-
公开(公告)号：CN116576849A
公开(公告)日：2023-08-11
申请号：CN202310733137.7
申请日：2023-06-19
Applicant: 同济大学
Abstract: 本发明涉及一种基于GMM辅助的车辆融合定位方法及系统，该方法包括：根据IMU的角速度和加速度测量信息，计算IMU预积分项；根据轮速传感器的速度测量信息和IMU的角速度测量信息，结合车辆二自由度模型，计算动力学预积分项；获得GNSS测量信号后，利用IMU预积分项和动力学预积分项构建IMU因子和动力学因子；根据GNSS接收机原始观测信息，结合系统状态，构建伪距因子；基于GNSS接收机时钟误差，构建时钟漂移因子；联合构建的各因子，构造因子图，其中，IMU因子、动力学因子和时钟漂移因子噪声均是高斯建模，伪距因子噪声采用GMM建模；优化求解因子图，估计车辆的定位信息。与现有技术相比，本发明能有效抑制GNSS异常测量对定位的影响，低成本、鲁棒地实现高精度定位。
-
公开(公告)号：CN118397055A
公开(公告)日：2024-07-26
申请号：CN202410446776.X
申请日：2024-04-15
Applicant: 同济大学
IPC: G06T7/33 , G06V10/82 , G06V10/40 , G06N3/045 , G06N3/084 , G06N5/04 , G06N3/0464 , G06N3/0442 , G06N3/048 , G06F17/10 , G01S13/58 , G01S7/02
Abstract: 本发明涉及一种耦合深度学习与物理优化的4D毫米波雷达自监督里程计方法，包括：采用基于Point Transformer的多层级特征提取网络，一方面从关联点云对中提取两帧点云对应的特征信息，另一方面从关联点云对中的前一帧的点云中提取上下文特征信息；根据两帧点云对应的特征信息，计算点云关联场；基于上下文特征和点云关联场，通过迭代优化模块更新关联点云对之间的位姿变换，并构建自监督信号，完成里程计网络的训练；在推理阶段，将待测试序列的点云数据输入里程计网络，初始化处理后依次计算各相邻帧的位姿变换，获得整个待测试序列对应的定位轨迹。与现有技术相比，本发明能有效提取稀疏嘈杂的4D毫米波雷达点云特征，获得良好的里程计性能。
-
公开(公告)号：CN118397054A
公开(公告)日：2024-07-26
申请号：CN202410446775.5
申请日：2024-04-15
Applicant: 同济大学
IPC: G06T7/33 , G01S13/58 , G01S7/02 , G06V10/82 , G06V10/40 , G06V10/80 , G06N3/0455 , G06N5/04 , G06F17/10
Abstract: 本发明涉及一种用于自动驾驶车辆的4D毫米波雷达自监督里程计方法，包括：在训练阶段，利用特征编码模块对滑动窗口内的每一帧点云进行多尺度特征提取，将相邻帧点云的多尺度特征聚合为关联特征；针对多尺度特征、关联特征以及输入信息进行编码，得到编码特征；将编码特征输入位姿解码模块，估计初始的位姿变换，并由位姿细化模块对初始的位姿变换进行优化，再结合点置信度估计模块，通过自监督损失函数实现里程计网络的训练；在推理阶段，将连续两帧点云输入里程计网络，输出得到车辆自我运动估计结果。与现有技术相比，本发明能有效提取稀疏嘈杂的4D毫米波雷达点云特征，减少动态物体和噪声的干扰，获得优越的4D毫米波雷达里程计性能。
-
公开(公告)号：CN116558512A
公开(公告)日：2023-08-08
申请号：CN202310730402.6
申请日：2023-06-19
Applicant: 同济大学
Abstract: 本发明涉及一种基于因子图的GNSS与车载传感器融合定位方法及系统，该方法包括：根据IMU的角速度和加速度测量信息，得到IMU预积分项；根据轮速传感器的速度测量信息，并结合车辆二自由度模型，计算得到动力学预积分项；获得GNSS测量信号后，根据GNSS接收机的原始观测信息，结合系统状态，构建伪距因子；基于GNSS接收机时钟误差，构建时钟漂移因子；整合IMU预积分项和动力学预积分项，构建车载传感器因子；联合车载传感因子、伪距因子和时钟漂移因子，构造因子图，之后通过优化求解因子图，估计得到车辆的定位信息。与现有技术相比，本发明能够避免由于INS误差累积导致GNSS异常测量时存在的定位不准确问题，能够低成本、鲁棒地实现高精度定位。
-
-
-
Search Results
4
records
(took 0.016 seconds)
