CN114545400A - 基于毫米波雷达的水面机器人的全局重定位方法 - Google Patents
基于毫米波雷达的水面机器人的全局重定位方法 Download PDFInfo
- Publication number
- CN114545400A CN114545400A CN202210450844.0A CN202210450844A CN114545400A CN 114545400 A CN114545400 A CN 114545400A CN 202210450844 A CN202210450844 A CN 202210450844A CN 114545400 A CN114545400 A CN 114545400A
- Authority
- CN
- China
- Prior art keywords
- millimeter wave
- wave radar
- point cloud
- radar point
- current
- 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
Links
Images
Classifications
-
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/881—Radar or analogous systems specially adapted for specific applications for robotics
-
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/411—Identification of targets based on measurements of radar reflectivity
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Robotics (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
Description
技术领域
本发明涉及机器人技术领域,更具体地涉及一种基于毫米波雷达的水面机器人的全局重定位方法。
背景技术
近年来,随着无人驾驶技术的迅猛发展,无人驾驶市场不断增长,以无人船为例,各种水面机器人逐渐被推广至水质检测、水面维护、桥梁检测、水体测绘、海事搜救等多种作业场景下,辅助人们工作。定位是无人驾驶技术的重要一环,当定位精度较低时,机器人难以获得自身的准确位置,无法精确到达指定位置并完成指定任务。目前,水面机器人定位时使用的全局定位算法通常利用激光雷达数据或视觉图片数据手工设计特征描述子算法,再通过特征匹配与先验地图回归的方法完成全局定位,但由于激光雷达数据缺乏纹理信息,而视觉信息缺乏三维几何信息,且手工设计的描述子算法导致最终定位精度较低。
发明内容
本发明所要解决的技术问题是提供一种可提高定位精度的基于毫米波雷达的水面机器人的全局重定位方法。
为解决上述技术问题,本发明提供一种基于毫米波雷达的水面机器人的全局重定位方法,其包括:
将当前环境雷达点云与查询数据库G中的毫米波雷达点云输入至环境特征
编码模型中,以获得当前环境雷达点云对应的特征编码f以及各个毫米波雷达点云
对应的特征编码;其中,各个毫米波雷达点云对应的特征编码组成特征编码库;
其进一步技术方案为:所述根据所获取的当前定位坐标C从环境数据库中获取当前定位坐标C附近的所有传感器数据,以形成查询数据库G,具体包括:
分别根据速度和当前环境毫米波雷达点云以及速度和查询数据库G
中的毫米波雷达点云计算当前环境毫米波雷达点云中每个点为静态点时对应的径向
速度以及查询数据库G中的毫米波雷达点云中每个点为静态点时对应的径向速度;
选取环境数据库中的部分毫米波雷达点云数据,通过点云卷积网络提取特征,对提取的特征进行特征融合,并输出最终的特征编码,形成环境编码模型;
根据不同数据实际的相似度构建损失函数,并训练模型;
当损失函数收敛,结束训练,获得环境特征编码模型。
其进一步技术方案为:所述获取水面机器人当前定位坐标C、速度和当前环
境毫米波雷达点云,具体包括:根据全球定位系统获得当前位置坐标,同时采集当前环
境毫米波雷达点云R,其中,其中,分别
为水面机器人在x轴、y轴、z轴的坐标,为检测点相对水面机器人的径向速度,n为当前环
境毫米波雷达点云的点数量。
遥控水面机器人沿岸行驶,开启毫米波雷达及定位模块,以完成不同传感器数据的获取,且在获取不同传感器数据时,分别对应标记时间戳T;
利用不同传感器数据所带的时间戳完成不同传感器数据间的时间同步,并将时间同步后的不同传感器数据上传至对应水域的环境数据库K;
重复上述步骤,直到整个水域遍历完毕,形成对应水域的环境数据库K。
根据水面机器人的定位模块判断当前定位精度,若全球定位系统卫星数较少或里
程计所需数据质量较差,则当前定位精度较差,进入全局重定位状态,以执行获取水面机器
人当前定位坐标C、速度和当前环境毫米波雷达点云的步骤。
本发明的有益效果为:与现有技术相比,本发明根据水面机器人所获取的当前定
位坐标C从环境数据库中获取当前定位坐标C附近的定位坐标和毫米波雷达点云,且
将当前环境毫米波雷达点云和查询数据库G中的多个毫米波雷达点云经预处理后获
得的当前环境雷达点云与多个毫米波雷达点云输入至环境特征编码模型中,以获得
当前环境雷达点云对应的特征编码f以及各个毫米波雷达点云对应的特征编码,并
从所有特征编码中找出与特征编码f最相似的特征编码,从查询数据库中获取特征
编码对应的定位坐标,作为本次定位的位置识别坐标,可知,本发明基于毫米
波雷达的水面机器人的全局重定位方法根据当前环境数据和环境数据库利用深度学习方
法可完成较高精度重定位。
附图说明
图1是本发明基于毫米波雷达的水面机器人的全局重定位方法一具体实施例的流程示意图。
具体实施方式
为使本领域的普通技术人员更加清楚地理解本发明的目的、技术方案和优点,以下结合附图和实施例对本发明做进一步的阐述。
参照图1,图1为本发明基于毫米波雷达的水面机器人的全局重定位方法一具体实施例的流程示意图。在附图所示的实施例中,所述基于毫米波雷达的水面机器人的全局重定位方法包括:
具体地,该步骤中,根据全球定位系统获得当前位置坐标,同时采集当前环境毫
米波雷达点云R,其中,以水面机器人正前方为y轴
正方向,右方为x轴正方向,上方为z轴正方向,建立空间直角坐标系,其中,分别
为水面机器人在x轴、y轴、z轴的坐标,为检测点相对水面机器人的径向速度,n为当前环
境毫米波雷达点云R的点数量。可理解地,检测点是雷达点云是由一堆点构成,每个点都是
雷达检测的点,则称之为检测点。
且在步骤S101之前,还可包括:遥控水面机器人沿岸行驶,开启毫米波雷达及定位
模块,以完成不同传感器数据的获取,且在获取不同传感器数据时,分别对应标记时间戳
;利用不同传感器数据所带的时间戳完成不同传感器数据间的时间同步,并将时间同步后
的不同传感器数据上传至对应水域的环境数据库K;重复上述步骤,直到整个水域遍历完
毕,形成对应水域的环境数据库K。可理解地,环境数据库K中某一水域中某个位置的定位坐
标和毫米波雷达点云等是对应保存的。
进一步地,所述利用不同传感器数据所带的时间戳完成不同传感器数据间的时间
同步,包括:选定一个传感器时间戳作为基础校准时间;例如选择定位模块的时间戳
作为基础校准时间;其他传感器数据以时间戳t为基准,选择距离时间最短的时间戳的
数据作为其他传感器同一时刻的数据data,组成一包数据。其中,
S102、根据所获取的当前定位坐标C从环境数据库中获取当前定位坐标C附近的所有传感器数据,以形成查询数据库G。
本发明中,所述查询数据库包括有多个定位坐标和毫米波雷达点云。该步
骤具体包括:分别计算环境数据库中各个定位坐标与当前定位坐标的欧氏距离,并
以r作为距离筛选阈值,取出环境数据库中满足条件的所有定位数据和对应的毫
米波雷达点云,以形成查询数据库G。本发明中,距离筛选阈值r以GPS最大误差范围为基
准,在本实施例中,r可以为10-20m,而在某些其他实施例中,当GPS信号较好,r还可以为5-
10m。
进一步地,所述分别计算环境数据库中各个定位坐标与当前定位坐标的欧氏
距离包括:在环境数据库中取第一包数据的定位坐标,并计算定位坐标与当前定位
坐标的欧氏距离;遍历知识库中的定位坐标,依次计算知识库坐标与当前定位坐
标C的欧氏距离。
本实施例中,该步骤具体包括:分别根据速度和当前环境毫米波雷达点云
以及速度和查询数据库G中的毫米波雷达点云计算当前环境毫米波雷达点云中
每个点为静态点时对应的径向速度以及查询数据库G中的毫米波雷达点云中每个点
为静态点时对应的径向速度;具体地,以径向速度,依据速度和计算每
个点为静态点时对应的径向速度,的计算方式为,而的计算原理与相同;再分别根据公式和选取当前环境毫米波雷达点云中的静态点云和查询数据库G中的毫米波雷达点云中的静态点云;
其中,为静态目标筛选阈值,的取值范围为0.3~1;即滤除不符合和条件的点云,这些点云为动态目标,需要进行滤除;分别将静态点云和静态点云进行outlier密度检测,以利用outlier密度检测将离群点滤
除,分别获得当前环境雷达点云与查询数据库G中的多个毫米波雷达点云;本实施例
中,具体滤除方法为:以e为每个点的搜索半径,num为离群点判断的最小点数,当单个点周
围e距离内小于num个点时,记o为0,否则为1,将每个点的o组成out,筛选的点,将
此部分点滤除,滤除后的点为预处理后的点云。
S104、将当前环境雷达点云与查询数据库G中的毫米波雷达点云输入至环境
特征编码模型中,以获得当前环境雷达点云对应的特征编码f以及各个毫米波雷达点云对应的特征编码;其中,各个毫米波雷达点云对应的特征编码组成特征编码库。
本发明中,将预处理后获得的当前环境雷达点云与查询数据库G中的多个毫米
波雷达点云输入环境特征编码模型中,而本实施例中,所述环境特征编码模型为由
PointNet构成的环境特征编码模型,使用该环境特征编码模型时,模型内的处理流程大致
如下:首先将输入点云数据经过一个特征变换网络,对原始数据而言,将点
云数据进行三维空间旋转,使数据进入一个易于收敛的状态;之后,数据流入第一个特征编
码感知机,此时数据特征维度升维到64维,再经过第二个个特征变换网络,对
数据进行高维空间旋转,之后数据流入第二个特征编码感知机,使数据特征维度升
维到1024维,此时,进行全局最大池化,获得环境全局特征;最后经过一个核心特征降维感
知机,得到最终的环境特征编码向量。
选取环境数据库中的部分毫米波雷达点云数据,通过点云卷积网络提取特征,对提取的特征进行特征融合,并输出最终的特征编码,形成环境编码模型;
根据不同数据实际的相似度构建损失函数,并训练模型;当损失函数收敛,结束训练,获得环境特征编码模型。
即本实施例中,可在离线状态下利用环境数据库中的数据完成环境特征编码模型
的训练,可理解地,环境特征编码模型由各传感器数据的特征编码器和各
传感器特征融合编码器组成,且各传感器数据特征编码器
并联后与特征融合编码器串联。多次训练后,在水面机器人行动过程中,将
传感器数据输入训练好的环境特征编码模型可得到其特征编码f。
在特征编码库中,取第一包数据的特征编码,并计算特征
编码与当前特征编码的欧氏距离;遍历特征编码库中的编码,依次计算特
征编码与当前特征编码的欧氏距离;将所有特征编码与当前特征编码的
欧氏距离做增序排序,取出最小的前位及其对应的定位数据;根据完成密度聚类,以形成多个聚类簇,从所有聚类簇中取出数量最大的聚类簇,及聚类簇内每个数据对应的特征编码的欧氏距离;其中
代表聚类簇内数据量最大的聚类簇,代表聚类簇内第个特征编码的欧氏距离;在聚类簇内每个数据对应的特征编码的欧氏距离中选取最小的欧氏距离,其对应的特征编码为当前环境雷达点云对应的特征编码最相似的特征编码;
其中,。
进一步地,在所述步骤S101之前,还可根据水面机器人的定位模块判断当前定位
精度,若全球定位系统卫星数较少或里程计所需数据质量较差,则当前定位精度较差,进入
全局重定位状态,以执行获取水面机器人当前定位坐标C、速度和当前环境毫米波雷
达点云的步骤。
可理解地,水面机器人的位置经过上述步骤S101-S105重定位后,还可由定位模块判断当前定位精度是否符合要求,若当前定位精度仍较差可重复执行步骤S101-S105,直到定位精度符合要求。
综上所述,本发明根据水面机器人所获取的当前定位坐标C从环境数据库中获取
当前定位坐标C附近的定位坐标和毫米波雷达点云,且将当前环境毫米波雷达点云和毫米波雷达点云经过预处理后获得的当前环境雷达点云与查询数据库G中的多
个毫米波雷达点云输入至环境特征编码模型中,以获得当前环境雷达点云对应的特
征编码f以及各个毫米波雷达点云,并从所有特征编码中找出与
特征编码f最相似的特征编码,从查询数据库中获取特征编码对应的定位坐标,作为本次定位的位置识别坐标,可知,本发明基于毫米波雷达的水面机器人的全
局重定位方法通过构建特征编码和回归定位,大大提高了全局定位过程中的定位精度,即
根据当前环境毫米波雷达点云和环境数据库利用深度学习方法可完成较高精度重定位,对
于水面机器人执行各类任务,具有十分重要的现实意义。
需要说明的是,对于前述的方法实施例,为了简单描述,故将其表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
以上所述仅为本发明的优选实施例,而非对本发明做任何形式上的限制。本领域的技术人员可在上述实施例的基础上施以各种等同的更改和改进,凡在权利要求范围内所做的等同变化或修饰,均应落入本发明的保护范围之内。
Claims (9)
1.一种基于毫米波雷达的水面机器人的全局重定位方法,其特征在于,包括:
将当前环境雷达点云与查询数据库G中的毫米波雷达点云输入至环境特征编码
模型中,以获得当前环境雷达点云对应的特征编码f以及各个毫米波雷达点云对应
的特征编码;其中,各个毫米波雷达点云对应的特征编码组成特征编码库;
3.如权利要求1所述的基于毫米波雷达的水面机器人的全局重定位方法,其特征在于,
所述分别将当前环境毫米波雷达点云和查询数据库G中的多个毫米波雷达点云进行
数据预处理,以获得当前环境雷达点云与查询数据库G中的多个毫米波雷达点云,具
体包括:
分别根据速度和当前环境毫米波雷达点云以及速度和查询数据库G中的
毫米波雷达点云计算当前环境毫米波雷达点云中每个点为静态点时对应的径向速度以及查询数据库G中的毫米波雷达点云中每个点为静态点时对应的径向速度;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210450844.0A CN114545400B (zh) | 2022-04-27 | 2022-04-27 | 基于毫米波雷达的水面机器人的全局重定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210450844.0A CN114545400B (zh) | 2022-04-27 | 2022-04-27 | 基于毫米波雷达的水面机器人的全局重定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114545400A true CN114545400A (zh) | 2022-05-27 |
CN114545400B CN114545400B (zh) | 2022-08-05 |
Family
ID=81667221
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210450844.0A Active CN114545400B (zh) | 2022-04-27 | 2022-04-27 | 基于毫米波雷达的水面机器人的全局重定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114545400B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116106853A (zh) * | 2023-04-12 | 2023-05-12 | 陕西欧卡电子智能科技有限公司 | 基于毫米波雷达的水面场景目标动静状态识别方法 |
CN116381674A (zh) * | 2023-06-02 | 2023-07-04 | 陕西欧卡电子智能科技有限公司 | 一种水面激光雷达点云与毫米波雷达点云的融合方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170161919A1 (en) * | 2015-12-04 | 2017-06-08 | Magic Leap, Inc. | Relocalization systems and methods |
CN106951847A (zh) * | 2017-03-13 | 2017-07-14 | 百度在线网络技术(北京)有限公司 | 障碍物检测方法、装置、设备及存储介质 |
CN108416808A (zh) * | 2018-02-24 | 2018-08-17 | 斑马网络技术有限公司 | 车辆重定位的方法及装置 |
CN108801268A (zh) * | 2018-06-27 | 2018-11-13 | 广州视源电子科技股份有限公司 | 目标对象的定位方法、装置及机器人 |
CN110597845A (zh) * | 2019-09-05 | 2019-12-20 | 深圳前海微众银行股份有限公司 | 一种分布式存储及检索地理数据的方法、装置及系统 |
CN110765224A (zh) * | 2019-10-25 | 2020-02-07 | 驭势科技(北京)有限公司 | 电子地图的处理方法、车辆视觉重定位的方法和车载设备 |
CN111027581A (zh) * | 2019-08-23 | 2020-04-17 | 中国地质大学(武汉) | 一种基于可学习编码的3d目标检测方法及系统 |
CN111324683A (zh) * | 2020-02-19 | 2020-06-23 | 中国电子科技集团公司第二十八研究所 | 一种时空与要素统一编码的数据管理方法 |
CN112526513A (zh) * | 2021-02-10 | 2021-03-19 | 北方工业大学 | 基于聚类算法的毫米波雷达环境地图构建方法及装置 |
CN112949380A (zh) * | 2021-01-08 | 2021-06-11 | 浙江大学 | 一种基于激光雷达点云数据的智能水下目标识别系统 |
CN113569982A (zh) * | 2021-08-13 | 2021-10-29 | 火种源码(中山)科技有限公司 | 基于二维激光雷达特征点模板匹配的位置识别方法及装置 |
CN114046792A (zh) * | 2022-01-07 | 2022-02-15 | 陕西欧卡电子智能科技有限公司 | 一种无人船水面定位与建图方法、装置及相关组件 |
WO2022062243A1 (zh) * | 2020-09-25 | 2022-03-31 | 上海商汤智能科技有限公司 | 目标重识别方法、装置、设备、存储介质及程序产品 |
-
2022
- 2022-04-27 CN CN202210450844.0A patent/CN114545400B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170161919A1 (en) * | 2015-12-04 | 2017-06-08 | Magic Leap, Inc. | Relocalization systems and methods |
CN106951847A (zh) * | 2017-03-13 | 2017-07-14 | 百度在线网络技术(北京)有限公司 | 障碍物检测方法、装置、设备及存储介质 |
CN108416808A (zh) * | 2018-02-24 | 2018-08-17 | 斑马网络技术有限公司 | 车辆重定位的方法及装置 |
CN108801268A (zh) * | 2018-06-27 | 2018-11-13 | 广州视源电子科技股份有限公司 | 目标对象的定位方法、装置及机器人 |
CN111027581A (zh) * | 2019-08-23 | 2020-04-17 | 中国地质大学(武汉) | 一种基于可学习编码的3d目标检测方法及系统 |
CN110597845A (zh) * | 2019-09-05 | 2019-12-20 | 深圳前海微众银行股份有限公司 | 一种分布式存储及检索地理数据的方法、装置及系统 |
CN110765224A (zh) * | 2019-10-25 | 2020-02-07 | 驭势科技(北京)有限公司 | 电子地图的处理方法、车辆视觉重定位的方法和车载设备 |
CN111324683A (zh) * | 2020-02-19 | 2020-06-23 | 中国电子科技集团公司第二十八研究所 | 一种时空与要素统一编码的数据管理方法 |
WO2022062243A1 (zh) * | 2020-09-25 | 2022-03-31 | 上海商汤智能科技有限公司 | 目标重识别方法、装置、设备、存储介质及程序产品 |
CN112949380A (zh) * | 2021-01-08 | 2021-06-11 | 浙江大学 | 一种基于激光雷达点云数据的智能水下目标识别系统 |
CN112526513A (zh) * | 2021-02-10 | 2021-03-19 | 北方工业大学 | 基于聚类算法的毫米波雷达环境地图构建方法及装置 |
CN113569982A (zh) * | 2021-08-13 | 2021-10-29 | 火种源码(中山)科技有限公司 | 基于二维激光雷达特征点模板匹配的位置识别方法及装置 |
CN114046792A (zh) * | 2022-01-07 | 2022-02-15 | 陕西欧卡电子智能科技有限公司 | 一种无人船水面定位与建图方法、装置及相关组件 |
Non-Patent Citations (5)
Title |
---|
CHENG, YW ET AL.: "Are We Ready for Unmanned Surface Vehicles in Inland Waterways? The USVInland Multisensor Dataset and Benchmark", 《IEEE ROBOTICS AND AUTOMATION LETTERS》 * |
XUEFENG ZHOU ET AL.: "Robust Global Localization by Using Global Visual", 《INTERNATIONAL CONFERENCE ON ROBOTICS AND BIOMIMETICS》 * |
YUWEI CHENG ET AL.: "FloW: A Dataset and Benchmark for Floating Waste Detection in Inland Waters", 《2021 IEEE/CVF INTERNATIONAL CONFERENCE ON COMPUTER VISION (ICCV)》 * |
朱健楠等: "无人水面艇感知技术发展综述", 《哈尔滨工程大学学报》 * |
陈承隆等: "基于Netvlad 神经网络的室内机器人全局重定位方法", 《计算机工程与应用》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116106853A (zh) * | 2023-04-12 | 2023-05-12 | 陕西欧卡电子智能科技有限公司 | 基于毫米波雷达的水面场景目标动静状态识别方法 |
CN116106853B (zh) * | 2023-04-12 | 2023-09-01 | 陕西欧卡电子智能科技有限公司 | 基于毫米波雷达的水面场景目标动静状态识别方法 |
CN116381674A (zh) * | 2023-06-02 | 2023-07-04 | 陕西欧卡电子智能科技有限公司 | 一种水面激光雷达点云与毫米波雷达点云的融合方法 |
CN116381674B (zh) * | 2023-06-02 | 2023-08-22 | 陕西欧卡电子智能科技有限公司 | 一种水面激光雷达点云与毫米波雷达点云的融合方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114545400B (zh) | 2022-08-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114545400B (zh) | 基于毫米波雷达的水面机器人的全局重定位方法 | |
CN110686677B (zh) | 一种基于几何信息的全局定位方法 | |
Huang | Review on LiDAR-based SLAM techniques | |
CN112907491B (zh) | 一种适用于井下巷道的激光点云回环检测方法及系统 | |
CN110726409B (zh) | 一种基于激光slam和视觉slam地图融合方法 | |
CN107907124B (zh) | 基于场景重识的定位方法、电子设备、存储介质、系统 | |
CN112767490B (zh) | 一种基于激光雷达的室外三维同步定位与建图方法 | |
CN110866934B (zh) | 基于规范性编码的复杂点云分割方法及系统 | |
CN109186606B (zh) | 一种基于slam和图像信息的机器人构图及导航方法 | |
CN109522832B (zh) | 基于点云片段匹配约束和轨迹漂移优化的回环检测方法 | |
CN105760811B (zh) | 全局地图闭环匹配方法及装置 | |
CN114526739A (zh) | 移动机器人室内重定位方法、计算机装置及产品 | |
CN114004869A (zh) | 一种基于3d点云配准的定位方法 | |
CN115032648B (zh) | 一种基于激光雷达密集点云的三维目标识别与定位方法 | |
CN107832778A (zh) | 一种基于空间综合相似度的相同目标识别方法 | |
CN116222577B (zh) | 闭环检测方法、训练方法、系统、电子设备及存储介质 | |
Lu et al. | A lightweight real-time 3D LiDAR SLAM for autonomous vehicles in large-scale urban environment | |
Fischer et al. | Stickylocalization: Robust end-to-end relocalization on point clouds using graph neural networks | |
CN116817891A (zh) | 一种实时多模态感知的高精地图构建方法 | |
CN116698014A (zh) | 一种基于多机器人激光slam和视觉slam地图融合与拼接方法 | |
CN114413882B (zh) | 一种基于多假设跟踪的全局初定位方法和装置 | |
Jiang et al. | Efficient Match Pair Retrieval for Large-scale UAV Images via Graph Indexed Global Descriptor | |
CN114485613A (zh) | 一种多信息融合水下机器人定位方法 | |
CN113960614A (zh) | 一种基于帧-地图匹配的高程图构建方法 | |
Peng et al. | PL-Net: towards deep learning-based localization for underwater terrain |
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 |