CN113094462A - 数据处理方法和装置及存储介质 - Google Patents
数据处理方法和装置及存储介质 Download PDFInfo
- Publication number
- CN113094462A CN113094462A CN202110486530.1A CN202110486530A CN113094462A CN 113094462 A CN113094462 A CN 113094462A CN 202110486530 A CN202110486530 A CN 202110486530A CN 113094462 A CN113094462 A CN 113094462A
- Authority
- CN
- China
- Prior art keywords
- poses
- vehicle
- pose
- absolute
- edges
- 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
Links
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000003672 processing method Methods 0.000 title abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 63
- 238000012545 processing Methods 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000005457 optimization Methods 0.000 description 24
- 238000010586 diagram Methods 0.000 description 22
- 230000015654 memory Effects 0.000 description 16
- 238000004590 computer program Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000013473 artificial intelligence Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- 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
- G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
-
- 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
- G06T2207/30241—Trajectory
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Databases & Information Systems (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computer Graphics (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种数据处理方法和装置及存储介质。其中,该方法包括:获取第一数据集;在目标数据库中查找与第一数据集匹配的第二数据集;根据第一车辆位姿集合和第二车辆位姿集合,对第一车辆位姿集合中的绝对位姿以及第二车辆位姿集合中的绝对位姿进行调整,得到第三位姿集和第四位姿集,其中,第三位姿集和第四位姿集对应的位姿误差满足目标约束条件,对位姿进行了修正,使得位姿误差满足预设约束条件,从而提高数据的准确性,进而解决了现有技术中由于并不会对位姿进行修正,从而导致采集的数据不准确的技术问题。
Description
技术领域
本发明涉及地图数据处理领域,具体而言,涉及一种数据处理方法和装置及存储介质。
背景技术
随着技术的发展,自动驾驶过程中对高精度地图的需要越严格,现有技术通常以依靠自建GPS基站和组合导航后处理的方式,融合高精度GPS、IMU(Intertiralmeasurement unit测量物体三轴姿态角及加速度的装置)和轮速记等传感器信息得到平滑的轨迹,并以此为基准将点云投影到大地坐标系下得到3D场景。
在一些小规模的场景中,也有一些技术用SLAM(Simultaneous Localization AndMapping同步定位与地图构建)方法中的回环闭合(Loop Closure)来消除车辆在重复经过同一区域时的累积误差。
在应对GPS精度不高的城区环境和大规模的点云重建时存在以下问题:组合导航后处理的方法在城区环境下,由于楼宇、树荫等遮挡,GPS的卫星可观性差,GPS精度严重下降。这一方面会导致单车轨迹的精度和平滑性降低,另外多车的轨迹还可能出现较大的位置误差,使得多车多批数据的点云融合误差增加,比如道路明显分层,不能满足高精度重建的需求。SLAM算法通过回环闭合的方法虽然可以通过点云匹配降低轨迹误差,但也存在对回环检测错误敏感,时序匹配过程不利于分布式处理等问题,在处理大规模场景时效率不高。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种数据处理方法和装置及存储介质,以至少解决现有技术中由于并不会对位姿进行修正,从而导致采集的数据不准确的技术问题。
根据本发明实施例的一个方面,提供了一种数据处理方法,包括:获取第一数据集,其中,所述第一数据集包括第一车辆位姿集合,所述第一数据集是根据第一采集车沿第一轨迹行驶采集到的数据确定得到的数据集,所述第一轨迹上包括第一组节点,所述第一车辆位姿集合包括所述第一组节点中的每相邻两个节点上所述第一采集车的相对位姿、以及在所述第一组节点中的每个节点上所述第一采集车的绝对位姿;在目标数据库中查找与所述第一数据集匹配的第二数据集,其中,所述第二数据集是根据第二采集车沿第二轨迹行驶采集到的数据确定得到的数据集,所述第二轨迹所对应的采集区域与所述第一轨迹对应的采集区域存在重叠的区域,所述第二轨迹上包括第二组节点,所述第二数据集包括第二车辆位姿集合,所述第二车辆位姿集合包括所述第二组节点中的每相邻两个节点上所述第二采集车的相对位姿、在所述第二组节点中的每个节点上所述第二采集车的绝对位姿;根据所述第一车辆位姿集合和所述第二车辆位姿集合,对所述第一车辆位姿集合中的绝对位姿以及所述第二车辆位姿集合中的绝对位姿进行调整,得到第三位姿集和第四位姿集,其中,所述第三位姿集和所述第四位姿集满足目标约束条件。
根据本发明实施例的另一方面,还提供了一种数据处理装置,包括:获取单元,用于获取第一数据集,其中,所述第一数据集包括第一车辆位姿集合,所述第一数据集是根据第一采集车沿第一轨迹行驶采集到的数据确定得到的数据集,所述第一轨迹上包括第一组节点,所述第一车辆位姿集合包括所述第一组节点中的每相邻两个节点上所述第一采集车的相对位姿、以及在所述第一组节点中的每个节点上所述第一采集车的绝对位姿;查找单元,用于在目标数据库中查找与所述第一数据集匹配的第二数据集,其中,所述第二数据集是根据第二采集车沿第二轨迹行驶采集到的数据确定得到的数据集,所述第二轨迹所对应的采集区域与所述第一轨迹对应的采集区域存在重叠的区域,所述第二轨迹上包括第二组节点,所述第二数据集包括第二车辆位姿集合,所述第二车辆位姿集合包括所述第二组节点中的每相邻两个节点上所述第二采集车的相对位姿、在所述第二组节点中的每个节点上所述第二采集车的绝对位姿;第一调整单元,用于根据所述第一车辆位姿集合和所述第二车辆位姿集合,对所述第一车辆位姿集合中的绝对位姿以及所述第二车辆位姿集合中的绝对位姿进行调整,得到第三位姿集和第四位姿集,其中,所述第三位姿集和所述第四位姿集满足目标约束条件。
根据本发明实施例的又一方面,还提供了一种计算机可读的存储介质,该计算机可读的存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述数据处理方法。
根据本发明实施例的又一方面,还提供了一种电子设备,包括存储器和处理器,上述存储器中存储有计算机程序,上述处理器被设置为通过所述计算机程序执行上述的数据处理方法。
在本发明实施例中,通过获取第一数据集;在目标数据库中查找与第一数据集匹配的第二数据集;根据第一车辆位姿集合和第二车辆位姿集合,对第一车辆位姿集合中的绝对位姿以及第二车辆位姿集合中的绝对位姿进行调整,得到第三位姿集和第四位姿集,其中,第三位姿集和第四位姿集对应的位姿误差满足目标约束条件,对位姿进行了修正,使得位姿误差满足预设约束条件,从而提高数据的准确性,进而解决了现有技术中由于并不会对位姿进行修正,从而导致采集的数据不准确的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,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是根据本发明实施例的一种可选的数据处理方法的应用环境的示意图;
图2是根据本发明实施例的一种可选的数据处理方法的流程图;
图3是根据本发明实施例的一种可选的数据集的结构示意图;
图4是根据本发明实施例的一种可选的位姿集构建的模型的示意图;
图5是根据本发明实施例的一种可选的根据位姿集构建的图模型的示意图;
图6是根据本发明实施例的一种可选的回环假设的示意图;
图7是根据本发明实施例的一种可选的回环校验后的回环图;
图8是根据本发明实施例的一种可选的支持增量采集的大规模城区点云重建方法的结构图;
图9是根据本发明实施例的一种可选的位姿集的结构示意图;
图10是根据本发明实施例的一种可选的局部地图中的数据集的示意图;
图11是根据本发明实施例的一种可选的又一个回环假设的示意图;
图12是根据本发明实施例的一种可选的回环匹配有效性筛检的示意图;
图13是根据本发明实施例的一种可选的数据处理装置的结构示意图;
图14是根据本发明实施例的一种可选的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例的一个方面,提供了一种数据处理方法,可选地,作为一种可选的实施方式,上述数据处理方法可以但不限于应用于如图1所示的环境中。终端设备102、网络110以及服务器112。
其中,终端设备102可以是部署在采集车上的各种传感器、激光雷达,摄像机等,用于采集采集车的数据以及地图中的点云数据。并根据终端设备采集的原始数据,确定出采集车的绝对位姿和相对位姿。
服务器112获取第一数据集,其中,第一数据集包括第一车辆位姿集合,第一数据集是根据第一采集车沿第一轨迹行驶采集到的数据确定得到的数据集,第一轨迹上包括第一组节点,第一车辆位姿集合包括第一组节点中的每相邻两个节点上第一采集车的相对位姿、以及在第一组节点中的每个节点上第一采集车的绝对位姿;在目标数据库中查找与第一数据集匹配的第二数据集,其中,第二数据集是根据第二采集车沿第二轨迹行驶采集到的数据确定得到的数据集,第二轨迹所对应的采集区域与第一轨迹对应的采集区域存在重叠的区域,第二轨迹上包括第二组节点,第二数据集包括第二车辆位姿集合,第二车辆位姿集合包括第二组节点中的每相邻两个节点上第二采集车的相对位姿、在第二组节点中的每个节点上第二采集车的绝对位姿;根据第一车辆位姿集合和第二车辆位姿集合,对第一车辆位姿集合中的绝对位姿以及第二车辆位姿集合中的绝对位姿进行调整,得到第三位姿集和第四位姿集,其中,第三位姿集和第四位姿集满足目标约束条件,达到了根据采集车沿行驶轨迹采集的多个数据集,确定出用于调整采集车的绝对位姿图模型,根据图模型实现多个数据集中的全局优化的目的,即对位姿进行了修正,使得位姿误差满足预设约束条件,从而提高数据的准确性,从而经过全局优化后,所有参与本次建图优化的局部地图数据集的位姿信息都获得了更新,这些更新会同步到局部地图数据库中,并相应的更新全局地图数据库中的地图内容,完成全局点云地图更新的技术效果,进而解决了现有技术中由于并不会对位姿进行修正,从而导致采集的数据不准确的技术问题。
可选地,在本实施例中,上述网络可以包括但不限于:有线网络,无线网络,其中,该有线网络包括:局域网、城域网和广域网,该无线网络包括:蓝牙、WIFI及其他实现无线通信的网络。上述服务器可以是单一服务器,也可以是由多个服务器组成的服务器集群,或者是云服务器。上述仅是一种示例,本实施例中对此不作任何限定。
可选地,作为一种可选的实施方式,如图2所示,上述数据处理方法包括:
步骤S202,获取第一数据集,其中,第一数据集包括第一车辆位姿集合,第一数据集是根据第一采集车沿第一轨迹行驶采集到的数据确定得到的数据集,第一轨迹上包括第一组节点,第一车辆位姿集合包括第一组节点中的每相邻两个节点上第一采集车的相对位姿、以及在第一组节点中的每个节点上第一采集车的绝对位姿。
步骤S204,在目标数据库中查找与第一数据集匹配的第二数据集,其中,第二数据集是根据第二采集车沿第二轨迹行驶采集到的数据确定得到的数据集,第二轨迹所对应的采集区域与第一轨迹对应的采集区域存在重叠的区域,第二轨迹上包括第二组节点,第二数据集包括第二车辆位姿集合,第二车辆位姿集合包括第二组节点中的每相邻两个节点上第二采集车的相对位姿、在第二组节点中的每个节点上第二采集车的绝对位姿;
步骤S206,根据第一车辆位姿集合和第二车辆位姿集合,对第一车辆位姿集合中的绝对位姿以及第二车辆位姿集合中的绝对位姿进行调整,得到第三位姿集和第四位姿集,其中,第三位姿集和第四位姿集满足目标约束条件。
可选的,在本实施例中,上述数据处理方法包括但不限于应用于地图数据的处理,根据处理后的地图数据应用于城区的高精度地图生产、数字城市的高精度城市3D模型构建,高精地图可以用于自动驾驶中。
其中,上述数据处理还可以应用各种使用高精地图数据的人工智能(ArtificialIntelligence,AI)的自动驾驶过程中,其中,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。,
在本实施例中,第一采集车上部署有激光雷达、GPS、IMU、轮速记、摄像头等传感器,根据部署的传感器可以采集到第一采集车的位置信息,以及第一采集车沿行驶轨迹采集的地图中的点云数据。第一数据集中包括但不限于第一采集车在每个采集节点上的绝对位姿、每相邻两个采集节点上第一采集车的相对位姿、第一采集车的绝对位置信息。需要说明的是,第一采集车的绝对位置信息可以理解直接通过第一采集车上的GPS传感器获取的位置信息。采集节点可以理解为对应第一采集车沿第一轨迹行驶时,位于第一轨迹上的位置。
如图3所示,数据集的结构示意图,第一轨迹是长度为100米,则节点可以看成对应100米的起始位置、第20米处的位置,第40米处的位置,第60米处的位置,第80米处的位置以及轨迹接收时的位置。第一数据包括每个节点上第一采集车的绝对位姿,以及每两个节点上的第一采集车的相对位姿。需要说明的是,节点上的绝对位姿是通过第一采集车上传感器获取的原始数据确定的,每相邻节点上的相对位姿是通过节点上的绝对位姿确定的,如第2节点上的绝对位姿与第1节点上的绝对位姿之间的差值计算得到第1节点和第2节点上第一采集车的相对位姿。位姿是包括位置信息和角度信息。
根据第一数据集对应的采集区域在目标数据库中查找匹配的第二数据集,其中,第二数据集对应的采集区域与第一数据集对应的采集区域存在部分或全部重叠。也就是说,找到与第一数据集存在重叠区域的数据集,该数据集也是第二采集车沿第二轨迹行驶采集到的数据,该第二采集车可以是第一采集车,即第一数据和第二数据集是同一辆车沿同一条行驶轨迹行驶2次得到的两个数据集,也可以是不同的两车辆沿同一条行驶轨迹采集到的两个数据集,还可以是不同的两车辆沿不同的两条行驶轨迹采集到的两个数据集。
换句话说,第一数据集和第二数据集采集可以通过如下方式:
方式一:采集车辆1沿轨迹1行驶采集的第一数据集,采集车辆2沿轨迹1行驶采集的第二数据集。不同车辆通过同一条行驶轨迹采集到的数据集。
方式二:采集车辆1沿轨迹1行驶采集的第一数据集,采集车辆1沿轨迹1行驶采集的第二数据集。同一车辆通过同一条行驶轨迹采集多遍到的数据集。
方式三:采集车辆1沿轨迹1行驶采集的第一数据集,采集车辆1沿轨迹2行驶采集的第二数据集。不同车辆通过同一条行驶轨迹采集到的数据集。
在本实施例中,目标数据库中可以包括多个数据集,多个数据集中的每个数据集可以包括一个位姿集,每个数据集是根据一个采集车沿一条轨迹行驶采集到的数据确定得到的数据集。目标数据库中的多个数据集可以是多采集车多次采集到的数据,其中,目标数据库中的多个数据集中的每个数据集与第一数据集相似,可以包括一个位姿集合,也就是说,目标数据库中的数据集和第一数据集中的数据是同纬度的数据,如都是位姿数据,相对位姿数据、绝对位姿数据。
在本实施例中,第二数据集可以是根据第二采集车沿第二轨迹行驶采集到的数据确定得到的数据集;还可以是第一采集车沿第二轨迹行驶采集到的数据确定的数据集,还可以是第一采集车再次沿第一轨迹行驶采集到的数据确定的数据集。
需要说的是,第一采集车或第二采集车沿轨迹行驶采集的原始数据可以是对应传感器的原始数据,如根据采集车上的GPS可以采集到采集车的位置信息,根据激光雷达采集到地图中障碍物(包括地图中的建筑,即阻挡激光雷达的物体可以看出障碍物)的点云数据,根据采集车上的摄像头可以采集到地图图像信息,根据IMU采集采集车的加速度和角速度,编码器采集采集车的速度,将每个编码器采集的脉冲值转换为每个轮子相对应的速度值,再经过运动解算算法计算采集车整体移动速度,并计算位移;将IMU采集的加速度进行积分,计算速度与位移,利用扩展卡尔曼滤波将上述两种传感器产生速度与位移进行融合,产生位姿。
其中,第二轨迹上可以包括第二组节点,第二数据集可以包括第二车辆位姿集合,第二车辆位姿集合包括第二组节点中的每相邻两个节点上第二采集车的相对位姿、在第二组节点中的每个节点上第二采集车的绝对位姿。相对位姿是根据采集车上传感器的原始数据确定的,相对位姿是根绝对位姿确定的。第二数据集中的第二车辆位姿集合的确定方式与第一车辆位姿集合的确定方式。
换句话说,在本实施例中,可以根据采集车获取地图的原始数据,并得到位姿集。位姿集对应地图中的点云数据,多个位姿集优化多个数据集的绝对位姿,根据绝对位姿调整地图中的点云数据,进而实现多采集车多批采集的点云数据对齐,根据调整的对齐的点云数据可以得到更高精度的地图,还可以得到城市的3D建模。
还需要说明的是,在本实施例中,可以根据多个位姿集调整每个位姿集中节点上采集车的绝对位置,可以实现多个数据集共同调整,即实现多个位姿集的全局优化,进而得到精确的采集数据。
例如,每个位姿集中均包括一组节点,将节点连成线,得到节点图,调整整个节点图,即调整了每个位姿集的数据,得到多个位姿集的全局优化。
如图4所示,位姿集构建的模型的示意图,在图4中包括2个位姿集,每个位姿集对应采集车沿轨迹行驶采集的一个数据集,即2个位姿集对应2条线,每条线对应一条行驶轨迹,每条线上的点对应一个节点,该节点将会对应一个点云数据,行驶轨迹1对应5个节点,得到4个边,行驶轨迹2对应6个节点,得到5个边,其中,行驶轨迹1和行驶轨迹2可以相同也可以不同。
根据第一车辆位姿集合中的绝对位姿、相对位姿以及第二车辆位姿集合中的绝对位姿、相对位姿调整所有位姿集节点上采集车的绝对位姿。
通过本申请实施例,获取第一数据集,其中,第一数据集包括第一车辆位姿集合,第一数据集是根据第一采集车沿第一轨迹行驶采集到的数据确定得到的数据集,第一轨迹上包括第一组节点,第一车辆位姿集合包括第一组节点中的每相邻两个节点上第一采集车的相对位姿、以及在第一组节点中的每个节点上第一采集车的绝对位姿;在目标数据库中查找与第一数据集匹配的第二数据集,其中,第二数据集是根据第二采集车沿第二轨迹行驶采集到的数据确定得到的数据集,第二轨迹所对应的采集区域与第一轨迹对应的采集区域存在重叠的区域,第二轨迹上包括第二组节点,第二数据集包括第二车辆位姿集合,第二车辆位姿集合包括第二组节点中的每相邻两个节点上第二采集车的相对位姿、在第二组节点中的每个节点上第二采集车的绝对位姿;根据第一车辆位姿集合和第二车辆位姿集合,对第一车辆位姿集合中的绝对位姿以及第二车辆位姿集合中的绝对位姿进行调整,得到第三位姿集和第四位姿集,其中,第三位姿集和第四位姿集满足目标约束条件,达到了根据采集车沿行驶轨迹采集的多个数据集,确定出用于调整采集车的绝对位姿图模型,根据图模型实现多个数据集中的全局优化的目的,即对位姿进行了修正,使得位姿误差满足预设约束条件,从而提高数据的准确性,从而经过全局优化后,所有参与本次建图优化的局部地图数据集的位姿信息都获得了更新,这些更新会同步到局部地图数据库中,并相应的更新全局地图数据库中的地图内容,完成全局点云地图更新的技术效果,进而解决了现有技术中由于并不会对位姿进行修正,从而导致采集的数据不准确的技术问题。
可选的,对第一车辆位姿集合中的绝对位姿以及第二车辆位姿集合中的绝对位姿进行调整,得到第三位姿集和第四位姿集,可以包括:
S1,根据第一车辆位姿集合和第二车辆位姿集合,确定第一图,其中,第一图包括第一组节点、第一组边、第二组节点、第二组边以及第三组边,第一组边包括第一组节点中每相邻两个节点之间的边,第二组边包括第二组节点中每相邻两个节点之间的边,第三组边包括第一组节点中的节点与第二组节点中的节点之间的边;
S2,获取第三组边中的每条边所连接的两个节点之间的相对位姿;
S3,根据第三组边中的每条边所连接的两个节点之间的相对位姿,确定第三组边中是否存在待删除的边;
S4,在第三组边中存在待删除的边的情况下,在第一图中删除待删除的边,得到第二图;
S5,根据第二图,对第一车辆位姿集合中的第一组绝对位姿以及第二车辆位姿集合中的第二组绝对位姿进行调整,得到第三位姿集和第四位姿集,其中,第三位姿集是将第一车辆位姿集合中的第一组绝对位姿调整成第三组绝对位姿所得到的位姿集,第四位姿集是将第二车辆位姿集合中的第二组绝对位姿调整成第四组绝对位姿所得到的位姿集。
在本实施例中,第二车辆位姿集合可以包括一个或多个,如第二车辆位姿集合包括1个,如图5所示,根据位姿集构建的图模型的示意图。在图5中包括1个第一车辆位姿集合和1个第二车辆位姿集合,即2个位姿集,位姿集编号为a、b,其中,每个位姿集包括一组节点中的每相邻两个节点上第一采集车的相对位姿、以及在一组节点中的每个节点上第一采集车的绝对位姿。位姿集a中包括5个节点,位姿集b包括6个节点,其中,第一组边包括位姿集a对应的4条边a12、a23、a34、a45,第二组边包括位姿集b对应的5条边b12、b23、b34、b45、b56,第三组边包括第一组节点中的节点与第二组节点中的节点之间边p1至p10,虚线所示的边。
在本实施中,上述根据第一车辆位姿集合和第二车辆位姿集合,确定第一图可以理解为是根据第一车辆位姿集合和第二车辆位姿集合进行回环假设,所谓回环假设是找出所有可能覆盖了同一区域的局部地图,这些局部地图之间应该可以通过点云匹配来对齐,从而消除不同批次数据之间的位置误差。
在本实施例中,生成回环的方式可以包括但不限于包括空间检索或者特征检索。空间检索以GPS为基础,对每个局部地图,以其GPS坐标为中心,以检索距离为半径范围内的所有局部地图都与该地图构成回环假设。位置特征检索则是对每个局部地图,生成一个用于描述该地图的特征,计算该局部地图与其他局部地图特征距离,选择特征距离最小的若干个局部地图作为回环假设,如图5所示,图5中黑色虚线记为通过上述空间检索和/或者特征检索生成的回环假设。
在本实施例中,回环假设得到图5所示的所有候选环,为了得到更有效的计算,对候选环进行匹配,即确定出图5虚线边之间的相对位姿,回环匹配是轨迹优化模块中计算量最大的环节,充分利用分布式处理平台来并行处理这些匹配计算,降低系统运行时间。回环匹配的目的是计算各个回环假设是否可以正确完成配准,并返回配准的相对位姿Ti k和协方差∑ik,用于后续的轨迹优化。
其中,回环匹配同样可以有多种手段,比如ICP相关的方法如Point-to-PlaneICP、GICP,NDT,或者基于特征匹配的方法等。
在本实施例中,需要判断第一图中存在待删除的边,待删除的边是该边在每个回环中相对位姿误差不为0,如图5所示,边c4在边c3、c4与边a23构成的回环1中,还存在c4、c5与边b23构成的回环2中,根据c4所在的两个回环中的相对位姿的累计误差确定,该边c4是否需要删除,需要说明的,边c4在回环1中的误差m1等于边c3、c4与边a23对应的相对位姿的连乘积,边c4在回环2中的误差m2等于边c4、c5与边b23对应的相对位姿的连乘积,根据误差m1和m2确定该边4是否需要删除,如在m1和m2的和小于0则,删除该边4。
在本实施例中,第二车辆位姿集合可以包括2个,如图6所示,回环假设的示意图。在图6中包括1个第一车辆位姿集合和2个第二车辆位姿集合,即3个位姿集,位姿集编号为a、b、c,其中,每个位姿集包括一组节点中的每相邻两个节点上第一采集车的相对位姿、以及在一组节点中的每个节点上第一采集车的绝对位姿。位姿集a中包括5个节点,位姿集b包括6个节点,位姿集a中包括5个节点其中,第一组边包括位姿集a对应的4条边a12、a23、a34、a45,第二组边包括位姿集b和位姿c对应的9条边b12、b23、b34、b45、b56,c12、c23、c34、c45,第三组边包括第一组节点中的节点、第二组节点中的节点、第三组节点中的节点之间的p1-p15,如图6虚线所示的边。
在本实施例中,需要判断第一图中存在待删除的边,待删除的边是该边在每个回环中相对位姿误差不为0,如图6所示,边p5在边p5、p4与边b34构成的回环1中,还存在p5、p10与p11构成的回环2中,还存在p5、p9、c23与p11构成的回环3中,还存在边p5、p6与a23构成的回环4中,根据p5所在的4个回环中的相对位姿的累计误差确定,该边p5是否需要删除,需要说明的,边p5在回环1中的误差m1等于边p5、p4与边a34对应的相对位姿的连乘积,边p5在回环2中的误差m2等于边p5、p10与p11对应的相对位姿的连乘积,边p5在回环3中的误差m3等于边p5、p9、c23与p11对应的相对位姿的连乘积,边p5在回环4中的误差m4等于边p5、p6与a23对应的相对位姿的连乘积,根据误差m1、m2、m3和m4确定该边p5是否需要删除,如在m1、m2、m3和m4的和小于0则,删除该边p5。
由上可知,在本实施例中,以边为单元,先获取该边所在的所有回环,其回环可以包括3边环、4边环等多个边的回环,根据所在的一组回环中的每个回环中的边对应的相对位姿,确定该边是否删除。
按照上述方式,判断第三组边中的每个边是否需要删除,在判断后,将待删除的边删除后,得到第二图。根据第二图对采集车的绝对位姿进行调整,如图7所示,回环校验后的回环图。在图7中删除了图6中部分虚线。
需要说明的是,边是否需要删除可以理解为回环校验,回环校验是为了删除约束误差较大的边,进而将不满足约束的边删除后,得到第二图,根据第二图全局优化得到每个位姿集合中的采集车的绝对位姿,进而根据调整后的绝对位姿调整点云数据,进而得到构建高精地图的点云数据,从而得到高精地图,或得到城市的高精3D建模。
可选的,根据第三组边中的每条边所连接的两个节点之间的相对位姿,确定第三组边中是否存在待删除的边,可以包括:确定第三组边中的每条边与第一组边以及第二组边中的边形成的回环,共得到第一组回环;根据第一组回环中的每个回环中的边对应的相对位姿,确定第三组边中是否存在待删除的边。
其中,确定第三组边中的每条边与第一组边以及第二组边中的边形成的回环,共得到第一组回环,可以包括:在预设的回环边数包括N个取值的情况下,对于N个取值中的每个取值,执行以下步骤,共得到第一组回环,其中,N为1或大于1的自然数,在执行以下步骤时,每个取值为当前取值:确定第三组边中的每条边与第一组边以及第二组边中的边形成的回环,其中,形成的回环包括的边的数量为当前取值。
在本实施例中,以编号为p5的边为例,首先检测无向图模型中(第一图)包含边p5的闭合环路,环路中至少包含3条边,最多可以包含的边数则在实施时设置,以最多4条边为例,可以得到如表1所示的闭合环路:
表1
环路边数 | 环路边组合 |
3 | p5-p4-b23,p5-p6-a23,p5-p10-p11 |
4 | p5-p9-c23-p11 |
在边数取值为3的情况下,得到回环p5-p4-b23,p5-p6-a23,p5-p10-p11,在边数取值为4的情况下,得到回环p5-p9-c23-p11。
其中,根据第一组回环中的每个回环中的边对应的相对位姿,确定第三组边中是否存在待删除的边,可以包括:对于第三组边中的每条边,执行以下步骤,其中,在执行以下步骤时,每条边为当前边:在第一组回环中确定包括当前边的第二组回环;根据第二组回环中的每个回环中的边对应的相对位姿,确定当前边的误差参数;在当前边的误差参数不满足预设条件的情况下,将当前边确定为待删除的边。
在本实施例中,确定回环1、回环2、回环3中的误差参数。
在本实施例中,根据第二组回环中的每个回环中的边对应的相对位姿,确定当前边的误差参数,可以包括:
对于第二组回环中的每个回环,执行以下步骤,其中,在执行以下步骤时,每个回环为当前回环:将当前回环中的每条边对应的相对位姿转换成特征矩阵,得到一组特征矩阵,其中,特征矩阵中的取值用于表示相对位姿中的位置坐标和朝向角度;根据一组特征矩阵,确定当前回环对应的误差参数;根据第二组回环中的每个回环对应的误差参数,确定当前边的误差参数。
需要说明的是,根据一组特征矩阵,确定当前回环对应的误差参数,可以包括:将一组特征矩阵按照预设顺序进行依次相乘,得到目标矩阵,其中,目标矩阵中的取值用于表示目标相对位姿中的位置坐标和朝向角度,目标相对位姿为当前回环中的每条边对应的相对位姿所形成的累计相对位姿;将目标矩阵中的取值转换为目标误差取值;根据目标误差取值,确定当前回环对应的误差参数。
在本实施例中,根据回环中的每条边的相对位姿计算得到该边的一个误差数值,其计算过程为,将相位位姿转换为特征矩阵,将每个相对位姿的特征矩阵相乘得到目标矩阵,将目标矩阵中的取值转换为目标误差取值;根据目标误差取值,确定当前回环对应的误差参数。
其中,根据目标误差取值,确定当前回环对应的误差参数,可以包括:通过以下公式,确定当前回环对应的误差参数:
其中,f(eT)表示目标误差取值,n表示当前回环包括的边的数量,μ为预设的阈值,w表示当前回环对应的误差参数。
可选的,根据第二组回环中的每个回环对应的误差参数,确定当前边的误差参数,可以包括:将第二组回环中的每个回环对应的误差参数的累加值确定为当前边的误差参数的取值。
其中,在当前边的误差参数不满足预设条件的情况下,将当前边确定为待删除的边,可以包括:在当前边的误差参数的取值小于0的情况下,将当前边确定为待删除的边。
可选的,根据第二图,对第一车辆位姿集合中的第一组绝对位姿以及第二车辆位姿集合中的第二组绝对位姿进行调整,得到第三位姿集和第四位姿集,可以包括:根据第一约束条件,对第一车辆位姿集合中的第一组绝对位姿以及第二车辆位姿集合中的第二组绝对位姿进行调整,得到第三位姿集和第四位姿集,其中,第一约束条件是根据第二图中的边对应的相对位姿确定得到的约束条件,目标约束条件可以包括第一约束条件。
其中,根据第一约束条件,对第一车辆位姿集合中的第一组绝对位姿以及第二车辆位姿集合中的第二组绝对位姿进行调整,得到第三位姿集和第四位姿集,可以包括:对第一车辆位姿集合中的绝对位姿以及第二车辆位姿集合中的绝对位姿进行调整,使得第二图中的各边已获取的相对位姿与各边重新计算的相对位姿之间的误差之和最小,其中,各边重新计算的相对位姿是通过各边所连接的节点上的绝对位姿计算得到的相对位姿。
可选的,根据第二图,对第一车辆位姿集合中的第一组绝对位姿以及第二车辆位姿集合中的第二组绝对位姿进行调整,得到第三位姿集和第四位姿集,可以包括:
根据第二约束条件,对第一车辆位姿集合中的第一组绝对位姿以及第二车辆位姿集合中的第二组绝对位姿进行调整,得到第三位姿集和第四位姿集,其中,第二约束条件是根据第二图中的边对应的相对位姿和第一组先验位姿确定得到的约束条件,第四组边包括第三组边中除待删除的边之外的边,第一组先验位姿中的每个先验位姿为第一组节点中的一个节点的先验位姿,目标约束条件包括第二约束条件。
其中,根据第二约束条件,对第一车辆位姿集合中的第一组绝对位姿以及第二车辆位姿集合中的第二组绝对位姿进行调整,得到第三位姿集和第四位姿集,还可以包括:对第一车辆位姿集合中的绝对位姿以及第二车辆位姿集合中的绝对位姿进行调整,使得第一累计误差与第二累计误差之和最小,其中,第一累计误差是第二图中的各边已获取的相对位姿与各边重新计算的相对位姿之间的误差之和,各边重新计算的相对位姿是通过各边所连接的节点上的绝对位姿计算得到的相对位姿,第二累计误差是第一组先验位姿中的每个先验位姿与对应的节点上的绝对位姿之间的误差之和。
在本实施例中,可以根据第一采集车采集的位姿确定为先验位姿,进行辅助确定第一采集车对应节点上的绝对位姿。
可选的,在根据第一车辆位姿集合和第二车辆位姿集合,对第一车辆位姿集合中的绝对位姿以及第二车辆位姿集合中的绝对位姿进行调整,得到第三位姿集和第四位姿集之后,方法还可以包括:根据第三位姿集中的第三组绝对位姿,对第一局部地图数据集中的第一组局部地图数据进行调整,其中,第三位姿集是将第一车辆位姿集合中的第一组绝对位姿调整成第三组绝对位姿所得到的位姿集,第一数据集包括第一局部地图数据集,第一局部地图数据集是第一采集车沿第一轨迹行驶采集到的局部地图数据,第一组绝对位姿包括第一组节点中的第三组节点上第一采集车的绝对位姿,第一组局部地图数据包括第三组节点上第一采集车采集的局部地图数据;根据第四位姿集中的第四组绝对位姿,对第二局部地图数据集中的第二组局部地图数据进行调整,其中,第四位姿集是将第二车辆位姿集合中的第二组绝对位姿调整成第四组绝对位姿所得到的位姿集,第二数据集包括第二局部地图数据集,第二局部地图数据集是第二采集车沿第二轨迹行驶采集到的局部地图数据,第二组绝对位姿包括第二组节点中的第四组节点上第二采集车的绝对位姿,第二组局部地图数据包括第四组节点上第二采集车采集的局部地图数据。
可选地,作为一种可选的实施方式,本申请还提供了一种可选的实施例一种支持增量采集的大规模城区点云重建方法。如图8所示,支持增量采集的大规模城区点云重建方法的结构图。
如图8所示,该支持增量采集的大规模城区点云重建方法从功能上主要可以分为两个模块,局部建图模块和轨迹优化模块。这两个模块分别承担时域处理和空域处理任务,前者处理单车单批数据,后者对多车多批数据做对齐。
采集车部署的激光雷达、GPS、IMU、轮速记、摄像头等传感器的数据首先进入局部建图模块,估算车辆运行轨迹,将原始的稀疏激光点云数据聚合为较大范围的稠密点云,降低不同类型激光雷达稀疏性不同、激光雷达安装方式不同(平装或者斜装)对后续轨迹优化的干扰。由于斜装激光雷达单帧扫描区域范围较小,直接用于点云匹配需要很高的初始位姿,聚合后的局部地图覆盖了较大的空间区域,能够在更大的初始误差情况下实现点云匹配。单车单次数据生成的局部地图被称之为一个数据集,在局部地图数据库中集中管理。
在聚合的点云局部地图之外,局部建图模块还会生成用于描述各局部地图位姿,及其相对位姿的数据,如图9所示,位姿集的结构示意图。图9中包括数据集中的节点上的绝对位姿,以及节点之间的相对位姿,还用根据采集车的位置信息确定的先验位姿。
需要注意的是,在本实施例中,对局部建图中车辆运行轨迹方法不做强制要求,可以是组合导航、车载视觉惯导融合测距(Vision IMU Odometry)、激光雷达测距(LidarOdometry)或其他的运动估计方法,只要可以提供时域上准确平滑的运动估计即可。
其中,在本实施例中,轨迹优化模块主要分为5个环节,依次对这5个环节具体说明如下。
1)数据集聚合
输入新采集的局部地图数据集(相当于第一车辆位姿集合)后,表示采集车沿任意第k条轨迹行驶采集、对应i个节点的数据集,该模块会查询局部地图数据库,找出数据库中更新数据有区域重叠的那些数据集(第二车辆位姿集合),其中,表示采集车沿任意第e条轨迹行驶采集、对应j个节点的数据集。这些数据集也会在轨迹优化中参与计算,保证新采集数据与已有数据对齐,从而实现增量式地图采集。以图10所示,局部地图中的数据集的示意图,最上方的数据集1是新采集的局部地图,从数据库中检索到两批也采集了该区域的数据,分别表示为数据集2和数据集3,相邻节点之间的连接线代表节点之间的相对位姿Ti i+1。节点与相对位姿便构成数据集聚合的输出{{Mi},{Ti i+1}}(包括绝对位姿和相对位姿的数据集)这是一个典型的无向图模型表达,由节点及连接节点的边构成。
需要说明的是,局部建图环节的车辆轨迹轨迹,可以是SLAM方法获取,也可以是组合导航方式获取。
2)回环假设
这个环节的功能就是找出所有可能覆盖了同一区域的局部地图,这些局部地图之间应该可以通过点云匹配来对齐,从而消除不同批次数据之间的位置误差。
在本实施例中,生成回环假设的方法包括但不限于空间检索或者特征检索。空间检索以GPS为基础,对每个局部地图,以其GPS坐标为中心,以检索距离为半径范围内的所有局部地图都与该地图构成回环假设。特征检索则是对每个局部地图,生成一个用于描述该地图的特征,计算该局部地图与其他局部地图特征距离,选择特征距离最小的若干个局部地图作为回环假设,如图11所示,又一个回环假设的示意图,图11中黑色虚线记为通过上述空间检索和/或者特征检索生成的回环假设。
3)回环匹配
回环匹配是轨迹优化模块中计算量最大的环节,得益于回环假设中已经生成了所有的候选回环,充分利用分布式处理平台来并行处理这些匹配计算,降低系统运行时间。回环匹配的目的是计算各个回环假设是否可以正确完成配准,并返回配准的相对位姿Ti k和协方差∑ik,用于后续的轨迹优化。
回环匹配同样可以有多种手段,比如ICP相关的方法如Point-to-Plane ICP、GICP,NDT,或者基于特征匹配的方法等。
4)回环校验
轨迹优化对回环的正确性和精度非常敏感,一个错误的匹配就可能导致一片区域的轨迹优化错误。回环校验的目的就是尽可能多的去除错误的回环匹配结果。回环匹配有效性筛检。如图12所示,回环匹配有效性筛检的示意图。
图12就是经过图像匹配后还保持有效的局部地图图模型,虚线的边即为匹配成功的回环假设边,边上的数字为该边的编号。以编号为1的边为例,首先检测无向图模型中包含边1的闭合环路,环路中至少包含3条边,最多可以包含的边数则在实施时设置,以最多4条边为例,可以得到如表2所示的闭合环路:
表2
环路边数 | 环路边组合 |
3 | 1-5-6,1-8-10 |
4 | 1-4-11-6,1-3-7-8 |
对于构成环路的边组合,其累积的相对位姿应该构成单位变换,也即I=ΠnTi,n为闭环的边数。当然,由于匹配误差或者错误匹配的原因,实际的相对位姿累积结果并不会构成单位变换,不妨记为eT=∏nTi。通过对比累积误差与容许范围的大小,我们可以给闭环中的每条边赋予一个权重,如下式所示:
其中,f(eT)是误差转换函数,由累积变换eT生成一个标量误差。
将一条边在每一个环路检测中的权重累积起来,便可得到该边最终的权重系数∑w,若∑w小于0,则认为该边代表的回环匹配结果有误,将之从图模型中删除。
5)全局优化
通过以上四个环节,得到了最终包含可信回环匹配结果的图模型,模型中包含节点{Mi}(局部地图),不同节点之间相对位姿的边{Ti k,∑ik},这些边既包含局部建图环节得到的同一数据集中相邻节点的相对位姿,也包括回环校验后还保留的非连续节点之间的相对位姿。同时,对于一些GPS精度较高区域的节点,还有这些节点的先验位置{Pj,∑j},全局优化的目的就是在这些约束的共同作用下,求解使得以下误差最小的节点位姿{Ti}:
上式中,第一项为相对位姿误差,即两个节点的相对位姿与边对应位姿的误差,第二项为先验误差,p(Ti)表示第i节点的位置分量,这个误差项用于约束节点的绝对位置,应该与先验位置尽可能相同。
在本实施例中,经过全局优化后,所有参与本次建图优化的局部地图数据集的位姿信息都获得了更新,这些更新会同步到局部地图数据库中,并相应的更新全局地图数据库中的地图内容,完成全局点云地图更新。
在本实施例中,一种激光雷达大规模城区点云重建中实现多车多批次采集数据空间对齐的方法,在GPS精度差的城区环境中恢复准确的3D场景。支持在弱GPS场景的点云重建,可实现城区环境的高精度地图采集和生产,拓展高精度地图的覆盖范围。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
根据本发明实施例的另一个方面,还提供了一种用于实施上述数据处理方法的数据处理装置。如图13所示,该数据处理装置包括:获取单元1301、查找单元1303以及调整单元1305。
获取单元1301,用于获取第一数据集,其中,第一数据集包括第一车辆位姿集合,第一数据集是根据第一采集车沿第一轨迹行驶采集到的数据确定得到的数据集,第一轨迹上包括第一组节点,第一车辆位姿集合包括第一组节点中的每相邻两个节点上第一采集车的相对位姿、以及在第一组节点中的每个节点上第一采集车的绝对位姿;
查找单元1303,用于在目标数据库中查找与第一数据集匹配的第二数据集,其中,第二数据集是根据第二采集车沿第二轨迹行驶采集到的数据确定得到的数据集,第二轨迹所对应的采集区域与第一轨迹对应的采集区域存在重叠的区域,第二轨迹上包括第二组节点,第二数据集包括第二车辆位姿集合,第二车辆位姿集合包括第二组节点中的每相邻两个节点上第二采集车的相对位姿、在第二组节点中的每个节点上第二采集车的绝对位姿;
第一调整单元1305,用于根据第一车辆位姿集合和第二车辆位姿集合,对第一车辆位姿集合中的绝对位姿以及第二车辆位姿集合中的绝对位姿进行调整,得到第三位姿集和第四位姿集,其中,第三位姿集和第四位姿集满足目标约束条件。
通过本申请提供的实施例,获取单元1301获取第一数据集,其中,第一数据集包括第一车辆位姿集合,第一数据集是根据第一采集车沿第一轨迹行驶采集到的数据确定得到的数据集,第一轨迹上包括第一组节点,第一车辆位姿集合包括第一组节点中的每相邻两个节点上第一采集车的相对位姿、以及在第一组节点中的每个节点上第一采集车的绝对位姿;查找单元1303在目标数据库中查找与第一数据集匹配的第二数据集,其中,第二数据集是根据第二采集车沿第二轨迹行驶采集到的数据确定得到的数据集,第二轨迹所对应的采集区域与第一轨迹对应的采集区域存在重叠的区域,第二轨迹上包括第二组节点,第二数据集包括第二车辆位姿集合,第二车辆位姿集合包括第二组节点中的每相邻两个节点上第二采集车的相对位姿、在第二组节点中的每个节点上第二采集车的绝对位姿;第一调整单元1305根据第一车辆位姿集合和第二车辆位姿集合,对第一车辆位姿集合中的绝对位姿以及第二车辆位姿集合中的绝对位姿进行调整,得到第三位姿集和第四位姿集,其中,第三位姿集和第四位姿集满足目标约束条件。达到了根据采集车沿行驶轨迹采集的多个数据集,确定出用于调整采集车的绝对位姿图模型,根据图模型实现多个数据集中的全局优化的目的,即对位姿进行了修正,使得位姿误差满足预设约束条件,从而提高数据的准确性,从而经过全局优化后,所有参与本次建图优化的局部地图数据集的位姿信息都获得了更新,这些更新会同步到局部地图数据库中,并相应的更新全局地图数据库中的地图内容,完成全局点云地图更新的技术效果,进而解决了现有技术中由于并不会对位姿进行修正,从而导致采集的数据不准确的技术问题。
可选的,上述第一调整单元1305,可以包括:第一确定模块,用于根据第一车辆位姿集合和第二车辆位姿集合,确定第一图,其中,第一图包括第一组节点、第一组边、第二组节点、第二组边以及第三组边,第一组边包括第一组节点中每相邻两个节点之间的边,第二组边包括第二组节点中每相邻两个节点之间的边,第三组边包括第一组节点中的节点与第二组节点中的节点之间的边;第一获取模块,用于获取第三组边中的每条边所连接的两个节点之间的相对位姿;第二确定模块,用于根据第三组边中的每条边所连接的两个节点之间的相对位姿,确定第三组边中是否存在待删除的边;删除模块,用于在第三组边中存在待删除的边的情况下,在第一图中删除待删除的边,得到第二图;调整模块,用于根据第二图,对第一车辆位姿集合中的第一组绝对位姿以及第二车辆位姿集合中的第二组绝对位姿进行调整,得到第三位姿集和第四位姿集,其中,第三位姿集是将第一车辆位姿集合中的第一组绝对位姿调整成第三组绝对位姿所得到的位姿集,第四位姿集是将第二车辆位姿集合中的第二组绝对位姿调整成第四组绝对位姿所得到的位姿集。
其中,上述第二确定模块,可以包括:第一确定子模块,用于确定第三组边中的每条边与第一组边以及第二组边中的边形成的回环,共得到第一组回环;第二确定子模块,用于根据第一组回环中的每个回环中的边对应的相对位姿,确定第三组边中是否存在待删除的边。
其中,上述第一确定子模块还用于执行如下操作:在预设的回环边数包括N个取值的情况下,对于N个取值中的每个取值,执行以下步骤,共得到第一组回环,其中,N为1或大于1的自然数,在执行以下步骤时,每个取值为当前取值:确定第三组边中的每条边与第一组边以及第二组边中的边形成的回环,其中,形成的回环包括的边的数量为当前取值。
需要说明的是,上述第二确定子模块,还可以执行如下操作:对于第三组边中的每条边,执行以下步骤,其中,在执行以下步骤时,每条边为当前边:在第一组回环中确定包括当前边的第二组回环;根据第二组回环中的每个回环中的边对应的相对位姿,确定当前边的误差参数;在当前边的误差参数不满足预设条件的情况下,将当前边确定为待删除的边。
可选的,上述第二确定子模块,还可以执行如下操作:对于第二组回环中的每个回环,执行以下步骤,其中,在执行以下步骤时,每个回环为当前回环:将当前回环中的每条边对应的相对位姿转换成特征矩阵,得到一组特征矩阵,其中,特征矩阵中的取值用于表示相对位姿中的位置坐标和朝向角度;根据一组特征矩阵,确定当前回环对应的误差参数;根据第二组回环中的每个回环对应的误差参数,确定当前边的误差参数。
其中,上述第二确定子模块,还可以执行如下操作:将一组特征矩阵按照预设顺序进行依次相乘,得到目标矩阵,其中,目标矩阵中的取值用于表示目标相对位姿中的位置坐标和朝向角度,目标相对位姿为当前回环中的每条边对应的相对位姿所形成的累计相对位姿;将目标矩阵中的取值转换为目标误差取值;根据目标误差取值,确定当前回环对应的误差参数。
需要说明的是,上述第二确定子模块,还可以执行如下操作:通过以下公式,确定当前回环对应的误差参数:
其中,f(eT)表示目标误差取值,n表示当前回环包括的边的数量,μ为预设的阈值,w表示当前回环对应的误差参数。
其中,上述第二确定子模块,还可以执行如下操作:将第二组回环中的每个回环对应的误差参数的累加值确定为当前边的误差参数的取值。
需要说明的是,上述第二确定子模块,还可以执行如下操作:在当前边的误差参数的取值小于0的情况下,将当前边确定为待删除的边。
可选的,上述调整模块,可以包括:第一调整子模块,用于根据第一约束条件,根据第一约束条件,对第一车辆位姿集合中的第一组绝对位姿以及第二车辆位姿集合中的第二组绝对位姿进行调整,得到第三位姿集和第四位姿集,其中,第一约束条件是根据第二图中的边对应的相对位姿确定得到的约束条件,目标约束条件包括第一约束条件。
其中,第一调整子模块用于执行如下操作:对第一车辆位姿集合中的绝对位姿以及第二车辆位姿集合中的绝对位姿进行调整,使得第二图中的各边已获取的相对位姿与各边重新计算的相对位姿之间的误差之和最小,其中,各边重新计算的相对位姿是通过各边所连接的节点上的绝对位姿计算得到的相对位姿。
可选的,上述调整模块,可以包括:第二调整子模块,用于根据第二约束条件,对第一车辆位姿集合中的第一组绝对位姿以及第二车辆位姿集合中的第二组绝对位姿进行调整,得到第三位姿集和第四位姿集,其中,第二约束条件是根据第二图中的边对应的相对位姿和第一组先验位姿确定得到的约束条件,第四组边包括第三组边中除待删除的边之外的边,第一组先验位姿中的每个先验位姿为第一组节点中的一个节点的先验位姿,目标约束条件包括第二约束条件。
其中,上述第二调整子模块还用于执行如下操作:对第一车辆位姿集合中的绝对位姿以及第二车辆位姿集合中的绝对位姿进行调整,使得第一累计误差与第二累计误差之和最小,其中,第一累计误差是第二图中的各边已获取的相对位姿与各边重新计算的相对位姿之间的误差之和,各边重新计算的相对位姿是通过各边所连接的节点上的绝对位姿计算得到的相对位姿,第二累计误差是第一组先验位姿中的每个先验位姿与对应的节点上的绝对位姿之间的误差之和。
可选的,上述装置还可以包括:第二调整单元,用于在根据第一车辆位姿集合和第二车辆位姿集合,对第一车辆位姿集合中的绝对位姿以及第二车辆位姿集合中的绝对位姿进行调整,得到第三位姿集和第四位姿集之后,根据第三位姿集中的第三组绝对位姿,对第一局部地图数据集中的第一组局部地图数据进行调整,其中,第三位姿集是将第一车辆位姿集合中的第一组绝对位姿调整成第三组绝对位姿所得到的位姿集,第一数据集包括第一局部地图数据集,第一局部地图数据集是第一采集车沿第一轨迹行驶采集到的局部地图数据,第一组绝对位姿包括第一组节点中的第三组节点上第一采集车的绝对位姿,第一组局部地图数据包括第三组节点上第一采集车采集的局部地图数据;第三调整单元,用于根据第四位姿集中的第四组绝对位姿,对第二局部地图数据集中的第二组局部地图数据进行调整,其中,第四位姿集是将第二车辆位姿集合中的第二组绝对位姿调整成第四组绝对位姿所得到的位姿集,第二数据集包括第二局部地图数据集,第二局部地图数据集是第二采集车沿第二轨迹行驶采集到的局部地图数据,第二组绝对位姿包括第二组节点中的第四组节点上第二采集车的绝对位姿,第二组局部地图数据包括第四组节点上第二采集车采集的局部地图数据。
根据本发明实施例的又一个方面,还提供了一种用于实施上述数据处理方法的电子设备,该电子设备可以是图1所示的终端设备或服务器。本实施例以该电子设备为服务器为例来说明。如图14所示,该电子设备包括存储器1402和处理器1404,该存储器1402中存储有计算机程序,该处理器1404被设置为通过计算机程序执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述电子设备可以位于计算机网络的多个网络设备中的至少一个网络设备。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,获取第一数据集,其中,第一数据集包括第一车辆位姿集合,第一数据集是根据第一采集车沿第一轨迹行驶采集到的数据确定得到的数据集,第一轨迹上包括第一组节点,第一车辆位姿集合包括第一组节点中的每相邻两个节点上第一采集车的相对位姿、以及在第一组节点中的每个节点上第一采集车的绝对位姿;
S2,在目标数据库中查找与第一数据集匹配的第二数据集,其中,第二数据集是根据第二采集车沿第二轨迹行驶采集到的数据确定得到的数据集,第二轨迹所对应的采集区域与第一轨迹对应的采集区域存在重叠的区域,第二轨迹上包括第二组节点,第二数据集包括第二车辆位姿集合,第二车辆位姿集合包括第二组节点中的每相邻两个节点上第二采集车的相对位姿、在第二组节点中的每个节点上第二采集车的绝对位姿;
S3,根据第一车辆位姿集合和第二车辆位姿集合,对第一车辆位姿集合中的绝对位姿以及第二车辆位姿集合中的绝对位姿进行调整,得到第三位姿集和第四位姿集,其中,第三位姿集和第四位姿集满足目标约束条件。
可选地,本领域普通技术人员可以理解,图14所示的结构仅为示意,电子装置电子设备也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile Internet Devices,MID)、PAD等终端设备。图14其并不对上述电子装置电子设备的结构造成限定。例如,电子装置电子设备还可包括比图14中所示更多或者更少的组件(如网络接口等),或者具有与图14所示不同的配置。
其中,存储器1402可用于存储软件程序以及模块,如本发明实施例中的数据处理方法和装置对应的程序指令/模块,处理器1404通过运行存储在存储器1402内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的数据处理方法。存储器1402可包括高速随机存储器,还可以包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器1402可进一步包括相对于处理器1404远程设置的存储器,这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。其中,存储器1402具体可以但不限于用于存储第一车辆位姿集合、第二车辆位姿集合等信息。作为一种示例,如图14所示,上述存储器1402中可以但不限于包括上述数据处理装置中的获取单元1301、查找单元1303以及调整单元1305。此外,还可以包括但不限于上述数据处理装置中的其他模块单元,本示例中不再赘述。
可选地,上述的传输装置1406用于经由一个网络接收或者发送数据。上述的网络具体实例可包括有线网络及无线网络。在一个实例中,传输装置1406包括一个网络适配器(Network Interface Controller,NIC),其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中,传输装置1406为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
在其他实施例中,上述终端设备或者服务器可以是一个分布式系统中的一个节点,其中,该分布式系统可以为区块链系统,该区块链系统可以是由该多个节点通过网络通信的形式连接形成的分布式系统。其中,节点之间可以组成点对点(P2P,Peer To Peer)网络,任意形式的计算设备,比如服务器、终端等电子设备都可以通过加入该点对点网络而成为该区块链系统中的一个节点。
根据本申请的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该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计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述数据处理方面或者数据处理方面的各种可选实现方式中提供的数据处理方法。其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述计算机可读的存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,获取第一数据集,其中,第一数据集包括第一车辆位姿集合,第一数据集是根据第一采集车沿第一轨迹行驶采集到的数据确定得到的数据集,第一轨迹上包括第一组节点,第一车辆位姿集合包括第一组节点中的每相邻两个节点上第一采集车的相对位姿、以及在第一组节点中的每个节点上第一采集车的绝对位姿;
S2,在目标数据库中查找与第一数据集匹配的第二数据集,其中,第二数据集是根据第二采集车沿第二轨迹行驶采集到的数据确定得到的数据集,第二轨迹所对应的采集区域与第一轨迹对应的采集区域存在重叠的区域,第二轨迹上包括第二组节点,第二数据集包括第二车辆位姿集合,第二车辆位姿集合包括第二组节点中的每相邻两个节点上第二采集车的相对位姿、在第二组节点中的每个节点上第二采集车的绝对位姿;
S3,根据第一车辆位姿集合和第二车辆位姿集合,对第一车辆位姿集合中的绝对位姿以及第二车辆位姿集合中的绝对位姿进行调整,得到第三位姿集和第四位姿集,其中,第三位姿集和第四位姿集满足目标约束条件。
可选地,在本实施例中,本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(Random Access Memory,RAM)、磁盘或光盘等。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在上述计算机可读取的存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在存储介质中,包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的客户端,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (17)
1.一种地图信息的处理方法,其特征在于,包括:
获取第一采集车采集到的第一局部地图信息,其中,所述第一局部地图信息包括所述第一采集车处于第一车辆位姿集合下所采集到的局部地图信息;
在局部地图数据库中识别与所述第一局部地图信息匹配的第二局部地图信息,其中,所述第二局部地图信息包括第二采集车处于第二车辆位姿集合下所采集到的局部地图信息;
根据所述第一车辆位姿集合和所述第二车辆位姿集合,对所述第一车辆位姿集合中的位姿进行校正,得到第三车辆位姿集合;
根据所述第三车辆位姿集合,对所述第一局部地图信息进行校正,得到第三局部地图信息。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第一车辆位姿集合和所述第二车辆位姿集合,对所述第一车辆位姿集合中的位姿进行校正,得到第三车辆位姿集合,包括:
根据所述第一车辆位姿集合确定第一车辆位姿集合和第二车辆位姿集合,其中,所述第一局部地图信息是所述第一采集车沿第一轨迹得到的,所述第一轨迹包括第一组节点,所述第一车辆位姿集合包括所述第一组节点中的每相邻两个节点上所述第一采集车的相对位姿、以及在所述第一组节点中的每个节点上所述第一采集车的绝对位姿;
根据所述第二车辆位姿集合确定第三位姿集和第四位姿集,其中,所述第二局部地图信息是所述第一采集车沿第二轨迹得到的,所述第二轨迹包括第二组节点,所述第二车辆位姿集合包括所述第一组节点中的每相邻两个节点上所述第二采集车的相对位姿、以及在所述第一组节点中的每个节点上所述第二采集车的绝对位姿;
根据所述第一采集车的相对位姿集、第一采集车的绝对位姿、第二采集车的相对位姿集以第二采集车的绝对位姿对所述第一车辆位姿集合中的位姿进行校正,得到所述第三车辆位姿集合。
3.根据权利要求2所述的方法,其特征在于,所述根据所述第一采集车的相对位姿集、第一采集车的绝对位姿、第二采集车的相对位姿集以第二采集车的绝对位姿对所述第一车辆位姿集合中的位姿进行校正,得到所述第三车辆位姿集合,包括:
根据所述第一车辆位姿集合和所述第二车辆位姿集合,确定第一图,其中,所述第一图包括所述第一组节点、第一组边、所述第二组节点、第二组边以及第三组边,所述第一组边包括所述第一组节点中每相邻两个节点之间的边,所述第二组边包括所述第二组节点中每相邻两个节点之间的边,第三组边包括所述第一组节点中的节点与所述第二组节点中的节点之间的边;
获取所述第三组边中的每条边所连接的两个节点之间的相对位姿;
根据所述第三组边中的每条边所连接的两个节点之间的相对位姿,确定所述第三组边中是否存在待删除的边;
在所述第三组边中存在待删除的边的情况下,在所述第一图中删除所述待删除的边,得到第二图;
根据所述第二图,对所述第一车辆位姿集合中的第一组绝对位姿以及所述第二车辆位姿集合中的第二组绝对位姿进行调整,得到所述第三位姿集和所述第四位姿集,其中,所述第三位姿集是将所述第一车辆位姿集合中的所述第一组绝对位姿调整成第三组绝对位姿所得到的位姿集,所述第四位姿集是将所述第二车辆位姿集合中的所述第二组绝对位姿调整成第四组绝对位姿所得到的位姿集。
4.根据权利要求3所述的方法,其特征在于,所述根据所述第三组边中的每条边所连接的两个节点之间的相对位姿,确定所述第三组边中是否存在待删除的边,包括:
确定所述第三组边中的每条边与所述第一组边以及所述第二组边中的边形成的回环,共得到第一组回环;
根据所述第一组回环中的每个回环中的边对应的相对位姿,确定所述第三组边中是否存在待删除的边。
5.根据权利要求4所述的方法,其特征在于,所述确定所述第三组边中的每条边与所述第一组边以及所述第二组边中的边形成的回环,共得到第一组回环,包括:
在预设的回环边数包括N个取值的情况下,对于所述N个取值中的每个取值,执行以下步骤,共得到所述第一组回环,其中,N为1或大于1的自然数,在执行以下步骤时,所述每个取值为当前取值:
确定所述第三组边中的每条边与所述第一组边以及所述第二组边中的边形成的回环,其中,所述形成的回环包括的边的数量为所述当前取值。
6.根据权利要求4所述的方法,其特征在于,所述根据所述第一组回环中的每个回环中的边对应的相对位姿,确定所述第三组边中是否存在待删除的边,包括:
对于所述第三组边中的每条边,执行以下步骤,其中,在执行以下步骤时,所述每条边为当前边:
在所述第一组回环中确定包括所述当前边的第二组回环;
根据所述第二组回环中的每个回环中的边对应的相对位姿,确定所述当前边的误差参数;
在所述当前边的误差参数不满足预设条件的情况下,将所述当前边确定为待删除的边。
7.根据权利要求6所述的方法,其特征在于,所述根据所述第二组回环中的每个回环中的边对应的相对位姿,确定所述当前边的误差参数,包括:
对于所述第二组回环中的每个回环,执行以下步骤,其中,在执行以下步骤时,所述每个回环为当前回环:将所述当前回环中的每条边对应的相对位姿转换成特征矩阵,得到一组特征矩阵,其中,所述特征矩阵中的取值用于表示所述相对位姿中的位置坐标和朝向角度;
根据所述一组特征矩阵,确定所述当前回环对应的误差参数;
根据所述第二组回环中的每个回环对应的误差参数,确定所述当前边的误差参数。
8.根据权利要求7所述的方法,其特征在于,所述根据所述一组特征矩阵,确定所述当前回环对应的误差参数,包括:
将所述一组特征矩阵按照预设顺序进行依次相乘,得到目标矩阵,其中,所述目标矩阵中的取值用于表示目标相对位姿中的位置坐标和朝向角度,所述目标相对位姿为所述当前回环中的每条边对应的相对位姿所形成的累计相对位姿;
将所述目标矩阵中的取值转换为目标误差取值;
根据所述目标误差取值,确定所述当前回环对应的误差参数。
10.根据权利要求7所述的方法,其特征在于,所述根据所述第二组回环中的每个回环对应的误差参数,确定所述当前边的误差参数,包括:
将所述第二组回环中的每个回环对应的误差参数的累加值确定为所述当前边的误差参数的取值。
11.根据权利要求10所述的方法,其特征在于,所述在所述当前边的误差参数不满足预设条件的情况下,将所述当前边确定为待删除的边,包括:
在所述当前边的误差参数的取值小于0的情况下,将所述当前边确定为待删除的边。
12.根据权利要求3所述的方法,其特征在于,所述根据所述第二图,对所述第一车辆位姿集合中的第一组绝对位姿以及所述第二车辆位姿集合中的第二组绝对位姿进行调整,得到所述第三位姿集和所述第四位姿集,包括:
根据第一约束条件,对所述第一车辆位姿集合中的第一组绝对位姿以及所述第二车辆位姿集合中的第二组绝对位姿进行调整,得到所述第三位姿集和所述第四位姿集,其中,所述第一约束条件是根据所述第二图中的边对应的相对位姿确定得到的约束条件。
13.根据权利要求12所述的方法,其特征在于,所述根据第一约束条件,对所述第一车辆位姿集合中的第一组绝对位姿以及所述第二车辆位姿集合中的第二组绝对位姿进行调整,得到所述第三位姿集和所述第四位姿集,包括:
对所述第一车辆位姿集合中的绝对位姿以及所述第二车辆位姿集合中的绝对位姿进行调整,使得所述第二图中的各边已获取的相对位姿与各边重新计算的相对位姿之间的误差之和最小,其中,所述各边重新计算的相对位姿是通过所述各边所连接的节点上的绝对位姿计算得到的相对位姿。
14.根据权利要求3所述的方法,其特征在于,所述根据所述第二图,对所述第一车辆位姿集合中的第一组绝对位姿以及所述第二车辆位姿集合中的第二组绝对位姿进行调整,得到所述第三位姿集和所述第四位姿集,包括:
根据第二约束条件,对所述第一车辆位姿集合中的第一组绝对位姿以及所述第二车辆位姿集合中的第二组绝对位姿进行调整,得到所述第三位姿集和所述第四位姿集,其中,所述第二约束条件是根据所述第二图中的边对应的相对位姿和第一组先验位姿确定得到的约束条件,所述第四组边包括所述第三组边中除所述待删除的边之外的边,所述第一组先验位姿中的每个先验位姿为所述第一组节点中的一个节点的先验位姿。
15.根据权利要求14所述的方法,其特征在于,所述根据第二约束条件,对所述第一车辆位姿集合中的第一组绝对位姿以及所述第二车辆位姿集合中的第二组绝对位姿进行调整,得到所述第三位姿集和所述第四位姿集,包括:
对所述第一车辆位姿集合中的绝对位姿以及所述第二车辆位姿集合中的绝对位姿进行调整,使得第一累计误差与第二累计误差之和最小,其中,所述第一累计误差是所述第二图中的各边已获取的相对位姿与各边重新计算的相对位姿之间的误差之和,所述各边重新计算的相对位姿是通过所述各边所连接的节点上的绝对位姿计算得到的相对位姿,所述第二累计误差是所述第一组先验位姿中的每个先验位姿与对应的节点上的绝对位姿之间的误差之和。
16.根据权利要求3至15中任一项所述的方法,其特征在于,所述根据所述第一车辆位姿集合和所述第二车辆位姿集合,对所述第一车辆位姿集合中的绝对位姿以及所述第二车辆位姿集合中的绝对位姿进行调整,得到第三位姿集和第四位姿集之后,所述方法还包括:
根据所述第三位姿集中的第三组绝对位姿,对第一局部地图数据集中的第一组局部地图数据进行调整,其中,所述第三位姿集是将所述第一车辆位姿集合中的第一组绝对位姿调整成所述第三组绝对位姿所得到的位姿集,所述第一局部地图数据集是所述第一采集车沿所述第一轨迹行驶采集到的局部地图数据,所述第一组绝对位姿包括所述第一组节点中的第三组节点上所述第一采集车的绝对位姿,所述第一组局部地图数据包括所述第三组节点上所述第一采集车采集的局部地图数据;
根据所述第四位姿集中的第四组绝对位姿,对第二局部地图数据集中的第二组局部地图数据进行调整,其中,所述第四位姿集是将所述第二车辆位姿集合中的第二组绝对位姿调整成所述第四组绝对位姿所得到的位姿集,所述第二局部地图数据集是所述第二采集车沿所述第二轨迹行驶采集到的局部地图数据,所述第二组绝对位姿包括所述第二组节点中的第四组节点上所述第二采集车的绝对位姿,所述第二组局部地图数据包括所述第四组节点上所述第二采集车采集的局部地图数据。
17.一种计算机可读的存储介质,所述计算机可读的存储介质包括存储的程序,其中,所述程序运行时执行所述权利要求1至16任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110486530.1A CN113094462B (zh) | 2021-04-30 | 2021-04-30 | 数据处理方法和装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110486530.1A CN113094462B (zh) | 2021-04-30 | 2021-04-30 | 数据处理方法和装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113094462A true CN113094462A (zh) | 2021-07-09 |
CN113094462B CN113094462B (zh) | 2023-10-24 |
Family
ID=76681242
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110486530.1A Active CN113094462B (zh) | 2021-04-30 | 2021-04-30 | 数据处理方法和装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113094462B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170336511A1 (en) * | 2016-05-18 | 2017-11-23 | Google Inc. | System and method for concurrent odometry and mapping |
CN108759833A (zh) * | 2018-04-25 | 2018-11-06 | 中国科学院合肥物质科学研究院 | 一种基于先验地图的智能车辆定位方法 |
US20190303457A1 (en) * | 2018-03-29 | 2019-10-03 | Aurora Innovation, Inc. | Use of relative atlas in an autonomous vehicle |
CN110887493A (zh) * | 2019-11-29 | 2020-03-17 | 上海有个机器人有限公司 | 基于局部地图匹配的轨迹推算方法、介质、终端和装置 |
CN111488418A (zh) * | 2020-03-09 | 2020-08-04 | 北京百度网讯科技有限公司 | 车辆位姿矫正方法、装置、设备及存储介质 |
CN111750853A (zh) * | 2020-06-24 | 2020-10-09 | 国汽(北京)智能网联汽车研究院有限公司 | 一种地图建立方法、装置及存储介质 |
WO2020259248A1 (zh) * | 2019-06-28 | 2020-12-30 | Oppo广东移动通信有限公司 | 基于深度信息的位姿确定方法、装置、介质与电子设备 |
CN112219087A (zh) * | 2019-08-30 | 2021-01-12 | 深圳市大疆创新科技有限公司 | 位姿预测方法、地图构建方法、可移动平台及存储介质 |
CN112559664A (zh) * | 2020-12-16 | 2021-03-26 | 北京嘀嘀无限科技发展有限公司 | 更新地图数据的方法、装置、设备和存储介质 |
-
2021
- 2021-04-30 CN CN202110486530.1A patent/CN113094462B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170336511A1 (en) * | 2016-05-18 | 2017-11-23 | Google Inc. | System and method for concurrent odometry and mapping |
US20190303457A1 (en) * | 2018-03-29 | 2019-10-03 | Aurora Innovation, Inc. | Use of relative atlas in an autonomous vehicle |
CN108759833A (zh) * | 2018-04-25 | 2018-11-06 | 中国科学院合肥物质科学研究院 | 一种基于先验地图的智能车辆定位方法 |
WO2020259248A1 (zh) * | 2019-06-28 | 2020-12-30 | Oppo广东移动通信有限公司 | 基于深度信息的位姿确定方法、装置、介质与电子设备 |
CN112219087A (zh) * | 2019-08-30 | 2021-01-12 | 深圳市大疆创新科技有限公司 | 位姿预测方法、地图构建方法、可移动平台及存储介质 |
CN110887493A (zh) * | 2019-11-29 | 2020-03-17 | 上海有个机器人有限公司 | 基于局部地图匹配的轨迹推算方法、介质、终端和装置 |
CN111488418A (zh) * | 2020-03-09 | 2020-08-04 | 北京百度网讯科技有限公司 | 车辆位姿矫正方法、装置、设备及存储介质 |
CN111750853A (zh) * | 2020-06-24 | 2020-10-09 | 国汽(北京)智能网联汽车研究院有限公司 | 一种地图建立方法、装置及存储介质 |
CN112559664A (zh) * | 2020-12-16 | 2021-03-26 | 北京嘀嘀无限科技发展有限公司 | 更新地图数据的方法、装置、设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
胡佳欣: "基于视觉语义信息的室内停车场建图与定位方法" * |
Also Published As
Publication number | Publication date |
---|---|
CN113094462B (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cieslewski et al. | Data-efficient decentralized visual SLAM | |
US11086016B2 (en) | Method and apparatus for tracking obstacle | |
Cieslewski et al. | Point cloud descriptors for place recognition using sparse visual information | |
Philipp et al. | Mapgenie: Grammar-enhanced indoor map construction from crowd-sourced data | |
Badino et al. | Visual topometric localization | |
Walter et al. | Matching spatial data sets: a statistical approach | |
US20230175862A1 (en) | Distributed Device Mapping | |
CN107967457A (zh) | 一种适应视觉特征变化的地点识别与相对定位方法及系统 | |
CN110298914B (zh) | 一种建立果园中果树冠层特征地图的方法 | |
CN110197615B (zh) | 用于生成地图的方法及装置 | |
US11430087B2 (en) | Using maps comprising covariances in multi-resolution voxels | |
WO2019144617A1 (zh) | 一种可变场景下多设备的视觉导航方法及系统 | |
JP6997057B2 (ja) | 不動物体情報から端末位置を推定する装置、プログラム及び方法 | |
US11288861B2 (en) | Maps comprising covariances in multi-resolution voxels | |
CN102607532B (zh) | 一种利用飞控数据的低空影像快速匹配方法 | |
CN109596121A (zh) | 一种机动站自动目标检测与空间定位方法 | |
US11948329B2 (en) | System using image connectivity to reduce bundle size for bundle adjustment | |
CN111460866B (zh) | 车道线检测及驾驶控制方法、装置和电子设备 | |
CN113645280A (zh) | 车辆位置数据上传方法、装置、电子设备及存储介质 | |
CN113094462B (zh) | 数据处理方法和装置及存储介质 | |
Andersson et al. | Simultaneous localization and mapping for vehicles using ORB-SLAM2 | |
CN116698014A (zh) | 一种基于多机器人激光slam和视觉slam地图融合与拼接方法 | |
CN113190564A (zh) | 地图更新系统、方法及设备 | |
CN116429112A (zh) | 多机器人协同定位方法和装置、设备及存储介质 | |
CN111754388A (zh) | 一种建图方法及车载终端 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40048403 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |