-
Patent Agency Ranking
公开(公告)号：CN117953012A
公开(公告)日：2024-04-30
申请号：CN202410123665.5
申请日：2024-01-30
Applicant: 哈尔滨工业大学
Abstract: 本发明公开了一种基于改进多相机17点法的相对位姿估计方法及系统。该方法包括：多个相机同时连续采集图像，获取相邻时刻的多组图像；对多组图像提取特征点，并对相邻时刻的两组图像进行特征点匹配，获取相邻时刻的多组二维匹配对；基于二维匹配对构建多特征之间的跟踪流；对于多组跟踪流，利用改进多相机17点法求解获取多相机之间相对位姿。本发明对多相机17点法进行优化改进，以解决17点法由于松弛带来的精度及鲁棒性下降的问题，在传统17点法的解的基础上，通过对各状态在流型上施加小扰动，经过线性近似之后通过一个线性方程组获得相对位姿的优化更新量，并在流型上更新状态，提升了传统17点法的精度和鲁棒性。
-
公开(公告)号：CN114942029B
公开(公告)日：2024-09-10
申请号：CN202210605999.7
申请日：2022-05-31
Applicant: 哈尔滨工业大学
IPC: G01C21/20
Abstract: 一种基于匿名相对角度量测的多机器人互定位方法及系统，涉及机器人定位技术领域，用以解决现有的基于相对量测的协同定位方法在机器人位姿的先验信息未知的情况下无法实现机器人准确定位的问题。本发明的技术要点包括：提出一种数据关联算法来获得相对角度量测的身份信息，具体包括：获取多个机器人的匿名量测信息；构建用于描述匿名量测信息与多个机器人之间对应关系的关联矩阵；根据多个机器人相对角度量测之间的几何约束对关联矩阵求解，以获得多个机器人的身份信息；然后使用拓展卡尔曼滤波器来融合里程计信息和相对角度量测，以估计系统状态即机器人之间的相对位姿信息。本发明适用于解决雷达、相机等匿名相对角度传感器的数据关联问题中。
-
公开(公告)号：CN117934868A
公开(公告)日：2024-04-26
申请号：CN202410116939.8
申请日：2024-01-29
Applicant: 哈尔滨工业大学
IPC: G06V10/46 , G06N3/0464 , G06V10/82 , G06N3/08
Abstract: 本发明公开了一种图像特征检测方法及系统，涉及图像处理技术领域。本发明的技术要点包括：获取多组图像的特征点和对应的描述子；基于FasterNet模块构建图像特征检测模型，并将多组图像的特征点和对应的描述子输入图像特征检测模型中进行训练，获取训练好的图像特征检测模型；将待检测图像输入训练好的图像特征检测模型中，获取待检测图像的特征点和描述子。本发明引入一种轻量级神经网络EdgePoint，设计了一种新的检测损失函数来提高推断速度；提出了正交对齐损失和局部PCA压缩结合，以学习紧凑的32维描述符。实验结果表明，本发明在多个数据集上表现优于SuperPoint方法，使其成为多摄像头或多机器人任务的高效解决方案。
-
公开(公告)号：CN114942029A
公开(公告)日：2022-08-26
申请号：CN202210605999.7
申请日：2022-05-31
Applicant: 哈尔滨工业大学
IPC: G01C21/20
Abstract: 一种基于匿名相对角度量测的多机器人互定位方法及系统，涉及机器人定位技术领域，用以解决现有的基于相对量测的协同定位方法在机器人位姿的先验信息未知的情况下无法实现机器人准确定位的问题。本发明的技术要点包括：提出一种数据关联算法来获得相对角度量测的身份信息，具体包括：获取多个机器人的匿名量测信息；构建用于描述匿名量测信息与多个机器人之间对应关系的关联矩阵；根据多个机器人相对角度量测之间的几何约束对关联矩阵求解，以获得多个机器人的身份信息；然后使用拓展卡尔曼滤波器来融合里程计信息和相对角度量测，以估计系统状态即机器人之间的相对位姿信息。本发明适用于解决雷达、相机等匿名相对角度传感器的数据关联问题中。
-
公开(公告)号：CN117934868B
公开(公告)日：2024-07-30
申请号：CN202410116939.8
申请日：2024-01-29
Applicant: 哈尔滨工业大学
IPC: G06V10/46 , G06N3/0464 , G06V10/82 , G06N3/08
Abstract: 本发明公开了一种图像特征检测方法及系统，涉及图像处理技术领域。本发明的技术要点包括：获取多组图像的特征点和对应的描述子；基于FasterNet模块构建图像特征检测模型，并将多组图像的特征点和对应的描述子输入图像特征检测模型中进行训练，获取训练好的图像特征检测模型；将待检测图像输入训练好的图像特征检测模型中，获取待检测图像的特征点和描述子。本发明引入一种轻量级神经网络EdgePoint，设计了一种新的检测损失函数来提高推断速度；提出了正交对齐损失和局部PCA压缩结合，以学习紧凑的32维描述符。实验结果表明，本发明在多个数据集上表现优于SuperPoint方法，使其成为多摄像头或多机器人任务的高效解决方案。
-
-
-
-
Search Results
5
records
(took 0.034 seconds)
