CN111105454A - 一种获取定位信息的方法、装置及介质 - Google Patents
一种获取定位信息的方法、装置及介质 Download PDFInfo
- Publication number
- CN111105454A CN111105454A CN201911158676.2A CN201911158676A CN111105454A CN 111105454 A CN111105454 A CN 111105454A CN 201911158676 A CN201911158676 A CN 201911158676A CN 111105454 A CN111105454 A CN 111105454A
- Authority
- CN
- China
- Prior art keywords
- repositioning
- dimensional coordinates
- positioning
- environment
- acquiring
- 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
Images
Classifications
-
- 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
-
- 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
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
- G01C11/04—Interpretation of pictures
-
- 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
- G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
-
- 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
- G01C21/20—Instruments for performing navigational calculations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
- G06T7/251—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/285—Analysis of motion using a sequence of stereo image pairs
-
- 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
-
- 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
- G06T2219/00—Indexing scheme for manipulating 3D models or images for computer graphics
- G06T2219/20—Indexing scheme for editing of 3D models
- G06T2219/2004—Aligning objects, relative positioning of parts
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Automation & Control Theory (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Image Analysis (AREA)
Abstract
本公开是关于一种获取定位信息的方法、装置及介质。该方法包括:获取图像信息、和图像信息的相关信息,相关信息包括:深度图、点云地图、重定位后的重定位位姿和重定位定位方差;基于深度图,获取空间障碍点三维坐标;基于重定位位姿、重定位定位方差和点云地图,获取目标位姿和与每个所述目标位姿对应的环境三维坐标;将空间障碍点三维坐标与环境三维坐标进行扫描匹配,得到匹配结果信息;当匹配结果信息满足预定条件时,基于重定位位姿和重定位定位方差获取定位信息。该方法解决了存在于现有视觉定位系统中由于重定位模块过于依赖视觉算法而导致的定位鲁棒性弱的缺点,增加了定位的鲁棒性。
Description
技术领域
本公开涉及视觉定位技术领域,尤其涉及一种获取定位信息的方法、装置及介质。
背景技术
视觉定位技术是指通过机器视觉来完成定位任务,它是近年来AR技术和移动机器人领域的研究热点,这体现在:一方面,很多手机厂商利用手机的摄像机以及视觉定位算法实现了部分手机AR功能,但是由于现有定位技术的精度有限,制约了手机AR的应用,因此手机厂商致力于视觉定位的研究;另一方面,由于机器视觉相对传统激光等传感器的优点,一些移动机器人公司也在视觉定位研发上不断投入,以期解决现有的问题。
发明内容
为克服相关技术中存在的问题,本公开提供一种获取定位信息的方法、装置及介质,以提高视觉定位在实际环境中定位的鲁棒性。
根据本公开实施例的第一方面,提供一种获取定位信息的方法,所述方法包括:
获取图像信息、和所述图像信息的相关信息,所述相关信息包括:深度图、点云地图、重定位后的重定位位姿和重定位定位方差;
基于所述深度图,获取空间障碍点三维坐标;
基于所述重定位位姿、所述重定位定位方差和所述点云地图,获取目标位姿和与每个所述目标位姿对应的环境三维坐标;
将所述空间障碍点三维坐标与所述环境三维坐标进行扫描匹配,得到匹配结果信息;
当所述匹配结果信息满足预定条件时,基于所述重定位位姿和所述重定位定位方差获取定位信息。
其中,所述基于所述重定位位姿、所述重定位定位方差和所述点云地图,获取目标位姿和与每个所述目标位姿对应的环境三维坐标,包括:
基于所述重定位位姿和所述重定位定位方差,获取粒子集合,所述粒子集合中每个粒子对应于一个所述目标位姿;
基于所述点云地图,获取每个粒子的所述环境三维坐标,所述与每个所述目标位姿对应的环境三维坐标是与所述目标位姿对应的粒子的环境三维坐标。
其中,所述基于所述重定位位姿和所述重定位定位方差获取粒子集合,包括:
基于所述重定位位姿和所述重定位定位方差,获取高斯概率分布的概率密度;
根据所述高斯概率分布的概率密度,对所述重定位位姿进行抽样,获取所述粒子集合;
所述基于所述点云地图获取每个粒子的所述环境三维坐标,包括:
基于所述点云地图,通过光线投射算法获取每个粒子的所述环境三维坐标。
其中,所述将所述空间障碍点三维坐标与所述环境三维坐标进行扫描匹配得到匹配结果信息,当所述匹配结果信息满足预定条件时,基于所述重定位位姿和所述重定位定位方差获取定位信息,包括:
通过将所述空间障碍点三维坐标与所述每个粒子的环境三维坐标进行扫描匹配,获取所述每个粒子的匹配得分;
当最高匹配得分大于预定阈值时,将所述重定位位姿确定为定位结果。
其中,所述通过将所述空间障碍点三维坐标与所述每个粒子的环境三维坐标进行扫描匹配,获取所述每个粒子的匹配得分,包括:
利用似然场模型,将所述空间障碍点三维坐标与所述每个粒子的环境三维坐标进行扫描匹配,获取所述每个粒子的匹配得分。
根据本公开实施例的第二方面,提供一种获取定位信息的装置,包括:
获取模块,被设置为获取图像信息、和所述图像信息的相关信息,所述相关信息包括:深度图、点云地图、重定位后的重定位位姿和重定位定位方差;
障碍点坐标计算模块,被设置为基于所述深度图,获取空间障碍点三维坐标;
环境坐标计算模块,被设置为基于所述重定位位姿、所述重定位定位方差和所述点云地图,获取目标位姿和与每个所述目标位姿对应的环境三维坐标;
扫描匹配模块,被设置为将所述空间障碍点三维坐标与所述环境三维坐标进行扫描匹配,得到匹配结果信息;当所述匹配结果信息满足预定条件时,基于所述重定位位姿和所述重定位定位方差获取定位信息。
其中,所述环境坐标计算模块还被设置为:
基于所述重定位位姿和所述重定位定位方差,获取粒子集合,所述粒子集合中每个粒子对应于一个所述目标位姿;
基于所述点云地图,获取每个粒子的所述环境三维坐标,所述与每个所述目标位姿对应的环境三维坐标是与所述目标位姿对应的粒子的环境三维坐标。
其中,所述环境坐标计算模块还被设置为:
基于所述重定位位姿和所述重定位定位方差,获取高斯概率分布的概率密度;
根据所述高斯概率分布的概率密度,对所述重定位位姿进行抽样,获取所述粒子集合;
基于所述点云地图,通过光线投射算法获取每个粒子的所述环境三维坐标。
其中,所述扫描匹配模块还被设置为:
通过将所述空间障碍点三维坐标与所述每个粒子的环境三维坐标进行扫描匹配,获取所述每个粒子的匹配得分;
当最高匹配得分大于预定阈值时,将所述重定位位姿确定为定位结果。
其中,所述扫描匹配模块还被设置为:
利用似然场模型,将所述空间障碍点三维坐标与所述每个粒子的环境三维坐标进行扫描匹配,获取所述每个粒子的匹配得分。
根据本公开实施例的第三方面,提供一种获取定位信息的装置,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
获取图像信息、和所述图像信息的相关信息,所述相关信息包括:深度图、点云地图、重定位后的重定位位姿和重定位定位方差;
基于所述深度图,获取空间障碍点三维坐标;
基于所述重定位位姿、所述重定位定位方差和所述点云地图,获取目标位姿和与每个所述目标位姿对应的环境三维坐标;
将所述空间障碍点三维坐标与所述环境三维坐标进行扫描匹配,得到匹配结果信息;
当所述匹配结果信息满足预定条件时,基于所述重定位位姿和所述重定位定位方差获取定位信息。
根据本公开实施例的第四方面,提供一种非临时性计算机可读存储介质,当所述存储介质中的指令由终端的处理器执行时,使得终端能够执行一种获取定位信息的方法,所述方法包括:
获取图像信息、和所述图像信息的相关信息,所述相关信息包括:深度图、点云地图、重定位后的重定位位姿和重定位定位方差;
基于所述深度图,获取空间障碍点三维坐标;
基于所述重定位位姿、所述重定位定位方差和所述点云地图,获取目标位姿和与每个所述目标位姿对应的环境三维坐标;
将所述空间障碍点三维坐标与所述环境三维坐标进行扫描匹配,得到匹配结果信息;
当所述匹配结果信息满足预定条件时,基于所述重定位位姿和所述重定位定位方差获取定位信息。
本公开的实施例提供的技术方案中,通过使用现有定位设备,无需增加额外的硬件传感设备,也不改变视觉定位系统的主体架构,而是通过深度图获取空间障碍点三维坐标,通过重定位位姿、定位方差和点云地图获取与每个估计的位姿对应的环境三维坐标,并将空间障碍点三维坐标与每个估计的位姿对应的环境三维坐标进行扫描匹配,来确定重定位位姿是否可用,并进而获取定位信息。通过上述方式,解决存在于现有视觉定位系统中由于重定位模块过于依赖视觉算法而导致的定位鲁棒性弱的缺点,增加了定位的鲁棒性。
需要说明的是,如果在视觉定位系统以外增加额外的传感器,也是有可能解决上述问题的,比如增加激光传感器进行算法融合,或者在使用地面移动机器人的领域使用安装在机器人本体上的码盘进行算法融合。但是,这些增加外部传感器的方案无论从成本上还是功耗和体积上,都不具备优势。而本方法无需增加额外的硬件传感设备,通过增加并行模块的方法,解决视觉定位系统中重定位模块在实际运行中出现定位错误的问题,提高了视觉定位系统在实际环境中定位的鲁棒性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1是目前视觉定位中重定位的流程示意图。
图2是根据一示例性实施例示出获取定位信息的方法的流程图。
图3是根据一示例性实施例示出的基于所述重定位位姿、所述重定位定位方差和所述点云地图,获取目标位姿和与每个所述目标位姿对应的环境三维坐标的流程图。
图4是根据一示例性实施例示出的基于所述重定位位姿、所述重定位定位方差和所述点云地图,获取目标位姿和与每个所述目标位姿对应的环境三维坐标的流程图。
图5是根据一示例性实施例示出的将所述空间障碍点三维坐标与所述环境三维坐标进行扫描匹配得到匹配结果信息,当所述匹配结果信息满足预定条件时,基于所述重定位位姿和所述重定位定位方差获取定位信息的流程图。
图6是根据一示例性实施例示出的通过将空间障碍点三维坐标与每个粒子的环境三维坐标进行扫描匹配,获取每个粒子的匹配得分的流程图。
图7是根据一示例性实施例示出的获取定位信息的方法的流程图。
图8是根据一示例性实施例示出的获取定位信息的装置的框图。
图9是根据一示例性实施例示出的一种装置的框图。
图10是根据一示例性实施例示出的一种装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
目前公开的视觉定位技术方案有几种,下面为了描述的方便,以视觉SLAM(simultaneous localization and mapping,同步定位与建图)技术为例,对本公开的技术方案进行说明。
从视觉传感器的角度,视觉SLAM主要包括单目+IMU SLAM,双目SLAM和RGBD-SLAM。这三种视觉SLAM虽然三维视觉计算方法不同,但是由于视觉SLAM的需求,整个视觉SLAM的框架组件基本是一样的,包括前端和后端优化两部分,分为定位,建图,重定位,闭环这四个主要模块,通过这四个模块完成SLAM的任务。重定位模块作为视觉系统中的纠正定位错误的方法,对提升视觉定位系统的鲁棒性比较重要,但是在很多实际场景的导航定位中,由于视觉系统特征点分布的相似,导致重定位算法的失败,不但无法纠正错误的定位,反而容易导致错误的定位。而一旦发生错误的定位,会导致整个现有视觉SLAM系统的失败。
图1示出了目前视觉SLAM重定位的流程示意图,其中重定位模块以图像的特征作为输入,输出重定位之后的位姿,对系统自身的位姿估计进行一次优化过程。
然而,为了解决位姿估计的累积误差问题而引入的重定位模块,由于在现实中复杂的场景下,重定位模块采用的算法(如词袋模型,Bag Of Words)以及关键帧启发式选择规则难以在保证关键帧在空间良好分布的同时确保所有关键帧特征向量具备较强的区分性。这就导致实际中重定位模块会有概率给出错误的位姿,从而导致定位的错误,而且这个错误在直到下一次正确的重定位之前无法通过视觉SLAM系统自身消除,这就导致视觉SLAM定位的错误。
本公开提出了一种获取定位信息的方法,在原视觉定位系统的基础上,通过增加和重定位模块并行的处理模块,来确定重定位模块输出的位姿是否正确,以提高视觉定位的鲁棒性。
本公开提供了一种获取定位信息的方法,如图2所示,所述方法包括:
步骤201,获取图像信息、和所述图像信息的相关信息,所述相关信息包括:深度图、点云地图、重定位后的重定位位姿和重定位定位方差;
步骤202,基于深度图,获取空间障碍点三维坐标;
步骤203,基于所述重定位位姿、所述重定位定位方差和所述点云地图,获取目标位姿和与每个所述目标位姿对应的环境三维坐标;
步骤204,将所述空间障碍点三维坐标与所述环境三维坐标进行扫描匹配,得到匹配结果信息;
步骤205,当所述匹配结果信息满足预定条件时,基于所述重定位位姿和所述重定位定位方差获取定位信息。
在步骤201中,获取如图1所示的定位过程中的图像信息,这里的图像信息可以为一帧图像,对该帧图像进行处理得到点云地图,基于该帧图像进行重定位可以得到重定位位姿和相应的重定位定位方差。这里的点云地图、重定位位姿和重定位定位方差如图1中所示。另外,所获取的深度图是与该帧图像相对应的。即,该帧图像和其所对应的深度图都是针对相同的场景在同一时刻拍摄得到的。
在步骤201中的深度图指稠密深度图,双目视觉设备和RGBD视觉设备可以直接输出该稠密深度图信息,单目+IMU视觉设备尽管可以从稀疏深度图进一步处理获得稠密深度图,但是由于图像质量所限,本公开的方法不适合采用单目+IMU这种视觉设备。
在步骤202中,基于深度图获取空间障碍点三维坐标,可以通过摄像机公式计算得到,由于此计算过程是本领域技术人员所知道的,因此在此不再赘述。
在步骤203中,基于所述重定位位姿、所述重定位定位方差和所述点云地图,获取目标位姿和与每个目标位姿对应的环境三维坐标,包括基于重定位位姿和重定位定位方差获取目标位姿,其中由粒子表示目标位姿,以及通过粒子和点云地图获取目标位姿对应的环境三维坐标。具体过程将在下述具体实施例中描述。
在步骤204和步骤205中,通过扫描匹配的方式,将每个目标位姿对应的环境三维坐标与空间障碍点三维坐标进行匹配,并计算匹配得分,在这些目标姿的匹配得分中确定最高匹配得分,若最高匹配得分满足大于预定阈值的要求,则认为此次重定位位姿是正确的,若最高匹配得分都不能满足阈值的要求,则认为此次重定位位姿错误,不采用该重定位的结果。
通过上述方法,保证了重定位输出位姿的准确性,从而解决重定位模块给出错误位姿结果的问题,提高了视觉定位的鲁棒性。
作为对图2所示的实施例的细化和进一步扩展,本实施例公开了另一种定位方法。参照图3所示,图3为基于所述重定位位姿、所述重定位定位方差和所述点云地图,获取目标位姿和与每个所述目标位姿对应的环境三维坐标的流程图。如图3所示,图2所示的步骤203进一步可以包括:
步骤301中,基于所述重定位位姿和所述重定位定位方差,获取粒子集合,所述粒子集合中每个粒子对应于一个所述目标位姿;
步骤302中,基于所述点云地图,获取每个粒子的所述环境三维坐标,所述与每个所述目标位姿对应的环境三维坐标是与所述目标位姿对应的粒子的环境三维坐标。
在步骤301中,基于重定位位姿和重定位定位方差,获取粒子集合。具体可以采用构造高斯概率分布、卡尔曼滤波、贝叶斯估计方法。具体的计算过程可以采用本领域技术人员已知的方法进行,在此不再赘述。
在步骤302中,每个粒子的环境三维坐标,即点云地图投射到每个目标位姿(粒子)对应的坐标系下的坐标。
作为对图3所示的实施例的细化和进一步扩展,本实施例公开了另一种定位方法。参照图4所示,图4为基于所述重定位位姿、所述重定位定位方差和所述点云地图,获取目标位姿和与每个所述目标位姿对应的环境三维坐标的流程图。如图4所示,图3所示的步骤301基于重定位位姿和重定位定位方差,获取粒子集合包括:
步骤401,基于所述重定位位姿和所述重定位定位方差,获取高斯概率分布的概率密度;
步骤402,根据所述高斯概率分布的概率密度,对所述重定位位姿进行抽样,获取所述粒子集合;
图3所示的步骤302基于所述点云地图获取每个粒子的所述环境三维坐标包括:
步骤403,基于点云地图,通过光线投射算法获取每个粒子的环境三维坐标。
步骤401和步骤402中,通过高斯概率分布的概率密度来获取目标位姿,即获取粒子集合。这里采用高斯概率分布,是因为高斯分布的计算速度更快,不用处理复杂的雅可比矩阵运算,另外也容易建模。
步骤403中,将点云地图和每个粒子通过光线投射算法来计算相应粒子的环境三维坐标。光线投射算法可以采用本领域技术人员已知的方法,在此不再赘述。
作为对图2所示的实施例的细化和进一步扩展,本实施例公开了另一种定位方法。参照图5所示,图5为将所述空间障碍点三维坐标与所述环境三维坐标进行扫描匹配得到匹配结果信息,当所述匹配结果信息满足预定条件时,基于所述重定位位姿和所述重定位定位方差获取定位信息的流程图。如图5所示,图2所示的步骤204和步骤205进一步可以包括:
步骤501,通过将空间障碍点三维坐标与每个粒子的环境三维坐标进行扫描匹配,获取每个粒子的匹配得分;
步骤502,当最高匹配得分大于预定阈值时,将重定位位姿确定为定位结果。
在该实施例中,每个粒子的环境三维坐标即为基于点云地图获取的与粒子相对应的目标位姿的环境三维坐标,将这两种三维坐标进行扫描匹配,可以获取每个粒子(即目标位姿)的匹配得分。若有粒子的匹配得分大于预定阈值,则认为此次重定位位姿是正确的。因此选取最高匹配得分,判断最高匹配得分是否大于预定阈值。其中,预定阈值可以根据具体的应用场景通过离线实验预先得出。
作为对图5所示的实施例的细化和进一步扩展,本实施例公开了另一种定位方法。参照图6所示,图6为通过将所述空间障碍点三维坐标与所述每个粒子的环境三维坐标进行扫描匹配,获取所述每个粒子的匹配得分的流程图。如图6所示,图5所示的步骤501进一步可以包括:
步骤601,利用似然场模型,将空间障碍点三维坐标与每个粒子的环境三维坐标进行扫描匹配,获取每个粒子的匹配得分。
在执行扫描匹配算法时,利用似然场模型计算粒子的匹配得分。这里的匹配算法和似然场模型可以采用本领域技术人员已知的方式,在此不再赘述。
图7示出了根据本申请的一个具体实施例,在该实施例中,基于SLAM重定位的结果获取定位信息。该具体实施例的方法包括:
步骤701,获取此次SLAM重定位所基于的一帧图像、与该帧图像同时获取的针对相同场景的深度图、基于该帧图像的点云地图、以及基于该帧图像进行重定位得到重定位位姿和相应的重定位定位方差。
步骤702,基于深度图,获取空间障碍点三维坐标。
步骤703,基于重定位位姿、重定位定位方差,获取高斯概率分布的概率密度,并根据高斯概率分布的概率密度,对重定位位姿进行抽样,获取粒子集合。
步骤704,基于所述点云地图,通过光线投射算法获取每个粒子的环境三维坐标。
步骤705,利用似然场模型,将空间障碍点三维坐标与每个粒子的环境三维坐标进行扫描匹配,获取每个粒子的匹配得分。
步骤706,当最高匹配得分大于预定阈值时,将此次重定位位姿确定为定位结果;当最高匹配得分小于或等于预定阈值时,不采用此次重定位位姿。
通过上述具体实施例可以看出,通过使用现有定位设备,无需增加额外的硬件传感设备,也不改变视觉定位系统的主体架构,而是通过深度图获取空间障碍点三维坐标,通过重定位位姿、定位方差和点云地图获取与每个估计的位姿对应的环境三维坐标,并将空间障碍点三维坐标与每个估计的位姿对应的环境三维坐标进行扫描匹配,来确定重定位位姿是否可用,并进而获取定位信息。通过上述方式,解决存在于现有视觉定位系统中由于重定位模块过于依赖视觉算法而导致的定位鲁棒性弱的缺点,增加了定位的鲁棒性。
需要说明的是,如果在视觉定位系统以外增加额外的传感器,也是有可能解决上述问题的,比如增加激光传感器进行算法融合,或者在使用地面移动机器人的领域使用安装在机器人本体上的码盘进行算法融合。但是,这些增加外部传感器的方案无论从成本上还是功耗和体积上,都不具备优势。而本方法无需增加额外的硬件传感设备,通过增加并行模块的方法,解决视觉定位系统中重定位模块在实际运行中出现定位错误的问题,提高了视觉定位系统在实际环境中定位的鲁棒性。
本申请还提供了一种获取定位信息的装置,如图8所示,包括:
获取模块801,被设置为获取图像信息、和所述图像信息的相关信息,所述相关信息包括:深度图、点云地图、重定位后的重定位位姿和重定位定位方差;
障碍点坐标计算模块802,被设置为基于所述深度图,获取空间障碍点三维坐标;
环境坐标计算模块803,被设置为基于所述重定位位姿、所述重定位定位方差和所述点云地图,获取目标位姿和与每个所述目标位姿对应的环境三维坐标;
扫描匹配模块804,被设置为将所述空间障碍点三维坐标与所述环境三维坐标进行扫描匹配,得到匹配结果信息;当所述匹配结果信息满足预定条件时,基于所述重定位位姿和所述重定位定位方差获取定位信息。
在可选实施例中,所述环境坐标计算模块803还被设置为:
基于所述重定位位姿和所述重定位定位方差,获取粒子集合,所述粒子集合中每个粒子对应于一个所述目标位姿;
基于所述点云地图,获取每个粒子的所述环境三维坐标,所述与每个所述目标位姿对应的环境三维坐标是与所述目标位姿对应的粒子的环境三维坐标。
在可选实施例中,所述环境坐标计算模块803还被设置为:
基于所述重定位位姿和所述重定位定位方差,获取高斯概率分布的概率密度;
根据所述高斯概率分布的概率密度,对所述重定位位姿进行抽样,获取所述粒子集合;
基于所述点云地图,通过光线投射算法获取每个粒子的所述环境三维坐标。
在可选实施例中,所述扫描匹配模块804还被设置为:
通过将所述空间障碍点三维坐标与所述每个粒子的环境三维坐标进行扫描匹配,获取所述每个粒子的匹配得分;
当最高匹配得分大于预定阈值时,将所述重定位位姿确定为定位结果。
在可选实施例中,所述扫描匹配模块804还被设置为:
利用似然场模型,将所述空间障碍点三维坐标与所述每个粒子的环境三维坐标进行扫描匹配,获取所述每个粒子的匹配得分。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图9是根据一示例性实施例示出的获取定位信息的装置900的框图。例如,装置900可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
参照图9,装置900可以包括以下一个或多个组件:处理组件902,存储器904,电力组件906,多媒体组件908,音频组件910,输入/输出(I/O)的接口912,传感器组件914,以及通信组件916。
处理组件902通常控制装置900的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件902可以包括一个或多个处理器920来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件902可以包括一个或多个模块,便于处理组件902和其他组件之间的交互。例如,处理组件902可以包括多媒体模块,以方便多媒体组件908和处理组件902之间的交互。
存储器904被配置为存储各种类型的数据以支持在设备900的操作。这些数据的示例包括用于在装置900上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器904可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电力组件906为装置900的各种组件提供电力。电力组件906可以包括电源管理系统,一个或多个电源,及其他与为装置900生成、管理和分配电力相关联的组件。
多媒体组件908包括在所述装置900和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件908包括一个前置摄像头和/或后置摄像头。当设备900处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件910被配置为输出和/或输入音频信号。例如,音频组件910包括一个麦克风(MIC),当装置900处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器904或经由通信组件916发送。在一些实施例中,音频组件910还包括一个扬声器,用于输出音频信号。
I/O接口912为处理组件902和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件914包括一个或多个传感器,用于为装置900提供各个方面的状态评估。例如,传感器组件914可以检测到设备900的打开/关闭状态,组件的相对定位,例如所述组件为装置900的显示器和小键盘,传感器组件914还可以检测装置900或装置900一个组件的位置改变,用户与装置900接触的存在或不存在,装置900方位或加速/减速和装置900的温度变化。传感器组件914可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件914还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件914还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件916被配置为便于装置900和其他设备之间有线或无线方式的通信。装置900可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件916经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件916还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,装置900可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器904,上述指令可由装置900的处理器920执行以完成上述方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
一种非临时性计算机可读存储介质,当所述存储介质中的指令由终端的处理器执行时,使得终端能够执行一种获取定位信息的方法,所述方法包括:获取图像信息、和所述图像信息的相关信息,所述相关信息包括:深度图、点云地图、重定位后的重定位位姿和重定位定位方差;基于所述深度图,获取空间障碍点三维坐标;基于所述重定位位姿、所述重定位定位方差和所述点云地图,获取目标位姿和与每个所述目标位姿对应的环境三维坐标;将所述空间障碍点三维坐标与所述环境三维坐标进行扫描匹配,得到匹配结果信息;当所述匹配结果信息满足预定条件时,基于所述重定位位姿和所述重定位定位方差获取定位信息。
图10是根据一示例性实施例示出的一种获取定位信息的装置1000的框图。例如,装置1000可以被提供为一服务器。参照图10,装置1000包括处理组件1022,其进一步包括一个或多个处理器,以及由存储器1032所代表的存储器资源,用于存储可由处理组件1022的执行的指令,例如应用程序。存储器1032中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1022被配置为执行指令,以执行上述方法:获取图像信息、和所述图像信息的相关信息,所述相关信息包括:深度图、点云地图、重定位后的重定位位姿和重定位定位方差;基于所述深度图,获取空间障碍点三维坐标;基于所述重定位位姿、所述重定位定位方差和所述点云地图,获取目标位姿和与每个所述目标位姿对应的环境三维坐标;将所述空间障碍点三维坐标与所述环境三维坐标进行扫描匹配,得到匹配结果信息;当所述匹配结果信息满足预定条件时,基于所述重定位位姿和所述重定位定位方差获取定位信息。
装置1000还可以包括一个电源组件1026被配置为执行装置1000的电源管理,一个有线或无线网络接口1050被配置为将装置1000连接到网络,和一个输入输出(I/O)接口1058。装置1000可以操作基于存储在存储器1032的操作系统,例如Windows ServerTM,MacOS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由下面的权利要求指出。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (12)
1.一种获取定位信息的方法,其特征在于,所述方法包括:
获取图像信息、和所述图像信息的相关信息,所述相关信息包括:深度图、点云地图、重定位后的重定位位姿和重定位定位方差;
基于所述深度图,获取空间障碍点三维坐标;
基于所述重定位位姿、所述重定位定位方差和所述点云地图,获取目标位姿和与每个所述目标位姿对应的环境三维坐标;
将所述空间障碍点三维坐标与所述环境三维坐标进行扫描匹配,得到匹配结果信息;
当所述匹配结果信息满足预定条件时,基于所述重定位位姿和所述重定位定位方差获取定位信息。
2.如权利要求1所述的方法,其特征在于,所述基于所述重定位位姿、所述重定位定位方差和所述点云地图,获取目标位姿和与每个所述目标位姿对应的环境三维坐标,包括:
基于所述重定位位姿和所述重定位定位方差,获取粒子集合,所述粒子集合中每个粒子对应于一个所述目标位姿;
基于所述点云地图,获取每个粒子的所述环境三维坐标,所述与每个所述目标位姿对应的环境三维坐标是与所述目标位姿对应的粒子的环境三维坐标。
3.如权利要求2所述的方法,其特征在于,所述基于所述重定位位姿和所述重定位定位方差获取粒子集合,包括:
基于所述重定位位姿和所述重定位定位方差,获取高斯概率分布的概率密度;
根据所述高斯概率分布的概率密度,对所述重定位位姿进行抽样,获取所述粒子集合;
所述基于所述点云地图获取每个粒子的所述环境三维坐标,包括:
基于所述点云地图,通过光线投射算法获取每个粒子的所述环境三维坐标。
4.如权利要求2所述的方法,其特征在于,所述将所述空间障碍点三维坐标与所述环境三维坐标进行扫描匹配得到匹配结果信息,当所述匹配结果信息满足预定条件时,基于所述重定位位姿和所述重定位定位方差获取定位信息,包括:
通过将所述空间障碍点三维坐标与所述每个粒子的环境三维坐标进行扫描匹配,获取所述每个粒子的匹配得分;
当最高匹配得分大于预定阈值时,将所述重定位位姿确定为定位结果。
5.如权利要求4所述的方法,其特征在于,所述通过将所述空间障碍点三维坐标与所述每个粒子的环境三维坐标进行扫描匹配,获取所述每个粒子的匹配得分,包括:
利用似然场模型,将所述空间障碍点三维坐标与所述每个粒子的环境三维坐标进行扫描匹配,获取所述每个粒子的匹配得分。
6.一种获取定位信息的装置,其特征在于,包括:
获取模块,被设置为获取图像信息、和所述图像信息的相关信息,所述相关信息包括:深度图、点云地图、重定位后的重定位位姿和重定位定位方差;
障碍点坐标计算模块,被设置为基于所述深度图,获取空间障碍点三维坐标;
环境坐标计算模块,被设置为基于所述重定位位姿、所述重定位定位方差和所述点云地图,获取目标位姿和与每个所述目标位姿对应的环境三维坐标;
扫描匹配模块,被设置为将所述空间障碍点三维坐标与所述环境三维坐标进行扫描匹配,得到匹配结果信息;当所述匹配结果信息满足预定条件时,基于所述重定位位姿和所述重定位定位方差获取定位信息。
7.如权利要求6所述的装置,其特征在于,所述环境坐标计算模块还被设置为:
基于所述重定位位姿和所述重定位定位方差,获取粒子集合,所述粒子集合中每个粒子对应于一个所述目标位姿;
基于所述点云地图,获取每个粒子的所述环境三维坐标,所述与每个所述目标位姿对应的环境三维坐标是与所述目标位姿对应的粒子的环境三维坐标。
8.如权利要求7所述的装置,其特征在于,所述环境坐标计算模块还被设置为:
基于所述重定位位姿和所述重定位定位方差,获取高斯概率分布的概率密度;
根据所述高斯概率分布的概率密度,对所述重定位位姿进行抽样,获取所述粒子集合;
基于所述点云地图,通过光线投射算法获取每个粒子的所述环境三维坐标。
9.如权利要求7所述的装置,其特征在于,所述扫描匹配模块还被设置为:
通过将所述空间障碍点三维坐标与所述每个粒子的环境三维坐标进行扫描匹配,获取所述每个粒子的匹配得分;
当最高匹配得分大于预定阈值时,将所述重定位位姿确定为定位结果。
10.如权利要求9所述的装置,其特征在于,所述扫描匹配模块还被设置为:
利用似然场模型,将所述空间障碍点三维坐标与所述每个粒子的环境三维坐标进行扫描匹配,获取所述每个粒子的匹配得分。
11.一种获取定位信息的装置,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
获取图像信息、和所述图像信息的相关信息,所述相关信息包括:深度图、点云地图、重定位后的重定位位姿和重定位定位方差;
基于所述深度图,获取空间障碍点三维坐标;
基于所述重定位位姿、所述重定位定位方差和所述点云地图,获取目标位姿和与每个所述目标位姿对应的环境三维坐标;
将所述空间障碍点三维坐标与所述环境三维坐标进行扫描匹配,得到匹配结果信息;
当所述匹配结果信息满足预定条件时,基于所述重定位位姿和所述重定位定位方差获取定位信息。
12.一种非临时性计算机可读存储介质,当所述存储介质中的指令由终端的处理器执行时,使得终端能够执行一种获取定位信息的方法,所述方法包括:
获取图像信息、和所述图像信息的相关信息,所述相关信息包括:深度图、点云地图、重定位后的重定位位姿和重定位定位方差;
基于所述深度图,获取空间障碍点三维坐标;
基于所述重定位位姿、所述重定位定位方差和所述点云地图,获取目标位姿和与每个所述目标位姿对应的环境三维坐标;
将所述空间障碍点三维坐标与所述环境三维坐标进行扫描匹配,得到匹配结果信息;
当所述匹配结果信息满足预定条件时,基于所述重定位位姿和所述重定位定位方差获取定位信息。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911158676.2A CN111105454B (zh) | 2019-11-22 | 2019-11-22 | 一种获取定位信息的方法、装置及介质 |
US16/834,194 US20210158560A1 (en) | 2019-11-22 | 2020-03-30 | Method and device for obtaining localization information and storage medium |
KR1020200038705A KR102410879B1 (ko) | 2019-11-22 | 2020-03-31 | 포지셔닝 정보를 획득하는 방법, 장치 및 매체 |
JP2020069722A JP2021082244A (ja) | 2019-11-22 | 2020-04-08 | 位置決め情報を取得するための方法、装置および媒体 |
EP20171472.2A EP3825960A1 (en) | 2019-11-22 | 2020-04-27 | Method and device for obtaining localization information |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911158676.2A CN111105454B (zh) | 2019-11-22 | 2019-11-22 | 一种获取定位信息的方法、装置及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111105454A true CN111105454A (zh) | 2020-05-05 |
CN111105454B CN111105454B (zh) | 2023-05-09 |
Family
ID=70421283
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911158676.2A Active CN111105454B (zh) | 2019-11-22 | 2019-11-22 | 一种获取定位信息的方法、装置及介质 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20210158560A1 (zh) |
EP (1) | EP3825960A1 (zh) |
JP (1) | JP2021082244A (zh) |
KR (1) | KR102410879B1 (zh) |
CN (1) | CN111105454B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112581535A (zh) * | 2020-12-25 | 2021-03-30 | 达闼机器人有限公司 | 机器人定位方法、装置、存储介质及电子设备 |
CN112629519A (zh) * | 2020-11-10 | 2021-04-09 | 湖北久之洋红外系统股份有限公司 | 一种目标定位手持观测仪及其导航方法 |
CN112749504A (zh) * | 2021-04-02 | 2021-05-04 | 中智行科技有限公司 | 仿真扫描点的获取方法、装置、电子设备及存储介质 |
CN112802097A (zh) * | 2020-12-30 | 2021-05-14 | 深圳市慧鲤科技有限公司 | 一种定位方法、装置、电子设备及存储介质 |
CN113074748A (zh) * | 2021-03-29 | 2021-07-06 | 北京三快在线科技有限公司 | 一种无人驾驶设备的路径规划方法及装置 |
CN113510703A (zh) * | 2021-06-25 | 2021-10-19 | 深圳市优必选科技股份有限公司 | 机器人位姿的确定方法、装置、机器人及存储介质 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113538410B (zh) * | 2021-08-06 | 2022-05-20 | 广东工业大学 | 一种基于3d激光雷达和uwb的室内slam建图方法 |
CN113607160B (zh) * | 2021-08-24 | 2023-10-31 | 湖南国科微电子股份有限公司 | 视觉定位恢复方法、装置、机器人和可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107450577A (zh) * | 2017-07-25 | 2017-12-08 | 天津大学 | 基于多传感器的无人机智能感知系统和方法 |
CN108168539A (zh) * | 2017-12-21 | 2018-06-15 | 儒安科技有限公司 | 一种基于计算机视觉的盲人导航方法、装置及系统 |
CN109993793A (zh) * | 2019-03-29 | 2019-07-09 | 北京易达图灵科技有限公司 | 视觉定位方法及装置 |
CN110047142A (zh) * | 2019-03-19 | 2019-07-23 | 中国科学院深圳先进技术研究院 | 无人机三维地图构建方法、装置、计算机设备及存储介质 |
WO2019157925A1 (zh) * | 2018-02-13 | 2019-08-22 | 视辰信息科技(上海)有限公司 | 视觉惯性里程计的实现方法及系统 |
-
2019
- 2019-11-22 CN CN201911158676.2A patent/CN111105454B/zh active Active
-
2020
- 2020-03-30 US US16/834,194 patent/US20210158560A1/en not_active Abandoned
- 2020-03-31 KR KR1020200038705A patent/KR102410879B1/ko active IP Right Grant
- 2020-04-08 JP JP2020069722A patent/JP2021082244A/ja active Pending
- 2020-04-27 EP EP20171472.2A patent/EP3825960A1/en active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107450577A (zh) * | 2017-07-25 | 2017-12-08 | 天津大学 | 基于多传感器的无人机智能感知系统和方法 |
CN108168539A (zh) * | 2017-12-21 | 2018-06-15 | 儒安科技有限公司 | 一种基于计算机视觉的盲人导航方法、装置及系统 |
WO2019157925A1 (zh) * | 2018-02-13 | 2019-08-22 | 视辰信息科技(上海)有限公司 | 视觉惯性里程计的实现方法及系统 |
CN110047142A (zh) * | 2019-03-19 | 2019-07-23 | 中国科学院深圳先进技术研究院 | 无人机三维地图构建方法、装置、计算机设备及存储介质 |
CN109993793A (zh) * | 2019-03-29 | 2019-07-09 | 北京易达图灵科技有限公司 | 视觉定位方法及装置 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112629519A (zh) * | 2020-11-10 | 2021-04-09 | 湖北久之洋红外系统股份有限公司 | 一种目标定位手持观测仪及其导航方法 |
CN112629519B (zh) * | 2020-11-10 | 2024-02-02 | 湖北久之洋红外系统股份有限公司 | 一种目标定位手持观测仪及其导航方法 |
CN112581535A (zh) * | 2020-12-25 | 2021-03-30 | 达闼机器人有限公司 | 机器人定位方法、装置、存储介质及电子设备 |
CN112802097A (zh) * | 2020-12-30 | 2021-05-14 | 深圳市慧鲤科技有限公司 | 一种定位方法、装置、电子设备及存储介质 |
CN113074748A (zh) * | 2021-03-29 | 2021-07-06 | 北京三快在线科技有限公司 | 一种无人驾驶设备的路径规划方法及装置 |
CN113074748B (zh) * | 2021-03-29 | 2022-08-26 | 北京三快在线科技有限公司 | 一种无人驾驶设备的路径规划方法及装置 |
CN112749504A (zh) * | 2021-04-02 | 2021-05-04 | 中智行科技有限公司 | 仿真扫描点的获取方法、装置、电子设备及存储介质 |
CN113510703A (zh) * | 2021-06-25 | 2021-10-19 | 深圳市优必选科技股份有限公司 | 机器人位姿的确定方法、装置、机器人及存储介质 |
CN113510703B (zh) * | 2021-06-25 | 2022-09-16 | 深圳市优必选科技股份有限公司 | 机器人位姿的确定方法、装置、机器人及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
KR102410879B1 (ko) | 2022-06-21 |
CN111105454B (zh) | 2023-05-09 |
US20210158560A1 (en) | 2021-05-27 |
EP3825960A1 (en) | 2021-05-26 |
JP2021082244A (ja) | 2021-05-27 |
KR20210064019A (ko) | 2021-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111105454B (zh) | 一种获取定位信息的方法、装置及介质 | |
US11636653B2 (en) | Method and apparatus for synthesizing virtual and real objects | |
CN105488527B (zh) | 图像分类方法及装置 | |
EP2977956A1 (en) | Method, apparatus and device for segmenting an image | |
EP3173970A1 (en) | Image processing method and apparatus | |
CN109584362B (zh) | 三维模型构建方法及装置、电子设备和存储介质 | |
CN107944367B (zh) | 人脸关键点检测方法及装置 | |
CN107958223B (zh) | 人脸识别方法及装置、移动设备、计算机可读存储介质 | |
CN110853095B (zh) | 相机定位方法、装置、电子设备及存储介质 | |
CN106557759B (zh) | 一种标志牌信息获取方法及装置 | |
CN107202574B (zh) | 运动轨迹信息修正方法及装置 | |
CN112013844B (zh) | 建立室内环境地图的方法及装置 | |
CN110059547B (zh) | 目标检测方法及装置 | |
CN112115894B (zh) | 手部关键点检测模型的训练方法、装置及电子设备 | |
CN111860373B (zh) | 目标检测方法及装置、电子设备和存储介质 | |
CN113643356A (zh) | 相机位姿确定、虚拟物体显示方法、装置及电子设备 | |
CN110930351A (zh) | 一种光斑检测方法、装置及电子设备 | |
CN112202962A (zh) | 屏幕亮度调节方法、装置及存储介质 | |
CN109284591B (zh) | 人脸解锁方法及装置 | |
CN112767541A (zh) | 三维重建方法及装置、电子设备和存储介质 | |
CN113642551A (zh) | 指甲关键点检测方法、装置、电子设备及存储介质 | |
CN115950415A (zh) | 导航方向的确定方法、装置及存储介质 | |
CN108550170B (zh) | 虚拟角色驱动方法及装置 | |
CN111862288A (zh) | 一种位姿渲染方法、装置及介质 | |
CN113065392A (zh) | 一种机器人的跟踪方法和装置 |
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 |