CN116481515A - 一种地图生成方法、装置、计算机设备及存储介质 - Google Patents
一种地图生成方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN116481515A CN116481515A CN202310720458.3A CN202310720458A CN116481515A CN 116481515 A CN116481515 A CN 116481515A CN 202310720458 A CN202310720458 A CN 202310720458A CN 116481515 A CN116481515 A CN 116481515A
- Authority
- CN
- China
- Prior art keywords
- semantic
- map
- target
- scene image
- feature
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 230000009467 reduction Effects 0.000 claims abstract description 23
- 238000012216 screening Methods 0.000 claims abstract description 7
- 238000001514 detection method Methods 0.000 claims description 10
- 235000004522 Pentaglottis sempervirens Nutrition 0.000 claims description 9
- 238000006073 displacement reaction Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 11
- 238000012545 processing Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
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
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
-
- 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)
- Image Analysis (AREA)
Abstract
本公开提供了一种地图生成方法、装置、计算机设备及存储介质,其中,该方法包括:获取针对目标场景生成的第一特征地图和语义地图;所述第一特征地图包括多个场景图像以及所述场景图像中各特征点的特征描述信息;所述语义地图包括各语义对象的语义特征;基于所述语义地图中各语义对象的语义特征,从所述各语义对象中确定具有全局唯一性的目标对象;对包含所述目标对象的场景图像进行筛选,得到符合预设降冗余条件的目标场景图像,删除所述目标场景图像中特征点的特征描述信息,得到降冗余后的第二特征地图;所述语义地图和所述第二特征地图,用于对待定位对象进行定位。
Description
技术领域
本公开涉及地图构建技术领域,具体而言,涉及一种地图生成方法、装置、计算机设备及存储介质。
背景技术
封闭环境中的自动驾驶车辆或移动机器人通常利用即时定位与地图构建(Simultaneous Localization and Mapping,SLAM)技术构建地图并进行定位。
根据自动驾驶车辆或移动机器人中的相机获取到的场景图像,可以生成特征地图和语义地图。其中,特征地图虽然精度高、适用性强,但是鲁棒性较差,并且通常包含大量的特征描述信息,对于数据存储及地图使用时的性能影响较大;语义地图虽然鲁棒性较强,但是有的地理范围可能绝大部分并不包含语义信息,此时就无法进行全程定位。
发明内容
本公开实施例至少提供一种地图生成方法、装置、计算机设备及存储介质。
第一方面,本公开实施例提供了一种地图生成方法,包括:
获取针对目标场景生成的第一特征地图和语义地图;所述第一特征地图包括多个场景图像以及所述场景图像中各特征点的特征描述信息;所述语义地图包括各语义对象的语义特征;
基于所述语义地图中各语义对象的语义特征,从所述各语义对象中确定具有全局唯一性的目标对象;
对包含所述目标对象的场景图像进行筛选,得到符合预设降冗余条件的目标场景图像,删除所述目标场景图像中特征点的特征描述信息,得到降冗余后的第二特征地图;
所述语义地图和所述第二特征地图,用于对待定位对象进行定位。
上述地图生成方法,第一特征地图和语义地图都是目标场景下的地图;由于目标对象语义的全局唯一性,只基于语义地图就可以对目标对象进行很好地识别,因此,利用语义地图中具有全局唯一性的目标对象的语义特征,对第一特征地图进行降冗余处理,即删除目标场景图像中特征点的特征描述信息,得到的第二特征地图中包含的不必要的特征描述信息就减少了,从而减少了特征地图的冗余信息。本公开实施例同时采用语义地图和降冗余后的特征地图结合的方式进行地图定位,在减少冗余信息的同时,可以兼顾地图定位的鲁棒性和定位精度。
在一种可能的实施方式中,所述语义地图是根据以下步骤生成的:
获取所述场景图像对应的拍摄位姿信息;
对所述场景图像进行语义特征提取,得到各语义对象的语义特征;所述语义特征包括所述语义对象的语义信息、以及所述语义对象在所述场景图像中的第一位置信息;
基于所述各语义对象的所述语义特征和所述场景图像对应的拍摄位姿信息,生成所述语义地图。
上述实施方式中,语义地图是利用场景图像对应的拍摄位姿信息和各语义对象的语义特征生成的,第一特征地图也是基于上述场景图像对应的拍摄位姿信息生成的,因此生成的语义地图与第一特征地图是特征坐标一致的地图,从而可以利用生成的语义地图对第一特征地图进行降冗余处理。
在一种可能的实施方式中,所述第一位置信息是根据以下步骤确定的:
获取所述场景图像中各语义对象对应的检测区域;
基于所述检测区域中与所述语义对象匹配的目标关键点的位置信息,确定所述语义对象在所述场景图像中的第一位置信息。
进一步地,所述基于所述各语义对象的所述语义特征和所述场景图像对应的拍摄位姿信息,生成所述语义地图,包括:
基于所述语义特征中的所述第一位置信息和拍摄所述场景图像对应的拍摄位姿信息,确定所述语义对象在所述目标场景中的第二位置信息;
基于所述语义特征中的所述语义信息、所述第二位置信息和所述场景图像对应的拍摄位姿信息,生成所述语义地图。
上述实施方式中,可以基于拍摄场景图像的相机的参数,对各语义对象在场景图像中的二维坐标进行坐标系转换计算,可以得到各语义对象在目标场景中的三维坐标(世界坐标系),即第二位置信息,最后,基于语义特征中的语义信息、第二位置信息和场景图像对应的拍摄位姿信息,可以得到与第一特征地图的特征坐标一致的语义地图。
在一种可能的实施方式中,所述基于所述各语义对象的所述语义特征和所述场景图像对应的拍摄位姿信息,生成所述语义地图,包括:
基于所述场景图像对应的拍摄位姿信息,将所述场景图像转换为鸟瞰图;所述鸟瞰图包括所述语义对象对应的目标关键点的第三位置信息;
基于所述语义对象的语义信息、所述第三位置信息和所述场景图像对应的拍摄位姿信息,生成所述语义地图。
上述实施方式中,将场景图像转换为鸟瞰图(以车体为中心的世界坐标系),可以直接在BEV(Bird's Eye View,鸟瞰图)视角确定语义对象对应的目标关键点的三维坐标,即第三位置信息,简化了生成语义地图的过程。
在一种可能的实施方式中,所述对包含所述目标对象的场景图像进行筛选,得到符合预设降冗余条件的目标场景图像,包括:
获取包含所述目标对象的场景图像中,各所述目标对象对应的目标关键点的总数量;
基于对应的目标关键点的总数量超过第一设定阈值的场景图像,确定所述目标场景图像。
上述实施方式中,可以筛选出对应的目标关键点的总数量超过第一设定阈值的场景图像作为目标场景图像;这里,在对应的目标关键点的总数量超过第一设定阈值的情况下,表明可以利用目标场景图像中包含的目标对象在语义地图中的语义特征即可对待定位对象进行准确的定位,因此可以将目标场景图像中特征点的特征描述信息删除,以减少第一特征地图的冗余特征描述信息。
在一种可能的实施方式中,所述目标场景图像包括第一目标场景图像和第二目标场景图像;
所述基于对应的目标关键点的总数量超过第一设定阈值的场景图像,确定所述目标场景图像,包括:
将对应的目标关键点的总数量超过第一设定阈值的场景图像作为第一目标场景图像,并将每个所述第一目标场景图像与该第一目标场景图像对应的下一个第一目标场景图像作为目标场景图像对;
在所述目标场景图像对包含的两个第一目标场景图像对应的时间间隔小于第二设定阈值,且所述两个第一目标场景图像对应的相对位移小于第三设定阈值的情况下,将位于所述两个第一目标场景图像之间的各场景图像作为第二目标场景图像。
上述实施方式中,可以筛选出对应的目标关键点的总数量超过第一设定阈值的场景图像作为第一目标场景图像,以及筛选出时间间隔小于第二设定阈值且相对位移小于第三设定阈值的两个第一目标场景图像之间的场景图像作为第二目标场景图像;这里,在两个第一目标场景图像对应的时间间隔小于第二设定阈值,且对应的相对位移小于第三设定阈值的情况下,这两个第一目标场景图像之间场景图像的特征描述信息可以认为是相似度较高的,因此可以将这些相似度较高的特征描述信息删除,从而减少第一特征地图的冗余特征描述信息。
在一种可能的实施方式中,所述方法还包括:
获取待定位对象拍摄的当前场景图像;
在基于所述语义地图确定所述当前场景图像中不包含具有全局唯一性的目标对象的情况下,利用所述第二特征地图对所述当前场景图像中的语义对象进行重定位,得到所述语义对象在当前场景中的第四位置信息;
将所述语义地图包括的所述语义对象的第五位置信息与所述第四位置信息进行匹配,得到匹配成功的语义对象的第一数量、以及匹配失败的语义对象的第二数量;
在所述第一数量与所述第二数量的比值超过第四设定阈值的情况下,基于所述语义地图中所述语义对象的第四位置信息,以及所述第二特征地图,对所述待定位对象进行定位。
上述实施方式中,在当前场景图像中不包含具有全局唯一性的目标对象的情况下,在第二特征地图给出重定位的位置信息后,可以利用语义地图中语义对象的位置信息对重定位的位置信息进行校验,从而可以在保证第二特征地图给出重定位的位置信息准确的情况下,将该重定位的位置信息作为定位的初值,并利用第二特征地图对待定位对象进行定位,从而可以保证定位的准确性。
在一种可能的实施方式中,所述方法还包括:
获取待定位对象拍摄的当前场景图像;
在基于所述语义地图确定所述当前场景图像中包含具有全局唯一性的目标对象的情况下,利用所述语义地图对所述目标对象进行重定位,得到所述目标对象在当前场景中的第六位置信息;
基于所述目标对象的第六位置信息,以及所述第二特征地图,对所述待定位对象进行定位。
上述实施方式中,在当前场景图像中包含具有全局唯一性的目标对象的情况下,利用语义地图中语义对象的位置信息即可直接给出重定位的位置信息,并且该重定位的位置信息是全局唯一性的,准确度较高,因此可以将重定位的位置信息作为定位的初值,并利用第二特征地图对待定位对象进行定位,从而可以保证定位的准确性。
第二方面,本公开实施例还提供一种地图生成装置,包括:
第一获取模块,用于获取针对目标场景生成的第一特征地图和语义地图;所述第一特征地图包括多个场景图像以及所述场景图像中各特征点的特征描述信息;所述语义地图包括各语义对象的语义特征;
第一确定模块,用于基于所述语义地图中各语义对象的语义特征,从所述各语义对象中确定具有全局唯一性的目标对象;
删除模块,用于对包含所述目标对象的场景图像进行筛选,得到符合预设降冗余条件的目标场景图像,删除所述目标场景图像中特征点的特征描述信息,得到降冗余后的第二特征地图;所述语义地图和所述第二特征地图,用于对待定位对象进行定位。
第三方面,本公开实施例还提供一种计算机设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当计算机设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行上述第一方面,或第一方面中任一种可能的实施方式中的步骤。
第四方面,本公开实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述第一方面,或第一方面中任一种可能的实施方式中的步骤。
关于第二至第四方面的有益效果描述参见上述地图生成方法的描述,这里不再赘述。
为使本公开的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,此处的附图被并入说明书中并构成本说明书中的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。应当理解,以下附图仅示出了本公开的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本公开实施例所提供的一种地图生成方法的流程图;
图2示出了本公开实施例所提供的生成语义地图的流程图;
图3示出了本公开实施例所提供的对第一特征地图进行降冗余处理的流程图;
图4示出了本公开实施例所提供的一种地图生成装置的结构示意图;
图5示出了本公开实施例所提供的一种计算机设备的示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例中附图,对本公开实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本公开实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本公开的实施例的详细描述并非旨在限制要求保护的本公开的范围,而是仅仅表示本公开的选定实施例。基于本公开的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本公开保护的范围。
经研究发现,封闭场景下的自动驾驶车辆或者移动机器人在定位过程中使用的特征地图和语义地图有其各自的特点。其中,特征地图的特点在于:精度高、适用性强,但是鲁棒性相对于语义地图较差,且包含的特征描述信息相对于语义地图较多,过于冗余;语义地图的特点在于:鲁棒性较强,但是包含的特征描述信息较少,自动驾驶车辆或者移动机器人的行驶轨迹中缺少语义信息时,就无法进行全程定位。
基于此,本公开提供了一种地图生成方法,第一特征地图和语义地图都是目标场景下的地图;由于目标对象语义的全局唯一性,只基于语义地图就可以对目标对象进行很好地识别,因此,利用语义地图中具有全局唯一性的目标对象的语义特征,对第一特征地图进行降冗余处理,即删除目标场景图像中特征点的特征描述信息,得到的第二特征地图中包含的不必要的特征描述信息就减少了,从而减少了特征地图的冗余信息。本公开实施例同时采用语义地图和降冗余后的特征地图结合的方式进行地图定位,在减少冗余信息的同时,可以兼顾地图定位的鲁棒性和定位精度。
针对以上方案所存在的缺陷以及所提出的解决方案,均是发明人在经过实践并仔细研究后得出的结果,因此,上述问题的发现过程以及下文中本公开针对上述问题所提出的解决方案,都应该是发明人在本公开过程中对本公开做出的贡献。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
为便于对本实施例进行理解,首先对本公开实施例所公开的一种地图生成方法进行详细介绍。
本公开实施例所公开的地图生成方法可以应用于封闭环境中的自动驾驶车辆、移动机器人、增强现实设备等构建地图并进行定位的场景中。
参见图1所示,为本公开实施例提供的地图生成方法的流程图,所述方法包括S101~S103,其中:
S101:获取针对目标场景生成的第一特征地图和语义地图;所述第一特征地图包括多个场景图像以及所述场景图像中各特征点的特征描述信息;所述语义地图包括各语义对象的语义特征。
本公开实施例中,目标场景可以为较为封闭的场景,例如室内停车场环境等。
第一特征地图和语义地图可以是利用目标场景的场景图像生成的。这里的场景图像可以是包含不同特征点的关键帧图像。在具体实施中,可以利用相机对目标场景进行拍摄得到原始帧图像,然后从原始帧图像中筛选出关键帧图像。这里的相机可以包括例如单目相机、双目相机、深度相机等多种相机。
将原始场景图像输入至特征SLAM模型中,可以得到场景图像和各帧场景图像对应的拍摄位姿信息,如图2所示。其中,场景图像对应的拍摄位姿信息可以指拍摄场景图像的相机的位姿信息。
基于得到的场景图像和场景图像对应的的拍摄位姿信息,可以生成第一特征地图,生成的第一特征地图中可以包括多帧场景图像以及场景图像中各特征点的位置信息。各特征点的位置信息可以指三维坐标信息。第一特征地图中还可以包括各特征点对应的其它用于描述图像特征的特征描述信息。
如图2,将上述场景图像和场景图像对应的拍摄位姿信息输入至语义SLAM模型中,可以生成语义地图。
具体地,在一种实施方式中,可以对场景图像进行语义特征提取,得到场景图像中各语义对象的语义特征。
在具体实施中,可以将场景图像输入至语义特征提取模型中,利用语义特征提取模型对场景图像进行语义特征提取。其中,语义对象可以是预设类型的对象,不同的目标场景对应的预设类型可以是不同的,例如,室内停车场环境下,语义对象可以包括车位、指示牌等。语义对象的语义特征可以包括语义对象的语义信息、以及语义对象在场景图像中的第一位置信息、语义对象的标识信息等。
基于各语义对象的语义特征和场景图像对应的拍摄位姿信息,可以生成与特征地图一致的语义地图。
这里,根据各语义对象的语义特征,可以得到包含语义对象的第一局部地图,根据场景图像对应的拍摄位姿信息,可以得到除语义对象以外的第二局部地图,因此,这里结合第一局部地图和第二局部地图,可以得到全局的语义地图。
在一种实施方式中,语义对象的第一位置信息可以是根据以下步骤确定的:获取场景图像中各语义对象对应的检测区域;基于检测区域中与语义对象匹配的目标关键点的位置信息,确定语义对象在场景图像中的第一位置信息。
这里,可以获取包含各语义对象对应的检测框,然后提取检测框中各个语义对象的目标关键点。
这里,针对不同的语义对象,可以提取不同的目标关键点。这里的目标关键点可以是语义对象上的固定点。例如,针对四边形的车位,可以提取四边形车位的四个顶点;针对圆形指示牌,可以提取圆形指示牌的中心点。
在提取到语义对象的目标关键点之后,可以根据目标关键点的位置信息,确定语义对象在场景图像中的第一位置信息。
在一种生成语义地图的方式中,可以基于语义特征中的第一位置信息和场景图像对应的拍摄位姿信息,确定语义对象在目标场景中的第二位置信息。
这里,可以根据相机对极几何原理,确定语义对象的第二位置信息。具体地,可以利用拍摄场景图像的两个相机的位姿信息,包括两个相机的内参矩阵和外参矩阵,计算出两个相机的光心位置和相对旋转矩阵,从而得到两个相机的图像的几何关系。然后,根据目标关键点的第一位置信息,对两个相机的图像上的目标关键点进行匹配,可以得到语义对象的目标关键点在三维目标场景中的第二位置信息。
在另一种生成语义地图的方式中,可以基于场景图像对应的拍摄位姿信息,将场景图像转换为鸟瞰图。其中,鸟瞰图中可以包括语义对象对应的目标关键点的第三位置信息。
这里,基于拍摄场景图像的相机的位姿信息,可以将二维的场景图像转换为三维的鸟瞰图。
然后基于语义对象的语义信息、第三位置信息和场景图像对应的拍摄位姿信息,生成语义地图。
在实际中,包含语义对象的场景图像可以为多帧,对应的鸟瞰图也可以为多帧,这里可以利用加权求平均的方式确定语义对象对应的目标关键点的第三位置信息。
在实际中,可能存在同一语义对象对应有多个标识信息的情况,比如,获取原始场景图像的过程中断后,后续获取的原始场景图像中会针对中断前的语义对象生成新的标识信息,从而导致同一语义对象对应有不同的标识信息。在这种情况下,可以根据语义对象在目标场景中的位置信息,确定这多个标识信息对应的语义对象是否为同一个。在确定这多个标识信息对应的语义对象是同一个语义对象的情况下,可以将包含任一标识信息的语义特征作为该语义对象的语义特征;在确定这多个标识信息对应的语义对象不是同一个语义对象的情况下,可以将对应的数量较少的标识信息(标识信息对应的数量即包含该标识信息的场景图像的数量)以及包含该标识信息的语义特征删除。
以语义对象是车位为例,识别到的同一车位下同时存在两个标识信息的情况下,可以根据两个标识信息分别对应的车位位置信息,确定这两个标识信息分别对应的车位面积、车位朝向、法向量等信息。在这两个标识信息分别对应的车位面积、车位朝向、法向量等信息满足合并条件(例如相似度超过设定的阈值)的情况下,可以确定这两个标识信息对应的车位是同一个车位,进而可以取任一标识信息以及该标识信息对应的车辆位置信息作为该车位的语义特征。
通过上述过程可以实现对同一语义对象进行合并,从而得到更加准确的语义地图。
在具体实施中,还可以利用随机抽样一致算法(Random Sample Consensus,RANSAC)加非线性优化算法,对语义地图进行优化,具体地,可以去除场景图像中的异常特征点,从而得到更加准确的位置信息。
在得到第一特征地图和语义地图后,可以利用语义地图对第一特征地图进行降冗余处理,得到降冗余处理后的第二特征地图,具体过程将在S102-S103进行详述。
S102:基于所述语义地图中各语义对象的语义特征,从所述各语义对象中确定具有全局唯一性的目标对象。
在实际中,根据语义特征中的语义信息,可以确定具有全局唯一性的目标对象,如图3所示。以停车场的车位为例,语义信息可以包括区域编号和车位号等,针对同一区域的车位,区域编号是相同,而各个车位的车位号不会对应其它的车位,也就是,各个车位的车位号与车位是唯一对应的,因此车位号是对应的车位就是全局唯一性的目标对象。
S103:对包含所述目标对象的场景图像进行筛选,得到符合预设降冗余条件的目标场景图像,删除所述目标场景图像中特征点的特征描述信息,得到降冗余后的第二特征地图;所述语义地图和所述第二特征地图,用于对待定位对象进行定位。
在确定出目标对象的情况下,可以从包含目标对象的场景图像中,筛选出符合预设降冗余条件的目标场景图像,如图3所示。
在一种实施方式中,可以获取包含目标对象的场景图像中,各目标对象对应的目标关键点的总数量,然后根据各目标对象对应的目标关键点的总数量,筛选目标场景图像。
如前所述,针对不同的目标对象,可以提取不同的目标关键点,因此不同的目标对象对应的目标关键点的数量也可以是不同的。例如,四边形车位的目标关键点可以是四边形车位的4个顶点,则四边形车位的目标关键点的数量是4个;圆形指示牌的目标关键点可以是圆形指示牌的中心点,则圆形指示牌的目标关键点的数量是1个。
这里,可以设置目标关键点的总数量阈值,即第一设定阈值,然后可以基于对应的目标关键点的总数量超过第一设定阈值的场景图像,确定目标场景图像。
在一种方式中,预设降冗余条件可以包括:各目标对象对应的目标关键点的总数量超过第一设定阈值,因此这里可以将对应的目标关键点的总数量超过第一设定阈值的场景图像作为目标场景图像。例如可以将目标关键点的总数量超过8个的场景图像作为目标场景图像。
这里,对应的目标关键点的总数量超过第一设定阈值的情况下,表明可以利用目标场景图像中包含的目标对象在语义地图中的语义特征即可对待定位对象进行准确的定位,因此可以将目标场景图像中特征点的特征描述信息删除,因此这里可以将对应的目标关键点的总数量超过第一设定阈值的场景图像作为目标场景图像。
在一种方式中,目标场景图像可以包括第一目标场景图像和第二目标场景图像。
其中,第一目标场景图像可以是对应的目标关键点的总数量超过第一设定阈值的场景图像;第二目标场景图像可以是利用第一目标场景图像确定出来的、其它符合预设降冗余条件的场景图像。
在具体实施中,可以将对应的目标关键点的总数量超过第一设定阈值的场景图像作为第一目标场景图像,并将每个第一目标场景图像与该第一目标场景图像对应的下一个第一目标场景图像作为目标场景图像对。
这里,包含目标对象的场景图像可以是按照时间顺序排列的,与每个第一目标场景图像对应的下一个第一目标场景图像,可以是位于该第一目标场景图像之后的第一目标场景图像。
预设降冗余条件还可以包括:目标场景图像对中包含的两个第一目标场景图像对应的时间间隔小于第二设定阈值,以及这两个第一目标场景图像对应的相对位移小于第三设定阈值。因此这里可以确定目标场景图像对中包含的两个第一目标场景图像对应的时间间隔是否小于第二设定阈值,以及这两个第一目标场景图像对应的相对位移是否小于第三设定阈值。
在目标场景图像对包含的两个第一目标场景图像对应的时间间隔小于第二设定阈值,且两个第一目标场景图像对应的相对位移小于第三设定阈值的情况下,则可以将位于这两个第一目标场景图像之间的各场景图像作为第二目标场景图像。
例如,针对对应的目标关键点的总数量超过8个的前一帧场景图像和后一帧场景图像,在这两帧场景图像对应的时间间隔小于10秒,且相对位移小于10米的情况下,可以将这两帧场景图像之间的各场景图像均作为第二目标场景图像。
接下来,即可以删除目标场景图像中特征点的特征描述信息,得到降冗余后的第二特征地图。
在定位过程中,可以利用语义地图和第二特征地图,对待定位对象进行定位。
这里,可以获取待定位对象拍摄的当前场景图像。然后可以对当前场景图像进行语义特征提取,并基于语义地图中包含的各语义对象的语义特征,确定当前场景图像中是否包含语义对象。
具体地,可以分为以下三种情况对待定位对象进行定位。
第一种情况,基于语义地图确定当前场景图像中不包含语义对象。
此时可以利用第二特征地图进行重定位,得到当前场景图像中各特征点的位置信息,然后利用当前场景图像中各特征点的位置信息和第二特征地图对待定位对象进行定位。
第二种情况,基于语义地图确定当前场景图像中包含语义对象,但是不包含具有全局唯一性的目标对象。
在这种情况下,可以利用第二特征地图对当前场景图像中的语义对象进行重定位,得到语义对象在当前场景中的第四位置信息。然后,将语义地图包括的语义对象的第五位置信息与第四位置信息进行匹配,得到匹配成功的语义对象的第一数量、以及匹配失败的语义对象的第二数量。在第一数量与第二数量的比值超过第四设定阈值的情况下,基于语义地图中语义对象的第四位置信息,以及第二特征地图,对待定位对象进行定位。
这里,语义地图包括的语义对象的第五位置信息与第四位置信息进行匹配失败,说明第二特征地图进行重定位得到的语义对象的第四位置信息是不正确的。
在具体实施中,第四设定阈值可以为大于1的值,一般情况下可以设置为2,即在第一数量与第二数量的比值超过2的情况下,可以基于语义地图中语义对象的第四位置信息,以及第二特征地图,对待定位对象进行定位。
通过设置第一数量与第二数量的比值超过第四设定阈值,说明匹配成功的语义对象的第一数量大于匹配失败的语义对象的第二数量的情况下,可以认为利用第二特征地图对待定位对象可以得到较为准确的定位结果。
这里,在第一数量与第二数量的比值超过第四设定阈值的情况下,可以将基于语义地图中语义对象的第四位置信息作为重定位的初值,根据该重定位的初值以及第二特征地图,对待定位对象进行定位。
第三种情况,基于语义地图确定当前场景图像中包含具有全局唯一性的目标对象。
在这种情况下,可以利用语义地图对目标对象进行重定位,得到目标对象在当前场景中的第六位置信息;基于目标对象的第六位置信息,以及第二特征地图,对待定位对象进行定位。
这里,可以直接完成全局唯一性目标对象的匹配,因此不需要利用第二特征地图进行重定位,因此可以利用目标对象的第六位置信息得到重定位的初值,并基于该重定位的初值和第二特征地图,对待定位对象进行定位。
为了更加重定位的准确性,在具体实施中,可以利用语义对象(无论是否包含目标对象)对应的特征点的位置信息构成当前重定位的局部地图,然后可以结合场景地图中各特征点的位置信息得到全局地图。
在对待定位对象进行定位过程中,由于重定位后基于第二特征地图的定位不再需要使用场景图像中各特征点的特征描述信息,因此在特征描述信息不丢失的情况下,可以连续跟踪定位。
在对待定位对象进行定位过程中,为了增加定位的准确性,在一种方式中,还可以利用重定位的初值、语义地图和第二特征地图,对待定位对象进行定位。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
基于同一发明构思,本公开实施例中还提供了与地图生成方法对应的地图生成装置,由于本公开实施例中的装置解决问题的原理与本公开实施例上述地图生成方法相似,因此装置的实施可以参见方法的实施,重复之处不再赘述。
参照图4所示,为本公开实施例提供的一种地图生成装置的结构示意图,所述装置包括:
第一获取模块401,用于获取针对目标场景生成的第一特征地图和语义地图;所述第一特征地图包括多个场景图像以及所述场景图像中各特征点的特征描述信息;所述语义地图包括各语义对象的语义特征;
第一确定模块402,用于基于所述语义地图中各语义对象的语义特征,从所述各语义对象中确定具有全局唯一性的目标对象;
删除模块403,用于对包含所述目标对象的场景图像进行筛选,得到符合预设降冗余条件的目标场景图像,删除所述目标场景图像中特征点的特征描述信息,得到降冗余后的第二特征地图;所述语义地图和所述第二特征地图,用于对待定位对象进行定位。
一种可能的实施方式中,所述装置还包括生成模块,用于生成所述语义地图;所述生成模块,具体用于:
获取所述场景图像对应的拍摄位姿信息;
对所述场景图像进行语义特征提取,得到各语义对象的语义特征;所述语义特征包括所述语义对象的语义信息、以及所述语义对象在所述场景图像中的第一位置信息;
基于所述各语义对象的所述语义特征和所述场景图像对应的拍摄位姿信息,生成所述语义地图。
在一种可能的实施方式中,所述装置还包括第二确定模块,用于确定所述第一位置信息;所述第二确定模块,具体用于:
获取所述场景图像中各语义对象对应的检测区域;
基于所述检测区域中与所述语义对象匹配的目标关键点的位置信息,确定所述语义对象在所述场景图像中的第一位置信息。
在一种可能的实施方式中,所述生成模块,具体用于:
基于所述语义特征中的所述第一位置信息和场景图像对应的拍摄位姿信息,确定所述语义对象在所述目标场景中的第二位置信息;
基于所述语义特征中的所述语义信息、所述第二位置信息和所述场景图像对应的拍摄位姿信息,生成所述语义地图。
在一种可能的实施方式中,所述生成模块,具体用于:
基于所述场景图像对应的拍摄位姿信息,将所述场景图像转换为鸟瞰图;所述鸟瞰图包括所述语义对象对应的目标关键点的第三位置信息;
基于所述语义对象的语义信息、所述第三位置信息和所述场景图像对应的拍摄位姿信息,生成所述语义地图。
在一种可能的实施方式中,删除模块403,具体用于:
获取包含所述目标对象的场景图像中,各所述目标对象对应的目标关键点的总数量;
基于对应的目标关键点的总数量超过第一设定阈值的场景图像,确定所述目标场景图像。
在一种可能的实施方式中,所述目标场景图像包括第一目标场景图像和第二目标场景图像;
第一确定模块402,具体用于:
将对应的目标关键点的总数量超过第一设定阈值的场景图像作为第一目标场景图像,并将每个所述第一目标场景图像与该第一目标场景图像对应的下一个第一目标场景图像作为目标场景图像对;
在所述目标场景图像对包含的两个第一目标场景图像对应的时间间隔小于第二设定阈值,且所述两个第一目标场景图像对应的相对位移小于第三设定阈值的情况下,将位于所述两个第一目标场景图像之间的各场景图像作为第二目标场景图像。
在一种可能的实施方式中,所述装置还包括:
第二获取模块,用于获取待定位对象拍摄的当前场景图像;
第一重定位模块,用于在基于所述语义地图确定所述当前场景图像中不包含具有全局唯一性的目标对象的情况下,利用所述第二特征地图对所述当前场景图像中的语义对象进行重定位,得到所述语义对象在当前场景中的第四位置信息;
匹配模块,用于将所述语义地图包括的所述语义对象的第五位置信息与所述第四位置信息进行匹配,得到匹配成功的语义对象的第一数量、以及匹配失败的语义对象的第二数量;
第一定位模块,用于在所述第一数量与所述第二数量的比值超过第四设定阈值的情况下,基于所述语义地图中所述语义对象的第四位置信息,以及所述第二特征地图,对所述待定位对象进行定位。
在一种可能的实施方式中,所述装置还包括:
第三获取模块,用于获取待定位对象拍摄的当前场景图像;
第二重定位模块,用于在基于所述语义地图确定所述当前场景图像中包含具有全局唯一性的目标对象的情况下,利用所述语义地图对所述目标对象进行重定位,得到所述目标对象在当前场景中的第六位置信息;
第二定位模块,用于基于所述目标对象的第六位置信息,以及所述第二特征地图,对所述待定位对象进行定位。
关于装置中的各模块的处理流程、以及各模块之间的交互流程的描述可以参照上述方法实施例中的相关说明,这里不再详述。
基于同一技术构思,本公开实施例还提供了一种计算机设备。参照图5所示,为本公开实施例提供的计算机设备500的结构示意图,包括处理器501、存储器502、和总线503。其中,存储器502用于存储执行指令,包括内存5021和外部存储器5022;这里的内存5021也称内存储器,用于暂时存放处理器501中的运算数据,以及与硬盘等外部存储器5022交换的数据,处理器501通过内存5021与外部存储器5022进行数据交换,当计算机设备500运行时,处理器501与存储器502之间通过总线503通信,使得处理器501在执行以下指令:
获取针对目标场景生成的第一特征地图和语义地图;所述第一特征地图包括多个场景图像以及所述场景图像中各特征点的特征描述信息;所述语义地图包括各语义对象的语义特征;
基于所述语义地图中各语义对象的语义特征,从所述各语义对象中确定具有全局唯一性的目标对象;
对包含所述目标对象的场景图像进行筛选,得到符合预设降冗余条件的目标场景图像,删除所述目标场景图像中特征点的特征描述信息,得到降冗余后的第二特征地图;
所述语义地图和所述第二特征地图,用于对待定位对象进行定位。
本公开实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述方法实施例中所述的地图生成方法的步骤。其中,该存储介质可以是易失性或非易失的计算机可读取存储介质。
本公开实施例还提供一种计算机程序产品,该计算机产品承载有程序代码,所述程序代码包括的指令可用于执行上述方法实施例中所述的地图生成方法的步骤,具体可参见上述方法实施例,在此不再赘述。
其中,上述计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中,所述计算机程序产品具体体现为计算机存储介质,在另一个可选实施例中,计算机程序产品具体体现为软件产品,例如软件开发包(Software Development Kit,SDK)等等。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。在本公开所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本公开各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本公开的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本公开各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本公开的具体实施方式,用以说明本公开的技术方案,而非对其限制,本公开的保护范围并不局限于此,尽管参照前述实施例对本公开进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本公开实施例技术方案的精神和范围,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以所述权利要求的保护范围为准。
Claims (12)
1.一种地图生成方法,其特征在于,包括:
获取针对目标场景生成的第一特征地图和语义地图;所述第一特征地图包括多个场景图像以及所述场景图像中各特征点的特征描述信息;所述语义地图包括各语义对象的语义特征;
基于所述语义地图中各语义对象的语义特征,从所述各语义对象中确定具有全局唯一性的目标对象;
对包含所述目标对象的场景图像进行筛选,得到符合预设降冗余条件的目标场景图像,删除所述目标场景图像中特征点的特征描述信息,得到降冗余后的第二特征地图;
所述语义地图和所述第二特征地图,用于对待定位对象进行定位。
2.根据权利要求1所述的方法,其特征在于,所述语义地图是根据以下步骤生成的:
获取所述场景图像对应的拍摄位姿信息;
对所述场景图像进行语义特征提取,得到各语义对象的语义特征;所述语义特征包括所述语义对象的语义信息、以及所述语义对象在所述场景图像中的第一位置信息;
基于所述各语义对象的所述语义特征和所述场景图像对应的拍摄位姿信息,生成所述语义地图。
3.根据权利要求2所述的方法,其特征在于,所述第一位置信息是根据以下步骤确定的:
获取所述场景图像中各语义对象对应的检测区域;
基于所述检测区域中与所述语义对象匹配的目标关键点的位置信息,确定所述语义对象在所述场景图像中的第一位置信息。
4.根据权利要求2或3所述的方法,其特征在于,所述基于所述各语义对象的所述语义特征和所述场景图像对应的拍摄位姿信息,生成所述语义地图,包括:
基于所述语义特征中的所述第一位置信息和所述场景图像对应的拍摄位姿信息,确定所述语义对象在所述目标场景中的第二位置信息;
基于所述语义特征中的所述语义信息、所述第二位置信息和所述场景图像对应的拍摄位姿信息,生成所述语义地图。
5.根据权利要求2所述的方法,其特征在于,所述基于所述各语义对象的所述语义特征和所述场景图像对应的拍摄位姿信息,生成所述语义地图,包括:
基于所述场景图像对应的拍摄位姿信息,将所述场景图像转换为鸟瞰图;所述鸟瞰图包括所述语义对象对应的目标关键点的第三位置信息;
基于所述语义对象的语义信息、所述第三位置信息和所述场景图像对应的拍摄位姿信息,生成所述语义地图。
6.根据权利要求1所述的方法,其特征在于,所述对包含所述目标对象的场景图像进行筛选,得到符合预设降冗余条件的目标场景图像,包括:
获取包含所述目标对象的场景图像中,各所述目标对象对应的目标关键点的总数量;
基于对应的目标关键点的总数量超过第一设定阈值的场景图像,确定所述目标场景图像。
7.根据权利要求6所述的方法,其特征在于,所述目标场景图像包括第一目标场景图像和第二目标场景图像;
所述基于对应的目标关键点的总数量超过第一设定阈值的场景图像,确定所述目标场景图像,包括:
将对应的目标关键点的总数量超过第一设定阈值的场景图像作为第一目标场景图像,并将每个所述第一目标场景图像与该第一目标场景图像对应的下一个第一目标场景图像作为目标场景图像对;
在所述目标场景图像对包含的两个第一目标场景图像对应的时间间隔小于第二设定阈值,且所述两个第一目标场景图像对应的相对位移小于第三设定阈值的情况下,将位于所述两个第一目标场景图像之间的各场景图像作为第二目标场景图像。
8.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取待定位对象拍摄的当前场景图像;
在基于所述语义地图确定所述当前场景图像中不包含具有全局唯一性的目标对象的情况下,利用所述第二特征地图对所述当前场景图像中的语义对象进行重定位,得到所述语义对象在当前场景中的第四位置信息;
将所述语义地图包括的所述语义对象的第五位置信息与所述第四位置信息进行匹配,得到匹配成功的语义对象的第一数量、以及匹配失败的语义对象的第二数量;
在所述第一数量与所述第二数量的比值超过第四设定阈值的情况下,基于所述语义地图中所述语义对象的第四位置信息,以及所述第二特征地图,对所述待定位对象进行定位。
9.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取待定位对象拍摄的当前场景图像;
在基于所述语义地图确定所述当前场景图像中包含具有全局唯一性的目标对象的情况下,利用所述语义地图对所述目标对象进行重定位,得到所述目标对象在当前场景中的第六位置信息;
基于所述目标对象的第六位置信息,以及所述第二特征地图,对所述待定位对象进行定位。
10.一种地图生成装置,其特征在于,包括:
第一获取模块,用于获取针对目标场景生成的第一特征地图和语义地图;所述第一特征地图包括多个场景图像以及所述场景图像中各特征点的特征描述信息;所述语义地图包括各语义对象的语义特征;
第一确定模块,用于基于所述语义地图中各语义对象的语义特征,从所述各语义对象中确定具有全局唯一性的目标对象;
删除模块,用于对包含所述目标对象的场景图像进行筛选,得到符合预设降冗余条件的目标场景图像,删除所述目标场景图像中特征点的特征描述信息,得到降冗余后的第二特征地图;所述语义地图和所述第二特征地图,用于对待定位对象进行定位。
11.一种计算机设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当计算机设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如权利要求1至9任一项所述的地图生成方法的步骤。
12.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求1至9任一项所述的地图生成方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310720458.3A CN116481515B (zh) | 2023-06-16 | 2023-06-16 | 一种地图生成方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310720458.3A CN116481515B (zh) | 2023-06-16 | 2023-06-16 | 一种地图生成方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116481515A true CN116481515A (zh) | 2023-07-25 |
CN116481515B CN116481515B (zh) | 2023-09-05 |
Family
ID=87223510
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310720458.3A Active CN116481515B (zh) | 2023-06-16 | 2023-06-16 | 一种地图生成方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116481515B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109186586A (zh) * | 2018-08-23 | 2019-01-11 | 北京理工大学 | 一种面向动态泊车环境的同时定位及混合地图构建方法 |
WO2021175022A1 (zh) * | 2020-03-04 | 2021-09-10 | Oppo广东移动通信有限公司 | 地图构建方法、重定位方法及装置、存储介质和电子设备 |
CN114413881A (zh) * | 2022-01-07 | 2022-04-29 | 中国第一汽车股份有限公司 | 高精矢量地图的构建方法、装置及存储介质 |
CN114683290A (zh) * | 2022-05-31 | 2022-07-01 | 深圳鹏行智能研究有限公司 | 一种足式机器人位姿优化的方法,装置以及存储介质 |
CN115170652A (zh) * | 2021-04-06 | 2022-10-11 | 阿里巴巴新加坡控股有限公司 | 全局重定位方法、装置、电子设备及计算机存储介质 |
CN115512124A (zh) * | 2022-10-20 | 2022-12-23 | 亿咖通(湖北)技术有限公司 | 一种重定位帧的确定方法、装置、车辆及存储介质 |
CN115930964A (zh) * | 2022-11-15 | 2023-04-07 | 清华大学深圳国际研究生院 | 一种动态环境下的同时定位与三维地图构建方法 |
-
2023
- 2023-06-16 CN CN202310720458.3A patent/CN116481515B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109186586A (zh) * | 2018-08-23 | 2019-01-11 | 北京理工大学 | 一种面向动态泊车环境的同时定位及混合地图构建方法 |
WO2021175022A1 (zh) * | 2020-03-04 | 2021-09-10 | Oppo广东移动通信有限公司 | 地图构建方法、重定位方法及装置、存储介质和电子设备 |
CN115170652A (zh) * | 2021-04-06 | 2022-10-11 | 阿里巴巴新加坡控股有限公司 | 全局重定位方法、装置、电子设备及计算机存储介质 |
CN114413881A (zh) * | 2022-01-07 | 2022-04-29 | 中国第一汽车股份有限公司 | 高精矢量地图的构建方法、装置及存储介质 |
CN114683290A (zh) * | 2022-05-31 | 2022-07-01 | 深圳鹏行智能研究有限公司 | 一种足式机器人位姿优化的方法,装置以及存储介质 |
CN115512124A (zh) * | 2022-10-20 | 2022-12-23 | 亿咖通(湖北)技术有限公司 | 一种重定位帧的确定方法、装置、车辆及存储介质 |
CN115930964A (zh) * | 2022-11-15 | 2023-04-07 | 清华大学深圳国际研究生院 | 一种动态环境下的同时定位与三维地图构建方法 |
Non-Patent Citations (3)
Title |
---|
CHUNGJAE CHOE等: "Reduction of LiDAR Point Cloud Maps for Localization of Resource-Constrained Robotic Systems", REDUCTION OF LIDAR POINT CLOUD MAPS FOR LOCALIZATION OF RESOURCE-CONSTRAINED ROBOTIC SYSTEMS, vol. 17, no. 1, pages 916 - 927, XP011934717, DOI: 10.1109/JSYST.2022.3162926 * |
刘宴诚: "人机环境深度交互机器人关键技术研究", 《中国优秀硕士学位论文全文数据库》, no. 8, pages 140 - 206 * |
霍光磊: "服务机器人室内环境层次化地图构建方法研究", 《中国博士学位论文全文数据库 信息科技辑》, no. 1, pages 140 - 61 * |
Also Published As
Publication number | Publication date |
---|---|
CN116481515B (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110568447B (zh) | 视觉定位的方法、装置及计算机可读介质 | |
Carozza et al. | Markerless vision‐based augmented reality for urban planning | |
CN107292949B (zh) | 场景的三维重建方法、装置及终端设备 | |
CN110555901B (zh) | 动静态场景的定位和建图方法、装置、设备和存储介质 | |
CN107862744B (zh) | 航空影像三维建模方法及相关产品 | |
US20100045701A1 (en) | Automatic mapping of augmented reality fiducials | |
JP6322126B2 (ja) | 変化検出装置、変化検出方法、および、変化検出プログラム | |
EP3274964B1 (en) | Automatic connection of images using visual features | |
CN111127524A (zh) | 一种轨迹跟踪与三维重建方法、系统及装置 | |
CN111652929A (zh) | 一种视觉特征的识别定位方法及系统 | |
CN113689503B (zh) | 目标对象的姿态检测方法、装置、设备及存储介质 | |
CN111928842B (zh) | 一种基于单目视觉实现slam定位的方法及相关装置 | |
CN111928857B (zh) | 一种动态环境中实现slam定位的方法及相关装置 | |
CN116402978A (zh) | 一种基于双目视觉结构特性的稠密三维重建方法 | |
CN110120090B (zh) | 三维全景模型构建方法、装置及可读存储介质 | |
CN114882106A (zh) | 位姿确定方法和装置、设备、介质 | |
CN113610967B (zh) | 三维点检测的方法、装置、电子设备及存储介质 | |
CN113298871B (zh) | 地图生成方法、定位方法及其系统、计算机可读存储介质 | |
CN113870350A (zh) | 图像样本标注方法、装置、终端设备和图像标注系统 | |
CN112258647B (zh) | 地图重建方法及装置、计算机可读介质和电子设备 | |
CN113012084A (zh) | 无人机影像实时拼接方法、装置及终端设备 | |
CN116481515B (zh) | 一种地图生成方法、装置、计算机设备及存储介质 | |
CN113031582A (zh) | 机器人、定位方法及计算机可读存储介质 | |
CN114187344A (zh) | 一种地图构建方法、装置及设备 | |
CN113744410A (zh) | 网格生成方法、装置、电子设备及计算机可读存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |