CN112614186A - 目标位姿计算方法及计算模块 - Google Patents
目标位姿计算方法及计算模块 Download PDFInfo
- Publication number
- CN112614186A CN112614186A CN202011606638.1A CN202011606638A CN112614186A CN 112614186 A CN112614186 A CN 112614186A CN 202011606638 A CN202011606638 A CN 202011606638A CN 112614186 A CN112614186 A CN 112614186A
- Authority
- CN
- China
- Prior art keywords
- target
- point cloud
- axis
- pseudo
- orientation 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.)
- Pending
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 62
- 238000013519 translation Methods 0.000 claims abstract description 37
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims abstract description 9
- 238000000513 principal component analysis Methods 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 18
- 230000009466 transformation Effects 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000008447 perception Effects 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
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
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明公开了一种目标位姿计算方法,其基于激光雷达点云聚类结果,包括:利用奇异值分解协方差矩阵进行聚类点云的主成分分析,得到目标伪朝向角;计算聚类点云伪中心点;将聚类点云伪中心点平移到激光雷达坐标系原点;通过聚类点云通过伪朝向角将步骤S3平移的聚类点云旋转到激光雷达坐标系;求取平移旋转后聚类点云的x轴、y轴和z轴的最大值和最小值;计算目标长宽,修正朝向角;通过目标最小面积时,目标在x轴、y轴和z轴值修正聚类点云伪中心的x值、y值、z值。本发明还公开了一种目标位姿计算模块。本发明相比与传统算法能显著简化计算复杂度,降低系统计算量,进而降低生产成本。
Description
技术领域
本发明涉及智能驾驶汽车领域,特别是涉及一种基于激光雷达点云聚类结果的目标位姿计算方法。本发明还涉及一种基于激光雷达点云聚类结果的目标位姿计算模块。
背景技术
智能驾驶与无人驾驶是不同概念,智能驾驶更为宽泛。它指的是机器帮助人进行驾驶,以及在特殊情况下完全取代人驾驶的技术。智能驾驶系统是一个集中运用了先进的信息控制技术,具备环境感知、多等级辅助驾驶等功能于一体的综合系统。目前,智能驾驶发展规划可以划分为五个阶段:L0~L4。
智能驾驶汽车是各个高校科研成果和各个企业技术落地的最佳载体,也是当今最热的研究课题之一。激光雷达点云可以对周围环境中目标的位姿(位置、形状和朝向角+)进行准确检测,成为智能驾驶环境感知的主要传感器之一。激光雷达点云可以返回准确的目标位置信息,但是激光雷达聚类结果一簇无序的点云,不能够直接获取目标位姿信息。为了得到准确的位姿信息传统的方法,通常会将聚类后的点云以步长为1°旋转360°,需要迭代360次才能找到聚类点云的真正位姿信息,虽然可以达到效果,但是过程过于复杂,造成系统计算量过大,进而造成成本升高。
发明内容
在发明内容部分中引入了一系列简化形式的概念,该简化形式的概念均为本领域现有技术简化,这将在具体实施方式部分中进一步详细说明。本发明的发明内容部分并不意味着要试图限定出所要求保护的技术方案的关键特征和必要技术特征,更不意味着试图确定所要求保护的技术方案的保护范围。
本发明要解决的技术问题是提供一种能降低目标位姿计算复杂度,减少计算量,提高计算效率的目标位姿计算方法。
本发明要解决的另一技术问题是提供一种能降低目标位姿计算复杂度,减少计算量,提高计算效率的目标位姿计算模块。
为解决上述技术问题,本发明提供的基于激光雷达点云聚类结果的目标位姿计算方法,包括以下步骤:
S1,利用奇异值分解协方差矩阵进行聚类点云的主成分分析,得到目标伪朝向角;
S2,计算聚类点云伪中心点;
S3,将聚类点云伪中心点平移到激光雷达坐标系原点;
S4,通过聚类点云通过伪朝向角将步骤S3平移的聚类点云旋转到激光雷达坐标系;
S5,求取平移旋转后聚类点云的x轴、y轴和z轴的最大值和最小值;
S6,计算目标长宽,修正朝向角;
S7,通过目标最小面积时,目标在x轴、y轴和z轴值修正聚类点云伪中心的x值、y值、z值。
可选择的,进一步改进所述的目标位姿计算方法,实施步骤S1时,包括:
S1.1,选择原始数据中方差最大的方向作为第一新坐标轴;
S1.2,选择与第一新坐标轴正交的平面中使得方差最大的方向作为第二新坐标轴;
S1.3,选择与第一新坐标轴和第二新坐标轴正交的平面中方差最大的方向作为第三新坐标轴;
S1.4,选取聚类点云SVD分解后的第一个向量即第一新坐标轴,并利用此向量计算目标朝向角作为目标伪朝向角。
可选择的,进一步改进所述的目标位姿计算方法,实施步骤S5时,求取平移旋转后聚类点云的z轴的最大值作为目标的真实高度。
可选择的,进一步改进所述的目标位姿计算方法,实施步骤S6时,包括:
以目标伪朝向角为基础以第一角度为步长,顺时针和逆时针各旋转第二角度,迭代步骤S3-S5多次,每次迭代过程中求目标最小面积,取多次迭代获得目标最小面积中的最小值作为最终目标最小面积,最终目标最小面积时的目标长、宽、高、朝向角,为目标的真实长宽高和朝向角。
其中,第一角度的范围是1度-5度,优选为1度。第二角度的范围是0度-359度,优选为20度。
可选择的,进一步改进所述的目标位姿计算方法,实施步骤S7时,包括:
xcenter、ycenter表示目标真实的中心点,x′、y′表示目标伪中心点,即聚类点云伪中心点,xmax表示平移旋转后聚类点云X轴最大值,xmin表示平移旋转后聚类点云X轴最小值,ymax表示平移旋转后聚类点云Y轴最大值,ymin表示平移旋转后聚类点云Y轴最小值。
为解决上述技术问题,本发明提供一种基于激光雷达点云聚类结果能集成于车载环境感知系统的目标位姿计算模块,包括:
伪朝向角计算单元,其用于通过奇异值分解协方差矩阵进行聚类点云的主成分分析得到目标伪朝向角;
伪中心点计算单元,其用于计算聚类点云伪中心点;
坐标系变换及参数获取单元,其用于将聚类点云伪中心点平移到激光雷达坐标系原点,通过聚类点云通过伪朝向角将平移的聚类点云旋转到激光雷达坐标系,求取平移旋转后聚类点云的x轴、y轴和z轴的最大值和最小值;
目标参数计算单元,计算目标长宽,修正朝向角;
参数修正单元,其通过目标最小面积时,目标在x轴、y轴和z轴值修正聚类点云伪中心的x值、y值、z值。
可选择的,进一步改进所述的目标位姿计算模块,伪朝向角计算单元计算标伪朝向角包括:
S1.1,选择原始数据中方差最大的方向作为第一新坐标轴;
S1.2,选择与第一新坐标轴正交的平面中使得方差最大的方向作为第二新坐标轴;
S1.3,选择与第一新坐标轴和第二新坐标轴正交的平面中方差最大的方向作为第三新坐标轴;
S1.4,选取聚类点云SVD分解后的第一个向量即第一新坐标轴,并利用此向量计算目标朝向角作为目标伪朝向角。
可选择的,进一步改进所述的目标位姿计算模块,目标参数计算单元,求取平移旋转后聚类点云的z轴的最大值作为目标的真实高度。
可选择的,进一步改进所述的目标位姿计算模块,目标参数计算单元,以目标伪朝向角为基础以第一角度为步长,顺时针和逆时针各旋转第二角度,迭代执行坐标系变换及参数获取单元多次,每次迭代过程中求目标最小面积,取多次迭代获得目标最小面积中的最小值作为最终目标最小面积,最终目标最小面积时的目标长、宽、高、朝向角,为目标的真实长宽高和朝向角。
其中,第一角度的范围是1度-5度,优选为1度。第二角度的范围是0度-359度,优选为20度。
可选择的,进一步改进所述的目标位姿计算模块,参数修正单元修正聚类点云伪中心的x值、y值、z值包括;
xcenter、ycenter表示目标真实的中心点,x′、y′表示目标伪中心点,即聚类点云伪中心点,xmax表示平移旋转后聚类点云X轴最大值,xmin表示平移旋转后聚类点云X轴最小值,ymax表示平移旋转后聚类点云Y轴最大值,ymin表示平移旋转后聚类点云Y轴最小值。
传统迭代算法会将聚类后的点云以步长为1°旋转360°,需要迭代360次才能找到聚类点云的真正位姿信息。本发明的迭代步长为20°,因此只需迭代20次就可以找到目标的真正位姿信息,相比与传统算法迭代360次,能显著简化计算复杂度,降低系统计算量,进而降低生产成本,提高了计算效率。
附图说明
本发明附图旨在示出根据本发明的特定示例性实施例中所使用的方法、结构和/或材料的一般特性,对说明书中的描述进行补充。然而,本发明附图是未按比例绘制的示意图,因而可能未能够准确反映任何所给出的实施例的精确结构或性能特点,本发明附图不应当被解释为限定或限制由根据本发明的示例性实施例所涵盖的数值或属性的范围。下面结合附图与具体实施方式对本发明作进一步详细的说明:
图1是本发明流程示意图。
图2是车载激光雷达检测到的目标车位置示意图。
图3是将聚类点云利用伪中心点平移到激光雷达坐标系原点示意图。
图4是聚类点云通过伪朝向角将平移的点云旋转到激光雷达坐标系示意图。
图5是修正前目标姿势示意图。
图6是迭代计算修正后求得的目标真正的长宽高、中心点和朝向角示意图。
具体实施方式
以下通过特定的具体实施例说明本发明的实施方式,本领域技术人员可由本说明书所公开的内容充分地了解本发明的其他优点与技术效果。本发明还可以通过不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点加以应用,在没有背离发明总的设计思路下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。本发明下述示例性实施例可以多种不同的形式来实施,并且不应当被解释为只限于这里所阐述的具体实施例。应当理解的是,提供这些实施例是为了使得本发明的公开彻底且完整,并且将这些示例性具体实施例的技术方案充分传达给本领域技术人员。
应当理解的是,当元件被称作“连接”或“结合”到另一元件时,该元件可以直接连接或结合到另一元件,或者可以存在中间元件。不同的是,当元件被称作“直接连接”或“直接结合”到另一元件时,不存在中间元件。在全部附图中,相同的附图标记始终表示相同的元件。此外,还应当理解的是,尽管在这里可以使用术语“第一”、“第二”等来描述不同的元件、参数、组件、区域、层和/或部分,但是这些元件、参数、组件、区域、层和/或部分不应当受这些术语的限制。这些术语仅是用来将一个元件、参数、组件、区域、层或部分与另一个元件、参数、组件、区域、层或部分区分开来。因此,在不脱离根据本发明的示例性实施例的教导的情况下,以下所讨论的第一元件、参数、组件、区域、层或部分也可以被称作第二元件、参数、组件、区域、层或部分。
第一实施例;
如图1所示,本发明提供一种基于激光雷达点云聚类结果的目标位姿计算方法,包括以下步骤:
S1,利用奇异值分解协方差矩阵进行聚类点云的主成分分析,得到目标伪朝向角;
S2,计算聚类点云伪中心点;
S3,将聚类点云伪中心点平移到激光雷达坐标系原点;
S4,通过聚类点云通过伪朝向角将步骤S3平移的聚类点云旋转到激光雷达坐标系;
S5,求取平移旋转后聚类点云的x轴、y轴和z轴的最大值和最小值;
S6,计算目标长宽,修正朝向角;
S7,通过目标最小面积时,目标在x轴、y轴和z轴值修正聚类点云伪中心的x值、y值、z值。
第二实施例;
如图1所示,本发明提供一种基于激光雷达点云聚类结果的目标位姿计算方法,包括以下步骤:
S1,利用奇异值分解协方差矩阵进行聚类点云的主成分分析,得到目标伪朝向角,包括:
S1.1,选择原始数据中方差最大的方向作为第一新坐标轴;
S1.2,选择与第一新坐标轴正交的平面中使得方差最大的方向作为第二新坐标轴;
S1.3,选择与第一新坐标轴和第二新坐标轴正交的平面中方差最大的方向作为第三新坐标轴;
S1.4,选取聚类点云SVD分解后的第一个向量即第一新坐标轴,并利用此向量计算目标朝向角作为目标伪朝向角;
S2,计算聚类点云伪中心点;
S3,将聚类点云伪中心点平移到激光雷达坐标系原点;
S4,通过聚类点云通过伪朝向角将步骤S3平移的聚类点云旋转到激光雷达坐标系;
S5,求取平移旋转后聚类点云的x轴、y轴和z轴的最大值和最小值,求取平移旋转后聚类点云的z轴的最大值作为目标的真实高度;
S6,计算目标长宽,修正朝向角,包括:以目标伪朝向角为基础以第一角度为步长,顺时针和逆时针各旋转第二角度,迭代步骤S3-S5多次,每次迭代过程中求目标最小面积,取多次迭代获得目标最小面积中的最小值作为最终目标最小面积,最终目标最小面积时的目标长、宽、高、朝向角,为目标的真实长宽高和朝向角;
S7,通过目标最小面积时,目标在x轴、y轴和z轴值修正聚类点云伪中心的x值、y值、z值,包括:
xcenter、ycenter表示目标真实的中心点,x′、y′表示目标伪中心点,即聚类点云伪中心点,xmax表示平移旋转后聚类点云X轴最大值,xmin表示平移旋转后聚类点云X轴最小值,ymax表示平移旋转后聚类点云Y轴最大值,ymin表示平移旋转后聚类点云Y轴最小值。
激光雷达安装高度1.85m,下面以其检测右前方朝向角为0°的目标车为例,示例性的,对结合图2-图5对上述第二实施进一步说明;
激光雷达检测到的目标车如附图1所示,其中A部分为检测的到点云信息,B部分为目标被遮挡的部分,经过SVD分解和角度计算得到的最终伪朝向角θ′。
如图2所示,取点云x、y、z各轴所有点的平均值作为伪中心点a′。
如图3所示,将聚类点云利用伪中心点平移到激光雷达坐标系原点o。
如图4所示,将聚类点云利用伪朝向角将步骤3平移的点云旋转到激光雷达坐标系。
如图5所示,修正前的位姿,朝向角偏左,中心偏下,长宽偏大。如图6所示,迭代计算修正后求得的目标真正的长宽高、中心点和朝向角。
第三实施例;
本发明提供一种基于激光雷达点云聚类结果能集成于车载环境感知系统的目标位姿计算模块,包括:
伪朝向角计算单元,其用于通过奇异值分解协方差矩阵进行聚类点云的主成分分析得到目标伪朝向角;
伪中心点计算单元,其用于计算聚类点云伪中心点;
坐标系变换及参数获取单元,其用于将聚类点云伪中心点平移到激光雷达坐标系原点,通过聚类点云通过伪朝向角将平移的聚类点云旋转到激光雷达坐标系,求取平移旋转后聚类点云的x轴、y轴和z轴的最大值和最小值;
目标参数计算单元,计算目标长宽,修正朝向角;
参数修正单元,其通过目标最小面积时,目标在x轴、y轴和z轴值修正聚类点云伪中心的x值、y值、z值。
第四实施例;
本发明提供一种基于激光雷达点云聚类结果能集成于车载环境感知系统的目标位姿计算模块,包括:
伪朝向角计算单元,其用于通过奇异值分解协方差矩阵进行聚类点云的主成分分析得到目标伪朝向角,包括:
S1.1,选择原始数据中方差最大的方向作为第一新坐标轴;
S1.2,选择与第一新坐标轴正交的平面中使得方差最大的方向作为第二新坐标轴;
S1.3,选择与第一新坐标轴和第二新坐标轴正交的平面中方差最大的方向作为第三新坐标轴;
S1.4,选取聚类点云SVD分解后的第一个向量即第一新坐标轴,并利用此向量计算目标朝向角作为目标伪朝向角;
伪中心点计算单元,其用于计算聚类点云伪中心点;
坐标系变换及参数获取单元,其用于将聚类点云伪中心点平移到激光雷达坐标系原点,通过聚类点云通过伪朝向角将平移的聚类点云旋转到激光雷达坐标系,求取平移旋转后聚类点云的x轴、y轴和z轴的最大值和最小值;
目标参数计算单元,计算目标长宽,修正朝向角;并,求取平移旋转后聚类点云的z轴的最大值作为目标的真实高度;以目标伪朝向角为基础以第一角度为步长,顺时针和逆时针各旋转第二角度,迭代执行坐标系变换及参数获取单元多次,每次迭代过程中求目标最小面积,取多次迭代获得目标最小面积中的最小值作为最终目标最小面积,最终目标最小面积时的目标长、宽、高、朝向角,为目标的真实长宽高和朝向角;
参数修正单元,其通过目标最小面积时,目标在x轴、y轴和z轴值修正聚类点云伪中心的x值、y值、z值,包括:
xcenter、ycenter表示目标真实的中心点,x′、y′表示目标伪中心点,即聚类点云伪中心点,xmax表示平移旋转后聚类点云X轴最大值,xmin表示平移旋转后聚类点云X轴最小值,ymax表示平移旋转后聚类点云Y轴最大值,ymin表示平移旋转后聚类点云Y轴最小值。
除非另有定义,否则这里所使用的全部术语(包括技术术语和科学术语)都具有与本发明所属领域的普通技术人员通常理解的意思相同的意思。还将理解的是,除非这里明确定义,否则诸如在通用字典中定义的术语这类术语应当被解释为具有与它们在相关领域语境中的意思相一致的意思,而不以理想的或过于正式的含义加以解释。
以上通过具体实施方式和实施例对本发明进行了详细的说明,但这些并非构成对本发明的限制。在不脱离本发明原理的情况下,本领域的技术人员还可做出许多变形和改进,这些也应视为本发明的保护范围。
Claims (10)
1.一种目标位姿计算方法,其基于激光雷达点云聚类结果,其特征在于,包括以下步骤:
S1,利用奇异值分解协方差矩阵进行聚类点云的主成分分析,得到目标伪朝向角;
S2,计算聚类点云伪中心点;
S3,将聚类点云伪中心点平移到激光雷达坐标系原点;
S4,通过聚类点云通过伪朝向角将步骤S3平移的聚类点云旋转到激光雷达坐标系;
S5,求取平移旋转后聚类点云的x轴、y轴和z轴的最大值和最小值;
S6,计算目标长宽,修正朝向角;
S7,通过目标最小面积时,目标在x轴、y轴和z轴值修正聚类点云伪中心的x值、y值、z值。
2.如权利要求1所述的目标位姿计算方法,其特征在于,实施步骤S1时,包括:
S1.1,选择原始数据中方差最大的方向作为第一新坐标轴;
S1.2,选择与第一新坐标轴正交的平面中使得方差最大的方向作为第二新坐标轴;
S1.3,选择与第一新坐标轴和第二新坐标轴正交的平面中方差最大的方向作为第三新坐标轴;
S1.4,选取聚类点云SVD分解后的第一个向量即第一新坐标轴,并利用此向量计算目标朝向角作为目标伪朝向角。
3.如权利要求1所述的目标位姿计算方法,其特征在于,实施步骤S5时,求取平移旋转后聚类点云的z轴的最大值作为目标的真实高度。
4.如权利要求1所述的目标位姿计算方法,其特征在于,实施步骤S6时,包括:
以目标伪朝向角为基础以第一角度为步长,顺时针和逆时针各旋转第二角度,迭代步骤S3-S5多次,每次迭代过程中求目标最小面积,取多次迭代获得目标最小面积中的最小值作为最终目标最小面积,最终目标最小面积时的目标长、宽、高、朝向角,为目标的真实长宽高和朝向角。
6.一种目标位姿计算模块,基于激光雷达点云聚类结果能集成于车载环境感知系统,其特征在于,包括:
伪朝向角计算单元,其用于通过奇异值分解协方差矩阵进行聚类点云的主成分分析得到目标伪朝向角;
伪中心点计算单元,其用于计算聚类点云伪中心点;
坐标系变换及参数获取单元,其用于将聚类点云伪中心点平移到激光雷达坐标系原点,通过聚类点云通过伪朝向角将平移的聚类点云旋转到激光雷达坐标系,求取平移旋转后聚类点云的x轴、y轴和z轴的最大值和最小值;
目标参数计算单元,计算目标长宽,修正朝向角;
参数修正单元,其通过目标最小面积时,目标在x轴、y轴和z轴值修正聚类点云伪中心的x值、y值、z值。
7.如权利要求6所述的目标位姿计算模块,其特征在于,伪朝向角计算单元计算标伪朝向角包括:
S1.1,选择原始数据中方差最大的方向作为第一新坐标轴;
S1.2,选择与第一新坐标轴正交的平面中使得方差最大的方向作为第二新坐标轴;
S1.3,选择与第一新坐标轴和第二新坐标轴正交的平面中方差最大的方向作为第三新坐标轴;
S1.4,选取聚类点云SVD分解后的第一个向量即第一新坐标轴,并利用此向量计算目标朝向角作为目标伪朝向角。
8.如权利要求6所述的目标位姿计算模块,其特征在于:
目标参数计算单元,求取平移旋转后聚类点云的z轴的最大值作为目标的真实高度。
9.如权利要求6所述的目标位姿计算模块,其特征在于:
目标参数计算单元,以目标伪朝向角为基础以第一角度为步长,顺时针和逆时针各旋转第二角度,迭代执行坐标系变换及参数获取单元多次,每次迭代过程中求目标最小面积,取多次迭代获得目标最小面积中的最小值作为最终目标最小面积,最终目标最小面积时的目标长、宽、高、朝向角,为目标的真实长宽高和朝向角。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011606638.1A CN112614186A (zh) | 2020-12-28 | 2020-12-28 | 目标位姿计算方法及计算模块 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011606638.1A CN112614186A (zh) | 2020-12-28 | 2020-12-28 | 目标位姿计算方法及计算模块 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112614186A true CN112614186A (zh) | 2021-04-06 |
Family
ID=75249272
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011606638.1A Pending CN112614186A (zh) | 2020-12-28 | 2020-12-28 | 目标位姿计算方法及计算模块 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112614186A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113139996A (zh) * | 2021-05-06 | 2021-07-20 | 南京大学 | 一种基于三维点云几何特征学习的点云配准方法及系统 |
CN113807442A (zh) * | 2021-09-18 | 2021-12-17 | 湖南大学无锡智能控制研究院 | 一种目标形状及航向估计方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105223583A (zh) * | 2015-09-10 | 2016-01-06 | 清华大学 | 一种基于三维激光雷达的目标车辆航向角计算方法 |
CN108549084A (zh) * | 2018-01-30 | 2018-09-18 | 西安交通大学 | 一种基于稀疏二维激光雷达的目标检测与姿态估计方法 |
CN109215112A (zh) * | 2018-08-13 | 2019-01-15 | 西安理工大学 | 一种单侧点云模型的标注方法 |
CN110222626A (zh) * | 2019-06-03 | 2019-09-10 | 宁波智能装备研究院有限公司 | 一种基于深度学习算法的无人驾驶场景点云目标标注方法 |
CN110223345A (zh) * | 2019-05-14 | 2019-09-10 | 南京理工大学 | 基于点云的配电线路作业对象位姿估计方法 |
CN110344621A (zh) * | 2019-06-13 | 2019-10-18 | 武汉大学 | 一种面向智能车库的车轮点云检测方法 |
CN110533726A (zh) * | 2019-08-28 | 2019-12-03 | 哈尔滨工业大学 | 一种激光雷达场景三维姿态点法向量估计修正方法 |
CN111932614A (zh) * | 2020-07-06 | 2020-11-13 | 清华大学 | 一种基于聚类中心特征的激光雷达即时定位与建图方法 |
-
2020
- 2020-12-28 CN CN202011606638.1A patent/CN112614186A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105223583A (zh) * | 2015-09-10 | 2016-01-06 | 清华大学 | 一种基于三维激光雷达的目标车辆航向角计算方法 |
CN108549084A (zh) * | 2018-01-30 | 2018-09-18 | 西安交通大学 | 一种基于稀疏二维激光雷达的目标检测与姿态估计方法 |
CN109215112A (zh) * | 2018-08-13 | 2019-01-15 | 西安理工大学 | 一种单侧点云模型的标注方法 |
CN110223345A (zh) * | 2019-05-14 | 2019-09-10 | 南京理工大学 | 基于点云的配电线路作业对象位姿估计方法 |
CN110222626A (zh) * | 2019-06-03 | 2019-09-10 | 宁波智能装备研究院有限公司 | 一种基于深度学习算法的无人驾驶场景点云目标标注方法 |
CN110344621A (zh) * | 2019-06-13 | 2019-10-18 | 武汉大学 | 一种面向智能车库的车轮点云检测方法 |
CN110533726A (zh) * | 2019-08-28 | 2019-12-03 | 哈尔滨工业大学 | 一种激光雷达场景三维姿态点法向量估计修正方法 |
CN111932614A (zh) * | 2020-07-06 | 2020-11-13 | 清华大学 | 一种基于聚类中心特征的激光雷达即时定位与建图方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113139996A (zh) * | 2021-05-06 | 2021-07-20 | 南京大学 | 一种基于三维点云几何特征学习的点云配准方法及系统 |
CN113139996B (zh) * | 2021-05-06 | 2024-02-06 | 南京大学 | 一种基于三维点云几何特征学习的点云配准方法及系统 |
CN113807442A (zh) * | 2021-09-18 | 2021-12-17 | 湖南大学无锡智能控制研究院 | 一种目标形状及航向估计方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108759833B (zh) | 一种基于先验地图的智能车辆定位方法 | |
US11175132B2 (en) | Sensor perturbation | |
CN112083725B (zh) | 一种面向自动驾驶车辆的结构共用多传感器融合定位系统 | |
EP3875907B1 (en) | Method, apparatus, computing device and computer-readable storage medium for positioning | |
JP7482978B2 (ja) | 車両センサの較正及び位置特定 | |
CN108376408B (zh) | 一种基于曲率特征的三维点云数据快速加权配准方法 | |
CN110930495A (zh) | 基于多无人机协作的icp点云地图融合方法、系统、装置及存储介质 | |
CN112614186A (zh) | 目标位姿计算方法及计算模块 | |
CN108332758B (zh) | 一种移动机器人的走廊识别方法及装置 | |
Huang et al. | On the complexity and consistency of UKF-based SLAM | |
CN111383287B (zh) | 一种车载传感器的外参标定方法及装置 | |
CN110579754A (zh) | 用于确定车辆的激光雷达与车辆其他的传感器的外参数的方法 | |
CN103761739A (zh) | 一种基于半全局能量优化的影像配准方法 | |
CN114111774B (zh) | 车辆的定位方法、系统、设备及计算机可读存储介质 | |
CN115082881A (zh) | 目标检测方法、存储介质、电子设备及车辆 | |
CN110688440B (zh) | 一种适用于子地图重叠部分较少的地图融合方法 | |
CN115436920A (zh) | 一种激光雷达标定方法及相关设备 | |
CN102982552B (zh) | 一种基于里奇流的表面配准方法 | |
CN109443355B (zh) | 基于自适应高斯pf的视觉-惯性紧耦合组合导航方法 | |
CN117132737B (zh) | 一种三维建筑模型构建方法、系统及设备 | |
CN107330934A (zh) | 低维度的集束调整计算方法与系统 | |
Wang et al. | Extraction of preview elevation information based on terrain mapping and trajectory prediction in real-time | |
CN116823929A (zh) | 基于视觉图像与点云地图的跨模态匹配定位方法及系统 | |
Fernandes et al. | Gnss/mems-ins integration for drone navigation using ekf on lie groups | |
CN111504276B (zh) | 一种基于视觉投影尺度因子集的联合目标函数多推进器姿态角获取方法 |
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 |