CN113008247A - 用于矿区的高精地图构建方法及装置 - Google Patents

Abstract

本发明提供一种用于矿区的高精地图构建方法，其包含：获取目标区域的激光点云数据，根据激光点云扫描线在道路边缘上表现出的几何特征提取得到三维的道路边缘候选点；利用深度学习方法从无畸变图像中检测得到可行驶区域；将道路边缘点转换到世界坐标系下，得到世界坐标系下的道路边缘点；依据作业环境的几何特性及聚类分析方法，从道路边缘点地图以及采集轨迹信息中提取得到分段的道路边缘点地图及拓扑图；基于几何信息、语义信息以及拓扑图进行地图构建，得到高精地图。本发明提高了矿区进行可行驶区域检测鲁棒性，并使用了基于聚类算法的拓扑分析与基于深度学习的元素构建过程，实现语义高精地图的构建。

Description

用于矿区的高精地图构建方法及装置

技术领域

本发明涉及自动驾驶技术领域，具体地说，涉及一种用于矿区的高精地图构建方法及装置。

背景技术

随着自动驾驶技术的高速发展，矿山环境下运输车辆的自动化越来越受到人们关注。

在矿山环境中，为了让车辆自动行驶的过程满足一定的安全性需求，需要自动驾驶系统的导航与规划模块给出准确、安全的行驶轨迹；并且，在进行多任务的规划时，自动驾驶系统的规划模块需要获取到语义数据用于计算最佳作业路线；此外，定位模块也可利用环境的几何与语义信息，给出鲁棒的定位结果。在现代的自动驾驶设计中，这些先验数据，通常由语义高精地图模块提供。

然而，由于需要运输矿物、泥土，导致矿区环境变化较大，需要语义高精地图具备快速构建与更新能力。并且，现有的构建流程方法，大多只适用于路面平整、不频繁变化的城市道路，而对于矿山环境下的多变路况及不平整路面却无能为力。

因此，本发明提供了一种用于矿区的高精地图构建方法。

发明内容

为解决上述问题，本发明提供了一种用于矿区的高精地图构建方法，所述方法包含以下步骤：

步骤一：获取目标区域的激光点云数据，根据激光点云扫描线在道路边缘上表现出的几何特征提取得到三维的道路边缘候选点；

步骤二：获取目标区域的RGB图像，基于内参参数得到无畸变图像，并利用深度学习方法从所述无畸变图像中检测得到可行驶区域；

步骤三：融合所述道路边缘候选点以及所述可行驶区域，得到道路边缘点，并结合世界坐标系下的车体姿态数据，将所述道路边缘点转换到世界坐标系下，得到世界坐标系下的道路边缘点；

步骤四：基于所述世界坐标系下的道路边缘点以及所述世界坐标系下的车体姿态数据组合得到道路边缘点地图以及采集轨迹信息，并依据作业环境的几何特性及聚类分析方法，从所述道路边缘点地图以及所述采集轨迹信息中提取得到分段的道路边缘点地图及拓扑图；

步骤五：以所述分段的道路边缘点地图上的分块作为节点的几何信息，结合所述无畸变图像确定节点的环境类别，得到节点的语义信息，并基于所述几何信息、所述语义信息以及所述拓扑图进行地图构建，得到高精地图。

根据本发明的一个实施例，所述几何特征包括垂直高度突变和/或距离传感器原点距离突变。

根据本发明的一个实施例，所述步骤二中具体包含以下步骤：

通过一个或多个摄像头采集得到目标区域的所述RGB图像，基于预设的标定方法，使用张正友标定法对所述摄像头进行标定，得到所述内参参数；

利用所述深度学习方法从所述无畸变图像中检测得到目标区域的所述可行驶区域，并使用0-1掩膜矩阵表示所述可行驶区域。

根据本发明的一个实施例，所述步骤三中具体包含以下步骤：

对所述道路边缘候选点、所述0-1掩膜矩阵以及所述世界坐标系下的车体姿态数据进行时间同步处理，三者组成一个数据元组；

基于所述数据元组，使用姿态变换参数将时间同步后的道路边缘候选点变换到成像坐标系中，得到成像坐标系下的道路边缘候选点；

计算所述成像坐标系下的道路边缘候选点所在位置与时间同步后的0-1掩膜矩阵中的0-1分割边界的距离，移除距离大于第一阈值的噪声点，得到噪声处理后的道路边缘候选点；

结合时间同步后的世界坐标系下的车体姿态数据，将噪声处理后的道路边缘候选点转换到世界坐标系下，得到所述世界坐标系下的道路边缘点。

根据本发明的一个实施例，所述步骤四中具体包含以下步骤：

将所述世界坐标系下的道路边缘点拼接得到所述道路边缘点地图；

将所述世界坐标系下的车体姿态数据拼接得到所述采集轨迹信息。

根据本发明的一个实施例，所述步骤四中具体包含以下步骤：将所述道路边缘点地图中点密度大于第二阈值的区域进行切割及去除处理，并使用所述聚类算法对剩余的点进行分析，得到所述分段的道路边缘点地图。

根据本发明的一个实施例，所述步骤四中具体包含以下步骤：基于所述分段的道路边缘点地图，在每一个分块所在区域的几何中心设置一个节点，结合所述采集轨迹信息，通过最小生成树算法和先验判断过程将所有节点进行连接，形成可表达的边，得到所述拓扑图。

根据本发明的一个实施例，所述步骤五中具体包含以下步骤：

基于所述几何信息，使用基于点云几何结构的相似性判断方法，得到节点的第一场景分类；

基于所述无畸变图像，通过所述深度学习方法，计算得到节点对应局部环境的第二场景分类；

融合所述第一场景分类以及所述第二场景分类，得到所述语义信息。

根据本发明的一个实施例，所述步骤五中具体包含以下步骤：

若判断节点处于结构化道路，则从所述几何信息中提取左右道路边缘的边界信息作为地图元素；

若判断节点处于非结构化道路，则从所述几何信息中提取区域的边界信息作为地图元素；

按照空间顺序和拓扑连接关系，基于所述地图元素以及所述拓扑图构成所述高精地图。

根据本发明的另一个方面，还提供了一种用于矿区的高精地图构建装置，所述装置包含：

路沿提取模块，其用于获取目标区域的激光点云数据，根据激光点云扫描线在道路边缘上表现出的几何特征提取得到三维的道路边缘候选点；

可行驶区域检测模块，其用于获取目标区域的RGB图像，基于内参参数得到无畸变图像，并利用深度学习方法从所述无畸变图像中检测得到可行驶区域；

数据融合模块，其用于融合所述道路边缘候选点以及所述可行驶区域，得到道路边缘点，并结合世界坐标系下的车体姿态数据，将所述道路边缘点转换到世界坐标系下，得到世界坐标系下的道路边缘点；

拓扑分析模块，其用于基于所述世界坐标系下的道路边缘点以及所述世界坐标系下的车体姿态数据组合得到道路边缘点地图以及采集轨迹信息，并依据作业环境的几何特性及聚类分析方法，从所述道路边缘点地图以及所述采集轨迹信息中提取得到分段的道路边缘点地图及拓扑图；

元素构建模块，其用于以所述分段的道路边缘点地图上的分块作为节点的几何信息，结合所述无畸变图像确定节点的环境类别，得到节点的语义信息，并基于所述几何信息、所述语义信息以及所述拓扑图进行地图构建，得到高精地图。

本发明提供的用于矿区的高精地图构建方法及装置融合了相机与激光雷达两种传感器的结果，适用于矿山环境下的多变路况及不平整路面，适用于矿山环境下进行语义高精地图的快速构建与更新。本发明通过相机与雷达的融合，提高了矿区进行可行驶区域检测鲁棒性，并使用了基于聚类算法的拓扑分析与基于深度学习的元素构建过程，实现语义高精地图的构建。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例共同用于解释本发明，并不构成对本发明的限制。在附图中：

图1显示了根据本发明的一个实施例的用于矿区的高精地图构建方法流程图；

图2显示了根据本发明的另一个实施例的用于矿区的高精地图构建方法流程图；以及

图3显示了根据本发明的一个实施例的用于矿区的高精地图构建装置结构框图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，以下结合附图对本发明实施例作进一步地详细说明。

图1显示了根据本发明的一个实施例的用于矿区的高精地图构建方法流程图。

在进行高精地图构建前，通过装载多种传感器的车辆，在目标区域内靠近道路边缘行驶，以进行数据采集。

具体来说，通过一个或多个水平设置的激光雷达获取目标区域的激光点云数据；通过一个或多个相机获取目标区域的RGB图像；通过组合导航模块获取世界坐标系下的车体姿态数据。

如图1，在步骤S101中，获取目标区域的激光点云数据，根据激光点云扫描线在道路边缘上表现出的几何特征提取得到三维的道路边缘候选点。

在一个实施例中，步骤S101中的几何特征包括垂直高度突变和/或距离传感器原点距离突变。

如图1，在步骤S102中，获取目标区域的RGB图像，基于内参参数得到无畸变图像，并利用深度学习方法从无畸变图像中检测得到可行驶区域。

在一个实施例中，在步骤S102中具体包含以下步骤：

S1021、通过一个或多个摄像头采集得到目标区域的RGB图像，基于预设的标定方法，使用张正友标定法对摄像头进行标定，得到内参参数。

S1022、利用深度学习方法从无畸变图像中检测得到目标区域的可行驶区域，并使用0-1掩膜矩阵表示可行驶区域。

具体来说，0-1掩膜矩阵的大小与原始图像一致。

如图1，在步骤S103中，融合道路边缘候选点以及可行驶区域，得到道路边缘点，并结合世界坐标系下的车体姿态数据，将道路边缘点转换到世界坐标系下，得到世界坐标系下的道路边缘点。

在一个实施例中，步骤S103中具体包含以下步骤：

S1031、对道路边缘候选点、0-1掩膜矩阵以及世界坐标系下的车体姿态数据进行时间同步处理，三者组成一个数据元组。

具体来说，可以通过机器人操作系统(ROS)中的数据同步器进行时间同步处理。

S1032、基于数据元组，使用姿态变换参数将时间同步后的道路边缘候选点变换到成像坐标系中，得到成像坐标系下的道路边缘候选点。

具体来说，基于数据元组，使用激光雷达到相机的姿态变换参数，将时间同步后的道路边缘候选点变换到成像坐标系中，得到成像坐标系下的道路边缘候选点。

S1033、计算成像坐标系下的道路边缘候选点所在位置与时间同步后的0-1掩膜矩阵中的0-1分割边界的距离，移除距离大于第一阈值的噪声点，得到噪声处理后的道路边缘候选点。

具体来说，若距离大于第一阈值或对应的掩膜矩阵值为0，则认为该候选点为噪声点并从集合中移除。

S1034、结合时间同步后的世界坐标系下的车体姿态数据，将噪声处理后的道路边缘候选点转换到世界坐标系下，得到世界坐标系下的道路边缘点。

具体来说，在移除噪声点后，将剩余的道路边缘候选点根据时间同步后的世界坐标系下的车体姿态数据转换到世界坐标系下，得到全局坐标系的道路边缘点，即世界坐标系下的道路边缘点。

如图1，在步骤S104中，基于世界坐标系下的道路边缘点以及世界坐标系下的车体姿态数据组合得到道路边缘点地图以及采集轨迹信息，并依据作业环境的几何特性及聚类分析方法，从道路边缘点地图以及采集轨迹信息中提取得到分段的道路边缘点地图及拓扑图。

在一个实施例中，步骤S104中具体包含以下步骤：

S1041、将世界坐标系下的道路边缘点拼接得到道路边缘点地图。

S1042、将世界坐标系下的车体姿态数据拼接得到采集轨迹信息。

S1043、将道路边缘点地图中点密度大于第二阈值的区域进行切割及去除处理，并使用聚类算法对剩余的点进行分析，得到分段的道路边缘点地图。

具体来说，由于在路口区域的道路边缘点密度较高，将道路边缘点地图中点密度大于第二阈值的区域进行切割并去除处理，接着使用K-Means++(聚类分析方法)对剩余的点进行聚类分析，得到分段的道路边缘点地图。

S1044、基于分段的道路边缘点地图，在每一个分块所在区域的几何中心设置一个节点，结合采集轨迹信息，通过最小生成树算法和先验判断过程将所有节点进行连接，形成可表达的边，得到拓扑图。

如图1，在步骤S105中，以分段的道路边缘点地图上的分块作为节点的几何信息，结合无畸变图像确定节点的环境类别，得到节点的语义信息，并基于几何信息、语义信息以及拓扑图进行地图构建，得到高精地图。

在一个实施例中，步骤S105中具体包含以下步骤：

S1051、基于几何信息，使用基于点云几何结构的相似性判断方法，得到节点的第一场景分类。

S1052、基于无畸变图像，通过深度学习方法，计算得到节点对应局部环境的第二场景分类。

S1053、融合第一场景分类以及第二场景分类，得到语义信息。

S1054、得到地图元素，具体来说，若判断节点处于结构化道路，则从几何信息中提取左右道路边缘的边界信息作为地图元素；若判断节点处于非结构化道路，则从几何信息中提取区域的边界信息作为地图元素。

S1055、按照空间顺序和拓扑连接关系，基于地图元素以及拓扑图构成高精地图。

本发明中，语义高精地图由包含了几何信息与语义信息的数据结构。具体来说，语义高精地图由对应着作业环境的一个拓扑结构表示，该结构中每一个节点代表一个局部的地图元素的实体，如“结构化道路”，而节点间相连的边表示实体与实体之间的可达性与连接关系；每一个节点上存储了对应的实体的几何信息和语义信息，几何信息包括该实体的几何形状数据、空间位置和姿态，语义信息包括实体的类别(如结构化道路、非结构化道路)、实例编号。

本发明中，进行语义高精地图的构建，需要经过数据采集、信息提取、数据整合三个阶段：

数据采集指通过激光雷达、相机、组合导航模块等能够采集环境信息和采集设备空间状态信息的传感器采集作业环境的信息的过程。

信息提取指的是基于采集的数据，使用特征提取、数据分析等方法，提炼出能够被无人系统所能使用的信息的过程。

数据整合指的是将信息提取过程中的信息进行有机的整合的过程，最后将会生成得到地图文件。

本发明能够克服现有构建技术不适用于多变路况及不平整路面、不适用于快速更新环境的不足，本发明针对矿区作业环境的特性，基于激光雷达、组合导航定位传感器和视觉传感器，给出了矿山环境下的语义高精地图构建方案，构建得到的高精地图可用于矿用车辆进行导航、规划、定位和可视化。

图2显示了根据本发明的另一个实施例的用于矿区的高精地图构建方法流程图。

如图2，基于几何特征提取候选点：基于几何特征从激光点云数据中提取出三维的道路边缘候选点。

畸变校准：基于内参参数对RGB图像进行畸变校准，得到无畸变图像。

基于深度学习计算掩膜矩阵：利用深度学习的方法，从无畸变图像中检测出可行驶区域，使用0-1掩膜矩阵表示可行驶区域。

数据时间戳同步：对世界坐标系下的车体姿态数据、0-1掩膜矩阵以及道路候选边缘点进行数据时间戳同步。

候选点变换到成像坐标系上：将道路候选边缘点变换到成像坐标系下，得到成像坐标系下的道路边缘候选点。

是否满足内点条件：计算成像坐标系下的道路边缘候选点所在位置与时间同步后的0-1掩膜矩阵中的0-1分割边界的距离，判断距离是否大于第一阈值或对应的掩膜矩阵值是否为0，移除距离大于第一阈值及对应的掩膜矩阵值为0的噪声点，得到噪声处理后的道路边缘候选点。

内点变换到世界坐标系上：结合时间同步后的世界坐标系下的车体姿态数据，将噪声处理后的道路边缘候选点转换到世界坐标系下，得到世界坐标系下的道路边缘点。

基于点密度的分割处理与聚类分析得到拓扑图与分块道路边缘点地图：将道路边缘点地图中点密度大于第二阈值的区域进行切割及去除处理，并使用聚类算法对剩余的点进行分析，得到分段的道路边缘点地图；基于分段的道路边缘点地图，在每一个分块所在区域的几何中心设置一个节点，结合采集轨迹信息，通过最小生成树算法和先验判断过程将所有节点进行连接，形成可表达的边，得到拓扑图。

基于几何特征分析计算场景分类：基于几何信息，使用基于点云几何结构的相似性判断方法，得到节点的第一场景分类。

基于深度学习和RGB图像计算场景分类：基于无畸变图像，通过深度学习方法，计算得到节点对应局部环境的第二场景分类。

语义融合：融合第一场景分类以及第二场景分类，得到语义信息。

构建地图元素实体：若判断节点处于结构化道路，则从几何信息中提取左右道路边缘的边界信息作为地图元素；若判断节点处于非结构化道路，则从几何信息中提取区域的边界信息作为地图元素。

元素与拓扑图整合：按照空间顺序和拓扑连接关系，基于地图元素以及拓扑图构成所述高精地图。

本发明采用了相机、激光雷达传感器进行道路信息提取，提升了检测结果的鲁棒性，适合于矿山环境下的语义高精地图构建。

图3显示了根据本发明的一个实施例的用于矿区的高精地图构建装置结构框图。

如图3，高精地图构建装置300包含：路沿提取模块301、可行驶区域检测模块302、数据融合模块303、拓扑分析模块304以及元素构建模块305。

路沿提取模块301用于获取目标区域的激光点云数据，根据激光点云扫描线在道路边缘上表现出的几何特征提取得到三维的道路边缘候选点。

在一个实施例中，路沿提取模块301从一个或多个水平放置的激光雷达获取目标区域的激光点云数据。

可行驶区域检测模块302用于获取目标区域的RGB图像，基于内参参数得到无畸变图像，并利用深度学习方法从无畸变图像中检测得到可行驶区域。

在一个实施例中，可行驶区域检测模块302从一个或多个相机获取目标区域的RGB图像。

数据融合模块303用于融合道路边缘候选点以及可行驶区域，得到道路边缘点，并结合世界坐标系下的车体姿态数据，将道路边缘点转换到世界坐标系下，得到世界坐标系下的道路边缘点。

在一个实施例中，数据融合模块303从组合导航模块获取目标区域的世界坐标系下的车体姿态数据。

拓扑分析模块304用于基于世界坐标系下的道路边缘点以及世界坐标系下的车体姿态数据组合得到道路边缘点地图以及采集轨迹信息，并依据作业环境的几何特性及聚类分析方法，从道路边缘点地图以及采集轨迹信息中提取得到分段的道路边缘点地图及拓扑图。

元素构建模块305用于以分段的道路边缘点地图上的分块作为节点的几何信息，结合无畸变图像确定节点的环境类别，得到节点的语义信息，并基于几何信息、语义信息以及拓扑图进行地图构建，得到高精地图。

综上，本发明提供的用于矿区的高精地图构建方法及装置融合了相机与激光雷达两种传感器的结果，适用于矿山环境下的多变路况及不平整路面，适用于矿山环境下进行语义高精地图的快速构建与更新。本发明通过相机与雷达的融合，提高了矿区进行可行驶区域检测鲁棒性，并使用了基于聚类算法的拓扑分析与基于深度学习的元素构建过程，实现语义高精地图的构建。

应该理解的是，本发明所公开的实施例不限于这里所公开的特定结构、处理步骤或材料，而应当延伸到相关领域的普通技术人员所理解的这些特征的等同替代。还应当理解的是，在此使用的术语仅用于描述特定实施例的目的，而并不意味着限制。

说明书中提到的“一个实施例”或“实施例”意指结合实施例描述的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，说明书通篇各个地方出现的短语“一个实施例”或“实施例”并不一定均指同一个实施例。

虽然本发明所公开的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所公开的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (10)

1.一种用于矿区的高精地图构建方法，其特征在于，所述方法包含以下步骤：

步骤一：获取目标区域的激光点云数据，根据激光点云扫描线在道路边缘上表现出的几何特征提取得到三维的道路边缘候选点；

步骤二：获取目标区域的RGB图像，基于内参参数得到无畸变图像，并利用深度学习方法从所述无畸变图像中检测得到可行驶区域；

步骤三：融合所述道路边缘候选点以及所述可行驶区域，得到道路边缘点，并结合世界坐标系下的车体姿态数据，将所述道路边缘点转换到世界坐标系下，得到世界坐标系下的道路边缘点；

步骤四：基于所述世界坐标系下的道路边缘点以及所述世界坐标系下的车体姿态数据组合得到道路边缘点地图以及采集轨迹信息，并依据作业环境的几何特性及聚类分析方法，从所述道路边缘点地图以及所述采集轨迹信息中提取得到分段的道路边缘点地图及拓扑图；

步骤五：以所述分段的道路边缘点地图上的分块作为节点的几何信息，结合所述无畸变图像确定节点的环境类别，得到节点的语义信息，并基于所述几何信息、所述语义信息以及所述拓扑图进行地图构建，得到高精地图。

2.如权利要求1所述的方法，其特征在于，所述几何特征包括垂直高度突变和/或距离传感器原点距离突变。

3.如权利要求1所述的方法，其特征在于，所述步骤二中具体包含以下步骤：

通过一个或多个摄像头采集得到目标区域的所述RGB图像，基于预设的标定方法，使用张正友标定法对所述摄像头进行标定，得到所述内参参数；

利用所述深度学习方法从所述无畸变图像中检测得到目标区域的所述可行驶区域，并使用0-1掩膜矩阵表示所述可行驶区域。

4.如权利要求3所述的方法，其特征在于，所述步骤三中具体包含以下步骤：

对所述道路边缘候选点、所述0-1掩膜矩阵以及所述世界坐标系下的车体姿态数据进行时间同步处理，三者组成一个数据元组；

基于所述数据元组，使用姿态变换参数将时间同步后的道路边缘候选点变换到成像坐标系中，得到成像坐标系下的道路边缘候选点；

计算所述成像坐标系下的道路边缘候选点所在位置与时间同步后的0-1掩膜矩阵中的0-1分割边界的距离，移除距离大于第一阈值的噪声点，得到噪声处理后的道路边缘候选点；

结合时间同步后的世界坐标系下的车体姿态数据，将噪声处理后的道路边缘候选点转换到世界坐标系下，得到所述世界坐标系下的道路边缘点。

5.如权利要求1所述的方法，其特征在于，所述步骤四中具体包含以下步骤：

将所述世界坐标系下的道路边缘点拼接得到所述道路边缘点地图；

将所述世界坐标系下的车体姿态数据拼接得到所述采集轨迹信息。

6.如权利要求1所述的方法，其特征在于，所述步骤四中具体包含以下步骤：将所述道路边缘点地图中点密度大于第二阈值的区域进行切割及去除处理，并使用所述聚类算法对剩余的点进行分析，得到所述分段的道路边缘点地图。

7.如权利要求1所述的方法，其特征在于，所述步骤四中具体包含以下步骤：基于所述分段的道路边缘点地图，在每一个分块所在区域的几何中心设置一个节点，结合所述采集轨迹信息，通过最小生成树算法和先验判断过程将所有节点进行连接，形成可表达的边，得到所述拓扑图。

8.如权利要求1所述的方法，其特征在于，所述步骤五中具体包含以下步骤：

基于所述几何信息，使用基于点云几何结构的相似性判断方法，得到节点的第一场景分类；

基于所述无畸变图像，通过所述深度学习方法，计算得到节点对应局部环境的第二场景分类；

融合所述第一场景分类以及所述第二场景分类，得到所述语义信息。

9.如权利要求1所述的方法，其特征在于，所述步骤五中具体包含以下步骤：

若判断节点处于结构化道路，则从所述几何信息中提取左右道路边缘的边界信息作为地图元素；

若判断节点处于非结构化道路，则从所述几何信息中提取区域的边界信息作为地图元素；

按照空间顺序和拓扑连接关系，基于所述地图元素以及所述拓扑图构成所述高精地图。

10.一种用于矿区的高精地图构建装置，其特征在于，所述装置包含：

路沿提取模块，其用于获取目标区域的激光点云数据，根据激光点云扫描线在道路边缘上表现出的几何特征提取得到三维的道路边缘候选点；

可行驶区域检测模块，其用于获取目标区域的RGB图像，基于内参参数得到无畸变图像，并利用深度学习方法从所述无畸变图像中检测得到可行驶区域；

数据融合模块，其用于融合所述道路边缘候选点以及所述可行驶区域，得到道路边缘点，并结合世界坐标系下的车体姿态数据，将所述道路边缘点转换到世界坐标系下，得到世界坐标系下的道路边缘点；

拓扑分析模块，其用于基于所述世界坐标系下的道路边缘点以及所述世界坐标系下的车体姿态数据组合得到道路边缘点地图以及采集轨迹信息，并依据作业环境的几何特性及聚类分析方法，从所述道路边缘点地图以及所述采集轨迹信息中提取得到分段的道路边缘点地图及拓扑图；

元素构建模块，其用于以所述分段的道路边缘点地图上的分块作为节点的几何信息，结合所述无畸变图像确定节点的环境类别，得到节点的语义信息，并基于所述几何信息、所述语义信息以及所述拓扑图进行地图构建，得到高精地图。

Images