CN115657060A - 基于三维传感器的地面点云分割方法及装置 - Google Patents
基于三维传感器的地面点云分割方法及装置 Download PDFInfo
- Publication number
- CN115657060A CN115657060A CN202110769277.0A CN202110769277A CN115657060A CN 115657060 A CN115657060 A CN 115657060A CN 202110769277 A CN202110769277 A CN 202110769277A CN 115657060 A CN115657060 A CN 115657060A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- dimensional point
- dimensional
- observation data
- 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
Landscapes
- Length Measuring Devices By Optical Means (AREA)
Abstract
本申请实施例公开了基于三维传感器的地面点云分割方法及装置。本申请实施例提供的技术方案通过三维传感器采集三维点云观测数据,并对三维点云观测数据进行滤波处理,对滤波处理后的三维点云集合转换为世界坐标系,采用随机采样一致算法获得世界坐标系下的三维点云集合的多个平面,并对每个平面的法向量与机器人在重力方向上的单位向量之间的夹角进行计算,基于夹角与夹角阈值的比较判断平面是否归入为地面,将夹角低于夹角阈值的平面所包含的三维点云观测数据保存至地面点云数据集中,由于进行了滤波处理,避免占用过大资源,提高了处理速度,基于三维传感器的观测数据自主识别地面与非地面障碍物,实现近距离观测、无障碍导航的技术效果。
Description
技术领域
本申请实施例涉及三维计算机视觉技术领域,尤其涉及一种基于三维传感器的地面点云分割方法、装置、地面点云分割设备、存储介质。
背景技术
机器人的感知与决策系统中,要求机器人能够自主识别地面与非地面障碍物,进而在环境中的无障碍区域进行导航和路径规划。机器人通常使用多种传感器来获取自身的运动信息和环境的三维结构,例如惯性测量单元(IMU)可以提供机器人的加速度,角速度;激光雷达能够测量工作范围内障碍物相对于机器人的位置和角度。
但是在机器人中,使用不同的传感器均存在一定局限性。例如单线激光雷达只能采集某个水平面的障碍物距离和角度信息;三维多线激光雷达价格昂贵,且由于硬件原因,如果在机器人中单独使用一个三维多线激光雷达,近地面处通常存在感知盲区,这会导致例如机器人碰撞路牙、跌落、在贴边行走时频繁撞墙等问题。相比较激光雷达而言,三维立体相机,例如RGB-D相机或双目立体视觉相机具有成本低、视觉信息丰富、可以完成近距离观测等优点,但是其视野较小、点云噪声大、并且容易受到光照和环境纹理影响。在实际机器人系统中,三维立体相机通常配合激光雷达使用以避免探测盲区,但是这两类测距传感器生成的点云虽然能够描述周围环境的三维立体信息,但通常存在占用存储资源大和计算处理速度慢等问题。
发明内容
本申请实施例提供一种基于三维传感器的地面点云分割方法、装置、地面点云分割及设备、存储介质,以实现单独使用三维传感器对复杂环境进行精准的平面分割。
在第一方面,本申请实施例提供了一种基于三维传感器的地面点云分割方法,包括:
采集机器人当前的三维点云观测数据,对所述三维点云观测数据进行滤波处理以得到三维点云集合;
获取所述机器人当前在世界坐标系的位置数据和姿态信息,根据所述位置数据和所述姿态信息对所述三维点云集合进行转换,得到世界坐标系中的目标三维点云集合;所述目标三维点云集合包含多个世界坐标系的目标三维点云观测数据;
根据随机采样一致算法计算得到所述目标三维点云集合对应的多个平面,其中,每个所述平面分别具有法向量和测距,所述测距为每一个所述平面与三维传感器之间的距离;
获取所述机器人在重力方向上的单位向量,计算每个所述平面的法向量与所述机器人重力方向上的单位向量之间的夹角,并当所述夹角低于夹角阈值时,将对应的所述平面包含的所述目标三维点云观测数据存储到地面点云数据集中。
在第二方面,本申请实施例提供了一种基于三维传感器的地面点云分割装置,包括:
三维点云数据采集模块:用于采集机器人的三维点云观测数据,对所述三维点云观测数据进行滤波处理以得到三维点云集合;
目标观测数据获取模块:用于获取所述机器人当前在世界坐标系的位置数据和姿态信息,根据所述位置数据和所述姿态信息对所述三维点云集合进行转换,得到世界坐标系中的目标三维点云集合;所述目标三维点云集合包含多个世界坐标系的目标三维点云观测数据;
三维点云平面计算模块:用于根据随机采样一致算法计算得到所述目标三维点云集合对应的多个平面,其中,每个所述平面分别具有法向量和测距,所述测距为每一个所述平面与三维传感器之间的距离;
地面点云数据分割模块:用于获取所述机器人在重力方向上的单位向量,计算每个所述平面的法向量与所述机器人重力方向上的单位向量之间的夹角,并当所述夹角低于夹角阈值时,将对应的所述平面包含的所述目标三维点云观测数据存储到地面点云数据集中。
在第三方面,本申请实施例提供了一种地面点云分割设备,包括:存储器以及一个或多个处理器;
所述存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如第一方面所述的基于三维传感器的地面点云分割方法。
在第四方面,本申请实施例提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如第一方面所述的基于三维传感器的地面点云分割方法。
本申请实施例的基于三维传感器的地面点云分割方法、装置、设备及存储介质,单独通过三维传感器采集三维点云观测数据,并对三维点云观测数据进行滤波处理,对滤波处理后的三维点云集合转换为世界坐标系,采用随机采样一致算法获得世界坐标系下的三维点云集合的多个平面,并对每个平面的法向量与机器人在重力方向上的单位向量之间的夹角进行计算,基于夹角与夹角阈值的比较判断平面是否归入为地面,将夹角低于夹角阈值的平面所包含的三维点云观测数据保存至地面点云数据集中,由于进行了滤波处理,避免占用过大资源,提高了处理速度,基于三维传感器的观测数据自主识别地面与非地面障碍物,能够实现近距离观测、无障碍导航的技术效果。
附图说明
图1是本申请实施例提供的一种基于三维传感器的地面点云分割方法的流程图;
图2是本申请实施例提供的另一种基于三维传感器的地面点云分割方法的流程图;
图3是本申请实施例提供的另一种基于三维传感器的地面点云分割方法的流程图;
图4是本申请实施例提供的机器人与三维传感器之间的安装示意图;
图5是本申请实施例提供的一种基于三维传感器的地面点云分割装置的模块结构图;
图6是本申请实施例提供的一种地面点云分割设备的结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚,下面结合附图对本申请具体实施例作进一步的详细描述。可以理解的是,此处所描述的具体实施例仅仅用于解释本申请,而非对本申请的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理,但是其中的许多操作可以被并行地、并发地或者同时实施。此外,各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止,但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
本申请实施例提供了一种基于三维传感器的地面点云分割方法,该基于三维传感器的地面点云分割方法可以由基于三维传感器的地面点云分割设备执行。该基于三维传感器的地面点云分割设备可以通过软件和/或硬件的方式实现,该基于三维传感器的地面点云分割设备可以是两个或多个物理实体构成,也可以是一个物理实体构成,实施例对此不作限定。
实施例中,基于三维传感器的地面点云分割设备具有获取三维点云观测数据,并对三维点云观测数据进行处理的功能,也即是该地面点云分割设备也可以为地面点云处理设备。示例性的,基于三维传感器的地面点云分割设备可以是笔记本电脑、台式电脑、智能交互平板、智能手机、处理器等。实施例中,基于三维传感器的地面点云分割设备除了对三维点云观测数据进行处理和计算实现地面点云分割外,还基于该地面点云分割进行路径规划和路径避障。其中,地面点云分割是指将复杂场景点云中划分出具有相似特征的属于地面的点云单元。使用地面点云分割方法对三维点云观测数据进行划分,从而规划出合适的路径,对障碍物进行有效规避,提供更好的地图导航。对三维点云观测数据的具体分割标准,也即是地面点云分割所涉及的参数范围设置等可以事先根据经验或者实际需求设定,可以是每一次进行新的地面点云分割计算时均采用事先设定好的各个参数,在其他示例性中,也可以是每一次进行新的地面点云分割计算时重新设定各个需要的参数,并根据新设置的参数进行地面点云分割计算。
图1给出了本申请实施例提供的一种基于三维传感器的地面点云分割方法的流程图,参考图1,本申请实施例提供的该基于三维传感器的地面点云分割方法包括:
步骤101:采集机器人当前的三维点云观测数据,对所述三维点云观测数据进行滤波处理以得到三维点云集合。
示例性的,在采集机器人当前的三维点云观测数据之前,响应于三维点云观测数据采集指令,基于该三维点云观测数据采集指令,基于三维传感器的地面点云分割设备跳转至地面点云分割流程。其中,三维点云观测数据采集指令可以由用户发起,或者由设备自主发起,具体的发起方式在实施例中可以结合实际情况设定。举例而言,当由用户发起该三维点云观测数据采集指令时,通常在该基于三维传感器的地面点云分割设备上设置有对应的操作界面,在该操作界面中设置有三维点云观测数据采集指令触发按钮,用户通过该三维点云观测数据采集指令触发按钮发起所述三维点云观测数据采集指令。示例性的,用户操作的基于三维传感器的地面点云分割设备为台式电脑,在该台式电脑提供交互显示界面,在交互显示界面中提供三维点云观测数据采集指令触发按钮,则用户通过台式电脑的交互显示界面所提供的三维点云观测数据采集指令触发按钮发起三维点云观测数据采集指令。再举例而言,当由基于三维传感器的地面点云分割设备自主发起三维点云观测数据采集指令,可以事先在所述地面点云分割设备中设置发起三维点云观测数据采集指令的条件,例如每个预设时间间隔发起一次三维点云观测数据采集指令,当满足三维点云观测数据采集指令的条件时,则自主发起对三维点云观测数据的采集。
机器人用于指代任何半自主或全自主工作的智能机器,其内部集成有控制编程和各类硬件器件,以具备感知、决策、执行等功能,配合完成用户期望的目标。在本实施例中,机器人具备移动功能,为保障机器人自主行走过程中的障碍规避,在机器人上设置有三维传感器。三维传感器包括但不限于双目立体相机、RGB-D相机。其中,基于三维传感器的地面点云分割设备可以是一款处理器,集成在机器人内部。示例性的,当接收到三维点云观测数据采集指令时,基于三维传感器的地面点云分割设备控制三维传感器启动,采集当前的三维点云观测数据。三维点云观测数据作为三维点云集,包含有多个点云数据,每一个点云数据是在三维坐标系统中的一组向量集合,每一个点云均包含三维坐标。通过该三维点云观测数据,可以获知三维传感器所采集图像的三维信息,从而获知周围环境。容易理解的是,三维传感器所采集的三维点云观测数据是在当前时刻其可是范围内的环境中全部点云数据,通常,该三维点云观测数据的数量足够多。
响应于三维点云观测数据采集指令,控制机器人的三维传感器对当前时刻的三维点云观测数据进行采集。为了确保采集的三维点云观测数据的精准性,需要对该三维点云观测数据进行处理,滤除掉噪声点和离群点等。本实施例中,对三维点云观测数据进行滤波处理以得到三维点云集合。实施例中,采用点云滤波对三维点云观测数据进行预处理。点云滤波是对多种点云预处理方式的统称。通常,在获取点云数据时,由于设备精度、操作者经验、环境因素等带来的影响,点云数据中将不可避免地出现一些噪声点和离群点,也可能出现点云数据量过大的情况。针对上述情况,点云滤波通常作为点云处理的第一步,能够将噪声点、离群点、空洞等进行处理,还能将密度不规则的点云数据进行平滑,从而后续更好地进行配准、特征提取、曲面重建、可视化等。常用的滤波算法包括双边滤波、高斯滤波、条件滤波、直通滤波、统计滤波、均匀采样滤波等。当点云滤波应用到本实施例中,则是对三维点云观测数据进行点云滤波处理,以去除三维点云观测数据中的空洞等不良点云数据,便于后续地面点云分割的处理精度,提供更加精准的地面点云分割方法。
具体的,本实施例中对三维点云观测数据进行滤波处理以得到三维点云集合,包括根据预设的第一滤波参数对所述三维点云观测数据进行直通滤波处理,以得到三维点云集合。
直通滤波是过滤掉在指定维度方向上取值不在给定范围内的点。更为具体的,首先,指定一个维度以及该维度下的取值范围,其次,遍历点云数据中的每一个点云,判断该点在指定维度上的取值是否在取值范围内,对于取值不在范围内的点则直接删除,最后遍历结束,留下的点即可构成滤波后的点云。该直通滤波应用在本实施例中,则对三维传感器采集的三维点云观测数据为数据样本,设置该数据样板的取值范围。具体的,符合取值范围的三维点云观测数据也即是在三维传感器一定视距范围内的点云数据,因此,可提前设定好实施例中机器人所需的参数,也即是设定直通滤波器的距离参数范围,该距离参数范围则为前述的取值范围。作为举例,设定距离参数范围为lmin和lmax,也就是将该距离范围之外的三维点云观测数据去除。其中,距离参数范围的为lmin和lmax都可根据每一个机器人的不同需求以及不同的三维传感器的性能参数而设定。示例性的,当三维传感器为结构光相机,则距离参数范围的端点值lmin的参考范围为0~0.5m,lmax的参考范围为0.5~3m,则距离参数范围进一步结合机器人的需求例如可以为0.35~2.55m,也即是,对于三维点云观测数据中,未落入在0.35~2.55m范围内的点云数据则作为噪音进行滤除,实现降噪功能。
由于三维点云观测数据是三维传感器在当前时刻采集的视线范围内的全部图像,因此具备足够多数量的点云数据。但是经过直通滤波后,三维点云观测数据的数量存在大幅减少的可能性,此时,为了进一步保证后续运算的精确,实施例中还进一步检测直通滤波后的三维点云观测数据的数量。即是,检测直通滤波处理后的所述三维点云集中的三维点云观测数据的点云数目,并当所述三维点云观测数据的点云数目低于数目阈值时,丢弃所述三维点云集合,重新采集机器人新的三维点云观测数据。
其中,当三维点云观测数据的点云数目低于数目阈值定义为数目太少,影响后续流程的运算和执行,因此终止本次地面点云分割流程,要求三维传感器重新采集新的三维点云观测数据。数目阈值可以是由程序管理员提前在流程中进行设定,该数目阈值的具体数值可以是根据实际需求而定,示例性的,该数目阈值为5000个,在其他示例性中,数目阈值也可以是6000个,或者其他数目,本申请不设限定。实施例中,三维点云观测数据的点云数目也即是三维点云观测数据的点云数据的数量,当经过直通滤波后的三维点云观测数据的点云数目低于数目阈值时,可以是由用户终止,但是从地面点云分割设备执行流程的便利性、顺畅性、即时性等方面考虑,更优的选择由地面点云分割设备自主触发终止流程,终止对本次采集的三维点云观测数据进行进一步的处理,并触发三维点云观测数据采集指令,以重新通过三维传感器采集三维点云观测数据。
另一方面,在上述对三维点云观测数据进行直通滤波的基础上,实施例进一步根据预设的第二滤波参数对直通滤波处理后的三维点云观测数据进行体素滤波处理。
其中,体素滤波是指对于包含了所有点云的三维空间区域先进行等间隔划分,以分成多个小立方体,体素则指上述小立方体。对于每个体素,先找到所有落入该体素中的点云,并计算这些点云的重心的空间三维坐标,之后存储该体素的重心的三维坐标;对于无点云落入的体素,不会保留重心数据;在遍历所有体素并进行上述计算之后,所保留的所有局部点云重心的集合即为该算法的输出值。体素滤波应用在本实施例中,即是对直通滤波后三维点云观测数据为处理样本,将该三维点云观测数据安装预设的间隔等间隔划分为若干个体素。实施例中的第二滤波参数,则可包括划分三维点云观测数据的预设间隔,该预设间隔也表示体素的大小。该第二滤波参数可以根据实际需求设定,可由操作者结合经验提前输入在流程中。示例性的,第二滤波参数为0.005~0.05m,但不限于此。根据预设间隔,三维点云观测数据被划分为多个体素,此时遍历每一个体素,检测是否有点云落入在体素中,无点云落入的体素相当于丢弃,只获取有点云落入的体素的重心,获取重心的三维坐标作为输入形成三维点云集合。实施例中,后续基于该三维点云集合进行一系列处理和运算。
步骤102:获取所述机器人当前在世界坐标系的位置数据和姿态信息,根据所述位置数据和所述姿态信息对所述三维点云集合进行转换,得到世界坐标系中的目标三维点云集合。其中,目标三维点云集合包含多个世界坐标系的目标三维点云观测数据。
世界坐标系也即是机器人系统的绝对坐标系,也是基本坐标系。例如当前为将机器人安放在环境中任意位置,在环境中选取一个基准坐标系描述机器人的位置以及描述环境中其他任何物体的位置,则该基准坐标系可以作为世界坐标系。机器人的位置数据也即是机器人在世界坐标系中的三维坐标,机器人的姿态信息也即是机器人的角度信息,可以通过旋转矩阵、四元数等参数描述。根据公知的知识,获取位置和姿态可以将三维点云集合转换为世界坐标系的目标三维点云集合。由于三维点云集合中包含有若干个三维点云观测数据,当对三维点云集合转换为世界坐标系,则将该三维点云集合中的三维点云观测数据转换为世界坐标系。世界坐标系中的三维点云集合对应为目标三维点云集合,后续处理针对目标三维点云集合进行运算。而目标三维点云集合中包含有若干个目标三维点云数据,该目标三维点云数据则为原坐标系中的三维点云集合的三维点云观测数据在世界坐标系的表达方式。
步骤103:根据随机采样一致算法计算得到所述目标三维点云集合对应的多个平面,其中,每个所述平面分别具有法向量和测距,所述测距为每一个所述平面与三维传感器之间的距离。
随机采样一致性算法是指从一群含有离群点,又称外点的数据中正确估计数学模型参数的迭代算法。离群点指数据中的噪声,比如说匹配中的误匹配。相对于外点的内点是指正确的数据,即正确的匹配点。在点云处理中,随机采样一致算法常被用来从点云中拟合出点云所属于的平面。实施例中,采用随机采样一致算法获取目标三维点云集合的多个平面。由于目标三维点云集合必然对应有多个点云数据,并且不同的点云数据与三维传感器之间有不同的距离,因此可以划分出不同的平面,每一个平面中包含有众多个点云数据。三维单位的法向量和平面与三维传感器的距离是每个平面都包含的参数。
在本实施例中,三维传感器的安装方式请结合参见图4,图4中,a为机器人,三维传感器的数量为两个,包括深度相机和激光雷达。图4中b和c均为三维传感器,其中b为激光雷达,c为深度相机。激光雷达的安装方式为水平安装在机器人的中部位置或者顶部位置,该激光雷达受到传统技术的限制,其垂直视场角通常局限在30度至40度之间,使得机器人如果单独采用激光雷达获取三维点云观测数据,或有一定的满足,造成三维点云观测数据的片面性。因此实施例为克服该缺陷,补充在机器人的顶端位置安装深度相机,并且深度相机采用视线向下倾斜的方式安装,以采集更广范围的机器人前方的视野图像。该深度相机的垂直视场角大于30度。实施例中,作为优选的,该深度相机的垂直视场角大致为45度,且深度相机相对于机器人顶端所在水平线向下倾斜的角度大致为40度。实施例中通过设置激光雷达和深度相机两种三维传感器由深度相机和激光雷达相互补充,视场角设置更大,视野范围更大,深度相机实现近距离观测,激光雷达负责中远距离观测,减少视野盲区。
步骤104:获取所述机器人在重力方向上的单位向量,计算每个所述平面的法向量与所述机器人重力方向上的单位向量之间的夹角,并当所述夹角低于夹角阈值时,将对应的所述平面包含的所述目标三维点云观测数据存储到地面点云数据集中。
单位向量是模长为1的向量,实施例中获取机器人在重力方向上的单位向量,也即是获取在重力方向上模长为1的向量,具有确定的方向。具体的,实施例中机器人在重力方向上的单位向量可通过采集机器人的加速度并根据所述加速度计算获得。机器人的加速度可由安装在机器人上的加速度传感器采集获得,加速度传感器可以获得方向信息,基于此,可以获得该机器人在重力方向上的单位向量。
实施例中,获取机器人在重力方向上的单位向量是为了获取与每个平面的法向量之间的夹角,平面的法向量也即是垂直于平面的向量。作为举例,机器人在平地上行走,其重力方向也即是竖直方向,一个平面e的法向量刚好垂直当前平地的地面,也即是该平面e的法向量与机器人重力方向上的单位向量之间的夹角为0,表明该平面e为地面,应当将该平面e所包含的三维点云观测数据归入至地面点云数据集。其中,夹角阈值可以根据经验值进行设定,而经验值可以是工作人员的主观经验值,也可以根据以往历史数据通过建立数学模型估算获得。例如,角度阈值为15度,在另一个举例中,机器人在平地上行走,平面f的法向量与地面之间的夹角为20度,由于机器人在平地上行走,也即是相当于机器人重力方向的单位向量与地面垂直,则平面f的法向量与机器人重力方向的单位向量超过角度阈值15度的设定,该平面f不归入为地面,则放弃该平面f所对应的全部三维点云观测数据。而对于夹角低于夹角阈值时将对应的所述平面包含的所述目标三维点云观测数据存储到地面点云数据集中。
图2是本申请实施例提供的另一种基于三维传感器的地面点云分割方法的流程图。实际上,本实施例是在上述实施例的基础上进行进一步的具体化。如图2所示,该基于三维传感器的地面点云分割方法,包括:
步骤201:采集机器人当前的三维点云观测数据,对该三维点云观测数据依次进行直通滤波和体素滤波后,输出三维点云集合。
实施例中,通过三维传感器采集三维点云观测数据,其中,三维传感器的数量为一个,该三维传感器为可以在近距离以及在低矮区域进行视觉探测的传感器。基于该三维传感器,可以克服传统技术中视觉探测采用激光雷达而只能采集有限视角范围的图像的缺陷,并且由于只使用一个三维传感器,可以低成本和低功耗,不占用过多资源。
通过三维传感器采集了三维点云观测数据之后,该三维点云观测数据通常含有一些噪音,实施例中采用直通滤波和体素滤波的方式去除噪音。具体的,可提前设定好实施例中三维点云观测数据进行直通滤波器的距离参数范围,也就是将该距离范围之外的三维点云观测数据视为噪音进行去除,实现降噪功能。三维点云观测数据足够多数量的点云数据,而由于直通滤波去掉噪音后,三维点云观测数据的数量可能较少,实施例中还可以进一步检测检测直通滤波处理后的三维点云观测数据的点云数目,并当所述三维点云观测数据的点云数目低于数目阈值时,丢弃所述三维点云集合,重新采集机器人新的三维点云观测数据。当经过数目检测之后,才完成完整的直通滤波过程。在直通滤波之后,对剩余的三维点云观测数据进行体素滤波处理,设置另一个滤波参数以保留具有点云落入的体素,将该体素的重心作为三维点云集合的输入,从而遍历完每一个体素,输出最后的三维点云集合。
步骤202:将所述三维点云集合转换为世界坐标系的目标三维点云集合。
实施例中,根据机器人当前在世界坐标系中的位置数据和姿态信息对三维点云集合进行转换,得到上述目标三维点云集合。
步骤203:根据随机采样一致算法计算得到所述目标三维点云集合对应的多个平面,其中,每个所述平面分别具有法向量和测距,所述测距为每一个所述平面与三维传感器之间的距离。
步骤204:获取所述机器人在重力方向上的单位向量,计算每个所述平面的法向量与所述机器人重力方向上的单位向量之间的夹角,并当所述夹角低于夹角阈值时,将对应的所述平面包含的所述目标三维点云观测数据存储到地面点云数据集中,输出地面点云数据集。
实施例中,通过平面与机器人重力方向上单位向量之间的角度作为判断是否将该平面归入为地面的依据,当角度阈值过大,表明该平面是障碍物的可能性更大,为了避免机器人撞上障碍物,因此不将该平面所包含的点数数据保存到地面点云数据集,实现机器人行走路径的避障处理。实施例经过对平面的筛选后,输出地面点云数据集。而为了进一步降低点云数据噪声,提升点云分割精度,实施例还对所述地面点云数据进行平面拟合处理。
步骤205:计算所述地面点云数据集中每个目标三维点云观测数据与三维传感器之间的距离,形成所述地面点云数据集与所述三维传感器之间的距离范围。
实施例中,初始化地面点云数据集。计算地面点云数据集中每个目标三维点云观测数据与三维传感器之间的距离。
步骤206:将所述距离范围划分为若干个连续的距离区间,并设置每一个距离区间的误差参数。
本步骤中,将地面点云数据集与三维传感器之间的距离范围进行划分,也即是相当于把该距离范围划分为若干个子集,每个子集中都含有若干个点云数据。实施例中,根据三维传感器的特性设置不同距离区间的最大允许误差,也即是上述误差参数。作为一个距离,将地面点云数据集与三维传感器之间的距离范围分成三个距离区间,分别是d0~d1,d1~d2,d2~d3,其中d0<d1<d2<d3,其中d0~d1与d1~d2,以及d1~d2与d2~d3之间均是连续的距离区间。设置距离区间d0~d1的误差参数为err1,设置距离区间d1~d2的误差参数为err2,设置距离区间d2~d3的误差参数为err3。每一个距离区间的误差参数可通过随机采样一致算法获得,该误差参数也即是随机采样一致算法中的距离阈值。
步骤207:采用所述每一个距离区间对应的所述误差参数对在该距离区间内的目标三维点云观测数据进行平面拟合,输出平面拟合后的地面点云数据集。
本步骤中,沿用上述举例,即是将地面点云数据集与三维传感器之间的距离范围分成三个距离区间,分别是d0~d1,d1~d2,d2~d3。根据每一个距离区间的误差参数err1、err2和err3分别对对应的距离区间进行平面拟合。通过err1对落入在距离区间d0~d1的目标三维点云观测数据进行平面拟合,以此类推。
实施例中,对于属于每一个距离区间内的目标三维点云观测数据,判定该目标三维点云观测数据的数目是否大于数量阈值。对任意一个距离区间内的目标三维点云观测数据的数量大于所述数量阈值的所述目标三维点云观测数据进行直通滤波处理。采用随机采样一致算法计算得到每一个进行直通滤波处理后的距离区间的目标三维点云观测数据所对应的平面,并根据该距离区间对应的误差参数对所述平面进行平面拟合;提取平面拟合后所述平面内包含的目标三维点云观测数据保存至地面点云数据集中。例如,对于距离区间d0~d1而言,位于在距离区间内的目标三维点云观测数据的数目进行判断是否大于数目阈值,当小于该数目阈值,表明点云数目太少,跳过该距离区间d0~d1,对下一个距离区间d1~d2采用同样的方式进行检测。而相反的,当距离区间d0~d1中目标三维点云观测数据的数目大于数目阈值,其进一步进行直通滤波处理。本步骤采用的直通滤波处理的方式设定的滤波范围可以相应的设置为d0~d1,即d0作为范围参数的下限值,d1作为范围参数的上限值。
作为优选的,本实施例中,还对上述进行平面拟合后的地面点云数据集进行统计滤波。其中,统计滤波又称为离群点剔除,用来剔除离群点或者剔除测量误差导致的粗糙点。统计滤波的原理主要是对每一个点云的邻域进行统计分析,计算它到所有临近点的平均距离;假设统计得到的是一个高斯分布,其形状是由均值和标准差决定,那么平均距离在标准范围之外的点,可以被认为是离群点并从数据中剔除,该标准范围由全局距离平均值和方差所定义。经过平面拟合后的地面点云数据集已经去除了噪音,数据更加精确,而进一步通过统计滤波,去除数据中的离群点。
图3示出了本申请实施例另一种基于三维传感器的地面点云分割方法的流程图。如图3所示,该基于三维传感器的地面点云分割方法包括:
步骤301:采集机器人当前的三维点云观测数据,对所述三维点云观测数据进行滤波处理以得到三维点云集合。
步骤302:获取所述机器人当前在世界坐标系的位置数据和姿态信息,根据所述位置数据和所述姿态信息对所述三维点云集合进行转换,得到世界坐标系中的目标三维点云集合;所述目标三维点云集合包含多个世界坐标系的目标三维点云观测数据。
步骤303:根据所述机器人当前在世界坐标系的位置数据检测是否存在与所述位置数据对应历史数据,并当存在所述历史数据时,基于机器人当前的三维点云观测数据对机器人历史数据中的地面点云数据集和规划路径进行更新。其中,所述历史数据包括三维点云观测数据、地面点云数据集、规划路径。
步骤304:根据随机采样一致算法计算得到所述目标三维点云集合对应的多个平面,其中,每个所述平面分别具有法向量和测距,所述测距为每一个所述平面与三维传感器之间的距离。
步骤305:获取所述机器人在重力方向上的单位向量,计算每个所述平面的法向量与所述机器人重力方向上的单位向量之间的夹角,并当所述夹角低于夹角阈值时将对应的所述平面包含的所述目标三维点云观测数据存储到地面点云数据集中。
步骤306:将所述地面点云数据集中的目标三维点云观测数据转换为机器人的代价地图。
其中,代价地图是机器人导航中使用的地图,通常采用栅格地图的表达形式,每个网格分成三种状态:被占用、自由区域、未知区域,被占用表示为有障碍,自由区域标识为无障碍。每个网格的值取值范围0~255。以激光雷达为例,根据激光测量的障碍物距离机器人中心的距离,结合机器人的内切和外切半径,利用Bresenham(布雷森汉姆直线)算法可以填充由激光雷达的位置到障碍物之间的每个网格的状态。实施例基于地面点云数据集获取代价地图,从而可以进行机器人的行走路径规划。其中,本步骤的地面点云数据集在转换为代价地图之前可以先进行平面拟合处理,得到更精准的点云数据。
本申请实施例还提供了一种基于三维传感器的地面点云分割装置,该装置可集成在基于三维传感器的地面点云分割设备中,用于执行基于三维传感器的地面点云分割方法,具备相应的功能和有益效果。具体的,图5为本申请实施例所提供的一种基于三维传感器的地面点云分割装置的结构示意图。参见图5,该种基于三维传感器的地面点云分割装置包括三维点云数据采集模块501、目标观测数据获取模块502、三维点云平面计算模块503和地面点云数据分割模块504。
其中,三维点云数据采集模块501,用于采集机器人的三维点云观测数据,对所述三维点云观测数据进行滤波处理以得到三维点云集合;目标观测数据获取模块502,用于获取所述机器人当前在世界坐标系的位置数据和姿态信息,根据所述位置数据和所述姿态信息对所述三维点云集合进行转换,得到世界坐标系中的目标三维点云集合;所述目标三维点云集合包含多个世界坐标系的目标三维点云观测数据;三维点云平面计算模块503,用于根据随机采样一致算法计算得到所述目标三维点云集合对应的多个平面,其中,每个所述平面分别具有法向量和测距,所述测距为每一个所述平面与三维传感器之间的距离;地面点云数据分割模块504,用于获取所述机器人在重力方向上的单位向量,计算每个所述平面的法向量与所述机器人重力方向上的单位向量之间的夹角,并当所述夹角低于夹角阈值时,将对应的所述平面包含的所述目标三维点云观测数据存储到地面点云数据集中。
上述中,在采集机器人当前的三维点云观测数据之前,可先响应于三维点云观测数据采集指令,基于该三维点云观测数据采集指令,基于三维传感器的地面点云分割设备跳转至执行地面点云分割流程。实施例单独通过三维传感器采集三维点云观测数据,并对三维点云观测数据进行滤波处理,对滤波处理后的三维点云集合转换为世界坐标系,采用随机采样一致算法获得世界坐标系下的三维点云集合的多个平面,并对每个平面的法向量与机器人在重力方向上的单位向量之间的夹角进行计算,基于夹角与夹角阈值的比较判断平面是否归入为地面,将夹角低于夹角阈值的平面所包含的三维点云观测数据保存至地面点云数据集中,由于三维点云数据进行了滤波处理,避免占用过大资源,提高了处理速度,基于三维传感器的观测数据自主识别地面与非地面障碍物,能够实现近距离观测、无障碍导航的技术效果。
作为进一步优选的,三维点云数据采集模块501中采集的三维点云观测数据进行直通滤波、体素滤波等点云滤波处理以滤除噪音和离群点,得到三维点云集合。
作为可选的实施方式,实施例还可进一步包括平面拟合模块505,用于计算所述地面点云数据集中每个目标三维点云观测数据与三维传感器之间的距离,形成所述地面点云数据集与所述三维传感器之间的距离范围;将所述距离范围划分为若干个连续的距离区间,并设置每一个距离区间的误差参数;采用所述每一个距离区间对应的所述误差参数对在该距离区间内的目标三维点云观测数据进行平面拟合,输出平面拟合后的地面点云数据集。
上述平面拟合模块505中,采用所述每一个距离区间对应的所述误差参数对在该距离区间内的目标三维点云观测数据进行平面拟合,输出平面拟合后的地面点云数据集具体为,判断每一个距离区间内的目标三维点云观测数据的数量是否大于数量阈值,对任意一个距离区间内的目标三维点云观测数据的数量大于所述数量阈值的所述目标三维点云观测数据进行直通滤波处理;采用随机采样一致算法计算得到每一个进行直通滤波处理后的距离区间的目标三维点云观测数据所对应的平面,并根据该距离区间对应的误差参数对所述平面进行平面拟合;提取平面拟合后所述平面内包含的目标三维点云观测数据保存至地面点云数据集中。
还可在上述平面拟合模块505中,对所述地面点云数据集中的目标三维点云观测数据进行统计滤波。
作为优选的,本实施例还进一步可包括代价地图生成模块506,用于将所述地面点云数据集中的目标三维点云观测数据转换为机器人的代价地图。具体的,根据所述机器人当前在世界坐标系的位置数据检测是否存在与所述位置数据对应历史数据,并当存在所述历史数据时,基于机器人当前的三维点云观测数据对机器人的地面点云数据集规划路径进行更新;其中,所述历史数据包括三维点云观测数据、地面点云数据集、规划路径。
如图6所示,本申请实施例还提供一种地面点云分割设备。参见图6,该地面点云分割设备包括:存储器601以及一个或多个处理器602;所述存储器601,用于存储一个或多个程序;当所述一个或多个程序被所述一个或多个处理器602执行,使得所述一个或多个处理器实现如本申请所述的基于三维传感器的地面点云分割方法。
其中,存储器601和处理器602之间通过通信总线连接,实现存储器601与处理器602之间的通信。以笔记本电脑作为该地面点云分割设备为例,包括存储器601和处理器602,还可包括无线传输模块、用户操作端口。用户操作端口用于提供给用户进行三维点云观测数据采集指令的输入,以及提供给用户进行其他流程设置、参数设置等操作。无线传输模块用于将三维传感器所采集的三维点云观测数据传输至处理器602,其中,三维传感器用于当响应三维点云观测数据采集指令时,采集机器人当前的三维点云观测数据。
处理器602可以包括一个或多个处理核心。处理器602利用各种接口和线路连接整个计算机设备内的各个部分,通过运行或执行存储在处理器602内的指令、程序、代码集或指令集,以及调用存储在存储器601内的数据,执行计算机设备的各种功能和处理数据。可选的,处理器602可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable logicarrays,PLA)中的至少一种硬件形式来实现。处理器602可集成中央处理器(CentralProcessing Unit,CPU)、图像处理器(Graphics Processing Unit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责显示屏所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器602中,单独通过一块芯片进行实现。
存储器601可以包括RAM,也可以包括只读存储器(Read-Only Memory)。可选的,该存储器601包括非瞬时性计算机可读介质(non-transitory computer-readable storagemedium)。存储器601可用于存储指令、程序、代码、代码集或指令集。存储器601可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等;存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器601可选的还可以是至少一个位于远离前述处理器602的存储装置。
上述实施例提供的地面点云分割设备可用于执行本申请所提出的任意一种基于三维传感器的地面点云分割方法,具备相应的功能和有益效果。
此外,本申请实施例还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如上述实施例提供的基于三维传感器的地面点云分割方法包括采集机器人当前的三维点云观测数据,对所述三维点云观测数据进行滤波处理以得到三维点云集合;获取所述机器人当前在世界坐标系的位置数据和姿态信息,以根据所述位置数据和所述姿态信息将所述三维点云集合转换为世界坐标系的目标三维点云集合;所述目标三维点云集合包含多个世界坐标系的目标三维点云观测数据;根据随机采样一致算法计算得到所述目标三维点云集合对应的多个平面,其中,每个所述平面分别具有法向量和测距,所述测距为每一个所述平面与三维传感器之间的距离;获取所述机器人在重力方向上的单位向量,计算每个所述平面的法向量与所述机器人重力方向上的单位向量之间的夹角,并当所述夹角低于夹角阈值时将对应的所述平面包含的所述目标三维点云观测数据存储到地面点云数据集中。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。
因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
上述仅为本申请的较佳实施例及所运用的技术原理。本申请不限于这里所述的特定实施例,对本领域技术人员来说能够进行的各种明显变化、重新调整及替代均不会脱离本申请的保护范围。因此,虽然通过以上实施例对本申请进行了较为详细的说明,但是本申请不仅仅限于以上实施例,在不脱离本申请构思的情况下,还可以包括更多其他等效实施例,而本申请的范围由权利要求的范围决定。
Claims (13)
1.基于三维传感器的地面点云分割方法,其特征在于,包括:
采集机器人当前的三维点云观测数据,对所述三维点云观测数据进行滤波处理以得到三维点云集合;
获取所述机器人当前在世界坐标系的位置数据和姿态信息,根据所述位置数据和所述姿态信息对所述三维点云集合进行转换,得到世界坐标系中的目标三维点云集合;所述目标三维点云集合包含多个世界坐标系的目标三维点云观测数据;
根据随机采样一致算法计算得到所述目标三维点云集合对应的多个平面,其中,每个所述平面分别具有法向量和测距,所述测距为每一个所述平面与三维传感器之间的距离;
获取所述机器人在重力方向上的单位向量,计算每个所述平面的法向量与所述机器人重力方向上的单位向量之间的夹角,并当所述夹角低于夹角阈值时,将对应的所述平面包含的所述目标三维点云观测数据存储到地面点云数据集中。
2.根据权利要求1所述的地面点云分割方法,其特征在于,对所述三维点云观测数据进行滤波处理以得到三维点云集合,包括:
根据预设的第一滤波参数对所述三维点云观测数据进行直通滤波处理,以得到三维点云集合。
3.根据权利要求2所述的地面点云分割方法,其特征在于,对所述三维点云观测数据进行滤波处理以得到三维点云集合,还包括:
检测直通滤波处理后的所述三维点云集中的三维点云观测数据的点云数目,并当所述三维点云观测数据的点云数目低于数目阈值时,丢弃所述三维点云集合,重新采集机器人新的三维点云观测数据。
4.根据权利要求2或3所述的地面点云分割方法,其特征在于,对所述三维点云观测数据进行直通滤波处理与得到三维点云集合之间还包括:
根据预设的第二滤波参数对直通滤波处理后的三维点云观测数据进行体素滤波处理。
5.根据权利要求1所述的地面点云分割方法,其特征在于,所述机器人在重力方向上的单位向量通过采集机器人的加速度并根据所述加速度计算获得。
6.根据权利要求1所述的地面点云分割方法,其特征在于,还包括:
计算所述地面点云数据集中每个目标三维点云观测数据与三维传感器之间的距离,形成所述地面点云数据集与所述三维传感器之间的距离范围;
将所述距离范围划分为若干个连续的距离区间,并设置每一个距离区间的误差参数;
采用所述每一个距离区间对应的所述误差参数对在该距离区间内的目标三维点云观测数据进行平面拟合,输出平面拟合后的地面点云数据集。
7.根据权利要求6所述的地面点云分割方法,其特征在于,采用所述每一个距离区间对应的所述误差参数对在该距离区间内的目标三维点云观测数据进行平面拟合,输出平面拟合后的地面点云数据集,包括:
判断每一个距离区间内的目标三维点云观测数据的数量是否大于数量阈值,对任意一个距离区间内的目标三维点云观测数据的数量大于所述数量阈值的所述目标三维点云观测数据进行直通滤波处理;
采用随机采样一致算法计算得到每一个进行直通滤波处理后的距离区间的目标三维点云观测数据所对应的平面,并根据该距离区间对应的误差参数对所述平面进行平面拟合;
提取平面拟合后所述平面内包含的目标三维点云观测数据保存至地面点云数据集中。
8.根据权利要求7所述的地面点云分割方法,其特征在于,还包括:
对所述地面点云数据集中的目标三维点云观测数据进行统计滤波。
9.根据权利要求1或7所述的地面点云分割方法,其特征在于,还包括:
将所述地面点云数据集中的目标三维点云观测数据转换为机器人的代价地图。
10.根据权利要求9所述的地面点云分割方法,其特征在于,还包括:
根据所述机器人当前在世界坐标系的位置数据检测是否存在与所述位置数据对应历史数据,并当存在所述历史数据时,基于机器人当前的三维点云观测数据对机器人历史数据中的地面点云数据集和规划路径进行更新;其中,所述历史数据包括三维点云观测数据、地面点云数据集、规划路径。
11.一种基于三维传感器的地面点云分割装置,其特征在于,包括:
三维点云数据采集模块:用于采集机器人的三维点云观测数据,对所述三维点云观测数据进行滤波处理以得到三维点云集合;
目标观测数据获取模块:用于获取所述机器人当前在世界坐标系的位置数据和姿态信息,根据所述位置数据和所述姿态信息对所述三维点云集合进行转换,得到世界坐标系中的目标三维点云集合;所述目标三维点云集合包含多个世界坐标系的目标三维点云观测数据;
三维点云平面计算模块:用于根据随机采样一致算法计算得到所述目标三维点云集合对应的多个平面,其中,每个所述平面分别具有法向量和测距,所述测距为每一个所述平面与三维传感器之间的距离;
地面点云数据分割模块:用于获取所述机器人在重力方向上的单位向量,计算每个所述平面的法向量与所述机器人重力方向上的单位向量之间的夹角,并当所述夹角低于夹角阈值时,将对应的所述平面包含的所述目标三维点云观测数据存储到地面点云数据集中。
12.一种地面点云分割设备,其特征在于,包括:存储器以及一个或多个处理器;
所述存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-10任一所述的基于三维传感器的地面点云分割方法。
13.一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-10任一所述的基于三维传感器的地面点云分割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110769277.0A CN115657060A (zh) | 2021-07-07 | 2021-07-07 | 基于三维传感器的地面点云分割方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110769277.0A CN115657060A (zh) | 2021-07-07 | 2021-07-07 | 基于三维传感器的地面点云分割方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115657060A true CN115657060A (zh) | 2023-01-31 |
Family
ID=85015041
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110769277.0A Pending CN115657060A (zh) | 2021-07-07 | 2021-07-07 | 基于三维传感器的地面点云分割方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115657060A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116520353A (zh) * | 2023-06-29 | 2023-08-01 | 广汽埃安新能源汽车股份有限公司 | 基于激光点云的地面检测方法、装置、存储介质及设备 |
CN117456131A (zh) * | 2023-12-26 | 2024-01-26 | 深圳市信润富联数字科技有限公司 | 缺陷场景下点云的降采样方法及装置 |
-
2021
- 2021-07-07 CN CN202110769277.0A patent/CN115657060A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116520353A (zh) * | 2023-06-29 | 2023-08-01 | 广汽埃安新能源汽车股份有限公司 | 基于激光点云的地面检测方法、装置、存储介质及设备 |
CN116520353B (zh) * | 2023-06-29 | 2023-09-26 | 广汽埃安新能源汽车股份有限公司 | 基于激光点云的地面检测方法、装置、存储介质及设备 |
CN117456131A (zh) * | 2023-12-26 | 2024-01-26 | 深圳市信润富联数字科技有限公司 | 缺陷场景下点云的降采样方法及装置 |
CN117456131B (zh) * | 2023-12-26 | 2024-05-24 | 深圳市信润富联数字科技有限公司 | 缺陷场景下点云的降采样方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11915502B2 (en) | Systems and methods for depth map sampling | |
WO2021097618A1 (zh) | 点云分割方法、系统及计算机存储介质 | |
CN111006676B (zh) | 地图构建方法、装置及系统 | |
CN111104933B (zh) | 地图处理方法、移动机器人及计算机可读存储介质 | |
CN111932943B (zh) | 动态目标的检测方法、装置、存储介质及路基监测设备 | |
US20190164445A1 (en) | Method and system for simulating a radar image | |
CN110488818B (zh) | 一种基于激光雷达的机器人定位方法、装置和机器人 | |
CN115657060A (zh) | 基于三维传感器的地面点云分割方法及装置 | |
JP2014523572A (ja) | 地図データの生成 | |
CN112529963A (zh) | 一种楼梯检测方法、装置及移动机器人 | |
CN112784799A (zh) | Agv后向栈板及障碍物识别方法、装置及agv | |
Ferri et al. | Dynamic obstacles detection and 3d map updating | |
EP3842836A1 (en) | Method, apparatus and storage medium for positioning object | |
CN116993817B (zh) | 目标车辆的位姿确定方法、装置、计算机设备及存储介质 | |
WO2016207669A2 (en) | A method of generating a three dimensional representation of an environment or system | |
KR20180027242A (ko) | 무인 차량을 위한 주변 환경 매핑 방법 및 장치 | |
CN113282088A (zh) | 工程车的无人驾驶方法、装置、设备、存储介质及工程车 | |
CN117392241A (zh) | 自动驾驶中的传感器标定方法、装置及电子设备 | |
CN112405526A (zh) | 一种机器人的定位方法及装置、设备、存储介质 | |
EP4083336B1 (en) | Method and apparatus for detecting operating terrain, and engineering equipment for detecting operating terrain | |
Zea et al. | Tracking extended objects using extrusion random hypersurface models | |
CN112904365B (zh) | 地图的更新方法及装置 | |
GB2537696A (en) | A method of generating a three dimensional representation of an environment or system | |
WO2017158167A2 (en) | A computer implemented method for tracking an object in a 3d scene | |
CN113495281A (zh) | 可移动平台的实时定位方法及装置 |
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 |