CN110320520A - 一种测深信息同步定位与建图的鲁棒后端图优化方法 - Google Patents
一种测深信息同步定位与建图的鲁棒后端图优化方法 Download PDFInfo
- Publication number
- CN110320520A CN110320520A CN201910559363.1A CN201910559363A CN110320520A CN 110320520 A CN110320520 A CN 110320520A CN 201910559363 A CN201910559363 A CN 201910559363A CN 110320520 A CN110320520 A CN 110320520A
- Authority
- CN
- China
- Prior art keywords
- pose
- particle
- data correlation
- map
- data
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000005259 measurement Methods 0.000 title claims abstract description 13
- 239000002245 particle Substances 0.000 claims abstract description 62
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 230000001360 synchronised effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005316 response function Methods 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
- G01C21/10—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
- 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
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/87—Combinations of sonar systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Automation & Control Theory (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开一种测深信息同步定位与建图的鲁棒后端图优化方法,属于水下机器人的水下导航领域。本发明包括:通过多波束声纳和惯性导航系统采集海底地形信息和水下机器人位姿状态记录在子地图中;与历史子地图通过地形匹配检测数据关联;初始化粒子,根据检测到的数据关联与所有历史数据关联更新粒子;对所有粒子通过图优化求解地图并计算适应度函数,根据适应度函数应用粒子群算法更新粒子,并根据粒子群输出结果通过图优化求解并输出地图。本发明可以解决传统图优化方法无法处理的无效数据关联问题,且使用协方差而非简单的有效/无效对数据关联进行判断,计算精度更高。
Description
技术领域
本发明属于水下机器人的水下导航领域,具体涉及一种测深信息同步定位与建图的鲁棒后端图优化方法。
背景技术
随着多波束测深技术的发展,高精度海底地形测绘成为可能,因而以多波束声纳测绘得到的海底地形为信息源的同步定位与建图技术已经得到了世界各国的广泛重视。然而由于多波束声纳测量精度受海洋环境影响严重,出现无效数据关联是难以避免的。因而,在应用图优化算法求解多波束同步定位与建图时,需要提高图优化算法框架的鲁棒性,使图优化算法框架能够解决无效数据关联问题。本发明提出了一种能够解决无效数据关联的粒子群图优化方法,该方法通过粒子保存的协方差对数据关联的置信度进行评估,通过图优化算法结合每个粒子保存的协方差求解该粒子对应的最优位姿序列,并计算地图一致性作为单个粒子的适应度函数,通过粒子群优化算法求解所有数据关联的最优协方差,使用该结果实时计算AUV最优位姿序列,解决多波束同步定位与建图问题。
目前现有的图优化算法框架中无效数据关联判别方法大多是使用有效/无效两种状态对数据关联进行判别,但这种方法无法对数据关联中噪声占有效值的比重进行表示,且某些基于贪心算法的迭代寻优方法会存在局部最优问题。本发明使用协方差对数据关联有效性进行判别,协方差为0到1之间的自然数,能更好的反应数据关联的置信程度;使用粒子群方法进行协方差值的寻优,可以克服局部最优的陷阱。
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,该方法通过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,但该方法使用有效/无效两z种状态对数据关联进行判别,忽略了数据关联中噪声与有效值之间的比例关系,导致建图结果精度不足。
发明内容
本发明的目的在于提供一种测深信息同步定位与建图的鲁棒后端图优化方法,该方法通过粒子群算法对数据关联的协方差进行评估,并通过图优化算法结合粒子群结果解决多波束同步定位与建图问题。
本发明的目的是这样实现的:
一种测深信息同步定位与建图的鲁棒后端图优化方法,包含以下步骤:
步骤一:设T为计时参数,初始化T等于0;
步骤二:水下机器人航行过程中通过多波束声纳和惯性导航系统采集海底地形信息和水下机器人位姿状态记录在子地图中,每隔一秒令T=T+1,并执行步骤三;
步骤三:判断T是否大于100,若T大于100,则保存当前子地图,并与历史子地图通过地形匹配检测数据关联,开启新子地图并执行步骤四;否则执行步骤二;
步骤四:判断是否检测得到新的数据关联,是则执行步骤五,否则执行步骤一;
步骤五:判断当前获得的数据关联是否为任务执行过程中获取的第一个数据关联,是则执行步骤六,否则执行步骤七;
步骤六:初始化粒子并执行步骤八;
步骤七:根据检测到的数据关联与所有历史数据关联更新粒子并执行步骤八;
步骤八:对所有粒子通过图优化求解地图并计算适应度函数,根据适应度函数应用粒子群算法更新粒子,并根据粒子群输出结果通过图优化求解并输出地图,执行步骤九;
步骤九:判断水下机器人是否到达终点,是则算法结束,否则执行步骤一。
所述的步骤六包含以下步骤:
步骤6.1:将数据关联j表示为(tj,1,tj,2,ej,1,ej,2),其中tj,1,tj,2表示该数据关联所包含路径的起始时刻和终止时刻,ej,1,ej,2表示该数据关联表示的两个时刻在东向和北向的偏移量,执行步骤6.2;
步骤6.2:设定粒子数为M个,粒子状态Xi(i=1,2...,M)表示为:
Xi(i=1,2...,M)={covi,1}
其中covi,1为第i个粒子保存的第1个数据关联的协方差,该值初始化为0到1之间的随机数。
所述的步骤七包含以下步骤:
步骤7.1:设n和index为计数参数,初始化n=1,index=0,执行步骤7.2;
步骤7.2:计算数据关联j与第n组数据关联的距离dj,n,其可以计算为:
其中系数c1、c2控制了时间和偏移量的权重,取c1=100c2,分别为第n组数据关联所有起始时刻、终止时刻、东向偏移量、北向偏移量的算数平均值;执行步骤7.3;
步骤7.3:判断dj,n是否小于阈值dmin,若dj,n大于dmin,执行步骤5.6,否则令dmin=dj,n、index=n并执行步骤7.4;
步骤7.4:设N为计数上限,令n=n+1,判断n是否大于N,是则执行步骤7.5,否则执行步骤7.2;
步骤7.5:若index等于0,则将数据关联j的协方差covj插入到所有粒子的状态的末尾,即令Xi(i=1,2...,M)={covi,1,covi,2,...,covi,N,covj},对于每个粒子covj都为0到1之间的随机数;否则将数据关联j归入第index组数据关联中。
所述的步骤八包含以下步骤:
步骤8.1:使用粒子i(i=1,2...,M)内保存的各个数据关联协方差,通过图优化算法求解AUV的最优位姿序列POSEi={pose1 i,pose2 i,...,poseK i},其中:
pose1 i={pose1,x i,pose1,y i},
pose1,x i,pose1,y i分别表示1时刻AUV在东向、北向位置;
步骤8.2:对于粒子i(i=1,2...,M),其适应度函数根据其最优位姿序列POSEi={pose1 i,pose2 i,...,poseK i}计算得到,设AUV惯性导航系统给出的位姿序列为DR={dr1,dr2,...,drK}且dr1={dr1,x,dr1,y},其中dr1,x,dr1,y分别表示1时刻惯性导航系统给出的AUV在东向、北向位置,则粒子i(i=1,2...,M)适应度函数:
其中:
步骤8.3:根据粒子适应度函数,使用粒子群优化迭代更新粒子坐标,直到迭代次数超过阈值或粒子最优适应度函数大于1000,执行步骤8.4;
步骤8.4:使用最优适应度函数对应的粒子保存的数据关联协方差,通过图优化算法计算最优位姿序列并输出。
与现有技术相比,本发明的有益效果在于提出的应用BSLAM的粒子群图优化方法可以解决传统图优化方法无法处理的无效数据关联问题,且使用协方差而非简单的有效/无效对数据关联进行判断,计算精度更高,使多波束同步定位与建图技术能够真正应用于海洋环境中。
附图说明
图1是本发明的总流程图;
图2是本发明步骤七更新粒子的流程图。
具体实施方式
下面结合附图举例对本发明做更详细地描述:
本发明公开的是一种测深信息同步定位与建图的鲁棒后端图优化方法,主要是一种对水下机器人以多波束为传感器的测深信息同步定位与建图(bathymetricsimultaneous localization and mapping,BSLAM)问题的求解方法。
结合图1,本发明的具体流程如下:
步骤一、初始化T等于0。
步骤二、水下机器人航行过程中通过多波束声纳和惯性导航系统采集海底地形信息和水下机器人位姿状态记录在子地图中,每隔一秒令T=T+1并执行步骤三。
步骤三、判断T是否大于100,是的话保存当前子地图并与历史子地图通过地形匹配检测数据关联,开启新子地图并执行步骤四,否则执行步骤二。
步骤四、判断是否检测得到新的数据关联,是则执行步骤五,否则执行步骤一。
步骤五、判断当前获得的数据关联是否为任务执行过程中获取的第一个数据关联,是则执行步骤六,否则执行步骤七。
步骤六、初始化粒子并执行步骤八,步骤六具体为:
步骤6.1、将数据关联j表示为(tj,1,tj,2,ej,1,ej,2),其中tj,1,tj,2表示该数据关联所包含路径的起始时刻和终止时刻,ej,1,ej,2表示该数据关联表示的两个时刻在东向和北向的偏移量,执行步骤6.2。
步骤6.2、设定粒子数为M个,粒子状态Xi(i=1,2...,M)表示为
Xi(i=1,2...,M)={covi,1}
其中covi,1为第i个粒子保存的第1个数据关联的协方差,该值初始化为0到1之间的随机数。
步骤七、根据检测到的数据关联与所有历史数据关联更新粒子并执行步骤八。结合图2,步骤七具体为:
步骤7.1、初始化n=1,index=0,执行步骤7.2。
步骤7.2、计算数据关联j与第n组数据关联的距离dj,n,其可以计算为:
其中系数c1、c2控制了时间和偏移量的权重,通常取c1=100c2,分别为第n组数据关联所有起始时刻、终止时刻、东向偏移量、北向偏移量的算数平均值,执行步骤7.3。
步骤7.3、判断dj,n是否小于阈值dmin,若dj,n大于dmin,执行步骤5.6,否则令dmin=dj,n、index=n并执行步骤7.4。
步骤7.4、令n=n+1,判断n是否大于N,是则执行步骤7.5,否则执行步骤7.2。
步骤7.5、若index等于0,则将数据关联j的协方差covj插入到所有粒子的状态的末尾,即令Xi(i=1,2...,M)={covi,1,covi,2,...,covi,N,covj},对于每个粒子covj都为0到1之间的随机数;否则将数据关联j归入第index组数据关联中。
步骤八、对所有粒子通过图优化求解地图并计算适应度函数,根据适应度函数应用粒子群算法更新粒子,并根据粒子群输出结果通过图优化求解并输出地图,执行步骤九,步骤八具体为:
步骤8.1、使用粒子i(i=1,2...,M)内保存的各个数据关联协方差,通过图优化算法求解AUV的最优位姿序列POSEi={pose1 i,pose2 i,...,poseK i},其中
pose1 i={pose1,x i,pose1,y i},
pose1,x i,pose1,y i分别表示1时刻AUV在东向、北向位置,执行步骤8.2。
步骤8.2、对于粒子i(i=1,2...,M),计算其适应度函数并执行步骤8.3。其中适应度函数可以根据其最优位姿序列POSEi={pose1 i,pose2 i,...,poseK i}计算得到,假设AUV惯性导航系统给出的位姿序列为DR={dr1,dr2,...,drK}且dr1={dr1,x,dr1,y},其中dr1,x,dr1,y分别表示1时刻惯性导航系统给出的AUV在东向、北向位置,则粒子i(i=1,2...,M)适应度函数
其中
步骤8.3、根据粒子适应度函数,使用粒子群优化迭代更新粒子坐标,直到迭代次数超过阈值或粒子最优适应度函数大于1000,执行步骤8.4。
步骤8.4、使用最优适应度函数对应的粒子保存的数据关联协方差,通过图优化算法计算最优位姿序列并输出。
步骤九、判断水下机器人是否到达终点,是则算法结束,否则执行步骤一。
Claims (4)
1.一种测深信息同步定位与建图的鲁棒后端图优化方法,其特征在于,包含以下步骤:
步骤一:设T为计时参数,初始化T等于0;
步骤二:水下机器人航行过程中通过多波束声纳和惯性导航系统采集海底地形信息和水下机器人位姿状态记录在子地图中,每隔一秒令T=T+1,并执行步骤三;
步骤三:判断T是否大于100,若T大于100,则保存当前子地图,并与历史子地图通过地形匹配检测数据关联,开启新子地图并执行步骤四;否则执行步骤二;
步骤四:判断是否检测得到新的数据关联,是则执行步骤五,否则执行步骤一;
步骤五:判断当前获得的数据关联是否为任务执行过程中获取的第一个数据关联,是则执行步骤六,否则执行步骤七;
步骤六:初始化粒子并执行步骤八;
步骤七:根据检测到的数据关联与所有历史数据关联更新粒子并执行步骤八;
步骤八:对所有粒子通过图优化求解地图并计算适应度函数,根据适应度函数应用粒子群算法更新粒子,并根据粒子群输出结果通过图优化求解并输出地图,执行步骤九;
步骤九:判断水下机器人是否到达终点,是则算法结束,否则执行步骤一。
2.根据权利要求1所述的一种测深信息同步定位与建图的鲁棒后端图优化方法,其特征在于,所述的步骤六包含以下步骤:
步骤6.1:将数据关联j表示为(tj,1,tj,2,ej,1,ej,2),其中tj,1,tj,2表示该数据关联所包含路径的起始时刻和终止时刻,ej,1,ej,2表示该数据关联表示的两个时刻在东向和北向的偏移量,执行步骤6.2;
步骤6.2:设定粒子数为M个,粒子状态Xi(i=1,2...,M)表示为:
Xi(i=1,2...,M)={covi,1}
其中covi,1为第i个粒子保存的第1个数据关联的协方差,该值初始化为0到1之间的随机数。
3.根据权利要求1所述的一种测深信息同步定位与建图的鲁棒后端图优化方法,其特征在于,所述的步骤七包含以下步骤:
步骤7.1:设n和index为计数参数,初始化n=1,index=0,执行步骤7.2;
步骤7.2:计算数据关联j与第n组数据关联的距离dj,n,其可以计算为:
其中系数c1、c2控制了时间和偏移量的权重,取c1=100c2,分别为第n组数据关联所有起始时刻、终止时刻、东向偏移量、北向偏移量的算数平均值;执行步骤7.3;
步骤7.3:判断dj,n是否小于阈值dmin,若dj,n大于dmin,执行步骤5.6,否则令dmin=dj,n、index=n并执行步骤7.4;
步骤7.4:设N为计数上限,令n=n+1,判断n是否大于N,是则执行步骤7.5,否则执行步骤7.2;
步骤7.5:若index等于0,则将数据关联j的协方差covj插入到所有粒子的状态的末尾,即令Xi(i=1,2...,M)={covi,1,covi,2,...,covi,N,covj},对于每个粒子covj都为0到1之间的随机数;否则将数据关联j归入第index组数据关联中。
4.根据权利要求1所述的一种测深信息同步定位与建图的鲁棒后端图优化方法,其特征在于,所述的步骤八包含以下步骤:
步骤8.1:使用粒子i(i=1,2...,M)内保存的各个数据关联协方差,通过图优化算法求解AUV的最优位姿序列POSEi={pose1 i,pose2 i,...,poseK i},
其中:
pose1 i={pose1,x i,pose1,y i},
pose1,x i,pose1,y i分别表示1时刻AUV在东向、北向位置;
步骤8.2:对于粒子i(i=1,2...,M),其适应度函数根据其最优位姿序列POSEi={pose1 i,pose2 i,...,poseK i}计算得到,设AUV惯性导航系统给出的位姿序列为DR={dr1,dr2,...,drK}且dr1={dr1,x,dr1,y},其中dr1,x,dr1,y分别表示1时刻惯性导航系统给出的AUV在东向、北向位置,则粒子i(i=1,2...,M)适应度函数:
其中:
步骤8.3:根据粒子适应度函数,使用粒子群优化迭代更新粒子坐标,直到迭代次数超过阈值或粒子最优适应度函数大于1000,执行步骤8.4;
步骤8.4:使用最优适应度函数对应的粒子保存的数据关联协方差,通过图优化算法计算最优位姿序列并输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910559363.1A CN110320520B (zh) | 2019-06-26 | 2019-06-26 | 一种测深信息同步定位与建图的鲁棒后端图优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910559363.1A CN110320520B (zh) | 2019-06-26 | 2019-06-26 | 一种测深信息同步定位与建图的鲁棒后端图优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110320520A true CN110320520A (zh) | 2019-10-11 |
CN110320520B CN110320520B (zh) | 2022-08-02 |
Family
ID=68120306
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910559363.1A Active CN110320520B (zh) | 2019-06-26 | 2019-06-26 | 一种测深信息同步定位与建图的鲁棒后端图优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110320520B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110763234A (zh) * | 2019-10-15 | 2020-02-07 | 哈尔滨工程大学 | 一种水下机器人海底地形匹配导航路径规划方法 |
CN112732854A (zh) * | 2021-01-11 | 2021-04-30 | 哈尔滨工程大学 | 一种粒子滤波bslam方法 |
CN112857313A (zh) * | 2020-12-31 | 2021-05-28 | 哈尔滨工程大学 | 一种面向低带宽声学信道的测深信息传输方法 |
CN113008223A (zh) * | 2021-03-03 | 2021-06-22 | 哈尔滨工程大学 | 基于粒子滤波与图优化的海底地形同步定位与建图方法 |
CN117824664A (zh) * | 2024-03-05 | 2024-04-05 | 河海大学 | 基于多波束测深声呐的自主无人系统主动slam方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080100004A (ko) * | 2007-05-11 | 2008-11-14 | 재단법인서울대학교산학협력재단 | 무향 칼만 필터를 이용한 동시 위치 추정 및 지도 작성시스템 및 방법 |
US20120121161A1 (en) * | 2010-09-24 | 2012-05-17 | Evolution Robotics, Inc. | Systems and methods for vslam optimization |
US20120281507A1 (en) * | 2011-05-06 | 2012-11-08 | Rikoski Richard J | Systems and methods for overpinging synthetic aperture sonar transmitters |
CN104374395A (zh) * | 2014-03-31 | 2015-02-25 | 南京邮电大学 | 基于图的视觉slam方法 |
CN107132521A (zh) * | 2017-05-16 | 2017-09-05 | 哈尔滨工程大学 | 一种bslam中地形匹配结果正确性判别方法 |
CN107741745A (zh) * | 2017-09-19 | 2018-02-27 | 浙江大学 | 一种实现移动机器人自主定位与地图构建的方法 |
CN107766818A (zh) * | 2017-10-18 | 2018-03-06 | 哈尔滨工程大学 | 一种启发式的水下结构化环境线特征提取方法 |
US20180120116A1 (en) * | 2016-11-01 | 2018-05-03 | Brain Corporation | Systems and methods for robotic mapping |
CN108303710A (zh) * | 2018-06-12 | 2018-07-20 | 江苏中科院智能科学技术应用研究院 | 基于三维激光雷达的无人机多场景定位建图方法 |
CN108344999A (zh) * | 2018-01-09 | 2018-07-31 | 浙江大学 | 一种用于水下机器人导航的声呐地图构建与重定位方法 |
CN108645413A (zh) * | 2018-06-06 | 2018-10-12 | 江苏海事职业技术学院 | 一种移动机器人的同时定位与地图创建的动态纠正方法 |
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 |
CN109459033A (zh) * | 2018-12-21 | 2019-03-12 | 哈尔滨工程大学 | 一种多重渐消因子的机器人无迹快速同步定位与建图方法 |
CN109856638A (zh) * | 2019-02-28 | 2019-06-07 | 中国计量大学 | 一种特定水下目标自动搜索定位的方法 |
-
2019
- 2019-06-26 CN CN201910559363.1A patent/CN110320520B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080100004A (ko) * | 2007-05-11 | 2008-11-14 | 재단법인서울대학교산학협력재단 | 무향 칼만 필터를 이용한 동시 위치 추정 및 지도 작성시스템 및 방법 |
US20120121161A1 (en) * | 2010-09-24 | 2012-05-17 | Evolution Robotics, Inc. | Systems and methods for vslam optimization |
US20120281507A1 (en) * | 2011-05-06 | 2012-11-08 | Rikoski Richard J | Systems and methods for overpinging synthetic aperture sonar transmitters |
CN104374395A (zh) * | 2014-03-31 | 2015-02-25 | 南京邮电大学 | 基于图的视觉slam方法 |
US20180120116A1 (en) * | 2016-11-01 | 2018-05-03 | Brain Corporation | Systems and methods for robotic mapping |
CN107132521A (zh) * | 2017-05-16 | 2017-09-05 | 哈尔滨工程大学 | 一种bslam中地形匹配结果正确性判别方法 |
CN107741745A (zh) * | 2017-09-19 | 2018-02-27 | 浙江大学 | 一种实现移动机器人自主定位与地图构建的方法 |
CN107766818A (zh) * | 2017-10-18 | 2018-03-06 | 哈尔滨工程大学 | 一种启发式的水下结构化环境线特征提取方法 |
CN108344999A (zh) * | 2018-01-09 | 2018-07-31 | 浙江大学 | 一种用于水下机器人导航的声呐地图构建与重定位方法 |
CN108645413A (zh) * | 2018-06-06 | 2018-10-12 | 江苏海事职业技术学院 | 一种移动机器人的同时定位与地图创建的动态纠正方法 |
CN108303710A (zh) * | 2018-06-12 | 2018-07-20 | 江苏中科院智能科学技术应用研究院 | 基于三维激光雷达的无人机多场景定位建图方法 |
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 |
CN109459033A (zh) * | 2018-12-21 | 2019-03-12 | 哈尔滨工程大学 | 一种多重渐消因子的机器人无迹快速同步定位与建图方法 |
CN109856638A (zh) * | 2019-02-28 | 2019-06-07 | 中国计量大学 | 一种特定水下目标自动搜索定位的方法 |
Non-Patent Citations (5)
Title |
---|
MA, TENG等: "AUV robust bathymetric simultaneous localization and mapping", 《OCEAN ENGINEERING》 * |
YI LI等: "Scale-aware Monocular SLAM Based on Convolutional Neural Network", 《2018 IEEE INTERNATIONAL CONFERENCE ON INFORMATION AND AUTOMATION (ICIA). PROCEEDINGS》 * |
满增光: "基于激光雷达的室内AGV地图创建与定位方法研究", 《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》 * |
王晓君: "移动机器人同时定位与地图构建中数据关联方法的研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
赵新洋: "基于激光雷达的同时定位与室内地图构建算法研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110763234A (zh) * | 2019-10-15 | 2020-02-07 | 哈尔滨工程大学 | 一种水下机器人海底地形匹配导航路径规划方法 |
CN112857313A (zh) * | 2020-12-31 | 2021-05-28 | 哈尔滨工程大学 | 一种面向低带宽声学信道的测深信息传输方法 |
CN112732854A (zh) * | 2021-01-11 | 2021-04-30 | 哈尔滨工程大学 | 一种粒子滤波bslam方法 |
CN113008223A (zh) * | 2021-03-03 | 2021-06-22 | 哈尔滨工程大学 | 基于粒子滤波与图优化的海底地形同步定位与建图方法 |
CN113008223B (zh) * | 2021-03-03 | 2022-10-28 | 哈尔滨工程大学 | 基于粒子滤波与图优化的海底地形同步定位与建图方法 |
CN117824664A (zh) * | 2024-03-05 | 2024-04-05 | 河海大学 | 基于多波束测深声呐的自主无人系统主动slam方法 |
CN117824664B (zh) * | 2024-03-05 | 2024-05-28 | 河海大学 | 基于多波束测深声呐的自主无人系统主动slam方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110320520B (zh) | 2022-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110320520A (zh) | 一种测深信息同步定位与建图的鲁棒后端图优化方法 | |
Kreković et al. | EchoSLAM: Simultaneous localization and mapping with acoustic echoes | |
CN106123850B (zh) | Auv配载多波束声呐水下地形测绘修正方法 | |
CN106599368B (zh) | 基于改进粒子提议分布和自适应粒子重采样的FastSLAM方法 | |
CN103838970B (zh) | 面向深海船舶动力定位的高精度实时状态估计方法及系统 | |
CN108089155A (zh) | 一种深海环境下单水听器声源被动定位方法 | |
CN109425348A (zh) | 一种同时定位与建图的方法和装置 | |
CN113610141B (zh) | 自动驾驶多传感器融合感知模型的鲁棒性测试方法及系统 | |
CN110231636A (zh) | Gps与bds双模卫星导航系统的自适应无迹卡尔曼滤波方法 | |
CN113763549B (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 | |
CN110261877A (zh) | 一种基于改进图优化slam的地空协同视觉导航方法及装置 | |
CN109978919A (zh) | 一种基于单目相机的车辆定位方法及系统 | |
CN109579827A (zh) | 一种基于弧形阵列的磁性目标探测和定位方法 | |
CN110132281A (zh) | 一种基于询问应答模式的水下高速目标高精度自主声学导航方法 | |
CN113554156A (zh) | 基于注意力机制与可变形卷积的多任务学习模型构建方法 | |
CN109146922A (zh) | 一种基于自适应粒子群优化的前视声纳水下目标跟踪方法 | |
CN116734860A (zh) | 一种基于因子图的多auv自适应协同定位方法及系统 | |
Handegard et al. | Tracking individual fish from a moving platform using a split-beam transducer | |
CN110118979A (zh) | 基于广义互熵的改进差分进化算法估计多径参数的方法 | |
Zhu et al. | Triangulation of well-defined points as a constraint for reliable image matching | |
CN116170874A (zh) | 一种鲁棒性WiFi指纹室内定位方法及系统 | |
CN109579828A (zh) | 一种基于弧形磁场传感器阵列的定位系统及其使用方法 | |
Huang et al. | A novel Bayesian-based adaptive algorithm applied to unobservable sensor measurement information loss for underwater navigation | |
CN106908036B (zh) | 一种基于局部偏移的auv多波束数据构图方法 | |
CN103871068A (zh) | 一种基于遗传算法的高精度标定方法 |
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: 20191011 Assignee: HARBIN XINGUANG PHOTOELECTRIC TECHNOLOGY Co.,Ltd. Assignor: HARBIN ENGINEERING University Contract record no.: X2024980008958 Denomination of invention: A robust backend graph optimization method for synchronous positioning and mapping of depth measurement information Granted publication date: 20220802 License type: Common License Record date: 20240705 |
|
EE01 | Entry into force of recordation of patent licensing contract |