CN111174782B - 位姿估计方法、装置、电子设备及计算机可读存储介质 - Google Patents
位姿估计方法、装置、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111174782B CN111174782B CN201911410495.4A CN201911410495A CN111174782B CN 111174782 B CN111174782 B CN 111174782B CN 201911410495 A CN201911410495 A CN 201911410495A CN 111174782 B CN111174782 B CN 111174782B
- Authority
- CN
- China
- Prior art keywords
- map
- determining
- image
- weight component
- prediction result
- 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
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
- 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
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/53—Determining attitude
Abstract
本公开的实施例公开了一种位姿估计方法、装置、电子设备及计算机可读存储介质。该方法包括:利用粒子滤波器,确定车辆的N个位姿预测结果;其中,N为大于或等于2的整数,车辆上设置有摄像头、惯性测量单元IMU和全球定位系统GPS;基于摄像头采集的第一图像,IMU采集的第一朝向信息,GPS采集的第一位置信息,以及预设地图,分别确定每个位姿预测结果对应的权重计算参考数据;基于每个位姿预测结果对应的权重计算参考数据,确定每个位姿预测结果对应的权重,以得到N个权重;利用N个权重,对N个位姿预测结果进行加权求和,并将加权求和结果作为车辆的位姿估计结果。与现有技术相比,在进行位姿估计时,本公开的实施例能够保证估计结果的可靠性。
Description
技术领域
本公开涉及车辆驾驶技术领域,尤其涉及一种位姿估计方法、装置、电子设备及计算机可读存储介质。
背景技术
对于自动驾驶系统而言,车辆定位是一个非常重要的环节,车辆定位也可以认为是车辆的位姿估计。目前,在进行位姿估计时,一般仅仅是依赖于车辆上设置的全球定位系统,但是,电磁波的传播会受到天气、大气层、高楼大厦、山丘等各种因素的影响,因此,这种方式得到的估计结果的可靠性较差。
发明内容
为了解决上述技术问题,提出了本公开。本公开的实施例提供了一种位姿估计方法、装置、电子设备及计算机可读存储介质。
根据本公开实施例的一个方面,提供了一种位姿估计方法,包括:
利用粒子滤波器,确定车辆的N个位姿预测结果;其中,N为大于或等于2的整数,所述车辆上设置有摄像头、惯性测量单元IMU和全球定位系统GPS;
基于所述摄像头采集的第一图像,所述IMU采集的第一朝向信息,所述GPS采集的第一位置信息,以及预设地图,分别确定每个位姿预测结果对应的权重计算参考数据;
基于每个位姿预测结果对应的权重计算参考数据,确定每个位姿预测结果对应的权重,以得到N个权重;
利用所述N个权重,对所述N个位姿预测结果进行加权求和,并将加权求和结果作为所述车辆的位姿估计结果。
根据本公开实施例的另一个方面,提供了一种位姿估计装置,包括:
第一确定模块,用于利用粒子滤波器,确定车辆的N个位姿预测结果;其中,N为大于或等于2的整数,所述车辆上设置有摄像头、惯性测量单元IMU和全球定位系统GPS;
第二确定模块,用于基于所述摄像头采集的第一图像,所述IMU采集的第一朝向信息,所述GPS采集的第一位置信息,以及预设地图,分别确定每个位姿预测结果对应的权重计算参考数据;
第三确定模块,用于基于每个位姿预测结果对应的权重计算参考数据,确定每个位姿预测结果对应的权重,以得到N个权重;
第四确定模块,用于利用所述N个权重,对所述N个位姿预测结果进行加权求和,并将加权求和结果作为所述车辆的位姿估计结果。
根据本公开实施例的再一个方面,提供了一种电子设备,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现上述位姿估计方法。
根据本公开实施例的又一个方面,提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行上述位姿估计方法。
本公开的实施例中,在利用粒子滤波器,确定车辆的N个位姿预测结果之后,可以基于摄像头采集的第一图像,IMU采集的第一朝向信息,GPS采集的第一位置信息,以及预设地图,分别确定每个位姿预测结果对应的权重计算参考数据;接下来,可以基于每个位姿预测结果对应的权重计算参考数据,确定每个位姿预测结果对应的权重,以得到N个权重;之后,可以利用N个权重,对N个位姿预测结果进行加权求和,并将加权求和结果作为车辆的位姿估计结果。可见,本公开的实施例中,可以结合摄像头采集的第一图像,IMU采集的第一朝向信息,GPS采集的第一位置信息,以及预设地图,在一个粒子滤波器框架下实现车辆的位姿估计,也即,本公开的实施例能够基于粒子滤波器,实现摄像头、IMU和GPS三者采集的数据的融合,以充分利用不同传感器的优点来进行位姿估计,因此,与现有技术中仅依据GPS进行位姿估计的情况相比,本公开的实施例中的估计结果的可靠性能够得到较好地保证。
下面通过附图和实施例,对本公开的技术方案做进一步的详细描述。
附图说明
构成说明书的一部分的附图描述了本公开的实施例,并且连同描述一起用于解释本公开的原理。
参照附图,根据下面的详细描述,可以更加清楚地理解本公开,其中:
图1为本公开一示例性实施例提供的位姿估计方法的流程示意图;
图2为本公开一示例性中的第一图像的示意图;
图3为本公开一示例性中的第二图像的示意图;
图4为本公开一示例性中的第一图像的另一示意图;
图5为本公开一示例性中的第二图像的另一示意图;
图6为本公开一示例性中的图像平面示意图;
图7为本公开一示例性实施例中的位姿估计原理图;
图8为本公开一示例性实施例提供的位姿估计装置的结构框图;
图9为本公开一示例性实施例提供的电子设备的结构图。
具体实施方式
仅仅是本公开的一部分实施例,而不是本公开的全部实施例,应理解,本公开不受这里描述的示例实施例的限制。
应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
本领域技术人员可以理解,本公开实施例中的“第一”、“第二”等术语仅用于区别不同步骤、设备或模块等,不代表任何特定技术含义和必然逻辑顺序;“多个”可以指两个或两个以上,“至少一个”可以指一个、两个或两个以上。
还应理解,对于本公开实施例中提及的任一部件、数据或结构,在没有明确限定或者在前后文给出相反启示的情况下,一般可以理解为一个或多个。
另外,本公开中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。本公开中字符“/”表示前后关联对象是一种“或”的关系。
还应理解,本公开对各个实施例的描述着重强调各个实施例之间的不同之处,其相同或相似之处可以相互参考,为了简洁,不再一一赘述。应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本公开及其应用或使用的任何限制。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
本公开实施例可以应用于终端设备、计算机系统、服务器等电子设备,其可与众多其它通用或专用计算系统环境或配置一起操作。适于与终端设备、计算机系统、服务器等电子设备一起使用的众所周知的终端设备、计算系统、环境和/或配置的例子包括但不限于:个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统、大型计算机系统和包括上述任何系统的分布式云计算技术环境,等等。
终端设备、计算机系统等电子设备可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常,程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等,它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施,分布式云计算环境中,任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中,程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
示例性方法
图1是本公开一示例性实施例提供的位姿估计方法的流程示意图。图1所示的方法可以包括步骤101、步骤102、步骤103和步骤104,下面对各步骤分别进行说明。
步骤101,利用粒子滤波器,确定车辆的N个位姿预测结果;其中,N为大于或等于2的整数,车辆上设置有摄像头、惯性测量单元(Inertialmeasurementunit,IMU)和全球定位系统(Global Positioning System,GPS)。
可以理解的是,粒子滤波器的英文全称为Particle Filter,粒子滤波器采用序列蒙特卡洛(Sequential Monte Carlo,SMC)方法,其主要思想是取代确定分布的估计和传播,通过模拟的样本集合(即粒子集合)来表示状态空间的状态分布,其中,每个样本的权重(weight)代表相应分布的形状特性。
本公开的实施例中,粒子滤波器的状态转换方程可以选择匀速模型,即基于前一时刻车辆的运动做一步预测,然后在这个预测的基础上加上某种分布(例如高斯分布)的扰动,以产生新的粒子集合。具体地,新的粒子集合中可以有N个粒子,每个粒子对应一个预测的车辆姿态和一个预测的车辆位置,该车辆姿态可以用一朝向信息进行表征,该车辆位置可以用一位置信息进行表征,该朝向信息和该位置信息可以组成一位姿预测结果。这样,利用N个粒子,可以确定出N个位姿预测结果,N个位姿预测结果与N个粒子之间为一一对应的关系。
这里,N可以为100、600、800、1000、1500或者2000,当然,N的取值并不局限于此,具体可以根据实际情况来确定,本公开的实施例对此不做任何限定。
步骤102,基于摄像头采集的第一图像,IMU采集的第一朝向信息,GPS采集的第一位置信息,以及预设地图,分别确定每个位姿预测结果对应的权重计算参考数据。
这里,预设地图可以为预先制作好的高清地图,预设地图中可以包括三维点云(其也可以称为3D点云)。具体地,三维点云中可以包括与车道线对应的点云,与车道标记对应的点云,与交通路牌对应的点云,与交通灯对应的点云等。
在步骤102中,可以针对每个位姿预测结果,分别确定权重计算参考数据,从而得到N个权重计算参考数据,N个权重计算参考数据与N个位姿预测结果之间可以为一一对应的关系。
步骤103,基于每个位姿预测结果对应的权重计算参考数据,确定每个位姿预测结果对应的权重,以得到N个权重。
这里,N个权重与N个权重计算参考数据之间可以为一一对应的关系,那么,N个权重与N个位姿预测结果之间也可以为一一对应的关系。
步骤104,利用N个权重,对N个位姿预测结果进行加权求和,并将加权求和结果作为车辆的位姿估计结果。
需要说明的是,步骤104可以是在粒子滤波器中执行的,当然,步骤104也可以是在不同于粒子滤波器的,具有运算处理能力的器件中执行的。
假设位姿预测结果用w(t,x)进行表示,权重用x进行表示,则可以利用下述公式进行N个位姿预测结果的加权求和:
xnew=sum(w(t,x)·x)/sum(w(t,x))
由上式可知,xnew即为加权求和结果,后续可以将xnew作为车辆的位姿估计结果。
本公开的实施例中,在利用粒子滤波器,确定车辆的N个位姿预测结果之后,可以基于摄像头采集的第一图像,IMU采集的第一朝向信息,GPS采集的第一位置信息,以及预设地图,分别确定每个位姿预测结果对应的权重计算参考数据;接下来,可以基于每个位姿预测结果对应的权重计算参考数据,确定每个位姿预测结果对应的权重,以得到N个权重;之后,可以利用N个权重,对N个位姿预测结果进行加权求和,并将加权求和结果作为车辆的位姿估计结果。可见,本公开的实施例中,可以结合摄像头采集的第一图像,IMU采集的第一朝向信息,GPS采集的第一位置信息,以及预设地图,在一个粒子滤波器框架下实现车辆的位姿估计,也即,本公开的实施例能够基于粒子滤波器,实现摄像头、IMU和GPS三者采集的数据的融合,以充分利用不同传感器的优点来进行位姿估计,因此,与现有技术中仅依据GPS进行位姿估计的情况相比,本公开的实施例中的估计结果的可靠性能够得到较好地保证。
在一个可选示例中,基于摄像头采集的第一图像,IMU采集的第一朝向信息,GPS采集的第一位置信息,以及预设地图,分别确定每个位姿预测结果对应的权重计算参考数据,包括:
根据IMU采集的第一朝向信息,以及第一位姿预测结果,确定第一IMU权重分量;其中,第一位姿预测结果为N个位姿预测结果中的任意位姿预测结果;
根据GPS采集的第一位置信息,以及第一位姿预测结果,确定第一GPS权重分量;
根据第一图像和预设地图,确定第一地图权重分量;
确定第一位姿预测结果对应的权重计算参考数据;其中,第一位姿预测结果对应的权重计算参考数据中包括第一IMU权重分量、第一GPS权重分量和第一地图权重分量。
需要说明的是,确定不同位姿预测结果对应的权重计算参考数据的方式可以是类似的,因此,本公开的实施例中仅着重对确定第一位姿预测结果对应的权重计算参考数据的方式进行介绍。
这里,第一位姿预测结果对应的权重计算参考数据中可以包括第一IMU权重分量、第一GPS权重分量和第一地图权重分量;其中,第一IMU权重分量可以根据IMU采集的第一朝向信息,以及第一位姿预测结果确定;第一GPS权重分量可以根据GPS采集的第一位置信息,以及第一位姿预测结果确定;第一地图权重分量可以根据第一图像、预设地图和第一位姿预测结果确定。下面分别对第一IMU权重分量、第一GPS权重分量和第一地图权重分量的具体确定方式进行举例介绍。
在一种具体实施方式中,根据IMU采集的第一朝向信息,以及第一位姿预测结果,确定第一IMU权重分量,包括:
获取IMU采集的第一朝向信息与第一位姿预测结果中的朝向信息的匹配误差;
将所获取的匹配误差作为第一IMU权重分量。
这里,可以预先针对IMU确定一匹配误差计算公式(为了便于描述,后续将其称为第一计算公式),第一计算公式的自变量为IMU观测项和IMU预测项。
具体实施时,可以先获取IMU采集的第一朝向信息,以及获取第一位姿预测结果中的朝向信息。接下来,可以将IMU采集的第一朝向信息作为IMU观测项的具体取值代入第一计算公式中,以及将第一位姿预测结果中的朝向信息作为IMU预测项的具体取值代入第一计算公式中,这样,利用第一计算公式可以得到一个计算结果,该计算结果即为IMU采集的第一朝向信息与第一位姿预测结果中的朝向信息的匹配误差。之后,可以将该计算结果作为第一IMU权重分量。
可见,利用IMU采集的第一朝向信息,以及第一位姿预测结果中的朝向信息,能够非常便捷地确定出第一IMU权重分量。
在一种具体实施方式中,根据GPS采集的第一位置信息,以及第一位姿预测结果,确定第一GPS权重分量,包括:
获取GPS采集的第一位置信息与第一位姿预测结果中的位置信息的匹配误差;
将所获取的匹配误差作为第一GPS权重分量。
这里,可以预先针对GPS确定一匹配误差计算公式(为了便于描述,后续将其称为第二计算公式),第二计算公式的自变量为GPS观测项和GPS预测项。
具体实施时,可以先获取GPS采集的第一位置信息,以及获取第一位姿预测结果中的位置信息。接下来,可以将GPS采集的第一位置信息作为GPS观测项的具体取值代入第二计算公式中,以及将第一位姿预测结果中的位置信息作为GPS预测项的具体取值代入第二计算公式中,这样,利用第二计算公式可以得到一个计算结果,该计算结果即为GPS采集的第一位置信息与第一位姿预测结果中的位置信息的匹配误差。之后,可以将该计算结果作为第一GPS权重分量。
可见,利用GPS采集的第一位置信息,以及第一位姿预测结果中的位置信息,能够非常便捷地确定出第一GPS权重分量。
在一种具体实施方式中,根据第一图像和预设地图,确定第一地图权重分量,包括:
检测第一图像中是否存在语义目标;
在第一图像中存在语义目标的情况下,根据第一图像、预设地图和第一位姿预测结果,确定第一地图权重分量;否则,根据第一图像和预设地图,确定第一地图权重分量。
这里,语义目标包括但不限于车道线、车道标记、交通路牌、交通灯(例如红绿灯)等。那么,可以进行车道线检测、车道标记检测、交通路牌检测、交通红绿灯检测等,以便于获得用于表征第一图像中是否存在语义目标的确定结果。
需要说明的是,车道线有虚线和实线,实线可以分为单实线、双实线、黄线等,车道线一般以直线段或者曲线段来表示和存储;车道线检测是像素级的分割任务,车道线检测可以采用空间卷积神经网络(Spatial Convolutional Neural Networks,SCNN)等深度学习模型实现。
车道标记中的箭头、数字等可以表示为直线段或曲线段;车道标记检测也是分割任务,车道标记检测可以采用金字塔场景解析网络(Pyramid Scene Parsing Network,PSPnet)实现。
交通路牌一般可以为菱形、长方形、圆形、三角形等,交通路牌的形状角点和内容图像掩码可以作为表示的主要线索;交通路牌和红绿灯的检测可以采用YOLOv3等常用的二维(即2D)目标检测算法实现;其中,YOLOv3是目前流行的目标检测算法YOLO的变种算法。
通过上述检测过程,可以获得确定结果,确定结果存在两种可能的情况:第一种情况,确定结果用于表征第一图像中存在语义目标,第二种情况,确定结果用于表征第一图像中不存在语义目标。针对第一种情况,可以认为车辆处于结构化道路,那么,可以依据第一图像、预设地图和第一位姿预测结果,以结构化道路对应的确定策略,确定第一地图权重分量。针对第二种情况,可以认为车辆处于非结构化道路,那么,可以依据第一图像和预设地图,以非结构化道路对应的确定策略,确定第一地图权重分量。
可见,根据第一图像中是否存在语义目标,可以通过相应方式,便捷可靠地确定出第一地图权重分量。
至此,用于构成第一位姿预测结果对应的权重计算参考数据的三个权重分量均已经确定出来了,接下来,可以确定第一位姿预测结果对应的权重。
在一种具体实施方式中,确定第一位姿预测结果对应的权重使用的公式为:
w(t,x)=c·pGPS·pIMU·pmap
其中,w(t,x)为第一位姿预测结果对应的权重,c为预设归一化常数,pGPS为第一GPS权重分量,pIMU为第一IMU权重分量,pmap为第一地图权重分量。
这种实施方式中,只需将已经确定出的三个权重分量分别代入上述公式,即可便捷地计算出第一位姿预测结果对应的权重。
可见,本公开的实施例中,利用摄像头、IMU、GPS三者采集的数据,以及预设地图,能够便捷可靠地进行权重计算参考数据的确定,以便于据此进行权重的确定。
下面对依据第一图像、预设地图和第一位姿预测结果,以结构化道路对应的确定策略,确定第一地图权重分量的方式进行举例介绍。
在一种具体实施方式中,根据第一图像、预设地图和第一位姿预测结果,确定第一地图权重分量,包括:
将第一图像转换至路面,以得到第二图像,并根据第一位姿预测结果和预设地图,获得属于鸟瞰视图的第三图像,且获取第二图像和第三图像的车道线匹配误差及车道标记匹配误差;
利用第一位姿预测结果,将预设地图转换至摄像头的图像平面,以得到第四图像,并获取第一图像和第四图像的交通路牌匹配误差及交通灯匹配误差;
根据车道线匹配误差、车道标记匹配误差、交通路牌匹配误差,以及交通灯匹配误差,确定第一地图权重分量。
这里,可以依据摄像头的标定参数和路面平坦的假设,通过逆透视转换(InversePerspective Mapping,IPM),将摄像头采集的第一图像转换至路面,以得到第二图像。具体地,第一图像可以为图2所示的四幅图像中的任一图像,第二图像可以为图3所示中的四幅图像中的相应图像;或者,第一图像可以为图4所示的图像,第二图像可以为图5所示的图像。
这里,还可以根据第一位姿预测结果中的位置信息和朝向信息,得到高清地图对应的路面鸟瞰图,即得到第三图像。
接下来,可以将第二图像中的车道线与第三图像中的车道线进行匹配,以得到相应的匹配误差,该匹配误差可以作为车道线匹配误差,该匹配误差可以用于表征横向(即水平方向)的偏移误差;还可以将第二图像中的车道标记与第三图像中的车道标记进行匹配,以得到相应的匹配误差,该匹配误差可以作为车道标记匹配误差,该匹配误差可以用于表征车道标记角点的偏移误差,该匹配误差可以同时包括横向和纵向的偏移误差。
另外,还可以利用第一位姿预测结果中的位置信息和朝向信息,将预设地图转换至摄像头的图像平面,以得到第四图像,图像平面具体可以如图6所示。接下来,可以将第一图像中的交通路牌与第四图像中的交通路牌进行匹配,以得到相应的匹配误差,该匹配结果可以作为交通路牌匹配误差,该匹配结果可以用于表征纵向的偏移误差;还可以将第一图像中的交通灯与第四图像中的交通灯进行匹配,以得到相应的匹配误差,该匹配误差可以作为交通灯匹配误差,该匹配误差可以用于表征纵向的偏移误差。
再之后,可以根据车道线匹配误差、车道标记匹配误差、交通路牌匹配误差,以及交通灯匹配误差,确定第一地图权重分量。
可选地,确定第一地图权重分量使用的公式为:
pmap=plane·proadsign·ptrafficsign·ptrafficlight
其中,pmap为第一地图权重分量,plane为车道线匹配误差,proadsign为车道标记匹配误差,ptrafficsign为交通路牌匹配误差,ptrafficlight为交通灯匹配误差。
这种实施方式中,只需将已经确定出的三个匹配误差分别代入上述公式,即可便捷地计算出第一地图权重分量。
一般而言,语义目标可以分为两类,分别为道路上的目标(即车道线和车道标记)和非道路上的目标(即车道线和车道标记),本公开的实施例中,针对结构化道路,可以将道路上的目标和非道路上的目标在不同的空间进行匹配,以得到相应的匹配结果,并将匹配结果用于地图权重分量的计算,这样能够较好地保证计算结果的可靠性。
需要说明的是,针对结构化道路,第一地图权重分量pmap具体可以用Pstructured表示,那么,通过将pmap替换为Pstructured可得:
Pstructured map=plane·proadsign·ptrafficsign·ptrafficlight
下面对依据第一图像和预设地图,以非结构化道路对应的确定策略,确定第一地图权重分量的方式进行举例介绍。
在一种具体实施方式中,根据第一图像和预设地图,确定第一地图权重分量,包括:
从第一图像中提取关键点;
获取所提取的关键点与预设地图中的三维点云的匹配误差;
将所获取的匹配误差作为第一地图权重分量。
这里,可以利用尺度不变特征变换(Scale-invariant feature transform,SIFT)等算法,从第一图像中提取关键点,即提取2D关键点。接下来,可以将所提取的关键点与预设地图中的三维点云进行匹配,以得到相应的匹配误差,该匹配误差可以用于表征关键点的PnP(其全称为perspective n points)匹配偏差,该匹配误差可以直接作为第一地图权重分量。
本公开的实施例中,针对非结构化道路,由于没有语义目标可供参考,可以利用视觉里程计(Visual Odometry,VO)或者视觉-惯导里程计(Visual Inertial Odometry,VIO)方式,进行视觉层的特征匹配,以基于PnP问题,便捷地确定出第一地图权重分量。
需要指出的是,针对非结构化道路,第一地图权重分量pmap具体可以用Punstructured map表示,从第一图像中提取的关键点与预设地图中的三维点云的匹配误差可以用pVO或者pVIO表示,那么,通过将pmap替换为pVO或者pVIO可得:
Punstructured map=pVO或者Punstructured map=pVIO
下面结合图7,对本公开的实施例中的位姿估计原理进行说明。
如图7所示,粒子滤波器可以先生成包括N个粒子的粒子集合,以便于据此确定车辆的N个位姿预测结果,每个位姿预测结果中均包括位置信息和朝向信息,位置信息可以为2D路面位置,朝向信息可以为朝向角。可选地,为了生成粒子集合,可以使用朝向干扰噪声和位姿干扰噪声,朝向干扰噪声可以为±5°,位置干扰噪声可以为±10米。
接下来,可以获取摄像头、IMU、GPS三者采集的数据。
如果车辆处于结构化道路,则可以进行车道线/车道标记(如箭头、斑马线、限速等)检测,以及交通路牌(停止、街道、限速等)/红绿灯检测,以一起提供信息作高清地图匹配。具体地,道路上的目标有路面的特殊性,针对道路上的目标,其与高清地图中的语义目标的匹配需要将摄像头采集的数据(即第一图像)转换至路面,即进行IPM;非道路上的目标的匹配可以在摄像头的图像平面进行,因此可以将高清地图中的语义目标投影至图像平面。
如果车辆处于非结构化道路,由于无法找到语义目标,可以将VO(或者VIO)和可能的GPS/IMU结合做高清地图匹配。
无论是车辆处于结构化道路还是非结构化道路,后续均可以将得到的匹配结果在一个贝叶斯估计的粒子滤波器框架下融合,以得到最优化的连续定位结果,即递推地得到位姿估计结果。
综上,本公开的实施例中基于低成本的高清地图(即利用车道线、交通路牌等语义目标的自动驾驶地图)提出一个低成本的定位方法和系统,使用本公开的实施例可以兼顾结构化道路(有清晰车道线、交通路牌、红绿灯等)和非结构化道路(无以上可发现的语义目标做参照)的场景,利用摄像头、IMU、GPS等传感器获取的数据,以及VO(或者VIO),能够便捷可靠地实现实时车辆定位。
示例性装置
图8是本公开一示例性实施例提供的位姿估计装置的结构框图。图8所示的装置包括第一确定模块801、第二确定模块802、第三确定模块803和第四确定模块804。
第一确定模块801,用于利用粒子滤波器,确定车辆的N个位姿预测结果;其中,N为大于或等于2的整数,车辆上设置有摄像头、IMU和GPS;
第二确定模块802,用于基于摄像头采集的第一图像,IMU采集的第一朝向信息,GPS采集的第一位置信息,以及预设地图,分别确定每个位姿预测结果对应的权重计算参考数据;
第三确定模块803,用于基于每个位姿预测结果对应的权重计算参考数据,确定每个位姿预测结果对应的权重,以得到N个权重;
第四确定模块804,用于利用N个权重,对N个位姿预测结果进行加权求和,并将加权求和结果作为车辆的位姿估计结果。
在一个可选示例中,第二确定模块802,包括:
第一确定子模块,用于根据IMU采集的第一朝向信息,以及第一位姿预测结果,确定第一IMU权重分量;其中,第一位姿预测结果为N个位姿预测结果中的任意位姿预测结果;
第二确定子模块,用于根据GPS采集的第一位置信息,以及第一位姿预测结果,确定第一GPS权重分量;
第三确定子模块,用于根据第一图像和预设地图,确定第一地图权重分量;
第四确定子模块,用于确定第一位姿预测结果对应的权重计算参考数据;其中,第一位姿预测结果对应的权重计算参考数据中包括第一IMU权重分量、第一GPS权重分量和第一地图权重分量。
在一个可选示例中,第三确定子模块,包括:
检测单元,用于检测第一图像中是否存在语义目标;
第一确定单元,用于在第一图像中存在语义目标的情况下,根据第一图像、预设地图和第一位姿预测结果,确定第一地图权重分量;否则,根据第一图像和预设地图,确定第一地图权重分量。
在一个可选示例中,第一确定单元,包括:
第一获取子单元,用于将第一图像转换至路面,以得到第二图像,并根据第一位姿预测结果和预设地图,获得属于鸟瞰视图的第三图像,且获取第二图像和第三图像的车道线匹配误差及车道标记匹配误差;
第二获取子单元,用于利用第一位姿预测结果,将预设地图转换至摄像头的图像平面,以得到第四图像,并获取第一图像和第四图像的交通路牌匹配误差及交通灯匹配误差;
第一确定子单元,用于根据车道线匹配误差、车道标记匹配误差、交通路牌匹配误差,以及交通灯匹配误差,确定第一地图权重分量。
在一个可选示例中,确定第一地图权重分量使用的公式为:
pmap=plane·proadsign·ptrafficsign·ptrafficlight
其中,pmap为第一地图权重分量,plane为车道线匹配误差,proadsign为车道标记匹配误差,ptrafficsign为交通路牌匹配误差,ptrafficlight为交通灯匹配误差。
在一个可选示例中,第一确定单元,包括:
提取子单元,用于从第一图像中提取关键点;
第三获取子单元,用于获取所提取的关键点与预设地图中的三维点云的匹配误差;
第二确定子单元,用于将所获取的匹配误差作为第一地图权重分量。
在一个可选示例中,
第一确定子模块,包括:
第一获取单元,用于获取IMU采集的第一朝向信息与第一位姿预测结果中的朝向信息的匹配误差;
第二确定单元,用于将所获取的匹配误差作为第一IMU权重分量;
和/或,
第二确定子模块,包括:
第二获取单元,用于获取GPS采集的第一位置信息与第一位姿预测结果中的位置信息的匹配误差;
第三确定单元,用于将所获取的匹配误差作为第一GPS权重分量。
在一个可选示例中,确定第一位姿预测结果对应的权重使用的公式为:
w(t,x)=c·pGPS·pIMU·pmap
其中,w(t,x)为第一位姿预测结果对应的权重,c为预设归一化常数,pGPS为第一GPS权重分量,pIMU为第一IMU权重分量,pmap为第一地图权重分量。
示例性电子设备
下面,参考图9来描述根据本公开实施例的电子设备90。电子设备90可以是第一设备和第二设备中的任一个或两者、或与它们独立的单机设备,该单机设备可以与第一设备和第二设备进行通信,以从它们接收所采集到的输入信号。
如图9所示,电子设备90包括一个或多个处理器91和存储器92。
处理器91可以是中央处理器(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,其控制电子设备90中的其他组件执行期望的功能。
存储器92可以包括一个或多个计算机程序产品,计算机程序产品可包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。易失性存储器可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。非易失性存储器可以包括只读存储器(ROM)、硬盘、闪存等。在计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器91可以运行程序指令,以实现上文本公开的各个实施例的位姿估计方法以及/或者其他期望的功能。
在一个示例中,电子设备90还可以包括:输入装置93和输出装置94,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。输入装置93可以包括键盘、鼠标等。输出装置94可以包括显示器、扬声器、远程输出装置等。
当然,为了简化,图9中仅示出了电子设备90中与本公开有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备90还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备外,本公开的实施例还可以是计算机程序产品,其包括计算机程序指令,该指令在被处理器运行时使得处理器执行本说明书上述“示例性方法”部分中描述的根据本公开各种实施例的位姿估计方法中的步骤。
计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例操作的程序代码,程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本公开的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,计算机程序指令在被处理器运行时使得处理器执行本说明书上述“示例性方法”部分中描述的根据本公开各种实施例的位姿估计方法中的步骤。
计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质可以包括电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本公开的基本原理,需要指出的是,本公开中提及的优点、优势、效果等仅是示例而非限制,不能认为该优点、优势、效果等是本公开的各个实施例必须具备的。上述公开的具体细节仅是为了示例和便于理解的作用,而非限制,上述细节并不限制本公开为必须采用上述具体的细节来实现。
本说明书中各实施例采用递进方式描述,每个实施例重点说明与其它实施例的差异,各实施例间相同或相似的部分相互参见即可。由于系统实施例与方法实施例基本对应,描述的比较简单,相关之处参见方法实施例的说明即可。
本公开中涉及的器件、装置、设备、系统的方框图仅作为示例性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。
可能以许多方式来实现本公开的方法和装置。例如,可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本公开的方法和装置。用于方法的步骤的上述顺序仅是为了进行说明,本公开的方法的步骤不限于以上具体描述的顺序,除非以其它方式特别说明。此外,在一些实施例中,还可将本公开实施为记录在记录介质中的程序,这些程序包括用于实现根据本公开的方法的机器可读指令。因而,本公开还覆盖存储用于执行根据本公开的方法的程序的记录介质。
在本公开的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。提供所公开的方面的以上描述以使本领域任何技术人员能够做出或者使用本公开。对这些方面的各种修改对本领域技术人员而言是显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本公开的范围。因此,本公开不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本公开的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (18)
1.一种位姿估计方法,其特征在于,包括:
利用粒子滤波器,确定车辆的N个位姿预测结果;其中,N为大于或等于2的整数,所述车辆上设置有摄像头、惯性测量单元IMU和全球定位系统GPS;
分别基于预设地图和所述摄像头采集的第一图像,所述IMU采集的第一朝向信息,所述GPS采集的第一位置信息,确定每个位姿预测结果对应的权重计算参考数据;
基于每个位姿预测结果对应的权重计算参考数据,确定每个位姿预测结果对应的权重,以得到N个权重;
利用所述N个权重,对所述N个位姿预测结果进行加权求和,并将加权求和结果作为所述车辆的位姿估计结果。
2.根据权利要求1所述的方法,其特征在于,所述分别基于预设地图和所述摄像头采集的第一图像,所述IMU采集的第一朝向信息,所述GPS采集的第一位置信息,确定每个位姿预测结果对应的权重计算参考数据,包括:
根据所述IMU采集的第一朝向信息,以及第一位姿预测结果,确定第一IMU权重分量;其中,所述第一位姿预测结果为所述N个位姿预测结果中的任意位姿预测结果;
根据所述GPS采集的第一位置信息,以及所述第一位姿预测结果,确定第一GPS权重分量;
根据所述第一图像和预设地图,确定第一地图权重分量;
确定所述第一位姿预测结果对应的权重计算参考数据;其中,所述第一位姿预测结果对应的权重计算参考数据中包括所述第一IMU权重分量、所述第一GPS权重分量和所述第一地图权重分量。
3.根据权利要求2所述的方法,其特征在于,所述根据所述第一图像和预设地图,确定第一地图权重分量,包括:
检测所述第一图像中是否存在语义目标;
在所述第一图像中存在语义目标的情况下,根据所述第一图像、预设地图和所述第一位姿预测结果,确定第一地图权重分量;否则,根据所述第一图像和预设地图,确定第一地图权重分量。
4.根据权利要求3所述的方法,其特征在于,所述根据所述第一图像、预设地图和所述第一位姿预测结果,确定第一地图权重分量,包括:
将所述第一图像转换至路面,以得到第二图像,并根据所述第一位姿预测结果和所述预设地图,获得属于鸟瞰视图的第三图像,且获取所述第二图像和所述第三图像的车道线匹配误差及车道标记匹配误差;
利用所述第一位姿预测结果,将所述预设地图转换至所述摄像头的图像平面,以得到第四图像,并获取所述第一图像和所述第四图像的交通路牌匹配误差及交通灯匹配误差;
根据所述车道线匹配误差、所述车道标记匹配误差、所述交通路牌匹配误差,以及所述交通灯匹配误差,确定第一地图权重分量。
5.根据权利要求4所述的方法,其特征在于,确定所述第一地图权重分量使用的公式为:
pmap=plane·proadsign·ptrafficsign·ptrafficlight
其中,pmap为所述第一地图权重分量,plane为所述车道线匹配误差,proadsign为所述车道标记匹配误差,ptrafficsign为所述交通路牌匹配误差,ptrafficlight为所述交通灯匹配误差。
6.根据权利要求3所述的方法,其特征在于,所述根据所述第一图像和预设地图,确定第一地图权重分量,包括:
从所述第一图像中提取关键点;
获取所提取的关键点与所述预设地图中的三维点云的匹配误差;
将所获取的匹配误差作为第一地图权重分量。
7.根据权利要求2所述的方法,其特征在于,
所述根据所述IMU采集的第一朝向信息,以及第一位姿预测结果,确定第一IMU权重分量,包括:
获取所述IMU采集的第一朝向信息与第一位姿预测结果中的朝向信息的匹配误差;
将所获取的匹配误差作为第一IMU权重分量;
和/或,
所述根据所述GPS采集的第一位置信息,以及所述第一位姿预测结果,确定第一GPS权重分量,包括:
获取所述GPS采集的第一位置信息与所述第一位姿预测结果中的位置信息的匹配误差;
将所获取的匹配误差作为第一GPS权重分量。
8.根据权利要求2所述的方法,其特征在于,确定所述第一位姿预测结果对应的权重使用的公式为:
w(t,x)=c·pGPS·pIMU·pmap
其中,w(t,x)为所述第一位姿预测结果对应的权重,c为预设归一化常数,pGPS为所述第一GPS权重分量,pIMU为所述第一IMU权重分量,pmap为所述第一地图权重分量。
9.一种位姿估计装置,其特征在于,包括:
第一确定模块,用于利用粒子滤波器,确定车辆的N个位姿预测结果;其中,N为大于或等于2的整数,所述车辆上设置有摄像头、惯性测量单元IMU和全球定位系统GPS;
第二确定模块,用于分别基于预设地图和所述摄像头采集的第一图像,所述IMU采集的第一朝向信息,所述GPS采集的第一位置信息,确定每个位姿预测结果对应的权重计算参考数据;
第三确定模块,用于基于每个位姿预测结果对应的权重计算参考数据,确定每个位姿预测结果对应的权重,以得到N个权重;
第四确定模块,用于利用所述N个权重,对所述N个位姿预测结果进行加权求和,并将加权求和结果作为所述车辆的位姿估计结果。
10.根据权利要求9所述的装置,其特征在于,所述第二确定模块,包括:
第一确定子模块,用于根据所述IMU采集的第一朝向信息,以及第一位姿预测结果,确定第一IMU权重分量;其中,所述第一位姿预测结果为所述N个位姿预测结果中的任意位姿预测结果;
第二确定子模块,用于根据所述GPS采集的第一位置信息,以及所述第一位姿预测结果,确定第一GPS权重分量;
第三确定子模块,用于根据所述第一图像和预设地图,确定第一地图权重分量;
第四确定子模块,用于确定所述第一位姿预测结果对应的权重计算参考数据;其中,所述第一位姿预测结果对应的权重计算参考数据中包括所述第一IMU权重分量、所述第一GPS权重分量和所述第一地图权重分量。
11.根据权利要求10所述的装置,其特征在于,所述第三确定子模块,包括:
检测单元,用于检测所述第一图像中是否存在语义目标;
第一确定单元,用于在所述第一图像中存在语义目标的情况下,根据所述第一图像、预设地图和所述第一位姿预测结果,确定第一地图权重分量;否则,根据所述第一图像和预设地图,确定第一地图权重分量。
12.根据权利要求11所述的装置,其特征在于,所述第一确定单元,包括:
第一获取子单元,用于将所述第一图像转换至路面,以得到第二图像,并根据所述第一位姿预测结果和所述预设地图,获得属于鸟瞰视图的第三图像,且获取所述第二图像和所述第三图像的车道线匹配误差及车道标记匹配误差;
第二获取子单元,用于利用所述第一位姿预测结果,将所述预设地图转换至所述摄像头的图像平面,以得到第四图像,并获取所述第一图像和所述第四图像的交通路牌匹配误差及交通灯匹配误差;
第一确定子单元,用于根据所述车道线匹配误差、所述车道标记匹配误差、所述交通路牌匹配误差,以及所述交通灯匹配误差,确定第一地图权重分量。
13.根据权利要求12所述的装置,其特征在于,确定所述第一地图权重分量使用的公式为:
pmap=plane·proadsign·ptrafficsign·ptrafficlight
其中,pmap为所述第一地图权重分量,plane为所述车道线匹配误差,proadsign为所述车道标记匹配误差,ptrafficsign为所述交通路牌匹配误差,ptrafficlight为所述交通灯匹配误差。
14.根据权利要求11所述的装置,其特征在于,所述第一确定单元,包括:
提取子单元,用于从所述第一图像中提取关键点;
第三获取子单元,用于获取所提取的关键点与所述预设地图中的三维点云的匹配误差;
第二确定子单元,用于将所获取的匹配误差作为第一地图权重分量。
15.根据权利要求10所述的装置,其特征在于,
所述第一确定子模块,包括:
第一获取单元,用于获取所述IMU采集的第一朝向信息与第一位姿预测结果中的朝向信息的匹配误差;
第二确定单元,用于将所获取的匹配误差作为第一IMU权重分量;
和/或,
所述第二确定子模块,包括:
第二获取单元,用于获取所述GPS采集的第一位置信息与所述第一位姿预测结果中的位置信息的匹配误差;
第三确定单元,用于将所获取的匹配误差作为第一GPS权重分量。
16.根据权利要求10所述的装置,其特征在于,确定所述第一位姿预测结果对应的权重使用的公式为:
w(t,x)=c·pGPS·pIMU·pmap
其中,w(t,x)为所述第一位姿预测结果对应的权重,c为预设归一化常数,pGPS为所述第一GPS权重分量,pIMU为所述第一IMU权重分量,pmap为所述第一地图权重分量。
17.一种电子设备,其特征在于,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现上述权利要求1至8中任一所述的位姿估计方法。
18.一种计算机可读存储介质,所述存储介质存储有计算机程序,其特征在于,所述计算机程序用于执行上述权利要求1至8中任一项所述的位姿估计方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911410495.4A CN111174782B (zh) | 2019-12-31 | 2019-12-31 | 位姿估计方法、装置、电子设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911410495.4A CN111174782B (zh) | 2019-12-31 | 2019-12-31 | 位姿估计方法、装置、电子设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111174782A CN111174782A (zh) | 2020-05-19 |
CN111174782B true CN111174782B (zh) | 2021-09-17 |
Family
ID=70623751
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911410495.4A Active CN111174782B (zh) | 2019-12-31 | 2019-12-31 | 位姿估计方法、装置、电子设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111174782B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112070800B (zh) * | 2020-07-23 | 2024-03-26 | 武汉理工大学 | 一种基于三维点云极化地图表征的智能车定位方法及系统 |
CN112150550B (zh) * | 2020-09-23 | 2021-07-27 | 华人运通(上海)自动驾驶科技有限公司 | 一种融合定位方法及装置 |
CN112163063B (zh) * | 2020-10-22 | 2023-07-25 | 腾讯科技(深圳)有限公司 | 生成高精度地图的方法、装置和计算机可读存储介质 |
CN112985427B (zh) * | 2021-04-29 | 2021-07-30 | 腾讯科技(深圳)有限公司 | 车辆的车道跟踪方法、装置、计算机设备及存储介质 |
CN113591936B (zh) * | 2021-07-09 | 2022-09-09 | 厦门市美亚柏科信息股份有限公司 | 一种车辆姿态估计方法、终端设备及存储介质 |
CN113483769B (zh) * | 2021-08-17 | 2024-03-29 | 清华大学 | 基于粒子滤波器的车辆自定位方法、系统、设备和介质 |
CN114355415A (zh) * | 2022-01-06 | 2022-04-15 | 上海安亭地平线智能交通技术有限公司 | 位姿信息的确定方法和装置、电子设备和存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116895A (zh) * | 2013-03-06 | 2013-05-22 | 清华大学 | 基于三维模型的手势跟踪计算方法和装置 |
CN104202603A (zh) * | 2014-09-23 | 2014-12-10 | 浙江工商大学 | 一种应用于视频帧速率上转换的运动向量场生成方法 |
CN105737850A (zh) * | 2016-01-29 | 2016-07-06 | 北京理工大学 | 基于粒子滤波的变尺度单方向重力采样矢量匹配定位方法 |
CN106197428A (zh) * | 2016-07-10 | 2016-12-07 | 北京工业大学 | 一种利用测量信息优化分布式ekf估计过程的slam方法 |
US9927814B2 (en) * | 2016-03-28 | 2018-03-27 | Fetch Robotics, Inc. | System and method for localization of robots |
CN109061703A (zh) * | 2018-06-11 | 2018-12-21 | 百度在线网络技术(北京)有限公司 | 用于定位的方法、装置、设备和计算机可读存储介质 |
CN109885046A (zh) * | 2019-01-18 | 2019-06-14 | 中国矿业大学 | 一种基于粒子滤波的移动机器人定位加速方法 |
CN110082776A (zh) * | 2019-03-08 | 2019-08-02 | 贵州电网有限责任公司 | 一种基于2d激光数据的机器人实时定位方法 |
CN110243358A (zh) * | 2019-04-29 | 2019-09-17 | 武汉理工大学 | 多源融合的无人车室内外定位方法及系统 |
CN110263905A (zh) * | 2019-05-31 | 2019-09-20 | 上海电力学院 | 基于萤火虫优化粒子滤波的机器人定位与建图方法及装置 |
CN110488818A (zh) * | 2019-08-08 | 2019-11-22 | 深圳市银星智能科技股份有限公司 | 一种基于激光雷达的机器人定位方法、装置和机器人 |
CN110516652A (zh) * | 2019-08-30 | 2019-11-29 | 北京百度网讯科技有限公司 | 车道检测的方法、装置、电子设备及存储介质 |
-
2019
- 2019-12-31 CN CN201911410495.4A patent/CN111174782B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116895A (zh) * | 2013-03-06 | 2013-05-22 | 清华大学 | 基于三维模型的手势跟踪计算方法和装置 |
CN104202603A (zh) * | 2014-09-23 | 2014-12-10 | 浙江工商大学 | 一种应用于视频帧速率上转换的运动向量场生成方法 |
CN105737850A (zh) * | 2016-01-29 | 2016-07-06 | 北京理工大学 | 基于粒子滤波的变尺度单方向重力采样矢量匹配定位方法 |
US9927814B2 (en) * | 2016-03-28 | 2018-03-27 | Fetch Robotics, Inc. | System and method for localization of robots |
CN106197428A (zh) * | 2016-07-10 | 2016-12-07 | 北京工业大学 | 一种利用测量信息优化分布式ekf估计过程的slam方法 |
CN109061703A (zh) * | 2018-06-11 | 2018-12-21 | 百度在线网络技术(北京)有限公司 | 用于定位的方法、装置、设备和计算机可读存储介质 |
CN109885046A (zh) * | 2019-01-18 | 2019-06-14 | 中国矿业大学 | 一种基于粒子滤波的移动机器人定位加速方法 |
CN110082776A (zh) * | 2019-03-08 | 2019-08-02 | 贵州电网有限责任公司 | 一种基于2d激光数据的机器人实时定位方法 |
CN110243358A (zh) * | 2019-04-29 | 2019-09-17 | 武汉理工大学 | 多源融合的无人车室内外定位方法及系统 |
CN110263905A (zh) * | 2019-05-31 | 2019-09-20 | 上海电力学院 | 基于萤火虫优化粒子滤波的机器人定位与建图方法及装置 |
CN110488818A (zh) * | 2019-08-08 | 2019-11-22 | 深圳市银星智能科技股份有限公司 | 一种基于激光雷达的机器人定位方法、装置和机器人 |
CN110516652A (zh) * | 2019-08-30 | 2019-11-29 | 北京百度网讯科技有限公司 | 车道检测的方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111174782A (zh) | 2020-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111174782B (zh) | 位姿估计方法、装置、电子设备及计算机可读存储介质 | |
EP3581890B1 (en) | Method and device for positioning | |
JP6812404B2 (ja) | 点群データを融合させるための方法、装置、コンピュータ読み取り可能な記憶媒体、及びコンピュータプログラム | |
US11094112B2 (en) | Intelligent capturing of a dynamic physical environment | |
CN111079619B (zh) | 用于检测图像中的目标对象的方法和装置 | |
US10210286B1 (en) | Systems and methods for detecting curbs in three-dimensional point clouds descriptive of streets | |
CN103703758B (zh) | 移动增强现实系统 | |
CN111127584A (zh) | 建立视觉地图的方法和装置、电子设备和存储介质 | |
CN111652072A (zh) | 轨迹获取方法、轨迹获取装置、存储介质和电子设备 | |
CN111105695A (zh) | 地图制作方法、装置、电子设备及计算机可读存储介质 | |
CN112116655A (zh) | 目标对象的图像的位置信息确定方法和装置 | |
CN113189610A (zh) | 地图增强的自动驾驶多目标追踪方法和相关设备 | |
Deo et al. | Centralised and Decentralised Sensor Fusion-Based Emergency Brake Assist | |
CN116823884A (zh) | 多目标跟踪方法、系统、计算机设备及存储介质 | |
CN113902047B (zh) | 图像元素匹配方法、装置、设备以及存储介质 | |
CN115565072A (zh) | 一种道路垃圾识别和定位方法、装置、电子设备及介质 | |
CN115930978A (zh) | 一种地图创建方法及装置 | |
CN111881121B (zh) | 一种自动驾驶数据填充方法和装置 | |
Dekkiche et al. | Vehicles detection in stereo vision based on disparity map segmentation and objects classification | |
CN113628238B (zh) | 一种目标对象的定位方法、装置及介质 | |
EP4141789A1 (en) | An automated imaging system for object footprint detection and a method thereof | |
CN113379591B (zh) | 速度确定方法、速度确定装置、电子设备及存储介质 | |
US11644331B2 (en) | Probe data generating system for simulator | |
Diwakar et al. | Automatic traffic data extraction tool for mixed traffic conditions using image processing techniques | |
CN117095377A (zh) | 位姿信息确定方法、装置、设备以及存储介质 |
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 |