提高定位精度的方法及装置。
本发明解决上述技术问题的技术方案如下：
第一方面，本发明提供一种基于SLAM定位结果提高定位精度的方法，包括以下步骤：
通过激光/视觉SLAM方法，利用激光雷达或图像数据进行求解定位，得到SLAM定位数据，同时获取GPS定位数据；
利用所述SLAM定位数据替换信号状态差的GPS定位数据，并将所述SLAM定位数据与所述信号状态好的GPS定位数据进行融合得到完整的车辆位姿信息和移动传感器信息。
进一步的，所述的利用所述SLAM定位数据替换信号状态差的GPS定位数据，并将所述SLAM定位数据与所述信号状态好的GPS定位数据进行融合得到完整的车辆位姿信息和移动传感器信息，包括：
将所述SLAM定位结果与所述GPS定位数据进行时间戳对齐，同时对所述GPS定位数据进行坐标转换，将GPS定位数据变换到直角坐标系下；
根据GPS状态标志对所述GPS定位数据进行分段，得到信号状态好的GPS定位数据和信号状态差的GPS定位数据；
利用信号状态差的GPS定位数据对应的SLAM定位数据与所述信号状态好的GPS定位数据融合，得到完整的车辆位姿信息和移动传感器信息。
进一步的，所述的将所述SLAM定位结果与所述GPS定位数据进行时间戳对齐，包括：
根据时间戳以及所述GPS数据采集频率对SLAM定位结果进行插值，针对位置(x,y,z)插值使用线性或非线性插值，针对姿态(roll,pitch,yaw)插值使用四元数球面线性插值。
进一步的，所述的利用信号状态差的GPS定位数据对应的SLAM定位数据与所述信号状态好的GPS定位数据融合，得到完整的车辆位姿信息和移动传感器信息，包括：
根据对齐的时间戳信息，用所述信号状态好的GPS定位数据与所述SLAM定位数据分段求解7参数，得到7参数模型；
筛选信号状态差的GPS定位数据分段；
利用所述7参数模型，将所述信号状态差的GPS定位数据分段对应的SLAM定位数据分段转换到GPS坐标系下，与所述信号状态好的GPS定位数据进行融合，得到完整的车辆位姿信息和移动传感器信息。
进一步的，在所述SLAM定位数据与所述信号状态好的GPS定位数据进行融合之后，还包括：
利用卡尔曼滤波算法对数据融合后得到的车辆位姿信息和移动传感器信息进行优化。
具体的，所述的利用卡尔曼滤波算法对数据融合后得到的车辆位姿信息和移动传感器信息进行优化，包括：
在所述GPS定位数据分段与所述SLAM定位数据分段融合连接位置，基于前一时刻的定位数据预测当前时刻的定位数据；同时基于前一时刻的协方差矩阵预测当前时刻的协方差矩阵；
根据当前时刻的协方差矩阵计算卡尔曼增益，并利用所述卡尔曼增益计算更新当前时刻的定位数据以及协方差矩阵。
第二方面，本发明还提供一种基于SLAM定位结果提高定位精度的装置，包括：
定位数据获取模块，用于通过激光/视觉SLAM方法，利用激光雷达或图像数据进行求解定位，得到SLAM定位数据，同时获取GPS定位数据；
数据融合模块，用于利用所述SLAM定位数据替换信号状态差的GPS定位数据，并将所述SLAM定位数据与所述信号状态好的GPS定位数据进行融合得到完整的车辆位姿信息和移动传感器信息。
第三方面，本发明还提供一种基于SLAM定位结果提高定位精度的装置，包括：
存储器，用于存储计算机软件程序；
处理器，用于读取并执行所述存储器中存储的计算机软件程序，实现上述的一种基于SLAM定位结果提高定位精度的方法。
第四方面，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中，存储有用于实现上述的一种基于SLAM定位结果提高定位精度的方法的计算机软件程序。
本发明的有益效果是：本方法通过融合激光/视觉SLAM定位结果及GPS定位信息，有效提高GPS在信号失锁及信号较差情况下的行车定位精度。
附图说明
图1为本发明实施例一提供的方法流程图；
图2为本发明实施例二提供的装置结构图
图3为本发明实施例三提供的装置结构图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
实施例1
如图1所示，本发明实施例提供一种基于SLAM定位结果提高定位精度的方法，包括以下步骤：
步骤1，激光/视觉SLAM定位
通过用激光/视觉SLAM方法(ORB-SLAM2或VINS等)，利用激光雷达或图像数据进行求解定位，得到轨迹平滑的定位结果。
以开源视觉SLAM方法——ORB-SLAM2为例说明，激光/视觉SLAM实现过程类似，这里不做细节展开。ORB-SLAM2是基于单目，双目和RGB-D相机的一套完整的SLAM方案。它能够实现地图重用，回环检测和重新定位的功能。ORB-SLAM2系统采用了光束优化法(BA，BundleAdjustment)，是指从视觉重建中提取出优化的3D模型和相机参数(内参数和外参数)，从每一个特征点反射出来的几束光线(bundles oflight rays)，在我们把相机姿态和特征点空间位置做出最优的调整(adjustment)之后，最后收束到相机光心的过程。系统优化在跟踪过程(纯运动BA)中相机的位姿，优化本地窗口的关键帧和局部地图的特征点(局部BA)，并且在回环检测之后优化所有的关键帧和特征点(全局BA)。以双目为例，输入双目图像及相机内参、相机外参数据，经过4个步骤进行求解：特征跟踪、局部建图、回环检测以及BA优化。具体过程：
(1)特征跟踪：通过寻找对局部地图的特征，并且进行匹配，以及只运用BA算法来最小化重投影误差，进行跟踪和定位每帧的相机；
(2)局部建图：运用局部的BA算法设置局比地图并且优化；
(3)回环检测：回环检测检能够通过执行位姿图的优化来更正累计漂移误差。在位姿优化之后，执行全局BA算法，来计算整个系统最优结构和运动的结果；
(4)BA优化：优化所有的关键帧和特征点(全局BA)，输出优化后的定位结果。
步骤2，数据转换
SLAM定位结果与同车采集GPS数据进行时间戳对齐，根据时间戳对SLAM定位结果进行插值，位置(x,y,z)插值使用线性/非线性插值，姿态(roll,pitch,yaw)插值使用四元数球面线性插值。将GPS原始数据变换到直角坐标系下，如UTM坐标系或高斯坐标系。
一般不同传感器的数据输出频率是不一致的，例如相机一般的输出频率为30Hz，GPS接收机输出频率为100Hz，要融合多种传感器数据，就需要对不同频率的数据进行对齐，通常采用插值方法。对齐相机数据和GPS数据，以时间戳为基准，采用线性插值的方式，对相机数据进行插值，得到和GPS数据时间戳对齐的100Hz的相机数据。
步骤3：SLAM定位数据与GPS数据对齐
通常GPS接收机输出的数据中会包含当前GPS的状态信息，以GPGGA格式GPS输出为例：
格式示例：
$GPGGA,014434.70,3817.13334637,N,12139.72994196,E,4,07,1.5,6.571,M,8.942,M,0.7,0016*7B
该数据帧的结构及各字段释义如下：
$GPGGA,<1>,<2>,<3>,<4>,<5>,<6>,<7>,<8>,<9>,M,<10>,M,<11>,<12>*xx<CR><LF>
其中<6>表示GPS状态值：0初始化，1单点定位，2码差分，3无效PPS，4固定解，5浮点解，6正在估算，7人工输入固定值，8模拟模式，9WAAS差分。根据GPS定位状态指标对GPS信号进行分段标记，通常以固定解状态(GPS状态值4)表示GPS状态好，其余状态表示GPS状态差。根据对齐的时间戳信息，用状态好的GPS数据与SLAM结果数据分段求解7参数，具体方法为：通过三个或三个以上已知点求解七参数模型中的参数：不同空间直角坐标系之间的变换，其参数有(XA,YA,ZA,ωX,ωY,ωZ,m)7个，其中(XA,YA,ZA)为坐标平移量，(ωX,ωY,ωZ)坐标轴间的三个旋转角度(又称为欧拉角)，m为尺度因子。7参数模型采用先旋转，后缩放，再平移的步骤：
A为已知坐标系坐标，B为待定坐标系坐标。
其中，
建立方程组，利用最小二乘法求解得到7参数。
根据对应段的7参数运用上述7参数模型，将GPS状态差的情况下对应的SLAM结果转换到GPS坐标系下，与GPS状态好的数据进行初步融合。
步骤4，轨迹融合
用卡尔曼滤波算法将初步融合的数据段进行优化，使拼接接口平滑。卡尔曼滤波(Kalman filter)是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。通常用一个运动模型和一个观测模型来描述车辆的运动状态。用t＝(1,2,...,N)表示运动离散时刻，x表示车辆自身位置，各时刻位置就记为x1,x2,...,xN，而车辆在t时刻观测到一个路标会生成一个观测数据，记为z1,z2,...,zN，运动就是指从k-1时刻到k时刻，车辆的位置x是如何变化的，观测就是指车辆在t时刻观测到一个路标会生成一个观测数据，记为z1,z2,...,zN。
首先给出移动车辆运动模型和观测模型：
运动模型：xk＝Akxk-1+uk+wk
观测模型：zk＝Ckxk+vk
其中，时刻k＝(1,2,...,N)，xk表示k时刻车辆的位置，为了运算方便，通常将位置坐标用一个3×1的向量(x,y,z)来表示，Ak为一个系数矩阵，表示车辆位置从xk-1变换到xk的变换关系(通常为3×3)，uk是运动传感器的数据(输入)，zk表示k时刻移动车辆的观测数据，Ck为位置转换矩阵，wk、vk为噪声，假设噪声服从高斯分布，记：wk～N(0,R)，vk～N(0,Q)，R、Q表示方差，k时刻协方差矩阵记为：P'k＝AkPk-1Ak T+R。
举一个和卡尔曼滤波算法相关的例子。考虑随机变量x～N(ux,Ex)，另一个变量y满足：
y＝A'x+b+w
其中，A'，b为线性变量的系数矩阵和偏移量，w为噪声项，其为零均值的高斯分布：w～N(0,R')。于是y的分布为：
P(y)＝N(Aux+b,A'ExA'T+R')
卡尔曼滤波算法包含预测和更新两个阶段：
预测：
x'k＝Akxk-1+uk
P'k＝AkPk-1Ak T+R
更新：
先计算卡尔曼增益K：
K＝P'kCk T(CkP'kCk T+Qk)-1
然后计算后验概率分布：
xk＝x'k+K(zk-Ckx'k)
Pk＝(I-KCk)P'k
输入融合后的车辆位置信息(输入x)、姿态信息(A)以及移动传感器(IMU、里程计等)信息(观测z)，利用卡尔曼滤波算法，可以得到滤波后的位姿信息，整体呈现平滑状态，能够有效提高融合数据接口处的平滑性及整体精度。
与现有技术相比，本实施例提供的方法有效提高GPS在失锁及型号较差情况下的定位精度，可实时输出轨迹平滑的定位信息，不会破坏GPS状态好的情况下的定位精度。
实施例2
如图2所示，本发明实施例提供一种基于SLAM定位结果提高定位精度的装置，包括：
定位数据获取模块，用于通过激光/视觉SLAM方法，利用激光雷达或图像数据进行求解定位，得到SLAM定位数据，同时获取GPS定位数据；
数据融合模块，用于利用所述SLAM定位数据替换信号状态差的GPS定位数据，并将所述SLAM定位数据与所述信号状态好的GPS定位数据进行融合得到完整的车辆位姿信息和移动传感器信息。
实施例3
如图3所示，本发明实施例提供了一种基于SLAM定位结果提高定位精度的装置，包括：
存储器，用于存储计算机软件程序；
处理器，用于读取并执行所述存储器中存储的计算机软件程序，实现实施例一所述的一种基于SLAM定位结果提高定位精度的方法。
实施例4
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质中，存储有用于实现实施例一所述的一种基于SLAM定位结果提高定位精度的方法的计算机软件程序。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于SLAM定位结果提高定位精度的方法，其特征在于，包括以下步骤：
通过激光/视觉SLAM方法，利用激光雷达或图像数据进行求解定位，得到SLAM定位数据，同时获取GPS定位数据；
利用所述SLAM定位数据替换信号状态差的GPS定位数据，并将所述SLAM定位数据与所述信号状态好的GPS定位数据进行融合得到完整的车辆位姿信息和移动传感器信息。
2.根据权利要求1所述的方法，其特征在于，所述的利用所述SLAM定位数据替换信号状态差的GPS定位数据，并将所述SLAM定位数据与所述信号状态好的GPS定位数据进行融合得到完整的车辆位姿信息和移动传感器信息，包括：
将所述SLAM定位结果与所述GPS定位数据进行时间戳对齐，同时对所述GPS定位数据进行坐标转换，将GPS定位数据变换到直角坐标系下；
根据GPS状态标志对所述GPS定位数据进行分段，得到信号状态好的GPS定位数据和信号状态差的GPS定位数据；
利用信号状态差的GPS定位数据对应的SLAM定位数据与所述信号状态好的GPS定位数据融合，得到完整的车辆位姿信息和移动传感器信息。
3.根据权利要求2所述的方法，其特征在于，所述的将所述SLAM定位结果与所述GPS定位数据进行时间戳对齐，包括：
根据时间戳以及所述GPS数据采集频率对SLAM定位结果进行插值，针对位置(x,y,z)插值使用线性或非线性插值，针对姿态(roll,pitch,yaw)插值使用四元数球面线性插值。
4.根据权利要求2所述的方法，其特征在于，所述的利用信号状态差的GPS定位数据对应的SLAM定位数据与所述信号状态好的GPS定位数据融合，得到完整的车辆位姿信息和移动传感器信息，包括：
根据对齐的时间戳信息，用所述信号状态好的GPS定位数据与所述SLAM定位数据分段求解7参数，得到7参数模型；
筛选信号状态差的GPS定位数据分段；
利用所述7参数模型，将所述信号状态差的GPS定位数据分段对应的SLAM定位数据分段转换到GPS坐标系下，与所述信号状态好的GPS定位数据进行融合，得到完整的车辆位姿信息和移动传感器信息。
5.根据权利要求1-4任一项所述的方法，其特征在于，在所述SLAM定位数据与所述信号状态好的GPS定位数据进行融合之后，还包括：
利用卡尔曼滤波算法对数据融合后得到的车辆位姿信息和移动传感器信息进行优化。
6.根据权利要求5所述的方法，其特征在于，所述的利用卡尔曼滤波算法对数据融合后得到的车辆位姿信息和移动传感器信息进行优化，包括：
在所述GPS定位数据分段与所述SLAM定位数据分段融合连接位置，基于前一时刻的定位数据预测当前时刻的定位数据；同时基于前一时刻的协方差矩阵预测当前时刻的协方差矩阵；
根据当前时刻的协方差矩阵计算卡尔曼增益，并利用所述卡尔曼增益计算更新当前时刻的定位数据以及协方差矩阵。
7.一种基于SLAM定位结果提高定位精度的装置，其特征在于，包括：
定位数据获取模块，用于通过激光/视觉SLAM方法，利用激光雷达或图像数据进行求解定位，得到SLAM定位数据，同时获取GPS定位数据；
数据融合模块，用于利用所述SLAM定位数据替换信号状态差的GPS定位数据，并将所述SLAM定位数据与所述信号状态好的GPS定位数据进行融合得到完整的车辆位姿信息和移动传感器信息。
8.一种基于SLAM定位结果提高定位精度的装置，其特征在于，包括：
存储器，用于存储计算机软件程序；
处理器，用于读取并执行所述存储器中存储的计算机软件程序，实现权利要求1-6所述的一种基于SLAM定位结果提高定位精度的方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中，存储有用于实现权利要求1-6所述的一种基于SLAM定位结果提高定位精度的方法的计算机软件程序。
CN201910570049.3A 2019-06-27 2019-06-27 一种基于slam定位结果提高定位精度的方法及装置 Pending CN110187375A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910570049.3A CN110187375A (zh) 2019-06-27 2019-06-27 一种基于slam定位结果提高定位精度的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910570049.3A CN110187375A (zh) 2019-06-27 2019-06-27 一种基于slam定位结果提高定位精度的方法及装置

Publications (1)

Publication Number Publication Date
CN110187375A true CN110187375A (zh) 2019-08-30

Family

ID=67723799

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910570049.3A Pending CN110187375A (zh) 2019-06-27 2019-06-27 一种基于slam定位结果提高定位精度的方法及装置

Country Status (1)

Country Link
CN (1) CN110187375A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110570449A (zh) * 2019-09-16 2019-12-13 电子科技大学 一种基于毫米波雷达与视觉slam的定位与建图方法
CN110595479A (zh) * 2019-09-23 2019-12-20 云南电网有限责任公司电力科学研究院 一种基于icp算法的slam轨迹评估方法
CN111522043A (zh) * 2020-04-30 2020-08-11 北京联合大学 一种无人车激光雷达快速重新匹配定位方法
CN111597281A (zh) * 2020-04-23 2020-08-28 北京百度网讯科技有限公司 车辆定位系统、方法、装置以及电子设备
CN111735446A (zh) * 2020-07-09 2020-10-02 上海思岚科技有限公司 一种激光、视觉定位融合的方法及设备
CN112132754A (zh) * 2020-11-25 2020-12-25 蘑菇车联信息科技有限公司 一种车辆移动轨迹修正方法及相关装置
CN112382116A (zh) * 2020-11-12 2021-02-19 浙江吉利控股集团有限公司 一种用于获取车辆的点云地图的方法和系统
CN112904396A (zh) * 2021-02-03 2021-06-04 深圳亿嘉和科技研发有限公司 一种基于多传感器融合的高精度定位方法及系统
CN113218385A (zh) * 2021-05-24 2021-08-06 周口师范学院 基于slam的高精度车辆定位方法
CN113779012A (zh) * 2021-09-16 2021-12-10 中国电子科技集团公司第五十四研究所 一种用于无人机的单目视觉slam尺度恢复方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015126499A2 (en) * 2013-12-02 2015-08-27 Andrew Irish Systems and methods for gnss snr probabilistic localization and 3-d mapping
CN105607104A (zh) * 2016-01-28 2016-05-25 成都佰纳瑞信息技术有限公司 一种基于gnss与ins的自适应导航定位系统及方法
CN106840179A (zh) * 2017-03-07 2017-06-13 中国科学院合肥物质科学研究院 一种基于多传感器信息融合的智能车定位方法
CN107015260A (zh) * 2017-05-15 2017-08-04 上海华测导航技术股份有限公司 一种高精度车载定位与数据采集的装置
CN109900265A (zh) * 2019-03-15 2019-06-18 武汉大学 一种camera/mems辅助北斗的机器人定位算法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015126499A2 (en) * 2013-12-02 2015-08-27 Andrew Irish Systems and methods for gnss snr probabilistic localization and 3-d mapping
CN105607104A (zh) * 2016-01-28 2016-05-25 成都佰纳瑞信息技术有限公司 一种基于gnss与ins的自适应导航定位系统及方法
CN106840179A (zh) * 2017-03-07 2017-06-13 中国科学院合肥物质科学研究院 一种基于多传感器信息融合的智能车定位方法
CN107015260A (zh) * 2017-05-15 2017-08-04 上海华测导航技术股份有限公司 一种高精度车载定位与数据采集的装置
CN109900265A (zh) * 2019-03-15 2019-06-18 武汉大学 一种camera/mems辅助北斗的机器人定位算法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
吴玲 等: ""车载GPS/北斗/DR组合导航系统研究"", 《电光与控制》 *
唐智慧 等: "《交通运输安全技术》", 30 November 2017 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110570449A (zh) * 2019-09-16 2019-12-13 电子科技大学 一种基于毫米波雷达与视觉slam的定位与建图方法
CN110595479A (zh) * 2019-09-23 2019-12-20 云南电网有限责任公司电力科学研究院 一种基于icp算法的slam轨迹评估方法
CN110595479B (zh) * 2019-09-23 2023-11-17 云南电网有限责任公司电力科学研究院 一种基于icp算法的slam轨迹评估方法
CN111597281A (zh) * 2020-04-23 2020-08-28 北京百度网讯科技有限公司 车辆定位系统、方法、装置以及电子设备
CN111597281B (zh) * 2020-04-23 2023-09-29 北京百度网讯科技有限公司 车辆定位系统、方法、装置以及电子设备
CN111522043B (zh) * 2020-04-30 2023-07-25 北京联合大学 一种无人车激光雷达快速重新匹配定位方法
CN111522043A (zh) * 2020-04-30 2020-08-11 北京联合大学 一种无人车激光雷达快速重新匹配定位方法
CN111735446A (zh) * 2020-07-09 2020-10-02 上海思岚科技有限公司 一种激光、视觉定位融合的方法及设备
CN111735446B (zh) * 2020-07-09 2020-11-13 上海思岚科技有限公司 一种激光、视觉定位融合的方法及设备
CN112382116A (zh) * 2020-11-12 2021-02-19 浙江吉利控股集团有限公司 一种用于获取车辆的点云地图的方法和系统
CN112132754B (zh) * 2020-11-25 2021-06-04 蘑菇车联信息科技有限公司 一种车辆移动轨迹修正方法及相关装置
CN112132754A (zh) * 2020-11-25 2020-12-25 蘑菇车联信息科技有限公司 一种车辆移动轨迹修正方法及相关装置
CN112904396A (zh) * 2021-02-03 2021-06-04 深圳亿嘉和科技研发有限公司 一种基于多传感器融合的高精度定位方法及系统
CN113218385A (zh) * 2021-05-24 2021-08-06 周口师范学院 基于slam的高精度车辆定位方法
CN113779012A (zh) * 2021-09-16 2021-12-10 中国电子科技集团公司第五十四研究所 一种用于无人机的单目视觉slam尺度恢复方法
CN113779012B (zh) * 2021-09-16 2023-03-07 中国电子科技集团公司第五十四研究所 一种用于无人机的单目视觉slam尺度恢复方法

Similar Documents

Publication Publication Date Title
CN110187375A (zh) 一种基于slam定位结果提高定位精度的方法及装置
CN109934920B (zh) 基于低成本设备的高精度三维点云地图构建方法
CN109696663B (zh) 一种车载三维激光雷达标定方法和系统
CN105628026B (zh) 一种移动物体的定位定姿方法和系统
CN112268559B (zh) 复杂环境下融合slam技术的移动测量方法
CN110057354B (zh) 一种基于磁偏角修正的地磁匹配导航方法
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
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
CN114526745B (zh) 一种紧耦合激光雷达和惯性里程计的建图方法及系统
CN112987065B (zh) 一种融合多传感器的手持式slam装置及其控制方法
CN111366153B (zh) 一种激光雷达与imu紧耦合的定位方法
CN113763548B (zh) 基于视觉-激光雷达耦合的贫纹理隧洞建模方法及系统
US20230236280A1 (en) Method and system for positioning indoor autonomous mobile robot
CN113933818A (zh) 激光雷达外参的标定的方法、设备、存储介质及程序产品
CN114119886A (zh) 高精地图点云重建方法、装置、车辆、设备和存储介质
CN106525054A (zh) 一种采用星上推扫遥感图像信息的单星自主测定轨方法
CN115272596A (zh) 一种面向单调无纹理大场景的多传感器融合slam方法
CN115183762A (zh) 一种机场仓库内外建图方法、系统、电子设备及介质
CN114323033A (zh) 基于车道线和特征点的定位方法、设备及自动驾驶车辆
CN113763549A (zh) 融合激光雷达和imu的同时定位建图方法、装置和存储介质
CN116452763A (zh) 一种基于误差卡尔曼滤波和因子图的三维点云地图构建方法
Khoshelham et al. Vehicle positioning in the absence of GNSS signals: Potential of visual-inertial odometry
CN113052855A (zh) 一种基于视觉-imu-轮速计融合的语义slam方法
Ellum et al. A mobile mapping system for the survey community
Wu et al. AFLI-Calib: Robust LiDAR-IMU extrinsic self-calibration based on adaptive frame length LiDAR odometry

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190830