CN110766793A - 一种基于语义点云的地图构建方法及装置 - Google Patents
一种基于语义点云的地图构建方法及装置 Download PDFInfo
- Publication number
- CN110766793A CN110766793A CN201910951079.9A CN201910951079A CN110766793A CN 110766793 A CN110766793 A CN 110766793A CN 201910951079 A CN201910951079 A CN 201910951079A CN 110766793 A CN110766793 A CN 110766793A
- Authority
- CN
- China
- Prior art keywords
- semantic
- point cloud
- data
- map
- 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.)
- Granted
Links
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Graphics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Processing Or Creating Images (AREA)
- Instructional Devices (AREA)
Abstract
公开了一种基于语义点云的地图构建方法及装置,该方法包括:根据语义类型对语义点云数据进行分类,以获得至少一个子点云数据;针对每个类型的所述子点云数据,构建对应的混合高斯地图;基于每个类型的所述子点云数据对应的混合高斯地图进行合并,获得语义混合高斯地图。通过对点云数据根据语义类型进行分类,针对每个类型的子点云数据采用高斯函数对其数据点的高度进行拟合,从而可以通过存储高斯函数的参数的方式来存储高度分布,极大减少了语义混合高斯地图的数据量,从而减小地图占用的存储空间。
Description
技术领域
本申请涉及电子地图技术领域,且更具体地,涉及一种基于语义点云的地图构建方法及装置。
背景技术
相关技术中,在多个领域会使用到稠密的视觉即时定位与地图构建(Simultaneous Localization and Mapping,简写为SLAM)。SLAM建图方案中,通过3D重建,得到稠密的3D点云,通过图像语义分割以及图像的语义类型投影到3D点云,可以得到3D语义点云。如果在数据库直接存储这些3D语义点云,生成的高精地图会占用大量的硬盘空间,如果定位阶段地图通过网络传输地图数据,会带来极高的带宽占用和传输延时,在解析时也会占用大量的计算资源。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种基于语义点云的地图构建方法、装置、计算机可读存储介质及电子设备,其极大减少了语义混合高斯地图的数据量,从而减小地图占用的存储空间,有利于语义混合高斯地图的储存和传输。
根据本申请的第一方面,提供了一种基于语义点云的地图构建方法,包括:
根据语义类型对语义点云数据进行分类,以获得至少一个子点云数据;
针对每个类型的所述子点云数据,构建对应的混合高斯地图;
基于每个类型的所述子点云数据对应的混合高斯地图,获得语义混合高斯地图。
根据本申请的第二方面,提供了一种基于语义点云的地图构建装置,包括:
子点云获取模块,用于根据语义类型对语义点云数据进行分类,以获得至少一个子点云数据;
第一构件模块,用于针对每个类型的所述子点云数据,构建对应的混合高斯地图;
第二构件模块,用于基于每个类型的所述子点云数据对应的混合高斯地图,获得语义混合高斯地图。
根据本申请的第三方面,提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行上述第一方面所述的基于语义点云的地图构建方法。
根据本申请的第四方面,提供了一种电子设备,所述电子设备包括:
处理器;
用于存储所述处理器可执行指令的存储器;
所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现上述第一方面所述的基于语义点云的地图构建方法。
与现有技术相比,本申请提供的基于语义点云的地图构建方法、装置、计算机可读存储介质及电子设备,至少包括以下有益效果:
一方面,本实施例通过对点云数据根据语义类型进行分类,针对每个类型的子点云数据采用高斯函数对其数据点的高度进行拟合,从而可以通过存储高斯函数的参数的方式来存储高度分布,极大减少了语义混合高斯地图的数据量,从而减小地图占用的存储空间。
另一方面,占用存储空间的减小有利于语义点云地图的即时传输,减小了带宽占用,降低了传输延时,同时也有助于减少解析时的计算量,从而可以有效拓展高精度语义点云地图的应用场景,满足多种场景的使用需求。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1是本申请一示例性实施例提供的基于语义点云的地图构建方法的流程示意图一。
图2是本申请一示例性实施例提供的基于语义点云的地图构建方法的流程示意图一。
图3是本申请一示例性实施例提供的基于语义点云的地图构建方法中构建混合高斯地图的流程示意图一。
图4是本申请一示例性实施例提供的基于语义点云的地图构建方法中将数据点分配至单位空间的流程示意图。
图5是本申请一示例性实施例提供的基于语义点云的地图构建方法中构建混合高斯地图的流程示意图二。
图6是本申请一示例性实施例提供的基于语义点云的地图构建方法中混合高斯分布的示意图。
图7是本申请另一示例性实施例提供的基于语义点云的地图构建方法的流程示意图。
图8是本申请另一示例性实施例提供的基于语义点云的地图构建方法中确定匹配度的流程示意图。
图9是本申请另一示例性实施例提供的基于语义点云的地图构建方法中单位空间位置坐标与混合高斯分布相对应的示意图。
图10是本申请一示例性实施例提供的基于语义点云的地图构建装置的示意图。
图11是本申请一示例性实施例提供的基于语义点云的地图构建装置中第一构建模块的示意图。
图12是本申请另一示例性实施例提供的基于语义点云的地图构建装置的示意图。
图13是本申请另一示例性实施例提供的基于语义点云的地图构建装置中匹配模块的示意图。
图14是本申请一示例性实施例提供的电子设备的结构图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述
车辆在行驶过程中通常都需要开启地图来进行导航,地图的精度越高,包含的细节信息通常也就越丰富,对于车辆的导航、定位以及控制等都具有非常重要的作用。为了获得高精度地图,目前常采用的一种方案是通过相机获得图像,并通过SLAM建图。在SLAM建图方案中,通过3D重建可以得到稠密的3D语义点云,其中包含了大量的点云数据。当将这些3D语义点云直接存储在数据库中时,生成的高精度地图会占用大量的存储空间,导致资源的大量耗费。不仅如此,如果在进行定位的过程中需要通过网络传输地图数据,由于高精度地图占用的存储空间巨大,因此在传输过程中会带来极高的带宽占用和传输延时等问题,导致地图的传输不及时,从而无法满足即时应用场景的使用需求。
为了解决3D语义点云地图占用存储空间大的问题,本实施例提出了一种全新的方式来对构建语义点云地图,通过混合高斯的方式来对地图进行表示,可以极大减小语义点云地图占用的存储空间。
在介绍本申请的基本构思之后,下面将结合附图来具体介绍本申请所述提供技术方案的各种非限制性实施例。
示例性方法
图1是本申请一示例性实施例提供的基于语义点云的地图构建方法的流程示意图。本实施例可应用在电子设备上,具体可以应用于服务器或一般计算机上。
如图1和图2所示,本申请一示例性实施例提供的基于语义点云的地图构建方法包括如下步骤:
步骤10:根据语义类型对语义点云数据进行分类,以获得至少一个子点云数据。
为了构建基于语义点云的地图,需要首先获取点云数据。点云数据的获取方式可以根据需要进行选择,例如可以通过激光雷达获取点云数据。在获得点云数据之后,可以对点云数据中每个数据点进行语义分割,以获得语义点云数据。例如,激光雷达获得的图像中包括车辆、行人、道路以及斑马线等,此时语义类型至少包括车、人、道路以及斑马线,通过对点云数据中每个数据点的语义类型进行标注,使得每个数据点具有其对应的语义类型,此时具有语义类型的数据点构成语义点云数据。
当每个数据点的语义类型确定后,可以根据语义类型对语义点云数据进行分类。例如,语义点云数据中的数据点,一部分的语义类型为车,一部分的语义类型为人,一部分的语义类型为道路,一部分的语义类型为斑马线等,此时可以根据数据点的语义类型的不同进行分类,具有相同语义类型的数据点划分为同一类,构成一个子点云数据,从而可以根据语义类型的种类对应划分为多个子点云数据。
步骤20:针对每个类型的所述子点云数据,构建对应的混合高斯地图。
混合高斯模型(Gaussian Mixture Model,简写为GMM)是一种使用一个或多个高斯函数来拟合一组数据的方法。在本实施例中,针对每个类型的子点云数据,可以采用至少一个高斯函数对子点云数据中的数据点的高度进行拟合,从而可以通过高斯函数的形式来表示数据点的高度分布,极大减少了数据存储量。
步骤30:基于每个类型的所述子点云数据对应的混合高斯地图,获得语义混合高斯地图。
在获得各子点云数据对应的混合高斯地图后,为了进一步获得原点云数据对应的地图,需要将各子点云数据的混合高斯地图进行合并,以形成语义混合高斯地图。该语义混合高斯地图进行存储时,各数据点的高度分布不用通过坐标的方式单独进行存储,而是通过高斯函数建立相互关系,并通过存储高斯函数的方式来存储高度分布,从而可以减少整体的数据存储量。
本实施例提供的基于语义点云的地图构建方法的有益效果至少在于:
一方面,本实施例通过对点云数据根据语义类型进行分类,针对每个类型的子点云数据采用高斯函数对其数据点的高度进行拟合,从而可以通过存储高斯函数的参数的方式来存储高度分布,极大减少了语义混合高斯地图的数据量,从而减小地图占用的存储空间。
另一方面,占用存储空间的减小有利于语义点云地图的即时传输,减小了带宽占用,降低了传输延时,同时也有助于减少解析时的计算量,从而可以有效拓展高精度语义点云地图的应用场景,满足多种场景的使用需求。
图3示出了如图1所示的实施例中针对每个类型的所述子点云数据,构建对应的混合高斯地图步骤的流程示意图。
如图3所示,在上述图1所示实施例的基础上,本申请一个示例性实施例中,步骤20所示构建混合高斯地图步骤,具体可以包括:
步骤201:针对每个类型的所述子点云数据,按照预设方式将所述子点云数据的第一数据点分配至至少一个单位空间。
为了更好地进行描述,此处将子点云数据的数据点称为第一数据点。单位空间的尺寸可以根据需要进行设置,例如,可以将一个子点云数据所在的平面空间(与数据点的高度相垂直的平面)看做是一个单位空间,此时所有的数据点均位于该单位空间中。再如,可以将一个子点云数据所在的平面空间划分为多个单位空间(可分别用ga、gb、gc、gd等表示),然后加载第一数据点,使得第一数据点落入各单位空间中,实现对第一数据点的分配。
步骤202:对每个所述单位空间中的第一数据点的高度进行高斯拟合,以获得所述单位空间中的第一数据点的混合高斯分布。
在进行高斯拟合时,每个单位空间对其中的所有第一数据点的高度进行拟合,以通过统一的高斯函数表达式来进行表达。请参阅图6,例如,在一个实施例中,对于一个单位空间,高斯函数的数量为一个,此时可以仅通过一个高斯分布来表示该单位空间中所有第一数据点的高度分布。再如,在一个实施例中,对于一个单位空间,高斯函数的数量为两个,此时可以通过两个高斯分布加权叠加形成一个混合高斯分布GMM,每个高斯函数为一个钟形曲线。
每个高斯分布包含三个重要参数,即均值(mean)、方差(variance)和权重(weight),其中均值和方差是高斯分布的基本参数,权重是高斯分布的权重,当高斯函数的数量为1个时,该高斯分布对应的权重为1;当高斯函数的数量为两个时,每个高斯分布的权重范围为0~1,且两个高斯分布的权重之和为1(例如一个为0.3,另一个为0.7)。当然,高斯函数的数量还可以为两个以上,根据实际拟合来确定。
步骤203:将每个所述单位空间的所述混合高斯分布进行合并,获得每个类型的所述子点云数据对应的混合高斯地图。
在经过步骤202后,每个单位空间中的第一数据点都可以通过混合高斯分布来表示其中第一数据点的高度分布,通过将每个子点云数据中所有数据点的高度分布进行合并,可以获得该子点云数据对应的混合高斯地图。请参阅图5,例如,在将平面空间划分为4个单位空间(分别记为ga、gb、gc和gd)的情形下,每个单位空间对应一个混合高斯分布(例如:ga单位空间的坐标为(1,1),对应混合高斯分布GMM1;gb单位空间的坐标为(1,2),对应混合高斯分布GMM2;gc单位空间的坐标为(2,1),对应混合高斯分布GMM3;gd单位空间的坐标为(2,2),对应混合高斯分布GMM4),然后将各高斯分布进行合并,即可以组成该子点云数据对应的混合高斯地图。
本实施例获得的混合高斯地图中,无需对每一个数据点的高度数据进行存储,而只需通过一个混合高斯分布即可表示一个单位空间中所有第一数据点的高度分布,极大减少了地图存储的数据量,从而减小地图占用的存储空间。
图4示出了如图3所示的实施例中将第一数据点分配至单位空间步骤的流程示意图。
如图4所示,在上述图3所示实施例的基础上,本申请一个示例性实施例中,步骤201具体可以包括:
步骤2011:在与所述第一数据点的高度相垂直的平面内,按照预设单位尺寸将地图空间分割为至少一个单位空间。
在本实施例中,每个第一数据点的坐标可以记为(X,Y,Z),其中Z方向为第一数据点的高度方向,XY平面则为与第一数据点的高度方向相垂直的平面。沿着XY方向,按照预设单位尺寸对平面空间进行划分。根据单位尺寸的不同,平面空间划分后单位空间的数量和大小也不相同。例如,在X方向和Y方向上的单位尺寸均设置为20厘米(cm),则划分得到的单位空间的尺寸为20cm*20cm。当然,在其他实施例中,单位空间也可以为其他值,并不仅限于上述的情形。在X方向和Y方向上进行划分的单位尺寸也可以相同,也可以不相同,例如在X方向上的单位尺寸可以设置为20cm,在Y方向上的单位尺寸可以设置为10cm,此时得到的单位空间的尺寸为20cm*10cm。通过上述方式划分得到的单位空间为矩形,在其他实施例中,也可以通过其他方式进行划分,单位空间也随之为其他形状,例如还可以为三角形、六边形等,此处不过限制。
在划分单位空间后,可以对每一个单位空间的位置坐标进行标记。例如,可以选择单位空间中某一个点的坐标作为该单位空间的位置坐标,该点可以是单位空间的中心点,也可以是一条边上的某一点,还可以是某一顶点。在本实施例中,优选将单位空间的中心点的坐标(X,Y)作为该单位空间的位置坐标。
步骤2012:在若干所述单位空间中加载对应的子点云数据。每个单位空间中根据实际情况可能分配一个第一数据点,也可以分配多个第一数据点。
本实施例通过对平面空间进行划分,从而可以获得至少一个单位空间,并在每一个单位空间中相应加载第一数据点,有利于后续对每个单位空间中第一数据点的高度进行高斯拟合。
进一步地,本实施例在获得了每个子点云数据对应的混合高斯地图后,需要对混合高斯地图进行存储。根据存储方式的不同,混合高斯地图存储时所占用的空间尺寸也会不同。以下以每个单位空间中对应有30个第一数据点为例进行说明。
目前在进行点云数据存储时,每一个第一数据点有X、Y、Z三个坐标参数,每个参数占用4个字节,因此30个第一数据点存储时占用的空间为4*3*30=360字节。
在一个实施例中,混合高斯地图存储时,单位空间中的第一数据点的高度用两个高斯函数进行表示,每个高斯函数有三个参数(均值、方差和权重),每个参数占用4个字节,因此高斯函数占用的空间为:4*3*2=24字节。单位空间中的第一数据点用单位空间的位置坐标(例如中心点的X、Y坐标)进行表示,每个坐标参数占用4个字节,因此数据点的坐标占用空间为:4*2=8字节。因此30个第一数据点存储时占用的空间为24+8=32字节。通过这种方式存储混合高斯地图时,无需对每一个数据点的高度数据进行存储,而只需通过一个混合高斯分布即可表示一个单位空间中所有第一数据点的高度分布,同时每个单位空间中的数据点仅用一个位置坐标即可表示,极大减少了地图存储的数据量,从而减小地图占用的存储空间。
在本实施例中,在进行混合高斯地图的存储时,优选采用存储单位空间的位置坐标、单位空间中第一数据点的高斯分布信息的方式。应当理解的是,混合高斯地图中还存储了第一数据点的语义类别。因此,为了描述方便,混合高斯地图包括多个元素,每个元素包括以下信息:单位空间的中心点的X、Y坐标,单位空间的高斯分布信息(包括每个高斯函数的均值、方差和权重),语义类别。
在构建了语义混合高斯地图后,可以将语义混合高斯地图用于定位。例如汽车在行驶过程中,需要实时获取三维点云数据,并根据获取的点云数据结合构建的语义混合高斯地图进行定位。因此,请参阅图7,在上述步骤30后,还可以包括:
步骤40:确定实时点云数据与所述语义混合高斯地图的匹配度。
实时点云数据可以通过多种方式获得,例如可以通过安装在载具上的激光雷达或者相机获得,载具可以是汽车,也可以是其他设备,此处不做限制。载具在移动的过程中,可以通过激光雷达按照预设频率(例如10Hz)获取实时点云数据,实时点云数据中包括多个第二数据点(当然,根据实际情况,也可以只包括1个第二数据点),将第二数据点与语义高斯地图进行匹配,并根据匹配度来确定载具当前所在的位置,从而实现对载具的定位。
本实施例构建的语义混合高斯地图可以存储在云端,在进行载具的定位时,可以实时获取语义混合高斯地图,从而实现定位。一方面,由于本实施例提供的语义混合高斯地图的数据量小,占用空间小,因此在进行网络传输时占用的带宽小,且传输速率高,延时低。另一方面,由于本实施例提供的语义混合高斯地图的数据量小,在计算实时点云数据与语义混合高斯地图的匹配度时计算量大大降低,无需占用大量的计算资源,有利于进行实时定位,提高了实时定位的稳定性和定位精度。不仅如此,与激光雷达所获得的三维点云地图相比,本实施例提供的语义混合高斯地图在进行匹配时正确率更高,误匹配率更低。
图8示出了如图7所示的实施例中确定实时点云数据与语义混合高斯地图的匹配度步骤的流程示意图。
如图8所示,在上述图7所示实施例的基础上,本申请一个示例性实施例中,步骤40具体可以包括:
步骤401:获取所述实时点云数据中的每个第二数据点的点坐标及语义类别。
在通过激光雷达获取了实时点云数据后,将激光雷达坐标系下的实时点云数据的坐标转换为世界坐标系下的坐标,从而与语义混合高斯地图的坐标系相匹配,转换可以依据激光雷达与载具底盘的外参、以及载具当前的预测位姿完成。在完成坐标系转换后,所获得的实时点云数据包括多个第二数据点,每个第二数据点的数据包括点坐标(x,y,z)以及每个第二数据点的语义类别。
步骤402:根据所述第二数据点的点坐标,获取其在所述语义混合高斯地图对应的单位空间的中心点坐标。
在建立的语义混合高斯地图中,每个元素包括单位空间的坐标信息、高斯分布信息以及语义类别信息。因此,在进行实时点云数据的匹配时,可以根据第二数据点的点坐标获取单位空间的中心点坐标。在本实施中,单位空间的中心坐标的可以通过如下方式获取。首先,按照下述公式一和公式二计算一组(X,Y)坐标:
然后,在语义混合高斯地图中查找是否有单位空间的中心点坐标为(X,Y),若没有,则意味着该第二数据点在语义混合高斯地图中没有对应的单位空间的中心点;若有,则将该点记为该第二数据点在语义混合高斯地图对应的单位空间的中心点坐标。
步骤403:根据所述中心点坐标和所述第二数据点的语义类别,获取其在所述语义混合高斯地图对应的单位空间的高斯分布信息。
本实施例获得语义混合高斯地图中包含各个语义类别的混合高斯地图,每个单位空间中可能包含一个以上的语义类别的数据点,即通过步骤402获得了单位空间的中心点坐标以后,语义混合高斯地图中具有相同中心点坐标的数据点可能会有多个,这个多个数据点之间的语义类别并不相同,对应的高斯分布信息也可能不相同,因此在进行匹配时需要选择语义类别相同的数据点。在获得了对应的数据点之后,可以根据数据点与高斯分布信息的对应关系,获得该数据点对应的高斯分布信息。此处的高斯分布信息包括每一个高斯分布的均值、权重以及标准差,其中标准差是方差的平方根。本实施例中可以建立查询表(lookup table,请参阅图9),该图中建立了每一个数据点坐标、语义类别以及高斯分布的对应关系,方便进行查找和对应。
步骤404:根据所述第二数据点在所述语义混合高斯地图对应的单位空间的高斯分布信息,确定所述实时点云数据与所述语义混合高斯地图的匹配度。
在本实施例中,单个第二数据点与语义混合高斯地图中数据点相对应的概率可以通过如下公式三计算:
其中,q(z)为该第二数据点与语义混合高斯地图中数据点相对应的概率,z为该第二数据点的高度;
ω1、σ1和μ1分别是第一个高斯分布的权重、标准差和均值;
ω2、σ2和μ2分别是第一个高斯分布的权重、标准差和均值。
通过上述方式可以获得了实时点云数据中每个第二数据点的概率,然后对所有第二数据点的概率按照下述公式四进行叠加,从而可以获得整个实时点云数据的得分:
其中,s为得分,N为第二数据点的总个数,qi表示第i个第二数据点与语义混合高斯地图中数据点相对应的概率,在算式中增加0.01项是为了防止求log(·)时出现负无穷。根据该得分,可以获得该实时点云数据与语义混合高斯地图的匹配度,进而可以根据该匹配度来对载具进行定位。
本实施例通过逐一获取实时点云数据中第二数据点与语义混合高斯地图中数据点相应点的概率,并且在综合考虑了所有第二数据点的概率后,可以获得实时点云数据与语义混合高斯地图的匹配度,有利于进行实时定位,提高了实时定位的稳定性和定位精度。
本实施例在对载具进行实时定位时,可以采用粒子滤波的方式进行定位,其过程可以为:
(1)首先,基于GNSS(Global Navigation Satellite System,全球导航卫星系统)提供的位置信息,在GNSS坐标周围,以高斯分布的形式撒一部分位姿的采样点(以下称为粒子),用来描述载具当前位姿,每个粒子包含(x,y,yaw)三个维度的信息以及一个权重信息,同时加载语义混合高斯地图,用于后续实时观测与语义混合高斯地图的匹配。
(2)然后,按照固定频率对载具的位置进行预测,比如10Hz的频率,即以0.1秒预测一次载具位姿,载具位姿的预测基于底盘提供的里程计、使用航位推算(Dead Reckoning)算法获得。由于噪声的存在,在预测过程中不是使用里程计对每个粒子进行航位推算,而是针对每个粒子,对粒子位姿叠加上里程计增量和噪音采样的和,因此每个粒子更新的位置存在差别。
(3)预测完载具位姿后,可以基于这个时间点得到的实时点云数据,与语义混合高斯地图进行匹配,匹配的方式如上所述。将匹配得到的匹配度,乘以数据点之前的权重,作为粒子新的权重。
(4)将粒子的位姿根据其weight加权平均,得到一个位姿,作为载具位姿。
(5)每隔一定帧,做一次重采样,去掉权重太小的粒子,而权重较大的粒子则有一定几率被复制为多份。经过重采样,粒子的分布会更集中。
重复(2)-(5)的过程,从而可以在载具运动过程中不断进行定位。
示例性装置
图10是本申请一示例性实施例提供的基于语义点云的地图构建装置的示意图,包括子点云获取模块51、第一构件模块52、以及第二构件模块53。其中,子点云获取模块51用于根据语义类型对语义点云数据进行分类,以获得至少一个子点云数据;第一构件模块52用于针对每个类型的所述子点云数据,构建对应的混合高斯地图;第二构件模块53用于基于每个类型的所述子点云数据对应的混合高斯地图,获得语义混合高斯地图。
请参阅图11,进一步地,第一构件模块52包括数据分配单元521、第一获取单元522以及第二获取单元523。其中,数据分配单元521用于针对每个类型的所述子点云数据,按照预设方式将所述子点云数据的第一数据点分配至至少一个单位空间;第一获取单元522用于对每个所述单位空间中的第一数据点的高度进行高斯拟合,以获得所述单位空间中的第一数据点的混合高斯分布;第二获取单元523用于将每个所述单位空间的所述混合高斯分布进行合并,获得每个类型的所述子点云数据对应的混合高斯地图。
请参阅图12,进一步地,基于语义点云的地图构建装置还可以包括匹配模块54,其中匹配模块54用于确定实时点云数据与所述语义混合高斯地图的匹配度。
请参阅图13,进一步地,匹配模块54包括点云获取单元541、中心点获取单元542、高斯分布信息获取单元543以及匹配度确定单元544。其中,点云获取单元541用于获取所述实时点云数据中的每个第二数据点的点坐标及语义类别;中心点获取单元542用于根据所述第二数据点的点坐标,获取其在所述语义混合高斯地图对应的单位空间的中心点坐标;高斯分布信息获取单元543用于根据所述中心点坐标和所述第二数据点的语义类别,获取其在所述语义混合高斯地图对应的单位空间的高斯分布信息;匹配度确定单元544用于根据所述第二数据点在所述语义混合高斯地图对应的单位空间的高斯分布信息,确定所述实时点云数据与所述语义混合高斯地图的匹配度。
示例性电子设备
下面,参考图14来描述根据本申请实施例的电子设备。图14图示了根据本申请实施例的电子设备的框图。
如图14所示,电子设备60包括一个或多个处理器61和存储器62。
处理器61可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备60中的其他组件以执行期望的功能。
存储器62可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器61可以运行所述程序指令,以实现上文所述的本申请的各个实施例的基于语义点云的地图构建方法以及/或者其他期望的功能。
在一个示例中,电子设备60还可以包括:输入装置63和输出装置64,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置63还可以包括例如键盘、鼠标等。该输出装置64可以向外部输出各种信息。该输出设备14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等。
当然,为了简化,图14中仅示出了该电子设备60中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备60还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于语义点云的地图构建方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于语义点云的地图构建方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种基于语义点云的地图构建方法,包括:
根据语义类型对语义点云数据进行分类,以获得至少一个子点云数据;
针对每个类型的所述子点云数据,构建对应的混合高斯地图;
基于每个类型的所述子点云数据对应的混合高斯地图,获得语义混合高斯地图。
2.根据权利要求1所述的方法,其中,针对每个类型的所述子点云数据,构建对应的混合高斯地图,包括:
针对每个类型的所述子点云数据,按照预设方式将所述子点云数据的第一数据点分配至至少一个单位空间;
对每个所述单位空间中的第一数据点的高度进行高斯拟合,以获得所述单位空间中的第一数据点的混合高斯分布;
将每个所述单位空间的所述混合高斯分布进行合并,获得每个类型的所述子点云数据对应的混合高斯地图。
3.根据权利要求2所述的方法,其中,所述针对每个类型的所述子点云数据,按照预设方式将所述子点云数据的第一数据点分配至至少一个单位空间,包括:
在与所述第一数据点的高度相垂直的平面内,按照预设单位尺寸将地图空间分割为至少一个单位空间;
在若干所述单位空间中加载对应的子点云数据。
4.根据权利要求3所述的方法,其中,所述混合高斯地图包括每个单位空间的中心点对应的坐标、该单位空间中第一数据点的高斯分布信息以及语义类型。
5.根据权利要求1-4任一项所述的方法,其中,所述基于每个类型的所述子点云数据对应的混合高斯地图,获得语义混合高斯地图步骤后,还包括:
确定实时点云数据与所述语义混合高斯地图的匹配度。
6.根据权利要求5所述的方法,其中,所述确定实时点云数据与所述语义混合高斯地图的匹配度,包括:
获取所述实时点云数据中的每个第二数据点的点坐标及语义类型;
根据所述第二数据点的点坐标,获取其在所述语义混合高斯地图对应的单位空间的中心点坐标;
根据所述中心点坐标和所述第二数据点的语义类型,获取其在所述语义混合高斯地图对应的单位空间的高斯分布信息;
根据所述第二数据点在所述语义混合高斯地图对应的单位空间的高斯分布信息,确定所述实时点云数据与所述语义混合高斯地图的匹配度。
7.根据权利要求6所述的方法,其中,所述第二数据点在所述语义混合高斯地图对应的单位空间的高斯分布信息包括:高斯分布的权重、均值以及标准差。
8.一种基于语义点云的地图构建装置,包括:
子点云获取模块,用于根据语义类型对语义点云数据进行分类,以获得至少一个子点云数据;
第一构件模块,用于针对每个类型的所述子点云数据,构建对应的混合高斯地图;
第二构件模块,用于基于每个类型的所述子点云数据对应的混合高斯地图,获得语义混合高斯地图。
9.一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行上述权利要求1-7任一所述的基于语义点云的地图构建方法。
10.一种电子设备,所述电子设备包括:
处理器;
用于存储所述处理器可执行指令的存储器;
所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现上述权利要求1-7任一所述的基于语义点云的地图构建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910951079.9A CN110766793B (zh) | 2019-10-08 | 2019-10-08 | 一种基于语义点云的地图构建方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910951079.9A CN110766793B (zh) | 2019-10-08 | 2019-10-08 | 一种基于语义点云的地图构建方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110766793A true CN110766793A (zh) | 2020-02-07 |
CN110766793B CN110766793B (zh) | 2023-06-30 |
Family
ID=69331145
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910951079.9A Active CN110766793B (zh) | 2019-10-08 | 2019-10-08 | 一种基于语义点云的地图构建方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110766793B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111508072A (zh) * | 2020-04-23 | 2020-08-07 | 东软睿驰汽车技术(上海)有限公司 | 地图构建方法、装置、电子设备及存储介质 |
US20210314611A1 (en) * | 2018-12-28 | 2021-10-07 | Panasonic Intellectual Property Corporation Of America | Three-dimensional data encoding method, three-dimensional data decoding method, three-dimensional data encoding device, three-dimensional data decoding device |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2884305A1 (en) * | 2013-12-13 | 2015-06-17 | Sikorsky Aircraft Corporation | Semantics based safe landing area detection for an unmanned vehicle |
CN104916133A (zh) * | 2015-06-09 | 2015-09-16 | 福建工程学院 | 一种基于交通轨迹数据的道路海拔信息提取方法及系统 |
CN108120443A (zh) * | 2016-11-28 | 2018-06-05 | 武汉四维图新科技有限公司 | 一种更新地图数据的方法、装置及设备 |
CN108290579A (zh) * | 2015-11-04 | 2018-07-17 | 祖克斯有限公司 | 用于自主车辆的模拟系统和方法 |
CN109461211A (zh) * | 2018-11-12 | 2019-03-12 | 南京人工智能高等研究院有限公司 | 基于视觉点云的语义矢量地图构建方法、装置和电子设备 |
EP3460685A1 (en) * | 2017-09-12 | 2019-03-27 | Bricsys NV | Improved semantic classification of an entity in a building information model |
CN109661659A (zh) * | 2018-07-19 | 2019-04-19 | 驭势科技(北京)有限公司 | 视觉定位地图存储及加载方法、装置、系统及存储介质 |
CN109813310A (zh) * | 2019-03-11 | 2019-05-28 | 中南大学 | 地下作业设备定位方法、装置、系统及存储介质 |
CN110068824A (zh) * | 2019-04-17 | 2019-07-30 | 北京地平线机器人技术研发有限公司 | 一种传感器位姿确定方法和装置 |
CN110221616A (zh) * | 2019-06-25 | 2019-09-10 | 清华大学苏州汽车研究院(吴江) | 一种地图生成的方法、装置、设备及介质 |
CN110264572A (zh) * | 2019-06-21 | 2019-09-20 | 哈尔滨工业大学 | 一种融合几何特性与力学特性的地形建模方法及系统 |
CN110297491A (zh) * | 2019-07-02 | 2019-10-01 | 湖南海森格诺信息技术有限公司 | 基于多个结构光双目ir相机的语义导航方法及其系统 |
-
2019
- 2019-10-08 CN CN201910951079.9A patent/CN110766793B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2884305A1 (en) * | 2013-12-13 | 2015-06-17 | Sikorsky Aircraft Corporation | Semantics based safe landing area detection for an unmanned vehicle |
CN104916133A (zh) * | 2015-06-09 | 2015-09-16 | 福建工程学院 | 一种基于交通轨迹数据的道路海拔信息提取方法及系统 |
CN108290579A (zh) * | 2015-11-04 | 2018-07-17 | 祖克斯有限公司 | 用于自主车辆的模拟系统和方法 |
CN108120443A (zh) * | 2016-11-28 | 2018-06-05 | 武汉四维图新科技有限公司 | 一种更新地图数据的方法、装置及设备 |
EP3460685A1 (en) * | 2017-09-12 | 2019-03-27 | Bricsys NV | Improved semantic classification of an entity in a building information model |
CN109661659A (zh) * | 2018-07-19 | 2019-04-19 | 驭势科技(北京)有限公司 | 视觉定位地图存储及加载方法、装置、系统及存储介质 |
CN109461211A (zh) * | 2018-11-12 | 2019-03-12 | 南京人工智能高等研究院有限公司 | 基于视觉点云的语义矢量地图构建方法、装置和电子设备 |
CN109813310A (zh) * | 2019-03-11 | 2019-05-28 | 中南大学 | 地下作业设备定位方法、装置、系统及存储介质 |
CN110068824A (zh) * | 2019-04-17 | 2019-07-30 | 北京地平线机器人技术研发有限公司 | 一种传感器位姿确定方法和装置 |
CN110264572A (zh) * | 2019-06-21 | 2019-09-20 | 哈尔滨工业大学 | 一种融合几何特性与力学特性的地形建模方法及系统 |
CN110221616A (zh) * | 2019-06-25 | 2019-09-10 | 清华大学苏州汽车研究院(吴江) | 一种地图生成的方法、装置、设备及介质 |
CN110297491A (zh) * | 2019-07-02 | 2019-10-01 | 湖南海森格诺信息技术有限公司 | 基于多个结构光双目ir相机的语义导航方法及其系统 |
Non-Patent Citations (5)
Title |
---|
LIU Q ET AL: "Autonomous vehicle self-localization in urban environments based on 3D curvature feature points - Monte Carlo localization", 《ROBOTICA》, vol. 40, no. 3, pages 817 - 833 * |
WU K ET AL: "Research on new rapid and deep plasma nitriding techniques of AISI 420 martensitic stainless steel", 《VACUUM》, vol. 84, no. 6, pages 870 - 875, XP026872810 * |
赵洋: "基于深度学习的语义同步定位与地图构建", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》, no. 1, pages 140 - 178 * |
陈尧丰: "基于三维激光点云的实景地图构建与分类研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 6, pages 138 - 676 * |
黄宁生等: "基于平面约束的RGB-D SLAM系统", 《计算机应用研究》, vol. 37, no. 8, pages 2526 - 2530 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210314611A1 (en) * | 2018-12-28 | 2021-10-07 | Panasonic Intellectual Property Corporation Of America | Three-dimensional data encoding method, three-dimensional data decoding method, three-dimensional data encoding device, three-dimensional data decoding device |
US11582483B2 (en) * | 2018-12-28 | 2023-02-14 | Panasonic Intellectual Property Corporation Of America | Three-dimensional data encoding method, three-dimensional data decoding method, three-dimensional data encoding device, three-dimensional data decoding device |
CN111508072A (zh) * | 2020-04-23 | 2020-08-07 | 东软睿驰汽车技术(上海)有限公司 | 地图构建方法、装置、电子设备及存储介质 |
CN111508072B (zh) * | 2020-04-23 | 2023-07-04 | 东软睿驰汽车技术(上海)有限公司 | 地图构建方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110766793B (zh) | 2023-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111694903B (zh) | 地图构建方法、装置、设备以及可读存储介质 | |
CN110378175B (zh) | 道路边沿的识别方法和装置 | |
CN110386142A (zh) | 用于自动驾驶车辆的俯仰角校准方法 | |
CN110715671B (zh) | 三维地图生成方法、装置、车辆导航设备和无人驾驶车辆 | |
CN109190573B (zh) | 应用于无人驾驶车辆的地面检测方法、电子设备、车辆 | |
JP2023545423A (ja) | 点群分割方法、装置、機器および記憶媒体 | |
CN111174782B (zh) | 位姿估计方法、装置、电子设备及计算机可读存储介质 | |
DE112018004584T5 (de) | Dichtekoordinaten-hashing für volumetrische daten | |
CN114764778A (zh) | 一种目标检测方法、目标检测模型训练方法及相关设备 | |
CN108268481A (zh) | 云端地图更新方法及电子设备 | |
CN110766793B (zh) | 一种基于语义点云的地图构建方法及装置 | |
CN112818756A (zh) | 目标检测方法、系统、设备及存储介质 | |
CN112836698A (zh) | 一种定位方法、装置、存储介质及电子设备 | |
CN114119673A (zh) | 初始位姿的确定方法和装置、电子设备和存储介质 | |
CN114186007A (zh) | 高精地图生成方法、装置、电子设备和存储介质 | |
CN114092660A (zh) | 高精地图生成方法、装置及用于生成地图的车辆 | |
CN114325759A (zh) | 激光雷达定位中的动态障碍物剔除方法及相关方法、装置 | |
CN112639822B (zh) | 一种数据处理方法及装置 | |
US20230169680A1 (en) | Beijing baidu netcom science technology co., ltd. | |
WO2020107137A1 (en) | Systems and methods for point cloud rendering using video memory pool | |
CN116481513A (zh) | 地图生成方法、装置、电子设备 | |
DE102022128966A1 (de) | Parallelverarbeitung zur kombinatorischen optimierung | |
CN115930978A (zh) | 一种地图创建方法及装置 | |
CN112859109B (zh) | 无人机全景图像处理方法、装置及电子设备 | |
CN115062240A (zh) | 一种停车场排序方法、装置、电子设备和存储介质 |
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 |