CN109084786B - 一种地图数据的处理方法 - Google Patents

Abstract

本发明实施例涉及一种地图数据的处理方法，包括：服务器接收智能车辆采集到的区块的环境数据；将对齐处理后的定位数据、图像数据和激光点云数据进行融合处理，得到区块的道路属性地图数据和道路拓扑结构地图数据；对对齐处理后的定位数据、图像数据和激光点云数据进行多次融合处理，对道路属性地图数据中的交通信号信息进行多次标注，从而对道路属性地图数据中的交通信号信息的标注位置进行多次修正，得到区块的修正后的道路属性地图数据，并且，对道路拓扑结构地图数据中的道路路网结构进行多次修正，从而得到区块的修正后的道路拓扑结构地图数据。

Description

一种地图数据的处理方法

技术领域

本发明涉及数据处理领域，尤其涉及一种地图数据的处理方法。

背景技术

随着人工智能技术和计算机技术的发展，自动驾驶技术日渐成熟。自动驾驶车辆能够高效利用交通资源，缓解交通拥堵、减少碳排放，自动驾驶技术近年来发展迅速，自动驾驶技术也是近年的热点话题。自动驾驶技术已经逐渐走进人们的日常生活，潜移默化的改变着人们的出行方式。自动驾驶技术在军用及民用上均具有巨大的应用前景。军用上，它不仅能够作为无人运输平台，还能用作无人爆破车、无人作战平台、无人巡逻与监视车辆等；民用中，除了为人类生活带来便捷之外，还能够降低交通事故发生率与提高道路通行效率。

地图数据的生成和车辆的定位是自动驾驶的关键技术，但现有的地图数据生成方法生成的地图精准性不够，导致车辆的作业效率低、安全性差，且现有的定位技术不够精确，在驾驶过程中经常出现车辆在当前车道行驶，却定位在旁边车道的现象，定位的不准确将导致行为决策及运动规划的错误，从而导致车辆在自动行驶过程中的安全性较差问题。

发明内容

本发明的目的是提供一种地图数据的处理方法，通过多种传感器检测数据多次融合，得到更为精准的道路属性地图数据和道路拓扑结构地图数据，并且可以通过多辆智能车辆对同一区块进行环境采集，可以克服单车的采集检测误差，从而提高地图数据的精准性，并且，在行驶过程中，能够通过多种传感器检测数据相融合的方法准确对车辆进行精确定位，保证车辆定位的准确性，并且根据车辆的精确的位置实时加载地图信息，使车辆能够准确进行决策及运动规划，从而保证车辆在自动驾驶过程中的安全性。

为实现上述目的，本发明提供了一种地图数据的处理方法，包括：

服务器接收智能车辆采集到的区块的环境数据；所述环境数据包括所述智能车辆的GPS采集到的定位数据、摄像头采集到的图像数据以及激光雷达采集到的激光点云数据；所述定位数据、图像数据和激光点云数据均具有时间戳；

根据所述时间戳，将所述定位数据、图像数据和激光点云数据在时间上进行对齐处理；

将所述对齐处理后的定位数据、图像数据和激光点云数据进行融合处理，得到区块的道路属性地图数据和道路拓扑结构地图数据；其中，在所述道路属性地图数据中标注有交通信号信息；在所述道路拓扑结构地图数据中包括道路路网结构信息；

对所述对齐处理后的定位数据、图像数据和激光点云数据进行多次融合处理，对所述道路属性地图数据中的交通信号信息进行多次标注，从而对所述道路属性地图数据中的交通信号信息的标注位置进行多次修正，得到区块的修正后的道路属性地图数据，并且，

对所述道路拓扑结构地图数据中的道路路网结构进行多次修正，从而得到区块的修正后的道路拓扑结构地图数据；

根据多个区块的位置信息，将各个区块的修正后的道路属性地图数据进行处理融合，得到所有区块的道路属性地图数据，并且，将各个区块的修正后的道路拓扑结构地图数据进行处理融合，得到所有区块的道路拓扑结构地图数据。

优选的，在所述服务器接收智能车辆采集到的区块的环境数据之前，所述方法还包括：

服务器规划每个智能车辆的采集任务信息，所述采集任务信息中包括一个或多个区块；

根据车辆ID，将所述采集任务信息发送给相对应的智能车辆。

进一步优选的，在所述根据车辆ID，将所述采集任务信息发送给相对应的智能车辆之后，所述方法还包括：

所述多个智能车辆对相同区块或不同区块进行环境数据的采集。

优选的，在所述根据多个区块的位置信息，将各个区块的修正后的道路属性地图数据进行处理融合之前，所述方法还包括：

获取同一区块对应的多个智能车辆采集到的多个修正后的道路属性地图数据和多个修正后的道路拓扑结构地图数据；

将多个修正后的道路属性地图数据进行对比处理，得到对比处理后的区块道路属性地图数据；

将多个修正后的道路拓扑结构地图数据进行对比处理，得到对比处理后的区块道路拓扑结构地图数据。

进一步优选的，所述将多个修正后的道路属性地图数据进行对比处理，得到对比处理后的区块道路属性地图数据具体包括：

解析所述多个修正后的道路属性地图数据中的交通信号信息的标注位置；

获取同一交通信号信息的多个标注位置；

对所述多个标注位置进行处理计算，根据计算结果对所述修正后的道路属性地图数据进行二次修正。

进一步优选的，所述将多个修正后的道路拓扑结构地图数据进行对比处理，得到对比处理后的区块道路拓扑结构地图数据具体包括：

解析所述多个修正后的道路拓扑结构地图数据中的道路路网结构信息；

获取同一路段的多个道路路网结构信息；

对所述同一路段的多个道路路网结构信息进行处理计算，根据计算结果对所述修正后的道路拓扑结构地图数据进行二次修正。

优选的，在所述得到所有区块的道路拓扑结构地图数据之后，所述方法还包括：

所述服务器接收车辆发送的路径规划请求；所述路径规划请求中包括目标位置信息；

根据车辆当前的位置信息、所述目标位置信息以及所述所有区块的道路属性地图数据和道路拓扑结构地图数据进行路径规划，得到作业路径信息；

将所述作业路径信息发送给所述智能车辆。

进一步优选的，在所述将所述作业路径信息发送给所述智能车辆之后，所述方法还包括：

智能车辆获取车载GPS检测到的第一位置信息；

所述智能车辆根据所述第一位置信息加载预设范围的道路属性地图数据和道路拓扑结构地图数据；

获取车载激光雷达检测到的激光点云数据，将所述激光点云数据与道路拓扑结构地图数据中的激光点云数据进行匹配，得到第二位置信息；

获取车载惯性测量单元检测到的加速度信息、角速度信息、姿态角信息，以及车载轮速计检测到的左右轮的角速度信息、线速度信息和车辆横摆率信息；

运用算法将所述GPS检测到的第一位置信息、激光雷达检测到的第二位置信息、惯性测量单元检测到的加速度信息、角速度信息、姿态角信息以及轮速计检测到的左右轮的角速度信息、线速度信息和车辆横摆率信息进行处理融合，得到精确位置信息；

根据所述精确位置信息修正所述加载的道路属性地图数据和道路拓扑结构地图数据。

进一步优选的，所述方法还包括：

在所述智能车辆行驶过程中，根据实时计算得到精确位置信息，实时加载道路属性地图数据和道路拓扑结构地图数。

进一步优选的，所述方法还包括：

在所述智能车辆行驶过程中，对环境数据进行采集，并发送给服务器；

服务器对所述环境数据进行处理，根据处理结果更新对应区块的道路属性地图数据和道路拓扑结构地图数。

本发明实施例提供的地图数据的处理方法，通过多种传感器检测数据多次融合，得到更为精准的道路属性地图数据和道路拓扑结构地图数据，并且可以通过多辆智能车辆对同一区块进行环境采集，可以克服单车的采集检测误差，从而提高地图数据的精准性，进而保证智能车辆的高效作业和作业安全。

附图说明

图1为本发明实施例提供的地图数据的处理方法的流程图。

具体实施方式

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

本发明实施例提供的地图数据的处理方法应用于服务器和多个智能车辆之间，用于生成和加载道路属性地图数据和道路拓扑结构地图数据；其中，智能车辆可以理解为无人驾驶的自动驾驶车辆。

智能车辆安装有环境感知模块，地图数据的生成和加载都是基于环境感知模块进行的，环境感知模块包括但不限于摄像头、激光雷达、全球定位系统(Global PositioningSystem，GPS)、惯性测量单元(Inertial measurement unit，IMU)和轮速计。其中，摄像头和激光雷达可以为多个，分别设置在智能车辆的四周，用于采集车辆周围的环境信息和障碍物的探测；GPS用于获取车辆的位置信息，所述GPS优选为两个差分GPS，设置于车辆的顶部，用于精确获取车辆的位置信息；惯性测量单元可以设置在车的底盘等隐秘位置，用于获取车辆当前加速度、角速度、姿态角等物理信息来推算车辆位置；轮速计可以为两个，分别设置在车辆的左右轮子上，用于获取车辆当前左右轮的角速度、线速度和车辆横摆率等信息来推算车辆位置，轮速计会对每一时刻得到的位移信息进行累加，得到相对初始位置的累积位移。

图1为本发明实施例提供的地图数据的处理方法的流程图，如图1所示，所述方法包括如下步骤：

步骤101，服务器接收智能车辆采集到的区块的环境数据；

地图数据的采集是依靠多个智能车辆完成的，在此之前服务器需要分配每个智能车辆的采集区块，具体的，服务器规划每个智能车辆的采集任务信息，采集任务信息中包括一个或多个区块；然后，根据车辆ID，将采集任务信息发送给相对应的智能车辆。需要说明的是，同一区块地图数据的采集可以通过一个智能车辆采集，也可以通过多个智能车辆采集，多个车辆对同一区块地图进行采集能够提高地图数据的准确性。

在任务下发后，可以通过人工驾驶的方式将智能车辆行驶至相对应的区块，进行环境地图数据的采集，从而多个智能车辆对相同区块或不同区块进行环境数据的采集，车辆在区块内行驶，在行驶过程中采集环境数据，环境数据的采集是通过GPS、激光雷达和摄像头完成的，在完成区块采集任务后，智能车辆将采集到的环境数据上传至服务器。

服务器接收智能车辆采集到的区块的环境数据，对环境数据进行解析得到，智能车辆的GPS采集到的定位数据、摄像头采集到的图像数据以及激光雷达采集到的激光点云数据。需要说明的是，定位数据、图像数据和激光点云数据均具有时间戳，记录采集的时间。

步骤102，根据时间戳，将定位数据、图像数据和激光点云数据在时间上进行对齐处理；

具体的，根据定位数据、图像数据和激光点云数据的时间戳，将定位数据、图像数据和激光点云数据在时间上进行对齐处理，从而对多个传感器得到的数据进行后续准确处理。

步骤103，将对齐处理后的定位数据、图像数据和激光点云数据进行融合处理，得到区块的道路属性地图数据和道路拓扑结构地图数据；

具体的，在融合处理后对移动障碍物进行删除，并对交通信号信息的位置进行标注，交通信号信息具体可以包括信号灯和交通标志牌，交通信号位置的标注可以通过人工手动标注，也可以通过预设交通信号数据库进行自动标注，从而得到区块的道路属性地图数据，并且根据融合处理处理后的定位数据、图像数据和激光点云数据生成道路拓扑结构地图数据，在道路拓扑结构地图数据中包括道路路网结构信息。

步骤104，对对齐处理后的定位数据、图像数据和激光点云数据进行多次融合处理，对道路属性地图数据中的交通信号信息进行多次标注，从而对道路属性地图数据中的交通信号信息的标注位置进行多次修正，得到区块的修正后的道路属性地图数据；

为了保证交通信号信息的标注位置的准确性，需要对对齐处理后的定位数据、图像数据和激光点云数据进行多次融合处理，在每次融合处理后的数据中重新标注每个交通信号的位置，并根据重新标注的每个交通信息号的位置对步骤103中道路属性地图数据中相对应的交通信息号的位置进行修正，具体通过预设算法进行修正，预设算法可以为平均值算法或其他算法等等，在一个具体的例子中，在步骤103中道路属性地图数据中标注的一个交通信号的位置为A1，第二次融合后标注的同一交通信号的位置为A2，则修正后的位置为(A1+A2)/2,以此类推，第三次融合后标注的同一交通信号的位置为A3，根据第三次融合后标注的同一交通信号的位置后第二次融合后得到的修正后的位置进行二次修正，从而在多次融合处理后得到多次修正的交通信号标注位置，进而得到区块的修正后的道路属性地图数据。

在优选的实施例中，为了便于计算，可以将多次融合处理后得到的多个标注位置统一进行处理，比如在步骤103中道路属性地图数据中标注的一个交通信号的位置为A1，第二次融合后标注的同一交通信号的位置为A2，第二次融合后标注的同一交通信号的位置为A3……第N次融合后标注的同一交通信号的位置为AN，这样对于一个交通信号就可以得到多个标注位置，运用算法对多个标注位置进行处理计算，比如平均值计算或其他统计算法计算，从而得到修正后的交通信号标注位置，进而得到区块的修正后的道路属性地图数据。需要说明的是，本领域技术人员可以根据需要对算法进行选择和设定。

步骤105，对道路拓扑结构地图数据中的道路路网结构进行多次修正，从而得到区块的修正后的道路拓扑结构地图数据；

道路拓扑结构地图数据具体可以是激光点云地图数据，在激光点云地图数据中道路路网结构信息，具体包括车道线、道路边界、固定障碍物等。道路拓扑结构地图数据的修正和道路属性地图数据的修正可以是同步进行的，对齐处理后的定位数据、图像数据和激光点云数据进行多次融合处理后，对道路拓扑结构地图中的激光点云数据进行多次修正，具体可以将步骤103得到的道路拓扑结构地图的激光点云数据与多次融合处理后得到的激光点云数据进行计算，根据计算结果进行修正，所述计算方法同步骤104中的方法相似，此处不再进行赘述，从而得到区块的修正后的道路拓扑结构地图数据。

步骤106，根据多个区块的位置信息，将各个区块的修正后的道路属性地图数据进行处理融合，得到所有区块的道路属性地图数据，并且，将各个区块的修正后的道路拓扑结构地图数据进行处理融合，得到所有区块的道路拓扑结构地图数据。

在得到各个区块相对应的道路属性地图和道路拓扑结构地图之后，根据多个区块的位置信息，将各个区块的修正后的道路属性地图数据进行融合拼接处理得到完整的所有区块的道路属性地图数据，并且，根据多个区块的位置信息，将各个区块的修正后的道路拓扑结构地图数据进行融合拼接处理得到完整的所有区块的道路拓扑结构地图数据。

在优选的实施例中，为了使得到的地图数据更加准确，在步骤101中设定同一区块地图数据的采集可以通过多辆智能车辆进行采集,通过步骤102至步骤105的流程对各个车辆采集到的数据进行处理，从而得到各个智能车辆采集到的多个修正后的道路属性地图数据和多个修正后的道路拓扑结构地图数据，那么在步骤106之前，所述方法还包括：获取同一区块对应的多个智能车辆采集到的多个修正后的道路属性地图数据和多个修正后的道路拓扑结构地图数据；将多个修正后的道路属性地图数据进行对比处理，得到对比处理后的区块道路属性地图数据，具体的，解析多个修正后的道路属性地图数据中的交通信号信息的标注位置；获取同一交通信号信息的多个标注位置；对多个标注位置进行处理计算，根据计算结果对修正后的道路属性地图数据进行二次修正。同时，将多个修正后的道路拓扑结构地图数据进行对比处理，得到对比处理后的区块道路拓扑结构地图数据，具体的，解析多个修正后的道路拓扑结构地图数据中的道路路网结构信息；获取同一路段的多个道路路网结构信息；对同一路段的多个道路路网结构信息对应的激光点云数据进行处理计算，根据计算结果对修正后的道路拓扑结构地图数据进行二次修正。需要说明的是，地图数据二次修正的方法与一次修正的方法相同，因此在此进行简单描述。通过多车地图数据的采集和处理，可以克服单车的采集检测误差，从而提高地图数据的精准性，进而保证智能车辆的高效作业和作业安全。

在得到精准的环境地图数据之后，智能车辆就可以根据用户的需求进行驾驶。具体的，用户在乘坐智能车辆时，可以通过智能车辆内的显示屏输入要到达的目标位置信息，其中，该目标位置信息是指用户要到达的目的地，智能车辆根据目标位置信息生成路径规划请求，发送给服务器；服务器接收车辆发送的路径规划请求，路径规划请求中包括目标位置信息；服务器根据路径规划请求中的目标位置信息确定相对应的经纬度；然后，根据车辆当前的位置信息、目标位置的经纬度信息以及所有区块的道路属性地图数据和道路拓扑结构地图数据进行路径规划，得到作业路径信息，并将作业路径信息发送给智能车辆。

在此之后，智能车辆需要根据当前位置实时加载地图数据，具体的，智能车辆获取车载GPS检测到的第一位置信息；其中，第一位置信息是指车载GPS检测到的位置信息，由于GPS定位存在误差，因此第一位置信息不是车辆当前的精确位置信息。在优选的实施例中，为减小第一位置信息和车辆当前位置的误差，车载GPS优选为差分GPS，智能车辆获取车载差分GPS检测到的第一位置信息。

智能车辆根据第一位置信息从服务器加载预设范围的道路属性地图数据和道路拓扑结构地图数据；其中，预设范围是指加载的地图范围，是本领域技术人员预先设定的，比如可以以第一位置为中心，以200m为半径进行地图数据的加载。

为获取车辆当前精确的位置信息，还需结合多种传感器的检测数据，具体的，车载的多个激光雷达向周围发射激光信号，并接收周围环境反馈的信号，即根据周围物体反馈的激光点云数据，多个激光雷达得到的多个激光点云数据，根据多个激光雷达的位置以及相对应的激光点云数据，与道路拓扑结构地图数据中的激光点云数据进行匹配，从而得到当前车辆的第二位置信息，第二位置信息是指通过激光雷达确定的车辆的位置信息。

需要说明的是，将得到的激光点云数据与道路拓扑结构地图数据中的激光点云数据进行匹配，是指将得到的激光点云数据与上述过程中加载的道路拓扑结构地图数据中的点云数据进行匹配，这样可以减少计算量，提高匹配速度，从而加快定位时间。

接着，获取车载惯性测量单元检测到的加速度信息、角速度信息、姿态角信息，以及车载轮速计检测到的左右轮的角速度信息、线速度信息和车辆横摆率信息。

运用算法将GPS检测到的第一位置信息、激光雷达检测到的第二位置信息、惯性测量单元检测到的加速度信息、角速度信息、姿态角信息以及轮速计检测到的左右轮的角速度信息、线速度信息和车辆横摆率信息进行处理融合，得到精确位置信息，并根据精确位置信息修正加载的道路属性地图数据和道路拓扑结构地图数据。具体的，运用扩展卡尔曼滤波算法将GPS检测到的第一位置信息、激光雷达检测到的第二位置信息、惯性测量单元检测到的加速度信息、角速度信息、姿态角信息以及轮速计检测到的左右轮的角速度信息、线速度信息和车辆横摆率信息进行处理融合，得到精确位置信息，从而得到车辆当前准确的位置信息，然后根据多个传感器检测数据融合得到的精确位置信息修正加载的地图数据，并在修正后的地图数据中准确显示车辆的当前的位置信息。通过多种传感器检测数据相融合的方法准确对车辆进行精确定位，保证车辆定位的准确性，并且根据车辆的精确的位置实时加载地图信息，使车辆能够准确进行决策及运动规划，从而保证车辆在自动驾驶过程中的安全性。

在智能车行驶过程中，根据实时计算得到精确位置信息，对车辆进行精确定位，并且根据车辆的位置信息实时加载道路属性地图数据和道路拓扑结构地图数，从而使车辆能够根据地图数据准确行驶和做出决策，进而保证行车安全。在优选的实施例中，在智能车辆行驶过程中，对环境数据进行采集，并发送给服务器；服务器根据上述步骤102至步骤105对环境数据进行处理，根据处理结果更新对应区块的道路属性地图数据和道路拓扑结构地图数据，从而可以根据道路实际情况对地图进行更新，保证地图数据的精准性和车辆作业安全。

本发明实施例提供的地图数据的处理方法，通过多种传感器检测数据多次融合，得到更为精准的道路属性地图数据和道路拓扑结构地图数据，并且可以通过多辆智能车辆对同一区块进行环境采集，可以克服单车的采集检测误差，从而提高地图数据的精准性，并且，在行驶过程中，能够通过多种传感器检测数据相融合的方法准确对车辆进行精确定位，保证车辆定位的准确性，并且根据车辆的精确的位置实时加载地图信息，使车辆能够准确进行决策及运动规划，从而保证车辆在自动驾驶过程中的安全性。

专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种地图数据的处理方法，其特征在于，所述方法包括：

服务器接收智能车辆采集到的区块的环境数据；所述环境数据包括所述智能车辆的GPS采集到的定位数据、摄像头采集到的图像数据以及激光雷达采集到的激光点云数据；所述定位数据、图像数据和激光点云数据均具有时间戳；

根据所述时间戳，将所述定位数据、图像数据和激光点云数据在时间上进行对齐处理；

将所述对齐处理后的定位数据、图像数据和激光点云数据进行融合处理，得到区块的道路属性地图数据和道路拓扑结构地图数据；其中，在所述道路属性地图数据中标注有交通信号信息；在所述道路拓扑结构地图数据中包括道路路网结构信息；

对所述对齐处理后的定位数据、图像数据和激光点云数据进行多次融合处理，对所述道路属性地图数据中的交通信号信息进行多次标注，从而对所述道路属性地图数据中的交通信号信息的标注位置进行多次修正，得到区块的修正后的道路属性地图数据，并且，

对所述道路拓扑结构地图数据中的道路路网结构进行多次修正，从而得到区块的修正后的道路拓扑结构地图数据；

根据多个区块的位置信息，将各个区块的修正后的道路属性地图数据进行处理融合，得到所有区块的道路属性地图数据，并且，将各个区块的修正后的道路拓扑结构地图数据进行处理融合，得到所有区块的道路拓扑结构地图数据。

2.根据权利要求1所述的地图数据的处理方法，其特征在于，在所述服务器接收智能车辆采集到的区块的环境数据之前，所述方法还包括：

服务器规划每个智能车辆的采集任务信息，所述采集任务信息中包括一个或多个区块；

根据车辆ID，将所述采集任务信息发送给相对应的智能车辆。

3.根据权利要求2所述的地图数据的处理方法，其特征在于，在所述根据车辆ID，将所述采集任务信息发送给相对应的智能车辆之后，所述方法还包括：

多个所述智能车辆对相同区块或不同区块进行环境数据的采集。

4.根据权利要求1所述的地图数据的处理方法，其特征在于，在所述根据多个区块的位置信息，将各个区块的修正后的道路属性地图数据进行处理融合之前，所述方法还包括：

获取同一区块对应的多个智能车辆采集到的多个修正后的道路属性地图数据和多个修正后的道路拓扑结构地图数据；

将多个修正后的道路属性地图数据进行对比处理，得到对比处理后的区块道路属性地图数据；

将多个修正后的道路拓扑结构地图数据进行对比处理，得到对比处理后的区块道路拓扑结构地图数据。

5.根据权利要求4所述的地图数据的处理方法，其特征在于，所述将多个修正后的道路属性地图数据进行对比处理，得到对比处理后的区块道路属性地图数据具体包括：

解析所述多个修正后的道路属性地图数据中的交通信号信息的标注位置；

获取同一交通信号信息的多个标注位置；

对所述多个标注位置进行处理计算，根据计算结果对所述修正后的道路属性地图数据进行二次修正。

6.根据权利要求4所述的地图数据的处理方法，其特征在于，所述将多个修正后的道路拓扑结构地图数据进行对比处理，得到对比处理后的区块道路拓扑结构地图数据具体包括：

解析所述多个修正后的道路拓扑结构地图数据中的道路路网结构信息；

获取同一路段的多个道路路网结构信息；

对所述同一路段的多个道路路网结构信息进行处理计算，根据计算结果对所述修正后的道路拓扑结构地图数据进行二次修正。

7.根据权利要求1所述的地图数据的处理方法，其特征在于，在所述得到所有区块的道路拓扑结构地图数据之后，所述方法还包括：

所述服务器接收车辆发送的路径规划请求；所述路径规划请求中包括目标位置信息；

根据车辆当前的位置信息、所述目标位置信息以及所述所有区块的道路属性地图数据和道路拓扑结构地图数据进行路径规划，得到作业路径信息；

将所述作业路径信息发送给所述智能车辆。

8.根据权利要求7所述的地图数据的处理方法，其特征在于，在所述将所述作业路径信息发送给所述智能车辆之后，所述方法还包括：

智能车辆获取车载GPS检测到的第一位置信息；

所述智能车辆根据所述第一位置信息加载预设范围的道路属性地图数据和道路拓扑结构地图数据；

获取车载激光雷达检测到的激光点云数据，将所述激光点云数据与道路拓扑结构地图数据中的激光点云数据进行匹配，得到第二位置信息；

获取车载惯性测量单元检测到的加速度信息、角速度信息、姿态角信息以及车载轮速计检测到的左右轮的角速度信息、线速度信息和车辆横摆率信息；

运用算法将所述GPS检测到的第一位置信息、激光雷达检测到的第二位置信息、惯性测量单元检测到的加速度信息、角速度信息、姿态角信息以及轮速计检测到的左右轮的角速度信息、线速度信息和车辆横摆率信息进行处理融合，得到精确位置信息；

根据所述精确位置信息修正所述加载的道路属性地图数据和道路拓扑结构地图数据。

9.根据权利要求8所述的地图数据的处理方法，其特征在于，所述方法还包括：

在所述智能车辆行驶过程中，根据实时计算得到精确位置信息，实时加载道路属性地图数据和道路拓扑结构地图数据。

10.根据权利要求9所述的地图数据的处理方法，其特征在于，所述方法还包括：

在所述智能车辆行驶过程中，对环境数据进行采集，并发送给服务器；

服务器对所述环境数据进行处理，根据处理结果更新对应区块的道路属性地图数据和道路拓扑结构地图数据。

Images