CN115014371A - 一种用于智慧粮库粮食转运车的定位与建图方法、装置及存储介质 - Google Patents
一种用于智慧粮库粮食转运车的定位与建图方法、装置及存储介质 Download PDFInfo
- Publication number
- CN115014371A CN115014371A CN202210592416.1A CN202210592416A CN115014371A CN 115014371 A CN115014371 A CN 115014371A CN 202210592416 A CN202210592416 A CN 202210592416A CN 115014371 A CN115014371 A CN 115014371A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- data
- grain
- positioning
- cloud data
- 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
- 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
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
- G01C21/30—Map- or contour-matching
- G01C21/32—Structuring or formatting of map data
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种用于智慧粮库粮食转运车的定位与建图方法包括以下步骤:(1)将两个三维激光雷达安装在智慧粮库粮食转运车上的不同位置,得到两个激光雷达的数据;(2)将两个激光雷达所获取的不同坐标系下的点云数据通过旋转和平移的方式转换到同一坐标系下,即将两个激光雷达的数据进行融合;(3)使粮食转运车走遍粮库,进行定位与建图。采用该方法,大大提高了智能粮库粮食转运车定位与建图的准确度。
Description
技术领域
本发明属于定位与建图方法技术领域,具体涉及一种用于智慧粮库粮食转运车的定位与建图方法、装置及存储介质。
背景技术
随着5G时代的来临,大数据、区块链、人工智能、无人驾驶技术已进入装备制造的各个领域,粮食物流是始终贯穿粮食从生产到消费整个产业链的纽带,加强现代粮食物流研发对提高粮食流通效率,增加国家对粮食市场的应急调控能力具有十分重要的意义。在粮食物流技术中引入5G+互联网技术、集成北斗定位、高精度地图、多传感器信息融合和工业云平台等手段,可以有效提升粮食出入库作业过程中的智能化水平。智慧粮库物流转运中,经过清理中心后的净粮,通过基于5G+无人驾驶技术的智能粮食物流平台车进行转运,转运入仓过程中,物流平台车全程无人化、编队化信息管理,车内粮情及车辆信息与粮库信息云平台直接相关联,实现了现代信息技术与智能物流的真正融合,在这种背景下以智能粮食物流平台粮食转运车为载体进行粮库等的定位与建图的准确度尤为重要。现有技术中有许多建图与定位方法,例如GNSS定位、视觉SLAM和以激光雷达为主的激光SLAM,其中GNSS定位依赖于在轨道的卫星信号,对于粮库而言,其中存在峡谷环境,对于这种环境,由于信号的不稳定和丢失容易定位失效。随着SLAM 技术进入鲁棒时代,以摄像头为主的视觉同步定位与建图方法和以激光雷达为主的激光同步定位与建图方法,在实际应用中得到了迅速发展。对于粮库环境,粮仓多为白色,缺乏纹理性难以提取特征,不适用视觉同步定位与建图方法。
目前无人车上普遍使用一个三维激光雷达,采用lego-SLAM算法进行定位与建图,但是在粮库环境中该种方法定位不够准确,获得的粮库建图有重叠和飘逸的缺陷。
发明内容
本发明解决的技术问题是提供一种用于智慧粮库粮食转运车的定位与建图方法,从而提高智能粮库粮食转运车定位与建图的准确度。
本发明采用的技术方案如下:
本发明公开了一种用于智慧粮库粮食转运车的定位与建图方法包括以下步骤:
(1)将两个三维激光雷达安装在智慧粮库粮食转运车上的不同位置,得到两个激光雷达的数据;
(2)将两个激光雷达所获取的不同坐标系下的点云数据通过旋转和平移的方式转换到同一坐标系下,即将两个激光雷达的数据进行融合;
(3)使粮食转运车走遍粮库,进行定位与建图。
进一步地,步骤(2)的具体方法是将其中一个雷达坐标系通过分别在X轴、 Y轴、Z轴上平移以及分别绕X轴、Y轴、Z轴旋转变换得到另外一个雷达坐标系。
进一步地,步骤(2)所用的算法为NDT算法,包括以下步骤:
(2.1)把目标点云数据分割为大小等同的体素格;
(2.2)计算每个体素格中包含点的中心及协方差矩阵:
式中,n为体素格中点云个数(样本数量),xi为体素格中的一点,m为样本均值,是一个列向量;N为协方差矩阵;xi为第i个样本,也是一个列向量;
(2.3)根据正态分布参数计算每个转换点落在对应体素格中的概率p(x),对点云数据进行正态分布建模N(m,N),可表示为
x服从k元正态分布,记作x~NK(m,N),其中x是一个k维列向量,T代表向量的转置,参数m和N分别为x的均值和协方差矩阵,|N|是协方差矩阵的行列式;
(2.4)将L1点云坐标系通过粗略测量得到的转换矩阵映射到L2点云坐标系中,通过映射点的正态分布概率之和S(p),对两组点云的拟合程度进行评价;
其中x″i是L1点云映射L2坐标系下的坐标,mi是相对应的均值。T(p,x″i) 为L1的转换矩阵;
(2.5)求解最优的变换关系,令f=-S(p),通过牛顿法求解最小目标函数f,不断进行迭代直到收敛。
进一步地,步骤(3)具体包括以下过程:
(3.1)通过3D激光SLAM算法得到实时的一帧一帧的点云数据。将单帧的点云数据累加形成点云图;
(3.2)对得到的点云图进行噪声去除处理;
(3.3)对点云图中深度值过大和过小的点进行过滤;
(3.4)基于深度图,采用地面分割的方式对点云数据进行处理;
(3.5)对点云数据进行特征提取和聚类,划分平面点和边缘点;
(3.6)对这些特征进行配准,同时利用特征数据建立粮库的局部地图;
(3.7)用scan-context的方式进行回环检测。
进一步地,步骤(3.6)中包括以下过程:通过将当前帧的点云数据与局部地图进行扫描匹配从而提升配准精度。
进一步地,扫描匹配过程中用到的算法有scan-to-scan算法和scan-to-map 算法。
进一步地,步骤(3.6)中使用的数据结构为kd-tree树形数据结构。
本发明提供的一种用于智慧粮库粮食转运车的定位与建图装置,包括:
数据接收模块,用于接收两个激光雷达的点云数据;
数据融合模块,用于将两个激光雷达所获取的不同坐标系下的点云数据转换到同一坐标系下;
点云图构建模块,用于根据融合后的点云数据对粮食转运车进行定位与建图。
进一步地,数据融合模块将两个激光雷达所获取的不同坐标系下的点云数据转换到同一坐标系下的方法是将其中一个雷达坐标系通过分别在X轴、Y轴、Z 轴上平移以及分别绕X轴、Y轴、Z轴旋转变换得到另外一个雷达坐标系;点云图构建模块对粮食转运车进行定位与建图的方法包括以下步骤:
a.通过3D激光SLAM算法得到实时的一帧一帧的点云数据。将单帧的点云数据累加形成点云图;
b.对得到的点云图进行噪声去除处理;
c.对点云图中深度值过大和过小的点进行过滤;
d.基于深度图,采用地面分割的方式对点云数据进行处理;
e.对点云数据进行特征提取和聚类,划分平面点和边缘点;
f.对这些特征进行配准,同时利用特征数据建立粮库的局部地图;
g.用scan-context的方式进行回环检测。
本发明提供的一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时使计算机可读存储介质所在设备执行以上所述的方法。
本发明的有益效果如下:
本发明通过将两个激光雷达的数据融合,然后将单帧的点云数据累加形成点云图并对得到的点云图依次进行去噪、过滤、地面分割、特征提取和聚类、配准等处理,最后得到的点云图更加清晰,更接近实际情况,大大提高了智能粮库粮食转运车的定位与建图的准确度。
附图说明
图1为本发明的方法流程图;
图2为左右雷达各自坐标系示意图;
图3为采用本发明方法测得的粮库建图
图4为Lego-LOAM算法测得的粮库建图;
图5为采用Lego-LOAM算法针对小车的起点和终点的高度分析图;
图6为采用本发明方法针对小车的起点和终点的高度分析图;
图7为Lego-LOAM算法和本发明方法测得的小车行驶一圈的轨迹图;
图8为用于智慧粮库粮食转运车的定位与建图装置示意图。
具体实施方式
如图1所示,本发明公开了一种用于智慧粮库粮食转运车的定位与建图方法包括以下步骤:
(1)将两个三维激光雷达安装在智慧粮库粮食转运车上的不同位置,得到两个激光雷达的数据;
(2)将两个激光雷达所获取的不同坐标系下的点云数据通过旋转和平移的方式转换到同一坐标系下,即将两个激光雷达的数据进行融合;
(3)使粮食转运车走遍粮库,进行定位与建图。
步骤(2)的具体方法是将其中一个雷达坐标系通过分别在X轴、Y轴、Z 轴上平移以及分别绕X轴、Y轴、Z轴旋转变换得到另外一个雷达坐标系。假定左激光雷达坐标系为L1:Ox y z,右激光雷达坐标系为L2:O x'y'z',则左右激光雷达各自坐标系表示如图2所示。
双激光雷达数据融合方法的抽象描述为:
L2=RL1+T
式中,R为3×3矩阵,包含3个独立变量α、β、γ,即两坐标系间的相对旋转角,表示两坐标系间的旋转变换;T为3×1矩阵,表示两坐标系间的平移变换,也包含三个相互独立的平移变量。RL 左雷达坐标系L1先分别在X、Y、Z轴上平移Tx、Ty、Tz的距离,然后分别绕X、Y、Z轴旋转α、β、γ的度数,即得到右雷达坐标系L2。绕X、Y、Z轴的旋转变换可表示为
代入变换可以得到激光雷达数据融合方法具体的数学模型:
步骤(2)整个过程所用的算法为NDT算法,包括以下步骤:
(2.1)把目标点云数据分割为大小等同的体素格;
(2.2)计算每个体素格中包含点的中心及协方差矩阵:
式中,n为体素格中点云个数(样本数量),xi为体素格中的一点,m为样本均值,是一个列向量;N为协方差矩阵;xi为第i个样本,也是一个列向量。;
(2.3)根据正态分布参数计算每个转换点落在对应体素格中的概率p(x),对点云数据进行正态分布建模N(m,N),可表示为
x服从k元正态分布,记作x~NK(m,N),其中x是一个k维列向量,T代表向量的转置,参数m和N分别为x的均值和协方差矩阵,|N|是协方差矩阵的行列式;
(2.4)将L1点云坐标系通过粗略测量得到的转换矩阵映射到L2点云坐标系中,通过映射点的正态分布概率之和S(p),对两组点云的拟合程度进行评价;
其中x″i是L1点云映射L2坐标系下的坐标,mi是相对应的均值。T(p,x″i) 为L1的转换矩阵;
(2.5)求解最优的变换关系,令f=-S(p),通过牛顿法求解最小目标函数f,不断进行迭代直到收敛。
步骤(3)具体包括以下过程:
(3.1)通过3D激光SLAM算法得到实时的一帧一帧的点云数据。将单帧的点云数据累加形成点云图;
(3.2)对得到的点云图进行噪声去除处理;
(3.3)对点云图中深度值过大和过小的点进行过滤:把很远的和极其近的去除掉;简单来说本身雷达的探测距离是0-200米,认为180米以外和0.5米以内没有参考性,去除掉;
(3.4)基于深度图,采用地面分割的方式对点云数据进行处理;
(3.5)对点云数据进行特征提取和聚类,划分平面点和边缘点;
(3.6)对这些特征数据进行配准,同时利用特征数据建立粮库的局部地图;
(3.7)用scan-context的方式进行回环检测。
步骤(3.4)中对点云数据进行地面分割的过程中采用RANSAC算法的原理,假设整个数据集中同时包含好的点和不好的点,我们将它们分别称为局内点和局外点;数据的分布可以通过某个数学模型来描述,而局内点就是可以适应该模型的点,局外点是不可以适应该模型的点;随意给定一组点(可能是局内点也有可能是局外点),我们假设这组点都是局内点,它们满足某个数学模型,我们利用这个数学模型去估算其他的点,如果有足够多的点通过计算能被归类为假设的局内点,那么这个模型就足够合理。
步骤(3.6)中将当前帧与局部地图再进行扫描匹配提升配准精度,扫描匹配过程中采用scan-to-scan和scan-to-map,通过扫描匹配从而实现激光里程计(获取两帧连续点云数据间的运动),最后通过使用kd-tree树形数据结构,从而提升配准速度。
为了将本发明的定位与建图方法效果与Lego-LOAM算法的定位与建图方法效果做对比,使粮食转运车A的车头两侧上安装两个三维激光雷达并跑遍粮仓的每一个位置,采用本发明的定位与建图方法实测的粮库建图如图3所示;使粮食转运车B车头上安装一个三维激光雷达并跑遍粮仓的每一个位置,采用 lego-LOAM算法测得的粮库建图如图4所示;图4与图3相比,图3的粮库建图更加清晰准确,更贴近真实情况。使粮食转运车A采用本发明的定位与建图方法以不同的起点绕粮库跑十圈进行定位与建图,两个三维激光雷达安装位置为车头的两边位置;使粮食转运车以不同的起点绕粮库跑十圈,采用lego-LOAM算法进行定位与建图。
采用Lego-LOAM算法针对小车的起点和终点的高度分析如图5所示,其中方块是出发点的位置坐标(起点),圆球是回来点的位置坐标(终点),总共十个方块,十个圆球,代表小车转了十圈,每圈的起点都不一样,圆球和方块是上下一一对应的,总共十对。起点和终点实际上是统一位置,二者高度应该是一致的,但存在误差也就是两条线的差值,从图中可以看出有不小的误差。
采用本发明方法针对小车的起点和终点的高度分析如图6所示,方块是出发 (起点),圆球是回来(终点),总共十个方块,十个圆球,代表小车转了十圈,每圈的起点都不一样,圆球和方块是上下一一对应的,总共十对。二者高度应该是一致的,但存在误差也就是两条线的差值,从图中可以看出相比较Lego-LOAM 方法测得的误差,本方法使得误差大大缩小。
Lego-LOAM算法和本发明方法测得的小车行驶一圈的轨迹图如图7所示,按理来说,小车从起点绕粮库一圈行驶,最理想情况下起点和终点应该重合,但实际获得的定位轨迹都会有偏差使得起点和终点的定位轨迹未重合。从图中可以看出,采用Lego-LOAM方法得到的轨迹(上方虚线构成的曲线)明显大幅偏离正确轨迹,而本发明方法得到的轨迹(下方实线构成的曲线)偏离幅度更小一些。
如图8所示,本发明公开了一种用于智慧粮库粮食转运车的定位与建图装置,包括:数据接收模块,用于接收两个激光雷达的点云数据;数据融合模块,用于将两个激光雷达所获取的不同坐标系下的点云数据转换到同一坐标系下;点云图构建模块,用于根据融合后的点云数据对粮食转运车进行定位与建图;数据融合模块分别与数据接收模块和点云图构建模块连接。
数据融合模块将两个激光雷达所获取的不同坐标系下的点云数据转换到同一坐标系下的方法是将其中一个雷达坐标系通过分别在X轴、Y轴、Z轴上平移以及分别绕X轴、Y轴、Z轴旋转变换得到另外一个雷达坐标系;点云图构建模块对粮食转运车进行定位与建图的方法包括以下步骤:
a.通过3D激光SLAM算法得到实时的一帧一帧的点云数据。将单帧的点云数据累加形成点云图;
b.对得到的点云图进行噪声去除处理;
c.对点云图中深度值过大和过小的点进行过滤;
d.基于深度图,采用地面分割的方式对点云数据进行处理;
e.对点云数据进行特征提取和聚类,划分平面点和边缘点;
f.对这些特征进行配准,同时利用特征数据建立粮库的局部地图;
g.用scan-context的方式进行回环检测。
本发明还公开了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时使计算机可读存储介质所在设备执行本发明所公开的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解,其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换,而这些修改或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的范围。
Claims (10)
1.一种用于智慧粮库粮食转运车的定位与建图方法,其特征在于包括以下步骤:
(1)将两个三维激光雷达安装在智慧粮库粮食转运车上的不同位置,得到两个激光雷达的数据;
(2)将两个激光雷达所获取的不同坐标系下的点云数据通过旋转和平移的方式转换到同一坐标系下,即将两个激光雷达的数据进行融合;
(3)使粮食转运车走遍粮库,进行定位与建图。
2.如权利要求1所述的用于智慧粮库粮食转运车的定位与建图方法,其特征在于,步骤(2)的具体方法是将其中一个雷达坐标系通过分别在X轴、Y轴、Z轴上平移以及分别绕X轴、Y轴、Z轴旋转变换得到另外一个雷达坐标系。
3.如权利要求2所述的智慧粮库粮食转运车,其特征在于,步骤(2)所用的算法为NDT算法,包括以下步骤:
(2.1)把目标点云数据分割为大小等同的体素格;
(2.2)计算每个体素格中包含点的中心及协方差矩阵:
式中,n为体素格中点云个数(样本数量),xi为体素格中的一点,m为样本均值,是一个列向量;N为协方差矩阵;xi为第i个样本,也是一个列向量;
(2.3)根据正态分布参数计算每个转换点落在对应体素格中的概率p(x),对点云数据进行正态分布建模N(m,N),可表示为
x服从k元正态分布,记作x~NK(m,N),其中x是一个k维列向量,T代表向量的转置,参数m和N分别为x的均值和协方差矩阵,|N|是协方差矩阵的行列式;
(2.4)两个激光雷达的点云数据坐标系分别为L1和L2,将L1点云坐标系通过粗略测量得到的转换矩阵映射到L2点云坐标系中,通过映射点的正态分布概率之和S(p),对两组点云的拟合程度进行评价;
其中x″i是L1点云映射L2坐标系下的坐标,mi是相对应的均值。T(p,x″i)为L1的转换矩阵;
(2.5)求解最优的变换关系,令f=-S(p),通过牛顿法求解最小目标函数f,不断进行迭代直到收敛。
4.如权利要求3所述的智慧粮库粮食转运车的定位与建图方法,其特征在于,步骤(3)具体包括以下过程:
(3.1)通过3D激光SLAM算法得到实时的一帧一帧的点云数据,将单帧的点云数据累加形成点云图;
(3.2)对得到的点云图进行噪声去除处理;
(3.3)对点云图中深度值过大和过小的点进行过滤;
(3.4)基于深度图,采用地面分割的方式对点云数据进行处理;
(3.5)对点云数据进行特征提取和聚类,划分平面点和边缘点;
(3.6)对这些特征进行配准,同时利用特征数据建立粮库的局部地图;
(3.7)用scan-context的方式进行回环检测。
5.如权利要求4所述的用于智慧粮库粮食转运车的定位与建图方法,其特征在于,步骤(3.6)中包括以下过程:通过将当前帧的点云数据与局部地图进行扫描匹配从而提升配准精度。
6.如权利要求5所述的用于智慧粮库粮食转运车的定位与建图方法,其特征在于,所述扫描匹配过程中采用的算法为scan-to-scan算法和scan-to-map算法。
7.如权利要求4所述的用于智慧粮库粮食转运车的定位与建图方法,其特征在于,步骤(3.6)中使用的数据结构为kd-tree树形数据结构。
8.一种实现权利要求1-7任意一项方法的用于智慧粮库粮食转运车的定位与建图装置,其特征在于,包括:
数据接收模块,用于接收两个激光雷达的点云数据;
数据融合模块,用于将两个激光雷达所获取的不同坐标系下的点云数据转换到同一坐标系下;
点云图构建模块,用于根据融合后的点云数据对粮食转运车进行定位与建图。
9.如权利要求8所述的用于智慧粮库粮食转运车的定位与建图装置,其特征在于,所述的数据融合模块将两个激光雷达所获取的不同坐标系下的点云数据转换到同一坐标系下的方法是将其中一个雷达坐标系通过分别在X轴、Y轴、Z轴上平移以及分别绕X轴、Y轴、Z轴旋转变换得到另外一个雷达坐标系;点云图构建模块对粮食转运车进行定位与建图的方法包括以下步骤:
a.通过3D激光SLAM算法得到实时的一帧一帧的点云数据,将单帧的点云数据累加形成点云图;
b.对得到的点云图进行噪声去除处理;
c.对点云图中深度值过大和过小的点进行过滤;
d.基于深度图,采用地面分割的方式对点云数据进行处理;
e.对点云数据进行特征提取和聚类,划分平面点和边缘点;
f.对这些特征进行配准,同时利用特征数据建立粮库的局部地图;
g.用scan-context的方式进行回环检测。
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存储有计算机程序,所述计算机程序被处理器执行时使计算机可读存储介质所在设备执行权利要求1-7任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210592416.1A CN115014371A (zh) | 2022-05-27 | 2022-05-27 | 一种用于智慧粮库粮食转运车的定位与建图方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210592416.1A CN115014371A (zh) | 2022-05-27 | 2022-05-27 | 一种用于智慧粮库粮食转运车的定位与建图方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115014371A true CN115014371A (zh) | 2022-09-06 |
Family
ID=83070249
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210592416.1A Pending CN115014371A (zh) | 2022-05-27 | 2022-05-27 | 一种用于智慧粮库粮食转运车的定位与建图方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115014371A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116819559A (zh) * | 2023-08-28 | 2023-09-29 | 铁科检测有限公司 | 一种基于双激光雷达数据的站房监测方法和系统 |
CN117215309A (zh) * | 2023-09-27 | 2023-12-12 | 河南工业大学 | 无人车粮库清扫系统的定位与建图方法、定位与建图装置 |
CN117456107A (zh) * | 2023-12-20 | 2024-01-26 | 成都易联易通科技有限责任公司 | 用于粮仓的三维建图方法和装置 |
-
2022
- 2022-05-27 CN CN202210592416.1A patent/CN115014371A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116819559A (zh) * | 2023-08-28 | 2023-09-29 | 铁科检测有限公司 | 一种基于双激光雷达数据的站房监测方法和系统 |
CN116819559B (zh) * | 2023-08-28 | 2023-11-07 | 铁科检测有限公司 | 一种基于双激光雷达数据的站房监测方法和系统 |
CN117215309A (zh) * | 2023-09-27 | 2023-12-12 | 河南工业大学 | 无人车粮库清扫系统的定位与建图方法、定位与建图装置 |
CN117456107A (zh) * | 2023-12-20 | 2024-01-26 | 成都易联易通科技有限责任公司 | 用于粮仓的三维建图方法和装置 |
CN117456107B (zh) * | 2023-12-20 | 2024-03-19 | 成都易联易通科技有限责任公司 | 用于粮仓的三维建图方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111337941B (zh) | 一种基于稀疏激光雷达数据的动态障碍物追踪方法 | |
CN115014371A (zh) | 一种用于智慧粮库粮食转运车的定位与建图方法、装置及存储介质 | |
CN111583369B (zh) | 一种基于面线角点特征提取的激光slam方法 | |
Zong et al. | Container ship cell guide accuracy check technology based on improved 3D point cloud instance segmentation | |
CN112258618A (zh) | 基于先验激光点云与深度图融合的语义建图与定位方法 | |
CN110706248A (zh) | 一种基于slam的视觉感知建图算法及移动机器人 | |
CN113674399A (zh) | 一种移动机器人室内三维点云地图构建方法及系统 | |
CN111242996B (zh) | 一种基于Apriltag标签与因子图的SLAM方法 | |
CN114004869A (zh) | 一种基于3d点云配准的定位方法 | |
CN113345008A (zh) | 一种考虑轮式机器人位姿估计的激光雷达动态障碍物检测方法 | |
Liu et al. | Real-time 6d lidar slam in large scale natural terrains for ugv | |
CN112070800B (zh) | 一种基于三维点云极化地图表征的智能车定位方法及系统 | |
CN114325634A (zh) | 一种基于激光雷达的高鲁棒性野外环境下可通行区域提取方法 | |
CN112734844A (zh) | 一种基于正八面体的单目6d位姿估计方法 | |
CN112396641A (zh) | 一种基于全等二基线匹配的点云全局配准方法 | |
CN109459759A (zh) | 基于四旋翼无人机激光雷达系统的城市地形三维重建方法 | |
CN114463396B (zh) | 一种利用平面形状和拓扑图投票的点云配准方法 | |
CN113378647B (zh) | 基于三维点云的实时轨道障碍物检测方法 | |
CN116843742B (zh) | 一种针对装载黑色煤车辆的点云配准后堆料体积的计算方法及系统 | |
CN113295171A (zh) | 一种基于单目视觉的旋转刚体航天器姿态估计方法 | |
CN112016354B (zh) | 一种基于视觉识别的运粮车粮箱装载状态检测方法 | |
Zhang et al. | Accurate real-time SLAM based on two-step registration and multimodal loop detection | |
CN116051540A (zh) | 基于点云模型的互感器接线端子定位位姿获取方法及系统 | |
CN116309817A (zh) | 一种基于rgb-d相机的托盘检测与定位方法 | |
CN113706610A (zh) | 基于rgb-d相机的栈板位姿计算方法 |
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 |