CN112699190A - 地图数据的检测方法、装置、系统及存储介质 - Google Patents

地图数据的检测方法、装置、系统及存储介质 Download PDF

Info

Publication number
CN112699190A
CN112699190A CN201911014279.8A CN201911014279A CN112699190A CN 112699190 A CN112699190 A CN 112699190A CN 201911014279 A CN201911014279 A CN 201911014279A CN 112699190 A CN112699190 A CN 112699190A
Authority
CN
China
Prior art keywords
data
attribute
segment
map
reported data
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
Application number
CN201911014279.8A
Other languages
English (en)
Inventor
李鹏航
刘正林
宋向勃
彭良龙
王辉
黄爽
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.)
Hefei Siweitu New Technology Co ltd
Navinfo Co Ltd
Original Assignee
Hefei Siweitu New 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 Hefei Siweitu New Technology Co ltd filed Critical Hefei Siweitu New Technology Co ltd
Priority to CN201911014279.8A priority Critical patent/CN112699190A/zh
Publication of CN112699190A publication Critical patent/CN112699190A/zh
Pending legal-status Critical Current

Links

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

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Remote Sensing (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种地图数据的检测方法、装置、系统及存储介质，该方法，包括：从众包数据中获取检测数据对应的上报数据；其中，所述检测数据为连续型地图要素对应的数据，所述上报数据中包括连续型地图要素的非几何属性；对所述检测数据进行切分处理，得到分段数据；按照预设的规则，将所述上报数据分配给所述分段数据对应的各个分段，得到各个分段对应的候选上报数据；对所述候选上报数据进行处理后，提取出各个分段对应的属性变化点信息。从而可以利用众包数据对连续型地图要素的非几何属性变化点进行准确检测，扩大了地图数据的检测范围，提高地图数据的检测效率。

Description

地图数据的检测方法、装置、系统及存储介质
技术领域
本发明涉及高精度地图技术领域，尤其涉及一种地图数据的检测方法、装置、系统及存储介质。
背景技术
高精度地图是自动驾驶不可或缺的重要支撑技术，而高精度众包数据源是高精度地图更新的一种重要数据来源。在利用高精度众包数据源对地图进行更新时，众包数据源与高精度地图之间需要对地图数据进行检测，以确定出变更的数据。
从地图要素属性上看，高精度地图不仅仅需要为自动驾驶提供要素的几何属性(坐标位置信息)，还需要提供要素的非几何属性(比如宽度、类型、颜色、材质等属性)。
但是，现有的地图数据检测方法，局限于对地图几何属性的检测，无法基于众包数据源对连续型地图要素的非几何属性变化点进行检测。
发明内容
本发明提供一种地图数据的检测方法、装置、系统及存储介质，可以利用众包数据对连续型地图要素的非几何属性变化点进行准确检测，扩大了地图数据的检测范围，提高地图数据的检测效率。
第一方面，本发明实施例提供一种地图数据的检测方法，包括：
从众包数据中获取检测数据对应的上报数据；其中，所述检测数据为连续型地图要素对应的数据，所述上报数据中包括连续型地图要素的非几何属性；
对所述检测数据进行切分处理，得到分段数据；
按照预设的规则，将所述上报数据分配给所述分段数据对应的各个分段，得到各个分段对应的候选上报数据；
对所述候选上报数据进行处理后，提取出各个分段对应的属性变化点信息。
第二方面，本发明实施例提供一种地图数据的检测装置，包括：
获取模块，用于从众包数据中获取检测数据对应的上报数据；其中，所述检测数据为连续型地图要素对应的数据，所述上报数据中包括连续型地图要素的非几何属性；
切分模块，用于对所述检测数据进行切分处理，得到分段数据；
分配模块，用于按照预设的规则，将所述上报数据分配给所述分段数据对应的各个分段，得到各个分段对应的候选上报数据；
处理模块，用于对所述候选上报数据进行处理后，提取出各个分段对应的属性变化点信息。
第三方面，本发明实施例提供一种地图数据的更新系统，包括：众包车辆和云平台；所述众包车辆用于向所述云平台上报数据；所述云平台用于执行如第一方面中任一所述的地图数据的检测方法。
第四方面，本发明实施例提供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第一方面所述的地图数据的检测方法。
本发明提供一种地图数据的检测方法、装置、系统及存储介质，通过从众包数据中获取检测数据对应的上报数据；其中，所述检测数据为连续型地图要素对应的数据，所述上报数据中包括连续型地图要素的非几何属性；对所述检测数据进行切分处理，得到分段数据；按照预设的规则，将所述上报数据分配给所述分段数据对应的各个分段，得到各个分段对应的候选上报数据；对所述候选上报数据进行处理后，提取出各个分段对应的属性变化点信息。从而可以利用众包数据对连续型地图要素的非几何属性变化点进行准确检测，扩大了地图数据的检测范围，提高地图数据的检测效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一应用场景的原理示意图；
图2为本发明实施例一提供的地图数据的检测方法的流程图；
图3为本发明实施例提供的车道标线的原始示意图；
图4为本发明实施例提供的车道标线的切分示意图；
图5为本发明实施例提供的车道标线的候选上报数据示意图；
图6为本发明实施例提供的候选上报数据处理方法的流程图；
图7为本发明实施例提供的车道标线的离散型属性去噪结果示意图；
图8为本发明实施例提供的车道标线的连续型属性去噪结果示意图；
图9为本发明实施例提供的车道标线的离散型属性认知结果示意图；
图10为本发明实施例提供的车道标线的连续型属性认知结果示意图；
图11为本发明实施例二提供的地图数据的检测装置的结构示意图；
图12为本发明实施例三提供的地图数据的更新系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例，例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面以具体地实施例对本发明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。
高精度地图是自动驾驶不可或缺的重要支撑技术，而高精度众包数据源是高精度地图更新的一种重要数据来源。在利用高精度众包数据源对地图进行更新时，众包数据源与高精度地图之间需要对地图数据进行检测，以确定出变更的数据。
从地图要素属性上看，高精度地图不仅仅需要为自动驾驶提供要素的几何属性(坐标位置信息)，还需要提供要素的非几何属性(比如宽度、类型、颜色、材质等属性)。
但是，现有的地图数据检测方法，局限于对地图几何属性的检测，无法基于众包数据源对连续型地图要素的非几何属性变化点进行检测
针对上述技术问题，本发明提供一种方法，可以利用众包数据对连续型地图要素的非几何属性变化点进行准确检测，扩大了地图数据的检测范围，提高地图数据的检测效率。
图1为本发明一应用场景的原理示意图，如图1所示，地图数据的检测装置，包括：获取模块、切分模块、分配模块、处理模块。获取模块用于从众包数据中获取检测数据对应的上报数据；其中，检测数据为连续型地图要素对应的数据，上报数据中包括连续型地图要素的非几何属性；非几何属性包括：颜色、类型、材质。切分模块，用于对检测数据进行切分处理，得到分段数据。分配模块，用于按照预设的规则，将上报数据分配给分段数据对应的各个分段，得到各个分段对应的候选上报数据。处理模块，用于对候选上报数据进行处理后，提取出各个分段对应的属性变化点信息。
应用上述方法可以利用众包数据对连续型地图要素的非几何属性变化点进行准确检测，扩大了地图数据的检测范围，提高地图数据的检测效率。
下面以具体地实施例对本发明的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。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中不再赘述。下面将结合附图，对本发明的实施例进行描述。
图2为本发明实施例一提供的地图数据的检测方法的流程图，如图2所示，本实施例中的方法可以包括：
S101、从众包数据中获取检测数据对应的上报数据。
本实施例中，检测数据为连续型地图要素对应的数据，上报数据中包括连续型地图要素的非几何属性；非几何属性包括：颜色、类型、材质。
连续型地图要素，包括：车道线、道路边缘等。具体地，本实施例以高精度地图的车道标线非几何属性检测及其变化点提取为例进行详细说明。首先，从众包数据中获取同一条车道标线的上报数据，以带有完整的属性信息的形点序列的形式表达。形点序列必须包含的信息：唯一的点串id，一个或多个密度均匀(相邻点间距例如但不限于1m)的点。形点序列内的点必须包含的信息：几何属性信息(如位置坐标信息)，离散型非几何属性信息(如颜色、类型、材质等)。
S102、对检测数据进行切分处理，得到分段数据。
本实施例中，获取检测数据的起点位置和终点位置；基于检测数据的起点位置和终点位置，将检测数据均匀划分为N个分段，N为大于1的自然数。
具体地，由于车道标线是线性对象，为了更精确的识别车道标线属性，并提取属性变化点，需要沿车道标线方向对车道标线数据进行切分。将车道标线从起始点到终点切分为等长的小段。分段的编号从0开始递增，在每个切分的分段中可近似认为车道标线为直线段。由于数据是密度均匀的点串，点串内的点间距是一定的，所以每个分段的步长的长度不能过长或过短。步长长度过长会使得后续进行车道标线属性变化点提取的位置不准确；而步长长度过短会导致后续切分到单个分段内匹配到的数据点过少，导致不能及时得到检测结果。本实施例中，步长可以取值为10m，也可以为其他值。图3为本发明实施例提供的车道标线的原始示意图，图4为本发明实施例提供的车道标线的切分示意图，如图3、图4所示，将车道线沿车道线方向均匀切分，并进行编号，得到分段数据。
需要说明的是，本实施例虽然以车道线为例进行详细说明，但是本实施中的方法也可应用于其他连续型要素中，其处理方式与车道线的处理方式类似，此处不再赘述。
S103、按照预设的规则，将上报数据分配给分段数据对应的各个分段，得到各个分段对应的候选上报数据。
本实施例中，获取上报数据在检测数据上的投影位置；根据投影位置所处的分段位置，确定上报数据对应的分段；其中，与分段对应的所有上报数据的集合构成分段的候选上报数据。
具体地，将上报数据的坐标点在车道标线上的投影点(垂直于车道标线的垂线与车道标线的交点)作为最近点，根据该投影点所在的位置确定其对应的分段。计算平面坐标系下上报数据位置到车道标线上最近点，最近点在车道标线上位于哪个分段，就将上报数据分配到这个分段下。图5为本发明实施例提供的车道标线的候选上报数据示意图，如图5所示，将上报数据分配给分段数据对应的各个分段，得到各个分段对应的候选上报数据。
S104、对候选上报数据进行处理后，提取出各个分段对应的属性变化点信息。
在第一种可选的实施方式中，上述步骤S104可以包括如下步骤：
步骤A1：对候选上报数据进行局部属性去噪处理，得到去噪后的上报数据。
在步骤A1中，由于众包数据的特点是噪声较大，需要遍历车道标线的分段序列，对每个分段依次执行去噪处理。每个分段内的上报数据，首先提取属性上报集合，然后进行无效值去除。然后，提取上报集合中没被标记为噪声的元素，得到子集。然后，对子集中的元素进行去噪处理，得到去噪后的上报数据。
步骤A2：对去噪后的上报数据进行局部属性认知处理，得到属性认知结果。
在步骤A2中，遍历车道标线的分段序列，对每个分段，首先提取非噪声属性上报集合。然后，对非噪声属性上报集合中的元素进行局部属性认知处理，得到属性认知结果。
步骤A3：从属性认知结果中，提取出属性变化点信息。
在步骤A3中通过步骤A2中得到的属性认知结果，构建属性的序列集合，并对属性的序列集合进行合并处理，得到属性的序列集合；遍历序列集合，若相邻序列均为属性整列，且相邻序列的认知结果不同，则将前一序列的最后一个分段的末端形点和后一序列中起始分段的起始形点的连线的中点，作为属性变化点。
在第二种可选的实施方式中，上述步骤S104可以包括如下步骤：
步骤B1：根据上报数据的数据类型，分别用不同的方法对候选上报数据进行局部属性去噪处理，得到去噪后的上报数据。
在步骤B1中，若候选上报数据为离散型数据，则采用双二项分布假设检验法，对候选上报数据进行局部属性去噪处理，得去噪后的上报数据。若候选上报数据为连续型数据，则采用均值-标准差法，对候选上报数据进行局部属性去噪处理，得去噪后的上报数据。
具体地，对于离散型非几何属性，用双二项分布假设检验法去噪；对于连续型非几何属性，用均值-标准差法去噪。提取属性上报集合是指提取分段内对于属性类型P的上报数据，得到上报数据集合：Rs＝{r1,r2,…,rn}。无效值去除是指检验Rs中的空值和非法值等无效值，将无效值样本标记为噪声。对于连续型非几何属性，使用偏度-峰度正态性检验法检验分段内的分布特征，若不是正态分布则将该Rs中所有要素标记为噪声。空值是指上报数据点没有在车道标线上找到对应的分段，或者是上报数据没有对应的非几何属性。非法值是指不符合规范的数值。提取上报集合中没被标记为噪声的元素，得到子集是指提取Rs中没被标记为噪声的元素，得到子集Rss。
对于离散型非几何属性，用双二项分布假设检验法去噪。首先，统计取值区间。统计Rss的取值区间[a1，a2，…，am]。然后，统计As中各个取值的样本量。其中，As为Rss所有取值区间中一个区间内的样本子集，As样本总量为N，每个取值的样本量为{c0,c1,c2,…,cm},则有
Figure BDA0002245187450000071
然后，对取值区间的每一个值依次进行假设检验，假设检验可以是正向假设检验，也可以是负向假设检验。正向假设检验是指对于属性值ai：H0：ai对，H1：ai不对。ai的样本量为n，正向概率为p，p为采集正确率的近似值，例如但不限于0.5。则检验概率：
Figure BDA0002245187450000072
其中
Figure BDA0002245187450000073
当Bi小于置信水平α1时，则取备择假设。α1例如但不限于0.05。
负向假设检验是指对取值区间的每一个值依次进行负向假设检验，对于属性值ai：H0：ai不对，H1：ai对。ai的样本量为n，负向概率为
Figure BDA0002245187450000074
其中p为a的正向概率，则检验概率：
Figure BDA0002245187450000075
其中
Figure BDA0002245187450000076
当
Figure BDA0002245187450000077
小于置信水平β1时，则取备择假设。β1例如但不限于0.05。
最后，进行噪声检验。若ai接受负向假设且拒绝正向假设，则将As中值为ai的样本标记为噪声。按上述步骤遍历完车道标线的所有分段后，分段数据属性去噪结束。图7为本发明实施例提供的车道标线的离散型属性去噪结果示意图，如图7所示，以车道标线类型属性为例，展示了离散型属性去噪结果。
对于连续型非几何属性，用均值-标准差检验去噪。首先，对子集Rss进行如下检验：若Rss为空，则去噪结束；若Rss不为空，则计算Rss的均值
Figure BDA0002245187450000081
和标准差σ，若σ小于或等于属性阈值σs，则去噪结束，属性阈值σs根据属性类型不同会选择不同值，比如对车道标线宽度属性，σs例如但不限于10mm。若σ大于属性阈值σs，则遍历Rss中的元素，若其值不在置信度区间
Figure BDA0002245187450000082
内，则将其标记为噪声。d为置信度系数，例如但不限于1.96。遍历完成后，若Rss中有元素在本轮去噪中标记为噪声，则再次执行离散型非几何属性去噪，否则去噪结束。按上述步骤遍历完车道标线的所有segment后，分段数据属性去噪结束。图8为本发明实施例提供的车道标线的连续型属性去噪结果示意图，如图8所示，以车道标线宽度属性为例，展示了连续型属性去噪结果。
步骤B2：根据上报数据的数据类型，分别用不同的方法对去噪后的上报数据进行局部属性认知处理，得到属性认知结果。
在步骤B2中，若候选上报数据为离散型数据，则采用双二项分布假设检验法，对去噪后的上报数据进行局部属性认知处理，得到属性认知结果；若候选上报数据为连续型数据，则采用均值-标准差法，对去噪后的上报数据进行局部属性认知处理，得到属性认知结果。
具体地，对于离散型非几何属性，用双二项分布假设检验法认知；对于连续型非几何属性，用均值-标准化法认知。提取非噪声属性上报集合是指提取分段内对于属性类型P的没有噪声标记的上报数据，得到上报数据集合：Rss＝{r1,r2,…,rn}。
对于离散型非几何属性，用双二项分布假设检验法认知。首先，统计Rss的取值区间[a1，a2，…，am]。然后，统计Rss中各个取值的样本量，Rss样本总量为N，每个取值的样本量为{c0,c1,c2,…,cm},则有
Figure BDA0002245187450000083
然后，对取值区间的每一个值依次进行假设检验，假设检验可以是正向假设检验，也可以是负向假设检验。正向假设检验是指对于属性值ai：H0：ai对，H1：ai不对。ai的样本量为n，正向概率为p，p为采集正确率的近似值，例如但不限于0.5。则检验概率：
Figure BDA0002245187450000084
其中
Figure BDA0002245187450000085
当Bi小于置信水平α2时，则取备择假设。α2例如但不限于0.05。
负向假设检验是指对取值区间的每一个值依次进行负向假设检验，对于属性值ai：H0：ai不对，H1：ai对。ai的样本量为n，负向概率为
Figure BDA0002245187450000091
其中p为a的正向概率，则检验概率：
Figure BDA0002245187450000092
其中
Figure BDA0002245187450000093
当
Figure BDA0002245187450000094
小于置信水平β2时，则取备择假设。β2例如但不限于0.05。
最后，进行检验结果校验。若有且只有1个属性值接受正向假设检验且拒绝负向假设检验，则认知成功；否则认知结果为未知。
对于连续型非几何属性，用均值-标准化法认知。首先，对Rss求均值。若Rss为空，则认知结果为未知，该分段的局部属性认知结束；若Rss不为空，则对Rss求均值，记为
Figure BDA0002245187450000095
然后，进行标准化。根据工艺要求对
Figure BDA0002245187450000096
进行标准化。根据属性类型不同会选择不同的标准化方法，比如对车道标线宽度属性，标准化方法例如但不限于对均值进行十位四舍五入取整：例如均值为235mm，标准化的值为240mm；均值为234mm，标准化后的值为230mm。标准化后的结果为该分段某属性的认知结果。按上述步骤遍历完车道标线的所有分段后，局部属性认知结束。
步骤B3：从属性认知结果中，提取出属性变化点信息。
在步骤B3中通过步骤B2中得到的属性认知结果，构建属性的序列集合，并对属性的序列集合进行合并处理，得到属性的序列集合；遍历序列集合，若相邻序列均为属性整列，且相邻序列的认知结果不同，则将前一序列的最后一个分段的末端形点和后一序列中起始分段的起始形点的连线的中点，作为属性变化点。
具体地，首先合并属性认知结果。遍历车道标线的分段序列L＝{S0,S1,…,Sn-1,Sn}，比较相邻的元素Si和Si+1。若Si和Si+1对属性类型P的认知结果相同，则将Si和Si+1划分到同一个序列；若不相同，则将Si和Si+1划分到不同序列。遍历完成，得到新的序列集合{L0,L1,…,Lm-1,Lm}，该序列集合具有以下特征：
集合中每个元素由1个分段或多个前后接续的分段组成。
集合中每个元素内的分段对属性类型P的认知结果相同。
集合中相邻元素的分段前后接续。
然后，提取属性整列。遍历上述序列集合{L0,L 1,…,L m-1,L m}，检验集合中每个序列中的segment数量c。若c<D，D例如但不限于5，则将该序列标记为属性散列。若c>＝D，D例如但不限于5，则将该序列标记为属性整列。
最后，属性变化点提取。遍历上步得到的序列集合，比较相邻的序列li和li+1：若li或li+1不是属性整列，则继续遍历。若li和li+1都是属性整列，li和li+1对属性类型P的认知结果相同，则继续遍历。若li和li+1都是属性整列，li和li+1对属性类型P的认知结果不同，则取li中最后一个分段的末端形点和li+1中起始分段的起始形点的连线的中点，作为属性变化点。遍历结束，则属性变化点提取完毕。图9为本发明实施例提供的车道标线的离散型属性认知结果示意图，如图9所示，以车道标线类型属性为例，展示了离散型属性认知结果。图10为本发明实施例提供的车道标线的连续型属性认知结果示意图，如图10所示，以车道标线宽度属性为例，展示了连续型属性认知结果。
在第三种可选的实施方式中，上述步骤S104可以包括如图6所示的流程步骤，图6为本发明实施例提供的候选上报数据处理方法的流程图，如图6所示，本实施例中的方法可以包括：
S1041、对候选上报数据进行局部属性去噪处理，得到去噪后的上报数据。
S1042、对去噪后的上报数据进行局部属性认知处理，得到属性认知结果。
本实施例中，步骤S1041、步骤S1042的具体实现原理和实现方式请参见第一种可选的实施方式中步骤A1、步骤A2；或者第二种可选的实施方式中步骤B1、步骤B2的相关描述，此处不再赘述。
S1043、对属性认知结果进行平滑处理，得到平滑处理后的属性认知结果。
在步骤S1043中，可以通过预设数量的连续分段所组成的窗口，对属性认知结果进行提取，得到预设数量的属性值；统计各个属性值出现的次数；若存在出现的次数大于预设阈值的属性值，则将属性认知结果修改为属性值；若不存在出现的次数大于预设阈值的属性值，则不对属性认知结果进行修改。
具体地，车道标线的各个分段局部的属性认知结果依然可能存在噪声，可以用连续D个分段组成的窗口W进行约束和平滑，D例如但不限于5。遍历车道标线的各个segment，执行以下步骤：对于分段(Si)，提取对应的分段窗口W，W＝{Si-d,Si-d+1,…,Si+d-1,Si+d}，其中d为D/2。对窗口W中对属性类型P的认知结果集合{pi-d,pi-d+1,…,pi+d-1,pi+d}进行统计，若存在出现次数大于D/2次的属性值，则将Si对属性类型P的认知结果调整为该属性值；若不存在出现次数大于D/2次的属性值，则Si对属性类型P的认知结果不变。
S1044、从平滑处理后的属性认知结果中，提取出属性变化点信息。
在步骤S1044中，可以对平滑处理后的属性认知结果进行合并处理，得到属性的序列集合；遍历序列集合，若相邻序列均为属性整列，且相邻序列的认知结果不同，则将前一序列的最后一个分段的末端形点和后一序列中起始分段的起始形点的连线的中点，作为属性变化点。其中，关于属性变化点的提取过程可以参见步骤B3中的相关描述，此处不再赘述。
本实施例，通过从众包数据中获取检测数据对应的上报数据；其中，检测数据为连续型地图要素对应的数据，上报数据中包括连续型地图要素的非几何属性；非几何属性包括：颜色、类型、材质；对检测数据进行切分处理，得到分段数据；按照预设的规则，将上报数据分配给分段数据对应的各个分段，得到各个分段对应的候选上报数据；对候选上报数据进行处理后，提取出各个分段对应的属性变化点信息。从而可以利用众包数据对连续型地图要素的非几何属性变化点进行准确检测，扩大了地图数据的检测范围，提高地图数据的检测效率。
图11为本发明实施例二提供的地图数据的检测装置的结构示意图，如图11所示，本实施例的装置可以包括：
获取模块31，用于从众包数据中获取检测数据对应的上报数据；其中，检测数据为连续型地图要素对应的数据，上报数据中包括连续型地图要素的非几何属性；
切分模块32，用于对检测数据进行切分处理，得到分段数据；
分配模块33，用于按照预设的规则，将上报数据分配给分段数据对应的各个分段，得到各个分段对应的候选上报数据；
处理模块34，用于对候选上报数据进行处理后，提取出各个分段对应的属性变化点信息。
可选地，处理模块34，具体用于：
对候选上报数据进行局部属性去噪处理，得到去噪后的上报数据；
对去噪后的上报数据进行局部属性认知处理，得到属性认知结果；
从属性认知结果中，提取出属性变化点信息。
可选地，在对去噪后的上报数据进行局部属性认知处理，得到属性认知结果之后，还包括：
对属性认知结果进行平滑处理，得到平滑处理后的属性认知结果；
从平滑处理后的属性认知结果中，提取出属性变化点信息。
可选地，对候选上报数据进行局部属性去噪处理，得到去噪后的上报数据，包括：
若候选上报数据为离散型数据，则采用双二项分布假设检验法，对候选上报数据进行局部属性去噪处理，得去噪后的上报数据；
若候选上报数据为连续型数据，则采用均值-标准差法，对候选上报数据进行局部属性去噪处理，得去噪后的上报数据。
可选地，对去噪后的上报数据进行局部属性认知处理，得到属性认知结果，包括：
若候选上报数据为离散型数据，则采用双二项分布假设检验法，对去噪后的上报数据进行局部属性认知处理，得到属性认知结果；
若候选上报数据为连续型数据，则采用均值-标准差法，对去噪后的上报数据进行局部属性认知处理，得到属性认知结果。
可选地，对属性认知结果进行平滑处理，得到平滑处理后的属性认知结果，包括：
通过预设数量的连续分段所组成的窗口，对属性认知结果进行提取，得到预设数量的属性值；
统计各个属性值出现的次数；
若存在出现的次数大于预设阈值的属性值，则将属性认知结果修改为属性值；
若不存在出现的次数大于预设阈值的属性值，则不对属性认知结果进行修改。
可选地，从平滑处理后的属性认知结果中，提取出属性变化点信息，包括：
对平滑处理后的属性认知结果进行合并处理，得到属性的序列集合；
遍历序列集合，若相邻序列均为属性整列，且相邻序列的认知结果不同，则将前一序列的最后一个分段的末端形点和后一序列中起始分段的起始形点的连线的中点，作为属性变化点。
可选地，切分模块32，具体用于：
获取检测数据的起点位置和终点位置；
基于检测数据的起点位置和终点位置，将检测数据均匀划分为N个分段，N为大于1的自然数。
可选地，分配模块33，具体用于：
获取上报数据在检测数据上的投影位置；
根据投影位置所处的分段位置，确定上报数据对应的分段；其中，与分段对应的所有上报数据的集合构成分段的候选上报数据。
本实施例的地图数据的检测装置，可以执行图2所示方法中的技术方案，其具体实现过程和技术原理参见图2所示方法中的相关描述，此处不再赘述。
本实施例，通过从众包数据中获取检测数据对应的上报数据；其中，检测数据为连续型地图要素对应的数据，上报数据中包括连续型地图要素的非几何属性；对检测数据进行切分处理，得到分段数据；按照预设的规则，将上报数据分配给分段数据对应的各个分段，得到各个分段对应的候选上报数据；对候选上报数据进行处理后，提取出各个分段对应的属性变化点信息。从而可以利用众包数据对连续型地图要素的非几何属性变化点进行准确检测，扩大了地图数据的检测范围，提高地图数据的检测效率。
图12为本发明实施例三提供的地图数据的更新系统的结构示意图，如图12所示，本实施例的系统40可以包括：众包车辆41和云平台42；该云平台42可以执行图2所示方法中的技术方案，其具体实现过程和技术原理参见图2所示方法中的相关描述，此处不再赘述。
可选地，云平台42包括：地图数据检测装置、地图更新装置，以及地图重新发布装置；其中，
地图数据检测装置识别的连续性地图要素的非几何属性变化点；
地图更新装置根据变化点进行地图更新；
地图重新发布装置将更新后的地图重新下发给车辆。
此外，本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，当用户设备的至少一个处理器执行该计算机执行指令时，用户设备执行上述各种可能的方法。
其中，计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。另外，该ASIC可以位于用户设备中。当然，处理器和存储介质也可以作为分立组件存在于通信设备中。
本申请还提供一种程序产品，程序产品包括计算机程序，计算机程序存储在可读存储介质中，服务器的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得服务器实施上述本发明实施例任一的方法。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。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，执行包括上述各方法实施例的步骤；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。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (13)

1.一种地图数据的检测方法，其特征在于，包括：
从众包数据中获取检测数据对应的上报数据；其中，所述检测数据为连续型地图要素对应的数据，所述上报数据中包括连续型地图要素的非几何属性；
对所述检测数据进行切分处理，得到分段数据；
按照预设的规则，将所述上报数据分配给所述分段数据对应的各个分段，得到各个分段对应的候选上报数据；
对所述候选上报数据进行处理后，提取出各个分段对应的属性变化点信息。
2.根据权利要求1所述的方法，其特征在于，对所述候选上报数据进行处理后，提取出各个分段对应的属性变化点信息，包括：
对所述候选上报数据进行局部属性去噪处理，得到去噪后的上报数据；
对所述去噪后的上报数据进行局部属性认知处理，得到属性认知结果；
从所述属性认知结果中，提取出属性变化点信息。
3.根据权利要求2所述的方法，其特征在于，所述对所述候选上报数据进行局部属性去噪处理，得到去噪后的上报数据，包括：
若所述候选上报数据为离散型数据，则采用双二项分布假设检验法，对所述候选上报数据进行局部属性去噪处理，得去噪后的上报数据；
若所述候选上报数据为连续型数据，则采用均值-标准差法，对所述候选上报数据进行局部属性去噪处理，得去噪后的上报数据。
4.根据权利要求2所述的方法，其特征在于，所述对所述去噪后的上报数据进行局部属性认知处理，得到属性认知结果，包括：
若所述候选上报数据为离散型数据，则采用双二项分布假设检验法，对去噪后的上报数据进行局部属性认知处理，得到属性认知结果；
若所述候选上报数据为连续型数据，则采用均值-标准差法，对去噪后的上报数据进行局部属性认知处理，得到属性认知结果。
5.根据权利要求2所述的方法，其特征在于，在对所述去噪后的上报数据进行局部属性认知处理，得到属性认知结果之后，还包括：
对所述属性认知结果进行平滑处理，得到平滑处理后的属性认知结果；
从所述平滑处理后的属性认知结果中，提取出属性变化点信息。
6.根据权利要求5所述的方法，其特征在于，所述对所述属性认知结果进行平滑处理，得到平滑处理后的属性认知结果，包括：
通过预设数量的连续分段所组成的窗口，对所述属性认知结果进行提取，得到预设数量的属性值；
统计各个属性值出现的次数；
若存在出现的次数大于预设阈值的属性值，则将属性认知结果修改为所述属性值；
若不存在出现的次数大于预设阈值的属性值，则不对属性认知结果进行修改。
7.根据权利要求2所述的方法，其特征在于，所述从所述平滑处理后的属性认知结果中，提取出属性变化点信息，包括：
对所述平滑处理后的属性认知结果进行合并处理，得到属性的序列集合；
遍历所述序列集合，若相邻序列均为属性整列，且相邻序列的认知结果不同，则将前一序列的最后一个分段的末端形点和后一序列中起始分段的起始形点的连线的中点，作为属性变化点。
8.根据权利要求1-7中任一项所述的方法，其特征在于，对所述检测数据进行切分处理，得到分段数据，包括：
获取所述检测数据的起点位置和终点位置；
基于所述检测数据的起点位置和终点位置，将所述检测数据均匀划分为N个分段，N为大于1的自然数。
9.根据权利要求1-7中任一项所述的方法，其特征在于，按照预设的规则，将所述上报数据分配给所述分段数据对应的各个分段，得到各个分段对应的候选上报数据，包括：
获取所述上报数据在所述检测数据上的投影位置；
根据所述投影位置所处的分段位置，确定所述上报数据对应的分段；其中，与分段对应的所有上报数据的集合构成所述分段的候选上报数据。
10.一种地图数据的检测装置，其特征在于，包括：
获取模块，用于从众包数据中获取检测数据对应的上报数据；其中，所述检测数据为连续型地图要素对应的数据，所述上报数据中包括连续型地图要素的非几何属性；
切分模块，用于对所述检测数据进行切分处理，得到分段数据；
分配模块，用于按照预设的规则，将所述上报数据分配给所述分段数据对应的各个分段，得到各个分段对应的候选上报数据；
处理模块，用于对所述候选上报数据进行处理后，提取出各个分段对应的属性变化点信息。
11.一种地图数据的更新系统，其特征在于，包括：众包车辆和云平台；所述众包车辆用于向所述云平台上报数据；所述云平台用于执行如权利要求1-9中任一所述的地图数据的检测方法。
12.根据权利要求11所述的系统，其特征在于，所述云平台包括：地图数据检测装置、地图更新装置，以及地图重新发布装置；其中，
所述地图数据检测装置识别的连续性地图要素的非几何属性变化点；
所述地图更新装置根据变化点进行地图更新；
所述地图重新发布装置将更新后的地图重新下发给车辆。
13.一种计算机可读存储介质，其特征在于，包括：计算机程序，当其在计算机上运行时，使得计算机执行如权利要求1-9中任一所述的地图数据的检测方法。
CN201911014279.8A 2019-10-23 2019-10-23 地图数据的检测方法、装置、系统及存储介质 Pending CN112699190A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911014279.8A CN112699190A (zh) 2019-10-23 2019-10-23 地图数据的检测方法、装置、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911014279.8A CN112699190A (zh) 2019-10-23 2019-10-23 地图数据的检测方法、装置、系统及存储介质

Publications (1)

Publication Number Publication Date
CN112699190A true CN112699190A (zh) 2021-04-23

Family

ID=75505279

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911014279.8A Pending CN112699190A (zh) 2019-10-23 2019-10-23 地图数据的检测方法、装置、系统及存储介质

Country Status (1)

Country Link
CN (1) CN112699190A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9285805B1 (en) * 2015-07-02 2016-03-15 Geodigital International Inc. Attributed roadway trajectories for self-driving vehicles
CN105675000A (zh) * 2016-01-15 2016-06-15 武汉光庭信息技术股份有限公司 一种基于高精度地图的车道级路径规划方法及系统
CN108961758A (zh) * 2018-08-03 2018-12-07 东华理工大学 一种基于梯度提升决策树的路口展宽车道探测方法
CN110287904A (zh) * 2019-06-27 2019-09-27 武汉中海庭数据技术有限公司 一种基于众包数据的车道线提取方法、装置及存储介质
CN110361015A (zh) * 2018-09-30 2019-10-22 长城汽车股份有限公司 道路特征点提取方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9285805B1 (en) * 2015-07-02 2016-03-15 Geodigital International Inc. Attributed roadway trajectories for self-driving vehicles
CN105675000A (zh) * 2016-01-15 2016-06-15 武汉光庭信息技术股份有限公司 一种基于高精度地图的车道级路径规划方法及系统
CN108961758A (zh) * 2018-08-03 2018-12-07 东华理工大学 一种基于梯度提升决策树的路口展宽车道探测方法
CN110361015A (zh) * 2018-09-30 2019-10-22 长城汽车股份有限公司 道路特征点提取方法及系统
CN110287904A (zh) * 2019-06-27 2019-09-27 武汉中海庭数据技术有限公司 一种基于众包数据的车道线提取方法、装置及存储介质

Similar Documents

Publication Publication Date Title
CN110705577B (zh) 一种激光点云车道线提取方法
CN108491845B (zh) 字符分割位置的确定、字符分割方法、装置及设备
US20130103365A1 (en) Method and apparatus for detecting repetitive structures in 3d mesh models
CN110110325B (zh) 一种重复案件查找方法和装置、计算机可读存储介质
JP2017515222A (ja) ライン・セグメント化方法
CN109978017B (zh) 难样本采样方法和系统
CN112035621A (zh) 一种基于统计学的企业名名称相似度检测方法
CN109523557B (zh) 一种图像语义分割标注方法、装置及存储介质
CN110532973B (zh) 基于特殊锚点的双页文本图像识别及定位分割方法
CN112699190A (zh) 地图数据的检测方法、装置、系统及存储介质
CN109035285B (zh) 图像边界确定方法及装置、终端及存储介质
CN117197639A (zh) 真值获取方法、装置、电子设备及存储介质
CN115237355B (zh) 一种基于闪存数据类识别的定向交换方法及系统
CN116244293A (zh) 一种设备异常值剔除方法、系统、装置以及介质
CN113822092B (zh) 用于定位位置探测图形的方法及装置、电子设备、介质
CN112561932A (zh) 航迹线去噪方法、装置、电子设备和存储介质
CN115601618A (zh) 一种磁芯缺陷检测方法、系统及计算机存储介质
CN115423765A (zh) 一种基于模板图像的晶粒缺陷量化分割方法
CN112184742B (zh) 图形共边检测方法、装置、设备及计算机可读介质
CN104103061A (zh) 医学x线图像的分割方法及系统
CN111159998B (zh) 字体轮廓的层次结构分析方法及系统
CN110705479A (zh) 模型训练方法和目标识别方法、装置、设备及介质
CN115619811B (zh) 一种烟支数量的确定方法、装置、电子设备及存储介质
CN113221898B (zh) 一种自动水位尺读数方法
CN115830043B (zh) 无线充磁铁的边界检测方法、装置、设备及存储介质

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210423

RJ01 Rejection of invention patent application after publication