CN113076988B - 基于神经网络的移动机器人视觉slam关键帧自适应筛选方法 - Google Patents
基于神经网络的移动机器人视觉slam关键帧自适应筛选方法 Download PDFInfo
- Publication number
- CN113076988B CN113076988B CN202110338343.9A CN202110338343A CN113076988B CN 113076988 B CN113076988 B CN 113076988B CN 202110338343 A CN202110338343 A CN 202110338343A CN 113076988 B CN113076988 B CN 113076988B
- Authority
- CN
- China
- Prior art keywords
- key frame
- screening
- imu
- neural network
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Biology (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于神经网络的移动机器人视觉SLAM关键帧自适应筛选方法,属于移动机器人领域,包括以下步骤:利用IMU信息计算出的移动机器人的相对位移和角度变化量筛选出候选关键帧;利用视觉传感器获得的图像信息对候选关键帧进行筛选,从候选关键帧中筛选出最终的关键帧;其中两次筛选关键帧的相关阈值和权重由神经网络自适应生成。本发明在保证了系统的定位精度和鲁棒性的前提下,减少了视觉信息处理数量,提高了系统实时性。
Description
技术领域
本发明属于移动机器人领域,涉及一种基于神经网络的移动机器人视觉SLAM关键帧自适应筛选方法。
背景技术
在移动机器人领域,SLAM是指同时定位与地图构建,是导航定位的关键技术,视觉传感器由于结构简单、成本低且能获取丰富的视觉信息,被广泛应用于SLAM,这类SLAM被称为是视觉SLAM。特征提取是视觉SLAM的第一步,中国专利CN109766758A公开了一种基于ORB特征的视觉SLAM方法,其前端部分采用ORB特性提取算法,包括特征点检测和描述子生成,特征点检测是通过判断某一像素点P与周围半径为r的圆上的其他像素点灰度值之差是否大于给定阈值,若满足,则认定该点P是特征点。描述子的生成是在特征点P的周围以一定模式选取n个点对,把这n个点对的比较结果以二进制01组合起来。设第n个点对为Pn(A,B),定义操作T,当A点的灰度值大于B点的灰度值,则T{P(A,B)}为1,反之为0,这样对被选取的特征点对进行T操作,将得到的结果进行组合,这样就得到了由01组合成的描述子。通过提取的特征点进行关键帧的确定以及跟踪,但仅使用视觉传感器的SLAM系统渐渐无法满足无人机、自动驾驶等应用中的精度要求,于是结合视觉传感器和惯性测量单元的SLAM应运而生。惯性测量单元简称IMU,包括加速度计和陀螺仪,可完成对移动平台的加速度和角速度的测量。中国专利CN107193279A公开了一种基于单目视觉和IMU信息的移动机器人定位与地图构建系统。在视觉导航中,使用ORB特征提取算法,对图像帧提取丰富的ORB特征;利用基于预积分的IMU动力学模型建立相机的运动模型,对相机位置进行实时初步估计;在初步估计的基础上对两个图像帧之间的ORB特征进行更为精确的估计,再利用多目几何知识,实现对空间地图点三维重构;在融合IMU信息的视觉信息匹配的基础之上,采用基于因子图的后端优化算法,实时对地图位置进行精确和实时的估计。但该方法仍是先要对视觉信息进行ORB特征提取处理,之后才能进行关键帧确定,可实际应用中ORB特征提取处理对计算资源有很大的依赖性,且会浪费大量时间,严重影响了SLAM系统的运行速度,不能满足移动机器人SLAM系统的实时性要求。
发明内容
鉴于现有技术中存在关键帧的确定对计算资源和时间的依赖造成系统实时性差的问题,本发明基于神经网络,构建了IMU和视觉传感器相结合的关键帧自适应选取方法。
为达到上述目的,本发明提供如下技术方案:
一种基于神经网络的移动机器人视觉SLAM关键帧自适应筛选方法,包括以下步骤:
利用IMU信息计算出的移动机器人的相对位移和角度变化量筛选出候选关键帧;
利用视觉传感器获得的图像信息对候选关键帧进行筛选,从候选关键帧中筛选出最终的关键帧;
其中两次筛选关键帧的相关阈值和权重由神经网络自适应生成。
进一步,IMU包括加速度计和陀螺仪,所述IMU信息包括当前时刻角速度和加速度。
进一步,对IMU信息进行预积分处理,具体包括:
对加速度计测得的加速度值去除噪声后进行一次积分得到速度,二次积分得到相对位移;
对陀螺仪测得的角速度值去除噪声后进行一次积分得到移动机器人运动过程中的角度变化量。
进一步,IMU数据预积分时间间隔为Δtij,在k时刻测得的角速度为wk,陀螺仪的零偏和高斯白噪声分别为bg和ηg;测得的加速度为ak,加速度计的零偏和高斯白噪声分别为ba和ηa,位姿信息包括旋转矩阵Ri和位置信息Pi,通过积分k=i时刻到k=j-1时刻的所有IMU测量值,来将k=i时刻的旋转矩阵Ri、位置信息Pi、速度信息vi和角度信息θi更新到k=j时刻的Rj、Pj、vj和θj。相关公式如下:
进一步,所述候选关键帧的筛选通过下式来判断:
α(Pn-Pn-1)+(1-α)(θn-θn-1)≥δ (5)
其中α、(1-α)分别为相对位移和角度变化的权重,δ为筛选阈值,均通过神经网络自适应生成;
筛选过程具体包括以下步骤:
(1)令IMU数据与图像数据对齐后的第一帧为关键帧,且给定阈值δ1,在一定时间间隔Δtij对IMU数据进行预积分,得到第一时刻位置信息P1,当前第一角度θ1;若0.5P1+0.5θ1≥δ1,则将其作为第二关键帧;否则,再加入一个时间间隔Δtij对IMU数据进行预积分,直到满足0.5P1+0.5θ1≥δ1;
(2)从筛选第三候选关键帧开始,对与上一关键帧间隔时间Δtij的IMU数据进行预积分,得到第n时刻位置信息Pn,第n时刻角度θn;若α(Pn-Pn-1)+(1-α)(θn-θn-1)≥δ,则将该帧加入候选关键帧,否则将该帧丢弃并再引入一个Δtij对IMU信息进行预积分。
进一步,所述利用视觉传感器获得的图像信息对候选关键帧进行筛选,从候选关键帧中筛选出最终的关键帧,具体包括:
对已经筛选出的候选关键帧进行特征提取并进行匹配,计算这一候选关键帧与上一关键帧的内容相似度S,并将其与内容相似度ε比较,若S≥ε,则该候选关键帧不是关键帧;若S<ε,则该候选关键帧是关键帧,针对该帧进行位姿优化求解;所述关键帧的筛选阈值ε通过神经网络自适应生成。
进一步,通过神经网络生成阈值δ、ε和权重α,所述神经网络具体包括:
输入层{X1,X2,…X5}分别为最新关键帧的IMU加速度信息ak和角速度信息wk、最新的两关键帧间的相对位移(Pk-Pk-1)和角度变化(θk-θk-1)、最新的两关键帧的图像内容相似度S;
隐藏层为{A1,A2,…A5};
输出层{Y1,Y2,Y3}分别为相对位移的权重α、候选关键帧的筛选阈值δ、内容相似度阈值ε;
隐藏层和输出层的激活函数均选用ReLU函数,训练过程中所使用的数据实际输出值为Yj′,模型的学习速率为ρ。计算隐藏层输入时,Xn所对应的权重为Wni;求输出层输入时,Om所对应的权重为Vmj。
隐藏层输出Oi分别为:Oi=max(0,Ii) (7)
输出层输出Yj分别为:Yj=max(0,Tj) (9)
隐藏层到输出层的权值调整值ΔVmj为:ΔVmj=-ρ(Yj′-Yj)Om (12)
本发明的有益效果在于:本方案在关键帧确定之前,加入了候选关键帧筛选环节,利用IMU计算出移动机器人的相对位移和角度变化量来筛选候选关键帧,并基于神经网络自适应生成关键帧两次筛选的相关阈值和权重,在保证了系统的定位精度和鲁棒性的前提下,减少了视觉信息处理数量,提高了系统实时性。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为本发明所述基于神经网络的移动机器人视觉SLAM关键帧自适应筛选方法流程示意图;
图2为IMU预积分示意图;
图3为神经网络模型示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本发明的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”、“前”、“后”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,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本发明的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
请参阅图1为一种基于神经网络的移动机器人视觉SLAM关键帧自适应筛选方法,本发明基于神经网络,构建了IMU和视觉传感器相结合的关键帧自适应选取方法,主要通过两步进行关键帧的确定:首先利用IMU信息计算出的移动机器人的相对位移和角度变化量筛选出候选关键帧,其次对视觉传感器获取的候选关键帧的图像信息进行ORB特征提取,从候选关键帧中筛选出最终的关键帧,确定出关键帧后,即可进行后续的位姿求解。
关键帧筛选的相关阈值与权重由构建的神经网络模型学习训练后自适应生成,将最新关键帧的IMU信息(即当前时刻角速度和加速度)、与上一关键帧的相对位移和角度变化、与上一关键帧的内容相似度作为神经网络的输入数据,下一关键帧筛选的相关阈值与权重是神经网络的输出。该发明通过加快关键帧的筛选速度并自适应生成相关阈值与权重,在保证系统鲁棒性的前提下达到了提高系统实时性的目的。
本发明首先通过IMU预积分筛选出候选关键帧,然后利用视觉传感器获得的图像信息对候选关键帧进行筛选,确定出最后的关键帧,其中两次筛选的阈值与权重由神经网络自适应生成,避免对所有帧图像数据进行特征处理,其具体流程如图1所示。
1、IMU信息预积分
IMU包括加速度计和陀螺仪,可分别测得移动机器人在运动过程中的加速度与角速度值。在IMU数据与图像数据已经对齐的情况下,如图2所示,对IMU数据进行预积分处理,对加速度计测得的加速度值去除噪声后进行一次积分可得到速度,二次积分可得到相对位移。对陀螺仪测得的角速度值去除噪声后进行一次积分可得到移动机器人运动过程中的角度变化。
IMU数据预积分时间间隔为Δtij,在k时刻测得的角速度为wk,陀螺仪的零偏和高斯白噪声分别为bg和ηg;测得的加速度为ak,加速度计的零偏和高斯白噪声分别为ba和ηa,位姿信息包括旋转矩阵Ri和位置信息Pi。通过积分k=i时刻到k=j-1时刻的所有IMU测量值,来将k=i时刻的位姿信息Ri、Pi和速度信息vi、角度信息θi更新到k=j时刻的Rj、Pj、vj和θj。相关公式如下:
2、筛选候选关键帧
为了提高系统的实时性,不产生大量冗余信息,关键帧选择之前先选出候选关键帧,主要通过
α(Pn-Pn-1)+(1-α)(θn-θn-1)≥δ (5)
来判断。其中α、(1-α)分别为相对位移和角度变化的权重。
具体流程为:
(1)令IMU数据与图像数据对齐后的第一帧为关键帧,且给定δ1,在一定时间间隔Δtij对IMU数据进行预积分,得到P1,θ1。若0.5P1+0.5θ1≥δ1,则将其作为第二关键帧;否则,再加入一个时间间隔Δtij对IMU数据进行预积分,直到满足0.5P1+0.5θ1≥δ1。
(2)从筛选第三候选关键帧开始,对与上一关键帧间隔时间Δtij的IMU数据进行预积分,得到Pn,θn。若α(Pn-Pn-1)+(1-α)(θn-θn-1)≥δ,则将该帧加入候选关键帧,否则将该帧丢弃并再引入一个Δtij对IMU信息进行预积分。其中α、δ会在步骤4中产生。
3、筛选关键帧
对已经筛选出的候选关键帧进行特征提取并进行匹配,计算这一候选关键帧与上一关键帧的内容相似度S,并将其与阈值ε比较,若S≥ε,则该候选关键帧不是关键帧;若S<ε,则该候选关键帧是关键帧,针对该帧进行位姿优化求解。关键帧的筛选阈值需要依据视觉传感器采集到的图像内容的变化程度而定。内容变化较快时,为保证选取的关键帧携带信息的完整性,应当多选取一些关键帧;内容变化较慢时,为避免关键帧数量过多增加系统不必要的计算量,应适当减少关键帧的数量。故阈值ε需根据系统需要自适应产生,其值同样会在步骤4中产生。
4、自适应生成关键帧的筛选权重和阈值
神经网络经过足够的样本学习训练可找到输入输出间的非线性映射,且结构简单,误差小,故该步骤将大量复杂计算放到神经网络模型的训练过程中,直接得到移动机器人不同位姿变化与关键帧筛选阈值、权重之间的关系。利用已有实验数据,对构建的神经网络模型进行学习训练,模型训练完成后即可自适应生成关键帧筛选过程中所需阈值δ、ε和权重α。
本发明中所构建的神经网络模型如图3所示,其中输入层{X1,X2,…X5}分别为最新关键帧的IMU信息(当前时刻的角速度wk和线加速度ak)、最新的两关键帧间的相对位移(Pk-Pk-1)和角度变化(θk-θk-1)、最新的两关键帧的图像内容相似度S。隐藏层为{A1,A2,…A5}。输出层{Y1,Y2,Y3}分别为相对位移的权重α、候选关键帧的筛选阈值δ、内容相似度阈值ε。隐藏层和输出层的激活函数均选用ReLU函数。训练过程中所使用的数据实际输出值为Yj′,模型的学习速率为ρ。计算隐藏层输入时,Xn所对应的权重为Wni;求输出层输入时,Om所对应的权重为Vmj。
隐藏层输出Oi分别为:Oi=max(0,Ii) (7)
输出层输出Yj分别为:Yj=max(0,Tj) (9)
隐藏层到输出层的权值调整值ΔVmj为:ΔVmj=-ρ(Yj′-Yj)Om (12)
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (4)
1.一种基于神经网络的移动机器人视觉SLAM关键帧自适应筛选方法,其特征在于:包括以下步骤:
利用IMU信息计算出的移动机器人的相对位移和角度变化量筛选出候选关键帧;所述候选关键帧的筛选通过下式来判断:
α(Pn-Pn-1)+(1-α)(θn-θn-1)≥δ (5)
其中α、(1-α)分别为相对位移和角度变化的权重,δ为筛选阈值,均通过神经网络自适应生成;
筛选过程具体包括以下步骤:
(1)令IMU数据与图像数据对齐后的第一帧为关键帧,且给定阈值δ1,在一定时间间隔Δtij对IMU数据进行预积分,得到第一时刻位置信息P1,当前第一角度θ1;若0.5P1+0.5θ1≥δ1,则将其作为第二关键帧;否则,再加入一个时间间隔Δtij对IMU数据进行预积分,直到满足0.5P1+0.5θ1≥δ1;
(2)从筛选第三候选关键帧开始,对与上一关键帧间隔时间Δtij的IMU数据进行预积分,得到第n时刻位置信息Pn,第n时刻角度θn;若α(Pn-Pn-1)+(1-α)(θn-θn-1)≥δ,则将该帧加入候选关键帧,否则将该帧丢弃并再引入一个Δtii对IMU信息进行预积分;
利用视觉传感器获得的图像信息对候选关键帧进行筛选,从候选关键帧中筛选出最终的关键帧,具体包括:
对已经筛选出的候选关键帧进行特征提取并进行匹配,计算这一候选关键帧与上一关键帧的内容相似度S,并将其与内容相似度ε比较,若S≥ε,则该候选关键帧不是关键帧;若S<ε,则该候选关键帧是关键帧,针对该帧进行位姿优化求解;所述关键帧的筛选阈值ε通过神经网络自适应生成;
其中两次筛选关键帧的相关阈值和权重由神经网络自适应生成;通过神经网络生成阈值δ、ε和权重α,所述神经网络具体包括:
输入层{X1,X2,...X5}分别为最新关键帧的IMU加速度信息ak和角速度信息wk、最新的两关键帧间的相对位移(Pk-Pk-1)和角度变化(θk-θk-1)、最新的两关键帧的图像内容相似度S;
隐藏层为{A1,A2,...A5};
输出层{Y1,Y2,Y3}分别为相对位移的权重α、候选关键帧的筛选阈值δ、内容相似度阈值ε;
隐藏层和输出层的激活函数均选用ReLU函数;训练过程中所使用的数据实际输出值为Y′j,模型的学习速率为ρ,计算隐藏层输入时,Xn所对应的权重为Wni;求输出层输入时,Om所对应的权重为Vmj;
隐藏层输出Oi分别为:Oi=max(0,Ii) (7)
输出层输出Yj分别为:Yj=max(0,Tj) (9)
隐藏层到输出层的权值调整值ΔVmj为:ΔVmj=-ρ(Y′j-Yj)Om (12)。
2.根据权利要求1所述的基于神经网络的移动机器人视觉SLAM关键帧自适应筛选方法,其特征在于:IMU包括加速度计和陀螺仪,所述IMU信息包括当前时刻角速度和加速度。
3.根据权利要求2所述的基于神经网络的移动机器人视觉SLAM关键帧自适应筛选方法,其特征在于:对IMU信息进行预积分处理,具体包括:
对加速度计测得的加速度值去除噪声后进行一次积分得到速度,二次积分得到相对位移;
对陀螺仪测得的角速度值去除噪声后进行一次积分得到移动机器人运动过程中的角度变化量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110338343.9A CN113076988B (zh) | 2021-03-25 | 2021-03-25 | 基于神经网络的移动机器人视觉slam关键帧自适应筛选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110338343.9A CN113076988B (zh) | 2021-03-25 | 2021-03-25 | 基于神经网络的移动机器人视觉slam关键帧自适应筛选方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113076988A CN113076988A (zh) | 2021-07-06 |
CN113076988B true CN113076988B (zh) | 2022-06-03 |
Family
ID=76611381
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110338343.9A Active CN113076988B (zh) | 2021-03-25 | 2021-03-25 | 基于神经网络的移动机器人视觉slam关键帧自适应筛选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113076988B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114248266B (zh) * | 2021-09-17 | 2024-03-26 | 之江实验室 | 双臂机器人的拟人化动作轨迹生成方法及装置、电子设备 |
CN116625380B (zh) * | 2023-07-26 | 2023-09-29 | 广东工业大学 | 一种基于机器学习和slam的路径规划方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017155970A1 (en) * | 2016-03-11 | 2017-09-14 | Kaarta, Inc. | Laser scanner with real-time, online ego-motion estimation |
CN107193279A (zh) * | 2017-05-09 | 2017-09-22 | 复旦大学 | 基于单目视觉和imu信息的机器人定位与地图构建系统 |
CN108665540A (zh) * | 2018-03-16 | 2018-10-16 | 浙江工业大学 | 基于双目视觉特征和imu信息的机器人定位与地图构建系统 |
CN109029433A (zh) * | 2018-06-28 | 2018-12-18 | 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 |
CN109579847A (zh) * | 2018-12-13 | 2019-04-05 | 歌尔股份有限公司 | 同步定位与地图构建中关键帧提取方法、装置和智能设备 |
CN110717927A (zh) * | 2019-10-10 | 2020-01-21 | 桂林电子科技大学 | 基于深度学习和视惯融合的室内机器人运动估计方法 |
CN112197770A (zh) * | 2020-12-02 | 2021-01-08 | 北京欣奕华数字科技有限公司 | 一种机器人的定位方法及其定位装置 |
CN112348854A (zh) * | 2020-11-18 | 2021-02-09 | 合肥湛达智能科技有限公司 | 一种基于深度学习视觉惯性里程检测方法 |
CN112432653A (zh) * | 2020-11-27 | 2021-03-02 | 北京工业大学 | 基于点线特征的单目视觉惯性里程计方法 |
KR20210075619A (ko) * | 2019-12-13 | 2021-06-23 | 주식회사 케이티 | 자율주행 로봇, 자율주행 로봇의 위치 추정 서버 및 이를 이용한 자율주행 로봇의 위치 추정 방법 |
-
2021
- 2021-03-25 CN CN202110338343.9A patent/CN113076988B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017155970A1 (en) * | 2016-03-11 | 2017-09-14 | Kaarta, Inc. | Laser scanner with real-time, online ego-motion estimation |
CN107193279A (zh) * | 2017-05-09 | 2017-09-22 | 复旦大学 | 基于单目视觉和imu信息的机器人定位与地图构建系统 |
CN108665540A (zh) * | 2018-03-16 | 2018-10-16 | 浙江工业大学 | 基于双目视觉特征和imu信息的机器人定位与地图构建系统 |
CN109029433A (zh) * | 2018-06-28 | 2018-12-18 | 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 |
CN109579847A (zh) * | 2018-12-13 | 2019-04-05 | 歌尔股份有限公司 | 同步定位与地图构建中关键帧提取方法、装置和智能设备 |
CN110717927A (zh) * | 2019-10-10 | 2020-01-21 | 桂林电子科技大学 | 基于深度学习和视惯融合的室内机器人运动估计方法 |
KR20210075619A (ko) * | 2019-12-13 | 2021-06-23 | 주식회사 케이티 | 자율주행 로봇, 자율주행 로봇의 위치 추정 서버 및 이를 이용한 자율주행 로봇의 위치 추정 방법 |
CN112348854A (zh) * | 2020-11-18 | 2021-02-09 | 合肥湛达智能科技有限公司 | 一种基于深度学习视觉惯性里程检测方法 |
CN112432653A (zh) * | 2020-11-27 | 2021-03-02 | 北京工业大学 | 基于点线特征的单目视觉惯性里程计方法 |
CN112197770A (zh) * | 2020-12-02 | 2021-01-08 | 北京欣奕华数字科技有限公司 | 一种机器人的定位方法及其定位装置 |
Non-Patent Citations (3)
Title |
---|
张臻炜等.一种基于计算机视觉的无人机实时三维重建方法.《机械与电子》.2015,(第12期), * |
徐玲等.基于关键帧的视觉惯性定位算法.《科技通报》.2020,(第05期), * |
胡为等.一种侦察机器人的SLAM关键帧自适应选取算法.《电光与控制》.2020,(第06期), * |
Also Published As
Publication number | Publication date |
---|---|
CN113076988A (zh) | 2021-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104200494B (zh) | 一种基于光流的实时视觉目标跟踪方法 | |
CN106780631B (zh) | 一种基于深度学习的机器人闭环检测方法 | |
CN110717927A (zh) | 基于深度学习和视惯融合的室内机器人运动估计方法 | |
CN113076988B (zh) | 基于神经网络的移动机器人视觉slam关键帧自适应筛选方法 | |
CN111292366B (zh) | 一种基于深度学习和边缘计算的视觉行车测距算法 | |
CN110956154A (zh) | 一种基于cnn-lstm的振动信息地形分类识别方法 | |
CN105976402A (zh) | 一种单目视觉里程计的真实尺度获取方法 | |
CN111340855A (zh) | 一种基于轨迹预测的道路移动目标检测方法 | |
CN110119768B (zh) | 用于车辆定位的视觉信息融合系统及方法 | |
JP7173471B2 (ja) | 3次元位置推定装置及びプログラム | |
CN111797684A (zh) | 一种运动车辆双目视觉测距方法 | |
CN116258744A (zh) | 基于可见光、红外和激光雷达数据融合的目标跟踪方法 | |
CN114663488A (zh) | 一种基于深度学习的火箭助推器分离运动参数测量方法 | |
CN108469729B (zh) | 一种基于rgb-d信息的人体目标识别与跟随方法 | |
Jo et al. | Mixture density-PoseNet and its application to monocular camera-based global localization | |
Wang et al. | Object detection algorithm based on improved Yolov3-tiny network in traffic scenes | |
CN116665097A (zh) | 一种结合上下文感知的自适应目标跟踪方法 | |
CN113899361B (zh) | 基于空间划分的slam快速回环检测方法 | |
CN113379787B (zh) | 基于3d卷积孪生神经网络和模板更新的目标跟踪方法 | |
CN115082519A (zh) | 一种基于背景感知相关滤波的飞机跟踪方法、存储介质和电子设备 | |
Sun et al. | Accurate deep direct geo-localization from ground imagery and phone-grade gps | |
CN113566828A (zh) | 一种基于多传感器决策融合的抗冲击扫描匹配方法及系统 | |
CN113326716B (zh) | 面向装配现场环境装配指导ar应用定位的回环检测方法 | |
Novotny et al. | Vehicle side-slip angle estimation under snowy conditions using machine learning | |
CN113608523B (zh) | 一种基于单目视觉和惯性融合的车辆场景动态性分析方法 |
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 |