CN112798020A - 一种用于评估智能汽车定位精度的系统及方法 - Google Patents

一种用于评估智能汽车定位精度的系统及方法 Download PDF

Info

Publication number
CN112798020A
CN112798020A CN202011636525.6A CN202011636525A CN112798020A CN 112798020 A CN112798020 A CN 112798020A CN 202011636525 A CN202011636525 A CN 202011636525A CN 112798020 A CN112798020 A CN 112798020A
Authority
CN
China
Prior art keywords
module
data
positioning
evaluation
information
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
CN202011636525.6A
Other languages
English (en)
Other versions
CN112798020B (zh
Inventor
华一丁
戎辉
唐风敏
刘全周
王启配
李占旗
聂彦鑫
郝剑虹
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.)
China Automotive Technology and Research Center Co Ltd
CATARC Tianjin Automotive Engineering Research Institute Co Ltd
Original Assignee
China Automotive Technology and Research Center Co Ltd
CATARC Tianjin Automotive Engineering Research Institute 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 China Automotive Technology and Research Center Co Ltd, CATARC Tianjin Automotive Engineering Research Institute Co Ltd filed Critical China Automotive Technology and Research Center Co Ltd
Priority to CN202011636525.6A priority Critical patent/CN112798020B/zh
Publication of CN112798020A publication Critical patent/CN112798020A/zh
Application granted granted Critical
Publication of CN112798020B publication Critical patent/CN112798020B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Abstract

本发明提供了一种用于评估智能汽车定位精度的系统，包括信息模块、障碍物数据匹配模块、投影模块，定位精度确定模块、数据比对模块、人工神经网络训练模块、多评估方法融合模块以及评估模块。本发明在充分考虑到多个不同场景不同评估方法的基础上，对不同场景下不同定位方法精度概率进行神经网络的训练，通过对多种评估方法及其评估数据的合理利用，将多种评估方法按照各种不同的场景需求进行组合，从而提高定位精度的准确性，从而能高效的处理智能汽车位置信息，从而提高智能汽车安全性。

Description

一种用于评估智能汽车定位精度的系统及方法
技术领域
本发明属于智能汽车定位技术领域，尤其是涉及一种用于评估智能汽车定位精度的方法。
背景技术
近年来，随着经济的发展，智能汽车的定位已经成为世界汽车工程领域的研究热点，智能汽车导航的前提是在地图中保证一定的定位精度，特别是在复杂环境下智能汽车的定位能力，因此智能汽车定位精度的评估变得更加重要。
目前主流的定位方式是根据各种传感器进行测量，并获取测量值，采用粒子滤波或EKF(扩展卡尔曼滤波)等方法配合ICP激光数据匹配来实现定位。对于定位精度的评价依据的是滤波器输出位置的协方差、均方差，圆概率误差等方法，但是单一的评估方式缺少对不同场景下的普适性。比如在办公室走廊，激光等传感器测量值特征很明显，相应的定位协方差值小；而在餐厅等场景，环境复杂导致传感器测量值特征很少，协方差值较大。因此单评估方式难以适应多场景，而智能汽车往往要适应各种不同的场景，智能汽车的定位又与智能电动汽车的安全性和高效性紧密联系。
发明内容
有鉴于此，本发明旨在提出一种用于评估智能汽车定位精度的方法，以提高定位精度的准确性，从而能高效的处理智能汽车位置信息，提高智能汽车安全性。
为达到上述目的，本发明的技术方案是这样实现的：
一种用于评估智能汽车定位精度的系统，包括信息模块、障碍物数据匹配模块、投影模块，定位精度确定模块、数据比对模块、人工神经网络训练模块、多评估方法融合模块以及评估模块。
进一步的，信息模块，用于接受智能汽车的位姿信息和坐标真值。其中，所述车辆的位置姿态信息具体包括车辆的航向角、加速度数据以及角速度数据等。具体是，在无人驾驶汽车行驶过程中通过车载GPS模块实时获取差分GPS数据和通过惯性测量单元实时获取IMU数据，随后，可以将差分GPS数据和所述点云数据帧利用ICP(Iterative ClosestPoints，迭代最近点)算
Figure BDA0002876457610000021
法进行离线配准，得到无人驾驶汽车当前的定位真值。设第一帧点云数据为：
Figure BDA0002876457610000022
第二帧点云数据为：
Figure BDA0002876457610000023
其中xi和pi表示点云坐标，Nx和Np表示点云数量。求旋转矩阵R和平移矩阵t根据式1可得：
进一步的，信息模块的输出端连接于障碍物数据匹配模块，将所述第一障碍物数据与所述当前环境所对应的地图信息中的第二障碍物数据进行匹配，得到位置范围信息和位置匹配度数据。
为实现障碍物匹配，采用匈牙利算法进行障碍物帧间匹配，基于匈牙利算法的匹配算法将问题可以描述为如式2所示：
Figure BDA0002876457610000024
Figure BDA0002876457610000025
为关联程度矩阵，
Figure BDA0002876457610000026
为障碍物Mi'和障碍物Mj之间的关联程度。
进一步的，障碍物数据匹配模块的输出端连接于投影模块，将所述位置范围信息利用UTM投影方法投影到所述地图信息的XY平面上，通过矩阵变换从而得到平面位置具体范围信息。
进一步的，投影模块的输出端连接于定位精度确定模块，将根据所述位置匹配度数据及所述平面位置范围信息得到所述实时定位精度数据。
进一步的，定位精度确定模块的输出端连接于数据比对模块，将采用不同的评估方法对定位数据的处理，与真值差分GPS的数据进行比对，得到不同场景下各个评估方法的准确度。
进一步的，数据比对模块的输出端连接于人工神经网络训练模块，将对各评估方法的精度在不同场景下进行训练，得出不同场景下各评估方法的置信概率。
搭建如图3所示的人工神经网络模型，将多种定位评估方法和车辆信息作为网络输入信号，搭建5层全连接神经网络，网络输出端为二元输出，输出图像和点云定位定位系统的定位概率。
进一步的，人工神经网络训练模块的输出端链接与多评估方法融合模块，将利用DSmT理论对多个评估方法进行融合，得出不同场景下最佳的定位评估方式和定位精度。
进一步的，多评估方法融合模块的输出端连接与评估模块，将上述实时定位精度数据作为历史定位精度数据并将最佳的定位评估方法和定位精度输出。
本发明还提供一种用于评估智能汽车定位精度的方法，具体包括如下步骤：
(1)建立车辆模型，根据车辆信息得到车辆定位精度数据；
(2)利用数据比对模块对不同场景下各个评估方法与真值的比较，得出不同场景的不同评估方法的值；
(3)利用人工神经网络训练模块对这些评估方法在不同场景赋予不同的置信度；
(4)利用多评估方法融合模块对多个评估方法进行融合，得出不同场景下最佳的定位评估方式和定位精度；
(5)对评价结果进行输出。
相对于现有技术，本发明所述的一种用于评估智能汽车定位精度的系统及方法具有以下优势：
本发明提供的针对各种场景多种评估方法融合的精度评估方法能够解决在不同场景不同条件下出现的由于受环境影响出现的定位评估不精确的现象，提高对所感知环境的一致性解释与描述，提高了智能汽车的安全性，实现了得到更好的智能汽车定位精度评价的技术效果。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明提出的应用于智能汽车定位精度评估系统框图；
图2是本发明提出的DSmT理论评估方法融合的具体流程图；
图3是人工神经网络训练模型；
图4是实车试验时的GPS轨迹显示图；
图5是本发明实施方法优化前后定位误差图；
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明中的具体含义。
下面将参考附图并结合实施例来详细说明本发明。
如图1所示，本发明提供一种用于评估智能汽车定位精度的系统，应用于智能汽车定位方面，包括信息模块、障碍物数据匹配模块、投影模块，定位精度确定模块、数据比对模块、人工神经网络训练模块、多评估方法融合模块以及评估模块。
进一步的，信息模块，用于接受智能汽车的位姿信息和坐标真值。其中，所述车辆的位置姿态信息具体包括车辆的航向角、加速度数据以及角速度数据等。具体是，在无人驾驶汽车行驶过程中通过车载GPS模块实时获取差分GPS数据和通过惯性测量单元实时获取IMU数据，随后，可以将差分GPS数据和所述点云数据帧利用ICP(Iterative ClosestPoints，迭代最近点)算法进行离线配准，得到无人驾驶汽车当前的定位真值。
进一步的，信息模块的输出端连接于障碍物数据匹配模块，将所述第一障碍物数据与所述当前环境所对应的地图信息中的第二障碍物数据进行匹配，得到位置范围信息和位置匹配度数据。
进一步的，障碍物数据匹配模块的输出端连接于投影模块，将所述位置范围信息利用UTM投影方法投影到所述地图信息的XY平面上，通过矩阵变换从而得到平面位置具体范围信息。
进一步的，投影模块的输出端连接于定位精度确定模块，将根据所述位置匹配度数据及所述平面位置范围信息得到所述实时定位精度数据。
进一步的，定位精度确定模块的输出端连接于数据比对模块，将采用不同的评估方法对定位数据的处理，与真值差分GPS的数据进行比对，得到不同场景下各个评估方法的准确度。
进一步的，数据比对模块的输出端连接于人工神经网络训练模块，将对各评估方法的精度在不同场景下进行训练，得出不同场景下各评估方法的置信概率。
进一步的，人工神经网络训练模块的输出端链接与多评估方法融合模块，将利用DSmT理论对多个评估方法进行融合，得出不同场景下最佳的定位评估方式和定位精度。
进一步的，多评估方法融合模块的输出端连接与评估模块，将上述实时定位精度数据作为历史定位精度数据并将最佳的定位评估方法和定位精度输出。
本发明还提供一种基于DSmT理论应用于智能汽车不同场景多评估方法融合，具体包括以下步骤：
1)首先利用对不同场景下各个评估方法与真值的比较，得出不同场景的不同评估方法的值；
2)再利用人工神经网络对这些评估方法在不同场景赋予不同的置信度；
3)最后基于DSmT理论的评估方法的融合。
其中，从决策级融合的角度进行数据融合，提高智能汽车定位的精度。在不同的场景下，受环境的的影响，不同评估方法对各个场景的精度评估效果有所差别。随着环境的复杂，特征值变少，各个评估方法的效果也会出现差别，最终出现定位精度评估影响智能汽车定位效果的现象。
其中，各个评估方法包括圆误差概率(CEP)、均方偏差(RMS)、均方根误差(σ)和时间均方根差值(TRMS)。其中，在不同场景下，计算各个评估方法的精度，利用人工神经网络对不同场景下的不同评估方法赋予不同的置信度。一个场景下有不同的评估方法，针对不同的评估方法产生不同的定位精度，人工神经网络则是考虑到在不同场景中，各个精度评估方法效果有差异，对不同场景下的定位评估方法进行训练，赋予不同的置信度，这样也便于将不同的定位精度形成统一的描述。
其中，通过基于DSmT理论对多定位精度评估效果进行融合处理，能够融合多种定位精度的评估方法，针对不同场景出现不同的评估方式，实现更优的定位评估效果。有效地提高了定位精度评估的准确率。
在本实施例中，本发明提出的一种用于评估智能汽车定位精度的方法，在充分考虑到多个不同场景不同评估方法的基础上，对不同场景下不同定位方法精度概率进行神经网络的训练，通过对多种评估方法及其评估数据的合理利用，将多种评估方法按照各种不同的场景需求以某种优化准则组合起来。具体的，首先，搭建汽车动力学模型，使用航迹推算等传统方法进行车辆位姿估计；其次，使用车载激光雷达点云特征提取算法对环境特征点进行提取，使用ICP、图优化等算法进行特征匹配，得到其位姿估计；最后，搭建图像端到端的位姿学习网络架构，使用大量带GPS位姿标定的图像进行学习，从而得到车辆位姿变化。综合分析三种位姿估计算法，航迹推算在长距离推算过程中，其位姿精度会逐渐变差；基于点云的ICP匹配算法，在场景较为简单时，其位姿精度会急剧下降；图像端到端的位姿估计算法，对数据集全面性要求较高，对场景、光线适应能力较差。为得到高精度的定位精度，合理使用三种定位方法，分别分配不同的置信度变得尤为关键。为发挥三种位姿估计的各自优势，以及避免单一定位方式的缺陷，使用粒子滤波器和模糊控制器相结合的方式，对定位参数进行估计和更新。从而提高定位精度的准确性，从而能高效的处理智能汽车位置信息，从而提高智能汽车安全性。
本发明在如图4所示的参考轨迹上进行实车试验，本发明采用高精度差分GPS作为参考值，对定位系统进行测试评价，试验结果如图5所示，使用本发明前定位误差如图5虚线所示，使用本发明实施方法优化后定位误差如图5实线所示，由此可以看出本发明能够有效的提高定位精度。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种用于评估智能汽车定位精度的系统，其特征在于：包括信息模块、障碍物数据匹配模块、投影模块、定位精度确定模块、数据比对模块、人工神经网络训练模块、多评估方法融合模块以及评估模块；
所述信息模块的输出端连接于障碍物数据匹配模块，用于将当前环境中的第一障碍物数据与当前环境所对应的地图信息中的第二障碍物数据进行匹配，得到位置范围信息和位置匹配度数据；
所述障碍物数据匹配模块的输出端连接于投影模块，用于将所述位置范围信息利用UTM投影方法投影到地图信息的XY平面上，通过矩阵变换从而得到平面位置具体范围信息；
所述投影模块的输出端连接于定位精度确定模块，用于根据位置匹配度数据及平面位置范围信息得到实时定位精度数据；
所述定位精度确定模块的输出端连接于数据比对模块，用于采用不同的评估方法对定位数据的处理，与真值差分GPS的数据进行比对，得到不同场景下各个评估方法的准确度；
所述数据比对模块的输出端连接于人工神经网络训练模块，用于对各评估方法的精度在不同场景下进行训练，得出不同场景下各评估方法的置信概率；
所述人工神经网络训练模块的输出端连接于多评估方法融合模块，用于利用DSmT理论对多个评估方法进行融合，得出不同场景下最佳的定位评估方式和定位精度；
所述多评估方法融合模块的输出端连接于评估模块，将上述实时定位精度数据作为历史定位精度数据并将最佳的定位评估方法和定位精度输出。
2.根据权利要求1所述的一种用于评估智能汽车定位精度的系统，其特征在于：所述信息模块通过车载GPS模块实时获取差分GPS数据和通过惯性测量单元实时获取IMU数据，将差分GPS数据和点云数据帧利用ICP算法进行离线配准，得到无人驾驶汽车当前的定位真值。
3.根据权利要求1所述的一种用于评估智能汽车定位精度的系统，其特征在于：所述第一障碍物数据包括相机或激光雷达对环境进行特殊检测以及对环境信息关键点进行提取从而得到的局部特征点。
4.根据权利要求1所述的一种用于评估智能汽车定位精度的系统，其特征在于：所述障碍物数据匹配模块中采用匈牙利算法进行障碍物帧间匹配。
5.根据权利要求1所述的一种用于评估智能汽车定位精度的系统，其特征在于：所述人工神经网络训练模块中，搭建人工神经网络模型，将多种定位评估方法和车辆信息作为网络输入信号，搭建5层全连接神经网络，网络输出端为二元输出，输出图像和点云定位定位系统的定位概率。
6.根据权利要求1所述的一种用于评估智能汽车定位精度的系统，其特征在于：不同的评估方法包括圆误差概率、均方偏差、均方根误差和时间均方根差值。
7.一种用于评估智能汽车定位精度的方法，其特征在于：包括如下步骤：
(1)建立车辆模型，根据车辆信息得到车辆定位精度数据；
(2)利用数据比对模块对不同场景下各个评估方法与真值的比较，得出不同场景的不同评估方法的值；
(3)利用人工神经网络训练模块对这些评估方法在不同场景赋予不同的置信度；
(4)利用多评估方法融合模块对多个评估方法进行融合，得出不同场景下最佳的定位评估方式和定位精度；
(5)对评价结果进行输出。
CN202011636525.6A 2020-12-31 2020-12-31 一种用于评估智能汽车定位精度的系统及方法 Active CN112798020B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011636525.6A CN112798020B (zh) 2020-12-31 2020-12-31 一种用于评估智能汽车定位精度的系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011636525.6A CN112798020B (zh) 2020-12-31 2020-12-31 一种用于评估智能汽车定位精度的系统及方法

Publications (2)

Publication Number Publication Date
CN112798020A true CN112798020A (zh) 2021-05-14
CN112798020B CN112798020B (zh) 2023-04-07

Family

ID=75808716

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011636525.6A Active CN112798020B (zh) 2020-12-31 2020-12-31 一种用于评估智能汽车定位精度的系统及方法

Country Status (1)

Country Link
CN (1) CN112798020B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114543842A (zh) * 2022-02-28 2022-05-27 重庆长安汽车股份有限公司 一种多传感器融合定位系统的定位精度评价系统及方法

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101441076A (zh) * 2008-12-29 2009-05-27 东软集团股份有限公司 一种检测障碍物的方法和装置
US20120110019A1 (en) * 2009-02-10 2012-05-03 Certusview Technologies, Llc Methods, apparatus and systems for generating limited access files for searchable electronic records of underground facility locate and/or marking operations
CN106384382A (zh) * 2016-09-05 2017-02-08 山东省科学院海洋仪器仪表研究所 一种基于双目立体视觉的三维重建系统及其方法
CN108985341A (zh) * 2018-06-26 2018-12-11 四川斐讯信息技术有限公司 一种神经网络模型的训练集评估方法及系统
CN109084804A (zh) * 2018-08-21 2018-12-25 北京云迹科技有限公司 机器人定位精准度判定处理方法及装置
CN109084724A (zh) * 2018-07-06 2018-12-25 西安理工大学 一种基于双目视觉的深度学习障碍物测距方法
US20190049231A1 (en) * 2017-08-11 2019-02-14 Korea University Research And Business Foundation Device and method for generating geomagnetic sensor based location estimation model using artificial neural networks
CN109459734A (zh) * 2018-10-30 2019-03-12 百度在线网络技术（北京）有限公司 一种激光雷达定位效果评估方法、装置、设备及存储介质
CN109766969A (zh) * 2019-01-16 2019-05-17 广西大学 基于异步优势动作评价的rfid室内定位算法
CN110118549A (zh) * 2018-02-06 2019-08-13 刘禹岐 一种多源信息融合定位方法和装置
CN110850447A (zh) * 2019-11-11 2020-02-28 北京交通大学 对列车定位单元的定位精度进行综合评估的方法
CN111582257A (zh) * 2019-02-15 2020-08-25 波音公司 用于对待检测对象进行检测的方法、装置及系统
CN111624634A (zh) * 2020-05-11 2020-09-04 中国科学院深圳先进技术研究院 基于深度卷积神经网络的卫星定位误差评估方法和系统
CN111709517A (zh) * 2020-06-12 2020-09-25 武汉中海庭数据技术有限公司 一种基于置信度预测系统的冗余融合定位增强的方法和装置
CN111724443A (zh) * 2020-06-09 2020-09-29 中国科学院自动化研究所 基于生成式对抗网络的统一场景视觉定位方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101441076A (zh) * 2008-12-29 2009-05-27 东软集团股份有限公司 一种检测障碍物的方法和装置
US20120110019A1 (en) * 2009-02-10 2012-05-03 Certusview Technologies, Llc Methods, apparatus and systems for generating limited access files for searchable electronic records of underground facility locate and/or marking operations
CN106384382A (zh) * 2016-09-05 2017-02-08 山东省科学院海洋仪器仪表研究所 一种基于双目立体视觉的三维重建系统及其方法
US20190049231A1 (en) * 2017-08-11 2019-02-14 Korea University Research And Business Foundation Device and method for generating geomagnetic sensor based location estimation model using artificial neural networks
CN110118549A (zh) * 2018-02-06 2019-08-13 刘禹岐 一种多源信息融合定位方法和装置
CN108985341A (zh) * 2018-06-26 2018-12-11 四川斐讯信息技术有限公司 一种神经网络模型的训练集评估方法及系统
CN109084724A (zh) * 2018-07-06 2018-12-25 西安理工大学 一种基于双目视觉的深度学习障碍物测距方法
CN109084804A (zh) * 2018-08-21 2018-12-25 北京云迹科技有限公司 机器人定位精准度判定处理方法及装置
CN109459734A (zh) * 2018-10-30 2019-03-12 百度在线网络技术（北京）有限公司 一种激光雷达定位效果评估方法、装置、设备及存储介质
CN109766969A (zh) * 2019-01-16 2019-05-17 广西大学 基于异步优势动作评价的rfid室内定位算法
CN111582257A (zh) * 2019-02-15 2020-08-25 波音公司 用于对待检测对象进行检测的方法、装置及系统
CN110850447A (zh) * 2019-11-11 2020-02-28 北京交通大学 对列车定位单元的定位精度进行综合评估的方法
CN111624634A (zh) * 2020-05-11 2020-09-04 中国科学院深圳先进技术研究院 基于深度卷积神经网络的卫星定位误差评估方法和系统
CN111724443A (zh) * 2020-06-09 2020-09-29 中国科学院自动化研究所 基于生成式对抗网络的统一场景视觉定位方法
CN111709517A (zh) * 2020-06-12 2020-09-25 武汉中海庭数据技术有限公司 一种基于置信度预测系统的冗余融合定位增强的方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
MEI LIU，ET AL: "Elastic neural network method for multi-target tracking task allocation in wireless sensor network", 《COMPUTERS AND MATHEMATICS WITH APPLICATIONS》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114543842A (zh) * 2022-02-28 2022-05-27 重庆长安汽车股份有限公司 一种多传感器融合定位系统的定位精度评价系统及方法
CN114543842B (zh) * 2022-02-28 2023-07-28 重庆长安汽车股份有限公司 一种多传感器融合定位系统的定位精度评价系统及方法

Also Published As

Publication number Publication date
CN112798020B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN112014857B (zh) 用于智能巡检的三维激光雷达定位导航方法及巡检机器人
AU2018282302B2 (en) Integrated sensor calibration in natural scenes
Alonso et al. Accurate global localization using visual odometry and digital maps on urban environments
Pink et al. Visual features for vehicle localization and ego-motion estimation
CN113074727A (zh) 基于蓝牙与slam的室内定位导航装置及其方法
CN111077907A (zh) 一种室外无人机的自主定位方法
CN113903011A (zh) 一种适用于室内停车场的语义地图构建及定位方法
CN113763548B (zh) 基于视觉-激光雷达耦合的贫纹理隧洞建模方法及系统
CN114755662A (zh) 一种路车融合感知的激光雷达和gps的标定方法和装置
CN112136021A (zh) 用于构建基于地标的高清地图的系统和方法
CN110751123A (zh) 一种单目视觉惯性里程计系统及方法
CN114323033B (zh) 基于车道线和特征点的定位方法、设备及自动驾驶车辆
CN112798020B (zh) 一种用于评估智能汽车定位精度的系统及方法
CN113971697A (zh) 一种空地协同车辆定位定向方法
CN113701750A (zh) 一种井下多传感器的融合定位系统
CN112862818A (zh) 惯性传感器和多鱼眼相机联合的地下停车场车辆定位方法
CN112945233A (zh) 一种全局无漂移的自主机器人同时定位与地图构建方法
CN115307646A (zh) 一种多传感器融合的机器人定位方法、系统及装置
CN115546303A (zh) 室内停车场的定位方法、装置、车辆及存储介质
CN114529585A (zh) 基于深度视觉和惯性测量的移动设备自主定位方法
Kang et al. A Visual SLAM Algorithm Based on Dynamic Feature Point Filtering
Weyers et al. Improving occupancy grid FastSLAM by integrating navigation sensors
CN117268404B (zh) 一种利用多传感器融合的无人机室内外自主导航方法
CN117553811B (zh) 基于路侧相机与车载gnss/ins的车路协同定位导航方法及系统
Abdelhafid et al. Visual and light detection and ranging-based simultaneous localization and mapping for self-driving cars.

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