CN112733971A - 扫描设备的位姿确定方法、装置、设备及存储介质 - Google Patents

扫描设备的位姿确定方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112733971A
CN112733971A CN202110363720.4A CN202110363720A CN112733971A CN 112733971 A CN112733971 A CN 112733971A CN 202110363720 A CN202110363720 A CN 202110363720A CN 112733971 A CN112733971 A CN 112733971A
Authority
CN
China
Prior art keywords
point
trunk
models
cloud data
pose
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
CN202110363720.4A
Other languages
English (en)
Other versions
CN112733971B (zh
Inventor
夏华夏
余丽
刘健
邱靖烨
申浩
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.)
Beijing Sankuai Online Technology Co Ltd
Original Assignee
Beijing Sankuai Online Technology Co Ltd
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 Beijing Sankuai Online Technology Co Ltd filed Critical Beijing Sankuai Online Technology Co Ltd
Priority to CN202110363720.4A priority Critical patent/CN112733971B/zh
Publication of CN112733971A publication Critical patent/CN112733971A/zh
Application granted granted Critical
Publication of CN112733971B publication Critical patent/CN112733971B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/757—Matching configurations of points or features
    • 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
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • 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
    • 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
    • G06T2207/30244—Camera pose
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种扫描设备的位姿确定方法、装置、设备及存储介质，属于导航技术领域。该方法包括：获取扫描设备对室外环境扫描得到的第i帧点云数据和第j帧点云数据，室外环境中包括树；对第i帧点云数据中的树干建模，得到m个第一树干模型；对第j帧点云数据中的树干建模，得到n个第二树干模型；对m个第一树干模型和n个第二树干模型进行匹配，得到匹配后的至少一对树干模型；基于至少一对树干模型对应的模型参数和树干点坐标，计算出扫描设备的位姿；i、j、m和n为正整数，i小于j。该方法能够有效的减少计算量，提高扫描设备的位姿计算效率，降低外界噪声对扫描设备的位姿计算精度的负面影响。

Description

扫描设备的位姿确定方法、装置、设备及存储介质
技术领域
本申请涉及导航技术领域，特别涉及一种扫描设备的位姿确定方法、装置、设备及存储介质。
背景技术
传统的车载激光雷达的位姿是从全球定位系统（Global Position System，GPS）+惯性传感器（Inertial Measurement Unit，IMU）后处理的位姿（pose）中插值得到，对GPS依赖性大。该系统在空旷的高速公路、平原等地能够提供厘米级精度的定位地图，但是在城市高楼、林荫路等信号易缺失的场景下，制图得到的定位地图上会出现重影，进而影响下游的自动化车道线提取和定位地图的精度。因此，需要加入优化位姿模块来提升定位地图的精度。
位姿优化算法中的一个核心是激光点云匹配。示例性的，经典的激光点云匹配是最近点迭代（Iterative Closest Point，ICP）算法，其通过求取源点云和目标点云之间的对应点对，基于对应点对构造旋转平移矩阵，利用上述旋转平移矩阵将源点云变换到目标点云的坐标系下，估计变换后源点云与目标点云的误差函数，若误差函数值大于阈值，则迭代进行上述运算直到满足给定的误差要求。
上述方法需要针对大量的点进行匹配，计算量大、效率低、易受外界噪声的影响，尤其是在室外自动驾驶场景下，易受动态车辆的噪声干扰。
发明内容
本申请实施例提供了一种扫描设备的位姿确定方法、装置、设备及存储介质，该方法能够有效的减少计算量，提高扫描设备的位姿计算效率，以及降低外界噪声对扫描设备的位姿计算精度的负面影响。所述技术方案如下。
根据本申请的一个方面，提供了一种扫描设备的位姿确定方法，该方法包括：
获取扫描设备对室外环境扫描得到的第i帧点云数据和第j帧点云数据，室外环境中包括树；
对第i帧点云数据中的树干建模，得到m个第一树干模型；以及对第j帧点云数据中的树干建模，得到n个第二树干模型；
对m个第一树干模型和n个第二树干模型进行匹配，得到匹配后的至少一对树干模型；
基于至少一对树干模型对应的模型参数和树干点坐标，计算出扫描设备的位姿；其中，i、j、m和n均为正整数，且i小于j。
根据本申请的另一个方面，提供了一种扫描设备的位姿确定装置，该装置包括：
获取模块，用于获取扫描设备对室外环境扫描得到的第i帧点云数据和第j帧点云数据，室外环境中包括树；
建模模块，用于对第i帧点云数据中的树干建模，得到m个第一树干模型；以及对第j帧点云数据中的树干建模，得到n个第二树干模型；
匹配模块，用于对m个第一树干模型和n个第二树干模型进行匹配，得到匹配后的至少一对树干模型；
计算模块，用于基于至少一对树干模型对应的模型参数和树干点坐标，计算出扫描设备的位姿；其中，i、j、m和n均为正整数，且i小于j。
根据本申请的另一方面，提供了一种计算机设备，上述计算机设备包括：处理器和存储器，上述存储器存储有计算机程序，上述计算机程序由上述处理器加载并执行以实现如上所述的扫描设备的位姿确定方法。
根据本申请的另一方面，提供了一种计算机可读存储介质，上述计算机可读存储介质中存储有计算机程序，上述计算机程序由处理器加载并执行以实现如上所述的扫描设备的位姿确定方法。
根据本申请的另一个方面，提供了一种计算机程序产品，上述计算机程序产品包括计算机指令，上述计算机指令存储在计算机可读存储介质中。计算机设备的处理器从上述计算机可读存储介质读取上述计算机指令，上述处理器执行上述计算机指令，使得上述计算机设备执行如上所述的扫描设备的位姿确定方法。
本申请实施例提供的技术方案带来的有益效果至少包括：
该方法在采集到点云数据之后，针对第i帧点云数据和第j帧点云数据中包含的树干上点进行建模，得到第i帧点云数据中的第一树干模型和第j帧点云数据中的第二树干模型，然后对第一树干模型和第二树干模型进行匹配计算，相对于大量点的匹配计算，树干模型之间的匹配计算大大降低了计算量，提高了扫描设备的位姿计算效率，且由于噪声点无法构建成为一个树干模型，因此对于树干模型匹配计算的影响十分有限，能够有效地提高扫描设备的位姿计算精度，尤其是在室外自动驾驶场景下，能够有效地屏蔽周围动态车辆的噪声干扰。
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他的附图。
图1示出了本申请一个示例性实施例提供的车载系统的结构示意图；
图2示出了本申请一个示例性实施例提供的扫描设备的位姿确定方法的流程图；
图3示出了本申请另一个示例性实施例提供的扫描设备的位姿确定方法的流程图；
图4示出了本申请一个示例性实施例提供的树干上点的确定过程的示意图；
图5示出了本申请一个示例性实施例提供的树干模型的确定过程的示意图；
图6示出了本申请一个示例性实施例提供的两帧点云数据上树干模型的示意图；
图7示出了本申请一个示例性实施例提供的两帧点云数据上共有树干模型的示意图；
图8示出了本申请一个示例性实施例提供的单帧点云数据上树干模型的示意图；
图9示出了本申请一个示例性实施例提供的高精点云地图的示意图；
图10示出了本申请一个示例性实施例提供的扫描设备的位姿确定装置的框图；
图11示出了本申请一个示例性实施例提供的计算机设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
首先对本申请涉及的几个名词进行介绍。
人工智能（Artificial Intelligence，AI）是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
自动驾驶技术是一种通过电脑系统实现机动车辆无人驾驶的技术，其依靠上述人工智能、视觉计算、雷达、监控装置和GPS协同合作，让电脑可以在没有任何人主动的操作下，自动安全地操作机动车辆。
点云数据，是指在三维坐标系统中的一组向量的集合。这些向量通常以x、y、z三维坐标的形式表示，而且一般主要用来代表一个物体的外表面形状。示例性的，Pk={xk,yk,zk}表示空间中的第k个点，Point Cloud={P1,P2,P3,…,Pv}表示一组点云数据，k、v为正整数。示例性的，上述点云数据是由三维扫描设备产生的，例如激光雷达（lidar）、立体摄像头（stereo camera）、飞行时间相机（time-of-flight camera）。
底图，是指在制图过程中，放在多个图层的最底部的图层，构成该底图的基本框架。反射值底图是指基于激光雷达的信号反射值构建的底图，它直接影响了高精定位地图的精度。
物体在空间具有6个自由度，即沿x、y、z三个直角坐标轴方向的移动自由度和绕这三个坐标轴的转动自由度，转动自由度分别为航向角、俯仰角和翻滚角。原有车载激光雷达直接采用GPS+IMU获得激光雷达的6个自由度的位姿，这一方法对GPS依赖度很大，在林荫路或者绕圈行驶时会出现位姿不准确的情况，导致反射值底图的构建存在重影，直接影响高精定位地图的精度，尤其是在自动驾驶的场景下，存在很大的安全隐患。
因此，需要加入优化位姿模块来提升定位地图的精度，而经典的ICP算法需要进行点云数据中大量点的匹配，来计算雷达的位姿，导致计算量大、效率低、易受外界噪声的影响等问题。尤其是在室外自动驾驶场景下，易受动态车辆的噪声干扰，甚至会导致匹配失败。为了解决上述问题，本申请提供了一种扫描设备的位姿确定方法，该方法的详细实现细节请参考以下实施例。
示例性的，上述扫描设备的位姿确定方法可以应用于车载系统中，请参考图1，示出了本申请实施例涉及的一种车载系统的示意图。该车载系统包括：全球导航卫星系统（Global Navigation Satellite System，GNSS）110、激光雷达120、IMU 130、摄像机140和主机电脑150。
对于原始数据的采集，GNSS 110用于记录车辆的位置信息，记录当前采集点的坐标；激光雷达120用于采集点云数据，能够对预设半径内的周围环境进行扫描；IMU 130用于捕获车辆的角度和加速度信息，以校正车辆的位置和角度；摄像机140用于采集路面标志、车道线等。
上述GNSS 110、激光雷达120、IMU 130和摄像机140分别与主机电脑150之间建立有通信连接，通过上述通信连接将采集得到的原始数据传输至主机电脑150。主机电脑150基于GNSS 110、激光雷达120、IMU 130和摄像机140采集的原始数据构建高精地图。示例性的，在高精地图的构建过程中，主机电脑150执行本申请提供的扫描设备的位姿确定方法，以确定激光雷达120的位姿，进而提升构建的高精地图的精度。
示例性的，主机电脑150获取激光雷达120对室外环境扫描得到的第i帧点云数据和第j帧点云数据；对第i帧点云数据中的树干建模，得到第i帧点云数据中的m个第一树干模型，以及对第j帧点云数据中的树干建模，得到第j帧点云数据中的n个第二树干模型；对m个第一树干模型和n个第二树干模型进行匹配，得到匹配后的至少一对树干模型；基于上述至少一对树干模型对应的模型参数和树干点坐标，计算出激光雷达120的位姿；其中，i、j、m和n均为正整数，且i小于j。之后主机电脑150可以基于激光雷达120的位姿构建高精地图，在高精地图的辅助下实现自动驾驶技术。
请参考图2，示出了本申请一个示例性实施例提供的扫描设备的位姿确定方法的流程图，该方法应用于图1所示的计算机设备（即主机电脑）中，该方法包括以下步骤。
步骤201，获取扫描设备对室外环境扫描得到的第i帧点云数据和第j帧点云数据，室外环境中包括树。
上述室外环境中包括树。示例性的，上述室外环境是指机动车道及周围的环境；扫描设备设置在机动车辆上，在机动车辆移动的过程中，扫描设备对机动车辆周围的室外环境进行扫描，相继得到第i帧点云数据和第j帧点云数据；扫描设备将采集得到的第i帧点云数据和第j帧点云数据传输至计算机设备，计算机设备即获得第i帧点云数据和第j帧点云数据，其中，i和j均为正整数，且i小于j。
示例性的，第i帧和第j帧可以是相邻帧；或者，第i帧和第j帧可以是相邻的关键帧；或者，第i帧和第j帧之间可以间隔u帧；或者，第i帧和第j帧可以是间隔u帧的关键帧，u为正整数。
步骤202，对第i帧点云数据中的树干建模，得到m个第一树干模型；以及对第j帧点云数据中的树干建模，得到n个第二树干模型。
示例性的，计算机设备从第i帧点云数据中确定出树干上点，基于树干上点构建第一树干模型，最终得到第i帧点云数据中存在的m个第一树干模型，以及从第j帧点云数据中确定出树干上点，基于树干上点构建第二树干模型，最终得到第j帧点云数据中存在的n个第二树干模型；其中，m和n均为正整数。
示例性的，计算机设备确定第i帧点云数据中的第一树干点坐标，基于第一树干点坐标计算树干的第一法向量和第一质心，基于第一法向量和第一质心构建第一树干模型；确定第j帧点云数据中的第二树干点坐标，基于第二树干点坐标计算树干的第二法向量和第二质心，基于第二法向量和第二质心构建第二树干模型。
步骤203，对m个第一树干模型和n个第二树干模型进行匹配，得到匹配后的至少一对树干模型。
计算机设备对m个第一树干模型和n个第二树干模型进行匹配，匹配出一一对应的至少一对树干模型。
可选地，计算机设备计算第一树干模型和第二树干模型之间的模型距离；将模型距离小于或者等于模型距离阈值的第一树干模型和第二树干模型确定为一对树干模型，最终匹配得到至少一对树干模型。
示例性的，若计算机设备确定出2个第一树干模型和2个第二树干模型，计算机设备计算第一树干模型0和第二树干模型0之间的模型距离00，若模型距离00小于或者等于模型距离阈值，将第一树干模型0和第二树干模型0确定为一对树干模型；继续计算第一树干模型1和第二树干模型1之间的模型距离11，若模型距离11小于或者等于模型距离阈值，将第一树干模型1和第二树干模型1确定为一对树干模型；
若模型距离00大于模型距离阈值，计算第一树干模型0和第二树干模型1之间的模型距离01，若模型距离01小于或者等于模型距离阈值，将第一树干模型0和第二树干模型1确定为一对树干模型；若模型距离01大于模型距离阈值，计算第一树干模型1和第二树干模型1之间的模型距离11，若模型距离11小于或者等于模型距离阈值，将第一树干模型1和第二树干模型1确定为一对树干模型。
示例性的，计算机设备中设置有模型距离阈值与车速之间的映射关系；计算机设备在匹配树干模型时，获取机动车辆的实际车速，基于上述映射关系确定出实际车速对应的模型距离阈值；之后再基于确定出的模型距离阈值对第一树干模型和第二树干模型进行匹配。由于机动车辆的车速影响树干在第i帧点云数据和第j帧点云数据上的位置移动距离，因此，对应车速设置模型距离阈值能够提高树干模型匹配的正确率。其中，车速与模型距离阈值之间存在正相关关系。
步骤204，基于至少一对树干模型对应的模型参数和树干点坐标，计算出扫描设备的位姿。
示例性的，至少一对树干模型对应的模型参数包括：第一树干模型的第一模型参数和第二树干模型的第二模型参数，至少一对树干模型对应的树干点坐标包括：第一树干模型对应的第一树干点坐标和第二树干模型对应的第二树干点坐标；计算机设备基于第一模型参数、第二模型参数、第一树干点坐标和第二树干点坐标计算扫描设备的位姿。
可选地，计算机设备基于至少一对树干模型对应的模型参数和树干点坐标，计算扫描设备的线性估计位姿作为先验位姿；构建后验位姿与先验位姿之间的残差距离函数；基于残差距离函数计算最小残差距离对应的后验位姿作为扫描设备的位姿。
示例性的，计算机设备采用奇异值分解（Singular Value Decomposition，SVD）的方式计算扫描设备的线性估计位姿，首先，第一树干点坐标的点云集合X={x1,x2,…,xa,…,xN}，第二树干点坐标的点云集合Y={y1,y2,…,ya…,yN }，其中，xa和ya是对应的点，a为正整数，N为正整数，确定点云集合X对应的中心点
Figure 293759DEST_PATH_IMAGE001
和点云集合Y对应的中心点
Figure 742057DEST_PATH_IMAGE002
，公式如下：
Figure 454885DEST_PATH_IMAGE003
；
Figure 115673DEST_PATH_IMAGE004
；
之后计算协方差矩阵H，公式如下：
Figure 336570DEST_PATH_IMAGE005
；
最终进行SVD分解，得到先验矩阵
Figure 690191DEST_PATH_IMAGE006
，公式如下：
Figure 613017DEST_PATH_IMAGE007
；
Figure 343075DEST_PATH_IMAGE008
；
Figure 418479DEST_PATH_IMAGE009
；
Figure 943001DEST_PATH_IMAGE010
；
其中，SO(3)是包含旋转矩阵R的一种特殊的正交群，可以称之为三维旋转群；I是单位矩阵；R是旋转矩阵；T是位移矩阵。
继续构建后验位姿
Figure 353123DEST_PATH_IMAGE011
与先验位姿
Figure 621293DEST_PATH_IMAGE012
之间的残差距离函数，公式如下：
Figure 285623DEST_PATH_IMAGE013
；
最小化残差距离
Figure 246626DEST_PATH_IMAGE014
，寻找两帧点云数据之间的特征对应关系，优化公式如下：
Figure 144044DEST_PATH_IMAGE015
；
其中，Xi和Yj为根据模型距离阈值选择的匹配点云对，且（Xi,Yj）是采用最远点采样法（Farthest Point Sampling，FPS）获得的点云对，a表示第a棵树，
Figure 950326DEST_PATH_IMAGE016
表示第a棵树在第i帧点云数据上的位姿，
Figure 322DEST_PATH_IMAGE017
表示第a棵树在第j帧点云数据上的法向量；最终，将最小
Figure 866646DEST_PATH_IMAGE018
对应的后验位姿确定为扫描设备的位姿。
综上所述，本实施例提供的扫描设备的位姿确定方法，在采集到点云数据之后，针对第i帧点云数据和第j帧点云数据中包含的树干上点进行建模，得到第i帧点云数据中的第一树干模型和第j帧点云数据中的第二树干模型，然后对第一树干模型和第二树干模型进行匹配计算，相对于大量点的匹配计算，树干模型之间的匹配计算大大降低了计算量，提高了扫描设备的位姿计算效率，且由于噪声点无法构建成为一个树干模型，因此对于树干模型匹配计算的影响十分有限，能够有效地提高扫描设备的位姿计算精度，尤其是在室外自动驾驶场景下，能够有效地屏蔽周围动态车辆的噪声干扰。
对于上述树干的建模，首先需要确定出点云数据中树干上点，之后基于树干上点进行建模，示例性的，上述步骤202可以通过以下步骤2021至步骤2026来实现，如图3，步骤如下所示。
步骤2021，从第i帧点云数据中提取第一树干的第一边缘点。
计算机设备计算第i帧点云数据中第k-1个点与第k个点之间的第一向量，以及第k个点与第k+1个点之间的第二向量；计算第一向量与第二向量之间的第一深度差和第一角度；当第一深度差大于或者等于深度差阈值且第一角度大于或者等于角度阈值时，将第k个点确定为第一树干的第一边缘点，k为正整数。
步骤2022，对第一边缘点的邻近点进行平滑性检测，确定第一树干的第一中间点和第二边缘点。
计算机设备计算第k+b个点与第k+(b+1)个点之间的第五向量；计算第二向量与第五向量之间的第三深度差和第三角度；当第三深度差小于检测差值阈值且第三角度小于检测角度阈值时，将第k+b个点确定为第一树干的一个第一中间点；当第三深度差大于或者等于深度差阈值且第三角度大于或者等于角度阈值时，将第k+b个点确定为第一树干的第二边缘点；b为正整数。其中，上述检测差值阈值等于或者小于深度差阈值，上述检测角度阈值等于或者小于角度阈值。其中，第一边缘点和第二边缘点是第一树干的两侧边缘点。
示例性的，以检测差值阈值等于深度差阈值，且检测角度阈值等于角度阈值为例，如图4，计算机设备计算点Ck-1与Ck之间的第一向量
Figure 861147DEST_PATH_IMAGE019
，以及点Ck与Ck+1之间的第二向量
Figure 595754DEST_PATH_IMAGE020
，确定
Figure 624890DEST_PATH_IMAGE019
与
Figure 537482DEST_PATH_IMAGE020
满足以下公式，则点Ck即为第一树干的第一边缘点：
Figure 19279DEST_PATH_IMAGE021
；
Figure 557577DEST_PATH_IMAGE022
；
其中，
Figure 441219DEST_PATH_IMAGE023
是深度差阈值，
Figure 790292DEST_PATH_IMAGE024
是角度阈值；计算点Ck+1与Ck+2之间的第五向量
Figure 759385DEST_PATH_IMAGE025
，确定
Figure 445581DEST_PATH_IMAGE020
与
Figure 573943DEST_PATH_IMAGE026
满足以下公式，则点Ck+1即为第一树干的第一中间点：
Figure 218551DEST_PATH_IMAGE027
；
Figure 284727DEST_PATH_IMAGE028
。
步骤2023，基于第一边缘点、第一中间点和第二边缘点构建m个第一树干模型。
计算机设备针对每一组第一候选点集合，确定第一候选点集合中第一边缘点、第一中间点和第二边缘点符合树干上点所需满足的预设条件，将第一候选点集合确定为第一树干点集合；对至少两个第一树干点集合进行合并，得到合并后的第一树干点集合；基于合并后的第一树干点集合确定第一树干的第一法向量和第一质心；基于第一法向量和第一质心构建第一树干模型。
可选地，上述预设条件包括以下至少一项：
第w个候选点集合中点到第一中心点的所有第一距离相等，第一中心点是指第w个候选点集合中点对应的质心，w为正整数；
两两第一距离之间的差值小于或者等于第一阈值；
第w+1候选点集合中点到第二中心点的第二距离等于第一距离，第二中心点是指第w+1个候选点集合中点对应的质心，第w+1候选点集合中点连线与第w候选点集合中点连线相邻；
第二距离和第一距离之间的差值小于或者等于第二阈值，或者，第二距离和所有第一距离的平均值之间的差值小于或者等于第二阈值；
第w个候选点集合中两个边缘点之间的第三距离，与第w+1个候选点集合中两个边缘点之间的第四距离相等，或者，第三距离与第四距离之间的差值小于距离阈值；
至少两个中心点位于同一直线上，中心点是指候选点集合中点对应的质心。
示例性的，如图5，以对一个树干模型的构建为例，计算机设备在确定出候选点集合301之后，计算候选点集合301中的5个点的中心点，计算集合中每一个点到中心点的第一距离，确定候选点集合301对应的所有第一距离相等，则将候选点集合301确定为树干点集合；继续地，在确定出候选点集合302之后，计算候选点集合302中5个点的中心点，计算集合中每一个点到中心点的第二距离，确定第二距离等于第一距离，则将候选点集合302确定为树干点集合，并将上述两个集合合并，以此类推，最终得到树干上点的集合；基于所有树干上点计算树干的第一法向量和第一质心，基于上述第一法向量和第一质心构建第一树干模型。
步骤2024，从第j帧点云数据中提取第二树干的第三边缘点。
计算机设备计算第j帧点云数据中第s-1个点与第s个点之间的第三向量，以及第s个点与第s+1个点之间的第四向量；计算第三向量与第四向量之间的第二深度差和第二角度；当第二深度差大于或者等于深度差阈值且第二角度大于或者等于角度阈值时，将第s个点确定为第二树干的第三边缘点，s为正整数。
步骤2025，对第三边缘点的邻近点进行平滑性检测，确定第二树干的第二中间点和第四边缘点。
计算机设备计算第s+b个点与第s+(b+1)个点之间的第六向量；计算第四向量与第六向量之间的第四深度差和第四角度；当第四深度差小于检测差值阈值且第四角度小于检测角度阈值时，将第s+b个点确定为第二树干的一个第二中间点；当第四深度差大于或者等于深度差阈值且第四角度大于或者等于角度阈值时，将第s+b个点确定为第二树干的第四边缘点；b为正整数。其中，第三边缘点和第四边缘点是第二树干的两侧边缘点。
步骤2024和步骤2025的详细计算步骤请参考上述对步骤2021和步骤2022的计算说明，在此不再加以赘述。
步骤2026，基于第三边缘点、第二中间点和第四边缘点构建n个第二树干模型。
计算机设备针对每一组第二候选点集合，确定第二候选点集合中第三边缘点、第二中间点和第四边缘点符合预设条件，将第二候选点集合确定为第二树干点集合；对至少两个第二树干点集合进行合并，得到合并后的第二树干点集合；基于合并后的第二树干点集合确定第二树干的第二法向量和第二质心；基于第二法向量和第二质心构建第二树干模型。
需要说明的是，第二树干模型的构建说明请参考第一树干模型的构建说明，在此不再加以赘述。另外，本实施例中对步骤2021至步骤2023所示的对第i帧点云数据中树干模型的构建过程，与步骤2024至步骤2026所示的对第j帧点云数据中树干模型的构建过程的执行先后顺序不加以限定，图3中仅是以二者并行执行为例进行示出。
综上所述，本实施例提供的扫描设备的位姿确定方法，在对点云数据中树的识别过程中，仅针对树干进行识别以及模型构建，能够避免树枝和树叶的识别容易引入噪声的情况，干扰对树的准确识别，影响树的匹配的准确性，进而影响扫描设备的位姿计算的准确性。
示例性的，如表1，对广义最近点迭代（Generalized ICP，GICP）方式和本申请提供的方式（基于特征的匹配方式）下进行高精点云地图生成时的效率对比，在没有降采样的情况下，每300对（pair）匹配的平均耗时，GICP需要花费945.006毫秒（ms），本申请提供的方式需要花费220.835ms，比经典的GICP方式效率提升了5倍；GICP即便加入下采样0.2米（m）的处理，需要花费的时间为382.538ms，仍比本申请提供的方式所需花费时间长。
Figure 40194DEST_PATH_IMAGE029
本申请提供的方式还可以精准的确定出树干模型，如图6，示出了第i帧和第j帧点云数据中的树干模型，在图中用树干上中心点连线表示，对两帧合并后则如图7所示，树干上中心点连线示出了两帧点云数据中共有的树干模型；如图8，则示出了单帧点云数据的树干提取效果，可以清楚的分辨出点云数据中的树干模型。进一步地，可以基于上述树干模型制图，生成高精点云地图，如图9所示，展示了基于上述树干自动提取匹配方式制图，最终得到的高精点云地图。
图10示出了本申请一个示例性实施例提供的扫描设备的位姿确定装置的框图，该装置可以通过软件、硬件、或者二者结合实现成为计算机设备的部分或者全部。该装置包括：
获取模块401，用于获取扫描设备对室外环境扫描得到的第i帧点云数据和第j帧点云数据，室外环境中包括树；
建模模块402，用于对第i帧点云数据中的树干建模，得到m个第一树干模型；以及对第j帧点云数据中的树干建模，得到n个第二树干模型；
匹配模块403，用于对m个第一树干模型和n个第二树干模型进行匹配，得到匹配后的至少一对树干模型；
计算模块404，用于基于至少一对树干模型对应的模型参数和树干点坐标，计算出扫描设备的位姿；其中，i、j、m和n均为正整数，且i小于j。
在一些实施例中，建模模块402，用于：
从第i帧点云数据中提取第一树干的第一边缘点；
对第一边缘点的邻近点进行平滑性检测，确定第一树干的第一中间点和第二边缘点；
基于第一边缘点、第一中间点和第二边缘点构建m个第一树干模型。
在一些实施例中，建模模块402，用于：
针对每一组第一候选点集合，确定第一候选点集合中第一边缘点、第一中间点和第二边缘点符合树干上点所需满足的预设条件，将第一候选点集合确定为第一树干点集合；
对至少两个第一树干点集合进行合并，得到合并后的第一树干点集合；
基于合并后的第一树干点集合确定第一树干的第一法向量和第一质心；
基于第一法向量和第一质心构建第一树干模型。
在一些实施例中，建模模块402，用于：
计算第i帧点云数据中第k-1个点与第k个点之间的第一向量，以及第k个点与第k+1个点之间的第二向量；
计算第一向量与第二向量之间的第一深度差和第一角度；
当第一深度差大于深度差阈值且第一角度大于角度阈值时，将第k个点确定为第一边缘点，k为正整数。
在一些实施例中，建模模块402，用于：
从第j帧点云数据中提取第二树干的第三边缘点；
对第三边缘点的邻近点进行平滑性检测，确定第二树干的第二中间点和第四边缘点；
基于第三边缘点、第二中间点和第四边缘点构建n个第二树干模型。
在一些实施例中，建模模块402，用于：
针对每一组第二候选点集合，确定第二候选点集合中第三边缘点、第二中间点和第四边缘点符合树干上点所需满足的预设条件，将第二候选点集合确定为第二树干点集合；
对至少两个第二树干点集合进行合并，得到合并后的第二树干点集合；
基于合并后的第二树干点集合确定第二树干的第二法向量和第二质心；
基于第二法向量和第二质心构建第二树干模型。
在一些实施例中，建模模块402，用于：
计算第j帧点云数据中第s-1个点与第s个点之间的第三向量，以及第s个点与第s+1个点之间的第四向量；
计算第三向量与第四向量之间的第二深度差和第二角度；
当第二深度差大于深度差阈值且第二角度大于角度阈值时，将第s个点确定为第三边缘点，s为正整数。
在一些实施例中，预设条件包括以下至少一项：
第w个候选点集合中点到第一中心点的所有第一距离相等，第一中心点是指第w个候选点集合中点对应的质心，w为正整数；
第w+1候选点集合中点到第二中心点的第二距离等于第一距离，第二中心点是指第w+1个候选点集合中点对应的质心；
第w个候选点集合中两个边缘点之间的第三距离，与第w+1个候选点集合中两个边缘点之间的第四距离相等，或者，第三距离与第四距离之间的差值小于距离阈值；
至少两个中心点位于同一直线上，中心点是指候选点集合中点对应的质心。
在一些实施例中，计算模块404，用于：
基于至少一对树干模型对应的模型参数和树干点坐标，计算扫描设备的线性估计位姿作为先验位姿；
构建后验位姿与先验位姿之间的残差距离函数；
基于残差距离函数计算最小残差距离对应的后验位姿作为扫描设备的位姿。
在一些实施例中，匹配模块403，用于：
计算第一树干模型和第二树干模型之间的模型距离；
将模型距离小于模型距离阈值的第一树干模型和第二树干模型确定为一对树干模型，最终匹配得到至少一对树干模型。
综上所述，本实施例提供的扫描设备的位姿确定装置，在采集到点云数据之后，针对第i帧点云数据和第j帧点云数据中包含的树干上点进行建模，得到第i帧点云数据中的第一树干模型和第j帧点云数据中的第二树干模型，然后对第一树干模型和第二树干模型进行匹配计算，相对于大量点的匹配计算，树干模型之间的匹配计算大大降低了计算量，提高了扫描设备的位姿计算效率，且由于噪声点无法构建成为一个树干模型，因此对于树干模型匹配计算的影响十分有限，能够有效地提高扫描设备的位姿计算精度，尤其是在室外自动驾驶场景下，能够有效地屏蔽周围动态车辆的噪声干扰。
图11示出了本申请一个示例性实施例提供的计算机设备的结构示意图。该计算机设备可以是执行如本申请提供的扫描设备的位姿确定方法的设备。
计算机设备500包括中央处理单元（CPU，Central Processing Unit）501、包括随机存取存储器（RAM，Random Access Memory）502和只读存储器（ROM，Read Only Memory）503的系统存储器504，以及连接系统存储器504和中央处理单元501的系统总线505。计算机设备500还包括帮助计算机内的各个器件之间传输信息的基本输入/输出系统（I/O系统，Input Output System）506，和用于存储操作系统513、应用程序514和其他程序模块515的大容量存储设备507。
基本输入/输出系统506包括有用于显示信息的显示器508和用于用户输入信息的诸如鼠标、键盘之类的输入设备509。其中显示器508和输入设备509都通过连接到系统总线505的输入输出控制器510连接到中央处理单元501。基本输入/输出系统506还可以包括输入输出控制器510以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地，输入输出控制器510还提供输出到显示屏、打印机或其他类型的输出设备。
大容量存储设备507通过连接到系统总线505的大容量存储控制器（未示出）连接到中央处理单元501。大容量存储设备507及其相关联的计算机可读介质为计算机设备500提供非易失性存储。也就是说，大容量存储设备507可以包括诸如硬盘或者紧凑型光盘只读存储器（CD-ROM，Compact Disc Read Only Memory）驱动器之类的计算机可读介质（未示出）。
计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、可擦除可编程只读存储器（EPROM，Erasable Programmable Read Only Memory）、带电可擦可编程只读存储器（EEPROM, Electrically Erasable Programmable Read Only Memory）、闪存或其他固态存储其技术，CD-ROM、数字通用光盘（DVD，Digital Versatile Disc）或固态硬盘（SSD，Solid State Drives）、其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。其中，随机存取记忆体可以包括电阻式随机存取记忆体（ReRAM，Resistance RandomAccess Memory）和动态随机存取存储器（DRAM，Dynamic Random Access Memory）。当然，本领域技术人员可知计算机存储介质不局限于上述几种。上述的系统存储器504和大容量存储设备507可以统称为存储器。
根据本申请的各种实施例，计算机设备500还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即计算机设备500可以通过连接在系统总线505上的网络接口单元511连接到网络512，或者说，也可以使用网络接口单元511来连接到其他类型的网络或远程计算机系统（未示出）。
上述存储器还包括一个或者一个以上的程序，一个或者一个以上程序存储于存储器中，被配置由CPU执行。
在一个可选的实施例中，提供了一种计算机设备，该计算机设备包括处理器和存储器，存储器中存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现如上所述的扫描设备的位姿确定方法。
在一个可选的实施例中，提供了一种计算机可读存储介质，该存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现如上所述的扫描设备的位姿确定方法。
可选地，该计算机可读存储介质可以包括：只读存储器（ROM，Read Only Memory）、随机存取记忆体（RAM，Random Access Memory）、固态硬盘（SSD，Solid State Drives）或光盘等。其中，随机存取记忆体可以包括电阻式随机存取记忆体（ReRAM，Resistance RandomAccess Memory）和动态随机存取存储器（DRAM，Dynamic Random Access Memory）。上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
本申请还提供一种计算机可读存储介质，该存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，该至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述各方法实施例提供的扫描设备的位姿确定方法。
本申请还提供了一种计算机程序产品，上述计算机程序产品包括计算机指令，上述计算机指令存储在计算机可读存储介质中。计算机设备的处理器从上述计算机可读存储介质读取上述计算机指令，上述处理器执行上述计算机指令，使得上述计算机设备执行如上所述的扫描设备的位姿确定方法。
应当理解的是，在本文中提及的“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本申请的可选实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (13)

1.一种扫描设备的位姿确定方法，其特征在于，所述方法包括：
获取扫描设备对室外环境扫描得到的第i帧点云数据和第j帧点云数据，所述室外环境中包括树；
对所述第i帧点云数据中的树干建模，得到m个第一树干模型；以及对所述第j帧点云数据中的树干建模，得到n个第二树干模型；
对所述m个第一树干模型和所述n个第二树干模型进行匹配，得到匹配后的至少一对树干模型；
基于所述至少一对树干模型对应的模型参数和树干点坐标，计算出所述扫描设备的位姿；其中，i、j、m和n均为正整数，且i小于j。
2.根据权利要求1所述的方法，其特征在于，所述对所述第i帧点云数据中的树干建模，得到m个第一树干模型，包括：
从所述第i帧点云数据中提取第一树干的第一边缘点；
对所述第一边缘点的邻近点进行平滑性检测，确定所述第一树干的第一中间点和第二边缘点；
基于所述第一边缘点、所述第一中间点和所述第二边缘点构建所述m个第一树干模型。
3.根据权利要求2所述的方法，其特征在于，所述基于所述第一边缘点、所述第一中间点和所述第二边缘点构建所述m个第一树干模型，包括：
针对每一组第一候选点集合，确定所述第一候选点集合中第一边缘点、第一中间点和第二边缘点符合树干上点所需满足的预设条件，将所述第一候选点集合确定为第一树干点集合；
对至少两个所述第一树干点集合进行合并，得到合并后的第一树干点集合；
基于所述合并后的第一树干点集合确定所述第一树干的第一法向量和第一质心；
基于所述第一法向量和所述第一质心构建所述第一树干模型。
4.根据权利要求2所述的方法，其特征在于，所述从所述第i帧点云数据中提取第一树干的第一边缘点，包括：
计算所述第i帧点云数据中第k-1个点与第k个点之间的第一向量，以及所述第k个点与第k+1个点之间的第二向量；
计算所述第一向量与所述第二向量之间的第一深度差和第一角度；
当所述第一深度差大于深度差阈值且所述第一角度大于角度阈值时，将所述第k个点确定为所述第一边缘点，k为正整数。
5.根据权利要求1所述的方法，其特征在于，所述对所述第j帧点云数据中的树干建模，得到n个第二树干模型，包括：
从所述第j帧点云数据中提取第二树干的第三边缘点；
对所述第三边缘点的邻近点进行平滑性检测，确定所述第二树干的第二中间点和第四边缘点；
基于所述第三边缘点、所述第二中间点和所述第四边缘点构建所述n个第二树干模型。
6.根据权利要求5所述的方法，其特征在于，所述基于所述第三边缘点、所述第二中间点和所述第四边缘点构建所述n个第二树干模型，包括：
针对每一组第二候选点集合，确定所述第二候选点集合中第三边缘点、第二中间点和第四边缘点符合树干上点所需满足的预设条件，将所述第二候选点集合确定为第二树干点集合；
对至少两个所述第二树干点集合进行合并，得到合并后的第二树干点集合；
基于所述合并后的第二树干点集合确定所述第二树干的第二法向量和第二质心；
基于所述第二法向量和所述第二质心构建所述第二树干模型。
7.根据权利要求5所述的方法，其特征在于，所述从所述第j帧点云数据中提取第二树干的第三边缘点，包括：
计算所述第j帧点云数据中第s-1个点与第s个点之间的第三向量，以及所述第s个点与第s+1个点之间的第四向量；
计算所述第三向量与所述第四向量之间的第二深度差和第二角度；
当所述第二深度差大于深度差阈值且所述第二角度大于角度阈值时，将所述第s个点确定为所述第三边缘点，s为正整数。
8.根据权利要求3或6所述的方法，其特征在于，所述预设条件包括以下至少一项：
第w个候选点集合中点到第一中心点的所有第一距离相等，所述第一中心点是指所述第w个候选点集合中点对应的质心，w为正整数；
第w+1候选点集合中点到第二中心点的第二距离等于所述第一距离，所述第二中心点是指所述第w+1个候选点集合中点对应的质心；
所述第w个候选点集合中两个边缘点之间的第三距离，与所述第w+1个候选点集合中两个边缘点之间的第四距离相等，或者，所述第三距离与所述第四距离之间的差值小于距离阈值；
至少两个中心点位于同一直线上，所述中心点是指候选点集合中点对应的质心。
9.根据权利要求1至7任一所述的方法，其特征在于，所述基于所述至少一对树干模型对应的模型参数和树干点坐标，计算出所述扫描设备的位姿，包括：
基于所述至少一对树干模型对应的模型参数和树干点坐标，计算所述扫描设备的线性估计位姿作为先验位姿；
构建后验位姿与所述先验位姿之间的残差距离函数；
基于所述残差距离函数计算最小残差距离对应的后验位姿作为所述扫描设备的位姿。
10.根据权利要求1至7任一所述的方法，其特征在于，所述对所述m个第一树干模型和所述n个第二树干模型进行匹配，得到匹配后的至少一对树干模型，包括：
计算所述第一树干模型和所述第二树干模型之间的模型距离；
将所述模型距离小于模型距离阈值的第一树干模型和第二树干模型确定为一对树干模型，最终匹配得到所述至少一对树干模型。
11.一种扫描设备的位姿确定装置，其特征在于，所述装置包括：
获取模块，用于获取扫描设备对室外环境扫描得到的第i帧点云数据和第j帧点云数据，所述室外环境中包括树；
建模模块，用于对所述第i帧点云数据中的树干建模，得到m个第一树干模型；以及对所述第j帧点云数据中的树干建模，得到n个第二树干模型；
匹配模块，用于对所述m个第一树干模型和所述n个第二树干模型进行匹配，得到匹配后的至少一对树干模型；
计算模块，用于基于所述至少一对树干模型对应的模型参数和树干点坐标，计算出所述扫描设备的位姿；其中，i、j、m和n均为正整数，且i小于j。
12.一种计算机设备，其特征在于，所述计算机设备包括：处理器和存储器，所述存储器存储有计算机程序，所述计算机程序由所述处理器加载并执行以实现如权利要求1至10任一所述的扫描设备的位姿确定方法。
13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序由处理器加载并执行以实现如权利要求1至10任一所述的扫描设备的位姿确定方法。
CN202110363720.4A 2021-04-02 2021-04-02 扫描设备的位姿确定方法、装置、设备及存储介质 Active CN112733971B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110363720.4A CN112733971B (zh) 2021-04-02 2021-04-02 扫描设备的位姿确定方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110363720.4A CN112733971B (zh) 2021-04-02 2021-04-02 扫描设备的位姿确定方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN112733971A true CN112733971A (zh) 2021-04-30
CN112733971B CN112733971B (zh) 2021-11-16

Family

ID=75596418

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110363720.4A Active CN112733971B (zh) 2021-04-02 2021-04-02 扫描设备的位姿确定方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112733971B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113503883A (zh) * 2021-06-22 2021-10-15 北京三快在线科技有限公司 采集用于构建地图的数据的方法、存储介质及电子设备
JP2022504787A (ja) * 2018-10-31 2022-01-13 ルノー エス．ア．エス． 自動車両の移動ベクトルを決定するための方法、車両の速度を判断するための方法、および関連する車両

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101726255A (zh) * 2008-10-24 2010-06-09 中国科学院光电研究院 从三维激光点云数据中提取感兴趣建筑物的方法
CN108228798A (zh) * 2017-12-29 2018-06-29 百度在线网络技术（北京）有限公司 确定点云数据之间的匹配关系的方法和装置
US20190011566A1 (en) * 2017-07-04 2019-01-10 Baidu Online Network Technology (Beijing) Co., Ltd. Method and apparatus for identifying laser point cloud data of autonomous vehicle
CN111105435A (zh) * 2018-10-25 2020-05-05 北京嘀嘀无限科技发展有限公司 标志物匹配方法、装置及终端设备
CN112130165A (zh) * 2020-09-15 2020-12-25 北京三快在线科技有限公司 一种定位方法、装置、介质及无人设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101726255A (zh) * 2008-10-24 2010-06-09 中国科学院光电研究院 从三维激光点云数据中提取感兴趣建筑物的方法
US20190011566A1 (en) * 2017-07-04 2019-01-10 Baidu Online Network Technology (Beijing) Co., Ltd. Method and apparatus for identifying laser point cloud data of autonomous vehicle
CN108228798A (zh) * 2017-12-29 2018-06-29 百度在线网络技术（北京）有限公司 确定点云数据之间的匹配关系的方法和装置
CN111105435A (zh) * 2018-10-25 2020-05-05 北京嘀嘀无限科技发展有限公司 标志物匹配方法、装置及终端设备
CN112130165A (zh) * 2020-09-15 2020-12-25 北京三快在线科技有限公司 一种定位方法、装置、介质及无人设备

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2022504787A (ja) * 2018-10-31 2022-01-13 ルノー エス．ア．エス． 自動車両の移動ベクトルを決定するための方法、車両の速度を判断するための方法、および関連する車両
JP7166447B2 (ja) 2018-10-31 2022-11-07 ルノー エス．ア．エス． 自動車両の移動ベクトルを決定するための方法、車両の速度を判断するための方法、および関連する車両
CN113503883A (zh) * 2021-06-22 2021-10-15 北京三快在线科技有限公司 采集用于构建地图的数据的方法、存储介质及电子设备
CN113503883B (zh) * 2021-06-22 2022-07-19 北京三快在线科技有限公司 采集用于构建地图的数据的方法、存储介质及电子设备

Also Published As

Publication number Publication date
CN112733971B (zh) 2021-11-16

Similar Documents

Publication Publication Date Title
CN108550318B (zh) 一种构建地图的方法及装置
US9990736B2 (en) Robust anytime tracking combining 3D shape, color, and motion with annealed dynamic histograms
CN110675307B (zh) 基于vslam的3d稀疏点云到2d栅格图的实现方法
JP7086111B2 (ja) 自動運転車のｌｉｄａｒ測位に用いられるディープラーニングに基づく特徴抽出方法
JP7256758B2 (ja) 自動運転車両においてｒｎｎとｌｓｔｍを用いて時間平滑化を行うｌｉｄａｒ測位
CN112419494B (zh) 用于自动驾驶的障碍物检测、标记方法、设备及存储介质
CN111429574A (zh) 基于三维点云和视觉融合的移动机器人定位方法和系统
JP2021515724A (ja) 自動運転車において３ｄｃｎｎネットワークを用いてソリューション推断を行うｌｉｄａｒ測位
CN112639502A (zh) 机器人位姿估计
CN111488812B (zh) 障碍物位置识别方法、装置、计算机设备和存储介质
CN112733971B (zh) 扫描设备的位姿确定方法、装置、设备及存储介质
CN113916243A (zh) 目标场景区域的车辆定位方法、装置、设备和存储介质
CN110487286B (zh) 基于点特征投影与激光点云融合的机器人位姿判断方法
CN116255992A (zh) 一种同时定位与建图的方法和装置
CN111145251A (zh) 一种机器人及其同步定位与建图方法和计算机存储设备
CN111126116A (zh) 无人船河道垃圾识别方法及系统
CN114549738A (zh) 无人车室内实时稠密点云重建方法、系统、设备及介质
CN113592015B (zh) 定位以及训练特征匹配网络的方法和装置
CN114577196A (zh) 使用光流的激光雷达定位
Kang et al. 3D reconstruction & assessment framework based on affordable 2D Lidar
CN116523970A (zh) 基于二次隐式匹配的动态三维目标跟踪方法及装置
Yin et al. Synchronous adversarial feature learning for lidar based loop closure detection
CN114140497A (zh) 目标车辆3d实时追踪方法及系统
CN116762094A (zh) 数据处理方法和设备
Le Barz et al. Absolute geo-localization thanks to Hidden Markov Model and exemplar-based metric learning

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