CN114119886A - 高精地图点云重建方法、装置、车辆、设备和存储介质 - Google Patents

Abstract

本公开提供了一种高精地图点云重建方法、装置、车辆、设备和存储介质，涉及计算机技术领域，具体涉及自动驾驶、智能交通、地图构建等技术领域。高精地图点云重建方法包括：基于目标场景的运动补偿后的点云，构建所述目标场景的空间子图，所述空间子图内包括至少一帧的所述运动补偿后的点云；优化所述空间子图内的所述点云的全局位姿，以获得所述点云的优化全局位姿；基于所述点云的优化全局位姿，调整所述空间子图，以获得所述目标场景的重建图。本公开可以提高点云重建效果。

Description

高精地图点云重建方法、装置、车辆、设备和存储介质

技术领域

本公开涉及计算机技术领域，具体涉及自动驾驶、智能交通、地图构建等技术领域，尤其涉及一种高精地图点云重建方法、装置、车辆、设备和存储介质。

背景技术

高精地图也称高精度地图，是自动驾驶汽车使用。高精地图，拥有精确的车辆位置信息和丰富的道路元素数据信息，可以帮助汽车预知路面复杂信息，如坡度、曲率、航向等，更好地规避潜在的风险。随着自动驾驶技术的发展，人们对自动泊车技术产生了巨大需求。高精地图为自动泊车提供技术支持，而车库的点云重建又为高精地图的构建提供了数据基础。

相关技术中，存在一些车库的点云重建技术，然而，重建效果不理想。

发明内容

本公开提供了一种高精地图点云重建方法、装置、设备和存储介质。

根据本公开的一方面，提供了一种高精地图点云重建方法，包括：基于目标场景的运动补偿后的点云，构建所述目标场景的空间子图，所述空间子图内包括至少一帧的所述运动补偿后的点云；优化所述空间子图内的所述点云的全局位姿，以获得所述点云的优化全局位姿；基于所述点云的优化全局位姿，调整所述空间子图，以获得所述目标场景的重建图。

根据本公开的另一方面，提供了一种高精地图点云重建装置，包括：构建模块，用于基于目标场景的运动补偿后的点云，构建所述目标场景的空间子图，所述空间子图内包括至少一帧的所述运动补偿后的点云；优化模块，用于优化所述空间子图内的所述点云的全局位姿，以获得所述点云的优化全局位姿；调整模块，用于基于所述点云的优化全局位姿，调整所述空间子图，以获得所述目标场景的重建图。

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如上述任一方面的任一项所述的方法。

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，其中，所述计算机指令用于使所述计算机执行根据上述任一方面的任一项所述的方法。

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，所述计算机程序在被处理器执行时实现根据上述任一方面的任一项所述的方法。

根据本公开的另一方面，提供了一种自动驾驶车辆，包括：如上述任一方面的任一项所述的电子设备。

根据本公开的技术方案，可以提高点云重建效果。

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是根据本公开第一实施例的示意图；

图2是根据本公开第二实施例的示意图；

图3是根据本公开第三实施例的示意图；

图4是根据本公开第四实施例的示意图；

图5是根据本公开第五实施例的示意图；

图6是根据本公开第六实施例的示意图；

图7是用来实现本公开实施例的高精地图点云重建方法中任一方法的电子设备的示意图。

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。

图1是根据本公开第一实施例的示意图，本实施例提供一种高精地图点云重建方法，所述方法包括：

101、基于目标场景的运动补偿后的点云，构建所述目标场景的空间子图。

102、优化所述空间子图内的所述点云的全局位姿，以获得所述点云的优化全局位姿。

103、基于所述点云的优化全局位姿，调整所述空间子图，以获得所述目标场景的重建图。

本实施例的执行主体可以称为点云重建装置，该装置可以为软件、硬件或者软硬结合，该装置可以位于电子设备中。该电子设备可以位于用户终端或者服务端，服务端可以包括本地服务器或者云端；用户终端可以包括移动设备(如手机、平板电脑)、车载终端(如车机)、可穿戴式设备(如智能手表、智能手环)、智能家居设备(如智能电视、智能音箱)等。

相关技术中，可以基于激光雷达采集的点云进行重建，激光雷达可以设置在车辆上，由于采集点云时车辆一般处于行驶状态，相关技术中直接采用采集的点云进行重建，效果比较差。

本公开实施例中，通过基于运动补偿后的点云构建空间子图，以及优化空间子图内的点云的全局位姿，可以提高点云重建效果。

其中，点云重建是指基于目标场景的点云，获得目标场景的重建图，重建图还可以称为目标场景的网格模型，网格模型一般为三维(3D)模型，也可以称为三维重建。

目标场景是待重建的场景，比如，车辆所在的场景，具体比如为车库。

点云是目标场景的表面的采样点的集合，点云可以用点云数据表示，每个点云数据对应点云中的一个点，可以包括该点的位置信息(x,y,z)，若点云由激光雷达采集，点云数据还可以包括反射强度，若点云由相机采集，点云数据还可以包括颜色值。

一些实施例中，所述目标场景为可移动设备所在的场景，所述方法还包括：基于所述可移动设备的位姿，对所述可移动设备上的传感器采集的所述目标场景的初始点云进行运动补偿，以获得所述目标场景的运动补偿后的点云。

可移动设备为目标场景内可移动的设备，比如，可移动设备为车辆，进一步地，车辆比如为自动驾驶车辆等。

传感器是指用于采集点云的传感器，比如，相机，激光雷达等。

以激光雷达为例，如图2所示，车辆201上可以安装激光雷达(light detectionand ranging，LiDAR)202，车辆201在车库内行驶时，激光雷达可以通过激光扫描采集到车库的点云。进一步地，车辆可以以环形轨迹进行行驶。

如图2所示，激光雷达通过向车库发射激光，可以采集到车库的点云，激光雷达采集的点云可以称为初始点云。

点云可以以帧(frame)为单位，一般来讲，一帧点云是指激光雷达扫描一周(360度扫描)后获得的点云。

由于车辆在采集点云时，车辆处于行驶状态，因此，采用车辆的位姿对初始点云进行运动补偿，可以提高点云位姿的准确度，进而提高重建模型的准确度。

位姿是指位置和姿态，在三维空间内，位置可以用三维坐标(x,y,z)表示，姿态可以用三个角度(俯仰角、偏航角、翻滚角)表示。

一般来讲，车辆的位姿(pose)可以采用全球定位系统(Global PositioningSystem，GPS)信号获得，然而，当车库位于室内或者地下时，GPS信号较弱，为此，需要考虑如何获得较为准确的车辆的位姿。

一些实施例中，所述方法还包括：基于所述可移动设备上的IMU和/或轮速计，获得所述可移动设备的位姿。

其中，车辆的初始位姿可以基于GPS信号获得，之后，可以基于IMU和/或轮速计，获得车辆在不同时刻的相对位姿，初始位姿为全局位姿，基于初始的全局位姿和相对位姿，可以获得不同时刻的全局位姿。

全局位姿也可以称为绝对位姿，是指车辆在全局坐标系下的位姿，全局坐标系比如为世界坐标系。相对位姿是指两个时刻的车辆的全局位姿的差值位姿。

惯性测量单元(Inertial Measurement Unit，IMU)主要是指检测和测量加速度与旋转运动的传感器，其原理是采用惯性定律实现的，最基础的IMU包括加速度计和角速度计(陀螺仪)。

轮速计(wheel)，又可以称为轮速传感器，是指测量车辆车轮转速的传感器。常用的轮速传感器主要有：磁电式轮速传感器、霍尔式轮速传感器等。

以IMU为例，可以对IMU采集的运动信息(如加速度、角速度)进行积分(integration)以获得相对位姿，进而基于车辆的初始位姿和相对位姿，获得不同时刻的车辆的绝对位姿。

之后，可以基于不同时刻的车辆的绝对位姿对初始点云进行运动补偿，以获得运动补偿后的点云。

其中，运动补偿的具体算法可以采用已有技术实现，在此不再详述。

通过基于IMU和/或轮速计，获得可移动设备的位姿，可以提高可移动设备的位姿的准确度。

获得目标场景的运动补偿后的点云后，可以基于该点云构建目标场景的空间子图。

空间子图(submap)是局部图，目标场景的重建图可以由多个空间子图(submap)拼接而成，每个空间子图可以由同一空间区域的点云构建得到。

具体地，激光雷达获得一帧点云后，可以将点云插入空间子图中，初始时，空间子图可以为空或者预先配置的非空子图。将一帧点云(可以称为点云帧)插入空间子图时，可以称为扫描匹配(scan match)。扫描匹配时，比如，采用高斯牛顿解最小二乘优化问题，将待插入的点云帧插入到空间子图的最优位置。随着点云帧的不断插入，空间子图得到更新。一般来讲，每个空间子图包括预设数量的点云帧(比如40帧)，当某个空间子图的点云帧的数量达到预设数量时，完成该空间子图的创建。之后，可以依此类推，创建下一个空间子图。

一些实施例中，所述基于目标场景的运动补偿后的点云，构建所述目标场景的空间子图，包括：对所述运动补偿后的点云进行多分辨率采样，以获得多个不同分辨率的点云；基于所述多个不同分辨率的点云，构建所述空间子图。

其中，多分辨率采样，是指基于不同的分辨率，对运动补偿后的点云进行下采样，从而可以获得具有不同分辨率的点云。

比如，对应某帧运动补偿后的点云，采用8*8的分辨率可以获得一种分辨率的点云，采用采用16*16的分辨率可以获得又一种分辨率的点云。

获得不同分辨率的点云后，可以将同一空间区域的点云组成一个空间子图。

如上描述，可以采用扫描匹配(scan match)的方式，构建空间子图(submap)。

本实施例中，不同分辨率的点云可以与不同分辨率的已有三维占据栅格子图进行匹配，以构建空间子图。

具体地，各帧点云中的各个点云可以包括三维位置信息和反射值，已有的空间子图可以为三维占据栅格子图，三维占据栅格子图包括多个栅格，每个栅格对应一个占据值和反射值，占据值用于表明对应栅格被障碍物占据的概率。栅格一般为正方体，边长与分辨率有关，分辨率越高边长越小。

在扫描匹配时，可以将各个点云的三维位置信息及反射值，与三维占据栅格子图中各个栅格的三维位置信息及反射值构成待优化的目标函数，通过最小化该目标函数，完成扫描匹配，即，完成对相应帧点云的位姿优化。

通过基于不同分辨率的点云构建空间子图，可以提高空间子图的精度。

一些实施例中，所述还包括：基于所述运动补偿后的点云，构建位姿图；所述优化所述空间子图内的所述点云的全局位姿，以获得所述点云的优化全局位姿，包括：基于所述位姿图，优化所述空间子图内的所述点云的全局位姿，以获得所述优化全局位姿。

其中，各个空间子图为局部图，空间子图内的点云为局部点云，然而，待重建的重建图为全局图，为此，需要确定空间子图内的点云的全局位姿，以基于点云的全局位姿，对空间子图进行调整，获得重建图。

各个空间子图内的点云的全局位姿，可以基于位姿图(pose graph)优化。

位姿图包括节点和边，是一种无向图，其中，节点为点云的全局位姿，边为点云之间的相对位姿。点云的全局位姿的初始值为运动补偿后的点云的全局位姿(可基于点云数据获得)，经过优化，可以获得点云的优化全局位姿。

本公开实施例中是基于运动补偿后的点云进行处理，因此，如未特别说明，点云是指运动补偿后的点云。

全局位姿也可以称为绝对位姿，是全局坐标下的位姿，全局坐标系比如为世界坐标系。

相对位姿是指两个点云之间的相对位姿，比如，可以将两个点云的全局位姿的差值作为相对位姿。

通过基于位姿图优化点云的全局位姿，可以实现点云的全局一致的位姿，进而获得全局一致的空间子图，从而可以构建准确的重建图。

一些实施例中，所述基于所述运动补偿后的点云，构建位姿图，包括：将所述运动补偿后的点云的初始全局位姿，作为节点；确定不同的所述运动补偿后的点云之间的相对位姿，将所述相对位姿作为边；基于所述节点和所述边，构建所述位姿图。

其中，可以将点云的初始全局位姿作为节点，将点云之间的相对位姿作为边，构建位姿图。

通过上述构建方式，可以获得表征全局信息的位姿图。

一些实施例中，所述确定不同的所述运动补偿后的点云之间的相对位姿，包括：对所述运动补偿后的点云进行闭环检测，以获得所述相对位姿；和/或，获取构建所述空间子图时确定的相对位姿。

其中，相对位姿可以来自于闭环检测，和/或，构建空间子图，从而可以获得用于构建位姿图的相对位姿。

对应空间子图，如上描述，构建空间子图时，是将当前采集的一帧点云(可称为点云帧)插入已有子图中，其中，可以将当前采集的点云帧与已有子图中的第一个点云帧的相对位姿，作为构建空间子图时确定的相对位姿。

闭环检测(loop closure)，又可以称为回环检测，是一种纠正位姿累积误差的方式。

在构建空间子图时，可以采用扫描匹配的方式，该方法在短时间内的准确度较高。然而，随着时间的推移，累积误差会越来越高，为了纠正累加误差，可以采用闭环检测的方式。

闭环检测是采用经过相同位置的两帧点云，计算两者之间的相对位姿，用该相对位姿纠正累加误差。

为此，本公开实施例中，车辆在采集点云时，车辆的行驶轨迹可以为环形轨迹，而不是弓字形，从而更便于闭环检测。

其中，可以采用点云配准方式计算上述经过相同位置的两帧点云的相对位姿。进一步地，可以采用由粗到静的点云配准方式，从而有利于提升系统的鲁棒性，适用于初值漂移较大的情况，提升了优化的收敛特性。

通过对点云进行运动补偿，可以获得局部光滑的轨迹(点云的位姿)，通过对点云进行闭环检测，可以纠正局部光滑的轨迹的累积误差，从而获得较优的局部轨迹。

一些实施例中，所述基于所述位姿图，优化所述空间子图内的所述点云的全局位姿，以获得所述优化全局位姿，包括：对所述位姿图进行图优化，以获得图优化后的全局位姿；对所述图优化后的全局位姿进行BA处理，以获得所述优化全局位姿。

其中，图优化可以采用各种已有的图优化算法，比如，g2o，ceres等。通过图优化，可以对点云的初始全局位姿进行一定的优化。之后，可以基于图优化后的全局位姿调整空间子图，此时，一般来讲，可以得到分米级的精度。

为了进一步提高精度，特别是车库通道处的精度，还可以对图优化后的全局位姿进行进一步优化，此时，可以采用光束调整(Bundle Adjustment，BA)算法进行处理。

BA处理是一种优化算法，优化目标是最小化重投影误差。

具体的BA算法可以参见已有技术，在此不再详述。

通过对点云的全局位姿进行图优化以及BA优化，可以提高点云的全局位姿的准确度和精度，进而提高空间子图以及重建图的准确度和精度。

一些实施例中，所述基于目标场景的运动补偿后的点云，构建所述目标场景的空间子图，包括：基于所述点云的分层标识，对所述运动补偿后的点云进行划分，以构建所述目标场景的空间子图。

其中，在目标场景为分层结构时，比如，目标场景为车库时，车库可以包括多层，比如，地上车库、地下车库等，为了提高重建图的准确度和精度，可以分层进行重建。此时，可以基于分层标识，将不同范围的分层标识对应的点云划分到不同的空间子图。比如，第一层的点云构建一个空间子图，第二层的点云构建另一个空间子图等。

在多层车库的场景下，可以将地面和通道的点云(而不包含顶部)作为一组同于构建空间子图的点云。

在采集点云时可以采集点云的分层标识。

以多层车库为例，分层标识(layer id)可以约定如下：

1.layer id<0:地下楼层；

2.layer id>0:地上楼层；

3.layer id＝0,地面一层；

4.halflayer id,通道层；

各个分层的分层标识可以如图3所示。

基于分层标识，可以实现分层重建，避免被错误的数据关联，从而可以提高点云重建的鲁棒性，更好的支持3D场景。

经过上述处理，可以获得点云的优化全局位姿，从而可以基于优化全局位姿调整点云所在的空间子图，以及，将调整后的各个空间子图进行拼接，获得目标场景的重建图。

图4是根据本公开第四实施例的示意图，本实施例提供一种高精地图点云重建方法。本实施例以对车辆上的激光雷达采集的点云进行处理为例，并结合图5所示的架构图，该方法包括：

401、车辆上的IMU和/或轮速计，采集运动信息。

惯性测量单元(Inertial Measurement Unit，IMU)主要是指检测和测量加速度与旋转运动的传感器，其原理是采用惯性定律实现的，最基础的IMU包括加速度计和角速度计(陀螺仪)。

轮速计(wheel)，又可以称为轮速传感器，是指测量车辆车轮转速的传感器。常用的轮速传感器主要有：磁电式轮速传感器、霍尔式轮速传感器等。

因此，运动信息可以包括：IMU采集的加速度或角速度，和/或，轮速计采集的转速。

在自动驾驶车辆行驶在车库中，特别是地下车库时，全球定位系统(GlobalPositioning System，GPS)信号较弱，基于GPS信号获得车辆的运动信息会存在不准确等问题。

本实施例中，基于IMU和/或轮速计，可以获得准确的运动信息。

402、车辆上的激光雷达，采集车库的初始点云。

其中，点云可以以帧为单位进行采集，比如，将激光雷达扫描一周(360度)获得的点云作为一帧点云。

激光雷达采集的点云可以称为初始点云。

具体地，可以挑选车库内车辆少的时候采集，如周末、早晚的时候。

另外，在车库分为多层的场景下，需要分层采集，每层可以采集当前层的地面和通道部分，尽量较少覆盖其他层的区域。

自动驾驶车辆在行驶时，可以采用环形采集轨迹，尽量避免弓字形采集轨迹，以提升后续的闭环检测的成功率。

403、对运动信息进行积分(Integration)，以获得车辆的位姿。

其中，503及其后续步骤的执行主体可以称为点云重建装置，点云重建装置可以位于车辆上，或者，位于服务器上，服务器可以为本地服务器或者云端服务器。

其中，位姿(pose)是指位置和姿态，在三维空间中，位置可以用三个坐标值，如(x,y,z)表示；姿态可以用三个欧拉角表示，或者可以用一个表示方向的向量表示。

404、基于车辆的位姿，对初始点云进行运动补偿(motion compensation)，以获得运动补偿后的点云。

由于激光雷达在采集初始点云时，自动驾驶车辆处于运动状态，因此，初始点云存在一些运动畸变。

为了降低初始点云的运动畸变，可以基于自动驾驶车辆的位姿对初始点云的初始位姿进行运动补偿，以获得点云的运动补偿后的位姿。

运动补偿是一种基于帧间残差的处理方式，比如，用点云的初始位姿减去车辆位姿作为运动补偿后的位姿。

可以理解的是，上述只是示例，具体运动补偿方式可以采用相关技术实现。

405、对运动补偿后的点云进行多分辨率采样，以获得多分辨率点云。

其中，多分辨率采样是指对运动补偿后的点云进行多个分辨率的采样，相应地，多分辨率点云是指多个分辨率的点云。比如，经过多分辨率采样，可以获得第一分辨率的点云、第二分辨率的点云等。

具体的采样方式比如为采用不同窗口大小的滤波器，进行不同分辨率的采样。

406、基于多分辨率点云，构建空间子图。

407、对运动补偿后的点云进行闭环检测。

其中，扫描匹配在短时间内的准确度较高。然而，随着时间的累积，累积误差会越来越高，为了纠正累积误差，可以采用闭环检测的方式。

闭环检测可以包括：闭环检测参考帧，闭环检测搜索。

闭环检测参考，可以将不同时间通过同一地点的两帧点云作为参考帧。闭环检测搜索是指在第一距离范围内搜索，生成候选位姿。

基于闭环检测，可以获得局部纠正漂移的轨迹。

为了得到全局一致的轨迹，可以采用位姿图的方式。

408、基于运动补偿后的点云，构建位姿图。

其中，可以将运动补偿后的点云的初始全局位姿作为节点，将闭环检测和里程计得到的相对位姿作为边，构建位姿图，

进一步地，可以对位姿图进行图优化，以获得点云的图优化后的全局位姿。

409、基于位姿图进行BA处理，以获得点云的优化全局位姿。

其中，BA处理可以包括：选取关键帧、帧对创建、点对配准，之后，可以对帧对中的点对进行非线性最小平方处理，以获得点云的优化全局位姿。

410、基于所述点云的优化全局位姿，调整所述空间子图，以获得所述目标场景的重建图。

比如，各个点云的优化全局位姿确定后，可以调整各个空间子图，以使得调整后的空间子图中的各个的点云的全局位姿为对应的优化全局位姿。以及，获得调整后的各个空间子图后，可以将各个空间子图进行拼接，以获得最终的重建图。

进一步地，上述点云可以基于分层标识进行处理，以尽量不与其他层的点云进行混合处理，而是，单个分层的点云进行单独处理。

另外，图优化和BA处理的具体计算方式可以参见已有技术，本实施例不再详述。

本公开实施例中，通过里程计累积相对位姿，可以得到局部平滑的初始轨迹(轨迹为点云不同时刻的轨迹点构建，轨迹点可以基于位姿确定)；通过闭环检测可以纠正初始轨迹中的漂移；通过位姿图可以产生一致的轨迹；通过BA优化得到更加准确的重建。为了更加鲁棒的完成室内场景重建，更好的支持3D场景，构建分层优化的方法，避免被错误的数据关联。因此，上述的车库点云三维重建技术能够适用于各种大小各种场景的地库，该方法能够方便的部署于分布式云计算系统，可以大规模自动化的完成车库的三维重建。

图6是根据本公开第六实施例的示意图，本实施例提供一种高精地图点云重建装置。如图6所示，该装置600包括：构建模块601、优化模块602和调整模块603。

构建模块601用于基于目标场景的运动补偿后的点云，构建所述目标场景的空间子图，所述空间子图内包括至少一帧的所述运动补偿后的点云；优化模块602用于优化所述空间子图内的所述点云的全局位姿，以获得所述点云的优化全局位姿；调整模块603用于基于所述点云的优化全局位姿，调整所述空间子图，以获得所述目标场景的重建图。

一些实施例中，所述目标场景为可移动设备所在的场景，所述装置600还包括：运动补偿模块，用于基于所述可移动设备的位姿，对所述可移动设备上的传感器采集的所述目标场景的初始点云进行运动补偿，以获得所述目标场景的运动补偿后的点云。

一些实施例中，所述装置600还包括：获取模块，用于基于所述可移动设备上的IMU和/或轮速计，获得所述可移动设备的位姿。

一些实施例中，所述构建模块601具体用于：对所述运动补偿后的点云进行多分辨率采样，以获得多个不同分辨率的点云；基于所述多个不同分辨率的点云，构建所述空间子图。

一些实施例中，所述装置600还包括：创建模块，用于基于所述运动补偿后的点云，构建位姿图；所述优化模块602具体用于：基于所述位姿图，优化所述空间子图内的所述点云的全局位姿，以获得所述优化全局位姿。

一些实施例中，所述创建模块具体用于：将所述运动补偿后的点云的初始全局位姿，作为节点；确定不同的所述运动补偿后的点云之间的相对位姿，将所述相对位姿作为边；基于所述节点和所述边，构建所述位姿图。

一些实施例中，所述创建模块进一步具体用于：对所述运动补偿后的点云进行闭环检测，以获得所述相对位姿；和/或，获取构建所述空间子图时确定的相对位姿。

一些实施例中，所述优化模块602进一步具体用于：对所述位姿图进行图优化，以获得图优化后的全局位姿；对所述图优化后的全局位姿进行BA处理，以获得所述优化全局位姿。

一些实施例中，所述构建模块具体用于：基于所述点云的分层标识，对所述运动补偿后的点云进行划分，以构建所述目标场景的空间子图。

本公开实施例中，通过基于运动补偿后的点云构建空间子图，以及优化空间子图内的点云的全局位姿，可以提高点云重建效果。

可以理解的是，本公开实施例中，不同实施例中的相同或相似内容可以相互参考。

可以理解的是，本公开实施例中的“第一”、“第二”等只是用于区分，不表示重要程度高低、时序先后等。

本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，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。以及，本公开还提供了一种自动驾驶车辆，包括上述的电子设备。

图7示出了可以用来实施本公开的实施例的示例电子设备700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、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，个人数字助理、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7所示，电子设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储电子设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

电子设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许电子设备700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701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701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701执行上文所描述的各个方法和处理，例如高精地图点云重建方法。例如，在一些实施例中，高精地图点云重建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707。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到电子设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的高精地图点云重建方法的一个或多个步骤。备选地，在其他实施例中，计算单元701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点云重建方法。

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)、复杂可编程逻辑设备(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点云重建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，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。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 (22)

1.一种高精地图点云重建方法，包括：

基于目标场景的运动补偿后的点云，构建所述目标场景的空间子图，所述空间子图内包括至少一帧的所述运动补偿后的点云；

优化所述空间子图内的所述点云的全局位姿，以获得所述点云的优化全局位姿；

基于所述点云的优化全局位姿，调整所述空间子图，以获得所述目标场景的重建图。

2.根据权利要求1所述的方法，其中，所述目标场景为可移动设备所在的场景，所述方法还包括：

基于所述可移动设备的位姿，对所述可移动设备上的传感器采集的所述目标场景的初始点云进行运动补偿，以获得所述目标场景的运动补偿后的点云。

3.根据权利要求2所述的方法，还包括：

基于所述可移动设备上的惯性测量单元IMU和/或轮速计，获得所述可移动设备的位姿。

4.根据权利要求1所述的方法，其中，所述基于目标场景的运动补偿后的点云，构建所述目标场景的空间子图，包括：

对所述运动补偿后的点云进行多分辨率采样，以获得多个不同分辨率的点云；

基于所述多个不同分辨率的点云，构建所述空间子图。

5.根据权利要求1-4任一项所述的方法，还包括：

基于所述运动补偿后的点云，构建位姿图；

所述优化所述空间子图内的所述点云的全局位姿，以获得所述点云的优化全局位姿，包括：

基于所述位姿图，优化所述空间子图内的所述点云的全局位姿，以获得所述优化全局位姿。

6.根据权利要求5所述的方法，其中，所述基于所述运动补偿后的点云，构建位姿图，包括：

将所述运动补偿后的点云的初始全局位姿，作为节点；

确定不同的所述运动补偿后的点云之间的相对位姿，将所述相对位姿作为边；

基于所述节点和所述边，构建所述位姿图。

7.根据权利要求6所述的方法，其中，所述确定不同的所述运动补偿后的点云之间的相对位姿，包括：

对所述运动补偿后的点云进行闭环检测，以获得所述相对位姿；和/或，

获取构建所述空间子图时确定的相对位姿。

8.根据权利要求5所述的方法，其中，所述基于所述位姿图，优化所述空间子图内的所述点云的全局位姿，以获得所述优化全局位姿，包括：

对所述位姿图进行图优化，以获得图优化后的全局位姿；

对所述图优化后的全局位姿进行BA处理，以获得所述优化全局位姿。

9.根据权利要求1-4任一项所述的方法，其中，所述基于目标场景的运动补偿后的点云，构建所述目标场景的空间子图，包括：

基于所述点云的分层标识，对所述运动补偿后的点云进行划分，以构建所述目标场景的空间子图。

10.一种高精地图点云重建装置，包括：

构建模块，用于基于目标场景的运动补偿后的点云，构建所述目标场景的空间子图，所述空间子图内包括至少一帧的所述运动补偿后的点云；

优化模块，用于优化所述空间子图内的所述点云的全局位姿，以获得所述点云的优化全局位姿；

调整模块，用于基于所述点云的优化全局位姿，调整所述空间子图，以获得所述目标场景的重建图。

11.根据权利要求10所述的装置，其中，所述目标场景为可移动设备所在的场景，所述装置还包括：

运动补偿模块，用于基于所述可移动设备的位姿，对所述可移动设备上的传感器采集的所述目标场景的初始点云进行运动补偿，以获得所述目标场景的运动补偿后的点云。

12.根据权利要求11所述的装置，还包括：

获取模块，用于基于所述可移动设备上的IMU和/或轮速计，获得所述可移动设备的位姿。

13.根据权利要求10所述的装置，其中，所述构建模块具体用于：

对所述运动补偿后的点云进行多分辨率采样，以获得多个不同分辨率的点云；

基于所述多个不同分辨率的点云，构建所述空间子图。

14.根据权利要求10-13任一项所述的装置，还包括：

创建模块，用于基于所述运动补偿后的点云，构建位姿图；

所述优化模块具体用于：

基于所述位姿图，优化所述空间子图内的所述点云的全局位姿，以获得所述优化全局位姿。

15.根据权利要求14所述的装置，其中，所述创建模块具体用于：

将所述运动补偿后的点云的初始全局位姿，作为节点；

确定不同的所述运动补偿后的点云之间的相对位姿，将所述相对位姿作为边；

基于所述节点和所述边，构建所述位姿图。

16.根据权利要求15所述的装置，其中，所述创建模块进一步具体用于：

对所述运动补偿后的点云进行闭环检测，以获得所述相对位姿；和/或，

获取构建所述空间子图时确定的相对位姿。

17.根据权利要求14所述的装置，其中，所述优化模块进一步具体用于：

对所述位姿图进行图优化，以获得图优化后的全局位姿；

对所述图优化后的全局位姿进行BA处理，以获得所述优化全局位姿。

18.根据权利要求10-13任一项所述的装置，其中，所述构建模块具体用于：

基于所述点云的分层标识，对所述运动补偿后的点云进行划分，以构建所述目标场景的空间子图。

19.一种电子设备，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1-9中任一项所述的方法。

20.一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1-9中任一项所述的方法。

21.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-9中任一项所述的方法。

22.一种自动驾驶车辆，包括如权利要求19中所述的电子设备。

Images