CN117826843B - 基于三维点云的无人机智能避障方法及系统 - Google Patents
基于三维点云的无人机智能避障方法及系统 Download PDFInfo
- Publication number
- CN117826843B CN117826843B CN202410239349.4A CN202410239349A CN117826843B CN 117826843 B CN117826843 B CN 117826843B CN 202410239349 A CN202410239349 A CN 202410239349A CN 117826843 B CN117826843 B CN 117826843B
- Authority
- CN
- China
- Prior art keywords
- value
- point cloud
- dimensional point
- cloud data
- representing
- 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 61
- 230000005540 biological transmission Effects 0.000 claims abstract description 22
- 230000008569 process Effects 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 18
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000004888 barrier function Effects 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 3
- 238000001914 filtration Methods 0.000 description 12
- 238000010276 construction Methods 0.000 description 8
- 230000002146 bilateral effect Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 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
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Processing Or Creating Images (AREA)
Abstract
本发明涉及数据处理领域,更具体地,本发明涉及基于三维点云的无人机智能避障方法及系统,方法包括:获取输电工程场景的三维点云数据集并构建移动滑窗,计算所述三维点云数据集中目标点在移动滑窗内的离群性值和电线边缘表现程度值,并判断得到第一信噪值;计算目标点的离群密度值,得到第二信噪值,根据第二信噪值自适应调节移动滑窗并进行去噪,得到显著数据集,将所述显著数据集对输电工程现场模型搭建,以指导无人机进行智能避障。本发明通过提高对三维点云数据的去噪的适应性,从而更准确的去噪后,获得更为准确的输电工程现场的模型,进而可以提高无人机智能避障方法的准确性及效率。
Description
技术领域
本发明一般地涉及数据处理领域。更具体地,本发明涉及基于三维点云的无人机智能避障方法及系统。
背景技术
由于电网建设的不断发展,输电工程正不断受到城市发展、环境保护的新形势的影响,线路廊道越来越拥挤,施工环境越来越恶劣,部分区域距离遥远、道路狭窄崎岖、路面湿滑,地质地貌复杂,施工车辆无法进入。而无人机具备大载荷、长续航优势,对起降环境适应性高,研究无人机在建设工程机械化施工方面的关键技术,对推进电网输电工程建设无人机规范化管理,科学高效统筹管理基建无人机作业具有重要指导作用和现实意义。
在无人机智能避障场景中,三维点云被广泛应用,为无人机提供环境感知和避障决策的关键信息。三维点云是在三维空间中描述对象表面或场景的数据集,由大量的离散点组成。每个点都包含空间坐标信息(通常是 x、y、z 坐标),以及可能的其他属性,在实际应用场景中往往需要对采集到的三维点云进行去噪处理,以便准确形成工程现场三维点云模型成果数据,生成标准化LAS数据。
在利用双边滤波对采集到的三维点云进行去噪的过程中,采集到的三维点云数据中会由于采集设备误差产生噪声,通常表现为z坐标值与周围点明显不同的离群点或者孤立点,同时由于输电工程场景通常地质地貌较为复杂,导致这部分点云数据的z坐标值与周边点云数据相差较大,而这种误差属于正常的数据点变化。那么在利用双边滤波进行点云数据去噪时,如果采用相同大小的滤波移动滑窗可能会使得将三维点云数据过度平滑,导致失去细节信息,无法精准搭建工程现场,从而导致无人机无法准确避障。
发明内容
为解决上述一个或多个技术问题,本发明提出通过分析点云数据表现为噪声的可能性实现自适应双边滤波中滤波移动滑窗大小,从而利用改进后的双边滤波算法对输电工程场景的点云数据进行更为准确有效的去噪处理,以便实现输电工程现场的模型搭建,从而指导无人机精准避障,为此,本发明在如下的多个方面中提供方案。
在第一方面中,基于三维点云的无人机智能避障方法,包括:获取输电工程场景的三维点云数据集,其中,所述三维点云数据是由x轴、y轴、z轴构成的空间坐标系中的点;根据三维点云数据集构建移动滑窗,其中,所述移动滑窗的边长为奇数,且所述移动滑窗内分别以x轴和y轴设置直线,所述移动滑窗的中心点为目标点,且为三维点云数据集中任意一点,根据所述移动滑窗内除目标点以外其他三维点云数据点z坐标值的平均差值作为目标点的离群性值;计算所述目标点在移动滑窗内各个方向的直线与两侧直线的z坐标值差的规律性值,计算所述规律性值的最大值作为目标点的电线边缘表现程度值;根据所述离群性值初步判断三维点云数据集中的噪声点,并基于所述电线边缘表现程度值对所述噪声点进行修正,得到第一信噪值;计算所述移动滑窗内目标点的第一信噪值相似点的个数与移动滑窗内三维点云数据中所有点的个数的比值,作为所述目标点的离群密度值;根据所述离群密度值对所述噪声点作进一步修正,得到第二信噪值;根据所述第二信噪值自适应调节移动滑窗,使用降噪技术对所述第二信噪值进行去噪,得到显著数据集,基于所述显著数据集对输电工程现场模型进行搭建,以指导无人机进行智能避障。
在一个实施例中,计算所述目标点在移动滑窗内各个方向的直线与两侧直线的z坐标值差的规律性值,计算所述规律性值的最大值作为目标点的电线边缘表现程度值,包括:
所述各个方向的直线分别为、、、方向所在的直线,遍历所述各个方
向的直线与两侧直线的z坐标值差的规律性值的最大值,作为对应方向的规律性值;
计算每个方向上所述规律性值的最大值,得到目标点的电线边缘表现程度值。
在一个实施例中,计算所述z坐标值差的规律性值满足下述多项关系式:
;
;
式中,表示当前三维点云数据中目标点在方向直线与其两侧直线中一侧直
线对应位置z坐标值差的规律性值,表示一阶差分的个数,表示两条直线第个三维点
云数据点对应位置的z坐标值差,表示三维点云数据中目标点的z坐标与相邻点z坐标
的两条直线第个三维点云数据点对应位置的z坐标值差;表示z坐标两侧规律性值的
最大值作为该方向下的z坐标值差的规律性值,表示最大值函数,表示当前三维
点云数据中目标点在方向直线与其两侧直线另一侧直线对应位置z坐标值差的规律性
值,表示当前三维点云中横坐标和纵坐标。
在一个实施例中,所述目标点的电线边缘表现程度值,满足下述关系式:
;
式中,表示目标点四个方向上的z坐标值差的规律性值的最大值作为当前三
维点云数据点的电线边缘表现程度,表示最大值函数,表示目标点在方向上的
z坐标值差的规律性值,表示目标点在方向上的z坐标值差的规律性值,表示
目标点在方向上的z坐标值差的规律性值,表示目标点在方向上的z坐标值
差的规律性值,表示目标点的横坐标和纵坐标。
在一个实施例中,所述第一信噪值满足下述关系式,包括:
;
式中,表示三维点云数据中目标点的第一信噪值,为指数函数,表
示三维点云数据中目标点的移动滑窗内第行第列三维点云数据点的z坐标值,三维
点云数据中目标点的z坐标值,表示移动滑窗内第行第列三维点云数据点的z
坐标值与当前目标点的z坐标值差,表示第一噪声表现程度的移动滑窗边长。
在一个实施例中,所述第二信噪值满足下述关系式,包括:
;
式中,表示三维点云数据中目标点修正后的第二信噪值,表示三维点
云数据中目标点的第一信噪值,表示当前三维点云数据点的第一噪声表现程度在
归一化后第一噪声表现程度的范围内的三维点云数据点个数,表示不同的第一信
噪值的个数,表示第二信噪值修正过程中的移动滑窗边长,表示当前三维点云数
据点在局部范围内离群密度值,表示当前三维点云中横坐标和纵坐标。
在一个实施例中,根据所述第二信噪值自适应调节移动滑窗,包括:
所述自适应调节移动滑窗满足下述关系式:
;
式中,表示自适应移动滑窗,表示预设移动滑窗,为线性归一化函数,为向上取整函数,表示三维点云数据中目标点修正后的第二信噪值。
第二方面,基于三维点云的无人机智能避障系统,包括:处理器和存储器,所述存储器存储有计算机程序指令,当所述计算机程序指令被所述处理器执行时实现任一项所述的基于三维点云的无人机智能避障方法。
本发明具有以下效果:
1.本发明通过分析采集过程中三维点云数据噪声和输电线路工程复杂背景中三维点云表现为离群点的区别,计算表现为噪声的可能性,从而自适应调整双边滤波算法中移动滑窗的大小,能够更好的适应不同区域的纹理、边缘等细节,从而提高对三维点云数据的去噪的适应性,对三维点云进行更准确的去噪后,即可获得更为准确的输电工程现场的模型,进而可以提高无人机智能避障方法的准确性及效率。
2.本发明通过采集设备的误差产生的噪声分布是随机的,某些区域可能包含更多的噪声,采用自适应滤波移动滑窗大小可以根据局部噪声水平进行调整,使得去噪效果更好。
附图说明
通过参考附图阅读下文的详细描述,本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本发明的若干实施方式,并且相同或对应的标号表示相同或对应的部分,其中:
图1是本发明实施例基于三维点云的无人机智能避障方法中步骤S1-S7的方法流程图。
图2是本发明实施例基于三维点云的无人机智能避障方法中步骤S30-S31的方法流程图。
图3是本发明实施例基于三维点云的无人机智能避障方法中0°方向直线示意图。
图4是本发明实施例基于三维点云的无人机智能避障系统的结构框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合附图来详细描述本发明的具体实施方式。
参照图1,基于三维点云的无人机智能避障方法包括步骤S1-S7,具体如下:
S1:获取输电工程场景的三维点云数据集,其中,三维点云数据是由x轴、y轴、z轴构成的空间坐标系中的点。
进一步说明,利用三维激光扫描仪获取输电线路工程现场的三维点云数据,其中三维点云数据通常为一个三维坐标(x,y,z),x坐标和y坐标表现为三维点云数据的位置,z坐标表示对应位置下三维点云数据的高度。
S2:根据三维点云数据集构建移动滑窗,其中,移动滑窗的边长为奇数,且移动滑窗内分别以x轴和y轴设置直线,移动滑窗的中心点为目标点,且为三维点云数据集中任意一点,根据移动滑窗内除目标点以外其他三维点云数据点z坐标值的平均差值作为目标点的离群性值。
进一步说明,因为噪声点通常表现为局部的离散点,即目标点的z坐标值与周围三维点云数据的差值较大,因此可用三维点云数据的目标点与其他在局部范围内的z坐标值的平均差值表示目标点的离群性,如果差值越大则表示离群性越大,则目标点表现为噪声的可能性越高;
同时由于电线边缘z坐标值其差值本身较大,但由于电线边缘通常表现为直线(即使实际情况中电线可能有弯曲,但在一个较小的范围内其边缘表现直线),因此可用局部范围内z坐标值的差值在某个方向表现为直线的程度(以下称之为电线边缘表现程度),电线边缘表现程度越大,则可能为电线边缘的三维点云数据的可能性越大,反之,表现为噪声的可能性越小。
S3:计算目标点在移动滑窗内各个方向的直线与两侧直线的z坐标值差的规律性值,计算规律性值的最大值作为目标点的电线边缘表现程度值,参照图2,包括步骤S30-S31:
S30:各个方向的直线分别为、、、方向所在的直线,遍历各个方向的
直线与两侧直线的z坐标值差的规律性值的最大值,作为对应方向的规律性值;
进一步说明,以三维点云数据集构建移动滑窗,其中移动滑窗的中心点为目标点
的(其中,为大于0的整数,经验值,移动滑窗不足该大小
的三维点云数据点则舍弃)滑窗大小,然后用移动滑窗内其他三维点云数据点z坐标值的平
均差值表示三维点云数据集中目标点的离群性,平均差值越大则离群性越大。
计算z坐标值差的规律性值满足下述多项关系式:
;
;
式中,表示当前三维点云数据中目标点在方向直线与其两侧直线中一侧直
线对应位置z坐标值差的规律性值,表示一阶差分的个数,表示两条直线第个三维点
云数据点对应位置的z坐标值差,表示三维点云数据中目标点的z坐标与相邻点z坐标
的两条直线第个三维点云数据点对应位置的z坐标值差;表示z坐标两侧规律性值的
最大值作为该方向下的z坐标值差的规律性值,表示最大值函数,表示当前三维
点云数据中目标点在方向直线与其两侧直线另一侧直线对应位置z坐标值差的规律性
值,表示当前三维点云中横坐标和纵坐标;
进一步说明,,其中,表示直线上顺序的第个三维点云数据点的
z坐标值,表示其一侧直线对应位置的z坐标值,通过用直线上相邻位置(即)
的z坐标的差值的平均一阶差分大小即该方向直线下z坐标值差的规律性值,表示
移动滑窗的边长,边长设置为的目的就是保证移动滑窗边长为奇数,表示直线上有个三维点云数据点,则对应的一阶差分个数即为,因此相邻位置的平均一阶差
即为;具体地,平均一阶差越小,说明z坐标值差变化的越有规律,则规律
性越强。
S31:计算每个方向上规律性值的最大值,得到目标点的电线边缘表现程度值;
目标点的电线边缘表现程度值,满足下述关系式:
;
式中,表示目标点四个方向上的z坐标值差的规律性值的最大值作为当前三
维点云数据点的电线边缘表现程度,表示最大值函数,表示目标点在方向上的
z坐标值差的规律性值,表示目标点在方向上的z坐标值差的规律性值,表示
目标点在方向上的z坐标值差的规律性值,表示目标点在方向上的z坐标值
差的规律性值,表示目标点的横坐标和纵坐标;
进一步说明,电线边缘表现程度分别用移动滑窗内、、、方向直线与
平行于各自直线的z坐标差的规律性表示(参照图3,为方向示例图,其中当前三维点云数
据点所在方向直线与其两侧直线对应位置z坐标值差的规律性值的最大值作为该方向上
z坐标值的规律性),然后用上述四个方向上的z坐标值差的规律性值的最大值作为当前三
维点云数据目标点的电线边缘表现程度即;其逻辑关系为电线边缘表现程度越大
则噪声表现程度越小,因此取其负指数幂即。
S4:根据离群性值初步判断三维点云数据集中的噪声点,并基于电线边缘表现程度值对噪声点进行修正,得到第一信噪值。
;
式中,表示三维点云数据中目标点的第一信噪值,为指数函数,表
示三维点云数据中目标点的移动滑窗内第行第列三维点云数据点的z坐标值,三维
点云数据中目标点的z坐标值,表示移动滑窗内第行第列三维点云数据点的
z坐标值与当前目标点的z坐标值差,表示第一噪声表现程度的移动滑窗边长。
进一步说明,表示移动滑窗的边长,即为移动滑窗内三维点云数据点的个
数,则移动滑窗内三维点云数据集的目标点与其他三维点云数据点z坐标值的平均差
值为表征离群性;
可利用三维点云数据集目标点在局部范围内的离群性和电线边缘表现程度初步判断三维点云数据点表现为噪声的可能性。
S5:计算移动滑窗内目标点的第一信噪值相似点的个数与移动滑窗内三维点云数据中所有点的个数的比值,作为目标点的离群密度值。
进一步说明,因为噪声点通常表现为个别的离群点,而输电工程场景下,因为背景较为复杂使得离群点密度较大,且在局部范围内噪声表现程度的成分较多(第一信噪值的取值种类较多,因为背景较为复杂,每个微小的场景变化都会导致三维点云数据目标点的第一信噪值发生变化,所以第一信噪值的取值种类较多);
可利用局部范围内与三维点云数据集中目标点的第一信噪值近似相同的点的个数与移动滑窗内三维点云数据点的总个数的比值作为目标点的密度,如果密度越大,并且移动滑窗内三维点云数据目标点第一信噪值的成分越多,则说明目标点属于输电工程背景中的点的可能性较高,则噪声表现程度更小。
S6:根据离群密度值对噪声点作进一步修正,得到第二信噪值。
;
式中,表示三维点云数据中目标点修正后的第二信噪值,表示三维点
云数据中目标点的第一信噪值,表示当前三维点云数据点的第一噪声表现程度在
归一化后第一噪声表现程度的范围内的三维点云数据点个数,表示不同的第一信
噪值的个数,表示第二信噪值修正过程中的移动滑窗边长,表示当前三维点云数
据点在局部范围内离群密度值,表示当前三维点云中横坐标和纵坐标。
进一步说明,构建三维点云数据中目标点为中心的移动滑窗,且移动滑窗的边
长为,其中,因为需要判断三维点云数据集中目标点在移动
滑窗内噪声表现的分布情况,而噪声表现程度是在一个较小的移动滑窗内计算而来,如果
在一个相同的移动滑窗或者更小的移动滑窗内计算其密度,会使得密度计算的准确性降
低,因此需要在一个较大的范围来讨论其密度,因此,本实施例中,在局部范
围内对所有三维点云数据点的第一信噪值进行线性归一化,对三维点云数据中目标点
的第一信噪值的修正;
目标点的第二信噪值越大,但是在移动滑窗内的离群密度值与第二信噪值成分越小,则属于输电工程背景的可能性越高。
S7:根据第二信噪值自适应调节预设移动滑窗,使用降噪技术对第二信噪值进行去噪,得到显著数据集,基于显著数据集对输电工程现场模型进行搭建,以指导无人机进行智能避障。
自适应调节移动滑窗满足下述关系式:
;
式中,表示自适应移动滑窗,表示预设移动滑窗,为线性归一化函数,为向上取整函数,表示三维点云数据中目标点修正后的第二信噪值。
进一步说明,本实施例中,较大的移动滑窗可能更好的平均化邻域内的三维点云数据z坐标值,即可以更准确的进行去噪,反之较小的移动滑窗有助于保留更多的细节和边缘纹理信息。对于噪声表现程度大的数据点,应该使用较大的移动滑窗,以进行准确的去噪过程;反之对于噪声表现程度小的数据点,应采用较小的移动滑窗以保留更多的细节和边缘纹理信息;
构建基准滤波移动滑窗的边长为(经验值),移动滑窗大小是一个较
小的移动滑窗,本案将只向上进行调整,则最终滤波移动滑窗的大小即为;
基于上述自适应滤波移动滑窗进行双边滤波(已知技术本案不再赘述)完成对输电工程现场三维点云数据的进行去噪;
将三维点云数据进行去噪后,便可准确搭建输电线路工程现场,从而生成标准化的LAS数据,同时基于标准化的LAS数据,实现自动识别、标记地表障碍物、设备等目标点功能,并结合手工补充调整目标点的方式,确保拍摄目标点满足基建现场航线要求,从而指导无人机智能避障。
本发明还提供了基于三维点云的无人机智能避障系统。如图4所示,系统包括处理器和存储器,存储器存储有计算机程序指令,当计算机程序指令被处理器执行时实现根据本发明第一方面的基于三维点云的无人机智能避障方法。
系统还包括通信总线和通信接口等本领域技术人员熟知的其他组件,其设置和功能为本领域中已知,因此在此不再赘述。
在本发明中,前述的存储器可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如,计算机可读存储介质可以是任何适当的磁存储介质或者磁光存储介质,比如,阻变式存储器RRAM(Resistive RandomAccess Memory)、动态随机存取存储器DRAM(Dynamic Random Access Memory)、静态随机存取存储器SRAM(Static Random-Access Memory)、增强动态随机存取存储器EDRAM(Enhanced Dynamic Random Access Memory)、高带宽内存HBM(High-Bandwidth Memory)、混合存储立方HMC(Hybrid Memory Cube)等等,或者可以用于存储所需信息并且可以由应用程序、模块或两者访问的任何其他介质。任何这样的计算机存储介质可以是设备的一部分或可访问或可连接到设备。本发明描述的任何应用或模块可以使用可以由这样的计算机可读介质存储或以其他方式保持的计算机可读/可执行指令来实现。
在本说明书的描述中,“多个”、“若干个”的含义是至少两个,例如两个,三个或更多个等,除非另有明确具体的限定。
虽然本说明书已经示出和描述了本发明的多个实施例,但对于本领域技术人员显而易见的是,这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本发明思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本发明的过程中,可以采用对本文所描述的本发明实施例的各种替代方案。
Claims (8)
1.基于三维点云的无人机智能避障方法,其特征在于,包括:
获取输电工程场景的三维点云数据集,其中,所述三维点云数据是由x轴、y轴、z轴构成的空间坐标系中的点;
根据三维点云数据集构建移动滑窗,其中,所述移动滑窗的边长为奇数,且所述移动滑窗内分别以x轴和y轴设置直线,所述移动滑窗的中心点为目标点,且为三维点云数据集中任意一点,根据所述移动滑窗内除目标点以外其他三维点云数据点z坐标值的平均差值作为目标点的离群性值;
计算所述目标点在移动滑窗内各个方向的直线与两侧直线的z坐标值差的规律性值,计算所述规律性值的最大值作为目标点的电线边缘表现程度值;
根据所述离群性值初步判断三维点云数据集中的噪声点,并基于所述电线边缘表现程度值对所述噪声点进行修正,得到第一信噪值;
计算所述移动滑窗内目标点的第一信噪值相似点的个数与移动滑窗内三维点云数据中所有点的个数的比值,作为所述目标点的离群密度值;
根据所述离群密度值对所述噪声点作进一步修正,得到第二信噪值;
根据所述第二信噪值自适应调节预设移动滑窗,使用降噪技术对所述第二信噪值进行去噪,得到显著数据集,基于所述显著数据集对输电工程现场模型进行搭建,以指导无人机进行智能避障。
2.根据权利要求1所述的基于三维点云的无人机智能避障方法,其特征在于,计算所述目标点在移动滑窗内各个方向的直线与两侧直线的z坐标值差的规律性值,计算所述规律性值的最大值作为目标点的电线边缘表现程度值,包括:
所述各个方向的直线分别为0°、45°、90°、135°方向所在的直线,遍历所述各个方向的直线与两侧直线的z坐标值差的规律性值的最大值,作为对应方向的规律性值;
计算每个方向上所述规律性值的最大值,得到目标点的电线边缘表现程度值。
3.根据权利要求2所述的基于三维点云的无人机智能避障方法,其特征在于,所述z坐标值差的规律性值满足下述多项关系式:
;
;
式中,表示当前三维点云数据中目标点在/>方向直线与其两侧直线中一侧直线对应位置z坐标值差的规律性值,/>表示一阶差分的个数,/>表示两条直线第/>个三维点云数据点对应位置的z坐标值差,/>表示三维点云数据中目标点的z坐标与相邻点z坐标的两条直线第/>个三维点云数据点对应位置的z坐标值差;/>表示z坐标两侧规律性值的最大值作为该方向下的z坐标值差的规律性值,/>表示最大值函数,/>表示当前三维点云数据中目标点在/>方向直线与其两侧直线另一侧直线对应位置z坐标值差的规律性值,表示当前三维点云中横坐标和纵坐标。
4.根据权利要求2所述的基于三维点云的无人机智能避障方法,其特征在于,所述目标点的电线边缘表现程度值,满足下述关系式:
;
式中,表示目标点四个方向上的z坐标值差的规律性值的最大值作为当前三维点云数据点的电线边缘表现程度,/>表示最大值函数,/>表示目标点在0°方向上的z坐标值差的规律性值,/>表示目标点在45°方向上的z坐标值差的规律性值,/>表示目标点在90°方向上的z坐标值差的规律性值,/>表示目标点在135°方向上的z坐标值差的规律性值,/>表示目标点的横坐标和纵坐标。
5.根据权利要求1所述的基于三维点云的无人机智能避障方法,其特征在于,所述第一信噪值满足下述关系式,包括:
;
式中,表示三维点云数据中目标点的第一信噪值,/>为指数函数,/>表示三维点云数据中目标点的移动滑窗内第/>行第/>列三维点云数据点的z坐标值,/>三维点云数据中目标点的z坐标值,/>表示移动滑窗内第/>行第/>列三维点云数据点的z坐标值与当前目标点的z坐标值差,/>表示第一噪声表现程度的移动滑窗边长。
6.根据权利要求1所述的基于三维点云的无人机智能避障方法,其特征在于,所述第二信噪值满足下述关系式,包括:
;
式中,表示三维点云数据中目标点/>修正后的第二信噪值,/>表示三维点云数据中目标点/>的第一信噪值,/>表示当前三维点云数据点的第一噪声表现程度在归一化后第一噪声表现程度的/>范围内的三维点云数据点个数,/>表示不同的第一信噪值的个数,/>表示第二信噪值修正过程中的移动滑窗边长,/>表示当前三维点云数据点在局部范围内离群密度值,/>表示当前三维点云中横坐标和纵坐标。
7.根据权利要求1所述的基于三维点云的无人机智能避障方法,其特征在于,根据所述第二信噪值自适应调节移动滑窗,包括:
所述移动滑窗自适应调节满足下述关系式:
;
式中,表示自适应移动滑窗,/>表示预设移动滑窗,/>为线性归一化函数,/>为向上取整函数,/>表示三维点云数据中目标点/>修正后的第二信噪值。
8.基于三维点云的无人机智能避障系统,其特征在于,包括:处理器和存储器,所述存储器存储有计算机程序指令,当所述计算机程序指令被所述处理器执行时实现根据权利要求1-7任一项所述的基于三维点云的无人机智能避障方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410239349.4A CN117826843B (zh) | 2024-03-04 | 2024-03-04 | 基于三维点云的无人机智能避障方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410239349.4A CN117826843B (zh) | 2024-03-04 | 2024-03-04 | 基于三维点云的无人机智能避障方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117826843A CN117826843A (zh) | 2024-04-05 |
CN117826843B true CN117826843B (zh) | 2024-05-03 |
Family
ID=90521263
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410239349.4A Active CN117826843B (zh) | 2024-03-04 | 2024-03-04 | 基于三维点云的无人机智能避障方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117826843B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020135325A1 (zh) * | 2018-12-28 | 2020-07-02 | 阿里巴巴集团控股有限公司 | 移动设备定位方法、装置、系统及移动设备 |
CN112685950A (zh) * | 2020-12-02 | 2021-04-20 | 山东省计算中心(国家超级计算济南中心) | 一种海洋时序观测数据的异常检测方法、系统和设备 |
US11657532B2 (en) * | 2019-12-11 | 2023-05-23 | Nvidia Corporation | Surface profile estimation and bump detection for autonomous machine applications |
CN116453121A (zh) * | 2023-06-13 | 2023-07-18 | 合肥市正茂科技有限公司 | 一种车道线识别模型的训练方法及装置 |
CN117197333A (zh) * | 2023-08-02 | 2023-12-08 | 哈尔滨工业大学 | 基于多目视觉的空间目标重构与位姿估计方法及系统 |
CN117589167A (zh) * | 2023-11-06 | 2024-02-23 | 中国南方电网有限责任公司超高压输电公司天生桥局 | 一种基于三维点云模型的无人机巡检航线规划方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20230036858A (ko) * | 2021-09-08 | 2023-03-15 | 한국과학기술원 | 3차원 포인트 클라우드 맵을 이용한 차선 레벨 지도 구축 방법 및 시스템 |
-
2024
- 2024-03-04 CN CN202410239349.4A patent/CN117826843B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020135325A1 (zh) * | 2018-12-28 | 2020-07-02 | 阿里巴巴集团控股有限公司 | 移动设备定位方法、装置、系统及移动设备 |
US11657532B2 (en) * | 2019-12-11 | 2023-05-23 | Nvidia Corporation | Surface profile estimation and bump detection for autonomous machine applications |
CN112685950A (zh) * | 2020-12-02 | 2021-04-20 | 山东省计算中心(国家超级计算济南中心) | 一种海洋时序观测数据的异常检测方法、系统和设备 |
CN116453121A (zh) * | 2023-06-13 | 2023-07-18 | 合肥市正茂科技有限公司 | 一种车道线识别模型的训练方法及装置 |
CN117197333A (zh) * | 2023-08-02 | 2023-12-08 | 哈尔滨工业大学 | 基于多目视觉的空间目标重构与位姿估计方法及系统 |
CN117589167A (zh) * | 2023-11-06 | 2024-02-23 | 中国南方电网有限责任公司超高压输电公司天生桥局 | 一种基于三维点云模型的无人机巡检航线规划方法 |
Non-Patent Citations (6)
Title |
---|
3D object recognition from large-scale point clouds with global descriptor and sliding window;Naoyuki Gunji;《IEEE》;20170430;全文 * |
Outlier Detection over Sliding Windows for Probabilistic Data Streams;Bin Wang;《JOURNAL OF COMPUTER SCIENCE AND TECHNOLOGY》;20100531;389–400 * |
基于三维点云的接触网几何参数检测方法;周靖松;韩志伟;杨长江;;仪器仪表学报;20180415(第04期);全文 * |
基于局部离群因子的数据异常识别方法及其在古建结构监测中的应用;杨娜;《建筑结构学报》;20221031;68-75 * |
基于改进SIFT算法的无人机遥感图像快速拼接;施冬雪;《工程科技Ⅱ辑》;20190531;C028-80 * |
基于机器视觉的道路划线机路径识别与跟踪研究;韩亚轩;《工程科技Ⅱ辑》;20230228;C034-390 * |
Also Published As
Publication number | Publication date |
---|---|
CN117826843A (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20180173239A1 (en) | Method and system for updating occupancy map based on super ray | |
CN110246092B (zh) | 一种顾及邻域点均值距离和斜率的三维激光点云去噪方法 | |
CN107807644A (zh) | 一种农用机械最低油耗运动路径规划方法 | |
Ma et al. | A modified census transform based on the neighborhood information for stereo matching algorithm | |
Harabor et al. | Hierarchical path planning for multi-size agents in heterogeneous environments | |
Eberhardt et al. | Density trees for efficient nonlinear state estimation | |
EP3293700A1 (en) | 3d reconstruction for vehicle | |
CN112861983A (zh) | 图像匹配方法、装置、电子设备以及存储介质 | |
CN111695281B (zh) | 一种四面体网格划分有限元粒子模拟的粒子快速定位方法 | |
CN111105452A (zh) | 基于双目视觉的高低分辨率融合立体匹配方法 | |
CN113721608A (zh) | 机器人局部路径规划方法、系统和可读存储介质 | |
CN117826843B (zh) | 基于三维点云的无人机智能避障方法及系统 | |
CN117739954B (zh) | 地图局部更新方法、装置及电子设备 | |
CN114325760A (zh) | 基于多线激光雷达的公路隧道质检避障方法及系统 | |
CN111768353B (zh) | 一种三维模型的孔洞填补方法及装置 | |
CN113836484A (zh) | 基于路径点邻近域与地面滤波的自适应点云抽稀方法 | |
CN113342999A (zh) | 一种基于多层跳序树结构的变分辨率点云简化方法 | |
CN109118565B (zh) | 一种顾及杆塔电力线遮挡的电力走廊三维模型纹理映射方法 | |
WO2020248118A1 (zh) | 点云处理方法、系统、设备及存储介质 | |
CN111598941A (zh) | 一种杆塔倾斜度测量方法、装置、设备及存储介质 | |
CN114779209B (zh) | 一种激光雷达点云体素化方法及装置 | |
CN110887490A (zh) | 一种激光定位导航的关键帧选取方法、介质、终端和装置 | |
CN112446952B (zh) | 三维点云法向量的生成方法、装置、电子设备及存储介质 | |
CN114742887A (zh) | 一种基于点线面特征融合的无人机位姿估计方法 | |
Drost et al. | A hierarchical voxel hash for fast 3d nearest neighbor lookup |
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 |