CN112070870B - 点云地图评估方法、装置、计算机设备和存储介质 - Google Patents

点云地图评估方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN112070870B
CN112070870B CN202010759865.1A CN202010759865A CN112070870B CN 112070870 B CN112070870 B CN 112070870B CN 202010759865 A CN202010759865 A CN 202010759865A CN 112070870 B CN112070870 B CN 112070870B
Authority
CN
China
Prior art keywords
point cloud
evaluation
vehicle
space
map
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
Application number
CN202010759865.1A
Other languages
English (en)
Other versions
CN112070870A (zh
Inventor
蓝锦山
唐治
徐逢亮
王钟绪
韩旭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Jingqi Technology Co ltd
Original Assignee
Guangzhou Jingqi Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangzhou Jingqi Technology Co ltd filed Critical Guangzhou Jingqi Technology Co ltd
Priority to CN202010759865.1A priority Critical patent/CN112070870B/zh
Publication of CN112070870A publication Critical patent/CN112070870A/zh
Application granted granted Critical
Publication of CN112070870B publication Critical patent/CN112070870B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/00—3D [Three Dimensional] image rendering
    • G06T15/005—General purpose rendering architectures
    • 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

Abstract

本申请涉及高精地图技术领域，提供了一种点云地图评估方法、装置、计算机设备和存储介质。本申请能够提高对点云地图的评估效率。该方法包括：确定以待评估点云地图中的载车位置点为中心的评估边界，然后获取待评估点云地图中位于该评估边界内的空间点云形成第一空间点云集，接着基于第一空间点云集中的空间点云与载车的相对高度对第一空间点云集进行过滤得到第二空间点云集，根据第二空间点云集中的空间点云的高度信息确定位于该评估边界内的地面点云的厚度信息以及根据该第二空间点云集中的空间点云形成的平面区域，获取位于评估边界内的地面点云的平面密度信息，从而可以基于厚度信息和平面密度信息对待评估点云地图进行评估。

Description

点云地图评估方法、装置、计算机设备和存储介质
技术领域
本申请涉及高精地图技术领域，特别是涉及一种点云地图评估方法、装置、计算机设备和存储介质。
背景技术
随着图像处理和人工智能技术的迅速发展，出现了构建高精点云地图以及对高精点云地图进行质量检查和评估的技术，而对高精点云地图的快速准确的检查评估有利于提高大规模建图的效率和质量。
目前，高精点云地图构建后，主要通过人工查图的方式对高精点云地图进行评估，但这种方式存在查图效率低等技术问题。
发明内容
基于此，有必要针对上述技术问题，提供一种点云地图评估方法、装置、计算机设备和存储介质。
一种点云地图评估方法，所述方法包括：
确定以待评估点云地图中的载车位置点为中心的评估边界；
获取所述待评估点云地图中位于所述评估边界内的空间点云，形成第一空间点云集；
基于所述第一空间点云集中的空间点云与载车的相对高度，对所述第一空间点云集进行过滤得到第二空间点云集；
根据所述第二空间点云集中的空间点云的高度信息确定位于所述评估边界内的地面点云的厚度信息，根据所述第二空间点云集中的空间点云形成的平面区域，获取位于所述评估边界内的地面点云的平面密度信息；
基于所述厚度信息和平面密度信息，对所述待评估点云地图进行评估。
一种点云地图评估装置，包括：
边界确定模块，用于确定以待评估点云地图中的载车位置点为中心的评估边界；
点云集获取模块，用于获取所述待评估点云地图中位于所述评估边界内的空间点云，形成第一空间点云集；
点云集过滤模块，用于基于所述第一空间点云集中的空间点云与载车的相对高度，对所述第一空间点云集进行过滤得到第二空间点云集；
信息确定模块，用于根据所述第二空间点云集中的空间点云的高度信息确定位于所述评估边界内的地面点云的厚度信息，根据所述第二空间点云集中的空间点云形成的平面区域，获取位于所述评估边界内的地面点云的平面密度信息；
地图评估模块，用于基于所述厚度信息和平面密度信息，对所述待评估点云地图进行评估。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
确定以待评估点云地图中的载车位置点为中心的评估边界；获取所述待评估点云地图中位于所述评估边界内的空间点云，形成第一空间点云集；基于所述第一空间点云集中的空间点云与载车的相对高度，对所述第一空间点云集进行过滤得到第二空间点云集；根据所述第二空间点云集中的空间点云的高度信息确定位于所述评估边界内的地面点云的厚度信息，根据所述第二空间点云集中的空间点云形成的平面区域，获取位于所述评估边界内的地面点云的平面密度信息；基于所述厚度信息和平面密度信息，对所述待评估点云地图进行评估。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
确定以待评估点云地图中的载车位置点为中心的评估边界；获取所述待评估点云地图中位于所述评估边界内的空间点云，形成第一空间点云集；基于所述第一空间点云集中的空间点云与载车的相对高度，对所述第一空间点云集进行过滤得到第二空间点云集；根据所述第二空间点云集中的空间点云的高度信息确定位于所述评估边界内的地面点云的厚度信息，根据所述第二空间点云集中的空间点云形成的平面区域，获取位于所述评估边界内的地面点云的平面密度信息；基于所述厚度信息和平面密度信息，对所述待评估点云地图进行评估。
上述点云地图评估方法、装置、计算机设备和存储介质，可以先确定以待评估点云地图中的载车位置点为中心的评估边界，然后获取待评估点云地图中位于该评估边界内的空间点云形成第一空间点云集，接着基于第一空间点云集中的空间点云与载车的相对高度对第一空间点云集进行过滤得到第二空间点云集，根据第二空间点云集中的空间点云的高度信息确定位于该评估边界内的地面点云的厚度信息以及根据该第二空间点云集中的空间点云形成的平面区域，获取位于评估边界内的地面点云的平面密度信息，从而可以基于厚度信息和平面密度信息对待评估点云地图进行评估。该方法能够利用每个车载位置点的厚度信息和密度信息对待评估点云地图的质量在高度方向进行自动化评估，提高对点云地图的评估效率，还可以有效检测建图生成的三维点云中出现的地面分层、模糊、扭曲和路面不明物体等，从而更有效精准评估地图的质量。
附图说明
图1为一个实施例中点云地图评估方法的应用环境图；
图2为一个实施例中点云地图评估方法的流程示意图；
图3为一个实施例中空间点云集合的示意图；
图4为一个实施例中载车位姿变化的示意图；
图5为一个实施例中评估边界的示意图；
图6为一个实施例中空间点云在车体坐标系中的高度分布的示意图；
图7为一个实施例中区域关系示意图；
图8为一个实施例中点云地图评估方法的流程示意图；
图9为一个实施例中点云地图评估装置的结构框图；
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的点云地图评估方法，可以应用于如图1所示的应用环境中，该应用环境可以包括点云地图建图设备110和点云地图评估设备120，该点云地图建图设备110可以通过网络与点云地图评估设备120建立通信连接，点云地图评估设备120可以通过该通信连接从点云地图建图设备110获取待评估点云地图中的信息。示例性的，该点云地图建图设备110和点云地图评估设备120都可以用独立的服务器或者多个服务器组成的服务自集群来实现，该点云地图建图设备110和点云地图评估设备120也可以但不限于是各种个人计算机、笔记本电脑和平板电脑等终端设备。
具体的，点云地图评估设备120可以从点云地图建图设备110获取待评估点云地图中所需的信息，然后点云地图评估设备120确定以待评估点云地图中的载车位置点为中心的评估边界，获取待评估点云地图中位于评估边界内的空间点云形成第一空间点云集；接着，点云地图评估设备120基于第一空间点云集中的空间点云与载车的相对高度对第一空间点云集进行过滤得到第二空间点云集；然后，点云地图评估设备120根据第二空间点云集中的空间点云的高度信息确定位于该评估边界内的地面点云的厚度信息，以及根据第二空间点云集中的空间点云形成的平面区域获取位于该评估边界内的地面点云的平面密度信息；最后，点云地图评估设备120即可基于厚度信息和平面密度信息对待评估点云地图进行评估。
下面结合附图和实施例对本申请提供的点云地图评估方法做进一步说明。
在一个实施例中，如图2所示，提供了一种点云地图评估方法，以该方法应用于图1中的点云地图评估设备120为例进行说明，包括以下步骤：
步骤S201，确定以待评估点云地图中的载车位置点为中心的评估边界。
本步骤中，待评估点云地图为三维点云地图，该待评估点云地图可以是一个完整三维点云地图的其中一部分，例如可以是一个完整三维点云地图的瓦片点云地图(tilemap)。该三维点云地图可以基于载车拍摄的图片构建得到，载车在拍摄构建点云地图的图片时具有相应的位姿信息，该位姿信息可以用于表征载车在点云地图中的空间位置和朝向等状态。在构建点云地图后，点云地图评估设备120可确定载车在待评估点云地图中的载车位置点，并以该载车位置点为中心形成评估边界，该评估边界可以是具有一定长度和宽度的二维边界框，该评估边界可形成于世界坐标系的X-Y轴所在平面，世界坐标系的Z轴则可以用以表征高精点云地图的高度方向。
步骤S202，获取待评估点云地图中位于评估边界内的空间点云，形成第一空间点云集；
本步骤中，点云地图评估设备120可从待评估点云地图所具有的所有空间点云中确定出位于上述评估边界内的所有空间点云，利用这些位于评估边界内的空间点云形成第一空间点云集。如图3示出一示例性的第一空间点云集，该第一空间点云集可以只包含有载车附近一定范围内的空间点云，从而可以保证筛选到第一空间点云集中的空间点云只包含地面信息，以防止路边物体或建筑物对点云地图的评估产生干扰。
步骤S203，基于第一空间点云集中的空间点云与载车的相对高度，对第一空间点云集进行过滤得到第二空间点云集；
本步骤中，点云地图评估设备120可以确定第一空间点云集中各空间点云与载车的相对高度，然后将不满足相对高度要求的空间点云过滤掉，将剩余的空间点云保留形成第二空间点云集，以使在第二空间点云集中的空间点云可以用于表征地面点云。对于空间点云的过滤，示例性的，点云地图评估设备120可以将相对高度大于零的空间点云从第一空间点云集中过滤掉，从剩余的点云中筛选形成第二空间点云集。
步骤S204，根据第二空间点云集中的空间点云的高度信息确定位于评估边界内的地面点云的厚度信息，根据第二空间点云集中的空间点云形成的平面区域，获取位于评估边界内的地面点云的平面密度信息；
本步骤主要是点云地图评估设备120分别获取位于评估边界内的地面点云的厚度信息和平面密度信息。具体的，点云地图评估设备120可以根据第二空间点云集中的空间点云的高度信息计算出地面点云的厚度作为厚度信息，示例性的，点云地图评估设备120可以基于第二空间点云集中具有最高高度的空间点云与具有最低高度的空间点云进行高度作差得到地面点云的厚度。点云地图评估设备120还根据第二空间点云集中的空间点云形成的平面区域，获取位于评估边界内的地面点云的平面密度信息，其中，第二空间点云集中的空间点云可以在世界坐标系X-Y轴所在平面扩展形成该平面区域。具体的，点云地图评估设备120可以获取第二空间点云集中的空间点云的总数，在一般情况下点云地图评估设备120还可以将前述评估边界形成的评估区域当作该平面区域，将第二空间点云集中的空间点云的总数与评估边界形成的评估区域的比值作为位于评估边界内的地面点云的平面密度信息。
步骤S205，基于厚度信息和平面密度信息，对待评估点云地图进行评估。
本步骤中，点云地图评估设备120可针对每一载车位置点进行地面点云的厚度信息和平面密度信息的获取，形成一系列评估点，该评估点对应的评估信息可以包括但不限于是每一载车位置点的如经纬度信息等地理位置信息、厚度信息、平面密度信息，点云地图评估设备120可以进一步利用可视化工具生成各评估点的评估信息分布图，以方便对待评估的点云地图进行整体评估。
上述点云地图评估方法，点云地图评估设备120可以先确定以待评估点云地图中的载车位置点为中心的评估边界，然后点云地图评估设备120获取待评估点云地图中位于该评估边界内的空间点云形成第一空间点云集，接着点云地图评估设备120基于第一空间点云集中的空间点云与载车的相对高度对第一空间点云集进行过滤得到第二空间点云集，并根据第二空间点云集中的空间点云的高度信息确定位于该评估边界内的地面点云的厚度信息以及根据该第二空间点云集中的空间点云形成的平面区域获取位于评估边界内的地面点云的平面密度信息，从而点云地图评估设备120可以基于厚度信息和平面密度信息对待评估点云地图进行评估。该方法能够利用每个车载位置点的厚度信息和密度信息对待评估点云地图的质量在高度方向进行自动化评估，提高对点云地图的评估效率，还可以有效检测建图生成的三维点云中出现的地面分层、模糊、扭曲和路面不明物体等，从而更有效精准评估地图的质量。
在一个实施例中，在步骤S201中的确定以待评估点云地图中的载车位置点为中心的评估边界之前，上述方法还可以通过如下方式确定载车位置点，具体包括：
获取载车在时序上的位姿变化信息；根据位姿变化信息，得到载车在待评估点云地图中的运动轨迹；基于运动轨迹上的载车位置点进行时空降采样，确定待评估点云地图中的载车位置点。
本实施例中，点云地图评估设备120可基于对载车在待评估点云地图中的运动轨迹进行时空降采样确定出待评估点云地图中需要获取相应地面点云的厚度信息和平面密度信息的载车位置点，也即评估点。
具体的，本实施例可深度耦合目前的高精地图建图流程，在位姿图优化结束后，点云地图评估设备120可对待评估点云地图提取点云帧图像对应的载车的位姿。在一些实施例中，建图流程中位姿图优化结束后，点云地图建图设备110可对各个优化后的点云帧图像对应的载车的位姿按照预定义尺寸的瓦片地图进行分区域保存。然后，点云地图评估设备120可从中提取一个瓦片地图作为待评估点云地图，并获取该待评估点云地图所包含的所有点云帧图像对应的载车的位姿。由于点云地图是由各点云帧图像组合而成的，而且点云帧图像对应的载车的位姿经过多传感器融合优化而来，从而可以有效去除单一传感器所带来的噪声，由此得到的载车的位姿更准确地表征了在不同环境位置条件下载车在世界坐标系下各时间节点的实际位置与朝向。
并且，与传统的网格降采样方法有所不同，点云地图评估设备120可先对点云帧图像对应的载车的位姿进行时间上的排序也即得到位姿变化信息，从而基于位姿变化信息获取该载车在待评估点云地图中的运动轨迹，然后根据定义在待评估点云地图上的二维网格尺寸再在时序维度上对载车的位姿同时进行时间和空间的降采样确定出待评估点云地图中的载车位置点。具体的，图4示出了载车在待评估点云地图对应的二维平面上的运动轨迹即位姿变化信息，图4中的“+”表示对点云帧图像对应的载车的位姿的采样点，基于此，点云地图评估设备120可以根据用户预定义二维网格尺寸(如4米)确定一位姿采样点选择框400对按照时间排序后的载车的位姿进行空间降采样得到待评估点云地图中的一个或者多个载车位置点。通过这种方式可以有效减低空间上的维度，但同时保留载车在不同时间节点上的位姿信息，从而可以防止例如载车掉头或者交叉口等特殊情况下位姿评估点过于稀疏且无法检测例如车道正反向及路口的地面情况，提高点云地图的评估准确度。
在一些实施例中，可以通过如下方式确定以待评估点云地图中的载车位置点为中心的评估边界，即上述步骤S201中的确定以待评估点云地图中的载车位置点为中心的评估边界，具体可以包括：
以载车位置点为中心生成初始评估边界；根据载车在该载车位置点对应的位姿信息，确定该载车在该载车位置点的朝向；基于该朝向旋转初始评估边界，以使旋转后的初始评估边界适应于载车边界且旋转后的初始评估边界与载车边界之间具有预设空间余量，将旋转后的初始评估边界作为评估边界。
具体的，点云地图评估设备120可以在对时间空间降采样之后的每个载车位置点，先在世界坐标系里面以该载车位置点为中心生成一个具有预定尺寸(如2米×4米)的二维的初始评估边界，然后根据载车在该载车位置点对应的位姿信息确定出该载车在该载车位置点的朝向，依据该载车的朝向将该初始评估边界在二维平面上进行旋转，以使得该旋转后的初始评估边界适应于载车所具有的载车边界且初始评估边界与该载车边界之间具有预设的空间余量，也即依据载车的朝向将初始评估边界进行旋转，使得初始评估边界基本上能够表征该载车的边界并且能够留有一定的空间位置余量，最后可以将该旋转后的初始评估边界作为前述以待评估点云地图中的载车位置点为中心的评估边界。示例性的，以初始评估边界为第一矩形框，载车边界为第二矩形框为例，点云地图评估设备120根据载车的朝向将第一矩形框在二维平面上旋转至与第二矩形框的朝向一致，而用于表征初始评估边界的第一矩形框的大小可被设为稍大于第二矩形框，此时第一矩形框与第二矩形框即存在一定的空间位置余量，最终将该旋转后的第一矩形框作为评估边界。其中，空间余量的具体大小可根据需要从点云地图中选取空间点云的范围进行设置，本实施例通过该空间余量的设置可以保证基于该评估边界截取的空间点云只包含路面信息，防止路边物体或建筑物的干扰。
在一些实施例中，进一步的，可以通过如下方式获取位于该评估边界内的空间点云。具体的，参考图5，评估边界500是二维的评估边界，具体可以是世界坐标系X-Y维度上的评估边界，而点云地图评估设备120具体在对待评估点云地图进行裁切时，点云地图评估设备120可基于前述评估边界对加载的待评估点云地图进行裁切，使得裁切得到的待评估点云地图中的所有空间点云都在前述评估边界500框选的空间内，得到位于评估边界内的空间点云形成第一空间点云集。本实施例中，裁切得到的空间点云只包含位于载车附近位置的空间点云，从而可以保证选取空间点云只包含路面信息，防止路边物体或建筑物的干扰。
在一个实施例中，步骤S203中的基于第一空间点云集中的空间点云与载车的相对高度，对第一空间点云集进行过滤得到第二空间点云集，具体包括：
确定第一空间点云集中的空间点云在载车的车体坐标系中的高度分布；基于高度分布，确定高度处于在第一高度谷值和第二高度谷值之间的空间点云，形成第二空间点云集；第一高度谷值和第二高度谷值是距离高度最大值最近的两个高度谷值。
本实施例中，点云地图评估设备120可将第一空间点云集中的空间点云从世界坐标系转换为载车的车体坐标系中，从而点云地图评估设备120可确定第一空间点云集中的空间点云在载车的车体坐标系中的高度分布。如图6所示为一示例性的第一空间点云集中的空间点云在载车的车体坐标系中的高度分布，图6中的横轴可以表示为第一空间点云集中的空间点云与载车的相对高度，纵轴则是各空间点云的分布概率。其中，点云地图评估设备120可基于高度分布，确定出高度处于第一高度谷值613和第二高度谷值612之间的空间点云，形成第二空间点云集，该第二空间点云集在载车的车体坐标系中的高度分布范围如箭头610所指示。其中，第一高度谷值613和第二高度谷值612是距离高度最大值611最近的两个高度谷值。本实施例提供的方案，点云地图评估设备120首先可以在车体坐标系下，沿着车体坐标系的Z方向生成空间点云的直方分布，即第一空间点云集中的空间点云在载车的车体坐标系中的高度分布，然后再沿着该高度分布的全局的高度最大值611往其两边搜索至离该高度最大值611最近的两个谷值即第一高度谷值613和第二高度谷值612，并将第一高度谷值613和第二高度谷值612以外的所有空间点云滤掉，滤掉后形成第二空间点云集，通过这种方式构成第二空间点云集能够有效去除地面上树木和其它非地面特征物体。
进一步的，在一个实施例中，上述确定第一空间点云集中的空间点云在载车的车体坐标系中的高度分布的步骤，具体可以包括：
利用载车的位姿，将第一空间点云集中的空间点云从世界坐标系转换为车体坐标系，得到第一空间点云集中的空间点云在车体坐标系中的初始高度分布；将预设的权重函数作用于初始高度分布，得到高度分布；其中，权重函数，用于对初始高度分布中高度大于预设高度的空间点云的高度分布进行抑制。
本实施例中，点云地图评估设备120首先利用载车的位姿T将第一空间点云集中的空间点云从世界坐标系Xw变换至车体坐标系Xb：Xb＝T-1Xw。基于此，点云地图评估设备120可以得到第一空间点云集中的空间点云在车体坐标系中的初始高度分布。进一步的，点云地图评估设备120还可以通过以载车的车体坐标Z方向高度d为中心生成沿着高度方向的权重函数：
Figure BDA0002612760160000101
i标识载车位置点的编号，α为权重函数的抑制因子，将权重函数作用于初始高度分布得到高度分布，可使得离预期地面高度d较远即大于预设高度d的空间点云的高度分布会被抑制，从而可以提高确定地面点云的鲁棒性，而当抑制因子α为0时，可退化为无权重直方图滤波。
进一步的，在一些实施例中，在车体坐标系下，点云地图评估设备120可对基于相对高度滤波后得到的第二空间点云集计算地面点云的厚度。具体的，结合图6，在得到第二空间点云集中的空间点云，计算约5％的百分位高度h1以及计算约95％的百分位高度h2，以进一步抑制噪声对高度计算带来的干扰，最后路面近似厚度可取t＝h2-h1。
在一个实施例中，步骤S203中的基于第一空间点云集中的空间点云与载车的相对高度，对第一空间点云集进行过滤得到第二空间点云集之前，上述方法还可以包括如下方式对第一空间点云集先进行滤波，具体包括：
获取第一空间点云集中各空间点云的表面法向量与世界坐标系的高度方向的夹角；基于第一空间点云集中各空间点云的夹角在高度方向的分布，对第一空间点云集进行过滤，得到过滤后的第一空间点云集。
本实施例中，在得到第一空间点云集后，点云地图评估设备120可先基于各空间点云的表面法向量对第一空间点云集进行一次滤波。具体的，点云地图评估设备120计算第一空间点云集中各空间点云的表面法向量，然后计算各空间点云的表面法向量分别与世界坐标系的高度方向(即世界坐标系的Z轴)的夹角βi，然后在该Z轴方向上进行区域(bin)离散化处理，并计算每个区间的中值夹角：
Figure BDA0002612760160000111
其中，median(βi)表示取每个区间bin的中值夹角，k表示区间编号，i表示区间bin中的空间点云的编号。然后点云地图评估设备120可以在Z轴上从Z值最低处利用滑动窗口往上搜索，如果滑动窗口中所有中值夹角
Figure BDA0002612760160000112
都为90°±δ°，则记为状态为真，其中，δ°表示一预设的角度误差；然后，点云地图评估设备120利用该方法找到该状态的上升沿和相邻的下降沿，分别记为上升沿zs和下降沿ze。进一步的，点云地图评估设备120对找到的所有上升沿zs和下降沿ze对，滤除位于上升沿zs和下降沿ze对中的空间点云，得到滤波后的第一空间点云集，采用这种方式对第一空间点云集进行滤波，可以有效去除第一空间点云集中表征桥面以下的支撑柱形体的空间点云，在此基础上，步骤S203可以进一步包括：基于过滤后的第一空间点云集中的空间点云与载车的相对高度，对第一空间点云集进行过滤获取第二空间点云集，以此进一步提高地图评估精度。
在一个实施例中，步骤S204中的根据第二空间点云集中的空间点云形成的平面区域，获取位于评估边界内的地面点云的平面密度信息，具体包括：
当评估边界形成的评估区域处于待评估点云地图对应的地图区域范围内时，将评估区域作为平面区域，并根据第二空间点云集中的空间点云的数量与评估区域的区域面积的比值得到平面密度信息；当评估边界形成的评估区域未处于地图区域范围内时，根据平面区域的区域面积与评估区域的区域面积的比值，确定位于评估边界内的地面点云的平面密度信息。
本实施例主要是提供了当评估边界形成的评估区域完整处于或者未完整处于待评估点云地图对应的地图区域范围内时，获取位于评估边界内的地面点云的平面密度信息的两种方式。具体的，当评估边界形成的评估区域完全处于待评估点云地图对应的地图区域范围内时，点云地图评估设备120可将该评估区域作为第二空间点云集中的空间点云形成的平面区域，该平面区域可以是第二空间点云集中的空间点云在车体坐标系X-Y轴构成的平面上所扩展形成的平面区域，然后点云地图评估设备120在获取第二空间点云集中的空间点云的数量N后，可获取评估边界形成的评估区域的面积A作为前述第二空间点云集中的空间点云在车体坐标系X-Y轴构成的平面上所扩展形成的平面区域的面积，从而点云地图评估设备120可计算得到位于评估边界内的地面点云的二维密度ρ：
Figure BDA0002612760160000121
另外，参考图7，当评估边界形成的评估区域720未完整处于待评估点云地图对应的地图区域710范围内时，则需要进一步根据第二空间点云集中的空间点云形成的平面区域730的区域面积与评估区域720的区域面积的比值，确定位于评估边界内的地面点云的平面密度信息。其中，对于判断评估区域720是否完整处于地图区域710，在一些实施例中，点云地图评估设备120可以当识别到载车位置点或称评估点离地图区域710的边界的距离小于评估边界的特征长度时，判断评估区域720未完整处于地图区域710范围内。示例性的，当评估边界用二维矩形框表示时，该特征长度可以是二维矩形框的一半长度。
在一个实施例中，进一步的，上述实施例中的根据平面区域的区域面积与评估区域的区域面积的比值，确定位于评估边界内的地面点云的平面密度信息，具体可以包括：
若平面区域的区域面积与评估区域的区域面积的比值小于预设面积比值，则得到不对地面点云的平面密度进行评估的平面密度信息；若平面区域的区域面积与评估区域的区域面积的比值大于或者等于预设面积比值，则根据第二空间点云集中的空间点云的数量与平面区域的区域面积的比值得到平面密度信息。
如图7所示，若平面区域730的区域面积与评估区域720的区域面积的比值大于或者等于预设面积比值(如30％)，则点云地图评估设备120可以将第二空间点云集中的空间点云实际扩展形成的平面区域730的区域面积作为评估区域720的区域面积的近似，从而点云地图评估设备120可以根据第二空间点云集中的空间点云的数量与平面区域730的区域面积的比值得到平面密度信息。然而，如果平面区域730的区域面积与评估区域720的区域面积的比值小于预设面积比值(如30％)，则点云地图评估设备120可判断不对该载车位置点进行地面点云的平面密度的评估，由此得到的平面密度信息为不对地面点云的平面密度进行评估，以防边界效应对计算平面密度产生严重的偏差，提高对点云地图的评估精度。
在一个实施例中，如图8所示，提供了一种点云地图评估方法，该方法可以包括如下步骤：
S801，从高精地图建图流程中提取优化后位姿代表载车位置；
本步骤中，点云地图评估设备120可以通过点云地图建图设备110从高精地图建图流程中提取优化后位姿代表载车位置点。其中，该步骤可以对高精地图建图流程进行深耦合，在位姿图优化结束后，点云地图评估设备120可对每个瓦片地图中提取点云帧图像对应的载车的位姿信息以表征载车的载车位置。
S802，对载车的位置点进行时间空间降采样；
其中，可以先对点云帧图像对应的载车位姿进行时间上的排序，以期代表实际中载车的运动轨迹，然后根据定义在点云图像上的二维网格尺寸再在时序维度上对运动轨迹上具有的载车位置点同时进行时间空间降采样，确定出待评估点云地图中待进行地面厚度和平面密度评估的载车位置点。
S803，对每一个降采样点，用载车的位姿生成边界框对三维点云进行初步裁切；
本步骤中，对降采样之后的每个载车位置点，以该载车位置点为中心生成二维边界框作为评估边界，然后对加载的待评估点云地图进行裁切即得到第一空间点云集，使得裁切后的空间点云只包含载车附近的位置，从而可以保证选取空间点云只包含路面信息，防止路边物体或建筑物的干扰。具体的，点云地图评估设备120可以在对时间空间降采样之后的每个载车位置点，先在世界坐标系里面以该载车位置点为中心生成具有预定尺寸的二维初始边界，然后根据载车的位姿确定该载车的朝向，依据该载车的朝向将该二维初始边界在二维平面上进行旋转，以使得该旋转后且具有预定尺寸的二维初始边界基本上能够表征该载车的边界并且能够留有一定的位置余量，将该旋转后且具有预定尺寸的二维初始边界作为评估边界。基于此该得到的评估边界，点云地图评估设备120可对加载的待评估点云地图进行裁切，使得裁切得到的待评估点云地图中的所有空间点云都在该评估边界框选的空间范围内，得到位于评估边界内的空间点云并从而形成第一空间点云集。
S804，计算截取点云的表面法向量与世界坐标Z轴的夹角，对夹角在Z轴方向进行滤波；
本步骤主要是基于第一空间点云集中各空间点云的表面法向量与世界坐标系Z轴的夹角，对夹角在Z轴方向上进行滤波，得到滤波后的第一空间点云集。
具体的，点云地图评估设备120计算第一空间点云集中各空间点云的表面法向量，然后计算各空间点云的表面法向量分别与世界坐标系的高度方向(即世界坐标系的Z轴)的夹角βi，在该Z轴方向上进行区域(bin)离散化处理，并计算每个区间的中值夹角：
Figure BDA0002612760160000141
然后点云地图评估设备120可以在Z轴上从Z值最低处利用滑动窗口往上搜索，如果滑动窗口中所有中值夹角
Figure BDA0002612760160000142
都为90°±δ°，则记为状态为真；然后，点云地图评估设备120利用该方法找到该状态的上升沿zs和下降沿ze。点云地图评估设备120对找到的所有上升沿zs和下降沿ze对，滤除位于上升沿zs和下降沿ze对中的空间点云，得到滤波后的第一空间点云集。
S805，将裁切后的三维点云进行坐标变换，生成基于车体坐标系Z轴的直方图进行无权重或带权重滤波；
本步骤中，点云地图评估设备120利用载车的位姿T将第一空间点云集中的空间点云从世界坐标系Xw变换至车体坐标系Xb：Xb＝T-1Xw，得到初始高度分布。进一步的，点云地图评估设备120还可以通过以载车的车体坐标Z方向高度d为中心生成沿着高度方向的权重函数：
Figure BDA0002612760160000151
i标识载车位置点的编号，α为权重函数的抑制因子，将权重函数作用于初始高度分布得到高度分布，可使得离预期地面高度d较远即大于预设高度d的空间点云的高度分布会被抑制，从而可以提高确定地面点云的鲁棒性，而当抑制因子α为0时，可退化为无权重直方图滤波。具体的，直方图滤波过程可以参见图6，点云地图评估设备120首先可以在车体坐标系下，沿着车体坐标系的Z方向生成空间点云的直方分布，然后再沿着该高度分布的全局的高度最大值611往其两边搜索至离该高度最大值611最近的两个谷值即第一高度谷值613和第二高度谷值612，并将第一高度谷值613和第二高度谷值612以外的所有空间点云滤掉，滤掉后形成第二空间点云集。
S806，计算直方图滤波后点云5％-95％百分位高度差作为最终点云高度方向的上下限；
S807，计算滤波后点云的厚度
上述步骤S806-S807，在车体坐标系下，点云地图评估设备120可对基于相对高度滤波后得到的第二空间点云集计算地面点云的厚度。具体的，结合图6，在得到第二空间点云集中的空间点云，计算约5％的百分位高度h1(即点云高度方向的下限)以及计算约95％的百分位高度h2(即点云高度方向的上限)，以进一步抑制噪声对高度计算带来的干扰，最后路面近似厚度可取t＝h2-h1。
S808，计算滤波后点云的平面密度；
本步骤中，如图7所示，当评估边界形成的评估区域完全处于待评估点云地图对应的地图区域范围内时，点云地图评估设备120可获取第二空间点云集中的空间点云的数量N，以及将评估边界形成的评估区域的面积A作为第二空间点云集中的空间点云在车体坐标系X-Y轴构成的平面上所扩展形成的平面区域的面积，从而点云地图评估设备120可计算得到位于评估边界内的地面点云的二维密度ρ：
Figure BDA0002612760160000152
然而，当评估边界形成的评估区域720未完整处于待评估点云地图对应的地图区域710范围内时，则需要进一步根据第二空间点云集中的空间点云形成的平面区域730的区域面积与评估区域720的区域面积的比值，确定位于评估边界内的地面点云的平面密度信息。其中，若平面区域730的区域面积与评估区域720的区域面积的比值大于或者等于预设面积比值(如30％)，则点云地图评估设备120可以将第二空间点云集中的空间点云实际扩展形成的平面区域730的区域面积作为评估区域720的区域面积的近似，根据第二空间点云集中的空间点云的数量与平面区域730的区域面积的比值得到平面密度信息。若否，则点云地图评估设备120可判断不对该载车位置点进行地面点云的平面密度的评估，由此得到的平面密度信息为不对地面点云的平面密度进行评估。
S809，统计评估结果并生成评估分布图。
其中，点云地图评估设备120可针对每一载车位置点进行地面点云的厚度信息和平面密度信息的获取，统计形成一系列评估点，该评估点对应的评估信息可以包括但不限于是每一载车位置点的如经纬度信息等地理位置信息、厚度信息、平面密度信息，点云地图评估设备120可以进一步利用可视化工具生成各评估点的评估信息分布图，以方便对待评估的点云地图进行整体评估。
上述实施例提供的技术方案，首先对三维点云地图进行裁切，然后对裁切后的点云进行坐标变换至车体坐标系，然后利用高度分布的直方图滤波方法分离地面上方物体，最后可进一步利用百分位高度差作进一步降噪选出代表地面的点云，利用筛选出来的该片点云计算地面厚度与平面密度。最终，可利用每个车载车位置点对应的厚度信息与平面密度信息评估生成对整个三维点云地图的可视化评估分布图，深度耦合了高精地图建图流程，从而更有效更精准评估地图的质量，在自动有效地对高精地图的质量在高度方向进行评估的基础上，还可以有效检测建图生成的三维点云中出现的地面分层、地面模糊、扭曲以及路面不明物体等问题。
应该理解的是，虽然图2至8的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2至8中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图9所示，提供了一种点云地图评估装置，该装置900可以包括：
边界确定模块901，用于确定以待评估点云地图中的载车位置点为中心的评估边界；
点云集获取模块902，用于获取所述待评估点云地图中位于所述评估边界内的空间点云，形成第一空间点云集；
点云集过滤模块903，用于基于所述第一空间点云集中的空间点云与载车的相对高度，对所述第一空间点云集进行过滤得到第二空间点云集；
信息确定模块904，用于根据所述第二空间点云集中的空间点云的高度信息确定位于所述评估边界内的地面点云的厚度信息，根据所述第二空间点云集中的空间点云形成的平面区域，获取位于所述评估边界内的地面点云的平面密度信息；
地图评估模块905，用于基于所述厚度信息和平面密度信息，对所述待评估点云地图进行评估。
在一个实施例中，边界确定模块901，还用于获取所述载车在时序上的位姿变化信息；根据所述位姿变化信息，得到所述载车在所述待评估点云地图中的运动轨迹；基于所述运动轨迹上的载车位置点进行时空降采样，确定所述待评估点云地图中的所述载车位置点。
在一个实施例中，边界确定模块901，进一步用于以所述载车位置点为中心生成初始评估边界；根据所述载车在所述载车位置点对应的位姿信息，确定所述载车在所述载车位置点的朝向；基于所述朝向旋转所述初始评估边界，以使旋转后的初始评估边界适应于载车边界且所述旋转后的初始评估边界与所述载车边界之间具有预设空间余量，将所述旋转后的初始评估边界作为所述评估边界。
在一个实施例中，点云集过滤模块903，进一步用于确定所述第一空间点云集中的空间点云在所述载车的车体坐标系中的高度分布；基于所述高度分布，确定高度处于在第一高度谷值和第二高度谷值之间的空间点云，形成所述第二空间点云集；所述第一高度谷值和第二高度谷值是距离高度最大值最近的两个高度谷值。
在一个实施例中，点云集过滤模块903，进一步用于利用所述载车的位姿，将所述第一空间点云集中的空间点云从世界坐标系转换为所述车体坐标系，得到所述第一空间点云集中的空间点云在所述车体坐标系中的初始高度分布；将预设的权重函数作用于所述初始高度分布，得到所述高度分布；其中，所述权重函数，用于对所述初始高度分布中高度大于预设高度的空间点云的高度分布进行抑制。
在一个实施例中，点云集过滤模块903，还用于获取所述第一空间点云集中各空间点云的表面法向量与世界坐标系的高度方向的夹角；基于所述第一空间点云集中各空间点云的所述夹角在所述高度方向的分布，对所述第一空间点云集进行过滤，得到过滤后的第一空间点云集；点云集过滤模块703，进一步用于基于所述过滤后的第一空间点云集中的空间点云与所述载车的相对高度，对所述第一空间点云集进行过滤获取所述第二空间点云集。
在一个实施例中，信息确定模块904，进一步用于当所述评估边界形成的评估区域处于所述待评估点云地图对应的地图区域范围内时，将所述评估区域作为所述平面区域，并根据所述第二空间点云集中的空间点云的数量与所述评估区域的区域面积的比值得到所述平面密度信息；当所述评估边界形成的评估区域未处于所述地图区域范围内时，根据所述平面区域的区域面积与所述评估区域的区域面积的比值，确定位于所述评估边界内的地面点云的平面密度信息。
在一个实施例中，信息确定模块904，进一步用于若所述平面区域的区域面积与所述评估区域的区域面积的比值小于预设面积比值，则得到不对所述地面点云的平面密度进行评估的平面密度信息；若所述平面区域的区域面积与所述评估区域的区域面积的比值大于或者等于所述预设面积比值，则根据所述第二空间点云集中的空间点云的数量与所述平面区域的区域面积的比值得到所述平面密度信息。
关于点云地图评估装置的具体限定可以参见上文中对于点云地图评估方法的限定，在此不再赘述。上述点云地图评估装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，也可以是终端，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的设备通过网络连接通信。该计算机程序被处理器执行时以实现一种点云地图评估方法。
本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种点云地图评估方法，其特征在于，所述方法包括：
确定以待评估点云地图中的载车位置点为中心的评估边界；
获取所述待评估点云地图中位于所述评估边界内的空间点云，形成第一空间点云集；
基于所述第一空间点云集中的空间点云与载车的相对高度，对所述第一空间点云集进行过滤得到第二空间点云集；具体包括：利用所述载车的位姿，将所述第一空间点云集中的空间点云从世界坐标系转换为车体坐标系，得到所述第一空间点云集中的空间点云在所述车体坐标系中的初始高度分布；将预设的权重函数作用于所述初始高度分布，得到所述第一空间点云集中的空间点云在所述载车的车体坐标系中的高度分布；基于所述高度分布，从所述第一空间点云集中的空间点云中获取所述第二空间点云集；其中，所述权重函数，用于对所述初始高度分布中高度大于预设高度的空间点云的高度分布进行抑制；
根据所述第二空间点云集中的空间点云的高度信息确定位于所述评估边界内的地面点云的厚度信息，根据所述第二空间点云集中的空间点云形成的平面区域，获取位于所述评估边界内的地面点云的平面密度信息；
基于所述厚度信息和平面密度信息，对所述待评估点云地图进行评估。
2.根据权利要求1所述的方法，其特征在于，所述确定以待评估点云地图中的载车位置点为中心的评估边界之前，所述方法还包括：
获取所述载车在时序上的位姿变化信息；
根据所述位姿变化信息，得到所述载车在所述待评估点云地图中的运动轨迹；
基于所述运动轨迹上的载车位置点进行时空降采样，确定所述待评估点云地图中的所述载车位置点。
3.根据权利要求1或2所述的方法，其特征在于，所述确定以待评估点云地图中的载车位置点为中心的评估边界，包括：
以所述载车位置点为中心生成初始评估边界；
根据所述载车在所述载车位置点对应的位姿信息，确定所述载车在所述载车位置点的朝向；
基于所述朝向旋转所述初始评估边界，以使旋转后的初始评估边界适应于载车边界且所述旋转后的初始评估边界与所述载车边界之间具有预设空间余量，将所述旋转后的初始评估边界作为所述评估边界。
4.根据权利要求1所述的方法，其特征在于，所述基于所述高度分布，从所述第一空间点云集中的空间点云中获取所述第二空间点云集，包括：
基于所述高度分布，确定高度处于在第一高度谷值和第二高度谷值之间的空间点云，形成所述第二空间点云集；所述第一高度谷值和第二高度谷值是距离高度最大值最近的两个高度谷值。
5.根据权利要求1所述的方法，其特征在于，所述基于所述第一空间点云集中的空间点云与载车的相对高度，对所述第一空间点云集进行过滤得到第二空间点云集之前，所述方法还包括：
获取所述第一空间点云集中各空间点云的表面法向量与世界坐标系的高度方向的夹角；
基于所述第一空间点云集中各空间点云的所述夹角在所述高度方向的分布，对所述第一空间点云集进行过滤，得到过滤后的第一空间点云集；
所述基于所述第一空间点云集中的空间点云与载车的相对高度，对所述第一空间点云集进行过滤得到第二空间点云集，包括：
基于所述过滤后的第一空间点云集中的空间点云与所述载车的相对高度，对所述第一空间点云集进行过滤获取所述第二空间点云集。
6.根据权利要求1所述的方法，其特征在于，所述根据所述第二空间点云集中的空间点云形成的平面区域，获取位于所述评估边界内的地面点云的平面密度信息，包括：
当所述评估边界形成的评估区域处于所述待评估点云地图对应的地图区域范围内时，将所述评估区域作为所述平面区域，并根据所述第二空间点云集中的空间点云的数量与所述评估区域的区域面积的比值得到所述平面密度信息；
当所述评估边界形成的评估区域未处于所述地图区域范围内时，根据所述平面区域的区域面积与所述评估区域的区域面积的比值，确定位于所述评估边界内的地面点云的平面密度信息。
7.根据权利要求6所述的方法，其特征在于，所述根据所述平面区域的区域面积与所述评估区域的区域面积的比值，确定位于所述评估边界内的地面点云的平面密度信息，包括：
若所述平面区域的区域面积与所述评估区域的区域面积的比值小于预设面积比值，则得到不对所述地面点云的平面密度进行评估的平面密度信息；
若所述平面区域的区域面积与所述评估区域的区域面积的比值大于或者等于所述预设面积比值，则根据所述第二空间点云集中的空间点云的数量与所述平面区域的区域面积的比值得到所述平面密度信息。
8.一种点云地图评估装置，其特征在于，包括：
边界确定模块，用于确定以待评估点云地图中的载车位置点为中心的评估边界；
点云集获取模块，用于获取所述待评估点云地图中位于所述评估边界内的空间点云，形成第一空间点云集；
点云集过滤模块，用于基于所述第一空间点云集中的空间点云与载车的相对高度，对所述第一空间点云集进行过滤得到第二空间点云集；具体包括：利用所述载车的位姿，将所述第一空间点云集中的空间点云从世界坐标系转换为车体坐标系，得到所述第一空间点云集中的空间点云在所述车体坐标系中的初始高度分布；将预设的权重函数作用于所述初始高度分布，得到所述第一空间点云集中的空间点云在所述载车的车体坐标系中的高度分布；基于所述高度分布，从所述第一空间点云集中的空间点云中获取所述第二空间点云集；其中，所述权重函数，用于对所述初始高度分布中高度大于预设高度的空间点云的高度分布进行抑制；
信息确定模块，用于根据所述第二空间点云集中的空间点云的高度信息确定位于所述评估边界内的地面点云的厚度信息，根据所述第二空间点云集中的空间点云形成的平面区域，获取位于所述评估边界内的地面点云的平面密度信息；
地图评估模块，用于基于所述厚度信息和平面密度信息，对所述待评估点云地图进行评估。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一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，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202010759865.1A 2020-07-31 2020-07-31 点云地图评估方法、装置、计算机设备和存储介质 Active CN112070870B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010759865.1A CN112070870B (zh) 2020-07-31 2020-07-31 点云地图评估方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010759865.1A CN112070870B (zh) 2020-07-31 2020-07-31 点云地图评估方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN112070870A CN112070870A (zh) 2020-12-11
CN112070870B true CN112070870B (zh) 2021-09-17

Family

ID=73657305

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010759865.1A Active CN112070870B (zh) 2020-07-31 2020-07-31 点云地图评估方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN112070870B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112634260A (zh) * 2020-12-31 2021-04-09 上海商汤智能科技有限公司 一种地图评估的方法、装置、电子设备及存储介质
CN113763563A (zh) * 2021-09-07 2021-12-07 岱悟智能科技(上海)有限公司 一种基于平面识别的三维点云几何网格结构生成方法
CN114185613A (zh) * 2021-11-30 2022-03-15 广州景骐科技有限公司 一种语义地图分块方法、装置、交通工具及存储介质
CN114266871B (zh) * 2022-03-01 2022-07-15 深圳市普渡科技有限公司 机器人、地图质量评估方法和存储介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180136332A1 (en) * 2016-11-15 2018-05-17 Wheego Electric Cars, Inc. Method and system to annotate objects and determine distances to objects in an image
CN106846308B (zh) * 2017-01-20 2019-08-20 广州市城市规划勘测设计研究院 基于点云的地形图精度的检测方法和装置
CN107767375B (zh) * 2017-11-02 2021-06-29 广东电网有限责任公司电力科学研究院 一种点云质量评估方法及装置
CN109459734B (zh) * 2018-10-30 2020-09-11 百度在线网络技术（北京）有限公司 一种激光雷达定位效果评估方法、装置、设备及存储介质
CN110766979A (zh) * 2019-11-13 2020-02-07 奥特酷智能科技(南京)有限公司 一种用于自动驾驶车辆的泊车车位检测方法
CN111220993B (zh) * 2020-01-14 2020-07-28 长沙智能驾驶研究院有限公司 目标场景定位方法、装置、计算机设备和存储介质

Also Published As

Publication number Publication date
CN112070870A (zh) 2020-12-11

Similar Documents

Publication Publication Date Title
CN112070870B (zh) 点云地图评估方法、装置、计算机设备和存储介质
CN109974693B (zh) 无人机定位方法、装置、计算机设备及存储介质
Cheng et al. 3D building model reconstruction from multi-view aerial imagery and lidar data
CN112184736B (zh) 一种基于欧式聚类的多平面提取方法
Chen et al. Building reconstruction from LIDAR data and aerial imagery
CN110599545B (zh) 一种基于特征的构建稠密地图的系统
CN114419085A (zh) 建筑物轮廓线自动提取方法、装置、终端设备及存储介质
CN113593017A (zh) 露天矿地表三维模型构建方法、装置、设备及存储介质
CN109871739B (zh) 基于yolo-sioctl的机动站自动目标检测与空间定位方法
CN108803659B (zh) 基于魔方模型的多窗口启发式三维空间路径规划方法
CN113592891B (zh) 无人车可通行域分析方法及导航栅格地图制作方法
You et al. A quality prediction method for building model reconstruction using LiDAR data and topographic maps
CN114387506A (zh) 输电杆塔监测方法、装置、计算机设备、存储介质
CN114022760B (zh) 铁路隧道障碍物监测预警方法、系统、设备及存储介质
CN113838069B (zh) 基于平面度约束的点云分割方法和系统
Rothermel et al. Fast and robust generation of semantic urban terrain models from UAV video streams
Albeaik et al. Virtual cities: 3d urban modeling from low resolution lidar data
Gehrung et al. A fast voxel-based indicator for change detection using low resolution octrees
Croitoru et al. Monocular right-angle building hypothesis generation in regularized urban areas by pose clustering
CN115661398A (zh) 一种用于实景三维模型的建筑物提取方法、装置及设备
Su et al. Hierarchical moving curved fitting filtering method based on LIDAR data
Trhan The creation of space vector models of buildings from RPAS photogrammetry data
Liu et al. Legion Sementation for Building Extraction from LIDAR Based Dsm Data
Wu et al. Building Facade Reconstruction Using Crowd-Sourced Photos and Two-Dimensional Maps
Yu et al. A cue line based method for building modeling from LiDAR and satellite imagery

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