CN114897942B - 点云地图的生成方法、设备及相关存储介质 - Google Patents

点云地图的生成方法、设备及相关存储介质 Download PDF

Info

Publication number
CN114897942B
CN114897942B CN202210829159.9A CN202210829159A CN114897942B CN 114897942 B CN114897942 B CN 114897942B CN 202210829159 A CN202210829159 A CN 202210829159A CN 114897942 B CN114897942 B CN 114897942B
Authority
CN
China
Prior art keywords
data
imu
point cloud
moment
pose
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.)
Active
Application number
CN202210829159.9A
Other languages
English (en)
Other versions
CN114897942A (zh
Inventor
宋舜辉
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.)
DeepRoute AI Ltd
Original Assignee
DeepRoute AI 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 DeepRoute AI Ltd filed Critical DeepRoute AI Ltd
Priority to CN202210829159.9A priority Critical patent/CN114897942B/zh
Publication of CN114897942A publication Critical patent/CN114897942A/zh
Application granted granted Critical
Publication of CN114897942B publication Critical patent/CN114897942B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • 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
    • G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
    • G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
    • G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
    • G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
    • 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
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • G01C21/3833—Creation or updating of map data characterised by the source of data
    • G01C21/3841—Data obtained from two or more sources, e.g. probe vehicles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10044—Radar image
    • 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
    • G06T2207/20024—Filtering details
    • G06T2207/20028—Bilateral filtering
    • 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
    • G06T2207/30181—Earth observation

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Automation & Control Theory (AREA)
  • Navigation (AREA)

Abstract

本申请公开了一种点云地图的生成方法、设备及相关存储介质。其中，所述点云地图的生成方法包括：获取用于点云地图的数据集；对数据集进行双向滤波，以得到预设时间段内的IMU位姿数据，其中预设时间段包括上一时刻到当前时刻之间的时间；根据预设时间段内的IMU位姿数据，对预设时间段内的点云数据进行补偿，以得到补偿后的当前时刻的点云数据；对补偿后的当前时刻的点云数据和当前时刻的IMU位姿数据进行处理，以得到当前时刻的点云观测数据，从而生成点云地图，能够提高建图的精度和可靠性，从而在较小计算量的同时提供了较高的地图精度。

Description

点云地图的生成方法、设备及相关存储介质
技术领域
本申请涉及高精地图技术领域，特别是涉及一种点云地图的生成方法及、设备及相关存储介质。
背景技术
高精度地图能够提供详细的道路信息和环境信息，对于自动驾驶汽车的定位具有重要意义，影响着自动驾驶汽车的行车安全。
目前，一些现有方案采用基于正向滤波的组合定位算法计算车辆位姿，根据车辆位姿和对应时刻的点云数据，生成点云地图，但是难以保证车辆位姿的精确度。
还有一些现有方案利用点云匹配算法计算相邻关键帧的约束，对关键帧加入GNSS定位坐标约束，使用基于优化的方法得到全局最优位姿，但是计算量过大，且没有充分利用IMU、轮速的信息，在GNSS不良区域精度过低。
发明内容
本申请提供一种点云地图的生成方法、设备及相关存储介质，能够在减少计算量的同时，提高建图结果的精度和可靠性。
本申请采用的一个技术方案是：提供一种点云地图的生成方法，包括：获取预设时间段内的数据集；
对所述数据集进行双向滤波，以得到所述预设时间段内的IMU位姿数据，其中所述预设时间段包括上一时刻到当前时刻之间的时间；
根据所述预设时间段内的IMU位姿数据，对所述预设时间段内的点云数据进行补偿，以得到补偿后的当前时刻的点云数据；
对所述补偿后的当前时刻的点云数据和所述当前时刻的IMU位姿数据进行处理，以得到所述当前时刻的点云观测数据，根据所述点云观测数据生成所述点云地图。
其中，所述数据集包括IMU位置观测数据和IMU姿态观测数据；
获取所述IMU位置观测数据和所述IMU姿态观测数据，包括：对补偿后的点云数据进行匹配，以得到雷达位置数据和雷达姿态数据；
依据所述雷达位置数据和雷达姿态数据以及IMU-Lidar外参数，以得到所述IMU位置观测数据和所述IMU姿态观测数据。
其中，所述数据集还包括IMU加速度数据、IMU角速度数据、GNSS位置数据、GNSS航向数据及里程计速度数据，所述数据集中的数据以第一顺序排序，所述第一顺序为时间顺序；
对所述数据集进行双向滤波，以得到预设时间段内的IMU位姿数据，包括：对所述数据集进行正向滤波，以得到多个时刻的第一IMU估计数据，其中，所述正向滤波表示以所述第一顺序进行滤波；
对所述数据集进行反向滤波，以得到多个时刻的第二IMU估计数据，其中，所述反向滤波以第二顺序进行滤波，所述第二顺序与所述第一顺序相反；
对所述多个时刻的第一IMU估计数据和所述多个时刻的第二IMU估计数据进行处理，以得到每个时刻的IMU位姿数据，从而得到预设时间段内的IMU位姿数据。
其中，所述多个时刻的第一IMU估计数据包括第一时刻的第一IMU估计数据，所述多个时刻的第二IMU估计数据包括所述第一时刻的第二IMU估计数据；
对所述多个时刻的第一IMU估计数据和所述多个时刻的第二IMU估计数据进行处理，包括：将所述第一时刻的第一IMU估计数据与所述第一时刻的第二IMU估计数据进行加权融合，以得到所述第一时刻的IMU位姿数据。
其中，根据所述IMU加速度数据、所述IMU角速度数据、所述GNSS位置数据、所述GNSS航向数据及所述里程计速度数据，得到IMU预测数据；
对所述数据集进行正向滤波，包括：对所述数据集进行正向卡尔曼滤波，以得到每个时刻的第一IMU误差数据，其中所述正向卡尔曼滤波中误差协方差矩阵的初始值为第一预设值；
获取所述IMU预测数据与所述第一IMU误差数据的差值，以作为每个时刻的所述第一IMU估计数据；
对所述数据集进行反向滤波，包括：对所述数据集进行反向卡尔曼滤波，以得到每个时刻的第二IMU误差数据，其中所述反向卡尔曼滤波中误差协方差矩阵的初始值为第二预设值；
获取所述IMU预测数据与所述第二IMU误差数据的差值，以作为所述第二IMU估计数据。
其中，所述加权融合的公式如下：
Figure 570429DEST_PATH_IMAGE001
其中，X为第一时刻的IMU位姿数据，X1为第一IMU估计数据，X2为第二IMU估计数据，P1为第一预设值，P2为第二预设值。
其中，根据所述预设时间段内的IMU位姿数据，对所述预设时间段内的点云数据进行补偿，包括：对所述预设时间段内的IMU位姿数据进行插值，以插值出与预设时刻的点云数据对应的所述预设时刻的IMU位姿数据；
获取所述预设时刻的IMU位姿数据到所述当前时刻的IMU位姿数据之间的变化量；
对所述预设时刻的点云数据以及所述变化量进行处理，以得到补偿后的当前时刻的点云数据。
其中，所述补偿的公式如下：
Figure 503750DEST_PATH_IMAGE002
其中，T1为点云数据补偿后的位置，R为姿态旋转量，T0为点云数据初始位置，T为位置平移量。
本申请采用的第二个技术方案是：提供一种车载设备，包括处理器以及与所述处理器耦接的存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，以实现所述的点云地图的生成方法。
本申请采用的第三个技术方案是：提供一种非易失性计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序，所述计算机程序在被处理器执行时，用于实现所述的点云地图的生成方法。
以上方案，通过双向滤波处理数据集，能够得到预设时间段内平滑、准确的IMU位姿数据，根据预设时间段内的IMU位姿数据，通过对预设时间段内的点云数据进行补偿，以得到补偿后的当前时刻的点云数据，能够提高建图的精度和可靠性，对补偿后的当前时刻的点云数据和当前时刻的IMU位姿数据进行处理，得到当前时刻的点云观测数据，以生成点云地图，从而在较小计算量的同时提供了较高的地图精度。
附图说明
图1是本申请点云地图的生成方法一实施例的流程示意图；
图2是本申请点云地图的生成方法一实施例的数据处理流程示意图；
图3是本申请车载设备一实施例的结构示意图；
图4是本申请非易失性计算机可读存储介质一实施例的结构示意图。
具体实施方式
下面结合附图和实施例，对本申请作进一步的详细描述。特别指出的是，以下实施例仅用于说明本申请，但不对本申请的范围进行限定。同样的，以下实施例仅为本申请的部分实施例而非全部实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
需要说明的是，本申请中的术语“第一”、“第二”、“第三”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”、“第三”的特征可以明示或者隐含地包括至少一个该特征。本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
请参阅图1和图2，图1是本申请点云地图的生成方法一实施例的流程示意图，图2是本申请点云地图的生成方法一实施例的数据处理流程示意图。需注意的是，若有实质上相同的结果，本申请的方法并不以图1所示的流程顺序为限。本方法可以应用于具有计算等功能的车载设备，车载设备可通过接收传感器设备采集的信息，执行本方法，传感器设备可以是自动驾驶车辆装备的激光雷达（Lidar）、毫米波雷达、惯性测量单元（InertialMeasurement Unit，IMU）、全球导航卫星系统（Global Navigation Satellite System，GNSS）、轮式里程计或摄像头。传感器设备在自动驾驶车辆行驶过程中感知车辆周边真实物理世界动态场景，并采集车辆的相关数据。如图1所示，点云地图的生成方法包括如下步骤：
S1、获取预设时间段内的数据集。
可以利用雷达传感器对点云数据进行采集，利用IMU传感器对加速度数据进行采集，利用轮式里程计传感器对速度数据进行采集，利用GNSS传感器对航向数据进行采集。例如，将雷达传感器、IMU传感器、轮式里程计传感器及GNSS传感器安装于一可移动的设备上。其中，该可移动的设备可以是自动移动设备，如机器人、自动驾驶车辆等。
在一些实施例中，雷达传感器可以是激光雷达传感器，如机械式激光雷达，或者是毫米波雷达传感器，或其它能够实现的雷达传感器均可，不作具体限定。
在一应场景中，自动驾驶车辆在道路上行驶，通过设置于该自动驾驶车辆上的雷达传感器获取对应的雷达点云数据，通过IMU传感器、轮式里程计传感器及GNSS传感器获取预设时间段内各个采集时刻点对应的数据，以得到预设时间段内的数据集。
S2、对数据集进行双向滤波，以得到预设时间段内的IMU位姿数据，其中预设时间段包括上一时刻到当前时刻之间的时间。
对数据集进行双向滤波处理，数据集中包括有用于生成点云地图的数据，将数据集输入相应的算法中，进行双向滤波处理，得到预设时间段内的IMU位姿数据，可以根据实际计算需求选择合适的算法，不作具体限定。其中预设时间段包括上一时刻到当前时刻之间的时刻，即能够得到上一时刻、当前时刻以及上一时刻到当前时刻之间的多个时刻的IMU位姿数据，例如，假设上一时刻为k-1，当前时刻为k，t为k-1时刻与k时刻之间的时刻，则预设时间段内的IMU位姿数据包括k-1时刻的IMU位姿数据、t时刻的IMU位姿数据、k时刻的IMU位姿数据。
S3、根据预设时间段内的IMU位姿数据，对预设时间段内的点云数据进行补偿，以得到补偿后的当前时刻的点云数据。
激光雷达用于实时采集雷达点云数据，雷达点云数据是某时刻相对于激光雷达的三维位置点，当激光雷达的位置发生平移或旋转时，上一时刻的雷达点云数据的坐标与真实的三维位置也发生了平移或旋转，导致雷达点云数据中的每个点的位置产生畸变。根据预设时间段内的IMU位姿数据，对预设时间段内的雷达点云数据进行补偿，以消除雷达点云数据的畸变，得到补偿后的当前时刻的雷达点云数据。对每一时刻的雷达点云数据进行补偿，即可得到每一时刻的补偿后的雷达点云数据。
S4、对补偿后的当前时刻的点云数据和当前时刻的IMU位姿数据进行处理，以得到当前时刻的点云观测数据，根据点云观测数据生成点云地图。
对当前时刻的IMU位姿数据和补偿后的当前时刻的雷达点云数据进行处理，以得到当前时刻的点云观测数据，从而根据点云观测数据生成点云地图。
下面以上述上一时刻为k-1和当前时刻为k为例进行说明，获取用于生成点云地图的k-1时刻至k时刻的数据集，对数据集进行双向滤波处理，得到k-1时刻至k时刻时间段内的IMU位姿数据，通过k-1时刻至k时刻时间段内的IMU位姿数据对k-1时刻至k时刻时间段内的雷达点云数据进行补偿，能够得到补偿后的k时刻的雷达点云数据，进而对补偿后的k时刻的雷达点云数据和k时刻的IMU位姿数据进行处理，得到k时刻的点云观测数据，从而根据点云观测数据生成点云地图。
以上方案，通过双向滤波处理数据集，能够得到预设时间段内平滑、准确的IMU位姿数据，根据预设时间段内的IMU位姿数据，通过对预设时间段内的雷达点云数据进行补偿，以得到补偿后的当前时刻的雷达点云数据，能够提高建图的精度和可靠性，对补偿后的当前时刻的雷达点云数据和当前时刻的IMU位姿数据进行处理，得到当前时刻的点云观测数据，以生成点云地图，从而在较小计算量的同时提供了较高的地图精度。
在本申请一实施例中，数据集包括IMU位置观测数据和IMU姿态观测数据；获取IMU位置观测数据和IMU姿态观测数据，包括：对补偿后的激光雷达点云数据进行匹配，以得到雷达位置数据和雷达姿态数据；依据雷达位置数据和雷达姿态数据以及IMU-Lidar外参数，以得到IMU位置观测数据和IMU姿态观测数据。
可以理解的，数据集包括IMU位置观测数据和IMU姿态观测数据，IMU位置观测数据和IMU姿态观测数据是通过对雷达点云数据进行匹配得到的。
可选的，将前预设时间段内的补偿后的激光雷达点云数据构建的局部地图与补偿后的上一时刻的激光雷达点云数据进行匹配，构建最小二乘形式的损失函数，并进行多次迭代计算，进而估计得到上一时刻的雷达位置数据和雷达姿态数据。在一个实施例中，将补偿后的当前时刻的点云数据与补偿后的上一时刻的点云数据进行匹配来获得雷达的位置数据和雷达的姿态数据。其中，预设时间段可以是半分钟、一分钟，或其它能够实现的时间段均可，不作具体限定。例如，将前半分钟内的补偿后的激光雷达点云数据构建的局部地图与补偿后的上一时刻的激光雷达点云数据进行匹配，匹配的算法可以采用迭代最近点（Iterative Closest Point，ICP）算法、正态分布转换（Normal DistributionsTransform，NDT）算法、LOAM算法，或其它能够实现的算法均可，不作具体限定，以得到上一时刻的雷达位置数据和雷达姿态数据。
根据上一时刻的雷达位置数据和雷达姿态数据以及IMU-Lidar外参数，其中，IMU-Lidar外参数包括以IMU为中心的坐标系下的激光雷达（Lidar）的位置，进而能够得到上一时刻的IMU位置观测数据和IMU姿态观测数据。可以理解的，搭载于车辆的IMU和激光雷达互相之间的距离较近，将激光雷达和IMU变换至同一坐标系，即以IMU为中心的坐标系中，从而根据雷达位置数据和雷达姿态数据可以计算得到IMU位置观测数据和IMU姿态观测数据。
通过双向滤波处理数据集中的数据、上一时刻的IMU位置观测数据以及上一时刻的IMU姿态观测数据，得到上一时刻至当前时刻时间段内的多个IMU位姿数据。
在本申请一实施例中，数据集还包括IMU加速度数据、IMU角速度数据、GNSS位置数据、GNSS航向数据及里程计速度数据，数据集中的数据以第一顺序排序，第一顺序为时间顺序。
可以理解的，数据集包括匹配得到的IMU位置观测数据和IMU姿态观测数据，还包括传感器设备采集到的IMU加速度数据、IMU角速度数据、GNSS位置数据、GNSS航向数据及里程计速度数据。
车辆搭载传感器设备实时采集相应的数据，其中，IMU传感器用于采集加速度和角速度，得到IMU加速度数据、IMU角速度数据，轮式里程计传感器用于采集速度，得到里程计速度数据，全球导航卫星系统（Global Navigation Satellite System，GNSS）传感器用于采集经度、纬度及航向，得到GNSS位置数据、GNSS航向数据。将数据集中的数据对应每一时刻以第一顺序进行排序，其中第一顺序为时间顺序，即按照时间顺序，将每一时刻对应的IMU加速度数据、IMU角速度数据、里程计速度数据、GNSS位置数据及GNSS航向数据进行排序。
对数据集进行双向滤波，以得到预设时间段内的IMU位姿数据，包括：对数据集进行正向滤波，以得到多个时刻的第一IMU估计数据，其中，正向滤波表示以第一顺序进行滤波；对数据集进行反向滤波，以得到多个时刻的第二IMU估计数据，其中，反向滤波以第二顺序进行滤波，第二顺序与第一顺序相反；对多个时刻的第一IMU估计数据和多个时刻的第二IMU估计数据进行处理，以得到每个时刻的IMU位姿数据，从而得到预设时间段内的IMU位姿数据。
对数据集进行双向滤波，包括对数据集进行正向滤波处理和对数据集进行反向滤波处理，其中，正向滤波表示以第一顺序进行滤波，即以时间顺序对数据集中的数据进行滤波处理，反向滤波表示以第二顺序进行滤波，第二顺序与第一顺序相反，即第二顺序为时间逆序，则反向滤波表示以时间逆序对数据集中的数据进行滤波处理。
例如，数据集中t0时刻至t100时刻时间段内对应的数据，正向滤波是由t0时刻至t100时刻的顺序对数据集中的数据进行滤波处理，得到t0时刻至t100时刻时间段内的多个时刻的第一IMU估计数据，反向滤波是由t100时刻至t0时刻的顺序对数据集中的数据进行滤波处理，得到t100时刻至t0时刻时间段内的多个时刻的第二IMU估计数据。
对每一时刻对应的第一IMU估计数据和第二IMU估计数据进行处理，得到该时刻的IMU位姿数据，进而对t0时刻至t100时刻时间段内的多个时刻对应的第一IMU估计数据和第二IMU估计数据进行处理，以得到每个时刻的IMU位姿数据，从而得到t0时刻至t100时刻时间段内的多个IMU位姿数据。
在本申请一实施例中，多个时刻的第一IMU估计数据包括第一时刻的第一IMU估计数据，多个时刻的第二IMU估计数据包括第一时刻的第二IMU估计数据。可以理解的，多个时刻的第一IMU估计数据包括多个时刻中每一时刻对应的第一IMU估计数据，例如，第一时刻的第一IMU估计数据、第二时刻的第一IMU估计数据、第三时刻的第一IMU估计数据。多个时刻的第二IMU估计数据包括多个时刻中每一时刻对应的第二IMU估计数据，例如，第一时刻的第二IMU估计数据、第二时刻的第二IMU估计数据、第三时刻的第二IMU估计数据。
对多个时刻的第一IMU估计数据和多个时刻的第二IMU估计数据进行处理，包括：将第一时刻的第一IMU估计数据与第一时刻的第二IMU估计数据进行加权融合，以得到第一时刻的IMU位姿数据。
对多个时刻的第一IMU估计数据和多个时刻的第二IMU估计数据进行处理，包括将第一时刻的第一IMU估计数据与第一时刻的第二IMU估计数据进行加权融合，以得到第一时刻的IMU位姿数据。可以理解的，对第一时刻的第一IMU估计数据和第一时刻的第二IMU估计数据进行加权融合处理，得到第一时刻的IMU位姿数据；对第二时刻的第一IMU估计数据和第二时刻的第二IMU估计数据进行加权融合处理，能够得到第二时刻的IMU位姿数据；对第三时刻的第一IMU估计数据和第三时刻的第二IMU估计数据进行加权融合处理，能够得到第三时刻的IMU位姿数据，进而对预设时间段内的每一时刻对应的第一IMU估计数据和第二IMU估计数据进行加权融合处理，从而得到预设时间段内的多个时刻对应的IMU位姿数据。其中，加权融合的算法根据实际计算需求选择即可，不作具体限定。
在本申请一实施例中，根据IMU加速度数据、IMU角速度数据、GNSS位置数据、GNSS航向数据及里程计速度数据，得到IMU预测数据；对数据集进行正向滤波，包括：对数据集进行正向卡尔曼滤波，以得到每个时刻的第一IMU误差数据，其中正向卡尔曼滤波中误差协方差矩阵的初始值为第一预设值；获取IMU预测数据与第一IMU误差数据的差值，以作为每个时刻的第一IMU估计数据。
根据IMU加速度数据、IMU角速度数据、GNSS位置数据、GNSS航向数据及里程计速度数据，可以计算得到IMU预测数据，可以理解的，根据当前时刻的IMU加速度数据、IMU角速度数据、GNSS位置数据、GNSS航向数据及里程计速度数据，能够计算得到下一时刻的IMU预测数据，IMU预测数据可以包括IMU位置预测数据、IMU姿态预测数据、IMU速度预测数据。例如，当前时刻为0秒，里程计速度为0米每秒，IMU加速度为1米每二次方秒，GNSS航向为东向，GNSS位置为0米，车辆10秒转一圈，则IMU角速度为π/5弧度每秒，可以计算得到下一时刻1秒时，IMU位置预测数据为0.5米，IMU速度预测数据为1米每秒，IMU姿态预测数据为东偏北36°或东偏南36°。即，对里程计速度数据进行积分，可以得到IMU位置变化量，进而根据上一时刻的GNSS位置数据，能够计算得到下一时刻的IMU位置预测数据。同理，对IMU角速度数据进行积分，可以得到IMU姿态变化量，进而根据上一时刻的GNSS航向数据，能够计算得到下一时刻的IMU姿态预测数据。
对数据集进行正向滤波，是按照第一顺序对数据集中的数据进行滤波处理，即按照时间顺序对数据集进行滤波处理，包括对数据集进行正向卡尔曼滤波，即按照时间顺序对数据集进行卡尔曼滤波处理，以得到每个时刻的第一IMU误差数据。获取IMU预测数据与第一IMU误差数据之间的差值，即通过IMU预测数据减去第一IMU误差数据，可得到第一IMU估计数据。进而将每一时刻的IMU预测数据减去对应时刻的第一IMU误差数据，可以得到每一时刻的第一IMU估计数据。
其中，根据GNSS位置数据和IMU-GNSS外参，能够得到IMU-GNSS位置观测数据，根据GNSS航向数据和IMU-GNSS外参，得到IMU航向观测数据，根据里程计速度数据和IMU-里程计外参，得到IMU速度观测数据；
其中，正向卡尔曼滤波中误差协方差矩阵的初始值为第一预设值，通过卡尔曼滤波迭代地对IMU预测数据和IMU位置观测数据进行最优估计，得到每一时刻的IMU位置误差，或者，通过卡尔曼滤波迭代地对IMU预测数据和IMU-GNSS位置观测数据进行最优估计，得到每一时刻的IMU位置误差；同样的，通过卡尔曼滤波迭代地对IMU预测数据和IMU姿态观测数据进行最优估计，得到每一时刻的IMU姿态误差；通过卡尔曼滤波迭代地对IMU预测数据和IMU速度观测数据进行最优估计，得到每一时刻的IMU速度误差；通过卡尔曼滤波迭代地对IMU预测数据和IMU航向观测数据进行最优估计，得到每一时刻的IMU加速度零偏和IMU角速度零偏，从而得到每一时刻的第一IMU误差数据。即第一IMU误差数据包括IMU姿态误差、IMU速度误差、IMU位置误差、IMU角速度零偏及IMU加速度零偏。
例如，在卡尔曼滤波算法中输入IMU位置观测数据与IMU预测数据的差值，通过卡尔曼滤波算法进行迭代估计，误差协方差矩阵的初始值为第一预设值，直至误差协方差矩阵的值达到预设范围，表示结果满足预设要求，输出得到IMU位置误差。同理，可以计算得到IMU姿态误差、IMU速度误差、IMU角速度零偏及IMU加速度零偏，以得到第一IMU误差数据。
例如，第一预设值包括姿态预设值、速度预设值、位置预设值、角速度预设值及加速度预设值，其中姿态预设值可以为π/18弧度每秒、速度预设值可以为1米每秒、位置预设值可以为1米、角速度预设值可以为0.005弧度每秒、加速度预设值可以为0.003米每二次方秒，将IMU位置观测数据与IMU预测数据的差值以及第一预设值输入卡尔曼滤波算法中进行迭代估计，以实现正向滤波，进而得到IMU姿态误差、IMU速度误差、IMU位置误差、IMU角速度零偏及IMU加速度零偏。
误差协方差矩阵用于表征第一IMU误差数据的不确定度，误差协方差矩阵的值越小，表示第一IMU误差数据越稳定。通过IMU预测数据减去第一IMU误差数据，得到第一IMU估计数据。
对数据集进行反向滤波，包括：对数据集进行反向卡尔曼滤波，以得到每个时刻的第二IMU误差数据，其中反向卡尔曼滤波中误差协方差矩阵的初始值为第二预设值；获取IMU预测数据与第二IMU误差数据的差值，以作为第二IMU估计数据。
对数据集进行反向滤波，是按照第二顺序对数据集进行滤波处理，即按照时间逆序对数据集进行滤波处理，包括对数据集进行反向卡尔曼滤波，即按照时间逆序对数据集进行卡尔曼滤波处理，以得到每一时刻的第二IMU误差数据。获取IMU预测数据与第二IMU误差数据之间的差值，即通过IMU预测数据减去第二IMU误差数据，可得到第二IMU估计数据。进而将每一时刻的IMU预测数据减去对应时刻的第二IMU误差数据，可以得到每一时刻的第二IMU估计数据。
其中，反向卡尔曼滤波中误差协方差矩阵的初始值为第二预设值，通过卡尔曼滤波迭代地对IMU预测数据和IMU位置观测数据进行最优估计，得到每一时刻的IMU位置误差；同样的，还可以得到每一时刻的IMU姿态误差、IMU速度误差、IMU加速度零偏和IMU角速度零偏，从而得到每一时刻的第二IMU估计数据。
例如，在卡尔曼滤波算法中输入IMU位置观测数据与IMU预测数据的差值，通过卡尔曼滤波算法进行迭代估计，误差协方差矩阵的初始值为第二预设值，直至误差协方差矩阵的值达到预设范围，表示结果满足预设要求，输出得到IMU位置误差。同理，可以计算得到IMU姿态误差、IMU速度误差、IMU角速度零偏及IMU加速度零偏，以得到第一IMU误差数据。
例如，第二预设值可以与第一预设值设置相同，即第二预设值包括姿态预设值、速度预设值、位置预设值、角速度预设值及加速度预设值，其中姿态预设值可以为π/18弧度每秒、速度预设值可以为1米每秒、位置预设值可以为1米、角速度预设值可以为0.005弧度每秒、加速度预设值可以为0.003米每二次方秒，将IMU位置观测数据与IMU预测数据的差值以及第二预设值输入卡尔曼滤波算法中进行迭代估计，以实现反向滤波，进而得到IMU姿态误差、IMU速度误差、IMU位置误差、IMU角速度零偏及IMU加速度零偏。
误差协方差矩阵用于表征第二IMU误差数据的不确定度，误差协方差矩阵的值越小，表示第二IMU误差数据越稳定。通过IMU预测数据减去第二IMU误差数据，得到第二IMU估计数据。
对数据集进行正向卡尔曼滤波处理，能够得到每一时刻的第一IMU估计数据，对数据集进行反向卡尔曼滤波处理，能够得到每一时刻的第二IMU估计数据。进一步的，对预设时间段内的每一时刻对应的第一IMU估计数据和第二IMU估计数据进行加权融合处理，从而得到预设时间段内的多个时刻对应的IMU位姿数据。
在本申请一实施例中，加权融合的公式如下：
Figure 861045DEST_PATH_IMAGE001
其中，X为IMU位姿数据，X1为第一IMU估计数据，X2为第二IMU估计数据，P1为第一IMU估计数据对应的误差协方差矩阵值，P2为第二IMU估计数据对应的误差协方差矩阵值。
可以理解的，通过对数据集进行正向卡尔曼滤波处理，得到第一IMU估计数据X1，对数据集进行反向卡尔曼滤波，得到第二IMU估计数据X2，进而对第一IMU估计数据X1和第二IMU估计数据X2进行加权融合处理，得到IMU位姿数据X。其中，P1为第一IMU估计数据对应的误差协方差矩阵值，表征第一IMU估计数据X1的不确定度，P1的值越小，表示第一IMU估计数据X1越稳定；P2为第二IMU估计数据对应的误差协方差矩阵值，表征第二IMU估计数据X2的不确定度，P2的值越小，表示第二IMU估计数据X2越稳定。
在本申请一实施例中，根据预设时间段内的IMU位姿数据，对预设时间段内的点云数据进行补偿，包括：对预设时间段内的IMU位姿数据进行插值，以插值出与预设时刻的点云数据对应的预设时刻的IMU位姿数据；获取预设时刻的IMU位姿数据到当前时刻的IMU位姿数据之间的变化量；对预设时刻的点云数据以及变化量进行处理，以得到补偿后的当前时刻的点云数据。
可以理解的，由于IMU传感器与雷达传感器的采集数据的频率或其他性能的差异，导致IMU传感器与雷达传感器在预设时间段内的采集时刻点并不一一对应，使得双向滤波得到的IMU位姿数据的时刻点与雷达点云数据的时刻点并非是一一对应的。因此，通过对预设时间段内各个时刻点的IMU位姿数据进行插值，能够插值得到预设时刻的雷达点云数据对应的预设时刻的IMU位姿数据，从而能够得到预设时间段内每一时刻的雷达点云数据对应的IMU位姿数据。获取预设时刻的IMU位姿数据与当前时刻的IMU位姿数据之间的变化量，并对预设时刻的雷达点云数据及变化量进行处理，能够得到补偿后的当前时刻的雷达点云数据，以实现消除雷达点云数据的畸变，提高精度。
为方便理解，采用数字表示雷达点云数据和IMU位姿数据进行示例说明，并非限定雷达点云数据和IMU位姿数据。假设t0时刻的雷达点云数据为1、t1时刻的雷达点云数据为2、t2时刻的雷达点云数据为3、t3时刻的雷达点云数据为4，假设t0时刻的IMU位姿数据为0、t2时刻的IMU位姿数据为1、t4时刻的IMU位姿数据为2。明显的，缺少与t1时刻和t3时刻的雷达点云数据对应的IMU位姿数据，通过对IMU位姿数据进行插值，根据相邻两个时刻的IMU位姿数据得到目标时刻的IMU位姿数据。即，根据t0时刻的IMU位姿数据0和t2时刻的IMU位姿数据1能够插值计算得到t1时刻的IMU位姿数据为0.5，根据t2时刻的IMU位姿数据1和t4时刻的IMU位姿数据2能够插值计算得到t3时刻的IMU位姿数据为1.5，以得到每一时刻的雷达点云数据对应该时刻的IMU位姿数据，以计算得到预设时刻的IMU位姿数据与当前时刻的IMU位姿数据之间的变化量，从而计算得到补偿后的当前时刻的雷达点云数据。
在本申请一实施例中，补偿的公式如下：
Figure 244621DEST_PATH_IMAGE002
其中，T1为雷达点云数据补偿后的位置，R为姿态旋转量，T0为雷达点云数据补偿前的位置，T为位置平移量。
可以理解的，预设时刻的IMU位姿数据与当前时刻的IMU位姿数据之间的变化量包括姿态旋转量R和位置平移量T。
假设预设时间段为上一时刻k-1到当前时刻k，根据插值得到上一时刻k-1到当前时刻k之间的每一时刻雷达点云数据对应时刻的IMU位姿数据，预设时刻为t1，k-1<t1<k，雷达点云数据在t1时刻的位置为T0，根据t1时刻IMU位姿数据与k时刻IMU位姿数据之间的变化量可以得到姿态旋转量R和位置平移量T，从而能够得到补偿后的当前时刻k的雷达点云数据的位置T1，以将上一时刻k-1至当前时刻k之间的时刻对应的雷达点云数据均补偿至当前时刻，实现消除雷达点云数据的畸变。
请参阅图3，图3是本申请车载设备一实施例的结构示意图，车载设备100包括处理器101以及与所述处理器耦接的存储器102，所述存储器102用于存储计算机程序，所述处理器101用于执行所述计算机程序，以实现上述实施例中的点云地图的生成方法。
请参阅图4，图4是本申请非易失性计算机可读存储介质一实施例的结构示意图，计算机可读存储介质200用于存储计算机程序201，所述计算机程序201在被处理器101执行时，用于实现上述实施例中的点云地图的生成方法。
计算机可读存储介质200可以是服务端、U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
在本申请所提供的几个实施方式中，应该理解到，所揭露的方法以及设备，可以通过其它的方式实现。例如，以上所描述的设备实施方式仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
另外，在本申请各个实施方式中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
以上所述仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (7)

1.一种点云地图的生成方法，其特征在于，包括：
获取预设时间段内的数据集，所述数据集包括IMU位置观测数据和IMU姿态观测数据；其中，对补偿后的激光雷达点云数据进行匹配，以得到雷达位置数据和雷达姿态数据；依据所述雷达位置数据和雷达姿态数据以及IMU-Lidar外参数，以得到所述IMU位置观测数据和所述IMU姿态观测数据；
对所述数据集进行双向滤波，以得到所述预设时间段内的IMU位姿数据，其中所述预设时间段包括上一时刻到当前时刻之间的时间；
对所述预设时间段内的IMU位姿数据进行插值，以插值出与预设时刻的点云数据对应的所述预设时刻的IMU位姿数据；
获取所述预设时刻的IMU位姿数据到所述当前时刻的IMU位姿数据之间的变化量；
对所述预设时刻的点云数据以及所述变化量进行处理，以得到补偿后的当前时刻的点云数据；所述补偿的公式如下：
Figure 137565DEST_PATH_IMAGE001
其中，T1为点云数据补偿后的位置，R为姿态旋转量，T0为点云数据初始位置，T为位置平移量；
对所述补偿后的当前时刻的点云数据和所述当前时刻的IMU位姿数据进行处理，以得到所述当前时刻的点云观测数据，根据所述点云观测数据生成所述点云地图。
2.根据权利要求1所述的生成方法，其特征在于，所述数据集还包括IMU加速度数据、IMU角速度数据、GNSS位置数据、GNSS航向数据及里程计速度数据，所述数据集中的数据以第一顺序排序，所述第一顺序为时间顺序；
对所述数据集进行双向滤波，以得到预设时间段内的IMU位姿数据，包括：
对所述数据集进行正向滤波，以得到多个时刻的第一IMU估计数据，其中，所述正向滤波表示以所述第一顺序进行滤波；
对所述数据集进行反向滤波，以得到多个时刻的第二IMU估计数据，其中，所述反向滤波以第二顺序进行滤波，所述第二顺序与所述第一顺序相反；
对所述多个时刻的第一IMU估计数据和所述多个时刻的第二IMU估计数据进行处理，以得到每个时刻的IMU位姿数据，从而得到预设时间段内的IMU位姿数据。
3.根据权利要求2所述的生成方法，其特征在于，所述多个时刻的第一IMU估计数据包括第一时刻的第一IMU估计数据，所述多个时刻的第二IMU估计数据包括所述第一时刻的第二IMU估计数据；
对所述多个时刻的第一IMU估计数据和所述多个时刻的第二IMU估计数据进行处理，包括：
将所述第一时刻的第一IMU估计数据与所述第一时刻的第二IMU估计数据进行加权融合，以得到所述第一时刻的IMU位姿数据。
4.根据权利要求3所述的生成方法，其特征在于，根据所述IMU加速度数据、所述IMU角速度数据、所述GNSS位置数据、所述GNSS航向数据及所述里程计速度数据，得到IMU预测数据；
对所述数据集进行正向滤波，包括：
对所述数据集进行正向卡尔曼滤波，以得到每个时刻的第一IMU误差数据，其中所述正向卡尔曼滤波中误差协方差矩阵的初始值为第一预设值；
获取所述IMU预测数据与所述第一IMU误差数据的差值，以作为每个时刻的所述第一IMU估计数据；
对所述数据集进行反向滤波，包括：
对所述数据集进行反向卡尔曼滤波，以得到每个时刻的第二IMU误差数据，其中所述反向卡尔曼滤波中误差协方差矩阵的初始值为第二预设值；
获取所述IMU预测数据与所述第二IMU误差数据的差值，以作为所述第二IMU估计数据。
5.根据权利要求4所述的生成方法，其特征在于，所述加权融合的公式如下：
Figure 323827DEST_PATH_IMAGE002
其中，X为第一时刻的IMU位姿数据，X1为第一IMU估计数据，X2为第二IMU估计数据，P1为第一预设值，P2为第二预设值。
6.一种车载设备，其特征在于，包括处理器以及与所述处理器耦接的存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，以实现如权利要求1-5任一项所述的点云地图的生成方法。
7.一种非易失性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用于存储计算机程序，所述计算机程序在被处理器执行时，用于实现如权利要求1-5任一项所述的点云地图的生成方法。
CN202210829159.9A 2022-07-15 2022-07-15 点云地图的生成方法、设备及相关存储介质 Active CN114897942B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210829159.9A CN114897942B (zh) 2022-07-15 2022-07-15 点云地图的生成方法、设备及相关存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210829159.9A CN114897942B (zh) 2022-07-15 2022-07-15 点云地图的生成方法、设备及相关存储介质

Publications (2)

Publication Number Publication Date
CN114897942A CN114897942A (zh) 2022-08-12
CN114897942B true CN114897942B (zh) 2022-10-28

Family

ID=82729745

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210829159.9A Active CN114897942B (zh) 2022-07-15 2022-07-15 点云地图的生成方法、设备及相关存储介质

Country Status (1)

Country Link
CN (1) CN114897942B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116862985B (zh) * 2023-09-01 2023-11-10 江苏中安建设集团有限公司 一种土地高精度定位电子信息化监测方法

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105806338A (zh) * 2016-03-17 2016-07-27 孙红星 基于三向卡尔曼滤波平滑器的gnss/ins组合定位定向算法
CN111207774A (zh) * 2020-01-17 2020-05-29 山东大学 一种用于激光-imu外参标定的方法及系统
CN111830547A (zh) * 2020-06-19 2020-10-27 深圳大学 一种基于多源传感器融合的桥梁无人机检测方法及系统
CN112268559A (zh) * 2020-10-22 2021-01-26 中国人民解放军战略支援部队信息工程大学 复杂环境下融合slam技术的移动测量方法
CN112347840A (zh) * 2020-08-25 2021-02-09 天津大学 视觉传感器激光雷达融合无人机定位与建图装置和方法
CN113391300A (zh) * 2021-05-21 2021-09-14 中国矿业大学 一种基于imu的激光雷达三维点云实时运动补偿方法
CN113744337A (zh) * 2021-09-07 2021-12-03 江苏科技大学 一种融合视觉、imu与声纳的同步定位与建图方法
CN113819905A (zh) * 2020-06-19 2021-12-21 北京图森未来科技有限公司 一种基于多传感器融合的里程计方法及装置
CN113960622A (zh) * 2021-10-26 2022-01-21 北京理工大学 融合激光雷达及imu传感器信息的实时定位方法及装置
CN113959437A (zh) * 2021-10-14 2022-01-21 重庆数字城市科技有限公司 一种用于移动测量设备的测量方法及系统
CN114001730A (zh) * 2021-09-24 2022-02-01 深圳元戎启行科技有限公司 融合定位方法、装置、计算机设备和存储介质
CN114063131A (zh) * 2021-11-15 2022-02-18 上海共迹科技有限公司 一种gnss/ins/轮速组合定位实时平滑的方法
CN114199240A (zh) * 2022-02-18 2022-03-18 武汉理工大学 无gps信号下二维码、激光雷达与imu融合定位系统及方法
CN114636993A (zh) * 2020-12-16 2022-06-17 华为技术有限公司 一种激光雷达与imu的外参标定方法、装置及设备

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10012504B2 (en) * 2014-06-19 2018-07-03 Regents Of The University Of Minnesota Efficient vision-aided inertial navigation using a rolling-shutter camera with inaccurate timestamps
EP3078935A1 (en) * 2015-04-10 2016-10-12 The European Atomic Energy Community (EURATOM), represented by the European Commission Method and device for real-time mapping and localization
US10444761B2 (en) * 2017-06-14 2019-10-15 Trifo, Inc. Monocular modes for autonomous platform guidance systems with auxiliary sensors
US11428537B2 (en) * 2019-03-28 2022-08-30 Nexar, Ltd. Localization and mapping methods using vast imagery and sensory data collected from land and air vehicles
US11487022B2 (en) * 2019-12-06 2022-11-01 Black Sesame Technologies Inc. 3D point cloud map alignment with open street map for outdoor 6D localization on mobile platforms
US11852751B2 (en) * 2020-03-02 2023-12-26 Beijing Baidu Netcom Science And Technology Co., Ltd. Method, apparatus, computing device and computer-readable storage medium for positioning
CN111551958B (zh) * 2020-04-28 2022-04-01 北京踏歌智行科技有限公司 一种面向矿区无人驾驶的高精地图制作方法
CN111829514B (zh) * 2020-06-29 2023-08-18 燕山大学 一种适用于车辆底盘集成控制的路面工况预瞄方法
CN114119744B (zh) * 2021-11-08 2024-05-14 国汽(北京)智能网联汽车研究院有限公司 一种构建点云地图的方法、装置、设备及存储介质
CN114280625A (zh) * 2021-11-29 2022-04-05 煤炭科学研究总院 基于无人机的三维激光雷达井下地图构建方法及装置

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105806338A (zh) * 2016-03-17 2016-07-27 孙红星 基于三向卡尔曼滤波平滑器的gnss/ins组合定位定向算法
CN111207774A (zh) * 2020-01-17 2020-05-29 山东大学 一种用于激光-imu外参标定的方法及系统
CN111830547A (zh) * 2020-06-19 2020-10-27 深圳大学 一种基于多源传感器融合的桥梁无人机检测方法及系统
CN113819905A (zh) * 2020-06-19 2021-12-21 北京图森未来科技有限公司 一种基于多传感器融合的里程计方法及装置
CN112347840A (zh) * 2020-08-25 2021-02-09 天津大学 视觉传感器激光雷达融合无人机定位与建图装置和方法
CN112268559A (zh) * 2020-10-22 2021-01-26 中国人民解放军战略支援部队信息工程大学 复杂环境下融合slam技术的移动测量方法
CN114636993A (zh) * 2020-12-16 2022-06-17 华为技术有限公司 一种激光雷达与imu的外参标定方法、装置及设备
WO2022127532A1 (zh) * 2020-12-16 2022-06-23 华为技术有限公司 一种激光雷达与imu的外参标定方法、装置及设备
CN113391300A (zh) * 2021-05-21 2021-09-14 中国矿业大学 一种基于imu的激光雷达三维点云实时运动补偿方法
CN113744337A (zh) * 2021-09-07 2021-12-03 江苏科技大学 一种融合视觉、imu与声纳的同步定位与建图方法
CN114001730A (zh) * 2021-09-24 2022-02-01 深圳元戎启行科技有限公司 融合定位方法、装置、计算机设备和存储介质
CN113959437A (zh) * 2021-10-14 2022-01-21 重庆数字城市科技有限公司 一种用于移动测量设备的测量方法及系统
CN113960622A (zh) * 2021-10-26 2022-01-21 北京理工大学 融合激光雷达及imu传感器信息的实时定位方法及装置
CN114063131A (zh) * 2021-11-15 2022-02-18 上海共迹科技有限公司 一种gnss/ins/轮速组合定位实时平滑的方法
CN114199240A (zh) * 2022-02-18 2022-03-18 武汉理工大学 无gps信号下二维码、激光雷达与imu融合定位系统及方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Point cloud map creation based on laser and IMU information fusion;YiBing Zhao等;《IEEE》;20220104;1-6 *
双向滤波平滑在 GNSS/INS 组合导航中的应用;郝万亮等;《第四届中国卫星导航学术年会论文集-S9 组合导航与导航新方法》;20130515;66-69 *
惯性/卫星组合导航数据后处理算法研究;魏帅等;《计算机仿真》;20161115(第11期);58-62 *

Also Published As

Publication number Publication date
CN114897942A (zh) 2022-08-12

Similar Documents

Publication Publication Date Title
CN109059906B (zh) 车辆定位方法、装置、电子设备、存储介质
Georgy et al. Modeling the stochastic drift of a MEMS-based gyroscope in gyro/odometer/GPS integrated navigation
US8452536B2 (en) Method of definition of a navigation system
CN113252033B (zh) 基于多传感器融合的定位方法、定位系统及机器人
WO2004063669A2 (en) Attitude change kalman filter measurement apparatus and method
CN111982106A (zh) 导航方法、装置、存储介质及电子装置
US8560280B2 (en) Method for calculating a navigation phase in a navigation system involving terrain correlation
CN109507706B (zh) 一种gps信号丢失的预测定位方法
CN114264301B (zh) 车载多传感器融合定位方法、装置、芯片及终端
CN112146655A (zh) 一种BeiDou/SINS紧组合导航系统弹性模型设计方法
WO2023226155A1 (zh) 多源数据融合定位方法、装置、设备及计算机存储介质
CN114897942B (zh) 点云地图的生成方法、设备及相关存储介质
CN114061570A (zh) 车辆定位方法、装置、计算机设备和存储介质
Chu et al. Performance comparison of tight and loose INS-Camera integration
CN116678406B (zh) 组合导航姿态信息确定方法、装置、终端设备及存储介质
CN111982126A (zh) 一种全源BeiDou/SINS弹性状态观测器模型设计方法
CN114397480B (zh) 声学多普勒测速仪误差估计方法、装置及系统
CN111473786A (zh) 一种基于局部反馈的两层分布式多传感器组合导航滤波方法
CN111811500A (zh) 目标对象的位姿估计方法、装置、存储介质和电子设备
CN117308925B (zh) 一种频谱地图惯导组合的导航方法、装置、设备和介质
CN114608564B (zh) 一种基于夜间月光偏振-星光信息融合的组合定位方法
CN117292118B (zh) 雷达引导光电跟踪坐标补偿方法、装置、电子设备及介质
CN111811512B (zh) 基于联邦平滑的mpos离线组合估计方法和装置
CN116539029B (zh) 一种水下动基座的基座定位方法、装置、存储介质及设备
CN114910067A (zh) 定位信息处理方法、装置以及计算机可读存储介质

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