CN110264517A - 一种基于三维场景图像确定车辆当前位置信息的方法与系统 - Google Patents
一种基于三维场景图像确定车辆当前位置信息的方法与系统 Download PDFInfo
- Publication number
- CN110264517A CN110264517A CN201910510863.6A CN201910510863A CN110264517A CN 110264517 A CN110264517 A CN 110264517A CN 201910510863 A CN201910510863 A CN 201910510863A CN 110264517 A CN110264517 A CN 110264517A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- vehicle
- dimensional
- scene
- map
- 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 45
- 238000005457 optimization Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G01C21/34—Route searching; Route guidance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G06T7/70—Determining position or orientation of objects or cameras
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Automation & Control Theory (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computer Graphics (AREA)
- Navigation (AREA)
Abstract
本申请的目的是提供一种基于三维场景图像确定车辆当前位置信息的方法与系统。与现有技术相比，本申请通过一种基于三维场景图像确定车辆当前位置信息的方法与系统，采集车辆周围场景图像，通过预处理、图优化以及实时制图得到三维场景图像，基于与三维场景地图的匹配，实现车辆定位和导航，为车辆，特别是自动驾驶车辆提供快速、高精度的定位和导航，而且能避免现有卫星定位和导航具有的易受干扰影响。
Description
技术领域
本申请涉及车辆导航技术领域，尤其涉及一种基于三维场景图像确定车辆当前位置信息的技术。
背景技术
目前的车辆导航技术领域，车辆定位和导航主要依靠组网的卫星来实现定位和导航，如GPS(Global Positioning System，全球定位系统)、北斗系统。虽然技术不断提升，但是民用级的GPS其精度特点只能用来辅助有人参与的活动，民用级的北斗系统虽然在精度上比GPS要高一些，但这两种卫星导航系统都不适用于对精度要求很高的领域，如自动驾驶等，而且还存在其它干扰卫星对车辆定位、导航性能的因素(如车辆位置、GPS卫星轨道、周边电磁场噪声、大气等)。
发明内容
本申请的目的是提供一种基于三维场景图像确定车辆当前位置信息的方法与系统。
根据本申请的一个方面，提供了一种基于三维场景图像确定车辆当前位置信息的方法，其中，所述方法包括：
采集车辆周围场景图像；
对所述车辆周围场景图像做预处理；
基于所述预处理后的车辆周围场景图像确定点云图像；
基于所述点云图像生成三维场景图像；
基于所述三维场景图像在三维场景地图中进行匹配，将最接近所述三维场景图像对应的位置信息作为车辆的当前位置信息。
优选地，所述方法还包括：
确定目标位置信息并在三维场景地图中确定所述当前位置信息与所述目标位置信息之间的最优路线；
引导车辆按所述最优线路移动，以到达所述目标位置。
其中，所述确定所述当前位置信息与所述目标位置信息之间的最优路线包括：
基于所述当前位置信息与所述目标位置信息确定两者之间的所有路线信息；
进一步地，基于所述所有路线信息，确定最优路线。
进一步地，所述一种基于三维场景图像确定车辆当前位置信息的方法还包括：
构建三维场景地图。
其中，所述构建三维场景地图包括：
采集环境场景图像；
对所述环境场景图像做预处理；
基于所述预处理后的环境场景图像确定点云图像；
拼接所述点云图像生成点云地图；
对所述点云地图做图优化，生成三维场景地图。
优选地，所述一种基于三维场景图像确定车辆当前位置信息的方法，其中，所述预处理包括：
选取场景图像的有效信息，并对所述选取有效信息的场景图像去噪滤波。
进一步地，其中，所述基于所述预处理后的场景图像确定点云图像包括：
结合采集到的所述场景图像的深度信息，将预处理后的场景图像转换坐标，形成所述点云图像。
其中，所述基于所述点云图像生成三维场景图像包括：
基于随机采样定理确定各点云图像的场景特征点；
对所述各点云图像的场景特征点进行匹配，确定转换矩阵；
基于所述转换矩阵确定点云地图。
其中，所述点云地图做图优化包括：
计算所述点云地图特征匹配的全局最优解；做闭环检测。
进一步地，其中，所述点云地图做图优化还包括：
对所述点云地图进行优化，构建Octomap，生成所述三维场景地图。
根据本申请的另一方面，还提供了一种基于三维场景图像确定车辆当前位置信息的系统，其特征在于，包括：
环境采集模块：采集车辆周围场景图像；
预处理模块：对所述车辆周围场景图像做预处理，生成点云图像；
拼接模块：对所述点云图像做拼接处理，生成点云图；
图优化模块：对所述点云图做图优化处理，构建车辆周围三维场景图；
场景检索模块：检索三维场景地图，将最接近所述三维场景图像对应的位置作为车辆当前位置。
进一步地，其中，所述系统还包括：
路径选择模块：设置目标位置，在所述三维场景地图中绘制出所述车辆起始位置及所述目标位置之间的所有线路，对所述线路长度进行计算，得到最优线路；
导航模块：引导车辆按所述最优线路移动，以到达所述目标位置。
根据本申请的又一方面，还提供了一种计算机可读介质，所述计算机可读介质存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现前述方法。
根据本申请的又一方面，还提供了一种基于三维场景图像确定城市车辆当前位置信息的设备，其中，该设备包括：
一个或多个处理器；以及
存储有计算机可读指令的存储器，所述计算机可读指令在被执行时使所述处理器执行如前述方法的操作。
例如，计算机可读指令在被执行时使所述一个或多个处理器：采集车辆周围场景图像；对所述车辆周围场景图像做预处理；基于所述预处理后的车辆周围场景图像确定点云图像；基于所述点云图像生成三维场景图像；基于所述三维场景图像在三维场景地图中进行匹配，将最接近所述三维场景图像对应的位置信息作为车辆的当前位置信息。
与现有技术相比，本申请通过一种基于三维场景图像确定车辆当前位置信息的方法与系统，采集车辆周围场景图像，通过预处理、图优化以及实时制图得到三维场景图像，基于与三维场景地图的匹配，实现车辆定位和导航，为车辆，特别是自动驾驶车辆提供快速、高精度的定位和导航，而且能避免现有卫星定位和导航具有的易受干扰影响。所述场景也可以是特定场所场景，例如，城市街道、主题乐园、场馆等的场景。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1示出根据本申请一个方面的一种基于三维场景图像确定城市车辆当前位置信息的方法流程图；
图2示出根据本申请一个方面的优选实施例的一种基于三维场景图像实现城市车辆导航的方法流程图；
图3示出根据本申请一个方面的一种基于三维场景图像确定车辆当前位置信息的系统示意图。
附图中相同或相似的附图标记代表相同或相似的部件。
具体实施方式
下面结合附图对本发明作进一步详细描述。
在本申请一个典型的配置中，系统各模块和可信方均包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
为更进一步阐述本申请所采取的技术手段及取得的效果，下面结合附图及优选实施例，对本申请的技术方案，进行清楚和完整的描述。
图1示出本申请一个方面的一种基于三维场景图像确定城市车辆当前位置信息的方法流程图，其中，一个实施例的方法包括：
S11采集车辆周围场景图像；
S12对所述车辆周围场景图像做预处理；
S13基于所述预处理后的车辆周围场景图像确定点云图像；
S14基于所述点云图像生成三维场景图像；
S15基于所述三维场景图像在城市街道三维场景地图中进行匹配，将最接近所述三维场景图像对应的位置信息作为车辆的当前位置信息。
在本申请中，所述方法通过设备1执行，所述设备1包括但不限于图像采集设备、车载设备、计算机设备和/或云，或者上述设备中至少任一项的组合。其中，所述图像采集设备包括但不限于各种深度相机，例如RGB-D相机；所述计算机包括但不限于工业计算机、网络主机、单个网络服务器、多个网络服务器集；所述云由基于云计算(Cloud Computing)的大量计算机或网络服务器构成，其中，云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个虚拟超级计算机。
在此，所述图像采集设备、车载设备、计算机设备和/或云仅为举例，其他现有的或者今后可能出现的设备和/或资源共享平台如适用于本申请也应包含在本申请的保护范围内，在此，以引用的方式包含于此。
在该实施例中，在所述步骤S11中，采集车辆周围场景图像。其中，采集车辆周围场景图像可以通过具有可采集深度信息的图像采集设备来实现，例如，所述图像采集设备可以是RGB-D相机，所述车辆周围场景图像包括但不限于图像的色彩信息和深度信息，其中，所述深度信息是所述图像采集设备采集到的目标与所述图像采集设备之间的距离信息。所述图像采集设备的安装位置和数量根据不同精度要求和安全要求确定。具体地，所述图像采集设备的功能及其型号选择只需要满足分辨率、精度等要求，不做其它具体要求，还可以使用其它类型的能采集彩色图像和深度信息的图像采集设备，例如3D相机。
在该实施例中，在所述步骤S12中，对所述车辆周围场景图像做预处理。
具体地，对采集到的车辆周围场景图像范围做设定，例如，去除上下、远景等非重要信息，保留与车辆行驶道路相关的车辆周围场景有效信息。然后对图像做滤波处理，排除背景等噪声，例如，对图像做高斯滤波处理。在此，对所述车辆周围场景图像做预处理的方式仅为举例，其他现有的或者今后可能出现的方式，如适用于本申请，也应包含在本申请的保护范围内，在此，以引用的方式包含于此。
继续在该实施例中，在所述步骤S13中，基于所述预处理后的车辆周围场景图像确定点云图像。
优选地，所述基于所述预处理后的场景图像确定点云图像包括：
结合采集到的所述场景图像的深度信息，将预处理后的场景图像的像素坐标转换成三维坐标，形成所述点云图像。
具体地，将预处理后的车辆周围场景图像，结合采集到的深度信息，通过矩阵变换，例如，将像素坐标及深度信息，根据内外参矩阵变换公式，转换成图像各点的三维坐标，形成点云图像，例如，形成pcd格式的点云图像。
继续在该实施例中，在所述步骤S14中，基于所述点云图像生成三维场景图像。其中，对所述点云图像进行进一步优化(例如，使用g2o)，构建Octomap，生成三维场景图像，方便实时更新、减少占用存储空间。
继续在该实施例中，在所述步骤S15中，基于所述三维场景图像在城市街道三维场景地图中进行匹配，将最接近所述三维场景图像对应的位置信息作为车辆的当前位置信息。其中，检索城市街道三维场景地图，将最接近所述三维场景图像对应的位置确定为车辆当前位置。具体地，检索城市街道三维场景地图，将最接近所述三维场景图像对应的场景代替车辆姿态，确定为车辆当前位置，实现车辆的定位。进一步地，动态检索城市街道场景地图并与实时采集的车辆周围场景图像匹配，实现车辆动态定位。
优选地，所述方法还包括：S10(未示出)构建城市街道三维场景地图。其中，所述步骤S10包括：
S101采集城市街道场景图像；
S102对所述城市街道场景图像做所述预处理；
S103基于所述预处理后的城市街道场景图像确定点云图像；
S104拼接所述点云图像生成点云地图；
S105对所述点云地图做图优化，生成城市街道三维场景地图。
所述步骤S101中，采集城市街道场景图像。其中，采集城市街道场景图像可以通过具有可采集深度信息的图像采集设备来实现，例如，所述图像采集设备可以是RGB-D相机，所述城市街道场景图像包括但不限于图像的色彩信息和深度信息，其中，所述深度信息是所述图像采集设备采集到的目标与所述图像采集设备之间的距离信息。所述图像采集设备的安装位置和数量根据不同精度要求和安全要求确定。具体地，所述图像采集设备的功能及其型号选择只需要满足分辨率、精度等要求，不做其它具体要求，还可以使用其它类型的能采集彩色图像和深度信息的图像采集设备，例如3D相机。
进一步地，在所述步骤S102中，对所述城市街道场景图像做所述预处理。
优选地，所述预处理包括：选取场景图像的有效信息，具体地，对采集到的城市街道场景图像范围做设定，例如，去除上下、远景等非重要信息，保留与车辆行驶道路相关的城市街道场景有效信息。进一步地，对图像做滤波处理，排除背景等噪声，例如，对图像做高斯滤波处理。在此，对所述车辆周围场景图像做预处理的方式仅为举例，其他现有的或者今后可能出现的方式，如适用于本申请，也应包含在本申请的保护范围内，在此，以引用的方式包含于此。
进一步地，在所述步骤S103中，基于所述预处理后的城市街道场景图像确定点云图像。
优选地，所述基于所述预处理后的场景图像确定点云图像包括：
结合采集到的所述场景图像的深度信息，将预处理后的场景图像的像素坐标转换成三维坐标，形成所述点云图像。
具体地，将预处理后的城市街道场景图像，结合采集到的深度信息，通过矩阵变换，例如，将像素坐标及深度信息，根据内外参矩阵变换公式，转换组成图像各点的三维坐标，形成点云图像，例如，形成pcd格式的点云图像。
进一步地，在所述步骤S104中，拼接所述点云图像生成点云地图，例如PCL点云地图。
优选地，对所述点云图像提取特征，例如，利用随机采样定理确定各点云图像的场景特征点，进一步地，对所述各点云图像的场景特征点进行匹配，计算转换矩阵，进一步地，拼接各点云图像，逐帧点云图像叠加，生成点云地图。具体地，确定点云图像的场景特征点包括但不限于利用随机采样定理，例如，基于点云的边界特征确定场景特征点。
优选地，在所述步骤S105中，对所述点云地图做图优化，构建Octomap，生成城市街道三维场景地图。优选地，图优化可以是基于BA(Bundle Adjustment，光束法平差)算法计算全部图像特征匹配的全局最优解，优化每个点云图像匹配导致的累积误差。进一步地，在点云地图的城市街道场景图像更新中采用闭环检测，具体地，把新的关键帧与之前所有的关键帧进行比较，或优选地，把新的关键帧与之前关键帧里随机挑选一些关键帧进行比较。更进一步地，也可以用图像处理/模式识别的方法计算图像间的相似性，对相似的图像进行检测，将当前采集到的城市街道场景图像与地图中已构建的场景图像进行比较，如果是已存在，则放弃当前采集到街道场景图像，以减少冗余，提高效率，节约存储空间。例如，利用图优化工具g2o软件包实现上述图优化。在此，对所述点云地图像的图优化处理方式仅为举例，其他现有的或者今后可能出现的方式，如适用于本申请，也应包含在本申请的保护范围内，在此，以引用的方式包含于此。
可选地，所述城市街道场景也可以是特定场所场景，例如，主题乐园、场馆等的场景。
图2示出本申请一个方面的优选实施例的一种基于三维场景图像实现城市车辆导航的方法流程图，所述一种基于三维场景图像实现城市车辆导航的方法包括步骤S21-S27，其中，步骤S21-S25与图1实施例中的步骤S11-S15相同或者基本相同，在此，不在赘述。在该实施例中还包括S26-S27，其中，
S26确定目标位置信息并在城市街道三维场景地图中确定所述当前位置信息与所述目标位置信息之间的最优路线；
S27引导车辆按所述最优线路移动，以到达所述目标位置。
在该优选实施例中，在所述步骤S26中，在优化累积误差后，确定目标位置信息并在城市街道三维场景地图中确定所述当前位置信息与所述目标位置信息之间的最优路线。
优选地，确定目标位置信息，在城市街道三维场景地图中计算出所述车辆当前位置及所述目标位置之间的所有线路，对所述所有线路长度进行规划，得到最优线路。进一步地，根据设置的目标位置，动态计算车辆当前位置与所述目标位置之间的所有线路，对所述所有线路长度进行规划，得到最优线路。优选地，最优线路规划根据预设的最优线路规划算法确定。进一步地，最优线路算法包括但不限于基于距离最短、时间最短、路口最少等原则制订。
继续在该优选实施例中，在所述步骤S27中，引导车辆按所述最优线路移动，以到达所述目标位置。其中，根据规划的、动态调整的最优路线，实现车辆高精度导航，到达所述目标位置。
图3示出本申请一个方面的一种基于三维场景图像确定车辆当前位置信息的系统示意图，其中，所述系统包括：
环境采集模块：采集车辆周围场景图像；
预处理模块：对所述车辆周围场景图像做预处理，生成点云图像；
拼接模块：对所述点云图像做拼接处理，生成点云图；
图优化模块：对所述点云图做图优化处理，构建车辆周围三维场景图；
场景检索模块：检索三维场景地图，将最接近所述三维场景图像对应的位置作为车辆当前位置；
优选地，所述系统还包括：
路径选择模块：设置目标位置，在所述三维场景地图中绘制出所述车辆起始位置及所述目标位置之间的所有线路，对所述线路长度进行计算，得到最优线路；
导航模块：引导车辆按所述最优线路移动，以到达所述目标位置。
与现有技术相比，本申请通过一种基于三维场景图像确定车辆当前位置信息的方法与系统，采集车辆周围场景图像，通过预处理、图优化以及实时制图得到三维场景图像，基于与三维场景地图的匹配，实现车辆定位和导航，为车辆，特别是自动驾驶车辆提供快速、高精度的定位和导航，而且能避免现有卫星定位和导航具有的易受干扰影响。
此外，本申请实施例还提供了一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现如前述方法。
本申请实施例还提供了一种基于三维场景图像确定车辆当前位置信息的设备，其中，该设备包括：
一个或多个处理器；以及
存储有计算机可读指令的存储器，所述计算机可读指令在被执行时使所述处理器执行如前述方法的操作。
例如，计算机可读指令在被执行时使所述一个或多个处理器：采集车辆周围场景图像；对所述车辆周围场景图像做预处理；基于所述预处理后的车辆周围场景图像确定点云图像；基于所述点云图像生成三维场景图像；基于所述三维场景图像在三维场景地图中进行匹配，将最接近所述三维场景图像对应的位置信息作为车辆的当前位置信息。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
Claims (14)
1.一种基于三维场景图像确定车辆当前位置信息的方法，其特征在于，所述方法包括：
采集车辆周围场景图像；
对所述车辆周围场景图像做预处理；
基于所述预处理后的车辆周围场景图像确定点云图像；
基于所述点云图像生成三维场景图像；
基于所述三维场景图像在三维场景地图中进行匹配，将最接近所述三维场景图像对应的位置信息作为车辆的当前位置信息。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
确定目标位置信息并在三维场景地图中确定所述当前位置信息与所述目标位置信息之间的最优路线；
引导车辆按所述最优线路移动，以到达所述目标位置。
3.根据权利要求2所述的方法，其特征在于，所述确定所述当前位置信息与所述目标位置信息之间的最优路线包括：
基于所述当前位置信息与所述目标位置信息确定两者之间的所有路线信息；
基于所述所有路线信息，确定最优路线。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
构建三维场景地图。
5.根据权利要求4所述的方法，其特征在于，所述构建三维场景地图包括：
采集环境场景图像；
对所述环境场景图像做所述预处理；
基于所述预处理后的环境场景图像确定点云图像；
拼接所述点云图像生成点云地图；
对所述点云地图做图优化，生成三维场景地图。
6.根据权利要求1至5中任一项所述的方法，其特征在于，所述预处理包括：
选取场景图像的有效信息，并对所述选取有效信息的场景图像去噪滤波。
7.根据权利要求1至6中任一项所述的方法，其特征在于，所述基于所述预处理后的场景图像确定点云图像包括：
结合采集到的所述场景图像的深度信息，将预处理后的场景图像转换坐标，形成所述点云图像。
8.根据权利要求7所述的方法，其特征在于，所述基于所述点云图像生成三维场景图像包括：
基于随机采样定理确定各点云图像的场景特征点；
对所述各点云图像的场景特征点进行匹配，确定转换矩阵；
基于所述转换矩阵确定点云地图。
9.根据权利要求8所述的方法，其特征在于，所述点云地图做图优化包括：
计算所述点云地图特征匹配的全局最优解，做闭环检测。
10.根据权利要求9中所述的方法，其特征在于，所述点云地图做图优化，还包括：
对所述点云地图构建Octomap。
11.一种基于三维场景图像确定车辆当前位置信息的系统，其特征在于，包括：
环境采集模块：采集车辆周围场景图像；
预处理模块：对所述车辆周围场景图像做预处理，生成点云图像；
拼接模块：对所述点云图像做拼接处理，生成点云图；
图优化模块：对所述点云图做图优化处理，构建车辆周围三维场景图；
场景检索模块：检索三维场景地图，将最接近所述三维场景图像对应的位置作为车辆当前位置。
12.根据权利要求11所述的系统，还包括：
路径选择模块：设置目标位置，在所述三维场景地图中绘制出所述车辆起始位置及所述目标位置之间的所有线路，对所述线路长度进行计算，得到最优线路；
导航模块：引导车辆按所述最优线路移动，以到达所述目标位置。
13.一种计算机可读介质，其特征在于，
其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现如权利要求1至10中任一项所述的方法。
14.一种基于三维场景图像确定车辆当前位置信息的设备，其特征在于，所述设备包括：
一个或多个处理器；以及
存储有计算机可读指令的存储器，所述计算机可读指令在被执行时使所述处理器执行如权利要求1至10中任一项所述方法的操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910510863.6A CN110264517A (zh) | 2019-06-13 | 2019-06-13 | 一种基于三维场景图像确定车辆当前位置信息的方法与系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910510863.6A CN110264517A (zh) | 2019-06-13 | 2019-06-13 | 一种基于三维场景图像确定车辆当前位置信息的方法与系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110264517A true CN110264517A (zh) | 2019-09-20 |
Family
ID=67918033
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910510863.6A Pending CN110264517A (zh) | 2019-06-13 | 2019-06-13 | 一种基于三维场景图像确定车辆当前位置信息的方法与系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110264517A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110716547A (zh) * | 2019-10-30 | 2020-01-21 | 苏州大学 | 一种基于波前算法的3d探索的方法 |
| CN110889901A (zh) * | 2019-11-19 | 2020-03-17 | 北京航空航天大学青岛研究院 | 基于分布式系统的大场景稀疏点云ba优化方法 |
| CN112214019A (zh) * | 2020-09-21 | 2021-01-12 | 国网浙江省电力有限公司 | 一种无人巡检设备无盲区智能反馈控制系统、方法、终端 |
| CN112577488A (zh) * | 2020-11-24 | 2021-03-30 | 腾讯科技（深圳）有限公司 | 导航路线确定方法、装置、计算机设备和存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105843223A (zh) * | 2016-03-23 | 2016-08-10 | 东南大学 | 一种基于空间词袋模型的移动机器人三维建图与避障方法 |
| CN106403964A (zh) * | 2016-08-30 | 2017-02-15 | 北汽福田汽车股份有限公司 | 一种定位导航系统及车辆 |
| CN106441319A (zh) * | 2016-09-23 | 2017-02-22 | 中国科学院合肥物质科学研究院 | 一种无人驾驶车辆车道级导航地图的生成系统及方法 |
| US20170169300A1 (en) * | 2015-12-15 | 2017-06-15 | Honda Motor Co., Ltd. | System and method for image based vehicle localization |
| 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 |
-
2019
- 2019-06-13 CN CN201910510863.6A patent/CN110264517A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170169300A1 (en) * | 2015-12-15 | 2017-06-15 | Honda Motor Co., Ltd. | System and method for image based vehicle localization |
| CN105843223A (zh) * | 2016-03-23 | 2016-08-10 | 东南大学 | 一种基于空间词袋模型的移动机器人三维建图与避障方法 |
| CN106403964A (zh) * | 2016-08-30 | 2017-02-15 | 北汽福田汽车股份有限公司 | 一种定位导航系统及车辆 |
| CN106441319A (zh) * | 2016-09-23 | 2017-02-22 | 中国科学院合肥物质科学研究院 | 一种无人驾驶车辆车道级导航地图的生成系统及方法 |
| 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 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110716547A (zh) * | 2019-10-30 | 2020-01-21 | 苏州大学 | 一种基于波前算法的3d探索的方法 |
| CN110889901A (zh) * | 2019-11-19 | 2020-03-17 | 北京航空航天大学青岛研究院 | 基于分布式系统的大场景稀疏点云ba优化方法 |
| CN110889901B (zh) * | 2019-11-19 | 2023-08-08 | 北京航空航天大学青岛研究院 | 基于分布式系统的大场景稀疏点云ba优化方法 |
| CN112214019A (zh) * | 2020-09-21 | 2021-01-12 | 国网浙江省电力有限公司 | 一种无人巡检设备无盲区智能反馈控制系统、方法、终端 |
| CN112577488A (zh) * | 2020-11-24 | 2021-03-30 | 腾讯科技（深圳）有限公司 | 导航路线确定方法、装置、计算机设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113424232B (zh) | 三维点云地图构建方法、系统和设备 | |
| CN110264517A (zh) | 一种基于三维场景图像确定车辆当前位置信息的方法与系统 | |
| KR102338270B1 (ko) | 전자 지도를 업데이트하기 위한 방법, 장치 및 컴퓨터 판독 가능한 저장 매체 | |
| US10240934B2 (en) | Method and system for determining a position relative to a digital map | |
| JP5116555B2 (ja) | 位置標定装置、位置標定システム、標定サーバ装置および位置標定方法 | |
| CN109029444B (zh) | 一种基于图像匹配和空间定位的室内导航系统及导航方法 | |
| CN109596121B (zh) | 一种机动站自动目标检测与空间定位方法 | |
| US9411822B2 (en) | System and method of generating and using open sky data | |
| EP3612799A1 (en) | Distributed device mapping | |
| CN114459471B (zh) | 定位信息确定方法、装置、电子设备及存储介质 | |
| US20210319697A1 (en) | Systems and methods for identifying available parking spaces using connected vehicles | |
| CN111784835A (zh) | 制图方法、装置、电子设备及可读存储介质 | |
| CN112652062B (zh) | 一种点云地图构建方法、装置、设备和存储介质 | |
| CN114119886A (zh) | 高精地图点云重建方法、装置、车辆、设备和存储介质 | |
| CN113838129B (zh) | 一种获得位姿信息的方法、装置以及系统 | |
| US20220197893A1 (en) | Aerial vehicle and edge device collaboration for visual positioning image database management and updating | |
| Lucks et al. | Improving trajectory estimation using 3D city models and kinematic point clouds | |
| CN101079947A (zh) | 一种影像采集系统 | |
| El-Sheimy | An expert knowledge GPS/INS system for mobile mapping and GIS applications | |
| US20240035847A1 (en) | Parking structure mapping system and method | |
| CN113390422B (zh) | 汽车的定位方法、装置及计算机存储介质 | |
| US20230194301A1 (en) | High fidelity anchor points for real-time mapping with mobile devices | |
| CN113534214B (zh) | 一种车辆定位方法及装置 | |
| US20230171570A1 (en) | Indoor localization based on detection of building-perimeter features | |
| Musa | Multi-view traffic sign localization with high absolute accuracy in real-time at the edge |
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: 20190920 |
|
| RJ01 | Rejection of invention patent application after publication |