CN114526720A - 定位的处理方法、装置、设备及存储介质 - Google Patents

定位的处理方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN114526720A
CN114526720A CN202011204358.8A CN202011204358A CN114526720A CN 114526720 A CN114526720 A CN 114526720A CN 202011204358 A CN202011204358 A CN 202011204358A CN 114526720 A CN114526720 A CN 114526720A
Authority
CN
China
Prior art keywords
landmark
point cloud
positioning
cloud data
semantic
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
Application number
CN202011204358.8A
Other languages
English (en)
Other versions
CN114526720B (zh
Inventor
雷大力
许仕奇
王泽弘
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Navinfo Co Ltd
Original Assignee
Navinfo Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Navinfo Co Ltd filed Critical Navinfo Co Ltd
Priority to CN202011204358.8A priority Critical patent/CN114526720B/zh
Publication of CN114526720A publication Critical patent/CN114526720A/zh
Application granted granted Critical
Publication of CN114526720B publication Critical patent/CN114526720B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
    • G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Traffic Control Systems (AREA)

Abstract

本公开实施例提供一种定位的处理方法、装置、设备及存储介质，该方法包括：获取待定位移动设备在目标区域的当前点云数据；基于所述当前点云数据，提取其包括的第一界标信息；根据所述第一界标信息与预先获得的所述目标区域的语义定位图层进行匹配，获得匹配结果，所述语义定位图层是根据从所述目标区域的SLAM图提取的界标及各界标的特征属性构建的；根据所述匹配结果，对所述待定位移动设备进行定位。由于语义定位图层只需要包括相应界标及其特征属性，数据量极小，方便存储和传输，解决了现有技术基于特征点地图进行定位，数据量大，不便存储和传输的问题。

Description

定位的处理方法、装置、设备及存储介质
技术领域
本公开实施例涉及地图技术领域，尤其涉及一种定位的处理方法、装置、设备及存储介质。
背景技术
随着科学技术的飞速发展，AVP(Automated Valet Parking，自动代客泊车)逐渐发展起来，为用户提供了极大便利。AVP需要实现车辆的高精度、长时间定位。
现有技术中，通常基于SLAM(Simultaneous Localization And Mapping，同步定位与建图)特征点地图进行定位。
但是，基于SLAM特征点地图的定位方法依赖SLAM后端构建的特征点地图，而特征点地图的尺寸较大，不便于存储和传输。
发明内容
针对上述问题，本公开实施例提供一种定位的处理方法、装置、设备及存储介质，以解决现有技术工作效率低及特征点地图尺寸较大不便于存储和传输的问题。
第一方面，本公开实施例提供一种定位的处理方法，包括：
获取待定位移动设备在目标区域的当前点云数据；
基于所述当前点云数据，提取其包括的第一界标信息；
根据所述第一界标信息与预先获得的所述目标区域的语义定位图层进行匹配，获得匹配结果，所述语义定位图层是根据从所述目标区域的SLAM图提取的界标及各界标的特征属性构建的；
根据所述匹配结果，对所述待定位移动设备进行定位。
第二方面，本公开实施例提供一种定位的处理装置，包括：
获取模块，用于获取待定位移动设备在目标区域的当前点云数据；
提取模块，用于基于所述当前点云数据，提取其包括的第一界标信息；
处理模块，用于根据所述第一界标信息与预先获得的所述目标区域的语义定位图层进行匹配，获得匹配结果，所述语义定位图层是根据从所述目标区域的SLAM图提取的界标及各界标的特征属性构建的；
定位模块，用于根据所述匹配结果，对所述待定位移动设备进行定位。
本公开第三方面提供一种电子设备，包括：至少一个处理器和存储器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行前任一所述的方法。
本公开第四方面提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如前任一所述的方法。
本公开提供的定位的处理方法、装置、设备及存储介质，从目标区域SLAM图提取稳定可靠的界标及特征属性来构建目标区域的语义定位图层，基于语义定位图层实现目标区域中待定位移动设备的定位，由于语义定位图层只需要包括相应界标及其特征属性，数据量极小，方便存储和传输，解决了现有技术基于特征点地图进行定位，数据量大，不便存储和传输的问题。
附图说明
为了更清楚地说明本公开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一简单地介绍，显而易见地，下面描述中的附图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性的前提下，还可以根据这些附图获得其他的附图。
图1为本公开实施例基于的处理系统的架构示意图；
图2为本公开实施例提供的一种定位的处理方法的流程示意图；
图3为本公开实施例提供的另一种定位的处理方法的流程示意图；
图4为本公开实施例提供的再一种定位的处理方法的流程示意图；
图5为本公开实施例提供的又一种定位的处理方法的流程示意图；
图6为本公开实施例提供的构建语义定位图层的整体流程示意图；
图7为本公开实施例提供的SLAM构建子图的流程示意图；
图8为本公开实施例提供的界标分类提取示意图；
图9为本公开实施例提供的语义定位图层的简单结构示意图；
图10为本公开实施例提供的语义定位图层增量式构建的流程示意图；
图11为本公开实施例提供的定位的处理装置的结构示意图；
图12为本公开实施例提供的电子设备的结构示意图。
通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
AVP(Automated Valet Parking，自动代客泊车)需要实现车辆的高精度、长时间定位。现有技术中，通常基于SLAM(Simultaneous Localization And Mapping，即时定位与地图构建)特征点地图进行定位。但是，基于SLAM特征点地图的定位方法依赖SLAM后端构建的特征点地图，而特征点地图的尺寸较大，不便于存储和传输。
针对现有技术存在的上述问题，发明人进行了创造性的研究，在研究中发现，现有技术特征点地图尺寸较大，不便于存储和传输，为了能够解决上述问题，发明人创造性地发现可以对SLAM特征点地图进行语义特征提取，提取出稳定可靠的界标(landmark)及其特定的特征属性，来构建语义定位图层，并可以将语义定位图层与高精地图融合用于相应的移动设备(比如车辆)的定位，因此本发明实施例提供一种定位的处理方法，对激光雷达SLAM系统获得的拼接子图提取界标并获取各界标的特征属性，用于构建语义定位图层，基于语义定位图层进行定位，由于语义定位图层只包括稳定可靠的界标及相应的特征属性，数据量小，不会导致地图尺寸的激增便于存储和传输，解决了现有技术基于SLAM特征点地图定位，尺寸大不便存储和传输等问题。
本公开实施例提供的定位的处理方法，适用于需要依赖高精度的定位图层信息实现高精度长时间定位的应用场景。比如地下停车场的AVP，矿井内的无人运输车，仓储内的无人搬运车等场景。如图1所示，为本公开实施例基于的处理系统的架构示意图。该处理系统可以包括具备利用SLAM技术进行定位建图的电子设备，以及与电子设备数据连接的设置有激光雷达的移动设备(可称为移动检测设备)。电子设备可以是服务器或其他可实施的设备。激光雷达扫描目标区域中的障碍物，获得目标区域的点云数据发送给电子设备，电子设备可以对点云数据进行预处理，获得待处理点云数据用于后续定位建图及定位图层的构建。具体来说，电子设备获取到待处理点云数据，可以对待处理点云数据进行拼接获得拼接子图，基于拼接子图提取界标，并可以获取各界标的特征属性，用于构建语义定位图层，可以基于语义定位图层实现处于目标区域中的车辆或其他需要定位的设备(可称为待定位移动设备)的定位。由于构建的语义定位图层只需要包括界标及相应的特征属性，数据量极小，不会造成地图尺寸的激增，便于存储和传输，因此解决了现有技术特征点地图尺寸大不便存储和传输等问题。
本公开实施例中，语义定位图层采用的坐标系为SLAM相对坐标系，即为目标区域设置一个原点坐标，作为地图原点，比如将移动设备的初始位置作为原点，也即语义定位图层的原点坐标。语义定位图层中界标的坐标均为相对于该原点坐标的相对坐标。
可选地，在实际应用中，还可以结合惯导设备进行绝对定位，将SLAM相对坐标转换为绝对坐标，具体可以根据实际需求设置。
可选地，语义定位图层的构建过程可以是增量式构建的，即移动设备运行过程中，不断获得一定帧数的点云数据发送给电子设备，电子设备即根据该一定帧数的点云数据进行处理，在当前之前已构建的部分语义定位图层基础上，增加部分新的语义定位图层，直至完成目标区域的完整的语义定位图层。
可选地，语义定位图层也可以是基于目标区域的完整的SLAM图提取界标及界标属性，从而构建目标区域完整的语义定位图层。
此外，术语“第一”、“第二”等仅用于描述目的，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。在以下各实施例的描述中，“多个”的含义是两个以上，除非另有明确具体的限定。
下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本发明的实施例进行描述。
第一方面，本公开示例提供了一种定位的处理方法，用于基于目标区域的语义定位图层对目标区域的移动设备进行定位。本实施例的执行主体为定位的处理装置，该定位的处理装置可以设置在电子设备中，该电子设备可以是服务器、台式电脑、笔记本电脑等设备。
如图2所示，为本实施例提供的一种定位的处理方法的流程示意图，该定位的处理方法包括：
步骤101，获取待定位移动设备在目标区域的当前点云数据。
具体的，可以预先采用移动检测设备在目标区域进行扫描检测，获得目标区域点云数据，基于目标区域点云数据，构建目标区域的语义定位图层。在构建好目标区域的语义定位图层后，可以基于语义定位图层为需要在目标区域定位的移动设备提供定位服务。当有待定位移动设备在目标区域时，该待定位移动设备需要设置有激光雷达，能够实时扫描获得该待定位移动设备在目标区域中当前位置周围环境的当前点云数据。待定位移动设备可以将当前点云数据携带在定位请求中发送给设置有定位的处理装置的电子设备，电子设备则获取到待定位移动设备在目标区域的当前点云数据，电子设备基于预先获得的语义定位图层为该待定位移动设备进行定位，或者，在待定位移动设备中配置了定位的处理装置，或者将配置了定位处理装置的电子设备设置在该待定位移动设备中，则待定位移动设备在获取到当前点云数据后，自主基于配置的定位处理装置及语义定位图层进行定位。
待定位移动设备可以是车辆，比如地下停车场内需要自动泊车的车辆，矿井内需要自动运输的无人运输车辆、仓储内的无人搬运车辆等等。
步骤102，基于当前点云数据，提取其包括的第一界标信息。
具体的，在获取到当前点云数据后，可以基于当前点云数据提取其中包括的界标信息(为了区分描述，可以称为第一界标信息)，具体可以是根据预设提取规则进行提取。比如，将当前点云数据中的特征点进行聚类并参数化为平面、角点、法向量、方位角等，从而提取出相应的界标的特征属性，比如提取出有三个具有不同长宽高的面，也即可能是有三个第一界标。也即第一界标信息包括提取到的各第一界标以及各第一界标的特征属性。第一界标的特征属性可以包括第一界标的形状、大小等信息。提取的第一界标的数量可以是一个或多个。
步骤103，根据第一界标信息与预先获得的目标区域的语义定位图层进行匹配，获得匹配结果。
其中，语义定位图层是根据从目标区域的SLAM图提取的界标及各界标的特征属性构建的。
具体的，在提取到当前点云数据包括的第一界标信息后，则可以根据第一界标信息与该目标区域的语义定位图层进行匹配，判断是语义定位图层中的哪个界标。语义定位图层中包括了各界标标识、各界标的特征属性。比如，匹配结果为语义定位图层中的第二界标。比如提取出有三个具有不同长宽高的面，也即可能是有三个第一界标，将这三个面与语义定位图层进行匹配，比如，相应的匹配到了语义定位图层中的三个第二界标。
步骤104，根据匹配结果，对待定位移动设备进行定位。
具体的，在获得匹配结果后，则可以根据匹配结果对待定位移动设备进行定位。具体来说，若匹配结果为语义定位图层中的三个第二界标，可以根据各第二界标的相对坐标及待定位移动终端与各第一界标的相对位置，来确定待定位移动终端的相对坐标。其中，待定位移动终端与第一界标的相对位置可以是通过当前点云数据计算获得。当前点云数据中包括有第一界标上多个特征点相对待定位移动设备当前位置的坐标信息，可以根据各特征点的相对坐标信息确定待定位移动终端与第一界标相对位置，根据语义定位图层中第二界标的相对坐标、待移动终端与第一界标的相对位置，实现对待定位移动设备的定位。
需要说明的是，这里点云数据中的坐标为相对于扫描设备(即激光雷达)的相对坐标，与上述SLAM相对坐标系不同。
本实施例提供的定位的处理方法，从目标区域SLAM图提取稳定可靠的界标及特征属性来构建目标区域的语义定位图层，基于语义定位图层实现目标区域中待定位移动设备的定位，由于语义定位图层只需要包括相应界标及其特征属性，数据量极小，方便存储和传输，解决了现有技术基于特征点地图进行定位，数据量大，不便存储和传输的问题。
在前述示例的基础上，为了进一步描述本公开提供的定位的处理方法，如图3所示，为本实施例提供的另一种定位的处理方法的流程示意图，根据第一界标信息与预先获得的目标区域的语义定位图层进行匹配，获得匹配结果之前，该方法还可以包括：
步骤2011，通过设置有激光雷达的移动检测设备在目标区域进行扫描，不断获取待处理点云数据。
具体来说，移动检测设备可以是设置有激光雷达的任意可实施的移动设备，比如自动驾驶的车辆、机器人等。也可以是有人驾驶车辆进行移动及扫描。激光雷达可以是360度旋转的激光雷达，在扫描时激光雷达发射激光，会在空间中形成圆锥状的有层次的扫描线，激光扫描线照射到物体后反射光被接收器接收，接收器基于反射光与发射光的传播时间，可以确定物体与激光雷达的距离，结合激光雷达的高度、激光扫描角度即可准确地计算出物体相对激光雷达的三维坐标，并可以获得反射光的反射强度，形成原点云数据发送给电子设备，电子设备可以对原点云数据进行预处理，获得待处理点云数据。预处理可以包括动目标滤除，散列点、孤立点等噪声的滤除等。动目标滤除是指，对于扫描范围内移动的目标对应的特征点的滤除，比如扫描到的人、移动的车等。对散列点、孤立点等噪声的滤除可以根据实际需求采用以下滤波方式中的至少一种实现，如双边滤波、高斯滤波、条件滤波、直通滤波、随机采样一致滤波、VoxelGrid滤波等。
移动检测设备可以通过移动位置以及调整激光雷达俯仰角对目标区域进行全局扫描。在扫描过程中，可以预先设置输出间隔时间或者间隔帧数，比如每获得5帧点云数据即输出给电子设备，或者每1秒输出一次点云数据。具体输出频率可以根据实际需求设置。
步骤2012，针对每次获取的待处理点云数据，对待处理点云数据进行拼接获得拼接子图。
具体的，在每次获取到待处理点云数据后，由于待处理点云数据通常包括多帧，需要将多帧进行拼接，可以理解地，在拼接时需要对各帧之间进行配准对齐，以确保拼接准确性。点云数据的配准过程，就是求两帧点云之间的旋转平移矩阵，比如刚性变换(rigidtransform，简称RT)或者欧式变换(euclidean transform，简称ET)，将源点云数据和目标点云数据转换到相同的坐标系下。具体可以是将待处理点云数据拼接到当前已获得的SLAM图上。具体配准方式可以是任意可实施的方式，比如最近点迭代算法ICP及其各种变种，还有各种全局匹配算法等等，具体可以根据实际需求设置。
可选地，在拼接过程中，需要基于待处理点云数据及前一帧点云数据计算获得移动检测设备当前的位姿，但是，仅基于相邻帧点云数据的位姿估计容易存在偏差，进而会影响后续的拼接，为了避免上述情况发生，在拼接过程中，可以对计算的当前位姿进行后端优化，具体包括：可以参考历史的位姿估算结果及已拼接的子图，构建一个类似最小二乘算法的代价评估函数，若当前的位姿估算不符合局部最优准则，则基于当前帧和历史多帧的点云数据再次进行位姿计算，从而获得局部最优的结果。
步骤2013，基于拼接子图提取界标，并获取各界标的特征属性。
具体的，在获得拼接子图后，可以基于拼接子图提取界标，并获取各界标的特征属性。拼接子图特征点相对拼接前更加稠密，便于更准确地提取到界标的特征。以地下停车场为例，立柱通常是稳定存在的界标，综合激光雷达的光束扫描特性和点云聚类思想，能够有效地分类出目标区域内的立柱。同理，墙也是地下停车场内稳定存在的界标，可以基于平面检测算法有效分类出目标区域内的墙体。地下停车场内还可能会有固定间隔悬挂的指示牌、车道标识、车位标识等，都可以作为界标。
获取界标的特征属性是指将形成界标的特征点参数化为平面、角点、法向量、方位角等，用来表征界标，比如平面界标的特征属性可以包括平面的中心点坐标、平面的长、宽、高、平面的角点坐标等；圆柱形立柱界标的特征属性可以包括立柱中心点坐标，立柱半径；方体立柱界标的特征属性可以包括各面的中心点坐标、长、宽、高、角点坐标等等；指示牌界标的特征属性可以包括指示牌形状、坐标、指示牌上的字符等。
步骤2014，根据各界标及各界标的特征属性，增量式构建目标区域的语义定位图层。
在获得了界标及各界标的特征属性后，则可以根据各界标及各界标的特征属性，增量式构建目标区域的语义定位图层。具体来说，语义定位图层是一部分一部分逐步构建获得的，在每次获得拼接子图中的界标及特征属性后，可以判断这些界标是否已存在于已构建部分的语义定位图层中，若已存在，则判断特征属性是否需要更新，若需要则进行更新，若未存在，则在已构建部分的语义定位图层中增加未存在的界标及其特征属性，以此类推，增量式构建，直至完成目标区域的完整的语义定位图层。
进一步地，基于拼接子图提取界标，并获取各界标的特征属性，包括：
步骤2021，根据预设界标类型及各预设界标类型对应的分类规则，从拼接子图中提取出各预设界标类型的界标。
具体的，可以根据实际需求预先设置界标类型，以地下停车场为例，界标类型可以包括立柱、墙、指示牌、车道标识、车位标识等等。分类规则可以是根据不同界标类型设置的规则。比如对于立柱，可以综合激光雷达的光束扫描特性和点云聚类思想，能够有效地分类出目标区域内的立柱。对于墙体，可以基于平面检测算法有效分类出目标区域内的墙体。具体来说，可以将拼接子图的特征点进行聚类，获得聚类结果，聚类结果可以包括预设数量的分类，也即特征点聚集成预设数量的堆。每个分类可能会是一个界标。针对聚类结果中每个分类，根据预设界标类型及各预设界标类型对应的分类规则，确定分类所属的界标类型。比如立柱聚类的特征点构成长方体或圆柱体的结构。墙体聚类的特征点构成平面。车道标识聚类的特征点构成一定的车道标识形状。
其中，聚类可以采用任意可实施的聚类算法，比如欧式聚类算法(即基于欧式距离进行聚类的算法)，K-Means聚类算法等等。
步骤2022，根据各预设界标类型对应的属性提取规则，获取各界标的特征属性。
在确定了预设界标类型的各界标后，为各界标设置界标标识，并可以获取各界标的特征属性，特征属性可以基于形成界标的特征点的相对坐标计算获得。
可选地，还可以通过训练获得基于深度学习的神经网络模型，用于提取各预设界标类型的界标。
在前述示例的基础上，基于拼接子图提取界标，并获取各界标的特征属性，还包括：
采用预设聚类算法，对拼接子图的点云数据进行聚类处理，获得聚类结果，聚类结果包括预设数量的分类；
根据预设界标类型及各预设界标类型对应的分类规则，从拼接子图中提取出各预设界标类型的界标，包括：
针对聚类结果中的每个分类，根据预设界标类型及各预设界标类型对应的分类规则，确定分类所属的界标类型；若分类属于第一界标类型，则将分类作为第一界标类型的界标。
具体的，每个分类可能会是一个界标。针对聚类结果中每个分类，根据预设界标类型及各预设界标类型对应的分类规则，确定分类所属的界标类型。比如立柱聚类的特征点构成长方体或圆柱体的结构。墙体聚类的特征点构成平面。车道标识聚类的特征点构成一定的车道标识形状。
预设聚类算法可以采用任意可实施的聚类算法，比如欧式聚类算法(即基于欧式距离进行聚类的算法)，K-Means聚类算法等等。
在前述示例的基础上，为了进一步描述本公开提供的定位的处理方法，如图4所示，为本实施例提供的再一种定位的处理方法的流程示意图。其中，在对待处理点云数据进行拼接获得拼接子图之前，该方法还包括：
步骤2031，针对待处理点云数据中的每一帧点云数据，对该帧点云数据进行平面检测，获得检测到的平面信息。
具体的，对于地下停车场等RTK((Real-Time Kinematic，实时动态)载波相位差分技术)无法正常工作的场景，基于激光雷达SLAM技术进行三维建图，SLAM定位精度会直接影响建图精度，因此，首先需要保证SLAM定位的精度和鲁棒性。若有其他传感器辅助，比如惯性测量单元IMU，则可以通过激光雷达IMU的定位融合实现精准定位，而在只有激光雷达传感器的情况下，对于停车场通道内的光滑墙壁，往往无法提取到足够数目的角点特征，导致SLAM的位姿估计产生偏差，容易导致子图拼接错误，为了能够时刻确保定位的精度在可控范围内，可以通过平面检测融合点云特征点提取，来达到该目的，提升点云配准效率。
步骤2032，根据平面信息，判断是否能够完全约束两帧点云对齐。若是，转步骤2033，若否转步骤2034。
步骤2033，确定位姿变化信息。
步骤2034，增加预设数目的不属于已检测到的平面的特征点对，使得能够完全约束两帧点云对齐。
在通过平面约束来实现两帧点云对齐时，至少需要三个非共面平面才能完全约束一个六自由度两帧点云对齐问题，因此需要判断平面约束是否完全，即是否存在至少三个非共面平面。当判断出能够完全约束时，则可以计算位姿变化信息，并进行后端优化，继而进行拼接，获得拼接子图。当判断出约束条件不够充分时，可以通过增加最小数目的不属于已检测到的平面的特征点对，使之满足某一维度的约束条件。在能够完全约束后，计算位姿变化信息，及后端优化，并进行拼接获得拼接子图。对于位姿变化信息的计算、后端优化及拼接的具体操作为现有技术，在此不再赘述。
进一步地，对帧点云数据进行平面检测，获得检测到的平面信息，具体包括：
步骤2041，基于投票机制，对帧点云数据进行平面检测，获得检测到的平面信息。
具体来说，基于投票机制进行平面检测的方式具体可以为：360度旋转的激光雷达会在空间中形成圆锥状的有层次的扫描线，一条360度的扫描线打到每个平面物体上则会形成不同曲率的二次曲线(这与扫描线的俯仰角、平面的相对方向有关)，每条二次曲线对所有可能的平面进行投票，这些投票可以存放在一个分层的球状累加器中，将平面参数化为法向量的倾角
Figure BDA0002756561330000111
和方位角θ，以及平面的偏移量ρ。针对每条二次曲线，通过遍历累加器中的所有ρ值，求得每个ρ值处的
Figure BDA0002756561330000112
得到一组解释性平面，根据推定的平面与二次曲线的匹配程度进行投票，对于曲率比较大的二次曲线，贴合程度高的平面给一个高的分数，并惩罚其它平面。对于曲率比较小的二次曲线，则给所有平面更均匀的分数。当所有的投票完成，就可以基于设定的阈值从累加器中找到候选的平面，即该二次曲线所属的平面，以此类推来实现平面检测。如果两个平面ρa和ρb满足以下关系就认为是对应的(即两个平面为具有共同边的平面)，
Figure BDA0002756561330000113
最小化，
Figure BDA0002756561330000114
和
Figure BDA0002756561330000115
分别表示两个平面的法向量，且满足特定约束条件。
在前述示例的基础上，获取待处理点云数据，具体可以包括：
步骤2051，获取采集的原点云数据。
步骤2052，对原点云数据进行预处理，获得待处理点云数据。
预处理可以包括动目标滤除，散列点、孤立点等噪声的滤除等。动目标滤除是指，对于扫描范围内移动的目标对应的特征点的滤除，比如扫描到的人、移动的车等。对散列点、孤立点等噪声的滤除可以根据实际需求采用以下滤波方式中的至少一种实现，如双边滤波、高斯滤波、条件滤波、直通滤波、随机采样一致滤波、VoxelGrid滤波等。动目标是指扫描到的移动障碍物，动目标滤除具体可以是基于滤波跟踪来实现，根据障碍物在不同历史帧中的跟踪结果来确定其是静态还是动态，从而实现对动态障碍物的点云数据的滤除，具体的跟踪方法为现有技术，在此不再赘述。
在前述示例的基础上，为了进一步描述本公开提供的定位的处理方法，如图5所示，为本实施例提供的又一种定位的处理方法的流程示意图。前述的根据各界标及各界标的特征属性，增量式构建目标区域的语义定位图层，具体包括：
步骤2061，针对每个界标，将界标与已构建的当前语义定位图层进行匹配。
步骤2062，若界标已存在于当前语义定位图层中，根据界标的特征属性对当前语义定位图层中的界标进行更新。
步骤2063，若界标未存在于当前语义定位图层中，在当前语义定位图层中增加界标及界标的特征属性。
具体来说，语义定位图层是一部分一部分逐步构建获得的，在每次获得拼接子图中的界标及特征属性后，可以判断这些界标是否已存在于已构建部分的语义定位图层中，若已存在，则判断特征属性是否需要更新，若需要则进行更新，若未存在，则在已构建部分的语义定位图层中增加未存在的界标及其特征属性，以此类推，增量式构建，直至完成目标区域的完整的语义定位图层。
作为一种示例，下面以地下停车场内语义定位图层的构建为例，对整体流程进行详细说明。如图6所示，为本实施例提供的构建语义定位图层的整体流程示意图。具体流程如下：
1、SLAM构建子图
如图7所示，为本实施例提供的SLAM构建子图的流程示意图。该流程具体包括：
(1)动目标滤除。即获得原点云数据后，对原点云数据进行动目标滤除，还可以进行其他噪声的过滤，获得待处理点云数据。
(2)平面检测。即对待处理点云数据进行平面检测，获得检测到的平面信息。
(3)计算平面间的对应关系。即各平面间的邻接关系。
(4)平面约束分析。即分析平面约束是否完全。若是完全约束转步骤6)，若否转步骤(5)。
(5)添加特征点对约束。即增加预设数目的不属于已检测到的平面的特征点对，使得能够完全约束两帧点云对齐。在完全约束后转步骤(6)。
(6)计算位姿变化。即计算激光雷达相对初始位姿的变化情况。包括位置、旋转角度、俯仰角度等。
(7)后端优化。即对于(6)中计算的位姿进行优化，具体来说，可以参考历史的位姿估算结果及已拼接的子图，构建一个类似最小二乘算法的代价评估函数，若当前的位姿估算不符合局部最优准则，则基于当前帧和历史多帧的点云数据再次进行位姿计算，从而获得局部最优的结果。
(8)子图拼接。即对待处理点云数据进行拼接，获得拼接子图。
2、特定界标提取
如图8所示，为本实施例提供的界标分类提取示意图。在激光雷达SLAM运行过程中，每隔一段时间，可以输出一段拼接后的子图，在自动拼接后的稠密子图上，便于准确地提取到界标的特征，比如，地下停车场内，立柱为稳定可靠的界标，综合激光雷达的光束扫描特性和点云聚类思想，能够有效分类出场景内的立柱。同理，墙体也是稳定可靠的界标，通过平面检测可以分类墙体。还可能会有固定间隔悬挂的指示牌。
3、界标的有效特征属性计算
在获取到不同类别的界标后，可以对界标的有效特征属性进行提取。需要考虑界标的哪些特征属性可以用来定位。比如界标能够长时间存在，且容易被传感器检测到。比如角特征具有较好的可辨识性和高精度的特点，平面特征则能提升定位的鲁棒性。具体比如，对于方形立柱，可以有效提取柱面、柱角等特征参数；对于墙壁，可以提取分段的墙面参数、墙角参数等；对于悬挂的指示牌，可以提取指示牌的边沿信息及牌内的数字或符号信息。以立柱的特征属性为例，想要表示在语义定位图层的某个位置存在一个立柱，其特征属性需要包括这个立柱相当于地图原点的位置和姿态参数(比如直立还是倾斜)、形状参数(比如方柱的长宽高或者圆柱的半径等)；对于一个平面可以用方程表示，比如点法式。以方形立柱为例，会涉及到4个柱面，可以提取到各柱面的平面方程，进而可以计算两两平面的交线，即柱角表示。同理，可以计算墙面、墙角等特征属性。
如图9所示，为本实施例提供的语义定位图层的简单结构示意图。
4、构建语义定位图层
在获得了界标及各界标的有效的特征属性后，则可以构建语义定位图层。基于SLAM相对坐标系下确定的界标位置关系，更新语义定位图层中的界标信息，随着SLAM定位、子图拼接、特征提取流程的不断进行，整个地下停车场的语义定位图层也构建的越来越完善。如图10所示，为本实施例提供的语义定位图层增量式构建的流程示意图。
基于语义定位图层的AVP定位方案，不需要人工布设标记(MARKER)，不依赖场端改造，只需要在采集的高精地图原始数据上提取自然标志物(界标)的语义信息，构建语义定位图层，特定的界标的语义信息是通过算法设计自动提取到的，能简短精炼地表示界标的属性，不会导致地图尺寸的激增，便于存储、传输。仅靠少量传感器即可实现高精度的定位，方便量产。自动化的定位图层提取大大节省人力成本。通过融合平面和特征点信息，有效提高了SLAM精度和鲁棒性，为子图拼接和基于界标相对位置关系的匹配提供了可靠的保证。
在一些示例中，还可以融合激光雷达、相机等多种传感器的信息，使语义定位图层更加丰富。比如结合相机采集彩色图像，可以提取各界标的颜色信息等。
需要说明的是，本实施例中各可实施的方式可以单独实施，也可以在不冲突的情况下以任意组合方式结合实施本公开不做限定。
本公开提供的定位的处理方法，通过平面检测及平面约束，有效提高激光雷达SLAM定位精度，解决了在只有激光雷达传感器情况下，无法提取到足够数量角点特征的问题。
第二方面，本公开示例提供了一种定位的处理装置，用于执行前述示例的定位的处理方法。
如图11所示，为本公开提供的定位的处理装置的结构示意图。该定位的处理装置30包括获取模块31、提取模块32、处理模块33和定位模块34。
其中，获取模块，用于获取待定位移动设备在目标区域的当前点云数据；提取模块，用于基于当前点云数据，提取其包括的第一界标信息；处理模块，用于根据第一界标信息与预先获得的目标区域的语义定位图层进行匹配，获得匹配结果，语义定位图层是根据从目标区域的SLAM图提取的界标及各界标的特征属性构建的；定位模块，用于根据匹配结果，对待定位移动设备进行定位。
在其中一种可选的示例中，获取模块，还用于通过设置有激光雷达的移动检测设备在目标区域进行扫描，获取待处理点云数据；
处理模块，还用于针对每次获取的待处理点云数据，对待处理点云数据进行拼接获得拼接子图；
提取模块，还用于基于拼接子图提取界标，并获取各界标的特征属性；
处理模块，还用于根据各界标及各界标的特征属性，增量式构建目标区域的语义定位图层。
在其中一种可选的示例中，提取模块，具体用于：
根据预设界标类型及各预设界标类型对应的分类规则，从拼接子图中提取出各预设界标类型的界标；
根据各预设界标类型对应的属性提取规则，获取各界标的特征属性。
在其中一种可选的示例中，提取模块，还用于采用预设聚类算法，对拼接子图的点云数据进行聚类处理，获得聚类结果，聚类结果包括预设数量的分类；
提取模块，具体用于：
针对聚类结果中的每个分类，根据预设界标类型及各预设界标类型对应的分类规则，确定分类所属的界标类型；
若分类属于第一界标类型，则将分类作为第一界标类型的界标。
在其中一种可选的示例中，提取模块，还用于：
针对待处理点云数据中的每一帧点云数据，对帧点云数据进行平面检测，获得检测到的平面信息；
根据平面信息，判断是否能够完全约束两帧点云对齐；
若是，则确定位姿变化信息；
若否，则增加预设数目的不属于已检测到的平面的特征点对，使得能够完全约束两帧点云对齐。
在其中一种可选的示例中，提取模块，具体用于基于投票机制，对帧点云数据进行平面检测，获得检测到的平面信息。
在其中一种可选的示例中，获取模块，具体用于：
获取采集的原点云数据；
对原点云数据进行预处理，获得待处理点云数据。
在其中一种可选的示例中，处理模块，具体用于：
针对每个界标，将界标与已构建的当前语义定位图层进行匹配；
若界标已存在于当前语义定位图层中，根据界标的特征属性对当前语义定位图层中的界标进行更新；
若界标未存在于当前语义定位图层中，在当前语义定位图层中增加界标及界标的特征属性。
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，上述描述的定位的处理装置的具体工作过程以及相应的有益效果，可以参考前述方法示例中的对应过程，在此不再赘述。
第三方面，本公开实施例提供一种电子设备，用于执行前述示例提供的方法。
如图12所示，为本实施例提供的电子设备的结构示意图。该电子设备900可以为终端设备或服务器。其中，终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、个人数字助理(Personal Digital Assistant，简称PDA)、平板电脑(PortableAndroid Device，简称PAD)、便携式多媒体播放器(Portable Media Player，简称PMP)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图12示出的电子设备仅仅是一个示例，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12所示，电子设备900可以包括定位装置(例如中央处理器、图形处理器等)901，其可以根据存储在只读存储器(Read Only Memory，简称ROM)902中的程序或者从存储装置908加载到随机访问存储器(Random Access Memory，简称RAM)903中的程序而执行各种适当的动作和处理。在RAM 903中，还存储有电子设备900操作所需的各种程序和数据。定位装置901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
通常，以下装置可以连接至I/O接口905：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906；包括例如液晶显示器(Liquid CrystalDisplay，简称LCD)、扬声器、振动器等的输出装置907；包括例如磁带、硬盘等的存储装置908；以及通信装置909。通信装置909可以允许电子设备900与其他设备进行无线或有线通信以交换数据。虽然图12示出了具有各种装置的电子设备900，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。
特别地，根据本公开的实施例，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装置909从网络上被下载和安装，或者从存储装置908被安装，或者从ROM902被安装。在该计算机程序被定位装置901执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上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。
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，使得该电子设备执行上述实施例所示的方法。
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公开的操作的计算机程序代码，上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——包括局域网(LocalArea Network，简称LAN)或广域网(Wide Area Network，简称WAN)—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)。
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，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。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
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。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

Claims (10)

1.一种定位的处理方法，其特征在于，包括：
获取待定位移动设备在目标区域的当前点云数据；
基于所述当前点云数据，提取其包括的第一界标信息；
根据所述第一界标信息与预先获得的所述目标区域的语义定位图层进行匹配，获得匹配结果，所述语义定位图层是根据从所述目标区域的SLAM图提取的界标及各界标的特征属性构建的；
根据所述匹配结果，对所述待定位移动设备进行定位。
2.根据权利要求1所述的方法，其特征在于，所述根据所述第一界标信息与预先获得的所述目标区域的语义定位图层进行匹配，获得匹配结果之前，所述方法还包括：
通过设置有激光雷达的移动检测设备在所述目标区域进行扫描，获取待处理点云数据；
针对每次获取的待处理点云数据，对所述待处理点云数据进行拼接获得拼接子图，所述拼接子图为所述SLAM图的一部分；
基于所述拼接子图提取界标，并获取各界标的特征属性；
根据各所述界标及各所述界标的特征属性，增量式构建所述目标区域的语义定位图层。
3.根据权利要求2所述的方法，其特征在于，所述基于所述拼接子图提取界标，并获取各界标的特征属性，包括：
根据预设界标类型及各预设界标类型对应的分类规则，从所述拼接子图中提取出各预设界标类型的界标；
根据各预设界标类型对应的属性提取规则，获取各界标的特征属性。
4.根据权利要求3所述的方法，其特征在于，所述基于所述拼接子图提取界标，并获取各界标的特征属性，还包括：
采用预设聚类算法，对所述拼接子图的点云数据进行聚类处理，获得聚类结果，所述聚类结果包括预设数量的分类；
所述根据预设界标类型及各预设界标类型对应的分类规则，从所述拼接子图中提取出各预设界标类型的界标，包括：
针对聚类结果中的每个分类，根据预设界标类型及各预设界标类型对应的分类规则，确定所述分类所属的界标类型；
若所述分类属于第一界标类型，则将所述分类作为第一界标类型的界标。
5.根据权利要求2所述的方法，其特征在于，在对所述待处理点云数据进行拼接获得拼接子图之前，所述方法还包括：
针对所述待处理点云数据中的每一帧点云数据，对所述帧点云数据进行平面检测，获得检测到的平面信息；
根据所述平面信息，判断是否能够完全约束两帧点云对齐；
若是，则确定位姿变化信息；
若否，则增加预设数目的不属于已检测到的平面的特征点对，使得能够完全约束两帧点云对齐。
6.根据权利要求5所述的方法，其特征在于，所述对所述帧点云数据进行平面检测，获得检测到的平面信息，包括：
基于投票机制，对所述帧点云数据进行平面检测，获得检测到的平面信息。
7.根据权利要求2-6任一项所述的方法，其特征在于，根据各所述界标及各所述界标的特征属性，增量式构建所述目标区域的语义定位图层，包括：
针对每个界标，将所述界标与已构建的当前语义定位图层进行匹配；
若所述界标已存在于当前语义定位图层中，根据所述界标的特征属性对所述当前语义定位图层中的所述界标进行更新；
若所述界标未存在于所述当前语义定位图层中，在当前语义定位图层中增加所述界标及所述界标的特征属性。
8.一种定位的处理装置，其特征在于，包括：
获取模块，用于获取待定位移动设备在目标区域的当前点云数据；
提取模块，用于基于所述当前点云数据，提取其包括的第一界标信息；
处理模块，用于根据所述第一界标信息与预先获得的所述目标区域的语义定位图层进行匹配，获得匹配结果，所述语义定位图层是根据从所述目标区域的SLAM图提取的界标及各界标的特征属性构建的；
定位模块，用于根据所述匹配结果，对所述待定位移动设备进行定位。
9.一种电子设备，其特征在于，包括：至少一个处理器和存储器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如权利要求1-7任一项所述的方法。
CN202011204358.8A 2020-11-02 2020-11-02 定位的处理方法、装置、设备及存储介质 Active CN114526720B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011204358.8A CN114526720B (zh) 2020-11-02 2020-11-02 定位的处理方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011204358.8A CN114526720B (zh) 2020-11-02 2020-11-02 定位的处理方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN114526720A true CN114526720A (zh) 2022-05-24
CN114526720B CN114526720B (zh) 2024-04-16

Family

ID=81618995

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011204358.8A Active CN114526720B (zh) 2020-11-02 2020-11-02 定位的处理方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN114526720B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104778688A (zh) * 2015-03-27 2015-07-15 华为技术有限公司 点云数据的配准方法及装置
CN106570823A (zh) * 2016-10-11 2017-04-19 山东科技大学 基于平面特征匹配的点云粗拼接方法
CN108846333A (zh) * 2018-05-30 2018-11-20 厦门大学 标志牌地标数据集生成及车辆定位方法
CN108921925A (zh) * 2018-06-27 2018-11-30 广州视源电子科技股份有限公司 基于激光雷达和视觉融合的语义点云生成方法和装置
CN109186586A (zh) * 2018-08-23 2019-01-11 北京理工大学 一种面向动态泊车环境的同时定位及混合地图构建方法
CN109238264A (zh) * 2018-07-06 2019-01-18 中国农业大学 一种家畜位置姿势归一化方法及装置
CN110443836A (zh) * 2019-06-24 2019-11-12 中国人民解放军战略支援部队信息工程大学 一种基于平面特征的点云数据自动配准方法及装置
CN110849374A (zh) * 2019-12-03 2020-02-28 中南大学 地下环境定位方法、装置、设备及存储介质
CN111210518A (zh) * 2020-01-15 2020-05-29 西安交通大学 基于视觉融合地标的拓扑地图生成方法
CN111354083A (zh) * 2020-02-21 2020-06-30 中国电建集团昆明勘测设计研究院有限公司 一种基于原始激光点云的递进式建筑物提取方法
CN111780771A (zh) * 2020-05-12 2020-10-16 驭势科技（北京）有限公司 一种定位方法、装置、电子设备及计算机可读存储介质
CN111815687A (zh) * 2020-06-19 2020-10-23 浙江大华技术股份有限公司 点云匹配方法、定位方法、设备及存储介质

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104778688A (zh) * 2015-03-27 2015-07-15 华为技术有限公司 点云数据的配准方法及装置
CN106570823A (zh) * 2016-10-11 2017-04-19 山东科技大学 基于平面特征匹配的点云粗拼接方法
CN108846333A (zh) * 2018-05-30 2018-11-20 厦门大学 标志牌地标数据集生成及车辆定位方法
CN108921925A (zh) * 2018-06-27 2018-11-30 广州视源电子科技股份有限公司 基于激光雷达和视觉融合的语义点云生成方法和装置
CN109238264A (zh) * 2018-07-06 2019-01-18 中国农业大学 一种家畜位置姿势归一化方法及装置
CN109186586A (zh) * 2018-08-23 2019-01-11 北京理工大学 一种面向动态泊车环境的同时定位及混合地图构建方法
CN110443836A (zh) * 2019-06-24 2019-11-12 中国人民解放军战略支援部队信息工程大学 一种基于平面特征的点云数据自动配准方法及装置
CN110849374A (zh) * 2019-12-03 2020-02-28 中南大学 地下环境定位方法、装置、设备及存储介质
CN111210518A (zh) * 2020-01-15 2020-05-29 西安交通大学 基于视觉融合地标的拓扑地图生成方法
CN111354083A (zh) * 2020-02-21 2020-06-30 中国电建集团昆明勘测设计研究院有限公司 一种基于原始激光点云的递进式建筑物提取方法
CN111780771A (zh) * 2020-05-12 2020-10-16 驭势科技（北京）有限公司 一种定位方法、装置、电子设备及计算机可读存储介质
CN111815687A (zh) * 2020-06-19 2020-10-23 浙江大华技术股份有限公司 点云匹配方法、定位方法、设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
申泽邦: "面向自动驾驶的高精度地图优化和定位技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 9, 15 September 2019 (2019-09-15), pages 136 - 724 *

Also Published As

Publication number Publication date
CN114526720B (zh) 2024-04-16

Similar Documents

Publication Publication Date Title
KR20220053513A (ko) 이미지 데이터 자동 라벨링 방법 및 장치
CN112740268B (zh) 目标检测方法和装置
WO2020224305A1 (zh) 用于设备定位的方法、装置及设备
JP2019527832A (ja) 正確な位置特定およびマッピングのためのシステムおよび方法
US11232582B2 (en) Visual localization using a three-dimensional model and image segmentation
CN113865580A (zh) 构建地图的方法、装置、电子设备及计算机可读存储介质
CN115388902B (zh) 室内定位方法和系统、ar室内定位导航方法和系统
US11579622B2 (en) Systems and methods for utilizing images to determine the position and orientation of a vehicle
Skrzypczyński Mobile robot localization: Where we are and what are the challenges?
de Paula Veronese et al. Evaluating the limits of a LiDAR for an autonomous driving localization
Sadeghi et al. 2DTriPnP: A robust two-dimensional method for fine visual localization using Google streetview database
Zhang et al. Online ground multitarget geolocation based on 3-D map construction using a UAV platform
Shoukat et al. Cognitive robotics: Deep learning approaches for trajectory and motion control in complex environment
Chen et al. Multi-level scene modeling and matching for smartphone-based indoor localization
Lu et al. A lightweight real-time 3D LiDAR SLAM for autonomous vehicles in large-scale urban environment
Wang et al. Improved LeGO-LOAM method based on outlier points elimination
Chai et al. Multi-sensor fusion-based indoor single-track semantic map construction and localization
KR102249381B1 (ko) 3차원 영상 정보를 이용한 모바일 디바이스의 공간 정보 생성 시스템 및 방법
CN112651991A (zh) 视觉定位方法、装置及计算机系统
CN114526720B (zh) 定位的处理方法、装置、设备及存储介质
Wang et al. Pedestrian positioning in urban city with the aid of Google maps street view
CN115423932A (zh) 道路标注方法、可读介质、程序产品和电子设备
Zheng et al. Indoor localization and trajectory correction with point cloud-derived backbone map
Pang et al. FLAME: Feature-likelihood based mapping and localization for autonomous vehicles
CN117132980B (zh) 标注模型训练方法、道路标注方法、可读介质和电子设备

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