CN111708046A - 一种障碍物的平面数据的处理方法、装置、电子设备及存储介质 - Google Patents
一种障碍物的平面数据的处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111708046A CN111708046A CN202010348336.2A CN202010348336A CN111708046A CN 111708046 A CN111708046 A CN 111708046A CN 202010348336 A CN202010348336 A CN 202010348336A CN 111708046 A CN111708046 A CN 111708046A
- Authority
- CN
- China
- Prior art keywords
- coordinate
- coordinate system
- plane data
- machine learning
- learning model
- 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.)
- Pending
Links
- 238000012545 processing Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims description 54
- 238000006243 chemical reaction Methods 0.000 claims abstract description 66
- 238000003672 processing method Methods 0.000 claims abstract description 4
- 238000010801 machine learning Methods 0.000 claims description 74
- 239000011159 matrix material Substances 0.000 claims description 55
- 230000009466 transformation Effects 0.000 claims description 49
- 230000006870 function Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 abstract description 5
- 230000000295 complement effect Effects 0.000 abstract description 3
- 238000005457 optimization Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 9
- 238000001514 detection method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 3
- 239000003550 marker Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 125000003118 aryl group Chemical group 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003703 image analysis method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
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
- G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
-
- 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
- G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种障碍物的平面数据的处理方法、装置、电子设备及存储介质，本申请可以基于第一传感器获取障碍物在第一坐标系下的第一平面数据，其中，第一平面数据包括多个第一坐标数据，确定第一坐标系与第二坐标系之间的坐标转换规则，基于坐标转换规则将第一平面数据转换至第二坐标系下，得到第二平面数据，第二坐标系对应第二传感器；根据预设需求对第二平面数据进行数据处理。通过对各种传感器信息的合理支配和使用，在空间和时间上把互补与冗余信息依据优化准则结合起来，产生对观测环境及对象的一致性解释或描述，同时产生新的融合结果，此外，通过两个传感器对应的坐标系的转换可以有效的降低硬件成本和软件复杂度。
Description
技术领域
本申请涉及机器人领域，尤其涉及一种障碍物的平面数据的处理方法、装置、电子设备及存储介质。
背景技术
智能移动机器人，是一种集环境感知、动态决策与规划、行为控制与执行等多功能为一体的智能化程度很高的装置，其对环境感知的快速性、准确性与多传感器信息融合技术密不可分。多传感器信息融合技术就是计算机充分利用各传感器资源，通过对各种量测信息的合理支配和使用，在空间和时间上把互补与冗余信息依据某种优化准则结合起来，产生对观测环境的一致性解释或描述，同时产生新的融合结果。在环境感知模块，视觉传感器和激光雷达是常用的两种传感器。近年来，以深度学习为代表的视觉画面分析方法已经取得了非常大的发展，可以对行人、车辆及各种障碍物等做出很准确的检测和分类。然而，机器人需要进一步获知障碍物在环境中的空间座标。
现有技术的缺陷：常见的一种得到图像检测实际的空间坐标的方法为将图像检测结果和激光雷达点云聚类分割结果进行匹配，然而此方法需要首先标定激光雷达和摄像头的外参，同时依赖激光雷达点云分割和分类的准确度，在此过程中产生了很高的成本和极大的复杂度。
发明内容
本申请实施例提供了一种障碍物的平面数据的处理方法、装置、电子设备及存储介质，通过两个传感器对应的坐标系的转换可以有效的降低硬件成本和软件复杂度，此外，多传感器数据可以为后续有效获知障碍物在环境中的空间座标打下基础。
一方面，本申请实施例提供了一种障碍物的平面数据的处理方法，该方法包括：
基于第一传感器获取障碍物在第一坐标系下的第一平面数据，其中，第一平面数据包括多个第一坐标数据；
确定第一坐标系与第二坐标系之间的坐标转换规则；
基于坐标转换规则将第一平面数据转换至第二坐标系下，得到第二平面数据；第二坐标系对应第二传感器；
根据预设需求对第二平面数据进行数据处理。
可选的，坐标转换规则包括坐标转换矩阵；第一坐标系为相机像素坐标系，第二坐标系为激光雷达坐标系；基于第一传感器获取障碍物在第一坐标系下的第一平面数据，包括：通过位于移动电子设备的摄像头获取障碍物在相机像素坐标系下的第一平面数据；基于坐标转换矩阵将第一平面数据转换至第二坐标系下，得到第二平面数据，包括：基于坐标转换矩阵将第一平面数据转换至激光雷达坐标系下，得到第二平面数据。
可选的，第一坐标系为激光雷达坐标系，第二坐标系为相机像素坐标系：基于第一传感器获取障碍物在第一坐标系下的第一平面数据，包括：通过位于移动电子设备的激光雷达获取障碍物在激光雷达坐标系下的第一平面数据；基于坐标转换矩阵将第一平面数据转换至第二坐标系下，得到第二平面数据，包括：基于坐标转换矩阵将第一平面数据转换至相机像素坐标系下，得到第二平面数据。
可选的，方法还包括获取第一坐标系与第二坐标系之间的坐标转换矩阵；获取第一坐标系与第二坐标系之间的坐标转换矩阵，包括：在N个预设位置，通过第一传感器获取标定码在第一坐标系下的第一坐标集合；在N个预设位置，通过第二传感器获取标定码在第二坐标系下的第二坐标集合；对第一坐标集合中的第一坐标和第二坐标集合中的第二坐标进行转换，得到第一齐次坐标集合和第二齐次坐标集合；基于同一预设位置从第一齐次坐标集合和第二齐次坐标集合确定出N对匹配坐标；将N对匹配坐标代入包含有待确定参数的坐标转换矩阵的函数中，得到确定后的坐标转换矩阵。
可选的，标定码被设置于墙角位置，N个预设位置中每个预设位置与标定码的距离是不相同的；所诉N个预设位置至少包括4个预设位置，且N对匹配坐标为标定码与4个预设位置的不同距离所对应的至少4对匹配坐标，其中，匹配坐标是不共线的。
可选的，坐标转换规则包括坐标转换模型；该方法还包括训练得到坐标转换模型的步骤；训练得到坐标转换模型，包括：
获取样本数据集；
构建预设机器学习模型，将预设机器学习模型确定为当前机器学习模型；
基于当前机器学习模型，对第一样本坐标进行坐标转换操作，确定第一样本坐标对应的第二预测坐标；
基于第一样本坐标对应的第二预测坐标和第二样本坐标，确定损失值；
当损失值大于预设阈值时，对当前机器学习模型进行更新以得到更新后的机器学习模型，将更新后的机器学习模型重新确定为当前机器学习模型；
当损失值小于或等于预设阈值时，将当前机器学习模型确定为坐标转换模型。
可选的，当损失值大于预设阈值时，对当前机器学习模型进行更新以得到更新后的机器学习模型，将更新后的机器学习模型重新确定为当前机器学习模型，包括：
当损失值大于预设阈值时，基于损失值进行反向传播，对当前机器学习模型进行更新以得到更新后的机器学习模型，将更新后的机器学习模型重新确定为当前机器学习模型；
重复步骤：基于当前机器学习模型，对第一样本坐标进行坐标转换操作，确定第一样本坐标对应的第二预测坐标。
可选的，第一坐标系下的坐标为二维数据或三维数据；和/或，所述第二坐标系下的坐标为二维数据或三维数据。
可选的，根据预设需求对第二平面数据进行数据处理，包括：根据预设需求将第二平面数据与历史第二平面数据进行拼接，得到障碍物的第二平面数据集。
另一方面提供了一种障碍物的平面数据的处理方法装置，该装置包括：
获取模块，用于基于第一传感器获取障碍物在第一坐标系下的第一平面数据，其中，第一平面数据包括多个第一坐标数据；
确定模块，用于确定第一坐标系与第二坐标系之间的坐标转换矩阵；
转换模块，用于基于坐标转换矩阵将第一平面数据转换至第二坐标系下，得到第二平面数据；第二坐标系对应第二传感器；
处理模块，用于根据预设需求对第二平面数据进行数据处理。
可选的，坐标转换规则包括坐标转换矩阵；第一坐标系为相机像素坐标系，第二坐标系为激光雷达坐标系；
获取模块，用于通过位于移动电子设备的摄像头获取障碍物在相机像素坐标系下的第一平面数据；
转换模块，用于基于坐标转换矩阵将第一平面数据转换至激光雷达坐标系下，得到第二平面数据。
可选的，第一坐标系为激光雷达坐标系，第二坐标系为相机像素坐标系：
获取模块，用于通过位于移动电子设备的激光雷达获取障碍物在激光雷达坐标系下的第一平面数据；
转换模块，用于基于坐标转换矩阵将第一平面数据转换至相机像素坐标系下，得到第二平面数据。
可选的，该装置还包括矩阵获取模块；
矩阵获取模块，用于在N个预设位置，通过第一传感器获取标定码在第一坐标系下的第一坐标集合；
在N个预设位置，通过第二传感器获取标定码在第二坐标系下的第二坐标集合；
对第一坐标集合中的第一坐标和第二坐标集合中的第二坐标进行转换，得到第一齐次坐标集合和第二齐次坐标集合；
基于同一预设位置从第一齐次坐标集合和第二齐次坐标集合确定出N对匹配坐标；
将N对匹配坐标代入包含有待确定参数的坐标转换矩阵的函数中，得到参数确定后的坐标转换矩阵。
可选的，该装置还包括模型确定模块；
模型确定模块，用于获取样本数据集，
构建预设机器学习模型，将预设机器学习模型确定为当前机器学习模型；
基于当前机器学习模型，对第一样本坐标进行坐标转换操作，确定第一样本坐标对应的第二预测坐标；
基于第一样本坐标对应的第二预测坐标和第二样本坐标，确定损失值；
当损失值大于预设阈值时，对当前机器学习模型进行更新以得到更新后的机器学习模型，将更新后的机器学习模型重新确定为当前机器学习模型；
当损失值小于或等于预设阈值时，将当前机器学习模型确定为坐标转换模型。
可选的，模型确定模块，用于当损失值大于预设阈值时，基于损失值进行反向传播，对当前机器学习模型进行更新以得到更新后的机器学习模型，将更新后的机器学习模型重新确定为当前机器学习模型；重复步骤：基于当前机器学习模型，对第一样本坐标进行坐标转换操作，确定第一样本坐标对应的第二预测坐标。
可选的，处理模块，用于根据预设需求将第二平面数据与历史第二平面数据进行拼接，得到障碍物的第二平面数据集。
另一方面提供了一种电子设备，电子设备包括处理器和存储器，存储器中存储有至少一条指令或至少一段程序，至少一条指令或至少一段程序由处理器加载并执行障碍物的平面数据的处理方法。
另一方面提供了一种计算机可读存储介质，计算机存储介质中存储有至少一条指令或至少一段程序，至少一条指令或至少一段程序由处理器加载并执行以障碍物的平面数据的处理方法。
本申请实施例提供的障碍物的平面数据的处理方法、装置、电子设备及存储介质，具有如下技术效果：
基于第一传感器获取障碍物在第一坐标系下的第一平面数据，其中，第一平面数据包括多个第一坐标数据，确定第一坐标系与第二坐标系之间的坐标转换规则，基于坐标转换规则将第一平面数据转换至第二坐标系下，得到第二平面数据，第二坐标系对应第二传感器；根据预设需求对第二平面数据进行数据处理。基于同一对象可以有效的增加多个数据之间的匹配联系，通过对各种传感器信息的合理支配和使用，在空间和时间上把互补与冗余信息依据优化准则结合起来，产生对观测环境及对象的一致性解释或描述，同时产生新的融合结果，此外，通过两个传感器对应的坐标系的转换可以有效的降低硬件成本和软件复杂度，此外，多传感器数据可以为后续有效获知障碍物在环境中的空间座标打下基础。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1是本申请实施例提供的一种应用环境的示意图；
图2是本申请实施例提供的一种障碍物的平面数据的处理方法的流程示意图；
图3是本申请实施例提供的一种第一坐标系与第二坐标系之间的坐标转换矩阵的确定方法的流程示意图；
图4是本申请实施例提供的一种标定码的示意图；
图5是本申请实施例提供的一种移动电子设备和墙角距离的示意图；
图6是本申请实施例提供的一种障碍物的平面数据的处理装置的结构示意图；
图7是本申请实施例提供的一种障碍物的平面数据的处理装置的结构示意图；
图8是本申请实施例提供的一种障碍物的平面数据的处理方法的电子设备的硬件结构框图；
图9是本申请实施例提供的一种计算机可读存储介质的结构框图。
具体实施方式
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。
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能够以除了在这里图示或描述的那些以外的顺序实施。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、产品或服务器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。
请参阅图1，图1是本申请实施例提供的一种应用环境的示意图，该示意图包括移动电子设备101，示意图中显示的移动电子设备101是一个扫地机器人，除了扫地机器人，移动电子设备还可以是其他诸如洗地机器人，导航小车等等。其中，移动电子设备101包括第一传感器1011和第二传感器1012。可选的，在本申请实施例中，第一传感器1011和第二传感器1012获取的数据是二维数据和/或三维数据，以下将以二维数据为例进行阐述，其他形式的数据可以参考二维数据的处理方式，就不再赘述。
具体的，移动电子设备101可以基于第一传感器1011获取障碍物在第一坐标系下的第一平面数据，其中，第一平面数据包括多个第一坐标数据。随后，移动电子设备101确定第一坐标系与第二坐标系之间的坐标转换矩阵，并基于坐标转换矩阵将第一平面数据转换至第二坐标系下，得到第二平面数据；第二坐标系对应第二传感器1012。随后，移动电子设备101根据预设需求对第二平面数据进行数据处理。
本申请实施例中，上段中的所有技术步骤都可以在移动电子设备101内实现。可选的，部分技术步骤(比如，根据预设需求对第二平面数据进行数据处理)还可以在与移动电子设备连接的服务器内实现，并将处理后的数据反馈给移动电子设备101。
以下介绍本申请一种障碍物的平面数据的处理方法的具体实施例，图2是本申请实施例提供的一种障碍物的平面数据的处理方法的流程示意图，本说明书提供了如实施例或流程图的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或服务器产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。具体的如图2所示，该方法可以包括：
S201：基于第一传感器获取障碍物在第一坐标系下的第一平面数据，其中，第一平面数据包括多个第一坐标数据。
第一平面数据可以是该障碍物某个平面被第一传感器感知得到的数据，由于平面是二维的，且平面可以看做是一个个点组成的集合，因此，第一平面数据可以包括多个第一坐标数据。在本申请实施例中，第一坐标数据可以是二维坐标数据。
本申请实施例涉及的是移动电子设备中的第二传感器和第一传感器，其中，第一传感器有自己的坐标系，即文中的第一坐标系，第二传感器也有自己的坐标系，即文中的第二坐标系。第一传感器和第二传感器可以是任何适用于本技术的传感器。
一种可选的实施方式中，第一传感器可以是相机，由此，第一坐标系可以为相机像素坐标系。第二传感器可以是激光雷达，由此，第二坐标系为激光雷达坐标系。如此，基于第一传感器获取障碍物在第一坐标系下的第一平面数据具体表示为：移动电子设备可以通过位于移动电子设备的相机摄像头获取障碍物在相机像素坐标系下的第一平面数据。
另一种可选的实施方式中，第一传感器是激光雷达，由此，第一坐标系可以为激光雷达坐标系。第二传感器为相机，由此，第二坐标系为相机像素坐标系。如此，基于第一传感器获取障碍物在第一坐标系下的第一平面数据具体表示为：移动电子设备可以通过位于移动电子设备的激光雷达获取障碍物在激光雷达坐标系下的第一平面数据。
S203：确定第一坐标系与第二坐标系之间的坐标转换规则。
一种可选的实施方式中，坐标转换规则可以体现为一个坐标转换矩阵。
本申请实施例中，坐标转换矩阵可以是单应性变换矩阵。单应性是几何中的一个概念，单应性是一个从实射影平面到射影平面的可逆变换，直线在该变换下仍映射为直线。
如图3所示，本申请实施例提供一种第一坐标系与第二坐标系之间的坐标转换矩阵的确定方法，包括：
S301：在N个预设位置，通过第一传感器获取标定码在第一坐标系下的第一坐标集合；N为大于等于4的整数。
如图4所示，标定码是用来检测的码，ArUco marker，opencv中的一个开源库。一个ArUco marker是一个二进制平方标记，它由一个宽的黑边和一个内部的二进制矩阵组成，内部的矩阵决定了它们的id。黑色的边界有利于快速检测到图像，二进制编码可以验证标识信息。一种可选的实施例中，标定码可以被设置于任何位置，比如墙中间或者墙角位置，但是由于墙角位置一般容易被传感器感知到，因此，在实际应用中，标定码通常被设置在墙角位置。
假设第一传感器是相机，那么第一坐标系为相机像素坐标系，第一坐标集合中的第一坐标可以被认为是相机像素坐标系中的特征点，该特征点是由相机检测标定码获得的。由于是在N个预设位置进行检测，移动电子设备就可以获得N个相机像素坐标系中的特征点。相机像素座标系中的特征点检测方法为：对标定码的检测，aruco marker贴在墙角，可以检测到其角点的座标，即为特征点墙角在相机像素座标系中的座标。
可选的，N个预设位置中每个预设位置与标定码的距离是不一致的，比如，如图5所示，若N等于4，移动电子设备的相机可以分别在距离墙角5米、4米、3米、2米位置检测标定码，具体的检测过程中，移动电子设备可以在原地左右旋转，以全面检测标定码。
S303：在N个预设位置，通过第二传感器获取标定码在第二坐标系下的第二坐标集合；第一坐标集合中的第一坐标和第二坐标集合中的第二坐标一一对应。
基于上文继续阐述，第二传感器为激光雷达，那么第二坐标系为激光雷达坐标系，第二坐标集合中的第二坐标可以被认为是激光雷达坐标系下的特征点，该特征点是由激光雷达检测墙角获取的。由于是在N个预设位置进行检测，移动电子设备就可以获取N个激光雷达坐标系中的特征点。激光雷达座标系中的特征点检测方法为：对墙角的检测，即遍历机器人前方范围内激光雷达点云，找到点云距离值突变的点，其座标即为特征点墙角在激光雷达座标系中的座标。
同样的，移动电子设备的激光雷达可以分别在距离墙角5米、4米、3米、2米位置检测标定码。
S305：对第一坐标集合中的第一坐标和第二坐标集合中的第二坐标进行转换，得到第一齐次坐标集合和第二齐次坐标集合。
本申请实施例中，齐次坐标：给定欧氏平面上的一点(x,y)，对任意非零实数Z，三元组(x*Z,y*Z,Z)即称之为该点的齐次坐标。依据定义，将齐次坐标内的数值乘上同一个非零实数，可得到同一点的另一组齐次坐标。例如，笛卡儿坐标上的点(1,2)在齐次坐标中即可标示成(1,2,1)或(2,4,2)。原来的笛卡儿坐标可透过将前两个数值除以第三个数值取回。该步骤即为将原来二元的第一坐标和第二坐标转换成三元的第一齐次坐标和第二齐次坐标，以备后续的操作。
S307：基于同一预设位置从第一齐次坐标集合和第二齐次坐标集合确定出N对匹配坐标。
本申请中，匹配坐标可以被称为匹配点，匹配点是一对坐标，在本文中为标定码在激光雷达坐标系中的坐标和标定码在相机像素坐标系中的坐标。由此，上文中涉及的移动电子设备至标定码的距离5米、4米、3米、2米分别对应4对匹配坐标，其中，4对匹配坐标是不共线的。
S309：将N对匹配坐标代入包含有待确定参数的坐标转换矩阵的函数中，得到参数确定后的坐标转换矩阵。
由于激光雷达和相机采集统一平面物体的数据之间存在单应性，因此，相机像素座标系和激光雷达座标系中的物体座标转换关系可经由如下公式(1)表示：
其中，
是激光雷达座标系中的点经由齐次转换后的点，
是相机像素座标系中的点经由齐次转换后的点。H为待确定的坐标转换矩阵，可以用
表示。
对于移动电子设备，需要标定单应性变换矩阵，即采集一组相机像素座标系和激光雷达座标系中的匹配点计算。对每一组匹配点
有
由平面坐标与齐次坐标对应关系
x：座标x；
y：座标y；w：缩放尺度；R2：二维平面座标系；P3：齐次坐标系。
上式可以表示为：
进一步变换为：
也就是说一组匹配点可以获得2组方程，那么只需要4组不共线的匹配点即可求解坐标表换矩阵的唯一解，如此，至少通过4对匹配坐标代入包含有待确定参数的坐标转换矩阵的函数中，可以求解出坐标转换矩阵中待确定的参数，进而得到可用的坐标转换矩阵。
另一种可选的实施方式中，坐标转换规则可以体现为一个坐标转换模型，该坐标转换模型可以是循环神经网络模型或者卷积神经网络模型。
下面介绍如何训练得到该坐标转换模型：
获取样本数据集，样本数据集包括多个样本位置中每个样本位置对应的第一样本坐标和第二样本坐标；第一样本坐标是第一传感器基于样本标定码获取的；第二样本坐标是第二传感器基于样本标定码获取的；
构建预设机器学习模型，将预设机器学习模型确定为当前机器学习模型；
基于当前机器学习模型，对第一样本坐标进行坐标转换操作，确定第一样本坐标对应的第二预测坐标；
基于第一样本坐标对应的第二预测坐标和第二样本坐标，确定损失值；
当损失值大于预设阈值时，基于损失值进行反向传播，对当前机器学习模型进行更新以得到更新后的机器学习模型，将更新后的机器学习模型重新确定为当前机器学习模型。重复步骤：基于当前机器学习模型，对第一样本坐标进行坐标转换操作，确定第一样本坐标对应的第二预测坐标；
当损失值小于或等于预设阈值时，将当前机器学习模型确定为坐标转换模型。
S205：基于坐标转换规则将第一平面数据转换至第二坐标系下，得到第二平面数据；第二坐标系对应第二传感器。
坐标转换规则为坐标转换矩阵的实施例中：若第一传感器为相机，步骤S205可以表示为基于坐标转换矩阵将第一平面数据转换至激光雷达坐标系下，得到第二平面数据。
若第一传感器为激光雷达，步骤S205可以表示为基于坐标转换矩阵将第一平面数据转换至相机像素坐标系下，得到第二平面数据。
坐标转换规则为坐标转换模型的实施例中，可以将第一平面数据作为该坐标转换模型的输入，该坐标转换模型输出得到第二平面数据。
S207：根据预设需求对第二平面数据进行数据处理。
本申请实施例中，移动电子设备可以根据预设需求将第二平面数据与历史第二平面数据进行拼接，得到所述障碍物的第二平面数据集，也就是将刚得到的第二平面数据和之前得到的第二平面数据进行拼接。比如，第一次得到的第二平面数据是一张座椅的一部分，第二次得到的第二平面数据是该座椅的另一部分，通过拼接，就可以得到一张完整的座椅。
综上，本申请通过预先检测相机像素坐标系下的坐标和激光雷达坐标系下的坐标，再通过检测到的匹配坐标确定两个坐标系下的坐标转换矩阵，随后在实际应用过程中使用该坐标转换矩阵，使得两个坐标系上的数据集中在一个坐标系上。
本申请实施例还提供了一种障碍物的平面数据的处理装置，图6是本申请实施例提供的一种障碍物的平面数据的处理装置的结构示意图，如图6所示，该装置包括：
获取模块601用于基于第一传感器获取障碍物在第一坐标系下的第一平面数据，其中，所述第一平面数据包括多个第一坐标数据；
确定模块602用于确定所述第一坐标系与第二坐标系之间的坐标转换矩阵；
转换模块603用于基于所述坐标转换矩阵将所述第一平面数据转换至所述第二坐标系下，得到第二平面数据；所述第二坐标系对应第二传感器；
处理模块604用于根据预设需求对所述第二平面数据进行数据处理。
在一种可选的实施方式中，该装置还包括：
获取模块601用于通过位于移动电子设备的摄像头获取所述障碍物在所述相机像素坐标系下的第一平面数据；
转换模块603用于基于所述坐标转换矩阵将所述第一平面数据转换至所述激光雷达坐标系下，得到第二平面数据。
在一种可选的实施方式中，该装置还包括：
获取模块601用于通过位于移动电子设备的激光雷达获取所述障碍物在所述激光雷达坐标系下的第一平面数据；
转换模块603用于基于所述坐标转换矩阵将所述第一平面数据转换至所述相机像素坐标系下，得到第二平面数据。
在一种可选的实施方式中，如图7所示的障碍物的平面数据的处理装置的结构示意图，该装置还包括矩阵获取模块605，用于：
在N个预设位置，通过所述第一传感器获取标定码在所述第一坐标系下的第一坐标集合；
在所述N个预设位置，通过所述第二传感器获取所述标定码在所述第二坐标系下的第二坐标集合；对所述第一坐标集合中的第一坐标和所述第二坐标集合中的第二坐标进行转换，得到第一齐次坐标集合和第二齐次坐标集合；
基于同一预设位置从所述第一齐次坐标集合和所述第二齐次坐标集合确定出N对匹配坐标；
将所述N对匹配坐标代入包含有待确定参数的坐标转换矩阵的函数中，得到确定后的所述坐标转换矩阵。
在一种可选的实施方式中，如图7所示的障碍物的平面数据的处理装置的结构示意图，该装置还包括模型确定模块606，用于：
获取样本数据集，样本数据集包括多个样本位置中每个样本位置对应的第一样本坐标和第二样本坐标；第一样本坐标是第一传感器基于样本标定码获取的；第二样本坐标是第二传感器基于样本标定码获取的；
构建预设机器学习模型，将预设机器学习模型确定为当前机器学习模型；
基于当前机器学习模型，对第一样本坐标进行坐标转换操作，确定第一样本坐标对应的第二预测坐标；
基于第一样本坐标对应的第二预测坐标和第二样本坐标，确定损失值；
当损失值大于预设阈值时，对当前机器学习模型进行更新以得到更新后的机器学习模型，将更新后的机器学习模型重新确定为当前机器学习模型；当损失值小于或等于预设阈值时，将当前机器学习模型确定为坐标转换模型。
在一种可选的实施方式中，该装置还包括：
模型确定模块606，用于当损失值大于预设阈值时，基于损失值进行反向传播，对当前机器学习模型进行更新以得到更新后的机器学习模型，将更新后的机器学习模型重新确定为当前机器学习模型；重复步骤：基于当前机器学习模型，对第一样本坐标进行坐标转换操作，确定第一样本坐标对应的第二预测坐标。
在一种可选的实施方式中，该装置还包括：
处理模块604用于根据所述预设需求将所述第二平面数据与历史第二平面数据进行拼接，得到所述障碍物的第二平面数据集。
本申请实施例中的装置与方法实施例基于同样地申请构思。
本申请实施例所提供的方法实施例可以在计算机终端、服务器或者类似的运算装置中执行。以运行在服务器上为例，图8是本申请实施例提供的一种障碍物的平面数据的处理方法的电子设备的硬件结构框图。如图8所示，该电子设备800可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(Central Processing Units，CPU)810(处理器810可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器830，一个或一个以上存储应用程序823或数据822的存储介质820(例如一个或一个以上海量存储设备)。其中，存储器830和存储介质820可以是短暂存储或持久存储。存储在存储介质820的程序可以包括一个或一个以上模块，每个模块可以包括对电子设备中的一系列指令操作。更进一步地，中央处理器810可以设置为与存储介质820通信，在电子设备800上执行存储介质820中的一系列指令操作。电子设备800还可以包括一个或一个以上电源860，一个或一个以上有线或无线网络接口850，一个或一个以上输入输出接口840，和/或，一个或一个以上操作系统821，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等等。
输入输出接口840可以用于经由一个网络接收或者发送数据。上述的网络具体实例可包括电子设备800的通信供应商提供的无线网络。在一个实例中，输入输出接口840包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，输入输出接口840可以为射频(RadioFrequency，RF)模块，其用于通过无线方式与互联网进行通讯。
本领域普通技术人员可以理解，图8所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，电子设备800还可包括比图8中所示更多或者更少的组件，或者具有与图8所示不同的配置。
如图9所示，本申请的实施例还提供了一种计算机可读存储介质910，所述计算机可读存储介质可设置于服务器之中以保存用于实现方法实施例中一种障碍物的平面数据的处理方法相关的至少一条指令、至少一段程序、代码集或指令集911，该至少一条指令、该至少一段程序、该代码集或指令集911由该处理器920加载并执行以障碍物的平面数据的处理方法。
可选地，在本实施例中，上述存储介质可以位于计算机网络的多个网络服务器中的至少一个网络服务器。可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
由上述本申请提供的障碍物的平面数据的处理方法、设备或存储介质的实施例可见，具体包括基于第一传感器获取障碍物在第一坐标系下的第一平面数据，其中，第一平面数据包括多个第一坐标数据，确定第一坐标系与第二坐标系之间的坐标转换矩阵，基于坐标转换矩阵将第一平面数据转换至第二坐标系下，得到第二平面数据，第二坐标系对应第二传感器；根据预设需求对第二平面数据进行数据处理。由此，由此，通过两个传感器对应的坐标系的转换可以有效的降低硬件成本和软件复杂度，此外，多传感器数据可以为后续有效获知障碍物在环境中的空间座标打下基础。
需要说明的是：上述本申请实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本申请的较佳实施例，并不用以限制本申请，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 (11)
1.一种障碍物的平面数据的处理方法，其特征在于，所述方法包括：
基于第一传感器获取障碍物在第一坐标系下的第一平面数据，其中，所述第一平面数据包括多个第一坐标数据；
确定所述第一坐标系与第二坐标系之间的坐标转换规则；
基于所述坐标转换规则将所述第一平面数据转换至所述第二坐标系下，得到第二平面数据；所述第二坐标系对应第二传感器；
根据预设需求对所述第二平面数据进行数据处理。
2.根据权利要求1所述的方法，其特征在于，所述坐标转换规则包括坐标转换矩阵；所述第一坐标系为相机像素坐标系，所述第二坐标系为激光雷达坐标系；
所述基于第一传感器获取障碍物在第一坐标系下的第一平面数据，包括：
通过位于移动电子设备的摄像头获取所述障碍物在所述相机像素坐标系下的第一平面数据；
所述基于所述坐标转换矩阵将所述第一平面数据转换至所述第二坐标系下，得到第二平面数据，包括：
基于所述坐标转换矩阵将所述第一平面数据转换至所述激光雷达坐标系下，得到第二平面数据。
3.根据权利要求2所述的方法，其特征在于，所述第一坐标系为激光雷达坐标系，所述第二坐标系为相机像素坐标系：
所述基于第一传感器获取障碍物在第一坐标系下的第一平面数据，包括：
通过位于移动电子设备的激光雷达获取所述障碍物在所述激光雷达坐标系下的第一平面数据；
所述基于所述坐标转换矩阵将所述第一平面数据转换至所述第二坐标系下，得到第二平面数据，包括：
基于所述坐标转换矩阵将所述第一平面数据转换至所述相机像素坐标系下，得到第二平面数据。
4.根据权利要求2所述的方法，其特征在于，所述方法还包括获取所述第一坐标系与所述第二坐标系之间的坐标转换矩阵；
所述获取所述第一坐标系与所述第二坐标系之间的坐标转换矩阵，包括：
在N个预设位置，通过所述第一传感器获取标定码在所述第一坐标系下的第一坐标集合；
在所述N个预设位置，通过所述第二传感器获取所述标定码在所述第二坐标系下的第二坐标集合；
对所述第一坐标集合中的第一坐标和所述第二坐标集合中的第二坐标进行转换，得到第一齐次坐标集合和第二齐次坐标集合；
基于同一预设位置从所述第一齐次坐标集合和所述第二齐次坐标集合确定出N对匹配坐标；
将所述N对匹配坐标代入包含有待确定参数的坐标转换矩阵的函数中，得到参数确定后的所述坐标转换矩阵。
5.据权利要求4所述的方法，其特征在于，所述标定码被设置于墙角位置；所述N个预设位置中每个预设位置与所述标定码的距离是不相同的；
所述N个预设位置包括至少4个预设位置，且所述N对匹配坐标为所述标定码与所述预设位置的不同距离所对应的至少4对匹配坐标，其中，所述匹配坐标是不共线的。
6.根据权利要求1所述的方法，其特征在于，所述坐标转换规则包括坐标转换模型；所述方法还包括训练得到所述坐标转换模型的步骤；
所述训练得到所述坐标转换模型，包括：
获取样本数据集，
构建预设机器学习模型，将所述预设机器学习模型确定为当前机器学习模型；
基于所述当前机器学习模型，对所述第一样本坐标进行坐标转换操作，确定所述第一样本坐标对应的第二预测坐标；
基于所述第一样本坐标对应的第二预测坐标和第二样本坐标，确定损失值；
当所述损失值大于预设阈值时，对所述当前机器学习模型进行更新以得到更新后的机器学习模型，将所述更新后的机器学习模型重新确定为所述当前机器学习模型；
当所述损失值小于或等于所述预设阈值时，将所述当前机器学习模型确定为所述坐标转换模型。
7.根据权利要求6所述的方法，其特征在于，
所述样本数据集包括多个样本位置中每个样本位置对应的第一样本坐标和第二样本坐标；所述第一样本坐标是所述第一传感器基于样本标定码获取的；所述第二样本坐标是所述第二传感器基于所述样本标定码获取的；
所述当所述损失值大于预设阈值时，对所述当前机器学习模型进行更新以得到更新后的机器学习模型，将所述更新后的机器学习模型重新确定为所述当前机器学习模型，包括：
当所述损失值大于预设阈值时，基于所述损失值进行反向传播，对所述当前机器学习模型进行更新以得到更新后的机器学习模型，将所述更新后的机器学习模型重新确定为所述当前机器学习模型；
重复步骤：基于所述当前机器学习模型，对所述第一样本坐标进行坐标转换操作，确定所述第一样本坐标对应的第二预测坐标。
8.根据权利要求1所述的方法，其特征在于，所述第一坐标系下的坐标为二维数据或三维数据；和/或，所述第二坐标系下的坐标为二维数据或三维数据；
所述根据预设需求对所述第二平面数据进行数据处理，包括：
根据所述预设需求将所述第二平面数据与历史第二平面数据进行拼接，得到所述障碍物的第二平面数据集。
9.一种障碍物的平面数据的处理装置，其特征在于，所述装置包括：
获取模块，用于基于第一传感器获取障碍物在第一坐标系下的第一平面数据，其中，所述第一平面数据包括多个第一坐标数据；
确定模块，用于确定所述第一坐标系与第二坐标系之间的坐标转换规则；
转换模块，用于基于所述坐标转换规则将所述第一平面数据转换至所述第二坐标系下，得到第二平面数据；所述第二坐标系对应第二传感器；
处理模块，用于根据预设需求对所述第二平面数据进行数据处理。
10.一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由所述处理器加载并执行如权利要求1-8任一所述的障碍物的平面数据的处理方法。
11.一种计算机存储介质，其特征在于，所述计算机存储介质中存储有至少一条指令或至少一段程序，所述至少一条指令或至少一段程序由处理器加载并执行以实现如权利要求1-8任一所述的障碍物的平面数据的处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010348336.2A CN111708046A (zh) | 2020-04-28 | 2020-04-28 | 一种障碍物的平面数据的处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010348336.2A CN111708046A (zh) | 2020-04-28 | 2020-04-28 | 一种障碍物的平面数据的处理方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111708046A true CN111708046A (zh) | 2020-09-25 |
Family
ID=72536836
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010348336.2A Pending CN111708046A (zh) | 2020-04-28 | 2020-04-28 | 一种障碍物的平面数据的处理方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111708046A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112378332A (zh) * | 2020-10-15 | 2021-02-19 | 河北工业大学 | 一种工业机器人与激光跟踪仪坐标系对齐方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106777302A (zh) * | 2016-12-30 | 2017-05-31 | 深圳市华傲数据技术有限公司 | 空间地理坐标的转换方法及装置 |
| CN108564630A (zh) * | 2018-05-02 | 2018-09-21 | 吉林大学 | 基于激光雷达和相机摄像头融合的标定装置及其标定方法 |
| CN109685848A (zh) * | 2018-12-14 | 2019-04-26 | 上海交通大学 | 一种三维点云与三维传感器的神经网络坐标变换方法 |
| CN109696173A (zh) * | 2019-02-20 | 2019-04-30 | 苏州风图智能科技有限公司 | 一种车体导航方法和装置 |
| CN109859154A (zh) * | 2019-01-31 | 2019-06-07 | 深兰科技（上海）有限公司 | 一种数据融合方法、装置、设备及介质 |
| CN110021046A (zh) * | 2019-03-05 | 2019-07-16 | 中国科学院计算技术研究所 | 相机与激光雷达组合传感器的外参数标定方法及系统 |
-
2020
- 2020-04-28 CN CN202010348336.2A patent/CN111708046A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106777302A (zh) * | 2016-12-30 | 2017-05-31 | 深圳市华傲数据技术有限公司 | 空间地理坐标的转换方法及装置 |
| CN108564630A (zh) * | 2018-05-02 | 2018-09-21 | 吉林大学 | 基于激光雷达和相机摄像头融合的标定装置及其标定方法 |
| CN109685848A (zh) * | 2018-12-14 | 2019-04-26 | 上海交通大学 | 一种三维点云与三维传感器的神经网络坐标变换方法 |
| CN109859154A (zh) * | 2019-01-31 | 2019-06-07 | 深兰科技（上海）有限公司 | 一种数据融合方法、装置、设备及介质 |
| CN109696173A (zh) * | 2019-02-20 | 2019-04-30 | 苏州风图智能科技有限公司 | 一种车体导航方法和装置 |
| CN110021046A (zh) * | 2019-03-05 | 2019-07-16 | 中国科学院计算技术研究所 | 相机与激光雷达组合传感器的外参数标定方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 何志豪: "室内通道中无人车视觉定位与感知", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112378332A (zh) * | 2020-10-15 | 2021-02-19 | 河北工业大学 | 一种工业机器人与激光跟踪仪坐标系对齐方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11145073B2 (en) | Computer vision systems and methods for detecting and modeling features of structures in images | |
| CN111665842B (zh) | 一种基于语义信息融合的室内slam建图方法及系统 | |
| CN110470333B (zh) | 传感器参数的标定方法及装置、存储介质和电子装置 | |
| CN111709988B (zh) | 一种物体的特征信息的确定方法、装置、电子设备及存储介质 | |
| CN111856499B (zh) | 基于激光雷达的地图构建方法和装置 | |
| CN110705385B (zh) | 一种障碍物角度的检测方法、装置、设备及介质 | |
| CN112750161B (zh) | 用于移动机器人的地图更新方法 | |
| CN111380515B (zh) | 定位方法及装置、存储介质、电子装置 | |
| WO2022217988A1 (zh) | 传感器配置方案确定方法、装置、计算机设备、存储介质及程序 | |
| WO2024087962A1 (zh) | 车厢姿态识别系统、方法、电子设备及存储介质 | |
| CN114926549B (zh) | 三维点云处理方法、装置、设备以及存储介质 | |
| Jelinek et al. | Fast total least squares vectorization | |
| CN113724388B (zh) | 高精地图的生成方法、装置、设备以及存储介质 | |
| CN111708046A (zh) | 一种障碍物的平面数据的处理方法、装置、电子设备及存储介质 | |
| CN117029817A (zh) | 一种二维栅格地图融合方法及系统 | |
| CN113822892B (zh) | 仿真雷达的评测方法、装置、设备及计算机存储介质 | |
| CN115239899B (zh) | 位姿图生成方法、高精地图生成方法和装置 | |
| CN114627365B (zh) | 场景重识别方法、装置、电子设备及存储介质 | |
| CN116642490A (zh) | 基于混合地图的视觉定位导航方法、机器人及存储介质 | |
| CN113836975A (zh) | 基于yolov3的双目视觉无人机避障方法 | |
| CN113870412A (zh) | 一种航空场景图像的处理方法、装置以及电子设备 | |
| Sun et al. | Indoor Li-DAR 3D mapping algorithm with semantic-based registration and optimization | |
| CN117537803B (zh) | 机器人巡检语义-拓扑地图构建方法、系统、设备及介质 | |
| US20210405197A1 (en) | GLOBAL LOCALIZATION APPARATUS AND METHOD IN DYNAMIC ENVIRONMENTS USING 3D LiDAR SCANNER | |
| US20220198703A1 (en) | Determining a current pose estimate of an aircraft relative to a runway to support the aircraft on approach |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200925 |
|
| RJ01 | Rejection of invention patent application after publication |