CN111221808A - 一种无人值守的高精度地图质检方法和装置 - Google Patents

一种无人值守的高精度地图质检方法和装置 Download PDF

Info

Publication number
CN111221808A
CN111221808A CN201911401201.1A CN201911401201A CN111221808A CN 111221808 A CN111221808 A CN 111221808A CN 201911401201 A CN201911401201 A CN 201911401201A CN 111221808 A CN111221808 A CN 111221808A
Authority
CN
China
Prior art keywords
quality inspection
data
precision map
error
deep learning
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.)
Pending
Application number
CN201911401201.1A
Other languages
English (en)
Inventor
熊迹
周智颖
何云
文铁谋
罗跃军
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.)
Heading Data Intelligence Co Ltd
Original Assignee
Heading Data Intelligence 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 Heading Data Intelligence Co Ltd filed Critical Heading Data Intelligence Co Ltd
Priority to CN201911401201.1A priority Critical patent/CN111221808A/zh
Publication of CN111221808A publication Critical patent/CN111221808A/zh
Pending legal-status Critical Current

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
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • 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
    • G06F16/23—Updating
    • G06F16/2358—Change logging, detection, and notification
    • 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
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/182—Network patterns, e.g. roads or rivers

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (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)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Remote Sensing (AREA)
  • Quality & Reliability (AREA)
  • Instructional Devices (AREA)

Abstract

本发明提供一种无人值守的高精度地图质检方法和装置，其中，方法包括：基于采集的高精地图数据，通过第一深度学习模型提取第一交通要素集；通过第二深度学习模型从所述高精地图数据中提取第二交通要素集，以所述第二交通要素集为标准，对所述第一交通要素集进行质检；对质检不合格的错误目标进行错误类型标记，并记录在数据库中，以供作业人员根据所述错误类型标记，对所述错误目标进行修改。本发明利用人工智能的深度学习算法代替质检人员对提取的交通要素信息进行质检。传统人工质检的方式效率较低，避免了人工质检主观性较大对质检准确度的影响。降低了人力成本，提高了高精地图的质检效率。

Description

一种无人值守的高精度地图质检方法和装置
技术领域
本发明实施例涉及高精度地图制作领域，尤其涉及一种无人值守的高精度地图质检方法和装置。
背景技术
高精度地图，通俗来讲就是精度更高、数据维度更多的电子地图。精度更高体现在精确到厘米级别，数据维度更多体现在其包括了除道路信息之外的与交通相关的周围静态信息。高精度地图在自动驾驶中也起着举足轻重的作用，利用高精度地图，自动驾驶车辆可以获取外界的先验知识，即使在恶劣环境下也能安全行车，所以高精度地图的结构化数据的精度需要满足一定的精度才能保证自动驾驶车辆能在复杂的环境中安全的行驶。
高精度地图将大量的行车辅助信息存储为结构化数据，这些信息可以分为两类。第一类是道路数据，比如车道线的位置、类型、宽度、坡度和曲率等车道信息。第二类是车道周边的固定对象信息，比如交通标志、交通信号灯等信息、车道限高、下水道口、障碍物及其他道路细节，还包括高架物体、防护栏、数目、道路边缘类型、路边地标等基础设施信息。
全世界的知名图商，创业公司以及相关测绘行业的公司都在加速完成一定规模的高精度地图，所以高效的制作工艺可高效的制作出高精度地图。而高效的制作工艺必须在现有的工艺制作中进行加工和优化，才能达到高效制作的需求。
在高精度地图制作的工艺过程中，地图的制作需要多个环节，例如外业，内业等。外业是对数据进行采集，内业对所采集的数据进行制作，质检部门会对所有的制作结果进行质检保证制作的地图数据无错误。出品部将数据进行抽样检查，并加工成客户所需要的数据格式。
传统高精度地图制作质检工艺模式，质检人员人工对高精地图交通要素的精度和属性进行核实，检查提取的高精地图交通要素是否满足高精度地图的规范要求。传统人工质检的方式效率较低，耗费人力成本。并且，人工质检主观性较大，可靠性无法保障。
发明内容
本发明实施例提供一种无人值守的高精度地图质检方法和装置，用以解决现有技术中，人工质检的方式效率较低，耗费人力成本，并且人工质检主观性较大，可靠性无法保障的问题。
第一方面，本发明实施例提供一种无人值守的高精度地图质检方法，包括：
S1，基于采集的高精地图数据，通过第一深度学习模型提取第一交通要素集；所述高精地图数据包括GPS数据、点云数据和图像数据；
S2，通过第二深度学习模型从所述高精地图数据中提取第二交通要素集，以所述第二交通要素集为标准，对所述第一交通要素集进行质检；其中，所述第二深度学习模型对高精地图数据中交通要素的提取精度大于所述第一深度学习模型；
S3，对质检不合格的错误目标进行错误类型标记，并记录在数据库中，以供作业人员根据所述错误类型标记，对所述错误目标进行修改。
进一步，所述错误类型包括：目标缺失、数据冗余、平面精度错误、高程精度错误和属性错误。
进一步，所述方法还包括，在所述错误目标的修改完成后，所述方法还包括：
对修改完成后的地图数据以预设抽样率进行抽检；
将抽检不合格的错误数据反馈到样本库中作为训练样本，并分别对所述错误数据进行粗标注和精细标注；将粗标注后的第一样本作为第一深度学习模型的训练样本，精细标注后的第二样本作为第二深度学习模型的训练样本。
进一步，S1中，基于采集的高精地图数据，通过第一深度学习模型提取第一交通要素集，具体包括：
将GPS数据、点云数据和图像数据进行融合，通过第一深度学习模型从融合数据中提取第一交通要素集；
相应的，S2中，所述通过第二深度学习模型从所述高精地图数据中提取第二交通要素集，包括：
通过第二深度学习模型，从所述融合数据中提取第二交通要素集。
进一步，在S1之后，所述方法还包括：
将所述第一交通要素集存入数据库中。
进一步，S2中，以所述第二交通要素集为标准，对所述第一交通要素集进行质检，具体包括：
比对所述第一交通要素集和所述第二交通要素集中，每一交通要素的几何偏差，若所述几何偏差小于预设偏差阈值，则判定质检合格；
若所述几何偏差大于等于预设偏差阈值，则判定质检不合格。
第二方面，本发明实施例提供一种无人值守的高精度地图质检装置，其特征在于，包括：
交通要素提取模块，用于基于采集的高精地图数据，通过第一深度学习模型提取第一交通要素集；所述高精地图数据包括GPS数据、点云数据和图像数据；
质检模块，用于通过第二深度学习模型从所述高精地图数据中提取第二交通要素集，以所述第二交通要素集为标准，对所述第一交通要素集进行质检；
修改模块，用于对质检不合格的错误目标进行错误类型标记，并记录在数据库中，以供作业人员根据所述错误类型标记，对所述错误目标进行修改。
第三方面，本发明实施例提供一种电子设备，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，所述处理器执行所述程序时实现如本发明第一方面实施例所述无人值守的高精度地图质检方法的步骤。
第四方面，本发明实施例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如本发明第一方面实施例所述无人值守的高精度地图质检方法的步骤。
本发明实施例提供的无人值守的高精度地图质检方法和装置，与现有技术相比，利用人工智能的深度学习算法代替质检人员对提取的交通要素信息进行质检。传统人工质检的方式效率较低，避免了人工质检主观性较大对质检准确度的影响。降低了人力成本，提高了高精地图的质检效率。
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一简单地介绍，显而易见地，下面描述中的附图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，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的无人值守的高精度地图质检方法流程示意图；
图2为本发明实施例提供的无人值守的高精度地图质检装置的结构框图；
图3为本发明实施例提供的电子设备结构示意图。
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、完整地描述，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作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。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
目前，传统高精度地图制作质检工艺模式，质检人员人工对高精地图交通要素的精度和属性进行核实，检查提取的高精地图交通要素是否满足高精度地图的规范要求。传统人工质检的方式效率较低，耗费人力成本。并且，人工质检主观性较大，可靠性无法保障。
因此，本发明实施例提供一种无人值守的高精度地图质检方法，本发明实施例提供的无人值守的高精度地图质检方法和装置，与现有技术相比，利用人工智能的深度学习算法代替质检人员对提取的交通要素信息进行质检。传统人工质检的方式效率较低，避免了人工质检主观性较大对质检准确度的影响。降低了人力成本，提高了高精地图的质检效率。解决了现有技术中，人工质检的方式效率较低，耗费人力成本，并且人工质检主观性较大，可靠性无法保障的问题。以下将通过多个实施例进行展开说明和介绍。
图1为本发明实施例提供的无人值守的高精度地图质检方法流程示意图，如图1所示，该方法包括：
S1，基于采集的高精地图数据，通过第一深度学习模型提取第一交通要素集；所述高精地图数据包括GPS数据、点云数据和图像数据。
本实施例中，在执行S1之前，首先需要采集高精地图数据，高精地图数据包括GPS数据、点云数据和图像数据。本发明通过gps定位设备、3D激光雷达和摄像机分别采集GPS数据、点云数据和图像数据。GPS数据、点云数据和图像数据。
具体地，激光雷达首先通过向目标物体发生一束激光，根据接受-反射的时间间隔确定目标物体的实际距离，根据距离及激光发射的角度，通过几何变换计算出汽车周围环境，得到地面、建筑物、森林、高速公路以及任何激光束，它们在测量过程中遇到的物体构成了激光点云数据；摄像头可以捕捉到路面及其周围交通环境的静态信息，例如图片中关键交通标志、路面周围关键信息等。
进一步地，在高精地图数据采集完成之后，执行S1，通过预先训练的第一深度学习模型提取第一交通要素集。此处，交通要素包括车道线、护栏、箭头和交通标志等道路元素，第一交通要素集包含采集的高精地图数据中的所有交通要素。本实施例中，提取第一交通要素集的方法是：首先，将GPS数据、点云数据和图像数据进行融合，得到融合数据。接着，通过第一深度学习模型从融合数据中提取第一交通要素集。
S2，通过第二深度学习模型从所述高精地图数据中提取第二交通要素集，以所述第二交通要素集为标准，对所述第一交通要素集进行质检；其中，所述第二深度学习模型对高精地图数据中交通要素的提取精度大于所述第一深度学习模型。
具体地，采用预先训练好的第二深度学习模型从S1得到的融合数据中提取第二交通要素集。需要说明的是，第二深度学习模型对高精地图数据中交通要素的提取精度大于所述第一深度学习模型。并且，第一深度学习模型和第二深度学习模型分别提取同一份高精地图数据中的所有交通要素。第二交通要素集的数据精度大于第一交通要素集的数据精度。
接着，以所述第二交通要素集为标准，对所述第一交通要素集进行质检。本实施例中，比对所述第一交通要素集和所述第二交通要素集中，每一交通要素的几何偏差，若所述几何偏差小于预设偏差阈值，则判定质检合格；若所述几何偏差大于等于预设偏差阈值，则判定质检不合格。优选的，预设偏差阈值可以设置为5～10cm，本实施例对此不作具体限定。
S3，对质检不合格的错误目标进行错误类型标记，并记录在数据库中，以供作业人员根据所述错误类型标记，对所述错误目标进行修改。
具体地，在质检过程中，对判定质检不合格的错误目标进行错误类型标记，并记录为数据质检日志保存在数据库中。此处，错误目标是指第一交通要素集中质检不合格的交通要素。错误类型包括：目标缺失、数据冗余、平面精度错误、高程精度错误和属性错误。本实施例中：
目标缺失：第一深度学习模型在高精地图数据中未提取的交通要素；
数据冗余：第一深度学习模型在高精地图数据中错误提取的交通要素；
平面精度：在点云数据中所提取的交通要素水平(x-y坐标系)的精度存在误差；
高程误差：在点云数据中所提取的交通要素高度(x-z坐标系)的精度存在误差；
属性错误：第一深度学习模型所提取的交通要素存在语义表示方面的错误：例如：限速，限重，限宽属性等。
进一步地，在错误类型标记完成后，作业人员会对质检不合格的错误目标进行修改，同时删除数据质检日志中针对该错误目标的信息，与此同时，该错误目标的修改日志也会被保存在数据编辑日志当中，保存的字段有目标编号、目标名称、目标位置信息、如何修改该目标、第几次修改、修改时间和修改人等。
本发明实施例提供的无人值守的高精度地图质检方法，本发明实施例提供的无人值守的高精度地图质检方法和装置，与现有技术相比，利用人工智能的深度学习算法代替质检人员对提取的交通要素信息进行质检。传统人工质检的方式效率较低，避免了人工质检主观性较大对质检准确度的影响。降低了人力成本，提高了高精地图的质检效率。
在上述实施例的基础上，所述方法还包括，在所述错误目标的修改完成后，所述方法还包括：
对修改完成后的地图数据以预设抽样率进行抽检；
将抽检不合格的错误数据反馈到样本库中作为训练样本，并分别对所述错误数据进行粗标注和精细标注；将粗标注后的第一样本作为第一深度学习模型的训练样本，精细标注后的第二样本作为第二深度学习模型的训练样本。
具体地，在S3中所有的错误目标修改完成后，本实施例需要对质检、修改后的高精地图数据进行抽检，优选的，预设抽样率可以是70％，本实施例在此不作具体限定。对于抽检合格的数据，可以用来制作最终的高精度地图。
对于抽检不合格的错误数据，本发明将其反馈到样本库中作为训练样本，并分别对所述错误数据进行粗标注和精细标注。同时将错误数据反馈给作业人员，以供作业人员提升制图经验。本实施例中，粗标注是指对像素精度较低的交通要素进行标注，精细标注是指对像素精度较高的交通要素进行高精度标注。进一步，本实施例将粗标注后的第一样本作为第一深度学习模型的训练样本，精细标注后的第二样本作为第二深度学习模型的训练样本。通过上述方法，使得第二深度学习模型对高精地图数据中交通要素的提取精度大于第一深度学习模型。
在上述各实施例的基础上，作为本发明一种可选实施方式，在S1中的第一交通要素集提取完成后，所述方法还包括：将所述第一交通要素集存入数据库中。
本实施例中，在第一交通要素集没有出现异常的情况下，将第一交通要素集存入数据库中，以后后续对第一交通要素集进行质检。
图2为本发明实施例提供的无人值守的高精度地图质检装置的结构框图，参照图2，该装置包括：
交通要素提取模块201，用于基于采集的高精地图数据，通过第一深度学习模型提取第一交通要素集；所述高精地图数据包括GPS数据、点云数据和图像数据；
质检模块202，用于通过第二深度学习模型从所述高精地图数据中提取第二交通要素集，以所述第二交通要素集为标准，对所述第一交通要素集进行质检；
修改模块203，用于对质检不合格的错误目标进行错误类型标记，并记录在数据库中，以供作业人员根据所述错误类型标记，对所述质检不合格的错误目标进行修改。
具体地，本发明实施例提供的无人值守的高精度地图质检装置，具体用于执行上述方法实施例中的无人值守的高精度地图质检方法的步骤，由于上述实施例中已对无人值守的高精度地图质检方法进行详细介绍，此处不对无人值守的高精度地图质检装置各功能模块进行赘述。
图3示例了一种电子设备结构示意图，如图3所示，该服务器可以包括：处理器(processor)301、通信接口(Communications Interface)302、存储器(memory)303和通信总线304，其中，处理器301，通信接口302，存储器303通过通信总线304完成相互间的通信。处理器301可以调用存储器303中的逻辑指令，以执行如下无人值守的高精度地图质检方法：。
本实施例还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，其特征在于，该计算机程序被处理器执行时实现如上述各实施例中所述无人值守的高精度地图质检方法的步骤。例如包括：。
综上所述，本发明实施例提供的无人值守的高精度地图质检方法和装置，与现有技术相比，利用人工智能的深度学习算法代替质检人员对提取的交通要素信息进行质检。传统人工质检的方式效率较低，避免了人工质检主观性较大对质检准确度的影响。降低了人力成本，提高了高精地图的质检效率。。
以上所描述的方法实施例仅仅是示意性的，其中所述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所述的方法。
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 (10)

1.一种无人值守的高精度地图质检方法，其特征在于，包括：
S1，基于采集的高精地图数据，通过第一深度学习模型提取第一交通要素集；所述高精地图数据包括GPS数据、点云数据和图像数据；
S2，通过第二深度学习模型从所述高精地图数据中提取第二交通要素集，以所述第二交通要素集为标准，对所述第一交通要素集进行质检；其中，所述第二深度学习模型对高精地图数据中交通要素的提取精度大于所述第一深度学习模型；
S3，对质检不合格的错误目标进行错误类型标记，并记录在数据库中，以供作业人员根据所述错误类型标记，对所述错误目标进行修改。
2.根据权利要求1所述的方法，其特征在于，所述错误类型包括：目标缺失、数据冗余、平面精度错误、高程精度错误和属性错误。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括，在所述错误目标的修改完成后，所述方法还包括：
对修改完成后的地图数据以预设抽样率进行抽检；
将抽检不合格的错误数据反馈到样本库中作为训练样本，并分别对所述错误数据进行粗标注和精细标注；将粗标注后的第一样本作为第一深度学习模型的训练样本，精细标注后的第二样本作为第二深度学习模型的训练样本。
4.根据权利要求1所述的方法，其特征在于，S1中，所述基于采集的高精地图数据，通过第一深度学习模型提取第一交通要素集，具体包括：
将GPS数据、点云数据和图像数据进行融合，通过第一深度学习模型从融合数据中提取第一交通要素集；
相应的，S2中，所述通过第二深度学习模型从所述高精地图数据中提取第二交通要素集，包括：
通过第二深度学习模型，从所述融合数据中提取第二交通要素集。
5.根据权利要求1所述的方法，其特征在于，在S1之后，所述方法还包括：
将所述第一交通要素集存入数据库中。
6.根据权利要求1所述的方法，其特征在于，S2中，以所述第二交通要素集为标准，对所述第一交通要素集进行质检，具体包括：
比对所述第一交通要素集和所述第二交通要素集中，每一交通要素的几何偏差，若所述几何偏差小于预设偏差阈值，则判定质检合格；
若所述几何偏差大于等于预设偏差阈值，则判定质检不合格。
7.一种无人值守的高精度地图质检装置，其特征在于，包括：
交通要素提取模块，用于基于采集的高精地图数据，通过第一深度学习模型提取第一交通要素集；所述高精地图数据包括GPS数据、点云数据和图像数据；
质检模块，用于通过第二深度学习模型从所述高精地图数据中提取第二交通要素集，以所述第二交通要素集为标准，对所述第一交通要素集进行质检；
修改模块，用于对质检不合格的错误目标进行错误类型标记，并记录在数据库中，以供作业人员根据所述错误类型标记，对所述错误目标进行修改。
8.根据权利要求7所述的装置，其特征在于，还包括：
抽检模块，用于对修改完成后的地图数据以预设抽样率进行抽检；将抽检不合格的错误数据反馈到样本库中作为训练样本，并分别对所述错误数据进行粗标注和精细标注；将粗标注后的第一样本作为第一深度学习模型的训练样本，精细标注后的第二样本作为第二深度学习模型的训练样本。
9.一种电子设备，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6任一项所述无人值守的高精度地图质检方法的步骤。
10.一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1～6任一项所述无人值守的高精度地图质检方法的步骤。
CN201911401201.1A 2019-12-31 2019-12-31 一种无人值守的高精度地图质检方法和装置 Pending CN111221808A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911401201.1A CN111221808A (zh) 2019-12-31 2019-12-31 一种无人值守的高精度地图质检方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911401201.1A CN111221808A (zh) 2019-12-31 2019-12-31 一种无人值守的高精度地图质检方法和装置

Publications (1)

Publication Number Publication Date
CN111221808A true CN111221808A (zh) 2020-06-02

Family

ID=70829204

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911401201.1A Pending CN111221808A (zh) 2019-12-31 2019-12-31 一种无人值守的高精度地图质检方法和装置

Country Status (1)

Country Link
CN (1) CN111221808A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112115224A (zh) * 2020-09-24 2020-12-22 北京百度网讯科技有限公司 地图数据的辅助质检方法、装置、电子设备及存储介质
CN112257725A (zh) * 2020-10-26 2021-01-22 武汉中海庭数据技术有限公司 一种路缘石提取的置信度评估方法及系统
CN112509329A (zh) * 2020-12-05 2021-03-16 武汉中海庭数据技术有限公司 交通标志数据处理方法、电子装置和存储介质
CN113592865A (zh) * 2021-09-29 2021-11-02 湖北亿咖通科技有限公司 三维地图的质检方法、设备及存储介质
CN113762306A (zh) * 2021-01-13 2021-12-07 北京沃东天骏信息技术有限公司 模型训练方法、装置、电子设备和计算机可读介质
CN114323042A (zh) * 2021-12-30 2022-04-12 湖北亿咖通科技有限公司 地图数据的处理方法、装置、非易失性存储介质及处理器
CN114427876A (zh) * 2021-12-15 2022-05-03 武汉中海庭数据技术有限公司 一种交通看板关联关系的自动化检查方法及系统
CN114757587A (zh) * 2022-06-13 2022-07-15 深圳市玄羽科技有限公司 一种基于大数据的产品质量控制系统及方法
JP2023534583A (ja) * 2021-05-20 2023-08-10 四川省林業和草原調査規劃院（四川省林業和草原生態環境監測中心） 国土空間計画空間データ化け検出方法、アプリケーションシステム及びクラウドプラットフォーム

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107944018A (zh) * 2017-12-11 2018-04-20 江苏省测绘工程院 一种基于激光点云数据的矢量地图位置精度自动质检方法
CN109215487A (zh) * 2018-08-24 2019-01-15 宽凳（北京）科技有限公司 一种基于深度学习的高精地图制作方法
CN109493407A (zh) * 2018-11-19 2019-03-19 腾讯科技（深圳）有限公司 实现激光点云稠密化的方法、装置及计算机设备
CN109798903A (zh) * 2018-12-19 2019-05-24 广州文远知行科技有限公司 一种从地图数据中获取道路信息的方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107944018A (zh) * 2017-12-11 2018-04-20 江苏省测绘工程院 一种基于激光点云数据的矢量地图位置精度自动质检方法
CN109215487A (zh) * 2018-08-24 2019-01-15 宽凳（北京）科技有限公司 一种基于深度学习的高精地图制作方法
CN109493407A (zh) * 2018-11-19 2019-03-19 腾讯科技（深圳）有限公司 实现激光点云稠密化的方法、装置及计算机设备
CN109798903A (zh) * 2018-12-19 2019-05-24 广州文远知行科技有限公司 一种从地图数据中获取道路信息的方法及装置

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112115224A (zh) * 2020-09-24 2020-12-22 北京百度网讯科技有限公司 地图数据的辅助质检方法、装置、电子设备及存储介质
CN112115224B (zh) * 2020-09-24 2024-03-08 北京百度网讯科技有限公司 地图数据的辅助质检方法、装置、电子设备及存储介质
CN112257725A (zh) * 2020-10-26 2021-01-22 武汉中海庭数据技术有限公司 一种路缘石提取的置信度评估方法及系统
CN112509329A (zh) * 2020-12-05 2021-03-16 武汉中海庭数据技术有限公司 交通标志数据处理方法、电子装置和存储介质
CN113762306A (zh) * 2021-01-13 2021-12-07 北京沃东天骏信息技术有限公司 模型训练方法、装置、电子设备和计算机可读介质
JP7441330B2 (ja) 2021-05-20 2024-02-29 四川省林業和草原調査規劃院（四川省林業和草原生態環境監測中心） 国土空間計画空間データ化け検出のアプリケーションシステム、クラウドプラットフォームシステム及び国土空間計画空間データ化け検出方法
JP2023534583A (ja) * 2021-05-20 2023-08-10 四川省林業和草原調査規劃院（四川省林業和草原生態環境監測中心） 国土空間計画空間データ化け検出方法、アプリケーションシステム及びクラウドプラットフォーム
CN113592865A (zh) * 2021-09-29 2021-11-02 湖北亿咖通科技有限公司 三维地图的质检方法、设备及存储介质
CN113592865B (zh) * 2021-09-29 2022-01-25 湖北亿咖通科技有限公司 三维地图的质检方法、设备及存储介质
CN114427876B (zh) * 2021-12-15 2023-11-28 武汉中海庭数据技术有限公司 一种交通看板关联关系的自动化检查方法及系统
CN114427876A (zh) * 2021-12-15 2022-05-03 武汉中海庭数据技术有限公司 一种交通看板关联关系的自动化检查方法及系统
CN114323042A (zh) * 2021-12-30 2022-04-12 湖北亿咖通科技有限公司 地图数据的处理方法、装置、非易失性存储介质及处理器
CN114323042B (zh) * 2021-12-30 2023-12-08 湖北亿咖通科技有限公司 地图数据的处理方法、装置、非易失性存储介质及处理器
CN114757587B (zh) * 2022-06-13 2022-09-30 深圳市玄羽科技有限公司 一种基于大数据的产品质量控制系统及方法
CN114757587A (zh) * 2022-06-13 2022-07-15 深圳市玄羽科技有限公司 一种基于大数据的产品质量控制系统及方法

Similar Documents

Publication Publication Date Title
CN111221808A (zh) 一种无人值守的高精度地图质检方法和装置
EP3505869B1 (en) Method, apparatus, and computer readable storage medium for updating electronic map
CN111652940B (zh) 目标异常识别方法、装置、电子设备及存储介质
CN112069856A (zh) 地图生成方法、驾驶控制方法、装置、电子设备及系统
CN111123920A (zh) 一种自动驾驶仿真测试场景生成方法和装置
CN109141444B (zh) 定位方法、装置、存储介质及移动设备
CN113034566B (zh) 高精度地图构建方法、装置、电子设备及存储介质
CN113033029A (zh) 自动驾驶仿真方法、装置、电子设备及存储介质
CN109271861B (zh) 多尺度融合的点云交通标识牌自动提取方法
CN112432650B (zh) 高精地图数据的获取方法、车辆控制方法以及设备
CN114459471B (zh) 定位信息确定方法、装置、电子设备及存储介质
US20230184564A1 (en) High-precision map construction method, electronic device, and storage medium
CN115290104A (zh) 仿真地图生成方法、装置、设备及可读存储介质
CN115880536A (zh) 数据处理方法、训练方法、目标对象检测方法及装置
CN110659058A (zh) 一种众包地图数据增量更新方法及装置
CN114494274A (zh) 建筑施工评估方法、装置、电子设备及存储介质
CN110796066A (zh) 一种车道线组构建方法及装置
CN115984486A (zh) 一种融合激光雷达与深度相机的桥梁模型生成方法及装置
CN115841552A (zh) 高精地图生成方法及装置、电子设备和介质
CN112184903B (zh) 高压线行树障风险点的检测方法、装置、设备及介质
CN110544201B (zh) 一种车载激光扫描点云的大范围拼接方法及装置
CN112507891A (zh) 自动化识别高速路口并构建路口向量的方法及装置
KR102288623B1 (ko) 육상이동체 시뮬레이션을 위한 정밀도로지도 데이터 처리 및 포맷변경방법
CN116091716A (zh) 一种基于深度学习的高精度地图自动化制作系统及方法
CN116246030A (zh) 基于非新增道路场景的高精地图单要素更新方法及装置

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200602

RJ01 Rejection of invention patent application after publication