CN117036408A - 一种动态环境下联合多目标跟踪的物体slam方法 - Google Patents
一种动态环境下联合多目标跟踪的物体slam方法 Download PDFInfo
- Publication number
- CN117036408A CN117036408A CN202311054988.5A CN202311054988A CN117036408A CN 117036408 A CN117036408 A CN 117036408A CN 202311054988 A CN202311054988 A CN 202311054988A CN 117036408 A CN117036408 A CN 117036408A
- Authority
- CN
- China
- Prior art keywords
- dynamic
- static
- node
- track
- target
- 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 25
- 230000003068 static effect Effects 0.000 claims abstract description 64
- 238000001514 detection method Methods 0.000 claims abstract description 37
- 230000011218 segmentation Effects 0.000 claims abstract description 5
- 239000000779 smoke Substances 0.000 claims abstract description 5
- 238000010586 diagram Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 abstract description 6
- 230000000694 effects Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 230000002195 synergetic effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30244—Camera pose
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- 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)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种动态环境下联合多目标跟踪的物体SLAM方法,完成在动态环境中对动态与静态对象的定位与建图任务。首先,为精确获得物体的运动区域,通过短时密集连接(STDC)网络进行语义分割得到运动物体掩膜,依据运动物体掩膜对特征点进行区分得到静态特征点与动态特征点。同时,将图像输入到单目3D目标检测(SMOKE)网络进行三维目标检测,并将检测结果输入到数据关联模块进行多目标跟踪。利用动静态特征点与数据关联后的目标位姿共同估计相机与动静态物体位姿。最后,依据动静态特征点、相机与动静态物体位姿进行跟踪优化,提升定位与建图精度。本方法与传统SLAM方法相比,有效提升了SLAM系统的鲁棒性,建立的地图语义明确、可解释性好。
Description
(一)技术领域
本发明属于计算机视觉领域,特别涉及同时定位与建图技术,尤其是一种动态环境下联合多目标跟踪的物体SLAM方法。
(二)背景技术
随着人工智能和机器人技术的快速发展,移动机器人在现实世界中的应用日益广泛,从自动驾驶汽车到工业自动化,从增强现实到智能巡检。然而,这些机器人在动态环境中的导航和定位问题仍然是一个挑战。传统的SLAM(Simultaneous Localization andMapping)技术在解决这一问题方面迈出了重要的一步,但随着技术的进步和应用的多样性,新的问题和需求也逐渐浮现出来。
其中之一是如何在存在动态物体的环境中实现精准的定位、地图构建和目标跟踪。传统的SLAM方法在静态环境中表现出色,但一旦涉及到动态物体(如行人、车辆等),问题变得复杂起来。这些动态物体的运动可能不受机器人控制,因此,机器人需要能够实时地检测、跟踪和适应这些变化,以确保其定位和地图的准确性。这要求将3D目标跟踪与动态SLAM技术结合起来,不仅仅是传统SLAM与目标跟踪的简单组合,更是要使得两种技术相互促进、协同发展。其核心目标是使移动机器人能够在存在动态物体的环境中,同时实现自身的定位、环境地图的构建,并实时跟踪和预测动态物体的运动。
一些现有的工作致力于解决该问题,论文《CubeSLAM:Monocular 3D ObjectSLAM》中使用点线检测确定VP点,结合VP点与二维检测框确定物体的8个立体角点,进而确定三维锚框。但该方法在环境噪音较大的复杂场景中效果较差且无法检测非立方体外形的物体,如行人、自行车与路灯等。专利《野外环境下多运动目标检测与轨迹预测方法》使用雷达点云与RGB图像作为输入,通过基于点云的目标检测算法确定三维锚框,该方法需要激光雷达作为输入设备,在激光雷达无法作用的环境如雷雨环境中,该方法无法取得很好的效果。专利《一种面向地库环境自主定位的物体级语义SLAM方法》使用基于深度学习的3D目标检测算法检测物体,但其仅能够建立静态语义地图,无法建立与维护动态地图。
针对现有技术在充斥大量噪音的动态环境中难以实现对动态和静态物体进行鲁棒检测的问题,本发明提供一种在动态环境下联合多目标跟踪的物体SLAM方法,该方法能够有效的提高SLAM系统在动态环境下的精度与鲁棒性,并实时建立与维护动态环境地图。
(三)发明内容
本发明的目的是提供一种在动态环境下联合多目标跟踪的物体SLAM方法。该方法以单目或双目立体图作为输入,结合3D目标检测与3D目标跟踪技术构建动态3D对象与静态3D对象,并与动静态特征点、相机一起进行图优化得到优化后的位姿信息。
为实现上述目的,本发明采用如下技术方案:
S1、获取输入图像序列,包括RGB图像;
S2、对输入帧的RGB图像进行ORB特征点的提取;
S3、将输入帧的RGB图像输入短时密集连接(STDC)网络进行语义分割,得到含有运动物体语义信息的运动物体掩膜;
S4、根据STDC网络获得的物体掩膜,将落在运动物体掩膜上的特征点判定为动态特征点,否则,判定为静态特征点;
S5、将输入帧t的RGB图像输入单目3D目标检测(SMOKE)网络进行三维目标检测,得到该帧中所有目标的目标检测数据其中nt为检测到的物体的数量,每一个检测结果/>为一个8维向量(x,y,z,l,w,h,θ,s),其中x,y,z为物体中心的三维坐标,l,w,h为物体的长宽高,θ为朝向角,s为置信度;
S6、对S5所得到的目标检测数据创建对象实例,结合卡尔曼滤波预测之前帧目标在当前帧的位置,使用匈牙利匹配算法进行数据关联以实现目标跟踪,具体步骤如下:
S61、将目标轨迹状态建模为10维向量T=(x,y,z,θ,l,w,h,vx,vy,vz),其中vx,vy,vz分别代表目标在3D空间的速度;
S62、在输入帧t中,对前一帧所有目标轨迹状态进行前向预测:
其中,xest,yest,zest为当前帧目标中心的预测坐标,mt-1为前一帧中的轨迹数,则目标轨迹状态在当前帧被相应的预测为:
其中,为当前帧目标轨迹状态的预测;
S63、计算每一个预测轨迹与检测结果/>间的3D交并比(IoU),并以此来构建维数为mt-1×nt的相似度矩阵;
S64、判断每个3D交并比(IoU)是否小于阈值IoUmin,若小于,则匹配失败,否则匹配成功,得到数据关联的输出:
其中,Tmatch与Dmatch为匹配成功的轨迹与检测,wt为成功匹配的轨迹与检测的数量,Tunmatch与Dunmatch为匹配失败的轨迹与检测;
S65、在Dmatch中根据每个轨迹的相应检测更新Tmatch中每个轨迹的状态,得到最终关联轨迹其中每个轨迹的更新状态为Tt k=(x′,y′,z′,θ′,l′,w′,h′,s′,v′x,v′y,v′z),此处k∈{1,2,...,wt},Tt k为/>与/>的加权平均值,权重由/>与的状态不确定性确定;
S66、对Dunmatch在连续帧中匹配失败的次数进行计数,若大于Fmin帧就创建新的轨迹对象
S67、对Tunmatch在连续帧中匹配失败的次数进行计数,若大于Agemax帧,则取消对其的跟踪;
S7、使用S6得到的对象状态数据,结合S4中得到的动态与静态特征点构建图优化,包括以下步骤:
S71、通过对S6得到的对象状态数据与S4得到的动态与静态特征点计算三维欧氏距离得到动态对象与静态对象的初始位姿,并将动态对象与静态对象的初始位姿设为静态对象节点与动态对象节点;
S72、将S4中得到的动态与静态特征点设为动态点节点与静态点节点;
S73、根据相机在t-1时刻与t时刻的位姿变换T和相机在t-1时刻的位姿确定相机在t时刻的初始位姿,并将其设为相机节点;
S74、根据动态对象在t-1时刻的位姿与t-1时刻到t时刻的时间戳确定动态对象在t时刻的速度,并将其设为速度节点;
S75、以静态点节点与相机节点为顶点构造静态投影边ecp,以相机节点与动态物体节点为顶点构造动态物体测量边eco-3D,以静态物体节点与静态点节点为顶点构造静态物体测量边eop,以相机节点、动态物体节点与动态点节点为顶点构造三元动态重投影边edp,以前一帧动态物体节点、当前帧动态物体节点与速度节点构造三元速度估计边emo;
S76、对上述构造的图优化问题进行求解,获得当前帧相机、动静态特征点与动静态物体的优化后位姿。
本发明具有如下的有益效果:
(1)本发明通过轻量级单目3D目标检测(SMOKE)网络进行三维目标检测,同时使用短时密集连接(STDC)网络进行语义分割得到运动物体掩膜,解决了在动态环境中检测与跟踪目标噪音过大的问题,有效保证了系统的精度与鲁棒性,同时也使系统能够实时运行;
(2)本发明通过构建运动物体的运动学模型,并将其纳入图优化问题中,实现对动态环境中运动物体运动状态的有效估计。同时,还对环境中的动态和静态物体进行语义建图,为随后的路径规划阶段提供了更为丰富的场景信息,包括目标位姿、目标速度以及语义属性等关键内容;
(3)相较于传统的动态SLAM仅仅利用环境中的静态特征点来对相机进行定位,本发明还充分利用了动态特征点以及动态物体和静态物体的位姿等关键信息进行定位与建图。
(四)附图说明
图1为SLAM系统的总体流程图;
图2为数据关联流程图;
图3为本发明方法3D目标检测与跟踪效果图;
图4为本发明方法对动静对象的定位与建图效果图。
(五)具体实施方式
为了使本发明的目的、技术方案以及优点更加清楚明白,以下结合附图及试验实例,对本发明进行进一步的详细说明。应当理解,此处所描述的具体实施例仅用于解释本发明,并不用于限定本发明。本发明系统的总体流程图如图1所示。
S1、获取输入图像序列,包括RGB图像;
S2、对输入帧的RGB图像进行ORB特征点的提取;
S3、将输入帧的RGB图像输入短时密集连接(STDC)网络进行语义分割,得到含有运动物体语义信息的运动物体掩膜;
S4、根据STDC网络获得的物体掩膜,将落在运动物体掩膜上的特征点判定为动态特征点,否则,判定为静态特征点;
S5、将输入帧t的RGB图像输入单目3D目标检测(SMOKE)网络进行三维目标检测,得到该帧中所有目标的目标检测数据其中nt为检测到的物体的数量,每一个检测结果/>为一个8维向量(x,y,z,l,w,h,θ,s),其中x,y,z为物体中心的三维坐标,l,w,h为物体的长宽高,θ为朝向角,s为置信度;
S6、对S5所得到的目标检测数据创建对象实例,结合卡尔曼滤波预测之前帧目标在当前帧的位置,使用匈牙利匹配算法进行数据关联以实现目标跟踪,数据关联流程图如图2所示,具体步骤如下:
S61、将目标轨迹状态建模为10维向量T=(x,y,z,θ,l,w,h,vx,vy,vz),其中vx,vy,vz分别代表目标在3D空间的速度;
S62、在输入帧t中,对前一帧所有目标轨迹状态进行前向预测:
其中,xest,yest,zest为当前帧目标中心的预测坐标,mt-1为前一帧中的轨迹数,则目标轨迹状态在当前帧被相应的预测为:
其中,为当前帧目标轨迹状态的预测;
S63、计算每一个预测轨迹与检测结果/>间的3D交并比(IoU),并以此来构建维数为mt-1×nt的相似度矩阵;
S64、判断每个3D交并比(IoU)是否小于阈值IoUmin,若小于,则匹配失败,否则匹配成功,得到数据关联的输出:
其中,Tmatch与Dmatch为匹配成功的轨迹与检测,wt为成功匹配的轨迹与检测的数量,Tunmatch与Dunmatch为匹配失败的轨迹与检测;
S65、在Dmatch中根据每个轨迹的相应检测更新Tmatch中每个轨迹的状态,得到最终关联轨迹其中每个轨迹的更新状态为Tt k=(x′,y′,z′,θ′,l′,w′,h′,s′,v′x,v′y,v′z),此处k∈{1,2,...,wt},Tt k为/>与/>的加权平均值,权重由/>与的状态不确定性确定;
S66、对Dunmatch在连续帧中匹配失败的次数进行计数,若大于Fmin帧就创建新的轨迹对象
S67、对Tunmatch在连续帧中匹配失败的次数进行计数,若大于Agemax帧,则取消对其的跟踪,检测与跟踪的效果图如图3所示,其中,矩形框框住的为检测对象,其上方的数字表示其作为被跟踪对象的编号;
S7、使用S6得到的对象状态数据,结合S4中得到的动态与静态特征点构建图优化,包括以下步骤:
S71、通过对S6得到的对象状态数据与S4得到的动态与静态特征点计算三维欧氏距离得到动态对象与静态对象的初始位姿,并将动态对象与静态对象的初始位姿设为静态对象节点与动态对象节点;
S72、将S4中得到的动态与静态特征点设为动态点节点与静态点节点;
S73、根据相机在t-1时刻与t时刻的位姿变换T和相机在t-1时刻的位姿确定相机在t时刻的初始位姿,并将其设为相机节点;
S74、根据动态对象在t-1时刻的位姿与t-1时刻到t时刻的时间戳确定动态对象在t时刻的速度,并将其设为速度节点;
S75、以静态点节点与相机节点为顶点构造静态投影边ecp,以相机节点与动态物体节点为顶点构造动态物体测量边eco-3D,以静态物体节点与静态点节点为顶点构造静态物体测量边eop,以相机节点、动态物体节点与动态点节点为顶点构造三元动态重投影边edp,以前一帧动态物体节点、当前帧动态物体节点与速度节点构造三元速度估计边emo;
S76、对上述构造的图优化问题进行求解,获得当前帧相机、动静态特征点与动静态物体的优化后位姿,优化后的效果如图4所示,其中,立方体表示环境中的动静态对象,上方的数字表示其编号,其后的轨迹表示其自被检测到后在环境中的运动轨迹,而图中的交叉对角线矩形组成的轨迹则表示相机的运动轨迹。
如图3、图4所示,本发明在KITTI数据集中,能够提供运动物体的运动轨迹以及建立实时更新的动态地图,验证了3D目标检测方法的准确性、3D多目标跟踪效果的稳定性以及所建立的动态地图的有效性。在实验设备(CPU为Intel Core i7-12700H,显卡为NvidiaGeForce RTX3060)上能够实时运行。该系统对于复杂感知环境中的动态对象具有重要意义。
以上所述具体实施方案,对本发明的发明目的、技术方案和有益效果进行了进一步说明,以上实施例仅用于说明本发明的技术方案,而非对本发明创造保护范围的限制,本领域的普通技术人员应当理解,凡在本发明的技术方案进行修改、等同替换,均包含在本发明的保护范围内。
Claims (1)
1.一种动态环境下联合多目标跟踪的物体SLAM方法,其特征在于,包括以下步骤:
S1、获取输入图像序列,包括RGB图像;
S2、对输入帧的RGB图像进行ORB特征点的提取;
S3、将输入帧的RGB图像输入短时密集连接(STDC)网络进行语义分割,得到含有运动物体语义信息的运动物体掩膜;
S4、根据STDC网络获得的物体掩膜,将落在运动物体掩膜上的特征点判定为动态特征点,否则,判定为静态特征点;
S5、将输入帧t的RGB图像输入单目3D目标检测(SMOKE)网络进行三维目标检测,得到该帧中所有目标的目标检测数据其中nt为检测到的物体的数量,每一个检测结果/>为一个8维向量(x,y,z,l,w,h,θ,s),其中x,y,z为物体中心的三维坐标,l,w,h为物体的长宽高,θ为朝向角,s为置信度;
S6、对S5所得到的目标检测数据创建对象实例,结合卡尔曼滤波预测之前帧目标在当前帧的位置,使用匈牙利匹配算法进行数据关联以实现目标跟踪,具体步骤如下:
S61、将目标轨迹状态建模为10维向量T=(x,y,z,θ,l,w,h,vx,vy,vz),其中vx,vy,vz分别代表目标在3D空间的速度;
S62、在输入帧t中,对前一帧所有目标轨迹状态进行前向预测:
其中,xest,yest,zest为当前帧目标中心的预测坐标,mt-1为前一帧中的轨迹数,则目标轨迹状态在当前帧被相应的预测为:
其中,为当前帧目标轨迹状态的预测;
S63、计算每一个预测轨迹与检测结果/>间的3D交并比(IoU),并以此来构建维数为mt-1×nt的相似度矩阵;
S64、判断每个3D交并比(IoU)是否小于阈值IoUmin,若小于,则匹配失败,否则匹配成功,得到数据关联的输出:
其中,Tmatch与Dmatch为匹配成功的轨迹与检测,wt为成功匹配的轨迹与检测的数量,Tunmatch与Dunmatch为匹配失败的轨迹与检测;
S65、在Dmatch中根据每个轨迹的相应检测更新Tmatch中每个轨迹的状态,得到最终关联轨迹其中每个轨迹的更新状态为Tt k=(x′,y′,z′,θ′,l′,w′,h′,s′,v′x,v′y,v′z),此处k∈{1,2,...,wt},Tt k为/>与/>的加权平均值,权重由/>与/>的状态不确定性确定;
S66、对Dunmatch在连续帧中匹配失败的次数进行计数,若大于Fmin帧就创建新的轨迹对象
S67、对Tunmatch在连续帧中匹配失败的次数进行计数,若大于Agemax帧,则取消对其的跟踪;
S7、使用S6得到的对象状态数据,结合S4中得到的动态与静态特征点构建图优化,包括以下步骤:
S71、通过对S6得到的对象状态数据与S4得到的动态与静态特征点计算三维欧氏距离得到动态对象与静态对象的初始位姿,并将动态对象与静态对象的初始位姿设为静态对象节点与动态对象节点;
S72、将S4中得到的动态与静态特征点设为动态点节点与静态点节点;
S73、根据相机在t-1时刻与t时刻的位姿变换T和相机在t-1时刻的位姿确定相机在t时刻的初始位姿,并将其设为相机节点;
S74、根据动态对象在t-1时刻的位姿与t-1时刻到t时刻的时间戳确定动态对象在t时刻的速度,并将其设为速度节点;
S75、以静态点节点与相机节点为顶点构造静态投影边ecp,以相机节点与动态物体节点为顶点构造动态物体测量边eco-3D,以静态物体节点与静态点节点为顶点构造静态物体测量边eop,以相机节点、动态物体节点与动态点节点为顶点构造三元动态重投影边edp,以前一帧动态物体节点、当前帧动态物体节点与速度节点构造三元速度估计边emo;
S76、对上述构造的图优化问题进行求解,获得当前帧相机、动静态特征点与动静态物体的优化后位姿。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311054988.5A CN117036408B (zh) | 2023-08-22 | 2023-08-22 | 一种动态环境下联合多目标跟踪的物体slam方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311054988.5A CN117036408B (zh) | 2023-08-22 | 2023-08-22 | 一种动态环境下联合多目标跟踪的物体slam方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117036408A true CN117036408A (zh) | 2023-11-10 |
CN117036408B CN117036408B (zh) | 2024-03-29 |
Family
ID=88622540
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311054988.5A Active CN117036408B (zh) | 2023-08-22 | 2023-08-22 | 一种动态环境下联合多目标跟踪的物体slam方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117036408B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111060924A (zh) * | 2019-12-02 | 2020-04-24 | 北京交通大学 | 一种slam与目标跟踪方法 |
CN111402336A (zh) * | 2020-03-23 | 2020-07-10 | 中国科学院自动化研究所 | 基于语义slam的动态环境相机位姿估计及语义地图构建方法 |
CN112396595A (zh) * | 2020-11-27 | 2021-02-23 | 广东电网有限责任公司肇庆供电局 | 一种动态环境下基于点线特征的语义slam方法 |
CN112991447A (zh) * | 2021-03-16 | 2021-06-18 | 华东理工大学 | 一种动态环境下视觉定位与静态地图构建方法及系统 |
WO2022041596A1 (zh) * | 2020-08-31 | 2022-03-03 | 同济人工智能研究院(苏州)有限公司 | 一种适用于室内动态环境的视觉slam方法 |
CN114549549A (zh) * | 2022-02-10 | 2022-05-27 | 北京工业大学 | 一种动态环境下基于实例分割的动态目标建模跟踪方法 |
KR20220115422A (ko) * | 2021-02-10 | 2022-08-17 | 경상국립대학교산학협력단 | Orb slam 기반의 물체 추적 장치 및 그 방법 |
US20220309835A1 (en) * | 2021-03-26 | 2022-09-29 | Harbin Institute Of Technology, Weihai | Multi-target detection and tracking method, system, storage medium and application |
CN115187614A (zh) * | 2022-06-17 | 2022-10-14 | 重庆邮电大学 | 一种基于stdc语义分割网络的实时同时定位与建图方法 |
CN115239814A (zh) * | 2022-07-28 | 2022-10-25 | 西安电子科技大学芜湖研究院 | 一种基于深度学习和ukf算法结合的3d车辆跟踪方法 |
CN116124144A (zh) * | 2022-12-28 | 2023-05-16 | 哈尔滨工业大学芜湖机器人产业技术研究院 | 融合注意力的目标检测与几何约束的视觉惯性室内动态环境定位系统 |
CN116310128A (zh) * | 2023-03-27 | 2023-06-23 | 太原理工大学 | 基于实例分割与三维重建的动态环境单目多物体slam方法 |
CN116524026A (zh) * | 2023-05-08 | 2023-08-01 | 哈尔滨理工大学 | 一种基于频域和语义的动态视觉slam方法 |
-
2023
- 2023-08-22 CN CN202311054988.5A patent/CN117036408B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111060924A (zh) * | 2019-12-02 | 2020-04-24 | 北京交通大学 | 一种slam与目标跟踪方法 |
CN111402336A (zh) * | 2020-03-23 | 2020-07-10 | 中国科学院自动化研究所 | 基于语义slam的动态环境相机位姿估计及语义地图构建方法 |
WO2022041596A1 (zh) * | 2020-08-31 | 2022-03-03 | 同济人工智能研究院(苏州)有限公司 | 一种适用于室内动态环境的视觉slam方法 |
CN112396595A (zh) * | 2020-11-27 | 2021-02-23 | 广东电网有限责任公司肇庆供电局 | 一种动态环境下基于点线特征的语义slam方法 |
KR20220115422A (ko) * | 2021-02-10 | 2022-08-17 | 경상국립대학교산학협력단 | Orb slam 기반의 물체 추적 장치 및 그 방법 |
CN112991447A (zh) * | 2021-03-16 | 2021-06-18 | 华东理工大学 | 一种动态环境下视觉定位与静态地图构建方法及系统 |
US20220309835A1 (en) * | 2021-03-26 | 2022-09-29 | Harbin Institute Of Technology, Weihai | Multi-target detection and tracking method, system, storage medium and application |
CN114549549A (zh) * | 2022-02-10 | 2022-05-27 | 北京工业大学 | 一种动态环境下基于实例分割的动态目标建模跟踪方法 |
CN115187614A (zh) * | 2022-06-17 | 2022-10-14 | 重庆邮电大学 | 一种基于stdc语义分割网络的实时同时定位与建图方法 |
CN115239814A (zh) * | 2022-07-28 | 2022-10-25 | 西安电子科技大学芜湖研究院 | 一种基于深度学习和ukf算法结合的3d车辆跟踪方法 |
CN116124144A (zh) * | 2022-12-28 | 2023-05-16 | 哈尔滨工业大学芜湖机器人产业技术研究院 | 融合注意力的目标检测与几何约束的视觉惯性室内动态环境定位系统 |
CN116310128A (zh) * | 2023-03-27 | 2023-06-23 | 太原理工大学 | 基于实例分割与三维重建的动态环境单目多物体slam方法 |
CN116524026A (zh) * | 2023-05-08 | 2023-08-01 | 哈尔滨理工大学 | 一种基于频域和语义的动态视觉slam方法 |
Non-Patent Citations (4)
Title |
---|
LIONEL RAKAI 等: "Data association in multiple object tracking: A survey of recent techniques", EXPERT SYSTEMS WITH APPLICATIONS, 31 December 2021 (2021-12-31), pages 1 - 19 * |
SHICHAO YANG 等: "CubeSLAM: Monocular 3-D Object SLAM", IEEE TRANSACTIONS ON ROBOTICS, vol. 35, no. 4, 31 August 2019 (2019-08-31), pages 925 - 938, XP011739101, DOI: 10.1109/TRO.2019.2909168 * |
李建国 等: "基于匈牙利匹配和卡尔曼滤波的动态多目标跟踪", 智能网联汽车, no. 1, 31 December 2022 (2022-12-31), pages 45 - 50 * |
栾添添 等: "高动态环境下的傅里叶梅林变换视觉SLAM算法", 仪器仪表学报, vol. 44, no. 7, 31 July 2023 (2023-07-31), pages 242 - 251 * |
Also Published As
Publication number | Publication date |
---|---|
CN117036408B (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111563442B (zh) | 基于激光雷达的点云和相机图像数据融合的slam方法及系统 | |
Chen et al. | Milestones in autonomous driving and intelligent vehicles—part ii: Perception and planning | |
Ding et al. | Vehicle pose and shape estimation through multiple monocular vision | |
CN110335337A (zh) | 一种基于端到端半监督生成对抗网络的视觉里程计的方法 | |
CN110533720B (zh) | 基于联合约束的语义slam系统及方法 | |
CN109815847B (zh) | 一种基于语义约束的视觉slam方法 | |
Shan et al. | LiDAR-based stable navigable region detection for unmanned surface vehicles | |
CN115355901B (zh) | 一种融合动态目标感知的多机联合建图方法 | |
CN117152249A (zh) | 基于语义一致性的多无人机协同建图与感知方法及系统 | |
Yu et al. | Accurate and robust visual localization system in large-scale appearance-changing environments | |
Watanabe et al. | Feasibility study of intersection detection and recognition using a single shot image for robot navigation | |
Zhu et al. | Lifelong localization in semi-dynamic environment | |
Zhou et al. | Place recognition and navigation of outdoor mobile robots based on random Forest learning with a 3D LiDAR | |
CN117392417A (zh) | 一种基于语义拓扑结构的视觉slam相似度方法 | |
Dang et al. | Real-time semantic plane reconstruction on a monocular drone using sparse fusion | |
CN117036408B (zh) | 一种动态环境下联合多目标跟踪的物体slam方法 | |
CN114627365B (zh) | 场景重识别方法、装置、电子设备及存储介质 | |
CN116045965A (zh) | 一种融合多传感器的环境地图构建方法 | |
Liu et al. | Simultaneous localization and mapping of unmanned vehicles under dynamic environments with yolov7 | |
CN113570713B (zh) | 一种面向动态环境的语义地图构建方法及装置 | |
CN115330861A (zh) | 基于物体平面共同表示和语义描述符匹配的重定位算法 | |
KR20230112296A (ko) | 목표물 탐색을 위한 3d 실내지도 작성 및 객체 인식 시스템 | |
Syntakas et al. | Object Detection and Navigation of a Mobile Robot by Fusing Laser and Camera Information | |
CN117537803B (zh) | 机器人巡检语义-拓扑地图构建方法、系统、设备及介质 | |
CN117576166B (zh) | 基于相机和低帧率激光雷达的目标跟踪方法及系统 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240426 Address after: 518000 1002, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province Patentee after: Shenzhen Wanzhida Technology Co.,Ltd. Country or region after: China Address before: 150080 No. 52, Xuefu Road, Nangang District, Heilongjiang, Harbin Patentee before: HARBIN University OF SCIENCE AND TECHNOLOGY Country or region before: China |