CN113252053B - 高精度地图生成方法、装置和电子设备 - Google Patents

Abstract

本发明提供一种高精度地图生成方法、装置和电子设备，该方法先获取车辆在行驶至各第一路径点时的第一局部点云数据，并压缩各第一局部点云数据得到第一局部强度图和第一局部高度图，然后以各第一局部平面数据为输入数据，调用语义分割模型得到各第一局部平面数据中各像素点的第一语义分割标签，并确定待标注区域的所有前景像素点，再对前景像素点进行聚类，得到待标注区域中各地面元素的标注结果，最后生成待标注区域对应的高精度地图。本发明在对待标注区域的第一局部点云数据经过压缩处理后，可以结合语义分割、聚类等方法自动标注路面元素以生成高精度地图，因此降低了制作时间和人力成本，提高了制作效率。

Description

高精度地图生成方法、装置和电子设备

技术领域

本发明涉及自动驾驶技术领域，尤其涉及一种高精度地图生成方法、装置和电子设备。

背景技术

当前在制作高精度地图时，大多采用人工在点云和图像等数据上进行各元素的标注，以标注车道线为例，需要人工逐点描绘车道线类别和车道线形状。人工方法不仅繁复枯燥，花费大量人力成本，而且效率较低，难以满足高精度地图的制作需求。

因此，现有的高精度地图生成方法存在人工标注效率较低的技术问题，需要改进。

发明内容

本发明提供一种高精度地图生成方法、装置和电子设备，用以缓解现有的高精度地图生成方法中人工标注效率较低的技术问题。

为解决上述技术问题，本发明提供以下技术方案：

本发明提供一种高精度地图生成方法，包括：

获取车辆的第一行车轨迹，所述第一行车轨迹包括多个第一路径点，根据所述第一行车轨迹确定待标注区域，根据所述第一行车轨迹和所述车辆上的车载传感器，得到行驶至各第一路径点时所述待标注区域的第一局部点云数据；

压缩各第一局部点云数据，得到行驶至各第一路径点时所述待标注区域在鸟瞰视图下的第一局部平面数据，各第一局部平面数据均包括第一局部强度图和第一局部高度图，所述第一局部强度图携带第一局部点云数据中各采样点的反射强度信息，所述第一局部高度图携带第一局部点云数据中各采样点与所述车辆的相对高度信息；

以各第一局部平面数据为输入数据，调用语义分割模型得到各第一局部平面数据中各像素点的第一语义分割标签，根据所述第一语义分割标签，确定所述待标注区域的所有前景像素点；

对所有前景像素点进行聚类，得到所述待标注区域中各地面元素的标注结果；

根据所述标注结果，生成所述待标注区域对应的高精度地图。

本发明还提供一种高精度地图生成方法装置，包括：

获取模块，用于获取车辆的第一行车轨迹，所述第一行车轨迹包括多个第一路径点，根据所述第一行车轨迹确定待标注区域，根据所述第一行车轨迹和所述车辆上的车载传感器，得到行驶至各第一路径点时所述待标注区域的第一局部点云数据；

压缩模块，用于压缩各第一局部点云数据，得到行驶至各第一路径点时所述待标注区域在鸟瞰视图下的第一局部平面数据，各第一局部平面数据均包括第一局部强度图和第一局部高度图，所述第一局部强度图携带第一局部点云数据中各采样点的反射强度信息，所述第一局部高度图携带第一局部点云数据中各采样点与所述车辆的相对高度信息；

调用模块，用于以各第一局部平面数据为输入数据，调用语义分割模型得到各第一局部平面数据中各像素点的第一语义分割标签，根据所述第一语义分割标签，确定所述待标注区域的所有前景像素点；

聚类模块，用于对所有前景像素点进行聚类，得到所述待标注区域中各地面元素的标注结果；

生成模块，用于根据所述标注结果，生成所述待标注区域对应的高精度地图。

本发明还提供一种电子设备，包括存储器和处理器；所述存储器存储有应用程序，所述处理器用于运行所述存储器内的应用程序，以执行上述任一项所述的高精度地图生成方法中的操作。

本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行以实现上述任一项所述的高精度地图生成方法。

有益效果：本发明提供一种高精度地图生成方法、装置和电子设备，本发明在对待标注区域的第一局部点云数据经过压缩处理后，可以结合语义分割、聚类等方法自动标注路面元素，以生成高精度地图，由于过程中不需要过多人工参与，因此降低了高精度地图制作的时间和人力成本，提高了制作效率，且在调用语义分割模型时以第一局部强度图和第一局部高度图作为输入数据，综合考虑了各采样点的反射强度信息和相对高度信息，可以减少非路面元素的采样点的干扰，因此提高了语义分割的健壮性，使得最终生成的高精度地图更加准确。

附图说明

下面结合附图，通过对本发明的具体实施方式详细描述，将使本发明的技术方案及其它有益效果显而易见。

图1为本发明的高精度地图生成方法适用的场景示意图。

图2为本发明的高精度地图生成方法的流程示意图。

图3为本发明中第一局部点云数据的获取过程示意图。

图4为本发明中第一局部强度图的可视化示意图。

图5为本发明中第一局部高度图的可视化示意图。

图6为本发明中预设全局强度图的可视化示意图。

图7为本发明中语义分割后的可视化示意图。

图8为本发明中密度聚类后的可视化示意图。

图9为本发明的高精度地图生成装置的示意图。

图10为本发明的电子设备的结构示意图。

具体实施方式

下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅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，本领域技术人员在没有作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。

本发明提供一种高精度地图生成方法和装置，用以缓解现有的高精度地图生成方法中人工标注效率较低的技术问题。

请参阅图1，图1为本发明的高精度地图生成方法适用的场景示意图，该场景可以包括终端以及服务器，终端之间、服务器之间以及终端与服务器之间通过各种网关组成的互联网等方式连接通信，其中，该应用场景中包括车辆11、车载传感器12和服务器13；其中：

车辆11可以是自动驾驶车辆，也可以是有人驾驶车辆，车辆11用于在待标注区域行驶并产生第一行车轨迹；

车载传感器12为车辆11上设置的传感器，包括激光雷达、相机、GPS等，在车辆11行车轨迹的每个路径点上，车载传感器12均可以该路径点为中心，在各类传感器的感知范围内对环境数据进行采集，其中激光雷达采集的为点云数据，相机采集的为图像数据；

服务器13包括本地服务器和/或远程服务器等。

车辆11、车载传感器12和服务器13位于无线网络或有线网络中，以实现三者之间的数据交互，其中：

服务器13先获取车辆11的第一行车轨迹，第一行车轨迹包括多个第一路径点，根据第一行车轨迹确定待标注区域，根据第一行车轨迹和车辆11上的车载传感器12，得到行驶至各第一路径点时待标注区域的第一局部点云数据，然后压缩各第一局部点云数据，得到行驶至各第一路径点时待标注区域在鸟瞰视图下的第一局部平面数据，各第一局部平面数据均包括第一局部强度图和第一局部高度图，第一局部强度图携带第一局部点云数据中各采样点的反射强度信息，第一局部高度图携带第一局部点云数据中各采样点与车辆11的相对高度信息，再以各第一局部平面数据为输入数据，调用语义分割模型得到各第一局部平面数据中各像素点的第一语义分割标签，根据第一语义分割标签，确定待标注区域的所有前景像素点，然后再对所有前景像素点进行聚类，得到待标注区域中各地面元素的标注结果，最后根据标注结果，生成待标注区域对应的高精度地图。

需要说明的是，图1所示的系统场景示意图仅仅是一个示例，本发明描述的服务器以及场景是为了更加清楚地说明本发明的技术方案，并不构成对于本发明提供的技术方案的限定，本领域普通技术人员可知，随着系统的演变和新业务场景的出现，本发明提供的技术方案对于类似的技术问题，同样适用。以下分别进行详细说明。需说明的是，以下实施例的描述顺序不作为对实施例优选顺序的限定。

请参阅图2，图2是本发明的高精度地图生成方法的流程示意图，该方法包括：

S201：获取车辆的第一行车轨迹，第一行车轨迹包括多个第一路径点，根据第一行车轨迹确定待标注区域，根据第一行车轨迹和车辆上的车载传感器，得到行驶至各第一路径点时待标注区域的第一局部点云数据。

高精度地图用于为自动驾驶车辆提供精确的行驶环境数据，以提高自动驾驶车辆的行驶安全性，高精度地图中存储有车辆所要行驶的区域内各类地面元素信息，地面元素包括车道线、停止线等在实际路面上存在的元素。在实际区域中存在上述地面元素，在制作高精度地图时，需要将各类地面元素标注到高精度地图中，以显示各类地面元素的轮廓和类别。

在本发明中，当需要生成某个区域的高精度地图时，需要先使车辆在该区域内行驶，并通过车辆上的车载传感器采集该区域的相关环境数据。车辆可以是自动驾驶车辆，也可以是有人驾驶车辆，车辆上安装有车载传感器，车载传感器包括激光雷达、相机、GPS等，激光雷达可以采集点云数据，相机可以采集图像数据，GPS可以对车辆的位置进行定位。

如图3所示，车辆在某个区域内行驶时会产生多个第一路径点10，各第一路径点10的集合形成了车辆的第一行车轨迹。在车辆行驶至每个第一路径点10处时，车载传感器会对自身感知范围30内的环境数据进行采集，车辆沿第一行车轨迹行驶时，对车载传感器能够感知到的所有区域求并集，得到待标注区域，待标注区域中具有多个地面元素20。在每个第一路径点10处，通过车载传感器中的激光雷达获取感知范围内的第一局部点云数据，第一局部点云数据中包括对局部区域内环境的多个采样点，且各采样点的三维坐标信息和对激光雷达的反射强度信息也记录在第一局部点云数据中。

S202：压缩各第一局部点云数据，得到行驶至各第一路径点时待标注区域在鸟瞰视图下的第一局部平面数据，各第一局部平面数据均包括第一局部强度图和第一局部高度图，第一局部强度图携带第一局部点云数据中各采样点的反射强度信息，第一局部高度图携带第一局部点云数据中各采样点与车辆的相对高度信息。

第一局部点云数据包括多个采样点，各采样点具有不同的高度，对第一局部点云数据进行压缩处理，使不同高度的采样点落在同一张二维图像中，二维图像包括阵列排布的多个像素点，各像素点的大小由预设压缩精度决定，例如可以取5cm为一个像素点，则在点云分布密集的区域，各像素点中可以落入有一个或多个采样点，在点云分布稀疏的区域，存在某些像素点没有落入任何采样点。将各采样点对激光雷达的反射强度信息赋给二维图像时，生成第一局部点云数据对应的第一局部强度图，将各采样点与车辆的相对高度信息赋给二维图像时，生成第一局部点云数据对应的第一局部高度图。如图4和图5所示，分别为某个第一路径点处得到的第一局部强度图和第一局部高度图的可视化结果。

在生成第一局部强度图和第一局部高度图之前，先解析所采集的每一帧第一局部点云数据，过滤掉相对于车辆的自车坐标系下指定范围以外的点云，以防止较高的采样点(如树木、涵洞等上方的采样点）对生成较干净的鸟瞰视图造成干扰，其中指定范围指以自车坐标系的坐标原点为中心，在指定高度以内的范围。

在一种实施例中，S202具体包括：获取车载传感器在目标第一路径点时的目标第一局部点云数据，目标第一局部点云数据包括多帧点云，每帧点云包括多个采样点，各采样点携带三维坐标信息和反射强度信息；获取车辆在目标第一路径点处的位姿，根据位姿和目标第一局部点云数据中各采样点的三维坐标信息，确定各采样点与车辆的相对高度信息；压缩目标第一局部点云数据的多帧点云，得到鸟瞰图像目标，根据鸟瞰图像目标和各采样点与车辆的相对高度信息，生成目标第一局部点云数据对应的第一局部高度图，根据鸟瞰图像目标和各采样点的反射强度信息，生成目标第一局部点云数据对应的第一局部强度图。

车载传感器在每个第一路径点处均需要采集多帧点云，依次将每个第一路径点作为目标第一路径点，在目标第一路径点处采集多帧点云形成目标第一局部点云数据，然后将属于目标第一局部点云数据的多帧点云压缩至同一鸟瞰图像目标中，由于每帧点云本身较为稀疏，后续在进行标注和识别路面元素时较为困难，将多帧点云叠加压缩可以增加点云密度，以提高后续标注和识别的准确性。在叠加后，只保留制作高精度地图所需的地面元素，对于待标注区域内的一些干扰采样点，如明显属于其他车辆、行人、障碍物等的采样点，先进行初步去除操作，以提升后续标注和识别的准确率。

在生成第一局部强度图和第一局部高度图中，先需要从目标第一局部点云数据的每帧点云中获取各采样点的三维坐标信息和对激光雷达的反射强度信息。采样点的三维坐标信息用于表征其在实际空间中的位置，当车辆行驶时，路面元素与车辆的相对位置会发生变化，则想要获取各采样点与车辆的相对高度信息，需要先获取车辆的位姿，再根据采样点的三维坐标信息、车辆位姿、以及车载传感器与车辆之间的外参等，得到各采样点与车辆的相对高度信息，将相对高度信息赋给鸟瞰图像目标，生成目标第一局部点云数据对应的第一局部高度图，将反射强度信息赋给鸟瞰图像目标，得到目标第一局部点云数据对应的第一局部强度图。

在一种实施例中，压缩目标第一局部点云数据的多帧点云，得到鸟瞰图像目标，根据鸟瞰图像目标和各采样点与车辆的相对高度信息，生成目标第一局部点云数据对应的第一局部高度图，根据鸟瞰图像目标和各采样点的反射强度信息，生成目标第一局部点云数据对应的第一局部强度图的步骤，具体包括：压缩目标第一局部点云数据的多帧点云，得到鸟瞰图像目标，鸟瞰图像目标包括多个像素点，根据压缩操作确定目标第一局部点云数据中各采样点与鸟瞰图像目标中各像素点的对应关系；根据对应关系，将包括至少一个采样点的像素点确定为目标像素点，将目标像素点中与车辆的相对高度最低的采样点确定为目标采样点；根据鸟瞰图像目标和目标采样点与车辆的相对高度信息，生成第一局部高度图，根据鸟瞰图像目标和目标采样点的反射强度信息，生成第一局部强度图。

鸟瞰图像目标为上述实施例中提到的二维图像，其包括阵列排布的多个像素点，在点云压缩后，点云的分布有密有疏，会造成一些像素点落入有至少一个采样点，而另外一些像素点中未落入采样点，将落入有至少一个采样点的像素点确定为目标像素点，获取目标像素点中所有采样点与车辆的相对高度，将相对高度最低的采样点确定为目标采样点。目标像素点中落入的采样点均为水平距离较为接近的采样点，但各采样点的高度可能不同，如路面上某条车道线的采样点和该车道线上方树木的采样点可能落在同一目标像素点中，但只有车道线的采样点才是所需的数据，树木的采样点为干扰数据，因此对于每个目标像素点，均取其中相对高度最低的目标采样点，将目标采样点的相对高度信息赋给鸟瞰图像目标，生成第一局部高度图。同样地，将目标采样点的反射强度信息赋给鸟瞰图像目标，生成第一局部强度图。在生成的第一局部高度图中，每个目标像素点均携带目标采样点的相对高度信息，在生成的第一局部强度图中，每个目标像素点均携带目标采样点的反射强度信息。

S203：以各第一局部平面数据为输入数据，调用语义分割模型得到各第一局部平面数据中各像素点的第一语义分割标签，根据第一语义分割标签，确定待标注区域的所有前景像素点。

第一局部高度图以采样点的相对高度信息作为通道信息，第一局部强度图以采样点的反射强度信息作为通道信息，将目标第一路径点处获得的第一局部高度图和第一局部强度图的通道信息融合，形成两通道的输入数据，调用训练后的语义分割模型可以得到第一局部强度图中各像素点的第一语义分割标签或第一局部高度图中各像素点的第一语义分割标签。第一语义分割标签用于表示该语义的类别，第一语义分割标签可以是数字、代码、文字等，用于表示该语义的类别，如是某条车道线、停止线或者路面等。在每组第一局部强度图和第一局部高度图调用语义分割模型并得到输出结果后，将所有输出结果汇总，可以得到待标注区域对应的所有像素点的第一语义分割标签，根据各第一语义分割标签的具体内容，确定出哪些像素点是属于路面元素的前景像素点，哪些像素点是属于路面的背景像素点，只保留所有前景像素点，如图7所示，为语义分割后的可视化结果，其中白色的线条表示待标注区域的所有前景像素点。

由于第一局部强度图为鸟瞰视图下的平面图像，当仅采用第一局部强度图为输入数据调用语义分割模型进行分割时，如果存在某些非路面采样点，其也会产生反射强度信息，则可能会由于平面图像无法提供高度信息造成语义分割错误，将非路面采样点也进行语义分割，使其成为路面元素的一部分，对后续标注带来干扰。在本发明中，采用第一局部高度图和第一局部强度图的双通道信息作为输入数据，由于车辆在行驶时，路面与车辆之间的相对高度是固定的，则路面上的有效采样点与车辆之间的相对高度在一个相对稳定的范围内，超过这个范围则表示该采样点不属于路面元素，因此综合考虑反射强度信息和相对高度信息，在调用语义分割模型后得到的输出数据的健壮性会较高，使得后续生成的高精度地图更加准确。

在一种实施例中，在S201之前，还包括步骤：获取车辆在预设标注区域的第二行车轨迹，第二行车轨迹包括多个第二路径点，根据第二行车轨迹和车辆上的车载传感器，得到行驶至各第二路径点时预设标注区域的第二局部点云数据；压缩各第二局部点云数据，得到行驶至各第二路径点时预设标注区域在鸟瞰视图下的第二局部平面数据，各第二局部平面数据均包括第二局部强度图和第二局部高度图，第二局部强度图携带第二局部点云数据中各采样点的反射强度信息，第二局部高度图携带第二局部点云数据中各采样点与车辆的相对高度信息；标注各第二局部平面数据，得到各第二局部平面数据中各像素点的第二语义分割标签；以各第二局部平面数据作为训练输入数据，各像素点的第二语义分割标签作为训练输出数据，训练语义分割模型。

语义分割模型为深度学习模块，其在训练后具有强大的学习能力。在初始对语义分割模型进行训练时，先选取一预设标注区域，控制车辆在预设标注区域内行驶，得到第二行车轨迹和对应的多个第二路径点，然后通过车载传感器获得行驶至各第二路径点时预设标注区域的第二局部点云数据，并通过压缩处理得到行驶至各第二路径点时预设标注区域在鸟瞰视图下的第二局部平面数据，各第二局部平面数据均包括第二局部强度图和第二局部高度图。此阶段的具体实施方式可参阅上述实施例中步骤S201和S202，在此不再赘述。

在得到第二局部强度图和第二局部高度图后，通过人工标注对第二局部平面数据中的各像素点进行语义分割，得到各像素点的第二语义分割标签，然后以第二局部强度图和第二局部高度图作为训练输入数据，各第二局部平面数据中各像素点的第二语义分割标签作为训练输出数据，对语义分割模型进行多次训练，直至输入某个第二局部强度图和第二局部高度图后，实际输出的各像素点的语义分割结果与第二语义分割标签的误差在允许范围内。

在一种实施例中，标注各第二局部平面数据，得到各第二局部平面数据中各像素点的第二语义分割标签的步骤，包括：融合各第二局部强度图，得到预设标注区域的预设全局强度图；标注预设全局强度图，得到预设全局强度图中各像素点的第二语义分割标签；将预设标注区域的各第二局部强度图和各第二局部高度图中的其中一类作为目标类图，拆分第二语义分割标签至目标类图中，得到目标类图中各像素点的第二语义分割标签。

在得到各第二局部强度图后，对所有的第二局部强度图进行融合和拼接处理，得到预设标注区域的预设全局强度图，如图6所示，为预设全局强度图的可视化示意图，然后直接对预设全局强度图中的各地面元素进行人工标注，得到各地面元素的第二语义分割标签，则各地面元素对应的像素点也携带有这些第二语义分割标签，将预设标注区域的各第二局部强度图和各第二局部高度图中的其中一类作为目标类图，即可以将各第二局部强度图作为目标类图，或者将各第二局部高度图作为目标类图，然后根据预设全局强度图中各像素点，到各第二局部强度图或各第二局部高度图中找到对应的像素点，将第二语义分割标签拆分到第二局部强度图或第二局部高度图中，则可以使第二局部强度图中的各像素点与第二语义分割标签关联，或者第二局部高度图中各像素点与第二语义分割标签关联。采用先在预设全局强度图中标注再拆分的方式，相对于对每个第二局部强度图或每个第二局部高度图直接进行语义分割，只用分割一次，效率更高，可较大节省标注人力和时间成本。在拆分时，由于第二局部强度图和第二局部高度图中各像素点是一一对应的，当第二局部强度图和第二局部高度图中的其中一者与第二语义分割标签关联后，另一者也具有了与第二语义分割标签的关联，因此只需要对将预设全局强度图中各像素点的第二语义分割标签拆分至其中一类图中即可。

在S203中，调用上述步骤训练好的语义分割模型，利用深度学习模型强大的学习能力，可迅速得到各第一局部平面数据中各像素点的第一语义分割标签。

在一种实施例中，S203具体又包括：根据第一行车轨迹和车载传感器，得到行驶至各第一路径点时待标注区域的第一局部图像数据；识别各第一局部图像数据中的地面元素，并根据识别结果对各第一局部平面数据中的各像素点进行颜色赋值；以颜色赋值后的各第一局部平面数据为输入数据，调用语义分割模型得到各第一局部平面数据中各像素点的第一语义分割标签。

车载传感器中的激光雷达用于获取第一局部点云数据，第一局部点云数据中存储有各采样点对激光的反射强度信息，车载传感器中的相机用于获取第一局部图像数据，第一局部图像数据对各地面元素的颜色信息可以较为清楚地显示，如可以显示有几条车道线和几条停止线、以及各线的大致分布位置。对第一局部图像数据中的各地面元素进行识别，然后根据识别结果对各第一局部平面数据中的各像素点进行颜色赋值，使第一局部平面数据中的各像素点携带颜色信息，然后将具有颜色赋值的各第一局部平面数据作为输入数据，进行模型调用，得到各像素点的第一语义分割标签。采用图像和点云结合的方式，图像提供各地面元素的颜色信息，点云提供各地面元素的准确位置信息，两者组合作为输入数据，使得语义分割的效果更为准确。需要说明的是，在使用图像和点云结合的方式调用语义分割模型时，在对语义分割模型进行训练时，也同样需要以图像和点云的结合数据作为训练输入数据。

S204：对所有前景像素点进行聚类，得到待标注区域中各地面元素的标注结果。

在得到各前景像素点的第一语义分割标签后，将语义相同的各前景像素点进行聚类，从而得到各地面元素的实例，其中聚类具体为密度聚类。如图8所示，为密度聚类后的可视化结果，每条线为一个实例，属于一个地面元素。

聚类将属于同一地面元素的各像素点聚在一起，由于聚类形成的实例具有一定的宽度，而最终高精度地图需要的车道线或停止线等为具体的线条，则在得到各地面元素的实例后，需要对每个实例以预设线条方向依次取出多个点，以构造出实际需要的车道线或停止线的格式。具体地，构建一个坐标系，包括x轴和y轴，当对某个实例以x轴方向为预设线条方向时，沿x轴方向从该实例中依次取多个点，且对于同一x值，只取一个点，取出的各点最终形成一个具有具体轮廓的线条，且线条具有其对应的标识如第几车道线或第几停止线，线条及其对应的标识共同形成标注结果。

在一种实施例中，S204具体包括：对所有前景像素点进行聚类，得到待标注区域中各地面元素的实例；获取各第一路径点的坐标信息，根据各第一路径点的坐标信息和各前景像素点关联的与车辆的相对高度信息，去除异常实例；根据剩余实例得到待标注区域中各地面元素的标注结果。在聚类得到各实例后，需要对各实例进行一次筛选，抛弃一些点较少的实例，此外，还需要根据各第一路径点的坐标信息和各前景像素点关联的与车辆的相对高度信息去除异常实例，如果对比某个实例中各前景像素点关联的与车辆的相对高度信息和第一路径点的坐标信息后，发现该前景像素点对应的相对高度过高，已经超过第一路径点的预设高度范围，则表示该前景像素点对应的采样点不是路面元素的点，则相应地该实例可能是建筑物的边缘或树木的枝干等非地面元素，为异常实例，需要去除。在去除后，对剩余实例再通过上述实施例中的步骤进行取点等操作，最后得到标注结果。以第一路径点作为参考可过滤到很多错误的点和实例，提高了标注结果的准确性。

S205：根据标注结果，生成待标注区域对应的高精度地图。

在得到各地面元素的标注结果后，将标注结果保存为特定的格式，并与高精度地图所需的其他元素的标注结果进行结合和其他处理，最终生成待标注区域对应的高精度地图。

在一种实施例中，S205之后还包括：对各第一局部平面数据中各像素点的第一语义分割标签进行修正；以各第一局部平面数据作为训练输入数据，修正后的各像素点的第一语义分割标签作为训练输出数据，对语义分割模型进行迭代训练。对于深度学习模型，无论其精度有多高，总会有可能出现误检漏检的情况，在进行语义分割后，通过人工筛选和微调，对各第一局部平面数据中各像素点的第一语义分割标签进行修正，修正包括选中第一语义分割标签的正确输出、添加漏掉的像素点的第一语义分割标签、以及微调不精确的部分，在修正后得到各像素点的新的第一语义分割标签。在生成待标注区域对应的高精度地图后，该待标注区域已经标注完成，在标注过程中产生的各第一局部平面数据和修正后的各像素点的第一语义分割标签作为新的训练样本，使用该训练样本对语义分割模型进行迭代训练。后续每对一个待标注区域进行一次标注，都会产生新的训练样本，如此循环迭代，语义分割模型的效果越来越好，人工处理越来越少，可以较大提升高精度地图制作效率并降低制作的人力和时间成本。

通过上述实施例可知，本发明在对待标注区域的第一局部点云数据经过处理后，可以结合语义分割、聚类等方法自动标注路面元素，以生成高精度地图，由于过程中不需要过多人工参与，因此降低了高精度地图制作的时间和人力成本，提高了制作效率，且在调用语义分割模型时以第一局部强度图和第一局部高度图作为输入数据，综合考虑了各采样点的反射强度信息和相对高度信息，可以减少非路面元素的采样点的干扰，因此提高了语义分割的健壮性，使得最终生成的高精度地图更加准确。此外，在对每个待标注区域进行自动标注后，对自动标注的结果进行修正，并以此产生新的训练样本对模型进行迭代训练，这样的循环迭代过程只需在初期时对预设标注区域的点云数据进行标注并以此作为训练样本，后续则不需要再单独为此标注训练样本，形成良性循环，且迭代训练使得模型的效果越来越好，需要人工处理的部分也越来越少，进一步提升了高精度地图的制作效率并降低了制作的人力和时间成本。

相应的，图9为本发明的高精度地图生成方法装置的结构示意图，请参阅图9，该高精度地图生成方法装置包括：

获取模块110，用于获取车辆的第一行车轨迹，第一行车轨迹包括多个第一路径点，根据第一行车轨迹确定待标注区域，根据第一行车轨迹和车辆上的车载传感器，得到行驶至各第一路径点时待标注区域的第一局部点云数据；

压缩模块120，用于压缩各第一局部点云数据，得到行驶至各第一路径点时待标注区域在鸟瞰视图下的第一局部平面数据，各第一局部平面数据均包括第一局部强度图和第一局部高度图，第一局部强度图携带第一局部点云数据中各采样点的反射强度信息，第一局部高度图携带第一局部点云数据中各采样点与车辆的相对高度信息；

调用模块130，用于以各第一局部平面数据为输入数据，调用语义分割模型得到各第一局部平面数据中各像素点的第一语义分割标签，根据第一语义分割标签，确定待标注区域的所有前景像素点；

聚类模块140，用于对所有前景像素点进行聚类，得到待标注区域中各地面元素的标注结果；

生成模块150，用于根据标注结果，生成待标注区域对应的高精度地图。

在一种实施例中，高精度地图生成方法装置还包括在获取模块110之前工作的多个模块，具体包括：

第一得到模块，用于获取车辆在预设标注区域的第二行车轨迹，第二行车轨迹包括多个第二路径点，根据第二行车轨迹和车辆上的车载传感器，得到行驶至各第二路径点时预设标注区域的第二局部点云数据；

第二得到模块，用于压缩各第二局部点云数据，得到行驶至各第二路径点时预设标注区域在鸟瞰视图下的第二局部平面数据，各第二局部平面数据均包括第二局部强度图和第二局部高度图，第二局部强度图携带第二局部点云数据中各采样点的反射强度信息，第二局部高度图携带第二局部点云数据中各采样点与车辆的相对高度信息；

第三得到模块，用于标注各第二局部平面数据，得到各第二局部平面数据中各像素点的第二语义分割标签；

第一训练模块，用于以各第二局部平面数据作为训练输入数据，各像素点的第二语义分割标签作为训练输出数据，训练语义分割模型。

在一种实施例中，第三得到模块包括：

第一得到子模块，用于融合各第二局部强度图，得到预设标注区域的预设全局强度图；

第二得到子模块，用于标注预设全局强度图，得到预设全局强度图中各像素点的第二语义分割标签；

第三得到子模块，用于将预设标注区域的各第二局部强度图和各第二局部高度图中的其中一类作为目标类图，拆分第二语义分割标签至目标类图中，得到目标类图中各像素点的第二语义分割标签。

在一种实施例中，压缩模块120包括：

获取子模块，用于获取车载传感器在目标第一路径点时的目标第一局部点云数据，目标第一局部点云数据包括多帧点云，每帧点云包括多个采样点，各采样点携带三维坐标信息和反射强度信息；

确定子模块，用于获取车辆在目标第一路径点处的位姿，根据位姿和目标第一局部点云数据中各采样点的三维坐标信息，确定各采样点与车辆的相对高度信息；

生成子模块，用于压缩目标第一局部点云数据的多帧点云，得到鸟瞰图像目标，根据鸟瞰图像目标和各采样点与车辆的相对高度信息，生成目标第一局部点云数据对应的第一局部高度图，根据鸟瞰图像目标和各采样点的反射强度信息，生成目标第一局部点云数据对应的第一局部强度图。

在一种实施例中，生成子模块用于，压缩目标第一局部点云数据的多帧点云，得到鸟瞰图像目标，鸟瞰图像目标包括多个像素点，根据压缩操作确定目标第一局部点云数据中各采样点与鸟瞰图像目标中各像素点的对应关系；根据对应关系，将包括至少一个采样点的像素点确定为目标像素点，将目标像素点中与车辆的相对高度最低的采样点确定为目标采样点；根据鸟瞰图像目标和目标采样点与车辆的相对高度信息，生成第一局部高度图，根据鸟瞰图像目标和目标采样点的反射强度信息，生成第一局部强度图。

在一种实施例中，聚类模块140包括：

第四得到子模块，用于对所有前景像素点进行聚类，得到待标注区域中各地面元素的实例；

去除子模块，用于获取各第一路径点的坐标信息，根据各第一路径点的坐标信息和各前景像素点关联的与车辆的相对高度信息，去除异常实例；

第五得到子模块，用于根据剩余实例得到待标注区域中各地面元素的标注结果。

在一种实施例中，调用模块130包括：

第六得到子模块，用于根据第一行车轨迹和车载传感器，得到行驶至各第一路径点时待标注区域的第一局部图像数据；

识别子模块，用于识别各第一局部图像数据中的地面元素，并根据识别结果对各第一局部平面数据中的各像素点进行颜色赋值；

调用子模块，用于以颜色赋值后的各第一局部平面数据为输入数据，调用语义分割模型得到各第一局部平面数据中各像素点的第一语义分割标签。

在一种实施例中，高精度地图生成方法装置还包括在生成模块150之后工作的多个模块，具体包括：

修正模块，用于对各第一局部平面数据中各像素点的第一语义分割标签进行修正；

第二训练模块，用于以各第一局部平面数据作为训练输入数据，修正后的各像素点的第一语义分割标签作为训练输出数据，对语义分割模型进行迭代训练。

区别于现有技术，本发明提供的高精度地图生成方法装置，在对待标注区域的第一局部点云数据经过处理后，可以结合语义分割、聚类等方法自动标注路面元素，以生成高精度地图，由于过程中不需要过多人工参与，因此降低了高精度地图制作的时间和人力成本，提高了制作效率，且在调用语义分割模型时以第一局部强度图和第一局部高度图作为输入数据，综合考虑了各采样点的反射强度信息和相对高度信息，可以减少非路面元素的采样点的干扰，因此提高了语义分割的健壮性，使得最终生成的高精度地图更加准确。此外，在对每个待标注区域进行自动标注后，对自动标注的结果进行修正，并以此产生新的训练样本对模型进行迭代训练，这样的循环迭代过程只需在初期时对预设标注区域的点云数据进行标注并以此作为训练样本，后续则不需要再单独为此标注训练样本，形成良性循环，且迭代训练使得模型的效果越来越好，需要人工处理的部分也越来越少，进一步提升了高精度地图的制作效率并降低了制作的人力和时间成本。

相应地，本发明还提供一种电子设备，如图10所示，该电子设备可以包括射频电路1001、包括有一个或一个以上计算机可读存储介质的存储器1002、输入单元1003、显示单元1004、传感器1005、音频电路1006、WiFi模块1007、包括有一个或者一个以上处理核心的处理器1008以及电源1009等部件。本领域技术人员可以理解，图10中示出的电子设备结构并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：

射频电路1001可用于收发信息或通话过程中，信号的接收和发送，特别地，将基站的下行信息接收后，交由一个或者一个以上处理器1008处理；另外，将涉及上行的数据发送给基站。存储器1002可用于存储软件程序以及模块，处理器1008通过运行存储在存储器1002的软件程序以及模块，从而执行各种功能应用以及数据处理。输入单元1003可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。

显示单元1004可用于显示由用户输入的信息或提供给用户的信息以及电子设备的各种图形用户接口，这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。

电子设备还可包括至少一种传感器1005，比如光传感器、运动传感器以及其他传感器。音频电路1006包括扬声器，扬声器可提供用户与电子设备之间的音频接口。

WiFi属于短距离无线传输技术，电子设备通过WiFi模块1007可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图10示出了WiFi模块1007，但是可以理解的是，其并不属于电子设备的必须构成，完全可以根据需要在不改变申请的本质的范围内而省略。

处理器1008是电子设备的控制中心，利用各种接口和线路连接整个手机的各个部分，通过运行或执行存储在存储器1002内的软件程序和/或模块，以及调用存储在存储器1002内的数据，执行电子设备的各种功能和处理数据，从而对手机进行整体监控。

电子设备还包括给各个部件供电的电源1009（比如电池），优选的，电源可以通过电源管理系统与处理器1008逻辑相连，从而通过电源管理系统实现管理充电、放电以及功耗管理等功能。

尽管未示出，电子设备还可以包括摄像头、蓝牙模块等，在此不再赘述。具体在本实施例中，电子设备中的处理器1008会按照如下指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器1002中并由处理器1008来运行存储在存储器1002中的应用程序，从而实现以下功能：

获取车辆的第一行车轨迹，第一行车轨迹包括多个第一路径点，根据第一行车轨迹确定待标注区域，根据第一行车轨迹和车辆上的车载传感器，得到行驶至各第一路径点时待标注区域的第一局部点云数据；压缩各第一局部点云数据，得到行驶至各第一路径点时待标注区域在鸟瞰视图下的第一局部平面数据，各第一局部平面数据均包括第一局部强度图和第一局部高度图，第一局部强度图携带第一局部点云数据中各采样点的反射强度信息，第一局部高度图携带第一局部点云数据中各采样点与车辆的相对高度信息；以各第一局部平面数据为输入数据，调用语义分割模型得到各第一局部平面数据中各像素点的第一语义分割标签，根据第一语义分割标签，确定待标注区域的所有前景像素点；对所有前景像素点进行聚类，得到待标注区域中各地面元素的标注结果；根据标注结果，生成待标注区域对应的高精度地图。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。

为此，本发明提供一种计算机可读存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以实现以下功能：

获取车辆的第一行车轨迹，第一行车轨迹包括多个第一路径点，根据第一行车轨迹确定待标注区域，根据第一行车轨迹和车辆上的车载传感器，得到行驶至各第一路径点时待标注区域的第一局部点云数据；压缩各第一局部点云数据，得到行驶至各第一路径点时待标注区域在鸟瞰视图下的第一局部平面数据，各第一局部平面数据均包括第一局部强度图和第一局部高度图，第一局部强度图携带第一局部点云数据中各采样点的反射强度信息，第一局部高度图携带第一局部点云数据中各采样点与车辆的相对高度信息；以各第一局部平面数据为输入数据，调用语义分割模型得到各第一局部平面数据中各像素点的第一语义分割标签，根据第一语义分割标签，确定待标注区域的所有前景像素点；对所有前景像素点进行聚类，得到待标注区域中各地面元素的标注结果；根据标注结果，生成待标注区域对应的高精度地图。

以上各个操作的具体实施可参见前面的实施例，在此不再赘述。

其中，该计算机可读存储介质可以包括：只读存储器（ROM，Read Only Memory）、随机存取记忆体（RAM，Random Access Memory）、磁盘或光盘等。

由于该计算机可读存储介质中所存储的指令，可以执行本发明所提供的任一种方法中的步骤，因此，可以实现本发明所提供的任一种方法所能实现的有益效果，详见前面的实施例，在此不再赘述。

以上对本发明所提供的一种高精度地图生成方法、装置、电子设备和存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的技术方案及其核心思想；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的技术方案的范围。

Claims (10)

1.一种高精度地图生成方法，其特征在于，包括：

获取车辆的第一行车轨迹，所述第一行车轨迹包括多个第一路径点，根据所述第一行车轨迹确定待标注区域，根据所述第一行车轨迹和所述车辆上的车载传感器，得到行驶至各第一路径点时所述待标注区域的第一局部点云数据；

压缩各第一局部点云数据，得到行驶至各第一路径点时所述待标注区域在鸟瞰视图下的第一局部平面数据，各第一局部平面数据均包括第一局部强度图和第一局部高度图，所述第一局部强度图携带第一局部点云数据中各采样点的反射强度信息，所述第一局部高度图携带第一局部点云数据中各采样点与所述车辆的相对高度信息；

以各第一局部平面数据为输入数据，调用语义分割模型得到各第一局部平面数据中各像素点的第一语义分割标签，根据所述第一语义分割标签，确定所述待标注区域的所有前景像素点；

对所有前景像素点进行聚类，得到所述待标注区域中各地面元素的标注结果；

根据所述标注结果，生成所述待标注区域对应的高精度地图。

2.如权利要求1所述的高精度地图生成方法，其特征在于，在获取车辆的第一行车轨迹的步骤之前，还包括：

获取车辆在预设标注区域的第二行车轨迹，所述第二行车轨迹包括多个第二路径点，根据所述第二行车轨迹和所述车辆上的车载传感器，得到行驶至各第二路径点时所述预设标注区域的第二局部点云数据；

压缩各第二局部点云数据，得到行驶至各第二路径点时所述预设标注区域在鸟瞰视图下的第二局部平面数据，各第二局部平面数据均包括第二局部强度图和第二局部高度图，所述第二局部强度图携带第二局部点云数据中各采样点的反射强度信息，所述第二局部高度图携带第二局部点云数据中各采样点与所述车辆的相对高度信息；

标注各第二局部平面数据，得到各第二局部平面数据中各像素点的第二语义分割标签；

以各第二局部平面数据作为训练输入数据，各像素点的第二语义分割标签作为训练输出数据，训练语义分割模型。

3.如权利要求2所述的高精度地图生成方法，其特征在于，标注各第二局部平面数据，得到各第二局部平面数据中各像素点的第二语义分割标签的步骤，包括：

融合各第二局部强度图，得到所述预设标注区域的预设全局强度图；

标注所述预设全局强度图，得到所述预设全局强度图中各像素点的第二语义分割标签；

将所述预设标注区域的各第二局部强度图和各第二局部高度图中的其中一类作为目标类图，拆分所述第二语义分割标签至所述目标类图中，得到所述目标类图中各像素点的第二语义分割标签。

4.如权利要求1所述的高精度地图生成方法，其特征在于，压缩各第一局部点云数据，得到行驶至各第一路径点时所述待标注区域在鸟瞰视图下的第一局部平面数据，各第一局部平面数据均包括第一局部强度图和第一局部高度图的步骤，包括：

获取所述车载传感器在目标第一路径点时的目标第一局部点云数据，所述目标第一局部点云数据包括多帧点云，每帧点云包括多个采样点，各采样点携带三维坐标信息和反射强度信息；

获取车辆在所述目标第一路径点处的位姿，根据所述位姿和所述目标第一局部点云数据中各采样点的三维坐标信息，确定各采样点与所述车辆的相对高度信息；

压缩所述目标第一局部点云数据的多帧点云，得到鸟瞰图像目标，根据所述鸟瞰图像目标和各采样点与所述车辆的相对高度信息，生成所述目标第一局部点云数据对应的第一局部高度图，根据所述鸟瞰图像目标和各采样点的反射强度信息，生成所述目标第一局部点云数据对应的第一局部强度图。

5.如权利要求4所述的高精度地图生成方法，其特征在于，压缩所述目标第一局部点云数据的多帧点云，得到鸟瞰图像目标，根据所述鸟瞰图像目标和各采样点与所述车辆的相对高度信息，生成所述目标第一局部点云数据对应的第一局部高度图，根据所述鸟瞰图像目标和各采样点的反射强度信息，生成所述目标第一局部点云数据对应的第一局部强度图的步骤，包括：

压缩所述目标第一局部点云数据的多帧点云，得到鸟瞰图像目标，所述鸟瞰图像目标包括多个像素点，根据压缩操作确定所述目标第一局部点云数据中各采样点与所述鸟瞰图像目标中各像素点的对应关系；

根据所述对应关系，将包括至少一个采样点的像素点确定为目标像素点，将所述目标像素点中与所述车辆的相对高度最低的采样点确定为目标采样点；

根据所述鸟瞰图像目标和所述目标采样点与所述车辆的相对高度信息，生成所述第一局部高度图，根据所述鸟瞰图像目标和所述目标采样点的反射强度信息，生成所述第一局部强度图。

6.如权利要求1所述的高精度地图生成方法，其特征在于，对所有前景像素点进行聚类，得到所述待标注区域中各地面元素的标注结果的步骤，包括：

对所有前景像素点进行聚类，得到所述待标注区域中各地面元素的实例；

获取各第一路径点的坐标信息，根据各第一路径点的坐标信息和各前景像素点关联的与所述车辆的相对高度信息，去除异常实例；

根据剩余实例得到所述待标注区域中各地面元素的标注结果。

7.如权利要求1所述的高精度地图生成方法，其特征在于，以各第一局部平面数据为输入数据，调用语义分割模型得到各第一局部平面数据中各像素点的第一语义分割标签的步骤，包括：

根据所述第一行车轨迹和所述车载传感器，得到行驶至各第一路径点时所述待标注区域的第一局部图像数据；

识别各第一局部图像数据中的地面元素，并根据识别结果对各第一局部平面数据中的各像素点进行颜色赋值；

以颜色赋值后的各第一局部平面数据为输入数据，调用语义分割模型得到各第一局部平面数据中各像素点的第一语义分割标签。

8.如权利要求1所述的高精度地图生成方法，其特征在于，在根据所述标注结果，生成所述待标注区域对应的高精度地图的步骤之后，还包括：

对各第一局部平面数据中各像素点的第一语义分割标签进行修正；

以各第一局部平面数据作为训练输入数据，修正后的各像素点的第一语义分割标签作为训练输出数据，对所述语义分割模型进行迭代训练。

9.一种高精度地图生成方法装置，其特征在于，包括：

获取模块，用于获取车辆的第一行车轨迹，所述第一行车轨迹包括多个第一路径点，根据所述第一行车轨迹确定待标注区域，根据所述第一行车轨迹和所述车辆上的车载传感器，得到行驶至各第一路径点时所述待标注区域的第一局部点云数据；

压缩模块，用于压缩各第一局部点云数据，得到行驶至各第一路径点时所述待标注区域在鸟瞰视图下的第一局部平面数据，各第一局部平面数据均包括第一局部强度图和第一局部高度图，所述第一局部强度图携带第一局部点云数据中各采样点的反射强度信息，所述第一局部高度图携带第一局部点云数据中各采样点与所述车辆的相对高度信息；

调用模块，用于以各第一局部平面数据为输入数据，调用语义分割模型得到各第一局部平面数据中各像素点的第一语义分割标签，根据所述第一语义分割标签，确定所述待标注区域的所有前景像素点；

聚类模块，用于对所有前景像素点进行聚类，得到所述待标注区域中各地面元素的标注结果；

生成模块，用于根据所述标注结果，生成所述待标注区域对应的高精度地图。

10.一种电子设备，其特征在于，包括存储器和处理器；所述存储器存储有应用程序，所述处理器用于运行所述存储器内的应用程序，以执行权利要求1至8任一项所述的高精度地图生成方法中的操作。

Images