CN110378919B - 一种基于slam的窄道通行障碍物检测方法 - Google Patents

一种基于slam的窄道通行障碍物检测方法 Download PDF

Info

Publication number
CN110378919B
CN110378919B CN201910516441.XA CN201910516441A CN110378919B CN 110378919 B CN110378919 B CN 110378919B CN 201910516441 A CN201910516441 A CN 201910516441A CN 110378919 B CN110378919 B CN 110378919B
Authority
CN
China
Prior art keywords
slam
map
vehicle
obstacle
grid
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.)
Active
Application number
CN201910516441.XA
Other languages
English (en)
Other versions
CN110378919A (zh
Inventor
潘钰华
宁仁杰
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.)
Zhuhai Daxuan Information Technology Co ltd
Original Assignee
Zhuhai Daxuan Information 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 Zhuhai Daxuan Information Technology Co ltd filed Critical Zhuhai Daxuan Information Technology Co ltd
Priority to CN201910516441.XA priority Critical patent/CN110378919B/zh
Publication of CN110378919A publication Critical patent/CN110378919A/zh
Application granted granted Critical
Publication of CN110378919B publication Critical patent/CN110378919B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/55—Depth or shape recovery from multiple images
    • G06T7/579—Depth or shape recovery from multiple images from motion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供的一种基于SLAM的窄道通行障碍物检测方法，其将车辆前视单目鱼眼摄像头的视频流和车辆里程计数据作为输入，通过半稠密直接法SLAM得到窄道的三维地图点，根据里程计数据融合得到地图点真实尺度，继而将其投射到二维栅格地图，通过对噪点去除与回归拟合，最终得到车辆坐标系下，窄道有效障碍物的三维位置信息以及其拟合的边界。从而有效的降低了窄道通行中障碍物点位置检测的硬件成本，并保持了昂贵激光雷达的厘米级障碍物位置检测精度。

Description

一种基于SLAM的窄道通行障碍物检测方法
技术领域
本发明涉及车辆行驶辅助技术领域，具体地说，是一种基于SLAM的窄道通行障碍物检测方法。
背景技术
随着自动驾驶的迅猛发展，智能车为驾驶员提供了多种驾驶辅助功能，其中较为重要的一员就是车辆窄道通行辅助系统。目前窄道通行的解决方案有两种，一是基于毫米波雷达给出障碍物的预警报告，二是基于激光雷达来解决障碍物检测的任务。但是这两种方法都存在一定的缺陷，毫米波雷达由于其先天特性，无法给出障碍物的角度，只能起预警作用；激光雷达虽可以在大范围内生成低累计误差的高精度地图，但在实际落地方面面临着成本门槛，导致成本较高，市场应用受限。
视觉SLAM(Simultaneous localization and mapping)以相机获取的序列图像数据为基础，依据图像信息结合成像模型恢复环境与相机间的关系，随着相机运动递增式地确定周围环境图，并输出相机在环境图中的位置。早期视觉SLAM技术大多采用特征点法，构建出的稀疏点云图虽可提供定位，但无法在障碍物检测方面提供帮助。直到单目直接法LSD-SLAM在构建半稠密地图上展现的良好表现，才推动了SLAM技术在语义和障碍物检测方面的研究发展，不过目前的视觉SLAM在构建大范围的高精地图方面远不及激光雷达的精度。
发明内容
本发明的主要目的在于提供一种基于SLAM的窄道通行障碍物检测方法，其克服现有技术的不足，运用单目SLAM与里程计融合的车辆窄道通行障碍物检测系统，提高障碍物位置的检测准确度。
为达到以上目的，本发明采用的技术方案为一种基于SLAM的窄道通行障碍物检测方法，其包括步骤：
S100采集数据，通过单目视觉SLAM构建窄道半稠密地图；
S200将里程计与SLAM融合得到窄道半稠密地图的真实尺度；
S300将三维SLAM半稠密地图点投射到二维栅格地图中，统计地图点在栅格中的密度来去除噪点；
S400根据半稠地图密的有效障碍物点集合，采用回归算法拟合障碍物边界。
根据本发明的一实施例，所述步骤S100包括步骤：
S110通过车辆鱼眼前视摄像头来采集数据；
S120对视频流进行几何畸变，光度畸变，图像增强操作；
S130将处理后的视频流数据输入至半稠密直接法SLAM中，进行坐标转换，得到世界坐标系下的窄道半稠密地图。
根据本发明的一实施例，所述步骤120包括具体包括步骤：对输入的视频流进行光度去畸变处理，位姿的运算通过最小化光度误差来计算，并进行窗口化的局部BundleAdjustment，其中，位姿计算使用的误差项为车辆行驶前后两帧图像的光度误差。
根据本发明的一实施例，在步骤S130中根据算力的具体条件，选取半稠密和稠密视觉SLAM两种方案。
根据本发明的一实施例，所述步骤S100具体包括步骤：
S111对车载鱼眼摄像头进行几何畸变，光度畸变和内参的标定，将结果保存为二进制的LUT表，将车载鱼眼摄像头固定安装在车辆前车标处，标定其与车辆后轴中心的坐标转换，将车辆长度，宽度，前相机内参系数，保存为xml文件以供后续读取；
S121将车载鱼眼摄像头的视频数据通过车载视觉微处理器S32V传送到车载PC机上，将原始三通道视频数据转化为单通道视频数据，读取所述步骤S111中保存的二进制LUT表bin文件和xml文件，去除视频数据的几何畸变，光度畸变，其中，若无法进行光度畸变标定，选取retinex图像增强算法对输入数据进行处理；
S131将处理过的视频数据输入到半稠密直接法SLAM中，进行地图的构建与鱼眼相机位姿的实时，其中，使用先前标定的相机与车辆后轴中心坐标系变换，将半稠密地图中点云的坐标系转换到第一帧车辆后轴中心坐标。
根据本发明的一实施例，所述步骤S400包括步骤：
S410以车辆中轴向障碍物检测范围两侧进行线性遍历，得到有效障碍物点集合的位置坐标；
S420对有效障碍物点集合进行多项式拟合，得到窄道障碍物边界信息。
根据本发明的一实施例，所述步骤S200包括步骤：
S210提前标定视频与里程计的硬件传输时间差，在软件层面对里程计数据和视频数据进行时间上的对齐；
S220根据SLAM初始化后多个关键帧的车辆位姿数据，与里程计车辆位姿数据建立二范数误差函数，选取使得误差函数最小化的尺度值，拟合单目半稠密SLAM地图中的尺度，使得最终得到的地图点带有真实的尺度信息。
根据本发明的一实施例，所述步骤S220具体包括步骤：不考虑直接法SLAM初始化时的关键帧，根据前10个关键帧位姿数据和里程计位姿数据构建二范数误差函数，选取使得误差函数最小化的尺度值，对SLAM所有的地图点和位姿信息进行缩放，得到带真实尺度的SLAM半稠密地图。
根据本发明的一实施例，所述步骤S300包括步骤：
S310将三维障碍物点云投射到二维栅格地图中进行障碍物密度与最高高度的统计；
S320采用哈希表存储二维栅格地图来加速遍历速度；
S330根据栅格块上地图点密度对半稠密地图点进行去噪处理。
根据本发明的一实施例，所述步骤S300具体包括步骤：
S311将障碍物范围内的SLAM地图点坐标信息转化到车辆坐标系，并将其与车辆位姿通过ROS通讯传送到栅格地图模块，做三维至二维的投影；
S321提前建立局部栅格地图，栅格地图内的原点为车辆后轴中心位置，每块栅格为2cm*2cm，长宽为8m*4m，采用哈希表存储栅格地图信息，其中，栅格有两层，第一层的值为每个栅格范围内地图中点云个数，第二层为栅格格点内点云的最高高度；
S331以5*5的栅格块为单位，统计栅格块中点云的个数，根据直接法中取点的个数，设置噪点去除的阈值，其中，当5*5个方格内的点云个数小于200，中心栅格点视为噪点，其最高高度置为0。
根据本发明的一实施例，所述步骤S400具体包括步骤：
S411以车辆中轴为栅格取中分线，从中分线向两侧做遍历，遍历次数为2*8m/2cm，遍历到的第一个带有高度的格点即为有效障碍物点，若遍历至障碍物范围边缘仍无有效障碍物点，说明此行并未检测到障碍物，遍历完成后，通过ROS输出有效障碍物点集合；
S421可将障碍物边缘视作平滑边，根据得到的有效障碍物点集合，运用机器学习中的多项式回归算法，栅格地图中给出的世界坐标系下，拟合二维栅格地图中障碍物点集合的障碍物边界信息。
根据本发明的一实施例，所述检测方法适用于车辆在低时速、短距离的窄道通行，在需要车辆窄道辅助时，控制车速小于0.55m/s，总行驶距离小于20m。
本发明所达到的有益效果：
(1)在车载前视单目鱼眼相机和车载里程计的低成本条件下，运用半稠密直接法视觉SLAM与二维栅格地图，能够给出车辆窄道通行时，车身周围障碍物的厘米级三维位姿信息以及障碍物边界拟合信息。
(2)虽然视觉SLAM在构建大范围的高精地图方面远不及激光雷达的精度，但适于在窄道通行这种距离短，低时速的特定场景，实时所生成的半稠密地图可达到厘米级的精度，满足障碍物点检测任务要求。
附图说明
图1是根据本发明实施例的一种基于SLAM的窄道通行障碍物检测方法的流程示意图。
具体实施方式
以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例，本领域技术人员可以想到其他显而易见的变型。
如图1所示的是一种基于SLAM的窄道通行障碍物检测方法，其包括步骤：
(1)对车载鱼眼摄像头进行几何畸变，光度畸变和内参的标定，将结果保存为二进制的LUT表，将车载鱼眼摄像头固定安装在车辆前车标处，标定其与车辆后轴中心的坐标转换，将车辆长度，宽度，前相机内参系数，保存为xml文件以供后续读取。
(2)将车载鱼眼摄像头的视频数据通过车载视觉微处理器S32V传送到车载PC机上，将原始三通道视频数据转化为单通道视频数据，读取所述步骤(1)中保存的二进制LUT表bin文件和xml文件，去除视频数据的几何畸变，光度畸变(包含曝光时间和Vignette)，其中，对于无法进行光度畸变标定的情况，还可以选取retinex图像增强算法对输入数据进行处理。
(3)将处理过的视频数据输入到半稠密直接法SLAM中，进行地图的构建与鱼眼相机位姿的实时跟踪。由于SLAM所建立的半稠密地图是基于第一帧鱼眼相机坐标系，需要使用先前标定的相机与车辆后轴中心坐标系变换，将半稠密地图中点云的坐标系转换到第一帧车辆后轴中心坐标。
(4)提前标定硬件层面上里程计与车载前视摄像头传输入的时间差，在软件层面上实现里程计与前视摄像头的时间对齐。不考虑直接法SLAM初始化时的关键帧，根据前10个关键帧位姿数据和里程计位姿数据构建二范数误差函数，选取使得误差函数最小化的尺度值，其中，对SLAM所有的地图点和位姿信息进行缩放，得到带真实尺度的SLAM半稠密地图。
(5)将障碍物范围内的(车前后2m，左右1m)SLAM地图点坐标信息转化到车辆坐标系，并将其与车辆位姿(包含平移和旋转)通过ROS通讯传送到栅格地图模块，做3D-2D的投影。栅格地图内的原点始终为车辆后轴中心位置。栅格格点大小为2cm*2cm，总大小为8m*4m。栅格有两层，第一层的值为每个栅格范围内地图中点云个数，第二层为栅格格点内点云的最高高度，其中，当5*5个方格内的点云个数小于200，中心栅格点视为噪点，其最高高度置为0。
(6)以车辆中轴为栅格取中分线，从中分线向两侧做遍历，遍历次数为2*8m/2cm，遍历到的第一个带有高度的格点即为有效障碍物点，若遍历至障碍物范围边缘仍无有效障碍物点，说明此行并未检测到障碍物。遍历完成后，通过ROS输出有效障碍物点集合。
(7)鉴于窄道通行这一特定场景，可将障碍物边缘视作平滑边(障碍物多为长方体，圆柱体)，即可根据得到的有效障碍物点集合，运用机器学习中的多项式回归算法拟合出障碍物边缘，其中，基于障碍物信息，可开发后续碰撞点预测，轨迹规划功能。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。

Claims (8)

1.一种基于SLAM的窄道通行障碍物检测方法，其特征在于，包括步骤：
S100采集数据，通过单目视觉SLAM构建窄道半稠密地图；
S200将里程计与SLAM融合得到窄道半稠密地图的真实尺度，其包括步骤：
S210提前标定视频与里程计的硬件传输时间差，在软件层面对里程计数据和视频数据进行时间上的对齐；
S220根据SLAM初始化后多个关键帧的车辆位姿数据，与里程计车辆位姿数据建立二范数误差函数，选取使得误差函数最小化的尺度值，拟合单目半稠密SLAM地图中的尺度，使得最终得到的地图点带有真实的尺度信息；
S300将三维SLAM半稠密地图点投射到二维栅格地图中，统计地图点在栅格中的密度来去除噪点，其包括步骤：
S310将三维障碍物点云投射到二维栅格地图中进行障碍物密度与最高高度的统计；
S320采用哈希表存储二维栅格地图来加速遍历速度；
S330根据栅格块上地图点密度对半稠密地图点进行去噪处理；
S400根据半稠密地图的有效障碍物点集合，采用回归算法拟合障碍物边界。
2.根据权利要求1所述的基于SLAM的窄道通行障碍物检测方法，其特征在于，所述步骤S100包括步骤：
S110通过车辆鱼眼前视摄像头来采集数据；
S120对视频流进行几何畸变，光度畸变，图像增强操作；
S130将处理后的视频流数据输入至半稠密直接法SLAM中，进行坐标转换，得到世界坐标系下的窄道半稠密地图。
3.根据权利要求2所述的基于SLAM的窄道通行障碍物检测方法，其特征在于，所述步骤S120包括具体包括步骤：对输入的视频流进行光度去畸变处理，位姿的运算通过最小化光度误差来计算，并进行窗口化的局部BundleAdjustment，其中，位姿计算使用的误差项为车辆行驶前后两帧图像的光度误差。
4.根据权利要求1所述的基于SLAM的窄道通行障碍物检测方法，其特征在于，所述步骤S100具体包括步骤：
S111对车载鱼眼摄像头进行几何畸变，光度畸变和内参的标定，将结果保存为二进制的LUT表，将车载鱼眼摄像头固定安装在车辆前车标处，标定其与车辆后轴中心的坐标转换，将车辆长度，宽度，前相机内参系数，保存为xml文件以供后续读取；
S121将车载鱼眼摄像头的视频数据通过车载视觉微处理器S32V传送到车载PC机上，将原始三通道视频数据转化为单通道视频数据，读取所述步骤S111中保存的二进制LUT表bin文件和xml文件，去除视频数据的几何畸变，光度畸变，其中，若无法进行光度畸变标定，选取retinex图像增强算法对输入数据进行处理；
S131将处理过的视频数据输入到半稠密直接法SLAM中，进行地图的构建与鱼眼相机位姿的实时，其中，使用先前标定的相机与车辆后轴中心坐标系变换，将半稠密地图中点云的坐标系转换到第一帧车辆后轴中心坐标。
5.根据权利要求4所述的基于SLAM的窄道通行障碍物检测方法，其特征在于，所述步骤S220具体包括步骤：不考虑直接法SLAM初始化时的关键帧，根据前10个关键帧位姿数据和里程计位姿数据构建二范数误差函数，选取使得误差函数最小化的尺度值，对SLAM所有的地图点和位姿信息进行缩放，得到带真实尺度的SLAM半稠密地图。
6.根据权利要求1所述的基于SLAM的窄道通行障碍物检测方法，其特征在于，所述步骤S300具体包括步骤：
S311将障碍物范围内的SLAM地图点坐标信息转化到车辆坐标系，并将其与车辆位姿通过ROS通讯传送到栅格地图模块，做三维至二维的投影；
S321提前建立局部栅格地图，栅格地图内的原点为车辆后轴中心位置，每块栅格为2cm*2cm，长宽为8m*4m，采用哈希表存储栅格地图信息，其中，栅格有两层，第一层的值为每个栅格范围内地图中点云个数，第二层为栅格格点内点云的最高高度；
S331以5*5的栅格块为单位，统计栅格块中点云的个数，根据直接法中取点的个数，设置噪点去除的阈值，其中，当5*5个方格内的点云个数小于200，中心栅格点视为噪点，其最高高度置为0。
7.根据权利要求1所述的基于SLAM的窄道通行障碍物检测方法，其特征在于，所述步骤S400包括步骤：
S410以车辆中轴向障碍物检测范围两侧进行线性遍历，得到有效障碍物点集合的位置坐标；
S420对有效障碍物点集合进行多项式拟合，得到窄道障碍物边界信息。
8.根据权利要求1所述的基于SLAM的窄道通行障碍物检测方法，其特征在于，所述步骤S400具体包括步骤：
S411以车辆中轴为栅格取中分线，从中分线向两侧做遍历，遍历次数为2*8m/2cm，遍历到的第一个带有高度的格点即为有效障碍物点，若遍历至障碍物范围边缘仍无有效障碍物点，说明此行并未检测到障碍物，遍历完成后，通过ROS输出有效障碍物点集合；
S421可将障碍物边缘视作平滑边，根据得到的有效障碍物点集合，运用机器学习中的多项式回归算法，栅格地图中给出的世界坐标系下，拟合二维栅格地图中障碍物点集合的障碍物边界信息。
CN201910516441.XA 2019-06-14 2019-06-14 一种基于slam的窄道通行障碍物检测方法 Active CN110378919B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910516441.XA CN110378919B (zh) 2019-06-14 2019-06-14 一种基于slam的窄道通行障碍物检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910516441.XA CN110378919B (zh) 2019-06-14 2019-06-14 一种基于slam的窄道通行障碍物检测方法

Publications (2)

Publication Number Publication Date
CN110378919A CN110378919A (zh) 2019-10-25
CN110378919B true CN110378919B (zh) 2023-05-23

Family

ID=68250362

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910516441.XA Active CN110378919B (zh) 2019-06-14 2019-06-14 一种基于slam的窄道通行障碍物检测方法

Country Status (1)

Country Link
CN (1) CN110378919B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110929669B (zh) * 2019-11-29 2023-10-10 阿波罗智能技术(北京)有限公司 数据标注方法及装置
CN111272139B (zh) * 2020-02-17 2021-08-03 浙江工业大学 一种基于单目视觉的车辆长度测量方法
CN111256712B (zh) * 2020-02-24 2021-10-29 深圳市优必选科技股份有限公司 地图优化方法、装置及机器人
CN111552764B (zh) * 2020-05-15 2023-07-25 汇智机器人科技(深圳)有限公司 一种车位检测方法、装置、系统及机器人和存储介质
CN113030960B (zh) * 2021-04-06 2023-07-04 陕西国防工业职业技术学院 一种基于单目视觉slam的车辆定位方法
CN114255252B (zh) * 2022-02-28 2022-05-17 新石器慧通（北京）科技有限公司 障碍物轮廓获取方法、装置、设备及计算机可读存储介质
CN117629205A (zh) * 2022-08-16 2024-03-01 珠海一微半导体股份有限公司 一种机器人通过窄道的导航方法、芯片及机器人

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106052674A (zh) * 2016-05-20 2016-10-26 青岛克路德机器人有限公司 一种室内机器人的slam方法和系统
CN107036594A (zh) * 2017-05-07 2017-08-11 郑州大学 智能电站巡检智能体的定位与多粒度环境感知技术
CN108983248A (zh) * 2018-06-26 2018-12-11 长安大学 一种基于3d激光雷达及v2x的网联车定位方法
CN109186586A (zh) * 2018-08-23 2019-01-11 北京理工大学 一种面向动态泊车环境的同时定位及混合地图构建方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106052674A (zh) * 2016-05-20 2016-10-26 青岛克路德机器人有限公司 一种室内机器人的slam方法和系统
CN107036594A (zh) * 2017-05-07 2017-08-11 郑州大学 智能电站巡检智能体的定位与多粒度环境感知技术
CN108983248A (zh) * 2018-06-26 2018-12-11 长安大学 一种基于3d激光雷达及v2x的网联车定位方法
CN109186586A (zh) * 2018-08-23 2019-01-11 北京理工大学 一种面向动态泊车环境的同时定位及混合地图构建方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于三维激光雷达的障碍物检测方法研究;张穗华等;《机电产品开发与创新》;20161128(第06期);全文 *

Also Published As

Publication number Publication date
CN110378919A (zh) 2019-10-25

Similar Documents

Publication Publication Date Title
CN110378919B (zh) 一种基于slam的窄道通行障碍物检测方法
CN112861653B (zh) 融合图像和点云信息的检测方法、系统、设备及存储介质
CN111797734B (zh) 车辆点云数据处理方法、装置、设备和存储介质
CN113544756A (zh) Hd地图中危险道路对象的众包检测、标识和共享
CN115082924B (zh) 一种基于单目视觉和雷达伪图像融合的三维目标检测方法
CN112507862B (zh) 基于多任务卷积神经网络的车辆朝向检测方法及系统
US20210004566A1 (en) Method and apparatus for 3d object bounding for 2d image data
KR20160123668A (ko) 무인자동주차 기능 지원을 위한 장애물 및 주차구획 인식 장치 및 그 방법
WO2021056516A1 (zh) 目标检测方法、设备及可移动平台
WO2023002093A1 (en) Systems and methods for determining road traversability using real time data and a trained model
CN115410167A (zh) 目标检测与语义分割方法、装置、设备及存储介质
WO2023070113A1 (en) Validating an sfm map using lidar point clouds
CN113706633B (zh) 一种目标对象的三维信息确定方法和装置
CN116310673A (zh) 一种基于点云与图像特征融合的三维目标检测方法
CN114550116A (zh) 一种对象识别方法和装置
CN111833443A (zh) 自主机器应用中的地标位置重建
US20230401837A1 (en) Method for training neural network model and method for generating image
CN116343165A (zh) 一种3d目标检测系统、方法、终端设备及存储介质
CN117173399A (zh) 一种跨模态交叉注意力机制的交通目标检测方法及系统
CN114648639B (zh) 一种目标车辆的检测方法、系统及装置
WO2022133986A1 (en) Accuracy estimation method and system
EP4295271A1 (en) Apparatus, system and method for translating sensor label data between sensor domains
CN113655494A (zh) 路侧相机与4d毫米波融合的目标检测方法、设备及介质
JP7383584B2 (ja) 情報処理装置、情報処理方法、プログラムおよび車両制御システム
CN114648576B (zh) 一种目标车辆的定位方法、装置以及系统

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Pan Yuhua

Inventor after: Ning Renjie

Inventor before: Pan Yuhua

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20220823

Address after: Room 1606, Youte Headquarters Building, No. 88, Xingye Road, Xiangzhou District, Zhuhai City, Guangdong Province, 519000

Applicant after: Zhuhai Daxuan Information Technology Co.,Ltd.

Address before: 225000 Management Committee of Yizheng Automobile Industrial Park, Yangzhou City, Jiangsu Province

Applicant before: JIANGSU YULAN INFORMATION TECHNOLOGY CO.,LTD.

GR01 Patent grant
GR01 Patent grant