一种室内的重定位方法与流程

1.本发明涉及室内定位技术领域，具体为一种室内的重定位方法。


背景技术：

2.目前当牵引车进入货物仓库以及航站楼旁边等无gps信号的的地方，主要依靠视觉以及激光雷达传感器进行建图和定位，但是随着周围环境的变化、轮胎打滑、个别传感器失效等等各种原因都会导致车辆定位丢失，丢失后车辆无法正常运行，继而影响车辆正常的作业流程，为此需要在定位丢失后能够自动进行定位的重新恢复。
3.现在大部分都是根据地图或者手动输入当前车辆位姿，这种方法过于依赖车辆定位丢失前的位姿，并且需要人为操作，如果周围环境变化较大时则无法准确推算出当前车辆的位姿，尤其是姿态，影响较大。缺点是受环境影响很大，自动化程度不高，因此本发明提供了一种室内的重定位方法。


技术实现要素：

4.(一)解决的技术问题
5.针对现有技术的不足，本发明提供了一种室内的重定位方法，解决了上述背景技术中提出的问题。
6.(二)技术方案
7.为实现以上目的，本发明提供如下技术方案：一种室内的重定位方法，所述当车辆在室内定位丢失后，车辆会将相关信息上传到云端系统，所述云端系统通过调用离车辆最近的几个摄像头，将摄像头采集到牵引车的图片传到云端数据处理模块。
8.优选的，所述云端数据处理模块：需要生成一对立体像对，建立立体模型对重叠区域进行标定处理即可得到影像中所有像素的三维坐标，然后将坐标转换到全局坐标系下，通过深度学习识别的蘑菇头像素点，即可得到蘑菇头像素的三维坐标，然后通过轮廓提取每个蘑菇头的中心点坐标。前期已经采集了数万张蘑菇头不同角度的形状进行训练得到蘑菇头模型，测试集识别率100％，通过蘑菇头的位置信息可以计算出车辆的姿态。
9.优选的，所述需要标定出影像重叠区域内至少4个点，利用空间前方交会可以计算出影像中位置点的三维坐标；所述深度学习采用最新的yolov7,通过训练的到的蘑菇头模型，可以得到实时影像中蘑菇头的三维坐标。
10.优选的，所述将位姿发送到对应车辆，然后通过自身传感器激光雷达以及视觉匹配地图并融合惯性测量单元进行递推实现车辆的导航。
11.(三)有益效果
12.与现有技术相比，本发明提供了一种室内的重定位方法，具备以下有益效果：
13.该室内的重定位方法，本发明通过识别车辆定位设备蘑菇头的位置，可以精确得到车辆的位姿状态，并实时上传到云端，然后将该位姿发送到对应车端，优势是自动化程度高、重定位精度高。
附图说明
14.图1为本发明提出的一种室内的重定位方法示意图。
具体实施方式
15.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
16.请参阅图1，本发明提供一种技术方案：所述当车辆在室内定位丢失后，车辆会将相关信息上传到云端系统，所述云端系统通过调用离车辆最近的几个摄像头，将摄像头采集到牵引车的图片传到云端数据处理模块，所述云端数据处理模块：需要生成一对立体像对，建立立体模型对重叠区域进行标定处理即可得到影像中所有像素的三维坐标，然后将坐标转换到全局坐标系下，通过深度学习识别的蘑菇头像素点，即可得到蘑菇头像素的三维坐标，然后通过轮廓提取每个蘑菇头的中心点坐标。前期已经采集了数万张蘑菇头不同角度的形状进行训练得到蘑菇头模型，测试集识别率100％，通过蘑菇头的位置信息可以计算出车辆的姿态，所述需要标定出影像重叠区域内至少4个点，利用空间前方交会可以计算出影像中位置点的三维坐标；所述深度学习采用最新的yolov7,通过训练的到的蘑菇头模型，可以得到实时影像中蘑菇头的三维坐标，所述将位姿发送到对应车辆，然后通过自身传感器激光雷达以及视觉匹配地图并融合惯性测量单元进行递推实现车辆的导航。
17.工作步骤；
18.1.当车辆在室内定位丢失后，车辆会将相关信息上传到云端系统；
19.2.云端系统通过调用离车辆最近的几个摄像头，将摄像头采集到牵引车的图片传到云端数据处理模块；
20.3.云端数据处理模块：需要生成一对立体像对，建立立体模型对重叠区域进行标定处理即可得到影像中所有像素的三维坐标，然后将坐标转换到全局坐标系下，通过深度学习识别的蘑菇头像素点，即可得到蘑菇头像素的三维坐标，然后通过轮廓提取每个蘑菇头的中心点坐标。前期已经采集了数万张蘑菇头不同角度的形状进行训练得到蘑菇头模型，测试集识别率100％，通过蘑菇头的位置信息可以计算出车辆的姿态；
21.需要标定出影像重叠区域内至少4个点，利用空间前方交会可以计算出影像中位置点的三维坐标；
22.深度学习采用最新的yolov7,通过训练的到的蘑菇头模型，可以得到实时影像中蘑菇头的三维坐标；
23.4.将位姿发送到对应车辆，然后通过自身传感器激光雷达以及视觉匹配地图并融合惯性测量单元进行递推实现车辆的导航。
24.综上所述，该室内的重定位方法，本发明通过识别车辆定位设备蘑菇头的位置，可以精确得到车辆的位姿状态，并实时上传到云端，然后将该位姿发送到对应车端，优势是自动化程度高、重定位精度高。
25.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存
在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
26.尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。


技术特征：
1.一种室内的重定位方法，其特征在于：所述当车辆在室内定位丢失后，车辆会将相关信息上传到云端系统，所述云端系统通过调用离车辆最近的几个摄像头，将摄像头采集到牵引车的图片传到云端数据处理模块。2.根据权利要求1所述的一种室内的重定位方法，其特征在于：所述云端数据处理模块：需要生成一对立体像对，建立立体模型对重叠区域进行标定处理即可得到影像中所有像素的三维坐标，然后将坐标转换到全局坐标系下，通过深度学习识别的蘑菇头像素点，即可得到蘑菇头像素的三维坐标，然后通过轮廓提取每个蘑菇头的中心点坐标。前期已经采集了数万张蘑菇头不同角度的形状进行训练得到蘑菇头模型，测试集识别率100％，通过蘑菇头的位置信息可以计算出车辆的姿态。3.根据权利要求1所述的一种室内的重定位方法，其特征在于：所述需要标定出影像重叠区域内至少4个点，利用空间前方交会可以计算出影像中位置点的三维坐标；所述深度学习采用最新的yolov7,通过训练的到的蘑菇头模型，可以得到实时影像中蘑菇头的三维坐标。4.根据权利要求1所述的一种室内的重定位方法，其特征在于：所述将位姿发送到对应车辆，然后通过自身传感器激光雷达以及视觉匹配地图并融合惯性测量单元进行递推实现车辆的导航。

技术总结
本发明涉及室内定位技术领域，且公开了一种室内的重定位方法，所述当车辆在室内定位丢失后，车辆会将相关信息上传到云端系统，所述云端系统通过调用离车辆最近的几个摄像头，将摄像头采集到牵引车的图片传到云端数据处理模块。该室内的重定位方法，本发明通过识别车辆定位设备蘑菇头的位置，可以精确得到车辆的位姿状态，并实时上传到云端，然后将该位姿发送到对应车端，优势是自动化程度高、重定位精度高。度高。度高。


技术研发人员：赵元丁 杨海松
受保护的技术使用者：北京清维如风科技有限公司
技术研发日：2023.04.07
技术公布日：2023/7/25