CN112484738A - 机器人建图方法、装置、计算机可读存储介质及机器人 - Google Patents
机器人建图方法、装置、计算机可读存储介质及机器人 Download PDFInfo
- Publication number
- CN112484738A CN112484738A CN202011330699.XA CN202011330699A CN112484738A CN 112484738 A CN112484738 A CN 112484738A CN 202011330699 A CN202011330699 A CN 202011330699A CN 112484738 A CN112484738 A CN 112484738A
- Authority
- CN
- China
- Prior art keywords
- point
- point cloud
- robot
- pose
- rotation angle
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000013507 mapping Methods 0.000 title claims description 34
- 238000012216 screening Methods 0.000 claims abstract description 42
- 238000012545 processing Methods 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 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
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
- G01C21/30—Map- or contour-matching
- G01C21/32—Structuring or formatting of map data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Automation & Control Theory (AREA)
- Manipulator (AREA)
- Image Processing (AREA)
Abstract
本申请属于机器人技术领域，尤其涉及一种机器人建图方法、装置、计算机可读存储介质及机器人。所述方法包括：获取机器人在当前时刻采集的第一点云和第一位姿，以及在历史时刻采集的第二点云和第二位姿；计算所述第一位姿和所述第二位姿之间的位姿差；根据所述位姿差将所述第二点云投影至所述第一点云的坐标上，得到第三点云；根据所述第三点云筛选出所述第一点云中的动态物体点云；从所述第一点云中剔除掉所述动态物体点云，得到第四点云，并使用所述第四点云进行机器人建图。通过本申请，可以根据历史点云数据从当前的点云数据中剔除掉动态物体点云的影响，从而极大提高了建图精度。
Description
技术领域
本申请属于机器人技术领域，尤其涉及一种机器人建图方法、装置、计算机可读存储介质及机器人。
背景技术
机器人在进行建图的过程中，周围环境中通常存在各种动态物体，如汽车、行人等。若将激光雷达采集的点云不经过处理直接使用，容易将动态物体点云构建入地图中，使建图时地图匹配效果差，机器人位姿估计会产生较大的偏差，回环质量和效率低，构建的地图精度较低，并会影响后续定位与导航的精度。
发明内容
有鉴于此，本申请实施例提供了一种机器人建图方法、装置、计算机可读存储介质及机器人，以解决现有的机器人建图方法容易将动态物体点云构建入地图中，构建的地图精度较低的问题。
本申请实施例的第一方面提供了一种机器人建图方法，可以包括：
获取机器人在当前时刻采集的第一点云和第一位姿，以及在历史时刻采集的第二点云和第二位姿；
计算所述第一位姿和所述第二位姿之间的位姿差；
根据所述位姿差将所述第二点云投影至所述第一点云的坐标上，得到第三点云；
根据所述第三点云筛选出所述第一点云中的动态物体点云；
从所述第一点云中剔除掉所述动态物体点云，得到第四点云，并使用所述第四点云进行机器人建图。
进一步地，所述根据所述第三点云筛选出所述第一点云中的动态物体点云，可以包括：
根据所述第三点云从所述第一点云中筛选出各个候选点；
对筛选出的各个候选点进行聚类，得到各个候选点集；
分别计算各个候选点集中的点数目、点坐标在主方向上的第一方差以及点坐标在主方向的法向上的第二方差；
根据所述点数目、所述第一方差以及所述第二方差从各个候选点集中筛选出优选点集；
从所述优选点集中筛选出符合预设条件的动态物体点云。
进一步地，所述根据所述第三点云从所述第一点云中筛选出各个候选点，可以包括：
在所述第三点云中确定目标点的对应点，所述目标点为所述第一点云中的任意一点，所述对应点为与所述目标点距离最小的点；
计算所述目标点与所述对应点之间的距离，并计算所述目标点与所述对应点在所述目标点与所述机器人的连线的法向上的距离；
若所述目标点与所述对应点之间的距离大于预设的第一距离阈值，或所述目标点与所述对应点在所述目标点与所述机器人的连线的法向上的距离大于预设的第二距离阈值，则将所述目标点确定为候选点。
进一步地，在获取机器人在当前时刻采集的第一点云和第一位姿之后，还可以包括：
对所述第一点云进行去畸变处理，得到去畸变后的第一点云；
对所述去畸变后的第一点云进行下采样处理，得到下采样后的第一点云。
进一步地，所述对所述第一点云进行去畸变处理，可以包括：
获取所述机器人的激光雷达的第一旋转角和第二旋转角，所述第一旋转角为采集所述第一点云的第一个数据点时的旋转角，所述第二旋转角为采集所述第一点云的最后一个数据点时的旋转角；
获取所述第一点云的各点与所述激光雷达的水平正方向的角度差；
根据所述第一旋转角、所述第二旋转角和所述角度差对所述第一点云进行去畸变处理，得到去畸变后的第一点云。
进一步地，所述根据所述第一旋转角、所述第二旋转角和所述角度差对所述第一点云进行去畸变处理，可以包括：
根据下式对所述第一点云进行去畸变处理：
px′＝cos((θ′-θ)*angleH/2π)*px+sin((θ′-θ)*angleH/2π)*py
py′＝-sin((θ′-θ)*angleeH/2π)*px+cos((θ′-θ)*angleH/2π)*py
pz′＝pz
其中，θ为所述第一旋转角，θ′为所述第二旋转角，angleH为所述角度差，(px，py，pz)为所述第一点云中的任意一点的坐标，(px′，py′，pz′)为对该点进行去畸变处理后的坐标。
进一步地，所述根据所述位姿差将所述第二点云投影至所述第一点云的坐标上，可以包括：
根据下式将所述第二点云投影至所述第一点云的坐标上：
px_new＝cos(dθ)*px_old+sin(dθ)*py_old-dx
py_new＝-sin(dθ)*px_old+cos(dθ)*py_old-dy
pz_new＝pz_old
其中，(dx，dy，dθ)为所述位姿差，(px_old，py_old，pz_old)为所述第二点云中的任意一点的坐标，(px_new，py_new，pz_new)为该点投影后的坐标。
本申请实施例的第二方面提供了一种机器人建图装置，可以包括：
数据获取模块，用于获取机器人在当前时刻采集的第一点云和第一位姿，以及在历史时刻采集的第二点云和第二位姿；
位姿差计算模块，用于计算所述第一位姿和所述第二位姿之间的位姿差；
点云投影模块，用于根据所述位姿差将所述第二点云投影至所述第一点云的坐标上，得到第三点云；
动态物体点云筛选模块，用于根据所述第三点云筛选出所述第一点云中的动态物体点云；
建图模块，用于从所述第一点云中剔除掉所述动态物体点云，得到第四点云，并使用所述第四点云进行机器人建图。
进一步地，所述动态物体点云筛选模块可以包括：
候选点筛选子模块，用于根据所述第三点云从所述第一点云中筛选出各个候选点；
聚类子模块，用于对筛选出的各个候选点进行聚类，得到各个候选点集；
计算子模块，用于分别计算各个候选点集中的点数目、点坐标在主方向上的第一方差以及点坐标在主方向的法向上的第二方差；
优选点集筛选子模块，用于根据所述点数目、所述第一方差以及所述第二方差从各个候选点集中筛选出优选点集；
动态物体点云筛选子模块，用于从所述优选点集中筛选出符合预设条件的动态物体点云。
进一步地，所述候选点筛选子模块可以包括：
对应点确定单元，用于在所述第三点云中确定目标点的对应点，所述目标点为所述第一点云中的任意一点，所述对应点为与所述目标点距离最小的点；
距离计算单元，用于计算所述目标点与所述对应点之间的距离，并计算所述目标点与所述对应点在所述目标点与所述机器人的连线的法向上的距离；
候选点筛选单元，用于若所述目标点与所述对应点之间的距离大于预设的第一距离阈值，或所述目标点与所述对应点在所述目标点与所述机器人的连线的法向上的距离大于预设的第二距离阈值，则将所述目标点确定为候选点。
进一步地，所述机器人建图装置还可以包括：
去畸变处理模块，用于对所述第一点云进行去畸变处理，得到去畸变后的第一点云；
下采样处理模块，用于对所述去畸变后的第一点云进行下采样处理，得到下采样后的第一点云。
进一步地，所述去畸变处理模块可以包括：
旋转角获取子模块，用于获取所述机器人的激光雷达的第一旋转角和第二旋转角，所述第一旋转角为采集所述第一点云的第一个数据点时的旋转角，所述第二旋转角为采集所述第一点云的最后一个数据点时的旋转角；
角度差获取子模块，用于获取所述第一点云的各点与所述激光雷达的水平正方向的角度差；
去畸变处理子模块，用于根据所述第一旋转角、所述第二旋转角和所述角度差对所述第一点云进行去畸变处理，得到去畸变后的第一点云。
进一步地，所述去畸变处理子模块具体用于根据下式对所述第一点云进行去畸变处理：
px′＝cos((θ′-θ)*angleH/2π)*px+sin((θ′-θ)*angleH/2π)*py
py′＝-sin((θ′-θ)*angleeH/2π)*px+cos((θ′-θ)*angleH/2π)*py
pz′＝pz
其中，θ为所述第一旋转角，θ′为所述第二旋转角，angleH为所述角度差，(px，py，pz)为所述第一点云中的任意一点的坐标，(px′，py′，pz′)为对该点进行去畸变处理后的坐标。
进一步地，所述点云投影模块具体用于根据下式将所述第二点云投影至所述第一点云的坐标上：
px_new＝cos(dθ)*px_old+sin(dθ)*py_old-dx
py_new＝-sin(dθ)*px_old+cos(dθ)*py_old-dy
pz_new＝pz_old
其中，(dx，dy，dθ)为所述位姿差，(px_old，py_old，pz_old)为所述第二点云中的任意一点的坐标，(px_new，py_new，pz_new)为该点投影后的坐标。
本申请实施例的第三方面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程序，所述计算机程序被处理器执行时实现上述任一种机器人建图方法的步骤。
本申请实施例的第四方面提供了一种机器人，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一种机器人建图方法的步骤。
本申请实施例的第五方面提供了一种计算机程序产品，当计算机程序产品在机器人上运行时，使得机器人执行上述任一种机器人建图方法的步骤。
本申请实施例与现有技术相比存在的有益效果是：本申请实施例获取机器人在当前时刻采集的第一点云和第一位姿，以及在历史时刻采集的第二点云和第二位姿；计算所述第一位姿和所述第二位姿之间的位姿差；根据所述位姿差将所述第二点云投影至所述第一点云的坐标上，得到第三点云；根据所述第三点云筛选出所述第一点云中的动态物体点云；从所述第一点云中剔除掉所述动态物体点云，得到第四点云，并使用所述第四点云进行机器人建图。通过本申请实施例，可以根据历史点云数据从当前的点云数据中剔除掉动态物体点云的影响，从而极大提高了建图精度。
附图说明
为了更清楚地说明本申请实施例中的技术方案，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，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的附图。
图1为本申请实施例中一种机器人建图方法的一个实施例流程图；
图2为根据第三点云筛选出第一点云中的动态物体点云的示意流程图；
图3为本申请实施例中一种机器人建图装置的一个实施例结构图；
图4为本申请实施例中一种机器人的示意框图。
具体实施方式
为使得本申请的发明目的、特征、优点能够更加的明显和易懂，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，下面所描述的实施例仅仅是本申请一部分实施例，而非全部的实施例。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前提下所获得的所有其它实施例，都属于本申请保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
请参阅图1，本申请实施例中一种机器人建图方法的一个实施例可以包括：
步骤S101、获取机器人在当前时刻采集的第一点云和第一位姿，以及在历史时刻采集的第二点云和第二位姿。
在本申请实施例中，可以通过所述机器人的激光雷达进行点云数据的采集，并通过所述机器人的轮式里程计进行位姿数据的采集。数据采集的频率可以根据实际情况进行设置，例如，可以将数据采集频率设置为10Hz，即每隔0.1秒进行一次数据采集。为了便于区分，此处将在当前时刻采集的点云数据和位姿数据记为第一点云和第一位姿。
优选地，在获取到所述第一点云之后，还可以对其进行去畸变及下采样处理等预处理过程，从而进一步提高数据的精度。
在进行去畸变处理时，可以首先获取所述激光雷达的第一旋转角和第二旋转角，其中，所述第一旋转角为采集所述第一点云的第一个数据点时的旋转角，所述第二旋转角为采集所述第一点云的最后一个数据点时的旋转角；然后，分别获取所述第一点云的各点与所述激光雷达的水平正方向的角度差；最后，根据所述第一旋转角、所述第二旋转角和所述角度差对所述第一点云进行去畸变处理，得到去畸变后的第一点云。
具体地，可以根据下式对所述第一点云进行去畸变处理：
px′＝cos((θ′-θ)*angleH/2π)*px+sin((θ′-θ)*angleH/2π)*py
py′＝-sin((θ′-θ)*angleeH/2π)*px+cos((θ′-θ)*angleH/2π)*py
pz′＝pz
其中，θ为所述第一旋转角，θ′为所述第二旋转角，angleH为所述角度差，(px，py，pz)为所述第一点云中的任意一点的坐标，(px′，py′，pz′)为对该点进行去畸变处理后的坐标。根据上式遍历所述第一点云中的所有点，即可得到所述去畸变后的第一点云。
在进行下采样处理时，可以使用体素网格下采样方法，将所述去畸变后的第一点云划分成若干固定大小的立方体网格，对于任意一个立方体网格而言，可以取该网格中各点的坐标质心来作为该网格下采样后的点坐标，即：
其中，(px′(n)，py′(n)，pz′(n))为该网格中第n个点的坐标，1≤n≤N，N为该网格中的总点数，(px″，py″，pz″)为对该网格下采样后得到的点坐标，即每个网格下采样为一个点，遍历所有的网格，即可得到所述下采样后的第一点云。
在本申请实施例中，是根据历史点云数据从当前的点云数据中剔除掉动态物体点云的影响，因此还需要获取在历史时刻采集的点云数据和位姿数据，所述历史时刻可以根据实际情况进行设置，在本申请实施例中，优选将其设置为距离当前时刻1秒之前的时刻。为了便于区分，此处将在历史时刻采集的点云数据和位姿数据记为第二点云和第二位姿。容易理解地，在获取到所述第二点云之后，也可以对其进行去畸变及下采样处理等预处理过程，具体过程与对所述第一点云的预处理过程类似，此处不再赘述。为了便于叙述，后文中所提及的第一点云及第二点云均为预处理后所得结果。
步骤S102、计算所述第一位姿和所述第二位姿之间的位姿差。
此处将所述第一位姿记为(x1，y1，θ1)，将所述第二位姿记为(x2，y2，θ2)，则可以根据下式计算两者之间的位姿差：
dx＝x1-x2
dy＝y1-x2
dθ＝θ1-θ2
则(dx，dy，dθ)即为所述位姿差。
步骤S103、根据所述位姿差将所述第二点云投影至所述第一点云的坐标上，得到第三点云。
具体地，可以根据下式将所述第二点云投影至所述第一点云的坐标上：
px_new＝cos(dθ)*px_old+sin(dθ)*py_old-dx
py_new＝-sin(dθ)*px_old+cos(dθ)*py_old-dy
pz_new＝pz_old
其中，(px_old，py_old，pz_old)为所述第二点云中的任意一点的坐标，(px_new，py_new，pz_new)为该点投影后的坐标。根据上式遍历所述第二点云中的所有点，即可得到投影后的所述第三点云。
步骤S104、根据所述第三点云筛选出所述第一点云中的动态物体点云。
如图2所示，步骤S104具体可以包括如下过程：
步骤S1041、根据所述第三点云从所述第一点云中筛选出各个候选点。
以所述第一点云中的任意一点(将其记为目标点)为例，首先，可以在所述第三点云中确定与所述目标点距离最小的点，将其作为所述目标点的对应点，所述目标点和所述对应点即构成了一个点对，在本申请实施例的一种具体实现中，可以使用KD树来确定与所述目标点距离最小的点。
然后，可以计算所述目标点与所述对应点之间的距离，并计算所述目标点与所述对应点在所述目标点与所述机器人的连线的法向上的距离。若所述目标点与所述对应点之间的距离大于预设的第一距离阈值，或所述目标点与所述对应点在所述目标点与所述机器人的连线的法向上的距离大于预设的第二距离阈值，则可以将所述目标点确定为候选点。其中，所述第一距离阈值和所述第二距离阈值的具体取值可以根据实际情况进行设置，本申请实施例对此不作具体限定。根据上述方式遍历所述第一点云中的所有点，即可筛选出其中的各个候选点。
步骤S1042、对筛选出的各个候选点进行聚类，得到各个候选点集。
在本申请中，可以根据实际情况选择现有技术中的任意一种聚类方法来进行聚类，本申请实施例对此不作具体限定。
优选地，在本申请实施例的一种具体实现中，可以采用欧式距离进行分割度量。在聚类过程中，如果当前点与前一个点的距离在预设的阈值范围内，则当前点被聚到前一个点的类别中；否则，把当前点设置为新的聚类类别，根据距离判断下一个点是否与该点属于同一类，重复以上过程直到所有的点都分割到不同的类别中，每个聚类类别中的点即构成一个候选点集。
步骤S1043、分别计算各个候选点集中的点数目、点坐标在主方向上的第一方差以及点坐标在主方向的法向上的第二方差。
其中，任意一个候选点集的主方向为其均值角度所对应的方向，所述均值角度为该候选点集中各个点所对应的旋转角的均值。
步骤S1044、根据所述点数目、所述第一方差以及所述第二方差从各个候选点集中筛选出优选点集。
以任意一个候选点集为例，若该点集的点数目大于预设的数目阈值，且所述第一方差与所述第二方差之比小于预设的比例阈值，则可以将该点集确定为优选点集。所述数目阈值和所述比例阈值的具体取值可以根据实际情况进行设置，本申请实施例对此不作具体限定。根据上述方式遍历各个候选点集，即可筛选出其中的优选点集。
步骤S1045、从所述优选点集中筛选出符合预设条件的动态物体点云。
具体地，可以利用KD树寻找所述优选点集中各点与当前时刻点云空间中距离小于预设的第三距离阈值的点，将寻找到的这些点标记为动态物体点云。其中，所述第三距离阈值的具体取值可以根据实际情况进行设置，本申请实施例对此不作具体限定。特殊地，还可以将所述优选点集中的所有点均标记为动态物体点云。
步骤S105、从所述第一点云中剔除掉所述动态物体点云，得到第四点云，并使用所述第四点云进行机器人建图。
综上所述，本申请实施例获取机器人在当前时刻采集的第一点云和第一位姿，以及在历史时刻采集的第二点云和第二位姿；计算所述第一位姿和所述第二位姿之间的位姿差；根据所述位姿差将所述第二点云投影至所述第一点云的坐标上，得到第三点云；根据所述第三点云筛选出所述第一点云中的动态物体点云；从所述第一点云中剔除掉所述动态物体点云，得到第四点云，并使用所述第四点云进行机器人建图。通过本申请实施例，可以根据历史点云数据从当前的点云数据中剔除掉动态物体点云的影响，从而极大提高了建图精度。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的一种机器人建图方法，图3示出了本申请实施例提供的一种机器人建图装置的一个实施例结构图。
本实施例中，一种机器人建图装置可以包括：
数据获取模块301，用于获取机器人在当前时刻采集的第一点云和第一位姿，以及在历史时刻采集的第二点云和第二位姿；
位姿差计算模块302，用于计算所述第一位姿和所述第二位姿之间的位姿差；
点云投影模块303，用于根据所述位姿差将所述第二点云投影至所述第一点云的坐标上，得到第三点云；
动态物体点云筛选模块304，用于根据所述第三点云筛选出所述第一点云中的动态物体点云；
建图模块305，用于从所述第一点云中剔除掉所述动态物体点云，得到第四点云，并使用所述第四点云进行机器人建图。
进一步地，所述动态物体点云筛选模块可以包括：
候选点筛选子模块，用于根据所述第三点云从所述第一点云中筛选出各个候选点；
聚类子模块，用于对筛选出的各个候选点进行聚类，得到各个候选点集；
计算子模块，用于分别计算各个候选点集中的点数目、点坐标在主方向上的第一方差以及点坐标在主方向的法向上的第二方差；
优选点集筛选子模块，用于根据所述点数目、所述第一方差以及所述第二方差从各个候选点集中筛选出优选点集；
动态物体点云筛选子模块，用于从所述优选点集中筛选出符合预设条件的动态物体点云。
进一步地，所述候选点筛选子模块可以包括：
对应点确定单元，用于在所述第三点云中确定目标点的对应点，所述目标点为所述第一点云中的任意一点，所述对应点为与所述目标点距离最小的点；
距离计算单元，用于计算所述目标点与所述对应点之间的距离，并计算所述目标点与所述对应点在所述目标点与所述机器人的连线的法向上的距离；
候选点筛选单元，用于若所述目标点与所述对应点之间的距离大于预设的第一距离阈值，或所述目标点与所述对应点在所述目标点与所述机器人的连线的法向上的距离大于预设的第二距离阈值，则将所述目标点确定为候选点。
进一步地，所述机器人建图装置还可以包括：
去畸变处理模块，用于对所述第一点云进行去畸变处理，得到去畸变后的第一点云；
下采样处理模块，用于对所述去畸变后的第一点云进行下采样处理，得到下采样后的第一点云。
进一步地，所述去畸变处理模块可以包括：
旋转角获取子模块，用于获取所述机器人的激光雷达的第一旋转角和第二旋转角，所述第一旋转角为采集所述第一点云的第一个数据点时的旋转角，所述第二旋转角为采集所述第一点云的最后一个数据点时的旋转角；
角度差获取子模块，用于获取所述第一点云的各点与所述激光雷达的水平正方向的角度差；
去畸变处理子模块，用于根据所述第一旋转角、所述第二旋转角和所述角度差对所述第一点云进行去畸变处理，得到去畸变后的第一点云。
进一步地，所述去畸变处理子模块具体用于根据下式对所述第一点云进行去畸变处理：
px′＝cos((θ′-θ)*angleH/2π)*px+sin((θ′-θ)*angleH/2π)*py
py′＝-sin((θ′-θ)*angleeH/2π)*px+cos((θ′-θ)*angleH/2π)*py
pz′＝pz
其中，θ为所述第一旋转角，θ′为所述第二旋转角，angleH为所述角度差，(px，py，pz)为所述第一点云中的任意一点的坐标，(px′，py′，pz′)为对该点进行去畸变处理后的坐标。
进一步地，所述点云投影模块具体用于根据下式将所述第二点云投影至所述第一点云的坐标上：
px_new＝cos(dθ)*px_old+sin(dθ)*py_old-dx
py_new＝-sin(dθ)*px_old+cos(dθ)*py_old-dy
pz_new＝pz_old
其中，(dx，dy，dθ)为所述位姿差，(px_old，py_old，pz_old)为所述第二点云中的任意一点的坐标，(px_new，py_new，pz_new)为该点投影后的坐标。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置，模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
图4示出了本申请实施例提供的一种机器人的示意框图，为了便于说明，仅示出了与本申请实施例相关的部分。
如图4所示，该实施例的机器人4包括：处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机程序42。所述处理器40执行所述计算机程序42时实现上述各个机器人建图方法实施例中的步骤，例如图1所示的步骤S101至步骤S105。或者，所述处理器40执行所述计算机程序42时实现上述各装置实施例中各模块/单元的功能，例如图3所示模块301至模块305的功能。
示例性的，所述计算机程序42可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器41中，并由所述处理器40执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序42在所述机器人4中的执行过程。
本领域技术人员可以理解，图4仅仅是机器人4的示例，并不构成对机器人4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述机器人4还可以包括输入输出设备、网络接入设备、总线等。
所述处理器40可以是中央处理单元(Central Processing Unit，CPU)，还可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器41可以是所述机器人4的内部存储单元，例如机器人4的硬盘或内存。所述存储器41也可以是所述机器人4的外部存储设备，例如所述机器人4上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器41还可以既包括所述机器人4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述机器人4所需的其它程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/机器人和方法，可以通过其它的方式实现。例如，以上所描述的装置/机器人实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
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，作为单元显示的部件可以是或者也可以不是物理单元，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单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读存储介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读存储介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种机器人建图方法，其特征在于，包括：
获取机器人在当前时刻采集的第一点云和第一位姿，以及在历史时刻采集的第二点云和第二位姿；
计算所述第一位姿和所述第二位姿之间的位姿差；
根据所述位姿差将所述第二点云投影至所述第一点云的坐标上，得到第三点云；
根据所述第三点云筛选出所述第一点云中的动态物体点云；
从所述第一点云中剔除掉所述动态物体点云，得到第四点云，并使用所述第四点云进行机器人建图。
2.根据权利要求1所述的机器人建图方法，其特征在于，所述根据所述第三点云筛选出所述第一点云中的动态物体点云，包括：
根据所述第三点云从所述第一点云中筛选出各个候选点；
对筛选出的各个候选点进行聚类，得到各个候选点集；
分别计算各个候选点集中的点数目、点坐标在主方向上的第一方差以及点坐标在主方向的法向上的第二方差；
根据所述点数目、所述第一方差以及所述第二方差从各个候选点集中筛选出优选点集；
从所述优选点集中筛选出符合预设条件的动态物体点云。
3.根据权利要求2所述的机器人建图方法，其特征在于，所述根据所述第三点云从所述第一点云中筛选出各个候选点，包括：
在所述第三点云中确定目标点的对应点，所述目标点为所述第一点云中的任意一点，所述对应点为与所述目标点距离最小的点；
计算所述目标点与所述对应点之间的距离，并计算所述目标点与所述对应点在所述目标点与所述机器人的连线的法向上的距离；
若所述目标点与所述对应点之间的距离大于预设的第一距离阈值，或所述目标点与所述对应点在所述目标点与所述机器人的连线的法向上的距离大于预设的第二距离阈值，则将所述目标点确定为候选点。
4.根据权利要求1所述的机器人建图方法，其特征在于，在获取机器人在当前时刻采集的第一点云和第一位姿之后，还包括：
对所述第一点云进行去畸变处理，得到去畸变后的第一点云；
对所述去畸变后的第一点云进行下采样处理，得到下采样后的第一点云。
5.根据权利要求4所述的机器人建图方法，其特征在于，所述对所述第一点云进行去畸变处理，包括：
获取所述机器人的激光雷达的第一旋转角和第二旋转角，所述第一旋转角为采集所述第一点云的第一个数据点时的旋转角，所述第二旋转角为采集所述第一点云的最后一个数据点时的旋转角；
获取所述第一点云的各点与所述激光雷达的水平正方向的角度差；
根据所述第一旋转角、所述第二旋转角和所述角度差对所述第一点云进行去畸变处理，得到去畸变后的第一点云。
6.根据权利要求5所述的机器人建图方法，其特征在于，所述根据所述第一旋转角、所述第二旋转角和所述角度差对所述第一点云进行去畸变处理，包括：
根据下式对所述第一点云进行去畸变处理：
px′＝cos((θ′-θ)*angleH/2π)*px+sin((θ′-θ)*angleH/2π)*py
pY′＝-sin((θ′-θ)*angleeH/2π)*px+cos((θ′-θ)*angleH/2π)*py
pz′＝pz
其中，θ为所述第一旋转角，θ′为所述第二旋转角，angleH为所述角度差，(px，py，pz)为所述第一点云中的任意一点的坐标，(px′，py′，pz′)为对该点进行去畸变处理后的坐标。
7.根据权利要求1至6中任一项所述的机器人建图方法，其特征在于，所述根据所述位姿差将所述第二点云投影至所述第一点云的坐标上，包括：
根据下式将所述第二点云投影至所述第一点云的坐标上：
px_new＝cos(dθ)*px_old+sin(dθ)*py_old-dx
py_new＝-sin(dθ)*px_old+cos(dθ)*py_old-dy
pz_new＝pz_old
其中，(dx，dy，dθ)为所述位姿差，(px_old，py_old，pz_old)为所述第二点云中的任意一点的坐标，(px_new，py_new，pz_new)为该点投影后的坐标。
8.一种机器人建图装置，其特征在于，包括：
数据获取模块，用于获取机器人在当前时刻采集的第一点云和第一位姿，以及在历史时刻采集的第二点云和第二位姿；
位姿差计算模块，用于计算所述第一位姿和所述第二位姿之间的位姿差；
点云投影模块，用于根据所述位姿差将所述第二点云投影至所述第一点云的坐标上，得到第三点云；
动态物体点云筛选模块，用于根据所述第三点云筛选出所述第一点云中的动态物体点云；
建图模块，用于从所述第一点云中剔除掉所述动态物体点云，得到第四点云，并使用所述第四点云进行机器人建图。
9.一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程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的机器人建图方法的步骤。
10.一种机器人，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的机器人建图方法的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011330699.XA CN112484738B (zh) | 2020-11-24 | 2020-11-24 | 机器人建图方法、装置、计算机可读存储介质及机器人 |
| PCT/CN2020/140430 WO2022110473A1 (zh) | 2020-11-24 | 2020-12-28 | 机器人建图方法、装置、计算机可读存储介质及机器人 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011330699.XA CN112484738B (zh) | 2020-11-24 | 2020-11-24 | 机器人建图方法、装置、计算机可读存储介质及机器人 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112484738A true CN112484738A (zh) | 2021-03-12 |
| CN112484738B CN112484738B (zh) | 2023-04-28 |
Family
ID=74933820
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011330699.XA Active CN112484738B (zh) | 2020-11-24 | 2020-11-24 | 机器人建图方法、装置、计算机可读存储介质及机器人 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN112484738B (zh) |
| WO (1) | WO2022110473A1 (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113671523A (zh) * | 2021-08-18 | 2021-11-19 | Oppo广东移动通信有限公司 | 机器人定位方法、装置、存储介质及机器人 |
| CN114266871A (zh) * | 2022-03-01 | 2022-04-01 | 深圳市普渡科技有限公司 | 机器人、地图质量评估方法和存储介质 |
| CN115060276A (zh) * | 2022-06-10 | 2022-09-16 | 江苏集萃清联智控科技有限公司 | 一种多环境适应性自动驾驶车辆定位设备、系统及方法 |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116704035B (zh) * | 2023-06-28 | 2023-11-07 | 北京迁移科技有限公司 | 工件位姿识别方法、电子设备、存储介质及抓取系统 |
| CN117974894A (zh) * | 2024-01-30 | 2024-05-03 | 桂林凯文彼德科技有限公司 | 三维重建方法、装置、存储介质及建模设备 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108460791A (zh) * | 2017-12-29 | 2018-08-28 | 百度在线网络技术（北京）有限公司 | 用于处理点云数据的方法和装置 |
| CN108664841A (zh) * | 2017-03-27 | 2018-10-16 | 郑州宇通客车股份有限公司 | 一种基于激光点云的动静态目标物识别方法及装置 |
| US20190219700A1 (en) * | 2017-11-17 | 2019-07-18 | DeepMap Inc. | Iterative closest point process based on lidar with integrated motion estimation for high definition maps |
| WO2019195593A1 (en) * | 2018-04-05 | 2019-10-10 | Apex.AI, Inc. | Efficient and scalable three-dimensional point cloud segmentation for navigation in autonomous vehicles |
| CN111429528A (zh) * | 2020-04-07 | 2020-07-17 | 高深智图(广州)科技有限公司 | 大型分布式高精地图数据处理系统 |
| CN111443359A (zh) * | 2020-03-26 | 2020-07-24 | 达闼科技成都有限公司 | 定位方法、装置及设备 |
| CN111665522A (zh) * | 2020-05-19 | 2020-09-15 | 上海有个机器人有限公司 | 过滤激光扫描图中静止物体的方法、介质、终端和装置 |
| CN111695497A (zh) * | 2020-06-10 | 2020-09-22 | 上海有个机器人有限公司 | 基于运动信息的行人识别方法、介质、终端和装置 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110019570B (zh) * | 2017-07-21 | 2020-03-20 | 百度在线网络技术（北京）有限公司 | 用于构建地图的方法、装置及终端设备 |
| CN107610177B (zh) * | 2017-09-29 | 2019-10-29 | 联想(北京)有限公司 | 一种同步定位与地图构建中确定特征点的方法和设备 |
| CN110197615B (zh) * | 2018-02-26 | 2022-03-04 | 北京京东尚科信息技术有限公司 | 用于生成地图的方法及装置 |
| US10657388B2 (en) * | 2018-03-13 | 2020-05-19 | Honda Motor Co., Ltd. | Robust simultaneous localization and mapping via removal of dynamic traffic participants |
| CN109285220B (zh) * | 2018-08-30 | 2022-11-15 | 阿波罗智能技术(北京)有限公司 | 一种三维场景地图的生成方法、装置、设备及存储介质 |
| CN110009718B (zh) * | 2019-03-07 | 2021-09-24 | 深兰科技（上海）有限公司 | 一种三维高精度地图生成方法及装置 |
-
2020
- 2020-11-24 CN CN202011330699.XA patent/CN112484738B/zh active Active
- 2020-12-28 WO PCT/CN2020/140430 patent/WO2022110473A1/zh active Application Filing
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108664841A (zh) * | 2017-03-27 | 2018-10-16 | 郑州宇通客车股份有限公司 | 一种基于激光点云的动静态目标物识别方法及装置 |
| US20190219700A1 (en) * | 2017-11-17 | 2019-07-18 | DeepMap Inc. | Iterative closest point process based on lidar with integrated motion estimation for high definition maps |
| CN108460791A (zh) * | 2017-12-29 | 2018-08-28 | 百度在线网络技术（北京）有限公司 | 用于处理点云数据的方法和装置 |
| WO2019195593A1 (en) * | 2018-04-05 | 2019-10-10 | Apex.AI, Inc. | Efficient and scalable three-dimensional point cloud segmentation for navigation in autonomous vehicles |
| CN111443359A (zh) * | 2020-03-26 | 2020-07-24 | 达闼科技成都有限公司 | 定位方法、装置及设备 |
| CN111429528A (zh) * | 2020-04-07 | 2020-07-17 | 高深智图(广州)科技有限公司 | 大型分布式高精地图数据处理系统 |
| CN111665522A (zh) * | 2020-05-19 | 2020-09-15 | 上海有个机器人有限公司 | 过滤激光扫描图中静止物体的方法、介质、终端和装置 |
| CN111695497A (zh) * | 2020-06-10 | 2020-09-22 | 上海有个机器人有限公司 | 基于运动信息的行人识别方法、介质、终端和装置 |
Non-Patent Citations (1)
| Title |
|---|
| 张合新等: ""动态场景下一种鲁棒的立体视觉里程计算法"", 《仪器仪表学报》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113671523A (zh) * | 2021-08-18 | 2021-11-19 | Oppo广东移动通信有限公司 | 机器人定位方法、装置、存储介质及机器人 |
| CN114266871A (zh) * | 2022-03-01 | 2022-04-01 | 深圳市普渡科技有限公司 | 机器人、地图质量评估方法和存储介质 |
| CN115060276A (zh) * | 2022-06-10 | 2022-09-16 | 江苏集萃清联智控科技有限公司 | 一种多环境适应性自动驾驶车辆定位设备、系统及方法 |
| CN115060276B (zh) * | 2022-06-10 | 2023-05-12 | 江苏集萃清联智控科技有限公司 | 一种多环境适应性自动驾驶车辆定位设备、系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2022110473A1 (zh) | 2022-06-02 |
| CN112484738B (zh) | 2023-04-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112484738B (zh) | 机器人建图方法、装置、计算机可读存储介质及机器人 | |
| CN109141364B (zh) | 障碍物检测方法、系统及机器人 | |
| EP2738711A2 (en) | Hough transform for circles | |
| CN110617775B (zh) | 一种基于视觉感知的桥梁挠度的监测方法、装置及系统 | |
| CN112198878B (zh) | 一种即时地图构建方法、装置、机器人及存储介质 | |
| CN109949306B (zh) | 反射面角度偏差检测方法、终端设备及存储介质 | |
| CN109685764B (zh) | 产品定位方法、装置及终端设备 | |
| CN112861870B (zh) | 指针式仪表图像矫正方法、系统及存储介质 | |
| CN114037992A (zh) | 仪表示数识别方法、装置、电子设备及存储介质 | |
| CN114638294A (zh) | 一种数据增强方法、装置、终端设备及存储介质 | |
| CN110580325B (zh) | 一种泛在定位信号多源融合方法及系统 | |
| CN112556994A (zh) | 一种光学信息检测方法、装置及设备 | |
| CN115239772A (zh) | 船舶曲板三维点云配准方法、系统、存储介质及终端 | |
| CN110673607A (zh) | 动态场景下的特征点提取方法、装置、及终端设备 | |
| CN112215887A (zh) | 一种位姿确定方法、装置、存储介质及移动机器人 | |
| CN117765039A (zh) | 点云粗配准方法、装置及设备 | |
| CN112629828A (zh) | 一种光学信息检测方法、装置及设备 | |
| US20230053952A1 (en) | Method and apparatus for evaluating motion state of traffic tool, device, and medium | |
| CN111136655A (zh) | 一种获取巡检点的方法及装置 | |
| CN114913105A (zh) | 激光点云融合方法、装置、服务器及计算机可读存储介质 | |
| CN110850365A (zh) | 一种定位方法、装置及终端设备 | |
| CN113255405A (zh) | 车位线识别方法及其系统、车位线识别设备、存储介质 | |
| CN118429551B (zh) | 多源点云融合方法、装置、电子设备及存储介质 | |
| CN118229772B (zh) | 基于图像处理的托盘位姿检测方法、系统、设备和介质 | |
| CN117218143B (zh) | 点云分割方法和装置 |
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 |