CN114398455A - 异构多机器人协同slam地图融合方法 - Google Patents
异构多机器人协同slam地图融合方法 Download PDFInfo
- Publication number
- CN114398455A CN114398455A CN202111449334.3A CN202111449334A CN114398455A CN 114398455 A CN114398455 A CN 114398455A CN 202111449334 A CN202111449334 A CN 202111449334A CN 114398455 A CN114398455 A CN 114398455A
- Authority
- CN
- China
- Prior art keywords
- map
- aerial vehicle
- unmanned aerial
- key frame
- unmanned
- 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
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 claims description 20
- 238000004891 communication Methods 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000013519 translation Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
- G06F16/2393—Updating materialised views
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Remote Sensing (AREA)
- Software Systems (AREA)
- Computer Graphics (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种异构多机器人协同SLAM地图融合方法,应用于云端服务器,包括:接收第一无人机在第一时刻对第一区域构建的第一地图、以及第二无人机在第二时刻对第二区域构建的第二地图;根据第一关键帧、第二关键帧、第一无人机的运动轨迹和第二无人机的运动轨迹,确定重叠区域;获取重叠区域对应的关键帧集,确定第一无人机与第二无人机的相对运动关系;根据相对运动关系,融合第一地图和第二地图,得到包含第一区域及第二区域的全局地图;下发全局地图至各无人车,并根据无人车获取的更新数据对全局地图进行更新。本发明利用无人机与无人车协同SLAM不仅提高了全局地图的精度,同时也解决了稀疏三维点云地图难以直接应用于导航的问题。
Description
技术领域
本发明属于同步定位与建图技术领域,具体涉及一种异构多机器人协同SLAM地图融合方法。
背景技术
目前,单机器人SLAM(simultaneous localization and mapping,同步定位与建图)算法已经较为成熟,但面对大规模环境时,仍存在长时间累计误差、地图精度差、意外故障无法继续建图等缺点。因此,为解决上述大规模环境建图问题,多机器人协同SLAM应运而生,但是,同构多机器人结构单一,在面对地形复杂的环境时存在运动受限的问题。
鉴于此,相关技术中通过无人机与智能车搭建异构机器人协同SLAM平台,能够有效结合智能体运动特性,对复杂环境有较强的适应性,显著提高建图效率。然而,由于异构机器人所搭载的传感器不同,导致所构建局部地图的类型和精细程度也不相同,因而无法直接进行融合。
发明内容
为了解决现有技术中存在的上述问题,本发明提供了一种异构多机器人协同SLAM地图融合方法。本发明要解决的技术问题通过以下技术方案实现:
第一方面,本发明提供一种异构多机器人协同SLAM地图融合方法,应用于云端服务器,包括:
接收第一无人机对第一区域构建的第一地图、第二无人机对第二区域构建的第二地图、第一相关信息以及第二相关信息;其中,第一区域和第二区域之间存在重叠区域,所述第一相关信息包括第一地图的多个第一关键帧和第一无人机的运动轨迹,所述第二相关信息包括第二地图的多个第二关键帧和第二无人机的运动轨迹;
根据所述第一关键帧、所述第二关键帧、所述第一无人机的运动轨迹和所述第二无人机的运动轨迹,确定第一地图与第二地图之间的重叠区域;
获取所述重叠区域对应的第一关键帧和第二关键帧,得到关键帧集,并根据所述关键帧集确定第一无人机与第二无人机的相对运动关系;
根据所述相对运动关系,融合所述第一地图和所述第二地图,得到包含所述第一区域及所述第二区域的全局地图;
下发所述全局地图至各无人车,并根据无人车获取的更新数据对所述全局地图进行更新。
在本发明的一个实施例中,所述第一地图为第一无人机利用ORB-SLAM2算法,在第一时刻对第一区域构建的稀疏三维点云地图,所述第二地图为第二无人机利用ORB-SLAM2算法,在第二时刻对第二区域构建的稀疏三维点云地图。
在本发明的一个实施例中,
所述根据所述第一关键帧、所述第二关键帧、所述第一无人机的运动轨迹和所述第二无人机的运动轨迹,确定第一地图与第二地图之间的重叠区域的步骤,包括:
分别提取所述第一关键帧中的第一ORB特征点以及所述第二关键帧中的第二ORB特征点,并进行匹配;
分别根据所述第一无人机的运动轨迹,计算第一无人机的第一曲率值,并根据所述第二无人机的运动轨迹,计算第二无人机的第二曲率值;
对所述第一曲率值和所述第二曲率值进行匹配;
根据预设权重、第一ORB特征点与第二ORB特征点的匹配结果、以及第一曲率值与第二曲率值的匹配结果,确定第一地图与第二地图之间的重叠区域。
在本发明的一个实施例中,所述获取所述重叠区域对应的第一关键帧和第二关键帧,得到关键帧集,并根据所述关键帧集确定第一无人机与第二无人机的相对运动关系的步骤,包括:
获取所述重叠区域对应的第一关键帧和第二关键帧,得到关键帧集;
利用所述关键帧集和Bundle Adjustment算法,确定第一无人机与第二无人机之间的变换矩阵;
其中,所述变换矩阵包括旋转矩阵和平移矩阵。
在本发明的一个实施例中,所述下发所述全局地图至各无人车,并根据无人车获取的更新数据对所述全局地图进行更新的步骤,包括:
将所述全局地图由稀疏三维点云地图转换为二维栅格地图;
分发所述二维栅格地图至各无人车,以使所述无人车获取所述二维栅格地图的更新数据;
按照所述更新数据,对二维栅格地图进行更新。
在本发明的一个实施例中,
所述分发所述二维栅格地图至各无人车,以使所述无人车获取所述二维栅格地图的更新数据的步骤,包括:
将所述二维栅格地图分发至各个无人车,以使各无人车根据自身设置的导航目标点规划全局路径,并在按照所述全局路径前往所述导航目标点的过程中,利用2D激光雷达扫描周围环境得到局部地图,进一步将所述局部地图作为更新数据上传至云端服务器。
第二方面,本发明提供一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现第一方面任一所述的方法步骤。
第三方面,本法民还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第一方面任一所述的方法的步骤。
与现有技术相比,本发明的有益效果在于:
本发明提供一种异构多机器人协同SLAM地图融合方法,首先利用第一无人和第二无人机分别对第一区域及第二区域构建第一地图、第二地图,然后确定第一地图与第二地图之间的重叠区域,并根据第一无人机与第二无人机的相对运动关系融合第一地图和第二地图,得到包含第一区域及第二区域的全局地图,从而有效解决局部稀疏三维点云地图的融合问题。此外,在获得全局地图之后,进一步利用无人车对全局地图进行更新,以通过无人机与无人车协同SLAM来提高大规模复杂场景下SLAM的效率,不仅提高了全局地图的精度、提供了动态场景下进行地图更新的方案,也有利于解决稀疏三维点云地图难以直接应用于导航的问题。
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
图1是本发明实施例提供的异构多机器人协同SLAM地图融合转换方法的一种流程图;
图2是本发明实施例提供的异构多机器人协同SLAM地图融合转换方法的一种示意图;
图3a是本发明实施例提供的八叉树生成过程的一种示意图;
图3b是本发明实施例提供的八叉树生成过程的另一种示意图;
图4是本发明实施例提供的斜投影示意图;
图5是本发明实施例提供的电子设备的一种结构示意图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述,但本发明的实施方式不限于此。
图1是本发明实施例提供的异构多机器人协同SLAM地图融合转换方法的一种流程图,图2是本发明实施例提供的异构多机器人协同SLAM地图融合转换方法的一种示意图。请参见图1-2,本发明实施例提供了一种异构多机器人协同SLAM地图融合方法,其特征在于,应用于云端服务器,包括:
S1、接收第一无人机对第一区域构建的第一地图、第二无人机对第二区域构建的第二地图、第一相关信息以及第二相关信息;其中,第一区域和第二区域之间存在重叠区域,第一相关信息包括第一地图的多个第一关键帧和第一无人机的运动轨迹,第二相关信息包括第二地图的多个第二关键帧和第二无人机的运动轨迹;
S2、根据第一关键帧、第二关键帧、第一无人机的运动轨迹和第二无人机的运动轨迹,确定第一地图与第二地图之间的重叠区域;
S3、获取重叠区域对应的第一关键帧和第二关键帧,得到关键帧集,并根据关键帧集确定第一无人机与第二无人机的相对运动关系;
S4、根据相对运动关系,融合第一地图和第二地图,得到包含第一区域及第二区域的全局地图;
S5、下发全局地图至各无人车,并根据无人车获取的更新数据对全局地图进行更新。
本实施例中,第一无人机和第二无人机预先在不同时刻分别进行地图构建。具体而言,在第一时刻,第一无人机采用ORB-SLAM2算法对第一区域构建稀疏三维点云地图,得到第一地图,在第二时刻,第二无人机同样采用ORB-SLAM2算法对第二区域构建稀疏三维点云地图,得到第二地图;其中,第一地区与第二地图之间存在至少部分交叠区域。
可选地,上述第一地图包括多个第一关键帧和第一无人机的运动轨迹,第二地图包括多个第二关键帧和第二无人机的运动轨迹。构建完成后,第一无人机和第二无人机通过网络将第一地图、第二地图发送至云端服务器。
在上述步骤S2中,云端服务器根据接收到的第一关键帧、第二关键帧、第一无人机的运动轨迹和第二无人机的运动轨迹,寻找第一区域与第二区域的重叠区域,而后根据重叠区域对应的第一关键帧和第二关键帧,估计两个无人机的相对运动关系,并进一步对第一地图和第二地图加以融合。
可选地,上述步骤S2中,根据第一关键帧、第二关键帧、第一无人机的运动轨迹和第二无人机的运动轨迹,确定第一地图与第二地图之间的重叠区域的步骤,包括:
分别提取第一关键帧中的第一ORB特征点以及第二关键帧中的第二ORB特征点,并进行匹配;
分别根据第一无人机的运动轨迹,计算第一无人机的第一曲率值,并根据第二无人机的运动轨迹,计算第二无人机的第二曲率值;
对第一曲率值和第二曲率值进行匹配;
根据预设权重、第一ORB特征点与第二ORB特征点的匹配结果、以及第一曲率值与第二曲率值的匹配结果,确定第一地图与第二地图之间的重叠区域。
本实施例中,预设权重包括第一ORB特征点与第二ORB特征点匹配结果的第一权重、以及第一曲率值和第二曲率值匹配结果的第二权重,其中,第一权重可以为0.8、第二权重可以为0.2。具体而言,利用汉明距离对第一关键帧的第一ORB特征点与第二关键帧的第二ORB特征点进行匹配、利用欧氏距离对第一无人机的第一曲率值和第二无人机的第二曲率值进行匹配,并根据预设权重对两部分匹配结果加权平均,若得到的匹配值大于预设的相似度阈值,则第一关键帧与第二关键帧匹配,即为重叠区域的关键帧。
当然,在本申请的一些其他实施例中,第一权重和第二权重可以根据实际需求灵活调整,本申请对此不作限定。
可选地,获取所述重叠区域对应的第一关键帧和第二关键帧,得到关键帧集,并根据关键帧集确定第一无人机与第二无人机的相对运动关系的步骤,包括:
获取重叠区域对应的第一关键帧和第二关键帧,得到关键帧集;
利用关键帧集和Bundle Adjustment算法,确定第一无人机与第二无人机之间的变换矩阵;
其中,变换矩阵包括旋转矩阵和平移矩阵。
可选地,下发全局地图至各无人车,并根据无人车获取的更新数据对全局地图进行更新的步骤,包括:
将全局地图由稀疏三维点云地图转换为二维栅格地图;
分发二维栅格地图至各无人车,以使无人车获取二维栅格地图的更新数据;
按照更新数据,对二维栅格地图进行更新。
应当理解,由于无人车无法直接根据稀疏三维点云地图进行导航,因此为了使无人车对全局地图进一步做精细化处理,云端服务器需要将全局地图由稀疏三维点云地图转换成二维栅格地图。
首先,云端服务器采用八叉树的形式表达融合得到的全局地图。具体地,针对融合得到的全局稀疏三维点云地图中每一个关键帧及其对应的地图点,可以根据搭载于第一无人机或第二无人机上相机的位姿信息,将地图点的坐标投影到世界坐标。图3a、3b是本发明实施例提供的将全局地图由稀疏三维点云地图转换为二维栅格地图的示意图。示例性地,请参见图3a、3b,云端服务器可使用8个立体体元去划分整幅全局稀疏三维点云地图,若某一节点不为空,则继续划分该节点,直至节点为空或满足预设的概率阈值时,停止划分。
进一步地,云端服务器计算八叉树中每个节点的占有概率。需要说明的是,在八叉树中,通常使用概率表达一个节点的占有概率,父节点概率为其孩子节点的概率平均值,孩子节点的占有概率可以按照下式计算:
L(n|Z1:T)=L(n|Z1:T-1)+L(n|ZT) (1)
其中,L(n)采用概率对数值的方式来表达:
公式(1)取决于当前测量ZT、先验概率p(n)和先验估计p(n|Z1:T-1)。其中,ZT表示关键帧的节点空间是否存在地图点,p(n|ZT)表示给定测量ZT的体素n被占据的概率。显然,通过公式(1)、(2)可以求解出节点的占有概率,进而根据通过预设的概率阈值判定节点是否处于占用状态。
而后,将八叉树地图斜投影到二维平面,生成二维栅格地图。图4是本发明实施例提供的斜投影示意图,如图4所示,为了能够使无人车进行导航并更新全局地图的细节,需要将三维的八叉树地图转换为二维栅格地图;可选地,将八叉树中所有的地图点以斜投影的方式投射到二维平面,图4中p(x,y,z)表示八叉树中地图点的三维坐标,P点在二维平面正交投影得到坐标P0(x,y,z),P点在二维平面斜投影得到坐标P1(x1,y1,z1)。由图4可计算斜投影后的坐标P1(x1,y1):
经过上述步骤便可将全局三维稀疏点云地图转换为全局二维栅格地图。
当然,可以理解的是,在将三维八叉树地图转换为二维地图时,简单环境下也可以直接采用垂直投影的方式得到二维栅格地图。
可选地,分发二维栅格地图至各无人车,以使无人车获取二维栅格地图的更新数据的步骤,包括:
将二维栅格地图分发至各个无人车,以使各无人车根据自身设置的导航目标点规划全局路径,并在按照全局路径前往导航目标点的过程中,利用2D激光雷达扫描周围环境,进一步在全局路径中存在障碍物时,规划局部路径实现避障功能,并将局部路径作为更新数据上传至云端服务器。
请继续参见图2,云端服务器转换生成二维栅格地图之后,将二维栅格地图分发至每个无人车,无人车加载二维栅格地图,并设置不同的导航目标点;然后,各无人车利用A*算法规划全局路径,并按照全局路径前往自身的导航目标点。可选地,在无人车移动的过程中,通过2D激光雷达来扫描自身的周围环境得到局部地图,从而将局部地图作为更新数据传送至云端服务器;并且,无人车可以根据激光雷达扫描数据判断全局路径周围的障碍物信息,当全局路径中存在障碍物,利用Teb算法规划局部路径实现避障功能。进一步地,云端服务器根据更新数据对二维栅格地图进行更新,直至智能车行驶至所设置的目标点,完成二维栅格地图的更新,得到全局一致性精细二维栅格地图。
通过上述各实施例可知,本发明的有益效果在于:
本发明提供一种异构多机器人协同SLAM地图融合方法,首先利用第一无人和第二无人机分别对第一区域及第二区域构建第一地图、第二地图,然后确定第一地图与第二地图之间的重叠区域,并根据第一无人机与第二无人机的相对运动关系融合第一地图和第二地图,得到包含第一区域及第二区域的全局地图,从而有效解决局部稀疏三维点云地图的融合问题。此外,在获得全局地图之后,进一步利用无人车对全局地图进行更新,以通过无人机与无人车协同SLAM来提高大规模复杂场景下SLAM的效率,不仅提高了全局地图的精度、提供了动态场景下进行地图更新的方案,也有利于解决稀疏三维点云地图难以直接应用于导航的问题。
本发明实施例还提供了一种电子设备,如图5所示,包括处理器501、通信接口502、存储器503和通信总线504,其中,处理器501,通信接口502,存储器503通过通信总线504完成相互间的通信,
存储器503,用于存放计算机程序;
处理器501,用于执行存储器503上所存放的程序时,实现如下步骤:
接收第一无人机在第一时刻对第一区域构建的第一地图、以及第二无人机在第二时刻对第二区域构建的第二地图;其中,第一区域和第二区域之间存在重叠区域,所述第一地图包括多个第一关键帧和第一无人机的运动轨迹,所述第二地图包括多个第二关键帧和第二无人机的运动轨迹;
根据所述第一关键帧、所述第二关键帧、所述第一无人机的运动轨迹和所述第二无人机的运动轨迹,确定第一地图与第二地图之间的重叠区域;
获取所述重叠区域对应的第一关键帧和第二关键帧,得到关键帧集,并根据所述关键帧集确定第一无人机与第二无人机的相对运动关系;
根据所述相对运动关系,融合所述第一地图和所述第二地图,得到包含所述第一区域及所述第二区域的全局地图;
下发所述全局地图至各无人车,并根据无人车获取的更新数据对所述全局地图进行更新。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等。
本发明实施例提供的方法可以应用于电子设备。具体的,该电子设备可以为:台式计算机、便携式计算机、智能移动终端、服务器等。在此不作限定,任何可以实现本发明的电子设备,均属于本发明的保护范围。
对于电子设备/存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
需要说明的是,本发明实施例的电子设备及存储介质分别是应用上述异构多机器人协同SLAM地图融合方法的装置、电子设备及存储介质,则上述异构多机器人协同SLAM地图融合的所有实施例均适用于该电子设备及存储介质,且均能达到相同或相似的有益效果。
在本发明的描述中,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。此外,本领域的技术人员可以将本说明书中描述的不同实施例或示例进行接合和组合。
尽管在此结合各实施例对本申请进行了描述,然而,在实施所要求保护的本申请过程中,本领域技术人员通过查看所述附图、公开内容、以及所附权利要求书,可理解并实现所述公开实施例的其他变化。在权利要求中,“包括”(comprising)一词不排除其他组成部分或步骤,“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施,但这并不表示这些措施不能组合起来产生良好的效果。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (8)
1.一种异构多机器人协同SLAM地图融合方法,其特征在于,应用于云端服务器,包括:
接收第一无人机对第一区域构建的第一地图、第二无人机对第二区域构建的第二地图、第一相关信息以及第二相关信息;其中,第一区域和第二区域之间存在重叠区域,所述第一相关信息包括第一地图的多个第一关键帧和第一无人机的运动轨迹,所述第二相关信息包括第二地图的多个第二关键帧和第二无人机的运动轨迹;
根据所述第一关键帧、所述第二关键帧、所述第一无人机的运动轨迹和所述第二无人机的运动轨迹,确定第一地图与第二地图之间的重叠区域;
获取所述重叠区域对应的第一关键帧和第二关键帧,得到关键帧集,并根据所述关键帧集确定第一无人机与第二无人机的相对运动关系;
根据所述相对运动关系,融合所述第一地图和所述第二地图,得到包含所述第一区域及所述第二区域的全局地图;
下发所述全局地图至各无人车,并根据无人车获取的更新数据对所述全局地图进行更新。
2.根据权利要求1所述的异构多机器人协同SLAM地图融合方法,其特征在于,所述第一地图为第一无人机利用ORB-SLAM2算法,在第一时刻对第一区域构建的稀疏三维点云地图,所述第二地图为第二无人机利用ORB-SLAM2算法,在第二时刻对第二区域构建的稀疏三维点云地图。
3.根据权利要求2所述的异构多机器人协同SLAM地图融合方法,其特征在于,所述根据所述第一关键帧、所述第二关键帧、所述第一无人机的运动轨迹和所述第二无人机的运动轨迹,确定第一地图与第二地图之间的重叠区域的步骤,包括:
分别提取所述第一关键帧中的第一ORB特征点以及所述第二关键帧中的第二ORB特征点,并进行匹配;
分别根据所述第一无人机的运动轨迹,计算第一无人机的第一曲率值,并根据所述第二无人机的运动轨迹,计算第二无人机的第二曲率值;
对所述第一曲率值和所述第二曲率值进行匹配;
根据预设权重、第一ORB特征点与第二ORB特征点的匹配结果、以及第一曲率值与第二曲率值的匹配结果,确定第一地图与第二地图之间的重叠区域。
4.根据权利要求3所述的异构多机器人协同SLAM地图融合方法,其特征在于,所述获取所述重叠区域对应的第一关键帧和第二关键帧,得到关键帧集,并根据所述关键帧集确定第一无人机与第二无人机的相对运动关系的步骤,包括:
获取所述重叠区域对应的第一关键帧和第二关键帧,得到关键帧集;
利用所述关键帧集和Bundle Adjustment算法,确定第一无人机与第二无人机之间的变换矩阵;
其中,所述变换矩阵包括旋转矩阵和平移矩阵。
5.根据权利要求2所述的异构多机器人协同SLAM地图融合方法,其特征在于,所述下发所述全局地图至各无人车,并根据无人车获取的更新数据对所述全局地图进行更新的步骤,包括:
将所述全局地图由稀疏三维点云地图转换为二维栅格地图;
分发所述二维栅格地图至各无人车,以使所述无人车获取所述二维栅格地图的更新数据;
按照所述更新数据,对二维栅格地图进行更新。
6.根据权利要求5所述的异构多机器人协同SLAM地图融合方法,其特征在于,所述分发所述二维栅格地图至各无人车,以使所述无人车获取所述二维栅格地图的更新数据的步骤,包括:
将所述二维栅格地图分发至各个无人车,以使各无人车根据自身设置的导航目标点规划全局路径,并在按照所述全局路径前往所述导航目标点的过程中,利用2D激光雷达扫描周围环境得到局部地图,进一步将所述局部地图作为更新数据上传至云端服务器。
7.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-6任一所述的方法步骤。
8.一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1-6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111449334.3A CN114398455A (zh) | 2021-11-30 | 2021-11-30 | 异构多机器人协同slam地图融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111449334.3A CN114398455A (zh) | 2021-11-30 | 2021-11-30 | 异构多机器人协同slam地图融合方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114398455A true CN114398455A (zh) | 2022-04-26 |
Family
ID=81225706
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111449334.3A Pending CN114398455A (zh) | 2021-11-30 | 2021-11-30 | 异构多机器人协同slam地图融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114398455A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114879557A (zh) * | 2022-05-07 | 2022-08-09 | 中国人民解放军东部战区总医院 | 一种无人装备集群的控制方法、系统、设备及存储介质 |
-
2021
- 2021-11-30 CN CN202111449334.3A patent/CN114398455A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114879557A (zh) * | 2022-05-07 | 2022-08-09 | 中国人民解放军东部战区总医院 | 一种无人装备集群的控制方法、系统、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102548282B1 (ko) | 고정밀도 맵 작성 방법 및 장치 | |
CN109540142B (zh) | 一种机器人定位导航的方法、装置、计算设备 | |
WO2021233029A1 (en) | Simultaneous localization and mapping method, device, system and storage medium | |
US20220028163A1 (en) | Computer Vision Systems and Methods for Detecting and Modeling Features of Structures in Images | |
US10192113B1 (en) | Quadocular sensor design in autonomous platforms | |
CN107160395B (zh) | 地图构建方法及机器人控制系统 | |
US9996944B2 (en) | Systems and methods for mapping an environment | |
CN110276834B (zh) | 一种激光点云地图的构建方法、终端和可读存储介质 | |
JP2021527863A (ja) | 車両環境マッピング方法、ならびに、対応するシステム、車両およびコンピュータプログラム製品 | |
CN113108773A (zh) | 一种融合激光与视觉传感器的栅格地图构建方法 | |
CN112305559A (zh) | 基于地面定点激光雷达扫描的输电线距离测量方法、装置、系统和电子设备 | |
CN111862214B (zh) | 计算机设备定位方法、装置、计算机设备和存储介质 | |
CN113674412B (zh) | 基于位姿融合优化的室内地图构建方法、系统及存储介质 | |
CN114549738A (zh) | 无人车室内实时稠密点云重建方法、系统、设备及介质 | |
CN116295412A (zh) | 一种基于深度相机的室内移动机器人稠密建图与自主导航一体化方法 | |
CN114398455A (zh) | 异构多机器人协同slam地图融合方法 | |
Wu et al. | A non-rigid hierarchical discrete grid structure and its application to UAVs conflict detection and path planning | |
CN112381873B (zh) | 一种数据标注方法及装置 | |
CN112132951B (zh) | 一种基于视觉的网格语义地图的构建方法 | |
WO2022099620A1 (zh) | 三维点云分割方法和装置、可移动平台 | |
CN113376638A (zh) | 一种无人物流小车环境感知方法及系统 | |
CN115239899B (zh) | 位姿图生成方法、高精地图生成方法和装置 | |
CN115235482A (zh) | 地图更新方法、装置、计算机设备及介质 | |
CN112612788A (zh) | 一种无导航卫星信号下的自主定位方法 | |
CN116147653B (zh) | 一种面向无人驾驶车辆的三维参考路径规划方法 |
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 |