CN113899360B - 港口自动驾驶高精度地图的生成与精度评价方法及装置 - Google Patents
港口自动驾驶高精度地图的生成与精度评价方法及装置 Download PDFInfo
- Publication number
- CN113899360B CN113899360B CN202111502643.2A CN202111502643A CN113899360B CN 113899360 B CN113899360 B CN 113899360B CN 202111502643 A CN202111502643 A CN 202111502643A CN 113899360 B CN113899360 B CN 113899360B
- Authority
- CN
- China
- Prior art keywords
- dimensional model
- map
- port
- real
- precision
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3863—Structures of map data
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3807—Creation or updating of map data characterised by the type of data
- G01C21/3811—Point data, e.g. Point of Interest [POI]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3807—Creation or updating of map data characterised by the type of data
- G01C21/3815—Road data
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Automation & Control Theory (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Graphics (AREA)
- Processing Or Creating Images (AREA)
Abstract
本申请提供一种港口自动驾驶高精度地图的生成与精度评价方法及装置,方法包括:获取无人机在港口上方拍摄的照片;将照片转化为实景三维模型;基于人工实测的港口尺寸数据在实景三维模型中赋予真值;基于人工驾驶车辆在港口中的实际驾驶情况在赋予真值后的实景三维模型中添加道路标识;将添加道路标识后的实景三维模型进行格式转换,得到港口自动驾驶高精度地图;并利用实景三维模型对点云地图、矢量地图精度进行定性评价,使用RTK检查点对点云地图、矢量地图精度进行定量评价,最后通过矢量地图室内模拟测试和实车测试进行问题反馈与修订。能够高质量、低成本的生成港口自动驾驶高精度地图,能够分别对点云地图以及矢量地图进行精度评价与修订。
Description
技术领域
本申请涉及自动驾驶技术领域,尤其涉及一种港口自动驾驶高精度地图的生成与精度评价方法、装置、设备及介质。
背景技术
在自动驾驶过程中,高精度地图必不可少。自动驾驶高精度地图目前主要包括:矢量地图、点云地图等。通过自动驾驶高精度地图,能够为自动驾驶车辆提供先验信息,进而能够使得自动驾驶车辆实现路径规划、高精度定位、控制信息存储等功能。
目前,自动驾驶点云地图主要依靠配备有激光雷达(Laser Radar,LiDAR)、全球导航卫星系统(Global Navigation Satellite System,GNSS)、惯性测量单元(InertialMeasurement Unit,IMU)、轮速计等车载传感器的地图采集车在现场进行采集,而后依托同步定位与建图(Simultaneous Localization And Mapping,SLAM)技术生成。进而可以将自动驾驶点云地图转化为自动驾驶矢量地图。而自动驾驶矢量地图,即传统的导航电子地图,能够为自动驾驶车辆提供车道线、道路地面标志、护栏、标牌、路灯杆等道路及其附近相关设施的空间位置信息,以及道路限速、类型、方向、航向、曲率、转向、虚实、车道数变化情况等丰富的道路属性信息。
然而,在港口这样的特殊场景下,地图采集车需要从场地密布的高大重型机械设备下方穿过。而GNSS差分信号由于重型机械设备的遮挡,受到多路径效应的影响严重。并且,港口自动驾驶高精度点云地图的构建需要依赖于地面接收的GNSS差分信号。这样,就会降低港口自动驾驶高精度地图生成的精准性,进而降低港口自动驾驶高精度地图的精准度。
发明内容
本申请实施例的目的是提供一种港口自动驾驶高精度地图的生成与精度评价方法、装置、设备及介质,能够提高港口自动驾驶高精度地图生成的精准性,进而提高港口自动驾驶高精度地图的精准度。
为解决上述技术问题,本申请实施例提供如下技术方案:
本申请第一方面提供一种港口自动驾驶高精度地图的生成与精度评价方法,所述方法包括:获取无人机在港口上方拍摄的照片;
将所述照片转化为实景三维模型;
基于人工实测的港口尺寸数据在所述实景三维模型中赋予真值;
基于人工驾驶车辆在港口中的实际驾驶情况在赋予真值后的实景三维模型中添加道路标识;
将添加道路标识后的实景三维模型进行格式转换,得到港口自动驾驶高精度地图;
将地图采集车采集的点云地图与添加道路标识后的实景三维模型叠加,并根据叠加后的重合结果确定所述点云地图的精度;
将格式转换后的矢量地图导入模拟测试系统,并根据室内模拟测试以及自动驾驶实车测试的测试结果确定修订所述矢量地图。
本申请第二方面提供一种港口自动驾驶高精度地图的生成与精度评价装置,所述装置包括:
获取模块,用于获取无人机在港口上方拍摄的照片;
第一转换模块,用于将所述照片转化为实景三维模型;
第一添加模块,用于基于人工实测的港口尺寸数据在所述实景三维模型中赋予真值;
第二添加模块,用于基于人工驾驶车辆在港口中的实际驾驶情况在赋予真值后的实景三维模型中添加道路标识;
第二转换模块,用于将添加道路标识后的实景三维模型进行格式转换,得到港口自动驾驶高精度地图;
第一评价模块,用于将地图采集车采集的点云地图与添加道路标识后的实景三维模型叠加,并根据叠加后的重合结果确定所述点云地图的精度;
第二评价模块,用于将格式转换后的矢量地图导入模拟测试系统,并根据室内模拟测试以及自动驾驶实车测试的测试结果确定修订所述矢量地图。
本申请第三方面提供一种电子设备,包括:处理器、存储器、总线;其中,所述处理器、所述存储器通过所述总线完成相互间的通信;所述处理器用于调用所述存储器中的程序指令,以执行第一方面中的方法。
本申请第四方面提供一种计算机可读存储介质,包括:存储的程序;其中,在所述程序运行时控制所述存储介质所在设备执行第一方面中的方法。
相较于现有技术,本申请第一方面提供的港口自动驾驶高精度地图的生成与精度评价方法,通过获取无人机在港口上方拍摄的照片,再将照片转化为实景三维模型,接着,基于人工实测的港口尺寸数据在实景三维模型中赋予真值,以及基于人工驾驶车辆在港口中的实际驾驶情况在赋予真值后的实景三维模型中添加道路标识,最后,将添加道路标识后的实景三维模型进行格式转换,就得到了港口自动驾驶高精度地图,进而将地图采集车采集的点云地图与添加道路标识后的实景三维模型叠加,并根据叠加后的重合结果确定所述点云地图的精度,以及将港口自动驾驶高精度地图对应的矢量地图导入模拟测试系统,并根据室内模拟测试以及自动驾驶实车测试的测试结果修订矢量地图。这样,能够避免地图采集车在港口场景下,由于高大的重型机械设备对GNSS差分信号的遮挡,进而导致港口自动驾驶高精度地图的精度不高的问题。采用本申请实施例提供的港口自动驾驶高精度地图的生成与精度评价方法能够高质量、低成本的生成港口自动驾驶高精度地图。并且,通过三维实景模型、室内模拟测试以及自动驾驶实车测试,能够分别对地图采集车采集的点云地图以及港口自动驾驶高精度地图对应的矢量地图进行精度评价与修订。
本申请第二方面提供的港口自动驾驶高精度地图的生成与精度评价装置、第三方面提供的电子设备、第四方面提供的计算机可读存储介质,与第一方面提供的港口自动驾驶高精度地图的生成与精度评价方法具有相同或相似的有益效果。
附图说明
通过参考附图阅读下文的详细描述,本申请示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本申请的若干实施方式,相同或对应的标号表示相同或对应的部分,其中:
图1为本申请实施例中港口自动驾驶高精度地图的生成与精度评价方法的流程示意图一;
图2为本申请实施例中港口自动驾驶高精度地图的生成与精度评价方法的流程示意图二;
图3为本申请实施例中天津港某码头基于无人机倾斜摄影测量生成的实景三维模型示意图;
图4为本申请实施例中天津港某码头基于无人机倾斜摄影测量生成的点云地图示意图;
图5为本申请实施例中天津港某码头基于无人机倾斜摄影测量生成的添加真值后的实景三维模型示意图;
图6为本申请实施例中天津港某码头基于无人机倾斜摄影测量生成的添加道路标识后的实景三维模型示意图。
图7为本申请实施例中港口自动驾驶高精度地图的生成与精度评价装置的结构示意图;
图8为本申请实施例中电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本申请的示例性实施方式。虽然附图中显示了本申请的示例性实施方式,然而应当理解,可以以各种形式实现本申请而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了能够更透彻地理解本申请,并且能够将本申请的范围完整的传达给本领域的技术人员。
需要注意的是,除非另有说明,本申请使用的技术术语或者科学术语应当为本申请所属领域技术人员所理解的通常意义。
本申请实施例提供一种港口自动驾驶高精度地图的生成与精度评价方法,图1为本申请实施例中港口自动驾驶高精度地图的生成与精度评价方法的流程示意图一,参见图1所示,该方法可以包括:
S101:获取无人机在港口上方拍摄的照片。
由于目前地图采集车在港口环境下进行信息采集时,需要从一些高大的重型机械设备下方通过,而高大的重型机械设备会遮挡地图采集车接收GNSS差分信号,进而导致地图采集车无法全面的进行信息采集,进而导致生成的港口自动驾驶高精度地图的精确度不高。
有鉴于此,本申请实施例需要避免港口中高大的重型机械设备对于GNSS差分信号的遮挡,从而采用无人机在港口中采集信息。这样,无人机能够从高大的重型机械设备上方通过,进而避免高大的重型机械设备对无人机在港口中接收GNSS差分信号的遮挡,进而更加全面的对港口信息进行采集,进而提高生成的港口自动驾驶高精度地图的精准度。
具体来说,可以选择一个带有拍摄功能的无人机,并控制该无人机在港口上方按照一定的路线飞行并拍摄。在无人机完成拍摄后,就控制无人机飞回,并从无人机中获取其拍摄的包含有港口环境的照片。
S102:将照片转化为实景三维模型。
在从无人机中获取到港口整体环境的照片后,由于最终需要得到的是能够供无人驾驶集装箱卡车使用的港口自动驾驶高精度地图,因此,需要将无人机拍摄的港口的照片转换为能够供无人驾驶集装箱卡车使用的港口自动驾驶高精度地图。
具体来说,需要将无人机拍摄的港口照片先转换为实景三维模型。所谓三维实景,就是运用数码相机对现有场景进行多角度环视拍摄然后进行后期缝合并加载播放程序来完成的一种三维虚拟展示技术。而实景三维模型,就是将无人机拍摄的照片中的港口的实际场景转换为能够表示港口实际场景的三维模型,即实景三维模型。
在实际应用中,可以直接采用现有的实景三维模型处理软件。即,将无人机拍摄的照片输入到实景三维模型处理软件中,实景三维模型处理软件就能够直接输出照片对应的实景三维模型。这样,能够加快获取实景三维模型的效率,进而提高港口自动驾驶高精度地图的生成效率。当然,也可以采用其它软件或者其它方式获取实景三维模型,对于具体的方式,此处不做限定。
S103:基于人工实测的港口尺寸数据在实景三维模型中赋予真值。
在获得港口的实景三维模型后,由于该实景三维模型中目前仅存在港口中各部分的大体位置,并没有港口中各部分的具体信息,因此,还需要为该实景三维模型中加入具体的港口中各部分的尺寸,即真值。
具体来说,可以是通过人工在港口中进行实际测量,然后将人工实际测量的港口各部分尺寸代入到实景三维模型中。当然,还可以通过其它方式将港口的实际尺寸数据代入到实景三维模型中。例如:通过查看港口的设计图纸中的具体尺寸等。对于在实景三维模型中赋予真值的具体方式,此处不做具体限定。
S104:基于人工驾驶车辆在港口中的实际驾驶情况在赋予真值后的实景三维模型中添加道路标识。
由于无人机并不一定会将港口内各标识拍摄清楚,进而导致无人机拍摄的照片中缺少港口内各标识,进而导致实景三维模型中也缺少港口内的各种标识。而最终生成的港口自动驾驶高精度地图中必须要有港口的各种标识,这样,才能够供无人驾驶集装箱卡车在港口内自动安全行驶。因此,还需要将港口内的各种道路标识添加到实景三维模型中。
具体来说,可以通过人工驾驶集装箱卡车在港口内行驶,进而通过人工驾驶集装箱卡车在港口内的行驶情况,确定港口内各处的道路标识。例如:人工驾驶集装箱卡车在某一路段上速度突然减小至3.6 km/h,那么就说明该道路上存在限速标识,最大限速为3.6km/h。再例如:人工驾驶集装箱卡车在某一路段上行驶,那么就说明该路段可以行驶,则该路段上存在通行标识。当然,还可以通过人工驾驶集装箱卡车在港口内行驶时,集装箱卡车上的摄像头拍摄的道路标识的照片,进而将照片中相应的道路标识添加到实景三维模型中。对于向实景三维模型中添加道路标识的具体方式,此处不做限定。
S105:将添加道路标识后的实景三维模型进行格式转换,得到港口自动驾驶高精度地图。
由于港口自动驾驶车辆中使用的高精度地图具有特定的格式,为了使得地图能够适用于车辆,需要将添加真值以及道路标识后的实景三维模型转换为港口自动驾驶车辆能够识别的格式,这样,就得到了最终需要的港口自动驾驶高精度地图了。
具体来说,可以通过现有的格式转换工具将添加真值以及道路标识后的实景三维模型转换为港口自动驾驶车辆能够识别的格式。当然,也可以通过其它方式(例如:人工处理)将添加真值以及道路标识后的实景三维模型转换为港口自动驾驶车辆能够识别的格式。对于进行格式转换所采用的具体方式,此处不做限定。
S106:将地图采集车采集的点云地图与添加道路标识后的实景三维模型叠加,并根据叠加后的重合结果确定点云地图的精度。
在通过上述步骤S101-S105获得港口自动驾驶高精度地图后,通过获取港口自动驾驶高精度地图中的生成的实景三维模型,就能够针对地图采集车采集的点云地图进行精度的定性和定量评价。
具体来说,点云地图依靠地图采集车采集数据,由算法制图工具处理生成,通常点云地图存在不均匀的误差分布,通过将点云地图和无人机实景三维模型叠加,分析两者重合状况,参考影像可以确定点云地图误差分布情况。进而对于误差较大区域采取相应措施,如重新采集、调整起始点坐标、LiDAR 杆臂补偿值、优化点云地图采集工具算法等措施,针对性调整优化。最终视线点云地图精度的定性和定量评价。
S107:将港口自动驾驶高精度地图对应的矢量地图导入模拟测试系统,并根据室内模拟测试以及自动驾驶实车测试的测试结果修订矢量地图。
在通过上述步骤S101-S105获得港口自动驾驶高精度地图后,通过将自动驾驶精度地图对应的矢量地图导入到室内模拟测试系统以及自动驾驶实车测试系统,就能够针对生成的自动驾驶高精度地图进行修订。
具体来说,首先,矢量地图格式转换。待矢量地图质检通过后,使用地图格式转换工具,将地图转换为可供室内模拟平台、自动驾驶车辆读取的数据交换格式,如json、xml等。然后,矢量地图室内模拟测试。将地图导入自动驾驶室内模拟系统进行仿真测试,针对地图测试问题返回三维GIS平台逐一修改。最后,矢量地图自动驾驶实车测试。将室内模拟测试通过后的矢量地图导入车载计算机,启动其他必要的ROS节点后进行自动驾驶测试,针对测试中发现的问题修改优化,直到满足港口自动驾驶作业要求即可。
最后需要说明的是,本申请实施例提供的港口自动驾驶高精度地图的生成与精度评价方法,除了港口场景之外,同样还能够用于厂矿、公园等园区场景内,以及高速、城区等场景下。采用本申请实施例提供的港口自动驾驶高精度地图的生成与精度评价方法生成的自动驾驶高精度地图,能够适用于在相应场景下驾驶的车辆中。
由上述内容可知,本申请实施例提供的港口自动驾驶高精度地图的生成与精度评价方法,通过获取无人机在港口上方拍摄的照片,再将照片转化为实景三维模型,接着,基于人工实测的港口尺寸数据在实景三维模型中赋予真值,以及基于人工驾驶车辆在港口中的实际驾驶情况在赋予真值后的实景三维模型中添加道路标识,最后,将添加道路标识后的实景三维模型进行格式转换,就得到了港口自动驾驶高精度地图,进而将地图采集车采集的点云地图与添加道路标识后的实景三维模型叠加,并根据叠加后的重合结果确定所述点云地图的精度,以及将港口自动驾驶高精度地图对应的矢量地图导入模拟测试系统,并根据室内模拟测试以及自动驾驶实车测试的测试结果修订矢量地图。这样,能够避免地图采集车在港口场景下,由于高大的重型机械设备对GNSS差分信号的遮挡,进而导致港口自动驾驶高精度地图的精度不高的问题。采用本申请实施例提供的港口自动驾驶高精度地图的生成与精度评价方法能够高质量、低成本的生成港口自动驾驶高精度地图。并且,通过三维实景模型、室内模拟测试以及自动驾驶实车测试,能够分别对地图采集车采集的点云地图以及港口自动驾驶高精度地图对应的矢量地图进行精度评价与修订。
进一步地,作为对图1所示方法的细化和扩展,本申请实施例还提供了一种港口自动驾驶高精度地图的生成与精度评价方法。图2为本申请实施例中港口自动驾驶高精度地图的生成与精度评价方法的流程示意图二,参见图2所示,该方法可以包括:
S201:控制无人机在港口上方拍摄照片。
具体来说,步骤S201可以包括:
步骤A1:获取港口面积。
步骤A2:根据港口面积确定无人机航测作业量。
步骤A3:根据无人机航测作业量从多个无人机中选择目标无人机。
步骤A4:根据目标无人机的电量、遥控器电量、网络实时差分定位精度、第四代移动通信网络信号状况设定目标无人机的航测范围、航高、航向重叠率、旁向重叠率、返航点。
步骤A5:基于目标无人机的航测参数、返航点控制目标无人机在港口上方拍摄照片。
也就是说,通过人工实地查看港口测区场地情况,根据港口面积判断无人机航测作业量,进而合理的选择携带网络实时差分定位(Real Time Kinematic,RTK)功能的免像控航测无人机进行施测。例如:大疆精灵4 RTK、大疆M300 RTK等。这样,能够最大限度减少地面上实测的工作量。
在选择完目标无人机后,就继续在航测区内选择合理的放飞区,以及检查航测设备(即无人机)的状态情况。具体的检查包括:检查无人机电量、遥控器电量、网络RTK、4G信号、电台信号等设备仪器状态情况。以确保无人机信号稳定良好、电量充足。
并且,通过无人机中的飞行软件,为无人机设定航测参数。具体的,将由GoogleEarth划定港口航测区范围的kml文件导入DJI GS RTK或在航测现场手动划定航测范围,设置航测作业模式、航高、航向重叠率、旁向重叠率,并记录返航点。无人机中的航测软件自动生成航线后保存航测作业工程。即,无人机中的DJI GS RTK软件自动生成航线后保存航测作业工程。
最后,放飞无人机自动飞行,时刻监督无人机的飞行状态,并在无人机电量较少时及时为无人机更换电池,合理使用断点续飞功能完成全部航线飞行作业。待无人机航测作业结束并顺利返航后,将机载相机中带有高精度姿态信息的照片导入计算机备用。
S202:获取无人机在港口上方拍摄的照片。
步骤S202与步骤S101的具体实现方式相同,此处不再赘述。
S203:通过空中三角测量、三维重建的方式将所述照片转化为实景三维模型。
具体来说,在无人机航测作业结束后,下载相机SD卡中带有x、y、z、ω、ψ、κ高精度飞行姿态信息的照片,即摄影测量的外方位元素。然后,将相片导入实景三维模型处理软件,例如:Pixel4D、ContextCapture等。接着,在软件内设置相机内方位元素、照片外方位元素等航测参数信息。进而经过光束法平差空中三角测量、三维重建等一系列自动化处理后,生成实景三维模型。
S204:基于人工实测的港口尺寸数据在实景三维模型中赋予真值。
具体来说,步骤S204可以包括:
步骤B1:通过分析实景三维软件对实景三维模型进行处理,得到质量报告。
步骤B2:判断质量报告中反馈影像相对位置精度中误差、绝对位置精度中误差是否小于10cm。若是,则执行步骤B3;若否,则执行步骤B4。
步骤B3:根据质量报告和实时差分定位检查点的实际测量数据在实景三维模型中赋予真值。
步骤B4:调整无人机的航测作业模式、航高、旁向重叠度、航向重叠度、飞行航线,重新控制无人机在港口上方拍摄照片,直到中误差小于10cm为止。
也就是说,采用分析实景三维软件成果质量报告,结合RTK检查点实测验证的方式确定空间数据相对高精度真值。
然后,依托三维地理信息系统(Geographic Information System,GIS)平台强大的空间数据显示、处理、编辑、分析功能,采取人机交互目视矢量化的方式,参考OpenDrive自动驾驶矢量地图数据结构标准绘制地图,建立矢量地图要素拓扑结构、拓扑关系。
接着,待矢量地图全部勾绘完毕后,使用地图质检工具,自动检查不符合自动驾驶逻辑的地图拓扑错误,针对错误项返回三维GIS平台逐一修改,直到地图拓扑全部正确为止。
在这里,实质上就是初步验证航测成果。若质量报告反映的相对位置精度中误差、绝对位置精度中误差小于10cm,则认为成果精度初步满足要求。否则,调整无人机飞行参数。例如:调整航测作业模式、航高、旁向重叠度、航向重叠度、飞行航线等。以控制无人机基于调整后的飞行参数重新采集数据。
以下表1列出了某一港口实景三维模型精度误差分布,表2列出了某一港口实景三维模型相对地理位置误差分布。实质上,这就是分析实景三维软件的输出结果。通过表1和表2,就能够确定该港口目前的实景三维模型是否能够达到初步验证要求。
表1 实景三维模型精度误差分布表
实景三维模型最大精度倍数区间 | X方向地理位置误差百分比(%) | Y方向地理位置误差百分比(%) | Z方向地理位置误差百分比(%) |
[-∞,-0.04] | 0.00 | 0.00 | 0.60 |
[-0.04,-0.03] | 0.00 | 0.00 | 2.78 |
[-0.03,-0.02] | 0.00 | 0.00 | 5.56 |
[-0.02,-0.02] | 0.00 | 0.00 | 8.46 |
[-0.02,-0.01] | 0.60 | 0.60 | 13.91 |
[-0.01,0.00] | 50.06 | 48.85 | 20.92 |
[0.00,0.01] | 48.37 | 49.70 | 13.06 |
[0.01,0.02] | 0.97 | 0.85 | 10.88 |
[0.02,0.02] | 0.00 | 0.00 | 12.33 |
[0.02,0.03] | 0.00 | 0.00 | 9.19 |
[0.03,0.04] | 0.00 | 0.00 | 1.93 |
[0.04,+∞] | 0.00 | 0.00 | 0.36 |
平均误差(m) | -0.000008 | 0.000018 | 0.000575 |
标准差(m) | 0.003135 | 0.002543 | 0.017775 |
均方根误差(m) | 0.003135 | 0.002543 | 0.017785 |
表2 实景三维模型相对地理位置误差分布表
相对地理位置误差 | 实景三维模型X百分比(%) | 实景三维模型Y百分比(%) | 实景三维模型Z百分比(%) |
[-1.00,-1.00] | 99.64 | 99.64 | 78.23 |
[-2.00,2.00] | 100.00 | 100.00 | 99.76 |
[-3.00,3.00] | 100.00 | 100.00 | 100.00 |
地理位置精度平均值 | 0.011526 | 0.011526 | 0.023318 |
地理位置精度标准差 | 0.000439 | 0.000439 | 0.001378 |
在判断质量报告中反馈影像相对位置精度中误差、绝对位置精度中误差是否小于10cm的具体过程中,可以在三维GIS平台,例如:ArcGIS Pro、EPS等软件中采集实景三维模型同名点坐标,计算检查点与同名点的点位中误差,进一步确定模型精度状况。
具体可以使用天宝R10、天宝R8等高精度RTK在港口航测区内均匀选取车道线交叉点、地砖角点等。进而实测检查点坐标。并且,检查点分布尽量均匀,数量为 15~20 个/km²为宜。
具体可以包括:通过实时差分定位检查点与点云地图同名点的X方向中误差、Y方向中误差、平面中误差是否满足10cm限差,判断质量报告中反馈影像相对位置精度中误差、绝对位置精度中误差是否小于10cm。
其中,X方向中误差、Y方向中误差、平面中误差计算公式如下:
其中,RMSE为中误差,Xoi、Yoi为实景三维模型同名点图上坐标,单位为m,XRTKi、YRTKi为实测值,单位为m,n为检查点个数。
这样,通过上述公式(1)、公式(2)和公式(3)的计算结果,就能够快速的确定质量报告中反馈影像相对位置精度中误差、绝对位置精度中误差是否小于10cm,进一步提升港口自动驾驶高精度地图的生成效率。
接下来,就是为实景三维模型添加标识。在这里,具体存在两个并列的步骤,即步骤S205a和步骤S205b。
S205a:基于人工驾驶车辆在港口中的驾驶轨迹,经过轨迹点转线、偏移、平行复制、平滑、捕捉处理,在赋予真值后的实景三维模型中添加虚拟车道。
S205b:基于人工驾驶车辆在港口中的目视情况在赋予真值后的实景三维模型中添加车道线、道路地面标志、护栏、标牌、路灯杆、红绿灯杆、车道编码、限速、类型、方向、航向、曲率、转向、虚实、车道数变化情况。
在为实景三维模型添加标识的过程中,可以依托三维GIS平台强大的空间数据显示、处理、编辑、分析功能,采取人机交互目视矢量化的方式,矢量化时严格遵循OpenDrive自动驾驶矢量地图数据结构标准,建立矢量地图要素拓扑结构、拓扑关系,保证车道线要素方向与实际车辆通行方向一致,车道线要位于车道线中心线附近,最大限度减小制图误差。
针对无车道线区域,例如:路口、舱盖板区、空箱场区等特殊区域。人工驾驶集卡通过该区域,基于车载计算机、组合导航系统等设备,录制与定位相关的ROS话题,取集卡车辆行驶轨迹点数据包。接着,使用转换工具将该数据包转换为Shapefile文件,导入三维GIS平台。进而在三维GIS平台中,经过轨迹点转线、偏移、平行复制、平滑、捕捉等一系列操作处理后,形成无车道线区域虚拟车道。同样地,采集道路地面标志、护栏、标牌、路灯杆、红绿灯杆等道路附属设施矢量要素。
此外,还需明确自动驾驶规划、控制、定位、感知等模块对矢量地图数据规定的需求,完成要素矢量化后,结合港口实际情况对要素属性赋值。具体可以包括:车道线、道路地面标志、护栏、标牌、路灯杆、红绿灯杆等道路及附属设施空间位置信息,以及车道编码、限速、类型、方向、航向、曲率、转向、虚实、车道数变化情况等丰富的道路属性信息。
S206:对添加道路标识后的实景三维模型进行质检,以确保实景三维模型中的道路标识正确。
步骤S206与步骤S204的具体过程类似,也需要对实景三维模型中添加的内容进行质检,即矢量地图质检。
具体来说,步骤S206可以包括:
步骤C1:采用地图质检工具,判断添加道路标识后的实景三维模型中的道路标识是否正确、是否存在重叠线和悬挂线,所述地图质检工具中存储有港口的设计信息。若否,则执行步骤C2;若是,则执行后续的将添加道路标识后的实景三维模型进行格式转换的步骤。
步骤C2:在赋予真值后的实景三维模型中修改道路标识,直到所述地图质检工具判断出添加道路标识后的实景三维模型中的道路标识全部正确为止。
也就是说,待矢量地图全部勾绘完毕后,使用地图质检工具,自动检查不符合自动驾驶逻辑的地图拓扑错误,针对错误项返回三维GIS平台逐一修改。
在实际操作中,可以使用三维GIS平台,例如:ArcGIS Pro、EPS等软件的拓扑检查工具,主要检查矢量地图中存在重叠线、悬挂线问题的要素,针对拓扑错误返回三维GIS平台逐一修改消除,直至再次检查无误为止。
当然,还可以使用矢量地图质检工具,主要检查矢量地图中存在车道线与实际通行方向相反,车道线属性中车道编码重复问题。同时,对道路限速、类型、方向、航向、曲率、转向、虚实、车道数变化情况不合实际的值进行自动查错,针对问题返回三维GIS平台逐一修改消除,直至再次检查无误为止。
S207:基于对实景三维模型的定性和定量评价,修改实景三维模型中的元素信息。
具体来说,步骤S207可以包括:
步骤D1:获取地图采集车采集的点云地图。
具体的,点云地图作为高精地图的重要组成部分,主要服务于LiDAR SLAM定位。可以通过地图采集车采集数据并使用Google开源算法Cartographer处理生成点云。
步骤D2:将点云地图、添加道路标识后的实景三维模型、实时差分定位检查点统一到通用横轴墨卡托投影(Universal Transverse Mercator,UTM)坐标系下。
具体的,可以使用CloudCompare、GlobalMapper、ArcGIS Pro等软件将实景三维模型、点云地图、RTK检查点统一到UTM投影坐标系下。
步骤D3:利用实时差分定位检查点和点云地图中车道线矢量与添加道路标识后的实景三维模型中车道线中心线偏差对添加道路标识后的实景三维模型进行定性和定量评价。
步骤D4:基于点云地图与添加道路标识后的实景三维模型叠加后的重合情况对添加道路标识后的实景三维模型进行定性和定量评价。
由于矢量地图由无人机实景三维模型目视矢量化而来,故矢量地图精度取决于模型精度。矢量地图误差主要来源于制图误差。即车道线矢量化时是否拟合模型车道线中心线,根据车道线矢量和模型中车道线中心线偏差确定成果精度。由于车道线大多粉刷宽度为15cm,故制图误差可维持在10cm以下,满足精度限差要求。
定性评价具体可以包括:点云地图依靠地图采集车采集数据,由算法制图工具处理生成。通常在港口场景下,由于高大起重机械、集装箱等设备对GNSS差分信号的遮挡,存在明显的信号丢失、多路径效应等,造成点云地图存在不均匀的误差分布。通过将点云地图和无人机实景三维模型叠加,分析两者重合状况,参考实景三维模型可以确定点云地图误差分布情况。
定量评价具体可以包括:经定量验证实际三维模型数据精度的高可靠性,测量RTK 检查点距离对应矢量地图、点云地图特征点同名点的 X方向中误差、Y方向中误差、平面中误差,通过不同成果数据互检,综合评价地图精度。
当然,还可以将点云地图、矢量地图精度定性互评。即,将矢量地图、点云地图叠加分析,判断矢量地图车道线与点云地图车道线位置关系,定性评价点云地图、矢量地图误差分布情况。
步骤D5:根据评价结果修改实景三维模型中的元素信息。
至此,实景三维模型中的各种信息就已基本准确地构建完成了。接下来,就可以对实景三维模型进行格式转换,使得转换后的实景三维模型适用于港口自动驾驶车辆。
S208:将添加道路标识后的实景三维模型进行格式转换以及测试,得到适用于港口自动驾驶的高精度地图。
具体来说,步骤S208可以包括:
步骤E1:将添加道路标识后的实景三维模型的格式转换为可供室内自动驾驶模拟平台读取的数据格式。
在格式转换中,可以使用地图格式转换工具,将地图转换为可供室内模拟平台、自动驾驶车辆读取的数据交换格式。例如:json、xml等。
步骤E2:将可供室内自动驾驶模拟平台读取的数据格式的实景三维模型导入室内自动驾驶模拟系统。
步骤E3:根据室内自动驾驶系统的反馈信息修改实景三维模型中的元素信息。
在进行格式转换后,可以先将地图导入自动驾驶室内模拟系统进行仿真测试,针对地图测试问题返回三维GIS平台逐一修改。
步骤E4:将修改元素信息后的实景三维模型导入自动驾驶实车中。
步骤E5:根据自动驾驶实车的反馈信息修改实景三维模型中的元素信息,直到满足港口自动驾驶作业要求。
在室内模拟测试完成后,可以继续将室内模拟测试通过后的矢量地图导入车载计算机,启动其他必要的ROS节点后进行自动驾驶测试。进而针对测试中发现的问题修改优化,直到满足港口自动驾驶作业要求即可。
结合图2中的各步骤,再次对本申请实施例中港口自动驾驶高精度地图的生成与精度评价方法的流程进行说明。主要包括四大步骤,具体如下:
步骤一:数据采集。
基于港口场地条件,不禁飞时采用航测无人机,禁飞时只能采用地图采集车,进而结合手持RTK以及无人集卡进行数据采集。
步骤二:数据处理。
通过地图采集车以及手持RTK获取点云地图,处理后反馈值地图采集车。获取航测无人机拍摄的照片以及手持RTK在监测点的数据,并生成DCM。
步骤三:地图制图。
基于点云地图和DCM生成ArcGIS pro,并转换为shp文件。通过ShpChecker工具、shpZgeojson工具、WebGIS地图工具、HMI模拟器进行模拟测试。如果模拟异常,重新返回ArcGIS pro进行调整。如果模拟正常,进入地图测试步骤。
步骤四:地图测试。
基于无人集卡HMI进行实车测试,如果异常,返回ArcGIS pro进行调整。如果正常,港口中控平台地图批量推送。
最后,以一个实例,对采用本申请实施例提供的港口自动驾驶高精度地图的生成与精度评价方法所生成的地图效果进行展示。
图3为本申请实施例中天津港某码头基于无人机倾斜摄影测量生成的实景三维模型示意图。图4为本申请实施例中天津港某码头基于无人机倾斜摄影测量生成的点云地图示意图。图5为本申请实施例中天津港某码头基于无人机倾斜摄影测量生成的添加真值后的实景三维模型示意图。图6为本申请实施例中天津港某码头基于无人机倾斜摄影测量生成的添加道路标识后的实景三维模型示意图。
由上述内容可知,本申请实施例提供的港口自动驾驶高精度地图的生成与精度评价方法,针对港口特殊场地环境,采用无人机倾斜摄影测量方法生产自动驾驶高精地图,可以有效避免地图采集车在港口场景下,由于GNSS差分信号问题不良影响造成的精度问题。借助成熟的实景三维处理软件,生成的实景三维模型平面精度达到厘米级。依托三维GIS软件、矢量地图质检、格式转换工具,将人类使用的矢量地图格式转换为供自动驾驶车载计算机读取的地图格式。该方法流程高质、高效、低成本,便于在港口、厂矿、公园等园区场景内广泛推广使用,在高速、城区等场景也有一定的应用前景。通过实景三维模型处理软件成果质量报告、RTK检查点确定其作为相对高精度的真值使用,将RTK检查点、实景三维模型、点云地图、矢量地图统一到UTM投影坐标系下,通过实景三维模型对点云地图、矢量地图精度进行定性评价,判断误差分布情况,通过RTK检查点对点云地图、矢量地图精度进行定量评价。通过点云地图、矢量地图互检定性评价其相对精度,以此明确港口高精地图质检方法。
基于同一发明构思,作为对上述方法的实现,本申请实施例还提供了一种港口自动驾驶高精度地图的生成与精度评价装置。图8为本申请实施例中港口自动驾驶高精度地图的生成与精度评价装置的结构示意图,参见图8所示,该装置可以包括:
获取模块701,用于获取无人机在港口上方拍摄的照片;
第一转换模块702,用于将所述照片转化为实景三维模型;
第一添加模块703,用于基于人工实测的港口尺寸数据在所述实景三维模型中赋予真值;
第二添加模块704,用于基于人工驾驶车辆在港口中的实际驾驶情况在赋予真值后的实景三维模型中添加道路标识;
第二转换模块705,用于将添加道路标识后的实景三维模型进行格式转换,得到港口自动驾驶高精度地图;
第一评价模块706,用于将地图采集车采集的点云地图与添加道路标识后的实景三维模型叠加,并根据叠加后的重合结果确定所述点云地图的精度;
第二评价模块707,用于将港口自动驾驶高精度地图对应的矢量地图导入模拟测试系统,并根据室内模拟测试以及自动驾驶实车测试的测试结果修订所述矢量地图。
在本申请其它实施例中,所述装置还包括:控制模块,用于获取港口面积;根据所述港口面积确定无人机航测作业量;根据所述无人机航测作业量从多个无人机中选择目标无人机;根据所述目标无人机的电量、遥控器电量、网络实时差分定位精度、第四代移动通信网络信号状况设定所述目标无人机的航测范围、航高、航向重叠率、旁向重叠率、返航点;基于所述目标无人机的航测参数、返航点控制所述目标无人机在港口上方拍摄照片。
在本申请其它实施例中,所述第一转换模块,用于通过空中三角测量、三维重建的方式将所述照片转化为实景三维模型。
在本申请其它实施例中,所述第一添加模块,用于通过分析实景三维软件对所述实景三维模型进行处理,得到质量报告;判断所述质量报告中反馈影像相对位置精度中误差、绝对位置精度中误差是否小于10cm;若是,则根据所述质量报告和实时差分定位检查点的实际测量数据在所述实景三维模型中赋予真值;若否,则调整无人机的航测作业模式、航高、旁向重叠度、航向重叠度、飞行航线,重新控制无人机在港口上方拍摄照片,直到中误差小于10cm为止。
在本申请其它实施例中,所述第一添加模块,用于通过实时差分定位检查点与点云地图同名点的X方向中误差、Y方向中误差、平面中误差是否满足10cm限差,判断所述质量报告中反馈影像相对位置精度中误差、绝对位置精度中误差是否小于10cm;
其中,所述X方向中误差、Y方向中误差、平面中误差计算公式如下:
其中,RMSE为中误差,Xoi、Yoi为实景三维模型同名点图上坐标,单位为m,XRTKi、YRTKi为实测值,单位为m,n为检查点个数。
在本申请其它实施例中,所述第二添加模块,用于基于人工驾驶车辆在港口中的驾驶轨迹,经过轨迹点转线、偏移、平行复制、平滑、捕捉处理,在赋予真值后的实景三维模型中添加虚拟车道;基于人工驾驶车辆在港口中的目视情况在赋予真值后的实景三维模型中添加车道线、道路地面标志、护栏、标牌、路灯杆、红绿灯杆、车道编码、限速、类型、方向、航向、曲率、转向、虚实、车道数变化情况。
在本申请其它实施例中,所述装置还包括:质检模块,用于采用地图质检工具,判断添加道路标识后的实景三维模型中的道路标识是否正确、是否存在重叠线和悬挂线,所述地图质检工具中存储有港口的设计信息;若是,则执行将添加道路标识后的实景三维模型进行格式转换的步骤;若否,则在赋予真值后的实景三维模型中修改道路标识,直到所述地图质检工具判断出添加道路标识后的实景三维模型中的道路标识全部正确为止。
在本申请其它实施例中,所述装置还包括:评价模块,用于获取地图采集车采集的点云地图;将所述点云地图、添加道路标识后的实景三维模型、实时差分定位检查点统一到通用横轴墨卡托投影坐标系下;利用所述实时差分定位检查点和所述点云地图中车道线矢量与所述添加道路标识后的实景三维模型中车道线中心线偏差对所述添加道路标识后的实景三维模型进行定性和定量评价;基于所述点云地图与所述添加道路标识后的实景三维模型叠加后的重合情况对所述添加道路标识后的实景三维模型进行定性和定量评价;根据评价结果修改实景三维模型中的元素信息。
在本申请其它实施例中,所述第二转换模块,用于将添加道路标识后的实景三维模型的格式转换为可供室内自动驾驶模拟平台读取的数据格式;将可供室内自动驾驶模拟平台读取的数据格式的实景三维模型导入室内自动驾驶模拟系统;根据所述室内自动驾驶系统的反馈信息修改实景三维模型中的元素信息;将修改元素信息后的实景三维模型导入自动驾驶实车中;根据所述自动驾驶实车的反馈信息修改实景三维模型中的元素信息,直到满足港口自动驾驶作业要求。
这里需要指出的是,以上装置实施例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果。对于本申请装置实施例中未披露的技术细节,请参照本申请方法实施例的描述而理解。
基于同一发明构思,本申请实施例还提供了一种电子设备。图8为本申请实施例中电子设备的结构示意图,参见图8所示,该电子设备可以包括:处理器801、存储器802、总线803;其中,处理器801、存储器802通过总线803完成相互间的通信;处理器801用于调用存储器802中的程序指令,以执行上述一个或多个实施例中的方法。
这里需要指出的是,以上电子设备实施例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果。对于本申请电子设备实施例中未披露的技术细节,请参照本申请方法实施例的描述而理解。
基于同一发明构思,本申请实施例还提供了一种计算机可读存储介质,该存储介质可以包括:存储的程序;其中,在程序运行时控制存储介质所在设备执行上述一个或多个实施例中的方法。
这里需要指出的是,以上存储介质实施例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果。对于本申请存储介质实施例中未披露的技术细节,请参照本申请方法实施例的描述而理解。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种港口自动驾驶高精度地图的生成与精度评价方法,其特征在于,所述方法包括:
获取无人机在港口上方拍摄的照片;
将所述照片转化为实景三维模型;
基于人工实测的港口尺寸数据在所述实景三维模型中赋予真值;
基于人工驾驶车辆在港口中的实际驾驶情况在赋予真值后的实景三维模型中添加道路标识;
将添加道路标识后的实景三维模型进行格式转换,得到港口自动驾驶高精度地图;
将地图采集车采集的点云地图与添加道路标识后的实景三维模型叠加,并根据叠加后的重合结果确定所述点云地图的精度;
将港口自动驾驶高精度地图对应的矢量地图导入模拟测试系统,并根据室内模拟测试以及自动驾驶实车测试的测试结果修订所述矢量地图;
其中,所述基于人工实测的港口尺寸数据在所述实景三维模型中赋予真值,包括:
通过分析实景三维软件对所述实景三维模型进行处理,得到质量报告;
判断所述质量报告中反馈影像相对位置精度中误差、绝对位置精度中误差是否小于10cm;
若是,则根据所述质量报告和实时差分定位检查点的实际测量数据在所述实景三维模型中赋予真值;
若否,则调整无人机的航测作业模式、航高、旁向重叠度、航向重叠度、飞行航线,重新控制无人机在港口上方拍摄照片,直到中误差小于10cm为止;
其中,所述判断所述质量报告中反馈影像相对位置精度中误差、绝对位置精度中误差是否小于10cm,包括:
通过X方向中误差、Y方向中误差、平面中误差是否满足10cm限差,判断所述质量报告中反馈影像相对位置精度中误差、绝对位置精度中误差是否小于10cm;
其中,所述X方向中误差、Y方向中误差、平面中误差计算公式如下:
其中,RMSE为中误差,Xoi、Yoi为实景三维模型同名点图上坐标,单位为m,XRTKi、YRTKi为实测值,单位为m,n为检查点个数。
2.根据权利要求1所述的方法,其特征在于,在所述获取无人机在港口上方拍摄的照片之前,所述方法还包括:
获取港口面积;
根据所述港口面积确定无人机航测作业量;
根据所述无人机航测作业量从多个无人机中选择目标无人机;
根据所述目标无人机的电量、遥控器电量、网络实时差分定位精度、第四代移动通信网络信号状况设定所述目标无人机的航测范围、航高、航向重叠率、旁向重叠率、返航点;
基于所述目标无人机的航测参数、返航点控制所述目标无人机在港口上方拍摄照片。
3.根据权利要求1所述的方法,其特征在于,所述将所述照片转化为实景三维模型,包括:
通过空中三角测量、三维重建的方式将所述照片转化为实景三维模型。
4.根据权利要求1所述的方法,其特征在于,所述基于人工驾驶车辆在港口中的实际驾驶情况在赋予真值后的实景三维模型中添加道路标识,包括:
基于人工驾驶车辆在港口中的驾驶轨迹,经过轨迹点转线、偏移、平行复制、平滑、捕捉处理,在赋予真值后的实景三维模型中添加虚拟车道;
基于人工驾驶车辆在港口中的目视情况在赋予真值后的实景三维模型中添加车道线、道路地面标志、护栏、标牌、路灯杆、红绿灯杆、车道编码、限速、类型、方向、航向、曲率、转向、虚实、车道数变化情况。
5.根据权利要求1所述的方法,其特征在于,在所述将添加道路标识后的实景三维模型进行格式转换之前,所述方法还包括:
采用地图质检工具,判断添加道路标识后的实景三维模型中的道路标识是否正确、是否存在重叠线和悬挂线,所述地图质检工具中存储有港口的设计信息;
若是,则执行将添加道路标识后的实景三维模型进行格式转换的步骤;
若否,则在赋予真值后的实景三维模型中修改道路标识,直到所述地图质检工具判断出添加道路标识后的实景三维模型中的道路标识全部正确为止。
6.根据权利要求1所述的方法,其特征在于,在所述将添加道路标识后的实景三维模型进行格式转换之前,所述方法还包括:
获取地图采集车采集的点云地图;
将所述点云地图、添加道路标识后的实景三维模型、实时差分定位检查点统一到通用横轴墨卡托投影坐标系下;
利用所述实时差分定位检查点和所述点云地图中车道线矢量与所述添加道路标识后的实景三维模型中车道线中心线偏差对所述添加道路标识后的实景三维模型进行定性和定量评价;
基于所述点云地图与所述添加道路标识后的实景三维模型叠加后的重合情况对所述添加道路标识后的实景三维模型进行定性和定量评价;
根据评价结果修改实景三维模型中的元素信息。
7.根据权利要求1所述的方法,其特征在于,所述将添加道路标识后的实景三维模型进行格式转换,得到港口自动驾驶高精度地图,包括:
将添加道路标识后的实景三维模型的格式转换为可供室内自动驾驶模拟平台读取的数据格式;
将可供室内自动驾驶模拟平台读取的数据格式的实景三维模型导入室内自动驾驶模拟系统;
根据所述室内自动驾驶模拟系统的反馈信息修改实景三维模型中的元素信息;
将修改元素信息后的实景三维模型导入自动驾驶实车中;
根据所述自动驾驶实车的反馈信息修改实景三维模型中的元素信息,直到满足港口自动驾驶作业要求。
8.一种港口自动驾驶高精度地图的生成与精度评价装置,其特征在于,所述装置包括:
获取模块,用于获取无人机在港口上方拍摄的照片;
第一转换模块,用于将所述照片转化为实景三维模型;
第一添加模块,用于基于人工实测的港口尺寸数据在所述实景三维模型中赋予真值;
第二添加模块,用于基于人工驾驶车辆在港口中的实际驾驶情况在赋予真值后的实景三维模型中添加道路标识;
第二转换模块,用于将添加道路标识后的实景三维模型进行格式转换,得到港口自动驾驶高精度地图;
第一评价模块,用于将地图采集车采集的点云地图与添加道路标识后的实景三维模型叠加,并根据叠加后的重合结果确定所述点云地图的精度;
第二评价模块,用于将港口自动驾驶高精度地图对应的矢量地图导入模拟测试系统,并根据室内模拟测试以及自动驾驶实车测试的测试结果修订所述矢量地图;
其中,所述第一添加模块,用于通过分析实景三维软件对所述实景三维模型进行处理,得到质量报告;判断所述质量报告中反馈影像相对位置精度中误差、绝对位置精度中误差是否小于10cm;若是,则根据所述质量报告和实时差分定位检查点的实际测量数据在所述实景三维模型中赋予真值;若否,则调整无人机的航测作业模式、航高、旁向重叠度、航向重叠度、飞行航线,重新控制无人机在港口上方拍摄照片,直到中误差小于10cm为止;
其中,所述第一添加模块,用于通过X方向中误差、Y方向中误差、平面中误差是否满足10cm限差,判断所述质量报告中反馈影像相对位置精度中误差、绝对位置精度中误差是否小于10cm;
其中,所述X方向中误差、Y方向中误差、平面中误差计算公式如下:
其中,RMSE为中误差,Xoi、Yoi为实景三维模型同名点图上坐标,单位为m,XRTKi、YRTKi为实测值,单位为m,n为检查点个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111502643.2A CN113899360B (zh) | 2021-12-10 | 2021-12-10 | 港口自动驾驶高精度地图的生成与精度评价方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111502643.2A CN113899360B (zh) | 2021-12-10 | 2021-12-10 | 港口自动驾驶高精度地图的生成与精度评价方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113899360A CN113899360A (zh) | 2022-01-07 |
CN113899360B true CN113899360B (zh) | 2022-03-25 |
Family
ID=79025502
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111502643.2A Active CN113899360B (zh) | 2021-12-10 | 2021-12-10 | 港口自动驾驶高精度地图的生成与精度评价方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113899360B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114543807B (zh) * | 2022-01-14 | 2023-10-20 | 安徽海博智能科技有限责任公司 | 一种极端场景下slam算法的高精度评价方法 |
CN117036649A (zh) * | 2023-06-09 | 2023-11-10 | 电子科技大学 | 一种基于混合现实场景的三维地图显示与交互的方法 |
CN116775796B (zh) * | 2023-08-16 | 2023-10-31 | 交通运输部水运科学研究所 | 一种多图层叠加的港区信息展示方法及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108549375A (zh) * | 2018-04-16 | 2018-09-18 | 戴姆勒股份公司 | 高精度地图中基于随机优化的点状对象精度质量评估方法 |
CN109357680A (zh) * | 2018-10-26 | 2019-02-19 | 北京主线科技有限公司 | 港口无人驾驶集装箱卡车高精地图生成方法 |
JP6730501B1 (ja) * | 2019-10-08 | 2020-07-29 | アイコンヤマト株式会社 | 自動図化装置、自動図化方法および自動図化プログラム |
CN110906954A (zh) * | 2019-12-02 | 2020-03-24 | 武汉中海庭数据技术有限公司 | 一种基于自动驾驶平台的高精度地图测试评估方法和装置 |
CN111735464B (zh) * | 2020-08-03 | 2020-12-01 | 北京主线科技有限公司 | 一种港口内激光全局地图建图的方法及装置 |
-
2021
- 2021-12-10 CN CN202111502643.2A patent/CN113899360B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113899360A (zh) | 2022-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113899360B (zh) | 港口自动驾驶高精度地图的生成与精度评价方法及装置 | |
CN110285792B (zh) | 一种无人机倾斜摄影精细格网土方计量方法 | |
US10962650B2 (en) | Polyhedral geofences | |
CN108181635B (zh) | 一种用于输电线路交叉跨越分析的激光点云分类方法 | |
CN102645203B (zh) | 基于机载激光雷达数据的电力线路交叉跨越测量方法 | |
CN110503080B (zh) | 基于无人机倾斜摄影辅助排污口的调查方法 | |
Manyoky et al. | Unmanned aerial vehicle in cadastral applications | |
CN109556569B (zh) | 地形图测绘方法及装置 | |
CN111724477A (zh) | 一种多源数据融合构建多层次三维地形模型方法 | |
CN101335431A (zh) | 基于机载激光雷达数据的架空送电线路优化选线方法 | |
CN107167139A (zh) | 一种变电站巡检机器人视觉定位导航方法及系统 | |
CN106774410A (zh) | 无人机自动巡检方法和装置 | |
CN102662179A (zh) | 基于机载激光雷达的三维优化选线方法 | |
Santise et al. | Evaluation of DEM generation accuracy from UAS imagery | |
CN102074047A (zh) | 一种高精细城市三维建模方法 | |
CN112833861A (zh) | 一种基于倾斜摄影大比例尺地形图的测绘方法和测绘系统 | |
CN104933223A (zh) | 一种输电线路通道数字化测绘方法 | |
CN108681337A (zh) | 一种涵洞或桥梁专用巡查无人机及无人机巡查方法 | |
CN111256730A (zh) | 一种用于低空倾斜摄影测量技术的土方平衡修正计算方法 | |
CN103308902B (zh) | 用于构建输变电三维数字电网的车载LiDAR三维数据采集方法 | |
CN116129067A (zh) | 一种基于多源地理信息耦合的城市实景三维建模方法 | |
CN114283070B (zh) | 融合无人机影像与激光点云的地形断面制作方法 | |
CN110095108B (zh) | 一种基于bim无人机测绘装置及测绘方法 | |
Garcia et al. | The Influence of Ground Control Points Configuration and Camera Calibration for Dtm and Orthomosaic Generation Using Imagery Obtained from a Low-Cost Uav | |
CN115578525B (zh) | 一种复杂环境的工程选线优化系统及方法 |
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 |