-
公开(公告)号：CN119573708B
公开(公告)日：2025-05-06
申请号：CN202510132183.0
申请日：2025-02-06
Applicant: 浙江大学
Abstract: 本发明公开了一种分布式多机器人自主协同探索与建图方法。包括：探索过程中，每个机器人探索并获取全局子空间状态地图，每个机器人若没有和其他机器人通信，则当前机器人根据自身探索到的全局子空间状态地图进行全局探索路径规划和局部探索路径规划，进而进行自主的局部探索和全局探索；每个机器人若存在和其他机器人通信的情况，则当前机器人根据最新的全局子空间状态地图进行全局探索路径规划以及进行结合回环约束的局部探索路径规划，进而进行协同的局部探索和全局探索；探索完成后再进行分布式协同建图，获得定位建图结果。本发明提高了多机协同感知工作的自主性与准确性，对于多机协同在真实世界场景中的应用有很好的指导价值。
-
公开(公告)号：CN114511846B
公开(公告)日：2025-04-04
申请号：CN202210080792.2
申请日：2022-01-24
Applicant: 浙江大学
IPC: G06V20/64 , G06V10/82 , G06N3/0464 , G06N3/09
Abstract: 本发明公开了一种基于点云跨视图特征转换的实时三维目标检测方法。利用激光雷达采集得到的三维点云，投影成二维环视图；建立神经网络结构，利用点‑环视特征提取模块对三维点云和二维环视图两种格式进行特征提取，得到三维特征点云；利用分层体素柱模块对三维特征点云进行网格化，最后投影到鸟瞰视图上，得到鸟瞰视图特征；对神经网络结构训练，获得训练好的神经网络结构，将待测的激光雷达点云输入到神经网络结构中，再计算该场景预测得到的三维框。本发明有效提升了基于激光雷达点云的三维目标检测的检测精度，能够充分利用点云各个视图之间的特征优势，并且仅利用一维和二维卷积来完成三维目标检测，在高实时性的条件下提升了三维目标检测精度。
-
公开(公告)号：CN117968663A
公开(公告)日：2024-05-03
申请号：CN202410297922.7
申请日：2024-03-15
Applicant: 浙江大学
Abstract: 本发明公开了一种地库场景下基于3D语义地图的长期定位方法。本发明基于深度学习的方法从地库场景图像中提取3D语义信息，结合雷达里程计位姿构建高精度3D语义地图。在语义特征搜索匹配得到车辆初始位置基础上，继续将每帧语义观测和3D语义地图进行匹配实现定位，并通过特征点里程计提供的帧间位姿约束进行轨迹平滑。本发明相较于基于特征点地图和2D地面语义地图进行长期定位的方法具有显著优势，在定位精度和鲁棒性都有较大提升。
-
公开(公告)号：CN117710426A
公开(公告)日：2024-03-15
申请号：CN202311767456.6
申请日：2023-12-21
Applicant: 浙江大学
IPC: G06T7/33 , G06N3/0464 , G06N3/045
Abstract: 本发明公开了一种基于旋转不变特征的三维点云配准方法。本发明包括以下步骤：首先，构建一个基于旋转不变特征提取的神经网络，将初始点云和目标点云分别输入到该神经网络中，分别获得初始点云点级特征和目标点云点级特征；然后使用随机采样一致性算法对初始点云点级特征和目标点云点级特征进行配对，计算出初始点云的变换矩阵，实现了三维点云的配准。本发明能够有效实现神经网络对于输入点云的抗旋转性，提升了点云配准任务的精度。
-
公开(公告)号：CN116452839A
公开(公告)日：2023-07-18
申请号：CN202310373428.X
申请日：2023-04-10
Applicant: 浙江大学
IPC: G06V10/75 , G06V10/82 , G06V10/24 , G06V10/30 , G06V10/77 , G06V10/771 , G06N3/0464
Abstract: 本发明公开了一种基于仿射变换和深度学习的图像特征点匹配方法。本发明在仿射变换下生成多张不同的图像，利用深度学习网络提取图像对的特征点，并生成对应的描述子。通过计算仿射变换矩阵的逆，将特征点反投影回原图像，并使用描述子的欧式距离来匹配特征点，最后通过随机抽样一致性算法筛选出正确的匹配对。本发明将仿射变换和深度学习特征点相结合，通过在多个变换尺度上提取特征点，提高了图像特征点匹配的准确性和鲁棒性，可以使得最终获取的特征点具有较强的尺度和形变不变性，从而提高在大尺度和视角形变场景下特征点匹配的成功率，本发明在匹配成功率方面取得了显著的提升。
-
Patent Agency Ranking
公开(公告)号：CN111429514B
公开(公告)日：2023-05-09
申请号：CN202010165899.8
申请日：2020-03-11
Applicant: 浙江大学
IPC: G06V20/64 , G06T7/38 , G06V10/764 , G06V10/766 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种融合多帧时序点云的激光雷达3D实时目标检测方法。对较大遮挡目标标注不全的含连续帧点云的已知数据集，利用投影标注补全法补全；构建MADet网络结构；对多帧时序点云配准和体素化生成多帧鸟瞰图；将多帧鸟瞰图输入特征提取模块生成多帧初始特征图；对多帧初始特征图生成对应的特征描述，计算特征权重图并加权融合获得融合特征图；使用特征金字塔对融合特征图多尺度特征融合，在最终特征图上回归目标的位置、尺寸和朝向。本发明能有效克服单帧点云的数据稀疏问题，在遮挡严重和远距离下的目标检测中获得高准确率，达到比单帧检测更高的精度，网络结构精简，计算代价小，实时性强。
-
公开(公告)号：CN112861729B
公开(公告)日：2022-07-08
申请号：CN202110181196.9
申请日：2021-02-08
Applicant: 浙江大学
IPC: G06V20/56 , G06V10/44 , G06V10/56 , G06V10/74 , G06V10/80 , G06V10/82 , G06K9/62 , G06T7/55 , G06N3/04 , G06N3/08 , G06T5/00 , G06T5/30
Abstract: 本发明公开了一种基于伪深度图引导的实时深度补全方法。RGB相机采集RGB图，激光雷达探测获得稀疏深度图；对稀疏深度图进行形态学操作的数据处理，生成伪深度图；建立神经网络结构，对伪深度图、RGB图和稀疏深度图处理得致密深度图；对神经网络结构训练，设置总损失函数优化监督，获得神经网络结构中所有参数的参数值；所有参数的参数值载入到神经网络结构中，将待测的单帧稀疏深度图输入到神经网络结构中，输出致密深度图。本发明有效提升深度补全的精度，能修正稀疏深度图的错误像素，提供了结构相似度监督，并且预测时回归深度残差图，可在高实时条件下同时获得高精度的深度补全结果。
-
公开(公告)号：CN112734839B
公开(公告)日：2022-07-08
申请号：CN202011633399.9
申请日：2020-12-31
Abstract: 本发明公开了一种提高鲁棒性的单目视觉SLAM初始化方法。建立滑动窗口，预加入连续的帧图像作为初始关键帧，第一个为参考帧；对每个关键帧提取点特征和线特征，在每两关键帧之间进行特征匹配，获得点特征匹配对集合和线特征匹配对集合；对每两关键帧，利用特征匹配对集合计算两关键帧之间的相对位姿，并处理获得三维点和三维直线，所有关键帧和三维点、三维直线构成初始地图；通过全局BA优化获得每个关键帧的位姿、三维点和三维直线的三维坐标更精确结果，建立精确初始地图。本发明能够有效提高单目视觉SLAM系统初始化的鲁棒性和精度，在具有挑战性的场景中也能快速完成初始化并保证精度，实时性强。
-
公开(公告)号：CN114325664A
公开(公告)日：2022-04-12
申请号：CN202111626145.9
申请日：2021-12-28
Applicant: 浙江大学
Abstract: 本发明公开了一种鲁棒的激光雷达‑惯导联合标定方法。首先对惯导和激光雷达采集的数据分别进行预处理后分别获得惯导和激光雷达的初始位姿估计结果，再进行位姿对齐，获得激光雷达与惯导之间的初始外参矩阵；接着对激光雷达采集的数据进行去畸变处理，获得去畸变后的点云，再从去畸变后的点云中提取线特征点云，基于去畸变后的点云和线特征点云分别构建面片地图和线特征地图；最后分别对去畸变后的点云与面片地图、线特征点云与线特征地图进行迭代优化配准，优化估计激光雷达与惯导之间的外参以及惯导的内参。本发明能够有效地保证激光雷达‑惯导联合标定方法的鲁棒性，在各个场景下实现高精度的参数标定，为多传感器融合的自动驾驶技术提供了基础。
-
公开(公告)号：CN111586632B
公开(公告)日：2021-09-07
申请号：CN202010372427.X
申请日：2020-05-06
Applicant: 浙江大学
Abstract: 本发明公开了一种基于通信传感异步数据融合的协作邻居车辆定位方法，包括：(1)车辆利用通信和传感等技术获得邻居车辆的多源异步状态测量信息；(2)车辆根据粒子滤波方法实现多源异步数据融合，提高对邻居车辆的定位精度。本发明考虑具备通信能力的车辆在道路上行驶时对所有邻居车辆进行定位评估的场景，结合了通信和传感器的优点，测量范围广、可靠性强，考虑了通信和传感失败的可能性，适应性强；同时，本发明通过多源异步数据融合明显提高了定位精度，保障车辆行驶安全。
-
-
-
-
-
-
-
-
-
Search Results
78
records
(took 0.038 seconds)
