TW201729960A - 基於立體視覺的隨機地圖產生和貝氏更新 - Google Patents

基於立體視覺的隨機地圖產生和貝氏更新 Download PDF

Info

Publication number
TW201729960A
TW201729960A TW105135463A TW105135463A TW201729960A TW 201729960 A TW201729960 A TW 201729960A TW 105135463 A TW105135463 A TW 105135463A TW 105135463 A TW105135463 A TW 105135463A TW 201729960 A TW201729960 A TW 201729960A
Authority
TW
Taiwan
Prior art keywords
pdf
map
voxel
determining
voxels
Prior art date
Application number
TW105135463A
Other languages
English (en)
Inventor
艾利亞卡巴 艾格莫哈瑪迪
紹拉夫 艾加瓦
奇朗 索瑪桑達蘭
夏爾甘 歐米德夏菲艾
克里斯多夫 洛特
巴迪亞費拉 貝哈巴迪
薩拉佩吉 吉布森
卡西米爾馬修 維爾辛司基
葛哈德 萊特麥爾
塞拉芬 迪亞茲斯平多拉
Original Assignee
高通公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 高通公司 filed Critical 高通公司
Publication of TW201729960A publication Critical patent/TW201729960A/zh

Links

Classifications

    • 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
    • G06T17/05—Geographic models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1694—Programme controls characterised by use of sensors other than normal servo-feedback from position, speed or acceleration sensors, perception control, multi-sensor controlled systems, sensor fusion
    • B25J9/1697—Vision controlled systems
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/008—Artificial life, i.e. computing arrangements simulating life based on physical entities controlled by simulated intelligence so as to replicate intelligent life forms, e.g. based on robots replicating pets or humans in their appearance or behaviour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • 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
    • Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
    • Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10S901/00—Robots
    • Y10S901/46—Sensing device
    • Y10S901/47—Optical

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Algebra (AREA)
  • Remote Sensing (AREA)
  • Probability & Statistics with Applications (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Automation & Control Theory (AREA)
  • Medical Informatics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Robotics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Graphics (AREA)
  • Mechanical Engineering (AREA)
  • Image Processing (AREA)

Abstract

一種用於產生地圖的方法包括以下步驟：決定多個體素之每一者體素的佔用程度。該方法亦包括以下步驟：決定每個體素的佔用程度的概率分佈函數（PDF）。該方法進一步包括以下步驟：基於在決定PDF之後所執行的量測來對PDF執行增量貝氏更新以產生地圖。

Description

基於立體視覺的隨機地圖產生和貝氏更新
本案的某些態樣大體而言係關於機器學習，且更特定言之係關於改良維持地圖上的概率分佈函數（PDF）的系統和方法。
在一些情形中，期望決定自主車輛（諸如機器人）在給定區域內的位置。在其他情形中，在給定機器人位置的情況下，期望產生機器人周圍環境的地圖。可經由增量辦法或批次處理辦法來產生地圖。
經由批次處理辦法產生的地圖可在已遍及要繪製地圖的環境搜集到多個感測器量測之後一次產生。亦即，在批次處理辦法中，要繪製地圖的環境中的所有資料是在計算地圖之前搜集的。然而，在一些情形中，機器人可能無法在計算地圖之前搜集環境中的所有資料。
因此，在一些情形中，增量辦法被指定用於產生地圖。經由增量辦法產生的地圖可基於從機器人附近收集的初始資料來計算，並用每個新的感測器量測來更新。每個新的感測器量測可基於機器人改變該機器人的位置、從相同位置量測不同區域，或執行相同的冗餘量測。對於增量辦法，感測器量測是相互獨立的。因此，機器人可在計算地圖時使用假定。由此，在計算增量地圖時可能存在一些不決定性。
在本案的一個態樣，揭示一種用於產生地圖的方法。該方法包括以下步驟：決定每個體素的佔用程度。該方法亦包括以下步驟：決定每個體素的佔用程度的概率分佈函數（PDF）。該方法進一步包括以下步驟：基於在決定PDF之後所執行的量測來對PDF執行增量貝氏更新以產生地圖。
本案的另一態樣涉及一種裝置，其包括用於決定多個體素之每一者體素的佔用程度的構件。該裝置亦包括用於決定每個體素的佔用程度的PDF的構件。該裝置進一步包括用於基於在決定PDF之後所執行的量測來對PDF執行增量貝氏更新以產生地圖的構件。
在本案的另一態樣，揭示一種其上記錄有非暫時性程式碼的非暫時性電腦可讀取媒體。用於產生地圖的程式碼由處理器執行並且包括用於決定每個體素的佔用程度的程式碼。該程式碼亦包括用於決定每個體素的佔用程度的PDF的程式碼。該程式碼進一步包括用於基於在決定PDF之後所執行的量測來對PDF執行增量貝氏更新以產生地圖的程式碼。
本案的另一態樣涉及一種用於產生地圖的裝置，其具有記憶體單元和耦合至該記憶體單元的一或多個處理器。（諸）處理器被配置成決定多個體素之每一者體素的佔用程度。（諸）處理器亦被配置成決定每個體素的佔用程度的PDF。（諸）處理器被進一步配置成基於在決定PDF之後所執行的量測來對PDF執行增量貝氏更新以產生地圖。
本案的附加特徵和優點將在下文描述。熟習此項技術者應該領會，本案可容易地被用作修改或設計用於實施與本案相同的目的的其他結構的基礎。熟習此項技術者亦應認識到，此種等效構造並不脫離所附請求項中所闡述的本案的教示。被認為是本案的特性的新穎特徵在其組織和操作方法兩方面連同進一步的目的和優點在結合附圖來考慮以下描述時將被更好地理解。然而，要清楚理解的是，提供每一幅附圖均僅用於說明和描述目的，且無意作為對本案的限定的定義。
下文結合附圖闡述的詳細描述意欲作為各種配置的描述，而無意表示可實踐本文中所描述的概念的僅有的配置。本詳細描述包括具體細節以便提供對各種概念的透徹理解。然而，對於熟習此項技術者將顯而易見的是，沒有該等具體細節亦可實踐該等概念。在一些實例中，以方塊圖形式圖示眾所周知的結構和元件以避免湮沒此類概念。
基於本教示，熟習此項技術者應領會，本案的範疇意欲覆蓋本案的任何態樣，不論其是與本案的任何其他態樣相獨立地還是組合地實現的。例如，可以使用所闡述的任何數目的態樣來實現裝置或實踐方法。另外，本案的範疇意欲覆蓋使用作為所闡述的本案的各個態樣的補充或者與之不同的其他結構、功能性，或者結構及功能性來實踐的此類裝置或方法。應當理解，所揭示的本案的任何態樣可由請求項的一或多個元素來實施。
措辭「示例性」在本文中用於表示「用作示例、實例或說明」。本文中描述為「示例性」的任何態樣不必被解釋為優於或勝過其他態樣。
儘管本文描述了特定態樣，但該等態樣的眾多變體和置換落在本案的範疇之內。儘管提到了優選態樣的一些益處和優點，但本案的範疇並非意欲被限定於特定益處、用途或目標。相反，本案的各態樣意欲能寬泛地應用於不同的技術、系統配置、網路和協定，其中一些作為實例在附圖以及以下對優選態樣的描述中說明。詳細描述和附圖僅僅說明本案而非限定本案，本案的範疇由所附請求項及其等效技術方案來定義。
對於自主系統（諸如機器人），期望構造機器人周圍環境的準確地圖。可經由感測器（諸如立體視覺感測器）來產生地圖。此外，在為大型環境構造地圖時，增大體素大小以使計算保持易於處理。
在一種配置中，為決定地圖，地圖可被劃分成體素（例如，單元）。每個體素可具有以下狀態：被佔用（例如，滿）、部分被佔用，或空。在使用增量辦法（例如，增量資料）來產生地圖時，習知技術可能計算出不一致的地圖，可能不計及所決定的體素佔用程度的不決定性，及/或可能不決定體素的佔用程度（例如，滿、部分滿，或空）。例如，在習知系統中，在使用增量辦法來計算地圖時，體素要麼是0（例如，空）要麼是1（例如，滿）。由此，習知系統在計算地圖時不考慮體素的佔用程度。在本案中，佔用程度可以指在空間上的佔用比率。此外，佔用程度亦可被稱為佔用率及/或密度。
本案的各態樣涉及產生基於體素的一致增量地圖。此外，在給定由自主設備（諸如機器人）觀察到的資料的情況下，本案的各態樣決定體素的佔用程度，並且亦決定佔用程度的概率分佈函數（PDF）。
圖1圖示了根據本案的某些態樣使用晶片上系統（SOC）100進行前述的維持單元的PDF的示例性實現100，SOC 100可包括通用處理器（CPU）或多核通用處理器（CPU）102。變數（例如，神經信號和突觸權重）、與計算設備相關聯的系統參數（例如，帶有權重的神經網路）、延遲、頻段資訊，以及任務資訊可被儲存在與神經處理單元（NPU）108相關聯的記憶體區塊、與CPU 102相關聯的記憶體區塊、與圖形處理單元（GPU）104相關聯的記憶體區塊、與數位信號處理器（DSP）106相關聯的記憶體區塊、專用記憶體區塊118中，或可跨多個區塊分佈。在通用處理器102處執行的指令可從與CPU 102相關聯的程式記憶體載入或可從專用記憶體區塊118載入。
SOC 100亦可包括為具體功能定制的附加處理區塊（諸如GPU 104、DSP 106、連通性區塊110（連通性區塊110可包括第四代長期進化（4G LTE）連通性、未授權Wi-Fi連通性、USB連通性、藍芽連通性等））以及例如可偵測和辨識姿勢的多媒體處理器112。在一種實現中，NPU實現在CPU、DSP，及/或GPU中。SOC 100亦可包括感測器處理器114、圖像信號處理器（ISP）116，及/或導覽120（導覽120可包括全球定位系統）。
SOC可基於ARM指令集。在本案的一態樣，被載入到通用處理器102中的指令可包括用於決定複數個體素之每一者體素的佔用程度的代碼。通用處理器102亦可包括用於決定概率分佈函數（PDF）的代碼。此外，通用處理器102可進一步包括用於基於在決定PDF之後所執行的量測來對PDF執行增量貝氏更新以產生地圖的代碼。
圖2圖示了根據本案的某些態樣的系統200的示例性實現。如圖2中所圖示的，系統200可具有可執行本文所描述的方法的各種操作的多個局部處理單元202。每個局部處理單元202可包括局部狀態記憶體204和可儲存神經網路的參數的局部參數記憶體206。另外，局部處理單元202可具有用於儲存局部模型程式的局部（神經元）模型程式（LMP）記憶體208、用於儲存局部學習程式的局部學習程式（LLP）記憶體210，以及局部連接記憶體212。此外，如圖2中所圖示的，每個局部處理單元202可與用於為該局部處理單元的各局部記憶體提供配置的配置處理器單元214介接，並且與提供各局部處理單元202之間的路由的路由連接處理單元216介接。
在一種配置中，地圖產生模型被配置成用於決定複數個體素之每一者體素的佔用程度、決定佔用程度的PDF，以及基於在決定PDF之後所執行的量測來對PDF執行增量貝氏更新以產生地圖。該模型包括決定構件及/或執行構件。在一個態樣，決定構件及/或執行構件可以是配置成執行所敘述功能的通用處理器102、與通用處理器102相關聯的程式記憶體、記憶體區塊118、局部處理單元202，及/或路由連接處理單元216。在另一配置中，前述構件可以是被配置成執行由前述構件所敘述的功能的任何模組或任何裝置。
根據本案的某些態樣，每個局部處理單元202可被配置成基於模型的一或多個期望功能特徵來決定模型的參數，以及隨著所決定的參數被進一步調適、調諧和更新來使該一或多個功能特徵朝著期望的功能特徵發展。 基於立體視覺的隨機地圖產生和貝氏更新。
如先前所論述的，本案的各態樣涉及決定每個體素的佔用程度以及決定所決定的佔用程度的置信水平。在給定由設備（諸如機器人）（例如，自主設備）觀察到的資料的情況下，置信水平可被稱為體素的概率分佈函數（PDF）。地圖的置信水平可基於地圖之每一者體素的置信水平。
在一種配置中，地圖繪製模組被指定用於設備（諸如機器人）。地圖繪製模組可以是數位信號處理器（DSP）、應用處理器、圖形處理單元（GPU），及/或另一模組。可指定地圖繪製模組以改良使用增量資料所產生的地圖的準確性。此外，地圖繪製模組可以處理體素的佔用程度（例如，啟用較大體素並且降低計算複雜度），及/或在地圖構造中納入感測器模型，諸如隨機感測器模型。另外，地圖繪製模組可以處理地圖中的體素的佔用程度，並且決定所決定的佔用率的置信水平。最後，地圖繪製模組可被用於改良不決定性情況下的規劃。本案的各態樣涉及為機器人產生地圖。然而，該等地圖不限於被產生用於機器人，並且亦構想了用於任何類型的設備，諸如舉例而言汽車、飛機、船，及/或人類。此外，在一種配置中，該設備是自主的。
圖3A、圖3B和圖3C圖示了根據本案各態樣的機器人執行量測的實例。圖3A圖示了機器人300經由機器人300的一或多個感測器（未圖示）執行量測的實例。量測可以指基於射線是否被體素截斷所獲得的量測。當然，本案的各態樣不限於量測射線，並且亦構想了用於其他類型的量測。如圖3A所示，機器人300的感測器可具有量測錐（cone）302，以使得該感測器接收來自錐302內的區域304的量測。
如圖3B所示，根據本案的一態樣，機器人300可被置於要繪製地圖的環境306中。要繪製地圖的環境306可包括多個體素308。如圖3B所示，基於由感測器作出的量測，感測器可決定量測錐302內每個體素308的佔用程度。應注意，圖3B的體素308用於說明目的，本案的體素並不限於圖3B中圖示的體素大小或數目。
如圖3C所示，根據本案的一態樣，機器人300可在不同位置處執行量測。對於增量辦法，基於在第一位置處獲得的量測來產生地圖，並且隨著機器人移至要繪製地圖的環境306中的不同位置而更新所產生的地圖。在不同時間（例如，不同時間步階）執行不同位置處的量測。例如，機器人300可在第一時間在第一位置處執行第一量測，並且在第二時間在第二位置處執行第二量測。
圖4圖示了根據本案各態樣的要繪製地圖的環境400的實例。如圖4所示，機器人（未圖示）可建立要繪製地圖的環境400的網格。該網格形成多個體素402。此外，在此實例中，物體404在要繪製地圖的環境400內。由此，如圖4所示，一些體素402為空，一些體素402A-402F被部分佔用，並且一個體素402G被完全佔用。
如圖3B、圖3C和圖4所示，要繪製地圖的環境可被表示為網格。網格之每一者單元可被稱為體素。此外，如先前所論述的，每個體素具有佔用程度。佔用程度可被稱為佔用率及/或密度。佔用程度（d ）可以是具有均值和方差的變數，諸如隨機變數。
佔用程度的均值可根據下式計算：
佔用程度的方差可根據下式計算：
該均值和方差是根據所獲得的所有量測（z0:k ）來決定的。在習知系統中，未針對體素的量測指定不決定性。例如，在習知系統中，若所報告的佔用程度（例如，單元後驗）是0.5，則路線規劃器不能決定此0.5是由少許量測還是由數百個量測產生的。由此，該佔用程度的可靠性是未知的。因此，習知系統可能由於不準確的假定而導致不一致的地圖。
在決定多個體素之每一者體素的佔用程度（諸如均值佔用程度）之後，期望決定所決定的佔用程度的置信水平（例如，概率）。例如，若多個量測已指示體素被佔用，則與其中僅有一個量測已指示體素被佔用的情況相比該體素被佔用的概率較高。此外，若體素的佔用程度具有低置信水平（例如，置信水平低於閾值），則機器人可移至各個位置以採取附加量測來改良佔用程度的置信度。
在一種配置中，更新規則被指定以決定地圖（m ）的體素i 的佔用程度（d ）的概率（p ）。概率（p ）可被稱為概率分佈函數（PDF），PDF包括均值、方差（例如，佔用程度的置信度）。在一種配置中，均值和方差可從體素佔用程度的PDF中提取。此外，可基於均值和方差來規劃路線。路線規劃以及提取可如以AGHAMOHAMMADI等人的名義於2015年12月2日提出申請的美國臨時專利申請案第62/262,275中描述的一般來執行，該臨時專利申請案的揭示內容全部經由援引明確納入於此。
該概率可基於式1來決定。在一種配置中，使用較低階函數來近似該概率。(1)
在式1中，z0:k 是已由感測器從時間步階0到時間步階k收集的量測，並且xv0:k 是已由感測器從時間步階0到時間步階k量測的位置。具體而言，x 是相機的中心且v 是圖元位置，以使得xv 定義來自感測器的量測射線的方向。亦即，在給定了由探訪位置（xv0:k ）索引的所獲得量測（z0:k ）的情況下，式1決定體素i 的佔用程度（）的概率。量測（z0:k ）是指經由感測器接收到的圖像/量測。
如式1所示，地圖（m ）的體素i 處的佔用程度（）的概率（p ）基於來自先前時間步階的體素i 的佔用程度（）的概率。由此，期望計算項以增量式地更新地圖。亦即，若計算出，則在時間步階k 處體素i 的佔用程度（）的概率（例如，）可基於體素i 在先前時間步階k-1 處的佔用程度的概率（）來計算。具體而言，經由計算，可對先前決定的多個體素之每一者體素的佔用程度的概率執行增量貝氏更新以產生地圖。此外，可遞迴地計算與每個體素的佔用程度的概率（例如，）相關聯的多項式係數來執行增量貝氏更新。
在決定體素的佔用程度時，期望決定何者量測對決定該體素的佔用程度作出了貢獻。亦即，體素i 的佔用程度（）基於資料歷史（）。本案的各態樣考慮資料歷史的子集，該資料歷史的子集包括關於第i 個體素的直接資訊。在一種配置中，感測器維持對決定體素i 的佔用程度作出了貢獻的資料的歷史（Hi ）：(2)
在式2中，包括基於體素i 是否落入用於時間步階k 處的量測的感測器錐（sensor cone）中而對體素i 的量測作出貢獻的資料。
圖5圖示了根據本案的一態樣的量測錐500的實例。如圖5所示，量測射線502從相機的中心（x ）504產生，並且被發送穿過圖元位置（v ）506。此外，如圖5所示，多個體素508可落在量測射線502的量測錐500內。由此，對於當前時間步階k ，對於落在該量測錐內的每個體素（諸如體素i ），資料（）被添加至對決定體素i 的佔用程度作出了貢獻的量測歷史（Hi ）。來自最新量測和位置的資料可被用於增量貝氏更新。
對於一時間步階處的量測，感測器決定何者體素落在了量測錐內並且更新落在量測錐內的體素的佔用程度的概率。可在每個時間步階處執行一個量測。亦即，當多個體素之每一者體素位於新量測射線的量測錐內時，為每個體素更新式1。在一種配置中，當執行新量測時，針對新量測計算和，並且根據來更新來自先前時間步階的概率以決定當前時間步階的概率。每個量測（z ）與由位置（xv ）索引的量測射線相關聯。由此，是量測射線到達體素i 的概率（例如，射線可達性概率）。變數hk 可如下定義：(3)
圖6A和圖6B圖示了根據本案各態樣的量測射線600的實例。如圖6A所示，量測射線600可在朝第一體素604的方向（例如，xv ）上從感測器602傳送穿過圖元606。在此實例中，量測射線穿過多個體素608，並且在感測器602與第一體素604之間不存在物體。由此，可指示量測射線600將到達第一體素604的較高概率（例如，概率為1）。
如圖6B所示，量測射線600可在朝第一體素604的方向（例如，xv ）上從感測器602傳送穿過圖元606。在此實例中，在多個體素608中的第二體素610中存在物體，以使得該物體完全佔用在感測器602與第一體素604之間的第二體素610。由此，可指示量測射線600將到達第一體素604的較低概率（例如，概率為0）。
此外，rk 是基於在量測射線已被截斷時獲得量測（z ）的概度（例如，在給定地圖且排除原因的情況下的量測概度）除以在射線已被反射時獲得量測（z ）的概度（例如，在給定原因的情況下的量測概度）的比值。變數rk 可被定義為：(4)
在式4中，定義了在位置（）處在量測射線已從體素i 反射（例如，回彈）（）時獲得對體素i 在時間步階k 處的量測（zk ）的概率。亦即，定義了體素i 是量測射線回彈的原因的概率。此外，定義了在位置（）處在量測射線未從體素i 反射（例如，回彈）但已從另一體素反射（）時獲得對體素i 在時間步階k 處的量測（zk ）的概率。亦即，rk 為否定概度（例如，在體素i 不是量測射線回彈的原因時獲得對體素i 的量測）與肯定概度（例如，在體素i 是量測射線回彈的原因時獲得對體素i 的量測）之比值。
根據本案的各態樣，對於每個量測，系統決定落在量測錐內的體素。此外，可針對落在量測錐內的每個體素計算rk 和hk 。最後，使用先前時間步階的概率以及所計算出的rk 和hk 根據式1來決定體素i 的概率（例如，PDF）。作為實例，體素可在第一時間步階處具有第一PDF，隨後該PDF基於在第二時間步階處執行的量測被更新以產生第二PDF，並且第二PDF基於在第三時間步階處執行的量測被再次更新以產生第三PDF。可在每個時間步階處產生地圖，以使得地圖基於地圖中體素的經更新PDF被增量式地更新。
如先前所論述的，經由針對位於一量測的量測錐內的每個體素計算rk 和hk ，可對位於該量測錐內的每個體素的佔用程度的概率執行增量貝氏更新。在一種配置中，貝氏更新基於如以AGHAMOHAMMADI等人的名義於2015年12月2日提出申請的美國臨時專利申請案第62/262,339中描述的隨機地圖及/或概率性感測器模型，該臨時專利申請案的揭示內容全部經由援引明確納入於此。該感測器模型計及隨機地圖和感測器可變性。
在另一配置中，增量貝氏更新可在諸體素上被並行化。例如，若多個體素在時間步階k 處位於量測錐中，則每個體素的增量貝氏更新可由不同的處理元件來處理，以使得在諸體素上執行增量貝氏更新的並行化。亦即，每個處理元件處理一增量貝氏更新以使諸體素上的增量貝氏更新並行化。
本案的各態樣已描述了用於執行量測的感測器，諸如立體視覺感測器。當然，本案的各態樣並不限於立體視覺感測器，同樣地亦構想了用於執行量測的其他類型的感測器，諸如舉例而言雷達感測器、熱感測器、聲納感測器，及/或鐳射感測器。
圖7圖示了用於產生地圖的方法700。在方塊702，系統決定多個體素之每一者體素的佔用程度。在一些態樣，佔用程度是基於均值佔用程度來決定的。此外，在方塊704，系統決定佔用程度的PDF。最後，在方塊706，系統基於在決定PDF之後所執行的量測來對PDF執行增量貝氏更新以產生地圖。
在一些態樣，在方塊708，機器人可任選地基於以下至少一者來執行增量貝氏更新：隨機地圖、概率性感測器模型，或其組合。替換地，在方塊710，機器人可任選地經由遞迴地計算與PDF相關聯的多項式係數來執行增量貝氏更新。在一些態樣，在方塊712，機器人可任選地用較低階函數來決定PDF。在一些態樣，在方塊714，機器人可任選地從PDF中提取均值和方差。在一些態樣，在方塊716，機器人可任選地基於均值和方差來規劃路線。在一些態樣，在方塊718，機器人可任選地使諸體素上的增量貝氏更新並行化。
在一些態樣，方法700可經由SOC 100（圖1）或系統200（圖2）來執行。亦即，舉例而言但不作為限定，方法700的每個元素可由SOC 100或系統200，或者一或多個處理器（例如，CPU 102和局部處理單元202）及/或其中包括的其他元件來執行。
上文所描述的方法的各種操作可由能夠執行相應功能的任何合適的構件來執行。該等構件可包括各種硬體及/或軟體元件及/或模組，包括但不限於電路、特殊應用積體電路（ASIC），或處理器。一般而言，在附圖中有圖示的操作的場合，彼等操作可具有帶相似編號的相應配對手段功能元件。
如本文所使用的，術語「決定」涵蓋各種各樣的動作。例如，「決定」可包括演算、計算、處理、推導、研究、檢視（例如，在表、資料庫或另一資料結構中檢視）、探知及諸如此類。另外，「決定」可包括接收（例如接收資訊）、存取（例如存取記憶體中的資料），及類似動作。而且，「決定」可包括解析、選擇、選取、確立及類似動作。
如本文所使用的，引述一列項目中的「至少一個」的短語是指該等項目的任何組合，包括單個成員。作為實例，「a、b或c中的至少一個」意欲涵蓋：a、b、c、a-b、a-c、b-c，以及a-b-c。
結合本案所描述的各種說明性邏輯區塊、模組，以及電路可用設計成執行本文所描述功能的通用處理器、數位信號處理器（DSP）、特殊應用積體電路（ASIC）、現場可程式設計閘陣列信號（FPGA）或其他可程式設計邏輯設備（PLD）、個別閘門或電晶體邏輯、個別的硬體元件或其任何組合來實現或執行。通用處理器可以是微處理器，但在替換方案中，處理器可以是任何市售的處理器、控制器、微控制器，或狀態機。處理器亦可以被實現為計算設備的組合，例如DSP與微處理器的組合、複數個微處理器、與DSP核心協同的一或多個微處理器，或任何其他此類配置。
結合本案描述的方法或演算法的步驟可直接在硬體中、在由處理器執行的軟體模組中，或在該兩者的組合中實施。軟體模組可常駐在本領域所知的任何形式的儲存媒體中。可使用的儲存媒體的一些實例包括隨機存取記憶體（RAM）、唯讀記憶體（ROM）、快閃記憶體、可抹除可程式設計唯讀記憶體（EPROM）、電可抹除可程式設計唯讀記憶體（EEPROM）、暫存器、硬碟、可移除磁碟、CD-ROM，等等。軟體模組可包括單一指令，或許多指令，且可分佈在若干不同的程式碼片段上，分佈在不同的程式間以及跨多個儲存媒體分佈。儲存媒體可被耦合到處理器以使得該處理器能從/向該儲存媒體讀寫資訊。在替換方案中，儲存媒體可以被整合到處理器。
本文所揭示的方法包括用於實現所描述的方法的一或多個步驟或動作。該等方法步驟及/或動作可以彼此互換而不會脫離請求項的範疇。換言之，除非指定了步驟或動作的特定次序，否則具體步驟及/或動作的次序及/或使用可以改動而不會脫離請求項的範疇。
所描述的功能可在硬體、軟體、韌體或其任何組合中實現。若以硬體實現，則示例性硬體配置可包括設備中的處理系統。處理系統可以用匯流排架構來實現。取決於處理系統的具體應用和整體設計約束，匯流排可包括任何數目的互連匯流排和橋接器。匯流排可將包括處理器、機器可讀取媒體，以及匯流排介面的各種電路連結在一起。匯流排介面可用於尤其將網路配接器等經由匯流排連接至處理系統。網路配接器可用於實現信號處理功能。對於某些態樣，使用者介面（例如，按鍵板、顯示器、滑鼠、操縱桿，等等）亦可以被連接到匯流排。匯流排亦可以連結各種其他電路，諸如定時源、周邊設備、穩壓器、功率管理電路以及類似電路，該等電路在本領域中是眾所周知的，因此將不再進一步描述。
處理器可負責管理匯流排和一般處理，包括執行儲存在機器可讀取媒體上的軟體。處理器可用一或多個通用及/或專用處理器來實現。實例包括微處理器、微控制器、DSP處理器，以及其他能執行軟體的電路系統。軟體應當被寬泛地解釋成意指指令、資料，或其任何組合，無論是被稱作軟體、韌體、中間軟體、微代碼、硬體描述語言，或其他。作為實例，機器可讀取媒體可包括隨機存取記憶體（RAM）、快閃記憶體、唯讀記憶體（ROM）、可程式設計唯讀記憶體（PROM）、可抹除可程式設計唯讀記憶體（EPROM）、電可抹除可程式設計唯讀記憶體（EEPROM）、暫存器、磁碟、光碟、硬驅動器，或者任何其他合適的儲存媒體，或其任何組合。機器可讀取媒體可被實施在電腦程式產品中。該電腦程式產品可以包括包裝材料。
在硬體實現中，機器可讀取媒體可以是處理系統中與處理器分開的一部分。然而，如熟習此項技術者將容易領會的，機器可讀取媒體或其任何部分可在處理系統外部。作為實例，機器可讀取媒體可包括傳送線、由資料調制的載波，及/或與設備分開的電腦產品，所有該等機器可讀取媒體皆可由處理器經由匯流排介面來存取。替換地或補充地，機器可讀取媒體或其任何部分可被整合到處理器中，諸如快取記憶體及/或通用暫存器檔案可能就是此種情形。儘管所論述的各種元件可被描述為具有特定位置，諸如局部元件，但該等元件亦可按各種方式來配置，諸如某些元件被配置成分散式計算系統的一部分。
處理系統可以被配置為通用處理系統，該通用處理系統具有一或多個提供處理器功能性的微處理器，以及提供機器可讀取媒體中的至少一部分的外部記憶體，該等微處理器和外部記憶體皆經由外部匯流排架構與其他支援電路系統連結在一起。替換地，該處理系統可以包括一或多個神經元形態處理器以用於實現本文所述的神經元模型和神經系統模型。作為另一替換方案，處理系統可以用帶有整合在單塊晶片中的處理器、匯流排介面、使用者介面、支援電路系統和至少一部分機器可讀取媒體的特殊應用積體電路（ASIC）來實現，或者用一或多個現場可程式設計閘陣列（FPGA）、可程式設計邏輯設備（PLD）、控制器、狀態機、閘控邏輯、個別硬體元件，或者任何其他合適的電路系統，或者能執行本案通篇所描述的各種功能性的電路的任何組合來實現。取決於具體應用和加諸於整體系統上的整體設計約束，熟習此項技術者將認識到如何最佳地實現關於處理系統所描述的功能性。
機器可讀取媒體可包括數個軟體模組。該等軟體模組包括當由處理器執行時使處理系統執行各種功能的指令。該等軟體模組可包括傳送模組和接收模組。每個軟體模組可以常駐在單個儲存設備中或者跨多個儲存設備分佈。作為實例，當觸發事件發生時，可以從硬驅動器中將軟體模組載入到RAM中。在軟體模組執行期間，處理器可以將一些指令載入到快取記憶體中以提高存取速度。隨後可將一或多個快取列載入到通用暫存器檔案中以供處理器執行。在下文述及軟體模組的功能性時，將理解此類功能性是在處理器執行來自該軟體模組的指令時由該處理器來實現的。此外，應領會，本案的各態樣產生對處理器、電腦、機器或實現此類態樣的其他系統的功能的改良。
若以軟體實現，則各功能可作為一或多個指令或代碼儲存在電腦可讀取媒體上或藉其進行傳送。電腦可讀取媒體包括電腦儲存媒體和通訊媒體兩者，該等媒體包括促進電腦程式從一地向另一地轉移的任何媒體。儲存媒體可以是能被電腦存取的任何可用媒體。作為實例而非限定，此類電腦可讀取媒體可包括RAM、ROM、EEPROM、CD-ROM或其他光碟儲存、磁碟儲存或其他磁儲存設備，或能用於攜帶或儲存指令或資料結構形式的期望程式碼且能被電腦存取的任何其他媒體。另外，任何連接亦被正當地稱為電腦可讀取媒體。例如，若軟體是使用同軸電纜、光纖電纜、雙絞線、數位用戶線（DSL），或無線技術（諸如紅外（IR）、無線電，以及微波）從web網站、伺服器，或其他遠端源傳送而來，則該同軸電纜、光纖電纜、雙絞線、DSL或無線技術（諸如紅外、無線電，以及微波）就被包括在媒體的定義之中。如本文中所使用的磁碟（disk）和光碟（disc）包括壓縮光碟（CD）、鐳射光碟、光碟、數位多功能光碟（DVD）、軟碟和藍光®光碟，其中磁碟（disk）常常磁性地再現資料，而光碟（disc）用鐳射來光學地再現資料。因此，在一些態樣，電腦可讀取媒體可包括非暫時性電腦可讀取媒體（例如，有形媒體）。另外，對於其他態樣，電腦可讀取媒體可包括暫時性電腦可讀取媒體（例如，信號）。上述的組合應當亦被包括在電腦可讀取媒體的範疇內。
因此，某些態樣可包括用於執行本文中提供的操作的電腦程式產品。例如，此類電腦程式產品可包括其上儲存（及/或編碼）有指令的電腦可讀取媒體，該等指令能由一或多個處理器執行以執行本文中所描述的操作。對於某些態樣，電腦程式產品可包括包裝材料。
此外，應當領會，用於執行本文中所描述的方法和技術的模組及/或其他合適構件能由使用者終端及/或基地台在適用的場合下載及/或以其他方式獲得。例如，此類設備能被耦合至伺服器以促進用於執行本文中所描述的方法的構件的轉移。替換地，本文所述的各種方法能經由儲存構件（例如，RAM、ROM、諸如壓縮光碟（CD）或軟碟等實體儲存媒體等）來提供，以使得一旦將該儲存構件耦合至或提供給使用者終端及/或基地台，該設備就能獲得各種方法。此外，可利用適於向設備提供本文所描述的方法和技術的任何其他合適的技術。
將理解，請求項並不被限定於上文所說明的精確配置和元件。可在上文所描述的方法和裝置的佈局、操作和細節上作出各種改動、更換和變形而不會脫離請求項的範疇。
100‧‧‧晶片上系統
102‧‧‧通用處理器（CPU）/多核通用處理器（CPU）
104‧‧‧圖形處理單元（GPU）
106‧‧‧數位信號處理器（DSP）
108‧‧‧神經處理單元（NPU）
110‧‧‧連通性區塊
112‧‧‧多媒體處理器
114‧‧‧感測器處理器
116‧‧‧圖像信號處理器（ISP）
118‧‧‧記憶體區塊
120‧‧‧導覽
200‧‧‧系統
202‧‧‧局部處理單元
204‧‧‧局部狀態記憶體
206‧‧‧局部參數記憶體
208‧‧‧局部（神經元）模型程式（LMP）記憶體
210‧‧‧局部學習程式（LLP）記憶體
212‧‧‧局部連接記憶體
214‧‧‧配置處理器單元
216‧‧‧路由連接處理單元
300‧‧‧機器人
302‧‧‧量測錐（cone）
304‧‧‧區域
306‧‧‧要繪製地圖的環境
308‧‧‧體素
400‧‧‧要繪製地圖的環境
402‧‧‧體素
402A‧‧‧體素
402B‧‧‧體素
402C‧‧‧體素
402D‧‧‧體素
402E‧‧‧體素
402F‧‧‧體素
402G‧‧‧體素
404‧‧‧物體
500‧‧‧量測錐
502‧‧‧量測射線
504‧‧‧相機的中心（x）
506‧‧‧圖元位置（v）
508‧‧‧體素
600‧‧‧量測射線
602‧‧‧感測器
604‧‧‧第一體素
606‧‧‧圖元
608‧‧‧體素
610‧‧‧第二體素
700‧‧‧方法
702‧‧‧方塊
704‧‧‧方塊
706‧‧‧方塊
708‧‧‧方塊
710‧‧‧方塊
712‧‧‧方塊
714‧‧‧方塊
716‧‧‧方塊
718‧‧‧方塊
在結合附圖理解下文闡述的詳細描述時，本案的特徵、本質和優點將變得更加明顯，在附圖中，相同元件符號始終作相應標識。
圖1圖示了根據本案的某些態樣的具有晶片上系統（SOC）（包括通用處理器）的運動規劃的示例性實現。
圖2圖示了根據本案的某些態樣的系統的示例性實現。
圖3A、圖3B和圖3C圖示了根據本案各態樣的機器人執行量測的實例。
圖4圖示了根據本案各態樣的要繪製地圖的環境的實例。
圖5、圖6A和圖6B圖示了根據本案各態樣的執行量測的實例。
圖7圖示了根據本案各態樣的維持地圖上的概率分佈函數的方法的流程圖。
國內寄存資訊 (請依寄存機構、日期、號碼順序註記) 無
國外寄存資訊 (請依寄存國家、機構、日期、號碼順序註記) 無
(請換頁單獨記載) 無
700‧‧‧方法
702‧‧‧方塊
704‧‧‧方塊
706‧‧‧方塊
708‧‧‧方塊
710‧‧‧方塊
712‧‧‧方塊
714‧‧‧方塊
716‧‧‧方塊
718‧‧‧方塊

Claims (32)

  1. 一種用於產生一地圖的方法，包括以下步驟： 決定複數個體素之每一者體素的一佔用程度；決定該複數個體素之每一者體素的該佔用程度的一概率分佈函數（PDF）；及基於在決定該PDF之後所執行的一量測來對該PDF執行一增量貝氏更新以產生該地圖。
  2. 如請求項1之方法，進一步包括以下步驟：基於以下至少一者來執行該增量貝氏更新：一隨機地圖、一概率性感測器模型，或其一組合。
  3. 如請求項1之方法，進一步包括以下步驟：經由遞迴地計算與該PDF相關聯的多項式係數來執行該增量貝氏更新。
  4. 如請求項1之方法，進一步包括以下步驟：用較低階函數來決定該PDF。
  5. 如請求項1之方法，進一步包括以下步驟：從該PDF提取一均值和一方差。
  6. 如請求項5之方法，進一步包括以下步驟：基於該均值和該方差來規劃一路線。
  7. 如請求項1之方法，進一步包括以下步驟：使諸體素上的該增量貝氏更新並行化。
  8. 如請求項1之方法，進一步包括以下步驟：決定一均值佔用程度以決定該佔用程度。
  9. 一種用於產生一地圖的裝置，包括： 一記憶體；及耦合至該記憶體的至少一個處理器，該至少一個處理器被配置成：決定複數個體素之每一者體素的一佔用程度；決定該複數個體素之每一者體素的該佔用程度的一概率分佈函數（PDF）；及基於在決定該PDF之後所執行的一量測來對該PDF執行一增量貝氏更新以產生該地圖。
  10. 如請求項9之裝置，其中該至少一個處理器被進一步配置成基於以下至少一者來執行該增量貝氏更新：一隨機地圖、一概率性感測器模型，或其一組合。
  11. 如請求項9之裝置，其中該至少一個處理器被進一步配置成經由遞迴地計算與該PDF相關聯的多項式係數來執行該增量貝氏更新。
  12. 如請求項9之裝置，其中該至少一個處理器被進一步配置成用較低階函數來決定該PDF。
  13. 如請求項9之裝置，其中該至少一個處理器被進一步配置成從該PDF中提取一均值和一方差。
  14. 如請求項13之裝置，其中該至少一個處理器被進一步配置成基於該均值和該方差來規劃一路線。
  15. 如請求項9之裝置，其中該至少一個處理器被進一步配置成使諸體素上的該增量貝氏更新並行化。
  16. 如請求項9之裝置，其中該至少一個處理器被進一步配置成決定一均值佔用程度以決定該佔用程度。
  17. 一種用於產生一地圖的裝置，包括： 用於決定複數個體素之每一者體素的一佔用程度的構件；用於決定該複數個體素之每一者體素的該佔用程度的一概率分佈函數（PDF）的構件；及用於基於在決定該PDF之後所執行的一量測來對該PDF執行一增量貝氏更新以產生該地圖的構件。
  18. 如請求項17之裝置，進一步包括用於基於以下至少一者來執行該增量貝氏更新的構件：一隨機地圖、一概率性感測器模型，或其一組合。
  19. 如請求項17之裝置，進一步包括用於經由遞迴地計算與該PDF相關聯的多項式係數來執行該增量貝氏更新的構件。
  20. 如請求項17之裝置，進一步包括用於用較低階函數來決定該PDF的構件。
  21. 如請求項17之裝置，進一步包括用於從該PDF提取一均值和一方差的構件。
  22. 如請求項21之裝置，進一步包括用於基於該均值和該方差來規劃一路線的構件。
  23. 如請求項17之裝置，進一步包括用於使諸體素上的該增量貝氏更新並行化的構件。
  24. 如請求項17之裝置，進一步包括用於決定一均值佔用程度以決定該佔用程度的構件。
  25. 一種其上記錄有用於產生一地圖的程式碼的非暫時性電腦可讀取媒體，該程式碼由一處理器執行並且包括： 用於決定複數個體素之每一者體素的一佔用程度的程式碼；用於決定該複數個體素之每一者體素的該佔用程度的一概率分佈函數（PDF）的程式碼；及用於基於在決定該PDF之後所執行的一量測來對該PDF執行一增量貝氏更新以產生該地圖的程式碼。
  26. 如請求項25之非暫時性電腦可讀取媒體，進一步包括用於基於以下至少一者來執行該增量貝氏更新的程式碼：一隨機地圖、一概率性感測器模型，或其一組合。
  27. 如請求項25之非暫時性電腦可讀取媒體，進一步包括用於經由遞迴地計算與該PDF相關聯的多項式係數來執行該增量貝氏更新的程式碼。
  28. 如請求項25之非暫時性電腦可讀取媒體，進一步包括用於用較低階函數來決定該PDF的程式碼。
  29. 如請求項25之非暫時性電腦可讀取媒體，進一步包括用於從該PDF中提取一均值和一方差的程式碼。
  30. 如請求項29之非暫時性電腦可讀取媒體，進一步包括用於基於該均值和該方差來規劃一路線的程式碼。
  31. 如請求項25之非暫時性電腦可讀取媒體，進一步包括配置成使諸體素上的該增量貝氏更新並行化的程式碼。
  32. 如請求項25之非暫時性電腦可讀取媒體，進一步包括用於決定一均值佔用程度以決定該佔用程度的程式碼。
TW105135463A 2015-12-03 2016-11-02 基於立體視覺的隨機地圖產生和貝氏更新 TW201729960A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US201562262831P 2015-12-03 2015-12-03
US15/192,944 US20170161946A1 (en) 2015-12-03 2016-06-24 Stochastic map generation and bayesian update based on stereo vision

Publications (1)

Publication Number Publication Date
TW201729960A true TW201729960A (zh) 2017-09-01

Family

ID=57354440

Family Applications (1)

Application Number Title Priority Date Filing Date
TW105135463A TW201729960A (zh) 2015-12-03 2016-11-02 基於立體視覺的隨機地圖產生和貝氏更新

Country Status (5)

Country Link
US (1) US20170161946A1 (zh)
EP (1) EP3384436A1 (zh)
CN (1) CN108885719B (zh)
TW (1) TW201729960A (zh)
WO (1) WO2017095590A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10613546B2 (en) 2015-12-02 2020-04-07 Qualcomm Incorporated Stochastic map-aware stereo vision sensor model
US10372968B2 (en) * 2016-01-22 2019-08-06 Qualcomm Incorporated Object-focused active three-dimensional reconstruction
US11449705B2 (en) 2019-01-08 2022-09-20 Motional Ad Llc Field theory based perception for autonomous vehicles
EP3738723A1 (de) * 2019-05-17 2020-11-18 Siemens Aktiengesellschaft Verfahren, computer-programm-produkt und robotersteuerung zum kontaktbasierten lokalisieren von bei der manipulation durch roboter bewegbaren objekten sowie roboter
DE102021112349A1 (de) 2020-05-12 2021-11-18 Motional Ad Llc Fahrzeugbetrieb unter verwendung eines dynamischen belegungsrasters

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7689321B2 (en) * 2004-02-13 2010-03-30 Evolution Robotics, Inc. Robust sensor fusion for mapping and localization in a simultaneous localization and mapping (SLAM) system
US20100066587A1 (en) * 2006-07-14 2010-03-18 Brian Masao Yamauchi Method and System for Controlling a Remote Vehicle
CN102103815A (zh) * 2009-12-17 2011-06-22 上海电机学院 移动机器人的粒子定位方法及其装置
CN103444163B (zh) * 2011-02-05 2017-03-22 苹果公司 用于移动位置确定的方法和设备
US9037396B2 (en) * 2013-05-23 2015-05-19 Irobot Corporation Simultaneous localization and mapping for a mobile robot
US10495464B2 (en) * 2013-12-02 2019-12-03 The Regents Of The University Of California Systems and methods for GNSS SNR probabilistic localization and 3-D mapping

Also Published As

Publication number Publication date
EP3384436A1 (en) 2018-10-10
CN108885719B (zh) 2022-06-03
CN108885719A (zh) 2018-11-23
US20170161946A1 (en) 2017-06-08
WO2017095590A1 (en) 2017-06-08

Similar Documents

Publication Publication Date Title
CN108292139B (zh) 由机器人同时进行地图绘制和规划
US10885352B2 (en) Method, apparatus, and device for determining lane line on road
TW201729960A (zh) 基於立體視覺的隨機地圖產生和貝氏更新
Meng et al. A two-stage optimized next-view planning framework for 3-D unknown environment exploration, and structural reconstruction
CN111079619B (zh) 用于检测图像中的目标对象的方法和装置
KR102174873B1 (ko) 스토캐스틱 맵 인식 입체 시각 센서 모델
US20170004406A1 (en) Parallel belief space motion planner
Liu et al. Eses: Software for e ulerian solvent excluded surface
CN108367436B (zh) 针对三维空间中的对象位置和范围的主动相机移动确定
JP7426744B2 (ja) ライダー基盤客体探知のための人工知能モデルの入力特徴マップ生成方法、装置およびコンピュータプログラム
CN113378693A (zh) 生成目标检测系统和检测目标的方法及装置
Chen et al. GPU-accelerated incremental Euclidean distance transform for online motion planning of mobile robots
CN111813882B (zh) 一种机器人地图构建方法、设备及存储介质
EP3384359B1 (en) Map generation based on raw stereo vision based measurements
Gupta et al. Data‐driven protection levels for camera and 3D map‐based safe urban localization
Baker et al. GPU assisted processing of point cloud data sets for ground segmentation in autonomous vehicles
KR102530523B1 (ko) 라이브러리 생성 장치, 패턴 분석 장치, 이를 이용하는 반도체 패턴 계측 시스템 및 방법
JP7268731B2 (ja) 学習データ生成装置、学習装置、学習データ生成方法、及び学習データ生成プログラム
CN118424295A (zh) 施工现场无人机智能巡检航线规划方法及系统