CN110910389B - 一种基于图描述子的激光slam回环检测系统及方法 - Google Patents

一种基于图描述子的激光slam回环检测系统及方法 Download PDF

Info

Publication number
CN110910389B
CN110910389B CN201911045348.1A CN201911045348A CN110910389B CN 110910389 B CN110910389 B CN 110910389B CN 201911045348 A CN201911045348 A CN 201911045348A CN 110910389 B CN110910389 B CN 110910389B
Authority
CN
China
Prior art keywords
vertex
descriptor
full
frame
loop
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
CN201911045348.1A
Other languages
English (en)
Other versions
CN110910389A (zh
Inventor
朱亚琛
陈龙
刘聪
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.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen 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 Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN201911045348.1A priority Critical patent/CN110910389B/zh
Publication of CN110910389A publication Critical patent/CN110910389A/zh
Application granted granted Critical
Publication of CN110910389B publication Critical patent/CN110910389B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • 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
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10044—Radar image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于图描述子的激光SLAM回环检测系统及方法。包括语义分割模块，全图描述子提取模块，全图描述子匹配模块，顶点描述子提取模块，顶点描述子匹配模块和几何一致性验证模块。本发明利用了从点云数据中提取的语义信息形成了全图描述子和顶点描述子两种图描述子来进行点云帧和语义物体的表征。相比于传统算法从像素级别提取描述子，本发明可以避免繁重的法向量计算任务和避免视角大幅变化带来的问题，可以更加快速和鲁棒地检测回环。本发明先通过全图描述子粗略地筛选出潜在的回环候选帧，接着用顶点描述子更加精细地匹配查询帧与回环候选帧的细节信息，是一个由粗到精的查找过程，为方法的实时性提供了理论保障。

Description

一种基于图描述子的激光SLAM回环检测系统及方法
技术领域
本发明属于机器人同时定位与建图领域，更具体地，涉及一种基于图描述子的激光SLAM回环检测系统及方法。
背景技术
随着我国经济水平的提高及科学技术的发展，机器人同时定位与建图(SLAM)技术成为了炙手可热的焦点。然而，要进行精准的定位建图是非常有挑战性的。前端里程计总会带来不可避免的漂移误差，因此，我们需要通过回环检测技术来优化扫描匹配里程计的状态估计误差。
GPS常常用来当作辅助精准定位的传感器，但是在某些条件下，比如城市中林立的高楼大厦就会造成信号遮挡，GPS信号的度量误差可以达到10m级。相机的回环检测技术虽然比较成熟，但是相机的性能受环境影响较大，如有较强的光照变化或者比较大的视角变化，相机就难以正确检测出回环。相比之下，激光雷达传感器就没有这些缺点，很适合完成SLAM和回环检测任务。但是目前存在的激光雷达回环检测算法无论是在检测回环的性能上和实时性上都难以满足实际使用需求。
发明内容
本发明为克服上述现有技术中的缺陷，提供一种基于图描述子的激光SLAM回环检测系统及方法，实现室内外一体化地图构建，提升了地图构建的效率和精度。
为解决上述技术问题，本发明采用的技术方案是：一种基于图描述子的激光SLAM回环检测系统，包括：
语义分割模块：用于感知外部环境，提取无序点云数据中的语义物体信息，得到物体的预测置信度和其质心三维空间坐标并输出给全图描述子提取模块和顶点描述子提取模块；
全图描述子提取模块：用于以点云数据中物体的质心为顶点，顶点与顶点之间的欧几里得距离为边构成一个完全图，将图中所有边按长度存放到一维计数向量中，该向量即全图描述子，后将全图描述子输出到全图描述子匹配模块；
全图描述子匹配模块：用于利用KD树这一数据结构加速查找查询帧与历史所有帧欧氏距离最近的n个帧，并把这n个帧都记为回环候选帧，后把回环候选帧输出给顶点描述子提取模块；
顶点描述子提取模块：用于对查询帧和所有回环候选帧中的每一个顶点，将与该顶点相连的边按长度存放到一维计数向量中，该向量即为对应顶点的顶点描述子，后输出到顶点描述子匹配模块；
顶点描述子匹配模块：利用欧氏距离度量查询帧与回环候选帧中有相似预测置信度的语义物体的顶点描述子，得出查询帧与每一回环候选帧中顶点的一一对应关系；并利用基于RANSAC的几何一致性验证方法得出查询帧与所有回环候选帧的位姿变换关系和匹配误差，并依据这个匹配误差判断是否存在回环。
本发明通过制定统一的室内外的地图基准，对室内地图和室外地图进行语义信息和图像特征提取，匹配与对齐，实现室内外一体化地图构建，提升了地图构建的效率和精度。
作为优选的，所述语义分割模块应用的场景要至少可以提取出4个物体当作完全图的顶点，否则无法在顶点描述子匹配模块得出正确的位姿变换和匹配误差。
作为优选的，所述语义分割模块使用PointRCNN或SECOND神经网络来进行多目标语义分割。
作为优选的，在提取数据时使用单一32/64线激光雷达传感器。
本发明还提供一种基于图描述子的激光SLAM回环检测方法，包括以下步骤：
S1.将激光雷达扫描得到的点云数据作为PointRCNN或SECOND神经网络的输入，得到语义物体的预测置信度和空间位置；
S2.利用各个物体的空间位置，以物体为顶点，物体间的欧氏距离为边构成一个完全图，将这个完全图中所有的边按照其长度存入到一个一维计数向量中，得到全图描述子；
S3.将查询帧的全图描述子加入到存有历史帧数据的KD树中，使用最近邻算法查找到与查询帧相近的n个历史帧，当作回环候选帧；
S4.从查询帧和回环候选帧中提取顶点描述子。顶点描述子的提取方式和全图描述子类似，区别在于每个顶点的描述子不是存放整个完全图的边集，而是与该顶点相连接的所有边，以这些边的集合来描述顶点；
S5.寻找查询帧中每一个顶点和回环候选帧中具有相似预测置信度的顶点的一一对应关系；计算查询帧中顶点描述子和回环候选帧中顶点描述子的欧氏距离，并从小到大排序，挑选出欧式距离小于阈值α的描述子对作为匹配关系，若这样的描述子对少于4对，则剔除该回环候选帧；
S6.利用基于RANSAC的几何一致性验证方法，找到查询帧与每一回环候选帧最优的位姿变换关系，并依据这个变换计算出变换后查询帧中顶点与回环候选帧顶点的均方根误差作为匹配误差，与阈值β作比较来判断是否存在回环。
与现有技术相比，有益效果是：
1.本发明利用了从点云数据中提取的语义信息形成了全图描述子和顶点描述子两种图描述子来进行点云帧和语义物体的表征。相比于传统算法从像素级别提取描述子，本发明可以避免繁重的法向量计算任务和避免视角大幅变化带来的问题，可以更加快速和鲁棒地检测回环。
2.本发明先通过全图描述子粗略地筛选出潜在的回环候选帧，接着用顶点描述子更加精细地匹配查询帧与回环候选帧的细节信息，是一个由粗到精的查找过程，为方法的实时性提供了理论保障。
3.本发明原理易懂、流程简单、适用范围广、尤其适用于语义信息丰富的场景。
附图说明
图1是本发明系统结构示意图。
图2是本发明方法流程示意图。
具体实施方式
附图仅用于示例性说明，不能理解为对本发明的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明，不能理解为对本发明的限制。
实施例1：
如图1所示，一种基于图描述子的激光SLAM回环检测系统，包括语义分割模块，全图描述子提取模块，全图描述子匹配模块，顶点描述子提取模块，顶点描述子匹配模块和几何一致性验证模块，其中：
语义分割模块：用于感知外部环境，提取无序点云数据中的语义物体信息，得到物体的预测置信度和其质心三维空间坐标并输出给全图描述子提取模块和顶点描述子提取模块；
全图描述子提取模块：用于以点云数据中物体的质心为顶点，顶点与顶点之间的欧几里得距离为边构成一个完全图，将图中所有边按长度存放到一维计数向量中，该向量即全图描述子，后将全图描述子输出到全图描述子匹配模块；
全图描述子匹配模块：用于利用KD树这一数据结构加速查找查询帧(当前帧)与历史所有帧欧氏距离最近的n个帧，并把这n个帧都记为回环候选帧，后把回环候选帧输出给顶点描述子提取模块；
顶点描述子提取模块：用于对查询帧和所有回环候选帧中的每一个顶点，将与该顶点相连的边按长度存放到一维计数向量中，该向量即为对应顶点的顶点描述子，后输出到顶点描述子匹配模块；
顶点描述子匹配模块：利用欧氏距离度量查询帧与回环候选帧中有相似预测置信度的语义物体的顶点描述子，得出查询帧与每一回环候选帧中顶点的一一对应关系；并利用基于RANSAC的几何一致性验证方法得出查询帧与所有回环候选帧的位姿变换关系和匹配误差，并依据这个匹配误差判断是否存在回环。
本发明通过制定统一的室内外的地图基准，对室内地图和室外地图进行语义信息和图像特征提取，匹配与对齐，实现室内外一体化地图构建，提升了地图构建的效率和精度。
在本实施例中，所述语义分割模块应用的场景要至少可以提取出4个物体当作完全图的顶点，否则无法在顶点描述子匹配模块得出正确的位姿变换和匹配误差。
在本实施例中，所述语义分割模块使用PointRCNN或SECOND神经网络来进行多目标语义分割。
在本实施例中，在提取数据时使用单一32/64线激光雷达传感器。语义分割模块仅使用以激光雷达为中心，半径60m的点云数据。
其中，所述全图描述子提取和顶点描述子提取模块所使用的一维计数向量容量均为121。若要存放的一条边长度为k，则在下标为[k]的向量元素加1。若边长超过120，则统一在下标为120的向量元素加1(下标从0开始)。
其中，所述全局描述子匹配模块得到的回环候选帧个数为30。
其中，所述顶点描述子匹配模块在计算查询帧与回环候选帧中顶点的一一对应关系时，要至少计算出4个顶点描述子对输出给基于RANSAC算法的几何一致性验证方法。
实施例2
如图2所示，本发明还提供一种基于图描述子的激光SLAM回环检测方法，包括以下步骤，本方法的应用场景为语义信息较为丰富的室内外场景：
S1.将激光雷达扫描得到的点云数据作为PointRCNN或SECOND神经网络的输入，得到语义物体的预测置信度和空间位置；
S2.利用各个物体的空间位置，以物体为顶点，物体间的欧氏距离为边构成一个完全图，将这个完全图中所有的边按照其长度存入到一个一维计数向量中，得到全图描述子；
S3.将查询帧的全图描述子加入到存有历史帧数据的KD树中，使用最近邻算法查找到与查询帧相近的n个历史帧，当作回环候选帧；
S4.从查询帧和回环候选帧中提取顶点描述子。顶点描述子的提取方式和全图描述子类似，区别在于每个顶点的描述子不是存放整个完全图的边集，而是与该顶点相连接的所有边，以这些边的集合来描述顶点；
S5.寻找查询帧中每一个顶点和回环候选帧中具有相似预测置信度的顶点的一一对应关系；计算查询帧中顶点描述子和回环候选帧中顶点描述子的欧氏距离，并从小到大排序，挑选出欧式距离小于阈值α的描述子对作为匹配关系，若这样的描述子对少于4对，则剔除该回环候选帧；
S6.利用基于RANSAC的几何一致性验证方法，找到查询帧与每一回环候选帧最优的位姿变换关系，并依据这个变换计算出变换后查询帧中顶点与回环候选帧顶点的均方根误差作为匹配误差，与阈值β作比较来判断是否存在回环
其中，所述的S1步骤中应用的场景要至少可以提取出4个物体当作完全图的顶点，否则无法在顶点描述子匹配模块得出正确的位姿变换和匹配误差。
另外，在S1步骤中，传感器为单一32/64线激光雷达传感器，仅使用以激光雷达为中心，半径60m的点云数据。
在本实施例中，所使用的一维计数向量容量均为121。若要存放的一条边长度为k，则在下标为[k]的向量元素加1。若边长超过120，则统一在下标为120的向量元素加1(下标从0开始)。
在所述的S5步骤中，得到的回环候选帧个数为30；在S6步骤中，在计算查询帧与回环候选帧中顶点的一一对应关系时，要至少计算出4个顶点描述子对输出给基于RANSAC算法的几何一致性验证方法。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (5)

1.一种基于图描述子的激光SLAM回环检测系统，其特征在于，包括：
语义分割模块：用于感知外部环境，提取无序点云数据中的语义物体信息，得到物体的预测置信度和其质心三维空间坐标并输出给全图描述子提取模块和顶点描述子提取模块；
全图描述子提取模块：用于以点云数据中物体的质心为顶点，顶点与顶点之间的欧几里得距离为边构成一个完全图，将图中所有边按长度存放到一维计数向量中，该向量即全图描述子，后将全图描述子输出到全图描述子匹配模块；
全图描述子匹配模块：用于利用KD树这一数据结构加速查找查询帧与历史所有帧欧氏距离最近的n个帧，并把这n个帧都记为回环候选帧，后把回环候选帧输出给顶点描述子提取模块；
顶点描述子提取模块：用于对查询帧和所有回环候选帧中的每一个顶点，将与该顶点相连的边按长度存放到一维计数向量中，该向量即为对应顶点的顶点描述子，后输出到顶点描述子匹配模块；
顶点描述子匹配模块：利用欧氏距离度量查询帧与回环候选帧中有相似预测置信度的语义物体的顶点描述子，得出查询帧与每一回环候选帧中顶点的一一对应关系；并利用基于RANSAC的几何一致性验证方法得出查询帧与所有回环候选帧的位姿变换关系和匹配误差，并依据这个匹配误差判断是否存在回环。
2.根据权利要求1所述的基于图描述子的激光SLAM回环检测系统，其特征在于，所述语义分割模块应用的场景要至少能够提取出4个物体当作完全图的顶点。
3.根据权利要求2所述的基于图描述子的激光SLAM回环检测系统，其特征在于，所述语义分割模块使用PointRCNN或SECOND神经网络来进行多目标语义分割。
4.根据权利要求1所述的基于图描述子的激光SLAM回环检测系统，其特征在于，在提取数据时使用单一32/64线激光雷达传感器。
5.一种基于图描述子的激光SLAM回环检测方法，其特征在于，包括以下步骤：
S1.将激光雷达扫描得到的点云数据作为PointRCNN或SECOND神经网络的输入，得到语义物体的预测置信度和空间位置；
S2.利用各个物体的空间位置，以物体为顶点，物体间的欧氏距离为边构成一个完全图，将这个完全图中所有的边按照其长度存入到一个一维计数向量中，得到全图描述子；
S3.将查询帧的全图描述子加入到存有历史帧数据的KD树中，使用最近邻算法查找到与查询帧相近的n个历史帧，当作回环候选帧；
S4.从查询帧和回环候选帧中提取顶点描述子，顶点描述子的提取方式和全图描述子类似，区别在于每个顶点的描述子不是存放整个完全图的边集，而是与该顶点相连接的所有边，以这些边的集合来描述顶点；
S5.寻找查询帧中每一个顶点和回环候选帧中具有相似预测置信度的顶点的一一对应关系；计算查询帧中顶点描述子和回环候选帧中顶点描述子的欧氏距离，并从小到大排序，挑选出欧式距离小于阈值α的描述子对作为匹配关系，若这样的描述子对少于4对，则剔除该回环候选帧；
S6.利用基于RANSAC的几何一致性验证方法，找到查询帧与每一回环候选帧最优的位姿变换关系，并依据这个变换计算出变换后查询帧中顶点与回环候选帧顶点的均方根误差作为匹配误差，与阈值β作比较来判断是否存在回环。
CN201911045348.1A 2019-10-30 2019-10-30 一种基于图描述子的激光slam回环检测系统及方法 Active CN110910389B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911045348.1A CN110910389B (zh) 2019-10-30 2019-10-30 一种基于图描述子的激光slam回环检测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911045348.1A CN110910389B (zh) 2019-10-30 2019-10-30 一种基于图描述子的激光slam回环检测系统及方法

Publications (2)

Publication Number Publication Date
CN110910389A CN110910389A (zh) 2020-03-24
CN110910389B true CN110910389B (zh) 2021-04-09

Family

ID=69815064

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911045348.1A Active CN110910389B (zh) 2019-10-30 2019-10-30 一种基于图描述子的激光slam回环检测系统及方法

Country Status (1)

Country Link
CN (1) CN110910389B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112596063B (zh) * 2020-11-27 2024-04-02 北京迈格威科技有限公司 点云描述子构建方法及装置，闭环检测方法及装置
CN113340296B (zh) * 2021-06-21 2024-04-09 上海仙工智能科技有限公司 一种自动更新移动机器人地图的方法及装置
CN115661255B (zh) * 2022-12-15 2023-04-28 中国科学技术大学 一种激光slam回环检测与校正方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109784232A (zh) * 2018-12-29 2019-05-21 佛山科学技术学院 一种融合深度信息的视觉slam回环检测方法及装置
CN110246112A (zh) * 2019-01-21 2019-09-17 厦门大学 基于深度学习的激光扫描slam室内三维点云质量评价方法
CN110322511A (zh) * 2019-06-28 2019-10-11 华中科技大学 一种基于物体和平面特征的语义slam方法和系统
CN110335319A (zh) * 2019-06-26 2019-10-15 华中科技大学 一种语义驱动的相机定位与地图重建方法和系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11187536B2 (en) * 2018-01-12 2021-11-30 The Trustees Of The University Of Pennsylvania Probabilistic data association for simultaneous localization and mapping
US10657388B2 (en) * 2018-03-13 2020-05-19 Honda Motor Co., Ltd. Robust simultaneous localization and mapping via removal of dynamic traffic participants

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109784232A (zh) * 2018-12-29 2019-05-21 佛山科学技术学院 一种融合深度信息的视觉slam回环检测方法及装置
CN110246112A (zh) * 2019-01-21 2019-09-17 厦门大学 基于深度学习的激光扫描slam室内三维点云质量评价方法
CN110335319A (zh) * 2019-06-26 2019-10-15 华中科技大学 一种语义驱动的相机定位与地图重建方法和系统
CN110322511A (zh) * 2019-06-28 2019-10-11 华中科技大学 一种基于物体和平面特征的语义slam方法和系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
SLAM-driven robotic mapping and registration of 3D point clouds;Pileun Kim等;《Automation in Construction》;20180531;第89卷;第38-48页 *
Three-Dimensional Cooperative Mapping for Connected and Automated Vehicles;Yachen Zhang等;《IEEE Transactions on Industrial Electronics》;20190910;第67卷(第8期);第6649-6658页 *
基于Kinect和视觉词典的三维SLAM;龙超等;《计算机应用》;20160331;第36卷(第3期);第774-778、788页 *
基于三维激光点云的移动机器人同步定位与构图算法研究;赵绍安;《万方数据知识服务平台》;20181218;第1-61页 *

Also Published As

Publication number Publication date
CN110910389A (zh) 2020-03-24

Similar Documents

Publication Publication Date Title
CN111258313B (zh) 多传感器融合slam系统及机器人
US20230260151A1 (en) Simultaneous Localization and Mapping Method, Device, System and Storage Medium
CN110910389B (zh) 一种基于图描述子的激光slam回环检测系统及方法
CN104200495B (zh) 一种视频监控中的多目标跟踪方法
WO2022188094A1 (zh) 一种点云匹配方法及装置、导航方法及设备、定位方法、激光雷达
CN103886107B (zh) 基于天花板图像信息的机器人定位与地图构建系统
KR20220053513A (ko) 이미지 데이터 자동 라벨링 방법 및 장치
CN113989450B (zh) 图像处理方法、装置、电子设备和介质
CN113506318B (zh) 一种车载边缘场景下的三维目标感知方法
CN111275763A (zh) 闭环检测系统、多传感器融合slam系统及机器人
CN105160649A (zh) 基于核函数非监督聚类的多目标跟踪方法及系统
CN115376109B (zh) 障碍物检测方法、障碍物检测装置以及存储介质
CN114088081B (zh) 一种基于多段联合优化的用于精确定位的地图构建方法
CN115719436A (zh) 模型训练方法、目标检测方法、装置、设备以及存储介质
CN116468786A (zh) 一种面向动态环境的基于点线联合的语义slam方法
Zhang LILO: A Novel Lidar–IMU SLAM System With Loop Optimization
WO2022016838A1 (zh) 基于视觉标签的定位方法及设备
CN114140527A (zh) 一种基于语义分割的动态环境双目视觉slam方法
CN113280829A (zh) 基于鱼眼视觉和毫米波雷达数据的目标检测方法及装置
Zhang et al. Accurate real-time SLAM based on two-step registration and multimodal loop detection
CN112197705A (zh) 一种基于视觉和激光测距的果实定位方法
CN116400349A (zh) 一种低分辨率毫米波雷达与光学相机的标定方法
CN113112551B (zh) 相机参数的确定方法、装置、路侧设备和云控平台
CN113838129B (zh) 一种获得位姿信息的方法、装置以及系统
Huang et al. LOG-LIO: A LiDAR-Inertial Odometry with Efficient Local Geometric Information Estimation

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