CN112837414B - 基于车载点云数据的三维高精度地图的构建方法 - Google Patents

Abstract

本发明公开了一种基于车载点云数据的三维高精度地图的构建方法，包括步骤：S1采集道路的点云数据和全景照片数据；S2从点云数据和全景照片数据中提取道路矢量数据；S3判断道路矢量数据中的要素数据是否完整；若要素数据不完整，则返回步骤S2；若要素数据完整，则进行分析处理；S4根据道路矢量数据中的要素数据拟合形成道路中心线及车道中心线，再基于交通标识指引信息对道路路口进行拓扑几何路径规划；同时通过道路中心线及车道中心线进行坡度分析和曲率分析，获取坡度和曲率信息；S5将坡度和曲率信息与要素数据进行数据整合，并形成不同等级的图层组，再将各个图层组的要素分级进行关联，从而得到三维高精地图。

Description

基于车载点云数据的三维高精度地图的构建方法

技术领域

本发明涉及高精地图以及无人控制技术领域，尤其涉及一种基于车载点云数据的三维高精度地图的构建方法。

背景技术

自动驾驶是未来智慧交通发展的趋势，传统的导航电子地图已无法满足自动驾驶需求，高精度地图是汽车自动驾驶的关键基础设施，因此也被称之为自动驾驶地图，基于激光点云技术的高精度导航地图通过对现实环境的扫描、分析处理及三维重建，可提供厘米级别道路路网信息，准确展示车道级、复杂路口、高架桥等交通要素密集的场景，为自动驾驶提供有力的基础设施保障。

目前国内外众多学者及研究机构以及企事业单位(包括Google、百度、四维图新、高德地图等)，对自动驾驶高精地图展开了深入研究，自动驾驶的发展受到高精度地图制作技术以及高精定位技术的制约，因此，解决高精度地图的生产已成为自动驾驶发展的核心。

中国发明专利文献（申请号：201811202808.2）公开了一种面向无人驾驶汽车的高精度语义地图制作方法，采用三维激光雷达、GNSS模块、IMU对数据进行采集，处理后的数据包含丰富的语义信息，如车道线、道路边缘和行驶轨迹等，为无人驾驶汽车的局部路径规划提供了数据基础。该技术方案采用的方法并不能保证剔除动态障碍物信息后的数据即为地图信息数据，例如随风摆动的线杆、临时站立的人、浓烈的灰尘等，会出现较大的剔除错误。另外，其生成的地图信息为车辆规划使用的局部地图，并不做全局地图的规划。

中国发明专利文献（申请号201911421660.6）公开了一种生成高精地图的方法，所述方法包括：获取目标区域的电子导航地图，根据所述电子导航地图确定自动驾驶设备的行驶路径；获取所述自动驾驶设备在所述行驶路径上的当前所处位置的环境图像，根据所述环境图像确定所述当前所处位置周围的行驶区域；基于所述行驶区域确定所述当前所处位置的行驶控制信息，根据所述行驶控制信息控制所述自动驾驶设备采集高精地图数据；根据所述高精地图数据生成所述目标区域的高精地图。但该技术方案中需要获取自动驾驶设备的当前和预定的路线来生成高精地图，若遇到改变路线的情况，则会存在不能及时更新的问题。

因此，有必要开发一种基于车载点云数据的三维高精度地图的构建方法，通过自动识别，自动采集等方式，实现对道路的几何进行高效、高速、高精度的信息采集，提升数据采集效率，降低人工成本；同时对路口路径规划、图层分布分级处理等多方面做了一个完整的构建流程，提高自动驾驶的安全性。

发明内容

本发明要解决的技术问题是提供一种基于车载点云数据的三维高精度地图的构建方法，通过自动识别，自动采集等方式，实现对道路的几何进行高效、高速、高精度的信息采集，提升数据采集效率，降低人工成本；同时对路口路径规划、图层分布分级处理等多方面做了一个完整的构建流程，应用于自动驾驶，从而提高自动驾驶的安全性。

为了解决上述技术问题，本发明采用的技术方案是：该基于车载点云数据的三维高精度地图的构建方法，具体包括以下步骤：

S1：采集道路的点云数据和全景照片数据；

S2：从步骤S1中获得的点云数据和全景照片数据中提取道路矢量数据；

S3：判断步骤S2中提取的道路矢量数据中的要素数据是否完整；若要素数据不完整，则返回步骤S2重新提取道路矢量数据；若要素数据完整，则进行分析处理；

S4：根据步骤S2中提取的道路矢量数据中的要素数据拟合形成道路中心线及车道中心线，再基于交通标识指引信息对道路路口进行拓扑几何路径规划，获取路口通行路径规划；同时通过道路中心线及车道中心线进行坡度分析和曲率分析，获取坡度和曲率信息；

S5：将坡度和曲率信息与要素数据进行数据整合，并形成不同等级的图层组，再将各个图层组的要素分级进行关联，从而得到三维高精地图。采用上述技术方案，通过对自动采集到的高精度点云数据和高清全景照片数据进行自动识别，获得了道路的矢量数据，再对矢量数据进处理、分析和整合，获得了对路口路径规划、图层分布分级处理等多方面做了一个完整的构建流程，从而构建了三维高精度地图，应用于自动驾驶，从而提高自动驾驶的安全性。

作为本发明的优选技术方案，所述步骤S1中通过车载激光点云采集车采集道路的云数据和全景照片数据。车载激光点云采集车进行道路点云数据和全景高清照片的自动化采集，获得了道路的高精度点云数据和高清的全景照片数据，实现对道路的几何进行高效、高速、高精度的信息采集，提升数据采集效率，降低人工成本。

作为本发明的优选技术方案，所述步骤S2中提取的道路矢量数据包括道路路面矢量数据和路侧矢量数据，其中所述道路路面矢量数据包括道路标线数据、道路边线数据和车道边线数据；所述路侧矢量数据包括路侧交通标志数据和路侧地物数据。

作为本发明的优选技术方案，所述步骤S2提取道路路面矢量数据和路侧矢量数据，具体包括以下步骤：

S21：通过点云强度信息对点云进行识别，获取道路路面标线标识所对应的强度区域，分割出地面上的标志、标线、人行横道线等对应强度的点云数据，通过自动识别提取出对应要素的矢量信息，再通自动捕捉、自动绘制生成路面标识标线包含道路边线和车道边线的三维矢量要素数据；

S22：通过分析点云数据，自动获取路侧杆状地物对应的点云数据，并进行筛选纠正，形成与实物等比例的三维的杆状信息的要素数据；

S23：通过参照获取的全景照片数据的信息对采集的道路路面矢量数据的要素数据进行属性录入，完成要素数据的位置和属性的完整采集；

S24：对采集的要素数据进行质量检查。

采用上述技术方案，通过分析点云的强度信息，获取道路路面标线标识等所对应的强度区域，分割出此类要素对应的点云数据，通过自动捕捉、自动绘制功能生成出路面标识标线包含道路边线和车道边线等的三维矢量要素数据；通过计算机自动识别，自动获取包括交通标志、交通信号灯、电杆、树木等一系列的地物的点云数据，通过人机交互的方式进行处理，形成高度、半径与实际杆状地物一致的要素信息，并结合高清全景照片数据对要素进行属性录入，完成路侧交通信息的数据采集。其中步骤S22通过将已提取的矢量数据、所采集的点云数据和全景照片数据进行叠加，通过人机交互的方式对所采集的区域进行筛查；步骤S24通过人机交互的方式对采集的要素信息进行质量检查，主要完善计算机自动识别时遗漏的要素，同时对于计算机无法直接识别的部分其他要素通过人工采集的方式进行完善。

作为本发明的优选技术方案，所述步骤S3具体包括：

S31：当提取的矢量数据为道路路面矢量数据时，若要素数据不完整，则返回步骤S2重新提取道路矢量数据；若要素数据完整，则转至步骤S4做进一步处理；

S32：当提取的矢量数据为道路路侧矢量数据时，若要素数据不完整，则返回步骤S2重新提取道路矢量数据；若要素数据完整，则结合高清全景照片数据对要素数据进行属性录入，完善要素数据的属性信息，再转至步骤S5。

作为本发明的优选技术方案，所述步骤S4通过在道路路口处构建道路虚拟连接线和车道虚拟连接线分别将道路中心线和车道中心线进行连通，再依据交通标识指引信息对道路路口进行拓扑几何路径规划，形成道路路口拓扑关系连接，获取路口通行路径规划，作为行车指引依据。

作为本发明的优选技术方案，所述步骤S5具体包括：

S51：将步骤S4中获取的坡度和曲率信息赋值到对应的道路中心线和车道中心线中，再对要素数据进行数据整合；

S52：对道路要素数据进行分组处理，按照“地图-图层组-图层-要素”的数据逻辑组织模型对数据进行图层划分；将道路路面矢量数据逐级分为道路网图层组、车道网图层组和车道线图层组，将路侧矢量数据分布按照其特点整合成道路其它设施图层组，并分布于对应的图层中；

S53：对各个图层组的信息进行逐层关联，组成相互联络的高精度地图整体，从而得到三维高精地图。

作为本发明的优选技术方案，所述道路网图层组包括道路边线层、道路中心线层和道路连接线层，与传统导航电子地图进行关联，通过空间关系可调用传统导航电子地图数据信息；

所述车道网图层组包括车道中心线层和车道连接线层，所述车道网图层组与所述道路网图层组建立关联关系；

所述车道线图层组包含道路边线层，与所述车道网图层组建立关系关联；

所述道路其它设施图层组包含停止线层、杆状地物层、交通标志层、线状分离设施层和线状跨路设施层，与所述道路网图层组和车道网图层组建立关联关系。

与现有技术相比，本发明具有的有益效果为：一方面通过自动识别，自动采集等方式，实现对道路的几何进行高效、高速、高精度的信息采集，提升数据采集效率，降低人工成本；另一方面，提供一种三维高精度地图的数据采集方案，对路口路径规划、图层分布分级处理等多方面做了一个完整的生产流程；解决了自动驾驶中的高精地图制作的技术问题。

附图说明

图1为本发明的基于车载点云数据的三维高精度地图的构建方法的流程图；

图2为本发明的基于车载点云数据的三维高精度地图的构建方法中的高精地图的图层分布示意图。

具体实施方式

下面将结合本发明的实施例图中的附图，对本发明实施例中的技术方案进行清楚、完整的描述。

实施例：如图1所示，该基于车载点云数据的三维高精度地图的构建方法，具体包括以下步骤：

S1：采集道路的点云数据和全景照片数据；所述步骤S1中通过车载激光点云采集车采集道路的云数据和全景照片数据；车载激光点云采集车进行道路点云数据和全景高清照片的自动化采集，获得了道路的高精度点云数据和高清的全景照片数据，实现对道路的几何进行高效、高速、高精度的信息采集，提升数据采集效率，降低人工成本；

S2：从步骤S1中获得的点云数据和全景照片数据中提取道路矢量数据；所述步骤S2中提取的道路矢量数据包括道路路面矢量数据和路侧矢量数据，其中所述道路路面矢量数据包括道路标线数据、道路边线数据和车道边线数据；所述路侧矢量数据包括路侧交通标志数据和路侧地物数据；所述步骤S2提取道路路面矢量数据和路侧矢量数据，具体包括以下步骤：

S21：通过点云强度信息对点云进行识别，获取道路路面标线标识所对应的强度区域，分割出地面上的标志、标线、人行横道线等对应强度的点云数据，通过自动识别提取出对应要素的矢量信息，再通自动捕捉、自动绘制生成路面标识标线包含道路边线和车道边线的三维矢量要素数据；

S22：通过分析点云数据，自动获取路侧杆状地物对应的点云数据，并对所采集的区域进行筛选和纠正；即通过将已提取的矢量数据、所采集的点云数据和全景照片数据进行叠加，通过人机交互的方式对所采集的区域进行筛查和纠正，形成与实物等比例的三维的杆状信息的要素数据；

S23：通过参照获取的全景照片数据的信息对采集的道路路面矢量数据的要素数据进行属性录入，完成要素数据的位置和属性的完整采集；

S24：对采集的要素数据进行质量检查；主要通过人机交互的方式，完善计算机自动识别时遗漏的要素，同时对于计算机无法直接识别的部分其他要素通过人工采集的方式进行完善；

S3：判断步骤S2中提取的道路矢量数据中的要素数据是否完整；若要素数据不完整，则返回步骤S2重新提取道路矢量数据；若要素数据完整，则进行分析处理；

所述步骤S3具体包括：

S31：当提取的矢量数据为道路路面矢量数据时，若要素数据不完整，则返回步骤S2重新提取道路矢量数据；若要素数据完整，则转至步骤S4做进一步处理；

S32：当提取的矢量数据为道路路侧矢量数据时，若要素数据不完整，则返回步骤S2重新提取道路矢量数据；若要素数据完整，则结合高清全景照片数据对要素数据进行属性录入，完善要素数据的属性信息，再转至步骤S5；

S4：根据步骤S2中提取的道路矢量数据中的要素数据拟合形成道路中心线及车道中心线，再基于交通标识指引信息对道路路口进行拓扑几何路径规划，获取路口通行路径规划；同时通过道路中心线及车道中心线进行坡度分析和曲率分析，获取坡度和曲率信息；

所述步骤S4通过在道路路口处构建道路虚拟连接线和车道虚拟连接线分别将道路中心线和车道中心线进行连通，再依据交通标识指引信息对道路路口进行拓扑几何路径规划，形成道路路口拓扑关系连接，获取路口通行路径规划，作为行车指引依据；

S5：将坡度和曲率信息与要素数据进行数据整合，并形成不同等级的图层组，再将各个图层组的要素分级进行关联，从而得到三维高精地图；

所述步骤S5具体包括：

S51：将步骤S4中获取的坡度和曲率信息赋值到对应的道路中心线和车道中心线中，再对要素数据进行数据整合；

S52：对道路要素数据进行分组处理，按照“地图-图层组-图层-要素”的数据逻辑组织模型对数据进行图层划分；将道路路面矢量数据逐级分为道路网图层组、车道网图层组和车道线图层组，将路侧矢量数据分布按照其特点整合成道路其它设施图层组，并分布于对应的图层中；

S53：对各个图层组的信息进行逐层关联，组成相互联络的高精度地图整体，从而得到三维高精地图；

如图2所示，所述道路网图层组包括道路边线层、道路中心线层和道路连接线层，与传统导航电子地图进行关联，通过空间关系可调用传统导航电子地图数据信息；

所述车道网图层组包括车道中心线层和车道连接线层，所述车道网图层组与所述道路网图层组建立关联关系；

所述车道线图层组包含道路边线层，与所述车道网图层组建立关系关联；

所述道路其它设施图层组包含停止线层、杆状地物层、交通标志层、线状分离设施层和线状跨路设施层，与所述道路网图层组和车道网图层组建立关联关系。

以上所述仅为本发明的较佳实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种基于车载点云数据的三维高精度地图的构建方法，其特征在于，具体包括以下步骤：

S1：采集道路的点云数据和全景照片数据；

S2：从步骤S1中获得的点云数据和全景照片数据中提取道路矢量数据；

S3：判断步骤S2中提取的道路矢量数据中的要素数据是否完整；若要素数据不完整，则返回步骤S2重新提取道路矢量数据；若要素数据完整，则进行分析处理；

S4：根据步骤S2中提取的道路矢量数据中的要素数据拟合形成道路中心线及车道中心线，再基于交通标识指引信息对道路路口进行拓扑几何路径规划，获取路口通行路径规划；同时通过道路中心线及车道中心线进行坡度分析和曲率分析，获取坡度和曲率信息；

S5：将坡度和曲率信息与要素数据进行数据整合，并形成不同等级的图层组，再将各个图层组的要素分级进行关联，从而得到三维高精地图；

所述步骤S1中通过车载激光点云采集车采集道路的点云数据和全景照片数据；

所述步骤S2中提取的道路矢量数据包括道路路面矢量数据和路侧矢量数据，其中所述道路路面矢量数据包括道路标线数据、道路边线数据和车道边线数据；所述路侧矢量数据包括路侧交通标志数据和路侧地物数据；

所述步骤S2提取道路路面矢量数据和路侧矢量数据，具体包括以下步骤：

S21：通过点云强度信息对点云进行识别，获取道路路面标线标识所对应的强度区域，分割出地面上的标志、标线、人行横道线等对应强度的点云数据，通过自动识别提取出对应要素的矢量信息，再通自动捕捉、自动绘制生成路面标识标线包含道路边线和车道边线的三维矢量要素数据；

S22：通过分析点云数据，自动获取路侧杆状地物对应的点云数据，并进行筛选纠正，形成与实物等比例的三维的杆状信息的要素数据；

S23：通过参照获取的全景照片数据的信息对采集的道路路面矢量数据的要素数据进行属性录入，完成要素数据的位置和属性的完整采集；

S24：对采集的要素数据进行质量检查；

所述步骤S3具体包括：

S31：当提取的矢量数据为道路路面矢量数据时，若要素数据不完整，则返回步骤S2重新提取道路矢量数据；若要素数据完整，则转至步骤S4做进一步处理；

S32：当提取的矢量数据为道路路侧矢量数据时，若要素数据不完整，则返回步骤S2重新提取道路矢量数据；若要素数据完整，则结合高清全景照片数据对要素数据进行属性录入，完善要素数据的属性信息，再转至步骤S5；

所述步骤S4通过在道路路口处构建道路虚拟连接线和车道虚拟连接线分别将道路中心线和车道中心线进行连通，再依据交通标识指引信息对道路路口进行拓扑几何路径规划，形成道路路口拓扑关系连接，获取路口通行路径规划，作为行车指引依据；

所述步骤S5具体包括：

S51：将步骤S4中获取的坡度和曲率信息赋值到对应的道路中心线和车道中心线中，再对要素数据进行数据整合；

S52：对道路要素数据进行分组处理，按照“地图-图层组-图层-要素”的数据逻辑组织模型对数据进行图层划分；将道路路面矢量数据逐级分为道路网图层组、车道网图层组和车道线图层组，将路侧矢量数据分布按照其类型、分布位置及属性信息进行分类，整合成道路其它设施图层组，并分布于对应的图层中；

S53：对各个图层组的信息进行逐层关联，组成相互联络的高精度地图整体，从而得到三维高精地图；

所述道路网图层组包括道路边线层、道路中心线层和道路连接线层，与传统导航电子地图进行关联，通过空间关系可调用传统导航电子地图数据信息；

所述车道网图层组包括车道中心线层和车道连接线层，所述车道网图层组与所述道路网图层组建立关联关系；

所述车道线图层组包含道路边线层，与所述车道网图层组建立关系关联；

所述道路其它设施图层组包含停止线层、杆状地物层、交通标志层、线状分离设施层和线状跨路设施层，与所述道路网图层组和车道网图层组建立关联关系。

Images