CN111177290A - 一种三维地图准确度的评价方法及装置 - Google Patents
一种三维地图准确度的评价方法及装置 Download PDFInfo
- Publication number
- CN111177290A CN111177290A CN201911310911.3A CN201911310911A CN111177290A CN 111177290 A CN111177290 A CN 111177290A CN 201911310911 A CN201911310911 A CN 201911310911A CN 111177290 A CN111177290 A CN 111177290A
- Authority
- CN
- China
- Prior art keywords
- vector
- point set
- space
- coordinate point
- classification information
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/245—Classification techniques relating to the decision surface
- G06F18/2451—Classification techniques relating to the decision surface linear, e.g. hyperplane
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种三维地图准确度的评价方法及装置,在该方法中,获取参考三维地图的第一坐标点集以及待评价三维地图的第二坐标点集,计算所述第一坐标点集和所述第二坐标点集的线性相关度;获取所述第一坐标点集的参考分类信息和所述第二坐标点集的预测分类信息,根据所述参考分类信息和所述预测分类信息,计算分类性能指标,基于所述线性相关度和所述分类性能指标,对所述待评价三维地图的准确度进行评价。该方法可以实现对三维地图的准确度的定量评价,且具有实现流程简单、计算量小的优点。
Description
技术领域
本发明涉及机器人技术领域,尤其涉及一种三维地图准确度的评价方法及装置。
背景技术
在机器人技术领域中,经常会应用到机器人通过传感器和相应算法建立的周围环境的三维地图,如将三维地图应用于移动机器人导航定位和避障、工业机器人对物体抓取操作等。
现有技术中,通常采用人工观察方法对由机器人生成的三维地图的准确度进行评价,效率低且依赖于观察人员的技术经验。
可见,目前缺乏针对由机器人生成的三维地图的准确度的定量、可机器实现的评价方法。
发明内容
本发明提供一种三维地图准确度的评价方法及装置,用以实现对三维地图的有效可靠的定量评价。
本发明第一方面提供了一种三维地图准确度的评价方法,所述方法包括:
获取参考三维地图的第一坐标点集以及待评价三维地图的第二坐标点集,所述第一坐标点集中的点和所述第二坐标点集中的点位于环境空间的同一目标空间内,所述环境空间包括与世界坐标系对应的空间的部分或全部;
计算所述第一坐标点集和所述第二坐标点集的线性相关度;
获取所述第一坐标点集的参考分类信息和所述第二坐标点集的预测分类信息,所述参考分类信息用于指示所述环境空间中的每个点是否包括在所述第一坐标点集对应的空间中,所述预测分类信息用于指示所述环境空间中的每个点是否包括在所述第二坐标点集对应的空间中;
根据所述参考分类信息和所述预测分类信息,计算分类性能指标;
基于所述线性相关度和所述分类性能指标,对所述待评价三维地图的准确度进行评价。
在上述技术方案中,可以通过结合线性相关度的计算以及分类性能指标两方面实现对三维地图的准确度进行有效可靠的定量评价,且实现步骤简单,计算量小。
可能的实施方式中,所述计算所述第一坐标点集和所述第二坐标点集的线性相关度,包括:
根据所述第一坐标点集中每个点的坐标,获取第一矩阵,以及根据所述第二坐标点集中每个点的坐标,获取第二矩阵;
对所述第一矩阵和所述第二矩阵分别进行降维处理,得到所述第一矩阵对应的第一向量和所述第二矩阵对应的第二向量;
计算所述第一向量和所述第二向量的线性相关度,将计算结果作为所述第一坐标点集和所述第二坐标点集的线性相关度。
上述技术方案中,对坐标点集对应的矩阵进行降维处理,然后利用降维后的一维向量数据进行线性相关度计算,可以降低运算量。
可能的实施方式中,所述对所述第一矩阵和所述第二矩阵分别进行降维处理,得到所述第一矩阵对应的第一向量和所述第二矩阵对应的第二向量,包括:
对所述第一矩阵和所述第二矩阵分别进行降维处理,得到第三向量和第四向量;
若所述第三向量的长度大于所述第四向量的长度,对所述零均值化处理后的第四向量进行补零操作,得到补零操作后的第四向量,作为所述第二向量,以及,将所述零均值化处理后的第三向量作为所述第一向量;
若所述第三向量的长度小于所述第四向量的长度,对所述零均值化处理后的第三向量进行补零操作,得到补零操作后的第三向量,作为所述第一向量,以及,将所述零均值化处理后的第四向量作为所述第二向量。
上述技术方案中,若进行线性相关度计算的两个变量长度不同,则可以通过补零的手段将两个变量长度调整为相等长度,以保证进行线性相关度计算的准确度。
可能的实施方式中,所述第一向量和所述第二向量长度相同。
上述技术方案中,实际参与线性相关度计算的两个变量的长度相同,以保证进行线性相关度计算的准确度。可能的实施方式中,所述获取所述第一坐标点集的参考分类信息和所述第二坐标点集的预测分类信息,包括:
基于所述第一坐标点集,确定第一三维栅格空间;
基于所述第二坐标点集,确定第二三维栅格空间;
所述第一三维栅格空间和所述第二三维栅格空间的栅格单元相同;
以所述栅格单元为步长、遍历所述环境空间中所有点,判断所述环境空间中的每一个点是否包括在所述第一三维栅格空间中,统计得到所述参考分类信息,以及判断所述环境空间中的每一个点是否包括在所述第二三维栅格空间中,统计得到所述预测分类信息。
上述技术方案中,可以通过将坐标点集所对应的空间栅格化,以使后续在统计环境空间中点是否在第一坐标点集或第二坐标点集对应的空间时,有明确的区域判定边界。
可能的实施方式中,所述根据所述参考分类信息和所述预测分类信息,计算分类性能指标,包括:
基于所述参考分类信息和所述预测分类信息,计算马修斯相关系数,作为所述计算分类性能指标。
上述技术方案中,分类性能指标有很多种,上述将马修斯相关系数作为分类性能指标是一种示例,在本申请实施例中不作限制。
可能的实施方式中,所述参考分类信息包括第三向量,所述预测分类信息包括第四向量;
其中,所述第三向量中任一项元素用于表征所述环境空间中的一个点是否包括在所述第一三维栅格空间中;所述第四向量中任一项元素用于表征所述环境空间中的一个点是否包括在所述第二三维栅格空间中。
上述技术方案中,可以采用向量形式的数据格式承载参考分类信息以及预测分类信息,方式简单。
可能的实施方式中,所述基于所述线性相关度和所述分类性能指标,对所述待评价三维地图的准确度进行评价,包括:
计算所述线性相关度和所述分类性能指标的平均值,将得到的平均值作为评价指标对所述待评价三维地图的准确度进行评价。
在上述技术方案中,通过所述线性相关度和所述分类性能指标的平均值来对待评价三维地图的准确度进行评价是一种示例,当然,也可以通过所述线性相关度和所述分类性能指标的其他统计结果,例如,方差等,对待评价三维地图的准确度进行评价,在此不作限制。
第二方面,本发明实施例还提供了一种三维地图准确度的评价装置,包括:
第一获取模块,用于获取参考三维地图的第一坐标点集以及待评价三维地图的第二坐标点集,所述第一坐标点集中的点和所述第二坐标点集中的点位于环境空间的同一目标空间内,所述环境空间包括与世界坐标系对应的空间的部分或全部;
第一计算模块,用于计算所述第一坐标点集和所述第二坐标点集的线性相关度;
第二获取模块,用于获取所述第一坐标点集的参考分类信息和所述第二坐标点集的预测分类信息,所述参考分类信息用于指示所述环境空间中的每个点是否包括在所述第一坐标点集对应的空间中,所述预测分类信息用于指示所述环境空间中的每个点是否包括在所述第二坐标点集对应的空间中;
第二计算模块,用于根据所述参考分类信息和所述预测分类信息,计算分类性能指标;
评价模块,用于基于所述线性相关度和所述分类性能指标,对所述待评价三维地图的准确度进行评价。
可能的实施方式中,所述第一计算模块用于:
根据所述第一坐标点集中每个点的坐标,获取第一矩阵,以及根据所述第二坐标点集中每个点的坐标,获取第二矩阵;
对所述第一矩阵和所述第二矩阵分别进行降维处理,得到所述第一矩阵对应的第一向量和所述第二矩阵对应的第二向量;
计算所述第一向量和所述第二向量的线性相关度,将计算结果作为所述第一坐标点集和所述第二坐标点集的线性相关度。
可能的实施方式中,所述第一计算模块还用于:
对所述第一矩阵和所述第二矩阵分别进行降维处理,得到第三向量和第四向量;
对所述第三向量和所述第四向量进行零均值化处理;
若所述第三向量的长度大于所述第四向量的长度,对所述零均值化处理后的第四向量进行补零操作,得到补零操作后的第四向量,作为所述第二向量,以及,将所述零均值化处理后的第三向量作为所述第一向量;
若所述第三向量的长度小于所述第四向量的长度,对所述零均值化处理后的第三向量进行补零操作,得到补零操作后的第三向量,作为所述第一向量,以及,将所述零均值化处理后的第四向量作为所述第二向量。
可能的实施方式中,第一计算模块中,所述第一向量和所述第二向量的长度相同。
可能的实施方式中,所述第二获取模块用于:
基于所述第一坐标点集,确定第一三维栅格空间;
基于所述第二坐标点集,确定第二三维栅格空间;
所述第一三维栅格空间和所述第二三维栅格空间的栅格单元相同;
以所述栅格单元为步长、遍历所述环境空间中所有点,判断所述环境空间中的每一个点是否包括在所述第一三维栅格空间中,统计得到所述参考分类信息,以及判断所述环境空间中的每一个点是否包括在所述第二三维栅格空间中,统计得到所述预测分类信息。
可能的实施方式中,所述第二计算模块中,所述根据所述参考分类信息和所述预测分类信息,计算分类性能指标,包括:
基于所述参考分类信息和所述预测分类信息,计算马修斯相关系数,作为所述计算分类性能指标。
可能的实施方式中,所述评价模块用于:
计算所述线性相关度和所述分类性能指标的平均值,将得到的平均值作为评价指标对所述待评价三维地图的准确度进行评价。
本发明第三方面提供一种三维地图准确度的评价装置,包括处理器和收发器,其中,收发器在处理器的控制下接收和发送数据,所述装置还包括存储器,所述存储器中保存有预设的程序,处理器读取存储器中的程序,按照该程序执行以下过程:
获取参考三维地图的第一坐标点集以及待评价三维地图的第二坐标点集,所述第一坐标点集中的点和所述第二坐标点集中的点位于环境空间的同一目标空间内,所述环境空间包括与世界坐标系对应的空间的部分或全部;
计算所述第一坐标点集和所述第二坐标点集的线性相关度;
获取所述第一坐标点集的参考分类信息和所述第二坐标点集的预测分类信息,所述参考分类信息用于指示所述环境空间中的每个点是否包括在所述第一坐标点集对应的空间中,所述预测分类信息用于指示所述环境空间中的每个点是否包括在所述第二坐标点集对应的空间中;
根据所述参考分类信息和所述预测分类信息,计算分类性能指标;
基于所述线性相关度和所述分类性能指标,对所述待评价三维地图的准确度进行评价。
本发明第四方面提供了一种计算机装置,所述计算机装置包括:
至少一个处理器,以及,
与所述至少一个处理器通信连接的存储器、通信接口;
其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述至少一个处理器通过执行所述存储器存储的指令,利用所述通信接口执行如第一方面中任一项所述的方法。
本发明第五方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,当所述计算机指令在计算机上运行时,使得计算机执行如第一方面中任一项所述的方法。
上述第二方面至第五方面及其实现方式的有益效果可以参考对第一方面的方法及其实现方式的有益效果的描述。
附图说明
图1为本发明实施例中的一种三维地图准确度的评价方法的流程示意图;
图2为本发明实施例中的一种计算线性相关度的方法的流程示意图;
图3为本发明实施例中的一种降维方法的流程示意图;
图4为本发明实施例中的一种三维地图准确度的评价装置的结构示意图;
图5为本发明实施例中的一种三维地图准确度的评价装置的结构示意图。
具体实施方式
本发明提供一种三维地图准确度的评价方法及装置,用以实现对三维地图的准确度进行有效、可靠的定量评价,解决现有技术中评价三维地图准确度需要进行人工观察,其实现效率低且依赖于观察人员的技术经验的问题。
为了解决上述技术问题,本发明总体思路如下:
获取参考三维地图的第一坐标点集以及待评价三维地图的第二坐标点集,计算第一坐标点集和所述第二坐标点集的线性相关度,然后,获取第一坐标点集的参考分类信息和所述第二坐标点集的预测分类信息,根据参考分类信息和预测分类信息,计算出分类性能指标,最后,基于得到的线性相关度和分类性能指标,对待评价三维地图的准确度进行评价。
在上述技术方案中,通过结合线性相关度的计算以及分类性能指标两方面实现对三维地图的准确度进行评价,可以实现对三维地图的准确度进行有效可靠的定量评价,并且实现步骤简单,计算量小。
为了更好的了解上述技术方案,下面通过附图以及具体实施例对本发明技术方案进行详细的说明,应当理解本发明实施例以及实施例中的具体特征是对本发明技术方案的详细的说明,而不是对本发明技术方案的限定,在不冲突的情况下,本发明实施例以及实施例中的技术特征可以相互组合。
参考图1,为本申请实施例提供的一种三维地图准确度的评价方法的流程图。该方法可以应用在终端设备或网络设备中,终端设备例如是计算机、平板电脑、手机等,网络设备例如服务器在此不作限制。下面该流程图的描述如下:
步骤101、获取参考三维地图的第一坐标点集以及待评价三维地图的第二坐标点集,所述第一坐标点集中的点和所述第二坐标点集中的点位于环境空间的同一目标空间内,所述环境空间包括与世界坐标系对应的空间的部分或全部。
在本申请实施例中,参考三维地图和待评价三维地图均可以是三维点云地图,点云是在同一空间参考系下表达目标空间分布和目标表面特性的海量点集合,在获取物体表面每个采样点的空间坐标后,得到的是点的集合,称之为点云,以点云构建的地图称为三维点云地图;这里,待评价三维地图可以是由机器人生成的目标空间的三维地图,具体地,可以是机器人通过某种传感器和相应算法建立的周围环境的三维点云地图,本发明实施例的目的需要对生成的该三维点云地图的精准度进行评价,即需要定量的判断与实际目标空间对应的三维点云地图的差异性,而这里的参考三维地图可以为实际目标空间对应的三维点云地图。这里,参考三维地图可以通过实地测绘得到,例如利用三维激光扫描仪通过激光测量方式,获取目标物体或场地的高精度三维点云数据,由此得到参考三维地图。在本申请实施例中,第一坐标点集可以是参考三维地图中点云的空间坐标集合,第二坐标点集可以是待评价三维地图中点云的空间坐标集合;环境空间可以是世界坐标系对应的空间,即无穷大的空间,也可以是世界坐标系下的一部分有限空间区域,需要说明的是本申请对环境空间的大小、形状不做限制。
作为一种示例,该环境空间可以为写字楼A对应的空间,参考三维地图可以为写字楼A中某一楼层的办公室B对应的三维点云地图,第一坐标点集可以为从参考三维地图中获取的办公室B所包括的点的三维空间坐标的集合,实际操作中,第一坐标点集可以通过三维激光扫描仪对办公室B进行地毯式扫描而得到;另外,通过在办公室B放置机器人,由机器人移动探测结合机器算法生成的三维点云地图可以作为待评价三维地图,第二坐标点集可以为从待评价三维地图中获取的办公室B所包括的点的三维空间坐标的集合。
需要说明的是,上述示例中,不论是参考三维地图或是待评价三维地图中的点的三维空间坐标的表达方式不做限制,例如,可以用世界坐标系三个坐标轴表示,也可以通过极坐标来表示等。
步骤102、计算所述第一坐标点集和所述第二坐标点集的线性相关度。
这里线性相关度用于度量第一坐标点集和第二坐标点集之间的线性关系,作为一种示例,可以采用计算第一坐标点集和第二坐标点集的皮尔逊相关系数(pearsoncorrelation coefficient,PCC)作为线性相关度的度量指标。
在一个实施例中,所述计算所述第一坐标点集和所述第二坐标点集的线性相关度,包括:根据所述第一坐标点集中每个点的坐标,获取第一矩阵,以及根据所述第二坐标点集中每个点的坐标,获取第二矩阵;对所述第一矩阵和所述第二矩阵分别进行降维处理,得到所述第一矩阵对应的第一向量和所述第二矩阵对应的第二向量;计算所述第一向量和所述第二向量的线性相关度,将计算结果作为所述第一坐标点集和所述第二坐标点集的线性相关度。
作为一种示例,计算第一坐标点集和第二坐标点集的线性相关度可以参照图2所示的流程图进行实施,该流程图描述如下:
步骤S21、将第一坐标点集和第二坐标点集分别转换为矩阵形式。
根据第一坐标点集中每个点的坐标,组合得到一个3×ng的第一矩阵G,以及根据第二坐标点集中每个点的坐标,组合得到一个3×nc的第二矩阵C,其中ng和nc分别表示第一坐标点集中点的个数和第二坐标点集中点的个数,矩阵G和矩阵C中的每一列为相应的坐标点集中一个点的三维空间坐标。
步骤S22、对第一矩阵和第二矩阵进行降维处理。
降维处理的一种可选的实施方式是利用主成分分析法(principal componentsanalysis,PCA)对矩阵G和矩阵C进行降维,请参考图3,具体包括步骤S31-S35:
步骤S31、首先对矩阵G和矩阵C各行进行零均值化操作,即各行减去该行的平均值,公式表示为:
其中,Gi,j为矩阵G中第i行第j列的元素,ng为矩阵G中元素的个数,nc矩阵C中元素的个数。
步骤S32、求协方差矩阵Covg、Covc,公式表示为:
其中,GT为矩阵G的转置矩阵,CT为矩阵C的转置矩阵。
步骤S33、求Covg的特征值λg1、λg2、λg3和对应的特征向量eg1、eg2、eg3,以及求Covc的特征值λc1、λc2、λc3和对应的特征向量ec1、ec2、ec3。特征值具体可以通过以下方式得到:计算矩阵(G或C)的特征多项式,求出该特征多项式对应的特征方程的全部解,即为全部的特征值,进一步将求得的特征值分别代入原特征方程,求出全部解向量,即求得全部对应的特征向量。
步骤S34,将特征向量按对应特征值大小从上到下按行排列成矩阵Pg、Pc。
以Pg为例:
假设计算得到Covg的特征值λg1=1、λg2=2、λg3=3;
步骤S35,取Pg的第一行与矩阵G相乘,得到降维后的一维向量Vg(即第一向量),取Pc的第一行与矩阵C相乘,得到降维后的一维向量Vc(即第二向量),其中,第一向量和第二向量的长度分别为ng和nc。
步骤S23、计算第一向量和第二向量的线性相关度。
可以采用计算皮尔逊相关系数PCC作为第一向量和第二向量的线性相关度指标,皮尔逊相关系数PCC用于度量两个变量X和Y之间的线性相关度,其值介于-1与1之间:PCC=±1,意味着X和Y符合很好的线性关系。例如,PCC=1,Y随着X的增加而增加;PCC=-1,Y随着X的增加而减少。PCC=0,意味着两个变量之间没有线性关系,本申请中PCC可以采用公式(5)进行计算:
其中,n=max(ng,nc)表示n取值为ng和nc两者中的较大值,Vgi为一维向量Vg的一个元素,Vci为一维向量Vc的一个元素。
需要说明的是,公式(5)只是计算PCC的一种示例,在此不对计算PCC的具体方式进行限制。
另外,利用公式(5)进行PCC计算的前提条件是参与PCC计算的第一向量Vg和第二向量Vc的长度必须相等,即ng等于nc,因此,为了保证第一向量Vg和第二向量Vc能够满足计算条件,在对所述第一矩阵和所述第二矩阵分别进行降维处理,具体可以包括以下实施内容:对所述第一矩阵和所述第二矩阵分别进行降维处理后,得到第三向量和第四向量;对所述第三向量和所述第四向量进行零均值化处理;若所述第三向量的长度大于所述第四向量的长度,对所述零均值化处理后的第四向量进行补零操作,得到补零操作后的第四向量,作为所述第二向量,以及,将所述零均值化处理后的第三向量作为所述第一向量;若所述第三向量的长度小于所述第四向量的长度,对所述零均值化处理后的第三向量进行补零操作,得到补零操作后的第三向量,作为所述第一向量,以及,将所述零均值化处理后的第四向量作为所述第二向量。
作为一种示例,补零操作具体的实施方式可以参照步骤S36-步骤S37进行:
步骤S36、对第三向量Vg’和第四向量Vc’进行零均值化处理。
即计算第三向量Vg’中所有元素的平均值,再将第三向量Vg’中每一个元素减去该平均值,即可实现第三向量Vg’的零均值化,同理,计算第四向量Vc’中所有元素的平均值,再将第四向量Vc’中每一个元素减去该平均值,即可实现第四向量Vc’的零均值化。
步骤S37、补零操作。
具体地,若ng大于nc,在第四向量Vc’中补充(ng-nc)个0,得到补零后的第四向量Vc”,将其作为第二向量Vc,使得Vc和Vg长度相等;
若ng小于nc,在第三向量Vg’中补充(nc-ng)个0,得到补零后的第三向量Vg”,将其作为第一向量Vg,使得Vc和Vg长度相等;
若ng等于nc,不做处理。
在本申请实施例中,步骤S36-S37所描述的方法可以放在前述实施例中的步骤S35后、步骤S23之前实施。
在本申请实施例中,计算线性相关度需要参与计算的变量长度相同,但由于本实施例增加了补零操作,可以将长度不同的变量转换为长度相等,因而并不要求降维处理后直接得到的第一向量(未补零)中元素的个数和降维处理后直接得到的第二向量(未补零)中元素的个数相同,进一步推出并不要求第一坐标点集中坐标点的数目和第二坐标点集中坐标点的数目相同,因此,本发明实施例的一种有益效果是:可以处理待评价三维地图和参考三维地图的坐标点数目有差异的情况。
步骤103、获取所述第一坐标点集的参考分类信息和所述第二坐标点集的预测分类信息,所述参考分类信息用于指示所述环境空间中的每个点是否包括在所述第一坐标点集对应的空间中,所述预测分类信息用于指示所述环境空间中的每个点是否包括在所述第二坐标点集对应的空间中。
这里,第一坐标点集对应的空间可以是第一坐标点集中所有点所占据的空间区域,第一坐标点集的每一个点所占据的空间可以表示为任意多面体。同理,第二坐标点集对应的空间可以是第二坐标点集中所有点所占据的空间区域。其中,每一个点所占据的空间可以表示为任意多面体。
在一个实施例中,第一坐标点集的参考分类信息可以通过以下方式获取:首先,可以根据第一坐标点集确定一个空间坐标范围,该空间坐标范围包括了第一坐标点集中所有点,该空间坐标范围的确定方式不作限制,例如:可以是以第一坐标点集中的每一个点作为一个预设棱长的正多面体的中心点,以此得到的多个形状、大小相同的正多面体所占据的空间范围,然后,判断环境空间中的点的坐标是否位于该空间范围内,如果是,则认为环境空间中的这个点位于第一坐标点集对应的空间中,按照此方法统计得到第一坐标点集的参考分类信息。类似地,第二坐标点集的预测分类信息可以通过以下方式获取:首先,可以根据第二坐标点集确定一个空间坐标范围,该空间坐标范围包括了第二坐标点集中所有点,该空间坐标范围的确定方式不作限制,可以是以第二坐标点集中的每一个点作为一个预设棱长的正多面体的中心点(该正多面体的形状、大小与前述第一坐标点集中的每个点所确定的正多面体相同),以此得到的多个形状、大小相同的正多面体所占据的空间范围,然后,判断环境空间中的点的坐标是否位于该空间范围内,如果是,则认为环境空间中的这个点位于第二坐标点集对应的空间中,按照此方法统计得到第二坐标点集的预测分类信息。
在实际操作中,为了提高运算效率,降低运算量,本发明还提供了另外一种方式来获取第一坐标点集的参考分类信息和所述第二坐标点集的预测分类信息:
基于所述第一坐标点集,确定第一三维栅格空间;基于所述第二坐标点集,确定第二三维栅格空间;所述第一三维栅格空间和所述第二三维栅格空间的栅格单元相同;以所述栅格单元为步长、遍历所述环境空间中所有点,判断所述环境空间中的每一个点是否包括在所述第一三维栅格空间中,统计得到所述参考分类信息,以及判断所述环境空间中的每一个点是否包括在所述第二三维栅格空间中,统计得到所述预测分类信息。
这里,栅格单元可以是任意多面体,在本实施例中,以边长为ε的立方体作为栅格单元进行举例说明,三维栅格空间可以根据每个栅格单元的占用信息来表示,占用信息可以包括以下三种状态之一:占用、未占用、未知状态(可以包括该立方体被占用的概率值)。
本申请实施例中,首先,可以将第一坐标点集和第二坐标点集转换为第一三维栅格空间OTg和第二三维栅格空间OTc,其中,第一三维栅格空间OTg和第二三维栅格空间OTc的栅格单元相同,均为边长为ε的立方体,然后,以ε为步长遍历环境空间,判断环境空间中的每一个点是否包括在OTg中,统计得到参考分类信息,将以及判断环境空间中的每一个点是否包括在OTc中,统计得到预测分类信息。
需要说明的是,本申请实施例对环境空间的区域大小不做限制,而为了降低运算量,环境空间可以选取为一个长方体区域:由第一坐标点集中所有点坐标在三维直角坐标x轴上的极值(极大值和极小值)、y轴上的极值和z轴上的极值确定的长方体,所述长方体的每条边都与空间坐标轴平行。且,为了进一步降低运算量,可以按照预设的采样间隔,获取该环境空间中的点,从而从该环境空间中得到N个点,以及每个点的三维坐标,N为正整数。也就是说,通过该环境空间中的N个点来表征该环境空间的所有点,例如,若该N个点均位于第一三维栅格空间,则可以认为该环境空间中的所有点均位于第一三维栅格空间中。
在一个实施例中,所述参考分类信息包括第三向量,所述预测分类信息包括第四向量;其中,所述第三向量中任一项元素用于表征所述环境空间中的一个点是否包括在所述第一三维栅格空间中;所述第四向量中任一项元素用于表征所述环境空间中的一个点是否包括在所述第二三维栅格空间中。
本申请实施例中,当以该长方体对应的空间区域作为环境空间时,统计参考分类信息以及预测分类信息可以参照以下伪代码进行实现:
参照上述伪代码,遍历完成时可以得到长度相同的两个由0和1组成的向量obs(即第三向量)和向量pre(即第四向量),其中,第三向量中任一项元素置0表示环境空间中的一个点未包括在栅格空间OTg中、置1表示环境空间中的一个点包括在栅格空间OTg中,同理,第四向量中任一项元素置0表示环境空间中的一个点未包括在栅格空间OTc中、置1表示环境空间中的一个点包括在栅格空间OTc中。
由此可以看出,本申请实施例所提供的通过遍历环境空间中的点来获取参考分类信息以及预测分类信息的方式只需要进行一次点集遍历(遍历环境空间中所有点),因此,计算量小、操作简单。
步骤104、根据所述参考分类信息和所述预测分类信息,计算分类性能指标。
这里分类性能指标可以是任意一种用于测量二分类的分类性能指标,可以通过多种方式表示,例如,标准化互信息(normalized mutual information,NMI)或者马修斯相关系数(matthews correlation coefficient,MCC)等。作为一种示例,下文中以MCC为例,对计算分类性能指标的过程进行解释说明。
在一个实施例中,所述根据所述参考分类信息和所述预测分类信息,计算分类性能指标,包括:基于所述参考分类信息和所述预测分类信息,计算马修斯相关系数,作为所述计算分类性能指标。
马修斯相关系数(matthews correlation coefficient,MCC)是一种测量二分类的分类性能指标,取值范围为-1至1。取值1表示预测分类完美预测了实际分类,0表示预测结果不优于随机预测的结果,-1表示预测分类与实际分类完全不一致,而在本申请实施例中,以参考分类信息作为实际分类。计算MCC可以参照步骤S41-S42进行实现:
步骤S41、计算混淆矩阵。
混淆矩阵是一种评判分类结果的可视化工具,其最简单的2×2格式如表1所示:
表1
TP | FP |
FN | TN |
具体地,混淆矩阵的计算可以采用以下方式:遍历第三向量obs和第四向量pre,若obs(i)=0,pre(i)=0,TP计数加1;若obs(i)=0,pre(i)=1,FP计数加1;若obs(i)=1,pre(i)=0,FN计数加1;若obs(i)=1,pre(i)=1,TN计数加1。其中,i的取值范围为1至obs(或pre)的长度。
步骤S42,计算马修斯相关系数MCC。
具体地,可以参考公式(6),计算MCC:
上述方式只是对计算MCC的示例说明,不应理解为对计算MCC的限制。另外,当采用其他参数表征分类性能指标时,也可以采用其他计算方式,在此不一一列举。
步骤105、基于所述线性相关度和所述分类性能指标,对所述待评价三维地图的准确度进行评价。
在一个实施例中,所述基于所述线性相关度和所述分类性能指标,对所述待评价三维地图的准确度进行评价,包括:计算所述线性相关度和所述分类性能指标的平均值,将得到的平均值作为评价指标对所述待评价三维地图的准确度进行评价。得到的平均值越高则意味着三维地图的准确度越高,也即由机器人建立的三维地图的质量越好。这里,对计算平均值的方式不做限制,可以是计算线性相关度和分类性能指标的算术平均数,也可以是计算调和平均数等方式,以计算调和平均数为例,假设评价指标为M,则M可以表示为:
本申请实施例中,通过结合线性相关度的计算以及分类性能指标两方面实现对三维地图的准确度进行有效可靠的定量评价,并且不论是计算线性相关度或分类性能指标,实现步骤均较为简单,计算量小。
为了展示本申请实施例的技术效果,下面以具体应用实例进行说明:
A、B、C分别为三个应用场景,每一个场景包括了参考三维地图和待评价三维地图,通过肉眼观测可以确定:待评价三维地图与参考三维地图的相似度按A、B、C顺序依次提高。下面通过本发明提供的三维地图准确度的评价方法进一步对观测结果进行验证:计算得到的待评价三维点云地图的评价分数,如表2所示:
表2
A | B | C | |
PCC | 0.2137 | 0.2895 | 0.4107 |
MCC | 0.4274 | 0.6088 | 0.6512 |
M | 0.2849 | 0.3924 | 0.5037 |
其中,PCC为计算得到的皮尔逊相关系数、MCC为计算得到的马修斯相关系数,M为计算得到的PCC和MCC的均值。由表2以及肉眼观测结果可知,随着三维点云地图建立质量的提高,作为待评价地图的准确度的指标M的数值依次提高,因此,本发明实施例的三维地图准确度的评价方法可以实现对三维地图准确度的有效可靠的定量评价,且操作简单,计算量小。
本发明第二方面提供一种三维地图准确度的评价装置,所述装置可以是终端设备。请参考图4所示,为本发明实施例提供的一种三维地图准确度的评价装置的结构示意图,所述装置包括:
第一获取模块401,用于获取参考三维地图的第一坐标点集以及待评价三维地图的第二坐标点集,所述第一坐标点集中的点和所述第二坐标点集中的点位于环境空间的同一目标空间内,所述环境空间包括与世界坐标系对应的空间的部分或全部;
第一计算模块402,用于计算所述第一坐标点集和所述第二坐标点集的线性相关度;
第二获取模块403,用于获取所述第一坐标点集的参考分类信息和所述第二坐标点集的预测分类信息,所述参考分类信息用于指示所述环境空间中的每个点是否包括在所述第一坐标点集对应的空间中,所述预测分类信息用于指示所述环境空间中的每个点是否包括在所述第二坐标点集对应的空间中;
第二计算模块404,用于根据所述参考分类信息和所述预测分类信息,计算分类性能指标;
评价模块405,用于基于所述线性相关度和所述分类性能指标,对所述待评价三维地图的准确度进行评价。
第一计算模块402具体用于:
根据所述第一坐标点集中每个点的坐标,获取第一矩阵,以及根据所述第二坐标点集中每个点的坐标,获取第二矩阵;
对所述第一矩阵和所述第二矩阵分别进行降维处理,得到所述第一矩阵对应的第一向量和所述第二矩阵对应的第二向量;
计算所述第一向量和所述第二向量的线性相关度,将计算结果作为所述第一坐标点集和所述第二坐标点集的线性相关度。
第一计算模块402还用于:
对所述第一矩阵和所述第二矩阵分别进行降维处理,得到第三向量和第四向量;
对所述第三向量和所述第四向量进行零均值化处理;
若所述第三向量的长度大于所述第四向量的长度,对所述零均值化处理后的第四向量进行补零操作,得到补零操作后的第四向量,作为所述第二向量,以及,将所述零均值化处理后的第三向量作为所述第一向量;
若所述第三向量的长度小于所述第四向量的长度,对所述零均值化处理后的第三向量进行补零操作,得到补零操作后的第三向量,作为所述第一向量,以及,将所述零均值化处理后的第四向量作为所述第二向量。
第一计算模块402中,所述第一向量和所述第二向量的长度相同。
第二获取模块403用于:
基于所述第一坐标点集,确定第一三维栅格空间;
基于所述第二坐标点集,确定第二三维栅格空间;
所述第一三维栅格空间和所述第二三维栅格空间的栅格单元相同;
以所述栅格单元为步长、遍历所述环境空间中所有点,判断所述环境空间中的每一个点是否包括在所述第一三维栅格空间中,统计得到所述参考分类信息,以及判断所述环境空间中的每一个点是否包括在所述第二三维栅格空间中,统计得到所述预测分类信息。
第二计算模块404中,所述根据所述参考分类信息和所述预测分类信息,计算分类性能指标,包括:
基于所述参考分类信息和所述预测分类信息,计算马修斯相关系数,作为所述计算分类性能指标。
评价模块405具体用于:
计算所述线性相关度和所述分类性能指标的平均值,将得到的平均值作为评价指标对所述待评价三维地图的准确度进行评价。
由于本发明第二方面提供的三维地图准确度的评价装置是在与本发明第一方面提供的三维地图准确度的评价方法的相同构思下提出的,因此前述图1-3实施例中的三维地图准确度的评价方法的各种变化方式和具体实施例同样适用于本实施例的装置,通过前述对三维地图准确度的评价方法的详细描述,本领域技术人员可以清楚的知道本实施例中装置的实施过程,所以为了说明书的简洁,在此不再详述。
本发明第三方面提供一种三维地图准确度的评价装置,所述装置可以服务器或终端设备,其中,终端设备例如台式电脑、平板电脑、手机。请参考图5所示,为本发明实施例提供的装置的结构图。如图5所示,所述装置包括:
处理器501控制收发器502获取参考三维地图的第一坐标点集以及待评价三维地图的第二坐标点集,所述第一坐标点集中的点和所述第二坐标点集中的点位于环境空间的同一目标空间内,所述环境空间包括与世界坐标系对应的空间的部分或全部;以及,
获取所述第一坐标点集的参考分类信息和所述第二坐标点集的预测分类信息,所述参考分类信息用于指示所述环境空间中的每个点是否包括在所述第一坐标点集对应的空间中,所述预测分类信息用于指示所述环境空间中的每个点是否包括在所述第二坐标点集对应的空间中。
处理器501计算所述第一坐标点集和所述第二坐标点集的线性相关度;以及,
根据所述参考分类信息和所述预测分类信息,计算分类性能指标;
基于所述线性相关度和所述分类性能指标,对所述待评价三维地图的准确度进行评价可选的,处理器501具体可以是中央处理器、特定应用集成电路(英文:ApplicationSpecific Integrated Circuit,简称:ASIC),可以是一个或多个用于控制程序执行的集成电路,可以是使用现场可编程门阵列(英文:Field Programmable Gate Array,简称:FPGA)开发的硬件电路,可以是基带处理器。
可选的,处理器501可以包括至少一个处理核心。
可选的,电子设备还包括存储器503,存储器503可以包括只读存储器(英文:ReadOnly Memory,简称:ROM)、随机存取存储器(英文:Random Access Memory,简称:RAM)和磁盘存储器。存储器503用于存储处理器501运行时所需的数据。存储器的数量为一个或多个。
由于本发明第三方面提供的三维地图准确度的评价装置是在与本发明第一方面提供的三维地图准确度的评价方法的相同构思下提出的,因此前述图1-3实施例中的三维地图准确度的评价方法的各种变化方式和具体实施例同样适用于本实施例的装置,通过前述对三维地图准确度的评价方法的详细描述,本领域技术人员可以清楚的知道本实施例中装置的实施过程,所以为了说明书的简洁,在此不再详述。
本发明第四方面提供了一种计算机装置,所述计算机装置包括:
至少一个处理器,以及,
与所述至少一个处理器通信连接的存储器、通信接口;
其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述至少一个处理器通过执行所述存储器存储的指令,利用所述通信接口执行如图1~图3所示的实施例中的方法。
本发明第五方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,当所述计算机指令在计算机上运行时,使得计算机执行如图1~图3所示的实施例中的方法。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (16)
1.一种三维地图准确度的评价方法,其特征在于,所述方法包括:
获取参考三维地图的第一坐标点集以及待评价三维地图的第二坐标点集,所述第一坐标点集中的点和所述第二坐标点集中的点位于环境空间的同一目标空间内,所述环境空间包括与世界坐标系对应的空间的部分或全部;
计算所述第一坐标点集和所述第二坐标点集的线性相关度;
获取所述第一坐标点集的参考分类信息和所述第二坐标点集的预测分类信息,所述参考分类信息用于指示所述环境空间中的每个点是否包括在所述第一坐标点集对应的空间中,所述预测分类信息用于指示所述环境空间中的每个点是否包括在所述第二坐标点集对应的空间中;
根据所述参考分类信息和所述预测分类信息,计算分类性能指标;
基于所述线性相关度和所述分类性能指标,对所述待评价三维地图的准确度进行评价。
2.根据权利要求1所述的方法,其特征在于,所述计算所述第一坐标点集和所述第二坐标点集的线性相关度,包括:
根据所述第一坐标点集中每个点的坐标,获取第一矩阵,以及根据所述第二坐标点集中每个点的坐标,获取第二矩阵;
对所述第一矩阵和所述第二矩阵分别进行降维处理,得到所述第一矩阵对应的第一向量和所述第二矩阵对应的第二向量;
计算所述第一向量和所述第二向量的线性相关度,将计算结果作为所述第一坐标点集和所述第二坐标点集的线性相关度。
3.根据权利要求2所述的方法,其特征在于,所述对所述第一矩阵和所述第二矩阵分别进行降维处理,得到所述第一矩阵对应的第一向量和所述第二矩阵对应的第二向量,包括:
对所述第一矩阵和所述第二矩阵分别进行降维处理,得到第三向量和第四向量;
对所述第三向量和所述第四向量进行零均值化处理;
若所述第三向量的长度大于所述第四向量的长度,对所述零均值化处理后的第四向量进行补零操作,得到补零操作后的第四向量,作为所述第二向量,以及,将所述零均值化处理后的第三向量作为所述第一向量;
若所述第三向量的长度小于所述第四向量的长度,对所述零均值化处理后的第三向量进行补零操作,得到补零操作后的第三向量,作为所述第一向量,以及,将所述零均值化处理后的第四向量作为所述第二向量。
4.根据权利要求2或3所述的方法,其特征在于,所述第一向量和所述第二向量的长度相同。
5.根据权利要求1-3中任一项所述的方法,其特征在于,所述获取所述第一坐标点集的参考分类信息和所述第二坐标点集的预测分类信息,包括:
基于所述第一坐标点集,确定第一三维栅格空间;
基于所述第二坐标点集,确定第二三维栅格空间;
所述第一三维栅格空间和所述第二三维栅格空间的栅格单元相同;
以所述栅格单元为步长、遍历所述环境空间中所有点,判断所述环境空间中的每一个点是否包括在所述第一三维栅格空间中,统计得到所述参考分类信息,以及判断所述环境空间中的每一个点是否包括在所述第二三维栅格空间中,统计得到所述预测分类信息。
6.根据权利要求5所述的方法,其特征在于,所述参考分类信息包括第三向量,所述预测分类信息包括第四向量;
其中,所述第三向量中任一项元素用于表征所述环境空间中的一个点是否包括在所述第一三维栅格空间中;所述第四向量中任一项元素用于表征所述环境空间中的一个点是否包括在所述第二三维栅格空间中。
7.根据权利要求1-3中任一项所述的方法,其特征在于,所述根据所述参考分类信息和所述预测分类信息,计算分类性能指标,包括:
基于所述参考分类信息和所述预测分类信息,计算马修斯相关系数,作为所述计算分类性能指标。
8.根据权利要求1-3中任一项所述的方法,其特征在于,所述基于所述线性相关度和所述分类性能指标,对所述待评价三维地图的准确度进行评价,包括:
计算所述线性相关度和所述分类性能指标的平均值,将得到的平均值作为评价指标对所述待评价三维地图的准确度进行评价。
9.一种三维地图准确度的评价装置,其特征在于,所述装置包括:
第一获取模块,用于获取参考三维地图的第一坐标点集以及待评价三维地图的第二坐标点集,所述第一坐标点集中的点和所述第二坐标点集中的点位于环境空间的同一目标空间内,所述环境空间包括与世界坐标系对应的空间的部分或全部;
第一计算模块,用于计算所述第一坐标点集和所述第二坐标点集的线性相关度;
第二获取模块,用于获取所述第一坐标点集的参考分类信息和所述第二坐标点集的预测分类信息,所述参考分类信息用于指示所述环境空间中的每个点是否包括在所述第一坐标点集对应的空间中,所述预测分类信息用于指示所述环境空间中的每个点是否包括在所述第二坐标点集对应的空间中;
第二计算模块,用于根据所述参考分类信息和所述预测分类信息,计算分类性能指标;
评价模块,用于基于所述线性相关度和所述分类性能指标,对所述待评价三维地图的准确度进行评价。
10.根据权利要求9所述的装置,其特征在于,所述第一计算模块用于:
根据所述第一坐标点集中每个点的坐标,获取第一矩阵,以及根据所述第二坐标点集中每个点的坐标,获取第二矩阵;
对所述第一矩阵和所述第二矩阵分别进行降维处理,得到所述第一矩阵对应的第一向量和所述第二矩阵对应的第二向量;
计算所述第一向量和所述第二向量的线性相关度,将计算结果作为所述第一坐标点集和所述第二坐标点集的线性相关度。
11.根据权利要求10所述的装置,其特征在于,所述第一计算模块还用于:
对所述第一矩阵和所述第二矩阵分别进行降维处理,得到第三向量和第四向量;
对所述第三向量和所述第四向量进行零均值化处理;
若所述第三向量的长度大于所述第四向量的长度,对所述零均值化处理后的第四向量进行补零操作,得到补零操作后的第四向量,作为所述第二向量,以及,将所述零均值化处理后的第三向量作为所述第一向量;
若所述第三向量的长度小于所述第四向量的长度,对所述零均值化处理后的第三向量进行补零操作,得到补零操作后的第三向量,作为所述第一向量,以及,将所述零均值化处理后的第四向量作为所述第二向量。
12.根据权利要求10或11所述的装置,其特征在于,第一计算模块中,所述第一向量和所述第二向量的长度相同。
13.根据权利要求9-11中任一项所述的装置,其特征在于,所述第二获取模块用于:
基于所述第一坐标点集,确定第一三维栅格空间;
基于所述第二坐标点集,确定第二三维栅格空间;
所述第一三维栅格空间和所述第二三维栅格空间的栅格单元相同;
以所述栅格单元为步长、遍历所述环境空间中所有点,判断所述环境空间中的每一个点是否包括在所述第一三维栅格空间中,统计得到所述参考分类信息,以及判断所述环境空间中的每一个点是否包括在所述第二三维栅格空间中,统计得到所述预测分类信息。
14.根据权利要求9-11中任一项所述的装置,其特征在于,所述第二计算模块用于:
基于所述参考分类信息和所述预测分类信息,计算马修斯相关系数,作为所述计算分类性能指标。
15.根据权利要求9-11中任一项所述的装置,其特征在于,所述评价模块用于:
计算所述线性相关度和所述分类性能指标的平均值,将得到的平均值作为评价指标对所述待评价三维地图的准确度进行评价。
16.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,当所述计算机指令在计算机上运行时,使得计算机执行如权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911310911.3A CN111177290B (zh) | 2019-12-18 | 2019-12-18 | 一种三维地图准确度的评价方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911310911.3A CN111177290B (zh) | 2019-12-18 | 2019-12-18 | 一种三维地图准确度的评价方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111177290A true CN111177290A (zh) | 2020-05-19 |
CN111177290B CN111177290B (zh) | 2023-06-02 |
Family
ID=70650192
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911310911.3A Active CN111177290B (zh) | 2019-12-18 | 2019-12-18 | 一种三维地图准确度的评价方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111177290B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111664869A (zh) * | 2020-05-28 | 2020-09-15 | 武汉中海庭数据技术有限公司 | 一种高精度地图地物数据质量评定方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020061132A1 (en) * | 2000-11-22 | 2002-05-23 | Nec Corporation | Stereo image processing apparatus and method of processing stereo image |
CN106874850A (zh) * | 2017-01-10 | 2017-06-20 | 广东工业大学 | 一种基于三维人脸点云特征点定位方法 |
CN109635050A (zh) * | 2018-10-31 | 2019-04-16 | 百度在线网络技术(北京)有限公司 | 地图准确度评价方法和装置 |
US20190171732A1 (en) * | 2017-12-01 | 2019-06-06 | Uber Technologies, Inc. | Systems and methods for evaluating accuracy of place data based on context |
-
2019
- 2019-12-18 CN CN201911310911.3A patent/CN111177290B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020061132A1 (en) * | 2000-11-22 | 2002-05-23 | Nec Corporation | Stereo image processing apparatus and method of processing stereo image |
CN106874850A (zh) * | 2017-01-10 | 2017-06-20 | 广东工业大学 | 一种基于三维人脸点云特征点定位方法 |
US20190171732A1 (en) * | 2017-12-01 | 2019-06-06 | Uber Technologies, Inc. | Systems and methods for evaluating accuracy of place data based on context |
CN109635050A (zh) * | 2018-10-31 | 2019-04-16 | 百度在线网络技术(北京)有限公司 | 地图准确度评价方法和装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111664869A (zh) * | 2020-05-28 | 2020-09-15 | 武汉中海庭数据技术有限公司 | 一种高精度地图地物数据质量评定方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111177290B (zh) | 2023-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102170105B1 (ko) | 신경 네트워크 구조의 생성 방법 및 장치, 전자 기기, 저장 매체 | |
CN107808122B (zh) | 目标跟踪方法及装置 | |
Christen et al. | A general purpose sampling algorithm for continuous distributions (the t-walk) | |
Nehmzow et al. | Quantitative description of robot–environment interaction using chaos theory | |
CN111079780B (zh) | 空间图卷积网络的训练方法、电子设备及存储介质 | |
EP3716160A1 (en) | Learning parameters of a probabilistic model comprising gaussian processes | |
CN113436238A (zh) | 点云配准精度的评估方法、装置和电子设备 | |
JP2020027370A (ja) | 最適化装置、シミュレーションシステム及び最適化方法 | |
CN112085056B (zh) | 目标检测模型生成方法、装置、设备及存储介质 | |
CN107239477B (zh) | 一种融合空间相关性的地理数据支持向量回归方法 | |
CN109544700A (zh) | 基于神经网络的点云数据的处理方法、装置和设备 | |
US20220262037A1 (en) | Camera parameter estimation apparatus, camera parameter estimation method, and computer-readable recording medium | |
CN115457492A (zh) | 目标检测方法、装置、计算机设备及存储介质 | |
CN111008631A (zh) | 图像的关联方法及装置、存储介质和电子装置 | |
CN110686610B (zh) | 基于自适应网格的光学变形测量方法及电子设备 | |
CN115859805A (zh) | 基于混合加点准则的自适应序贯试验设计方法和装置 | |
CN113065593A (zh) | 模型训练方法、装置、计算机设备和存储介质 | |
CN110472588B (zh) | 锚点框确定方法、装置、计算机设备和存储介质 | |
CN110161181A (zh) | 混合气体的组分浓度识别方法及系统 | |
CN111177290B (zh) | 一种三维地图准确度的评价方法及装置 | |
CN109190757B (zh) | 任务处理方法、装置、设备及计算机可读存储介质 | |
US20100332427A1 (en) | Data processing apparatus generating motion of 3D model and method | |
CN107607129B (zh) | 数据校准方法、装置及电子设备 | |
CN114049530A (zh) | 混合精度神经网络量化方法、装置及设备 | |
CN111178299B (zh) | 图像处理方法、装置、电子设备和存储介质 |
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 |