具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例的主要解决方案是:在检测到车辆到达或靠近预设目标场景区域时,基于地面元素进行车辆坐标系和地图坐标系的匹配,得到匹配结果;根据所述匹配结果,对车辆的实时感知建图结果和目标地图元素进行融合,并输出融合后的地图。通过本发明实施例方案,可以只在预设目标场景区域(比如大路口、环岛等复杂场景区域)使用轻量级高精度地图,从而可以极大的降低地图的数据量,进而降低了地图的生成和维护成本,此外,由于只需要少量的地图匹配数据,因此也实现了大路口等极端场景的地图快速匹配,改善用户驾驶体验。
本发明实施例涉及的技术术语:
GNSS:Global Navigation Satellite System,全球导航卫星系统。GNSS是能在地球表面或近地空间的任何地点为用户提供全天候的三维坐标和速度以及时间信息的空基无线电导航定位系统。
航位推算:一种基于IMU惯性测量单元的技术,根据上一时刻的位置和方向来推算当前时刻的位置和方向。
迭代最临近匹配:Iterative Closest Points Algorithm,ICPA,迭代最临近匹配的基本原理是假定已给两个数据集P、Q,给出两个点集的空间变换f使他们能进行空间匹配。基本思想是:根据某种几何特性对数据进行匹配,并设这些匹配点为假想的对应点,然后根据这种对应关系求解运动参数,再利用这些运动参数对数据进行变换,并利用同一几何特征,确定新的对应关系,重复上述过程,直到得到匹配结果。
本发明实施例考虑到:在现有的基于高精度地图的智能驾驶方案中,通常基于某一城市或区域的完整高精度地图进行车辆位姿和地图的实时匹配,然后使用完整的高精度地图为智能驾驶系统提供地图和导航信息。但是,完整的高精度地图数据量大,需要维护大量的高精度地图数据的精度、鲜度等,导致维护成本过高。此外,由于单点GNSS定位精度在1~10m级别,导致城市遮挡环境完全不能定位,而常用的迭代最临近匹配方法在这种情况下不够鲁棒,很容易误匹配;另外,传统的地图匹配需要很长一段距离的地图数据,涉及的地图数据较多,对于大路口、环岛等极端复杂场景,地图初始化过程中数据加载较慢,导致现有方案不能在大路口、环岛等极端场景实现快速匹配。
由此,本发明实施例提出解决方案,可以只在大路口、环岛、高架桥等复杂场景区域使用轻量级高精度地图,这样地图需要的初始匹配范围比较小,不需要大面积匹配,极大降低地图的数据量,从而可以快速加载整个路口、环岛的地图,降低了地图的生成和维护成本,此外,由于只需要少量的地图匹配数据,因此也实现了大路口等极端场景的地图快速匹配。
此外,在一些大型路口、环岛、高架桥下等极端场景,由于车载相机视角限制,光照不佳,雨雪天气等,车辆感知难以及时准确的检测到智能驾驶所需的环境信息,如车道线、停止线、人行横道、红绿灯等,降低了可智能驾驶的使用范围。通过本发明实施例方案,使用提前建立好的路口、环岛、高架桥下等极端场景的轻量级高精度地图,和车辆实时感知建图结果进行匹配,融合输出,优势互补,为行车规划控制等提供更大范围的环境信息。
具体地,参照图1,图1是本发明地图匹配融合装置所属设备的功能模块示意图。该地图匹配融合装置可以为独立于设备的、能够进行数据处理的装置,其可以通过硬件或软件的形式承载于设备上。该设备可以为手机、平板电脑等具有数据处理功能的智能移动终端,还可以为具有数据处理功能的固定设备(比如车载导航设备)或服务器等。
在本实施例中,该地图匹配融合装置所属设备至少包括输出模块110、处理器120、存储器130以及通信模块140。
存储器130中存储有操作系统以及地图匹配融合程序;输出模块110可为显示屏等。通信模块140可以包括WIFI模块以及蓝牙模块等,通过通信模块140与外部设备或服务器进行通信。
其中,存储器130中的地图匹配融合程序被处理器执行时实现以下步骤:
在检测到车辆到达或靠近预设目标场景区域时,基于地面元素进行车辆坐标系和地图坐标系的匹配,得到匹配结果;
根据所述匹配结果,对车辆的实时感知建图结果和目标地图元素进行融合,并输出融合后的地图。
进一步地,存储器130中的地图匹配融合程序被处理器执行时还实现以下步骤:
在检测到车辆到达或靠近预设目标场景区域时,对车辆坐标系和地图坐标系进行初始对准,获得地图坐标系到车辆坐标系下的初始转换关系;
确定所述车辆的实时感知建图结果和目标地图中的第一地面元素和第二地面元素;
基于所述车辆的实时感知建图结果和目标地图中的第一地面元素,并结合所述初始转换关系计算所述地图坐标系到车辆坐标系的粗精度的位姿转换矩阵,得到粗匹配结果;
基于所述粗匹配结果,对所述车辆的实时感知建图结果和目标地图中的第二地面元素进行迭代最临近匹配,获得高精度的位姿转换矩阵;
通过所述高精度的位姿转换矩阵对目标地图元素进行位姿转换,以将所述目标地图元素从地图坐标系转换到车辆坐标系下,得到高精度匹配结果。
进一步地,存储器130中的地图匹配融合程序被处理器执行时还实现以下步骤:
分别对所述车辆的实时感知建图结果和目标地图中的第一地面元素的几何信息进行编码,得到编码结果;
通过所述编码结果的内部一致性,构建约束方程并求解,得到所述车辆的实时感知建图结果和目标地图中的第一地面元素的最佳匹配结果;
根据所述最佳匹配结果,并结合所述初始转换关系,计算所述地图坐标系到车辆坐标系的粗精度的位姿转换矩阵,得到粗匹配结果。
进一步地,存储器130中的地图匹配融合程序被处理器执行时还实现以下步骤:
根据所述高精度匹配结果,对车辆实时感知建图结果中的地面元素和矩阵转换后的目标地图元素进行关联;
对关联上的地面元素进行融合。
进一步地,存储器130中的地图匹配融合程序被处理器执行时还实现以下步骤:
根据所述高精度匹配结果,以及矩阵转换后的目标地图元素,对车辆实时感知建图结果中的箭头、停止线、斑马线采用种类相同,空间距离最小的原则进行搜索关联,对车辆实时感知建图结果中的车道线采用线和线之间平行距离最小原则进行搜索关联。
进一步地,存储器130中的地图匹配融合程序被处理器执行时还实现以下步骤:
对关联上的箭头、停止线、斑马线选取地图元素进行替代;
对关联上的车道线,选取实时感知建图结果中的车道线,并使用地图中的车道线对实时感知建图结果中的车道线进行拼接补全。
进一步地,存储器130中的地图匹配融合程序被处理器执行时还实现以下步骤:
在检测到车辆到达或靠近预设目标场景区域时,获取所述车辆的GNSS定位信息以及所述车辆的航位推算轨迹;
根据所述车辆的GNSS定位信息,选取车辆预设长度的行驶轨迹数据;
对所述航位推算轨迹和行驶轨迹数据进行轨迹对齐,得到地图坐标系到车辆坐标系下的初始转换关系。
本实施例通过上述方案,在检测到车辆到达或靠近预设目标场景区域时,基于地面元素进行车辆坐标系和地图坐标系的匹配,得到匹配结果;根据所述匹配结果,对车辆的实时感知建图结果和目标地图元素进行融合,并输出融合后的地图。通过本发明实施例方案,可以只在预设目标场景区域(比如大路口、环岛等复杂场景区域)使用轻量级高精度地图,从而可以极大的降低地图的数据量,进而降低了地图的生成和维护成本,此外,由于只需要少量的地图匹配数据,因此也实现了大路口等极端场景的地图快速匹配,改善用户驾驶体验。
基于上述设备架构但不限于上述架构,提出本发明方法实施例。
本实施例方法的执行主体可以是一种地图匹配融合装置,该地图匹配融合装置可以为独立于设备的、能够进行数据处理的装置,其可以通过硬件或软件的形式承载于设备上。该设备可以为导航设备或者车载设备,该导航设备可以是车载导航设备,也可以是具有导航功能的移动终端,本实施例以设置在车辆上的车载导航设备进行举例,通过车载导航设备实现车辆驾驶过程中的地图匹配融合,以便为车辆智能驾驶系统提供地图和导航信息,尤其是实现智能驾驶场景中特定区域地图的快速匹配,并降低地图生成、维护成本。
参照图2,图2为本发明地图匹配融合方法第一实施例的流程示意图。所述地图匹配融合方法包括:
步骤S101,在检测到车辆到达或靠近预设目标场景区域时,基于地面元素进行车辆坐标系和地图坐标系的匹配,得到匹配结果;
本实施例方案可以适用于需要使用地图、导航的各种场景,比如交通道路、停车场等智能/自动驾驶场景。本实施例以自动驾驶车辆在交通道路上的场景进行举例。
在本实施例中,车辆具有自动驾驶系统,该自动驾驶系统具有实时感知建图功能,其中,感知是为了模仿人眼获取周围的环境信息,因此,需要用到传感器来完成信息的采集工作。目前在自动驾驶领域中用到的传感器可以包括:摄像头、激光雷达、毫米波雷达等,通过传感器感知检测交通标志、障碍物等,满足车辆的自动驾驶与导航需求。
其中,本实施例所指预设目标场景区域可以是路口(尤其是大路口)、环岛、高架桥等复杂场景区域。
在交通道路中,对于自动驾驶的车辆,通常会使用高精度地图进行智能驾驶。传统方案中,通常基于某一城市或区域的完整高精度地图进行车辆位姿和地图的实时匹配,然后使用完整的高精度地图为智能驾驶系统提供地图和导航信息。但是,完整的高精度地图数据量大,需要维护大量的高精度地图数据的精度、鲜度等,导致维护成本过高,而且传统的地图匹配需要很长一段距离的地图数据,不能在大路口、环岛、高架桥下等极端场景实现快速匹配。
在本实施例中,可以只在大路口、环岛、高架桥下等复杂场景区域设置轻量级高精度地图,在其他区域不需要设置轻量级高精度地图,比如在其他区域可以使用车辆上的传感器的感知数据进行实时感知建图,即本实施例方案采用的是轻量级地图匹配,从而可以极大的降低轻量级高精度地图的数据量,进而降低了轻量级高精度地图的生成和维护成本,此外,由于只需要少量的轻量级高精度地图匹配数据,因此也实现了大路口等极端场景的地图快速匹配。
其中,大路口场景区域可以参照图3所示;环岛场景区域可以参照图4a、图4b所示。
具体实现时,首先,在检测到车辆到达或靠近大路口、环岛等预设目标场景区域时,进行车辆坐标系和地图坐标系的初始对准,并基于地面元素进行车辆坐标系和地图坐标系的匹配,得到匹配结果。
比如,可以在车辆进入路口前完成车辆坐标系和地图坐标系的匹配,以便基于匹配结果进行路口区域地图元素的融合。
其中,车辆坐标系是车辆启动时刻建立的临时坐标系,比如可以是车辆在启动时刻,以车辆当前位置为原点建立的坐标系。
其中,以新能源车举例,车辆启动时刻可以通过车辆是否上电来判断,车辆上电时刻就是车辆启动时刻。
地图坐标系可以是指轻量级高精度地图的坐标系,是全局坐标系,也是世界坐标系。本实施例以轻量级高精度地图进行举例。本实施例以下所指目标地图可以是轻量级高精度地图。
如前所述,在检测到车辆到达或靠近大路口、环岛、高架桥下等预设目标场景区域时,需进行车辆坐标系和地图坐标系的初始对准,初始对准的目的是获得地图坐标系到车辆坐标系下的初始转换关系。
其中,初始转换关系的精度可以在1m~50m级别。
其中,车辆坐标系和地图坐标系的初始对准包括:车辆位姿和地图坐标系的匹配对准。其中,车辆位姿包括:车辆的位置和姿态,车辆的姿态包括:车辆的旋转关系,一部分为朝向,一部分为横滚和偏航。
通过车辆坐标系和地图坐标系的初始对准获得地图坐标系到车辆坐标系下的初始转换关系后,基于初始转换关系、地面元素进行车辆坐标系和地图坐标系的匹配,得到匹配结果。
其中,作为一种实施方式,车辆坐标系和地图坐标系的匹配可以包括粗匹配和精匹配。
其中:粗匹配主要是利用地面箭头、停止线、斑马线等地面元素完成粗匹配。
比如,作为一种实施方式,可以通过车辆的实时感知建图结果和目标地图(本实施例指轻量级高精度地图)中的地面元素,并结合所述初始转换关系计算地图坐标系到车辆坐标系的粗精度的位姿转换矩阵,得到粗匹配。
其中,车辆的实时感知建图结果包括:车辆通过车载传感器对道路进行实时感知获得的感知数据,以及通过感知数据进行实时建图得到的地图数据,该地图数据包括地面箭头、停止线、斑马线等地面元素的各种参数。
精匹配主要是利用地面车道线等地面元素完成精匹配。
比如,作为一种实施方式,可以基于所述粗匹配结果,对所述车辆的实时感知建图结果和目标地图中的地面元素进行匹配,获得高精度的位姿转换矩阵。
其中,高精度的位姿转换矩阵的位置精度可以达到20cm,角度精度可以达到0.5度。
然后通过所述高精度的位姿转换矩阵对目标地图元素进行位姿转换,以将所述目标地图元素从地图坐标系转换到车辆坐标系下,得到高精度匹配结果。
其中,高精度匹配结果可以作为本实施例方案中的最终匹配结果,后续即可根据该最终匹配结果,对车辆的实时感知建图结果和目标地图元素进行融合。
需要说明的是,本实施例中上述匹配策略可以根据实际情况选择,比如在其他实施例中,还可以只进行粗匹配,或者直接进行精匹配。
步骤S102,根据所述匹配结果,对车辆的实时感知建图结果和目标地图元素进行融合,并输出融合后的地图。
具体地,作为一种实施方式,可以根据所述高精度匹配结果,对车辆实时感知建图结果中的所有地面元素(包括地面箭头、停止线、斑马线、车道线等),进行车辆实时感知建图结果和目标地图(比如轻量级高精度地图)中的地面元素进行关联,以便根据关联结果进行地面元素的融合处理,最终输出融合处理后的地图。
本实施例通过上述方案,在检测到车辆到达或靠近预设目标场景区域时,基于地面元素进行车辆坐标系和地图坐标系的匹配,得到匹配结果;根据所述匹配结果,对车辆的实时感知建图结果和目标地图元素进行融合,并输出融合后的地图。通过本发明实施例方案,可以只在预设目标场景区域(比如大路口、环岛等复杂场景区域)使用轻量级高精度地图,从而可以极大的降低地图的数据量,进而降低了地图的生成和维护成本,此外,由于只需要少量的地图匹配数据,因此也实现了大路口等极端场景的地图快速匹配,改善用户驾驶体验。
参照图5,图5为本发明地图匹配融合方法实施例中在检测到车辆到达或靠近预设目标场景区域时,基于地面元素进行车辆坐标系和地图坐标系的匹配,得到匹配结果的细化流程示意图。
如图5所示,本实施例基于上述图2所示的实施例,对上述步骤S101进行细化。
在本实施例中,上述步骤S101,在检测到车辆到达或靠近预设目标场景区域时,基于地面元素进行车辆坐标系和地图坐标系的匹配,得到匹配结果可以包括:
步骤S1011,在检测到车辆到达或靠近预设目标场景区域时,对车辆坐标系和地图坐标系进行初始对准,获得地图坐标系到车辆坐标系下的初始转换关系;
步骤S1012,确定所述车辆的实时感知建图结果和目标地图中的第一地面元素和第二地面元素;
步骤S1013,基于所述车辆的实时感知建图结果和目标地图中的第一地面元素,并结合所述初始转换关系计算所述地图坐标系到车辆坐标系的粗精度的位姿转换矩阵,得到粗匹配结果;
步骤S1014,基于所述粗匹配结果,对所述车辆的实时感知建图结果和目标地图中的第二地面元素进行迭代最临近匹配,获得高精度的位姿转换矩阵;
步骤S1015,通过所述高精度的位姿转换矩阵对目标地图元素进行位姿转换,以将所述目标地图元素从地图坐标系转换到车辆坐标系下,得到高精度匹配结果。
具体地,作为一种实施方式,在检测到车辆到达或靠近预设目标场景区域时,需要对车辆坐标系和地图坐标系进行初始对准,获得地图坐标系到车辆坐标系下的初始转换关系,以便将地图坐标系下的地图元素转换到自车坐标系下。
其中,对车辆坐标系和地图坐标系进行初始对准,获得地图坐标系到车辆坐标系下的初始转换关系可以采用如下方案:
首先,在检测到车辆到达或靠近预设目标场景区域时,获取所述车辆的GNSS定位信息以及所述车辆的航位推算轨迹;
其中,车辆的GNSS定位信息可以通过车辆上的定位模块获取。
其中,地图坐标系可以指轻量级高精度地图的坐标系,车辆的GNSS定位信息与轻量级高精度地图相关,轻量级高精度地图的坐标系与GNSS定位的坐标系都是全局坐标系。
其中,车辆的航位推算轨迹为车辆DR(航位推算)轨迹,可以使用车辆的轮速传感器、IMU等传感器进行航位推算得到。
然后,根据所述车辆的GNSS定位信息,选取车辆预设长度的行驶轨迹数据。
其中,预设长度可以根据实际情况进行设置。
比如,对车辆的GNSS定位信息进行筛选,选取车辆行驶轨迹长度1km的数据。
然后,对车辆的航位推算轨迹和行驶轨迹数据进行轨迹对齐,计算得到地图坐标系到车辆坐标系下的初始转换关系,该初始转换关系是转换矩阵。
其中,该初始转换关系的精度可以在1m~50m级别。
之后,可以根据车辆的GNSS定位信息,获取当前车辆位置附近预设距离(比如300m)范围内的地图元素,并根据上述计算出来的初始转换关系,将轻量级高精度地图的地图元素从地图坐标系转换到车辆坐标系下。
进而可以获取地图元素在车辆坐标系下的粗略位置,其精度在1m~50m级别。
然后,可以结合初始转换关系,并利用地面箭头、停止线、斑马线等地面元素完成车辆坐标系和地图坐标系的粗匹配。
其中,作为一种实施方式,可以确定所述车辆的实时感知建图结果和目标地图中的第一地面元素和第二地面元素,基于所述车辆的实时感知建图结果和目标地图中的第一地面元素,并结合所述初始转换关系计算所述地图坐标系到车辆坐标系的粗精度的位姿转换矩阵,得到粗匹配结果。
所述第一地面元素可以包括:地面箭头、停止线、斑马线等;所述第一地面元素可以通过置信度确定。
在本实施例中,所述第一地面元素是置信度较高的地面元素。
其中,置信度较高的地面元素一般是指道路中比较常见、不容易被遮挡的,比较容易检测到或者出现频率比较高的地面元素,比如地面箭头、停止线、斑马线等。在车辆实时感知建图时,对置信度较高的地面元素会进行设计和更新。
其中,所述第二地面元素可以包括:车道线实线、虚线段、地面箭头等。
在本实施例中,对车辆的实时感知建图结果和目标地图中置信度较高的第一地面元素,结合所述初始转换关系计算所述地图坐标系到车辆坐标系的粗精度的位姿转换矩阵,得到粗匹配结果。
具体地,作为一种实施方式,所述基于所述车辆的实时感知建图结果和目标地图中的第一地面元素,并结合所述初始转换关系计算所述地图坐标系到车辆坐标系的粗精度的位姿转换矩阵,得到粗匹配结果的步骤可以包括:
首先,分别对所述车辆的实时感知建图结果和目标地图中的第一地面元素的几何信息进行编码;
其中,几何信息一般指地面箭头、停止线、斑马线等地面元素的位置、朝向、大小等几何信息,总体分为点(比如箭头)和线(比如停止线、斑马线、虚线段等)两种类型。
在编码时,分别对各种第一地面元素计算中心点和朝向,然后,基于中心点和朝向对车辆实时感知建图和目标地图(本实施例可以指预先建立的轻量级高精度地图)这两份地图的第一地面元素生成候选匹配对。
然后,对所有候选匹配对进行检验,并进行打分。
其中,若候选匹配对之间的距离越小,重合度越高,则得分越高,具体而言,候选匹配对的得分可以考虑以下因素:点对点距离、点对线的中心点距离、线对线的中心点距离、线和线的重合距离占线长度的比例。
由此得到对车辆的实时感知建图结果和目标地图中的第一地面元素的几何信息的编码结果。
然后,通过所述编码结果的内部一致性,构建约束方程并求解,得到所述车辆的实时感知建图结果和目标地图中的第一地面元素的最佳匹配结果;
也就是说,利用这些几何信息的编码结果的内部一致性,构建约束方程,解一个非线性优化问题,获得的解即为这些地面元素的最佳匹配结果,比如,轻量级高精度地图中某个地面元素与车辆实时感知建图结果中某个地面元素是最佳匹配。
以下通过举例详细阐述利用几何信息的编码结果的内部一致性,构建约束方程,解一个非线性优化问题,获得这些地面元素的最佳匹配结果的过程:
如图6a所示,左边的点a、b、c表示车辆感知建图的地面元素,右边的点a`、b`、c`表示目标地图元素,u1~ u5为可能的匹配对,对u1~ u5分别进行打分,然后解优化问题。
其中,为获取最优的匹配关系,可将该问题建模为一个非线性优化问题,采用如下公式(1)表示:
;(1)
其中,u表示匹配关系向量,该匹配关系向量中每个元素表示一个匹配对,i、j为元素编号,为自然数,M表示上面步骤中的得分矩阵,如下表1所示:
表1
其中,得到的解如图6b所示,图6b显示u1,u2,u4为最优解,即u3,u5为错误匹配,因此,保留u1,u2,u4即可,获得的最优解即为这些地面元素的最佳匹配结果。
然后,根据上述得到的最佳匹配结果,并结合所述初始转换关系,计算所述地图坐标系到车辆坐标系的粗精度的位姿转换矩阵,得到粗匹配结果。
粗匹配结果为相对上述初始转换关系精度更高的转换矩阵。
在获得粗匹配结果后,可以利用该粗匹配结果具体对轻量级高精度地图中的目标地图元素进行位姿转换。
具体地,作为一种实施方式,可以对轻量级高精度地图和车辆实时感知建图的地面元素(包括车道线实线、虚线段、地面箭头等)进行迭代最临近匹配(ICP),获取高精度的位姿转换矩阵。
其中,高精度的位姿转换矩阵的位置精度可以达到20cm,角度精度可以达到0.5度。
其中,迭代最临近匹配(ICP)是一种匹配算法,本实施例利用迭代最临近匹配算法主要对车辆实时感知建图结果和目标地图中的箭头和虚线段、车道线等进行高精度匹配,具体匹配原理如下:
以下涉及的R和t分别为待估计的位姿转换矩阵的旋转和平移。
首先,对箭头和虚线段端点构建点到点的约束,以箭头为例,即对一个实时感知建图的箭头点,从轻量级高精度地图里去搜索一个最近的箭头点,建立点到点的距离约束,具体采用如下公式(2)计算:
(2)
其中,pi为实时感知建图的箭头点采样点,q表示从轻量级高精度地图里搜索的一个最近的箭头点,表示残差,R和t分别为待估计的位姿转换矩阵的旋转和平移。
对车道线实现构建点到线的约束,对一个实时感知建图的车道线采样点,从轻量级高精度地图的车道线里去搜索两个最近的车道线采样点,构建点到线(有两个点构成)的距离约束,采用如下公式(3)计算:
(3)
其中,pi为实时感知建图的车道线采样点,L为两个轻量级高精度地图的车道线采样点L1和L2构成的直线,表示残差,R和t分别为待估计的位姿转换矩阵的旋转和平移。
然后,解这个非线性优化问题,即可得到优化后的高精度的位姿转换矩阵。
在获得高精度的位姿转换矩阵后,利用高精度的位姿转换矩阵对轻量级高精度地图的地面元素进行位姿转换,将轻量级高精度地图的地面元素从地图坐标系转换到车辆坐标系下,从而得到高精度匹配结果。
本实施例通过上述方案,在检测到车辆到达或靠近预设目标场景区域时,基于地面元素进行车辆坐标系和地图坐标系的匹配,得到匹配结果;根据所述匹配结果,对车辆的实时感知建图结果和目标地图元素进行融合,并输出融合后的地图。其中,车辆坐标系和地图坐标系的匹配包括粗匹配和精匹配,通过精匹配得到高精度的位姿转换矩阵,并利用高精度的位姿转换矩阵对目标地图元素进行位姿转换,以将所述目标地图元素从地图坐标系转换到车辆坐标系下,得到高精度匹配结果。通过本发明实施例方案,可以只在预设目标场景区域(比如大路口、环岛等复杂场景区域)使用轻量级高精度地图,从而可以极大的降低地图的数据量,进而降低了地图的生成和维护成本,此外,由于只需要少量的地图匹配数据,因此也实现了大路口等极端场景的地图快速匹配,改善用户驾驶体验;此外,相比传统的地图仅依赖单点GNSS定位,其定位精度在1~10m级别,导致城市遮挡环境完全不能定位,而常用的迭代最临近匹配方法在这种情况下不够鲁棒,很容易误匹配,本实施例方案通过对车辆坐标系和地图坐标系的粗匹配和精匹配,提升了地图的匹配精度和鲁棒性。
参照图7,图7为本发明根据所述匹配结果,对车辆的实时感知建图结果和目标地图元素进行融合,并输出融合后的地图的细化流程示意图。
如图7所示,本实施例基于上述图5所示的实施例,对上述步骤S102进行细化。
在本实施例中,所述步骤S102,根据所述匹配结果,对车辆的实时感知建图结果和目标地图元素进行融合,并输出融合后的地图可以包括:
步骤S1021,根据所述高精度匹配结果,对车辆实时感知建图结果中的地面元素和矩阵转换后的目标地图元素进行关联;
步骤S1022,对关联上的地面元素进行融合;
步骤S1023,在地图上输出融合后的地图元素,以及未关联上的地面元素。
具体地,为了实现对车辆的实时感知建图结果和目标地图元素进行融合,本实施例首先根据所述高精度匹配结果,对车辆实时感知建图结果中的所有地面元素(包括地面箭头、停止线、斑马线、车道线等)进行车辆实时感知建图结果和轻量级高精度地图中地面元素进行关联,根据关联结果进行融合处理,具体可以对关联上的地面元素进行融合,对未关联上的地面元素,直接输出即可。
其中,作为一种实施方式,所述根据所述高精度匹配结果,对车辆实时感知建图结果中的地面元素和矩阵转换后的目标地图元素进行关联的步骤可以包括:
根据所述高精度匹配结果,以及矩阵转换后的目标地图元素,对车辆实时感知建图结果中的箭头、停止线、斑马线采用种类相同,空间距离最小的原则进行搜索关联,对车辆实时感知建图结果中的车道线采用线和线之间平行距离最小原则进行搜索关联。
其中,作为一种实施方式,所述对关联上的地面元素进行融合的步骤包括:
对关联上的箭头、停止线、斑马线选取目标地图中的目标地图元素进行替代;
对关联上的车道线,选取实时感知建图结果中的车道线,并使用目标地图中的车道线对实时感知建图结果中的车道线进行拼接补全。
由此,通过对车辆的实时感知建图结果和目标地图元素进行融合处理,最终输出融合后的地图,包括对关联上的地面元素进行融合后的地面元素,以及未关联上的地面元素,输出一份统一的地图供车辆智能驾驶系统和大屏显示模块使用。
本实施例通过上述方案,在检测到车辆到达或靠近预设目标场景区域时,基于地面元素进行车辆坐标系和地图坐标系的匹配,得到匹配结果;根据所述匹配结果,对车辆的实时感知建图结果和目标地图元素进行融合,并输出融合后的地图。其中,车辆坐标系和地图坐标系的匹配包括粗匹配和精匹配,通过精匹配得到高精度的位姿转换矩阵,并利用高精度的位姿转换矩阵对目标地图元素进行位姿转换,以将所述目标地图元素从地图坐标系转换到车辆坐标系下,得到高精度匹配结果。此外,在对车辆的实时感知建图结果和目标地图元素进行融合时,对车辆实时感知建图结果中的箭头、停止线、斑马线采用种类相同,空间距离最小的原则进行搜索关联,对车辆实时感知建图结果中的车道线采用线和线之间平行距离最小原则进行搜索关联。
通过本发明实施例方案,可以只在预设目标场景区域(比如大路口、环岛等复杂场景区域)使用轻量级高精度地图,从而可以极大的降低地图的数据量,进而降低了地图的生成和维护成本,此外,由于只需要少量的地图匹配数据,因此也实现了大路口等极端场景的地图快速匹配,改善用户驾驶体验;此外,相比传统的地图仅依赖单点GNSS定位,其定位精度在1~10m级别,导致城市遮挡环境完全不能定位,而常用的迭代最临近匹配方法在这种情况下不够鲁棒,很容易误匹配,本实施例方案通过对车辆坐标系和地图坐标系的粗匹配和精匹配,提升了地图的匹配精度和鲁棒性。进一步地,在对车辆的实时感知建图结果和目标地图元素进行融合时,采用相应的原则进行搜索关联,可以提升融合处理的准确性,提升地图融合的精度。
本发明实施例在线实时进行轻量级高精度地图的匹配融合的完整流程可以参照图8所示。
需要说明的是,本发明实施例方案可以仅在大路口、环岛等复杂场景设置轻量级高精度地图,并可以只提供地图有标识的信息,比如车道线,地面箭头,人行横道、停止线等,极大降低了地图的数据量,降低了地图生成和维护成本。
相比现有技术,本发明实施例方案提出了一套完整的鲁棒的地图匹配算法流程,仅依赖于少量的地图元素,如地面箭头、地面虚线、停止线、人行横道,即可完成鲁棒的粗匹配,使得车辆和轻量级高精度地图的匹配误差降低到半个车道以内,区别于传统的ICP等匹配方案,本发明实施例方案对初始值不敏感,具有很高的鲁棒性。而且可以使用尽可能少的地图元素完成车辆实时感知建图结果和地图元素的匹配、融合,降低了地图生成、维护成本。
此外,如图9所示,本发明实施例还提出一种地图匹配融合装置,所述装置包括:
匹配模块,用于在检测到车辆到达或靠近预设目标场景区域时,基于地面元素进行车辆位姿和地图坐标系的匹配,得到匹配结果;
融合模块,用于根据所述匹配结果,对车辆的实时感知建图结果和目标地图元素进行融合,并输出融合后的地图。
本实施例实现地图匹配融合的原理及实施过程,请参照上述各实施例,在此不再赘述。
此外,本发明实施例还提出一种导航设备,所述导航设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如上所述的地图匹配融合方法。
由于本地图匹配融合程序被处理器执行时,采用了前述所有实施例的全部技术方案,因此至少具有前述所有实施例的全部技术方案所带来的所有有益效果,在此不再一一赘述。
此外,本发明实施例还提出一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的地图匹配融合方法。
由于本地图匹配融合程序被处理器执行时,采用了前述所有实施例的全部技术方案,因此至少具有前述所有实施例的全部技术方案所带来的所有有益效果,在此不再一一赘述。
本发明实施例提出的一种地图匹配融合方法、装置、设备及存储介质,在检测到车辆到达或靠近预设目标场景区域时,基于地面元素进行车辆坐标系和地图坐标系的匹配,得到匹配结果;根据所述匹配结果,对车辆的实时感知建图结果和目标地图元素进行融合,并输出融合后的地图。通过本发明实施例方案,可以只在预设目标场景区域(比如大路口、环岛等复杂场景区域)使用轻量级高精度地图,从而可以极大的降低地图的数据量,进而降低了地图的生成和维护成本,此外,由于只需要少量的地图匹配数据,因此也实现了大路口等极端场景的地图快速匹配,改善用户驾驶体验。
需要说明的是,在本文中,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、物品或者方法不仅包括那些要素,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、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者方法中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,被控终端,或者网络设备等)执行本发明每个实施例的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。