CN112734851B - 一种位姿确定的方法以及装置 - Google Patents
一种位姿确定的方法以及装置 Download PDFInfo
- Publication number
- CN112734851B CN112734851B CN202110329609.3A CN202110329609A CN112734851B CN 112734851 B CN112734851 B CN 112734851B CN 202110329609 A CN202110329609 A CN 202110329609A CN 112734851 B CN112734851 B CN 112734851B
- Authority
- CN
- China
- Prior art keywords
- image data
- pose
- reference image
- unmanned equipment
- unmanned
- 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
- 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
- G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
Abstract
本说明书公开了一种位姿确定的方法以及装置,获取无人驾驶设备采集到的环境图像数据,针对确定出的与环境图像数据相匹配的每个参照图像数据,以该参照图像数据对应的实际位姿为基础,预测无人驾驶设备采集环境图像数据时的位姿,作为无人驾驶设备在该参照图像数据下的预测位姿,其次,根据无人驾驶设备在该参照图像数据下的预测位姿,以及其他参照图像数据对应的实际位姿,确定该参照图像数据的位姿偏差表征信息。最后,从各参照图像数据中选取目标图像数据,确定无人驾驶设备采集环境图像数据时的位姿。本方法通过确定各参照图像数据中准确性最高的参照图像数据,有效地提高了确定出的无人驾驶设备采集环境图像数据时的位姿的准确性。
Description
技术领域
本说明书涉及计算机技术领域,尤其涉及一种位姿确定的方法以及装置。
背景技术
目前,在无人驾驶的技术领域中,通常通过无人驾驶设备采集到的图像,确定出无人驾驶设备的位姿数据,再通过确定出的位姿数据,对无人驾驶设备进行路径规划和环境感知。
在现有技术中,数据库中保存有指定采集设备采集的大量图像,并且,数据库中还记录有每个图像对应的实际位姿,对于任意一个图像来说,该图像对应的实际位姿即为指定采集设备采集该图像时的实际位姿。基于此,在确定无人驾驶设备位姿的过程中,可以从数据库中搜索与无人驾驶设备采集到的环境图像最相似的图像,再通过图像分析,确定出采集该环境图像时的无人驾驶设备与采集相似图像时的无人驾驶设备之间的相对位姿。最终,通过确定出的该相对位姿,以及数据库中记录的该相似图像对应的实际位姿,得到无人驾驶设备采集该环境图像时的位姿。
然而在上述方法中,在数据库中搜索出的图像可能与采集到的环境图像并不相关,导致得到的相对位姿在数据上误差很大,并最终导致无人驾驶设备确定出的采集该环境图像时的位姿准确性较低。
因此,如何能够有效地提高位姿数据的准确性,则是一个亟待解决的问题。
发明内容
本说明书提供一种位姿确定的方法、装置、存储介质及电子设备,以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案:
本说明书提供了一种位姿确定的方法,包括:
获取无人驾驶设备采集到的环境图像数据;
针对确定出的与所述环境图像数据相匹配的每个参照图像数据,以该参照图像数据对应的实际位姿为基础,预测所述无人驾驶设备采集所述环境图像数据时的位姿,作为所述无人驾驶设备在该参照图像数据下的预测位姿;
根据所述无人驾驶设备在该参照图像数据下的预测位姿,以及其他参照图像数据对应的实际位姿,确定该参照图像数据的位姿偏差表征信息,所述位姿偏差表征信息用于表征在以所述无人驾驶设备在该参照图像数据下的预测位姿为条件时,所述无人驾驶设备采集其他参照图像数据时的位姿与其他参照图像数据对应的实际位姿之间的偏差程度;
根据各参照图像数据对应的位姿偏差表征信息,从所述各参照图像数据中选取目标图像数据,并根据所述目标图像数据,确定所述无人驾驶设备采集所述环境图像数据时的位姿。
可选地,针对确定出的与所述环境图像数据相匹配的每个参照图像数据,以该参照图像数据对应的实际位姿为基础,预测所述无人驾驶设备采集所述环境图像数据时的位姿,作为所述无人驾驶设备在该参照图像数据下的预测位姿,具体包括:
针对确定出的与所述环境图像数据相匹配的每个参照图像数据,预测采集到所述环境图像数据时的所述无人驾驶设备以及采集到该参照图像数据时的所述无人驾驶设备之间的相对位姿,作为该参照图像数据对应的相对位姿;
根据该参照图像数据对应的相对位姿,以该参照图像数据对应的实际位姿为基础,预测所述无人驾驶设备采集所述环境图像数据时的位姿,作为所述无人驾驶设备在该参照图像数据下的预测位姿。
可选地,针对确定出的与所述环境图像数据相匹配的每个参照图像数据,预测采集到所述环境图像数据时的所述无人驾驶设备以及采集到该参照图像数据时的所述无人驾驶设备之间的相对位姿,作为该参照图像数据对应的相对位姿,具体包括:
针对与所述环境图像数据相匹配的每个参照图像数据,将所述环境图像数据以及该参照图像数据输入到预先训练的相对位姿预测模型中,预测采集到所述环境图像数据时的所述无人驾驶设备以及采集到该参照图像数据时的所述无人驾驶设备之间的相对位姿,作为该参照图像数据对应的相对位姿。
可选地,确定与所述环境图像数据相匹配的每个参照图像数据,具体包括:
根据所述环境图像数据,预测所述无人驾驶设备在采集所述环境图像数据时的基础位姿;
确定预设的数据库中实际位姿位于所述基础位姿的设定范围内的图像数据,作为候选图像数据;
从所述候选图像数据中,确定出与所述环境图像数据的图像相似度不低于设定第一相似度的图像数据,作为参照图像数据。
可选地,根据所述环境图像数据,预测所述无人驾驶设备在采集所述环境图像数据时的基础位姿,具体包括:
将所述环境图像数据输入到预先训练的全局位姿预测模型中,以预测所述无人驾驶设备在采集所述环境图像数据时的基础位姿。
可选地,训练全局位姿预测模型,具体包括:
获取第一指定设备采集的第一历史环境图像数据;
针对每个第一历史环境图像数据,将该第一历史环境图像数据输入到待训练的全局位姿预测模型中,以预测所述第一指定设备采集该第一历史环境图像数据时的位姿;
以最小化预测出的所述第一指定设备采集该第一历史环境图像数据时的位姿,与所述第一指定设备采集该第一历史环境图像数据时的实际位姿之间的偏差为优化目标,对所述全局位姿预测模型进行训练。
可选地,根据各参照图像数据对应的位姿偏差表征信息,从所述各参照图像数据中选取目标图像数据,具体包括:
针对每个参照图像数据,根据该参照图像数据对应的位姿偏差表征信息,确定以所述无人驾驶设备在该参照图像数据下的预测位姿为条件时,确定满足预设条件的其他参照图像数据的数量,其中,针对每个其他参照图像数据,若该其他参照图像数据对应的实际位姿与所述无人驾驶设备采集该其他参照图像数据时的位姿之间的偏差程度小于设定阈值,确定该其他参照图像数据满足所述预设条件;
根据所述数量,从所述各参照图像数据中选取目标图像数据。
可选地,训练相对位姿预测模型,具体包括:
获取第二指定设备采集的各第二历史环境图像数据;
针对每个第二历史环境图像数据,从其他第二历史环境图像数据中确定出与该第二历史环境图像数据相似度不低于设定第二相似度的其他第二历史环境图像数据,作为与该第二历史环境图像数据对应的关联历史环境图像数据;
确定采集到该第二历史环境图像数据时的所述第二指定设备与采集到所述关联历史环境图像数据时的所述第二指定设备之间的实际相对位姿;
将该第二历史环境图像数据以及所述关联历史环境图像数据输入到待训练的相对位姿预测模型中,得到采集到该第二历史环境图像数据时的所述第二指定设备与采集到所述关联历史环境图像数据时的所述第二指定设备之间的预测相对位姿;
以最小化所述预测相对位姿与所述实际相对位姿之间的偏差为优化目标,对所述相对位姿预测模型进行训练。
本说明书提供了一种位姿确定的装置,包括:
获取模块,用于获取无人驾驶设备采集到的环境图像数据;
预测模块,用于针对确定出的与所述环境图像数据相匹配的每个参照图像数据,以该参照图像数据对应的实际位姿为基础,预测所述无人驾驶设备采集所述环境图像数据时的位姿,作为所述无人驾驶设备在该参照图像数据下的预测位姿;
偏差模块,用于根据所述无人驾驶设备在该参照图像数据下的预测位姿,以及其他参照图像数据对应的实际位姿,确定该参照图像数据的位姿偏差表征信息,所述位姿偏差表征信息用于表征在以所述无人驾驶设备在该参照图像数据下的预测位姿为条件时,所述无人驾驶设备采集其他参照图像数据时的位姿与其他参照图像数据对应的实际位姿之间的偏差程度;
确定模块,用于根据各参照图像数据对应的位姿偏差表征信息,从所述各参照图像数据中选取目标图像数据,并根据所述目标图像数据,确定所述无人驾驶设备采集所述环境图像数据时的位姿。
本说明书提供了一种计算机可读存储介质,所述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位姿确定的方法。
本说明书提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述位姿确定的方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果:
在本说明书提供的位姿确定的方法中,获取无人驾驶设备采集到的环境图像数据,针对确定出的与环境图像数据相匹配的每个参照图像数据,以该参照图像数据对应的实际位姿为基础,预测无人驾驶设备采集环境图像数据时的位姿,作为无人驾驶设备在该参照图像数据下的预测位姿,其次,根据无人驾驶设备在该参照图像数据下的预测位姿,以及其他参照图像数据对应的实际位姿,确定该参照图像数据的位姿偏差表征信息,位姿偏差表征信息用于表征在以无人驾驶设备在该参照图像数据下的预测位姿为条件时,无人驾驶设备采集其他参照图像数据时的位姿与其他参照图像数据对应的实际位姿之间的偏差程度。最后,根据各参照图像数据对应的位姿偏差表征信息,从各参照图像数据中选取目标图像数据,并根据目标图像数据,确定无人驾驶设备采集环境图像数据时的位姿。
从上述位姿确定的方法中可以看出,本方法可以根据无人驾驶设备在该参照图像数据下的预测位姿,确定无人驾驶设备采集其他参照图像数据时的位姿与其他参照图像数据对应的实际位姿之间的偏差程度,以此从各参照图像数据对应的预测位姿中,确定出无人驾驶设备采集环境图像数据时准确的位姿,因此,相比于现有技术中仅根据采集到的图像与相似图像之间的相对位姿,确定采集到的图像的实际位姿的方式来说,本方法通过确定各参照图像数据中准确性较高的参照图像数据,即目标图像数据,从而在一定程度上避免了参照图像数据与采集到的图像相关性较低,导致得到的位姿误差较大的情况出现,进而有效地提高了确定出的无人驾驶设备采集环境图像数据时的位姿的准确性。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书实施例提供的位姿确定的方法的流程示意图;
图2为本说明书实施例提供的确定位姿偏差表征信息的示意图;
图3为本说明书实施例提供的位姿确定的装置的结构示意图;
图4为本说明书实施例提供的电子设备的结构示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,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他实施例,都属于本说明书保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书实施例提供的位姿确定的方法的流程示意图,具体包括以下步骤:
S100:获取无人驾驶设备采集到的环境图像数据。
在本说明书实施例中,无人驾驶设备在运动过程中,可以采集无人驾驶设备周围的环境图像数据,环境图像数据可以是通过无人驾驶设备上设置的摄像机获取到的数据,其中,摄像机可以为任意类型的摄像机,例如广角摄像机、高清摄像机等。
在本说明书提到的无人驾驶设备可以是指无人车、机器人、自动配送设备等能够实现自动驾驶的设备。基于此,应用本说明书提供的位姿确定的方法的无人驾驶设备可以用于执行配送领域的配送任务,如,使用无人驾驶设备进行快递、物流、外卖等配送的业务场景。
本说明书提供的位姿确定的执行主体可以是诸如无人驾驶设备,也可以是服务器、台式电脑等终端设备。若是以诸如服务器、台式电脑等终端设备为执行主体,则终端设备可以获取到无人驾驶设备采集到的环境图像数据,并在确定出无人驾驶设备采集该环境图像数据时的位姿后,可以将确定出的位姿数据返回给无人驾驶设备。为了便于描述,下面将仅以无人驾驶设备为执行主体,对本说明书提供的位姿确定的方法进行说明。
S102:针对确定出的与所述环境图像数据相匹配的每个参照图像数据,以该参照图像数据对应的实际位姿为基础,预测所述无人驾驶设备采集所述环境图像数据时的位姿,作为所述无人驾驶设备在该参照图像数据下的预测位姿。
在本说明书实施例中,预设的数据库中保存有指定设备前期采集的多个历史环境图像数据,同时,数据库还记录有每个历史环境图像数据所对应的实际位姿,其中,一个历史环境图像数据所对应的实际位姿即为指定设备采集该历史环境图像数据时的位姿,该实际位姿可以是经过人为校准过的位姿。
基于此,无人驾驶设备可以从数据库中确定出的与采集到的环境图像数据相匹配的每个参照图像数据,相应的,针对确定出的每个参照图像数据,无人驾驶设备可以根据该参照图像数据、该参照图像数据对应的实际位姿以及环境图像数据,预测无人驾驶设备采集环境图像数据时的位姿,作为无人驾驶设备在该参照图像数据下的预测位姿。
具体的,无人驾驶设备可以针对确定出的与环境图像数据相匹配的每个参照图像数据,预测采集到环境图像数据时的无人驾驶设备以及采集到该参照图像数据时的无人驾驶设备之间的相对位姿,作为该参照图像数据对应的相对位姿。也就是说,无人驾驶设备可以根据环境图像数据以及参照图像数据,预测无人驾驶设备采集环境图像数据时的位姿与该参照图像数据对应的实际位姿之间的位姿关系,进而在后续根据该相对位姿以及该参照图像数据对应的实际位姿,确定出无人驾驶设备采集环境图像数据时的位姿。
在本说明书实施例中,无人驾驶设备确定与环境图像数据相匹配的每个参照图像数据可以有多种方法。例如,无人驾驶设备可以将环境图像数据输入到特征提取网络中,得到环境图像数据对应的特征向量,并将每个历史环境图像数据输入到特征提取网络中,得到每个历史环境图像数据对应的特征向量。而后,可以再将环境图像数据对应的特征向量与每个历史环境图像数据进行匹配,以确定出各历史环境图像数据的特征向量中与环境图像数据的特征向量相似度大于设定阈值的历史环境图像数据,作为参照图像数据。
上述提到的特征提取网络可以是常规模型,例如,图神经网络(Graph NeuralNetworks,GNN)、图卷积网络(Graph Convolutional Network,GCN)等,在此不对特征提取网络进行限定。
再例如,无人驾驶设备还可以将环境图像数据对应的特征向量输入到预先训练的全局位姿预测模型中,以预测无人驾驶设备在采集环境图像数据时的基础位姿,根据该基础位姿与每个历史环境图像数据对应的实际位姿进行匹配,确定出各历史环境图像数据的实际位姿中与环境图像数据的基础位姿最接近的若干个历史环境图像数据,作为参照图像数据。这里提到的基础位姿可以是指预测出的无人驾驶设备的粗略的位姿,用于在数据库中匹配与实际位姿与无人驾驶设备采集环境图像数据时的位姿相近的参照图像数据。
上述提到的全局位姿预测模型需要进行预先训练。具体的,无人驾驶设备获取第一指定设备采集的第一历史环境图像数据,这里提到的第一指定设备可以是指在模型训练过程中进行数据采集的设备,如人为驾驶的汽车、有人操控的机器人等设备。
针对每个第一历史环境图像数据来说,将该第一历史环境图像数据输入到待训练的全局位姿预测模型中,以预测第一指定设备采集该第一历史环境图像数据时的位姿,并以最小化预测出的第一指定设备采集该第一历史环境图像数据时的位姿,与第一指定设备采集该第一历史环境图像数据时的实际位姿之间的偏差为优化目标,对全局位姿预测模型进行训练。其中,预先训练的全局位姿预测模型可以是指姿态识别模型(PoseNet)、地图识别模型(MapNet)等,在此不对全局位姿预测模型进行限定。
再例如,无人驾驶设备还可以将环境图像数据对应的特征向量输入到预先训练的全局位姿预测模型中,以预测无人驾驶设备在采集环境图像数据时的基础位姿,再确定预设的数据库中实际位姿位于基础位姿的设定范围内的历史环境图像数据,作为与该环境图像数据相匹配的参照图像数据。
其中,可以根据无人驾驶设备在采集环境图像数据时的基础位姿,在预设的数据库中查找实际位姿位于在预测出的无人驾驶设备在三维坐标系下的位置附近,并且无人驾驶设备的朝向与预测出的无人驾驶设备的朝向在设定范围内的图像数据,作为候选图像数据。无人驾驶设备可以从候选图像数据中,确定出与环境图像数据的图像相似度不低于设定第一相似度的图像数据,作为参照图像数据。
在上述提到的确定相对位姿的过程中,无人驾驶设备可以针对与环境图像数据相匹配的每个参照图像数据,将环境图像数据以及该参照图像数据输入到预先训练的相对位姿预测模型中,预测采集到环境图像数据时的无人驾驶设备以及采集到该参照图像数据时的无人驾驶设备之间的相对位姿,作为该参照图像数据对应的相对位姿。由于数据库中保存的参照图像数据并不是由该无人驾驶设备采集到的,所以,确定出的相对位姿实际上用于表征采集环境图像数据时的无人驾驶设备与假定采集到该参照图像数据时的无人驾驶设备在空间位置上的相对位置关系。
在本说明书实施例中,上述提到的相对位姿预测模型需要进行预先训练。具体的,获取第二指定设备采集的各第二历史环境图像数据,其中,这里提到的第二指定设备和上述提到的第一指定设备可以是同一采集设备,也可以是不同的采集设备,相应的,这里提到的第一历史环境图像数据以及第二历史环境图像数据可以是同一采集设备进行采集得到的同一图像数据,也可以是不同的采集设备分别进行采集得到的不同图像数据。
而后,可以针对每个第二历史环境图像数据,从其他第二历史环境图像数据中确定出与该第二历史环境图像数据相似度不低于设定第二相似度的其他第二历史环境图像数据,作为与该第二历史环境图像数据对应的关联历史环境图像数据。其中,确定相对位姿的基础是第二历史环境图像数据与关联历史环境图像数据之间有重合的部分,因此,实际上通过确定相似度的方式所找到的关联历史环境图像数据,是与该第二历史环境图像数据存在重合部分的图像数据。这里提到的设定第二相似度与上述提到的设定第一相似度可以是人为根据实际需求而设定的,可以是相同的,也可以是不同的,本说明书对此不做限定。
上述提到的确定相似度方法有多种,如欧式距离、余弦相似度等,本说明书对此不做限定。
无人驾驶设备可以确定采集到该第二历史环境图像数据时的第二指定设备与采集到关联历史环境图像数据时的第二指定设备之间的实际相对位姿,将该第二历史环境图像数据以及所述关联历史环境图像数据输入到待训练的相对位姿预测模型中,得到采集到该第二历史环境图像数据时的所述第二指定设备与采集到关联历史环境图像数据时的所述第二指定设备之间的预测相对位姿,进而以最小化所述预测相对位姿与所述实际相对位姿之间的偏差为优化目标,对所述相对位姿预测模型进行训练。其中,预先训练的相对位姿预测模型可以是指粗到精检索模型(CamNet)、相对位姿模型(NNnet)等,在此不对相对位姿预测模型进行限定。
S104:根据所述无人驾驶设备在该参照图像数据下的预测位姿,以及其他参照图像数据对应的实际位姿,确定该参照图像数据的位姿偏差表征信息,所述位姿偏差表征信息用于表征在以所述无人驾驶设备在该参照图像数据下的预测位姿为条件时,所述无人驾驶设备采集其他参照图像数据时的位姿与其他参照图像数据对应的实际位姿之间的偏差程度。
由于数据库中每个参照图像数据对应的实际位姿是较为准确的,所以,若是上述过程中确定出的每个参照图像数据对应的相对位姿均是准确的,那么无人驾驶设备可以基于任意一个参照图像数据,来确定采集上述环境图像数据时的位姿。换句话说,如果上述确定出的每个参照图像数据对应的相对位姿均是准确的,那么无人驾驶设备基于任意一个参照图像数据所确定出的位姿应该是相同的。
然而实际应用中,并不能有效地保证通过上述的相对位姿预测模型所确定出的每个参照图像数据对应的相对位姿均是准确的,所以需要从中确定出哪一参照图像数据对应的相对位姿是准确的,并以此为基础来确定出无人驾驶设备采集环境图像数据时的位姿。
基于此,在本说明书实施例中,无人驾驶设备可以根据在该参照图像数据下的预测位姿,以及其他参照图像数据对应的实际位姿,确定该参照图像数据的位姿偏差表征信息。而针对每个其他参照图像数据,根据该其他参照图像数据与环境图像数据之间的相对位姿,以及该参照图像数据对应的环境图像数据的预测位姿,得到该其他参照图像数据对应的位姿。
进一步地,无人驾驶设备可以将该其他参照图像数据对应的位姿与该其他参照图像数据对应的实际位姿进行计算,得到该其他参照图像数据对应的位姿与该其他参照图像数据对应的实际位姿之间的偏差程度,从而确定该参照图像数据的位姿偏差表征信息,如图2所示。
图2为本说明书实施例提供的确定位姿偏差表征信息的示意图。
图2中示出的A、B、C分别为无人驾驶设备采集到的环境图像数据对应的参照图像数据A、参照图像数据B、参照图像数据C, A、B、C中的五角星为图像数据中拍摄到的物体。首先,无人驾驶设备确定参照图像数据A与环境图像数据之间的相对位姿、参照图像数据B与环境图像数据之间的相对位姿、参照图像数据C与环境图像数据之间的相对位姿。而后,无人驾驶设备可以根据参照图像数据A的实际位姿与参照图像数据A对应的相对位姿,确定以参照图像数据A为基准,环境图像数据对应的预测位姿。其次,无人驾驶设备将以参照图像数据A为基准,环境图像数据对应的预测位姿与参照图像数据B对应的相对位姿进行计算,得到以参照图像数据A为基准,假定无人驾驶设备采集到参照图像数据B时的位姿。最后,根据无人驾驶设备采集到参照图像数据B时的位姿与该参照图像数据B对应的实际位姿,得到无人驾驶设备采集到参照图像数据B时的位姿与参照图像数据B对应的实际位姿之间的偏差程度。以此类推,可以得到以参照图像数据A为基准,参照图像数据C对应的位姿与参照图像数据C对应的实际位姿之间的偏差程度,从而确定参照图像数据A的位姿偏差表征信息。无人驾驶设备可以通过相同的方式,分别得到参照图像数据B的位姿偏差表征信息,以及参照图像数据C的位姿偏差表征信息。
当然,无人驾驶设备也可以通过确定出相对位姿的偏差,来确定出各参照图像数据对应的位姿偏差表征信息。具体的,无人驾驶设备也可以参照图像数据A为基准,确定出假定无人驾驶设备采集到参照图像数据B时的位姿,并根据参照图像数据B对应的实际位姿,确定出采集环境图像数据时的无人驾驶设备与假定采集到参照图像数据B时的无人驾驶设备之间的相对位姿B´。而后,无人驾驶设备可以根据相对位姿B´以及通过上述相对位姿预测模型所确定出的相对位姿B(即通过相对位姿预测模型所确定出的采集到环境图像数据时的无人驾驶设备与采集到参照图像数据B时的无人驾驶设备之间的相对位姿),确定出这两个相对位姿之间的偏差程度。
同理,无人驾驶设备可以根据相对位姿C(即通过相对位姿预测模型所确定出的采集到环境图像数据时的无人驾驶设备与采集到参照图像数据C时的无人驾驶设备之间的相对位姿)以及相对位姿C´(即采集环境图像数据时的无人驾驶设备与假定采集到参照图像数据C时的无人驾驶设备之间的相对位姿),确定出这两个相对位姿之间的偏差程度,进而确定出参照图像数据A的位姿偏差表征信息。以此类推,无人驾驶设备可以通过同样的方式,分别确定出参照图像数据B的位姿偏差表征信息以及参照图像数据C的位姿偏差表征信息。
S106:根据各参照图像数据对应的位姿偏差表征信息,从所述各参照图像数据中选取目标图像数据,并根据所述目标图像数据,确定所述无人驾驶设备采集所述环境图像数据时的位姿。
在本说明书实施例中,无人驾驶设备可以根据各参照图像数据对应的位姿偏差表征信息,从各参照图像数据中选取目标图像数据,并根据目标图像数据,确定无人驾驶设备采集所述环境图像数据时的位姿。
其中,无人驾驶设备可以针对每个参照图像数据,根据该参照图像数据对应的位姿偏差表征信息,确定以无人驾驶设备在该参照图像数据下的预测位姿为条件时,确定满足预设条件的其他参照图像数据的数量,其中,针对每个其他参照图像数据,若该其他参照图像数据对应的实际位姿与无人驾驶设备采集该其他参照图像数据时的位姿之间的偏差程度小于设定阈值,确定该其他参照图像数据满足预设条件。
在本说明书实施例中,无人驾驶设备还可以将该其他参照图像数据的实际位姿与该参照图像数据对应的环境图像数据的预测位姿之间计算出的相对位姿,与该参照图像数据对应的相对位姿进行计算,得到该其他参照图像数据对应的计算出的相对位姿与该参照图像数据对应的相对位姿之间的偏差程度,若偏差程度小于设定阈值,确定该其他参照图像数据满足预设条件。
从上述可以看出,无人驾驶设备通过确定该其他参照图像数据对应的实际位姿与无人驾驶设备采集该其他参照图像数据时的位姿之间的偏差程度,实际上是来验证相对位姿预测模型确定出的相对位姿是否准确。也就是说,对于任意一个参照图像数据来说,若是相对位姿预测模型确定出的该参照图像数据对应的相对位姿(即采集上述环境图像数据时的无人驾驶设备与采集该参照图像数据时的无人驾驶设备之间的相对位姿)是准确的,那么以该参照图像数据为基准所确定出无人驾驶设备采集其他参照图像数据时的位姿,与其他参照图像数据对应的实际位姿之间的偏差应该较小。
因此,上述选取出的目标图像数据实际上是相对位姿预测模型所确定出相对位姿最小的参照图像数据,即,相对位姿预测模型确定出目标图像数据对应的相对位姿相比于其他参照图像数据是更为准确的。所以,根据目标图像数据,可以保证确定出无人驾驶设备采集环境图像数据时的位姿更加合理、准确。
以上为本说明书的一个或多个实施例提供的位姿确定的方法,基于同样的思路,本说明书还提供了相应的位姿确定的装置,如图3所示。
图3为本说明书实施例提供的位姿确定的装置的结构示意图,具体包括:
获取模块300,用于获取无人驾驶设备采集到的环境图像数据;
预测模块302,用于针对确定出的与所述环境图像数据相匹配的每个参照图像数据,以该参照图像数据对应的实际位姿为基础,预测所述无人驾驶设备采集所述环境图像数据时的位姿,作为所述无人驾驶设备在该参照图像数据下的预测位姿;
偏差模块304,用于根据所述无人驾驶设备在该参照图像数据下的预测位姿,以及其他参照图像数据对应的实际位姿,确定该参照图像数据的位姿偏差表征信息,所述位姿偏差表征信息用于表征在以所述无人驾驶设备在该参照图像数据下的预测位姿为条件时,所述无人驾驶设备采集其他参照图像数据时的位姿与其他参照图像数据对应的实际位姿之间的偏差程度;
确定模块306,用于根据各参照图像数据对应的位姿偏差表征信息,从所述各参照图像数据中选取目标图像数据,并根据所述目标图像数据,确定所述无人驾驶设备采集所述环境图像数据时的位姿。
可选地,所述预测模块302具体用于,针对确定出的与所述环境图像数据相匹配的每个参照图像数据,预测采集到所述环境图像数据时的所述无人驾驶设备以及采集到该参照图像数据时的所述无人驾驶设备之间的相对位姿,作为该参照图像数据对应的相对位姿,根据该参照图像数据对应的相对位姿,以该参照图像数据对应的实际位姿为基础,预测所述无人驾驶设备采集所述环境图像数据时的位姿,作为所述无人驾驶设备在该参照图像数据下的预测位姿。
可选地,所述预测模块302具体用于,针对与所述环境图像数据相匹配的每个参照图像数据,将所述环境图像数据以及该参照图像数据输入到预先训练的相对位姿预测模型中,预测采集到所述环境图像数据时的所述无人驾驶设备以及采集到该参照图像数据时的所述无人驾驶设备之间的相对位姿,作为该参照图像数据对应的相对位姿。
可选地,所述预测模块302具体用于,根据所述环境图像数据,预测所述无人驾驶设备在采集所述环境图像数据时的基础位姿,确定预设的数据库中实际位姿位于所述基础位姿的设定范围内的图像数据,作为候选图像数据,从所述候选图像数据中,确定出与所述环境图像数据的图像相似度不低于设定第一相似度的图像数据,作为参照图像数据。
可选地,所述预测模块302具体用于,将所述环境图像数据输入到预先训练的全局位姿预测模型中,以预测所述无人驾驶设备在采集所述环境图像数据时的基础位姿。
可选地,所述预测模块302具体用于,获取第一指定设备采集的第一历史环境图像数据,针对每个第一历史环境图像数据,将该第一历史环境图像数据输入到待训练的全局位姿预测模型中,以预测所述第一指定设备采集该第一历史环境图像数据时的位姿,以最小化预测出的所述第一指定设备采集该第一历史环境图像数据时的位姿,与所述第一指定设备采集该第一历史环境图像数据时的实际位姿之间的偏差为优化目标,对所述全局位姿预测模型进行训练。
可选地,所述确定模块306具体用于,针对每个参照图像数据,根据该参照图像数据对应的位姿偏差表征信息,确定以所述无人驾驶设备在该参照图像数据下的预测位姿为条件时,确定满足预设条件的其他参照图像数据的数量,其中,针对每个其他参照图像数据,若该其他参照图像数据对应的实际位姿与所述无人驾驶设备采集该其他参照图像数据时的位姿之间的偏差程度小于设定阈值,确定该其他参照图像数据满足所述预设条件,根据所述数量,从所述各参照图像数据中选取目标图像数据。
可选地,所述预测模块302具体用于,获取第二指定设备采集的各第二历史环境图像数据,针对每个第二历史环境图像数据,从其他第二历史环境图像数据中确定出与该第二历史环境图像数据相似度不低于设定第二相似度的其他第二历史环境图像数据,作为与该第二历史环境图像数据对应的关联历史环境图像数据,确定采集到该第二历史环境图像数据时的所述第二指定设备与采集到所述关联历史环境图像数据时的所述第二指定设备之间的实际相对位姿,将该第二历史环境图像数据以及所述关联历史环境图像数据输入到待训练的相对位姿预测模型中,得到采集到该第二历史环境图像数据时的所述第二指定设备与采集到所述关联历史环境图像数据时的所述第二指定设备之间的预测相对位姿,以最小化所述预测相对位姿与所述实际相对位姿之间的偏差为优化目标,对所述相对位姿预测模型进行训练。
本说明书还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述图1提供的位姿确定的方法。
本说明书还提供了图4所示的电子设备的结构示意图。如4所述,在硬件层面,该位姿确定的训练设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图1所述的位姿确定的方法。当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device, PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (10)
1.一种位姿确定的方法,其特征在于,包括:
获取无人驾驶设备采集到的环境图像数据;
针对确定出的与所述环境图像数据相匹配的每个参照图像数据,预测采集到所述环境图像数据时的所述无人驾驶设备以及采集到该参照图像数据时的所述无人驾驶设备之间的相对位姿,作为该参照图像数据对应的相对位姿;
根据该参照图像数据对应的相对位姿,以该参照图像数据对应的实际位姿为基础,预测所述无人驾驶设备采集所述环境图像数据时的位姿,作为所述无人驾驶设备在该参照图像数据下的预测位姿;
根据所述无人驾驶设备在该参照图像数据下的预测位姿,以及其他参照图像数据对应的实际位姿,确定该参照图像数据的位姿偏差表征信息,所述位姿偏差表征信息用于表征在以所述无人驾驶设备在该参照图像数据下的预测位姿为条件时,所述无人驾驶设备采集其他参照图像数据时的位姿与其他参照图像数据对应的实际位姿之间的偏差程度;
根据各参照图像数据对应的位姿偏差表征信息,从所述各参照图像数据中选取目标图像数据,并根据所述目标图像数据,确定所述无人驾驶设备采集所述环境图像数据时的位姿。
2.如权利要求1所述的方法,其特征在于,针对确定出的与所述环境图像数据相匹配的每个参照图像数据,预测采集到所述环境图像数据时的所述无人驾驶设备以及采集到该参照图像数据时的所述无人驾驶设备之间的相对位姿,作为该参照图像数据对应的相对位姿,具体包括:
针对与所述环境图像数据相匹配的每个参照图像数据,将所述环境图像数据以及该参照图像数据输入到预先训练的相对位姿预测模型中,预测采集到所述环境图像数据时的所述无人驾驶设备以及采集到该参照图像数据时的所述无人驾驶设备之间的相对位姿,作为该参照图像数据对应的相对位姿。
3.如权利要求1所述的方法,其特征在于,确定与所述环境图像数据相匹配的每个参照图像数据,具体包括:
根据所述环境图像数据,预测所述无人驾驶设备在采集所述环境图像数据时的基础位姿;
确定预设的数据库中实际位姿位于所述基础位姿的设定范围内的图像数据,作为候选图像数据;
从所述候选图像数据中,确定出与所述环境图像数据的图像相似度不低于设定第一相似度的图像数据,作为参照图像数据。
4.如权利要求3所述的方法,其特征在于,根据所述环境图像数据,预测所述无人驾驶设备在采集所述环境图像数据时的基础位姿,具体包括:
将所述环境图像数据输入到预先训练的全局位姿预测模型中,以预测所述无人驾驶设备在采集所述环境图像数据时的基础位姿。
5.如权利要求4所述的方法,其特征在于,训练全局位姿预测模型,具体包括:
获取第一指定设备采集的第一历史环境图像数据;
针对每个第一历史环境图像数据,将该第一历史环境图像数据输入到待训练的全局位姿预测模型中,以预测所述第一指定设备采集该第一历史环境图像数据时的位姿;
以最小化预测出的所述第一指定设备采集该第一历史环境图像数据时的位姿,与所述第一指定设备采集该第一历史环境图像数据时的实际位姿之间的偏差为优化目标,对所述全局位姿预测模型进行训练。
6.如权利要求1所述的方法,其特征在于,根据各参照图像数据对应的位姿偏差表征信息,从所述各参照图像数据中选取目标图像数据,具体包括:
针对每个参照图像数据,根据该参照图像数据对应的位姿偏差表征信息,确定以所述无人驾驶设备在该参照图像数据下的预测位姿为条件时,确定满足预设条件的其他参照图像数据的数量,其中,针对每个其他参照图像数据,若该其他参照图像数据对应的实际位姿与所述无人驾驶设备采集该其他参照图像数据时的位姿之间的偏差程度小于设定阈值,确定该其他参照图像数据满足所述预设条件;
根据所述数量,从所述各参照图像数据中选取目标图像数据。
7.如权利要求2所述的方法,其特征在于,训练相对位姿预测模型,具体包括:
获取第二指定设备采集的各第二历史环境图像数据;
针对每个第二历史环境图像数据,从其他第二历史环境图像数据中确定出与该第二历史环境图像数据相似度不低于设定第二相似度的其他第二历史环境图像数据,作为与该第二历史环境图像数据对应的关联历史环境图像数据;
确定采集到该第二历史环境图像数据时的所述第二指定设备与采集到所述关联历史环境图像数据时的所述第二指定设备之间的实际相对位姿;
将该第二历史环境图像数据以及所述关联历史环境图像数据输入到待训练的相对位姿预测模型中,得到采集到该第二历史环境图像数据时的所述第二指定设备与采集到所述关联历史环境图像数据时的所述第二指定设备之间的预测相对位姿;
以最小化所述预测相对位姿与所述实际相对位姿之间的偏差为优化目标,对所述相对位姿预测模型进行训练。
8.一种位姿确定的装置,其特征在于,包括:
获取模块,用于获取无人驾驶设备采集到的环境图像数据;
预测模块,用于针对确定出的与所述环境图像数据相匹配的每个参照图像数据,预测采集到所述环境图像数据时的所述无人驾驶设备以及采集到该参照图像数据时的所述无人驾驶设备之间的相对位姿,作为该参照图像数据对应的相对位姿,根据该参照图像数据对应的相对位姿,以该参照图像数据对应的实际位姿为基础,预测所述无人驾驶设备采集所述环境图像数据时的位姿,作为所述无人驾驶设备在该参照图像数据下的预测位姿;
偏差模块,用于根据所述无人驾驶设备在该参照图像数据下的预测位姿,以及其他参照图像数据对应的实际位姿,确定该参照图像数据的位姿偏差表征信息,所述位姿偏差表征信息用于表征在以所述无人驾驶设备在该参照图像数据下的预测位姿为条件时,所述无人驾驶设备采集其他参照图像数据时的位姿与其他参照图像数据对应的实际位姿之间的偏差程度;
确定模块,用于根据各参照图像数据对应的位姿偏差表征信息,从所述各参照图像数据中选取目标图像数据,并根据所述目标图像数据,确定所述无人驾驶设备采集所述环境图像数据时的位姿。
9.一种计算机可读存储介质,其特征在于,所述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权利要求1~7任一项所述的方法。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在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程序时实现上述权利要求1~7任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110329609.3A CN112734851B (zh) | 2021-03-29 | 2021-03-29 | 一种位姿确定的方法以及装置 |
US17/705,754 US20220309707A1 (en) | 2021-03-29 | 2022-03-28 | Pose determining |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110329609.3A CN112734851B (zh) | 2021-03-29 | 2021-03-29 | 一种位姿确定的方法以及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112734851A CN112734851A (zh) | 2021-04-30 |
CN112734851B true CN112734851B (zh) | 2021-07-06 |
Family
ID=75595904
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110329609.3A Active CN112734851B (zh) | 2021-03-29 | 2021-03-29 | 一种位姿确定的方法以及装置 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20220309707A1 (zh) |
CN (1) | CN112734851B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113706592A (zh) * | 2021-08-24 | 2021-11-26 | 北京百度网讯科技有限公司 | 一种定位信息的修正方法、装置、电子设备和存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106840148B (zh) * | 2017-01-24 | 2020-07-17 | 东南大学 | 室外作业环境下基于双目摄像机的可穿戴式定位与路径引导方法 |
JP2021105749A (ja) * | 2018-03-20 | 2021-07-26 | ソニーグループ株式会社 | 情報処理装置、情報処理方法およびプログラム |
CN111489393B (zh) * | 2019-01-28 | 2023-06-02 | 速感科技(北京)有限公司 | Vslam方法、控制器和可移动设备 |
CN112013853B (zh) * | 2020-08-20 | 2022-07-15 | 北京三快在线科技有限公司 | 一种对无人驾驶设备的轨迹点验证的方法及装置 |
CN112288816A (zh) * | 2020-11-16 | 2021-01-29 | Oppo广东移动通信有限公司 | 位姿优化方法、位姿优化装置、存储介质与电子设备 |
-
2021
- 2021-03-29 CN CN202110329609.3A patent/CN112734851B/zh active Active
-
2022
- 2022-03-28 US US17/705,754 patent/US20220309707A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
US20220309707A1 (en) | 2022-09-29 |
CN112734851A (zh) | 2021-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112766468B (zh) | 一种轨迹预测方法、装置、存储介质及电子设备 | |
CN112001456B (zh) | 一种车辆定位方法、装置、存储介质及电子设备 | |
CN111508258B (zh) | 一种定位方法及装置 | |
CN111238450B (zh) | 视觉定位方法及装置 | |
CN112990375B (zh) | 一种模型训练方法、装置、存储介质及电子设备 | |
CN111288971B (zh) | 一种视觉定位方法及装置 | |
CN112284394A (zh) | 一种地图构建及视觉定位的方法及装置 | |
CN115600157B (zh) | 一种数据处理的方法、装置、存储介质及电子设备 | |
CN111797711A (zh) | 一种模型训练的方法及装置 | |
CN110660103A (zh) | 一种无人车定位方法及装置 | |
CN116309823A (zh) | 一种位姿的确定方法、装置、设备及存储介质 | |
CN112734851B (zh) | 一种位姿确定的方法以及装置 | |
CN112990099B (zh) | 一种车道线检测的方法以及装置 | |
CN112883871B (zh) | 一种模型训练以及确定无人车运动策略方法及装置 | |
CN112861831A (zh) | 一种目标物的识别方法、装置、存储介质及电子设备 | |
CN112712009A (zh) | 一种障碍物检测的方法及装置 | |
CN114494381A (zh) | 模型训练及深度估计方法、装置、存储介质及电子设备 | |
CN114332201A (zh) | 一种模型训练、目标检测的方法以及装置 | |
CN114187355A (zh) | 一种图像标定方法及装置 | |
CN112712561A (zh) | 一种建图方法、装置、存储介质及电子设备 | |
CN111426299B (zh) | 一种基于目标物的景深进行测距的方法及装置 | |
CN112393723B (zh) | 一种定位方法、设备、介质及无人设备 | |
CN117197781B (zh) | 一种交通标志识别的方法、装置、存储介质及电子设备 | |
CN113344198B (zh) | 一种模型训练的方法及装置 | |
CN116188919B (zh) | 一种测试方法、装置、可读存储介质及电子设备 |
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 |