CN105260988A - 一种高精地图数据的处理方法和装置 - Google Patents

一种高精地图数据的处理方法和装置 Download PDF

Info

Publication number
CN105260988A
CN105260988A CN201510571925.6A CN201510571925A CN105260988A CN 105260988 A CN105260988 A CN 105260988A CN 201510571925 A CN201510571925 A CN 201510571925A CN 105260988 A CN105260988 A CN 105260988A
Authority
CN
China
Prior art keywords
map data
original map
data
extract
plane
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201510571925.6A
Other languages
English (en)
Other versions
CN105260988B (zh
Inventor
蒋昭炎
关书伟
宋良
晏阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Baidu Online Network Technology Beijing Co Ltd
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201510571925.6A priority Critical patent/CN105260988B/zh
Priority to JP2018512859A priority patent/JP6664470B2/ja
Priority to US15/758,623 priority patent/US10628712B2/en
Priority to PCT/CN2015/099012 priority patent/WO2017041390A1/zh
Priority to KR1020187007384A priority patent/KR102037820B1/ko
Priority to EP15903493.3A priority patent/EP3343503B1/en
Publication of CN105260988A publication Critical patent/CN105260988A/zh
Application granted granted Critical
Publication of CN105260988B publication Critical patent/CN105260988B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
    • G01C21/30—Map- or contour-matching
    • G01C21/32—Structuring or formatting of map data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/38—Registration of image sequences
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B29/00—Maps; Plans; Charts; Diagrams, e.g. route diagram
    • G09B29/003—Maps
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/56—Particle system, point based geometry or rendering

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • Computer Graphics (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Image Analysis (AREA)
  • Navigation (AREA)
  • Instructional Devices (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本发明实施例公开了一种高精地图数据的处理方法和装置，该方法包括：沿目标轨迹对地图数据进行至少两次采集，以分别获取至少两次原始地图数据；分别识别所述原始地图数据中的物体，并提取物体特征；将各所述原始地图数据中的物体特征进行匹配；将匹配物体特征的物体作为参照物，将各所述原始地图数据进行融合处理。本发明实施例通过识别原始地图数据中的物体，并提取物体特征，进而将各原始地图数据中的物体特征进行匹配并将匹配后得到的物体作为参照物，利用该参照物对原始地图数据进行融合处理，解决了地图图像中的物体出现错位的问题，去除了地图图像的重影问题，提高了地图图像的清晰度。

Description

一种高精地图数据的处理方法和装置
技术领域
本发明实施例涉及地图数据处理技术，尤其涉及一种高精地图数据的处理方法和装置。
背景技术
随着自驾出行探亲、探险和旅游的用户越来越多，当用户去往自己不熟悉的目的地时，便会依赖于利用智能终端进行地图查询，用户可以在智能终端中通过输入目的地对出行路线进行查看和选择，地图的使用在很大程度上方便了人们的生活。
目前，形成地图图像之前，对地图图像数据的采集一般利用惯性测量单元(IntertialMeasurementUint，IMU)、全球定位系统(GlobalPositioningSystem，GPS)或者光探测与测量(LightDetectionAndRanging，LIDAR)等多种工具来完成，再将数据进行融合处理，形成地图数据。
IMU主要包括陀螺仪和加速度计两部分，该两部分直接影响IMU的测量图像数据的精度。其中陀螺仪主要测量运动物体的角速度信息，加速度计主要测量运动物体的加速度信息，IMU根据所测信息计算得到运动物体的运动形态。
GPS主要包括空间星座、地面监控和用户设备三部分，该三部分直接影响GPS获得的图像数据的精度。其中，空间星座一般由24颗卫星组成，用于实时测量地面物体的图像数据，地面监控接收空间星座的卫星发送的该卫星测量得到的物体的地图数据，用户设备对该物体的地图数据进行计算并得到物体的位置信息等。
LIDAR主要利用IMU和GPS进行激光扫描，其所测得的数据为点云数据，即所测得的数据为物体表面模型的一系列离散点，该点云数据中包括物体的空间三维信息和激光强度信息。LIDAR中的传感器将激光束发射到地面或者物体表面，激光束遇到障碍物发生发射，激光束反射的能量被该传感器记录并作为激光强度信息，并且利用该激光强度信息可以计算得到激光束的反射率。
通常为了保证测量得到的地图数据的多样性和全面性，利用上述工具对获得地图数据的采集轨迹进行多次采集。地图数据采集结束后，利用GPS或IMU对采集得到的多次相应地图数据进行关联，最终得到高精地图。
然而，现有技术存在以下缺陷，在利用GPS或IMU对采集得到的多次相应的地图数据进行关联时，由于工具本身的测量和计算精度的限制，使得关联后得到的地图图像中的物体出现错位，导致用户看到的地图图像中的物体有重影，严重影响用户的使用体验。
发明内容
有鉴于此，本发明实施例提供一种高精地图数据的处理方法和装置，以实现解决对多次采集的图像数据进行关联时出现的地图图像中的物体错位和重影的问题。
一方面，本发明实施例提供了一种高精地图数据的处理方法，该方法包括：
沿目标轨迹对地图数据进行至少两次采集，以分别获取至少两次原始地图数据；
分别识别所述原始地图数据中的物体，并提取物体特征；
将各所述原始地图数据中的物体特征进行匹配；
将匹配物体特征的物体作为参照物，将各所述原始地图数据进行融合处理。
另一方面，本发明实施例还提供了一种高精地图数据的处理装置，该装置包括：
采集模块，用于沿目标轨迹对地图数据进行至少两次采集，以分别获取至少两次原始地图数据；
识别模块，用于分别识别所述原始地图数据中的物体，并提取物体特征；
匹配模块，用于将各所述原始地图数据中的物体特征进行匹配；
融合处理模块，用于将匹配物体特征的物体作为参照物，将各所述原始地图数据进行融合处理。
本发明实施例提供的技术方案，通过识别原始地图数据中的物体，并提取物体特征，进而将各原始地图数据中的物体特征进行匹配并将匹配后得到的物体作为参照物，利用该参照物对原始地图数据进行融合处理，解决了地图图像中的物体出现错位的问题，去除了地图图像的重影问题，提高了地图图像的清晰度。
附图说明
图1为本发明实施例一提供的一种高精地图数据的处理方法的流程图；
图2为本发明实施例二提供的最小外包盒的三位坐标系示意图；
图3为本发明实施例三提供的一种高精地图数据的处理装置的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种高精地图数据的处理方法的流程图。该方法可以由高精地图数据的处理装置执行，其中该装置可由软件和/或硬件实现，并一般可集成在具有图像数据处理能力的服务器中。
参见图1，该方法具体包括如下：
S101、沿目标轨迹对地图数据进行至少两次采集，以分别获取至少两次原始地图数据。
在上述操作中，所述目标轨迹可以指的是进行地图数据采集的采集车、采集航模或者采集机器人等采集工具的采集路线，该路线可以是人为预先设定并存储在上述采集工具中的，也可以是采集工具根据人为输入的采集起始点和终止点自行确定的较佳的采集路线。
通常，采集工具在对目标轨迹周围物体的地图数据进行采集时，不能保证一次完成所有物体的地图数据的完整采集，为了保证采集得到的目标轨迹周围物体的地图数据的多样性和全面性，一般情况下，采集工具可以对同一采集轨迹周围物体的地图数据进行至少两次采集。这样设置的好处是，通过对多次采集中得到的同一物体的地图数据进行融合处理，可以使得该物体尽可能多的信息呈现在地图中，提升用户的使用体验。
在此，需要进一步说明的是，采集工具中至少包括IMU、GPS或LIDAR采集方式中的一种。采集工具沿目标轨迹对周围物体的地图数据进行采集，得到相应物体的点云数据和图像数据。
S102、分别识别所述原始地图数据中的物体，并提取物体特征。
上述操作中，在地图数据采集完毕之后，利用采集工具对地图数据进行处理，首先利用采集工具识别各次采集得到的原始地图数据中的动态物体或静态物体，例如根据采集得到的原始地图数据，IMU可以计算出动态物体的运动形态，LIDAR可以计算出静态物体的形貌特征或者结构特征。识别到原始地图数据中的物体后，提取不同物体的特征。优选的，对于动态物体而言，可以提取其单位时间内移动的速度和/或加速度等特征；对于静态物体而言，可以提取其结构特征、重心特征和/或形貌特征等。优选是采集静态物体的物体特征，以便于作为参照特征。
在此，需要说明的是，对各次原始地图数据中的物体进行识别时，可以选择性地对具有标志性的物体进行识别，也可以对全部物体均进行识别。在本实施例中，优选的，对各次原始地图数据中具有标志性的物体进行识别，例如，识别原始地图数据中的道路平面、位于道路平面上的车辆、路灯杆、路牌或者建筑物平面等标志性物体。这样设置的好处是，一方面对具有标志性的物体进行识别使得识别的精准度提高，另一方面，只识别具有标志性的物体缩短了识别所需要的时间，降低了识别成本。
S103、将各所述原始地图数据中的物体特征进行匹配。
上述操作中，利用采集工具识别各次原始地图数据中物体，并提取各次原始地图数据中识别的物体的特征。提取完毕后，将所述各次原始地图数据中相同的物体特征进行匹配。这样设置的好处是，经过匹配可以消除各次原始地图数据识别得到的物体特征在融合处理中产生的重影问题，进而保证匹配物体特征之后的物体与实际物体保持一致，进而保证了地图的精准性。
优选的，将各次原始地图数据中的物体特征进行匹配之后，还可以进一步采用随机抽样一致性(RandomSampleConsensus，RANSAC)算法去除匹配过程中的误匹配操作，使得匹配物体特征后的物体与实际物体的一致性更高，进而更有效地保证了地图的精准性。
S104、将匹配物体特征的物体作为参照物，将各所述原始地图数据进行融合处理。
上述操作中，将匹配物体特征后的物体作为参照物，利用参照物的相对位置关系，将代表不同物体的各次原始地图数据进行融合处理，最终得到消除物体重影和偏差的高精地图。
本实施例提供的技术方案，通过识别原始地图数据中的物体，并提取识别物体的特征，进而将各次原始地图数据中的物体特征进行匹配，并将匹配后得到的物体作为参照物，利用该参照物的相对位置关系对各次原始地图数据进行融合处理，解决了在对各次原始地图数据进行融合处理中出现的物体错位的问题，从而去除了地图图像的重影问题，提高了地图图像的清晰度。
在上述技术方案的基础上，优选的，在所述分别识别所述原始地图数据中的物体，并提取物体特征之前，还包括分别对所述原始地图数据按照采集轨迹进行分析和切分；将切分后的原始地图数据段落进行关联，作为后续识别物体的关联原始地图数据。
首先对各次采集得到的原始地图数据进行分析，分析的内容可以包括采集轨迹的长度、采集得到的原始地图数据的灰度值或标志性物体的特征值等；然后对各次原始地图数据进行切分，切分可以按照采集轨迹的长度平均或按一定规律切分成若干段落、按照原始地图数据的灰度值的变化切分成若干段落或者按照标志性物体的特征值切分成若干段落。在此，对切分的原则不作任何限定，可以按照人为预先设定的切分原则或者采集工具默认的切分原则进行切分；另外，对切分的段落数量也不作任何限定。
将切分后的相应的各次原始地图数据段落进行关联，并分析关联之后各次原始地图数据段落的偏移旋转角度和偏移量，以方便后续的操作。
当采集轨迹较长时，采集工具在对采集轨迹周围的物体进行地图数据采集的过程中，在不同段落的采集轨迹上采集的偏移旋转角度和偏移量有所不同，若直接对整个采集轨迹进行处理，那么在对各次原始地图数据进行融合处理时，难以统一设定纠偏旋转角度和纠偏量，若设定为固定值，那么只能消除与该偏移旋转角度和偏移量相同或接近的原始地图数据段落中地图数据的偏差，解决其地图图像的重影问题，而其他与该偏移旋转角度和偏移量相差较大的原始地图数据段落中的地图数据的偏差仍然存在，地图图像的重影问题也将存在。
因此，将采集轨迹进行分析和切分的好处在于，在后续识别物体的关联原始地图数据，并提取物体特征之后，按照各次原始地图数据段落的偏移旋转角度和偏移量对各次原始地图数据进行融合处理，更好地解决融合处理中出现的物体错位的问题，去除地图图像的重影问题。
进一步的，在上述技术方案的基础上，所述将匹配物体特征的物体作为参照物，将各所述原始地图数据进行融合处理优化为，将匹配物体特征的物体作为参照物，计算各所述原始地图数据的偏移旋转角度和偏移量；根据各原始地图数据的偏移旋转角度和偏移量，对原始地图数据进行融合处理。
对各次原始地图数据按照采集轨迹进行分析和切分，并将切分后的各次原始地图数据段落进行关联之后，计算各次原始地图数据的偏移旋转角度和偏移量，其中，可以计算匹配过物体特征的物体的偏移旋转角度和偏移量，并将该物体的偏移旋转角度和偏移量作为与之相对应的原始地图数据段落的偏移旋转角度和偏移量。
根据各次原始地图数据段落的偏移旋转角度和偏移量，以及根据确定的参照物，对各次原始地图数据段落进行融合处理。
优选的，采用迭代就近点(IterativeClosestPoint，ICP)算法计算各次原始地图数据的偏移量角度和偏移量。
实施例二
本发明实施例二提供的一种高精地图数据的处理方法以上述实施例为基础，进一步的，对所述分别识别所述原始地图数据中的物体，并提取物体特征进行优化，优化为采用所述原始地图数据中的点云数据进行静态物体识别，并提取所述静态物体的结构特征。
点云数据中包括不同物体的反射率和形貌特征。由于点云数据为物体数据表面模型的一系列离散点，因此与利用图像数据对物体进行识别相比，利用点云数据对静态物体进行识别，可以提高识别物体的精确度，进而提高提取得到的物体特征的精确度。
可选的，在上述各实施例的技术方案的基础上，利用所述原始地图数据中的点云数据中的反射率，识别车道线，并通过车道线拟合确定道路平面，提取所述道路平面的平面特征。
采集工具利用原始地图数据中的点云数据中的反射率识别车道线。由于车道线采用特殊的反光漆制作，使得车道线的反射率高于其他物体的反射率，因此，利用其高的反射率，采集工具从各次原始地图数据中识别出车道线，进一步的，在识别出车道线后，通过车道线的宽度和长度拟合确定道路平面，并提取该道路平面的平面特征，该平面特征可以包括道路平面的宽度或长度等特征。
进一步的，根据所述点云数据，对超出所述道路平面的物体进行最小外包盒识别，根据所述最小外包盒的特征分别识别车辆和路灯杆，提取所述静止车辆的车顶部平面特征，且提取所述路灯杆的重心特征。
道路平面可以多种方式进行确定，随后再基于道路平面识别路灯杆。所述外包盒可以是指能盛装物体的假想六面体结构，最小外包盒可以是指恰好能盛装物体的假想六面体结构。根据物体的形貌特征，不同物体的最小外包盒特征不同。
图2为本发明实施例二提供的最小外包盒的示意图，如图2所示，最小外包盒特征可以是指最小外包盒的设定顶点A的三维坐标A(x1,y1,z1)，其中，x1表示最小外包盒的长度，y1表示最小外包盒的宽度，z1表示最小外包盒的高度；也可以是指最小外包盒的中心点O到各个顶点的距离的平均值。示例性的，以最小外包盒特征为设定顶点A的三维坐标A(x1,y1,z1)，车辆的最小外包盒特征为x1>z1，且y1>z1，路灯杆的最小外包盒特征为z1>>x1，且z1>>y1。
根据采集工具采集得到的原始地图数据中的点云数据，识别超出道路平面的物体的最小外包盒，根据不同物体的最小外包盒的特征，分别识别标志性物体车辆和路灯杆，并提取识别车辆的车顶部平面特征，提取识别路灯杆的重心特征。
进一步的，根据所述原始地图数据中的点云数据中的反射率，将反射率达到高反射率条件的点云数据进行聚类，将聚类后的点云数据进行平面拟合，并从拟合的平面中识别路牌，提取所述路牌的平面特征。
利用LIDAR对物体的地图数据进行采集得到物体的点云数据，其中点云数据中包含不同物体的反射率，位于采集轨迹周围的物体中，一部分物体的反射率较低，例如草木、车辆或建筑物等，另一部分物体的反射率较高，例如车道线、玻璃或路牌等。采集工具对点云数据中的不同物体的反射率进行分析计算，当反射率高于预设阈值范围时，则确定该物体的点云数据为高反射条件的点云数据，其中预设阈值范围可以是人为预先根据相应采集轨迹进行设定，也可以是采集工具默认设定的。
根据反射率的高低对点云数据进行分类，并将上述确定的反射率达到高反射率条件的同一物体的点云数据进行聚类，并将聚类后的点云数据进行平面拟合，从拟合得到的平面中识别路牌，并提取识别路牌的平面特征。通常路牌位于道路平面的两侧或者十字路口，因此，提取路牌的平面特征，在后续操作中将各次原始地图数据中的路牌平面特征进行匹配，并将该匹配过路牌平面特征的路牌作为参照物，利用该路牌的相对位置关系对各个原始地图数据进行融合处理，可以进一步提高融合处理的精确度，更好地解决地图图像的重影问题，提高地图图像的清晰度。
在此，需要说明的是，上述根据点云数据中的反射率识别标志性物体的处理过程，可以单独采用，也可以结合采用。
本实施例的技术方案，通过采用点云数据对静态物体进行识别，并提取静态物体的结构特征，进一步的，根据点云数据中的反射率的高低，从道路平面中识别出静止车辆、路灯杆和/或路牌等标志性物体的地图数据，从而在后续操作中将各次原始地图数据中的标志性物体特征进行匹配，并将该匹配过物体特征的标志性物体作为参照物，利用该标志性物体的相对位置关系对各个原始地图数据进行融合处理，可以进一步提高融合处理的精确度，更好地解决地图图像的重影问题，提高地图图像的清晰度。
实施例三
图3为本发明实施例三提供的一种高精地图数据的处理装置的结构示意图。
参见图3，该实施例的装置具体包括：采集模块31、识别模块32、匹配模块33和融合处理模块34；
其中，采集模块31，用于沿目标轨迹对地图数据进行至少两次采集，以分别获取至少两次原始地图数据；
识别模块32，用于分别识别所述原始地图数据中的物体，并提取物体特征；
匹配模块33，用于将各所述原始地图数据中的物体特征进行匹配；
融合处理模块34，用于将匹配物体特征的物体作为参照物，将各所述原始地图数据进行融合处理。
本实施例的技术方案，通过采集模块31沿目标轨迹对地图数据进行至少两次采集，以分别获取至少两次原始地图数据，并通过识别模块32对获取的至少两次原始地图数据中的物体进行识别，提取物体特征，然后通过匹配模块33将提取得到的各次原始地图数据中的物体特征进行匹配，匹配完成后，通过融合处理模块34将匹配物体特征后的物体作为参照物，利用参照物的相对位置关系对各次原始地图数据进行融合处理。从而解决了在对各次原始地图数据进行融合处理中出现的物体错位的问题，从而去除了地图图像的重影问题，提高了地图图像的清晰度。
进一步的，所述装置中的识别模块32具体用于：采用所述原始地图数据中的点云数据进行静态物体识别，并提取所述静态物体的结构特征。
进一步的，识别模块32具体用于：根据所述原始地图数据中的点云数据中的反射率，从道路平面中识别车道线，并通过所述车道线拟合道路平面，提取所述道路平面的平面特征。
进一步的，识别模块32具体用于：根据所述点云数据，对超出所述道路平面的物体进行最小外包盒识别，根据所述最小外包盒的特征分别识别车辆和路灯杆，提取所述静止车辆的车顶部平面特征，且提取所述路灯杆的重心特征。
更进一步的，识别模块32具体用于：根据所述原始地图数据中的点云数据中的反射率，将反射率达到高反射率条件的点云数据进行聚类，将聚类后的点云数据进行平面拟合，并从拟合的平面中识别路牌，提取所述路牌的平面特征。
上述技术方案基础上，该装置还包括：
分析和切分模块35，用于在分别识别所述原始地图数据中的物体，并提取物体特征之前，分别对所述原始地图数据按照采集轨迹进行分析和切分；
关联模块36，用于将切分后的原始地图数据段落进行关联，作为后续识别物体的关联原始地图数据。
进一步的，所述融合处理模块34包括：
偏移参数计算单元341，用于将匹配物体特征的物体作为参照物，计算各所述原始地图数据的偏移旋转角度和偏移量；
融合处理单元342，用于根据各原始地图数据的偏移旋转角度和偏移量，对原始地图数据进行融合处理。
上述地图数据的处理装置可执行本发明任意实施例所提供的高精地图数据的处理方法，具备执行方法相应的功能模块和有益效果。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (14)

1.一种高精地图数据的处理方法，其特征在于，包括：
沿目标轨迹对地图数据进行至少两次采集，以分别获取至少两次原始地图数据；
分别识别所述原始地图数据中的物体，并提取物体特征；
将各所述原始地图数据中的物体特征进行匹配；
将匹配物体特征的物体作为参照物，将各所述原始地图数据进行融合处理。
2.根据权利要求1所述的方法，其特征在于，分别识别所述原始地图数据中的物体，并提取物体特征包括：
采用所述原始地图数据中的点云数据进行静态物体识别，并提取所述静态物体的结构特征。
3.根据权利要求2所述的方法，其特征在于，采用所述原始地图数据中的点云数据进行静态物体识别，并提取所述静态物体的结构特征包括：
根据所述原始地图数据中的点云数据中的反射率，识别车道线，并通过所述车道线拟合道路平面，提取所述道路平面的平面特征。
4.根据权利要求2所述的方法，其特征在于，采用所述原始地图数据中的点云数据进行静态物体识别，并提取所述静态物体的结构特征包括：
根据所述点云数据，对超出道路平面的物体进行最小外包盒识别，根据所述最小外包盒的特征分别识别车辆和路灯杆，提取所述静止车辆的车顶部平面特征，且提取所述路灯杆的重心特征。
5.根据权利要求2所述的方法，其特征在于，采用所述原始地图数据中的点云数据进行静态物体识别，并提取所述静态物体的结构特征包括：
根据所述原始地图数据中的点云数据中的反射率，将反射率达到高反射率条件的点云数据进行聚类，将聚类后的点云数据进行平面拟合，并从拟合的平面中识别路牌，提取所述路牌的平面特征。
6.根据权利要求1-5任一所述的方法，其特征在于，分别识别所述原始地图数据中的物体，并提取物体特征之前，还包括：
分别对所述原始地图数据按照采集轨迹进行分析和切分；
将切分后的原始地图数据段落进行关联，作为后续识别物体的关联原始地图数据。
7.根据权利要求1-5任一所述的方法，其特征在于，将匹配物体特征的物体作为参照物，将各所述原始地图数据进行融合处理包括：
将匹配物体特征的物体作为参照物，计算各所述原始地图数据的偏移旋转角度和偏移量；
根据各原始地图数据的偏移旋转角度和偏移量，对原始地图数据进行融合处理。
8.一种高精地图数据的处理装置，其特征在于，包括：
采集模块，用于沿目标轨迹对地图数据进行至少两次采集，以分别获取至少两次原始地图数据；
识别模块，用于分别识别所述原始地图数据中的物体，并提取物体特征；
匹配模块，用于将各所述原始地图数据中的物体特征进行匹配；
融合处理模块，用于将匹配物体特征的物体作为参照物，将各所述原始地图数据进行融合处理。
9.根据权利要求8所述的装置，其特征在于，所述识别模块具体用于：
采用所述原始地图数据中的点云数据进行静态物体识别，并提取所述静态物体的结构特征。
10.根据权利要求9所述的装置，其特征在于，所述识别模块具体用于：
根据所述原始地图数据中的点云数据中的反射率，识别车道线，并通过所述车道线拟合道路平面，提取所述道路平面的平面特征。
11.根据权利要求9所述的装置，其特征在于，所述识别模块具体用于：
根据所述点云数据，对超出道路平面的物体进行最小外包盒识别，根据所述最小外包盒的特征分别识别车辆和路灯杆，提取所述静止车辆的车顶部平面特征，且提取所述路灯杆的重心特征。
12.根据权利要求9所述的装置，其特征在于，所述识别模块具体用于：
根据所述原始地图数据中的点云数据中的反射率，将反射率达到高反射率条件的点云数据进行聚类，将聚类后的点云数据进行平面拟合，并从拟合的平面中识别路牌，提取所述路牌的平面特征。
13.根据权利要求8-12任一所述的装置，其特征在于，还包括：
分析和切分模块，用于在分别识别所述原始地图数据中的物体，并提取物体特征之前，分别对所述原始地图数据按照采集轨迹进行分析和切分；
关联模块，用于将切分后的原始地图数据段落进行关联，作为后续识别物体的关联原始地图数据。
14.根据权利要求8-12任一所述的装置，其特征在于，所述融合处理模块包括：
偏移参数计算单元，用于将匹配物体特征的物体作为参照物，计算各所述原始地图数据的偏移旋转角度和偏移量；
融合处理单元，用于根据各原始地图数据的偏移旋转角度和偏移量，对原始地图数据进行融合处理。
CN201510571925.6A 2015-09-09 2015-09-09 一种高精地图数据的处理方法和装置 Active CN105260988B (zh)

Priority Applications (6)

Application Number Priority Date Filing Date Title
CN201510571925.6A CN105260988B (zh) 2015-09-09 2015-09-09 一种高精地图数据的处理方法和装置
JP2018512859A JP6664470B2 (ja) 2015-09-09 2015-12-25 高精度地図データの処理方法、装置、記憶媒体及び機器
US15/758,623 US10628712B2 (en) 2015-09-09 2015-12-25 Method and apparatus for processing high-precision map data, storage medium and device
PCT/CN2015/099012 WO2017041390A1 (zh) 2015-09-09 2015-12-25 高精地图数据的处理方法、装置、存储介质和设备
KR1020187007384A KR102037820B1 (ko) 2015-09-09 2015-12-25 고정밀 지도 데이터 처리 방법, 장치, 저장 매체 및 기기
EP15903493.3A EP3343503B1 (en) 2015-09-09 2015-12-25 High-precision map data processing method and apparatus, storage medium and device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510571925.6A CN105260988B (zh) 2015-09-09 2015-09-09 一种高精地图数据的处理方法和装置

Publications (2)

Publication Number Publication Date
CN105260988A true CN105260988A (zh) 2016-01-20
CN105260988B CN105260988B (zh) 2019-04-05

Family

ID=55100663

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510571925.6A Active CN105260988B (zh) 2015-09-09 2015-09-09 一种高精地图数据的处理方法和装置

Country Status (6)

Country Link
US (1) US10628712B2 (zh)
EP (1) EP3343503B1 (zh)
JP (1) JP6664470B2 (zh)
KR (1) KR102037820B1 (zh)
CN (1) CN105260988B (zh)
WO (1) WO2017041390A1 (zh)

Cited By (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107316048A (zh) * 2017-05-03 2017-11-03 深圳市速腾聚创科技有限公司 点云分类方法及装置
CN107958451A (zh) * 2017-12-27 2018-04-24 深圳普思英察科技有限公司 视觉高精度地图制作方法和装置
CN108030452A (zh) * 2017-11-30 2018-05-15 深圳市沃特沃德股份有限公司 视觉扫地机器人及建立场景地图的方法
CN108109437A (zh) * 2018-01-24 2018-06-01 广东容祺智能科技有限公司 一种基于地图特征的无人机自主航线提取生成方法
CN108121764A (zh) * 2016-11-26 2018-06-05 星克跃尔株式会社 图像处理装置、图像处理方法、电脑程序及电脑可读取记录介质
CN108195382A (zh) * 2017-12-28 2018-06-22 湖北省测绘工程院 一种高精度导航图精度配准方法及装置
CN108279670A (zh) * 2017-12-29 2018-07-13 百度在线网络技术（北京）有限公司 用于调整点云数据采集轨迹的方法、设备以及计算机可读介质
CN108286976A (zh) * 2017-01-09 2018-07-17 北京四维图新科技股份有限公司 一种点云数据的融合方法和装置、以及混合导航系统
CN108460791A (zh) * 2017-12-29 2018-08-28 百度在线网络技术（北京）有限公司 用于处理点云数据的方法和装置
CN108564657A (zh) * 2017-12-28 2018-09-21 达闼科技（北京）有限公司 一种基于云端的地图构建方法、电子设备和可读存储介质
CN109064506A (zh) * 2018-07-04 2018-12-21 百度在线网络技术（北京）有限公司 高精度地图生成方法、装置及存储介质
CN109459734A (zh) * 2018-10-30 2019-03-12 百度在线网络技术（北京）有限公司 一种激光雷达定位效果评估方法、装置、设备及存储介质
CN109633665A (zh) * 2018-12-17 2019-04-16 北京主线科技有限公司 交通场景稀疏激光点云拼接方法
CN109635701A (zh) * 2018-12-05 2019-04-16 宽凳（北京）科技有限公司 车道通行属性获取方法、装置和计算机可读存储介质
CN109801240A (zh) * 2019-01-15 2019-05-24 武汉鸿瑞达信息技术有限公司 一种图像增强方法以及图像增强装置
CN109798903A (zh) * 2018-12-19 2019-05-24 广州文远知行科技有限公司 一种从地图数据中获取道路信息的方法及装置
CN109839922A (zh) * 2017-11-28 2019-06-04 百度在线网络技术（北京）有限公司 用于控制无人驾驶车辆的方法及装置
CN109991984A (zh) * 2019-04-22 2019-07-09 上海蔚来汽车有限公司 用于生成高精细地图的方法、装置和计算机存储介质
CN110120075A (zh) * 2019-05-17 2019-08-13 百度在线网络技术（北京）有限公司 用于处理信息的方法和装置
CN110136181A (zh) * 2019-05-17 2019-08-16 百度在线网络技术（北京）有限公司 用于生成信息的方法和装置
CN110147382A (zh) * 2019-05-28 2019-08-20 北京百度网讯科技有限公司 车道线更新方法、装置、设备、系统及可读存储介质
CN110533055A (zh) * 2018-05-25 2019-12-03 北京京东尚科信息技术有限公司 一种点云数据的处理方法和装置
CN110866449A (zh) * 2019-10-21 2020-03-06 北京京东尚科信息技术有限公司 识别道路中目标对象的方法和装置
WO2020154968A1 (en) * 2019-01-30 2020-08-06 Baidu.Com Times Technology (Beijing) Co., Ltd. A point clouds ghosting effects detection system for autonomous driving vehicles
CN112200868A (zh) * 2020-09-30 2021-01-08 深兰人工智能(深圳)有限公司 定位方法、装置和车辆
CN112602134A (zh) * 2018-08-31 2021-04-02 株式会社电装 地图生成装置以及地图生成方法
CN112837241A (zh) * 2021-02-09 2021-05-25 贵州京邦达供应链科技有限公司 建图重影去除方法、设备及存储介质
WO2021103945A1 (zh) * 2019-11-27 2021-06-03 Oppo广东移动通信有限公司 地图融合方法及装置、设备、存储介质
CN113112444A (zh) * 2020-01-09 2021-07-13 舜宇光学（浙江）研究院有限公司 鬼像检测方法及其系统、电子设备以及鬼像检测平台
CN115407364A (zh) * 2022-09-06 2022-11-29 安徽蔚来智驾科技有限公司 点云地图处理方法、车道标注数据获取方法、设备及介质
CN116520298A (zh) * 2023-06-12 2023-08-01 北京百度网讯科技有限公司 激光雷达性能测试方法、装置、电子设备及可读存储介质
US11892311B2 (en) 2016-11-26 2024-02-06 Thinkware Corporation Image processing apparatus, image processing method, computer program and computer readable recording medium

Families Citing this family (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110148144B (zh) * 2018-08-27 2024-02-13 腾讯大地通途（北京）科技有限公司 点云数据的分割方法和装置、存储介质、电子装置
CN109285220B (zh) * 2018-08-30 2022-11-15 阿波罗智能技术(北京)有限公司 一种三维场景地图的生成方法、装置、设备及存储介质
CN109146938B (zh) 2018-08-30 2020-09-15 百度在线网络技术（北京）有限公司 动态障碍物的位置校准方法、装置、设备及存储介质
CN111061820A (zh) * 2018-10-17 2020-04-24 宝马股份公司 用于存储高精度地图的方法和装置
CN109635052B (zh) * 2018-10-31 2023-02-28 阿波罗智能技术(北京)有限公司 点云数据的处理方法、装置和存储介质
CN109597096B (zh) * 2018-12-01 2023-02-28 北醒（北京）光子科技有限公司 一种激光雷达点云处理系统及方法
KR101996623B1 (ko) 2018-12-11 2019-07-04 주식회사 맵퍼스 Gps 궤적 품질 지표를 이용한 고정밀 지도 데이터 구축 방법 및 시스템
CN111771206B (zh) * 2019-01-30 2024-05-14 百度时代网络技术（北京）有限公司 用于自动驾驶车辆的地图分区系统
CN111694903B (zh) * 2019-03-11 2023-09-12 北京地平线机器人技术研发有限公司 地图构建方法、装置、设备以及可读存储介质
KR102091580B1 (ko) * 2019-07-09 2020-03-20 주식회사 모빌테크 이동식 도면화 시스템을 이용한 도로 표지 정보 수집 방법
CN110516653A (zh) * 2019-09-03 2019-11-29 武汉天擎空间信息技术有限公司 一种基于多光谱机载激光雷达点云数据的道路提取方法
KR102288623B1 (ko) * 2019-11-18 2021-08-11 (주)이노시뮬레이션 육상이동체 시뮬레이션을 위한 정밀도로지도 데이터 처리 및 포맷변경방법
KR102276044B1 (ko) * 2019-11-25 2021-07-12 숭실대학교산학협력단 3d 포인트 클라우드의 클러스터링 방법 및 이를 수행하는 장치
CN111324601A (zh) * 2020-02-09 2020-06-23 北京工业大学 一种电子地理信息系统的山上道路数据获取与生成的方法
CN111623788A (zh) * 2020-05-29 2020-09-04 长沙酷哇人工智能及大数据产业技术研究院有限公司 用于无人驾驶的高精地图的构建方法
CN111811530B (zh) * 2020-06-16 2022-06-21 北京五一视界数字孪生科技股份有限公司 车道线生成方法、装置、存储介质及电子设备
CN113518201B (zh) * 2020-07-14 2022-08-12 阿里巴巴集团控股有限公司 视频处理方法、装置及设备
CN112537302B (zh) * 2020-11-30 2022-06-17 南通路远科技信息有限公司 一种无人驾驶交通载具车道保持方法、装置及交通载具
CN112833891B (zh) * 2020-12-31 2023-06-27 武汉光庭信息技术股份有限公司 基于卫片识别的道路数据与车道级地图数据的融合方法
CN112907746A (zh) * 2021-03-25 2021-06-04 上海商汤临港智能科技有限公司 电子地图的生成方法、装置、电子设备及存储介质
CN114777799B (zh) * 2022-06-15 2022-10-18 中汽创智科技有限公司 一种路口高精地图生成方法、装置、电子设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103645480A (zh) * 2013-12-04 2014-03-19 北京理工大学 基于激光雷达和图像数据融合的地形地貌特征构建方法
CN104766058A (zh) * 2015-03-31 2015-07-08 百度在线网络技术（北京）有限公司 一种获取车道线的方法和装置
US20150193971A1 (en) * 2014-01-03 2015-07-09 Motorola Mobility Llc Methods and Systems for Generating a Map including Sparse and Dense Mapping Information

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7629899B2 (en) * 1997-10-22 2009-12-08 Intelligent Technologies International, Inc. Vehicular communication arrangement and method
KR0158417B1 (ko) * 1995-11-24 1999-03-20 배순훈 화상처리장치를 이용한 물체의 위치 판단방법
KR100279681B1 (ko) * 1998-05-27 2001-02-01 박권상 스포츠 영상효과 처리장치
JP2007232381A (ja) * 2006-02-27 2007-09-13 Omron Corp レーダ装置
JP5388082B2 (ja) * 2006-09-07 2014-01-15 株式会社豊田中央研究所 静止物地図生成装置
JP5286653B2 (ja) * 2006-09-07 2013-09-11 株式会社豊田中央研究所 静止物地図生成装置
JP4577580B2 (ja) * 2007-04-10 2010-11-10 ソニー株式会社 位置合わせ方法、位置合わせ装置及びプログラム
JP2008276642A (ja) 2007-05-02 2008-11-13 Xanavi Informatics Corp 走行車線認識装置および走行車線認識方法
US8559693B2 (en) 2007-10-11 2013-10-15 British Columbia Cancer Agency Branch Systems and methods for automated characterization of genetic heterogeneity in tissue samples
CN101673396B (zh) * 2009-09-07 2012-05-23 南京理工大学 基于动态目标检测的图像融合方法
KR101657526B1 (ko) * 2012-01-11 2016-09-19 한화테크윈 주식회사 특징점 검사영역 설정기와 설정 방법 및 이를 구비하는 영상 안정화 장치
JP5883732B2 (ja) * 2012-07-03 2016-03-15 クラリオン株式会社 環境認識装置
US9424672B2 (en) * 2013-11-07 2016-08-23 Here Global B.V. Method and apparatus for processing and aligning data point clouds
CN103996036B (zh) * 2014-06-09 2017-07-28 百度在线网络技术（北京）有限公司 一种地图数据采集方法及装置
US20160357262A1 (en) * 2015-06-05 2016-12-08 Arafat M.A. ANSARI Smart vehicle
US10573018B2 (en) * 2016-07-13 2020-02-25 Intel Corporation Three dimensional scene reconstruction based on contextual analysis

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103645480A (zh) * 2013-12-04 2014-03-19 北京理工大学 基于激光雷达和图像数据融合的地形地貌特征构建方法
US20150193971A1 (en) * 2014-01-03 2015-07-09 Motorola Mobility Llc Methods and Systems for Generating a Map including Sparse and Dense Mapping Information
CN104766058A (zh) * 2015-03-31 2015-07-08 百度在线网络技术（北京）有限公司 一种获取车道线的方法和装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
朱蕊: "一种面向道路要素更新的几何位置一致性处理方法", 《测绘科学技术学报》 *
朱靖 等: "面向导航电子地图制作的多源地理空间数据融合技术", 《地理空间信息》 *
邹晓亮 等: "移动车载激光点云的道路标线自动识别与提取", 《测绘与空间地理信息》 *

Cited By (54)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108121764B (zh) * 2016-11-26 2022-03-11 星克跃尔株式会社 图像处理装置、图像处理方法、电脑程序及电脑可读取记录介质
US11365979B2 (en) 2016-11-26 2022-06-21 Thinkware Corporation Image processing apparatus, image processing method, computer program and computer readable recording medium
US11609101B2 (en) 2016-11-26 2023-03-21 Thinkware Corporation Image processing apparatus, image processing method, computer program and computer readable recording medium
CN108121764A (zh) * 2016-11-26 2018-06-05 星克跃尔株式会社 图像处理装置、图像处理方法、电脑程序及电脑可读取记录介质
US11892311B2 (en) 2016-11-26 2024-02-06 Thinkware Corporation Image processing apparatus, image processing method, computer program and computer readable recording medium
CN108286976A (zh) * 2017-01-09 2018-07-17 北京四维图新科技股份有限公司 一种点云数据的融合方法和装置、以及混合导航系统
CN107316048A (zh) * 2017-05-03 2017-11-03 深圳市速腾聚创科技有限公司 点云分类方法及装置
CN107316048B (zh) * 2017-05-03 2020-08-28 深圳市速腾聚创科技有限公司 点云分类方法及装置
CN109839922B (zh) * 2017-11-28 2020-11-10 百度在线网络技术（北京）有限公司 用于控制无人驾驶车辆的方法及装置
CN109839922A (zh) * 2017-11-28 2019-06-04 百度在线网络技术（北京）有限公司 用于控制无人驾驶车辆的方法及装置
CN108030452A (zh) * 2017-11-30 2018-05-15 深圳市沃特沃德股份有限公司 视觉扫地机器人及建立场景地图的方法
CN107958451A (zh) * 2017-12-27 2018-04-24 深圳普思英察科技有限公司 视觉高精度地图制作方法和装置
CN108564657A (zh) * 2017-12-28 2018-09-21 达闼科技（北京）有限公司 一种基于云端的地图构建方法、电子设备和可读存储介质
CN108195382A (zh) * 2017-12-28 2018-06-22 湖北省测绘工程院 一种高精度导航图精度配准方法及装置
US11067669B2 (en) 2017-12-29 2021-07-20 Baidu Online Network Technology (Beijing) Co., Ltd. Method and apparatus for adjusting point cloud data acquisition trajectory, and computer readable medium
EP3505868A1 (en) * 2017-12-29 2019-07-03 Baidu Online Network Technology (Beijing) Co., Ltd. Method and apparatus for adjusting point cloud data acquisition trajectory, and computer readable medium
CN108279670A (zh) * 2017-12-29 2018-07-13 百度在线网络技术（北京）有限公司 用于调整点云数据采集轨迹的方法、设备以及计算机可读介质
CN108460791A (zh) * 2017-12-29 2018-08-28 百度在线网络技术（北京）有限公司 用于处理点云数据的方法和装置
CN108279670B (zh) * 2017-12-29 2021-12-10 百度在线网络技术（北京）有限公司 用于调整点云数据采集轨迹的方法、设备以及计算机可读介质
CN108109437B (zh) * 2018-01-24 2021-01-12 广东容祺智能科技有限公司 一种基于地图特征的无人机自主航线提取生成方法
CN108109437A (zh) * 2018-01-24 2018-06-01 广东容祺智能科技有限公司 一种基于地图特征的无人机自主航线提取生成方法
CN110533055B (zh) * 2018-05-25 2022-04-26 北京京东尚科信息技术有限公司 一种点云数据的处理方法和装置
CN110533055A (zh) * 2018-05-25 2019-12-03 北京京东尚科信息技术有限公司 一种点云数据的处理方法和装置
US11624827B2 (en) 2018-07-04 2023-04-11 Apollo Intelligent Driving Technology (Beijing) Co., Ltd. Method for generating a high precision map, apparatus and storage medium
CN109064506A (zh) * 2018-07-04 2018-12-21 百度在线网络技术（北京）有限公司 高精度地图生成方法、装置及存储介质
CN112602134A (zh) * 2018-08-31 2021-04-02 株式会社电装 地图生成装置以及地图生成方法
CN112602134B (zh) * 2018-08-31 2022-08-30 株式会社电装 地图生成装置以及地图生成方法
CN109459734B (zh) * 2018-10-30 2020-09-11 百度在线网络技术（北京）有限公司 一种激光雷达定位效果评估方法、装置、设备及存储介质
CN109459734A (zh) * 2018-10-30 2019-03-12 百度在线网络技术（北京）有限公司 一种激光雷达定位效果评估方法、装置、设备及存储介质
CN109635701B (zh) * 2018-12-05 2023-04-18 宽凳（北京）科技有限公司 车道通行属性获取方法、装置和计算机可读存储介质
CN109635701A (zh) * 2018-12-05 2019-04-16 宽凳（北京）科技有限公司 车道通行属性获取方法、装置和计算机可读存储介质
CN109633665A (zh) * 2018-12-17 2019-04-16 北京主线科技有限公司 交通场景稀疏激光点云拼接方法
CN109798903A (zh) * 2018-12-19 2019-05-24 广州文远知行科技有限公司 一种从地图数据中获取道路信息的方法及装置
CN109801240B (zh) * 2019-01-15 2020-12-08 武汉鸿瑞达信息技术有限公司 一种图像增强方法以及图像增强装置
CN109801240A (zh) * 2019-01-15 2019-05-24 武汉鸿瑞达信息技术有限公司 一种图像增强方法以及图像增强装置
CN111771229A (zh) * 2019-01-30 2020-10-13 百度时代网络技术（北京）有限公司 用于自动驾驶车辆的点云重影效果检测系统
WO2020154968A1 (en) * 2019-01-30 2020-08-06 Baidu.Com Times Technology (Beijing) Co., Ltd. A point clouds ghosting effects detection system for autonomous driving vehicles
CN111771229B (zh) * 2019-01-30 2023-11-21 百度时代网络技术（北京）有限公司 用于自动驾驶车辆的点云重影效果检测系统
CN109991984B (zh) * 2019-04-22 2024-04-30 上海蔚来汽车有限公司 用于生成高精细地图的方法、装置和计算机存储介质
CN109991984A (zh) * 2019-04-22 2019-07-09 上海蔚来汽车有限公司 用于生成高精细地图的方法、装置和计算机存储介质
CN110120075A (zh) * 2019-05-17 2019-08-13 百度在线网络技术（北京）有限公司 用于处理信息的方法和装置
CN110136181A (zh) * 2019-05-17 2019-08-16 百度在线网络技术（北京）有限公司 用于生成信息的方法和装置
CN110120075B (zh) * 2019-05-17 2021-09-07 百度在线网络技术（北京）有限公司 用于处理信息的方法和装置
CN110136181B (zh) * 2019-05-17 2021-08-20 百度在线网络技术（北京）有限公司 用于生成信息的方法和装置
CN110147382A (zh) * 2019-05-28 2019-08-20 北京百度网讯科技有限公司 车道线更新方法、装置、设备、系统及可读存储介质
CN110866449A (zh) * 2019-10-21 2020-03-06 北京京东尚科信息技术有限公司 识别道路中目标对象的方法和装置
WO2021103945A1 (zh) * 2019-11-27 2021-06-03 Oppo广东移动通信有限公司 地图融合方法及装置、设备、存储介质
CN113112444A (zh) * 2020-01-09 2021-07-13 舜宇光学（浙江）研究院有限公司 鬼像检测方法及其系统、电子设备以及鬼像检测平台
CN113112444B (zh) * 2020-01-09 2022-05-31 舜宇光学（浙江）研究院有限公司 鬼像检测方法及其系统、电子设备以及鬼像检测平台
CN112200868A (zh) * 2020-09-30 2021-01-08 深兰人工智能(深圳)有限公司 定位方法、装置和车辆
CN112837241A (zh) * 2021-02-09 2021-05-25 贵州京邦达供应链科技有限公司 建图重影去除方法、设备及存储介质
CN115407364A (zh) * 2022-09-06 2022-11-29 安徽蔚来智驾科技有限公司 点云地图处理方法、车道标注数据获取方法、设备及介质
CN116520298A (zh) * 2023-06-12 2023-08-01 北京百度网讯科技有限公司 激光雷达性能测试方法、装置、电子设备及可读存储介质
CN116520298B (zh) * 2023-06-12 2024-08-27 北京百度网讯科技有限公司 激光雷达性能测试方法、装置、电子设备及可读存储介质

Also Published As

Publication number Publication date
EP3343503A1 (en) 2018-07-04
JP6664470B2 (ja) 2020-03-13
US10628712B2 (en) 2020-04-21
JP2018534603A (ja) 2018-11-22
EP3343503B1 (en) 2020-02-19
WO2017041390A1 (zh) 2017-03-16
US20180253625A1 (en) 2018-09-06
KR102037820B1 (ko) 2019-10-29
CN105260988B (zh) 2019-04-05
KR20180041176A (ko) 2018-04-23
EP3343503A4 (en) 2018-08-08

Similar Documents

Publication Publication Date Title
CN105260988A (zh) 一种高精地图数据的处理方法和装置
CN111551958B (zh) 一种面向矿区无人驾驶的高精地图制作方法
CN107144285B (zh) 位姿信息确定方法、装置和可移动设备
CN108369420B (zh) 用于自主定位的设备和方法
CN110705458B (zh) 边界检测方法及装置
JP2022523613A (ja) レーンマッピング及びナビゲーション
JP5162849B2 (ja) 不動点位置記録装置
CN106584451B (zh) 一种基于视觉导航的变电站自动构图机器人及方法
CN111291697B (zh) 用于识别障碍物的方法和装置
CN111006655A (zh) 机场巡检机器人多场景自主导航定位方法
Stahl et al. ROS-based localization of a race vehicle at high-speed using LIDAR
EP3671278B1 (en) Road surface detection
JP4984659B2 (ja) 自車両位置推定装置
CN113537046A (zh) 基于检测车辆轨迹大数据的地图车道线标注方法及系统
CN110412596A (zh) 一种基于图像信息和激光点云的机器人定位方法
CN109636842A (zh) 车道线修正方法、装置、设备及存储介质
CN110864696A (zh) 一种基于车载激光惯导数据的三维高精地图绘制方法
CN117824697A (zh) 用于基于地图的真实世界建模的系统和方法
Gressenbuch et al. Mona: The munich motion dataset of natural driving
Soheilian et al. Generation of an integrated 3D city model with visual landmarks for autonomous navigation in dense urban areas
Guo et al. Occupancy grid based urban localization using weighted point cloud
CN115562076B (zh) 用于无人驾驶矿车的仿真系统、方法以及存储介质
JP6837626B1 (ja) 地物データの生成システム、地物データベース更新システム及び地物データの生成方法
CN109901589B (zh) 移动机器人控制方法和装置
CN118628767A (zh) 一种基于点云地图的动态目标点云剔除方法、装置、电子设备及存储介质

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant