CN113066009A - 港口高精度地图集的构建方法、装置、系统和存储介质 - Google Patents
港口高精度地图集的构建方法、装置、系统和存储介质 Download PDFInfo
- Publication number
- CN113066009A CN113066009A CN202110315948.6A CN202110315948A CN113066009A CN 113066009 A CN113066009 A CN 113066009A CN 202110315948 A CN202110315948 A CN 202110315948A CN 113066009 A CN113066009 A CN 113066009A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- data
- port
- precision map
- 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.)
- Granted
Links
- 238000010276 construction Methods 0.000 title claims abstract description 10
- 238000000034 method Methods 0.000 claims abstract description 47
- 230000003068 static effect Effects 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000005540 biological transmission Effects 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 7
- 238000013507 mapping Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000004575 stone Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4038—Scaling the whole image or part thereof for image mosaicing, i.e. plane images composed of plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4023—Decimation- or insertion-based scaling, e.g. pixel or line decimation
Abstract
本申请涉及一种港口高精度地图集的构建方法、装置、系统和存储介质,其中,该方法包括:基于完成标定的数据采集装置获取当前港口中的港口数据;将港口数据中的惯导数据、点云数据和对应的时间戳进行拼接,得到点云拼接数据;并根据点云拼接数据生成点云底图;利用二次插值法将点云底图对预构建地图中的点进行Z值的赋值,生成静态高精度地图;将预构建的港口特色地图元素和静态高精度地图进行拟合,生成高精度地图集。本申请构建的高精度地图集包括三维信息,满足港口自动驾驶对精确控制要求。
Description
技术领域
本申请涉及地图测绘技术领域,特别是涉及港口高精度地图集的构建方法、装置、系统和存储介质。
背景技术
随着传感器、大数据和人工智能领域的快速发展,在此基础上发展的自动驾驶技术能够提高交通运输效率、交通安全和出行便利,近年来已经成为学术界和工业界的研究热点之一。
高精度地图是自动驾驶系统的重要组成部分之一,它可以给环境感知系统提供先验知识,帮助高精度定位系统稳定运行,还能通过参考线的方式简化决策规划系统的搜索空间。高精度地图通常对标的是电子地图,定义为矢量化、高精度的车道级地图,即需要表达出厘米量级的地图元素。涵盖的地图元素包括但不限于车道线、地面标记、交通标志、红绿灯、基础设施、栅栏以及灯杆等相对固定的物体。
但常见的高精度地图在港口区域遇到较大的问题。首先,在一般场景下,通常15-20cm的相对误差就可以满足自动驾驶需求;但在港口区域,由于卡车宽度远远宽于乘用车宽度,而路宽更窄,因此要求5cm的相对误差。其次,港口除了常见的交通元素外,还有集装箱区域、石墩、贝位和流机工作区域等,这些是非常规的地图元素,并且和港口业务强绑定。最后,港口需要高精度地图集,要服务于规划的矢量地图,服务于定位的点云地图以及服务于导航的电子地图等。
目前的地图构建方案通常为:通过带有RTK的无人机航拍图像,通过测量几何重建高精度地面场景,再得到高精度地图。但该方案不仅无法得到点云地图,而且无法得到高程信息;因此只有二维信息,不能满足精确控制的要求。
目前针对相关技术中,航拍构建的地图不仅无法得到点云地图,而且无法得到高程信息;只有二维信息,不能满足精确控制的要求的问题,尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种港口高精度地图集的构建方法、装置、系统存储介质,以至少解决相关技术中航拍构建的地图不仅无法得到点云地图,而且无法得到高程信息;只有二维信息,不能满足精确控制的问题。
第一方面,本申请实施例提供了一种港口高精度地图集的构建方法,包括:
基于完成标定的数据采集装置获取当前港口中的港口数据;将所述港口数据中的惯导数据、点云数据和对应的时间戳进行拼接,得到点云拼接数据;并根据所述点云拼接数据生成点云底图;
利用二次插值法将所述点云底图对预构建地图中的点进行Z值的赋值,生成静态高精度地图;
将预构建的港口特色地图元素和所述静态高精度地图进行拟合,生成高精度地图集。
在其中一些实施例中,还包括:
在生成高精度地图集后,将所述高精度地图集进行发布。
在其中一些实施例中,其特征在于,所述预构建的港口特色地图元素包括弯道和上下引桥车道线、船舶的泊位点、锁框区以及区域。
在其中一些实施例中,将所述港口数据中的惯导数据、点云数据和对应的时间戳进行拼接,得到点云拼接数据,包括:
假设t时刻得到激光点云P={pi},利用插值来得到位姿矩阵Ht,即:
再将每一帧的激光点云变换到统一坐标系下:
p′i=Ht×Tlidar→ins×pi;
得到点云拼接数据P′={p′i}。
在其中一些实施例中,还包括:
在得到点云拼接数据后,基于训练完备的神经网络模型对所述点云拼接数据进行障碍物过滤。
在其中一些实施例中,根据所述点云拼接数据生成点云底图,包括:
对所述点云拼接数据进行栅格化处理,生成点云底图;并按照金字塔模型对点云底图进行切分。
第二方面,本申请实施例提供了一种港口高精度地图集的构建装置,包括获取模块、第一处理模块以及第二处理模块;
所述获取模块,用于基于完成标定的数据采集装置获取当前港口中的港口数据;将所述港口数据中的惯导数据、点云数据和对应的时间戳进行拼接,得到点云拼接数据;并根据所述点云拼接数据生成点云底图;
所述第一处理模块,用于利用二次插值法将所述点云底图对预构建地图中的点进行Z值的赋值,生成静态高精度地图;
所述第二处理模块,用于将预构建的港口特色地图元素和所述静态高精度地图进行拟合,生成高精度地图集。
第三方面,本申请实施例提供了一种港口高精度地图集的构建系统,包括:终端设备、传输设备以及服务器设备;其中,所述终端设备通过传输设备连接服务器设备;
所述终端设备用于获取港口数据;
所述传输设备用于传输港口数据;
所述服务器设备用于执行如上述第一方面所述的港口高精度地图集的构建方法。
第四方面,本申请实施例提供了一种电子装置,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述第一方面所述的港口高精度地图集的构建方法。
第五方面,本申请实施例提供了一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述第一方面所述的港口高精度地图集的构建方法。
相比于相关技术,本申请实施例提供的港口高精度地图集的构建方法、装置、系统、电子装置和存储介质,基于完成标定的数据采集装置获取当前港口中的港口数据;将港口数据中的惯导数据、点云数据和对应的时间戳进行拼接,得到点云拼接数据;并根据点云拼接数据生成点云底图;利用二次插值法将点云底图对预构建地图中的点进行Z值的赋值,生成静态高精度地图;将预构建的港口特色地图元素和静态高精度地图进行拟合,生成高精度地图集。解决了航拍构建的地图不仅无法得到点云地图,而且无法得到高程信息;只有二维信息,不能满足精确控制的问题,构建的高精度地图集包括三维信息,满足港口自动驾驶对精确控制要求。
本申请的一个或多个实施例的细节在以下附图和描述中提出,以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是本申请一实施例提供的港口高精度地图集的构建方法的终端设备的硬件结构框图;
图2是本申请一实施例提供的港口高精度地图集的构建方法的流程图;
图3是本申请一实施例的栅格化后的点云底图的示意图;
图4是本申请一实施例的静态高精度地图的示意图;
图5是本申请一实施例的动态高精度地图的示意图;
图6是本申请一实施例提供的港口高精度地图集的构建装置的结构框图。
附图说明:100、获取模块;200、第一处理模块;300、第二处理模块;400、发布模块。
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,对本申请进行描述和说明。应当理解,此处所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。基于本申请提供的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。此外,还可以理解的是,虽然这种开发过程中所作出的努力可能是复杂并且冗长的,然而对于与本申请公开的内容相关的本领域的普通技术人员而言,在本申请揭露的技术内容的基础上进行的一些设计,制造或者生产等变更只是常规的技术手段,不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是,本申请所描述的实施例在不冲突的情况下,可以与其它实施例相结合。
除非另作定义,本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制,可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形,意图在于覆盖不排他的包含;例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可以还包括没有列出的步骤或单元,或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电气的连接,不管是直接的还是间接的。本申请所涉及的“多个”是指大于或者等于两个。“和/或”描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象,不代表针对对象的特定排序。
本实施例提供的方法实施例可以在终端、计算机或者类似的运算装置中执行。以运行在终端上为例,图1是本发明实施例的港口高精度地图集的构建方法的终端的硬件结构框图。如图1所示,终端10可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104,可选地,上述终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述终端的结构造成限定。例如,终端10还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序,例如,应用软件的软件程序以及模块,如本发明实施例中的港口高精度地图集的构建方法对应的计算机程序,处理器102通过运行存储在存储器104内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输设备106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括终端10的通信供应商提供的无线网络。在一个实例中,传输设备106包括一个网络适配器(NetworkInterfaceController,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输设备106可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
本实施例提供了一种港口高精度地图集的构建方法,图2是根据本申请实施例的港口高精度地图集的构建方法的流程图。如图2所示,该流程包括如下步骤:
S100、基于完成标定的数据采集装置获取当前港口中的港口数据;将港口数据中的惯导数据、点云数据和对应的时间戳进行拼接,得到点云拼接数据;并根据点云拼接数据生成点云底图;
S200、利用二次插值法将点云底图对预构建地图中的点进行Z值的赋值,生成静态高精度地图;
S300、将预构建的港口特色地图元素和静态高精度地图进行拟合,生成高精度地图集。
需要说明的是,于本实施例中,数据采集装置安装在自动驾驶的车辆上。数据采集装置为激光雷达和惯导;其中,惯导指的是惯性导航系统(INS,以下简称惯导)是一种不依赖于外部信息、也不向外部辐射能量的自主式导航系统。其工作环境不仅包括空中、地面,还可以在水下。惯导的基本工作原理是以牛顿力学定律为基础,通过测量载体在惯性参考系的加速度,将它对时间进行积分,且把它变换到导航坐标系中,就能够得到在导航坐标系中的速度、偏航角和位置等信息。数据采集装置需要先进行外参的标定。标定的过程如下:通过惯导自带的标定软件,可以将惯导标定到车辆的后轴中心,记外参变换矩阵为Tins。激光雷达和后轴中心的位置和姿态可以通过测量得到,记外参变换矩阵为Tlidar。那么激光雷达到惯导的外参变换矩阵且点云数据即为采集装置中利用激光雷达获取的激光点云数据。
再利用完成标定安装于车辆上的的数据采集装置以获取的港口数据;港口数据包括惯导数据、点云数据和对应的时间戳;由于实时采集的惯导数据存在5-10cm的误差,可以利用惯导自带的后处理软件进行解算,得到2cm精度的处理后的惯导数据。于其他实施例中,也可以通过其他方式提高惯导数据的精度。
通过上述步骤,解决了航拍构建的地图不仅无法得到点云地图,而且无法得到高程信息;只有二维信息,不能满足精确控制的问题,构建的高精度地图集包括三维信息,满足港口自动驾驶对精确控制要求。
对于点云底图的构建增加说明如下。
在其中一个实施例中,将港口数据中的惯导数据、点云数据和对应的时间戳进行拼接,得到点云拼接数据,包括以下步骤;
假设t时刻得到激光点云P={pi}
,由于激光和惯导的频率不同且很难做到硬件时间对齐,因此无法直接得到t时刻的惯导的结果。利用插值来得到位姿矩阵Ht,即:
再将每一帧的激光点云变换到统一坐标系下:
p′x=Ht×Tlidar→ins×pi;
得到点云拼接数据P′={p′i}。
由于港口区域中存在大量流机,流机包括但不限于拖车、岸桥、场桥和堆高机等。预先利用深度卷积网络进行训练,得到识别障碍物的神经网络模型;再基于训练完备的神经网络模型对点云拼接数据进行障碍物过滤,滤除隶属于障碍物的点云。
在其中一个实施例中,根据点云拼接数据生成点云底图,包括一下步骤;
对点云拼接数据进行栅格化处理,生成点云底图;并按照金字塔模型对点云底图进行切分。
具体的,将点云拼接数据进行栅格化,即将p′i=(xi,yi,zi)的点云点映射到(u,v)栅格中:
除此之外,为了更好的展示,通常需要按照金字塔模型对底图进行切分,供后续制图工具使用。
对于静态高精度地图的构建为:利用arcgis制图工具制作地图元素并生成预构建地图。具体过程如下:
步骤一,静态高精度地图的制作。利用arcgis制图工具制作地图元素,包括但不限于:车道线:包括位置、线宽、线型、颜色、属性等;地面标志:包括位置、类型、交通规则等;区域:包括堆场区域、岸桥区域、转场区域、舱盖板区域、空箱区域、停车区域等;辅助行驶:包括护栏、石墩、隔离带等。静态高精度地图只包括规划好的工作区域,在一定时间内不会进行修葺。
但这样的地图缺乏三维信息。由于点云底图的点云数据带有三维信息,所以对预构建地图中每个点都能找到最近的点云数据的点进行z值的赋值,并利用二次插值保证精度。
zi=bilinear(find(xi,yi));
其中,bilinear表示二次插值操作,find
表示在该地图点附近找到的激光点云点集,为了提高计算速度,通常10个以内即可。
步骤二,静态高精度地图的发布。将制作好的静态高精度地图以json格式存储,如图4所示为按预设规则构建后的静态高精度地图。
预设规则可以为:将制作好的地图元素,线条类的按照0.5m一个点进行间隔采样,区域类的按照关键点或者角点进行间隔采样;车道线之间存在前驱和后继的关系,我们给予每个车道线一个绝对id,并关联好相应的关系;路口跟多个车道线都有前驱和后继的关系,也需要定义多个输入输出,对车道线进行关联;区域类关联到车道线上即可;总体来说,车道线组成车道,车道组成单向路面,多个路面在路口交汇,区域元素属于单向或多个单向路面。
对于动态高精度地图的构建具体过程如下:
步骤一,高精度地图的制作。我们利用自行制作的javascript工具添加港口特色地图元素,这些元素通常按照天、小时进行更新,包括但不限于:弯道和上下引桥车道线:包括位置、线宽、线型、颜色、属性等;船舶的泊位点:包括位置、朝向等;锁框区:包括位置、锁型、属性以及特殊要求等;区域:包括待停区域、充电区域、临时区域等。动态高精度地图是在静态高精度地图基础上,增加了频繁更新的区域。
考虑到地图大小,需要对地图进行优化和压缩。对于车道线,利用b样条插值进行车道线拟合,仅保留拟合后的参数。拟合过程中用采样点作为控制点,保证平滑的同时输出方程。
步骤二,高精度地图的发布。将制作好的动态地图可以以opendrive或者nds格式存储,如图5所示构建后的动态高精度地图。本申请的高精度地图集包括静态高精度地图和动态高精度地图。
在其中一个实施例中,在生成高精度地图集后,将高精度地图集进行发布。
滤除障碍物后的点云拼接数据即可视为用于定位的点云地图。动态高精度地图是服务于规划的矢量地图。将上述矢量地图进行合并抽稀,例如只保留中央车道的中央车道线作为参考线,即可作为服务于导航的电子地图。且本申请的高精度地图集同样支持动态更新。对于动态更新方式并不进行限制。
本发明能够提供高精度地图集,包括服务于规划的矢量地图,服务于定位的点云地图以及服务于导航的电子地图等。同时,能够保证高精地图误差小于等于5cm,包含三维信息,满足港口的自动驾驶需求。
需要说明的是,在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本实施例还提供了一种港口高精度地图集的构建装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图6是根据本申请实施例的一种港口高精度地图集的构建装置的结构框图,如图6所示,该装置包括:包括获取模块100、第一处理模块200以及第二处理模块300;
获取模块100,用于基于完成标定的数据采集装置获取当前港口中的港口数据;将港口数据中的惯导数据、点云数据和对应的时间戳进行拼接,得到点云拼接数据;并根据点云拼接数据生成点云底图;
第一处理模块200,用于利用二次插值法将点云底图对预构建地图中的点进行Z值的赋值,生成静态高精度地图;
第二处理模块300,用于将预构建的港口特色地图元素和静态高精度地图进行拟合,生成高精度地图集。
本申请解决了航拍构建的地图不仅无法得到点云地图,而且无法得到高程信息;只有二维信息,不能满足精确控制的问题,构建的高精度地图集包括三维信息,满足港口自动驾驶对精确控制要求。
在其中一个实施例中,还包括发布模块400;发布模块400用于在生成高精度地图集后,将高精度地图集进行发布。
在其中一个实施例中,获取模块100,还用于假设t时刻得到激光点云P={pi},利用插值来得到位姿矩阵Ht,即:
再将每一帧的激光点云变换到统一坐标系下:
p′i=Ht×Tlidar→ins×pi;
得到点云拼接数据P′={p′i}。
在其中一个实施例中,获取模块100,还用于对点云拼接数据进行栅格化处理,生成点云底图;并按照金字塔模型对点云底图进行切分。
需要说明的是,上述各个模块可以是功能模块也可以是程序模块,既可以通过软件来实现,也可以通过硬件来实现。对于通过硬件来实现的模块而言,上述各个模块可以位于同一处理器中;或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
本实施例还提供了一种电子装置,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1、基于完成标定的数据采集装置获取当前港口中的港口数据;将港口数据中的惯导数据、点云数据和对应的时间戳进行拼接,得到点云拼接数据;并根据点云拼接数据生成点云底图;
S2、利用二次插值法将点云底图对预构建地图中的点进行Z值的赋值,生成静态高精度地图;
S3、将预构建的港口特色地图元素和静态高精度地图进行拟合,生成高精度地图集。
需要说明的是,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
另外,结合上述实施例中的港口高精度地图集的构建方法,本申请实施例可提供一种存储介质来实现。该存储介质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实施例中的任意一种港口高精度地图集的构建方法。
本领域的技术人员应该明白,以上所述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)
1.一种港口高精度地图集的构建方法,其特征在于,包括:
基于完成标定的数据采集装置获取当前港口中的港口数据;将所述港口数据中的惯导数据、点云数据和对应的时间戳进行拼接,得到点云拼接数据;并根据所述点云拼接数据生成点云底图;
利用二次插值法将所述点云底图对预构建地图中的点进行Z值的赋值,生成静态高精度地图;
将预构建的港口特色地图元素和所述静态高精度地图进行拟合,生成高精度地图集。
2.根据权利要求1所述的港口高精度地图集的构建方法,其特征在于,还包括:
在生成高精度地图集后,将所述高精度地图集进行发布。
3.根据权利要求1所述的港口高精度地图集的构建方法,其特征在于,所述预构建的港口特色地图元素包括弯道和上下引桥车道线、船舶的泊位点、锁框区以及区域。
5.根据权利要求4所述的港口高精度地图集的构建方法,其特征在于,还包括:
在得到点云拼接数据后,基于训练完备的神经网络模型对所述点云拼接数据进行障碍物过滤。
6.根据权利要求4所述的港口高精度地图集的构建方法,其特征在于,根据所述点云拼接数据生成点云底图,包括:
对所述点云拼接数据进行栅格化处理,生成点云底图;并按照金字塔模型对点云底图进行切分。
7.一种港口高精度地图集的构建装置,其特征在于,包括获取模块、第一处理模块以及第二处理模块;
所述获取模块,用于基于完成标定的数据采集装置获取当前港口中的港口数据;将所述港口数据中的惯导数据、点云数据和对应的时间戳进行拼接,得到点云拼接数据;并根据所述点云拼接数据生成点云底图;
所述第一处理模块,用于利用二次插值法将所述点云底图对预构建地图中的点进行Z值的赋值,生成静态高精度地图;
所述第二处理模块,用于将预构建的港口特色地图元素和所述静态高精度地图进行拟合,生成高精度地图集。
8.一种港口高精度地图集的构建系统,其特征在于,包括:终端设备、传输设备以及服务器设备;其中,所述终端设备通过传输设备连接服务器设备;
所述终端设备用于获取港口数据;
所述传输设备用于传输港口数据;
所述服务器设备用于执行如权利要求1至6中任一项所述的港口高精度地图集的构建方法。
9.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行权利要求1至6中任一项所述的港口高精度地图集的构建方法。
10.一种存储介质,其特征在于,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行权利要求1至6中任一项所述的港口高精度地图集的构建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110315948.6A CN113066009B (zh) | 2021-03-24 | 2021-03-24 | 港口高精度地图集的构建方法、装置、系统和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110315948.6A CN113066009B (zh) | 2021-03-24 | 2021-03-24 | 港口高精度地图集的构建方法、装置、系统和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113066009A true CN113066009A (zh) | 2021-07-02 |
CN113066009B CN113066009B (zh) | 2023-08-25 |
Family
ID=76561862
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110315948.6A Active CN113066009B (zh) | 2021-03-24 | 2021-03-24 | 港口高精度地图集的构建方法、装置、系统和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113066009B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114924680A (zh) * | 2022-05-27 | 2022-08-19 | 北京斯年智驾科技有限公司 | 基于web前端可视化界面的港口无人驾驶地图生成方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180018502A1 (en) * | 2016-07-15 | 2018-01-18 | Tyco Fire & Security Gmbh | Techniques for Built Environment Representations |
CN109143259A (zh) * | 2018-08-20 | 2019-01-04 | 北京主线科技有限公司 | 面向港口无人集卡的高精地图制作方法 |
CN110132291A (zh) * | 2019-05-16 | 2019-08-16 | 深圳数翔科技有限公司 | 用于港口的栅格地图生成方法、系统、设备及存储介质 |
US20190371044A1 (en) * | 2018-06-04 | 2019-12-05 | Baidu Online Network Technology (Beijing) Co., Ltd | Method, apparatus, device and computer readable storage medium for reconstructing three-dimensional scene |
CN111220992A (zh) * | 2018-11-26 | 2020-06-02 | 长沙智能驾驶研究院有限公司 | 雷达数据融合方法、装置及系统 |
CN111912419A (zh) * | 2020-08-28 | 2020-11-10 | 清华大学苏州汽车研究院(吴江) | 基于激光雷达的高精度语义导航地图构建方法和装置 |
CN111968229A (zh) * | 2020-06-28 | 2020-11-20 | 北京百度网讯科技有限公司 | 高精度地图制图方法及装置 |
CN112069856A (zh) * | 2019-06-10 | 2020-12-11 | 商汤集团有限公司 | 地图生成方法、驾驶控制方法、装置、电子设备及系统 |
-
2021
- 2021-03-24 CN CN202110315948.6A patent/CN113066009B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180018502A1 (en) * | 2016-07-15 | 2018-01-18 | Tyco Fire & Security Gmbh | Techniques for Built Environment Representations |
US20190371044A1 (en) * | 2018-06-04 | 2019-12-05 | Baidu Online Network Technology (Beijing) Co., Ltd | Method, apparatus, device and computer readable storage medium for reconstructing three-dimensional scene |
CN109143259A (zh) * | 2018-08-20 | 2019-01-04 | 北京主线科技有限公司 | 面向港口无人集卡的高精地图制作方法 |
CN111220992A (zh) * | 2018-11-26 | 2020-06-02 | 长沙智能驾驶研究院有限公司 | 雷达数据融合方法、装置及系统 |
CN110132291A (zh) * | 2019-05-16 | 2019-08-16 | 深圳数翔科技有限公司 | 用于港口的栅格地图生成方法、系统、设备及存储介质 |
CN112069856A (zh) * | 2019-06-10 | 2020-12-11 | 商汤集团有限公司 | 地图生成方法、驾驶控制方法、装置、电子设备及系统 |
CN111968229A (zh) * | 2020-06-28 | 2020-11-20 | 北京百度网讯科技有限公司 | 高精度地图制图方法及装置 |
CN111912419A (zh) * | 2020-08-28 | 2020-11-10 | 清华大学苏州汽车研究院(吴江) | 基于激光雷达的高精度语义导航地图构建方法和装置 |
Non-Patent Citations (1)
Title |
---|
郑文远;李旭东;郭正刚;刘冲;李经民;: "组合惯导-RTK的挖掘机周边点云采集系统", 激光杂志, no. 06 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114924680A (zh) * | 2022-05-27 | 2022-08-19 | 北京斯年智驾科技有限公司 | 基于web前端可视化界面的港口无人驾驶地图生成方法 |
CN114924680B (zh) * | 2022-05-27 | 2023-08-01 | 北京斯年智驾科技有限公司 | 基于web前端可视化界面的港口无人驾驶地图生成方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113066009B (zh) | 2023-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110869981B (zh) | 用于自主车辆的高清晰度地图数据的向量数据编码 | |
US11651553B2 (en) | Methods and systems for constructing map data using poisson surface reconstruction | |
CN110008851B (zh) | 一种车道线检测的方法及设备 | |
US20200232800A1 (en) | Method and apparatus for enabling sequential groundview image projection synthesis and complicated scene reconstruction at map anomaly hotspot | |
CN109086277A (zh) | 一种重叠区构建地图方法、系统、移动终端及存储介质 | |
US10782411B2 (en) | Vehicle pose system | |
CN112782733B (zh) | 高精度定位方法、装置、系统、电子装置和存储介质 | |
US20210116920A1 (en) | Controlling movement of a device | |
US11754415B2 (en) | Sensor localization from external source data | |
WO2024012211A1 (zh) | 自动驾驶环境感知方法、介质及车辆 | |
US20190172349A1 (en) | High definition 3d mapping | |
CN116348739A (zh) | 基于光线投射和语义类图像的地图生成系统和方法 | |
CN116997771A (zh) | 车辆及其定位方法、装置、设备、计算机可读存储介质 | |
CN113066009B (zh) | 港口高精度地图集的构建方法、装置、系统和存储介质 | |
US20240087163A1 (en) | Automated Vehicle Pose Validation | |
CN114127738A (zh) | 自动地图制作和定位 | |
Amin et al. | Reconstruction of 3D accident scene from multirotor UAV platform | |
CN113038363B (zh) | 资源复用方法、终端和相关设备 | |
US11747454B2 (en) | Granularity-flexible existence-based object detection | |
CN111708010A (zh) | 一种可移动设备的定位方法、装置、系统及可移动设备 | |
JP2022059827A (ja) | 情報処理方法、プログラム及び情報処理装置 | |
Gujarathi et al. | Design and Development of Autonomous Delivery Robot | |
JP7323146B2 (ja) | 情報処理方法、プログラム、及び情報処理装置 | |
US11294385B2 (en) | System and method for generating a representation of an environment | |
Gujarathi et al. | Aman Jain, Navid Panchi under the guidance of Dr. Ashwin Dhabale and |
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 |