CN113295159A - 端云融合的定位方法、装置和计算机可读存储介质 - Google Patents

端云融合的定位方法、装置和计算机可读存储介质 Download PDF

Info

Publication number
CN113295159A
CN113295159A CN202110529485.3A CN202110529485A CN113295159A CN 113295159 A CN113295159 A CN 113295159A CN 202110529485 A CN202110529485 A CN 202110529485A CN 113295159 A CN113295159 A CN 113295159A
Authority
CN
China
Prior art keywords
information
positioning
tracking
sliding window
equipment end
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
CN202110529485.3A
Other languages
English (en)
Other versions
CN113295159B (zh
Inventor
鲍虎军
章国锋
翟尚进
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.)
Zhejiang Shangtang Technology Development Co Ltd
Original Assignee
Zhejiang Shangtang Technology Development 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 Zhejiang Shangtang Technology Development Co Ltd filed Critical Zhejiang Shangtang Technology Development Co Ltd
Priority to CN202110529485.3A priority Critical patent/CN113295159B/zh
Publication of CN113295159A publication Critical patent/CN113295159A/zh
Application granted granted Critical
Publication of CN113295159B publication Critical patent/CN113295159B/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
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Image Analysis (AREA)
  • Navigation (AREA)

Abstract

本申请公开了一种端云融合的定位方法、装置和计算机可读存储介质，其中，端云融合的定位方法包括：获取设备端的第一定位信息；其中，所述第一定位信息包括跟踪定位滑窗信息和历史辅助信息；响应于接收到云端的第二定位信息，则将所述第二定位信息与所述第一定位信息进行融合，以对所述跟踪定位滑窗信息进行优化。上述方案，能够使得到的端云融合结果有较好的一致性和平滑性。

Description

端云融合的定位方法、装置和计算机可读存储介质
技术领域
本申请涉及定位技术领域，特别是涉及一种端云融合的定位方法、装置和计算机可读存储介质。
背景技术
基于预建地图的定位与导航是计算机视觉、机器人、无人车、增强现实等领域的重要底层技术。低通讯成本，低功耗负载，高稳定性，高耦合度的端云融合导航方案在无人车、机器人和增强现实等领域有着重要的实用价值。
而现有的设备端跟踪与云端定位融合技术直接使用云端定位信息对设备端位姿信息进行矫正，容易引入云端定位信息的误差，使得融合结果产生不连续的跳动。
发明内容
本申请提至少供一种端云融合的定位方法、装置和计算机可读存储介质。
本申请第一方面提供了一种端云融合的定位方法，所述方法包括：获取设备端的第一定位信息；其中，所述第一定位信息包括跟踪定位滑窗信息和历史辅助信息；响应于接收到云端的第二定位信息，则将所述第二定位信息与所述第一定位信息进行融合，以对所述跟踪定位滑窗信息进行优化。
因此，通过利用预设跟踪定位算法获取设备端的第一定位信息，通过云端获取第二定位信息，第一定位信息作为预测值、第二定位信息作为观测值，将第二定位信息与第一定位信息进行融合优化，可以实现高效的端云融合；另外，由于第一定位信息包括跟踪定位滑窗信息和历史辅助信息，在接收到云端的第二定位信息时，将第二定位信息与第一定位信息进行融合，以对跟踪定位滑窗信息进行优化，即在获取到云端定位信息并进行云端定位到本地跟踪的融合时，主要对跟踪定位滑窗信息进行优化，使得到的端云融合结果有较好的一致性和平滑性。
其中，所述跟踪定位滑窗信息包括若干帧当前的设备端位姿信息和所述云端地图的全局坐标系与设备端的局部坐标系之间的去中心化变换关系；所述历史辅助信息包括边缘化后移出跟踪定位滑窗的历史的设备端位姿信息。
因此，由于跟踪定位滑窗信息包括云端地图的全局坐标系与设备端的局部坐标系之间的去中心化变换关系，通过该去中心化变换关系可以对设备端的第一定位信息和云端的第二定位信息进行融合定位，对设备端的计算能力和数据通讯要求较低，从而实现高效的端云融合，且得到的端云融合结果有较好的一致性；另外，在将第二定位信息与第一定位信息进行融合时，主要对跟踪定位滑窗信息进行优化，而对历史辅助信息不进行更新和优化，融合结果不会产生较大的跳动，平滑性较好。
其中，所述将所述第二定位信息与所述第一定位信息进行融合，以对所述跟踪定位滑窗信息进行优化，包括：基于所述去中心化变换关系，将所述第二定位信息和与所述第二定位信息相匹配的设备端位姿信息进行融合，得到更新的当前的设备端位姿信息；根据所述更新的当前的设备端位姿信息和所述历史的设备端位姿信息，对所述跟踪定位滑窗信息和所述历史辅助信息之间的协方差矩阵进行更新。
因此，通过云端地图的全局坐标系与设备端的局部坐标系之间的去中心化变换关系，可以对第二定位信息和与所述第二定位信息相匹配的设备端位姿信息进行融合定位，以优化当前的设备端位姿信息并进行更新，即将云端的第二定位信息作为观测值，将第一定位信息中与所述第二定位信息相匹配的设备端位姿信息作为预测值，采用观测值对预测值进行融合优化，可以实现对跟踪定位滑窗信息中的设备端的当前位姿进行更新；另外，在每次对跟踪定位滑窗信息中的设备端的当前位姿进行更新后，需要根据更新的当前的设备端位姿信息和历史的设备端位姿信息，对跟踪定位滑窗信息和历史辅助信息之间的协方差矩阵进行更新，从而可以保证定位系统中跟踪定位滑窗信息和历史辅助信息的一致性。
其中，所述第二定位信息相匹配的设备端位姿信息为当前的设备端位姿信息；所述基于所述去中心化变换关系，将所述第二定位信息和与所述第二定位信息相匹配的设备端位姿信息进行融合，得到更新后的设备端位姿信息，包括：基于所述去中心化变换关系，将所述第二定位信息和相匹配的当前的设备端位姿信息进行融合，对所述当前的设备端位姿信息进行更新优化。
因此，当接收到的云端的第二定位信息相匹配的设备端位姿信息为当前的设备端位姿信息时，此时可以直接根据云端地图的全局坐标系与设备端的局部坐标系之间的去中心化变换关系，将云端的第二定位信息与相匹配的当前的设备端位姿信息进行融合，从而实现对当前的设备端位姿信息进行更新优化。
其中，所述第二定位信息相匹配的设备端位姿信息为历史的设备端位姿信息；所述基于所述去中心化变换关系，将所述第二定位信息和与所述第二定位信息相匹配的设备端位姿信息进行融合，得到更新后的设备端位姿信息，包括：基于所述去中心化变换关系，得到所述第二定位信息和相匹配的历史的设备端位姿信息之间的残差值；根据所述第二定位信息和相匹配的历史的设备端位姿信息之间的残差值、所述跟踪定位滑窗信息和所述历史辅助信息之间的协方差矩阵，对所述当前的设备端位姿信息进行更新优化。
因此，当接收到的云端的第二定位信息相匹配的设备端位姿信息为历史的设备端位姿信息时，此时需要根据云端地图的全局坐标系与设备端的局部坐标系之间的去中心化变换关系，得到第二定位信息和相匹配的历史的设备端位姿信息之间的残差值，然后根据跟踪定位滑窗信息和历史辅助信息之间的协方差矩阵，将第二定位信息和相匹配的历史的设备端位姿信息之间的残差值传导到当前的设备端位姿信息中，以实现对当前的设备端位姿信息进行更新优化；由于在接收到的云端的第二定位信息相匹配的设备端位姿信息为历史的设备端位姿信息的情况下，也可以实现对当前的设备端位姿信息进行更新优化，即云端的第二定位信息返回到设备端存在较大的延迟也能实现对当前的设备端位姿信息进行更新优化，故本申请的端云融合的定位方法不会受到通讯时延和服务器算力的限制，且云端与设备端之间不需要进行高频丰富的数据交换，避免增加通讯负载和端云两侧的算力负载。
其中，所述根据所述更新的当前的设备端位姿信息和所述历史的设备端位姿信息，对所述跟踪定位滑窗信息和所述历史辅助信息之间的协方差矩阵进行更新，包括：根据所述更新的当前的设备端位姿信息和所述历史的设备端位姿信息，对所述跟踪定位滑窗信息的协方差矩阵、所述跟踪定位滑窗信息和所述历史辅助信息之间的协方差矩阵及逆矩阵进行更新。
因此，在得到更新的当前的设备端位姿信息之后，需要重新组织跟踪定位滑窗信息和历史辅助信息对应的协方差矩阵，由于历史辅助信息远多于跟踪定位滑窗信息，所以重新组织协方差矩阵的目标是优化算法效率，尽量只更新跟踪定位滑窗信息以及历史辅助信息与跟踪定位滑窗信息的关联信息，不更新历史辅助信息，于是需要对跟踪定位滑窗信息的协方差矩阵、跟踪定位滑窗信息和历史辅助信息之间的协方差矩阵及逆矩阵进行更新，以保证端云融合结果的一致性。
其中，所述方法还包括：响应于未接收到云端的第二定位信息，则继续获取最新的设备端位姿信息；将所述最新的设备端位姿信息加入所述跟踪定位滑窗信息。
因此，若没有接收到云端的第二定位信息，则设备端位姿信息需要继续利用预设跟踪定位算法来获得，并将获得到的最新的设备端位姿信息更新在跟踪定位滑窗信息中，使得在没有云端的第二定位信息或者云端的第二定位信息存在较大延迟的情况下也能够保证定位结果的准确性和平滑性。
其中，在所述将所述最新的设备端位姿信息加入所述跟踪定位滑窗信息之前，所述方法包括：响应于所述跟踪定位滑窗信息已满，则对所述跟踪定位滑窗信息中的任意帧当前的设备端位姿信息进行边缘化，并将边缘化后的当前的设备端位姿信息作为历史的设备端位姿信息加入所述历史辅助信息，并执行所述将所述最新的设备端位姿信息加入所述跟踪定位滑窗信息的步骤；响应于所述跟踪定位滑窗信息未满，则直接执行所述将所述最新的设备端位姿信息加入所述跟踪定位滑窗信息的步骤。
因此，在将获得到的最新的设备端位姿信息更新在跟踪定位滑窗信息之前，若跟踪定位滑窗信息已满，则需要将跟踪定位滑窗信息中的任意帧当前的设备端位姿信息进行边缘化，然后将则将边缘化后的当前的设备端位姿信息滑入历史辅助信息中，从而可以得到及时并准确的设备定位结果。
其中，所述云端所使用的地图包括至少两个子地图，任意两个子地图之间具有预设地图关联关系和所述预设地图关联关系的协方差矩阵，所述去中心化变换关系包括已观测的子地图的全局坐标系与设备端的局部坐标系之间的第一变换关系和所述第一变换关系的协方差矩阵，以及通过所述第一变换关系及其协方差矩阵和所述预设地图关联关系及其协方差矩阵计算得到的未观测的子地图的全局坐标系与所述设备端的局部坐标系之间的第二变换关系和所述第二变换关系的协方差矩阵。
因此，在云端所使用的地图包括若干个子地图的情况下，通过已观测的子地图的全局坐标系与设备端的局部坐标系之间的第一变换关系及其协方差矩阵，以及任意两个子地图之间具有的预设地图关联关系及其协方差矩阵，可以得到未被观测的子地图的全局坐标系与设备端的局部坐标系之间的第二变换关系及其协方差矩阵，于是，去中心化变换关系可以包括第一关联关系及其协方差矩阵和第二关联关系及其协方差矩阵，从而使得即便一定时间内某个子地图未被观测到，依然可以较为稳定地得到设备端跟踪定位算法在该未被观测的子地图的全局坐标系下的实时融合定位的结果。
为了解决上述问题，本申请第二方面提供了一种端云融合的定位装置，包括：获取模块，用于获取设备端的第一定位信息；其中，所述第一定位信息包括跟踪定位滑窗信息和历史辅助信息；判断模块，用于判断是否接收到云端的第二定位信息；融合模块，用于在判断模块判断出接收到云端的第二定位信息时，将所述第二定位信息与所述第一定位信息进行融合，以对所述跟踪定位滑窗信息进行优化。
为了解决上述问题，本申请第三方面提供了一种端云融合的定位装置，包括相互耦接的存储器和处理器，所述处理器用于执行所述存储器中存储的程序指令，以实现上述第一方面中的端云融合的定位方法。
为了解决上述问题，本申请第四方面提供了一种计算机可读存储介质，其上存储有程序指令，所述程序指令被处理器执行时实现上述第一方面中的端云融合的定位方法。
上述方案，通过利用预设跟踪定位算法获取设备端的第一定位信息，通过云端获取第二定位信息，第一定位信息作为预测值、第二定位信息作为观测值，将第二定位信息与第一定位信息进行融合优化，可以实现高效的端云融合；另外，由于第一定位信息包括跟踪定位滑窗信息和历史辅助信息，在接收到云端的第二定位信息时，将第二定位信息与第一定位信息进行融合，以对跟踪定位滑窗信息进行优化，即在获取到云端定位信息并进行云端定位到本地跟踪的融合时，主要对跟踪定位滑窗信息进行优化，使得到的端云融合结果有较好的一致性和平滑性。
附图说明
图1是本申请端云融合的定位方法一实施例的流程示意图；
图2是图1中步骤S13一实施例的流程示意图；
图3是本申请端云融合的定位方法另一实施例的流程示意图；
图4是本申请端云融合的定位装置一实施例的框架示意图；
图5是本申请端云融合的定位装置另一实施例的框架示意图；
图6是本申请计算机可读存储介质一实施例的框架示意图。
具体实施方式
下面结合说明书附图，对本申请实施例的方案进行详细说明。
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、接口、技术之类的具体细节，以便透彻理解本申请。
本文中术语“系统”和“网络”在本文中常被可互换使用。本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。此外，本文中的“多”表示两个或者多于两个。
请参阅图1，图1是本申请端云融合的定位方法一实施例的流程示意图。具体而言，可以包括如下步骤：
步骤S11：获取设备端的第一定位信息；其中，所述第一定位信息包括跟踪定位滑窗信息和历史辅助信息。
本申请的端云融合的定位方法的执行主体可以是端云融合的定位装置，例如，端云融合的定位方法可以由终端设备或云端设备或服务器或其它处理设备执行，其中，终端设备可以为机器人、无人车、无人机等移动设备，也可以是用户设备(User Equipment，UE)、用户终端、无绳电话、个人数字助理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中，该端云融合的定位方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。本申请可以利用预设跟踪定位算法来获取设备端的第一定位信息，设备端的预设跟踪定位算法可以使用基于扩展卡尔曼滤波器、基于均方根滤波器等跟踪定位算法，也可使用基于设备端的图像及惯导信息进行跟踪定位的视觉惯性跟踪定位算法或者使用基于单/双/多目图像信息的纯视觉跟踪定位算法。
步骤S12：判断是否接收到云端的第二定位信息。可以理解的是，若是，则执行步骤S13；若否，则由于没有接收到云端的第二定位信息，无法与第一定位信息进行融合并对所述跟踪定位滑窗信息进行优化，流程结束。
步骤S13：将所述第二定位信息与所述第一定位信息进行融合，以对所述跟踪定位滑窗信息进行优化。
可以理解的是，由于云端和设备端之间的数据通信和云端定位均有较大延迟，因此可以将设备端的第一定位信息进行预先保存，在获取到云端的第二定位信息后，可以与设备端的第一定位信息中的所有跟踪定位滑窗信息和历史辅助信息进行比较，然后得到与云端的第二定位信息相匹配的第一定位信息，并将云端的第二定位信息与其相匹配的设备端的第一定位信息进行融合，以对设备端的第一定位信息进行优化。由于第一定位信息包括跟踪定位滑窗信息和历史辅助信息，跟踪定位滑窗信息包括时间较近、较为重要的若干个关键帧，而历史辅助信息包括时间较远以及重要程度较低的其他关键帧，而对于端云融合的实时定位来说，对第一定位信息中的跟踪定位滑窗信息进行优化可以满足实际定位过程中的及时性，因此，对设备端的第一定位信息进行优化的过程，主要反映为对跟踪定位滑窗信息的优化。
上述方案，通过利用预设跟踪定位算法获取设备端的第一定位信息，通过云端获取第二定位信息，第一定位信息作为预测值、第二定位信息作为观测值，将第二定位信息与第一定位信息进行融合优化，可以实现高效的端云融合；另外，由于第一定位信息包括跟踪定位滑窗信息和历史辅助信息，在接收到云端的第二定位信息时，将第二定位信息与第一定位信息进行融合，以对跟踪定位滑窗信息进行优化，即在获取到云端定位信息并进行云端定位到本地跟踪的融合时，主要对跟踪定位滑窗信息进行优化，使得到的端云融合结果有较好的一致性和平滑性。
在一实施例中，跟踪定位滑窗信息包括若干帧当前的设备端位姿信息和云端地图的全局坐标系与设备端的局部坐标系之间的去中心化变换关系；历史辅助信息包括边缘化后移出跟踪定位滑窗的历史的设备端位姿信息。
可以理解的是，在设备端的跟踪系统与云端的定位系统进行融合定位的过程中，设备端和云端并不共享同一个坐标系统，因此需要建立一个去中心化变换关系来实现云端地图的全局坐标系与设备端的局部坐标系之间的坐标变换，去中心化变换关系可以将某一帧云端的第二定位信息与对应一帧设备端的第一定位信息之间进行变换，通过该去中心化变换关系可以维护云端定位信息和与其相匹配的设备端定位信息之间的相对关系。
因此，由于跟踪定位滑窗信息包括云端地图的全局坐标系与设备端的局部坐标系之间的去中心化变换关系，通过该去中心化变换关系可以对设备端的第一定位信息和云端的第二定位信息进行融合定位，对设备端的计算能力和数据通讯要求较低，从而实现高效的端云融合，且得到的端云融合结果有较好的一致性；另外，在将第二定位信息与第一定位信息进行融合时，主要对跟踪定位滑窗信息进行优化，而对历史辅助信息不进行更新和优化，融合结果不会产生较大的跳动，平滑性较好。
在一实施例中，可以根据云端地图的信息及设备端跟踪的信息，选取去中心化变换关系的表达形式。当云端地图与设备端跟踪的尺度一致时，去中心化变换关系可以为六自由度的刚性变换；当云端地图与设备端跟踪的尺度不一致时，去中心化变换关系可以为七自由度的相似变换；当云端地图与设备端跟踪的尺度一致、且云端地图和设备端的重力方向均可观时，去中心化变换关系可以为四自由度的位置加偏航角变换；当云端地图与设备端跟踪的尺度一致、且云端地图和设备端的重力方向及偏航角均可观时，去中心化变换关系可以为三自由度的位置变换。
请参阅图2，图2是图1中步骤S13一实施例的流程示意图。具体而言，步骤S13可以包括如下步骤：
步骤S131：基于去中心化变换关系，将第二定位信息和与第二定位信息相匹配的设备端位姿信息进行融合，得到更新的当前的设备端位姿信息。
在确定了去中心化变换关系之后，在后续的融合定位过程中，设备端发起接收请求，并接收到了云端发送的第二定位信息，则可以与设备端的所有第一定位信息进行比较，得到与第二定位信息相匹配的设备端位姿信息，然后采用去中心化变换关系对第二定位信息和与第二定位信息相匹配的设备端位姿信息进行融合定位，以实现对当前的设备端位姿信息的更新。
具体地，在获取到云端定位成功的第二定位信息后，例如云端的一帧定位图像，然后与设备端的所有关键帧比较，若云端的一帧定位图像与设备端跟踪信息的某个关键帧匹配，此时可以得到云端定位成功的一帧图像的位姿信息，以及设备端跟踪信息的该关键帧对应的位姿信息，因此可以根据云端与设备端之间的去中心化变换关系，来对对云端定位信息和设备端跟踪信息进行融合定位，即实现将第二定位信息和与第二定位信息相匹配的设备端位姿信息进行融合，得到更新的当前的设备端位姿信息。
在一实施例中，第二定位信息相匹配的设备端位姿信息为当前的设备端位姿信息；上述步骤S131具体可以包括：基于去中心化变换关系，将第二定位信息和相匹配的当前的设备端位姿信息进行融合，对当前的设备端位姿信息进行更新优化。因此，当接收到的云端的第二定位信息相匹配的设备端位姿信息为当前的设备端位姿信息时，此时可以直接根据云端地图的全局坐标系与设备端的局部坐标系之间的去中心化变换关系，将云端的第二定位信息与相匹配的当前的设备端位姿信息进行融合，从而实现对当前的设备端位姿信息进行更新优化。
在一实施例中，第二定位信息相匹配的设备端位姿信息为历史的设备端位姿信息；上述步骤S131具体可以包括：基于去中心化变换关系，得到第二定位信息和相匹配的历史的设备端位姿信息之间的残差值；根据第二定位信息和相匹配的历史的设备端位姿信息之间的残差值、跟踪定位滑窗信息和历史辅助信息之间的协方差矩阵，对当前的设备端位姿信息进行更新优化。因此，当接收到的云端的第二定位信息相匹配的设备端位姿信息为历史的设备端位姿信息时，此时需要根据云端地图的全局坐标系与设备端的局部坐标系之间的去中心化变换关系，得到第二定位信息和相匹配的历史的设备端位姿信息之间的残差值，然后根据跟踪定位滑窗信息和历史辅助信息之间的协方差矩阵，将第二定位信息和相匹配的历史的设备端位姿信息之间的残差值传导到当前的设备端位姿信息中，以实现对当前的设备端位姿信息进行更新优化；由于在接收到的云端的第二定位信息相匹配的设备端位姿信息为历史的设备端位姿信息的情况下，也可以实现对当前的设备端位姿信息进行更新优化，即云端的第二定位信息返回到设备端存在较大的延迟也能实现对当前的设备端位姿信息进行更新优化，故本申请的端云融合的定位方法不会受到通讯时延和服务器算力的限制，且云端与设备端之间不需要进行高频丰富的数据交换，避免增加通讯负载和端云两侧的算力负载。
步骤S132：根据更新的当前的设备端位姿信息和历史的设备端位姿信息，对跟踪定位滑窗信息和历史辅助信息之间的协方差矩阵进行更新。
上述方案，通过云端地图的全局坐标系与设备端的局部坐标系之间的去中心化变换关系，可以对第二定位信息和与所述第二定位信息相匹配的设备端位姿信息进行融合定位，以优化当前的设备端位姿信息并进行更新，即将云端的第二定位信息作为观测值，将第一定位信息中与所述第二定位信息相匹配的设备端位姿信息作为预测值，采用观测值对预测值进行融合优化，可以实现对跟踪定位滑窗信息中的设备端的当前位姿进行更新；另外，在每次对跟踪定位滑窗信息中的设备端的当前位姿进行更新后，需要根据更新的当前的设备端位姿信息和历史的设备端位姿信息，对跟踪定位滑窗信息和历史辅助信息之间的协方差矩阵进行更新，从而可以保证定位系统中跟踪定位滑窗信息和历史辅助信息的一致性。
在一实施例中，上述步骤S132具体可以包括：根据更新的当前的设备端位姿信息和历史的设备端位姿信息，对跟踪定位滑窗信息的协方差矩阵、跟踪定位滑窗信息和历史辅助信息之间的协方差矩阵及逆矩阵进行更新。因此，在得到更新的当前的设备端位姿信息之后，需要重新组织跟踪定位滑窗信息和历史辅助信息对应的协方差矩阵，由于历史辅助信息远多于跟踪定位滑窗信息，所以重新组织协方差矩阵的目标是优化算法效率，尽量只更新跟踪定位滑窗信息以及历史辅助信息与跟踪定位滑窗信息的关联信息，不更新历史辅助信息，于是需要对跟踪定位滑窗信息的协方差矩阵、跟踪定位滑窗信息和历史辅助信息之间的协方差矩阵及逆矩阵进行更新，以保证端云融合结果的一致性。
具体地，令设备端的第一定位信息所对应的状态量x为：
Figure BDA0003066755120000111
其中，
Figure BDA0003066755120000121
表示跟踪定位滑窗信息所对应的状态量，
Figure BDA0003066755120000122
表示历史辅助信息所对应的状态量，在当前时刻对应的协方差矩阵P为：
Figure BDA0003066755120000123
其中PRR表示跟踪定位滑窗信息的协方差矩阵，PMM表示历史辅助信息的协方差矩阵，PRM和PMR分别表示跟踪定位滑窗信息和历史辅助信息之间的协方差矩阵及逆矩阵。令
Figure BDA0003066755120000124
表示利用设备端的第一定位信息及上一次优化的结果进行预测的预测值，z表示当前的观测值，r表示观测值与预测值的残差值：
Figure BDA0003066755120000125
对(3)中的
Figure BDA0003066755120000126
求导，可得到雅克比矩阵H：
H＝[HR HM] (4)
其中，HR表示对跟踪定位滑窗信息的状态求导的雅克比矩阵，HM表示对历史辅助信息的状态求导的雅克比矩阵。
可以理解的是，设备端的状态量在基于传统的扩展卡尔曼滤波器的更新过程中，包括以下步骤：
解算残差值：
Figure BDA0003066755120000127
计算残差的协方差矩阵：
S＝HPHT+R (6)
其中，R为测量误差的协方差矩阵；
计算卡尔曼增益：
Figure BDA0003066755120000128
计算状态量更新值：
Figure BDA0003066755120000129
计算协方差矩阵更新值：
Figure BDA00030667551200001210
而本申请的设备端的状态量的更新过程与上述传统的扩展卡尔曼滤波器存在两点区别；一是在上述公式(8)的计算过程中不更新
Figure BDA0003066755120000131
一项，即本申请计算状态量更新值为：
Figure BDA0003066755120000132
其中，
Figure BDA0003066755120000133
为跟踪定位滑窗信息所对应的状态量更新值，
Figure BDA0003066755120000134
为历史辅助信息所对应的状态量更新值，
Figure BDA0003066755120000135
为跟踪定位滑窗信息所对应的状态量估计值，
Figure BDA0003066755120000136
为历史辅助信息所对应的状态量估计值；
二是在上述公式(9)的计算过程中不更新PMM一项，即本申请计算协方差矩阵更新值为：
Figure BDA0003066755120000137
请参阅图3，图3是本申请端云融合的定位方法另一实施例的流程示意图。具体而言，可以包括如下步骤：
步骤S31：利用预设跟踪定位算法获取设备端的第一定位信息；其中，所述第一定位信息包括跟踪定位滑窗信息和历史辅助信息。
步骤S32：判断是否接收到云端的第二定位信息。若是，则执行步骤S33；若否，则执行步骤S34。
步骤S33：将所述第二定位信息与所述第一定位信息进行融合，以对所述跟踪定位滑窗信息进行优化。
本实施例中，步骤S31-S33与本申请上述实施例的步骤S11-S13基本类似，此处不再赘述。
步骤S34：利用预设跟踪定位算法继续获取最新的设备端位姿信息。
步骤S35：将最新的设备端位姿信息加入跟踪定位滑窗信息。
可以理解的是，若没有接收到云端的第二定位信息，则设备端位姿信息需要继续利用预设跟踪定位算法来获得，并将获得到的最新的设备端位姿信息更新在跟踪定位滑窗信息中，使得在没有云端的第二定位信息或者云端的第二定位信息存在较大延迟的情况下也能够保证定位结果的准确性和平滑性。
在一实施例中，在上述步骤S35之前，端云融合的定位方法还可以包括：判断跟踪定位滑窗信息是否已满；若是，则对跟踪定位滑窗信息中的任意帧当前的设备端位姿信息进行边缘化，并将边缘化后的当前的设备端位姿信息作为历史的设备端位姿信息加入历史辅助信息，并执行步骤S35；若否，则直接执行步骤S35。因此，在将获得到的最新的设备端位姿信息更新在跟踪定位滑窗信息之前，若跟踪定位滑窗信息已满，则需要将跟踪定位滑窗信息中的任意帧当前的设备端位姿信息进行边缘化，然后将则将边缘化后的当前的设备端位姿信息滑入历史辅助信息中，从而可以得到及时并准确的设备定位结果。
在一实施例中，云端所使用的地图包括至少两个子地图，任意两个子地图之间具有预设地图关联关系和预设地图关联关系的协方差矩阵，去中心化变换关系包括已观测的子地图的全局坐标系与设备端的局部坐标系之间的第一变换关系和第一变换关系的协方差矩阵，以及通过第一变换关系及其协方差矩阵和预设地图关联关系及其协方差矩阵计算得到的未观测的子地图的全局坐标系与设备端的局部坐标系之间的第二变换关系和第二变换关系的协方差矩阵。可以理解的是，在云端所使用的地图包括若干个子地图的情况下，通过已观测的子地图的全局坐标系与设备端的局部坐标系之间的第一变换关系及其协方差矩阵，以及任意两个子地图之间具有的预设地图关联关系及其协方差矩阵，可以得到未被观测的子地图的全局坐标系与设备端的局部坐标系之间的第二变换关系及其协方差矩阵，于是本申请可以同时维护多个子地图的全局坐标系与设备端的局部坐标系之间的变换关系及变换关系的协方差矩阵，即去中心化变换关系可以包括第一关联关系及其协方差矩阵和第二关联关系及其协方差矩阵。由于设备端跟踪定位算法在短期具有较好的一致性，从而使得即便在一定时间内某个子地图未被观测到，利用设备端的跟踪信息和去中心化变换关系，依然可以较为稳定地得到设备端的跟踪信息在该未被观测的子地图的全局坐标系下的实时融合定位的结果。而当有多个子地图被同时观测到时，该时刻云端的第二定位信息会包括对多个子地图的共同观测，而根据前述对跟踪定位滑窗信息和历史辅助信息之间的协方差矩阵进行更新的机制，共同观测的信息会同时对多个子地图产生约束，同时由于多个子地图会同时约束设备端的跟踪定位滑窗信息，从而使得不同子地图之间的去中心化变换关系具有更高的一致性；以子地图甲和子地图乙为例，对子地图甲和子地图乙的共同观测得到的云端的第二定位信息，以及对应的设备端的第一定位信息，可以同时对子地图甲与设备端之间的第一变换关系及其协方差矩阵、以及子地图乙与设备端之间的第二变换关系及其协方差矩阵进行约束，而由于云端的第二定位信息，可以根据子地图甲与设备端之间的第一变换关系及其协方差矩阵、子地图乙与设备端之间的第二变换关系及其协方差矩阵，分别对设备端的跟踪定位滑窗信息进行优化，所得到的优化结果，较单个子地图的观测信息来说，其定位精度更高，即多个子地图的共同观测信息会进一步提升第二定位信息与第一定位信息的融合精度。另外，当设备端离开子地图甲而在子地图乙中运动时，子地图乙相对于设备端的跟踪定位算法的去中心化变换关系，可由子地图甲与设备端之间的第一变换关系及其协方差矩阵、以及子地图甲和子地图乙之间的预设地图关联关系及其协方差矩阵传导得到，即本申请的设备端的定位可以在不同地图之间平滑切换，不会产生严重跳变，确保在分块式建图场景下也能够有很好的融合效果。
请参阅图4，图4是本申请端云融合的定位装置一实施例的框架示意图。端云融合的定位装置40包括：获取模块400，用于获取设备端的第一定位信息；其中，所述第一定位信息包括跟踪定位滑窗信息和历史辅助信息；判断模块402，用于判断是否接收到云端的第二定位信息；融合模块404，用于在判断模块402判断出接收到云端的第二定位信息时，将所述第二定位信息与所述第一定位信息进行融合，以对所述跟踪定位滑窗信息进行优化。
上述方案，获取模块400通过利用预设跟踪定位算法获取设备端的第一定位信息，通过云端获取第二定位信息，第一定位信息作为预测值、第二定位信息作为观测值，融合模块404将第二定位信息与第一定位信息进行融合优化，可以实现高效的端云融合；另外，由于第一定位信息包括跟踪定位滑窗信息和历史辅助信息，在接收到云端的第二定位信息时，将第二定位信息与第一定位信息进行融合，以对跟踪定位滑窗信息进行优化，即在获取到云端定位信息并进行云端定位到本地跟踪的融合时，主要对跟踪定位滑窗信息进行优化，使得到的端云融合结果有较好的一致性和平滑性。
在一些实施例中，融合模块404包括第一融合子模块和第二融合子模块；第一融合子模块用于：基于所述去中心化变换关系，将所述第二定位信息和与所述第二定位信息相匹配的设备端位姿信息进行融合，得到更新的当前的设备端位姿信息；第二融合子模块用于：根据所述更新的当前的设备端位姿信息和所述历史的设备端位姿信息，对所述跟踪定位滑窗信息和所述历史辅助信息之间的协方差矩阵进行更新。
在一些实施例中，所述第二定位信息相匹配的设备端位姿信息为当前的设备端位姿信息；第一融合子模块具体用于：基于所述去中心化变换关系，将所述第二定位信息和相匹配的当前的设备端位姿信息进行融合，对所述当前的设备端位姿信息进行更新优化。
在一些实施例中，所述第二定位信息相匹配的设备端位姿信息为历史的设备端位姿信息；第一融合子模块具体用于：基于所述去中心化变换关系，得到所述第二定位信息和相匹配的历史的设备端位姿信息之间的残差值；根据所述第二定位信息和相匹配的历史的设备端位姿信息之间的残差值、所述跟踪定位滑窗信息和所述历史辅助信息之间的协方差矩阵，对所述当前的设备端位姿信息进行更新优化。
在一些实施例中，第二融合子模块具体用于：根据所述更新的当前的设备端位姿信息和所述历史的设备端位姿信息，对所述跟踪定位滑窗信息的协方差矩阵、所述跟踪定位滑窗信息和所述历史辅助信息之间的协方差矩阵及逆矩阵进行更新。
在一些实施例中，在判断模块402判断出没有接收到云端的第二定位信息时，获取模块400还用于利用所述预设跟踪定位算法继续获取最新的设备端位姿信息，而融合模块404还用于将所述最新的设备端位姿信息加入所述跟踪定位滑窗信息。
在一些实施例中，在融合模块404将所述最新的设备端位姿信息加入所述跟踪定位滑窗信息之前，判断模块402还用于判断所述跟踪定位滑窗信息是否已满；在判断模块402判断出跟踪定位滑窗信息已满时，融合模块404还用于对所述跟踪定位滑窗信息中的任意帧当前的设备端位姿信息进行边缘化，并将边缘化后的当前的设备端位姿信息作为历史的设备端位姿信息加入所述历史辅助信息，并执行所述将所述最新的设备端位姿信息加入所述跟踪定位滑窗信息的步骤；在判断模块402判断出跟踪定位滑窗信息未满时，融合模块404则直接执行所述将所述最新的设备端位姿信息加入所述跟踪定位滑窗信息的步骤。
请参阅图5，图5是本申请端云融合的定位装置另一实施例的框架示意图。端云融合的定位装置50包括相互耦接的存储器51和处理器52，处理器52用于执行存储器51中存储的程序指令，以实现上述任一端云融合的定位方法实施例的步骤。在一个具体的实施场景中，端云融合的定位装置50可以包括但不限于：微型计算机、服务器。
具体而言，处理器52用于控制其自身以及存储器51以实现上述任一端云融合的定位实施例中的步骤。处理器52还可以称为CPU(Central Processing Unit，中央处理单元)。处理器52可能是一种集成电路芯片，具有信号的处理能力。处理器52还可以是通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。另外，处理器52可以由集成电路芯片共同实现。
上述方案，处理器52通过通过利用预设跟踪定位算法获取设备端的第一定位信息，通过云端获取第二定位信息，第一定位信息作为预测值、第二定位信息作为观测值，将第二定位信息与第一定位信息进行融合优化，可以实现高效的端云融合；另外，由于第一定位信息包括跟踪定位滑窗信息和历史辅助信息，在接收到云端的第二定位信息时，将第二定位信息与第一定位信息进行融合，以对跟踪定位滑窗信息进行优化，即在获取到云端定位信息并进行云端定位到本地跟踪的融合时，主要对跟踪定位滑窗信息进行优化，使得到的端云融合结果有较好的一致性和平滑性。
请参阅图6，图6是本申请计算机可读存储介质一实施例的框架示意图。计算机可读存储介质60存储有能够被处理器运行的程序指令600，程序指令600用于实现上述任一端云融合的定位实施例中的步骤。
在本申请所提供的几个实施例中，应该理解到，所揭露的方法、装置，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，模块或单元的划分，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，装置或单元的间接耦合或通信连接，可以是电性、机械或其它的形式。
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方式方案的目的。
另外，在本申请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。
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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请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一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本申请各个实施方式方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

Claims (12)

1.一种端云融合的定位方法，其特征在于，所述方法包括：
获取设备端的第一定位信息；其中，所述第一定位信息包括跟踪定位滑窗信息和历史辅助信息；
响应于接收到云端的第二定位信息，则将所述第二定位信息与所述第一定位信息进行融合，以对所述跟踪定位滑窗信息进行优化。
2.根据权利要求1所述的方法，其特征在于，所述跟踪定位滑窗信息包括若干帧当前的设备端位姿信息和所述云端地图的全局坐标系与设备端的局部坐标系之间的去中心化变换关系；
所述历史辅助信息包括边缘化后移出跟踪定位滑窗的历史的设备端位姿信息。
3.根据权利要求2所述的方法，其特征在于，所述将所述第二定位信息与所述第一定位信息进行融合，以对所述跟踪定位滑窗信息进行优化，包括：
基于所述去中心化变换关系，将所述第二定位信息和与所述第二定位信息相匹配的设备端位姿信息进行融合，得到更新的当前的设备端位姿信息；
根据所述更新的当前的设备端位姿信息和所述历史的设备端位姿信息，对所述跟踪定位滑窗信息和所述历史辅助信息之间的协方差矩阵进行更新。
4.根据权利要求3所述的方法，其特征在于，所述第二定位信息相匹配的设备端位姿信息为当前的设备端位姿信息；
所述基于所述去中心化变换关系，将所述第二定位信息和与所述第二定位信息相匹配的设备端位姿信息进行融合，得到更新后的设备端位姿信息，包括：
基于所述去中心化变换关系，将所述第二定位信息和相匹配的当前的设备端位姿信息进行融合，对所述当前的设备端位姿信息进行更新优化。
5.根据权利要求3所述的方法，其特征在于，所述第二定位信息相匹配的设备端位姿信息为历史的设备端位姿信息；
所述基于所述去中心化变换关系，将所述第二定位信息和与所述第二定位信息相匹配的设备端位姿信息进行融合，得到更新后的设备端位姿信息，包括：
基于所述去中心化变换关系，得到所述第二定位信息和相匹配的历史的设备端位姿信息之间的残差值；
根据所述第二定位信息和相匹配的历史的设备端位姿信息之间的残差值、所述跟踪定位滑窗信息和所述历史辅助信息之间的协方差矩阵，对所述当前的设备端位姿信息进行更新优化。
6.根据权利要求3至5任一项所述的方法，其特征在于，所述根据所述更新的当前的设备端位姿信息和所述历史的设备端位姿信息，对所述跟踪定位滑窗信息和所述历史辅助信息之间的协方差矩阵进行更新，包括：
根据所述更新的当前的设备端位姿信息和所述历史的设备端位姿信息，对所述跟踪定位滑窗信息的协方差矩阵、所述跟踪定位滑窗信息和所述历史辅助信息之间的协方差矩阵及逆矩阵进行更新。
7.根据权利要求2所述的方法，其特征在于，所述方法还包括：
响应于未接收到云端的第二定位信息，则继续获取最新的设备端位姿信息；
将所述最新的设备端位姿信息加入所述跟踪定位滑窗信息。
8.根据权利要求7所述的方法，其特征在于，在所述将所述最新的设备端位姿信息加入所述跟踪定位滑窗信息之前，所述方法包括：
响应于所述跟踪定位滑窗信息已满，则对所述跟踪定位滑窗信息中的任意帧当前的设备端位姿信息进行边缘化，并将边缘化后的当前的设备端位姿信息作为历史的设备端位姿信息加入所述历史辅助信息，并执行所述将所述最新的设备端位姿信息加入所述跟踪定位滑窗信息的步骤；
响应于所述跟踪定位滑窗信息未满，则直接执行所述将所述最新的设备端位姿信息加入所述跟踪定位滑窗信息的步骤。
9.根据权利要求3所述的方法，其特征在于，所述云端所使用的地图包括至少两个子地图，任意两个子地图之间具有预设地图关联关系和所述预设地图关联关系的协方差矩阵，所述去中心化变换关系包括已观测的子地图的全局坐标系与设备端的局部坐标系之间的第一变换关系和所述第一变换关系的协方差矩阵，以及通过所述第一变换关系及其协方差矩阵和所述预设地图关联关系及其协方差矩阵计算得到的未观测的子地图的全局坐标系与所述设备端的局部坐标系之间的第二变换关系和所述第二变换关系的协方差矩阵。
10.一种端云融合的定位装置，其特征在于，包括：
获取模块，用于获取设备端的第一定位信息；其中，所述第一定位信息包括跟踪定位滑窗信息和历史辅助信息；
判断模块，用于判断是否接收到云端的第二定位信息；
融合模块，用于在判断模块判断出接收到云端的第二定位信息时，将所述第二定位信息与所述第一定位信息进行融合，以对所述跟踪定位滑窗信息进行优化。
11.一种端云融合的定位装置，其特征在于，包括相互耦接的存储器和处理器，所述处理器用于执行所述存储器中存储的程序指令，以实现权利要求1至9任一项所述的端云融合的定位方法。
12.一种计算机可读存储介质，其上存储有程序指令，其特征在于，所述程序指令被处理器执行时实现权利要求1至9任一项所述的端云融合的定位。
CN202110529485.3A 2021-05-14 2021-05-14 端云融合的定位方法、装置和计算机可读存储介质 Active CN113295159B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110529485.3A CN113295159B (zh) 2021-05-14 2021-05-14 端云融合的定位方法、装置和计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110529485.3A CN113295159B (zh) 2021-05-14 2021-05-14 端云融合的定位方法、装置和计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN113295159A true CN113295159A (zh) 2021-08-24
CN113295159B CN113295159B (zh) 2023-03-03

Family

ID=77322174

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110529485.3A Active CN113295159B (zh) 2021-05-14 2021-05-14 端云融合的定位方法、装置和计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN113295159B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115204314A (zh) * 2022-08-12 2022-10-18 西南交通大学 基于车载obu的多源数据融合方法和车载obu
WO2023087758A1 (zh) * 2021-11-16 2023-05-25 上海商汤智能科技有限公司 定位方法、定位装置、计算机可读存储介质和计算机程序产品

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107144285A (zh) * 2017-05-08 2017-09-08 深圳地平线机器人科技有限公司 位姿信息确定方法、装置和可移动设备
CN110865405A (zh) * 2019-11-29 2020-03-06 浙江商汤科技开发有限公司 融合定位方法及装置、移动设备控制方法及电子设备
CN111486840A (zh) * 2020-06-28 2020-08-04 北京云迹科技有限公司 机器人定位方法、装置、机器人及可读存储介质
CN111521186A (zh) * 2020-05-27 2020-08-11 广州小鹏车联网科技有限公司 一种车辆定位方法及装置、车辆、存储介质
CN111947671A (zh) * 2020-03-02 2020-11-17 北京百度网讯科技有限公司 用于定位的方法、装置、计算设备和计算机可读存储介质
CN112115874A (zh) * 2020-09-21 2020-12-22 武汉大学 一种融合云端的视觉slam系统及方法
CN112113574A (zh) * 2020-03-02 2020-12-22 北京百度网讯科技有限公司 用于定位的方法、装置、计算设备和计算机可读存储介质
CN112596089A (zh) * 2021-03-02 2021-04-02 腾讯科技（深圳）有限公司 融合定位方法、装置、电子设备及存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107144285A (zh) * 2017-05-08 2017-09-08 深圳地平线机器人科技有限公司 位姿信息确定方法、装置和可移动设备
CN110865405A (zh) * 2019-11-29 2020-03-06 浙江商汤科技开发有限公司 融合定位方法及装置、移动设备控制方法及电子设备
CN111947671A (zh) * 2020-03-02 2020-11-17 北京百度网讯科技有限公司 用于定位的方法、装置、计算设备和计算机可读存储介质
CN112113574A (zh) * 2020-03-02 2020-12-22 北京百度网讯科技有限公司 用于定位的方法、装置、计算设备和计算机可读存储介质
CN111521186A (zh) * 2020-05-27 2020-08-11 广州小鹏车联网科技有限公司 一种车辆定位方法及装置、车辆、存储介质
CN111486840A (zh) * 2020-06-28 2020-08-04 北京云迹科技有限公司 机器人定位方法、装置、机器人及可读存储介质
CN112115874A (zh) * 2020-09-21 2020-12-22 武汉大学 一种融合云端的视觉slam系统及方法
CN112596089A (zh) * 2021-03-02 2021-04-02 腾讯科技（深圳）有限公司 融合定位方法、装置、电子设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张鹏飞: "云端融合的同步定位与地图构建高效算法关键技术研究", 《中国博士学位论文全文数据库 (信息科技辑)》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023087758A1 (zh) * 2021-11-16 2023-05-25 上海商汤智能科技有限公司 定位方法、定位装置、计算机可读存储介质和计算机程序产品
CN115204314A (zh) * 2022-08-12 2022-10-18 西南交通大学 基于车载obu的多源数据融合方法和车载obu
CN115204314B (zh) * 2022-08-12 2023-05-30 西南交通大学 基于车载obu的多源数据融合方法和车载obu

Also Published As

Publication number Publication date
CN113295159B (zh) 2023-03-03

Similar Documents

Publication Publication Date Title
US10798526B2 (en) Systems and methods for co-localization of multiple devices
CN107990899B (zh) 一种基于slam的定位方法和系统
CN110068335B (zh) 一种gps拒止环境下无人机集群实时定位方法及系统
CN113406682B (zh) 一种定位方法、装置、电子设备及存储介质
CN113295159B (zh) 端云融合的定位方法、装置和计算机可读存储介质
CN109300143B (zh) 运动向量场的确定方法、装置、设备、存储介质和车辆
US20210183100A1 (en) Data processing method and apparatus
WO2020133172A1 (zh) 图像处理方法、设备及计算机可读存储介质
WO2024027350A1 (zh) 车辆定位方法、装置、计算机设备、存储介质
CN113740871B (zh) 一种在高动态环境下的激光slam方法、系统设备及存储介质
WO2023087758A1 (zh) 定位方法、定位装置、计算机可读存储介质和计算机程序产品
WO2022199195A1 (zh) 地图更新方法、系统、车载终端、服务器及存储介质
Xian et al. Fusing stereo camera and low-cost inertial measurement unit for autonomous navigation in a tightly-coupled approach
CN113252061A (zh) 车辆间关系信息确定方法、装置、电子设备以及存储介质
CN112037261A (zh) 一种图像动态特征去除方法及装置
CN113138596A (zh) 机器人自动充电方法、系统、终端设备及存储介质
CN117058430B (zh) 用于视场匹配的方法、装置、电子设备和存储介质
CN117830397A (zh) 重定位方法、装置、电子设备、介质和车辆
CN118015088A (zh) 一种物体定位方法、装置、设备及存储介质
CN114943765A (zh) 一种室内姿态估计方法及装置
CN118149789A (zh) 一种基于里程计局部一致性的无人机集群定位方法和系统
CN118010038A (zh) 车辆位置的矫正方法、装置、设备及存储介质
CN117091596A (zh) 一种姿态信息获取方法以及相关设备
CN116124129A (zh) 定位信息处理方法、装置、设备和介质
CN113804194A (zh) 一种行驶设备的定位方法、装置、设备及存储介质

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