CN113706702A - 矿区三维地图构建系统和方法 - Google Patents

矿区三维地图构建系统和方法 Download PDF

Info

Publication number
CN113706702A
CN113706702A CN202110920940.2A CN202110920940A CN113706702A CN 113706702 A CN113706702 A CN 113706702A CN 202110920940 A CN202110920940 A CN 202110920940A CN 113706702 A CN113706702 A CN 113706702A
Authority
CN
China
Prior art keywords
point cloud
local
dimensional
dimensional point
cloud picture
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
CN202110920940.2A
Other languages
English (en)
Inventor
肖天中
张昊
李军
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.)
Chongqing Starnav Systems Co ltd
Original Assignee
Chongqing Starnav Systems 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 Chongqing Starnav Systems Co ltd filed Critical Chongqing Starnav Systems Co ltd
Priority to CN202110920940.2A priority Critical patent/CN113706702A/zh
Publication of CN113706702A publication Critical patent/CN113706702A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Computer Graphics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Remote Sensing (AREA)
  • Navigation (AREA)

Abstract

本发明提供了一种矿区三维地图构建系统和方法，通过无人机方便快捷地得到矿区全局的三维点云图为底图，然后与路侧感知端及矿车实时获取的局部三维点云图进行融合得到全局三维点云图，与现有技术中仅靠车辆本身携带的设备进行扫描来构建三维地图的方式相比，三维地图构建更容易，构建速度更快，能够根据矿区地形变化情况更及时地更新三维地图；而且与现有技术中仅靠车辆本身携带的设备进行扫描来构建三维地图的方式相比，能够在扬尘环境中构建出更大范围的三维地图。

Description

矿区三维地图构建系统和方法
技术领域
本发明涉及自动驾驶技术领域，尤其涉及一种矿区三维地图构建系统和方法。
背景技术
自动驾驶技术不仅能避免或减少对驾驶人员健康、安全的危害或威胁，而且将大幅提升效率、降低成本，更加经济、节能和环保，因此在露天矿场中具有较好的应用前景，可在矿车上应用以实现物料的无人化运输。要实现矿车的自动驾驶，需要先构建矿场的三维高精度地图，以用于进行路径规划；现有的三维高精度地图的构建方法一般是针对城市道路而开发的，仅靠车辆本身携带的设备进行扫描来构建三维地图，而矿区与城市环境相比，具有扬尘密度大、随着采掘进度不同地形环境变化较快、道路上经常出现洒落物和坡道落石等特点，从而导致以下问题：
1.由于地形环境变化较快需要经常重新构建三维地图，对于传统的三维地图构建方法，耗时耗力，降低矿区的作业效率；
2.由于扬尘密度大，传感器的有效距离大大缩小，而传统方法中仅依靠车上的传感器进行点云数据采集，难以构建矿区全貌的三维地图；
3.由于道路上经常出现洒落物和坡道落石会对道路造成损害，仅依靠车上的传感器进行点云数据采集，难以掌握道路实时情况。
发明内容
鉴于上述现有技术的不足之处，本申请实施例的目的在于提供一种矿区三维地图构建系统和方法，旨在解决矿区环境下三维地图构建困难、繁琐和更新不及时的问题。
第一方面，本申请实施例提供一种矿区三维地图构建系统，包括无人机、矿车和多个路侧感知端，所述无人机、矿车和路侧感知端均包括激光雷达、差分GNSS导航设备、IMU惯性测量单元；
所述无人机用于通过对应的激光雷达、差分GNSS导航设备、IMU惯性测量单元获取矿区全局的三维点云图作为底图，并发送至所述矿车；
所述路侧感知端设置在矿区道路的路侧，并用于通过对应的激光雷达、差分GNSS导航设备、IMU惯性测量单元获取路侧感知端所在区域的第一局部三维点云图，并发送至所述矿车；
所述矿车用于通过对应的激光雷达、差分GNSS导航设备、IMU惯性测量单元获取矿车所在区域的第二局部三维点云图，把所述第一局部三维点云图和所述第二局部三维点云图进行融合，得到初步融合的局部三维点云图，然后把所述初步融合的局部三维点云图与所述底图进行融合得到融合的全局三维点云图。
本申请实施例的矿区三维地图构建系统，当矿区地形改变时，可通过无人机方便快捷地得到矿区全局的三维点云图为底图，然后与路侧感知端及矿车实时获取的局部三维点云图进行融合得到全局三维点云图，与现有技术中仅靠车辆本身携带的设备进行扫描来构建三维地图的方式相比，三维地图构建更容易，构建速度更快，能够根据矿区地形变化情况更及时地更新三维地图；而且与现有技术中仅靠车辆本身携带的设备进行扫描来构建三维地图的方式相比，能够在扬尘环境中构建出更大范围的三维地图。
优选地，所述无人机、矿车和路侧感知端在通过对应的激光雷达、差分GNSS导航设备、IMU惯性测量单元获取对应的三维点云图的时候：
用激光雷达获取扫描点在激光雷达坐标系中的坐标；
根据以下公式计算所述扫描点在地心直角坐标系中的坐标：
Figure DEST_PATH_IMAGE001
；
其中，
Figure 690367DEST_PATH_IMAGE002
为扫描点在地心直角坐标系中的坐标，
Figure DEST_PATH_IMAGE003
为对应的IMU惯性测量单元中心在地心直角坐标系中的坐标，
Figure 856906DEST_PATH_IMAGE004
为对应的IMU惯性测量单元坐标系至地心直角坐标系的旋转矩阵，
Figure DEST_PATH_IMAGE005
为所述激光雷达的激光雷达坐标系中心到所述IMU惯性测量单元中心的偏置在所述IMU惯性测量单元坐标系中的分量，
Figure 386982DEST_PATH_IMAGE006
为所述激光雷达坐标系到所述IMU惯性测量单元坐标系的旋转矩阵，
Figure DEST_PATH_IMAGE007
为所述扫描点在所述激光雷达坐标系中的坐标。
优选地，所述矿车在把所述第一局部三维点云图和所述第二局部三维点云图进行融合的时候：
基于各点在地心直角坐标系中的坐标，对所述第一局部三维点云图和所述第二局部三维点云图进行拼接。
优选地，所述矿车在把所述初步融合的局部三维点云图与所述底图进行融合得到融合的全局三维点云图的时候：
采用基于ICP算法的点云匹配方式对所述初步融合的局部三维点云图与所述底图进行点云拼接。
优选地，所述矿车在采用基于ICP算法的点云匹配方式对所述初步融合的局部三维点云图与所述底图进行点云拼接的时候，执行以下步骤：
C1.选定所述初步融合的局部三维点云图和所述底图的同名特征点，得到初步融合的局部三维点云图对应的第一同名特征点集
Figure 997086DEST_PATH_IMAGE008
和底图对应的第二同名特征点集
Figure DEST_PATH_IMAGE009
；
C2.重复执行以下迭代过程，直到误差
Figure 402659DEST_PATH_IMAGE010
小于预设的阈值：
使第一同名特征点集的中心点和所述第二同名特征点集
Figure 44993DEST_PATH_IMAGE009
的中心点重合，并计算重合操作中第一同名特征点集的中心点的平移向量
Figure DEST_PATH_IMAGE011
；
针对第一同名特征点集中的每一点，在第二同名特征点集
Figure 370189DEST_PATH_IMAGE009
中搜索其空间最近邻点，以建立对应关系，并计算最近点之间的旋转矩阵；
根据以下公式计算总旋转矩阵、旋转向量和第n次迭代处理的旋转后的第一同名特征点集：
Figure 666041DEST_PATH_IMAGE012
；
其中，
Figure DEST_PATH_IMAGE013
为总旋转矩阵，
Figure 309643DEST_PATH_IMAGE014
为第i次迭代处理中计算得到的最近点之间的旋转矩阵，
Figure DEST_PATH_IMAGE015
为旋转向量，
Figure 926307DEST_PATH_IMAGE016
为第n次迭代处理的旋转后的第一同名特征点集，
Figure 260336DEST_PATH_IMAGE008
为初始的第一同名特征点集；
通过以下公式计算误差
Figure 727090DEST_PATH_IMAGE010
：
Figure DEST_PATH_IMAGE017
；
其中，
Figure 857988DEST_PATH_IMAGE018
为
Figure DEST_PATH_IMAGE019
中的第i个点的位置，
Figure 27412DEST_PATH_IMAGE020
为第二同名特征点集
Figure 481527DEST_PATH_IMAGE009
中的第i个点的位置；
判断所述误差
Figure 463390DEST_PATH_IMAGE010
是否小于预设的阈值；
C3.根据以下公式对所述初步融合的局部三维点云图的各点进行转换处理，并用转换处理后的初步融合的局部三维点云图与所述底图进行拼接：
Figure DEST_PATH_IMAGE021
；
其中，
Figure 799693DEST_PATH_IMAGE022
为转换处理后的初步融合的局部三维点云图中的i个点的位置，
Figure DEST_PATH_IMAGE023
为转换处理前的初步融合的局部三维点云图中的i个点的位置。
优选地，步骤C1包括：
在所述初步融合的局部三维点云图中选定多个特征点，得到初步融合的局部三维点云图对应的第一同名特征点集
Figure 164684DEST_PATH_IMAGE008
；
针对所述第一同名特征点集
Figure 66781DEST_PATH_IMAGE008
中的每一个特征点，利用Kd-tree算法在所述底图中搜索最接近点作为对应的同名特征点，得到所述底图对应的第二同名特征点集
Figure 891649DEST_PATH_IMAGE009
。
第二方面，本申请实施例提供一种矿区三维地图构建方法，包括步骤：
A1.获取由无人机通过设置在所述无人机上的激光雷达、差分GNSS导航设备、IMU惯性测量单元获得的矿区全局的三维点云图作为底图；
A2.获取由路侧感知端通过设置在所述路侧感知端上的激光雷达、差分GNSS导航设备、IMU惯性测量单元获得的路侧感知端所在区域的第一局部三维点云图；所述路侧感知端设置在矿区道路的路侧；
A3.获取由矿车通过设置在所述矿车上的激光雷达、差分GNSS导航设备、IMU惯性测量单元获得的矿车所在区域的第二局部三维点云图；
A4.把所述第一局部三维点云图和所述第二局部三维点云图进行融合，得到初步融合的局部三维点云图；
A5.把所述初步融合的局部三维点云图与所述底图进行融合得到融合的全局三维点云图。
优选地，步骤A4包括：
基于各点在地心直角坐标系中的坐标，对所述第一局部三维点云图和所述第二局部三维点云图进行拼接。
优选地，步骤A5包括：
采用基于ICP算法的点云匹配方式对所述初步融合的局部三维点云图与所述底图进行点云拼接。
优选地，所述采用基于ICP算法的点云匹配方式对所述初步融合的局部三维点云图与所述底图进行点云拼接的步骤包括：
C1.选定所述初步融合的局部三维点云图和所述底图的同名特征点，得到初步融合的局部三维点云图对应的第一同名特征点集
Figure 511986DEST_PATH_IMAGE008
和底图对应的第二同名特征点集
Figure 152439DEST_PATH_IMAGE009
；
C2.重复执行以下迭代过程，直到误差
Figure 174622DEST_PATH_IMAGE010
小于预设的阈值：
使第一同名特征点集的中心点和所述第二同名特征点集
Figure 639232DEST_PATH_IMAGE009
的中心点重合，并计算重合操作中第一同名特征点集的中心点的平移向量
Figure 746866DEST_PATH_IMAGE011
；
针对第一同名特征点集中的每一点，在第二同名特征点集
Figure 719239DEST_PATH_IMAGE009
中搜索其空间最近邻点，以建立对应关系，并计算最近点之间的旋转矩阵；
根据以下公式计算总旋转矩阵、旋转向量和第n次迭代处理的旋转后的第一同名特征点集：
Figure 471294DEST_PATH_IMAGE012
；
其中，
Figure 152811DEST_PATH_IMAGE013
为总旋转矩阵，
Figure 232894DEST_PATH_IMAGE014
为第i次迭代处理中计算得到的最近点之间的旋转矩阵，
Figure 900635DEST_PATH_IMAGE015
为旋转向量，
Figure 897410DEST_PATH_IMAGE016
为第n次迭代处理的旋转后的第一同名特征点集，
Figure 736446DEST_PATH_IMAGE008
为初始的第一同名特征点集；
通过以下公式计算误差
Figure 553093DEST_PATH_IMAGE010
：
Figure 493367DEST_PATH_IMAGE017
；
其中，
Figure 688856DEST_PATH_IMAGE018
为
Figure 587542DEST_PATH_IMAGE019
中的第i个点的位置，
Figure 406331DEST_PATH_IMAGE020
为第二同名特征点集
Figure 150296DEST_PATH_IMAGE009
中的第i个点的位置；
判断所述误差
Figure 387242DEST_PATH_IMAGE010
是否小于预设的阈值；
C3.根据以下公式对所述初步融合的局部三维点云图的各点进行转换处理，并用转换处理后的初步融合的局部三维点云图与所述底图进行拼接：
Figure 191250DEST_PATH_IMAGE021
；
其中，
Figure 264380DEST_PATH_IMAGE022
为转换处理后的初步融合的局部三维点云图中的i个点的位置，
Figure 812036DEST_PATH_IMAGE023
为转换处理前的初步融合的局部三维点云图中的i个点的位置。
有益效果：
本申请实施例提供的矿区三维地图构建系统和方法，当矿区地形改变时，可通过无人机方便快捷地得到矿区全局的三维点云图为底图，然后与路侧感知端及矿车实时获取的局部三维点云图进行融合得到全局三维点云图，与现有技术中仅靠车辆本身携带的设备进行扫描来构建三维地图的方式相比，三维地图构建更容易，构建速度更快，能够根据矿区地形变化情况更及时地更新三维地图；而且与现有技术中仅靠车辆本身携带的设备进行扫描来构建三维地图的方式相比，能够在扬尘环境中构建出更大范围的三维地图。
附图说明
图1为本申请实施例提供的矿区三维地图构建系统的结构示意图。
图2为本申请实施例提供的矿区三维地图构建系统方法的流程图。
图3为激光扫描定位原理图。
图4为基于ICP算法的点云匹配方式进行点云拼接的效果图。
图5为用于进行点云拼接的第一个点云图。
图6为用于进行点云拼接的第二个点云图。
具体实施方式
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
下文的公开提供的实施方式或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。当然，它们仅仅为示例，并且目的不在于限制本发明。此外，本发明可以在不同例子中重复参考数字和/或参考字母，这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施方式和/或设置之间的关系。此外，本发明提供了的各种特定的工艺和材料的例子，但是本领域普通技术佩戴人员可以意识到其他工艺的应用和/或其他材料的使用。
请参阅图1，本申请实施例提供的一种矿区三维地图构建系统，包括无人机1、矿车2和多个路侧感知端3，所述无人机1、矿车2和路侧感知端3均包括激光雷达、差分GNSS导航设备、IMU惯性测量单元；
所述无人机1用于通过对应的（即自身的）激光雷达、差分GNSS导航设备、IMU惯性测量单元获取矿区全局的三维点云图作为底图，并发送至所述矿车2；
所述路侧感知端3设置在矿区道路的路侧，并用于通过对应的（即自身的）激光雷达、差分GNSS导航设备、IMU惯性测量单元获取路侧感知端所在区域（该区域的大小由激光雷达的有效检测范围觉得）的第一局部三维点云图，并发送至所述矿车2；
所述矿车2用于通过对应的（即自身的）激光雷达、差分GNSS导航设备、IMU惯性测量单元获取矿车2所在区域（该区域的大小由激光雷达的有效检测范围觉得）的第二局部三维点云图，把所述第一局部三维点云图和所述第二局部三维点云图进行融合，得到初步融合的局部三维点云图，然后把所述初步融合的局部三维点云图与所述底图进行融合得到融合的全局三维点云图。
其中，路侧感知端3的数量和具体设置位置可根据实际需要设置，例如可沿矿区道路延伸方向等间隔的设置路侧感知端3；也可在道路转弯处、矿车装货处、矿车卸货处等重要局部位置设置路侧感知端3，以保证矿车在转弯、装货、卸货时能够更精确地按规划的路线行驶。
使用该矿区三维地图构建系统，当矿区地形改变时，可通过无人机1方便快捷地得到矿区全局的三维点云图为底图，然后与路侧感知端3及矿车2实时获取的局部三维点云图进行融合得到全局三维点云图，与现有技术中仅靠车辆本身携带的设备进行扫描来构建三维地图的方式相比，三维地图构建更容易，构建速度更快，能够根据矿区地形变化情况更及时地更新三维地图；而且与现有技术中仅靠车辆本身携带的设备进行扫描来构建三维地图的方式相比，能够在扬尘环境中构建出更大范围的三维地图。
实际上，虽然由无人机1获得的底图的精度相对较低，但路侧感知端3及矿车2获得的局部三维点云图的精度较高，而且路侧感知端3及矿车2获得的局部三维点云图是与行车环境相关的重要局部位置的三维点云图，三者融合后的全局三维点云图足以满足矿车2的自动驾驶需求。该矿区三维地图构建系统具有以下优点：
1.针对矿区三维地图构建需要不定期使用车辆进行三维地图的重复采集构建，提出了一种以矿车局部建图为主，无人机协同和路侧感知端协同为辅的方案，可以有效的减少三维地图构建的周期，明显提高矿区作业效率；
2.通过矿车和路侧感知端对无人机获取的底图数据进行准实时更新，将矿区高精度三位地图的构建分成三部分进行融合完成，可以有效避免采用单一渠道进行三维地图构建的局限性；在扬尘环境，将矿车三维地图和路侧感知端三维地图进行互补融合可以有效提升三维地图构建的范围；
3.依靠路侧感知端的小时级更新与矿车的实时更新的特性，互补融合可以准实时动态地掌握矿区情况，相较于依靠车辆建图的模式，可以有效检测出矿车在运行过程中对前车落石以及周边滑坡情况，可以有效提升矿车作业的安全性。
需要说明的是，所述无人机1、矿车2和路侧感知端3均设置有通信模块（如4G/5G通信模块，但不限于此），无人机1、路侧感知端3和矿车2之间通过通信模块通信连接。
在一些优选实施方式中，参考图3，所述无人机1、矿车2和路侧感知端3在通过对应的（各自的）激光雷达、差分GNSS导航设备、IMU惯性测量单元获取对应的三维点云图的时候：
用激光雷达获取扫描点在激光雷达坐标系（以下称之为S系）中的坐标；
根据以下公式计算所述扫描点在地心直角坐标系（以下称之为E系）中的坐标：
Figure 637909DEST_PATH_IMAGE001
；
其中，
Figure 724070DEST_PATH_IMAGE002
为扫描点在地心直角坐标系（E系）中的坐标；
Figure 409130DEST_PATH_IMAGE003
为对应的IMU惯性测量单元中心在地心直角坐标系中的坐标，该坐标可由差分GNSS导航设备和IMU惯性测量单元通过组合导航解算得到；
Figure 885110DEST_PATH_IMAGE004
为对应的IMU惯性测量单元坐标系（以下称之为I系）至地心直角坐标系的旋转矩阵，可由差分GNSS导航设备和IMU惯性测量单元测得的姿态(Pitch、Roll、Yaw)形成；
Figure 112961DEST_PATH_IMAGE005
为所述激光雷达的激光雷达坐标系中心到所述IMU惯性测量单元中心的偏置在所述IMU惯性测量单元坐标系中的分量，可事先测量得到；
Figure 632672DEST_PATH_IMAGE006
为所述激光雷达坐标系到所述IMU惯性测量单元坐标系的旋转矩阵，可事先标定得到；
Figure 539449DEST_PATH_IMAGE007
为所述扫描点在所述激光雷达坐标系中的坐标。
通过上述方式构建的三维点云图中的扫描点的坐标统一为在E系中的坐标，以便于后期的融合。
按照激光雷达距离越小精度越高的特性，矿车和路测感知端由于观测范围较小，所构建的局部三维点云图精度较高可以达到厘米级至毫米级，而各三维点云图中的扫描点的坐标统一为在E系中的坐标，因此路侧感知端获得的局部三维点云图和矿车获得的三维点云图可以直接进行拼接融合；从而，在一些实施方式中，所述矿车2在把所述第一局部三维点云图和所述第二局部三维点云图进行融合的时候：
基于各点在地心直角坐标系中的坐标，对所述第一局部三维点云图和所述第二局部三维点云图进行拼接。
拼接后的各扫描点在E系中的坐标值保持不变。
进一步地，由于矿区范围较大，激光扫描距离越远导致在无人机进行底图构建的时候精度相对较低，除此之外无人机飞行姿态的角度误差影响也导致无法直接通过直接地理参考信息（扫描点在E系中的坐标）进行点云拼接；从而，在一些实施方式中，所述矿车2在把所述初步融合的局部三维点云图与所述底图进行融合得到融合的全局三维点云图的时候：
采用基于ICP算法的点云匹配方式对所述初步融合的局部三维点云图与所述底图进行点云拼接。
ICP算法是最小二乘迭代优化的过程，主要方法为：首先寻找两帧点云数据中同名特征点，根据特征点迭代求解出对应点之间的运动参数，根据运动参数将不同参考系的激光点云准换到同一坐标系，实现两点云应该重叠的部分完全重叠。
具体地，所述矿车2在采用基于ICP算法的点云匹配方式对所述初步融合的局部三维点云图与所述底图进行点云拼接的时候，执行以下步骤：
C1.选定所述初步融合的局部三维点云图和所述底图的同名特征点，得到初步融合的局部三维点云图对应的第一同名特征点集
Figure 553541DEST_PATH_IMAGE008
和底图对应的第二同名特征点集
Figure 494952DEST_PATH_IMAGE009
；
C2.重复执行以下迭代过程，直到误差
Figure 421451DEST_PATH_IMAGE010
小于预设的阈值：
使第一同名特征点集的中心点和所述第二同名特征点集
Figure 815523DEST_PATH_IMAGE009
的中心点重合，并计算重合操作中第一同名特征点集的中心点的平移向量
Figure 367727DEST_PATH_IMAGE011
；其中，可通过以下公式计算中心点的坐标：
Figure 263178DEST_PATH_IMAGE024
;
其中X、Y、Z为中心点的三个坐标值，
Figure DEST_PATH_IMAGE025
、
Figure 609846DEST_PATH_IMAGE026
、
Figure DEST_PATH_IMAGE027
为对应同名特征点集（第一同名特征点集或第二同名特征点集）的第i个点的三个坐标值；
针对第一同名特征点集中的每一点，在第二同名特征点集
Figure 835422DEST_PATH_IMAGE009
中搜索其空间最近邻点，以建立对应关系，并计算最近点之间的旋转矩阵(
Figure 925738DEST_PATH_IMAGE028
)；
根据以下公式计算总旋转矩阵、旋转向量和第n次迭代处理的旋转后的第一同名特征点集：
Figure 576162DEST_PATH_IMAGE012
；
其中，
Figure 874157DEST_PATH_IMAGE013
为总旋转矩阵，
Figure 242821DEST_PATH_IMAGE014
为第i次迭代处理中计算得到的最近点之间的旋转矩阵，
Figure 136828DEST_PATH_IMAGE015
为旋转向量，
Figure 641759DEST_PATH_IMAGE016
为第n次迭代处理的旋转后的第一同名特征点集，
Figure 346541DEST_PATH_IMAGE008
为初始的第一同名特征点集;
通过以下公式计算误差
Figure 327135DEST_PATH_IMAGE010
：
Figure 900199DEST_PATH_IMAGE017
；
其中，
Figure 636467DEST_PATH_IMAGE018
为
Figure 761418DEST_PATH_IMAGE019
中的第i个点的位置，
Figure 839095DEST_PATH_IMAGE020
为第二同名特征点集
Figure 356795DEST_PATH_IMAGE009
中的第i个点的位置；
判断所述误差
Figure 836318DEST_PATH_IMAGE010
是否小于预设的阈值；
C3.根据以下公式对所述初步融合的局部三维点云图的各点进行转换处理，并用转换处理后的初步融合的局部三维点云图与所述底图进行拼接：
Figure 132170DEST_PATH_IMAGE021
；
其中，
Figure 697144DEST_PATH_IMAGE022
为转换处理后的初步融合的局部三维点云图中的i个点的位置，
Figure 985912DEST_PATH_IMAGE023
为转换处理前的初步融合的局部三维点云图中的i个点的位置。
采用基于ICP算法的点云匹配方式进行点云图拼接融合的效果可参考图4-6，该示例中，采用EagleEye2000激光雷达以不同角度对同一厂区一角进行扫描，分别得到图5、6的两帧点云图，采用基于ICP算法的点云匹配方式进行点云图拼接融合后得到图4所示的点云图，其融合效果较好。
在一些实施方式中，步骤C1包括：
在所述初步融合的局部三维点云图中选定多个特征点，得到初步融合的局部三维点云图对应的第一同名特征点集
Figure 585520DEST_PATH_IMAGE008
；
针对所述第一同名特征点集
Figure 786694DEST_PATH_IMAGE008
中的每一个特征点，利用Kd-tree算法在所述底图中搜索最接近点作为对应的同名特征点，得到所述底图对应的第二同名特征点集
Figure 714330DEST_PATH_IMAGE009
。
其中，可选定一些角点、特殊标记点（例如可在矿区中设置一些球状标记物、尖角状标记物等，以球状标记物的中心、尖角状标记物的尖点为特殊标记点）等点为特征点。Kd-tree算法为现有技术，能够比较准确第搜索到对应的同名特征点，此处不对其详细步骤进行描述。
在一些优选实施方式中，所述矿车2还用于对融合得到全局三维点云图进行点云滤波降噪处理，进一步提高全局三维点云图的精确性。
请参考图2，本申请实施例提供一种矿区三维地图构建方法，包括步骤：
A1.获取由无人机通过设置在所述无人机上的激光雷达、差分GNSS导航设备、IMU惯性测量单元获得的矿区全局的三维点云图作为底图；
A2.获取由路侧感知端通过设置在所述路侧感知端上的激光雷达、差分GNSS导航设备、IMU惯性测量单元获得的路侧感知端所在区域的第一局部三维点云图；所述路侧感知端设置在矿区道路的路侧；
A3.获取由矿车通过设置在所述矿车上的激光雷达、差分GNSS导航设备、IMU惯性测量单元获得的矿车所在区域的第二局部三维点云图；
A4.把所述第一局部三维点云图和所述第二局部三维点云图进行融合，得到初步融合的局部三维点云图；
A5.把所述初步融合的局部三维点云图与所述底图进行融合得到融合的全局三维点云图。
在一些实施方式中，该矿区三维地图构建方法可应用于上述矿区三维地图构建系统中的矿车2中。
使用该矿区三维地图构建方法，当矿区地形改变时，可通过无人机方便快捷地得到矿区全局的三维点云图为底图，然后与路侧感知端及矿车实时获取的局部三维点云图进行融合得到全局三维点云图，与现有技术中仅靠车辆本身携带的设备进行扫描来构建三维地图的方式相比，三维地图构建更容易，构建速度更快，能够根据矿区地形变化情况更及时地更新三维地图；而且与现有技术中仅靠车辆本身携带的设备进行扫描来构建三维地图的方式相比，能够在扬尘环境中构建出更大范围的三维地图。
实际上，虽然由无人机获得的底图的精度相对较低，但路侧感知端及矿车获得的局部三维点云图的精度较高，而且路侧感知端及矿车获得的局部三维点云图是与行车环境相关的重要局部位置的三维点云图，三者融合后的全局三维点云图足以满足矿车的自动驾驶需求。该矿区三维地图构建系统具有以下优点：
1.针对矿区三维地图构建需要不定期使用车辆进行三维地图的重复采集构建，提出了一种以矿车局部建图为主，无人机协同和路侧感知端协同为辅的方案，可以有效的减少三维地图构建的周期，明显提高矿区作业效率；
2.通过矿车和路侧感知端对无人机获取的底图数据进行准实时更新，将矿区高精度三位地图的构建分成三部分进行融合完成，可以有效避免采用单一渠道进行三维地图构建的局限性；在扬尘环境，将矿车三维地图和路侧感知端三维地图进行互补融合可以有效提升三维地图构建的范围；
3.依靠路侧感知端的小时级更新与矿车的实时更新的特性，互补融合可以准实时动态地掌握矿区情况，相较于依靠车辆建图的模式，可以有效检测出矿车在运行过程中对前车落石以及周边滑坡情况，可以有效提升矿车作业的安全性。
在一些优选实施方式中，参考图3，所述无人机、矿车和路侧感知端在通过对应的（各自的）激光雷达、差分GNSS导航设备、IMU惯性测量单元获取对应的三维点云图的时候：
用激光雷达获取扫描点在激光雷达坐标系（以下称之为S系）中的坐标；
根据以下公式计算所述扫描点在地心直角坐标系（以下称之为E系）中的坐标：
Figure 432888DEST_PATH_IMAGE001
；
其中，
Figure 11636DEST_PATH_IMAGE002
为扫描点在地心直角坐标系（E系）中的坐标；
Figure 790237DEST_PATH_IMAGE003
为对应的IMU惯性测量单元中心在地心直角坐标系中的坐标，该坐标可由差分GNSS导航设备和IMU惯性测量单元通过组合导航解算得到；
Figure 441054DEST_PATH_IMAGE004
为对应的IMU惯性测量单元坐标系（以下称之为I系）至地心直角坐标系的旋转矩阵，可由差分GNSS导航设备和IMU惯性测量单元测得的姿态(Pitch、Roll、Yaw)形成；
Figure 87936DEST_PATH_IMAGE005
为所述激光雷达的激光雷达坐标系中心到所述IMU惯性测量单元中心的偏置在所述IMU惯性测量单元坐标系中的分量，可事先测量得到；
Figure 396558DEST_PATH_IMAGE006
为所述激光雷达坐标系到所述IMU惯性测量单元坐标系的旋转矩阵，可事先标定得到；
Figure 221425DEST_PATH_IMAGE007
为所述扫描点在所述激光雷达坐标系中的坐标。
通过上述方式构建的三维点云图中的扫描点的坐标统一为在E系中的坐标，以便于后期的融合。
按照激光雷达距离越小精度越高的特性，矿车和路测感知端由于观测范围较小，所构建的局部三维点云图精度较高可以达到厘米级至毫米级，而各三维点云图中的扫描点的坐标统一为在E系中的坐标，因此路侧感知端获得的局部三维点云图和矿车获得的三维点云图可以直接进行拼接融合；从而，在一些实施方式中，步骤A4包括：
基于各点在地心直角坐标系中的坐标，对所述第一局部三维点云图和所述第二局部三维点云图进行拼接。
进一步地，由于矿区范围较大，激光扫描距离越远导致在无人机进行底图构建的时候精度相对较低，除此之外无人机飞行姿态的角度误差影响也导致无法直接通过直接地理参考信息（扫描点在E系中的坐标）进行点云拼接；从而，在一些实施方式中，步骤A5包括：
采用基于ICP算法的点云匹配方式对所述初步融合的局部三维点云图与所述底图进行点云拼接。
ICP算法是最小二乘迭代优化的过程，主要方法为：首先寻找两帧点云数据中同名特征点，根据特征点迭代求解出对应点之间的运动参数，根据运动参数将不同参考系的激光点云准换到同一坐标系，实现两点云应该重叠的部分完全重叠。
具体地，所述采用基于ICP算法的点云匹配方式对所述初步融合的局部三维点云图与所述底图进行点云拼接的步骤包括：
C1.选定所述初步融合的局部三维点云图和所述底图的同名特征点，得到初步融合的局部三维点云图对应的第一同名特征点集
Figure 982708DEST_PATH_IMAGE008
和底图对应的第二同名特征点集
Figure 167702DEST_PATH_IMAGE009
；
C2.重复执行以下迭代过程，直到误差
Figure 330830DEST_PATH_IMAGE010
小于预设的阈值：
使第一同名特征点集的中心点和所述第二同名特征点集
Figure 559555DEST_PATH_IMAGE009
的中心点重合，并计算重合操作中第一同名特征点集的中心点的平移向量
Figure 198346DEST_PATH_IMAGE011
；其中，可通过以下公式计算中心点的坐标：
Figure 875447DEST_PATH_IMAGE024
;
其中X、Y、Z为中心点的三个坐标值，
Figure 17715DEST_PATH_IMAGE025
、
Figure 309019DEST_PATH_IMAGE026
、
Figure 421725DEST_PATH_IMAGE027
为对应同名特征点集（第一同名特征点集或第二同名特征点集）的第i个点的三个坐标值；
针对第一同名特征点集中的每一点，在第二同名特征点集
Figure 823887DEST_PATH_IMAGE009
中搜索其空间最近邻点，以建立对应关系，并计算最近点之间的旋转矩阵(
Figure 86241DEST_PATH_IMAGE028
)；
根据以下公式计算总旋转矩阵、旋转向量和第n次迭代处理的旋转后的第一同名特征点集：
Figure 814026DEST_PATH_IMAGE012
；
其中，
Figure 646984DEST_PATH_IMAGE013
为总旋转矩阵，
Figure 977471DEST_PATH_IMAGE014
为第i次迭代处理中计算得到的最近点之间的旋转矩阵，
Figure 969698DEST_PATH_IMAGE015
为旋转向量，
Figure 976706DEST_PATH_IMAGE016
为第n次迭代处理的旋转后的第一同名特征点集，
Figure 687173DEST_PATH_IMAGE008
为初始的第一同名特征点集;
通过以下公式计算误差
Figure 821351DEST_PATH_IMAGE010
：
Figure 668084DEST_PATH_IMAGE017
；
其中，
Figure 613038DEST_PATH_IMAGE018
为
Figure 545222DEST_PATH_IMAGE019
中的第i个点的位置，
Figure 483091DEST_PATH_IMAGE020
为第二同名特征点集
Figure 449910DEST_PATH_IMAGE009
中的第i个点的位置；
判断所述误差
Figure 813369DEST_PATH_IMAGE010
是否小于预设的阈值；
C3.根据以下公式对所述初步融合的局部三维点云图的各点进行转换处理，并用转换处理后的初步融合的局部三维点云图与所述底图进行拼接：
Figure 498428DEST_PATH_IMAGE021
；
其中，
Figure 974409DEST_PATH_IMAGE022
为转换处理后的初步融合的局部三维点云图中的i个点的位置，
Figure 530155DEST_PATH_IMAGE023
为转换处理前的初步融合的局部三维点云图中的i个点的位置。
在一些实施方式中，步骤C1包括：
在所述初步融合的局部三维点云图中选定多个特征点，得到初步融合的局部三维点云图对应的第一同名特征点集
Figure 551332DEST_PATH_IMAGE008
；
针对所述第一同名特征点集
Figure 458108DEST_PATH_IMAGE008
中的每一个特征点，利用Kd-tree算法在所述底图中搜索最接近点作为对应的同名特征点，得到所述底图对应的第二同名特征点集
Figure 737779DEST_PATH_IMAGE009
。
其中，可选定一些角点、特殊标记点（例如可在矿区中设置一些球状标记物、尖角状标记物等，以球状标记物的中心、尖角状标记物的尖点为特殊标记点）等点为特征点。Kd-tree算法为现有技术，能够比较准确第搜索到对应的同名特征点，此处不对其详细步骤进行描述。
在一些优选实施方式中，步骤A5之后，还包括步骤：
对融合得到全局三维点云图进行点云滤波降噪处理。
以进一步提高全局三维点云图的精确性。
综上所述，虽然本发明已以优选实施例揭露如上，但上述优选实施例并非用以限制本发明，本领域的普通技术佩戴人员，在不脱离本发明的精神和范围内，均可作各种更动与润饰，其方案与本发明实质上相同。

Claims (10)

1.一种矿区三维地图构建系统，其特征在于，包括无人机、矿车和多个路侧感知端，所述无人机、矿车和路侧感知端均包括激光雷达、差分GNSS导航设备、IMU惯性测量单元；
所述无人机用于通过对应的激光雷达、差分GNSS导航设备、IMU惯性测量单元获取矿区全局的三维点云图作为底图，并发送至所述矿车；
所述路侧感知端设置在矿区道路的路侧，并用于通过对应的激光雷达、差分GNSS导航设备、IMU惯性测量单元获取路侧感知端所在区域的第一局部三维点云图，并发送至所述矿车；
所述矿车用于通过对应的激光雷达、差分GNSS导航设备、IMU惯性测量单元获取矿车所在区域的第二局部三维点云图，把所述第一局部三维点云图和所述第二局部三维点云图进行融合，得到初步融合的局部三维点云图，然后把所述初步融合的局部三维点云图与所述底图进行融合得到融合的全局三维点云图。
2.根据权利要求1所述的矿区三维地图构建系统，其特征在于，所述无人机、矿车和路侧感知端在通过对应的激光雷达、差分GNSS导航设备、IMU惯性测量单元获取对应的三维点云图的时候：
用激光雷达获取扫描点在激光雷达坐标系中的坐标；
根据以下公式计算所述扫描点在地心直角坐标系中的坐标：
Figure 190238DEST_PATH_IMAGE001
；
其中，
Figure 897163DEST_PATH_IMAGE002
为扫描点在地心直角坐标系中的坐标，
Figure 25656DEST_PATH_IMAGE003
为对应的IMU惯性测量单元中心在地心直角坐标系中的坐标，
Figure 594172DEST_PATH_IMAGE004
为对应的IMU惯性测量单元坐标系至地心直角坐标系的旋转矩阵，
Figure 390089DEST_PATH_IMAGE005
为所述激光雷达的激光雷达坐标系中心到所述IMU惯性测量单元中心的偏置在所述IMU惯性测量单元坐标系中的分量，
Figure 267915DEST_PATH_IMAGE006
为所述激光雷达坐标系到所述IMU惯性测量单元坐标系的旋转矩阵，
Figure 883704DEST_PATH_IMAGE007
为所述扫描点在所述激光雷达坐标系中的坐标。
3.根据权利要求2所述的矿区三维地图构建系统，其特征在于，所述矿车在把所述第一局部三维点云图和所述第二局部三维点云图进行融合的时候：
基于各点在地心直角坐标系中的坐标，对所述第一局部三维点云图和所述第二局部三维点云图进行拼接。
4.根据权利要求1所述的矿区三维地图构建系统，其特征在于，所述矿车在把所述初步融合的局部三维点云图与所述底图进行融合得到融合的全局三维点云图的时候：
采用基于ICP算法的点云匹配方式对所述初步融合的局部三维点云图与所述底图进行点云拼接。
5.根据权利要求4所述的矿区三维地图构建系统，其特征在于，所述矿车在采用基于ICP算法的点云匹配方式对所述初步融合的局部三维点云图与所述底图进行点云拼接的时候，执行以下步骤：
C1.选定所述初步融合的局部三维点云图和所述底图的同名特征点，得到初步融合的局部三维点云图对应的第一同名特征点集
Figure 754446DEST_PATH_IMAGE008
和底图对应的第二同名特征点集
Figure 263925DEST_PATH_IMAGE009
；
C2.重复执行以下迭代过程，直到误差
Figure 188019DEST_PATH_IMAGE010
小于预设的阈值：
使第一同名特征点集的中心点和所述第二同名特征点集
Figure 432049DEST_PATH_IMAGE009
的中心点重合，并计算重合操作中第一同名特征点集的中心点的平移向量
Figure 201422DEST_PATH_IMAGE011
；
针对第一同名特征点集中的每一点，在第二同名特征点集
Figure 830987DEST_PATH_IMAGE009
中搜索其空间最近邻点，以建立对应关系，并计算最近点之间的旋转矩阵；
根据以下公式计算总旋转矩阵、旋转向量和第n次迭代处理的旋转后的第一同名特征点集：
Figure 925982DEST_PATH_IMAGE012
；
其中，
Figure 893194DEST_PATH_IMAGE013
为总旋转矩阵，
Figure 731837DEST_PATH_IMAGE014
为第i次迭代处理中计算得到的最近点之间的旋转矩阵，
Figure 215908DEST_PATH_IMAGE015
为旋转向量，
Figure 357170DEST_PATH_IMAGE016
为第n次迭代处理的旋转后的第一同名特征点集，
Figure 434848DEST_PATH_IMAGE008
为初始的第一同名特征点集；
通过以下公式计算误差
Figure 936236DEST_PATH_IMAGE010
：
Figure 415759DEST_PATH_IMAGE017
；
其中，
Figure 960879DEST_PATH_IMAGE018
为
Figure 525853DEST_PATH_IMAGE019
中的第i个点的位置，
Figure 830932DEST_PATH_IMAGE020
为第二同名特征点集
Figure 430541DEST_PATH_IMAGE009
中的第i个点的位置；
判断所述误差
Figure 913606DEST_PATH_IMAGE010
是否小于预设的阈值；
C3.根据以下公式对所述初步融合的局部三维点云图的各点进行转换处理，并用转换处理后的初步融合的局部三维点云图与所述底图进行拼接：
Figure 559351DEST_PATH_IMAGE021
；
其中，
Figure 543487DEST_PATH_IMAGE022
为转换处理后的初步融合的局部三维点云图中的i个点的位置，
Figure 374433DEST_PATH_IMAGE023
为转换处理前的初步融合的局部三维点云图中的i个点的位置。
6.根据权利要求5所述的矿区三维地图构建系统，其特征在于，步骤C1包括：
在所述初步融合的局部三维点云图中选定多个特征点，得到初步融合的局部三维点云图对应的第一同名特征点集
Figure 887454DEST_PATH_IMAGE008
；
针对所述第一同名特征点集
Figure 286074DEST_PATH_IMAGE008
中的每一个特征点，利用Kd-tree算法在所述底图中搜索最接近点作为对应的同名特征点，得到所述底图对应的第二同名特征点集
Figure 808323DEST_PATH_IMAGE009
。
7.一种矿区三维地图构建方法，其特征在于，包括步骤：
A1.获取由无人机通过设置在所述无人机上的激光雷达、差分GNSS导航设备、IMU惯性测量单元获得的矿区全局的三维点云图作为底图；
A2.获取由路侧感知端通过设置在所述路侧感知端上的激光雷达、差分GNSS导航设备、IMU惯性测量单元获得的路侧感知端所在区域的第一局部三维点云图；所述路侧感知端设置在矿区道路的路侧；
A3.获取由矿车通过设置在所述矿车上的激光雷达、差分GNSS导航设备、IMU惯性测量单元获得的矿车所在区域的第二局部三维点云图；
A4.把所述第一局部三维点云图和所述第二局部三维点云图进行融合，得到初步融合的局部三维点云图；
A5.把所述初步融合的局部三维点云图与所述底图进行融合得到融合的全局三维点云图。
8.根据权利要求7所述的矿区三维地图构建方法，其特征在于，步骤A4包括：
基于各点在地心直角坐标系中的坐标，对所述第一局部三维点云图和所述第二局部三维点云图进行拼接。
9.根据权利要求7所述的矿区三维地图构建方法，其特征在于，步骤A5包括：
采用基于ICP算法的点云匹配方式对所述初步融合的局部三维点云图与所述底图进行点云拼接。
10.根据权利要求9所述的矿区三维地图构建方法，其特征在于，所述采用基于ICP算法的点云匹配方式对所述初步融合的局部三维点云图与所述底图进行点云拼接的步骤包括：
C1.选定所述初步融合的局部三维点云图和所述底图的同名特征点，得到初步融合的局部三维点云图对应的第一同名特征点集
Figure 992310DEST_PATH_IMAGE008
和底图对应的第二同名特征点集
Figure 941812DEST_PATH_IMAGE009
；
C2.重复执行以下迭代过程，直到误差
Figure 93308DEST_PATH_IMAGE010
小于预设的阈值：
使第一同名特征点集的中心点和所述第二同名特征点集
Figure 261990DEST_PATH_IMAGE009
的中心点重合，并计算重合操作中第一同名特征点集的中心点的平移向量
Figure 690697DEST_PATH_IMAGE024
；
针对第一同名特征点集中的每一点，在第二同名特征点集
Figure 935733DEST_PATH_IMAGE009
中搜索其空间最近邻点，以建立对应关系，并计算最近点之间的旋转矩阵；
根据以下公式计算总旋转矩阵、旋转向量和第n次迭代处理的旋转后的第一同名特征点集：
Figure 184312DEST_PATH_IMAGE012
；
其中，
Figure 923729DEST_PATH_IMAGE013
为总旋转矩阵，
Figure 941364DEST_PATH_IMAGE014
为第i次迭代处理中计算得到的最近点之间的旋转矩阵，
Figure 357302DEST_PATH_IMAGE015
为旋转向量，
Figure 93176DEST_PATH_IMAGE016
为第n次迭代处理的旋转后的第一同名特征点集，
Figure 461968DEST_PATH_IMAGE008
为初始的第一同名特征点集；
通过以下公式计算误差
Figure 458743DEST_PATH_IMAGE010
：
Figure 920948DEST_PATH_IMAGE017
；
其中，
Figure 19485DEST_PATH_IMAGE018
为
Figure 490918DEST_PATH_IMAGE019
中的第i个点的位置，
Figure 342199DEST_PATH_IMAGE020
为第二同名特征点集
Figure 975306DEST_PATH_IMAGE009
中的第i个点的位置；
判断所述误差
Figure 59674DEST_PATH_IMAGE010
是否小于预设的阈值；
C3.根据以下公式对所述初步融合的局部三维点云图的各点进行转换处理，并用转换处理后的初步融合的局部三维点云图与所述底图进行拼接：
Figure 69219DEST_PATH_IMAGE021
；
其中，
Figure 775006DEST_PATH_IMAGE022
为转换处理后的初步融合的局部三维点云图中的i个点的位置，
Figure 719960DEST_PATH_IMAGE023
为转换处理前的初步融合的局部三维点云图中的i个点的位置。
CN202110920940.2A 2021-08-11 2021-08-11 矿区三维地图构建系统和方法 Pending CN113706702A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110920940.2A CN113706702A (zh) 2021-08-11 2021-08-11 矿区三维地图构建系统和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110920940.2A CN113706702A (zh) 2021-08-11 2021-08-11 矿区三维地图构建系统和方法

Publications (1)

Publication Number Publication Date
CN113706702A true CN113706702A (zh) 2021-11-26

Family

ID=78652351

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110920940.2A Pending CN113706702A (zh) 2021-08-11 2021-08-11 矿区三维地图构建系统和方法

Country Status (1)

Country Link
CN (1) CN113706702A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115221260A (zh) * 2022-07-18 2022-10-21 小米汽车科技有限公司 数据处理方法、装置、车辆及存储介质
WO2023123837A1 (zh) * 2021-12-30 2023-07-06 广州小鹏自动驾驶科技有限公司 地图的生成方法、装置、电子设备及存储介质
CN117518197A (zh) * 2024-01-08 2024-02-06 太原理工大学 煤矿井下掘进巷道的轮廓标示方法
CN117706563A (zh) * 2024-02-05 2024-03-15 中南大学 矿井垂直断面钻孔定位方法、系统、设备及存储介质

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023123837A1 (zh) * 2021-12-30 2023-07-06 广州小鹏自动驾驶科技有限公司 地图的生成方法、装置、电子设备及存储介质
CN115221260A (zh) * 2022-07-18 2022-10-21 小米汽车科技有限公司 数据处理方法、装置、车辆及存储介质
CN115221260B (zh) * 2022-07-18 2024-02-09 小米汽车科技有限公司 数据处理方法、装置、车辆及存储介质
CN117518197A (zh) * 2024-01-08 2024-02-06 太原理工大学 煤矿井下掘进巷道的轮廓标示方法
CN117518197B (zh) * 2024-01-08 2024-03-26 太原理工大学 煤矿井下掘进巷道的轮廓标示方法
CN117706563A (zh) * 2024-02-05 2024-03-15 中南大学 矿井垂直断面钻孔定位方法、系统、设备及存储介质
CN117706563B (zh) * 2024-02-05 2024-05-07 中南大学 矿井垂直断面钻孔定位方法、系统、设备及存储介质

Similar Documents

Publication Publication Date Title
CN110057373B (zh) 用于生成高精细语义地图的方法、装置和计算机存储介质
EP3519770B1 (en) Methods and systems for generating and using localisation reference data
CN113706702A (zh) 矿区三维地图构建系统和方法
EP3332218B1 (en) Methods and systems for generating and using localisation reference data
US20200232800A1 (en) Method and apparatus for enabling sequential groundview image projection synthesis and complicated scene reconstruction at map anomaly hotspot
US20130010074A1 (en) Measurement apparatus, measurement method, and feature identification apparatus
CN110411457B (zh) 基于行程感知与视觉融合的定位方法、系统、终端和存储介质
CN112346463B (zh) 一种基于速度采样的无人车路径规划方法
Jende et al. A fully automatic approach to register mobile mapping and airborne imagery to support the correction of platform trajectories in GNSS-denied urban areas
CN113834492A (zh) 地图匹配方法、系统、设备及可读存储介质
US11579622B2 (en) Systems and methods for utilizing images to determine the position and orientation of a vehicle
EP3452780B1 (en) A method for improving position information associated with a collection of images

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