CN116299535A - 基于几何信息的激光雷达slam退化检测方法及系统 - Google Patents
基于几何信息的激光雷达slam退化检测方法及系统 Download PDFInfo
- Publication number
- CN116299535A CN116299535A CN202310207635.8A CN202310207635A CN116299535A CN 116299535 A CN116299535 A CN 116299535A CN 202310207635 A CN202310207635 A CN 202310207635A CN 116299535 A CN116299535 A CN 116299535A
- Authority
- CN
- China
- Prior art keywords
- matrix
- slam
- point cloud
- degradation
- laser radar
- 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
- G01S17/88—Lidar systems specially adapted for specific applications
-
- 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
-
- 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
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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)
- Multimedia (AREA)
- Electromagnetism (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computer Networks & Wireless Communication (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明提供一种基于几何信息的激光雷达SLAM退化检测方法和系统,包括:从激光雷达处获得原始点云数据并预处理;对预处理后的原始点云数据进行法向量估测,并将各法向量构成矩阵N;对矩阵N中的行向量进行主成分分析降低维度,并将降维后的法向量矩阵中缺少的方向作为当前识别的SLAM退化方向;对矩阵N计算奇异值分解得到对应特征值,并将最小的特征值作为当前识别的SLAM退化方向。本发明能解决激光雷达SLAM在退化场景下失效难以检测的问题,为激光SLAM的稳定运行提供预警,能实现较高的检测准确性,有利于实际应用。
Description
技术领域
本发明涉及计算机视觉领域,具体地,涉及一种基于几何信息的激光雷达SLAM退化检测方法及系统。
背景技术
激光雷达是目前一类应用广泛的传感器:发射模块基于光学原理,利用脉冲、调频、调幅等方式发射特定波长的激光;接收模块利用二极管元件对发射后反射回来的激光进行检测,通过光线飞行时间可以得到精确测距。激光雷达广泛应用于目标检测、场景建模、机器人导航等应用中,有较为广泛的商业与学术前景。
同步建图与定位算法(SLAM)是利用传感器提供的信息,建立所在环境场景的地图,并同时确定传感器在地图中的对应位置。目前SLAM技术广泛应用于机器人自主定位、导航任务中。而其中基于激光雷达的SLAM算法,因其高精度的测距信息与鲁棒的定位结果,广泛应用于无人物流、无人小巴等高难度定位导航任务中。
激光雷达SLAM算法的应用难题之一在于,面对特定场景的算法失效问题。这些场景包括:隧道、长廊、室外空旷停车场、高速公路等等,其特征在于场景中的结构性纹理较少,发生场景退化,定位时激光雷达提供的数据约束不足从而使算法失效。退化问题可以通过多传感器数据融合、状态空间建模补偿等方法处理,而如何对激光雷达SLAM的退化场景进行识别检测,成为算法优化的关键步骤。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种基于几何信息的激光雷达SLAM退化检测方法及系统。
根据本发明的一个方面,提供一种基于几何信息的激光雷达SLAM退化检测方法,包括:
从激光雷达处获得原始点云数据;
对所述原始点云数据进行预处理,获得非地面的连续点云数据;
对预处理后的原始点云数据进行法向量估测,并构成法向量矩阵N;
对所述矩阵N中的行向量进行主成分分析以降低所述矩阵N的维度,并将降维后的所述矩阵N中缺少的方向作为当前识别的SLAM退化方向;
对所述矩阵N进行奇异值分解得到对应特征值,并将最小的特征值作为当前识别的SLAM退化方向。
优选地,所述从激光雷达处获得原始点云数据,包括:
激光雷达利用脉冲、调频或调幅的方式发射特定波长的激光;
激光雷达接收发射后反射回来的激光,获得原始点云数据;
其中,所述原始点云数据是连续帧的点云数据,每一帧所述点云数据为一块云团,每块云团包括m个激光点束发射的点云。
优选地,所述预处理包括点云分类处理以及聚类噪声剔除处理。
优选地,一个所述法向量矩阵N对应描述一帧点云,一帧点云包括m束激光点束,每个激光点束对应一个法向量,所述法向量矩阵其中i∈{1,2,…,m}是激光点束的索引,每一行的n代表一个激光点束的法向量,nixniyniz是激光雷达坐标系下的方向。
优选地,所述对所述矩阵N中的行向量nixniyniz进行主成分分析以降低所述矩阵N的维度,包括:
将所述矩阵N中的方向相似的法向量合并,降低矩阵N的维度;
基于降低维度后的矩阵N,对点云的几何分布进行描述,得到当前各点集表面法线的约束所描述的三维空间,此时完全缺少法向的几何约束的方向即为当前识别的SLAM退化方向。
优选地,对矩阵N计算奇异值分解得到对应特征值:
其中最小特征值λmin可以描述当前位置的可定位性;
若λmin小于所设定的阈值,代表当前场景发生退化,该最小特征值λmin对应的特征向量也就是当前识别的SLAM退化方向。
优选地,矩阵在任一特征向量的投影,是特征向量自身固定的伸缩,伸缩比例是特征值,特征值反映矩阵在该特征向量方向的投影的比例大小,特征值越小,说明矩阵在该特征向量方向上的约束越小,约束小,说明在该方向上容易发生退化。
根据本发明的第二个方面,提供一种基于点云三维几何识别的激光雷达SLAM退化场景识别检测系统,包括:
数据获取模块,该模块从激光雷达处获得原始点云数据;
预处理模块,该模块对所述原始点云数据进行预处理,获得非地面的连续点云数据;
估测模块,该模块对预处理后的原始点云数据进行法向量估测,并构成法向量矩阵N;
分析识别模块1,该模块对所述矩阵N中的行向量进行主成分分析以降低所述矩阵N的维度,并将降维后的法向量矩阵中缺少的方向作为当前识别的SLAM退化方向;
分析识别模块2,该模块对所述矩阵N进行奇异值分解得到对应特征值,并将最小的特征值作为当前识别的SLAM退化方向。
根据本发明的第三个方面,提供一种终端,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时可用于执行上述的基于点云三维几何识别的激光雷达SLAM退化场景识别检测系统,或,运行上述的基于几何信息的激光雷达SLAM退化检测方法。
根据本发明的第四个方面,提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时可用于执行上述的基于点云三维几何识别的激光雷达SLAM退化场景识别检测系统,或,运行上述的基于几何信息的激光雷达SLAM退化检测方法。
与现有技术相比,本发明具有如下的有益效果:
对本发明实施例中的基于几何信息的激光雷达SLAM退化检测方法和系统,能解决激光雷达SLAM在退化场景下失效难以检测的问题,其将激光雷达传感器采集的连续帧点云进行分析,获取法向量矩阵,得到点云三维几何信息约束;根据点云约束关系,设计基于点云三维几何信息的识别退化方向,为激光SLAM的稳定运行提供预警,能实现较高的检测准确性,有利于实际应用。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1是本发明一实施例中的一种基于几何信息的激光雷达SLAM退化检测方法的流程图;
图2是本发明一实施例中的对激光雷达点云进行主成分分析求解法向量的示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进。这些都属于本发明的保护范围。
首先,对本发明中涉及的名词(SLAM和退化场景)作出解释。SLAM:同步建图与定位算法,利用传感器提供的信息,在运动过程中建立所在环境场景的地图,并同时确定传感器在地图中的对应位置。SLAM技术广泛应用于机器人的环境建模与自主定位导航任务中。激光雷达SLAM即为根据激光雷达传感器获取的点云信息画出激光扫描场景的地图,并且确定该激光雷达传感器在该地图中的位置。退化场景:激光雷达使用场景中的结构性纹理较少,使得传感器在场景中提供的数据面对系统的优化问题时无法提供足够的约束,优化对象落入局部最优解而导致系统失效。激光雷达的退化场景包括隧道、长廊、室外空旷停车场、高速公路等。
参见图1,本发明提供一个实施例,一种基于几何信息的激光雷达SLAM退化检测方法,包括:
S100,从激光雷达处获得原始点云数据,并进行预处理,获得非地面的连续点云数据;
S200,对S100预处理后的各点云集合进行法向量估测,并将各法向量构成矩阵N;
S300,对S200矩阵N中的行向量进行主成分分析,以降低矩阵N的维度,并将降维后的法向量矩阵中缺少的方向作为当前识别的SLAM退化方向;
S400,对S200矩阵N进行奇异值分解得到对应特征值,并将最小的特征值作为当前识别的SLAM退化方向。
本实施例解决了激光雷达SLAM在退化场景下失效难以检测的问题,为激光SLAM的稳定运行提供预警,能实现较高的检测准确性,有利于实际应用。
在本发明的一个优选实施例中,实施S100,激光雷达利用脉冲、调频、调幅等方式发射特定波长的激光,接收发射后反射回来的激光,从而获得原始点云数据。接着,对原始点云数据进行预处理,如通过地面点云分离、聚类噪声剔除的方式对点云进行预处理。原始点云数据是连续帧的点云数据,每一帧点云数据为一块云团,包括m个激光点发射的点云。
在本发明的一个优选实施例中,实施S200,对预处理结束后得到的各点云集合进行法向量估测,并将各法向量构成矩阵N,对当前系统的可观测约束进行描述:
其中i∈{1,2,…,m}是激光点束的索引,一个矩阵N对应描述一帧点云,每一行的n代表一个激光点束的法向量,法向量就是每一个点的几何信息,共有m个法向量,nixniyniz是激光雷达坐标系下的方向。法向量就是每一个点的几何信息,因此矩阵N构成了对系统的几何约束。
关于可观测约束的理解如下:系统的状态不是直接测量得到的,而是通过观测方法得到相关信息,再推测系统的状态,如本实施例中,激光雷达SLAM系统是否退化的状态是无法直接测量的,观测变量是点云,观测结果通过构建矩阵N,从而描述了系统的观测,构成对系统状态进行推测的约束条件。点云的法向矩阵中,每一个法向量都是对系统的观测信息,描述了当前系统所处环境的状态,也就是点云中每个点在环境中的垂线几何信息,因此用这些信息可以构成可观测约束,为后续推测系统状态构成约束。
在本发明的一个优选实施例中,实施S300,参见图2,对法向量矩阵进行出成分分析,具体的:将矩阵N中m个点中的,方向中相似的法向量合并,降低矩阵N的维度;基于降低维度后的矩阵N,对点云的几何分布进行描述,得到当前各点集表面法线的约束所描述的三维空间,此时完全缺少法向的几何约束的方向即为退化方向。
在本发明的一个优选实施例中,实施S400,对矩阵N计算奇异值分解得到对应特征值:
矩阵在任一特征向量的投影,是特征向量自身固定的伸缩,伸缩比例是特征值,特征值反映矩阵在该特征向量方向的投影的比例大小,特征值越小,说明矩阵在该特征向量方向上的约束越小。最小的特征值对应的向量方向是约束最小的方向,也就是最可能发生退化的方向。
其中最小特征值λmin可以描述当前位置的可定位性(描述机器人通过SLAM获得的定位信息的可靠性)。若λmin小于所设定的阈值,代表当前场景发生退化。同时,最小特征值λmin对应的特征向量也就是当前的退化方向。
SLAM的数据输入是激光雷达点云,而SLAM本身不会对退化进行识别,上述实施例可作为SLAM系统的补充,在将激光雷达点云输入到SLAM系统前,通过上述实施例可以判断该数据是否会导致SLAM系统失效,从而提前做出预警。
基于相同的技术构思,本发明其他实施例中,提供一种基于点云三维几何识别的激光雷达SLAM退化场景识别检测系统,包括:数据获取模块、预处理模块、估测模块、分析识别模块1和分析识别模块2。数据获取模块从激光雷达处获得原始点云数据;预处理模块对原始点云数据进行预处理,获得非地面的连续点云数据;估测模块对预处理后的原始点云数据进行法向量估测,并构成法向量矩阵N;分析识别模块1对矩阵N中的行向量进行主成分分析以降低矩阵N的维度,并将降维后的法向量矩阵中缺少的方向作为当前识别的退化方向;分析识别模块2对矩阵N进行奇异值分解得到对应特征值,并将最小的特征值作为当前识别的退化方向。
在本发明的其他实施例中,提供一种终端,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时可用于执行上述的一种基于点云三维几何识别的激光雷达SLAM退化场景识别检测系统,或,运行上述的一种基于几何信息的激光雷达SLAM退化检测方法。
可选地,存储器,用于存储程序;存储器,可以包括易失性存储器(英文:volatilememory),例如随机存取存储器(英文:random-access memory,缩写:RAM),如静态随机存取存储器(英文:static random-access memory,缩写:SRAM),双倍数据率同步动态随机存取存储器(英文:Double Data Rate Synchronous Dynamic Random Access Memory,缩写:DDR SDRAM)等;存储器也可以包括非易失性存储器(英文:non-volatile memory),例如快闪存储器(英文:flash memory)。存储器用于存储计算机程序(如实现上述方法的应用程序、功能模块等)、计算机指令等,上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器中。并且上述的计算机程序、计算机指令、数据等可以被处理器调用。
上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器中。并且上述的计算机程序、计算机指令、数据等可以被处理器调用。
处理器,用于执行存储器存储的计算机程序,以实现上述实施例涉及的方法中的各个步骤。具体可以参见前面方法实施例中的相关描述。
处理器和存储器可以是独立结构,也可以是集成在一起的集成结构。当处理器和存储器是独立结构时,存储器、处理器可以通过总线耦合连接。
在本发明的其他实施例中,提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时可用于执行上述的一种基于点云三维几何识别的激光雷达SLAM退化场景识别检测系统,或,运行上述的一种基于几何信息的激光雷达SLAM退化检测方法。
其中,计算机可读介质包括计算机存储介质和通信介质,其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。一种示例性的存储介质耦合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。另外,该ASIC可以位于用户设备中。当然,处理器和存储介质也可以作为分立组件存在于通信设备中。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明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,本发明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。
本发明是参照根据本发明的方法、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。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于几何信息的激光雷达SLAM退化检测方法,其特征在于,包括:
从激光雷达处获得原始点云数据;
对所述原始点云数据进行预处理,获得非地面的连续点云数据;
对预处理后的原始点云数据进行法向量估测,并构成法向量矩阵N;
对所述矩阵N中的行向量进行主成分分析以降低所述矩阵N的维度,并将降维后的所述矩阵N中缺少的方向作为当前识别的SLAM退化方向;
对所述矩阵N进行奇异值分解得到对应特征值,并将最小的特征值作为当前识别的SLAM退化方向。
2.根据权利要求1所述的一种基于几何信息的激光雷达SLAM退化检测方法,其特征在于,所述从激光雷达处获得原始点云数据,包括:
激光雷达利用脉冲、调频或调幅的方式发射特定波长的激光;
激光雷达接收发射后反射回来的激光,获得原始点云数据;
其中,所述原始点云数据是连续帧的点云数据,每一帧所述点云数据为一块云团,每块云团包括m个激光点束发射的点云。
3.根据权利要求1所述的一种基于几何信息的激光雷达SLAM退化检测方法,其特征在于,所述预处理包括点云分类处理以及聚类噪声剔除处理。
5.根据权利要求1所述的一种基于几何信息的激光雷达SLAM退化检测方法,其特征在于,所述对矩阵N中的行向量进行主成分分析以降低所述矩阵N的维度,包括:
将所述矩阵N中的方向相似的法向量合并,降低矩阵N的维度;
基于降低维度后的矩阵N,对点云的几何分布进行描述,得到当前各点集表面法线的约束所描述的三维空间,此时缺少法向的几何约束的方向即为当前识别的SLAM退化方向。
7.根据权利要求6所述的一种基于几何信息的激光雷达SLAM退化检测方法,其特征在于,矩阵在任一特征向量的投影,是特征向量自身固定的伸缩,伸缩比例是特征值,特征值反映矩阵在该特征向量方向的投影的比例大小,特征值越小,说明矩阵在该特征向量方向上的约束越小,约束小,说明在该方向上容易发生退化。
8.一种基于几何信息的激光雷达SLAM退化检测系统,其特征在于,包括:
数据获取模块,该模块从激光雷达处获得原始点云数据;
预处理模块,该模块对所述原始点云数据进行预处理,获得非地面的连续点云数据;
估测模块,该模块对预处理后的原始点云数据进行法向量估测,并构成法向量矩阵N;
分析识别模块1,该模块对所述矩阵N中的行向量进行主成分分析以降低所述矩阵N的维度,并将降维后的法向量矩阵中缺少的方向作为当前识别的SLAM退化方向;
分析识别模块2,该模块对所述矩阵N进行奇异值分解得到对应特征值,并将最小的特征值作为当前识别的SLAM退化方向。
9.一种终端,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时可用于执行权利要求1-7中任一项所述的系统,或,运行权利要求8中所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时可用于执行权利要求1-7中任一项所述的系统,或,运行权利要求8中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310207635.8A CN116299535A (zh) | 2023-03-06 | 2023-03-06 | 基于几何信息的激光雷达slam退化检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310207635.8A CN116299535A (zh) | 2023-03-06 | 2023-03-06 | 基于几何信息的激光雷达slam退化检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116299535A true CN116299535A (zh) | 2023-06-23 |
Family
ID=86814384
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310207635.8A Pending CN116299535A (zh) | 2023-03-06 | 2023-03-06 | 基于几何信息的激光雷达slam退化检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116299535A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117789198A (zh) * | 2024-02-28 | 2024-03-29 | 上海几何伙伴智能驾驶有限公司 | 基于4d毫米波成像雷达实现点云退化检测的方法 |
-
2023
- 2023-03-06 CN CN202310207635.8A patent/CN116299535A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117789198A (zh) * | 2024-02-28 | 2024-03-29 | 上海几何伙伴智能驾驶有限公司 | 基于4d毫米波成像雷达实现点云退化检测的方法 |
CN117789198B (zh) * | 2024-02-28 | 2024-05-14 | 上海几何伙伴智能驾驶有限公司 | 基于4d毫米波成像雷达实现点云退化检测的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022022694A1 (zh) | 自动驾驶环境感知方法及系统 | |
CN111947671B (zh) | 用于定位的方法、装置、计算设备和计算机可读存储介质 | |
US11176701B2 (en) | Position estimation system and position estimation method | |
JP7316310B2 (ja) | 測位方法、装置、コンピューティングデバイス、およびコンピュータ可読記憶媒体 | |
US20180267142A1 (en) | Signal processing apparatus, signal processing method, and program | |
US8295547B1 (en) | Model-based feature tracking in 3-D and 2-D imagery | |
CN111583369A (zh) | 一种基于面线角点特征提取的激光slam方法 | |
AU2018282302A1 (en) | Integrated sensor calibration in natural scenes | |
CN111080784B (zh) | 一种基于地面图像纹理的地面三维重建方法和装置 | |
CN114236564B (zh) | 动态环境下机器人定位的方法、机器人、装置及存储介质 | |
US20220075074A1 (en) | Obstacle detection device and obstacle detection method | |
CN116299535A (zh) | 基于几何信息的激光雷达slam退化检测方法及系统 | |
CN114549738A (zh) | 无人车室内实时稠密点云重建方法、系统、设备及介质 | |
CN112068152A (zh) | 使用3d扫描仪同时进行2d定位和2d地图创建的方法和系统 | |
US20150134234A1 (en) | Apparatus for determining motion characteristics of target and device for controlling driving route of vehicle including the same | |
CN115494533A (zh) | 车辆定位方法、装置、存储介质及定位系统 | |
CN115291197A (zh) | 激光雷达的标定参数检测方法、装置、车辆及存储介质 | |
CN116203579A (zh) | 基于点云残差的激光雷达slam退化检测方法及系统 | |
CN112767545A (zh) | 一种点云地图构建方法、装置、设备及计算机存储介质 | |
CN111753901A (zh) | 一种数据融合方法、装置、系统及计算机设备 | |
CN115239899B (zh) | 位姿图生成方法、高精地图生成方法和装置 | |
US11210535B1 (en) | Sensor fusion | |
CN116299536A (zh) | 基于位姿约束的激光雷达slam退化检测方法及系统 | |
CN114445591A (zh) | 地图构建方法、系统、设备以及计算机存储介质 | |
KR20200133919A (ko) | 자율주행차량의 경로 보상 장치 및 그 방법 |
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 |