CN113724388B - 高精地图的生成方法、装置、设备以及存储介质 - Google Patents

Abstract

本公开提供了高精地图的生成方法、装置、设备以及存储介质，涉及计算机技术领域，尤其涉及自动驾驶技术领域。具体实现方案为：基于目标区域的图像数据，构建目标区域对应的第一局部地图；基于目标区域的激光点云数据，构建目标区域对应的第二局部地图；对第一局部地图和第二局部地图进行配准，得到目标区域的局部高精地图。根据本公开的技术，无需依赖离线地图即可实时地生成目标区域的局部高精地图，并且得到的局部高精地图的精度较高，有利于提高自动驾驶车辆的定位、路径规划以及导航等功能的可靠性和精准度。

Description

高精地图的生成方法、装置、设备以及存储介质

技术领域

本公开涉及计算机技术领域，尤其涉及自动驾驶技术领域。

背景技术

高精地图是自动驾驶的核心模块，用于实现自动驾驶车辆的定位、感知以及提供行驶环境的静态理解能力。

相关技术中，高精地图通常为预先生产的离线地图，且生产流程包括数据采集、点云拼接、自动化标注、人工标注、人工质检、仿真测试和路测等环节，存在生产周期长、成本高、精度低等缺陷。

发明内容

本公开提供了一种高精地图的生成方法、装置、设备以及存储介质。

根据本公开的一方面，提供了一种高精地图的生成方法，包括：

基于目标区域的图像数据，构建目标区域对应的第一局部地图；

基于目标区域的激光点云数据，构建目标区域对应的第二局部地图；

对第一局部地图和第二局部地图进行配准，得到目标区域的局部高精地图。

根据本公开的另一方面，提供了一种高精地图的生成装置，包括：

第一局部地图构建模块，用于基于目标区域的图像数据，构建目标区域对应的第一局部地图；

第二局部地图构建模块，用于基于目标区域的激光点云数据，构建目标区域对应的第二局部地图；

局部高精地图生成模块，用于对第一局部地图和第二局部地图进行配准，得到目标区域的局部高精地图。

根据本公开的另一方面，提供了一种电子设备，包括：

至少一个处理器；以及

与该至少一个处理器通信连接的存储器；其中，

该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行本公开任一实施例中的方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机执行本公开任一实施例中的方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现本公开任一实施例中的方法。

根据本公开的技术，无需依赖离线地图即可实时地生成目标区域的局部高精地图，并且得到的局部高精地图的精度较高，有利于提高自动驾驶车辆的定位、路径规划以及导航等功能的可靠性和精准度。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开实施例的高精地图的生成方法的流程图；

图2是根据本公开实施例的方法中的构建第一局部地图的流程图；

图3是根据本公开实施例的方法中的构建第二局部地图的流程图；

图4是根据本公开实施例的方法中的生成局部高精地图的流程图；

图5是根据本公开实施例的方法中的对第一点集和第二点集进行配准的具体流程图；

图6是根据本公开实施例的方法的具体示例图；

图7是根据本公开实施例的高精地图的生成装置的框图；

图8是用来实现本公开实施例的方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

下面参考图1至图5描述根据本公开实施例的高精地图的生成方法。

图1示出了根据本公开实施例的高精地图的生成方法的流程图。如图1所示，该方法包括以下步骤：

S101：基于目标区域的图像数据，构建目标区域对应的第一局部地图；

S102：基于目标区域的激光点云数据，构建目标区域对应的第二局部地图；

S103：对第一局部地图和第二局部地图进行配准，得到目标区域的局部高精地图。

本公开实施例的高精地图的生成方法可以应用于自动驾驶领域，用于使自动驾驶车辆在行驶过程中生成关于目标区域的局部高精地图。其中，目标区域可以为车辆的前方区域或侧方区域。

示例性地，在步骤S101中，可以通过安装在自动驾驶车辆上的视觉传感器对目标区域进行拍摄，得到目标区域的图像数据。其中，视觉传感器可以为相机或者摄像头；图像数据可以是任意格式，例如可以为RGB(Red Green Blue，红绿蓝)格式，或者为YUV(Luminance Chrominance，亮度和色度)格式。

在一个示例中，可以利用二维图像转换三维模型的方式，构建目标区域对应的第一局部地图。例如，可以提取图像数据的各个像素点的深度信息，基于各个像素点的深度信息和二维坐标值，将二维的图像数据转化为三维的第一局部地图。又例如，还可以基于目标区域的多个二维图像数据，利用立体视觉匹配的方法，建立三维的第一局部地图。

示例性地，在步骤S102中，可以通过安装在自动驾驶车辆上的激光雷达对目标区域进行扫描，得到目标区域的激光点云数据，对激光点云数据进行分析处理，得到环境角点特征参数，并利用环境角点特征参数进行三维地图重建，得到第二局部地图。

示例性地，在步骤S103中，可以采用点云精配准方法，对第一局部地图和第二局部地图进行配准。例如，可以采用ICP(Iterative Closest Point，迭代最近点算法)，基于第一局部地图和第二局部地图的局部几何特征，对第一局部地图和第二局部地图进行精配准，以得到局部高精地图。

在本公开的其他示例中，还可以采用ICP的其他衍生算法，例如PPICP(Point toPlane ICP，点到面迭代最近点算法)、GICP(Generalized ICP，全面迭代最近点算法)或者VGICP(Voxelized Generalized ICP，体素迭代最近点算法)，这三种衍生算法均是对ICP损失函数或者数据关联方式等方面的优化。

在一个具体示例中，如图6所示，通过自动驾驶车辆上的相机和激光雷达，分别获取车辆周围的特定区域的图像数据和激光点云数据。针对图像数据，利用深度学习网络提取图像数据的深度信息，并将图像数据中像素点的坐标值与深度信息进行融合，生成视觉局部地图。针对激光点云数据，提取其中的环境角点特征参数并进行三维地图重建，得到点云局部地图。最后，利用ICP对视觉局部地图和点云局部地图进行配准，以使视觉局部地图和点云局部地图中对应点的空间位置差别最小化，得到局部高精地图。最后，将局部高精地图发送至自动驾驶车辆的路径规划和控制模块，路径规划和控制模块根据细粒度的局部高精地图和粗粒度的导航地图，实现局部路径定位、规划和导航功能。

根据本公开实施例的高精地图的生成方法，通过利用目标区域的图像数据生成第一局部地图，以及利用目标区域的激光点云数据生成第二局部地图，通过对第一局部地图和第二局部地图进行配准最终得到高精局部地图，由此，无需依赖离线地图即可实时地生成目标区域的局部高精地图，并且可以将视觉传感器所识别出的要素特征与激光雷达传感器所识别出的要素特征进行融合，得到的局部高精地图的精度较高，有利于提高自动驾驶车辆的定位、路径规划以及导航等功能的可靠性和精准度。

如图2所示，在一种实施方式中，步骤S101包括：

S201：将图像数据输入单阶段检测器，得到图像数据中的第一要素信息，第一要素信息包含第一静态要素信息和第一动态要素信息；

S202：将图像数据输入卷积神经网络，得到图像数据的深度信息；

S203：基于第一要素信息和深度信息，构建第一局部地图。

示例性地，第一静态要素可以包括车道线、地面标志、栅栏、交通标志牌等要素，第一静态要素信息具体可以是第一静态要素的位置信息、类别信息等。第一动态要素可以包括非机动车、行人等，第一动态要素信息可以包括第一动态要素的位置信息、运动信息等。

示例性地，在步骤S201中，单阶段检测器可以采用本领域技术人员已知或未来可知悉的各种目标检测算法模型。通过将图像数据输入至单阶段检测器，单阶段检测器可以对图像数据中的动态要素和静态要素分别进行检测识别，并输出第一动态要素信息和第一静态要素信息。

例如，单阶段检测器可以采用预先训练的SSD(Single Shot MultiBox Detector)网络。SSD网络主体设计的思想是特征分层提取，并依次进行边框回归和分类。因为不同层次的特征图能代表不同层次的语义信息，低层次的特征图能代表低层语义信息(含有更多的细节)，能提高语义分割质量，适合小尺度目标的学习。高层次的特征图能代表高层语义信息，能光滑分割结果，适合对大尺度的目标进行深入学习。SSD网络中分为了6个stage(阶段)，每个stage能学习到一个特征图，然后进行边框回归和分类。SSD网络以VGG16的前5层卷积网络作为第一个stage，然后将VGG16中的fc6和fc7两个全连接层转化为两个卷积层Conv6和Conv7分别作为第二个stage和第三个stage。在此基础上，SSD网络继续增加了Conv8、Conv9、Conv10和Conv11四层网络，用来提取更高层次的语义信息。

又例如，单阶段检测器还可以采用YOLO(You Only Look Once)模型。具体地，YOLO的实现方法为：将图像数据分成SxS个grid cell(网格)，如果某个要素的中心落在这个网格中，则这个网格就负责预测这个要素。每个网格要预测若干个bounding box(边框)，每个bounding box除了要回归自身的位置之外，还要附带预测一个confidence score(置信度)。如果grid cell里面没有object(要素)，confidence score为0；如果有，则confidencescore等于预测的box和ground truth的IOU(Intersection over Union，损失值)值。每个bounding box要预测(x,y,w,h)和confidence共5个值，每个网格还要预测一个类别信息，记为C类。则在网格数量为SxS个的情况下，每个网格要预测B个bounding box还要预测C个categories(类别信息)。最终输出的是S*S*(5*B+C)的一个tensor(张量)。

示例性地，在步骤S202中，卷积神经网络包括特征提取层、全连接层(FullyConnected Layers，FC)和图像归一化处理层。特征提取层用于对图像数据进行特征提取处理，然后将提取到的特征输入全连接层，全连接层根据提取到的特征对各个像素点的深度信息进行分类，并将分类结果输入归一化处理层，经过归一化处理层的归一化处理，得到像素点的深度信息并输出。其中，特征提取层可以采用Mobile Net V2(一种深度可分离卷积)作为卷积神经网络的主干网络；归一化处理层可以采用Softmax层(一种逻辑回归模型)。

通过上述实施方式，基于第一要素信息和深度信息构建的第一局部地图中提供目标区域的静态要素信息和动态要素信息，从而使第一局部地图具备一定的语义表达能力。

如图3所示，在一种实施方式中，步骤S102包括：

S301：将激光点云数据输入单阶段检测器，得到激光点云数据中的第二要素信息，第二要素信息包含第二静态要素信息和第二动态要素信息；

S302：基于第二要素信息，构建第二局部地图。

示例性地，单阶段检测器可以采用与步骤S201中的单阶段检测器相同或相似的目标检测算法模型，例如可以采用SSD网络或者YOLO模型，此处不再赘述。

可以理解的是，第二动态要素和第二静态要素针对的目标可以与第一动态要素和第一静态要素相同或者不同。其中，第二静态要素可以包括车道线、地面标志、栅栏、交通标志牌等要素，第二静态要素信息具体可以是第二静态要素的位置信息、类别信息等。第二动态要素可以包括非机动车、行人等，第二动态要素信息可以包括第二动态要素的位置信息、运动信息等。

通过上述实施方式，第二局部地图也可以提供目标区域的静态要素信息和动态要素信息，从而使第二局部地图同样具备一定的语义表达能力。

如图4所示，在一种实施方式中，步骤S103包括：

S401：获取第一局部地图中的第一点集；以及，获取第二局部地图中的第二点集；

S402：利用迭代最近点算法，对第一点集和第二点集进行配准；

S403：根据配准结果生成局部高精地图。

其中，第一点集和第二点集中的至少部分点对应于目标区域中的同一点，且第一点集和第二点集中各点的坐标均为三维坐标。

可以理解的是，对第一点集和第二点集进行配准得到的配准结果，即为对第一点集和第二点集进行融合匹配后得到的点集。其中，第一点集中的第一要素对应的点和第二点集中第二要素的点经过配准，可以对相对应的第一要素和第二要素进行融合，并提高融合后的要素的点云密度，从而提高局部高精地图中动态要素和静态要素的建模精度。

如图5所示，在一种实施方式中，步骤S402包括：

S501：确定第一点集中的每个点在第二点集中的对应近点，得到多个对应点对；

S502：基于多个对应点对的平均距离，计算第一点集与第二点集之间的刚体变换参数，刚体变换参数包括平移参数和旋转参数；

S503：基于刚体变换参数，对所第一点集进行刚体变换，得到变换点集；

S504：在变换点集与第二点集中各点的平均距离小于距离阈值的情况下，将变换点集作为配准结果。

示例性地，查找最近点，可以利用K-D Tree(K-Dimensional Tree，K维数值点树)提高查找速度，K-D Tree建立点的拓扑关系是基于二叉树的坐标轴分割，构造K-D Tree的过程就是按照二叉树法则生成。首先，按照X轴寻找分割线，即计算所有点的x值的平均值，以最接近这个平均值的点的x值将空间分成两部分，然后在分成的子空间中按Y轴寻找分割线，将其各分成两部分，分割好的子空间在按X轴分割。依此类推，最后直到分割的区域内只有一个点。这样的分割过程就对应于一个二叉树，二叉树的分节点就对应一条分割线，而二叉树的每个叶子节点就对应一个点。由此，建立出K-D Tree的拓扑关系。

示例性地，在步骤S503之后，在变换点集与第二点集中各点的平均距离大于或等于距离阈值的情况下，则将变换点集作为新的第一点集，按照步骤S501至S503进行迭代计算，直至满足步骤S504中的条件，得到配准结果。

在一个具体示例中，对第一点集和第二点集的配准方法具体包括以下步骤；(1)计算第一点集中的每一个点在第二点集中的对应近点，得到多个对应点对；(2)求得使上述对应点对平均距离最小的刚体变换，得到刚体变换参数，刚体变换参数包括平移参数和旋转参数；(3)对第一点集使用上一步求得的平移参数和旋转参数进行刚体变换，得到新的变换点集；(4)判断新的变换点集与第二点集的平均距离是否小于某一给定的距离阈值；(5)如果小于某一给定的距离阈值，则停止迭代计算，并将新的变换点集作为配准结果；否则，将新的变换点集作为新的第一点集继续按照前述的步骤(1)至(5)进行迭代计算。

根据上述实施方式，通过利用迭代最近点算法对第一点集和第二点集进行配准，有利于提高第一局部地图和第二局部地图的配准精度，可以实现第一局部地图和第二局部地图的精确拼合，从而使最终的得到的高精局部地图的建模更为精准，且其中包含的要素信息更为准确，从而提高了自动驾驶车辆的定位、路径规划和路径导航的准确性和可靠性。

作为本公开的另一方面，还提供了一种高精地图的生成装置。

如图7所示，本公开实施例的高精地图的生成装置包括：

第一局部地图构建模块701，用于基于目标区域的图像数据，构建目标区域对应的第一局部地图；

第二局部地图构建模块702，用于基于目标区域的激光点云数据，构建目标区域对应的第二局部地图；

局部高精地图生成模块703，用于对第一局部地图和第二局部地图进行配准，得到目标区域的局部高精地图。

在一种实施方式中，第一局部地图构建模块701包括：

第一要素信息提取子模块，用于将图像数据输入单阶段检测器，得到图像数据中的第一要素信息，第一要素信息包含第一静态要素信息和第一动态要素信息；

深度信息提取子模块，用于将图像数据输入卷积神经网络，得到图像数据的深度信息；

第一局部地图构建子模块，用于基于第一要素信息和深度信息，构建第一局部地图。

在一种实施方式中，第二局部地图构建模块702包括：

第二要素信息提取子模块，用于将激光点云数据输入单阶段检测器，得到激光点云数据中的第二要素信息，第二要素信息包含第二静态要素信息和第二动态要素信息；

第二局部地图构建子模块，用于基于第二要素信息，构建第二局部地图。

在一种实施方式中，局部高精地图生成模块703包括：

点集获取子模块，用于获取第一局部地图中的第一点集，以及用于获取第二局部地图中的第二点集；

配准子模块，用于利用迭代最近点算法，对第一点集和第二点集进行配准；

局部高精地图生成子模块，用于根据配准结果生成局部高精地图。

在一种实施方式中，配准子模块包括：

对应点对确定单元，用于确定第一点集中的每个点在第二点集中的对应近点，得到多个对应点对；

刚体变换参数计算单元，用于基于多个对应点对的平均距离，计算第一点集与第二点集之间的刚体变换参数，刚体变换参数包括平移参数和旋转参数；

变换点集生成单元，用于基于刚体变换参数，对所第一点集进行刚体变换，得到变换点集；

配准结果生成单元，用于在变换点集与第二点集中各点的平均距离小于距离阈值的情况下，将变换点集作为配准结果。

本公开实施例的高精地图的生成装置中的各模块、子模块或单元的功能可以参见上述方法实施例中的对应描述，在此不再赘述。

本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图8所示，设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。

设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如高精地图的生成方法。例如，在一些实施例中，高精地图的生成方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的高精地图的生成方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行高精地图的生成方法。

根据本公开的实施例，本公开还提供了一种自动驾驶车辆。该自动驾驶车辆包括本公开上述实施例的高精地图的生成装置和/或电子设备。

通过设置高精地图的生成装置和/或电子设备，本公开实施例的自动驾驶车辆可以实现本公开上述实施例的高精地图的生成方法。自动驾驶车辆的路径规划与控制模块可以根据生成的局部高精地图，实现定位、路径规划以及导航等其他自动驾驶功能。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (9)

1.一种高精地图的生成方法，包括：

将目标区域的图像数据输入单阶段检测器，得到所述图像数据中的第一要素信息，所述第一要素信息包含第一静态要素信息和第一动态要素信息；

将所述图像数据输入卷积神经网络，得到所述图像数据的深度信息；

基于所述第一要素信息和所述深度信息，构建所述目标区域对应的第一局部地图；

将所述目标区域的激光点云数据输入单阶段检测器，得到所述激光点云数据中的第二要素信息，所述第二要素信息包含第二静态要素信息和第二动态要素信息；

基于所述第二要素信息，构建所述目标区域对应的第二局部地图；

对所述第一局部地图和所述第二局部地图进行配准，得到所述目标区域的局部高精地图；

其中，静态要素信息包括静态要素的位置信息和类别信息，动态要素信息包括动态要素的位置信息和运动信息。

2.根据权利要求1所述的方法，其中，对所述第一局部地图和所述第二局部地图进行配准，得到所述目标区域的局部高精地图，包括：

获取所述第一局部地图中的第一点集；以及，获取所述第二局部地图中的第二点集；

利用迭代最近点算法，对所述第一点集和所述第二点集进行配准；

根据配准结果生成所述局部高精地图。

3.根据权利要求2所述的方法，其中，利用迭代最近点算法，对所述第一点集和所述第二点集进行配准，包括：

确定所述第一点集中的每个点在所述第二点集中的对应近点，得到多个对应点对；

基于多个所述对应点对的平均距离，计算所述第一点集与所述第二点集之间的刚体变换参数，所述刚体变换参数包括平移参数和旋转参数；

基于所述刚体变换参数，对所第一点集进行刚体变换，得到变换点集；

在所述变换点集与所述第二点集中各点的平均距离小于距离阈值的情况下，将所述变换点集作为配准结果。

4.一种高精地图的生成装置，包括：

第一局部地图构建模块，包括：第一要素信息提取子模块、深度信息提取子模块和第一局部地图构建子模块；

所述第一要素信息提取子模块，用于将目标区域的图像数据输入单阶段检测器，得到所述图像数据中的第一要素信息，所述第一要素信息包含第一静态要素信息和第一动态要素信息；

所述深度信息提取子模块，用于将所述图像数据输入卷积神经网络，得到所述图像数据的深度信息；

所述第一局部地图构建子模块，用于基于所述第一要素信息和所述深度信息，构建所述目标区域对应的第一局部地图；

第二局部地图构建模块，包括：第二要素信息提取子模块和第二局部地图构建子模块；

所述第二要素信息提取子模块，用于将所述目标区域的激光点云数据输入单阶段检测器，得到所述激光点云数据中的第二要素信息，所述第二要素信息包含第二静态要素信息和第二动态要素信息；

所述第二局部地图构建子模块，用于基于所述第二要素信息，构建所述目标区域对应的第二局部地图；

局部高精地图生成模块，用于对所述第一局部地图和所述第二局部地图进行配准，得到所述目标区域的局部高精地图；

其中，静态要素信息包括静态要素的位置信息和类别信息，动态要素信息包括动态要素的位置信息和运动信息。

5.根据权利要求4所述的装置，其中，所述局部高精地图生成模块包括：

点集获取子模块，用于获取所述第一局部地图中的第一点集，以及用于获取所述第二局部地图中的第二点集；

配准子模块，用于利用迭代最近点算法，对所述第一点集和所述第二点集进行配准；

局部高精地图生成子模块，用于根据配准结果生成所述局部高精地图。

6.根据权利要求5所述的装置，其中，所述配准子模块包括：

对应点对确定单元，用于确定所述第一点集中的每个点在所述第二点集中的对应近点，得到多个对应点对；

刚体变换参数计算单元，用于基于多个所述对应点对的平均距离，计算所述第一点集与所述第二点集之间的刚体变换参数，所述刚体变换参数包括平移参数和旋转参数；

变换点集生成单元，用于基于所述刚体变换参数，对所第一点集进行刚体变换，得到变换点集；

配准结果生成单元，用于在所述变换点集与所述第二点集中各点的平均距离小于距离阈值的情况下，将所述变换点集作为配准结果。

7. 一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至3中任一项所述的方法。

8.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1至3中任一项所述的方法。

9.一种自动驾驶车辆，包括根据权利要求4至6任一项所述的高精地图的生成装置或权利要求7所述的电子设备。