CN114429492A - 数据配准方法、电子设备及计算机存储介质 - Google Patents
数据配准方法、电子设备及计算机存储介质 Download PDFInfo
- Publication number
- CN114429492A CN114429492A CN202210067925.2A CN202210067925A CN114429492A CN 114429492 A CN114429492 A CN 114429492A CN 202210067925 A CN202210067925 A CN 202210067925A CN 114429492 A CN114429492 A CN 114429492A
- Authority
- CN
- China
- Prior art keywords
- registration
- translation matrix
- rotation
- data point
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提供了一种数据配准方法、电子设备及计算机存储介,其中,数据配准方法包括:获取待配准的数据点对;对所述数据点对进行第一配准操作,获得第一配准旋转平移矩阵;以所述第一配准旋转平移矩阵为配准初始值,对所述数据点对进行第二配准操作,获得第二配准旋转平移矩阵,其中,所述第二配准操作的配准精度高于所述第一配准操作;根据所述第二配准旋转平移矩阵,构建所述数据点对的配准结果。通过本申请实施例,大大提升了数据配准的鲁棒性和灵活性。
Description
技术领域
本申请实施例涉及计算机技术领域,尤其涉及一种数据配准方法、电子设备及计算机存储介质。
背景技术
数据配准是将两个存在部分重叠或全部重叠区域的三维空间数据点集,通过求解出同一坐标系下不同姿态数据的变换矩阵进行配准的过程,其本质是找出两种姿态之间的变换关系。例如,图像配准是对两张有部分共视区或者全部共视区的图像,通过求解出同一坐标系下不同姿态图像的变换矩阵,实现两张图像的配准。再例如,点云配准是将两个有部分重叠或者全部重叠区域的点云,通过求解出同一坐标系下不同姿态点云的变换矩阵,利用该矩阵实现两个点云的配准。
数据配准在诸如自动驾驶、无人机、室内服务机器人等诸多领域有着广泛的应用。以自动驾驶领域为例,自动驾驶需在使用SLAM(Simultaneous Localization andMapping,同时定位和建图)技术进行定位和建图的基础上,再对通过SLAM建好的位姿图(pose graph)进行回环优化。其中,回环优化用于判断机器人或自动驾驶车辆等是否到达过先前到过的位置,如果检测到回环,则基于回环信息进行位姿图的位姿优化。通过回环优化,可以构建全局回环约束,使得最后优化出的位姿具有良好的全局一致性。
传统的回环检测方式中,一般在检测到回环之后,采用几何配准方案如ICP(Iterative Closest Point,最近迭代算法)等配准算法对回环对应的点云数据或图像数据进行配准,将配准之后的回环边添加到位姿图中。但是几何配准方案对配准的初始值依赖较大,鲁棒性不好,一旦导航的精度不高,也即用于配准的点云数据的精度不高,则配准非常容易失败。
发明内容
有鉴于此,本申请实施例提供一种数据配准方案,以至少部分解决上述问题。
根据本申请实施例的第一方面,提供了一种数据配准方法,包括:获取待配准的数据点对;对所述数据点对进行第一配准操作,获得第一配准旋转平移矩阵;以所述第一配准旋转平移矩阵为配准初始值,对所述数据点对进行第二配准操作,获得第二配准旋转平移矩阵,其中,所述第二配准操作的配准精度高于所述第一配准操作;根据所述第二配准旋转平移矩阵,构建所述数据点对的配准结果。
根据本申请实施例的第二方面,提供了一种电子设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如第一方面所述的方法对应的操作。
根据本申请实施例的第三方面,提供了一种计算机存储介质,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所述的方法。
根据本申请实施例的第四方面,提供了一种计算机程序产品,包括计算机指令,所述计算机指令指示计算设备执行如第一方面所述的方法对应的操作。
根据本申请实施例提供的数据配准方案,针对待配准的数据点对,先使用第一配准操作进行粗配准,获得第一配准旋转平移矩阵,该次配准对配准初始值不作要求,可以没有初始值,也可以为精度不高的初始值;进而,再以该第一配准旋转平移矩阵作为第二次配准操作的配准初始值,使用第二配准操作进行精配准,获得第二配准旋转平移矩阵。因经过第一配准旋转平移矩阵已经具有较好的配准度,以其为基础进行精配准,即可获得准确的第二配准旋转平移矩阵,进而获得准确度较高的配准结果。由此,无需依赖于配准的初始值即可获得准确的配准结果,大大提升了数据配准的鲁棒性和灵活性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请实施例中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为适用本申请实施例的数据配准方法的一种示例性系统的结构示意图;
图2A为根据本申请实施例的一种数据配准方法的步骤流程图;
图2B为根据本申请实施例的一种数据配准过程的过程示意图;
图2C为根据本申请实施例的一种示例性配准结果的示意图;
图3为根据本申请实施例的一种电子设备的结构示意图。
具体实施方式
为了使本领域的人员更好地理解本申请实施例中的技术方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请实施例一部分实施例,而不是全部的实施例。基于本申请实施例中的实施例,本领域普通技术人员所获得的所有其他实施例,都应当属于本申请实施例保护的范围。
下面结合本申请实施例附图进一步说明本申请实施例具体实现。
图1示出了一种适用本申请实施例的数据配准方法的示例性系统。如图1所示,该系统100可以包括服务器102、通信网络104和/或一个或多个终端设备106,图1中示例为多个终端设备。
服务器102可以是用于存储信息、数据、程序和/或任何其他合适类型的内容的任何适当的服务器。在一些实施例中,服务器102可以执行任何适当的功能。例如,在一些实施例中,服务器102可以进行数据配准处理。作为可选的示例,在一些实施例中,服务器102可以被用于针对待配准的数据点对,依次进行低精度的第一配准操作和高精度的第二配准操作,以得到配准结果。作为另一示例,在一些实施例中,服务器102可以被用于基于配准结果进行后续的其它处理,如位姿图优化等。
在一些实施例中,通信网络104可以是一个或多个有线和/或无线网络的任何适当的组合。例如,通信网络104能够包括以下各项中的任何一种或多种:互联网、内联网、广域网(WAN)、局域网(LAN)、无线网络、数字订户线路(DSL)网络、帧中继网络、异步转移模式(ATM)网络、虚拟专用网(VPN)和/或任何其它合适的通信网络。终端设备106能够通过一个或多个通信链路(例如,通信链路112)连接到通信网络104,该通信网络104能够经由一个或多个通信链路(例如,通信链路114)被链接到服务器102。通信链路可以是适合于在终端设备106和服务器102之间传送数据的任何通信链路,诸如网络链路、拨号链路、无线链路、硬连线链路、任何其它合适的通信链路或此类链路的任何合适的组合。
终端设备106可以包括适合于采集并发送数据的任何一个或多个终端设备。在一些实施例中,终端设备106可以将待配准的数据点对发送至服务器102以请求服务器102对数据点对进行配准处理。在一些实施例中,终端设备106可以包括任何合适类型的设备。例如,在一些实施例中,终端设备106可以实现为三维数据采集设备,如三维点云数据采集设备或导航轨迹点采集设备,这样的终端设备106可被承载于相应的自动驾驶工具中,如自动驾驶车辆、无人机、室内机器人等等。但不限于此,其它终端设备如移动设备、平板计算机、膝上型计算机、台式计算机、可穿戴计算机、游戏控制台、媒体播放器、车辆娱乐系统和/或任何其他合适类型的、可发送待配准的数据点对的终端设备也同样适用于本申请实施例的方案。
尽管将服务器102图示为一个设备,但是在一些实施例中,可以使用任何适当数量的设备来执行由服务器102执行的功能。例如,在一些实施例中,可以使用多个设备来实现由服务器102执行的功能。或者,可使用云服务实现服务器102的功能。
基于上述系统,本申请实施例提供了一种数据配准方法,以下通过实施例进行说明。
参照图2A,示出了根据本申请实施例的一种数据配准方法的步骤流程图。
本实施例的数据配准方法包括以下步骤:
步骤S202:获取待配准的数据点对。
如前所述,数据配准是通过求解出同一坐标系下不同姿态数据的变换矩阵进行配准的过程,本申请实施例中,以对两种姿态的三维空间数据点对进行配准为示例,该两种姿态下相对应的数据点构成待配准的数据点对。
需要说明的是,若将本申请实施例的方案应用于自动驾驶或导航等领域,则待配准的数据点对可实现为导航轨迹特征点的形式。这是因为在这些领域,数据点对除具有其在图像中的位置信息外,还可能具有诸如朝向、大小、描述子等信息,因此,在本申请实施例中,将这些领域中的数据点对称为特征点对。
可见,本申请实施例的方案可应用于各种需进行图像配准的领域。
步骤S204:对数据点对进行第一配准操作,获得第一配准旋转平移矩阵。
如前所述,数据配准的本质是找出两种姿态之间的变换关系,本申请实施例中,该变换关系通过旋转平移矩阵的形式表征。并且,本实施例中,对数据点对的第一配准操作对配准初始值不作要求,可以没有初始值,也可以为精度不高的初始值。
基于此,在第一种可行方式中,可以使用经过训练的机器学习模型对待配准的数据点对进行第一配准操作,获得第一配准旋转平移矩阵。其中,机器学习模型可以为诸如Predator、DeepVCP、DCP、HRegNet等模型,优选深度学习模型,这种通过具备无初始值配准和低重叠度数据配准能力的机器学习模型,可以实现在无初始值情况下的数据点对的粗配准,但是其数据配准的精度无法达到在具备精准的初始值的情况下,进行诸如GICP等几何配准所能达到的精度。因此,在此基础上,还需要进行进一步的第二配准操作。
在第二种可行方式中,可以基于初始配准数据,使用第一几何配准算法对待配准的数据点对进行第一配准操作,获得第一配准旋转平移矩阵。此种方式中,对初始配准数据即配准初始值的精度和准确度不作要求,因此,可实现对数据点对的粗配准,也需要进行进一步的第二配准操作。其中,第一几何配准算法包括但不限于:ICP、GICP、NDT等几何配准算法。
在第三种可行方式中,使用经过训练的机器学习模型对待配准的数据点对进行第一配准操作,获得模型候选配准旋转平移矩阵;并且,基于初始配准数据,使用第一几何配准算法对待配准的数据点对进行第一配准操作,获得几何候选配准旋转平移矩阵;对模型候选配准旋转平移矩阵和几何候选配准旋转平移矩阵进行质量评估,根据质量评估结果确定第一配准旋转平移矩阵。通过这种方式,可以从模型候选配准旋转平移矩阵和几何候选配准旋转平移矩阵中选中较优者,以作为第一配准旋转平移矩阵,即后续第二配准操作的基准矩阵,从而可以为后续第二配准提供更准确的数据。
需要说明的是,该种方式中,针对不同的待配准的数据点对,为其确定的第一配准旋转平移矩阵可能不同。例如,对于数据点对A和A’,可能模型候选配准旋转平移矩阵的质量评估结果较优,因此,其对应的第一配准旋转平移矩阵为模型候选配准旋转平移矩阵。而对于数据点对B和B’,可能几何候选配准旋转平移矩阵的质量评估结果较优,则其对应的第一配准旋转平移矩阵将为该几何候选配准旋转平移矩阵。
此外,还需要说明的是,本申请实施例中,配准旋转平移矩阵意指用于实现数据配准的旋转平移矩阵,即该矩阵中同时包含有用于进行旋转的元素和用于进行平移的元素。示例性地,该矩阵可以用齐次坐标表示,呈4阶方阵的形式,如:
可选地,在进行质量评估时,可依据配准旋转平移矩阵对应的每个数据点的重叠度信息来确定。也即,此种方式中,在对待配准的数据点对进行第一配准操作,获得第一配准旋转平移矩阵的同时,还获得其对应的每个数据点的重叠度信息。此种情况下,机器学习模型具有同时输出配准旋转平移矩阵和数据点的重叠度信息的功能,而对于几何配准算法来说,其本身也具有在获得配准旋转平移矩阵的同时,也获得其对应的数据点的重叠度信息的功能。具体地,可以使用经过训练的机器学习模型对待配准的数据点对进行第一配准操作,获得模型候选配准旋转平移矩阵及其对应的每个数据点的重叠度信息;并且,基于初始配准数据,使用第一几何配准算法对所述数据点对进行第一配准操作,获得几何候选配准旋转平移矩阵及其对应的每个数据点的重叠度信息;根据模型候选配准旋转平移矩阵及其对应的每个数据点的重叠度信息,以及,几何候选配准旋转平移矩阵及其对应的每个数据点的重叠度信息,对两个矩阵进行质量评估,根据质量评估结果确定第一配准旋转平移矩阵。其中,重叠度信息用于反映数据点对中的两个数据点之间的重叠程度,重叠度越高,表明配准操作的效果越好。
在基于矩阵和数据点的重叠度信息进行质量评估的一种具体可行方案中,可以使用模型候选配准旋转平移矩阵,对待配准的数据点对中的源数据点进行变换,获得第一变换数据点;从第一变换数据点中,确定与目标数据点的距离小于预设距离的第一变换数据点;获得确定的第一变换数据点对应的重叠度信息;根据确定的第一变换数据点对应的重叠度信息,和源数据点对应的重叠度的信息,对模型候选配准旋转平移矩阵进行质量评估,获得对应的第一质量评估结果。其中,在待配准的数据点对中,任何一个数据点将可作为源数据点,另一个数据点作为目标数据点,只需所有待配准的数据点对保持一致即可。也即,将一种姿态下的数据点作为源数据点,将另一种姿态下的数据点作为目标数据点。
进而,可以使用几何候选配准旋转平移矩阵,对待配准的数据点对中的源数据点进行变换,获得第二变换数据点;从第二变换数据点中,确定与目标数据点的距离小于预设距离的第二变换数据点;获得确定的第二变换数据点对应的重叠度信息;根据确定的第二变换数据点对应的重叠度信息,和源数据点对应的重叠度的信息,对几何候选配准旋转平移矩阵进行质量评估,获得对应的第二质量评估结果。本操作中,源数据点和目标数据点与上述模型候选配准旋转平移矩阵方式中相同,例如,针对一个数据点对A和A’,若A在模型候选配准旋转平移矩阵方式中为源数据点,则在几何候选配准旋转平移矩阵中也为源数据点;A’在模型候选配准旋转平移矩阵方式中为目标数据点,则在几何候选配准旋转平移矩阵中也为目标数据点。
然后,可根据第一质量评估结果和第二质量评估结果,从模型候选配准旋转平移矩阵和几何候选配准旋转平移矩阵中确定出第一配准旋转平移矩阵。
上述过程中,预设距离可由本领域技术人员根据实际需求设定,本申请实施例对此不作限制,示例性地,该预设距离可以为0.3距离单位。
通过上述过程,可以为后续的第二配准操作确定较为准确的配准基准(即第一配准旋转平移矩阵)。
步骤S206:以第一配准旋转平移矩阵为配准初始值,对待配准的数据点对进行第二配准操作,获得第二配准旋转平移矩阵。
其中,第二配准操作的配准精度高于第一配准操作。一般来说,在初始值准确的情况下,几何配准的准确度要高于机器学习模型,因此,第二配准操作通常采用几何配准的方式。即使第一配准操作也采用了几何配准,但因第一配准操作时,配准初始值可能不够准确,因此,经过再次的几何配准获得的结果将较为精准。
基于此,本步骤可以实现为:使用第二几何配准算法对待配准的数据点对进行第二配准操作,获得第二配准旋转平移矩阵及其对应的每个数据点的重叠度信息。需要说明的是,若第一配准操作采用的是第一几何配准算法的方式,则第二几何配准算法可以为与第一几何配准算法相同的算法,也可以为不同的算法。
但为了保证获得的第二配准旋转平移矩阵的精确度,在一种可行方式中,使用第二几何配准算法对待配准的数据点对进行第二配准操作,获得第二配准旋转平移矩阵的同时,还获得第二配准旋转平移矩阵对应的每个数据点的重叠度信息。
进而,基于该矩阵及其对应的每个数据点的重叠度信息,可以对该第二配准旋转平移矩阵进行质量评估。根据该质量评估的结果,确定最终的配准操作的质量,以及是否可作为后续进一步数据处理的依据。
步骤S208:根据第二配准旋转平移矩阵,构建数据点对的配准结果。
如前所述,数据配准的本质是获得两种姿态之间的转换关系,因此,若获得了较为准确的第二配准旋转平移矩阵,即可认为获得了较为准确的数据配准结果。
可选地,如果还对该第二配准旋转平移矩阵进行了质量评估,则本步骤中,可以根据质量评估的结果,来构建数据点对的配准结果。例如,若第二配准旋转平移矩阵的质量评估结果大于预设评估阈值,则基于第二配准旋转平移矩阵构建所述数据点对的配准结果。其中,预设评估阈值可由本领域技术人员根据实际需求设定,本申请实施例对此不作限制。示例性地,该预设评估阈值可以设置为0.8或80%等。若质量评估结果不大于该预设评估阈值,则可放弃后续对该数据点对的配准结果的使用。
当将本申请实施例的方案应用于自动驾驶或导航等领域,待配准的数据点对为导航轨迹特征点时,则可选地,本步骤可以实现为:根据第二配准旋转平移矩阵,在基于导航轨迹特征点生成的位姿图中构建导航轨迹特征点对所对应的边。
进一步可选地,还可以根据所述位姿图中的所有数据点对所对应的边,对所述位姿图进行回环优化处理。由此,实现了在自动驾驶或导航领域中,基于SLAM技术的回环优化,且比传统回环优化方式更加灵活,对导航特征点初始值无要求,具有更好的适用性。
通过上述过程,针对待配准的数据点对,先使用第一配准操作进行粗配准,获得第一配准旋转平移矩阵,该次配准对配准初始值不作要求,可以没有初始值,也可以为精度不高的初始值;进而,再以该第一配准旋转平移矩阵作为第二次配准操作的配准初始值,使用第二配准操作进行精配准,获得第二配准旋转平移矩阵。因经过第一配准旋转平移矩阵已经具有较好的配准度,以其为基础进行精配准,即可获得准确的第二配准旋转平移矩阵,进而获得准确度较高的配准结果。由此,无需依赖于配准的初始值即可获得准确的配准结果,大大提升了数据配准的鲁棒性和灵活性。
以下,以上述数据配准方法应用于回环优化场景为示例,对上述过程进行示例性说明,如图2B所示。
该过程包括:
步骤A:获取候选回环对。
例如,可以基于K近邻搜索算法或点云检测算法(如基于词袋模型的点云检测算法),搜索出待配准的点云对即候选回环对,其中,每对点云分为目标点云C_t和源点云C_s。
步骤B:对每个候选回环对,进行粗配准。
包括:
(1)基于具备无初始值配准能力和低重叠度点云配准能力的机器学习模型(包括但不限于Predator、DeepVCP、DCP、HRegNet等机器学习模型),目标点云C_t和源点云C_s执行配准(即第一配准操作),输出第一配准旋转平移矩阵T1,和每个点云的重叠度得分S1(即重叠度信息,值域0~1)。
(2)同时对(1)的目标点云C_t和源点云C_s,执行第一几何点云配准算法,如GICP,配准初始值来自组合导航,输出第二配准旋转平移矩阵T2和每个点云的重叠度得分S2(即重叠度信息,值域0~1)。
(3)利用重叠度得分S1和S2,对配准旋转平移矩阵T1和T2进行质量评估,输出各自的配准得分Socre,基于该Score从T1和T2中确定较优秀(Score更大)的配准旋转平移矩阵,本示例中记为T_better。
在一种可行方式中,Socre的计算可采用如下公式:
其中,Si表示:将源点云C_s根据配准旋转平移矩阵T1或T2进行变换后的点云C_trans,与目标点云C_t的最近点距离小于0.3m(或者其他距离阈值参数)的点对应的重叠度得分;Sj表示:源点云C_s中每个点云的重叠度得分。
需要说明的是,上述公式中未对T1和T2的情况进行明显区分,本领域技术人员应当明了的是,在计算T1对应的Socre时,将源点云C_s根据T1进行变换以获得点云C_trans,Sj表示的是T1对应的源点云C_s中每个点云的重叠度得分;在计算T2对应的Socre时,将源点云C_s根据T2进行变换以获得点云C_trans,Sj表示的是T2对应的源点云C_s中每个点云的重叠度得分。
步骤C:利用确定的配准旋转平稳矩阵T_better作为配准初始值,通过精配准算法(即几何配准算法,如GICP)对目标点云C_t和源点云C_s执行精配准(第二配准操作),同时获得每个点云的重叠度得分。
通过本步骤,一方面,结合使用了机器学习模型和几何配准算法,可以进一步提高粗配准整体的稳定性,防止基于机器学习模型的配准算法偶然的配准失败问题;另一方面,可以进一步提高配准的精度,最终输出精配准旋转平移矩阵T_fine。
步骤D:对精配准旋转平移矩阵T_fine进行质量评估,并根据质量评估结果进行回环优化。
例如,仍采用上述计算Score的公式,对精配准旋转平移矩阵T_fine进行质量评估,如果配准得分Score大于一定阈值(如0.8),则在位姿图中构建一条边(Edge)。
本示例中,因以基于SLAM技术的回环优化场景为示例,该种情况下,会获得已构建好的位姿图,该位姿图基于采集的导航轨迹特征点(点云数据)构建。其具体构建方法可参照相关技术实现,本示例对此不作限制,在此也不再赘述。
基于对T_fine进行质量评估的得分Score,构建完毕的位姿图(Pose Graph)如图2C所示。图2C中,环状轨迹为基于导航轨迹特征点生成的初始位姿,环间的线条即为基于T_fine的得分Score构建的边。进一步地,基于该构建的边,可进行回环优化处理,回环优化通过构建全局回环约束可以使得最后优化出的位姿具有良好的全局一致性,本示例中,该回环优化可采用常规方式实现,在此不再赘述。
由上可见,本示例结合机器学习和几何点云配准实现了SLAM回环优化,其充分利用了机器学习的数据驱动特性和几何点云配准的高精度特性,提高了SLAM后端回环优化的鲁棒性和精度。
参照图3,示出了根据本申请实施例的一种电子设备的结构示意图,本申请具体实施例并不对电子设备的具体实现做限定。
如图3所示,该电子设备可以包括:处理器(processor)302、通信接口(Communications Interface)304、存储器(memory)306、以及通信总线308。处理器302、通信接口304、以及存储器306通过通信总线308完成相互间的通信。
通信接口304用于与其它电子设备或服务器进行通信。
处理器302用于执行程序310,具体可以执行上述方法实施例中的相关步骤。具体地,程序310可以包括程序代码,该程序代码包括计算机操作指令。
处理器302可能是CPU,或者是特定集成电路ASIC(Application SpecificIntegrated Circuit),或者是被配置成实施本申请实施例的一个或多个集成电路。智能设备包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。
存储器306用于存放程序310。存储器306可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
程序310具体可以用于使得处理器302执行前述方法对应的操作。
程序310中各步骤的具体实现可以参见上述方法实施例中的相应步骤和单元中对应的描述,并具有相应的有益效果,在此不赘述。所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的设备和模块的具体工作过程,可以参考前述方法实施例中的对应过程描述,在此不再赘述。
本申请实施例还提供了一种计算机程序产品,包括计算机指令,该计算机指令指示计算设备执行上述方法实施例中的任一方法对应的操作。
需要指出,根据实施的需要,可将本申请实施例中描述的各个部件/步骤拆分为更多部件/步骤,也可将两个或多个部件/步骤或者部件/步骤的部分操作组合成新的部件/步骤,以实现本申请实施例的目的。
上述根据本申请实施例的方法可在硬件、固件中实现,或者被实现为可存储在记录介质(诸如CD ROM、RAM、软盘、硬盘或磁光盘)中的软件或计算机代码,或者被实现通过网络下载的原始存储在远程记录介质或非暂时机器可读介质中并将被存储在本地记录介质中的计算机代码,从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件(诸如ASIC或FPGA)的记录介质上的这样的软件处理。可以理解,计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件(例如,RAM、ROM、闪存等),当所述软件或计算机代码被计算机、处理器或硬件访问且执行时,实现在此描述的方法。此外,当通用计算机访问用于实现在此示出的方法的代码时,代码的执行将通用计算机转换为用于执行在此示出的方法的专用计算机。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及方法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请实施例的范围。
以上实施方式仅用于说明本申请实施例,而并非对本申请实施例的限制,有关技术领域的普通技术人员,在不脱离本申请实施例的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本申请实施例的范畴,本申请实施例的专利保护范围应由权利要求限定。
Claims (14)
1.一种数据配准方法,包括:
获取待配准的数据点对;
对所述数据点对进行第一配准操作,获得第一配准旋转平移矩阵;
以所述第一配准旋转平移矩阵为配准初始值,对所述数据点对进行第二配准操作,获得第二配准旋转平移矩阵,其中,所述第二配准操作的配准精度高于所述第一配准操作;
根据所述第二配准旋转平移矩阵,构建所述数据点对的配准结果。
2.根据权利要求1所述的方法,其中,所述对所述数据点对进行第一配准操作,获得第一配准旋转平移矩阵,包括:
使用经过训练的机器学习模型对所述数据点对进行第一配准操作,获得第一配准旋转平移矩阵;
或者,
基于初始配准数据,使用第一几何配准算法对所述数据点对进行第一配准操作,获得第一配准旋转平移矩阵。
3.根据权利要求1所述的方法,其中,所述对所述数据点对进行第一配准操作,获得第一配准旋转平移矩阵,包括:
使用经过训练的机器学习模型对所述数据点对进行第一配准操作,获得模型候选配准旋转平移矩阵;并且,基于初始配准数据,使用第一几何配准算法对所述数据点对进行第一配准操作,获得几何候选配准旋转平移矩阵;
对所述模型候选配准旋转平移矩阵和所述几何候选配准旋转平移矩阵进行质量评估,根据质量评估结果确定第一配准旋转平移矩阵。
4.根据权利要求3所述的方法,其中,
所述对所述数据点对进行第一配准操作,获得第一配准旋转平移矩阵,包括:对所述数据点对进行第一配准操作,获得第一配准旋转平移矩阵及其对应的每个数据点的重叠度信息。
5.根据权利要求4所述的方法,其中,所述对所述模型候选配准旋转平移矩阵和所述几何候选配准旋转平移矩阵进行质量评估,根据质量评估结果确定第一配准旋转平移矩阵,包括:
根据所述模型候选配准旋转平移矩阵及其对应的每个数据点的重叠度信息,以及所述几何候选配准旋转平移矩阵及其对应的每个数据点的重叠度信息,对所述模型候选配准旋转平移矩阵和所述几何候选配准旋转平移矩阵进行质量评估;根据质量评估结果确定第一配准旋转平移矩阵。
6.根据权利要求5所述的方法,其中,所述根据所述模型候选配准旋转平移矩阵及其对应的每个数据点的重叠度信息,以及所述几何候选配准旋转平移矩阵及其对应的每个数据点的重叠度信息,对所述模型候选配准旋转平移矩阵和所述几何候选配准旋转平移矩阵进行质量评估;根据质量评估结果确定第一配准旋转平移矩阵,包括:
使用所述模型候选配准旋转平移矩阵,对所述数据点对中的源数据点进行变换,获得第一变换数据点;从所述第一变换数据点中,确定与目标数据点的距离小于预设距离的第一变换数据点;获得确定的所述第一变换数据点对应的重叠度信息;根据确定的所述第一变换数据点对应的重叠度信息,和所述源数据点对应的重叠度的信息,对所述模型候选配准旋转平移矩阵进行质量评估,获得对应的第一质量评估结果;
使用所述几何候选配准旋转平移矩阵,对所述数据点对中的源数据点进行变换,获得第二变换数据点;从所述第二变换数据点中,确定与目标数据点的距离小于预设距离的第二变换数据点;获得确定的所述第二变换数据点对应的重叠度信息;根据确定的所述第二变换数据点对应的重叠度信息,和所述源数据点对应的重叠度的信息,对所述几何候选配准旋转平移矩阵进行质量评估,获得对应的第二质量评估结果;
根据所述第一质量评估结果和所述第二质量评估结果,确定第一配准旋转平移矩阵。
7.根据权利要求3-6任一项所述的方法,其中,所述以所述第一配准旋转平移矩阵为配准初始值,对所述数据点对进行第二配准操作,获得第二配准旋转平移矩阵,包括:
以所述第一配准旋转平移矩阵为配准初始值,使用第二几何配准算法对所述数据点对进行第二配准操作,获得第二配准旋转平移矩阵。
8.根据权利要求7所述的方法,其中,所述使用第二几何配准算法对所述数据点对进行第二配准操作,获得第二配准旋转平移矩阵,包括:
使用第二几何配准算法对所述数据点对进行第二配准操作,获得第二配准旋转平移矩阵及其对应的每个数据点的重叠度信息。
9.根据权利要求8所述的方法,其中,所述根据所述第二配准旋转平移矩阵,构建所述数据点对的配准结果,包括:
根据所述第二配准旋转平移矩阵及其对应的每个数据点的重叠度信息,对所述第二配准旋转平移矩阵进行质量评估;
若质量评估结果大于预设评估阈值,则基于所述第二配准旋转平移矩阵构建所述数据点对的配准结果。
10.根据权利要求1所述的方法,其中,所述待配准的数据点对为导航轨迹特征点;
所述根据所述第二配准旋转平移矩阵,构建所述数据点对的配准结果,包括:根据所述第二配准旋转平移矩阵,在基于所述导航轨迹特征点生成的位姿图中构建所述导航轨迹特征点对所对应的边。
11.根据权利要求10所述的方法,其中,所述方法还包括:
根据所述位姿图中的所有数据点对所对应的边,对所述位姿图进行回环优化处理。
12.一种电子设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如权利要求1-11中任一项所述的数据配准方法对应的操作。
13.一种计算机存储介质,其上存储有计算机程序,该程序被处理器执行时实现如权利要求1-11中任一项所述的数据配准方法。
14.一种计算机程序产品,包括计算机指令,所述计算机指令指示计算设备执行如权利要求1-11中任一项所述的数据配准方法对应的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210067925.2A CN114429492A (zh) | 2022-01-20 | 2022-01-20 | 数据配准方法、电子设备及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210067925.2A CN114429492A (zh) | 2022-01-20 | 2022-01-20 | 数据配准方法、电子设备及计算机存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114429492A true CN114429492A (zh) | 2022-05-03 |
Family
ID=81313079
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210067925.2A Pending CN114429492A (zh) | 2022-01-20 | 2022-01-20 | 数据配准方法、电子设备及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114429492A (zh) |
-
2022
- 2022-01-20 CN CN202210067925.2A patent/CN114429492A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110363817B (zh) | 目标位姿估计方法、电子设备和介质 | |
Zhuang et al. | 3-D-laser-based scene measurement and place recognition for mobile robots in dynamic indoor environments | |
CN111046125A (zh) | 一种视觉定位方法、系统及计算机可读存储介质 | |
Hörner | Map-merging for multi-robot system | |
US20040062419A1 (en) | Landmark, apparatus, and method for effectively determining position of autonomous vehicles | |
US11045953B2 (en) | Relocalization method and robot using the same | |
CN112556685B (zh) | 导航路线的显示方法、装置和存储介质及电子设备 | |
JP2022539422A (ja) | 視覚標識に基づき標識マップを構築する方法、装置 | |
US20220392201A1 (en) | Image feature matching method and related apparatus, device and storage medium | |
TWI795885B (zh) | 視覺定位方法、設備和電腦可讀儲存介質 | |
CN112132754B (zh) | 一种车辆移动轨迹修正方法及相关装置 | |
CN110908374A (zh) | 一种基于ros平台的山地果园避障系统及方法 | |
CN114565728A (zh) | 地图构建方法、位姿确定方法及相关装置、设备 | |
EP4168996A1 (en) | Systems and methods for fine adjustment of roof models | |
WO2023087758A1 (zh) | 定位方法、定位装置、计算机可读存储介质和计算机程序产品 | |
CN110738650A (zh) | 一种传染病感染识别方法、终端设备及存储介质 | |
CN111079786A (zh) | 一种基于ROS和Gazebo的旋转相机特征匹配算法 | |
WO2022247126A1 (zh) | 视觉定位方法、装置、设备、介质及程序 | |
CN111750859B (zh) | 过渡路径规划方法及相关装置 | |
CN116295354B (zh) | 一种无人车主动全局定位方法和系统 | |
Choi et al. | A new 2-point absolute pose estimation algorithm under planar motion | |
CN114429492A (zh) | 数据配准方法、电子设备及计算机存储介质 | |
CN111665490A (zh) | 目标跟踪方法和装置、存储介质及电子装置 | |
Boucheloukh et al. | UAV navigation based on adaptive fuzzy backstepping controller using visual odometry | |
JP2023503750A (ja) | ロボットの位置決め方法及び装置、機器、記憶媒体 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230711 Address after: 311121 Room 413, Floor 4, Building 3, No. 969, Wenyi West Road, Wuchang Subdistrict, Yuhang District, Hangzhou City, Zhejiang Province Applicant after: Zhejiang Cainiao Chuancheng Network Technology Co.,Ltd. Address before: Room 508, 5 / F, building 4, No. 699, Wangshang Road, Changhe street, Binjiang District, Hangzhou City, Zhejiang Province Applicant before: Alibaba (China) Co.,Ltd. |
|
TA01 | Transfer of patent application right |