CN116243329A - 基于激光雷达和相机融合的高精度多目标无接触测距方法 - Google Patents

基于激光雷达和相机融合的高精度多目标无接触测距方法 Download PDF

Info

Publication number
CN116243329A
CN116243329A CN202310148025.5A CN202310148025A CN116243329A CN 116243329 A CN116243329 A CN 116243329A CN 202310148025 A CN202310148025 A CN 202310148025A CN 116243329 A CN116243329 A CN 116243329A
Authority
CN
China
Prior art keywords
camera
radar
target
laser radar
information
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
Application number
CN202310148025.5A
Other languages
English (en)
Inventor
杨志刚
薛令阳
吉星
王凯
贺凯
冯凯
陈喆
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.)
Shaanxi Heavy Duty Automobile Co Ltd
Original Assignee
Shaanxi Heavy Duty Automobile Co 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 Shaanxi Heavy Duty Automobile Co Ltd filed Critical Shaanxi Heavy Duty Automobile Co Ltd
Priority to CN202310148025.5A priority Critical patent/CN116243329A/zh
Publication of CN116243329A publication Critical patent/CN116243329A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
    • G01S17/06—Systems determining position data of a target
    • G01S17/08—Systems determining position data of a target for measuring distance only
    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/06—Topological mapping of higher dimensional structures onto lower dimensional surfaces
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • 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
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Electromagnetism (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Databases & Information Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及基于激光雷达和相机融合的高精度多目标无接触测距方法，使用目标检测模型识别待检测对象的类别和坐标信息，再利用相机、激光雷达的联合标定信息将点云信息投影到图像中，获得含有位置信息的多维图像，再经过滤波处理获得目标对象在雷达坐标系下的位置。

Description

基于激光雷达和相机融合的高精度多目标无接触测距方法
技术领域
本发明涉及无接触测距领域。具体为基于激光雷达和相机融合的高精度多目标无接触测距方法。
背景技术
目标测距是自动驾驶感知、决策、控制的基础和重要组成部分，而目标检测是测距的前提条件。随着深度学习在计算机视觉方面的迅速发展，基于卷积神经网络的目标检测成为计算机视觉的热点问题之一，也是高级别自动驾驶在感知功能算法开发过程的基础。YOLO系列模型因检测效果佳、稳定性强、实时性好成为高级别自动驾驶在目标检测功能中的最佳选择之一。但在应对小目标和较远目标识别问题时，该预训练模型的识别效果有待改进。
基于视觉的测距算法主要分为几何方法和基于深度学习方法。基于几何的方法是将三维空间中的坐标点投影到图像像素坐标系下，该方法虽然物理意义清晰明确，但是对相机的标定有着严格的要求，且测距的范围有限，远距离的误差较大，无法满足高精度的需求。基于深度学习的方法可通过使用深度学习模型直接训练RBGD图像数据集直接获得图像的深度信息，但基于深度图像的标注数据集较为匮乏。
激光雷达因测距精度高和抗干扰能力强等优点在工业应用中占据着重要地位。基于激光雷达的目标测距主要有两种方法。一种是通过深度学习网络模型，基于点云数据集进行模型训练，利用训练有效的神经网络模型对点云进行检测识别。然而点云深度学习方法对数据集的依赖大、训练资源要求高等因素，尚不具备在工业界和高级别自动驾驶的主流算法的条件。另外一种是点云聚类分割目标检测，该方法对于障碍物测距具有良好的测距效果，但是无法识别障碍物的类型，此外在识别远距离小目标时，因点云稀疏，可能会造成无法聚类出目标，导致无法检测的情况发生。
因此，基于纯视觉的测距算法和激光雷达测距算法无法满足小目标的高精度测距和强稳定性的需求。本发明针对上述存在的问题提出了一种基于相机和激光雷达匹配识别的测距算法。
发明内容
本发明为了解决背景技术中存在的问题，目的在于提供了基于激光雷达和相机融合的高精度多目标无接触测距方法，该方法可以结合自动驾驶技术为复杂多目标场景车辆决策和控制提供支撑，可以有效解决复杂环境下多目标对象距离测量难、精度差、复杂决策或控制环境细节物理信息欠缺的问题。
用于解决问题的方案
基于激光雷达和相机融合的高精度多目标无接触测距方法，所述方法包括：
对相机进行内参标定，输出相机内参矩阵和畸变矩阵；
利用相机内参矩阵和畸变矩阵对相机的原始图像进行去畸变处理，得到去畸变后的图像数据；
基于相机、雷达联合标定算法(pnp算法)，对相机和雷达进行联合标定，得到相机、雷达联合标定结果即外参矩阵；
把所述去畸变后的图像数据输入到预训练好的目标检测模型中，输出含有类别和像素坐标信息的检测框；
对获取的激光雷达点云数据基于相机、雷达联合标定结果进行点云过滤，提取出相机、雷达重合视场角内的点云；
对相机、雷达重合视场角内的点云利用所述外参矩阵结合所述检测框的像素坐标信息进行投影处理，融合成含有图像RGB信息和点云XYZ三维坐标信息的多维数据；
对多维数据的点云XYZ三维坐标信息进行滤波处理，得到剔除离群点后的多维数据；
求取所述剔除离群点后的多维数据中XYZ维度的最小值或平均值，即作为目标相对于雷达本体的定位信息。
或对检测框内的多维数据进行滤波处理，得到剔除离群点后的原始点云XYZ三维坐标信息，即作为目标相对于雷达本体的定位信息。
进一步，所述预训练好的目标检测模型采用yolov3模型。
进一步，所述剔除离群点后的多维数据含有类别信息。
进一步，在得到目标相对于雷达本体的定位信息后，即得到了含有类别和距离信息的小目标。
进一步，基于pnp算法，对相机和雷达进行联合标定，得到相机、雷达联合标定结果即外参矩阵。
进一步，对多维数据的点云XYZ三维坐标信息采用StatisticalOutlierRemoval统计异常点滤波处理，得到剔除离群点后的多维数据。
有益效果：
上述技术方案的有益效果在于：
(1)通过激光雷达、相机融合的方法，能在识别目标的同时提供目标在机体坐标系下精确的位置信息，能够为复杂多交互对象场景下驾驶决策提供环境信息支撑，有利于避障和安全评估、规避，同时有利于后续不同交互对象的行为预测、轨迹预测，进一步实现自动驾驶的智能决策与控制。
(2)该方法设计采用了多传感器融合方法，可有效避免单个传感器测量稳定性差、难以实现多个小目标高精度距离测量的缺点，可以有效提高多对象复杂场景目标信息检测稳定性和获取速度，能进一步减少测量耗能，提供信息检测效率。
附图说明
图1是本发明整体流程图。
具体实施方式
下面结合实施例描述本发明具体实施方式：
需要说明的是，本说明书所示意的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。
同时，本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”及“一”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。
实施例1：
如图1所示，基于激光雷达和相机融合的高精度多目标无接触测距方法，所述方法包括：
对相机进行内参标定，输出相机内参矩阵[fx,fy,uo,vo]和畸变矩阵[k1,k2,k3,p1,p2]；
利用相机内参矩阵和畸变矩阵对相机的原始图像进行去畸变处理，得到去畸变后的图像数据；
基于相机、雷达联合标定算法(pnp算法)，对相机和雷达进行联合标定，得到相机、雷达联合标定结果即外参矩阵R(3×3)，T(3×1)；
把所述去畸变后的图像数据输入到预训练好的目标检测模型中，输出含有类别和像素坐标信息的检测框；
对获取的激光雷达点云数据基于相机、雷达联合标定结果进行点云过滤，提取出相机、雷达重合视场角内的点云；
对相机、雷达重合视场角内的点云利用所述外参矩阵结合所述检测框的像素坐标信息进行投影处理，融合成含有图像RGB信息和点云XYZ三维坐标信息的多维数据；
对多维数据的点云XYZ三维坐标信息进行滤波处理，得到剔除离群点后的多维数据；
求取所述剔除离群点后的多维数据中XYZ维度的最小值(Xmin，Ymin，Zmin)或平均值，即作为目标相对于雷达本体的定位信息。
或对检测框内的多维数据进行滤波处理，得到剔除离群点后的原始点云XYZ三维坐标信息，即作为目标相对于雷达本体的定位信息。
进一步，所述预训练好的目标检测模型采用yolov3模型。
进一步，所述剔除离群点后的多维数据含有类别信息。
进一步，在得到目标相对于雷达本体的定位信息后，即得到了含有类别和距离信息的小目标。
进一步，基于pnp算法，对相机和雷达进行联合标定，得到相机、雷达联合标定结果即外参矩阵。
进一步，对多维数据的点云XYZ三维坐标信息采用k-means滤波处理，得到剔除离群点后的多维数据。
本发明是参照根据本发明实施例的方法、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。

Claims (6)

1.基于激光雷达和相机融合的高精度多目标无接触测距方法，其特征在于，所述方法包括：
对相机进行内参标定，输出相机内参矩阵和畸变矩阵；
利用相机内参矩阵和畸变矩阵对相机的原始图像进行去畸变处理，得到去畸变后的图像数据；
基于相机、雷达联合标定算法，对相机和雷达进行联合标定，得到相机、雷达联合标定结果即外参矩阵；
把所述去畸变后的图像数据输入到预训练好的目标检测模型中，输出含有类别和像素坐标信息的检测框；
对获取的激光雷达点云数据基于相机、雷达联合标定结果进行点云过滤，提取出相机、雷达重合视场角内的点云；
对相机、雷达重合视场角内的点云利用所述外参矩阵结合所述检测框的像素坐标信息进行投影处理，融合成含有图像RGB信息和点云XYZ三维坐标信息的多维数据；
对多维数据的点云XYZ三维坐标信息进行滤波处理，得到剔除离群点后的多维数据；
求取所述剔除离群点后的多维数据中XYZ维度的最小值或平均值，即作为目标相对于雷达本体的定位信息。
2.根据权利要求1所述的基于激光雷达和相机融合的高精度多目标无接触测距方法，其特征在于，所述预训练好的目标检测模型采用yolov3模型。
3.根据权利要求1所述的基于激光雷达和相机融合的高精度多目标无接触测距方法，其特征在于，所述剔除离群点后的多维数据含有类别信息。
4.根据权利要求1所述的基于激光雷达和相机融合的高精度多目标无接触测距方法，其特征在于，在得到目标相对于雷达本体的定位信息后，即得到了含有类别和距离信息的小目标。
5.根据权利要求1所述的基于激光雷达和相机融合的高精度多目标无接触测距方法，其特征在于，基于pnp算法，对相机和雷达进行联合标定，得到相机、雷达联合标定结果即外参矩阵。
6.根据权利要求1所述的基于激光雷达和相机融合的高精度多目标无接触测距方法，其特征在于，
对多维数据的点云XYZ三维坐标信息采用StatisticalOutlierRemoval统计异常点滤波处理，得到剔除离群点后的多维数据。
CN202310148025.5A 2023-02-22 2023-02-22 基于激光雷达和相机融合的高精度多目标无接触测距方法 Pending CN116243329A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310148025.5A CN116243329A (zh) 2023-02-22 2023-02-22 基于激光雷达和相机融合的高精度多目标无接触测距方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310148025.5A CN116243329A (zh) 2023-02-22 2023-02-22 基于激光雷达和相机融合的高精度多目标无接触测距方法

Publications (1)

Publication Number Publication Date
CN116243329A true CN116243329A (zh) 2023-06-09

Family

ID=86634602

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310148025.5A Pending CN116243329A (zh) 2023-02-22 2023-02-22 基于激光雷达和相机融合的高精度多目标无接触测距方法

Country Status (1)

Country Link
CN (1) CN116243329A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117388831A (zh) * 2023-12-13 2024-01-12 中科视语(北京)科技有限公司 相机和激光雷达联合标定方法、装置、电子设备及介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117388831A (zh) * 2023-12-13 2024-01-12 中科视语(北京)科技有限公司 相机和激光雷达联合标定方法、装置、电子设备及介质
CN117388831B (zh) * 2023-12-13 2024-03-15 中科视语(北京)科技有限公司 相机和激光雷达联合标定方法、装置、电子设备及介质

Similar Documents

Publication Publication Date Title
WO2022022694A1 (zh) 自动驾驶环境感知方法及系统
CN108932736B (zh) 二维激光雷达点云数据处理方法以及动态机器人位姿校准方法
CN108132675B (zh) 一种工厂巡视无人机自主路径巡航以及智能避障方法
KR102195164B1 (ko) 다중 라이다를 이용한 다중 물체 인식 시스템 및 방법
CN108549084B (zh) 一种基于稀疏二维激光雷达的目标检测与姿态估计方法
CN113111887B (zh) 一种基于相机和激光雷达信息融合的语义分割方法及系统
CN113748357A (zh) 激光雷达的姿态校正方法、装置和系统
CN112683228A (zh) 单目相机测距方法及装置
CN114495064A (zh) 一种基于单目深度估计的车辆周围障碍物预警方法
Chen et al. Global path planning in mobile robot using omnidirectional camera
CN116243329A (zh) 基于激光雷达和相机融合的高精度多目标无接触测距方法
Robla et al. Visual sensor fusion for active security in robotic industrial environments
Li et al. Judgment and optimization of video image recognition in obstacle detection in intelligent vehicle
Rosero et al. Calibration and multi-sensor fusion for on-road obstacle detection
CN107274446B (zh) 一种利用法向一致性的尖锐几何边缘点识别方法
Ma et al. An efficient and robust complex weld seam feature point extraction method for seam tracking and posture adjustment
Zhang et al. Deep learning-based robot vision: High-end tools for smart manufacturing
Sun et al. Automatic targetless calibration for LiDAR and camera based on instance segmentation
CN112733678A (zh) 测距方法、装置、计算机设备和存储介质
CN112197773B (zh) 基于平面信息的视觉和激光定位建图方法
Ying et al. Technique of measuring leading vehicle distance based on digital image processing theory
Wang et al. A binocular vision method for precise hole recognition in satellite assembly systems
Miethig et al. A novel method for approximating object location error in bounding box detection algorithms using a monocular camera
Li et al. Obstacle information detection based on fusion of 3D LADAR and camera
Fuad et al. Robot Orientation Estimation Based on Single-Frame of Fish-eye Image

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