CN112729344B - 无需参照物的传感器外参标定方法 - Google Patents
无需参照物的传感器外参标定方法 Download PDFInfo
- Publication number
- CN112729344B CN112729344B CN202011610940.4A CN202011610940A CN112729344B CN 112729344 B CN112729344 B CN 112729344B CN 202011610940 A CN202011610940 A CN 202011610940A CN 112729344 B CN112729344 B CN 112729344B
- Authority
- CN
- China
- Prior art keywords
- sensor
- parameter
- calibration
- rotation
- translation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000005457 optimization Methods 0.000 claims abstract description 39
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000005259 measurement Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 19
- 230000009466 transformation Effects 0.000 claims description 11
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 210000000056 organ Anatomy 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass
-
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/40—Means for monitoring or calibrating
-
- 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)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Remote Sensing (AREA)
- Pure & Applied Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Manufacturing & Machinery (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本申请公开了一种无需参照物的传感器外参标定方法,包括以下步骤:根据测量或计算每个传感器单独的运动轨迹,得出每个传感器每一时刻的位姿信息;利用手眼标定方程残差求和,构造相邻两个传感器的全局优化函数,进而计算出旋转参数初值;在得到旋转参数初值后,使用优化方式求解,得到旋转参数的最优解,完成平移外参标定;根据手眼标定方程,融合所有时刻、所有传感器的残差信息,构造优化目标函数,带入所求得的旋转外参标定,最终得到最优的平移参数以及尺度参数,完成平移外参标定。通过该方法能够在不同种类、不同数量传感器的情况下有效的一步完成对所有传感器外参的标定工作,适用于大规模、大批量标定的场景。
Description
技术领域
本申请涉及传感器技术领域,尤其涉及一种无需参照物的传感器外参标定方法。
背景技术
目前,为了处理复杂的外部环境,更好的完成决策,自动驾驶车辆和自主移动机器人往往采用多种、多个传感器协作来进行对外部环境的感知,如使用多个相机来感知周围的环境与色彩信息,使用多个雷达(或激光雷达)来预估自身与障碍物间的距离、使用IMU/GNSS/RTK等模块来精确计算自身所在的位置。
为了将多个传感器采集到的实时数据进行汇总、融合,必须事先知道各个传感器之间的坐标变换关系(即外参),因此,在自动驾驶车辆和自主移动机器人投入使用前,必须进行精确的传感器外参标定。
目前外参标定方法主要有两类,分别是需要标定参照物的、基于特征的标定方法,和基于轨迹的标定方法。其中,
基于特征的标定方法需要首先制作一个特定尺寸、特定图案或形状的人工参照物,如棋盘格或二维码标定板、球形或立方体标定物块等,且需要特定的场地来使传感器能清晰地检测到人造参照物,这种方法费时费力,仅适用于实验室中简单的标定任务,不适用于大规模、大批量标定的场景,且无法应用在IMU/GNSS等某些特殊的传感器上。目前大多数相机、雷达厂商或整车方案提供商均提供此类标定方法。
基于轨迹的标定方法需要提前计算出每个传感器单独的运动轨迹,并使用机器人学中的手眼标定(Hand-eye Calibration)方法将多个传感器间的轨迹对齐,同时计算出不同轨迹间的变换关系。但目前此类方法尚未成熟,没有适配于多个传感器间的全局优化方法,对于缺乏尺度信息的相机传感器也无法得到很好的结果。
发明内容
本申请的目的在于克服上述现有技术的不足,提供一种无需参照物的传感器外参标定方法,是在标准的手眼标定流程上加入了多条轨迹间的全局约束,并把尺度信息纳入到待优化变量中进行全局优化。
本申请的技术方案提供一种无需参照物的传感器外参标定方法,1、一种无需参照物的传感器外参标定方法,包括传感器组,所述传感器组包括至少两个传感器,其特征在于,所述传感器外参标定方法包括以下步骤:
1)测算位姿信息:根据测量或计算每个所述传感器单独的运动轨迹,得出每个所述传感器两时刻间的位姿信息,包括每个所述传感器两时刻间的旋转信息和平移信息;
2)构造优化问题:利用手眼标定方程残差求和,构造两个所述传感器的全局优化函数并求该全局优化函数的最小值,其中是指在m时刻到m+1时刻之间传感器i的旋转信息,Rij是指传感器 i和传感器j之间的旋转外参,N是指在一段时间内每个所述传感器得到的所述旋转信息的数量,n是指所述传感器组包括的传感器总个数;
3)标定旋转外参:计算相邻两个所述传感器之间的旋转参数初值,在得到所述旋转参数初值后,使用优化方式求解,得到所述旋转参数的最优解,进而完成旋转外参标定;
4)标定平移外参:根据手眼标定方程,融合所有时刻、所有所述传感器的残差信息,构造优化目标函数,带入所求得的所述旋转参数,使用最小二乘问题的数值解法,得到最优的所述平移参数,最后完成平移外参标定。
①将所有的旋转测量值融合进一个大矩阵中:
②对矩阵M进行奇异值分解:
在一些实施例中,上述步骤3)中在求解所述旋转参数[S1…Sn-1]T的最优解时,所采用的优化方式为高斯-牛顿法或列文伯格-马夸尔特法进行迭代求解。
在一些实施例中,所述传感器组中包含可通过里程计算得到所述平移信息的第一传感器,以及需要借助尺度参数与通过里程计算得到的平移变化幅度结合而得到所述平移信息的第二传感器,其中所述尺度参数通过上述步骤4)构造的所述优化目标函数可求得最优的尺度参数。
进一步的,所述传感器组包括至少一个相机、至少一个雷达和至少一个惯性导航模块,其中所述雷达和所述惯性导航模块属于所述第一传感器,所述相机属于所述第二传感器。
更进一步的,上述步骤4)中,融合所有时刻和所有所述传感器的残差信息而构造的所述优化目标函数如下:
并求该全局优化函数的最小值,
其中是指在m时刻到m+1时刻之间所述第一传感器i的平移变换参数,是指在m时刻到m+1时刻之间所述第二传感器j的平移变换参数, kj是指所述第二传感器j的尺度参数,tij为所述传感器i和传感器j间的平移外参。
将待优化的所有所述平移参数表示为[p1…pn-1]T,且所有Rij均是已知的情况下,所述优化目标函数改写成:
||L·x-G||
并求该优化目标函数的最小值,
在一些实施例中,所述最小二乘问题的数值解法为QR分解法、稀疏矩阵方法或M-估计方法。
采用上述技术方案后,具有如下有益效果:
本申请在标准的手眼标定流程上引入了全局优化,在多于两个传感器的情况下表现更好,误差更小,不但能标定传感器间的旋转与平移参数,还可把传感器的尺度信息纳入到待优化变量中进行全局优化,最终可得到不同种类的传感器的外参标定,而且无需利用外部特定的人工参照物,能够在不同种类、不同数量传感器的情况下有效的一步完成对所有传感器外参的标定工作,适用于大规模、大批量标定的场景。
附图说明
图1是本申请多种、多个传感器之间的外参标定示意图;
图2是本申请一实施例中对传感器的各参数信息的符号定义示意图;
图3是本申请一实施例中两个传感器在两个时刻间的一个刚体闭环示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
参照下面的描述和附图,将清楚本发明的实施例的这些和其他方面。在这些描述和附图中,具体公开了本发明的实施例中的一些特定实施方式,来表示实施本发明的实施例的原理的一些方式,但是应当理解,本发明的实施例的范围不受此限制。相反,本发明的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
本申请所述一种无需参照物的传感器外参标定方法,包括传感器组,该传感器组分为两种:可通过里程计算得到所述平移信息的第一传感器,以及需要借助尺度参数与通过里程计算得到的平移变化幅度结合而得到所述平移信息的第二传感器,该传感器组包括至少一个相机、至少一个雷达和至少一个导航模块,其中所述雷达和所述惯性导航模块属于所述第一传感器,所述相机属于所述第二传感器。如图1所示,该实施例图中所示的传感器共有5个,其中图中标示的传感器1为惯性导航模块,图中标示的传感器2和传感器3为雷达,图中标示的传感器4和传感器5为相机。其中惯性导航模块可以为IMU/GNSS/RTK 等模块,雷达可以为激光雷达。IMU/GNSS/RTK是惯导模块中包含的子模块,不同型号的惯导模块会包含不同的子模块,比如有的惯导模块只有IMU子模块,有的惯导模块既有IMU子模块又有GNSS子模块,有的惯导模块既有IMU子模块又有RTK子模块。而对于一个装有多个传感器的自主移动设备而言,每两个传感器间都有一个旋转参数和一个平移参数,如图1中所示的,旋转参数用R标示,平移参数用t标示。
在进行标定方案前,需要事先测量或计算出每个传感器单独的运动轨迹(包括每一时刻的旋转参数R和平移参数t两部分)。对于IMU/GNSS传感器,可以通过简单的滤波、积分操作即可直接得到其运动轨迹;对于相机和雷达,目前有多种开源的里程计算法可以使用,如适用于相机的ORB-SLAM算法、COLMAP算法,适用于雷达的LOAM算法、GH-ICP算法等。由于相机内部结构的因素,单目相机无法仅通过里程计算法得到每一时刻精确的平移参数t的数值,仅能得到t 的变化幅度,即相机真实的平移参数t为通过里程计算法得到的t的某个倍数 (即treal=k·tmeasure),这里的k即使尺度信息是一个待定系数,可以在接下来的标定流程中求解。
在得到每个传感器每一时刻的位姿信息后,按图2的方式进行符号定义:假定传感器的总数量为n,其中前v个传感器无法得到平移的尺度信息,后n-v 个传感器可以得到平移的尺度信息,或为两时刻间传感器i的变换参数(可以通过测量或计算得到),我们假定在一段时间内,每个传感器都可以得到N组这样的变换参数对。
进一步地,定义传感器i和传感器j之间的旋转外参为Rij,传感器i和传感器j之间的平移外参为tij,为了简化表示,使用Si和pi来代表相邻两传感器间的外参,即:
S1=R12,S2=R23,…,Sn-1=Rn-1,n
p1=t12,p2=t23,…,pn-1=tn-1,n
根据机器人学中的刚体变换累加原理,任意Rij和tij均可由Si和pi表示:
Rij=SiSi+1Si+2…Sj-1
tij=SiSi+1Si+2…Sj-2pj-1
+SiSi+1Si+2…Sj-3pj-2
+…
+SiSi+1pi+2
+Sipi+1
+pi
可见,只要计算出所有的Si和pi,便可得到所有传感器间的外参Rij和tij。
所以,在标定算法中,将待优化的所述旋转参数表示为[S1…Sn-1]T,将待优化的所述平移参数表示为[p1…pn-1]T,将待优化的所述尺度参数表示为 [k1…kv]T,其中Si为3自由度的三维旋转矩阵,pi为三维列向量,ki为标量。
由于任意两传感器间的外参Rij和tij是不会随着时间变化的,而传感器位姿或则是时刻在变化着。因此,可以在两个时刻间找到一个刚体变换闭环,如图3所示。结合图3,对于任意两个传感器、任意两个时刻,下面的两条手眼标定方程是恒成立的:
RARX=RXRB
RAtX+tA=RxtB+tX
接下来即可按如下方式进行外参标定:
1、标定旋转参数
1.1、全局优化函数的构造
我们将每两个传感器、每两个时刻间的手眼标定方程残差求和,构造如下的全局优化函数,并求此函数的最小值,即构建如下的优化问题:
根据前文所述的符号定义,我们可以将上述优化问题改写为:
其中待优化的变量[S1…Sn-1]T即为所需求得的旋转参数。
1.2、计算旋转参数初值
先只考虑相邻两传感器间的旋转变换关系,按如下方式计算旋转参数的初值:
①将所有的旋转测量值融合进一个大矩阵中:
②对矩阵M进行奇异值分解:
1.3、使用优化方法求解旋转参数
2、标定平移参数和尺度参数
根据手眼标定方程,融合所有时刻、所有传感器的残差信息,可以构造如下的优化目标函数:
并求此函数的最小值,即构建如下的优化问题
由于已经在第一步中将所有的旋转参数标定完成,因此可以认为此时所有的Rij均是已知的,在所有Rij均已知的情况下,tij是可以由[p1…pn-1]T线性表示的,即:
tij=Ri,j-1pj-1+Ri,j-2pj-2+…+Ri,i+1pi+1+pi
因此待优化目标函数可以写为:
||L·X-G||
并求该优化目标函数的最小值,即求:min||L·X-G||
至此,旋转参数、平移参数、尺度参数三部分的未知量均已标定完毕。
本申请实施例的无需参照物的传感器外参标定方法,是在标准的手眼标定流程上引入了全局优化,故在多于两个传感器的情况下表现更好,误差更小,不但能标定传感器间的旋转与平移参数,还可把传感器的尺度信息纳入到待优化变量中进行全局优化,最终可得到不同种类的传感器的外参标定,而且无需利用外部特定的人工参照物,能够在不同种类、不同数量传感器的情况下有效的一步完成对所有传感器外参的标定工作,适用于大规模、大批量标定的场景。
以上所述的仅是本申请的原理和较佳的实施例。应当指出,对于本领域的普通技术人员来说,在本申请原理的基础上,还可以做出若干其它变型,也应视为本申请的保护范围。
Claims (10)
1.一种无需参照物的传感器外参标定方法,包括传感器组,所述传感器组包括至少两个传感器,其特征在于,所述传感器外参标定方法包括以下步骤:
1)测算位姿信息:根据测量或计算每个所述传感器单独的运动轨迹,得出每个所述传感器两时刻间的位姿信息,包括每个所述传感器两时刻间的旋转信息和平移信息;
2)构造优化问题:利用手眼标定方程残差求和,构造两个所述传感器的全局优化函数,并求该全局优化函数的最小值,其中是指在m时刻到m+1时刻之间传感器i的旋转信息,是指传感器i和传感器j之间的旋转外参,N是指在一段时间内每个所述传感器得到的所述旋转信息的数量,n是指所述传感器组包括的传感器总个数;
3)标定旋转外参:按照标准的手眼标定方程计算相邻两个所述传感器之间的旋转参数初值,在得到所述旋转参数初值后,使用优化方式求解,得到所述旋转参数的最优解,进而完成旋转外参标定;
4)标定平移外参:根据手眼标定方程,融合所有时刻、所有所述传感器的残差信息,构造优化目标函数,带入所求得的所述旋转参数,使用最小二乘问题的数值解法,得到最优的平移参数,最后完成平移外参标定。
5.根据权利要求4所述的无需参照物的传感器外参标定方法,其特征在于,上述步骤3)中在求解所述旋转参数[S 1 … S n-1 ] T 的最优解时,所采用的优化方式为高斯-牛顿法或列文伯格-马夸尔特法进行迭代求解。
6.根据权利要求1所述的无需参照物的传感器外参标定方法,其特征在于,所述传感器组中包含通过里程计算得到所述平移信息的第一传感器,以及需要借助尺度参数与通过里程计算得到的平移变化幅度结合而得到所述平移信息的第二传感器,其中所述尺度参数通过上述步骤4)构造的所述优化目标函数以求得最优的尺度参数。
7.根据权利要求6所述的无需参照物的传感器外参标定方法,其特征在于,所述传感器组包括至少一个相机、至少一个雷达和至少一个惯性导航模块,其中所述雷达和所述惯性导航模块属于所述第一传感器,所述相机属于所述第二传感器。
10.根据权利要求1所述的无需参照物的传感器外参标定方法,其特征在于,所述最小二乘问题的数值解法为QR分解法、稀疏矩阵方法或M-估计方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011610940.4A CN112729344B (zh) | 2020-12-30 | 2020-12-30 | 无需参照物的传感器外参标定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011610940.4A CN112729344B (zh) | 2020-12-30 | 2020-12-30 | 无需参照物的传感器外参标定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112729344A CN112729344A (zh) | 2021-04-30 |
CN112729344B true CN112729344B (zh) | 2022-09-13 |
Family
ID=75611786
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011610940.4A Active CN112729344B (zh) | 2020-12-30 | 2020-12-30 | 无需参照物的传感器外参标定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112729344B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113204039A (zh) * | 2021-05-07 | 2021-08-03 | 深圳亿嘉和科技研发有限公司 | 一种应用于机器人的rtk-gnss外参标定方法 |
CN113447948B (zh) * | 2021-05-28 | 2023-03-21 | 淮阴工学院 | 一种基于ros机器人的相机与多激光雷达融合方法 |
CN114440928A (zh) * | 2022-01-27 | 2022-05-06 | 杭州申昊科技股份有限公司 | 激光雷达与里程计的联合标定方法、机器人、设备和介质 |
CN115235527B (zh) * | 2022-07-20 | 2023-05-12 | 上海木蚁机器人科技有限公司 | 传感器外参标定方法、装置以及电子设备 |
CN116609743B (zh) * | 2023-07-17 | 2023-10-03 | 北京敏视达雷达有限公司 | 一种雷达标定方法及装置 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110288660B (zh) * | 2016-11-02 | 2021-05-25 | 北京信息科技大学 | 一种基于凸松弛全局优化算法的机器人手眼标定方法 |
CN109029433B (zh) * | 2018-06-28 | 2020-12-11 | 东南大学 | 一种移动平台上基于视觉和惯导融合slam的标定外参和时序的方法 |
CN109807937B (zh) * | 2018-12-28 | 2020-10-27 | 北京信息科技大学 | 一种基于自然场景的机器人手眼标定方法 |
CN111650598A (zh) * | 2019-02-19 | 2020-09-11 | 北京京东尚科信息技术有限公司 | 一种车载激光扫描系统外参标定方法和装置 |
CN111047652B (zh) * | 2020-03-13 | 2020-06-30 | 杭州蓝芯科技有限公司 | 一种快速的多tof相机外参标定方法和装置 |
CN111443337B (zh) * | 2020-03-27 | 2022-03-08 | 北京航空航天大学 | 一种基于手眼标定的雷达-imu标定方法 |
CN111739063B (zh) * | 2020-06-23 | 2023-08-18 | 郑州大学 | 一种基于多传感器融合的电力巡检机器人定位方法 |
CN111986271A (zh) * | 2020-09-04 | 2020-11-24 | 廊坊和易生活网络科技股份有限公司 | 一种基于光束平差的机器人方位与手眼关系同时标定方法 |
-
2020
- 2020-12-30 CN CN202011610940.4A patent/CN112729344B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112729344A (zh) | 2021-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112729344B (zh) | 无需参照物的传感器外参标定方法 | |
Wu et al. | Hand-eye calibration: 4-D procrustes analysis approach | |
CN111089585A (zh) | 一种基于传感器信息融合的建图及定位方法 | |
CN112183171A (zh) | 一种基于视觉信标建立信标地图方法、装置 | |
CN106595474A (zh) | 一种基于激光跟踪仪的双机器人基坐标系标定方法 | |
CN112184824A (zh) | 一种相机外参标定方法、装置 | |
CN111983620B (zh) | 一种面向水下机器人搜寻探摸的目标定位方法 | |
CN110969665A (zh) | 一种外参标定方法、装置、系统及机器人 | |
CN112815939A (zh) | 移动机器人的位姿估计方法及计算机可读存储介质 | |
US20200378793A1 (en) | Method for calibrating a multi-sensor system using an artificial neural network | |
CN114216456A (zh) | 一种基于imu与机器人本体参数融合的姿态测量方法 | |
Huang et al. | Consistent unscented incremental smoothing for multi-robot cooperative target tracking | |
Zhang et al. | On the comparison of gauge freedom handling in optimization-based visual-inertial state estimation | |
CN110967017B (zh) | 一种用于双移动机器人刚体协作搬运的协同定位方法 | |
CN111179351A (zh) | 一种参数标定方法及其装置、处理设备 | |
CN107167145B (zh) | 一种自适应非接触式失效卫星的形态参数测算方法 | |
CN112284381B (zh) | 视觉惯性实时初始化对准方法及系统 | |
CN111121818B (zh) | 一种无人车中相机与二维码的标定方法 | |
CN110632636B (zh) | 一种基于Elman神经网络的载体姿态估计方法 | |
Cucci et al. | On the development of a generic multi-sensor fusion framework for robust odometry estimation | |
Guo et al. | Intelligent assistance positioning methodology based on modified iSAM for AUV using low-cost sensors | |
Fuchs et al. | Advanced 3-D trailer pose estimation for articulated vehicles | |
CN111145267A (zh) | 基于imu辅助的360度全景视图多相机标定方法 | |
CN111578936B (zh) | 基于imm-ukf的惯性/超短基线多参数标定方法 | |
CN114047766A (zh) | 面向室内外场景长期应用的移动机器人数据采集系统及方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231129 Address after: Room 409, 4th Floor, Building 1, No. 6 Jinyuan 1st Road, Tangjiawan Town, High tech Zone, Zhuhai City, Guangdong Province, 519000 Patentee after: Zhuhai Hexin Big Data Technology Co.,Ltd. Address before: 519085 room 123, floor 1, building 21, No. 1, Jintang Road, Tangjiawan Town, Zhuhai City, Guangdong Province Patentee before: Zhuhai Lingnan University Data Research Institute Patentee before: Zhuhai Hexin Big Data Technology Co.,Ltd. |