CN111582385B - Slam质量的量化方法、系统、计算机设备和存储介质 - Google Patents

Slam质量的量化方法、系统、计算机设备和存储介质 Download PDF

Info

Publication number
CN111582385B
CN111582385B CN202010390675.7A CN202010390675A CN111582385B CN 111582385 B CN111582385 B CN 111582385B CN 202010390675 A CN202010390675 A CN 202010390675A CN 111582385 B CN111582385 B CN 111582385B
Authority
CN
China
Prior art keywords
pose
slam
acquiring
error
preset
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010390675.7A
Other languages
English (en)
Other versions
CN111582385A (zh
Inventor
王成
刘海伟
丛林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Yixian Advanced Technology Co ltd
Original Assignee
Hangzhou Yixian Advanced Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Yixian Advanced Technology Co ltd filed Critical Hangzhou Yixian Advanced Technology Co ltd
Priority to CN202010390675.7A priority Critical patent/CN111582385B/zh
Publication of CN111582385A publication Critical patent/CN111582385A/zh
Application granted granted Critical
Publication of CN111582385B publication Critical patent/CN111582385B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • User Interface Of Digital Computer (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种SLAM质量的量化方法、系统、计算机设备和存储介质，其中，该量化方法包括：通过跟踪设备获取预设时刻的AR物体的第一实际位姿；并获取以该预设时刻为起点的，间隔预设间隔时间的第二实际位姿；通过SLAM算法获取该预设时刻的所述AR物体的第一估计位姿；并获取以该预设时刻为起点的，间隔所述预设间隔时间的第二估计位姿；根据该第一实际位姿、该第二实际位姿、该第一估计位姿和该第二估计位姿，以该预设间隔时间为自变量，获取该AR物体的第一相对平移误差；根据该第一相对平移误差获取SLAM质量的第一量化指标。通过本申请，解决了SLAM质量的量化精度较低的问题。

Description

SLAM质量的量化方法、系统、计算机设备和存储介质
技术领域
本申请涉及增强现实技术领域，特别是涉及SLAM质量的量化方法、系统、计算机设备和存储介质。
背景技术
增强现实(Augmented Reality，简称为AR)技术是通过带有视觉传感器的设备实现在物理真实场景中添加并显示虚拟信息，实现现实和虚拟场景的交互。AR技术中通常使用同时定位与建图(Simultaneous localization and mapping，简称为SLAM)算法，在真实场景中构建三维地图，并对传感设备进行即时定位；因此，对SLAM质量的量化评估影响到了AR定位。在相关技术中，通常通过里程计轨迹评估(odometry metric)的绝对平移误差和相对平移误差实现对SLAM质量的量化。然而，相关技术中的绝对平移误差只能评估整个AR过程结束后，SLAM算法整体的误差，而相对平移误差只能描述所有相邻两帧之间的误差平均值，并且，相关技术中的相对平移误差没有量化的“抖动”“跳变”等AR领域关心的用户体验，从而导致SLAM质量的量化精度较低。
针对相关技术中，SLAM质量的量化精度较低的问题，目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种SLAM质量的量化方法、系统、计算机设备和存储介质，以至少解决相关技术中SLAM质量的量化精度较低的的问题。
第一方面，本申请实施例提供了一种SLAM质量的量化方法，所述方法包括：
通过跟踪设备获取预设时刻的增强现实AR物体的第一实际位姿；并通过所述跟踪设备获取以所述预设时刻为起点，间隔预设间隔时间的第二实际位姿；
通过SLAM算法获取所述预设时刻的所述AR物体的第一估计位姿；并通过所述SLAM算法获取以所述预设时刻为起点的，间隔所述预设间隔时间的第二估计位姿；
根据所述第一实际位姿、所述第二实际位姿、所述第一估计位姿和所述第二估计位姿，以所述预设间隔时间为自变量，获取所述AR物体的第一相对平移误差；
根据所述第一相对平移误差获取SLAM质量的第一量化指标。
在其中一些实施例中，所述方法还包括：
获取终端设备的第二相对平移误差在预设阈值范围内的第一均方根误差，根据所述第一均方根误差确定所述终端设备的抖动值；
获取所述第二相对平移误差大于或者等于预设阈值的累计值，并根据所述累计值和总帧数获取跳变率；
根据所述抖动值和所述跳变率获取所述SLAM质量的第二量化指标。
在其中一些实施例中，所述方法还包括：
获取所述跟踪设备和所述终端设备之间的全局位姿序列；
将用户设置的初始化时间作为自变量，根据所述全局位姿序列获取所述初始化时间的绝对平移误差；
根据所述绝对平移误差获取所述SLAM质量的第三量化指标。
在其中一些实施例中，获取所述SLAM质量的所述第一量化指标、所述第二量化指标和所述第三量化指标之后，所述方法还包括：
根据所述第一量化指标、所述第二量化指标和所述第三量化指标，对所述SLAM算法进行优化。
在其中一些实施例中，所述根据所述第一实际位姿、所述第二实际位姿、所述第一估计位姿和所述第二估计位姿，以所述预设间隔时间为自变量，获取所述AR物体的第一相对平移误差包括：
根据所述第一实际位姿、所述第二实际位姿、所述第一估计位姿和所述第二估计位姿，获取所述预设间隔时间的相对位姿误差；
获取所述相对位姿误差中的平移误差，并获取所述相对平移误差的第二均方根误差，根据所述第二均方根误差获取所述第一相对平移误差。
第二方面，本申请实施例提供了一种SLAM质量的量化系统，其特征在于，所述系统包括：控制装置和跟踪设备；
所述控制装置接收所述跟踪设备获取的预设时刻AR物体的第一实际位姿；并接收所述跟踪设备获取的以所述预设时刻为起点的，间隔预设间隔时间的第二实际位姿；
所述控制装置通过SLAM算法获取所述预设时刻的所述AR物体的第一估计位姿；所述控制装置通过所述SLAM算法获取以所述预设时刻为起点的，间隔所述预设间隔时间的第二估计位姿；
所述控制装置根据所述第一实际位姿、所述第二实际位姿、所述第一估计位姿和所述第二估计位姿，以所述预设间隔时间为自变量，获取AR物体的第一相对平移误差；
所述控制装置根据所述第一相对平移误差获取SLAM质量的第一量化指标。
在其中一些实施例中，所述系统还包括终端设备；
所述控制装置还用于获取所述终端设备的第二相对平移误差在预设阈值范围内的第一均方根误差，所述控制装置根据所述第一均方根误差确定所述终端设备的抖动值；
所述控制装置获取所述第二相对平移误差大于或者等于预设阈值的累计值，并根据所述累计值和总帧数获取跳变率；
所述控制装置根据所述抖动值和所述跳变率获取所述SLAM质量的第二量化指标。
在其中一些实施例中，所述控制装置还用于获取跟踪设备和终端设备之间的全局位姿序列；
所述控制装置将用户设置的初始化时间作为自变量，根据所述全局位姿序列获取所述初始化时间的绝对平移误差；
所述控制装置根据所述绝对平移误差获取所述SLAM质量的第三量化指标。
第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的SLAM质量的量化方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一方面所述的SLAM质量的量化方法。
相比于相关技术，本申请实施例提供的SLAM质量的量化方法、系统、计算机设备和存储介质，通过跟踪设备获取预设时刻的AR物体的第一实际位姿；并获取以该预设时刻为起点的，间隔预设间隔时间的第二实际位姿；通过SLAM算法获取该预设时刻的所述AR物体的第一估计位姿；并获取以该预设时刻为起点的，间隔所述预设间隔时间的第二估计位姿；根据该第一实际位姿、该第二实际位姿、该第一估计位姿和该第二估计位姿，以该预设间隔时间为自变量，获取该AR物体的第一相对平移误差；根据该第一相对平移误差获取SLAM质量的第一量化指标，解决了SLAM质量的量化精度较低的问题。
本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为根据本申请实施例的SLAM质量量化方法的流程图一；
图2为根据本申请实施例的SLAM质量量化方法的流程图二；
图3为根据本申请实施例的SLAM质量量化方法的流程图三；
图4为根据本申请实施例的SLAM质量量化方法的流程图四；
图5为根据本申请实施例的SLAM质量量化系统的结构框图一；
图6为根据本申请实施例的SLAM质量量化系统的结构框图二；
图7为根据本申请实施例的计算机设备的硬件结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”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。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。
在本实施例中，提供了一种SLAM质量的量化方法。图1为根据本申请实施例的SLAM质量量化方法的流程图一，如图1所示，该流程包括如下步骤：
步骤S102，通过跟踪设备获取预设时刻的AR物体的第一实际位姿；并获取以该预设时刻为起点的，间隔预设间隔时间的第二实际位姿；其中，该预设时刻可以为用户设置的定值；该预设间隔时间为用户设置的变化值；该跟踪设备可以为惯性跟踪器、超声波跟踪器、光学跟踪系统(optical tracking system，简称为OTS)或其他可以定位目标物体位置的跟踪设备；例如，在该跟踪设备为OTS的情况下，可以通过该OTS追踪观测到任意时刻AR物体的实际位姿；由于该OTS精度较高，因此通过该OTS获取到的实际位姿误差较小。
步骤S104，通过SLAM算法获取该预设时刻的该AR物体的第一估计位姿；并获取以该预设时刻为起点的，间隔该预设间隔时间的第二估计位姿。
步骤S106，根据该第一实际位姿、该第二实际位姿、该第一估计位姿和该第二估计位姿，以该预设间隔时间为自变量，获取该预设间隔时间的相对位姿误差。其中，该相对位姿误差Ej的计算公式如公式1所示：
其中，为该第一实际位姿，/>为该第二实际位姿，Ti为该第一估计位姿，Ti+j为该第二估计位姿；公式1与相关技术中的相对位姿误差求解公式的区别在于，相关技术中以起始时刻为自变量；而本申请实施例中的公式1以该预设间隔时间为自变量，用户设置的预设时刻即起始时刻保持不变，因此可以将AR物体的起始时刻的实际位姿作为锚(anchor)，从而实现基于anchor的AR误差评估算法。
然后获取该相对位姿误差中的平移误差，并获取该平移误差的第二均方根误差，该第二均方根误差的计算公式如公式2所示：
则该第二均方根误差rdrift_trans即为该AR物体的第一相对平移误差。
步骤S108，将该第一相对平移误差作为SLAM质量的第一量化指标；其中，该第一量化指标指示当前时刻AR物体的误差结果。
在相关技术中，通常只能评估整个AR过程结束后SLAM算法整体的误差，对用户体验的量化很模糊。而本申请实施例通过上述步骤S102至步骤S108，在分别通过跟踪设备获取实际位姿，以及通过SLAM算法获取估计位姿的情况下，以预设间隔时间为自变量，获取AR物体的第一相对平移误差，并将该第一相对平移误差作为SLAM质量的第一量化指标，在每次渲染中都评估了当前时刻AR物体的误差，从而实现了每时每刻都对AR物体的精度进行评估，解决了SLAM质量的量化精度较低的问题，并且更能反应AR定位算法的效果对用户体验的影响。
在其中一些实施例中，提供了一种SLAM质量的量化方法。图2为根据本申请实施例的SLAM质量量化方法的流程图二，如图2所示，该流程包括如下步骤：
步骤S202，获取终端设备的第二相对平移误差；该第二相对平移误差的计算公式如公式3所示：
其中，在公式3中以起始时间i为自变量，并将获取的该第一实际位姿、该第二实际位姿、该第一估计位姿和该第二估计位姿代入公式3，从而求解得到一系列实际位姿和估计位姿之间的第二相对平移误差。
获取该第二相对平移误差在预设阈值范围内的第一均方根误差，根据该第一均方根误差确定该终端设备的抖动值；其中，该抖动值rjitter的计算公式如公式4所示：
rjitter＝RMSE(||transEi||,i∈(1≤||(Ei)||≤u)) 公式4
则该预设阈值范围可以为大于或等于1，且小于或等于u，即对该预设阈值范围内的帧数求解该第二相对平移误差，并代入公式4求解获得该第一均方根误差。其中，该预设阈值范围的下限l可以由用户进行设置，例如可以设置为1mm或0mm；同时，该预设阈值范围的上限u也可以由用户根据实际情况进行设置，例如，在AR系统的成像位置与用户间隔距离为20m的情况下，该用户可以将u设置为10cm；或者，在该成像位置与该用户的间隔距离为1m的情况下，该用户可以将u设置为1mm。
步骤S204，获取该第二相对平移误差大于或者等于该预设阈值的累计值，根据总帧数和该累计值获取跳变率；其中，该跳变率rjerk的计算公式如公式5所示：
其中，sign(||(Ei)||>u))表示在第二相对平移误差的范数大于u的情况下取值为1，则可以通过公式5对该第二相对平移误差大于u的帧数累计求和，并求解累计值和总帧数N的比值，从而获取该跳变率。
步骤S206，根据该抖动值和该跳变率获取该SLAM质量的第二量化指标；其中，该第二量化指标指示AR轨迹的平滑程度。
相关技术中，通常对t＝0，…，i(i是当前时刻)中的每个i，都通过绝对平移误差评估AR系统从开始到当前时刻的平均误差，因为误差数值被较长的时间窗口平均了，导致无法较好地反应某一时刻的偶然“跳变”；而本申请实施例通过上述步骤S202至步骤S206，对在预设阈值范围内的终端设备的第二相对平移误差求解均方根误差，进而确定该终端设备的抖动值，并对大于预设阈值的该第二相对平移误差进行累计，求解得到跳变率，从而对抖动和跳变进行了量化，并与该第一量化指标综合量化了用户体验的不同方面，进一步提高了SLAM质量的量化精度。
在其中一些实施例中，提供了一种SLAM质量的量化方法。图3为根据本申请实施例的SLAM质量量化方法的流程图三，如图3所示，该流程包括如下步骤：
步骤S302，获取该跟踪设备和该终端设备之间的全局位姿序列；其中，该全局位姿序列即从一系列变化的初始化时间到结束时间的这一时间区间内的所有全局位姿。
步骤S304，将用户设置的初始化时间作为自变量，根据该全局位姿序列获取绝对平移误差；其中，该初始化时间为用户启动AR系统后，到正常体验AR的一段时间；该绝对平移误差rinit(t)的计算公式如公式6所示：
其中，T表示该全局位姿变换，该全局位姿变换可以通过跟踪设备和该终端设备之间的时空标定确定；pi表示位姿的平移(translation)部分，因此该绝对平移误差rinit(t)的单位是m。通过公式6，首先确定一系列该全局位姿变换中初始化时间为t的估计位姿和实际位姿的均方根误差，然后确定这一系列均方根误差中的最小值，该最小值即为要求解的绝对平移误差，也就是AR定位精度。
步骤S306，将该绝对平移误差作为该SLAM质量的第三量化指标；其中，该第三量化指标指示AR系统初始化时间的量化结果。AR的定位算法，一般都需要短时间的初始化，正常情况下，定位算法初始化时间越长，初始化结束后的定位效果越好，AR效果越稳定。
在相关技术中，通过绝对平移误差和相对平移误差都没办法评估初始化时长和定位精度的关系；而本申请实施例通过上述步骤S302至步骤S306，以初始化时间为自变量，将获得的全局位姿变换代入公式6，求解获得该初始化时间的绝对平移误差，从而量化了初始化时长和定位精度的关系，进一步提高了SLAM质量的量化精度。
在其中一些实施例中，提供了一种SLAM质量的量化方法。图4为根据本申请实施例的SLAM质量量化方法的流程图四，如图4所示，该流程包括如下步骤：
步骤S402，根据该第一量化指标、该第二量化指标和该第三量化指标，对该SLAM算法进行优化；其中，该第一量化指标可以判断应用于anchor AR场景的SLAM算法的绝对精度；该第二量化指标可以判断SLAM算法的稳定性；该第三量化指标可以判断SLAM算法的初始化收敛速度；因此可以由用户设置与不同量化指标相匹配的误差阈值，在该量化指标大于该误差阈值的情况下，针对该量化指标对SLAM算法进行相应的算法优化处理。通过上述步骤S402，通过不同维度，根据用户体验对轨迹进行误差量化评估，并根据量化结果对该SLAM算法进行优化，从而提高SLAM算法的评估的准确性，提高了用户体验。
应该理解的是，虽然图1至图4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1至图4中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。例如，图2中可以先执行步骤S108获取第一量化指标，再执行步骤S202获取抖动值；或者，图2中也可以先获取步骤S202的抖动值，再执行步骤S106获取第一相对平移误差。
在本实施例中，提供了一种SLAM质量的量化系统，图5为根据本申请实施例的SLAM质量量化系统的结构框图一，如图5所示，该系统包括：控制装置52和跟踪设备54。
该控制装置52通过该跟踪设备54获取预设时刻AR物体的第一实际位姿；并获取以该预设时刻为起点的，间隔预设间隔时间的第二实际位姿；该控制装置52通过SLAM算法获取该预设时刻的该AR物体的第一估计位姿；并获取以该预设时刻为起点的，间隔该预设间隔时间的第二估计位姿；该控制装置52根据该第一实际位姿、该第二实际位姿、该第一估计位姿和该第二估计位姿，以该预设间隔时间为自变量，获取AR物体的第一相对平移误差；该控制装置52根据该第一相对平移误差获取SLAM质量的第一量化指标。
通过上述实施例，在分别通过跟踪设备54获取实际位姿，以及通过SLAM算法获取估计位姿的情况下，该控制装置52以预设间隔时间为自变量，获取AR物体的第一相对平移误差，并将该第一相对平移误差作为SLAM质量的第一量化指标，在每次渲染中都评估了当前时刻AR物体的误差，从而实现了每时每刻都对AR物体的精度进行评估，解决了SLAM质量的量化精度较低的问题，并且更能反应AR定位算法的效果对用户体验的影响。
在其中一些实施例中，提供了一种SLAM质量的量化系统，图6为根据本申请实施例的SLAM质量量化系统的结构框图二，如图6所示，该系统还包括终端设备62；该控制装置52还用于获取该终端设备62的第二相对平移误差在预设阈值范围内的第一均方根误差，根据该第一均方根误差确定该终端设备62的抖动值；该控制装置52获取该第二相对平移误差大于或者等于该预设阈值的累计值，根据该第二相对平移误差的总量和该累计值获取跳变率；该控制装置52根据该抖动值和该跳变率获取该SLAM质量的第二量化指标。
在其中一些实施例中，该控制装置52还用于获取该跟踪设备54和该终端设备62之间的全局位姿序列；将用户设置的初始化时间作为自变量，根据该全局位姿序列获取绝对平移误差；根据该绝对平移误差获取该SLAM质量的第三量化指标。
在其中一些实施例中，该控制装置52还用于根据该第一量化指标、该第二量化指标和该第三量化指标，对该SLAM算法进行优化。
在其中一些实施例中，该控制装置52还用于根据该第一实际位姿、该第二实际位姿、该第一估计位姿和该第二估计位姿，获取该预设间隔时间的相对位姿误差；该控制装置52获取该相对位姿误差中的平移误差，并获取该相对平移误差的第二均方根误差，根据该第二均方根误差获取该第一相对平移误差。
另外，结合图1描述的本申请实施例SLAM质量的量化方法可以由计算机设备来实现。图7为根据本申请实施例的计算机设备的硬件结构示意图。
该计算机设备可以包括处理器72以及存储有计算机程序指令的存储器74。
具体地，上述处理器72可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中，存储器74可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器74可包括硬盘驱动器(Hard Disk Drive，简称为HDD)、软盘驱动器、固态驱动器(SolidState Drive，简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(Universal SerialBus，简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器74可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器74可在数据处理装置的内部或外部。在特定实施例中，存储器74是非易失性(Non-Volatile)存储器。在特定实施例中，存储器74包括只读存储器(Read-Only Memory，简称为ROM)和随机存取存储器(RandomAccess Memory，简称为RAM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(Programmable Read-Only Memory，简称为PROM)、可擦除PROM(Erasable ProgrammableRead-Only Memory，简称为EPROM)、电可擦除PROM(Electrically Erasable ProgrammableRead-Only Memory，简称为EEPROM)、电可改写ROM(Electrically Alterable Read-OnlyMemory，简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下，该RAM可以是静态随机存取存储器(Static Random-Access Memory，简称为SRAM)或动态随机存取存储器(Dynamic Random Access Memory，简称为DRAM)，其中，DRAM可以是快速页模式动态随机存取存储器(Fast Page Mode Dynamic Random Access Memory，简称为FPMDRAM)、扩展数据输出动态随机存取存储器(Extended Date Out Dynamic RandomAccess Memory，简称为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory，简称SDRAM)等。
存储器74可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器72所执行的可能的计算机程序指令。
处理器72通过读取并执行存储器74中存储的计算机程序指令，以实现上述实施例中的任意一种SLAM质量的量化方法。
在其中一些实施例中，计算机设备还可包括通信接口76和总线78。其中，如图7所示，处理器72、存储器74、通信接口76通过总线78连接并完成相互间的通信。
通信接口76用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。通信接口76还可以实现与其他部件例如：外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。
总线78包括硬件、软件或两者，将计算机设备的部件彼此耦接在一起。总线78包括但不限于以下至少之一：数据总线(Data Bus)、地址总线(Address Bus)、控制总线(Control Bus)、扩展总线(Expansion Bus)、局部总线(Local Bus)。举例来说而非限制，总线78可包括图形加速接口(Accelerated Graphics Port，简称为AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture，简称为EISA)总线、前端总线(Front Side Bus，简称为FSB)、超传输(Hyper Transport，简称为HT)互连、工业标准架构(Industry Standard Architecture，简称为ISA)总线、无线带宽(InfiniBand)互连、低引脚数(Low Pin Count，简称为LPC)总线、存储器总线、微信道架构(Micro ChannelArchitecture，简称为MCA)总线、外围组件互连(Peripheral Component Interconnect，简称为PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(Serial AdvancedTechnology Attachment，简称为SATA)总线、视频电子标准协会局部(Video ElectronicsStandards Association Local Bus，简称为VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线78可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。
该计算机设备可以基于获取到的实际位姿和估计位姿，执行本申请实施例中的SLAM质量的量化方法，从而实现结合图1描述的SLAM质量的量化方法。
另外，结合上述实施例中的SLAM质量的量化方法，本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种SLAM质量的量化方法。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (8)

1.一种SLAM质量的量化方法，其特征在于，所述方法包括：
通过跟踪设备获取预设时刻的增强现实AR物体的第一实际位姿；并通过所述跟踪设备获取以所述预设时刻为起点，间隔预设间隔时间的第二实际位姿；
通过同时定位与建图SLAM算法获取所述预设时刻的所述AR物体的第一估计位姿；并通过所述SLAM算法获取以所述预设时刻为起点的，间隔所述预设间隔时间的第二估计位姿；
根据所述第一实际位姿、所述第二实际位姿、所述第一估计位姿和所述第二估计位姿，以所述预设间隔时间为自变量，获取所述AR物体的第一相对平移误差；
根据所述第一相对平移误差获取SLAM质量的第一量化指标；
获取终端设备的第二相对平移误差在预设阈值范围内的第一均方根误差，根据所述第一均方根误差确定所述终端设备的抖动值；
获取所述第二相对平移误差大于或者等于预设阈值的累计值，并根据所述累计值和总帧数获取跳变率；
根据所述抖动值和所述跳变率获取所述SLAM质量的第二量化指标。
2.根据权利要求1所述的量化方法，其特征在于，所述方法还包括：
获取所述跟踪设备和所述终端设备之间的全局位姿序列；
将用户设置的初始化时间作为自变量，根据所述全局位姿序列获取绝对平移误差；
根据所述绝对平移误差获取所述SLAM质量的第三量化指标。
3.根据权利要求2所述的量化方法，其特征在于，获取所述SLAM质量的所述第一量化指标、所述第二量化指标和所述第三量化指标之后，所述方法还包括：
根据所述第一量化指标、所述第二量化指标和所述第三量化指标，对所述SLAM算法进行优化。
4.根据权利要求1所述的量化方法，其特征在于，所述根据所述第一实际位姿、所述第二实际位姿、所述第一估计位姿和所述第二估计位姿，以所述预设间隔时间为自变量，获取所述AR物体的第一相对平移误差包括：
根据所述第一实际位姿、所述第二实际位姿、所述第一估计位姿和所述第二估计位姿，获取所述预设间隔时间的相对位姿误差；
获取所述相对位姿误差中的平移误差，并获取所述相对平移误差的第二均方根误差，根据所述第二均方根误差获取所述第一相对平移误差。
5.一种SLAM质量的量化系统，其特征在于，所述系统包括：控制装置、跟踪设备和终端设备；
所述控制装置接收所述跟踪设备获取的预设时刻AR物体的第一实际位姿；并接收所述跟踪设备获取的以所述预设时刻为起点的，间隔预设间隔时间的第二实际位姿；
所述控制装置通过SLAM算法获取所述预设时刻的所述AR物体的第一估计位姿；所述控制装置通过所述SLAM算法获取以所述预设时刻为起点的，间隔所述预设间隔时间的第二估计位姿；
所述控制装置根据所述第一实际位姿、所述第二实际位姿、所述第一估计位姿和所述第二估计位姿，以所述预设间隔时间为自变量，获取AR物体的第一相对平移误差；
所述控制装置根据所述第一相对平移误差获取SLAM质量的第一量化指标；
所述控制装置还用于获取所述终端设备的第二相对平移误差在预设阈值范围内的第一均方根误差，所述控制装置根据所述第一均方根误差确定所述终端设备的抖动值；
所述控制装置获取所述第二相对平移误差大于或者等于预设阈值的累计值，并根据所述累计值和总帧数获取跳变率；
所述控制装置根据所述抖动值和所述跳变率获取所述SLAM质量的第二量化指标。
6.根据权利要求5所述的量化系统，其特征在于，所述控制装置还用于获取跟踪设备和终端设备之间的全局位姿序列；
所述控制装置将用户设置的初始化时间作为自变量，根据所述全局位姿序列换获取绝对平移误差；
所述控制装置根据所述绝对平移误差获取所述SLAM质量的第三量化指标。
7.一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4中任一项所述的量化方法。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至4中任一项所述的量化方法。
CN202010390675.7A 2020-05-11 2020-05-11 Slam质量的量化方法、系统、计算机设备和存储介质 Active CN111582385B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010390675.7A CN111582385B (zh) 2020-05-11 2020-05-11 Slam质量的量化方法、系统、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010390675.7A CN111582385B (zh) 2020-05-11 2020-05-11 Slam质量的量化方法、系统、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN111582385A CN111582385A (zh) 2020-08-25
CN111582385B true CN111582385B (zh) 2023-10-31

Family

ID=72115349

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010390675.7A Active CN111582385B (zh) 2020-05-11 2020-05-11 Slam质量的量化方法、系统、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN111582385B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112069445A (zh) * 2020-08-31 2020-12-11 长春工业大学 一种2d slam算法评估及量化方法
CN112967405A (zh) * 2021-03-23 2021-06-15 深圳市商汤科技有限公司 虚拟物体的位姿更新方法、装置、设备以及存储介质
CN113654566A (zh) * 2021-07-27 2021-11-16 上海智能网联汽车技术中心有限公司 路侧系统的定位性能评估方法、存储介质及车路协同系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105699991A (zh) * 2016-01-05 2016-06-22 湖南中森通信科技有限公司 一种基于跳变点阈值判决的自适应载波精度算法
CN108734736A (zh) * 2018-05-22 2018-11-02 腾讯科技（深圳）有限公司 相机姿态追踪方法、装置、设备及存储介质
CN108765563A (zh) * 2018-05-31 2018-11-06 北京百度网讯科技有限公司 基于ar的slam算法的处理方法、装置及设备
CN109934130A (zh) * 2019-02-28 2019-06-25 中国空间技术研究院 基于深度学习的卫星故障在轨实时故障诊断方法及系统
WO2019205842A1 (zh) * 2018-04-27 2019-10-31 腾讯科技（深圳）有限公司 相机姿态追踪过程的重定位方法、装置及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11397088B2 (en) * 2016-09-09 2022-07-26 Nanyang Technological University Simultaneous localization and mapping methods and apparatus

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105699991A (zh) * 2016-01-05 2016-06-22 湖南中森通信科技有限公司 一种基于跳变点阈值判决的自适应载波精度算法
WO2019205842A1 (zh) * 2018-04-27 2019-10-31 腾讯科技（深圳）有限公司 相机姿态追踪过程的重定位方法、装置及存储介质
CN108734736A (zh) * 2018-05-22 2018-11-02 腾讯科技（深圳）有限公司 相机姿态追踪方法、装置、设备及存储介质
CN108765563A (zh) * 2018-05-31 2018-11-06 北京百度网讯科技有限公司 基于ar的slam算法的处理方法、装置及设备
CN109934130A (zh) * 2019-02-28 2019-06-25 中国空间技术研究院 基于深度学习的卫星故障在轨实时故障诊断方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Jürgen Sturm等.A benchmark for the evaluation of RGB-D SLAM systems.2012 IEEE/RSJ International Conference on Intelligent Robots and Systems.2012,第573-580页. *
Rainer Kümmerle等.On Measuring the Accuracy of SLAM Algorithms.Autonomous Robots.2009,第27卷(第4期),第387-407页. *
赵嘉珩 ; 罗霄 ; 钟心亮 ; 韩宝铃 ; 黄羽童 ; .一种融合点线特征的视觉里程计架构设计与定位实现.北京理工大学学报.2019,(第05期),全文. *

Also Published As

Publication number Publication date
CN111582385A (zh) 2020-08-25

Similar Documents

Publication Publication Date Title
CN111582385B (zh) Slam质量的量化方法、系统、计算机设备和存储介质
CN112560876B (zh) 解耦度量的单阶段小样本目标检测方法
KR102335702B1 (ko) 도메인 적응형 의미론적 영상 분할 장치 및 방법
CN109990783B (zh) 一种机器人运动路径规划方法、机器人及存储介质
US20140140576A1 (en) Object detection apparatus detection method and program
CN112749726B (zh) 目标检测模型的训练方法、装置、计算机设备和存储介质
CN111914878A (zh) 特征点跟踪训练及跟踪方法、装置、电子设备及存储介质
JP2022540101A (ja) ポジショニング方法及び装置、電子機器、コンピュータ読み取り可能な記憶媒体
CN111462089B (zh) 基于光学动捕系统的虚拟场景精度测试方法及相关设备
US8644697B1 (en) Method for progressively determining depth from defocused images
CN110717593B (zh) 神经网络训练、移动信息测量、关键帧检测的方法及装置
CN114543797A (zh) 位姿预测方法和装置、设备、介质
CN110428461B (zh) 结合深度学习的单目slam方法及装置
CN111553474A (zh) 船只检测模型训练方法及基于无人机视频的船只跟踪方法
KR20210055260A (ko) 다양한 시점에서 연속적으로 획득된 영상을 활용한 카메라 자세 및 깊이 추정 장치 및 방법
CN112270748B (zh) 基于图像的三维重建方法及装置
US20110141274A1 (en) Depth Detection Method and System Using Thereof
CN112802080A (zh) 基于深度学习的单目绝对深度估计方法和装置
JP2018120402A (ja) イベント検出装置、イベント検出方法、プログラム
CN106416244A (zh) 运动场估计
CN114972465A (zh) 图像目标深度的检测方法、装置、电子设备和存储介质
CN114417946A (zh) 目标检测方法及装置
KR102682069B1 (ko) 깊이맵 채움 장치 및 방법
AU2017300877B2 (en) Method and device for aiding the navigation of a vehicle
CN112561956A (zh) 视频目标跟踪方法、装置、电子设备及存储介质

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