CN113835099B - 点云地图更新方法及装置、存储介质、电子设备 - Google Patents

Abstract

本公开是关于一种点云地图更新方法及装置、存储介质、电子设备，涉及计算机软件技术领域，该方法包括：根据当前实时点云数据以及与所述当前实时点云数据对应的当前历史点云数据，计算待更新区域；根据所述待更新区域的目标实时点云数据进行实时定位与建图，得到实时建图数据；根据所述实时建图数据以及与所述目标实时点云数据对应的目标历史点云数据，计算所述待更新区域的重定位优化因子；根据所述实时建图数据以及与所述待更新区域对应的全球定位系统信息，计算所述待更新区域的闭环优化因子，并根据所述重定位优化因子以及闭环优化因子对所述待更新区域进行更新。本公开提高了点云地图的更新效率。

Description

点云地图更新方法及装置、存储介质、电子设备

技术领域

本公开实施例涉及计算机软件技术领域，具体而言，涉及一种点云地图更新方法、点云地图更新装置、计算机可读存储介质以及电子设备。

背景技术

无人驾驶技术在近几年是一个研究热点。现有的无人驾驶车中通常是具备激光雷达设备的，以便于可以通过激光雷达设备扫描道路及周边环境采集得到三维点云数据，进而可以为通过无人驾驶车数据进行高精度地图构建提供高质量点云数据源；同时，轮速计以及组合惯导等设备，也可以用来进行实时定位与地图构建。

目前，点云地图自动化更新主要是通过如下方案进行的：通过采集车专门针对待更新区域进行地图数据采集或者使用运营物流小车运营过程数据，然后进行建图，最后将点云地图结果拼接到待更新区域并替换待更新区域，质检合格后，即完成点云地图更新。

但是，上述方案存在如下缺陷：一方面，在建图过程中，如果涉及多次拐弯的线路，图内部会有闭环信息，后续拼接时需要重新处理接入回环信息，以避免新的拼接处理会打乱已有的闭环效果，进而会导致更新的流程较为复杂以及冗余，使得点云地图的更新效率较低；另一方面，降低了点云地图更新检测的成功率。

基于此，需要提供一种新的点云地图更新方法及装置。

需要说明的是，在上述背景技术部分发明的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的目的在于提供一种点云地图更新方法、点云地图更新装置、计算机可读存储介质以及电子设备，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的点云地图的更新效率较低的问题。

根据本公开的一个方面，提供一种点云地图更新方法，包括：

根据当前实时点云数据以及与所述当前实时点云数据对应的当前历史点云数据，计算待更新区域；

根据所述待更新区域的目标实时点云数据进行实时定位与建图，得到实时建图数据；

根据所述实时建图数据以及与所述目标实时点云数据对应的目标历史点云数据，计算所述待更新区域的重定位优化因子；

根据所述实时建图数据以及与所述待更新区域对应的全球定位系统信息，计算所述待更新区域的闭环优化因子，并根据所述重定位优化因子以及闭环优化因子对所述待更新区域进行更新。

在本公开的一种示例性实施例中，根据当前实时点云数据以及与所述当前实时点云数据对应的当前历史点云数据，计算待更新区域，包括：

根据所述无人车的全局位姿信息将当前实时点云数据的当前帧点云转换至全局坐标系下；

根据所述当前帧点云在所述全局坐标系中所占的区域面积，构建当前帧点云的坐标系；

基于预设的分辨率在所述当前帧点云的坐标系中对所述当前帧点云进行划分，得到多个当前帧点云的栅格；

对各所述当前帧点云的栅格，以及与所述当前实时点云数据对应的当前历史点云数据中，与所述当前帧点云对应的历史帧点云的栅格进行比对，得到所述待更新区域。

在本公开的一种示例性实施例中，根据当前实时点云数据以及与所述当前实时点云数据对应的当前历史点云数据，计算待更新区域，还包括：

根据所述无人车的全局位姿信息，将所述当前实时点云数据以及当前实时矢量数据定位置所述全局坐标系下；

在所述全局坐标系下，对所述当前实时点云数据、所述当前实时矢量数据以及所述当前历史点云数据进行比对，得到所述待更新区域。

在本公开的一种示例性实施例中，对所述当前实时点云数据、所述当前实时矢量数据以及所述当前历史点云数据进行比对，得到所述待更新区域，包括：

获取所述当前实时矢量数据的当前属性信息；其中，所述当前属性信息中包括交通信号灯矢量数据、车道线矢量数据以及栅栏矢量数据中的一种或多种；

根据所述当前属性信息的水平位置信息以及预设的点云索引关系，分别在所述当前实时点云数据以及当前历史点云数据中搜索与所述当前属性信息对应的障碍物的点云数据；

如果所述点云数据的搜索结果不同，则将所述障碍物所在的位置作为所述待更新区域。

在本公开的一种示例性实施例中，根据所述实时建图数据以及与所述目标实时点云数据对应的目标历史点云数据，计算所述待更新区域的重定位优化因子，包括：

提取所述实时建图数据中所包括的实时地面位置信息，以及与所述目标实时点云数据对应的目标历史点云数据中所包括的历史地面位置信息；

对所述实时地面位置信息中所包括的地面点以及所述历史地面位置信息中所包括的地面点进行匹配，得到全局坐标系下的绕X轴的第一旋转角以及绕Y轴的第二旋转角；

将所述第一旋转角以及第二旋转角作为初值角度，对所述实时地面位置信息中所包括的地面点进行匹配，得到所述待更新区域的匹配转换矩阵；

根据所述匹配转换矩阵以及所述实时建图数据的当前关键帧建立非线性优化边约束关系；

根据所述非线性优化边约束关系计算所述实时建图数据与所述目标历史点云数据之间的贴合度，并根据所述贴合度得到所述待更新区域的重定位优化因子。

在本公开的一种示例性实施例中，根据所述实时建图数据以及与所述待更新区域对应的全球定位系统信息，计算所述待更新区域的闭环优化因子，包括：

根据与所述待更新区域对应的全球定位系统信息，在目标实时点云数据中确定与所述待更新区域对应的待回环关键帧；

在预设范围内查询与所述当前关键帧关联的待回环关键帧，并计算所述当前关键帧以及与所述当前关键帧关联的待回环关键帧之间的匹配分数；

根据所述匹配分数最高的待回环关键帧以及所述当前关键帧之间的回环约束优化边，并根据所述回环约束优化边计算所述待更新区域的闭环优化因子。

在本公开的一种示例性实施例中，根据所述重定位优化因子以及闭环优化因子对所述待更新区域进行更新，包括：

根据所述重定位优化因子以及闭环优化因子对所述实时建图数据进行优化；

根据优化后的实时建图数据对所述待更新区域的目标实时点云数据进行替换。

根据本公开的一个方面，提供一种点云地图更新装置，包括：

第一计算模块，用于根据当前实时点云数据以及与所述当前实时点云数据对应的当前历史点云数据，计算待更新区域；

建图模块，用于根据所述待更新区域的目标实时点云数据进行实时定位与建图，得到实时建图数据；

第二计算模块，用于根据所述实时建图数据以及与所述目标实时点云数据对应的目标历史点云数据，计算所述待更新区域的重定位优化因子；

更新模块，用于根据所述实时建图数据以及与所述待更新区域对应的全球定位系统信息，计算所述待更新区域的闭环优化因子，并根据所述重定位优化因子以及闭环优化因子对所述待更新区域进行更新。

根据本公开的一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的点云地图更新方法。

根据本公开的一个方面，提供一种电子设备，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的点云地图更新方法。

本公开实施例提供的一种点云地图更新方法，一方面，通过根据当前实时点云数据以及与当前实时点云数据对应的当前历史点云数据，计算待更新区域；然后根据待更新区域的目标实时点云数据对无人车进行实时定位与建图，得到实时建图数据；再根据实时建图数据以及与目标实时点云数据对应的目标历史点云数据，计算待更新区域的重定位优化因子；最后根据实时建图数据以及与待更新区域对应的全球定位系统信息，计算待更新区域的闭环优化因子，并根据重定位优化因子以及闭环优化因子对待更新区域进行更新，由于在对待更新区域进行更新的过程中，同时考虑到了重定位优化因子以及闭环优化因子，进而在后续的拼接过程中不需要再对回环信息进行重新处理，解决了现有技术中由于在建图过程中，如果涉及多次拐弯的线路，图内部会有闭环信息，后续拼接时需要重新处理接入回环信息，以避免新的拼接处理会打乱已有的闭环效果，进而会导致更新的流程较为复杂以及冗余，使得点云地图的更新效率较低的问题，提高了待更新区域的更新效率；另一方面，由于不再需要对回环信息进行重新处理，不会打乱已有的闭环效果，进而提高了点云地图更新检测的成功率。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示意性示出根据本公开示例实施例的一种点云地图更新方法的流程图。

图2示意性示出根据本公开示例实施例的一种根据当前实时点云数据以及与所述当前实时点云数据对应的当前历史点云数据，计算待更新区域的方法流程图。

图3示意性示出根据本公开示例实施例的一种对所述当前实时点云数据、所述当前实时矢量数据以及所述当前历史点云数据进行比对，得到所述待更新区域的方法流程图。

图4示意性示出根据本公开示例实施例的一种根据所述实时建图数据以及与所述目标实时点云数据对应的目标历史点云数据，计算所述待更新区域的重定位优化因子的方法流程图。

图5示意性示出根据本公开示例实施例的一种根据所述实时建图数据以及与所述待更新区域对应的全球定位系统信息，计算所述待更新区域的闭环优化因子的方法流程图。

图6示意性示出根据本公开示例实施例的一种根据所述重定位优化因子以及闭环优化因子对所述待更新区域进行更新的方法流程图。

图7示意性示出根据本公开示例实施例的另一种点云地图更新方法的流程图。

图8示意性示出根据本公开示例实施例的一种点云地图更新装置的框图。

图9示意性示出根据本公开示例实施例的一种用于实现上述点云地图更新方法的电子设备。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

无人驾驶技术在近几年是一个研究热点。无人车在行驶过程中，基于高精度地图为其所提供的先验地图，可以更好地进行实时感知、定位和路线规划。在无人车不断铺开使用的过程中，基于运营过程数据实时定位与建图并对地图更新，是一种低成本获取并更新高精度地图数据方式。将来所使用的地图如果其覆盖率达到100％，即车行驶的区域都有高精度点云地图，地图的高效率更新能力对于自动驾驶来讲是非常重要的一项技术。

现有自动驾驶车上通常是有激光雷达设备，通过激光雷达设备扫描道路及周边环境采集得到三维点云数据，为通过自动驾驶车数据进行高精度地图构建提供高质量点云数据源，另外还有轮速计、组合惯导等设备，可用来进行实时定位与地图构建。

目前，点云地图自动化更新技术没有公认的最优方案。对于有待更新的点云地图区域，目前主要的做法是通过采集车专门针对待更新区域进行地图数据采集或者使用运营物流小车运营过程数据，然后进行建图，最后将点云地图结果拼接到待更新区域并替换待更新区域，质检合格后，即完成点云地图更新。先建图后用建图结果拼接的方式，目前是大多数公司使用的方式，但建图过程如果涉及多次拐弯的线路，图内部会有闭环信息，后续拼接时还得后处理接入回环信息，否则新的拼接处理会打乱已有的闭环效果，这样造成流程复杂和冗余，而且当前的点云更新检测的成功率不好保证，整个过程费时费力。

本示例实施方式中首先提供了一种点云地图更新方法，该方法可以运行于服务器、服务器集群或云服务器等；当然，本领域技术人员也可以根据需求在其他平台运行本公开的方法，本示例性实施例中对此不做特殊限定。参考图1所示，该点云地图更新方法可以包括以下步骤：

步骤S110.根据当前实时点云数据以及与所述当前实时点云数据对应的当前历史点云数据，计算待更新区域；

步骤S120.根据所述待更新区域的目标实时点云数据进行实时定位与建图，得到实时建图数据；

步骤S130.根据所述实时建图数据以及与所述目标实时点云数据对应的目标历史点云数据，计算所述待更新区域的重定位优化因子；

步骤S140.根据所述实时建图数据以及与所述待更新区域对应的全球定位系统信息，计算所述待更新区域的闭环优化因子，并根据所述重定位优化因子以及闭环优化因子对所述待更新区域进行更新。

上述点云地图更新方法中，一方面，通过根据当前实时点云数据以及与当前实时点云数据对应的当前历史点云数据，计算待更新区域；然后根据待更新区域的目标实时点云数据对无人车进行实时定位与建图，得到实时建图数据；再根据实时建图数据以及与目标实时点云数据对应的目标历史点云数据，计算待更新区域的重定位优化因子；最后根据实时建图数据以及与待更新区域对应的全球定位系统信息，计算待更新区域的闭环优化因子，并根据重定位优化因子以及闭环优化因子对待更新区域进行更新，由于在对待更新区域进行更新的过程中，同时考虑到了重定位优化因子以及闭环优化因子，进而在后续的拼接过程中不需要再对回环信息进行重新处理，解决了现有技术中由于在建图过程中，如果涉及多次拐弯的线路，图内部会有闭环信息，后续拼接时需要重新处理接入回环信息，以避免新的拼接处理会打乱已有的闭环效果，进而会导致更新的流程较为复杂以及冗余，使得点云地图的更新效率较低的问题，提高了待更新区域的更新效率；另一方面，由于不再需要对回环信息进行重新处理，不会打乱已有的闭环效果，进而提高了点云地图更新检测的成功率。

以下，将结合附图对本公开示例实施例点云地图更新方法中涉及的各步骤进行详细的解释以及说明。

首先，对本公开实施例中所涉及到的专有名词进行解释以及说明。

高精度地图：相比于普通的电子地图而言，高精度地图所谓的精度更高，其地图所含的目标地物较为丰富，本公开主要用于对高精度地图进行更新。

点云数据：通过激光雷达设备扫描得到的点云数据。

闭环检测：又称回环检测，本公开中指自动驾驶建图数据识别曾到达某场景，使得地图闭环的能力。

SLAM：Simultaneous Localization And Mapping，实时定位与建图。

点云地图更新：因为历史数据中，有些点云数据比如栅栏位置变动等，在自动驾驶车辆实时计算时，会对自动驾驶感知等造成困扰，所以需要更新为最新的点云地图。

矢量地图：对比于点云地图，矢量是一种二维地图，通常是点、线、面要素组成，并带有属性信息，如马路牙矢量数据、车道线矢量数据、栅栏矢量数据等。

G2O：一种开源非线性优化开源库。

其次，对本公开的发明目的进行解释以及说明。具体的，本公开设计了一种基于自动驾驶车高精度点云地图实时更新的技术方案，该方案是在自动驾驶车实时运营的过程中，根据高精度点云定位底图和矢量底图数据，计算发现点云地图变化，然后启动SLAM建图更新，图精度优化过程考虑了GPS(Global Positioning System，全球定位系统)、重定位因子、回环检测因子，最后将新图替换掉旧图，整个处理流程自动化且简洁高效。

以下，将对步骤S110-步骤S140进行解释以及说明。

在步骤S110中，根据当前实时点云数据以及与所述当前实时点云数据对应的当前历史点云数据，计算待更新区域。

在本示例实施例中，参考图2所示，根据当前实时点云数据以及与所述当前实时点云数据对应的当前历史点云数据，计算待更新区域可以包括步骤S210-步骤S240。其中：

在步骤S210中，根据所述无人车的全局位姿信息将所述当前实时点云数据的当前帧点云转换至全局坐标系下；

在步骤S220中，根据所述当前帧点云在所述全局坐标系中所占的区域面积，构建当前帧点云的坐标系；

在步骤S230中，基于预设的分辨率在所述当前帧点云的坐标系中对所述当前帧点云进行划分，得到多个当前帧点云的栅格；

在步骤S240中，对各所述当前帧点云的栅格，以及与所述当前实时点云数据对应的当前历史点云数据中，与所述当前帧点云对应的历史帧点云的栅格进行比对，得到所述待更新区域。

以下，将对步骤S210-步骤S240进行解释以及说明。具体的，首先，获取无人车在自动驾驶过程中通过激光雷达设备扫描得到的当前实时点云数据，并将该当前实时点云数据中的当前帧点云通过无人车的全局位姿信息转到全局坐标系下；然后，根据当前帧点云在全局坐标系中所占的区域面积，按照x以及y方向划分构建当前帧点云的坐标系；进一步的，将预设的分辨率设置为0.5米，并基于该预设分辨率在当前帧点云的坐标系将当前帧点云划分为多个栅格；同时，对于当前实时点云数据对应的当前历史点云数据中与当前帧点云对应的历史帧点云进行划分，得到多个历史帧点云的栅格；最后，根据当前帧点云的栅格以及历史帧点云的栅格来计算当前帧点云中有点云与历史点云中对应区域没有点云的情况，进而得到当前帧点云与历史点云地图可能存在的待更新区域。

此处需要进一步补充说明的是，也可以结合矢量数据以及点云数据来对待更新区域进行确定。具体的，根据当前实时点云数据以及与所述当前实时点云数据对应的当前历史点云数据，计算待更新区域，还包括：首先，根据所述无人车的全局位姿信息，将所述当前实时点云数据以及当前实时矢量数据定位置所述全局坐标系下；其次，在所述全局坐标系下，对所述当前实时点云数据、所述当前实时矢量数据以及所述当前历史点云数据进行比对，得到所述待更新区域。

其中，参考图3所示，对所述当前实时点云数据、所述当前实时矢量数据以及所述当前历史点云数据进行比对，得到所述待更新区域可以包括步骤S310-步骤S330。其中：

在步骤S310中，获取所述当前实时矢量数据的当前属性信息；其中，所述当前属性信息中包括交通信号灯矢量数据、车道线矢量数据以及栅栏矢量数据中的一种或多种；

在步骤S320中，根据所述当前属性信息的水平位置信息以及预设的点云索引关系，分别在所述当前实时点云数据以及当前历史点云数据中搜索与所述当前属性信息对应的障碍物的点云数据；

在步骤S330中，如果所述点云数据的搜索结果不同，则将所述障碍物所在的位置作为所述待更新区域。

以下，将对步骤S310-步骤S330进行解释以及说明。具体的，根据无人车的全局位姿信息，定位点云数据和矢量数据在一个坐标系下，且相同目标坐标是对应的，矢量数据中标注了栅栏、、车道线、红绿灯、马路牙等信息，根据已有的历史矢量和点云地图，与当前自动驾驶车扫描的实时数据进行对比分析，计算这些固定信息是否有变化，并进行标记。对比分析算法，是通过已知的矢量信息，如红绿灯杆水平面位置信息，第一步的粗略判断位置结果，通过建立点云索引，搜索XY平面上一定半径范围R内的点云，如果该处无点云点，则实际此处红绿灯杆消失，需要对点云数据进行更新。

在步骤S120中，根据所述待更新区域的目标实时点云数据进行实时定位与建图，得到实时建图数据。

具体的，当得到上述待更新区域以后，可以下载该待更新区域的目标实时点云数据，然后根据该目标实时点云数据对进行实时定位与建图，得到实时建图数据。此处需要补充说明的是，此处所记载的目标实时点云数据可以与当前实时点云数据相同，也可以不同，具体可以根据实际需要进行确定，此处不做特殊限定。

在步骤S130中，根据所述实时建图数据以及与所述目标实时点云数据对应的目标历史点云数据，计算所述待更新区域的重定位优化因子。

在本示例实施例中，参考图4所示，根据所述实时建图数据以及与所述目标实时点云数据对应的目标历史点云数据，计算所述待更新区域的重定位优化因子，可以包括步骤S410-步骤S450。其中：

在步骤S410中，提取所述实时建图数据中所包括的实时地面位置信息，以及与所述目标实时点云数据对应的目标历史点云数据中所包括的历史地面位置信息；

在步骤S420中，对所述实时地面位置信息中所包括的地面点以及所述历史地面位置信息中所包括的地面点进行匹配，得到全局坐标系下的绕X轴的第一旋转角以及绕Y轴的第二旋转角；

在步骤S430中，将所述第一旋转角以及第二旋转角作为初值角度，对所述实时地面位置信息中所包括的地面点进行匹配，得到所述待更新区域的匹配转换矩阵；

在步骤S440中，根据所述匹配转换矩阵以及所述实时建图数据的当前关键帧建立非线性优化边约束关系；

在步骤S450中，根据所述非线性优化边约束关系计算所述实时建图数据与所述目标历史点云数据之间的贴合度，并根据所述贴合度得到所述待更新区域的重定位优化因子。

以下，将对步骤S410-步骤S450进行解释以及说明。

首先，对ICP(Iterative Closest Point，迭代最近点)算法进行解释以及说明。具体的，假设给两个三维点集X1和X2，ICP方法的配准步骤如下：首先，计算X2中的每一个点在X1点集中的对应近点；其次，求得使上述对应点对平均距离最小的刚体变换，求得平移参数和旋转参数；进一步的，对X2使用上一步求得的平移和旋转参数，得到新的变换点集；最后，如果新的变换点集与参考点集满足两点集的平均距离小于某一给定阈值，则停止迭代计算，否则新的变换点集作为新的X2继续迭代，直到达到目标函数的要求。

其次，结合ICP算法对重定位优化因子的计算过程进行解释以及说明。具体的，首先对实时地面位置信息以及历史地面位置信息进行分离(提取)，并对实时地面位置信息的地面点与历史地面位置信息的地面点进行ICP匹配，得到roll旋转角(绕X轴旋转的第一旋转角)以及pitch旋转角(绕Y轴旋转的第二旋转角)；然后将roll旋转角和pitch旋转角角作为初值角度，对实时地面位置信息的地面点进行ICP匹配，得到最终的匹配转换矩阵，该匹配转换矩阵描述了全局的位姿信息；进一步的，根据匹配转换矩阵以及实时建图数据的当前关键帧建立非线性优化边约束关系，进而得到实时建图数据与目标历史点云数据之间的贴合度；最后再根据贴合度得到待更新区域的重定位优化因子。此处需要补充说明的是，因为重定位优化因子是建立了当前帧与历史底图高精度匹配关系，进而通过建立当前帧与底图的约束关系，即可约束优化新建地图与历史底图的贴合程度，从而计算得到重定位优化因子，该重定位优化因子避免了新建的地图与历史地图重影问题。

在步骤S140中，根据所述实时建图数据以及与所述待更新区域对应的全球定位系统信息，计算所述待更新区域的闭环优化因子，并根据所述重定位优化因子以及闭环优化因子对所述待更新区域进行更新。

在本示例实施例中，参考图5所示，根据所述实时建图数据以及与所述待更新区域对应的全球定位系统信息，计算所述待更新区域的闭环优化因子，可以包括步骤S510-步骤S530。其中：

在步骤S510中，根据与所述待更新区域对应的全球定位系统信息，在目标实时点云数据中确定与所述待更新区域对应的待回环关键帧；

在步骤S520中，在预设范围内查询与所述当前关键帧关联的待回环关键帧，并计算所述当前关键帧以及与所述当前关键帧关联的待回环关键帧之间的匹配分数；

在步骤S530中，根据所述匹配分数最高的待回环关键帧以及所述当前关键帧之间的回环约束优化边，并根据所述回环约束优化边计算所述待更新区域的闭环优化因子。

以下，将对步骤S510-步骤S530进行解释以及说明。具体的，首先，根据GPS信息，在目标实时点云数据中确定与待更新区域对应的待回环关键帧；其次，在进行实时定位与建图过程中，无人车的每帧全局位姿信息和对应的每帧点云数据可以作为一个关键帧，在不断建图进行时，当前关键帧会查询周围半径R＝30m范围内的所有待回环关键帧数据，进行匹配计算当前关键帧与所有这些范围内的待回环关键帧的匹配分数，匹配分数是计算的点与点之间的平均距离，选取匹配分数最高的对应关键帧K作为回环结果，即将当前帧与K帧建立回环约束优化边，进而根据回环约束优化边得到闭环优化因子；此处需要补充说明的是，在实时建图过程中，通过计算闭环优化因子，进而可以进一步的保证新建图内部没有重影问题，进而提高更新的准确率。

进一步的，当得到重定位优化因子以及闭环优化因子以后，则可以根据所述重定位优化因子以及闭环优化因子对所述待更新区域进行更新。具体的，参考图6所示，根据所述重定位优化因子以及闭环优化因子对所述待更新区域进行更新可以包括步骤S610-步骤S620。其中：

在步骤S610中，根据所述重定位优化因子以及闭环优化因子对所述实时建图数据进行优化；

在步骤S620中，根据优化后的实时建图数据对所述待更新区域的目标实时点云数据进行替换。

以下，将对步骤S610-步骤S620进行解释以及说明。具体的，利用重定位优化因子以及闭环因子对实时建图数据的精度进行优化，并将优化后实时建图数据提供给后端，以完成对待更新区域的目标实时点云数据的替换。此处需要补充说明的是，本公开所提供的点云地图更新方法中，充分考虑到了重定位优化因子以及闭环优化因子，进而保证了新建图内部没有重影的问题，因此可以避免现有技术中由于建图过程如果涉及多次拐弯的线路，图内部会有闭环信息，后续拼接时还得后处理接入回环信息，否则新的拼接处理会打乱已有的闭环效果，这样造成流程复杂和冗余的问题。

以下，结合图7对本公开点云地图更新方法进行进一步的解释以及说明。具体的，参考图7所示，该点云地图更新方法可以包括以下步骤：

步骤S710，根据对当前实时点云数据或者当前实时矢量数据进行对比检测，得到待更新区域；

步骤S720，获取待更新区域的目标实时点云数据，并进行建图得到实时建图数据；

步骤S730，根据实时建图数据计算重定位优化因子以及闭环优化因子；

步骤S740，根据重定位优化因子以及闭环优化因子对实时建图数据进行优化，并根据优化后的实时建图数据对待更新区域的点云地图进行更新。

本公开所提供的点云地图更新方法，提出结合矢量信息和点云数据信息两种信息来检测点云地图哪些区域需要更新；并提出一种结合重定位因子、回环因子、GPS因子来进行实时建图与更新的地图更新方式，进而提高了更新效率以及点云地图更新检测的成功率。

本公开还提供了一种点云地图更新装置。参考图8所示，该点云地图更新装置可以包括第一计算模块810、建图模块820、第二计算模块830以及更新模块840。其中：

第一计算模块810可以用于根据当前实时点云数据以及与所述当前实时点云数据对应的当前历史点云数据，计算待更新区域；

建图模块820可以用于根据所述待更新区域的目标实时点云数据进行实时定位与建图，得到实时建图数据；

第二计算模块830可以用于根据所述实时建图数据以及与所述目标实时点云数据对应的目标历史点云数据，计算所述待更新区域的重定位优化因子；

更新模块840可以用于根据所述实时建图数据以及与所述待更新区域对应的全球定位系统信息，计算所述待更新区域的闭环优化因子，并根据所述重定位优化因子以及闭环优化因子对所述待更新区域进行更新。

在本公开的一种示例性实施例中，根据当前实时点云数据以及与所述当前实时点云数据对应的当前历史点云数据，计算待更新区域，包括：

根据所述无人车的全局位姿信息将所述当前实时点云数据的当前帧点云转换至全局坐标系下；

根据所述当前帧点云在所述全局坐标系中所占的区域面积，构建当前帧点云的坐标系；

基于预设的分辨率在所述当前帧点云的坐标系中对所述当前帧点云进行划分，得到多个当前帧点云的栅格；

对各所述当前帧点云的栅格，以及与所述当前实时点云数据对应的当前历史点云数据中，与所述当前帧点云对应的历史帧点云的栅格进行比对，得到所述待更新区域。

在本公开的一种示例性实施例中，根据当前实时点云数据以及与所述当前实时点云数据对应的当前历史点云数据，计算待更新区域，还包括：

根据所述无人车的全局位姿信息，将所述当前实时点云数据以及当前实时矢量数据定位置所述全局坐标系下；

在所述全局坐标系下，对所述当前实时点云数据、所述当前实时矢量数据以及所述当前历史点云数据进行比对，得到所述待更新区域。

在本公开的一种示例性实施例中，对所述当前实时点云数据、所述当前实时矢量数据以及所述当前历史点云数据进行比对，得到所述待更新区域，包括：

获取所述当前实时矢量数据的当前属性信息；其中，所述当前属性信息中包括交通信号灯矢量数据、车道线矢量数据以及栅栏矢量数据中的一种或多种；

根据所述当前属性信息的水平位置信息以及预设的点云索引关系，分别在所述当前实时点云数据以及当前历史点云数据中搜索与所述当前属性信息对应的障碍物的点云数据；

如果所述点云数据的搜索结果不同，则将所述障碍物所在的位置作为所述待更新区域。

在本公开的一种示例性实施例中，根据所述实时建图数据以及与所述目标实时点云数据对应的目标历史点云数据，计算所述待更新区域的重定位优化因子，包括：

提取所述实时建图数据中所包括的实时地面位置信息，以及与所述目标实时点云数据对应的目标历史点云数据中所包括的历史地面位置信息；

对所述实时地面位置信息中所包括的地面点以及所述历史地面位置信息中所包括的地面点进行匹配，得到全局坐标系下的绕X轴的第一旋转角以及绕Y轴的第二旋转角；

将所述第一旋转角以及第二旋转角作为初值角度，对所述实时地面位置信息中所包括的地面点进行匹配，得到所述待更新区域的匹配转换矩阵；

根据所述匹配转换矩阵以及所述实时建图数据的当前关键帧建立非线性优化边约束关系；

根据所述非线性优化边约束关系计算所述实时建图数据与所述目标历史点云数据之间的贴合度，并根据所述贴合度得到所述待更新区域的重定位优化因子。

在本公开的一种示例性实施例中，根据所述实时建图数据以及与所述待更新区域对应的全球定位系统信息，计算所述待更新区域的闭环优化因子，包括：

根据与所述待更新区域对应的全球定位系统信息，在目标实时点云数据中确定与所述待更新区域对应的待回环关键帧；

在预设范围内查询与所述当前关键帧关联的待回环关键帧，并计算所述当前关键帧以及与所述当前关键帧关联的待回环关键帧之间的匹配分数；

根据所述匹配分数最高的待回环关键帧以及所述当前关键帧之间的回环约束优化边，并根据所述回环约束优化边计算所述待更新区域的闭环优化因子。

在本公开的一种示例性实施例中，根据所述重定位优化因子以及闭环优化因子对所述待更新区域进行更新，包括：

根据所述重定位优化因子以及闭环优化因子对所述实时建图数据进行优化；

根据优化后的实时建图数据对所述待更新区域的目标实时点云数据进行替换。

上述点云地图更新装置中各模块的具体细节已经在对应的点云地图更新方法中进行了详细的描述，因此此处不再赘述。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。

所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

下面参照图9来描述根据本公开的这种实施方式的电子设备900。图9显示的电子设备900仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图9所示，电子设备900以通用计算设备的形式表现。电子设备900的组件可以包括但不限于：上述至少一个处理单元910、上述至少一个存储单元920、连接不同系统组件(包括存储单元920和处理单元910)的总线930以及显示单元940。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元910执行，使得所述处理单元910执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如，所述处理单元910可以执行如图1中所示的步骤S110：根据当前实时点云数据以及与所述当前实时点云数据对应的当前历史点云数据，计算待更新区域；步骤S120：根据所述待更新区域的目标实时点云数据进行实时定位与建图，得到实时建图数据；步骤S130：根据所述实时建图数据以及与所述目标实时点云数据对应的目标历史点云数据，计算所述待更新区域的重定位优化因子；步骤S140：根据所述实时建图数据以及与所述待更新区域对应的全球定位系统信息，计算所述待更新区域的闭环优化因子，并根据所述重定位优化因子以及闭环优化因子对所述待更新区域进行更新。

存储单元920可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)9201和/或高速缓存存储单元9202，还可以进一步包括只读存储单元(ROM)9203。

存储单元920还可以包括具有一组(至少一个)程序模块9205的程序/实用工具9204，这样的程序模块9205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线930可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备900也可以与一个或多个外部设备1000(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备900交互的设备通信，和/或与使得该电子设备900能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口950进行。并且，电子设备900还可以通过网络适配器960与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器960通过总线930与电子设备900的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备900使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。

在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。

根据本公开的实施方式的用于实现上述方法的程序产品，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本公开的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

此外，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

本领域技术人员在考虑说明书及实践这里发明的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未发明的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

Claims (10)

1.一种点云地图更新方法，其特征在于，包括：

根据当前实时点云数据以及与所述当前实时点云数据对应的当前历史点云数据，计算待更新区域；

根据所述待更新区域的目标实时点云数据进行实时定位与建图，得到实时建图数据；

根据所述实时建图数据以及与所述目标实时点云数据对应的目标历史点云数据，计算所述待更新区域的重定位优化因子；其中，所述重定位优化因子根据所述实时建图数据以及目标历史点云数据之间的贴合度得到的，所述贴合度是根据待更新区域的匹配转换矩阵以及实时建图数据之间的非线性优化边约束关系得到的；

根据所述实时建图数据以及与所述待更新区域对应的全球定位系统信息，计算所述待更新区域的闭环优化因子，并根据所述重定位优化因子以及闭环优化因子对所述待更新区域进行更新；其中，所述闭环优化因子是根据与当前关键帧关联的待回环关键帧以及当前关键帧之间的回环约束优化边计算得到的。

2.根据权利要求1所述的点云地图更新方法，其特征在于，根据当前实时点云数据以及与所述当前实时点云数据对应的当前历史点云数据，计算待更新区域，包括：

根据无人车的全局位姿信息将所述当前实时点云数据的当前帧点云转换至全局坐标系下；

根据所述当前帧点云在所述全局坐标系中所占的区域面积，构建当前帧点云的坐标系；

基于预设的分辨率在所述当前帧点云的坐标系中对所述当前帧点云进行划分，得到多个当前帧点云的栅格；

对各所述当前帧点云的栅格，以及与所述当前实时点云数据对应的当前历史点云数据中，与所述当前帧点云对应的历史帧点云的栅格进行比对，得到所述待更新区域。

3.根据权利要求2所述的点云地图更新方法，其特征在于，根据当前实时点云数据以及与所述当前实时点云数据对应的当前历史点云数据，计算待更新区域，还包括：

根据无人车的全局位姿信息，将所述当前实时点云数据以及当前实时矢量数据定位置所述全局坐标系下；

在所述全局坐标系下，对所述当前实时点云数据、所述当前实时矢量数据以及所述当前历史点云数据进行比对，得到所述待更新区域。

4.根据权利要求3所述的点云地图更新方法，其特征在于，对所述当前实时点云数据、所述当前实时矢量数据以及所述当前历史点云数据进行比对，得到所述待更新区域，包括：

获取所述当前实时矢量数据的当前属性信息；其中，所述当前属性信息中包括交通信号灯矢量数据、车道线矢量数据以及栅栏矢量数据中的一种或多种；

根据所述当前属性信息的水平位置信息以及预设的点云索引关系，分别在所述当前实时点云数据以及当前历史点云数据中搜索与所述当前属性信息对应的障碍物的点云数据；

如果所述点云数据的搜索结果不同，则将所述障碍物所在的位置作为所述待更新区域。

5.根据权利要求1所述的点云地图更新方法，其特征在于，根据所述实时建图数据以及与所述目标实时点云数据对应的目标历史点云数据，计算所述待更新区域的重定位优化因子，包括：

提取所述实时建图数据中所包括的实时地面位置信息，以及与所述目标实时点云数据对应的目标历史点云数据中所包括的历史地面位置信息；

对所述实时地面位置信息中所包括的地面点以及所述历史地面位置信息中所包括的地面点进行匹配，得到全局坐标系下的绕X轴的第一旋转角以及绕Y轴的第二旋转角；

将所述第一旋转角以及第二旋转角作为初值角度，对所述实时地面位置信息中所包括的地面点进行匹配，得到所述待更新区域的匹配转换矩阵；

根据所述匹配转换矩阵以及所述实时建图数据的当前关键帧建立非线性优化边约束关系；

根据所述非线性优化边约束关系计算所述实时建图数据与所述目标历史点云数据之间的贴合度，并根据所述贴合度得到所述待更新区域的重定位优化因子。

6.根据权利要求5所述的点云地图更新方法，其特征在于，根据所述实时建图数据以及与所述待更新区域对应的全球定位系统信息，计算所述待更新区域的闭环优化因子，包括：

根据与所述待更新区域对应的全球定位系统信息，在目标实时点云数据中确定与所述待更新区域对应的待回环关键帧；

在预设范围内查询与所述当前关键帧关联的待回环关键帧，并计算所述当前关键帧以及与所述当前关键帧关联的待回环关键帧之间的匹配分数；

建立所述匹配分数最高的待回环关键帧以及所述当前关键帧之间的回环约束优化边，并根据所述回环约束优化边计算所述待更新区域的闭环优化因子。

7.根据权利要求1所述的点云地图更新方法，其特征在于，根据所述重定位优化因子以及闭环优化因子对所述待更新区域进行更新，包括：

根据所述重定位优化因子以及闭环优化因子对所述实时建图数据进行优化；

根据优化后的实时建图数据对所述待更新区域的目标实时点云数据进行替换。

8.一种点云地图更新装置，其特征在于，包括：

第一计算模块，用于根据当前实时点云数据以及与所述当前实时点云数据对应的当前历史点云数据，计算待更新区域；

建图模块，用于根据所述待更新区域的目标实时点云数据进行实时定位与建图，得到实时建图数据；

第二计算模块，用于根据所述实时建图数据以及与所述目标实时点云数据对应的目标历史点云数据，计算所述待更新区域的重定位优化因子；其中，所述重定位优化因子根据所述实时建图数据以及目标历史点云数据之间的贴合度得到的，所述贴合度是根据待更新区域的匹配转换矩阵以及实时建图数据之间的非线性优化边约束关系得到的；

更新模块，用于根据所述实时建图数据以及与所述待更新区域对应的全球定位系统信息，计算所述待更新区域的闭环优化因子，并根据所述重定位优化因子以及闭环优化因子对所述待更新区域进行更新；其中，所述闭环优化因子是根据与当前关键帧关联的待回环关键帧以及当前关键帧之间的回环约束优化边计算得到的。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-7任一项所述的点云地图更新方法。

10.一种电子设备，其特征在于，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1-7任一项所述的点云地图更新方法。