CN114066773A - 一种基于点云特征与蒙特卡洛扩展法的动态物体去除 - Google Patents
一种基于点云特征与蒙特卡洛扩展法的动态物体去除 Download PDFInfo
- Publication number
- CN114066773A CN114066773A CN202111422235.6A CN202111422235A CN114066773A CN 114066773 A CN114066773 A CN 114066773A CN 202111422235 A CN202111422235 A CN 202111422235A CN 114066773 A CN114066773 A CN 114066773A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- monte carlo
- dynamic
- edge
- points
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 239000011159 matrix material Substances 0.000 claims abstract description 16
- 239000002245 particle Substances 0.000 claims abstract description 13
- 230000003068 static effect Effects 0.000 claims abstract description 13
- 238000000342 Monte Carlo simulation Methods 0.000 claims abstract description 8
- 230000007613 environmental effect Effects 0.000 claims abstract description 4
- 238000010606 normalization Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 8
- 230000000007 visual effect Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于点云特征与蒙特卡洛扩展法的动态物体去除，解决了SLAM系统中出现动态对象的问题。该方法包括，步骤一，构建点云数据样本数据集，并构建三维的全局坐标系，初始化环境信息。步骤二，提取全局坐标系下的点云数据并计算其局部曲率、惯性张量矩阵和协方差矩阵作为点云空间分布特征。步骤三，搭载点云滤波器进行预处理，去除孤立点和边缘点。步骤四，创新性地提出了一种从中心到边缘的点云聚类算法，对预处理后的点云数据基于新设计的点云聚类算法聚类并确定对象的轮廓。步骤五，使用蒙特卡洛法对全概率公式进行改进，并递推和计算出点云粒子的影响权重，推断聚类对象状态，动态对象去除，静态对象保留。本发明有效的去除了物理环境中移动物体的动态信息，得到了一个真实的静态物理环境。
Description
技术领域
本发明涉及无人驾驶技术领域，具体来说，涉及一种基于点云特征与蒙特卡洛扩展法的动态物体去除。
背景技术
伴随着人工智能技术在移动机器人领域上的快速发展，尤其在无人驾驶技术领域上体现出了其巨大的发展潜能和应用价值。同时定位与地图构建(SimultaneousLocalization and Mapping或SLAM)作为无人驾驶的核心技术，在车辆定位和导航上发挥着不可或缺的作用。SLAM技术是指主体在运动当中通过传感器获取信息，来确定自身位姿并构建环境地图的过程，由此来解决主体在未知环境下运动时的定位与建图问题。
其中，SLAM技术的前端视觉里程计(VO)和SLAM技术在机器人和计算机视觉等科学技术领域占有的地位越来越重要。在最近这些年，有多种SLAM技术和视觉里程计(VO)都取得了非常理想的实验结果，并且在移动机器人自身状态估计、导航避障、地图构建上都取得了突破性的进展。但是，SLAM过程经常出现动态物体，动态物体对算法的干扰较强，会影响里程计准确度，产生点云中的“鬼影”问题，需要有效地剔除。
在最近这些年，伴随着深度视觉应用的快速进步与发展，深度图像的图像分辨率、设备分辨率和屏幕分辨率都取得了很大程度上的进步。因此，有许多基于深度图像的视觉里程计算法被提出，比如SDF Tracker、Kinect Fusion和SDO等等。但是这些算法只是估计了前后俩帧之间相互运动关系，并不能对SLAM过程中的动态物体进行去除。因此，本发明提出了一种基于点云特征与蒙特卡洛扩展法的动态物体去除。
发明内容
针对于相关技术可能出现的问题，本发明提出了一种基于点云特征与蒙特卡洛扩展法的动态物体去除，解决SLAM过程中动态物体存在导致的测量精度和效率低的问题。
为了实现上述技术目的，本发明的技术方案是这样实现的：
采用了以点云特征与蒙特卡洛扩展法的动态物体去除的方法，包括以下步骤：
步骤一，构建点云数据样本数据集，并构建三维的全局坐标系，初始化环境信息。
步骤二，提取全局坐标系下的点云数据并计算其局部曲率、惯性张量矩阵和协方差矩阵作为点云空间分布特征。
步骤三，搭载点云滤波器进行预处理，去除孤立点和边缘点。
步骤四，创新性地提出了一种从中心到边缘的点云聚类算法，对预处理后的点云数据基于新设计的点云聚类算法聚类并确定对象的轮廓。
步骤五，使用蒙特卡洛法对全概率公式进行改进，并递推和计算出点云粒子的影响权重，推断聚类对象状态，动态对象去除，静态对象保留。有效的去除了物理环境中移动物体的动态信息，得到了一个真实的静态物理环境。
本发明的有益效果：基于点云特征与蒙特卡洛扩展法的动态物体去除解决了SLAM过程动态物体对系统精度的影响，解决了SLAM生成点云中的“鬼影”问题，使得SLAM系统可以克服复杂环境中的动态环境的影响，进一步提高SLAM系统的精确性和鲁棒性。
附图说明
为了更清楚地说明本发明实例或现有技术中技术方案，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措施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为从中心到边缘的点云聚类算法流程图。
图2为基于点云特征与蒙特卡洛扩展法的动态物体去除的流程图。
具体实施方式
下面结合附图和实施例对本发明的实施方式作进一步详细描述。
根据本发明实施例所述的一种基于点云特征与蒙特卡洛扩展法的动态物体去除的方法，包括以下步骤：
步骤一，构建点云数据样本数据集，并构建三维的全局坐标系，初始化环境信息。为防止由于采集的部分点云数据高度过高或过低导致的垂直方向上的分段不足，将垂直方向上超过某个阈值的点删除。在三维空间坐标系下，将实时的点云数据投影到XY平面上的2D网格图上(保留高度值，反射强度信息)。
步骤二，提取全局坐标系下的点云数据并计算其局部曲率、惯性张量矩阵和协方差矩阵作为点云空间分布特征。并对所求局部曲率的大小进行划分，从小到大依次为孤立点、边缘点、棱点以及平面点。假设Pi＝(Xi,Yi,Zi)T是网格内的一个点云数据，Pi+1，Pi+2，…Pi+n分别为点云Pi后n个邻点，Pi-1，Pi-2…Pi-n分别为点云Pi的前n个邻点，这些点共同构成Pi的邻域点。激光点的局部曲率可以定义为：
根据所求惯性张量矩阵M和协方差矩阵C描绘点云的形状特征。
步骤三，搭载点云滤波器进行预处理，去除孤立点和边缘点。将三维空间的点云投影到XOY平面，并基于X方向和Y方向的距离均匀网格化，将每个网格的尺寸设置为0.2m×0.2m，去除孤立点和边缘点后，仍能确保每个网格内至少要有一个棱点或平面点。测量的环境地面非平整时，则网格的长度应设置得小一些，反之，测量的环境地面相对平坦，则网格的长度应设置得大一些。遍历当前帧点云的X值和Y值，获取X轴上最大值和最小值，分别记为xmax和xmin，获取Y轴上最大值和最小值，分别记为ymax和ymin。考虑每个网格大小为Ix×Iy，其中Ix为单个网格在X轴方向的长度，Iy为单个网格在Y轴方向的长度。那么对该帧点云总共建立m×n个网格。
其中，
步骤四，创新性地提出了一种从中心到边缘的点云聚类算法，对预处理后的点云数据基于新设计的点云聚类算法聚类并确定对象的轮廓。首先，遍历网格图内的点云，连接点云密度大于阈值的网格，获取所需对象的中心区域。传感器到任意两个中心点云之间的夹角记为β，距离分别d1和d2，为如果夹角β小于给定阈值θ，判断两点为不同对象，如果夹角β大于给定阈值θ，判断两点为不同对象。利用公式进一步对非中心点云处理，确定边缘点云。从而从对象的中心区域周围获取精确的边缘区域，组合对象的中心区域和边缘区域，从而获得一个完全独立的对象。
步骤五，使用蒙特卡洛法对全概率公式进行改进，并递推和计算出点云粒子的影响权重，推断聚类对象状态，动态对象去除，静态对象保留。
根据全概率公式，系统当前的期望状态可以表示为：
上式中，q(xt|z1:t)为建议分布，W(xt)表示每一个粒子的权重。根据后验概率公式p(z1:t)＝∫p(z1:t|xt)p(xt)dxt并采用蒙特卡洛法对全概率公式的积分部分求解，得到改进后的系统期望状态：
其中，i是样本的序号，
是归一化之后的权重。为了提高效率，可以通过递推的方式更新点云粒子的权重：
最后，归一化每个对象中的点云粒子的影响权重，累加所有点云粒子的影响权重并求均值作为系统状态的估计值，根据估计值判断聚类对象是否动态，动态对象去除，静态对象保留。有效的去除物理环境中移动物体的动态信息，得到了一个真实的静态物理环境。
本发明的优点在于：
本发明将解决SLAM视觉里程计过程中的动态点问题，设计了一种基于点云特征与蒙特卡洛扩展法的动态物体去除方法，首先，初始化环境信息，计算点云的局部曲率、惯性张量矩阵和协方差矩阵，将其作为点云的空间分布特征，然后通过点云滤波器进一步预处理，可以有效地去掉一些干扰和噪声。创新性地提出了一种从中心到边缘的点云聚类算法，对预处理后的点云数据基于新设计的点云聚类算法聚类并确定对象的轮廓。使用蒙特卡洛法对全概率公式进行改进，并递推和计算出点云粒子的影响权重，推断聚类对象状态，动态对象去除，静态对象保留。
本发明有效的去除了物理环境中移动物体的动态信息，得到了一个真实的静态物理环境。
Claims (4)
1.一种基于点云特征与蒙特卡洛扩展法的动态物体去除，其特征在于，包括以下步骤：
S1，构建点云数据样本数据集，并构建三维的全局坐标系，初始化环境信息。
S2，提取全局坐标系下的点云数据并计算其局部曲率、惯性张量矩阵和协方差矩阵作为点云空间分布特征。
S3，搭载点云滤波器进行预处理，去除孤立点和边缘点。
S4，创新性地提出了一种从中心到边缘的点云聚类算法，对预处理后的点云数据基于新设计的点云聚类算法聚类并确定对象的轮廓。
S5，使用蒙特卡洛法对全概率公式进行改进，并递推和计算出点云粒子的影响权重，推断聚类对象状态，动态对象去除，静态对象保留。有效的去除了物理环境中移动物体的动态信息，得到了一个真实的静态物理环境。
2.根据权利要求书1所述的基于点云特征与蒙特卡洛扩展法的动态物体去除，其特征在于：所述步骤S2对所求局部曲率的大小进行划分，从小到大依次为孤立点、边缘点、棱点以及平面点。根据所求惯性张量矩阵和协方差矩阵描绘点云的形状特征。所述步骤S3中三维空间的点云投影到XOY平面，并基于X方向和Y方向的距离均匀网格化，将每个网格的尺寸设置为0.2m×0.2m，去除孤立点和边缘点后，仍能确保每个网格内至少要有一个棱点或平面点。
3.根据权利要求书1所述的基于点云特征与蒙特卡洛扩展法的动态物体去除，其特征在于：所述步骤S4创新性地提出了一种从中心到边缘的点云聚类算法，具体过程如下(见附图)：首先，遍历网格图内的点云，连接点云密度大于阈值的网格，获取所需对象的中心区域。传感器到任意两个中心点云之间的夹角记为β，距离分别d1和d2，为如果夹角β小于给定阈值θ，判断两点为不同对象，如果夹角β大于给定阈值θ，判断两点为不同对象。利用公式进一步对非中心点云处理，确定边缘点云。从而从对象的中心区域周围获取精确的边缘区域，组合对象的中心区域和边缘区域，从而获得一个完全独立的对象。
4.根据权利要求书1所述的基于点云特征与蒙特卡洛扩展法的动态物体去除，其特征在于：所述步骤S5使用蒙特卡洛法对后验概率公式进行改进。根据全概率公式，系统当前的期望状态可以表示为：
上式中，q(xt|z1:t)为建议分布，W(xt)表示每一个粒子的权重。
根据后验概率公式p(z1:t)＝∫p(z1:t|xt)p(xt)dxt并采用蒙特卡洛法对全概率公式的积分部分求解，得到改进后的系统期望状态。
其中，i是点云样本的序号，
是点云归一化之后的权重。为了提高效率，可以通过递推的方式更新点云粒子的权重。
最后，归一化每个对象中的点云粒子的影响权重，累加所有点云粒子的影响权重并求均值作为系统状态的估计值，根据估计值判断聚类对象是否动态，动态对象去除，静态对象保留。有效的去除了物理环境中移动物体的动态信息，得到了一个真实的静态物理环境。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111422235.6A CN114066773B (zh) | 2021-11-26 | 2021-11-26 | 一种基于点云特征与蒙特卡洛扩展法的动态物体去除 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111422235.6A CN114066773B (zh) | 2021-11-26 | 2021-11-26 | 一种基于点云特征与蒙特卡洛扩展法的动态物体去除 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114066773A true CN114066773A (zh) | 2022-02-18 |
| CN114066773B CN114066773B (zh) | 2023-10-27 |
Family
ID=80276688
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111422235.6A Active CN114066773B (zh) | 2021-11-26 | 2021-11-26 | 一种基于点云特征与蒙特卡洛扩展法的动态物体去除 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114066773B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114648711A (zh) * | 2022-04-11 | 2022-06-21 | 成都信息工程大学 | 一种基于聚类的云微粒子图像虚假目标滤除方法 |
| CN114734439A (zh) * | 2022-04-11 | 2022-07-12 | 山东大学 | 平面对接工件焊接轨迹寻位方法和系统 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100161225A1 (en) * | 2008-12-22 | 2010-06-24 | Samsung Electronics Co., Ltd. | Method of building map of mobile platform in dynamic environment |
| CN110309240A (zh) * | 2018-03-14 | 2019-10-08 | 北京京东尚科信息技术有限公司 | 去除动态目标的方法和装置 |
| CN110689576A (zh) * | 2019-09-29 | 2020-01-14 | 桂林电子科技大学 | 一种基于Autoware的动态3D点云正态分布AGV定位方法 |
| CN111505662A (zh) * | 2020-04-29 | 2020-08-07 | 北京理工大学 | 一种无人驾驶车辆定位方法及系统 |
| CN111798475A (zh) * | 2020-05-29 | 2020-10-20 | 浙江工业大学 | 一种基于点云深度学习的室内环境3d语义地图构建方法 |
| CN111929699A (zh) * | 2020-07-21 | 2020-11-13 | 北京建筑大学 | 一种顾及动态障碍物的激光雷达惯导里程计与建图方法及系统 |
| CN112132857A (zh) * | 2020-09-18 | 2020-12-25 | 福州大学 | 动态环境混合视觉系统的动态物检测和静态地图重建方法 |
| CN112767485A (zh) * | 2021-01-26 | 2021-05-07 | 哈尔滨工业大学（深圳） | 一种基于静态语义信息的点云地图创建与场景辨识方法 |
| CN112902953A (zh) * | 2021-01-26 | 2021-06-04 | 中国科学院国家空间科学中心 | 一种基于slam技术的自主位姿测量方法 |
| CN112991447A (zh) * | 2021-03-16 | 2021-06-18 | 华东理工大学 | 一种动态环境下视觉定位与静态地图构建方法及系统 |
| CN113344112A (zh) * | 2021-06-27 | 2021-09-03 | 东南大学 | 一种基于聚类算法的动态物体识别方法 |
| US20210311474A1 (en) * | 2020-04-03 | 2021-10-07 | Baidu Usa Llc | Static obstacle map based perception system |
| CN113570629A (zh) * | 2021-09-28 | 2021-10-29 | 山东大学 | 去除动态物体的语义分割方法及系统 |
-
2021
- 2021-11-26 CN CN202111422235.6A patent/CN114066773B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100161225A1 (en) * | 2008-12-22 | 2010-06-24 | Samsung Electronics Co., Ltd. | Method of building map of mobile platform in dynamic environment |
| CN110309240A (zh) * | 2018-03-14 | 2019-10-08 | 北京京东尚科信息技术有限公司 | 去除动态目标的方法和装置 |
| CN110689576A (zh) * | 2019-09-29 | 2020-01-14 | 桂林电子科技大学 | 一种基于Autoware的动态3D点云正态分布AGV定位方法 |
| US20210311474A1 (en) * | 2020-04-03 | 2021-10-07 | Baidu Usa Llc | Static obstacle map based perception system |
| CN111505662A (zh) * | 2020-04-29 | 2020-08-07 | 北京理工大学 | 一种无人驾驶车辆定位方法及系统 |
| CN111798475A (zh) * | 2020-05-29 | 2020-10-20 | 浙江工业大学 | 一种基于点云深度学习的室内环境3d语义地图构建方法 |
| CN111929699A (zh) * | 2020-07-21 | 2020-11-13 | 北京建筑大学 | 一种顾及动态障碍物的激光雷达惯导里程计与建图方法及系统 |
| CN112132857A (zh) * | 2020-09-18 | 2020-12-25 | 福州大学 | 动态环境混合视觉系统的动态物检测和静态地图重建方法 |
| CN112902953A (zh) * | 2021-01-26 | 2021-06-04 | 中国科学院国家空间科学中心 | 一种基于slam技术的自主位姿测量方法 |
| CN112767485A (zh) * | 2021-01-26 | 2021-05-07 | 哈尔滨工业大学（深圳） | 一种基于静态语义信息的点云地图创建与场景辨识方法 |
| CN112991447A (zh) * | 2021-03-16 | 2021-06-18 | 华东理工大学 | 一种动态环境下视觉定位与静态地图构建方法及系统 |
| CN113344112A (zh) * | 2021-06-27 | 2021-09-03 | 东南大学 | 一种基于聚类算法的动态物体识别方法 |
| CN113570629A (zh) * | 2021-09-28 | 2021-10-29 | 山东大学 | 去除动态物体的语义分割方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| SHISHIR PAGAD ET AL: "Robust Method for Removing Dynamic Objects from Point Clouds", 2020 IEEE INTERNATIONAL CONFERENCE ON ROBOTICS AND AUTOMATION (ICRA) * |
| 郑壮壮;曹万科;邹渊;张旭东;杜广泽;: "动态环境下无人地面车辆点云地图快速重定位方法", 兵工学报, no. 08 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114648711A (zh) * | 2022-04-11 | 2022-06-21 | 成都信息工程大学 | 一种基于聚类的云微粒子图像虚假目标滤除方法 |
| CN114734439A (zh) * | 2022-04-11 | 2022-07-12 | 山东大学 | 平面对接工件焊接轨迹寻位方法和系统 |
| CN114734439B (zh) * | 2022-04-11 | 2024-04-16 | 山东大学 | 平面对接工件焊接轨迹寻位方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114066773B (zh) | 2023-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111325843B (zh) | 一种基于语义逆深度滤波的实时语义地图构建方法 | |
| CN111583369B (zh) | 一种基于面线角点特征提取的激光slam方法 | |
| CN106022381B (zh) | 基于车载激光扫描点云的路灯杆自动提取方法 | |
| CN111598916A (zh) | 一种基于rgb-d信息的室内占据栅格地图的制备方法 | |
| CN114066773B (zh) | 一种基于点云特征与蒙特卡洛扩展法的动态物体去除 | |
| CN113345008B (zh) | 考虑轮式机器人位姿估计的激光雷达动态障碍物检测方法 | |
| CN115372989A (zh) | 基于激光雷达的越野自动小车长距离实时定位系统及方法 | |
| CN112784873A (zh) | 一种语义地图的构建方法及设备 | |
| CN113483747A (zh) | 基于具有墙角信息的语义地图改进amcl定位方法及机器人 | |
| CN113281782A (zh) | 一种基于无人驾驶车的激光雷达雪点滤除方法 | |
| CN114325634A (zh) | 一种基于激光雷达的高鲁棒性野外环境下可通行区域提取方法 | |
| CN113096181B (zh) | 设备位姿的确定方法、装置、存储介质及电子装置 | |
| CN116109601A (zh) | 一种基于三维激光雷达点云的实时目标检测方法 | |
| Cai et al. | A lightweight feature map creation method for intelligent vehicle localization in urban road environments | |
| CN113536959A (zh) | 一种基于立体视觉的动态障碍物检测方法 | |
| Gao et al. | Design and implementation of autonomous mapping system for ugv based on lidar | |
| CN115239899B (zh) | 位姿图生成方法、高精地图生成方法和装置 | |
| CN116246033A (zh) | 一种面向非结构化道路的快速语义地图构建方法 | |
| CN116520302A (zh) | 应用于自动驾驶系统的定位方法和构建三维地图的方法 | |
| CN115131514A (zh) | 一种同时定位建图的方法、装置、系统及存储介质 | |
| CN111239761B (zh) | 一种用于室内实时建立二维地图的方法 | |
| CN114004900A (zh) | 一种基于点线面特征的室内双目视觉里程计方法 | |
| CN107977957B (zh) | 基于静态单目相机的土体失稳综合信息测量方法 | |
| CN117830932A (zh) | 一种基于连续帧点云空间特征增强的障碍物检测方法 | |
| CN114613002B (zh) | 基于光线投影原理的运动视角下动态物体检测方法及系统 |
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 |