CN111381245B - 激光slam自适应分辨率栅格地图构建方法 - Google Patents
激光slam自适应分辨率栅格地图构建方法 Download PDFInfo
- Publication number
- CN111381245B CN111381245B CN202010132671.9A CN202010132671A CN111381245B CN 111381245 B CN111381245 B CN 111381245B CN 202010132671 A CN202010132671 A CN 202010132671A CN 111381245 B CN111381245 B CN 111381245B
- Authority
- CN
- China
- Prior art keywords
- resolution
- map
- point cloud
- grid
- laser radar
- 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
- 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
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明公开了一种激光SLAM自适应分辨率栅格地图构建方法:初始自定义高中低三种分辨率的大小,分别设为Rh、Rm和Rl,自定义参数A、B、N;采集激光雷达点云信息;检测点云信息中的直线段和弧线段;统计检测出的直线段和弧线段的总数量C1以及未被包含进直线段和弧线段的点云数量C2;先根据C1和C2的值自动设置地图分辨率R*,再根据点云距离信息进行调整,得到地图分辨率R;更新地图。本发明能够使地图的部分区域精度更高、且占用资源较少,在大尺度场景也能更好地使用。
Description
技术领域
本发明属于自动控制与机器人导航技术领域,更具体的说,是涉及一种激光SLAM自适应分辨率栅格地图构建方法。
背景技术
机器人是机械、电子信息、通信、计算机和人工智能等多学科的集成体,是能够执行特定任务或具有一定功能(如决策能力、感知能力、运动能力)的自动化装置。自主移动机器人具备环境侦测、定位导航、路径规划、自主移动的能力,能够在未知的地形中执行复杂任务。而通过对周围环境的精确感知,得到准确的位置和姿态(位姿)信息则是实现复杂功能的前提。机器人通过自身传感器感知自身状态和周围环境信息,得到位姿信息,再通过位姿信息绘制周围环境地图,这一过程被称为SLAM(Simultaneous LocalizationAndMapping)。
SLAM过程中的机器人位姿估计和环境地图构建形成了一个相辅相成、不断迭代的过程。目前针对室内移动机器人的SLAM方法包括视觉SLAM和激光SLAM。视觉SLAM使用相机作为主要传感器。相机具有的成本低、图像信息丰富等优点使视觉SLAM应用领域越来越广泛。激光SLAM使用激光雷达作为外部传感器,其优点是测量精度高、测距速度快、测量范围广、抗干扰能力强,适合实现实时SLAM。基于激光雷达的SLAM方式是目前最稳定、最可靠且性能最好的SLAM方式。
Doucet等学者提出了基于Rao-Blackwellized粒子滤波器RBPF的SLAM方法(DoucetA,Freitas N De,Gordon N.Sequential Monte Carlo Methods in Practice[J].New York:Springer Verlag,2001:496-497),此算法能够较好地近似移动机器人位姿和环境地图的联合概率密度,但其存在计算复杂度较高、占用内存大、实时性较差等问题。使用单一传感器会因自身测量原理、测距范围、测量精度、信息量等方面的限制,在复杂多变的环境中可靠性较差,因此多种传感器的信息融合是十分必要的。牛津大学机器人研究组(Newman P,Cole D,Ho K.Outdoor SLAM using visual appearance and laser ranging[J].Proc.IEEE Intl Conf.Robotics&Automation,2006:1180-1187)使用3D激光雷达和相机进行室外SLAM研究,并使用递归图对闭环检测进行分析,但效率不高,实时性较差。M等人(/>M,Giguère P,Astrup R.Mapping forests using anunmanned ground vehicle with 3D LiDAR and graph-SLAM[J].Computers&Electronicsin Agriculture,2018,145:217-225)使用三维激光、立体相机、IMU和GPS在森林中实现自动化3D建图。
如上所述使用SLAM算法构建的栅格地图中,每张地图的栅格大小相同,这种相同分辨率栅格地图存在的问题为:如果分辨率低,则会导致复杂环境下的障碍物表示不够清晰;如果提高分辨率,又会增加信息存储量,且占用更多计算资源。在大尺度环境下创建地图,大多数场景地图不需要很高的地图分辨率,否则会浪费存储和计算资源,在障碍物(如办公室里的桌椅)较多的场景,则需要较高的地图分辨率,使得障碍物能够较好地在地图上显示出来。
郭利进等人(郭利进,师五喜,李颖,等.基于四叉树的自适应栅格地图创建算法[J].控制与决策,2011,26(11):1690-1694)提出了一种基于四叉树的栅格大小自适应地图创建算法,利用四叉树理论,根据地图不同区域环境障碍物密度的变化,自适应调整各区域栅格尺度大小。专利201810772043.X(一种基于九叉树的机器人自适应栅格地图创建方法,北京工业大学)提出一种基于九叉树的自适应栅格地图创建方法。以上两种方法均是将整个环境分为四部分或九部分,再将每一部分逐步细分来提高局部分辨率。
发明内容
本发明的目的是为了解决上述因栅格地图分辨率相同产生的问题,提出一种激光SLAM自适应分辨率栅格地图构建方法,能够使地图的部分区域精度更高、整体上占用资源较少,且在大尺度场景也能更好地使用。
本发明的目的是通过以下技术方案实现的。
本发明激光SLAM自适应分辨率栅格地图构建方法,包括以下步骤:
步骤一,初始自定义高中低三种分辨率的大小,分别设为Rh、Rm和Rl,自定义参数A、B、N;其中,Rh为高分辨率的值,Rm为中分辨率的值,Rl为低分辨率的值,A为对比直线段和弧线段总数的预设值,B为对比未包含进直线段和弧线段的散点数量预设值,N为机器人半径的倍数;
步骤二,采集激光雷达点云信息;
步骤三,检测点云信息中的直线段和弧线段;
步骤四,统计检测出的直线段和弧线段的总数量C1以及未被包含进直线段和弧线段的点云数量C2;
步骤五,修改地图分辨率:先根据C1和C2的值自动设置地图分辨率R*,再根据点云距离信息进行调整,得到地图分辨率R;
步骤六,更新地图;当进入未建图区域后,重复步骤二至步骤五,直到整个环境地图更新完成。
步骤二中采集激光雷达点云信息的具体实现过程:首先将扫描范围为360°的激光雷达安装在移动机器人上,测量激光雷达坐标系和移动机器人坐标系的变换参数;然后启动激光雷达,若使用单线激光雷达则会得到二维激光点云信息,若使用多线激光雷达则会得到三维激光点云信息。
步骤三中检测点云信息中的直线段和弧线段的具体实现过程:得到二维或三维激光点云信息后,首先使用线段提取方法对直线段和弧线段进行检测,每条线所包含的点云数量应不小于一个阈值,该阈值的设定与激光雷达的点云数量相关。
步骤五中修改地图分辨率的具体实现过程:将C1和C2的值分别与预设值A和B比较,当C2>B时,若此时地图分辨率为低分辨率,则将地图分辨率R*设置为中分辨率Rm,否则将地图分辨率R*设置为高分辨率Rh;
当C2≤B且C1≤A时,若此时地图分辨率为高分辨率,则将地图分辨率R*设置为中分辨率Rm,否则将地图分辨率R*设置为低分辨率Rl;
当C2≤B且C1>A时,此时自动将地图分辨率R*设置为中分辨率Rm;
得到当前地图分辨率R*后,计算距离为N倍机器人半径范围外的点云数量与总点云数之比γ,最后得到地图分辨率R=γ×R*。
步骤六中更新地图的具体实现过程:移动机器人使用SLAM技术进行建图;更新地图时,将点云范围内的区域分为若干长宽均为R的栅格,初始栅格的状态均为未知,用-1表示;然后根据点云信息更新每个栅格的状态;如果栅格范围内不包括点云,则此栅格的状态更新为空置,用0表示;如果栅格范围内包括点云,则此栅格的状态更新为占据,用1表示;每次根据当前点云信息更新地图之后,将机器人移动至未知区域,再重复步骤二至步骤五,直到整个环境地图更新完成。
与现有技术相比,本发明的技术方案所带来的有益效果是:
(1)本发明提出的利用激光雷达SLAM技术构建自适应分辨率栅格地图方法,可以根据不同尺度和环境来调整所建地图的分辨率。
(2)相对于固定分辨率的栅格地图,本发明构建自适应分辨率栅格地图方法能够使地图的部分区域精度更高、且占用资源更少。
(3)本发明可以集成到目前任何一种二维激光和三维激光SLAM技术中,构建二维或三维自适应分辨率栅格地图。
(4)本发明通过激光雷达采集的数据判断当前环境障碍物的密集程度,再结合障碍物到机器人的距离信息,以此来实时地调整地图的分辨率,并且在机器人移动建图过程中,先修改地图分辨率再更新地图,并不断重复这一步骤直至建图完成。使用本发明提出的方法一方面可以有效地降低存储空间、节省计算资源,同时还可以有效地表达障碍物密集环境中的物体。
附图说明
图1是构建自适应分辨率栅格地图方法流程图
图2是激光雷达点云示意图;
图3是高分辨率栅格地图示意图;
图4是中分辨率栅格地图示意图;
图5是低分辨率栅格地图示意图;
图6是自适应分辨率栅格地图示意图。
具体实施方式
下面结合附图和实施例对本发明的实施方式作了详细说明,但是本发明并不限于下述实施方式,任何熟悉本技术领域的研究人员在本发明专利所公开的范围内,在不脱离本发明宗旨的前提下做出的各种变化均属于本发明专利的保护范围。
在大尺度环境下创建地图,大多数场景的地图不需要很高的分辨率,否则会浪费存储空间和计算资源,在障碍物(如办公室里的桌椅)较多的场景构建地图,则需要较高的分辨率,否则会遗漏一些较小物体。本发明针对以上问题提出解决方案,构建由环境内物体分布决定分辨率的栅格地图。
本发明激光SLAM自适应分辨率栅格地图构建方法,实际应用过程中,通过激光雷达的数据和稳定的SLAM技术,可以构建随环境而改变分辨率的栅格地图。自适应分辨率栅格地图构建方法流程图如图1所示,具体包括以下步骤:
步骤一,根据使用场景以及机器人机械参数预设所需参数。
初始自定义高中低三种分辨率的大小,分别设为Rh、Rm和Rl,自定义参数A、B、N;其中,Rh为高分辨率的值,Rm为中分辨率的值,Rl为低分辨率的值,A为对比直线段和弧线段总数的预设值,B为对比未包含进直线段和弧线段的散点数量预设值,N为机器人半径的倍数,根据实际环境以及机器人半径设置,该值能够体现出机器人周围障碍物的距离信息会对地图分辨率造成影响。
步骤二,采集激光雷达点云信息。
首先将扫描范围为360°的激光雷达安装在移动机器人上,测量激光雷达坐标系和移动机器人坐标系的变换参数;然后启动激光雷达,若使用单线激光雷达则会得到二维激光点云信息,若使用多线激光雷达则会得到三维激光点云信息。
步骤三,检测点云信息中的直线段和弧线段。
得到二维或三维激光点云信息后,首先使用线段提取方法(如霍夫变换方法)对直线段和弧线段进行检测,每条线所包含的点云数量应不小于一个阈值,该阈值的设定与激光雷达的点云数量相关(如使用不同采样点数的激光雷达对同一面墙进行检测,采样点数大的激光雷达会用更多的点云来表示这面墙,因此该阈值与激光雷达的采样点数相关,该阈值一般不小于3)。
步骤四,统计检测出的直线段和弧线段的总数量C1以及未被包含进直线段和弧线段的点云数量C2。
步骤五,修改地图分辨率:先根据C1和C2的值自动设置地图分辨率R*,再根据点云距离信息进行调整,得到地图分辨率R。
将C1和C2的值分别与预设值A和B比较,其中A和B值的大小与获取激光雷达的点云数量相关,使用多线激光雷达时,需根据环境和雷达参数进行相应地调整。先将未包含进直线段和弧线段的点云数量C2与B值进行比较。C2的值取决于环境中不规则障碍物的数量,不规则障碍物越多,未包含进直线段和弧线段的点云数越多,则C2的值越大。
当C2的值大于由激光雷达点云数量决定的B时(B的大小可以设置为总点云数的50%),表明当前环境的障碍物较多,需要提高地图分辨率来更精确地表示障碍物(例如子环境为不规则障碍物较多场景,子环境为整体环境中的某一部分),若此时地图分辨率为低分辨率,则将栅格地图分辨率R*设置为中分辨率Rm,否则将栅格地图分辨率R*设置为高分辨率Rh(如设置为5cm*5cm)。
当C2的值不大于B时,表明当前环境的不规则障碍物较少,不需要高分辨率的地图,此时将直线段和弧线段总数C1与A值(A的值可以根据场景中雷达扫描到墙壁等规则障碍物的数量设置,参考值的范围为4至8)进行比较。C1的值取决于环境中的规则物体(或边界)的数量(如激光雷达只扫描到走廊里的两面墙,检测出的直线段只有两条,C1的值为2),当C1的值不大于A时,表明当前环境的规则障碍物较少(如空旷场景中,在激光雷达的扫描范围中可能有一面墙,没有其他障碍物),不需要较高分辨率地图来表示没有障碍物的区域,若此时地图分辨率为高分辨率,则将栅格地图分辨率R*设置为中分辨率Rm,否则将栅格地图分辨率R*设置为低分辨率Rl(如设置为15cm*15cm)。当C1的值大于A时,表明当前环境的规则障碍物较多(如小房间中摆放两张桌子,在激光雷达的扫描范围中有墙和桌子),地图的精确程度需要大于上一种情况,此时自动将栅格地图分辨率R*设置为中分辨率Rm(如设置为10cm*10cm)。
修改地图分辨率时,新建地图和已建地图的分辨率R*不能由高分辨率Rh直接切换至低分辨率Rl,也不能由低分辨率Rl直接切换至高分辨率Rh。因为在同一张栅格地图中,如果相邻两部分的分辨率相差较大,不仅影响地图的可读性,也会对机器人定位造成一定的影响,因此采用一种渐变的方案,逐渐提高或降低地图的分辨率,能够减小以上不足。
得到当前地图分辨率R*后,计算距离为N倍机器人半径范围外的点云数量与总点云数之比γ,最后得到地图分辨率R等于γ乘以R*(R保留两位小数,分辨率精确到厘米)。N的值根据环境以及机器人机械参数设置。根据点云距离信息,当有较多点云在机器人附近时,γ的值变小,地图分辨率会更高。
步骤六,更新地图。当进入未建图区域后,重复步骤二至步骤五,直到整个环境地图更新完成。
移动机器人可以使用合适的SLAM技术(如gmapping算法等)进行建图,二维和三维建图算法均可。更新地图时,将点云范围内的区域分为若干长宽均为R的栅格,初始栅格的状态均为未知,用-1表示。然后根据点云信息更新每个栅格的状态。如果栅格范围内不包括点云,则此栅格的状态更新为空置,用0表示;如果栅格范围内包括点云,则此栅格的状态更新为占据,用1表示。每次根据当前点云信息更新地图之后,将机器人移动至未知区域,再重复步骤二至步骤五,直到整个环境地图更新完成。在每次更新地图时,更新前已知地图和更新后的新地图会有部分区域重叠。在重叠区域中,由于低分辨率地图的每个栅格面积较大,会将高分辨率地图的栅格覆盖,因此重叠区域最终会表现为低分辨率栅格大小。
这里以构建二维自适应分辨率栅格地图为例进行说明。
假设该环境整体采集到的点云图如2所示,如果使用固定分辨率栅格地图进行建图,则其高分辨率栅格地图如图3所示,其中分辨率栅格地图如图4所示,其低分辨率栅格地图如图5所示。本文发明通过激光雷达采集的点云数据判断当前环境障碍物的密集程度,以此来实时地调整地图的分辨率,最终达到图6的效果。
首先将扫描范围为360°的激光雷达安装在移动机器人上,测量激光雷达坐标系和移动机器人坐标系的变换参数。然后启动激光雷达,若使用单线激光雷达则会得到二维激光点云信息,若使用多线激光雷达则会得到三维激光点云信息。
得到由激光雷达所采集的点云图像后,使用霍夫变换或其他方法检测出点云图像中的直线段和弧线段。判定为直线段和弧线段的要求为每条直线段和弧线段上的激光雷达扫描点的数量不小于一个阈值,这里假设为4,而只有两个点或三个点共线不将这条线计数。这是因为在障碍物较多的环境中,很容易有两到三个点表示同一障碍物,故此不将这种直线段列入计算。统计检测出的直线段和弧线段的总数量C1以及未被包含进直线段或弧线段的点云数量C2。
将C1和C2的值分别与预设值A和B比较,A和B值的大小与获取激光雷达的点云数相关,其中A的值设为4,B的值设为获取激光雷达点云数的50%。当C2>B(例如当前子环境为不规则障碍物较多场景)且当前分辨率不为低分辨率时,则自动将栅格地图分辨率设置为高分辨率,否则设置为中分辨率;当C1>A且C2≤B时(例如当前子环境为规则障碍物较多场景),则自动将栅格地图分辨率设置为中分辨率;当C2≤B且C1≤A(例如当前子环境为空旷场景)且当前分辨率不为高分辨率时,则自动将栅格地图分辨率设置为低分辨率,否则设置为中分辨率。
在更新地图之前,新建地图和已建地图的分辨率不能由高分辨率直接切换至低分辨率,也不能由低分辨率直接切换至高分辨率。这是因为在同一张栅格地图中,如果相邻两部分的分辨率相差特别大的活,不仅影响地图的可读性,也会对机器人定位造成一定的影响,因此采用一种渐变的方案,逐渐提高或降低地图的分辨率,能够减小以上不足。
得到当前地图分辨率R*后,计算距离为N倍机器人半径范围外的点云数量与总点云数之比γ,N的值根据环境以及机器人机械参数设置为3。最后得到地图分辨率R等于γ乘以R*(R保留两位小数,分辨率精确到厘米)。根据点云距离信息,当有较多点云在机器人附近时,γ的值变小,地图分辨率会更高。
最后更新地图。移动机器人可以使用合适的SLAM技术进行建图,如gmapping算法等。激光SLAM算法通常能够设置所建栅格地图的分辨率R。更新地图时,将点云范围内的区域分为多个长宽均为R的栅格,初始栅格的状态均为未知,用-1表示。然后根据点云信息更新每个栅格的状态。如果栅格范围内不包括点云,则此栅格的状态更新为空置,用0表示;如果栅格范围内包括点云,则此栅格的状态更新为占据,用1表示。每次根据当前点云信息更新地图之后,将机器人移动至未知区域,再重复步骤二至五,直到整个环境地图更新完成。如图6所示,整体环境较空旷且点云环境一直线为主,所以多数子地图的分辨率较低。当机器人移动至虚线框区域附近,环境变得复杂,此时子地图的分辨率设为中分辨率。当机器人移动至实线框区域附近,环境中障碍物较多,此时子地图的分辨率设为高分辨率。
尽管上面结合附图对本发明的功能及工作过程进行了描述,但本发明并不局限于上述的具体功能和工作过程,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可以做出很多形式,这些均属于本发明的保护之内。
Claims (4)
1.一种激光SLAM自适应分辨率栅格地图构建方法,其特征在于,包括以下步骤:
步骤一,初始自定义高中低三种分辨率的大小,分别设为Rh、Rm和Rl,自定义参数A、B、N;其中,Rh为高分辨率的值,Rm为中分辨率的值,Rl为低分辨率的值,A为对比直线段和弧线段总数的预设值,B为对比未包含进直线段和弧线段的散点数量预设值,N为机器人半径的倍数;
步骤二,采集激光雷达点云信息;
步骤三,检测点云信息中的直线段和弧线段;
步骤四,统计检测出的直线段和弧线段的总数量C1以及未被包含进直线段和弧线段的点云数量C2;
步骤五,修改地图分辨率:先根据C1和C2的值自动设置地图分辨率R*,再根据点云距离信息进行调整,得到地图分辨率R;具体实现过程如下:
将C1和C2的值分别与预设值A和B比较,A和B值的大小与获取激光雷达的点云数相关,其中A的值设为4,B的值设为获取激光雷达点云数的50%;
当C2>B时,若此时地图分辨率为低分辨率,则将地图分辨率R*设置为中分辨率Rm;当C2>B且当前地图分辨率不为低分辨率时,则自动将栅格地图分辨率R*设置为高分辨率Rh;
当C2≤B且C1≤A时,若此时地图分辨率为高分辨率,则将地图分辨率R*设置为中分辨率Rm;当C2≤B且C1≤A且当前地图分辨率不为高分辨率时,则自动将栅格地图分辨率R*设置为低分辨率Rl;
当C2≤B且C1>A时,此时自动将地图分辨率R*设置为中分辨率Rm;
得到当前地图分辨率R*后,计算距离为N倍机器人半径范围外的点云数量与总点云数之比γ,最后得到地图分辨率R=γ×R*;
步骤六,更新地图;当进入未建图区域后,重复步骤二至步骤五,直到整个环境地图更新完成。
2.根据权利要求1所述的激光SLAM自适应分辨率栅格地图构建方法,其特征在于,步骤二中采集激光雷达点云信息的具体实现过程:首先将扫描范围为360°的激光雷达安装在移动机器人上,测量激光雷达坐标系和移动机器人坐标系的变换参数;然后启动激光雷达,若使用单线激光雷达则会得到二维激光点云信息,若使用多线激光雷达则会得到三维激光点云信息。
3.根据权利要求1所述的激光SLAM自适应分辨率栅格地图构建方法,其特征在于,步骤三中检测点云信息中的直线段和弧线段的具体实现过程:得到二维或三维激光点云信息后,首先使用线段提取方法对直线段和弧线段进行检测,每条线所包含的点云数量应不小于一个阈值,该阈值的设定与激光雷达的点云数量相关。
4.根据权利要求1所述的激光SLAM自适应分辨率栅格地图构建方法,其特征在于,步骤六中更新地图的具体实现过程:移动机器人使用SLAM技术进行建图;更新地图时,将点云范围内的区域分为若干长宽均为R的栅格,初始栅格的状态均为未知,用-1表示;然后根据点云信息更新每个栅格的状态;如果栅格范围内不包括点云,则此栅格的状态更新为空置,用0表示;如果栅格范围内包括点云,则此栅格的状态更新为占据,用1表示;每次根据当前点云信息更新地图之后,将机器人移动至未知区域,再重复步骤二至步骤五,直到整个环境地图更新完成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010132671.9A CN111381245B (zh) | 2020-02-29 | 2020-02-29 | 激光slam自适应分辨率栅格地图构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010132671.9A CN111381245B (zh) | 2020-02-29 | 2020-02-29 | 激光slam自适应分辨率栅格地图构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111381245A CN111381245A (zh) | 2020-07-07 |
CN111381245B true CN111381245B (zh) | 2023-06-06 |
Family
ID=71217092
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010132671.9A Active CN111381245B (zh) | 2020-02-29 | 2020-02-29 | 激光slam自适应分辨率栅格地图构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111381245B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111881239B (zh) * | 2020-07-17 | 2023-07-28 | 上海高仙自动化科技发展有限公司 | 构建方法、构建装置、智能机器人及可读存储介质 |
CN112799096B (zh) * | 2021-04-08 | 2021-07-13 | 西南交通大学 | 基于低成本车载二维激光雷达的地图构建方法 |
US20240053756A1 (en) * | 2021-12-01 | 2024-02-15 | Adata Technology Co., Ltd. | Autonomous mobile vehicle, and guidance and obstacle avoidance method for an environmental field |
CN114415661B (zh) * | 2021-12-15 | 2023-09-22 | 中国农业大学 | 基于压缩三维空间点云的平面激光slam与导航方法 |
CN115469330B (zh) * | 2022-10-28 | 2023-06-06 | 深圳市云鼠科技开发有限公司 | 子图的构建方法、装置、终端设备及存储介质 |
CN116051980B (zh) * | 2022-12-13 | 2024-02-09 | 北京乾图科技有限公司 | 基于倾斜摄影的建筑识别方法、系统、电子设备及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104897161A (zh) * | 2015-06-02 | 2015-09-09 | 武汉大学 | 基于激光测距的室内平面地图制图方法 |
CN109545072A (zh) * | 2018-11-14 | 2019-03-29 | 广州广电研究院有限公司 | 地图构建的位姿计算方法、装置、存储介质和系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7723008B2 (en) * | 2005-03-22 | 2010-05-25 | Intel Corporation | Photoactive adhesion promoter in a slam |
JP6559535B2 (ja) * | 2015-10-22 | 2019-08-14 | 株式会社東芝 | 障害物マップ生成装置、その方法、及び、そのプログラム |
CN108319655B (zh) * | 2017-12-29 | 2021-05-07 | 百度在线网络技术(北京)有限公司 | 用于生成栅格地图的方法和装置 |
-
2020
- 2020-02-29 CN CN202010132671.9A patent/CN111381245B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104897161A (zh) * | 2015-06-02 | 2015-09-09 | 武汉大学 | 基于激光测距的室内平面地图制图方法 |
CN109545072A (zh) * | 2018-11-14 | 2019-03-29 | 广州广电研究院有限公司 | 地图构建的位姿计算方法、装置、存储介质和系统 |
Non-Patent Citations (10)
Title |
---|
Fan, WZ (Fan, Wenzheng).A Novel Method for Plane Extraction from Low-Resolution Inhomogeneous Point Clouds and its Application to a Customized Low-Cost Mobile Mapping System.REMOTE SENSING.2020,全文. * |
Wu, D (Wu, Di).A LIDAR SLAM based on Point-Line Features for Underground Mining Vehicle.2018 CHINESE AUTOMATION CONGRESS (CAC).2019,全文. * |
Yu, ZQ (Yu, Zhiqiang).Robust point cloud normal estimation via neighborhood reconstruction.ADVANCES IN MECHANICAL ENGINEERING.2019,全文. * |
Zeng, M (Zeng, Ming).Multivariate Directed Weighted Complex Network for Characterizing 3D Wind Speed Signals in Indoor and Outdoor Environments.PROCEEDINGS OF THE 2016 12TH WORLD CONGRESS ON INTELLIGENT CONTROL AND AUTOMATION (WCICA).2016,全文. * |
刘学军;王彦芳;晋蓓;杨洁.GIS栅格化分辨率计算器的实现与应用.地球信息科学学报.2009,(第05期),全文. * |
刘德庆;张杰;金久才.基于三维激光雷达的无人船障碍物自适应栅格表达方法.中国激光.2020,(第01期),全文. * |
史利民;郭复胜;胡占义.利用空间几何信息的改进PMVS算法.自动化学报.2011,(第05期),全文. * |
吴玉秀.基于移动传感器网络的气体源定位.天津大学学报(自然科学与工程技术版).2015,第第 48 卷 卷(第第 48 卷 期),全文. * |
王一文 ; 钱闯;唐健;温景仁;牛小骥.预建高精度地图的封闭区域UGV自动驾驶导航定位.测绘通报.2020,(第01期),全文. * |
郭利进;王化祥;孟庆浩;邱亚男.一种改进的粒子滤波SLAM算法.计算机应用研究.2008,(第06期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111381245A (zh) | 2020-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111381245B (zh) | 激光slam自适应分辨率栅格地图构建方法 | |
CN113110457B (zh) | 在室内复杂动态环境中智能机器人的自主覆盖巡检方法 | |
CN110531760B (zh) | 基于曲线拟合和目标点邻域规划的边界探索自主建图方法 | |
CN109416843B (zh) | 实时高度映射 | |
CN111427370B (zh) | 一种基于稀疏位姿调整的移动机器人的Gmapping建图方法 | |
CN112525202A (zh) | 一种基于多传感器融合的slam定位导航方法及系统 | |
Dryanovski et al. | Multi-volume occupancy grids: An efficient probabilistic 3D mapping model for micro aerial vehicles | |
CN105973145A (zh) | 移动式三维激光扫描系统及移动式三维激光扫描方法 | |
CN102831646A (zh) | 一种基于扫描激光的大尺度三维地形建模方法 | |
CN113108773A (zh) | 一种融合激光与视觉传感器的栅格地图构建方法 | |
Ioannidis et al. | A path planning method based on cellular automata for cooperative robots | |
CN103901891A (zh) | 一种基于层次结构的动态粒子树slam算法 | |
CN114742874A (zh) | 一种基于激光与视觉异步融合的slam算法 | |
CN114494329B (zh) | 用于移动机器人在非平面环境自主探索的导引点选取方法 | |
Caracciolo et al. | Autonomous navigation system from simultaneous localization and mapping | |
Sharma et al. | Proxmap: Proximal occupancy map prediction for efficient indoor robot navigation | |
CN117389305A (zh) | 一种无人机巡检路径规划方法、系统、设备及介质 | |
CN116352722A (zh) | 多传感器融合的矿山巡检救援机器人及其控制方法 | |
CN116380039A (zh) | 一种基于固态激光雷达和点云地图的移动机器人导航系统 | |
Li et al. | A SLAM with simultaneous construction of 2D and 3D maps based on Rao-Blackwellized particle filters | |
CN113313827B (zh) | 一种基于连续置信度分布的机器人建图方法 | |
Huang et al. | Synchronized 2d slam and 3d mapping based on three wheels omni-directional mobile robot | |
CN114202567A (zh) | 一种基于视觉的点云处理避障方法 | |
Li et al. | Object-aware view planning for autonomous 3-D model reconstruction of buildings using a mobile robot | |
Harle et al. | Using personnel movements for indoor autonomous environment discovery |
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 |