CN112649815B - 处理数据的方法和装置 - Google Patents
处理数据的方法和装置 Download PDFInfo
- Publication number
- CN112649815B CN112649815B CN201910959735.XA CN201910959735A CN112649815B CN 112649815 B CN112649815 B CN 112649815B CN 201910959735 A CN201910959735 A CN 201910959735A CN 112649815 B CN112649815 B CN 112649815B
- Authority
- CN
- China
- Prior art keywords
- data
- motion
- intelligent device
- intelligent
- moment
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Theoretical Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Optical Radar Systems And Details Thereof (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本申请涉及人工智能领域,具体提供一种能够消除智能设备的运动所造成的激光点云数据畸变,以提高智能设备感知的环境信息的准确性的方法和装置。本申请提供的技术方案中,假设在激光雷达的同一个扫描周期内,智能设备的线加速度、前轮舵角和朝向角保持不变,并根据此假设建立智能设备的平面运动模型,根据该平面运动模型确定智能设备在基准时刻和点云时刻的运动数据,以及根据智能设备在基准时刻的运动数据和所述智能设备在点云时刻的运动数据,对智能设备在点云时刻的点云数据进行消旋处理。
Description
技术领域
本申请涉及人工智能领域,并且更具体地,涉及处理数据的方法和装置。
背景技术
激光雷达(light detection and ranging,LiDRA)能够捕获目标物基本形状特征及丰富局部细节,具有可靠性及测量精度高等优点,目前被广泛应用在智能设备(例如无人驾驶车辆、机器人等)环境感知中。
激光雷达,例如扫描式激光雷达,通过多束激光竖列而排,绕轴进行360度旋转,每一束激光扫描一个平面,纵向叠加后呈现出三维立体图形。具体地,激光雷达通过发射激光光束来探测目标,并通过搜集反射回来的光束获取点云数据。这些点云数据可以生成精确的三维立体图像。
通常,单帧激光点云数据不是瞬时获取的。目前,大部分激光雷达的扫描频率为5赫兹(Hz)至20赫兹。以激光雷达的扫描频率为10赫兹为例,单帧点云数据的获取时长为100微秒(ms)。但是,单帧点云数据的获取过程中,智能设备会发生运动。智能设备的运动会造成获取的激光点云数据的畸变,例如智能设备的速度、角速度等会造成激光点云数据的畸变。
激光点云数据的畸变会降低感知的环境信息的准确性,所以需要消除智能设备的运动造成的激光点云数据畸变。
因此,如何消除智能设备的运动所造成的激光点云数据畸变,成为了一个亟待解决的问题。
申请内容
本申请提供处理数据的方法和装置,能够消除智能设备的运动所造成的激光点云数据畸变,提高智能设备感知的环境信息的准确性。
第一方面,本申请提供一种处理数据的方法,该方法包括:获取智能设备的多个运动数据,所述多个运动数据中的每个运动数据包括位姿数据,所述多个运动数据是所述智能设备的运动数据采集单元在激光雷达的同一个扫描周期内采集的;根据所述多个运动数据,确定所述智能设备的平面运动模型中的参数的值,所述平面运动模型为基于多项式的运动学模型;根据所述确定完参数值的平面运动模型,确定所述智能设备在基准时刻的运动数据,所述智能设备在所述基准时刻的运动数据包括所述智能设备在所述基准时刻的位姿数据;根据所述确定完参数值的平面运动模型,确定所述智能设备在所述目标时刻的运动数据,所述智能设备在所述目标时刻的运动数据包括所述智能设备在所述目标时刻的位姿数据,所述目标时刻与所述基准时刻位于所述同一个扫描周期内;根据所述智能设备在所述基准时刻的运动数据和所述智能设备在所述目标时刻的运动数据,对所述智能设备在所述目标时刻的点云数据进行消旋处理,经过所述消旋处理得到的点云数据用于确定所述智能设备的环境信息。
该方法中,通过智能设备上其他传感器采集的运动数据来确定平面运动模型中的参数值,从而可以根据该确定参数值后的平面运动模型来确定激光雷达在基准时刻和目标时刻的运动数据,进而可以根据激光雷达在基准时刻和目标时刻的运动数据对智能设备在目标时刻的点云数据进行消旋处理,最终可以消除智能设备的运动所造成的激光点云数据畸变,提高智能设备感知的环境信息的准确性。
此外,该方法中,由于智能设备的平面运动模型为基于多项式的平面运动模型,因此可以简化根据该平面运动模型的复杂度,从而可以减少计算该平面模型中的参数的计算量以及减少根据该平面模型计算基准时刻和目标时刻的运动数据的计算量,进而节省计算时延。
结合第一方面,在第一种可能的实现方式中,所述平面运动模型中,所述智能设备的位置数据和所述智能设备的姿态数据满足以下关系式:
xt=ax·t2+bx·t+cx
yt=ay·t2+by·t+cy
θt=aθ·t2+bθ·t+cθ
其中,xt表示t时刻所述智能设备在第一方向上的位置数据;yt表示t时刻所述智能设备在第二方向上的位置数据,所述第一方向与所述第二方向垂直;θt表示所述智能设备在t时刻的姿态数据;ax、bx、cx、aθ、bθ、cθ、ay、by、cy表示所述平面运动模型中的所述参数。
结合第一方面,在第二种可能的实现方式中,所述多个运动数据中的每个运动数据还包括线速度数据。
结合第二种可能的实现方式,在第三种可能的实现方式中,所述平面运动模型中,所述智能设备的线速度数据满足以下关系式:
vt·cos(θt)=2·ax·t+bx
vt·sin(θt)=2·ay·t+by
其中,vt表示所述智能设备在t时刻的线速度数据;θt表示所述智能设备在t时刻的姿态数据;ax、bx、ay、by表示所述平面运动模型中的所述参数。
结合第一方面或上述任意一种可能的实现方式,在第四种可能的实现方式中,所述多个运动数据中的每个运动数据还包括角速度数据。
结合第四种可能的实现方式,在第五种可能的实现方式中,所述平面运动模型中,所述智能设备的角速度满足以下关系式:
ωt=2·aθ·t+bθ
其中,ωt表示所述智能设备在t时刻的角速度数据;aθ、bθ表示所述平面运动模型中的所述参数。
结合第一方面或上述任意一种可能的实现方式,在第六种可能的实现方式中,所述根据所述智能设备在所述基准时刻的运动数据和所述智能设备在所述目标时刻的运动数据,对所述智能设备在所述目标时刻的点云数据进行消旋处理,包括:根据所述智能设备在所述基准时刻的运动数据和所述智能设备在所述目标时刻的运动数据,确定所述智能设备在所述目标时刻的运动数据与所述智能设备在所述基准时刻的运动数据的变换关系;根据所述变换关系对所述智能设备在所述目标时刻的点云数据进行消旋处理。
第二方面,本申请提供了一种处理数据的装置,该装置包括:获取单元,用于获取智能设备的多个运动数据,所述多个运动数据中的每个运动数据包括位姿数据,所述多个运动数据是在所述智能设备的运动数据采集单元在激光雷达的同一个扫描周期内采集的;确定单元,用于根据所述多个运动数据,确定所述智能设备的平面运动模型中的参数的值,所述平面运动模型为基于多项式的运动学模型;确定单元,用于根据所述确定完参数值的平面运动模型,确定所述智能设备在基准时刻的运动数据,所述智能设备在所述基准时刻的运动数据包括所述智能设备在所述基准时刻的位姿数据;所述确定单元还用于根据所述确定完参数值的平面运动模型,确定所述智能设备在目标时刻的运动数据,所述智能设备在所述目标时刻的运动数据包括所述智能设备在所述目标时刻的位姿数据,所述目标时刻与所述基准时刻位于所述同一个扫描周期内;消旋单元,用于根据所述智能设备在基准时刻的运动数据和所述智能设备在目标时刻的运动数据,对所述智能设备在所述目标时刻的点云数据进行消旋处理,经过所述消旋处理得到的点云数据用于确定所述智能设备的环境信息。
该装置中,通过智能设备上其他传感器采集的运动数据来确定平面运动模型中的参数值,从而可以根据该确定参数值后的平面运动模型来确定激光雷达在基准时刻和目标时刻的运动数据,进而可以根据激光雷达在基准时刻和目标时刻的运动数据对智能设备在目标时刻的点云数据进行消旋处理,最终可以消除智能设备的运动所造成的激光点云数据畸变,提高智能设备感知的环境信息的准确性。
此外,该装置中,由于智能设备的平面运动模型为基于多项式的平面运动模型,因此可以简化根据该平面运动模型的复杂度,从而可以减少计算该平面模型中的参数的计算量以及减少根据该平面模型计算基准时刻和目标时刻的运动数据的计算量,进而节省计算时延。
结合第二方面,在第一种可能的实现方式中,所述平面运动模型中,所述智能设备的位置数据和所述智能设备的姿态数据满足以下关系式:
xt=ax·t2+bx·t+cx
yt=ay·t2+by·t+cy
θt=aθ·t2+bθ·t+cθ
其中,xt表示t时刻所述智能设备在第一方向上的位置数据;yt表示t时刻所述智能设备在第二方向上的位置数据,所述第一方向与所述第二方向垂直;θt表示所述智能设备在t时刻的姿态数据;ax、bx、cx、aθ、bθ、cθ、ay、by、cy表示所述平面运动模型中的所述参数。
结合第一方面,在第二种可能的实现方式中,所述多个运动数据中的每个运动数据还包括线速度数据。
结合第二种可能的实现方式,在第三种可能的实现方式中,所述平面运动模型中,所述智能设备的线速度数据满足以下关系式:
vt·cos(θt)=2·ax·t+bx
vt·sin(θt)=2·ay·t+by
其中,vt表示所述智能设备在t时刻的线速度数据;θt表示所述智能设备在t时刻的姿态数据;ax、bx、ay、by表示所述平面运动模型中的所述参数。
结合第二方面或上述任意一种可能的实现方式,在第四种可能的实现方式中,所述多个运动数据中的每个运动数据还包括角速度数据。
结合第四种可能的实现方式,在第五种可能的实现方式中,所述平面运动模型中,所述智能设备的角速度数据满足以下关系式:
ωt=2·aθ·t+bθ
其中,ωt表示所述智能设备在t时刻的角速度数据;aθ、bθ表示所述平面运动模型中的所述参数。
结合第二方面或上述任意一种可能的实现方式,在第六种可能的实现方式中,所述消旋单元具体用于:根据所述智能设备在所述基准时刻的运动数据和所述智能设备在所述目标时刻的运动数据,确定所述智能设备在所述目标时刻的运动数据与所述智能设备在所述基准时刻的运动数据的变换关系;根据所述变换关系对所述智能设备在所述目标时刻的点云数据进行消旋处理。
第三方面,提供了一种处理数据的装置,该装置包括:存储器,用于存储程序;处理器,用于执行所述存储器存储的程序,当所述存储器存储的程序被执行时,所述处理器用于执行上述第一方面中的任意一种实现方式中的方法。
第四方面,提供一种计算机可读介质,该计算机可读介质存储用于处理数据的装置执行的指令,该指令用于实现第一方面中的任意一种实现方式中的方法。
第五方面,提供一种包含指令的计算机程序产品,当该计算机程序产品在计算机上运行时,使得计算机执行上述第一方面中的任意一种实现方式中的方法。
第六方面,提供一种芯片,所述芯片包括处理器与数据接口,所述处理器通过所述数据接口读取存储器上存储的指令,执行上述第一方面中的任意一种实现方式中的方法。
可选地,作为一种实现方式,所述芯片还可以包括存储器,所述存储器中存储有指令,所述处理器用于执行所述存储器上存储的指令,当所述指令被执行时,所述处理器用于执行第一方面中的任意一种实现方式中的方法。
上述芯片具体可以是现场可编程门阵列(field-programmable gate array,FPGA)或者专用集成电路(application-specific integrated circuit,ASIC)。
第七面,提供了一种智能设备,该智能设备包括上述第二方面或第三方面中的任意一个方面中的处理数据的装置。
第八面,提供了一种服务器,该服务器包括上述第二方面或第三方面中的任意一个方面中的处理数据的装置。
附图说明
图1是本申请实施例的技术方案的一种应用场景的示意图。
图2是本申请一个实施例的处理数据的方法的示意性流程图。
图3是本申请一个实施例的处理数据的装置的示意性流程图。
具体实施方式
下面将结合附图,对本申请中的技术方案进行描述。
本申请实施例的方法可用于任何需要通过传感器感知周围环境信息的场景中。例如,智能设备(intelligent equipment)进入未知工作环境时,该智能设备可以利用传感器信息,对周围环境高效率且准确地进行构建(mapping),同时得到该智能设备在空间中的位置与姿态(localization)。
本申请实施例中的智能设备可以是机器人(robot)、自动驾驶汽车(autonomousvehicles)、无人机(unmanned aerial vehicle)、智能家居(smart home)和手机终端等,本申请对该智能设备不作任何限定。
图1是可以应用本申请实施例的方法和装置的应用场景的一种示意图。其中,车辆100上的激光雷达120通过多束激光竖列而排,绕轴进行360度旋转,每一束激光扫描一个平面,纵向叠加后呈现出三维立体图形。
具体地,激光雷达120发射激光光束来探测目标,并通过搜集反射回来的光束获取点云数据。这些点云数据可以生成精确的三维立体图像。
其中,激光雷达120绕轴旋转360度的时长可以称为一个扫描周期,一个扫描周期获取到的点云数据可以称为一帧点云数据。
在激光雷达120获取点云数据的同时,车辆100上的运动数据采集单元140采集汽车的运动数据,该运动数据可以包括车辆的位姿数据,进一步地,该运动数据还可以包括车辆的线速度数据和角速度数据。其中,车辆的位姿数据包括车辆的位置数据和车辆的姿态数据。位置数据指的是在全局坐标系下车辆的位置,姿态数据指的是车辆的朝向角。
运动数据采集单元140可以包括轮速计、惯性测量单元(inertial measurementunit,IMU)、实时动态载波相位差分定位(real-time kinematic,RTK))器等。
应理解,图1中所示的车辆100可以替换成其他任意有环境信息感知需求的智能设备。
图2为本申请一个实施例的处理数据的方法的示意性流程图。应理解,图2示出了该方法的步骤或操作,但这些步骤或操作仅是示例,本申请实施例还可以执行其他操作或者图2中的各个操作的变形,或者,并不是所有步骤都需要执行,或者,这些步骤可以按照其他顺序执行。图2所示的方法可以包括S210至S260。
图2中的方法可以由智能设备执行。该方法由智能设备执行可以理解为:该方法由智能设备上的处理单元执行。智能设备的处理单元可以是智能设备中的芯片、芯片系统、控制器或者处理器。应理解,智能设备的处理单元可以有其他名称,此处对此不作限定。
可选地,图1中的方法可以由服务器执行。
S210,获取智能设备的多个运动数据,所述多个运动数据中的每个运动数据包括位姿数据,所述多个运动数据是在所述智能设备的激光雷达的同一个扫描周期内采集的。
其中,智能设备的位姿数据包括智能设备的位置数据和姿态数据。
所述多个运动数据是在所述智能设备的激光雷达的同一个扫描周期内采集的,可以理解为:智能设备的多个运动数据是智能设备上的传感器在激光雷达扫描周围环境信息的一个周期内采集的。
例如,图1中的激光雷达120采集点云数据的一个周期内,运动数据采集单元140采集这多个运动数据。
当图2所示的方法由智能设备执行时,获取智能设备的多个运动数据可以包括:智能设备的处理单元从智能设备的传感器获取所述多个运动数据。
当图2所示的方法由服务器执行时,获取智能设备的多个运动数据可以包括:服务器从所述智能设备接收所述多个运动数据。
S220,根据所述多个运动数据,确定所述智能设备的平面运动模型中的参数的值,所述平面运动模型为基于多项式的运动学模型。
根据所述多个运动数据估计所述平面运动模型中的参数的值,可以理解为:将所述多个运动数据代入智能设备的平面运动模型中,计算该平面运动模型中的参数的值。
应注意的是,该平面运动模型中涉及智能设备的线加速度、前轮舵角和朝向角时,这三个变量的值可以认为是常数。这是因为,通常情况下,智能设备在一个运动数据采集周期内的线加速度、前轮舵角和朝向角可以认为是保持不变的。
该平面运动模型中涉及智能设备的线加速度、前轮舵角和朝向角时,将这三个变量的值固定为常数,可以简化平面运动模型,得到基于多项式的平面运动模型,从而可以简化根据该平面运动模型计算该平面运动模型中的参数的复杂度以及减少根据该平面运动模型进行计算时的计算量,进而节省计算时延。可以理解的是,本申请实施例中所说的基于多项式的平面运动模型是指该平面运动模型中包含的一个或多个运动学方程仅包含多项式。
在一种示例性的平面运动模型中,智能设备的位置数据和智能设备的姿态数据可以满足式(1)。
其中,xt表示t时刻智能设备在第一方向上的位置数据;yt表示在t时刻智能设备在第二方向上的位置数据,第一方向与第二方向垂直;θt表示t时刻所述智能设备的姿态数据;ax、bx、cx、aθ、bθ、cθ、ay、by、cy表示所述平面运动模型中的所述参数。
第一方向的一种示例为智能设备运动的正前方,第二方向的一种示例为智能设备的左侧方向。
由于式(1)中的位置数据和姿态数据仅为时间t的二次函数,因此,将智能设备的在多个时刻的位置数据和姿态数据代入式(1)中,可以较快较简便地计算出平面运动模型中的参数ax、bx、cx、aθ、bθ、cθ、ay、by、cy。
可选地,可以根据需求对式(1)进行线性变化。对式(1)进行任何线性变化得到的新的表达式也纳入本申请实施例的保护范围。
下面介绍一下式(1)的推导过程,以介绍本方案使用式(1)来表示智能设备的平面运动模型是怎么降低计算复杂度和减少计算量的。
本申请提出的方法中,认为智能设备在激光雷达采集一帧点云数据的运动过程中作平面运动。该智能设备作平面运动时,对应的一种平面运动模型如式(2)所示。
其中,x0、y0和θ0分别表示初始时刻t0时所述智能设备在x轴的坐标、在y轴的坐标和朝向角,x0、y0和θ0可以统称为初始时刻t0时所述智能设备的位姿;xt、yt、θt分别表示时刻t所述智能设备在x轴的坐标、在y轴的坐标和朝向角,xt、yt、θt可以统称为时刻t时所述智能设备的位姿。
根据阿克曼转向原理可以得知,所述智能设备的角速度如下:
其中,为所述智能设备的前轮舵角,ω(τ)表示智能设备的角速度,v(τ)表示τ时刻时所述智能设备的速度,γ(τ)表示τ时刻时所述智能设备的运动半径;L表示所述智能设备的前轮中心点与后轮中心点之间的距离,表示t0时刻的速度,a表示τ时刻的加速度。
将式(3)代入式(2),所述智能设备的平面运动模型如式(4):
通常,在激光雷达的一个扫描周期内,智能设备的加速度不会发生变化;或者,即使智能设备的加速度发生了变化,但该变换量通常极小。因此,可以认为智能设备在激光雷达的一个扫描周期内做匀变速运动,即加速度不发生变化。由此可知,所述智能设备的速度满足下式(5):
将式(5)代入式(2),可得式(6):
式(6)中关于所述智能设备的位姿方程是关于时间t的方程,但其中既包括三角函数又包括积分,参数多、形式复杂,难以估计。因此,可以继续对所述智能设备的位姿方程进行优化。
通常,在智能设备做高速运动的情况下,根据规控特性可知,当智能设备的前轮舵角变化太大时,容易造成智能设备侧翻。也就是说,智能设备在运动过程中,前轮舵角的变化通常极小。据此,可以认为在激光雷达的该扫描周期内,所述智能设备的前轮舵角不发生变。这可以简化智能设备的朝向角θt的表达式,简化后的式子如式(7)所示。
从上式(7)可以看出,智能设备的朝向角θt可以转化为时间t的二次函数,其中,参数少、形式简单,更利于计算。
通常,在智能设备做平面运动的情况下,尤其作高速平面运动的情况下,在激光雷达一个扫描周期内,智能设备的朝向角变化极小,因此,可以认为智能设备在一个扫描周期内的朝向角不发生变化。也就是说,可以认为智能设备在一个扫描周期内的朝向角θ(τ)是常数。这样,可以简化智能设备的位置的表达式,简化后的表达式如式(8)所示。
经过上述分析,所述智能设备的平面运动模型中,所述智能设备的位置数据和所述智能设备的姿态数据可以满足式(1),即满足下面的关系式:
应理解的是,式(2)仅是智能设备的平面运动模型的一种示例性表达式,因此,根据式(2)得到的式(1)也仅仅是简化后的平面运动模型的一种示例性表达式。本申请实施例对智能设备的平面运动模型并不作限定,只要建立该平面运动模型时涉及的线加速度、前轮舵角和朝向角均被固定为常数,该平面运动模型即可纳入本申请的保护范围。
根据所述多个运动数据,估计所述平面运动模型中的参数的值时,式(1)可以用矩阵形式表示,具体如式(9)所示。
利用最小二乘法,A·x=b可以变换为x=(ATA)-1ATb的形式。也就是说,将A和b代入式x=(ATA)-1ATb中,计算得到x。
本申请实施例中,利用最小二乘法实现该智能设备的平面运动模型的参数值的估计,能够有效减少传感器噪声对参数的计算精度的影响。
应理解,本申请实施例中也可以使用其他方法来计算平面运动模型中的参数的值。例如最优化方法,包括梯度下降法、牛顿法、拟牛顿法、共轭梯度法等。
根据智能设备的多个运动数据估计得到平面运动模型中的参数的值之后,将这些参数的估计值代入平面运动模型中,更新这些参数的值,从而得到确定完参数值的平面运动模型。
以式(1)表示的平面运动模型为例,可以将S220中计算得到ax、bx、cx、aθ、bθ、cθ、ay、by、cy的值代入到式(1)所示的模型中,从而得到确定完参数值的平面运动模型。
S230,根据所述确定完参数值的平面运动模型,确定所述智能设备在基准时刻的运动数据,所述智能设备在所述基准时刻的运动数据可以包括所述智能设备在所述基准时刻的位姿数据。
具体地,将基准时刻的时间信息代入所述确定完参数值的平面运动模型中,计算所述智能设备在所述基准时刻的运动数据。
以式(1)表示的平面运动模型为例,可以将S220中计算得到ax、bx、cx、aθ、bθ、cθ、ay、by、cy代入到式(1)所示的模型中,并将所述基准时刻作为t代入式(1)所示的模型中,计算得到的xt、yt和θt即为所述智能设备在所述基准时刻的位姿数据。
通常情况下,同一个扫描周期内存在一个基准时刻,且该基准时刻为该扫描周期内的一个时刻。
例如,该基准时刻可以是激光雷达的一个扫描周期的起始时刻,或者可以是一个扫描周期的结束时刻。
S240,根据所述确定完参数值的平面运动模型,确定所述智能设备在目标时刻的运动数据,所述智能设备在所述目标时刻的运动数据可以包括所述智能设备在所述目标时刻的位姿数据,所述目标时刻与所述基准时刻位于一个运动数据采集周期内。
具体地,将目标时刻的时间信息代入所述确定完参数值的平面运动模型中,计算所述智能设备在所述目标时刻的运动数据。
以式(1)表示的平面运动模型为例,可以将S220中计算得到ax、bx、cx、aθ、bθ、cθ、ay、by、cy代入到式(1)所示的模型中,并将所述目标时刻作为t代入式(1)所示的模型中,计算得到的xt、yt和θt即为所述智能设备在所述目标时刻的位姿数据。
其中,所述目标时刻与激光雷达采集的点云数据集合中的一个点云数据的时间戳相对应。也就是说,计算智能设备在点云数据的时间戳这个时刻的位姿数据。该目标时刻也可以称为点云时刻。
通常情况下,目标时刻与基准时刻为同一个运动数据采集周期内不同的时刻。
S250,根据所述智能设备在所述基准时刻的运动数据和所述智能设备在所述目标时刻的运动数据,对所述智能设备在所述目标时刻的点云数据进行消旋处理,经过所述消旋处理得到的点云数据用于确定所述智能设备的环境信息。
也就是说,可根据S250中消旋处理得到的点云数据确定智能设备所处环境中的物体信息。根据点云数据确定智能设备所处环境中的物体信息的实现方式,可以参考现有技术,此处不再赘述。
本申请实施例的方法中,通过智能设备上其他传感器采集的运动数据来确定平面运动模型中的参数值,从而可以根据该确定参数值后的平面运动模型来确定激光雷达在基准时刻和目标时刻的运动数据,进而可以根据激光雷达在基准时刻和目标时刻的运动数据对智能设备在目标时刻的点云数据进行消旋处理,最终可以消除智能设备的运动所造成的激光点云数据畸变,提高智能设备感知的环境信息的准确性。
通常情况下,激光雷达在一个扫描周期内采集到多少个点云数据,在S240中可以计算得到相应数量的位姿数据,这些位姿数据与这些点云数据一一对应。这样,在S250中,可以根据S230中计算得到的每个位姿数据与S240中计算得到的每个位姿数据,对每个目标时刻的点云数据进行消旋处理。其中,消旋处理的具体实现方式可以参考现有技术。
在一些可能的实现方式中,根据智能设备在所述基准时刻的运动数据和智能设备在所述目标时刻的运动数据,对智能设备在所述目标时刻的点云数据进行消旋处理,可以包括:根据智能设备在所述基准时刻的运动数据和智能设备在所述目标时刻的运动数据,确定智能设备在目标时刻的运动数据与所述智能设备在所述基准时刻的运动数据的变换方式;根据所述变换方式对智能设备在所述目标时刻的点云数据进行消旋处理。
若将智能设备在基准时刻的运动数据记为Tbase,将智能设备在目标时刻的运动数据记为Tt,则智能设备在目标时刻的运动数据与智能设备在基准时刻的运动数据之间的变换方式满足式(10)。
若将激光雷达的外参记为TL-to-V,则激光雷达的点云数据的消旋变换方式T如式(11)所示。
将激光雷达消旋前的所有目标时刻点云数据记为Pori,将消旋后的所有时刻的点云数据记为Puntwist,则根据消旋变换方式进行消旋的表达式如式(12)所示。
通常来说,激光雷达扫描得到的原始点云数据主要包括:扫描点至激光雷达的距离;该扫描点所在扫描线的俯仰角,即该扫描线在垂直方向的角度;该激光雷达,或者说该扫描线在水平方向的航向角。
在这种情况下,在对点云进行消旋时,可以先将原始点云数据转化到激光雷达笛卡尔坐标系,再从激光雷达笛卡尔坐标系转化到智能设备坐标系,智能坐标系通常以后轮轴中心点作为坐标原点,x方向水平向前,y方向水平向左,z方向竖直向上。然后在代入式(12)进行消旋处理。激光雷达笛卡尔坐标系简称为激光雷达坐标系。
激光雷达坐标系的原点通常为激光雷达的中心,该激光雷达坐标系的x轴方向通常指向激光雷达的输出电缆的相反方向;如果将激光雷达指向汽车正前方安装,则激光雷达坐标系的y轴方向通常指向汽车的左侧;激光雷达坐标系的z轴通常指向天空。
智能设备坐标系的原点通常为智能设备的中心,该智能设备坐标系的x轴方向通常指向智能设备的运动方向;智能设备坐标系的y轴方向通常指向汽车的左侧;智能设备坐标系的z轴通常指向天空。
例如,可以通过式(13)将激光雷达采集的三维原始点云数据转换到激光雷达笛卡尔坐标系。
其中,ρ为点云数据对应的扫描点至激光的距离,α为该扫描点所在扫描线的俯仰角,即该扫描线在垂直方向的角度;θ为该激光雷达在水平方向的航向角。
本申请实施例中,因为平面运动模型中智能设备的线加速度、前轮舵角和朝向角保持固定不变,因此可以简化该平面运动模型,从而可以降低计算智能设备在点云时刻的运动数据的复杂度和减少计算量,从而可以降低确定环境信息的时延。
本申请的实施例中,可选地,智能设备的多个运动数据中的每个运动数据还可以包括线速度数据和/或角速度数据。也就是说,不仅根据智能设备的位姿数据来确定智能设备的点云消旋变换方式,还进一步根据智能设备的线速度和/或角速度来确定智能设备的点云消旋变换方式。这可以大大提高消旋后的点云数据的精度,从而可以提高环境信息的精度。
例如,如式(1)所示的平面运动模型中,还可以增加智能设备的线速度数据与时间之间的关系。此时,智能设备的线速度数据与时间之间满足的一种关系如式(14)所示。
其中,vt表示所述智能设备在所述t时刻的线速度数据;ax、bx、ay、by表示所述平面运动模型中的参数。
相应地,式(14)对应的平面运动模型可以用式(15)所示矩阵形式表示。
可选地,可以通过最小二乘法来解答式(15)中的x,即得到平面运动模型中的参数。通过最小二乘法解答式(15)中的x的表达式为x=(ATA)-1ATb。利用最小二乘法实现该运动学模型的参数估计,能够有效减少传感器噪声对智能设备计算精度的影响,从而可以提高环境信息的精度。
例如,如式(1)所示的平面运动模型中,还可以增加智能设备的角速度数据与时间之间的关系,以及增加智能设备的角速度数据与时间的关系。此时,智能设备的位姿数据、线速度数据和角速度数据与时间之间的一种关系如式(16)所示。
可选地,可以通过最小二乘法来解答式(16)中的x,即得到平面运动模型中的参数。通过最小二乘法解答式(16)中的x的表达式为x=(ATA)-1ATb。利用最小二乘法实现该运动学模型的参数估计,能够有效减少传感器噪声对智能设备计算精度的影响,从而可以提高环境信息的精度。
应理解,本申请实施例中的具体的例子只是为了帮助本领域技术人员更好地理解本申请实施例,而非限制本申请实施例的范围。
还应理解,上述各过程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。
还应理解,本申请实施例中,“预先配置”、“预先存储”可以通过在设备(例如,包括智能设备和云端服务器)中预先保存相应的代码、表格或其他可用于指示相关信息的方式来实现,本申请对于其具体的实现方式不做限定。
还应理解,在本申请的各个实施例中,如果没有特殊说明以及逻辑冲突,不同的实施例之间的术语和/或描述具有一致性、且可以相互引用,不同的实施例中的技术特征根据其内在的逻辑关系可以组合形成新的实施例。
可以理解的是,本申请上述实施例中,由智能设备或云端服务器实现的方法,也可以由可配置于智能设备或云端服务器的部件(例如芯片或者电路)实现。
以上,结合图1和图2详细说明了本申请实施例提供的方法。以下,结合图3详细说明本申请实施例提供的装置。应理解,装置实施例的描述与方法实施例的描述相互对应,因此,未详细描述的内容可以参见上文方法实施例,为了简洁,部分内容不再赘述。
图3示出了本申请一个实施例的处理数据的装置300的结构示意图。应理解,该装置300可以实现2所示的方法。该装置可以是智能设备和服务器,也可以是可配置于智能设备或服务器的部件(例如芯片或者电路)。
该装置300可以包括用于执行前述方法实施例中的各个操作的单元。并且,该装置300中的各单元分别为了实现前述任意方法的相应流程。
在一种设计方式中,该装置300包括:获取单元310,确定单元330,消旋单元340。
获取单元310,用于获取智能设备的多个运动数据,所述多个运动数据中的每个运动数据包括位姿数据,所述多个运动数据是在所述智能设备的运动数据采集单元在激光雷达的同一个扫描周期内采集的。
确定单元330,用于根据所述多个运动数据,确定所述智能设备的平面运动模型中的参数的值,所述平面运动模型为基于多项式的运动学模型。
确定单元330还用于根据所述确定完参数的平面运动模型,确定所述智能设备在基准时刻的运动数据,所述智能设备在所述基准时刻的运动数据包括所述智能设备在所述基准时刻的位姿数据。
所述确定单元330还用于根据所述确定完参数的平面运动模型,确定所述智能设备在目标时刻的运动数据,所述智能设备在所述目标时刻的运动数据包括所述智能设备在所述目标时刻的位姿数据,所述目标时刻与所述基准时刻位于所述同一个扫描周期内。
消旋单元340,用于根据所述智能设备在所述基准时刻的运动数据和所述智能设备在所述目标时刻的运动数据,对所述智能设备在所述目标时刻的点云数据进行消旋处理,经过所述消旋处理得到的点云数据用于确定所述智能设备的环境信息。
可选地,所述平面运动模型中,所述智能设备的位置数据和所述智能设备的姿态数据满足以下关系式:
xt=ax·t2+bx·t+cx
yt=ay·t2+by·t+cy
θt=aθ·t2+bθ·t+cθ
其中,xt表示t时刻所述智能设备在第一方向上的位置数据;yt表示t时刻所述智能设备在第二方向上的位置数据,所述第一方向与所述第二方向垂直;θt表示所述智能设备在t时刻的姿态数据;ax、bx、cx、aθ、bθ、cθ、ay、by、cy表示所述平面运动模型中的所述参数。
可选地,所述多个运动数据中的每个运动数据还包括线速度数据。
所述多个运动数据中的每个运动数据还包括线速度数据时,可选地,所述平面运动模型中,所述智能设备的线速度数据满足以下关系式:
vt·cos(θt)=2·ax·t+bx
vt·sin(θt)=2·ay·t+by
其中,vt表示所述智能设备在t时刻的速度数据;θt表示所述智能设备在t时刻的姿态数据;ax、bx、ay、by表示所述平面运动模型中的所述参数。
可选地,所述多个运动数据中的每个运动数据还包括角速度数据。
所述多个运动数据中的每个运动数据还包括角速度数据时,可选地,所述平面运动模型中,所述角速度数据满足以下关系式:
ωt=2·aθ·t+bθ
其中,ωt表示所述智能设备在t时刻的角速度数据;aθ、bθ表示所述平面运动模型中的所述参数。
可选地,所述消旋单元340具体用于:根据所述智能设备在所述基准时刻的运动数据和所述智能设备在所述目标时刻的运动数据,确定所述智能设备在所述目标时刻的运动数据与所述智能设备在所述基准时刻的运动数据之间的变换关系;根据所述变换关系对所述智能设备在所述目标时刻的点云数据进行消旋处理。
应理解,各单元执行上述相应步骤的具体过程在上述方法实施例中已经详细说明,为了简洁,在此不再赘述。
还应理解,装置300为服务器时,还可以包括通信单元,用于向智能设备发送环境信息。
还应理解,装置300还可以包括存储单元,用于存储各种数据。
还应理解,该装置300为智能设备、配置于智能设备中的芯片或芯片系统,或配置于智能设备中的芯片或芯片系统时,该装置300中的获取单元310可以为数据传输接口、接口电路、数据传输电路或管脚,确定单元330和消旋单元340可以为处理器、处理电路或逻辑电路,存储单元可以为存储器或存储电路。
还应理解,该装置300为服务器时,该装置300中的获取单元310可以为接收器或者收发器,确定单元330和消旋单元340可以为处理器、处理电路或逻辑电路,存储单元可以为存储器或存储电路。
应理解,上述装置300为芯片时,该芯片可以是现场可编程门阵列(fieldprogrammable gate array,FPGA),可以是专用集成芯片(application specificintegrated circuit,ASIC),还可以是系统芯片(system on chip,SoC),还可以是中央处理器(central processor unit,CPU),还可以是网络处理器(network processor,NP),还可以是数字信号处理电路(digital signal processor,DSP),还可以是微控制器(microcontroller unit,MCU),还可以是可编程控制器(programmable logic device,PLD)或其他集成芯片。
应理解,本申请中的各个单元也可以称为对应的模块,例如,获取单元也可以称为获取模块,确定单元也可以称为确定模块,消旋单元也可以称为消旋模块。
在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。
应注意,本申请实施例中的处理器可以是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(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。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。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。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
可以理解,本申请实施例中的存储器可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(read-only memory,ROM)、可编程只读存储器(programmable ROM,PROM)、可擦除可编程只读存储器(erasable PROM,EPROM)、电可擦除可编程只读存储器(electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(static RAM,SRAM)、动态随机存取存储器(dynamic RAM,DRAM)、同步动态随机存取存储器(synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(double data rateSDRAM,DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(directrambus RAM,DR RAM)。应注意,本文描述的系统和方法的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
根据本申请实施例提供的方法,本申请还提供一种计算机程序产品,该计算机程序产品包括:计算机程序代码,当该计算机程序代码在计算机上运行时,使得该计算机执行前述任意一个方法实施例中的方法。
根据本申请实施例提供的方法,本申请还提供一种计算机可读介质,该计算机可读介质存储有指令,当该指令在计算机上运行时,使得该计算机执行前述任意一个方法实施例中的方法。
根据本申请实施例提供的方法,本申请还提供一种系统,其包括前述的装置300。
在本说明书中使用的术语“单元”、“系统”等用于表示计算机相关的实体、硬件、固件、硬件和软件的组合、软件、或执行中的软件。例如,单元可以是但不限于,在处理器上运行的进程、处理器、对象、可执行文件、执行线程、程序和/或计算机。
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种说明性逻辑块(illustrative logical block)和步骤(step),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。
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,上述描述的系统、装置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。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,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信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,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。
在上述实施例中,各功能单元的功能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。所述计算机程序产品包括一个或多个计算机指令(程序)。在计算机上加载和执行所述计算机程序指令(程序)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。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述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,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述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。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
所述功能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取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (17)
1.一种处理数据的方法,其特征在于,包括:
获取智能设备的多个运动数据,所述多个运动数据中的每个运动数据包括位姿数据,所述多个运动数据是所述智能设备的运动数据采集单元在激光雷达的同一个扫描周期内的多个时刻采集的;
根据所述多个运动数据,确定所述智能设备的平面运动模型中参数的值,所述平面运动模型为基于多项式的运动学模型;
根据所述确定完参数值的平面运动模型,确定所述智能设备在基准时刻的运动数据,所述智能设备在所述基准时刻的运动数据包括所述智能设备在所述基准时刻的位姿数据;
根据所述确定完参数值的平面运动模型,确定所述智能设备在目标时刻的运动数据,所述智能设备在所述目标时刻的运动数据包括所述智能设备在所述目标时刻的位姿数据,所述目标时刻与所述基准时刻位于所述同一个扫描周期内;
根据所述智能设备在所述基准时刻的运动数据和所述智能设备在所述目标时刻的运动数据,对所述智能设备在所述目标时刻的点云数据进行消旋处理,经过所述消旋处理得到的点云数据用于确定所述智能设备的环境信息。
2.根据权利要求1所述的方法,其特征在于,所述平面运动模型中,所述智能设备的位置数据和所述智能设备的姿态数据满足以下关系式:
xt=ax·t2+bx·t+cx
yt=ay·t2+by·t+cy
θt=aθ·t2+bθ·t+cθ
其中,xt表示t时刻所述智能设备在第一方向上的位置数据;yt表示t时刻所述智能设备在第二方向上的位置数据,所述第一方向与所述第二方向垂直;θt表示所述智能设备在t时刻的姿态数据;ax、bx、cx、aθ、bθ、cθ、ay、by、cy表示所述平面运动模型中的参数。
3.根据权利要求1或2所述的方法,其特征在于,所述多个运动数据中的每个运动数据还包括线速度数据。
4.根据权利要求3所述的方法,其特征在于,所述平面运动模型中,所述线速度数据满足以下关系式:
vt·cos(θt)=2·ax·t+bx
vt·sin(θt)=2·ay·t+by
其中,vt表示所述智能设备在t时刻的线速度数据;θt表示所述智能设备在t时刻的姿态数据;ax、bx、ay、by表示所述平面运动模型中的所述参数。
5.根据权利要求2至4中任一项所述的方法,其特征在于,所述多个运动数据中的每个运动数据还包括角速度数据。
6.根据权利要求5所述的方法,其特征在于,所述平面运动模型中,所述角速度数据满足以下关系式
ωt=2·aθ·t+bθ
其中,ωt表示所述智能设备在t时刻的角速度数据;aθ、bθ表示所述平面运动模型中的所述参数。
7.根据权利要求1至6中任一项所述的方法,其特征在于,所述根据所述智能设备在所述基准时刻的运动数据和所述智能设备在所述目标时刻的运动数据,对所述智能设备在所述目标时刻的点云数据进行消旋处理,包括:
根据所述智能设备在所述基准时刻的运动数据和所述智能设备在所述目标时刻的运动数据,确定所述智能设备在所述目标时刻的运动数据与所述智能设备在所述基准时刻的运动数据的变换关系;
根据所述变换关系对所述智能设备在所述目标时刻的点云数据进行消旋处理。
8.一种处理数据的装置,其特征在于,包括:
获取单元,用于获取智能设备的多个运动数据,所述多个运动数据中的每个运动数据包括位姿数据,所述多个运动数据是所述智能设备的运动数据采集单元在所述智能设备的激光雷达的同一个扫描周期内的多个时刻采集的;
确定单元,用于根据所述多个运动数据,确定所述智能设备的平面运动模型中的参数的值,所述平面运动模型为基于多项式的运动学模型;
所述确定单元还用于根据所述确定完参数值的平面运动模型,确定所述智能设备在基准时刻的运动数据,所述智能设备在所述基准时刻的运动数据包括所述智能设备在所述基准时刻的位姿数据;
所述确定单元还用于根据所述确定完参数值的平面运动模型,确定所述智能设备在目标时刻的运动数据,所述智能设备在所述目标时刻的运动数据包括所述智能设备在所述目标时刻的位姿数据,所述目标时刻与所述基准时刻位于所述同一个扫描周期内;
消旋单元,用于根据所述智能设备在所述基准时刻的运动数据和所述智能设备在所述目标时刻的运动数据,对所述智能设备在所述目标时刻的点云数据进行消旋处理,经过所述消旋处理得到的点云数据用于确定所述智能设备的环境信息。
9.根据权利要求8所述的装置,其特征在于,所述平面运动模型中,所述智能设备的位置数据和所述智能设备的姿态数据满足以下关系式:
xt=ax·t2+bx·t+cx
yt=ay·t2+by·t+cy
θt=aθ·t2+bθ·t+cθ
其中,xt表示t时刻所述智能设备在第一方向上的位置数据;yt表示t时刻所述智能设备在第二方向上的位置数据,所述第一方向与所述第二方向垂直;θt表示所述智能设备在t时刻的姿态数据;ax、bx、cx、aθ、bθ、cθ、ay、by、cy表示所述平面运动模型中的所述参数。
10.根据权利要求8或9所述的装置,其特征在于,所述多个运动数据中的每个运动数据还包括线速度数据。
11.根据权利要求10所述的装置,其特征在于,所述平面运动模型中,所述线速度数据满足以下关系式:
vt·cos(θt)=2·ax·t+bx
vt·sin(θt)=2·ay·t+by
其中,vt表示所述智能设备在t时刻的线速度数据;θt表示所述智能设备在t时刻的姿态数据;ax、bx、ay、by表示所述平面运动模型中的所述参数。
12.根据权利要求8至11中任一项所述的装置,其特征在于,所述多个运动数据中的每个运动数据还包括角速度数据。
13.根据权利要求12所述的装置,其特征在于,所述平面运动模型中,所述角速度数据满足以下:
ωt=2·aθ·t+bθ
其中,ωt表示所述智能设备在t时刻的角速度数据;aθ、bθ表示所述平面运动模型中的所述参数。
14.根据权利要求8至13中任一项所述的装置,其特征在于,所述消旋单元具体用于:
根据所述智能设备在所述基准时刻的运动数据和所述智能设备在所述目标时刻的运动数据,确定所述智能设备在所述目标时刻的运动数据与所述智能设备在所述基准时刻的运动数据之间的变换关系;
根据所述变换关系对所述智能设备在所述目标时刻的点云数据进行消旋处理。
15.一种处理数据的装置,其特征在于,包括处理器和存储器,所述存储器用于存储程序指令,所述处理器用于调用所述程序指令来执行权利要求1至7中任一项所述的方法。
16.一种计算机可读存储介质,其特征在于,所述计算机可读介质存储用于设备执行的程序代码,该程序代码包括用于执行如权利要求1至7中任一项所述的方法。
17.一种芯片,其特征在于,所述芯片包括处理器与数据接口,所述处理器通过所述数据接口读取存储器上存储的指令,以执行如权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910959735.XA CN112649815B (zh) | 2019-10-10 | 2019-10-10 | 处理数据的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910959735.XA CN112649815B (zh) | 2019-10-10 | 2019-10-10 | 处理数据的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112649815A CN112649815A (zh) | 2021-04-13 |
CN112649815B true CN112649815B (zh) | 2023-04-11 |
Family
ID=75343116
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910959735.XA Active CN112649815B (zh) | 2019-10-10 | 2019-10-10 | 处理数据的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112649815B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109799829A (zh) * | 2019-02-28 | 2019-05-24 | 清华大学 | 一种基于自组织映射的机器人群体协同主动感知方法 |
CN110109134A (zh) * | 2019-05-05 | 2019-08-09 | 桂林电子科技大学 | 一种基于2d激光雷达测距的折线提取极大似然估计的方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7978932B2 (en) * | 2007-08-02 | 2011-07-12 | Mauna Kea Technologies | Robust mosaicing method, notably with correction of motion distortions and tissue deformations for in vivo fibered microscopy |
JP6782903B2 (ja) * | 2015-12-25 | 2020-11-11 | 学校法人千葉工業大学 | 自己運動推定システム、自己運動推定システムの制御方法及びプログラム |
CN107608344B (zh) * | 2017-08-21 | 2020-02-14 | 上海蔚来汽车有限公司 | 基于轨迹规划的车辆运动控制方法、装置及相关设备 |
CN108664122A (zh) * | 2018-04-04 | 2018-10-16 | 歌尔股份有限公司 | 一种姿态预测方法和装置 |
CN109166140B (zh) * | 2018-07-27 | 2021-10-01 | 长安大学 | 一种基于多线激光雷达的车辆运动轨迹估计方法及系统 |
CN109300143B (zh) * | 2018-09-07 | 2021-07-27 | 百度在线网络技术(北京)有限公司 | 运动向量场的确定方法、装置、设备、存储介质和车辆 |
CN109584183B (zh) * | 2018-12-05 | 2020-05-29 | 吉林大学 | 一种激光雷达点云去畸变方法及系统 |
CN110244321B (zh) * | 2019-04-22 | 2023-09-26 | 武汉理工大学 | 一种基于三维激光雷达的道路可通行区域检测方法 |
CN109975792B (zh) * | 2019-04-24 | 2021-02-05 | 福州大学 | 基于多传感器融合矫正多线激光雷达点云运动畸变的方法 |
CN110221603B (zh) * | 2019-05-13 | 2020-08-14 | 浙江大学 | 一种基于激光雷达多帧点云融合的远距离障碍物检测方法 |
CN110223379A (zh) * | 2019-06-10 | 2019-09-10 | 于兴虎 | 基于激光雷达的三维点云重建方法 |
-
2019
- 2019-10-10 CN CN201910959735.XA patent/CN112649815B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109799829A (zh) * | 2019-02-28 | 2019-05-24 | 清华大学 | 一种基于自组织映射的机器人群体协同主动感知方法 |
CN110109134A (zh) * | 2019-05-05 | 2019-08-09 | 桂林电子科技大学 | 一种基于2d激光雷达测距的折线提取极大似然估计的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112649815A (zh) | 2021-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109613543B (zh) | 激光点云数据的修正方法、装置、存储介质和电子设备 | |
KR102032070B1 (ko) | 깊이 맵 샘플링을 위한 시스템 및 방법 | |
CN110873883B (zh) | 融合激光雷达和imu的定位方法、介质、终端和装置 | |
US20220371602A1 (en) | Vehicle positioning method, apparatus, and controller, intelligent vehicle, and system | |
CN110470333B (zh) | 传感器参数的标定方法及装置、存储介质和电子装置 | |
CN110879400A (zh) | 激光雷达与imu融合定位的方法、设备及存储介质 | |
US20220083841A1 (en) | Method and system for automatically labeling radar data | |
CN111563450B (zh) | 数据处理方法、装置、设备及存储介质 | |
CN113748357A (zh) | 激光雷达的姿态校正方法、装置和系统 | |
KR20210084622A (ko) | 시간 동기화 처리 방법, 전자 기기 및 저장 매체 | |
US11061120B2 (en) | Sensor calibration | |
US20220205804A1 (en) | Vehicle localisation | |
CN112146682A (zh) | 智能汽车的传感器标定方法、装置、电子设备及介质 | |
US10612937B2 (en) | Information processing device and method | |
CN111998870B (zh) | 一种相机惯导系统的标定方法和装置 | |
US20210156710A1 (en) | Map processing method, device, and computer-readable storage medium | |
CN113759347B (zh) | 坐标关系的标定方法、装置、设备及介质 | |
CN113252066B (zh) | 里程计设备参数的标定方法及装置、存储介质、电子装置 | |
CN112649815B (zh) | 处理数据的方法和装置 | |
CN113256728B (zh) | Imu设备参数的标定方法及装置、存储介质、电子装置 | |
US10628920B2 (en) | Generating a super-resolution depth-map | |
CN116182905A (zh) | 激光雷达和组合惯导的时空外参标定方法、装置及系统 | |
CN115560744A (zh) | 机器人以及基于多传感器的三维建图方法、存储介质 | |
WO2022160879A1 (zh) | 一种转换参数的确定方法和装置 | |
WO2022256976A1 (zh) | 稠密点云真值数据的构建方法、系统和电子设备 |
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 |