CN112348950A - 一种基于激光点云分布特性的拓扑地图节点生成方法 - Google Patents

一种基于激光点云分布特性的拓扑地图节点生成方法 Download PDF

Info

Publication number
CN112348950A
CN112348950A CN202011212190.5A CN202011212190A CN112348950A CN 112348950 A CN112348950 A CN 112348950A CN 202011212190 A CN202011212190 A CN 202011212190A CN 112348950 A CN112348950 A CN 112348950A
Authority
CN
China
Prior art keywords
point
point cloud
laser
dimensional
ground
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
Application number
CN202011212190.5A
Other languages
English (en)
Other versions
CN112348950B (zh
Inventor
袁兴达
闫飞
庄严
李卓函
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dalian University of Technology
Original Assignee
Dalian University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Dalian University of Technology filed Critical Dalian University of Technology
Priority to CN202011212190.5A priority Critical patent/CN112348950B/zh
Publication of CN112348950A publication Critical patent/CN112348950A/zh
Application granted granted Critical
Publication of CN112348950B publication Critical patent/CN112348950B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/521—Depth or shape recovery from laser ranging, e.g. using interferometry; from the projection of structured light
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Optics & Photonics (AREA)
  • Artificial Intelligence (AREA)
  • Remote Sensing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Graphics (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出了一种基于激光点云分布特性的拓扑地图节点生成方法，属于机器人技术领域。本发明利用三维激光传感器获取场景的三维点云数据，将三维点云数据分成地面点云和非地面点云两部分，对于非地面点云数据，进行离群点剔除以及聚类处理，从而获得点云类别数目；对于地面点云进行可行区域提取，对提取出来的可行区域边界进行直线拟合，从而判断当前所在位置是否为弯角处或者为路口。依据获取的三维点云数据所描述的环境范围的大小、非地面点云类别数目、当前位置是否为弯角处或路口、与上一个节点的距离这几个因素来构建代价函数，同时依据代价值判断目前机器人所在位置是否可以生成拓扑节点。

Description

一种基于激光点云分布特性的拓扑地图节点生成方法
技术领域
本发明属于机器人技术领域，特别涉及到一种基于三维激光点云分布特性的拓扑地图节点生成方法。
背景技术
在移动机器人领域中常用的传感器有三维激光、相机、IMU等，相较于相机而言，三维激光不易受到光照的影响，测量结果准确且可靠，因此被广泛应用于机器人领域。由于三维激光有较高的扫描分辨率和扫描频率，使得移动机器人累积获取的激光点云的数据量越来越大，具有较大的计算负担。
在移动机器人地图构建任务中，常用的地图表述形式有度量地图和拓扑地图，度量地图中使用原始数据和边线等几何特征描述环境，但是随着表述环境范围的增大，度量地图存储量也快速增长，需要消耗大量的计算资源和存储资源。拓扑地图利用拓扑结构来表述环境，将环境抽象为拓扑节点，并利用相连的拓扑节点的位置关系构建出相连拓扑节点之间的边，进而描述出整个环境，且移动机器人可以直接利用拓扑结构实现路径规划任务，同时拓扑地图存储量小，计算效率高。在拓扑地图构建过程中，拓扑节点的选择至关重要，现有的拓扑节点选择方法中，大多适用于室内环境，在室外环境下生成的拓扑结构效果较差且效率较低。
在文献(Churchill W,Newman P.Experience-based navigation for long-termlocalisation[J].International Journal of Robotics Research,2013,32(14):1645-1661.)提出在一种基于视觉传感器的移动机器人运行轨迹上等间距生成拓扑节点的方法。由于采用的是固定间距拓扑节点生成方法，这就导致在非重要区域(例如直道)拓扑节点分布冗余，在重要区域(例如弯角处、路口)拓扑节点分布稀疏，因此造成该方法生成的拓扑节点对环境的适应性差。
在文献(Brice R,Ouiddad L,Labbabi L and Gilles M.Hybrid mapmosaicking:A novel approach for large area mapping[C].2018IEEE InternationalConference on Simulation,Modeling,and Programming for Autonomous Robots(SIMPAR).2018:23-28)中提出了一种基于视觉的拓扑节点生成方法，该方法采用基于颜色的分割方法提取道路和人行横道，然后将提取出来的图形使用骨骼提取算法提取出骨架图像，将骨架交点设定为拓扑节点。虽然该方法能够将环境中弯角处、路口等重要位置设置为拓扑节点，但该方案采用的视觉传感器受光照影响较大且无法在夜间工作，此外测量范围有限，无法满足面向室外大范围场景拓扑地图构建的需求。
发明内容
针对现有拓扑地图节点生成方法的不足，本发明提出了一种基于三维点云分布特性的拓扑地图节点生成方法。本发明利用三维激光传感器获取场景的三维点云数据，将三维点云数据分成地面点云和非地面点云两部分，对于非地面点云数据，进行离群点剔除以及聚类处理，从而获得点云类别数目；对于地面点云进行可行区域提取，对提取出来的可行区域边界进行直线拟合，从而判断当前所在位置是否为弯角处或者为路口。依据获取的三维点云数据所描述的环境范围的大小、非地面点云类别数目、当前位置是否为弯角处或路口、与上一个节点的距离这几个因素来构建代价函数，同时依据代价值判断目前机器人所在位置是否可以生成拓扑节点。
本发明的技术方案：
一种基于激光点云分布特性的拓扑地图节点生成方法，包括如下步骤：
(1)地面点和非地面点的分割
由于三维激光传感器为水平安装方式，所以在提取地面点时只需要考虑下面的n条激光线，设定角度分割阈值为δθ，计算在垂直方向上相邻两条激光线之间对应位置激光点的俯仰角θ：
Figure BDA0002759372100000031
其中p和q代表了两个在垂直方向上相邻的三维激光点，x，y，z分别代表了激光点在三维空间中x轴，y轴，z轴上的数值。
当θ小于角度阈值δθ时，该点为地面点，否则为非地面点。对于地面点进入步骤(5)处理，非地面点进入步骤(2)。
(2)非地面点离群点去除与场景体积计算
设定点云分割角度阈值δβ，通过在相邻两个激光数据的深度差进行点云分割，激光光束与连接激光点A和B的线上有两个相交点A和B，在A、B两点，激光光束与线段产生两个夹角，利用A、B中距离扫描仪较远的点处产生的夹角代替直接计算深度值，对应的角度值
Figure BDA0002759372100000032
其中，d1和d2分别为三维激光点A和B到传感器的距离，α为两条激光光束之间的夹角。当计算得到的角度值大于设定的分割阈值δβ时，激光点A、B为同一类别点云，若小于δβ时，激光点A、B为不同类别点云，从而实现点云分割。分割后，设定分割点云最小数目m，当分割后每个类别中三维点云数目小于m时，判定为离群点将对应的点云删除。去除离群点后，查找剩余三维点云中x轴，y轴，z轴上的最大值与最小值，计算出当前帧三维激光数据所描述环境的体积：
Figure BDA0002759372100000033
其中
Figure BDA0002759372100000034
分别代表了当前帧三维激光数据在x轴，y轴，z轴上的最大值和最小值。
(3)非地面点聚类类别数目计算
步骤(2)中有对三维点云进行分割，但是会出现过分割现象，分割结果不能直接用来统计聚类数目，利用基于密度的自适应阈值聚类算法，对去除离群点的非地面点进行聚类，利用三维点距离传感器的距离以及传感器水平方向上角度分辨率，动态调整聚类半径D＝max(dc(sin(Δθc)),dth)，其中dc为三维点到传感器的距离，Δθc为水平方向角分辨率，dth为设定的最小半径。对于非地面点，以D为半径进行基于密度的聚类，可以获取三维点云中非地面点聚类类别数目
Figure BDA0002759372100000041
(4)代价函数构建及拓扑节点生成
对于第i帧三维激光数据，依据步骤(2)可以获得该帧数据所描述的环境的体积Vi，依据步骤(3)可以获得该帧三维激光数据中非地面点聚类类别数目
Figure BDA0002759372100000045
计算出当前位置距离上一个拓扑节点的距离Δdi。依据获得的三个数据构建代价函数
Figure BDA0002759372100000044
其中，w1，w2，w3分别代表了上述变量Vi、
Figure BDA0002759372100000042
Δdi对应的代价值，wi为最终获得的代价值，与设定的wthreshold进行比较，当大于设定的阈值时，该点所在位置被选择为拓扑节点。
(5)弯角处和路口识别
获取三维点云地面点后，对每条激光线上的三维点云进行基于欧式距离聚类，去除聚类数目小于Ngroundth的类别，获取每个聚类类别中左右边界点p1′和p2′，计算两个点之间在水平方向上的距离：
Figure BDA0002759372100000043
dx-y代表了每个聚类类别的可行区域宽度，设定可行区域最小宽度Dgroundth，当距离小于阈值Dgroundth时，将该类别点云剔除。提取剩余聚类中每个类别下左右边界点，并使用分割合并算法进行直线拟合，当至少有两条直线斜率相差大于设定的斜率差Δkthreshold时，确定该点所在区域为弯角处或路口，将该点所在的位置设定为拓扑节点。
本发明的有益效果为利用三维激光点云分布特性生成拓扑地图中的拓扑节点，能够将环境特征丰富或者在环境中重要位置点如弯角处、路口等位置设置为拓扑节点，所生成的拓扑节点能够对环境更好的表述，能够满足移动机器人等智能系统对拓扑地图实时构建的需求。
附图说明
图1为本发明方法的流程图。
图2为原始激光点云数据图。
图3为分割后的非地面三维点云图。
图4为分割后的地面三维点云图。
图5为非地面点去除离群点后的三维点云图。
图6为非地面点聚类效果图。
图7(a)为实验场景。
图7(b)为拓扑节点生成效果图。
具体实施方式
下面将结合具体实施例和附图对本发明的技术方案进行进一步的说明，本发明技术方案的流程图如图1所示。
本发明具体实施过程中使用16线三维激光传感器，生成三维点云的频率为10Hz，水平方向扫描范围为360°，分辨率为0.2°，垂直方向上扫描范围为30°，分辨率为2°，每条激光线为1800个点，三维激光传感器每秒输出288000个三维激光点，如图2所示。
一种基于激光分布特性的拓扑地图节点生成方法，步骤如下：
(1)地面点和非地面点的分割
由于三维激光传感器为水平安装方式，所以在提取地面点时只需要考虑下面的7条激光线，设定角度分割阈值为δθ为10°，计算在垂直方向上相邻两条激光线之间对应位置激光点的俯仰角θ：
Figure BDA0002759372100000061
其中p和q代表了两个在垂直方向上相邻的三维激光点，x，y，z分别代表了激光点在三维空间中x轴，y轴，z轴上的数值。
当θ小于10°时，该点为地面点，否则为非地面点，非地面点如图3所示，地面点如图4所示。对于地面点进入步骤(5)处理，非地面点进入步骤(2)。
(2)非地面点离群点去除与场景体积计算
设定点云分割角度阈值δβ为30°，通过在相邻两个激光数据的深度差进行点云分割，激光光束与连接激光点A和B的线上有两个相交点A和B，在A、B两点，激光光束与线段产生两个夹角，利用A、B中距离扫描仪较远的点处产生的夹角代替直接计算深度值，对应的角度值
Figure BDA0002759372100000062
其中，d1和d2分别为三维激光点A和B到传感器的距离，α为两条激光光束之间的夹角。当两个激光点在水平方向上相邻时，α设定为0.2°，当两个激光点在垂直方向上相邻时，α设定为2°，示意图如图5所示。分割后，设定分割点云最小数目m为30，当分割后每个类别中三维点云数目小于m时，判定为离群点将对应的点云删除。去除离群点后，查找剩余三维点云中x轴，y轴，z轴上的最大值与最小值，计算出当前帧三维激光数据所描述环境的体积：
Figure BDA0002759372100000063
其中
Figure BDA0002759372100000064
分别代表了当前帧三维激光数据在x轴，y轴，z轴上的最大值和最小值，对于图5数据中，计算得到的体积为42898.5m3。
(3)非地面点聚类类别数目计算
步骤(2)中有对三维点云进行分割，但是会出现过分割现象，分割结果不能直接用来统计聚类数目，利用基于密度的自适应阈值聚类算法，对去除离群点的地面进行聚类，利用三维点距离传感器的距离以及传感器水平方向上角分辨率，动态调整聚类半径D＝max(dc(sin(Δθc)),dth)，其中dc为三维点到传感器的距离，Δθc为水平方向角分辨率为0.2°，dth为设定的最小半径为0.5m。经过聚类后，可以获取三维点云中非地面点聚类类别数目
Figure BDA0002759372100000074
如图6所示，在图6中聚类类别个数为34。
(4)代价函数构建及拓扑节点生成
对于第i帧三维激光数据，依据步骤(2)可以获得该帧数据所描述的环境的体积Vi，依据步骤(3)可以获得该帧三维激光数据中非地面点聚类类别数目
Figure BDA0002759372100000071
计算出当前位置距离上一个拓扑节点的距离Δdi。依据获得的三个数据构建代价函数
Figure BDA0002759372100000072
其中，w1，w2，w3分别代表了上述变量对应的代价值，w1为5e-6，w2为0.01，w3为0.2，wi为最终获得的代价值，与设定的wthreshold为1进行比较，当大于设定的阈值时，该点所在位置被选择为拓扑节点。
(5)弯角处和路口识别
获取三维点云地面点后，对每条激光线上的三维点云进行基于欧式距离聚类，去除聚类数目小于Ngroundth为30的类别，设定可行区域最小长度Dgroundth为3.5，获取每个聚类类别中左右边界点p1′和p2′，计算两个点之间水平方向上的距离：
Figure BDA0002759372100000073
当距离小于3.5m时，将该类别点云剔除。提取剩余聚类中每个类别下左右边界点，并使用分割合并算法进行直线拟合，当至少有两条直线斜率相差大于设定阈值Δkthreshold为0.5时，该点所在区域为弯角处或路口，将该点所在的位置设定为拓扑节点。
当通过步骤(5)判断机器人所在位置为弯角处或路口时，将该点所在位置设定为拓扑节点，否则通过步骤(4)判断该点是否可以被设定为拓扑节点。最终实验场景如图7(a)所示，最终拓扑节点生成效果图如图7(b)所示。

Claims (1)

1.一种基于激光点云分布特性的拓扑地图节点生成方法，其特征在于，包括如下步骤：
(1)地面点和非地面点的分割
提取地面点时只需要考虑下面的n条激光线，设定角度分割阈值为δθ，计算在垂直方向上相邻两条激光线之间对应位置激光点的俯仰角θ：
Figure FDA0002759372090000011
其中p和q代表了两个在垂直方向上相邻的三维激光点，x，y，z分别代表了激光点在三维空间中x轴，y轴，z轴上的数值；
当θ小于角度阈值δθ时，该点为地面点，否则为非地面点；对于地面点进入步骤(5)处理，非地面点进入步骤(2)；
(2)非地面点离群点去除与场景体积计算
设定点云分割角度阈值δβ，通过在相邻两个激光数据的深度差进行点云分割，激光光束与连接激光点A和B的线上有两个相交点A和B，在A、B两点，激光光束与线段产生两个夹角，利用A、B中距离扫描仪较远的点处产生的夹角代替直接计算深度值，对应的角度值
Figure FDA0002759372090000012
其中，d1和d2分别为三维激光点A和B到传感器的距离，α为两条激光光束之间的夹角；当计算得到的角度值大于设定的分割阈值δβ时，激光点A、B为同一类别点云，若小于δβ时，激光点A、B为不同类别点云，从而实现点云分割；分割后，设定分割点云最小数目m，当分割后每个类别中三维点云数目小于m时，判定为离群点将对应的点云删除；去除离群点后，查找剩余三维点云中x轴，y轴，z轴上的最大值与最小值，计算出当前帧三维激光数据所描述环境的体积：
Figure FDA0002759372090000013
其中
Figure FDA0002759372090000014
分别代表了当前帧三维激光数据在x轴，y轴，z轴上的最大值和最小值；
(3)非地面点聚类类别数目计算
步骤(2)中有对三维点云进行分割，但是会出现过分割现象，分割结果不能直接用来统计聚类数目，利用基于密度的自适应阈值聚类算法，对去除离群点的非地面点进行聚类，利用三维点距离传感器的距离以及传感器水平方向上角度分辨率，动态调整聚类半径D＝max(dc(sin(Δθc)),dth)，其中dc为三维点到传感器的距离，Δθc为水平方向角分辨率，dth为设定的最小半径；对于非地面点，以D为半径进行基于密度的聚类，获取三维点云中非地面点聚类类别数目
Figure FDA0002759372090000021
(4)代价函数构建及拓扑节点生成
对于第i帧三维激光数据，依据步骤(2)获得该帧数据所描述的环境的体积Vi，依据步骤(3)获得该帧三维激光数据中非地面点聚类类别数目
Figure FDA0002759372090000022
计算出当前位置距离上一个拓扑节点的距离Δdi；依据获得的三个数据构建代价函数
Figure FDA0002759372090000023
其中，w1，w2，w3分别代表了变量Vi、
Figure FDA0002759372090000024
Δdi对应的代价值，wi为最终获得的代价值，与设定的wthreshold进行比较，当大于设定的阈值时，该点所在位置被选择为拓扑节点；
(5)弯角处和路口识别
获取三维点云地面点后，对每条激光线上的三维点云进行基于欧式距离聚类，去除聚类数目小于Ngroundth的类别，获取每个聚类类别中左右边界点p1′和p2′，计算两个点之间在水平方向上的距离：
Figure FDA0002759372090000025
dx-y代表了每个聚类类别的可行区域宽度，设定可行区域最小宽度Dgroundth，当距离小于阈值Dgroundth时，将该类别点云剔除；提取剩余聚类中每个类别下左右边界点，并使用分割合并算法进行直线拟合，当至少有两条直线斜率相差大于设定的斜率差Δkthreshold时，确定该点所在区域为弯角处或路口，将该点所在的位置设定为拓扑节点。
CN202011212190.5A 2020-11-04 2020-11-04 一种基于激光点云分布特性的拓扑地图节点生成方法 Active CN112348950B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011212190.5A CN112348950B (zh) 2020-11-04 2020-11-04 一种基于激光点云分布特性的拓扑地图节点生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011212190.5A CN112348950B (zh) 2020-11-04 2020-11-04 一种基于激光点云分布特性的拓扑地图节点生成方法

Publications (2)

Publication Number Publication Date
CN112348950A true CN112348950A (zh) 2021-02-09
CN112348950B CN112348950B (zh) 2022-10-18

Family

ID=74355482

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011212190.5A Active CN112348950B (zh) 2020-11-04 2020-11-04 一种基于激光点云分布特性的拓扑地图节点生成方法

Country Status (1)

Country Link
CN (1) CN112348950B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113283494A (zh) * 2021-05-21 2021-08-20 福建盛海智能科技有限公司 一种地面凹坑的检测方法及终端

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108062517A (zh) * 2017-12-04 2018-05-22 武汉大学 基于车载激光点云的非结构化道路边界线自动提取方法
CN109961440A (zh) * 2019-03-11 2019-07-02 重庆邮电大学 一种基于深度图的三维激光雷达点云目标分割方法
CN110992341A (zh) * 2019-12-04 2020-04-10 沈阳建筑大学 一种基于分割的机载LiDAR点云建筑物提取方法
CN111325837A (zh) * 2020-01-23 2020-06-23 江西理工大学 一种基于地面三维激光点云的边坡dem生成方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108062517A (zh) * 2017-12-04 2018-05-22 武汉大学 基于车载激光点云的非结构化道路边界线自动提取方法
CN109961440A (zh) * 2019-03-11 2019-07-02 重庆邮电大学 一种基于深度图的三维激光雷达点云目标分割方法
CN110992341A (zh) * 2019-12-04 2020-04-10 沈阳建筑大学 一种基于分割的机载LiDAR点云建筑物提取方法
CN111325837A (zh) * 2020-01-23 2020-06-23 江西理工大学 一种基于地面三维激光点云的边坡dem生成方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
柳红凯等: "基于渐进加密三角网机载LIDAR点云滤波改进算法研究", 《江西理工大学学报》 *
薛连杰等: "基于3维点云欧氏聚类和RANSAC边界拟合的目标物体尺寸和方位识别", 《机械设计与研究》 *
闫飞等: "基于拓扑高程模型的室外三维环境建模与路径规划", 《自动化学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113283494A (zh) * 2021-05-21 2021-08-20 福建盛海智能科技有限公司 一种地面凹坑的检测方法及终端
CN113283494B (zh) * 2021-05-21 2023-07-14 福建盛海智能科技有限公司 一种地面凹坑的检测方法及终端

Also Published As

Publication number Publication date
CN112348950B (zh) 2022-10-18

Similar Documents

Publication Publication Date Title
CN110781827B (zh) 一种基于激光雷达与扇状空间分割的路沿检测系统及其方法
CN111337941B (zh) 一种基于稀疏激光雷达数据的动态障碍物追踪方法
CN110084272B (zh) 一种聚类地图创建方法及基于聚类地图和位置描述子匹配的重定位方法
US10430659B2 (en) Method and apparatus for urban road recognition based on laser point cloud, storage medium, and device
CN112184736B (zh) 一种基于欧式聚类的多平面提取方法
Qin et al. Automated reconstruction of parametric bim for bridge based on terrestrial laser scanning data
CN106199558A (zh) 障碍物快速检测方法
CN113345008B (zh) 考虑轮式机器人位姿估计的激光雷达动态障碍物检测方法
CN116993928B (zh) 一种基于无人机遥感技术的城市工程测绘方法及系统
CN110794413A (zh) 线性体素分割的激光雷达点云数据电力线检测方法和系统
CN115861968A (zh) 一种基于实时点云数据的动态障碍物剔除方法
Qian et al. Hy-Seg: A hybrid method for ground segmentation using point clouds
CN114638934B (zh) 一种3D激光slam建图中动态障碍物的后处理方法
CN114565726A (zh) 一种非结构化动态环境下的同时定位与建图方法
Zhu et al. Indoor multi-robot cooperative mapping based on geometric features
CN112348950B (zh) 一种基于激光点云分布特性的拓扑地图节点生成方法
Sun et al. Automated segmentation of LiDAR point clouds for building rooftop extraction
CN116071530B (zh) 一种基于机载激光点云的建筑物屋顶体素化分割方法
CN117409393A (zh) 一种焦炉机车激光点云与视觉融合障碍物检测方法及系统
CN111323026B (zh) 一种基于高精度点云地图的地面过滤方法
CN115454055B (zh) 一种面向室内自主导航与作业的多层融合地图表示方法
Lu et al. Bolt 3D point cloud segmentation and measurement based on DBSCAN clustering
CN112884026B (zh) 一种图像识别辅助的输电线路激光LiDAR点云分类方法
CN115792958A (zh) 一种基于3d激光雷达的无人矿车障碍物检测方法
Zhao et al. Self-localization using point cloud matching at the object level in outdoor environment

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