CN110068343A - 构建和更新多层道路网络高清数字地图的行为层 - Google Patents

Abstract

本文描述的是用于构建和更新多层道路网络高清数字地图（1）的行为层的方法。通过行进通过道路网络（3）的多个道路车辆（2）的传感器检测至少与静止和移动对象（4）的位置和速度有关的数据。关于检测的对象（4）的数据（5）被发送到云（6）以进行数据聚合。分析聚合数据以确定或预测针对地图（1）的不同段的检测的对象（4）的行为模式。将检测的对象（4）的确定或预测的行为模式（7）添加到地图（1）的行为层。还描述了包括此类行为层以及地理信息系统的道路网络高清地图（1），所述地理信息系统被布置成构建和更新多层道路网络高清数字地图（1）的此类行为层。

Description

构建和更新多层道路网络高清数字地图的行为层

技术领域

本公开一般地涉及用于构建和更新多层道路网络高清数字地图的行为层的方法。它还涉及包括此类行为层以及地理信息系统的道路网络高清地图，所述地理信息系统被布置成构建和更新多层道路网络高清数字地图的此类行为层。

背景技术

快速发展的一个技术领域是用于道路车辆的自主或半自主驾驶能力的领域。这通过引入用于感测车辆运动和周围的车载传感器以及用于控制不同的道路车辆功能（例如转向、节流和制动）的车载致动器来实现。增加的机载数据处理能力将车载传感器和致动器连接在一起，以便实现自主或半自主驾驶功能。

当道路车辆以自主模式运行时（这意味着不要求驾驶员执行操纵），道路车辆通常将取决于来自多个数据源的输入来执行自主驾驶。自主道路车辆要求关于其周围环境的信息来安全驾驶。例如，自主道路车辆要求它在其内部操作的道路网络的详细描述，以谨慎地导航和规划未来的轨迹。它还必须对周围的对象进行检测和分类，并估计它们的物理特性，诸如位置、速度和加速度。为了执行此类的任务，自主道路车辆通常被提供高清地图信息和来自测量车辆的内部状态以及其周围环境两者的多个传感器的信息。

自主道路车辆所要求的此类高清地图在几个重要方面与今天用于分路段导航（turn-by-turn direction）的地图不同。对于全球定位系统、基于GPS的导航，米分辨率地图可能足够好了，但是自主道路车辆需要能够告诉他们其中路缘（curb）在几厘米内的地图。

高清地图是自驾道路车辆（即具有自主或半自主驾驶能力的道路车辆）的重要部件。这些地图的主要挑战不仅与地图的构建有关，而且还与随时间更新它们有关。因为这两个程序非常昂贵并且使用可能可用的有限数量的资源来完成是不可行的，所以众包（crowdsourcing）被广泛用来实现此任务。

在此上下文中，车辆或其他运输系统无线地向服务器发送可承受级别的信息来作为他们从其周围的检测的概要。在服务器中收集信息，并应用适当的处理和聚合以从收集的数据中去除噪声和错误。

然后，使用来自这些处理和聚合的结果来创建或更新可用的地图。通常为高清地图创建几个不同的层，其中不同级别的信息在不同层处是可用的。此类地图的焦点通常是得到对环境的物理理解，例如，多少可用的车道标记，路标位于何处等。

发明内容

本发明的目的是改进多层道路网络高清数字地图的实用性、构建和更新。

这由用于构建和更新多层道路网络高清数字地图的行为层的方法来提供，该方法包括：由通过道路网络行进的多个道路车辆的传感器来检测至少与静止和移动对象的位置和速度相关的数据；将关于检测的对象的数据发送到云来进行数据聚合；分析来自所述多个道路车辆的聚合数据，以确定或预测针对地图的不同段的检测的对象的行为模式；并将检测的对象的确定或预测的行为模式添加到地图的行为层。

在另一实施例中，该方法还包括使用机器学习来确定或预测针对地图的不同段的检测的对象的行为模式。

在又一实施例中，该方法还包括使用来自传感器的信号的高级处理来对检测的对象的类型进行确定和分类。

在又一实施例中，该方法包括在传感器信号的高级处理中使用高级机器学习和深度学习算法来对检测的对象的类型进行确定和分类。

在另外的实施例中，该方法还包括使用车载（in-vehicle）系统来执行检测的移动对象的未来行为的预测，并将与此类预测有关的数据发送到云以进行数据聚合。

在又一另外的实施例中，该方法还包括使用包括深度学习，生成对抗网（generative adversarial net）或贝叶斯学习中的至少一个的高级预测方法来执行移动对象的意图和它们可能的近期轨迹两者的预测。

此外，这里设想的是道路网络高清地图，其包括根据本文描述的方法构建和更新的行为层。

而且，这里设想的是地理信息系统，其被布置成使用本文描述的方法来构建和更新多层道路网络高清数字地图的行为层。

上面实施例具有向多层道路网络高清数字地图提供行为层的有益效果，其可用来增强自驾车辆或高级驾驶员辅助系统关于周围环境的理解。道路和交通管理局也可以使用它来采取适当的动作，例如，以使适当的交通符号处于就位，以将行为层指示对此类动作的需要的区域中的事故风险最小化。

附图说明

在下文中，将仅参考附图通过示例的方式更详细地描述本文的实施例，其中：

图1示意性地示出了根据示例实施例的多层道路网络高清数字地图；

图2示意性地示出了根据示例实施例的用于构建和更新多层道路网络高清数字地图的行为层的方法。

具体实施方式

在下文中，将描述用于构建和更新多层道路网络高清数字地图1的行为层的方法的一些示例实施例。

如图1中示意性地示出的，多层数字地图1可被视为具有一系列层的地图，例如，如图示的层1a至f。这些层可以例如以定义道路几何结构的底图开始，下一层可以提供地图属性（名称，转弯限制等），然后在那个的顶部上可以出现社区贡献的内容，然后我们可以例如具有'真实的道路速度'，例如诸如由IQ 路线等提供。地图1的每个更高层提供更多信息并向下面的层添加更多价值。

存在针对地图层的初始数据的许多源，从地方当局，国家规划和绘图机构（即军事测量）、驾驶员反馈、MapShare、卫星图像等进行变动。

我们作为人类驾驶员如何观察环境的一个重要方面是通过语义，并且我们可以将几个事件推理和关联在一起。例如，在存在接近车站的电车时，接近电车站的匆忙人员通常意味着该人正急于乘坐电车。

本文提议向多层道路网络高清数字地图1添加行为层，其中众包、数据分析和潜在的机器学习用来创建描述其他道路使用者通常如何在地图1的此部分中表现的级别。

此信息可用来增强自驾车辆或高级驾驶员辅助系统（ADAS）关于周围环境的理解。道路和交通管理局也可以使用它来采取适当的动作，例如以使适当的交通符号处于就位，以使地图1的行为层指示对此类动作的需要的区域中的事故的风险最小化。确定道路网络3中的不规则性（例如诸如坑洼或道路施工）也可以是可能的。

所提议的方法包括由行进通过道路网络（例如如图2中示意性地示出）的多个道路车辆2a-f的传感器（未示出）检测至少关于静止和移动对象4a-d的位置和速度的数据。因此，假设相应车辆2a-f被装备检测系统，例如通过其可以检测周围对象4a-d并确定其关于相应检测车辆2a-f的位置和速度的一个或多个传感器（例如，相机、激光雷达或基于雷达的传感器或这些的融合）。

该方法进一步包括将关于检测的对象4a-d的虚线箭头5a-f所图示的数据发送到云6以用于数据聚合，例如，作为时空数据库。

云是涉及通过网络连接访问计算机，信息技术和软件应用的术语，经常通过使用广域联网或因特网连接访问数据中心。云计算实现了消耗计算资源（例如虚拟机，存储或应用程序）用作实用程序（utility）。

使用公知的无线通信技术来将根据所提议的方法的数据适当地从相应的车辆2a-f发送到云6。

根据所提议的方法，分析来自所述多个道路车辆2a-f的聚合数据，以针对地图1的不同段来确定或预测检测的对象4a-d的行为模式7。

最后，根据该方法的一般实施例，将检测的对象4a-d的确定或预测的行为模式7添加到地图1的行为层。

可选地，该方法还包括使用机器学习来确定或预测针对地图1的不同段的检测的对象4a-d的行为模式7。

在另外的实施例中，该方法包括使用来自传感器的信号的高级处理来对检测的对象4a-d的类型进行确定和分类。可能的分类可以例如包括行人、骑车者、动物，车辆（汽车、公共汽车、货车）等。应该注意的是固定的静止对象（例如固定的路边装置）通常将被确定或预测成保持静止，而例如可以将静止车辆或个人预测成移动。

在更进一步的实施例中，该方法包括在传感器信号的高级处理中使用高级机器学习和深度学习算法来对检测的对象4a-d的类型进行确定和分类。

在另外的实施例中，该方法还包括使用车载系统来执行对检测的移动对象4a-d的未来行为的预测，并将与此类预测有关的数据5a-f发送到云6以进行数据聚合。因此，如果通过道路网络3行进的车辆2a-f内的系统检测到在道路的该侧等待的行人4a并且系统预测行人意欲穿越街道，则此信息也应该被发送到云6。在此情况下，重要的是还具有不确定性的概念，其可用来评估系统对收集的数据5a-f的信任。然后，云6中的聚合算法可以使用此信息来最佳地决定在道路网络3的此段中可以预期什么种类的行为。因此，如果在通过道路网络3行进的几个车辆2a-f内的系统检测到穿越道路或预测穿越道路的相同位置附近的行人，则这可以是在此特定地理位置处可以预期这种行为的指示。

考虑穿越或绕道（roundabout）。在十字路口中（例如当不存在交通灯时），其他道路使用者和车辆的检测或预测行为被发送到云6并且执行数据分析以得到十字路口的不同部分中的道路使用者的主要行为模式。这可以例如用来提取收集的信息，以查看如何在十字路口中使用让路（Give Way）。

在又一另外的实施例中，该方法还包括使用包括深度学习，生成对抗网或贝叶斯学习中的至少一个的高级预测方法来执行移动对象4a-d的意图及其可能的近期轨迹两者的预测。预测的轨迹可能包含几个可能性。在此类情况下，可以将这些预测中的一个或多个发送到云6。

考虑例如公交车站4c的示例，如图2中图示的。如果确定公交车4d正在接近公交车站4c，或者替代地如果来自公交车网络时间表的数据指示在预定的时间跨度内公交车4d预期在那个公交车站4c处，则可以预测公交车站4c附近的检测到站立的家庭保持在那里站立。

此外，这里设想的是道路网络高清地图1包括根据本文描述的方法构建和更新的行为层。

而且，这里设想的是地理信息系统（GIS），其被布置成使用本文描述的方法来构建和更新多层道路网络高清数字地图1的行为层。

地图层是GIS数据库，其包含表示特定类别或类型的现实世界实体（诸如车辆、骑车者、行人或动物）的特征。行为层包含每个特征的视觉表示以及从特征到其数据库属性（例如行为属性）的链接两者。

地理信息系统或GIS是允许您根据其位置来在单个数据库内映射、建模、查询和分析大量数据的计算机系统。使用本文描述的方法的GIS允许构建和更新多层道路网络高清数字地图1的行为层。

因此，根据所提议的方法，确定在交通环境中实际发生什么以创建行为层，其可用来确定在特定时间点在特定地理位置处发生的事物的概率。

受益于前述描述和相关附图中呈现的教导，这些发明所属领域的技术人员将想到本文所阐述的本发明的许多修改和其他实施例。因此，要理解的是，本发明不被限制到所公开的特定实施例，并且修改和其他实施例旨在包括在所附权利要求的范围内。此外，尽管前面的描述和相关附图在元件和/或功能的某些示例性组合的上下文中描述了示例性实施例，但是应当领会到，可以通过替代实施例提供元件和/或功能的不同组合而不脱离所附权利要求的范围。在这方面，例如，还考虑与上面明确描述的那些不同的元件和/或功能的组合，如可以在所附权利要求的一些中阐述的。在本文中描述了优点、益处或问题的解决方案的情况下，应当领会到，此类优点、益处和/或解决方案可适用于一些示例实施例，但不一定是所有示例实施例。因此，不应将本文所描述的任何优点、益处或解决方案视为对所有实施例或本文要求保护的那个是关键的、要求的或必要的。尽管本文采用了特定术语，但是它们仅在一般性和描述性意义中使用，并且不是为了限制的目的。

Claims (8)

1.一种用于构建和更新多层道路网络高清数字地图（1）的行为层的方法，该方法包括：

通过行进通过道路网络（3）的多个道路车辆（2）的传感器检测至少与静止和移动对象（4）的位置和速度有关的数据；

将关于检测的对象（4）的数据（5）发送到云（6）以进行数据聚合；

分析来自所述多个道路车辆（2）的聚合数据（5），以针对地图（1）的不同段来确定或预测检测的对象（4）的行为模式（7）；和

将检测的对象（4）的确定或预测的行为模式（7）添加到地图（1）的行为层。

2.根据权利要求1所述的方法（1），其中，它还包括使用机器学习而针对所述地图（1）的不同段来确定或预测检测的对象（4）的行为模式（7）。

3.根据权利要求1或2中任一项所述的方法（1），其中，它还包括使用来自传感器的信号的高级处理来对检测的对象（4）的类型进行确定和分类。

4.根据权利要求3所述的方法（1），其中，它还包括在传感器信号的高级处理中使用高级机器学习和深度学习算法，以对检测的对象（4）的类型进行确定和分类。

5.根据权利要求4所述的方法（1），其中，它还包括使用车载系统来执行对检测的移动对象（4）的未来行为的预测，并将关于此类预测的数据发送到云（6）以用于所述数据聚合。

6.根据权利要求5所述的方法（1），其中，它还包括使用包括深度学习，生成对抗网或贝叶斯学习中的至少一个的高级预测方法来执行所述移动对象（4）的意图和它们可能的近期轨迹两者的预测。

7.一种道路网络高清地图（1），包括根据权利要求1-6中任一项所述的方法构建和更新的行为层。

8.一种地理信息系统，其被布置成使用根据权利要求1至7中任一项所述的方法来构建和更新多层道路网络高清数字地图（1）的行为层。