CN111651547B - 高精度地图数据的获取方法、装置及可读存储介质 - Google Patents
高精度地图数据的获取方法、装置及可读存储介质 Download PDFInfo
- Publication number
- CN111651547B CN111651547B CN202010499714.7A CN202010499714A CN111651547B CN 111651547 B CN111651547 B CN 111651547B CN 202010499714 A CN202010499714 A CN 202010499714A CN 111651547 B CN111651547 B CN 111651547B
- Authority
- CN
- China
- Prior art keywords
- map data
- target object
- geographic position
- data
- probability density
- 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
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
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
Abstract
本申请实施例提供一种高精度地图数据的获取方法、装置及可读存储介质,其中,该方法通过获取第一地图数据以及第二地图数据,之后,获取目标物在第一地图数据以及第二地图数据中的特征,利用目标物分别在第一地图数据、第二地图数据中的特征,对第一地图数据进行校正。本申请实施例提供的方法可以自动执行,提高了高精度地图数据的处理效率;且第二地图数据的精度通常不受环境因素影响,从而保证了校正后的第一地图数据的精确度;另外,本申请中所选取的目标物为目标区域中已存在的物体,从而无需布设特征标靶,也无需人工在地图数据中查找特征标靶的相关数据,进一步提高了高精度地图的处理效率,且大大减小了人力、物力成本。
Description
技术领域
本申请涉及地理信息技术领域,尤其涉及一种高精度地图数据的获取方法、装置及可读存储介质。
背景技术
随着车载激光雷达技术的逐步推广,其已成为快速获取现实地理三维信息的重要手段,在高精地图制作、城市三维建模、城市环境监测、城市道路资产管理、公路维护运营等方面得到了广泛应用。车载激光雷达系统采集的地图数据的精确度对地理三维信息来说至关重要,因此,校正车载激光雷达系统采集的地图数据具有十分重要的意义。
现有技术中,校正车载激光雷达系统采集的地图数据是通过地面控制点的方式实现的。具体地,首先,在目标区域的道路地面或道路两旁布设特征标靶;接着,利用全站仪或者全球定位系统(global positioning system,GPS)等设备采集特征标靶的地理位置信息;接着,根据车载激光雷达系统采集的地图数据中特征标靶的地理位置信息与全站仪或者GPS等设备采集特征标靶的地理位置信息之间的差值获得修正量,对行车轨迹进行修正,之后,利用修正后的行车轨迹重新生成地图数据。上述处理地图数据的效率较低。
发明内容
本申请提供一种高精度地图数据的获取方法、装置及可读存储介质,以提高高精度地图数据的处理效率。
第一方面,本申请提供一种高精度地图数据的获取方法,该方法包括:
获取目标区域的第一地图数据以及第二地图数据,其中,所述第一地图数据为待校正的地图数据,所述第二地图数据为用于校正第一地图数据的参考数据;
根据所述第一地图数据和所述第二地图数据,获取目标物分别在所述第一地图数据、所述第二地图数据中的地理位置信息、以及所述第二地图数据中所述目标物所属网格对应的概率密度分布;
根据所述目标物分别在所述第一地图数据以及所述第二地图数据中的地理位置信息,以及所述第二地图数据中所述目标物所属网格对应的概率密度分布,对所述第一地图数据进行校正,获取校正后的第一地图数据。
在一些可能的设计中,所述第一地图数据为通过车辆上的车载激光雷达系统获得的车载点云数据,所述第二地图数据为所述目标区域的机载点云数据或所述目标区域的航空正射影像数据。
在一些可能的设计中,所述根据所述第一地图数据和所述第二地图数据,获取目标物分别在所述第一地图数据、所述第二地图数据中的地理位置信息、以及所述第二地图数据中所述目标物所属网格对应的概率密度分布,包括:
对所述第一地图数据以及所述第二地图数据分别进行非目标物地图数据的滤除处理,获取处理后的第一地图数据和处理后的第二地图数据;
根据所述处理后的第一地图数据获取所述目标物在第一地图数据中的地理位置信息;
根据所述处理后的第二地图数据获取所述目标物在第二地图数据中的地理位置信息以及所述第二地图数据中所述目标物所属网格对应的概率密度分布。
在一些可能的设计中,所述根据所述目标物分别在所述第一地图数据以及所述第二地图数据中的地理位置信息,以及所述第二地图数据中所述目标物所属网格对应的概率密度分布,对所述第一地图数据进行校正,获取校正后的第一地图数据,包括:
根据所述目标物分别在所述第一地图数据以及所述第二地图数据中的地理位置信息,确定所述目标物的地理位置偏移量;
根据所述第二地图数据中所述目标物所属网格对应的概率密度分布,对所述地理位置偏移量进行校正处理,获得校正后的地理位置偏移量;
根据所述校正后的地理位置偏移量,对所述第一地图数据进行校正,获取校正后的第一地图数据。
在一些可能的设计中,所述根据所述第二地图数据中所述目标物所属网格对应的概率密度分布,对所述地理位置偏移量进行校正处理,获得校正后的地理位置偏移量,包括:
根据所述第二地图数据中所述目标物所属网格对应的概率密度分布和所述地理位置偏移量,进行最大似然估计或最小似然估计,获得估计结果;
根据所述估计结果,获取所述校正后的地理位置偏移量。
在一些可能的设计中,所述根据所述处理后的第二地图数据中获取所述目标物在第二地图数据中的地理位置信息以及所述第二地图数据中所述目标物所属网格对应的概率密度分布,包括:
对所述处理后的第二地图数据进行网格化处理,获取所述处理后的第二地图数据对应的多个网格;
根据正态变换算法,获取每个所述网格对应的概率密度分布;
根据所述目标物的地理位置信息以及每个所述网格对应的概率密度分布,确定所述目标物所属网格对应的概率密度分布。
在一些可能的设计中,目标物包括斑马线、道路线、井盖、建筑物、交通标识牌中任一种或组合。
第二方面,本申请实施例提供一种高精度地图数据的获取装置,该装置包括:
第一获取模块,用于获取目标区域的第一地图数据以及第二地图数据,其中,所述第一地图数据为待校正的地图数据,所述第二地图数据为用于校正第一地图数据的参考数据;
第二获取模块,用于根据所述第一地图数据和所述第二地图数据,获取目标物分别在所述第一地图数据、所述第二地图数据中的地理位置信息、以及所述目标物在所述第二地图数据中的概率密度分布;
处理模块,用于根据所述目标物分别在所述第一地图数据以及所述第二地图数据中的地理位置信息,以及所述目标物在所述第二地图数据中的概率密度分布,对所述第一地图数据进行校正,获取校正后的第一地图数据。
第三方面,本申请实施例提供一种高精度地图数据的获取装置,该装置包括:存储器、处理器以及计算机程序指令;
所述存储器存储所述计算机程序指令;
所述处理器执行所述计算机程序指令,以执行第一方面任一项所述的高精度地图数据的获取方法。
第四方面,本申请实施例还提供一种可读存储介质,包括:程序;
所述程序被处理器执行时,以执行第一方面任一项所述的高精度地图数据的获取方法。
第五方面,本申请实施例还提供一种程序产品,所述程序产品包括计算机程序,所述计算机程序存储在可读存储介质中,所述高精度地图数据的获取装置的至少一个处理器可以从所述可读存储介质中读取所述计算机程序,所述至少一个处理器执行所述计算机程序使得所述高精度地图数据的获取装置执行如第一方面任一项所述的高精度地图数据的获取方法。
本申请提供一种高精度地图数据的获取方法、装置及可读存储介质,其中,该方法通过获取第一地图数据以及第二地图数据,之后,获取目标物在第一地图数据以及第二地图数据中的特征,利用目标物分别在第一地图数据、第二地图数据中的特征,对第一地图数据进行校正。本申请提供的方法可以自动执行,提高了高精度地图数据的处理效率;且第二地图数据的精度通常不受环境因素影响,从而保证了校正后的第一地图数据的精确度;另外,本申请中所选取的目标物可以为目标区域中已存在的物体,从而无需布设特征标靶,也无需人工在地图数据中查找特征标靶的相关数据,进一步提高了高精度地图的处理效率,且大大减小了人力、物力成本。
附图说明
为了更清楚地说明本申请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做一简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请提供的高精度地图数据的获取方法实施例一的流程图;
图2为本申请提供的高精度地图数据的获取方法实施例二的流程图;
图3为本申请提供的高精度地图数据的获取方法实施例三的流程图;
图4为本申请提供的高精度地图数据的获取方法实施例四的流程图;
图5为采用本申请提供的高精度地图数据的获取方法,利用航空正射影像数据校正车载点云数据的处理流程图;
图6为对航空正射影像数据进行处理的效果示意图;
图7为根据航空正射影像数据校正车载点云数据的效果示意图;
图8为本申请提供的高精度地图数据的获取装置实施例一的结构示意图;
图9为本申请提供的高精度地图数据的获取装置实施例二的结构示意图;
图10为本申请提供的高精度地图数据的获取装置实施例三的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
现有技术中,校正车载激光雷达系统采集的地图数据是通过地面控制点的方式实现的,即在目标区域的道路地面或者道路两旁布设特征标靶,并利用特征标靶的地理位置信息对行车轨迹进行修正,并利用修正的行车轨迹重新生成地图数据。由于车载激光雷达系统采集的地图数据的误差是随着定位信号失锁时间增加而增大的,在定位信号较差的区域,地面控制点的数量,即特征标靶的数量,直接影响校正后的地图数据的精度。然而,布设特征标靶需要耗费大量的人力、物力成本;另外,在获得修正量时需要由人工在车载激光雷达系统采集的地图数据中查找每一个特征标靶;因此,现有技术中地图数据的处理效率较低,且成本较高。
针对现有技术中存在的上述问题,因此,本申请实施例提供一种高精度地图数据的获取方法,参照图1所示,本申请实施例提供的高精度地图数据的获取方法通过获取第一地图数据和第二地图数据,之后,对第一地图数据和第二地图数据进行分析,获取目标物分别在第一地图数据以及第二地图数据中的特征;并利用目标物在第二地图数据中的特征,对第一地图数据进行校正,从而获取高精度的地图数据。本申请提供的高精度地图数据的获取方法可以由本申请提供的高精度地图数据的获取装置自动执行,提高了地图数据的处理效率;且第二地图数据的精度通常为不受环境因素影响,从而保证了校正后的第一地图数据的精确度;另外,本申请中所选取的目标物可以为目标区域中已存在的物体,从而无需布设特征标靶,也无需人工在地图数据中查找特征标靶的相关数据,进一步提高了高精度地图数据的处理效率,且大大减小了人力、物力成本。
下面通过几个具体的实施例,对本申请提供的高精度地图数据的获取方法进行详细介绍。
图2为本申请提供的高精度地图数据的获取方法实施例二的流程图。图3为本申请提供的高精度地图数据的获取方法实施例三的流程图。本实施例提供的高精度地图数据的获取方法的执行主体可以为本申请实施例提供的高精度地图数据的获取装置,该装置可以通过任意的软件和/或硬件的方式实现。例如,该装置可以为计算机等电子设备。
如图2所示,本实施例的方法可以包括:
S201、获取目标区域的第一地图数据以及第二地图数据。
其中,第一地图数据为待校正的地图数据,第二地图数据为用于校正第一地图数据的参考数据,利用第二地图数据对第一地图数据进行校正,从而获取高精度的地图数据。
可选地,第一地图数据可以为通过车辆上的车载激光雷达系统获得的车载点云数据。其中,车载激光雷达系统可以搭载在车辆上,车辆在目标区域行驶的过程中,通过车载激光雷达系统中的多个车载激光探头采集目标区域内目标物的三维点云数据,从而形成目标区域的车载点云数据。其中,车载点云数据中,每个点云数据携带的目标物的地理位置信息可通过目标物与车辆位置之间的相对位置来表示,车辆位置可根据车辆的行车轨迹确定。在一些情况下,车载点云数据也可以称为第一点云数据、车载激光点云数据等其他名称,本申请实施例对此不作限制。
在实际应用中,车载激光雷达系统还可以集成高精度惯性导航系统,以保证在短时间内、相对范围内的点云精度不都会产生较大的误差和变形。
第二地图数据可以为目标区域的机载点云数据或目标区域的航空正射影像数据,其中,目标区域的机载点云数据是通过搭载在能够进行航空拍摄的飞行设备上的激光雷达系统获得的;目标区域的航空正射影像数据是通过对由空中进行采集的连续多帧的航空图进行摄影测量的处理得到的数据。
由于机载点云数据和航空正射影像数据受目标区域的环境因素的影响较小,因此,机载点云数据和航空正射影像数据的精确度得到了保证,进而通过精确度较高的机载点云数据和/或航空正射影像数据对车载激光雷达系统获取的车载点云数据进行校正,保证了校正后的车载点云数据的精确度。
在一些情况下,机载点云数据也可以称为第二点云数据、机载激光点云数据等其他名称;航空正射影像数据也可以称为正射影像数据、航空影像数据等其他名称,本申请实施例对此不作限制。
S202、根据第一地图数据和第二地图数据,获取目标物分别在第一地图数据、第二地图数据中的地理位置信息、以及第二地图数据中所述目标物所属网格对应的概率密度分布。
在本方案中,目标物可以为斑马线、道路线、井盖、建筑物、交通标识牌中的任意一种或组合。本申请中,目标物可以为目标区域中存在的物体,可直接利用已存在的目标物的特征对第一地图数据进行校正,从而无需另外布设特征标靶,且无需如现有技术中的方式由人工查找特征标靶的相关数据,进一步提高了地图数据的处理效率,且大大减小了人力、物力成本。
一种可能的实现方式,S202可包括以下步骤:
S2021、对第一地图数据和第二地图数据分别进行非目标物地图数据的滤除处理,获取处理后的第一地图数据和处理后的第二地图数据。
本步骤中,对第一地图数据以及第二地图数据进行非目标物地图数据的滤除处理的目的在于减小非目标物对校正第一地图数据的干扰。
一种可能的实现方式,可利用分类后的机载点云数据和/或数字线划地图(digital line graphic,DLG)等参考数据,分别对第一地图数据以及第二地图数据进行非目标物地图数据的滤除处理,或者,也可根据不同时刻的第一地图数据进行非目标物地图数据的滤除处理,获取处理后的第一地图数据,根据不同时刻的第二地图数据进行非目标物地图数据的滤除处理,从而获得处理后的第二地图数据。
需要说明的是,分类后的机载点云数据是指每个点云数据携带用于指示该点云数据对应的事物属性信息的标识,例如,预先根据事物的属性进行分类,且每个类型的事物对应一个标识,分类后的机载点云数据中每个点云数据携带一个标识,以表示该点云数据对应的事物属性信息。举例来说,以城市街道来说,可以包括:建筑物、交通标识牌、交通灯、斑马线等等,建筑物对应的标识为1,交通标识牌对应的标识为2,交通灯对应的标识为3,斑马线对应的标识为4,则在分类后的机载点云数据中,建筑物对应的点云数据均携带标识1,交通标识牌对应的点云数据均携带标识2,交通灯对应的点云数据均携带标识3,斑马线对应的点云数据均携带标识4。在本方案中,可利用分类后的机载点云数据中的点云数据携带的用于反映事物属性的标识,对第一地图数据和第二地图数据进行非目标物地图数据的滤除处理。
示例性地,若目标物包括斑马线、道路线以及交通标线,则可根据上述一种或多种参考数据滤除第一地图数据以及第二地图数据中除上述斑马线、道路线以及交通标线以外的其他非目标物地图数据,例如,非目标物可以包括建筑物、树木、路面上各种类型的车辆等。
其中,第二地图数据为航空正射影像数据时,不同时刻的航空正射影像数据之间可能会存在重叠的部分,若非目标物为路面上各种类型的车辆,则可通过对比不同时刻的航空正射影像数据中每个像素点的红绿蓝(RGB)三通道值的总和,然后,选择亮度较低的颜色对应的航空正射影像数据,从而滤除第二地图数据中车辆的地图数据。
具体地,航空正射影像数据通常为真彩色的数据,真彩色的数据是由全色数据和R、G、B三个多光谱通道的图像合成得到的。因为车辆在R、G、B多光谱图像中的灰度数值高于地面在R、G、B多光谱图像中的灰度数值,因此,针对两幅或者多幅有重叠区域的正射影像图,可以通过保留相同位置处R、G、B多光谱数据三个通道灰度值的和较小的正射影像图,从而可以滤除车辆,而得到滤除了车辆的地航空正射影像数据。
S2022、根据处理后的第一地图数据获取所述目标物在第一地图数据中的地理位置信息。
S2023、根据处理后的第二地图数据获取所述目标物在第二地图数据中的地理位置信息以及所述第二地图数据中所述目标物所属网格对应的概率密度分布。
这里以第一地图数据为车载点云数据为例,第二地图数据为航空正射影像数据为例进行说明。其中,目标物在处理后的第一地图数据中的地理位置信息可以根据车辆在行驶过程中,采集车载点云数据时的行车轨迹以及点云与行车轨迹之间的相对位置获得。
目标物在航空正射影像数据中的地理位置信息可以通过相关图像处理技术获得。当然,从处理后的第一地图数据以及处理后的第二地图数据中分别提取目标物的地理位置信息的方式也可以采用现有技术中的其他实现方式,此处不在赘述。
获取第二地图数据中该目标物所属网格对应的概率密度分布可以包括以下步骤:
步骤一:对处理后的第二地图数据进行网格化处理,将处理后的第二地图数据划分为多个网格;在实际应用中,网格的大小可以是预定义的,也可是用户输入的,本申请实施例对此不作限制。
步骤二:根据正态变换(normal distributions transform,NDT)算法,获取每个网格对应的概率密度分布;
具体地,在每个网格内选取一个或多个物体,每个物体对应一个或多个特征点,例如,某个网格内有N个特征点分别为{p1,p2…,pn,…pN|pn=(xn,yn)},且上述N个特征点满足正态分布N(μ,Σ),其中,μ表示N个特征点的数学期望,Σ表示N个特征点的标准差。
其中,数学期望μ的最大似然估计满足如下公式(1):
标准差Σ的最大似然估计满足如下公式(2):
每个网格对应的概率密度分布满足公式(3):
在上述公式(3)中,i、j为网格对应的标号。
通过上述公式(1)、公式(2)以及公式(3)获得每个网格对应的概率密度分布。
步骤三:根据该目标物的地理位置信息,确定该目标物所属网格对应的概率密度分布。
具体地,根据目标物在第二地图数据中的地理位置信息,首先确定在第二地图数据中该目标物所属的网格,进而根据步骤二中获取的所有网格对应的概率密度分布查找该目标物所属网格对应的概率密度分布。
S203、根据目标物分别在第一地图数据、第二地图数据中的地理位置信息、以及第二地图数据中该目标物所属网格对应的概率密度分布,对第一地图数据进行校正,获取校正后的第一地图数据。
本步骤的目的在于:通过目标物分别在第一地图数据、第二地图数据中的地理位置信息,获得该目标物相对于第一地图数据以及第二地图数据的变换参数,该变换参数即为目标物在第一地图数据中的地理位置与目标物在第二地图数据中的地理位置之间的地理位置偏移量;并根据该目标物所属网格对应的概率密度分布对该变换参数进行优化,获得能够取得最佳校正效果的最优变换参数,并基于该最优变换参数对第一地图数据进行校正。
一种可能的实现方式,可按照获取车载点云数据时,车辆行驶的方向对处理后的第一地图数据进行分段,根据与每段处理后的第一地图数据对应的处理后的第二地图数据中目标物的最优变换参数对该段处理后的第一地图数据进行校正。其中,处理后的第二地图数据中目标物的最优变换参数是根据目标物分别在第一地图数据、第二地图数据中的地理位置信息以及目标物所属网格对应的概率密度分布获得的。
具体地,某段车载点云数据中的目标物对应的地理位置信息表示为将目标物对应的地理位置信息对齐至第二地图数据,通过变换参数/>描述。则空间转换函数/>该空间转换函数表示使用变换参数/>来移动第k个目标物对应的地理位置/>结合上述公式(3)获取的概率密度分布,则最优的变换参数/>满足最大化似然函数时的变换,即满足公式(4):
其等价于最小化似然函数时的变换,即公式(5):
在上述公式(4)和公式(5)中,k表示目标物的第k个地理位置信息,目标物的地理位置信息的数量为n,k、n均为正整数,k小于或等于n。Θ表示概率分布参数,P表示概率值。
在实际应用中,对处理后的第一地图数据进行分段时,可依据车辆上的车载激光雷达系统中的惯性导航系统(IMU)的精度以及轮速计(DMI)的精度确定分段长度。
本实施例提供的方法通过获取第一地图数据和第二地图数据,之后,提取目标物在第一地图数据以及第二地图数据中的地理位置信息,以及第二地图数据中目标物所属网格对应的概率密度分布,利用目标物分别在第一地图数据的地理位置信息以及第二地图数据中的地理位置信息,获取变化参数;并根据第二地图数据中目标物所属网格对应的概率密度分布对该变换参数进行优化,获得能够取得最佳校正效果的最优变换参数,并基于该最优变换参数对第一地图数据进行校正。
本实施例中的方法可以自动自行,提高了地图数据的处理效率;且第二地图数据的精度通常为不受环境因素影响,从而保证了校正后的第一地图数据的精确度;另外,本申请中所选取的目标物可以为目标区域中已存在的物体,从而无需布设特征标靶,也无需人工在地图数据中查找特征标靶的相关数据,进一步提高了高精度地图的处理效率,且大大减小了人力、物力成本。
图4为本申请提供的高精度地图数据的获取方法实施例四的流程图。在图2所示实施例的基础上,步骤S203可以包括本实施例所示的步骤:
参照图4所示,本实施例的方法包括:
S401、根据第二地图数据中目标物所属网格对应的概率密度分布和地理位置偏移量,进行最大似然估计或最小似然估计,获得估计结果。
本步骤中,目标物在第一地图数据中的地理位置与目标物在第二地图数据中的地理位置之间的地理位置偏移量进行最大似然估计或最小似然估计的目的在于获取高概率的变换参数,高概率的变换参数能够取得更优的校正效果。
S402、根据所述估计结果,获取所述校正后的地理位置偏移量。
本步骤的目的在于:对上述估计结果进行进一步优化,获得最优的变换参数。
一种可能的实现方式,可根据牛顿优化算法对上述估计结果进行优化,从而获得校正后的地理位置偏移量,该校正后的地理位置偏移量即为最优的变换参数。当然,还可以使用其他优化算法,获得该校正后的地理位置偏移量,并不限于使用牛顿优化算法。
本实施例通过将大似然估计或最小似然估计与牛顿优化算法进行结合,获得最优变换参数,基于该最优变换参数对第一地图数据进行校正,提高了校正后的第一地图数据的精确度。
结合图5至图7所示,在一具体的实施例中,第一地图数据为车载点云数据,第二地图数据为航空正射影像数据。
针对航空正射影像数据,首先,滤除航空正射影像数据中的非目标物地图数据,获得处理后的航空正射影像数据;本实施例中,目标物为斑马线,非目标物包括建筑物、树木、交通设施等非路面物体以及航空正射影像数据中的车辆数据。接着,对处理后的航空正射影像数据进行网格化处理,并根据正态变换算法,获得每个网格对应的概率密度分布。其中,图6中的(a)即为未滤除非目标物地图数据的航空正射影像数据;图6中的(b)为滤除了车辆、建筑物以及树木等非路面物体以及车辆后的航空正射影像数据;图6中的(c)为对图6中的(b)进行网格化处理的航空正射影像数据,图6中的(c)所示的每个网络对应概率密度分布获取方式可参照上述实施例中描述,此处不再赘述。
针对车载点云数据,首先,滤除车载点云数据中的非目标物地图数据,获得处理后的车载点云数据,本实施例中,目标物为斑马线,非目标物包括建筑物、树木、交通设施等非路面物体以及航空正射影像数据中的车辆数据。
接着,根据车载激光雷达系统中集成的惯性导航系统的精度以及轮速计的精度,对处理后的车载点云数据进行分段。根据每段处理后的车载点云数据中目标物的地理位置,以及该目标物在处理后的航空正射影像数据中的地理位置,获得该目标物对应的地理位置偏移量。
接着,根据该目标物在航空正射影像数据中所属网格对应的概率密度分布以及该地理位置偏移量进行最大似然估计或最小似然估计,获得估计结果,并采用牛顿优化算法对估计结果进行优化,获得优化后的地理位置偏移量;接着,根据优化后的地理位置偏移量,对该段车载点云数据进行校正,从而获取高精度的车载点云数据,即高精度的地图数据。
参照图7所示,目标物为斑马线,图7中的(a)即为进行网络化处理的航空正射影像数据中包括斑马线的局部示意图,图7中的(b)即为分段后的车载点云数据中包括斑马线的局部示意图;将图7中的(a)与图7中的(b)进行叠合,参照图7中的(c)所示,在校正之前,航空正射影像数据中的斑马线与车载点云数据中的斑马线之间存在偏移,采用图7中的(a)对图7中的(b)的斑马线进行校正,校正之后的车载点云数据中斑马线的位置与航空正射影像数据中斑马线的位置叠合。
本实施例中,通过利用航空正射影像数据中斑马线的特征校正车载点云数据中的斑马线,由于航空正射影像数据的精度通常为不受环境因素影响,从而保证了校正后的车载点云数据中斑马线位置的精确度;另外,本实施例中所选取的目标物,即斑马线,为目标区域中已存在的物体,从而无需布设特征标靶,且无需如现有技术中的方式由人工在车载点云数据中查找特征标靶的相关数据,进一步提高了车载点数据的处理效率,且大大减小了人力、物力成本。
当然,在实际应用中,也可以采用上述方式对车载点云数据中的其他目标物进行校正。本实施例仅为示例,并不是对目标物的具体类型的限制。
图8为本申请提供的高精度地图数据的获取装置实施例一的结构示意图。如图8所示,本实施例提供的装置800包括:第一获取模块801、第二获取模块802以及处理模块803。
其中,第一获取模块801,用于获取目标区域的第一地图数据以及第二地图数据,其中,所述第一地图数据为待校正的地图数据,所述第二地图数据为用于校正第一地图数据的参考数据;
第二获取模块802,用于根据第一地图数据和第二地图数据,获取目标物分别在所述第一地图数据、所述第二地图数据中的地理位置信息、以及所述第二地图数据中所述目标物所属网格对应的概率密度分布;
处理模块803,用于根据所述目标物分别在所述第一地图数据以及所述第二地图数据中的地理位置信息,以及所述第二地图数据中所述目标物所属网格对应的概率密度分布,对所述第一地图数据进行校正,获取校正后的第一地图数据。
可选地,第一地图数据为通过车辆上的车载激光雷达系统获得的车载点云数据,第二地图数据为目标区域的机载点云数据或目标区域的航空正射影像数据。
可选地,第二获取模块802,具体用于对所述第一地图数据以及所述第二地图数据分别进行非目标物地图数据的滤除处理,获取处理后的第一地图数据和处理后的第二地图数据;根据所述处理后的第一地图数据获取所述目标物在第一地图数据中的地理位置信息;以及,根据所述处理后的第二地图数据获取所述目标物在第二地图数据中的地理位置信息以及所述第二地图数据中所述目标物所属网格对应的概率密度分布。
可选地,处理模块803,具体用于根据所述目标物分别在所述第一地图数据以及所述第二地图数据中的地理位置信息,确定所述目标物的地理位置偏移量;以及根据所述第二地图数据中所述目标物所属网格对应的概率密度分布,对所述地理位置偏移量进行校正处理,获得校正后的地理位置偏移量;以及根据所述校正后的地理位置偏移量,对所述第一地图数据进行校正,获取校正后的第一地图数据。
可选地,处理模块803,具体用于根据所述第二地图数据中所述目标物所属网格对应的概率密度分布和所述地理位置偏移量,进行最大似然估计或最小似然估计,获得估计结果;以及根据所述估计结果,获取所述校正后的地理位置偏移量。
可选地,第二获取模块802,具体用于对所述处理后的第二地图数据进行网格化处理,获取所述处理后的第二地图数据对应的多个网格;以及根据正态变换算法,获取每个所述网格对应的概率密度分布;以及,根据所述目标物的地理位置信息以及每个所述网格对应的概率密度分布,确定所述目标物所属网格对应的概率密度分布。
可选地,目标物包括:斑马线、道路线、井盖、建筑物、交通标识牌中的任意一种或组合。
本实施例的装置,可以用于执行图1至图7任一所示方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
图9为本申请提供的高精度地图数据的获取装置实施例二的结构示意图。参照图9所示,本实施例的装置900包括:存储器901、处理器902以及计算机程序指令。
存储器901可以是独立的物理单元,与处理器902可以通过总线903连接。存储器901、处理器902也可以集成在一起,通过硬件实现等。
存储器901用于存储程序指令,处理器902调用该程序指令,执行以上图1至图7任一方法实施例的操作。
可选地,当上述实施例的方法中的部分或全部通过软件实现时,上述高精度地图数据的获取装置900也可以只包括处理器902。用于存储程序的存储器901位于高精度地图数据的获取装置900之外,处理器902通过电路/电线与存储器连接,用于读取并执行存储器中存储的程序。
处理器902可以是中央处理器(Central Processing Unit,CPU),网络处理器(Network Processor,NP)或者CPU和NP的组合。
处理器902还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(Application-Specific Integrated Circuit,ASIC),可编程逻辑器件(ProgrammableLogic Device,PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(ComplexProgrammable Logic Device,CPLD),现场可编程逻辑门阵列(Field-Programmable GateArray,FPGA),通用阵列逻辑(Generic Array Logic,GAL)或其任意组合。
存储器901可以包括易失性存储器(Volatile Memory),例如随机存取存储器(Random-Access Memory,RAM);存储器也可以包括非易失性存储器(Non-volatileMemory),例如快闪存储器(Flash Memory),硬盘(Hard Disk Drive,HDD)或固态硬盘(Solid-state Drive,SSD);存储器还可以包括上述种类的存储器的组合。
图10为本申请提供的高精度地图数据的获取装置实施例三的结构示意图。如图10所示,该高精度地图数据的获取装置100可以是计算机,平板设备,个人数字助理等。
高精度地图数据的获取装置100可以包括以下一个或多个组件:处理组件102,存储器104,电源组件106,多媒体组件108,音频组件1010,输入/输出(I/O)接口1012,传感器组件1014,以及通信组件1016。
处理组件102通常控制高精度地图数据的获取装置100的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件102可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件102可以包括一个或多个模块,便于处理组件102和其他组件之间的交互。例如,处理组件102可以包括多媒体模块,以方便多媒体组件108和处理组件102之间的交互。
存储器104被配置为存储各种类型的数据以支持在高精度地图数据的获取装置100的操作。这些数据的示例包括用于在高精度地图数据的获取装置100上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器104可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件106为高精度地图数据的获取装置100的各种组件提供电力。电源组件106可以包括电源管理系统,一个或多个电源,及其他与为高精度地图数据的获取装置100生成、管理和分配电力相关联的组件。
多媒体组件108包括在所述高精度地图数据的获取装置100和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件108包括一个前置摄像头和/或后置摄像头。当高精度地图数据的获取装置100处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件1010被配置为输出和/或输入音频信号。例如,音频组件1010包括一个麦克风(MIC),当高精度地图数据的获取装置100处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器104或经由通信组件1016发送。在一些实施例中,音频组件1010还包括一个扬声器,用于输出音频信号。
I/O接口1012为处理组件102和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件1014包括一个或多个传感器,用于为高精度地图数据的获取装置100提供各个方面的状态评估。例如,传感器组件1014可以检测到高精度地图数据的获取装置100的打开/关闭状态,组件的相对定位,例如所述组件为高精度地图数据的获取装置100的显示器和小键盘,传感器组件1014还可以检测高精度地图数据的获取装置100或高精度地图数据的获取装置100一个组件的位置改变,用户与高精度地图数据的获取装置100接触的存在或不存在,高精度地图数据的获取装置100方位或加速/减速和高精度地图数据的获取装置100的温度变化。传感器组件1014可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件1014还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件1014还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件1016被配置为便于高精度地图数据的获取装置100和其他设备之间有线或无线方式的通信。高精度地图数据的获取装置100可以接入基于通信标准的无线网络,如WiFi,2G或3G或4G或5G,或者未来出现的新的无线网络,或它们的组合。在一个示例性实施例中,通信组件1016经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件1016还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,高精度地图数据的获取装置100可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器104,上述指令可由高精度地图数据的获取装置100的处理器1020执行以完成上述任一实施例方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本申请实施例还提供一种计算机可读存储介质,当该可读存储介质中的指令由高精度地图数据的获取装置的处理器执行时,使得所述高精度地图数据的获取装置能够执行上述任一方法实施例的操作。
本申请实施例还提供一种程序产品,所述程序产品包括计算机程序,所述计算机程序存储在可读存储介质中,所述高精度地图数据的获取装置的至少一个处理器可以从所述可读存储介质中读取所述计算机程序,所述至少一个处理器执行所述计算机程序使得所述高精度地图数据的获取装置执行如上任一实施例所述的高精度地图数据的获取方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求书指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求书来限制。
Claims (10)
1.一种高精度地图数据的获取方法,其特征在于,包括:
获取目标区域的第一地图数据以及第二地图数据,其中,所述第一地图数据为待校正的地图数据,所述第二地图数据为用于校正第一地图数据的参考数据;
根据所述第一地图数据和所述第二地图数据,获取目标物分别在所述第一地图数据、所述第二地图数据中的地理位置信息、以及所述第二地图数据中所述目标物所属网格对应的概率密度分布;
根据所述目标物分别在所述第一地图数据以及所述第二地图数据中的地理位置信息,以及所述第二地图数据中所述目标物所属网格对应的概率密度分布,对所述第一地图数据进行校正,获取校正后的第一地图数据;
所述根据所述目标物分别在所述第一地图数据以及所述第二地图数据中的地理位置信息,以及所述第二地图数据中所述目标物所属网格对应的概率密度分布,对所述第一地图数据进行校正,获取校正后的第一地图数据,包括:
根据所述目标物的地理位置偏移量以及所述第二地图数据中所述目标物所属网格对应的概率密度分布,对所述第一地图数据进行校正,获取校正后的第一地图数据;所述目标物的地理位置偏移量是根据所述目标物分别在所述第一地图数据以及所述第二地图数据中的地理位置信息确定的。
2.根据权利要求1所述的方法,其特征在于,所述第一地图数据为通过车辆上的车载激光雷达系统获得的车载点云数据,所述第二地图数据为所述目标区域的机载点云数据或所述目标区域的航空正射影像数据。
3.根据权利要求1所述的方法,其特征在于,所述根据所述第一地图数据和所述第二地图数据,获取目标物分别在所述第一地图数据、所述第二地图数据中的地理位置信息、以及所述第二地图数据中所述目标物所属网格对应的概率密度分布,包括:
对所述第一地图数据以及所述第二地图数据分别进行非目标物地图数据的滤除处理,获取处理后的第一地图数据和处理后的第二地图数据;
根据所述处理后的第一地图数据获取所述目标物在第一地图数据中的地理位置信息;
根据所述处理后的第二地图数据中获取所述目标物在第二地图数据中的地理位置信息以及所述第二地图数据中所述目标物所属网格对应的概率密度分布。
4.根据权利要求1至3任一项所述的方法,其特征在于,所述根据所述目标物的地理位置偏移量以及所述第二地图数据中所述目标物所属网格对应的概率密度分布,对所述第一地图数据进行校正,获取校正后的第一地图数据,包括:
根据所述第二地图数据中所述目标物所属网格对应的概率密度分布,对所述地理位置偏移量进行校正处理,获得校正后的地理位置偏移量;
根据所述校正后的地理位置偏移量,对所述第一地图数据进行校正,获取校正后的第一地图数据。
5.根据权利要求4所述的方法,其特征在于,所述根据所述第二地图数据中所述目标物所属网格对应的概率密度分布,对所述地理位置偏移量进行校正处理,获得校正后的地理位置偏移量,包括:
根据所述第二地图数据中所述目标物所属网格对应的概率密度分布和所述地理位置偏移量,进行最大似然估计或最小似然估计,获得估计结果;
根据所述估计结果,获取所述校正后的地理位置偏移量。
6.根据权利要求3所述的方法,其特征在于,所述根据所述处理后的第二地图数据中获取所述目标物在第二地图数据中的地理位置信息以及所述第二地图数据中所述目标物所属网格对应的概率密度分布,包括:
对所述处理后的第二地图数据进行网格化处理,获取所述处理后的第二地图数据对应的多个网格;
根据正态变换算法获取每个所述网格对应的概率密度分布;
根据所述目标物的地理位置信息以及每个所述网格对应的概率密度分布,确定所述目标物所属网格对应的概率密度分布。
7.根据权利要求1所述的方法,其特征在于,所述目标物包括斑马线、道路线、井盖、建筑物、交通标识牌中任一种或组合。
8.一种高精度地图数据的获取装置,其特征在于,包括:
第一获取模块,用于获取目标区域的第一地图数据以及第二地图数据,其中,所述第一地图数据为待校正的地图数据,所述第二地图数据为用于校正第一地图数据的参考数据;
第二获取模块,用于根据所述第一地图数据和所述第二地图数据,获取目标物分别在所述第一地图数据、所述第二地图数据中的地理位置信息、以及所述目标物在所述第二地图数据中的概率密度分布;
处理模块,用于根据所述目标物分别在所述第一地图数据以及所述第二地图数据中的地理位置信息,以及所述目标物在所述第二地图数据中的概率密度分布,对所述第一地图数据进行校正,获取校正后的第一地图数据;
所述处理模块,具体用于根据所述目标物的地理位置偏移量以及所述第二地图数据中所述目标物所属网格对应的概率密度分布,对所述第一地图数据进行校正,获取校正后的第一地图数据;所述目标物的地理位置偏移量是根据所述目标物分别在所述第一地图数据以及所述第二地图数据中的地理位置信息确定的。
9.一种高精度地图数据的获取装置,其特征在于,包括:存储器、处理器以及计算机程序指令;
所述存储器存储所述计算机程序指令;
所述处理器执行所述计算机程序指令,以执行如权利要求1至7任一项所述的高精度地图数据的获取方法。
10.一种可读存储介质,其特征在于,包括:程序;
所述程序被处理器执行,以执行如权利要求1至7任一项所述的高精度地图数据的获取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010499714.7A CN111651547B (zh) | 2020-06-04 | 2020-06-04 | 高精度地图数据的获取方法、装置及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010499714.7A CN111651547B (zh) | 2020-06-04 | 2020-06-04 | 高精度地图数据的获取方法、装置及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111651547A CN111651547A (zh) | 2020-09-11 |
CN111651547B true CN111651547B (zh) | 2023-07-18 |
Family
ID=72347048
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010499714.7A Active CN111651547B (zh) | 2020-06-04 | 2020-06-04 | 高精度地图数据的获取方法、装置及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111651547B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI740765B (zh) * | 2020-12-31 | 2021-09-21 | 羅國誠 | 結合空拍遙測與圖形像素解析推估裸露地面揚塵排放之方法 |
CN114413914A (zh) * | 2022-01-18 | 2022-04-29 | 上汽通用五菱汽车股份有限公司 | 高精度地图的精度提升方法、系统和计算机可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1028325A2 (de) * | 1999-02-12 | 2000-08-16 | Franz Plasser Bahnbaumaschinen-Industriegesellschaft m.b.H. | Verfahren zum Aufmessen eines Gleises |
KR101277427B1 (ko) * | 2012-12-05 | 2013-06-20 | (주)지오투정보기술 | 매개변수를 이용하여 영상 데이터를 왜곡보정하고, 보정된 영상 데이터와 항공사진 데이터를 비교하는 수치지도 제작 방법 및 시스템 |
JP2018081008A (ja) * | 2016-11-16 | 2018-05-24 | 株式会社岩根研究所 | 基準映像地図を用いた自己位置姿勢標定装置 |
KR20180122080A (ko) * | 2017-05-02 | 2018-11-12 | 한국항공대학교산학협력단 | 국지적 전리층지도의 가용영역 확장 장치 및 방법 |
CN111207762A (zh) * | 2019-12-31 | 2020-05-29 | 深圳一清创新科技有限公司 | 地图生成方法、装置、计算机设备和存储介质 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102009031527B3 (de) * | 2009-07-02 | 2010-11-18 | Mtu Friedrichshafen Gmbh | Verfahren zur Steuerung und Regelung einer Brennkraftmaschine |
KR102016551B1 (ko) * | 2014-01-24 | 2019-09-02 | 한화디펜스 주식회사 | 위치 추정 장치 및 방법 |
CN104019813B (zh) * | 2014-06-19 | 2017-01-25 | 无锡知谷网络科技有限公司 | 目标即时定位和构建地图的方法与系统 |
EP3032495B1 (en) * | 2014-12-10 | 2019-11-13 | Dassault Systèmes | Texturing a 3d modeled object |
CN104657464B (zh) * | 2015-02-10 | 2018-07-03 | 腾讯科技(深圳)有限公司 | 一种数据处理方法及装置 |
CN106052697B (zh) * | 2016-05-24 | 2017-11-14 | 百度在线网络技术(北京)有限公司 | 无人车、无人车定位方法、装置和系统 |
US10754351B2 (en) * | 2017-02-28 | 2020-08-25 | Toyota Jidosha Kabushiki Kaisha | Observability grid-based autonomous environment search |
CN108734780B (zh) * | 2017-04-17 | 2021-12-10 | 百度在线网络技术(北京)有限公司 | 用于生成地图的方法、装置和设备 |
CN109061703B (zh) * | 2018-06-11 | 2021-12-28 | 阿波罗智能技术(北京)有限公司 | 用于定位的方法、装置、设备和计算机可读存储介质 |
CN108921947B (zh) * | 2018-07-23 | 2022-06-21 | 百度在线网络技术(北京)有限公司 | 生成电子地图的方法、装置、设备、存储介质以及采集实体 |
CN110148099B (zh) * | 2019-05-29 | 2021-09-10 | 北京百度网讯科技有限公司 | 投影关系的修正方法及装置、电子设备、计算机可读介质 |
KR20190104487A (ko) * | 2019-08-21 | 2019-09-10 | 엘지전자 주식회사 | 인공지능 기반의 사용자 상태에 따른 식품 추천 방법 및 그 장치 |
-
2020
- 2020-06-04 CN CN202010499714.7A patent/CN111651547B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1028325A2 (de) * | 1999-02-12 | 2000-08-16 | Franz Plasser Bahnbaumaschinen-Industriegesellschaft m.b.H. | Verfahren zum Aufmessen eines Gleises |
KR101277427B1 (ko) * | 2012-12-05 | 2013-06-20 | (주)지오투정보기술 | 매개변수를 이용하여 영상 데이터를 왜곡보정하고, 보정된 영상 데이터와 항공사진 데이터를 비교하는 수치지도 제작 방법 및 시스템 |
JP2018081008A (ja) * | 2016-11-16 | 2018-05-24 | 株式会社岩根研究所 | 基準映像地図を用いた自己位置姿勢標定装置 |
KR20180122080A (ko) * | 2017-05-02 | 2018-11-12 | 한국항공대학교산학협력단 | 국지적 전리층지도의 가용영역 확장 장치 및 방법 |
CN111207762A (zh) * | 2019-12-31 | 2020-05-29 | 深圳一清创新科技有限公司 | 地图生成方法、装置、计算机设备和存储介质 |
Non-Patent Citations (2)
Title |
---|
Self-organizing maps as a tool for segmentation of Magnetic Resonance Imaging (MRI) of relapsing-remitting multiple sclerosis;Paulo Afonso Mei;2017 12th International Workshop on Self-Organizing Maps and Learning Vector Quantization, Clustering and Data Visualization (WSOM);全文 * |
基于集成互补不变特征的多源遥感影像配准方法研究;王晓华;中国优秀硕士毕业论文;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111651547A (zh) | 2020-09-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111999752B (zh) | 确定道路信息数据的方法、装置和计算机存储介质 | |
US10223829B2 (en) | Method and apparatus for generating a cleaned object model for an object in a mapping database | |
CN110146910B (zh) | 一种基于gps与激光雷达数据融合的定位方法及装置 | |
CN113034566B (zh) | 高精度地图构建方法、装置、电子设备及存储介质 | |
Tsai et al. | Three‐dimensional positioning from Google street view panoramas | |
EP3706072B1 (en) | Method, apparatus, and system for detecting degraded ground paint in an image | |
US11170485B2 (en) | Method, apparatus, and system for automatic quality assessment of cross view feature correspondences using bundle adjustment techniques | |
CN111860227A (zh) | 训练轨迹规划模型的方法、装置和计算机存储介质 | |
CN111651547B (zh) | 高精度地图数据的获取方法、装置及可读存储介质 | |
US11215462B2 (en) | Method, apparatus, and system for location correction based on feature point correspondence | |
CN111192341A (zh) | 生成高精地图的方法、装置、自动驾驶设备及存储介质 | |
US10949707B2 (en) | Method, apparatus, and system for generating feature correspondence from camera geometry | |
CN112432650A (zh) | 高精地图数据的获取方法、车辆控制方法以及设备 | |
CN114140592A (zh) | 高精地图生成方法、装置、设备、介质及自动驾驶车辆 | |
CN114972485A (zh) | 定位精度测试方法、设备、存储介质及程序产品 | |
US20220197893A1 (en) | Aerial vehicle and edge device collaboration for visual positioning image database management and updating | |
US11699234B2 (en) | Semantic segmentation ground truth correction with spatial transformer networks | |
Wu et al. | OCR-RTPS: an OCR-based real-time positioning system for the valet parking | |
CN113450459B (zh) | 目标物的三维模型构建方法及装置 | |
CN116359942A (zh) | 点云数据的采集方法、设备、存储介质及程序产品 | |
CN110390252B (zh) | 基于先验地图信息的障碍物检测方法、装置和存储介质 | |
CN113902047B (zh) | 图像元素匹配方法、装置、设备以及存储介质 | |
CN115797438A (zh) | 目标定位方法、装置、计算机设备、存储介质和程序产品 | |
JP2019148987A (ja) | 車載装置、画像供給方法、サーバ装置、画像収集方法、及び画像取得システム | |
CN116007637B (zh) | 定位装置、方法、车载设备、车辆、及计算机程序产品 |
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 |