CN113325389A - 一种无人车激光雷达定位方法、系统及存储介质 - Google Patents

一种无人车激光雷达定位方法、系统及存储介质 Download PDF

Info

Publication number
CN113325389A
CN113325389A CN202110883319.3A CN202110883319A CN113325389A CN 113325389 A CN113325389 A CN 113325389A CN 202110883319 A CN202110883319 A CN 202110883319A CN 113325389 A CN113325389 A CN 113325389A
Authority
CN
China
Prior art keywords
point cloud
unmanned vehicle
map
node
intersection
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
CN202110883319.3A
Other languages
English (en)
Inventor
邹渊
张旭东
刘仕杰
李圆圆
孙逢春
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.)
Beijing Huache Times Technology Co ltd
Beijing Institute of Technology BIT
Original Assignee
Beijing Huache Times Technology Co ltd
Beijing Institute of Technology BIT
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 Beijing Huache Times Technology Co ltd, Beijing Institute of Technology BIT filed Critical Beijing Huache Times Technology Co ltd
Priority to CN202110883319.3A priority Critical patent/CN113325389A/zh
Publication of CN113325389A publication Critical patent/CN113325389A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
    • G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种无人车激光雷达定位方法、系统和存储介质。所述无人车激光雷达定位方法，通过机器学习对光束模型进行交叉路口节点的实时检测，当检测到新的路口节点时，在拓扑地图中查找新的路口节点的相邻路口节点，并提取相邻路口节点的三维点云地图作为目标匹配点云，提取当前无人车所在节点通道在三维点云地图中的水平角度作为水平旋转角度先验信息，以当前帧环境点云为输入点云，通过ndt配准算法与目标匹配点云进行匹配得到匹配误差，若匹配误差小于所设阈值，则定位当前位置到匹配成功且相似度最高的路口节点处，以解决无人车在特征单一、无法通过信号获取位置信息的环境中的定位问题，进而实现此类环境中交叉路口处的精确定位。

Description

一种无人车激光雷达定位方法、系统及存储介质
技术领域
本发明涉及无人车定位领域，特别是涉及一种无人车激光雷达定位方法、系统及存储介质。
背景技术
现有的无人车激光雷达定位方法要求工作环境具有充足的特征信息，如SLAM中的定位主要通过大量的角点进行点云匹配定位。基于此，现有的无人车激光雷达定位方法无法应用在特征单一并且无法通过信号获取位置信息的环境中（典型的如矿下、室内环境），进而因缺乏足够的特征点，而无法进行定位。
发明内容
为解决现有技术中存在的上述问题，本发明提供了一种无人车激光雷达定位方法、系统及存储介质。
为实现上述目的，本发明提供了如下方案：
一种无人车激光雷达定位方法，包括：
获取地图信息，并基于所述地图信息构建拓扑地图；所述拓扑地图包括路口节点和节点通道；
采用车载激光雷达实时获取环境点云数据；
以无人车的车体坐标系的原点为中心，基于所述环境点云数据确定设定范围内的障碍物距离；
基于所述障碍物距离构建光束模型；所述光束模型为由无人车在水平方向各角度上通信距离形成的直方图；
采用机器学习对所述光束模型进行交叉路口节点的实时检测；
当检测到新的路口节点时，在所述拓扑地图中获取该新的路口节点的相邻路口节点；
提取所述相邻路口节点的三维点云地图，并将所述三维点云地图作为目标匹配点云；
提取无人车当前时刻所在节点通道在所述三维点云地图中的水平角度；
将所述水平角度作为ndt匹配算法的水平旋转角度先验信息，采用ndt配准算法将当前时刻获取的环境点云数据与所述目标匹配点云进行匹配，得到匹配误差；
获取预设阈值；
当所述匹配误差小于所述预设阈值时，将无人车当前时刻所在位置定位为匹配误差值最小的路口节点。
优选地，所述路口节点中包含交叉路口的岔道数量信息、岔道相对位置信息、三维点云地图信息和相邻路口节点信息。
优选地，所述节点通道包含相邻两楼口节点间道路的长度、宽度、形状以及夹角角度。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供的无人车激光雷达定位方法中，实时获取车辆周围环境的点云，构建光束模型，通过机器学习对光束模型进行交叉路口节点的实时检测，当检测到新的路口节点时，在拓扑地图中查找新的路口节点的相邻路口节点，并提取相邻路口节点的三维点云地图作为目标匹配点云，提取当前无人车所在节点通道在三维点云地图中的水平角度作为水平旋转角度先验信息，以当前帧环境点云为输入点云，通过ndt配准算法与目标匹配点云进行匹配得到匹配误差，若匹配误差小于所设阈值，则定位当前位置到匹配成功且相似度最高的路口节点处，以解决无人车在特征单一、无法通过信号获取位置信息的环境中的定位问题，进而实现此类环境中交叉路口处的精确定位。
对应于上述提供的无人车激光雷达定位方法，本发明还提供了以下具体实施结构：
一种无人车激光雷达定位系统，包括：
拓扑地图构建模块，用于获取地图信息，并基于所述地图信息构建拓扑地图；所述拓扑地图包括路口节点和节点通道；
环境点云数据获取模块，用于采用车载激光雷达实时获取环境点云数据；
障碍物距离确定模块，用于以无人车的车体坐标系的原点为中心，基于所述环境点云数据确定设定范围内的障碍物距离；
光束模型构建模块，用于基于所述障碍物距离构建光束模型；所述光束模型为由无人车在水平方向各角度上通信距离形成的直方图；
路口节点检测模块，用于采用机器学习对所述光束模型进行交叉路口节点的实时检测；
相邻路口节点获取模块，用于当检测到新的路口节点时，在所述拓扑地图中获取该新的路口节点的相邻路口节点；
目标匹配点云提取模块，用于提取所述相邻路口节点的三维点云地图，并将所述三维点云地图作为目标匹配点云；
水平角度提取模块，用于提取无人车当前时刻所在节点通道在所述三维点云地图中的水平角度；
匹配模块，用于将所述水平角度作为ndt匹配算法的水平旋转角度先验信息，采用ndt配准算法将当前时刻获取的环境点云数据与所述目标匹配点云进行匹配，得到匹配误差；
预设阈值获取模块，用于获取预设阈值；
定位模块，用于当所述匹配误差小于所述预设阈值时，将无人车当前时刻所在位置定位为匹配误差值最小的路口节点。
一种计算机可读存储介质，所述计算机可读存储介质中存储有软件程序；所述软件程序用于执行上述的无人车激光雷达定位方法。
因本发明提供的无人车激光雷达定位系统和计算机可读存储介质达到的技术效果与上述提供的无人车激光雷达定位方法达到的技术效果相同，故在此不再进行赘述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的无人车激光雷达定位方法的流程图；
图2为本发明实施例提供的无人车激光雷达定位方法的实施架构图；
图3为本发明实施例提供的拓扑地图示意图；
图4为本发明实施例提供的激光光束模型图；
图5为本发明提供的无人车激光雷达定位系统的结构示意图。
具体实施方式
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，都属于本发明保护的范围。
本发明的目的是提供一种无人车激光雷达定位方法、系统及存储介质，以解决无人车在特征单一并且无法通过信号获取位置信息的环境中无法进行定位的问题，进而实现在此类环境中交叉路口处的精确定位功能。
术语解释：
光束模型：即通过激光雷达或视觉相机获取实时的无人车在水平方向各角度上可通行距离，生成由角度-可通行距离定义的直方图，称为光束模型。
ndt配准：NDT就是正态分布变换，其通过标准最优化技术来确定两个点云间的最优的匹配，因为在配准过程中不利用对应点的特征计算和匹配，所以匹配速度比其他方法快。该配准算法耗时稳定，对初值依赖小，初值误差大时，也能很好的纠正过来。
ndt配准步骤为：
（1）将参考点云网格化（对于三维地图来说，即使用一个一个小立方体对整个空间的扫描点进行划分），对于每一个网格，基于网格内的点计算其正态分布概率密度函数参数。
（2）将第二幅扫描点云的每个点按转移矩阵T的变换。
（3）对第二幅扫描点落于参考帧点云的对应格子，计算其概率分布函数。
（4）求对于所有点的最优坐标变换矩阵，以最大化当前扫描的点位于参考扫描表面上的可能性。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明提供的无人车激光雷达定位方法，包括：
步骤100：获取地图信息，并基于地图信息构建拓扑地图。拓扑地图包括路口节点和节点通道。
步骤101：采用车载激光雷达实时获取环境点云数据。
步骤102：以无人车的车体坐标系的原点为中心，基于环境点云数据确定设定范围内的障碍物距离。
步骤103：基于障碍物距离构建光束模型。光束模型为由无人车在水平方向各角度上通信距离形成的直方图。
步骤104：采用机器学习对光束模型进行交叉路口节点的实时检测。本发明中采用的机器学习优选为支持向量机SVM和机器学习算法。
步骤105：当检测到新的路口节点时，在拓扑地图中获取该新的路口节点的相邻路口节点。
步骤106：提取相邻路口节点的三维点云地图，并将三维点云地图作为目标匹配点云。
步骤107：提取无人车当前时刻所在节点通道在三维点云地图中的水平角度。
步骤108：将水平角度作为ndt匹配算法的水平旋转角度先验信息，采用ndt配准算法将当前时刻获取的环境点云数据与目标匹配点云进行匹配，得到匹配误差。
步骤109：获取预设阈值。
步骤110：当匹配误差小于预设阈值时，将无人车当前时刻所在位置定位为匹配误差值最小的路口节点。
进一步，为了提高无人车定位的实时性，本发明上述提供的无人车激光雷达定位方法还优选包括以下步骤：
获取无人车的初始位置，以无人车的初始位置为起点进行定位。
基于如图2所实施的具体实施架构，对本发明上述提供的无人车激光雷达定位方法进行说明。
首先，基于已知地图信息构建由路口节点与节点通道离线组成的拓扑地图。构建得到的拓扑结构如图3所示，该拓扑地图仅需构建一次，若实际地图环境此后无改变，则每次实时定位时都可使用该拓扑地图而无需重新构建。若实际地图环境有所更改，则需重新构建一次拓扑地图。拓扑地图中路口节点指道路交叉路口，拓扑地图中由路口节点保存交叉路口的岔道数量、岔道相对位置、三维点云地图以及相邻的路口节点等关键信息。节点通道即相邻路口节点间连接的道路，拓扑地图中由节点通道保存连接相邻两路口节点的道路与节点的水平角度等关键信息。
在实时定位前，需先设定无人车初始位置，其中无人车位置由路口节点索引表示。在实时定位中，由车载激光雷达实时获取车辆周围环境的点云，然后计算以车体坐标系原点为中心，水平方向上各个角度上距离最近障碍物的距离，并生成无人车在水平方向各角度上可通行距离的直方图，也即光束模型。基于如图3所示的拓扑结构得到的光束模型如图4所示。
其后，通过机器学习算法对该光束模型进行交叉路口节点的实时检测。当交叉路口检测算法检测到新的路口节点时，在此前离线生成的拓扑地图中查找与当前位置（上一时刻节点）相邻的路口节点，并提取相邻路口节点的三维点云地图作为目标匹配点云，提取当前无人车所在节点通道在该相邻路口节点点云地图中的水平角度作为ndt匹配的水平旋转角度先验信息。
以当前帧环境点云为输入点云，通过ndt配准算法与目标匹配点云进行匹配，根据实际应用情况设定阈值，若匹配误差小于所设阈值，则认为匹配成功，更新当前位置到匹配成功且相似度最高的路口节点处，完成一次定位工作。在下一次检测到抵达路口节点时，循环上述步骤。
综上，本发明提供的无人车激光雷达定位方法具有以下优点：
1、本发明不依赖于外部信号提供位置信息，且适用于环境特征单一的环境中，可以解决这类环境下的定位问题。
2、本发明相对于基于语义地图的无人车激光雷达定位方法，仅需要采集交叉路口处的三维点云地图并进行简单的降采样处理，而不需要采集全局三维点云地图并进行复杂处理，离线工作量大大减少。
3、本发明相对于基于语义地图的无人车激光雷达定位方法，仅进行交叉路口处的局部点云地图匹配，而不需要与全局地图进行匹配，在实时定位中匹配的计算量大大减少，具有定位速度快，定位准确度高的优点。
对应于上述提供的无人车激光雷达定位方法，本发明还提供了一种无人车激光雷达定位系统。如图5所示，该无人车激光雷达定位系统包括：拓扑地图构建模块1、环境点云数据获取模块2、障碍物距离确定模块3、光束模型构建模块4、路口节点检测模块5、相邻路口节点获取模块6、目标匹配点云提取模块7、水平角度提取模块8、匹配模块9、预设阈值获取模块10和定位模块11。
其中，拓扑地图构建模块1用于获取地图信息，并基于地图信息构建拓扑地图。拓扑地图包括路口节点和节点通道。
环境点云数据获取模块2用于采用车载激光雷达实时获取环境点云数据。
障碍物距离确定模块3用于以无人车的车体坐标系的原点为中心，基于环境点云数据确定设定范围内的障碍物距离。
光束模型构建模块4用于基于障碍物距离构建光束模型。光束模型为由无人车在水平方向各角度上通信距离形成的直方图。
路口节点检测模块5用于采用机器学习对光束模型进行交叉路口节点的实时检测。
相邻路口节点获取模块6用于当检测到新的路口节点时，在拓扑地图中获取该新的路口节点的相邻路口节点。
目标匹配点云提取模块7用于提取相邻路口节点的三维点云地图，并将三维点云地图作为目标匹配点云。
水平角度提取模块8用于提取无人车当前时刻所在节点通道在三维点云地图中的水平角度。
匹配模块9用于将水平角度作为ndt匹配算法的水平旋转角度先验信息，采用ndt配准算法将当前时刻获取的环境点云数据与目标匹配点云进行匹配，得到匹配误差。
预设阈值获取模块10用于获取预设阈值。
定位模块11用于当匹配误差小于预设阈值时，将无人车当前时刻所在位置定位为匹配误差值最小的路口节点。
此外，还提供了一种计算机可读存储介质。该计算机可读存储介质中存储有软件程序。软件程序用于执行上述本发明提供的无人车激光雷达定位方法。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (5)

1.一种无人车激光雷达定位方法，其特征在于，包括：
获取地图信息，并基于所述地图信息构建拓扑地图；所述拓扑地图包括路口节点和节点通道；
采用车载激光雷达实时获取环境点云数据；
以无人车的车体坐标系的原点为中心，基于所述环境点云数据确定设定范围内的障碍物距离；
基于所述障碍物距离构建光束模型；所述光束模型为由无人车在水平方向各角度上通信距离形成的直方图；
采用机器学习对所述光束模型进行交叉路口节点的实时检测；
当检测到新的路口节点时，在所述拓扑地图中获取该新的路口节点的相邻路口节点；
提取所述相邻路口节点的三维点云地图，并将所述三维点云地图作为目标匹配点云；
提取无人车当前时刻所在节点通道在所述三维点云地图中的水平角度；
将所述水平角度作为ndt匹配算法的水平旋转角度先验信息，采用ndt配准算法将当前时刻获取的环境点云数据与所述目标匹配点云进行匹配，得到匹配误差；
获取预设阈值；
当所述匹配误差小于所述预设阈值时，将无人车当前时刻所在位置定位为匹配误差值最小的路口节点。
2.根据权利要求1所述的无人车激光雷达定位方法，其特征在于，所述路口节点中包含交叉路口的岔道数量信息、岔道相对位置信息、三维点云地图信息和相邻路口节点信息。
3.根据权利要求1所述的无人车激光雷达定位方法，其特征在于，所述节点通道包含相邻两楼口节点间道路的长度、宽度、形状以及夹角角度。
4.一种无人车激光雷达定位系统，其特征在于，包括：
拓扑地图构建模块，用于获取地图信息，并基于所述地图信息构建拓扑地图；所述拓扑地图包括路口节点和节点通道；
环境点云数据获取模块，用于采用车载激光雷达实时获取环境点云数据；
障碍物距离确定模块，用于以无人车的车体坐标系的原点为中心，基于所述环境点云数据确定设定范围内的障碍物距离；
光束模型构建模块，用于基于所述障碍物距离构建光束模型；所述光束模型为由无人车在水平方向各角度上通信距离形成的直方图；
路口节点检测模块，用于采用机器学习对所述光束模型进行交叉路口节点的实时检测；
相邻路口节点获取模块，用于当检测到新的路口节点时，在所述拓扑地图中获取该新的路口节点的相邻路口节点；
目标匹配点云提取模块，用于提取所述相邻路口节点的三维点云地图，并将所述三维点云地图作为目标匹配点云；
水平角度提取模块，用于提取无人车当前时刻所在节点通道在所述三维点云地图中的水平角度；
匹配模块，用于将所述水平角度作为ndt匹配算法的水平旋转角度先验信息，采用ndt配准算法将当前时刻获取的环境点云数据与所述目标匹配点云进行匹配，得到匹配误差；
预设阈值获取模块，用于获取预设阈值；
定位模块，用于当所述匹配误差小于所述预设阈值时，将无人车当前时刻所在位置定位为匹配误差值最小的路口节点。
5.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有软件程序；所述软件程序用于执行如权利要求1-3任意一项所述的无人车激光雷达定位方法。
CN202110883319.3A 2021-08-03 2021-08-03 一种无人车激光雷达定位方法、系统及存储介质 Pending CN113325389A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110883319.3A CN113325389A (zh) 2021-08-03 2021-08-03 一种无人车激光雷达定位方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110883319.3A CN113325389A (zh) 2021-08-03 2021-08-03 一种无人车激光雷达定位方法、系统及存储介质

Publications (1)

Publication Number Publication Date
CN113325389A true CN113325389A (zh) 2021-08-31

Family

ID=77426784

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110883319.3A Pending CN113325389A (zh) 2021-08-03 2021-08-03 一种无人车激光雷达定位方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN113325389A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114200924A (zh) * 2021-11-02 2022-03-18 深圳优地科技有限公司 一种路径规划方法、无人车及计算机可读存储介质
CN114459481A (zh) * 2021-12-22 2022-05-10 陕西小保当矿业有限公司 一种井工矿中无人驾驶车辆的定位系统及方法
CN115877349A (zh) * 2023-02-20 2023-03-31 北京理工大学 一种基于激光雷达的交叉路口车辆定位方法及系统
CN117213500A (zh) * 2023-11-08 2023-12-12 北京理工大学前沿技术研究院 基于动态点云与拓扑路网的机器人全局定位方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106896353A (zh) * 2017-03-21 2017-06-27 同济大学 一种基于三维激光雷达的无人车路口检测方法
CN112731334A (zh) * 2020-12-10 2021-04-30 东风汽车集团有限公司 一种激光定位车辆的方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106896353A (zh) * 2017-03-21 2017-06-27 同济大学 一种基于三维激光雷达的无人车路口检测方法
CN112731334A (zh) * 2020-12-10 2021-04-30 东风汽车集团有限公司 一种激光定位车辆的方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
QUANWEN ZHU ET AL.: ""3D LIDAR Point Cloud based Intersection Recognition for Autonomous Driving"", 《2012 INTELLIGENT VEHICLES SYMPOSIUM》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114200924A (zh) * 2021-11-02 2022-03-18 深圳优地科技有限公司 一种路径规划方法、无人车及计算机可读存储介质
CN114459481A (zh) * 2021-12-22 2022-05-10 陕西小保当矿业有限公司 一种井工矿中无人驾驶车辆的定位系统及方法
CN115877349A (zh) * 2023-02-20 2023-03-31 北京理工大学 一种基于激光雷达的交叉路口车辆定位方法及系统
CN117213500A (zh) * 2023-11-08 2023-12-12 北京理工大学前沿技术研究院 基于动态点云与拓扑路网的机器人全局定位方法及系统
CN117213500B (zh) * 2023-11-08 2024-02-13 北京理工大学前沿技术研究院 基于动态点云与拓扑路网的机器人全局定位方法及系统

Similar Documents

Publication Publication Date Title
JP6771059B2 (ja) ３次元シーンを再構成するための方法、装置、機器及びコンピュータ可読記憶媒体
KR102125959B1 (ko) 포인트 클라우드 데이터 사이의 매칭 관계를 확정하는 방법 및 장치
CN113325389A (zh) 一种无人车激光雷达定位方法、系统及存储介质
JP6561199B2 (ja) レーザ点群に基づく都市道路の認識方法、装置、記憶媒体及び機器
CN112380312B (zh) 基于栅格检测的激光地图更新方法、终端及计算机设备
CN111680747B (zh) 用于占据栅格子图的闭环检测的方法和装置
CN114626169B (zh) 交通路网优化方法、装置、设备、可读存储介质及产品
CN114549738A (zh) 无人车室内实时稠密点云重建方法、系统、设备及介质
CN115494533A (zh) 车辆定位方法、装置、存储介质及定位系统
CN111611900A (zh) 一种目标点云识别方法、装置、电子设备和存储介质
CN114187357A (zh) 一种高精地图的生产方法、装置、电子设备及存储介质
CN112435336A (zh) 一种弯道类型识别方法、装置、电子设备及存储介质
CN113721254A (zh) 一种基于道路指纹空间关联矩阵的车辆定位方法
CN114577196A (zh) 使用光流的激光雷达定位
Li et al. RF-LOAM: Robust and Fast LiDAR Odometry and Mapping in Urban Dynamic Environment
CN117053779A (zh) 一种基于冗余关键帧去除的紧耦合激光slam方法及装置
CN116704024A (zh) 一种联合多类约束的车载激光点云位姿图优化方法及系统
CN113836251B (zh) 一种认知地图构建方法、装置、设备及介质
CN116466356A (zh) 一种多激光全局定位方法和系统
CN113227713A (zh) 生成用于定位的环境模型的方法和系统
CN115937449A (zh) 高精地图生成方法、装置、电子设备和存储介质
CN111338336B (zh) 一种自动驾驶方法及装置
CN114511590A (zh) 基于单目视觉3d车辆检测与跟踪的路口多引导线构建方法
Li et al. Advanced mapping using planar features segmented from 3d point clouds
CN112305558A (zh) 一种利用激光点云数据的移动机器人轨迹确定方法及装置

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: 20210831

RJ01 Rejection of invention patent application after publication