CN113137971B - 一种适用于即时定位与地图构建的ransac改进方法 - Google Patents
一种适用于即时定位与地图构建的ransac改进方法 Download PDFInfo
- Publication number
- CN113137971B CN113137971B CN202110313984.9A CN202110313984A CN113137971B CN 113137971 B CN113137971 B CN 113137971B CN 202110313984 A CN202110313984 A CN 202110313984A CN 113137971 B CN113137971 B CN 113137971B
- Authority
- CN
- China
- Prior art keywords
- points
- ransac
- model
- improvement method
- interior
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000010276 construction Methods 0.000 title claims abstract description 6
- 238000013507 mapping Methods 0.000 claims description 33
- 230000004807 localization Effects 0.000 claims description 15
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 239000004065 semiconductor Substances 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 7
- 230000007613 environmental effect Effects 0.000 description 4
- 102000008115 Signaling Lymphocytic Activation Molecule Family Member 1 Human genes 0.000 description 3
- 108010074687 Signaling Lymphocytic Activation Molecule Family Member 1 Proteins 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
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
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
- G01C21/30—Map- or contour-matching
- G01C21/32—Structuring or formatting of map data
-
- 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)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Navigation (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种适用于即时定位与地图构建的RANSAC改进方法包括，随机选取n个样本估计模型，利样本估计模型对所有点进行计算，获得内点数；根据内点数更新最佳模型，并保存内点；利用最小二乘法并基于设定的阈值估计更新后的最佳模型，并保存对应内点；在对应内点中随机选取m个样本，迭样本估计模型，若误差减少则更新模型，直到最好的模型出现或者达到最高迭代次数为止；本发明通过结合最小二乘法来改进RANSAC，提高了SLAM的位姿跟踪线程的精度和鲁棒性。
Description
技术领域
本发明涉及计算机视觉、图像处理和定位导航的技术领域，尤其涉及一种适用于即时定位与地图构建的RANSAC改进方法。
背景技术
移动机器人在未知环境下的自定位和环境模型的建立问题是密切相关的。定位的实现离不开环境模型，而环境模型的准确度又依赖于定位的精度。机器人在未知的环境中没有参照物，只能依靠自身配备的并不是非常准确的传感器来获取外界信息，这时，实现精确的定位是非常困难的。已有地图实现定位和已知位置创建地图都是容易实现的，但是，没有地图的定位和没有定位的地图创建却无从下手。在现在已有的研究中对这类问题的解决方法可分为两类：一类利用自身携带的多种传感器，包括里程仪、陀螺仪、加速度传感器等，通过自身携带的多种传感信息的融合来减小定位误差。使用多传感器的融合算法多为基于卡尔曼滤波的方法，因为这类方法没有参考外部的信息，累计误差会比较大。另一类方法在依靠内自身传感器估计自身运动的同时，使用外部传感器，如激光测距仪、视觉传感器等来感知环境，对获得的信息进行分析并提取环境特征保存，在下一步通过对环境特征的比较对自身位置进行校正，但这种方法依赖于环境特征。
SLAM(即时定位与地图构建)用来解决移动机器人在未知环境下定位与建图的问题。SLAM根据传感器的类型，可以分为激光SLAM和视觉SLAM。激光SLAM是利用激光雷达来实现的，视觉SLAM利用视觉传感器如单目，双，RGB-D相。激光SLAM起步比视觉SLAM早，现在技术趋于成熟，精度高。2D激光可以建立环境的二维地图，3D激光可以根据采集点云建立3D地图，但是激光雷达的成本非常高，视觉传感器的成本相对低很多，应用场景比较丰富，视觉SLAM可以建立稀疏地图，半稠密地图和稠密地图。
早期的视觉SLAM利用SIFT特征，定位的精度比较高，但是时间代价很大，实现不了SLAM的实时性。T.Bailey等人利用扩展卡尔曼滤波的方式来计算位姿，但是累计误差不可避免。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题，提出了本发明。
因此，本发明提供了一种适用于即时定位与地图构建的RANSAC改进方法，能够由于丢帧引起的定位精度低，转角时误差较大的问题。
为解决上述技术问题，本发明提供如下技术方案：包括，随机选取n个样本估计模型，利用所述样本估计模型对所有样本点进行计算，获得内点数；根据所述内点数更新最佳模型，并保存内点；利用最小二乘法并基于设定的阈值估计更新后的最佳模型，并保存对应内点；在所述对应内点中随机选取m个样本，迭代所述样本估计模型，若误差减少则更新模型，直到最好的模型出现或者达到最高迭代次数为止。
作为本发明所述的适用于即时定位与地图构建的RANSAC改进方法的一种优选方案，其中：所述内点数包括，
其中，dp为p个点均为内点的概率。
作为本发明所述的适用于即时定位与地图构建的RANSAC改进方法的一种优选方案，其中：还包括，若所述内点数超过所述最佳模型的内点数，则更新所述最佳模型。
作为本发明所述的适用于即时定位与地图构建的RANSAC改进方法的一种优选方案，其中：设定的阈值包括，所述设定的阈值Z为：
Z＝ck
其中，k为更新后的最佳模型时的阈值，c为倍数。
作为本发明所述的适用于即时定位与地图构建的RANSAC改进方法的一种优选方案，其中：估计所述更新后的最佳模型包括，利用最小二乘法进行估计，假设F(x,A)为所述更新后的最佳模型，定义目标函数为：
其中，M为多项式阶数，w为多项式系数，w1,w2…wM记为A。
作为本发明所述的适用于即时定位与地图构建的RANSAC改进方法的一种优选方案，其中：还包括，定义误差函数评估所述目标函数：
其中，t为估计的更新后的最佳模型。
作为本发明所述的适用于即时定位与地图构建的RANSAC改进方法的一种优选方案，其中：所述迭代次数包括，设f是从数据集中随机选取的点均是内点的概率，则所述迭代次数s为：
作为本发明所述的适用于即时定位与地图构建的RANSAC改进方法的一种优选方案，其中：还包括，所述从数据集中随机选取的点均是内点的概率f为：
f＝1-(1-dp)s。
本发明的有益效果：本发明通过结合最小二乘法来改进RANSAC，提高了SLAM的位姿跟踪线程的精度和鲁棒性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明第一个实施例所述的适用于即时定位与地图构建的RANSAC改进方法的流程示意图；
图2为本发明第二个实施例所述的适用于即时定位与地图构建的RANSAC改进方法的未筛选误匹配示意图；
图3为本发明第二个实施例所述的适用于即时定位与地图构建的RANSAC改进方法的筛选误匹配后示意图；
图4为本发明第二个实施例所述的适用于即时定位与地图构建的RANSAC改进方法的序列fr1_desk主视图；
图5为本发明第二个实施例所述的适用于即时定位与地图构建的RANSAC改进方法的序列fr1_desk俯视图；
图6为本发明第二个实施例所述的适用于即时定位与地图构建的RANSAC改进方法的序列fr2_xyz主视图；
图7为本发明第二个实施例所述的适用于即时定位与地图构建的RANSAC改进方法的序列fr2_xyz俯视图；
图8为本发明第二个实施例所述的适用于即时定位与地图构建的RANSAC改进方法的序列fr3_office主视图；
图9为本发明第二个实施例所述的适用于即时定位与地图构建的RANSAC改进方法的序列fr3_office俯视图；
图10为本发明第二个实施例所述的适用于即时定位与地图构建的RANSAC改进方法的序列05示意图；
图11为本发明第二个实施例所述的适用于即时定位与地图构建的RANSAC改进方法的序列07示意图；
图12为本发明第二个实施例所述的适用于即时定位与地图构建的RANSAC改进方法的序列V1_01_easy示意图；
图13为本发明第二个实施例所述的适用于即时定位与地图构建的RANSAC改进方法的序列V1_02_medium示意图；
图14为本发明第二个实施例所述的适用于即时定位与地图构建的RANSAC改进方法的序列V2_02_medium示意图；
图15为本发明第二个实施例所述的适用于即时定位与地图构建的RANSAC改进方法的序列MH_03_medium示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1，为本发明的第一个实施例，该实施例提供了一种适用于即时定位与地图构建的RANSAC改进方法，包括：
RANSAC(Random Sample Consensus)是根据一组包含异常数据的样本数据集，计算出数据的数学模型参数，得到有效样本数据的算法。
S1：随机选取n个样本估计模型，利用样本估计模型对所有点进行计算，获得内点数。
其中需要说明的是，样本估计模型可以为一元一次模型、二元一次模型或一元二次模型等，本实施例的样本估计模型为：
y＝ax+b
将所有点代入样本估计模型中，符合样本估计模型中的点则认为是内点，否则是外点。
假设样本估计模型需要选取p个点，则p个点均为内点的概率dp为：
S2：根据内点数更新最佳模型，并保存内点。
若内点数超过最佳模型的内点数，则通过保存、替换、覆盖来更新最佳模型。
S3：利用最小二乘法并基于设定的阈值估计更新后的最佳模型，并保存对应内点。
根据样本数据，采用最小二乘估计式可以得到简单线性回归模型参数的估计量。
设定的阈值Z为：
Z＝ck
其中，k为更新后的最佳模型时的阈值，c为倍数。
利用最小二乘法进行估计，假设F(x,A)为更新后的最佳模型，通过目标函数进行估计，定义目标函数为：
基于均方误差定义误差函数评估目标函数：
其中，M为多项式阶数，w为多项式系数，w1,w2…wM记为A，t为估计的更新后的最佳模型。
S4：在对应内点中随机选取m个样本，迭代样本估计模型，若误差减少则更新模型，直到最好的模型出现或者达到最高迭代次数为止。
设f是从数据集中随机选取的点均是内点的概率，则迭代次数s为：
其中，1-dp为p个点中至少有一个点为局外点的概率；
从数据集中随机选取的点均是内点的概率f为：
f＝1-(1-dp)s。
其中，(1-dp)s表示算法永远都不会选择到p个点均为局内点的概率。
实施例2
为了对本方法中采用的技术效果加以验证说明，本实施例在多种情况下进行实验，利用室内的手持摄像机采集数据集的TUM，室外高速公路和城市交通的数据集KITTI以及微型飞行器(MAV)采集的数据集EuRoC进行对比试验。
参数设置如下：f的值为0.99，最大迭代次数为300，随机选取的样本数为4，每次从数据集中选取一个内点的概率d为0.5，判断最大误差的阈值为5.991σ2，其中，σ＝0.3；迭代时随机选取的样本数为：min(14，I/2)，其中I是上一轮的内点数，阈值改变的倍数为0.7。
(1)从定性角度，图2和图3显示了fr1_desk的两帧图片的匹配，图2是没有经过删除误匹配的结果，图3是用本方法删除误匹配后的结果；从方框内可以看出，本方法大大减少了误匹配的点，使得匹配朝着同样的方向。
图4～图9显示了本方法与RM方法的定位效果对比；我们画出TUM数据集的fr1_desk，fr2_xyz，和fr3_office的实际轨迹(实线)，RM的估计轨迹(点线)以及本方法的估计轨迹(虚线)的俯视图和主视图，图中进行了局部放大，可以看出，本方法更加接近实际的轨迹。
图10～图11是KITTI数据集的05和07序列(都有闭环)，实线是实际轨迹，虚线是本方法估计的轨迹，点线是RM方法估计的轨迹，可以看出，本方法优于RM方法，尤其在转角的部分比较明显；
图12～图15是EuRoC数据集的轨迹，虚线是实际轨迹，实线是本方法估计的轨迹，可以看出，本方法估计的轨迹很接近实际的轨迹，证明了本方法具有更强的鲁棒性。
(2)从定量角度，表1为TUM数据集两种估计的轨迹均方根误差的对比。
表1：TUM数据集估计轨迹的均方根误差(单位：米)
| 序列 | fr1_desk | fr2_xyz | fr3_office | fr3_nst |
| RM方法 | 0.016 | 0.004 | 0.010 | 0.018 |
| 本方法 | 0.014 | 0.003 | 0.009 | 0.011 |
可以看出，本方法的定位更加精确，尤其是fr1_desk和fr3_nst，比RM方法的均方根误差分别降低了12.5％and 38.9％。
表2为KITTI数据集两种估计的轨迹均方根误差的对比，
表2：KITTI数据集估计轨迹的均方根误差(单位：米)
| 序列 | 05 | 07 | 08 |
| RM方法 | 0.94 | 0.58 | 4.8 |
| 本方法 | 0.89 | 0.52 | 4.8 |
可以看出在05和07序列，本方法的均方根误差比RM方法小，分别精确了5厘米和6厘米，序列08和RM方法达到了相同的定位误差，证明了本方法具有很强的容错性。
在实际应用中，需对本发明涉及到的相关参数进行设置，本实施例的实验结果证明，在该参数设置下，本方法在定位精度、实时性、鲁棒性及容错性方面均取得非常好的效果。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (5)
1.一种适用于即时定位与地图构建的RANSAC改进方法，其特征在于：包括，
随机选取n个样本估计模型，利用所述样本估计模型对所有样本点进行计算，获得内点数；
根据所述内点数更新最佳模型，并保存内点；
利用最小二乘法并基于设定的阈值估计更新后的最佳模型，并保存对应内点，
所述设定的阈值Z为：
Z＝ck
其中，k为更新后的最佳模型时的阈值，c为倍数；
定义目标函数为：
其中，M为多项式阶数，w为多项式系数，w1,w2…wM记为A；
定义误差函数评估所述目标函数：
其中，t为估计的更新后的最佳模型；
在所述对应内点中随机选取m个样本，迭代所述样本估计模型，若误差减少则更新模型，直到最好的模型出现或者达到最高迭代次数为止。
2.如权利要求1所述的适用于即时定位与地图构建的RANSAC改进方法，其特征在于：所述内点数包括，
其中，dp为p个点均为内点的概率。
3.如权利要求1或2所述的适用于即时定位与地图构建的RANSAC改进方法，其特征在于：还包括，
若所述内点数超过所述最佳模型的内点数，则更新所述最佳模型。
4.如权利要求1所述的适用于即时定位与地图构建的RANSAC改进方法，其特征在于：所述迭代次数包括，
设f是从数据集中随机选取的点均是内点的概率，则所述迭代次数s为：
5.如权利要求1所述的适用于即时定位与地图构建的RANSAC改进方法，其特征在于：还包括，
所述从数据集中随机选取的点均是内点的概率f为：
f＝1-(1-dp)s。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110313984.9A CN113137971B (zh) | 2021-03-24 | 2021-03-24 | 一种适用于即时定位与地图构建的ransac改进方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110313984.9A CN113137971B (zh) | 2021-03-24 | 2021-03-24 | 一种适用于即时定位与地图构建的ransac改进方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113137971A CN113137971A (zh) | 2021-07-20 |
| CN113137971B true CN113137971B (zh) | 2024-07-19 |
Family
ID=76810019
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110313984.9A Active CN113137971B (zh) | 2021-03-24 | 2021-03-24 | 一种适用于即时定位与地图构建的ransac改进方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113137971B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116524011B (zh) * | 2023-04-26 | 2024-04-30 | 北京航空航天大学 | 一种居家环境下机器人对目标位姿的精化方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109682385A (zh) * | 2018-11-05 | 2019-04-26 | 天津大学 | 一种基于orb特征的即时定位与地图构建的方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3182371B1 (en) * | 2015-12-17 | 2018-09-26 | Stmicroelectronics Sa | Threshold determination in for example a type ransac algorithm |
| CN107437264B (zh) * | 2017-08-29 | 2020-06-19 | 重庆邮电大学 | 车载相机外部参数自动检测与校正方法 |
| CN107633518A (zh) * | 2017-09-26 | 2018-01-26 | 南昌航空大学 | 一种基于Kinect的产品外形检测方法 |
| CN108921893B (zh) * | 2018-04-24 | 2022-03-25 | 华南理工大学 | 一种基于在线深度学习slam的图像云计算方法及系统 |
| CN110163273B (zh) * | 2019-05-14 | 2021-02-12 | 西安文理学院 | 一种基于ransac算法的带有遗传因子的图像匹配方法 |
| CN112085845B (zh) * | 2020-09-11 | 2021-03-19 | 中国人民解放军军事科学院国防科技创新研究院 | 基于无人机影像的室外场景快速三维重建装置 |
-
2021
- 2021-03-24 CN CN202110313984.9A patent/CN113137971B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109682385A (zh) * | 2018-11-05 | 2019-04-26 | 天津大学 | 一种基于orb特征的即时定位与地图构建的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 移动机器人RGB-D视觉SLAM算法;陈劲，郭宇翔，高天啸等;农业机械学报;第49卷(第10期);正文第39-45页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113137971A (zh) | 2021-07-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110689622B (zh) | 一种基于点云分割匹配闭环校正的同步定位与构图方法 | |
| US20220082391A1 (en) | Map creation method for mobile robot and path planning method based on the map | |
| CN109410321B (zh) | 基于卷积神经网络的三维重建方法 | |
| CN107160395B (zh) | 地图构建方法及机器人控制系统 | |
| CN113409410B (zh) | 一种基于3d激光雷达的多特征融合igv定位与建图方法 | |
| CN112882056B (zh) | 基于激光雷达的移动机器人同步定位与地图构建方法 | |
| US8340818B2 (en) | Method of accurate mapping with mobile robots | |
| CN108267141B (zh) | 道路点云数据处理系统 | |
| CN113701760B (zh) | 基于滑动窗口位姿图优化的机器人抗干扰定位方法及装置 | |
| EP2420975A1 (en) | System and method for 3d wireframe reconstruction from video | |
| KR20220025028A (ko) | 시각적 비콘 기반의 비콘 맵 구축 방법, 장치 | |
| CN111121807A (zh) | 一种移动机器人路径规划方法 | |
| CN108446710A (zh) | 室内平面图快速重建方法及重建系统 | |
| Ceriani et al. | Pose interpolation slam for large maps using moving 3d sensors | |
| CN103428408B (zh) | 一种适用于帧间的图像稳像方法 | |
| Khan et al. | RMAP: a rectangular cuboid approximation framework for 3D environment mapping | |
| Pan et al. | Pin-slam: Lidar slam using a point-based implicit neural representation for achieving global map consistency | |
| CN113137971B (zh) | 一种适用于即时定位与地图构建的ransac改进方法 | |
| CN109543634B (zh) | 定位过程中的数据处理方法、装置、电子设备和存储介质 | |
| Green et al. | Normal distribution transform graph-based point cloud segmentation | |
| Nguatem et al. | Localization of windows and doors in 3D point clouds of facades | |
| CN109636897B (zh) | 一种基于改进RGB-D SLAM的Octomap优化方法 | |
| CN112767476A (zh) | 一种快速定位系统、方法及应用 | |
| CN111951341A (zh) | 一种基于rgb-d slam的闭环检测改进方法 | |
| CN115512054B (zh) | 三维时空连续点云地图的构建方法 |
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 |