CN114935764A - 一种结合语义分割的单目移动机器人路径规划的方法 - Google Patents
一种结合语义分割的单目移动机器人路径规划的方法 Download PDFInfo
- Publication number
- CN114935764A CN114935764A CN202210541546.2A CN202210541546A CN114935764A CN 114935764 A CN114935764 A CN 114935764A CN 202210541546 A CN202210541546 A CN 202210541546A CN 114935764 A CN114935764 A CN 114935764A
- Authority
- CN
- China
- Prior art keywords
- path
- obstacle
- semantic segmentation
- points
- mobile robot
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/57—Mechanical or electrical details of cameras or camera modules specially adapted for being embedded in other devices
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Remote Sensing (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Multimedia (AREA)
- Biophysics (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种结合语义分割的单目移动机器人路径规划的方法,涉及移动机器人领域,所述方法包括训练阶段和部署阶段,在训练阶段基于二维激光雷达和单目相机,自动标注语义分割网络的训练数据,在图像中将环境划分为可行驶区域和不可行驶区域;在部署阶段,通过所述语义分割网络获得关键障碍点的位置,将所述关键障碍点变换到世界坐标系下,并利用距离信息建立概率占用栅格地图。所述方法将有效障碍点转换为约束变量进行规划路径的优化,在移动机器人上部署后基于视觉、可靠性好、实施成本低,能取得良好的避障效果。
Description
技术领域
本发明涉及移动机器人领域,尤其涉及一种结合语义分割的单目移动机器人路径规划的方法。
背景技术
目前,移动机器人的感知和避障主要依赖激光雷达传感器,但激光雷达成本过高,极大地限制了机器人的应用。而基于单目视觉的感知和规划方法被认为是以低成本实现机器人导航的可行解决方案。
机器人导航需要确定可行驶的区域,已有许多工作从图像中分割出可行驶区域,但大多需要对障碍物和环境结构进行复杂的显式建模分析。而基于单目视觉的语义分割方法可以直接获得可行驶区域。语义分割技术从每个像素获得语义信息,常见的的语义分割方法有FCN、R-CNN等。但存在分割噪声大、效果不够准确的问题,并且通常需要大量的手工数据标注。
路径规划的要求包括避开障碍物、平滑性、路径尽量短、满足机器人的动力学特性等。大致可分为基于搜索、采样、插值、优化的四类方法。其中基于优化的方法能够输出连续平滑的路径,鲁棒性较好。但优化的约束需要从上游的感知模块获取建立,从视觉传感器建立约束的方法较为复杂,尤其是非凸障碍环境下难以直接建立优化约束。
发明内容
鉴于现有技术的上述缺陷,本发明的目的是提供一种基于低成本单目摄像头进行障碍信息感知和避障的方法,通过语义分割网络获得障碍物位置信息,通过优化的方式规划路径。
为实现上述目的,本发明提供了一种结合语义分割的单目移动机器人路径规划的方法,其特征在于,所述方法包括训练阶段和部署阶段,在训练阶段基于二维激光雷达和单目相机,自动标注语义分割网络的训练数据,在图像中将环境划分为可行驶区域和不可行驶区域;在部署阶段,通过所述语义分割网络获得关键障碍点的位置,将所述关键障碍点变换到世界坐标系下,并利用距离信息建立概率占用栅格地图。
进一步地,所述方法包括以下步骤:
步骤A:所述语义分割网络训练,移动机器人利用二维激光雷达和单目相机,采集同步的点云与图像数据,根据坐标变换关系自动标注所述可行驶区域和所述不可行驶区域,利用标签数据训练语义分割网络;
步骤B:障碍点信息获取,移动机器人仅使用单目相机,利用所述语义分割网络分割相机图像,基于单孔相机模型和高度约束将所述可行驶区域边界的障碍点映射到机器人坐标系下,得到障碍相对机器人的空间坐标;
步骤C:路径规划,移动机器人根据障碍坐标确定优化变量的约束,基于二次优化的方式规划求解最优路径。
进一步地,所述步骤A中,移动机器人配备有二维激光雷达传感器和单目摄像头,激光雷达在采集数据前进行水平校准,在环境中,机器人基于一定的策略运动,采集时间对齐后的图像数据和激光点云数据;
对相机进行标定,并通过畸变校正消除图像中的径向畸变和切向畸变,利用激光点云数据获得障碍点相对机器人的坐标,并基于激光雷达位姿计算障碍和地面交接处的坐标,基于针孔相机模型,可利用变换公式得到图像坐标系下的障碍点坐标;
将映射到图像坐标系下的障碍点像素,以及该点同一列上方所有的像素点标注为所述不可行驶区域,由于激光传感器和图像分辨率之间的差异,在图像上标注的点可能不连续,因此逐列扫描,利用模式匹配判断某列是否为障碍间隔列,并利用多项式插值补全至连续。
进一步地,所述步骤A中,模型采用经典的语义分割网络,采用自动标注好的数据进行训练,训练后的网络能够在纯基于单目相机的条件下,将空间中所述可行驶区域边界的像素点分割出来,作为障碍信息供之后的路径规划使用。
进一步地,所述步骤B中,移动机器人配备单目相机,去除二维激光雷达传感器,利用语义分割网络分割单目相机的图像,得到所述可行驶区域和所述不可行驶区域交界处的障碍点像素,将障碍点映射到机器人空间坐标系下。
进一步地,所述步骤B中,定位模块得到机器人自身位姿的估计,根据机器人当前位姿和障碍点相对机器人的空间坐标,将障碍点转换为世界坐标系下的空间坐标。
进一步地,所述步骤B中,针对语义分割得到的障碍点可能存在的噪声和不准确问题,维护一个离散化的全局概率占用栅格地图,每次得到障碍点位置数据即更新概率值,更新增量大小和距离有关,设置为和距离成反比,当概率占用超过一定阈值后认为语义分割得到的障碍点是有效的。
进一步地,所述步骤C中,生成全局规划路径,对路径点平滑后作为参考线,后续的路径优化在Frenet坐标系下进行。
进一步地,所述步骤C中,为建立与求解优化问题,需确定上下约束的边界,提出一种路径搜索的方法首先得到一条粗糙路径,再判断某障碍点是作为约束上界还是约束下界,转化为凸优化问题,路径的代价函数考虑平滑性、危险性和贴近参考线,从每个粗糙路径点开始向上下分别膨胀搜索,得到上下约束。
进一步地,所述步骤C中,在此基础上进行路径规划,设置合适的权重以满足对贴近参考线和路径平滑性的要求,迭代数值求解优化问题,得到规划路径,最后将路径转换至世界坐标系下,规划的路径将提供给控制模块,进行轨迹追踪。
本发明具有如下有益效果:
(1)所述方法将有效障碍点转换为约束变量进行规划路径的优化;
(2)所述方法在移动机器人上部署后基于视觉、可靠性好、实施成本低,能取得良好的避障效果。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明,以充分地了解本发明的目的、特征和效果。
附图说明
图1是本发明的一个较佳实施例的。
具体实施方式
以下参考说明书附图介绍本发明的多个优选实施例,使其技术内容更加清楚和便于理解,本发明可以通过许多不同形式的实施例来得以体现,本发明的保护范围并非仅限于文中提到的实施例。
在附图中,结构相同的部件以相同数字标号表示,各处结构或功能相似的组件以相似数字标号表示,附图所示的每一组件的尺寸和厚度是任意示出的,本发明并没有限定每个组件的尺寸和厚度,为了使图示更清晰,附图中有些地方适当夸大了部件的厚度。
如附图1所示,一种结合语义分割实现移动机器人路径规划的方法,包括:
采用该方法的移动机器人系统包括分割模块、规划模块、定位模块、控制模块。
分割模块从单目相机获得图像,基于语义分割网络分割可行驶区域和不可行驶区域,并得到障碍点像素,传递到规划模块。规划模块根据传感器位姿和自身定位信息将障碍点从图像坐标变换到世界坐标系下,并建立离散化的全局概率占用栅格地图,确定有效障碍点,传递给路径优化器。路径优化器求解最优路径,传递给控制模块进行路径追踪。
在语义分割网络训练阶段,移动机器人配备有二维激光雷达传感器和单目摄像头。激光雷达在采集数据前进行水平校准。在环境中,机器人例如按照预设轨迹运动或由人工进行控制,采集时间对齐后的图像数据和激光点云数据。
利用激光点云数据获得障碍点相对机器人的坐标,并基于激光雷达位姿计算障碍和地面交接处的坐标。基于针孔相机模型,可利用变换公式:
其中(u,v)为障碍点像素坐标,(R,C)为单目摄像头标定的外参,K(Cx,Cy,fx,fy)为内参矩阵,P为障碍点相对机器人的空间坐标。
得到图像坐标系下的障碍点坐标像素。将该点同一列上方所有的像素点标注为不可行驶区域。
在图像上标注的点可能不连续。因此逐列扫描,利用模式匹配判断某列是否为障碍间隔列。记该列有障碍为0,没有障碍为l。以四列扫描为例,若滑动窗口扫描的四列模式为1101,1011。则将没有障碍列多项式插值补全。
模型采用经典的语义分割网络,可重点考虑网络的轻量性和分割精度效果。以Segnet网络为例,训练后的网络能够在纯基于单目相机的条件下,将空间中可行驶区域的像素点分割出来。
部署使用时,利用语义分割网络分割单目相机的图像。逐列从下向上扫描,可行驶和不可行驶区域交界处的像素即为障碍点。障碍点的理想位置为地面与障碍物或墙面的交界,其在世界坐标系下的高度为0。满足平面方程约束。当相机位姿接近水平时,约束可简化,方便求解。求解将障碍点变换到机器人坐标系下,得到障碍相对机器人的空间坐标。
定位模块得到机器人自身位姿的可靠估计,根据机器人当前位姿和障碍点相对机器人的空间坐标,将障碍点转换为世界坐标系下的空间坐标。
维护一个离散化的全局概率占用栅格地图。针对过去连续10张采集图像。更新概率值,更新增量大小和距离有关,设置为和距离成反比。公式如下,
其中p(s=1)为栅格点是可行驶状态的概率,用p(s=0)表示是不可行驶状态的概率。Odd(s)为两者的比值,K1,K2为比例系数,dis为点到机器人的距离。当概率占用超过一定阈值后认为语义分割得到的障碍点是有效的。
路径规划环节,给定目标点在世界坐标系下的空间坐标、机器人初始位置和先验地图(分辨率可以很低,在室外环境如草地非必需),首先利用A星算法,生成全局规划路径。对该路径点采用均值滤波进行平滑,并根据平滑后路径点生成三次样条曲线作为参考线。后续的路径优化在Frenet坐标系下进行。
使用路径搜索的方法首先得到一条粗糙路径,判断某障碍点是作为约束上界还是约束下界。路径的代价函数选择该点到参考线距离、到障碍点的最小距离的相反数、到前一个搜索点的距离的加权和。从每个粗糙路径点开始向上下分别膨胀搜索,当某点与所有障碍点的最小距离小于一定阈值时,认为此点为该边界约束点,得到上下约束。
路径规划的优化变量为每个离散点的横向偏移,相对s轴的一阶和二阶导数,设置约束使三阶导数为常数。目标函数选择各点、一阶、二阶、三阶导数的加权平方和。设置合适的权重以满足对贴近参考线和路径平滑性的要求。优化问题建立后,利用osqp库进行迭代数值求解,求解结果即为规划路径。最后将路径转换至世界坐标系下。规划的路径将提供给控制模块,进行轨迹追踪,路径追踪采用PID或MPC控制。不断运行,机器人从起始位置不断靠近目标位置,并规避障碍,最终到达目标位置。
本发明并不限于上述实施方式,在不背离本发明的实质内容的情况下,本领域技术人员可以想到的任何变形、改进、替换均落入本发明的保护范围。
以上详细描述了本发明的较佳具体实施例,应当理解,本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化,因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种结合语义分割的单目移动机器人路径规划的方法,其特征在于,所述方法包括训练阶段和部署阶段,在训练阶段基于二维激光雷达和单目相机,自动标注语义分割网络的训练数据,在图像中将环境划分为可行驶区域和不可行驶区域;在部署阶段,通过所述语义分割网络获得关键障碍点的位置,将所述关键障碍点变换到世界坐标系下,并利用距离信息建立概率占用栅格地图。
2.如权利要求2所述的一种结合语义分割的单目移动机器人路径规划的方法,其特征在于,所述方法包括以下步骤:
步骤A:所述语义分割网络训练,移动机器人利用二维激光雷达和单目相机,采集同步的点云与图像数据,根据坐标变换关系自动标注所述可行驶区域和所述不可行驶区域,利用标签数据训练语义分割网络;
步骤B:障碍点信息获取,移动机器人仅使用单目相机,利用所述语义分割网络分割相机图像,基于单孔相机模型和高度约束将所述可行驶区域边界的障碍点映射到机器人坐标系下,得到障碍相对机器人的空间坐标;
步骤C:路径规划,移动机器人根据障碍坐标确定优化变量的约束,基于二次优化的方式规划求解最优路径。
3.如权利要求2所述的一种结合语义分割的单目移动机器人路径规划的方法,其特征在于,所述步骤A中,移动机器人配备有二维激光雷达传感器和单目摄像头,激光雷达在采集数据前进行水平校准,在环境中,机器人基于一定的策略运动,采集时间对齐后的图像数据和激光点云数据;
对相机进行标定,并通过畸变校正消除图像中的径向畸变和切向畸变,利用激光点云数据获得障碍点相对机器人的坐标,并基于激光雷达位姿计算障碍和地面交接处的坐标,基于针孔相机模型,可利用变换公式得到图像坐标系下的障碍点坐标;
将映射到图像坐标系下的障碍点像素,以及该点同一列上方所有的像素点标注为所述不可行驶区域,由于激光传感器和图像分辨率之间的差异,在图像上标注的点可能不连续,因此逐列扫描,利用模式匹配判断某列是否为障碍间隔列,并利用多项式插值补全至连续。
4.如权利要求3所述的一种结合语义分割的单目移动机器人路径规划的方法,其特征在于,所述步骤A中,模型采用经典的语义分割网络,采用自动标注好的数据进行训练,训练后的网络能够在纯基于单目相机的条件下,将空间中所述可行驶区域边界的像素点分割出来,作为障碍信息供之后的路径规划使用。
5.如权利要求4所述的一种结合语义分割的单目移动机器人路径规划的方法,其特征在于,所述步骤B中,移动机器人配备单目相机,去除二维激光雷达传感器,利用语义分割网络分割单目相机的图像,得到所述可行驶区域和所述不可行驶区域交界处的障碍点像素,将障碍点映射到机器人空间坐标系下。
6.如权利要求5所述的一种结合语义分割的单目移动机器人路径规划的方法,其特征在于,所述步骤B中,定位模块得到机器人自身位姿的估计,根据机器人当前位姿和障碍点相对机器人的空间坐标,将障碍点转换为世界坐标系下的空间坐标。
7.如权利要求6所述的一种结合语义分割的单目移动机器人路径规划的方法,其特征在于,所述步骤B中,针对语义分割得到的障碍点可能存在的噪声和不准确问题,维护一个离散化的全局概率占用栅格地图,每次得到障碍点位置数据即更新概率值,更新增量大小和距离有关,设置为和距离成反比,当概率占用超过一定阈值后认为语义分割得到的障碍点是有效的。
8.如权利要求7所述的一种结合语义分割的单目移动机器人路径规划的方法,其特征在于,所述步骤C中,生成全局规划路径,对路径点平滑后作为参考线,后续的路径优化在Frenet坐标系下进行。
9.如权利要求8所述的一种结合语义分割的单目移动机器人路径规划的方法,其特征在于,所述步骤C中,为建立与求解优化问题,需确定上下约束的边界,提出一种路径搜索的方法首先得到一条粗糙路径,再判断某障碍点是作为约束上界还是约束下界,转化为凸优化问题,路径的代价函数考虑平滑性、危险性和贴近参考线,从每个粗糙路径点开始向上下分别膨胀搜索,得到上下约束。
10.如权利要求9所述的一种结合语义分割的单目移动机器人路径规划的方法,其特征在于,所述步骤C中,在此基础上进行路径规划,设置合适的权重以满足对贴近参考线和路径平滑性的要求,迭代数值求解优化问题,得到规划路径,最后将路径转换至世界坐标系下,规划的路径将提供给控制模块,进行轨迹追踪。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210541546.2A CN114935764A (zh) | 2022-05-17 | 2022-05-17 | 一种结合语义分割的单目移动机器人路径规划的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210541546.2A CN114935764A (zh) | 2022-05-17 | 2022-05-17 | 一种结合语义分割的单目移动机器人路径规划的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114935764A true CN114935764A (zh) | 2022-08-23 |
Family
ID=82863878
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210541546.2A Pending CN114935764A (zh) | 2022-05-17 | 2022-05-17 | 一种结合语义分割的单目移动机器人路径规划的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114935764A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116382351A (zh) * | 2023-06-05 | 2023-07-04 | 四川腾盾科技有限公司 | 一种大型固定翼无人机自主避障方法 |
-
2022
- 2022-05-17 CN CN202210541546.2A patent/CN114935764A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116382351A (zh) * | 2023-06-05 | 2023-07-04 | 四川腾盾科技有限公司 | 一种大型固定翼无人机自主避障方法 |
CN116382351B (zh) * | 2023-06-05 | 2023-08-18 | 四川腾盾科技有限公司 | 一种大型固定翼无人机自主避障方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111563442B (zh) | 基于激光雷达的点云和相机图像数据融合的slam方法及系统 | |
CN112014857B (zh) | 用于智能巡检的三维激光雷达定位导航方法及巡检机器人 | |
CN100494900C (zh) | 适用于自主移动车辆的环境感知的单目视觉导航方法 | |
JP7204326B2 (ja) | 情報処理装置及びその制御方法及びプログラム、並びに、車両の運転支援システム | |
CN113870343B (zh) | 相对位姿标定方法、装置、计算机设备和存储介质 | |
CN106548173A (zh) | 一种基于分级匹配策略的改进无人机三维信息获取方法 | |
CN114419147A (zh) | 一种救援机器人智能化远程人机交互控制方法及系统 | |
Konrad et al. | Localization in digital maps for road course estimation using grid maps | |
Hu et al. | 3D vision technologies for a self-developed structural external crack damage recognition robot | |
CN111862214B (zh) | 计算机设备定位方法、装置、计算机设备和存储介质 | |
CN111161334B (zh) | 一种基于深度学习的语义地图构建方法 | |
CN110764110B (zh) | 路径导航方法、装置及计算机可读存储介质 | |
KR102490521B1 (ko) | 라이다 좌표계와 카메라 좌표계의 벡터 정합을 통한 자동 캘리브레이션 방법 | |
CN114413909A (zh) | 一种室内移动机器人定位方法及系统 | |
CN114935764A (zh) | 一种结合语义分割的单目移动机器人路径规划的方法 | |
CN113343875A (zh) | 一种用于机器人的可行驶区域感知方法 | |
CN116030130A (zh) | 一种动态环境下的混合语义slam方法 | |
CN114792338A (zh) | 基于先验三维激光雷达点云地图的视觉融合定位方法 | |
CN113221883A (zh) | 无人机飞行导航路线实时修正方法 | |
CN116817891A (zh) | 一种实时多模态感知的高精地图构建方法 | |
CN105093222A (zh) | 一种sar影像区域网平差连接点自动提取方法 | |
CN112241002B (zh) | 一种基于Karto SLAM的鲁棒闭环检测新方法 | |
CN111239761B (zh) | 一种用于室内实时建立二维地图的方法 | |
Guo et al. | 3D Lidar SLAM Based on Ground Segmentation and Scan Context Loop Detection | |
CN114742884B (zh) | 一种基于纹理的建图、里程计算、定位方法及系统 |
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 |