TW202018330A - 使用光達的運輸工具定位系統 - Google Patents
使用光達的運輸工具定位系統 Download PDFInfo
- Publication number
- TW202018330A TW202018330A TW107146576A TW107146576A TW202018330A TW 202018330 A TW202018330 A TW 202018330A TW 107146576 A TW107146576 A TW 107146576A TW 107146576 A TW107146576 A TW 107146576A TW 202018330 A TW202018330 A TW 202018330A
- Authority
- TW
- Taiwan
- Prior art keywords
- dimensional representation
- resolution
- posture information
- point cloud
- vehicle
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
- G01C21/30—Map- or contour-matching
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3807—Creation or updating of map data characterised by the type of data
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
- G01S17/06—Systems determining position data of a target
- G01S17/42—Simultaneous measurement of distance and other co-ordinates
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
- G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4808—Evaluating distance, position or velocity data
Abstract
本申請實施例提供了用於定位運輸工具的系統和方法。所述系統包括通訊介面,被配置為接收由所述運輸工具上配備的感測器捕獲的與場景相關的點雲。所述系統進一步包括儲存器,被配置為儲存點雲和高清晰度地圖。所述系統還包括處理器。所述處理器被配置為創建所述點雲的第一三維表示,並創建與所述場景相關的所述高清晰度地圖的第二三維表示。所述處理器被進一步配置為藉由比較所述第一三維表示和所述第二三維表示來確定所述運輸工具的姿態資訊。所述處理器根據所述姿態資訊確定所述運輸工具的位置。
Description
本申請涉及使用光達(Light Detection and Ranging, LiDAR)的定位系統和方法,更具體地,涉及在LiDAR資料和高清晰度地圖(high definition map)之間使用體素匹配方法預估運輸工具位置的定位系統和方法。
本申請基於並主張2018年11月9日提交之申請號為PCT/CN2018/114854的PCT申請案的優先權,其全部內容藉由引用被包含於此。
自動駕駛和機器人導航技術在很大程度上依賴於精確定位。例如,高清晰度的運輸工具定位對於自動駕駛至關重要。傳統的定位方法,例如使用全球定位系統(Global Positioning System, GPS)或慣性測量單元(Inertial Measurement Unit, IMU),不能提供自動駕駛所需的足夠的定位精度。例如,GPS定位的準確度通常為公尺級。對於自動駕駛控制通常不夠精確,例如定位車道之間的運輸工具,或者定位運輸工具前方的行人,這兩者都要求定位誤差在公分以內。此外,GPS信號並非總是可用的。例如,當運輸工具在隧道內或靠近高層建築物時,GPS信號通常很弱或丟失。此外,IMU的測量誤差通常隨著時間或距離而累積,導致定位不準確。
可以藉由聚合當運輸工具四處移動時運輸工具上的各種感測器、探測器和其他裝置獲取的影像和資訊來獲得高清晰度地圖。例如,運輸工具可以配備多個整合感測器,例如LiDAR、GPS接收器、一個或多個IMU感測器、以及一個或多個相機,以捕獲運輸工具行駛的道路或周圍物體的特徵。可以藉由基於調查(survey)運輸工具的相應三維(Three-Dimensional, 3-D)姿態資訊(例如,位置和定向)聚合多個點雲訊框來獲得高清晰度地圖。
基於高清晰度地圖,藉由與即時感測器的測量(例如相機影像和GPS/IMU信號)的特徵匹配和融合,可以定位運輸工具。然而,定位結果通常受到例如拍攝相機影像時的照明條件和感測器測量中的雜訊的影響。另一種高清晰度定位方法將LiDAR捕獲的即時點雲與高清晰度地圖進行點對點的匹配。然而,考慮到需要處理的資料量和演算法的複雜性,這種方法計算量太大。此外,它需要一個足夠接近運輸工具實際位置的初始位置。另一種方法是對點雲進行分割,從分割中提取特徵,並將該特徵與從高清晰度地圖中提取的特徵進行匹配。該方法通常不能即時執行,並且對測量雜訊敏感。
本申請的實施例藉由改進的用於定位運輸工具的系統和方法解決上述問題。
本申請的實施例提供了一種用於定位運輸工具的系統。所述系統包括通訊介面,被配置為接收由所述運輸工具上配備的感測器捕獲的與場景相關的點雲。所述系統進一步包括儲存器,被配置為儲存所述點雲和高清晰度地圖。所述系統還包括處理器。所述處理器被配置為,創建所述點雲的第一三維表示,以及創建與所述場景相關的所述高清晰度地圖的第二三維表示。所述處理器被進一步配置為,藉由比較所述第一三維表示和所述第二三維表示來確定所述運輸工具的姿態資訊。所述處理器基於所述姿態資訊確定所述運輸工具的位置。
本申請的實施例還提供了一種用於定位運輸工具的方法。所述方法包括接收由所述運輸工具上配備的感測器捕獲的與場景相關的點雲。所述方法進一步包括藉由處理器,創建所述點雲的第一三維表示,以及藉由所述處理器,創建與所述場景相關的高清晰度地圖的第二三維表示。所述方法還包括藉由所述處理器,藉由比較所述第一三維表示和所述第二三維表示來確定所述運輸工具的姿態資訊,以及基於所述姿態資訊確定所述運輸工具的位置。
本申請的實施例進一步提供了一種其上儲存有指令的非暫時性電腦可讀取媒體,當由一個或多個處理器執行時,使一個或多個處理器執行操作。所述操作包括接收由運輸工具上配備的感測器捕獲的與場景相關的點雲。所述操作進一步包括創建所述點雲的第一三維表示,以及創建與所述場景相關的高清晰度地圖的第二三維表示。所述操作還包括藉由比較所述第一三維表示和所述第二三維表示確定所述運輸工具的姿態資訊,以及基於所述姿態資訊確定所述運輸工具的位置。
應當理解的是,前面的一般性描述和下面的詳細描述都只是示例性和說明性的,並不是對要求保護的本申請的限制。
現在將詳細參考示例性實施例,其示例如圖式所示。只要有可能,在整個圖式中將使用相同的圖式標記來表示相同或相似的部分。
圖1示出了根據本申請實施例的具有複數個感測器的示例性運輸工具100的示意圖。與一些實施例一致,運輸工具100可以是被配置為獲取用於構建高清晰度地圖或三維(Three-Dimensional, 3-D)城市建模的資料的調查運輸工具。可以預期地,運輸工具100可以是電動運輸工具、燃料電池運輸工具、混合動力運輸工具或傳統的內燃機運輸工具。運輸工具100可具有車身110和至少一個車輪120。車身110可以是任何車身類型,例如跑車(sports vehicle)、轎跑車(coupe)、轎車(sedan)、貨卡車(pick-up truck)、旅行車(station wagon)、運動型休旅車(Sports Utility Vehicle, SUV)、多功能休旅車(minivan)或改裝廂型車(conversion van)。在一些實施例中,如圖1所示,運輸工具100可包括一對前輪和一對後輪。然而,可以預期地,運輸工具100可具有更少的車輪或使運輸工具100能夠四處移動的等效結構。運輸工具100可以被配置為全輪驅動(All Wheel Drive, AWD)、前輪驅動(Front Wheel Drive, FWR)或後輪驅動(Rear Wheel Drive, RWD)。在一些實施例中,運輸工具100可以被配置為由使用運輸工具的操作員操作、遠端控制及/或自動操作。
如圖1所示,運輸工具100可以配備有藉由安裝結構130安裝到車身110上的LiDAR 140。安裝結構130可以是安裝或以其他方式附接到運輸工具100的車身110上的機電裝置。在一些實施例中,安裝結構130可以使用螺釘、黏合劑或其他安裝機制。運輸工具100可以使用任何合適的安裝機制在車身110內部或外部額外配備GPS/IMU 150。可以預期地,在運輸工具100上配備LiDAR 140或GPS/IMU 150的方式可以不受圖1中所示示例的限制,並且可以進行修改以實現期望的感測性能。
在一些實施例中,LiDAR 140和GPS/IMU 150可以被配置為在運輸工具100沿著軌跡移動時捕獲資料。與本申請一致,LiDAR 140可被配置為掃描周圍環境並獲取點雲。LiDAR藉由用脈衝雷射光照射目標並用感測器測量反射脈衝來測量到目標的距離。然後可以使用雷射返回時間差和波長,產生所述目標的數位3-D表示。用於LiDAR掃描的光可以是紫外線、可見光或近紅外線。由於窄雷射光束可以以非常高的解析度映射實體特徵,因此LiDAR掃描器特別適用於高清晰度地圖調查。在一些實施例中,LiDAR掃描器可以捕獲點雲。當運輸工具100沿著軌跡移動時,LiDAR 140可以在多個時間點獲取一系列點雲(每個點雲被稱為在一個時間點獲取的點雲訊框)。
如圖1所示,運輸工具100可以額外配備GPS/IMU 150,其可以包括在導航單元中用於定位運輸工具100的感測器,例如GPS接收器和一個或多個IMU感測器。GPS是一種全球導航衛星系統,其為GPS接收器提供地理定位和時間資訊。IMU是一種電子裝置,其使用各種慣性感測器例如加速度計和陀螺儀、有時還有磁力計,測量並提供運輸工具的比力(specific force)、角速率、有時還包括運輸工具周圍的磁場。藉由組合GPS接收器和IMU感測器,GPS/IMU 150可以在運輸工具100行進時提供運輸工具100的即時姿態資料,包括運輸工具100在每個時間點的位置和定向(例如,歐拉角)。
與本申請一致,運輸工具100可以包括運輸工具100的車身110內的與地圖伺服器170和定位伺服器180通訊的本地控制器160。在一些實施例中,地圖伺服器170和定位伺服器180中的每一個可以是本地實體伺服器、雲端伺服器(如圖1所示)、虛擬伺服器、分散式伺服器或任何其他合適的計算裝置。地圖伺服器170和定位伺服器180可以通過網路,例如無線區域網路(Wireless Local Area Network, WLAN)、廣域網路(Wide Area Network, WAN)、諸如無線電波、蜂窩網路、衛星通訊網路及/或本地或短程無線網路(例如,藍牙TM
)的無線網路,與LiDAR 140、GPS/IMU 150及/或運輸工具100的其他元件通訊。例如,地圖伺服器170和定位伺服器160可以從LiDAR 140和GPS/IMU 150接收感測器測量值。地圖伺服器170和定位伺服器180還可以彼此通訊。例如,定位伺服器180可以從地圖伺服器170接收高清晰度地圖或其某些部分。
與本申請一致,控制器160和定位伺服器180可以基於由LiDAR 140捕獲的點雲和由GPS/IMU 150捕獲的姿態資料,單獨或共同地執行運輸工具100姿態資訊的預估。在一些實施例中,控制器160或定位伺服器180可以基於GPS/IMU 150提供的初始定位資訊,從地圖伺服器170檢索高清晰度地圖,並創建高清晰度地圖的3-D表示。控制器160或定位伺服器180還可以接收由LiDAR 140獲取的點雲並創建點雲的3-D表示。可以藉由「體素化」資料來創建點雲和高清晰度地圖的3-D表示。控制器160或定位伺服器180可以對3-D表示執行體素匹配方法以優化運輸工具100的姿態資訊。可以基於優化的姿態資訊來定位運輸工具100。在一些實施例中,點雲和高清晰度地圖可以在多種解析度(resolution)下進行體素化,並且可以首先對較低解析度下的3-D表示執行體素匹配方法,並且將所獲得的姿態資訊用作當對較高清晰度下的3-D表示執行該方法時的初始猜測,。所揭露的系統和方法提供了改進的準確性和降低的計算成本。
例如,圖2示出了根據本申請實施例的用於基於即時點雲資料定位運輸工具的示例性定位伺服器180的方塊圖。與本申請一致,定位伺服器180可以使用各種類型的資料來進行運輸工具姿態預估。當運輸工具100沿著軌跡移動時,與運輸工具100的周圍場景相關的各種類型的資料可以由運輸工具100上配備的LiDAR 140和GPS/IMU 150捕獲。該資料可以包括由LiDAR 140捕獲的由不同時間點的多點雲訊框組成的點雲201。該資料還可以包括由GPS/IMU 150獲取的運輸工具100的初始姿態資料203。在一些實施例中,可以藉由基於來自GPS接收器和IMU感測器的初始姿態資料203,將本地LiDAR資料從局部坐標系變換為全域坐標系(例如,經度/緯度座標)來校準點雲201。
提供給定位伺服器180以進行運輸工具姿態預估的資料還包括由地圖伺服器170提供的高清晰度地圖205。高清晰度地圖205可以藉由聚合由各種感測器、檢測器和測量運輸工具上用於捕獲測量區域特徵的其他裝置獲取的影像和資訊來構建。在一些實施例中,高清晰度地圖205可以是較大的高清晰度地圖的一部分,例如,局部高清晰度地圖。地圖伺服器170還可以從GPS/IMU 150接收姿態資料203,並且檢索與姿態資料203相對應的場景的高清晰度地圖205。
在一些實施例中,如圖2所示,定位伺服器180可以包括通訊介面202、處理器204、記憶體206和儲存器208。在一些實施例中,定位伺服器180可以是在單個裝置中具有不同模組,例如積體電路(Integrated Circuit, IC)晶片(實現為特定應用積體電路(Application-Specific Integrated Circuit, ASIC)或場可程式閘陣列(Field-Programmable Gate Array, FPGA)),或是具有專用功能的獨立裝置。在一些實施例中,定位伺服器180的一個或多個元件可以位於運輸工具100內部,或者可替代地在行動裝置、雲端或另一個遠端位置中。定位伺服器180的元件可以在整合裝置中,或者分佈在不同的位置但通過網路(未示出)彼此通訊。例如,處理器204可以是運輸工具100的車載處理器、行動裝置內的處理器或雲端處理器,或其任意組合。
通訊介面202可以通過例如通訊纜線、無線區域網路(WLAN)、廣域網路(WAN),諸如無線電波網路、蜂窩網路及/或本地無線網路(例如,BluetoothTM
或WiFiTM
)的無線網路或其他通訊方法,向諸如LiDAR 140和GPS/IMU 150之類的組件以及地圖伺服器170發送資料和從其接收資料。在一些實施例中,通訊介面202可以是整合式服務數位網路(Integrated Services Digital Network, ISDN)卡、纜線數據機、衛星數據機或數據機,以提供資料通訊連接。又例如,通訊介面202可以是區域網路(LAN)配接器,以提供與相容LAN的資料通訊連接。無線鏈路也可以由通訊介面202實現。在這樣的實現中,通訊介面202可以發送和接收攜帶表示各種類型資訊的數位資料流的電信號、電磁信號或光信號。
與一些實施例一致,通訊介面202可以接收由LiDAR 140和GPS/IMU 150捕獲的資料,包括點雲201和初始姿態資料203。通訊介面202還可以從地圖伺服器170接收高清晰度地圖205。接收的資料可以提供給記憶體206及/或儲存器208以便儲存,或提供給處理器204以進行處理。通訊介面202還可以接收由處理器204產生的優化的姿態資訊,並且通過通訊鏈路將姿態資訊提供給運輸工具100中的任何本機組件或任何遠端裝置。
處理器204可包括任何適當類型的通用或專用微處理器、數位訊號處理器或微控制器。處理器204可以被配置為專用於預估運輸工具姿態的單獨處理器模組。或者,處理器204可以被配置為還可以執行與運輸工具姿態預估無關的其他功能的共用處理器模組。
如圖2所示,處理器204可以包括多個模組/單元,例如3-D表示產生單元210、體素匹配單元212、定位單元214、姿態資訊預估單元216等。這些模組/單元(以及任何相應的子模組或子單元)可以是處理器204的硬體單元(例如,積體電路的部分),其被設計用於與其他元件一起使用或執行程式的至少一部分。程式可以儲存在電腦可讀取媒體上,並且當由處理器204執行時,可以執行一個或多個的功能或操作。儘管圖2示出了在一個處理器204內的所有單元210-216,但是可以預期地,這些單元可以分佈在彼此靠近或遠離的多個處理器之間。
3-D表示產生單元210可以被配置為創建點雲201的3-D表示。在一些實施例中,3-D表示產生單元210可以將點雲201的3-D空間劃分為多個體素。例如,圖3示出了根據本申請實施例的點雲201的示例性3-D表示310。如圖3所示,3-D表示310包含複數個體素320。每個體素被特性化(characterize)為一組體素值,包括例如局部3-D表面特徵分佈。在一些實施例中,體素值還包括平均強度值,以及沿x、y和z方向的三維分佈。例如,強度值的3-D分佈可以是高斯/常態分佈。
因此,體素320可以包括3-D空間資訊以及點雲強度分佈。與直接匹配點雲的方法相比,匹配包含這些體素的3-D表示可以提高定位精度。
在一些實施例中,3-D表示單元210還可以被配置為創建第二3-D表示,即高清晰度地圖205的至少一部分的3-D表示。高清晰度地圖205可以包含在調查期間獲取的點雲資料。因此,可以使用以上結合圖3揭露的相同方法來創建高清晰度地圖205的3-D表示。
返回參考圖2,體素匹配單元212可以被配置為執行點雲201的3-D表示與高清晰度地圖205對應的3-D表示之間的體素匹配操作。在一些實施例中,體素匹配可以找到運輸工具100優化的姿態資訊,其對應於點雲201的3-D表示與高清晰度地圖205對應的3-D表示之間的最小差異。例如,可以將差異計算為兩個表示的對應體素之間差異的聚合差異。在一些實施例中,差異也可以相反地藉由兩個表示的體素之間的相似性來被特色化。體素匹配單元212可以解決優化問題以最大化這種相似性。可以實施反覆運算方法,例如牛頓反覆運算方法,以解決優化問題。
在一些實施例中,當解決優化問題時,初始姿態資訊T0
可以用作第一次反覆運算的起點(也稱為初始猜測)。例如,,其中x 0
、y0
和z0
是運輸工具位置的三維坐標,row0
、pitch0
和yaw0
表示運輸工具姿態。最初可以基於初始姿態資訊T0
創建3-D表示。
在一些實施例中,可以藉由姿態資訊預估單元216使用獲取的針對先前點雲訊框的姿態資訊來預估T0
。在優化流程中,可以在預定義的搜索空間X、Y、Z、旋轉(ROLL)、俯仰(PITCH)、偏擺(YAW)內反覆運算地改進姿態資訊T
。在優化成本函數滿足某些預定停止準則之後,可以獲得優化的姿態T
。例如,停止準則可以包括匹配最大值Thm及/或計算時間最大值Tht。如果相似性L超過Thm(即,點雲資料201和高清晰度地圖205的對應體素之間的相似性大於Thm),或者計算時間超過Tht,則反覆運算流程可以停止,並且最後更新的姿態資訊可以用作與當前點雲訊框相關的優化的點雲姿態資訊T
。
在一些實施例中,在獲得點雲姿態資訊T
之後,定位單元214然後可以將由體素匹配單元212獲得的點雲姿態資訊T
與由GPS/IMU 150提供的初始姿態資料203合併。例如,可以使用無跡卡爾曼濾波器(Unscented Kalman Filter, UKF)方法來合併點雲姿態資訊T
和初始姿態資料203,以產生過濾後的姿態資訊T’
。UKF方法使用稱為無跡變換(Unscented Transform, UT)的確定性取樣技術來選擇圍繞後驗均值(posterior mean)的最小取樣點集(稱為西格瑪點)。然後藉由非線性函數傳播西格瑪點,然後從中形成新的後驗均值和共變異數預估。得到的UKF濾波器可以更準確地預估真實均值和共變異數。與一些現有導航系統用於姿態預估的擴展卡爾曼濾波器(Extended Kalman Filter, EKF)相比,UKF具有不計算雅可比行列式(Jacobians)的優點,因此在理論上優於非線性和先驗狀態不確定性的擴展。與本申請一致,定位單元214可使用過濾後的姿態資訊T’
來定位運輸工具100。
在一些實施例中,姿態資訊預估單元216可以基於由定位單元214確定的針對當前點雲訊框的過濾後的姿態資訊T’
,來預估針對下一個點雲訊框的初始姿態資訊T0
。在一些實施例中,姿態資訊預估單元216可以基於點雲訊框之間的姿態變化來預估T0
。例如,姿態資訊預估單元216可以基於每個點雲訊框中的點的3-D座標及其相關屬性(例如,反射雷射強度)來計算相鄰點雲訊框之間的姿態變化。又例如,姿態資訊預估單元216可以計算對應於點雲訊框獲得的姿態資料203之間的姿態變化。
預估的初始姿態資訊T0
可以被提供給體素匹配單元212,用於預估針對下一個點雲訊框的優化的姿態資訊T
。因為初始姿態資訊T0
是基於針對當前點雲訊框的優化的T
來預估的,所以它作為初始猜測足夠準確,因此可以幫助優化流程快速收斂。
在與本申請一致的一些實施例中,點雲201和高清晰度地圖205可以在不同的解析度下進行體素化。例如,3-D表示產生單元210可以產生針對點雲201的多個3-D表示,在各自的3-D表示中具有不同大小的體素320。當由3-D表示產生單元210實現多解析度體素化時,體素匹配單元212用於匹配操作的所使用之對應點雲和高清晰度地圖的3-D表示具有相同的解析度。
在一些實施例中,3-D表示產生單元210首先可以產生點雲201和高清晰度地圖205在第一解析度R1
下的3-D表示。R1
可以是相對較低的解析度,即具有相對大的體素尺寸的3-D表示。體素匹配單元212和定位單元214可以首先基於低解析度下的3-D表示來定位運輸工具100。在解析度R1
下獲得的姿態資訊可以是運輸工具位置的粗略預估。然後,3-D表示產生單元210可以在高於解析度R1
的第二解析度R2
下產生點雲201和高清晰度地圖205的3-D表示。當使用解析度R2
下的3-D表示來定位運輸工具時,解析度R1
下的預估的姿態資訊將用作初始猜測。
隨著在愈來愈高的解析度下重複預估流程,也可以提高運輸工具100的預估位置的精度。因為在較低解析度下預估的姿態資訊可以提供足夠精確的初始猜測,所以多解析度體素化方法可以在該流程收斂之前節省所需的大量反覆運算,從而提高計算速度。
記憶體206和儲存器208可以包括任何適當類型的儲存裝置,其被提供以儲存處理器204可能需要處理的任何類型的資訊。記憶體206和儲存器208可以是揮發性或非揮發性、磁性、基於半導體、基於磁帶、光學的、可移除、不可移除、或其他類型的儲存裝置或有形(即,非暫時性)電腦可讀取媒體,包括但不限於ROM、快閃記憶體、動態RAM和靜態RAM。記憶體206及/或儲存器208可以被配置為儲存可以由處理器204執行以執行本文揭露的運輸工具姿態預估功能的一個或多個電腦程式。例如,記憶體206及/或儲存器208可以被配置為儲存程式,該程式可以由處理器204執行來控制LiDAR 140及/或GPS/IMU 150以在運輸工具100沿著軌跡移動時捕獲各種類型的資料,並且處理捕獲的資料來預估運輸工具100的姿態資訊。
記憶體206及/或儲存器208可以進一步被配置為儲存處理器204使用的資訊和資料。例如,記憶體206及/或儲存器208可以被配置為儲存由LiDAR 140和GPS/IMU 150捕獲的各種類型的資料以及預估的姿態資訊。各種類型的資料可以永久儲存、週期性地移除、或者在處理每個資料訊框之後立即被忽略。
圖4示出了根據本申請實施例的用於定位運輸工具100的示例性方法400的流程圖。例如,方法400可以由運輸工具100的運輸工具姿態預估系統實現,其包括控制器160、地圖伺服器170、定位伺服器180、以及LiDAR 140和GPS/IMU 150等。然而,方法400不限於該示例性實施例。
方法400可以包括如下所述的步驟S402-S416。應當理解的是,一些步驟可以是可選的,以執行此處提供的揭露。此外,一些步驟可以同時執行,或者以與圖4中所示不同的順序執行。
在步驟S402,可以在時間點t1
捕獲與場景相關的點雲訊框PC1
(例如,點雲201)。例如,點雲訊框PC1
可以由LiDAR 140捕獲。在一些實施例中,還可以在時間點t1
捕獲運輸工具100的初始姿態資料IP1
(例如,初始姿態資料203)。例如,初始姿態資料IP1
可以由GPS/IMU 150捕獲。初始姿態資料IP1
可以與點雲訊框PC1
對應,因為它們是在相同時間點捕獲的。在一些實施例中,捕獲的初始姿態資料IP1
和點雲訊框PC1
可以被發送到定位伺服器180並由定位伺服器180接收。
在步驟S404,可以基於初始姿態資料IP1
從地圖伺服器170獲得高清晰度地圖(例如,高清晰度地圖205)。初始姿態資料IP1
提供其對應的點雲訊框PC1
的粗略位置,使地圖伺服器170可以選擇先前構建的高清晰度地圖的相關部分,例如,包括所述場景的高清晰度地圖的一部分。在一些實施例中,高清晰度地圖也可以由定位伺服器180接收。
在步驟S406-S410,定位伺服器180可以使用體素匹配方法來優化運輸工具100的姿態資訊T
。為了優化姿態資訊T
,定位感測器180可以搜索預定義空間X、Y、Z、ROLL、PITCH、YAW,以將在步驟S402中獲得的點雲訊框PC1
和在步驟S404獲得的高清晰度地圖的點雲資料進行匹配。與本申請一致,定位伺服器180可以產生點雲訊框PC1
和高清晰度地圖的對應點雲資料的3-D表示,並確定減少兩個3-D表示之間差異的優化的預估姿態。
在一些實施例中,定位伺服器180可以在多種解析度下執行體素匹配,例如R1
和R2
,其中解析度R2
高於解析度R1
。當使用多解析度方法時,可以在同一解析度下的第一3-D表示(例如,點雲訊框的3-D表示)和第二3-D表示(例如,高清晰度地圖的3-D表示)之間執行體素匹配。在一些實施例中,可以從較低解析度到較高清晰度執行體素匹配。例如,可以在最低解析度下執行S408中的姿態資訊優化操作。然後,在步驟S410,確定是否已經處理了所有解析度。如果不是,則方法400的流程返回到步驟S406,選擇用於體素匹配的下一個最低解析度(最初,「下一個」最低解析度可以是最低解析度,例如,R1
)。在步驟S408,定位伺服器180可以對所選解析度下的點雲訊框和高清晰度地圖的3-D表示執行體素匹配。
圖5示出了根據本申請實施例的示例性體素匹配方法500的流程圖。方法500可以藉由定位伺服器180來執行以執行方法400的步驟S408。然而,步驟S408不限於方法500的實施例。方法500可以包括如下所述的步驟S502-S516。應當理解的是,一些步驟可以是可選的,以執行本文提供的揭露。此外,一些步驟可以同時執行,或者以與圖5中所示不同的順序執行。
在步驟S502,可以將姿態T0
設置為姿態資訊T
的初始猜測。例如,,其中x0
、y0
和z0
是運輸工具位置的三維座標,row0、pitch0和yaw0表示運輸工具姿態。在一些實施例中,可以藉由位元姿資訊預估單元216使用獲得的針對先前點雲訊框(例如,對應於時間點t0
的PC0
)的姿態資訊來預估T0
。當使用多解析度方法時,較低解析度下的優化的姿態資訊可以用作初始姿態T0
以提高計算速度。
在步驟S504,可以設置匹配臨界值Thm和時間臨界值Tht。在一些實施例中,匹配臨界值Thm和時間臨界值Tht都可以是停止準則的一部分。Thm是用於優化姿態資訊T
的成本函數L的最大值。Tht是計算時間的最大值。如果成本函數L的值超過Thm,或者計算時間超過Tht,則可以停止優化處理(參見步驟S512)。
在步驟S506,定位伺服器180可以基於初始姿態資訊T0
,產生所選解析度下點雲訊框PC1
的第一3-D表示和高清晰度地圖的第二3-D表示。在一些實施例中,為了產生3-D表示,3-D表示產生單元210可以將點雲資料的3-D空間劃分為如圖3所示的多個體素320。每個體素被特色化為一組體素值,包括例如局部三維表面特徵分佈、平均強度值及其沿x、y和z方向的三維分佈。
在步驟S508,可以確定所選解析度下的3-D表示的體素值分佈。在一些實施例中,體素值(例如,強度值)的3-D分佈可以是高斯/常態分佈,使用等式(1)-(3)被特色化:(1)(2)(3)
其中,是點i
在其體素内的3-D坐標以及在點i
處的强度值,是高斯分布的平均值,以及是高斯分布的變異數。
在步驟S510,定位感測器180可以計算兩個3-D表示的體素值分佈之間的相似性。例如,可以使用等式(4)確定相似性L:(4)
其中,和分别是體素的高斯分佈的平均向量和變異數矩陣。藉由最大化這種相似性來優化姿態資訊T
。
在一些實施例中,可以實施反覆運算方法,例如牛頓反覆運算方法,來解決優化問題。在每次反覆運算期間,將跟蹤成本函數(例如,L)的值和計算時間。在步驟S512,如果成本函數L的值超過Thm,或者計算時間超過Tht(S508:是),則認為滿足停止準則,並且認為反覆運算流程收斂。因此,體素匹配單元212停止優化並將最新的姿態資訊T
作為優化的姿態提供給定位單元214。
另一態樣,如果既不滿足L>Thm也不滿足T>Tht(S508:否),則方法500前進到S514以進一步更新姿態T
。在一些實施例中,姿態T
可以被改進以進一步減小點雲訊框和高清晰度地圖的3-D表示之間的差異。利用更新的姿態T
,方法500返回到步驟S506以進行另一次反覆運算。例如,在步驟S506和S508,定位伺服器180可以產生點雲訊框和高清晰度地圖的3-D表示,並基於最新更新的姿態T
確定體素值分佈。
返回參考圖4,在步驟S410,確定是否處理了所有解析度。如果不是(S410:否),則方法400返回到S406以選擇用於體素匹配的下一個最低解析度。例如,在處理解析度R1
之後,解析度R2
成為下一個最低解析度,並且可以在步驟S406中被選擇。因此,可以在步驟S408比較和匹配解析度R2
下的第一和第二3-D表示,以確定所選解析度下的優化的姿態T
。
如果處理了所有解析度(S410:是),則方法400前進到步驟S412,將點雲訊框PC1
的優化的姿態資訊T
與對應的初始姿態資料IP1
進行過濾及合併。例如,定位伺服器180可以使用UKF方法對點雲姿態資訊T
和初始姿態資料203進行濾波及合併,以獲得合併後的姿態資訊T’
。在步驟S414,可以基於合併後的姿態資訊T’
在高清晰度地圖中定位運輸工具100。
在一些實施例中,合併後的姿態資訊T’
可以另外用於為下一點雲訊框提供預估的姿態資訊。例如,如果在步驟S412獲得的合併後的姿態資訊T’
與在時間點t1
捕獲的點雲訊框PC1
對應,則定位伺服器180可預估針對在下一時間點t2
捕獲的點雲訊框PC2
的姿態資訊。可以提供預估的姿態資訊作為姿態T0
的初始猜測,以尋找與點雲訊框PC2
對應的優化的姿態資訊T
。
在一些實施例中,姿態資訊預估單元216可以分別基於在時間點t1
和t2
捕獲的點雲訊框PC1
和點雲訊框PC2
之間的姿態變化來預估姿態資訊。例如,姿態資訊預估單元216可以基於每個點雲訊框中的點的3-D座標及其相關屬性(例如,反射雷射強度)來計算姿態變化。在一示例中,可以使用四維(Four-Dimensional, 4-D)常態分佈變換(Normal Distributions Transform, NDT),以便基於每個點的X、Y和Z座標以及反射層強度來計算姿態變化。4-D NDT將從單個點雲訊框重建的離散的3-D點集,轉換為在3-D空間中定義的分段連續(piecewise continuous)且可微分的機率密度。機率密度可以由一組可容易計算的常態分佈所組成。機率密度分佈可用於表示對應點雲訊框的點雲姿態資訊。又例如,姿態資訊預估單元216可以分別計算在時間點t1
和t2
捕獲的初始姿態資料IP1
和IP2
之間的姿態變化。
本申請的另一態樣涉及一種儲存有指令的非暫時性電腦可讀取媒體,所述指令在被執行時使一個或多個處理器執行如上所述的方法。該電腦可讀取媒體可以是揮發性或非揮發性、磁性、基於半導體、基於磁帶、光學的、可移除、不可移除或其他類型的電腦可讀取媒體或電腦可讀取儲存裝置。例如,如本申請的電腦可讀取媒體可以是其上儲存有電腦指令的儲存裝置或記憶體模組。在一些實施例中,電腦可讀取媒體可以是其上儲存有電腦指令的磁碟或快閃記憶體驅動器。
顯而易見地,本領域具有通常知識者可以對本申請的系統和相關方法進行各種修改和變化。考慮到本申請的系統和相關方法的說明和實踐,其他實施例對於本領域具有通常知識者是顯而易見的。
本申請中的說明書和示例的目的僅被認為是示例性的,真正的範圍由以下申請專利範圍及其均等物限定。
100:運輸工具
110:車身
120:車輪
130:安裝結構
140:LiDAR
150:GPS/IMU
160:控制器
170:地圖伺服器
180:定位伺服器
201:點雲
202:通訊介面
203:姿態資料
204:處理器
205:高清晰度地圖
206:記憶體
208:儲存器
210:3-D表示產生單元
212:體素匹配單元
214:定位單元
216:姿態資訊預估單元
310:3-D表示
320:體素
400:方法
S402:步驟
S404:步驟
S406:步驟
S408:步驟
S410:步驟
S412:步驟
S414:步驟
S416:步驟
500:方法
S502:步驟
S504:步驟
S506:步驟
S508:步驟
S510:步驟
S512:步驟
S514:步驟
S516:步驟
圖1示出了根據本申請實施例的具有感測器的示例性運輸工具的示意圖。
圖2示出了根據本申請實施例的用於基於即時點雲資料定位運輸工具的示例性定位伺服器的方塊圖。
圖3示出了根據本申請實施例的點雲資料的示例性三維表示。
圖4示出了根據本申請實施例的用於定位運輸工具的示例性方法的流程圖。
圖5示出了根據本申請實施例的示例性體素匹配方法的流程圖。
400:方法
S402:步驟
S404:步驟
S406:步驟
S408:步驟
S410:步驟
S412:步驟
S414:步驟
S416:步驟
Claims (20)
- 一種用於定位運輸工具的系統,包括: 通訊介面,被配置為接收由所述運輸工具上配備的感測器捕獲的與場景相關的點雲; 儲存器,被配置為儲存所述點雲和高清晰度地圖;以及 處理器,被配置為: 創建所述點雲的第一三維表示; 創建與所述場景相關的所述高清晰度地圖的第二三維表示; 藉由比較所述第一三維表示和所述第二三維表示來確定所述運輸工具的姿態資訊;以及 基於所述姿態資訊確定所述運輸工具的位置。
- 如申請專利範圍第1項之系統,其中,所述感測器是光達(LiDAR)。
- 如申請專利範圍第1項之系統,其中,比較所述第一三維表示和所述第二三維表示包括比較所述第一三維表示的體素與所述第二三維表示的對應體素。
- 如申請專利範圍第1項之系統,其中,所述處理器被進一步配置為: 確定所述第一三維表示的第一體素值分佈; 確定所述第二三維表示的第二體素值分佈;以及 比較所述第一體素值分佈與所述第二體素值分佈。
- 如申請專利範圍第1項之系統,其中,所述通訊介面被進一步配置為藉由所述運輸工具上配備的定位感測器接收所述運輸工具的獲取的姿態資訊,其中,所述處理器被進一步配置為使用所述獲取的姿態資訊來改進所述姿態資訊。
- 如申請專利範圍第5項之系統,其中,為改進所述姿態資訊,所述處理器被配置為將濾波器應用於所述獲取的姿態資訊和所述確定的姿態資訊。
- 如申請專利範圍第6項之系統,其中,所述濾波器是無跡卡爾曼濾波器(UKF)。
- 如申請專利範圍第1項之系統,其中,所述處理器被進一步配置為基於初始姿態資訊創建所述點雲的所述第一三維表示,其中,基於與所述運輸工具的先前位置對應的姿態資訊來預估所述初始姿態資訊。
- 如申請專利範圍第1項之系統,其中,所述處理器被進一步配置為: 更新所述姿態資訊以增加所述第一三維表示與所述第二三維表示之間的相似性。
- 如申請專利範圍第1項之系統,其中,所述處理器被配置為: 創建所述點雲在第一解析度下的第一三維表示,以及所述點雲在第二解析度下的第一三維表示,其中,所述第一解析度低於所述第二解析度; 創建所述高清晰度地圖在第一解析度下的第二三維表示,以及所述高清晰度地圖在第二解析度下的第二三維表示; 藉由比較所述第一解析度下的所述第一三維表示和所述第一解析度下的所述第二三維表示來確定所述姿態資訊;以及 藉由比較所述第二解析度下的所述第一三維表示和所述第二解析度下的所述第二三維表示來改進所述姿態資訊。
- 一種用於定位運輸工具的方法,包括: 接收由所述運輸工具上配備的感測器捕獲的與場景相關的點雲; 藉由處理器,創建所述點雲的第一三維表示; 藉由所述處理器,創建與所述場景相關的高清晰度地圖的第二三維表示; 藉由所述處理器,藉由比較所述第一三維表示和所述第二三維表示來確定所述運輸工具的姿態資訊;以及 基於所述姿態資訊確定所述運輸工具的位置。
- 如申請專利範圍第11項之方法,其中,比較所述第一三維表示和所述第二三維表示包括比較所述第一三維表示的體素與所述第二三維表示的對應體素。
- 如申請專利範圍第11項之方法,進一步包括: 確定所述第一三維表示的第一體素值分佈; 確定所述第二三維表示的第二體素值分佈;以及 比較所述第一體素值分佈與所述第二體素值分佈。
- 如申請專利範圍第11項之方法,進一步包括: 接收所述運輸工具的獲取的姿態資訊;以及 使用所述獲取的姿態資訊來改進所述姿態資訊。
- 如申請專利範圍第14項之方法,其中,改進所述姿態資訊進一步包括將卡爾曼濾波器應用於所述獲取的姿態資訊和所述確定的姿態資訊。
- 如申請專利範圍第11項之方法,進一步包括基於初始姿態資訊創建所述點雲的所述第一三維表示,其中,基於與所述運輸工具的先前位置對應的姿態資訊預估所述初始姿態資訊。
- 如申請專利範圍第11項之方法,進一步包括: 更新所述姿態資訊以增加所述第一三維表示與所述第二三維表示之間的相似性。
- 如申請專利範圍第11項之方法,進一步包括: 創建所述點雲在第一解析度下的第一三維表示,以及所述點雲在第二解析度下的第一三維表示,其中,所述第一解析度低於所述第二解析度; 創建所述高清晰度地圖在第一解析度下的第二三維表示,以及所述高清晰度地圖在第二解析度下的第二三維表示; 藉由比較所述第一解析度下的所述第一三維表示和所述第一解析度下的所述第二三維表示來確定所述姿態資訊;以及 藉由比較所述第二解析度下的所述第一三維表示和所述第二解析度下的所述第二三維表示來改進所述姿態資訊。
- 一種其上儲存有指令的非暫時性電腦可讀取媒體,當由一個或多個處理器執行時,使所述一個或多個處理器執行操作,包括: 接收由運輸工具上配備的感測器捕獲的與場景相關的點雲; 創建所述點雲的第一三維表示; 創建與所述場景相關的高清晰度地圖的第二三維表示; 藉由比較所述第一三維表示和所述第二三維表示來確定所述運輸工具的姿態資訊;以及 基於所述姿態資訊確定所述運輸工具的位置。
- 如申請專利範圍第19項之非暫時性電腦可讀取媒體,其中,所述操作進一步包括: 確定所述第一三維表示的第一體素值分佈; 確定所述第二三維表示的第二體素值分佈;以及 比較所述第一體素值分佈與所述第二體素值分佈。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2018/114854 WO2020093378A1 (en) | 2018-11-09 | 2018-11-09 | Vehicle positioning system using lidar |
WOPCT/CN2018/114854 | 2018-11-09 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202018330A true TW202018330A (zh) | 2020-05-16 |
TWI705263B TWI705263B (zh) | 2020-09-21 |
Family
ID=69229983
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW107146576A TWI705263B (zh) | 2018-11-09 | 2018-12-22 | 使用光達的運輸工具定位系統 |
Country Status (9)
Country | Link |
---|---|
US (1) | US11073601B2 (zh) |
EP (1) | EP3669141A4 (zh) |
JP (1) | JP2021508814A (zh) |
CN (1) | CN111656136B (zh) |
AU (1) | AU2018282435B1 (zh) |
CA (1) | CA3028286A1 (zh) |
SG (1) | SG11201811462PA (zh) |
TW (1) | TWI705263B (zh) |
WO (1) | WO2020093378A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI735384B (zh) * | 2020-11-23 | 2021-08-01 | 國立陽明交通大學 | 光達與用於光達之光子數快速累積方法 |
Families Citing this family (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11043005B2 (en) * | 2018-11-23 | 2021-06-22 | Volvo Car Corporation | Lidar-based multi-person pose estimation |
CN116184417A (zh) * | 2018-12-10 | 2023-05-30 | 北京图森智途科技有限公司 | 一种挂车夹角的测量方法、装置及车辆 |
US11675083B2 (en) * | 2019-01-03 | 2023-06-13 | Nvidia Corporation | Removal of ephemeral points from point cloud of a high-definition map for navigating autonomous vehicles |
US11308639B2 (en) | 2019-03-12 | 2022-04-19 | Volvo Car Corporation | Tool and method for annotating a human pose in 3D point cloud data |
US11598876B2 (en) * | 2019-06-14 | 2023-03-07 | Nvidia Corporation | Segmenting ground points from non-ground points to assist with localization of autonomous vehicles |
US11521329B2 (en) * | 2019-11-22 | 2022-12-06 | Baidu Usa Llc | Updated point cloud registration pipeline based on ADMM algorithm for autonomous vehicles |
US11725944B2 (en) * | 2020-03-02 | 2023-08-15 | Apollo Intelligent Driving Technology (Beijing) Co, Ltd. | Method, apparatus, computing device and computer-readable storage medium for positioning |
US11852751B2 (en) | 2020-03-02 | 2023-12-26 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method, apparatus, computing device and computer-readable storage medium for positioning |
CN111983582A (zh) * | 2020-08-14 | 2020-11-24 | 北京埃福瑞科技有限公司 | 列车的定位方法及系统 |
CN112180382B (zh) * | 2020-09-28 | 2024-03-08 | 知行汽车科技(苏州)股份有限公司 | 基于恒速模型的自适应3d-lslam定位方法、装置和系统 |
KR20220045736A (ko) * | 2020-10-06 | 2022-04-13 | 광주과학기술원 | 도로 노면 감지가 가능한 라이다 시스템 및 데이터 처리방법 |
CN112285738B (zh) * | 2020-10-23 | 2023-01-31 | 中车株洲电力机车研究所有限公司 | 一种轨道交通车辆的定位方法及其装置 |
CN112379393B (zh) * | 2020-10-29 | 2023-04-25 | 中车株洲电力机车研究所有限公司 | 一种列车碰撞预警方法及其装置 |
CN112462758B (zh) * | 2020-11-06 | 2022-05-06 | 深圳市优必选科技股份有限公司 | 一种建图方法、装置、计算机可读存储介质及机器人 |
CN114088093A (zh) * | 2020-11-09 | 2022-02-25 | 北京京东乾石科技有限公司 | 一种点云地图构建方法、装置、系统及存储介质 |
CN112731334B (zh) * | 2020-12-10 | 2023-09-12 | 东风汽车集团有限公司 | 一种激光定位车辆的方法及装置 |
CN112688991B (zh) * | 2020-12-15 | 2022-11-04 | 北京百度网讯科技有限公司 | 用于执行点云扫描操作的方法、相关装置及存储介质 |
CN112747752B (zh) * | 2020-12-21 | 2024-02-02 | 清华大学苏州汽车研究院(吴江) | 基于激光里程计的车辆定位方法、装置、设备和存储介质 |
CN113359167A (zh) * | 2021-04-16 | 2021-09-07 | 电子科技大学 | 一种通过惯性测量参数将gps与激光雷达融合定位的方法 |
CN113324537A (zh) * | 2021-04-27 | 2021-08-31 | 的卢技术有限公司 | 车辆位姿获取方法、车辆定位方法和装置、设备和介质 |
CN113460558B (zh) * | 2021-06-29 | 2023-05-02 | 上海芭熹机器人有限责任公司 | 一种室外可移动货物搬运机器人 |
CN113791423A (zh) * | 2021-09-24 | 2021-12-14 | 山东新一代信息产业技术研究院有限公司 | 一种基于多传感器融合的机器人重定位方法 |
CN115871735B (zh) * | 2023-01-11 | 2023-05-16 | 山西世恒铁路技术有限公司 | 一种便携式线路检查仪及线路动态检测方法 |
Family Cites Families (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5303873B2 (ja) * | 2007-06-13 | 2013-10-02 | 株式会社Ihi | 車両形状計測方法と装置 |
EP2427726B1 (en) * | 2009-05-04 | 2019-01-16 | TomTom North America Inc. | Methods and systems for creating digital transportation networks |
JP2013529291A (ja) * | 2010-04-09 | 2013-07-18 | トムトム ノース アメリカ インコーポレイテッド | 場所を表すデータからその場所を解決する方法 |
US9080886B1 (en) * | 2012-08-03 | 2015-07-14 | Robotic Research, Llc | System and method for urban mapping and positioning |
US9488492B2 (en) | 2014-03-18 | 2016-11-08 | Sri International | Real-time system for multi-modal 3D geospatial mapping, object recognition, scene annotation and analytics |
US9097800B1 (en) * | 2012-10-11 | 2015-08-04 | Google Inc. | Solid object detection system using laser and radar sensor fusion |
WO2014171999A2 (en) * | 2013-02-04 | 2014-10-23 | Vanderbilt University | Method and system for high-accuracy differential tracking of global positioning system (gps) receivers |
US11036238B2 (en) * | 2015-10-15 | 2021-06-15 | Harman International Industries, Incorporated | Positioning system based on geofencing framework |
US9110163B2 (en) * | 2013-06-14 | 2015-08-18 | Microsoft Technology Licensing, Llc | Lidar-based classification of object movement |
EP3123397A4 (en) * | 2014-03-27 | 2017-11-08 | The Georgia Tech Research Corporation | Systems and methods for identifying traffic control devices and testing the retroreflectivity of the same |
US9575341B2 (en) * | 2014-06-28 | 2017-02-21 | Intel Corporation | Solid state LIDAR circuit with waveguides tunable to separate phase offsets |
EP3078935A1 (en) * | 2015-04-10 | 2016-10-12 | The European Atomic Energy Community (EURATOM), represented by the European Commission | Method and device for real-time mapping and localization |
EP3106836B1 (en) * | 2015-06-16 | 2018-06-06 | Volvo Car Corporation | A unit and method for adjusting a road boundary |
JP6797928B2 (ja) * | 2015-10-19 | 2020-12-09 | ユニバーシティー・オブ・ノース・テキサス | 排出流から脅威と源の点とを位置特定するための可搬型化学物質検出デバイスのための動的な逆気体積層モデル |
CN105678689B (zh) * | 2015-12-31 | 2020-01-31 | 百度在线网络技术(北京)有限公司 | 高精地图数据配准关系确定方法及装置 |
KR102373926B1 (ko) * | 2016-02-05 | 2022-03-14 | 삼성전자주식회사 | 이동체 및 이동체의 위치 인식 방법 |
EP3427008B1 (en) | 2016-03-11 | 2022-09-07 | Kaarta, Inc. | Laser scanner with real-time, online ego-motion estimation |
CN106023210B (zh) * | 2016-05-24 | 2017-12-12 | 百度在线网络技术(北京)有限公司 | 无人车、无人车定位方法、装置和系统 |
US10066946B2 (en) * | 2016-08-26 | 2018-09-04 | Here Global B.V. | Automatic localization geometry detection |
KR102404155B1 (ko) * | 2016-09-28 | 2022-05-31 | 톰톰 글로벌 콘텐트 비.브이. | 위치파악 참조 데이터를 생성 및 사용하기 위한 방법 및 시스템 |
CN108225341B (zh) * | 2016-12-14 | 2021-06-18 | 法法汽车(中国)有限公司 | 车辆定位方法 |
US10859395B2 (en) * | 2016-12-30 | 2020-12-08 | DeepMap Inc. | Lane line creation for high definition maps for autonomous vehicles |
CN111108342B (zh) * | 2016-12-30 | 2023-08-15 | 辉达公司 | 用于高清地图创建的视觉测程法和成对对准 |
US10371530B2 (en) * | 2017-01-04 | 2019-08-06 | Qualcomm Incorporated | Systems and methods for using a global positioning system velocity in visual-inertial odometry |
CN110537124B (zh) * | 2017-03-01 | 2021-12-07 | 奥斯特公司 | 用于lidar的准确光检测器测量 |
KR102414676B1 (ko) | 2017-03-07 | 2022-06-29 | 삼성전자주식회사 | 지도 데이터를 생성하는 전자 장치 및 그 동작 방법 |
JP6721784B2 (ja) * | 2017-03-30 | 2020-07-15 | パイオニア株式会社 | 情報処理装置、サーバ装置、制御方法、プログラム及び記憶媒体 |
CN107015238A (zh) * | 2017-04-27 | 2017-08-04 | 睿舆自动化(上海)有限公司 | 基于三维激光雷达的无人车自主定位方法 |
US10558864B2 (en) * | 2017-05-18 | 2020-02-11 | TuSimple | System and method for image localization based on semantic segmentation |
CN108401461B (zh) * | 2017-12-29 | 2021-06-04 | 达闼机器人有限公司 | 三维建图方法、装置、系统、云端平台、电子设备和计算机程序产品 |
WO2019148311A1 (zh) * | 2018-01-30 | 2019-08-08 | 深圳前海达闼云端智能科技有限公司 | 信息处理方法和系统、云处理设备及计算机程序产品 |
-
2018
- 2018-11-09 CN CN201880002681.1A patent/CN111656136B/zh active Active
- 2018-11-09 JP JP2018567033A patent/JP2021508814A/ja active Pending
- 2018-11-09 SG SG11201811462PA patent/SG11201811462PA/en unknown
- 2018-11-09 EP EP18815100.5A patent/EP3669141A4/en not_active Withdrawn
- 2018-11-09 AU AU2018282435A patent/AU2018282435B1/en active Active
- 2018-11-09 WO PCT/CN2018/114854 patent/WO2020093378A1/en unknown
- 2018-11-09 CA CA3028286A patent/CA3028286A1/en not_active Abandoned
- 2018-12-22 TW TW107146576A patent/TWI705263B/zh active
- 2018-12-25 US US16/231,983 patent/US11073601B2/en active Active
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI735384B (zh) * | 2020-11-23 | 2021-08-01 | 國立陽明交通大學 | 光達與用於光達之光子數快速累積方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111656136A (zh) | 2020-09-11 |
CA3028286A1 (en) | 2020-05-09 |
EP3669141A1 (en) | 2020-06-24 |
WO2020093378A1 (en) | 2020-05-14 |
US20200150233A1 (en) | 2020-05-14 |
TWI705263B (zh) | 2020-09-21 |
SG11201811462PA (en) | 2020-06-29 |
AU2018282435B1 (en) | 2020-02-06 |
EP3669141A4 (en) | 2020-12-02 |
CN111656136B (zh) | 2023-09-29 |
JP2021508814A (ja) | 2021-03-11 |
US11073601B2 (en) | 2021-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI705263B (zh) | 使用光達的運輸工具定位系統 | |
JP6880080B2 (ja) | ポイントクラウドに基づく姿勢推定を用いた車両ナビゲーションシステム | |
TWI693422B (zh) | 自然場景中的整合感測器校準 | |
TWI695181B (zh) | 用於產生彩色點雲的方法和系統 | |
CN112005079B (zh) | 用于更新高清地图的系统和方法 | |
US20210078587A1 (en) | Ballistic estimation of vehicle data | |
WO2021056283A1 (en) | Systems and methods for adjusting a vehicle pose | |
US11138448B2 (en) | Identifying a curb based on 3-D sensor data |