CN116883879B - 一种闭环检测的方法、装置及可读存储介质 - Google Patents

一种闭环检测的方法、装置及可读存储介质 Download PDF

Info

Publication number
CN116883879B
CN116883879B CN202311132567.XA CN202311132567A CN116883879B CN 116883879 B CN116883879 B CN 116883879B CN 202311132567 A CN202311132567 A CN 202311132567A CN 116883879 B CN116883879 B CN 116883879B
Authority
CN
China
Prior art keywords
feature vectors
clustering
real
environment 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.)
Active
Application number
CN202311132567.XA
Other languages
English (en)
Other versions
CN116883879A (zh
Inventor
于翔
郭泰�
高美洲
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.)
Suzhou Inspur Intelligent Technology Co Ltd
Original Assignee
Suzhou Inspur Intelligent Technology 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 Suzhou Inspur Intelligent Technology Co Ltd filed Critical Suzhou Inspur Intelligent Technology Co Ltd
Priority to CN202311132567.XA priority Critical patent/CN116883879B/zh
Publication of CN116883879A publication Critical patent/CN116883879A/zh
Application granted granted Critical
Publication of CN116883879B publication Critical patent/CN116883879B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
    • 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
    • G01C21/3833—Creation or updating of map data characterised by the source of data
    • G01C21/3841—Data obtained from two or more sources, e.g. probe vehicles
    • 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
    • G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • 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
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • 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
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/20—Scenes; Scene-specific elements in augmented reality 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Probability & Statistics with Applications (AREA)
  • Automation & Control Theory (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种闭环检测的方法、装置及可读存储介质，方法包括：获取历史环境数据，提取历史环境数据的特征向量，并对特征向量进行聚类计算以得到若干聚类中心和对应的若干聚类；将实时环境数据与若干聚类中心进行第一次匹配；响应于第一次匹配成功，将实时环境数据与匹配到的聚类中心对应的聚类中的特征向量进行第二次匹配，以确定若干闭环候选；使用实时环境数据与闭环候选中的特征向量进行闭环验证，以确定实时环境数据与相应的特征向量是否形成闭环。通过使用本发明的方案，能够精确实现机器人闭环检测，兼顾SLAM系统精确性和实时性，确保SLAM系统能够长时间在导航中应用，能够提高运行效率，减少计算资源的消耗。

Description

一种闭环检测的方法、装置及可读存储介质
技术领域
本发明涉及计算机领域，并且更具体地涉及一种闭环检测的方法、装置及可读存储介质。
背景技术
移动机器人在自主导航时需要对自身所处的位置进行估计，通常的做法是机器人在运动时进行同时定位和建图（SLAM），在建立环境地图的同时进行定位。SLAM系统包括数据预处理、前端里程计、闭环检测、后端优化和地图构建五个模块，前端里程计存在着累积漂移，在长时间的导航应用中会导致位姿估计误差逐渐增大，因此闭环检测的位姿纠正是十分必要的，机器人在发现自己曾经到达过当前地点时，调用闭环检测模块进行位姿校正，减少前端里程计累积误差的影响。现有的闭环检测模块使用地点识别的方法对当前帧和历史帧的图像、点云进行特征提取，并运用度量学习的方法，使提取出的特征能够对地点进行相似性度量。在实际SLAM系统应用时，机器人携带的计算平台往往性能有限，导致闭环检测耗时急剧增加，可能会导致SLAM系统逐渐不能工作。
发明内容
有鉴于此，本发明实施例的目的在于提出一种闭环检测的方法、装置及可读存储介质，通过使用本发明的技术方案，能够精确实现机器人闭环检测，兼顾SLAM系统精确性和实时性，确保SLAM系统能够长时间在导航中应用，能够提高运行效率，减少计算资源的消耗。
基于上述目的，本发明的实施例的一个方面提供了一种闭环检测的方法，包括以下步骤：
获取历史环境数据，提取所述历史环境数据的特征向量，并对所述特征向量进行聚类计算以得到若干聚类中心和对应的若干聚类；
将实时环境数据与所述若干聚类中心进行第一次匹配；
响应于所述第一次匹配成功，将所述实时环境数据与匹配到的所述聚类中心对应的聚类中的特征向量进行第二次匹配，以确定若干闭环候选；
使用所述实时环境数据与所述闭环候选中的特征向量进行闭环验证，以确定所述实时环境数据与相应的特征向量是否形成闭环。
根据本发明的一个实施例，所述对所述特征向量进行聚类计算以得到若干聚类中心和对应的若干聚类的步骤包括：
在所述特征向量中随机选择一个特征向量作为第一聚类中心；
计算除第一聚类中心以外的其余特征向量与所述第一聚类中心的欧式距离；
基于计算得到的欧式距离计算除第一聚类中心以外的其余特征向量被选为第二聚类中心的概率；
基于计算得到的概率使用轮盘法选择出第二聚类中心。
根据本发明的一个实施例，所述对所述特征向量进行聚类计算以得到若干聚类中心和对应的若干聚类的步骤包括：
计算除第一聚类中心和第二聚类中心以外的其余特征向量与第二聚类中心的欧式距离；
基于计算得到的欧式距离计算除第一聚类中心和第二聚类中心以外的其余特征向量被选为第三聚类中心的概率；
基于计算得到的概率使用轮盘法选择出第三新聚类中心；
重复上述步骤直到选择出阈值数量的聚类中心。
根据本发明的一个实施例，所述对所述特征向量进行聚类计算以得到若干聚类中心和对应的若干聚类的步骤包括：
基于除被选为聚类中心以外的特征向量与各个所述聚类中心的欧式距离将除被选为聚类中心以外的特征向量分配到聚类中心对应的聚类中。
根据本发明的一个实施例，所述基于除被选为聚类中心以外的特征向量与各个所述聚类中心的欧式距离将除被选为聚类中心以外的特征向量分配到聚类中心对应的聚类中的步骤包括：
计算除被选为聚类中心以外的特征向量到每个聚类中心的欧式距离；
将除被选为聚类中心以外的特征向量分配到欧式距离最近的聚类中心的聚类中。
根据本发明的一个实施例，所述对所述特征向量进行聚类计算以得到若干聚类中心和对应的若干聚类的步骤包括：
计算每个聚类中心的聚类中的所有特征向量的平均值；
将每个计算得到的特征向量的平均值作为迭代聚类中心。
根据本发明的一个实施例，所述对所述特征向量进行聚类计算以得到若干聚类中心和对应的若干聚类的步骤包括：
计算除被选为聚类中心以外的特征向量到每个迭代聚类中心的欧式距离；
将除被选为聚类中心以外的特征向量分配到欧式距离最近的迭代聚类中心的聚类中；
计算每个迭代聚类中心的聚类中的所有特征向量的平均值；
响应于平均值满足第三预设条件，停止迭代计算并将每个计算得到的迭代聚类中心的聚类中的所有特征向量的平均值作为最终聚类中心。
根据本发明的一个实施例，所述将实时环境数据与所述若干聚类中心进行第一次匹配的步骤包括：
计算所述实时环境数据的特征向量与所有最终聚类中心的欧式距离；
响应于计算得到的欧式距离中的最小值大于等于预设阈值，确定第一次匹配失败；
响应于计算得到的欧式距离中的最小值小于预设阈值，确定第一次匹配成功。
根据本发明的一个实施例，所述响应于所述第一次匹配成功，将所述实时环境数据与匹配到的所述聚类中心对应的聚类中的特征向量进行第二次匹配，以确定若干闭环候选的步骤包括：
获取所述实时环境数据的特征向量与所有最终聚类中心的欧式距离中的最小值对应的聚类中心的聚类中的所有特征向量；
计算所述实时环境数据的特征向量与所述最小值对应的聚类中心的聚类中的所有特征向量的欧式距离；
将计算得到的欧式距离分别与预设阈值进行比较；
将计算得到的欧式距离小于预设阈值的特征向量作为闭环候选。
根据本发明的一个实施例，所述使用所述实时环境数据与所述闭环候选中的特征向量进行闭环验证，以确定所述实时环境数据与相应的特征向量是否形成闭环的步骤包括：
选择所述实时环境数据中的三个点的数据；
分别查找所述三个点的数据在所述闭环候选中的欧式距离最近的三个特征向量；
计算从所述三个点的数据到对应的欧式距离最近的三个特征向量的变换矩阵；
将所述实时环境数据按照所述变换矩阵进行变换，并计算变换后的所述实时环境数据与闭环候选中的特征向量的重合度；
重复上述步骤直到重合度大于第二预设条件或达到最大迭代次数。
根据本发明的一个实施例，所述使用所述实时环境数据与所述闭环候选中的特征向量进行闭环验证，以确定所述实时环境数据与相应的特征向量是否形成闭环的步骤包括：
响应于重合度大于第二预设条件，确定所述实时环境数据与相应的特征向量形成闭环。
根据本发明的一个实施例，还包括：
获取重合度大于第二预设条件时的变换矩阵；
以获取到的变换矩阵作为初始变换矩阵迭代出最终的位姿变换矩阵用于位姿校正。
根据本发明的一个实施例，所述获取历史环境数据的步骤包括：
基于预设频率获取所述历史环境数据，所述历史环境数据包括三维激光雷达采集的点云数据和采集的图像数据。
根据本发明的一个实施例，所述提取所述历史环境数据的特征向量的步骤包括：
将预处理后的点云数据或图像数据输入到相应的神经网络中进行特征向量的提取。
根据本发明的一个实施例，所述对所述特征向量进行聚类计算以得到若干聚类中心和对应的若干聚类的步骤之前还包括：
基于采集的历史环境数据和对应的特征向量构建帧序列。
根据本发明的一个实施例，所述对所述特征向量进行聚类计算以得到若干聚类中心和对应的若干聚类包括：
响应于帧序列中的数据每增加阈值数量的数据，对帧序列中所有的特征向量进行聚类计算。
根据本发明的一个实施例，还包括：
将聚类中心的数量设定为帧序列中的数据个数与设定值的比值。
根据本发明的一个实施例，还包括：
响应于帧序列中的数据达到最大阈值，清空帧序列并重新向帧序列中填充数据。
本发明的实施例的另一个方面，还提供了一种闭环检测的装置，装置包括：
聚类模块，配置为获取历史环境数据，提取所述历史环境数据的特征向量，并对所述特征向量进行聚类计算以得到若干聚类中心和对应的若干聚类；
第一匹配模块，配置为将实时环境数据与所述若干聚类中心进行第一次匹配；
第二匹配模块，配置为响应于所述第一次匹配成功，将所述实时环境数据与匹配到的所述聚类中心对应的聚类中的特征向量进行第二次匹配，以确定若干闭环候选；
验证模块，配置为使用所述实时环境数据与所述闭环候选中的特征向量进行闭环验证，以确定所述实时环境数据与相应的特征向量是否形成闭环。
本发明的实施例的另一个方面，还提供了一种计算机设备，该计算机设备包括：
至少一个处理器；以及
存储器，存储器存储有可在处理器上运行的计算机指令，指令由处理器执行时实现上述任意一项方法的步骤。
本发明的实施例的另一个方面，还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述任意一项方法的步骤。
本发明具有以下有益技术效果：本发明实施例提供的闭环检测的方法，通过获取历史环境数据，提取所述历史环境数据的特征向量，并对所述特征向量进行聚类计算以得到若干聚类中心和对应的若干聚类；将实时环境数据与所述若干聚类中心进行第一次匹配；响应于所述第一次匹配成功，将所述实时环境数据与匹配到的所述聚类中心对应的聚类中的特征向量进行第二次匹配，以确定若干闭环候选；使用所述实时环境数据与所述闭环候选中的特征向量进行闭环验证，以确定所述实时环境数据与相应的特征向量是否形成闭环的技术方案，能够精确实现机器人闭环检测，兼顾SLAM系统精确性和实时性，确保SLAM系统能够长时间在导航中应用，能够提高运行效率，减少计算资源的消耗。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的实施例。
图1为根据本发明一个实施例的闭环检测的方法的示意性流程图；
图2为根据本发明一个实施例的粗-精闭环检测的示意图；
图3为根据本发明一个实施例的帧序列构建的示意图；
图4为根据本发明一个实施例的闭环检测的装置的示意图；
图5为根据本发明一个实施例的计算机设备的示意图；
图6为根据本发明一个实施例的计算机可读存储介质的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明实施例进一步详细说明。
基于上述目的，本发明的实施例的第一个方面，提出了一种闭环检测的方法的一个实施例。图1示出的是该方法的示意性流程图。
如图1中所示，该方法可以包括以下步骤：
S1获取历史环境数据，提取所述历史环境数据的特征向量，并对所述特征向量进行聚类计算以得到若干聚类中心和对应的若干聚类。通过机器人携带的传感器按照一定频率获取环境数据，环境数据包括三维激光雷达采集的点云数据和照相设备采集的图像数据，如果环境数据是点云数据，则将预处理后的点云数据输入到PointNet神经网络中进行特征向量的提取，如果环境数据是图像数据，则将预处理后的图像数据输入到ResNet神经网络中进行特征向量的提取。在一些实施例中，初步选取若干个聚类中心的步骤包括：1.在提取出的特征向量中随机选择一个特征向量作为初始聚类中心；2.计算其余特征向量与初始聚类中心的欧式距离；3.基于计算得到的欧式距离计算其余特征向量被选为新聚类中心的概率，基于计算得到的概率使用轮盘法选择出新聚类中心，重复上述2和3的步骤直到选择出阈值数量的聚类中心。然后进行聚类中心的迭代以选出最终的聚类中心，步骤包括：1.计算非聚类中心的特征向量到每个聚类中心的欧式距离，将非聚类中心的特征向量分配到欧式距离最近的聚类中心的聚类中；2.计算每个聚类中心的聚类中的所有特征向量的平均值，将每个计算得到的特征向量的平均值作为迭代聚类中心，重复上述1和2的步骤，直到迭代聚类中心与上一个迭代聚类中心的距离小于一定的值时停止迭代计算并将每个计算得到的迭代聚类中心的聚类中的所有特征向量的平均值作为最终聚类中心。
S2将实时环境数据与所述若干聚类中心进行第一次匹配。计算当前环境数据的特征向量与所有最终聚类中心的欧式距离；如果计算得到的欧式距离中的最小值大于预设阈值，则确定第一次匹配失败，如果计算得到的欧式距离中的最小值小于预设阈值，则确定第一次匹配成功。
S3响应于所述第一次匹配成功，将所述实时环境数据与匹配到的所述聚类中心对应的聚类中的特征向量进行第二次匹配，以确定若干闭环候选。第一次匹配成功后，获取当前环境数据的特征向量与所有最终聚类中心的欧式距离中的最小值对应的聚类中心的聚类中的所有特征向量，计算当前环境数据的特征向量与上述获取的所有特征向量的欧式距离，将计算得到的欧式距离分别与预设阈值进行比较，将欧式距离小于预设阈值的特征向量作为闭环候选。
S4使用所述实时环境数据与所述闭环候选中的特征向量进行闭环验证，以确定所述实时环境数据与相应的特征向量是否形成闭环。在一些实施例中，选择当前环境数据中的三个点的数据，分别查找三个点的数据在闭环候选中的欧式距离最近的三个特征向量，计算从三个点的数据到对应的欧式距离最近的三个特征向量的变换矩阵，将当前环境数据按照变换矩阵进行变换，并计算变换后的当前环境数据与闭环候选中的特征向量的重合度，如果重合度大于第二预设条件则确定当前环境数据与相应的特征向量形成闭环，如果不大于第二预设条件，则重复上述步骤直到重合度大于第二预设条件或达到最大迭代次数。
通过使用本发明的技术方案，能够精确实现机器人闭环检测，兼顾SLAM系统精确性和实时性，确保SLAM系统能够长时间在导航中应用，能够提高运行效率，减少计算资源的消耗。
在本发明的一个优选实施例中，所述对所述特征向量进行聚类计算以得到若干聚类中心和对应的若干聚类的步骤包括：
在所述特征向量中随机选择一个特征向量作为第一聚类中心；
计算除第一聚类中心以外的其余特征向量与所述第一聚类中心的欧式距离；
基于计算得到的欧式距离计算除第一聚类中心以外的其余特征向量被选为第二聚类中心的概率；
基于计算得到的概率使用轮盘法选择出第二聚类中心。
在本发明的一个优选实施例中，所述对所述特征向量进行聚类计算以得到若干聚类中心和对应的若干聚类的步骤包括：
计算除第一聚类中心和第二聚类中心以外的其余特征向量与第二聚类中心的欧式距离；
基于计算得到的欧式距离计算除第一聚类中心和第二聚类中心以外的其余特征向量被选为第三聚类中心的概率；
基于计算得到的概率使用轮盘法选择出第三新聚类中心；
重复上述步骤直到选择出阈值数量的聚类中心。例如当前特征向量的序列为，从序列中随机选择1个特征向量/>作为初始聚类中心，计算除了初始聚类中心以外的每个特征向量/>与已选的聚类中心/>最近的欧式距离/>，然后根据欧式距离选择一个特征向量加入聚类中心集合中，选择规则为：该特征向量被选为聚类中心的概率为/>，欧氏距离/>越大则被选为新聚类中心的概率越大，计算每个特征被选为新聚类中心的概率，使用轮盘法选择出新的聚类中心，重复上述两步直到选出K个聚类中心，注意，在第二次计算欧式距离时使用的新加入聚类中心集合中的聚类中心。
在本发明的一个优选实施例中，所述对所述特征向量进行聚类计算以得到若干聚类中心和对应的若干聚类的步骤包括：
基于除被选为聚类中心以外的特征向量与各个所述聚类中心的欧式距离将除被选为聚类中心以外的特征向量分配到聚类中心对应的聚类中。
在本发明的一个优选实施例中，所述基于除被选为聚类中心以外的特征向量与各个所述聚类中心的欧式距离将除被选为聚类中心以外的特征向量分配到聚类中心对应的聚类中的步骤包括：
计算除被选为聚类中心以外的特征向量到每个聚类中心的欧式距离；
将除被选为聚类中心以外的特征向量分配到欧式距离最近的聚类中心的聚类中。
在本发明的一个优选实施例中，所述对所述特征向量进行聚类计算以得到若干聚类中心和对应的若干聚类的步骤包括：
计算每个聚类中心的聚类中的所有特征向量的平均值；
将每个计算得到的特征向量的平均值作为迭代聚类中心。
在本发明的一个优选实施例中，所述对所述特征向量进行聚类计算以得到若干聚类中心和对应的若干聚类的步骤包括：
计算除被选为聚类中心以外的特征向量到每个迭代聚类中心的欧式距离；
将除被选为聚类中心以外的特征向量分配到欧式距离最近的迭代聚类中心的聚类中；
计算每个迭代聚类中心的聚类中的所有特征向量的平均值；
响应于平均值满足第三预设条件，停止迭代计算并将每个计算得到的迭代聚类中心的聚类中的所有特征向量的平均值作为最终聚类中心。分别计算特征向量的序列中除聚类中心以外的所有特征向量到每一个聚类中心的欧式距离，并将特征向量分配到欧式距离最近的聚类中，针对所有的类别，重新计算该类别的聚类中心，可以以该类别中所有特征向量的平均值作为重新计算的聚类中心，计算公式为：其中/>为第j个聚类中所有特征向量的平均值，/>为第j个聚类的特征向量的数量，/>为第j个聚类中所有特征向量的求和，重复上述步骤，直到新的聚类中心和前一个聚类中心的距离小于一定阈值，则认为算法收敛，迭代聚类结束，使用最后计算的聚类中心作为聚类的聚类中心。考虑到聚类算法需要进行迭代，在序列内数量变多时可能会影响到实时性，在系统运行时进行分段聚类操作，可以设置为每隔1000帧对序列内的特征向量进行重新聚类，聚类算法中K的大小为触发聚类时序列的长度整除200，以确保既能在机器人经历新的环境时能够及时对新环境进行聚类表征，又可以兼顾SLAM系统的实时性，以上的1000帧和200的值可以根据需要进行修改。
在本发明的一个优选实施例中，所述将实时环境数据与所述若干聚类中心进行第一次匹配的步骤包括：
计算所述实时环境数据的特征向量与所有最终聚类中心的欧式距离；
响应于计算得到的欧式距离中的最小值大于等于预设阈值，确定第一次匹配失败；
响应于计算得到的欧式距离中的最小值小于预设阈值，确定第一次匹配成功。在第一次聚类完成后，可以以0.05Hz的频率进行粗-精闭环检测，即第一次匹配和第二次匹配。匹配策略如图2所示，第一次匹配，即粗匹配是将当前环境数据的特征向量与上述的聚类中心进行匹配，计算当前环境数据的特征向量与所有聚类中心之间的欧式距离，如果最近欧式距离大于等于设定的阈值dthresh，则认为当前环境数据并非闭环，即匹配失败。
在本发明的一个优选实施例中，所述响应于所述第一次匹配成功，将所述实时环境数据与匹配到的所述聚类中心对应的聚类中的特征向量进行第二次匹配，以确定若干闭环候选的步骤包括：
获取所述实时环境数据的特征向量与所有最终聚类中心的欧式距离中的最小值对应的聚类中心的聚类中的所有特征向量；
计算所述实时环境数据的特征向量与所述最小值对应的聚类中心的聚类中的所有特征向量的欧式距离；
将计算得到的欧式距离分别与预设阈值进行比较；
将计算得到的欧式距离小于预设阈值的特征向量作为闭环候选。如果第一次匹配成功，即最近欧式距离小于阈值dthresh，则进行类内的精匹配，将当前环境数据的特征向量与欧式距离最近的类内的所有特征向量进行欧式距离比较，如果欧式距离大于等于阈值dthresh，则对应历史帧不列入闭环候选，如果欧式距离小于阈值dthresh，则将对应历史帧（类内的特征向量）加入到闭环候选中。
在本发明的一个优选实施例中，所述使用所述实时环境数据与所述闭环候选中的特征向量进行闭环验证，以确定所述实时环境数据与相应的特征向量是否形成闭环的步骤包括：
选择所述实时环境数据中的三个点的数据；
分别查找所述三个点的数据在所述闭环候选中的欧式距离最近的三个特征向量；
计算从所述三个点的数据到对应的欧式距离最近的三个特征向量的变换矩阵；
将所述实时环境数据按照所述变换矩阵进行变换，并计算变换后的所述实时环境数据与闭环候选中的特征向量的重合度；
重复上述步骤直到重合度大于第二预设条件或达到最大迭代次数。
在本发明的一个优选实施例中，所述使用所述实时环境数据与所述闭环候选中的特征向量进行闭环验证，以确定所述实时环境数据与相应的特征向量是否形成闭环的步骤包括：
响应于重合度大于第二预设条件，确定所述实时环境数据与相应的特征向量形成闭环。闭环检测（机器人检查自身是否曾经到达过现在所处的位置）的精度是十分重要的，错误的闭环会给机器人自主导航带来毁灭性的打击，因此对闭环候选进行几何验证是一种更加保险的手段，同样为了保证本步骤的效率，只进行距离最近的若干个闭环候选进行验证，可以选择对5个闭环候选进行验证。根据机器人所携带的传感器类型的不同，闭环验证的方式会有所区别，点云配准可以直接使用下采样后的点云进行配准，图像配准则需要先提取几何特征，再基于几何特征进行配准。闭环验证方法使用RANSAC（随机抽样一致性配准算法）粗配准+ICP（迭代最近点配准算法）精配准（对于机器人采集到的源数据和目标数据，计算出二者之间的位姿变换矩阵），RANSAC粗配准的步骤为：
①在当前帧（当前环境数据）的点云或图像几何特征中随机选择三个点；
②使用KD Tree分别查找三个点在闭环候选中欧式距离最近的三个点；
③计算从当前帧三个点到对应闭环候选帧三个点的变换矩阵；
④将当前帧的点云或图像几何特征按照上述变换矩阵进行变换，并计算变换后的点云或图像几何特征与闭环候选的重合度，重合度定义为变换后的当前帧数据在某阈值半径内符合闭环候选的点的百分比；
⑤重复①-④迭代变换矩阵，直至重合度大于0.85，或者达到最大迭代次数5000。重合度大于0.85时认为形成了闭环，如果达到最大迭代次数后重合度仍然不大于0.85，则认为没有形成闭环，继续等待下一次聚类，并重复上述整个过程。
在本发明的一个优选实施例中，还包括：
获取重合度大于第二预设条件时的变换矩阵；
以获取到的变换矩阵作为初始变换矩阵迭代出最终的位姿变换矩阵用于位姿校正。将RANSAC粗配准求出的变换矩阵作为初始变换矩阵再进行ICP精配准，迭代出最终的位姿变换矩阵，用于SLAM的位姿校正。
在本发明的一个优选实施例中，所述获取历史环境数据的步骤包括：
基于预设频率获取所述历史环境数据，所述历史环境数据包括三维激光雷达采集的点云数据和采集的图像数据。通过机器人携带的传感器按照一定频率获取当前环境的数据，环境数据可以是三维激光雷达采集点云，也可以是相机采集图像等，然后对传感器采集到的数据进行预处理，一般图像预处理包括调整尺寸，点云预处理则有地面滤除、下采样等。
在本发明的一个优选实施例中，提取环境数据的特征向量的步骤包括：
响应于环境数据是点云数据，将预处理后的点云数据输入到PointNet神经网络中进行特征向量的提取。
在本发明的一个优选实施例中，提取环境数据的特征向量的步骤包括：
响应于环境数据是图像数据，将预处理后的图像数据输入到ResNet神经网络中进行特征向量的提取。对预处理后的点云或者图像等环境数据输入至地点表征神经网络进行特征提取，神经网络使用现有成熟的地点识别方法，例如，使用ResNet进行图像特征提取，使用PointNet进行点云特征提取，采用度量学习的方式使得特征向量能够对地点进行相似性度量，减小相似地点之间的特征距离，增大不同地点之间的特征距离，最后输出当前帧的地点特征向量。
在本发明的一个优选实施例中，对特征向量进行聚类计算以得到若干聚类中心和对应的若干聚类的步骤之前还包括：
基于采集的环境数据和对应的特征向量构建帧序列。如图3所示，将传感器采集的数据和地点表征网络输出的地点特征向量构建为一帧，由于机器人的速度并不像自动驾驶汽车那么快，为了减少数据的存储占用，可以将采集数据帧的频率降为2Hz左右，机器人在运动过程中形成记录。在机器人运行过程中需要不断维护此帧序列，帧序列的最大长度可以设定为6000，机器人在运行过程中帧序列逐渐被填满，当帧序列长度达到6000时，清空当前帧序列，并重新按照时间顺序进行填充。
在本发明的一个优选实施例中，对特征向量进行聚类计算以得到若干聚类中心和对应的若干聚类包括：
响应于帧序列中的数据每增加阈值数量的数据，对帧序列中所有的特征向量进行聚类计算。即可以设置聚类计算的频率，例如序列中每增加1000个数据，则对序列中所有数据进行一次聚类计算，例如，1000个数据时，对1000个数据进行聚类计算，2000个数据时，对2000个数据进行聚类计算，依次类推，上述值可以根据需要设定。
在本发明的一个优选实施例中，还包括：
将聚类中心的数量设定为帧序列中的数据个数与设定值的比值。
在本发明的一个优选实施例中，还包括：
响应于帧序列中的数据达到最大阈值，清空帧序列并重新向帧序列中填充数据。
本发明提出的闭环检测方法先进行关键帧粗匹配，再进行子序列精匹配，并按照时间维护帧序列，兼顾了SLAM系统的精确性和实时性，确保了SLAM系统能够在长时导航中应用，极大提高了运行效率，减少了计算资源消耗。
需要说明的是，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关硬件来完成，上述的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中存储介质可为磁碟、光盘、只读存储器（Read-Only Memory，ROM）或随机存取存储器（Random AccessMemory，RAM）等。上述计算机程序的实施例，可以达到与之对应的前述任意方法实施例相同或者相类似的效果。
此外，根据本发明实施例公开的方法还可以被实现为由CPU 执行的计算机程序，该计算机程序可以存储在计算机可读存储介质中。在该计算机程序被CPU 执行时，执行本发明实施例公开的方法中限定的上述功能。
基于上述目的，本发明的实施例的第二个方面，提出了一种闭环检测的装置，如图4所示，装置200包括：
聚类模块，配置为获取历史环境数据，提取所述历史环境数据的特征向量，并对所述特征向量进行聚类计算以得到若干聚类中心和对应的若干聚类；
第一匹配模块，配置为将实时环境数据与所述若干聚类中心进行第一次匹配；
第二匹配模块，配置为响应于所述第一次匹配成功，将所述实时环境数据与匹配到的所述聚类中心对应的聚类中的特征向量进行第二次匹配，以确定若干闭环候选；
验证模块，配置为使用所述实时环境数据与所述闭环候选中的特征向量进行闭环验证，以确定所述实时环境数据与相应的特征向量是否形成闭环。
基于上述目的，本发明实施例的第三个方面，提出了一种计算机设备。图5示出的是本发明提供的计算机设备的实施例的示意图。如图5所示，本发明实施例包括如下装置：至少一个处理器21；以及存储器22，存储器22存储有可在处理器上运行的计算机指令23，指令由处理器执行时实现以上方法中的任意一种方法。
基于上述目的，本发明实施例的第四个方面，提出了一种计算机可读存储介质。图6示出的是本发明提供的计算机可读存储介质的实施例的示意图。如图6所示，可读存储介质31存储有被处理器执行时执行如上方法中的任意一种方法的计算机程序32。
此外，根据本发明实施例公开的方法还可以被实现为由处理器执行的计算机程序，该计算机程序可以存储在计算机可读存储介质中。在该计算机程序被处理器执行时，执行本发明实施例公开的方法中限定的上述功能。
此外，上述方法步骤以及系统单元也可以利用控制器以及用于存储使得控制器实现上述步骤或单元功能的计算机程序的计算机可读存储介质实现。
本领域技术人员还将明白的是，结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。为了清楚地说明硬件和软件的这种可互换性，已经就各种示意性组件、方块、模块、电路和步骤的功能对其进行了一般性的描述。这种功能是被实现为软件还是被实现为硬件取决于具体应用以及施加给整个系统的设计约束。本领域技术人员可以针对每种具体应用以各种方式来实现的功能，但是这种实现决定不应被解释为导致脱离本发明实施例公开的范围。
在一个或多个示例性设计中，功能可以在硬件、软件、固件或其任意组合中实现。如果在软件中实现，则可以将功能作为一个或多个指令或代码存储在计算机可读介质上或通过计算机可读介质来传送。计算机可读介质包括计算机存储介质和通信介质，该通信介质包括有助于将计算机程序从一个位置传送到另一个位置的任何介质。存储介质可以是能够被通用或专用计算机访问的任何可用介质。作为例子而非限制性的，该计算机可读介质可以包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储设备、磁盘存储设备或其它磁性存储设备，或者是可以用于携带或存储形式为指令或数据结构的所需程序代码并且能够被通用或专用计算机或者通用或专用处理器访问的任何其它介质。此外，任何连接都可以适当地称为计算机可读介质。例如，如果使用同轴线缆、光纤线缆、双绞线、数字用户线路（DSL）或诸如红外线、无线电和微波的无线技术来从网站、服务器或其它远程源发送软件，则上述同轴线缆、光纤线缆、双绞线、DSL或诸如红外线、无线电和微波的无线技术均包括在介质的定义。如这里所使用的，磁盘和光盘包括压缩盘（CD）、激光盘、光盘、数字多功能盘（DVD）、软盘、蓝光盘，其中磁盘通常磁性地再现数据，而光盘利用激光光学地再现数据。上述内容的组合也应当包括在计算机可读介质的范围内。
以上是本发明公开的示例性实施例，但是应当注意，在不背离权利要求限定的本发明实施例公开的范围的前提下，可以进行多种改变和修改。根据这里描述的公开实施例的方法权利要求的功能、步骤和/或动作不需以任何特定顺序执行。此外，尽管本发明实施例公开的元素可以以个体形式描述或要求，但除非明确限制为单数，也可以理解为多个。
应当理解的是，在本文中使用的，除非上下文清楚地支持例外情况，单数形式“一个”旨在也包括复数形式。还应当理解的是，在本文中使用的“和/或”是指包括一个或者一个以上相关联地列出的项目的任意和所有可能组合。
上述本发明实施例公开实施例序号仅仅为了描述，不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本发明实施例公开的范围（包括权利要求）被限于这些例子；在本发明实施例的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，并存在如上的本发明实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。因此，凡在本发明实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明实施例的保护范围之内。

Claims (19)

1.一种闭环检测的方法，其特征在于，包括以下步骤：
获取历史环境数据，提取所述历史环境数据的特征向量，并对所述特征向量进行聚类计算以得到若干聚类中心和对应的若干聚类；
将实时环境数据与所述若干聚类中心进行第一次匹配；
响应于所述第一次匹配成功，将所述实时环境数据与匹配到的所述聚类中心对应的聚类中的特征向量进行第二次匹配，以确定若干闭环候选；
使用所述实时环境数据与所述闭环候选中的特征向量进行闭环验证，以确定所述实时环境数据与相应的特征向量是否形成闭环，其中所述使用所述实时环境数据与所述闭环候选中的特征向量进行闭环验证，以确定所述实时环境数据与相应的特征向量是否形成闭环的步骤包括：选择所述实时环境数据中的三个点的数据，分别查找所述三个点的数据在所述闭环候选中的欧式距离最近的三个特征向量，计算从所述三个点的数据到对应的欧式距离最近的三个特征向量的变换矩阵，将所述实时环境数据按照所述变换矩阵进行变换，并计算变换后的所述实时环境数据与闭环候选中的特征向量的重合度，重复上述步骤直到重合度大于第二预设条件或达到最大迭代次数。
2.根据权利要求1所述的方法，其特征在于，所述对所述特征向量进行聚类计算以得到若干聚类中心和对应的若干聚类的步骤包括：
在所述特征向量中随机选择一个特征向量作为第一聚类中心；
计算除第一聚类中心以外的其余特征向量与所述第一聚类中心的欧式距离；
基于计算得到的欧式距离计算除第一聚类中心以外的其余特征向量被选为第二聚类中心的概率；
基于计算得到的概率使用轮盘法选择出第二聚类中心。
3.根据权利要求2所述的方法，其特征在于，所述对所述特征向量进行聚类计算以得到若干聚类中心和对应的若干聚类的步骤包括：
计算除第一聚类中心和第二聚类中心以外的其余特征向量与第二聚类中心的欧式距离；
基于计算得到的欧式距离计算除第一聚类中心和第二聚类中心以外的其余特征向量被选为第三聚类中心的概率；
基于计算得到的概率使用轮盘法选择出第三新聚类中心；
重复上述步骤直到选择出阈值数量的聚类中心。
4.根据权利要求3所述的方法，其特征在于，所述对所述特征向量进行聚类计算以得到若干聚类中心和对应的若干聚类的步骤包括：
基于除被选为聚类中心以外的特征向量与各个所述聚类中心的欧式距离将除被选为聚类中心以外的特征向量分配到聚类中心对应的聚类中。
5.根据权利要求4所述的方法，其特征在于，所述基于除被选为聚类中心以外的特征向量与各个所述聚类中心的欧式距离将除被选为聚类中心以外的特征向量分配到聚类中心对应的聚类中的步骤包括：
计算除被选为聚类中心以外的特征向量到每个聚类中心的欧式距离；
将除被选为聚类中心以外的特征向量分配到欧式距离最近的聚类中心的聚类中。
6.根据权利要求5所述的方法，其特征在于，所述对所述特征向量进行聚类计算以得到若干聚类中心和对应的若干聚类的步骤包括：
计算每个聚类中心的聚类中的所有特征向量的平均值；
将每个计算得到的特征向量的平均值作为迭代聚类中心。
7.根据权利要求6所述的方法，其特征在于，所述对所述特征向量进行聚类计算以得到若干聚类中心和对应的若干聚类的步骤包括：
计算除被选为聚类中心以外的特征向量到每个迭代聚类中心的欧式距离；
将除被选为聚类中心以外的特征向量分配到欧式距离最近的迭代聚类中心的聚类中；
计算每个迭代聚类中心的聚类中的所有特征向量的平均值；
响应于平均值满足第三预设条件，停止迭代计算并将每个计算得到的迭代聚类中心的聚类中的所有特征向量的平均值作为最终聚类中心。
8.根据权利要求7所述的方法，其特征在于，所述将实时环境数据与所述若干聚类中心进行第一次匹配的步骤包括：
计算所述实时环境数据的特征向量与所有最终聚类中心的欧式距离；
响应于计算得到的欧式距离中的最小值大于等于预设阈值，确定第一次匹配失败；
响应于计算得到的欧式距离中的最小值小于预设阈值，确定第一次匹配成功。
9.根据权利要求8所述的方法，其特征在于，所述响应于所述第一次匹配成功，将所述实时环境数据与匹配到的所述聚类中心对应的聚类中的特征向量进行第二次匹配，以确定若干闭环候选的步骤包括：
获取所述实时环境数据的特征向量与所有最终聚类中心的欧式距离中的最小值对应的聚类中心的聚类中的所有特征向量；
计算所述实时环境数据的特征向量与所述最小值对应的聚类中心的聚类中的所有特征向量的欧式距离；
将计算得到的欧式距离分别与预设阈值进行比较；
将计算得到的欧式距离小于预设阈值的特征向量作为闭环候选。
10.根据权利要求1所述的方法，其特征在于，所述使用所述实时环境数据与所述闭环候选中的特征向量进行闭环验证，以确定所述实时环境数据与相应的特征向量是否形成闭环的步骤包括：
响应于重合度大于第二预设条件，确定所述实时环境数据与相应的特征向量形成闭环。
11.根据权利要求10所述的方法，其特征在于，还包括：
获取重合度大于第二预设条件时的变换矩阵；
以获取到的变换矩阵作为初始变换矩阵迭代出最终的位姿变换矩阵用于位姿校正。
12.根据权利要求1所述的方法，其特征在于，所述获取历史环境数据的步骤包括：
基于预设频率获取所述历史环境数据，所述历史环境数据包括三维激光雷达采集的点云数据和采集的图像数据。
13.根据权利要求12所述的方法，其特征在于，所述提取所述历史环境数据的特征向量的步骤包括：
将预处理后的点云数据或图像数据输入到相应的神经网络中进行特征向量的提取。
14.根据权利要求12所述的方法，其特征在于，所述对所述特征向量进行聚类计算以得到若干聚类中心和对应的若干聚类的步骤之前还包括：
基于采集的历史环境数据和对应的特征向量构建帧序列。
15.根据权利要求14所述的方法，其特征在于，所述对所述特征向量进行聚类计算以得到若干聚类中心和对应的若干聚类包括：
响应于帧序列中的数据每增加阈值数量的数据，对帧序列中所有的特征向量进行聚类计算。
16.根据权利要求15所述的方法，其特征在于，还包括：
将聚类中心的数量设定为帧序列中的数据个数与设定值的比值。
17.根据权利要求16所述的方法，其特征在于，还包括：
响应于帧序列中的数据达到最大阈值，清空帧序列并重新向帧序列中填充数据。
18.一种闭环检测的装置，其特征在于，所述装置执行权利要求1-17任意一项所述方法，所述装置包括：
聚类模块，配置为获取历史环境数据，提取所述历史环境数据的特征向量，并对所述特征向量进行聚类计算以得到若干聚类中心和对应的若干聚类；
第一匹配模块，配置为将实时环境数据与所述若干聚类中心进行第一次匹配；
第二匹配模块，配置为响应于所述第一次匹配成功，将所述实时环境数据与匹配到的所述聚类中心对应的聚类中的特征向量进行第二次匹配，以确定若干闭环候选；
验证模块，配置为使用所述实时环境数据与所述闭环候选中的特征向量进行闭环验证，以确定所述实时环境数据与相应的特征向量是否形成闭环。
19.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-17任意一项所述方法的步骤。
CN202311132567.XA 2023-09-04 2023-09-04 一种闭环检测的方法、装置及可读存储介质 Active CN116883879B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311132567.XA CN116883879B (zh) 2023-09-04 2023-09-04 一种闭环检测的方法、装置及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311132567.XA CN116883879B (zh) 2023-09-04 2023-09-04 一种闭环检测的方法、装置及可读存储介质

Publications (2)

Publication Number Publication Date
CN116883879A CN116883879A (zh) 2023-10-13
CN116883879B true CN116883879B (zh) 2024-01-16

Family

ID=88271755

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311132567.XA Active CN116883879B (zh) 2023-09-04 2023-09-04 一种闭环检测的方法、装置及可读存储介质

Country Status (1)

Country Link
CN (1) CN116883879B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118053558B (zh) * 2024-03-14 2024-08-20 南通市第一人民医院 一种用于哮喘病房的环境检测方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109726675A (zh) * 2018-12-28 2019-05-07 芜湖哈特机器人产业技术研究院有限公司 一种基于k中心算法的移动机器人slam闭环检测方法
WO2022142855A1 (zh) * 2020-12-31 2022-07-07 深圳市优必选科技股份有限公司 回环检测方法、装置、终端设备和可读存储介质
CN116222577A (zh) * 2023-04-27 2023-06-06 苏州浪潮智能科技有限公司 闭环检测方法、训练方法、系统、电子设备及存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109726675A (zh) * 2018-12-28 2019-05-07 芜湖哈特机器人产业技术研究院有限公司 一种基于k中心算法的移动机器人slam闭环检测方法
WO2022142855A1 (zh) * 2020-12-31 2022-07-07 深圳市优必选科技股份有限公司 回环检测方法、装置、终端设备和可读存储介质
CN116222577A (zh) * 2023-04-27 2023-06-06 苏州浪潮智能科技有限公司 闭环检测方法、训练方法、系统、电子设备及存储介质

Also Published As

Publication number Publication date
CN116883879A (zh) 2023-10-13

Similar Documents

Publication Publication Date Title
CN112179330B (zh) 移动设备的位姿确定方法及装置
CN108550318B (zh) 一种构建地图的方法及装置
CN111536964A (zh) 机器人定位方法及装置、存储介质
CN109829435B (zh) 一种视频图像处理方法、装置及计算机可读介质
CN116883879B (zh) 一种闭环检测的方法、装置及可读存储介质
CN113313763B (zh) 一种基于神经网络的单目相机位姿优化方法及装置
US10621473B1 (en) Method for providing object detecting system capable of updating types of detectable classes in real-time by using continual learning and devices using the same
KR102592551B1 (ko) Ar장치를 위한 객체 인식 처리 장치 및 방법
CN113269070B (zh) 融合全局和局部特征的行人重识别方法、存储器及处理器
CN112084895B (zh) 一种基于深度学习的行人重识别方法
CN113706592A (zh) 一种定位信息的修正方法、装置、电子设备和存储介质
CN112734837B (zh) 图像匹配的方法及装置、电子设备及车辆
WO2024197815A1 (zh) 一种工程机械的建图、方法、设备、及可读存储介质
CN114119659A (zh) 一种多传感器融合的目标跟踪方法
CN113096181A (zh) 设备位姿的确定方法、装置、存储介质及电子装置
CN116958266B (zh) 闭环检测方法、装置、通信设备及存储介质
CN114046790A (zh) 一种因子图双重回环的检测方法
CN113673288B (zh) 空闲车位检测方法、装置、计算机设备及存储介质
CN117053779A (zh) 一种基于冗余关键帧去除的紧耦合激光slam方法及装置
CN116563341A (zh) 一种处理复杂环境下动态物体的视觉定位与建图方法
CN113297259B (zh) 机器人及其环境地图构建方法和装置
CN113836251B (zh) 一种认知地图构建方法、装置、设备及介质
CN115239776A (zh) 点云的配准方法、装置、设备和介质
KR20230029981A (ko) 포즈 결정을 위한 시스템 및 방법
CN110599542A (zh) 面向几何区域的自适应vslam局部建图的方法和装置

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
GR01 Patent grant
GR01 Patent grant