CN111637897B - 地图的更新方法、更新装置、存储介质以及处理器 - Google Patents
地图的更新方法、更新装置、存储介质以及处理器 Download PDFInfo
- Publication number
- CN111637897B CN111637897B CN201910156751.5A CN201910156751A CN111637897B CN 111637897 B CN111637897 B CN 111637897B CN 201910156751 A CN201910156751 A CN 201910156751A CN 111637897 B CN111637897 B CN 111637897B
- Authority
- CN
- China
- Prior art keywords
- data corresponding
- data
- map
- area
- obvious change
- 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
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
- G01C21/30—Map- or contour-matching
- G01C21/32—Structuring or formatting of map data
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Instructional Devices (AREA)
Abstract
本申请提供了一种地图的更新方法、更新装置、存储介质以及处理器。该更新方法包括:接收明显变化区域对应的数据,明显变化区域为与已知地图之间无视觉回环的区域,且明显变化区域的任意一个相邻区域与已知地图之间具有视觉回环;将明显变化区域对应的数据合并到已知地图对应的数据中,得到更新的地图。更新方法中,将明显变化区域对应的数据合并至已知地图对应的数据中,即将环境明显变化的区域合并到视觉地图中,得到更新的地图,该地图与实际环境更加接近,使得定位结果可以满足自主导航精度的要求,从而提升在环境明显变化场景下的重定位效果,当该更新方法应用在机器人领域中,可以提高机器人自主导航定位的鲁棒性。
Description
技术领域
本申请涉及图像处理领域,具体而言,涉及一种地图的更新方法、更新装置、存储介质以及处理器。
背景技术
目前,室内环境定位大多依靠低成本的视觉即时定位与地图构建(VisualSimultaneous Localization And Mapping,VSLAM)技术,其中,依赖于地图的VSLAM定位结果易受环境变化影响,例如在光线变化明显、场景纹理变化的情况下,视觉重定位频率降低,导致定位结果往往满足不了自主导航精度的需求。
在背景技术部分中公开的以上信息只是用来加强对本文所描述技术的背景技术的理解,因此,背景技术中可能包含某些信息,这些信息对于本领域技术人员来说并未形成在本国已知的现有技术。
发明内容
本申请的主要目的在于提供一种地图的更新方法、更新装置、存储介质以及处理器,以解决现有技术中的依赖于地图的VSLAM的定位结果易受环境变化影响,从而导致定位结果难以满足自主导航精度需求的问题。
为了实现上述目的,根据本申请的一个方面,提供了一种地图的更新方法,该更新方法包括:接收明显变化区域对应的数据,所述明显变化区域为与已知地图之间无视觉回环的区域,且所述明显变化区域的任意一个相邻区域与所述已知地图之间具有视觉回环;将所述明显变化区域对应的数据合并到所述已知地图对应的数据中,得到更新的地图。
进一步地,所述将所述明显变化区域对应的数据合并到所述已知地图对应的数据中包括:将所述明显变化区域对应的数据进行优化处理,得到优化裸数据;基于所述优化裸数据与已知地图对应的数据计算三维稀疏点云;根据所述三维稀疏点云得到更新的所述地图。
进一步地,在得到所述优化裸数据之前,所述将所述明显变化区域对应的数据合并到所述已知地图对应的数据中还包括:删除所述明显变化区域对应的数据中的第一类数据,其中,所述第一类数据与所述已知地图对应的数据的回环检测的成功次数小于第一预定次数,和/或所述第一类数据与所述明显变化区域对应的数据中的其他数据的回环检测的成功次数小于第二预定次数;和/或删除所述明显变化区域对应的数据中的第二类数据,其中,所述第二类数据与所述已知地图对应的数据的回环检测的成功概率大于第一预定概率,和/或所述第二类数据与所述明显变化区域对应的数据中的其他数据的回环检测的成功概率大于第二预定概率。
进一步地,所述将所述明显变化区域对应的数据合并到所述已知地图对应的数据中还包括:删除所述已知地图对应的数据中在预定时间内不被使用的视觉特征数据。
进一步地,所述基于所述优化裸数据与已知地图对应的数据计算三维稀疏点云包括:基于所述优化裸数据中的视觉关联数据、所述优化裸数据中的视觉特征数据、所述优化裸数据中的IMU数据和所述优化裸数据中的里程计数据、所述已知地图对应的数据中的视觉关联数据、所述已知地图对应的数据中的视觉特征数据、所述已知地图对应的数据中的IMU数据、所述已知地图对应的数据中的里程计数据以及所述优化裸数据和所述已知地图对应的数据的视觉关联数据计算所述三维稀疏点云,其中,所述IMU数据为惯性测量单元测量得到的数据,所述里程计数据为里程计测量得到的数据。
进一步地,所述根据所述三维稀疏点云得到更新的所述地图包括:删除所述三维稀疏点云中的与相邻的点云的关联度小于第一阈值的点云;删除所述三维稀疏点云中相似度大于第二阈值的多个轨迹中的至少一个轨迹,以保留所述多个轨迹中的一个所述轨迹;根据删除部分所述点云和部分所述轨迹后的所述三维稀疏点云导出更新的所述地图。
进一步地,所述明显变化区域的面积大于预定面积,且所述明显变化区域的任意一个相邻区域与所述已知地图的连续回环检测的成功次数大于或者等于第三预定次数,所述预定面积大于0,所述第三预定次数大于1。
进一步地,所述明显变化区域有多个且均与预定已知地图关联,在将所述明显变化区域对应的数据合并到所述已知地图对应的数据中之前,所述更新方法还包括:删除多个所述明显变化区域对应的数据中重复的数据,得到整合后的所述明显变化区域对应的数据,在所述将所述明显变化区域对应的数据合并到所述已知地图对应的数据中的过程中,将整合后的所述明显变化区域对应的数据合并到所述预定已知地图对应的数据中。
根据本申请的另一方面,提供了一种地图的更新方法,所述更新方法包括:步骤S201,获取当前区域对应的数据;步骤S202,删除所述当前区域对应的数据中的部分和/或已知地图对应的数据中的部分;步骤S203,至少利用回环检测将所述当前区域对应的数据合并到所述已知地图对应的数据中,得到更新的地图。
根据本申请的另一方面,提供了一种地图的更新方法,所述更新方法包括:利用回环检测当前区域是否为明显变化区域,所述明显变化区域为与已知地图之间无视觉回环的区域,且所述明显变化区域的任意一个相邻区域与所述已知地图之间具有视觉回环;在当前区域为所述明显变化区域的情况下,存储所述明显变化区域对应的数据;接收更新的地图,更新的所述地图为将所述明显变化区域对应的数据合并到所述已知地图对应的数据中得到的。
根据本申请的再一方面,提供了一种地图的更新装置,所述更新装置包括:接收单元,用于接收明显变化区域对应的数据,所述明显变化区域为与已知地图之间无视觉回环的区域,且所述明显变化区域的任意一个相邻区域与所述已知地图之间具有视觉回环;合并单元,用于将所述明显变化区域对应的数据合并到所述已知地图对应的数据中,得到更新的地图。
根据本申请的另一方面,提供了一种存储介质,所述存储介质包括存储的程序,其中,所述程序执行任意一种所述的更新方法。
根据本申请的另一方面,提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行任意一种所述的更新方法。
应用本申请的技术方案,上述的地图的更新方法中,将明显变化区域对应的数据合并至已知地图对应的数据中,即将环境明显变化的区域合并到视觉地图中,得到更新的地图,该地图中由于包括了环境明显变化的区域,所以与实际环境更加接近,使得定位结果可以满足自主导航精度的要求,从而提升在环境明显变化场景下的重定位效果,当该更新方法应用在机器人领域中,机器人在光线变化明显或者场景纹理变化等情况下,还可以实现准确定位,进而可以提高机器人自主导航定位的鲁棒性。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,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示出了根据本申请的地图的更新方法的实施例的流程示意图;以及
图2示出了根据本申请的地图的更新装置的实施例的流程示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
由上述背景技术中的内容可知,现有技术中,移动机器人依赖于地图的VSLAM的定位结果易受环境变化影响,从而导致定位结果难以满足自主导航精度需求,为了解决如该技术问题,根据本申请的实施例,提供了一种地图的更新方法。
图1是根据本申请实施例的地图的更新方法的流程图。如图1所示,该方法包括以下步骤:
步骤S101,接收明显变化区域对应的数据,上述明显变化区域为与已知地图之间无视觉回环的区域,且上述明显变化区域的任意一个相邻区域与上述已知地图之间具有视觉回环,在实际的应用过程中,明显变化区域可以是与已知地图中的区域有明显不同的区域,例如,室内的某部分区域的装饰均发生了变换,那么这部分区域就是明显变化区域;
步骤S102,将上述明显变化区域对应的数据合并到上述已知地图对应的数据中,得到更新的地图。
上述的地图的更新方法中,将明显变化区域对应的数据合并至已知地图对应的数据中,即将环境明显变化的区域合并到视觉地图中,得到更新的地图,该地图中由于包括了环境明显变化的区域,所以与实际环境更加接近,使得定位结果可以满足自主导航精度的要求,从而提升在环境明显变化场景下的重定位效果,当该更新方法应用在机器人领域中,机器人在光线变化明显或者场景纹理变化等情况下,还可以实现准确定位,进而可以提高机器人自主导航定位的鲁棒性。
在实际的地图的更新过程中,将上述明显变化区域对应的数据合并到上述已知地图对应的数据中的过程可以为任何可将二者合并得到更新的地图的过程,为了进一步保证明显变化区域对应的数据和已经地图对应的数据准确合并,进而得到准确的更新后的地图,本申请的一种实施例中,上述将上述明显变化区域对应的数据合并到上述已知地图对应的数据中包括:将上述明显变化区域对应的数据进行优化处理,得到优化裸数据,为下一步合并处理提供更优的初始值,该优化处理可以为图像处理领域中的常规预处理,例如可以为图像特征提取和特征描述子构建、滤波处理、局部图优化处理;基于上述优化裸数据与已知地图对应的数据计算三维稀疏点云,其中,三维稀疏点云为由图像中稀疏特征描述子和其在地图对应的三维坐标值组成;根据上述三维稀疏点云得到更新的上述地图。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
在实际的处理过程中,明显变化区域中的数据可能只有部分对于后续计算三维稀疏点云来说是有用的,其他的数据对于后续计算三维稀疏点云来说是没用的,如果后续的后续计算三维稀疏点云的计算过程也对这部分进行计算,则会不必要的计算量,为了简化后续处理过程,减少后续处理过程中的运算量,本申请的一种实施例中,在得到上述优化裸数据之前,上述将上述明显变化区域对应的数据合并到上述已知地图对应的数据中还包括:删除上述明显变化区域对应的数据中的第一类数据,其中,上述第一类数据与上述已知地图对应的数据的回环检测的成功次数小于第一预定次数,和/或上述第一类数据与上述明显变化区域对应的数据中的其他数据的回环检测的成功次数小于第二预定次数;和/或,删除上述明显变化区域对应的数据中的第二类数据,其中,上述第二类数据与上述已知地图对应的数据的回环检测的成功概率大于第一预定概率,和/或上述第二类数据与上述明显变化区域对应的数据中的其他数据的回环检测的成功概率大于第二预定概率。
需要说明的时,上述的方案中具体包括三种情况,具体为:第一种,删除上述明显变化区域对应的数据中的第一类数据,且删除上述明显变化区域对应的数据中的第二类数据;第二种,删除上述明显变化区域对应的数据中的第一类数据,且不删除上述明显变化区域对应的数据中的第二类数据;第三种,不删除上述明显变化区域对应的数据中的第一类数据,而删除上述明显变化区域对应的数据中的第二类数据。
还需要说明的是,上述的“上述第一类数据与上述已知地图对应的数据的回环检测的成功次数小于第一预定次数,和/或上述第一类数据与上述明显变化区域对应的数据中的其他数据的回环检测的成功次数小于第二预定次数”包括三种情况:第一种,上述第一类数据与上述已知地图对应的数据的回环检测的成功次数小于第一预定次数,且上述第一类数据与上述明显变化区域对应的数据中的其他数据的回环检测的成功次数小于第二预定次数;第二种,上述第一类数据与上述已知地图对应的数据的回环检测的成功次数小于第一预定次数,且上述第一类数据与上述明显变化区域对应的数据中的其他数据的回环检测的成功次数大于或者等于第二预定次数;第三种,上述第一类数据与上述已知地图对应的数据的回环检测的成功次数大于或者等于第一预定次数,且上述第一类数据与上述明显变化区域对应的数据中的其他数据的回环检测的成功次数小于第二预定次数。
同样地,上述的“上述第二类数据与上述已知地图对应的数据的回环检测的成功概率大于第一预定概率,和/或上述第二类数据与上述明显变化区域对应的数据中的其他数据的回环检测的成功概率大于第二预定概率”具体也包括三种情况,具体为:第一种,上述第二类数据与上述已知地图对应的数据的回环检测的成功概率大于第一预定概率,且上述第二类数据与上述明显变化区域对应的数据中的其他数据的回环检测的成功概率大于第二预定概率;第二种,上述第二类数据与上述已知地图对应的数据的回环检测的成功概率大于第一预定概率,且上述第二类数据与上述明显变化区域对应的数据中的其他数据的回环检测的成功概率小于或者等于第二预定概率;第三种,第二种,上述第二类数据与上述已知地图对应的数据的回环检测的成功概率小于或者等于第一预定概率,且上述第二类数据与上述明显变化区域对应的数据中的其他数据的回环检测的成功概率大于第二预定概率。
上述方案中的第一预定次数、第二预定次数、第一预定概率和第二预定功率的具体数值可以根据实际情况来设置,这与具体的应用场景有关。为了进一步保证删除无用数据,本申请的一种实施例中,上述第一预定次数和/或上述第二预定次数大于或者等于12次,上述第一预定概率和/或第二预定概率大于或者等于90%。
在明显变化区域的数据和优化裸数据不断合并的过程中,包含的数据量越来越大,为了防止不断更新的地图对应的存储量持续增长,本申请的一种实施例中,上述将上述明显变化区域对应的数据合并到上述已知地图对应的数据中还包括:删除上述已知地图对应的数据中在预定时间内不被使用的视觉特征数据,这样就能避免更新的地图对应的存储量过大。对于该方案中的预定时间,本领域技术人员可以根据实际情况来选择,对于不同的应用场景,该预定时间可以为不同的时间。
上述的基于上述优化裸数据与已知地图对应的数据计算三维稀疏点云的具体过程可以为任何可以根据上述优化裸数据与已知地图对应的数据准确计算出三维稀疏点云的过程,本申请的一种具体的实施例中,上述基于上述优化裸数据与已知地图对应的数据计算三维稀疏点云包括:基于上述优化裸数据中的视觉关联数据、上述优化裸数据中的视觉特征数据、上述优化裸数据中的IMU数据、上述优化裸数据中的里程计数据、上述已知地图对应的数据中的视觉关联数据、上述已知地图对应的数据中的视觉特征数据、上述已知地图对应的数据中的IMU数据、上述已知地图对应的数据中的里程计数据以及上述优化裸数据和上述已知地图对应的数据之间的视觉关联数据计算上述三维稀疏点云,其中,上述视觉关联数据是指拥有较强的视觉特征相似性的数据,上述视觉特征数据是指用于描述图像中颜色、纹理等的且可以被计算机分析的数据;上述“上述优化裸数据和上述已知地图对应的数据之间的视觉关联数据”是指优化裸数据和已知地图对应的数据间拥有较强的视觉特征相似性的数据,并且这部分数据可以用于描述图像中颜色、纹理等的且可以被计算机分析。上述IMU数据为惯性测量单元测量得到的数据,上述里程计数据为里程计测量得到的数据。该实施例中,由于采用上述多个数据来计算三维稀疏点云,使得计算得到的三维稀疏点云较为准确,从而进一步保证了后续得到的更新的地图更加准确,进一步保证了该地图与实际环境更加接近,从而进一步使得定位结果可以满足自主导航精度的要求,进一步提升了在环境明显变化场景下的重定位效果,进一步提高机器人自主导航定位的鲁棒性。
上述计算得到的三维稀疏点云中可能存在关联度较低的点云和/或相似度较高的轨迹,为了将三维稀疏点云中的这些点云和轨迹去除,从而进一步保证三维稀疏点云生成地图的准确性,进而进一步保证了重定位精度,且减少了地图所占的内存,本申请的一种实施例中,上述根据上述三维稀疏点云得到更新的上述地图包括:删除上述三维稀疏点云中的与其他点云的关联度小于第一阈值的点云,三维稀疏点云中的各点云与其他的点云之间具有关联度,并且各点云与不同点云的关联度不同,有大有小,但是,当一个点云与其他各点云的关联度均小于第一阈值时,说明该点云与其他点云的关系不大,该点云实际并不属于该三维稀疏点云,因此,可以将其删除,这样能够更准确地更新地图;删除上述三维稀疏点云中相似度大于第二阈值的多个轨迹中的至少一个轨迹,以保留这多个轨迹中的一个轨迹,在实际的应用过程中,三维稀疏点云中包括可能包括相似度大于第二阈值的多个轨迹,这些轨迹往往对应同一个区域,因此,只要保留其中的一个轨迹就可以,比如存在三个相似度大于第二阈值的轨迹,那么删除其中的两个,只保留一个即可;根据删除部分上述点云和部分上述轨迹后的上述三维稀疏点云导出更新的上述地图。
在实际的更新过程中,明显变化区域的面积会影响地图更新的准确性,本申请的一种具体的实施例中,上述明显变化区域的面积大于预定面积。该预定面积可以根据实际的应用场景来确定,且上述预定面积大于0。一种更为具体的实施例中,上述明显变化区域的面积大于3m2。
为了更准确地识别明显变化区域,从而更准确地得到更新的地图,本申请的一种实施例中,上述明显变化区域的任意一个相邻区域与上述已知地图的连续回环检测的成功次数大于或者等于第三预定次数,其中,上述第三预定次数大于1。该实施例中,明显变化区域的相邻区域与已经地图的连续回环检测的成功次数大于2,这样表明了明显变化区域的相邻区域均与已经地图之间具有关联性。一种更为具体的实施例中,上述第三预定次数大于或者等于6,这样进一步保证了能够确定准确的明显变化区域。
在具体的更新过程中,可能会断断续续地接收到多个明显变化区域的对应的数据,这些数据可以来自不同的检测端,并且,这些数据与同一个已知地图关联,该已知地图为预定已知地图,这种情况下,为了减小合并地图任务的频率,同时将大量重复变化的数据剔除,本申请的一种实施例中,上述明显变化区域有多个且均与预定已知地图关联,在将上述明显变化区域对应的数据合并到上述已知地图对应的数据中之前,上述更新方法还包括:删除多个上述明显变化区域对应的数据中重复的数据,得到整合后的上述明显变化区域对应的数据,在上述将上述明显变化区域对应的数据合并到上述已知地图对应的数据中的过程中,将整合后的上述明显变化区域对应的数据合并到上述预定已知地图对应的数据中,即多组明显变化区域的数据只进行一次的合并,合并的过程可以为上述内容中提及的过程。
根据本申请的另一方面,提供了一种地图的更新方法,所述更新方法包括:步骤S201,获取当前区域对应的数据;步骤S202,删除所述当前区域对应的数据中的部分和/或已知地图对应的数据中的部分;步骤S203,至少利用回环检测将所述当前区域对应的数据合并到所述已知地图对应的数据中,得到更新的地图。
上述的更新方法中,至少在合并之前,将当前区域的对应数据中的部分和/或已知地图对应的数据中的部分删除,该部分数据为多余的数据,然后至少利用回环检测将经过删除的数据合并,得到更新地图,该更新方法可以对已知地图进行更新,且还可以扩展地图到更大的区域,且该方法获得的更新的地图中不必要的数据较少,更准确。
根据本申请的再一实施例,提供了另一种地图的更新方法。该方法包括以下步骤:
利用回环检测当前区域是否为明显变化区域,上述明显变化区域为与已知地图之间无视觉回环的区域,且上述明显变化区域的任意一个相邻区域与上述已知地图之间具有视觉回环;
在当前区域为上述明显变化区域的情况下,存储上述明显变化区域对应的数据;
接收更新的地图,更新的上述地图为将上述明显变化区域对应的数据合并到上述已知地图对应的数据中得到的。
上述的地图的更新方法中,将检测到的明显变化区域对应的数据合并至已知地图对应的数据中,即将环境明显变化的区域合并到视觉地图中,得到更新的地图,该地图与实际环境更加接近,使得定位结果可以满足自主导航精度的要求,从而提升在环境明显变化场景下的重定位效果,当该更新方法应用在机器人领域中,机器人接收到更新的地图,从而可以提高机器人自主导航定位的鲁棒性。
据本申请的另一实施例,提供了另一种地图的更新方法。该方法包括以下步骤:
检测端利用回环检测当前区域是否为明显变化区域,上述明显变化区域为与已知地图之间无视觉回环的区域,且上述明显变化区域的任意一个相邻区域与上述已知地图之间具有视觉回环;
在当前区域为上述明显变化区域的情况下,上述检测端存储上述明显变化区域对应的数据并发送至服务端;
上述服务端将上述明显变化区域对应的数据合并到上述已知地图对应的数据中,得到更新后的上述地图;
上述服务端将更新后的上述地图发送至上述检测端。
上述的地图的更新方法中,检测端将检测到的明显变化区域对应的数据发送至服务端,服务端将该数据合并至已知地图对应的数据中,即将环境明显变化的区域合并到视觉地图中,得到更新的地图,并将更新的地图发送至检测端,检测端可以根据该更新的地图进行导航。更新后的地图与实际环境更加接近,使得定位结果可以满足自主导航精度的要求,从而提升在环境明显变化场景下的重定位效果。
一种具体的应用中,上述检测端为机器人,上述服务端为云端。即机器人接收到更新的地图,并利用该地图进行定位导航,定位结果可以满足自主导航精度的要求,从而可以提高机器人自主导航定位的鲁棒性。
为了使得本领域技术人员能够更加清楚本申请的上述技术方案,以下将结合具体的实施例来说明。
实施例1
机器人端加载已有地图(即已知地图),人为推行机器人在已有地图或者扩展到地图外的区域,此时机器人可以记录全部裸数据,视觉回环检测仅做合并地图可行性的参考。如此以来,我们不仅可以更新已有地图区域,同时还可扩展地图到更大的区域。
云端收到合并地图的任务时,进行合并,并且合并的过程中不删除第一类数据和第二类数据,而只进行以下步骤:
删除上述已知地图对应的数据中在预定时间内不被使用的视觉特征数据;将上述区域对应的数据进行优化处理,得到优化裸数据;基于上述优化裸数据与已知地图对应的数据计算三维稀疏点云;根据上述三维稀疏点云得到更新的上述地图,以保证新扩展区域有良好的视觉约束。
实施例2
机器人端加载已有地图(即已知地图),在自主导航过程中,通过视觉回环检测(即回环检测)判断视觉场景明显变化的区域,不断的记录每一段变化场景的裸数据(明显变化区域对应的数据)。机器人端长时间运行的过程中,定时触发将机器人每一段地图裸数据打包提交合并地图任务。
云端收到此类合并地图的任务时,并不需要立即执行,而是定期将同一个地图关联的请求(多个请求可能来自于不同的机器人,适用于多机器人系统)任务整合为一次任务,提交合并优化任务,如此处理可以减小合并地图任务的频率,同时将大量重复变化视觉场景数据剔除。整合任务提交后完全按照云端的处理流程进行。
本申请实施例还提供了一种地图的更新装置,需要说明的是,本申请实施例的地图的更新装置可以用于执行本申请实施例所提供的用于地图的更新方法。以下对本申请实施例提供的地图的更新装置进行介绍。
图2是根据本申请实施例的地图的更新装置的示意图。如图2所示,该装置包括:
接收单元10,用于接收明显变化区域对应的数据,上述明显变化区域为与已知地图之间无视觉回环的区域,且上述明显变化区域的任意一个相邻区域与上述已知地图之间具有视觉回环,在实际的应用过程中,明显变化区域可以是与已知地图中的区域有明显不同的区域,即已知地图中不包括的部分区域;
合并单元20,用于将上述明显变化区域对应的数据合并到上述已知地图对应的数据中,得到更新的地图。
上述的地图的更新装置中,合并单元将明显变化区域对应的数据合并至已知地图对应的数据中,即将环境明显变化的区域合并到视觉地图中,得到更新的地图,该地图中由于包括了环境明显变化的区域,所以与实际环境更加接近,使得定位结果可以满足自主导航精度的要求,从而提升在环境明显变化场景下的重定位效果,当该更新装置应用在机器人领域中,机器人在光线变化明显或者场景纹理变化等情况下,还可以实现准确定位,进而可以提高机器人自主导航定位的鲁棒性。
在实际的地图的更新过程中,将上述明显变化区域对应的数据合并到上述已知地图对应的数据中的过程可以为任何可将二者合并得到更新的地图的过程,为了进一步保证明显变化区域对应的数据和已经地图对应的数据准确合并,进而得到准确的更新后的地图,本申请的一种实施例中,上述合并单元包括优化模块、计算模块和生成模块,其中,优化模块用于将上述明显变化区域对应的数据进行优化处理,得到优化裸数据,为下一步合并处理提供更优的初始值,该优化处理可以为图像处理领域中的常规优化处理,例如可以为滤波处理、全局优化处理;计算模块用于基于上述优化裸数据与已知地图对应的数据计算三维稀疏点云,其中,三维稀疏点云为为由图像中稀疏特征描述子和其在地图对应的三维坐标值组成;生成模块用于根据上述三维稀疏点云得到更新的上述地图。
在实际的处理过程中,明显变化区域中的数据可能只有部分对于后续计算三维稀疏点云来说是有用的,其他的数据对于后续计算三维稀疏点云来说是没用的,如果后续的后续计算三维稀疏点云的计算过程也对这部分进行计算,则会不必要的计算量,为了简化后续处理过程,减少后续处理过程中的运算量,本申请的一种实施例中,上述合并单元还包括第一删除模块和/或第二删除模块,其中,第一删除模块用于删除上述明显变化区域对应的数据中的第一类数据,上述第一类数据与上述已知地图对应的数据的回环检测的成功次数小于第一预定次数,和/或上述第一类数据与上述明显变化区域对应的数据中的其他数据的回环检测的成功次数小于第二预定次数;上述第二删除模块用于删除上述明显变化区域对应的数据中的第二类数据,其中,上述第二类数据与上述已知地图对应的数据的回环检测的成功概率大于第一预定概率,和/或上述第二类数据与上述明显变化区域对应的数据中的其他数据的回环检测的成功概率大于第二预定概率。
需要说明的时,上述的方案中具体包括三种情况,具体为:第一种,上述合并单元还包括第一删除模块和第二删除模块;第二种,上述合并单元还包括第一删除模块,不包括第二删除模块;第三种,上述合并单元还不包括第一删除模块但包括第二删除模块。
还需要说明的是,上述的“上述第一类数据与上述已知地图对应的数据的回环检测的成功次数小于第一预定次数,和/或上述第一类数据与上述明显变化区域对应的数据中的其他数据的回环检测的成功次数小于第二预定次数”包括三种情况:第一种,上述第一类数据与上述已知地图对应的数据的回环检测的成功次数小于第一预定次数,且上述第一类数据与上述明显变化区域对应的数据中的其他数据的回环检测的成功次数小于第二预定次数;第二种,上述第一类数据与上述已知地图对应的数据的回环检测的成功次数小于第一预定次数,且上述第一类数据与上述明显变化区域对应的数据中的其他数据的回环检测的成功次数大于或者等于第二预定次数;第三种,上述第一类数据与上述已知地图对应的数据的回环检测的成功次数大于或者等于第一预定次数,且上述第一类数据与上述明显变化区域对应的数据中的其他数据的回环检测的成功次数小于第二预定次数。
同样地,上述的“上述第二类数据与上述已知地图对应的数据的回环检测的成功概率大于第一预定概率,和/或上述第二类数据与上述明显变化区域对应的数据中的其他数据的回环检测的成功概率大于第二预定概率”具体也包括三种情况,具体为:第一种,上述第二类数据与上述已知地图对应的数据的回环检测的成功概率大于第一预定概率,且上述第二类数据与上述明显变化区域对应的数据中的其他数据的回环检测的成功概率大于第二预定概率;第二种,上述第二类数据与上述已知地图对应的数据的回环检测的成功概率大于第一预定概率,且上述第二类数据与上述明显变化区域对应的数据中的其他数据的回环检测的成功概率小于或者等于第二预定概率;第三种,第二种,上述第二类数据与上述已知地图对应的数据的回环检测的成功概率小于或者等于第一预定概率,且上述第二类数据与上述明显变化区域对应的数据中的其他数据的回环检测的成功概率大于第二预定概率。
上述方案中的第一预定次数、第二预定次数、第一预定概率和第二预定功率的具体数值可以根据实际情况来设置,这与具体的应用场景有关。为了进一步保证删除无用数据,本申请的一种实施例中,上述第一预定次数和/或上述第二预定次数大于或者等于12次,上述第一预定概率和/或第二预定概率大于或者等于90%。
在明显变化区域的数据和优化裸数据不断合并的过程中,包含的数据量越来越大,为了防止不断更新的地图对应的存储量持续增长,本申请的一种实施例中,上述合并单元还包括第三删除单元,第三删除单元用于删除上述已知地图对应的数据中在预定时间内不被使用的视觉特征数据,这样就能避免更新的地图对应的存储量过大。对于该方案中的预定时间,本领域技术人员可以根据实际情况来选择,对于不同的应用场景,该预定时间可以为不同的时间。
上述计算模块可以为任何可以根据上述优化裸数据与已知地图对应的数据准确计算出三维稀疏点云的模块,本申请的一种具体的实施例中,上述计算模块基于上述优化裸数据中的视觉关联数据、上述优化裸数据中的视觉特征数据、上述优化裸数据中的IMU数据、上述优化裸数据中的里程计数据、上述已知地图对应的数据中的视觉关联数据、上述已知地图对应的数据中的视觉特征数据、上述已知地图对应的数据中的IMU数据、上述已知地图对应的数据中的里程计数据以及上述优化裸数据和上述已知地图对应的数据之间的视觉关联数据计算上述三维稀疏点云,其中,上述视觉关联数据是指拥有较强的视觉特征相似性的数据,上述视觉特征数据是指用于描述图像中颜色、纹理等的且可以被计算机分析的数据;上述“上述优化裸数据和上述已知地图对应的数据之间的视觉关联数据”是指优化裸数据和已知地图对应的数据间拥有较强的视觉特征相似性的数据,并且这部分数据可以用于描述图像中颜色、纹理等的且可以被计算机分析。上述IMU数据为惯性测量单元测量得到的数据,上述里程计数据为里程计测量得到的数据。该实施例中,由于采用上述多个数据来计算三维稀疏点云,使得计算得到的三维稀疏点云较为准确,从而进一步保证了后续得到的更新的地图更加准确,进一步保证了该地图与实际环境更加接近,从而进一步使得定位结果可以满足自主导航精度的要求,进一步提升了在环境明显变化场景下的重定位效果,进一步提高机器人自主导航定位的鲁棒性。
上述计算得到的三维稀疏点云中可能存在关联度较低的点云和/或相似度较高的轨迹,为了将三维稀疏点云中的这些点云和轨迹去除,从而进一步保证三维稀疏点云生成地图的准确性,进而进一步保证了重定位精度,且减少了地图所占的内存,本申请的一种实施例中,上述生成模块包括第一删除子模块、第二删除子模块和生成子模块,其中,第一删除子模块用于删除上述三维稀疏点云中的与其他点云的关联度小于第一阈值的点云,三维稀疏点云中的各点云与其他的点云之间具有关联度,并且各点云与不同点云的关联度不同,有大有小,但是,当一个点云与其他各点云的关联度均小于第一阈值时,说明该点云与其他点云的关系不大,该点云实际并不属于该三维稀疏点云,因此,可以将其删除,这样能够更准确地更新地图;第二删除子模块用于删除上述三维稀疏点云中相似度大于第二阈值的多个轨迹中的至少一个轨迹,以保留这多个轨迹中的一个上述轨迹,在实际的应用过程中,三维稀疏点云中包括可能包括相似度大于第二阈值的多个轨迹,这些轨迹往往对应同一个区域,因此,只要保留其中的一个轨迹就可以,比如存在三个相似度大于第二阈值的轨迹,那么删除其中的两个,只保留一个即可;生成子模块用于根据删除部分上述点云和部分上述轨迹后的上述三维稀疏点云导出更新的上述地图。
在实际的更新过程中,明显变化区域的面积会影响地图更新的准确性,本申请的一种具体的实施例中,上述明显变化区域的面积大于预定面积。该预定面积可以根据实际的应用场景来确定,且上述预定面积大于0。一种更为具体的实施例中,上述明显变化区域的面积大于3m2。
为了更准确地识别明显变化区域,从而更准确地得到更新的地图,本申请的一种实施例中,上述明显变化区域的任意一个相邻区域与上述已知地图的连续回环检测的成功次数大于或者等于第三预定次数,其中,上述第三预定次数大于1。该实施例中,明显变化区域的相邻区域与已经地图的连续回环检测的成功次数大于2,这样表明了明显变化区域的相邻区域均与已经地图之间具有关联性。一种更为具体的实施例中,上述第三预定次数大于或者等于6,这样进一步保证了能够确定准确的明显变化区域。
在具体的更新过程中,可能会断断续续地接收到多个明显变化区域的对应的数据,这些数据可以来自不同的检测端,并且,这些数据与同一个已知地图关联,该已知地图为预定已知地图,这种情况下,为了减小合并地图任务的频率,同时将大量重复变化的数据剔除,本申请的一种实施例中,上述更新装置还包括整合单元,整合单元用于删除多个上述明显变化区域对应的数据中重复的数据,得到整合后的上述明显变化区域对应的数据,合并单元将整合后的上述明显变化区域对应的数据合并到上述预定已知地图对应的数据中,即多组数据只进行一次的合并。
上述地图的更新装置包括处理器和存储器,上述接收单元和合并单元等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来得到准确更新的地图。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本发明实施例提供了一种存储介质,其上存储有程序,该程序被处理器执行时实现上述地图的更新方法。
本发明实施例提供了一种处理器,上述处理器用于运行程序,其中,上述程序运行时执行上述地图的更新方法。
本发明实施例提供了一种设备,设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现至少以下步骤:
步骤S101,接收明显变化区域对应的数据,上述明显变化区域为与已知地图之间无视觉回环的区域,且上述明显变化区域的任意一个相邻区域与上述已知地图之间具有视觉回环;
步骤S102,将上述明显变化区域对应的数据合并到上述已知地图对应的数据中,得到更新的地图。
本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有至少如下方法步骤的程序:
步骤S101,接收明显变化区域对应的数据,上述明显变化区域为与已知地图之间无视觉回环的区域,且上述明显变化区域的任意一个相邻区域与上述已知地图之间具有视觉回环;
步骤S102,将上述明显变化区域对应的数据合并到上述已知地图对应的数据中,得到更新的地图。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请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,本申请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、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、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。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请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,本申请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、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
从以上的描述中,可以看出,本申请上述的实施例实现了如下技术效果:
1)、本申请的上述的地图的更新方法中,将明显变化区域对应的数据合并至已知地图对应的数据中,即将环境明显变化的区域合并到视觉地图中,得到更新的地图,该地图中由于包括了环境明显变化的区域,所以与实际环境更加接近,使得定位结果可以满足自主导航精度的要求,从而提升在环境明显变化场景下的重定位效果,当该更新方法应用在机器人领域中,机器人在光线变化明显或者场景纹理变化等情况下,还可以实现准确定位,进而可以提高机器人自主导航定位的鲁棒性。
2)、本申请的地图的更新装置中,合并单元将明显变化区域对应的数据合并至已知地图对应的数据中,即将环境明显变化的区域合并到视觉地图中,得到更新的地图,该地图中由于包括了环境明显变化的区域,所以与实际环境更加接近,使得定位结果可以满足自主导航精度的要求,从而提升在环境明显变化场景下的重定位效果,当该更新装置应用在机器人领域中,机器人在光线变化明显或者场景纹理变化等情况下,还可以实现准确定位,进而可以提高机器人自主导航定位的鲁棒性。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种地图的更新方法,其特征在于,包括:
接收明显变化区域对应的数据,所述明显变化区域为与已知地图之间无视觉回环的区域,且所述明显变化区域的任意一个相邻区域与所述已知地图之间具有视觉回环;
将所述明显变化区域对应的数据合并到所述已知地图对应的数据中,得到更新的地图;
所述将所述明显变化区域对应的数据合并到所述已知地图对应的数据中包括:
将所述明显变化区域对应的数据进行优化处理,得到优化裸数据;
基于所述优化裸数据与已知地图对应的数据计算三维稀疏点云;
根据所述三维稀疏点云得到更新的所述地图;
在得到所述优化裸数据之前,所述将所述明显变化区域对应的数据合并到所述已知地图对应的数据中还包括:
删除所述明显变化区域对应的数据中的第一类数据,其中,所述第一类数据与所述已知地图对应的数据的回环检测的成功次数小于第一预定次数,和/或所述第一类数据与所述明显变化区域对应的数据中的其他数据的回环检测的成功次数小于第二预定次数;和/或
删除所述明显变化区域对应的数据中的第二类数据,其中,所述第二类数据与所述已知地图对应的数据的回环检测的成功概率大于第一预定概率,和/或所述第二类数据与所述明显变化区域对应的数据中的其他数据的回环检测的成功概率大于第二预定概率。
2.根据权利要求1所述的更新方法,其特征在于,所述将所述明显变化区域对应的数据合并到所述已知地图对应的数据中还包括:
删除所述已知地图对应的数据中在预定时间内不被使用的视觉特征数据。
3.根据权利要求1所述的更新方法,其特征在于,所述基于所述优化裸数据与已知地图对应的数据计算三维稀疏点云包括:
基于所述优化裸数据中的视觉关联数据、所述优化裸数据中的视觉特征数据、所述优化裸数据中的IMU数据和所述优化裸数据中的里程计数据、所述已知地图对应的数据中的视觉关联数据、所述已知地图对应的数据中的视觉特征数据、所述已知地图对应的数据中的IMU数据、所述已知地图对应的数据中的里程计数据以及所述优化裸数据和所述已知地图对应的数据的视觉关联数据计算所述三维稀疏点云,其中,所述IMU数据为惯性测量单元测量得到的数据,所述里程计数据为里程计测量得到的数据。
4.根据权利要求1所述的更新方法,其特征在于,所述根据所述三维稀疏点云得到更新的所述地图包括:
删除所述三维稀疏点云中的与相邻的点云的关联度小于第一阈值的点云;
删除所述三维稀疏点云中相似度大于第二阈值的多个轨迹中的至少一个轨迹,以保留所述多个轨迹中的一个所述轨迹;
根据删除部分所述点云和部分所述轨迹后的所述三维稀疏点云导出更新的所述地图。
5.根据权利要求1所述的更新方法,其特征在于,所述明显变化区域的面积大于预定面积,且所述明显变化区域的任意一个相邻区域与所述已知地图的连续回环检测的成功次数大于或者等于第三预定次数,所述预定面积大于0,所述第三预定次数大于1。
6.根据权利要求1所述的更新方法,其特征在于,所述明显变化区域有多个且均与预定已知地图关联,在将所述明显变化区域对应的数据合并到所述已知地图对应的数据中之前,所述更新方法还包括:
删除多个所述明显变化区域对应的数据中重复的数据,得到整合后的所述明显变化区域对应的数据,
在所述将所述明显变化区域对应的数据合并到所述已知地图对应的数据中的过程中,将整合后的所述明显变化区域对应的数据合并到所述预定已知地图对应的数据中。
7.一种地图的更新方法,其特征在于,所述更新方法包括:
利用回环检测当前区域是否为明显变化区域,所述明显变化区域为与已知地图之间无视觉回环的区域,且所述明显变化区域的任意一个相邻区域与所述已知地图之间具有视觉回环;
在当前区域为所述明显变化区域的情况下,存储所述明显变化区域对应的数据;
接收更新的地图,更新的所述地图为将所述明显变化区域对应的数据合并到所述已知地图对应的数据中得到的;
所述将所述明显变化区域对应的数据合并到所述已知地图对应的数据中包括:
将所述明显变化区域对应的数据进行优化处理,得到优化裸数据;
基于所述优化裸数据与已知地图对应的数据计算三维稀疏点云;
根据所述三维稀疏点云得到更新的所述地图;
在得到所述优化裸数据之前,所述将所述明显变化区域对应的数据合并到所述已知地图对应的数据中还包括:
删除所述明显变化区域对应的数据中的第一类数据,其中,所述第一类数据与所述已知地图对应的数据的回环检测的成功次数小于第一预定次数,和/或所述第一类数据与所述明显变化区域对应的数据中的其他数据的回环检测的成功次数小于第二预定次数;和/或
删除所述明显变化区域对应的数据中的第二类数据,其中,所述第二类数据与所述已知地图对应的数据的回环检测的成功概率大于第一预定概率,和/或所述第二类数据与所述明显变化区域对应的数据中的其他数据的回环检测的成功概率大于第二预定概率。
8.一种地图的更新装置,其特征在于,所述更新装置包括:
接收单元,用于接收明显变化区域对应的数据,所述明显变化区域为与已知地图之间无视觉回环的区域,且所述明显变化区域的任意一个相邻区域与所述已知地图之间具有视觉回环;
合并单元,用于将所述明显变化区域对应的数据合并到所述已知地图对应的数据中,得到更新的地图;
所述合并单元包括优化模块、计算模块和生成模块,其中,所述优化模块用于将所述明显变化区域对应的数据进行优化处理,得到优化裸数据;计算模块用于基于所述优化裸数据与已知地图对应的数据计算三维稀疏点云;生成模块用于根据所述三维稀疏点云得到更新的所述地图;
所述合并单元还包括第一删除模块和/或第二删除模块,其中,所述第一删除模块用于删除所述明显变化区域对应的数据中的第一类数据,所述第一类数据与所述已知地图对应的数据的回环检测的成功次数小于第一预定次数,和/或所述第一类数据与所述明显变化区域对应的数据中的其他数据的回环检测的成功次数小于第二预定次数;所述第二删除模块用于删除所述明显变化区域对应的数据中的第二类数据,其中,所述第二类数据与所述已知地图对应的数据的回环检测的成功概率大于第一预定概率,和/或所述第二类数据与所述明显变化区域对应的数据中的其他数据的回环检测的成功概率大于第二预定概率。
9.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,所述程序执行权利要求1至6中任意一项所述的更新方法。
10.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至6中任意一项所述的更新方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910156751.5A CN111637897B (zh) | 2019-03-01 | 2019-03-01 | 地图的更新方法、更新装置、存储介质以及处理器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910156751.5A CN111637897B (zh) | 2019-03-01 | 2019-03-01 | 地图的更新方法、更新装置、存储介质以及处理器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111637897A CN111637897A (zh) | 2020-09-08 |
CN111637897B true CN111637897B (zh) | 2022-04-19 |
Family
ID=72328454
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910156751.5A Active CN111637897B (zh) | 2019-03-01 | 2019-03-01 | 地图的更新方法、更新装置、存储介质以及处理器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111637897B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113762397B (zh) * | 2021-09-10 | 2024-04-05 | 北京百度网讯科技有限公司 | 检测模型训练、高精度地图更新方法、设备、介质及产品 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103234549A (zh) * | 2013-04-18 | 2013-08-07 | 沈阳美行科技有限公司 | 一种用于更新地图的差分数据生成方法 |
CN104885441A (zh) * | 2012-12-26 | 2015-09-02 | 索尼公司 | 图像处理装置和方法、以及程序 |
CN105843223A (zh) * | 2016-03-23 | 2016-08-10 | 东南大学 | 一种基于空间词袋模型的移动机器人三维建图与避障方法 |
CN106127739A (zh) * | 2016-06-16 | 2016-11-16 | 华东交通大学 | 一种结合单目视觉的rgb‑d slam方法 |
CN106595682A (zh) * | 2016-12-16 | 2017-04-26 | 上海博泰悦臻网络技术服务有限公司 | 一种地图数据的差分更新方法、系统及服务器 |
CN106595659A (zh) * | 2016-11-03 | 2017-04-26 | 南京航空航天大学 | 城市复杂环境下多无人机视觉slam的地图融合方法 |
CN107025668A (zh) * | 2017-03-30 | 2017-08-08 | 华南理工大学 | 一种基于深度相机的视觉里程计的设计方法 |
CN107179080A (zh) * | 2017-06-07 | 2017-09-19 | 纳恩博(北京)科技有限公司 | 电子设备的定位方法和装置、电子设备、电子定位系统 |
CN107808407A (zh) * | 2017-10-16 | 2018-03-16 | 亿航智能设备(广州)有限公司 | 基于双目相机的无人机视觉slam方法、无人机及存储介质 |
CN108303099A (zh) * | 2018-06-14 | 2018-07-20 | 江苏中科院智能科学技术应用研究院 | 基于三维视觉slam的无人机室内自主导航方法 |
WO2018225446A1 (ja) * | 2017-06-09 | 2018-12-13 | 株式会社デンソー | 地図変化点検出装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ZA948824B (en) * | 1993-12-08 | 1995-07-11 | Caterpillar Inc | Method and apparatus for operating geography altering machinery relative to a work site |
US9104695B1 (en) * | 2009-07-27 | 2015-08-11 | Palantir Technologies, Inc. | Geotagging structured data |
US20110077990A1 (en) * | 2009-09-25 | 2011-03-31 | Phillip Anthony Storage | Method and System for Collection and Management of Remote Observational Data for Businesses |
US20120173204A1 (en) * | 2010-12-30 | 2012-07-05 | Honeywell International Inc. | Building map generation using location and tracking data |
US20140172864A1 (en) * | 2011-07-08 | 2014-06-19 | Annie Shum | System and method for managing health analytics |
CN109029476B (zh) * | 2018-06-04 | 2020-06-23 | 京东数字科技控股有限公司 | 一种用于确定可达区域的方法和装置 |
-
2019
- 2019-03-01 CN CN201910156751.5A patent/CN111637897B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104885441A (zh) * | 2012-12-26 | 2015-09-02 | 索尼公司 | 图像处理装置和方法、以及程序 |
CN103234549A (zh) * | 2013-04-18 | 2013-08-07 | 沈阳美行科技有限公司 | 一种用于更新地图的差分数据生成方法 |
CN105843223A (zh) * | 2016-03-23 | 2016-08-10 | 东南大学 | 一种基于空间词袋模型的移动机器人三维建图与避障方法 |
CN106127739A (zh) * | 2016-06-16 | 2016-11-16 | 华东交通大学 | 一种结合单目视觉的rgb‑d slam方法 |
CN106595659A (zh) * | 2016-11-03 | 2017-04-26 | 南京航空航天大学 | 城市复杂环境下多无人机视觉slam的地图融合方法 |
CN106595682A (zh) * | 2016-12-16 | 2017-04-26 | 上海博泰悦臻网络技术服务有限公司 | 一种地图数据的差分更新方法、系统及服务器 |
CN107025668A (zh) * | 2017-03-30 | 2017-08-08 | 华南理工大学 | 一种基于深度相机的视觉里程计的设计方法 |
CN107179080A (zh) * | 2017-06-07 | 2017-09-19 | 纳恩博(北京)科技有限公司 | 电子设备的定位方法和装置、电子设备、电子定位系统 |
WO2018225446A1 (ja) * | 2017-06-09 | 2018-12-13 | 株式会社デンソー | 地図変化点検出装置 |
CN107808407A (zh) * | 2017-10-16 | 2018-03-16 | 亿航智能设备(广州)有限公司 | 基于双目相机的无人机视觉slam方法、无人机及存储介质 |
CN108303099A (zh) * | 2018-06-14 | 2018-07-20 | 江苏中科院智能科学技术应用研究院 | 基于三维视觉slam的无人机室内自主导航方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111637897A (zh) | 2020-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11537138B2 (en) | Adaptive region division method and system | |
CN107968810B (zh) | 一种服务器集群的资源调度方法、装置和系统 | |
CN113312361B (zh) | 轨迹查询方法、装置、设备、存储介质及计算机程序产品 | |
CN106897342B (zh) | 一种数据校验方法和设备 | |
US20180365339A1 (en) | Application classification method and apparatus | |
CN110839051B (zh) | 服务提供方法、装置、机器人和存储介质 | |
CN111488835A (zh) | 一种同行人员的识别方法及装置 | |
CN111637897B (zh) | 地图的更新方法、更新装置、存储介质以及处理器 | |
CN114581167A (zh) | 一种服务异常的识别方法、装置、存储介质及电子设备 | |
CN111009034B (zh) | 一种三维模型单体化方法、系统、存储介质及设备 | |
CN115014328A (zh) | 一种栅格地图的动态加载方法、装置、设备和介质 | |
CN110930520B (zh) | 一种语义分割标注方法、装置及设备 | |
CN111882494B (zh) | 位姿图处理方法、装置、计算机设备和存储介质 | |
CN113285960A (zh) | 一种服务数据共享云平台的数据加密方法及系统 | |
CN112287842A (zh) | 一种车道线的识别方法、装置及电子设备 | |
US20180224294A1 (en) | Converting between data structures to determine a shortest path between two geographic locations | |
CN108267613B (zh) | 一种测风数据处理方法及相关设备 | |
CN116402963A (zh) | 车道线矢量模型构建方法、装置、电子设备和存储介质 | |
CN116012413A (zh) | 图像特征点的跟踪方法、装置、电子设备及存储介质 | |
CN114062656B (zh) | 一种地质灾害预测方法和系统 | |
CN113468384B (zh) | 网络情报源信息的处理方法、装置、存储介质及处理器 | |
CN106202262B (zh) | 一种信息处理方法及电子设备 | |
CN114817209A (zh) | 监控规则的处理方法和装置、处理器及电子设备 | |
CN110082794B (zh) | 一种车辆gps轨迹数据过滤方法 | |
CN112380313A (zh) | 更新高精地图置信度的方法及装置 |
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 |