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 PDF

Info

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
Application number
CN202210450844.0A
Other languages
English (en)
Other versions
CN114545400B (zh
Inventor
程宇威
朱健楠
庞长松
池雨豪
虞梦苓
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.)
Shaanxi Orca Electronic Intelligent Technology Co ltd
Original Assignee
Shaanxi Orca Electronic Intelligent Technology 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 Shaanxi Orca Electronic Intelligent Technology Co ltd filed Critical Shaanxi Orca Electronic Intelligent Technology Co ltd
Priority to CN202210450844.0A priority Critical patent/CN114545400B/zh
Publication of CN114545400A publication Critical patent/CN114545400A/zh
Application granted granted Critical
Publication of CN114545400B publication Critical patent/CN114545400B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

本发明公开一种基于毫米波雷达的水面机器人的全局重定位方法，包括：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
Figure 941020DEST_PATH_IMAGE001
；根据C获取附近的传感器数据形成查询数据库G；分别将
Figure 731121DEST_PATH_IMAGE001
和G中的毫米波雷达点云
Figure 282188DEST_PATH_IMAGE002
进行数据预处理，以获得当前环境雷达点云
Figure 753621DEST_PATH_IMAGE003
与环境毫米波雷达点云
Figure 73744DEST_PATH_IMAGE004
；将
Figure 785479DEST_PATH_IMAGE003
与
Figure 495946DEST_PATH_IMAGE004
输入环境特征编码模型中以分别获得对应的特征编码f与特征编码
Figure 833386DEST_PATH_IMAGE005
；在
Figure 211278DEST_PATH_IMAGE004
对应的特征编码中检索与
Figure 343182DEST_PATH_IMAGE006
最相似的特征编码
Figure 603262DEST_PATH_IMAGE007
，并从
Figure 416497DEST_PATH_IMAGE008
中获取
Figure 960480DEST_PATH_IMAGE007
对应的定位坐标
Figure 200969DEST_PATH_IMAGE009
，作为本次定位的位置识别坐标
Figure 213924DEST_PATH_IMAGE010
。

Description

基于毫米波雷达的水面机器人的全局重定位方法
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：
获取水面机器人当前定位坐标C、速度
Figure 896261DEST_PATH_IMAGE001
和当前环境毫米波雷达点云R；
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；其中，所述查询数据库G包括有多个定位坐标
Figure 839946DEST_PATH_IMAGE002
和毫米波 雷达点云
Figure 602366DEST_PATH_IMAGE003
；
分别将当前环境毫米波雷达点云R和查询数据库G中的多个毫米波雷达点云
Figure 580686DEST_PATH_IMAGE003
进 行数据预处理，以获得当前环境雷达点云
Figure 770359DEST_PATH_IMAGE004
与查询数据库G中的多个毫米波雷达点云
Figure 187958DEST_PATH_IMAGE005
；
将当前环境雷达点云
Figure 550807DEST_PATH_IMAGE004
与查询数据库G中的毫米波雷达点云
Figure 586896DEST_PATH_IMAGE005
输入至环境特征 编码模型中，以获得当前环境雷达点云
Figure 9787DEST_PATH_IMAGE004
对应的特征编码f以及各个毫米波雷达点云
Figure 662485DEST_PATH_IMAGE005
对应的特征编码
Figure 766707DEST_PATH_IMAGE006
；其中，各个毫米波雷达点云
Figure 470352DEST_PATH_IMAGE005
对应的特征编码组成特征编码库
Figure 1828DEST_PATH_IMAGE007
；
在特征编码库
Figure 407401DEST_PATH_IMAGE007
中检索与当前环境雷达点云对应的特征编码f 最相似的特征编码
Figure 49735DEST_PATH_IMAGE008
，并从查询数据库
Figure 857154DEST_PATH_IMAGE009
中获取特征编码
Figure 356269DEST_PATH_IMAGE010
对应的定位坐标
Figure 186821DEST_PATH_IMAGE011
，作 为本次定位的位置识别坐标
Figure 944431DEST_PATH_IMAGE012
。
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：
分别计算环境数据库中各个定位坐标
Figure 544039DEST_PATH_IMAGE013
与当前定位坐标
Figure 479634DEST_PATH_IMAGE014
的欧氏距离
Figure 594221DEST_PATH_IMAGE015
，并以r 作为距离筛选阈值，取出环境数据库中满足
Figure 843936DEST_PATH_IMAGE016
条件的所有定位数据
Figure 360368DEST_PATH_IMAGE002
和毫米波雷达 点云
Figure 404548DEST_PATH_IMAGE003
，以形成查询数据库G。
其进一步技术方案为：所述分别将当前环境毫米波雷达点云
Figure 22742DEST_PATH_IMAGE017
和查询数据库G中 的多个毫米波雷达点云
Figure 810570DEST_PATH_IMAGE003
进行数据预处理，以获得当前环境雷达点云
Figure 181508DEST_PATH_IMAGE004
与查询数据库G 中的多个毫米波雷达点云
Figure 458906DEST_PATH_IMAGE005
，具体包括：
分别根据速度
Figure 751347DEST_PATH_IMAGE001
和当前环境毫米波雷达点云
Figure 139603DEST_PATH_IMAGE017
以及速度
Figure 568310DEST_PATH_IMAGE001
和查询数据库G 中的毫米波雷达点云
Figure 268806DEST_PATH_IMAGE003
计算当前环境毫米波雷达点云
Figure 845281DEST_PATH_IMAGE017
中每个点为静态点时对应的径向 速度
Figure 974911DEST_PATH_IMAGE018
以及查询数据库G中的毫米波雷达点云
Figure 586021DEST_PATH_IMAGE003
中每个点为静态点时对应的径向速度
Figure 939642DEST_PATH_IMAGE019
；
分别根据公式
Figure 941096DEST_PATH_IMAGE020
和
Figure 687466DEST_PATH_IMAGE021
选取当前环境毫米波雷达点云
Figure 90766DEST_PATH_IMAGE017
中的静态点云
Figure 880867DEST_PATH_IMAGE022
和查询数据库G中的毫米波雷达点云
Figure 369617DEST_PATH_IMAGE003
中的静态点云
Figure 637788DEST_PATH_IMAGE023
；其 中，
Figure 957910DEST_PATH_IMAGE024
为静态目标筛选阈值，
Figure 122176DEST_PATH_IMAGE025
为检测点相对水面机器人的径向速度；
分别将静态点云
Figure 409806DEST_PATH_IMAGE022
和静态点云
Figure 216088DEST_PATH_IMAGE023
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
Figure 593980DEST_PATH_IMAGE004
与查询数据库G中的多个 毫米波雷达点云
Figure 725884DEST_PATH_IMAGE005
。
其进一步技术方案为：在所述将当前环境雷达点云
Figure 189226DEST_PATH_IMAGE004
与查询数据库G中的毫米波 雷达点云
Figure 64779DEST_PATH_IMAGE005
输入至环境特征编码模型中之前，还包括：
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：所述损失函数为
Figure 297177DEST_PATH_IMAGE026
， 其中
Figure 350715DEST_PATH_IMAGE027
为当前数据编码到相似数据编码的欧氏距离，
Figure 98091DEST_PATH_IMAGE028
为当前数据编码到不 相似数据编码的欧氏距离，
Figure 715017DEST_PATH_IMAGE029
为边界条件。
其进一步技术方案为：所述在特征编码库
Figure 864238DEST_PATH_IMAGE007
中检索与当前环境 雷达点云
Figure 541207DEST_PATH_IMAGE004
对应的特征编码
Figure 775880DEST_PATH_IMAGE030
最相似的特征编码
Figure 930918DEST_PATH_IMAGE031
，具体包括：
在特征编码库
Figure 11062DEST_PATH_IMAGE007
中，取第一包数据的特征编码
Figure 921249DEST_PATH_IMAGE032
，并计算特征 编码
Figure 580900DEST_PATH_IMAGE032
与当前特征编码
Figure 601946DEST_PATH_IMAGE030
的欧氏距离
Figure 397864DEST_PATH_IMAGE033
；
遍历特征编码库中的编码
Figure 478952DEST_PATH_IMAGE006
，依次计算特征编码
Figure 625900DEST_PATH_IMAGE006
与当前特征编码
Figure 935789DEST_PATH_IMAGE030
的欧氏距离
Figure 914110DEST_PATH_IMAGE034
；
将所有特征编码
Figure 838203DEST_PATH_IMAGE006
与当前特征编码f的欧氏距离
Figure 534764DEST_PATH_IMAGE034
做增序排序，取出最小 的前
Figure 835295DEST_PATH_IMAGE035
位及其对应的定位数据
Figure 933701DEST_PATH_IMAGE036
；
根据
Figure 28696DEST_PATH_IMAGE036
完成
Figure 196241DEST_PATH_IMAGE037
密度聚类，以形成多个聚类簇
Figure 362780DEST_PATH_IMAGE038
，从所有聚类簇中取 出数量最大的聚类簇
Figure 987797DEST_PATH_IMAGE039
，及聚类簇内每个数据对应的特征编码的欧氏距离
Figure 581589DEST_PATH_IMAGE040
；
在聚类簇
Figure 721583DEST_PATH_IMAGE039
内每个数据对应的特征编码的欧氏距离
Figure 629497DEST_PATH_IMAGE040
中选 取最小的欧氏距离
Figure 187648DEST_PATH_IMAGE041
，其对应的特征编码
Figure 686762DEST_PATH_IMAGE010
为当前环境雷达点云
Figure 517315DEST_PATH_IMAGE004
对应的特征编码
Figure 25657DEST_PATH_IMAGE030
最 相似的特征编码。
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
Figure 625266DEST_PATH_IMAGE001
和当前环 境毫米波雷达点云
Figure 560861DEST_PATH_IMAGE017
，具体包括：根据全球定位系统获得当前位置坐标
Figure 927644DEST_PATH_IMAGE042
，同时采集当前环 境毫米波雷达点云R，其中
Figure 911781DEST_PATH_IMAGE043
，其中，
Figure 693792DEST_PATH_IMAGE044
分别 为水面机器人在x轴、y轴、z轴的坐标，
Figure 534709DEST_PATH_IMAGE025
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
Figure 339854DEST_PATH_IMAGE017
的点数量。
其进一步技术方案为：在所述获取水面机器人当前定位坐标C、速度
Figure 189998DEST_PATH_IMAGE001
和当前 环境毫米波雷达点云R之前，还包括：
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。
其进一步技术方案为：在所述获取水面机器人当前定位坐标C、速度
Figure 764199DEST_PATH_IMAGE045
和当前 环境毫米波雷达点云
Figure 792329DEST_PATH_IMAGE046
之前，还包括：
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
Figure 819191DEST_PATH_IMAGE045
和当前环境毫米波雷达点云
Figure 473026DEST_PATH_IMAGE046
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
Figure 698471DEST_PATH_IMAGE047
和毫米波雷达点云
Figure 84453DEST_PATH_IMAGE048
，且 将当前环境毫米波雷达点云
Figure 926507DEST_PATH_IMAGE046
和查询数据库G中的多个毫米波雷达点云
Figure 56137DEST_PATH_IMAGE048
经预处理后获 得的当前环境雷达点云
Figure 650936DEST_PATH_IMAGE049
与多个毫米波雷达点云
Figure 473398DEST_PATH_IMAGE050
输入至环境特征编码模型中，以获得 当前环境雷达点云
Figure 271590DEST_PATH_IMAGE049
对应的特征编码f以及各个毫米波雷达点云
Figure 267228DEST_PATH_IMAGE050
对应的特征编码
Figure 404948DEST_PATH_IMAGE051
，并 从所有特征编码
Figure 460629DEST_PATH_IMAGE051
中找出与特征编码f最相似的特征编码
Figure 949379DEST_PATH_IMAGE052
，从查询数据库中
Figure 968282DEST_PATH_IMAGE053
获取特征 编码
Figure 288404DEST_PATH_IMAGE052
对应的定位坐标
Figure 452670DEST_PATH_IMAGE054
，作为本次定位的位置识别坐标
Figure 225453DEST_PATH_IMAGE055
，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：
S101、获取水面机器人当前定位坐标C、速度
Figure 500577DEST_PATH_IMAGE045
和当前环境毫米波雷达点云R。
具体地，该步骤中，根据全球定位系统获得当前位置坐标
Figure 940786DEST_PATH_IMAGE056
，同时采集当前环境毫 米波雷达点云R，其中
Figure 10373DEST_PATH_IMAGE057
，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，
Figure 522650DEST_PATH_IMAGE058
分别 为水面机器人在x轴、y轴、z轴的坐标，
Figure 398202DEST_PATH_IMAGE059
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
Figure 630600DEST_PATH_IMAGE060
；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
Figure 667827DEST_PATH_IMAGE061
；例如选择定位模块的时间戳
Figure 680782DEST_PATH_IMAGE062
作为基础校准时间
Figure 297708DEST_PATH_IMAGE063
；其他传感器数据以时间戳t为基准，选择距离
Figure 197662DEST_PATH_IMAGE061
时间最短的时间戳
Figure 874631DEST_PATH_IMAGE064
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，
Figure 109303DEST_PATH_IMAGE065
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
Figure 61079DEST_PATH_IMAGE053
包括有多个定位坐标
Figure 268069DEST_PATH_IMAGE047
和毫米波雷达点云
Figure 912677DEST_PATH_IMAGE048
。该步 骤具体包括：分别计算环境数据库中各个定位坐标
Figure 572329DEST_PATH_IMAGE066
与当前定位坐标
Figure 842642DEST_PATH_IMAGE067
的欧氏距离
Figure 904139DEST_PATH_IMAGE068
，并 以r作为距离筛选阈值，取出环境数据库中满足
Figure 719648DEST_PATH_IMAGE069
条件的所有定位数据
Figure 928912DEST_PATH_IMAGE047
和对应的毫 米波雷达点云
Figure 425753DEST_PATH_IMAGE048
，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
Figure 404073DEST_PATH_IMAGE066
与当前定位坐标
Figure 593746DEST_PATH_IMAGE067
的欧氏 距离
Figure 775460DEST_PATH_IMAGE068
包括：在环境数据库中取第一包数据的定位坐标
Figure 138308DEST_PATH_IMAGE070
，并计算定位坐标
Figure 908818DEST_PATH_IMAGE070
与当前定位 坐标
Figure 331709DEST_PATH_IMAGE067
的欧氏距离
Figure 453249DEST_PATH_IMAGE071
；遍历知识库中的定位坐标
Figure 354209DEST_PATH_IMAGE066
，依次计算知识库坐标
Figure 244804DEST_PATH_IMAGE066
与当前定位坐 标C的欧氏距离
Figure 825215DEST_PATH_IMAGE068
。
S103、分别将当前环境毫米波雷达点云
Figure 230788DEST_PATH_IMAGE046
和查询数据库G中的多个毫米波雷达点 云
Figure 138701DEST_PATH_IMAGE048
进行数据预处理，以获得当前环境雷达点云
Figure 946120DEST_PATH_IMAGE049
与查询数据库G中的多个毫米波雷达 点云
Figure 445235DEST_PATH_IMAGE050
。
本实施例中，该步骤具体包括：分别根据速度
Figure 275788DEST_PATH_IMAGE045
和当前环境毫米波雷达点云
Figure 269283DEST_PATH_IMAGE046
以及速度
Figure 134470DEST_PATH_IMAGE045
和查询数据库G中的毫米波雷达点云
Figure 70065DEST_PATH_IMAGE048
计算当前环境毫米波雷达点云
Figure 387914DEST_PATH_IMAGE046
中 每个点为静态点时对应的径向速度
Figure 168788DEST_PATH_IMAGE072
以及查询数据库G中的毫米波雷达点云
Figure 950800DEST_PATH_IMAGE048
中每个点 为静态点时对应的径向速度
Figure 994979DEST_PATH_IMAGE073
；具体地，以径向速度
Figure 111708DEST_PATH_IMAGE074
，依据速度
Figure 899536DEST_PATH_IMAGE045
和
Figure 270474DEST_PATH_IMAGE046
计算每 个点为静态点时对应的径向速度
Figure 547872DEST_PATH_IMAGE072
，
Figure 574734DEST_PATH_IMAGE072
的计算方式为
Figure 228569DEST_PATH_IMAGE075
，而
Figure 204746DEST_PATH_IMAGE073
的计算原理与
Figure 590728DEST_PATH_IMAGE072
相同；再分别根据公式
Figure 432782DEST_PATH_IMAGE076
和
Figure 562413DEST_PATH_IMAGE077
选取当前环境毫米波雷达点云
Figure 907943DEST_PATH_IMAGE046
中的静态点云
Figure 730406DEST_PATH_IMAGE078
和查询数据库G中的毫米波雷达点云
Figure 794177DEST_PATH_IMAGE048
中的静态点云
Figure 461918DEST_PATH_IMAGE079
； 其中，
Figure 902434DEST_PATH_IMAGE080
为静态目标筛选阈值，
Figure 958115DEST_PATH_IMAGE081
的取值范围为0.3~1；即滤除不符合
Figure 181286DEST_PATH_IMAGE076
和
Figure 715035DEST_PATH_IMAGE077
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
Figure 35158DEST_PATH_IMAGE078
和静态点云
Figure 933844DEST_PATH_IMAGE079
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
Figure 722940DEST_PATH_IMAGE049
与查询数据库G中的多个毫米波雷达点云
Figure 998063DEST_PATH_IMAGE050
；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
Figure 172692DEST_PATH_IMAGE082
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
Figure 304597DEST_PATH_IMAGE049
与查询数据库G中的毫米波雷达点云
Figure 502360DEST_PATH_IMAGE050
输入至环境 特征编码模型中，以获得当前环境雷达点云
Figure 643491DEST_PATH_IMAGE049
对应的特征编码f以及各个毫米波雷达点云
Figure 875889DEST_PATH_IMAGE050
对应的特征编码
Figure 427962DEST_PATH_IMAGE051
；其中，各个毫米波雷达点云
Figure 175338DEST_PATH_IMAGE050
对应的特征编码组成特征编码库
Figure 792264DEST_PATH_IMAGE083
。
本发明中，将预处理后获得的当前环境雷达点云
Figure 941486DEST_PATH_IMAGE049
与查询数据库G中的多个毫米 波雷达点云
Figure 352876DEST_PATH_IMAGE050
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
Figure 587548DEST_PATH_IMAGE084
，对原始数据而言，
Figure 555635DEST_PATH_IMAGE085
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
Figure 497046DEST_PATH_IMAGE086
，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
Figure 407234DEST_PATH_IMAGE087
，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
Figure 66885DEST_PATH_IMAGE088
，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
Figure 87931DEST_PATH_IMAGE089
，得到最终的环境特征编码向量。
优选地，在所述将当前环境雷达点云
Figure 149428DEST_PATH_IMAGE049
与查询数据库G中的毫米波雷达点云
Figure 964937DEST_PATH_IMAGE050
输 入至环境特征编码模型中之前，还包括：
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。
优选地，所述损失函数为
Figure 160819DEST_PATH_IMAGE090
，其中
Figure 923239DEST_PATH_IMAGE091
为当前数据编码到相似数据编码的欧氏距离，
Figure 901559DEST_PATH_IMAGE092
为当前数据编码到不相似 数据编码的欧氏距离，
Figure 91232DEST_PATH_IMAGE093
为边界条件。本实施例使用三元组损失函数
Figure 522214DEST_PATH_IMAGE094
作为度量损失函数
Figure 885062DEST_PATH_IMAGE095
，使用
Figure 655572DEST_PATH_IMAGE096
优化器优化模型训练模型。
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
Figure 829195DEST_PATH_IMAGE097
和各 传感器特征融合编码器
Figure 685156DEST_PATH_IMAGE098
组成，且各传感器数据特征编码器
Figure 851695DEST_PATH_IMAGE097
并联后与特征融合编码器
Figure 539028DEST_PATH_IMAGE099
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。
S105、在特征编码库
Figure 70504DEST_PATH_IMAGE083
中检索与当前环境雷达点云
Figure 476077DEST_PATH_IMAGE049
对应的 特征编码
Figure 118411DEST_PATH_IMAGE100
最相似的特征编码
Figure 175098DEST_PATH_IMAGE052
，并从查询数据库
Figure 674212DEST_PATH_IMAGE053
中获取特征编码
Figure 504765DEST_PATH_IMAGE101
对应的定位坐 标
Figure 13107DEST_PATH_IMAGE054
，作为本次定位的位置识别坐标
Figure 878294DEST_PATH_IMAGE055
。
本发明中，利用特征编码
Figure 813889DEST_PATH_IMAGE101
的数据库索引，取出对应的位置坐标
Figure 866159DEST_PATH_IMAGE055
，作为当前 的重定位结果。
该步骤中，所述在特征编码库
Figure 928924DEST_PATH_IMAGE083
中检索与当前环境雷达点云
Figure 445356DEST_PATH_IMAGE049
对应的特征编码
Figure 489535DEST_PATH_IMAGE100
最相似的特征编码
Figure 91418DEST_PATH_IMAGE052
具体包括：
在特征编码库
Figure 879246DEST_PATH_IMAGE083
中，取第一包数据的特征编码
Figure 515763DEST_PATH_IMAGE102
，并计算特征 编码
Figure 730844DEST_PATH_IMAGE102
与当前特征编码
Figure 72220DEST_PATH_IMAGE100
的欧氏距离
Figure 460476DEST_PATH_IMAGE103
；遍历特征编码库中的编码
Figure 154762DEST_PATH_IMAGE051
，依次计算特 征编码
Figure 603061DEST_PATH_IMAGE104
与当前特征编码
Figure 913957DEST_PATH_IMAGE100
的欧氏距离
Figure 43587DEST_PATH_IMAGE105
；将所有特征编码
Figure 405429DEST_PATH_IMAGE104
与当前特征编码
Figure 962313DEST_PATH_IMAGE100
的 欧氏距离
Figure 26084DEST_PATH_IMAGE105
做增序排序，取出最小的前
Figure 959404DEST_PATH_IMAGE106
位及其对应的定位数据
Figure 159442DEST_PATH_IMAGE107
；根据
Figure 949543DEST_PATH_IMAGE107
完成
Figure 438293DEST_PATH_IMAGE108
密度聚类，以形成多个聚类簇
Figure 486890DEST_PATH_IMAGE109
，从所有聚类簇中取出数量最大的聚类簇
Figure 744696DEST_PATH_IMAGE110
，及聚类簇内每个数据对应的特征编码的欧氏距离
Figure 705698DEST_PATH_IMAGE111
；其中
Figure 478482DEST_PATH_IMAGE112
代表聚类簇内数据量最大的聚类簇，
Figure 753606DEST_PATH_IMAGE113
代表聚类簇内第
Figure 928235DEST_PATH_IMAGE114
个特征编码的欧氏距离；在聚类簇
Figure 263402DEST_PATH_IMAGE110
内每个数据对应的特征编码的欧氏距离
Figure 274214DEST_PATH_IMAGE111
中选取最小的欧氏距离
Figure 353029DEST_PATH_IMAGE115
，其对应的特征编码
Figure 116585DEST_PATH_IMAGE101
为当前环境雷达点云
Figure 684970DEST_PATH_IMAGE049
对应的特征编码
Figure 370029DEST_PATH_IMAGE100
最相似的特征编码； 其中，
Figure 49272DEST_PATH_IMAGE116
。
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
Figure 136177DEST_PATH_IMAGE045
和当前环境毫米波雷 达点云
Figure 862081DEST_PATH_IMAGE046
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
Figure 96753DEST_PATH_IMAGE047
和毫米波雷达点云
Figure 517370DEST_PATH_IMAGE048
，且将当前环境毫米波雷达点云
Figure 521098DEST_PATH_IMAGE046
和毫米波雷达点云
Figure 165706DEST_PATH_IMAGE048
经过预处理后获得的当前环境雷达点云
Figure 825357DEST_PATH_IMAGE049
与查询数据库G中的多 个毫米波雷达点云
Figure 597136DEST_PATH_IMAGE050
输入至环境特征编码模型中，以获得当前环境雷达点云
Figure 658632DEST_PATH_IMAGE049
对应的特 征编码f以及各个毫米波雷达点云
Figure 474142DEST_PATH_IMAGE117
，并从所有特征编码
Figure 417827DEST_PATH_IMAGE051
中找出与 特征编码f最相似的特征编码
Figure 180247DEST_PATH_IMAGE052
，从查询数据库中
Figure 158567DEST_PATH_IMAGE053
获取特征编码
Figure 348240DEST_PATH_IMAGE052
对应的定位坐标
Figure 28489DEST_PATH_IMAGE054
，作为本次定位的位置识别坐标
Figure 329020DEST_PATH_IMAGE055
，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：
获取水面机器人当前定位坐标C、速度
Figure 215771DEST_PATH_IMAGE001
和当前环境毫米波雷达点云R；
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；其中，所述查询数据库G包括有多个定位坐标
Figure 373083DEST_PATH_IMAGE002
和毫米波雷达 点云
Figure 291361DEST_PATH_IMAGE003
；
分别将当前环境毫米波雷达点云R和查询数据库G中的多个毫米波雷达点云
Figure 395583DEST_PATH_IMAGE003
进行数 据预处理，以获得当前环境雷达点云
Figure 348495DEST_PATH_IMAGE004
与查询数据库G中的多个毫米波雷达点云
Figure 925976DEST_PATH_IMAGE005
；
将当前环境雷达点云
Figure 269233DEST_PATH_IMAGE004
与查询数据库G中的毫米波雷达点云
Figure 973884DEST_PATH_IMAGE005
输入至环境特征编码 模型中，以获得当前环境雷达点云
Figure 718986DEST_PATH_IMAGE004
对应的特征编码f以及各个毫米波雷达点云
Figure 483679DEST_PATH_IMAGE005
对应 的特征编码
Figure 314232DEST_PATH_IMAGE006
；其中，各个毫米波雷达点云
Figure 556995DEST_PATH_IMAGE005
对应的特征编码组成特征编码库
Figure 969653DEST_PATH_IMAGE007
；
在特征编码库
Figure 842931DEST_PATH_IMAGE007
中检索与当前环境雷达点云
Figure 223096DEST_PATH_IMAGE004
对应的特征编码f 最相似的特征编码
Figure 472812DEST_PATH_IMAGE008
，并从查询数据库
Figure 723665DEST_PATH_IMAGE009
中获取特征编码
Figure 830161DEST_PATH_IMAGE010
对应的定位坐标
Figure 635306DEST_PATH_IMAGE011
，作 为本次定位的位置识别坐标
Figure 725929DEST_PATH_IMAGE012
。
2.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：
分别计算环境数据库中各个定位坐标
Figure 300130DEST_PATH_IMAGE013
与当前定位坐标
Figure 577527DEST_PATH_IMAGE014
的欧氏距离
Figure 666706DEST_PATH_IMAGE015
，并以r作为距 离筛选阈值，取出环境数据库中满足
Figure 992645DEST_PATH_IMAGE016
条件的所有定位数据
Figure 483669DEST_PATH_IMAGE002
和毫米波雷达点云
Figure 135231DEST_PATH_IMAGE003
，以形成查询数据库G。
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
Figure 462438DEST_PATH_IMAGE017
和查询数据库G中的多个毫米波雷达点云
Figure 388806DEST_PATH_IMAGE003
进行 数据预处理，以获得当前环境雷达点云
Figure 937599DEST_PATH_IMAGE004
与查询数据库G中的多个毫米波雷达点云
Figure 556799DEST_PATH_IMAGE005
，具 体包括：
分别根据速度
Figure 558253DEST_PATH_IMAGE001
和当前环境毫米波雷达点云
Figure 553891DEST_PATH_IMAGE017
以及速度
Figure 3195DEST_PATH_IMAGE001
和查询数据库G中的 毫米波雷达点云
Figure 730980DEST_PATH_IMAGE003
计算当前环境毫米波雷达点云
Figure 282047DEST_PATH_IMAGE017
中每个点为静态点时对应的径向速度
Figure 753480DEST_PATH_IMAGE018
以及查询数据库G中的毫米波雷达点云
Figure 73603DEST_PATH_IMAGE003
中每个点为静态点时对应的径向速度
Figure 237868DEST_PATH_IMAGE019
；
分别根据公式
Figure 10652DEST_PATH_IMAGE020
和
Figure 833245DEST_PATH_IMAGE021
选取当前环境毫米波雷达点云
Figure 211137DEST_PATH_IMAGE017
中的 静态点云
Figure 343041DEST_PATH_IMAGE022
和查询数据库G中的毫米波雷达点云
Figure 806383DEST_PATH_IMAGE003
中的静态点云
Figure 681936DEST_PATH_IMAGE023
；其中，
Figure 914334DEST_PATH_IMAGE024
为静态目标筛选阈值，
Figure 482718DEST_PATH_IMAGE025
为检测点相对水面机器人的径向速度；
分别将静态点云
Figure 216713DEST_PATH_IMAGE022
和静态点云
Figure 833639DEST_PATH_IMAGE023
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
Figure 982860DEST_PATH_IMAGE004
与查询数据库G中的多个毫米波雷达 点云
Figure 659829DEST_PATH_IMAGE005
。
4.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， 在所述将当前环境雷达点云
Figure 628922DEST_PATH_IMAGE004
与查询数据库G中的毫米波雷达点云
Figure 846277DEST_PATH_IMAGE005
输入至环境特征编 码模型中之前，还包括：
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。
5.如权利要求4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， 所述损失函数为
Figure 53267DEST_PATH_IMAGE026
，其中
Figure 714187DEST_PATH_IMAGE027
为当前数 据编码到相似数据编码的欧氏距离，
Figure 373838DEST_PATH_IMAGE028
为当前数据编码到不相似数据编码的欧氏距 离，
Figure 129305DEST_PATH_IMAGE029
为边界条件。
6.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， 所述在特征编码库
Figure 987539DEST_PATH_IMAGE007
中检索与当前环境雷达点云
Figure 6311DEST_PATH_IMAGE004
对应的特征编码
Figure 215576DEST_PATH_IMAGE030
最相似的特征编码
Figure 977995DEST_PATH_IMAGE008
，具体包括：
在特征编码库
Figure 940004DEST_PATH_IMAGE007
中，取第一包数据的特征编码
Figure 926414DEST_PATH_IMAGE031
，并计算特征编码
Figure 560658DEST_PATH_IMAGE031
与当前特征编码
Figure 923506DEST_PATH_IMAGE030
的欧氏距离
Figure 959595DEST_PATH_IMAGE032
；
遍历特征编码库中的编码
Figure 116907DEST_PATH_IMAGE006
，依次计算特征编码
Figure 785917DEST_PATH_IMAGE006
与当前特征编码
Figure 890139DEST_PATH_IMAGE030
的欧氏距离
Figure 577473DEST_PATH_IMAGE033
；
将所有特征编码
Figure 108948DEST_PATH_IMAGE006
与当前特征编码
Figure 514522DEST_PATH_IMAGE030
的欧氏距离
Figure 219172DEST_PATH_IMAGE033
做增序排序，取出最小的前
Figure 964275DEST_PATH_IMAGE034
位及其对应的定位数据
Figure 981166DEST_PATH_IMAGE035
；
根据
Figure 811718DEST_PATH_IMAGE035
完成
Figure 320060DEST_PATH_IMAGE036
密度聚类，以形成多个聚类簇
Figure 919669DEST_PATH_IMAGE037
，从所有聚类簇中取出数 量最大的聚类簇
Figure 589684DEST_PATH_IMAGE038
，及聚类簇内每个数据对应的特征编码的欧氏距离
Figure 969850DEST_PATH_IMAGE039
；
在聚类簇
Figure 953987DEST_PATH_IMAGE038
内每个数据对应的特征编码的欧氏距离
Figure 486730DEST_PATH_IMAGE039
中选取最 小的欧氏距离
Figure 530910DEST_PATH_IMAGE040
，其对应的特征编码
Figure 132792DEST_PATH_IMAGE010
为当前环境雷达点云
Figure 982937DEST_PATH_IMAGE004
对应的特征编码
Figure 557137DEST_PATH_IMAGE030
最相似 的特征编码。
7.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， 所述获取水面机器人当前定位坐标C、速度
Figure 834535DEST_PATH_IMAGE001
和当前环境毫米波雷达点云
Figure 907402DEST_PATH_IMAGE017
，具体包括： 根据全球定位系统获得当前位置坐标
Figure 498920DEST_PATH_IMAGE041
，同时采集当前环境毫米波雷达点云R，其中
Figure 989945DEST_PATH_IMAGE042
，其中，
Figure 375927DEST_PATH_IMAGE043
分别为水面机器人在x轴、y轴、 z轴的坐标，
Figure 217981DEST_PATH_IMAGE025
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
Figure 144348DEST_PATH_IMAGE017
的点 数量。
8.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， 在所述获取水面机器人当前定位坐标C、速度
Figure 427562DEST_PATH_IMAGE001
和当前环境毫米波雷达点云R之前，还包 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。
9.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， 在所述获取水面机器人当前定位坐标C、速度
Figure 63074DEST_PATH_IMAGE044
和当前环境毫米波雷达点云R之前，还包 括：
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
Figure 64528DEST_PATH_IMAGE044
和当前环境毫米波雷达点云
Figure 60166DEST_PATH_IMAGE045
的步骤。
CN202210450844.0A 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 Active CN114545400B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (13)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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