CN111932451B - 重定位效果的评价方法、装置、电子设备和存储介质 - Google Patents
重定位效果的评价方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN111932451B CN111932451B CN202010554911.4A CN202010554911A CN111932451B CN 111932451 B CN111932451 B CN 111932451B CN 202010554911 A CN202010554911 A CN 202010554911A CN 111932451 B CN111932451 B CN 111932451B
- Authority
- CN
- China
- Prior art keywords
- map
- virtual
- repositioning
- real
- sub
- 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
- 230000000694 effects Effects 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 59
- 230000008569 process Effects 0.000 claims abstract description 18
- 238000011156 evaluation Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 29
- 238000004891 communication Methods 0.000 claims description 16
- 230000009466 transformation Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 7
- 239000002699 waste material Substances 0.000 abstract description 3
- 230000009471 action Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000008485 antagonism Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及一种重定位效果的评价方法、装置、电子设备和存储介质,应用于机器人技术领域,其中,方法包括:获取真实地图集,根据真实地图集生成虚拟地图集,将虚拟地图集输入待评价的子地图匹配算法,得到重定位结果,根据重定位结果,评价待评价的子地图匹配算法的重定位效果。解决了现有技术中,在通过子地图匹配算法验证机器人重定位在不同地图中匹配效果时,缺少相应地图中的真实场景,而在寻找和构造真实场景的过程中,需要耗费大量的时间,造成了资源的浪费的问题。
Description
技术领域
本申请涉及机器人技术领域,尤其涉及一种重定位效果的评价方法、装置、电子设备和存储介质。
背景技术
随着科技的逐渐发展,移动机器人应用越来越广泛,在对移动机器人进行重定位时,往往采用子地图匹配算法,即将机器人当前位置探测到的局部地图信息生成子地图,与历史保存好的完整地图进行匹配,得到最佳的匹配区域作为机器人当前所在的区域。
而在评价机器人重定位任务完成效果时,相关技术中,一般通过具体的室内外环境进行建图和定位,根据定位结果来判断该算法的准确度。
然而这种评价过程中,只能针对当时建图的场景,若要验证子地图匹配法在不同地图中的匹配效果,便会缺少相应地图中的真实场景,此时便需要用到大量的真实场景进行建图,而在寻找和构造真实场景的过程中,需要耗费大量的时间,造成了资源的浪费。
发明内容
本申请提供了一种重定位效果的评价方法、装置、电子设备和存储介质,用以解决现有技术中,在通过子地图匹配算法验证机器人重定位在不同地图中匹配效果时,缺少相应地图中的真实场景,而在寻找和构造真实场景的过程中,需要耗费大量的时间,造成了资源的浪费的问题。
第一方面,本申请实施例提供了一种重定位效果的评价方法,包括:
获取真实地图集;
根据所述真实地图集生成虚拟地图集;
将所述虚拟地图集输入待评价的子地图匹配算法,得到重定位结果;
根据所述重定位结果,评价所述待评价的子地图匹配算法的重定位效果。
可选的,所述根据所述真实地图集生成虚拟地图集,包括:
根据所述真实地图集生成不同类别的虚拟地图集,不同类别的所述虚拟地图集对应不同难度的匹配任务。
可选的,所述将所述虚拟地图集输入待评价的子地图匹配算法,得到重定位结果,包括:
分别将每种类别的虚拟地图集输入所述待评价的子地图匹配算法,得到所述待评价的子地图匹配算法分别对每种类别对应难度的匹配任务的重定位结果。
可选的,所述根据所述真实地图集生成不同类别的虚拟地图集,包括:
获取N个预先训练的第一生成器模型,各所述第一生成器模型的误差阈值不同,所述N为大于1的整数;
将所述真实地图集分别输入各所述第一生成器模型中,得到N个虚拟地图集,其中,不同所述误差阈值的第一生成器模型生成的所述虚拟地图集的类别不同。
可选的,所述第一生成器模型的训练过程包括:
获取地图训练样本;
将所述地图训练样本输入生成对抗网络模型中,所述生成对抗网络模型包括生成模型和判别模型;
通过所述生成模型生成所述地图训练样本的虚拟地图样本,并对所述虚拟地图样本进行标记,得到标记结果,所述标记结果为真样本或假样本;
将所述虚拟地图样本输入所述判别模型,以对所述虚拟地图样本进行判断,获得判断结果;
计算所述判断结果与所述标记结果之间的误差值;
根据所述误差值调整所述生成对抗网络模型中的参数,直至所述误差值等于误差阈值,将所述误差值为所述误差阈值的所述生成对抗网络模型作为所述第一生成器模型。
可选的,所述根据所述真实地图集生成不同类别的虚拟地图集,包括:
改变所述真实地图集中的地图数据的分辨率和上采样次数,得到尺度不同的所述虚拟地图集,其中,不同尺度的所述虚拟地图集对应所述不同类别的虚拟地图集。
可选的,所述获取真实地图集,包括:
获取原始地图;
对所述原始地图进行数据集增强,得到所述真实地图集。
可选的,所述对所述原始地图进行数据集增强,得到所述真实地图集,包括:
将所述原始地图输入预先训练的第二生成器模型,将所述第二生成器模型生成的地图和所述原始地图作为所述真实地图集。
可选的,所述对所述原始地图进行数据集增强,得到所述真实地图集,包括:
对所述原始地图进行几何变换或图像拼接,将几何变换或图像拼接后得到的地图和所述原始地图作为所述真实地图集。
第二方面,本申请实施例提供了一种重定位效果的评价装置,包括:
获取模块,用于获取真实地图集;
样本生成模块,用于根据所述真实地图集生成虚拟地图集;
重定位模块,用于将所述虚拟地图集输入待评价的子地图匹配算法,得到重定位结果;
定位效果评价模块,用于根据所述重定位结果评价所述待评价的子地图匹配算法的重定位效果。
第三方面,本申请实施例提供了一种电子设备,其特征在于,包括:处理器、通信接口、存储器和通信总线,其中,处理器、通信接口和存储器通过通信总线完成相互间的通信;
所述存储器,用于存储计算机程序;
所述处理器,用于执行所述存储器中所存储的程序,实现第一方面所述的重定位效果的评价方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现第一方面所述的重定位效果的评价方法。
本申请实施例提供的上述技术方案与现有技术相比具有如下优点:本申请实施例提供的该方法,在对子地图匹配算法进行评价时,只需要获取的真实地图集并生成虚拟地图集,通过子地图匹配算法对虚拟地图集进行重定位,从而评价子地图匹配算法的重定位效果,不需要寻找和构造真实场景,节省了寻找和构建真实场景的时间,节约了资源。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案,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地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请一实施例提供的重定位效果的评价方法的流程图;
图2为本申请另一实施例提供的重定位效果的评价方法的流程图;
图3为本申请一实施例提供的重定位效果的评价方法中生成器模型训练的流程图;
图4为本申请一实施例提供的重定位效果的评价装置的结构图;
图5为本申请一实施例提供的电子设备的结构图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本申请的一部分实施例,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。
本申请一实施例中提供了一种重定位效果的评价方法,该方法可以应用于任意一种形式的电子设备中,如终端或服务器中。如图1所示,该重定位效果的评价方法,包括:
步骤101、获取真实地图集。
其中,真实地图集中包括多组完整地图和该完整地图的子地图。其中,完整地图可以是数据库中存储的完整地图,完整地图的子地图可以通过对完整地图进行裁剪得到。
步骤102、根据真实地图集生成虚拟地图集。
一些实施例中,生成虚拟地图集的方式有多种,例如可以通过生成对抗网络得到,利用生成对抗网络中的生成模型和判别模型相互对抗,生成真实度接近真实地图集的虚拟地图集。可以理解的是,在生成虚拟地图集时,是通过完整地图生成虚拟完整地图,完整地图的子地图生成虚拟子地图。
具体的,可以根据真实地图集生成不同类别的虚拟地图集,本实施例中,以以下两种方式进行举例说明。
第一种方式,包括:
第一、获取预先训练的第一生成器模型;
第二、将真实地图集输入各第一生成器模型中,得到虚拟地图集;
第三、调整第一生成器模型的误差阈值,并对第一生成器模型再次训练,根据再次训练的第一生成器模型,生成该误差阈值下的虚拟地图集;
第四,重复“第三”步,直到得到预设数量的虚拟地图集。
由于不同的误差阈值的生成器模型生成的虚拟地图集的类别不同,通过上述步骤,便可以得到不同类别的虚拟地图集。
具体的,本实施例中先设置一个误差阈值,训练生成对抗网络,得到该误差阈值的第一生成器模型,然后将真实地图集输入到该第一生成器模型中,得到此误差阈值下的第一生成器模型生成的虚拟地图集;然后再设置另一个误差阈值,再次训练上述的第一生成器模型,得到另一类的虚拟地图集;以此类推,直至虚拟地图集的数量达到用户的需求。而在此得到不同种类的虚拟地图集的过程中,需要等待上一生成器模型训练完毕,并生成虚拟地图集后,才能进行下一次的训练,训练过程耗费了较多的时间。
第二种方式,包括:
第一、获取N个预先训练的第一生成器模型,各第一生成器模型的误差阈值不同,N为大于1的整数;
第二、将真实地图集分别输入各第一生成器模型中,得到N个虚拟地图集,其中,不同误差阈值的第一生成器模型生成的虚拟地图集的类别不同。
一些实施例中,由于各第一生成器模型的误差阈值不同,因此,不同的第一生成器模型所生成的虚拟地图样本与真实地图之间的误差值不同,使得不同的虚拟地图样本的真实度也不同。
本实施例中,通过设置多个误差阈值不同的第一生成器模型,可以将真实地图集同时输入到各第一生成器模型中,可以加快虚拟地图集生成的进程,节省模型训练的时间。
步骤103、将虚拟地图集输入待评价的子地图匹配算法,得到重定位结果。
一些实施例中,子地图匹配算法可以将输入的虚拟完整地图及虚拟子地图进行匹配,若二者能够匹配成功,则表示该子地图匹配算法的重定位成功,若未匹配成功,则表示重定位失败。
步骤104、根据重定位结果,评价待评价的子地图匹配算法的重定位效果。
一些实施例中,由于在虚拟地图集中包括较多的虚拟完整地图及虚拟子地图,因此,可以根据子地图匹配算法将虚拟地图集中的虚拟完整地图及虚拟子地图进行一一匹配,得到大量重定位结果,通过大量重定位结果,对该子地图匹配算法的重定位效果进行评价。
基于上述相关实施例,在对子地图匹配算法进行评价时,只需要获取真实地图集并生成虚拟地图集,通过子地图匹配算法对虚拟地图集进行重定位,从而评价子地图匹配算法的重定位效果,不需要寻找和构造真实场景,节省了寻找和构建真实场景的时间,节约了资源。
本申请另一实施例中提供了一种重定位效果的评价方法,如图2所示,该重定位效果的评价方法,包括:
步骤201、获取原始地图。
一些实施例中,原始地图可以为已根据真实环境构建得到的地图,也可以为数据库中存储的完整地图。
步骤202、对原始地图进行数据集增强,得到真实地图集。
一些实施例中,为了使子地图匹配算法的评价结果更加准确,可以通过增加实验数据的方式,以增强结果的真实性。因此,在原始地图的数据量较少时,可以先对原始地图进行数据集增强,得到地图数据更多的真实地图集。
在对原始地图进行数据集增强后,便可以得到更多的完整地图,根据得到的完整地图生成该完整地图的子地图,并基于生成的完整地图和子地图,生成真实地图集。
其中,对原始地图进行数据集增强的方式有多种,本实施例中,以以下两种方式进行举例说明。
第一种方式,包括:
将原始地图输入预先训练的第二生成器模型,将第二生成器模型生成的地图和原始地图作为真实地图集。
本实施例中,第二生成器模型可以但不限于通过对生成对抗网络的训练得到。具体的训练过程可以包括如下步骤:
步骤301、获取地图训练样本。
可以理解的是,地图训练样本可以为上述的原始地图或真实地图集。
步骤302、将地图训练样本输入生成对抗网络模型中,生成对抗网络模型包括生成模型和判别模型。
其中,生成对抗网络(GAN,Generative Adversarial Networks)是一种深度学习模型,其通过框架中(至少)两个模块:生成模型(G,Generator)和判别模型(D,Discriminator)的互相博弈学习产生相当好的输出。生成模型G的目标就是尽量生成真实的图片去欺骗判别模型D,而D的目标就是尽量把G生成的图片和真实的图片分别开来,这样,G和D构成了一个动态的“博弈过程”。
在生成模型生成虚拟地图样本时,往往是同时输入地图训练样本以及随机噪声,生成模型地图训练样本的基础上叠加随机噪声,使地图训练样本发生改变,从而得到虚拟地图样本。
步骤303、通过生成模型生成地图训练样本的虚拟地图样本,并对虚拟地图样本进行标记,得到标记结果,标记结果为真样本或假样本。
一些实施例中,以标记结果为真样本进行说明。通过对生成模型生成的虚拟地图样本进行标记,人为控制生成的虚拟地图样本可以在生成模型训练过程中为真样本。
步骤304、将虚拟地图样本输入判别模型,以对虚拟地图样本进行判断,获得判断结果。
判别模型用来判别一张图片是不是“真实的”。它的输入参数是x,x代表一张图片,输出D(x)代表x为真实图片的概率,如果为1,就代表100%是真实的图片,而输出为0,就代表不可能是真实的图片。在虚拟地图样本输入到判别模型后,判别模型便可以对其进行判别,得到虚拟地图样本为真实图片的概率。
步骤305、计算判断结果与标记结果之间的误差值。
步骤306、根据误差值调整生成对抗网络模型中的参数,直至误差值等于误差阈值,将误差值为误差阈值的生成对抗网络模型作为第一生成器模型。
基于上述步骤,在人为将虚拟地图样本标记为真样本,使其为真实图片的概率人为记为1,此时,便会与判别模型的判别虚拟地图样本为真实图片的概率之间产生误差。通过将二者之间的误差值反向传播至生成模型,调整生成模型中的参数,反复交替迭代,直至误差值降到误差阈值范围内,得到上述第二生成器模型。
可以理解的是,随着生成对抗网络模型的反复训练,在一定数量的迭代训练后,误差阈值逐渐变小,生成的虚拟地图样本的真实度逐渐接近原始地图。其中,误差阈值可以根据实际情况进行选择。
可以理解的是,上述第一生成器模型的训练过程与第二生成器模型的训练过程一致,具体可以参照上述步骤301至步骤306,对生成对抗网络模型的训练过程,设置不同的误差阈值,得到第一生成器模型。
另外,可以将上述的第二生成器模型直接作为此处多个第一生成器模型中的一个。优选的,N的取值可以为3。
第二种方式,包括:
对原始地图进行几何变换或图像拼接,将几何变换或图像拼接后得到的地图和原始地图作为真实地图集。
其中,几何变换不改变图像的像素值,只是在图像平面上进行像素的重新安排。对原始地图的几何变换可以采用以下方式:首先是空间变换所需的运算,如平移、旋转和镜像等,需要用它来表示输出图像与输入图像之间的(像素)映射关系:此外,还需要使用灰度插值算法,因为按照这种变换关系进行计算,输出的地图图像的像素可能被映射到原始地图图像的非整数坐标上,进而输出几何变换后的地图。
对原始地图进行图像拼接可以为,将多个原始地图中相似的部分进行裁剪并互换,得到新的地图数据。
步骤203、根据真实地图集生成不同类别的虚拟地图集,不同类别的虚拟地图集对应不同难度的匹配任务。
基于上述相关实施例,真实地图集中包括了完整地图和其子地图,因此,在生成的虚拟地图集中,也包括了虚拟完整地图和虚拟子地图。
其中,根据真实地图集生成不同类别的虚拟地图集,除上述实施例提供的两种生成方式外,还可以通过以下方式得到。
第三种方式,包括:
改变真实地图集中的地图数据的分辨率和上采样次数,得到尺度不同的虚拟地图集,其中,不同尺度的虚拟地图集对应不同类别的虚拟地图集。
本实施例中,通过改变真实地图集中地图数据的分辨率和上采样次数,改变了真实地图集中地图的尺度,而在子地图匹配算法中,不同的尺度的完整地图与子地图匹配的难度是不同的。
在机器人slam领域中,栅格地图数据通常是二维的灰度图即二维数组,不同面积的地图对应的图像分辨率不同。改变图像分辨率的因素,一是输入噪声的维度,另一个是上采样的次数。其中,输入噪声的维度即输入噪声的分辨率,在输入噪声的分辨率输入后,便可以将真实地图集中的地图的分辨率进行相应的改变;而改变上采样次数,可以起到放大图像的效果,通过改变上采样次数,可以得到不同大小的地图数据。因此,通过改变地图数据的分辨率和上采样次数,便可以得到尺度不同的虚拟地图集。
步骤204、分别将每种类别的虚拟地图集输入待评价的子地图匹配算法,得到待评价的子地图匹配算法分别对每种类别对应难度的匹配任务的重定位结果。
本实施例中,以三种类别的虚拟地图集为例进行说明。
通过上述步骤得到三种类别的虚拟地图集,而三种类别对应三个不同的匹配难度,生成的虚拟地图集对于真实数据的逼近程度不同,对匹配任务来说,匹配难度也会不一样。例如,上述误差阈值越小,生成的虚拟地图集的匹配难度越大。本实施例中,将三种类型的虚拟地图集分为简单、中等、复杂三种梯度的匹配任务。
分别将难度不同的虚拟地图集输入到待评价的子地图匹配算法中后,子地图匹配算法便可以对各虚拟地图集中的虚拟完整地图和虚拟子地图进行匹配,若匹配成功,则表示对机器人的重定位成功。由于三种匹配任务难度不同,使得子地图匹配算法在不同的匹配任务中的表现也会不同。
步骤205、根据重定位结果,评价待评价的子地图匹配算法的重定位效果。
通过计算在不同的匹配任务中,重定位的成功率,将重定位的效果量化,可以使用户更加直观的了解到,该子地图匹配算法的重定位效果。
具体的,以上述三种类型的虚拟地图集为例,简单、中等、复杂三种梯度的匹配任务中,各包括10000组待匹配的虚拟完整地图和虚拟子地图。将上述的虚拟地图集输入到待评价的子地图匹配算法(以下简称为该算法)后,便可以得到该算法在不同的难度的匹配任务中,重定位的表现。例如,在简单难度的匹配任务中,该算法匹配了9700组待匹配的虚拟完整地图和虚拟子地图;在中等难度的匹配任务中,该算法匹配了5000组待匹配的虚拟完整地图和虚拟子地图;在复杂难度的匹配任务中,该算法匹配了600组待匹配的虚拟完整地图和虚拟子地图。由上述的匹配的结果可知,该算法在简单难度的匹配任务中重定位效果很好;而在复杂难度的匹配任务中,重定位效果较差。
本实施例中,利用生成对抗网络对小批量的真实环境构建得到的地图数据进行数据集增强,生成一定规模的新的地图数据集,在制定评价体系时,通过选择不同的训练参数阈值,训练出的生成器模型可以构建出多梯度的匹配任务,用于验证子地图匹配的准确度,能够从简单、中等、复杂三种情况下梯度验证定位功能的有效性,节约了真实环境建图的时间成本,有效地验证算法的可行度,从而全面、有效地构建重定位功能的效果评价体系。
基于同一构思,本申请实施例中提供了一种重定位效果的评价装置,该装置的具体实施可参见方法实施例部分的描述,重复之处不再赘述,如图4所示,该装置主要包括:
获取模块401,用于获取真实地图集;
样本生成模块402,用于根据真实地图集生成虚拟地图集;
重定位模块403,用于将虚拟地图集输入待评价的子地图匹配算法,得到重定位结果;
定位效果评价模块404,用于根据重定位结果评价待评价的子地图匹配算法的重定位效果。
基于同一构思,本申请实施例中提供了一种电子设备,该电子设备的具体实施可参见方法实施例部分的描述,重复之处不再赘述,如图5所示,该装置主要包括:
如图5所示,该电子设备主要包括:处理器501、通信接口502、存储器503和通信总线504,其中,处理器501、通信接口502和存储器503通过通信总线504完成相互间的通信。其中,存储器503中存储有可被至处理器501执行的程序,处理器501执行存储器503中存储的程序,实现如下步骤:
获取真实地图集;
根据真实地图集生成虚拟地图集;
将虚拟地图集输入待评价的子地图匹配算法,得到重定位结果;
根据重定位结果,评价待评价的子地图匹配算法的重定位效果。
上述电子设备中提到的通信总线504可以是外设部件互连标准(PeripheralComponent Interconnect,简称PCI)总线或扩展工业标准结构(Extended IndustryStandard Architecture,简称EISA)总线等。该通信总线504可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口502用于上述电子设备与其他设备之间的通信。
存储器503可以包括随机存取存储器(Random Access Memory,简称RAM),也可以包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。可选地,存储器还可以是至少一个位于远离前述处理器501的存储装置。
上述的处理器501可以是通用处理器,包括中央处理器(Central ProcessingUnit,简称CPU)、网络处理器(Network Processor,简称NP)等,还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本申请的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,当该计算机程序在计算机上运行时,使得计算机执行上述实施例中所描述的重定位效果的评价方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机指令时,全部或部分地产生按照本申请实施例所述的流程或功能。该计算机可以时通用计算机、专用计算机、计算机网络或者其他可编程装置。该计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,计算机指令从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、微波等)方式向另外一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质(例如软盘、硬盘、磁带等)、光介质(例如DVD)或者半导体介质(例如固态硬盘)等。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物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、物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,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种重定位效果的评价方法,其特征在于,包括:
获取真实地图集;
根据所述真实地图集生成虚拟地图集;
将所述虚拟地图集输入待评价的子地图匹配算法,得到重定位结果;
根据所述重定位结果,评价所述待评价的子地图匹配算法的重定位效果;
其中,所述根据所述真实地图集生成虚拟地图集,包括:
根据所述真实地图集生成不同类别的虚拟地图集,不同类别的所述虚拟地图集对应不同难度的匹配任务;
其中,所述将所述虚拟地图集输入待评价的子地图匹配算法,得到重定位结果,包括:
分别将每种类别的虚拟地图集输入所述待评价的子地图匹配算法,得到所述待评价的子地图匹配算法分别对每种类别对应难度的匹配任务的重定位结果。
2.根据权利要求1所述的重定位效果的评价方法,其特征在于,所述根据所述真实地图集生成不同类别的虚拟地图集,包括:
获取N个预先训练的第一生成器模型,各所述第一生成器模型的误差阈值不同,所述N为大于1的整数;
将所述真实地图集分别输入各所述第一生成器模型中,得到N个虚拟地图集,其中,不同所述误差阈值的第一生成器模型生成的所述虚拟地图集的类别不同。
3.根据权利要求2所述的重定位效果的评价方法,其特征在于,所述第一生成器模型的训练过程包括:
获取地图训练样本;
将所述地图训练样本输入生成对抗网络模型中,所述生成对抗网络模型包括生成模型和判别模型;
通过所述生成模型生成所述地图训练样本的虚拟地图样本,并对所述虚拟地图样本进行标记,得到标记结果,所述标记结果为真样本或假样本;
将所述虚拟地图样本输入所述判别模型,以对所述虚拟地图样本进行判断,获得判断结果;
计算所述判断结果与所述标记结果之间的误差值;
根据所述误差值调整所述生成对抗网络模型中的参数,直至所述误差值等于误差阈值,将所述误差值为所述误差阈值的所述生成对抗网络模型作为所述第一生成器模型。
4.根据权利要求1所述的重定位效果的评价方法,其特征在于,所述根据所述真实地图集生成不同类别的虚拟地图集,包括:
改变所述真实地图集中的地图数据的分辨率和上采样次数,得到尺度不同的所述虚拟地图集,其中,不同尺度的所述虚拟地图集对应所述不同类别的虚拟地图集。
5.根据权利要求1所述的重定位效果的评价方法,其特征在于,所述获取真实地图集,包括:
获取原始地图;
对所述原始地图进行数据集增强,得到所述真实地图集。
6.根据权利要求5所述的重定位效果的评价方法,其特征在于,所述对所述原始地图进行数据集增强,得到所述真实地图集,包括:
将所述原始地图输入预先训练的第二生成器模型,将所述第二生成器模型生成的地图和所述原始地图作为所述真实地图集。
7.根据权利要求5所述的重定位效果的评价方法,其特征在于,所述对所述原始地图进行数据集增强,得到所述真实地图集,包括:
对所述原始地图进行几何变换或图像拼接,将几何变换或图像拼接后得到的地图和所述原始地图作为所述真实地图集。
8.一种重定位效果的评价装置,其特征在于,包括:
获取模块,用于获取真实地图集;
样本生成模块,用于根据所述真实地图集生成虚拟地图集;
重定位模块,用于将所述虚拟地图集输入待评价的子地图匹配算法,得到重定位结果;
定位效果评价模块,用于根据所述重定位结果评价所述待评价的子地图匹配算法的重定位效果;
其中,所述根据所述真实地图集生成虚拟地图集,包括:
根据所述真实地图集生成不同类别的虚拟地图集,不同类别的所述虚拟地图集对应不同难度的匹配任务;
其中,所述将所述虚拟地图集输入待评价的子地图匹配算法,得到重定位结果,包括:
分别将每种类别的虚拟地图集输入所述待评价的子地图匹配算法,得到所述待评价的子地图匹配算法分别对每种类别对应难度的匹配任务的重定位结果。
9.一种电子设备,其特征在于,包括:处理器、通信接口、存储器和通信总线,其中,处理器、通信接口和存储器通过通信总线完成相互间的通信;
所述存储器,用于存储计算机程序;
所述处理器,用于执行所述存储器中所存储的程序,实现权利要求1-7任一项所述的重定位效果的评价方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-7任一项所述的重定位效果的评价方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010554911.4A CN111932451B (zh) | 2020-06-17 | 2020-06-17 | 重定位效果的评价方法、装置、电子设备和存储介质 |
PCT/CN2020/139854 WO2021253789A1 (zh) | 2020-06-17 | 2020-12-28 | 重定位效果的评价方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010554911.4A CN111932451B (zh) | 2020-06-17 | 2020-06-17 | 重定位效果的评价方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111932451A CN111932451A (zh) | 2020-11-13 |
CN111932451B true CN111932451B (zh) | 2023-11-10 |
Family
ID=73316217
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010554911.4A Active CN111932451B (zh) | 2020-06-17 | 2020-06-17 | 重定位效果的评价方法、装置、电子设备和存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111932451B (zh) |
WO (1) | WO2021253789A1 (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111932451B (zh) * | 2020-06-17 | 2023-11-10 | 珠海格力电器股份有限公司 | 重定位效果的评价方法、装置、电子设备和存储介质 |
CN113011517A (zh) * | 2021-03-30 | 2021-06-22 | 上海商汤临港智能科技有限公司 | 定位结果检测方法、装置、电子设备及存储介质 |
CN113159146A (zh) * | 2021-04-08 | 2021-07-23 | 浙江天行健智能科技有限公司 | 样本生成、目标检测模型训练、目标检测方法及装置 |
CN113191412A (zh) * | 2021-04-25 | 2021-07-30 | 珠海格力电器股份有限公司 | 设备重定位方法、装置、计算机设备和存储介质 |
CN114445496A (zh) * | 2022-01-27 | 2022-05-06 | 深圳市慧鲤科技有限公司 | 一种重定位模块的测试方法、装置、设备、系统和介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102043958A (zh) * | 2010-11-26 | 2011-05-04 | 华中科技大学 | 一种高分辨率遥感图像多类目标检测识别方法 |
CN109141437A (zh) * | 2018-09-30 | 2019-01-04 | 中国科学院合肥物质科学研究院 | 一种机器人全局重定位方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018049581A1 (zh) * | 2016-09-14 | 2018-03-22 | 浙江大学 | 一种同时定位与地图构建方法 |
CN108801254B (zh) * | 2017-05-02 | 2024-06-07 | 北京米文动力科技有限公司 | 一种重定位方法及机器人 |
CN108446667A (zh) * | 2018-04-04 | 2018-08-24 | 北京航空航天大学 | 基于生成对抗网络数据增强的人脸表情识别方法和装置 |
CN108759844B (zh) * | 2018-06-07 | 2021-11-16 | 科沃斯商用机器人有限公司 | 机器人重定位与环境地图构建方法、机器人及存储介质 |
CN111932451B (zh) * | 2020-06-17 | 2023-11-10 | 珠海格力电器股份有限公司 | 重定位效果的评价方法、装置、电子设备和存储介质 |
-
2020
- 2020-06-17 CN CN202010554911.4A patent/CN111932451B/zh active Active
- 2020-12-28 WO PCT/CN2020/139854 patent/WO2021253789A1/zh active Application Filing
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102043958A (zh) * | 2010-11-26 | 2011-05-04 | 华中科技大学 | 一种高分辨率遥感图像多类目标检测识别方法 |
CN109141437A (zh) * | 2018-09-30 | 2019-01-04 | 中国科学院合肥物质科学研究院 | 一种机器人全局重定位方法 |
Non-Patent Citations (2)
Title |
---|
崔淼."基于生成式对抗网络(GAN)图像转换研究".《中国优秀硕士学位论文全文数据库(信息科技辑)》.2020,(2020年04期),摘要、第1、8-12、23-26、41-43页. * |
程默."基于机器学习的室内定位与数据融合算法研究" .《中国优秀硕士学位论文全文数据库(信息科技辑)》.2020,(2020年01期),第50-54、58-62、73、78-81页. * |
Also Published As
Publication number | Publication date |
---|---|
CN111932451A (zh) | 2020-11-13 |
WO2021253789A1 (zh) | 2021-12-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111932451B (zh) | 重定位效果的评价方法、装置、电子设备和存储介质 | |
WO2021077841A1 (zh) | 一种基于循环残差网络的信号调制识别方法及装置 | |
CN112085056B (zh) | 目标检测模型生成方法、装置、设备及存储介质 | |
Viladomat et al. | Assessing the significance of global and local correlations under spatial autocorrelation: a nonparametric approach | |
CN111524216B (zh) | 生成三维人脸数据的方法和装置 | |
CN109118456B (zh) | 图像处理方法和装置 | |
CN115457492A (zh) | 目标检测方法、装置、计算机设备及存储介质 | |
CN113516697B (zh) | 图像配准的方法、装置、电子设备及计算机可读存储介质 | |
CN112381873B (zh) | 一种数据标注方法及装置 | |
CN111639523B (zh) | 目标检测方法、装置、计算机设备和存储介质 | |
US20230328101A1 (en) | Systems and methods of detecting anomalous websites | |
JP7267068B2 (ja) | 学習済みモデル生成装置、プログラム及び学習済みモデル生成システム | |
CN111461177A (zh) | 一种图像的识别方法及装置 | |
CN111753729A (zh) | 一种假脸检测方法、装置、电子设备及存储介质 | |
CN113822892B (zh) | 仿真雷达的评测方法、装置、设备及计算机存储介质 | |
CN113591969B (zh) | 面部相似度评测方法、装置、设备以及存储介质 | |
CN111640076B (zh) | 一种图像补全方法、装置及电子设备 | |
CN111481108B (zh) | 扫地机重定位方法及装置 | |
CN113792764A (zh) | 一种样本扩充方法、系统、存储介质及电子设备 | |
WO2020125014A1 (zh) | 一种信息处理方法、服务器、终端及计算机存储介质 | |
CN112394809A (zh) | 一种实现增强现实的方法、装置及通信设备 | |
CN113836249B (zh) | 地图信息点的管理方法和相关装置、设备 | |
CN117274525B (zh) | 一种虚拟卷尺测量仿真方法及系统 | |
CN117541883B (zh) | 图像生成模型训练、图像生成方法、系统以及电子设备 | |
CN117332703B (zh) | 人工地震波生成方法、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 |