CN111862218A - 计算机设备定位方法、装置、计算机设备和存储介质 - Google Patents
计算机设备定位方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111862218A CN111862218A CN202010746059.0A CN202010746059A CN111862218A CN 111862218 A CN111862218 A CN 111862218A CN 202010746059 A CN202010746059 A CN 202010746059A CN 111862218 A CN111862218 A CN 111862218A
- Authority
- CN
- China
- Prior art keywords
- constraint
- data set
- pose
- map
- determining
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种计算机设备定位方法、装置、计算机设备和存储介质,其中,该方法包括:获取顶视传感器的顶视数据集以及视觉传感器的图像数据集,其中,顶视数据集包括计算机设备所处建筑物的内顶面的距离数据,图像数据集包括计算机设备所处建筑物的内顶面的图形数据;基于位置点地图中确定所述顶视数据集的深度约束特征和/或轮廓约束特征;基于图形地图中确定所述图像数据集的位置约束特征;根据所述深度约束特征和/或所述轮廓约束特征,以及所述位置约束特征确定计算机设备的目标位姿。本发明实施例,通过建筑物内顶面的数据进行定位,降低环境变换导致定位失效的问题,提高了计算机设备定位功能的鲁棒性。
Description
技术领域
本发明实施例涉及自动化控制技术领域,尤其涉及一种计算机设备定位方法、装置、设备和存储介质。
背景技术
随着科技技术的不断发展,移动机器人逐渐出现在生活的方方面面,如,车站中的清洁机器人、商场中的导购机器人和餐厅中的送餐机器人等,为了实现在不同场景中的不同功能,首先要解决的就是机器人的定位问题,机器人需要通过所处的环境确定出自身的位置,从而根据用户预先设定或者即时下达的指令实现相应功能。
现有技术中常使用激光雷达传感器探测周围的物体,进行建图和定位。但是该方法存在两个缺点:当环境变化较大时,无法使用已创建的地图进行定位;当机器人附近的人流过大时,激光雷达传感器的视野被遮挡,造成机器人定位功能失效,目前亟需一种提高地图定位准确性和鲁棒性的方法。
发明内容
有鉴于此,本发明旨在至少一定程度上解决相关技术中的问题之一。本发明提供了一种计算机设备定位方法、装置、计算机设备和存储介质,以实现计算机设备的精确定位,降低环境变化对定位功能的影响,减少计算机定位失效的情况发生,提高计算机设备定位功能的鲁棒性。
第一方面,本发明实施例提供了一种计算机设备定位方法,该方法包括:
获取顶视传感器的顶视数据集以及视觉传感器的图像数据集,其中,顶视数据集包括计算机设备所处建筑物的内顶面的距离数据,图像数据集包括计算机设备所处建筑物的内顶面的图形数据;
基于位置点地图中确定所述顶视数据集的深度约束特征和/或轮廓约束特征;
基于图形地图中确定所述图像数据集的位置约束特征;
根据所述深度约束特征和/或所述轮廓约束特征,以及所述位置约束特征确定计算机设备的目标位姿。
第二方面,本发明实施例提供了一种计算机设备定位装置,该装置包括:
数据采集模块,用于获取顶视传感器的顶视数据集以及视觉传感器的图像数据集,其中,顶视数据集包括计算机设备所处建筑物的内顶面的距离数据,图像数据集包括计算机设备所处建筑物的内顶面的图形数据;
位置点模块,用于基于位置点地图中确定所述顶视数据集的深度约束特征和/或轮廓约束特征;
图形模块,用于基于图形地图中确定所述图像数据集的位置约束特征;
位姿确定模块,用于根据所述深度约束特征和/或所述轮廓约束特征,以及所述位置约束特征确定计算机设备的目标位姿。
第三方面,本发明实施例提供了一种计算机设备,该设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
至少一个顶视传感器,用于获取顶视数据集,所述顶视数据集包括计算机设备所处建筑物的内顶面的距离数据;
至少一个视觉传感器,用于获取图像数据集,所述图像数据集包括计算机设备所处建筑物的内顶面的图形数据;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明实施例中任一所述的计算机设备定位方法。
第四方面,本发明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本发明实施例中任一所述的计算机设备定位方法。
本发明实施例,通过顶视传感器和视觉传感器分别采集建筑物的内顶面的距离数据和图像数据,并存储到顶视数据集和图像数据集,通过位置点地图确定出顶视数据集的深度约束特征和/或轮廓约束特征,根据图像地图确定图像数据集的位置约束特征,可以基于深度约束特征和/或轮廓约束特征,以及位置约束特征确定出计算机设备的目标位姿,通过图形数据弥补距离数据的精度,提高计算机设备定位的准确性,降低环境变化对计算机设备定位的影响,增强计算机设备定位功能的鲁棒性。
附图说明
图1是本发明实施例一提供的一种计算机设备定位方法的流程图;
图2是本发明实施例一提供的一种建筑物内顶面数据采集的示例图;
图3是本发明实施例一提供的一种姿态定义的示例图;
图4是本发明实施例二提供的一种计算机设备定位方法的流程图;
图5是本发明实施例三提供的一种计算机设备定位方法的流程图;
图6是本发明实施例三提供的一种语义形态信息与地图语义形态信息匹配的示例图;
图7是本发明实施例三提供的一种匹配度确定的示例图;
图8是本发明实施例三提供的一种计算机设备定位方法的示例图;
图9是本发明实施例四提供的一种计算机设备定位装置的结构示意图;
图10是本发明实施例五提供的一种计算机设备的结果示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构,此外,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例一
图1是本发明实施例一提供的一种计算机设备定位方法的流程图,本实施例可适用于使用建筑物内顶面的数据进行定位情况,该方法可以由计算机设备定位装置来执行,该装置可以采用硬件和/或软件的方式来实现,参见图1,本发明实施例提供的方法具体包括如下步骤:
步骤101、获取顶视传感器的顶视数据集以及视觉传感器的图像数据集,其中,顶视数据集包括计算机设备所处建筑物的内顶面的距离数据,图像数据集包括计算机设备所处建筑物的内顶面的图形数据。
其中,顶视传感器可以是采集计算机设备周围环境中数据的传感器,顶视传感器的数据采集方向可以是计算机设备的顶部方向,相应的,顶视传感器采集的数据包括计算机设备所处建筑物的内顶面的距离数据,距离数据可以包括顶视传感器与建筑物内顶面之间的距离,可以具体为深度数据或者轮廓数据。顶视数据集可以是确定计算机设备所处位置的数据,根据顶视传感器的类型不同,采集到的顶视数据集不同,例如,当顶视传感器为激光雷达传感器,则顶视数据集包括激光雷达点云数据,当顶视传感器为深度摄像机,则顶视数据集中可以为深度图像数据。视觉传感器可以是采集建筑物内顶面图像数据的装置,可以包括电荷耦合器(Charge Couple Device,CCD)传感器和金属氧化物半导体元件(Complementary Metal-Oxide Semiconductor,CMOS)传感器等,视觉传感器采集的对象也位于建筑物内顶面,当顶视传感器采集到的距离数据位于相同平面时,此时顶视数据集的数据特征不明显,可以通过视觉传感器采集的图形数据辅助进行定位,可以提高定位的精确度。建筑物可以是计算机设备所处的空间,建筑物内顶面的数据可以包括识别天花板、灯具、空调口灯具或者装饰物等产生的数据。
在本发明实施例中,顶视传感器在建筑物的内顶面的距离数据,视觉传感器采集建筑物内顶面的的图形数据,顶视传感器和视觉传感器可以设置在计算机设备的顶部。图2是本发明实施例一提供的一种建筑物内顶面数据采集的示例图,对象30可以处于建筑物的内顶面上,计算机设备10的顶部可以设置有顶视传感器20和视觉传感器21,顶视传感器20采集对象30的距离数据,视觉传感器21采集对象30的图形数据,可以将采集到的距离数据和图形数据分别存储到顶视数据集以及图像数据集。
步骤102、基于位置点地图中确定所述顶视数据集的深度约束特征和/或轮廓约束特征。
其中,位置点地图可以是预先生成的定位地图,位置点地图可以描述计算机设备所处空间,可以包括计算机设备在空间内不同位置采集到的三维点云数据和/或三维深度数据等。深度约束特征可以表示距离数据与位置点地图在竖直方向上的位置关系,可以是顶视数据集中提取到的特征值集合。轮廓约束特征表示距离数据组成的轮廓与在位置点地图组成的轮廓的对应关系,例如,距离数据组成的轮廓与位置点地图中数据组成的轮廓之间的位置关系或者相似程度等,深度约束特征可以通过位置点地图和顶视数据集的构成的轮廓确定。
在本发明实施例中,可以通过提取顶视数据集轮廓特征和/或深度特征,可以分别根据轮廓特征和深度特征确定出与位置点地图的关系,可以将对应的关系分别作为轮廓约束特征或者深度约束特征。在顶视数据集中提取轮廓特征的方式可以包括图形识别和神经网络等方法,在顶视数据集中提取深度数据的方法可以包括阈值比较或者深度学习等方法,例如,深度学习模型预设通过预设距离进行训练,将顶视数据集的数据输入到深度学习模型中仅输出顶视数据集中符合深度特征的数据。
可以理解的是,顶视数据集基于位置点地图确定约束特征的方法可以包括:在位置点地图中仅确定顶视数据集的深度约束特征。或者,在位置点地图中仅确定顶视数据集的轮廓约束特征。还可以包括在位置点地图中可以确定出顶视数据集的深度约束特征和轮廓约束特征。
步骤103、基于图形地图中确定所述图像数据集的位置约束特征。
其中,图形地图可以是通过建筑物内顶面的图形特征进行定位的地图,图形地图中可以由图形组成。位置约束特征可以是通过图像数据集与图形地图之间的对应关系,例如,图像数据集在图形地图中的位置对应关系或者是图像数据集内图形与图形地图内图形的相似程度等。
具体的,可以提取图像数据集和图形地图内的图形数据,可以将图形数据进行匹配,确定出图像数据集内的图形数据在图形地图内的位置,根据不同的位置确定出计算机设备在移动过程中的位姿变化,可以将该位姿变化作为计算机设备的位置约束特征。可以理解的是,根据选择图像数据集内的不同图形数据可以在图形地图中确定出不同的位置,可以选择至少两个位置确定出计算机设备的位姿变化。
步骤104、根据所述深度约束特征和/或所述轮廓约束特征,以及所述位置约束特征确定计算机设备的目标位姿。
其中,目标位姿可以是计算机设备当前在空间内所处的位置和姿态,其中,目标位姿可以使用矩阵的方式表示,其中R表示选择矩阵,t表示位移,相应的,位姿T可以如下SE(3)的形式表示:
其中,R可以是3*3的矩阵,而t可以是一个3*1的向量,目标位姿的位置可以由三维空间坐标,以(X,Y,Z)坐标的形式表示计算机设备在空间所处的位置,姿态可以是由计算机设备旋转的角度表示,包括航向角、俯仰角和翻滚角等,图3是本发明实施例一提供的一种姿态定义的示例图,参见图3,计算机设备在X-Z面转动的角度可以称为俯仰角,计算机设备在X-Y面转动的的角度可以称为航向角,计算机设备在Y-Z面转动的角度可以称为翻滚角。
在本发明实施例中,确定出顶视数据集的深度约束特征和/或轮廓约束特征以及位置约束特征后,可以根据确定出的约束特征在位置点地图中查找到目标位置,可以将目标位置对应的计算机设备的位姿作为目标位姿,还可以根据确定出的约束特征对计算机设备的位姿进行优化,可以将位姿的优化结果作为计算机设备的目标位姿。
本发明实施例,通过顶视传感器和视觉传感器分别采集建筑物内顶面的距离数据和图形数据作为顶视数据集和图像数据集,基于位置点地图确定出顶视数据集的深度约束特征和/或轮廓约束特征,根据图像地图确定出图像数据集的位置约束特征,通过轮廓约束特征和/或深度约束特征以及位置约束特征共同确定计算机设备的目标位姿,通过图形数据提高建筑物内顶面的距离数据的可靠性,提高计算机设备定位的稳定性,可以提高定位的准确性。
进一步的,在上述发明实施例的基础上,所述方法还包括:
获取定位装置的定位数据集;根据定位数据集确定轨迹约束特征。
其中,定位装置可以是计算设备中采集辅助定位数据的软件和/或硬件装置,可以确定计算机设备在移动过程中位置信息,可以用于计算机设备航迹推演。定位数据集可以由定位装置采集到的数据组成。轨迹约束特征可以是计算机设备根据移动轨迹确定出的限制特征,可以表示一段时间内计算机设备在空间内位姿的变化程度,可以包括位置变化量和姿态变化量。
在本发明实施例中,计算机设备通过定位装置确定计算机设备的位置信息,可以监测计算机设备的移动速度和移动方向。将采集到的位置信息可以存储为定位数据集,提取定位数据集内的特征,将提取到的特征作为计算机设备的轨迹约束特征,例如,可以通过定位数据集内的数据确定出一段时间内计算机设备位姿变化程度,可以将该位姿变化程度作为对应时间段的轨迹约束特征。可以通过确定出的轨迹约束特征辅助确定计算机设备的位姿,提高定位的准确度。
进一步的,在上述发明实施例的基础上,所述顶视传感器设置在所述计算机设备的顶部。
具体的,可以将顶视传感器设置在计算机设备的顶部,可以采集到计算机设备顶部方向对应的建筑物内顶面,防止周围物体对顶视传感器的遮挡,提高建筑物内顶面数据采集的准确性,增强计算机设备定位的准确性。
进一步的,在上述发明实施例的基础上,所述所述顶视传感器的数据采集视野被障碍物遮挡时,改变所述顶视传感器的方向以使所述顶视传感器的数据采集视野不被所述障碍物遮挡,其中,所述障碍物位于所述计算机设备与所述内顶面之间。
其中,数据采集视野可以是顶视传感器采集数据的范围,数据采集视野可以由顶视传感器的种类和设置位置决定。障碍物可以是计算机设备与计算机设备所处建筑物内顶面之间的物体,能够妨碍顶视传感器采集内顶面数据。
在本发明实施例中,顶视传感器与计算机设备之间可以设置有运动装置,当检测到顶视传感器的数据采集视野被障碍物遮挡时,可以控制运动装置改变顶视传感器的安装角度和安装位置等,减少或者避免障碍物对顶视传感器数据采集视野的影响。
实施例二
图4是本发明实施例二提供的一种计算机设备定位方法的流程图,本发明实施例是以上述实施例为基础的具体化,通过顶视数据集的深度约束特征以及图像数据集的位置约束特征确定目标位姿,参见图4,本发明实施例提供的计算机设备定位方法包括如下步骤:
步骤201、获取顶视传感器的顶视数据集以及视觉传感器的图像数据集,其中,顶视数据集包括计算机设备所处建筑物的内顶面的距离数据,图像数据集包括计算机设备所处建筑物的内顶面的图形数据。
步骤202、获取定位装置的定位数据集;根据定位数据集确定轨迹约束特征。
在一个示例性的实施方式中,可以获取定位数据集内位移数据对应的时间戳信息;通过至少两个时间戳信息对应的位移数据确定位姿变化,将所述位姿变化作为轨迹约束特征。
步骤203、在顶视数据集中确定预设距离内存在至少三个其他位置点的目标距离数据,并将目标距离数据加入匹配数据集。
其中,预设距离可以是根据经验设置出的一个经验值,一个距离数据对应的位置点在预设距离内存在至少三个其他位置点时,该位置点为可以准确反映出对象在建筑物内顶面距离数据的深度特征,便于计算机设备进行定位。
在本发明实施例中,针对各距离数据获取其与其他距离数据之间的距离关系,若存在三个距离关系小于或等于预设距离,则确定该位置点在预设距离内存在三个其他位置点,可以将该距离数据作为目标距离数据。其中,预设距离具体可以通过三维坐标的方式表示,例如,一个距离数据为[x1,y1,z1],其他距离数据为[xi,yi,zi],其中,i=2,…,n,预设距离设置为[0.05,0.05,-0.5],当距离数据与至少三个其他位置点存在以下距离关系时,可以确定该为距离数据位目标位置数据,距离关系X可以表示为:
具体的,可以将确定出的目标位置数据存储到匹配数据集,匹配数据集用于与位置点地图进行匹配,可以每确定出一个目标位置数据后添加到匹配数据集,也可以将所有目标位置数据全部确定后直接作为匹配数据集。
步骤204、确定匹配数据集与位置点地图匹配成功时,匹配数据集对应的位姿和位置点地图内参与匹配数据对应的深度地图位姿作为深度约束特征。
其中,位姿可以是计算机设备当前所处的位置和姿态,深度地图位姿可以是计算机设备通过顶视数据集的深度特征在位置点地图中确定出的位置和姿态。
在本发明实施例中,可以将匹配数据集与位置点地图进行数据匹配,确定匹配数据集中与位置点地图相同或者相似的数据,例如,可以计算匹配数据集中距离数据与位置点地图内数据的相似程度,当该相似程度大于阈值时,可以确定匹配数据集与位置点地图匹配成功。为了提高数据匹配的速度,可以采用Scan Match匹配的方式实现匹配数据集与位置点地图的匹配。
具体的,当匹配数据集与位置点地图匹配成功时,分别获取匹配数据集中的距离数据,通过该距离数据确定出计算机设备当前所处的位姿;以及获取位置点地图中与匹配数据集匹配的距离数据,根据该距离数据确定深度地图位姿。
步骤205、通过图像数据集内各图形数据在图形地图中确定对应的位置信息。
其中,位置信息可以是图形地图中各图形数据对应的位置坐标,位置信息具体可以是三维空间坐标。
在本发明实施例中,可以提取到图像数据集内的图形数据与图形地图中的图形数据进行图形匹配,当匹配程度大于阈值时,确定图像数据集内的图形数据与图形地图中的图形数据相同,可以图形地图内对应的位置坐标作为该图形数据位置信息,可以通过上述过程确定出图像数据集内各图形数据对应的位置信息。
步骤206、确定图像数据集内各图形数据对应的采集时间。
其中,采集时间可以是计算机设备中视觉传感器采集对应图形数据的时间。
在本发明实施例中,图像数据集内各图形数据可以与对应的采集时间关联存储,可以在图像数据集内依次提取各采集时间。
步骤207、根据采集时间和位置信息确定位姿变换作为将图像数据集的位置约束特征。
具体的,采集时间和位置信息可以对应相同的图形数据,通过图形数据确定出采集时间与位置信息的对应关系,按照不同采集时间对应的位置信息确定出计算机设备的位姿变换,例如,采集时间t1、t2、t3和t4分别对应的位置信息为Ta、Tb、Tc和Td,相应的t1到t2时刻的位姿变换可以为Ta*Tb,t1到t4时刻的位姿变换可以为Ta*Tb。可以将确定出的不同时刻的位姿变换作为图像数据集的位姿约束特征,可以理解的是,图像数据集的位置约束特征中位姿变换的数量可以为一个或多个。
步骤208、分别确定深度约束特征、位置约束特征和轨迹约束特征中至少一个的约束权重。
其中,深度约束权重、位置约束特征和轨迹约束权重可以在确定计算机设备位置时各约束特征对应的权重,可以各约束特征对应的权重值可以根据经验设置,当约束权重的权重值越大,则对应的约束特征在确定计算机设备的位置时越重要。
具体的,深度约束特征、位置约束特征和轨迹约束特征的约束权重可以预先存储在计算机设备内部,深度约束特征、位置约束特征和轨迹约束特征的约束权重的权重值可以不相同,在确定计算机设备时可以获取到深度约束特征和轨迹约束特征对应的约束权重。可以理解的是,计算机设备内还可以存储有轮廓约束特征对应的约束权重,当通过顶视数据集确定出轮廓约束特征时,可以确定轮廓约束特征对应的约束权重。
步骤209、将深度约束特征、位置约束特征和轨迹约束特征中至少一个以及对应的约束权重代入目标位姿代价关系。
其中,预设目标位姿代价公式可以是对目标位姿进行非线性优化的公式,在本发明实施例中,确定出顶视数据集的深度约束特征,因此,可以将深度约束特征、位置约束特征和轨迹约束特征通过目标位姿代价关系确定出计算机设备的目标位姿,进一步的,若根据顶视数据集还确定出轮廓约束特征,可以将轮廓约束特征一同代入目标位姿代价公式进行优化以确定目标位姿。
具体的,可以将确定出来的深度约束特征、位置约束特征、轨迹约束特征以及各自对应的约束权重代入预设目标位姿代价关系中,预设目标位姿代价关系可表示如下:
其中,可以表示深度约束特征对应的预设代价公式,可以表示轨迹约束特征对应的预设代价公式,可以表示位置约束特征对应的预设代价公式,Wv、Wo和Wc可以分别表示深度约束特征、轨迹约束特征和位置约束特征分别对应的约束权重。
步骤210、迭代调整目标位姿代价关系中的位姿,使得目标位姿代价关系对应的结果值小于标准阈值。
具体的,可以对深度约束特征、位置约束特征和轨迹约束特征中的位姿进行迭代调整,使得每次调整位姿后,预设目标位姿代价关系的结果值逐渐减小,当经过一次或者多次位姿的调整后,使得结果值小于或等于标准阈值,其中,标准阈值可以是根据经验设定的一个数值,当结果值小于该数值时,可以确定预设目标位姿代价关系的结果值最小。
步骤211、将结果值小于标准阈值时目标位姿代价关系中的位姿作为目标位姿。
在本发明实施例中,当结果值小于或等于标准阈值时,可以获取到目标位姿代价公式中的深度约束特征、位置约束特征和轨迹约束特征,提取其中的位姿作为目标位姿。
本发明实施例,通过预设距离对顶视传感器采集的顶视数据集进行整理生成匹配结果集,通过匹配结果集与位置点地图进行匹配,当匹配结果为成功时,获取匹配数据集对应的位姿和参与匹配的位置点地图对应的深度地图位姿作为深度约束特征,根据辅助定位数据集确定轨迹约束特征,以及根据图像数据集确定不同时刻的位姿变换作为位置约束特征,按照目标位姿优化关系迭代调整深度约束特征、轨迹约束特征和位置约束特征,当目标位姿优化关系的结果值小于标准阈值时,将深度约束特征中的位姿作为目标位姿,实现了计算机设备的精确定位,降低环境变化对定位功能的影响,提高定位功能的鲁棒性。
进一步的,在上述发明实施例的基础上,所述根据所述采集时间和所述位置信息确定位姿变换,包括:选择距离当前时间最近的两个采集时间,并确定各所述采集时间对应的位置信息;将两个所述位置信息对应的坐标变化量确定为位姿变换;将所述位姿变换的坐标系转换到所述图形地图对应的坐标系。
其中,当前时间可以是计算机设备当前所处的时间。
具体的,可以选择距离当前时间最近的两个采集时间,可以准确反映计算机设备当前所处位置的位置约束,获取上述两个采集时间对应的图形数据,根据图形数据确定各自对应的位置信息,通过两个位置信息之间的位置变化量确定出计算机设备的位姿变换,其中,位姿变换可以是以计算机设备为原点的坐标系,可以将该位姿变换由当前计算机设备所处的坐标系转换到图形地图对应的坐标系,在图形地图对应坐标系中确定计算设备的位置变化量,将该位置变化量作为位置约束特征。例如,在计算机设备所处的body坐标系下,位置信息TC bt以及TC bt+1,可以将位姿变换转换到图形地图所处的world坐标系下,body坐标系与world坐标系在t时刻和t+1时刻对应的转换矩阵为TW bt和Tw bt+1,则对应的位姿变换可以表示为通过最近的时间采集时间确定出的时间段,时间越接近,对应的位姿变换越能反应出计算机设备的位置和姿态的变换量,可以提高坐标系转换的准确性,从而提升计算机设备定位精度。
实施例三
图5是本发明实施例三提供的一种计算机设备定位方法的流程图,本发明实施例是上述实施例为基础的具体化,通过顶视数据集的轮廓约束特征和图像数据集的位置约束特征确定目标位姿。参见图5,本发明实施例提供的计算机设备定位方法包括如下步骤:
步骤301、获取顶视传感器的顶视数据集以及视觉传感器的图像数据集,,其中,顶视数据集包括计算机设备所处建筑物的内顶面的距离数据,图像数据集包括计算机设备所处建筑物的内顶面的图形数据。
步骤302、确定距离数据对应的至少一个语义形态信息,其中,语义形态信息至少包括外形信息和相对位置信息。
其中,语义形态信息可以是描述对象轮廓或者外形的信息,包括圆形、三角形、正方形、和圆柱形等,可以通过分析顶视数据集生成,例如,通过神经网络模型分析顶视数据集后输出对象的轮廓作为语义形态信息。语义形态信息可以由外形信息和相对位置信息构成,外形信息可以表示建筑物内顶面的外部形状特征,相对位置信息可以表示不同外形信息之间的相对位置关系。
在本发明实施例中,可以基于距离数据确定建筑物内顶面的形状数据和形状数据之间的相对位置关系作为语义形态信息,具体可以通过图像识别的方法确定出距离数据中的语义形态信息。
步骤303、确定语义形态信息与位置点地图对应地图语义形态信息的匹配度。
其中,地图语义形态信息可以是通过提取位置点地图确定出的语义形态信息,可以反应出位置点地图中包括的数据构成的外形形状和各外形形状之间的位置关系,地图语义形态信息可以预先生成,也可以在确定匹配度时生成。
具体的,可以通过位置点地图确定对应的地图语义形态信息,例如,通过预先训练的神经网络模型对位置点地图进行处理以获取对应的地图语义形态信息。可以将语义形态信息与地图语义形态信息进行图匹配,匹配的内容可以包括匹配外形信息以及匹配各外形信息之间的相对位置关系。图6是本发明实施例三提供的一种语义形态信息与地图语义形态信息匹配的示例图,参见图6,假设语义形态信息中可以包括三角形a、圆形b和四边形c三种外形信息,位置点地图中可以包括四边形1、三角形2、圆形3和四边形4等,三角形2与三角形a的外形相同且相对位置关系相同,可以确定三角形2与三角形a匹配。可以通过确定出的位置和外形的匹配程度作为语义形态信息和地图语义形态信息的匹配度。
进一步的,在上述发明实施例的基础上,所述确定所述语义形态信息与位置点地图对应地图语义形态信息的匹配度,包括:确定位置点地图中至少一个地图语义形态信息;分别确定所述语义形态信息与各所述地图语义形态信息的外形匹配度和相对位置匹配度;针对各所述地图语义形态信息,将对应的外形匹配度和相对位置匹配度之和作为匹配度。
在本发明实施例中,可以通过语义形态信息与地图预设形状信息的匹配程度出匹配度,可以将语义形态信息与地图预设形状信息中的外形信息进行对比,当每存在一个相同的外形信息,则将外形相似度对应增加1。可以将语义形态信息与地图预设形状信息中的相对位置信息进行对比,当存在一个相对位置相同的外形信息,则将相对位置匹配度对应增加1。然后可以将外形匹配度和相对位置匹配度的和作为匹配度,可以理解的是,本发明实施例中的数值1仅为举例说明不作限制,可以根据外形信息和相对位置信息确定不同的数值,当不同的外形信息匹配或者相对位置信息匹配时,外形匹配度和相对位置匹配度可以增加对应的数值。示例性的,图7是本发明实施例三提供的一种匹配度确定的示例图,参见图7,位置点地图中存在1、2、3和4四个语义形态信息,距离数据中存在a、b和c三个语义形态信息,可以使用X表示一对一或者一对多的匹配,当数值为1时,表示其语义形态信息匹配成功,0,表示语义形态信息匹配失败,Kp表示外形信息的匹配度,其数值越大表示匹配得分越高,匹配程度越高,Kq表示相对位置的匹配度,其数值越大表示匹配得分越高,匹配程度越高,可以随机语义形态信息进行组合,确定出对应的Kp和Kq的和作为匹配度,可以使用以下公式表示匹配度的确定过程:
步骤304、根据匹配度的数值选择语义形态信息和地图语义形态信息,并将语义形态信息对应的位姿和地图语义形态信息的轮廓地图位姿作为轮廓约束特征。
在本发明实施例中,根据选择的语义形态信息组合的不同,可以确定出不同的匹配度,可以选择其中数值最大的匹配度,获取该匹配度对应的语义形态信息和地图语义形态信息。将语义形态信息确定出的位姿以及地图语义形态信息确定出轮廓地图位姿作为轮廓约束特征,例如,可以获取语义形态信息对应的距离数据,将距离数据对应的位置和姿态作为该语义形态信息对应的位姿。
步骤305、基于图形地图中确定所述图像数据集的位置约束特征。
步骤306、根据轮廓约束特征,以及位置约束特征确定计算机设备的目标位姿。
本发明实施例,通过获取顶视传感器的顶视数据集和视觉传感器的图像数据集,提取顶视数据集距离数据对应的语义形态信息,并确定语义形态信息与位置点地图中的地图语义形态信息通过图匹配生成的匹配度,将数值最大的匹配度对应的语义形态信息对应的位姿和地图语义形态信息对应的轮廓地图位姿作为轮廓约束特征,根据图形地图确定图像数据集对应的位置约束特征,基于轮廓约束特征和位置约束特征确定目标位姿,实现计算机设备的定位,解决建筑物内顶面的距离数据特征不明显的问题,提高定位的准确性,降低环境变化对定位功能的影响,提高定位功能的鲁棒性。
示例性的,图8是本发明实施例三提供的一种计算机设备定位方法的示例图,参见图8,在计算机设备在进行定位或者建图时,分别采用Livox激光、轮式里程计和摄像头采集数据,可以对采集到的Livox激光点云数据进行数据清洗,包括一定高度以上的点云特征,并分别通过匹配数据集和语义形态信息对位置点地图进行数据匹配和图匹配,获取到深度约束特征和轮廓约束特征;可以对轮式里程计采集的里程数据进行分析,以获取到不同时刻下计算机设备的位姿变化,可以将位姿变化作为计算机设备的轨迹约束特征;通过摄像头拍摄的图形数据在图形地图中确定位置信息,根据位置信息确定出计算机设备的位置变换,将位置变换作为计算机设备在图形地图中的位置约束特征。通过对深度约束特征、轮廓约束特征、位置约束特征和轨迹约束特征进行非线性优化从而确定出目标位姿,并输出。非线性优化过程中,数据匹配结果、图匹配结果以及位姿变换通过不同的预设代价公式。数据匹配结果确定出的位姿,可以通过进行非线性优化,其中,和分别表示匹配时激光点云数据和位置点地图数据,可以表示激光点云与地图数据之间坐标系的转换关系,可以表示激光点云转换到位置点地图对应坐标系之间的误差。图匹配结果对应的位姿可以通过进行非线性优化,其中,可以表示图匹配结果对应地图数据的位姿的逆,可以表示图匹配结果对应的语义形态信息的位姿,可以表示激光点云与地图数据的坐标系之间的转换关系,可以表示激光电源转换到位置点地图对应坐标系之间的误差。里程数据对应的预设代价公式可以为其中,可以表示t到t+1时刻激光点云数据确定的相对位姿,可以表示轮式里程计在t到t+1时刻输出的相对位姿,可以表示t时刻输出的激光点云数据,可以表示t时刻的里程数据,可以表示t到t+1时刻激光雷达和轮式里程计输出的位姿之间的误差,可以表示t到t+1时刻基于图形地图的位姿之间的误差。可以通过确定出的四个误差作为约束条件对目标位姿进行非线性优化,使得优化函数E的值最小,优化公式可以如下:
实施例四
图9是本发明实施例四提供的一种计算机设备定位装置的结构示意图,图9中示出的装置可以执行本发明任意实施例所提供的计算机设备定位方法,具备执行方法相应的功能模块和有益效果。该装置可以由软件和/或硬件实现,具体包括:数据采集模块401、位置点模块402、图形模块403和位姿确定模块404。
数据采集模块401,用于获取顶视传感器的顶视数据集以及视觉传感器的图像数据集,其中,顶视数据集包括计算机设备所处建筑物的内顶面的距离数据,图像数据集包括计算机设备所处建筑物的内顶面的图形数据。
位置点模块402,用于基于位置点地图中确定所述顶视数据集的深度约束特征和/或轮廓约束特征。
图形模块403,用于基于图形地图中确定所述图像数据集的位置约束特征。
位姿确定模块404,用于根据所述深度约束特征和/或所述轮廓约束特征,以及所述位置约束特征确定计算机设备的目标位姿。
本发明实施例,通过数据采集模块顶视传感器和视觉传感器分别采集建筑物内顶面的距离数据和图形数据作为顶视数据集和图像数据集,位置点模块基于位置点地图确定出顶视数据集的深度约束特征和/或轮廓约束特征,图形模块根据图像地图确定出图像数据集的位置约束特征,位姿确定模块通过轮廓约束特征和/或深度约束特征以及位置约束特征共同确定计算机设备的目标位姿,通过图形数据提高建筑物内顶面的距离数据的可靠性,提高计算机设备定位的稳定性,可以提高定位的准确性。
进一步的,在上述发明实施例的基础上,所述装置还包括:
辅助定位模块,用于获取定位装置的定位数据集。
轨迹约束模块,用于根据定位数据集确定轨迹约束特征。
进一步的,在上述发明实施例的基础上,所述位置点模块402包括:
深度数据整理单元,用于在顶视数据集中确定预设距离内存在至少三个其他位置点的目标距离数据,并将所述目标距离数据加入匹配数据集。
深度约束确定单元,用于确定所述匹配数据集与位置点地图匹配成功时,所述匹配数据集对应的位姿和所述位置点地图内参与匹配数据对应的深度地图位姿作为深度约束特征。
进一步的,在上述发明实施例的基础上,所述位置点模块402还包括:
形状确定单元,确定所述距离数据对应的至少一个语义形态信息,其中,语义形态信息至少外形信息和相对位置信息。
匹配度确定单元,确定所述语义形态信息与位置点地图对应地图语义形态信息的匹配度。
轮廓约束单元,根据匹配度的数值选择语义形态信息和地图语义形态信息,并将所述语义形态信息对应的位姿和所述地图语义形态信息的轮廓地图位姿作为轮廓约束特征。
进一步的,在上述发明实施例的基础上,所述图形模块403包括:
位置信息单元,用于通过图像数据集内各图形数据在所述图形地图中确定对应的位置信息。
采集时间单元,用于确定图像数据集内各图形数据对应的采集时间。
位置约束单元,用于根据所述采集时间和所述位置信息确定位姿变换作为将图像数据集的位置约束特征。
进一步的,在上述发明实施例的基础上,所述位置约束单元具体用于:
选择距离当前时间最近的两个采集时间,并确定各所述采集时间对应的位置信息;将两个所述位置信息对应的坐标变化量确定为位姿变换;将所述位姿变换的坐标系转换到所述图形地图对应的坐标系。
进一步的,在上述发明实施例的基础上,所述位姿确定模块404包括:
权重单元,用于分别确定深度约束特征和/或轮廓约束特征,以及位置约束特征和轨迹约束特征中至少一个的约束权重。
初始单元,用于将所述深度约束特征和/或所述轮廓约束特征、以及位置约束特征和所述轨迹约束特征中至少一个和对应的约束权重代入目标位姿代价关系。
迭代单元,用于迭代调整所述目标位姿代价关系中的位姿,使得所述目标位姿代价关系对应的结果值小于标准阈值。
目标位姿单元,用于将所述结果值小于标准阈值时所述目标位姿代价关系中的位姿作为目标位姿。
进一步的,在上述发明实施例的基础上,所述装置中的顶视传感器设置在所述计算机设备的顶部。
进一步的,在上述发明实施例的基础上,还包括,采集调整模块,用于顶视传感器的数据采集视野被障碍物遮挡时,改变所述顶视传感器的方向以使所述顶视传感器的数据采集视野不被所述障碍物遮挡,其中,所述障碍物位于所述计算机设备与所述内顶面之间。
实施例五
图10是本发明实施例五提供的一种计算机设备的结构示意图,如图10所示,该计算机设备包括处理器50、存储器51、输入装置52、输出装置53、顶视传感器54和视觉传感器55;计算机设备中处理器50的数量可以是一个或多个,图10中以一个处理器50为例;计算机设备中的处理器50、存储器51、输入装置52、输出装置53、和顶视传感器54和视觉传感器55可以通过总线或其他方式连接,图10中以通过总线连接为例。
存储器51作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的计算机设备定位方法对应的程序指令/模块(例如,计算机设备定位装置中的数据采集模块401、位置点模块402、图形模块403和位姿确定模块404)。处理器50通过运行存储在存储器51中的软件程序、指令以及模块,从而执行计算机设备的各种功能应用以及数据处理,即实现上述的计算机设备定位方法。
存储器51可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器51可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器51可进一步包括相对于处理器50远程设置的存储器,这些远程存储器可以通过网络连接至计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置52可用于接收输入的数字或字符信息,以及产生与计算机设备的用户设置以及功能控制有关的键信号输入。输出装置53可包括显示屏等显示设备。
顶视传感器54可以设置在计算机设备的顶部,可以采集建筑物内顶面的距离数据,顶视传感器54具体可以包括激光雷达传感器,声波测距传感器和红外测距传感器等,视觉传感器55可以获取建筑物内顶面的图形数据,可以辅助确定计算机设备所处位置,视觉传感器55可以包括电荷耦合器(Charge Couple Device,CCD)传感器和金属氧化物半导体元件(Complementary Metal-Oxide Semiconductor,CMOS)传感器。
实施例六
本发明实施例六还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种计算机设备定位方法,该方法包括:
获取顶视传感器的顶视数据集以及视觉传感器的图像数据集,其中,顶视数据集包括计算机设备所处建筑物的内顶面的距离数据,图像数据集包括计算机设备所处建筑物的内顶面的图形数据;
基于位置点地图中确定所述顶视数据集的深度约束特征和/或轮廓约束特征;
基于图形地图中确定所述图像数据集的位置约束特征;
根据所述深度约束特征和/或所述轮廓约束特征,以及所述位置约束特征确定计算机设备的目标位姿。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的计算机设备定位方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是,上述计算机设备定位装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (12)
1.一种计算机设备定位方法,其特征在于,所述方法包括:
获取顶视传感器的顶视数据集以及视觉传感器的图像数据集,其中,顶视数据集包括计算机设备所处建筑物的内顶面的距离数据,图像数据集包括计算机设备所处建筑物的内顶面的图形数据;
基于位置点地图中确定所述顶视数据集的深度约束特征和/或轮廓约束特征;
基于图形地图中确定所述图像数据集的位置约束特征;
根据所述深度约束特征和/或所述轮廓约束特征,以及所述位置约束特征确定计算机设备的目标位姿。
2.根据权利要求1所述的方法,其特征在于,还包括:
获取定位装置的定位数据集;
根据定位数据集确定轨迹约束特征。
3.根据权利要求2所述的方法,其特征在于,所述基于位置点地图中确定所述顶视数据集的深度约束特征和/或轮廓约束特征,包括:
在顶视数据集中确定预设距离内存在至少三个其他位置点的目标距离数据,并将所述目标距离数据加入匹配数据集;
确定所述匹配数据集与位置点地图匹配成功时,所述匹配数据集对应的位姿和所述位置点地图内参与匹配数据对应的深度地图位姿作为深度约束特征。
4.根据权利要求2所述的方法,其特征在于,所述基于位置点地图中确定所述顶视数据集的深度约束特征和/或轮廓约束特征,包括:
确定所述距离数据对应的至少一个语义形态信息,其中,语义形态信息至少包括外形信息和相对位置信息;
确定所述语义形态信息与位置点地图对应地图语义形态信息的匹配度;
根据匹配度的数值选择语义形态信息和地图语义形态信息,并将所述语义形态信息对应的位姿和所述地图语义形态信息的轮廓地图位姿作为轮廓约束特征。
5.根据权利要求2所述的方法,其特征在于,所述基于图形地图中确定所述图像数据集的位置约束特征,包括:
通过图像数据集内各图形数据在所述图形地图中确定对应的位置信息;
确定图像数据集内各图形数据对应的采集时间;
根据所述采集时间和所述位置信息确定位姿变换作为将图像数据集的位置约束特征。
6.根据权利要求5所述的方法,其特征在于,所述根据所述采集时间和所述位置信息确定位姿变换,包括:
选择距离当前时间最近的两个采集时间,并确定各所述采集时间对应的位置信息;
将两个所述位置信息对应的坐标变化量确定为位姿变换;
将所述位姿变换的坐标系转换到所述图形地图对应的坐标系。
7.根据权利要求2-5中任一所述的方法,其特征在于,所述根据所述深度约束特征和/或所述轮廓约束特征,以及所述位置约束特征确定计算机设备的目标位姿,包括:
分别确定深度约束特征和/或轮廓约束特征,以及位置约束特征和轨迹约束特征中至少一个的约束权重;
将所述深度约束特征和/或所述轮廓约束特征、以及位置约束特征、所述轨迹约束特征至少一个和对应的约束权重代入目标位姿代价关系;
迭代调整所述目标位姿代价关系中的位姿,使得所述目标位姿代价关系对应的结果值小于标准阈值;
将所述结果值小于标准阈值时所述目标位姿代价关系中的位姿作为目标位姿。
8.根据权利要求1所述的方法,其特征在于,所述顶视传感器设置在所述计算机设备的顶部。
9.根据权利要求1所述的方法,其特征在于,所述顶视传感器的数据采集视野被障碍物遮挡时,改变所述顶视传感器的方向以使所述顶视传感器的数据采集视野不被所述障碍物遮挡,其中,所述障碍物位于所述计算机设备与所述内顶面之间。
10.一种计算机设备定位装置,其特征在于,所述装置包括:
数据采集模块,用于获取顶视传感器的顶视数据集以及视觉传感器的图像数据集,其中,顶视数据集包括计算机设备所处建筑物的内顶面的距离数据,图像数据集包括计算机设备所处建筑物的内顶面的图形数据;
位置点模块,用于基于位置点地图中确定所述顶视数据集的深度约束特征和/或轮廓约束特征;
图形模块,用于基于图形地图中确定所述图像数据集的位置约束特征;
位姿确定模块,用于根据所述深度约束特征和/或所述轮廓约束特征,以及所述位置约束特征确定计算机设备的目标位姿。
11.一种计算机设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
至少一个顶视传感器,用于获取顶视数据集,所述顶视数据集包括计算机设备所处建筑物的内顶面的距离数据;
至少一个视觉传感器,用于获取图像数据集,所述图像数据集包括计算机设备所处建筑物的内顶面的图形数据;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-9中任一所述的计算机设备定位方法。
12.一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1-9中任一所述的计算机设备定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010746059.0A CN111862218B (zh) | 2020-07-29 | 2020-07-29 | 计算机设备定位方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010746059.0A CN111862218B (zh) | 2020-07-29 | 2020-07-29 | 计算机设备定位方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111862218A true CN111862218A (zh) | 2020-10-30 |
CN111862218B CN111862218B (zh) | 2021-07-27 |
Family
ID=72945947
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010746059.0A Active CN111862218B (zh) | 2020-07-29 | 2020-07-29 | 计算机设备定位方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111862218B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113888635A (zh) * | 2021-09-29 | 2022-01-04 | 北京百度网讯科技有限公司 | 视觉定位方法、相关装置及计算机程序产品 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1515174A2 (en) * | 2003-06-25 | 2005-03-16 | National Institute of Advanced Industrial Science and Technology | Three dimensional microscope system and image display method thereof |
CN105067631A (zh) * | 2015-08-04 | 2015-11-18 | 浙江水利水电学院 | 基于动态窗口的输水隧洞水下检测方法及其检测机器人 |
CN106327573A (zh) * | 2016-08-25 | 2017-01-11 | 成都慧途科技有限公司 | 一种针对城市建筑的实景三维建模方法 |
JP2018092608A (ja) * | 2016-11-25 | 2018-06-14 | 株式会社リコー | 情報処理装置、撮像装置、機器制御システム、移動体、情報処理方法およびプログラム |
WO2019089822A1 (en) * | 2017-11-01 | 2019-05-09 | Pencil and Pixel, Inc. | Modeling indoor scenes based on digital images |
CN110749308A (zh) * | 2019-09-30 | 2020-02-04 | 浙江工业大学 | 使用消费级gps和2.5d建筑物模型的面向slam的室外定位方法 |
CN110751716A (zh) * | 2019-05-08 | 2020-02-04 | 叠境数字科技(上海)有限公司 | 基于单视角rgbd传感器的虚拟试鞋方法 |
CN110842940A (zh) * | 2019-11-19 | 2020-02-28 | 广东博智林机器人有限公司 | 一种建筑测量机器人多传感器融合三维建模方法及系统 |
WO2020051747A1 (zh) * | 2018-09-10 | 2020-03-19 | 深圳配天智能技术研究院有限公司 | 获取物体轮廓的方法、图像处理装置以及计算机存储介质 |
CN110966991A (zh) * | 2019-11-21 | 2020-04-07 | 中国人民解放军国防科技大学 | 一种无控制点下的单幅无人机影像定位方法 |
US10621444B1 (en) * | 2019-10-25 | 2020-04-14 | 7-Eleven, Inc. | Action detection during image tracking |
CN111062907A (zh) * | 2019-09-09 | 2020-04-24 | 南京理工大学 | 一种基于几何变换的Homography变换方法 |
CN111401266A (zh) * | 2020-03-19 | 2020-07-10 | 杭州易现先进科技有限公司 | 绘本角点定位的方法、设备、计算机设备和可读存储介质 |
-
2020
- 2020-07-29 CN CN202010746059.0A patent/CN111862218B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1515174A2 (en) * | 2003-06-25 | 2005-03-16 | National Institute of Advanced Industrial Science and Technology | Three dimensional microscope system and image display method thereof |
CN105067631A (zh) * | 2015-08-04 | 2015-11-18 | 浙江水利水电学院 | 基于动态窗口的输水隧洞水下检测方法及其检测机器人 |
CN106327573A (zh) * | 2016-08-25 | 2017-01-11 | 成都慧途科技有限公司 | 一种针对城市建筑的实景三维建模方法 |
JP2018092608A (ja) * | 2016-11-25 | 2018-06-14 | 株式会社リコー | 情報処理装置、撮像装置、機器制御システム、移動体、情報処理方法およびプログラム |
WO2019089822A1 (en) * | 2017-11-01 | 2019-05-09 | Pencil and Pixel, Inc. | Modeling indoor scenes based on digital images |
WO2020051747A1 (zh) * | 2018-09-10 | 2020-03-19 | 深圳配天智能技术研究院有限公司 | 获取物体轮廓的方法、图像处理装置以及计算机存储介质 |
CN110751716A (zh) * | 2019-05-08 | 2020-02-04 | 叠境数字科技(上海)有限公司 | 基于单视角rgbd传感器的虚拟试鞋方法 |
CN111062907A (zh) * | 2019-09-09 | 2020-04-24 | 南京理工大学 | 一种基于几何变换的Homography变换方法 |
CN110749308A (zh) * | 2019-09-30 | 2020-02-04 | 浙江工业大学 | 使用消费级gps和2.5d建筑物模型的面向slam的室外定位方法 |
US10621444B1 (en) * | 2019-10-25 | 2020-04-14 | 7-Eleven, Inc. | Action detection during image tracking |
CN110842940A (zh) * | 2019-11-19 | 2020-02-28 | 广东博智林机器人有限公司 | 一种建筑测量机器人多传感器融合三维建模方法及系统 |
CN110966991A (zh) * | 2019-11-21 | 2020-04-07 | 中国人民解放军国防科技大学 | 一种无控制点下的单幅无人机影像定位方法 |
CN111401266A (zh) * | 2020-03-19 | 2020-07-10 | 杭州易现先进科技有限公司 | 绘本角点定位的方法、设备、计算机设备和可读存储介质 |
Non-Patent Citations (2)
Title |
---|
SHUTIAN MA等: "Western Quebec seismic zone (Canada): Clustered, midcrustal seismicity along a Mesozoic hot spot track", 《JOURNAL OF GEOPHYSICAL RESEARCH》 * |
吴宁: "基于目标识别和参数化技术的城市建筑群三维重建研究", 《中国博士学位论文全文数据库(工程科技Ⅱ辑)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113888635A (zh) * | 2021-09-29 | 2022-01-04 | 北京百度网讯科技有限公司 | 视觉定位方法、相关装置及计算机程序产品 |
CN113888635B (zh) * | 2021-09-29 | 2023-04-18 | 北京百度网讯科技有限公司 | 视觉定位方法、相关装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111862218B (zh) | 2021-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101184170B1 (ko) | 볼륨 인식 방법 및 시스템 | |
US20050271279A1 (en) | Sign based human-machine interaction | |
CN111862216B (zh) | 计算机设备定位方法、装置、计算机设备和存储介质 | |
Xu et al. | Online intelligent calibration of cameras and lidars for autonomous driving systems | |
CN111862219B (zh) | 计算机设备定位方法、装置、计算机设备和存储介质 | |
CN111862214B (zh) | 计算机设备定位方法、装置、计算机设备和存储介质 | |
CN111862215B (zh) | 一种计算机设备定位方法、装置、计算机设备和存储介质 | |
CN111444764A (zh) | 一种基于深度残差网络的手势识别方法 | |
JP2017526083A (ja) | 位置特定およびマッピングの装置ならびに方法 | |
CN111309035B (zh) | 多机器人协同移动与动态避障方法、装置、设备及介质 | |
Zhuang et al. | Instance segmentation based 6D pose estimation of industrial objects using point clouds for robotic bin-picking | |
CN111862218B (zh) | 计算机设备定位方法、装置、计算机设备和存储介质 | |
CN112669345A (zh) | 一种面向云端部署的多目标轨迹跟踪方法及系统 | |
CN110348359B (zh) | 手部姿态追踪的方法、装置及系统 | |
CN113313765B (zh) | 定位方法、装置、电子设备和存储介质 | |
CN116249607A (zh) | 用于机器人抓取三维物体的方法和装置 | |
CN114815851A (zh) | 机器人跟随方法、装置、电子设备以及存储介质 | |
Chen et al. | Design and Implementation of AMR Robot Based on RGBD, VSLAM and SLAM | |
WO2022021132A1 (zh) | 计算机设备定位方法、装置、计算机设备和存储介质 | |
Nielsen | Robust lidar-based localization in underground mines | |
CN113033248A (zh) | 一种图像识别方法及装置、计算机可读存储介质 | |
CN116643291A (zh) | 一种视觉与激光雷达联合剔除动态目标的slam方法 | |
CN111862217B (zh) | 计算机设备定位方法、装置、计算机设备和存储介质 | |
CN114740867A (zh) | 基于双目视觉的智能避障方法、装置、机器人及介质 | |
Nahapetyan et al. | Gesture recognition in the problem of contactless control of an unmanned aerial vehicle |
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 |