WO2019161517A1 - 基于云端的轨迹地图生成方法、装置、设备及应用程序 - Google Patents

基于云端的轨迹地图生成方法、装置、设备及应用程序 Download PDF

Info

Publication number
WO2019161517A1
WO2019161517A1 PCT/CN2017/119972 CN2017119972W WO2019161517A1 WO 2019161517 A1 WO2019161517 A1 WO 2019161517A1 CN 2017119972 W CN2017119972 W CN 2017119972W WO 2019161517 A1 WO2019161517 A1 WO 2019161517A1
Authority
WO
WIPO (PCT)
Prior art keywords
trajectory map
map data
data
trajectory
interpolation point
Prior art date
Application number
PCT/CN2017/119972
Other languages
English (en)
French (fr)
Inventor
林义闽
廉士国
Original Assignee
深圳前海达闼云端智能科技有限公司
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 深圳前海达闼云端智能科技有限公司 filed Critical 深圳前海达闼云端智能科技有限公司
Priority to CN201780002712.9A priority Critical patent/CN108235725B/zh
Priority to US16/609,445 priority patent/US11761767B2/en
Priority to PCT/CN2017/119972 priority patent/WO2019161517A1/zh
Publication of WO2019161517A1 publication Critical patent/WO2019161517A1/zh

Links

Images

Classifications

    • 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
    • G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. 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
    • G01C21/20—Instruments for performing navigational calculations
    • 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
    • G05D1/0011—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots associated with a remote control arrangement
    • G05D1/0022—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots associated with a remote control arrangement characterised by the communication link
    • 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
    • G05D1/0268—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means
    • G05D1/0274—Control of position or course in two dimensions specially adapted to land vehicles using internal positioning means using mapping information stored in a memory device

Definitions

  • the present application relates to the field of map optimization processing technology, and can be applied to the field of cloud robots, and can also be applied to robots, drone obstacle avoidance, and blindness.
  • it relates to a cloud-based trajectory map generation method, device, device and application program.
  • the cloud robot is an intelligent robot that puts the cognitive system in the cloud, the body, the drive and the sensor are placed on the robot body, and connects the two through mobile communication; the cloud robot is the development direction of the intelligent humanoid robot.
  • SLAM simultaneous localization and mapping
  • vision-based real-time positioning and mapping technology has once again emerged at the forefront of international academics.
  • vision-based SLAM from the visual front-end, it is usually divided into a feature-based scheme and a direct-based scheme. From the back-end optimization, it is divided into a filter-based scheme and an optimization-based scheme.
  • the sensors can be divided into monocular SLAM, binocular SLAM, VIO (Visual-Inertial Odometry, visual inertia odometer) and so on.
  • the monocular SLAM scheme cannot obtain the map of the true scale because there is no fixed scale, and the problem of scale drift is easy to occur. Due to the limitation of the baseline length, the binocular SLAM scheme is difficult to obtain a high-precision map in a scene with a large outdoor depth of field.
  • the existing scheme can obtain the trajectory map, but due to the characteristics and limitations of various methods, the trajectory map obtained by these schemes has many shortcomings.
  • this application proposes a cloud-based trajectory map generation method, device, device and application program.
  • the first aspect of the embodiments of the present application provides a method for generating a trajectory map based on a cloud, including the following steps:
  • first trajectory map data and second trajectory map data are trajectory map data collected by the same motion trajectory of the same area by using two different mapping schemes, or Is the trajectory map data collected by the same mapping scheme for two identical motion trajectories in the same area;
  • a trajectory map is generated according to an optimal solution of the transformation relationship.
  • the second aspect of the embodiments of the present application provides an apparatus for generating a trajectory map based on a cloud, including:
  • An acquiring module configured to acquire first trajectory map data and second trajectory map data; the first trajectory map data and the second trajectory map data are respectively collected by using different mapping schemes for the same motion trajectory of the same region
  • An initialization module configured to perform map initialization alignment processing on the first trajectory map data and the second trajectory map data, to obtain an initial value of a transformation relationship between the first trajectory map data and the second trajectory map data;
  • An interpolation module configured to perform interpolation processing on the first trajectory map data and the second trajectory map data, to obtain corresponding interpolation point data preset by the first trajectory map data and the second trajectory map data;
  • an optimization module configured to determine a residual equation according to the corresponding interpolation point data and the initial value of the transformation relationship, and obtain an optimal solution of the transformation relationship according to the residual equation
  • a generating module configured to generate a trajectory map according to the optimal solution of the transformation relationship.
  • a third aspect of the embodiments of the present application provides a cloud-based electronic device, including: a communication module, a memory, one or more processors; and one or more modules, the one or more modules being stored in the In memory, and configured to be executed by the one or more processors, the one or more modules include instructions for performing the various steps of the method provided by the first aspect above.
  • a fourth aspect of embodiments of the present application provides an application for use in conjunction with the cloud-based electronic device described above, the application comprising a computer program embedded in a computer readable storage medium, the computer program comprising
  • the cloud-based electronic device executes the instructions of the various steps in the method provided by the first aspect above.
  • the cloud-based trajectory map generation scheme acquires the first trajectory map data and the second trajectory map data; the first trajectory map data and the second The trajectory map data is trajectory map data collected by the same motion trajectory of the same area by using two different mapping schemes, or trajectory map data collected by the same mapping scheme for two identical motion trajectories in the same area; Performing a map initializing alignment process on the first trajectory map data and the second trajectory map data to obtain an initial value of a transformation relationship between the first trajectory map data and the second trajectory map data; and the first trajectory map Performing interpolation processing on the data and the second trajectory map data, and obtaining corresponding interpolation point data preset by the first trajectory map data and the second trajectory map data; according to the corresponding interpolation point data and the transformation relationship Determining a residual equation and obtaining an optimal solution of the transformed relationship according to the residual equation; The trajectory map is generated by the optimal solution of the transformation relationship, and the trajectory map data collected by the same motion trajectory of the same region or
  • FIG. 1 is a schematic flowchart of a method for generating a cloud-based trajectory map provided in an embodiment of the present application
  • FIG. 2 is a schematic structural diagram of an apparatus for generating a cloud-based trajectory map according to an embodiment of the present application
  • FIG. 3 is a schematic structural diagram of a cloud-based electronic device provided in an embodiment of the present application.
  • FIG. 4 is a schematic diagram 1 of an embodiment of a method for generating a cloud-based trajectory map provided in an embodiment of the present application;
  • FIG. 5 is a second schematic diagram of an embodiment of a method for generating a cloud-based trajectory map according to an embodiment of the present application
  • FIG. 6 is a schematic diagram 3 of an embodiment of a method for generating a cloud-based trajectory map provided in an embodiment of the present application.
  • FIG. 1 is a schematic flowchart of a method for generating a cloud-based trajectory map according to an embodiment of the present disclosure. As shown in FIG. 1 , the method for generating a trajectory map based on a cloud may include the following steps:
  • Step 101 Acquire first trajectory map data and second trajectory map data; the first trajectory map data and the second trajectory map data are trajectory maps collected by using different mapping schemes for the same motion trajectory of the same area respectively.
  • the data or, is the trajectory map data collected by the same mapping scheme for two identical motion trajectories in the same region;
  • Step 102 Perform map initialization alignment processing on the first trajectory map data and the second trajectory map data, and obtain an initial value of a transformation relationship between the first trajectory map data and the second trajectory map data;
  • Step 103 Perform interpolation processing on the first trajectory map data and the second trajectory map data to obtain corresponding interpolation point data preset by the first trajectory map data and the second trajectory map data;
  • Step 104 Determine a residual equation according to the corresponding interpolation point data and the initial value of the transformation relationship, and obtain an optimal solution of the transformation relationship according to the residual equation;
  • Step 105 Generate a trajectory map according to an optimal solution of the transformation relationship.
  • the implementation of the method may use the data acquisition device of the cloud robot (or other device) to collect the trajectory map data, and then upload the collected trajectory map data to the corresponding cloud server for subsequent trajectory map data.
  • the processing finally generates a high-precision trajectory map; when the device or terminal that collects the trajectory map data has a certain data processing capability, the device or the terminal may perform subsequent data processing and generate a trajectory map.
  • Trajectory map data collected by the same motion trajectory of the same area by any two different mapping schemes such as monocular SLAM, binocular SLAM, fisheye, VIO, or other trajectory map processing schemes, or
  • the first trajectory map data and the second trajectory map data obtained by the same mapping scheme for the trajectory map data collected by the same motion trajectory twice in the same region. Initializing and aligning the first trajectory map data and the second trajectory map data to obtain an initial value of the transformation relationship between the two.
  • the first trajectory map data and the second trajectory map data need to be interpolated to obtain the first trajectory map data and the second The corresponding interpolation point data preset by the trajectory map data.
  • the corresponding interpolation point data preset by the first trajectory map data and the second trajectory map data may refer to interpolation point data corresponding to the two at the same time.
  • the number of interpolation points after the final interpolation process is not necessarily the same, and only needs to ensure that the two have the same number of interpolation point data at the same time.
  • trajectory map data can be involved in the optimization of the cloud-based trajectory map generation, and the subsequent sections will be described in detail in the corresponding sections.
  • step 102 and step 103 The execution of step 102 and step 103 is performed in no particular order, and may also be performed simultaneously.
  • the cloud-based trajectory map generation method acquires the first trajectory map data and the second trajectory map data; the first trajectory map data and the second trajectory
  • the map data is the trajectory map data collected by the same motion trajectory of the same area by two different mapping schemes, or the trajectory map data collected by the same mapping scheme for the same motion trajectory of the same area twice; Performing map initializing alignment processing on the first trajectory map data and the second trajectory map data, and obtaining an initial value of a transformation relationship between the first trajectory map data and the second trajectory map data; and the first trajectory map data And performing interpolation processing on the second trajectory map data to obtain corresponding interpolation point data preset by the first trajectory map data and the second trajectory map data; and according to the corresponding interpolation point data and the initial value of the transformation relationship Determining a residual equation and obtaining an optimal solution of the transformation relationship according to the residual equation; The optimal solution of the transformation relationship generates the trajectory map, and the trajectory map data collected by the same motion trajectory of the same region or the same
  • the first trajectory map data and the second trajectory map data are subjected to map initializing alignment processing, and an initial value of the transformation relationship between the first trajectory map data and the second trajectory map data is obtained, which may be specific include:
  • the transformation relationship includes a relative scaling factor, a relative initial translation vector, or a similar transformation matrix.
  • FIG. 4 is a first schematic diagram of an embodiment of a method for generating a cloud-based trajectory map according to an embodiment of the present application.
  • the trajectory map data formed by solid lines is the first trajectory map data
  • the horizontal trajectory is
  • the trajectory map data composed of the composed lines is the second trajectory map data
  • the origins O of the two coincide
  • the centroid points of the two are P 1 o and P 2 o , respectively .
  • the origins of the two are coincident, where the first trajectory map data and the second trajectory map data are preset corresponding to at least two positions.
  • the data of the two position points are selected, which are the origin and the centroid of the two (P 1 o and P 2 o ).
  • P 1 o and P 2 o the origin and the centroid of the two
  • Other points other than the origin and the center of mass can also be selected, and are not specifically limited herein.
  • the relative translation vectors that coincide with the origin of the two are the relative initial translation vectors of the two.
  • the origin and the centroid connection of the first trajectory map data and the second trajectory map data respectively obtain the line segments l 1 and l 2 , and the calculated ratio of the lengths of l 1 and l 2 is the first trajectory map data and the second trajectory.
  • the calculation formula of the relative scaling factors S o , S o of the map data can be as follows:
  • the similar transformation matrix R o of the first trajectory map data and the second trajectory map data can be obtained, and the calculation formula of R o can be specifically as follows:
  • first trajectory map data and the second trajectory map data are subjected to interpolation processing to obtain corresponding interpolation point data preset by the first trajectory map data and the second trajectory map data, which may specifically include :
  • a sliding window may be constructed. For example, a sliding window with a fixed time span ⁇ T may be selected according to actual conditions, and the first trajectory map data is compared according to a sliding window with a time span of ⁇ T. Interpolation processing is performed with the second trajectory map data to obtain corresponding interpolation point data.
  • first trajectory map data and the second trajectory map data are subjected to interpolation processing to obtain corresponding interpolation point data preset by the first trajectory map data and the second trajectory map data, which may specifically include :
  • FIG. 5 is a second schematic diagram of an embodiment of a cloud-based trajectory map generation method according to an embodiment of the present disclosure.
  • Alg1 is a first trajectory map data
  • Alg2 is a second trajectory map data.
  • the time span of the sliding window is ⁇ T
  • n pose data of Alg2 respectively calculating the average variance of the m pose data of the above Alg1 and the n poses of Alg2.
  • the average variance of the data is a second schematic diagram of an embodiment of a cloud-based trajectory map generation method according to an embodiment of the present disclosure.
  • Alg1 is a first trajectory map data
  • Alg2 is a second trajectory map data.
  • the time span of the sliding window is ⁇ T
  • n pose data of Alg2 respectively calculating the average variance of the m pose data of the above Alg1 and the n poses of Alg2.
  • the time span of the fixed sliding window is ⁇ T
  • m pose data of Alg1 in ⁇ T there are n pose data of Alg2, respectively calculating the second moment ⁇ 1x 2 and ⁇ of the x and y coordinate directions of Alg1 and Alg2.
  • 1y 2 , ⁇ 2x 2 and ⁇ 2y 2 to obtain the final ⁇ 2 of the two , as follows:
  • ⁇ 2 max( ⁇ 1 2 , ⁇ 2 2 )
  • the first trajectory map data and the second trajectory map data are respectively subjected to interpolation processing according to ⁇ t, and the interpolation point data at the same time preset by the first trajectory map data and the second trajectory map data is obtained.
  • determining a residual equation according to the corresponding interpolation point data and the initial value of the transformation relationship and obtaining an optimal solution of the transformation relationship according to the residual equation may specifically include:
  • the interpolation point data in the first trajectory map data is transformed to the second An interpolation point data estimate in the trajectory map data; there is an offset error between the estimate and the true difference, the bias error obeying a Gaussian distribution;
  • the interpolation point data in the second trajectory map data is transformed to the first An interpolation point data estimate in the trajectory map data; there is an offset error between the estimate and the true difference, the bias error obeying a Gaussian distribution;
  • the residual is the difference between the actual observed value and the estimated value (fitted value) in mathematical statistics.
  • the map transformation is a similar transformation with offset error, and the bias error B obeys a Gaussian distribution, where Tv represents the pose data in Alg1, To represents the pose data in Alg2, T v, tk and T o,tk is obtained by interpolating Alg1 and Alg2 respectively. After interpolation, the time axis tk of the two is synchronously corresponding, that is, each time tk can find the respective attitude data T on the two tracks of Alg1 and Alg2. v, tk and T o,tk . Among them, the calculations of T v,tk and T o,tk and B are as follows:
  • the correspondence between the first trajectory map data in the sliding window and the interpolation point data corresponding to the second trajectory map data can be obtained, as follows:
  • the 2D trajectory map will have limitations, and a 3D trajectory map is needed.
  • the method steps described above are also required. The difference is that the degree of freedom of rotation matrix and translation vector increases from 2D to 3D. Therefore, the trajectory map needs to be properly improved when initializing alignment, but interpolation
  • the steps and methods of optimization are similar, and only need to increase the corresponding degree of freedom, which will not be described here.
  • generating a trajectory map according to the optimal solution of the transformation relationship may specifically include:
  • the interpolation point data in the first trajectory map data is transformed into the Estimating the optimal interpolation point data in the second trajectory map data;
  • the interpolation point data in the second trajectory map data is transformed into the Estimating the optimal interpolation point data in the first trajectory map data;
  • the interpolation in the first trajectory map data may be obtained according to the optimal solution of the transformation relationship and the interpolation point data in the first trajectory map data.
  • Point data is transformed into an optimal interpolation point data estimate in the second trajectory map data, and then the optimal interpolation point data in the second trajectory map data is estimated and the corresponding second trajectory map data is true
  • the interpolation point data is fitted, and after completing a certain number of fittings, a trajectory map can be generated.
  • the interpolation point data in the second trajectory map data may be transformed into an optimal interpolation point in the first trajectory map data according to the optimal solution of the transformation relationship and the interpolation point data in the second trajectory map data.
  • Data estimation, and then fitting the optimal interpolation point data in the first trajectory map data and the corresponding actual interpolation point data in the first trajectory map data, and completing a certain number of fittings you can generate a trajectory map.
  • the method for generating the trajectory map based on the cloud may further include: after generating the trajectory map according to the optimal solution of the transformation relationship, using the generated trajectory map as the third trajectory map data;
  • a trajectory map is generated according to an optimal solution of the transformation relationship.
  • the fourth trajectory map data may be the original trajectory map data collected, or may be similar to the third trajectory map data, and the solution generated by using the cloud-based trajectory map described above is based on two or two The trajectory map data obtained by fitting the trajectory map data originally acquired above.
  • the embodiment of the present application further provides a device for generating a trajectory map based on the cloud. Since the principle of solving the problem of the devices is similar to the method for generating the trajectory map based on the cloud, the implementation of the devices may be referred to. The implementation of the method, the repetition will not be repeated.
  • the apparatus for generating a trajectory map based on a cloud may include:
  • the acquiring module 201 is configured to acquire first trajectory map data and second trajectory map data; the first trajectory map data and the second trajectory map data are respectively collected by the same motion trajectory of the same region by using two different mapping schemes. Trajectory map data, or trajectory map data collected by the same mapping scheme for two identical motion trajectories in the same region;
  • the initialization module 202 is configured to perform a map initializing alignment process on the first trajectory map data and the second trajectory map data, to obtain an initial value of the transformation relationship between the first trajectory map data and the second trajectory map data;
  • the interpolation module 203 is configured to perform interpolation processing on the first trajectory map data and the second trajectory map data to obtain corresponding interpolation point data preset by the first trajectory map data and the second trajectory map data;
  • the optimization module 204 is configured to determine a residual equation according to the corresponding interpolation point data and the initial value of the transformation relationship, and obtain an optimal solution of the transformation relationship according to the residual equation;
  • the generating module 205 is configured to generate a trajectory map according to the optimal solution of the transformation relationship.
  • the initialization module 202 may be specifically configured to acquire data of the corresponding at least two location points preset by the first trajectory map data and the second trajectory map data; according to the at least two location points Obtaining a relative initial translation vector of the first trajectory map data and the second trajectory map data from any one of the position points; connecting two of the at least two position points; according to the length between the lines Obtaining a relative scaling factor of the first trajectory map data and the second trajectory map data; obtaining a similar transformation matrix of the first trajectory map data and the second trajectory map data according to an angle between the lines;
  • the transformation relationship includes: a relative scaling factor, a relative initial translation vector, or a similar transformation matrix.
  • the interpolation module 203 may be specifically configured to construct a sliding window, and perform interpolation processing on the first trajectory map data and the second trajectory map data according to the sliding window to obtain the first trajectory map data and the second The corresponding interpolation point data preset by the trajectory map data.
  • the interpolation module 203 may be specifically configured to separately calculate an average variance of the first trajectory map data and the second trajectory map data; and query the chi-square distribution table according to the average variance and a preset probability to obtain a corresponding a degree of freedom; determining a number of data of the first trajectory map data, a number of data of the second trajectory map data, and a maximum value of the degrees of freedom as a target number of interpolation points; according to the interpolation point Performing interpolation processing on the first trajectory map data and the second trajectory map data by using an interpolation function, respectively, to obtain interpolation points of the corresponding first time of the first trajectory map data and the second trajectory map data data.
  • the optimization module 204 may be specifically configured to determine the first trajectory map according to the interpolation point data located in the first trajectory map data and the initial value of the transformation relationship in the corresponding interpolation point data.
  • Interpolation point data in the data is transformed to an interpolation point data estimate in the second trajectory map data; there is an offset error between the estimate and the true difference, the bias error obeying a Gaussian distribution;
  • the interpolation point data in the second trajectory map data is estimated and the interpolation point data corresponding to the second trajectory map data, and the residual equations of the two are obtained; and the transformation relationship is calculated according to the residual equation.
  • the interpolation point data in the second trajectory map data is transformed to the first An interpolation point data estimate in the trajectory map data; an offset error between the estimate and the true difference, the offset error obeying a Gaussian distribution; and an estimate of the interpolation point data in the first trajectory map data
  • the residual equations of the two are obtained; and the optimal solution of the transformation relationship is calculated according to the residual equation.
  • the generating module 205 may be specifically configured to obtain, according to the optimal solution of the transformation relationship and the interpolation point data in the first trajectory map data in the corresponding interpolation point data. Interpolating point data in a trajectory map data is transformed to an optimal interpolation point data estimate in the second trajectory map data; and an optimal interpolation point data in the second trajectory map data is estimated and corresponding thereto The interpolation point data in the second trajectory map data is fitted to generate a trajectory map;
  • the interpolation point data in the second trajectory map data is transformed into the An optimal interpolation point data estimate in the first trajectory map data; an estimate of the optimal interpolation point data in the first trajectory map data and an interpolation point data in the first trajectory map data corresponding thereto Perform a fit to generate a trajectory map.
  • the apparatus for generating a cloud-based trajectory map may further include: a data module, configured to generate the trajectory map according to the optimal solution of the transformation relationship, and use the generated trajectory map as the third trajectory map data;
  • the obtaining module is further configured to acquire fourth trajectory map data
  • the initialization module is further configured to perform a map initializing alignment process on the third trajectory map data and the fourth trajectory map data, to obtain an initial value of a transformation relationship between the third trajectory map data and the fourth trajectory map data;
  • the interpolation module is further configured to perform interpolation processing on the third trajectory map data and the fourth trajectory map data to obtain corresponding interpolation point data preset by the third trajectory map data and the fourth trajectory map data;
  • the optimization module is further configured to determine a residual equation according to the corresponding interpolation point data and the initial value of the transformation relationship, and obtain an optimal solution of the transformation relationship according to the residual equation;
  • the generating module is further configured to generate a trajectory map according to the optimal solution of the transformation relationship.
  • FIG. 3 is a schematic structural diagram of a cloud-based electronic device provided in the embodiment of the present application, as shown in FIG.
  • the electronic device 300 can include a communication module 301, a memory 302, one or more processors 303, and one or more modules, the one or more modules being stored in the memory and configured to be Executed by one or more processors, the one or more modules include instructions for performing the various steps in the method of cloud-based trajectory map generation described above.
  • an application program used in combination with the cloud-based electronic device described above is further provided in the embodiment of the present application, the application program includes a computer program embedded in a computer-readable storage medium, the computer The program includes instructions for causing the cloud-based electronic device to perform various steps in the method of cloud-based trajectory map generation described above.
  • FIG. 6 is a third schematic diagram of an embodiment of a method for generating a cloud-based trajectory map according to an embodiment of the present application.
  • the implementation of the solution first acquires two or more trajectory map data, and trajectory map data. The more the number of samples, the higher the accuracy of the trajectory map that is optimized for final generation.
  • the trajectory map data is initialized and aligned between the two, and the interpolation process is performed based on the sliding window, and the solution is solved according to the above optimization solution scheme. After all the trajectory map data is processed, the trajectory map generated by the final fitting is output, otherwise the processing is continued.
  • the following is an example.
  • the cloud-based trajectory map generation method provided by the embodiment of the present application can perform optimization processing based on multiple trajectory map data to generate a more accurate map.
  • embodiments of the present application can be provided as a method, system, or application.
  • the present application can take the form of an entirely hardware embodiment, an entirely software embodiment, or an embodiment in combination of software and hardware.
  • the application can take the form of an application implemented on one or more computer-usable storage media (including but not limited to disk storage, CD-ROM, optical storage, etc.) in which computer usable program code is embodied.
  • the computer program instructions can also be stored in a computer readable memory that can direct a computer or other programmable data processing device to operate in a particular manner, such that the instructions stored in the computer readable memory produce an article of manufacture comprising the instruction device.
  • the apparatus implements the functions specified in one or more blocks of a flow or a flow and/or block diagram of the flowchart.
  • These computer program instructions can also be loaded onto a computer or other programmable data processing device such that a series of operational steps are performed on a computer or other programmable device to produce computer-implemented processing for execution on a computer or other programmable device.
  • the instructions provide steps for implementing the functions specified in one or more of the flow or in a block or blocks of a flow diagram.

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Processing Or Creating Images (AREA)
  • Instructional Devices (AREA)
  • Image Generation (AREA)

Abstract

本申请实施例提供了一种基于云端的轨迹地图生成方法、装置、设备及应用程序，其中，基于云端的轨迹地图生成的方法包括：获取第一轨迹地图数据和第二轨迹地图数据；对二者进行地图初始化对齐处理，得到二者相互之间的变换关系初值；对二者进行插值处理，得到二者预设的相对应的插值点数据；根据所述相对应的插值点数据及所述变换关系初值确定残差方程并根据所述残差方程得到所述变换关系的最优解；根据所述变换关系的最优解生成轨迹地图，可以基于不同建图方案分别对同一区域的同一运动轨迹采集的轨迹地图数据或相同建图方案对同一区域两次相同的运动轨迹采集的轨迹地图数据进行优化得到高精度的轨迹地图。

Description

基于云端的轨迹地图生成方法、装置、设备及应用程序 技术领域
本申请涉及地图优化处理技术领域，可以应用于云端机器人领域，还可以应用于机器人、无人机避障、导盲领域。特别涉及一种基于云端的轨迹地图生成方法、装置、设备及应用程序。
背景技术
云端机器人是将认知系统放在云里，身体、驱动、传感器放在机器人本体上，通过移动通信将二者连接起来的智能机器人；云端机器人是智能仿人机器人发展的方向。
SLAM(simultaneous localization and mapping，即时定位与地图构建)是这样一种技术：使得机器人和自动驾驶汽车等设备能在未知环境(没有先验知识的前提下)建立地图，或者在已知环境(已给出该地图的先验知识)中能更新地图，并保证这些设备能在同时追踪它们的当前位置。
随着高性能处理器以及多线程架构的发展，基于视觉的实时定位与建图技术又一次在国际学术前沿崭露头角。在基于视觉的SLAM领域，从视觉前端来分，通常分为基于特征的方案和基于直接法的方案，从后端优化来分，又分为基于滤波器的方案和基于优化的方案，从所用的传感器来分，还可以分为单目SLAM、双目SLAM、VIO(Visual-Inertial Odometry，视觉惯性里程计)等等。其中，单目SLAM方案由于没有固定的尺度，不能得到真实尺度的地图，且容易出现尺度漂移的问题。双目SLAM方案由于基线长度的限制，很难在室外大景深的场景中得到高精度的地图。
为了得到具有真实尺度的高精度地图，较容易想到的方案是使用多种SLAM方案获得同一个区域的轨迹地图或者多次运行同一个SLAM方案得到同一个区域的轨迹地图，再利用相应的算法去减少误差得到更高精度的地图。但由于特征点和关键帧的随机性以及时间戳系统的差异，最终得到的地图只能是在大致轮廓上相似，很难实现所有细节上的数据同步。
现有的方案都可以得到轨迹地图，但是由于各类方法的特点和局限，通过这些方案得到的轨迹地图又存在诸多的不足。
发明内容
本申请针对现有轨迹地图生成方案的不足，提出了一种基于云端的轨迹地图生成方法、装置、设备及应用程序。
本申请实施例第一方面提供了一种基于云端的轨迹地图生成的方法，包括如下步骤：
获取第一轨迹地图数据和第二轨迹地图数据；所述第一轨迹地图数据和第二轨迹地图数据是采用两种不同的建图方案分别对同一区域的同一运动轨迹采集的轨迹地图数据，或者，是采用相同的建图方案对同一区域两次相同的运动轨迹采集的轨迹地图数据；
对所述第一轨迹地图数据和第二轨迹地图数据进行地图初始化对齐处理，得到所述第一轨迹地图数据和第二轨迹地图数据相互之间的变换关系初值；
对所述第一轨迹地图数据和第二轨迹地图数据进行插值处理，得到所述第一轨迹地图数据和第二轨迹地图数据预设的相对应的插值点数据；
根据所述相对应的插值点数据及所述变换关系初值确定残差方程并根据所述残差方程得到所述变换关系的最优解；
根据所述变换关系的最优解生成轨迹地图。
本申请实施例第二方面提供了一种基于云端的轨迹地图生成的装置，包括：
获取模块，用于获取第一轨迹地图数据和第二轨迹地图数据；所述第一轨迹地图数据和第二轨迹地图数据是采用两种不同的建图方案分别对同一区域的同一运动轨迹采集的轨迹地图数据，或者，是采用相同的建图方案对同一区域两次相同的运动轨迹采集的轨迹地图数据；
初始化模块，用于对所述第一轨迹地图数据和第二轨迹地图数据进行地图初始化对齐处理，得到所述第一轨迹地图数据和第二轨迹地图数据相互之间的变换关系初值；
插值模块，用于对所述第一轨迹地图数据和第二轨迹地图数据进行插值处理，得到所述第一轨迹地图数据和第二轨迹地图数据预设的相对应的插值点数据；
优化模块，用于根据所述相对应的插值点数据及所述变换关系初值确定残差方程并根据所述残差方程得到所述变换关系的最优解；
生成模块，用于根据所述变换关系的最优解生成轨迹地图。
本申请实施例第三方面提供了一种基于云端的电子设备，包括：通信模块，存储器，一个或多个处理器；以及一个或多个模块，所述一个或多个模块被存储在所述存储器中，并被配置成由所述一个或多个处理器执行，所述一个或多个模块包括用于执行上述第一方面提供的方法中各个步骤的指令。
本申请实施例第四方面提供了与上述的基于云端的电子设备结合使用的应用程序，所述应用程序包括内嵌于计算机可读的存储介质中的计算机程序，所述计算机程序包括用于使所述基于云端的电子设备执行上述第一方面提供的方法中各个步骤的指令。
有益效果如下：
针对现有轨迹地图生成方案的不足，本申请实施例所提供的基于云端的轨迹地图生成的方案，通过获取第一轨迹地图数据和第二轨迹地图数据；所述第一轨迹地图数据和第二轨迹地图数据是采用两种不同的建图方案分别对同一区域的同一运动轨迹采集的轨迹地图数据，或者，是采用相同的建图方案对同一区域两次相同的运动轨迹采集的轨迹地图数据；对所述第一轨迹地图数据和第二轨迹地图数据进行地图初始化对齐处理，得到所述第一轨迹地图数据和第二轨迹地图数据相互之间的变换关系初值；对所述第一轨迹地图数据和第二轨迹地图数据进行插值处理，得到所述第一轨迹地图数据和第二轨迹地图数据预设的相对应的插值点数据；根据所述相对应的插值点数据及所述变换关系初值确定残差方程并根据所述残差方程得到所述变换关系的最优解；根据所述变换关系的最优解生成轨迹地图，可以基于不同建图方案分别对同一区域的同一运动轨迹采集的轨迹地图数据或相同建图方案对同一区域两次相同的运动轨迹采集的轨迹地图数据进行优化得到高精度的轨迹地图。
附图说明
图1为本申请实施例中提供的基于云端的轨迹地图生成的方法的流程示意图；
图2为本申请实施例中提供的基于云端的轨迹地图生成的装置的结构示意图；
图3为本申请实施例中提供的基于云端的电子设备的结构示意图；
图4为本申请实施例中提供的基于云端的轨迹地图生成的方法的实施例示意图一；
图5为本申请实施例中提供的基于云端的轨迹地图生成的方法的实施例示意图二；
图6为本申请实施例中提供的基于云端的轨迹地图生成的方法的实施例示意图三。
具体实施方式
为了使本申请的技术方案及优点更加清楚明白，以下结合附图对本申请的示例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本申请的一部分实施例，而不是所有实施例的穷举。并且在不冲突的情况下，本说明中的实施例及实施例中的特征可以互相结合。
图1为本申请实施例中提供的基于云端的轨迹地图生成的方法的流程示意图，如图1所示，该基于云端的轨迹地图生成的方法可以包括如下步骤：
步骤101、获取第一轨迹地图数据和第二轨迹地图数据；所述第一轨迹 地图数据和第二轨迹地图数据是采用两种不同的建图方案分别对同一区域的同一运动轨迹采集的轨迹地图数据，或者，是采用相同的建图方案对同一区域两次相同的运动轨迹采集的轨迹地图数据；
步骤102、对所述第一轨迹地图数据和第二轨迹地图数据进行地图初始化对齐处理，得到所述第一轨迹地图数据和第二轨迹地图数据相互之间的变换关系初值；
步骤103、对所述第一轨迹地图数据和第二轨迹地图数据进行插值处理，得到所述第一轨迹地图数据和第二轨迹地图数据预设的相对应的插值点数据；
步骤104、根据所述相对应的插值点数据及所述变换关系初值确定残差方程并根据所述残差方程得到所述变换关系的最优解；
步骤105、根据所述变换关系的最优解生成轨迹地图。
具体实施中，该方法的实施可以采用云端机器人(也可以是其他的设备)的数据采集设备采集轨迹地图数据，然后将上述采集到的轨迹地图数据上传至相应的云端服务器进行后续的轨迹地图数据的处理，最终生成高精度的轨迹地图；当采集轨迹地图数据的设备或终端具有一定的数据处理能力时，也可以由该设备或终端进行后续的数据处理并生成轨迹地图。
通过单目SLAM、双目SLAM、鱼眼、VIO等视觉处理方案或其他轨迹地图处理方案中的任意两种不同的建图方案分别对同一区域的同一运动轨迹采集的轨迹地图数据，或者，采用相同的建图方案对同一区域两次相同的运动轨迹采集的轨迹地图数据得到的第一轨迹地图数据和第二轨迹地图数据。对第一轨迹地图数据和第二轨迹地图数据进行初始化对齐，得到二者的变换关系初值。
为了保证后续数据处理中第一轨迹地图数据和第二轨迹地图数据能够很好地对应，还需要对第一轨迹地图数据和第二轨迹地图数据进行插值处理，得到第一轨迹地图数据和第二轨迹地图数据预设的相对应的插值点数据。第一轨迹地图数据和第二轨迹地图数据预设的相对应的插值点数据可以是指二者在同一时刻对应的插值点数据。具体的插值处理中二者最终插值处理后的插值点个数不一定要相同，只需要保证二者具有一定数量的时刻相同的插值点数据即可。
根据上述得到的第一轨迹地图数据和第二轨迹地图数据相对应的(相同时刻)插值点数据及变换关系初值确定残差方程并根据所述残差方程进行变换关系最优解的计算，得到第一轨迹地图数据和第二轨迹地图数据变换关系的最优解，然后，基于第一轨迹地图数据和第二轨迹地图数据，根据变换关系的最优解生成轨迹地图，生成轨迹地图的优选方案会在后续相应部分进行详细说明。
具体实施中，为了更为充分的优化轨迹地图的生成，可以通过更多的轨迹地图数据参与到基于云端的轨迹地图生成的优化中，后续会在相应部 分进行详细说明。
其中，步骤102和步骤103的执行不分先后顺序，也可以同时执行。
针对现有轨迹地图生成方案的不足，本申请实施例所提供的基于云端的轨迹地图生成方法，通过获取第一轨迹地图数据和第二轨迹地图数据；所述第一轨迹地图数据和第二轨迹地图数据是采用两种不同的建图方案分别对同一区域的同一运动轨迹采集的轨迹地图数据，或者，是采用相同的建图方案对同一区域两次相同的运动轨迹采集的轨迹地图数据；对所述第一轨迹地图数据和第二轨迹地图数据进行地图初始化对齐处理，得到所述第一轨迹地图数据和第二轨迹地图数据相互之间的变换关系初值；对所述第一轨迹地图数据和第二轨迹地图数据进行插值处理，得到所述第一轨迹地图数据和第二轨迹地图数据预设的相对应的插值点数据；根据所述相对应的插值点数据及所述变换关系初值确定残差方程并根据所述残差方程得到所述变换关系的最优解；根据所述变换关系的最优解生成轨迹地图，可以基于不同建图方案分别对同一区域的同一运动轨迹采集的轨迹地图数据或相同建图方案对同一区域两次相同的运动轨迹采集的轨迹地图数据进行优化得到高精度的轨迹地图。
实施中，所述对所述第一轨迹地图数据和第二轨迹地图数据进行地图初始化对齐处理，得到所述第一轨迹地图数据和第二轨迹地图数据相互之间的变换关系初值，可以具体包括：
获取所述第一轨迹地图数据和第二轨迹地图数据预设的相对应的至少两个位置点的数据；
根据所述至少两个位置点中的任意一个位置点得到所述第一轨迹地图数据和第二轨迹地图数据的相对初始平移向量；
将所述至少两个位置点中的两个位置点连线；
根据所述连线之间的长度比值得到所述第一轨迹地图数据和第二轨迹地图数据的相对缩放因子；
根据所述连线之间的夹角得到所述第一轨迹地图数据和第二轨迹地图数据的相似变换矩阵；
所述变换关系包括：相对缩放因子、相对初始平移向量或相似变换矩阵。
图4为本申请实施例中提供的基于云端的轨迹地图生成的方法的实施例示意图一，如图4所示，由实线线条构成的轨迹地图数据为第一轨迹地图数据，由点横线组成的线条构成的轨迹地图数据为第二轨迹地图数据，二者的原点O重合，二者的质心点分别为P 1 o和P 2 o。
如图4所示，将第一轨迹地图数据和第二轨迹地图数据初始化对齐后，二者的原点重合，这里第一轨迹地图数据和第二轨迹地图数据预设的相对应的至少两个位置点的数据的选取上，选了两个位置点的数据，分别为二者的原点和质心(P 1 o和P 2 o)，具体实施中，只要选择两对二者相对应的位 置点即可，为了更为准确的得到二者变换关系初值，也可以选择多对位置点。也可以选择原点和质心之外的其他位置点，这里不做具体限定。
初始化对齐过程中，将二者的原点(也可以是原点之外的其他位置点)重合的相对平移向量为二者的相对初始平移向量。
将第一轨迹地图数据和第二轨迹地图数据各自的原点和质心连线分别得到线段l 1和l 2，计算出的l 1和l 2长度的比值即为第一轨迹地图数据和第二轨迹地图数据的相对缩放因子S o，S o的计算公式可以具体如下：
Figure PCTCN2017119972-appb-000001
根据连线l 1和l 2之间的夹角θ o即可得到第一轨迹地图数据和第二轨迹地图数据的相似变换矩阵R o，R o的计算公式可以具体如下：
其中θ o的计算公式具体如下：
Figure PCTCN2017119972-appb-000002
Figure PCTCN2017119972-appb-000003
相对初始平移向量为t o，t o＝[0 0] T。
实施中，所述对所述第一轨迹地图数据和第二轨迹地图数据进行插值处理，得到所述第一轨迹地图数据和第二轨迹地图数据预设的相对应的插值点数据，可以具体包括：
构建滑动窗；
根据所述滑动窗对所述第一轨迹地图数据和第二轨迹地图数据进行插值处理，得到所述第一轨迹地图数据和第二轨迹地图数据预设的相对应的插值点数据。
具体实施中，为了加快数据处理的速度，提高效率，可以构建滑动窗，例如可以根据实际情况选择一个固定时间跨度ΔT的滑动窗，根据时间跨度为ΔT的滑动窗对所述第一轨迹地图数据和第二轨迹地图数据进行插值处理，得到相对应的插值点数据。
实施中，所述对所述第一轨迹地图数据和第二轨迹地图数据进行插值处理，得到所述第一轨迹地图数据和第二轨迹地图数据预设的相对应的插值点数据，可以具体包括：
分别计算所述第一轨迹地图数据和第二轨迹地图数据的平均方差；
根据所述平均方差及预设的概率查询卡方分布表得到相对应的自由度；
确定所述第一轨迹地图数据的数据个数、所述第二轨迹地图数据的数据个数及所述自由度中的最大值作为插值点的目标个数；
根据所述插值点的目标个数采用插值函数对所述第一轨迹地图数据和第二轨迹地图数据分别进行插值处理，得到所述第一轨迹地图数据和第二轨迹地图数据预设的相对应的相同时刻的插值点数据。
图5为本申请实施例中提供的基于云端的轨迹地图生成的方法的实施例示意图二，如图5所示，Alg1为第一轨迹地图数据，Alg2为第二轨迹地图数据，这里选取的固定滑窗的时间跨度为ΔT，滑动窗ΔT内Alg1的位姿数据有m个，Alg2的位姿数据有n个，分别计算上述Alg1的m个位姿数据的平均方差和Alg2的n个位姿数据的平均方差。根据预设的概率，例如0.75或0.9，根据卡方分布查表得到自由度δ，选择m、n和δ中的最大值为插值处理的插值点个数N，即：N＝max(m,n,δ)。
上述步骤在具体实施中，可以如下：
a.固定滑动窗的时间跨度ΔT，ΔT内Alg1的位姿数据有m个，Alg2的位姿数据有n个，分别计算Alg1和Alg2的x、y坐标方向的二阶矩μ 1x 2、μ 1y 2、μ 2x 2和μ 2y 2，从而得到二者最终的μ 2，具体如下：
μ 1x 2＝E[(x 1-E(x 1)) 2]
μ 1y 2＝E[(y 1-E(y 1)) 2]
μ 2x 2＝E[(x 2-E(x 2)) 2]
μ 2y 2＝E[(y 2-E(y 2)) 2]
Figure PCTCN2017119972-appb-000004
Figure PCTCN2017119972-appb-000005
μ 2＝max(μ 1 2,μ 2 2)
μ 2服从卡方分布，根据预设的概率，例如0.75或0.9，根据卡方分布查表得到自由度δ，选择m、n和δ中的最大值为插值处理的插值点个数N，即：N＝max(m,n,δ)，从而确定每两个相邻插值点之间的时间间隔Δt为
Figure PCTCN2017119972-appb-000006
根据Δt对第一轨迹地图数据和第二轨迹地图数据分别进行插值处理，得到第一轨迹地图数据和第二轨迹地图数据预设的相对应的相同时刻的插值点数据。
实施中，根据所述相对应的插值点数据及所述变换关系初值确定残差方程并根据所述残差方程得到所述变换关系的最优解，可以具体包括：
根据所述相对应的插值点数据中的位于所述第一轨迹地图数据中的插值点数据及所述变换关系初值确定所述第一轨迹地图数据中的插值点数据变换至所述第二轨迹地图数据中的插值点数据估值；所述估值与真实差值之间存在偏置误差，所述偏置误差服从高斯分布；
根据所述第二轨迹地图数据中的插值点数据估值与所述第二轨迹地图数据中与之对应的插值点数据，得到二者的残差方程；
根据所述残差方程计算所述变换关系的最优解；
或者，
根据所述相对应的插值点数据中的位于所述第二轨迹地图数据中的插值点数据及所述变换关系初值确定所述第二轨迹地图数据中的插值点数据变换至所述第一轨迹地图数据中的插值点数据估值；所述估值与真实差值之间存在偏置误差，所述偏置误差服从高斯分布；
根据所述第一轨迹地图数据中的插值点数据估值与所述第一轨迹地图数据中与之对应的插值点数据，得到二者的残差方程；
根据所述残差方程计算所述变换关系的最优解。
残差在数理统计中是指实际观察值与估计值(拟合值)之间的差。具体实施中，地图变换是一种带有偏置误差的相似变换，偏置误差B服从高斯分布，其中Tv表示Alg1中的位姿数据，To表示Alg2中的位姿数据，T v,tk和T o,tk是对Alg1和Alg2分别进行插值处理后得到的，插值后二者的时间轴tk是同步对应的，即，每一个时刻tk能找到Alg1和Alg2两条轨迹上的各自姿态数据T v,tk和T o,tk。其中，T v,tk和T o,tk以及B的计算分别如下所示：
Figure PCTCN2017119972-appb-000007
Figure PCTCN2017119972-appb-000008
Figure PCTCN2017119972-appb-000009
其中，t 1 b和t 2 b服从零均值的高斯分布。
滑动窗内第一轨迹地图数据和第二轨迹地图数据待优化计算的变换关系T o2v具体如下：
Figure PCTCN2017119972-appb-000010
根据T o2v可以得到滑动窗内第一轨迹地图数据和第二轨迹地图数据相对应插值点数据之间的对应关系，具体如下：
T v,tk＝T o2v·T o,tk+B
根据上述公式建立残差方程，具体如下：
Residual＝T v,tk-(T o2v·T o,tk+B)
Residual是最优化理论中的代价值，这个代价值越小表示待求解的参数T o2v越准确。继而，可以求得T o2v的最优解。
对于有着明显起伏的区域，比如轨迹地图中存在上下楼梯的情况，2D轨迹地图就会存在局限，此时需要用到3D轨迹地图。对于3D轨迹地图的融合优化，同样需要经过上述介绍的方法步骤，不同的地方在于旋转矩阵和平移向量的自由度从2D到3D会增加，因此轨迹地图初始化对齐时需要做适当的改进，但插值和优化的步骤和方法是类似的，只需要增加对应的自由度即可，这里不再赘述。
实施中，根据所述变换关系的最优解生成轨迹地图，可以具体包括：
根据所述变换关系的最优解及所述相对应的插值点数据中的位于所述第一轨迹地图数据中的插值点数据，得到所述第一轨迹地图数据中的插值点数据变换至所述第二轨迹地图数据中的最优插值点数据估值；
对所述第二轨迹地图数据中的最优插值点数据估值及与之对应的所述第二轨迹地图数据中的插值点数据进行拟合，生成轨迹地图；
或者，
根据所述变换关系的最优解及所述相对应的插值点数据中的位于所述第二轨迹地图数据中的插值点数据，得到所述第二轨迹地图数据中的插值点数据变换至所述第一轨迹地图数据中的最优插值点数据估值；
对所述第一轨迹地图数据中的最优插值点数据估值及与之对应的所述第一轨迹地图数据中的插值点数据进行拟合，生成轨迹地图。
具体实施中，如图4所示，得到T o2v的最优解后，可以根据该变换关系的最优解及第一轨迹地图数据中的插值点数据，得到第一轨迹地图数据中的这个插值点数据变换至第二轨迹地图数据中的最优插值点数据估值，再对第二轨迹地图数据中的最优插值点数据估值及与之对应的所述第二轨迹 地图数据中真实的插值点数据进行拟合，完成对一定数量的拟合后，就可以生成轨迹地图。
其中，具体的拟合算法，这里不作具体限定，本领域技术人员可以根据实际情况灵活选择。
相似地，也可以根据该变换关系的最优解及第二轨迹地图数据中的插值点数据，得到第二轨迹地图数据中的这个插值点数据变换至第一轨迹地图数据中的最优插值点数据估值，再对第一轨迹地图数据中的最优插值点数据估值及与之对应的所述第一轨迹地图数据中真实的插值点数据进行拟合，完成对一定数量的拟合后，就可以生成轨迹地图。
实施中，所述基于云端的轨迹地图生成的方法还可以包括：根据所述变换关系的最优解生成轨迹地图之后，将所述生成的轨迹地图作为第三轨迹地图数据；
获取第四轨迹地图数据；
对所述第三轨迹地图数据和第四轨迹地图数据进行地图初始化对齐处理，得到所述第三轨迹地图数据和第四轨迹地图数据相互之间的变换关系初值；
对所述第三轨迹地图数据和第四轨迹地图数据进行插值处理，得到所述第三轨迹地图数据和第四轨迹地图数据预设的相对应的插值点数据；
根据所述相对应的插值点数据及所述变换关系初值确定残差方程并根据所述残差方程得到所述变换关系的最优解；
根据所述变换关系的最优解生成轨迹地图。
具体实施中，所述第四轨迹地图数据可以是采集的原始的轨迹地图数据，也可以是与第三轨迹地图数据类似的，是采用上述基于云端的轨迹地图生成的方案基于两个或两个以上原始采集的轨迹地图数据拟合后得到的轨迹地图数据。
基于同一发明构思，本申请实施例中还提供了一种基于云端的轨迹地图生成的装置，由于这些设备解决问题的原理与上述基于云端的轨迹地图生成的方法相似，因此这些设备的实施可以参见方法的实施，重复之处不再赘述。
图2为本申请实施例中提供的基于云端的轨迹地图生成的装置的结构示意图，如图2所示，该基于云端的轨迹地图生成的装置可以包括：
获取模块201，用于获取第一轨迹地图数据和第二轨迹地图数据；所述第一轨迹地图数据和第二轨迹地图数据是采用两种不同的建图方案分别对同一区域的同一运动轨迹采集的轨迹地图数据，或者，是采用相同的建图方案对同一区域两次相同的运动轨迹采集的轨迹地图数据；
初始化模块202，用于对所述第一轨迹地图数据和第二轨迹地图数据进行地图初始化对齐处理，得到所述第一轨迹地图数据和第二轨迹地图数据相互之间的变换关系初值；
插值模块203，用于对所述第一轨迹地图数据和第二轨迹地图数据进行插值处理，得到所述第一轨迹地图数据和第二轨迹地图数据预设的相对应的插值点数据；
优化模块204，用于根据所述相对应的插值点数据及所述变换关系初值确定残差方程并根据所述残差方程得到所述变换关系的最优解；
生成模块205，用于根据所述变换关系的最优解生成轨迹地图。
实施中，所述初始化模块202可以具体用于获取所述第一轨迹地图数据和第二轨迹地图数据预设的相对应的至少两个位置点的数据；根据所述至少两个位置点中的任意一个位置点得到所述第一轨迹地图数据和第二轨迹地图数据的相对初始平移向量；将所述至少两个位置点中的两个位置点连线；根据所述连线之间的长度比值得到所述第一轨迹地图数据和第二轨迹地图数据的相对缩放因子；根据所述连线之间的夹角得到所述第一轨迹地图数据和第二轨迹地图数据的相似变换矩阵；所述变换关系包括：相对缩放因子、相对初始平移向量或相似变换矩阵。
实施中，所述插值模块203可以具体用于构建滑动窗；根据所述滑动窗对所述第一轨迹地图数据和第二轨迹地图数据进行插值处理，得到所述第一轨迹地图数据和第二轨迹地图数据预设的相对应的插值点数据。
实施中，所述插值模块203可以具体用于分别计算所述第一轨迹地图数据和第二轨迹地图数据的平均方差；根据所述平均方差及预设的概率查询卡方分布表得到相对应的自由度；确定所述第一轨迹地图数据的数据个数、所述第二轨迹地图数据的数据个数及所述自由度中的最大值作为插值点的目标个数；根据所述插值点的目标个数采用插值函数对所述第一轨迹地图数据和第二轨迹地图数据分别进行插值处理，得到所述第一轨迹地图数据和第二轨迹地图数据预设的相对应的相同时刻的插值点数据。
实施中，所述优化模块204可以具体用于根据所述相对应的插值点数据中的位于所述第一轨迹地图数据中的插值点数据及所述变换关系初值确定所述第一轨迹地图数据中的插值点数据变换至所述第二轨迹地图数据中的插值点数据估值；所述估值与真实差值之间存在偏置误差，所述偏置误差服从高斯分布；根据所述第二轨迹地图数据中的插值点数据估值与所述第二轨迹地图数据中与之对应的插值点数据，得到二者的残差方程；根据所述残差方程计算所述变换关系的最优解；
或者，
根据所述相对应的插值点数据中的位于所述第二轨迹地图数据中的插值点数据及所述变换关系初值确定所述第二轨迹地图数据中的插值点数据变换至所述第一轨迹地图数据中的插值点数据估值；所述估值与真实差值之间存在偏置误差，所述偏置误差服从高斯分布；根据所述第一轨迹地图数据中的插值点数据估值与所述第一轨迹地图数据中与之对应的插值点数据，得到二者的残差方程；根据所述残差方程计算所述变换关系的最优解。
实施中，所述生成模块205可以具体用于根据所述变换关系的最优解及所述相对应的插值点数据中的位于所述第一轨迹地图数据中的插值点数据，得到所述第一轨迹地图数据中的插值点数据变换至所述第二轨迹地图数据中的最优插值点数据估值；对所述第二轨迹地图数据中的最优插值点数据估值及与之对应的所述第二轨迹地图数据中的插值点数据进行拟合，生成轨迹地图；
或者，
根据所述变换关系的最优解及所述相对应的插值点数据中的位于所述第二轨迹地图数据中的插值点数据，得到所述第二轨迹地图数据中的插值点数据变换至所述第一轨迹地图数据中的最优插值点数据估值；对所述第一轨迹地图数据中的最优插值点数据估值及与之对应的所述第一轨迹地图数据中的插值点数据进行拟合，生成轨迹地图。
实施中，所述基于云端的轨迹地图生成的装置还可以包括：数据模块，用于根据所述变换关系的最优解生成轨迹地图之后，将所述生成的轨迹地图作为第三轨迹地图数据；
所述获取模块进一步用于获取第四轨迹地图数据；
所述初始化模块进一步用于对所述第三轨迹地图数据和第四轨迹地图数据进行地图初始化对齐处理，得到所述第三轨迹地图数据和第四轨迹地图数据相互之间的变换关系初值；
所述插值模块进一步用于对所述第三轨迹地图数据和第四轨迹地图数据进行插值处理，得到所述第三轨迹地图数据和第四轨迹地图数据预设的相对应的插值点数据；
所述优化模块进一步用于根据所述相对应的插值点数据及所述变换关系初值确定残差方程并根据所述残差方程得到所述变换关系的最优解；
所述生成模块进一步用于根据所述变换关系的最优解生成轨迹地图。
基于同一发明构思，本申请实施例中还提供了一种基于云端的电子设备，图3为本申请实施例中提供的基于云端的电子设备的结构示意图，如图3所示，该种基于云端的电子设备300可以包括：通信模块301，存储器302，一个或多个处理器303；以及一个或多个模块，所述一个或多个模块被存储在所述存储器中，并被配置成由所述一个或多个处理器执行，所述一个或多个模块包括用于执行上述基于云端的轨迹地图生成的方法中各个步骤的指令。
基于同一发明构思，本申请实施例中还提供了一种与上述基于云端的电子设备结合使用的应用程序，所述应用程序包括内嵌于计算机可读的存储介质中的计算机程序，所述计算机程序包括用于使所述基于云端的电子设备执行上述基于云端的轨迹地图生成的方法中的各个步骤的指令。
实施例1
图6为本申请实施例中提供的基于云端的轨迹地图生成的方法的实施 例示意图三，如图6所示，本方案的实施，首先获取两个或多个轨迹地图数据，轨迹地图数据的样本数量越多最终优化生成的轨迹地图精度越高。轨迹地图数据两两之间进行初始化对齐，基于滑动窗进行插值处理，按照上述优化求解方案进行求解，对所有轨迹地图数据处理完毕后，输出最终拟合生成的轨迹地图，否则继续处理。下面举例说明。
1)单目SLAM地图与VIO地图的融合：单目SLAM无实际尺度，而VIO由于引入了IMU而具有真实尺度，两者的轨迹地图数据是相似关系，相差一个比例，使用本申请可以将单目地图校正到真实尺度下，并减少两者的误差，减少IMU漂移或者激励不足对结果的影响。
由于VIO地图与双目SLAM地图都具有真实尺度，这种应用场景下的具体算法与上面的相同。
2)双目SLAM地图与双目SLAM地图的融合：对于双目SLAM地图的融合，由于它们都具有真实的尺度，存在的问题主要是基线距离引起的误差和随机噪声的影响，可以使用本申请降低噪声的干扰。
这种应用场景下的具体算法与上面的相同，区别仅在于地图初始化对齐时得到的校正比例非常小而已。
3)双目SLAM地图与VIO地图的融合：双目SLAM地图和VIO地图都具有真实的尺度，存在的问题主要是IMU漂移和某些轴激励不足引起的误差以及双目基线引起的误差，使用本申请可以补偿IMU引起的误差，达到减少误差的作用。
这种应用场景下的具体算法与上面的相同，区别仅在于地图初始化对齐时得到的校正比例非常小而已。
本申请实施例提供的基于云端的轨迹地图生成方法，能够基于多个轨迹地图数据进行优化处理以生成更加准确的地图。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或应用程序。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的应用程序的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和应用程序的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理 设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。

Claims (16)

  1. 一种基于云端的轨迹地图生成的方法，其特征在于，包括如下步骤：
    获取第一轨迹地图数据和第二轨迹地图数据；所述第一轨迹地图数据和第二轨迹地图数据是采用两种不同的建图方案分别对同一区域的同一运动轨迹采集的轨迹地图数据，或者，是采用相同的建图方案对同一区域两次相同的运动轨迹采集的轨迹地图数据；
    对所述第一轨迹地图数据和第二轨迹地图数据进行地图初始化对齐处理，得到所述第一轨迹地图数据和第二轨迹地图数据相互之间的变换关系初值；
    对所述第一轨迹地图数据和第二轨迹地图数据进行插值处理，得到所述第一轨迹地图数据和第二轨迹地图数据预设的相对应的插值点数据；
    根据所述相对应的插值点数据及所述变换关系初值确定残差方程并根据所述残差方程得到所述变换关系的最优解；
    根据所述变换关系的最优解生成轨迹地图。
  2. 如权利要求1所述的基于云端的轨迹地图生成的方法，其特征在于，所述对所述第一轨迹地图数据和第二轨迹地图数据进行地图初始化对齐处理，得到所述第一轨迹地图数据和第二轨迹地图数据相互之间的变换关系初值，具体包括：
    获取所述第一轨迹地图数据和第二轨迹地图数据预设的相对应的至少两个位置点的数据；
    根据所述至少两个位置点中的任意一个位置点得到所述第一轨迹地图数据和第二轨迹地图数据的相对初始平移向量；
    将所述至少两个位置点中的两个位置点连线；
    根据所述连线之间的长度比值得到所述第一轨迹地图数据和第二轨迹地图数据的相对缩放因子；
    根据所述连线之间的夹角得到所述第一轨迹地图数据和第二轨迹地图数据的相似变换矩阵；
    所述变换关系包括：相对缩放因子、相对初始平移向量或相似变换矩阵。
  3. 如权利要求1所述的基于云端的轨迹地图生成的方法，其特征在于，所述对所述第一轨迹地图数据和第二轨迹地图数据进行插值处理，得到所述第一轨迹地图数据和第二轨迹地图数据预设的相对应的插值点数据，具体包括：
    构建滑动窗；
    根据所述滑动窗对所述第一轨迹地图数据和第二轨迹地图数据进行插值处理，得到所述第一轨迹地图数据和第二轨迹地图数据预设的相对应的插值点数据。
  4. 如权利要求1或3所述的基于云端的轨迹地图生成的方法，其特征在于，所述对所述第一轨迹地图数据和第二轨迹地图数据进行插值处理，得到所述第一轨迹地图数据和第二轨迹地图数据预设的相对应的插值点数据，具体包括：
    分别计算所述第一轨迹地图数据和第二轨迹地图数据的平均方差；
    根据所述平均方差及预设的概率查询卡方分布表得到相对应的自由度；
    确定所述第一轨迹地图数据的数据个数、所述第二轨迹地图数据的数据个数及所述自由度中的最大值作为插值点的目标个数；
    根据所述插值点的目标个数采用插值函数对所述第一轨迹地图数据和第二轨迹地图数据分别进行插值处理，得到所述第一轨迹地图数据和第二轨迹地图数据预设的相对应的相同时刻的插值点数据。
  5. 如权利要求4所述的基于云端的轨迹地图生成的方法，其特征在于，根据所述相对应的插值点数据及所述变换关系初值确定残差方程并根据所述残差方程得到所述变换关系的最优解，具体包括：
    根据所述相对应的插值点数据中的位于所述第一轨迹地图数据中的插值点数据及所述变换关系初值确定所述第一轨迹地图数据中的插值点数据变换至所述第二轨迹地图数据中的插值点数据估值；所述估值与真实差值之间存在偏置误差，所述偏置误差服从高斯分布；
    根据所述第二轨迹地图数据中的插值点数据估值与所述第二轨迹地图数据中与之对应的插值点数据，得到二者的残差方程；
    根据所述残差方程计算所述变换关系的最优解；
    或者，
    根据所述相对应的插值点数据中的位于所述第二轨迹地图数据中的插值点数据及所述变换关系初值确定所述第二轨迹地图数据中的插值点数据变换至所述第一轨迹地图数据中的插值点数据估值；所述估值与真实差值之间存在偏置误差，所述偏置误差服从高斯分布；
    根据所述第一轨迹地图数据中的插值点数据估值与所述第一轨迹地图数据中与之对应的插值点数据，得到二者的残差方程；
    根据所述残差方程计算所述变换关系的最优解。
  6. 如权利要求5所述的基于云端的轨迹地图生成的方法，其特征在于，根据所述变换关系的最优解生成轨迹地图，具体包括：
    根据所述变换关系的最优解及所述相对应的插值点数据中的位于所述第一轨迹地图数据中的插值点数据，得到所述第一轨迹地图数据中的插值点数据变换至所述第二轨迹地图数据中的最优插值点数据估值；
    对所述第二轨迹地图数据中的最优插值点数据估值及与之对应的所述第二轨迹地图数据中的插值点数据进行拟合，生成轨迹地图；
    或者，
    根据所述变换关系的最优解及所述相对应的插值点数据中的位于所述第二轨迹地图数据中的插值点数据，得到所述第二轨迹地图数据中的插值点数据变换至所述第一轨迹地图数据中的最优插值点数据估值；
    对所述第一轨迹地图数据中的最优插值点数据估值及与之对应的所述第一轨迹地图数据中的插值点数据进行拟合，生成轨迹地图。
  7. 如权利要求1-6任意所述的基于云端的轨迹地图生成的方法，其特征在于，根据所述变换关系的最优解生成轨迹地图之后，还包括：
    将所述生成的轨迹地图作为第三轨迹地图数据；
    获取第四轨迹地图数据；
    对所述第三轨迹地图数据和第四轨迹地图数据进行地图初始化对齐处理，得到所述第三轨迹地图数据和第四轨迹地图数据相互之间的变换关系初值；
    对所述第三轨迹地图数据和第四轨迹地图数据进行插值处理，得到所述第三轨迹地图数据和第四轨迹地图数据预设的相对应的插值点数据；
    根据所述相对应的插值点数据及所述变换关系初值确定残差方程并根据所述残差方程得到所述变换关系的最优解；
    根据所述变换关系的最优解生成轨迹地图。
  8. 一种基于云端的轨迹地图生成的装置，其特征在于，包括：
    获取模块，用于获取第一轨迹地图数据和第二轨迹地图数据；所述第一轨迹地图数据和第二轨迹地图数据是采用两种不同的建图方案分别对同一区域的同一运动轨迹采集的轨迹地图数据，或者，是采用相同的建图方案对同一区域两次相同的运动轨迹采集的轨迹地图数据；
    初始化模块，用于对所述第一轨迹地图数据和第二轨迹地图数据进行地图初始化对齐处理，得到所述第一轨迹地图数据和第二轨迹地图数据相互之间的变换关系初值；
    插值模块，用于对所述第一轨迹地图数据和第二轨迹地图数据进行插值处理，得到所述第一轨迹地图数据和第二轨迹地图数据预设的相对应的插值点数据；
    优化模块，用于根据所述相对应的插值点数据及所述变换关系初值确定残差方程并根据所述残差方程得到所述变换关系的最优解；
    生成模块，用于根据所述变换关系的最优解生成轨迹地图。
  9. 如权利要求8所述的基于云端的轨迹地图生成的装置，其特征在于，所述初始化模块具体用于获取所述第一轨迹地图数据和第二轨迹地图数据预设的相对应的至少两个位置点的数据；根据所述至少两个位置点中的任意一个位置点得到所述第一轨迹地图数据和第二轨迹地图数据的相对初始平移向量；将所述至少两个位置点中的两个位置点连线；根据所述连线之间的长度比值得到所述第一轨迹地图数据和第二轨迹地图数据的相对缩放因子；根据所述连线之间的夹角得到所述第一轨迹地图数据和第二轨迹地 图数据的相似变换矩阵；所述变换关系包括：相对缩放因子、相对初始平移向量或相似变换矩阵。
  10. 如权利要求8所述的基于云端的轨迹地图生成的装置，其特征在于，所述插值模块具体用于构建滑动窗；根据所述滑动窗对所述第一轨迹地图数据和第二轨迹地图数据进行插值处理，得到所述第一轨迹地图数据和第二轨迹地图数据预设的相对应的插值点数据。
  11. 如权利要求8或10所述的基于云端的轨迹地图生成的装置，其特征在于，所述插值模块具体用于分别计算所述第一轨迹地图数据和第二轨迹地图数据的平均方差；根据所述平均方差及预设的概率查询卡方分布表得到相对应的自由度；确定所述第一轨迹地图数据的数据个数、所述第二轨迹地图数据的数据个数及所述自由度中的最大值作为插值点的目标个数；根据所述插值点的目标个数采用插值函数对所述第一轨迹地图数据和第二轨迹地图数据分别进行插值处理，得到所述第一轨迹地图数据和第二轨迹地图数据预设的相对应的相同时刻的插值点数据。
  12. 如权利要求13所述的基于云端的轨迹地图生成的装置，其特征在于，所述优化模块具体用于根据所述相对应的插值点数据中的位于所述第一轨迹地图数据中的插值点数据及所述变换关系初值确定所述第一轨迹地图数据中的插值点数据变换至所述第二轨迹地图数据中的插值点数据估值；所述估值与真实差值之间存在偏置误差，所述偏置误差服从高斯分布；根据所述第二轨迹地图数据中的插值点数据估值与所述第二轨迹地图数据中与之对应的插值点数据，得到二者的残差方程；根据所述残差方程计算所述变换关系的最优解；
    或者，
    根据所述相对应的插值点数据中的位于所述第二轨迹地图数据中的插值点数据及所述变换关系初值确定所述第二轨迹地图数据中的插值点数据变换至所述第一轨迹地图数据中的插值点数据估值；所述估值与真实差值之间存在偏置误差，所述偏置误差服从高斯分布；根据所述第一轨迹地图数据中的插值点数据估值与所述第一轨迹地图数据中与之对应的插值点数据，得到二者的残差方程；根据所述残差方程计算所述变换关系的最优解。
  13. 如权利要求12所述的基于云端的轨迹地图生成的装置，其特征在于，所述生成模块具体用于根据所述变换关系的最优解及所述相对应的插值点数据中的位于所述第一轨迹地图数据中的插值点数据，得到所述第一轨迹地图数据中的插值点数据变换至所述第二轨迹地图数据中的最优插值点数据估值；对所述第二轨迹地图数据中的最优插值点数据估值及与之对应的所述第二轨迹地图数据中的插值点数据进行拟合，生成轨迹地图；
    或者，
    根据所述变换关系的最优解及所述相对应的插值点数据中的位于所述第二轨迹地图数据中的插值点数据，得到所述第二轨迹地图数据中的插值 点数据变换至所述第一轨迹地图数据中的最优插值点数据估值；对所述第一轨迹地图数据中的最优插值点数据估值及与之对应的所述第一轨迹地图数据中的插值点数据进行拟合，生成轨迹地图。
  14. 如权利要求8-13任意所述的基于云端的轨迹地图生成的装置，其特征在于，还包括：
    数据模块，用于根据所述变换关系的最优解生成轨迹地图之后，将所述生成的轨迹地图作为第三轨迹地图数据；
    所述获取模块进一步用于获取第四轨迹地图数据；
    所述初始化模块进一步用于对所述第三轨迹地图数据和第四轨迹地图数据进行地图初始化对齐处理，得到所述第三轨迹地图数据和第四轨迹地图数据相互之间的变换关系初值；
    所述插值模块进一步用于对所述第三轨迹地图数据和第四轨迹地图数据进行插值处理，得到所述第三轨迹地图数据和第四轨迹地图数据预设的相对应的插值点数据；
    所述优化模块进一步用于根据所述相对应的插值点数据及所述变换关系初值确定残差方程并根据所述残差方程得到所述变换关系的最优解；
    所述生成模块进一步用于根据所述变换关系的最优解生成轨迹地图。
  15. 一种基于云端的电子设备，其特征在于，包括：通信模块，存储器，一个或多个处理器；以及一个或多个模块，所述一个或多个模块被存储在所述存储器中，并被配置成由所述一个或多个处理器执行，所述一个或多个模块包括用于执行权利要求1至7中任一所述方法中各个步骤的指令。
  16. 一种与如权利要求15所述的基于云端的电子设备结合使用的应用程序，所述应用程序包括内嵌于计算机可读的存储介质中的计算机程序，所述计算机程序包括用于使所述基于云端的电子设备执行权利要求1至7中任一所述方法中的各个步骤的指令。
PCT/CN2017/119972 2018-02-26 2018-02-26 基于云端的轨迹地图生成方法、装置、设备及应用程序 WO2019161517A1 (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201780002712.9A CN108235725B (zh) 2018-02-26 2018-02-26 基于云端的轨迹地图生成方法、装置、设备及应用程序
US16/609,445 US11761767B2 (en) 2018-02-26 2018-02-26 Method, device, apparatus, and application for cloud-based trajectory map generation
PCT/CN2017/119972 WO2019161517A1 (zh) 2018-02-26 2018-02-26 基于云端的轨迹地图生成方法、装置、设备及应用程序

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2017/119972 WO2019161517A1 (zh) 2018-02-26 2018-02-26 基于云端的轨迹地图生成方法、装置、设备及应用程序

Publications (1)

Publication Number Publication Date
WO2019161517A1 true WO2019161517A1 (zh) 2019-08-29

Family

ID=62643212

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2017/119972 WO2019161517A1 (zh) 2018-02-26 2018-02-26 基于云端的轨迹地图生成方法、装置、设备及应用程序

Country Status (3)

Country Link
US (1) US11761767B2 (zh)
CN (1) CN108235725B (zh)
WO (1) WO2019161517A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200103236A1 (en) * 2018-09-28 2020-04-02 Zoox, Inc. Modifying Map Elements Associated with Map Data
CN112710312A (zh) * 2020-12-24 2021-04-27 哈尔滨工业大学芜湖机器人产业技术研究院 融合距离残差和概率残差的激光slam前端匹配方法

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110673115B (zh) * 2019-09-25 2021-11-23 杭州飞步科技有限公司 雷达与组合导航系统的联合标定方法、装置、设备及介质
CN110849380B (zh) * 2019-10-28 2022-04-22 北京影谱科技股份有限公司 一种基于协同vslam的地图对齐方法及系统
US11604465B2 (en) * 2019-11-26 2023-03-14 Zoox, Inc. Correction of sensor data alignment and environment mapping
CN111625612B (zh) * 2020-05-26 2023-07-18 北京百度网讯科技有限公司 高精地图的纠偏方法和装置、电子设备和存储介质
CN112102406A (zh) * 2020-09-09 2020-12-18 东软睿驰汽车技术（沈阳）有限公司 单目视觉的尺度修正方法、装置及运载工具
CN114363821B (zh) * 2020-09-30 2023-08-08 华为技术有限公司 轨迹纠偏方法及系统
CN112284401B (zh) * 2020-10-12 2022-10-14 广州小鹏自动驾驶科技有限公司 一种数据处理的方法和装置
WO2023028892A1 (en) * 2021-08-31 2023-03-09 Intel Corporation Hierarchical segment-based map optimization for localization and mapping system

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104236556A (zh) * 2013-06-18 2014-12-24 杨清玄 轨迹信息处理装置和方法
CN105143821A (zh) * 2013-04-30 2015-12-09 高通股份有限公司 依据slam地图的广域定位
CN105403222A (zh) * 2015-12-08 2016-03-16 江苏科技大学 基于ros的多导盲机器人及在未知环境中的地图创建方法
WO2016068807A1 (en) * 2014-10-28 2016-05-06 National University Of Singapore Method and device for real-time error-bounded and delay-bounded map matching
CN106127739A (zh) * 2016-06-16 2016-11-16 华东交通大学 一种结合单目视觉的rgb‑d slam方法
CN107402014A (zh) * 2017-07-27 2017-11-28 惠州市格农科技有限公司 分布式地图数据处理方法

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070239326A1 (en) * 2006-04-05 2007-10-11 Honeywell International, Inc. Systems and methods for monitoring an altitude in a flight vehicle
JP4640415B2 (ja) 2008-01-18 2011-03-02 ソニー株式会社 生体認証装置
US8908915B2 (en) * 2012-02-13 2014-12-09 National Tsing Hua University Devices and methods for tracking moving objects
GB201303076D0 (en) * 2013-02-21 2013-04-10 Isis Innovation Generation of 3D models of an environment
EP3158731B1 (en) * 2014-12-31 2020-11-25 SZ DJI Technology Co., Ltd. System and method for adjusting a baseline of an imaging system with microlens array
EP3365631A4 (en) * 2015-10-19 2019-06-26 Nokia Technologies OY NAVIGATION DEVICE AND RELATED METHODS
JP6288060B2 (ja) * 2015-12-10 2018-03-07 カシオ計算機株式会社 自律移動装置、自律移動方法及びプログラム
WO2017155970A1 (en) * 2016-03-11 2017-09-14 Kaarta, Inc. Laser scanner with real-time, online ego-motion estimation
US11017610B2 (en) * 2016-05-18 2021-05-25 Google Llc System and method for fault detection and recovery for concurrent odometry and mapping
US9965689B2 (en) * 2016-06-09 2018-05-08 Qualcomm Incorporated Geometric matching in visual navigation systems
US10837773B2 (en) * 2016-12-30 2020-11-17 DeepMap Inc. Detection of vertical structures based on LiDAR scanner data for high-definition maps for autonomous vehicles
US20180188381A1 (en) * 2017-01-04 2018-07-05 Qualcomm Incorporated Motion propagated position for positioning fusion
KR20180088149A (ko) * 2017-01-26 2018-08-03 삼성전자주식회사 차량 경로 가이드 방법 및 장치
EP3656138A4 (en) * 2017-07-17 2021-05-12 Kaarta, Inc. ALIGNMENT OF MEASURED SIGNAL DATA WITH SLAM LOCATION DATA AND ASSOCIATED USES
US10983199B2 (en) * 2017-08-11 2021-04-20 Zoox, Inc. Vehicle sensor calibration and localization
US10990111B2 (en) * 2017-09-22 2021-04-27 Hyundai Mobis Co., Ltd. Position determination apparatus and method for vehicle
US10671075B1 (en) * 2017-12-15 2020-06-02 Zoox, Inc. Trajectory generation using curvature segments
US11237004B2 (en) * 2018-03-27 2022-02-01 Uatc, Llc Log trajectory estimation for globally consistent maps
US11112252B2 (en) * 2019-02-14 2021-09-07 Hitachi Ltd. Sensor fusion for accurate localization

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105143821A (zh) * 2013-04-30 2015-12-09 高通股份有限公司 依据slam地图的广域定位
CN104236556A (zh) * 2013-06-18 2014-12-24 杨清玄 轨迹信息处理装置和方法
WO2016068807A1 (en) * 2014-10-28 2016-05-06 National University Of Singapore Method and device for real-time error-bounded and delay-bounded map matching
CN105403222A (zh) * 2015-12-08 2016-03-16 江苏科技大学 基于ros的多导盲机器人及在未知环境中的地图创建方法
CN106127739A (zh) * 2016-06-16 2016-11-16 华东交通大学 一种结合单目视觉的rgb‑d slam方法
CN107402014A (zh) * 2017-07-27 2017-11-28 惠州市格农科技有限公司 分布式地图数据处理方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200103236A1 (en) * 2018-09-28 2020-04-02 Zoox, Inc. Modifying Map Elements Associated with Map Data
US10782136B2 (en) * 2018-09-28 2020-09-22 Zoox, Inc. Modifying map elements associated with map data
US11761791B2 (en) 2018-09-28 2023-09-19 Zoox, Inc. Modifying map elements associated with map data
CN112710312A (zh) * 2020-12-24 2021-04-27 哈尔滨工业大学芜湖机器人产业技术研究院 融合距离残差和概率残差的激光slam前端匹配方法
CN112710312B (zh) * 2020-12-24 2023-12-01 长三角哈特机器人产业技术研究院 融合距离残差和概率残差的激光slam前端匹配方法

Also Published As

Publication number Publication date
CN108235725A (zh) 2018-06-29
US11761767B2 (en) 2023-09-19
CN108235725B (zh) 2021-08-10
US20200088520A1 (en) 2020-03-19

Similar Documents

Publication Publication Date Title
WO2019161517A1 (zh) 基于云端的轨迹地图生成方法、装置、设备及应用程序
CN110116407B (zh) 柔性机器人位姿测量方法及装置
CN105021124B (zh) 一种基于深度图的平面零件三维位置和法向量计算方法
Wang et al. A simple and parallel algorithm for real-time robot localization by fusing monocular vision and odometry/AHRS sensors
Assa et al. A robust vision-based sensor fusion approach for real-time pose estimation
CN107590827A (zh) 一种基于Kinect的室内移动机器人视觉SLAM方法
JP2009266224A (ja) リアルタイム・ビジュアル・オドメトリの方法およびシステム
Knorr et al. Online extrinsic multi-camera calibration using ground plane induced homographies
CN113570662B (zh) 3d定位来自真实世界图像中地标的系统和方法
CN105096341A (zh) 基于三焦张量和关键帧策略的移动机器人位姿估计方法
Yu et al. Edge-based visual-inertial odometry
Ferreira et al. A real-time mosaicking algorithm using binary features for ROVs
Hong et al. Real-time mobile robot navigation based on stereo vision and low-cost GPS
Wang et al. An overview of SLAM
Kottath et al. Inertia constrained visual odometry for navigational applications
Giubilato et al. A comparison of monocular and stereo visual FastSLAM implementations
Lin et al. A visual positioning system for vehicle or mobile robot navigation
Herath et al. Simultaneous localisation and mapping: a stereo vision based approach
Chen et al. 3d map building based on stereo vision
US11193755B2 (en) Measurement system, measurement device, measurement method, and measurement program
Wang et al. Mobile robot pose estimation using laser scan matching based on fourier transform
Frosi et al. D3VIL-SLAM: 3D Visual Inertial LiDAR SLAM for Outdoor Environments
Park et al. Localization for mobile robots with a multi-ToF camera system
Du et al. Optimization of stereo vision depth estimation using edge-based disparity map
Jia et al. Mobile robot vision odometer based on point-line features and graph optimization

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 17936980

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 22.01.21)

122 Ep: pct application non-entry in european phase

Ref document number: 17936980

Country of ref document: EP

Kind code of ref document: A1