JP2018141759A - Reference plane creation method from point group data and device - Google Patents
Reference plane creation method from point group data and device Download PDFInfo
- Publication number
- JP2018141759A JP2018141759A JP2017037624A JP2017037624A JP2018141759A JP 2018141759 A JP2018141759 A JP 2018141759A JP 2017037624 A JP2017037624 A JP 2017037624A JP 2017037624 A JP2017037624 A JP 2017037624A JP 2018141759 A JP2018141759 A JP 2018141759A
- Authority
- JP
- Japan
- Prior art keywords
- reference plane
- cloud data
- point cloud
- point
- median
- 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 46
- 238000005259 measurement Methods 0.000 claims abstract description 21
- 238000011156 evaluation Methods 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 32
- 238000004364 calculation method Methods 0.000 claims description 31
- 238000000513 principal component analysis Methods 0.000 claims description 23
- 238000011478 gradient descent method Methods 0.000 claims description 8
- 208000036829 Device dislocation Diseases 0.000 claims description 5
- 239000013256 coordination polymer Substances 0.000 abstract description 16
- 238000012545 processing Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 7
- 238000004441 surface measurement Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 101000911772 Homo sapiens Hsc70-interacting protein Proteins 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Landscapes
- Length Measuring Devices By Optical Means (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
Abstract
Description
本発明は、道路等から測定装置で取得した平面状の点群データを解析するため、当該点群データから基準平面を生成する方法及び装置に関する。 The present invention relates to a method and apparatus for generating a reference plane from point cloud data in order to analyze planar point cloud data acquired by a measuring device from a road or the like.
一般に道路は車両等の通行により経時的に轍や凹凸が生じ、これらを補修する必要がある。このような道路の補修を行うため、道路の点検を行い、道路の路面性状についてのデータ、即ち路面の凹凸の状態についてのデータを取得する。これらの路面性状についてのデータは、測定員による測定や、路面測定車を測定対象となる道路の測定経路に沿って走行して取得される。路面測定車には、路面にスキャン光を照射して路面の各点の高さを計測する測定装置が搭載されている。 Generally, roads are wrinkled and uneven as time passes due to the passage of vehicles and the like, and these need to be repaired. In order to repair such a road, the road is inspected, and data on the road surface property of the road, that is, data on the unevenness state of the road surface is acquired. Data on these road surface properties is obtained by measurement by a measurer or by driving a road surface measurement vehicle along a measurement route of a road to be measured. A road surface measuring vehicle is equipped with a measuring device that irradiates the road surface with scanning light and measures the height of each point on the road surface.
特許文献１には、移動体を平面の縦断方向に移動させつつ光を平面に向けて投光し投光結果により平面の段差を計測する装置において、移動距離を検出する手段と投光手段、光照射ラインを撮像する手段、高さデータを取得する横断方向データ演算手段、縦方向データ演算手段、３次元データ演算手段、を備える構成とする。以上の構成により移動体が所定距離移動するごとに平面の横断方向に沿って１本の照射ラインが平面上に形成されるように移動体から平面に向け光が投光され、上記各種手段により凹凸プロフィルをリアルタイムに取得する技術が記載されている。 In Patent Document 1, in a device that projects light toward a plane while moving the moving body in the longitudinal direction of the plane and measures the level difference of the plane based on the projection result, means for detecting the moving distance and light projecting means, It is configured to include means for imaging the light irradiation line, transverse direction data calculation means for acquiring height data, vertical direction data calculation means, and three-dimensional data calculation means. With the above configuration, each time the moving body moves a predetermined distance, light is projected from the moving body toward the plane so that one irradiation line is formed on the plane along the transverse direction of the plane. A technique for acquiring a concavo-convex profile in real time is described.
このような路面性状車にあっては、路面の高さ測定は、ＧＮＳＳ（Global Navigation STtellite System：全地球航法衛星システム）で位置を取得しつつ測定装置のスキャナにより車両の斜め前方にスキャン光をスパイラル状に照射して周囲の構造物からの反射光を受信することにより行われる。ここで、測定装置は、複数、例えば３２個の測定素子を備え、この測定素子を回転駆動して順次スキャンを行い、周囲の構造物までの距離を取得して全周にわたる点群データを得る。 In such a road surface property vehicle, the height of the road surface is measured by using a scanner of the measuring device to scan light obliquely forward of the vehicle while acquiring the position with a GNSS (Global Navigation STtellite System). This is performed by irradiating in a spiral shape and receiving reflected light from surrounding structures. Here, the measuring apparatus includes a plurality of, for example, 32 measuring elements, and rotationally drives the measuring elements to sequentially scan, obtain distances to surrounding structures, and obtain point cloud data over the entire circumference. .
道路点群の凹凸を評価する方法として、道路点群から基準平面を計算し、道路点群の各点が基準平面からどれだけ離れているかを指標とすることが行われている。 As a method for evaluating the unevenness of a road point group, a reference plane is calculated from the road point group, and how far each point of the road point group is from the reference plane is used as an index.
上述した道路点群から基準平面を生成（フィッティング）する手法として最小二乗法（LS：Least Square Fitting：非特許文献１参照）や、主成分分析（PCA：Principal Component Analysis：非特許文献２参照）が広く知られている。この主成分分析は、古典的主成分分析とも称されるが、最小二乗法に比べて精度が高く、点群への平面フィッティングで主流の方法となっている（非特許文献２参照）。 As a method for generating (fitting) a reference plane from the above-described road point cloud, the least square method (LS: Least Square Fitting: see Non-Patent Document 1) or principal component analysis (PCA: Principal Component Analysis: see Non-Patent Document 2) Is widely known. Although this principal component analysis is also called classical principal component analysis, it has higher accuracy than the least square method, and has become a mainstream method by plane fitting to a point group (see Non-Patent Document 2).
しかしながら、最小二乗法や上述した古典的な主成分分析は、外れ値に弱いことが知られている。測定装置で得られた道路の点群データには、点群データを取得するために使用されるレーザスキャナそのもののノイズや、道路標識、電柱、他車両、縁石やガードレールなど、道路以外のものによる点群が存在する。このようなノイズや点群は道路面から大きく離れ座標をもっている外れ値であり、道路点群に対して基準平面のフィッティングを行うとき影響を与える。 However, it is known that the least square method and the classical principal component analysis described above are vulnerable to outliers. The road point cloud data obtained by the measuring device depends on the noise of the laser scanner itself used to obtain the point cloud data, road signs, utility poles, other vehicles, curbs, guardrails, etc. There is a point cloud. Such noises and point clouds are outliers that have coordinates far away from the road surface, and have an effect when fitting the reference plane to the road point cloud.
そこで、本発明は、ほぼ平面状に分布すると共に極端に大きな外れ値をもつノイズが存在する点群データから、当該ノイズの影響を受けることなく基準平面を生成することができる点群データへの基準平面の生成方法、及び装置を提供することを目的とする。 Therefore, the present invention converts point cloud data in which noise having an extremely large outlier exists in a substantially planar shape into point cloud data that can generate a reference plane without being affected by the noise. It is an object of the present invention to provide a method and apparatus for generating a reference plane.
前記課題を解決する請求項１に記載の発明は、測定経路に沿って移動させた測定装置で取得した道路の各点の位置を示す平面状の点群データから当該点群データの評価基準となる基準平面を生成する方法であって、前記点群データの中央値を求め、前記点群データの各点と前記中央値との距離を求め、前記各点に前記距離が大きくなるほど小さい値となる寄与率を求め、前記寄与率を乗じて基準平面を生成することを特徴とする点群データからの基準平面生成方法である。 The invention according to claim 1, which solves the above problem, is based on the evaluation criteria for the point cloud data from the planar point cloud data indicating the position of each point on the road acquired by the measuring device moved along the measurement path. A method for generating a reference plane, wherein a median value of the point cloud data is obtained, a distance between each point of the point cloud data and the median value is obtained, and a smaller value as the distance increases at each point. A reference plane generation method from point cloud data, wherein a reference plane is generated by multiplying the contribution rate.
同じく請求項２に係る発明は、請求項1に記載の点群データからの基準平面生成方法において、前記寄与率は前記距離に反比例することを特徴とする。 Similarly, the invention according to claim 2 is characterized in that, in the reference plane generation method from the point cloud data according to claim 1, the contribution rate is inversely proportional to the distance.
同じく請求項３に係る発明は、請求項１に記載の点群データからの基準平面生成方法において、前記基準平面の生成には主成分分析（PCA：Principal Component Analysis）を使用し、ＰＣＡの計算に幾何中央値共分散行列(MCM:Median Covariation Matrix)を用い、重み付き確率的勾配降下法によって幾何中央値共分散行列を更新し、この更新を収束まで繰り返すことを特徴とする。 Similarly, the invention according to claim 3 is the method of generating a reference plane from the point cloud data according to claim 1, wherein the reference plane is generated by using a principal component analysis (PCA) to calculate a PCA. A geometric median covariance matrix (MCM) is used for the above, and the geometric median covariance matrix is updated by a weighted stochastic gradient descent method, and this update is repeated until convergence.
同じく請求項４に係る発明は、請求項３に記載の点群データからの基準平面生成方法において、前記幾何中央値共分散行列の更新を繰り返すに際し、すべての点群に対して計算が1回終了するごとに全点の読み込順をランダムシャッフルすることを特徴とする。 Similarly, the invention according to claim 4 is the method of generating a reference plane from the point cloud data according to claim 3, wherein the calculation is performed once for all point clouds when the update of the geometric median covariance matrix is repeated. It is characterized in that the reading order of all points is randomly shuffled every time it is finished.
同じく請求項５に係る発明は、測定経路に沿って移動させた測定装置で取得した道路の各点の位置を示す平面状の点群データから当該点群データの評価基準となる基準平面を生成する装置であって、前記点群データの中央値を求める手段と、前記点群データの各点と前記中央値との距離を求める手段と、前記各点に前記距離が大きくなるほど小さい値となる寄与率を求める手段と、前記寄与率を乗じて基準平面を生成する手段と、を備えることを特徴とする点群データへの基準平面生成装置である。 Similarly, the invention according to claim 5 generates a reference plane serving as an evaluation reference for the point cloud data from the planar point cloud data indicating the position of each point on the road acquired by the measuring device moved along the measurement path. A means for obtaining a median of the point cloud data, a means for obtaining a distance between each point of the point cloud data and the median, and a smaller value as the distance increases at each point. A reference plane generation apparatus for point cloud data, comprising: means for obtaining a contribution rate; and means for generating a reference plane by multiplying the contribution rate.
本発明に係る点群データへの基準平面の生成方法、及び装置によれば、ほぼ平面状に分布すると共に極端に大きな外れ値をもつノイズが存在する点群データから、当該ノイズの影響を受けることなく基準平面を生成することができる。 According to the method and apparatus for generating the reference plane for the point cloud data according to the present invention, the noise is influenced by the point cloud data that is distributed in a substantially planar shape and has extremely large outliers. The reference plane can be generated without any problem.
即ち、請求項１に記載の点群データからの基準平面生成方法、及び請求項5に記載の点群データへの基準平面生成装置によれば、測定経路に沿って移動させた測定装置で取得した道路の各点の位置を示す平面状の点群データから当該点群データの評価基準となる基準平面を生成するに際して、点群データの中央値を求め、点群データの各点と中央値との距離を求め、各点に前記距離が大きくなるほど小さい値となる寄与率を求め、前記寄与率を乗じて基準平面を生成する。
これにより、大きな外れ値をもつノイズは小さな寄与率が乗じられてて基準平面生成に与える影響が小さくなる。
That is, according to the reference plane generation method from the point cloud data according to claim 1 and the reference plane generation device to the point cloud data according to claim 5, the data is acquired by the measurement device moved along the measurement path. When generating a reference plane that serves as an evaluation standard for the point cloud data from planar point cloud data indicating the position of each point on the road, the median value of the point cloud data is obtained, And a contribution rate that decreases as the distance increases for each point, and a reference plane is generated by multiplying the contribution rate.
As a result, noise having a large outlier is multiplied by a small contribution rate, and the influence on the generation of the reference plane is reduced.
また、請求項２に記載の点群データからの基準平面生成方法によれば、寄与率は距離に反比例する。
これにより、大きな外れ値のノイズは、距離に反比例して小さい値となり、基準平面生成に与える影響が小さくなる。
According to the reference plane generation method from the point cloud data according to claim 2, the contribution rate is inversely proportional to the distance.
As a result, large outlier noise becomes a small value in inverse proportion to the distance, and the influence on the generation of the reference plane is reduced.
また、請求項３に記載の点群データからの基準平面生成方法によれば、基準平面の生成には主成分分析（PCA：Principal Component Analysis）を使用し、主成分分析（ＰＣＡ）の計算に幾何中央値共分散行列(MCM:Median Covariation Matrix)を用い、重み付き確率的勾配降下法によって幾何中央値共分散行列を更新し、この更新を収束まで繰り返す。
これにより、大きな外れ値のノイズは、距離に反比例して小さい値となり、基準平面生成に与える影響が小さくなる。
Further, according to the reference plane generation method from the point cloud data according to claim 3, the principal plane analysis (PCA) is used to generate the reference plane, and the calculation of the principal component analysis (PCA) is performed. The geometric median covariance matrix (MCM) is used to update the geometric median covariance matrix by the weighted stochastic gradient descent method, and this update is repeated until convergence.
As a result, large outlier noise becomes a small value in inverse proportion to the distance, and the influence on the generation of the reference plane is reduced.
そして、請求項４に記載の点群データからの基準平面生成方法によれば、幾何中央値共分散行列の更新を繰り返すに際し、すべての点群に対して計算が1回終了するごとに全点の読み込順をランダムシャッフルする。
これにより、局所解に陥るのを防止できる。
According to the method for generating the reference plane from the point cloud data according to claim 4, when the update of the geometric median covariance matrix is repeated, all points are calculated each time the calculation is completed for all the point clouds. Randomly shuffle reading order.
Thereby, it can prevent falling into a local solution.
以下、本発明の実施形態に係る点群データからの基準平面生成方法、及び装置について説明する。本発明に係る点群データからの基準平面生成方法は、平面状の点群データの中央値を求め、点群データの各点と中央値との距離を求め、各点に前記距離が大きくなるほど小さい値となる寄与率を求め、各点に前記寄与率を乗じて補正点群データを生成し、補正点群データに基づいて評価基準となる基準平面を生成する。 Hereinafter, a method and an apparatus for generating a reference plane from point cloud data according to an embodiment of the present invention will be described. In the reference plane generation method from the point cloud data according to the present invention, the median value of the planar point cloud data is obtained, the distance between each point of the point cloud data and the median value is obtained, and as the distance becomes larger at each point. A contribution rate that is a small value is obtained, each point is multiplied by the contribution rate, correction point group data is generated, and a reference plane that is an evaluation criterion is generated based on the correction point group data.
近年、中央値の概念をテンソルへ拡張する様々な数学モデルが提案されており、ＰＣＡへの適応では，（幾何）中央値共分散行列（ＭＣＭ： Ｍｅｄｉａｎ Ｃｏｖａｒｉａｔｉｏｎ Ｍａｔｒｉｘ）が注目されている（非特許文献３参照）。本実施形態に係る点群データからの基準平面生成方法では、外れ値に堅牢な「重み付きＭＣＭ−ＰＣＡ」を大規模データに対して適用して計算を行い、基準平面を効率的に推定する。外れ値は、幾何中央からの距離が大きいと仮定し、その逆数をＭＣＭ−ＰＣＡの重みとして用いる。 In recent years, various mathematical models for extending the concept of median to tensors have been proposed, and (geometric) median covariance matrix (MCM) has attracted attention for adaptation to PCA (non-patented). Reference 3). In the reference plane generation method from the point cloud data according to the present embodiment, a robust “weighted MCM-PCA” is applied to the large-scale data as outliers, and the reference plane is efficiently estimated. . The outlier is assumed to have a large distance from the geometric center, and its reciprocal is used as the weight of MCM-PCA.
本実施形態では、公知のＭＣＭ−ＰＣＡ（非特許文献４参照）に重み付け係数を導入し、重み付き確率的勾配降下法によって幾何中央値共分散行列を更新する。この更新を収束するまで繰り返すが、全点群に対して計算が１回終了するごとに全点の読み込順をランダムシャッフルする。これにより局所解に陥るのを回避する。 In this embodiment, a weighting coefficient is introduced into a known MCM-PCA (see Non-Patent Document 4), and the geometric median covariance matrix is updated by a weighted stochastic gradient descent method. This update is repeated until convergence, but every time the calculation is completed once for all point groups, the reading order of all points is randomly shuffled. This avoids falling into a local solution.
以下、本発明の実施形態に係る基準平面生成装置について説明する。まず、点群データの取得から解析までの概略手順を説明する。図１は本発明の実施形態に係る生成装置の構成を示すブロック図、図２は路面測定装置による路面の測定状態を示す模式図であり、（ａ）は側面図、（ｂ）は平面図、図３は道路に配置された構造物を示す模式図である。 Hereinafter, a reference plane generating apparatus according to an embodiment of the present invention will be described. First, a general procedure from point cloud data acquisition to analysis will be described. FIG. 1 is a block diagram showing a configuration of a generating apparatus according to an embodiment of the present invention, FIG. 2 is a schematic diagram showing a road surface measurement state by a road surface measuring device, (a) is a side view, and (b) is a plan view. FIG. 3 is a schematic diagram showing a structure arranged on a road.
点群データは路面測定装置３００により取得する。路面測定装置３００は、ＭＭＳ（モバイルマッピングシステム：Ｍｏｂｉｌｅ Ｍａｐｐｉｎｇ Ｓｙｓｔｅｍ）を構成している。即ち、路面測定装置３００は、道路を含む所定の範囲をスキャンして路面測定装置３００が通過した道路及び道路周辺の構造物についての点群データ（道路点群データ）と、路面測定装置３００の移動軌跡を示す軌跡点列データと基準平面生成装置１００に出力する。 The point cloud data is acquired by the road surface measuring device 300. The road surface measuring apparatus 300 constitutes an MMS (Mobile Mapping System). That is, the road surface measuring device 300 scans a predetermined range including a road, and the point cloud data (road point cloud data) about the road and the structure around the road that the road surface measuring device 300 passes, and the road surface measuring device 300 The trajectory point sequence data indicating the movement trajectory and the reference plane generation device 100 are output.
基準平面生成装置１００は、取得した道路点群データに基づいて、軌跡に沿って順次処理を行う単位とする単位領域ＵＡを設定し、この単位領域ＵＡごとの道路点群データであるエリア点群データを抽出し、更にエリア点群データからこの単位領域における基準平面ＣＰを生成する。生成した基準平面ＣＰは、道路点群データ及び軌跡点データと共に路面評価装置２００に送出される。路面評価装置２００は、順次取得した基準平面ＣＰ、道路点群データ及び軌跡点列データを解析して道路の状態を判定する。 The reference plane generating apparatus 100 sets a unit area UA as a unit for sequentially performing processing along a trajectory based on the acquired road point cloud data, and an area point cloud that is road point cloud data for each unit area UA. Data is extracted, and a reference plane CP in this unit region is generated from the area point cloud data. The generated reference plane CP is sent to the road surface evaluation apparatus 200 together with road point cloud data and trajectory point data. The road surface evaluation apparatus 200 determines the state of the road by analyzing the reference plane CP, road point cloud data, and trajectory point sequence data acquired sequentially.
図２（ａ）に示すように、路面測定装置３００は、走行して移動する車両に搭載され、スキャナ及び画像による高精度な構造物４００の実測データを取得する。この測定は、スキャナ３１０の道路の周辺についてなされるが、構造物４００としては、道路４１０の他、信号、道路標識等の道路の付属物４２０、建築物４３０、立木４４０があり、路面測定装置３００は、これらについての点群データ及び画像を取得する。 As shown in FIG. 2A, the road surface measuring device 300 is mounted on a vehicle that travels and moves, and acquires highly accurate measurement data of the structure 400 using a scanner and images. This measurement is performed around the road of the scanner 310. The structure 400 includes a road 410, a road accessory 420 such as a signal and a road sign, a building 430, and a standing tree 440. 300 acquires point cloud data and images for these.
道路の評価を行う際には、道路以外のものについて得られた点群データが存在する道路の基準平面の設定等が正確にできない。このため、基準平面生成装置１００は、道路面以外から取得された点群データの影響を少なくする処理を行って基準平面を生成する。 When the road is evaluated, it is impossible to accurately set the reference plane of the road where the point cloud data obtained for other than the road exists. For this reason, the reference plane generating apparatus 100 generates a reference plane by performing processing that reduces the influence of point cloud data acquired from other than the road surface.
路面測定装置３００は、図２（ａ）に示すように、道路４１０を走行する車両３４０に搭載される。路面測定装置３００は、測定装置であるスキャナ３１０と、全周カメラ３２０と、ＧＮＳＳ（Ｇｌｏｂａｌ Ｎａｖｉｇａｔｉｏｎ Ｓａｔｅｌｌｉｔｅ Ｓｙｓｔｅｍ）装置３３０と、路面測定装置３００の姿勢検出装置、加速度計等を備える。路面測定装置３００はＧＮＳＳ装置で位置を取得しつつスキャナ３１０により車両３４０の斜め前方にスキャン光Ｌａをスパイラル状に走査して照射し、構造物４００である例えば道路４１０からの反射光Ｌｂを受信する。 The road surface measuring device 300 is mounted on a vehicle 340 traveling on a road 410 as shown in FIG. The road surface measuring device 300 includes a scanner 310 as a measuring device, an all-round camera 320, a GNSS (Global Navigation Satellite System) device 330, a posture detecting device of the road surface measuring device 300, an accelerometer, and the like. The road surface measuring device 300 receives the reflected light Lb from the structure 410, for example, the road 410, while the position is acquired by the GNSS device, and the scanner 310 scans and irradiates the scan light La in a spiral shape in front of the vehicle 340. To do.
路面測定装置３００は、この受信までの時間に基づいて道路の測定データ（道路点群データ）を取得する。このため、構造物４００における、スキャン光Ｌａの軌跡Ｔは、スパイラル状となる。なお、図２（ｂ）には、道路４１０に照射されたスキャン光Ｌａだけを記載している。スキャナ３１０には、３２個の測定素子が配置されている。この測定素子は発光素子と受光素子とを備え、発光素子からはパルス状に測定光が射出され、受光素子は構造物４００による測定光の反射を受光する。しかし、この反射光には道路４１０、付属物４２０、建築物４３０、立木４４０からの反射光や、太陽光によるノイズ、装置に起因するするノイズが含まれることがある。 The road surface measuring device 300 acquires road measurement data (road point cloud data) based on the time until reception. For this reason, the trajectory T of the scanning light La in the structure 400 has a spiral shape. In FIG. 2B, only the scanning light La irradiated on the road 410 is shown. In the scanner 310, 32 measurement elements are arranged. This measuring element includes a light emitting element and a light receiving element. The light emitting element emits measurement light in a pulse shape, and the light receiving element receives reflection of the measuring light by the structure 400. However, the reflected light may include reflected light from the road 410, the attachment 420, the building 430, and the standing tree 440, noise due to sunlight, and noise caused by the device.
また、路面測定装置３００は、同時に全周カメラ３２０により全周にわたり道路の画像を取得する。ＧＮＳＳ装置３３０は、人工衛星の電波をとらえ、路面測定装置３００の平面位置と高度を取得して路面測定装置３００の走行経路、即ち測定経路を取得する。そして、路面測定装置３００の座標を一定時間間隔、例えば１００回／秒間隔の軌跡点を取得して軌跡点列データを座標として出力する。 Further, the road surface measuring device 300 simultaneously acquires an image of the road over the entire circumference by the all-around camera 320. The GNSS device 330 captures the radio wave of the artificial satellite, acquires the plane position and altitude of the road surface measurement device 300, and acquires the travel route of the road surface measurement device 300, that is, the measurement route. The coordinates of the road surface measuring apparatus 300 are acquired at a certain time interval, for example, at 100 times / second intervals, and the locus point sequence data is output as coordinates.
基準平面生成装置１００は、長大な道路点群データを指定された範囲の単位領域ごとの基準平面ＣＰを、道路点群データ及び軌跡データを路面評価装置２００に順次送出する。路面評価装置２００は、この点群データを単位領域ＵＡごとに解析して路面性状の評価を行う。 The reference plane generation device 100 sequentially transmits the reference plane CP for each unit region in the range in which long road point cloud data is designated, and the road point cloud data and the trajectory data to the road surface evaluation device 200. The road surface evaluation apparatus 200 analyzes the point cloud data for each unit area UA and evaluates road surface properties.
図４は点群データの概略状態を示すものであり、（ａ）は単位領域における点群データの分布を模式的に示す斜視図、図５は点群データの中央値と距離とを示す模式図である。図４（ａ）に示すように、路面評価装置２００は、単位領域ＵＡごとに道路点群データと基準平面ＣＰと軌跡点列データとを受け取り、図４（ｂ）に示すように、道路の各位置における点群データの基準平面ＣＰからの離間量を算出し、この値を画像表示する等して道路の評価を行う。 FIG. 4 shows a schematic state of the point cloud data, (a) is a perspective view schematically showing the distribution of the point cloud data in the unit area, and FIG. 5 is a schematic diagram showing the median value and distance of the point cloud data. FIG. As shown in FIG. 4A, the road surface evaluation apparatus 200 receives the road point cloud data, the reference plane CP, and the trajectory point sequence data for each unit area UA, and as shown in FIG. The distance of the point cloud data at each position from the reference plane CP is calculated, and the road is evaluated by displaying this value as an image.
以下、基準平面生成装置１００について詳細に説明する。図１に示すように、基準平面生成装置１００は、単位領域切出部１１０、初期値算出部１２０、距離算出部１３０、寄与率算出部１４０、中央値・共分散行列更新部１５０、及び平面生成部１６０を備える。 Hereinafter, the reference plane generating apparatus 100 will be described in detail. As illustrated in FIG. 1, the reference plane generation apparatus 100 includes a unit region extraction unit 110, an initial value calculation unit 120, a distance calculation unit 130, a contribution rate calculation unit 140, a median / covariance matrix update unit 150, and a plane. A generation unit 160 is provided.
本実施形態に係る基準平面生成装置１００は、処理装置としてＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、主記憶装置としてＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、補助記憶装置としてＨＤＤ（Ｈａｒｄ Ｄｉｓｃ Ｄｒｉｖｅ）等を備えたコンピュータとして構成される。基準平面生成装置１００では、ＣＰＵによりプログラムを実行することにより基準平面生成装置１００が実現する手段、即ち単位領域切出部１１０、初期値算出部１２０、距離算出部１３０、寄与率算出部１４０、中央値・共分散行列更新部１５０、及び平面生成部１６０の機能を実現する。基準平面生成装置１００は点群データからの基準平面生成方法を実現するプログラムをインストールしたノート型のパーソナルコンピュータで実現できる。 The reference plane generating apparatus 100 according to the present embodiment includes a CPU (Central Processing Unit) as a processing device, a RAM (Random Access Memory) as a main storage device, a ROM (Read Only Memory), and an HDD (Hard Disc Drive) as an auxiliary storage device. And so on. In the reference plane generation apparatus 100, means realized by the reference plane generation apparatus 100 by executing a program by the CPU, that is, a unit area extraction unit 110, an initial value calculation unit 120, a distance calculation unit 130, a contribution rate calculation unit 140, The functions of the median / covariance matrix update unit 150 and the plane generation unit 160 are realized. The reference plane generation apparatus 100 can be realized by a notebook personal computer in which a program for realizing a reference plane generation method from point cloud data is installed.
単位領域切出部１１０は、路面測定装置３００から取得した道路点群データを単位領域ＵＡごとに切り出してエリア点群データとして出力する。単位領域ＵＡの大きさは必要に応じて設定することができるが、例えば車幅方向に４ｍ、測定方向に３ｍとすることができる。 The unit area cutout unit 110 cuts out the road point cloud data acquired from the road surface measuring device 300 for each unit area UA and outputs it as area point cloud data. The size of the unit area UA can be set as necessary. For example, the unit area UA can be 4 m in the vehicle width direction and 3 m in the measurement direction.
初期値算出部１２０は、エリア点群データの幾何中央値（メジアン）を算出する。幾何中央値Ｃは、測地座標系に基づく三次元座標につき、分布する道路点群データの幾何学的座標値の中央となる値を求める。これを幾何中央値の初期値Ｃ１として保存する。また、求めた幾何中央値Ｃを用いて、幾何中央値共分散行列の初期値Ｖ１を計算し、保存する。なお、点群データは測地系により出力座標系が異なり、経度・緯度による場合や、基準地点を原点としてx方向を東、y方向を北、z方向を標高とする方法など多様である。 The initial value calculation unit 120 calculates the geometric median (median) of the area point cloud data. The geometric median value C is a value that is the center of the geometric coordinate values of the distributed road point cloud data for the three-dimensional coordinates based on the geodetic coordinate system. This is stored as the initial geometric value C1. Also, using the obtained geometric median value C, the initial value V1 of the geometric median covariance matrix is calculated and stored. Note that the point cloud data has different output coordinate systems depending on the geodetic system, and there are various cases such as the case of longitude and latitude, the method of setting the reference point as the origin, the x direction as the east, the y direction as the north, and the z direction as the altitude.
距離算出部１３０は、幾何中央値Ｃｎとエリア点群データの各点Ｐｎとの距離Ｗｎを求める（図５参照）。なお、点群データは極座標など直交座標系（デカルト座標）以外で得られる場合もあり、点間距離を求めるにはピタゴラスの定理に限らず、所定の手法による。 The distance calculation unit 130 obtains a distance Wn between the geometric median value Cn and each point Pn of the area point cloud data (see FIG. 5). Note that the point cloud data may be obtained in a coordinate system other than Cartesian coordinate system (Cartesian coordinate) such as polar coordinates, and the distance between points is not limited to Pythagorean theorem, but by a predetermined method.
寄与率算出部１４０は、寄与率を計算する。寄与率は、各点について距離が大きくなるほど小さい値として、例えば距離の逆数（１／Ｗｎ）とする。寄与率は、Ｗｎが大きくなるに応じて値が小さくなるような任意の関数を用いることもできる。なお、寄与率の算出は、今回、各点の中央値からの距離の逆数に、任意の定数係数を乗じる関数としているが、指数や対数を用いるものや、更に複雑な関数を用いることもできる。寄与率を表す関数は、「中央値から離れるほど寄与率は小さくなる」という性質をもつものであれば差し支えない。 The contribution rate calculation unit 140 calculates a contribution rate. The contribution rate is set to a smaller value as the distance increases for each point, for example, the reciprocal of the distance (1 / Wn). As the contribution rate, an arbitrary function whose value decreases as Wn increases can be used. The calculation of the contribution rate is a function of multiplying the reciprocal of the distance from the median value of each point by an arbitrary constant coefficient. However, an exponent or logarithmic function or a more complicated function can be used. . The function representing the contribution rate may be any function as long as it has a property that “the contribution rate decreases as the distance from the median increases”.
中央値・共分散行列更新部１５０は、重み付き確率的勾配降下法によって、寄与率を付与しながら幾何中央値共分散行列Ｖを更新し、この更新を収束まで繰り返す。これにより、ノイズ成分による影響を軽減した基準平面ＣＰが生成できる。ここで「重み付き確率的勾配降下法」とは、最適化問題の解法として既知である確率的勾配降下法に重み付けを導入し、外れ値への影響を軽減すると共に局所解に陥ることを避ける処理である。 The median / covariance matrix updating unit 150 updates the geometric median covariance matrix V while giving the contribution rate by the weighted stochastic gradient descent method, and repeats this update until convergence. Thereby, it is possible to generate the reference plane CP in which the influence of the noise component is reduced. Here, the "weighted stochastic gradient descent method" introduces weighting to the probabilistic gradient descent method known as a solution to the optimization problem to reduce the influence on outliers and avoid falling into a local solution It is processing.
平面生成部１６０は、古典的ＰＣＡで用いられる幾何平均値、共分散行列の代わりに、中央値・共分散行列更新部１５０で更新された幾何中央値と幾何中央値分散共分散行列を用いて、基準平面ＣＰを計算する。 The plane generation unit 160 uses the geometric median and the geometric median variance covariance matrix updated by the median / covariance matrix update unit 150 instead of the geometric mean value and covariance matrix used in classical PCA. The reference plane CP is calculated.
以上の処理の流れをまとめると次のようになる。図６は本発明の実施形態に係る点群データからの基準平面生成方法の処理を示すフローチャートである。ここでは、単位領域ＵＡを定め、エリア点群データを取得するところから説明する。基準平面生成装置１００は、路面測定装置３００から単位領域点群データ（点群データＰ：点数Ｎ）を読み取る（ステップＳＴ１）。ついで、初期値算出部１２０により点群データＰのすべての点の座標から幾何中央値Ｃを算出する。これを幾何中央値の初期値Ｃ１として保存する。また、求めた幾何中央値Ｃを用いて、幾何中央値共分散行列の初期値Ｖ１を計算し保存する（ステップＳＴ２）。 The flow of the above processing is summarized as follows. FIG. 6 is a flowchart showing the process of the reference plane generation method from the point cloud data according to the embodiment of the present invention. Here, a description will be given from the point of determining the unit area UA and acquiring the area point cloud data. The reference plane generation device 100 reads unit area point cloud data (point cloud data P: score N) from the road surface measurement device 300 (step ST1). Next, a geometric median value C is calculated from the coordinates of all points in the point cloud data P by the initial value calculation unit 120. This is stored as the initial geometric value C1. In addition, using the obtained geometric median value C, the initial value V1 of the geometric median covariance matrix is calculated and stored (step ST2).
そして、ｎ＝１；ｎ≦Ｎ；ｎ＋＋に従って、ステップＳＴ４、ステップＳＴ５の処理を繰り返す（ステップＳＴ３〜ステップＳＴ７）。即ち、距離算出部１３０により点群データＰの点Ｐｎと幾何中央値Ｃｎとの距離Ｗｎを計算する（ステップＳＴ４）。そして、寄与率算出部１４０により寄与率ｕｎを計算し（ステップＳＴ５）、中央値・共分散行列更新部１５０で、寄与率ｕｎを乗じる重み付き確率的勾配降下法に基づき、幾何中央値Ｃｎと幾何中央値共分散行列Ｖｎを更新する（ステップＳＴ６）。 Then, the processes of step ST4 and step ST5 are repeated according to n = 1; n ≦ N; n ++ (step ST3 to step ST7). That is, the distance calculation unit 130 calculates the distance Wn between the point Pn of the point cloud data P and the geometric median value Cn (step ST4). Then, the contribution rate calculation unit 140 calculates the contribution rate un (step ST5), and the median / covariance matrix update unit 150 calculates the geometric median value Cn based on the weighted probabilistic gradient descent method by which the contribution rate un is multiplied. The geometric median covariance matrix Vn is updated (step ST6).
そして、Ｎ個の点に対して幾何中央値ＣｎとＶｎを更新し、得られた幾何中央値をＣＮ、幾何中央値共分散行列をＶＮとする。ついで、得られたＶＮとＣＮとを保存する（ステップＳＴ８）。そして、幾何中央値共分散行列の初期値Ｖ１と、ＶＮの各成分の二乗平方和を計算し（ステップＳＴ９）、これがあらかじめ定めた収束判定閾値εを下回っていない場合、ステップＳＴ１０により点群の各点の読み出し順をランダムにシャッフルする。そして、初期値Ｃ１とＶ１にそれぞれＣＮ、とＶＮを代入し（ステップＳＴ１１）、ステップＳＴ３〜ステップＳＴ７を繰り返す。これにより、各点の寄与率によって外れ値の影響が修正された中央値と共分散行列が得られる。 Then, the geometric median values Cn and Vn are updated for N points, and the obtained geometric median value is CN, and the geometric median covariance matrix is VN. Next, the obtained VN and CN are stored (step ST8). Then, the initial value V1 of the geometric median covariance matrix and the square sum of squares of each component of VN are calculated (step ST9), and if this is not less than the predetermined convergence determination threshold value ε, the point group is Randomly shuffle the reading order of each point. Then, CN and VN are substituted for initial values C1 and V1, respectively (step ST11), and steps ST3 to ST7 are repeated. As a result, a median and a covariance matrix in which the influence of outliers is corrected by the contribution rate of each point are obtained.
そして、平面生成部１６０が、収束するまで更新された幾何中央値と幾何中央値共分散行列を用いて、例えばＰＣＡにより平面フィッティングを行って基準平面ＣＰを生成し（ステップＳＴ１２）、結果を保存する（ステップＳＴ１３）。平面フィッティングには他の方法を用いることもできる。 Then, using the geometric median value and the geometric median value covariance matrix updated until convergence, the plane generation unit 160 generates a reference plane CP by performing plane fitting using, for example, PCA (step ST12), and stores the result. (Step ST13). Other methods can be used for plane fitting.
次に、基準平面生成までの一連の処理の計算方法について説明する。図７は幾何中央値と幾何中央値共分散行列の更新を行うための数式を示すものである。式１から式３は幾何中央値共分散行列の初期値Ｖ１と幾何中央値の初期値Ｃ１を求めるものであり、初期値算出部１２０に相当する。 Next, a calculation method of a series of processes until the reference plane generation will be described. FIG. 7 shows mathematical formulas for updating the geometric median and the geometric median covariance matrix. Equations 1 to 3 are used to obtain the initial value V1 of the geometric median covariance matrix and the initial value C1 of the geometric median, and correspond to the initial value calculator 120.
図７の式４は距離算出部１３０、式５は寄与率算出部１４０、式６から式９は中央値・共分散行列更新部１５０の処理を各点ごとに繰り返す計算式である。ｎは点群の点の番号であり、ｎ＝１からｎ＝Ｎ（Ｎは点全体の数）まで順不同にデータを読み込んで１点ごとに値を更新する。これを繰り返してｎ＝Ｎまで更新し、その段階でのＶＮ及びＣＮを保存する。 7 is a calculation formula that repeats the processing of the distance calculation unit 130, Formula 5 is the contribution rate calculation unit 140, and Formulas 6 to 9 are the median / covariance matrix update unit 150 for each point. n is the point number of the point group, and data is read in random order from n = 1 to n = N (N is the total number of points), and the value is updated for each point. This is repeated to update to n = N, and VN and CN at that stage are stored.
初期値Ｖ１及びＣ１をＶＮ及びＣＮとして代入し、再び同様に全点に対して更新処理を繰り返す。このとき点の読み出し順をランダムにシャッフルする。このように繰り返し処理１周回ごとに読み出し順をランダムにシャッフルすることにより、不適切な局所解に陥ることを回避し、最適解へ収束させることができる。収束するとＶ１とＶＮの各成分の差分の二乗和の差が非常に小さくなる。あらかじめ定めた収束判定閾値εを下回ったとき、収束したとみなして反復計算を終了する。 The initial values V1 and C1 are substituted as VN and CN, and the update process is repeated for all points in the same manner. At this time, the reading order of the points is shuffled randomly. In this way, by randomly shuffling the reading order for each round of the iterative process, it is possible to avoid falling into an inappropriate local solution and converge to the optimal solution. When it converges, the difference of the sum of squares of the difference between the components of V1 and VN becomes very small. When the value falls below a predetermined convergence judgment threshold ε, it is considered that the convergence has been completed, and the iterative calculation is terminated.
次に、基準平面生成装置１００による処理の結果を説明する。図８は本発明の実施形態に係る点群データへの基準平面生成装置の処理結果を示すものであり、（ａ）は生成された平面を示す模式図、（ｂ）はノイズが点群から生成した平面に対するノイズがある点群から生成した平面の傾きを処理方法別に示したグラフである。 Next, the result of processing by the reference plane generating apparatus 100 will be described. FIG. 8 shows the processing result of the reference plane generating apparatus for the point cloud data according to the embodiment of the present invention, (a) is a schematic diagram showing the generated plane, and (b) is the noise from the point cloud. It is the graph which showed the inclination of the plane produced | generated from the point group with noise with respect to the produced | generated plane according to the processing method.
図８（ａ）に示す図は、処理対象は、正方形の単位領域ＵＡに分布した点群データＰであり、この点群データＰには、大量インパルスノイズ（全体の１０％：振幅はランダム）を加えている。この条件で基準平面ＣＰを求めた。なお、基準平面ＣＰの法線をＮで示している。 In the diagram shown in FIG. 8A, the processing target is point cloud data P distributed in a square unit area UA. This point cloud data P includes a large amount of impulse noise (10% of the whole: the amplitude is random). Is added. The reference plane CP was determined under these conditions. A normal line of the reference plane CP is indicated by N.
図８（ａ）（ｉ）は実施形態に係る基準平面生成装置１００で処理した場合を示し、同（ｉｉ）は従来の方法で処理した場合を示している。まったく同一の点群データＰｎに対して実施形態に係る基準平面生成装置１００では、基準平面ＣＰが単位領域ＵＡ平面にほぼ沿っているのに対して、従来の方法では基準平面ＣＰが単位領域ＵＡに交差する方向に配置され、ノイズの影響を大きく受けることがわかる。 FIGS. 8A and 8I show a case where processing is performed by the reference plane generation apparatus 100 according to the embodiment, and FIG. 8I shows a case where processing is performed by a conventional method. In the reference plane generating apparatus 100 according to the embodiment for exactly the same point group data Pn, the reference plane CP is substantially along the unit area UA plane, whereas in the conventional method, the reference plane CP is the unit area UA. It can be seen that it is arranged in the direction intersecting with
図８（ｂ）（ｉ）はインパルスノイズの数を変化させ、同（ｉｉ）ではノイズの振幅を変化させた場合における本実施形態と従来例の結果を比較している。なお、各グラフにおいて縦軸はノイズがない理想的平面との法線角度差を示している。グラフ中「Ｗ−ＭＣＭ」が本実施形態に係る処理、「Ｏｕｒ」は実施形態に係る処理においてメモリ消費量を圧縮するため、点群データの一部を処理中にＲＡＭからＨＤＤへ一時的に保存して実施したものである。計算方法は同一であるが、ＲＡＭに保存できないような非常に大規模な点群データに対しても対応できることを示している。 FIGS. 8B and 8I change the number of impulse noises, and FIG. 8I compares the results of this embodiment and the conventional example when the noise amplitude is changed. In each graph, the vertical axis represents the normal angle difference from an ideal plane without noise. In the graph, “W-MCM” is the process according to the present embodiment, and “Our” is the process according to the embodiment. In order to compress the memory consumption, a part of the point cloud data is temporarily transferred from the RAM to the HDD during the process. Saved and implemented. This shows that the calculation method is the same, but it can cope with very large point cloud data that cannot be stored in the RAM.
各図により、本発明の実施形態は、公知の既存法である最小二乗法（ＬＳＦ：Least Square Fitting）、リッジ回帰（ＲＲ：Ridge Regression）、主成分分析（ＰＣＡ：Principal Component Analysis）、Ｗｅｉｓｚｆｅｌｄ法、幾何中央値を用いたＰＣＡ（ＭＣＭ−ＰＣＡ：MedianCovariation Matrix PCA）の各処理方法に比べてノイズ数やノイズ振幅を増加させても、生成される基準平面ＣＰの配置角度が変化せず、ノイズによる影響が少ないことがわかる。 According to each figure, the embodiment of the present invention is a known existing method, such as Least Square Fitting (LSF), Ridge Regression (RR), Principal Component Analysis (PCA), Weizfeld method. Even if the number of noises and the noise amplitude are increased as compared with each processing method of PCA (MCM-PCA: Median Covariation Matrix PCA) using the geometric median value, the arrangement angle of the generated reference plane CP does not change, and the noise It can be seen that there is little influence by.
１００：基準平面生成装置
１１０：単位領域切出部
１２０：初期値算出部
１３０：距離算出部
１４０：寄与率算出部
１５０：幾何中央値・共分散行列更新部
１６０：平面生成部
２００：路面評価装置
３００：路面測定装置
３１０：スキャナ
３２０：全周カメラ
３３０：ＧＮＳＳ装置
３４０：車両
４００：構造物
100: reference plane generation device 110: unit area extraction unit 120: initial value calculation unit 130: distance calculation unit 140: contribution rate calculation unit 150: geometric median / covariance matrix update unit 160: plane generation unit 200: road surface evaluation Device 300: Road surface measuring device 310: Scanner 320: All-around camera 330: GNSS device 340: Vehicle 400: Structure
Claims (5)
前記点群データの中央値を求め、
前記点群データの各点と前記中央値との距離を求め、
前記各点に前記距離が大きくなるほど小さい値となる寄与率を求め、
前記寄与率を乗じて基準平面を生成することを特徴とする点群データからの基準平面生成方法。 A method for generating a reference plane as an evaluation reference for the point cloud data from planar point cloud data indicating the position of each point of the road acquired by the measurement device moved along the measurement path,
Find the median of the point cloud data,
Find the distance between each point of the point cloud data and the median,
The contribution ratio which becomes a smaller value as the distance increases to each point is calculated,
A reference plane generation method from point cloud data, wherein a reference plane is generated by multiplying the contribution rate.
前記点群データの中央値を求める手段と、
前記点群データの各点と前記中央値との距離を求める手段と、
前記各点に前記距離が大きくなるほど小さい値となる寄与率を求める手段と、
前記寄与率を乗じて基準平面を生成する手段と、
を備えることを特徴とする点群データへの基準平面生成装置。
A device that generates a reference plane that serves as an evaluation reference for the point cloud data from planar point cloud data indicating the position of each point on the road acquired by the measurement device moved along the measurement path,
Means for obtaining a median of the point cloud data;
Means for obtaining a distance between each point of the point cloud data and the median;
Means for obtaining a contribution ratio that becomes a smaller value as the distance increases to each point;
Means for multiplying the contribution rate to generate a reference plane;
An apparatus for generating a reference plane for point cloud data.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017037624A JP6829626B2 (en) | 2017-02-28 | 2017-02-28 | Reference plane generation method and device from point cloud data |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017037624A JP6829626B2 (en) | 2017-02-28 | 2017-02-28 | Reference plane generation method and device from point cloud data |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2018141759A true JP2018141759A (en) | 2018-09-13 |
| JP6829626B2 JP6829626B2 (en) | 2021-02-10 |
Family
ID=63526624
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2017037624A Active JP6829626B2 (en) | 2017-02-28 | 2017-02-28 | Reference plane generation method and device from point cloud data |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6829626B2 (en) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2020098188A (en) * | 2018-09-27 | 2020-06-25 | バイドゥ オンライン ネットワーク テクノロジー （ベイジン） カンパニー リミテッド | Obstacle detection method, obstacle detection device, electronic apparatus, vehicle and storage medium |
| JP2021131281A (en) * | 2020-02-19 | 2021-09-09 | 株式会社Ｉｈｉインフラシステム | Flatness measurement device for concrete slab |
| CN114486571A (en) * | 2022-01-07 | 2022-05-13 | 武汉理工大学 | Pavement comprehensive performance evaluation method based on pavement service performance and structural performance |
| EP4131084A1 (en) | 2021-08-06 | 2023-02-08 | Fujitsu Limited | Program, data processing method, and data processing apparatus |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013101592A (en) * | 2011-10-12 | 2013-05-23 | Nippon Telegr & Teleph Corp <Ntt> | Three-dimensional coordinate calculation device, three-dimensional coordinate calculation method, and program |
| JP2013205130A (en) * | 2012-03-28 | 2013-10-07 | Zenrin Co Ltd | Method for generating road surface shape data, device for generating road surface shape data and computer program |
| WO2016031364A1 (en) * | 2014-08-29 | 2016-03-03 | 日立オートモティブシステムズ株式会社 | Method for manufacturing component and manufacturing device using such method, and volume measuring method |
| US20160177524A1 (en) * | 2014-12-18 | 2016-06-23 | Federal Signal Corporation | Vehicle With Internal and/or External Monitoring |
-
2017
- 2017-02-28 JP JP2017037624A patent/JP6829626B2/en active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013101592A (en) * | 2011-10-12 | 2013-05-23 | Nippon Telegr & Teleph Corp <Ntt> | Three-dimensional coordinate calculation device, three-dimensional coordinate calculation method, and program |
| JP2013205130A (en) * | 2012-03-28 | 2013-10-07 | Zenrin Co Ltd | Method for generating road surface shape data, device for generating road surface shape data and computer program |
| WO2016031364A1 (en) * | 2014-08-29 | 2016-03-03 | 日立オートモティブシステムズ株式会社 | Method for manufacturing component and manufacturing device using such method, and volume measuring method |
| US20160177524A1 (en) * | 2014-12-18 | 2016-06-23 | Federal Signal Corporation | Vehicle With Internal and/or External Monitoring |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2020098188A (en) * | 2018-09-27 | 2020-06-25 | バイドゥ オンライン ネットワーク テクノロジー （ベイジン） カンパニー リミテッド | Obstacle detection method, obstacle detection device, electronic apparatus, vehicle and storage medium |
| US11393219B2 (en) | 2018-09-27 | 2022-07-19 | Apollo Intelligent Driving Technology (Beijing) Co., Ltd. | Method and apparatus for detecting obstacle, electronic device, vehicle and storage medium |
| JP2021131281A (en) * | 2020-02-19 | 2021-09-09 | 株式会社Ｉｈｉインフラシステム | Flatness measurement device for concrete slab |
| JP7366797B2 (en) | 2020-02-19 | 2023-10-23 | 株式会社Ｉｈｉインフラシステム | Concrete slab flatness measuring device |
| EP4131084A1 (en) | 2021-08-06 | 2023-02-08 | Fujitsu Limited | Program, data processing method, and data processing apparatus |
| CN114486571A (en) * | 2022-01-07 | 2022-05-13 | 武汉理工大学 | Pavement comprehensive performance evaluation method based on pavement service performance and structural performance |
| CN114486571B (en) * | 2022-01-07 | 2023-11-07 | 武汉理工大学 | Pavement comprehensive performance evaluation method based on pavement service performance and structural performance |
Also Published As
| Publication number | Publication date |
|---|---|
| JP6829626B2 (en) | 2021-02-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ruchti et al. | Localization on openstreetmap data using a 3d laser scanner | |
| JP2018141759A (en) | Reference plane creation method from point group data and device | |
| ES2458790T3 (en) | Procedure to rule on the suitability of a soil surface as a landing zone or rolling surface for aircraft | |
| KR101964100B1 (en) | Object detection apparatus based on neural network learning and method of the same | |
| JP6777403B2 (en) | Object recognition device and program | |
| Qin et al. | Toward an optimal algorithm for LiDAR waveform decomposition | |
| Park et al. | Radar localization and mapping for indoor disaster environments via multi-modal registration to prior LiDAR map | |
| JP6745169B2 (en) | Laser measuring system and laser measuring method | |
| JP5981886B2 (en) | Point cloud analysis processing device, point cloud analysis processing method, and program | |
| JP6333396B2 (en) | Method and apparatus for measuring displacement of mobile platform | |
| JP6073944B2 (en) | Laser measurement system, reflection target body, and laser measurement method | |
| Abed et al. | Echo amplitude normalization of full-waveform airborne laser scanning data based on robust incidence angle estimation | |
| CN112379393B (en) | Train collision early warning method and device | |
| JP6099728B1 (en) | Laser measurement system and laser measurement method | |
| RU2686279C1 (en) | Ledges detection device and the ledges detection method | |
| CN113466827B (en) | Denoising method based on improved local sparse algorithm | |
| JP6397386B2 (en) | Region division processing apparatus, method, and program | |
| KR101074277B1 (en) | Boundary extraction apparatus and method of structure | |
| CN113256483A (en) | De-dithering of point cloud data for target identification | |
| Shan et al. | Urban terrain and building extraction from airborne LIDAR data | |
| Harmening et al. | Terrestrial laserscanning-modeling of correlations and surface deformations | |
| RU2625091C1 (en) | Method of road surface cross cut smoothness (wheel tracking) determining | |
| JP2011226880A (en) | Measuring device, measuring method and measuring program | |
| Huang et al. | Ground filtering algorithm for mobile LIDAR using order and neighborhood point information | |
| JP7366227B1 (en) | Ground point extraction device, ground point extraction method and program |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20170301 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200228 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20201216 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20201225 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210122 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6829626 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |