CN115731273A - 位姿图优化方法及装置、电子设备和存储介质 - Google Patents
位姿图优化方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN115731273A CN115731273A CN202211533116.2A CN202211533116A CN115731273A CN 115731273 A CN115731273 A CN 115731273A CN 202211533116 A CN202211533116 A CN 202211533116A CN 115731273 A CN115731273 A CN 115731273A
- Authority
- CN
- China
- Prior art keywords
- pose
- elements
- point cloud
- constraint
- current frame
- 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
- Traffic Control Systems (AREA)
Abstract
本公开公开了一种位姿图优化方法及装置、电子设备和存储介质,涉及人工智能技术领域,具体涉及图像处理技术领域。所述方法具体为:对目标场景的点云数据图进行元素提取,得到多个语义元素;基于激光雷达获取多次经过所述语义元素的帧的位姿数据;确定不同次对应帧的相对位姿约束,并依据所述相对位姿约束配准不同次对应帧的点云数据,以优化所述目标场景的位姿图。本公开在对位姿图优化时,引入了语义元素,利用语义元素确定相对位姿约束,无需点云配准计算相对位姿,效率较高。
Description
技术领域
本公开涉及人工智能技术领域,具体涉及图像处理技术领域,尤其涉及一种位姿图优化方法、位姿图优化装置、电子设备和存储介质。
背景技术
高精地图可以充分反应当前位置的道路情况,在车辆驾驶等领域起着至关重要的作用。通过高精地图,车辆能够提前了解当前位置前方可能的道路情况,动态调整传感器的功能,从而降低对于传感器的性能要求,合理分配计算资源。
相关技术中,高精点云地图的构建通常包含里程计、回环、位姿图优化三个部分。其中,位姿图优化通过点云配准的方式实现,但该方法存在点云配准计算观测比较耗时,且点云有噪点时观测计算不准等问题。
故而,为了解决上述问题,本公开实施例提出了一种位姿图优化方法、位姿图优化装置、电子设备和存储介质。
发明内容
本公开提供了一种位姿图优化方法、位姿图优化装置、电子设备和存储介质,主要目的在于解决现有技术中存在的点云配准计算观测比较耗时,且点云有噪点时观测计算不准等问题。
根据本公开的一方面,提供了一种位姿图优化方法,包括:
对目标场景的点云数据图进行元素提取,得到多个语义元素;
基于激光雷达获取多次经过所述语义元素的帧的位姿数据;
确定不同次对应帧的相对位姿约束,并依据所述相对位姿约束配准不同次对应帧的点云数据,以优化所述目标场景的位姿图。
根据本公开的另一方面,提供了一种位姿图优化装置,包括:
元素提取模块,用于对目标场景的点云数据图进行元素提取,得到多个语义元素;
位姿数据获取模块,用于基于激光雷达获取多次经过所述语义元素的帧的位姿数据;
位姿图优化模块,用于确定不同次对应帧的相对位姿约束,并依据所述相对位姿约束配准不同次对应帧的点云数据,以优化所述目标场景的位姿图。
根据本公开的另一方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行前述一方面中任一项所述的方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行前述一方面中任一项所述的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现前述一方面中任一项所述的方法。
在本公开一个或多个实施例中,对目标场景的点云数据图进行元素提取,得到多个语义元素;基于激光雷达获取多次经过语义元素的帧的位姿数据;确定不同次对应帧的相对位姿约束,并依据相对位姿约束配准不同次对应帧的点云数据,以优化目标场景的位姿图。本公开实施例在对位姿图优化时,引入了语义元素,直接使用语义元素确定相对位姿约束,无需点云配准计算相对位姿,效率较高,比较轻量且效果较好,解决了点云配准计算观测比较耗时,且点云有噪点时观测计算不准的问题。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1示出本公开实施例提供的一种位姿图优化方法的流程示意图;
图2是根据本公开第二实施例的位姿图优化方法的流程示意图;
图3是用来实现本公开实施例的位姿图优化装置的结构示意图;
图4是用来实现本公开实施例的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
高精地图可以充分反应当前位置的道路情况,在车辆驾驶等领域起着至关重要的作用。通过高精地图,车辆能够提前了解当前位置前方可能的道路情况,动态调整传感器的功能,从而降低对于传感器的性能要求,合理分配计算资源。
相关技术中,高精点云地图构建通常包含里程计、回环、位姿图优化三个部分。给定成对的lidar(激光雷达)相对位姿,位姿图优化用于求解一组全局一致的lidar绝对位姿。位姿图优化的输入通常包括三部分:不同趟位姿间的观测约束,该观测约束通常由点云配准得到;同趟相邻帧间约束,通常由里程计或gps得到;位姿先验,由gps得到。其中,同趟位姿指的是激光雷达同一次经过目标场景时获取的多帧位姿之间的约束,不同趟指的是不同次经过目标场景的同一位置时获取的多帧位姿之间的约束。然而,上述位姿图优化过程中通过点云配准计算不同趟位姿间的观测约束,比较耗时,且点云有噪点时观测计算不准。
为了解决相关技术存在的上述问题,本公开实施例提供了一种位姿图优化方法、位姿图优化装置、电子设备和存储介质。下面结合具体的实施例对本公开进行详细说明。
在第一个实施例中,如图1所示,图1为根据本公开第一实施例的位姿图优化方法的流程示意图,该方法可依赖于计算机程序实现,可运行于进行位姿图优化装置上。该计算机程序可集成在应用中,也可作为独立的工具类应用运行。
其中,位姿图优化装置可以是具有图优化功能的电子设备,该电子设备包括但不限于:可穿戴设备、手持设备、个人电脑、平板电脑、车载设备、智能手机、计算设备或连接到无线调制解调器的其它处理设备等。在不同的网络中电子设备可以叫做不同的名称,例如:用户设备、接入电子设备、用户单元、用户站、移动站、移动台、远方站、远程电子设备、移动设备、用户电子设备、电子设备、无线通信设备、用户代理或用户装置、蜂窝电话、无绳电话、个人数字处理(personal digital assistant,PDA)、第五代移动通信技术(5thGeneration Mobile Communication Technology,5G)网络、第四代移动通信技术(the 4thgeneration mobile communication technology,4G)网络、第三代移动通信技术(3rd-Generation,3G)网络或未来演进网络中的电子设备等。
下面对上述第一实施例的位姿图优化方法进行详细说明。如图1所述,该位姿图优化方法包括以下步骤:
S101:对目标场景的点云数据图进行元素提取,得到多个语义元素;
S102:基于激光雷达获取多次经过语义元素的帧的位姿数据;
S103:确定不同次对应帧的相对位姿约束,并依据相对位姿约束配准不同次对应帧的点云数据,以优化目标场景的位姿图。
在本公开实施例中,对目标场景的点云数据图进行元素提取,得到多个语义元素;基于激光雷达获取多次经过语义元素的帧的位姿数据;确定不同次对应帧的相对位姿约束,并依据相对位姿约束配准不同次对应帧的点云数据,以优化目标场景的位姿图。本公开实施例在对位姿图优化时,引入了语义元素,直接使用语义元素确定相对位姿约束,无需点云配准计算相对位姿,效率较高,比较轻量且效果较好,解决了点云配准计算观测比较耗时,且点云有噪点时观测计算不准的问题。
以下对上述位姿图优化方法中的各个步骤进行阐述,具体地,上述位姿图优化方法包括:
S101,对目标场景的点云数据图进行元素提取,得到多个语义元素。
本公开实施例用于实现高精度地图构建过程中的位姿图优化过程,主要涉及回环过程中相对位姿关系的确定。上述目标场景为上述高精度地图对应的实际三维场景。例如,目标场景可以为操场、街道或会议大厅等,本公开实施例对此不做特殊限定。
上述点云数据图通过激光雷达扫描上述目标场景得到,为三维坐标系统中的一组向量的集合,除了具有几何位置以外,还包含颜色信息及强度信息。其中,颜色信息通常是通过相机获取彩色影像,然后将对应位置的像素的RGB信息(颜色信息)赋予点云中对应的点。强度信息是激光扫描仪接收装置采集到的回波强度,此强度信息与目标的表面材质、粗糙度、入射角方向,以及仪器的发射能量,激光波长有关。
上述语义元素为上述目标场景中存在的物体在上述点云数据图中的对应点、线或面。以上述目标场景为街道为例,上述语义元素在目标场景中可以为地面、指示牌、车道线、杆等街道上存在的物体。则上述对目标场景的点云数据图进行元素提取,得到多个语义元素的过程可以实现如下:从目标场景的点云数据图中提取出杆、地面、指示牌及车道线,并将杆及车道线参数化为线元素,将指示牌及地面参数化为面元素。需要说明的是,上述场景只是一种示例性说明,本示例实施方式的保护范畴并不以此为限,例如,上述目标场景也可以为其他实际三维场景,上述语义元素也可以取上述目标场景中的其他物体。
S102,基于激光雷达获取多次经过所述语义元素的帧的位姿数据。
在本公开实施例中,通过激光雷达获取上述目标场景的点云数据图,具体地,可以在观测车上设置激光雷达,随着观测车的移动拍摄目标场景的点云数据。示例性地,上述基于激光雷达获取多次经过语义元素的帧的位姿数据可以实现如下:基于激光雷达获取经过语义元素的当前帧的位姿数据;基于当前帧的位姿数据进行回环检测,得到当前帧对应的回环帧,并获取回环帧的位姿数据。
其中,本公开实施例需要首先确定上述当前帧,确定“当前帧”的原则是不与过近的帧发生回路闭合,也即用于回环检测的帧需尽可能稀疏一些,可以较大概率检测到回环。当然具体如何确定“当前帧”,可以根据实际需求灵活确定,在此不作具体限定。
上述回环帧为与当前帧不同次在目标场景中经过语义元素的对应帧。示例性地,以上述目标场景为操场为例,假设选取上述配有激光雷达的观测车第一次经过旗杆时获取的帧点云数据选取为当前帧,则观测车第二次以以上经过该旗杆时获取到的帧点云数据为回环帧。在依据上述原则确定当前帧后,便可以基于所确定的当前帧通过回环检测的方式确定当前帧对应的回环帧,具体的回环检测方式可以根据实际需求灵活设置,例如采用特征点结合词袋等方法,如ORB-SLAM,VINS-Mono等。
S103,确定不同次对应帧的相对位姿约束,并依据相对位姿约束配准不同次对应帧的点云数据,以优化所述目标场景的位姿图。
在通过步骤S102获取到不同次经过语义元素的帧位姿数据后,在该步骤中确定不同次对应帧的相对位姿约束,并基于该相对位姿约束配准不同次对应帧的点云数据。示例性地,上述相对位姿约束可以通过语义元素的几何特征确定。则上述过程具体实现可以如下:依据语义元素之间的几何位置关系确定当前帧及回环帧的相对位姿约束,并配准当前帧及回环帧的点云数据。
以上述从目标场景的点云数据图中提取出杆、地面、指示牌及车道线,并将杆及车道线参数化为线元素,将指示牌及地面参数化为面元素为例,上述依据语义元素之间的几何位置关系确定当前帧及回环帧的相对位姿约束,并配准当前帧及回环帧的点云数据的过程可以实现如下:对于当前帧及回环帧中的线元素及面元素,根据线元素及面元素的中心点坐标,面元素的法向量及线元素的朝向确定相对位姿约束,并配准当前帧及回环帧的点云数据。
具体地,上述过程可以实现为:将当前帧及回环帧中各面元素及线元素的坐标转化至同一坐标系下;根据线元素及面元素的中心点坐标,面元素的法向量及线元素的朝向计算中心点距离约束及方向约束,以配准当前帧及回环帧的点云数据。
下面,以激光雷达获取到的第k帧点云数据为当前帧,第i帧为回环帧为具体实施例,对上述过程进行进一步地说明:
在该具体实施例中,上述将当前帧及回环帧中各面元素及线元素的坐标转化至同一坐标系下的过程可以通过以下公式实现:
其中,p表示元素中心点坐标,n表示面元素的法向量,v表示线元素的朝向。Rk,tk和Ri,ti分别表示第k帧和第i帧的旋转和平移。
假设第k帧的某个元素和第i帧的某个元素匹配。残差约束分为两部分,基于中心点的距离约束和方向约束。其中,面元素及线元素的中心点距离约束的计算可通过以下公式实现:
面元素及线元素的方向约束的计算可通过以下公式实现:
通过上述计算得到的距离约束及方向约束确定的相对位姿约束如下:
通过上述相对位姿约束可以将当前帧及回环帧中的点云数据配准,且直接使用牌,杆,车道线,地面等landmark获取观测约束,比较轻量且效果较好。同时可以解决通过点云配准计算观测比较耗时,且点云有噪点时观测计算不准等问题。
需要说明的是,上述场景只是一种示例性说明,本示例实施方式的保护范畴并不以此为限,可依据实际场景进行适应性调整。
请参见图2,图2是根据本公开第二实施例的位姿图优化方法的流程示意图。具体地:
S201,对目标场景的点云数据图进行元素提取,得到多个语义元素。
S202,基于激光雷达获取多次经过语义元素的帧的位姿数据。
S203,确定不同次对应帧的相对位姿约束,并依据相对位姿约束配准不同次对应帧的点云数据。
S204,确定目标场景对应的里程计约束及先验约束,基于里程计约束、先验约束,以及语义元素对应的不同次帧的相对位姿约束优化目标场景的位姿图。
在本示例实施方式中,在确定回环相对位姿约束后,还引入了里程计约束及先验约束,并通过上述回环相对约束、里程计约束及先验约束构成的总约束来实现位姿图优化,具体可通过以下公式实现:
rall=r+ro+rprior
其中,ro表示里程计提供的约束,rprior表示先验提供的约束,ro表示上述步骤S201至步骤S203得到的元素对应的不同次帧的相对位姿约束(回环帧约束),其中,ro通常由里程计或GPS(全球定位系统)得到,rp--由GPS得到。
其中,由于在位姿图优化时,难免会有观测计算错误的时候,故为解决该问题,在计算上述回环相对位姿约束时,本公开实施例还引入了自动滤除错误观测,该自动滤除错误观测可基于自适应权重实现如下:基于自适应权重对里程计约束、先验约束,以及语义元素对应的不同次帧的相对位姿约束进行加权运算,并依据加权运算得到的结果优化目标场景的位姿图。具体地,可如下:
在上述公式中,为降低错误关联的负面影响,使优化结果更鲁棒,增加了权重的自适应推断。由于车道线相比杆更容易出现误关联,因此只在车道线约束上添加自适应权重,且在优化位姿的同时也优化权重。
此外,上述步骤S201至步骤S203中的对应实现细节以在步骤S101至步骤S103中进行了详细的说明,在此不再赘述。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
下述为本公开装置实施例,可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节,请参照本公开方法实施例。
请参见图3,其示出了用来实现本公开实施例的位姿图优化装置。该位姿图优化装置可以通过软件、硬件或者两者的结合实现成为装置的全部或一部分。该位姿图优化装置300包括元素提取模块301、位姿数据获取模块302及位姿图优化模块303,其中:
元素提取模块301,用于对目标场景的点云数据图进行元素提取,得到多个语义元素;
位姿数据获取模块302,用于基于激光雷达获取多次经过语义元素的帧的位姿数据;
位姿图优化模块303,用于确定不同次对应帧的相对位姿约束,并依据相对位姿约束配准不同次对应帧的点云数据,以优化目标场景的位姿图。
可选地,上述位姿数据获取模块具体用于:基于激光雷达获取经过语义元素的当前帧的位姿数据;基于当前帧的位姿数据进行回环检测,得到当前帧对应的回环帧,并获取回环帧的位姿数据。
可选地,上述位姿图优化模块具体用于:依据语义元素之间的几何位置关系确定当前帧及回环帧的相对位姿约束,并配准当前帧及回环帧的点云数据。
可选地,上述元素提取模块具体用于:从目标场景的点云数据图中提取出杆、地面、指示牌及车道线,并将杆及车道线参数化为线元素,将指示牌及地面参数化为面元素。
进而,上述位姿图优化模块可通过执行以下方法来实现上述依据语义元素之间的几何位置关系确定当前帧及回环帧的相对位姿约束,并配准当前帧及回环帧的点云数据:对于当前帧及回环帧中的线元素及面元素,根据线元素及面元素的中心点坐标,面元素的法向量及线元素的朝向确定相对位姿约束,并配准当前帧及回环帧的点云数据。
可选地,上述过程可具体实现为:将当前帧及回环帧中各面元素及线元素的坐标转化至同一坐标系下;根据线元素及面元素的中心点坐标,面元素的法向量及线元素的朝向计算中心点距离约束及方向约束,以配准当前帧及回环帧的点云数据。
可选地,上述位姿图优化模块还可以用于:确定目标场景对应的里程计约束及先验约束;基于里程计约束、先验约束,以及语义元素对应的不同次帧的相对位姿约束优化目标场景的位姿图。
其中,上述过程还可以引入自适应权重降低错误关联的负面影响,使优化结果更鲁棒,具体可实现如下:基于自适应权重对里程计约束、先验约束,以及语义元素对应的不同次帧的相对位姿约束进行加权运算,并依据加权运算得到的结果优化目标场景的位姿图。
需要说明的是,上述实施例提供的位姿图优化装置在执行位姿图优化方法时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的位姿图优化装置与位姿图优化方法实施例属于同一构思,其体现实现过程详见方法实施例,这里不再赘述。
上述本公开实施例序号仅仅为了描述,不代表实施例的优劣。
本公开的技术方案中,所涉及的用户个人信息的获取、存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图4示出了可以用来实施本公开的实施例的示例电子设备400的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图4所示,设备400包括计算单元401,其可以根据存储在只读存储器(ROM)402中的计算机程序或者从存储单元408加载到随机访问存储器(RAM)403中的计算机程序,来执行各种适当的动作和处理。在RAM 403中,还可存储设备400操作所需的各种程序和数据。计算单元401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
设备400中的多个部件连接至I/O接口405,包括:输入单元406,例如键盘、鼠标等;输出单元407,例如各种类型的显示器、扬声器等;存储单元408,例如磁盘、光盘等;以及通信单元409,例如网卡、调制解调器、无线通信收发机等。通信单元409允许设备400通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元401可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元401的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元401执行上文所描述的各个方法。例如,在一些实施例中,位姿图优化方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元408。在一些实施例中,计算机程序的部分或者全部可以经由ROM 402和/或通信单元409而被载入和/或安装到设备400上。当计算机程序加载到RAM 403并由计算单元401执行时,可以执行上文描述的位姿图优化方法的一个或多个步骤。备选地,在其他实施例中,计算单元401可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行位姿图优化方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (18)
1.一种位姿图优化方法,包括:
对目标场景的点云数据图进行元素提取,得到多个语义元素;
基于激光雷达获取多次经过所述语义元素的帧的位姿数据;
确定不同次对应帧的相对位姿约束,并依据所述相对位姿约束配准不同次对应帧的点云数据,以优化所述目标场景的位姿图。
2.根据权利要求1所述的位姿图优化方法,其特征在于,所述基于激光雷达获取多次经过所述语义元素的帧的位姿数据,包括:
基于激光雷达获取经过所述语义元素的当前帧的所述位姿数据;
基于所述当前帧的所述位姿数据进行回环检测,得到所述当前帧对应的回环帧,并获取所述回环帧的位姿数据。
3.根据权利要求2所述的位姿图优化方法,其特征在于,所述确定不同次对应帧的相对位姿约束,并依据所述相对位姿约束配准不同次对应帧的点云数据,包括:
依据所述语义元素之间的几何位置关系确定所述当前帧及所述回环帧的相对位姿约束,并配准所述当前帧及所述回环帧的所述点云数据。
4.根据权利要求3所述的位姿图优化方法,其特征在于,所述对目标场景的点云数据图进行元素提取,得到多个语义元素,包括:
从所述目标场景的点云数据图中提取出杆、地面、指示牌及车道线,并将所述杆及所述车道线参数化为线元素,将所述指示牌及所述地面参数化为面元素。
5.根据权利要求4所述的位姿图优化方法,其特征在于,所述依据所述语义元素之间的几何位置关系确定所述当前帧及所述回环帧的相对位姿约束,并配准所述当前帧及所述回环帧的所述点云数据,包括:
对于所述当前帧及所述回环帧中的所述线元素及所述面元素,根据所述线元素及所述面元素的中心点坐标,所述面元素的法向量及所述线元素的朝向确定所述相对位姿约束,并配准所述当前帧及所述回环帧的所述点云数据。
6.根据权利要求5所述的位姿图优化方法,其特征在于,所述根据所述线元素及所述面元素的中心点坐标,所述面元素的法向量及所述线元素的朝向确定所述相对位姿约束,并配准所述当前帧及所述回环帧的所述点云数据,包括:
将所述当前帧及所述回环帧中各所述面元素及所述线元素的坐标转化至同一坐标系下;
根据所述线元素及所述面元素的中心点坐标,所述面元素的法向量及所述线元素的朝向计算中心点距离约束及方向约束,以配准所述当前帧及所述回环帧的所述点云数据。
7.根据权利要求1-6任一项所述的位姿图优化方法,其特征在于,所述方法还包括:
确定所述目标场景对应的里程计约束及先验约束;
基于所述里程计约束、所述先验约束,以及所述语义元素对应的不同次帧的相对位姿约束优化所述目标场景的位姿图。
8.根据权利要求7所述的位姿图优化方法,其特征在于,所述基于所述里程计约束、所述先验约束,以及所述语义元素对应的不同次帧的相对位姿约束优化所述目标场景的位姿图,包括:
基于自适应权重对所述里程计约束、所述先验约束,以及所述语义元素对应的不同次帧的相对位姿约束进行加权运算,并依据加权运算得到的结果优化所述目标场景的位姿图。
9.一种位姿图优化装置,包括:
元素提取模块,用于对目标场景的点云数据图进行元素提取,得到多个语义元素;
位姿数据获取模块,用于基于激光雷达获取多次经过所述语义元素的帧的位姿数据;
位姿图优化模块,用于确定不同次对应帧的相对位姿约束,并依据所述相对位姿约束配准不同次对应帧的点云数据,以优化所述目标场景的位姿图。
10.根据权利要求9所述的位姿图优化装置,其特征在于,所述位姿数据获取模块具体用于:
基于激光雷达获取经过所述语义元素的当前帧的所述位姿数据;
基于所述当前帧的所述位姿数据进行回环检测,得到所述当前帧对应的回环帧,并获取所述回环帧的位姿数据。
11.根据权利要求10所述的位姿图优化装置,其特征在于,所述位姿图优化模块具体用于:
依据所述语义元素之间的几何位置关系确定所述当前帧及所述回环帧的相对位姿约束,并配准所述当前帧及所述回环帧的所述点云数据。
12.根据权利要求11所述的位姿图优化装置,其特征在于,所述元素提取模块具体用于:
从所述目标场景的点云数据图中提取出杆、地面、指示牌及车道线,并将所述杆及所述车道线参数化为线元素,将所述指示牌及所述地面参数化为面元素。
13.根据权利要求12所述的位姿图优化装置,其特征在于,所述位姿图优化模块具体用于:
对于所述当前帧及所述回环帧中的所述线元素及所述面元素,根据所述线元素及所述面元素的中心点坐标,所述面元素的法向量及所述线元素的朝向确定所述相对位姿约束,并配准所述当前帧及所述回环帧的所述点云数据。
14.根据权利要求5所述的位姿图优化装置,其特征在于,所述位姿图优化模块具体用于:
将所述当前帧及所述回环帧中各所述面元素及所述线元素的坐标转化至同一坐标系下;
根据所述线元素及所述面元素的中心点坐标,所述面元素的法向量及所述线元素的朝向计算中心点距离约束及方向约束,以配准所述当前帧及所述回环帧的所述点云数据。
15.根据权利要求9-14任一项所述的位姿图优化装置,其特征在于,所述位姿图优化模块还用于:
确定所述目标场景对应的里程计约束及先验约束;
基于所述里程计约束、所述先验约束,以及所述语义元素对应的不同次帧的相对位姿约束优化所述目标场景的位姿图。
16.根据权利要求15所述的位姿图优化装置,其特征在于,所述位姿图优化模块还用于:
基于自适应权重对所述里程计约束、所述先验约束,以及所述语义元素对应的不同次帧的相对位姿约束进行加权运算,并依据加权运算得到的结果优化所述目标场景的位姿图。
17.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其特征在于,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行根据权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211533116.2A CN115731273A (zh) | 2022-11-29 | 2022-11-29 | 位姿图优化方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211533116.2A CN115731273A (zh) | 2022-11-29 | 2022-11-29 | 位姿图优化方法及装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115731273A true CN115731273A (zh) | 2023-03-03 |
Family
ID=85300909
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211533116.2A Pending CN115731273A (zh) | 2022-11-29 | 2022-11-29 | 位姿图优化方法及装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115731273A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116539026A (zh) * | 2023-07-06 | 2023-08-04 | 杭州华橙软件技术有限公司 | 地图构建方法、装置、设备及存储介质 |
-
2022
- 2022-11-29 CN CN202211533116.2A patent/CN115731273A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116539026A (zh) * | 2023-07-06 | 2023-08-04 | 杭州华橙软件技术有限公司 | 地图构建方法、装置、设备及存储介质 |
CN116539026B (zh) * | 2023-07-06 | 2023-09-29 | 杭州华橙软件技术有限公司 | 地图构建方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113902897B (zh) | 目标检测模型的训练、目标检测方法、装置、设备和介质 | |
CN113920307A (zh) | 模型的训练方法、装置、设备、存储介质及图像检测方法 | |
CN112560684B (zh) | 车道线检测方法、装置、电子设备、存储介质以及车辆 | |
EP4020387A2 (en) | Target tracking method and device, and electronic apparatus | |
CN116559928B (zh) | 激光雷达的位姿信息确定方法、装置、设备及存储介质 | |
CN115719436A (zh) | 模型训练方法、目标检测方法、装置、设备以及存储介质 | |
CN114140759A (zh) | 高精地图车道线位置确定方法、装置及自动驾驶车辆 | |
CN115731273A (zh) | 位姿图优化方法及装置、电子设备和存储介质 | |
CN112749701B (zh) | 车牌污损分类模型的生成方法和车牌污损分类方法 | |
CN113932796A (zh) | 高精地图车道线生成方法、装置和电子设备 | |
CN113379719A (zh) | 道路缺陷检测方法、装置、电子设备和存储介质 | |
CN111260722B (zh) | 车辆定位方法、设备及存储介质 | |
CN114429631B (zh) | 三维对象检测方法、装置、设备以及存储介质 | |
CN114723894B (zh) | 一种三维坐标获取方法、装置及电子设备 | |
CN113112551B (zh) | 相机参数的确定方法、装置、路侧设备和云控平台 | |
CN113379884B (zh) | 地图渲染方法、装置、电子设备、存储介质以及车辆 | |
CN115330851A (zh) | 单目深度估计方法、装置、电子设备、存储介质及车辆 | |
CN115410173A (zh) | 多模态融合的高精地图要素识别方法、装置、设备及介质 | |
CN113706705A (zh) | 用于高精地图的图像处理方法、装置、设备以及存储介质 | |
CN116559927B (zh) | 激光雷达的航向角确定方法、装置、设备及介质 | |
CN115294234B (zh) | 图像的生成方法、装置、电子设备和存储介质 | |
CN114581746B (zh) | 物体检测方法、装置、设备及介质 | |
CN116229209B (zh) | 目标模型的训练方法、目标检测方法及装置 | |
CN114170282A (zh) | 点云融合方法、装置、电子设备和介质 | |
EP4134843A2 (en) | Fusion and association method and apparatus for traffic objects in driving environment, and edge computing device |
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 |