CN113379841B - 一种基于相位相关法与因子图的激光slam方法及其可读存储介质 - Google Patents

一种基于相位相关法与因子图的激光slam方法及其可读存储介质 Download PDF

Info

Publication number
CN113379841B
CN113379841B CN202110689529.9A CN202110689529A CN113379841B CN 113379841 B CN113379841 B CN 113379841B CN 202110689529 A CN202110689529 A CN 202110689529A CN 113379841 B CN113379841 B CN 113379841B
Authority
CN
China
Prior art keywords
point cloud
cloud data
factor graph
phase correlation
factor
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110689529.9A
Other languages
English (en)
Other versions
CN113379841A (zh
Inventor
王冠
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.)
Shanghai Xiangong Intelligent Technology Co ltd
Original Assignee
Shanghai Xiangong Intelligent Technology 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 Shanghai Xiangong Intelligent Technology Co ltd filed Critical Shanghai Xiangong Intelligent Technology Co ltd
Priority to CN202110689529.9A priority Critical patent/CN113379841B/zh
Publication of CN113379841A publication Critical patent/CN113379841A/zh
Application granted granted Critical
Publication of CN113379841B publication Critical patent/CN113379841B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • G01C21/3807—Creation or updating of map data characterised by the type of data
    • G01C21/3811—Point data, e.g. Point of Interest [POI]
    • 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
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • G01C21/3833—Creation or updating of map data characterised by the source of data
    • G01C21/3837—Data obtained from a single source
    • 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
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
    • 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
    • G06T5/00—Image enhancement or restoration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10044—Radar image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Automation & Control Theory (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Optical Radar Systems And Details Thereof (AREA)

Abstract

本发明提供的基于相位相关法与因子图的激光SLAM方法及其可读存储介质，方法步骤包括：S1获取激光雷达采集的点云数据，判断是否为初始帧，若为初始帧，则执行初始化地图的操作；S2对点云数据做地面分割；S3对点云数据做插值和滤波处理计算；S4对拟合过的点云数据,分别向激光雷达坐标系的x，z两个方向做投影；S5对x，z两个方向上分别构建平面特征像素图，采用相位相关法进行求解，得到相对定位信息；S6判断是否为关键帧，若否则返回步骤S1/若是则进入步骤S7；S7：构建因子图添加因子，添加绝对位姿因子，优化局部因子图；S8判断是否有回环，若是则优化整体因子图，消除建图过程中的累计误差/若否则更新地图，然后返回步骤S1。籍此降低算力要求。

Description

一种基于相位相关法与因子图的激光SLAM方法及其可读存储 介质
技术领域
本发明涉及即时定位与地图构建技术领域，尤其涉及一种基于相位相关法与因子图的激光SLAM方法。
背景技术
机器人是一种能够自动运行的机器，轮式机器人根据工作属性的不同可以分为清扫机器人、消毒机器人、巡检机器人、搬运机器人等。而在机器人自动运行过程中，建图和定位技术至关重要。借助SLAM(即时定位于建图)技术，机器人可以得到精准的定位信息，而根据传感器的不同，SLAM大致可以分为视觉SLAM和激光SLAM两大方向，而视觉传感器又可以分为单目、双目和RGBD等。
如在视觉SLAM领域，现有技术曾提出了一种基于Apriltag标签与因子图的SLAM方法(中国专利公开号：CN111242996A)，其方案包括：首先读取预设数据并构建坐标系；以预设数据为因子，初始化因子图；使用相机采集标签图像；利用相机标定畸变参数对标签图像进行预处理；提取Apriltag标签角点与ID；以Apriltag标签角点的图像坐标值为映射因子更新因子图；判断是否提供相机载体的里程计(0dom)；采集载体里程计数据；以载体里程计数据为相对位姿因子更新因子图；优化因子图，计算物体，Apriltag标签，载体，相机的位姿，最后更新地图。
从而上述视觉SLAM技术，能够提供高精度的载体位姿数据，并构建高精度的地图信息。同时还可以有效降低运算数量级。
而在激光SLAM领域，激光传感器也可以分为单线激光雷达和多线激光雷达。多线激光通常由于其数据量很大，一般的做法像基于ICP或者LOAM等方法，需要比较大的计算量，低成本的处理器一般很难达到实时性的计算。
同时由于激光雷达与相机所采集的数据不同，因此两者技术实现的路径相差甚远，如现有相机所得到的图像是2D的，而且是有序、连续且均匀分布的，但2D图像不具备尺度信息，而激光雷达获取的是3D点云数据，是一种典型的束波模型，这就意味着所得到的点云数据在空间中不是均匀分布的，且存在近处密集远处稀疏的特点；其次，3D激光雷达所获得到的点云数据是无序且不连续的，因此上述现有技术所采用的视觉SLAM技术，并无法应用在激光SLAM领域中，来解决降低算力要求的问题，因此本激光SLAM领域亟待出现一种新的方案，来降低运算能力要求。
发明内容
本发明的主要目的在于提供一种基于相位相关法与因子图的激光SLAM方法及其可读存储介质，以在降低激光SLAM对处理器的计算性能要求。
为了实现上述目的，根据本发明的一个方面，提供了一种基于相位相关法与因子图的激光SLAM方法，其步骤包括：
S1获取激光雷达检测的点云数据，判断是否为初始帧，若判断为初始帧，则执行初始化地图的操作；
S2对点云数据做地面分割；
S3对点云数据做插值和滤波计算；
S4对拟合过的点云数据，分别向激光雷达坐标系的x，z两个方向做投影；
S5对x，z两个方向上构建的平面特征像素图，采用相位相关法对其频域进行求解，得到相对定位信息；
S6判断是否为关键帧，若否则返回步骤S1/若是则进入步骤S7；
S7：构建因子图添加因子，添加绝对位姿因子，优化局部因子图；
S8判断是否有回环，若是则优化整体因子图，消除建图过程中的累计误差/若否则更新地图，然后返回步骤S1。
在可能的优选实施方式中，该步骤S5中相位相关法求解步骤包括：
计算相邻两帧，满足pt(x，y)＝pt-1(x cosθ+y sinθ，-x sinθ+y cosθ)，对两边进行傅里叶变换，获取两张平面特征像素图的频域图：Ft(ξ，η)＝Ft-1(ξcosθ+ηsinθ，-ξsinθ+ηcosθ)其中，ξ，η为离散频率变量，用来确定x，y方向的频率；将(ξ，η)转为极坐标下为满足
ξcosθ+ηsinθ＝ρcos(α-θ)，-ξsinθ+ηcosθ＝ρsin(α-θ)，
其中，ρ表示轴，α表示角，所以可以的到：
Ft(ρcosα，ρsinα)＝Ft-1(ρcos(α-θ)，ρcos(α-θ))
最终将二维正交坐标系中的平移关系，转换为极坐标系下的旋转关系：
Ft(ρ，α)＝Ft-1(ρ，α-θ)求出旋转关系，之后由求出的旋转变换还原到图像pt(x，y)，
pt(x，y)＝pt-1(x，y)+t＝pt-1(x+xt，y+yt)
经过傅里叶变换之后可以得到：
此时两张平面特征像素图的互功率谱为：
式中/>是Ft(ξ，η)的共轭；
互功率谱的相位信息包含了两张平面特征像素图的相位差，求其傅里叶反变换得到一个二维冲击函数δ(u-xt，v-yt)，此函数在(xt，yt)处取得峰值，其余位置函数值接近0，根据峰值以求出(xt，yt)。
在可能的优选实施方式中，该步骤S6中关键帧选择标准包括：平移一定的预设距离、旋转一定的预设角度、已经经过一段预设时间，中的至少一种。
在可能的优选实施方式中，该步骤S2中地面分割步骤包括：根据高度参数将地面分割出来，再在地面点云中，去除法向量和地面实际法向量区别超出阈值的点，然后对剩下的点进行平面参数拟合。
为了实现上述目的，根据本发明的另一个方面，还提供了一种基于相位相关法与因子图的激光SLAM方法，其步骤包括：
S1获取激光雷达检测的点云数据，判断是否为初始帧，若判断为初始帧，则执行初始化地图的操作；
S2对点云数据进行畸变去除；
S3对点云数据做地面分割；
S4对点云数据做插值和滤波计算；
S5对拟合过的点云数据，分别向激光雷达坐标系的x，z两个方向做投影；
S6对x，z两个方向上构建的平面特征像素图，采用相位相关法进行求解，得到相对定位信息；
S7判断是否为关键帧，若否则返回步骤S1/若是则进入步骤S8；
S8判断是否使用编码器数据，若是则采集编码器数据，推算轮式里程计；
S9构建因子图添加因子，添加相对位姿因子，添加绝对位姿因子，更新因子图，优化局部因子图；
S10判断是否有回环，若是则优化整体因子图，消除建图过程中的累计误差/若否则更新地图，然后返回步骤S1。
在可能的优选实施方式中，该步骤S2中畸变去除步骤包括：根据相邻两帧之间的时间差获取每个激光角扫描的时间戳；当采用编码器时，则将激光角上的数据投影在对应的轮式里程计的时间戳上、当未采用编码器时，则将激光雷达的运动当作是匀速运动，以此获取对应时间戳上的点云变化量。
在可能的优选实施方式中，该步骤S6中相位相关法求解步骤包括：
计算相邻两帧，满足pt(x，y)＝pt-1(x cosθ+y sinθ，-x sinθ+y cosθ)，对两边进行傅里叶变换，获取两张平面特征像素图的频域图：Ft(ξ，η)＝Ft-1(ξcosθ+ηsinθ，-ξsinθ+ηcosθ)其中，ξ，η为离散频率变量，用来确定x，y方向的频率；将(ξ，η)转为极坐标下为满足
ξcosθ+ηsinθ＝ρcos(α-θ)，-ξsinθ+ηcosθ＝ρsin(α-θ)，
其中，ρ表示轴，α表示角，所以可以的到：
Ft(ρcosα，ρsinα)＝Ft-1(ρcos(α-θ)，ρcos(α-θ))
最终将二维正交坐标系中的平移关系，转换为极坐标系下的旋转关系：
Ft(ρ，α)＝Ft-1(ρ，α-θ)求出旋转关系，之后由求出的旋转变换还原到图像pt(x，y)，
pt(x，y)＝pt-1(x，y)+t＝pt-1(x+xt，y+yt)
经过傅里叶变换之后可以得到：
此时两张平面特征像素图的互功率谱为：
式中/>是Ft(ξ，η)的共轭；
互功率谱的相位信息包含了两张平面特征像素图的相位差，求其傅里叶反变换得到一个二维冲击函数δ(u-xt，v-yt)，此函数在(xt，yt)处取得峰值，其余位置函数值接近0，根据峰值以求出(xt，yt)。
在可能的优选实施方式中，该步骤S7中关键帧选择标准包括：平移一定的预设距离、旋转一定的预设角度、已经经过一段预设时间，中的至少一种。
在可能的优选实施方式中，该步骤S3中地面分割步骤包括：根据高度参数将地面分割出来，再在地面点云中，去除法向量和地面实际法向量区别超出阈值的点，然后对剩下的点进行平面参数拟合。
为了实现上述目的，根据本发明的另一方面，还提供了一种可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如上述任一项基于相位相关法与因子图的激光SLAM方法的步骤。
通过本发明提供的该基于相位相关法与因子图的激光SLAM方法及其可读存储介质，通过对激光雷达采集到的数据进行去畸变、去地面、插值和滤波等操作，使得系统可以得到更加真实、分布更加均匀的空间点云数据；籍此通过投影将空间点云数据投影到平面上得到平面特征像素图，使用相位相关法来进行匹配，可得到相对位姿来推导激光里程计，由此避免了采用大量点云数据直接进行计算，另一方面在后端优化上，本发明使用了因子图优化方案，在更新因子的时候不需要对整个因子图进行计算，这样可以在后端优化计算速度上大大提升，尤其是对于大范围建图的场景，即使是计算能力不强的处理器，也可以实时处理3D激光雷达的数据，从而实现实时SLAM。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，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是根据本发明第一实施例的步骤示意图；
图2是根据本发明第二实施例的步骤示意图。
具体实施方式
下面对本发明的具体实施方式进行详细地说明。以下示例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
为了使本领域的技术人员更好的理解本发明方案，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，在本领域普通技术人员没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护范围。
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。
为了解决现有技术中，激光SLAM对于算力要求较高的难题，发明人曾经考虑采用相位相关算法，来求出激光雷达所扫描的两个方向上的投影点云数据，并得出机器人当前比较准确的相对位姿，以结合因子图方案以减少对于算力的要求。然而困扰着发明人的一个问题在于，虽然相位相关法用在图像领域有着很好的利用，但并不能直接用在激光雷达所采集的3D点云数据上，原因在于，现有相机所得到的图像是2D的，而且是有序、连续且均匀分布的，但是由于2D图像不具备尺度信息，这样在进行快速傅里叶变换的时候只需要对图像做尺度处理之后，就可以直接进行计算。
而对于3D激光点云，首先3D激光雷达是一种典型的束波模型，这就意味着所得到的点云数据在空间中不是均匀分布的，且存在近处密集远处稀疏的特点；其次，3D激光雷达所获得到的点云数据是无序且不连续的；而且3D激光雷达所获得的点云数据是3D的。此外基于相机模型和激光雷达模型的不同，因此相位相关法并不能直接使用到激光点云的匹配中，为此发明人进行了如下的技术突破。
(一)
如图1所示，为了降低激光SLAM对处理器的计算性能要求，本发明第一个方面提供了一种基于相位相关法与因子图的激光SLAM方法，在优选实施方式示例中，其步骤包括：
步骤S1获取激光雷达检测的点云数据，判断是否为初始帧，若判断为初始帧，则执行初始化地图的操作，以初始帧的激光雷达中心作为地图坐标系原点，采用右手坐标系，设定正前方为x轴正方向，正上方为z轴正方向，正左方为y轴正方向；
步骤S2对每一帧的点云数据做地面分割。如在优选实施方式下，可先根据高度参数将地面分割出来，再在地面点云中，去掉法向量和地面实际法向量区别比较大的点，然后对剩下的点进行平面参数拟合，因此在本实施例下，示例可采用RANSAC方法进行。但应当理解的是，本发明并未对该点云数据的地面分割方式进行限制，任何现有技术能够实现的替换方案，皆在本实施例的揭露何保护范围内。
步骤S3对每一帧的点云做插值和滤波计算。具体来说，针对激光雷达束波模型的特点，近处点云密集，远处稀疏的特性，对得到的每一帧的点云在近处，需进行体素滤波，在远处进行插值，这样使得处理后的点云在空间的分配比较平均；同时在优选实施方式下，还要进行整体点云的离群点滤波，这样可以对一些干扰点云做滤除。
步骤S4对每一帧的点云拟合过的数据，分别向激光雷达坐标系的x，z两个方向做投影。例如把空间三维点云分别向x轴方向和z轴方向做投影，具体的做法为向激光雷达坐标系的yz面和xy面分别做投影，这样就可以得到两个面上的点云信息。
步骤S5对两个方向上构建的平面特征像素图，采用相位相关法进行求解，得到相对定位信息。即根据步骤S4中得到的两个面上的点云信息，构造两张平面特征像素图，图片的原点为激光雷达坐标系的原点，接着使用相位相关法进行求解旋转和平移。
具体来说，本实施例中提供了如下示例性算例：
如设：图像pt(x，y)为t时刻所采集，图像pt-1(x，y)为t-1时刻所采集，那么存在pt＝R*pt-1+t，其中R为旋转，t为平移。
由于激光点云的特性，两张平面特征像素图有着尺度一致性，因此先构造两者之间的旋转关系，即旋转角度为θ：
pt(x，y)＝pt-1(x cosθ+y sinθ，-x sinθ+y cosθ)，对两边进行傅里叶变换，可以得到两张平面特征像素图的频域图片：Ft(ξ，η)＝Ft-1(ξcosθ+ηsinθ，-ξsinθ+ηcosθ)
其中，ξ，η为离散频率变量，用来确定x，y方向的频率。
将(ξ，η)转为极坐标下为满足
ξcosθ+ηsinθ＝ρcos(α-θ)，-ξsinθ+ηcosθ＝ρsin(α-θ)，
其中，ρ表示轴，α表示角，所以可以的到：
Ft(ρcosα，ρsinα)＝Ft-1(ρcos(α-θ)，ρcos(α-θ))
最终将二维正交坐标系中的平移关系，转换为极坐标系下的旋转关系：
Ft(ρ，α)＝Ft-1(ρ，α-θ)，这样就很容易求出旋转关系，之后由求出的旋转变换还原到图像pt(x，y)，此时两张平面特征像素图之间就只存在平移关系：
pt(x，y)＝pt-1(x，y)+t＝pt-1(x+xt，y+yt)
经过傅里叶变换之后可以得到：
此时两张平面特征像素图的互功率谱为：
式中/>是Ft(ξ，η)的共轭。
互功率谱的相位信息包含了两张平面特征像素图的相位差，求其傅里叶反变换，可以得到一个二维冲击函数δ(u-xt，v-yt)，此函数在(xt，yt)处取得峰值，其余位置函数值接近0，根据峰值就可以求出(xt，yt)。籍此通过对两个方向的投影，采用相位相关法就能够求出比较准确的相对位姿，进而推导出激光里程计。
步骤S6判断是否为关键帧。本实施例中关键帧选择优选包括三个标准，如：平移一定的预设距离、旋转一定的预设角度、已经经过一段预设时间，该三个标准可根据实际情况进行设定，并任意组合或单独评价，本实施例并不进行限制；而当根据前述预设标准被判断不是关键帧时，则返回步骤S1，如果判断为关键帧时，则向下到步骤S7。
步骤S7：构建因子图添加因子。本实施例中，提到的因子图是未归一化的后验概率表示为一系列因子的乘积，如在下述示例性算例所示：
X*＝arg max P(X|Z)＝arg max P(Z|X)P(X)，
公式表示找到一组状态量X，使得在当前观测Z的情况下，状态P(X|Z)的概率最大。
可以写成下面这种形式：
其中φ(Xi)就是因子图中的因子，式中因子与概率的关系是正比，因此求解目标就是把所有的因子累乘起来，找到一个状态量X，使得乘积最大。
SLAM中的优化问题可以通过转化为最小二乘的问题来进行求解：
其中，构建因子图的因子主要包括：激光雷达的绝对位姿因子。从而通过采用构建因子图来进行后端优化，主要是将图优化问题转化为贝叶斯树的建立、更新和推理问题，当有新的因子加入时，不需要对整个图进行优化，只需要对所影响的区域采用优化算法进行优化即可。籍此便可大大减低对处理器的计算性能的要求。
此外，本实施例下所称优化算法，优选可采用下述任一构成，如：高斯牛顿、列文伯格-马夸尔特算法或者狗腿算法。因而本领域技术人员可以根据本实施例记载的方案进行相关算法的建立，而并不存在技术障碍，因而在此不再赘述。
步骤S8判断是否有回环，当判断存在回环时，优化整体因子图，用来消除建图过程中的累计误差。如果不存在回环，则直接更新地图，然后返回步骤S1。籍此完成整个激光SLAM过程。
(二)
如图2所示，为了降低激光SLAM对处理器的计算性能要求，本发明第二个方面还提供了一种基于相位相关法与因子图的激光SLAM方法，在优选实施方式示例中，其步骤包括：
步骤S1获取激光雷达检测的点云数据，判断是否为初始帧，若判断为初始帧，则执行初始化地图的操作，以初始帧的激光雷达中心作为地图坐标系原点，采用右手坐标系，设定正前方为x轴正方向，正上方为z轴正方向，正左方为y轴正方向；
步骤S2对每一帧的点云数据进行畸变去除。因为激光雷达多为机械式激光雷达，所以在运动过程中会产生畸变，根据相邻两帧之间的时间差和激光雷达的机械性能可以得到两帧之间的运动距离和每个激光角扫描的时间戳。其中在可选实施方式中，如果采用编码器的，则可将这些激光角上的数据投影在对应的轮式里程计的时间戳上，如果不使用编码器，则可以将激光雷达的运动在短时间内当作是匀速运动，以此来得到对应时间戳上的点云变化量。当然本领域技术人员应当理解，若所采用的激光雷达在运动过程中不产生畸变或畸变在允许的阈值范围时，本步骤也可以省去。
步骤S3对每一帧的点云数据做地面分割。如在优选实施方式下，可先根据高度参数将地面分割出来，再在地面点云中，去掉法向量和地面实际法向量区别比较大的点，然后对剩下的点进行平面参数拟合，因此在本实施例下，示例可采用RANSAC方法进行。但应当理解的是，本发明并未对该点云数据的地面分割方式进行限制，任何现有技术能够实现的替换方案，皆在本实施例的揭露何保护范围内。
步骤S4对每一帧的点云做插值和滤波计算。具体来说，针对激光雷达束波模型的特点，近处点云密集，远处稀疏的特性，对得到的每一帧的点云在近处，需进行体素滤波，在远处进行插值，这样使得处理后的点云在空间的分配比较平均；同时还要进行整体点云的离群点滤波，这样可以对一些干扰点云做滤除。
步骤S5对每一帧的点云拟合过的数据，分别向激光雷达坐标系的x，z两个方向做投影。例如把空间三维点云分别向x轴方向和z轴方向做投影，具体的做法为向激光雷达坐标系的yz面和xy面分别做投影，这样就可以得到两个面上的点云信息。
步骤S6对两个方向上构建的平面特征像素图，采用相位相关法进行求解，得到相对定位信息。即根据步骤S5中得到的两个面上的点云信息，构造两张图片，平面特征像素图的原点为激光雷达坐标系的原点，接着使用相位相关法进行求解旋转和平移。
具体来说，本实施例中提供了如下示例性算例：
如设：图像pt(x，y)为t时刻所采集，图像pt-1(x，y)为t-1时刻所采集，那么存在pt＝R*pt-1+t，其中R为旋转，t为平移。
由于激光点云的特性，两张平面特征像素图有着尺度一致性，因此先构造两者之间的旋转关系，即旋转角度为θ：
pt(x，y)＝pt-1(x cosθ+y sinθ，-x sinθ+y cosθ)，对两边进行傅里叶变换，可以得到两张的频域图片：Ft(ξ，η)＝Ft-1(ξcosθ+ηsinθ，-ξsinθ+ηcosθ)
其中，ξ，η为离散频率变量，用来确定x，y方向的频率。
将(ξ，η)转为极坐标下为满足
ξcosθ+ηsinθ＝ρcos(α-θ)，-ξsinθ+ηcosθ＝ρsin(α-θ)，
其中，ρ表示轴，α表示角，所以可以的到：
Ft(ρcosα，ρsinα)＝Ft-1(ρcos(α-θ)，ρcos(α-θ))
最终将二维正交坐标系中的平移关系，转换为极坐标系下的旋转关系：
Ft(ρ，α)＝Ft-1(ρ，α-θ)，这样就很容易求出旋转关系，之后由求出的旋转变换还原到图像pt(x，y)，此时两张图片之间就只存在平移关系：
pt(x，y)＝pt-1(x，y)+t＝pt-1(x+xt，y+yt)
经过傅里叶变换之后可以得到：
此时两张平面特征像素图的互功率谱为：
式中/>是Ft(ξ，η)的共轭。
互功率谱的相位信息包含了两张平面特征像素图的相位差，求其傅里叶反变换，可以得到一个二维冲击函数δ(u-xt，v-yt)，此函数在(xt，yt)处取得峰值，其余位置函数值接近0，根据峰值就可以求出(xt，yt)。籍此通过对两个方向的投影，采用相位相关法就能够求出比较准确的相对位姿，进而推导出激光里程计。
步骤S7判断是否为关键帧。本实施例中关键帧选择优选包括三个标准，如：平移一定的预设距离、旋转一定的预设角度、已经经过一段预设时间，该三个标准可根据实际情况进行设定，并任意组合或单独评价，本实施例并不进行限制；而当根据前述预设标准被判断不是关键帧时，则返回步骤S1，如果判断为关键帧时，则向下到步骤S8.
步骤S8：判断是否使用编码器数据。例如如果使用编码器数据，则根据激光雷达所配载的机器人车型来推导出轮式里程计，例如本实施例下示例车型包括差速车型、舵轮车型和麦克纳姆轮车型等，同时该轮式里程计由于采用现有技术，因而此处不再赘述。当然本领域技术人员应当理解，若不采用编码器时，只要能获取里程计数据即可，并非限制必须判断是否使用编码器，因此本步骤也可根据实际实施情况进行保留或省去。
步骤S9：构建因子图添加因子。本实施例中，提到的因子图是未归一化的后验概率表示为一系列因子的乘积，如在下述示例性算例所示：
X*＝arg maxP(X|Z)＝arg maxP(Z|X)P(X)，
公式表示找到一组状态量X，使得在当前观测Z的情况下，状态P(X|Z)的概率最大。
可以写成下面这种形式：
其中φ(Xi)就是因子图中的因子，式中因子与概率的关系是正比，因此求解目标就是把所有的因子累乘起来，找到一个状态量X，使得乘积最大。
SLAM中的优化问题可以通过转化为最小二乘的问题来进行求解：
其中，构建因子图的因子主要包括：激光雷达的绝对位姿因子，轮式里程计的相对位姿因子。从而通过采用构建因子图来进行后端优化，主要是将图优化问题转化为贝叶斯树的建立、更新和推理问题，当有新的因子加入时，不需要对整个图进行优化，只需要对所影响的区域采用优化算法进行优化即可。籍此便可大大减低对处理器的计算性能的要求。
此外，本实施例下所称优化算法，优选可采用下述任一构成，如：高斯牛顿、列文伯格-马夸尔特算法或者狗腿算法。因而本领域技术人员可以根据本实施例记载的方案进行相关算法的建立，而并不存在技术障碍，因而在此不再赘述。
步骤S10判断是否有回环，当判断存在回环时，优化整体因子图，用来消除建图过程中的累计误差。如果不存在回环，则直接更新地图，然后返回步骤S1。籍此完成整个激光SLAM过程。
综上所述，本发明提供的该基于相位相关法与因子图的激光SLAM方法，通过对激光雷达采集到的数据进行去畸变、去地面、插值和滤波等操作，使得系统可以得到更加真实、分布更加均匀的空间点云数据；籍此通过投影将空间点云数据投影到平面上得到平面特征像素图，使用相位相关法来进行匹配，可得到相对位姿来推导激光里程计，由此避免了采用大量点云数据直接进行计算，另一方面在后端优化上，本发明使用了因子图优化方案，在更新因子的时候不需要对整个因子图进行计算，这样可以在计算速度上大大提升，尤其是对于大范围建图的场景，即使是计算能力不强的处理器，也可以实时处理3D激光雷达的数据，从而实现实时SLAM。
(三)
另一方面，根据本发明提供的实施例一或二的方案可知，上述实施例一或二主要用于解决3D激光SLAM，但本领域技术人员根据上述技术方案的记载有理由知晓，上述实施方案在稍加转换后，也可用于2D激光SLAM。
具体来说，即在2D激光SLAM中不需要进行如实施例二中步骤S5或实施例一步骤S4中的投影操作，即2D激光的扫面本身就是一个面，只需要对这个面进行图像构建之后，即可直接可以使用相位相关法求出相对位姿，从而配合后续构建因子图添加因子及回环步骤，即可实现一个完整的2D激光SLAM方案，并且任然可以获得提高计算速度的效果，以降低处理器的算力要求之功效，从而在2D激光领域实现实时SLAM。
(四)
本发明的另一方面，还提供了一种可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如上述实施例一至实施例三中，任一项基于相位相关法与因子图的激光SLAM方法的步骤。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
本领域技术人员可以理解，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
此外实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得单片机、芯片或处理器(processor)执行本申请各个实施例所述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，RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
此外，本发明实施例的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施例的思想，其同样应当视为本发明实施例所公开的内容。

Claims (8)

1.一种基于相位相关法与因子图的激光SLAM方法，其特征在于步骤包括：
S1获取激光雷达采集的点云数据，判断是否为初始帧，若判断为初始帧，则执行初始化地图的操作；
S2对点云数据做地面分割；
S3对点云数据做插值和滤波计算；
S4对拟合过的点云数据,分别向激光雷达坐标系的x，z两个方向做投影；
S5对x，z两个方向上构建平面特征像素图，采用相位相关法对其频域进行求解，得到相对定位信息；
S6判断是否为关键帧，若否则返回步骤S1，若是则进入步骤S7；
S7：构建因子图添加因子，添加绝对位姿因子，优化局部因子图；
S8判断是否有回环，若是则优化整体因子图，消除建图过程中的累计误差/若否则更新地图，然后返回步骤S1；
其中步骤S5中相位相关法求解步骤包括：
计算相邻两帧像素图，满足，对两边进行傅里叶变换，获取两张平面特征像素图的频域： />其中，/>为离散频率变量，用来确定/>方向的频率；将/>转为极坐标下为满足
，/>，
其中，表示轴，/>表示角，所以可以得到：
，
最终将二维正交坐标系中的平移关系，转换为极坐标系下的旋转关系：
求出旋转关系，之后由求出的旋转变换还原到图像/>，
；
经过傅里叶变换之后可以得到：
，
此时两张平面特征像素图的互功率谱为：
，式中/>是/>的共轭；
互功率谱的相位信息包含了两张平面特征像素图的相位差，求其傅里叶反变换得到一个二维冲击函数，此函数在/>处取得峰值，其余位置函数值接近0，根据峰值以求出/>。
2.根据权利要求1所述的基于相位相关法与因子图的激光SLAM方法，其特征在于，步骤S6中关键帧选择标准包括：平移一定的预设距离、旋转一定的预设角度、已经经过一段预设时间，中的至少一种。
3.根据权利要求1所述的基于相位相关法与因子图的激光SLAM方法，其特征在于， 步骤S2中地面分割步骤包括：根据高度参数将地面分割出来，再在地面点云中，去除法向量和地面实际法向量区别超出阈值的点，然后对剩下的点进行平面参数拟合。
4.一种基于相位相关法与因子图的激光SLAM方法，其特征在于步骤包括：
S1 获取激光雷达检测的点云数据，判断是否为初始帧，若判断为初始帧，则执行初始化地图的操作；
S2对点云数据进行畸变去除；
S3对点云数据做地面分割；
S4对点云数据做插值和滤波计算；
S5对拟合过的点云数据,分别向激光雷达坐标系的x，z两个方向做投影；
S6对x，z两个方向上构建平面特征像素图，采用相位相关法进行求解，得到相对定位信息；
S7判断是否为关键帧，若否则返回步骤S1，若是则进入步骤S8；
S8判断是否使用编码器数据，若是则采集编码器数据，推算轮式里程计；
S9构建因子图添加因子，添加相对位姿因子，添加绝对位姿因子，更新因子图，优化局部因子图；
S10判断是否有回环，若是则优化整体因子图，消除建图过程中的累计误差/若否则更新地图，然后返回步骤S1；
其中步骤S6中相位相关法求解步骤包括：
计算相邻两帧像素图，满足，对两边进行傅里叶变换，获取两张平面特征像素图的频域：/>其中，/>为离散频率变量，用来确定/>方向的频率；将/>转为极坐标下为满足
，/>，
其中，表示轴，/>表示角，所以可以得到：
，
最终将二维正交坐标系中的平移关系，转换为极坐标系下的旋转关系：
求出旋转关系，之后由求出的旋转变换还原到图像/>，
；
经过傅里叶变换之后可以得到：
；
此时两张平面特征像素图的互功率谱为：
，式中/>是/>的共轭；
互功率谱的相位信息包含了两张平面特征像素图的相位差，求其傅里叶反变换得到一个二维冲击函数，此函数在/>处取得峰值，其余位置函数值接近0，根据峰值以求出/>。
5.根据权利要求4所述的基于相位相关法与因子图的激光SLAM方法，其特征在于，步骤S2中畸变去除步骤包括：根据相邻两帧之间的时间差获取每个激光角扫描的时间戳；当采用编码器时，则将激光角上的数据投影在对应的轮式里程计的时间戳上、当未采用编码器时，则将激光雷达的运动当作是匀速运动，以此获取对应时间戳上的点云变化量。
6.根据权利要求4所述的基于相位相关法与因子图的激光SLAM方法，其特征在于，步骤S7中关键帧选择标准包括：平移一定的预设距离、旋转一定的预设角度、已经经过一段预设时间，中的至少一种。
7.根据权利要求4所述的基于相位相关法与因子图的激光SLAM方法，其特征在于， 步骤S3中地面分割步骤包括：根据高度参数将地面分割出来，再在地面点云中，去除法向量和地面实际法向量区别超出阈值的点，然后对剩下的点进行平面参数拟合。
8.一种可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求4至7中任一项所述的基于相位相关法与因子图的激光SLAM方法的步骤。
CN202110689529.9A 2021-06-21 2021-06-21 一种基于相位相关法与因子图的激光slam方法及其可读存储介质 Active CN113379841B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110689529.9A CN113379841B (zh) 2021-06-21 2021-06-21 一种基于相位相关法与因子图的激光slam方法及其可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110689529.9A CN113379841B (zh) 2021-06-21 2021-06-21 一种基于相位相关法与因子图的激光slam方法及其可读存储介质

Publications (2)

Publication Number Publication Date
CN113379841A CN113379841A (zh) 2021-09-10
CN113379841B true CN113379841B (zh) 2024-04-30

Family

ID=77578349

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110689529.9A Active CN113379841B (zh) 2021-06-21 2021-06-21 一种基于相位相关法与因子图的激光slam方法及其可读存储介质

Country Status (1)

Country Link
CN (1) CN113379841B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113781582B (zh) * 2021-09-18 2023-09-19 四川大学 基于激光雷达和惯导联合标定的同步定位与地图创建方法

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2471426A2 (de) * 2011-01-03 2012-07-04 Vorwerk & Co. Interholding GmbH Verfahren zur gleichzeitigen Bestimmung und Kartenbildung
CN108445501A (zh) * 2018-04-02 2018-08-24 北醒（北京）光子科技有限公司 一种基于slam技术的多雷达防串扰系统及方法
CN108537844A (zh) * 2018-03-16 2018-09-14 上海交通大学 一种融合几何信息的视觉slam回环检测方法
CN110033447A (zh) * 2019-04-12 2019-07-19 东北大学 一种基于点云方法的高铁重轨表面缺陷检测方法
CN110211169A (zh) * 2019-06-06 2019-09-06 上海黑塞智能科技有限公司 基于多尺度超像素和相位相关的窄基线视差的重构方法
CN111563442A (zh) * 2020-04-29 2020-08-21 上海交通大学 基于激光雷达的点云和相机图像数据融合的slam方法及系统
CN111583369A (zh) * 2020-04-21 2020-08-25 天津大学 一种基于面线角点特征提取的激光slam方法
CN112053390A (zh) * 2020-09-04 2020-12-08 上海懒书智能科技有限公司 一种基于点云变换匹配的定位方法
CN112082545A (zh) * 2020-07-29 2020-12-15 武汉威图传视科技有限公司 一种基于imu和激光雷达的地图生成方法、装置及系统
CN112258600A (zh) * 2020-10-19 2021-01-22 浙江大学 一种基于视觉与激光雷达的同时定位与地图构建方法
CN112268559A (zh) * 2020-10-22 2021-01-26 中国人民解放军战略支援部队信息工程大学 复杂环境下融合slam技术的移动测量方法
CN112595322A (zh) * 2020-11-27 2021-04-02 浙江同善人工智能技术有限公司 一种融合orb闭环检测的激光slam方法
CN112767490A (zh) * 2021-01-29 2021-05-07 福州大学 一种基于激光雷达的室外三维同步定位与建图方法
CN112882056A (zh) * 2021-01-15 2021-06-01 西安理工大学 基于激光雷达的移动机器人同步定位与地图构建方法
CN112966542A (zh) * 2020-12-10 2021-06-15 武汉工程大学 一种基于激光雷达的slam系统和方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2471426A2 (de) * 2011-01-03 2012-07-04 Vorwerk & Co. Interholding GmbH Verfahren zur gleichzeitigen Bestimmung und Kartenbildung
CN108537844A (zh) * 2018-03-16 2018-09-14 上海交通大学 一种融合几何信息的视觉slam回环检测方法
CN108445501A (zh) * 2018-04-02 2018-08-24 北醒（北京）光子科技有限公司 一种基于slam技术的多雷达防串扰系统及方法
CN110033447A (zh) * 2019-04-12 2019-07-19 东北大学 一种基于点云方法的高铁重轨表面缺陷检测方法
CN110211169A (zh) * 2019-06-06 2019-09-06 上海黑塞智能科技有限公司 基于多尺度超像素和相位相关的窄基线视差的重构方法
CN111583369A (zh) * 2020-04-21 2020-08-25 天津大学 一种基于面线角点特征提取的激光slam方法
CN111563442A (zh) * 2020-04-29 2020-08-21 上海交通大学 基于激光雷达的点云和相机图像数据融合的slam方法及系统
CN112082545A (zh) * 2020-07-29 2020-12-15 武汉威图传视科技有限公司 一种基于imu和激光雷达的地图生成方法、装置及系统
CN112053390A (zh) * 2020-09-04 2020-12-08 上海懒书智能科技有限公司 一种基于点云变换匹配的定位方法
CN112258600A (zh) * 2020-10-19 2021-01-22 浙江大学 一种基于视觉与激光雷达的同时定位与地图构建方法
CN112268559A (zh) * 2020-10-22 2021-01-26 中国人民解放军战略支援部队信息工程大学 复杂环境下融合slam技术的移动测量方法
CN112595322A (zh) * 2020-11-27 2021-04-02 浙江同善人工智能技术有限公司 一种融合orb闭环检测的激光slam方法
CN112966542A (zh) * 2020-12-10 2021-06-15 武汉工程大学 一种基于激光雷达的slam系统和方法
CN112882056A (zh) * 2021-01-15 2021-06-01 西安理工大学 基于激光雷达的移动机器人同步定位与地图构建方法
CN112767490A (zh) * 2021-01-29 2021-05-07 福州大学 一种基于激光雷达的室外三维同步定位与建图方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
一种基于图优化的实时3D激光SLAM算法;柯艳国;王雄奇;魏新;吴贤斌;朱仲贤;董翔宇;黄杰;董二宝;;机电一体化(第Z1期);全文 *
基于激光雷达和Kinect信息融合的导盲机器人SLAM研究;刘志;陈超;;江苏科技大学学报(自然科学版)(第02期);全文 *
基于激光雷达的移动机器人三维建图与定位;殷江;林建德;孔令华;邹诚;游通飞;易定容;;福建工程学院学报(第04期);全文 *
肖亮等.基于图像先验建模的超分辨增强理论与算法 变分PDE、稀疏正则化与贝叶斯方法.国防工业出版社,2017,第140-141页. *

Also Published As

Publication number Publication date
CN113379841A (zh) 2021-09-10

Similar Documents

Publication Publication Date Title
Fan et al. Road surface 3D reconstruction based on dense subpixel disparity map estimation
Menze et al. Object scene flow
Comport et al. A real-time tracker for markerless augmented reality
US8199977B2 (en) System and method for extraction of features from a 3-D point cloud
Menze et al. Object scene flow for autonomous vehicles
Humenberger et al. A census-based stereo vision algorithm using modified semi-global matching and plane fitting to improve matching quality
CN109887033A (zh) 定位方法及装置
Yang et al. Ransac matching: Simultaneous registration and segmentation
Schreier et al. Robust free space detection in occupancy grid maps by methods of image analysis and dynamic B-spline contour tracking
Knorr et al. Online extrinsic multi-camera calibration using ground plane induced homographies
Munoz-Banon et al. Targetless camera-lidar calibration in unstructured environments
Einhorn et al. Attention-driven monocular scene reconstruction for obstacle detection, robot navigation and map building
CN113379841B (zh) 一种基于相位相关法与因子图的激光slam方法及其可读存储介质
Manivannan et al. Vision based intelligent vehicle steering control using single camera for automated highway system
Han et al. DiLO: Direct light detection and ranging odometry based on spherical range images for autonomous driving
Hou et al. A high-quality voxel 3D reconstruction system for large scenes based on the branch and bound method
Bullinger et al. 3d vehicle trajectory reconstruction in monocular video data using environment structure constraints
Feng et al. D2nt: A high-performing depth-to-normal translator
Cholakkal et al. LiDAR-stereo camera fusion for accurate depth estimation
Schwarz et al. Tracking planes with time of flight cameras and j-linkage
CN113744416B (zh) 一种基于遮罩的全局点云滤波方法、设备和存储介质
Wu et al. Monocular vision SLAM based on key feature points selection
Vatavu et al. Environment perception using dynamic polylines and particle based occupancy grids
Lee et al. An improved stereo matching algorithm with robustness to noise based on adaptive support weight
CN116912427B (zh) 基于标记点三角特征聚类的三维扫描重建方法及系统

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