CN108549375A - 高精度地图中基于随机优化的点状对象精度质量评估方法 - Google Patents

Abstract

本发明涉及一种在高精度地图中对点状地标对象的精度质量进行评估的方法，其包括：1)生成参考地图和测试地图中的各个点状对象的对象对应关系候选集；2)基于候选集在当前对象映射配置中随机增加或去除对象对应关系对；3)基于欧氏距离和拓扑约束计算用于当前对象对应关系对的代价函数；4)基于代价函数，通过随机方案接受或拒绝当前对象映射配置；5)判断迭代次数是否达到预定数，如果达到，则基于最后获得的对象映射配置评估测试地图的精度质量，否则返回步骤2)继续迭代。

Description

高精度地图中基于随机优化的点状对象精度质量评估方法

技术领域

本发明涉及一种在面向自动驾驶的高精度地图中基于随机优化对点状、即离散的地标对象的精度质量进行评估的方法。

背景技术

目前，人们的出行越来越依赖导航电子地图。例如，在汽车中通常配备有导航电子地图，驾驶员可使用该导航电子地图来导航。在移动电话中也常常装载有地图App，为使用者规划去往目的地的自驾路线和/或可乘坐的公共交通工具。如果导航电子地图不准确，那么可能导致使用者走弯路或甚至走错路。

面向自动驾驶的高精度地图(highly accurate driving，HAD)不仅有高精度的坐标，同时还有准确的道路形状，并且含有每个车道的坡度、曲率、航向、高程以及侧倾的数据。HAD地图不仅描绘道路，更描绘出一条道路上有多少车道，会真实的反应出道路以及道路沿线的交通参与物的实际样式(如车道宽度、车道线的形式和颜色、道路上的箭头和文字内容以及所在位置、交通参与物如隔离带、限速标志、红绿灯、路边的电线杆等的绝对地理坐标、物理尺寸、形状、颜色、材质等)。而且，为了自动驾驶的考虑，诸如每条车道的限速、推荐速度也需要一并提供。

点状地标对象代表真实世界的物体，诸如交通指示牌、红绿灯、邮局信箱、电线杆等。这些信息包含在高精度地图中，用于与车载传感器的探测结果相比较以在自动驾驶时进行车辆自定位。

HAD地图中的这些信息的精度和可靠性对于工业级自动驾驶的功能安全性而言是关键性的。因此，存在对HAD地图精度质量进行评估的需要。

由文献CN105953805A已知一种电子地图验证方法，其包括：获取待验证电子地图上的两个待验证点之间的路线和路线两侧设定范围内的至少一个标记点的位置数据；获取通过差分GPS技术得到的标记点的定位数据；根据标记点的位置数据和定位数据验证所述两个待验证点之间的路线是否正确。其中，可以直接计算各个标记点的相应位置数据(如经度、纬度和海拔)与定位数据的差值，并将该差值与预设阈值相比较；也可以分别由位置数据和定位数据计算两个标记点之间的距离，并将这两个距离之间的差值与预设阈值相比较，来验证待验证点的位置数据的准确性。

由文献CN102155948A已知一种导航电子地图质量的随机检测评估方法，其旨在解决地图的全面检查(即，对所有的道路和兴趣点都要进行数据与现场的比对)生产成本太高和跟不上地图产品版本更新的速度的问题。在该文献中提出，从导航电子地图中随机选取待测区域(即样本地域)的导航电子地图信息，并与待测区域的现场数据进行比对，通过计算样本地域的测评结果，来得到导航电子地图产品的整体质量分布水平。在此，样本地域的随机选取的策略是关键。该文献着重介绍了用于进行随机选取的二阶段分层抽样法：将全国经济发展相似的邻近省划分为同一区域(区域级)，随机选取至少四个测评区域；具体到每一个城市中，对道路和兴趣点(POI)数据抽样，各种数据统称为要素(要素级)，从选取的至少四个测评区域中随机选取待测区域的导航电子地图信息，该信息包括：连续道路的信息和/或兴趣点信息。

文献CN106776996A公开了一种用于确定高精度地图的准确性的方法，其包括以下步骤：1)从高精度地图中还原出由各级道路组成的网状系统的地图、即路网地图；2)经由采集设备扫描得到3D点云道路图片，计算3D点云道路图片的各个点数据在世界坐标系中的坐标、即精确的实际坐标；3)通过样条插值拟合法采用例如B样条曲线(B-spline)将3D点云道路图片的点数据拟合至路网地图中；4)在拟合了3D点云道路图片后的路网地图中，计算原路网地图的地图元素的坐标与3D点云道路图片的相应地图元素的实际坐标之间的差值，该差值包括欧氏距离、向量方向的角度差值以及世界坐标系下的高度差等；5)根据该差值与预设阈值的比较，确定高精度地图是否准确。其中，在步骤4中，采用曲线配准技术(例如迭代最近点法ICP)对原路网地图的地图元素进行旋转平移，得到原路网地图元素在3D点云道路图片中的映射点，若单个映射点的整体或部分重合于3D点云道路图片中的点，则计算单个映射点与3D点云道路图片上重合于映射点的点的差值；若单个映射点不重合于3D点云道路图片中的点，则计算单个映射点与3D点云道路图片上位于单个映射点的法线方向且距单个映射点最近的点的差值。

在上述地图质量评估中，通常需要对待评估的HAD地图产品(也称为测试地图)中的点状对象与另一地面实况的HAD地图(也称为参考地图)中的匹配对象直接进行比较，该地面实况的HAD地图可以通过采集设备如有人机、无人机空载3D扫描仪或采集车载地面3D扫描仪扫描实际道路得到。

然而，这种比较不是简单的、一目了然的，这是因为，由于在真实世界中收集数据的过程中存在数据噪声和损坏，要建立一对一的成对的对象对应关系、如从测试地图中的指示牌到参考地图中的相应指示牌的对象映射是非常困难的。

发明内容

本发明的目的是，能以可靠的方式建立对象对应关系，得到对用于工业级质量的自动驾驶的精度和可靠性的可靠统计。

该目的通过具有下述特征的、开头所述类型的方法来实现，该方法包括：

-生成参考地图和测试地图中的各个点状对象之间的所有可能的、成对的对象对应关系候选集；

-基于所述对象对应关系候选集，在当前对象映射配置中随机增加或去除对象对应关系对；

-基于欧氏距离和拓扑约束计算用于各个当前对象对应关系对的代价函数；

-基于代价函数通过随机方案接受或拒绝当前对象映射配置；

-判断迭代次数是否达到预先设定的数，如果未达到，返回前述随机增加或去除对象对应关系对的步骤，继续迭代，否则，进入后续的评估步骤；

-基于最后获得的对象映射配置评估测试地图的精度质量。

在此优点是，对测试地图与参考地图之间的对象映射配置进行了优化，通过使用随机优化过程，基于欧氏距离和拓扑约束，可得到在测试地图的点状对象与参考地图的对应匹配对象之间的精确而可靠的对象对应关系。由此，测试地图中的点状对象的精度和可靠性能得到正确的验证。也就是说，通过本发明的方法，在对测试地图的点状对象的精度质量进行评估时，测试对象是与正确的参考对象相比对的，从而得到的误差评估精确而可靠。

在一实施形式中，所述生成对象对应关系候选集包括：对于参考地图中的每个对象，在测试地图中查找匹配对象，得到第一对象对应关系集；对于测试地图中的每个对象，在参考地图中查找匹配对象，得到第二对象对应关系集；将第一、第二对象对应关系集组合起来，并去除冗余，从而得到对象对应关系候选集。

优选地，第一对象对应关系集由以下方式得到：预先设定一匹配距离阈值，对于参考地图中的每个对象，在测试地图中在以该对象的坐标为原点、匹配距离阈值为半径的圆内查找该对象的匹配对象，由此得到第一对象对应关系。全体第一对象对应关系的集合即为第一对象对应关系集。

优选地，第二对象对应关系集由以下方式得到：预先设定一匹配距离阈值，对于测试地图中的每个对象，在参考地图中在以该对象的坐标为原点、匹配距离阈值为半径的圆内查找该对象的匹配对象，由此得到第二对象对应关系。全体第二对象对应关系的集合即为第二对象对应关系集。

在此，若第一对象对应关系中涉及的两个对象与第二对象对应关系中涉及的两个对象相同，则认为其中一个对象对应关系是冗余的。

在一实施形式中，所述随机增加或去除对象对应关系对包括：随机生成[0,1]之间的数α，如果α≥0.5，则从所述对象对应关系候选集中随机选择一个对象对应关系，并将其加入到当前对象映射配置中；否则，从当前对象映射配置中随机去除一个对象对应关系。

在一实施形式中，如此定义代价函数，使得该代价函数包括两个部分，一个是数据项，另一个是先验项，其中，数据项奖励对象对应关系对之间的较接近的距离，先验项惩罚一对多和重复对的对象对应关系以及不合理的映射配置、如交叉的对象对应关系。在每次迭代中，都应基于当前对象映射配置来计算代价函数。

在一实施形式中，所述接受或拒绝当前对象映射配置包括：计算前一个状态与当前状态之间的代价函数值的差，如果代价函数值减小，则接受该改变；否则，基于随机方案，根据随机生成的[0,1]之间的数β有条件地接受或拒绝该改变。

在此，优选地，通过随机数β与一参量值的大小关系来决定是否接受该改变，该参量值的计算方式由所使用的随机方案决定，并且一般与本次迭代中的当前对象映射配置(即新生成的候选状态)和上次迭代中的当前对象映射配置(即前一个状态)有关。

在此，有利地，随机方案可使用任何已知的马尔科夫链蒙特卡洛(MCMC)算法、如Metropolis-Hastings算法和Gibbs采样法，其参量值的计算公式是本领域技术人员已知的，在此不赘述。

在一实施形式中，对测试地图的精度质量的评估可包括：基于欧氏距离评估绝对精度；或基于相邻对象之间距离的差评估相对精度；或计算假正率和/或假负率。

优选地，绝对精度由以下方式得到，即：计算测试地图与参考地图中一对一的对象映射之间的欧氏距离的平均值和均方差，从而得到绝对精度。例如，绝对精度可以基于每个测试对象的位置坐标和与之匹配的参考对象的实际坐标之间的差来计算。

优选地，相对精度由以下方式得到，即：在参考地图中，将最接近的对象彼此连接起来形成网络。由此，基于一对一的对象对应关系在测试地图中建立起具有相同拓扑结构的网络。对于参考地图中的网络的每条边e_R，在测试地图中查找对应边e_T，计算相对距离误差e_T-e_R，由该相对距离误差的平均值和均方差给出相对精度。即，相对精度是基于两个相邻测试对象之间的距离与相应两个参考对象之间的距离的差来计算的。

在一有利的实施形式中，假负率由以下方式得到，即：对参考地图中未与测试地图中的任何对象发生映射的对象进行计数，并将该数量除以参考地图中的对象总数；而假正率由以下方式得到，即：将测试地图中未被映射的对象的数量除以测试地图中的对象总数。

对应于上述方法，还提供一种在面向自动驾驶的高精度地图中基于随机优化对点状地标对象的精度质量进行评估的装置，其包括：

–候选集生成模块，其设计用于生成参考地图和测试地图中的各个点状对象之间的对象对应关系候选集；

–当前映射配置生成模块，其设计用于基于所生成的对象对应关系候选集，在当前对象映射配置中随机增加或去除对象对应关系对；

–代价函数计算模块，其设计用于基于欧氏距离和拓扑约束计算用于各个当前对象对应关系对的代价函数；

–新映射配置生成模块，其设计用于基于代价函数通过随机方案接受或拒绝当前对象映射配置；

–迭代判断模块，其设计用于判断迭代次数是否达到预先设定的数，如果未达到，返回前述随机增加或去除对象对应关系对的步骤，继续迭代，否则，进入后续的评估步骤；

–评估模块，其设计用于基于最后获得的对象映射配置评估测试地图的精度质量。

本发明不局限于上述特征组合。本领域技术人员可单独地或以不同于所述组合的组合使用上述特征和/或下面还要阐述的说明书特征和/或附图特征，来改进本发明的实施形式，而不偏离本发明的范围。

附图说明

下面参考附图详细解释本发明。但要指出的是，实施例并非对本发明的限制，而是仅示出有利的设计方案。在图中：

图1示出根据本发明的方法的流程图。

图2示出测试地图和参考地图中的交通指示牌的对象对应关系。

图3示出绝对精度和相对精度的直方图。

具体实施方式

图1示出本发明方法的流程图。

在步骤S1中，对于参考地图和测试地图中的每个点状对象O_R和O_T，生成候选集C，该候选集C包含O_R和O_T之间的所有可能的、成对的对象对应关系。在此，一方面，对于参考地图中的每个对象O_R，在测试地图中查找匹配对象{O_T}，由此得到第一对象对应关系，记为c_RT{O_R→O_T}，其组成第一对象对应关系集C_RT。在此，可通过以下方式查找匹配对象：设定匹配距离阈值dr，对于参考地图中的每个位于(x，y)处的对象O_R，在测试地图中在由原点(x，y)和匹配距离阈值dr限定的圆内查找匹配对象{O_T}。另一方面，以类似的方式，对于测试地图中的每个对象O_T，在参考地图中查找匹配对象{O_R}，由此得到第二对象对应关系，记为c_TR{O_R→O_T}，其组成第二对象对应关系集C_TR。接着将这两个对象对应关系集C_RT和C_TR组合起来并去除冗余，从而得到唯一一个对象对应关系候选集C。在此，如果第一对应关系c_RT{O_R→O_T}中涉及到的两个对象与第二对应关系c_TR{O_R→O_T}中所涉及的两个对象完全相同，那么认为这两个对应关系之一是冗余的，应当去除。

接着在步骤S2中，基于所得到的对象对应关系候选集C，在当前对象映射配置M中随机增加或去除对象对应关系对。在此，随机生成一个[0,1]之间的数α，如果α≥0.5，则随机选择候选集C中的一个对象对应关系c，并将其加入到当前对象映射配置M中；否则，如果α＜0.5，则随机去除当前对象映射配置M中的一个对象对应关系c。

然后在步骤S3中，基于欧氏距离和拓扑约束计算用于当前对象映射配置M中的各个对象对应关系的代价函数。拓扑约束一般表示地图中一块区域内的各个对象之间的拓扑关系，简单地如，A对象在B对象的左边，即A_右<B_左；B对象与C对象右边对齐，即B_右＝C_右；B对象的长度是A对象的长度的两倍，即L_B＝2L_A。通过求解约束集能调整该区域的布局。在此，以下述方式定义代价函数，即：该代价函数包括两个部分，一个是数据项，且另一个是先验项，数据项奖励对象对应关系对之间的较接近的距离，先验项惩罚一对多、重复对和交叉的对象对应关系。在每次迭代中都基于当前对象映射配置M计算代价函数。

在步骤S4中，基于随机方案接受或拒绝当前对象映射配置M。在此，计算前一个状态与当前状态之间的代价函数值的差，如果代价函数值减小，则接受该改变；否则，如果代价函数值增大或保持不变，则基于随机方案，根据随机生成的[0,1]之间的数β有条件地接受该改变。也就是说，通过随机数β与一参量a的值的大小关系来决定是否接受该改变，该参量a视随机方案而定，并且一般与本次迭代(即新生成的候选状态)M^*和上次迭代(即前一个状态)中的当前对象映射配置M^t-1有关。

在此，可以使用任何已知的马尔可夫链蒙特卡罗(MCMC)模拟算法作为随机方案，如常见的Metropolis-Hastings算法和Gibbs采样法。例如，该随机方案可以是：如果β≤min(1,a(M^*，M^t-1))，则接受该改变，否则，拒绝该改变。

接着在步骤S5中，判断迭代次数是否达到预设次数N。如果迭代次数未达到N次，则返回步骤S2；一旦迭代次数达到N，对象对应关系就被固定，由此转入后续的评估步骤S6至S8。

在步骤S6中，计算绝对精度。其中，由一对一对象映射之间的欧氏距离的平均值和均方差得到绝对精度。

在步骤S7中，计算相对精度。其中，在参考地图中，将最接近的对象连接起来形成网络。由此，基于一对一对象对应关系M在测试地图中建立起具有相同拓扑的网络。对于参考地图中的网络的每条边e_R，在测试地图中查找对应的边e_T，计算相对距离误差e_T-e_R，由该相对距离误差的平均值和均方差给出相对精度。

在步骤S8中，计算假正率和假负率。其中，假负率由下述方式得到：对参考地图中未与测试地图中的任何对象发生映射的对象进行计数，该数量例如为N₁，假负率则为N₁与参考地图中所有对象的总数量N_参考之比，即N₁/N_参考。假正率由下述方式得到：将测试地图中未被映射的对象的数量N₂除以测试地图中的对象的总数量N_测试，即N₂/N_测试。

图2中以显示在参考地图中的和测试地图中的交通指示牌为例，示出两个地图中各个对象(交通指示牌)之间的对应关系。在此可看出，两个地图中的对象之间为一对一的对应关系。

图3以直方图示出由图2的对象对应关系计算出的绝对精度(左图)和相对精度(右图)。

Claims (10)

1.一种在高精度地图中对点状地标对象的精度质量进行评估的方法，其包括以下步骤：

1)生成参考地图和测试地图中的各个点状对象之间的所有可能的、成对的对象对应关系候选集；

2)基于所述对象对应关系候选集，在当前对象映射配置中随机增加或去除对象对应关系对；

3)基于欧氏距离和拓扑约束，计算用于各个当前对象对应关系对的代价函数；

4)基于代价函数，通过随机方案接受或拒绝当前对象映射配置；

5)判断迭代次数是否达到预先设定的数，如果未达到，返回步骤2)，继续迭代，否则，进入步骤6)；

6)基于最后获得的对象映射配置评估测试地图的精度质量。

2.根据权利要求1所述的方法，其特征在于，在步骤1)中，对于参考地图中的每个对象，在测试地图中查找匹配对象，得到第一对象对应关系集；对于测试地图中的每个对象，在参考地图中查找匹配对象，得到第二对象对应关系集；将第一对象对应关系集和第二对象对应关系集组合起来，并去除冗余，从而得到对象对应关系候选集。

3.根据权利要求2所述的方法，其特征在于，通过以下方式查找匹配对象：预先设定一匹配距离阈值，对于参考地图或测试地图中的每个对象，在测试地图或参考地图中在以该对象的坐标为原点、匹配距离阈值为半径的圆内查找该对象的匹配对象。

4.根据权利要求1至3中任一项所述的方法，其特征在于，在步骤2)中，随机生成[0,1]之间的数α，如果α≥0.5，则从所述对象对应关系候选集中随机选择一个对象对应关系，并将其加入到当前对象映射配置中；否则，从当前对象映射配置中随机去除一个对象对应关系。

5.根据权利要求1至3中任一项所述的方法，其特征在于，如此定义代价函数，使得该代价函数包括两个部分，一个是数据项，另一个是先验项，其中，数据项奖励对象对应关系对之间的较接近的距离，先验项惩罚一对多和重复对的对象对应关系以及交叉的对象对应关系。

6.根据权利要求1至3中任一项所述的方法，其特征在于，对测试地图的精度质量的评估可包括：基于欧氏距离评估绝对精度；或基于相邻对象之间距离的差评估相对精度；或计算假正率和/或假负率。

7.根据权利要求6所述的方法，其特征在于，通过计算测试地图与参考地图中一对一的对象映射之间的欧氏距离的平均值和均方差，来得到绝对精度。

8.根据权利要求6所述的方法，其特征在于，通过计算测试地图中相邻两个对象之间的距离与参考地图中相应映射的相邻两个对象之间的距离的差的平均值和均方差，来得到相对精度。

9.根据权利要求6所述的方法，其特征在于，通过对参考地图中未与测试地图中的任何对象发生映射的对象进行计数，并将该数量除以参考地图中的对象总数，来得到假负率。

10.根据权利要求6所述的方法，其特征在于，通过对测试地图中未被参考地图中的任何对象映射的对象进行计数，并将该数量除以测试地图中的对象总数，来得到假正率。