CN114046787A - 基于传感器的位姿优化方法、装置、设备及存储介质 - Google Patents
基于传感器的位姿优化方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114046787A CN114046787A CN202111270002.9A CN202111270002A CN114046787A CN 114046787 A CN114046787 A CN 114046787A CN 202111270002 A CN202111270002 A CN 202111270002A CN 114046787 A CN114046787 A CN 114046787A
- Authority
- CN
- China
- Prior art keywords
- pose
- initial
- sequence
- optimization
- sensor
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 143
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000003860 storage Methods 0.000 title claims abstract description 23
- 238000009499 grossing Methods 0.000 claims abstract description 47
- 238000005259 measurement Methods 0.000 claims abstract description 13
- 230000002159 abnormal effect Effects 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
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
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
-
- 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
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
- G01C21/1652—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments with ranging devices, e.g. LIDAR or RADAR
-
- 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
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
-
- 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
- G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
-
- 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
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/53—Determining attitude
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Traffic Control Systems (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明涉及无人驾驶技术领域,公开了基于传感器的位姿优化方法、装置、设备及存储介质,用于当车辆处于弱信号场景时,对获取的位姿信息进行优化,提高位姿信息的准确性。方法包括:根据预置的约束条件利用多个传感器进行数据采集,得到初始数据包,其中,初始数据包携带有预置时段内的多帧传感器数据,每帧传感器数据中包括轮速计、全球定位系统GPS模块和惯性测量单元IMU所采集的数据;对初始数据包进行平滑处理,得到初始位姿序列,初始位姿序列包括每一帧传感器数据对应的初始位姿;通过预置的激光雷达LiDAR和预置的摄像模块对初始位姿序列进行平滑处理,得到目标位姿序列;对目标位姿序列进行图优化,得到优化后的位姿序列。
Description
技术领域
本发明涉及无人驾驶技术领域,尤其涉及一种基于传感器的位姿优化方法、装置、设备及存储介质。
背景技术
随着人工智能的快速发展,人工智能在无人驾驶方面应用得越来越多,而无人驾驶需要准确的地图信息,如何得到准确的点云地图是关注的重点。
现有方案主要通过车辆上预先安装的全球定位系统(global positioningsystem,GPS)模块获取车辆在不同区域的位姿信息。
但是,当车辆处于信号不好的区域时,GPS模块不能及时与卫星系统传输信息,获取到的位姿信息不准确。
发明内容
本发明提供了一种基于传感器的位姿优化方法、装置、设备及存储介质,用于当车辆处于弱信号场景时,对获取的位姿信息进行优化,提高位姿信息的准确性。
本发明实施例的第一方面提供一种基于传感器的位姿优化方法,包括:根据预置的约束条件利用多个传感器进行数据采集,得到初始数据包,其中,所述初始数据包携带有预置时段内的多帧传感器数据,每帧传感器数据中包括轮速计、全球定位系统GPS模块和惯性测量单元IMU所采集的数据;对所述初始数据包进行平滑处理,得到初始位姿序列,所述初始位姿序列包括每一帧传感器数据对应的初始位姿;通过预置的激光雷达LiDAR和预置的摄像模块对所述初始位姿序列进行平滑处理,得到目标位姿序列;对所述目标位姿序列进行图优化,得到优化后的位姿序列。
在一种可行的实施方式中,所述通过预置的激光雷达LiDAR和预置的摄像模块对所述初始位姿序列进行平滑处理,得到目标位姿序列,包括:通过预置的激光雷达LiDAR和预置的摄像模块分别获取所述多帧传感器数据对应的雷达观测信息和摄像观测信息,所述雷达观测信息用于指示所述LiDAR测量的两帧传感器数据之间的相对位姿信息,所述摄像观测信息用于指示所述摄像模块测量的两帧传感器数据之间的相对位姿信息;根据所述雷达观测信息和所述摄像观测信息对所述初始位姿序列中的初始位姿进行平滑优化,得到目标位姿序列。
在一种可行的实施方式中,所述根据所述雷达观测信息和所述摄像观测信息对所述初始位姿序列中的初始位姿进行平滑优化,得到目标位姿序列,包括:根据所述雷达观测信息和所述摄像观测信息对所述初始位姿序列中的初始位姿进行相对位姿优化,得到候选位姿序列;根据预置的GPS绝对位姿信息对所述候选位姿序列进行绝对位姿优化,得到目标位姿序列。
在一种可行的实施方式中,所述根据所述雷达观测信息和所述摄像观测信息对所述初始位姿序列中的初始位姿进行相对位姿优化,得到候选位姿序列,包括:在所述初始位姿序列中确定任一初始位姿作为当前位姿;根据所述雷达观测信息和所述摄像观测信息对所述当前位姿进行平滑优化,得到目标位姿;根据所述雷达观测信息和所述摄像观测信息对所述初始位姿序列中剩余的多个初始位姿进行平滑优化,得到多个优化的位姿;根据所述目标位姿和所述多个优化的位姿确定候选位姿序列。
在一种可行的实施方式中,所述根据所述雷达观测信息和所述摄像观测信息对所述当前位姿进行优化,得到目标位姿,包括:根据所述当前位姿确定对应的当前帧;在所述多帧传感器数据中选择所述当前帧的n个相邻帧,所述n个相邻帧包括时刻早于所述当前帧的连续n个数据帧;将所述当前帧分别与所述n个相邻帧进行匹配,得到多个匹配结果,所述匹配结果包括匹配的相邻帧及对应的匹配位姿;从所述雷达观测信息和所述摄像观测信息中分别选择与所述多个匹配结果对应的第一相对位姿集合和第二相对位姿集合;根据所述第一相对位姿集合、所述第二相对位姿集合以及所述多个匹配结果对应的传感器数据对所述当前位姿进行优化,得到目标位姿。
在一种可行的实施方式中,在所述将所述当前帧分别与所述n个相邻帧进行匹配,得到多个匹配结果,所述匹配结果包括匹配的相邻帧及对应的匹配位姿之后,还包括:计算每个匹配结果的置信度,得到多个匹配置信度;将所述多个匹配置信度和所述当前帧对应的传感器数据置信度确定为协方差矩阵的元素;计算所述协方差矩阵的矩阵值,并将所述矩阵值确定为融合置信度。
在一种可行的实施方式中,所述根据预置的GPS绝对位姿信息对所述候选位姿序列进行绝对位姿优化,得到目标位姿序列,包括:获取预置的GPS绝对位姿信息;将所述候选位姿序列中各个候选位姿与所述GPS绝对位姿信息进行对比,得到各个候选位姿的偏移量;根据所述各个候选位姿的偏移量判断是否存在异常位姿,所述异常位姿为偏移量超过阈值的位姿;从所述候选位姿序列中删除所述异常位姿,得到目标位姿序列。
在一种可行的实施方式中,所述对所述目标位姿序列进行图优化,得到优化后的位姿序列,包括:根据所述目标位姿序列中的各个目标位姿和帧间相对位姿关系构建初始图的顶点和边;对所述初始图进行回环检测并加边,得到目标图;对所述目标图进行图优化,得到优化后的图;基于所述优化后的图确定优化后的位姿序列。
本发明实施例的第二方面提供了一种基于传感器的位姿优化装置,包括:采集模块,用于根据预置的约束条件利用多个传感器进行数据采集,得到初始数据包,其中,所述初始数据包携带有预置时段内的多帧传感器数据,每帧传感器数据中包括轮速计、全球定位系统GPS模块和惯性测量单元IMU所采集的数据;第一平滑模块,用于对所述初始数据包进行平滑处理,得到初始位姿序列,所述初始位姿序列包括每一帧传感器数据对应的初始位姿;第二平滑模块,用于通过预置的激光雷达LiDAR和预置的摄像模块对所述初始位姿序列进行平滑处理,得到目标位姿序列;图优化模块,用于对所述目标位姿序列进行图优化,得到优化后的位姿序列。
在一种可行的实施方式中,第二平滑模块包括:获取子模块,用于通过预置的激光雷达LiDAR和预置的摄像模块分别获取所述多帧传感器数据对应的雷达观测信息和摄像观测信息,所述雷达观测信息用于指示所述LiDAR测量的两帧传感器数据之间的相对位姿信息,所述摄像观测信息用于指示所述摄像模块测量的两帧传感器数据之间的相对位姿信息;平滑优化子模块,用于根据所述雷达观测信息和所述摄像观测信息对所述初始位姿序列中的初始位姿进行平滑优化,得到目标位姿序列。
在一种可行的实施方式中,所述平滑优化子模块包括:相对优化单元,用于根据所述雷达观测信息和所述摄像观测信息对所述初始位姿序列中的初始位姿进行相对位姿优化,得到候选位姿序列;绝对优化单元,用于根据预置的GPS绝对位姿信息对所述候选位姿序列进行绝对位姿优化,得到目标位姿序列。
在一种可行的实施方式中,所述相对优化单元包括:第一确定子单元,用于在所述初始位姿序列中确定任一初始位姿作为当前位姿;第一平滑子单元,用于根据所述雷达观测信息和所述摄像观测信息对所述当前位姿进行平滑优化,得到目标位姿;第二平滑子单元,用于根据所述雷达观测信息和所述摄像观测信息对所述初始位姿序列中剩余的多个初始位姿进行平滑优化,得到多个优化的位姿;第二确定子单元,用于根据所述目标位姿和所述多个优化的位姿确定候选位姿序列。
在一种可行的实施方式中,所述第一平滑子单元具体用于:根据所述当前位姿确定对应的当前帧;在所述多帧传感器数据中选择所述当前帧的n个相邻帧,所述n个相邻帧包括时刻早于所述当前帧的连续n个数据帧;将所述当前帧分别与所述n个相邻帧进行匹配,得到多个匹配结果,所述匹配结果包括匹配的相邻帧及对应的匹配位姿;从所述雷达观测信息和所述摄像观测信息中分别选择与所述多个匹配结果对应的第一相对位姿集合和第二相对位姿集合;根据所述第一相对位姿集合、所述第二相对位姿集合以及所述多个匹配结果对应的传感器数据对所述当前位姿进行优化,得到目标位姿。
在一种可行的实施方式中,所述第一平滑子单元具体还用于:计算每个匹配结果的置信度,得到多个匹配置信度;将所述多个匹配置信度和所述当前帧对应的传感器数据置信度确定为协方差矩阵的元素;计算所述协方差矩阵的矩阵值,并将所述矩阵值确定为融合置信度。
在一种可行的实施方式中,所述绝对优化单元具体用于:获取预置的GPS绝对位姿信息;将所述候选位姿序列中各个候选位姿与所述GPS绝对位姿信息进行对比,得到各个候选位姿的偏移量;根据所述各个候选位姿的偏移量判断是否存在异常位姿,所述异常位姿为偏移量超过阈值的位姿;从所述候选位姿序列中删除所述异常位姿,得到目标位姿序列。
在一种可行的实施方式中,图优化模块具体用于:根据所述目标位姿序列中的各个目标位姿和帧间相对位姿关系构建初始图的顶点和边;对所述初始图进行回环检测并加边,得到目标图;对所述目标图进行图优化,得到优化后的图;基于所述优化后的图确定优化后的位姿序列。
本发明实施例的第三方面提供了一种基于传感器的位姿优化设备,所述基于传感器的位姿优化设备包括存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述基于传感器的位姿优化设备执行上述的基于传感器的位姿优化方法。
本发明的第四方面提供了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指令,当其在计算机上运行时,使得计算机执行上述的基于传感器的位姿优化方法。
本发明实施例提供的技术方案中,根据预置的约束条件利用多个传感器进行数据采集,得到初始数据包,其中,初始数据包携带有预置时段内的多帧传感器数据,每帧传感器数据中包括轮速计、全球定位系统GPS模块和惯性测量单元IMU所采集的数据;对初始数据包进行平滑处理,得到初始位姿序列,初始位姿序列包括每一帧传感器数据对应的初始位姿;通过预置的激光雷达LiDAR和预置的摄像模块对初始位姿序列进行平滑处理,得到目标位姿序列;对目标位姿序列进行图优化,得到优化后的位姿序列。本发明实施例中,当车辆处于弱信号场景时,先对获取到的位姿信息进行第一次平滑优化,得到初始位姿序列,然后通过激光雷达LiDAR和摄像模块对初始位姿序列进行第二次平滑优化得到目标位姿序列,然后对目标位姿序列进行第三次图优化,提高了优化后的位姿序列中每个位姿的准确性。
附图说明
图1为本发明实施例中基于传感器的位姿优化方法的一个实施例示意图;
图2为本发明实施例中基于传感器的位姿优化方法的另一个实施例示意图;
图3为本发明实施例中基于传感器的位姿优化方法的另一个实施例示意图;
图4为本发明实施例中基于传感器的位姿优化装置的一个实施例示意图;
图5为本发明实施例中基于传感器的位姿优化设备的一个实施例示意图。
具体实施方式
本发明提供了一种基于传感器的位姿优化方法、装置、设备及存储介质,用于当车辆处于弱信号场景时,对获取到的位姿信息进行优化,提高位姿信息的准确性。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,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。
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、机器人技术、生物识别技术、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。
请参阅图1,本发明实施例提供的基于传感器的位姿优化方法的流程图,具体包括:
101、根据预置的约束条件利用多个传感器进行数据采集,得到初始数据包,其中,初始数据包携带有预置时段内的多帧传感器数据,每帧传感器数据中包括轮速计、全球定位系统GPS模块和惯性测量单元IMU所采集的数据。
本发明实施例中,执行主体可以是基于传感器的位姿优化设备,或者是车辆终端或者是服务器,本发明实施例以车辆终端为例进行说明。
作为示例而非限定的是,车辆终端在预置的约束条件下,通过安装在车辆终端上的多个传感器进行车辆及周围环境的数据采集,并以数据包的形式将采集到的数据传输至车辆终端。其中,预置的约束条件包括道路约束条件、和/或信号约束条件,道路约束条件为车辆终端行驶在隧道、桥梁、匝道、立交等特殊道路,信号约束条件为车辆终端行驶在预设区间内GPS信号强度小于预设值,且预设区间的端点GPS信号强度大于或等于预设值,例如,在车辆终端通过一个隧道时,隧道的入口和出口处的GPS信号强度小于预设值,但是隧道内的GPS信号强度大于或等于预设值,此时可以对隧道内采集的传感器数据进行提取。
可以理解的是,车辆终端上的传感器至少包括了轮速计、全球定位系统GPS模块和惯性测量单元IMU,还可以包括其他传感器采集的数据以提高获取的车辆位姿的准确性,具体此处不做限定,同时,车辆终端上还安装有激光雷达LiDAR和预置的摄像模块,例如相机。
需要说明的是,预置时段可以根据实际需要进行设置,例如,可以设置10帧传感器数据作为一个数据包,还可以是设置为其他帧数,例如,20帧或30帧,具体此处不做限定。
102、对初始数据包进行平滑处理,得到初始位姿序列,初始位姿序列包括每一帧传感器数据对应的初始位姿。
作为示例而非限定的是,车辆终端对初始数据包进行平滑处理,得到初始位姿序列,初始位姿序列包括每一帧传感器数据对应的初始位姿。其中,本实施例中,车辆终端利用RTS-Smoother对初始数据包中GPS数据、IMU数据和轮速计数据进行整体的平滑处理,得到每一帧对应的一个初始位姿。
103、通过预置的激光雷达LiDAR和预置的摄像模块对初始位姿序列进行平滑处理,得到目标位姿序列。
车辆终端通过预置的激光雷达LiDAR和预置的摄像模块对初始位姿序列进行平滑处理,得到目标位姿序列。
其中,激光雷达LiDAR会在每一帧进行数据采集,得到对应每一帧的车辆终端的雷达位姿,摄像模块也会在每一帧进行图像拍摄,得到对应每一帧的车辆终端的摄像位姿。将GPS数据、IMU数据、轮速计数据与雷达位姿、摄像位姿进行融合,依据融合后的位姿数据对初始位姿序列中的各个初始位姿进行校正,从而得到目标位姿序列。
104、对目标位姿序列进行图优化,得到优化后的位姿序列。
具体的,车辆终端再次对目标位姿序列进行图优化,得到优化后的位姿序列。其中,车辆终端利用各个传感器之间相互的依赖关系对目标位姿序列再次进行图优化,减少了累计误差,进而提高了获取的车辆终端在预设时段内位姿的准确性。
本发明实施例中,当车辆处于弱信号场景时,先对获取到的位姿信息进行第一次平滑优化,得到初始位姿序列,然后通过激光雷达LiDAR和摄像模块对初始位姿序列进行第二次平滑优化得到目标位姿序列,然后对目标位姿序列进行第三次图优化,提高了优化后的位姿序列中每个位姿的准确性。
请参阅图2,本发明实施例提供的基于传感器的位姿优化方法的另一个流程图,具体包括:
201、根据预置的约束条件利用多个传感器进行数据采集,得到初始数据包,其中,初始数据包携带有预置时段内的多帧传感器数据,每帧传感器数据中包括轮速计、全球定位系统GPS模块和惯性测量单元IMU所采集的数据。
本发明实施例中,执行主体可以是基于传感器的位姿优化设备,或者是车辆终端或者是服务器,本发明实施例以车辆终端为例进行说明。
作为示例而非限定的是,车辆终端在预置的约束条件下,通过安装在车辆终端上的多个传感器进行车辆及周围环境的数据采集,并以数据包的形式将采集到的数据传输至车辆终端。其中,预置的约束条件包括道路约束条件、和/或信号约束条件,道路约束条件为车辆终端行驶在隧道、桥梁、匝道、立交等特殊道路,信号约束条件为车辆终端行驶在预设区间内GPS信号强度小于预设值,且预设区间的端点GPS信号强度大于或等于预设值,例如,在车辆终端通过一个隧道时,隧道的入口和出口处的GPS信号强度小于预设值,但是隧道内的GPS信号强度大于或等于预设值,此时可以对隧道内采集的传感器数据进行提取。
可以理解的是,车辆终端上的传感器至少包括了轮速计、全球定位系统GPS模块和惯性测量单元IMU,还可以包括其他传感器采集的数据以提高获取的车辆位姿的准确性,具体此处不做限定,同时,车辆终端上还安装有激光雷达LiDAR和预置的摄像模块,例如相机。
需要说明的是,预置时段可以根据实际需要进行设置,例如,可以设置10帧传感器数据作为一个数据包,还可以是设置为其他帧数,例如,20帧或30帧,具体此处不做限定。
202、对初始数据包进行平滑处理,得到初始位姿序列,初始位姿序列包括每一帧传感器数据对应的初始位姿。
作为示例而非限定的是,车辆终端对初始数据包进行平滑处理,得到初始位姿序列,初始位姿序列包括每一帧传感器数据对应的初始位姿。其中,本实施例中,车辆终端利用RTS-Smoother对初始数据包中GPS数据、IMU数据和轮速计数据进行整体的平滑处理,得到每一帧对应的一个初始位姿。
203、通过预置的激光雷达LiDAR和预置的摄像模块分别获取多帧传感器数据对应的雷达观测信息和摄像观测信息,雷达观测信息用于指示LiDAR测量的两帧传感器数据之间的相对位姿信息,摄像观测信息用于指示摄像模块测量的两帧传感器数据之间的相对位姿信息。
其中,激光雷达LiDAR会在每一帧进行数据采集,得到对应每一帧的车辆终端的雷达位姿,摄像模块也会在每一帧进行图像拍摄,得到对应每一帧的车辆终端的摄像位姿。
204、根据雷达观测信息和摄像观测信息对初始位姿序列中的初始位姿进行平滑优化,得到目标位姿序列。
具体的,车辆终端根据雷达观测信息和摄像观测信息对初始位姿序列中的初始位姿进行相对位姿优化,得到候选位姿序列;车辆终端根据预置的GPS绝对位姿信息对候选位姿序列进行绝对位姿优化,得到目标位姿序列。
205、对目标位姿序列进行图优化,得到优化后的位姿序列。
具体的,车辆终端再次对目标位姿序列进行图优化,得到优化后的位姿序列。其中,车辆终端利用各个传感器之间相互的依赖关系对目标位姿序列再次进行图优化,减少了累计误差,进而提高了获取的车辆终端在预设时段内位姿的准确性。
本发明实施例中,当车辆处于弱信号场景时,先对获取到的位姿信息进行第一次平滑优化,得到初始位姿序列,然后通过激光雷达LiDAR和摄像模块对初始位姿序列进行第二次平滑优化得到目标位姿序列,然后对目标位姿序列进行第三次图优化,提高了优化后的位姿序列中每个位姿的准确性。
请参阅图3,本发明实施例提供的基于传感器的位姿优化方法的另一个流程图,具体包括:
301、根据预置的约束条件利用多个传感器进行数据采集,得到初始数据包,其中,初始数据包携带有预置时段内的多帧传感器数据,每帧传感器数据中包括轮速计、全球定位系统GPS模块和惯性测量单元IMU所采集的数据。
本发明实施例中,执行主体可以是基于传感器的位姿优化设备,或者是车辆终端或者是服务器,本发明实施例以车辆终端为例进行说明。
作为示例而非限定的是,车辆终端在预置的约束条件下,通过安装在车辆终端上的多个传感器进行车辆及周围环境的数据采集,并以数据包的形式将采集到的数据传输至车辆终端。其中,预置的约束条件包括道路约束条件、和/或信号约束条件,道路约束条件为车辆终端行驶在隧道、桥梁、匝道、立交等特殊道路,信号约束条件为车辆终端行驶在预设区间内GPS信号强度小于预设值,且预设区间的端点GPS信号强度大于或等于预设值,例如,在车辆终端通过一个隧道时,隧道的入口和出口处的GPS信号强度小于预设值,但是隧道内的GPS信号强度大于或等于预设值,此时可以对隧道内采集的传感器数据进行提取。
可以理解的是,车辆终端上的传感器至少包括了轮速计、全球定位系统GPS模块和惯性测量单元IMU,还可以包括其他传感器采集的数据以提高获取的车辆位姿的准确性,具体此处不做限定,同时,车辆终端上还安装有激光雷达LiDAR和预置的摄像模块,例如相机。
需要说明的是,预置时段可以根据实际需要进行设置,例如,可以设置10帧传感器数据作为一个数据包,还可以是设置为其他帧数,例如,20帧或30帧,具体此处不做限定。
302、对初始数据包进行平滑处理,得到初始位姿序列,初始位姿序列包括每一帧传感器数据对应的初始位姿。
作为示例而非限定的是,车辆终端对初始数据包进行平滑处理,得到初始位姿序列,初始位姿序列包括每一帧传感器数据对应的初始位姿。其中,本实施例中,车辆终端利用RTS-Smoother对初始数据包中GPS数据、IMU数据和轮速计数据进行整体的平滑处理,得到每一帧对应的一个初始位姿。
303、通过预置的激光雷达LiDAR和预置的摄像模块分别获取多帧传感器数据对应的雷达观测信息和摄像观测信息,雷达观测信息用于指示LiDAR测量的两帧传感器数据之间的相对位姿信息,摄像观测信息用于指示摄像模块测量的两帧传感器数据之间的相对位姿信息。
其中,激光雷达LiDAR会在每一帧进行数据采集,得到对应每一帧的车辆终端的雷达位姿,摄像模块也会在每一帧进行图像拍摄,得到对应每一帧的车辆终端的摄像位姿。
304、根据雷达观测信息和摄像观测信息对初始位姿序列中的初始位姿进行相对位姿优化,得到候选位姿序列。
具体的,车辆终端在初始位姿序列中确定任一初始位姿作为当前位姿;车辆终端根据雷达观测信息和摄像观测信息对当前位姿进行平滑优化,得到目标位姿;车辆终端根据雷达观测信息和摄像观测信息对初始位姿序列中剩余的多个初始位姿进行平滑优化,得到多个优化的位姿;车辆终端根据目标位姿和多个优化的位姿确定候选位姿序列。本实施例中,将GPS数据、IMU数据、轮速计数据与雷达位姿、摄像位姿进行融合,依据融合后的位姿数据对初始位姿序列中的各个初始位姿进行校正,从而得到目标位姿序列,提高了目标位姿序列中各个位姿的准确性。
在一种可行的实施方式中,车辆终端根据雷达观测信息和摄像观测信息对当前位姿进行优化,得到目标位姿,包括:
车辆终端根据当前位姿确定对应的当前帧;车辆终端在多帧传感器数据中选择当前帧的n个相邻帧,n个相邻帧包括时刻早于当前帧的连续n个数据帧;车辆终端将当前帧分别与n个相邻帧进行匹配,得到多个匹配结果,匹配结果包括匹配的相邻帧及对应的匹配位姿;车辆终端从雷达观测信息和摄像观测信息中分别选择与多个匹配结果对应的第一相对位姿集合和第二相对位姿集合;车辆终端根据第一相对位姿集合、第二相对位姿集合以及多个匹配结果对应的传感器数据对当前位姿进行优化,得到目标位姿。雷达观测信息中包括了任意两帧之间相对位姿关系,而第一相对位姿集合中只包括了LiDAR从匹配的相邻帧对当前帧进行观测得到的相对位姿关系,当存在多个匹配的相邻帧时,相对位姿关系数量也为多个,组成第一相对位姿集合。同理,第二相对位姿集合中包括了摄像模块从匹配的相邻帧对当前帧进行观测得到的相对位姿关系,当存在多个匹配的相邻帧时,相对位姿关系数量也为多个,组成第二相对位姿集合。
需要说明的是,本实施例中,在激光雷达LiDAR采集的雷达观测信息和摄像模块采集的摄像观测信息中查找从匹配的相邻帧对当前帧的相对位姿,并依据该相对位姿对当前帧对应的当前位姿进行调整优化,以提高当前位姿的准确性。
例如,若当前帧为i,那么对应的n个相邻帧为{i-n,i-n+1,…,i-1},车辆终端可以通过点云匹配算法那或图像匹配算法对当前帧和每个相邻帧之间的相似度分值,将相似度分值大于预设值所对应的相邻帧确定为与当前帧匹配的帧。
305、根据预置的GPS绝对位姿信息对候选位姿序列进行绝对位姿优化,得到目标位姿序列。
具体的,车辆终端获取预置的GPS绝对位姿信息;车辆终端将候选位姿序列中各个候选位姿与GPS绝对位姿信息进行对比,得到各个候选位姿的偏移量;车辆终端根据各个候选位姿的偏移量判断是否存在异常位姿,异常位姿为偏移量超过阈值的位姿;车辆终端从候选位姿序列中删除异常位姿,得到目标位姿序列。其中,删除异常位姿的过程如下:若车辆终端判断存在多个异常位姿时,可以对多个异常位姿进行聚类,并按照预置的条件对聚类后的异常位姿进行重要性分析,重要性超过标准的异常位姿的GPS类型设置为不准确位姿。绝对位姿信息为高精度的GPS位姿信息。
306、对目标位姿序列进行图优化,得到优化后的位姿序列。
具体的,车辆终端根据目标位姿序列中的各个目标位姿和帧间相对位姿关系构建初始图的顶点和边;车辆终端对初始图进行回环检测并加边,得到目标图;车辆终端对目标图进行图优化,得到优化后的图;车辆终端基于优化后的图确定优化后的位姿序列。其中,车辆终端利用各个传感器之间相互的依赖关系生成图的边并对目标位姿序列再次进行图优化,减少了累计误差,进而提高了获取的车辆终端在预设时段内位姿的准确性。帧间相对位姿关系是通过对雷达观测信息和摄像观测信息进行融合后得到,具体的,可以通过取均值,或分配不同权重进行计算总得分,还可以是其他数学方式进行取值,具体此处不做限定。
需要说明的是,基于优化后的位姿序列进行大规模建点云地图时,减少了地图整体的偏移量,提高了点云地图的准确性。本方案提供的位姿优化方法可以针对大段的GPS信号弱的场景做出优化,充分利用车辆传感器之间相互的依赖关系来进行位姿的优化,来达到偏移量比较小的高精地图制作目的。
本发明实施例中,当车辆处于弱信号场景时,先对获取到的位姿信息进行第一次平滑优化,得到初始位姿序列,然后通过激光雷达LiDAR和摄像模块对初始位姿序列进行第二次平滑优化得到目标位姿序列,然后对目标位姿序列进行第三次图优化,提高了优化后的位姿序列中每个位姿的准确性。
上面对本发明实施例中基于传感器的位姿优化方法进行了描述,下面对本发明实施例中基于传感器的位姿优化装置进行描述,请参阅图4,本发明实施例中基于传感器的位姿优化装置的一个实施例包括:
采集模块401,用于根据预置的约束条件利用多个传感器进行数据采集,得到初始数据包,其中,所述初始数据包携带有预置时段内的多帧传感器数据,每帧传感器数据中包括轮速计、全球定位系统GPS模块和惯性测量单元IMU所采集的数据;
第一平滑模块402,用于对所述初始数据包进行平滑处理,得到初始位姿序列,所述初始位姿序列包括每一帧传感器数据对应的初始位姿;
第二平滑模块403,用于通过预置的激光雷达LiDAR和预置的摄像模块对所述初始位姿序列进行平滑处理,得到目标位姿序列;
图优化模块404,用于对所述目标位姿序列进行图优化,得到优化后的位姿序列。
可选的,第二平滑模块403包括:
获取子模块4031,用于通过预置的激光雷达LiDAR和预置的摄像模块分别获取所述多帧传感器数据对应的雷达观测信息和摄像观测信息,所述雷达观测信息用于指示所述LiDAR测量的两帧传感器数据之间的相对位姿信息,所述摄像观测信息用于指示所述摄像模块测量的两帧传感器数据之间的相对位姿信息;
平滑优化子模块4032,用于根据所述雷达观测信息和所述摄像观测信息对所述初始位姿序列中的初始位姿进行平滑优化,得到目标位姿序列。
可选的,平滑优化子模块4032包括:
相对优化单元40321,用于根据所述雷达观测信息和所述摄像观测信息对所述初始位姿序列中的初始位姿进行相对位姿优化,得到候选位姿序列;
绝对优化单元40322,用于根据预置的GPS绝对位姿信息对所述候选位姿序列进行绝对位姿优化,得到目标位姿序列。
可选的,所述相对优化单元40321包括:
第一确定子单元403211,用于在所述初始位姿序列中确定任一初始位姿作为当前位姿;
第一平滑子单元403212,用于根据所述雷达观测信息和所述摄像观测信息对所述当前位姿进行平滑优化,得到目标位姿;
第二平滑子单元403213,用于根据所述雷达观测信息和所述摄像观测信息对所述初始位姿序列中剩余的多个初始位姿进行平滑优化,得到多个优化的位姿;
第二确定子单元403214,用于根据所述目标位姿和所述多个优化的位姿确定候选位姿序列。
可选的,所述第一平滑子单元403212具体用于:
根据所述当前位姿确定对应的当前帧;
在所述多帧传感器数据中选择所述当前帧的n个相邻帧,所述n个相邻帧包括时刻早于所述当前帧的连续n个数据帧;
将所述当前帧分别与所述n个相邻帧进行匹配,得到多个匹配结果,所述匹配结果包括匹配的相邻帧及对应的匹配位姿;
从所述雷达观测信息和所述摄像观测信息中分别选择与所述多个匹配结果对应的第一相对位姿集合和第二相对位姿集合;
根据所述第一相对位姿集合、所述第二相对位姿集合以及所述多个匹配结果对应的传感器数据对所述当前位姿进行优化,得到目标位姿。
可选的,所述第一平滑子单元403212具体还用于:
计算每个匹配结果的置信度,得到多个匹配置信度;
将所述多个匹配置信度和所述当前帧对应的传感器数据置信度确定为协方差矩阵的元素;
计算所述协方差矩阵的矩阵值,并将所述矩阵值确定为融合置信度。
可选的,绝对优化单元40322具体用于:
获取预置的GPS绝对位姿信息;
将所述候选位姿序列中各个候选位姿与所述GPS绝对位姿信息进行对比,得到各个候选位姿的偏移量;
根据所述各个候选位姿的偏移量判断是否存在异常位姿,所述异常位姿为偏移量超过阈值的位姿;
从所述候选位姿序列中删除所述异常位姿,得到目标位姿序列。
可选的,图优化模块404具体用于:
根据所述目标位姿序列中的各个目标位姿和帧间相对位姿关系构建初始图的顶点和边;
对所述初始图进行回环检测并加边,得到目标图;
对所述目标图进行图优化,得到优化后的图;
基于所述优化后的图确定优化后的位姿序列。
本发明实施例中,当车辆处于弱信号场景时,先对获取到的位姿信息进行第一次平滑优化,得到初始位姿序列,然后通过激光雷达LiDAR和摄像模块对初始位姿序列进行第二次平滑优化得到目标位姿序列,然后对目标位姿序列进行第三次图优化,提高了优化后的位姿序列中每个位姿的准确性。
图5是本发明实施例提供的一种基于传感器的位姿优化设备的结构示意图,该基于传感器的位姿优化设备500可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)510(例如,一个或一个以上处理器)和存储器520,一个或一个以上存储应用程序533或数据532的存储介质530(例如一个或一个以上海量存储设备)。其中,存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对基于传感器的位姿优化设备500中的一系列指令操作。更进一步地,处理器510可以设置为与存储介质530通信,在基于传感器的位姿优化设备500上执行存储介质530中的一系列指令操作。
基于传感器的位姿优化设备500还可以包括一个或一个以上电源540,一个或一个以上有线或无线网络接口550,一个或一个以上输入输出接口560,和/或,一个或一个以上操作系统531,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图5示出的基于传感器的位姿优化设备结构并不构成对基于传感器的位姿优化设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述基于传感器的位姿优化方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述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)执行本发明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(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (11)
1.一种基于传感器的位姿优化方法,其特征在于,包括:
根据预置的约束条件利用多个传感器进行数据采集,得到初始数据包,其中,所述初始数据包携带有预置时段内的多帧传感器数据,每帧传感器数据中包括轮速计、全球定位系统GPS模块和惯性测量单元IMU所采集的数据;
对所述初始数据包进行平滑处理,得到初始位姿序列,所述初始位姿序列包括每一帧传感器数据对应的初始位姿;
通过预置的激光雷达LiDAR和预置的摄像模块对所述初始位姿序列进行平滑处理,得到目标位姿序列;
对所述目标位姿序列进行图优化,得到优化后的位姿序列。
2.根据权利要求1所述的基于传感器的位姿优化方法,其特征在于,所述通过预置的激光雷达LiDAR和预置的摄像模块对所述初始位姿序列进行平滑处理,得到目标位姿序列,包括:
通过预置的激光雷达LiDAR和预置的摄像模块分别获取所述多帧传感器数据对应的雷达观测信息和摄像观测信息,所述雷达观测信息用于指示所述LiDAR测量的两帧传感器数据之间的相对位姿信息,所述摄像观测信息用于指示所述摄像模块测量的两帧传感器数据之间的相对位姿信息;
根据所述雷达观测信息和所述摄像观测信息对所述初始位姿序列中的初始位姿进行平滑优化,得到目标位姿序列。
3.根据权利要求2所述的基于传感器的位姿优化方法,其特征在于,所述根据所述雷达观测信息和所述摄像观测信息对所述初始位姿序列中的初始位姿进行平滑优化,得到目标位姿序列,包括:
根据所述雷达观测信息和所述摄像观测信息对所述初始位姿序列中的初始位姿进行相对位姿优化,得到候选位姿序列;
根据预置的GPS绝对位姿信息对所述候选位姿序列进行绝对位姿优化,得到目标位姿序列。
4.根据权利要求3所述的基于传感器的位姿优化方法,其特征在于,所述根据所述雷达观测信息和所述摄像观测信息对所述初始位姿序列中的初始位姿进行相对位姿优化,得到候选位姿序列,包括:
在所述初始位姿序列中确定任一初始位姿作为当前位姿;
根据所述雷达观测信息和所述摄像观测信息对所述当前位姿进行平滑优化,得到目标位姿;
根据所述雷达观测信息和所述摄像观测信息对所述初始位姿序列中剩余的多个初始位姿进行平滑优化,得到多个优化的位姿;
根据所述目标位姿和所述多个优化的位姿确定候选位姿序列。
5.根据权利要求4所述的基于传感器的位姿优化方法,其特征在于,所述根据所述雷达观测信息和所述摄像观测信息对所述当前位姿进行优化,得到目标位姿,包括:
根据所述当前位姿确定对应的当前帧;
在所述多帧传感器数据中选择所述当前帧的n个相邻帧,所述n个相邻帧包括时刻早于所述当前帧的连续n个数据帧;
将所述当前帧分别与所述n个相邻帧进行匹配,得到多个匹配结果,所述匹配结果包括匹配的相邻帧及对应的匹配位姿;
从所述雷达观测信息和所述摄像观测信息中分别选择与所述多个匹配结果对应的第一相对位姿集合和第二相对位姿集合;
根据所述第一相对位姿集合、所述第二相对位姿集合以及所述多个匹配结果对应的传感器数据对所述当前位姿进行优化,得到目标位姿。
6.根据权利要求5所述的基于传感器的位姿优化方法,其特征在于,在所述将所述当前帧分别与所述n个相邻帧进行匹配,得到多个匹配结果,所述匹配结果包括匹配的相邻帧及对应的匹配位姿之后,还包括:
计算每个匹配结果的置信度,得到多个匹配置信度;
将所述多个匹配置信度和所述当前帧对应的传感器数据置信度确定为协方差矩阵的元素;
计算所述协方差矩阵的矩阵值,并将所述矩阵值确定为融合置信度。
7.根据权利要求3所述的基于传感器的位姿优化方法,其特征在于,所述根据预置的GPS绝对位姿信息对所述候选位姿序列进行绝对位姿优化,得到目标位姿序列,包括:
获取预置的GPS绝对位姿信息;
将所述候选位姿序列中各个候选位姿与所述GPS绝对位姿信息进行对比,得到各个候选位姿的偏移量;
根据所述各个候选位姿的偏移量判断是否存在异常位姿,所述异常位姿为偏移量超过阈值的位姿;
从所述候选位姿序列中删除所述异常位姿,得到目标位姿序列。
8.根据权利要求1-7中任一项所述的基于传感器的位姿优化方法,其特征在于,所述对所述目标位姿序列进行图优化,得到优化后的位姿序列,包括:
根据所述目标位姿序列中的各个目标位姿和帧间相对位姿关系构建初始图的顶点和边;
对所述初始图进行回环检测并加边,得到目标图;
对所述目标图进行图优化,得到优化后的图;
基于所述优化后的图确定优化后的位姿序列。
9.一种基于传感器的位姿优化装置,其特征在于,包括:
采集模块,用于根据预置的约束条件利用多个传感器进行数据采集,得到初始数据包,其中,所述初始数据包携带有预置时段内的多帧传感器数据,每帧传感器数据中包括轮速计、全球定位系统GPS模块和惯性测量单元IMU所采集的数据;
第一平滑模块,用于对所述初始数据包进行平滑处理,得到初始位姿序列,所述初始位姿序列包括每一帧传感器数据对应的初始位姿;
第二平滑模块,用于通过预置的激光雷达LiDAR和预置的摄像模块对所述初始位姿序列进行平滑处理,得到目标位姿序列;
图优化模块,用于对所述目标位姿序列进行图优化,得到优化后的位姿序列。
10.一种基于传感器的位姿优化设备,其特征在于,所述基于传感器的位姿优化设备包括存储器和至少一个处理器,所述存储器中存储有指令,所述存储器和所述至少一个处理器通过线路互连;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述基于传感器的位姿优化设备执行如权利要求1-8中任意一项所述的基于传感器的位姿优化方法。
11.一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存储有指令,当所述指令被处理器执行时实现如权利要求1-8中任意一项所述的基于传感器的位姿优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111270002.9A CN114046787B (zh) | 2021-10-29 | 2021-10-29 | 基于传感器的位姿优化方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111270002.9A CN114046787B (zh) | 2021-10-29 | 2021-10-29 | 基于传感器的位姿优化方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114046787A true CN114046787A (zh) | 2022-02-15 |
CN114046787B CN114046787B (zh) | 2024-01-30 |
Family
ID=80206777
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111270002.9A Active CN114046787B (zh) | 2021-10-29 | 2021-10-29 | 基于传感器的位姿优化方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114046787B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115952248A (zh) * | 2022-12-20 | 2023-04-11 | 阿波罗智联(北京)科技有限公司 | 终端设备的位姿处理方法、装置、设备、介质及产品 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3056926A1 (en) * | 2015-02-12 | 2016-08-17 | Novatel, Inc. | Navigation system with rapid gnss and inertial initialization |
CN109084732A (zh) * | 2018-06-29 | 2018-12-25 | 北京旷视科技有限公司 | 定位与导航方法、装置及处理设备 |
US20190370997A1 (en) * | 2018-06-01 | 2019-12-05 | TuSimple | Smoothness constraint for camera pose estimation |
CN111595333A (zh) * | 2020-04-26 | 2020-08-28 | 武汉理工大学 | 视觉惯性激光数据融合的模块化无人车定位方法及系统 |
CN112697169A (zh) * | 2020-12-07 | 2021-04-23 | 北京小马智行科技有限公司 | 车辆定位的初始化方法、装置、处理器和车辆 |
CN113091771A (zh) * | 2021-04-13 | 2021-07-09 | 清华大学 | 一种激光雷达-相机-惯导联合标定方法及系统 |
-
2021
- 2021-10-29 CN CN202111270002.9A patent/CN114046787B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3056926A1 (en) * | 2015-02-12 | 2016-08-17 | Novatel, Inc. | Navigation system with rapid gnss and inertial initialization |
US20190370997A1 (en) * | 2018-06-01 | 2019-12-05 | TuSimple | Smoothness constraint for camera pose estimation |
CN109084732A (zh) * | 2018-06-29 | 2018-12-25 | 北京旷视科技有限公司 | 定位与导航方法、装置及处理设备 |
CN111595333A (zh) * | 2020-04-26 | 2020-08-28 | 武汉理工大学 | 视觉惯性激光数据融合的模块化无人车定位方法及系统 |
CN112697169A (zh) * | 2020-12-07 | 2021-04-23 | 北京小马智行科技有限公司 | 车辆定位的初始化方法、装置、处理器和车辆 |
CN113091771A (zh) * | 2021-04-13 | 2021-07-09 | 清华大学 | 一种激光雷达-相机-惯导联合标定方法及系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115952248A (zh) * | 2022-12-20 | 2023-04-11 | 阿波罗智联(北京)科技有限公司 | 终端设备的位姿处理方法、装置、设备、介质及产品 |
Also Published As
Publication number | Publication date |
---|---|
CN114046787B (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7186607B2 (ja) | 電子地図を更新する方法、装置、およびコンピュータ読み取り可能な記憶媒体 | |
US11188089B2 (en) | Localization for autonomous vehicles using gaussian mixture models | |
US8548740B2 (en) | System and method for wavelet-based gait classification | |
CN112639502A (zh) | 机器人位姿估计 | |
Wei et al. | Vision-based lane-changing behavior detection using deep residual neural network | |
EP3690744A1 (en) | Method for integrating driving images acquired from vehicles performing cooperative driving and driving image integrating device using same | |
US20230351686A1 (en) | Method, device and system for cooperatively constructing point cloud map | |
CN114692720B (zh) | 基于鸟瞰图的图像分类方法、装置、设备及存储介质 | |
CN111241224B (zh) | 目标距离估计的方法、系统、计算机设备和存储介质 | |
Luo et al. | Incremental route inference from low-sampling GPS data: An opportunistic approach to online map matching | |
CN111666137B (zh) | 数据标注方法、装置、计算机设备和存储介质 | |
CN114046787B (zh) | 基于传感器的位姿优化方法、装置、设备及存储介质 | |
CN108256563B (zh) | 基于距离度量的视觉词典闭环检测方法与装置 | |
CN114061611A (zh) | 目标对象定位方法、装置、存储介质和计算机程序产品 | |
CN113959457A (zh) | 一种自动驾驶车辆的定位方法、装置、车辆和介质 | |
CN113378694B (zh) | 生成目标检测和定位系统及目标检测和定位的方法及装置 | |
CN113092807B (zh) | 基于多目标跟踪算法的城市高架道路车辆测速方法 | |
CN108680940B (zh) | 一种自动驾驶车辆辅助定位方法及装置 | |
CN115905997B (zh) | 基于预测偏差优化的风电机组气象灾害预警方法及系统 | |
CN116678424A (zh) | 高精度车辆定位、矢量化地图构建及定位模型训练方法 | |
CN111414804B (zh) | 识别框确定方法、装置、计算机设备、车辆和存储介质 | |
CN115952248A (zh) | 终端设备的位姿处理方法、装置、设备、介质及产品 | |
CN114283397A (zh) | 全局重定位方法、装置、设备及存储介质 | |
CN114267027A (zh) | 一种图像处理方法和装置 | |
Park et al. | A simulation based method for vehicle motion prediction |
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 |