CN111427979B - 基于激光雷达的动态地图构建方法、系统及介质 - Google Patents

Abstract

本发明实施例公开了一种基于激光雷达的地图构建方法、系统及介质。该方法包括：对激光雷达采集的当前帧点云数据进行目标检测，确定至少一个目标区域；根据所述至少一个目标区域和目标对象在激光雷达采集的上一帧点云数据中的跟踪区域，确定目标对象在当前帧点云数据中的跟踪区域；根据目标对象在当前帧点云数据中的跟踪区域和目标对象在上一帧点云数据中的状态信息，确定目标对象在当前帧点云数据中的状态信息；将目标对象在当前帧点云数据中的状态信息转换到大地坐标系，并结合静态地图元素，构建当前帧动态电子地图。本发明构建的包含目标对象实时状态信息的动态电子地图，可全面准确的提供实时路况，更好的满足车辆安全行驶的需求。

Description

基于激光雷达的动态地图构建方法、系统及介质

技术领域

本发明实施例涉及激光雷达技术领域，尤其涉及一种基于激光雷达的动态地图构建方法、系统及介质。

背景技术

随着无人驾驶技术和导航技术的发展，电子地图的使用越来越广泛。目前，在构建电子地图时，通常是根据道路、建筑物、河流、草坪等静态的物体位置信息构建电子地图。在使用该电子地图在道路上行驶时，仍需要人工或通过车辆上安装的传感器感知当前场景下的实时路况信息，成本较高。且由于人工观察区域或传感器的检测区域可能存在盲区，在车辆行驶过程中即使采用了该电子地图仍然存在较高的安全隐患。所以现有的电子地图已经无法满足车辆安全行驶的需求，亟需改进。

发明内容

本发明实施例提供的一种基于激光雷达的地图构建方法、系统及介质，构建了包含目标对象实时状态信息的动态电子地图，可全面准确的提供实时路况，从而更好的满足车辆安全行驶的需求。

第一方面，本发明实施例提供了一种基于激光雷达的地图构建方法，包括：

对激光雷达采集的当前帧点云数据进行目标检测，确定至少一个目标区域；

根据所述至少一个目标区域和目标对象在所述激光雷达采集的上一帧点云数据中的跟踪区域，确定所述目标对象在所述当前帧点云数据中的跟踪区域；

根据所述目标对象在所述当前帧点云数据中的跟踪区域和所述目标对象在所述上一帧点云数据中的状态信息，确定所述目标对象在所述当前帧点云数据中的状态信息；

将所述目标对象在所述当前帧点云数据中的状态信息转换到大地坐标系，并结合静态地图元素，构建当前帧动态电子地图。

第二方面，本发明实施例还提供了一种基于激光雷达的地图构建装置，该装置包括：

目标检测模块，用于对激光雷达采集的当前帧点云数据进行目标检测，确定至少一个目标区域；

目标跟踪模块，用于根据所述至少一个目标区域和目标对象在所述激光雷达采集的上一帧点云数据中的跟踪区域，确定所述目标对象在所述当前帧点云数据中的跟踪区域；

状态更新模块，用于根据所述目标对象在所述当前帧点云数据中的跟踪区域和所述目标对象在所述上一帧点云数据中的状态信息，确定所述目标对象在所述当前帧点云数据中的状态信息；

地图构建模块，用于将所述目标对象在所述当前帧点云数据中的状态信息转换到大地坐标系，并结合静态地图元素，构建当前帧动态电子地图。

第三方面，本发明实施例还提供了一种测绘系统，该测绘系统包括至少一个激光雷达和处理设备；所述处理设备与所述至少一个激光雷达连接，所述处理设备包括：

一个或多个处理器；

存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器针对每个激光雷达都实现第一方面中任意所述的基于激光雷达的地图构建方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面中任意所述的基于激光雷达的地图构建方法。

本发明实施例提供的基于激光雷达的地图构建方法、系统及介质，针对激光雷达采集的每一帧点云数据进行目标检测，结合目标对象在上一帧点云数据中对应的跟踪区域在检测出的至少一个目标区域中确定目标对象在当前帧点云数据中对应的跟踪区域，再结合目标对象在上一帧点云数据中对应的状态信息，确定目标对象在当前点云数据中对应的状态信息，将该状态信息转换到地图对应的大地坐标系后，结合已有的静态地图元素，构建当前帧动态电子地图。本发明实施例的技术方案构建了一种新型的包含目标对象实时状态信息的动态电子地图，该动态电子地图可全面准确的提供实时路况，在车辆行驶过程中无需借助人工或传感器获取实时路况，降低了成本，且动态电子地图提供的实时路况情况不存在盲区，可更好的满足车辆安全行驶的需求。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1A-1B是本发明实施例提供的激光雷达部署效果示意图；

图2A是本发明实施例一中的一种基于激光雷达的地图构建方法的流程图；

图2B和图2D是本发明实施例提供的当前帧点云数据的示意图；

图2C是本发明实施例提供的上一帧点云数据的示意图；

图3是本发明实施例二中的一种基于激光雷达的地图构建方法的流程图；

图4是本发明实施例三中的一种基于激光雷达的地图构建方法的流程图；

图5是本发明实施例四中的一种基于激光雷达的地图构建装置的结构示意图；

图6A为本发明实施例五提供的一种测绘系统的结构示意图；

图6B是本发明实施例五中的一种测绘系统的处理设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

可选的，在介绍本发明各实施例之前，先对本发明实施例中采集点云数据的激光雷达的部署情况进行介绍。由于本发明实施例是要基于激光雷达采集的点云数据构建电子地图，且通常情况下电子地图是某一区域的全局地图，所以本发明实施例在部署激光雷达时，需要根据待构建电子地图的区域大小，选择一个或多个激光雷达，按照一定规则进行部署，且保证部署后的激光雷达的采集范围可覆盖待构建电子地图的全部区域。示例性的，由于电子地图主要是用于展示道路情况，所以在部署激光雷达时，可以优选将激光雷达设置在道路旁或双向道路间的隔离带内(如图1A中圆圈1所在位置)。图1B示出了构建全局动态地图时，对多个激光雷达(即全局激光雷达)的具体部署位置，其中图1B中方框2包含的图标代表激光雷达，由图1B可以看出，激光雷达按照道路的延伸方向呈环形部署，为了环形中间道路区域全覆盖，针对环形道路中间的各道路还部署了3个激光雷达，从而实现对图1B中所有区域的全覆盖。

另外，本发明实施例在构建动态电子地图时，可以是针对已经部署的每一个激光雷达，都执行本发明实施例的基于激光雷达的地图构建方法，最后对将基于每个激光雷达采集的点云数据构建的当前帧动态电子地图进行整合，即可得到最终的动态电子地图。接下来基于上述介绍的内容，对本发明实施例的基于激光雷达的地图构建方法、系统及介质进行详细介绍。

实施例一

图2A为本发明实施例一中的一种基于激光雷达的地图构建方法的流程图，图2B和图2D是本发明实施例提供的当前帧点云数据的示意图；图2C是本发明实施例提供的上一帧点云数据的示意图。本实施例适用于基于激光雷达采集的点云数据，构建包含目标对象的实时状态信息的动态电子地图的情况。该方法可以由本发明实施例的测绘系统中的处理设备执行，该处理设备可采用软件和/或硬件的方式实现。如图2A所示，该方法具体包括如下步骤：

S201，对激光雷达采集的当前帧点云数据进行目标检测，确定至少一个目标区域。

其中，点云数据可以是激光雷达扫描其所处场景时，以点云的形式记录的三维坐标向量的集合，每一个三维坐标向量可以用(x，y，z)表示。除此之外点云数据中还可以包含每一个点云的反射光强度值。目标区域可以是点云数据中的目标对象所在区域。其中，本发明实施例中的目标对象可以是道路中的障碍物，例如，可以是道路中的行人、车辆、动物等动态障碍物，还可以是道路中的路灯、指示牌、垃圾桶等静态障碍物。由于本实施例要构建动态电子地图，所以本实施例中的目标对象优选为动态障碍物。

可选的，本步骤可以针对已经部署在固定位置处的每一个激光雷达，都实时获取各激光雷达采集的当前帧点云数据，进行目标检测，确定出每一个激光雷达采集的当前帧点云数据中包含的至少一个目标区域。具体的检测方法可以有很多，对此本实施例不进行限定。可以是采用聚类的方法，对当前帧点云数据进行聚类处理，确定出当前点云数据中的至少一个目标区域。还可以是基于预先训练好的深度学习模型，将当前帧点云数据输入该目标检测模型，运行该深度学习模型即可得到当前帧点云数据对应的至少一个目标区域。由于激光雷达是固定部署在某一位置处的，所以针对每一个激光雷达来说，其采集的点云数据场景是固定的，可以对每个激光雷达采集的大量点云数据进行处理(如可以是对点云数据进行目标区域标注处理)后，作为样本训练集，然后基于该样本训练集训练得到可进行点云数据目标区域检测的深度学习模型。需要说明的是，关于该深度学习模型的具体介绍以及如何采用深度学习模型来进行目标识别，确定目标区域的过程将在后续实施例进行详细介绍。

可选的，为了提高从当前帧点云数据中确定目标区域时的准确性，减少干扰点云对检测结果的影响，本实施例在对当前帧点云数据进行目标检测时，可以是针对指定区域进行检测，还可以是对当前帧点云数据进行干扰点云滤除后再进行检测等，还可以是对当前点云数据进行裁剪、放大等处理后再进行检测，对此本实施例不进行限定。

示例性的，图2B为对某一个激光雷达采集的当前帧点云数据进行目标检测，得到的两个目标区域，即方框1对应的目标区域1，和方框2对应的目标区域2。

需要说明的是，本步骤虽然完成了对当前帧点云数据中的目标对象所在区域的检测，但是由于当前帧点云数据中存在的目标对象可能有多个，所以本步骤确定的目标区域只能表征该区域内存在目标对象，但是并不明确对应哪个目标对象。例如，图2B示出的当前帧点云数据中存在2个目标对象(即目标对象A和目标对象B)对应的目标区域，但是本步骤并未区分那个目标区域对应目标对象A，哪个目标对象对应目标对象B。

S202，根据至少一个目标区域和目标对象在激光雷达采集的上一帧点云数据中的跟踪区域，确定目标对象在当前帧点云数据中的跟踪区域。

其中，本步骤的跟踪区域与S201中的目标区域相比，虽然两者都是表征目标对象所在区域，但是跟踪区域明确了该区域对应的目标对象，当一个目标区域明确了其对应的目标对象身份时，该目标区域即作为该目标对象在当前帧点云数据中的跟踪区域。

可选的，本步骤可以是根据上一帧点云数据中确定出的目标对象的跟踪区域，来从至少一个目标区域中确定出各目标区域与每个目标对象的对应关系，进而确定各目标区域是哪个目标对象在当前帧点云数据中的跟踪区域。可选的，本步骤可以是将目标对象在激光雷达采集的上一帧点云数据中的跟踪区域分别与至少一个目标区域进行匹配；将匹配成功的目标区域作为目标对象在当前帧点云数据中的跟踪区域。

具体的，在将目标对象在上一帧点云数据中的跟踪区域，与当前帧点云数据中的每一个目标区域进行匹配时，可以是将目标区域的尺寸、位置进行匹配，还可以是将目标区域中的点云数据的点云特征进行匹配等(具体的匹配方法将在后续实施例进行详细介绍)。针对每一个目标对象，若其在上一帧点云数据中的跟踪区域与当前帧点云数据中的一个目标区域匹配成功后，可以是将该匹配成功的目标区域作为该目标对象在当前帧点云数据中的跟踪区域。

示例性的，假设图2C中的左上方的方框为目标对象A在上一帧点云数据中的跟踪区域，本步骤将图2C中目标对象A的跟踪区域与图2B中的方框1和方框2所在的目标区域进行匹配，若目标对象A的跟踪区域与方框1所在的目标区域匹配成功，则将图2B的方框1所在的目标区域作为目标对象A在当前帧点云数据中的跟踪区域。

可选的，若目标对象首次出现在激光雷达采集的点云数据中，此时S201在当前帧点云数据中检测出的目标区域中包含有该目标对象，但是该激光雷达采集的上一帧点云数据中却不包含该目标对象，针对该情况，本发明实施例无法通过执行S202的操作来确定该目标对象在当前帧点云数据中的跟踪区域，此时可以是针对至少一个目标区域中除目标对象的跟踪区域之外的剩余目标区域，将每个剩余目标区域作为一个新的目标对象在当前帧点云数据中的跟踪区域，并初始化该新的目标对象在当前帧点云数据中的状态信息。

具体的，针对S201确定出的至少一个目标区域，先执行本步骤的操作，确定出已经进行跟踪的目标对象(即之前帧点云数据中已经存在的目标对象)在当前点云数据中的跟踪区域，然后针对目标区域中没有被选为跟踪区域的剩余目标区域，将每一个剩余目标区域都作为一个待跟踪的新的目标对象，并将该剩余目标区域作为该新的目标对象在当前帧点云数据中的跟踪区域，即该新的目标对象初始的跟踪区域。可以根据该初始的跟踪区域，在下一帧点云数据中确定该新的目标对象在下一帧点云数据中的跟踪区域。可选的，由于该新的目标对象在当前帧点云数据中首次出现，所以还需要为该新的目标对象初始化其在当前点云数据中的状态信息。具体的初始化过程将在后续实施例进行详细介绍。

S203，根据目标对象在当前帧点云数据中的跟踪区域和目标对象在上一帧点云数据中的状态信息，确定目标对象在当前帧点云数据中的状态信息。

其中，目标对象的状态信息可以包括但不限于：目标对象的属性信息、位置信息和运动信息。具体的，目标对象的属性信息可以是表征其身份的信息，例如，可以包括但不限于目标对象的标识和目标对象的类别等。目标对象的位置信息可以表征目标对象在各帧点云数据中的目标对象所在位置和尺寸(如长度、宽度及高度)等。目标对象的运动信息可以表征目标对象在各帧点云数据中对应的运动速度和运动方向等。可选的，目标对象在不同帧点云数据中对应的目标状态信息不一定相同。例如，若目标对象是动态的，则其状态信息中的位置信息和运动信息在不同帧点云数据中就可能不同。

可选的，本发明实施例在确定目标对象在当前帧点云数据中的状态信息时，为了提高确定目标对象在当前帧点云数据中的状态信息的准确性，可以是采用卡尔曼滤波器，根据确定出的目标对象在当前帧点云数据中的跟踪区域和卡尔曼滤波器输出的目标对象在上一帧点云数据中的状态信息，更新卡尔曼滤波器的增益、状态信息以及协方差，并将本次更新的状态信息作为预测出的目标对象在当前帧点云数据中的状态信息。

具体的，状态信息中的属性信息可以是当一个新的目标对象出现时，为该目标对象分配的标识ID，以及对目标对象所在区域的点云数据进行识别后，确定的目标对象的类别。例如可以是通过分类器来确定。目标对象的属性信息在首次确定后是固定不变的。后续卡尔曼滤波器更新状态信息时，目标对象的属性信息是不发生变化的，可根据目标对象在当前帧点云数据确定的跟踪区域，结合目标对象在上一帧点云数据中的位置信息和运动信息，基于卡尔曼滤波器对应的算法更新得到目标对象在当前帧点云数据中的位置信息和运动信息。

示例性的，本步骤中，卡尔曼滤波器可以根据目标对象A在当前点云数据中的跟踪区域(即图2B所示的点云数据中方框1)，结合目标对象A在上一帧点云数据(即图2C示出的点云数据)中的状态信息，即标识ID为2、距离雷达中心13.1m、速度为1.1m/s，预测出目标对象A在当前帧点云数据中的状态信息，即图2D示出的标识ID为2、距离雷达中心24.8m、速度为0.7m/s。卡尔曼滤波器可以根据目标对象B在当前点云数据中的跟踪区域(即图2B所示的点云数据中方框2)，结合目标对象B在上一帧点云数据(即图2C示出的点云数据)中的状态信息，即标识ID为3、距离雷达中心26.1m、速度为3.1m/s，预测出目标对象B在当前帧点云数据中的状态信息，即图2D示出的标识ID为3、距离雷达中心8.8m、速度为6.4m/s。

S204，将目标对象在当前帧点云数据中的状态信息转换到大地坐标系，并结合静态地图元素，构建当前帧动态电子地图。

其中，静态地图元素可以是常见的静态电子地图中包含的静态元素，例如，可以包括街道、建筑物、河流以及草地等。静态地图元素在电子地图中的位置是固定的。

可选的，由于电子地图通常是以大地坐标系为依据构建的，即电子地图中的位置是以经度、维度和高度的方式表征的，而本实施例S203确定出的目标对象的位置是以距离的方式表征的，所以本实施例可以是先将S203确定出的用距离表征的状态信息转换到大地坐标系下，即转换为用精度、维度和高度表征的状态信息。再根据转换到大地坐标系下的状态信息和静态地图元素，构建当前帧动态电子地图。执行过程可以包括：将目标对象在当前帧点云数据中的位置信息进行大地坐标系转换；将目标对象在当前帧点云数据中的属性信息和运动信息，以及转换到大地坐标系下的置信息，添加到静态地图元素中，得到当前帧动态电子地图。具体的，可以是将目标对象在当前帧点云数据中状态信息中的位置信息从其所在的表征距离的坐标系转换到由经度、维度和高度表征的大地坐标系下，状态信息中的属性信息和运动信息保持不变，然后在原有静态地图显示的地图元素的基础上，在状态信息中的位置信息对应的位置处，添加状态信息中的属性信息对应的图标(例如，若目标对象为行人，则可以是选择行人对应的图标)，从而实现在静态电子地图中表征出动态的目标对象所在位置，且在该图标附近标记出该目标对象的具体状态信息。需要说明的是，本发明实施例针对部署的所有激光雷达，将各激光雷达采集的当前帧点云数据构建的当前帧动态电子地图进行整合，就可以得到全局的当前帧动态电子地图。

可选的，在执行本发明实施例之前，可以先对部署好的各激光雷达进行激光雷达和导航定位系统的标定，即将部署在固定位置处的激光雷达的点云数据从雷达坐标系转换到地心坐标系；以及采用网络时间协议，对所述激光雷达进行时间标定。这样就将局部的激光雷达采集的点云数据统一到全局的地心坐标系下执行本发明实施例的S201-S203的操作。相应的，此时在执行S204时，可以是先将目标对象在当前帧点云数据中的状态信息(即状态信息中的位置信息)从地心坐标系转换到大地坐标系，然后再按照上述介绍的方式结合静态地图元素，构建当前帧动态电子地图。

本发明实施例提供的基于激光雷达的地图构建方法，针对激光雷达采集的每一帧点云数据进行目标检测，结合目标对象在上一帧点云数据中对应的跟踪区域在检测出的至少一个目标区域中确定目标对象在当前帧点云数据中对应的跟踪区域，再结合目标对象在上一帧点云数据中对应的状态信息，确定目标对象在当前点云数据中对应的状态信息，将该状态信息转换到地图对应的大地坐标系后，结合已有的静态地图元素，构建当前帧动态电子地图。本发明实施例的技术方案构建了一种新型的包含目标对象实时状态信息的动态电子地图，该动态电子地图可全面准确的提供实时路况，在车辆行驶过程中无需借助人工或传感器获取实时路况，降低了成本，且动态电子地图提供的实时路况情况不存在盲区，可更好的满足车辆安全行驶的需求。

实施例二

图3为本发明实施例二中的一种基于激光雷达的地图构建方法的流程图，本实施例以上述实施例为基础，进行了进一步的优化，具体给出了如何对激光雷达采集的当前帧点云数据进行目标检测，确定至少一个目标区域的具体情况介绍。如图3所示，该操作过程包括如下步骤：

S301，滤除激光雷达采集的当前帧点云数据中的干扰点云数据，确定待检测区域。

其中，干扰点云数据可以是点云数据中非障碍物对应的点云数据，例如，可以包括电子地图中已经存在的静态对象(如道路、建筑物、河流、草地等)对应点云数据和采集过程中的噪声点云数据等。

可选的，由于本发明实施例主要针对的目标对象都是道路中的障碍物，且由于激光雷达的位置是固定的，其采集点云场景也是固定的，所以可以是由工作人员针对每个激光雷达手动选择出对应的待检测区域，此时滤除干扰点云数据时，可以是直接将待检测区域以外的点云数据作为干扰点云数据进行滤除，得到待检测区域。还可以是无需人工操作，系统自动进行道路地面拟合，并将点云数据中X坐标值和Y坐标值不属于拟合结果范围内的点云数据作为干扰点云数据进行滤除，得到待检测区域。可选的，上述两种可实施方式虽然滤除了非道路区域对应的干扰点云数据，但是对于地面或地面附近的点云仍然会对目标检测造成干扰，所以本步骤还可以在上述两种可实施方式的基础上，拟合出地面区域，然后将地面区域或距离地面高度在预设范围(如5cm)内的点云数据一并作为干扰点云数据进行滤除，得到更为精准的待检测区域。

可选的，为了进一步提高确定的待检测区域的准确性，本实施例还可以是对点云数据进行裁剪、放大等处理后再进行检测，例如，可以是在滤除非道路区域的点云数据后，对非道路区域进行裁剪，只保留道路区域。此时道路区域可能比较小，为了进一步提高后续干扰点云数据滤除操作的精确性，可以是先对该道路区域进行放大处理后再进行地面拟合，精准滤除道路区域中的地面及地面附近的干扰点云，得到待检测区域。

S302，采用特征提取网络从待检测区域中提取点云特征。

其中，特征提取网络可以是深度学习模型中用于进行点云特征提取的网络，该网络可以是Faster-RCNN网络或YOLO网络等。

具体的，本步骤可以是将S301确定出的待检查区域输入到深度学习模型中，此时通过深度学习模型中的特征提取网络从输入的待检测区域中提取到各点云的点云特征。

S303，采用区域生成网络根据点云特征，确定至少一个候选区域。

其中，区域生成(Region Proposal Network，RPN)网络与特征提取网络类似同属于深度学习网络，可以是Faster-RCNN网络或YOLO网络等，与特征提取网络的用途不同，该区域生成网络可用于进行候选区域确定。候选区域可以是可能存在目标对象的区域。

具体的，本步骤可以是将S302特征提取网络输出的各点云的点云特征继续输入到深度学习模型中的区域生成网络，此时区域生成网络对输入的各点云的点云特征进行分析，确定出至少一个可能存在目标对象的候选区域。

S304，采用目标区域评估算法，从至少一个候选区域中确定至少一个目标区域。

其中，目标区域评估算法可以是用于从候选区域中确定最终的存在目标对象的目标区域的算法。

可选的，采用目标区域评估算法，从至少一个候选区域中确定目标区域的具体过程可以是：先基于深度学习模型(如可以是深度学习模型中的区域生成网络)中的自注意力层为每个候选区域计算一个置信度评分(即评估该候选区域内的对象为障碍物的概率)，从至少一个候选区域中粗筛选出置信度评分高于预设分数值或置信度评分排名靠前的预设个数的候选区域作为粗筛选目标区域，然后进一步采用非最大值抑制(Non-maximumsuppression，NMS)算法根据各粗筛选目标区域的置信度评分，从粗筛选目标区域中进一步细筛选出最终的目标区域。

可选的，本发明实施例可以是在采用包含特征提取网络和区域生成网络的深度学习模型确定出最终的目标区域后，基于本次的确定结果，通过回归器反向对深度学习模型的参数进行优化更新。具体的，可以是基于从检测区域中提取到的点云特征，对深度学习模型中的特征提取网络的参数进行优化更新；基于确定的候选区域对深度学习模型中的区域生成网络的参数进行优化更新；还可以是基于最终确定的目标区域，对深度学习模型中的自注意力层的参数进行优化更新等。

S305，根据至少一个目标区域和目标对象在激光雷达采集的上一帧点云数据中的跟踪区域，确定目标对象在当前帧点云数据中的跟踪区域。

S306，根据目标对象在当前帧点云数据中的跟踪区域和目标对象在上一帧点云数据中的状态信息，确定目标对象在当前帧点云数据中的状态信息。

S307，将目标对象在当前帧点云数据中的状态信息转换到大地坐标系，并结合静态地图元素，构建当前帧动态电子地图。

本发明实施例提供的基于激光雷达的地图构建方法，针对激光雷达采集的每一帧点云数据滤除干扰点云数据后，基于特征提取网络提取点云特征，基于区域生成网络根据点云特征确定候选区域，基于目标区域评估算法从候选区域中确定目标区域，采用深度学习模型实现对滤除干扰点云的点云数据进行目标区域的检测，提高了目标区域检测的准确性。为后续基于该目标区域，结合目标对象在上一帧点云数据中的跟踪区域和状态信息，以及基于该状态信息构建精准的当前帧动态电子地图提供了保证，可更好的满足车辆安全行驶的需求。

实施例三

图4为本发明实施例三中的一种基于激光雷达的地图构建方法的流程图，本实施例以上述实施例为基础，进行了进一步的优化，具体给出了一种基于激光雷达的地图构建方法的优选实例，可选的，如图4所示，本实施例的方法具包括如下步骤：

S401，将部署在固定位置处的激光雷达的点云数据从雷达坐标系转换到地心坐标系。

可选的，本发明实施例可以是针对部署在固定位置处的每一个激光雷达，依次将其点云数据从其雷达坐标系转换到统一的地心坐标系。例如，可以是将该激光雷达的点云数据从其雷达坐标系转换到作为地心大地坐标的2000国家大地坐标系(即CGCS2000坐标系)。以实现部署在各位置处的激光雷达在空间上的同步。

S402，采用网络时间协议，对激光雷达进行时间标定。

可选的，本发明实施例可以是采用网络时间协议(Network Time Protocol，NTP)统一对部署在各位置处的激光雷达进行授时，以实现部署在各位置处的激光雷达在时间上的同步。

需要说明的是，本发明实施例通过上述S401-S402的操作，即可完成对激光雷达的标定操作。

S403，对激光雷达采集的当前帧点云数据进行目标检测，确定至少一个目标区域。

S404，将目标对象在激光雷达采集的上一帧点云数据中的跟踪区域分别与该至少一个目标区域进行匹配；若匹配成功，执行S405；若都不匹配，则执行S406；若执行完所有目标区域的匹配操作，则执行S410。

可选的，在本发明实施例中，对目标对象在激光雷达采集的上一帧点云数据中的跟踪区域与当前帧点云数据中的每一个目标区域进行匹配时的方法有很多，对此本实施例不进行限定。

一种可实施方式可以是：基于距离匹配算法，将目标对象在激光雷达采集的上一帧点云数据中的跟踪区域分别与至少一个目标区域进行区域移动信息匹配。其中，该可实施方式采用的距离算法可以是欧式距离匹配算法，还可以是马氏距离匹配算法等，对此本实施例不进行限定。可选的，本实施方式可以优选考虑各种特性之间的关联关系的马氏距离匹配算法。具体的，可以是计算两区域(即目标对象在激光雷达采集的上一帧点云数据中的跟踪区域和某一目标区域)之间的区域移动信息之间的马氏距离，如区域位置间的马氏距离，和/或区域尺寸(即长度、宽度和高度)之间的马氏距离，计算出来的马氏距离值越小说明两区域的匹配度越高。需要说明的是，若采用欧式距离进行两区域匹配时，具体的匹配方式与马氏距离类似，不进行赘述。本可实施方式基于距离匹配算法进行跟踪区域和目标区域匹配的好处是对于短时间间隔的区域匹配可以达到较高的效果。

另一种可实施方式可以是：基于特征描述子匹配算法，将目标对象在激光雷达采集的上一帧点云数据中的跟踪区域分别与至少一个目标区域进行区域点云特征信息匹配。具体的，可以是分别从两个区域(即目标对象在激光雷达采集的上一帧点云数据中的跟踪区域和某一目标区域)内的点云数据中提取点云特征作为各区域的点云特征描述子，然后将两个区域提取的点云特征描述子进行相似度计算，计算出来的点云特征描述子的相似度越高，则说明两区域的匹配度越高。本可实施方式基于特征描述子匹配算法进行跟踪区域和目标区域匹配的好处是对于在目标对象部分区域被遮挡的情况下，可以达到较高的效果。

可选的，本步骤还可以同时采用上述两种可实施方式介绍的方法，进一步提高匹配的准确性。

S405，将匹配成功的目标区域作为目标对象在当前帧点云数据中的跟踪区域。

可选的，由于目标对象的个数可能有多个，所以可以是针对每一个目标对象，将其通过S404匹配的目标区域作为该目标对象在当前帧点云数据中的跟踪区域。

S406，根据目标对象在当前帧点云数据中的跟踪区域和目标对象在上一帧点云数据中的状态信息，确定目标对象在当前帧点云数据中的状态信息。

S407，判断连续未确定出跟踪区域的点云数据帧的个数是否小于预设阈值，若是，则执行S408，若否，则执行S409。

可选的，若某一目标对象通过S404的匹配操作后，在当前帧点云数据中没有匹配到对应的目标区域，此时需要进一步判断该目标对象连续未确定出跟踪区域的点云数据帧的个数是否小于预设阈值(如5次)，若是，则说明当前帧没有确定出目标对象的跟踪区域可能是因为丢帧或目标对象被遮挡导致的，可以通过执行S408来预测目标对象在当前帧点云数据中的状态信息。否则，说明目标对象已经离开该激光雷达的检测范围，此时执行S409，停止对该目标对象的跟踪区域的确定，并忽略该目标对象，针对该激光雷达采集的下一帧数据不再对其进行跟踪。

S408，若目标对象在当前帧点云数据中未确定出跟踪区域，且连续未确定出跟踪区域的点云数据帧的个数小于预设阈值，则根据目标对象在上一帧点云数据中的状态信息，预测目标对象在当前帧点云数据中的状态信息。

可选的，本步骤中，由于当前帧点云数据中没有确定出目标对象的跟踪区域，所以此时可以是通过卡尔曼滤波器，结合该目标对象在上一帧点云数据中的状态信息，来预估其在当前帧点云数据中的状态信息。

S409，若目标对象在当前帧点云数据中未确定出跟踪区域，且连续未确定出跟踪区域的点云数据帧的个数等于预设阈值，则停止对该目标对象的跟踪区域的确定，并忽略该目标对象。

S410，判断至少一个目标区域中除目标对象的跟踪区域之外，是否还存在剩余目标区域，若是，则执行S411，若否，则执行S412。

可选的，本步骤可以是S404针对当前帧点云数据执行完所有的目标区域的匹配操作后，进一步判断是否存在没有被任何一个目标对象的上一帧点云数据的跟踪区域匹配的目标区域，若存在，则将其作为剩余目标区域，该剩余目标区域对应的对象可能是首次在激光雷达采集的点云数据中出现，此时执行S411操作针对首次出现的该对象进行相关的初始化操作。否则，说明目标区域对应的各目标对象已经完成当前帧点云数据的跟踪操作，可执行后续S412的操作。

S411，针对至少一个目标区域中除目标对象的跟踪区域之外的剩余目标区域，将每个剩余目标区域作为一个新的目标对象在当前帧点云数据中的跟踪区域，并初始化该新的目标对象在当前帧点云数据中的状态信息。

可选的，对于S404的区域匹配后目标区域中未匹配的每一个剩余目标区域，将其作为一个新的目标对象在当前点云数据中的跟踪区域，并为该新的目标对象初始化状态信息。具体的，在为该新的目标对象初始化状态信息时，可以是从属性信息、位置信息和运动信息三个维度进行初始化。其中，在进行属性信息初始化时，可以是按照一定的规则为该新的目标对象分配一个标识ID，然后根据该剩余目标区域内的点云数据分析确定该新的目标对象的类型。在进行位置信息初始化时，可以是将该剩余目标区域在当前帧点云数据中的中心点位置、该剩余目标区域尺寸作为该目标对象在当前帧点云数据中的位置信息。在进行运动信息初始化时，可以是将运动速度设置为默认速度(如0m/s)，运动方向设置为默认方向。可选的，在初始化运动信息中的速度时还可以是将该新的目标对象所属类型的对象的平均速度作为初始化后的速度。

S412，将目标对象在当前帧点云数据中的位置信息进行大地坐标系转换。

可选的，本步骤可以是将目标对象在当前帧点云数据中的位置信息从地心坐标系转换到大地坐标系。

S413，将目标对象在当前帧点云数据中的属性信息和运动信息，以及转换到大地坐标系下的置信息，添加到静态地图元素中，得到当前帧动态电子地图。

可选的，本发明实施例可以是将得到的每一帧动态电子地图，都提供电子地图的需求方，例如可以是自动驾驶车辆的车载设备端，以实现为自动驾驶车辆提供实时准确的路况信息，使得自动驾驶车辆的决策单元结合当前帧动态电子地图做出最优驾驶决策，保障驾驶的安全性。

本发明实施例给出了一种基于激光雷达的地图构建方法的优选实例，先对部署好的各激光雷达进行坐标系转换和时间的统一标定，从而实现所有的激光雷达在时间和空间上的同步，保证构建的电子地图的同步性。针对激光雷达采集的每一帧点云数据对目标对象进行检测和跟踪，无论是已有的目标对象，新增的目标对象，还是被这遮挡暂时丢失的目标对象，都可为其确定在当前点云数据中对应的状态信息，构建包含各目标对象的实时状态信息的当前帧动态电子地图。实现了针对各种情况都可以构建出可全面准确的提供实时路况的动态电子地图，基于该动态电子地图更好的满足车辆安全行驶的需求。

实施例四

图5为本发明实施例四提供的一种基于激光雷达的地图构建装置的结构示意图。该装置可执行本发明任意实施例所提供的基于激光雷达的地图构建方法，具备执行方法相应的功能模块和有益效果。如图5所示，该装置具体包括：

目标检测模块501，用于对激光雷达采集的当前帧点云数据进行目标检测，确定至少一个目标区域；

目标跟踪模块502，用于根据所述至少一个目标区域和目标对象在所述激光雷达采集的上一帧点云数据中的跟踪区域，确定所述目标对象在所述当前帧点云数据中的跟踪区域；

状态更新模块503，用于根据所述目标对象在所述当前帧点云数据中的跟踪区域和所述目标对象在所述上一帧点云数据中的状态信息，确定所述目标对象在所述当前帧点云数据中的状态信息；

地图构建模块504，用于将所述目标对象在所述当前帧点云数据中的状态信息转换到大地坐标系，并结合静态地图元素，构建当前帧动态电子地图。

本发明实施例提供的基于激光雷达的地图构建装置，针对激光雷达采集的每一帧点云数据进行目标检测，结合目标对象在上一帧点云数据中对应的跟踪区域在检测出的至少一个目标区域中确定目标对象在当前帧点云数据中对应的跟踪区域，再结合目标对象在上一帧点云数据中对应的状态信息，确定目标对象在当前点云数据中对应的状态信息，将该状态信息转换到地图对应的大地坐标系后，结合已有的静态地图元素，构建当前帧动态电子地图。本发明实施例的技术方案构建了一种新型的包含目标对象实时状态信息的动态电子地图，该动态电子地图可全面准确的提供实时路况，在车辆行驶过程中无需借助人工或传感器获取实时路况，降低了成本，且动态电子地图提供的实时路况情况不存在盲区，可更好的满足车辆安全行驶的需求。

进一步的，上述目标检测模块501具体用于：

滤除激光雷达采集的当前帧点云数据中的干扰点云数据，确定待检测区域；

采用特征提取网络从所述待检测区域中提取点云特征；

采用区域生成网络根据所述点云特征，确定至少一个候选区域；

采用目标区域评估算法，从所述至少一个候选区域中确定至少一个目标区域。

进一步的，上述目标跟踪模块502具体包括：

区域匹配单元，用于将目标对象在所述激光雷达采集的上一帧点云数据中的跟踪区域分别与所述至少一个目标区域进行匹配；

跟踪区确定单元，用于将匹配成功的目标区域作为所述目标对象在所述当前帧点云数据中的跟踪区域。

进一步的，上述区域匹配单元具体用于：

基于距离匹配算法，将目标对象在所述激光雷达采集的上一帧点云数据中的跟踪区域分别与所述至少一个目标区域进行区域移动信息匹配；和/或，

基于特征描述子匹配算法，将目标对象在所述激光雷达采集的上一帧点云数据中的跟踪区域分别与所述至少一个目标区域进行区域点云特征信息匹配。

进一步的，上述状态更新模块503还用于：

若所述目标对象在所述当前帧点云数据中未确定出跟踪区域，且连续未确定出跟踪区域的点云数据帧的个数小于预设阈值，则根据所述目标对象在所述上一帧点云数据中的状态信息，预测所述目标对象在所述当前帧点云数据中的状态信息。

进一步的，上述装置还包括：

状态初始化模块，用于针对所述至少一个目标区域中除目标对象的跟踪区域之外的剩余目标区域，将每个剩余目标区域作为一个新的目标对象在当前帧点云数据中的跟踪区域，并初始化所述新的目标对象在当前帧点云数据中的状态信息。

进一步的，上述装置还包括雷达标定模块，该雷达标定模块用于：

将部署在固定位置处的激光雷达的点云数据从雷达坐标系转换到地心坐标系；

采用网络时间协议，对所述激光雷达进行时间标定。

进一步的，所述状态信息包括：属性信息、位置信息和运动信息；

相应的，所述地图构建模块504具体用于：

将所述目标对象在所述当前帧点云数据中的位置信息进行大地坐标系转换；

将所述目标对象在所述当前帧点云数据中的属性信息和运动信息，以及转换到大地坐标系下的置信息，添加到静态地图元素中，得到当前帧动态电子地图。

实施例五

图6A为本发明实施例五提供的一种测绘系统的结构示意图，图6B为本发明实施例五提供的一种测绘系统的处理设备的结构示意图。图6A所示的测绘系统6包括至少一个激光雷达61和处理设备60。且处理设备60与各个激光雷达61连接。图6B示出了适于用来实现本发明实施方式的示例性处理设备60的框图。图6B显示的处理设备60仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。如图6B所示，该处理设备60以通用计算设备的形式表现。该处理设备60的组件可以包括但不限于：一个或者多个处理器601，系统存储器602，连接不同系统组件(包括系统存储器602和处理器601)的总线603。

总线603表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

处理设备60典型地包括多种计算机系统可读介质。这些介质可以是任何能够被处理设备60访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器602可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)604和/或高速缓存存储器605。处理设备60可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统606可以用于读写不可移动的、非易失性磁介质(图6B未显示，通常称为“硬盘驱动器”)。尽管图6B中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线603相连。系统存储器602可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块607的程序/实用工具608，可以存储在例如系统存储器602中，这样的程序模块607包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块607通常执行本发明所描述的实施例中的功能和/或方法。

处理设备60也可以与一个或多个外部设备609(例如键盘、指向设备、显示器610等)通信，还可与一个或者多个使得用户能与该设备交互的设备通信，和/或与使得该处理设备60能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口611进行。并且，处理设备60还可以通过网络适配器612与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图6B所示，网络适配器612通过总线603与处理设备60的其它模块通信。应当明白，尽管图中未示出，可以结合处理设备60使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

处理器601通过运行存储在系统存储器602中的程序，从而执行各种功能应用以及数据处理，例如针对每个激光雷达实现本发明实施例所提供的基于激光雷达的地图构建方法。

实施例六

本发明实施例六还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时可实现上述实施例所述的基于激光雷达的地图构建方法。

本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于：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。计算机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、便携式计算机磁盘、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、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、Smalltalk、C++，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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

上述实施例序号仅仅为了描述，不代表实施例的优劣。

本领域普通技术人员应该明白，上述的本发明实施例的各模块或各操作可以用通用的计算装置来实现，它们可以集中在单个计算装置上，或者分布在多个计算装置所组成的网络上，可选地，他们可以用计算机装置可执行的程序代码来实现，从而可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或操作制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件的结合。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间的相同或相似的部分互相参见即可。

以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域技术人员而言，本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于激光雷达的地图构建方法，其特征在于，包括：

对激光雷达采集的当前帧点云数据进行目标检测，确定至少一个目标区域；

根据所述至少一个目标区域和目标对象在所述激光雷达采集的上一帧点云数据中的跟踪区域，确定所述目标对象在所述当前帧点云数据中的跟踪区域；

根据所述至少一个目标区域和目标对象在所述激光雷达采集的上一帧点云数据中的跟踪区域，确定所述目标对象在所述当前帧点云数据中的跟踪区域，包括：

将目标对象在所述激光雷达采集的上一帧点云数据中的跟踪区域分别与所述至少一个目标区域进行匹配；

将匹配成功的目标区域作为所述目标对象在所述当前帧点云数据中的跟踪区域；

根据所述目标对象在所述当前帧点云数据中的跟踪区域和所述目标对象在所述上一帧点云数据中的状态信息，确定所述目标对象在所述当前帧点云数据中的状态信息；将所述目标对象在所述当前帧点云数据中的状态信息转换到大地坐标系，并结合静态地图元素，构建当前帧动态电子地图。

2.根据权利要求1所述的方法，其特征在于，对激光雷达采集的当前帧点云数据进行目标检测，确定至少一个目标区域，包括：

滤除激光雷达采集的当前帧点云数据中的干扰点云数据，确定待检测区域；

采用特征提取网络从所述待检测区域中提取点云特征；

采用区域生成网络根据所述点云特征，确定至少一个候选区域；

采用目标区域评估算法，从所述至少一个候选区域中确定至少一个目标区域。

3.根据权利要求1所述的方法，其特征在于，将目标对象在所述激光雷达采集的上一帧点云数据中的跟踪区域分别与所述至少一个目标区域进行匹配，包括：

基于距离匹配算法，将目标对象在所述激光雷达采集的上一帧点云数据中的跟踪区域分别与所述至少一个目标区域进行区域移动信息匹配；和/或，

基于特征描述子匹配算法，将目标对象在所述激光雷达采集的上一帧点云数据中的跟踪区域分别与所述至少一个目标区域进行区域点云特征信息匹配。

4.根据权利要求1所述的方法，其特征在于，在根据所述至少一个目标区域和目标对象在所述激光雷达采集的上一帧点云数据中的跟踪区域，确定所述目标对象在所述当前帧点云数据中的跟踪区域之后，还包括：

若所述目标对象在所述当前帧点云数据中未确定出跟踪区域，且连续未确定出跟踪区域的点云数据帧的个数小于预设阈值，则根据所述目标对象在所述上一帧点云数据中的状态信息，预测所述目标对象在所述当前帧点云数据中的状态信息。

5.根据权利要求1所述的方法，其特征在于，对激光雷达采集的当前帧点云数据进行目标检测，确定至少一个目标区域之后，还包括：

针对所述至少一个目标区域中除目标对象的跟踪区域之外的剩余目标区域，将每个剩余目标区域作为一个新的目标对象在当前帧点云数据中的跟踪区域，并初始化所述新的目标对象在当前帧点云数据中的状态信息。

6.根据权利要求1所述的方法，其特征在于，在对激光雷达采集的当前帧点云数据进行目标检测之前，还包括：

将部署在固定位置处的激光雷达的点云数据从雷达坐标系转换到地心坐标系；

采用网络时间协议，对所述激光雷达进行时间标定。

7.根据权利要求1所述的方法，其特征在于，所述状态信息包括：属性信息、位置信息和运动信息；

相应的，将所述目标对象在所述当前帧点云数据中的状态信息转换到大地坐标系，并结合静态地图元素，构建当前帧动态电子地图，包括：

将所述目标对象在所述当前帧点云数据中的位置信息进行大地坐标系转换；

将所述目标对象在所述当前帧点云数据中的属性信息和运动信息，以及转换到大地坐标系下的置信息，添加到静态地图元素中，得到当前帧动态电子地图。

8.一种测绘系统，其特征在于，包括至少一个激光雷达和处理设备；所述处理设备与所述至少一个激光雷达连接，所述处理设备包括：

一个或多个处理器；

存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器针对每个激光雷达都实现如权利要求1-7中任一所述的基于激光雷达的地图构建方法。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的基于激光雷达的地图构建方法。

Images