CN114241044A - 回环检测方法、装置、电子设备和计算机可读介质 - Google Patents
回环检测方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN114241044A CN114241044A CN202111298543.2A CN202111298543A CN114241044A CN 114241044 A CN114241044 A CN 114241044A CN 202111298543 A CN202111298543 A CN 202111298543A CN 114241044 A CN114241044 A CN 114241044A
- Authority
- CN
- China
- Prior art keywords
- laser
- subgraph
- point
- detected
- feature 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了回环检测方法、装置、电子设备和计算机可读介质。该方法的实施例包括:对待测激光子图进行欧氏距离变换,得到欧氏距离图;基于所述欧式距离图,确定所述待测激光子图中的特征点,并获取所述待测激光子图中的特征点的描述子;基于所述待测激光子图中的特征点的描述子与历史激光子图中的特征点的描述子,对所述待测激光子图进行回环检测,得到回环检测结果。该实施方式提高了回环检测的效率。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及回环检测方法、装置、电子设备和计算机可读介质。
背景技术
回环检测,又称闭环检测,是一种通过移动机器人将当前所处场景与历史所处场景进行匹配以消除系统累积误差的检测方式。
现有技术中,可采用扫描匹配(Scan Match)方法将当前帧的激光数据与全局地图进行匹配,以确定出与当前场景匹配历史场景。由于激光数据的数据量较大,因而这种方式在地图规模较大时耗时严重,导致回环检测的效率较低。
发明内容
本申请实施例提出了回环检测方法、装置、电子设备和计算机可读介质,以解决现有技术中回环检测的效率较低的技术问题。
第一方面,本申请实施例提供了一种回环检测方法,该方法包括:对待测激光子图进行欧氏距离变换,得到欧氏距离图;基于所述欧式距离图,确定所述待测激光子图中的特征点,并获取所述待测激光子图中的特征点的描述子;基于所述待测激光子图中的特征点的描述子与历史激光子图中的特征点的描述子,对所述待测激光子图进行回环检测,得到回环检测结果。
第二方面,本申请实施例提供了一种回环检测装置,该装置包括:变换单元,被配置成对待测激光子图进行欧氏距离变换,得到欧氏距离图;确定单元,被配置成基于所述欧式距离图,确定所述待测激光子图中的特征点,并获取所述待测激光子图中的特征点的描述子;检测单元,被配置成基于所述待测激光子图中的特征点的描述子与历史激光子图中的特征点的描述子,对所述待测激光子图进行回环检测,得到回环检测结果。
第三方面,本申请实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如第一方面中所描述的方法。
第四方面,本申请实施例提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面中所描述的方法。
本申请实施例提供的回环检测方法、装置、电子设备和计算机可读介质,通过对待测激光子图进行欧氏距离变换以得到欧氏距离图,而后基于欧式距离图确定待测激光子图中的特征点并获取其描述子,之后基于待测激光子图中的特征点的描述子与历史激光子图中的特征点的描述子,对待测激光子图进行回环检测,从而得到回环检测结果。由于激光子图中的特征点的数量远小于激光子图中的原始数据量,因而使用激光子图中的特征点的描述子进行场景匹配,相较于直接进行激光数据匹配的方式,可减少回环检测耗时,从而提高回环检测的效率。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是根据本申请的回环检测方法的一个实施例的流程图;
图2是根据本申请的回环检测方法的又一个实施例的流程图;
图3是根据本申请的回环检测装置的一个实施例的结构示意图;
图4是用于实现本申请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
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
请参考图1,其示出了根据本申请的回环检测方法的一个实施例的流程100。该回环检测方法,包括以下步骤101至步骤103:
步骤101,对待测激光子图进行欧氏距离变换,得到欧氏距离图。
在本实施例中,回环检测方法的执行主体(如服务器、移动机器人等电子设备)可以实时获取激光子图,并将当前获取的待进行回环检测的激光子图作为待测激光子图。其中,激光子图可以是由多帧激光数据构建的局部地图。上述移动机器人可包括但不限于AGV(Automated Guided Vehicle,自动导引车)、AMR(Autonomous Mobile Robots,自主移动机器人)、穿梭车等能够基于栅格地图进行自动定位和导航的装置。
在本实施例中,激光子图可以采用占据栅格地图的形式。上述执行主体可以对待测激光子图进行欧氏距离变换,得到欧氏距离图(EDM,Euclidean Distance Mapping)。实践中,欧氏距离变换是计算并标识前景点对背景点的距离的过程,可实现将二值图像变换为灰度图像(其中每个栅格的灰度值等于它到最近背景点的距离)。由此,通过欧氏距离变换,可计算并标识待测激光子图中每一个未占据栅格到最近的占据栅格的距离,从而将待测激光子图转换为欧氏距离图。欧氏距离图可表征各未占据栅格到占据栅格的最近欧氏距离。欧式距离图中的像素点与待测激光子图中的栅格一一对应。
需要说明的是,待测激光子图也可以为概率栅格地图,此时,可首先将其转换为占据栅格地图,再对转换后的占据栅格地图进行欧氏距离变换,得到欧氏距离图。在将概率栅格地图转换为占据栅格地图时,对于每一个栅格,可通过其概率值与预设阈值的比较,来判定其属于占据栅格或者未占据栅格。
步骤102,基于欧式距离图,确定待测激光子图中的特征点,并获取待测激光子图中的特征点的描述子。
在本实施例中,上述执行主体可以首先基于欧式距离图,确定待测激光子图中的特征点。其中,特征点可以是用于表征待测激光子图的特征的点,如极值点、鞍点等。由于欧氏距离变换是计算并标识前景点对背景点的距离以得到灰度图像的过程,因此欧式距离图可体现出待测激光子图的轮廓特征。由于欧式距离图中的像素点与待测激光子图中的栅格一一对应,因此可在欧式距离图中进行特征点检测,得到待测激光子图的特征点。
在检测得到特征点后,上述执行主体可以获取各特征点的描述子。描述子可以是用于对特征点进行描述的信息。每一个特征点均可具有对应的描述子,描述子可包括特征点的类型、欧氏距离值等信息。
步骤103,基于待测激光子图中的特征点的描述子与历史激光子图中的特征点的描述子,对待测激光子图进行回环检测,得到回环检测结果。
在本实施例中,上述执行主体可以获取历史激光子图中的特征点的描述子。历史激光子图中的特征点及其描述子可预先确定(具体可在历史激光子图获取后确定)并存储于上述执行主体(或存储于其他设备)。上述执行主体可以从本地(或其他设备)中读取。历史激光子图中的特征点的获取方式与待测激光子图中的特征点的获取方式相同,且历史激光子图中特征点的描述子的获取方式与待测激光子图中特征点的描述子的获取方式相同,此处不再赘述。
在获取到历史激光子图中的特征点的描述子后,上述执行主体可以基于待测激光子图中的特征点的描述子与历史激光子图中的特征点的描述子,对待测激光子图进行回环检测,得到回环检测结果。具体地,可以基于待测激光子图中的特征点的描述子与历史激光子图中的特征点的描述子的匹配情况,确定待测激光子图中的特征点与历史激光子图中的特征点的对应关系,从而基于该对应关系确定待测激光子图与历史激光子图是否对应相同场景,并在确定出二者对应相同场景时,获取二者的特征点的位姿变换矩阵,以便于消除累积误差。
本申请实施例提供的方法,通过对待测激光子图进行欧氏距离变换以得到欧氏距离图,而后基于欧式距离图确定待测激光子图中的特征点并获取其描述子,之后基于待测激光子图中的特征点的描述子与历史激光子图中的特征点的描述子,对待测激光子图进行回环检测,从而得到回环检测结果。由于激光子图中的特征点的数量远小于激光子图中的原始数据量,因而使用激光子图中的特征点的描述子进行场景匹配,相较于直接进行激光数据匹配的方式,可减少回环检测耗时,从而提高回环检测的效率。
在一些可选的实施例中,在步骤102中,上述执行主体可以利用求取海森矩阵行列式的方式确定待测激光子图中的特征点,具体可参见如下子步骤1021至子步骤1023:
子步骤1021,确定欧式距离图中的各像素点的海森矩阵行列式(Determinant ofHessian,海森矩阵的行列式)。
此处,海森矩阵(Hessian Matrix,又称黑塞矩阵、海瑟矩阵、海塞矩阵等)是计算机视觉中的一种斑点检测算子。海森矩阵是一个多元函数的二阶偏导数构成的方阵,描述了函数的局部曲率。对于二维图像而言,一阶导数可表征图像灰度变化程度,即灰度梯度。二阶导数可表示灰度梯度的变化程度,即灰度梯度下降的快慢。利用海森矩阵,可实现对图像的边缘检测、特征点检测等。对于欧式距离图中的每一个像素点,其海森矩阵(可记为H)可表示为:
其中,Hxx表示在像素点处的x方向的二阶偏导数,Hyy表示在像素点处的y方向的二阶偏导数,Hxy、Hyx表在像素点处的xy方向的二阶导数。
海森矩阵行列式(可记为det(H))可表示为:
子步骤1022,基于各像素点的海森矩阵行列式,确定欧式距离图中的鞍点、极大值点和极小值点。
此处,对于欧式距离图中的每一个像素点,若该像素点的海森矩阵行列式的值大于0,则该像素点为极值点。极值点可包括极大值点和极小值点。若该像素点的海森矩阵行列式的值小于0,则该像素点为鞍点。
在确定出极值点后,可利用求矩阵特征值的方式,确定海森矩阵的特征值,以区分所确定出的极值点的类型(如是否为极大值点或者极小值点)。此处,若极值点对应的海森矩阵的特征值均为正,则表示该极值点为极小值点;若极值点对应的海森矩阵的特征值均为负,则表示该极值点为极大值点。
通过区分极大值点、极小值点、鞍点,可实现对特征点进行分类,从而将相同类别的特征点可以进行匹配,以提高特征点匹配的准确性。
子步骤1023,基于所确定出的鞍点、极大值点和极小值点,确定待测激光子图中的特征点。
此处,上述执行主体可以从所确定出的鞍点、极大值点和极小值点中,选取部分或者全部点,并可以将所选取的点在待测激光子图中的对应点作为候选点待测激光子图中的特征点。
在一些示例中,上述执行主体可以对所确定出的鞍点、极大值点和极小值点进行非极大值抑制(Non-Maximum Suppression,NMS)处理,并基于上述非极大值抑制处理的处理结果,确定上述待测激光子图中的特征点。具体地,上述执行主体可以将所确定出的每一个鞍点、极大值点和极小值点作为一个候选点。对于每一个候选点,可首先确定该候选点的邻域内的全部候选点(包含该候选点),而后通过非极大值抑制处理来滤除该候选点邻域内的全部候选点中的局部非极大值点,得到该邻域内的剩余候选点(即局部极大值点)。针对各个候选点的邻域执行上述操作后,可得到若干剩余候选点。上述执行主体可以将各剩余候选点在待测激光子图中的对应点确定为待测激光子图中的特征点。通过非极大值抑制处理,能够使得特征点均为局部极大值点,从而可提高特征点的质量。同时,非极大值抑制处理可以减少特征点数量,从而提高了后续特征点的匹配效率。
在另一些示例中,上述执行主体还可以获取所确定出的鞍点、极大值点和极小值点的海森矩阵行列式的值的绝对值,并基于所获取的绝对值,确定待测激光子图中的特征点。具体地,由于绝对值越大,代表点的特征越明显,因而可选取绝对值大于某一阈值的点,将其在待测激光子图中的对应点作为待测激光子图中的特征点。由此,可进一步提高特征点的质量以及后续特征点的匹配效率。
进一步地,由于地图边沿存在遮挡和噪声等情况,因而地图边沿的特征不太稳定,需要排除地图边沿区域的特征。鉴于此,在一些可选的实施例中,上述执行主体还可以将待测激光子图转换为占据栅格地图,对占据栅格地图中的未占据部分进行腐蚀处理,得到占据栅格地图对应的掩膜(MASK)。并在确定待测激光子图中的特征点之后,基于掩膜,对待测激光子图中的特征点进行过滤。由此,可滤除位于地图边沿区域的不稳定特征点,提高特征点的质量。同时,可低特征点的数量,提高了后续特征点的匹配效率。
其中,图像的腐蚀过程与图像的卷积操作类似,是一种通过模板矩阵来对图像进行运算的操作。此模板矩阵可称为结构元素。与图像卷积相同,结构元素可以任意指定图像的中心点,并且结构元素的尺寸和具体内容都可以根据需求自定义。定义结构元素之后,将结构元素的中心点依次放到图像中每一个非0元素处,如果此时结构元素内所有的元素所覆盖的图像像素值均不为0,则保留结构元素中心点对应的图像像素,否则将删除结构元素中心点对应的像素,从而完成图像的腐蚀处理。
在一些可选的实施例中,在步骤102中,上述执行主体可以通过如下子步骤1024至子步骤1026来获取待测激光子图中的特征点的描述子:
子步骤1024,确定待测激光子图中各特征点的二进制描述信息和类型信息。
此处,二进制描述信息可采用BRIEF(Binary Robust Independent ElementaryFeatures,二元鲁棒独立基本特征)算法进行提取。BRIEF是一种对已检测到的特征点进行描述的算法,其所得到的描述信息为二进制描述信息,也可称为BRIEF描述子。特征点的类型信息可指示特征点的类别,特征点的类别可包括极大值点、极小值点和鞍点。
子步骤1025,基于欧式距离图的梯度信息,获取各特征点的梯度主方向和邻域内平均欧氏距离值。
梯度主方向可以指梯度变化最大的方向。在一些示例中,对于待测激光子图中的每一个特征点,上述执行主体可以确定该特征点在欧式距离图中的对应点在多个梯度方向上的梯度幅值。而后,基于所确定的梯度幅值,从多个梯度方向中选取该特征点的梯度主方向。作为示例,可以将梯度方向划分为36份,即将0~360度分为36份,每份对应的10度的角度范围。对于待测激光子图中的每一个特征点,可使用直方图统计其邻域内在36个梯度方向的梯度幅值,从而将梯度幅值最大的梯度方向作为该特征点的主梯度方向。
邻域内平均欧氏距离值可以指邻域内的欧式距离值的平均值。在一些示例中,对于待测激光子图中的每一个特征点,上述执行主体可以确定该特征点在欧式距离图中的对应点所在邻域内的平均像素值(即该邻域内每个像素的欧式距离值的平均值),将该平均像素值作为该特征点的邻域内平均欧氏距离值。
子步骤1026,对于待测激光子图中的每一个特征点,将该特征点的二进制描述信息、类型信息、梯度主方向和邻域内平均欧氏距离值进行汇总,得到该特征点的描述子。
通过确定每个特征点的二进制描述信息,可提升描述子之间的距离的计算速度,并降低数据存储量,从而节约存储资源和计算资源。由于特征点的描述子包含特征点的二进制描述信息、类型信息、梯度主方向和邻域内平均欧氏距离值,因此特征点的描述子的内容更为丰富,通过多维度的描述子内容进行特征点匹配,可提高回环检测算法的鲁棒性。
进一步参考图2,其示出了回环检测方法的又一个实施例的流程200。该回环检测方法的流程200,包括以下步骤201至步骤205:
步骤201,对待测激光子图进行欧氏距离变换,得到欧氏距离图。
本实施例中的步骤201可参见上述实施例中的描述,此处不再赘述。
步骤202,基于欧式距离图,确定待测激光子图中的特征点,并获取待测激光子图中的特征点的描述子。
本实施例中的步骤201可参见上述实施例中的描述,此处不再赘述。
步骤203,基于待测激光子图中的特征点的描述子与历史激光子图中的特征点的描述子,确定待测激光子图中的特征点与历史激光子图中的特征点的对应关系。
在本实施例中,上述执行主体可预先存储历史激光子图中的特征点的描述子。实践中,每采集一张激光子图,可利用上述实施例中所描述的方式检测其中的特征点并提取特征点的描述子,并将该激光子图作为历史激光子图,将其特征点和描述子进行存储。上述执行主体可以将待测激光子图(可记为Pi,Pi={p1,p2,p3,…,pm})中的特征点(即Pi中的p1,p2,p3,…,pm)的描述子与历史激光子图(可记为Pj,Pj={p1,p2,p3,…,pn})中的特征点(即Pj中的p1,p2,p3,…,pn)的描述子进行匹配,以基于匹配结果确定待测激光子图中的特征点与历史激光子图中的特征点的对应关系。
作为示例,描述子可包括特征点的二进制描述信息、类型信息以及邻域内平均欧氏距离值。对于待测激光子图中的每一个特征点,上述执行主体可以首先从历史激光子图中选取与该特征点的类型信息相同且邻域内平均欧氏距离值的差值小于目标值的特征点,作为候选特征点;而后,可确定该特征点与所选取的各候选特征点的二进制描述信息的距离;最后,确定出与该特征点的二进制描述信息的距离最小的候选特征点,建立该特征点与所确定出的候选特征点的对应关系。对待测激光子图中的各特征点均可执行上述操作。
步骤204,基于对应关系,确定待测激光子图中的特征点与历史激光子图中的特征点的初始位姿变换矩阵。
在本实施例中,上述执行主体可以对步骤203所确定对应关系进行几何一致性校验,以确定待测激光子图中的特征点与历史激光子图中的特征点的位姿变换矩阵,并将其作为初始位姿变换矩阵。位姿变换可包括旋转和平移,位姿变换矩阵可表征两激光子图中的特征点的旋转关系和平移关系。基于位置变换矩阵,可消除两激光子图的位姿的累积误差。
作为示例,可采用RANSAC(Random Sample Consensus,随机抽样一致)算法确定初始位姿变换矩阵。具体可重复执行如下步骤:首先,随机选取多对(如三对)具有对应关系的特征点对,基于所选取的特征点对,确定候选位姿变换矩阵。例如,可采用ICP(IterativeClosest Point,最近点迭代算法)确定候选位姿变换矩阵。而后,基于各对具有对应关系的特征点对,确定该候选位姿变换矩阵的得分。例如,可将待测激光子图中的各特征点按照该候选位姿变换矩阵进行位姿变换,得到位姿变换后的点,之后计算待测激光子图中的各特征点与位姿变换后的点的残差和,将该残差和作为该候选位姿变换矩阵的得分。重复执行多次上述步骤,可得到多个候选位姿变换矩阵及其得分。当重复执行的次数达到目标次数时,上述执行主体可以将得分最高的候选位姿变换矩阵作为初始位姿变换矩阵。其中,目标次数可根据需要进行预先设定,此处对其具体数值不作限定。
需要说明的是,若未能获取到初始位姿变换矩阵,则可认为待测激光子图对应的场景与该历史激光子图对应的场景一致,此时,可采用相同或相似方式将待测激光子图与其他历史激光子图进行回环检测,此处不再赘述。
步骤205,基于初始位姿变换矩阵,校验待测激光子图对应的场景与历史激光子图对应的场景是否一致。
在本实施例中,上述执行主体可以基于初始位姿变换矩阵,校验待测激光子图对应的场景与历史激光子图对应的场景是否一致。例如,若初始位姿变换矩阵的分数大于某一阈值,可认为待测激光子图对应的场景与历史激光子图对应的场景一致,并存储该初始位姿变换矩阵。若初始位姿变换矩阵的分数小于或等于该阈值,可认为待测激光子图对应的场景与历史激光子图对应的场景不一致,此时,可采用相同或相似方式将待测激光子图与其他历史激光子图进行回环检测,此处不再赘述。
从图2中可以看出,与图1对应的实施例相比,本实施例中的回环检测方法的流程200涉及了对基于初始变换矩阵对待测激光子图对应的场景以及历史激光子图对应的场景进行一致性校验的步骤。通过一致性校验,可减少场景的误匹配,从而提高回环检测结果的准确性。
在一些可选的实施例中,描述子还可包括特征点的梯度主方向。在确定待测激光子图中的特征点与历史激光子图中的特征点的初始位姿变换矩阵之前,上述执行主体还可以基于梯度主方向,对特征点的对应关系进行校验。具体地,对于每一对具有对应关系的特征点对,上述执行主体可以检测该特征点对中的两个特征点的梯度主方向的差值。而后,可以通过统计,确定差值位于目标范围内的特征点对的占比。最后,可删除占比小于目标值(如80%)的特征点对的对应关系,剩余的对应关系则为有效的对应关系。由此,可以踢出掉一些误匹配(即错误的对应关系),从而进一步提高回环检测的准确性。
在一些可选的实施例中,若基于初始位姿变换矩阵校验出待测激光子图对应的场景与历史激光子图对应的场景一致,则上述执行主体还可以执行如下子步骤2051至子步骤2052,以对初始位姿变换矩阵进行精细优化:
子步骤2051,基于初始位姿变换矩阵,更新待测激光子图(可记为i)中的特征点与历史激光子图(可记为j)中的特征点的对应关系。
此处,可基于初始位姿变换矩阵确定待测激光子图中的各特征点在历史激光子图的投影位置,并在投影位置附近搜索特征点,从而从所搜索出的特征点中选取与一个特征点,与待测激光子图中的所投影的特征点建立对应关系。
作为示例,对于i中的每一个特征点a,可以首先基于初始位姿变换矩阵对该特征点进行位置变换,将其投影到j中,得到j中的对应点a’。而后,确定历史激光子图中以对应点a’为圆心的目标区域,目标区域的半径可以预先设定。之后,可基于特征点a的描述子和目标区域内的特征点的描述子,选取目标区域内的目标特征点,从而建立特征点a与目标特征点的对应关系。其中,基于描述子选取目标特征点并建立对应关系的方式,与上述实施例中基于描述子确定特征点对应关系的方式基本相同,此处不再赘述。对i中的每一个特征点均执行上述操作后,即可实现待测激光子图中的特征点与历史激光子图中的特征点的对应关系的更新。
子步骤2052,基于更新后的对应关系,更新初始位姿变换矩阵,得到目标位姿变换矩阵,并基于目标位姿变换矩阵,重新校验待测激光子图对应的场景与历史激光子图对应的场景是否一致。
此处,基于更新后的对应关系得到目标位姿变换矩阵的操作,与上述实施例中基于对应关系确定初始位姿变换矩阵的操作基本相同,此处不再赘述。另外,基于目标位姿变换矩阵校验场景是否一致的操作与上述实施例中基于初始位姿变换矩阵校验场景是否一致的操作基本相同,此处不再赘述。
此处,若重新校验结果指示待测激光子图对应的场景与历史激光子图对应的场景一致,则上述执行主体可以将所存储的初始位姿变换矩阵替换为目标位置变换矩阵。
通过对特征点的对应关系进行更新,基于更新后的对应关系更新位姿变换矩阵,可以对位姿变换矩阵进行精细优化,使得最终得到的位姿变换矩阵具有更高的准确性。此外,基于更新后所得到的目标位姿变换矩阵重新进行一致性校验,可进一步提高回环检测算法的鲁棒性。
进一步参考图3,作为对上述各图所示方法的实现,本申请提供了一种回环检测装置的一个实施例,该装置实施例与图1所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图3所示,本实施例的回环检测装置300包括:变换单元301,被配置成对待测激光子图进行欧氏距离变换,得到欧氏距离图;确定单元302,被配置成基于上述欧式距离图,确定上述待测激光子图中的特征点,并获取上述待测激光子图中的特征点的描述子;检测单元303,被配置成基于上述待测激光子图中的特征点的描述子与历史激光子图中的特征点的描述子,对上述待测激光子图进行回环检测,得到回环检测结果。
在本实施例的一些可选的实现方式中,上述装置还包括腐蚀处理单元,被配置成:将上述待测激光子图转换为占据栅格地图,将上述待测激光子图转换为占据栅格地图,对上述占据栅格地图中的未占据部分进行腐蚀处理,得到上述占据栅格地图对应的掩膜;以及,过滤单元,被配置成基于上述掩膜,对上述待测激光子图中的特征点进行过滤。
在本实施例的一些可选的实现方式中,上述确定单元302,进一步被配置成:确定上述欧式距离图中的各像素点的海森矩阵行列式;基于上述各像素点的海森矩阵行列式,确定上述欧式距离图中的鞍点、极大值点和极小值点;基于所确定出的鞍点、极大值点和极小值点,确定上述待测激光子图中的特征点。
在本实施例的一些可选的实现方式中,上述确定单元302,进一步被配置成:对所确定出的鞍点、极大值点和极小值点进行非极大值抑制处理,并基于上述非极大值抑制处理的处理结果,确定上述待测激光子图中的特征点;和/或,获取所确定出的鞍点、极大值点和极小值点的海森矩阵行列式的值的绝对值,并基于所获取的绝对值,确定上述待测激光子图中的特征点。
在本实施例的一些可选的实现方式中,上述确定单元302,进一步被配置成:确定上述待测激光子图中各特征点的二进制描述信息和类型信息;基于上述欧式距离图的梯度信息,获取上述各特征点的梯度主方向和邻域内平均欧氏距离值;对于上述待测激光子图中的每一个特征点,生成包括该特征点的二进制描述信息、类型信息、梯度主方向和邻域内平均欧氏距离值的描述子。
在本实施例的一些可选的实现方式中,上述确定单元302,进一步被配置成:对于上述待测激光子图中的每一个特征点,确定该特征点在上述欧式距离图中的对应点在多个梯度方向上的梯度幅值;基于所确定的梯度幅值,从上述多个梯度方向中选取该特征点的梯度主方向。
在本实施例的一些可选的实现方式中,上述确定单元302,进一步被配置成:对于上述待测激光子图中的每一个特征点,确定该特征点在上述欧式距离图中的对应点所在邻域内的平均像素值,将上述平均像素值作为该特征点的邻域内平均欧氏距离值。
在本实施例的一些可选的实现方式中,上述检测单元303,进一步被配置成:基于上述待测激光子图中的特征点的描述子与历史激光子图中的特征点的描述子,确定上述待测激光子图中的特征点与上述历史激光子图中的特征点的对应关系;基于上述对应关系,确定上述待测激光子图中的特征点与上述历史激光子图中的特征点的初始位姿变换矩阵;基于上述初始位姿变换矩阵,校验上述待测激光子图对应的场景与上述历史激光子图对应的场景是否一致。
在本实施例的一些可选的实现方式中,上述描述子包括特征点的二进制描述信息、类型信息以及邻域内平均欧氏距离值;以及,上述检测单元303,进一步被配置成:对于上述待测激光子图中的每一个特征点,执行如下步骤:从上述历史激光子图中选取与该特征点的类型信息相同且邻域内平均欧氏距离值的差值小于目标值的候选特征点;确定该特征点与所选取的各候选特征点的二进制描述信息的距离;建立该特征点与距离最小值对应的候选特征点的对应关系。
在本实施例的一些可选的实现方式中,上述检测单元303,进一步被配置成:重复执行如下步骤:随机选取多对具有对应关系的特征点对,基于所选取的特征点对,确定候选位姿变换矩阵;基于各对具有对应关系的特征点对,确定上述候选位姿变换矩阵的得分;当重复执行次数达到目标次数时,将得分最高的候选位姿变换矩阵作为初始位姿变换矩阵。
在本实施例的一些可选的实现方式中,上述描述子还包括特征点的梯度主方向;以及,上述检测单元303,进一步被配置成:对于每一对具有对应关系的特征点对,检测该特征点对中的两个特征点的梯度主方向的差值;确定上述差值位于目标范围内的特征点对的占比;删除上述占比小于目标值的特征点对的对应关系。
在本实施例的一些可选的实现方式中,上述装置还包括:重校验单元,被配置成:基于上述初始位姿变换矩阵,更新上述待测激光子图中的特征点与上述历史激光子图中的特征点的对应关系;基于更新后的对应关系,更新上述初始位姿变换矩阵,得到目标位姿变换矩阵,并基于上述目标位姿变换矩阵,重新校验上述待测激光子图对应的场景与上述历史激光子图对应的场景是否一致。
在本实施例的一些可选的实现方式中,上述重校验单元,进一步被配置成:对于上述待测激光子图中的每一个特征点,执行如下步骤:基于上述初始位姿变换矩阵,确定该特征点在上述历史激光子图中的对应点;确定上述历史激光子图中以上述对应点为圆心的目标区域;基于该特征点的描述子和上述目标区域内的特征点的描述子,选取上述目标区域内的目标特征点;建立该特征点与上述目标特征点的对应关系。
本申请的上述实施例提供的装置,通过对待测激光子图进行欧氏距离变换以得到欧氏距离图,而后基于欧式距离图确定待测激光子图中的特征点并获取其描述子,之后基于待测激光子图中的特征点的描述子与历史激光子图中的特征点的描述子,对待测激光子图进行回环检测,从而得到回环检测结果。由于激光子图中的特征点的数量远小于激光子图中的原始数据量,因而使用激光子图中的特征点的描述子进行场景匹配,相较于直接进行激光数据匹配的方式,可减少回环检测耗时,从而提高回环检测的效率。
下面参考图4,其示出了用于实现本申请的一些实施例的电子设备的结构示意图。图4示出的电子设备仅仅是一个示例,不应对本申请的实施例的功能和使用范围带来任何限制。
如图4所示,电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401,其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中,还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
通常,以下装置可以连接至I/O接口405:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407;包括例如磁盘、硬盘等的存储装置408;以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备400,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图4中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本申请的一些实施例,上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,本申请的一些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。在这样的一些实施例中,该计算机程序可以通过通信装置409从网络上被下载和安装,或者从存储装置408被安装,或者从ROM 402被安装。在该计算机程序被处理装置401执行时,执行本申请的一些实施例的方法中限定的上述功能。
需要说明的是,本申请的一些实施例所述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。在本申请的一些实施例中,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。而在本申请的一些实施例中,计算机可读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,该计算机可读信号介质可以发送、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:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperTextTransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述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该电子设备执行时,使得该电子设备:对待测激光子图进行欧氏距离变换,得到欧氏距离图;基于所述欧式距离图,确定所述待测激光子图中的特征点,并获取所述待测激光子图中的特征点的描述子;基于所述待测激光子图中的特征点的描述子与历史激光子图中的特征点的描述子,对所述待测激光子图进行回环检测,得到回环检测结果。该实施方式提高了回环检测的效率。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的一些实施例的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、Smalltalk、C++;还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接),上述网络包括局域网(LAN)或广域网(WAN)。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、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,该模块、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,框图和/或流程图中的每个方框、以及框图和/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。
描述于本申请的一些实施例中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,例如,可以描述为:一种处理器包括第一确定单元、第二确定单元、选取单元和第三确定单元。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。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本申请的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (16)
1.一种回环检测方法,其特征在于,所述方法包括:
对待测激光子图进行欧氏距离变换,得到欧氏距离图;
基于所述欧式距离图,确定所述待测激光子图中的特征点,并获取所述待测激光子图中的特征点的描述子;
基于所述待测激光子图中的特征点的描述子与历史激光子图中的特征点的描述子,对所述待测激光子图进行回环检测,得到回环检测结果。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
将所述待测激光子图转换为占据栅格地图,对所述占据栅格地图中的未占据部分进行腐蚀处理,得到所述占据栅格地图对应的掩膜;以及,
在确定所述待测激光子图中的特征点之后,所述方法还包括:
基于所述掩膜,对所述待测激光子图中的特征点进行过滤。
3.根据权利要求1或2所述的方法,其特征在于,所述基于所述欧式距离图,确定所述待测激光子图中的特征点,包括:
确定所述欧式距离图中的各像素点的海森矩阵行列式;
基于所述各像素点的海森矩阵行列式,确定所述欧式距离图中的鞍点、极大值点和极小值点;
基于所确定出的鞍点、极大值点和极小值点,确定所述待测激光子图中的特征点。
4.根据权利要求3所述的方法,其特征在于,所述基于所确定出的鞍点、极大值点和极小值点,确定所述待测激光子图中的特征点,包括:
对所确定出的鞍点、极大值点和极小值点进行非极大值抑制处理,并基于所述非极大值抑制处理的处理结果,确定所述待测激光子图中的特征点;和/或
获取所确定出的鞍点、极大值点和极小值点的海森矩阵行列式的值的绝对值,并基于所获取的绝对值,确定所述待测激光子图中的特征点。
5.根据权利要求1-4之一所述的方法,其特征在于,所述获取所述待测激光子图中的特征点的描述子,包括:
确定所述待测激光子图中各特征点的二进制描述信息和类型信息;
基于所述欧式距离图的梯度信息,获取所述各特征点的梯度主方向和邻域内平均欧氏距离值;
对于所述待测激光子图中的每一个特征点,生成包括该特征点的二进制描述信息、类型信息、梯度主方向和邻域内平均欧氏距离值的描述子。
6.根据权利要求5所述的方法,其特征在于,所述基于所述欧式距离图的梯度信息,获取所述各特征点的梯度主方向,包括:
对于所述待测激光子图中的每一个特征点,确定该特征点在所述欧式距离图中的对应点在多个梯度方向上的梯度幅值;基于所确定的梯度幅值,从所述多个梯度方向中选取该特征点的梯度主方向。
7.根据权利要求5或6所述的方法,其特征在于,基于所述欧式距离图的梯度信息,获取所述各特征点的邻域内平均欧氏距离值,包括:
对于所述待测激光子图中的每一个特征点,确定该特征点在所述欧式距离图中的对应点所在邻域内的平均像素值,将所述平均像素值作为该特征点的邻域内平均欧氏距离值。
8.根据权利要求1-7之一所述的方法,其特征在于,所述基于所述待测激光子图中的特征点的描述子与历史激光子图中的特征点的描述子,对所述待测激光子图进行回环检测,得到回环检测结果,包括:
基于所述待测激光子图中的特征点的描述子与历史激光子图中的特征点的描述子,确定所述待测激光子图中的特征点与所述历史激光子图中的特征点的对应关系;
基于所述对应关系,确定所述待测激光子图中的特征点与所述历史激光子图中的特征点的初始位姿变换矩阵;
基于所述初始位姿变换矩阵,校验所述待测激光子图对应的场景与所述历史激光子图对应的场景是否一致。
9.根据权利要求8所述的方法,其特征在于,所述描述子包括特征点的二进制描述信息、类型信息以及邻域内平均欧氏距离值;以及,
所述基于所述待测激光子图中的特征点的描述子与历史激光子图中的特征点的描述子,确定所述待测激光子图中的特征点与所述历史激光子图中的特征点的对应关系,包括:
对于所述待测激光子图中的每一个特征点,执行如下步骤:
从所述历史激光子图中选取与该特征点的类型信息相同且邻域内平均欧氏距离值的差值小于目标值的候选特征点;
确定该特征点与所选取的各候选特征点的二进制描述信息的距离;
建立该特征点与距离最小值对应的候选特征点的对应关系。
10.根据权利要求8或9所述的方法,其特征在于,所述基于所述对应关系,确定所述待测激光子图中的特征点与所述历史激光子图中的特征点的初始位姿变换矩阵,包括:
重复执行如下步骤:随机选取多对具有对应关系的特征点对,基于所选取的特征点对,确定候选位姿变换矩阵;基于各对具有对应关系的特征点对,确定所述候选位姿变换矩阵的得分;
当重复执行次数达到目标次数时,将得分最高的候选位姿变换矩阵作为初始位姿变换矩阵。
11.根据权利要求8-10之一所述的方法,其特征在于,所述描述子还包括特征点的梯度主方向;以及,
在确定所述待测激光子图中的特征点与所述历史激光子图中的特征点的初始位姿变换矩阵之前,所述基于所述待测激光子图中的特征点的描述子与历史激光子图中的特征点的描述子,对所述待测激光子图进行回环检测,得到回环检测结果,还包括:
对于每一对具有对应关系的特征点对,检测该特征点对中的两个特征点的梯度主方向的差值;
确定所述差值位于目标范围内的特征点对的占比;
删除所述占比小于目标值的特征点对的对应关系。
12.根据权利要求10-12之一所述的方法,其特征在于,所述方法还包括:
基于所述初始位姿变换矩阵,更新所述待测激光子图中的特征点与所述历史激光子图中的特征点的对应关系;
基于更新后的对应关系,更新所述初始位姿变换矩阵,得到目标位姿变换矩阵,并基于所述目标位姿变换矩阵,重新校验所述待测激光子图对应的场景与所述历史激光子图对应的场景是否一致。
13.根据权利要求12所述的方法,其特征在于,所述基于所述初始位姿变换矩阵,更新所述待测激光子图中的特征点与所述历史激光子图中的特征点的对应关系,包括:
对于所述待测激光子图中的每一个特征点,执行如下步骤:
基于所述初始位姿变换矩阵,确定该特征点在所述历史激光子图中的对应点;
确定所述历史激光子图中以所述对应点为圆心的目标区域;
基于该特征点的描述子和所述目标区域内的特征点的描述子,选取所述目标区域内的目标特征点;
建立该特征点与所述目标特征点的对应关系。
14.一种回环检测装置,其特征在于,所述装置包括:
变换单元,被配置成对待测激光子图进行欧氏距离变换,得到欧氏距离图;
确定单元,被配置成基于所述欧式距离图,确定所述待测激光子图中的特征点,并获取所述待测激光子图中的特征点的描述子;
检测单元,被配置成基于所述待测激光子图中的特征点的描述子与历史激光子图中的特征点的描述子,对所述待测激光子图进行回环检测,得到回环检测结果。
15.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-13中任一所述的方法。
16.一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-13中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111298543.2A CN114241044A (zh) | 2021-11-04 | 2021-11-04 | 回环检测方法、装置、电子设备和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111298543.2A CN114241044A (zh) | 2021-11-04 | 2021-11-04 | 回环检测方法、装置、电子设备和计算机可读介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114241044A true CN114241044A (zh) | 2022-03-25 |
Family
ID=80743682
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111298543.2A Pending CN114241044A (zh) | 2021-11-04 | 2021-11-04 | 回环检测方法、装置、电子设备和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114241044A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115685223A (zh) * | 2022-12-15 | 2023-02-03 | 深圳市智绘科技有限公司 | 位置识别方法、装置、电子设备及可读存储介质 |
-
2021
- 2021-11-04 CN CN202111298543.2A patent/CN114241044A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115685223A (zh) * | 2022-12-15 | 2023-02-03 | 深圳市智绘科技有限公司 | 位置识别方法、装置、电子设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109003260B (zh) | Ct图像肺结节检测方法、装置、设备及可读存储介质 | |
CN108229455B (zh) | 物体检测方法、神经网络的训练方法、装置和电子设备 | |
CN110148157B (zh) | 画面目标跟踪方法、装置、存储介质及电子设备 | |
CN113869293B (zh) | 车道线识别方法、装置、电子设备和计算机可读介质 | |
CN110781885A (zh) | 基于图像处理的文本检测方法、装置、介质及电子设备 | |
CN109961446B (zh) | Ct/mr三维图像分割处理方法、装置、设备及介质 | |
US8396303B2 (en) | Method, apparatus and computer program product for providing pattern detection with unknown noise levels | |
CN111797744B (zh) | 一种基于共现滤波算法的多模态遥感图像匹配方法 | |
CN110211195B (zh) | 生成图像集合的方法、装置、电子设备和计算机可读存储介质 | |
CN111784658B (zh) | 一种用于人脸图像的质量分析方法和系统 | |
CN110188815B (zh) | 一种特征点采样方法、装置、设备及存储介质 | |
CN113781478B (zh) | 油罐图像检测方法、装置、电子设备和计算机可读介质 | |
CN113516697B (zh) | 图像配准的方法、装置、电子设备及计算机可读存储介质 | |
CN114241044A (zh) | 回环检测方法、装置、电子设备和计算机可读介质 | |
CN113537026A (zh) | 建筑平面图中的图元检测方法、装置、设备及介质 | |
CN111815748A (zh) | 一种动画处理方法、装置、存储介质及电子设备 | |
CN112287905A (zh) | 车辆损伤识别方法、装置、设备及存储介质 | |
CN116895008A (zh) | 裂缝识别模型确定和裂缝识别方法、装置、设备及介质 | |
CN115100536B (zh) | 建筑物识别方法、装置、电子设备和计算机可读介质 | |
TWI818496B (zh) | 指紋識別方法、指紋模組及電子設備 | |
CN113032071B (zh) | 页面元素定位方法、页面测试方法、装置、设备和介质 | |
CN115393423A (zh) | 目标检测方法和装置 | |
CN111753723B (zh) | 一种基于密度校准的指纹识别方法及装置 | |
CN112597788B (zh) | 目标测定方法、装置、电子设备和计算机可读介质 | |
CN112766068A (zh) | 一种基于网格化标注的车辆检测方法及系统 |
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 |