CN116908810B - 一种无人机搭载激光雷达测量建筑土方的方法和系统 - Google Patents
一种无人机搭载激光雷达测量建筑土方的方法和系统 Download PDFInfo
- Publication number
- CN116908810B CN116908810B CN202311168792.9A CN202311168792A CN116908810B CN 116908810 B CN116908810 B CN 116908810B CN 202311168792 A CN202311168792 A CN 202311168792A CN 116908810 B CN116908810 B CN 116908810B
- Authority
- CN
- China
- Prior art keywords
- state
- point cloud
- dimensional
- earthwork
- aerial vehicle
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 103
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 61
- 238000001514 detection method Methods 0.000 claims abstract description 22
- 238000013507 mapping Methods 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims description 62
- 230000008569 process Effects 0.000 claims description 33
- 238000005259 measurement Methods 0.000 claims description 30
- 239000013598 vector Substances 0.000 claims description 28
- 238000004891 communication Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 9
- 238000012351 Integrated analysis Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000007792 addition Methods 0.000 claims description 5
- 238000012805 post-processing Methods 0.000 claims description 5
- 230000001174 ascending effect Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000005286 illumination Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 239000004575 stone Substances 0.000 description 2
- 241000135164 Timea Species 0.000 description 1
- 241000949477 Toona ciliata Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009435 building construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000004441 surface measurement Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C15/00—Surveying instruments or accessories not provided for in groups G01C1/00 - G01C13/00
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明提供了一种无人机搭载激光雷达测量建筑土方的方法和系统,所述方法包括:无人机按飞行路线自主飞行;无人机发射激光脉冲信号、接收反射回来的激光脉冲信号和转化信号得到并存储点云数据;点云数据传输至控制终端,地面控制终端上运行SLAM三维重建算法获取待测区域的三维点云模型;SLAM三维重建算法中采用了ESKF算法且进行了回环检测;运行土方计算算法计算出待测区域内各个部分或整体的参数,输出结果。所述系统可执行上述方法,且系统包括前端传感单元和终端单元。本发明的方法提高了数据采集效率和精度,同时生成多种测绘成果,能够满足不同需求。本发明的系统对于山区、有遮挡的建筑物等复杂地形采集有效数据。
Description
技术领域
本发明涉及勘测和建筑施工测量技术领域,具体的,涉及一种无人机搭载激光雷达测量建筑土方的方法和系统。
背景技术
建筑土方测量是指在建筑工程施工中,对土方工程的体积、面积和高程等参数进行准确的计算和分析,以便于控制工程质量和成本。现有的土方测量方法主要有倾斜摄影、全站仪和RTK(Real-time kinematic 实时差分定位)等地面测绘手段,但这些方法存在以下缺点:1、外业工作量大,人力投入大,效率低;2、对于山区、有遮挡的建筑物等复杂地形难以采集有效数据;3、测绘成果单一,仅限于数字线划图,无法提供可视化实景模型;4、倾斜摄影基于视觉图像技术,精度低,对光照条件要求高,高反射表面影响测绘结果。
因此,需要一种新的土方测量方法,以提高数据采集效率和精度,同时生成多种测绘成果,满足不同需求。所以,本申请提供的一种无人机搭载激光雷达测量建筑土方的方法和系统具有重要的意义。
申请号为“CN201710119737.9”、名称为“一种结合倾斜摄影、RTK和BIM技术的土石方测量计算方法”的中国专利公开的方法包括步骤:S1目标区域环境勘察;S2在目标区域四周布设像控点和校验点;S3在目标区域开展飞行设备航摄作业;S4将飞行设备的倾斜摄影图像导入实景成像软件中,经过处理后输出地形的点云数据;S5进行点云数据的校正;S6确认点云数据的精度;S7生成三维地形模型;S8对三维地形模型进行挖、填模拟,计算土石方工程量。该方法提高了土石方测量和计算的效率,使获取的原始数据精度更高,计算的成果数据更准确。但该方法仍是利用倾斜摄影技术,对光照条件要求高,数据采集的精度仍有限,且其三维地形模型与本申请不同。
申请号为“CN202010841992.6”、名称为“一种基于三维倾斜摄影技术的土方优化方法及系统”的中国专利公开的基于三维倾斜摄影技术的土方优化方法是利用无人机摄影进行测量区域的地形数据获取;对获取的数据进行处理;进行土方量计算。该方法将传统单点测量模式推进至面式测量模式,结合BIM(Building Information Modeling 建筑信息模型)中的Civil3D强大的曲面处理功能,采用地形叠合原理生成三维实体,计算土体体积。实现了大面积获取目标表面的点云数据,在数据获取效率、数据采集范围、数据精度、测量作业的安全性和自动化方面实现了全面提升。但该方法仍是利用倾斜摄影技术,对光照条件要求高,数据采集的精度仍有限,且其三维数字地形模型与本申请不同。
发明内容
针对现有技术中存在的不足,本发明的目的在于解决上述现有技术中存在的一个或多个问题。例如,本发明的目的之一在于提供一种能够提高数据采集效率和精度、能够同时得到多种测绘成果、且能满足不同需求的无人机搭载激光雷达测量建筑土方的方法。又如,本发明的另一目的在于提供一种能够对山区、有遮挡的建筑物等复杂地形采集有效数据的无人机搭载激光雷达测量建筑土方的系统。
为了实现上述目的,本发明一方面提供了一种无人机搭载激光雷达测量建筑土方的方法,所述方法可包括步骤:S1、无人机按照地面控制终端规划出的飞行路线自主飞行;S2、无人机通过激光雷达发射激光脉冲信号、接收反射回来的激光脉冲信号和转化信号得到并存储点云数据;S3、点云数据通过雷达传输至控制终端,终端上运行SLAM三维重建算法获取待测区域的三维点云模型;SLAM三维重建算法中全局位姿约束问题采用ESKF算法进行优化,SLAM三维重建算法中实现回环检测以提高位姿的估计精确度;S4、终端上运行土方计算算法,根据三维点云模型计算出待测区域内各个部分或整体的参数,输出结果。
根据本发明一方面的一个或多个示例性实施例,所述SLAM三维重建算法可包括步骤:对IMU获取的运动信息,忽略IMU的测量噪声并进行预积分,获取先验机体位姿,作为下一时刻的位姿初值与该先验机体位姿估计的协方差矩阵;对点云数据进行降采样后投影至全局坐标系,并在在历史点云地图中搜索该帧点云中每一点对应所在平面,获得点到平面残差向量,进而获得激光雷达的观测方程;利用观测方程计算卡尔曼增益,并更新本时刻的估计状态和协方差矩阵,利用ESKF算法迭代求解当前的精确位姿;对当前点云进行描述子计算,并在历史描述子数据库中进行搜索,实现回环检测;对点云数据进行预处理后进行点云拼接和表面重建,将点云数据转换为三维网格或三维体素,形成待测区域的三维点云模型。
根据本发明一方面的一个或多个示例性实施例,所述ESKF算法可包括步骤:
a、在忽略IMU噪声的前提下,利用IMU的运动输入不断进行下一时刻名义状态的更新,下一时刻名义状态的公式为:
;
式中,为下一时刻名义状态;/>为当前时刻的名义状态;/>为IMU测量的时间间隔;/>为运动模型;/>为IMU的运动输入;/>为定义在流形上的加法,即用于将运动模型的预测值添加到状态估计值上;
b、利用泰勒展开不断预测下一时刻对应的误差状态,同时不断更新误差状态的协方差/>,该矩阵表明对误差状态估计的不确定性,直至得到下一次观测值时,预测方程将获取到该时刻的名义状态/>,预测方程为:
,
;
式中,为状态误差向量;/>为在下一个时间步i+1的状态预测向量;/>为下一时刻真实状态;/>表示定义在状态空间流形上的减法运算;/>为当前时刻的状态;为当前时刻的实际状态与名义状态之间的差异,表示为状态误差;/>为/>对/>的雅可比矩阵;/>为/>对噪声/>的雅可比矩阵;/>为IMU测量的噪声向量;/>是下一时刻状态误差的协方差矩阵;/>为当前时刻状态误差的协方差矩阵;/>为IMU测量的噪声矩阵;T表示矩阵的转置;
c、当获取一帧点云观测时,利用b步骤中估计的位姿将点云投影至前一帧坐标系下,该过程可表示为,计算点到线或点到面误差/>,由此获得观测方程,对其进行泰勒展开可得:
;
式中,为非线性测量模型,将状态向量/>和测量噪声/>映射到测量向量空间;/>为状态向量;/>为观测噪声;/>表示当前时刻的状态的估计值;/>为将观测模型在/>处进行线性化;/>为观测模型关于状态向量/>的雅可比矩阵;/>为状态误差向量,表示当前时刻的状态与估计值之间的差异;/>表示观测噪声;/>表示实际测得的观测值;
d、利用步骤c中获得的观测矩阵计算卡尔曼增益,并更新本时刻的估计状态与协方差矩阵,该过程可进行迭代,直至估计状态收敛,此时称为IESKF算法,IESKF算法能够完成对当前时刻状态的精确估计;IESKF算法的公式如下:
,
;
式中,为卡尔曼增益;/>为状态估计误差的协方差矩阵;/>为观测模型关于状态的雅可比矩阵;/>为观测噪声的协方差矩阵;/>为在滤波过程中更新后的状态估计值;上标/>为当前的迭代次数;下标k为时间步;T表示矩阵的转置;/>为当前时刻的观测值;/>为单位矩阵;/>为真实状态/>对误差/>的雅可比矩阵;/>为定义在流形上的加法;/>表示定义在状态空间流形上的减法运算;/>表示当前时刻的状态的估计值;/>为在时间步k下,通过滤波算法进行m次迭代后得到的状态向量的先验估计值;该迭代过程3~4次即可收敛。
根据本发明一方面的一个或多个示例性实施例,所述回环检测可包括基于单帧-子地图描述子匹配的回环检测算法,所述回环检测算法可包括步骤:A、获取点云数据和前端里程计解算出的位姿数据;B、按照角度变化阈值和位移变化阈值选择关键帧,并将前后两关键帧之间的位姿变换矩阵添加到因子图中;C、对于被选择的关键帧,利用里程计提供的位姿投影到子地图的坐标系下,构建子地图及其SC描述子,并将子地图的位置存储在KDTree中;当地图包含的关键帧达到预定数目,将子地图及对应的描述子加入子地图数据库中;D、利用里程计给出的关键帧对应的位置信息,在KD Tree中搜索k个最近的子地图作为候选回环帧;对子地图的序号进行升序排列,每次优先搜索时间较早的子地图;E、将当前帧点云利用里程计给出的位姿变换到子地图坐标系,并获取该坐标系下对应的SC描述子,利用二进制描述子对齐后,与子地图描述子进行相似度判断;若相似性得分低于阈值,则利用CFB-ICP算法进行几何一致性验证以获取当前帧与子地图之间的位姿变换矩阵;F、每当因子图中加入新的因子,则执行因子图优化,更新关键帧位姿以及子地图的位姿。
根据本发明一方面的一个或多个示例性实施例,所述土方计算算法可包括步骤:将三维点云模型划分为不同的部分,并为每个部分赋予一个标识符以区分待测量的目标区域;对三维点云模型进行量算,计算出每个部分的参数,并将其与标识符对应存储;将当前的三维点云模型与之前的三维点云模型或设计图进行对比,计算出每个部分的变化量和变化率,并将其与标识符对应存储;将计算出的参数、变化量和变化率进行输出。
根据本发明一方面的一个或多个示例性实施例,所述预处理可包括降采样、噪点去除以及点云的坐标系变换。
根据本发明一方面的一个或多个示例性实施例,所述SLAM三维重建算法还可包括对三维点云模型进行后处理的步骤,所述后处理可包括修补、平滑和简化。
根据本发明一方面的一个或多个示例性实施例,所述飞行路线可包括起飞点、降落点、航点、飞行高度、飞行速度、飞行方向和间隔。
本发明的另一方面提供了一种无人机搭载激光雷达测量建筑土方的系统,所述系统可执行上述所述的无人机搭载激光雷达测量建筑土方的方法,所述系统可包括前端传感单元和终端单元,其中,所述前端传感单元包括无人机,三维激光雷达设备、三维空间定位传感器和通讯终端,三维激光雷达设备、三维空间定位传感器和通讯终端安装于无人机上,通讯终端将三维激光雷达设备和三维空间定位传感器采集测量到的三维土方数据传输给遥控装置;所述终端单元包括遥控装置、数据处理装置和集成分析装置,遥控装置规划采集路线、监控采集过程并获取采集信息,数据处理装置建立高精建筑土方测量模型;集成分析装置建立完整高精建筑土方测量模型并对模型进行分析。
根据本发明另一方面的一个或多个示例性实施例,所述前端传感单元还可包括数据缓存模块,当通讯中断时,数据缓存模块能够主动存储三维土方数据,通讯恢复后,数据通过通讯终端回传给遥控装置。
与现有技术相比,本发明的有益效果包括以下内容中至少一项:
(1)本发明提出的系统能够对于山区、有遮挡的建筑物等复杂地形采集有效数据;
(2)本发明提出的方法能够生成多种测绘成果,满足不同需求,不限于数字线划图,能够提供有可视化实景模型;
(3)本发明提出的方法的精度高,测绘结果准确。
附图说明
通过下面结合附图进行的描述,本发明的上述和其他目的和特点将会变得更加清楚,其中:
图1示出了本发明的无人机搭载激光雷达测量建筑土方的方法的流程示意图;
图2示出了本发明的无人机搭载激光雷达测量建筑土方的系统的结构示意图;
图3示出了本发明的回环检测的流程示意图;
图4示出了本发明的土方体积计量中面元三角形的投影体三维示意图。
附图标记:
1-前端传感单元,201-遥控装置,202-数据处理装置,203-集成分析装置。
实施方式
在下文中,将结合附图和示例性实施例详细地描述本发明的无人机搭载激光雷达测量建筑土方的方法和系统。
示例性实施例1
本示例性实施例提供了一种无人机搭载激光雷达测量建筑土方的方法。
图1示出了本发明的无人机搭载激光雷达测量建筑土方的方法的流程示意图;图3示出了本发明的回环检测的流程示意图;图4示出了本发明的土方体积计量中面元三角形的投影体三维示意图。
如图1所示,本方法主要包括步骤:
S1、将无人机装配一台激光雷达,并将其与一个控制终端连接。
其中,控制终端为地面控制终端,雷达与控制终端电信号连接,激光雷达具有一个发射器、一个接收器、一个转换器和一个存储器。发射器用于向下发射激光脉冲信号;接收器用于接收反射回来的激光脉冲信号;转换器用于将接收到的激光脉冲信号转换为点云数据;存储器用于存储点云数据。这里,激光雷达的扫描参数可包括扫描角度、扫描频率和扫描分辨率等。扫描参数可根据目标区域的大小、形状和复杂度等因素进行调整,使得激光雷达能够获取目标区域的高精度的点云数据。
S2、根据待测区域的范围、形状和特点等信息,在控制终端上规划出合理的飞行路线。
其中,飞行路线将发送给无人机。飞行路线可包括起飞点、降落点、航点、飞行高度、飞行速度、飞行方向和间隔。飞行路线可根据目标区域的大小、形状和位置等因素进行规划,使得无人机能够覆盖目标区域的全部或大部分区域。飞行路线的规划旨在保证无人机能够覆盖待测区域的全部或部分,并尽可能减少重复或遗漏的区域。
S3、根据土方地貌三维数据采集路线采集三维信息。
即启动无人机,并按照飞行路线自主飞行,在飞行过程中由激光雷达向下发射并接收反射回来的激光脉冲信号,并将其转换为点云数据。其中,每个点云数据包括一个三维坐标和一个反射强度值。三维坐标表示该点在空间中的位置,反射强度值表示该点的材质或颜色特征。
S4、在控制终端上运行一个三维重建算法,根据点云数据生成待测区域的三维模型。
即在地面控制终端上运行SLAM(Simultaneous Localization and Mapping 即时定位与地图构建)三维重建算法,该算法根据IMU(Inertial Measurement Unit 惯性测量单元)解算出来的先验位姿与点云数据之间的数据关联解算机体实时位姿,利用该位姿进行点云拼接,进而获取三维点云模型。其中,点云数据可实时或离线传输至控制终端。
具体讲,该SLAM三维重建算法包括以下子步骤:
S41、对IMU获取的运动信息,忽略IMU的测量噪声并进行预积分,获取先验机体位姿,作为下一时刻的位姿初值与该先验机体位姿估计的协方差矩阵,该矩阵表明了位姿估计的不确定性。
S42、利用激光雷达获取点云数据,对该点云进行降采样后投影至全局坐标系,并在历史点云地图中搜索该帧点云中每一点对应所在平面,由此获得点到平面残差向量,进而获得激光雷达的观测方程。
S43、利用观测方程计算卡尔曼增益,并更新本时刻的估计状态和协方差矩阵。由此可以利用迭代误差状态卡尔曼滤波算法迭代求解当前的精确位姿。
S44、对当前点云进行描述子计算,并在历史描述子数据库中进行搜索,实现回环检测,以提高位姿的估计精确度,进而提高点云模型的质量。
S45、对点云数据进行预处理操作,预处理可包括点云的降采样、噪点去除以及点云的坐标系变换等,进一步提高点云模型的质量,并简化后续体积计算的步骤。
S46、对点云数据进行拼接。将当前帧点云与历史点云拼接起来,形成一个更大的点云地图。拼接时需要考虑两个点云之间的相对位姿关系,使用ICP(Iterative ClosestPoint 迭代最近点)算法进行配准。
S47、对拼接后的点云数据进行表面重建。根据三维坐标和反射强度值或其他特征,将点云数据转换为三维网格或三维体素,以形成待测区域的三维模型。这里,其他特征包括几何特征、边界特征和拓扑关系等。
S48、对三维模型进行后处理。这样可提高三维模型的质量和可视化效果。这里,后处理可包括修补、平滑和简化等。
S5、在控制终端上运行一个土方计算算法,根据三维模型计算出待测区域内各个部分或整体的体积、面积和坡度等参数,并输出结果。
土方计算算法包括以下子步骤:
S51、对三维模型进行分析。
根据用户的需求或预设的规则,将三维模型划分为不同的部分,如基坑、填方、挖方和建筑物等,并为每个部分赋予一个标识符以区分待测量的目标区域。
作为本发明的一种实施方式,根据点云的几何特征和拓扑关系,可将点云数据分割为目标建筑和地面两类。进一步地,根据建筑物的点云,采用体素化或多边形化等方法,可将建筑物的点云转化为体素或多边形模型,最终计算出建筑物的体积、表面积和高度等参数。根据地面的点云,采用三角网格化或曲面拟合等方法,可将地面的点云转化为三角网格或曲面模型,最终计算出地面的坡度、面积和曲率等参数。
S52、对三维模型进行量算。
根据三维网格或三维体素的几何特征,计算出每个部分的体积、面积和坡度等参数,并将其与标识符对应存储。
S53、对三维模型进行比较。
根据用户的需求或预设的规则,将当前的三维模型与之前的三维模型或设计图进行对比,计算出每个部分的变化量和变化率,并将其与标识符对应存储。
S54、对三维模型进行输出。
根据用户的需求或预设的规则,将计算出的参数和变化量可以以表格、图形或报告等形式展示或导出,以便于用户查看或使用。
在本示例性实施例中,SLAM三维重建算法对全局位姿约束问题可采用ESKF(ErrorState Kalman Filter 误差状态卡尔曼滤波器)算法进行优化。该方法能够提高土方测量的精度和效率,通过激光雷达获取高分辨率的点云数据,并利用ESKF算法优化全局位姿约束问题,得到更准确和稳定的地形地貌信息。
ESKF算法可包括以下步骤:
a、在忽略IMU噪声的前提下,利用IMU的运动输入不断进行下一时刻名义状态的更新,下一时刻名义状态的公式为:
;
式中,为下一时刻名义状态;/>为当前时刻的名义状态;/>为IMU测量的时间间隔;/>为运动模型;/>为IMU的运动输入;/>为定义在流形上的加法,即用于将运动模型的预测值添加到状态估计值上。
b、利用泰勒展开不断预测下一时刻对应的误差状态,同时不断更新误差状态的协方差/>,该矩阵表明对误差状态估计的不确定性,直至得到下一次观测值时,预测方程将获取到该时刻的名义状态/>,预测方程为:
,
;
式中,为状态误差向量;/>为在下一个时间步i+1的状态预测向量;/>为下一时刻真实状态;/>表示定义在状态空间流形上的减法运算;/>为当前时刻的状态;为当前时刻的实际状态与名义状态之间的差异,表示为状态误差;/>为/>对/>的雅可比矩阵;/>为/>对噪声/>的雅可比矩阵;/>为IMU测量的噪声向量;/>为下一时刻状态误差的协方差矩阵,描述了系统状态估计的不确定性;/>为当前时刻状态误差的协方差矩阵;/>为IMU测量的噪声矩阵;T表示矩阵的转置。
c、当获取一帧点云观测时,利用b步骤中估计的位姿将点云投影至前一帧坐标系下,该过程可表示为,计算点到线或点到面误差/>,由此获得观测方程,对其进行泰勒展开可得观测矩阵:
;
式中,为非线性测量模型,是一个函数,将状态向量/>和测量噪声映射到测量向量空间;/>为状态向量;/>为观测噪声;/>表示当前时刻的状态的估计值;/>为将观测模型在/>处进行线性化;/>为观测模型关于状态向量/>的雅可比矩阵;/>为状态误差向量,表示当前时刻的状态与估计值之间的差异;/>表示观测噪声;表示实际测得的观测值。
d、利用步骤c中获得的观测矩阵计算卡尔曼增益,并更新本时刻的估计状态与协方差矩阵,该过程可进行迭代,直至估计状态收敛,此时称为IESKF(Iterative ErrorState Kalman Filter 迭代误差状态卡尔曼滤波器)算法,IESKF算法能够完成对当前时刻状态的精确估计;IESKF算法的公式如下:
,
;
式中,为卡尔曼增益;/>为状态估计误差的协方差矩阵;/>为观测模型关于状态的雅可比矩阵;/>为观测噪声的协方差矩阵;/>为在滤波过程中更新后的状态估计值;上标/>为当前的迭代次数;下标k为时间步;T表示矩阵的转置;/>为当前时刻的观测值;/>为单位矩阵;/>为真实状态/>对误差/>的雅可比矩阵;/>为定义在流形上的加法;/>表示定义在状态空间流形上的减法运算;/>表示当前时刻的状态的估计值;/>为在时间步k下,通过滤波算法进行m次迭代后得到的状态向量的先验估计值;该迭代过程3~4次即可收敛。
在本示例性实施例中,SLAM三维重建算法中可设置有基于单帧-子地图描述子匹配的回环检测算法,该算法不仅能够有效地提高回环检测的准确性和鲁棒性,还能够显著地降低计算复杂度和内存消耗,从而提升三维重建的效率和质量。
如图3中所示,回环检测的流程主要包括:从前端里程计的位姿数据中选择关键帧,根据前后两关键帧之间的位姿得到里程计因子,将里程计因子添加到因子图中。同时将被选择的关键帧点云数据积累到子地图,即关键帧投影到子地图的坐标系下,构建有子地图及其SC描述子(Shape Context 形状上下文描述子),将子地图的位置存储在KD Tree(K-Dimensional Tree K维树)中。当子地图包含的关键帧达到预定数目,将子地图与对应的描述子加入子地图数据库中,子地图数据库可以用于存储和管理因子图中的子地图。根据关键帧对应的位置信息,在KD Tree中搜索最近的子地图作为候选回环帧,并做升序排列。从子地图数据库中取回当前帧点云给出的子地图位姿和子地图描述子,将该子地图位姿投影变换到子地图坐标系得到当前帧描述子。将子地图描述子和当前帧描述子进行对齐和相似度计算,若相似性得分低,则利用CFB-ICP(Contribution Factor Based ICP 基于贡献因子迭代最近点)算法进行几何一致性验证,获取回环因子。回环因子也加入因子图中,因子图进行优化,更新关键帧位姿及子地图的位姿。
具体讲,回环检测算法可包括以下步骤:
A、获取点云数据和前端里程计解算出的位姿数据。
B、按照角度变化阈值和位移变化阈值选择关键帧,并将前后两关键帧之间的位姿变换矩阵添加到因子图中作为里程计因子。
C、对于被选择的关键帧,利用里程计提供的位姿投影到子地图的坐标系下,构建子地图及其SC描述子,并将子地图的位置存储在KD Tree中,便于候选回环帧的搜索。当地图包含的关键帧达到预定数目,将子地图及对应的描述子加入子地图数据库中。
D、利用里程计给出的关键帧对应的位置信息,在KD Tree中搜索k个最近的子地图作为候选回环帧。对子地图的序号进行升序排列,每次优先搜索时间较早的子地图。
E、将当前帧点云利用里程计给出的位姿变换到子地图坐标系,并获取该坐标系下对应的SC描述子,利用二进制描述子对齐后,与子地图描述子进行相似度判断。如果相似性得分低于阈值,则利用CFB-ICP算法进行几何一致性验证以获取当前帧与子地图之间的位姿变换矩阵。如果相似性得分高于阈值,则认为匹配较好,进入下一步。这里,用于比较相似性的阈值是用于判断回环匹配的相似性程度的限制值;用于判断回环匹配的相似性程度。如果相似性得分低于阈值,通常意味着匹配不够准确,可能不是真正的回环帧;而如果相似性得分高于阈值,可能表示匹配相对较好,可能是一个有效的回环帧。
F、将当前帧描述子加入到因子图中,作为回环因子。每当因子图中加入新的因子(包括里程计因子和回环因子),执行因子图优化,更新关键帧位姿以及子地图的位姿。
这里,加入新的因子可以保持SLAM系统的位姿估计和回环处理的更新和优化。这样的更新和优化过程是SLAM系统中关键的一部分,可以实现对位姿估计的不断改进和回环检测的有效处理。
该回环检测算法一般是在SLAM建图过程中的最后一步骤,也就是在视觉里程计和地图构建之后进行。该算法的作用包括:1、消除累积误差。在SLAM建图过程中,视觉里程计(vo)仅考虑相邻时间上的关键帧,在这期间产生的误差会逐步累积,形成累积误差。回环检测可以通过识别重复场景,对地图进行优化和校正。2、提高地图精度。回环检测可以通过匹配当前帧与地图之间的特征点,找到最佳的位姿估计,从而提高地图的精度和一致性。
在本示例性实施例中,土方计算算法中的对三维模型进行的量算又称土方体积计量算法,其方式/步骤可包括:首先利用目标区域的点云进行曲面重建,获取目标区域的网格模型,再对网格模型进行精确的体积计算,以此实现体积计量的目的。本申请采用前沿推进法进行曲面重建,该方法通过不断扩展前沿的方式或逐步覆盖全部点集,并建立点之间的拓扑关系,直至形成完整的曲面。该算法的优点在于能够利用点云数据快速且准确地测量土方工程中目标区域的体积。
土方体积计量算法的具体步骤可包括:
从一个初始点开始初始化前沿,所谓前沿指的是一系列三角形组成的边界。构建好的每个三角形均连接着前沿与一个新点,即最优点。将新点加入前沿后,原本的三角形将被划分为三个新三角形,并更新前沿生成新的三角形网格。通过不断地计算和选取最优点,并根据约束条件调整生成的三角形,可以逐步生成覆盖整个点集的高质量网格。
本发明采用基于投影的方法进行体积计算,该方法将求解网格模型的体积转换为求解每一个面元三角形投影体的体积问题。具体方式如下:
将每一个面元三角形均投影至平面上,例如面元三角形/>在/>平面上的投影三角形为/>,由此组成五面体/>。
计算该五面体的体积。关于该五面体的计算,采取如下计算方法:
;
式中,为五面体/>的体积,/>为/>的面积;/>,/>,/>分别为/>的三个顶点/>到/>的高度。
本发明采用分割法将该五面体分割成了一个三棱柱和两个三棱锥,来精确计算五面体的体积。分割方式如图4中所示,将五面体的体积分为三部分,标准的三棱柱体积,标准的三棱锥体积/>,以及不标准的三棱锥体积/>三部分。
因此五面体体积可表示为:
;
式中,为五面体/>的体积;/>为由顶点/>和组成的五面体的体积;/>为由顶点/>,/>,/>,/>组成的四面体的体积;/>为由顶点/>,/>,/>,/>组成的四面体的体积;/>为/>的面积;/>为从顶点/>到投影三角形/>所在平面的高度;/>为从顶点/>到投影三角形/>所在平面的高度;/>为/>的面积;/>为从顶点/>到投影三角形/>所在平面的高度。
在求解出每个小五面体的体积后,通过累加所有的小五面体即可得到整个网格模型的体积,即。
示例性实施例2
本示例性实施例提供了一种无人机搭载激光雷达测量建筑土方的系统。
图2示出了本发明的无人机搭载激光雷达测量建筑土方的系统的结构示意图。
本系统可执行上述示例性实施例1所述的无人机搭载激光雷达测量建筑土方的方法。
如图2所示,本测量系统可包括前端传感单元1和终端单元。前端传感单元可实现示例性实施例1中装配有激光雷达的无人机的工作,终端单元可实现示例性实施例1中控制终端的工作。
通过前端传感单元可采集三维土方数据。前端传感单元可以按照数据采集规划路线自主飞行和主动返回,并且具有数据存储功能,当前端传感单元与遥控装置的通讯中断时,前端传感单元能主动存储数据,一旦通讯恢复,即能将数据回传至遥控装置,最大限制保护前端传感单元的安全性及保证数据的完整性和准确性,为高精度的土方测量提供准确的三维模型数据支持。
其中,前端传感单元1包括无人机(图中未示出)、三维激光雷达设备、三维空间定位传感器和通讯终端。三维激光雷达设备、三维空间定位传感器分别通过云台稳定安装于无人机上,通讯终端安装于无人机上,能够将三维激光雷达设备和三维空间定位传感器采集测量到的三维土方数据传输给遥控装置201。
终端单元包括遥控装置201、数据处理装置202和集成分析装置203。可通过遥控装置规划采集路线和监控采集过程并获取采集信息。可通过数据处理装置建立高精建筑土方测量模型。可通过集成分析装置建立完整高精建筑土方测量模型并对模型进行分析。
在本示例性实施例中,前端传感单元还可包括数据缓存模块。当通讯中断时,测量到的三维数据会先存储于缓存模块中,通讯恢复后,缓存的三维数据将通过通讯终端回传给遥控装置。
综上所述,本发明提出的优点包括以下内容中至少一点:
(1)本发明提出的方法对于点云数据的处理质量高、处理速度快;
(2)本发明提出的方法能够提高点云数据的完整性和一致性;
(3)本发明提出的方法不依赖GPS,采用激光雷达加IMU计算得到整体系统运行精确位姿,反向解算映射到地球坐标系得到激光点云;
(4)本发明提出的方法得到的三维模型的质量高、可视化效果好;
(5)本发明提出的系统能够保证在通讯中断时,仍能够存储数据,最大限度地确保最终测量得到的三维数据的完整性和准确性,为高精度的土方测量提供准确的三维模型数据支持。
尽管上面已经通过结合示例性实施例描述了本发明的一种无人机搭载激光雷达测量建筑土方的方法和系统,但是本领域技术人员应该清楚,在不脱离权利要求所限定的精神和范围的情况下,可对本发明的示例性实施例进行各种修改和改变。
Claims (9)
1.一种无人机搭载激光雷达测量建筑土方的方法,其特征在于,所述方法包括步骤:
S1、无人机按照地面控制终端规划出的飞行路线自主飞行;
S2、无人机通过激光雷达发射激光脉冲信号、接收反射回来的激光脉冲信号和转化信号得到并存储点云数据;
S3、点云数据通过雷达传输至控制终端,终端上运行SLAM三维重建算法获取待测区域的三维点云模型;SLAM三维重建算法中对全局位姿约束问题采用ESKF算法进行优化,SLAM三维重建算法中实现回环检测以提高位姿的估计精确度;
S4、终端上运行土方计算算法,根据三维点云模型计算出待测区域内各个部分或整体的参数,输出结果;
所述SLAM三维重建算法包括步骤:对IMU获取的运动信息,忽略IMU的测量噪声并进行预积分,获取先验机体位姿,作为下一时刻的位姿初值与该先验机体位姿估计的协方差矩阵;对点云数据进行降采样后投影至全局坐标系,并在历史点云地图中搜索该帧点云中每一点对应所在平面,获得点到平面残差向量,进而获得激光雷达的观测方程;利用观测方程计算卡尔曼增益,并更新本时刻的估计状态和协方差矩阵,利用ESKF算法迭代求解当前的精确位姿;对当前点云进行描述子计算,并在历史描述子数据库中进行搜索,实现回环检测;对点云数据进行预处理后进行点云拼接和表面重建,将点云数据转换为三维网格或三维体素,形成待测区域的三维点云模型。
2.根据权利要求1所述的无人机搭载激光雷达测量建筑土方的方法,其特征在于,所述ESKF算法包括步骤:
a、在忽略IMU噪声的前提下,利用IMU的运动输入ui+1不断进行下一时刻名义状态的更新,下一时刻名义状态的公式为:
式中,为下一时刻名义状态;/>为当前时刻的名义状态;Δt为IMU测量的时间间隔;f为运动模型;ui为IMU的运动输入;/>为定义在流形上的加法,即用于将运动模型的预测值添加到状态估计值上;
b、利用泰勒展开不断预测下一时刻对应的误差状态同时不断更新误差状态的协方差Pi+1,该矩阵表明对误差状态估计的不确定性,直至得到下一次观测值时,预测方程将获取到该时刻的名义状态/>预测方程为:
式中,为状态误差向量;xi+1为在下一个时间步i+1的状态预测向量;/>为下一时刻真实状态;/>表示定义在状态空间流形上的减法运算;xi为当前时刻的状态;δxi为当前时刻的实际状态与名义状态之间的差异,表示为状态误差;Fδx为/>对δx的雅可比矩阵;Fw为/>对噪声w的雅可比矩阵;wi为IMU测量的噪声向量;/>是下一时刻状态误差的协方差矩阵;/>为当前时刻状态误差的协方差矩阵;Q为IMU测量的噪声矩阵;T表示矩阵的转置;
c、当获取一帧点云观测时,利用b步骤中估计的位姿将点云投影至前一帧坐标系下,该过程可表示为h,计算点到线或点到面误差zj,由此获得观测方程,对其进行泰勒展开可得:
式中,为非线性测量模型,将状态向量xk和测量噪声/>映射到测量向量空间;xk为状态向量;/>为观测噪声;/>表示当前时刻的状态的估计值;/>为将观测模型在xk处进行线性化;Hj为观测模型关于状态向量xk的雅可比矩阵;δxk为状态误差向量,表示当前时刻的状态与估计值之间的差异;vj表示观测噪声;zj表示实际测得的观测值;
d、利用步骤c中获得的观测矩阵计算卡尔曼增益K,并更新本时刻的估计状态与协方差矩阵,该过程可进行迭代,直至估计状态收敛,此时称为IESKF算法,IESKF算法能够完成对当前时刻状态的精确估计;IESKF算法的公式如下:
K=PHT(HPHT+R)-1,
式中,K为卡尔曼增益;P为状态估计误差的协方差矩阵;H为观测模型关于状态的雅可比矩阵;R为观测噪声的协方差矩阵;为在滤波过程中更新后的状态估计值;上标m为当前的迭代次数;下标k为时间步;T表示矩阵的转置;/>为当前时刻的观测值;I为单位矩阵;J为真实状态x对误差δx的雅可比矩阵;/>为定义在流形上的加法;/>表示定义在状态空间流形上的减法运算;/>表示当前时刻的状态的估计值;/>为在时间步k下,通过滤波算法进行m次迭代后得到的状态向量的先验估计值;该迭代过程3~4次即可收敛。
3.根据权利要求1所述的无人机搭载激光雷达测量建筑土方的方法,其特征在于,所述回环检测包括基于单帧-子地图描述子匹配的回环检测算法,所述回环检测算法包括步骤:
A、获取点云数据和前端里程计解算出位姿数据;
B、按照角度变化阈值和位移变化阈值选择关键帧,并将前后两关键帧之间的位姿变换矩阵添加到因子图中;
C、对于被选择的关键帧,利用里程计提供的位姿投影到子地图的坐标系下,构建子地图及其SC描述子,并将子地图的位置存储在KD Tree中;当地图包含的关键帧达到预定数目,将子地图及对应的描述子加入子地图数据库中;
D、利用里程计给出的关键帧对应的位置信息,在KD Tree中搜索k个最近的子地图作为候选回环帧;对子地图的序号进行升序排列,每次优先搜索时间较早的子地图;
E、将当前帧点云利用里程计给出的位姿变换到子地图坐标系,并获取该坐标系下对应的SC描述子,利用二进制描述子对齐后,与子地图描述子进行相似度判断;若相似性得分低于阈值,则利用CFB-ICP算法进行几何一致性验证以获取当前帧与子地图之间的位姿变换矩阵;
F、每当因子图中加入新的因子,则执行因子图优化,更新关键帧位姿以及子地图的位姿。
4.根据权利要求1所述的无人机搭载激光雷达测量建筑土方的方法,其特征在于,所述土方计算算法包括步骤:
将三维点云模型划分为不同的部分,并为每个部分赋予一个标识符以区分待测量的目标区域;
对三维点云模型进行量算,计算出每个部分的参数,并将其与标识符对应存储;
将当前的三维点云模型与之前的三维点云模型或设计图进行对比,计算出每个部分的变化量和变化率,并将其与标识符对应存储;
将计算出的参数、变化量和变化率进行输出。
5.根据权利要求1所述的无人机搭载激光雷达测量建筑土方的方法,其特征在于,所述预处理包括降采样、噪点去除以及点云的坐标系变换。
6.根据权利要求1或5所述的无人机搭载激光雷达测量建筑土方的方法,其特征在于,所述SLAM三维重建算法还包括对三维点云模型进行后处理的步骤,所述后处理包括修补、平滑和简化。
7.根据权利要求1所述的无人机搭载激光雷达测量建筑土方的方法,其特征在于,所述飞行路线包括起飞点、降落点、航点、飞行高度、飞行速度、飞行方向和间隔。
8.一种无人机搭载激光雷达测量建筑土方的系统,其特征在于,所述系统能够执行如权利要求1~7中任一项所述的无人机搭载激光雷达测量建筑土方的方法,所述系统包括前端传感单元和终端单元,其中,
所述前端传感单元包括无人机,三维激光雷达设备、三维空间定位传感器和通讯终端,三维激光雷达设备、三维空间定位传感器和通讯终端安装于无人机上,通讯终端将三维激光雷达设备和三维空间定位传感器采集测量到的三维土方数据传输给遥控装置;
所述终端单元包括遥控装置、数据处理装置和集成分析装置,遥控装置规划采集路线、监控采集过程并获取采集信息,数据处理装置建立高精建筑土方测量模型;集成分析装置建立完整高精建筑土方测量模型并对模型进行分析。
9.根据权利要求8所述的无人机搭载激光雷达测量建筑土方的系统,其特征在于,所述前端传感单元还包括数据缓存模块,当通讯中断时,数据缓存模块能够主动存储三维土方数据,通讯恢复后,数据通过通讯终端回传给遥控装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311168792.9A CN116908810B (zh) | 2023-09-12 | 2023-09-12 | 一种无人机搭载激光雷达测量建筑土方的方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311168792.9A CN116908810B (zh) | 2023-09-12 | 2023-09-12 | 一种无人机搭载激光雷达测量建筑土方的方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116908810A CN116908810A (zh) | 2023-10-20 |
CN116908810B true CN116908810B (zh) | 2023-12-12 |
Family
ID=88368118
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311168792.9A Active CN116908810B (zh) | 2023-09-12 | 2023-09-12 | 一种无人机搭载激光雷达测量建筑土方的方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116908810B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117761717B (zh) * | 2024-02-21 | 2024-05-07 | 天津大学四川创新研究院 | 一种自动回环三维重建系统及运行方法 |
CN117804413A (zh) * | 2024-02-23 | 2024-04-02 | 西安迈远科技有限公司 | 一种基于无人机的土方算量方法及系统 |
CN117826181A (zh) * | 2024-03-04 | 2024-04-05 | 天津大学四川创新研究院 | 一种基于激光雷达的特征描述子回环算法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109556673A (zh) * | 2018-11-22 | 2019-04-02 | 中铁四局集团有限公司 | 一种基于无人机的土方算量方法及系统 |
CN111457902A (zh) * | 2020-04-10 | 2020-07-28 | 东南大学 | 基于激光slam定位的水域测量方法及系统 |
WO2021160098A1 (en) * | 2020-02-13 | 2021-08-19 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Error state kalman filter for visual slam by dynamically tuning measurement noise covariance |
CN114018254A (zh) * | 2021-10-27 | 2022-02-08 | 南京师范大学 | 一种激光雷达与旋转惯导一体化构架与信息融合的slam方法 |
CN115097483A (zh) * | 2022-05-31 | 2022-09-23 | 中铁十八局集团第四工程有限公司 | 一种基于无人机搭载雷达的大型土方测绘方法 |
CN115183762A (zh) * | 2022-08-02 | 2022-10-14 | 上海于万科技有限公司 | 一种机场仓库内外建图方法、系统、电子设备及介质 |
EP4141474A1 (en) * | 2021-08-25 | 2023-03-01 | Hexagon Geosystems Services AG | System for 3d surveying by an autonomous robotic vehicle using lidar-slam and an estimated point distribution map for path planning |
JP2023072823A (ja) * | 2021-11-15 | 2023-05-25 | 飛島建設株式会社 | 構造物形状の確認システム |
WO2023101662A1 (en) * | 2021-11-30 | 2023-06-08 | Innopeak Technology, Inc. | Methods and systems for implementing visual-inertial odometry based on parallel simd processing |
CN116452763A (zh) * | 2023-04-17 | 2023-07-18 | 浙江大学 | 一种基于误差卡尔曼滤波和因子图的三维点云地图构建方法 |
CN116449384A (zh) * | 2023-03-17 | 2023-07-18 | 天津大学 | 基于固态激光雷达的雷达惯性紧耦合定位建图方法 |
CN116518950A (zh) * | 2023-05-05 | 2023-08-01 | 武汉诺兰德测绘科技有限公司 | 一种手持式工程测绘仪 |
CN116642482A (zh) * | 2023-04-14 | 2023-08-25 | 陕西远海探科电子科技有限公司 | 基于固态激光雷达和惯性导航的定位方法、设备和介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3306344A1 (en) * | 2016-10-07 | 2018-04-11 | Leica Geosystems AG | Flying sensor |
CN109064506B (zh) * | 2018-07-04 | 2020-03-13 | 百度在线网络技术(北京)有限公司 | 高精度地图生成方法、装置及存储介质 |
-
2023
- 2023-09-12 CN CN202311168792.9A patent/CN116908810B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109556673A (zh) * | 2018-11-22 | 2019-04-02 | 中铁四局集团有限公司 | 一种基于无人机的土方算量方法及系统 |
WO2021160098A1 (en) * | 2020-02-13 | 2021-08-19 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Error state kalman filter for visual slam by dynamically tuning measurement noise covariance |
CN111457902A (zh) * | 2020-04-10 | 2020-07-28 | 东南大学 | 基于激光slam定位的水域测量方法及系统 |
EP4141474A1 (en) * | 2021-08-25 | 2023-03-01 | Hexagon Geosystems Services AG | System for 3d surveying by an autonomous robotic vehicle using lidar-slam and an estimated point distribution map for path planning |
CN114018254A (zh) * | 2021-10-27 | 2022-02-08 | 南京师范大学 | 一种激光雷达与旋转惯导一体化构架与信息融合的slam方法 |
JP2023072823A (ja) * | 2021-11-15 | 2023-05-25 | 飛島建設株式会社 | 構造物形状の確認システム |
WO2023101662A1 (en) * | 2021-11-30 | 2023-06-08 | Innopeak Technology, Inc. | Methods and systems for implementing visual-inertial odometry based on parallel simd processing |
CN115097483A (zh) * | 2022-05-31 | 2022-09-23 | 中铁十八局集团第四工程有限公司 | 一种基于无人机搭载雷达的大型土方测绘方法 |
CN115183762A (zh) * | 2022-08-02 | 2022-10-14 | 上海于万科技有限公司 | 一种机场仓库内外建图方法、系统、电子设备及介质 |
CN116449384A (zh) * | 2023-03-17 | 2023-07-18 | 天津大学 | 基于固态激光雷达的雷达惯性紧耦合定位建图方法 |
CN116642482A (zh) * | 2023-04-14 | 2023-08-25 | 陕西远海探科电子科技有限公司 | 基于固态激光雷达和惯性导航的定位方法、设备和介质 |
CN116452763A (zh) * | 2023-04-17 | 2023-07-18 | 浙江大学 | 一种基于误差卡尔曼滤波和因子图的三维点云地图构建方法 |
CN116518950A (zh) * | 2023-05-05 | 2023-08-01 | 武汉诺兰德测绘科技有限公司 | 一种手持式工程测绘仪 |
Non-Patent Citations (5)
Title |
---|
Scan Context 3D Lidar Inertial Odometry via Iterated ESKF and Incremental K-Dimensional Tree;Chang Xu;《2022 IEEE Canadian Conference on Electrical and Computer Engineering》;第21-27页 * |
基于FPGA的多传感器融合同步授时系统设计;黄战华;《仪表技术与传感器》(第07期);第52-61页 * |
基于多传感器融合的无人车建图和定位研究;马振强;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;C035-991 * |
基于激光雷达与IMU融合的无人机自主定位与建图;戴威;《中国优秀硕士学位论文全文数据库基础科学辑》;A008-505 * |
基于激光雷达的无人机测绘技术在烟草行业基建工程土石方量计算中的应用研究;殷乐;《广西壮族自治区烟草公司柳州市公司2021年学术论文汇编》;第386-395页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116908810A (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116908810B (zh) | 一种无人机搭载激光雷达测量建筑土方的方法和系统 | |
CN112014857B (zh) | 用于智能巡检的三维激光雷达定位导航方法及巡检机器人 | |
KR102235827B1 (ko) | 격자 지도를 생성하는 방법 및 장치 | |
Floros et al. | Openstreetslam: Global vehicle localization using openstreetmaps | |
CN103411609B (zh) | 一种基于在线构图的飞行器返航路线规划方法 | |
KR20180079428A (ko) | 자동 로컬리제이션을 위한 장치 및 방법 | |
CN110298914B (zh) | 一种建立果园中果树冠层特征地图的方法 | |
Li et al. | SLAM integrated mobile mapping system in complex urban environments | |
Goulette et al. | An integrated on-board laser range sensing system for on-the-way city and road modelling | |
WO2021021862A1 (en) | Mapping and localization system for autonomous vehicles | |
CN110929402A (zh) | 一种基于不确定分析的概率地形估计方法 | |
Jiang et al. | Parallel structure from motion for UAV images via weighted connected dominating set | |
Forsman et al. | 3-D mapping of natural environments with trees by means of mobile perception | |
CN110989619B (zh) | 用于定位对象的方法、装置、设备和存储介质 | |
Zhu et al. | Fusing GNSS/INS/vision with a priori feature map for high-precision and continuous navigation | |
CN111006645A (zh) | 基于运动与结构重建的无人机测绘方法 | |
Ruan et al. | GP-SLAM+: real-time 3D lidar SLAM based on improved regionalized Gaussian process map reconstruction | |
Li et al. | Aerial-triangulation aided boresight calibration for a low-cost UAV-LiDAR system | |
Rebelo et al. | Building 3D city models: Testing and comparing Laser scanning and low-cost UAV data using FOSS technologies | |
CN111612829B (zh) | 一种高精度地图的构建方法、系统、终端和存储介质 | |
Lerner et al. | Pose and motion recovery from feature correspondences and a digital terrain map | |
KR102130687B1 (ko) | 다중 센서 플랫폼 간 정보 융합을 위한 시스템 | |
Pepe et al. | 4D geomatics monitoring of a quarry for the calculation of extracted volumes by tin and grid model: Contribute of UAV photogrammetry | |
Jakopec et al. | A novel approach to landslide monitoring based on unmanned aerial system photogrammetry | |
CN113227713A (zh) | 生成用于定位的环境模型的方法和系统 |
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 |