CN109509254A - 三维地图构建方法、装置及存储介质 - Google Patents
三维地图构建方法、装置及存储介质 Download PDFInfo
- Publication number
- CN109509254A CN109509254A CN201710828846.8A CN201710828846A CN109509254A CN 109509254 A CN109509254 A CN 109509254A CN 201710828846 A CN201710828846 A CN 201710828846A CN 109509254 A CN109509254 A CN 109509254A
- Authority
- CN
- China
- Prior art keywords
- layer
- map
- layering
- dimensional
- threedimensional model
- 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
Links
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 238000010276 construction Methods 0.000 title claims abstract description 17
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims description 41
- 238000000034 method Methods 0.000 claims description 33
- 239000000463 material Substances 0.000 claims description 30
- 238000009877 rendering Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 3
- 239000010410 layer Substances 0.000 description 228
- 230000032798 delamination Effects 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 108010074506 Transfer Factor Proteins 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000005284 excitation Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013517 stratification Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000012792 core layer Substances 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003455 independent Effects 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003716 rejuvenation Effects 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Computer Graphics (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明公开了一种三维地图构建方法、装置及存储介质，用以至少降低三维地图的更新成本。所述构建方法包括：将预先获取的地图数据分配给预设的相应分层；对于分配的每个分层，根据分配给该分层的地图数据，形成分层地图；将形成的各个分层地图进行嵌套，形成三维地图。
Description
技术领域
本发明涉及定位技术领域，特别是涉及一种三维地图构建方法、装置及存储介质。
背景技术
随着网络技术和通信技术的发展，位置服务变得日益重要，数字地图被广泛地应用于各个领域。然而，目前室内地图技术还处于发展初级阶段，室内地图还存在具有定位盲区、缺少高程信息以及更新代价高的问题。具体说存在以下缺陷：
大量的室内空间和隧道涵洞存在定位的盲区。
并且由于三维室内地图的信息量巨大，现有的室内地图无法表现细节精度，高程信息缺失；例如，人们在绝大多数的机场商店、超级市场和地下车库等，还无法获得精准的室内数字地图，同样也无法进行位置服务；这不但给人们生活带来了诸多不便，也为商业服务发展带来了诸多桎梏。
同时，现有的室内地图是将地图进行分幅处理；当室内地图需要更新的时候，就将需要更新区域所在的图幅重新绘制，由于室内场景变化较大，导致地图更新频繁，增大了地图更新的代价。例如，在商场、医院、机场等大型建筑中，往往一些小物体如货架、柜台等会经常发生位置的变化，这就导致室内地图的一些图幅需要进行频繁的更新。
发明内容
为了克服上述缺陷，本发明实施例要解决的技术问题是提供一种三维地图构建方法、装置及存储介质，用以至少降低三维地图的更新成本。
为解决上述技术问题，本发明实施例中的一种三维地图构建方法，包括：
将预先获取的地图数据分配给预设的相应分层；
对于分配的每个分层，根据分配给该分层的地图数据，形成分层地图；
将形成的各个分层地图进行嵌套，形成三维地图。
为解决上述技术问题，本发明实施例中的一种三维地图构建装置，包括存储器和处理器；所述存储器存储有三维地图构建计算机程序，所述处理器执行所述计算机程序，以实现如上所述方法的步骤。
为解决上述技术问题，本发明实施例中的一种计算机可读存储介质，存储有三维地图构建计算机程序，所述计算机程序被至少一个处理器执行时，以实现如上所述方法的步骤。
本发明有益效果如下：
本发明实施例中方法、装置及存储介质，通过将预先获取的地图数据分配给预设的相应分层；对于分配的每个分层，根据分配给该分层的地图数据，形成分层地图；将形成的各个分层地图进行嵌套从而形成分层可嵌套的三维地图，进而可以高效的构建三维地图，并且有效降低三维地图的更新成本。
附图说明
图1是本发明实施例中一种三维地图构建方法的流程图；
图2是本发明实施例中分层模型示意图；
图3是本发明实施例中BP神经网络拓扑结构图；
图4是本发明实施例中一种三维地图构建装置的结构示意图。
具体实施方式
为了解决现有技术的问题，本发明提供了一种三维地图构建方法、装置及存储介质，以下结合附图以及实施例，对本发明进行详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不限定本发明。
在后续的描述中，使用用于区分元件、参数的诸如“第一”、“第二”等前缀仅为了有利于本发明的说明，其本身没有特定的意义。
实施例一
本发明实施例提供一种三维地图构建方法，所述方法包括：
S101，将预先获取的地图数据分配给预设的相应分层；
S102，对于分配的每个分层，根据分配给该分层的地图数据，形成分层地图；
S103，将形成的各个分层地图进行嵌套，形成三维地图。
本发明实施例中地图数据可以从需要构建为三维地图的三维场景中直接获取，也可以从该三维场景的平面地图中获取。
本发明实施例中的地图数据可以包括三维场景中的物体的二维坐标、物体材质特征、物体的高程信息等，还可以包括标识数据等等，例如图书馆、一层、二层等标识信息数据。
本发明实施例通过将预先获取的地图数据分配给预设的相应分层；对于分配的每个分层，根据分配给该分层的地图数据，形成分层地图；将形成的各个分层地图进行嵌套从而形成分层可嵌套的三维地图，进而可以高效的构建三维地图，并且有效降低三维地图的更新成本。
本发明实施例可以应用于室内三维地图构建。在室内三维地图构建过程中，将室内三维地图进行层级划分，在划分层的时同时也考虑到用户体验与定位辅助两种特性相结合，不但有关于地图内实体的层级，也同时划分出辅助定位的层级，从而使本发明实施例生成的三维室内地图不仅能够为用户提供三维的室内地图的直观视觉感受，也能够为室内定位提供必要的数据。
在上述实施例的基础上，提出上述实施例的变型。
在本发明实施例中，可选地，所述将预先获取的地图数据分配给预设的相应分层，包括：
根据预设的各个分层分别对应的分层特征信息，将所述获取的地图数据分配给所述相应分层。
本发明实施例中分层特征信息可以根据各个分层的特点进行设置。
其中，所述根据预设的各个分层分别对应的分层特征信息，将所述获取的地图数据分配给所述相应分层，包括：
根据所述各个分层分别对应的分层特征信息，通过预先训练得到的神经网络(例如BP(Back Propagation，误差反向传播)神经网络)，将所述获取的地图数据分配给所述相应分层。
可选地，所述根据所述各个分层分别对应的分层特征信息，通过预先训练得到的BP神经网络，将所述获取的地图数据分配给所述相应分层，包括：
将预设的各个分层分别对应的分层特征信息作为所述BP神经网络的输出值，通过所述BP神经网络对所述获取的地图数据进行分类，得到分配给每个分层的地图数据。
在本发明实施例中，可选地，预设的各个分层至少包括三维模型层和赋值层。
其中，分配给所述所述三维模型层的地图数据为物体的三维位置参数信息；
可选地，所述对于分配的每个分层，根据分配给该分层的地图数据，形成分层地图；将形成的各个分层地图进行嵌套，形成三维地图；包括：
根据所述物体的三维位置参数信息，在所述三维模型层形成物体三维模型；
根据所述物体三维模型搭建地图三维模型；
在所述赋值层，将分配给所述赋值层的地图数据赋值到所述地图三维模型中，以形成所述三维地图。
可选地，所述三维模型层包括基础层、稳定层和活动层。
其中，所述根据所述物体的三维位置参数信息，在所述三维模型层形成物体三维模型；根据所述物体三维模型搭建地图三维模型；包括：
根据分别分配给所述基础层、所述稳定层和所述活动层的物体的三维位置参数信息，在相应的所述基础层、所述稳定层和所述活动层分别形成每层的物体三维模型；
将各层的物体三维模型按照预设的配准点进行嵌套，得到所述地图三维模型。
其中，所述三维模型层中各层对应的分层特征信息为物体移动性；
可选地，所述方法还包括：
根据预测的物体可移动次数，设置所述三维模型层中各层的物体移动性。
其中，所述基础层、所述稳定层和所述活动层的物体移动性分别设置为第一特性值、第二特性值和第三特性值；
所述第一特性值对应的物体可移动次数不大于预设的第一阈值，所述第二特性值对应的物体可移动次数不大于预设的第二阈值，所述第三特性值对应的物体可移动次数大于所述第二阈值；所述所述第一阈值小于所述第二阈值；
所述三维位置参数信息包括二维坐标和高程信息。
其中，所述赋值层包括渲染层和标识层；
可选地，所述渲染层对应的分层特征信息为物体材质特征，所述标识层对应的分层特征信息为标识特征；
分配给所述渲染层和所述标识层的地图数据分别为物体的渲染数据和标识数据。
可选地，所述赋值层还包括定位层和路径规划层；
所述定位层对应的分层特征信息为用于定位物体的物理信息特征，所述路径规划层对应的分层特征信息为路径特征；
分配给所述定位层和所述路径规划层的地图数据分别为用于定位物体的物理信息数据和路径数据。
以下以构建三维室内地图为例，说明本发明实施例中方法。
本发明实施例在构建三维室内地图的过程中，将现有的室内平面地图划分为七层模型。其中根据地图内物体的可移动性划分出前三层(对应三维模型层)，前三层中包含的室内地图中所有的物体。其中每层表达的面积与外部轮廓都是相同的，不同的是每层只显示该层级包含的物体。根据地图信息分出第四、五、六层、七层(对应赋值层)，第四、五层中保存的是地图的材质信息，第六层保存的是地图的标识信息，第七层保存的是地图路径导航信息，主要目的是为了将定位信息显示在地图上。将前三层分离出来后进行拉伸建立成三维模型，最后将七层模型嵌套成为一个完整的室内三维地图。
具体说，本发明实施例中的室内三维地图构建方法包括：
步骤1，导入平面地图：获取需要构建为三维场景的平面地图。该地图可以是行业内标准室内地图，包括室内物体的顶点坐标(顶点具体指物体中三个及三个以上面的交点)。
步骤2，在平面地图上设置配准点。配准点设置在密度为Xm*Xm的网格上，X是一个变量，根据地图的大小而改变，例如2米。每一个配准点都有一个唯一的编号，在地图分层时，不同层级中相对应的相同位置上的配准点编号是统一的。
步骤3，获取地图上的地图数据，包括物体的坐标、材质、高程信息，以及地图上现有的标识信息。
步骤4，基于BP神经网络将获取的地图数据分到预先设置的7个分层中。其中前三层(包括基础层、稳定层、活动层)为物体的三维模型，第四层(渲染层或用户材质层)为物体的材质，第五层(定位层或定位材质层)为物体的定位材质，第六层(标识层)为地图中的全部标识符号，第七层(路径规划层)为用户的路径导航显示。
步骤5，获取前三层的地图数据，分别读取每一层的物体坐标与高程信息形成每一层的三维模型。
步骤6，将构建好的第一至第三层的分层三维模型按照步骤2中配准点进行嵌套，得到三维模型M(即地图三维模型)。
步骤7，将第四层、第五层材质信息与第六层标识符信息赋值到三维模型M中。
步骤8，形成分层可嵌套的室内三维地图。
当然，在进行地图嵌套过程中，也可根据用户的不同需求选择其中一些层进行嵌套，例如用户只需要地图物体模型，不需要材质，就可以省略添加第四层用户材质层、第五层定位材质层信息的步骤，以满足不同用户的需求。
如图2所示，构建的三维地图分为7层，具体包括：
(1)基础层为整个地图分层(简称分层)的第一层，也是整个室内环境的基础，主要以建筑物的墙面、固定的物体为主，在室内环境中基本上处于不会移动的地位，也就是说可移动的次数为0或很少，因此可以将这一层中的物体移动性设为0，第一阈值可以设置为5。
(2)稳定层是整个地图分层的第二层，主要由大型家具组成，其运动比基础层的物体稍微频繁一些，但是又比第三层运动层的物体更加稳定，例如室内环境中的桌子、床等物体。也就是说可移动的次数相对于基础层的物体多一些，可以将这一层中的物体移动性设为1，第二阈值设置为10。
(3)活动层是整个地图分层的第三层，也是本发明实施例中的核心层，该层主要以小型、频繁移动的家具为主，例如带滑轮的工作椅、简易小马扎等家具，在后期更新室内地图时，主要更新该层物体。也就是说，将可移动次数大于稳定层中的移动次数的物体划分到活动层中，将这一层中的物体移动性设为2。
(4)渲染层(也可以称之为用户材质层)是地图分层的第四层，主要用来为用户标识不同的物体，采用简单的颜色分类，例如采用浅棕色表示木制家具等方式，而不是采用详细的参数，这样有利于室内地图的渲染，减少地图生成的代价，同时也有利于用户观察提升用户体验。
(5)定位层(也可以称之为定位材质层)是地图分层的第五层。区别于用户材质层，该层的材质信息需要极尽详细，包括材质的各种电磁特性等物理信息，主要采用文字标识而非渲染，同时该层主要提供给定位模块，对用户隐藏。
(6)标识层是地图分层的第六层。标识层与传统的地图类似，主要采用文字标记的方式来标识例如电梯，楼梯，厕所等地图信息。
(7)路径规划层是地图分层的第七层。该层主要为室内导航预留端口，在室内导航过程中，只需要将路径显示在该层，在新建导航时只需重新生成该图层即可。
具体说，上述步骤4可以包括：
步骤41，BP神经网络构建。首先进行系统建模，构建合适的BP神经网络。根据分层地图中物体的特点，确定BP神经网络的结构为6-7-7。即输入层有6个节点，隐含层有7个节点，输出层有7个节点。
步骤42，BP神经网络训练。初始化BP神经网络的权值和阈值，并用训练数据训练BP神经网络。在训练过程中，根据网络预测误差调整网络的权值和阈值。
步骤43，BP神经网络分类。用训练好的BP神经网络分类地图数据，分别得到七个分层的地图数据。
可选说，上述步骤42可以包括：
步骤42-1，网络初始化。如图3所示，神经网络中主要由输入层、隐含层以及输出层三部分组成。输入层包含6个节点，输入特征值主要选取物体的长、高、宽，物体的材质，物体的一些参数特性，以及关于该物体的历史分层信息这6个参数；隐含层节点数为7；输出层包括7个节点，分别对应7层模型中的各层信息。将输入值X1,X2,...,X6与输出值Y1,Y2,...,Y6记为输入输出序列(X,Y)。并初始化输入层、隐含层和输出层神经元之间的连接权值wij、wjk，初始化隐含层阈值a，输出层阈值b，并给定学习速率和神经元激励函数。
步骤42-2，隐含层输出计算。根据输入变量X，输入层和隐含层间连接权值wij，以及隐含层阈值a，计算隐含层输出H。
式中，Hj为隐含层节点数；f为隐含层激励函数，该函数的表达形式为
步骤42-3，输出层输出计算。根据隐含层输出H，连接权值wjk和阈值b，计算BP神将网络预测输出O。
步骤42-4，误差计算。根据网络预测输出O和期望输出Y，计算网络预测误差e。
ek＝Yk-Ok k＝1,2,…,m
步骤42-5，权值更新。根据网络预测误差e更新网络连接权值wij和wjk。
wjk＝wjk+ηHjek j＝1,2,…,l；k＝1,2,…,m
式中，η为学习速率。
步骤42-6，阈值更新。根据网络预测误差e更新网络节点阈值a、b。
bk＝bk+ek k＝1,2,…,m
步骤42-7，判断算法迭代是否结束，若没有结束，返回步骤步骤42-2。
具体说，上述步骤6可以包括：
步骤61，按分层进行遍历获取所有已经建立好的三维模型，并提取每层模型中的配准点；
步骤62，遍历当前层的配准点；
步骤63，读取当前配准点的状态标志判断当前配准点是否已经被配准过了，如果没有配准过，则进入步骤64；如果已经配准过了，则进入步骤66；
步骤64，找到平面图上与当前配准点相同标识的配准点，将当前配准点通过平移、旋转等方法与平面图上的配准点重叠在一起；
步骤65，将当前配准点的配准状态标志设置为1，设置完毕后返回步骤步骤63；
步骤66，根据层的配准状态标志判断是否所有分层模型都已经完成配准，若没有则返回步骤,61；如果已经全部完成配准则进入步骤67；
步骤67，将平面俯视图从已经建好的模型中删除。
本发明实施例中的室内三维地图构建方法，首先将需要构建三维室内地图的平面地图导入，再在平面地图上设置密度为Xm*Xm的网格，并将配准点设置在网格上。接下来获取平面地图中物体信息以及地图的标识信息。地图信息获取完毕后，按照BP神经网络的地图分层方法将地图分为七层。并根据不同物体的高程信息，将地图分层的前三层逐层拉伸，每一层都构建为三维模型。并将第四层、第五层的材质信息与第六层的标识符信息赋值到三维模型上，最后将层级模型根据同一标识的配准点重叠在一起，完成嵌套。形成了分层可嵌套的三维室内地图。
其中，在建立室内三维地图的过程中，根据物体的可移动性、材质及标识，将室内地图进行分层处理，一般可以分为7层，为基础层、稳定层、活动层、用户材质层、定位材质层、标识层和路径规划层。其中，基础层为可活动性为0的物体，该层物体不可移动，如墙等物体。稳定层为可移动性为1的物体，该层物体的可移动性适中，但基本很少移动，如床，桌子等物体。活动层为可活动性为2的物体，该层物体非常活跃，经常移动，如椅子等物体。用户材质层中为展现给用户的材质，该层中简单使用颜色来表示不同的材质。定位材质层中为在定位时所需要的具体材质信息，如电磁特性参数等，该层对用户透明。标识层为室内地图中的文字和图片标识，如厕所、楼梯等。路径规划层在初始创建时为与一个空白层。该层用于室内导航，用来呈现室内导航路径。当路径规划完毕后，只需新建该层即可。
在基于BP神经网络的地图分层过程中，共分三个大步骤。首先是构建BP神经网络。在地图分层方法中，输入特征值主要选取物体的长、高、宽，物体的材质，物体的一些参数特性，以及关于该物体的历史分层信息这6个参数；输出特征值为7个参数，分别对应7层模型中的各层信息，所以构建BP神经网络的结构为6-7-7，即输入层有6个节点，隐含层有7个节点，输出层有7个节点。接下来对BP神经网络进行训练。首先将权限阈值初始化，然后进行训练，根据预测误差调整连接权值。训练结束后进入最后一个阶段，即根据BP神经网络将地图物体分类。
其中，BP神经网络拓扑结构图如图3所示，X1,X2…X6是BP神经网络的输入值，Y1,Y2,…,Y7是BP神经网络的预测值；wij表示输入层到隐含层的连接网络权值，wjk表示隐含层到输出层的连接网络权值；f表示隐含层激励函数；aj表示隐含层的阈值，j＝1,2…,7；bk表示隐含层的阈值，k＝1,2…,7。这里的输入节点数是6，输出节点数是7，BP神经网络表达了从6个自变量到7个因变量的函数映射关系。把6种地图数据输入到神经网络中，输入的信号从输入层经隐含层逐层处理，直至输出层，根据预测误差调整网络权值和阈值，从而输出最终的分层结果。
在地图嵌套的过程中，首先需要按层遍历已经建立好的三维模型和该层的配准点。接下来通过平移、旋转等方法将平面图上与该层具有相同标识的配准点重叠在一起，配准过的配准点的状态设置为1，没有配准过的设置为0。遍历该层所有的配准点，直到所有配准点的配准状态都为1为止。当完成一层的配准之后，将该层的层级配准状态标志设置为1，表示该层已经配准完成，没有配准完成的层级配准状态标志为0。直到所有的层的层级配准状态都为1后，将平面图从三维地图模型中删除，配准方法结束。
综上，本发明实施例中的室内三维地图构建可以高效的构建室内三维地图，并且有效降低室内三维地图的更新成本。
实施例二
如图4所示，本发明实施例提供一种三维地图构建装置，其特征在于，所述装置包括存储器和处理器；所述存储器存储有三维地图构建计算机程序，所述处理器执行所述计算机程序，以实现如实施例一中任意一项所述方法的步骤。
本发明实施例通过将预先获取的地图数据分配给预设的相应分层；对于分配的每个分层，根据分配给该分层的地图数据，形成分层地图；将形成的各个分层地图进行嵌套从而形成分层可嵌套的三维地图，进而可以高效的构建三维地图，并且有效降低三维地图的更新成本。
本发明实施例可以应用于室内三维地图构建。在室内三维地图构建过程中，将室内三维地图进行层级划分，在划分层的时同时也考虑到用户体验与定位辅助两种特性相结合，不但有关于地图内实体的层级，也同时划分出辅助定位的层级，从而使本发明实施例生成的三维室内地图不仅能够为用户提供三维的室内地图的直观视觉感受，也能够为室内定位提供必要的数据。
本发明实施例中装置可以为固定终端或移动终端，其中移动终端可以是手机、平板电脑、笔记本电脑、掌上电脑、个人数字助理(Personal Digital Assistant，PDA)、便捷式媒体播放器(Portable Media Player，PMP)、导航装置、可穿戴设备、智能手环、计步器等。
具体说，所述处理器执行所述计算机程序，以实现如下步骤：
将预先获取的地图数据分配给预设的相应分层；
对于分配的每个分层，根据分配给该分层的地图数据，形成分层地图；
将形成的各个分层地图进行嵌套，形成三维地图。
在本发明实施例中，可选地，所述将预先获取的地图数据分配给预设的相应分层，包括：
根据预设的各个分层分别对应的分层特征信息，将所述获取的地图数据分配给所述相应分层。
本发明实施例中分层特征信息可以根据各个分层的特点进行设置。
其中，所述根据预设的各个分层分别对应的分层特征信息，将所述获取的地图数据分配给所述相应分层，包括：
根据所述各个分层分别对应的分层特征信息，通过预先训练得到的BP神经网络，将所述获取的地图数据分配给所述相应分层。
可选地，所述根据所述各个分层分别对应的分层特征信息，通过预先训练得到的BP神经网络，将所述获取的地图数据分配给所述相应分层，包括：
将预设的各个分层分别对应的分层特征信息作为所述BP神经网络的输出值，通过所述BP神经网络对所述获取的地图数据进行分类，得到分配给每个分层的地图数据。
在本发明实施例中，可选地，预设的各个分层至少包括三维模型层和赋值层。
其中，分配给所述所述三维模型层的地图数据为物体的三维位置参数信息；
可选地，所述对于分配的每个分层，根据分配给该分层的地图数据，形成分层地图；将形成的各个分层地图进行嵌套，形成三维地图；包括：
根据所述物体的三维位置参数信息，在所述三维模型层形成物体三维模型；
根据所述物体三维模型搭建地图三维模型；
在所述赋值层，将分配给所述赋值层的地图数据赋值到所述地图三维模型中，以形成所述三维地图。
可选地，所述三维模型层包括基础层、稳定层和活动层。
其中，所述根据所述物体的三维位置参数信息，在所述三维模型层形成物体三维模型；根据所述物体三维模型搭建地图三维模型；包括：
根据分别分配给所述基础层、所述稳定层和所述活动层的物体的三维位置参数信息，在相应的所述基础层、所述稳定层和所述活动层分别形成每层的物体三维模型；
将各层的物体三维模型按照预设的配准点进行嵌套，得到所述地图三维模型。
其中，所述三维模型层中各层对应的分层特征信息为物体移动性；
可选地，所述根据所述各个分层分别对应的分层特征信息，通过预先训练得到的BP神经网络，将所述获取的地图数据分配给所述相应分层之前，还包括：
根据预测的物体可移动次数，设置所述三维模型层中各层的物体移动性。
其中，所述基础层、所述稳定层和所述活动层的物体移动性分别设置为第一特性值、第二特性值和第三特性值；
所述第一特性值对应的物体可移动次数不大于预设的第一阈值，所述第二特性值对应的物体可移动次数不大于预设的第二阈值，所述第三特性值对应的物体可移动次数大于所述第二阈值；所述所述第一阈值小于所述第二阈值；
所述三维位置参数信息包括二维坐标和高程信息。
其中，所述赋值层包括渲染层和标识层；
可选地，所述渲染层对应的分层特征信息为物体材质特征，所述标识层对应的分层特征信息为标识特征；
分配给所述渲染层和所述标识层的地图数据分别为物体的渲染数据和标识数据。
可选地，所述赋值层还包括定位层和路径规划层；
所述定位层对应的分层特征信息为用于定位物体的物理信息特征，所述路径规划层对应的分层特征信息为路径特征；
分配给所述定位层和所述路径规划层的地图数据分别为用于定位物体的物理信息数据和路径数据。
本发明实施例在具体实现时可以参阅实施例一，也具有实施例一的技术效果。
实施例三
本发明实施例提供一种计算机可读存储介质，所述存储介质存储有三维地图构建计算机程序，所述计算机程序被至少一个处理器执行时，以实现如实施例一中任意一项所述方法的步骤。
本发明实施例中计算机可读存储介质可以是RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、移动硬盘、CD-ROM或者本领域已知的任何其他形式的存储介质。可以将一种存储介质藕接至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息；或者该存储介质可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路中。
本发明实施例在具体实现时，可以参阅实施例一和实施例二，也具有相应的技术效果。
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 (14)
1.一种三维地图构建方法，其特征在于，所述方法包括：
将预先获取的地图数据分配给预设的相应分层；
对于分配的每个分层，根据分配给该分层的地图数据，形成分层地图；
将形成的各个分层地图进行嵌套，形成三维地图。
2.如权利要求1所述的方法，其特征在于，所述将预先获取的地图数据分配给预设的相应分层，包括：
根据预设的各个分层分别对应的分层特征信息，将所述获取的地图数据分配给所述相应分层。
3.如权利要求2所述的方法，其特征在于，所述根据预设的各个分层分别对应的分层特征信息，将所述获取的地图数据分配给所述相应分层，包括：
根据所述各个分层分别对应的分层特征信息，通过预先训练得到的神经网络，将所述获取的地图数据分配给所述相应分层。
4.如权利要求3所述的方法，其特征在于，所述根据所述各个分层分别对应的分层特征信息，通过预先训练得到的神经网络，将所述获取的地图数据分配给所述相应分层，包括：
将预设的各个分层分别对应的分层特征信息作为所述神经网络的输出值，通过所述神经网络对所述获取的地图数据进行分类，得到分配给每个分层的地图数据。
5.如权利要求2所述的方法，其特征在于，预设的各个分层至少包括三维模型层和赋值层。
6.如权利要求5所述的方法，其特征在于，分配给所述所述三维模型层的地图数据为物体的三维位置参数信息；
所述对于分配的每个分层，根据分配给该分层的地图数据，形成分层地图；将形成的各个分层地图进行嵌套，形成三维地图；包括：
根据所述物体的三维位置参数信息，在所述三维模型层形成物体三维模型；
根据所述物体三维模型搭建地图三维模型；
在所述赋值层，将分配给所述赋值层的地图数据赋值到所述地图三维模型中，以形成所述三维地图。
7.如权利要求6所述的方法，其特征在于，所述三维模型层包括基础层、稳定层和活动层。
8.如权利要求7所述的方法，其特征在于，所述根据所述物体的三维位置参数信息，在所述三维模型层形成物体三维模型；根据所述物体三维模型搭建地图三维模型；包括：
根据分别分配给所述基础层、所述稳定层和所述活动层的物体的三维位置参数信息，在相应的所述基础层、所述稳定层和所述活动层分别形成每层的物体三维模型；
将各层的物体三维模型按照预设的配准点进行嵌套，得到所述地图三维模型。
9.如权利要求7所述的方法，其特征在于，所述三维模型层中各层对应的分层特征信息为物体移动性；
所述方法还包括：
根据预测的物体可移动次数，设置所述三维模型层中各层的物体移动性。
10.如权利要求9所述的方法，其特征在于，所述基础层、所述稳定层和所述活动层的物体移动性分别为第一特性值、第二特性值和第三特性值；
所述第一特性值对应的物体可移动次数不大于预设的第一阈值，所述第二特性值对应的物体可移动次数不大于预设的第二阈值，所述第三特性值对应的物体可移动次数大于所述第二阈值；所述所述第一阈值小于所述第二阈值；
所述三维位置参数信息包括二维坐标和高程信息。
11.如权利要求5所述的方法，其特征在于，所述赋值层包括渲染层和标识层；
所述渲染层对应的分层特征信息为物体材质特征，所述标识层对应的分层特征信息为标识特征；
分配给所述渲染层和所述标识层的地图数据分别为物体的渲染数据和标识数据。
12.如权利要求11所述的方法，其特征在于，所述赋值层还包括定位层和路径规划层；
所述定位层对应的分层特征信息为用于定位物体的物理信息特征，所述路径规划层对应的分层特征信息为路径特征；
分配给所述定位层和所述路径规划层的地图数据分别为用于定位物体的物理信息数据和路径数据。
13.一种三维地图构建装置，其特征在于，所述装置包括存储器和处理器；所述存储器存储有三维地图构建计算机程序，所述处理器执行所述计算机程序，以实现如权利要求1-12中任意一项所述方法的步骤。
14.一种计算机可读存储介质，其特征在于，所述存储介质存储有三维地图构建计算机程序，所述计算机程序被至少一个处理器执行时，以实现如权利要求1-12中任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710828846.8A CN109509254B (zh) | 2017-09-14 | 2017-09-14 | 三维地图构建方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710828846.8A CN109509254B (zh) | 2017-09-14 | 2017-09-14 | 三维地图构建方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109509254A true CN109509254A (zh) | 2019-03-22 |
| CN109509254B CN109509254B (zh) | 2024-01-02 |
Family
ID=65744802
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710828846.8A Active CN109509254B (zh) | 2017-09-14 | 2017-09-14 | 三维地图构建方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109509254B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110715671A (zh) * | 2019-12-12 | 2020-01-21 | 中智行科技有限公司 | 三维地图生成方法、装置、车辆导航设备和无人驾驶车辆 |
| CN111061277A (zh) * | 2019-12-31 | 2020-04-24 | 歌尔股份有限公司 | 一种无人车全局路径规划方法和装置 |
| CN114185908A (zh) * | 2021-12-13 | 2022-03-15 | 北京百度网讯科技有限公司 | 一种地图数据处理方法、装置、电子设备及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050035883A1 (en) * | 2003-08-01 | 2005-02-17 | Kenji Kameda | Map display system, map data processing apparatus, map display apparatus, and map display method |
| US20050083325A1 (en) * | 2003-10-20 | 2005-04-21 | Lg Electronics Inc. | Method for displaying three-dimensional map |
| CN103150751A (zh) * | 2013-01-10 | 2013-06-12 | 江苏易图地理信息工程有限公司 | 在数字地图中实现建筑物内外一体化的三维建模方法 |
| CN103310359A (zh) * | 2007-01-08 | 2013-09-18 | 微软公司 | 用于在地图绘制应用程序中显示模式信息的方法和系统 |
| CN104658039A (zh) * | 2015-02-12 | 2015-05-27 | 南京市测绘勘察研究院有限公司 | 一种城市数字地图三维建模制作方法 |
| CN104897160A (zh) * | 2015-05-29 | 2015-09-09 | 北京京东尚科信息技术有限公司 | 一种制作室内地图和定位的方法及装置 |
| CN105513126A (zh) * | 2015-11-26 | 2016-04-20 | 南京国图信息产业股份有限公司 | 一种三维楼盘建模方法 |
| CN106980633A (zh) * | 2016-01-19 | 2017-07-25 | 高德软件有限公司 | 室内地图数据的生成方法及装置 |
-
2017
- 2017-09-14 CN CN201710828846.8A patent/CN109509254B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050035883A1 (en) * | 2003-08-01 | 2005-02-17 | Kenji Kameda | Map display system, map data processing apparatus, map display apparatus, and map display method |
| US20050083325A1 (en) * | 2003-10-20 | 2005-04-21 | Lg Electronics Inc. | Method for displaying three-dimensional map |
| CN103310359A (zh) * | 2007-01-08 | 2013-09-18 | 微软公司 | 用于在地图绘制应用程序中显示模式信息的方法和系统 |
| CN103150751A (zh) * | 2013-01-10 | 2013-06-12 | 江苏易图地理信息工程有限公司 | 在数字地图中实现建筑物内外一体化的三维建模方法 |
| CN104658039A (zh) * | 2015-02-12 | 2015-05-27 | 南京市测绘勘察研究院有限公司 | 一种城市数字地图三维建模制作方法 |
| CN104897160A (zh) * | 2015-05-29 | 2015-09-09 | 北京京东尚科信息技术有限公司 | 一种制作室内地图和定位的方法及装置 |
| CN105513126A (zh) * | 2015-11-26 | 2016-04-20 | 南京国图信息产业股份有限公司 | 一种三维楼盘建模方法 |
| CN106980633A (zh) * | 2016-01-19 | 2017-07-25 | 高德软件有限公司 | 室内地图数据的生成方法及装置 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110715671A (zh) * | 2019-12-12 | 2020-01-21 | 中智行科技有限公司 | 三维地图生成方法、装置、车辆导航设备和无人驾驶车辆 |
| CN110715671B (zh) * | 2019-12-12 | 2020-03-20 | 中智行科技有限公司 | 三维地图生成方法、装置、车辆导航设备和无人驾驶车辆 |
| CN111061277A (zh) * | 2019-12-31 | 2020-04-24 | 歌尔股份有限公司 | 一种无人车全局路径规划方法和装置 |
| US11747155B2 (en) | 2019-12-31 | 2023-09-05 | Goertek Inc. | Global path planning method and device for an unmanned vehicle |
| CN114185908A (zh) * | 2021-12-13 | 2022-03-15 | 北京百度网讯科技有限公司 | 一种地图数据处理方法、装置、电子设备及存储介质 |
| CN114185908B (zh) * | 2021-12-13 | 2024-02-06 | 北京百度网讯科技有限公司 | 一种地图数据处理方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109509254B (zh) | 2024-01-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107025685B (zh) | 拓扑感知下的机载建筑屋顶点云建模方法 | |
| CN105825550B (zh) | 顾及一致性的复杂三维建筑物模型剖切建模方法 | |
| CN108759840B (zh) | 一种室内外一体化三维导航路径规划方法 | |
| Vanegas et al. | Interactive design of urban spaces using geometrical and behavioral modeling | |
| Mehra et al. | Abstraction of man-made shapes | |
| Liu | Three-dimensional visualized urban landscape planning and design based on virtual reality technology | |
| CN106897417A (zh) | 一种基于多源大数据融合的城市空间全息地图的构建方法 | |
| CN109840338A (zh) | 一种应用于三维不动产信息管理的三维楼盘模型构建方法 | |
| CN101158966B (zh) | 一种基于矢量和栅格混合表示的城市环境量化数据组织方法 | |
| CN115269751A (zh) | 地理实体时空知识图谱本体库构建方法 | |
| Simpson | Virtual reality and urban simulation in planning: A literature review and topical bibliography | |
| CN113988084B (zh) | 基于swrl规则的bim和gis本体融合方法及系统 | |
| CN109509254A (zh) | 三维地图构建方法、装置及存储介质 | |
| CN103390057B (zh) | 一种历史信息的空间化建模存储方法 | |
| CN105117494B (zh) | 模糊语境中的空间实体映射方法 | |
| CN108427693A (zh) | 一种将bim模型数据化存储给第三方软件系统的方法 | |
| Niese et al. | Procedural urban forestry | |
| Bansal | Use of geographic information systems in spatial planning: A case study of an institute campus | |
| CN113449355A (zh) | 一种基于人工智能的建筑户型图自动生成方法 | |
| Yuan et al. | From design to digital model: A quantitative analysis approach to Garden Cities theory | |
| Zhang et al. | GIS Based Procedural Modeling in 3D Urban Design | |
| Xu et al. | Blockplanner: City block generation with vectorized graph representation | |
| Wang et al. | A survey of personalized interior design | |
| Besuievsky et al. | A Configurable LoD for Procedural Urban Models intended for Daylight Simulation. | |
| CN109997172A (zh) | 三维场景建模方法、装置、设备及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |