WO2022116154A1 - 地图库建立方法、计算机设备及存储介质 - Google Patents

地图库建立方法、计算机设备及存储介质 Download PDF

Info

Publication number
WO2022116154A1
WO2022116154A1 PCT/CN2020/133916 CN2020133916W WO2022116154A1 WO 2022116154 A1 WO2022116154 A1 WO 2022116154A1 CN 2020133916 W CN2020133916 W CN 2020133916W WO 2022116154 A1 WO2022116154 A1 WO 2022116154A1
Authority
WO
WIPO (PCT)
Prior art keywords
map
library
factor
sub
initial
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
PCT/CN2020/133916
Other languages
English (en)
French (fr)
Inventor
黄明强
刘志超
赖有仿
赵云
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ubtech Robotics Corp
Original Assignee
Ubtech Robotics Corp
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 Ubtech Robotics Corp filed Critical Ubtech Robotics Corp
Priority to PCT/CN2020/133916 priority Critical patent/WO2022116154A1/zh
Priority to US17/482,450 priority patent/US11710277B2/en
Publication of WO2022116154A1 publication Critical patent/WO2022116154A1/zh
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating three-dimensional [3D] models or images for computer graphics
    • G06T19/003—Navigation within 3D models or images
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/00—Three-dimensional [3D] image rendering
    • G06T15/50—Lighting effects
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three-dimensional [3D] modelling for computer graphics
    • G06T17/05—Geographic models
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating three-dimensional [3D] models or images for computer graphics
    • G06T19/20—Editing of three-dimensional [3D] images, e.g. changing shapes or colours, aligning objects or positioning parts
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30244—Camera pose
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2219/00—Indexing scheme for manipulating 3D models or images for computer graphics
    • G06T2219/20—Indexing scheme for editing of 3D models
    • G06T2219/2004—Aligning objects, relative positioning of parts

Definitions

  • a method for building a map library comprising:
  • the set of factors including multiple factors
  • the map library is divided into multiple levels according to the multiple factors, the number of levels is the same as the number of factors, each level corresponds to a factor, and each level includes several intervals. Each interval acts as a sub-library;
  • the straight line segment without arrow represents the relative pose constraint from the VO module (visual odometry module)
  • the straight line segment with arrow represents the absolute pose constraint from the Tracking module
  • ⁇ i is the information matrix of the absolute pose.
  • the map library establishment method solves the problem that the change of indoor environment illumination affects the accuracy and robustness of visual SLAM positioning, so that the visual SLAM positioning technology can be used for a long time in the indoor environment, and will not fail in positioning due to lighting, weather and other reasons, and is suitable for All kinds of indoor working robots that need real-time positioning.
  • the current lighting conditions include: current time and current weather conditions; the searching a map library for candidate atlases matching the lighting conditions according to the current lighting conditions includes: according to the current time from A first atlas whose time difference from the current time is within a preset range is selected from the map library; a second atlas that matches the current weather condition is selected from the first candidate atlas according to the current weather condition, The second atlas is used as the candidate atlas.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computer Graphics (AREA)
  • General Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Databases & Information Systems (AREA)
  • Computer Hardware Design (AREA)
  • Data Mining & Analysis (AREA)
  • Geometry (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Architecture (AREA)
  • Navigation (AREA)
  • Image Analysis (AREA)

Abstract

一种地图库建立方法、计算机设备及存储介质。该方法包括：获取影响光照条件的因素集，因素集中包括多个因素；根据多个因素将地图库划分为多个层级，将划分得到的最后一个层级的每个区间作为一个子库；根据每个子库对应的各个因素值建立用于视觉定位的初始地图，将建立的初始地图存储到相应的子库中，得到初始地图库；根据当前光照条件从初始地图库中选出与当前光照条件匹配的初始地图作为定位地图；基于定位地图进行视觉定位，根据视觉定位建立与当前光照条件对应的扩充地图，将扩充地图存储到与当前光照条件对应的子库，得到扩充地图库。该地图库建立方法使得在光照条件变化的情况下仍可以准确定位。

Description

地图库建立方法、计算机设备及存储介质 技术领域
本申请涉及计算机技术领域，具体涉及一种地图库建立方法、计算机设备及存储介质。
背景技术
目前，使用视觉SLAM(simultaneous localization and mapping)进行室内定位的研究越来越多，因为视觉信息丰富，且成本较低。但是实际应用却比较少，这主要受限于室内环境下的光照变化会显著影响视觉SLAM的定位精度和鲁棒性。
当前视觉SLAM定位依靠自身建立的地图来定位，但是一张地图只包含建图时的光照情况，不包含其他时间、其他天气情况下的光照条件，因此在其他时间其他天气条件下使用时，定位效果就会变差。同时室内场景的光照条件变化是比较频繁的，比如同一天的上午、下午和晚上光照条件的差别就很大，同时要加上天气的变化，如下雨、多云时。因此，当前仅依赖于一张地图进行定位的方式不能够实现准确定位。
发明内容
基于此，有必要针对上述问题，提出一种有利于实现准确定位的地图库建立方法、装置、计算机设备及存储介质。
一种地图库建立方法，包括：
获取影响光照条件的因素集，所述因素集中包括多个因素；
根据所述多个因素将所述地图库划分为多个层级，层级数与所述因素个数相同，每个层级对应一个因素，每个层级包括若干个区间，将划分得到的最后一个层级的每个区间作为一个子库；
根据每个子库对应的各个因素值建立用于视觉定位的初始地图，将建立的 所述初始地图存储到相应的所述子库中，得到初始地图库；
根据当前光照条件从所述初始地图库中选出与所述当前光照条件匹配的初始地图作为定位地图；
基于所述定位地图进行视觉定位，根据所述视觉定位建立与所述当前光照条件对应的扩充地图，将所述扩充地图存储到与所述当前光照条件对应的子库，得到扩充地图库。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行以下步骤：
获取影响光照条件的因素集，所述因素集中包括多个因素；
根据所述多个因素将所述地图库划分为多个层级，层级数与所述因素个数相同，每个层级对应一个因素，每个层级包括若干个区间，将划分得到的最后一个层级的每个区间作为一个子库；
根据每个子库对应的各个因素值建立用于视觉定位的初始地图，将建立的所述初始地图存储到相应的所述子库中，得到初始地图库；
根据当前光照条件从所述初始地图库中选出与所述当前光照条件匹配的初始地图作为定位地图；
基于所述定位地图进行视觉定位，根据所述视觉定位建立与所述当前光照条件对应的扩充地图，将所述扩充地图存储到与所述当前光照条件对应的子库，得到扩充地图库。
一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行以下步骤：
获取影响光照条件的因素集，所述因素集中包括多个因素；
根据所述多个因素将所述地图库划分为多个层级，层级数与所述因素个数相同，每个层级对应一个因素，每个层级包括若干个区间，将划分得到的最后 一个层级的每个区间作为一个子库；
根据每个子库对应的各个因素值建立用于视觉定位的初始地图，将建立的所述初始地图存储到相应的所述子库中，得到初始地图库；
根据当前光照条件从所述初始地图库中选出与所述当前光照条件匹配的初始地图作为定位地图；
基于所述定位地图进行视觉定位，根据所述视觉定位建立与所述当前光照条件对应的扩充地图，将所述扩充地图存储到与所述当前光照条件对应的子库，得到扩充地图库。
上述地图库建立方法、计算机设备及存储介质，首先根据影响光照条件的多个因素将地图库划分为多个层级，每个层级包括若干个区间，将划分得到的最后一个层级的每个区间作为一个子库，然后开始根据每个子库对应的各个因素值建立初始地图，将建立的初始地图存储到该子库中，得到初始地图库。为了进一步扩充初始地图库，根据当前光照条件从初始地图库中选出匹配的初始地图作为定位地图，然后基于定位地图进行视觉定位，根据视觉定位建立当前光照条件对应的扩充地图，然后将扩充地图存储到当前光照条件对应的子库，得到扩充地图库。该地图库的建立有利于根据当前光照条件从该地图库中找出匹配的地图，从而可以实现在任何光照下都能够准确进行视觉定位的目的，且该地图库在使用时处于不断的扩充状态，通过不断地丰富地图库，有利于进一步提高视觉定位的准确度。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
其中：
图1是一个实施例中地图库建立方法的流程图；
图2是一个实施例中建立的地图库的结构示意图；
图3是一个实施例中进行新地图建立的流程示意图；
图4是一个实施例中为非线性优化模块进行优化的原理示意图；
图5是一个实施例中地图库建立装置的结构框图；
图6是一个实施例中计算机设备的内部结构图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
如图1所示，提出了一种地图库建立方法，该地图库建立方法可以应用于终端，本实施例以应用于终端举例说明。该地图库建立方法具体包括以下步骤：
步骤102，获取影响光照条件的因素集，因素集中包括多个因素。
其中，室内环境影响光照条件的因素集主要包括：时间、天气状况、灯光等。不同时间对应的光照不一样，比如，一天之中，早上、中午、晚上的光照条件是不同的。不同天气对应的光照不一样，比如，晴天、多云、阴天、下雨等的光照条件是不同的。不同的灯光对应的光照也不一样，比如，灯具的开关、灯具开的多少等对应的光照条件都是不同的。
步骤104，根据多个因素将地图库划分为多个层级，层级数与因素个数相同，每个层级对应一个因素，每个层级包括若干个区间，将划分得到的最后一个层级的每个区间作为一个子库。
其中，根据因素个数将地图库划分为多个层级，层级数与因素个数相同。比如，如果因素个数有3个，那么就划分为了3个层级，下一层级是上一个层 级的子集。比如，如果有三个因素，分别为第一因素、第二因素和第三因素。那么具体的划分的时候，首先，根据第一因素将地图库划分为多个第一区间，然后根据第二因素将每个第一区间划分为多个第二区间，最后根据第三因素将每个第二区间划分为多个第三区间，将得到的每个第三区间作为一个子库。
步骤106，根据每个子库对应的各个因素值建立用于视觉定位的初始地图，将建立的初始地图存储到相应的子库中，得到初始地图库。
其中，在将地图库划分为一个个子库之后，需要针对每个子库建立相应的初始地图存储到该子库中，从而完成初始地图库的建立。因素值是指每个因素对应的值，比如，天气状况有四种情况，即有4个因素值。每个子库对应有各个因素的因素值。比如，假设有时间和天气状况两个因素，天气状况分为4种情况，分别为晴天、多云、阴天和下雨。时间分为3种情况，比如，分为从6点到10点，从10点到18点，从18点到6点。首先根据天气状况划分为了四个区间，然后又根据时间将每个区间划分为了三个子区间，这样就得到了12个子库。每个子库对应有天气状况的因素值和时间的因素值。比如，子库1对应的天气状况为晴天，时间为从6点到10点。那么子库1中存储的地图就是对应为晴天，时间在6点到10点建立的初始地图。
步骤108，根据当前光照条件从初始地图库中选出与当前光照条件匹配的初始地图作为定位地图。
其中，在建立了初始地图库后，基于初始地图库进行视觉定位，首先，获取当前光照条件，当前光照条件包括：当前时间、当前天气状况等。根据当前光照条件从初始地图库中选出与该当前光照条件匹配的初始地图作为定位地图。这样就可以针对不同光照条件选择不同的定位地图，从而实现针对任何光照条件都可以进行准确定位。
步骤110，基于定位地图进行视觉定位，根据视觉定位建立与当前光照条件对应的扩充地图，将扩充地图存储到与当前光照条件对应的子库，得到扩充地图库。
其中，由于建立的初始地图库中存储的地图数量不多，所以为了丰富地图库，在后续实际的运行中，需要不断地对地图库进行扩充。在基于定位地图进行视觉定位的同时，基于视觉定位建立当前光照条件对应的扩充地图，然后将扩充地图也存储到地图库中，这样后续能够从地图库中匹配到更加准确的地图。
上述地图库建立方法，首先根据影响光照条件的多个因素将地图库划分为多个层级，每个层级包括若干个区间，将划分得到的最后一个层级的每个区间作为一个子库，然后开始根据每个子库对应的各个因素值建立初始地图，将建立的初始地图存储到该子库中，得到初始地图库。为了进一步扩充初始地图库，根据当前光照条件从初始地图库中选出匹配的初始地图作为定位地图，然后基于定位地图进行视觉定位，根据视觉定位建立当前光照条件对应的扩充地图，然后将扩充地图存储到当前光照条件对应的子库，得到扩充地图库。该地图库的建立有利于根据当前光照条件从该地图库中找出匹配的地图，从而可以实现在任何光照下都能够准确进行视觉定位的目的，且该地图库在使用时处于不断的扩充状态，通过不断地丰富地图库，有利于进一步提高视觉定位的准确度。
在一个实施例中，所述因素集还包括第一因素和第二因素；所述根据所述多个因素将所述地图库划分为多个层级，层级数与所述因素个数相同，每个层级对应一个因素，每个层级包括若干个区间，将划分得到的最后一个层级的每个区间作为一个子库，包括：根据所述第一因素和所述第二因素将地图库划分为两个层级；根据第一因素的因素值将所述地图库划分为多个第一区间；根据所述第二因素的因素值将每个所述第一区间划分为多个第二区间；将每个所述第二区间作为一个子库。
其中，因素集中包括两个因素，第一因素和第二因素。这样就可以将地图库分为两个层级，首先，根据第一因素的因素值将地图库划分为多个第一区间，第一区间所在的为第一层级，然后根据第二因素，将第一空间又划分为多个第二区间，将第二区间作为子库。在一个实施例中，所述第一因素为天气状况， 所述第二因素为时间。天气状况分为多种情况，时间分为多个时间段。如图2所示，为一个实施例中，建立的地图库的结构示意图。
在一个实施例中，所述因素集包括3个因素，分别为天气状况、时间和灯光。其中，处理包括天气状况和时间外，还包括灯光，灯光的开关影响着室内的光线，以及灯光的强弱也影响着室内的光线。当因素还包括灯光时，在第二区间的基础上，还需要根据灯光继续进行细分，即每个第二区间又细分为多个第三区间，最后将第三区间作为子库。
在一个实施例中，所述根据每个子库对应的各个因素值建立用于视觉定位的初始地图，将建立的所述初始地图存储到相应的所述子库中，得到初始地图库，包括：根据每个子库对应的各个因素值采用ORB-SLAM2建立初始地图，每个子库对应的初始地图都是从同一空间位姿开始建立的。
其中，采用ORB-SLAM2(一种开源的视觉定位建图算法)建立初始地图。初始建图时，每次从同一空间位姿开始建图，以此保证所有地图公用一个坐标系，从而规避了坐标对齐和坐标变换的问题。
在一个实施例中，所述基于所述定位地图进行视觉定位，根据所述视觉定位建立与所述当前光照条件对应的扩充地图，包括：基于所述定位地图采用ORB-SLAM2的追踪模块定位出相机的绝对位姿，采用所述ORB-SLAM2的视觉里程计模块对图像进行相对定位，得到相机的相对位姿，采用所述ORB-SLAM2的非线性优化模块对所述绝对位姿和所述相对位姿进行优化融合得到优化后的相机的绝对位姿；基于优化后的所述相机的绝对位姿采用所述ORB-SLAM2的建图模块进行新地图的构建，得到新建立的扩充地图，所述扩充地图与所述定位地图具有相同的坐标系。
其中，ORB-SLAM2中的追踪模块(即Tracking模块)用于在地图上定位出相机的绝对位姿。绝对位姿是指相对于原点的位姿。ORB-SLAM2中的视觉里程计模块(即VO(visual odometry)模块)用于对图像进行相对定位，得到相机的相对位姿，相对位姿是指相对于上一帧图像的位姿。采用 ORB-SLAM2的非线性优化模块对绝对位姿和相对位姿进行优化融合得到优化后相机的绝对位姿。然后基于优化后的相机的绝对位姿采用ORB-SLAM2建图模块进行建图，得到新地图，将新地图加入到地图库中，得到扩充后的地图库。需要说明的是，由于新建立的地图的位姿融合了定位地图中的绝对位姿得到的，所以新地图与定位地图具有相同的坐标系，不需要再额外对齐和转换。如图3所示，为一个实施例中，进行新地图建立的流程示意图。
在一个实施例中，所述采用所述ORB-SLAM2的非线性优化模块对所述绝对位姿和所述相对位姿进行优化融合得到相机的绝对位姿，包括：获取相对位姿对应的相对位姿约束，根据所述相对位姿和所述相对位姿约束计算得到初始绝对位姿；获取绝对位姿约束，基于所述绝对位姿约束对所述初始绝对位姿进行优化得到目标绝对位姿。
其中，非线性优化模块中通过采用相对位姿约束对相对位姿进行优化，然后基于优化后的相对位姿计算得到初始绝对位姿，然后获取绝对位姿约束，基于绝对位姿约束对绝对位姿进行优化，得到目标绝对位姿。如图4所示，为非线性优化模块进行优化的原理示意图，图中三角形代表优化节点，即相机的绝对位姿x i＝[p i,q i] T，其中，p i代表坐标，q i代表方向。图中，不带箭头的直线段表示来自VO模块(视觉里程计模块)的相对位姿约束，带箭头的直线段表示来自Tracking模块的绝对位姿约束，Ω i为绝对位姿的信息矩阵。
在一个实施例中，在建立了地图库后，基于地图库进行视觉定位的方法包括：获取当前光照条件，根据当前光照条件在地图库中查找与当前光照条件匹配的候选地图集，地图库中存储了在不同光照条件下的地图；采集当前光照条件下的图像，将图像与候选地图集中的地图进行匹配，确定与图像匹配的地图，将匹配到的地图作为当前光照条件下的目标地图；基于目标地图进行地图库建立。
其中，在当前光照条件下进行图像采集。将采集到的图像与候选地图集中的地图进行匹配，将候选地图集中与采集到的图像最为相似的地图作为匹配的 目标地图。图像匹配的方式可以采用计算图像之间相似度的方法来实现，比如，采用DBoW2方法来计算。在确定了目标地图后，基于目标地图采用SLAM定位技术进行地图库建立。该地图库建立方法解决了室内环境光照变化影响视觉SLAM定位精度及鲁棒性的问题，使视觉SLAM定位技术可以在室内环境下长期使用，不会因为光照，天气等原因而定位失败，适用于需要实时定位的各类室内作业机器人。
上述基于地图库进行视觉定位的方法根据当前光照条件在地图库中查找与其匹配的候选地图集，然后从候选地图集中选出与图像匹配的目标地图，然后基于该目标地图进行地图库建立。该方法能够根据当前光照条件选择匹配的目标地图进行地图库建立，使得即使在光照条件变化时也能够准确地进行地图库建立。
在一个实施例中，所述当前光照条件包括：当前时间和当前天气状况；所述根据所述当前光照条件在地图库中查找与所述光照条件匹配的候选地图集，包括：根据当前时间从所述地图库中选择出与当前时间的时间差在预设范围内的第一地图集；根据所述当前天气状况从所述第一候选地图集中选出与当前天气状况匹配的第二地图集，将所述第二地图集作为所述候选地图集。
其中，根据当前时间，将其与地图库中所有地图的时间进行比较，选出符合时间差dt(比如，半小时)的所有地图，作为第一地图集。获取当前天气状况，根据天气状况从第一地图集中选择与当前天气状况相似的所有地图，得到第二地图集，第二地图集即为候选地图集。
在一个实施例中，所述采集当前光照条件下的图像，将所述图像与所述候选地图集中的地图进行匹配，确定与所述图像匹配的地图，将匹配到的所述地图作为所述当前光照条件下的目标地图，包括：计算所述候选地图集中每一张候选地图与所述图像的相似度；根据所述相似度在所述候选地图集中选出与所述图像匹配的目标地图。
其中，通过计算相似度来进行图像与地图之间的匹配。计算候选地图集中 每一张候选地图与图像的相似度，然后将相似度最大的候选地图作为目标地图。相似度的计算方式有多种，比如，DBow2算法、SIFT算法、ORB算法等，采用现有的相似度计算方式即可计算得到，这里不再赘述。
在一个实施例中，所述采集当前光照条件下的图像，将所述图像与所述候选地图集中的地图进行匹配，确定与所述图像匹配的地图，将匹配到的所述地图作为所述当前光照条件下的目标地图，包括：移动摄像头采集一段时间的图像，得到图像集；将图像集中的每一张图像与候选地图集中的候选地图进行匹配，得到每一张图像与候选地图之间的匹配度；根据图像集中每一张图像与候选地图之间的匹配度计算得到图像集与候选地图之间的匹配度；根据图像集与每一候选地图之间的匹配度确定与图像集匹配的目标地图。
其中，在当前光照条件下进行图像采集，为了能够匹配到更加准确的地图，这里是采集一段时间的图像，得到多张图像，构成了一个图像集。需要将图像集中的每一张图像与候选地图集中的候选地图进行匹配，这样就可以得到每一张图像与候选地图之间的匹配度。在得到了每一张图像与候选地图之间的匹配度后，就可以计算得到图像集与候选地图之间的匹配度。在一个实施例中，可以计算图像集中图像与候选地图的平均匹配度，将平均匹配度作为图像集与候选地图之间的匹配度。根据图像集与每一候选地图之间的匹配度的大小进行排序，将匹配度最大的候选地图作为目标地图。通过准确选择出与当前光照条件作为匹配的目标地图，能够提高后续基于目标地图进行地图库建立的准确度和稳定性。
在一个实施例中，所述根据所述图像集中每一张图像与候选地图之间的匹配度计算得到所述图像集与所述候选地图之间的匹配度，包括：将所述图像集中所述每一张图像与候选地图之间的匹配度进行累加得到所述图像集与所述候选地图之间的匹配度。
其中，将图像集中每一张图像与候选地图之间的匹配度进行累加，将累加得到值作为图像集与候选地图之间的匹配度。在一个实施例中，可以采用以下 公式来表示：
Figure PCTCN2020133916-appb-000001
其中，i表示图像集中的第i个图像，j表示第j个候选地图，s j表示图像集与候选地图j的匹配度，s ij表示图像集第i个图像与候选地图j之间的匹配度。在一个实施例中，匹配度的计算采用DBoW2算法来计算，将计算得到的匹配度用BOW得分来表示，BOW得分越高，表示匹配度越高。
在一个实施例中，所述计算图像集中每一张图像与所述候选地图之间的匹配度，包括：采用多线程分别并行计算候选地图与所述图像集中的每一张图像之间的匹配度。其中，考虑到计算量的问题，在计算图像集与候选地图之间的匹配度时，采用多线程模式。
在一个实施例中，所述方法还包括：实时监测光照条件，当监测到当前光照条件发生变化时，则进入根据所述当前光照条件在地图库中查找与所述当前光照条件匹配的候选地图集的步骤。
其中，随着运行时间的增长，光照是会缓慢变化的，如从跟上午运行到下午，如运行一段时间后，开始下雨了。这些会改变光照条件，使得之前选择的地图已经不再适用，需要重新选择地图。即监测到当前光照条件发生变化后，重新根据当前光照条件在地图库中查找与当前光照条件匹配的候选地图集，继而匹配出目标地图。
在一个实施例中，在确定了目标地图后，定位算法选择开源的ORB-SLAM2。首先，针对相机采集到的每一帧新图像提取ORB特征和描述子，然后根据是否提供有相机的速度，选择跟踪上一个关键帧，还是使用速度模型进行跟踪。如果有提供相机的速度，则使用速度模型进行跟踪，如果没有提供，则选择上一关键帧进行跟踪。最后统计跟踪到的特征点的数量，若数量过少，则启动重定位模块，否则继续处理下一帧图像，直到完成视觉定位。
如图5所示，在一个实施例中，提出了一种地图库建立装置，包括：
获取模块502，用于获取影响光照条件的因素集，所述因素集中包括多个因素；
划分模块504，用于根据所述多个因素将所述地图库划分为多个层级，层 级数与所述因素个数相同，每个层级对应一个因素，每个层级包括若干个区间，将划分得到的最后一个层级的每个区间作为一个子库；
第一建立模块506，用于根据每个子库对应的各个因素值建立用于视觉定位的初始地图，将建立的所述初始地图存储到相应的所述子库中，得到初始地图库；
匹配模块508，用于根据当前光照条件从所述初始地图库中选出与所述当前光照条件匹配的初始地图作为定位地图；
第二建立模块510，用于基于所述定位地图进行视觉定位，根据所述视觉定位建立与所述当前光照条件对应的扩充地图，将所述扩充地图存储到与所述当前光照条件对应的子库，得到扩充地图库。
在一个实施例中，所述因素集还包括第一因素和第二因素；
所述划分模块还用于根据所述第一因素和所述第二因素将地图库划分为两个层级；根据第一因素的因素值将所述地图库划分为多个第一区间；根据所述第二因素的因素值将每个所述第一区间划分为多个第二区间，将每个所述第二区间作为一个子库。
在一个实施例中，所述第一因素为天气状况，所述第二因素为时间。
在一个实施例中，所述因素集包括3个因素，分别为天气状况、时间和灯光。
在一个实施例中，第一建立模块还用于根据每个子库对应的各个因素值采用ORB-SLAM2建立初始地图，每个子库对应的初始地图都是从同一空间位姿开始建立的。
在一个实施例中，第二建立模块还用于基于所述定位地图采用ORB-SLAM2的追踪模块定位出相机的绝对位姿，采用所述ORB-SLAM2的视觉里程计模块对图像进行相对定位，得到相机的相对位姿，采用所述ORB-SLAM2的优化模块对所述绝对位姿和所述相对位姿进行优化融合得到相机的绝对位姿；基于所述相机的绝对位姿采用所述ORB-SLAM2的建图模 块进行新地图的构建，得到新建立的扩充地图，所述扩充地图与所述定位地图具有相同的坐标系。
在一个实施例中，所述第二建立模块还用于获取相对位姿对应的相对位姿约束，根据所述相对位姿和所述相对位姿约束计算得到初始绝对位姿；获取绝对位姿约束，基于所述绝对位姿约束对所述初始绝对位姿进行优化得到目标绝对位姿。
图6示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是终端，也可以是服务器。如图6所示，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现上述的地图库建立方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行上述的地图库建立方法。本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提出了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行以下步骤：获取影响光照条件的因素集，所述因素集中包括多个因素；根据所述多个因素将所述地图库划分为多个层级，层级数与所述因素个数相同，每个层级对应一个因素，每个层级包括若干个区间，将划分得到的最后一个层级的每个区间作为一个子库；根据每个子库对应的各个因素值建立用于视觉定位的初始地图，将建立的所述初始地图存储到相应的所述子库中，得到初始地图库；根据当前光照条件从所述初始地图库中选出与所述当前光照条件匹配的初始地图作为定位地图；基于所述定位地图进行视觉定位，根据所述视觉定位建立与所述当前光照条件对应的扩充地图，将所述扩充地图存储到与所述当前 光照条件对应的子库，得到扩充地图库。
在一个实施例中，所述因素集还包括第一因素和第二因素；所述根据所述多个因素将所述地图库划分为多个层级，层级数与所述因素个数相同，每个层级对应一个因素，每个层级包括若干个区间，将划分得到的最后一个层级的每个区间作为一个子库，包括：根据所述第一因素和所述第二因素将地图库划分为两个层级；根据第一因素的因素值将所述地图库划分为多个第一区间；根据所述第二因素的因素值将每个所述第一区间划分为多个第二区间；将每个所述第二区间作为一个子库。
在一个实施例中，所述第一因素为天气状况，所述第二因素为时间。
在一个实施例中，所述因素集包括3个因素，分别为天气状况、时间和灯光。
在一个实施例中，所述根据每个子库对应的各个因素值建立用于视觉定位的初始地图，将建立的所述初始地图存储到相应的所述子库中，得到初始地图库，包括：根据每个子库对应的各个因素值采用ORB-SLAM2建立初始地图，每个子库对应的初始地图都是从同一空间位姿开始建立的。
在一个实施例中，所述基于所述定位地图进行视觉定位，根据所述视觉定位建立与所述当前光照条件对应的扩充地图，包括：基于所述定位地图采用ORB-SLAM2的追踪模块定位出相机的绝对位姿，采用所述ORB-SLAM2的视觉里程计模块对图像进行相对定位，得到相机的相对位姿，采用所述ORB-SLAM2的优化模块对所述绝对位姿和所述相对位姿进行优化融合得到相机的绝对位姿；基于所述相机的绝对位姿采用所述ORB-SLAM2的建图模块进行新地图的构建，得到新建立的扩充地图，所述扩充地图与所述定位地图具有相同的坐标系。
在一个实施例中，所述采用所述ORB-SLAM2的优化模块对所述绝对位姿和所述相对位姿进行优化融合得到相机的绝对位姿，包括：获取相对位姿对应的相对位姿约束，根据所述相对位姿和所述相对位姿约束计算得到初始绝对 位姿；获取绝对位姿约束，基于所述绝对位姿约束对所述初始绝对位姿进行优化得到目标绝对位姿。
在一个实施例中，提出了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行上述地图库建立方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (21)

  1. 一种地图库建立方法，其特征在于，包括：
    获取影响光照条件的因素集，所述因素集中包括多个因素；
    根据所述多个因素将所述地图库划分为多个层级，层级数与所述因素个数相同，每个层级对应一个因素，每个层级包括若干个区间，将划分得到的最后一个层级的每个区间作为一个子库；
    根据每个子库对应的各个因素值建立用于视觉定位的初始地图，将建立的所述初始地图存储到相应的所述子库中，得到初始地图库；
    根据当前光照条件从所述初始地图库中选出与所述当前光照条件匹配的初始地图作为定位地图；
    基于所述定位地图进行视觉定位，根据所述视觉定位建立与所述当前光照条件对应的扩充地图，将所述扩充地图存储到与所述当前光照条件对应的子库，得到扩充地图库。
  2. 根据权利要求1所述的方法，其特征在于，所述因素集还包括第一因素和第二因素；
    所述根据所述多个因素将所述地图库划分为多个层级，层级数与所述因素个数相同，每个层级对应一个因素，每个层级包括若干个区间，将划分得到的最后一个层级的每个区间作为一个子库，包括：
    根据所述第一因素和所述第二因素将地图库划分为两个层级；
    根据第一因素的因素值将所述地图库划分为多个第一区间；
    根据所述第二因素的因素值将每个所述第一区间划分为多个第二区间；
    将每个所述第二区间作为一个子库。
  3. 根据权利要求1所述的方法，其特征在于，所述第一因素为天气状况，所述第二因素为时间。
  4. 根据权利要求1所述的方法，其特征在于，所述因素集包括3个因素，分别为天气状况、时间和灯光。
  5. 根据权利要求1所述的方法，其特征在于，所述根据每个子库对应的各个因素值建立用于视觉定位的初始地图，将建立的所述初始地图存储到相应的所述子库中，得到初始地图库，包括：
    根据每个子库对应的各个因素值采用ORB-SLAM2建立初始地图，每个子库对应的初始地图都是从同一空间位姿开始建立的。
  6. 根据权利要求1所述的方法，其特征在于，所述基于所述定位地图进行视觉定位，根据所述视觉定位建立与所述当前光照条件对应的扩充地图，包括：
    基于所述定位地图采用ORB-SLAM2的追踪模块定位出相机的绝对位姿，采用所述ORB-SLAM2的视觉里程计模块对图像进行相对定位，得到相机的相对位姿，采用所述ORB-SLAM2的优化模块对所述绝对位姿和所述相对位姿进行优化融合得到相机的绝对位姿；
    基于所述相机的绝对位姿采用所述ORB-SLAM2的建图模块进行新地图的构建，得到新建立的扩充地图，所述扩充地图与所述定位地图具有相同的坐标系。
  7. 根据权利要求6所述的方法，其特征在于，所述采用所述ORB-SLAM2的优化模块对所述绝对位姿和所述相对位姿进行优化融合得到相机的绝对位姿，包括：
    获取相对位姿对应的相对位姿约束，根据所述相对位姿和所述相对位姿约束计算得到初始绝对位姿；
    获取绝对位姿约束，基于所述绝对位姿约束对所述初始绝对位姿进行优化得到目标绝对位姿。
  8. 一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行以下步骤：
    获取影响光照条件的因素集，所述因素集中包括多个因素；
    根据所述多个因素将所述地图库划分为多个层级，层级数与所述因素个数相同，每个层级对应一个因素，每个层级包括若干个区间，将划分得到的最后一个层级的每个区间作为一个子库；
    根据每个子库对应的各个因素值建立用于视觉定位的初始地图，将建立的所述初始地图存储到相应的所述子库中，得到初始地图库；
    根据当前光照条件从所述初始地图库中选出与所述当前光照条件匹配的初始地图作为定位地图；
    基于所述定位地图进行视觉定位，根据所述视觉定位建立与所述当前光照条件对应的扩充地图，将所述扩充地图存储到与所述当前光照条件对应的子库，得到扩充地图库。
  9. 根据权利要求8所述的计算机设备，其特征在于，所述因素集还包括第一因素和第二因素；
    所述根据所述多个因素将所述地图库划分为多个层级，层级数与所述因素个数相同，每个层级对应一个因素，每个层级包括若干个区间，将划分得到的最后一个层级的每个区间作为一个子库，包括：
    根据所述第一因素和所述第二因素将地图库划分为两个层级；
    根据第一因素的因素值将所述地图库划分为多个第一区间；
    根据所述第二因素的因素值将每个所述第一区间划分为多个第二区间；
    将每个所述第二区间作为一个子库。
  10. 根据权利要求8所述的计算机设备，其特征在于，所述第一因素为天气状况，所述第二因素为时间。
  11. 根据权利要求8所述的计算机设备，其特征在于，所述因素集包括3个因素，分别为天气状况、时间和灯光。
  12. 根据权利要求8所述的计算机设备，其特征在于，所述根据每个子库对应的各个因素值建立用于视觉定位的初始地图，将建立的所述初始地图存储到相应的所述子库中，得到初始地图库，包括：
    根据每个子库对应的各个因素值采用ORB-SLAM2建立初始地图，每个子库对应的初始地图都是从同一空间位姿开始建立的。
  13. 根据权利要求8所述的计算机设备，其特征在于，所述基于所述定位地图进行视觉定位，根据所述视觉定位建立与所述当前光照条件对应的扩充地图，包括：
    基于所述定位地图采用ORB-SLAM2的追踪模块定位出相机的绝对位姿，采用所述ORB-SLAM2的视觉里程计模块对图像进行相对定位，得到相机的相对位姿，采用所述ORB-SLAM2的优化模块对所述绝对位姿和所述相对位姿进行优化融合得到相机的绝对位姿；
    基于所述相机的绝对位姿采用所述ORB-SLAM2的建图模块进行新地图的构建，得到新建立的扩充地图，所述扩充地图与所述定位地图具有相同的坐标系。
  14. 根据权利要求13所述的计算机设备，其特征在于，所述采用所述ORB-SLAM2的优化模块对所述绝对位姿和所述相对位姿进行优化融合得到相机的绝对位姿，包括：
    获取相对位姿对应的相对位姿约束，根据所述相对位姿和所述相对位姿约束计算得到初始绝对位姿；
    获取绝对位姿约束，基于所述绝对位姿约束对所述初始绝对位姿进行优化得到目标绝对位姿。
  15. 一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行以下步骤：
    获取影响光照条件的因素集，所述因素集中包括多个因素；
    根据所述多个因素将所述地图库划分为多个层级，层级数与所述因素个数相同，每个层级对应一个因素，每个层级包括若干个区间，将划分得到的最后一个层级的每个区间作为一个子库；
    根据每个子库对应的各个因素值建立用于视觉定位的初始地图，将建立的所述初始地图存储到相应的所述子库中，得到初始地图库；
    根据当前光照条件从所述初始地图库中选出与所述当前光照条件匹配的初始地图作为定位地图；
    基于所述定位地图进行视觉定位，根据所述视觉定位建立与所述当前光照条件对应的扩充地图，将所述扩充地图存储到与所述当前光照条件对应的子库，得到扩充地图库。
  16. 根据权利要求15所述的存储介质，其特征在于，所述因素集还包括第一因素和第二因素；
    所述根据所述多个因素将所述地图库划分为多个层级，层级数与所述因素个数相同，每个层级对应一个因素，每个层级包括若干个区间，将划分得到的最后一个层级的每个区间作为一个子库，包括：
    根据所述第一因素和所述第二因素将地图库划分为两个层级；
    根据第一因素的因素值将所述地图库划分为多个第一区间；
    根据所述第二因素的因素值将每个所述第一区间划分为多个第二区间；
    将每个所述第二区间作为一个子库。
  17. 根据权利要求15所述的存储介质，其特征在于，所述第一因素为天气状况，所述第二因素为时间。
  18. 根据权利要求15所述的存储介质，其特征在于，所述因素集包括3个因素，分别为天气状况、时间和灯光。
  19. 根据权利要求15所述的存储介质，其特征在于，所述根据每个子库对应的各个因素值建立用于视觉定位的初始地图，将建立的所述初始地图存储到相应的所述子库中，得到初始地图库，包括：
    根据每个子库对应的各个因素值采用ORB-SLAM2建立初始地图，每个子库对应的初始地图都是从同一空间位姿开始建立的。
  20. 根据权利要求15所述的存储介质，其特征在于，所述基于所述定位 地图进行视觉定位，根据所述视觉定位建立与所述当前光照条件对应的扩充地图，包括：
    基于所述定位地图采用ORB-SLAM2的追踪模块定位出相机的绝对位姿，采用所述ORB-SLAM2的视觉里程计模块对图像进行相对定位，得到相机的相对位姿，采用所述ORB-SLAM2的优化模块对所述绝对位姿和所述相对位姿进行优化融合得到相机的绝对位姿；
    基于所述相机的绝对位姿采用所述ORB-SLAM2的建图模块进行新地图的构建，得到新建立的扩充地图，所述扩充地图与所述定位地图具有相同的坐标系。
  21. 根据权利要求20所述的存储介质，其特征在于，所述采用所述ORB-SLAM2的优化模块对所述绝对位姿和所述相对位姿进行优化融合得到相机的绝对位姿，包括：
    获取相对位姿对应的相对位姿约束，根据所述相对位姿和所述相对位姿约束计算得到初始绝对位姿；
    获取绝对位姿约束，基于所述绝对位姿约束对所述初始绝对位姿进行优化得到目标绝对位姿。
PCT/CN2020/133916 2020-12-04 2020-12-04 地图库建立方法、计算机设备及存储介质 Ceased WO2022116154A1 (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
PCT/CN2020/133916 WO2022116154A1 (zh) 2020-12-04 2020-12-04 地图库建立方法、计算机设备及存储介质
US17/482,450 US11710277B2 (en) 2020-12-04 2021-09-23 Map database creation method, mobile machine using the same, and computer readable storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2020/133916 WO2022116154A1 (zh) 2020-12-04 2020-12-04 地图库建立方法、计算机设备及存储介质

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US17/482,450 Continuation US11710277B2 (en) 2020-12-04 2021-09-23 Map database creation method, mobile machine using the same, and computer readable storage medium

Publications (1)

Publication Number Publication Date
WO2022116154A1 true WO2022116154A1 (zh) 2022-06-09

Family

ID=81849335

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2020/133916 Ceased WO2022116154A1 (zh) 2020-12-04 2020-12-04 地图库建立方法、计算机设备及存储介质

Country Status (2)

Country Link
US (1) US11710277B2 (zh)
WO (1) WO2022116154A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7540426B2 (ja) * 2021-12-13 2024-08-27 トヨタ自動車株式会社 自己位置推定システム、自己位置推定方法、プログラム、及び地図生成装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108564657A (zh) * 2017-12-28 2018-09-21 达闼科技（北京）有限公司 一种基于云端的地图构建方法、电子设备和可读存储介质
CN110118554A (zh) * 2019-05-16 2019-08-13 深圳前海达闼云端智能科技有限公司 基于视觉惯性的slam方法、装置、存储介质和设备
US20200240793A1 (en) * 2019-01-28 2020-07-30 Qfeeltech (Beijing) Co., Ltd. Methods, apparatus, and systems for localization and mapping
CN111652934A (zh) * 2020-05-12 2020-09-11 Oppo广东移动通信有限公司 定位方法及地图构建方法、装置、设备、存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10185775B2 (en) * 2014-12-19 2019-01-22 Qualcomm Technologies, Inc. Scalable 3D mapping system
US10202115B2 (en) * 2016-09-13 2019-02-12 Here Global B.V. Method and apparatus for triggering vehicle sensors based on human accessory detection
US11280625B2 (en) * 2018-09-07 2022-03-22 Waymo Llc Ambient lighting conditions for autonomous vehicles
JP7267409B2 (ja) * 2019-05-24 2023-05-01 グーグル エルエルシー ２人以上のユーザを待ち合わせ場所にナビゲートするための方法およびデバイス

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108564657A (zh) * 2017-12-28 2018-09-21 达闼科技（北京）有限公司 一种基于云端的地图构建方法、电子设备和可读存储介质
US20200240793A1 (en) * 2019-01-28 2020-07-30 Qfeeltech (Beijing) Co., Ltd. Methods, apparatus, and systems for localization and mapping
CN110118554A (zh) * 2019-05-16 2019-08-13 深圳前海达闼云端智能科技有限公司 基于视觉惯性的slam方法、装置、存储介质和设备
CN111652934A (zh) * 2020-05-12 2020-09-11 Oppo广东移动通信有限公司 定位方法及地图构建方法、装置、设备、存储介质

Also Published As

Publication number Publication date
US20220180609A1 (en) 2022-06-09
US11710277B2 (en) 2023-07-25

Similar Documents

Publication Publication Date Title
Churchill et al. Experience-based navigation for long-term localisation
Mühlfellner et al. Summary maps for lifelong visual localization
CN107967457B (zh) 一种适应视觉特征变化的地点识别与相对定位方法及系统
CN111652929A (zh) 一种视觉特征的识别定位方法及系统
CN107016126A (zh) 一种基于序列模式挖掘的多用户模型移动轨迹预测方法
CN113902991A (zh) 一种基于级联特征融合的孪生网络目标跟踪方法
CN107167136A (zh) 一种面向电子地图的位置推荐方法及系统
CN109163722A (zh) 一种仿人机器人路径规划方法及装置
CN112597871B (zh) 基于二阶段聚类的无监督车辆重识别方法、系统及存储介质
CN111258974A (zh) 一种车辆离线场景数据处理方法及系统
CN112767476A (zh) 一种快速定位系统、方法及应用
CN115017347A (zh) 融合高斯算法以及哈希算法的隐患图像处理方法及系统
CN114216467A (zh) 道路定位方法、装置、计算机设备和存储介质
CN112732844A (zh) 将道路对象与道路自动关联的方法、装置、设备和介质
WO2022116154A1 (zh) 地图库建立方法、计算机设备及存储介质
CN112488007B (zh) 视觉定位方法、装置、机器人及存储介质
Shi et al. Globalmapnet: An online framework for vectorized global hd map construction
Song et al. Recalling direct 2d-3d matches for large-scale visual localization
CN108984781B (zh) 一种无人车区域探索的地图边缘检测规划方法及装置
CN118640912B (zh) 路网匹配方法、装置、设备和可读存储介质
CN112697156A (zh) 地图库建立方法、机器人、计算机设备及存储介质
CN114489068A (zh) 一种复杂路径下的巡检机器人巡检任务路径规划方法及装置
WO2022116156A1 (zh) 视觉定位方法、机器人及存储介质
CN115171378B (zh) 一种基于路侧雷达长距离多车辆高精度检测追踪方法
CN115547087B (zh) 基于两阶段法与方向诱导的城市路网最短路径获取方法及应用

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: 20964000

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20964000

Country of ref document: EP

Kind code of ref document: A1