CN111968229A - 高精度地图制图方法及装置 - Google Patents
高精度地图制图方法及装置 Download PDFInfo
- Publication number
- CN111968229A CN111968229A CN202010598678.XA CN202010598678A CN111968229A CN 111968229 A CN111968229 A CN 111968229A CN 202010598678 A CN202010598678 A CN 202010598678A CN 111968229 A CN111968229 A CN 111968229A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- point
- spatial
- pose
- point clouds
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 101
- 238000005457 optimization Methods 0.000 claims abstract description 58
- 230000015654 memory Effects 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 9
- 230000001172 regenerating effect Effects 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 21
- 230000000875 corresponding effect Effects 0.000 description 24
- 238000013507 mapping Methods 0.000 description 10
- 238000001514 detection method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 230000002123 temporal effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G01S17/894—3D imaging with simultaneous measurement of time-of-flight at a 2D array of receiver pixels, e.g. time-of-flight cameras or flash lidar
-
- 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
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
- G01S17/06—Systems determining position data of a target
-
- 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
- G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
-
- 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
- G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
- G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/521—Depth or shape recovery from laser ranging, e.g. using interferometry; from the projection of structured light
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
- G06V20/647—Three-dimensional objects by matching two-dimensional images to three-dimensional objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/23—Recognition of whole body movements, e.g. for sport training
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Electromagnetism (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Graphics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Optics & Photonics (AREA)
- Social Psychology (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Navigation (AREA)
- Processing Or Creating Images (AREA)
- Optical Radar Systems And Details Thereof (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本申请公开了高精度地图制图方法及装置,涉及自动驾驶领域。具体实现方案为:获取多个点云的全局初始位姿,点云为激光雷达采用多圈采集方式采集的待建地图的场所的点云;根据多个点云的空间分布关系,将多个点云划分到多个空间子图中;针对每个空间子图,对属于该空间子图中的点云的全局初始位姿进行优化,以得到每个空间子图中的点云的全局位姿;根据多个空间子图中的点云的全局位姿,对多个空间子图进行拼接,得到待建地图的底图。与现有技术相比,本申请将多帧点云划分到多个空间子图中,针对每个空间子图,对属于该空间子图中的点云的全局初始位姿进行优化,减少了优化过程的计算量,进而可以提升点云拼接的效率,快速完成制图的优化。
Description
技术领域
本申请涉及自动驾驶领域,尤其涉及高精度地图技术,公开了一种高精度地图制图方法及装置。
背景技术
高精度地图是自动驾驶中重要的组成部分,高精度地图结合无人车的实时定位技术为无人车的自动驾驶提供了场景感知、决策等基础的技术支持。为了完成大规模的高精度制图,提高高精度地图的制图效率十分重要。
现有技术中,高精度地图通常包含不同的图层,其中地图的底层通常用于建模实际的三维环境。为了得到高精度地图的底层,通常使用激光雷达(LiDAR)采集点云数据,并将点云数据上传、解算、初值估计、优化迭代,从而生成高精度地图的底层。随后,再将高精度地图的底层和其他图层共同拼接生成高精度地图。
然而,在高精度地图的底图的生成过程中,现有技术在初值估计过程中对于点云的初值依赖较重,进而导致对于弱全球定位系统(global positioning system,GPS)场景的适应能力不强,使得优化过程计算量大,无法快速完成制图的优化。
发明内容
提供了一种用于制图方法及装置,以解决现有技术中无法快速完成制图的优化的问题。
根据第一方面,提供了一种高精度地图制图方法,包括:
获取多个点云的全局初始位姿,所述点云为激光雷达采用多圈采集方式采集的待建地图的场所的点云;
根据所述多个点云的空间分布关系,将所述多个点云划分到多个空间子图中;
针对每个空间子图,对属于该空间子图中的点云的全局初始位姿进行优化,以得到每个空间子图中的点云的全局位姿;
根据所述每个空间子图中的点云的全局位姿,对所述多个空间子图进行拼接,得到所述待建地图的底图。
根据第二方面,提供了一种高精度地图制图装置,包括:
获取模块,用于获取多个点云的全局初始位姿,所述点云为激光雷达采用多圈采集方式采集的待建地图的场所的点云;
优化模块,用于根据所述多个点云的空间分布关系,将所述多个点云划分到对个空间子图中;针对每个空间子图,对属于空间子图中的点云的全局初始位姿进行优化,以得到每个空间子图中的点云的全局位姿;
拼接模块,用于根据所述每个空间子图中的点云的全局位姿,对所述多个空间子图进行拼接,得到所述待建地图的底图。
根据第三方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行第一方面所述的方法。
根据第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行上述第一方面所述的方法。
根据本申请的技术解决了现有技术中无法快速完成制图的优化的技术问题。与现有技术相比,本申请将多帧点云划分到多个空间子图中,针对每个空间子图,对属于该空间子图中的点云的全局初始位姿进行优化,减少了优化过程的计算量,进而可以提升点云拼接的效率,快速完成制图的优化。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1为本申请实施例提供的一种高精度地图制图方法的场景示意图;
图2为本申请实施例提供的一种高精度地图制图方法的流程示意图;
图3为本申请实施例提供的另一种高精度地图制图方法的流程示意图;
图4为本申请实施例提供的再一种高精度地图制图方法的流程示意图;
图5为本申请实施例提供的又一种高精度地图制图方法的流程示意图;
图6为本申请实施例提供的又一种高精度地图制图方法的流程示意图;
图7为本申请实施例提供的一种高精度地图制图装置的结构示意图;
图8为本申请实施例提供的一种用于高精度地图制图方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
高精度地图是自动驾驶中重要的组成部分,高精度地图结合无人车的实时定位技术为无人车的自动驾驶提供了场景感知、决策等基础的技术支持。为了完成大规模的高精度制图,提高高精度地图的制图效率十分重要。
现有技术中,高精度地图通常包含不同的图层,其中地图的底层通常用于建模实际的三维环境。为了得到高精度地图的底层,通常使用激光雷达(LiDAR)采集点云数据,并将点云数据上传、解算、初值估计、优化迭代,从而生成高精度地图的底层。随后,再将高精度地图的底层和其他图层共同拼接生成高精度地图。
然而,在高精度地图的底图的生成过程中,现有技术在初值估计过程中对于点云的初值依赖较重,进而导致对于弱全球定位系统(global positioning system,GPS)场景的适应能力不强,使得优化过程计算量大,无法快速完成制图的优化。
考虑到上述问题,本申请实施例提供一种高精度地图制图方法及装置,以解决现有技术中无法快速完成制图的优化的技术问题。本申请的技术构思是:将激光雷达采用多圈采集方式采集的多帧点云划分到多个空间子图中分别进行全局初始位姿优化,再对各空间子图进行拼接,得到待建地图的底图。与现有技术相比,本申请提供的制图方法,减少了优化过程的计算量,进而可以提升点云拼接的效率,快速完成制图的优化。
为了清楚理解本申请的技术方案,下面对本申请中涉及的名词进行解释:
点云:指扫描资料以点的形式进行记录,每个点包含有三维坐标,还可能含有颜色信息,反射强度信息等。其中,颜色信息通常是通过采集设备获取图像并将图像中对应位置的像素点的颜色信息赋予点云中的对应的点确定的。反射强度信息的获取是激光雷达接收装置采集到的回波强度,此强度信息与目标的表面材质,粗糙度,入射角方向以及仪器的发射能量,激光波长有关。
位姿:指点云在指定坐标系中的位置和姿态。
空间子图:按照点云的位置分布包括有某个区域的点云数据,不同的空间子图聚合在一起,可以形成待建地图的底图。
时间子图:按照时间顺序不断添加最新帧的点云进行数据更新的点云数据。
下面对本申请的使用场景进行说明。
图1为本申请实施例提供的一种高精度地图制图方法的场景示意图。如图1所示,在绘制高精度地图时,激光雷达101采用多圈采集方式采集的待建地图的场所的点云。随后,激光雷达101将点云的信息发送给电子设备102,电子设备102对点云进行处理,生成待建地图的底图,进而将待建地图的底图和待建地图的其他图层拼接成高精度地图。车辆103在自动驾驶过程中可以获取电子设备102中的高精度地图,从而根据高精度地图对自动驾驶路线进行规划。
其中,激光雷达101,是一种以发射激光束探测目标的位置、速度等特征量的雷达。激光雷达101可以设置在车辆103上,也可以不设置在车辆103上。
电子设备102可以是终端设备,也可以是服务器。终端设备可以是但不限于计算机,移动电话、消息收发设备,平板设备,个人数字助理等用户设备。服务器可以是但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算的由大量计算机或网络服务器构成的云。其中,云计算是分布式计算的一种,由一群松散耦合的计算机组成的一个超级虚拟计算机。
需要说明的是,本申请实施例提供的应用场景包括但不限于自动驾驶的场景,还可以运用于其他任一需要高精度地图的场景中。
本申请实施例提供的高精度地图制图方法的执行主体可以为高精度地图制图装置。该高精度地图制图装置可以通过软件和/或硬件的方式实现,其中硬件可例如上述的电子设备或电子设备中的芯片,软件可例如计算机程序指令或应用程序等。
下面以集成或安装有相关执行代码的服务器为例,以具体地实施例对本申请实施例的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
图2为本申请实施例提供的一种高精度地图制图方法的流程示意图,本实施例涉及的是如何进行高精度地图制图的过程。如图2所示,该方法包括:
S201、获取多个点云的全局初始位姿,点云为激光雷达采用多圈采集方式采集的待建地图的场所的点云。
其中,多圈采集方式可以理解为将待建地图的场所划分为多个采集圈,激光雷达逐圈采集点云。
本申请实施例对于如何获取多个点云的全局初始位姿不做限制,在一些实施例中,在全球定位系统(Global Positioning System,GPS)信号较好的区域,服务器可以直接接收GPS数据和/或惯性测量单元(Inertial measurement unit,IMU)数据,从GPS数据和/或IMU数据中,获取多个点云的全局初始位姿。
在一些实施例中,当在室内采集点云或者被遮挡时,GPS信号较弱,此时服务器可以首先通过接收轮速计和IMU发送的轮速计数据和IMU数据,获取时间上相邻的两个点云之间的相对位姿。其次,服务器可以获取至少一时间子图,每个时间子图包括时间上相邻的点云。再次,服务器可以根据全球定位系统GPS数据、时间上相邻的两个点云之间的相对位姿、以及,至少一时间子图,生成第一位姿图;其中,每个点云被表征为第一位姿图中的一个节点,相邻的两个点云被表征为第一位姿图中的相邻节点。最后,服务器可以优化第一位姿图,获取多个点云的全局初始位姿。
其中,时间子图具体包括有多分辨率的占据网格数据和反射值网格数据。网格数据是由多个像元(Cell)按照行列方式构成的。示例性的,针对占据网格,一个网格对应的Cell只有被占用和未被占用两种状态。若激光雷达在一个网格对应的位置扫描到障碍物,则Cell为被占用状态,若激光雷达未在一个网格对应的位置扫描到障碍物,则Cell为未被占用状态。示例性的,针对反射值网格,每个网格对应的Cell为雷达信号的反射值。
下面对于第一位姿图进行说明。示例性的,在图优化生成的第一位姿图中,每个时间子图均对应的设置有一个节点,时间子图中的每个点云也对应的设置有一个节点。时间子图的节点和时间子图中的点云的节点之间为子图内部的边,相邻的两个点云的节点之间为相邻节点的边。其中,子图节点的边可以通过单圈约束或多圈约束来构成,单圈和多圈是指激光雷达扫描的圈数。相邻节点的边可以通过相邻的两个点云之间的相对位姿来构成。
S202、根据多个点云的空间分布关系,将多个点云划分到多个空间子图中。
其中,多个点云的空间分布关系可以为在高度方向上的空间关系和在水平方向上的空间关系。具体的,服务器可以根据点云在高度方向上的空间关系,以及,点云在水平方向上的空间关系,将点云划分到多个空间子图中。
本申请实施例可以采用一种空间分布关系将多个点云划分到多个空间子图中,也可以采用多种空间分布关系将多个点云划分到多个空间子图中,本申请对此不做限制。
在一些实施例中,在高度方向上,服务器根据多个点云在高度上的分层,将位于同一层的点云划分到同一个空间子图中。在水平方向上,服务器根据多个点云的全局初始位姿形成的轨迹,得到点云的无向图。此外,还可以通过最小割算法对无向图进行分割,将无向图中点云划分到多个空间子图中。
示例性的,以在高度方向上的空间关系为例划分空间子图,若待建地图的场所为多层地库,则在高度方向上,将每一层地库分布的多个点云划分到同一个空间子图中。以在水平方向上的形成轨迹为例划分空间子图,在水平方向上,服务器可以根据多个点云的全局初始位姿形成的轨迹,得到点云的无向图,再通过最小割算法对无向图进行分割,将无向图中点云划分到多个空间子图中。此外,通过最小割算法从无向图分割出的空间子图还可以进行聚类,若分割出的空间子图小于预设的空间子图阈值,则可以将其合并至相邻的空间子图中。
S203、针对每个空间子图,对属于该空间子图中的点云的全局初始位姿进行优化,以得到每个空间子图中的点云的全局位姿。
在本申请实施例中,服务器将多个点云划分到多个空间子图中后,可以针对每个空间子图,对属于该空间子图中的点云的全局初始位姿进行优化,以得到每个空间子图中的点云的全局位姿。其中,不同的空间子图中的点云可以采用不同的优化方式,或者,也可以采用相同的优化方式。
在一些实施例中,在进行优化前,服务器可以确定空间子图中满足误差条件的点云,从而根据空间子图中满足误差条件的点云的比例是否大于比例阈值,来确定空间子图中的点云的优化方式。
示例性的,对于每个点云,可以搜索其对应时间戳附近的原始GPS 数据,并将GPS状态作为误差条件,具体的,若满足GPS的星数>8,位置的误差小于0.05m的条件,则可以认为点云满足误差条件。此外,由于采集的数据无法保证获取的多个点云均匀分布于待建地图的场所,在通常情况下,路口等待/限速区域等道路中点云分布密集,其他地方往往点云分布稀疏。因此,在判断点云是否满足误差条件前,可以按照点云的空间分布,对点云进行下采样,从而减少运算量。
在一些实施例中,采用对应的优化方式对点云的全局初始位姿进行优化前,还可以根据点云的距离限值,将空间子图中存在共同观测点、且全局初始位姿之间的差值绝对值小于距离限值的两个点云构成一个点云对,其中,点云对的权重与点云对所包括的点云在时间上的距离负相关。
在一些实施例中,若空间子图中满足误差条件的点云的比例大于预设比例阈值,则可以采用小规模优化。具体的,小规模优化可以包括丢弃空间子图中权重小于第一阈值的第一点云对,使用泛化迭代最近点算法确定空间子图中除第一点云对之外的第二点云对中各点云的相对位姿,最后,通过位姿图,将第二点云对中各点云的相对位姿和第二点云对中各点云的全局初始位姿进行融合,获取第二点云对中各点云的全局位姿。
在一些实施例中,若空间子图中满足误差条件的点云的比例小于或等于预设比例阈值,则可以采用大规模的优化。具体的,大规模优化包括获取空间子图中各点云对的点对,根据空间子图中各点云对的点对,以及,各点云对的权重,获取各点云对中每个点云的相对位姿;通过位姿图,将各点云对中各点云的相对位姿和各点云对中各点云的全局初始位姿进行融合,获取各点云对中各点云的全局位姿。
S204、根据每个空间子图中的点云的全局位姿,对多个空间子图进行拼接,得到待建地图的底图。
在本申请实施例中,在完成各空间子图中的点云的全局初始位姿的优化后,可以根据多个空间子图中的点云的全局位姿,对多个空间子图进行拼接,得到待建地图的底图。
本申请实施例对于如何将空间子图拼接为待建地图的底图不做限制。示例性的,可以将各空间子图中的点云的全局位姿作为边,各空间子图中的各个点云作为节点,构成位姿图。该位姿图中,一部分点云只属于一个空间子图,这部分点云的全局位姿,被多个空间子图共享的点云会加入待优化问题,这里对于靠近空间子图边界的点云,系统给与更高权重,远离空间子图边界的点云给与更低权重。该优化过程可以表示为一个图优化。在完成优化之后,将不同的空间子图聚合在一起,形成待建地图的底图。
本申请实施例提供的制图方法,通过获取多个点云的全局初始位姿,点云为激光雷达采用多圈采集方式采集的待建地图的场所的点云;根据多个点云的空间分布关系,将多个点云划分到多个空间子图中;针对每个空间子图,对属于该空间子图中的点云的全局初始位姿进行优化,以得到每个空间子图中的点云的全局位姿;根据多个空间子图中的点云的全局位姿,对多个空间子图进行拼接,得到待建地图的底图。与现有技术相比,本申请将多个点云划分到多个空间子图中,针对每个空间子图,对属于该空间子图中的点云的全局初始位姿进行优化,减少了优化过程的计算量,进而可以提升点云拼接的效率,快速完成制图的优化。个个个多个个个多个
在上述实施例的基础上,下面对于如何获取多个点云的全局初始位姿进行说明。在一些实施例中,若在室外等GPS信号良好的场所,服务器可以直接通过全球定位系统GPS数据和/或惯性测量单元IMU数据,获取多个点云的全局初始位姿。若在室内或被遮挡GPS信号的场所,可以使用 LiDAR即时定位与地图构建(simultaneous localization andmapping,SLAM) 系统来获取多个点云的全局初始位姿。
图3为本申请实施例提供的另一种高精度地图制图方法的流程示意图。图3涉及的是如何采用LiDAR SLAM来获取多个点云的全局初始位姿。如图3,高精度地图制图方法包括:
S301、通过轮速计数据和惯性测量单元IMU数据,获取时间上相邻的两个点云之间的相对位姿。
在本步骤中,服务器可以接收轮速计数据和IMU数据,并基于轮速计数据和IMU数据,预测时间上相邻的两个点云之间的相对位姿。本申请实施例对于具体的预测过程不做限制,可以根据现有的预测方法进行。
S302、获取至少一时间子图,每个时间子图包括时间上相邻的点云。
本步骤中,服务器在获取时间上相邻的两个点云之间的相对位姿之后,可以获取多个时间子图。
在一些实施例中,可以将时间上相邻的两个点云之间的相对位姿作为先验,将点云和多个时间子图进行匹配。在完成匹配后,可以使用匹配的点云对时间子图进行更新。在时间子图中不存在点云时,可以将点云填入时间子图中。
其中,时间子图具体包括有多分辨率的占据网格数据和反射值网格数据。网格数据是由多个像元(Cell)按照行列方式构成的。示例性的,针对占据网格,一个网格对应的Cell只有被占用和未被占用两种状态。若激光雷达在一个网格对应的位置扫描到障碍物,则Cell为被占用状态,若激光雷达未在一个网格对应的位置扫描到障碍物,则Cell为未被占用状态。示例性的,针对反射值网格,每个网格对应的Cell为雷达信号的反射值。
S303、根据全球定位系统GPS数据、时间上相邻的两个点云之间的相对位姿、以及,至少一时间子图,生成第一位姿图;其中,每个点云被表征为第一位姿图中的一个节点,相邻的两个点云被表征为第一位姿图中的相邻节点。
下面对于第一位姿图进行说明。示例性的,在图优化生成的第一位姿图中,每个时间子图均对应的设置有一个节点,时间子图中的每个点云也对应的设置有一个节点。时间子图的节点和时间子图中的点云的节点之间为子图内部的边,相邻的两个点云的节点之间为相邻节点的边。其中,子图节点的边可以通过单圈约束或多圈约束来构成,单圈和多圈是指激光雷达扫描的圈数。相邻节点的边可以通过相邻的两个点云之间的相对位姿来构成。
在一些实施例中,时间子图的多圈约束和单圈约束,与,对点云闭环检测时所使用的点云搜索距离相关。具体的,由于点云和多个时间子图进行匹配的过程中会存在累积漂移,此时可以对点云进行闭环检测来有效降低该累积漂移。闭环检测结果一般具有一致性,即点云搜索距离存在多个能够匹配上闭环检测时,可以利用该特性对闭环检测结果进行检查。
在本申请中,由于点云和时间子图的匹配以及点云的闭环检测均在局部坐标系中,而制图系统最终需要得到全局的位姿,因此需要通过GPS 数据将点云的轨迹转换至全局坐标系,使用位姿图(Pose Graph)融合上述数据。在生成位姿图的过程中,时间上相邻的两个点云之间的相对位姿约束构成第一位姿图的相邻节点的边,时间子图的多圈约束和单圈约束构成第一位姿图的子图级别的边。另外,为了融合GPS数据,利用区域全球 (local-global)变换在位姿图中构建一个虚拟节点,使得点云状态与GPS 量测相匹配。
S304、优化第一位姿图,获取多个点云的全局初始位姿。
本申请实施例对于如何优化第一位姿图获取多个点云的全局初始位姿不做限制,可以根据现有的位姿图优化方式进行。
本申请实施例提供的高精度地图制图方法,首先通过轮速计数据和 IMU数据,获取时间上相邻的两个点云之间的相对位姿。随后,获取多个时间子图。之后,根据全球定位系统GPS数据、时间上相邻的两个点云之间的相对位姿、以及,多个时间子图,生成第一位姿图。最后,优化第一位姿图,获取多个点云的全局初始位姿。通过该方式,可以降低制图过程对于全局初始位姿质量的依赖,对于弱GPS场景具有更好的适用性。
在上述实施例的基础上,下面对于提供一种小规模优化的方法对属于同一空间子图中的点云的全局初始位姿进行优化。图4为本申请实施例提供的再一种高精度地图制图方法的流程示意图。如图4,高精度地图制图方法包括:
S401、获取多个点云的全局初始位姿,点云为激光雷达采用多圈采集方式采集的待建地图的场所的点云。
S401的技术效果、技术特征,以及可选实施方式,可参照图2示的 S201内容,在此不再累述。
S402、确定各个点云是否满足误差条件。
其中,误差条件包括点云的时间戳对应的GPS卫星的数量超过第二阈值,以及点云的位置误差小于第三阈值。
本申请实施例对于第二阈值和第三阈值不做限制,可以根据实际情况具体设置。
示例性的,对于各个点云,可以搜索其对应时间戳附近的原始GPS 数据,并将GPS状态作为误差条件,具体的,若满足GPS的星数大于8,点云的位置的误差小于0.05m的条件,则可以认为点云满足误差条件。此外,由于采集的数据无法保证获取的多个点云均匀分布于待建地图的场所,在通常情况下,路口等待/限速区域等道路中点云分布密集,其他地方往往点云分布稀疏。因此,在判断点云是否满足误差条件前,可以按照点云的空间分布,对点云进行下采样,从而减少误差。
S403、根据多个点云的空间分布关系,将多个点云划分到多个空间子图中。
S403的技术效果、技术特征,以及可选实施方式,可参照图2示的 S202内容,在此不再累述。
S404、根据点云的距离限值,将空间子图中存在共同观测点、且全局初始位姿之间的差值绝对值小于距离限值的两个点云构成一个点云对,其中,点云对的权重与点云对所包括的点云在时间上的距离负相关。
其中,点云的距离限值为预设的值,并且可以根据待建地图的底图的拼接质量进行调整。
示例性的,对于各空间子图中降采样后的点云i,可以遍历该空间子图中的其他点云,若找到其他点云与点云i在水平方向上的距离小于点云的距离限值θ2,则可以认为两个点云存在共同观测点,且全局初始位姿之间的差值绝对值小于距离限值,则相应的,可以将两个点云构成一个点云对(frame pair)。
在一些实施例中,为了平滑多圈间轨迹的误差以避免多圈引入的重影,可以为点云对分配不同的权重。多圈间的点云对在空间上靠近,但在时间上距离较远,因此在时间上的距离近点云对的权重低,时间上距离远的点云对权重高,点云对权重的表示如公式(1):
其中,σ一般可以设为10。
S405、若空间子图中满足误差条件的点云的比例大于预设比例阈值,则丢弃空间子图中权重小于第一阈值的第一点云对,其中,误差条件包括点云的时间戳对应的GPS卫星的数量超过第二阈值,以及点云的位置误差小于第三阈值。
本申请实施例对于比例阈值不做限制,可以根据实际情况具体设置,示例性的,可以设置为0.5、0.8等。
在一些实施例中,除了考虑满足误差条件的点云的比例,还需要满足误差条件的点云的外接最小矩形的面积和空间子图的最小外接矩形面积的比例。
示例性的,以上述两个比例阈值均为0.8为例,若统计各空间子图中满足误差条件的点云的比例大于0.8,且满足误差条件的点云的外接最小矩形的面积和空间子图的最小外接矩形面积的比例大于0.8,则该空间子图中的点云可以采用小规模优化。
在小规模的优化中,若权重小于1则服务器丢弃该点云对,若权重大于1,则服务器保留该点云对。
S406、使用泛化迭代最近点(generalized iterative closest point,GICP) 算法确定空间子图中除第一点云对之外的第二点云对中各点云的相对位姿。
本申请实施例对于如何使用泛化迭代最近点算法确定点云的相对位姿不做限制,可以采用现有的方式进行。
S407、通过位姿图,将第二点云对中各点云的相对位姿和第二点云对中各点云的全局初始位姿进行融合,获取第二点云对中各点云的全局位姿。
在本步骤中,在确定第二点云对中各点云的相对位姿后,可以通过位姿图,将第二点云对中各点云的相对位姿和第二点云对中各点云的全局初始位姿进行融合,获取第二点云对中各点云的全局位姿。
示例性的,在完成相对位姿的估计之后,我们利用位姿图将各点云的相对位姿及各点云的全局初始位姿进行融合,在位姿图中,每个点云的相对位姿为一个节点,相对约束构成二元(binary)边,全局初始位姿构成一元(unary)边,从而获取第二点云对中各点云的全局位姿。
本申请中,经过位姿图的优化,输出的各点云的全局位姿更加平滑。
在上述实施例的基础上,下面对于提供一种大规模优化的方法对属于同一空间子图中的点云的全局初始位姿进行优化。图5为本申请实施例提供的又一种制图方法的流程示意图。如图5,制图方法包括:
S501、获取多个点云的全局初始位姿,点云为激光雷达采用多圈采集方式采集的待建地图的场所的点云。
S502、确定各个点云是否满足误差条件。
S503、根据多个点云的空间分布关系,将多个点云划分到多个空间子图中。
S504、根据点云的距离限值,将空间子图中存在共同观测点、且全局初始位姿之间的差值绝对值小于距离限值的两个点云构成一个点云对,其中,点云对的权重与点云对所包括的点云在时间上的距离负相关。
S501-S504的技术效果、技术特征,以及可选实施方式,可参照图4 示的S401-S404内容,在此不再累述。
S505、若空间子图中满足误差条件的点云的比例小于或等于预设比例阈值,则获取空间子图中各点云对的点对,其中,误差条件包括点云的时间戳对应的GPS卫星的数量超过第二阈值,以及点云的位置误差小于第三阈值。
本申请实施例对于比例阈值不做限制,可以根据实际情况具体设置,示例性的,可以设置为0.5、0.8等。
在一些实施例中,除了考虑满足误差条件的点云的比例,还需要满足误差条件的点云的外接最小矩形的面积和空间子图的最小外接矩形面积的比例。
示例性的,以上述两个比例阈值均为0.8为例,若统计各空间子图中满足误差条件的点云的比例小于或等于0.8,或者,满足误差条件的点云的外接最小矩形的面积和空间子图的最小外接矩形面积的比例小于或等 0.8,则该空间子图中的点云可以采用大规模优化。
在大规模优化中,服务器可以在点云对中放入对应个间的相对位姿,通过该相对位姿,可以使用深度神经网络模型(DeepVCP)找到在空间子图中各点云对的点对(PointPair)。
S506、根据空间子图中各点云对的点对,以及,各点云对的权重,获取各点云对中每个点云的相对位姿。
与图4中实施例类似的,服务器可以先丢弃空间子图中权重小于第一阈值的第一点云对,再使用泛化迭代最近点算法确定空间子图中除第一点云对之外的第二点云对中各点对的点云的相对位姿。
示例性的,可以采用公式(2)来确定各点云的相对位姿:
其中,表示该深度神经网络模型对该点对预测的置信度,[Ri,ti],[Rj, tj]分别表示个i和个j点云的全局初始位姿,分别表示深度神经网络模型的点对中的任意一点对k。Γ为点云对的集合,Φij为在深度神经网络模型中构建的点对集合。
S507、通过位姿图,将各点云对中各点云的相对位姿和各点云对中各点云的全局初始位姿进行融合,获取各点云对中各点云的全局位姿。
S507的技术效果、技术特征,以及可选实施方式,可参照图4示的 S407内容,在此不再累述。
本申请中,通过深度神经网络模块构建的点对更加准确,可以进一步降低点对的数量,降低优化问题的规模。
在上述实施例的基础上,在完成待建地图的底图的拼接后,还可以对底图的拼接质量进行验证。若拼接质量不合格,则可以通过二次迭代的方式重新生成待建地图的底图。图6为本申请实施例提供的又一种高精度地图制图方法的流程示意图。如图6所示,制图方法包括:
S601、获取各个点云的全局初始位姿,点云为激光雷达采用多圈采集方式采集的待建地图的场所的点云。
S602、根据多个点云的空间分布关系,将多个点云划分到多个空间子图中。
S603、针对每个空间子图,对属于该空间子图中的点云的全局初始位姿进行优化,以得到每个空间子图中的点云的全局位姿。
S604、根据各空间子图中的点云的全局位姿,对空间子图进行拼接,得到待建地图的底图。
S601-S604的技术效果、技术特征,以及可选实施方式,可参照图2 示的S201-S204内容,在此不再累述。
S605、将底图中的点云按照多个区域进行划分。
在本申请中,得到待建地图的底图中包含有参与重建的所有点云的全局位姿,此时可以对底图的拼接质量进行验证。具体的,可以将底图中所有的点云划分成多个区域,每个区域覆盖一个接近街区或场景的范围。
本申请实施例对于如何划分区域不做限制,示例性的,可根据预设的尺寸划分,也可以根据地图上的建筑物划分。
S606、根据区域中不同圈采集的点云所对应的语义元素的位置偏差,确定区域多圈间的偏差,区域多圈间的偏差用于表征底图的拼接质量。
其中,本申请实施例对于语义元素不做限制,示例性的,可以为杆状物、地面等。
本申请实施例中,服务器可以提取每个区域中不同圈的语义元素,通过估计属于同一个区域的不同圈之间采集的点云对应语义元素之间的位置偏差,进而确定多圈间的偏差,该多圈间的偏差反应了地图拼接的质量。
S607、若区域多圈间的偏差低于第四阈值,则通过扩大点云搜索距离和点云的距离限值,重新生成待建地图的底图。
其中,本申请实施例对于第四阈值不做限制,可以根据实际情况具体设置。
本申请中,服务器可以对不同区域的底图的拼接质量进行评价,多圈间的偏差低于第四阈值的区域进入第二次迭代优化,此时,针对该区域可以根据优化结果质量的升降来选择多个不同的搜索方向。
具体的,对于多圈间的偏差,可以通过扩大前述的点云搜索距离和点云的距离限值来进行第二次迭代。第二次迭代中重启上述点云的优化及底图的拼接过程,并重新对地图的拼接质量进行检测,直至地图的拼接质量合格。
本申请实施例提供的高精度地图制图方法,通过将底图中的点云按照多个区域进行划分,并根据区域中不同圈采集的点云所对应的语义元素的位置偏差,确定区域多圈间的偏差。若区域多圈间的偏差低于第四阈值,则通过扩大点云搜索距离和点云的距离限值,重新生成待建地图的底图。通过该方式,能够分块完成地图拼接的优化及质量检测,根据质量检测的结果可以进一步扩大点云搜索距离和点云的距离限值,迭代完成数据的优化,有效提升制图的成功率。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序信息相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
图7为本申请实施例提供的一种高精度地图制图装置的结构示意图。该高精度地图制图装置可以通过软件、硬件或者两者的结合实现,可例如上述的服务器或服务器中的芯片,用于执行上述的通信方法。如图7所示,该高精度地图制图装置700包括:获取模块701、优化模块702、拼接模块703和迭代模块704。
获取模块701,用于获取多个点云的全局初始位姿,点云为激光雷达采用多圈采集方式采集的待建地图的场所的点云;
优化模块702,用于根据多个点云的空间分布关系,将多个点云划分到对个空间子图中;针对每个空间子图,对属于空间子图中的点云的全局初始位姿进行优化,以得到每个空间子图中的点云的全局位姿;
拼接模块703,用于根据每个空间子图中的点云的全局位姿,对多个空间子图进行拼接,得到待建地图的底图。
一种可选的实施方式中,获取模块701具体用于通过轮速计数据和惯性测量单元IMU数据,获取时间上相邻的两个点云之间的相对位姿;获取至少一时间子图,每个时间子图包括时间上相邻的点云;根据全球定位系统GPS数据、时间上相邻的两个点云之间的相对位姿、以及,至少一时间子图,生成第一位姿图;其中,每个点云被表征为第一位姿图中的一个节点,相邻的两个点云被表征为第一位姿图中的相邻节点;优化第一位姿图,获取多个点云的全局初始位姿。
一种可选的实施方式中,获取模块701具体用于通过全球定位系统 GPS数据和/或惯性测量单元IMU数据,获取多个点云的全局初始位姿。
一种可选的实施方式中,优化模块702具体用于根据点云在高度方向上的空间分布关系,以及,点云在水平方向上的空间分布关系,将多个点云划分到多个空间子图中。
一种可选的实施方式中,优化模块702具体用于在高度方向上,根据多个点云在高度上的分层,将位于同一层的点云划分到同一个空间子图中;在水平方向上,根据多个点云的全局初始位姿形成的轨迹,得到点云的无向图;通过最小割算法对无向图进行分割,将无向图中点云划分到多个空间子图中。
一种可选的实施方式中,优化模块702还用于根据点云的距离限值,将空间子图中存在共同观测点、且全局初始位姿之间的差值绝对值小于距离限值的两个点云构成一个点云对,其中,点云对的权重与点云对所包括的点云在时间上的距离负相关。
一种可选的实施方式中,优化模块702具体用于若空间子图中满足误差条件的点云的比例大于预设比例阈值,则丢弃空间子图中权重小于第一阈值的第一点云对,其中,误差条件包括点云的时间戳对应的GPS卫星的数量超过第二阈值,以及点云的位置误差小于第三阈值;使用泛化迭代最近点算法GICP确定空间子图中除第一点云对之外的第二点云对中各点云的相对位姿;通过位姿图,将第二点云对中各点云的相对位姿和第二点云对中各点云的全局初始位姿进行融合,获取第二点云对中各点云的全局位姿。
一种可选的实施方式中,优化模块702具体用于若空间子图中满足误差条件的点云的比例小于或等于预设比例阈值,则获取空间子图中各点云对的点对,其中,误差条件包括点云的时间戳对应的GPS卫星的数量超过第二阈值,以及点云的位置误差小于第三阈值;根据空间子图中各点云对的点对,以及,各点云对的权重,获取各点云对中每个点云的相对位姿;通过位姿图,将各点云对中各点云的相对位姿和各点云对中各点云的全局初始位姿进行融合,获取各点云对中各点云的全局位姿。
一种可选的实施方式中,该装置还包括:
迭代模块704,用于将底图中的点云按照至少一区域进行划分;根据区域中不同圈采集的点云所对应的语义元素的位置偏差,确定区域多圈间的偏差,区域多圈间的偏差用于表征底图的拼接质量;若区域多圈间的偏差低于第四阈值,则通过扩大点云搜索距离和点云的距离限值,重新生成待建地图的底图。
本申请实施例提供的高精度地图制图装置,可以执行上述方法实施例中的高精度地图制图方法的动作,其实现原理和技术效果类似,在此不再赘述。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图8所示,图8为本申请实施例提供的一种用于高精度地图制图方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图8所示,该电子设备包括:一个或多个处理器801、存储器802,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图8中以一个处理器801为例。
存储器802即为本申请所提供的非瞬时计算机可读存储介质。其中,存储器存储有可由至少一个处理器执行的指令,以使至少一个处理器执行本申请所提供的制图方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的制图方法。
存储器802作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的制图方法对应的程序指令/模块(例如,附图7所示的获取模块701、优化模块 702、拼接模块703和迭代模块704)。处理器801通过运行存储在存储器 802中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的制图方法。
存储器802可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据制图方法的电子设备的使用所创建的数据等。此外,存储器802可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器 802可选包括相对于处理器801远程设置的存储器,这些远程存储器可以通过网络连接至制图方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
制图方法的电子设备还可以包括:输入装置803和输出装置804。处理器801、存储器802、输入装置803和输出装置804可以通过总线或者其他方式连接,图8中以通过总线连接为例。
输入装置803可接收输入的数字或字符信息,以及产生与制图方法的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置804可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和 /或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入) 来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案,通过获取多个点云的全局初始位姿,点云为激光雷达采用多圈采集方式采集的待建地图的场所的点云;根据多个点云的空间分布关系,将多个点云划分到多个空间子图中;针对每个空间子图,对属于该空间子图中的点云的全局初始位姿进行优化,以得到每个空间子图中的点云的全局位姿;根据多个空间子图中的点云的全局位姿,对多个空间子图进行拼接,得到待建地图的底图。与现有技术相比,本申请将多帧点云划分到多个空间子图中,针对每个空间子图,对属于该空间子图中的点云的全局初始位姿进行优化,减少了优化过程的计算量,进而可以提升点云拼接的效率,快速完成制图的优化。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (20)
1.一种高精度地图制图方法,其特征在于,包括:
获取多个点云的全局初始位姿,所述点云为激光雷达采用多圈采集方式采集的待建地图的场所的点云;
根据所述多个点云的空间分布关系,将所述多个点云划分到多个空间子图中;
针对每个空间子图,对属于该空间子图中的点云的全局初始位姿进行优化,以得到每个空间子图中的点云的全局位姿;
根据所述每个空间子图中的点云的全局位姿,对所述多个空间子图进行拼接,得到所述待建地图的底图。
2.根据权利要求1所述的方法,其特征在于,所述获取多个点云的全局初始位姿,包括:
通过轮速计数据和惯性测量单元IMU数据,获取时间上相邻的两个点云之间的相对位姿;
获取至少一时间子图,每个所述时间子图包括时间上相邻的点云;
根据全球定位系统GPS数据、时间上相邻的两个点云之间的相对位姿、以及,所述至少一时间子图,生成第一位姿图;其中,每个点云被表征为所述第一位姿图中的一个节点,相邻的两个点云被表征为所述第一位姿图中的相邻节点;
优化所述第一位姿图,获取所述多个点云的全局初始位姿。
3.根据权利要求1所述的方法,其特征在于,所述获取多个点云的全局初始位姿,包括:
通过全球定位系统GPS数据和/或惯性测量单元IMU数据,获取所述多个点云的全局初始位姿。
4.根据权利要求1所述的方法,其特征在于,所述将所述多个点云划分到多个空间子图中,包括:
根据所述点云在高度方向上的空间分布关系,以及,所述点云在水平方向上的空间分布关系,将多个点云划分到多个空间子图中。
5.根据权利要求4所述的方法,其特征在于,所述根据所述点云在高度方向上的空间分布关系,以及,所述点云在水平方向上的空间分布关系,多个点云划分到多个空间子图中,包括:
在高度方向上,根据所述多个点云在高度上的分层,将位于同一层的点云划分到同一个空间子图中;
在水平方向上,根据所述多个点云的全局初始位姿形成的轨迹,得到点云的无向图;
通过最小割算法对所述无向图进行分割,将所述无向图中点云划分到所述多个空间子图中。
6.根据权利要求1所述的方法,其特征在于,所述针对每个空间子图,对属于该空间子图中的点云的全局初始位姿进行优化,以得到每个空间子图中的点云的全局位姿之前,还包括:
根据点云的距离限值,将所述空间子图中存在共同观测点、且全局初始位姿之间的差值绝对值小于距离限值的两个点云构成一个点云对,其中,所述点云对的权重与所述点云对所包括的点云在时间上的距离负相关。
7.根据权利要求6所述的方法,其特征在于,所述针对每个空间子图,对属于该空间子图中的点云的全局初始位姿进行优化,以得到每个空间子图中的点云的全局位姿,包括:
若空间子图中满足误差条件的点云的比例大于预设比例阈值,则丢弃所述空间子图中权重小于第一阈值的第一点云对,其中,所述误差条件包括点云的时间戳对应的GPS卫星的数量超过第二阈值,以及所述点云的位置误差小于第三阈值;
使用泛化迭代最近点GICP算法确定所述空间子图中除所述第一点云对之外的第二点云对中各点云的相对位姿;
通过位姿图,将所述第二点云对中各点云的相对位姿和所述第二点云对中各点云的全局初始位姿进行融合,获取所述第二点云对中各点云的全局位姿。
8.根据权利要求6所述的方法,其特征在于,所述针对每个空间子图,对属于该空间子图中的点云的全局初始位姿进行优化,以得到每个空间子图中的点云的全局位姿,包括:
若空间子图中满足误差条件的点云的比例小于或等于预设比例阈值,则获取所述空间子图中各点云对的点对,其中,所述误差条件包括点云的时间戳对应的GPS卫星的数量超过第二阈值,以及所述点云的位置误差小于第三阈值;
根据所述空间子图中各点云对的点对,以及,各点云对的权重,获取各点云对中每个点云的相对位姿;
通过位姿图,将各点云对中各点云的相对位姿和各点云对中各点云的全局初始位姿进行融合,获取各点云对中各点云的全局位姿。
9.根据权利要求1-8任一项所述的方法,其特征在于,在所述得到所述待建地图的底图之后,所述方法还包括:
将所述底图中的点云按照至少一区域进行划分;
根据所述区域中不同圈采集的点云所对应的语义元素的位置偏差,确定所述区域多圈间的偏差,所述区域多圈间的偏差用于表征所述底图的拼接质量;
若所述区域多圈间的偏差低于第四阈值,则通过扩大点云搜索距离和点云的距离限值,重新生成所述待建地图的底图。
10.一种高精度地图制图方法制图装置,其特征在于,包括:
获取模块,用于获取多个点云的全局初始位姿,所述点云为激光雷达采用多圈采集方式采集的待建地图的场所的点云;
优化模块,用于根据所述多个点云的空间分布关系,将所述多个点云划分到对个空间子图中;针对每个空间子图,对属于空间子图中的点云的全局初始位姿进行优化,以得到每个空间子图中的点云的全局位姿;
拼接模块,用于根据所述每个空间子图中的点云的全局位姿,对所述多个空间子图进行拼接,得到所述待建地图的底图。
11.根据权利要求10所述的装置,其特征在于,所述获取模块具体用于通过轮速计数据和惯性测量单元IMU数据,获取时间上相邻的两个点云之间的相对位姿;获取至少一时间子图,每个所述时间子图包括时间上相邻的点云;根据全球定位系统GPS数据、时间上相邻的两个点云之间的相对位姿、以及,所述至少一时间子图,生成第一位姿图;其中,每个点云被表征为所述第一位姿图中的一个节点,相邻的两个点云被表征为所述第一位姿图中的相邻节点;优化所述第一位姿图,获取所述多个点云的全局初始位姿。
12.根据权利要求10所述的装置,其特征在于,所述获取模块具体用于通过全球定位系统GPS数据和/或惯性测量单元IMU数据,获取所述多个点云的全局初始位姿。
13.根据权利要求10所述的装置,其特征在于,所述优化模块具体用于根据所述点云在高度方向上的空间分布关系,以及,所述点云在水平方向上的空间分布关系,将多个点云划分到多个空间子图中。
14.根据权利要求13所述的装置,其特征在于,所述优化模块具体用于在高度方向上,根据所述多个点云在高度上的分层,将位于同一层的点云划分到同一个空间子图中;在水平方向上,根据所述多个点云的全局初始位姿形成的轨迹,得到点云的无向图;通过最小割算法对所述无向图进行分割,将所述无向图中点云划分到所述多个空间子图中。
15.根据权利要求10所述的装置,其特征在于,所述优化模块还用于根据点云的距离限值,将所述空间子图中存在共同观测点、且全局初始位姿之间的差值绝对值小于距离限值的两个点云构成一个点云对,其中,所述点云对的权重与所述点云对所包括的点云在时间上的距离负相关。
16.根据权利要求15所述的装置,其特征在于,所述优化模块具体用于若空间子图中满足误差条件的点云的比例大于预设比例阈值,则丢弃所述空间子图中权重小于第一阈值的第一点云对,其中,所述误差条件包括点云的时间戳对应的GPS卫星的数量超过第二阈值,以及所述点云的位置误差小于第三阈值;使用泛化迭代最近点算法GICP确定所述空间子图中除所述第一点云对之外的第二点云对中各点云的相对位姿;通过位姿图,将所述第二点云对中各点云的相对位姿和所述第二点云对中各点云的全局初始位姿进行融合,获取所述第二点云对中各点云的全局位姿。
17.根据权利要求15所述的装置,其特征在于,所述优化模块具体用于若空间子图中满足误差条件的点云的比例小于或等于预设比例阈值,则获取所述空间子图中各点云对的点对,其中,所述误差条件包括点云的时间戳对应的GPS卫星的数量超过第二阈值,以及所述点云的位置误差小于第三阈值;根据所述空间子图中各点云对的点对,以及,各点云对的权重,获取各点云对中每个点云的相对位姿;通过位姿图,将各点云对中各点云的相对位姿和各点云对中各点云的全局初始位姿进行融合,获取各点云对中各点云的全局位姿。
18.根据权利要求11-17任一项所述的装置,其特征在于,所述装置还包括:
迭代模块,用于将所述底图中的点云按照至少一区域进行划分;根据所述区域中不同圈采集的点云所对应的语义元素的位置偏差,确定所述区域多圈间的偏差,所述区域多圈间的偏差用于表征所述底图的拼接质量;若所述区域多圈间的偏差低于第四阈值,则通过扩大点云搜索距离和点云的距离限值,重新生成所述待建地图的底图。
19.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-9中任一项所述的方法。
20.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-9中任一项所述的方法。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010598678.XA CN111968229A (zh) | 2020-06-28 | 2020-06-28 | 高精度地图制图方法及装置 |
US17/137,470 US11668831B2 (en) | 2020-06-28 | 2020-12-30 | High-precision mapping method and device |
EP21164805.0A EP3929625A3 (en) | 2020-06-28 | 2021-03-25 | High-precision mapping method and device |
KR1020210042826A KR102548282B1 (ko) | 2020-06-28 | 2021-04-01 | 고정밀도 맵 작성 방법 및 장치 |
JP2021065423A JP7166383B2 (ja) | 2020-06-28 | 2021-04-07 | 高精度マップの作成方法及び装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010598678.XA CN111968229A (zh) | 2020-06-28 | 2020-06-28 | 高精度地图制图方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111968229A true CN111968229A (zh) | 2020-11-20 |
Family
ID=73360876
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010598678.XA Pending CN111968229A (zh) | 2020-06-28 | 2020-06-28 | 高精度地图制图方法及装置 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11668831B2 (zh) |
EP (1) | EP3929625A3 (zh) |
JP (1) | JP7166383B2 (zh) |
KR (1) | KR102548282B1 (zh) |
CN (1) | CN111968229A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113066009A (zh) * | 2021-03-24 | 2021-07-02 | 北京斯年智驾科技有限公司 | 港口高精度地图集的构建方法、装置、系统和存储介质 |
CN113192174A (zh) * | 2021-04-06 | 2021-07-30 | 中国计量大学 | 建图方法、装置及计算机存储介质 |
CN113269878A (zh) * | 2021-05-26 | 2021-08-17 | 上海新纪元机器人有限公司 | 一种基于多传感器的建图方法及系统 |
CN113674287A (zh) * | 2021-09-03 | 2021-11-19 | 阿波罗智能技术(北京)有限公司 | 高精地图的绘制方法、装置、设备以及存储介质 |
CN113989451A (zh) * | 2021-10-28 | 2022-01-28 | 北京百度网讯科技有限公司 | 高精地图构建方法、装置及电子设备 |
CN114322987A (zh) * | 2021-12-27 | 2022-04-12 | 北京三快在线科技有限公司 | 一种构建高精地图的方法及装置 |
WO2023019898A1 (zh) * | 2021-08-20 | 2023-02-23 | 上海商汤智能科技有限公司 | 用于地图生成的方法、装置、计算机设备及存储介质 |
WO2023045224A1 (zh) * | 2021-09-26 | 2023-03-30 | 北京三快在线科技有限公司 | 地图生成 |
CN115965756A (zh) * | 2023-03-13 | 2023-04-14 | 安徽蔚来智驾科技有限公司 | 地图构建方法、设备、驾驶设备和介质 |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113325435B (zh) * | 2021-05-25 | 2024-01-09 | 武汉大学 | 定位方法、装置、设备及可读存储介质 |
EP4116873A1 (en) * | 2021-07-09 | 2023-01-11 | Aptiv Technologies Limited | Occupancy grid calibration |
CN115469330B (zh) * | 2022-10-28 | 2023-06-06 | 深圳市云鼠科技开发有限公司 | 子图的构建方法、装置、终端设备及存储介质 |
CN115685133B (zh) * | 2022-12-30 | 2023-04-18 | 安徽蔚来智驾科技有限公司 | 自动驾驶车辆的定位方法、控制装置、存储介质及车辆 |
CN116778105B (zh) * | 2023-08-17 | 2023-11-21 | 云南高阳科技有限公司 | 基于多精度三维测绘数据融合建模方法 |
CN117315049B (zh) * | 2023-11-28 | 2024-03-08 | 浙江托普云农科技股份有限公司 | 三维全貌测量的比例尺标定方法、系统及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109509255A (zh) * | 2018-07-26 | 2019-03-22 | 京东方科技集团股份有限公司 | 一种标签化地图构建及空间地图更新方法和装置 |
CN109710594A (zh) * | 2018-11-12 | 2019-05-03 | 百度在线网络技术(北京)有限公司 | 地图数据的有效性判断方法、装置及可读存储介质 |
CN110136199A (zh) * | 2018-11-13 | 2019-08-16 | 北京初速度科技有限公司 | 一种基于摄像头的车辆定位、建图的方法和装置 |
CN110298914A (zh) * | 2019-05-29 | 2019-10-01 | 江苏大学 | 一种建立果园中果树冠层特征地图的方法 |
CN110363846A (zh) * | 2019-08-21 | 2019-10-22 | 江苏盈丰电子科技有限公司 | 一种井下3d激光成像智能巡检系统及其使用方法 |
US20190355152A1 (en) * | 2017-07-28 | 2019-11-21 | Peking University Shenzen Graduate School | Point cloud attribute compression method based on kd tree and optimized graph transformation |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8364334B2 (en) | 2008-10-30 | 2013-01-29 | Honeywell International Inc. | System and method for navigating an autonomous vehicle using laser detection and ranging |
US10098991B2 (en) * | 2011-03-14 | 2018-10-16 | Neuroenterprises, Llc | Self-cleaning surgical suction device and method of use |
US9025861B2 (en) * | 2013-04-09 | 2015-05-05 | Google Inc. | System and method for floorplan reconstruction and three-dimensional modeling |
JP6597352B2 (ja) | 2016-02-04 | 2019-10-30 | 株式会社デンソー | 物体認識装置 |
KR102506264B1 (ko) | 2016-11-26 | 2023-03-06 | 팅크웨어(주) | 이미지 처리 장치, 이미지 처리 방법, 컴퓨터 프로그램 및 컴퓨터 판독 가능한 기록 매체 |
CN111108342B (zh) * | 2016-12-30 | 2023-08-15 | 辉达公司 | 用于高清地图创建的视觉测程法和成对对准 |
CN108345822B (zh) | 2017-01-22 | 2022-02-01 | 腾讯科技(深圳)有限公司 | 一种点云数据处理方法及装置 |
US10304165B2 (en) * | 2017-05-12 | 2019-05-28 | Ford Global Technologies, Llc | Vehicle stain and trash detection systems and methods |
KR102399130B1 (ko) | 2017-06-28 | 2022-05-18 | 현대모비스 주식회사 | 차량의 주행 환경 인식 장치, 방법 및 시스템 |
CN108319655B (zh) * | 2017-12-29 | 2021-05-07 | 百度在线网络技术(北京)有限公司 | 用于生成栅格地图的方法和装置 |
CN112292582A (zh) * | 2018-04-20 | 2021-01-29 | 文远知行有限公司 | 用于生成高清晰度地图的方法和系统 |
CN108765487B (zh) * | 2018-06-04 | 2022-07-22 | 百度在线网络技术(北京)有限公司 | 重建三维场景的方法、装置、设备和计算机可读存储介质 |
CN109064506B (zh) * | 2018-07-04 | 2020-03-13 | 百度在线网络技术(北京)有限公司 | 高精度地图生成方法、装置及存储介质 |
CN110148144B (zh) * | 2018-08-27 | 2024-02-13 | 腾讯大地通途(北京)科技有限公司 | 点云数据的分割方法和装置、存储介质、电子装置 |
KR102379295B1 (ko) * | 2019-01-30 | 2022-03-25 | 바이두닷컴 타임즈 테크놀로지(베이징) 컴퍼니 리미티드 | 자율 주행 차량을 위한 rgb 포인트 클라우드 기반의 맵 생성 시스템 |
CN110046661A (zh) * | 2019-04-10 | 2019-07-23 | 武汉大学 | 一种基于上下文特征和图割算法的车载点云聚类方法 |
CN111340860B (zh) * | 2020-02-24 | 2023-09-19 | 北京百度网讯科技有限公司 | 点云数据的配准、更新方法、装置、设备和存储介质 |
-
2020
- 2020-06-28 CN CN202010598678.XA patent/CN111968229A/zh active Pending
- 2020-12-30 US US17/137,470 patent/US11668831B2/en active Active
-
2021
- 2021-03-25 EP EP21164805.0A patent/EP3929625A3/en not_active Withdrawn
- 2021-04-01 KR KR1020210042826A patent/KR102548282B1/ko active IP Right Grant
- 2021-04-07 JP JP2021065423A patent/JP7166383B2/ja active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190355152A1 (en) * | 2017-07-28 | 2019-11-21 | Peking University Shenzen Graduate School | Point cloud attribute compression method based on kd tree and optimized graph transformation |
CN109509255A (zh) * | 2018-07-26 | 2019-03-22 | 京东方科技集团股份有限公司 | 一种标签化地图构建及空间地图更新方法和装置 |
CN109710594A (zh) * | 2018-11-12 | 2019-05-03 | 百度在线网络技术(北京)有限公司 | 地图数据的有效性判断方法、装置及可读存储介质 |
CN110136199A (zh) * | 2018-11-13 | 2019-08-16 | 北京初速度科技有限公司 | 一种基于摄像头的车辆定位、建图的方法和装置 |
CN110298914A (zh) * | 2019-05-29 | 2019-10-01 | 江苏大学 | 一种建立果园中果树冠层特征地图的方法 |
CN110363846A (zh) * | 2019-08-21 | 2019-10-22 | 江苏盈丰电子科技有限公司 | 一种井下3d激光成像智能巡检系统及其使用方法 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113066009A (zh) * | 2021-03-24 | 2021-07-02 | 北京斯年智驾科技有限公司 | 港口高精度地图集的构建方法、装置、系统和存储介质 |
CN113066009B (zh) * | 2021-03-24 | 2023-08-25 | 北京斯年智驾科技有限公司 | 港口高精度地图集的构建方法、装置、系统和存储介质 |
CN113192174A (zh) * | 2021-04-06 | 2021-07-30 | 中国计量大学 | 建图方法、装置及计算机存储介质 |
CN113192174B (zh) * | 2021-04-06 | 2024-03-26 | 中国计量大学 | 建图方法、装置及计算机存储介质 |
CN113269878A (zh) * | 2021-05-26 | 2021-08-17 | 上海新纪元机器人有限公司 | 一种基于多传感器的建图方法及系统 |
WO2023019898A1 (zh) * | 2021-08-20 | 2023-02-23 | 上海商汤智能科技有限公司 | 用于地图生成的方法、装置、计算机设备及存储介质 |
CN113674287A (zh) * | 2021-09-03 | 2021-11-19 | 阿波罗智能技术(北京)有限公司 | 高精地图的绘制方法、装置、设备以及存储介质 |
WO2023045224A1 (zh) * | 2021-09-26 | 2023-03-30 | 北京三快在线科技有限公司 | 地图生成 |
CN113989451A (zh) * | 2021-10-28 | 2022-01-28 | 北京百度网讯科技有限公司 | 高精地图构建方法、装置及电子设备 |
CN113989451B (zh) * | 2021-10-28 | 2024-04-09 | 北京百度网讯科技有限公司 | 高精地图构建方法、装置及电子设备 |
CN114322987A (zh) * | 2021-12-27 | 2022-04-12 | 北京三快在线科技有限公司 | 一种构建高精地图的方法及装置 |
CN114322987B (zh) * | 2021-12-27 | 2024-02-23 | 北京三快在线科技有限公司 | 一种构建高精地图的方法及装置 |
CN115965756A (zh) * | 2023-03-13 | 2023-04-14 | 安徽蔚来智驾科技有限公司 | 地图构建方法、设备、驾驶设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
US11668831B2 (en) | 2023-06-06 |
KR20210043518A (ko) | 2021-04-21 |
EP3929625A2 (en) | 2021-12-29 |
US20210405200A1 (en) | 2021-12-30 |
JP7166383B2 (ja) | 2022-11-07 |
EP3929625A3 (en) | 2022-02-16 |
KR102548282B1 (ko) | 2023-06-26 |
JP2021108184A (ja) | 2021-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111968229A (zh) | 高精度地图制图方法及装置 | |
US11145073B2 (en) | Computer vision systems and methods for detecting and modeling features of structures in images | |
US10962370B2 (en) | Laser scanner with real-time, online ego-motion estimation | |
US8199977B2 (en) | System and method for extraction of features from a 3-D point cloud | |
CN111784836B (zh) | 高精地图生成方法、装置、设备及可读存储介质 | |
US20230042968A1 (en) | High-definition map creation method and device, and electronic device | |
CN111784835B (zh) | 制图方法、装置、电子设备及可读存储介质 | |
CN112241718B (zh) | 车辆信息的检测方法、检测模型的训练方法和装置 | |
CN113591573A (zh) | 多任务学习深度网络模型的训练及目标检测方法、装置 | |
CN113724388B (zh) | 高精地图的生成方法、装置、设备以及存储介质 | |
CN115953535A (zh) | 三维重建方法、装置、计算设备和存储介质 | |
CN114528941A (zh) | 传感器数据融合方法、装置、电子设备及存储介质 | |
CN113932796A (zh) | 高精地图车道线生成方法、装置和电子设备 | |
CN115239899B (zh) | 位姿图生成方法、高精地图生成方法和装置 | |
CN111784579B (zh) | 制图方法及装置 | |
CN115790621A (zh) | 高精地图更新方法、装置及电子设备 | |
CN113514053B (zh) | 生成样本图像对的方法、装置和更新高精地图的方法 | |
CN113505834A (zh) | 训练检测模型、确定图像更新信息和更新高精地图的方法 | |
US20240221386A1 (en) | Occupancy tracking based on depth information | |
CN117746417A (zh) | 目标检测模型构建方法、目标检测方法及相关装置 | |
CN115200601A (zh) | 一种导航方法、装置、轮式机器人及存储介质 | |
CN117629186A (zh) | 地图构建方法、模型训练方法、装置、设备及存储介质 | |
Nawaf et al. | Fusion of dense spatial features and sparse temporal features for three‐dimensional structure estimation in urban scenes |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20211020 Address after: 105 / F, building 1, No. 10, Shangdi 10th Street, Haidian District, Beijing 100085 Applicant after: Apollo Intelligent Technology (Beijing) Co.,Ltd. Address before: 2 / F, baidu building, 10 Shangdi 10th Street, Haidian District, Beijing 100085 Applicant before: BEIJING BAIDU NETCOM SCIENCE AND TECHNOLOGY Co.,Ltd. |
|
TA01 | Transfer of patent application right |