CN112380317A - 高精地图更新方法、装置、电子设备和存储介质 - Google Patents
高精地图更新方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN112380317A CN112380317A CN202110059603.9A CN202110059603A CN112380317A CN 112380317 A CN112380317 A CN 112380317A CN 202110059603 A CN202110059603 A CN 202110059603A CN 112380317 A CN112380317 A CN 112380317A
- Authority
- CN
- China
- Prior art keywords
- probability distribution
- target map
- vehicle
- map
- attribute
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000009826 distribution Methods 0.000 claims abstract description 230
- 238000013145 classification model Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 11
- 238000013136 deep learning model Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 239000007787 solid Substances 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000007499 fusion processing Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
Images
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
- 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
- G06F16/23—Updating
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
本申请公开了一种高精地图更新方法、装置、电子设备和存储介质，该方法包括：获取众包车辆发送的车端采集数据；提取所述车辆采集数据包含的目标地图元素；利用所述车辆采集数据更新所述目标地图元素对应的概率分布特征，所述概率分布特征是用于决定是否将所述目标地图元素发布到高精地图的指标参数；在所述概率分布特征满足预设发布条件时，将所述目标地图元素发布到所述高精地图中，以通过众包车辆发送的车端采集数据对高精地图进行及时、准确的更新。
Description
技术领域
本公开一般涉及图像数据处理技术领域，具体涉及自动驾驶领域，尤其涉及一种高精地图更新方法、装置、电子设备和存储介质。
背景技术
高精地图也称为高分辨率地图（High Definition Map，HD Map）或高精度自动驾驶地图（High Automated Driving Map，HAD Map），主要面向自动驾驶汽车应用。相较于普通导航地图，高精地图的精度更高，可达厘米级，具有更精细化的道路元素，如车道线、交通标志牌等。因此，对高精地图的及时、准确的更新对自动驾驶车辆尤为重要。
发明内容
鉴于现有技术中的上述缺陷或不足，期望提供一种高精地图更新方法、装置、电子设备和存储介质，以通过众包车辆发送的车辆采集数据对高精地图进行及时、准确的更新。
第一方面，本申请实施例提出一种高精地图更新方法，包括：
获取众包车辆发送的车辆采集数据；
提取所述车辆采集数据包含的目标地图元素；
利用所述车辆采集数据更新所述目标地图元素对应的概率分布特征，所述概率分布特征是用于决定是否将所述目标地图元素发布到高精地图的指标参数；
在所述概率分布特征满足预设发布条件时，将所述目标地图元素发布到所述高精地图中。
可选的，利用所述车辆采集数据更新所述目标地图元素对应的概率分布特征，包括：
将所述车辆采集数据输入到与目标地图元素的元素属性参数对应的概率分布模型，得到与所述目标地图元素的元素属性参数对应的概率分布特征，所述概率分布模型是利用所述车辆采集数据按照所述元素属性参数的观测值进行迭代更新得到的，所述元素属性参数是用于表征所述目标地图元素的属性的参数。
可选的，所述元素属性参数为几何属性，所述几何属性是所述目标地图元素在所述高精地图中的形状和位置，所述将所述车辆采集数据输入到与目标地图元素的元素属性参数对应的概率分布模型，包括：
将所述车辆采集数据输入到与几何属性对应的概率分布模型，得到与所述几何属性对应的概率分布特征，所述与所述几何属性对应的概率分布特征为所述几何属性的均值和协方差值。
可选的，所述元素属性参数为语义属性，所述语义属性是指所述目标地图元素的分类结果，所述将所述车辆采集数据输入到与目标地图元素的元素属性参数对应的概率分布模型，包括：
将所述车辆采集数据输入到预先构建的分类模型，得到所述目标地图元素的分类信息和与分类信息对应的概率值；
将所述与分类信息对应的概率值输入到与所述语义属性对应的概率分布模型，得到与所述语义属性对应的概率分布特征，所述与所述语义属性对应的概率分布特征是将所述与分类信息对应的概率值进行融合处理得到的结果。
可选的，所述元素属性参数为存在属性，所述存在属性是指所述目标地图元素在所述高精地图中存在的可能性，所述将所述车辆采集数据输入到与目标地图元素的元素属性参数对应的概率分布模型，包括：
将所述车辆采集数据输入到预先构建的存在识别模型，得到所述目标地图元素的存在概率值；
将所述存在概率值输入到与所述存在属性对应的概率分布模型，得到与所述存在属性对应的概率分布特征，所述与所述存在属性对应的概率分布特征是将所述存在概率值进行融合处理得到的结果。
可选的，所述概率分布特性包括：与所述几何属性对应的概率分布特征、与所述语义属性对应的概率分布特征和与所述存在属性对应的概率分布特征，则在所述概率分布特征满足预设发布条件时，将所述目标地图元素发布到所述高精地图中，包括：
在与所述存在属性对应的概率分布特征小于第一预设阈值时，在所述高精地图中不发布所述目标地图元素；
在与所述存在属性对应的概率分布特征大于或等于第一预设阈值时，根据与所述几何属性对应的概率分布特征和与所述语义属性对应的概率分布特征确定在所述高精地图中发布所述目标地图元素。
可选的，与所述几何属性对应的概率分布特征包括几何属性的均值和协方差值，则根据与所述几何属性对应的概率分布特征和与所述语义属性对应的概率分布特征确定在所述高精地图中发布所述目标地图元素，包括：
在与所述语义属性对应的概率分布特征大于等于第二预设阈值，且所述协方差值小于第三预设阈值时，按照所述几何属性的均值在所述高精地图中发布所述目标地图元素。
可选的，所述提取所述车辆采集数据包含的目标地图元素，包括：
在获取初始时刻上传的车辆采集数据之后，存储所述初始时刻上传的车辆采集数据中包含的初始目标地图元素，和与所述初始目标地图元素对应的初始概率分布特征；
获取当前时刻上传的车辆采集数据；
将所述当前时刻上传的车辆采集数据与所述初始目标地图元素进行匹配，得到所述当前时刻上传的车辆采集数据包含的当前目标地图元素，所述当前目标地图元素与所述初始目标地图元素之间存在匹配关系。
第二方面，本申请实施例提出一种高精地图更新装置，包括：
获取模块，用于获取众包车辆发送的车辆采集数据；
提取模块，用于提取所述车辆采集数据包含的目标地图元素；
更新模块，用于利用所述车辆采集数据更新所述目标地图元素对应的概率分布特征，所述概率分布特征是用于决定是否将所述目标地图元素发布到高精地图的指标参数；
发布模块，用于在所述概率分布特征满足预设发布条件时，将所述目标地图元素发布到所述高精地图中。
一方面，本申请实施例提供了一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，该处理器执行该程序时实现如本申请实施例描述的方法。
一方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请实施例描述的方法。
本申请能够利用任意众包车辆发送的车辆采集数据实现对高精地图的更新，无需采用专用的地图采集车辆，大大降低了高精地图更新的成本。同时，本申请通过根据车辆采集数据对目标地图元素的概率分布特征进行更新，有效解决了由于众包车辆发送的车辆采集数据存在数据精度低于专用采集车辆采集的数据，无法直接用于对高精地图更新的问题。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1为本申请实施例提供的高精地图更新方法的应用场景示意图；
图2为本申请实施例的一种高精地图更新方法的流程图；
图3为本申请实施例的另一种高精地图更新方法的流程图；
图4为本申请实施例的另一种高精地图更新方法的流程图；
图5为本申请在高精地图中添加地图元素的示意图；
图6为本申请实施例的又一种高精地图更新方法的流程图；
图7为本申请实施例的一种高精地图更新方法的原理示意图；
图8为本申请实施例的再一种高精地图更新方法的流程图；
图9为本申请实施例的一种高精地图的更新方法的信令交互图；
图10为本申请实施例的一种高精地图更新装置的结构示意图；
图11示出了适于用来实现本申请实施例的电子设备或服务器的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
高精地图也称为高分辨率地图（High Definition Map，HD Map）或高精度自动驾驶地图（High Automated Driving Map，HAD Map），被认为自动驾驶的必备构件。可以支持自动驾驶汽车的定位、路径规划、决策等核心功能，且可以大幅拓展车辆的感知能力。当前具有自动驾驶功能的车辆，大多配备了高精地图。
高精地图作为实际道路的一种抽象表达，需要真实的反应道路状况。然而，由于道路施工、基础建设、磨损等因素，实际道路会随着时间发生变化。因此，高精地图存在着失效性问题，或者说“鲜度”问题。为了满足自动驾驶的安全性要求，当道路发生了变化之后，就需要对高精地图进行及时更新。
为了解决高精地图的快速更新问题，现有解决方案大多采用重新制作高精地图的方式。例如，每隔一定时间，采用专用高精地图采集车，对某个区域进行数据采集，并重新制作地图，从而保证某个区域的地图的鲜度。高精地图采集车需要配备高精定位系统、激光雷达、高分辨率摄像机等设备，价格十分昂贵。重新制作地图需要经过采集、制作与编译、质量控制与发布等多个环节，加之采集车辆有限，难以做到高频的地图更新。在这种情况下，可能采集结果中存在局部道路变化，如果重新制作地图，则需要进行大量的重复性工作，导致地图更新效率较低。
基于此，本申请提出一种高精地图更新方法、装置、电子设备和存储介质。
下面请参考图1介绍本申请实施例的一种应用场景。图1为本申请实施例提供的高精地图更新方法的应用场景示意图。如图1所示，在本申请的实施例中，该应用场景可包括众包车辆1和服务器2。
其中，众包车辆1可包括但不限于具有自动驾驶功能的车辆、无自动驾驶功能的车辆，例如普通车辆但其具备众包采集功能，例如还可以是专用高精地图采集车和普通车辆的组合构成的众包形式，将专用高精地图采集车采集数据和普通车辆采集的数据作为众包数据。其中，当无自动驾驶功能的车辆为众包车辆1时，该无自动驾驶功能的车辆应配置有数据采集设备，例如雷达、图像采集装置、定位装置等，还应具有与服务器通信的功能。
众包车辆1和服务器2之间通过无线网络相连，即，众包车辆1上设置的数据采集设备，采集众包车辆1行驶道路的环境信息后生成车辆采集数据，通过无线通信设备将车辆采集数据发送至服务器2，服务器2根据接收到的车辆采集数据进行分析，并利用车辆采集数据更新目标地图元素对应的概率分布特征，从而根据目标地图元素对应的概率分布特征决定是否将目标地图元素发布到高精地图中，在目标地图元素的概率分布特征满足预设发布条件时，将目标地图元素发布到高精地图中，以使与服务器2通信的车辆根据发布后的高精地图能够自动驾驶。
上述服务器2可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云计算服务的云服务器。
图2为本申请实施例的一种高精地图更新方法的流程图。其中，需要说明的是，本实施例的高精地图更新方法的执行主体为高精地图更新装置，高精地图更新装置可以由软件和/或硬件的方式实现，该实施例中的高精地图更新装置可以配置在前述服务器中。
如图2所示，本申请实施例高精地图更新方法，包括以下步骤：
步骤101，获取众包车辆发送的车辆采集数据。
需要说明的是，车辆采集数据为利用设置于众包车辆上的数据采集设备采集得到的数据信息，包括但不限于车身姿态数据、传感器数据和感知数据。其中，车身姿态数据包括车辆的姿态角度、速度、精度等信息，例如车身在WGS84（World Geodetic System一1984Coordinate System）坐标系中的方向等。传感器数据包括图像采集设备采集的环境图像数据、激光雷达采集的环境障碍物距离和方向数据、毫米波雷达采集的距离、速度和方向等一种或多种数据，GPS（Global Positioning System，全球定位系统）采集的定位数据，IMU（Inertial Measurement Unit，惯性测量单元）测量的车辆行驶惯性数据以及车辆轮速传感器采集的车辆轮速数据等。感知数据为根据传感器数据进一步计算得到的数据，例如根据图像采集装置采集的环境图像数据和定位数据计算得到的车道线数据等。
其中，在某一时刻产生的车身姿态数据、传感器数据和感知数据进行组合，作为一帧车端数据，通常一帧车端数据还与定位数据一一对应，即，一帧车端数据是指车辆在某一时刻、某一地点采集到的车身姿态数据、传感器数据和感知数据。
相对于相关技术采用专用高精地图采集车采集基础数据，本申请采用众包形式采集地图基础数据，在云端根据地图基础数据实时更新地图，克服了相关技术成本高、周期长，且效率低的问题。
步骤102，提取车辆采集数据包含的目标地图元素。
还需要说明的是，地图元素为实际道路上的标识，例如，车道线、交通标志牌、路沿和护栏等。其中，地图元素是高精地图的重要组成部分，也就是说，高精地图中除道路走向、连接关系外，还能够展示出道路上的标识信息。目标地图元素为车辆采集数据中包含的地图元素。
其中，车辆采集数据通过特征参数的方式对目标地图元素进行表达，例如，对车道线而言，车辆采集数据可利用车道线的四个顶点坐标来表达车道线，也可利用车道线的预设位置的坐标以及该预设位置与车道线各边之间的相对距离来表达车道线。因此，可对车辆采集数据中特征参数与地图元素的对应关系确定目标地图元素。应当理解的是，在车辆采集数据为图像数据时，还可利用深度学习模型等对图像数据进行分析获取相应的目标地图元素。
步骤103，利用车辆采集数据更新目标地图元素对应的概率分布特征，概率分布特征是用于决定是否将目标地图元素发布到高精地图的指标参数。
其中，对目标地图元素对应的概率分布特征进行更新为根据当前车辆采集数据和目标地图元素的历史概率分布对目标地图元素对应的概率分布特征进行更新。
可选的，在目标地图元素已经存在与高精地图中时，可根据高精地图对目标地图元素的表达获取目标地图元素的初始概率分布特征，在目标地图元素不在高精地图中时，可将第一次观测到目标地图元素的车辆采集数据作为目标地图元素的初始概率分布特征，然后根据每次采集到的车辆采集数据对目标地图元素对应的初始概率分布特征进行更新。
步骤104，在概率分布特征满足预设发布条件时，将目标地图元素发布到高精地图中。
其中，预设发布条件包括在高精地图中添加发布和在高精地图中删除发布，即，将目标地图元素添加到高精地图中或将目标地图元素从高精地图中删除。
具体而言，在获取到众包车辆发送的车辆采集数据之后，通过对车辆采集数据进行分析，提取车辆采集数据包含的目标地图元素，然后利用车辆采集数据更新目标地图元素对应的概率分布特征，得到目标地图元素的当前概率分布特征，在概率分布特征满足预设发布条件时，将目标地图元素发布到高精地图中，实现对高精地图的更新。
由此，本申请能够利用任意众包车辆发送的车辆采集数据实现对高精地图的更新，无需采用专用的地图采集车辆，大大降低了高精地图更新的成本。同时，本申请通过根据车辆采集数据对目标地图元素的概率分布特征进行更新，有效解决了由于众包车辆发送的车辆采集数据存在数据精度低于专用采集车辆采集的数据，无法直接用于对高精地图更新的问题。
如图3所示，本申请实施例的高精地图更新方法，包括以下步骤：
步骤201，在获取初始时刻上传的车辆采集数据之后，存储初始时刻上传的车辆采集数据中包含的初始地图元素，和与初始目标地图元素对应的初始概率分布特征。
需要说明的是，与初始目标地图元素对应的初始概率分布特性为根据初始时刻上传的车辆采集数据对初始地图元素进行概率分布计算得到的。
也就是说，在获取初始时刻上传的车辆采集数据之后，可直接提取初始时刻上传的车辆采集数据中包含的初始目标地图元素，然后根据初始目标地图元素的元素属性参数，计算与初始目标地图元素对应的初始概率分布特性，将初始目标地图元素和与初始目标地图元素对应的初始概率分布特性进行存储。
步骤202，获取当前时刻上传的车辆采集数据。
在本申请实施例中，当前时刻为初始时刻的下一时刻，在根据每个当前时刻对目标地图元素的概率分布特征进行更新之后，将当前时刻作为初始时刻，进而获取下一个当前时刻上传的车辆采集数据。
步骤203，将当前时刻上传的车辆采集数据与初始目标地图元素进行匹配，得到当前时刻上传的车辆采集数据包含的当前目标地图元素，当前目标地图元素与初始目标地图元素之间存在匹配关系。
其中，匹配关系为当前目标地图元素与初始目标地图元素用于表达同一实际物理地图元素。可选的，利用车辆采集数据中的特征参数的方式将当前时刻上传的车辆采集数据与初始目标地图元素进行匹配，例如，在当前时刻上传的车辆采集数据中的特征参数与初始目标地图元素对应的特征参数之间的差值小于预设阈值时，确定当前时刻上传的车辆采集数据中的目标地图元素与初始目标地图元素相匹配，或者可利用深度学习模型、图像识别等方式将当前时刻上传的车辆采集数据与初始目标地图元素进行匹配。
由此，本申请实施例能够有效从众包车辆发送的车辆采集数据中提取到用于对高精地图进行更新的目标地图元素，同时确保提取到的当前目标地图元素能够与初始目标地图元素相匹配，有效避免出现对目标地图元素错误更新的问题。
而且，本申请基于对初始目标地图元素和与初始目标地图元素对应的初始概率分布特性进行存储，并根据存储的概率分布特性决定是否直接将目标地图元素发布到高精地图中，无需根据存储概率分布特性对高精地图反复绘制，有效节约对高精地图更新的成本。
作为一个可行实施例，利用车辆采集数据更新目标地图元素对应的概率分布特征，包括：将车辆采集数据输入到与目标地图元素的元素属性参数对应的概率分布模型，得到与目标地图元素的元素属性参数对应的概率分布特征。
其中，概率分布模型是利用车辆采集数据按照元素属性参数的观测值进行迭代更新得到的，元素属性参数是用于表征目标地图元素的参数。
可选的，元素属性参数可包括几何属性、语义属性和存在属性。几何属性是目标地图元素在高精地图中的形状和位置，语义属性是指目标地图元素的分类结果，存在属性是指目标地图元素在高精地图中存在的可能性。
也就是说，可利用概率分布模型来获取根据当前车辆采集数据确定的目标地图元素的当前概率分布特征，具体地，可获取根据上一时刻的车辆采集数据迭代更新后的概率分布模型，然后将当前时刻上传的车辆采集数据输入到概率分布模型中，得到与目标地图元素的元素属性参数对应的当前概率分布特征。
进一步地，在元素属性参数为几何属性时，将车辆采集数据输入到与目标地图元素的元素属性参数对应的概率分布模型，包括：将车辆采集数据输入到几何属性对应的概率分布模型，得到与几何属性对应的概率分布特征，与几何属性对应的概率分布特征为几何属性的均值和协方差值。
需要说明的是，目标地图元素的几何属性是随机事件，即，目标地图元素被众包车辆采集到为随机事件，因此，目标地图元素的几何属性服从高斯分布
，因此，几何属性对应的概率分布模型可为
，其中，
为量测函数；
为观噪声，服从高斯分布
，
为一帧车辆采集数据，即，当前时刻上传的车辆采集数据中目标地图元素对应的几何观测值。
具体而言，可直接将车辆采集数据
输入到与几何属性对应的概率分布模型
中，然后对概率分布模型进行计算，首先，计算车辆采集数据中目标地图元素对应的几何观测值
与目标地图元素
之间的雅可比矩阵：
然后再使用卡尔曼滤波算法进一步对概率分布模型进行解析，得到几何属性的均值和协方差值：
其中，
为观噪声
的协方差值，
为单位矩阵。
也就是说，再获取当前时刻上传的车辆采集数据之后，提取车辆采集数据包含的目标地图元素，获取该目标地图元素在车辆采集数据中看（观测）到的几何观测值
，然后将几何观测值
输入到与几何属性对应的概率分布模型
中，并利用卡尔曼滤波算法对几何属性对应的概率分布模型进行解析，得到几何属性的均值和协方差值。
在实际情况中，众包车辆连续行驶一段距离，可对目标地图元素产生连续的多个车辆采集数据，例如，众包车辆连续行驶10米，可以采集到20帧车辆采集数据，此时，可针对连续采集到的20帧车辆采集数据批量输入到几何属性对应的概率分布模型中，以通过该众包车辆连续采集的车辆采集数据对目标地图元素进行几何属性的更新。
具体地，可将连续获取多帧车辆采集数据分别与初始车辆采集数据进行匹配，以得到目标地图元素在每帧车辆采集数据中的几何观测值
，
为第
帧车辆采集数据，将多帧车辆采集数据输入到与用于多帧车辆采集数据的几何属性对应的概率分布模型中：
其中，用于多帧车辆采集数据的几何属性对应的概率分布模型为最小二乘模型。然后，利用相应的解析算法对用于多帧车辆采集数据的几何属性对应的概率分布模型进行解析，得到目标地图元素对应的几何属性的均值和协方差值。可选的，可采用高斯一牛顿迭代法(Gauss-Newton iteration method)、Levenberg-Marquardt算法或者DogLeg算法对最小二乘模型进行求解。
由此，本申请能够通过单帧或多帧上传的车辆采集数据对目标地图元素的几何属性对应的概率分布特征进行更新，以便于后续根据目标地图元素的概率分布特征决定是否将目标地图元素发布到高精地图中。
进一步地，在元素属性参数为语义属性时，语义属性是指目标地图元素的分类结果，将车辆采集数据输入到与目标地图元素的元素属性参数对应的概率分布模型，包括：将车辆采集数据输入到预先构建的分类模型，得到目标地图元素的分类信息和分类信息对应的概率值；将分类信息对应的概率值输入到与语义属性对应的概率分布模型，得到语义属性对应的概率分布特性，与语义属性对应的概率分布特征是将与分类信息对应的概率值进行融合处理得到的结果。
其中，预先构建的分类模型可为经过训练的深度学习模型，将车辆采集数据输入到经过训练的分类模型中，利用分类模型得到目标地图元素的分类信息和分类信息对应的概率值。分类模型是基于深度学习算法构建的用于对车辆采集数据进行分类的模型。
本申请实施例，利用分类模型对车辆采集数据进行分离识别得到分类结果c和分类结果c对应的概率值
，例如，假设车道线类别为虚线车道线和实线车道线，将车辆采集数据输入到预先构建的分类模型后，可能得到该车辆采集数据被分类为虚线车道线的概率值为0.8和被分类为实线车道线的概率值为0.2。
然后，将与分类信息对应的概率值与初始目标地图元素对应的分类信息对应的概率值进行融合，得到语义属性对应的概率分布特征。
可选的，与语义属性对应的概率分布模型可为：
其中，
为当前时刻
上传的车辆采集数据经过分类模型处理输出得到的与分类信息对应的概率值，
为根据上一时刻（
）上传的车辆采集数据经过融合处理得到的与分类信息对应的概率值，
为归一化参数，
为分类信息，例如虚线车道线 c1和实线车道线c2，
为车辆采集数据。其中，
是将上一时刻经过融合处理得到的与分类信息对应的概率值和当前时刻上传的车辆采集数据对应的与分类结果对应的概率值进行归一化处理得到概率分布值。由于分类结果是离散的取值，因此通过上述概率分布模型可以表示经过融合处理后的与语义属性对应的概率分布值。
具体而言，在接收到当前时刻上传的车辆采集数据之后，将车辆采集数据输入到训练好的分类模型中，利用深度学习模型得到目标地图元素的分类信息和与分类信息对应的概率值，例如虚线车道线c1对应的概率值
和实线车道线c2对应的概率值
，然后获取根据初始时刻上传的车辆采集数据得到的目标地图元素的分类信息和与分类信息对应的概率值，即虚线车道线c1对应的概率值
和实线车道线c2对应的概率值
，然后分别对两种分类信息对应的概率值进行融合处理，得到虚线车道线c1对应的概率值
和实线车道线c2对应的概率值
。
在元素属性参数为存在属性时，存在属性是指目标地图元素在高精地图中存在的可能性，将车辆采集数据输入到与目标地图元素的元素属性参数对应的概率分布模型，包括：将车辆采集数据输入到预先构建的存在识别模型，得到目标地图元素的存在概率值；将存在概率值输入到与存在属性对应的概率分布模型，得到与存在属性对应的概率分布特征，与存在属性对应的概率分布特征是将存在概率值进行融合处理得到的结果。
其中，与语义属性类似的，预先构建的存在识别模型也可为训练好的深度学习模型，应当理解的时，与语义属性对应的预先构建的分类模型和与存在属性对应的预先构建的存在识别模型训练时的训练样本集不同，以形成不同类型的深度学习模型。
具体地，可将车辆采集数据输入到经过训练的存在识别模型中，利用存在识别模型得到目标地图元素的存在概率。应当理解的是，在本申请实施例中，存在概率符合二值分布
，其中，
取值为存在或不存在。在
取值为存在时，说明该地图元素应存在于高精地图中，在
为不存在时，说明该地图元素不应存在于高精地图中。
然后，将目标地图元素的存在概率值与初始目标地图元素对应的存在概率值进行融合，得到存在属性对应的概率分布特征。
可选的，与存在属性对应的概率分布模型可为：
其中，
为根据当前时刻
上传的车辆采集数据经过识别模型进行处理得到的存在概率值，
为根据上一时刻（
）上传的车辆采集数据经过融合处理得到的存在概率值，
为车辆采集数据。
是将上一时刻经过融合处理得到的与存在属性对应的存在概率值和当前时刻上传的车辆采集数据对应的与存在属性对应的存在概率值进行融合处理得到概率分布值。由于存在识别结果是离散的取值，因此通过上述概率分布模型可以表示经过融合处理后的与存在属性对应的概率分布值。为了节省处理资源，可以仅针对存在的情况构建概率分布模型。
具体而言，在接收到当前时刻上传的车辆采集数据之后，将车辆采集数据输入到训练好的存在识别模型中，利用存在识别模型得到目标地图元素的存在概率值，然后获取根据初始时刻上传的车辆采集数据得到的历史存在概率值（此时的初始时刻的存在概率可来自于高精地图），经过对历史存在概率和当前存在概率进行融合，得到与存在属性对应的概率分布特征。
由此，本申请能够利用深度学习模型和融合计算分别对目标地图元素的语义属性和存在属性进行更新，得到目标地图元素的语义属性对应的概率分布特征和存在属性对应的概率分布特征。
作为一个可行实施例，如图4所示，高精地图更新方法，包括如下步骤：
步骤301，获取众包车辆发送的车辆采集数据。
步骤302，提取车辆采集数据包含的目标地图元素。
步骤303，利用车辆采集数据更新目标地图元素对应的概率分布特征，概率分布特征是用于决定是否将目标地图元素发布到高精地图的指标参数。
步骤304，在与存在属性对应的概率分布特征小于第一预设阈值时，在高精地图中不发布目标地图元素。
步骤305，在与存在属性对应的概率分布特征大于或等于第一预设阈值时，根据与几何属性对应的概率分布特征和与语义属性对应的概率分布特征确定在高精地图中发布目标地图元素。
需要说明的是，第一预设阈值用于判定目标地图元素是否存在，可将第二预设阈值设置为50%，即，在目标地图元素的存在概率大于50%时，根据几何属性对应的概率分布特征和与语义属性对应的概率分布特征确定在高精地图中发布目标地图元素。
在存在属性对应的概率分布特征大于或等于第二预设阈值时，说明确定存在地图元素，需要在高精地图中对地图元素进行展示，此时，需要进一步获取地图元素的几何属性对应的概率分布特征和与语义属性对应的概率分布特征，并判断目标地图元素的几何属性对应的概率分布特征和与语义属性对应的概率分布特征是否收敛至能够确定地图元素的分类信息和几何属性。
其中，由于几何属性的收敛情况可通过均方差值来确定，语义属性可根据语义属性对应的概率值来确定，因此，可分别获取几何属性对应的协方差值和均值、语义属性对应的概率分布特征中的语义概率最大值。其中，语义属性对应的概率分布特征中的最大值代表地图元素最有可能对应的语义信息。
具体地，在与语义属性对应的概率分布特征大于等于第二预设阈值，且协方差值小于第三预设阈值时，按照几何属性的均值在高精地图中发布目标地图元素。
其中，第三预设阈值为几何属性对应的协方差值的收敛阈值，第二预设阈值为语义属性对应的概率分布特征的收敛阈值。
具体而言，在获取到众包车辆发送的车辆采集数据，从车辆采集数据中提取目标地图元素，利用车辆采集数据更新目标地图元素对应的概率分布特征，包括几何属性对应的概率分布特征、语义属性对应的概率分布特征和存在属性对应的概率分布特征。在存在属性对应的概率分布特征小于第一预设阈值时，说明当前高精地图中存在的目标地图元素是错误的，或者初始时刻上传的车辆采集数据是错误的，因此，从存储的目标地图元素中删除此地图元素，即，向高精地图发布不存在此地图元素的显示信息，在存在属性对应的概率分布特征大于或等于第二预设阈值时，说明目标地图元素是实际存在的，需要在高精地图中对其进行显示，此时，可进一步获取目标地图的几何属性对应的均方差值和均值以及语义属性对应的概率分布特征，判断均方差值是否小于第三预设阈值，且语义属性对应的概率分布特征大于或等于第二预设阈值，如果是，则按照几何属性的均值在高精地图中发布目标地图元素，如果有任一条件不满足，则不向高精地图中发布目标地图元素。
举例来说，如图5所示，图5中（a）为更新前的高精地图，（b）为更新后的高精地图，（b）中根据参考数据添加了一条虚线车道线。
应当理解的是，对于高精地图中地图元素的错误修正可以理解为将存在的错误地图元素删除后，添加新的地图元素。
作为一个可行实施例，在将目标地图元素发布到高精地图中之前，还可统计概率分布特征满足预设发布条件的目标地图元素的数量，在概率分布特征满足预设发布条件的目标地图元素的数量大于或等于预设数量时，将目标地图元素发布到高精地图中。
其中，将任一概率分布特征满足预设发布条件的目标地图元素作为中心，并统计距离该目标地图元素预设范围区域内概率分布特征满足预设发布条件的目标地图元素的数量，例如1平方公里，如果概率分布特征满足预设发布条件的目标地图元素的数量大于或等于预设数量，例如100个，则说明该地区路况变化较大，如果不及时发布高精地图可能会影响自动驾驶的安全性，因此，需要及时将目标地图元素发布到高精地图中，如果概率分布特征满足预设发布条件的目标地图元素的数量小于预设数量，则可进行计时，在计时时间达到预设时间，例如1小时，将目标地图元素发布到高精地图中。
作为一个可行实施例，如图6所示，一种高精地图更新方法，包括以下步骤：
步骤401，获取众包车辆发送的车辆采集数据。
步骤402，分别提取车辆采集数据的第一定位数据和高精地图的第二定位数据。
具体而言，可从车辆采集数据中提取传感器数据采集的定位数据作为第一定位数据，获取高精地图中各位置点对应的定位数据作为第二定位数据。
步骤403，将第一定位数据向目标坐标系投影，得到第一投影坐标，并将第二定位数据向目标坐标系投影，得到第二投影坐标。
其中，目标坐标系可为提前构建的坐标系，例如WGS84坐标系，也可为高精地图所处的坐标系，还可为车辆上传感器对应的坐标系，或者基于传感器数据计算的感知数据的坐标系中任一个。应当理解的是，在本实施例中，使用目标坐标系的目的在于将车辆采集数据和高精地图的数据统一到一个坐标系中，以便于确定车辆采集数据和高精地图指示的地理位置是否相符，因此，本申请对目标坐标系的选择不做具体限定。
步骤404，在第一投影坐标和第二投影坐标的重合度大于或等于预设阈值时，确定车辆采集数据与高精地图匹配，并确定与高精地图匹配的车辆采集数据为参考数据。
也就是说，当车辆采集数据在目标坐标系的第一投影坐标和高精地图在目标坐标系的第二投影坐标的重合度大于或等于预设阈值时，说明车辆采集数据和高精地图指示的是同一实际地理位置，此时，利用该车辆采集数据则可以作为参考数据对高精地图进行更新。
可选的，预设阈值可为95%-99%，其中，预设阈值仅作为示例性进行说明，具体可根据实际参考系确定。
举例来说，预设阈值可根据众包车辆车身长度对定位数据误差进行设定，也就是说，如果高精地图的定位数据是模拟GPS传感器设置于车身中间，而众包车辆的GPS传感器实际设置于车头位置，此时，二者之间即形成了一定的定位误差，但投影坐标的重合度仍可满足预设阈值。
步骤405，提取车辆采集数据包含的目标地图元素。
步骤406，利用车辆采集数据更新目标地图元素对应的概率分布特征，概率分布特征是用于决定是否将目标地图元素发布到高精地图的指标参数。
步骤407，在概率分布特征满足预设发布条件时，将目标地图元素发布到高精地图中。
具体而言，在获取到众包车辆发送的车辆采集数据之后，提取车辆采集数据的第一定位数据，并投影至目标坐标系中获得第一投影坐标，然后根据车辆采集数据的第一定位数据获取高精地图中相应的第二定位数据，并投影至目标坐标系中获得第二投影坐标，如果第一投影坐标和第二投影坐标的重合度大于或等于预设阈值，则确定该帧车辆采集数据可作为参考数据，用于对高精地图进行更新，如果第一投影坐标和第二投影坐标的重合度小于预设阈值，则确定该帧车辆采集数据与高精地图不匹配，不适用于对高精地图的更新。
由此，本申请通过将车辆采集数据和高精地图的定位数据进行比较，选择出与高精地图指示同一实际地理位置的车辆采集数据，有效确保用于对高精地图进行更新的车辆采集数据的准确性。
可选的，在利用定位数据对车辆采集数据和高精地图进行匹配之前，还可先对车辆采集数据进行数据预处理，例如，数据筛选。具体地，可先对车辆采集数据的第一定位数据的精度进行识别，当第一定位数据的精度小于预设精度时，确定车辆采集数据为无效数据，进行删除。
进一步地，还可对车辆采集数据中的全部特征数据进行数据预处理，即，对每帧车辆采集数据中的车身姿态数据、传感器数据和感知数据分别进行精度检测，将精度小于相应精度阈值的数据作为无效数据删除，即，仅保留精度满足精度阈值的采集数据作为车辆采集数据。
举例来说，在获取到众包数据发送的车辆采集数据之后，提取车辆采集数据中的定位数据，判断定位数据的精度是否达到预设精度，如果精度未达到预设精度，则确定该帧车辆采集数据为无效数据予以删除，如果精度达到预设精度，则进一步对该帧车端采集中的其他数据的精度进行判断，如果任一数据的精度低于该数据的预设精度，例如图像数据的图像精度小于预设图像精度，则将该帧车辆采集数据中的图像数据予以删除，而其他数据例如雷达数据、轮速数据等精度满足预设精度的数据予以保留，并将删除了无效数据的车辆采集数据作为参考数据，用于对高精地图中的地图元素的属性信息进行更新，进而基于更新后的属性信息对高精地图进行更新。
由此，本申请能够在对地图元素进行属性信息更新前对车辆采集数据进行有效性判断，大大降低无效数据对属性信息更新带来的影响，确保高精地图更新的准确性，同时，通过对无效数据的删除，降低了数据处理量，提高了高精地图更新数据处理速度。
参考图7和图8，高精地图更新方法，包括以下步骤：
步骤501，获取众包车辆发送的车辆采集数据。
步骤502，提取车辆采集数据包含的目标地图元素.
步骤5031，将车辆采集数据输入到与几何属性对应的概率分布模型，得到与几何属性对应的概率分布特征，与几何属性对应的概率分布特征为几何属性的均值和协方差值。
步骤5032，将车辆采集数据输入到预先构建的分类模型，得到目标地图元素的分类信息和与分类信息对应的概率值。
步骤5033，将与分类信息对应的概率值输入到与语义属性对应的概率分布模型，得到与语义属性对应的概率分布特征，与语义属性对应的概率分布特征是将与分类信息对应的概率值进行融合处理得到的结果。
步骤5034，将车辆采集数据输入到预先构建的存在识别模型，得到目标地图元素的存在概率值。
步骤5035，将存在概率值输入到与存在属性对应的概率分布模型，得到与存在属性对应的概率分布特征，与存在属性对应的概率分布特征是将存在概率值进行融合处理得到的结果。
步骤504，在与存在属性对应的概率分布特征小于第一预设阈值时，在高精地图中不发布目标地图元素.
步骤505，在与存在属性对应的概率分布特征大于或等于第一预设阈值时，根据与几何属性对应的概率分布特征和与语义属性对应的概率分布特征确定在高精地图中发布目标地图元素。
步骤506，在与语义属性对应的概率分布特征大于等于第二预设阈值，且协方差值小于第三预设阈值时，按照几何属性的均值在高精地图中发布目标地图元素。
如图9所示，众包车辆利用传感器采集车身姿态数据、传感器数据和感知数据，根据车身姿态数据、传感器数据和感知数据生成车辆采集数据，众包车辆将车辆采集数据发送至服务器，服务获取众包车端发送的车辆采集数据，提取车辆采集数据包含的目标地图元素，并利用车辆采集数据更新目标地图元素对应的概率分布特征，在概率分布特征满足预设发布条件时，将目标地图元素发布到高精地图中。
综上所述，本申请能够利用任意众包车辆发送的车辆采集数据实现对高精地图的更新，无需采用专用的地图采集车辆，大大降低了高精地图更新的成本。同时，本申请通过根据车辆采集数据对目标地图元素的概率分布特征进行更新，有效解决了由于众包车辆发送的车辆采集数据存在数据精度低于专用采集车辆采集的数据，无法直接用于对高精地图更新的问题。
应当注意，尽管在附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。
进一步参考图10，其示出了根据本申请一个实施例的用于高精地图更新装置10的示例性结构框图。
如图10所示，高精地图更新装置10，包括：
获取模块11，用于获取众包车辆发送的车辆采集数据；
提取模块12，用于提取所述车辆采集数据包含的目标地图元素；
更新模块13，用于利用所述车辆采集数据更新所述目标地图元素对应的概率分布特征，所述概率分布特征是用于决定是否将所述目标地图元素发布到高精地图的指标参数；
发布模块14，用于在所述概率分布特征满足预设发布条件时，将所述目标地图元素发布到所述高精地图中。
在一些实施例中，更新模块13，还用于：
将所述车辆采集数据输入到与目标地图元素的元素属性参数对应的概率分布模型，得到与所述目标地图元素的元素属性参数对应的概率分布特征，所述概率分布模型是利用所述车辆采集数据按照所述元素属性参数的观测值进行迭代更新得到的，所述元素属性参数是用于表征所述目标地图元素的属性的参数。
在一些实施例中，所述元素属性参数为几何属性，所述几何属性是所述目标地图元素在所述高精地图中的形状和位置，更新模块13，还用于：
将所述车辆采集数据输入到与几何属性对应的概率分布模型，得到与所述几何属性对应的概率分布特征，所述与所述几何属性对应的概率分布特征为所述几何属性的均值和协方差值。
在一些实施例中，所述元素属性参数为语义属性，所述语义属性是指所述目标地图元素的分类结果，更新模块13，还用于：
将所述车辆采集数据输入到预先构建的分类模型，得到所述目标地图元素的分类信息和与分类信息对应的概率值；
将所述与分类信息对应的概率值输入到与所述语义属性对应的概率分布模型，得到与所述语义属性对应的概率分布特征，所述与所述语义属性对应的概率分布特征是将所述与分类信息对应的概率值进行融合处理得到的结果。
在一些实施例中，所述元素属性参数为存在属性，所述存在属性是指所述目标地图元素在所述高精地图中存在的可能性，更新模块13，还用于：
将所述车辆采集数据输入到预先构建的存在识别模型，得到所述目标地图元素的存在概率值；
将所述存在概率值输入到与所述存在属性对应的概率分布模型，得到与所述存在属性对应的概率分布特征，所述与所述存在属性对应的概率分布特征是将所述存在概率值进行融合处理得到的结果。
在一些实施例中，所述概率分布特性包括：与所述几何属性对应的概率分布特征、与所述语义属性对应的概率分布特征和与所述存在属性对应的概率分布特征，发布模块14，还用于：
在与所述存在属性对应的概率分布特征小于第一预设阈值时，在所述高精地图中不发布所述目标地图元素；
在与所述存在属性对应的概率分布特征大于或等于第一预设阈值时，根据与所述几何属性对应的概率分布特征和与所述语义属性对应的概率分布特征确定在所述高精地图中发布所述目标地图元素。
在一些实施例中，与所述几何属性对应的概率分布特征包括几何属性的均值和协方差值，发布模块14，还用于：
在与所述语义属性对应的概率分布特征大于等于第二预设阈值，且所述协方差值小于第三预设阈值时，按照所述几何属性的均值在所述高精地图中发布所述目标地图元素。
在一些实施例中，提取模块12，还用于：
在获取初始时刻上传的车辆采集数据之后，存储所述初始时刻上传的车辆采集数据中包含的初始目标地图元素，和与所述初始目标地图元素对应的初始概率分布特征；
获取当前时刻上传的车辆采集数据；
将所述当前时刻上传的车辆采集数据与所述初始目标地图元素进行匹配，得到所述当前时刻上传的车辆采集数据包含的当前目标地图元素，所述当前目标地图元素与所述初始目标地图元素之间存在匹配关系。
综上所述，本申请能够利用任意众包车辆发送的车辆采集数据实现对高精地图的更新，无需采用专用的地图采集车辆，大大降低了高精地图更新的成本。同时，本申请通过根据车辆采集数据对目标地图元素的概率分布特征进行更新，有效解决了由于众包车辆发送的车辆采集数据存在数据精度低于专用采集车辆采集的数据，无法直接用于对高精地图更新的问题。
应当理解，装置10中记载的诸模块与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作和特征同样适用于装置10及其中包含的模块，在此不再赘述。
在上文详细描述中提及的若干模块或者单元，这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
下面参考图11，其示出了适于用来实现本申请实施例的终端设备或服务器的计算机系统1100的结构示意图。
如图11所示，计算机系统1100包括中央处理单元（CPU）1101，其可以根据存储在只读存储器（ROM）1102中的程序或者从存储部分1108加载到随机访问存储器（RAM）1103中的程序而执行各种适当的动作和处理。在RAM 1103中，还存储有系统1100操作所需的各种程序和数据。CPU 1101、ROM 1102以及RAM 1103通过总线1104彼此相连。输入/输出（I/O）接口1105也连接至总线1104。
以下部件连接至I/O接口1105：包括键盘、鼠标等的输入部分1106；包括诸如阴极射线管（CRT）、液晶显示器（LCD）等以及扬声器等的输出部分1107；包括硬盘等的存储部分1108；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1109。通信部分1109经由诸如因特网的网络执行通信处理。驱动器1110也根据需要连接至I/O接口1105。可拆卸介质1111，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1110上，以便于从其上读出的计算机程序根据需要被安装入存储部分1108。
特别地，根据本公开的实施例，上文参考图2描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括有形地包含在机器可读介质上的计算机程序，所述计算机程序包含用于执行图2的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分1109从网络上被下载和安装，和/或从可拆卸介质1111被安装。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括获取模块、匹配模块、第一更新模块以及第二更新模块。其中，这些模块的名称在某种情况下并不构成对该单元或模块本身的限定，例如，获取模块还可以被描述为“用于获取众包车辆发送的车辆采集数据的模块”。
作为另一方面，本申请还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中所述装置中所包含的计算机可读存储介质；也可以是单独存在，未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序，所述程序被一个或者一个以上的处理器用来执行描述于本申请的公式输入方法。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (11)
1.一种高精地图更新方法，其特征在于，包括：
获取众包车辆发送的车辆采集数据；
提取所述车辆采集数据包含的目标地图元素；
利用所述车辆采集数据更新所述目标地图元素对应的概率分布特征，所述概率分布特征是用于决定是否将所述目标地图元素发布到高精地图的指标参数；
在所述概率分布特征满足预设发布条件时，将所述目标地图元素发布到所述高精地图中。
2.根据权利要求1所述的高精地图更新方法，其特征在于，利用所述车辆采集数据更新所述目标地图元素对应的概率分布特征，包括：
将所述车辆采集数据输入到与目标地图元素的元素属性参数对应的概率分布模型，得到与所述目标地图元素的元素属性参数对应的概率分布特征，所述概率分布模型是利用所述车辆采集数据按照所述元素属性参数的观测值进行迭代更新得到的，所述元素属性参数是用于表征所述目标地图元素的属性的参数。
3.根据权利要求2所述的高精地图更新方法，其特征在于，所述元素属性参数为几何属性，所述几何属性是所述目标地图元素在所述高精地图中的形状和位置，所述将所述车辆采集数据输入到与目标地图元素的元素属性参数对应的概率分布模型，包括：
将所述车辆采集数据输入到与几何属性对应的概率分布模型，得到与所述几何属性对应的概率分布特征，所述与所述几何属性对应的概率分布特征为所述几何属性的均值和协方差值。
4.根据权利要求2所述的高精地图更新方法，其特征在于，所述元素属性参数为语义属性，所述语义属性是指所述目标地图元素的分类结果，所述将所述车辆采集数据输入到与目标地图元素的元素属性参数对应的概率分布模型，包括：
将所述车辆采集数据输入到预先构建的分类模型，得到所述目标地图元素的分类信息和与分类信息对应的概率值；
将所述与分类信息对应的概率值输入到与所述语义属性对应的概率分布模型，得到与所述语义属性对应的概率分布特征，所述与所述语义属性对应的概率分布特征是将所述与分类信息对应的概率值进行融合处理得到的结果。
5.根据权利要求2所述的高精地图更新方法，其特征在于，所述元素属性参数为存在属性，所述存在属性是指所述目标地图元素在所述高精地图中存在的可能性，所述将所述车辆采集数据输入到与目标地图元素的元素属性参数对应的概率分布模型，包括：
将所述车辆采集数据输入到预先构建的存在识别模型，得到所述目标地图元素的存在概率值；
将所述存在概率值输入到与所述存在属性对应的概率分布模型，得到与所述存在属性对应的概率分布特征，所述与所述存在属性对应的概率分布特征是将所述存在概率值进行融合处理得到的结果。
6.根据权利要求1所述的高精地图更新方法，其特征在于，所述概率分布特性包括：与几何属性对应的概率分布特征、与语义属性对应的概率分布特征和与存在属性对应的概率分布特征，则在所述概率分布特征满足预设发布条件时，将所述目标地图元素发布到所述高精地图中，包括：
在与所述存在属性对应的概率分布特征小于第一预设阈值时，在所述高精地图中不发布所述目标地图元素；
在与所述存在属性对应的概率分布特征大于或等于第一预设阈值时，根据与所述几何属性对应的概率分布特征和与所述语义属性对应的概率分布特征确定在所述高精地图中发布所述目标地图元素。
7.根据权利要求6所述的高精地图更新方法，其特征在于，与所述几何属性对应的概率分布特征包括几何属性的均值和协方差值，则根据与所述几何属性对应的概率分布特征和与所述语义属性对应的概率分布特征确定在所述高精地图中发布所述目标地图元素，包括：
在与所述语义属性对应的概率分布特征大于等于第二预设阈值，且所述协方差值小于第三预设阈值时，按照所述几何属性的均值在所述高精地图中发布所述目标地图元素。
8.根据权利要求1所述的高精地图更新方法，其特征在于，所述提取所述车辆采集数据包含的目标地图元素，包括：
在获取初始时刻上传的车辆采集数据之后，存储所述初始时刻上传的车辆采集数据中包含的初始目标地图元素，和与所述初始目标地图元素对应的初始概率分布特征；
获取当前时刻上传的车辆采集数据；
将所述当前时刻上传的车辆采集数据与所述初始目标地图元素进行匹配，得到所述当前时刻上传的车辆采集数据包含的当前目标地图元素，所述当前目标地图元素与所述初始目标地图元素之间存在匹配关系。
9.一种高精地图更新装置，其特征在于，包括：
获取模块，用于获取众包车辆发送的车辆采集数据；
提取模块，用于提取所述车辆采集数据包含的目标地图元素；
更新模块，用于利用所述车辆采集数据更新所述目标地图元素对应的概率分布特征，所述概率分布特征是用于决定是否将所述目标地图元素发布到高精地图的指标参数；
发布模块，用于在所述概率分布特征满足预设发布条件时，将所述目标地图元素发布到所述高精地图中。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时，实现如权利要求1-8中任一所述的高精地图更新方法。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-8中任一所述的高精地图更新方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110059603.9A CN112380317B (zh) | 2021-01-18 | 2021-01-18 | 高精地图更新方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110059603.9A CN112380317B (zh) | 2021-01-18 | 2021-01-18 | 高精地图更新方法、装置、电子设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112380317A true CN112380317A (zh) | 2021-02-19 |
| CN112380317B CN112380317B (zh) | 2021-04-09 |
Family
ID=74581962
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110059603.9A Active CN112380317B (zh) | 2021-01-18 | 2021-01-18 | 高精地图更新方法、装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112380317B (zh) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113590293A (zh) * | 2021-07-30 | 2021-11-02 | 合肥四维图新科技有限公司 | 众包数据采集任务控制方法、服务器、终端、介质及产品 |
| CN113704538A (zh) * | 2021-08-30 | 2021-11-26 | 北京百度网讯科技有限公司 | 数据处理方法、装置、电子设备及计算机存储介质 |
| CN114037677A (zh) * | 2021-11-05 | 2022-02-11 | 安徽宇呈数据技术有限公司 | 一种可接入充电宝的便携式地图采集设备 |
| CN114219907A (zh) * | 2021-12-08 | 2022-03-22 | 阿波罗智能技术(北京)有限公司 | 三维地图生成方法、装置、设备以及存储介质 |
| CN114526722A (zh) * | 2021-12-31 | 2022-05-24 | 易图通科技（北京）有限公司 | 地图对齐处理方法、装置及可读存储介质 |
| CN114526721A (zh) * | 2021-12-31 | 2022-05-24 | 易图通科技（北京）有限公司 | 地图对齐处理方法、装置及可读存储介质 |
| CN114674305A (zh) * | 2022-03-01 | 2022-06-28 | 小米汽车科技有限公司 | 地图处理方法、装置、电子设备、介质及车辆 |
| CN114705180A (zh) * | 2022-06-06 | 2022-07-05 | 中汽创智科技有限公司 | 高精地图的数据修正方法、装置、设备及存储介质 |
| CN114998684A (zh) * | 2022-05-20 | 2022-09-02 | 北京百度网讯科技有限公司 | 地理与视觉跨模态预训练模型的训练方法、定位调整方法 |
| WO2022194008A1 (zh) * | 2021-03-18 | 2022-09-22 | 华为技术有限公司 | 地图数据处理方法及装置 |
| CN115235448A (zh) * | 2022-06-28 | 2022-10-25 | 广州文远知行科技有限公司 | 一种高精地图的更新方法、装置、设备及存储介质 |
| WO2023193459A1 (zh) * | 2022-04-07 | 2023-10-12 | 华为技术有限公司 | 一种数据采集方法及装置 |
| WO2024078132A1 (zh) * | 2022-10-14 | 2024-04-18 | 天津大学 | 一种信息新鲜度感知的高精地图分布式缓存方法 |
| CN117953117A (zh) * | 2022-10-20 | 2024-04-30 | 滴图(北京)科技有限公司 | 用于场景重建的方法、装置、设备、存储介质和程序产品 |
| CN118067114A (zh) * | 2024-04-24 | 2024-05-24 | 成都赛力斯科技有限公司 | 一种地图构建方法、装置、电子设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107145578A (zh) * | 2017-05-08 | 2017-09-08 | 深圳地平线机器人科技有限公司 | 地图构建方法、装置、设备和系统 |
| CN109933635A (zh) * | 2019-02-13 | 2019-06-25 | 腾讯大地通途（北京）科技有限公司 | 一种更新地图数据库的方法及装置 |
| US20190226868A1 (en) * | 2019-03-30 | 2019-07-25 | Intel Corporation | Technologies for intelligent traffic optimization with high-definition maps |
| CN110782774A (zh) * | 2019-10-30 | 2020-02-11 | 武汉中海庭数据技术有限公司 | 一种众包道路数据的分布式处理方法及装置 |
| CN112163063A (zh) * | 2020-10-22 | 2021-01-01 | 腾讯科技（深圳）有限公司 | 生成高精度地图的方法、装置和计算机可读存储介质 |
-
2021
- 2021-01-18 CN CN202110059603.9A patent/CN112380317B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107145578A (zh) * | 2017-05-08 | 2017-09-08 | 深圳地平线机器人科技有限公司 | 地图构建方法、装置、设备和系统 |
| CN109933635A (zh) * | 2019-02-13 | 2019-06-25 | 腾讯大地通途（北京）科技有限公司 | 一种更新地图数据库的方法及装置 |
| US20190226868A1 (en) * | 2019-03-30 | 2019-07-25 | Intel Corporation | Technologies for intelligent traffic optimization with high-definition maps |
| CN110782774A (zh) * | 2019-10-30 | 2020-02-11 | 武汉中海庭数据技术有限公司 | 一种众包道路数据的分布式处理方法及装置 |
| CN112163063A (zh) * | 2020-10-22 | 2021-01-01 | 腾讯科技（深圳）有限公司 | 生成高精度地图的方法、装置和计算机可读存储介质 |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022194008A1 (zh) * | 2021-03-18 | 2022-09-22 | 华为技术有限公司 | 地图数据处理方法及装置 |
| CN113590293A (zh) * | 2021-07-30 | 2021-11-02 | 合肥四维图新科技有限公司 | 众包数据采集任务控制方法、服务器、终端、介质及产品 |
| CN113704538A (zh) * | 2021-08-30 | 2021-11-26 | 北京百度网讯科技有限公司 | 数据处理方法、装置、电子设备及计算机存储介质 |
| CN114037677A (zh) * | 2021-11-05 | 2022-02-11 | 安徽宇呈数据技术有限公司 | 一种可接入充电宝的便携式地图采集设备 |
| CN114219907A (zh) * | 2021-12-08 | 2022-03-22 | 阿波罗智能技术(北京)有限公司 | 三维地图生成方法、装置、设备以及存储介质 |
| CN114526722A (zh) * | 2021-12-31 | 2022-05-24 | 易图通科技（北京）有限公司 | 地图对齐处理方法、装置及可读存储介质 |
| CN114526721A (zh) * | 2021-12-31 | 2022-05-24 | 易图通科技（北京）有限公司 | 地图对齐处理方法、装置及可读存储介质 |
| CN114526722B (zh) * | 2021-12-31 | 2024-05-24 | 易图通科技（北京）有限公司 | 地图对齐处理方法、装置及可读存储介质 |
| CN114526721B (zh) * | 2021-12-31 | 2024-05-24 | 易图通科技（北京）有限公司 | 地图对齐处理方法、装置及可读存储介质 |
| CN114674305A (zh) * | 2022-03-01 | 2022-06-28 | 小米汽车科技有限公司 | 地图处理方法、装置、电子设备、介质及车辆 |
| WO2023193459A1 (zh) * | 2022-04-07 | 2023-10-12 | 华为技术有限公司 | 一种数据采集方法及装置 |
| CN114998684A (zh) * | 2022-05-20 | 2022-09-02 | 北京百度网讯科技有限公司 | 地理与视觉跨模态预训练模型的训练方法、定位调整方法 |
| CN114705180A (zh) * | 2022-06-06 | 2022-07-05 | 中汽创智科技有限公司 | 高精地图的数据修正方法、装置、设备及存储介质 |
| CN115235448A (zh) * | 2022-06-28 | 2022-10-25 | 广州文远知行科技有限公司 | 一种高精地图的更新方法、装置、设备及存储介质 |
| WO2024078132A1 (zh) * | 2022-10-14 | 2024-04-18 | 天津大学 | 一种信息新鲜度感知的高精地图分布式缓存方法 |
| CN117953117A (zh) * | 2022-10-20 | 2024-04-30 | 滴图(北京)科技有限公司 | 用于场景重建的方法、装置、设备、存储介质和程序产品 |
| CN118067114A (zh) * | 2024-04-24 | 2024-05-24 | 成都赛力斯科技有限公司 | 一种地图构建方法、装置、电子设备及存储介质 |
| CN118067114B (zh) * | 2024-04-24 | 2024-07-26 | 成都赛力斯科技有限公司 | 一种地图构建方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112380317B (zh) | 2021-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112380317B (zh) | 高精地图更新方法、装置、电子设备和存储介质 | |
| CN109061703B (zh) | 用于定位的方法、装置、设备和计算机可读存储介质 | |
| CN110705458B (zh) | 边界检测方法及装置 | |
| CN110785719A (zh) | 在自动驾驶车辆中用于经由交叉时态验证的即时物体标记的方法和系统 | |
| CN112904395B (zh) | 一种矿用车辆定位系统及方法 | |
| CN111179300A (zh) | 障碍物检测的方法、装置、系统、设备以及存储介质 | |
| CN110753953A (zh) | 用于自动驾驶车辆中经由交叉模态验证的以物体为中心的立体视觉的方法和系统 | |
| CN115540896B (zh) | 路径规划方法、装置、电子设备和计算机可读介质 | |
| CN113468941A (zh) | 障碍物检测方法、装置、设备及计算机存储介质 | |
| CN113127583A (zh) | 一种数据传输方法和装置 | |
| CN111524169A (zh) | 用神经网络基于传感器数据和地图数据的图像配准的定位 | |
| CN111930872A (zh) | 一种高精度地图更新方法、服务器及可读存储介质 | |
| CN110363054B (zh) | 道路标识线识别方法、装置和系统 | |
| CN112651266B (zh) | 行人检测方法和装置 | |
| CN114419573B (zh) | 动态占据栅格估计方法及装置 | |
| CN117576652B (zh) | 道路对象的识别方法、装置和存储介质及电子设备 | |
| CN109636842A (zh) | 车道线修正方法、装置、设备及存储介质 | |
| CN112432650A (zh) | 高精地图数据的获取方法、车辆控制方法以及设备 | |
| CN114485698A (zh) | 一种交叉路口引导线生成方法及系统 | |
| CN115236694A (zh) | 障碍物检测方法、装置、电子设备和存储介质 | |
| CN115344655A (zh) | 地物要素的变化发现方法、装置及存储介质 | |
| CN111562605B (zh) | 自适应的gps错误观测值识别方法 | |
| CN113392170A (zh) | 一种高精度地图数据的生成方法、装置及服务器 | |
| CN112099481A (zh) | 用于构建道路模型的方法和系统 | |
| CN113227713A (zh) | 生成用于定位的环境模型的方法和系统 |
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 | ||
| REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40037978 Country of ref document: HK |