CN113091733A - 一种基于毫米波雷达与imu融合的实时定位装置及方法 - Google Patents

一种基于毫米波雷达与imu融合的实时定位装置及方法 Download PDF

Info

Publication number
CN113091733A
CN113091733A CN202110275225.8A CN202110275225A CN113091733A CN 113091733 A CN113091733 A CN 113091733A CN 202110275225 A CN202110275225 A CN 202110275225A CN 113091733 A CN113091733 A CN 113091733A
Authority
CN
China
Prior art keywords
millimeter wave
wave radar
coordinate system
measurement unit
sensor
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.)
Pending
Application number
CN202110275225.8A
Other languages
English (en)
Inventor
柳景斌
王泽民
吕轩凡
续东
尹斐
梁一帆
仇宏煜
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.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
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 Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202110275225.8A priority Critical patent/CN113091733A/zh
Publication of CN113091733A publication Critical patent/CN113091733A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
    • G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
    • G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
    • G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
    • 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
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/06—Systems determining position data of a target
    • 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
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder

Abstract

本发明公开了一种基于毫米波雷达与IMU融合的实时定位装置及方法，装置由处理器、毫米波雷达传感器以及惯性测量单元传感器组成；本发明首先对毫米波雷达和惯性测量单元数据进行预处理，包括毫米波雷达数据的距离和多普勒傅里叶变换，以及惯性测量单元的预积分；然后通过获取的传感器实时数据，利用算法实时计算毫米波雷达传感器的精确位置与姿态；本发明实现了一种基于毫米波雷达与惯性测量单元融合的实时定位方法。本发明具有在复杂环境中无缝定位、数据自动采集、自主导航定位等功能，是一种多传感器融合的可在复杂环境无缝定位、自动化数据采集和自主导航定位方法和无人系统智能装备。

Description

一种基于毫米波雷达与IMU融合的实时定位装置及方法
技术领域
本发明属于测绘技术领域，涉及一种基于毫米波雷达与惯性测量单元融合的实时定位装置及方法，具体涉及一种利用调频连续波技术的毫米波雷达(Radar)和惯性测量单元(IMU)融合的实时定位装置及方法。
背景技术
毫米波(mmWave)是一类使用短波长电磁波的特殊雷达技术。雷达系统发射的电磁波信号被其发射路径上的物体阻挡继而会发生反射。通过捕捉反射的信号，雷达系统可以确定物体的距离、速度和角度。
毫米波雷达可发射波长为毫米量级的信号。在电磁频谱中，这种波长被视为短波长，具有其独特的优势。例如：
1)处理毫米波信号所需的系统组件(如天线)的尺寸可以很小。
2)短波长的另一项优势是高准确度。在工作频率为76–81GHz(对应波长约为4mm)的毫米波系统能够精确检测小至零点几毫米的定位信息。
3)相比视觉摄像头或激光雷达等产品，毫米波的短波长特性使其穿透性大大增强，几乎不受雨雪，大雾，黑暗强光等极端天气的影响。
毫米波雷达目前的常见应用包括BSD盲点检测，ACC自适应巡航，AEB自动紧急刹车，交通测速，工业液位检测等，除了传统应用，目前很多国内外的科研机构和企业也在尝试使用毫米波雷达进行场景感知和态势识别。目前在无人系统中，基于视觉摄像头和激光雷达的导航方法逐渐成熟，但是将毫米波雷达用于无人系统的导航定位方面还很少有人尝试。
综上所述，现有方法存在以下问题：
1)基于视觉摄像头和激光雷达的无人系统导航方法受本身传感器的限制，无法在雨雪，大雾，黑暗强光等极端环境中稳定运行；
2)激光雷达传感器成本较高，目前还很难大面积普及。
发明内容
为了解决上述问题，本发明提供了一种新型的基于毫米波雷达与惯性测量单元融合的无人系统导航定位装置及方法。
本发明的装置所采用的技术方案是：一种基于毫米波雷达与IMU融合的实时定位装置，包括处理器、毫米波雷达传感器以及惯性测量单元传感器；
所述处理器，用于采集并处理毫米波雷达传感器和惯性测量单元传感器数据，计算出毫米波雷达在所处环境中的实时位置；
所述毫米波雷达传感器，用于所述装置移动时发射和采集返回的毫米波雷达调频连续波数据；
所述惯性测量单元传感器，用于所述装置移动时采集加速度数据和陀螺仪数据；
所述处理器分别与所述毫米波雷达传感器以及惯性测量单元传感器连接通信。
本发明的方法所采用的技术方案是：一种基于毫米波雷达与IMU融合的实时定位方法，包括以下步骤：
步骤1：采集毫米波雷达传感器数据和惯性测量单元传感器数据，包括毫米波雷达传感器调制的调频连续波信号以及系统运动的加速度和角速度；
步骤2：毫米波雷达传感器数据预处理和惯性测量单元传感器数据预处理，包括毫米波雷达传感器数据的距离和多普勒傅里叶变换，将毫米波雷达传感器数据帧转换为灰度图像，以及惯性测量单元传感器数据的预积分；
步骤3：系统的初始化，将毫米波雷达传感器里程计结果与惯性测量单元传感器预积分进行配准；
步骤4：利用步骤3确定的毫米波雷达传感器里程计和惯性测量单元传感器预积分配准信息计算所述实时定位系统的精确实时位置和姿态。
与现有技术相比，本发明的有益效果是：
(1)本发明的无人系统导航定位方法鲁棒性比基于视觉和激光雷达的方法高，几乎可以不受雨雪，大雾，黑暗强光等极端天气的影响。
(2)本发明的无人系统导航定位方法可获得不低于视觉定位的精度。
(3)本发明的无人系统导航定位方法成本远比基于激光雷达的方法低。
附图说明
图1为本发明实施例的方法流程图；
图2为本发明实施例中获得的一个毫米波雷达灰度图像数据图，左侧为极坐标系，右侧为笛卡尔坐标系；
图3为本发明实施例中毫米波雷达和惯性测量单元单元配准示意图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
本发明提供的一种基于毫米波雷达与IMU融合的实时定位装置，包括处理器、毫米波雷达传感器以及惯性测量单元传感器；
处理器，用于采集并处理毫米波雷达传感器和惯性测量单元传感器数据，计算出毫米波雷达在所处环境中的实时位置；
毫米波雷达传感器，用于装置移动时发射和采集返回的毫米波雷达调频连续波(FMCW)数据；
惯性测量单元传感器，用于装置移动时采集加速度数据和陀螺仪数据；
处理器分别与毫米波雷达传感器以及惯性测量单元传感器通过USB线缆连接。
请见图1，本发明提供的一种基于毫米波雷达与惯性测量单元融合的实时定位方法，包括以下步骤：
步骤1：采集Radar数据和IMU数据；
本实施例中，Radar数据和IMU数据包括Radar传感器调制的调频连续波信号以及系统运动的加速度和角速度
步骤2：Radar数据预处理和IMU数据预处理，包括毫米波雷达数据的距离和多普勒傅里叶变换，将毫米波雷达数据帧转换为灰度图像，以及惯性测量单元的预积分；
请见图2，为本发明实施例中获得的一个毫米波雷达灰度图像数据图，左侧为极坐标系，右侧为笛卡尔坐标系。
步骤3：系统的初始化，主要将Radar里程计结果与IMU预积分进行配准；
本实施例中，采用视觉特征跟踪策略建立一套特征点管理策略来有效表示每一帧Radar图像中特征点所在的位置，通过IMU预积分策略使高频IMU数据与低频Radar数据配准起来。
本实施例中，特征点管理策略是在毫米波雷达传感器灰度图像上提取预定数量N的SIFT特征点，并计算特征描述符，通过特征描述符进行相邻帧的匹配，然后利用匹配特征点的运动趋势一致来进行约束从而去除误匹配。
请见图3，为本发明实施例中毫米波雷达和惯性测量单元单元配准示意图，经过配准后高频的IMU数据会和低频的毫米波雷达数据进行时间对齐。
步骤4：利用步骤3确定的Radar里程计和IMU预积分配准信息计算实时定位系统的精确实时位置和姿态。
本实施例步骤4的具体实现包括以下子步骤：
步骤4.1：通过对极几何采用五点法和RANSAC策略来估计相邻帧的本质矩阵；
本实施例中，毫米波雷达的一系列数据转换成了序列图像帧，这里相邻帧指前后两帧。
步骤4.2：通过SVD分解本质矩阵计算毫米波雷达的位置和姿态；
步骤4.3：进行毫米波雷达位置和姿态信息和场景几何结构的优化计算，构建包含三个残差项的优化函数，分别是边缘化的先验信息、毫米波雷达图像的重投影误差项和IMU的测量残差项；
本实施例中优化函数为：
Figure BDA0002976359030000041
其中，||rp-HPχ||2为边缘化的先验信息，rp-HPχ为边缘化残差，rp表示边缘化先验信息，HP为边缘化信息矩阵；
Figure BDA0002976359030000042
为待优化的所有状态变量；λl,l∈[0,m]表示第l个特征点在第一次观测时的逆深度信息，m为优化窗口内所有特征点数量；C表示所有的毫米波雷达传感器图像数据帧，B表示所有的惯性测量单元传感器数据帧；n为总毫米波雷达传感器图像帧数量；
Figure BDA0002976359030000043
k∈[0,n]表示第k张毫米波雷达图像时刻，上标中的w表示世界坐标系，bk 指第k帧毫米波雷达图像时刻的惯性坐标系；
Figure BDA0002976359030000044
表示毫米波雷达和惯性测量单元之间的位置
Figure BDA0002976359030000045
和姿态
Figure BDA0002976359030000046
所有上下标中，b都代表惯性测量单元坐标系，c代表毫米波雷达虚拟的相机坐标系；
Figure BDA0002976359030000051
为毫米波雷达图像的重投影误差项；p为Huber核函数，具体计算式为
Figure BDA0002976359030000052
为毫米波雷达图像的测量残差，其中
Figure BDA0002976359030000053
Figure BDA0002976359030000054
表示第l个特征点在第i张毫米波雷达图像中位置，
Figure BDA0002976359030000055
表示第l个特征点在第j张毫米波雷达图像中位置，
Figure BDA0002976359030000056
表示毫米波雷达图像的虚拟针孔相机模型的反投影过程；
Figure BDA0002976359030000057
中，上下标中c代表毫米波雷达虚拟的相机坐标系，b代表惯性坐标系，w代表世界坐标系，
Figure BDA0002976359030000058
表示从惯性坐标系到毫米波雷达坐标系的旋转关系，
Figure BDA0002976359030000059
表示从世界坐标系到第i帧惯性坐标系的旋转关系，
Figure BDA00029763590300000510
表示从第i帧惯性坐标系到世界坐标系的旋转关系，
Figure BDA00029763590300000511
表示从毫米波雷达坐标系到惯性坐标系的平移关系，
Figure BDA00029763590300000512
表示第i帧惯性坐标系到世界坐标系的平移关系；
Figure BDA00029763590300000513
为IMU的测量残差项，
Figure BDA00029763590300000514
为IMU测量残差；
Figure BDA00029763590300000515
gw表示重力向量，[·]表示四元数的向量部分，
Figure BDA00029763590300000516
是IMU测量的预积分项；Δtk是第k+1帧毫米波雷达图像和第k帧毫米波雷达图像间的时间间隔；
Figure BDA00029763590300000517
表示在第k张毫米波雷达图像时刻，惯性坐标系中加速度的零偏ba；
Figure BDA0002976359030000061
表示在第k张毫米波雷达图像时刻，惯性坐标系中陀螺仪的零偏bw；惯性测量单元在世界坐标系中的位置为
Figure BDA0002976359030000062
速度为
Figure BDA0002976359030000063
姿态为
Figure BDA0002976359030000064
加速度的零偏为ba和陀螺仪的零偏为bg，n为总毫米波雷达图像帧数量；
Figure BDA0002976359030000065
表示从世界坐标系到第k帧惯性坐标系的旋转关系，与
Figure BDA0002976359030000066
是互逆关系。
目前，无人系统的导航定位方法主要通过GPS/INS组合导航、视觉SLAM、激光SLAM等方法进行，这些方法都由于本身传感器的限制无法在雨雪，大雾，黑暗强光等极端天气使用，而本申请方案相比于现有技术，可以不受极端天气影响，全天候获得无人系统的导航定位信息。
另外本方案通过毫米波雷达与惯性测量单元组合方法来计算无人系统的导航定位信息，其精度比现有的GPS/INS、视觉SLAM、激光SLAM方法鲁邦性好，且精度不低于现有视觉SLAM方法，成本远低于基于激光雷达传感器的方法。
本发明具有在复杂环境中无缝定位、数据自动采集、自主导航定位等功能，是一种多传感器融合的可在复杂环境无缝定位、自动化数据采集和自主导航定位方法和无人系统智能装备。
应当理解的是，本说明书未详细阐述的部分均属于现有技术。
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (4)

1.一种基于毫米波雷达与IMU融合的实时定位装置，其特征在于：包括处理器、毫米波雷达传感器以及惯性测量单元传感器；
所述处理器，用于采集并处理毫米波雷达传感器和惯性测量单元传感器数据，计算出毫米波雷达在所处环境中的实时位置；
所述毫米波雷达传感器，用于所述装置移动时发射和采集返回的毫米波雷达调频连续波数据；
所述惯性测量单元传感器，用于所述装置移动时采集加速度数据和陀螺仪数据；
所述处理器分别与所述毫米波雷达传感器以及惯性测量单元传感器连接通信。
2.一种基于毫米波雷达与IMU融合的实时定位方法，其特征在于，包括以下步骤：
步骤1：采集毫米波雷达传感器数据和惯性测量单元传感器数据，包括毫米波雷达传感器调制的调频连续波信号以及系统运动的加速度和角速度；
步骤2：毫米波雷达传感器数据预处理和惯性测量单元传感器数据预处理，包括毫米波雷达传感器数据的距离和多普勒傅里叶变换，将毫米波雷达传感器数据帧转换为灰度图像，以及惯性测量单元传感器数据的预积分；
步骤3：系统的初始化，将毫米波雷达传感器里程计结果与惯性测量单元传感器预积分进行配准；
步骤4：利用步骤3确定的毫米波雷达传感器里程计和惯性测量单元传感器预积分配准信息计算所述实时定位系统的精确实时位置和姿态。
3.根据权利要求2所述的基于毫米波雷达与IMU融合的实时定位方法，其特征在于：步骤3中，采用视觉特征跟踪策略建立一套特征点管理策略来表示每一帧毫米波雷达传感器图像中特征点所在的位置，通过惯性测量单元传感器预积分策略使高频惯性测量单元传感器数据与低频毫米波雷达传感器数据配准起来；
所述特征点管理策略，是在毫米波雷达传感器灰度图像上提取预定数量N的SIFT特征点，并计算特征描述符，通过特征描述符进行相邻帧的匹配，然后利用匹配特征点的运动趋势一致来进行约束从而去除误匹配。
4.根据权利要求2或3所述的基于毫米波雷达与IMU融合的实时定位方法，其特征在于，步骤4的具体实现包括以下子步骤：
步骤4.1：通过对极几何采用五点法和RANSAC策略来估计相邻帧的本质矩阵；
步骤4.2：通过SVD分解本质矩阵计算毫米波雷达传感器的位置和姿态；
步骤4.3：构建包含三个残差项的优化函数，分别是边缘化的先验信息、毫米波雷达传感器图像的重投影误差项和IMU的测量残差项；通过优化函数来进行毫米波雷达传感器位置和姿态信息和场景几何结构的优化计算；
所述优化函数为：
Figure FDA0002976359020000021
其中，||rp-HPχ||2为边缘化的先验信息，rp-HPχ为边缘化残差，rp表示边缘化先验信息，HP为边缘化信息矩阵；
Figure FDA0002976359020000022
为待优化的所有状态变量；λl,l∈[0,m]表示第l个特征点在第一次观测时的逆深度信息，m为优化窗口内所有特征点数量；C表示所有的毫米波雷达传感器图像数据帧，B表示所有的惯性测量单元传感器数据帧；n为总毫米波雷达传感器图像帧数量；
Figure FDA0002976359020000023
k∈[0,n]表示第k张毫米波雷达图像时刻，上标中的w表示世界坐标系，bk 指第k帧毫米波雷达图像时刻的惯性坐标系；
Figure FDA0002976359020000024
表示毫米波雷达和惯性测量单元之间的位置
Figure FDA0002976359020000025
和姿态
Figure FDA0002976359020000026
所有上下标中，b都代表惯性测量单元坐标系，c代表毫米波雷达虚拟的相机坐标系；
Figure FDA0002976359020000027
为毫米波雷达图像的重投影误差项；p为Huber核函数，具体计算式为
Figure FDA0002976359020000028
Figure FDA0002976359020000029
为毫米波雷达图像的测量残差，其中
Figure FDA00029763590200000210
Figure FDA0002976359020000031
Figure FDA0002976359020000032
表示第l个特征点在第i张毫米波雷达图像中位置，
Figure FDA0002976359020000033
表示第l个特征点在第j张毫米波雷达图像中位置，
Figure FDA0002976359020000034
表示毫米波雷达图像的虚拟针孔相机模型的反投影过程；
Figure FDA0002976359020000035
中，上下标中c代表毫米波雷达虚拟的相机坐标系，b代表惯性坐标系，w代表世界坐标系，
Figure FDA0002976359020000036
表示从惯性坐标系到毫米波雷达坐标系的旋转关系，
Figure FDA0002976359020000037
表示从世界坐标系到第i帧惯性坐标系的旋转关系，
Figure FDA0002976359020000038
表示从第i帧惯性坐标系到世界坐标系的旋转关系，
Figure FDA0002976359020000039
表示从毫米波雷达坐标系到惯性坐标系的平移关系，
Figure FDA00029763590200000310
表示第i帧惯性坐标系到世界坐标系的平移关系；
Figure FDA00029763590200000311
为IMU的测量残差项，
Figure FDA00029763590200000312
为IMU测量残差；
Figure FDA00029763590200000313
gw表示重力向量，[·]表示四元数的向量部分，
Figure FDA00029763590200000314
是IMU测量的预积分项；Δtk是第k+1帧毫米波雷达图像和第k帧毫米波雷达图像间的时间间隔；
Figure FDA00029763590200000315
表示在第k张毫米波雷达图像时刻，惯性坐标系中加速度的零偏ba；
Figure FDA00029763590200000316
表示在第k张毫米波雷达图像时刻，惯性坐标系中陀螺仪的零偏bw；惯性测量单元在世界坐标系中的位置为
Figure FDA00029763590200000317
速度为
Figure FDA00029763590200000318
姿态为
Figure FDA00029763590200000319
加速度的零偏为ba和陀螺仪的零偏为bg，n为总毫米波雷达图像帧数量；
Figure FDA00029763590200000320
表示从世界坐标系到第k帧惯性坐标系的旋转关系，与
Figure FDA0002976359020000041
是互逆关系。
CN202110275225.8A 2021-03-15 2021-03-15 一种基于毫米波雷达与imu融合的实时定位装置及方法 Pending CN113091733A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110275225.8A CN113091733A (zh) 2021-03-15 2021-03-15 一种基于毫米波雷达与imu融合的实时定位装置及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110275225.8A CN113091733A (zh) 2021-03-15 2021-03-15 一种基于毫米波雷达与imu融合的实时定位装置及方法

Publications (1)

Publication Number Publication Date
CN113091733A true CN113091733A (zh) 2021-07-09

Family

ID=76667145

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110275225.8A Pending CN113091733A (zh) 2021-03-15 2021-03-15 一种基于毫米波雷达与imu融合的实时定位装置及方法

Country Status (1)

Country Link
CN (1) CN113091733A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107328411A (zh) * 2017-06-30 2017-11-07 百度在线网络技术（北京）有限公司 车载定位系统和自动驾驶车辆
CN108896994A (zh) * 2018-05-11 2018-11-27 武汉环宇智行科技有限公司 一种无人驾驶车辆定位方法及设备
CN110570449A (zh) * 2019-09-16 2019-12-13 电子科技大学 一种基于毫米波雷达与视觉slam的定位与建图方法
CN110766785A (zh) * 2019-09-17 2020-02-07 武汉大学 一种地下管道实时定位与三维重建装置及方法
CN111157984A (zh) * 2020-01-08 2020-05-15 电子科技大学 基于毫米波雷达及惯性测量单元的一种行人自主导航方法
CN111739063A (zh) * 2020-06-23 2020-10-02 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
CN112013877A (zh) * 2020-08-31 2020-12-01 广州景骐科技有限公司 毫米波雷达与惯性测量单元的检测方法及相关装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107328411A (zh) * 2017-06-30 2017-11-07 百度在线网络技术（北京）有限公司 车载定位系统和自动驾驶车辆
CN108896994A (zh) * 2018-05-11 2018-11-27 武汉环宇智行科技有限公司 一种无人驾驶车辆定位方法及设备
CN110570449A (zh) * 2019-09-16 2019-12-13 电子科技大学 一种基于毫米波雷达与视觉slam的定位与建图方法
CN110766785A (zh) * 2019-09-17 2020-02-07 武汉大学 一种地下管道实时定位与三维重建装置及方法
CN111157984A (zh) * 2020-01-08 2020-05-15 电子科技大学 基于毫米波雷达及惯性测量单元的一种行人自主导航方法
CN111739063A (zh) * 2020-06-23 2020-10-02 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
CN112013877A (zh) * 2020-08-31 2020-12-01 广州景骐科技有限公司 毫米波雷达与惯性测量单元的检测方法及相关装置

Similar Documents

Publication Publication Date Title
CN110850403B (zh) 一种多传感器决策级融合的智能船水面目标感知识别方法
Aldera et al. Fast radar motion estimation with a learnt focus of attention using weak supervision
WO2021248636A1 (zh) 一种自动驾驶对象探测和定位系统及方法
CN109085570A (zh) 基于数据融合的车辆检测跟踪算法
Checchin et al. Radar scan matching slam using the fourier-mellin transform
CN103149939A (zh) 一种基于视觉的无人机动态目标跟踪与定位方法
Cui et al. 3D detection and tracking for on-road vehicles with a monovision camera and dual low-cost 4D mmWave radars
EP3757606A2 (en) Dense mapping using range sensor multi-scanning and multi-view geometry from successive image frames
CN113850102B (zh) 基于毫米波雷达辅助的车载视觉检测方法及系统
CN113627473B (zh) 基于多模态传感器的水面无人艇环境信息融合感知方法
CN112967392A (zh) 一种基于多传感器触合的大规模园区建图定位方法
CN115943439A (zh) 一种基于雷视融合的多目标车辆检测及重识别方法
Sjanic Navigation and SAR Auto-focusing in a Sensor Fusion Framework
CN114325634A (zh) 一种基于激光雷达的高鲁棒性野外环境下可通行区域提取方法
CN115220041A (zh) 一种带有多普勒补偿的毫米波雷达尺度定位方法和系统
Harlow et al. A new wave in robotics: Survey on recent mmwave radar applications in robotics
Vivet et al. Radar-only localization and mapping for ground vehicle at high speed and for riverside boat
CN110187337B (zh) 一种基于ls和neu-ecef时空配准的高机动目标跟踪方法及系统
CN106569206A (zh) 一种基于微波光学复合的目标探测方法
Gao et al. Dc-loc: Accurate automotive radar based metric localization with explicit doppler compensation
WO2023283987A1 (zh) 无人系统的传感器安全性检测方法、设备及存储介质
CN113296120B (zh) 一种障碍物检测方法及终端
CN113091733A (zh) 一种基于毫米波雷达与imu融合的实时定位装置及方法
CN115218889A (zh) 一种基于点线特征融合的多传感器室内定位方法
Michalczyk et al. Radar-inertial state-estimation for UAV motion in highly agile manoeuvres

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210709

RJ01 Rejection of invention patent application after publication