基于栅格划分的动态点云去除方法

    公开(公告)号:CN117788735A

    公开(公告)日:2024-03-29

    申请号:CN202311823142.3

    申请日:2023-12-27

    Abstract: 基于栅格划分的动态点云去除方法,它属于高精地图构建、导航与规划技术领域。本发明解决了在无光照以及无先验信息的条件下,现有方法难以实现高精度且实时性的动态点云数据去除的问题。本发明通过计算并比较当前关键帧以及局部地图在感兴趣区域中对应栅格的点云描述子,识别出存在动态点云的栅格,从而有效去除激光雷达当前扫描帧中的动态点云,提高了动态点云数据去除的精度,进而最终能够构建出滤除动态点云后精准的全局点云地图。而且本发明方法的实现不受限于光照和先验条件,在无光照以及无先验信息的条件下仍可实现,可以全天候工作。本发明方法可以用于去除动态点云。

    一种基于深度相机和惯性融合的移动机器人定位方法

    公开(公告)号:CN115371665B

    公开(公告)日:2023-06-23

    申请号:CN202211119147.3

    申请日:2022-09-13

    Abstract: 一种基于深度相机和惯性融合的移动机器人定位方法,它属于视觉惯性导航技术领域。本发明解决了由于受到移动机器人运动方式和环境的影响,导致当前视觉SLAM系统容易出现定位失败或获得的定位效果差的问题。本发明利用了深度相机的深度不确定性模型和多视图三角化结合的方法,能够自适应地完成不同距离特征点的深度估计。并且在此基础上,提出了特征点动态分级管理方法,该方法结合跟踪次数和重投影误差动态地进行特征点分类并去除离群点。通过构建IMU预积分先验误差模型,平面运动约束,特征点深度约束以及3D‑2D特征点重投影误差模型,利用多种约束联合实现移动机器人位姿的估计。本发明方法可以应用于视觉惯性导航技术领域。

    一种基于深度相机和惯性融合的移动机器人定位方法

    公开(公告)号:CN115371665A

    公开(公告)日:2022-11-22

    申请号:CN202211119147.3

    申请日:2022-09-13

    Abstract: 一种基于深度相机和惯性融合的移动机器人定位方法,它属于视觉惯性导航技术领域。本发明解决了由于受到移动机器人运动方式和环境的影响,导致当前视觉SLAM系统容易出现定位失败或获得的定位效果差的问题。本发明利用了深度相机的深度不确定性模型和多视图三角化结合的方法,能够自适应地完成不同距离特征点的深度估计。并且在此基础上,提出了特征点动态分级管理方法,该方法结合跟踪次数和重投影误差动态地进行特征点分类并去除离群点。通过构建IMU预积分先验误差模型,平面运动约束,特征点深度约束以及3D‑2D特征点重投影误差模型,利用多种约束联合实现移动机器人位姿的估计。本发明方法可以应用于视觉惯性导航技术领域。

    一种基于神经网络的无人机集群避障队形控制方法

    公开(公告)号:CN117666617B

    公开(公告)日:2024-11-15

    申请号:CN202311711939.4

    申请日:2023-12-13

    Abstract: 一种基于神经网络的无人机集群避障队形控制方法,它属于无人机集群控制技术领域。本发明解决了现有方法的计算复杂度高且需要全图信息的问题。本发明方案为:步骤一、对全图信息进行网格化处理,并将无人机集群中的无人机作为顶点构造无向图;步骤二、基于采样的规划方法为无人机集群生成避障轨迹集合;步骤三、构建避障轨迹生成网络,为每个无人机预测避障轨迹以及避障轨迹对应的碰撞代价;步骤四、根据碰撞代价对预测的避障轨迹进行选择,利用选择出的避障轨迹与生成的避障轨迹集合进行模仿学习,获得学习好的避障轨迹生成网络;步骤五、采用学习好的避障轨迹生成网络为无人机集群中的各个无人机生成避障轨迹。本发明可以应用于无人机集群控制。

    一种基于神经网络的无人机集群避障队形控制方法

    公开(公告)号:CN117666617A

    公开(公告)日:2024-03-08

    申请号:CN202311711939.4

    申请日:2023-12-13

    Abstract: 一种基于神经网络的无人机集群避障队形控制方法,它属于无人机集群控制技术领域。本发明解决了现有方法的计算复杂度高且需要全图信息的问题。本发明方案为:步骤一、对全图信息进行网格化处理,并将无人机集群中的无人机作为顶点构造无向图;步骤二、基于采样的规划方法为无人机集群生成避障轨迹集合;步骤三、构建避障轨迹生成网络,为每个无人机预测避障轨迹以及避障轨迹对应的碰撞代价;步骤四、根据碰撞代价对预测的避障轨迹进行选择,利用选择出的避障轨迹与生成的避障轨迹集合进行模仿学习,获得学习好的避障轨迹生成网络;步骤五、采用学习好的避障轨迹生成网络为无人机集群中的各个无人机生成避障轨迹。本发明可以应用于无人机集群控制。

Patent Agency Ranking