Nothing Special   »   [go: up one dir, main page]

CN111462321B - 点云地图处理方法、处理装置、电子装置和车辆 - Google Patents

点云地图处理方法、处理装置、电子装置和车辆 Download PDF

Info

Publication number
CN111462321B
CN111462321B CN202010227293.2A CN202010227293A CN111462321B CN 111462321 B CN111462321 B CN 111462321B CN 202010227293 A CN202010227293 A CN 202010227293A CN 111462321 B CN111462321 B CN 111462321B
Authority
CN
China
Prior art keywords
point cloud
point
initial pose
merging
pose
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.)
Active
Application number
CN202010227293.2A
Other languages
English (en)
Other versions
CN111462321A (zh
Inventor
徐胜攀
郭彦东
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.)
Guangzhou Xiaopeng Motors Technology Co Ltd
Original Assignee
Guangzhou Xiaopeng Motors Technology Co Ltd
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 Guangzhou Xiaopeng Motors Technology Co Ltd filed Critical Guangzhou Xiaopeng Motors Technology Co Ltd
Priority to CN202010227293.2A priority Critical patent/CN111462321B/zh
Publication of CN111462321A publication Critical patent/CN111462321A/zh
Application granted granted Critical
Publication of CN111462321B publication Critical patent/CN111462321B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR 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
    • G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/08—Indexing scheme for image data processing or generation, in general involving all processing steps from image acquisition to 3D model generation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Remote Sensing (AREA)
  • Computer Graphics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Navigation (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请公开了一种点云地图处理方法。点云地图处理方法包括：合并点云数据和初始位姿以得到合并点云，处理合并点云以得到路标点和测量点，以及根据路标点和测量点构建目标方程以对初始位姿进行优化。本申请实施方式的点云地图处理方法中，通过将点云数据和初始位姿进行合并，在处理后得到路标点，因此可以对场景进行较为精细的优化，并基于汇聚误差最小化，构建目标方程优化各帧点云的初始位姿，减少了计算量和内存消耗，可取得较好的优化效果。本申请还公开了一种处理装置、电子装置和车辆。

Description

点云地图处理方法、处理装置、电子装置和车辆
技术领域
本申请涉及自动驾驶技术领域，特别涉及一种点云地图处理方法、处理装置、电子装置和车辆。
背景技术
随着汽车电子技术的发展，自动驾驶或者无人驾驶技术逐渐成为热点。而生成车辆行驶环境的点云地图是无人驾驶技术中的关键，点云地图优化将直接影响到地图的拼接质量和精度，最终影响到点云定位的精度和效果。与之相关的技术中，或难以对较小的误差进行优化，或计算量大而导致内存消耗大。
发明内容
有鉴于此，本申请的实施例提供了一种点云地图处理方法、处理装置、电子装置、车辆和计算机可读存储介质。
本申请提供了一种点云地图处理方法，所述点云地图处理方法包括：
合并点云数据和初始位姿以得到合并点云，其中，所述点云数据和所述初始位姿通过车载传感器获得；
处理所述合并点云以得到路标点和测量点；和
根据所述路标点和所述测量点构建目标方程以对所述初始位姿进行优化。
在某些实施方式中，所述处理所述合并点云以得到路标点和测量点包括：
对所述合并点云以预定分辨率通过网格单元进行降采样处理；
在所述网格单元中的点数大于预定阈值时，确定所述网格单元的中心点为所述路标点；和
查找所述网格单元中距离所述路标点距离最近的点为所述测量点。
在某些实施方式中，所述根据所述路标点和所述测量点构建目标方程以对所述初始位姿进行优化包括：
基于光束法平差根据所述路标点和所述测量点构建所述目标方程；和
求解所述目标方程以得到优化后的位姿。
在某些实施方式中，所述点云地图处理方法还包括：
判断对所述初始位姿优化后的结果是否满足预设要求；和
在所述结果不满足所述预设要求的情况下对所述初始位姿进行迭代处理。
在某些实施方式中，在所述结果不满足所述预设要求的情况下对所述初始位姿进行迭代处理包括：
在所述结果不满足所述预设要求的情况下，采用所述结果更新所述初始位姿以得到更新后的初始位姿；
所述合并点云数据和初始位姿以获得合并点云包括：
合并所述点云数据和所述更新后的初始位姿以得到所述合并点云。
本申请提供了一种点云地图的处理装置，所述处理装置包括：
合并模块，用于合并点云数据和初始位姿以得到合并点云，其中，所述点云数据和所述初始位姿通过车载传感器获得；
处理模块，用于处理所述合并点云以得到路标点和测量点；
优化模块，用于根据所述路标点和所述测量点构建目标方程以对所述初始位姿进行优化。
本申请提供了一种电子装置，包括处理器，所述处理器用于：
合并点云数据和初始位姿以得到合并点云，其中，所述点云数据和所述初始位姿通过车载传感器获得；
处理所述合并点云以得到路标点和测量点；和
根据所述路标点和所述测量点构建目标方程以对所述初始位姿进行优化。
在某些实施方式中，所述处理器还用于：
对所述合并点云以预定分辨率通过网格单元进行降采样处理；
在所述网格单元中的点数大于预定阈值时，确定所述网格单元的中心点为所述路标点；和
查找所述网格单元中距离所述路标点距离最近的点为所述测量点。
在某些实施方式中，所述处理器还用于：
基于光束法平差根据所述路标点和所述测量点构建所述目标方程；和
求解所述目标方程以得到优化后的位姿。
在某些实施方式中，所述处理器还用于：
判断对所述初始位姿优化后的结果是否满足预设要求；和
在所述结果不满足所述预设要求的情况下对所述初始位姿进行迭代处理。
在某些实施方式中，所述处理器还用于：
在所述结果不满足所述预设要求的情况下，采用所述结果更新所述初始位姿以得到更新后的初始位姿；和
合并所述点云数据和所述更新后的初始位姿以得到所述合并点云。
本申请提供了一种车辆，包括一个或多个处理器、存储器；和一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被所述一个或多个处理器执行，所述程序包括用于执行如上所述的点云地图处理方法的指令。
本申请提供了一种包含计算机可执行指令的非易失性计算机可读存储介质，当所述计算机可执行指令被一个或多个处理器执行时，使得所述处理器执行所述的点云地图处理方法。
本申请实施方式的点云地图处理方法、处理装置、电子装置、车辆及计算机可读存储介质中，通过将点云数据和初始位姿进行合并，在处理后得到路标点，因此可以对场景进行较为精细的优化，并基于汇聚误差最小化，构建目标方程优化各帧点云的初始位姿，减少了计算量和内存消耗，可取得较好的优化效果。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1是本申请某些实施方式的点云地图处理方法的流程示意图。
图2是本申请某些实施方式的点云地图处理装置的模块示意图。
图3是本申请某些实施方式的点云地图处理方法的流程示意图。
图4是本申请某些实施方式的点云地图处理方法的流程示意图。
图5是本申请某些实施方式的点云地图处理方法的流程示意图。
图6是本申请某些实施方式的点云地图处理方法的流程示意图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
请参阅图1，本申请提供一种点云地图处理方法。包括：
S10：合并点云数据和初始位姿以得到合并点云；
S20：处理合并点云以得到路标点和测量点；和
S30：根据路标点和测量点构建目标方程以对初始位姿进行优化。
请参阅图2，本申请实施方式提供了一种电子装置。电子装置包括处理器。处理器用于合并点云数据和初始位姿以得到合并点云，及用于处理合并点云以得到路标点和测量点，以及用于根据路标点和测量点构建目标方程以对初始位姿进行优化。电子装置可以是行车电脑或云端用于处理数据的计算设备。
本申请实施方式还提供了一种处理装置110，本申请实施方式的点云地图处理方法可以由本申请实施方式的处理装置110实现。
具体地，处理装置110包括合并模块112、处理模块114和优化模块116。S10可以由合并模块112实现，S20可以由处理模块114实现，S30可以由优化模块116实现。或者说，合并模块112用于合并点云数据和初始位姿以得到合并点云。处理模块114用于处理合并点云以得到路标点和测量点。优化模块116用于根据路标点和测量点构建目标方程以对初始位姿进行优化。
本申请实施方式的点云地图处理方法、处理装置及电子装置中，通过将点云数据和初始位姿进行合并，在处理后得到路标点，因此可以对场景进行较为精细的优化，并基于汇聚误差最小化，构建目标方程优化各帧点云的初始位姿，减少了计算量和内存消耗，可取得较好的优化效果。
具体地，点云数据通常是指通过3D扫描设备，例如激光雷达、立体摄像头、TOF相机等测量的物体表面的点的信息，其中每一个点包含有三维坐标，并可能含有颜色信息或反射强度信息等。这些点云数据通过扫描设备采集到并以相关数据形式输出，从而可以被所有的后处理装置读取。
在本实施方式中，点云数据是指激光雷达采集到的物体信息呈现出一系列分散的、具有准确角度和距离信息的点。
随着汽车电子技术的发展，相关技术如传感技术、图像处理以及人工智能等逐渐在汽车领域中得到应用，自动驾驶或者无人驾驶技术逐渐成为热点。通过对车辆进行控制，可以使车辆自动按照预先制定的行驶路径安全行驶，实现自动驾驶。生成车辆行驶环境的点云地图是自动驾驶技术中的关键。相关技术中，通常在车辆搭载激光雷达(LightDetection And Ranging,LiDAR)采集数据，并结合GPS数据来生成点云地图。
在LiDAR SLAM(Simultaneous localization and mapping，同步定位与建图)中，通常包括传感器数据、里程计、后端、建图和回环检测等五个模块。
其中，传感器数据主要用于采集实际环境中的各类型原始数据，如点云数据等。里程计主要用于不同时刻间移动目标相对位置的估算。后端主要用于优化里程计带来的累计误差。建图用于三维地图构建。回环检测则主要用于空间累积误差消除。
可以理解地，后端需要不断地对点云地图进行更新和优化，从而取得更佳的点云全局地图。点云全局地图的存在是进行回环检测的关键，目的是克服车辆在实时定位中的累积漂移。或者说，点云地图优化是基于LiDAR的自动驾驶中的关键，优化效果的好坏将直接影响到点云地图的拼接质量和精度，最终影响到点云定位的精度和效果。
相关技术中，PoseGraph是一种常用的点云地图优化算法，其基本原理是以每帧点云的位姿为顶点，以位姿的误差为边构建图，优化目标是使图中的边的累积长度平方和达到最小。然而，PoseGraph算法通常用于大范围场景的优化，且主要面向大的误差，对于小的误差，PoseGraph算法难以进行比较精细的优化。
对于另一种点云地图优化算法S-GICP，其将针对两帧点云拼接的GICP算法进行扩展，从而可以一次优化多帧点云，然而该算法计算量较大，对于处理设备的内存消耗较大。例如，对于有n帧点云，平均每帧点云有N个点的局部地图的情形，采用该算法需要建立的边的数量为(n-1)！×N。
本实施方式中，针对以单帧形式存储的激光点云数据的位姿进行优化，其中，车载传感器包括车载激光雷达和里程计，点云数据通过激光雷达获得，初始位姿通过里程计获得。将初始位姿通过坐标系转换转换为点云数据，并与通过激光雷达获得的点云数据进行合并从而得到合并点云，合并点云可由下式表示：
其中，为第i帧点云的第j个点，Ti为第i帧点云的位姿。
对合并后的点云以预定方式进行处理，例如降采样处理，从而得到路标点和测量点。进而，根据路标点和测量点构建目标方程，可以理解地，射向同一个3D点的来自不同帧图像的光线应该汇聚于一点，基于此，目标方程的优化目标是使汇聚误差最小化，从而实现对初始位姿的优化。
本申请实施方式的点云地图的处理方法，相对于上述PoseGraph算法，由于设有路标点，并通过路标点来优化各帧点云的位姿，因而可以取得更精细的优化效果。
相对于S-GICP算法，以n帧点云，平均每帧点云有N个点的点云地图数据为例，S-GICP算法需要同时存储n帧点云，其空间消耗为O(n)，需要建立的边的数量为(n-1)！×N，时间消耗为O((n-1)！×N)。本实施方式中，同一时刻只需存储一帧点云，因此，空间消耗为O(1)，时间消耗为O(n*N)，优化方程中的最大边数量为n*N，显著地减少了计算量和内存消耗，可取得较好的优化效果。
请参阅图3，在某些实施方式中，S20包括：
S21：对合并点云以预定分辨率通过网格单元进行降采样处理；
S22：在网格单元中的点数大于预定阈值时，确定网格单元的中心点为路标点；和
S23：查找网格单元中距离路标点距离最近的点为测量点。
在某些实施方式中，S21-S23可以由处理模块114实现。也即是说，处理模块114用于对合并点云以预定分辨率通过网格单元进行降采样处理，及用于在网格单元中的点数大于预定阈值时，确定网格单元的中心点为路标点，以及用于查找网格单元中距离路标点距离最近的点为测量点。
在某些实施方式中，处理器用于对合并点云以预定分辨率通过网格单元进行降采样处理，及用于在网格单元中的点数大于预定阈值时，确定网格单元的中心点为路标点，以及用于查找网格单元中距离路标点距离最近的点为测量点。
具体地，对合并后得到的合并点云按照预定分辨率利用网格进行降采样处理。为取得更好的处理效果，在对合并点云的降采样过程中需要过滤掉网格单元内的点的数量小于预定阈值的点。当网格单元中的点数大于预定阈值时，则确定网格单元的中心点为路标点。
需要说明地，预定阈值可以根据计算需求设定，在一些示例中，可以直接设定预定阈值，例如可以是2、3等，在此不做限制。在另一些示例中，为取得更好的去噪效果，可对所有网格单元内的点的数量利用直方图进行统计，取前预定比例的网格单元中的点数作为预定阈值，例如，前10％网格单元中的点数。
在确定路标点后，统计网格单元内中距离网格中心点，也即是路标点，并确定最近的点为测量点。
上述降采样处理以及查找测量点的过程可以用如下关系式表示：
其中，上式中，n为第j个网格单元内的点的数量，为落在该网格单元中的点，pj为该单位网格内中心点的坐标，/>为测量点，即第i帧点云对第j个3D点的观测，或者说第j个3D点在第i帧点云中的坐标。nearest(·)为查找算法，对落在第j个单元网格内的每帧点云，查找距离中心点pj最近的测量点。
请参阅图4，在某些实施方式中，S30包括：
S31：基于光束法平差根据路标点和测量点构建目标方程；和
S32：求解目标方程以得到优化后的位姿。
在某些实施方式中，S31、S32可以由优化模块116实现，也即是说，优化模块116用于基于光束法平差根据路标点和测量点构建目标方程，以及用于求解目标方程以得到优化后的位姿。
在某些实施方式中，处理器用于基于光束法平差根据路标点和测量点构建目标方程，以及用于求解目标方程以得到优化后的位姿。
具体地，在计算机视觉中，光束法平差BA(Bundle Adjustment，BA)常被用于相机位姿以及重建的三维场景的优化，理想情况下，一个物体在不同视角下应当对应相同的点，然而实际三维重建过程中在进行特征点匹配时，会产生错误的特征点匹配对，光束法的作用就是消除这种错误匹配。其原理在于构建重建点与像素点间的投影误差关系，使得投影误差最小化。其目标方程如下：
其中，Ti是第i帧点云的位姿，pj是第j个3D点即重建点，zij是第i帧影像对第j个3D点的观测，即第j个3D点在第i帧影像上的像素坐标；h(T,p)是投影函数，根据指定的位姿和重建点计算像素点。可以理解地，计算机视觉中的BA算法基于射向同一个3D点的来自不同帧图像的光线应该汇聚于一点，或者说，应该让光线汇聚误差最小化。
在本实施方式中，基于光线汇聚误差最小化的优化目的，构建目标方程来优化点云地图。构建的目标方程如下：
其中，Ti是第i帧影像的位姿，pj是第j个3D点，是第i帧点云数据对第j个3D的测量，即第j个3D点在第i帧点云中的坐标。
求解时，可以按李代数左乘扰动求导，设扰动向量为δξ＝[δpδφ]T，对同一个误差项，即第i帧点云对应的误差项，其雅可比矩阵为：
对其雅可比矩阵，可以方便地采用g2o或CeresSolver等非线性优化库进行非线性优化，从而求得优化后的位姿T*。
可以理解地，上式中，pj为未知量。针对小误差级别，如拼接平均误差小于1米的点地图优化，将所有待优化点云进行合并，然后对合并点云按预定分辨率通过网格单元进行降采样处理，获得的网格单元的中心降采样点云即视为路标点，即上式中的{pj}，而pj周围一定半径范围内的各帧点即为测量点，即为上式中的
如此，本实施方式的目标方程的构建基于光线汇聚，以在优化过程添加路标点，优化目标在于使得汇聚误差最小化，并以此为约束优化各帧点云的初始位姿。
请参阅图5，在某些实施方式中，处理方法还包括：
S40：判断对初始位姿优化后的结果是否满足预设要求；和
S50：在结果不满足预设要求的情况下对初始位姿进行迭代处理。
在某些实施方式中，处理装置110还包括判断模块。S40可以判断模块实现，S50可以用由优化模块116实现。或者说，判断模块用于判断对初始位姿优化后的结果是否满足预设要求，优化模块116用于在结果不满足预设要求的情况下对初始位姿进行迭代处理。
在某些实施方式中，处理器用于判断对初始位姿优化后的结果是否满足预设要求，以及用于在结果不满足预设要求的情况下对初始位姿进行迭代处理。
可以理解，在对初始位姿进行优化后，需要比较优化前后来判断是否收敛从而确认优化后的位姿是否达到要求。对于所构建的目标方程求解，实际上是高维非线性优化问题。可通过迭代方法逐渐收敛到目标函数的最小值。
需要说明的是，收敛的判断和初始位姿的具体的实现有关，比如初始位姿的实现可采用旋转矩阵、四元数、李代数或欧拉角，此外，还与确定路标点时所设定的预定阈值相关，在此均不做限定。
请参阅图6，在某些实施方式中，S50还包括：
S51：在结果不满足预设要求的情况下，采用结果更新初始位姿以得到更新后的初始位姿。
S10包括：
S11：合并点云数据和更新后的初始位姿以得到合并点云。
在某些实施方式中，S51可以由优化模块116实现，S11可以由合并模块112实现。或者说，优化模块116用于在结果不满足预设要求的情况下，采用当次计算的结果更新初始位姿以得到更新后的初始位姿，合并模块112用于合并点云数据和更新后的初始位姿以得到合并点云。
在某些实施方式中，处理器用于在结果不满足预设要求的情况下，采用结果更新初始位姿以得到更新后的初始位姿，以及用于合并点云数据和更新后的初始位姿以得到合并点云。
具体地，在判断优化后的初始位姿不收敛的情况下，采用优化后的结果来更新初始位姿，也即是说，此时的初始位姿不再是通过里程计获得。更新初始位姿后，重复上述步骤，对当前的初始位姿再次进行优化，直至优化后的结果收敛。当然，考虑到计算设备的处理性能和计算时间，可对迭代次数的上限进行限定。在实际处理过程中，当迭代次数达到最大迭代次数时，将不再进行迭代处理，而采用最后一次优化的位姿结果。
本申请实施方式还提供了一种计算机可读存储介质。一个或多个包含计算机可执行指令的非易失性计算机可读存储介质，当计算机可执行指令被一个或多个处理器执行时，使得处理器执行上述任一实施方式的点云地图处理方法。
本申请实施方式还提供了一种车辆。车辆包括激光雷达、存储器及一个或多个处理器，一个或多个程序被存储在存储器中，并且被配置成由一个或多个处理器执行。程序包括用于执行上述任意一项实施方式所述的点云地图处理方法。
处理器可用于提供计算和控制能力，支撑整个车辆的运行。车辆中的存储器为存储器其中的计算机可读指令运行提供环境。
本申请实施方式的点云地图处理方法应用于车辆中，可用于为实现车辆的自动驾驶提供更为快速准确的点云地图优化处理方案。
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，程序可存储于一非易失性计算机可读存储介质中，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，存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等。
以上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 (9)

1.一种点云地图处理方法，其特征在于，所述点云地图处理方法包括：
合并点云数据和初始位姿以得到合并点云，其中，所述点云数据和所述初始位姿通过车载传感器获得；
对所述合并点云以预定分辨率通过网格单元进行降采样处理；
在所述网格单元中的点数大于预定阈值时，确定所述网格单元的中心点为路标点；
查找所述网格单元中距离所述路标点距离最近的点为测量点；
基于光束法平差根据所述路标点和所述测量点构建目标方程；和
求解所述目标方程以得到优化后的位姿。
2.根据权利要求1所述的点云地图处理方法，其特征在于，所述点云地图处理方法还包括：
判断对所述初始位姿优化后的结果是否满足预设要求；和
在所述结果不满足所述预设要求的情况下对所述初始位姿进行迭代处理。
3.根据权利要求2所述的点云地图处理方法，其特征在于，在所述结果不满足所述预设要求的情况下对所述初始位姿进行迭代处理包括：
在所述结果不满足所述预设要求的情况下，采用所述结果更新所述初始位姿以得到更新后的初始位姿；
所述合并点云数据和初始位姿以获得合并点云包括：
合并所述点云数据和所述更新后的初始位姿以得到所述合并点云。
4.一种点云地图的处理装置，其特征在于，所述处理装置包括：
合并模块，用于合并点云数据和初始位姿以得到合并点云，其中，所述点云数据和所述初始位姿通过车载传感器获得；
处理模块，用于对所述合并点云以预定分辨率通过网格单元进行降采样处理；
在所述网格单元中的点数大于预定阈值时，确定所述网格单元的中心点为路标点；和
查找所述网格单元中距离所述路标点距离最近的点为测量点；
优化模块，用于基于光束法平差根据所述路标点和所述测量点构建目标方程；和
求解所述目标方程以得到优化后的位姿。
5.一种电子装置，其特征在于，包括处理器，所述处理器用于：
合并点云数据和初始位姿以得到合并点云，其中，所述点云数据和所述初始位姿通过车载传感器获得；
对所述合并点云以预定分辨率通过网格单元进行降采样处理；
在所述网格单元中的点数大于预定阈值时，确定所述网格单元的中心点为路标点；和
查找所述网格单元中距离所述路标点距离最近的点为测量点；
基于光束法平差根据所述路标点和所述测量点构建目标方程；和
求解所述目标方程以得到优化后的位姿。
6.根据权利要求5所述的电子装置，其特征在于，所述处理器还用于：
判断对所述初始位姿优化后的结果是否满足预设要求；和
在所述结果不满足所述预设要求的情况下对所述初始位姿进行迭代处理。
7.根据权利要求6所述的电子装置，其特征在于，所述处理器还用于：
在所述结果不满足所述预设要求的情况下，采用所述结果更新所述初始位姿以得到更新后的初始位姿；和
合并所述点云数据和所述更新后的初始位姿以得到所述合并点云。
8.一种车辆，其特征在于，包括：
一个或多个处理器、存储器；和
一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被所述一个或多个处理器执行，所述程序包括用于执行根据权利要求1-3任意一项所述的点云地图处理方法的指令。
9.一种计算机可执行指令的非易失性计算机可读存储介质，其特征在于，当所述计算机可执行指令被一个或多个处理器执行时，使得所述处理器执行权利要求1-3中任一项所述的点云地图处理方法。
CN202010227293.2A 2020-03-27 2020-03-27 点云地图处理方法、处理装置、电子装置和车辆 Active CN111462321B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010227293.2A CN111462321B (zh) 2020-03-27 2020-03-27 点云地图处理方法、处理装置、电子装置和车辆

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010227293.2A CN111462321B (zh) 2020-03-27 2020-03-27 点云地图处理方法、处理装置、电子装置和车辆

Publications (2)

Publication Number Publication Date
CN111462321A CN111462321A (zh) 2020-07-28
CN111462321B true CN111462321B (zh) 2023-08-29

Family

ID=71685717

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010227293.2A Active CN111462321B (zh) 2020-03-27 2020-03-27 点云地图处理方法、处理装置、电子装置和车辆

Country Status (1)

Country Link
CN (1) CN111462321B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113947636B (zh) * 2021-10-19 2024-04-26 中南大学 一种基于深度学习的激光slam定位系统及方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109932713A (zh) * 2019-03-04 2019-06-25 北京旷视科技有限公司 定位方法、装置、计算机设备、可读存储介质和机器人
CN109974693A (zh) * 2019-01-31 2019-07-05 中国科学院深圳先进技术研究院 无人机定位方法、装置、计算机设备及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SG10201700299QA (en) * 2017-01-13 2018-08-30 Otsaw Digital Pte Ltd Three-dimensional mapping of an environment

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109974693A (zh) * 2019-01-31 2019-07-05 中国科学院深圳先进技术研究院 无人机定位方法、装置、计算机设备及存储介质
CN109932713A (zh) * 2019-03-04 2019-06-25 北京旷视科技有限公司 定位方法、装置、计算机设备、可读存储介质和机器人

Also Published As

Publication number Publication date
CN111462321A (zh) 2020-07-28

Similar Documents

Publication Publication Date Title
CN110070615B (zh) 一种基于多相机协同的全景视觉slam方法
CN107796397B (zh) 一种机器人双目视觉定位方法、装置和存储介质
CN108871353B (zh) 路网地图生成方法、系统、设备及存储介质
CN108319655B (zh) 用于生成栅格地图的方法和装置
US11830216B2 (en) Information processing apparatus, information processing method, and storage medium
US8199977B2 (en) System and method for extraction of features from a 3-D point cloud
CN107167826B (zh) 一种自动驾驶中基于可变网格的图像特征检测的车辆纵向定位系统及方法
CN111612728B (zh) 一种基于双目rgb图像的3d点云稠密化方法和装置
Muñoz-Bañón et al. Targetless camera-LiDAR calibration in unstructured environments
Chen et al. Transforming a 3-d lidar point cloud into a 2-d dense depth map through a parameter self-adaptive framework
CN114217665B (zh) 一种相机和激光雷达时间同步方法、装置及存储介质
CN109900274B (zh) 一种图像匹配方法及系统
CN113989758B (zh) 一种用于自动驾驶的锚引导3d目标检测方法及装置
CN114994635A (zh) 一种智能驾驶可行驶区域检测方法和装置
El Bouazzaoui et al. Enhancing RGB-D SLAM performances considering sensor specifications for indoor localization
CN115097419A (zh) 一种激光雷达到imu的外参标定方法及装置
CN111462321B (zh) 点云地图处理方法、处理装置、电子装置和车辆
CN110851978A (zh) 一种基于可见性的摄像机位置优化方法
CN113074634B (zh) 一种快速相位匹配方法、存储介质和三维测量系统
KR20170037804A (ko) 불규칙한 조도 변화에 강건한 영상 기반 주행거리 측정 시스템 및 방법
CN112712062A (zh) 基于解耦截断物体的单目三维物体检测方法和装置
CN115239899B (zh) 位姿图生成方法、高精地图生成方法和装置
CN113658260B (zh) 机器人位姿计算方法、系统、机器人及存储介质
CN115471819A (zh) 用于路侧场景的目标检测定位方法、装置及电子设备、存储介质
An et al. Tracking an RGB-D camera on mobile devices using an improved frame-to-frame pose estimation method

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant