CN106097444B - 高精地图生成方法和装置 - Google Patents
高精地图生成方法和装置 Download PDFInfo
- Publication number
- CN106097444B CN106097444B CN201610371676.0A CN201610371676A CN106097444B CN 106097444 B CN106097444 B CN 106097444B CN 201610371676 A CN201610371676 A CN 201610371676A CN 106097444 B CN106097444 B CN 106097444B
- Authority
- CN
- China
- Prior art keywords
- grid
- map
- grid map
- laser point
- dimensional laser
- 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.)
- Active
Links
Classifications
-
- 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
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3863—Structures of map data
- G01C21/387—Organisation of map data, e.g. version management or database structures
- G01C21/3881—Tile-based structures
-
- 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
- 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
- G01C21/34—Route searching; Route guidance
- G01C21/36—Input/output arrangements for on-board computers
- G01C21/3691—Retrieval, searching and output of information related to real-time traffic, weather, or environmental conditions
- G01C21/3694—Output thereof on a road map
-
- 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
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3807—Creation or updating of map data characterised by the type of data
- G01C21/3811—Point data, e.g. Point of Interest [POI]
-
- 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
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3807—Creation or updating of map data characterised by the type of data
- G01C21/3815—Road data
- G01C21/3819—Road shape data, e.g. outline of a route
-
- 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
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3807—Creation or updating of map data characterised by the type of data
- G01C21/3815—Road data
- G01C21/3822—Road feature data, e.g. slope data
-
- 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
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3833—Creation or updating of map data characterised by the source of data
- G01C21/3837—Data obtained from a single source
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/005—General purpose rendering architectures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/10—Geometric effects
- G06T15/20—Perspective computation
- G06T15/205—Image-based rendering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Abstract
本申请公开了高精地图生成方法和装置。所述方法的一具体实施方式包括:获取用于生成高精地图的三维激光点云数据以及网格地图的相关信息;确定所述三维激光点云数据中每个三维激光点数据在所述网格地图中的位置信息;对所述网格地图中的每个像素点,使用所述三维激光点云数据中相应的三维激光点数据的反射值渲染该像素点,从而生成所述网格地图中的各个网格图像;采用机器学习算法,对所述网格地图中的每个网格图像,识别该网格图像中的交通信息;对所述网格地图中各个网格图像的交通信息聚类,得到所述网格地图的交通信息;将所述网格地图的交通信息加载到所述网格地图中以生成高精地图。该实施方式实现了高精度、多维度的高精地图生成。
Description
技术领域
本申请涉及计算机技术领域,具体涉及电子地图领域,尤其涉及高精地图生成方法和装置。
背景技术
随着科技的发展,电子地图的应用已经越来越普遍。一方面,人们可以使用电子地图进行导航来帮助人们出行;另外,随着无人驾驶车辆的兴起,无人驾驶车辆可以利用电子地图来对周围环境进行认知,从而控制无人驾驶车辆的转向、加速或减速等行为。
现有电子地图数据普遍采用卫星地图测绘得到粗略地图,再人工定期进行导航地图信息的更新,存在的问题是:精度不高,通常是米级甚至几十米的误差;数据维度不够,例如没有道路车道线信息、高度信息、道路形状信息、道路坡度信息、道路曲率信息、道路方向信息、车道宽度信息、防撞护栏信息、道路边缘信息等各种维度的信息;数据生产效率低,需要大量人工操作。
发明内容
本申请的目的在于提出一种改进的高精地图生成方法和装置,来解决以上背景技术部分提到的技术问题。
第一方面,本申请提供了一种高精地图生成方法,所述方法包括:获取用于生成高精地图的三维激光点云数据以及用于生成高精地图的网格地图的相关信息,其中,所述三维激光点云数据包括至少一个三维激光点数据,所述三维激光点数据包括三维坐标和反射值,所述网格地图由M行N列的大小相同的网格图像组成,所述M和N均为正整数,所述网格地图的相关信息包括:所述网格地图的行数和列数,所述网格地图的单位像素长度,所述网格地图中每个网格图像的横向像素数和纵向像素数,其中,所述网格图像的单位像素长度用于表征所述网格地图中一个像素所代表的物理长度;对所述三维激光点云数据中每个三维激光点数据,根据该三维激光点数据的三维坐标和所述网格地图的相关信息,确定该三维激光点数据在所述网格地图中的位置信息,其中,所述位置信息包括该三维激光点数据所在网格图像在所述网格地图中的行号和列号以及该三维激光点数据在所述网格地图中的坐标;对所述网格地图中各个网格图像中的每个像素点,使用所述三维激光点云数据中在所述网格地图中的坐标与该像素点的坐标相同的三维激光点数据的反射值渲染该像素点,从而生成所述网格地图中的各个网格图像;采用机器学习算法,对所述网格地图中的每个网格图像,识别该网格图像中的交通信息,所述交通信息包括以下至少一项:道路形状信息、道路坡度信息、道路曲率信息、道路方向信息、车道宽度信息、防撞护栏信息、道路边缘信息、车道线信息、导流线信息;采用机器学习算法,利用所述网格地图中各个网格图像间的位置关系对所述网格地图中各个网格图像的交通信息进行聚类,得到所述网格地图的交通信息;将所述网格地图的交通信息加载到所述网格地图中以生成高精地图。
第二方面,本申请提供了一种高精地图生成装置,所述装置包括:获取单元,配置用于获取用于生成高精地图的三维激光点云数据以及用于生成高精地图的网格地图的相关信息,其中,所述三维激光点云数据包括至少一个三维激光点数据,所述三维激光点数据包括三维坐标和反射值,所述网格地图由M行N列的大小相同的网格图像组成,所述M和N均为正整数,所述网格地图的相关信息包括:所述网格地图的行数和列数,所述网格地图的单位像素长度,所述网格地图中每个网格图像的横向像素数和纵向像素数,其中,所述网格图像的单位像素长度用于表征所述网格地图中一个像素所代表的物理长度;确定单元,配置用于对所述三维激光点云数据中每个三维激光点数据,根据该三维激光点数据的三维坐标和所述网格地图的相关信息,确定该三维激光点数据在所述网格地图中的位置信息,其中,所述位置信息包括该三维激光点数据所在网格图像在所述网格地图中的行号和列号以及该三维激光点数据在所述网格地图中的坐标;渲染单元,配置用于对所述网格地图中各个网格图像中的每个像素点,使用所述三维激光点云数据中在所述网格地图中的坐标与该像素点的坐标相同的三维激光点数据的反射值渲染该像素点,从而生成所述网格地图中的各个网格图像;识别单元,配置用于采用机器学习算法,对所述网格地图中的每个网格图像,识别该网格图像中的交通信息,所述交通信息包括以下至少一项:道路形状信息、道路坡度信息、道路曲率信息、道路方向信息、车道宽度信息、防撞护栏信息、道路边缘信息、车道线信息、导流线信息;聚类单元,配置用于采用机器学习算法,利用所述网格地图中各个网格图像间的位置关系对所述网格地图中各个网格图像的交通信息进行聚类,得到所述网格地图的交通信息;生成单元,配置用于将所述网格地图的交通信息加载到所述网格地图中以生成高精地图。
本申请提供的高精地图生成方法和装置,通过获取三维激光点云数据作为输入,而后将三维激光点云数据对应到网格地图的各个网格图像中,接着使用三维激光点云数据中各个三维激光点数据的反射值渲染对应的网格地图的网格图像中的相应像素点,之后提取各个网格图像中的交通信息并聚类得到网格地图的交通信息,最后把交通信息加载到网格地图中以生成高精地图。从而实现了高精度的多维度高精地图生成。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是根据本申请的高精地图生成方法的一个实施例的流程图;
图2是根据本申请的高精地图生成方法的又一个实施例的流程图;
图3a-3b示出了交通信息聚类结果的效果示意图;
图4是根据本申请的高精地图生成装置的一个实施例的结构示意图;
图5是适于用来实现本申请实施例的终端设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请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相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
请参考图1,其示出了根据本申请的高精地图生成方法的一个实施例的流程100。所述的高精地图生成方法,包括以下步骤:
步骤101,获取用于生成高精地图的三维激光点云数据以及用于生成高精地图的网格地图的相关信息。
在本实施例中,用于生成高精地图的三维激光点云数据可以通过激光扫描仪来采集并处理后存储于高精地图生成方法运行于其上的电子设备本地,也可以存储于与上述电子设备相连接的其他电子设备中,这样上述电子设备可以本地或者远程地获取用于生成高精地图的三维激光点云数据。这里,三维激光点云数据包括至少一个三维激光点数据,三维激光点数据包括三维坐标和反射值。
在本实施例中,用于生成高精地图的网格地图的相关信息可以存储于高精地图生成方法运行于其上的电子设备本地,也可以存储于与上述电子设备相连接的其他电子设备中,这样上述电子设备可以本地或者远程地获取用于生成高精地图的网格地图的相关信息。这里,网格地图由M行N列的大小相同的网格图像组成,其中,M和N均为正整数;网格地图的相关信息包括:网格地图的行数和列数,网格地图的单位像素长度,网格地图中每个网格图像的横向像素数和纵向像素数,其中,网格地图的单位像素长度用于表征网格地图中一个像素所代表的物理长度,例如,网格地图的单位像素长度3厘米的涵义就是在网格地图中每个像素所代表的物理长度是3厘米。理论上,网格地图的单位像素长度越小,所生成的高精地图的精度越高,但单位像素长度过小会导致计算数据量增多。
步骤102,对三维激光点云数据中每个三维激光点数据,根据该三维激光点数据的三维坐标和网格地图的相关信息,确定该三维激光点数据在网格地图中的位置信息。
在本实施例中,上述电子设备可以对三维激光点云数据中每个三维激光点数据,根据该三维激光点数据的三维坐标和步骤101中获取的网格地图的行数和列数、网格地图的单位像素长度以及网格地图中每个网格图像的横向像素数和纵向像素数,确定该三维激光点数据在网格地图中的位置信息。其中,三维激光点数据在网格地图中的位置信息包括三维激光点数据所在网格图像在上述网格地图中的行号和列号以及三维激光点数据在上述网格地图中的坐标。
在本实施例的一些可选的实现方式中,上述电子设备可以在步骤101之前建立世界坐标系,并且上述三维激光点云数据的三维坐标、上述网格地图的坐标以及待生成的高精地图的坐标均是基于该世界坐标系的坐标。这样,上述电子设备可以首先获取上述世界坐标系原点的坐标,然后对上述三维激光点云数据中每个三维激光点数据按照如下公式,确定该三维激光点数据在上述网格地图中的位置信息:
r=[(y–yorigin)÷(dispix×hpix)]+1
c=[(x–xorigin)÷(dispix×wpix)]+1
i=[(x–xorigin)÷dispix]+1
j=[(y–yorigin)÷dispix]+1
u=i%wpix
v=hpix-j%hpix
其中,x和y分别是该三维激光点数据的三维坐标中的横坐标和纵坐标,r和c分别是计算所得的该三维激光点数据所在网格图像在上述网格地图中的行号和列号,i和j分别是计算所得的该三维激光点数据在上述网格地图中的横坐标和纵坐标,u和v分别是计算所得的上述网格地图中坐标(i,j)对应的像素点在r行c列所指示的网格图像中的横坐标和纵坐标,x、y、r、c、i、j、u、v均为正整数,u的取值范围为1到wpix之间的正整数,v的取值范围为1到hpix之间的正整数,其中,网格图像的坐标原点为网格图像的左上角,上述网格地图的坐标原点为左下角,xorigin和yorigin分别是上述世界坐标系原点的横坐标和纵坐标,wpix和hpix分别是上述网格地图中网格图像的横向像素数和纵向像素数,dispix是上述网格地图的单位像素长度。
在本申请中,[(y–yorigin)÷(dispix×hpix)]表示的是:对(y–yorigin)除以(dispix×hpix)所得的结果向下取整,[(x–xorigin)÷(dispix×wpix)]表示的是:对(x–xorigin)除以(dispix×wpix)所得的结果向下取整,[(x–xorigin)÷dispix]表示的是:对(x–xorigin)除以dispix所得的结果向下取整,[(y–yorigin)÷dispix]表示的是:对(y–yorigin)除以dispix所得的结果向下取整,i%wpix表示的是:i除以wpix的余数,j%hpix表示的是:j除以hpix的余数。
在本实施例的一些可选的实现方式中,上述世界坐标系可以为UTM(UniversalTransverse Mercartor,通用横墨卡托)世界坐标系。
步骤103,对网格地图中各个网格图像中的每个像素点,使用三维激光点云数据中在网格地图中的坐标与该像素点的坐标相同的三维激光点数据的反射值渲染该像素点,从而生成网格地图中的各个网格图像。
在本实施例中,上述电子设备可以对网格地图中各个网格图像中的每个像素点,使用三维激光点云数据中在网格地图中的坐标与该像素点的坐标相同的三维激光点数据的反射值渲染该像素点,从而生成网格地图中的各个网格图像。这里,对网格地图中各个网格图像中的每个像素点,当三维激光点云数据中在网格地图中的坐标与该像素点的坐标相同的三维激光点数据的个数是一个的时候,直接使用该三维激光点数据的反射值渲染该像素点;当三维激光点云数据中在网格地图中的坐标与该像素点的坐标相同的三维激光点数据的个数多于一个的时候可以采用各种方法计算出渲染该像素点的反射值,例如可以采用三维激光点云数据中在网格地图中的坐标与该像素点的坐标相同的多个三维激光点数据中的各个三维激光点数据的反射值的平均值来作为渲染该像素点的反射值,或者可以对三维激光点云数据中在网格地图中的坐标与该像素点的坐标相同的多个三维激光点数据进行噪声滤波,去除噪声三维激光点数据,使用去除噪声后的上述多个三维激光点数据中各个三维激光点数据的反射值的平均值来作为渲染该像素点的反射值。
在本实施例的一些可选的实现方式中,上述反射值可以是颜色值和/或亮度值。例如,反射值可以是RGB(Red Green Blue,红绿蓝)色彩模式的三原色:红色、绿色和蓝色的亮度值;反射值还可以是HSV(Hue Saturation Value,色调饱和度明度)色彩模式的色调值、饱和度值和明度值;反射值也可以是HSL(Hue Saturation Lightness,色相饱和度亮度)色彩模式的色相值、饱和度值和亮度值。
步骤104,采用机器学习算法,对网格地图中的每个网格图像,识别该网格图像中的交通信息。
在本实施例中,上述电子设备可以采用机器学习算法,对网格地图中的每个网格图像,识别该网格图像中的交通信息。这里,交通信息包括以下至少一项:道路形状信息、道路坡度信息、道路曲率信息、道路方向信息、车道宽度信息、防撞护栏信息、道路边缘信息、车道线信息、导流线信息。
在本实施例中,上述电子设备可以采用样本网格图像对交通信息识别的模型进行训练,得到识别模型的参数和输出。在识别时将步骤103渲染后的网格地图中的每个网格图像输入该模型中,并输出相应的交通信息识别结果。作为示例,对识别交通信息中的车道线而言,可以采用Hough变换(霍夫变换)来识别网格图像中的长直线。Hough变换是一种基于投票机制的参数确定方法。首先采用边缘提取方法将图像中的边缘特征的点提取出来,然后确定直线的参数从而提取出网格图像中的多条直线。之后,可以将直线的长度、直线间的距离与车身宽度的关系、以及车道线的宽度等作为特征,训练识别模型。
在本实施例的一些可选的实现方式中,上述机器学习算法可以为全卷积神经网络算法。
步骤105,采用机器学习算法,利用网格地图中各个网格图像间的位置关系对网格地图中各个网格图像的交通信息进行聚类,得到网格地图的交通信息。
在本实施例中,由于步骤104得出的仅仅是每个网格图像局部的交通信息,因此上述电子设备可以在步骤104识别得出的网格地图中各个网格图像的交通信息的基础上,采用机器学习算法,利用各个网格图像间的位置关系对各个网格图像的交通信息进行聚类,得到网格地图的交通信息。上述各个网格图像间的位置关系是指根据各个网格图像的行号和列号可以确定的位置关系,例如,对于行号相邻的两个网格图像的位置关系为上下相邻,对于列号相邻的两个网格图像的位置关系为左右相邻,而对于四个行号列号为:(r,c)、(r,c+1)、(r+1,c)、(r+1,c+1)的网格图像,则可以组成左上角行号列号为(r+1,c),右上角为(r+1,c+1)、左下角行号列号为(r,c)、右下角行号列号为(r,c+1)的四个网格图像组成的长方形的更大的网格图像。其中r和c均为正整数,r和r+1均表示网格图像的行号,c和c+1均表示网格图像的列号。上述聚类的算法可以是各种聚类算法,例如,K-MEANS算法、K-MEDOIDS算法、CLARANS算法、BIRCH算法、CURE算法、CHAMELEON算法、DBSCAN算法、OPTICS算法、DENCLUE算法、STING算法、CLIQUE算法、WAVE-CLUSTER算法以及基于模型的方法(如,统计的方法和神经网络的方法)等。
步骤106,将网格地图的交通信息加载到网格地图中以生成高精地图。
在本实施例中,上述电子设备可以将步骤105中得到的网格地图的交通信息加载到网格地图中以生成高精地图。
本申请的上述实施例提供的方法,通过将三维激光点云数据映射到网格地图的各个网格图像中,并提取网格地图中的交通信息,最后把交通信息加载到网格地图中以生成高精地图。从而实现了高精度的多维度高精地图生成。
进一步参考图2,其示出了高精地图生成方法的又一个实施例的流程200。该高精地图生成方法的流程200,包括以下步骤:
步骤201,获取用于生成高精地图的三维激光点云数据以及用于生成高精地图的网格地图的相关信息。
在本实施例中,用于生成高精地图的三维激光点云数据可以通过激光扫描仪来采集并处理后存储于高精地图生成方法运行于其上的电子设备本地,也可以存储于与上述电子设备相连接的其他电子设备中,这样上述电子设备可以本地或者远程地获取用于生成高精地图的三维激光点云数据。这里,三维激光点云数据包括至少一个三维激光点数据,三维激光点数据包括三维坐标和反射值。
在本实施例中,用于生成高精地图的网格地图的相关信息可以存储于高精地图生成方法运行于其上的电子设备本地,也可以存储于与上述电子设备相连接的其他电子设备中,这样上述电子设备可以本地或者远程地获取用于生成高精地图的网格地图的相关信息。这里,网格地图由M行N列的大小相同的网格图像组成,其中,M和N均为正整数;网格地图的相关信息包括:网格地图的行数和列数,网格地图的单位像素长度,网格地图中每个网格图像的横向像素数和纵向像素数,其中,网格地图的单位像素长度用于表征网格地图中一个像素所代表的物理长度。
步骤202,对三维激光点云数据中每个三维激光点数据,根据该三维激光点数据的三维坐标和网格地图的相关信息,确定该三维激光点数据在网格地图中的位置信息。
在本实施例中,上述电子设备可以对三维激光点云数据中每个三维激光点数据,根据该三维激光点数据的三维坐标和步骤201中获取的网格地图的行数和列数、网格地图的单位像素长度以及网格地图中每个网格图像的横向像素数和纵向像素数,确定该三维激光点数据在网格地图中的位置信息。其中,三维激光点数据在网格地图中的位置信息包括三维激光点数据所在网格图像在上述网格地图中的行号和列号以及三维激光点数据在上述网格地图中的坐标。
步骤203,对网格地图中各个网格图像中的每个像素点,使用三维激光点云数据中在网格地图中的坐标与该像素点的坐标相同的三维激光点数据的反射值渲染该像素点,从而生成网格地图中的各个网格图像。
在本实施例中,上述电子设备可以对网格地图中各个网格图像中的每个像素点,使用三维激光点云数据中在网格地图中的坐标与该像素点的坐标相同的三维激光点数据的反射值渲染该像素点,从而生成网格地图中的各个网格图像。这里,对网格地图中各个网格图像中的每个像素点,当三维激光点云数据中在网格地图中的坐标与该像素点的坐标相同的三维激光点数据的个数是一个的时候,直接使用该三维激光点数据的反射值渲染该像素点;当三维激光点云数据中在网格地图中的坐标与该像素点的坐标相同的三维激光点数据的个数多于一个的时候可以采用各种方法计算出渲染该像素点的反射值。
步骤204,采用机器学习算法,对网格地图中的每个网格图像,识别该网格图像中的交通信息。
在本实施例中,上述电子设备可以采用机器学习算法,对网格地图中的每个网格图像,识别该网格图像中的交通信息。这里,交通信息包括以下至少一项:道路形状信息、道路坡度信息、道路曲率信息、道路方向信息、车道宽度信息、防撞护栏信息、道路边缘信息、车道线信息、导流线信息。
在本实施例中,上述电子设备可以采用样本网格图像对交通信息识别的模型进行训练,得到识别模型的参数和输出。在识别时将步骤203渲染后的网格地图中的每个网格图像输入该模型中,并输出相应的交通信息识别结果。
步骤205,为网格地图设置至少一个不同的单位像素长度,从而生成至少一个不同单位像素长度的网格地图。
在本实施例中,上述电子设备可以为上述网格地图设置至少一个不同的单位像素长度,从而生成至少一个不同单位像素长度的网格地图。作为示例,原网格地图由10行10列的网格图像组成,每个网格图像由100*100的像素组成,单位像素长度为0.1米,每个网格图像能表示的范围是10米*10米,为该网格地图设置新的单位像素长度为0.2米,这样就得到新的网格单位像素长度为0.2米的网格地图,新的网格地图的单位像素长度是原来的2倍,从而新的网格地图中每个网格图像所能表示的物理长度是原来的2倍。
步骤206,采用机器学习算法,对至少一个不同单位像素长度的网格地图中各个网格图像的交通信息,利用各个网格图像间的位置关系,对各个网格图像的交通信息进行聚类,得到网格地图的交通信息以及交通信息中的坐标数据。
在本实施例中,上述电子设备可以采用机器学习算法,对步骤205中生成的至少一个不同单位像素长度的网格地图中每个网格地图,利用该网格地图中各个网格图像间的位置关系,对该网格地图中各个网格图像的交通信息进行聚类,得到该网格地图的交通信息;再利用机器学习算法,对上述至少一个不同单位像素长度的网格地图中每个网格地图的交通信息进行聚类,就可以得到最终的网格地图的交通信息。上述聚类的算法可以是各种聚类算法。
由于上述至少一个不同单位像素长度的网格地图中的各个网格图像的单位像素长度不同,因而每个像素所能表达的物理长度不同,从而导致不同单位像素长度的网格地图中单个网格图像所能表达的物理长度也会不同,这样就可能造成分布在一个网格地图中处于不同的网格图像中的交通信息在另外一个网格地图中可能处于同一个网格图像中,从而可以对处于不同的网格图像中的交通信息进行聚类,得到新的交通信息。
步骤207,将网格地图的交通信息加载到网格地图中以生成高精地图。
在本实施例中,上述电子设备可以将步骤206中得到的网格地图的交通信息加载到网格地图中以生成高精地图。
从图2中可以看出,与图1对应的实施例相比,本实施例中的高精地图生成方法的流程200突出了对网格地图设置不同的单位像素长度的步骤。由此,本实施例描述的方案可以引入更多尺度的网格地图,从而实现更高精度的高精地图生成。
进一步参考图3a-3b,其示出了本申请上述步骤205-206的处理效果的示意图。图3a中,图标301、302和303是三个空间连续的网格图像,其中301、302和303上贯穿了同一根车道线,但是在步骤204的识别结果中只有网格图像301中识别出了车道线304,网格图像303中识别出了车道线305,而在网格图像302中没有识别出车道线。通过步骤205以及步骤206的聚类处理后,将车道线304和车道线305合并,得到如图3b所示的新的更长的车道线306。
继续参考图4,作为对上述各图所示方法的实现,本申请提供了一种高精地图生成装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图4所示,本实施例所述的高精地图生成装置400包括:获取单元401、确定单元402、渲染单元403、识别单元404、聚类单元405和生成单元406。其中,获取单元401,配置用于获取用于生成高精地图的三维激光点云数据以及用于生成高精地图的网格地图的相关信息,其中,上述三维激光点云数据包括至少一个三维激光点数据,上述三维激光点数据包括三维坐标和反射值,上述网格地图由M行N列的大小相同的网格图像组成,上述M和N均为正整数,上述网格地图的相关信息包括:上述网格地图的行数和列数,上述网格地图的单位像素长度,上述网格地图中每个网格图像的横向像素数和纵向像素数,其中,上述网格图像的单位像素长度用于表征上述网格地图中一个像素所代表的物理长度;确定单元402,配置用于对上述三维激光点云数据中每个三维激光点数据,根据该三维激光点数据的三维坐标和上述网格地图的相关信息,确定该三维激光点数据在上述网格地图中的位置信息,其中,上述位置信息包括该三维激光点数据所在网格图像在上述网格地图中的行号和列号以及该三维激光点数据在上述网格地图中的坐标;渲染单元403,配置用于对上述网格地图中各个网格图像中的每个像素点,使用上述三维激光点云数据中在上述网格地图中的坐标与该像素点的坐标相同的三维激光点数据的反射值渲染该像素点,从而生成上述网格地图中的各个网格图像;识别单元404,配置用于采用机器学习算法,对上述网格地图中的每个网格图像,识别该网格图像中的交通信息,上述交通信息包括以下至少一项:道路形状信息、道路坡度信息、道路曲率信息、道路方向信息、车道宽度信息、防撞护栏信息、道路边缘信息、车道线信息、导流线信息;聚类单元405,配置用于采用机器学习算法,利用上述网格地图中各个网格图像间的位置关系对上述网格地图中各个网格图像的交通信息进行聚类,得到上述网格地图的交通信息;生成单元406,配置用于将上述网格地图的交通信息加载到上述网格地图中以生成高精地图。
在本实施例中,用于生成高精地图的三维激光点云数据可以通过激光扫描仪来采集并处理后存储于上述高精地图生成装置400应用于其上的电子设备本地,也可以存储于与上述电子设备相连接的其他电子设备中,这样上述获取单元401可以本地或者远程地获取用于生成高精地图的三维激光点云数据。这里,三维激光点云数据包括至少一个三维激光点数据,三维激光点数据包括三维坐标和反射值。
在本实施例中,用于生成高精地图的网格地图的相关信息可以存储于上述高精地图生成装置400应用于其上的电子设备本地,也可以存储于与上述电子设备相连接的其他电子设备中,这样上述获取单元401可以本地或者远程地获取用于生成高精地图的网格地图的相关信息。这里,网格地图由M行N列的大小相同的网格图像组成,其中,M和N均为正整数;网格地图的相关信息包括:网格地图的行数和列数,网格地图的单位像素长度,网格地图中每个网格图像的横向像素数和纵向像素数,其中,网格地图的单位像素长度用于表征网格地图中一个像素所代表的物理长度,例如,网格地图的单位像素长度3厘米的涵义就是在网格地图中每个像素所代表的真实事件的长度是3厘米。理论上,网格地图的单位像素长度越小,所生成的高精地图的精度越高,但单位像素长度过小会导致计算数据量增多。
在本实施例中,上述确定单元402可以对三维激光点云数据中每个三维激光点数据,根据该三维激光点数据的三维坐标和获取单元401中获取的网格地图的行数和列数、网格地图的单位像素长度以及网格地图中每个网格图像的横向像素数和纵向像素数,确定该三维激光点数据在网格地图中的位置信息。其中,三维激光点数据在网格地图中的位置信息包括三维激光点数据所在网格图像在上述网格地图中的行号和列号以及三维激光点数据在上述网格地图中的坐标。
在本实施例中,高精地图生成装置400的渲染单元403可以对网格地图中各个网格图像中的每个像素点,使用三维激光点云数据中在网格地图中的坐标与该像素点的坐标相同的三维激光点数据的反射值渲染该像素点,从而生成网格地图中的各个网格图像。这里,对网格地图中各个网格图像中的每个像素点,当三维激光点云数据中在网格地图中的坐标与该像素点的坐标相同的三维激光点数据的个数是一个的时候,直接使用该三维激光点数据的反射值渲染该像素点;当三维激光点云数据中在网格地图中的坐标与该像素点的坐标相同的三维激光点数据的个数多于一个的时候可以采用各种方法计算出渲染该像素点的反射值。
在本实施例中,上述识别单元404可以采用机器学习算法,对上述网格地图中的每个网格图像,识别该网格图像中的交通信息。这里,交通信息包括以下至少一项:道路形状信息、道路坡度信息、道路曲率信息、道路方向信息、车道宽度信息、防撞护栏信息、道路边缘信息、车道线信息、导流线信息。
在本实施例中,上述识别单元404可以采用样本网格图像对交通信息识别的模型进行训练,得到识别模型的参数和输出。在识别时将渲染单元403渲染后的网格地图中的每个网格图像输入该模型中,并输出相应的交通信息识别结果。
在本实施例中,基于识别单元404的识别结果,上述聚类单元405可以采用机器学习算法,利用各个网格图像间的位置关系对各个网格图像的交通信息进行聚类,得到网格地图的交通信息。上述各个网格图像间的位置关系是指根据各个网格图像的行号和列号可以确定的位置关系。
在本实施例中,上述生成单元406可以将聚类单元405得到的上述网格地图的交通信息加载到上述网格地图中以生成高精地图。
在本实施例的一些可选的实现方式中,上述高精地图生成装置400还可以包括:建立单元407,配置用于建立世界坐标系。
在本实施例的一些可选的实现方式中,上述三维激光点数据的三维坐标、上述网格地图的坐标以及上述高精地图的坐标均是基于上述世界坐标系的坐标。
在本实施例的一些可选的实现方式中,上述确定单元402进一步配置用于:获取上述世界坐标系原点的坐标;对上述三维激光点云数据中每个三维激光点数据按照如下公式,确定该三维激光点数据在上述网格地图中的位置信息:
r=[(y–yorigin)÷(dispix×hpix)]+1
c=[(x–xorigin)÷(dispix×wpix)]+1
i=[(x–xorigin)÷dispix]+1
j=[(y–yorigin)÷dispix]+1
u=i%wpix
v=hpix-j%hpix
其中,x和y分别是该三维激光点数据的三维坐标中的横坐标和纵坐标,r和c分别是计算所得的该三维激光点数据所在网格图像在上述网格地图中的行号和列号,i和j分别是计算所得的该三维激光点数据在上述网格地图中的横坐标和纵坐标,u和v分别是计算所得的上述网格地图中坐标(i,j)对应的像素点在r行c列所指示的网格图像中的横坐标和纵坐标,x、y、r、c、i、j、u、v均为正整数,u的取值范围为1到wpix之间的正整数,v的取值范围为1到hpix之间的正整数,其中,网格图像的坐标原点为网格图像的左上角,上述网格地图的坐标原点为左下角,xorigin和yorigin分别是上述世界坐标系原点的横坐标和纵坐标,wpix和hpix分别是上述网格地图中网格图像的横向像素数和纵向像素数,dispix是上述网格地图的单位像素长度。
在本实施例的一些可选的实现方式中,上述聚类单元405进一步配置用于:为上述网格地图设置至少一个不同的单位像素长度,从而生成至少一个不同单位像素长度的网格地图;采用机器学习算法,利用上述至少一个不同像素长度的网格地图中各个网格图像间的位置关系对上述至少一个不同像素长度的网格地图中各个网格图像的交通信息进行聚类,得到上述网格地图的交通信息以及交通信息中的坐标数据。
在本实施例的一些可选的实现方式中,上述机器学习算法为全卷积神经网络算法。
在本实施例的一些可选的实现方式中,上述三维点云数据的反射值为颜色值和/或亮度值。
在本实施例的一些可选的实现方式中,上述世界坐标系为通用横墨卡托UTM世界坐标系。
下面参考图5,其示出了适于用来实现本申请实施例的终端设备的计算机系统500的结构示意图。
如图5所示,计算机系统500包括中央处理单元(CPU)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有系统500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505:包括键盘、鼠标等的输入部分506;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507;包括硬盘等的存储部分508;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器510上,以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括有形地包含在机器可读介质上的计算机程序,所述计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分509从网络上被下载和安装,和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时,执行本申请的方法中限定的上述功能。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,所述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元、确定单元、渲染单元、识别单元、聚类单元和生成单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,生成单元还可以被描述为“生成高精地图的单元”。
作为另一方面,本申请还提供了一种非易失性计算机存储介质,该非易失性计算机存储介质可以是上述实施例中所述装置中所包含的非易失性计算机存储介质;也可以是单独存在,未装配入终端中的非易失性计算机存储介质。上述非易失性计算机存储介质存储有一个或者多个程序,当所述一个或者多个程序被一个设备执行时,使得所述设备:获取用于生成高精地图的三维激光点云数据以及用于生成高精地图的网格地图的相关信息,其中,上述三维激光点云数据包括至少一个三维激光点数据,上述三维激光点数据包括三维坐标和反射值,上述网格地图由M行N列的大小相同的网格图像组成,上述M和N均为正整数,上述网格地图的相关信息包括:上述网格地图的行数和列数,上述网格地图的单位像素长度,上述网格地图中每个网格图像的横向像素数和纵向像素数,其中,上述网格图像的单位像素长度用于表征上述网格地图中一个像素所代表的物理长度;对上述三维激光点云数据中每个三维激光点数据,根据该三维激光点数据的三维坐标和上述网格地图的相关信息,确定该三维激光点数据在上述网格地图中的位置信息,其中,上述位置信息包括该三维激光点数据所在网格图像在上述网格地图中的行号和列号以及该三维激光点数据在上述网格地图中的坐标;对上述网格地图中各个网格图像中的每个像素点,使用上述三维激光点云数据中在上述网格地图中的坐标与该像素点的坐标相同的三维激光点数据的反射值渲染该像素点,从而生成上述网格地图中的各个网格图像;采用机器学习算法,对上述网格地图中的每个网格图像,识别该网格图像中的交通信息,上述交通信息包括以下至少一项:道路形状信息、道路坡度信息、道路曲率信息、道路方向信息、车道宽度信息、防撞护栏信息、道路边缘信息、车道线信息、导流线信息;采用机器学习算法,利用上述网格地图中各个网格图像间的位置关系对上述网格地图中各个网格图像的交通信息进行聚类,得到上述网格地图的交通信息;将上述网格地图的交通信息加载到上述网格地图中以生成高精地图。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (16)
1.一种高精地图生成方法,其特征在于,所述方法包括:
获取用于生成高精地图的三维激光点云数据以及用于生成高精地图的网格地图的相关信息,其中,所述三维激光点云数据包括至少一个三维激光点数据,所述三维激光点数据包括三维坐标和反射值,所述网格地图由M行N列的大小相同的网格图像组成,所述M和N均为正整数,所述网格地图的相关信息包括:所述网格地图的行数和列数,所述网格地图的单位像素长度,所述网格地图中每个网格图像的横向像素数和纵向像素数,其中,所述网格图像的单位像素长度用于表征所述网格地图中一个像素所代表的物理长度;
对所述三维激光点云数据中每个三维激光点数据,根据该三维激光点数据的三维坐标和所述网格地图的相关信息,确定该三维激光点数据在所述网格地图中的位置信息,其中,所述位置信息包括该三维激光点数据所在网格图像在所述网格地图中的行号和列号以及该三维激光点数据在所述网格地图中的坐标;
对所述网格地图中各个网格图像中的每个像素点,使用所述三维激光点云数据中在所述网格地图中的坐标与该像素点的坐标相同的三维激光点数据的反射值渲染该像素点,从而生成所述网格地图中的各个网格图像;
采用机器学习算法,对所述网格地图中的每个网格图像,识别该网格图像中的交通信息,所述交通信息包括以下至少一项:道路形状信息、道路坡度信息、道路曲率信息、道路方向信息、车道宽度信息、防撞护栏信息、道路边缘信息、车道线信息、导流线信息;
采用机器学习算法,利用所述网格地图中各个网格图像间的位置关系对所述网格地图中各个网格图像的交通信息进行聚类,得到所述网格地图的交通信息;
将所述网格地图的交通信息加载到所述网格地图中以生成高精地图。
2.根据权利要求1所述的高精地图生成方法,其特征在于,所述获取用于生成高精地图的三维激光点云数据以及用于生成高精地图的网格地图的相关信息之前,所述方法还包括:
建立世界坐标系。
3.根据权利要求2所述的高精地图生成方法,其特征在于,所述三维激光点数据的三维坐标、所述网格地图的坐标以及所述高精地图的坐标均是基于所述世界坐标系的坐标。
4.根据权利要求3所述的高精地图生成方法,其特征在于,所述对所述三维激光点云数据中每个三维激光点数据,根据该三维激光点数据的三维坐标和所述网格地图的相关信息,确定该三维激光点数据在所述网格地图中的位置信息,包括:
获取所述世界坐标系原点的坐标;
对所述三维激光点云数据中每个三维激光点数据按照如下公式,确定该三维激光点数据在所述网格地图中的位置信息:
r=[(y–yorigin)÷(dispix×hpix)]+1
c=[(x–xorigin)÷(dispix×wpix)]+1
i=[(x–xorigin)÷dispix]+1
j=[(y–yorigin)÷dispix]+1
u=i%wpix
v=hpix-j%hpix
其中,x和y分别是该三维激光点数据的三维坐标中的横坐标和纵坐标,r和c分别是计算所得的该三维激光点数据所在网格图像在所述网格地图中的行号和列号,i和j分别是计算所得的该三维激光点数据在所述网格地图中的横坐标和纵坐标,u和v分别是计算所得的所述网格地图中坐标(i,j)对应的像素点在r行c列所指示的网格图像中的横坐标和纵坐标,x、y、r、c、i、j、u、v均为正整数,u的取值范围为1到wpix之间的正整数,v的取值范围为1到hpix之间的正整数,其中,网格图像的坐标原点为网格图像的左上角,所述网格地图的坐标原点为左下角,xorigin和yorigin分别是所述世界坐标系原点的横坐标和纵坐标,wpix和hpix分别是所述网格地图中网格图像的横向像素数和纵向像素数,dispix是所述网格地图的单位像素长度。
5.根据权利要求1所述的高精地图生成方法,其特征在于,所述采用机器学习算法,利用所述网格地图中各个网格图像间的位置关系对所述网格地图中各个网格图像的交通信息进行聚类,得到所述网格地图的交通信息,包括:
为所述网格地图设置至少一个不同的单位像素长度,从而生成至少一个不同单位像素长度的网格地图;
采用机器学习算法,利用所述至少一个不同像素长度的网格地图中各个网格图像间的位置关系对所述至少一个不同像素长度的网格地图中各个网格图像的交通信息进行聚类,得到所述网格地图的交通信息以及交通信息中的坐标数据。
6.根据权利要求1所述的高精地图生成方法,其特征在于,所述机器学习算法为全卷积神经网络算法。
7.根据权利要求1所述的高精地图生成方法,其特征在于,所述反射值为颜色值和/或亮度值。
8.根据权利要求2-4中任一项所述的高精地图生成方法,其特征在于,所述世界坐标系为通用横墨卡托UTM世界坐标系。
9.一种高精地图生成装置,其特征在于,所述装置包括:
获取单元,配置用于获取用于生成高精地图的三维激光点云数据以及用于生成高精地图的网格地图的相关信息,其中,所述三维激光点云数据包括至少一个三维激光点数据,所述三维激光点数据包括三维坐标和反射值,所述网格地图由M行N列的大小相同的网格图像组成,所述M和N均为正整数,所述网格地图的相关信息包括:所述网格地图的行数和列数,所述网格地图的单位像素长度,所述网格地图中每个网格图像的横向像素数和纵向像素数,其中,所述网格图像的单位像素长度用于表征所述网格地图中一个像素所代表的物理长度;
确定单元,配置用于对所述三维激光点云数据中每个三维激光点数据,根据该三维激光点数据的三维坐标和所述网格地图的相关信息,确定该三维激光点数据在所述网格地图中的位置信息,其中,所述位置信息包括该三维激光点数据所在网格图像在所述网格地图中的行号和列号以及该三维激光点数据在所述网格地图中的坐标;
渲染单元,配置用于对所述网格地图中各个网格图像中的每个像素点,使用所述三维激光点云数据中在所述网格地图中的坐标与该像素点的坐标相同的三维激光点数据的反射值渲染该像素点,从而生成所述网格地图中的各个网格图像;
识别单元,配置用于采用机器学习算法,对所述网格地图中的每个网格图像,识别该网格图像中的交通信息,所述交通信息包括以下至少一项:道路形状信息、道路坡度信息、道路曲率信息、道路方向信息、车道宽度信息、防撞护栏信息、道路边缘信息、车道线信息、导流线信息;
聚类单元,配置用于采用机器学习算法,利用所述网格地图中各个网格图像间的位置关系对所述网格地图中各个网格图像的交通信息进行聚类,得到所述网格地图的交通信息;
生成单元,配置用于将所述网格地图的交通信息加载到所述网格地图中以生成高精地图。
10.根据权利要求9所述的高精地图生成装置,其特征在于,所述装置还包括:
建立单元,配置用于建立世界坐标系。
11.根据权利要求10所述的高精地图生成装置,其特征在于,所述三维激光点数据的三维坐标、所述网格地图的坐标以及所述高精地图的坐标均是基于所述世界坐标系的坐标。
12.根据权利要求11所述的高精地图生成装置,其特征在于,所述确定单元进一步配置用于:
获取所述世界坐标系原点的坐标;
对所述三维激光点云数据中每个三维激光点数据按照如下公式,确定该三维激光点数据在所述网格地图中的位置信息:
r=[(y–yorigin)÷(dispix×hpix)]+1
c=[(x–xorigin)÷(dispix×wpix)]+1
i=[(x–xorigin)÷dispix]+1
j=[(y–yorigin)÷dispix]+1
u=i%wpix
v=hpix-j%hpix
其中,x和y分别是该三维激光点数据的三维坐标中的横坐标和纵坐标,r和c分别是计算所得的该三维激光点数据所在网格图像在所述网格地图中的行号和列号,i和j分别是计算所得的该三维激光点数据在所述网格地图中的横坐标和纵坐标,u和v分别是计算所得的所述网格地图中坐标(i,j)对应的像素点在r行c列所指示的网格图像中的横坐标和纵坐标,x、y、r、c、i、j、u、v均为正整数,u的取值范围为1到wpix之间的正整数,v的取值范围为1到hpix之间的正整数,其中,网格图像的坐标原点为网格图像的左上角,所述网格地图的坐标原点为左下角,xorigin和yorigin分别是所述世界坐标系原点的横坐标和纵坐标,wpix和hpix分别是所述网格地图中网格图像的横向像素数和纵向像素数,dispix是所述网格地图的单位像素长度。
13.根据权利要求9所述的高精地图生成装置,其特征在于,所述聚类单元进一步配置用于:
为所述网格地图设置至少一个不同的单位像素长度,从而生成至少一个不同单位像素长度的网格地图;
采用机器学习算法,利用所述至少一个不同像素长度的网格地图中各个网格图像间的位置关系对所述至少一个不同像素长度的网格地图中各个网格图像的交通信息进行聚类,得到所述网格地图的交通信息以及交通信息中的坐标数据。
14.根据权利要求9所述的高精地图生成装置,其特征在于,所述机器学习算法为全卷积神经网络算法。
15.根据权利要求9所述的高精地图生成装置,其特征在于,所述反射值为颜色值和/或亮度值。
16.根据权利要求10-12中任一项所述的高精地图生成装置,其特征在于,所述世界坐标系为通用横墨卡托UTM世界坐标系。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610371676.0A CN106097444B (zh) | 2016-05-30 | 2016-05-30 | 高精地图生成方法和装置 |
US15/281,201 US10429193B2 (en) | 2016-05-30 | 2016-09-30 | Method and apparatus for generating high precision map |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610371676.0A CN106097444B (zh) | 2016-05-30 | 2016-05-30 | 高精地图生成方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106097444A CN106097444A (zh) | 2016-11-09 |
CN106097444B true CN106097444B (zh) | 2017-04-12 |
Family
ID=57230718
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610371676.0A Active CN106097444B (zh) | 2016-05-30 | 2016-05-30 | 高精地图生成方法和装置 |
Country Status (2)
Country | Link |
---|---|
US (1) | US10429193B2 (zh) |
CN (1) | CN106097444B (zh) |
Families Citing this family (54)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108286979B (zh) * | 2017-01-09 | 2021-07-20 | 北京四维图新科技股份有限公司 | 一种获取高精度导航路径数据的方法和装置以及导航系统、驾驶系统 |
CN106846308B (zh) * | 2017-01-20 | 2019-08-20 | 广州市城市规划勘测设计研究院 | 基于点云的地形图精度的检测方法和装置 |
CN108335337B (zh) * | 2017-01-20 | 2019-12-17 | 高德软件有限公司 | 一种正射影像图的生成方法及装置 |
CN106969763B (zh) * | 2017-04-07 | 2021-01-01 | 百度在线网络技术(北京)有限公司 | 用于确定无人驾驶车辆的偏航角的方法和装置 |
CN108694882B (zh) * | 2017-04-11 | 2020-09-22 | 百度在线网络技术(北京)有限公司 | 用于标注地图的方法、装置和设备 |
CN108732603B (zh) * | 2017-04-17 | 2020-07-10 | 百度在线网络技术(北京)有限公司 | 用于定位车辆的方法和装置 |
CN108961990B (zh) * | 2017-05-23 | 2023-08-29 | 百度在线网络技术(北京)有限公司 | 用于处理高精地图的方法和装置 |
US11367354B2 (en) * | 2017-06-22 | 2022-06-21 | Apollo Intelligent Driving Technology (Beijing) Co., Ltd. | Traffic prediction based on map images for autonomous driving |
CN109407073B (zh) * | 2017-08-15 | 2020-03-10 | 百度在线网络技术(北京)有限公司 | 反射值地图构建方法和装置 |
CN107689075B (zh) * | 2017-08-30 | 2019-02-19 | 北京三快在线科技有限公司 | 导航地图的生成方法、装置及机器人 |
US20190072978A1 (en) * | 2017-09-01 | 2019-03-07 | GM Global Technology Operations LLC | Methods and systems for generating realtime map information |
CN109781119B (zh) * | 2017-11-15 | 2020-01-21 | 百度在线网络技术(北京)有限公司 | 一种激光点云定位方法和系统 |
CN110019627B (zh) * | 2017-12-25 | 2022-04-12 | 北京京东乾石科技有限公司 | 识别交通导流线的方法及其系统、计算机系统 |
CN108009524B (zh) * | 2017-12-25 | 2021-07-09 | 西北工业大学 | 一种基于全卷积网络的车道线检测方法 |
CN108010360A (zh) * | 2017-12-27 | 2018-05-08 | 中电海康集团有限公司 | 一种基于车路协同的自动驾驶环境感知系统 |
CN109974742A (zh) * | 2017-12-28 | 2019-07-05 | 沈阳新松机器人自动化股份有限公司 | 一种激光里程计算方法和地图构建方法 |
CN108415032B (zh) * | 2018-03-05 | 2021-06-25 | 中山大学 | 一种基于深度学习与激光雷达的点云语义地图构建方法 |
CN110400363A (zh) * | 2018-04-24 | 2019-11-01 | 北京京东尚科信息技术有限公司 | 基于激光点云的地图构建方法和装置 |
CN109064506B (zh) | 2018-07-04 | 2020-03-13 | 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 |
CN108921947B (zh) * | 2018-07-23 | 2022-06-21 | 百度在线网络技术(北京)有限公司 | 生成电子地图的方法、装置、设备、存储介质以及采集实体 |
CN110873567B (zh) * | 2018-08-29 | 2021-05-25 | 阿里巴巴(中国)有限公司 | 一种高精道路的处理方法及装置 |
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 |
FR3085761B1 (fr) * | 2018-09-11 | 2021-01-15 | Continental Automotive France | Systeme et procede de localisation de la position d'un objet routier par apprentissage automatique non supervise |
CN110148196B (zh) * | 2018-09-12 | 2022-03-25 | 腾讯大地通途(北京)科技有限公司 | 一种图像处理方法、装置以及相关设备 |
CN109520513B (zh) * | 2018-10-22 | 2020-08-07 | 浙江吉利汽车研究院有限公司 | 一种三维地图绘制方法及装置 |
CN109470254B (zh) * | 2018-10-31 | 2020-09-08 | 百度在线网络技术(北京)有限公司 | 地图车道线的生成方法、装置、系统及存储介质 |
CN110363054B (zh) * | 2018-11-16 | 2021-10-01 | 北京京东叁佰陆拾度电子商务有限公司 | 道路标识线识别方法、装置和系统 |
CN109767452A (zh) * | 2018-12-24 | 2019-05-17 | 深圳市道通智能航空技术有限公司 | 一种目标定位方法和装置、无人机 |
CN109859613A (zh) * | 2019-01-18 | 2019-06-07 | 驭势(上海)汽车科技有限公司 | 一种基于投影坐标系的高精地图制作方法及车载设备 |
CN111723830B (zh) * | 2019-03-20 | 2023-08-29 | 杭州海康威视数字技术股份有限公司 | 一种图像映射方法、装置及设备、存储介质 |
DE102019207303A1 (de) * | 2019-05-20 | 2020-11-26 | Robert Bosch Gmbh | Verfahren und System zum Erstellen einer Lokalisierungskarte für ein Fahrzeug |
CN110186468B (zh) * | 2019-05-27 | 2021-11-12 | 北京主线科技有限公司 | 用于自动驾驶的高精度地图制作方法和制作装置 |
CN110147382B (zh) * | 2019-05-28 | 2022-04-12 | 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 |
CN110160544A (zh) * | 2019-06-12 | 2019-08-23 | 北京深思敏行科技有限责任公司 | 一种基于边缘计算的高精度地图众包更新系统 |
US11704913B2 (en) * | 2019-07-02 | 2023-07-18 | Baidu Usa Llc | Method for automatically labeling objects in past frames based on object detection of a current frame for autonomous driving |
CN112926365A (zh) * | 2019-12-06 | 2021-06-08 | 广州汽车集团股份有限公司 | 一种车道线检测方法及其系统 |
CN111192352B (zh) * | 2019-12-26 | 2023-07-04 | 广州文远知行科技有限公司 | 地图的渲染方法、装置、计算机设备和存储介质 |
CN111192341A (zh) * | 2019-12-31 | 2020-05-22 | 北京三快在线科技有限公司 | 生成高精地图的方法、装置、自动驾驶设备及存储介质 |
CN111311709B (zh) * | 2020-02-05 | 2023-06-20 | 北京三快在线科技有限公司 | 一种生成高精地图的方法及装置 |
CN111339876B (zh) * | 2020-02-19 | 2023-09-01 | 北京百度网讯科技有限公司 | 用于识别场景中各区域类型的方法和装置 |
US20210325898A1 (en) * | 2020-04-21 | 2021-10-21 | Micron Technology, Inc. | Using drone data to generate high-definition map for autonomous vehicle navigation |
CN111667545B (zh) * | 2020-05-07 | 2024-02-27 | 东软睿驰汽车技术(沈阳)有限公司 | 高精度地图生成方法、装置、电子设备及存储介质 |
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 |
CN111784837B (zh) * | 2020-06-28 | 2024-04-16 | 北京百度网讯科技有限公司 | 高精地图生成方法、装置、设备、存储介质和程序产品 |
CN112132952B (zh) * | 2020-08-18 | 2023-09-08 | 北斗伏羲信息技术有限公司 | 一种基于剖分框架的立体网格地图的构建方法 |
CN112433529B (zh) * | 2020-11-30 | 2024-02-27 | 东软睿驰汽车技术(沈阳)有限公司 | 运动物体确定方法、装置及设备 |
CN112462347B (zh) * | 2020-12-28 | 2023-08-15 | 长沙理工大学 | 基于密度聚类的激光雷达点云快速分类滤波算法 |
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 |
CN113658144B (zh) * | 2021-08-20 | 2023-06-27 | 中国公路工程咨询集团有限公司 | 路面病害几何信息的确定方法、装置、设备及介质 |
CN114115263B (zh) * | 2021-11-19 | 2024-04-09 | 武汉万集光电技术有限公司 | 用于agv的自主建图方法、装置、移动机器人及介质 |
CN113920255B (zh) * | 2021-12-15 | 2022-02-22 | 湖北晓雲科技有限公司 | 基于点云数据的高效测绘系统 |
CN114581621A (zh) * | 2022-03-07 | 2022-06-03 | 北京百度网讯科技有限公司 | 地图数据处理方法、装置、电子设备和介质 |
CN115235485A (zh) * | 2022-07-08 | 2022-10-25 | 松灵机器人(深圳)有限公司 | 作业地图构建方法、装置、割草机器人以及存储介质 |
CN115410173B (zh) * | 2022-11-01 | 2023-03-24 | 北京百度网讯科技有限公司 | 多模态融合的高精地图要素识别方法、装置、设备及介质 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101523439A (zh) * | 2006-10-30 | 2009-09-02 | 电子地图有限公司 | 用于从基于陆地的移动测绘数据检测对象的方法和设备 |
JP4832596B2 (ja) * | 2008-08-29 | 2011-12-07 | 三菱電機株式会社 | 俯瞰画像生成装置、俯瞰画像生成方法および俯瞰画像生成プログラム |
EP2427726B1 (en) * | 2009-05-04 | 2019-01-16 | TomTom North America Inc. | Methods and systems for creating digital transportation networks |
US8488877B1 (en) * | 2009-12-02 | 2013-07-16 | Hrl Laboratories, Llc | System for object recognition in colorized point clouds |
US8723886B2 (en) * | 2010-09-08 | 2014-05-13 | Navteq B.V. | Generating a multi-layered geographic image and the use thereof |
US9489635B1 (en) * | 2012-11-01 | 2016-11-08 | Google Inc. | Methods and systems for vehicle perception feedback to classify data representative of types of objects and to request feedback regarding such classifications |
CN104573733B (zh) * | 2014-12-26 | 2018-05-04 | 上海交通大学 | 一种基于高清正射影像图的高精细地图生成系统及方法 |
US10546400B2 (en) * | 2015-06-03 | 2020-01-28 | Here Global B.V. | Method and apparatus for defining bi-directional road geometry from probe data |
CN107735794B (zh) * | 2015-08-06 | 2021-06-04 | 埃森哲环球服务有限公司 | 使用图像处理的状况检测 |
CN105243637B (zh) * | 2015-09-21 | 2019-01-25 | 武汉海达数云技术有限公司 | 一种基于三维激光点云进行全景影像拼接方法 |
US10169871B2 (en) * | 2016-01-21 | 2019-01-01 | Elekta, Inc. | Systems and methods for segmentation of intra-patient medical images |
US10353053B2 (en) * | 2016-04-22 | 2019-07-16 | Huawei Technologies Co., Ltd. | Object detection using radar and machine learning |
-
2016
- 2016-05-30 CN CN201610371676.0A patent/CN106097444B/zh active Active
- 2016-09-30 US US15/281,201 patent/US10429193B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
US10429193B2 (en) | 2019-10-01 |
US20170343362A1 (en) | 2017-11-30 |
CN106097444A (zh) | 2016-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106097444B (zh) | 高精地图生成方法和装置 | |
CN108364010B (zh) | 一种车牌识别方法、装置、设备及计算机可读存储介质 | |
CN108416377B (zh) | 柱状图中的信息提取方法及装置 | |
CN104392212B (zh) | 一种基于视觉的道路信息检测及前方车辆识别方法 | |
CN106295646B (zh) | 一种基于深度学习的车牌字符分割方法和装置 | |
CN106407947B (zh) | 用于无人驾驶车辆的目标物体识别方法和装置 | |
CN103400151B (zh) | 一体化的光学遥感影像与gis自动配准与水体提取方法 | |
CN103971126B (zh) | 一种交通标志识别方法和装置 | |
CN110807496B (zh) | 一种密集目标检测方法 | |
CN111160328B (zh) | 一种基于语义分割技术的交通标线自动提取的方法 | |
CN111899515B (zh) | 一种基于智慧道路边缘计算网关的车辆检测系统 | |
CN109583345A (zh) | 道路识别方法、装置、计算机装置及计算机可读存储介质 | |
CN110390314A (zh) | 一种视觉感知方法及设备 | |
CN111382658B (zh) | 一种基于图像灰度梯度一致性的自然环境下道路交通标志检测方法 | |
CN110807775A (zh) | 基于人工智能的中医舌像分割装置、方法及存储介质 | |
WO2024002014A1 (zh) | 交通标线的识别方法、装置、计算机设备和存储介质 | |
CN113808004B (zh) | 图像变换装置、图像变换方法以及图像变换用计算机程序 | |
CN110288608B (zh) | 作物行中心线提取方法和装置 | |
CN115063785B (zh) | 高速公路场景使用目标识别模型定位车牌的方法及装置 | |
CN111126248A (zh) | 一种遮挡下的车辆识别方法及装置 | |
CN109801428A (zh) | 纸币边缘直线的检测方法、检测装置及终端 | |
CN113888397A (zh) | 基于无人机遥感和图像处理技术的烟草清塘点株方法 | |
CN106354135A (zh) | 基于北斗高精度定位的车道保持系统及方法 | |
CN111860084B (zh) | 图像特征的匹配、定位方法及装置、定位系统 | |
CN115995046B (zh) | 阴影遮挡状态下的农村道路遥感提取方法及装置 |
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 |