【技术实现步骤摘要】
本专利技术涉及无人车建图的，尤其是指一种基于语义分割的多无人车协作建图方法。
技术介绍
1、同步定位和建图(slam)是增强现实(ar)、机器人和无人驾驶汽车(uav)等许多应用的基础技术。近些年来，视觉slam方法的研究已取得重大进展，但仍然存在一些问题。首先，先前的大多数研究都假定了在静态环境下，然而在现实环境中存在大量的动态物体，这些方法往往受到动态物体的影响，难以实现有效地定位与建图。其次，现有的方法多为单无人车的slam方法，即实现自身的定位与建图，但真实环境中，对于大量的多无人车而言，无人车之间的协作是十分必要的，多无人车协作定位与建图可以通过多无人车的不同视角构建出全局一致的地图，因此构建的地图往往更为精确，同时在运作中不断更新，多无人车协作方法可以有效提高大范围建图的效率。
技术实现思路
1、本专利技术的目的在于克服现有技术的缺点与不足，提出了一种基于语义分割的多无人车协作建图方法，能够在动态环境下更准确地估计位姿，采用多车协同的方式，提升无人车建图质量与建图效率。
...【技术保护点】
1.基于语义分割的多无人车协作建图方法，其特征在于，该方法是基于同步定位与建图SLAM结合神经网络模型进行语义分割实现动态环境下多无人车协作构建地图，采用SLAM在特征点提取的同时，通过神经网络模型进行语义分割将特征点区分为动态和静态，进而实现对动态特征点的过滤，实现更精确地建图，并采用集中式架构即多个无人车前端与一个服务器后端，多无人车运行的同时将建图数据发送至服务器后端，服务器后端通过回环检测实现多无人车之间的地图融合，再采用渐进非凸性GNC算法优化融合地图的全局位姿图，从而有效降低异常值造成的估计误差；
2.根据权利要求1所述的基于语义分割的多无人车...
【技术特征摘要】
1.基于语义分割的多无人车协作建图方法，其特征在于，该方法是基于同步定位与建图slam结合神经网络模型进行语义分割实现动态环境下多无人车协作构建地图，采用slam在特征点提取的同时，通过神经网络模型进行语义分割将特征点区分为动态和静态，进而实现对动态特征点的过滤，实现更精确地建图，并采用集中式架构即多个无人车前端与一个服务器后端，多无人车运行的同时将建图数据发送至服务器后端，服务器后端通过回环检测实现多无人车之间的地图融合，再采用渐进非凸性gnc算法优化融合地图的全局位姿图，从而有效降低异常值造成的估计误差；
2.根据权利要求1所述的基于语义分割的多无人车协作建图方法，其特征在于，考虑帧的时空一致性比仅使用一帧的语义结果更为合理，因此使用移动概率来利用连续关键帧的语义信息，先定义每个地图点有三种状态status(m)，分别为：静态、动态和未知，static(s)代表静态s，dynamic(d)代表动态d，unknown(u)代表未知u，即status(m)＝{static(s),dynamic(d),unknown(u)}，定义mt表示地图点在t时刻的状态，p(mt)为地图点在t时刻的移动概率，如果地图点的移动概率接近1，则其状态更有可能是动态的，如果地图点的移动概率越接近0，则地图点越可能是静态，地图点移动概率的初始概率设置为0.5，该点为动态或静态的概率均为0.5，即p(m0＝d)＝p(m0＝s)＝0.5，定义zt为时刻t的观测值，z1:t为初始时刻到时...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。