CN110599570B - 基于众包数据开放场景下的地图生成方法及系统 - Google Patents
基于众包数据开放场景下的地图生成方法及系统 Download PDFInfo
- Publication number
- CN110599570B CN110599570B CN201910878272.4A CN201910878272A CN110599570B CN 110599570 B CN110599570 B CN 110599570B CN 201910878272 A CN201910878272 A CN 201910878272A CN 110599570 B CN110599570 B CN 110599570B
- Authority
- CN
- China
- Prior art keywords
- road
- lane
- information
- track
- sidelines
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/206—Drawing of charts or graphs
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种基于众包数据开放场景下的地图生成方法及系统,包括:将提取的语义信息与gps轨迹信息进行时间同步,生成轨迹线;对语义信息中的车道边线进行大数据聚合处理,生成车道边线和道路边界线;并通过轨迹线和道路边界线,对车道边线进行分组,生成道路区间;通过轨迹线与道路区间之间的相对位置关系,检测路口区间;并基于轨迹线通过道路区间的信息,构建道路级拓扑关系,并生成道路向量;根据道路区间生成车道级拓扑关系;并根据属性和位置信息对语义信息中的交通设施进行大数据聚合处理,生成准确的位置和属性;将聚合后的交通设施信息关联到已生成的道路网中,获得地图。本发明具有成本低、快速构图和路口处的拓扑信息更为准确的优点。
Description
技术领域
本发明涉及交通技术领域,更具体地,涉及一种基于众包数据开放场景下的地图生成方法及系统。
背景技术
针对自动驾驶车使用的高精度地图数据中包含的车道标线,停止线,人行横道,交通标识牌,交通信号灯等路面和路侧现实存在的交通设施,以及道路间的连通关系,车道间横向和纵向关联关系以及交通设施与道路/车道的关联关系等用于路径规划和驾驶决策的信息;为了生成上述信息,现有技术通常采用传统的测绘手段,不仅采集成本高昂,而且生产周期较长,同时在路口处道路间的拓扑连通关系往往与实际不符。
发明内容
为了解决上述问题,本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的基于众包数据开放场景下的地图生成方法及系统。
根据本发明实施例的第一方面,提供一种基于众包数据开放场景下的地图生成方法,该方法包括:通过车辆ID和时间戳,将提取的语义信息与gps轨迹信息进行时间同步并转换为同一坐标系,生成轨迹线;对所述语义信息中的车道边线进行大数据聚合处理,生成车道边线和道路边界线;通过所述轨迹线和道路边界线,对车道边线进行分组生成道路区间,并通过轨迹线与道路区间之间的相对位置关系检测路口区间;基于轨迹线通过道路区间的信息,构建道路级拓扑关系,生成道路向量;并根据道路区间生成车道级拓扑关系;根据属性和位置信息对语义信息中的交通设施进行大数据聚合处理,生成准确的位置和属性;并基于就近原则,将聚合后的交通设施信息关联到已生成的道路网中,获得高精度地图。
其中,对语义信息中的车道边线进行大数据聚合处理,生成车道边线,包括:获取ADAS相机输出的车道边线和道路边界线的首点,以及每条车道边线和道路边界线的首点处的朝向信息;对首点和首点处的朝向信息进行聚类,获得聚类结果;对聚类结果中的点簇进行曲线拟合,生成车道边线和道路边界线。
其中,通过轨迹线和道路边界线,对车道边线进行分组,包括:利用轨迹线与道路边界线之间的相对位置关系,获取相对完整的道路边界;利用道路边界信息获取落在道路面内的所有车道边线;利用滑动窗口的方式,计算窗口内车道边线之间的相对位置关系以及车道边线与道路边界之间的相对位置关系,并对车道边线从左往右进行排序;对窗口内的车道边线按照平行、等距、误差最小以及车道宽度的约束进行补齐和新增车道边线;对滑动窗口之间的车道边线,根据横向编号,从两侧向中间进行预连接,并保证预连接后,车道边线与两侧道路边界的距离不发生大于阈值的变化;将获取到的车道边线组信息生成道路区间。
其中,通过轨迹线与道路区间之间的相对位置关系,检测路口区间,包括:通过轨迹点的朝向,计算区域内的轨迹点朝向的复杂度,并将复杂度超过设定阈值的轨迹点定义为路口内的轨迹点;对路口内的轨迹点进行聚类,标记获取的第一点簇,并计算每个第一点簇的外包形状;对车道边线组起始和终止处车道边线的点,进行聚类,标记获取的第二点簇,并计算每个第二点簇的外包形状;对于第一点簇的外包形状和第二点簇的外包形状,通过位置进行合并,获得地图中的路口信息。
其中,基于轨迹线通过道路区间的信息,构建道路级拓扑关系,并生成道路向量,包括:根据轨迹通行的先后顺序,将两个相邻的路口之间道路区间串成一个道路向量中带序号的道路区间;根据轨迹线簇生成道路向量的形状信息;根据轨迹线通过路口的信息,完成道路之间的拓扑连通关系,以构建地图中的道路级拓扑关系。
其中,根据道路区间生成车道级拓扑关系,包括:根据道路区间内的车道边线横向序列,获取相邻的两条车道边线形成的带状区域内的轨迹点;对轨迹点进行点簇拟合,生成车道向量,并对车道向量从左往右编号;根据道路区间的连通顺序,获取车道向量的纵向连通关系;若道路向量处于路口内时,获取其前驱和后继的道路向量;并利用轨迹线所覆盖的车道信息,获取其车道级的连通关系,以获取地图中的车道级拓扑关系。
根据本发明实施例第二方面,提供了一种基于众包数据开放场景下的地图生成系统,该系统包括:预处理模块,用于通过车辆ID和时间戳,将提取的语义信息与gps轨迹信息进行时间同步并转换为同一坐标系,生成轨迹线;聚合模块,用于对所述语义信息中的车道边线进行大数据聚合处理,生成车道边线和道路边界线;构建模块,用于通过所述轨迹线和道路边界线,对车道边线进行分组生成道路区间,并通过轨迹线与道路区间之间的相对位置关系检测路口区间;生成模块,用于基于轨迹线通过道路区间的信息,构建道路级拓扑关系,生成道路向量;并根据道路区间生成车道级拓扑关系;关联模块,用于根据属性和位置信息对语义数据中的交通设施进行大数据聚合处理,生成准确的位置和属性;并基于就近原则,将聚合后的交通设施信息关联到已生成的道路网中,获得高精度地图。
根据本发明实施例的第三方面,提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现如第一方面的各种可能的实现方式中任一种可能的实现方式所提供的基于众包数据开放场景下的地图生成方法。
根据本发明实施例的第四方面,提供了一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面的各种可能的实现方式中任一种可能的实现方式所提供的基于众包数据开放场景下的地图生成方法。
本发明实施例提供的基于众包数据开放场景下的地图生成方法及系统,至少具有以下有益效果:
1、成本低:本发明实施例采用的集成了感知算法的ADAS相机和车辆行驶时的GPS轨迹信息,进行真实交通设施信息和驾驶行为的收集,相对于传统测绘中高昂的激光雷达和高清晰度的相机,以及大量的人工成本来说,地图生产成本较低;
2、快速构图:由于本发明实施例构建高精度地图可以实现自动化,因此生产更快捷。
3、路口处的拓扑信息更为准确:由于本发明实施例构建的高精度地图中的拓扑关系是根据行驶轨迹而得,所以更符合现实中的路口处的行驶信息。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些图获得其他的附图。
图1为本发明实施例提供的基于众包数据开放场景下的地图生成方法的流程示意图;
图2为本发明实施例提供的车端上传的车道边线首点和GPS轨迹数据叠加图;
图3为本发明实施例提供的聚合后的车道边线示意图;
图4为本发明实施例提供的车道边线组截图;
图5为本发明实施例提供的道路向量和路口示意图;
图6为本发明实施例提供的车道向量示意图;
图7为本发明实施例提供的高精度地图数据示意图;
图8为本发明实施例提供的基于众包数据开放场景下的地图生成系统的结构示意图;
图9为本发明实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供一种基于众包数据开放场景下的地图生成方法,参见图1至图7,包括:
步骤1、通过车辆ID和时间戳,将提取的语义信息与gps轨迹信息进行时间同步并转换为同一坐标系,生成轨迹线;
步骤2、对所述语义信息中的车道边线进行大数据聚合处理,生成车道边线和道路边界线;
步骤3、通过所述轨迹线和道路边界线,对车道边线进行分组生成道路区间,并通过轨迹线与道路区间之间的相对位置关系检测路口区间;
步骤4、基于轨迹线通过道路区间的信息,构建道路级拓扑关系,生成道路向量;并根据道路区间生成车道级拓扑关系;
步骤5、根据属性和位置信息对语义数据中的交通设施进行大数据聚合处理,生成准确的位置和属性;并基于就近原则,将聚合后的交通设施信息关联到已生成的道路网中,获得高精度地图。
本发明实施例提供的基于众包数据开放场景下的地图生成方法,至少具有以下有益效果:
1、成本低:本发明实施例采用的集成了感知算法的ADAS相机和车辆行驶时的GPS轨迹信息,进行真实交通设施信息和驾驶行为的收集,相对于传统测绘中高昂的激光雷达和高清晰度的相机,以及大量的人工成本来说,地图生产成本较低;
2、快速构图:由于本发明实施例构建高精度地图可以实现自动化,因此生产更快捷。
3、路口处的拓扑信息更为准确:由于本发明实施例构建的高精度地图中的拓扑关系是根据行驶轨迹而得,所以更符合现实中的路口处的行驶信息。
基于上述实施例的内容,作为一种可选实施例,对语义信息中的车道边线进行大数据聚合处理,生成车道边线,包括:
获取ADAS相机输出的车道边线和道路边界线的首点,以及每条车道边线和道路边界线的首点处的朝向信息;
对首点和首点处的朝向信息进行聚类,获得聚类结果;
对聚类结果中的点簇进行曲线拟合,生成车道边线和道路边界线。
基于上述实施例的内容,作为一种可选实施例,通过轨迹线和道路边界线,对车道边线进行分组,包括:
利用轨迹线与道路边界线之间的相对位置关系,获取相对完整的道路边界;
利用道路边界信息获取落在道路面内的所有车道边线;
利用滑动窗口的方式,计算窗口内车道边线之间的相对位置关系以及车道边线与道路边界之间的相对位置关系,并对车道边线从左往右进行排序;
对窗口内的车道边线按照平行、等距、误差最小以及车道宽度的约束进行补齐和新增车道边线;
对滑动窗口之间的车道边线,根据横向编号,从两侧向中间进行预连接,并保证预连接后,车道边线与两侧道路边界的距离不发生大于阈值的变化;
将获取到的车道边线组信息生成道路区间。
基于上述实施例的内容,作为一种可选实施例,通过轨迹线与道路区间之间的相对位置关系,检测路口区间,包括:
通过轨迹点的朝向,计算区域内的轨迹点朝向的复杂度,并将复杂度超过设定阈值的轨迹点定义为路口内的轨迹点;
对路口内的轨迹点进行聚类,标记获取的第一点簇,并计算每个第一点簇的外包形状;
对车道边线组起始和终止处车道边线的点,进行聚类,标记获取的第二点簇,并计算每个第二点簇的外包形状;
对于第一点簇的外包形状和第二点簇的外包形状,通过位置进行合并,获得地图中的路口信息。
基于上述实施例的内容,作为一种可选实施例,基于轨迹线通过道路区间的信息,构建道路级拓扑关系,并生成道路向量,包括:
根据轨迹通行的先后顺序,将两个相邻的路口之间道路区间串成一个道路向量中带序号的道路区间;
根据轨迹线簇生成道路向量的形状信息;
根据轨迹线通过路口的信息,完成道路之间的拓扑连通关系,以构建地图中的道路级拓扑关系。
基于上述实施例的内容,作为一种可选实施例,根据道路区间生成车道级拓扑关系,包括:
根据道路区间内的车道边线横向序列,获取相邻的两条车道边线形成的带状区域内的轨迹点;对轨迹点进行点簇拟合,生成车道向量,并对车道向量从左往右编号;
根据道路区间的连通顺序,获取车道向量的纵向连通关系;
若道路向量处于路口内时,获取其前驱和后继的道路向量;并利用轨迹线所覆盖的车道信息,获取其车道级的连通关系,以获取地图中的车道级拓扑关系。
为了对上述实施例提供的方法进行说明,本发明另一实施例提供一种基于众包数据开放场景下的地图生成方法,包括如下步骤:
1.将数据进行预处理,利用车辆ID与时间戳,将语义提取的信息与gps轨迹信息时间同步并转换为同一坐标系,并生成轨迹线;
2.对语义信息中的车道边线进行大数据聚合处理,生成车道边线和道路边界线;
①获取ADAS相机输出的车道边线/道路边界线的首点,和每条车道边线/道路边界线的首点处的朝向信息;
②利用DBSCAN对首点和首点处的朝向信息进行聚类;
③对聚类结果中的点簇进行曲线拟合生成车道边线/道路边界线;
④此时的车道边线与道路边界线可能存在不完整的情况;
3.利用轨迹线与道路边界线,对车道边线进行分组,生成道路区间;
①利用轨迹线与道路边界线的相对位置关系,推测并获取相对完整的道路边界;
②利用道路边界信息获取落在道路面内的所有车道边线;
③利用滑动窗口的方式,计算窗口内车道边线之间的相对位置关系,以及车道边线与道路边界的相对位置关系,对车道边线从左往右排序;
④对窗口内的车道边线按照平行,等距,误差最小,以及车道宽度的约束进行补齐和新增车道边线;
⑤对滑动窗口之间的车道边线,根据横向编号,从两侧向中间进行预连接,并保证预连接后,车道边线与两侧道路边界的距离不发生太大变化;
⑥滑动窗口之间车道边线数量发生变化时,则不连通,即分属两个车道边线组;
⑦将获取到的车道边线组信息生成道路区间;
4.利用轨迹线与道路区间的相对位置关系,检测路口区间并记录;
①利用轨迹点的朝向,计算区域内的轨迹点朝向的复杂度,并定义复杂度超过一定的阈值时为路口内的点,对识别的路口内的轨迹点进行聚类,标记获取的点簇信息,并计算每个点簇的外包形状;
②利用车道边线组起始和终止处车道边线的点,进行聚类,标记获取的点簇信息,并计算每个点簇的外包形状;
③对于两种方式获取的点簇的外包形状,通过位置进行合并;
④至此获取高精度地图中的路口信息;
5.利用轨迹线通过道路区间的信息,构建道路级拓扑关系,并生成道路向量;
①将两个相邻的路口之间道路区间,根据轨迹通行的先后顺序串成一个道路向量中带序号的道路区间;
②根据轨迹线簇生成道路向量的形状信息;
③根据轨迹线通过路口的信息,完成道路之间的拓扑连通关系;
④至此完成高精度地图中的道路级拓扑关系构建;
6.遍历每条道路向量,根据道路区间生成车道级拓扑关系;
①根据道路区间内的车道边线横向序列,获取相邻的两条车道边线形成的带状区域内的轨迹点,进行点簇拟合,生成车道向量,并对车道向量从左往右编号;
②根据道路区间的连通顺序,获取车道向量的纵向连通关系;
③当前道路向量处于路口内时,需获取其前驱和后继的道路向量,利用轨迹线,所覆盖的车道信息,获取其车道级的连通关系(如附图3);
④至此完成高精度地图中的车道级拓扑关系构建;
7.对语义信息中的交通设施,根据属性和位置信息,进行聚类,生成较为准确的位置和属性;
8.将聚合后的交通设施信息,利用就近原则,关联到已生成的道路网中;
9.至此完成高精度地图的自动生成。
基于上述实施例的内容,本发明实施例提供了一种基于众包数据开放场景下的地图生成系统,该基于众包数据开放场景下的地图生成系统用于执行上述方法实施例中的基于众包数据开放场景下的地图生成方法。参见图8,该系统包括:预处理模块,用于通过车辆ID和时间戳,将提取的语义信息与gps轨迹信息进行时间同步并转换为同一坐标系,生成轨迹线;聚合模块,用于对所述语义信息中的车道边线进行大数据聚合处理,生成车道边线和道路边界线;构建模块,用于通过所述轨迹线和道路边界线,对车道边线进行分组生成道路区间,并通过轨迹线与道路区间之间的相对位置关系检测路口区间;生成模块,用于基于轨迹线通过道路区间的信息,构建道路级拓扑关系,生成道路向量;并根据道路区间生成车道级拓扑关系;关联模块,用于根据属性和位置信息对语义数据中的交通设施进行大数据聚合处理,生成准确的位置和属性;并基于就近原则,将聚合后的交通设施信息关联到已生成的道路网中,获得高精度地图。
本发明实施例提供了一种电子设备,如图9所示,该设备包括:处理器(processor)501、通信接口(Communications Interface)502、存储器(memory)503和通信总线504,其中,处理器501,通信接口502,存储器503通过通信总线504完成相互间的通信。处理器501可以调用存储器503上并可在处理器501上运行的计算机程序,以执行上述各实施例提供的基于众包数据开放场景下的地图生成方法,例如包括:通过车辆ID和时间戳,将提取的语义信息与gps轨迹信息进行时间同步并转换为同一坐标系,生成轨迹线;对所述语义信息中的车道边线进行大数据聚合处理,生成车道边线和道路边界线;通过所述轨迹线和道路边界线,对车道边线进行分组生成道路区间,并通过轨迹线与道路区间之间的相对位置关系检测路口区间;基于轨迹线通过道路区间的信息,构建道路级拓扑关系,生成道路向量;并根据道路区间生成车道级拓扑关系;根据属性和位置信息对语义数据中的交通设施进行大数据聚合处理,生成准确的位置和属性;并基于就近原则,将聚合后的交通设施信息关联到已生成的道路网中,获得高精度地图。
此外,上述的存储器503中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的基于众包数据开放场景下的地图生成方法,例如包括:通过车辆ID和时间戳,将提取的语义信息与gps轨迹信息进行时间同步并转换为同一坐标系,生成轨迹线;对所述语义信息中的车道边线进行大数据聚合处理,生成车道边线和道路边界线;通过所述轨迹线和道路边界线,对车道边线进行分组生成道路区间,并通过轨迹线与道路区间之间的相对位置关系检测路口区间;基于轨迹线通过道路区间的信息,构建道路级拓扑关系,生成道路向量;并根据道路区间生成车道级拓扑关系;根据属性和位置信息对语义数据中的交通设施进行大数据聚合处理,生成准确的位置和属性;并基于就近原则,将聚合后的交通设施信息关联到已生成的道路网中,获得高精度地图。
以上所描述的电子设备等实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种基于众包数据开放场景下的地图生成方法,其特征在于,包括:
通过车辆ID和时间戳,将提取的语义信息与gps轨迹信息进行时间同步并转换为同一坐标系,生成轨迹线;所述语义信息至少包括各段车道边线和各个交通设施;
对所述语义信息中的车道边线进行大数据聚合处理,生成车道边线和道路边界线;
通过所述轨迹线和道路边界线,对车道边线进行分组生成道路区间,并通过轨迹线与道路区间之间的相对位置关系检测路口区间;
基于轨迹线通过道路区间的信息,构建道路级拓扑关系,生成道路向量;并根据道路区间生成车道级拓扑关系;
根据属性和位置信息对语义信息中的交通设施进行大数据聚合处理,生成准确的位置和属性;并基于就近原则,将聚合后的交通设施信息关联到已生成的道路网中,获得高精度地图;
其中,通过所述轨迹线和道路边界线,对所述车道边线进行分组,生成道路区间,包括:
利用所述轨迹线与所述道路边界线之间的相对位置关系,获取相对完整的道路边界;
利用道路边界信息获取落在道路面内的所有车道边线;
利用滑动窗口的方式,计算窗口内所述车道边线之间的相对位置关系以及所述车道边线与所述道路边界之间的相对位置关系,并对所述车道边线从左往右进行排序;
对窗口内的所述车道边线按照平行、等距、误差最小以及车道宽度的约束进行补齐和新增车道边线;
对滑动窗口之间的车道边线,根据横向编号,从两侧向中间进行预连接,并保证预连接后,所述车道边线与两侧道路边界的距离不发生大于阈值的变化;
将获取到的车道边线组信息生成所述道路区间;
其中,通过所述轨迹线与道路区间之间的相对位置关系,检测路口区间,包括:
通过轨迹点的朝向,计算区域内的轨迹点朝向的复杂度,并将复杂度超过设定阈值的轨迹点定义为路口内的轨迹点;
对所述路口内的轨迹点进行聚类,标记获取的第一点簇,并计算每个所述第一点簇的外包形状;
对车道边线组起始和终止处车道边线的点,进行聚类,标记获取的第二点簇,并计算每个所述第二点簇的外包形状;
对于所述第一点簇的外包形状和所述第二点簇的外包形状,通过位置进行合并,获得所述地图中的路口信息。
2.根据权利要求1所述的方法,其特征在于,对所述语义信息中的车道边线进行大数据聚合处理,生成车道边线和道路边界线,包括:
获取ADAS相机输出的所述车道边线和所述道路边界线的首点,以及每条所述车道边线和所述道路边界线的首点处的朝向信息;
对首点和首点处的朝向信息进行聚类,获得聚类结果;
对所述聚类结果中的点簇进行曲线拟合,生成所述车道边线和所述道路边界线。
3.根据权利要求1所述的方法,其特征在于,基于所述轨迹线通过所述道路区间的信息,构建道路级拓扑关系,并生成道路向量,包括:
根据轨迹通行的先后顺序,将两个相邻的路口之间道路区间串成一个道路向量中带序号的道路区间;
根据轨迹线簇生成道路向量的形状信息;
根据轨迹线通过路口的信息,完成道路之间的拓扑连通关系,以构建所述地图中的道路级拓扑关系。
4.根据权利要求1所述的方法,其特征在于,根据所述道路区间生成车道级拓扑关系,包括:
根据所述道路区间内的车道边线横向序列,获取相邻的两条车道边线形成的带状区域内的轨迹点;对所述轨迹点进行点簇拟合,生成车道向量,并对车道向量从左往右编号;
根据所述道路区间的连通顺序,获取车道向量的纵向连通关系;
若所述道路向量处于路口内时,获取其前驱和后继的道路向量;并利用轨迹线所覆盖的车道信息,获取其车道级的连通关系,以获取所述地图中的车道级拓扑关系。
5.一种基于众包数据开放场景下的地图生成系统,其特征在于,包括:
预处理模块,用于通过车辆ID和时间戳,将提取的语义信息与gps轨迹信息进行时间同步并转换为同一坐标系,生成轨迹线;所述语义信息至少包括各段车道边线和各个交通设施;
聚合模块,用于对所述语义信息中的车道边线进行大数据聚合处理,生成车道边线和道路边界线;
构建模块,用于通过所述轨迹线和道路边界线,对车道边线进行分组生成道路区间,并通过轨迹线与道路区间之间的相对位置关系检测路口区间;
生成模块,用于基于轨迹线通过道路区间的信息,构建道路级拓扑关系,生成道路向量;并根据道路区间生成车道级拓扑关系;
关联模块,用于根据属性和位置信息对语义信息中的交通设施进行大数据聚合处理,生成准确的位置和属性;并基于就近原则,将聚合后的交通设施信息关联到已生成的道路网中,获得高精度地图;
其中,通过所述轨迹线和道路边界线,对所述车道边线进行分组,生成道路区间,包括:
利用所述轨迹线与所述道路边界线之间的相对位置关系,获取相对完整的道路边界;
利用道路边界信息获取落在道路面内的所有车道边线;
利用滑动窗口的方式,计算窗口内所述车道边线之间的相对位置关系以及所述车道边线与所述道路边界之间的相对位置关系,并对所述车道边线从左往右进行排序;
对窗口内的所述车道边线按照平行、等距、误差最小以及车道宽度的约束进行补齐和新增车道边线;
对滑动窗口之间的车道边线,根据横向编号,从两侧向中间进行预连接,并保证预连接后,所述车道边线与两侧道路边界的距离不发生大于阈值的变化;
将获取到的车道边线组信息生成所述道路区间;
其中,通过所述轨迹线与道路区间之间的相对位置关系,检测路口区间,包括:
通过轨迹点的朝向,计算区域内的轨迹点朝向的复杂度,并将复杂度超过设定阈值的轨迹点定义为路口内的轨迹点;
对所述路口内的轨迹点进行聚类,标记获取的第一点簇,并计算每个所述第一点簇的外包形状;
对车道边线组起始和终止处车道边线的点,进行聚类,标记获取的第二点簇,并计算每个所述第二点簇的外包形状;
对于所述第一点簇的外包形状和所述第二点簇的外包形状,通过位置进行合并,获得所述地图中的路口信息。
6.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至4任一项所述基于众包数据开放场景下的地图生成方法的步骤。
7.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至4任一项所述基于众包数据开放场景下的地图生成方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910878272.4A CN110599570B (zh) | 2019-09-17 | 2019-09-17 | 基于众包数据开放场景下的地图生成方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910878272.4A CN110599570B (zh) | 2019-09-17 | 2019-09-17 | 基于众包数据开放场景下的地图生成方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110599570A CN110599570A (zh) | 2019-12-20 |
CN110599570B true CN110599570B (zh) | 2022-09-20 |
Family
ID=68860538
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910878272.4A Active CN110599570B (zh) | 2019-09-17 | 2019-09-17 | 基于众包数据开放场景下的地图生成方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110599570B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7287373B2 (ja) * | 2020-10-06 | 2023-06-06 | トヨタ自動車株式会社 | 地図生成装置、地図生成方法及び地図生成用コンピュータプログラム |
CN112383675B (zh) * | 2020-11-16 | 2023-04-28 | 广东电网有限责任公司肇庆供电局 | 一种时间同步方法、装置及终端设备 |
CN112634297B (zh) * | 2020-12-14 | 2024-05-28 | 深兰人工智能(深圳)有限公司 | 高精地图制作方法、装置、电子设备和存储介质 |
CN113157842B (zh) * | 2021-04-13 | 2024-07-02 | 中移智行网络科技有限公司 | 一种地图生成方法、装置、电子设备及可读存储介质 |
CN113506459B (zh) * | 2021-06-11 | 2023-03-28 | 上海追势科技有限公司 | 一种地下停车场众包地图采集方法 |
CN113945222B (zh) * | 2021-10-14 | 2024-04-12 | 华为技术有限公司 | 道路信息的识别方法、装置、电子设备、车辆及介质 |
CN114103995A (zh) * | 2021-11-24 | 2022-03-01 | 智道网联科技(北京)有限公司 | 用于交通路口场景下的无人车的控制方法、装置及无人车 |
CN114485684B (zh) * | 2021-12-31 | 2023-11-28 | 武汉中海庭数据技术有限公司 | 一种基于地面要素拓扑关系的地图道路匹配方法和系统 |
CN114543825B (zh) * | 2022-01-12 | 2024-07-16 | 华为技术有限公司 | 引导车辆行驶的方法、地图生成方法及相关系统 |
CN114608592A (zh) * | 2022-02-10 | 2022-06-10 | 上海追势科技有限公司 | 一种地图的众包方法、系统、设备和存储介质 |
CN115311853B (zh) * | 2022-07-21 | 2023-08-01 | 重庆长安汽车股份有限公司 | 一种基于众包地图的轨迹数据识别道路标志的方法及系统 |
CN116958316B (zh) * | 2023-09-19 | 2023-12-08 | 北京集度科技有限公司 | 拓扑图生成方法、装置、计算机设备及存储介质 |
CN117115382B (zh) * | 2023-10-25 | 2024-02-09 | 腾讯科技(深圳)有限公司 | 地图道路绘制方法、装置、计算机设备和存储介质 |
CN117906593B (zh) * | 2024-03-19 | 2024-08-09 | 广州小鹏自动驾驶科技有限公司 | 地图构建方法、终端设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018113451A1 (zh) * | 2016-12-22 | 2018-06-28 | 沈阳美行科技有限公司 | 一种地图数据系统、其生成和使用方法及应用 |
CN109186617A (zh) * | 2018-08-13 | 2019-01-11 | 武汉中海庭数据技术有限公司 | 一种基于视觉众包数据自动生成车道级拓扑关系的方法、系统及存储器 |
CN109214314A (zh) * | 2018-08-17 | 2019-01-15 | 宽凳(北京)科技有限公司 | 一种车道线自动融合匹配算法 |
CN109624961A (zh) * | 2017-10-09 | 2019-04-16 | 上海汽车集团股份有限公司 | 一种车辆的驾驶方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9792821B1 (en) * | 2016-03-25 | 2017-10-17 | Toyota Jidosha Kabushiki Kaisha | Understanding road scene situation and semantic representation of road scene situation for reliable sharing |
-
2019
- 2019-09-17 CN CN201910878272.4A patent/CN110599570B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018113451A1 (zh) * | 2016-12-22 | 2018-06-28 | 沈阳美行科技有限公司 | 一种地图数据系统、其生成和使用方法及应用 |
CN109624961A (zh) * | 2017-10-09 | 2019-04-16 | 上海汽车集团股份有限公司 | 一种车辆的驾驶方法及系统 |
CN109186617A (zh) * | 2018-08-13 | 2019-01-11 | 武汉中海庭数据技术有限公司 | 一种基于视觉众包数据自动生成车道级拓扑关系的方法、系统及存储器 |
CN109214314A (zh) * | 2018-08-17 | 2019-01-15 | 宽凳(北京)科技有限公司 | 一种车道线自动融合匹配算法 |
Non-Patent Citations (1)
Title |
---|
基于车道驾驶态势的拓扑构建与路径规划;祖似杰等;《地理空间信息》;20180524 * |
Also Published As
Publication number | Publication date |
---|---|
CN110599570A (zh) | 2019-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110599570B (zh) | 基于众包数据开放场景下的地图生成方法及系统 | |
CN110634291A (zh) | 基于众包大数据的高精度地图拓扑自动构建方法及系统 | |
CN108151751B (zh) | 一种基于高精度地图和传统地图结合的路径规划方法及装置 | |
US10430659B2 (en) | Method and apparatus for urban road recognition based on laser point cloud, storage medium, and device | |
US10074020B2 (en) | Vehicular lane line data processing method, apparatus, storage medium, and device | |
CN111595358A (zh) | 导航数据处理方法、路径诱导方法、设备及存储介质 | |
CN113569378B (zh) | 仿真场景的生成方法、装置、电子设备以及存储介质 | |
CN106873630A (zh) | 一种飞行控制方法及装置,执行设备 | |
US10984588B2 (en) | Obstacle distribution simulation method and device based on multiple models, and storage medium | |
CN110363771B (zh) | 一种基于三维点云数据的隔离护栏形点提取方法及装置 | |
CN114509065B (zh) | 地图构建方法、系统、车辆终端、服务器端及存储介质 | |
CN111627204B (zh) | 路径确定方法、装置、电子设备及存储介质 | |
CN110705385B (zh) | 一种障碍物角度的检测方法、装置、设备及介质 | |
CN112257762A (zh) | 一种异源高精度地图间的路网匹配方法及系统 | |
CN111260549A (zh) | 道路地图的构建方法、装置和电子设备 | |
CN112801012B (zh) | 交通元素的处理方法、装置、电子设备及存储介质 | |
CN110728735A (zh) | 道路级拓扑图层构建方法及系统 | |
CN111209826B (zh) | 一种高精度地图护栏的半自动点云提取方法及装置 | |
CN112685517B (zh) | 分歧/合流区域的识别方法和设备 | |
CN114179805A (zh) | 一种行驶方向确定方法、装置、设备以及存储介质 | |
CN113723656A (zh) | 行驶轨迹修复方法、装置、电子设备和存储介质 | |
CN104006816A (zh) | 一种轨迹跟踪回放方法 | |
CN116465394B (zh) | 基于车辆轨迹数据的路网结构生成方法及装置 | |
CN113553255B (zh) | 路线场景文件的生成方法、装置、电子设备及存储介质 | |
CN116839565A (zh) | 一种基于浮动车轨迹的车道提取方法及系统 |
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 |