CN114119850A - 一种虚实激光雷达点云的融合方法和装置 - Google Patents
一种虚实激光雷达点云的融合方法和装置 Download PDFInfo
- Publication number
- CN114119850A CN114119850A CN202210090998.3A CN202210090998A CN114119850A CN 114119850 A CN114119850 A CN 114119850A CN 202210090998 A CN202210090998 A CN 202210090998A CN 114119850 A CN114119850 A CN 114119850A
- Authority
- CN
- China
- Prior art keywords
- data structure
- point cloud
- dimensional
- laser radar
- dimensional 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/10—Geometric effects
- G06T15/40—Hidden part removal
- G06T15/405—Hidden part removal using Z-buffer
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明涉及激光雷达点云仿真领域,尤其涉及一种虚实激光雷达点云的融合方法和装置,该方法首先获取真实场景中的激光雷达点云数据,然后构建虚拟场景,使用仿真激光雷达生成虚拟激光雷达点云数据,栅格化真实激光雷达点云数据,最后将栅格化的真实点云数据和虚拟点云数据通过深度缓存器算法写入到融合结果缓存中,将真实激光雷达点云数据和虚拟激光雷达点云数据精确融合,发挥了仿真模拟的高度动态性和灵活性,丰富了点云数据集,解决了感知算法等下游机器学习算法数据集不足的问题。
Description
技术领域
本发明涉及激光雷达点云仿真领域,尤其涉及一种虚实激光雷达点云的融合方法和装置。
背景技术
自动驾驶技术,尤其是其核心的感知算法,需要使用海量的感知数据作为训练数据集。常见的感知数据有激光雷达点云数据、毫米波点云数据、超声波数据、图像数据等。真实激光雷达点云数据需要工作人员在各种路况场景下实地采样,其采集和标注成本很高。在仿真场景中则可以快速生成大量基于虚拟交通参与者的虚拟激光雷达点云数据,并且能够自动化产生标注信息。现有的自动驾驶算法通常只使用单一的真实点云数据或虚拟点云数据,或者混合使用两种数据,没有将两者有机融合到一起形成新的点云数据。这会导致点云数据集不足和数据一致性问题。
发明内容
为了解决现有技术中存在的上述技术问题,本发明提出了一种虚实激光雷达点云的融合方法和装置,其具体技术方案如下:
一种虚实激光雷达点云的融合方法,包括以下步骤:
步骤S1,采集真实激光雷达点云数据;
步骤S2,构建虚拟场景,生成虚拟激光雷达点云数据;
步骤S3,栅格化真实激光雷达点云数据,将栅格化的真实激光雷达点云数据通过深度缓冲器算法写入融合结果缓存中;
步骤S4,将虚拟点云数据通过深度缓冲器算法写入融合结果缓存中,完成虚实点云数据融合。
进一步的,所述步骤S1,具体为:在真实场景采用激光雷达采集真实激光雷达点云数据,存储至一维数据结构A中。
进一步的,所述步骤S2,具体为:使用仿真激光雷达生成虚拟激光雷达点云数据,存储到二维数据结构B中,其中仿真激光雷达的激光发射器数量、射线与水平面的夹角序列、水平角分辨率均与真实激光雷达保持一致。
进一步的,所述步骤S3,具体为:生成一个二维数据结构C,将二维数据结构C中所有元素初始化为非有效值,遍历一维数据结构A,为一维数据结构A中的元素找到合适的位置并存储到二维数据结构C中。
进一步的,所述步骤S3中的寻找合适位置,具体包括:
步骤S3.1,通过一维数据结构A中的元素获取三维点云坐标,分别计算三维点云坐标和仿真激光雷达前向射线的水平夹角、水平面的垂直夹角;
步骤S3.2,然后将水平夹角和垂直夹角分别进行映射;
步骤S3.3, 若二维数据结构C中一维坐标元素为非有效值,则使用一维数据结构A中的元素作为二维数据结构C中一维坐标元素,反之判断一维数据结构A中的元素和二维数据结构C中一维坐标元素存储的三维点云坐标和激光雷达坐标原点的距离,前者距离小于后者,则使用一维数据结构A中的元素作为二维数据结构C中元素,否则继续遍历。
进一步的,所述步骤S4,具体为:遍历存储虚拟点云雷达数据的二维数据结构B中元素,若二维数据结构C中二维坐标元素为非有效值,则使用二维数据结构B中元素作为二维数据结构C中二维坐标元素,反之判断二维数据结构B中元素和二维数据结构C中二维坐标元素存储的三维点云坐标和激光雷达坐标原点的距离,前者距离小于后者,则使用二维数据结构B中的元素作为二维数据结构C中元素,至此完成虚实点云数据融合;否则继续遍历。
一种虚实激光雷达点云的融合装置,包括一个或多个处理器,用于实现所述的一种虚实激光雷达点云的融合方法。
有益效果:
本发明方法将真实激光雷达点云数据和虚拟激光雷达点云数据精确融合,发挥了仿真模拟的高度动态性和灵活性,丰富了点云数据集,解决了感知算法等下游机器学习算法数据集不足的问题。
附图说明
图1为本发明的方法流程图;
图2为本发明的应用效果图;
图3为本发明的虚实激光雷达点云的融合装置所在任意具备数据处理能力的设备的一种硬件结构图。
具体实施方式
为了使本发明的目的、技术方案和技术效果更加清楚明白,以下结合说明书附图和实施例,对本发明作进一步详细说明。
如图1所示,本发明提出了一种虚实激光雷达点云的融合方法,包括以下步骤:
步骤S1,采集真实激光雷达点云数据:在真实场景采用激光雷达采集真实激光雷达点云数据,存储至一维数据结构A中。
具体的,在真实场景中使用40线激光雷达采集真实激光雷达点云数据,存储到长度为MA的一维数据结构A中,其中MA<=72000,点云数据包括相对于激光雷达坐标的三维点云坐标和反射强度值。
步骤S2,构建虚拟场景,生成虚拟激光雷达点云数据:使用仿真激光雷达生成虚拟激光雷达点云数据,存储到二维数据结构B中,其中仿真激光雷达的激光发射器数量、射线与水平面的夹角序列、水平角分辨率均与真实激光雷达保持一致。
具体的,使用仿真激光雷达Lidar生成点云数据,其中的点云数据包括相对于激光雷达坐标的三维点云坐标和反射强度值;仿真激光雷达Lidar有40个激光发射器,每个激光发射器发出1条激光射线,每条射线与水平面的夹角依次为Q0=-25.137,Q1=-25.137,Q2=-19.130,…,QL-1=14.641;Lidar的水平角分辨率为0.2度,水平采样数量H=360/0.2=1800;将虚拟点云数据存储到一个具有MB列NB行的二维数据结构B中,其中MB=H=1800,NB=L=40;仿真激光雷达Lidar的激光发射器数量、射线与水平面的夹角序列、水平角分辨率均与真实激光雷达保持一致。
步骤S3,栅格化真实激光雷达点云数据,将栅格化的真实激光雷达点云数据通过深度缓冲器算法写入融合结果缓存中:生成一个二维数据结构C,将二维数据结构C中所有元素初始化为非有效值,遍历一维数据结构A,为一维数据结构A中的元素找到合适的位置并存储到二维数据结构C中。
具体的,生成一个具有MB列NB行的二维数据结构C,C用来存储真实激光雷达点云数据与虚拟激光雷达点云数据的融合结果;将C中所有元素初始化为非有效值;遍历A的每一个元素A[i],其中i∈{0,1,2...,MA-1},为其找到合适的位置并存储到C中,寻找合适位置的具体步骤如下:
步骤S3.1,通过一维数据结构A中的元素获取三维点云坐标,分别计算三维点云坐标和仿真激光雷达前向射线的水平夹角、水平面的垂直夹角,具体的,从A[i]中获取三维点云坐标p,计算p和Lidar前向射线的水平夹角yaw=atan2(py,px) * (180 / pi),p和Lidar水平面的垂直夹角pitch= atan2(pz, sqrt(px * px + py * py)) * (180 / pi),其中px,py,pz分别为三维点云坐标p的xyz分量,pi为圆周率;
步骤S3.2,然后将水平夹角和垂直夹角分别进行映射,具体的,将水平夹角yaw映射为列向坐标x,x=-180+(yaw+180)* MB/360,其中x∈{0,1,2..., MB-1};将垂直夹角pitch映射为行向坐标y,y满足如下条件:对于任意k∈{0,1,2...,NB-1},|pitch – Qy| <=|pitch - Qk|,其中y∈{0,1,2..., NB-1};
步骤S3.3,若二维数据结构C中一维坐标元素为非有效值,则使用一维数据结构A中的元素作为二维数据结构C中一维坐标元素,反之判断一维数据结构A中的元素和二维数据结构C中一维坐标元素存储的三维点云坐标和激光雷达坐标原点的距离,前者距离小于后者,则使用一维数据结构A中的元素作为二维数据结构C中元素,否则继续遍历,详细的为:如果C[x][y]为非有效值,则设C[x][y]=A[i];否则判断A[i]和C[x][y]存储的三维点云坐添和激光雷达坐标原点的距离关系:如果dist(A[i]) < dist(C[x][y]),则设C[x][y]=A[i],否则继续进行下一次遍历;其中dist函数用来计算点云数据中三维点云坐添和激光雷达坐标原点的距离;
步骤S4,遍历存储虚拟点云雷达数据的二维数据结构B中元素,若二维数据结构C中二维坐标元素为非有效值,则使用二维数据结构B中元素作为二维数据结构C中二维坐标元素,反之判断二维数据结构B中元素和二维数据结构C中二维坐标元素存储的三维点云坐标和激光雷达坐标原点的距离,前者距离小于后者,则使用二维数据结构B中的元素作为二维数据结构C中元素,至此完成虚实点云数据融合;否则继续遍历;
详细的为将虚拟点云数据通过深度缓冲器算法写入融合结果缓存中:
遍历虚拟点云数据B,对于每一个元素B[m, n],其中m∈{0,1,2..., MB-1},n∈{0,1,2..., NB-1},进行如下处理:
如果C[m][n]为非有效值,则设C[m][n]= B[m, n];否则判断B[m, n]和C[m][n]存储的三维点云坐标和激光雷达坐标原点的距离关系:如果dist(B[m, n]) < dist(C[m][n]),则设C[m][n]= B[m, n];否则继续进行下一次遍历。
最终的虚实激光雷达点云融合的结果如图2所示,白色部分为真实激光雷达点云,黑色部分为虚拟激光雷达点云。可以看出,虚拟激光雷达点云和真实激光雷达点云的遮挡关系正确,点云密度一致,融合效果良好,体现了本发明的有益效果。
与前述一种虚实激光雷达点云的融合方法的实施例相对应,本发明还提供了一种虚实激光雷达点云的融合装置的实施例。
参见图3,本发明实施例提供的一种虚实激光雷达点云的融合装置,包括一个或多个处理器,用于实现上述实施例中的一种虚实激光雷达点云的融合方法。
本发明一种虚实激光雷达点云的融合装置的实施例可以应用在任意具备数据处理能力的设备上,该任意具备数据处理能力的设备可以为诸如计算机等设备或装置。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。以软件实现为例,作为一个逻辑意义上的装置,是通过其所在任意具备数据处理能力的设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言,如图3所示,为本发明一种虚实激光雷达点云的融合装置所在任意具备数据处理能力的设备的一种硬件结构图,除了图3所示的处理器、内存、网络接口、以及非易失性存储器之外,实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能,还可以包括其他硬件,对此不再赘述。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
本发明实施例还提供一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时,实现上述实施例中的一种虚实激光雷达点云的融合装置。
所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元,例如硬盘或内存。所述计算机可读存储介质也可以是风力发电机的外部存储设备,例如所述设备上配备的插接式硬盘、智能存储卡(Smart Media Card,SMC)、SD卡、闪存卡(Flash Card)等。进一步的,所述计算机可读存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据,还可以用于暂时地存储已经输出或者将要输出的数据。
以上所述,仅为本发明的优选实施案例,并非对本发明做任何形式上的限制。虽然前文对本发明的实施过程进行了详细说明,对于熟悉本领域的人员来说,其依然可以对前述各实例记载的技术方案进行修改,或者对其中部分技术特征进行同等替换。凡在本发明精神和原则之内所做修改、同等替换等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种虚实激光雷达点云的融合方法,其特征在于,包括以下步骤:
步骤S1,采集真实激光雷达点云数据;
步骤S2,构建虚拟场景,生成虚拟激光雷达点云数据;
步骤S3,栅格化真实激光雷达点云数据,将栅格化的真实激光雷达点云数据通过深度缓冲器算法写入融合结果缓存中;
步骤S4,将虚拟点云数据通过深度缓冲器算法写入融合结果缓存中,完成虚实点云数据融合。
2.如权利要求1所述的一种虚实激光雷达点云的融合方法,其特征在于,所述步骤S1,具体为:在真实场景采用激光雷达采集真实激光雷达点云数据,存储至一维数据结构A中。
3.如权利要求2所述的一种虚实激光雷达点云的融合方法,其特征在于,所述步骤S2,具体为:使用仿真激光雷达生成虚拟激光雷达点云数据,存储到二维数据结构B中,其中仿真激光雷达的激光发射器数量、射线与水平面的夹角序列、水平角分辨率均与真实激光雷达保持一致。
4.如权利要求3所述的一种虚实激光雷达点云的融合方法,其特征在于,所述步骤S3,具体为:生成一个二维数据结构C,将二维数据结构C中所有元素初始化为非有效值,遍历一维数据结构A,为一维数据结构A中的元素找到合适的位置并存储到二维数据结构C中。
5.如权利要求4所述的一种虚实激光雷达点云的融合方法,其特征在于,所述步骤S3中的寻找合适位置,具体包括:
步骤S3.1,通过一维数据结构A中的元素获取三维点云坐标,分别计算三维点云坐标和仿真激光雷达前向射线的水平夹角、水平面的垂直夹角;
步骤S3.2,然后将水平夹角和垂直夹角分别进行映射;
步骤S3.3, 若二维数据结构C中一维坐标元素为非有效值,则使用一维数据结构A中的元素作为二维数据结构C中一维坐标元素,反之判断一维数据结构A中的元素和二维数据结构C中一维坐标元素存储的三维点云坐标和激光雷达坐标原点的距离,前者距离小于后者,则使用一维数据结构A中的元素作为二维数据结构C中元素,否则继续遍历。
6.如权利要求4所述的一种虚实激光雷达点云的融合方法,其特征在于,所述步骤S4,具体为:遍历存储虚拟点云雷达数据的二维数据结构B中元素,若二维数据结构C中二维坐标元素为非有效值,则使用二维数据结构B中元素作为二维数据结构C中二维坐标元素,反之判断二维数据结构B中元素和二维数据结构C中二维坐标元素存储的三维点云坐标和激光雷达坐标原点的距离,前者距离小于后者,则使用二维数据结构B中的元素作为二维数据结构C中元素,至此完成虚实点云数据融合;否则继续遍历。
7.一种虚实激光雷达点云的融合装置,其特征在于,包括一个或多个处理器,用于实现权利要求1-6中任一项所述的一种虚实激光雷达点云的融合方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210090998.3A CN114119850B (zh) | 2022-01-26 | 2022-01-26 | 一种虚实激光雷达点云的融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210090998.3A CN114119850B (zh) | 2022-01-26 | 2022-01-26 | 一种虚实激光雷达点云的融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114119850A true CN114119850A (zh) | 2022-03-01 |
CN114119850B CN114119850B (zh) | 2022-06-03 |
Family
ID=80361993
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210090998.3A Active CN114119850B (zh) | 2022-01-26 | 2022-01-26 | 一种虚实激光雷达点云的融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114119850B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114386293A (zh) * | 2022-03-22 | 2022-04-22 | 之江实验室 | 一种虚实合成的激光雷达点云生成方法和装置 |
CN115393496A (zh) * | 2022-10-25 | 2022-11-25 | 之江实验室 | 一种多激光雷达仿真点云的快速绘制方法和装置 |
CN115469292A (zh) * | 2022-11-01 | 2022-12-13 | 天津卡尔狗科技有限公司 | 环境感知方法、装置、电子设备和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109859154A (zh) * | 2019-01-31 | 2019-06-07 | 深兰科技(上海)有限公司 | 一种数据融合方法、装置、设备及介质 |
US20190197711A1 (en) * | 2016-09-05 | 2019-06-27 | Return to Scene Limited | Method and system for recording spatial information |
CN111958595A (zh) * | 2020-08-13 | 2020-11-20 | 成都理工大学 | 一种变电站巡检机器人多传感器异步信息融合系统及方法 |
WO2020242170A1 (en) * | 2019-05-28 | 2020-12-03 | Samsung Electronics Co., Ltd. | Electronic device and controlling method thereof |
CN112652045A (zh) * | 2020-12-30 | 2021-04-13 | 哈尔滨工业大学(威海) | 一种面向自动驾驶虚实融合测试的点云融合方法及其应用 |
CN113009506A (zh) * | 2021-02-22 | 2021-06-22 | 西安交通大学 | 一种虚实结合的实时激光雷达数据生成方法、系统及设备 |
CN113822975A (zh) * | 2020-06-02 | 2021-12-21 | 辉达公司 | 用于对图像进行有效采样的技术 |
-
2022
- 2022-01-26 CN CN202210090998.3A patent/CN114119850B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190197711A1 (en) * | 2016-09-05 | 2019-06-27 | Return to Scene Limited | Method and system for recording spatial information |
CN109859154A (zh) * | 2019-01-31 | 2019-06-07 | 深兰科技(上海)有限公司 | 一种数据融合方法、装置、设备及介质 |
WO2020242170A1 (en) * | 2019-05-28 | 2020-12-03 | Samsung Electronics Co., Ltd. | Electronic device and controlling method thereof |
CN113822975A (zh) * | 2020-06-02 | 2021-12-21 | 辉达公司 | 用于对图像进行有效采样的技术 |
CN111958595A (zh) * | 2020-08-13 | 2020-11-20 | 成都理工大学 | 一种变电站巡检机器人多传感器异步信息融合系统及方法 |
CN112652045A (zh) * | 2020-12-30 | 2021-04-13 | 哈尔滨工业大学(威海) | 一种面向自动驾驶虚实融合测试的点云融合方法及其应用 |
CN113009506A (zh) * | 2021-02-22 | 2021-06-22 | 西安交通大学 | 一种虚实结合的实时激光雷达数据生成方法、系统及设备 |
Non-Patent Citations (2)
Title |
---|
NIE, JIANHUI等: "《An algorithm for the rapid generation of bas-reliefs based on point clouds》", 《GRAPHICAL MODELS》 * |
王霜: "《基于三维实景重构的挖掘机动态模拟试验系统研究》", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114386293A (zh) * | 2022-03-22 | 2022-04-22 | 之江实验室 | 一种虚实合成的激光雷达点云生成方法和装置 |
CN114386293B (zh) * | 2022-03-22 | 2022-07-08 | 之江实验室 | 一种虚实合成的激光雷达点云生成方法和装置 |
CN115393496A (zh) * | 2022-10-25 | 2022-11-25 | 之江实验室 | 一种多激光雷达仿真点云的快速绘制方法和装置 |
CN115469292A (zh) * | 2022-11-01 | 2022-12-13 | 天津卡尔狗科技有限公司 | 环境感知方法、装置、电子设备和存储介质 |
CN115469292B (zh) * | 2022-11-01 | 2023-03-24 | 天津卡尔狗科技有限公司 | 环境感知方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114119850B (zh) | 2022-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114119850B (zh) | 一种虚实激光雷达点云的融合方法 | |
US11763474B2 (en) | Method for generating simulated point cloud data, device, and storage medium | |
JP6866441B2 (ja) | 3次元シーンマップの生成方法、生成装置、機器および記憶媒体 | |
JP2019133646A (ja) | 点群データ同士のマッチング関係を確定するための方法及び装置 | |
CN112257605B (zh) | 基于自标注训练样本的三维目标检测方法、系统及装置 | |
CN115100339A (zh) | 图像生成方法、装置、电子设备和存储介质 | |
CN113761999B (zh) | 一种目标检测方法、装置、电子设备和存储介质 | |
CN114386293B (zh) | 一种虚实合成的激光雷达点云生成方法和装置 | |
KR20200136723A (ko) | 가상 도시 모델을 이용하여 객체 인식을 위한 학습 데이터 생성 방법 및 장치 | |
CN112329846A (zh) | 激光点云数据高精度标注方法及系统、服务器及介质 | |
CN114332792A (zh) | 基于关键点多尺度融合的立体场景目标检测方法及系统 | |
CN115423968A (zh) | 基于点云数据和实景三维模型的输电通道优化方法 | |
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 | |
CN113033426B (zh) | 动态对象标注方法、装置、设备和存储介质 | |
CN113655494B (zh) | 路侧相机与4d毫米波融合的目标检测方法、设备及介质 | |
CN113808142B (zh) | 一种地面标识的识别方法、装置、电子设备 | |
CN114973185A (zh) | 基于点云的雷达数据增强方法及装置 | |
CN112634439A (zh) | 一种3d信息展示方法及装置 | |
CN114820416A (zh) | 车辆航向角计算方法、车辆位姿计算方法、装置及设备 | |
CN112652056A (zh) | 一种3d信息展示方法及装置 | |
CN114895316B (zh) | 一种多激光雷达测距的快速数值仿真方法和装置 | |
CN117333676B (zh) | 基于图表达的点云特征提取方法、点云视觉检测方法 | |
CN117078470B (zh) | 一种基于bim+gis的三维征拆管理系统 | |
US20230351728A1 (en) | Machine learning for vector map generation | |
US20240153207A1 (en) | Systems, methods, and media for filtering points of a point cloud utilizing visibility factors to generate a model of a scene |
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 |