CN114216482A - 轨迹外参真值确定方法及装置、存储介质、电子设备 - Google Patents
轨迹外参真值确定方法及装置、存储介质、电子设备 Download PDFInfo
- Publication number
- CN114216482A CN114216482A CN202111525366.7A CN202111525366A CN114216482A CN 114216482 A CN114216482 A CN 114216482A CN 202111525366 A CN202111525366 A CN 202111525366A CN 114216482 A CN114216482 A CN 114216482A
- Authority
- CN
- China
- Prior art keywords
- external reference
- coordinate system
- data
- reference sequence
- precision
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000006243 chemical reaction Methods 0.000 claims abstract description 34
- 230000003287 optical effect Effects 0.000 claims description 22
- 230000009466 transformation Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 101000606504 Drosophila melanogaster Tyrosine-protein kinase-like otk Proteins 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 6
- 238000004422 calculation algorithm Methods 0.000 description 22
- 238000010586 diagram Methods 0.000 description 20
- 239000003550 marker Substances 0.000 description 17
- QBWCMBCROVPCKQ-UHFFFAOYSA-N chlorous acid Chemical compound OCl=O QBWCMBCROVPCKQ-UHFFFAOYSA-N 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000002372 labelling Methods 0.000 description 9
- 238000013473 artificial intelligence Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass
- G01C25/005—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass initial alignment, calibration or starting-up of inertial devices
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Navigation (AREA)
Abstract
本公开提供一种轨迹外参真值确定方法及装置、电子设备、存储介质;涉及定位导航技术领域。所述轨迹外参真值确定方法包括:获取目标移动轨迹在第一坐标系下的低精度外参序列;获取所述目标移动轨迹在第二坐标系下的高精度外参序列;根据所述低精度外参序列和所述高精度外参序列确定所述目标移动轨迹从所述第一坐标系转换到所述第二坐标系的坐标转换数据;通过所述高精度外参序列以及所述坐标转换数据,确定所述目标移动轨迹在所述第一坐标系下的外参真值数据。本公开可以通过标定目标移动轨迹的坐标转换数据确定外参真值数据,有效减少标定的外参真值数据的误差,提升标定的外参真值数据的准确度以及计算效率。
Description
技术领域
本公开涉及定位导航技术领域,具体而言,涉及一种轨迹外参真值确定方法、轨迹外参真值确定装置、电子设备以及计算机可读存储介质。
背景技术
随着科学技术的发展,惯导传感器(Inertial Measurement Unit,IMU)在人工智能技术(Artificial Intelligence,AI)领域得到越来越广泛的使用。而在人工智能算法的评估阶段,需要使用IMU数据作为算法的输入数据,同时还需要确定搭载IMU设备的轨迹外参真值,作为算法输出的比较对象,用以衡量算法精度的好坏。
目前,相关的轨迹外参真值标定方案中,要么得到的轨迹外参真值的精度较低,要么需要以手动的方式进行标定,不仅准确度较低,而且效率低下。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种轨迹外参真值确定方法、轨迹外参真值确定装置、电子设备以及计算机可读存储介质,进而在一定程度上克服由于相关技术的限制和缺陷而导致的,相关技术方案中在标定轨迹外参真值时,准确度较低、效率低下的问题。
根据本公开的第一方面,提供一种轨迹外参真值确定方法,包括:
获取目标移动轨迹在第一坐标系下的低精度外参序列;
获取所述目标移动轨迹在第二坐标系下的高精度外参序列;
根据所述低精度外参序列和所述高精度外参序列确定所述目标移动轨迹从所述第一坐标系转换到所述第二坐标系的坐标转换数据;
通过所述高精度外参序列以及所述坐标转换数据,确定所述目标移动轨迹在所述第一坐标系下的外参真值数据。
根据本公开的第二方面,提供一种轨迹外参真值确定装置,包括:
低精度数据获取模块,用于获取目标移动轨迹在第一坐标系下的低精度外参序列;
高精度数据获取模块,用于获取所述目标移动轨迹在第二坐标系下的高精度外参序列;
坐标转换数据确定模块,用于根据所述低精度外参序列和所述高精度外参序列确定所述目标移动轨迹从所述第一坐标系转换到所述第二坐标系的坐标转换数据;
外参真值数据确定模块,用于通过所述高精度外参序列以及所述坐标转换数据,确定所述目标移动轨迹在所述第一坐标系下的外参真值数据。
根据本公开的第三方面,提供一种电子设备,包括:处理器;以及存储器,用于存储所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的方法。
根据本公开的第四方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述的方法。
本公开示例性实施例可以具有以下部分或全部有益效果:
在本公开的一示例实施方式所提供的轨迹外参真值确定方法中,可以获取目标移动轨迹在第一坐标系下的低精度外参序列以及获取目标移动轨迹在第二坐标系下的高精度外参序列,然后可以根据低精度外参序列和高精度外参序列确定目标移动轨迹从第一坐标系转换到第二坐标系的坐标转换数据,进而可以通过高精度外参序列以及坐标转换数据,确定目标移动轨迹在第一坐标系下的外参真值数据。一方面,通过第一坐标系下的低精度外参序列和第二坐标系下的高精度外参序列,快速计算确定需要进行标定的坐标转换数据,有效提升坐标转换关系的标定效率以及标定精度;另一方面,通过采集的第二坐标系下的高精度外参序列以及标定的坐标转换数据,确定目标移动轨迹在第一坐标系下的外参真值数据,有效提升外参真值数据的准确性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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示出了可以应用本公开实施例的一种轨迹外参真值确定方法及装置的示例性系统架构的示意图;
图2示意性示出了根据本公开的一个实施例的轨迹外参真值确定方法的流程示意图;
图3示意性示出了根据本公开的一个实施例的IMU外参标注系统的结构示意图;
图4示意性示出了根据本公开的一个实施例的获取低精度外参序列的流程示意图;
图5示意性示出了根据本公开的一个实施例的基于惯性导航数据与图像数据确定低精度外参序列的流程示意图;
图6示意性示出了根据本公开的另一个实施例的基于惯性导航数据与图像数据确定低精度外参序列的流程示意图;
图7示意性示出了根据本公开的一个实施例的确定坐标转换数据的流程示意图;
图8示意性示出了根据本公开的一个实施例的多个坐标系的关联关系的示意图;
图9示意性示出了根据本公开的一个实施例的轨迹外参真值确定装置的示意框图;
图10示出了适于用来实现本公开实施例的电子设备的计算机系统的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本公开的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而省略所述特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
图1示出了可以应用本公开实施例的一种轨迹外参真值确定方法及装置的示例性应用环境的系统架构的示意图。
如图1所示,系统架构100可以包括终端设备101、102、103中的一个或多个,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。终端设备101、102、103可以是配备有惯导传感器IMU或者能够设置惯导传感器设备的各种电子设备,包括但不限于台式无人机、飞机、智能手机和智能驾驶车辆等等。应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。比如服务器105可以是多个服务器组成的服务器集群等。
本公开实施例所提供的轨迹外参真值确定方法一般由服务器105执行,相应地,轨迹外参真值确定装置一般设置于服务器105中。但本领域技术人员容易理解的是,本公开实施例所提供的轨迹外参真值确定方法也可以由终端设备101、102、103执行,相应的,轨迹外参真值确定装置也可以设置于终端设备101、102、103中,本示例性实施例中对此不做特殊限定。举例而言,在一种示例性实施例中,可以是用户通过终端设备101、102、103将采集的低精度外参序列以及高精度外参序列上传至服务器105,服务器通过本公开实施例所提供的轨迹外参真值确定方法将确定的外参真值数据传输给终端设备101、102、103等。
以下对本公开实施例的技术方案进行详细阐述:
惯导传感器(下简称IMU)是电子设备中的常用传感器元件,是可用于测量物体的角速率以及加速度等属性的装置。一般的,一个IMU内会装有三轴陀螺仪、三轴加速度计以及三轴磁力计(可选)。IMU经常被使用在需要进行运动控制的设备上,如智能手机、汽车等,也被用在需要进行精密位姿推算的设备中,比如无人机、飞机、导弹等。
近年来,围绕惯导传感器(Inertial Measurement Unit,IMU)展开的人工智能技术日益增加,比如行人航迹推算(Pedestrian Dead Reckoning,PDR)、车辆航迹推算(Vehicle Dead Reckoning,VDR)等算法,都需要使用IMU数据作为算法的输入数据。而在算法的评估阶段,搭载IMU设备的轨迹外参真值需要被计算使用,作为算法输出的比较对象,用以衡量算法精度的好坏。另一方面,随着深度学习技术的兴起,PDR/VDR等算法的设计框架由传统方案转移到深度学习方案,而在网络模型训练的过程中,IMU设备的轨迹外参在训练阶段,需要被作为真值输入网络中。基于以上两点原因,IMU设备的轨迹外参需要被精确地、快速地、批量性地标注出来,成为了PDR/VDR等算法开发过程中必不可少的需求。
相关的技术方案中,一般是将可穿戴手环戴至手腕处,可穿戴手环的表面设置有光学图案标记点,且可穿戴手环中内置有惯性导航传感器;实时捕捉光学图案标记点在空间中的运动状态,然后获取光学追踪图像,并通过惯性导航传感器获取可穿戴手环的惯性导航数据;根据光学追踪图像和惯性导航数据获取可穿戴手环的4DoF(Degree ofFreedom,自由度)信息,并进行手部其他22DoF信息的计算,从而获取手部的位置和姿态信息。具体地,将惯导传感器的坐标系与追踪相机的坐标系标定对齐,获取每一个光学图案标记点相对于追踪相机的旋转角度,得到特征点的物理位置关系,并进行空间排序与滑动窗口遍历计算,进行特征点匹配。
但是,该技术方案中,没有具体解释如何对光学图案标记点和惯导传感器进行坐标系对齐(坐标系转换关系的标定),如果该标定过程是个需要手工进行的人为步骤,则会引入手工标定误差;该技术方案没有解释是否每次采集之前都需要重新调整光学图案标记点的位置,如果需要重新调整,则每次调整后都应当重新对光学图案标记点和惯导传感器进行坐标系标定,不仅不符合快速采集的原则,而且每次标定结果的质量会影响每次采集的数据质量;此外,该技术方案中所获取到的传感器外参(即4DoF轨迹信息),其中3DoF为位移信息,来自于追踪相机追踪到光学图案标记点的结果,而1DoF的旋转信息则依然是由惯导传感器自身陀螺仪数据计算得到的结果,该旋转信息的精度存在不稳定性,作为传感器外参的真值是不准确的。
基于上述一个或多个问题,本示例实施方式提供了一种轨迹外参真值确定方法。该轨迹外参真值确定方法可以应用于上述服务器105,也可以应用于上述终端设备101、102、103中的一个或多个,本示例性实施例中对此不做特殊限定。参考图2所示,该轨迹外参真值确定方法可以包括以下步骤S210至步骤S240:
步骤S210、获取目标移动轨迹在第一坐标系下的低精度外参序列。
步骤S220、获取所述目标移动轨迹在第二坐标系下的高精度外参序列。
步骤S230、根据所述低精度外参序列和所述高精度外参序列确定所述目标移动轨迹从所述第一坐标系转换到所述第二坐标系的坐标转换数据。
步骤S240、通过所述高精度外参序列以及所述坐标转换数据,确定所述目标移动轨迹在所述第一坐标系下的外参真值数据。
在本示例实施方式所提供的轨迹外参真值确定方法中,一方面,通过第一坐标系下的低精度外参序列和第二坐标系下的高精度外参序列,快速计算确定需要进行标定的坐标转换数据,有效提升坐标转换关系的标定效率以及标定精度;另一方面,通过采集的第二坐标系下的高精度外参序列以及标定的坐标转换数据,确定目标移动轨迹在第一坐标系下的外参真值数据,有效提升外参真值数据的准确性。。
下面,对于本示例实施方式的上述步骤进行更加详细的说明。
在步骤S210中,获取目标移动轨迹在第一坐标系下的低精度外参序列。
本公开的一个示例实施例中,目标移动轨迹是指终端设备在真实空间中的移动路径,例如,目标移动轨迹可以是用户携带配备有惯导传感器的智能手机在室内或者室外的移动路径,也可以是配备有惯导传感器的车辆在路上的移动路径,当然,目标移动轨迹还可以是其他类型的配备有惯导传感器的终端设备在任意空间中的移动路径,本示例实施例对此不做特殊限定。
在行人航迹推算PDR、车辆航迹推算VDR等算法中,目标移动轨迹也可以是用于输入到行人航迹推算PDR或者车辆航迹推算VDR中的样本数据,以便于对行人航迹推算算法或者车辆航迹推算算法进行训练,本示例实施例不以此为限。
第一坐标系是指惯导传感器在采集外参数据时所对应的坐标系。
低精度外参序列是指配备的惯导传感器直接测量得到的终端设备的外参数据,低精度外参序列仅是相对于外部环境采集终端设备的更高精度的外参数据而言,用于区分不用精确度的外参数据,并不应对本示例实施例造成任何特殊限定。
在步骤S220中,获取所述目标移动轨迹在第二坐标系下的高精度外参序列。
本公开的一个示例实施例中,第二坐标系是指在终端设备所处的外部环境中采集外参数据时所对应的坐标系,例如,可以通过布置在终端设备所处环境中的多个红外摄像头采集终端设备对应的外参数据,此时第二坐标系可以是多个红外摄像头采集该外参数据时终端设备上某个关键点(如用户携带配备有惯导传感器的终端设备移动时,用户头顶对应的点可以设置为关键点,便于追踪定位)所对应的坐标系,当然,此处仅是示意性举例说明,并不应对本示例实施例造成任何特殊限定。
高精度外参序列是指在终端设备所处的外部环境中测量得到的终端设备的外参数据,相对于低精度外参序列而言。
容易理解的是,本示例实施例的“第一坐标系”和“第二坐标系”中的“第一”、“第二”,仅是用于区分采集不同外参数据时的不同坐标系,没有任何特殊含义,并不应对本示例实施例造成任何特殊限定。
在步骤S230中,根据所述低精度外参序列和所述高精度外参序列确定所述目标移动轨迹从所述第一坐标系转换到所述第二坐标系的坐标转换数据。
本公开的一个示例实施例中,坐标转换数据是指将目标移动轨迹从第一坐标系转换到第二坐标系的转换关系。
在步骤S240中,通过所述高精度外参序列以及所述坐标转换数据,确定所述目标移动轨迹在所述第一坐标系下的外参真值数据。
本公开的一个示例实施例中,外参真值数据是指能够作为终端设备的真实位移轨迹的数据,用于在训练相关的人工智能算法(如PDR算法或者VDR算法)时,作为输入的目标移动轨迹对应的惯性导航数据的标签,作为算法输出的比较对象,用以衡量算法精度的好坏,能够有效提升人工智能算法的精确度。
由于第一坐标系下采集的低精度外参序列是由终端设备配备的惯导传感器直接采集的,可能存在一定的精度误差,而第二坐标系下采集的高精度外参序列是由终端设备所处的外部环境中设置的采集设备采集的,精度较高,因此通过计算目标移动轨迹从第一坐标系转换到第二坐标系的坐标转换数据,进而可以根据坐标转换数据以及第二坐标系下采集的高精度外参序列,得到目标移动轨迹在第一坐标系下的高精度外参序列,该高精度外参序列即目标移动轨迹在第一坐标系下的外参真值数据。
下面对步骤S210至步骤S240进行详细说明。
本公开的一个示例实施例中,可以通过IMU外参标注系统获取目标移动轨迹的在第一坐标系下的低精度外参序列,以及获取目标移动轨迹的在第二坐标系下的高精度外参序列。
具体的,IMU外参标注系统可以至少包括内置有惯导传感器的终端设备(或者携带有惯导传感器设备的终端设备)、图像采集设备以及光学动作捕捉系统。其中,图像采集设备可以是RGB摄像头,也可以是深度摄像头,当然,还可以是其他能够采集场景特征点的图像采集设备,本示例实施例不以此为限。光学动作捕捉系统可以至少包括发光标识球Marker以及光学动作捕捉镜头VICON。
图3示意性示出了根据本公开的一个实施例的IMU外参标注系统的结构示意图。
参考图3所示,可以在搭载惯导传感器的终端设备301上外置RGB摄像头302(也可以适用终端设备内置的RGB摄像头,本示例实施例不以此为限),并且将终端设备301与外置RGB摄像头302进行刚体连接;然后在终端设备301上粘贴发光标识球303,在搭建了光学动作捕捉镜头304的环境中进行采集终端设备301的目标移动轨迹305。
可以通过终端设备301上搭载的惯导传感器采集终端设备301在产生目标移动轨迹305时的惯性导航数据,同时通过刚体连接外置RGB摄像头302同步采集与惯性导航数据对应的图像数据,并将惯性导航数据与图像数据输入到在线标定SLAM系统中,得到目标移动轨迹305在第一坐标系下的低精度外参序列;通过光学动作捕捉镜头304追踪终端设备301上发光标识球303得到目标移动轨迹在第二坐标系下的高精度外参序列。
容易理解的是,本方案中使用光学动作捕捉镜头VICON采集到Marker的高精度外参序列,要求贴上Marker的采集设备必须在VICON摄像机所能观测到的范围内。一般的,VICON在初始搭建时会确定使用范围,根据布置的相机数量和朝向来实现在固定范围内对目标物体进行状态观测。依据经验,覆盖范围为5米*5米的VICON设备,需要由大于6台观测相机组成,价格在30万~100万左右。因此,对IMU设备的外参标注必须控制在VICON相机观测覆盖的范围内,空间大小大概是一个实验室的规模。
因此,为了保证本公开中的IMU外参标注系统能够支持在室外或者是其他任意室内空间进行外参标注,可以将IMU外参标注系统中的光学动作捕捉系统替换为便携式激光雷达设备,如背包式的激光雷达设备,可以通过便携式激光雷达设备采集高精度外参序列。激光雷达设备采集得到的外参精度在厘米级或毫米级,同样满足本公开所提出的真值轨迹需求的精度范围。另外,背包式的激光雷达采集设备最大程度地保证了采集的灵活性,避免了用手推车或者车载式的激光雷达设备采集会遇到的损失自由度的情况。
本公开的一个示例实施例中,可以通过图4中的步骤计算目标移动轨迹在第一坐标系下的低精度外参序列,参考图4所示,具体可以包括:
步骤S410,获取目标移动轨迹在第一坐标系下对应的惯性导航数据,以及获取与所述惯性导航数据关联的图像数据;
步骤S420,基于所述惯性导航数据与所述图像数据确定所述目标移动轨迹在所述第一坐标系下的低精度外参序列。
其中,惯性导航数据是指终端设备在产生目标移动轨迹时IMU单元测量得到的角速度数据,通过对IMU单元输出的数据进行积分,可以得到终端设备沿三个方向轴运动的角速度,即目标移动轨迹在第一坐标系下对应的惯性导航数据。可以通过与终端设备关联的惯导传感器设备(或者终端设备内置的惯导传感器)采集惯性导航数据。
惯性导航数据关联的图像数据是指终端设备在产生目标移动轨迹时图像采集设备实时采集得到的图像数据,同一时刻的一帧图像数据对应相同时刻的一帧惯性导航数据。可以通过与惯导传感器刚体连接的图像采集设备采集图像数据,通过刚体连接,无需对图像采集设备和终端设备关联的惯导传感器设备进行坐标系标定,减少计算量,提升计算效率。
可以根据终端设备在产生目标移动轨迹时的惯性导航数据以及与该惯性导航数据关联的图像数据,得到目标移动轨迹在第一坐标系下的低精度外参序列,避免仅根据惯性导航数据确定外参数据时而导致的偏移误差,提升得到的低精度外参序列的可信度。
具体的,可以根据图5中的步骤实现基于惯性导航数据与图像数据确定目标移动轨迹在第一坐标系下的低精度外参序列,参考图5所示,具体可以包括:
步骤S510,基于所述惯性导航数据与所述图像数据进行即时定位处理,确定位姿数据;
步骤S520,将所述位姿数据作为所述目标移动轨迹在所述第一坐标系下的低精度外参序列。
其中,即时定位处理是指基于即时定位与地图构建(Simultaneous LocalizationAnd Mapping,SLAM)技术对移动过程中的终端设备进行位姿估计的处理过程;位姿数据(Pose)是指移动过程中的终端设备所对应的自由度数据。
可以将惯性导航数据与图像数据输入到在线标定SLAM系统中,得到终端设备在产生目标移动轨迹时的位姿数据,并将该位姿数据作为目标移动轨迹在第一坐标系下的低精度外参序列。
图6示意性示出了根据本公开的另一个实施例的基于惯性导航数据与图像数据确定低精度外参序列的流程示意图。
参考图6所示,步骤S610,对输入的图像数据进行特征提取,得到特征关键点,例如可以通过尺度不变特征变换算法(Features From Accelerated Segment Test,FAST)对图像数据进行特征提取,也可以通过ORB(Oriented FAST and Rotated BRIEF)算法对图像数据进行特征提取,本示例实施例不以此为限;
步骤S620,对特征关键点进行特征匹配,例如,可以通过交叉匹配、或者KNN匹配对特征关键点进行匹配,并可以通过随机采样一致性(RANSAC)算法过滤掉错误的匹配;
步骤S630,对输入的IMU数据进行积分,得到角速度数据;
步骤S640,对数据进行初始化处理,并通过预设的滑动时间窗口对特征匹配结果以及角速度数据进行平滑处理,避免由于误差数据导致的输出结果突变;
步骤S650,对输出结果进行回环检测,在视觉SLAM问题中,位姿的估计往往是一个递推的过程,即由上一帧位姿解算当前帧位姿,因此其中的误差便这样一帧一帧的传递下去,也就是累积误差,通过回环检测可以有效消除累积误差;
步骤S660,对输出结果进行全局优化,得到最终的终端设备的位姿数据,即目标移动轨迹在第一坐标系下的低精度外参序列。
本公开的一个示例实施例中,可以通过图7中的步骤实现根据低精度外参序列和高精度外参序列确定坐标转换数据,参考图7所示,具体可以包括:
步骤S710,对所述低精度外参序列和所述高精度外参序列进行最小二乘拟合优化,得到最优解;
步骤S720,将所述最优解作为所述目标移动轨迹从所述第一坐标系转换到所述第二坐标系的坐标转换数据。
其中,最小二乘法(Ordinary Least Squares)是一种在误差估计、不确定度、系统辨识及预测、预报等数据处理诸多学科领域得到广泛应用的数学工具,最小二乘法通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据,并使得这些求得的数据与实际数据之间误差的平方和为最小。
举例而言,在对低精度外参序列和高精度外参序列进行最小二乘拟合优化之前,需要明确测量过程中各坐标系之间的关系。参考图8所示,图8示意性示出了根据本公开的一个实施例的多个坐标系的关联关系的示意图。
可以通过关系式(1)表示IMU外参标注系统中IMU的外参序列与发光标识球Marker的外参序列之间的对应关系:
其中W可以表示IMU世界坐标系,V可以表示Marker世界坐标系(及VICON坐标系),i可以表示IMU体坐标系,m可以表示Marker体坐标系。那么可以表示IMU体坐标系到IMU世界坐标系的变换,即IMU的外参;可以表示Marker体坐标系到Marker世界坐标系的变换,即Marker的外参;可以表示VICON坐标系到IMU世界坐标系的变换关系;可以表示IMU体坐标系到Marker体坐标系的变换关系。
对关系式(3)进行整理可以得到关系式(4):
根据关系式(4)可以看出,未知量仅为利用VICON设备追踪发光标识球Marker得到的高精度Marker外参序列和基于SLAM技术以及惯性导航数据、图像数据计算得到的低精度IMU外参序列,构建最小二乘问题,最小二乘问题可以如关系式(5)所述:
进一步的,可以通过关系式(6)计算得到目标移动轨迹在第一坐标系下的高精度IMU外参序列,即外参真值数据:
可以通过关系式(1)至(6)以及本示例实施例中提出的IMU外参标注系统快速计算出目标移动轨迹在第一坐标系下的高精度IMU外参序列,即外参真值数据,有效提升外参真值数据的准确度,提升外参真值数据的计算效率。
应当注意,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
进一步的,本示例实施方式中,还提供了一种轨迹外参真值确定装置。该轨迹外参真值确定装置可以应用于一服务器或终端设备。参考图9所示,该轨迹外参真值确定装置900可以包括低精度数据获取模块910、高精度数据获取模块920、坐标转换数据确定模块930以及外参真值数据确定模块940。其中:
低精度数据获取模块910,用于获取目标移动轨迹在第一坐标系下的低精度外参序列;
高精度数据获取模块920,用于获取所述目标移动轨迹在第二坐标系下的高精度外参序列;
坐标转换数据确定模块930,用于根据所述低精度外参序列和所述高精度外参序列确定所述目标移动轨迹从所述第一坐标系转换到所述第二坐标系的坐标转换数据;
外参真值数据确定模块940,用于通过所述高精度外参序列以及所述坐标转换数据,确定所述目标移动轨迹在所述第一坐标系下的外参真值数据。
在本公开的一种示例性实施例中,低精度数据获取模块910可以用于:
获取目标移动轨迹在第一坐标系下对应的惯性导航数据,以及获取与所述惯性导航数据关联的图像数据;
基于所述惯性导航数据与所述图像数据确定所述目标移动轨迹在所述第一坐标系下的低精度外参序列。
在本公开的一种示例性实施例中,低精度数据获取模块910还可以用于:
基于所述惯性导航数据与所述图像数据进行即时定位处理,确定位姿数据;
将所述位姿数据作为所述目标移动轨迹在所述第一坐标系下的低精度外参序列。
在本公开的一种示例性实施例中,惯性导航数据可以是由惯导传感器设备采集的,图像数据可以是由与所述惯导传感器刚性连接的图像采集设备采集的。
在本公开的一种示例性实施例中,坐标转换数据确定模块930可以用于:
对所述低精度外参序列和所述高精度外参序列进行最小二乘拟合优化,得到最优解;
将所述最优解作为所述目标移动轨迹从所述第一坐标系转换到所述第二坐标系的坐标转换数据。
在本公开的一种示例性实施例中,高精度外参序列可以是由光学动作捕捉系统采集得到的。
在本公开的一种示例性实施例中,高精度外参序列可以是由便携式激光雷达设备采集得到的。
上述轨迹外参真值确定装置中各模块或单元的具体细节已经在对应的轨迹外参真值确定方法中进行了详细的描述,因此此处不再赘述。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
图10示出了适于用来实现本公开实施例的电子设备的计算机系统的结构示意图。
需要说明的是,图10示出的电子设备的计算机系统1000仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图10所示,计算机系统1000包括中央处理单元(CPU)1001,其可以根据存储在只读存储器(ROM)1002中的程序或者从存储部分1008加载到随机访问存储器(RAM)1003中的程序而执行各种适当的动作和处理。在RAM 1003中,还存储有系统操作所需的各种程序和数据。CPU 1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
以下部件连接至I/O接口1005:包括键盘、鼠标等的输入部分1006;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1007;包括硬盘等的存储部分1008;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至I/O接口1005。可拆卸介质1011,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1010上,以便于从其上读出的计算机程序根据需要被安装入存储部分1008。
特别地,根据本公开的实施例,下文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分1009从网络上被下载和安装,和/或从可拆卸介质1011被安装。在该计算机程序被中央处理单元(CPU)1001执行时,执行本申请的方法和装置中限定的各种功能。
在一些实施例中,计算机系统1000还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
需要说明的是,本公开所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该电子设备执行时,使得该电子设备实现如下述实施例中所述的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (10)
1.一种轨迹外参真值确定方法,其特征在于,包括:
获取目标移动轨迹在第一坐标系下的低精度外参序列;
获取所述目标移动轨迹在第二坐标系下的高精度外参序列;
根据所述低精度外参序列和所述高精度外参序列确定所述目标移动轨迹从所述第一坐标系转换到所述第二坐标系的坐标转换数据;
通过所述高精度外参序列以及所述坐标转换数据,确定所述目标移动轨迹在所述第一坐标系下的外参真值数据。
2.根据权利要求1所述的轨迹外参真值确定方法,其特征在于,所述获取目标移动轨迹在第一坐标系下的低精度外参序列,包括:
获取目标移动轨迹在第一坐标系下对应的惯性导航数据,以及获取与所述惯性导航数据关联的图像数据;
基于所述惯性导航数据与所述图像数据确定所述目标移动轨迹在所述第一坐标系下的低精度外参序列。
3.根据权利要求2所述的轨迹外参真值确定方法,其特征在于,所述基于所述惯性导航数据与所述图像数据确定所述目标移动轨迹在所述第一坐标系下的低精度外参序列,包括:
基于所述惯性导航数据与所述图像数据进行即时定位处理,确定位姿数据;
将所述位姿数据作为所述目标移动轨迹在所述第一坐标系下的低精度外参序列。
4.根据权利要求2所述的轨迹外参真值确定方法,其特征在于,所述惯性导航数据是由惯导传感器设备采集的,所述图像数据是由与所述惯导传感器刚性连接的图像采集设备采集的。
5.根据权利要求1所述的轨迹外参真值确定方法,其特征在于,所述根据所述低精度外参序列和所述高精度外参序列确定所述目标移动轨迹从所述第一坐标系转换到所述第二坐标系的坐标转换数据,包括:
对所述低精度外参序列和所述高精度外参序列进行最小二乘拟合优化,得到最优解;
将所述最优解作为所述目标移动轨迹从所述第一坐标系转换到所述第二坐标系的坐标转换数据。
6.根据权利要求1或5所述的轨迹外参真值确定方法,其特征在于,所述高精度外参序列是由光学动作捕捉系统采集得到的。
7.根据权利要求1或5所述的轨迹外参真值确定方法,其特征在于,所述高精度外参序列是由便携式激光雷达设备采集得到的。
8.一种轨迹外参真值确定装置,其特征在于,包括:
低精度数据获取模块,用于获取目标移动轨迹在第一坐标系下的低精度外参序列;
高精度数据获取模块,用于获取所述目标移动轨迹在第二坐标系下的高精度外参序列;
坐标转换数据确定模块,用于根据所述低精度外参序列和所述高精度外参序列确定所述目标移动轨迹从所述第一坐标系转换到所述第二坐标系的坐标转换数据;
外参真值数据确定模块,用于通过所述高精度外参序列以及所述坐标转换数据,确定所述目标移动轨迹在所述第一坐标系下的外参真值数据。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-7任一项所述的方法。
10.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111525366.7A CN114216482A (zh) | 2021-12-14 | 2021-12-14 | 轨迹外参真值确定方法及装置、存储介质、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111525366.7A CN114216482A (zh) | 2021-12-14 | 2021-12-14 | 轨迹外参真值确定方法及装置、存储介质、电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114216482A true CN114216482A (zh) | 2022-03-22 |
Family
ID=80701706
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111525366.7A Withdrawn CN114216482A (zh) | 2021-12-14 | 2021-12-14 | 轨迹外参真值确定方法及装置、存储介质、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114216482A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018121617A1 (zh) * | 2016-12-27 | 2018-07-05 | 纳恩博(北京)科技有限公司 | 定位准确度的检测方法及电子设备、计算机存储介质 |
CN108717712A (zh) * | 2018-05-29 | 2018-10-30 | 东北大学 | 一种基于地平面假设的视觉惯导slam方法 |
CN111739137A (zh) * | 2020-05-26 | 2020-10-02 | 复旦大学 | 一种三维姿态估计数据集的生成方法 |
CN111998870A (zh) * | 2019-05-26 | 2020-11-27 | 北京初速度科技有限公司 | 一种相机惯导系统的标定方法和装置 |
CN113223050A (zh) * | 2021-05-12 | 2021-08-06 | 之江实验室 | 一种基于ArUco码的机器人运动轨迹实时采集方法 |
WO2021212278A1 (zh) * | 2020-04-20 | 2021-10-28 | 深圳市大疆创新科技有限公司 | 数据处理方法、装置、可移动平台及可穿戴式设备 |
CN113639639A (zh) * | 2021-08-31 | 2021-11-12 | 追觅创新科技(苏州)有限公司 | 位置数据的数据处理方法、装置及存储介质 |
-
2021
- 2021-12-14 CN CN202111525366.7A patent/CN114216482A/zh not_active Withdrawn
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018121617A1 (zh) * | 2016-12-27 | 2018-07-05 | 纳恩博(北京)科技有限公司 | 定位准确度的检测方法及电子设备、计算机存储介质 |
CN108717712A (zh) * | 2018-05-29 | 2018-10-30 | 东北大学 | 一种基于地平面假设的视觉惯导slam方法 |
CN111998870A (zh) * | 2019-05-26 | 2020-11-27 | 北京初速度科技有限公司 | 一种相机惯导系统的标定方法和装置 |
WO2021212278A1 (zh) * | 2020-04-20 | 2021-10-28 | 深圳市大疆创新科技有限公司 | 数据处理方法、装置、可移动平台及可穿戴式设备 |
CN111739137A (zh) * | 2020-05-26 | 2020-10-02 | 复旦大学 | 一种三维姿态估计数据集的生成方法 |
CN113223050A (zh) * | 2021-05-12 | 2021-08-06 | 之江实验室 | 一种基于ArUco码的机器人运动轨迹实时采集方法 |
CN113639639A (zh) * | 2021-08-31 | 2021-11-12 | 追觅创新科技(苏州)有限公司 | 位置数据的数据处理方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6831414B2 (ja) | 測位のための方法、測位のための装置、デバイス及びコンピュータ読み取り可能な記憶媒体 | |
CN111174799B (zh) | 地图构建方法及装置、计算机可读介质、终端设备 | |
CN110322500B (zh) | 即时定位与地图构建的优化方法及装置、介质和电子设备 | |
CN109521403B (zh) | 多线激光雷达的参数标定方法及装置、设备及可读介质 | |
CN109270545B (zh) | 一种定位真值校验方法、装置、设备及存储介质 | |
Panahandeh et al. | Vision-aided inertial navigation based on ground plane feature detection | |
CN111912416B (zh) | 用于设备定位的方法、装置及设备 | |
CN110197615B (zh) | 用于生成地图的方法及装置 | |
CN112667837A (zh) | 图像数据自动标注方法及装置 | |
CN113377888B (zh) | 训练目标检测模型和检测目标的方法 | |
CN107449444A (zh) | 一种多星图姿态关联的星敏感器内参数标定方法及其装置 | |
CN110388919B (zh) | 增强现实中基于特征图和惯性测量的三维模型定位方法 | |
CN113933818A (zh) | 激光雷达外参的标定的方法、设备、存储介质及程序产品 | |
KR20210089602A (ko) | 차량의 제어 방법, 장치 및 차량 | |
CN109300143A (zh) | 运动向量场的确定方法、装置、设备、存储介质和车辆 | |
CN110780325B (zh) | 运动对象的定位方法及装置、电子设备 | |
CN115620264B (zh) | 车辆定位方法、装置、电子设备和计算机可读介质 | |
CN117115252A (zh) | 一种基于视觉的仿生扑翼无人机空间位姿估计方法 | |
CN111382701A (zh) | 动作捕捉方法、装置、电子设备及计算机可读存储介质 | |
CN110853098A (zh) | 机器人定位方法、装置、设备及存储介质 | |
CN111260722A (zh) | 车辆定位方法、设备及存储介质 | |
CN114216482A (zh) | 轨迹外参真值确定方法及装置、存储介质、电子设备 | |
CN113375665B (zh) | 基于多传感器松紧耦合的无人机位姿估计方法 | |
CN113920174A (zh) | 点云配准方法、装置、设备、介质和自动驾驶车辆 | |
Qi et al. | A uav positioning strategy based on optical flow sensor and inertial navigation |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220322 |
|
WW01 | Invention patent application withdrawn after publication |