CN112070122B - 一种slam地图的分类方法、装置及存储介质 - Google Patents
一种slam地图的分类方法、装置及存储介质 Download PDFInfo
- Publication number
- CN112070122B CN112070122B CN202010817126.3A CN202010817126A CN112070122B CN 112070122 B CN112070122 B CN 112070122B CN 202010817126 A CN202010817126 A CN 202010817126A CN 112070122 B CN112070122 B CN 112070122B
- Authority
- CN
- China
- Prior art keywords
- slam
- map
- training
- target
- neural network
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本发明公开了一种slam地图的分类方法、装置及存储介质,包括以下步骤:采集slam训练地图集,并确定所述slam训练地图集中的每个样本的重叠度;根据所述重叠度对所述样本的建图正确性进行分类标记,得到slam标记地图集;构建初始神经网络,通过slam标记地图集对初始神经网络进行训练,得到目标神经网络;获取slam目标地图,并输入到目标神经网络中进行建图正确性的分类识别,得到slam目标地图的建图类型。本发明能够获得slam目标地图的类别,便于机器人判别slam目标地图的正确性,从而提高机器人后续的定位和路径规划的准确性,也提高了客户的使用体验。
Description
技术领域
本发明涉及图像处理领域,具体涉及一种slam地图的分类方法、装置及存储介质。
背景技术
同步定位与地图构建(Simultaneous Localization and Mapping,简称Slam)是指机器人在未知环境中从一个未知位置开始移动,在移动过程中根据位置估计和地图进行自身定位,同时在自身定位的基础上建造增量式地图,实现机器人的自主定位和导航。
目前,在通过机器人获取slam地图的过程中,会出现可通行区域被误识别成障碍物的现象,或者由于场地范围超出最远扫描距离,而使机器人接收不到返回的数据,造成可通行区域被误识别成未知区域的现象,从而导致机器人建造的地图出现错误,并且错误的地图不能进行有效的反馈,大大影响了机器人后续的定位和路径规划问题,也会降低客户的使用体验。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种slam地图的分类方法、装置及存储介质,能够获得slam目标地图的类别,便于机器人判别slam目标地图的正确性,从而提高机器人后续的定位和路径规划的准确性,也提高了客户的使用体验。
根据本发明的第一方面的实施例的slam地图的分类方法,包括如下步骤:
采集slam训练地图集,并确定所述slam训练地图集中的每个样本的重叠度;
根据所述重叠度对所述样本的建图正确性进行分类标记,得到slam标记地图集;所述分类标记包括:正样本和负样本;
构建初始神经网络,通过所述slam标记地图集对所述初始神经网络进行训练,得到目标神经网络;
获取slam目标地图,并输入到所述目标神经网络中进行建图正确性的分类识别,得到所述slam目标地图的建图类型;所述建图类型包括:建图正确和建图错误。
根据本发明实施例的slam地图的分类方法,至少具有如下有益效果:通过重叠度判断每个样本的建图正确性,并对样本进行分类标记,便于获得slam训练地图集中的正样本和负样本,有利于对初始神经网络进行训练;目标神经网络能够对slam目标地图的特征进行提取,识别slam目标地图的建图正确性,从而对slam目标地图进行分类,得到slam目标地图的建图类型,进而便于机器人得知slam目标地图是否建图正确,从而提高机器人后续的定位和路径规划的准确性,也提高了客户的使用体验。
根据本发明的一些实施例,所述采集slam训练地图集,并确定所述slam训练地图集中的每个样本的重叠度,包括如下步骤:
通过激光slam机器人采集slam训练地图集,并上传到云端服务器;
获取所述云端服务器的所述slam训练地图集,并确定所述slam训练地图集中的每个样本的重叠度。
根据本发明的一些实施例,还包括如下步骤:对所述slam标记地图集进行预处理,所述预处理包括:规格归一化处理、像素均值化处理、图像二值化处理、像素归一化处理和去噪处理。
根据本发明的一些实施例,还包括如下步骤:将所述slam标记地图集划分为训练集和验证集,所述训练集中的正样本和负样本的比例为3:5。
根据本发明的一些实施例,所述初始神经网络包括Inception深度神经网络。
根据本发明的一些实施例,所述Inception深度神经网络包括:依次连接的Inception模块、全连接层和SENet层;所述Inception模块含有若干个并行通道,所述全连接层同时与若干个所述并行通道连接。
根据本发明的一些实施例,所述全连接层中含有RELU激活函数。
根据本发明的一些实施例,所述获取slam目标地图,并输入到所述目标神经网络中进行建图正确性的分类识别,得到所述slam目标地图的建图类型,包括如下步骤:
通过激光slam机器人采集slam目标地图,并上传到云端服务器;
获取所述云端服务器的所述slam训练地图集,输入到所述目标神经网络中进行建图正确性的分类识别,得到所述slam目标地图的建图类型;
将所述建图类型反馈给所述激光slam机器人。
根据本发明的第二方面的实施例的一种slam地图的分类装置,包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器;所述存储器存储有可被所述至少一个控制处理器执行的指令,所述指令被所述至少一个控制处理器执行,以使所述至少一个控制处理器能够执行如以上任一项所述的一种slam地图的分类方法。
根据本发明的第三方面的实施例的一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如以上任一项所述的一种slam地图的分类方法。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是根据本发明实施例的slam地图的分类方法的流程图;
图2是根据本发明实施例的Inception深度神经网络的结构图。
具体实施方式
下面结合附图,对本发明实施例作进一步阐述。
如图1所示,根据本发明实施例的slam地图的分类方法,包括以下步骤:
步骤S100:采集slam训练地图集,并确定所述slam训练地图集中的每个样本的重叠度;
步骤S200:根据所述重叠度对所述样本的建图正确性进行分类标记,得到slam标记地图集;所述分类标记包括:正样本和负样本;
步骤S300:构建初始神经网络,通过slam标记地图集对初始神经网络进行训练,得到目标神经网络;
步骤S400:获取slam目标地图,并输入到目标神经网络中进行建图正确性的分类识别,得到slam目标地图的建图类型;所述建图类型包括:建图正确和建图错误。
例如,如图1所示,在步骤S100中和步骤S200中,slam训练地图集中含有若干个slam训练地图的样本,由于slam训练地图集中可能会存在建图错误的样本,因此需要对样本的建图正确性进行分类标记,以便于区别建图正确和错误的样本,从而有助于对初始神经网络进行训练。
而样本的建图正确性是通过重叠度来进行区分的,即重叠度较大,表示slam训练地图中的重叠区域多,线条之间错乱交杂,那么该样本是建图错误的,为负样本;而重叠度较小,表示slam训练地图中的重叠区域少,线条明显,则该样本是建图正确的,为正样本。
重叠度可以通过面积重叠度或线条重叠度来进行分析,其中,面积重叠度可以通过计算样本的IOU值来判断,通过设置IOU阈值,使得样本中的面积重叠度大于IOU值阈值,则为负样本。另外,面积重叠度和线条重叠度也可以通过人为观察,来进行判断和标记。
在步骤S300中,初始神经网络能够对slam标记地图集中的特征进行提取和识别,以区分正样本和负样本的区别特征,进而完成训练,得到目标神经网络。
在步骤S400中,目标神经网络能够对slam目标地图的特征进行提取,识别slam目标地图的建图正确性,从而对slam目标地图进行分类,得到slam目标地图的建图类型,进而便于机器人得知slam目标地图是否建图正确,从而提高机器人后续的定位和路径规划的准确性,也提高了客户的使用体验。
在本发明的一些具体实施例中,采集slam训练地图集,并确定所述slam训练地图集中的每个样本的重叠度,包括如下步骤:
步骤S110:通过激光slam机器人采集slam训练地图集,并上传到云端服务器;
步骤S120:获取所述云端服务器的所述slam训练地图集,并确定所述slam训练地图集中的每个样本的重叠度。
具体地,激光slam机器人是通过2D激光对室内环境进行扫描的,其中2D激光使用的是单线激光雷达,一般只发射一束激光,利用ToF原理或三角测距法计算与障碍物之间的距离,精度高,速度快,具有隐私性,不受灰度变化的干扰。
通过设置云端服务器为中转站,有利于slam训练地图集的传输,有效的克服了距离的限制,便于对slam训练地图集的处理。
在本发明的一些具体实施例中,还包括如下步骤:对slam标记地图集进行预处理,所述预处理包括:规格归一化处理、像素均值化处理、图像二值化处理、像素归一化处理和去噪处理。
具体地,通过对slam标记地图集进行预处理,有助于减少样本之间的差异,从而减少初始神经网络对slam标记地图集的特征提取和识别的差异度,进而提高初始神经网络训练的准确性。进一步,还可以将预处理后的slam标记地图集压缩为tfrecords格式,tfrecords是一种二进制编码的文件格式,且任意的数据均能转换为tfrecords格式,兼容性较强,便于slam标记地图集的复制和移动。
其中,规格归一化处理:将slam标记地图集内的所有样本的规格裁剪为相同的大小,例如是299*299像素。
像素均值化处理:slam标记地图含有三个颜色通道:R通道、G通道和B通道,因此像素均值化处理就是求取样本中的像素点在三个颜色通道下的像素值的均值,从而减少样本中每个颜色通道的空间位置的差异。
图像二值化处理:将slam标记地图上的像素点的灰度值设置为0或255,从而使得slam标记地图呈现出明显的黑白效果,达到减小数据量、凸显感兴趣的目标轮廓的作用。
像素归一化处理:假设某样本的某像素点的像素值为x,则在剩余的样本中,与该像素点的维度相对应的最大像素值为xmax,最小像素值为xmin,因此像素归一化处理过程为:从而使得像素点的像素值压缩到[0,1]的区间,减少了样本之间像素值的差距。
去噪处理:去噪方法可以选取:高斯低通滤波去噪、中值滤波去噪、P-M方程去噪等,从而减少slam标记地图中的噪声,提高准确度。
在本发明的一些具体实施例中,还包括如下步骤:将slam标记地图集划分为训练集和验证集,所述训练集中的正样本和负样本的比例为3:5。
具体地,训练集能够对初始神经网络进行训练,验证集能够对训练完成的目标神经网络进行检测,验证目标神经网络的性能是否符合实际的需要,准确率是否达到要求,从而提高slam目标地图分类识别的准确度。
本实施例通过将训练集中的正样本和负样本,划分为不同比例的组合,分别进行训练实验,其中比例分别为1:1、1:3、3:5、5:7,得到训练完成的四个目标神经网络;再通过验证集分别对四个目标神经网络进行验证,发现当正样本和负样本的比例为3:5时,目标神经网络的分类识别的准确率最高。
在本发明的一些具体实施例中,初始神经网络包括Inception深度神经网络。
例如,如图2所示,Inception深度神经网络具有优良的局部拓扑结构,能够对slam标记地图并行地执行多个卷积运算和池化操作,从而能够较快地得到多个并行运算结果,有效的反应了slam标记地图的不同特征信息,并提高了特征提取的速度。再通过将所有并行运算结果进行融合,以获得更多的图像表征信息,有利于提高slam目标地图的分类识别的准确率。
另外,Inception深度神经网络包括有以下不同的版本:Inception V1、InceptionV2、Inception V3、Inception V4和Inception ResNet。Inception深度神经网络也可以设置为具有22层的网络,从而能够提取样本中的更多特征,进而提高slam目标地图的分类识别的准确性。
在本发明的一些具体实施例中,Inception深度神经网络包括:依次连接的Inception模块、全连接层和SENet层;所述Inception模块含有若干个并行通道,所述全连接层同时与若干个并行通道连接。
例如,如图2所示,Inception模块可以设置有四个并行通道,分别为第一通道、第二通道、第三通道和第四通道;其中第一通道设置为1*1卷积,第二通道设置为依次连接的1*1卷积和3*3卷积,第三通道设置为依次连接的1*1卷积和5*5卷积,第四通道设置为依次连接的3*3最大池化和1*1卷积,并且四个通道除上述连接层外,还可以根据实际的需要在后面连接若干连接层。在第二通道、第三通道和第四通道中的1*1卷积,能够有效的降低在对于通道下的卷积核维度,从而加快特征提取的速度。
全连接层能够整合Inception模块中,具有类别区分性的局部特征,并根据局部特征的重要性分别对其进行加权求和,从而提升Inception深度神经网络的性能,提高特征提取、识别和分类的准确性。
SENet层能够提取全连接层上的特征,并对特征进行空间维度上的全局平均池化,从而将Inception深度神经网络上的重要通道的特征强化,非重要通道的特征弱化,进而将训练方向转移到样本上比较规则的区域,以达到更好的训练参数输出。
在本发明的一些具体实施例中,全连接层中含有RELU激活函数。
具体地,ReLU激活函数是分段线性函数,具有单侧抑制性,能够把所有的负值都变为0,而正值不变,从而使得Inception深度神经网络具有稀疏激活性,更好地挖掘相关特征,拟合训练数据。
在本发明的一些具体实施例中,获取slam目标地图,并输入到目标神经网络中进行建图正确性的分类识别,得到slam目标地图的建图类型,包括如下步骤:
步骤S410:通过激光slam机器人采集slam目标地图,并上传到云端服务器;
步骤S420:获取云端服务器的slam训练地图集,输入到目标神经网络中进行建图正确性的分类识别,得到slam目标地图的建图类型;
步骤S430:将建图类型反馈给激光slam机器人。
具体地,激光slam机器人通过云端服务器将slam目标地图传输到目标神经网络中,目标神经网络能够对slam目标地图进行特征的提取,识别slam目标地图的建图正确性,从而对slam目标地图进行分类,得到slam目标地图的建图类型,便于激光slam机器人获知建图成功或失败。
若slam目标地图的类别为失败,则激光slam机器人需要重新获取slam目标地图,继续操作步骤S410-S430,直到建图类别为建图正确,从而提高机器人后续的定位和路径规划的准确性,也提高了客户的使用体验。
根据本发明实施例的slam地图的分类方法的其他构成以及操作,对于本领域普通技术人员而言都是已知的,这里不再详细描述。
下面参考图1和图2,以一个具体的实施例详细描述根据本发明实施例的slam地图的分类方法,值得理解的是,下述描述仅是示例性说明,而不是对发明的具体限制。
如图1和图2所示,slam地图的分类方法,包括以下步骤:
步骤S110:通过激光slam机器人采集slam训练地图集,并上传到云端服务器;
步骤S120:获取所述云端服务器的所述slam训练地图集,并确定所述slam训练地图集中的每个样本的重叠度;
步骤S200:根据所述重叠度对所述样本的建图正确性进行分类标记,得到slam标记地图集;所述分类标记包括:正样本和负样本;
步骤S500:对slam标记地图集进行预处理,所述预处理包括:规格归一化处理、像素均值化处理、图像二值化处理、像素归一化处理和去噪处理;
步骤S600:将预处理后的slam标记地图集划分为训练集和验证集,所述训练集中的正样本和负样本的比例为3:5;
步骤S300:构建Inception深度神经网络,通过训练集和验证集分别对Inception深度神经网络进行训练和验证,得到目标神经网络;所述Inception深度神经网络包括:依次连接的Inception模块、全连接层和SENet层;
步骤S410:通过激光slam机器人采集slam目标地图,并上传到云端服务器;
步骤S420:获取云端服务器的slam训练地图集,输入到目标神经网络中进行建图正确性的分类识别,得到slam目标地图的建图类型;所述建图类型包括:建图正确和建图错误;
步骤S430:将slam目标地图的建图类型反馈给激光slam机器人。
根据本发明实施例的slam地图的分类方法,通过如此设置,可以达成至少如下的一些效果,通过重叠度判断每个样本的建图正确性,并对样本进行分类标记,便于获得slam训练地图集中的正样本和负样本,有利于对Inception深度神经网络进行训练。通过对slam标记地图集进行预处理,有助于减少样本之间的差异,从而减少Inception深度神经网络对slam标记地图集的特征提取和识别的差异度,进而提高网络训练的准确性。
目标神经网络能够对slam目标地图的特征进行提取,识别slam目标地图的建图正确性,从而对slam目标地图进行分类,得到slam目标地图的建图类型,便于激光slam机器人获知建图成功或失败,从而提高机器人后续的定位和路径规划的准确性,也提高了客户的使用体验。
此外,本发明的另一个实施例还提供了一种slam地图的分类装置,包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器;所述存储器存储有可被所述至少一个控制处理器执行的指令,所述指令被所述至少一个控制处理器执行,以使所述至少一个控制处理器能够执行如上的任一项所述的一种slam地图的分类方法。
在本实施例中,分类装置包括:一个或多个控制处理器和存储器,控制处理器和存储器可以通过总线或者其他方式连接。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态性计算机可执行程序以及模块,如本发明实施例中的分类方法对应的程序指令/模块。控制处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块,从而执行分类装置的各种功能应用以及数据处理,即实现上述方法实施例的分类方法。
存储器可以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、至少一个功能所需要的应用程序;存储数据区可存储根据分类装置的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器可选包括相对于控制处理器远程设置的存储器,这些远程存储器可以通过网络连接至该分类装置。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。
所述一个或者多个模块存储在所述存储器中,当被所述一个或者多个控制处理器执行时,执行上述方法实施例中的分类方法,例如,执行以上描述分类方法步骤S100至S600、S110至S120、以及S410至S430的功能。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令被一个或多个控制处理器执行,例如,一个控制处理器执行,可使得上述一个或多个控制处理器执行上述方法实施例中的分类方法,例如,执行以上描述的方法步骤S100至S600、S110至S120、以及S410至S430的功能。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
通过以上的实施方式的描述,本领域技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现。本领域技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(ReadOnly Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、或“本实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (8)
1.一种slam地图的分类方法,其特征在于,包括以下步骤:
采集slam训练地图集,并确定所述slam训练地图集中的每个样本的重叠度;所述重叠度为面积重叠度或线条重叠度;
根据所述重叠度对所述样本的建图正确性进行分类标记,得到slam标记地图集;所述分类标记包括:正样本和负样本;
构建初始神经网络,通过所述slam标记地图集对所述初始神经网络进行训练,得到目标神经网络;所述初始神经网络包括依次连接的Inception模块、全连接层和SENet层;
获取slam目标地图,并输入到所述目标神经网络中进行建图正确性的分类识别,得到所述slam目标地图的建图类型;所述建图类型包括:建图正确和建图错误;
其中,所述Inception模块设置有四个并行通道,分别为第一通道、第二通道、第三通道和第四通道;其中第一通道设置为1*1卷积,第二通道设置为依次连接的1*1卷积和3*3卷积,第三通道设置为依次连接的1*1卷积和5*5卷积,第四通道设置为依次连接的3*3最大池化和1*1卷积;所述全连接层同时与所述第一通道、所述第二通道、所述第三通道和所述第四通道连接。
2.根据权利要求1所述的一种slam地图的分类方法,其特征在于:所述采集slam训练地图集,并确定所述slam训练地图集中的每个样本的重叠度,包括如下步骤:
通过激光slam机器人采集slam训练地图集,并上传到云端服务器;
获取所述云端服务器的所述slam训练地图集,并确定所述slam训练地图集中的每个样本的重叠度。
3.根据权利要求1所述的一种slam地图的分类方法,其特征在于:还包括如下步骤:对所述slam标记地图集进行预处理,所述预处理包括:规格归一化处理、像素均值化处理、图像二值化处理、像素归一化处理和去噪处理。
4.根据权利要求1所述的一种slam地图的分类方法,其特征在于:还包括如下步骤:将所述slam标记地图集划分为训练集和验证集,所述训练集中的正样本和负样本的比例为3:5。
5.根据权利要求1所述的一种slam地图的分类方法,其特征在于:所述全连接层中含有RELU激活函数。
6.根据权利要求1所述的一种slam地图的分类方法,其特征在于:所述获取slam目标地图,并输入到所述目标神经网络中进行建图正确性的分类识别,得到所述slam目标地图的建图类型,包括如下步骤:
通过激光slam机器人采集slam目标地图,并上传到云端服务器;
获取所述云端服务器的所述slam训练地图集,输入到所述目标神经网络中进行建图正确性的分类识别,得到所述slam目标地图的建图类型;
将所述建图类型反馈给所述激光slam机器人。
7.一种slam地图的分类装置,其特征在于,包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器;所述存储器存储有可被所述至少一个控制处理器执行的指令,所述指令被所述至少一个控制处理器执行,以使所述至少一个控制处理器能够执行如权利要求1-6任一项所述的slam地图的分类方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如权利要求1-6任一项所述的slam地图的分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010817126.3A CN112070122B (zh) | 2020-08-14 | 2020-08-14 | 一种slam地图的分类方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010817126.3A CN112070122B (zh) | 2020-08-14 | 2020-08-14 | 一种slam地图的分类方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112070122A CN112070122A (zh) | 2020-12-11 |
CN112070122B true CN112070122B (zh) | 2023-10-17 |
Family
ID=73661695
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010817126.3A Active CN112070122B (zh) | 2020-08-14 | 2020-08-14 | 一种slam地图的分类方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112070122B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106067191A (zh) * | 2016-05-25 | 2016-11-02 | 深圳市寒武纪智能科技有限公司 | 一种家用机器人建立语义地图的方法及系统 |
CN106897666A (zh) * | 2017-01-17 | 2017-06-27 | 上海交通大学 | 一种室内场景识别的闭环检测方法 |
CN107330357A (zh) * | 2017-05-18 | 2017-11-07 | 东北大学 | 基于深度神经网络的视觉slam闭环检测方法 |
CN108898579A (zh) * | 2018-05-30 | 2018-11-27 | 腾讯科技(深圳)有限公司 | 一种图像清晰度识别方法、装置和存储介质 |
CN109711245A (zh) * | 2018-11-05 | 2019-05-03 | 广东工业大学 | 一种基于图像候选区域的闭环检测方法 |
CN109785387A (zh) * | 2018-12-17 | 2019-05-21 | 中国科学院深圳先进技术研究院 | 机器人的回环检测方法、装置及机器人 |
CN109934249A (zh) * | 2018-12-14 | 2019-06-25 | 网易(杭州)网络有限公司 | 数据处理方法、装置、介质和计算设备 |
CN111275702A (zh) * | 2020-02-26 | 2020-06-12 | 东南大学 | 一种基于卷积神经网络的回环检测方法 |
CN111292299A (zh) * | 2020-01-21 | 2020-06-16 | 长沙理工大学 | 一种乳腺肿瘤识别方法、装置及存储介质 |
-
2020
- 2020-08-14 CN CN202010817126.3A patent/CN112070122B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106067191A (zh) * | 2016-05-25 | 2016-11-02 | 深圳市寒武纪智能科技有限公司 | 一种家用机器人建立语义地图的方法及系统 |
CN106897666A (zh) * | 2017-01-17 | 2017-06-27 | 上海交通大学 | 一种室内场景识别的闭环检测方法 |
CN107330357A (zh) * | 2017-05-18 | 2017-11-07 | 东北大学 | 基于深度神经网络的视觉slam闭环检测方法 |
CN108898579A (zh) * | 2018-05-30 | 2018-11-27 | 腾讯科技(深圳)有限公司 | 一种图像清晰度识别方法、装置和存储介质 |
CN109711245A (zh) * | 2018-11-05 | 2019-05-03 | 广东工业大学 | 一种基于图像候选区域的闭环检测方法 |
CN109934249A (zh) * | 2018-12-14 | 2019-06-25 | 网易(杭州)网络有限公司 | 数据处理方法、装置、介质和计算设备 |
CN109785387A (zh) * | 2018-12-17 | 2019-05-21 | 中国科学院深圳先进技术研究院 | 机器人的回环检测方法、装置及机器人 |
CN111292299A (zh) * | 2020-01-21 | 2020-06-16 | 长沙理工大学 | 一种乳腺肿瘤识别方法、装置及存储介质 |
CN111275702A (zh) * | 2020-02-26 | 2020-06-12 | 东南大学 | 一种基于卷积神经网络的回环检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112070122A (zh) | 2020-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3506158B1 (en) | Method and apparatus for determining lane line on road | |
CN110148196B (zh) | 一种图像处理方法、装置以及相关设备 | |
KR101856401B1 (ko) | 차선 데이터의 처리 방법, 장치, 저장매체 및 기기 | |
CN109087510B (zh) | 交通监测方法及装置 | |
CN107481292B (zh) | 车载摄像头的姿态误差估计方法和装置 | |
EP3321887A1 (en) | Urban road recognition method, apparatus, storage medium and device based on laser point cloud | |
CN112949366B (zh) | 障碍物识别方法和装置 | |
CN111190199B (zh) | 定位方法及定位装置、计算机设备和可读存储介质 | |
CN112200884B (zh) | 一种车道线的生成方法及装置 | |
CN115049700A (zh) | 一种目标检测方法及装置 | |
CN111213154A (zh) | 一种车道线检测方法、设备、移动平台及存储介质 | |
EP3703008A1 (en) | Object detection and 3d box fitting | |
CN114051628A (zh) | 一种确定目标对象点云集的方法及装置 | |
CN114495045A (zh) | 感知方法、感知装置、感知系统及相关设备 | |
US11941892B2 (en) | Method and device for providing data for creating a digital map | |
CN113496163B (zh) | 障碍物识别方法和装置 | |
CN112613437B (zh) | 一种违章建筑识别方法 | |
GB2556328A (en) | Street asset mapping | |
CN112070122B (zh) | 一种slam地图的分类方法、装置及存储介质 | |
CN116430404A (zh) | 相对位置的确定方法和装置、存储介质及电子装置 | |
CN111723724A (zh) | 一种路面障碍物识别方法和相关装置 | |
CN114425774B (zh) | 机器人行走道路的识别方法、识别设备以及存储介质 | |
Ziems et al. | Multiple-model based verification of road data | |
CN114898321A (zh) | 道路可行驶区域检测方法、装置、设备、介质及系统 | |
CN114882458A (zh) | 一种目标跟踪方法、系统、介质及设备 |
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 |