CN114067068A - 一种环境建图方法、装置、设备及存储介质 - Google Patents

一种环境建图方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN114067068A
CN114067068A CN202111334833.8A CN202111334833A CN114067068A CN 114067068 A CN114067068 A CN 114067068A CN 202111334833 A CN202111334833 A CN 202111334833A CN 114067068 A CN114067068 A CN 114067068A
Authority
CN
China
Prior art keywords
semantic
point cloud
dimensional map
environment
cloud data
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
CN202111334833.8A
Other languages
English (en)
Inventor
罗杰
严德军
宋连
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 Research Institute Of Wuhan University Of Technology
Original Assignee
Chongqing Research Institute Of Wuhan University Of Technology
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 Research Institute Of Wuhan University Of Technology filed Critical Chongqing Research Institute Of Wuhan University Of Technology
Priority to CN202111334833.8A priority Critical patent/CN114067068A/zh
Publication of CN114067068A publication Critical patent/CN114067068A/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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Graphics (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种环境建图方法、装置、设备及存储介质，包括：将周围环境的点云数据坐标转换为像素坐标，得到点云数据的像素坐标；将周围环境的图像数据贴上语义类别标签，得到语义图像；将所述点云数据的像素坐标与所述语义图像进行映射，得到语义点云；将所述语义点云集成为三维地图，并将所述三维地图中的不同物体赋予不同的权重，得到具有周围环境属性的三维地图。本发明提供的一种环境建图方法、装置、设备及存储介质，通过获取周围环境的点云数据以及图像数据，得到环境的三维地图，并对其中不同的物体赋予不同的权重，得到具有周围环境属性的三维地图。

Description

一种环境建图方法、装置、设备及存储介质
技术领域
本发明涉及自动驾驶技术领域，尤其涉及一种环境建图方法、装置、设备及存储介质。
背景技术
随着深度神经网络和无人驾驶的飞速发展，定位与建图成为了实现自动驾驶的一项重要技术。它能够帮助车辆实时的获取周围的环境信息，并识别相对应的类别，为接下来汽车的定位提供帮助。
传统的依靠纯视觉或纯雷达方案的汽车都存在着一些问题，纯视觉方案虽然可以得到物体的精确类别、纹理等特征但无法得到物体的三维坐标，几何形状等信息且受光照的影响严重，纯雷达方案相比纯视觉方案能够获取物体的精确三维坐标、不受光照影响但探测距离近、易受雨雪等天气的影响，但是点云数据不规则，不利于用于深度神经网络。
点云提供了非常精确的距离视图，但分辨率和纹理信息较低。RGB 图像提供了精细的纹理和颜色信息，但具有固有的深度模糊性。
发明内容
有鉴于此，有必要提供一种环境建图方法、装置、设备及存储介质，用以解决现有技术中点云的分辨率和纹理信息较低以及RGB图像具有深度模糊性的问题。
为达到上述技术目的，本发明采取了以下技术方案：
第一方面，本发明提供了一种环境建图方法，包括：
将周围环境的点云数据坐标转换为像素坐标，得到点云数据的像素坐标；
将周围环境的图像数据贴上语义类别标签，得到语义图像；
将点云数据的像素坐标与语义图像进行映射，得到语义点云；
将语义点云集成为三维地图，并将三维地图中的不同物体赋予不同的权重，得到具有周围环境运动属性的三维地图。
优选的，点云数据包含多个目标点数据，目标点数据包含每个目标点的空间位置坐标；将周围环境的点云数据坐标转换为像素坐标，得到点云数据的像素坐标，包括：
通过预设采集装置，获取点云数据；
将目标点的空间位置坐标转换为预设相机的相机坐标；
将目标点的相机坐标转换为像素坐标。
优选的，将周围环境的图像数据贴上语义类别标签，得到语义图像，包括：
建立卷积神经网络模型，通过卷积神经网络模型以及周围环境的图像数据，得到语义图像。
优选的，建立预设神经网络模型，通过卷积神经网络模型以及周围环境的图像数据，得到语义图像，包括：
将周围环境的图像数据作为输入，输入到预设神经网络模型，输出对应的语义图像，语义图像包括语义类别标签。
优选的，语义图像中的像素点包含语义分割分数，将点云数据的像素坐标与语义图像进行映射，得到语义点云，包括：
将点云数据的像素坐标映射到语义图像；
通过预设方法，得到与点云数据像素坐标达到预设要求的像素点；
将达到预设要求的像素点的语义分割分数附加给对应的点云数据，得到语义点云。
优选的，将语义点云集成为三维地图，并将三维地图中的不同物体赋予不同的权重，得到具有周围环境运动属性的三维地图，包括：
计算三维地图的稳定性系数；
根据预设匹配算法，计算三维地图与先验地图的损失函数；
将三维地图的不稳定部分、稳定的三维地图与先验地图的语义标签不一致部分的权重清零，得到具有周围环境运动属性的三维地图。
优选的，根据预设匹配算法，计算三维地图与先验地图的损失函数，包括：
计算使损失函数达到预设条件的决定性增量值。
第二方面，本发明还提供了一种环境建图系统，包括：
点云数据处理模块，用于将周围环境的点云数据坐标转换为像素坐标，得到点云数据的像素坐标；
语义图像获取模块，用于将周围环境的图像数据贴上语义类别标签，得到语义图像；
映射模块，用于将点云数据的像素坐标与语义图像进行映射，得到语义点云；
环境建图模块，用于将语义点云集成为三维地图，并将三维地图中的不同物体赋予不同的权重，得到具有周围环境运动属性的三维地图。
第三方面，本发明还提供了一种电子设备，包括存储器和处理器，其中，
存储器，用于存储程序；
处理器，与存储器耦合，用于执行存储器中存储的程序，以实现上述任一种实现方式中的环境建图方法中的步骤。
第四方面，本发明还提供了一种计算机可读存储介质，用于存储计算机可读取的程序或指令，程序或指令被处理器执行时，能够实现上述任一种实现方式中的环境建图方法中的步骤。
采用上述实施例的有益效果是：本发明提供的一种环境建图方法、装置、设备及存储介质，通过获取周围环境的点云数据以及图像数据，将点云数据以及图像数据结合，得到周围环境的三维地图，并根据物体的运动属性，对不同的物体赋予不同的权重，得到具有周围环境运动属性的三维地图，具有精确的距离视图、精细的纹理和颜色信息。
附图说明
图1为本发明提供的环境建图方法的流程示意图；
图2为图1中步骤S101的一实施例的流程示意图；
图3为图1中步骤S103的一实施例的流程示意图；
图4为图1中步骤S104的一实施例的流程示意图；
图5为本发明提供的环境建图装置的一实施例的结构示意图；
图6为本发明实施例提供的环境建图电子设备的结构示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本发明提供了一种环境建图方法、装置、设备及存储介质，以下分别进行说明。
请查阅图1，图1为本发明提供的环境建图方法的流程示意图，本发明的一个具体实施例，公开了一种环境建图方法，包括：
S101、将周围环境的点云数据坐标转换为像素坐标，得到点云数据的像素坐标；
S102、将周围环境的图像数据贴上语义类别标签，得到语义图像；
S103、将点云数据的像素坐标与语义图像进行映射，得到语义点云；
S104、将语义点云集成为三维地图，并将三维地图中的不同物体赋予不同的权重，得到具有周围环境属性的三维地图。
在步骤S101中，首先获取周围环境的点云数据，点云数据是是在同一空间参考系下表达目标空间分布和目标表面特性的海量点的集合，此时的点云数据坐标和之后的图像数据所处的坐标不一致，要将点云数据坐标转换到像素坐标下，在同一个坐标才能进行相互之间的映射。
在步骤S102中，获取的初始图像数据为照片数据，对初始的照片数据进行语义分割处理，识别照片数据中的不同物体以及它们的位置，并对不同物体的像素点赋予不同的语义分割分数，对不同的语义分割分数赋予不同的语义标签，即得到了语义图片。
在步骤S103中，点云数据和照片数据是通过两种不同的方式获取的周围环境的数据，将两者结合起来获得更加清晰的周围环境数据，即将点云数据的像素坐标以及语义图片的像素点进行映射，把像素点的语义分割分数附加到点云数据，从而得到了语义点云数据。
在步骤S104中，将语义点云的数据集成到surfel地图中，得到包含周围环境语义点云数据的三维surfel地图，单个surfel地图包含内容：中心位置(xyz),法线(n)，半径(r)，创建时间(t1)和更新时间(t2)，并根据周围环境的语义标签进行处理，对周围的环境物体根据他们的不同运动属性，赋予不同的权重，则得到了具有周围环境属性的三维地图。
与现有技术相比，本实施例提供的一种环境建图方法、装置、设备及存储介质，通过获取周围环境的点云数据以及图像数据，将点云数据以及图像数据结合，得到周围环境的三维地图，并根据物体的运动属性，对不同的物体赋予不同的权重，得到具有周围环境运动属性的三维地图，具有精确的距离视图、精细的纹理和颜色信息。
请参阅图2，图2为图1中步骤S101的一实施例的流程示意图，在本发明的一些实施例中，点云数据包含多个目标点数据，目标点数据包含每个目标点的空间位置坐标；将周围环境的点云数据坐标转换为像素坐标，得到点云数据的像素坐标，包括：
S201、通过预设采集装置，获取点云数据；
S202、将目标点的空间位置坐标转换为预设相机的相机坐标；
S203、将目标点的相机坐标转换为像素坐标。
在步骤S201中，预设采集装置为激光雷达，通过激光雷达获取点云数据，其中点云数据的每个点用(x，y，z，r)来表示，其中x，y，z是每个激光雷达点的空间位置，r是反射率。
在步骤S202中，所述预设相机为获取周围环境的图像数据的相机，要把点云数据坐标转换为像素坐标需要先把点云数据坐标转换为预设相机的相机坐标，由于激光雷达和相机的速率不一致，所以还要计算两帧之间的位姿转换矩阵
Figure BDA0003350139860000061
完整的转换如下：
Figure BDA0003350139860000062
其中，激光雷达坐标系到车辆坐标系的转换矩阵为T(ego←lidar)，激光雷达捕获时的egot1帧，到图像捕获时的egotc帧，两帧之间车辆的位姿转换矩阵，转换矩阵
Figure BDA0003350139860000071
最后车辆坐标系到预设相机的相机坐标系，转换矩阵T(camera←ego)。
在步骤S203中，再将点云数据的相机坐标转换为像素坐标，转换过程如下：
A＝MT×B，
其中，A是像素坐标，M是预设相机的相机内参矩阵，T是上面由激光点云坐标系到预设相机的相机坐标系的转换矩阵，B是点云坐标。
在上述实施例中，通过激光雷达获取周围环境的点云数据，然后通过坐标转换关系，将点云数据坐标转换到像素坐标下，方便与语义图像数据进行映射。
在本发明的一些实施例中，将周围环境的图像数据贴上语义类别标签，得到语义图像，包括：
建立预设神经网络模型，通过卷积神经网络模型以及周围环境的图像数据，得到语义图像。
在上述实施例中，预设神经网络模型为Rangenet++神经网络模型，该模型基于PyTorch架构，采用Rangenet++对目标进行检测，该网络由Darknet-53作为整个网络的分类骨干部分，能够输出三个尺寸的特征图，第一个特征图下采样32倍，第二个特征图下采样16倍，第三个下采样8 倍，通过这三种规格的特征图实现了对大尺寸物体和小尺寸物体的检测。
需要说明的是，该卷积神经网络模型能够输出三种不同采样倍数的特征图，在使用中根据实际需要，选择输出对应采样倍数的特征图。
在本发明的一些实施例中，建立卷积神经网络模型，通过卷积神经网络模型以及周围环境的图像数据，得到语义图像，包括：
将周围环境的图像数据作为输入，输入到预设神经网络模型，输出对应的语义图像，语义图像包括语义类别标签。
在上述实施例中，将周围环境的图像数据输入到Rangenet++神经网络模型，该网络经过处理后，能够识别原始图像里面的物体类，并打上相对应的语义类别标签，最后将这个语义图像作为输出。
请参阅图3，图3为图1中步骤S103的一实施例的流程示意图，在本发明的一些实施例中，语义图像中的像素点包含语义分割分数，将点云数据的像素坐标与语义图像进行映射，得到语义点云，包括：
S301、将点云数据的像素坐标映射到语义图像；
S302、通过预设方法，得到与点云数据像素坐标达到预设要求的像素点；
S303、将达到预设要求的像素点的语义分割分数附加给对应的点云数据，得到语义点云。
在步骤S301中，此时的点云数据和图像数据同在像素坐标下，通过映射，将点云数据的像素点投影到图像数据的像素点上，方便将激光雷达检测的点云数据以及相机检测的图像数据进行比较。
在步骤S302中，所述预设方法为最近点搜索法，所述预设要求的像素点为与激光点云最近的像素点，将像素坐标下的激光雷达点云数据投影到图像中后，经过两点之间的ICP(最近点搜索法)，找到与激光点云最近的像素点(h，w)。
在步骤S303中，将与激光点云最近的像素点(h，w)的语义分割分数附加到激光雷达点云，从而得到具有语义的激光雷达点云数据，其中，语义类别有汽车、行人、自行车、植被和背景等。
在上述实施例中，将激光雷达获取的点云数据与相机获取的语义数据进行映射，并根据最经典搜索法，将与点云数据像素坐标达到预设要求的像素点的语义分割分数附加给对应的点云数据，得到语义点云。
请参阅图4，图4为图1中步骤S104的一实施例的流程示意图，在本发明的一些实施例中，将语义点云集成为三维地图，并将三维地图中的不同物体赋予不同的权重，得到具有周围环境运动属性的三维地图，包括：
S401、计算三维地图的稳定性系数；
S402、根据预设匹配算法，计算三维地图与先验地图的损失函数；
S403、将三维地图的不稳定部分、稳定的三维地图与先验地图的语义标签不一致部分的权重清零，得到具有周围环境运动属性的三维地图。
在步骤S401中，三维地图为包含周围环境语义点云数据的surfel三维地图，之后需要判断该地图的稳定性，通过二元贝叶斯滤波器来判断，二元贝叶斯滤波器的惩罚公式如下所示：
Figure BDA0003350139860000091
其中，ls为稳定对数比率，odds为一个函数关系式，其具体的计算关系为odds(p)＝log(p(1-p)-1)，pstable为给定相容测度，pprior为surfel 先验稳定概率，ppenalty为为工程经验值，
Figure BDA0003350139860000092
为surfel的法线与被积分法线之间的角度测量，
Figure BDA0003350139860000093
为相对于surfel的测量距离，通过计算ls的值，与设定的阈值相比较，可以很好对动态物体的检测并滤除动态物体。
在步骤S402中，所述预设匹配算法为在传统的ICP算法上加上了语义约束，将surfel三维地图与先验地图进行匹配，检测当前surfel三维地图与先验地图的语义一致性，匹配算法在传统的ICP算法上加上了语义约束，损失函数如下所示：
Figure BDA0003350139860000101
其中，u为观测到的顶点，vu为先验地图顶点的集合，nu为先验地图法线的集合，
Figure BDA0003350139860000102
为转换矩阵，
Figure BDA0003350139860000103
为surfel三维地图中顶点图，
Figure BDA0003350139860000104
为 surfel三维地图中法线图，ru为残量，wu为对应权重顶点。
在步骤S403中，权重wu由如下公式求得:
Figure BDA0003350139860000105
Figure BDA0003350139860000106
权重wu值由Huber范数ρHuber(r)、语义概率Csemantic(SD(u),SM(u)) 和稳定对数ls来共同决定，当语义标签不一致时，就会认定这部分的surfel 是移动对象，相对应的权重wu会清零，当稳定对数ls值小于阈值的时候，我们也会认为此时surfel含有移动对象，相对应的wu也会清0，通过公式可以发现，对于每个类别语义的权重是不一样的，这样可以有效把提高定位与地图的鲁棒性。
在上述实施例中，通过建立包含周围环境语义数据的surfel三维地图，然后将周围环境的surfel三维地图与先验地图进行匹配，判断其中的物体算法是移动的物体，并对其赋予不同的权重，从而得到了具有周围环境运动属性的三维地图。
在本发明的一些实施例中，根据预设匹配算法，计算三维地图与先验地图的损失函数，包括：
计算使损失函数达到预设条件的决定性增量值。
在上述实施例中，使损失函数达到预设条件为使损失函数最小化，计算相应的增量δ，我们通过下面的公式求得：
δ＝(JTWJ)-1JTWr，
其中，δ为增量，r为残差向量，J为r相对于δ的雅克比矩阵，W是对角矩阵。
为了更好实施本发明实施例中的环境建图方法，在环境建图方法基础之上，对应的，请参阅图5，图5为本发明提供的环境建图装置的一实施例的结构示意图，本发明实施例提供了一种环境建图装置500，包括：
点云数据处理模块501，用于将周围环境的点云数据坐标转换为像素坐标，得到点云数据的像素坐标；
语义图像获取模块502，用于将周围环境的图像数据贴上语义类别标签，得到语义图像；
映射模块503，用于将点云数据的像素坐标与语义图像进行映射，得到语义点云；
环境建图模块504，用于将语义点云集成为三维地图，并将三维地图中的不同物体赋予不同的权重，得到具有周围环境运动属性的三维地图。
这里需要说明的是：上述实施例提供的装置500可实现上述各方法实施例中描述的技术方案，上述各模块或单元具体实现的原理可参见上述方法实施例中的相应内容，此处不再赘述。
请参阅图6，图6为本发明实施例提供的环境建图电子设备的结构示意图。基于上述环境建图方法，本发明还相应提供了一种环境建图设备，环境建图设备可以是移动终端、桌上型计算机、笔记本、掌上电脑及服务器等计算设备。该环境建图设备包括处理器610、存储器620及显示器630。图6仅示出了电子设备的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
存储器620在一些实施例中可以是环境建图设备的内部存储单元，例如环境建图设备的硬盘或内存。存储器620在另一些实施例中也可以是环境建图设备的外部存储设备，例如环境建图设备上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD) 卡，闪存卡(Flash Card)等。进一步地，存储器620还可以既包括环境建图设备的内部存储单元也包括外部存储设备。存储器620用于存储安装于环境建图设备的应用软件及各类数据，例如安装环境建图设备的程序代码等。存储器620还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，存储器620上存储有环境建图程序640，该环境建图程序640可被处理器610所执行，从而实现本申请各实施例的环境建图方法。
处理器610在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)，微处理器或其他数据处理芯片，用于运行存储器620中存储的程序代码或处理数据，例如执行环境建图方法等。
显示器630在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。显示器630用于显示在环境建图设备的信息以及用于显示可视化的用户界面。环境建图设备的部件610-630通过系统总线相互通信。
在一实施例中，当处理器610执行存储器620中环境建图程序640 时实现如上的环境建图方法中的步骤。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种环境建图方法，其特征在于，包括：
将周围环境的点云数据坐标转换为像素坐标，得到点云数据的像素坐标；
将周围环境的图像数据贴上语义类别标签，得到语义图像；
将所述点云数据的像素坐标与所述语义图像进行映射，得到语义点云；
将所述语义点云集成为三维地图，并将所述三维地图中的不同物体赋予不同的权重，得到具有周围环境运动属性的三维地图。
2.根据权利要求1所述的环境建图方法，其特征在于，所述点云数据包含多个目标点数据，所述目标点数据包含每个目标点的空间位置坐标；所述将周围环境的点云数据坐标转换为像素坐标，得到点云数据的像素坐标，包括：
通过预设采集装置，获取点云数据；
将所述目标点的空间位置坐标转换为预设相机的相机坐标；
将所述目标点的相机坐标转换为像素坐标。
3.根据权利要求1所述的环境建图方法，其特征在于，所述将周围环境的图像数据贴上语义类别标签，得到语义图像，包括：
建立预设神经网络模型，通过所述卷积神经网络模型以及所述周围环境的图像数据，得到语义图像。
4.根据权利要求3所述的环境建图方法，其特征在于，所述建立卷积神经网络模型，通过所述卷积神经网络模型以及所述周围环境的图像数据，得到语义图像，包括：
将所述周围环境的图像数据作为输入，输入到所述预设神经网络模型，输出对应的语义图像，所述语义图像包括语义类别标签。
5.根据权利要求1所述的环境建图方法，其特征在于，所述语义图像中的像素点包含语义分割分数，所述将所述点云数据的像素坐标与所述语义图像进行映射，得到语义点云，包括：
将所述点云数据的像素坐标映射到所述语义图像；
通过预设方法，得到与所述点云数据像素坐标达到预设要求的像素点；
将所述达到预设要求的像素点的语义分割分数附加给对应的点云数据，得到语义点云。
6.根据权利要求1所述的环境建图方法，其特征在于，所述将所述语义点云集成为三维地图，并将所述三维地图中的不同物体赋予不同的权重，得到具有周围环境运动属性的三维地图，包括：
计算所述三维地图的稳定性系数；
根据预设匹配算法，计算所述三维地图与先验地图的损失函数；
将所述三维地图的不稳定部分、稳定的所述三维地图与先验地图的语义标签不一致部分的权重清零，得到具有周围环境运动属性的三维地图。
7.根据权利要求6所述的环境建图方法，其特征在于，所述根据预设匹配算法，计算所述三维地图与先验地图的损失函数，包括：
计算使所述损失函数达到预设条件的决定性增量值。
8.一种环境建图系统，其特征在于，包括：
点云数据处理模块，用于将周围环境的点云数据坐标转换为像素坐标，得到点云数据的像素坐标；
语义图像获取模块，用于将周围环境的图像数据贴上语义类别标签，得到语义图像；
映射模块，用于将所述点云数据的像素坐标与所述语义图像进行映射，得到语义点云；
环境建图模块，用于将所述语义点云集成为三维地图，并将所述三维地图中的不同物体赋予不同的权重，得到具有周围环境运动属性的三维地图。
9.一种电子设备，其特征在于，包括存储器和处理器，其中，
所述存储器，用于存储程序；
所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以实现上述权利要求1至7中任一项所述环境建图方法中的步骤。
10.一种计算机可读存储介质，其特征在于，用于存储计算机可读取的程序或指令，所述程序或指令被处理器执行时，能够实现上述权利要求1至7中任一项所述环境建图方法中的步骤。
CN202111334833.8A 2021-11-11 2021-11-11 一种环境建图方法、装置、设备及存储介质 Pending CN114067068A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111334833.8A CN114067068A (zh) 2021-11-11 2021-11-11 一种环境建图方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111334833.8A CN114067068A (zh) 2021-11-11 2021-11-11 一种环境建图方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN114067068A true CN114067068A (zh) 2022-02-18

Family

ID=80275198

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111334833.8A Pending CN114067068A (zh) 2021-11-11 2021-11-11 一种环境建图方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN114067068A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114754779A (zh) * 2022-04-27 2022-07-15 镁佳(北京)科技有限公司 一种定位与建图方法、装置及电子设备
WO2023138331A1 (zh) * 2022-01-21 2023-07-27 北京地平线信息技术有限公司 一种构建语义地图的方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023138331A1 (zh) * 2022-01-21 2023-07-27 北京地平线信息技术有限公司 一种构建语义地图的方法及装置
CN114754779A (zh) * 2022-04-27 2022-07-15 镁佳(北京)科技有限公司 一种定位与建图方法、装置及电子设备

Similar Documents

Publication Publication Date Title
CN110866496B (zh) 基于深度图像的机器人定位与建图方法和装置
CN109214980B (zh) 一种三维姿态估计方法、装置、设备和计算机存储介质
CN110095752B (zh) 定位方法、装置、设备和介质
US10872227B2 (en) Automatic object recognition method and system thereof, shopping device and storage medium
CN114067068A (zh) 一种环境建图方法、装置、设备及存储介质
CN112233221B (zh) 基于即时定位与地图构建的三维地图重建系统及方法
CN113989450A (zh) 图像处理方法、装置、电子设备和介质
WO2021027692A1 (zh) 视觉特征库的构建方法、视觉定位方法、装置和存储介质
CN112435193B (zh) 一种点云数据去噪的方法、装置、存储介质和电子设备
CN113793370B (zh) 三维点云配准方法、装置、电子设备及可读介质
US11798181B2 (en) Method and system for location detection of photographs using topographic techniques
CN112116655A (zh) 目标对象的图像的位置信息确定方法和装置
WO2014159321A1 (en) System and method for classification of three-dimensional models in a virtual environment
CN110926478A (zh) 一种ar导航路线纠偏方法、系统及计算机可读存储介质
CN114693865A (zh) 数据处理方法及相关装置
CN112639822B (zh) 一种数据处理方法及装置
US20230169680A1 (en) Beijing baidu netcom science technology co., ltd.
CN116642490A (zh) 基于混合地图的视觉定位导航方法、机器人及存储介质
CN115883969A (zh) 一种无人机拍摄方法、装置、设备及介质
CN115527000A (zh) 一种用于无人机倾斜摄影模型批量单体化的方法及装置
CN116090094A (zh) 一种基于红外热成像的船体热模型建立方法、装置及设备
CN114440856A (zh) 一种构建语义地图的方法及装置
CN114416764A (zh) 地图更新方法、装置、设备及存储介质
CN117115238B (zh) 一种确定位姿的方法、电子设备及存储介质
CN113302654A (zh) 一种图像中物体的空间维度测量方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination