CN109256028B - 一种用于无人驾驶的高精度路网自动生成的方法 - Google Patents

一种用于无人驾驶的高精度路网自动生成的方法 Download PDF

Info

Publication number
CN109256028B
CN109256028B CN201810987455.5A CN201810987455A CN109256028B CN 109256028 B CN109256028 B CN 109256028B CN 201810987455 A CN201810987455 A CN 201810987455A CN 109256028 B CN109256028 B CN 109256028B
Authority
CN
China
Prior art keywords
lane
road
road section
linear
point
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
Application number
CN201810987455.5A
Other languages
English (en)
Other versions
CN109256028A (zh
Inventor
郑玲
李必军
王鑫
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.)
Wuhan University WHU
Original Assignee
Jiangsu Jiugao Electronic 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 Jiangsu Jiugao Electronic Technology Co ltd filed Critical Jiangsu Jiugao Electronic Technology Co ltd
Priority to CN201810987455.5A priority Critical patent/CN109256028B/zh
Publication of CN109256028A publication Critical patent/CN109256028A/zh
Application granted granted Critical
Publication of CN109256028B publication Critical patent/CN109256028B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G09B29/005—Map projections or methods associated specifically therewith
    • 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
    • G09B29/006—Representation of non-cartographic information on maps, e.g. population distribution, wind direction, radiation levels, air and sea routes
    • G09B29/007—Representation of non-cartographic information on maps, e.g. population distribution, wind direction, radiation levels, air and sea routes using computer methods

Abstract

本发明公开了一种用于无人驾驶模型的高精度路网自动生成的方法，首先构建高精度路网模型HDRNM，该模型包括高精度路段网络层与高精度车道网络层，同时还包含路段网络层与车道网络层的关联关系；首先提取路段网络层数据；然后使用基于多方向约束的PCA实现了车道网络层的自动提取；最后利用线性事件点进行道路分段，建立车道网络层和路段网络层之间的拓扑关系。

Description

一种用于无人驾驶的高精度路网自动生成的方法
技术领域
本发明属于高精度地图技术领域，涉及一种高精度路网自动生成的方法，具体涉及一种用于无人驾驶的高精度路网自动生成的方法。
背景技术
HD Map是一种专门服务于无人驾驶的地图，高精度地图的应用对无人驾驶越来越重要，高精度路网是高精地图中的最重要的组成内容。随着智能交通的发展和ADAS的火热发展，HD map(High Definition map)在学术界和工业界都引起了很大的关注(文献1-5)。HD map能够提供精细化的地图信息辅助智能车辆实现高精度定位(文献6-8)，可以解决特定情况下传感器失效的问题，弥补环境感知设备的不足，有效降低智能车辆感知的难度(文献9-11)；根据地图和动态交通信息的先验知识，基于全局路径规划给出最佳的行驶路径和合理的行驶策略(文献12-14)，有效实现驾驶车主动安全，降低车辆驾驶的复杂度(文献15)。因此，HD map的generation变得十分重要，HD map目前处于重大需求阶段(文献16)。路网数据是对真实世界道路模型的表达，high definition road network是HD map的重要的组成部分。
但是目前，对高精度路网的自动生成的研究中同时关注道路提取和路段提取的研究还不多。
高精度路网的生成研究，主要集中利用众包或者智能车的设备实现路网的提取(文献17-19)，高精度路段的生成(文献20,21)，高精度路口的提取(文献22)等。在高精度路网的模型的研究问题上，研究主要集中在在高精度路网的表达的格式(文献23)，高精度路口的表达(文献24)，道路模型(文献25,26)等展开的研究，但是少有人同时关注到车道和路段拓扑关联关系的自动生成。路网的自动生成拓扑关系的自动生成前人也做了一些研究，主要方法有合并不同层的交叉点(文献27)，利用点关联(文献28)，using Hidden MarkovModel(HMM)map matching等(文献29)。但是这些研究不是基于车道级路网的拓扑提取，针对车道级路网的拓扑提取大量依靠手工的办法。
HD map数据通常为厘米级positioning accuracy of approximate(文献30)，高精度路网的自动生成越来越得到学者的广泛关注。高精度地图所服务的对象不仅包含现有的ADAS系统，还应该包含无人驾驶系统、辅助安全系统、车路协同系统等等。
在高精路网的模型表达上面，目前对车道提取和模型已有学者做了很多相关的研究。Gi-Poong et al.用了piecewise polynomials来模拟车道，提高了路网存储的效率。Chunzhao et al.用一种近似an approximated clothoid spline的a third-orderpolynomial来表达车道，用the cubic Catmull-Rom spline来表达路口的转弯曲线(文献17)，对车道和路口都能快速建模。Anning et al.用the Cubic Hermite spline对车道中心线进行建模(文献31)，适合GIS数据库的软件进行一系列的车道和路段建模。Kichun etal.用B样条曲线对车道级路网进行三维表达(文献25)，保证了三维路网的形状和accuracy。这一类研究专注于车道模型的几何表达。Tao et al.定义了高精度路网的车道的描述模型，将道路网络由车道弧段、车道属性、路口及路口属性等组成(文献23)，解决了高精度路网中车道模型的表达，但是缺乏高精度路网中路段信息的表达，而且没有表达车道和路网之间的对应关联关系。
高精路网的表达的内容上越来越精细。美国Federal Highway Administrationand National Highway Traffic and Safety Administration将车道作为路网内容，从概念上丰富了高精路网的车道细节信息(文献32)。Bétaille et al.进一步对车道的几何形状以及拓扑连接关系进行表达，从路网的精度和内容的表达上都更加完整(文献4)。Tao etal.在交叉口增加了虚拟车道作为表达的内容(文献24)，解决了交叉口缺乏细节信息的问题。但是，这些研究没有提供动态的多维的一个属性表达，对无人驾驶的实时性有一定的局限性。
无人驾驶领域要求路网在几何上具有更细的粒度，细致地刻画道路上每个车道的详细信息。高精度路网模型应该满足的条件：
(1)路网结构层及层与层之间的对应关系应该完整，以适应不同情况的应用和计算；
(2)路网每层数据的几何数据、拓扑数据与属性数据完整；
(3)路网元素的属性信息应支持动态存储和更新，以满足实时驾驶的需求。参考文献：
文献1.tomtommaps:https://www.tomtommaps.com/mapdata/.
文献2.deepmap:https://www.deepmap.ai/.
文献3.Nedevschi S,Popescu V,Danescu R,Marita T,Oniga F.Accurate Ego-Vehicle Global Localization at Intersections Through Alignment of Visual DataWith Digital Map.IEEE Transactions on Intelligent TransportationSystems.2013；14(2):673-87.
文献4.Bétaille D,Toledo-Moreo R.Creating enhanced maps for lane-levelvehicle navigation.IEEE Transactions on Intelligent TransportationSystems.2010；11(4):786-98.
文献5.Rohani M,Gingras D,Gruyer D.A Novel Approach for ImprovedVehicular Positioning Using Cooperative Map Matching and Dynamic Base StationDGPS Concept.IEEE Transactions on Intelligent Transportation Systems.2016；17(1):230-9.文献6.Suganuma N,Uozumi T,editors.Precise position estimation ofautonomous vehicle based on map-matching.Intelligent Vehicles Symposium；2011.
文献7.Aeberhard M,Rauch S,Bahram M,Tanzmeister G.Experience,Resultsand Lessons Learned from Automated Driving on Germany's Highways.IEEEIntelligent Transportation Systems Magazine.2015；7(1):42-57.
文献8.Toledo-Moreo R,Betaille D,Peyret F,Laneurit J.Fusing GNSS,Dead-Reckoning,and Enhanced Maps for Road Vehicle Lane-Level Navigation.IEEEJournal of Selected Topics in Signal Processing.2009；3(5):798-809.
文献9.Driankov D,Saffiotti A.Fuzzy logic techniques for autonomousvehicle navigation:Physica；2013.
文献10.Cao G,Damerow F,Flade B,Helmling M,Eggert J,editors.Camera tomap alignment for accurate low-cost lane-level sceneinterpretation.Intelligent Transportation Systems(ITSC),2016IEEE 19thInternational Conference on；2016:IEEE.
文献11.Gruyer D,Belaroussi R,Revilloud M.Accurate lateral positioningfrom map data and road marking detection:Pergamon Press,Inc.；2016.1-8p.
文献12.Li H,Nashashibi F,Toulminet G,editors.Localization forintelligent vehicle by fusing mono-camera,low-cost GPS and mapdata.International IEEE Conference on Intelligent Transportation Systems；2011.
文献13.Tang B,Khokhar S,Gupta R,editors.Turn prediction atgeneralized intersections.Intelligent Vehicles Symposium(IV),2015IEEE；2015:IEEE.
文献14.Kim J,Jo K,Chu K,Sunwoo M.Road-model-based and graph-structure-based hierarchical path-planning approach for autonomousvehicles.Proceedings of the Institution of Mechanical Engineers,Part D:Journal of Automobile Engineering.2014；228(8):909-28.
文献15.Lozano-Perez T.Autonomous robot vehicles:Springer Science&Business Media；2012.
文献16.羊铖刘吴郭张左.高精度道路导航地图的进展与思考.中国工程科学.2018；20(2):99-105.
文献17.Guo C,Kidono K,Meguro J,Kojima Y,Ogawa M,Naito T.A low-costsolution for automatic lane-level map generation using conventional in-carsensors.IEEE Transactions on Intelligent Transportation Systems.2016；17(8):2355-66.
文献18.Mattern N,Schubert R,Wanielik G,editors.High-accurate vehiclelocalization using digital maps and coherency images.Intelligent VehiclesSymposium(IV),2010IEEE；2010:IEEE.
文献19.Gwon G-P,Hur W-S,Kim S-W,Seo S-W.Generation of a precise andefficient lane-level road map for intelligent vehicle systems.IEEETransactions on Vehicular Technology.2017；66(6):4517-33.
文献20.Gikas V,Stratakos J.A novel geodetic engineering method foraccurate and automated road/railway centerline geometry extraction based onthe bearing diagram and fractal behavior.IEEE transactions on intelligenttransportation systems.2012；13(1):115-26.
文献21.Máttyus G,Wang S,Fidler S,Urtasun R,editors.Hd maps:Fine-grained road segmentation by parsing ground and aerial images.Proceedings ofthe IEEE Conference on Computer Vision and Pattern Recognition；2016.
文献22.Yang X,Tang L,Niu L,Zhang X,Li Q.Generating lane-basedintersection maps from crowdsourcing big trace data.Transportation ResearchPart C:Emerging Technologies.2018；89:168-87.
文献23.Zhang T,Arrigoni S,Garozzo M,Yang D-g,Cheli F.A lane-levelroad network model with global continuity.Transportation Research Part C:Emerging Technologies.2016；71:32-50.
文献24.Zhang T,Yang D,Li T,Li K,Lian X.An improved virtualintersection model for vehicle navigation at intersections.TransportationResearch Part C:Emerging Technologies.2011；19(3):413-23.
文献25.Jo K,Lee M,Kim C,Sunwoo M.Construction process of a three-dimensional roadway geometry map for autonomous driving.Proceedings of theInstitution of Mechanical Engineers,Part D:Journal of AutomobileEngineering.2017；231(10):1414-34.
文献26.Chen A,Ramanandan A,Farrell JA,editors.High-precision lane-level road map building for vehicle navigation.Position Location andNavigation Symposium(PLANS),2010IEEE/ION；2010:IEEE.
文献27.Karagiorgou S,Pfoser D,Skoutas D.A layered approach for morerobust generation of road network maps from vehicle tracking data.ACMTransactions on Spatial Algorithms and Systems(TSAS).2017；3(1):3.
文献28.Xie X,Wong KB-Y,Aghajan H,Veelaert P,Philips W.Road networkinference through multiple track alignment.Transportation Research Part C:Emerging Technologies.2016；72:93-108.
文献29.Qiu J,Wang R.Automatic extraction of road networks from GPStraces.Photogrammetric Engineering&Remote Sensing.2016；82(8):593-604.
文献30.Du J,Barth MJ.Next-Generation Automated Vehicle LocationSystems:Positioning at the Lane Level.IEEE Transactions on IntelligentTransportation Systems.2008；9(1):48-57.
文献31.Chen A,Ramanandan A,Farrell JA,editors.High-precision lane-level road map building for vehicle navigation.Position Location andNavigation Symposium(PLANS)；2010.
文献32.Enhanced Digital Mapping Project Final Report,Technicalreport,United States Department of Transportation,Federal HighwayAdministration and National Highway Traffic and Safety Administration,http://www-nrd.nhtsa.dot.gov/pdf/nrd12/CAMP/EDMap％20Final％20Report/Main％20Report/FinalRept_111904.pdf,189p.Last accessed Dec.8,2008.
文献33.Qiu J,Wang R.Road Map Inference:A Segmentation and GroupingFramework.ISPRS International Journal of Geo-Information.2016；5(8):130.
文献34.Li L,Li D,Xing X,Yang F,Rong W,Zhu H.Extraction of RoadIntersections from GPS Traces Based on the Dominant Orientations ofRoads.ISPRS International Journal of Geo-Information.2017；6(12):403.
文献35.导航电子地图框架数据交换格式.
发明内容
为了解决背景中的这些问题，进一步丰富高精度路网的精细程度，不仅仅只关注路网中的路段路网和车道路网，同时还表达高精度路网中路段和车道之间的对应关系，本发明提出了一种HDRNM(high definition road network model)for self drivingvehicle。该模型将HD路网分为路段网络层和道路网络层，除了详细表达了路段、车道的几何、拓扑及属性信息，还定义了路段网络层和车道网络层之间关联关系。本发明通过基于多方向约束的PCA从移动车辆车中的采集的道路中心线自动构建高精度路网，将路段中发生属性变化的地方定义为线性事件点；然后本发明以路段为线性度量基准，将路段的中的线性事件位置通过相对位置映射到车道中形成车道的线性事件点，在通过车道的线性事件点对车道进行分段表达，最后构建出用于无人驾驶的高精度路网。
本发明所采用的技术方案是：一种用于无人驾驶的高精度路网自动生成的方法，其特征在于，包括以下步骤：
步骤1：构建高精度路网模型HDRNM；
步骤2：提取路段网络层；
步骤3：建立基于多方向约束的车道网络层；
步骤4：利用线性事件点进行道路分段，建立车道网络层和路段网络层之间的拓扑关系。
本发明提出的模型详细定义了车道网络层、路段网络层内容以及车道网络层与路段网络层间的关联关系。此外，本发明采用了基于多方向约束的PCA算法对多车道中心线进行聚类，自动提取出道路路段方向和车道级路网。
该模型中提出了一种的路段网络层与车道网络层之间的映射关系，该映射关系充分的考虑到了无人驾驶的需求，通过路段的线性度量值进行位置映射到车道路网中，对车道进行分段，建立车道与路段之间的映射关系，丰富了高精路网的精细程度，满足无人驾驶对高精路网精细化的需求，而且该方法还可以应用于高精度车道级路网的生产结果进行自动检核。
附图说明
图1为本发明实施例的模型构建原理框图；
图2为本发明实施例的真实世界的道路网络层与车道网络层的抽象示意图，其中(a)为真实世界，(b)为道路网络层，(c)为车道网络层；
图3为本发明实施例的路段属性变化点对无人驾驶的影响示意图，其中(a)为无人驾驶必须换道点示意图，(b)为无人驾驶可换道点示意图，(c)为无人驾驶路径转弯半径变化点示意图；线条为车道边界线，箭头线表示道路的通行方向，方框为属性变化点；
图4为本发明实施例的基于线性事件点的车道分段示意图，其中(x)为真实世界的道路示意图，(a)为以路段为参考的线性度量系统示意图，(b)为线性度量系统映射到同方向上的车道中示意图，(c)根据车道的线性事件点对车道进行分段示意图；实线表示路段中心线，虚线表示车道中心线。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
请见图1，本发明提供的一种用于无人驾驶的高精度路网自动生成的方法，包括以下步骤：
步骤1：构建高精度路网模型HDRNM；
HDRNM表示车道级的路网模型，几何上细致地表达道路上每个车道的详细信息，同时拓扑网络上也准确表达车道之间的连接关系。并且保持了路网层级的结构和内容、对应关系的完整性。该路网结构从几何和拓扑都满足了无人驾驶领域的要求。对HDRNM来说，同时提取车道和拓扑关系是非常必要的。Jia et al.用Principal Component Analysis(PCA)对聚类之后的点生成line segment，实现了从原有轨迹点中找到一条方向和长度效果较好的路段(文献33)。在他的基础上，Lin et al.用PCA方法提取从Global PositionSystem(GPS)trace points中提取Road Skeleton Segmentation，并进一步根据roadsegment的方向信息提取路网中的交叉口(文献34)。在这些工作的基础上，本实施例提出了一个新的方法来自动产生高精度路网。本实施例利用基于多方向约束的PCA从车道中心线的数据中自动分离路段，识别路口，自动建立车道和路段的拓扑关系，生成高精度路网车道。
本实施例的高精度路网模型HDRNM为：
Figure BDA0001780021690000081
其中公式3中路段r与该路段对应的车道L的关联关应符合公式7：
C＝f(M) (7)
其中，公式1中W代表道路网络，C是交叉口集合，R是路段的集合；公式2中，用{1,2,…,N}表示路段索引集合,r表示路段，r1，r2，…，rN分别代表集合中的各个路段；公式3中，针对某一路段r，Sr是路段的形状点，SNr是路段起点结点，ENr是路段终点结点，Qr是路段的属性(具体属性参见国标(文献35))，RL是路段接续的号码，LS路段上对应的车道集合；公式4中，用{1,2,…,i}表示车道索引集合，l表示车道，l1，l2，…，li表示某一路段下关联的各个车道；公式5中，针对某一车道l，Sl是车道的形状点，SNl是车道的起始结点，ENl是车道终点结点，Ql是车道的属性(包括但不限于车道的长度、车道的宽度、车道的坡度、车道的曲率半径等，该值可以随着无人驾驶的应用需求进行内容扩展)，LL是车道接续的号码；公式6中，Q动态属性值，表示是或者否，t表示时间，q表示公式3和4中的车道或者路段的指示类的属性值，该值对应的值域是枚举型；公式7中，C是路段和车道对应的关联关系，M是线性事件点的集合。
本实施例的HDRNM模型也兼容中国现有导航电子地图中路网的模型(文献35)；
步骤2：提取路段网络层；
路段网络层提取，采用的是PCA Algorithm提取路段的方向；Principalcomponent analysis(PCA)是一种常用的用来描述点的特征分布的数据分析方法(36)。PCA的目的是将n维的原始数据近似的用k维来表示，而且近似表示后对数据的损失尽可能的小，也是是说PCA将数据从原来的坐标系转换到新的坐标系的过程中寻找单位向量使得数据在该方向上的投影的方差能够最大化。PCA算法计算特征矩阵，特征矩阵是能代表大多特征维度上的样本分布，用来度量点与其周围点的相互关系。通过特征矩阵来计算特征向量。通过计算特征向量得到特征值X1，X2。K＝MAX{X1，X1}/{X1+X2}值代表线性程度。其中K>0.9才能代表聚类点是一条直线(文献33)，因此，本实施例通过线性程度来判断某个点范围内的点集是否是属于具有线性关系。
本实施例首先定义一个搜索半径searchR，对所有的坐标点进行高斯投影。第二步，从任意点出发，对该点搜索半径内的点进行归一化并PCA投影，将二维坐标投影到一维空间中去。通过特征值计算线性程度点K值。第三步，本实施例筛选出所有K>0.9的点集。将有交集的大于0.9的点集进行合并，形成最大线性点集，该最大线性点集分别对应各个路段中所有车道中心线点的集合。第四步，对最大线性点集进行PCA投影，获取各个路段的主方向的投影方向,该投影方向即为路段的方向。
为表达多个层次的拓扑数据，除了需要表达道路与道路之间的连接关系、车道与车道之间的连接关系，还需要表达道路与车道之间的对应关联关系。线性事件点常用来描述GIS系统中的某个点上的属性，要素的位置通过线性系统度量值来确定。道路上属性变化点(如车道变窄等)对无人驾驶至关重要，直接影响无人驾驶的路径生成和行驶轨迹。本实施例在无人驾驶路网中，在路段网络层中，首先通过线性事件点表示某条路段上属性变化的位置，图3分别给出了几个线性事件点的实例。
在真实场景下某个路段上经常会出现车道数以及道路形状变化的情况，如图3(a)表示的是车道汇聚，(b)表示的是车道增加，图(c)表示的是车道转弯半径变化较大区域。自动驾驶场景下这些情况都必须要在路段和车道网络模型中标明，并且建立路段与车道之间的联系。
步骤3：建立基于多方向约束的车道网络层；
本实施例根据无人驾驶不同功能对路网数据内容及尺度的不同要求，从垂直方向上进行分层抽象，将路网模型划分为道路网络层与车道网络层。道路网络层的最小建模单元为路段，车道网络层的最小建模单元是车道。从车道层车道的几何数据抽象出路段，形成道路网络层的几何数据集，图2显示了根据真实世界分别进行道路网络层与车道网络层的抽象。
车道网络层提取，是建立基于多方向约束的车道网络；具体实现过程是将路段提取出来以后还需要对坐标点进行进一步分类提取，找到路段中不同的车道点集。在这个过程中，本实施例用了以PCA的主方向及角度阈值σ作为约束方向实现车道提取。角度阈值σ表示当前坐标点与该坐标点的下一个点与主方向的投影方向值的差值。根据实验的结果来看，角度阈值σ的范围在[0,30°]之间。若路段形状越接近直线，一般选择15°的经验值，若道路的形状越弯曲，角度阈值选在30°。
具体的提取过程如下：
通过上个过程的结果，本实施例获取了同个路段下的按照方向进行排序的点序列及主方向的角度。首先，本实施例对每条路段进行按主方向上第一个点追踪，按照主方向优先的原则进行遍历，找到当前点与遍历点夹角为σ度范围内的点视为同一个车道上的点。重复循环追踪，直至遍历完所有的点。对所有的车道按照路段方向进行长度计算，找到路段上线性事件点的线性度量值。
步骤4：利用线性事件点进行道路分段，建立车道网络层和路段网络层之间的拓扑关系；
步骤4.1：利用线性事件点进行道路分段；
将路段中发生属性变化的地方定义为线性事件点，以路段为线性度量基准，将路段的中的线性事件位置通过相对位置映射到以车道为线性度量基准的车道线性坐标系下，在车道线性坐标系中形成车道的线性事件点，再通过车道的线性事件点对车道进行分段表达；
其中分段表达实现过程是使用线性参考系将路段映射到车道；线性参考系从路段到车道的映射方法为：本实施例以路段方向选择线性参考系，将车道上的线性事件点映射到对应的车道上，再以车道作为线度量的对象，将选用车道变化属性对应的线性位置作作为对同一路段上的车道进行划分的依据。映射过后根据中国的道路实际情况，线性事件点在车道方向上与原M的线性度量值误差应小于10米。
步骤4.1的具体实现包括以下子步骤：
步骤4.1.1：同一个物理段的路段按照道路通行方向的不同，将划分为两个路段；
步骤4.1.2：选取某一个路段为种子路段，输入通行方向；按照通行方向，在道路的入口方向若车道总数目为奇数，则通行方向的左侧车道数目为车道数目处以2向下取整，出口方向相反；若为偶数，则两个通行方向上平分车道；若物理车道上的两端其中一个车道预设一个道路方向；
步骤4.1.3：分离出车道后，对同一通行方向上路段的车道进行中心线提取，获取路段中心线的位置；
步骤4.1.4：以当前的路段出发，找到附近剩余的路段，若夹角小于90度，则是左转车道，否则就是当前车道右转车道。
在图4中，本实施例给出了通过路段上的线性事件点对车道进行分段的例子，在真实世界的道路上存在图4(x)的情况，也即在路段的首尾处是2条车道，在中间位置变化为3条车道。在路段模型中抽象为一条连续的曲线，此时就需要建立路段与这些车道之间的联系，并对原有的车道打断后将属性赋给路段A。图4(a)中为使用本发明生成的线性事件点M1和M2，映射到车道上的情况如图4(b)。对这些车道进行打断，从而生成了如图4(c)所示的L1～L7的车道。
将每个区间内的车道作为线性度量的分段结果请见下表1；
表1每个区间内的车道作为线性度量的分段结果
路段 From Measure(m) To Measure(m) 车道数目(个) 车道集合
A 0 30 2 L1,L2
A 30 70 3 L3,L4,L5
A 70 100 2 L6,L7
步骤4.2：建立车道和路段之间的拓扑关系；
本实施例以道路方向选择线性参考系，将车道上的线性事件点映射到对应的车道上，再以车道作为线度量的对象，将选用车道变化属性对应的线性位置作作为对同一路段上的车道进行划分的依据。映射过后根据中国的道路实际情况，线性事件点在车道方向上与原M的线性度量值误差应小于10米。若沿着道路方向，车道形状的表达函数LSFunction，则路段对应的车道的函数关系式为：
Figure BDA0001780021690000121
其中，i表示垂直于车道方向的车道形态数据集的序列；j表示线性段沿路段方向的序列；totalLaneShapeFunction，表示在当前路段下平行于路段的车道形态数据集；totalMNum表示当前路段下线性时间点M点的总点数；In是单位阵；l表示车道，l1,j表示路段下第i条平行于道路的车道第j个线性段内的表达式；LS表示车道形态数据集LSFunction的简写；LSi,j表示在路段下第i条平行于路段的车道形态数据集LSFunction在第j个线性段内的表达式；xj表示第j-1到第j个线性段内，沿路段方向的坐标取值范围；Xi表示第i条平行于路段的车道形态数据集在道路方向上的坐标取值范围。
为了适应不同层次的应用需求，各层次的路网数据应该具备完整性，本实施例需要完整的表达路段和车道层两个层次的几何数据、拓扑数据与属性数据，公式3和公式5都表达了。车道的几何数据需要详尽表达当前车道的形状，道路与道路之间的连接关系常常通过Link结点来表达，在此本实施例也用Link结点来表示车道与车道之间的连接关系。上节中的线性事件点就是车道与Link结点。但是，由于增加了线性变化点来描述车道与道路的对应关系，因此，在同一路段的线性度量区域内，车道与车道之间还需要增加关联关系来描述。通过存储沿道路方向上的左、右侧的车道来表达关联关系。
为提高通行效率，现有的道路的通行规则常常会随着时间发生变化，如潮汐车道，道路转向限制等。为了满足无人驾驶实时驾驶的需求，本实施例使用阶跃函数来描述通行道路的通行规则随时间的变化。
假设单位阶跃函数的定义为：
Figure BDA0001780021690000131
公式6对道路通行规则的定义式可表示为阶跃函数的函数：
PassValue(t)＝p(t-T1)-p(t-T2)
在该式中，t表示时间；PassValue表示是否允许的标识，若等于1则表示允许通行，若小于1则表示不允许通行；其可以用来表示是否能通行，能转弯等交通规则的标识；p(t)为单位阶跃函数，无实际意义。
本发明提出了一种高精度路网模型HDRNM(high definition road networkmodel)来表示HDmap对应的路网模型；该模型详细定义了车道网络层、路段网络层内容以及车道网络层与路段网络层间的关联关系。此外，本实施例采用了基于多方向约束的PCA算法对多车道中心线进行聚类，自动提取出道路路段方向和车道级路网。本实施例取得的主要创新是在该模型中提出了一种的道路网络层与车道网络层之间的映射关系，该映射关系充分的考虑到了无人驾驶的需求，通过路段的线性度量值进行位置映射到路网中，对车道进行分段，建立车道网络层与路段网络层之间的映射关系，丰富了高精路网的精细程度，满足无人驾驶对高精路网精细化的需求，而且该方法还可以应用于高精度车道级路网的生产结果进行自动检核。HDRNM从数据内容到数据模型上都比路段级的路网模型要丰富。
应当理解的是，本说明书未详细阐述的部分均属于现有技术。
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (3)

1.一种用于无人驾驶的高精度路网自动生成的方法，其特征在于，包括以下步骤：
步骤1：构建高精度路网模型HDRNM；
所述高精度路网模型HDRNM为：
Figure FDA0002525336550000011
其中公式3中路段r与该路段对应的车道L的关联关应符合公式7：
C＝f(M) (7)
其中，公式1中W代表道路网络，C是交叉口集合，R是路段的集合；公式2中，用{1，2，...，N}表示路段索引集合，r表示路段，r1，r2，...，rN分别代表集合中的各个路段；公式3中，针对某一路段r，Sr是路段的形状点，SNr是路段起点结点，ENr是路段终点结点，Qr是路段的属性，RL是路段接续的号码，LS路段上对应的车道集合；公式4中，用{1，2，...，i}表示车道索引集合，l表示车道，l1，l2，...，li表示某一路段下关联的各个车道；公式5中，针对某一车道l，Sl是车道的形状点，SNl是车道的起始结点，ENl是车道终点结点，Ql是车道的属性，LL是车道接续的号码；公式6中，Q动态属性值，表示是或者否；公式6中，t表示时间；公式6中，q表示公式3和4中的车道或者路段的指示类的属性值，该属性值对应的值域是枚举型；公式7中，C是路段和车道对应的关联关系，M是线性事件点的集合；
步骤2：提取路段网络层；
所述提取路段网络层，是通过PCA提取路段的轨迹点集合和路段的方向；具体实现过程包括以下子步骤：
步骤2.1：定义一个搜索半径searchR，对所有的坐标点进行高斯投影；
步骤2.2：从任意点出发，对该点搜索半径内的点进行归一化并PCA投影，将二维坐标投影到一维空间中去，通过特征值计算线性程度点K值；
步骤2.3：筛选出所有K>0.9的点集；将有交集的大于0.9的点集进行合并，形成最大线性点集，该最大线性点集分别对应各个路段中所有车道中心线点的集合；
步骤2.4：对最大线性点集进行PCA投影，获取各个路段的主方向的投影方向，该投影方向即为路段的方向；
步骤3：建立基于多方向约束的车道网络层；
所述建立基于多方向约束的车道网络层，是建立基于多方向约束的车道网络；具体实现过程包括以下子步骤：
步骤3.1：根据步骤2中输出的按照方向进行排序的点序列和主方向，使用角度阈值σ作为约束方向实现车道提取；
步骤3.2：对每条路段进行按主方向上第一个点追踪，按照主方向优先的原则进行遍历，找到当前点与遍历点夹角为σ度范围内的点视为同一个车道上的点；
步骤3.3：重复循环追踪，直至遍历完所有的点；
步骤3.4：对所有的车道按照道路方向进行长度计算，找到路段上线性事件点的线性度量值；
步骤4：利用线性事件点进行道路分段，建立车道网络层和路段网络层之间的拓扑关系；
步骤4的具体实现包括以下子步骤：
步骤4.1：利用线性事件点进行道路分段；
将路段中发生属性变化的地方定义为线性事件点，以路段为线性度量基准，将路段的中的线性事件位置通过相对位置映射到以车道为线性度量基准的车道线性坐标系下，在车道线性坐标系中形成车道的线性事件点，再通过车道的线性事件点对车道进行分段表达；
其中分段表达实现过程是使用线性参考系将路段映射到车道；线性参考系从路段到车道的映射方法为：以路段方向选择线性参考系，将车道上的线性事件点映射到对应的车道上，再以车道作为线度量的对象，将选用车道变化属性对应的线性位置作作为对同一路段上的车道进行划分的依据；
步骤4.2：建立车道和路段之间的拓扑关系；
路段对应的车道的函数关系式定义为：
Figure FDA0002525336550000031
其中，i表示垂直于车道方向的车道形态数据集的序列；j表示线性段沿路段方向的序列；totalLaneShapeFunction，表示在当前路段下平行于路段的车道形态数据集；totalMNum表示当前路段下线性时间点M点的总点数；In是单位阵；l表示车道，l1，j表示路段下第i条平行于道路的车道第j个线性段内的表达式；LS表示车道形态数据集LSFunction的简写；LSi，j表示在路段下第i条平行于路段的车道形态数据集LSFunction在第j个线性段内的表达式；xj表示第j-1到第j个线性段内，沿路段方向的坐标取值范围；Xi表示第i条平行于路段的车道形态数据集在道路方向上的坐标取值范围。
2.根据权利要求1所述的用于无人驾驶的高精度路网自动生成的方法，其特征在于，步骤4.1的具体实现包括以下子步骤：
步骤4.1.1：同一个物理段的路段按照道路通行方向的不同，将划分为两个路段；
步骤4.1.2：选取某一个路段为种子路段，输入通行方向；按照通行方向，在道路的入口方向若车道总数目为奇数，则通行方向的左侧车道数目为车道数目处以2向下取整，出口方向相反；若为偶数，则两个通行方向上平分车道；若物理车道上的两端其中一个车道预设一个道路方向；
步骤4.1.3：分离出车道后，对同一通行方向上路段的车道进行中心线提取，获取路段中心线的位置；
步骤4.1.4：以当前的路段出发，找到附近剩余的路段，若夹角小于90度，则是左转车道，否则就是当前车道右转车道。
3.根据权利要求1-2任意一项所述的用于无人驾驶的高精度路网自动生成的方法，其特征在于：用阶跃函数来描述通行道路的通行规则随时间的变化；
定义单位阶跃函数为：
Figure FDA0002525336550000041
则公式6对道路通行规则的定义式能表示为阶跃函数的函数：
PassValue(t)＝p(t-T1)-p(t-T2)
其中，t表示时间；PassValue表示是否允许的标识，若等于1则表示允许通行，若小于1则表示不允许通行；p(t)为单位阶跃函数。
CN201810987455.5A 2018-08-28 2018-08-28 一种用于无人驾驶的高精度路网自动生成的方法 Active CN109256028B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810987455.5A CN109256028B (zh) 2018-08-28 2018-08-28 一种用于无人驾驶的高精度路网自动生成的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810987455.5A CN109256028B (zh) 2018-08-28 2018-08-28 一种用于无人驾驶的高精度路网自动生成的方法

Publications (2)

Publication Number Publication Date
CN109256028A CN109256028A (zh) 2019-01-22
CN109256028B true CN109256028B (zh) 2020-08-11

Family

ID=65049637

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810987455.5A Active CN109256028B (zh) 2018-08-28 2018-08-28 一种用于无人驾驶的高精度路网自动生成的方法

Country Status (1)

Country Link
CN (1) CN109256028B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110415314B (zh) * 2019-04-29 2020-04-03 当家移动绿色互联网技术集团有限公司 构建道路交叉口路网的方法、装置、存储介质及电子设备
CN110220521B (zh) * 2019-05-24 2023-07-07 上海蔚来汽车有限公司 一种高精地图的生成方法和装置
CN112699708A (zh) * 2019-10-22 2021-04-23 北京初速度科技有限公司 一种车道级拓扑网的生成方法及装置
CN110749329B (zh) * 2019-10-26 2021-08-17 武汉中海庭数据技术有限公司 一种基于结构化道路的车道级拓扑构建方法及装置
CN111829536B (zh) * 2020-06-24 2022-05-03 北京五一视界数字孪生科技股份有限公司 导航地图路网生成方法、装置、存储介质及电子设备
CN111814286B (zh) * 2020-07-07 2021-03-12 吉林大学 一种面向自动驾驶的车道级地图几何模型建立方法
CN114492550A (zh) * 2020-11-11 2022-05-13 华为技术有限公司 动态事件分类方法及设备
CN112798005B (zh) * 2021-01-06 2022-06-10 腾讯科技（深圳）有限公司 一种道路数据的处理方法以及相关装置
CN113701774B (zh) * 2021-08-26 2024-02-06 苏州挚途科技有限公司 推荐车道突变的路径规划方法和装置

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101685465B (zh) * 2009-08-21 2011-12-21 苏州市数字城市工程研究中心有限公司 用于综合管网地理信息系统的一体化三维数据建模方法
US9026353B2 (en) * 2010-02-26 2015-05-05 Alpine Electronics, Inc. Method and apparatus for displaying guidance for navigation system
CN101799911A (zh) * 2010-03-31 2010-08-11 公安部交通管理科学研究所 一种高速公路网紧急情况下交通组织辅助决策系统
CN103413428A (zh) * 2013-06-27 2013-11-27 北京交通大学 基于传感器网络的道路交通信息可信度空间特性表示方法
CN104535070B (zh) * 2014-12-26 2017-11-14 上海交通大学 高精细地图数据结构、采集和处理系统及方法
KR102623680B1 (ko) * 2015-02-10 2024-01-12 모빌아이 비젼 테크놀로지스 엘티디. 자율 주행을 위한 약도
CN106484808B (zh) * 2016-09-23 2019-08-27 上海电科智能系统股份有限公司 一种交通对象全息电子档案数据建模方法
CN106776996B (zh) * 2016-12-02 2018-09-07 百度在线网络技术（北京）有限公司 用于测试高精度地图的准确性的方法和装置
CN111542860A (zh) * 2016-12-30 2020-08-14 迪普迈普有限公司 用于自主车辆的高清地图的标志和车道创建
CN107545729B (zh) * 2017-08-25 2020-02-18 华南理工大学 一种基于数据驱动的交通路网分布式区域控制方法
CN107978152B (zh) * 2017-11-23 2021-03-12 上海交通大学 一种用于交通子网络出行矩阵估算的最大熵方法

Also Published As

Publication number Publication date
CN109256028A (zh) 2019-01-22

Similar Documents

Publication Publication Date Title
CN109256028B (zh) 一种用于无人驾驶的高精度路网自动生成的方法
CN109101743B (zh) 一种高精度路网模型的构建方法
EP3497405B1 (en) System and method for precision localization and mapping
Kim et al. HD map update for autonomous driving with crowdsourced data
Yang et al. Generating lane-based intersection maps from crowdsourcing big trace data
CN103645480B (zh) 基于激光雷达和图像数据融合的地形地貌特征构建方法
CN108171131B (zh) 基于改进MeanShift的Lidar点云数据道路标识线提取方法
CN110021072B (zh) 面向全息测绘的多平台点云智能处理方法
CN112184736B (zh) 一种基于欧式聚类的多平面提取方法
Mi et al. Automated 3D road boundary extraction and vectorization using MLS point clouds
Lu et al. Graph-embedded lane detection
Qiu et al. Automatic extraction of road networks from GPS traces
Singh et al. Acquiring semantics induced topology in urban environments
Gao et al. Fine-grained off-road semantic segmentation and mapping via contrastive learning
Fu et al. Density adaptive approach for generating road network from GPS trajectories
Zhao et al. Automatic calibration of road intersection topology using trajectories
CN116071722A (zh) 基于路段轨迹的车道几何信息提取方法、系统、设备及介质
Cai et al. A lightweight feature map creation method for intelligent vehicle localization in urban road environments
Lu et al. A lightweight real-time 3D LiDAR SLAM for autonomous vehicles in large-scale urban environment
Chiang et al. Bending the curve of HD maps production for autonomous vehicle applications in Taiwan
Huang et al. Complex road intersection modelling based on low-frequency GPS track data
Xia et al. DuARUS: Automatic Geo-object Change Detection with Street-view Imagery for Updating Road Database at Baidu Maps
Yang et al. An optimization-based selection approach of landing sites for swarm unmanned aerial vehicles in unknown environments
Chen et al. Improving Autonomous Vehicle Mapping and Navigation in Work Zones Using Crowdsourcing Vehicle Trajectories
Kong et al. UAV LiDAR Data-based Lane-level Road Network Generation for Urban Scene HD Maps

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20190610

Address after: 211135 Building No. 4, 266 Chuangyan Road, Qilin High-tech Industrial Development Zone, Nanjing, Jiangsu Province, 14 floors

Applicant after: JIANGSU JIUGAO ELECTRONIC TECHNOLOGY Co.,Ltd.

Address before: 430223 7 floors, Block B, R&D Building No. 1, Huaengineering Science Park, Donghu New Technology Development Zone, Wuhan City, Hubei Province

Applicant before: WUHAN ZHONGXIANG TECHNOLOGY Co.,Ltd.

GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20210512

Address after: 430000 Wuhan University, 129 Luoyu Road, Wuchang, Wuhan City, Hubei Province

Patentee after: Li Bijun

Address before: 211135 Building No. 4, 266 Chuangyan Road, Qilin High-tech Industrial Development Zone, Nanjing, Jiangsu Province, 14 floors

Patentee before: JIANGSU JIUGAO ELECTRONIC TECHNOLOGY Co.,Ltd.

TR01 Transfer of patent right
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20210810

Address after: 313000 room 705, building 2, No. 611, Yunxiu South Road, Wuyang street, Deqing County, Huzhou City, Zhejiang Province

Patentee after: Zhongxiang Technology (Huzhou, Zhejiang) Co.,Ltd.

Address before: 430000 Wuhan University, 129 Luoyu Road, Wuchang, Wuhan City, Hubei Province

Patentee before: Li Bijun

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20220207

Address after: 430223 No.8 and No.9, 7th floor, R & D building, No.1 modern service industry base, Science Park, Huazhong University of science and technology, No.13-1, xuexueyuan Road, Donghu New Technology Development Zone, Wuhan City, Hubei Province

Patentee after: WUHAN ZHONGXIANG TECHNOLOGY Co.,Ltd.

Address before: 313000 room 705, building 2, No. 611, Yunxiu South Road, Wuyang street, Deqing County, Huzhou City, Zhejiang Province

Patentee before: Zhongxiang Technology (Huzhou, Zhejiang) Co.,Ltd.

CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Wang Xin

Inventor before: Zheng Ling

Inventor before: Li Bijun

Inventor before: Wang Xin

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230619

Address after: 430072 Hubei Province, Wuhan city Wuchang District of Wuhan University Luojiashan

Patentee after: WUHAN University

Address before: 430223 No.8 and No.9, 7th floor, R & D building, No.1 modern service industry base, Science Park, Huazhong University of science and technology, No.13-1, xuexueyuan Road, Donghu New Technology Development Zone, Wuhan City, Hubei Province

Patentee before: WUHAN ZHONGXIANG TECHNOLOGY Co.,Ltd.