CN110260859A - 一种考虑数据关联间耦合关系的位姿图修正方法 - Google Patents

一种考虑数据关联间耦合关系的位姿图修正方法 Download PDF

Info

Publication number
CN110260859A
CN110260859A CN201910492175.1A CN201910492175A CN110260859A CN 110260859 A CN110260859 A CN 110260859A CN 201910492175 A CN201910492175 A CN 201910492175A CN 110260859 A CN110260859 A CN 110260859A
Authority
CN
China
Prior art keywords
data correlation
data
score
equal
confidence level
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
CN201910492175.1A
Other languages
English (en)
Other versions
CN110260859B (zh
Inventor
马腾
李晔
姜言清
武皓微
丛正
徐硕
贡雨森
凌宇
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.)
Harbin Engineering University
Original Assignee
Harbin Engineering University
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 Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN201910492175.1A priority Critical patent/CN110260859B/zh
Publication of CN110260859A publication Critical patent/CN110260859A/zh
Application granted granted Critical
Publication of CN110260859B publication Critical patent/CN110260859B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
    • G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
    • G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
    • G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
    • 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
    • G01C21/30—Map- or contour-matching
    • G01C21/32—Structuring or formatting of map data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Mathematical Optimization (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Complex Calculations (AREA)

Abstract

本发明涉及一种考虑数据关联间耦合关系的位姿图修正方法，属于水下机器人多波束同步定位与建图领域。包括令N为当前位姿图内由地形匹配得到的数据关联个数，i等于1、j等于1；判断j、i、N的大小关系，计算数据关联j给出的数据关联i的置信度Scorei,j，计算数据关联i总置信度Scorei；判断i与N大小关系，根据当前位姿图内所有数据关联的置信度计算置信度阈值Score_thre；置信程度最小的数据关联其置信度若大于置信度阈值，则输出当前位姿图并停止算法，否则将该数据关联判定为无效数据关联，将其在当前位姿图中移除。本方法不需要依赖于辅助设备，算法执行过程中不需要进行图优化过程，计算效率高且可保证算法在线实时运行，应用前景广阔。

Description

一种考虑数据关联间耦合关系的位姿图修正方法
技术领域
本发明涉及一种考虑数据关联间耦合关系的位姿图修正方法，属于水下机器人多波束同步定位与建图领域。
背景技术
在应用多波束同步定位与建图技术为水下机器人提供精确的导航定位信息时，由于海底地形趋于平缓，且多波束声纳作为一种声学测绘仪器，其测绘效果会受到海洋环境和水下机器人运动的干扰，导致多波束同步定位与建图技术构建得到的位姿图中存在大量的无效数据关联，因而需要对无效数据关联进行识别与剔除，从而实现对位姿图的修正。目前现有位姿图修正方法依赖于后续的图优化阶段，导致计算耗时较长，无法满足水下机器人多波束同步定位与建图的在线运行。
公开日为2017年9月5日、公开号为CN107132521A、发明名称为“一种BSLAM中地形匹配结果正确性判别方法”的专利申请，该方法需要不断循环进行位姿图优化以达到剔除无效数据关联并修正位姿图的目的，由于位姿图优化算法通常由高斯牛顿法等寻优方法实现，计算复杂度较高，导致该方法需要耗费大量时间。
公开日为2015年8月19日、公开号为CN104850615A、发明名称为“一种基于g2o的SLAM后端优化算法方法”的专利申请，该方法通过在位姿图优化中增加开关变量实现对位姿图的修正，导致位姿图优化中求解的变量空间增大，大大增加。
发明内容
本发明的目的是为了对多波束同步定位与建图技术构建得到的位姿图中的无效数据关联进行识别与剔除，实现对位姿图的修正而提供一种考虑数据关联间耦合关系的位姿图修正方法。
本发明的目的是这样实现的，一种考虑数据关联间耦合关系的位姿图修正方法，具体包括以下步骤：
步骤1、令N为当前位姿图内由地形匹配得到的数据关联个数，令i等于1；
步骤2、令j等于1；
步骤3、判断j是否等于i，若j等于i，令j＝j+1，并继续执行步骤3，否则判断j是否大于N，若j不大于N，则计算数据关联j给出的数据关联i的置信度Scorei,j，并令j＝j+1再次执行步骤3，否则计算数据关联i总置信度Scorei并执行步骤4；
步骤4、判断i是否等于N，若是，根据当前位姿图内所有数据关联的置信度计算置信度阈值Score_thre并执行步骤5，否则令i＝i+1并执行步骤2；
步骤5、判断置信程度最小的数据关联其置信度是否大于置信度阈值Score_thre，若大于置信度阈值，输出当前位姿图并停止算法，若小于或等于置信度阈值，则将该数据关联判定为无效数据关联，将其在当前位姿图中移除并执行步骤1。
本发明还包括这样一些结构特征：
一种考虑数据关联间耦合关系的位姿图修正方法，所述步骤3具体包括以下步骤：
步骤3.1、判断j是否等于i，若j等于i，令j＝j+1，并执行步骤3.1，否则执行步骤3.2；
步骤3.2、判断j是否大于N，若j不大于N，则执行步骤3.3，否则执行步骤3.8；
步骤3.3、对于数据关联i(i＝1,2,...,N)与数据关联j(j＝1,2,...,i-1,i+1,...,N)，将两个数据关联对应的四个时刻按时间顺序排列表示为0，1，2，3四个时刻；
步骤3.4、若数据关联i对应的时刻为0和1，则两个数据关联属于平行关系，执行步骤3.5；若数据关联i对应的时刻为2和3，则两个数据关联属于平行关系，执行步骤3.5；若数据关联i对应的时刻为0和3，则两个数据关联属于包含关系，执行步骤3.6；若数据关联i对应的时刻为1和2，则两个数据关联属于包含关系，执行步骤3.6；若数据关联i对应的时刻为0和2，则两个数据关联属于交叉关系，执行步骤3.7；若数据关联i对应的时刻为1和3，则两个数据关联属于交叉关系，执行步骤3.7；
步骤3.5、数据关联j提供的数据关联i的置信度Scorei,j表示为：
式中为3时刻惯性导航系统给出的机器人位置数据，数据关联i和j给出的3时刻水下机器人位置X3和对应信息矩阵C3由下式给出：
式中表示连接k到l时刻的数据关联的大小，根据数据关联结果给出，Skl为连接k到l时刻的数据关联的协方差，表示连接k到l时刻的里程计约束的大小，根据惯性导航系统给出，Okl为连接k到l时刻的里程计约束的协方差，由于水下多波束同步定位与建图中数据关联由地形匹配给出，置信度高，所以数据关联的协方差S01和S23均取值为0.0001，而Okl则以k到l时刻以秒为单位的时间间隔表示；
步骤3.6、数据关联j提供的数据关联i的置信度Scorei,j表示为：
式中X3和C3定义与步骤3.5相同，计算方法为：
式中中间计算量和D0′123表示为：
式中Skl、Okl(k＝1,2,3,4；l＝1,2,3,4)的定义与计算方均与步骤3.5相同；
步骤3.7、数据关联j提供的数据关联i的置信度Scorei,j表示为：
式中X3和C3定义与步骤3.5相同，令X＝{X1,X2,X3}，X3通过求解GX＝B计算，其中
其中C3表示为Skl、Okl(k＝1,2,3,4；l＝1,2,3,4)的定义与计算方均与步骤3.5相同；
步骤3.8、计算数据关联i总置信度Scorei并执行步骤4，其中Scorei计算方法为：
一种考虑数据关联间耦合关系的位姿图修正方法，所述步骤4具体包括以下步骤：
步骤4.1、判断i是否等于N，若i等于N，则执行步骤4.2，否则令i＝i+1并执行步骤2；
步骤4.2、置信度阈值Score_thre计算方法为：
Score_thre＝Scoreave+Scorecov
式中Scoreave为Scorei(i＝1,2,...,N)的均值，Scorecov为Scorei(i＝1,2,...,N)的标准差。
与现有技术相比，本发明的有益效果是：本发明提出了一种考虑数据关联间耦合关系的位姿图修正方法，该方法只需要输入里程计信息和数据关联，不依赖于其他辅助设备，通过对两两数据关联间耦合关系的计算，不断迭代剔除无效数据关联，实现对水下机器人多波束同步定位与建图中位姿图的准确修正计算，且修正过程独立于后续的图优化阶段，计算效率高，能保证算法实时在线运行。
附图说明
图1是本发明的流程图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述。
本发明公开的是一种考虑数据关联间耦合关系的位姿图修正方法，主要是一种对水下机器人的多波束同步定位与建图的位姿图中数据关联的有效性进行判定的方法。
如附图1所示，是本发明的流程图。主要包括以下步骤：
步骤一、令N为当前位姿图内由地形匹配得到的数据关联个数，令i等于1，执行步骤二。
步骤二、令j等于1，执行步骤三。
步骤三、若j等于i，令j＝j+1并执行步骤三，否则判断j是否大于N，若j不大于N，则计算数据关联j给出的数据关联i的置信度Scorei,j，并令j＝j+1再次执行步骤三，否则计算数据关联i总置信度Scorei并执行步骤四。步骤三具体为：
步骤3.1、若j等于i，令j＝j+1并再次执行步骤3.1，否则执行步骤3.2。
步骤3.2、若j不大于N则执行步骤3.3，否则执行步骤3.8。
步骤3.3、对于数据关联i(i＝1,2,...,N)与数据关联j(j＝1,2,...,i-1,i+1,...,N)，将两个数据关联对应的四个时刻按时间顺序排列分别表示为0，1，2，3四个时刻。
步骤3.4、若数据关联i对应的时刻为0和1或2和3，两个数据关联属于平行关系，执行步骤3.5；若数据关联i对应的时刻为0和3或1和2，两个数据关联属于包含关系，执行步骤3.6；若数据关联i对应的时刻为0和2或1和3，两个数据关联属于交叉关系，执行步骤3.7。步骤3.5、数据关联j提供的数据关联i的置信度Scorei,j表示为：
其中为3时刻惯性导航系统给出的机器人位置数据，数据关联i和j给出的3时刻水下机器人位置X3和对应信息矩阵C3可以通过下式给出：
其中表示连接k到l时刻的数据关联的大小，根据数据关联结果给出，Skl为连接k到l时刻的数据关联的协方差，表示连接k到l时刻的里程计约束的大小，根据惯性导航系统给出，Okl为连接k到l时刻的里程计约束的协方差。由于水下多波束同步定位与建图中数据关联由地形匹配给出，置信度较高，数据关联的协方差S01和S23均取值为0.0001，而Okl则以k到l时刻以秒为单位的时间间隔表示。
步骤3.6、数据关联j提供的数据关联i的置信度Scorei,j表示为：
其中X3和C3定义与步骤1.5相同，计算方法如下所示。
其中中间计算量和D0′123可以表示为
其中Skl、Okl(k＝1,2,3,4；l＝1,2,3,4)定义与计算方均与步骤3.5相同。
步骤3.7、数据关联j提供的数据关联i的置信度Scorei,j表示为：
其中X3和C3定义与步骤1.5相同，令X＝{X1,X2,X3}，X3可通过求解GX＝B计算，其中
C3可以表示为
其中Skl、Okl(k＝1,2,3,4；l＝1,2,3,4)定义与计算方均与步骤3.5相同。
步骤3.8、计算数据关联i总置信度Scorei并执行步骤四，其中Scorei计算方法如下所示。
步骤四、判断i是否等于N，是的话根据当前位姿图内所有数据关联的置信度计算置信度阈值Score_thre并执行步骤五，否则令i＝i+1并执行步骤二。步骤四具体为：
步骤4.1、若i等于N，执行步骤4.2，否则令i＝i+1并执行步骤二。
步骤4.2、置信度阈值Score_thre计算方法如下所示。
Score_thre＝Scoreave+Scorecov
其中Scoreave为Scorei(i＝1,2,...,N)的均值，Scorecov为Scorei(i＝1,2,...,N)的标准差。
步骤五、判断置信程度最小的数据关联其置信度是否大于置信度阈值Score_thre，若大于置信度阈值，输出当前位姿图并停止算法，若小于或等于阈值，则将该数据关联判定为无效数据关联，将其在当前位姿图中移除并执行步骤一。
综上，本发明公开的是一种考虑数据关联间耦合关系的位姿图修正方法，主要是一种对水下机器人的多波束同步定位与建图的位姿图中数据关联的有效性进行判定的方法。主要步骤包括：步骤一是令N为当前位姿图内由地形匹配得到的数据关联个数，令i等于1，执行步骤二；步骤二是令j等于1，执行步骤三；步骤三是若j等于i，令j＝j+1并执行步骤三，否则判断j是否大于N，若j不大于N，则计算数据关联j给出的数据关联i的置信度Scorei,j，并令j＝j+1再次执行步骤三，否则计算数据关联i总置信度Scorei并执行步骤四；步骤四是判断i是否等于N，是的话根据当前位姿图内所有数据关联的置信度计算置信度阈值Score_thre并执行步骤五，否则令i＝i+1并执行步骤二；步骤五是判断置信程度最小的数据关联其置信度是否大于置信度阈值Score_thre，若大于置信度阈值，输出当前位姿图并停止算法，若小于或等于阈值，则将该数据关联判定为无效数据关联，将其在当前位姿图中移除并执行步骤一。

Claims (3)

1.一种考虑数据关联间耦合关系的位姿图修正方法，其特征在于，具体包括以下步骤：
步骤1、令N为当前位姿图内由地形匹配得到的数据关联个数，令i等于1；
步骤2、令j等于1；
步骤3、判断j是否等于i，若j等于i，令j＝j+1，并执行步骤3，否则判断j是否大于N，若j不大于N，则计算数据关联j给出的数据关联i的置信度Scorei,j，并令j＝j+1再次执行步骤3，否则计算数据关联i总置信度Scorei并执行步骤4；
步骤4、判断i是否等于N，若是，根据当前位姿图内所有数据关联的置信度计算置信度阈值Score_thre并执行步骤5，否则令i＝i+1并执行步骤2；
步骤5、判断置信程度最小的数据关联的置信度是否大于置信度阈值Score_thre，若大于置信度阈值，则输出当前位姿图并停止算法，若小于置信度阈值，则将该数据关联判定为无效数据关联，将其在当前位姿图中移除并执行步骤1，若等于置信度阈值，则将该数据关联判定为无效数据关联，将其在当前位姿图中移除并执行步骤1。
2.根据权利要求1所述一种考虑数据关联间耦合关系的位姿图修正方法，其特征在于，所述步骤3具体包括以下步骤：
步骤3.1、判断j是否等于i，若j等于i，令j＝j+1，并执行步骤3.1，否则执行步骤3.2；
步骤3.2、判断j是否大于N，若j不大于N，则执行步骤3.3，否则执行步骤3.8；
步骤3.3、对于数据关联i,i＝1、2、...、N,与数据关联j,j＝1、2、...、i-1、i+1、...,N，将两个数据关联对应的四个时刻按时间顺序排列表示为0，1，2，3四个时刻；
步骤3.4、若数据关联i对应的时刻为0和1，则两个数据关联属于平行关系，执行步骤3.5；若数据关联i对应的时刻为2和3，则两个数据关联属于平行关系，执行步骤3.5；若数据关联i对应的时刻为0和3，则两个数据关联属于包含关系，执行步骤3.6；若数据关联i对应的时刻为1和2，则两个数据关联属于包含关系，执行步骤3.6；若数据关联i对应的时刻为0和2，则两个数据关联属于交叉关系，执行步骤3.7；若数据关联i对应的时刻为1和3，则两个数据关联属于交叉关系，执行步骤3.7；
步骤3.5、数据关联j提供的数据关联i的置信度Scorei,j表示为：
式中为3时刻惯性导航系统给出的机器人位置数据，数据关联i和j给出的3时刻水下机器人位置X3和对应信息矩阵C3由下式给出：
式中表示连接k到l时刻的数据关联的大小，根据数据关联结果给出，Skl为连接k到l时刻的数据关联的协方差，表示连接k到l时刻的里程计约束的大小，根据惯性导航系统给出，Okl为连接k到l时刻的里程计约束的协方差，由于水下多波束同步定位与建图中数据关联由地形匹配给出，置信度高，所以数据关联的协方差S01和S23均取值为0.0001，而Okl则以k到l时刻以秒为单位的时间间隔表示；
步骤3.6、数据关联j提供的数据关联i的置信度Scorei,j表示为：
式中X3和C3定义与步骤3.5相同，计算方法为：
式中中间计算量和D′0123表示为：
式中Skl、Okl(k＝1,2,3,4；l＝1,2,3,4)的定义与计算方均与步骤3.5相同；
步骤3.7、数据关联j提供的数据关联i的置信度Scorei，j表示为：
式中X3和C3定义与步骤3.5相同，令X＝{X1,X2,X3}，X3通过求解GX＝B计算，其中
其中C3表示为 Skl、Okl(k＝1,2,3,4；l＝1,2,3,4)的定义与计算方均与步骤3.5相同；
步骤3.8、计算数据关联i总置信度Scorei并执行步骤4，其中Scorei计算方法为：
3.根据权利要求2所述一种考虑数据关联间耦合关系的位姿图修正方法，其特征在于，所述步骤4具体包括以下步骤：
步骤4.1、判断i是否等于N，若i等于N，则执行步骤4.2，否则令i＝i+1并执行步骤2；
步骤4.2、置信度阈值Score_thre计算方法为：
Score_thre＝Scoreave+Scorecov
式中Scoreave为Scorei(i＝1,2,...,N)的均值，Scorecov为Scorei(i＝1,2,...,N)的标准差。
CN201910492175.1A 2019-06-06 2019-06-06 一种考虑数据关联间耦合关系的位姿图修正方法 Active CN110260859B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910492175.1A CN110260859B (zh) 2019-06-06 2019-06-06 一种考虑数据关联间耦合关系的位姿图修正方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910492175.1A CN110260859B (zh) 2019-06-06 2019-06-06 一种考虑数据关联间耦合关系的位姿图修正方法

Publications (2)

Publication Number Publication Date
CN110260859A true CN110260859A (zh) 2019-09-20
CN110260859B CN110260859B (zh) 2022-12-13

Family

ID=67917106

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910492175.1A Active CN110260859B (zh) 2019-06-06 2019-06-06 一种考虑数据关联间耦合关系的位姿图修正方法

Country Status (1)

Country Link
CN (1) CN110260859B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201721095A (zh) * 2015-12-07 2017-06-16 Univ Nat Taiwan Normal 改良型同時定位及建圖之演算法
CN107103355A (zh) * 2017-04-21 2017-08-29 北京工业大学 一种基于改进人工鱼群算法的智能车slam数据关联方法
GB201718507D0 (en) * 2017-07-31 2017-12-27 Univ Oxford Innovation Ltd A method of constructing a model of the motion of a mobile device and related systems
CN109141437A (zh) * 2018-09-30 2019-01-04 中国科学院合肥物质科学研究院 一种机器人全局重定位方法
CN109186610A (zh) * 2018-10-15 2019-01-11 哈尔滨工程大学 一种auv地形匹配导航的鲁棒bslam方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201721095A (zh) * 2015-12-07 2017-06-16 Univ Nat Taiwan Normal 改良型同時定位及建圖之演算法
CN107103355A (zh) * 2017-04-21 2017-08-29 北京工业大学 一种基于改进人工鱼群算法的智能车slam数据关联方法
GB201718507D0 (en) * 2017-07-31 2017-12-27 Univ Oxford Innovation Ltd A method of constructing a model of the motion of a mobile device and related systems
CN109141437A (zh) * 2018-09-30 2019-01-04 中国科学院合肥物质科学研究院 一种机器人全局重定位方法
CN109186610A (zh) * 2018-10-15 2019-01-11 哈尔滨工程大学 一种auv地形匹配导航的鲁棒bslam方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
CHEN,L: "Robust Optimization with Credibilitu Factor for Graph-based SLAM", 《IEEE INTERNATIONAL CONFERENCE ON ROBOTICS AND BIOMIMETICS(ROBIO)》 *
徐君等: "优化的多假设FastSLAM数据关联方法", 《计算机工程》 *
范旭明: "基于最小生成集和位姿估计的深度图像目标识别", 《信息通信》 *
郑艳梅: "AUV-SLAM的特征提取与匹配算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
陈国军等: "基于改进RBPF算法的移动机器人SLAM方法研究", 《自动化仪表》 *

Also Published As

Publication number Publication date
CN110260859B (zh) 2022-12-13

Similar Documents

Publication Publication Date Title
Gelly et al. Optimization of RNN-based speech activity detection
CN109544613A (zh) 一种基于稠密网络深度学习的双目立体匹配方法及系统
CN111340868B (zh) 基于视觉深度估计的无人水下航行器自主决策控制方法
CN111427047A (zh) 一种大场景下自主移动机器人slam方法
CN109084767A (zh) 一种最大互相关熵自适应容积粒子滤波的auv协同导航方法
CN110097589A (zh) 一种应用于稀疏地图稠密化的深度补全方法
CN110808932B (zh) 基于多分布测试数据融合的多层感知器快速调制识别方法
CN109919059A (zh) 基于深度网络层次化与多任务训练的显著性物体检测方法
Sasaki et al. Map-generation and identification of multiple sound sources from robot in motion
CN114693720A (zh) 基于无监督深度学习的单目视觉里程计的设计方法
CN113888629A (zh) 一种基于rgbd相机的快速物体三维位姿估计方法
CN109712171A (zh) 一种基于相关滤波器的目标跟踪系统及目标跟踪方法
CN115564801A (zh) 一种基于注意力的单目标跟踪方法
Liu et al. Self-supervised incremental learning for sound source localization in complex indoor environment
CN117649517A (zh) 一种自然场景下同构2d检测器的知识蒸馏方法
CN110260859A (zh) 一种考虑数据关联间耦合关系的位姿图修正方法
CN116543283B (zh) 一种考虑模态不确定性的多模态目标检测方法
CN109472813A (zh) 一种基于背景加权的Mean Shift算法和Kalman预测融合的遮挡跟踪方法
CN111898756A (zh) 一种多目标信息关联神经网络损失函数计算方法及装置
CN110188355A (zh) 一种基于wfst技术的分词方法、系统、设备及介质
CN107132521B (zh) 一种bslam中地形匹配结果正确性判别方法
CN113076123A (zh) 一种用于目标跟踪的自适应模板更新系统及方法
CN115587187A (zh) 基于小样本的知识图谱补全方法
CN112381056A (zh) 一种融合多个源域的跨域行人重识别方法及系统
CN113159082A (zh) 一种增量式学习目标检测网络模型构建及权重更新方法

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
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20190920

Assignee: HARBIN XINGUANG PHOTOELECTRIC TECHNOLOGY Co.,Ltd.

Assignor: HARBIN ENGINEERING University

Contract record no.: X2024980008957

Denomination of invention: A pose graph correction method considering the coupling relationship between data associations

Granted publication date: 20221213

License type: Common License

Record date: 20240705

EE01 Entry into force of recordation of patent licensing contract