CN111882977B - 一种高精度地图构建方法及系统 - Google Patents

Abstract

本申请的其中一些实施例公开了一种高精度地图构建方法及系统。所述方法包括：构建局部地图，基于多个所述局部地图得到全局地图；其中，局部地图的构建包括：获取车辆的位姿数据和与激光雷达相关的点云数据，基于所述位姿数据和所述点云数据得到局部点云集；基于所述局部点云集进行配准和优化处理，得到优化后的位姿节点和与所述优化后的位姿节点相对应的局部点云集，并基于所述优化后的位姿节点和与所述优化后的位姿节点对应的局部点云集生成局部地图。本申请的其中一些实施例将全局地图的构建任务划分多个局部地图的构建子任务，再将子任务多个子步骤进行多次分布式处理，使得可以快速完成高精度地图构建，提高了效率、降低了成本。

Description

一种高精度地图构建方法及系统

技术领域

本申请涉及地图领域，特别涉及一种高精度地图构建方法和系统。

背景技术

随着计算机及通信技术的不断发展，地图为人们出行提供了很大帮助，其提供的信息包括但不限于道路信息、楼宇信息、交通信息等。由于地图数据量庞大，不论存储、处理还是构建对于云端服务器来说都有较高的要求。因此，提出一种分布式云端处理技术，增加对于地图数据的存储、管理以及处理能力，解决全局高精度地图构建任务量大的问题。

发明内容

本申请实施例之一提供一种高精度地图构建的方法。所述方法包括：构建局部地图，基于多个所述局部地图得到全局地图；其中，局部地图的构建包括：获取车辆的位姿数据和与激光雷达相关的点云数据；基于所述位姿数据和所述点云数据得到局部点云集；基于所述局部点云集进行配准和优化处理，得到优化后的位姿节点和与所述优化后的位姿节点相对应的局部点云集；基于所述优化后的位姿节点和与所述优化后的位姿节点对应的局部点云集生成局部地图。

本申请实施例之一提供一种高精度地图构建的系统。所述系统包括：获取模块，获取车辆的位姿数据和与激光雷达相关的点云数据；局部点云集生成模块，用于基于所述位姿数据和所述点云数据得到局部点云集；配准优化模块，用于基于所述局部点云集进行配准和优化处理，得到优化后的位姿节点和与所述优化后的位姿节点相对应的局部点云集；局部地图生成模块，基于所述优化后的位姿节点和与所述优化后的位姿节点对应的局部点云集生成局部地图；全局地图构建模块，用于基于多个所述局部地图得到全局地图。

本申请实施例之一提供一种高精度地图构建的装置，所述装置包括处理器以及存储器；所述存储器用于存储指令，所述指令被所述处理器执行时，导致所述装置实现如高精度地图构建的方法中一个或多个操作。

本申请实施例之一提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行本申请任一实施例所述方法。

附图说明

本申请将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：

图1是根据本申请的一些实施例所示的高精度地图构建系统的应用场景示意图；

图2是根据本申请的一些实施例所示的示例性计算设备的示意图；

图3是根据本申请的一些实施例所示的示例性移动设备的示例性硬件和/或软件组件的示意图；

图4是根据本申请一些实施例所示的高精度地图构建系统的模块图；

图5是根据本申请一些实施例所示的高精度地图构建方法的示例性流程图；以及

图6是根据本申请一些实施例所示的一种高精度地图构建过程对应的逻辑关系图。

具体实施方式

为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。

应当理解，本文使用的“系统”、“装置”、“单元”和/或“模组”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。

如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。

本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

本申请的实施例可以应用于地图服务系统、导航系统等。例如，电子地图、终端导航、AR地图、VR地图等一种或多种的组合。本申请的实施例还可以应用于不同的交通服务系统，不同的交通服务系统包括但不限于陆地、河道、湖泊、海洋、航空等中的一种或几种的组合。例如，人力车、代步工具、汽车(例如，小型车、巴士、大型运输车等)、轨道交通(例如，火车、动车、高铁、地铁等)、船舶、无人驾驶的交通工具、收/送快递等应用了管理和/或分配的运输系统等。本申请的不同实施例应用场景包括但不限于网页、浏览器插件、客户端、定制系统、企业内部分析系统、人工智能机器人等中的一种或几种的组合。应当理解的是，本申请的系统及方法的应用场景仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其它类似情景。例如，其他类似的引导用户停车系统。

图1是根据本申请的一些实施例所示的高精度地图构建系统100的应用场景示意图。高精度地图构建系统100可以应用于地图服务系统、导航系统、运输系统、交通服务系统等。例如，该高精度地图构建系统100可以应用于提供互联网服务的线上服务平台。例如，该高精度地图构建系统100可以应用于运输服务的线上运输服务平台。在一些实施例中，该高精度地图构建系统100可以应用于二维道路显示、三维道路显示、导航路径规划等。例如，该高精度地图构建系统100可以应用于无人驾驶的路径规划，在获取高精度的地图之后，无人驾驶车辆可以根据感知的周围环境，将车辆准确地匹配到电子地图中，无人驾驶车辆的决策系统可以基于电子地图中匹配到的信息，提前规划好运动路径，选择最合理的车道行驶，从而提高车辆的智能性和舒适性。在一些实施例中，该高精度地图构建系统100可以应用于网约车服务，例如出租车呼叫、快车呼叫、专车呼叫、小巴呼叫、拼车、公交服务、司机雇佣和接送服务等。在一些实施例中，该高精度地图构建系统100还可以应用于代驾服务、快递、外卖等。具体的，高精度地图构建系统100可以是一个线上服务平台，包括服务器110、网络120、终端130以及数据库140。

在一些实施例中，服务器110可以用于处理与确定高精度地图构建相关的信息和/或数据。在一些实施例中，服务器110可以是单个的服务器或者服务器群组。所述服务器群可以是集中式的或分布式的(例如，服务器110可以是分布式的系统)。在一些实施例中，服务器110可以是本地的或远程的。例如，服务器110可以通过网络120访问存储在终端130、数据库140中的信息和/或数据。再例如，服务器110可以直接连接到终端130、数据库140以访问存储的信息和/或数据。在一些实施例中，服务器110可以在一个云平台上实现。仅作为示例，所述云平台可以包括私有云、公共云、混合云、社区云、分布云、云之间、多重云等或上述举例的任意组合。在一些实施例中，服务器110可以在与本申请图2所示的计算设备上实现。例如，服务器110可以在如图2所示的一个计算设备200上实现，包括计算设备200中的一个或多个部件。

在一些实施例中，服务器110可以包括处理引擎112。处理引擎112可处理与高精度地图构建有关的数据和/或信息以执行一个或多个本申请中描述的功能。例如，处理引擎112可以从数据库140中获取车辆位姿数据和与激光雷达相关的点云数据，基于所述位姿数据和点云数据构建对应的局部地图，基于局部地图得到全局地图。在一些实施例中，处理引擎112可以获取车辆的位姿数据和与激光雷达相关的点云数据。在一些实施例中，处理引擎112可以基于所述位姿数据和所述点云数据得到局部点云集。在一些实施例中，处理引擎112可以基于所述局部点云集进行配准和优化处理，得到优化后的位姿节点和与所述优化后的位姿节点相对应的局部点云集。在一些实施例中，处理引擎112可以基于所述优化后的位姿节点和与所述优化后的位姿节点对应的局部点云集生成局部地图。在一些实施例中，处理引擎112可以基于多个所述局部地图得到全局地图。在一些实施例中，处理引擎112可以包括一个或以上处理引擎(例如，单芯片处理引擎或多芯片处理器)。仅作为示例，处理引擎112可以包括中央处理单元(CPU)、专用集成电路(ASIC)、专用指令集处理器(ASIP)、图像处理单元(GPU)、物理运算处理单元(PPU)、数字信号处理器(DSP)、现场可程序门阵列(FPGA)、可程序逻辑装置(PLD)、控制器、微控制器单元、精简指令集计算机(RISC)、微处理器等或以上任意组合。

网络120可以促进信息和/或数据的交换。在一些实施例中，高精度地图构建系统100中的一个或以上组件(例如，服务器110、终端130和数据库140)可以通过网络120向/从高精度地图构建系统100中的其他组件发送/接收信息和/或数据。例如，服务器110可以通过网络120从数据库140中获取车辆位姿数据和点云数据。在一些实施例中，网络120可以为任意形式的有线或无线网络或其任意组合。仅作为示例，网络120可以包括缆线网络、有线网络、光纤网络、远程通信网络、内部网络、互联网、局域网(LAN)、广域网(WAN)、无线局域网(WLAN)、城域网(MAN)、广域网(WAN)、公共交换电话网络(PSTN)、蓝牙网络、紫蜂网络、近场通讯(NFC)网络、全球移动通讯系统(GSM)网络、码分多址(CDMA)网络、时分多址(TDMA)网络、通用分组无线服务(GPRS)网络、增强数据速率GSM演进(EDGE)网络、宽带码分多址接入(WCDMA)网络、高速下行分组接入(HSDPA)网络、长期演进(LTE)网络、用户数据报协议(UDP)网络、传输控制协议/互联网协议(TCP/IP)网络、短讯息服务(SMS)网络、无线应用协议(WAP)网络、超宽带(UWB)网络、红外线等或其任意组合。在一些实施例中，高精度地图构建系统100可以包括一个或以上网络接入点。例如，高精度地图构建系统100可以包括有线或无线网络接入点，例如基站和/或无线接入点120-1、120-2、…，高精度地图构建系统100的一个或以上组件可以通过其连接到网络120以交换数据和/或信息。

在一些实施例中，终端130的用户可以是服务提供者。例如，服务提供者可以通过终端130向高精度地图构建系统100发送原始地图数据中的GPS轨迹数据，例如位置信息、海拔高度等。在一些实施例中，服务提供者可以是网约车司机、外卖送餐员、快递员等等。在一些实施例中，终端130的用户也可以是服务使用者，例如，服务使用者可以包括地图服务使用者、导航服务使用者、运输服务使用者等。在一些实施例中，终端130的用户可以是拥有(或使用)GPS轨迹数据采集设备的任意用户。例如，终端130的用户可以是无人驾驶车辆，用于采集GPS轨迹数据。在一些实施例中，终端130可以包括移动设备130-1、平板电脑130-2、笔记本电脑130-3、以及机动车辆中的车载设备130-4等或其任意组合。在一些实施例中，移动设备130-1可以包括智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备、增强现实设备等或其任意组合。在一些实施例中，智能家居设备可以包括智能照明设备、智能电器控制设备、智能监控设备、智能电视、智能摄像机、对讲机等或其任意组合。在一些实施例中，可穿戴设备可以包括智能手镯、智能鞋袜、智能眼镜、智能头盔、智能手表、智能穿着、智能背包、智能配件等或其任意组合。在一些实施例中，智能移动设备可以包括智能电话、个人数字助理(PDA)、游戏设备、导航设备、销售点(POS)等或其任意组合。在一些实施例中，虚拟现实设备和/或增强现实设备可以包括虚拟现实头盔、虚拟现实眼镜、虚拟现实眼罩、增强型虚拟现实头盔、增强现实眼镜、增强现实眼罩等或其任意组合。例如，虚拟现实设备和/或增强现实设备可以包括Google Glass、Oculus Rift、HoloLens或Gear VR等。在一些实施例中，机动车辆中的车载设备130-4可以包括车载导航仪、车载定位仪、行车记录仪等或其任意组合。在一些实施例中，终端130可包括具有定位功能的装置，以确定用户和/或终端130的位置。在一些实施例中，终端130可以根据服务器110下发的车辆位姿数据和点云数据进行渲染，显示道路的地图。

数据库140可存储资料和/或指令。在一些实施例中，数据库140可存储从终端130获取的资料。在一些实施例中，数据库140可存储供服务器110执行或使用的信息和/或指令，以执行本申请中描述的示例性方法。在一些实施例中，数据库140可以存储点云数据、位姿数据、轨迹数据、路网数据等。在一些实施例中，数据库140还可以存储道路上各道路点在某坐标系下的坐标(如经纬度)等。在一些实施例中，数据库140可包括大容量存储器、可移动存储器、挥发性读写存储器(例如，随机存取存储器RAM)、只读存储器(ROM)等或以上任意组合。在一些实施例中，数据库140可在云平台上实现。例如，该云平台可包括私有云、公共云、混合云、社区云、分散式云、内部云等或以上任意组合。

在一些实施例中，数据库140可与网络120连接以与高精度地图构建系统100的一个或多个组件(例如，服务器110、终端130等)通讯。高精度地图构建系统100的一个或多个组件可通过网络120访问存储于数据库140中的资料或指令。例如，服务器110可以从数据库140中读取点云数据、位姿数据、轨迹数据、路网数据等并进行相应处理。在一些实施例中，数据库140可直接与高精度地图构建系统100中的一个或多个组件(如，服务器110、终端130)连接或通讯。在一些实施例中，数据库140可以是服务器110的一部分。

图2是根据本申请的一些实施例所示的示例性计算设备200的示意图。在一些实施例中，服务器110和/或终端130可以在计算设备200上实现。例如，处理引擎112可以在计算设备200上实现并被配置为实现本申请中所披露的功能。如图2所示，计算设备200可以包括总线210、处理器220、只读存储器230、随机存取存储器240、通信端口250、输入/输出接口260和硬盘270。

处理器220可以执行计算指令(程序代码)并执行本申请描述的高精度地图构建系统100的功能。所述计算指令可以包括程序、对象、组件、数据结构、过程、模块和功能(所述功能指本申请中描述的特定功能)。例如，处理器220可以处理从高精度地图构建系统100的其他任何组件获取的图像或文本数据。在一些实施例中，处理器220可以包括微控制器、微处理器、精简指令集计算机(RISC)、专用集成电路(ASIC)、应用特定指令集处理器(ASIP)、中央处理器(CPU)、图形处理单元(GPU)、物理处理单元(PPU)、微控制器单元、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、高级RISC机(ARM)、可编程逻辑器件以及能够执行一个或多个功能的任何电路和处理器等，或其任意组合。仅为了说明目的，图2中的计算设备200只描述了一个处理器，但需要注意的是，本申请中的计算设备200还可以包括多个处理器。

计算设备200的存储器(例如，只读存储器(ROM)230、随机存取存储器(RAM)240、硬盘270等)可以存储从高精度地图构建系统100的任何其他组件获取的数据/信息。示例性的ROM可以包括掩模ROM(MROM)、可编程ROM(PROM)、可擦除可编程ROM(PEROM)、电可擦除可编程ROM(EEPROM)、光盘ROM(CD-ROM)和数字通用盘ROM等。示例性的RAM可以包括动态RAM(DRAM)、双倍速率同步动态RAM(DDR SDRAM)、静态RAM(SRAM)、晶闸管RAM(T-RAM)和零电容(Z-RAM)等。

输入/输出接口260可以用于输入或输出信号、数据或信息。在一些实施例中，输入/输出接口260可以使用户与高精度地图构建系统100进行联系。在一些实施例中，输入/输出接口260可以包括输入装置和输出装置。示例性输入装置可以包括键盘、鼠标、触摸屏和麦克风等，或其任意组合。示例性输出装置可以包括显示设备、扬声器、打印机、投影仪等或其任意组合。示例性显示装置可以包括液晶显示器(LCD)、基于发光二极管(LED)的显示器、平板显示器、曲面显示器、电视设备、阴极射线管(CRT)等或其任意组合。通信端口250可以连接到网络以便数据通信。所述连接可以是有线连接、无线连接或两者的组合。有线连接可以包括电缆、光缆或电话线等或其任意组合。无线连接可以包括蓝牙、Wi-Fi、WiMax、WLAN、ZigBee、移动网络(例如，3G、4G或5G等)等或其任意组合。在一些实施例中，通信端口250可以是标准化端口，如RS232、RS485等。在一些实施例中，通信端口250可以是专门设计的端口。

图3是根据本申请的一些实施例所示的移动设备的示例性硬件和/或软件组件的示意图。如图3所示，移动设备300可以包括通信单元310、显示单元320、图形处理单元(GPU)330、中央处理单元(CPU)340、输入/输出350、内存360和存储器370。CPU 340可以包括接口电路和类似于处理器220的处理电路。在一些实施例中，任何其他合适的组件，包括但不限于系统总线或控制器(未示出)，也可包括在移动设备300内。在一些实施例中，移动操作系统362(例如，IOS^TM、Android^TM、Windows Phone^TM等)和一个或以上应用程序364可以从存储器370加载到内存360中，以便由CPU 340执行。应用程序364可以包括浏览器或任何其他合适的移动应用程序，用于从移动设备300上的基于位置的服务提供系统接收和呈现与服务请求或其他信息有关的信息。用户与信息流的交互可以通过输入/输出设备350实现，并通过网络120提供给处理引擎112和/或高精度地图构建系统100的其他组件。

为了实现上述各种模块、单元及其功能，计算机硬件平台可以用作一个或以上元件(例如，图2中描述的服务器110的模块)的硬件平台。由于这些硬件元件、操作系统和程序语言是常见的，因此可以假设本领域技术人员熟悉这些技术并且他们能够根据本文中描述的技术提供路线规划中所需的信息。具有用户界面的计算机可以用作个人计算机(PC)或其他类型的工作站或终端设备。在正确编程之后，具有用户界面的计算机可以用作服务器。可以认为本领域技术人员也可以熟悉这种类型的计算机设备的这种结构、程序或一般操作。因此，没有针对附图描述额外的解释。

图4是根据本申请一些实施例所示的高精度地图构建系统的示例性框图。如图4所示，高精度地图构建系统400可以包括获取模块410、局部点云集生成模块420、配准优化模块430、局部地图生成模块440和全局地图构建模块450。

获取模块410可以用于获取车辆的位姿数据和与激光雷达相关的点云数据。关于车辆位姿数据、与激光雷达相关的点云数据以及获取位姿数据和点云数据方式的更多细节可以参见图5及其相关描述，此处不再赘述。在一些实施例中，车辆的位姿数据和与激光雷达相关的点云数据可以存储于分布式文件系统中。

局部点云集生成模块420可以用于基于位姿数据和点云数据得到局部点云集。在一些实施例中，局部点云集生成模块420可以将位姿数据和点云数据按照一定的切分规则进行切分得到一个或多个数据片段，对一个或多个数据片段进行并行处理，得到与该一个或多个数据片段对应的一个或多个位姿节点及其对应的点云。在一些实施例中，局部点云集生成模块420还可以基于一个或多个位姿节点及其对应的点云聚合得到初始位姿图及其对应的局部点云集。在一些实施例中，切分规则可以为按照固定时间长度切分。关于局部点云集生成的更多细节可以参见图5及其相关描述，此处不再赘述。

配准优化模块430可以用于基于局部点云集进行配准和优化处理，得到优化后的位姿节点和与优化后的位姿节点相对应的局部点云集。在一些实施例中，配准优化模块430可以基于点云数据之间的空间和/或时间信息，建立一个或多个位姿节点之间的匹配连接；并基于一个或多个位姿节点之间的匹配连接，利用第一算法计算匹配连接对应的两个位姿节点间的转换关系，得到配准后的位姿节点、位姿节点之间的关系。在一些实施例中，所述第一算法可以为迭代最近点(Iterative Closest Point,ICP)算法和/或正态分布转换(Normal Distributions Transform，NDT)算法。在一些实施例中，配准优化模块430还可以基于配准后的位姿节点和位姿节点之间的关系，对初始位姿图进行优化，得到优化后的位姿图和与优化后的位姿图对应的局部点云集。关于局部点云集之间配准优化计算的更多细节可以参见图5及其相关描述，此处不再赘述。

局部地图生成模块440可以用于基于优化后的位姿节点和与优化后的位姿节点对应的局部点云集生成局部地图。在一些实施例中，地图生成模块440可以将局部地图以一定大小进行栅格分块。在一些实施例中，地图生成模块440可以将属于同一个分块的优化后的位姿节点和与优化后的位姿节点对应的局部点云集进行聚合，生成多个分块地图。在一些实施例中，地图生成模块440还可以基于多个分块地图聚合生成局部地图。关于局部地图的生成的更多细节可以参见图5及其相关描述，此处不再赘述。

全局地图构建模块450，可以用于基于多个局部地图得到全局地图。关于局部地图合并生成全局地图的更多细节可以参见图5的相关描述，此处不再赘述。

应该注意的是，上述关于高精度地图构建系统400的描述仅出于说明性目的而提供，并不旨在限制本申请的范围。对于本领域的普通技术人员来说，可以根据本申请的描述，做出各种各样的修正和改变。然而，这些修正和改变不会背离本申请的范围。在一些实施例中，可以添加至少一个附加模块，或者可以将高精度地图构建系统400的多个模块组合成一个模块。例如，配准优化模块430可以划分为配准模块和优化模块两个子模块，分别用于实现对局部点云集的配准和优化处理。

图5是根据本申请一些实施例所示的高精度地图构建方法的示例性流程图。具体的，高精度地图构建方法500可以由高精度地图构建系统400执行。例如，高精度地图构建方法500可以以程序或指令的形式存储在存储装置(如存储设备150、处理器220)中，当高精度地图构建系统400执行该程序或指令时，可以实现高精度地图构建方法500。如图5所示，高精度地图构建方法500可以包括：

步骤510，获取车辆的位姿数据和与激光雷达相关的点云数据。具体的，步骤510可以由获取模块410执行。

在一些实施例中，车辆的位姿数据是指车辆在行驶过程中以一定时间间隔获取的车辆自身的属性特征数据集合，可以包括车辆所处的位置、姿态、速度、加速度等各种信息。车辆的位置信息可以是地理坐标系统下的经纬度值，也可以是二维地图坐标系下的横纵坐标值，还可以是极坐标值、球面坐标值等。车辆的方向信息可以是车辆的行驶方向等。车辆的姿态信息可以是车辆的速度、加速度、俯仰角、偏航角、翻转角等。在一些实施例中，车辆的位姿数据可以通过传感器获取，例如IMU设备。点云数据是指车辆在行驶过程中测量得到的车辆周围环境的三维点集，可以包括路面、路灯、标志牌、红绿灯、花坛等。在一些实施例中，点云数据可以通过激光雷达获取，在车辆行驶过程中，激光雷达实时扫描周边环境，得到周围三维世界的相对坐标，经过运动补偿后，可以得到一个车辆位姿对应的激光雷达的点云数据结果。在一些实施例中，点云数据也可以通过相机获得，每个车辆位姿会对应当时周边环境的图像数据，同一时刻多个相机的数据，利用相机的相对关系，可以恢复得到对应的三维点云数据。在一些实施例中，车辆的位姿数据和点云数据可以存储于分布式文件系统中，在每一个分布式文件系统中可以存储至少一段车辆的位姿数据和点云数据，便于地图数据的管理。在一些实施例中，获取模块410可以从网络120或数据库140中获取车辆位姿数据和点云数据。

步骤520，基于所述位姿数据和所述点云数据得到局部点云集。具体的，步骤520可以由局部点云集生成模块420执行。

在一些实施例中，局部点云集生成模块420可以将获取的位姿数据和点云数据按照一定的切分规则切分为一个或多个数据片段，并对该一个或多个数据片段进行并行处理，得到与该一个或多个数据片段对应的一个或多个位姿节点及其对应的点云。具体的，切分规则可以是按照采集数据的固定时间长度进行切分，例如，5min、10min、15min等。在一些实施例中，原始地图数据中每一个切分出来的片段可以包括GPS pose、IMU信息、Lidar点云、图片数据、检测和跟踪数据等信息。在一些实施例中，可以利用融合算法对一个或多个数据片段进行优化，得到局部优化后的位姿数据及其对应的点云数据。在一些实施例中，融合算法可以包括激光测距(Lidar Oodometry)算法、惯性测量单元(Inertial MeasurementUnit，IMU)预积分算法、点云配准算法、图像匹配算法等或其组合。在一些实施例中，对于原始地图数据中的每一个片段，在基于GPS pose构建位姿图的过程中，所用到的一种或多种算法(例如，激光测距(Lidar Oodometry)算法、惯性测量单元(Inertial MeasurementUnit，IMU)预积分算法、点云配准算法、图像匹配算法等)中每一种算法都可以是一项约束条件，基于此，对每一项约束条件赋予不同的权重，进行非线性优化，从而起到融合的效果。在一些实施例中，每一个点云集是一定数量优化后的位姿节点对应的点云的集合。

在一些实施例中，切分后的位姿数据和点云数据可以存储于分布式文件系统中，当收到服务器发送生成局部点云集生成指令时，分布式计算平台可以并行处理切分后并分布式保存的位姿数据和点云数据。例如，分布式计算平台可以将切分后的一个或多个数据片段作为输入，利用结合激光测距(Lidar Oodometry)算法、惯性测量单元(InertialMeasurement Unit，IMU)预积分算法、点云配准算法、图像匹配算法等的融合算法对一个或多个数据片段进行处理，最终输出得到局部优化之后的位姿数据以及其对应的点云数据。

步骤530，基于所述局部点云集进行配准和优化处理，得到优化后的位姿节点和与所述优化后的位姿节点相对应的局部点云集。具体的，步骤530可以由配准优化模块430执行。

在一些实施例中，配准优化模块430可以基于点云数据之间的空间和/或时间信息，建立一个或多个位姿节点之间的匹配连接。基于该一个或多个位姿节点之间的匹配连接，利用第一算法计算匹配连接对应的两个位姿节点间的转换关系，从而得到配准后的位姿节点、位姿节点之间的关系。在一些实施例中，第一算法可以是迭代最近点(IterativeClosest Point,ICP)算法和/或正态分布转换(Normal Distributions Transform，NDT)算法。在一些实施例中，配准的本质是指将不同坐标下的三维点云数据集变换到同一坐标系下，通过匹配具有部分重合的不同的点云数据集，寻找点云数据集之间的对应关系，实现点云数据集之间的互补，得到被扫描物体完整的点云数据。点云配准的关键在于求取矩阵变换。实际应用中，针对同一被扫描物体，单次扫描获得的被扫描物体信息不全，为了得到完整的被扫描物体信息，往往需要通过多视角扫描来获得不同视角的点云数据集，并把不同的点云数据集统一到同一坐标系下得到完整结果，但是因为测量的点云集的误差(例如空间位置误差、旋转误差等等)，所以需要对点云集配准，以得到点云集之间误差最小化的完整结果。

在一些实施例中，配准优化模块430可以基于配准后的位姿节点、与配准后位姿节点对应的点云和位姿节点之间的关系，对得到的初始位姿图进行非线性优化，从而得到优化后的位姿图和与优化后的位姿图对应的局部点云集。在一些实施例中，位姿图是由位姿节点和边构成，位姿节点之间的关系构成边。例如，t时刻与t+1时刻之间的里程关系构成边。初始位姿图完成后，调整位姿节点尽量满足边的约束，最后得到优化后的位姿图和与优化后的位姿图对应的局部点云集。

在一些实施例中，由于单个位姿节点之间的关系的计算需要消耗一定的计算资源配准优化模块430可以将所有的需要配准优化的局部点云集进行并行计算。同时，通过将依赖同一个局部点云集的配准优化分配到同一个计算平台的方式，有效减少这个过程的网络I/O。关于局部点云集配准优化过程对应的逻辑关系的更多细节可以参见图6及其相关描述，此处不再赘述。

步骤540，基于所述优化后的位姿节点和与所述优化后的位姿节点对应的局部点云集生成局部地图。具体的，步骤540可以由局部地图生成模块440执行。

在一些实施例中，局部地图可以分成很多个小块，每个小块对应一个分块地图，无论位于哪个地理位置，只要每个终端里存储着当前位置附近的若干个分块地图，都能够正常使用该地图。局部地图生成模块440可以将局部地图以一定大小(例如，200m*200m、400m*400m、600m*600m等)进行栅格分块，将属于同一个分块的优化后的车辆位姿节点和与优化后的位姿节点对应的局部点云集进行聚合，生成对应的分块地图。在一些实施例中，局部地图生成模块440可以将划分后的多个分块地图的任务分配到分布式计算平台中给不同的计算平台来完成，从而使得多个分块地图并行完成。在一些实施例中，多个分块地图的计算可能会依赖相同的局部点云集(例如，该局部点云集是一个跨地图分块的点云集)，并行计算时可以将相邻的分块地图放在同一个计算平台上计算，以减少网络I/O。在一些实施例中，高精度地图构建方法还可以包括对局部地图进行合并与更新得到全局地图，该步骤可以由全局地图构建模块450执行。在一些实施例中，单次采集的数据(即一个trip)可以通过上述步骤中的地图构建方法生成对应的局部地图。若物理世界没有发生变化，局部地图可以被合并到全局地图中；若物理世界发生变化，则需要在删除变更区域数据的基础上再进行局部地图合并的操作。在一些实施例中，局部地图的合并包括重叠区域的约束计算和优化、局部地图自身分块数据的计算，这些过程与上述地图构建方法中对应的过程相似，此处不再赘述。在一些实施例中，局部地图的合并还包括优化后的局部地图需要与全局地图进行的同一个数据分块进行合并计算。在一些实施例中，合并计算也可以分块为单位进行并行化的处理。在一些实施例中，当物理世界发生变化时，对应采集的原始地图数据将同步更新到数据库中，从而使对应的地图同步更新。

应当注意的是，以上关于流程500及其描述，仅出于说明的目的而提供，并非旨在限制本申请的范围。对于本领域的普通技术人员来说，可以根据本申请的描述，做出各种各样的修正和改变。然而，这些修正和改变不会背离本申请的范围。例如，步骤530可以划分为两个子步骤，子步骤一用于实现对位姿节点及其对应的点云数据集的配准，子步骤二用于实现基于配准后的位姿节点和位姿节点之间的关系，对初始位姿图的优化。

图6是根据本申请一些实施例所示的一种高精度地图构建过程对应的逻辑关系图。在一些实施例中，全局地图的构建可以是由一个或多个局部地图的构建然后合并或更新到全局地图中。一次的局部地图的构建可以称为一次建图任务，而每一次的局部地图的建图任务又可以分成多个建图子任务。在一些实施例中，可以按照图6所示的逻辑图从上往下看，全局地图的构建任务可以按照行政区域、地理范围等方法将其划分为多个局部地图的构建任务，局部地图构建任务1、局部地图构建任务2、……、局部地图构建任务n，每一个局部地图的构建任务又可以分为局部点云集构建子任务、位姿点云集配准子任务、位姿图优化子任务以及分块地图构建子任务。关于前述子任务的详细过程，可以参见图5各步骤的相关说明，在此不再赘述。在一些实施例中，每一个构建子任务中，又可以分为多个子步骤并行处理。例如，在局部点云集构建子任务中，可以将获取的车辆位姿数据和点云数据按照时间长度进行数据划分，得到多个数据片段，该子任务可以对应多个任务，每个任务负责处理对应的几个数据片段，由一个计算平台负责执行，每个任务可分布式同时执行。又例如，在位姿点云集配准子任务中，可以根据点云数据中的空间、时间等信息，建立一个或多个对应的位姿节点之间的匹配连接，并利用ICP、NDT等算法计算匹配连接对应的两个位姿节点间的转换关系，将这些匹配连接的计算作为基本计算单元，按照空间和位姿节点的相关性进行划分，划分给不同的任务，该子任务可以对应多个任务，每个任务负责处理不同位姿节点之间的配准计算，由一个计算平台负责执行，每个任务可分布式同时执行。又例如，分块地图构建子任务可以将局部地图以一定大小进行栅格分块，将属于同一个分块的优化后的车辆位姿节点和与优化后的位姿节点对应的局部点云集进行聚合，生成对应的分块地图。分块地图构建子任务可以包括多个分布式并行处理的分块地图的建图子任务。

本申请实施例可能带来的有益效果包括但不限于：(1)将全局地图的构建任务划分一个或多个局部地图的构建子任务，再将子任务中的多个子步骤进行多次分布式处理，可以快速完成高精度地图构建，提高了效率、降低了成本；(2)原始地图数据的分布式存储解决了地图数据的存储需求大和动态更新的困难，便于地图数据的管理，以及能够实现地图数据大规模的合并处理。需要说明的是，不同实施例可能产生的有益效果不同，在不同的实施例里，可能产生的有益效果可以是以上任意一种或几种的组合，也可以是其他任何可能获得的有益效果。

上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本申请的限定。虽然此处并没有明确说明，本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。

同时，本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。

此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。

计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质，或任何上述介质的组合。

本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(LAN)或广域网(WAN)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(SaaS)。

此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。

同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。

针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外，对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是，如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方，以本申请的描述、定义和/或术语的使用为准。

最后，应当理解的是，本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此，作为示例而非限制，本申请实施例的替代配置可视为与本申请的教导一致。相应地，本申请的实施例不仅限于本申请明确介绍和描述的实施例。

Claims (10)

1.一种高精度地图构建方法，其特征在于，包括：

构建局部地图，基于多个所述局部地图得到全局地图；

其中，局部地图的构建包括：

获取车辆的位姿数据和与激光雷达相关的点云数据；

将所述位姿数据和所述点云数据按照切分规则进行切分，得到一个或多个数据片段，所述切分规则为按照固定时间长度切分；

对所述一个或多个数据片段进行并行处理，得到与所述一个或多个数据片段对应的一个或多个位姿节点及其对应的点云；

基于所述一个或多个位姿节点及其对应的点云聚合得到初始位姿图及其对应的局部点云集；

基于所述局部点云集进行配准和优化处理，得到优化后的位姿节点和与所述优化后的位姿节点相对应的局部点云集，所述基于所述局部点云集进行配准和优化处理包括：

基于所述点云数据之间的空间和/或时间信息，建立所述一个或多个位姿节点之间的匹配连接；

基于所述一个或多个位姿节点之间的匹配连接，利用第一算法计算所述匹配连接对应的两个位姿节点间的转换关系，得到配准后的位姿节点、位姿节点之间的关系；

基于所述配准后的位姿节点和位姿节点之间的关系，对所述初始位姿图进行优化，得到优化后的位姿图和与所述优化后的位姿图对应的局部点云集；

基于所述优化后的位姿节点和与所述优化后的位姿节点对应的局部点云集生成局部地图。

2.如权利要求1所述的方法，其特征在于，所述第一算法为迭代最近点算法和/或正态分布转换算法。

3.如权利要求1所述的方法，其特征在于，所述基于所述优化后的位姿节点和与所述优化后的位姿节点对应的局部点云集生成局部地图包括：

将地图以一定大小进行栅格分块；

将属于同一个分块的优化后的所述位姿节点和与所述优化后的位姿节点对应的局部点云集进行聚合，生成多个分块地图；

基于所述多个分块地图聚合生成局部地图。

4.如权利要求1所述的方法，其特征在于，所述获取的车辆位姿数据和与激光雷达相关的点云数据存储于分布式文件系统中。

5.一种高精度地图构建系统，其特征在于，包括：

获取模块，获取车辆的位姿数据和与激光雷达相关的点云数据；

局部点云集生成模块，用于：

将所述位姿数据和所述点云数据按照切分规则进行切分，得到一个或多个数据片段，所述切分规则为按照固定时间长度切分；

对所述一个或多个数据片段进行并行处理，得到与所述一个或多个数据片段对应的一个或多个位姿节点及其对应的点云；

基于所述一个或多个位姿节点及其对应的点云聚合得到初始位姿图及其对应的局部点云集；配准优化模块，用于基于所述局部点云集进行配准和优化处理，得到优化后的位姿节点和与所述优化后的位姿节点相对应的局部点云集，为基于所述局部点云集进行配准和优化处理，所述配准优化模块：

基于所述点云数据之间的空间和/或时间信息，建立所述一个或多个位姿节点之间的匹配连接；

基于所述一个或多个位姿节点之间的匹配连接，利用第一算法计算所述匹配连接对应的两个位姿节点间的转换关系，得到配准后的位姿节点、位姿节点之间的关系；

基于所述配准后的位姿节点和位姿节点之间的关系，对所述初始位姿图进行优化，得到优化后的位姿图和与所述优化后的位姿图对应的局部点云集；

局部地图生成模块，基于所述优化后的位姿节点和与所述优化后的位姿节点对应的局部点云集生成局部地图；

全局地图构建模块，用于基于多个所述局部地图得到全局地图。

6.如权利要求5所述的系统，其特征在于，所述第一算法为迭代最近点算法和/或正态分布转换算法。

7.如权利要求5所述的系统，其特征在于，所述局部地图生成模块进一步用于：

将地图以一定大小进行栅格分块；

将属于同一个分块的优化后的所述位姿节点和与所述优化后的位姿节点对应的局部点云集进行聚合，生成多个分块地图；

基于所述多个分块地图聚合生成局部地图。

8.如权利要求5所述的系统，其特征在于，所述获取的车辆位姿数据和与激光雷达相关的点云数据存储于分布式文件系统中。

9.一种高精度地图构建装置，其特征在于，所述装置包括至少一个处理器和至少一个存储设备，所述存储设备用于存储指令，当所述至少一个处理器执行所述指令时，实现如权利要求1~4中任一项所述的方法。

10.一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取所述存储介质中的所述计算机指令后，所述计算机执行如权利要求1~4中任一项所述的方法。

Images