CN114964210A - 地图绘制方法、装置、计算机设备及存储介质 - Google Patents
地图绘制方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN114964210A CN114964210A CN202210554598.3A CN202210554598A CN114964210A CN 114964210 A CN114964210 A CN 114964210A CN 202210554598 A CN202210554598 A CN 202210554598A CN 114964210 A CN114964210 A CN 114964210A
- Authority
- CN
- China
- Prior art keywords
- data
- map
- labeled
- trained
- marked
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 230000011218 segmentation Effects 0.000 claims abstract description 65
- 238000013507 mapping Methods 0.000 claims description 26
- 238000003062 neural network model Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 12
- 230000000875 corresponding effect Effects 0.000 description 40
- 238000002372 labelling Methods 0.000 description 13
- 238000012549 training Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G01C21/3804—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
- G01C21/3819—Road shape data, e.g. outline of a route
-
- 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
- G01C21/3833—Creation or updating of map data characterised by the source of data
- G01C21/3844—Data obtained from position sensors only, e.g. from inertial navigation
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种地图绘制方法、装置、计算机设备及存储介质,该方法包括:确定目标区域的点云数据的拼接结果以及该拼接结果对应的地图底图;将所述目标区域的图像数据配准至所述地图底图以得到第一配准结果;将所述第一配准结果中的图像数据和地图底图分别输入已训练的第一分割模型和已训练的第二分割模型以得到包含标注对象信息的第一待标注数据和第二待标注数据;将Loss值最小的已训练的分割模型对应的待标注数据作为基准数据,完成第一待标注数据和第二待标注数据的配准以得到包含标注对象信息的地图数据。解决了地图绘制结果准确性较低的问题。
Description
技术领域
本发明实施例涉及图像处理领域,尤其涉及一种地图绘制方法、装置、计算机设备及存储介质。
背景技术
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。在无人驾驶领域,高精度地图作为先验环境信息的服务提供者,在高精度定位、辅助环境感知以及规划与决策过程中起着至关重要的作用。高精地图标注过程中,用于标注的底图由激光雷达采集的点云数据产生。但由于实地采集的复杂情况,标志物的掉色、损坏会导致点云数据不够清楚,为识别和标注过程带来困难,因此对点云数据增加视频信息,有助于高精地图的标注过程。
本申请发明人在实现本发明实施例的过程中发现,现有地图绘制方法通常是将点云数据和视频数据同时输入模型中以得到包含标注对象信息的地图数据,该方法至少存在地图绘制结果准确性较低的问题。
发明内容
本发明实施例提供了一种地图绘制方法、装置、计算机设备及存储介质,解决了现有地图绘制方法存在地图绘制结果准确性较低的问题。
第一方面,本发明实施例提供了一种地图绘制方法,包括:
确定目标区域的点云数据的拼接结果以及该拼接结果对应的地图底图;
将所述目标区域的图像数据配准至所述地图底图以得到第一配准结果;
将所述第一配准结果中的图像数据和地图底图分别输入已训练的第一分割模型和已训练的第二分割模型以得到包含标注对象信息的第一待标注数据和第二待标注数据;
将Loss值最小的已训练的分割模型对应的待标注数据作为基准数据,完成第一待标注数据和第二待标注数据的配准,以得到包含标注对象信息的地图数据。
进一步,所述确定目标区域的点云数据的拼接结果以及该拼接结果对应的地图底图,包括:
获取点云数据采集过程中,采集平台的位姿数据;
基于SLAM算法,结合所述位姿数据完成所述点云数据的拼接以得到拼接结果;
对所述拼接结果进行平面化投影以得到地图底图。
进一步,所述将所述目标区域的图像数据配准至所述地图底图以得到第一配准结果,包括:
获取用于采集所述图像数据的摄像头在采集设备中的第一位置数据,以及获取用于采集所述点云数据的雷达在采集平台中的第二位置数据;
根据所述第一位置数据和所述第二位置数据,将所述图像数据配准至所述地图底图以得到第一配准结果。
进一步,所述已训练的第一分割模型包括级联的已训练的语义分割模型和已训练的第一神经网络模型;
所述已训练的语义分割模型用于初步确定第一配准结果中的图像数据中的各标注对象信息,以得到语义分割结果。
进一步,该方法还包括:
为包含标注对象信息的地图数据中的每个待标注对象匹配对应模板以生成目标地图数据。
进一步,所述为包含标注对象信息的地图数据中的每个待标注对象匹配对应模板以生成目标地图数据,包括:
确定所述包含标注对象信息的地图数据中的每个标注对象对应的模板标识,所述标注对象信息包括标注对象和标注对象特征;
根据所述模板标识从模板库中调取模板,并将所述模板映射至同一模板标识对应的标注对象上,以生成目标地图数据。
进一步,该方法还包括:
在检测到增量标注请求时,将所述增量标注请求对应的标注内容添加至所述目标地图数据,以更新所述目标地图数据。
第二方面,本发明实施例还提供了一种地图绘制装置,包括:
拼接模块,用于确定目标区域的点云数据的拼接结果以及该拼接结果对应的地图底图;
第一配准模块,用于将所述目标区域的图像数据配准至所述地图底图以得到第一配准结果;
分割模块,用于将所述第一配准结果中的图像数据和地图底图分别输入已训练的第一分割模型和已训练的第二分割模型以得到包含标注对象信息的第一待标注数据和第二待标注数据;
第二配准模块,用于将Loss值最小的已训练的分割模型对应的待标注数据作为基准数据,完成第一待标注数据和第二待标注数据的配准以得到包含标注对象信息的地图数据。
第三方面,本发明实施例还提供了一种计算机设备,所述计算机设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如任意实施例所述的地图绘制方法。
第四方面,本发明实施例还提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如任意实施例所述的地图绘制方法。
本发明实施例提供的地图绘制方法的技术方案,通过不同分割模型对第一配准结果中的图像数据和地图底图分别进行处理,以得到第一待标注数据和第二代待标注数据,然后将Loss值最小的已训练的分割模型对应的待标注数据作为基准数据,完成第一待标注数据和第二待标注数据的配准以得到包含标注对象信息的地图数据。由于图像数据和地图底图数据相较于二者的组合数据更加简单,因此二者对应的两个分割模型的预测精度均会高于该组合数据对应的分割模型的预测精度,而配准操作又使得本发明实施例的标注准确性提高至Loss值最小的分割模型对应的预测精度,因此本发明实施例相较于现有技术具有更高的标注准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图做一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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是本发明实施例一提供的地图绘制方法的流程图;
图2是本发明实施例一提供的又一地图绘制方法的流程图;
图3是本发明实施例二提供的地图绘制装置的结构框图;
图4是本发明实施例二提供的又一地图绘制装置的结构框图;
图5是本发明实施例三提供的计算机设备的结构框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,以下将参照本发明实施例中的附图,通过实施方式清楚、完整地描述本发明的技术方案,显然,所描述的实施例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,本领域普通技术人员在没有做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。
实施例一
图1是本发明实施例提供的地图绘制方法的流程图。本实施例的技术方案适用于自动绘制地图的情况。该方法可以由本发明实施例提供的地图绘制装置来执行,该装置可以采用软件和/或硬件的方式实现,并配置在处理器中应用。该方法具体包括如下步骤:
S101、确定目标区域的点云数据的拼接结果以及该拼接结果对应的地图底图。
其中,目标区域为待绘制地图的区域,其大小根据实际的地图绘制需求确定。
控制采集平台上的雷达和摄像头分别采集目标区域的点云数据和图像数据,同时通过设置于采集平台上的惯性传感器和全球定位系统,获取点云数据和图像数据采集过程中采集平台的位姿数据。可以理解的是,当雷达和摄像头在采集平台上固定后,根据采集平台的位姿数据可以确定出雷达和摄像头的位姿数据。
在一个实施例中,基于SLAM(Simultaneous Localization and Mapping)算法,结合雷达的位姿数据对点云数据进行拼接以得到拼接结果,然后对拼接结果进行平面化投影以得到地图底图。可以理解的是,在点云数据的拼接过程包括但不限于配准和叠加。关于叠加,当相邻两帧点云数据包含相同物体时,该相邻两帧点云数据会在该相同物体处叠加。
S102、将目标区域的图像数据配准至地图底图以得到第一配准结果。
获取用于采集图像数据的摄像头在采集设备中的第一位置数据,以及用于采集点云数据的雷达在采集平台中的第二位置数据;根据第一位置数据和第二位置数据,将图像数据配准至地图底图以得到第一配准结果。
可以理解的是,第一位置数据和第二位置数据的引入,是为了使第一配准结果与期望配准结果相同。该期望配准结果为雷达和摄像头均被配置于采集平台中心坐标处时采集的点云数据和图像数据的配准结果。通过配准将二维图像数据与三维点云数据进行关联。
S103、将第一配准结果中的图像数据和地图底图分别输入已训练的第一分割模型和已训练的第二分割模型以得到包含标注对象信息的第一待标注数据和第二待标注数据。
其中,已训练的第一分割模型包括级联的已训练的语义分割模型和已训练的第一神经网络模型。其中,已训练的语义分割模型用于初步确定第一配准结果中的图像数据中的标注对象信息,从而得到语义分割结果。其中,标注对象信息包括标注对象以及标注对象的特征。标注对象包括车道线、道路边沿、信号灯或交通指示牌等。标注对象特征包括车道线的颜色、虚实、信号灯的数量和形状等。
其中,已训练的第一神经网络模型用于精确确定语义分割结果中标注对象信息,以提高第一标注数据的准确性。
通过级联的已训练的语义分割模型和已训练的第一神经网络模型,实现了粗定位与细分割结合,在提高数据处理速度的同时提高标注对象信息确定的准确性。
在一个实施例中,已训练的第一神经网络和已训练的第二神经网络均包含至少三层网络,且每一层网络均被设置为处理单一特征。示例性的,第一层网络被配置为处理颜色特征,第二层网络被配置为处理位置特征,第三层网络被配置为处理边界特征。
需要说明的是,采用现有模型训练方法对语义分割模型进行训练以得到已训练的语义分割模型即可;采用现有模型训练方法对第一神经网络模型进行训练以得到已训练的第一神经网络模型即可;采用现有模型训练方法对第二神经网络模型进行训练以得到已训练的第二神经网络模型即可。
S104、将Loss值最小的已训练的分割模型对应的待标注数据作为基准数据,完成第一待标注数据和第二待标注数据的配准以得到包含标注对象信息的地图数据。
可以理解的是,已训练的第一神经网络模型由第一神经网络模型训练而成,已训练的第二神经网络模型由第二神经网络模型训练而成。该第一神经网络模型和第二神经网络模型的训练过程中,均通过Loss值控制迭代优化次数,因为Loss值的大小可以反映预测值与实际值之间的差异。Loss值越大,预测值与实际值之间的差异越大;Loss值越小,预测值与实际值之间的差异越小,模型精度也越高。
本实施例将Loss值最小的已训练的分割模型对应的待标注数据作为基准数据,完成第一待标注数据和第二待标注数据的配准以得到包含标注对象信息的地图数据。示例性地,已训练的第一神经网络模型训练过程中的Loss值较低,将该第一神经网络模型对应的第一待标注数据作为基准数据,将第二待标注数据配准至该第一待标注数据,以得到包含标注对象信息的地图数据。
可以理解的是,在将第二待标注数据配准至第一待标注数据时,是将同一元素在点云数据中的轮廓和地理位置特征,与其在图像数据中的边界和位置特征进行配准。
在一个实施例中,如图2所示,该方法还包括:S105、为包含标注对象信息的地图数据中的每个待标注对象匹配对应模板以生成目标地图数据。具体地,确定包含标注对象信息的地图数据中的每个标注对象对应的模板标识;根据模板标识从模板库中调取模板,并将模板映射至与其模板标识相同的标注对象上以生成目标地图数据。通过模板的映射完成了各标注对象的标注,提高了标注对象的标注效率。
在一个实施例中,在检测到增量标注请求时,将增量标注请求对应的标注内容添加至目标地图数据,以更新目标地图数据。该实施例适用于自动化标注完成后,标注员接手进行增量标注工作和修复工作。关于增量标注,标注员主要标注抽象道路元素,比如路口、道路连接关系等。关于修复工作,标注员通过对比目标地图数据中的点云数据和图像数据确定标注的各对象与实际物理对象之间的差距,如果该差距超过预设阈值,则人工操作标注软件进行修复。
可以理解的是,由于标注对象的模板映射是在第一待标注数据和第二待标注数据配准之后完成的,而标注对象的模板映射完成后得到了目标地图数据,因此目标地图数据中的点云数据的某个区域被选中后,图像数据中的相同区域也会被选中,同样地,目标地图数据中的图像数据中的某个区域被选中后,点云数据中的相同区域也会被选中,因此标注员可以很方便地对目标地图数据中的点云数据和图像数据进行对比,以确定标注的各对象与实际物理对象之间的差距。
本发明实施例提供的地图绘制方法的技术方案,通过不同分割模型对第一配准结果中的图像数据和地图底图分别进行处理,以得到第一待标注数据和第二代待标注数据,然后将Loss值最小的已训练的分割模型对应的待标注数据作为基准数据,完成第一待标注数据和第二待标注数据的配准以得到包含标注对象信息的地图数据。由于图像数据和地图底图数据相较于二者的组合数据更加简单,因此二者对应的两个分割模型的预测精度均会高于该组合数据对应的分割模型的预测精度,而配准操作又使得本发明实施例的标注准确性提高至Loss值最小的分割模型对应的预测精度,因此本发明实施例相较于现有技术具有更高的标注准确性。
实施例二
图3是本发明实施例提供的地图绘制方装置的结构框图。该装置用于执行上述任意实施例所提供的地图绘制方法,该装置可选为软件或硬件实现。该装置包括:
拼接模块11,用于确定目标区域的点云数据的拼接结果以及该拼接结果对应的地图底图;
第一配准模块12,用于将所述目标区域的图像数据配准至所述地图底图以得到第一配准结果;
分割模块13,用于将所述第一配准结果中的图像数据和地图底图分别输入已训练的第一分割模型和已训练的第二分割模型以得到包含标注对象信息的第一待标注数据和第二待标注数据;
第二配准模块14,用于将Loss值最小的已训练的分割模型对应的待标注数据作为基准数据,完成第一待标注数据和第二待标注数据的配准以得到包含标注对象信息的地图数据。
可选地,拼接模块11用于获取点云数据采集过程中,采集平台的位姿数据;基于SLAM算法,结合所述位姿数据完成所述点云数据的拼接以得到拼接结果;对所述拼接结果进行平面化投影以得到地图底图。
可选地,第一配准模块12用于获取用于采集所述图像数据的摄像头在采集设备中的第一位置数据,以及获取用于采集所述点云数据的雷达在采集平台中的第二位置数据;根据所述第一位置数据和所述第二位置数据,将所述图像数据配准至所述地图底图以得到第一配准结果。
可选地,所述已训练的第一分割模型包括级联的已训练的语义分割模型和已训练的第一神经网络模型;所述已训练的语义分割模型用于初步确定第一配准结果中的图像数据中的各标注对象信息,以得到语义分割结果。
可选地,该装置还包括模板映射模块15,用于为包含标注对象信息的地图数据中的每个待标注对象匹配对应模板以生成目标地图数据。
可选地,如图4所示,模板映射模块15用于确定所述包含标注对象信息的地图数据中的每个标注对象对应的模板标识,所述标注对象信息包括标注对象和标注对象特征;根据所述模板标识从模板库中调取模板,并将所述模板映射至同一模板标识对应的标注对象上,以生成目标地图数据。
可选地,该装置还包括增量标注模块,用于在检测到增量标注请求时,将所述增量标注请求对应的标注内容添加至所述目标地图数据,以更新所述目标地图数据。
本发明实施例提供的地图绘制方法的技术方案,通过不同分割模型对第一配准结果中的图像数据和地图底图分别进行处理,以得到第一待标注数据和第二代待标注数据,然后将Loss值最小的已训练的分割模型对应的待标注数据作为基准数据,完成第一待标注数据和第二待标注数据的配准以得到包含标注对象信息的地图数据。由于图像数据和地图底图数据相较于二者的组合数据更加简单,因此二者对应的两个分割模型的预测精度均会高于该组合数据对应的分割模型的预测精度,而配准操作又使得本发明实施例的标注准确性提高至Loss值最小的分割模型对应的预测精度,因此本发明实施例相较于现有技术具有更高的标注准确性。
本发明实施例所提供的地图绘制装置可执行本发明任意实施例所提供的地图绘制方法,具备执行方法相应的功能模块和有益效果。
实施例三
图5为本发明实施例三提供的计算机设备的结构示意图,如图5所示,该设备包括处理器201、存储器202、输入装置203以及输出装置204;设备中处理器201的数量可以是一个或多个,图5中以一个处理器201为例;设备中的处理器201、存储器202、输入装置203以及输出装置204可以通过总线或其他方式连接,图5中以通过总线连接为例。
存储器202作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的地图绘制方法对应的程序指令/模块(例如,拼接模块11、第一配准模块12、分割模块13以及第二配准模块14)。处理器201通过运行存储在存储器202中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述的地图绘制方法。
存储器202可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器202可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器202可进一步包括相对于处理器201远程设置的存储器,这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置203可用于接收输入的数字或字符信息,以及产生与设备的用户设置以及功能控制有关的键信号输入。
输出装置204可包括显示屏等显示设备,例如,用户终端的显示屏。
实施例四
本发明实施例还提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种地图绘制方法,该方法包括:
确定目标区域的点云数据的拼接结果以及该拼接结果对应的地图底图;
将所述目标区域的图像数据配准至所述地图底图以得到第一配准结果;
将所述第一配准结果中的图像数据和地图底图分别输入已训练的第一分割模型和已训练的第二分割模型以得到包含标注对象信息的第一待标注数据和第二待标注数据;
将Loss值最小的已训练的分割模型对应的待标注数据作为基准数据,完成第一待标注数据和第二待标注数据的配准以得到包含标注对象信息的地图数据。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的地图绘制方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(RandomAccess Memory,简称RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的地图绘制方法。
值得注意的是,上述地图绘制装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种地图绘制方法,其特征在于,包括:
确定目标区域的点云数据的拼接结果以及该拼接结果对应的地图底图;
将所述目标区域的图像数据配准至所述地图底图以得到第一配准结果;
将所述第一配准结果中的图像数据和地图底图分别输入已训练的第一分割模型和已训练的第二分割模型以得到包含标注对象信息的第一待标注数据和第二待标注数据;
将Loss值最小的已训练的分割模型对应的待标注数据作为基准数据,完成第一待标注数据和第二待标注数据的配准以得到包含标注对象信息的地图数据。
2.根据权利要求1所述的方法,其特征在于,所述确定目标区域的点云数据的拼接结果以及该拼接结果对应的地图底图,包括:
获取点云数据采集过程中,采集平台的位姿数据;
基于SLAM算法,结合所述位姿数据完成所述点云数据的拼接以得到拼接结果;
对所述拼接结果进行平面化投影以得到地图底图。
3.根据权利要求1所述的方法,其特征在于,所述将所述目标区域的图像数据配准至所述地图底图以得到第一配准结果,包括:
获取用于采集所述图像数据的摄像头在采集设备中的第一位置数据,以及获取用于采集所述点云数据的雷达在采集平台中的第二位置数据;
根据所述第一位置数据和所述第二位置数据,将所述图像数据配准至所述地图底图以得到第一配准结果。
4.根据权利要求1所述的方法,其特征在于,
所述已训练的第一分割模型包括级联的已训练的语义分割模型和已训练的第一神经网络模型;
所述已训练的语义分割模型用于初步确定第一配准结果中的图像数据中的各标注对象信息,以得到语义分割结果。
5.根据权利要求4所述的方法,其特征在于,还包括:
为包含标注对象信息的地图数据中的每个待标注对象匹配对应模板以生成目标地图数据。
6.根据权利要求5所述的方法,其特征在于,所述为包含标注对象信息的地图数据中的每个待标注对象匹配对应模板以生成目标地图数据,包括:
确定所述包含标注对象信息的地图数据中的每个标注对象对应的模板标识,所述标注对象信息包括标注对象和标注对象特征;
根据所述模板标识从模板库中调取模板,并将所述模板映射至同一模板标识对应的标注对象上,以生成目标地图数据。
7.根据权利要求6所述的方法,其特征在于,还包括:
在检测到增量标注请求时,将所述增量标注请求对应的标注内容添加至所述目标地图数据,以更新所述目标地图数据。
8.一种地图绘制装置,其特征在于,包括:
拼接模块,用于确定目标区域的点云数据的拼接结果以及该拼接结果对应的地图底图;
第一配准模块,用于将所述目标区域的图像数据配准至所述地图底图以得到第一配准结果;
分割模块,用于将所述第一配准结果中的图像数据和地图底图分别输入已训练的第一分割模型和已训练的第二分割模型以得到包含标注对象信息的第一待标注数据和第二待标注数据;
第二配准模块,用于将Loss值最小的已训练的分割模型对应的待标注数据作为基准数据,完成第一待标注数据和第二待标注数据的配准以得到包含标注对象信息的地图数据。
9.一种计算机设备,其特征在于,所述计算机设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的地图绘制方法。
10.一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的地图绘制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210554598.3A CN114964210A (zh) | 2022-05-19 | 2022-05-19 | 地图绘制方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210554598.3A CN114964210A (zh) | 2022-05-19 | 2022-05-19 | 地图绘制方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114964210A true CN114964210A (zh) | 2022-08-30 |
Family
ID=82986051
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210554598.3A Pending CN114964210A (zh) | 2022-05-19 | 2022-05-19 | 地图绘制方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114964210A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117372510A (zh) * | 2023-12-05 | 2024-01-09 | 中交天津港湾工程研究院有限公司 | 基于计算机视觉模型的地图注记识别方法、终端及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109345510A (zh) * | 2018-09-07 | 2019-02-15 | 百度在线网络技术(北京)有限公司 | 物体检测方法、装置、设备、存储介质及车辆 |
CN109543502A (zh) * | 2018-09-27 | 2019-03-29 | 天津大学 | 一种基于深度多尺度神经网络的语义分割方法 |
CN110598743A (zh) * | 2019-08-12 | 2019-12-20 | 北京三快在线科技有限公司 | 一种目标对象的标注方法和装置 |
CN112528918A (zh) * | 2020-12-18 | 2021-03-19 | 浙江商汤科技开发有限公司 | 道路元素识别方法、地图标注方法及装置、车辆 |
CN113240009A (zh) * | 2021-05-14 | 2021-08-10 | 广州极飞科技股份有限公司 | 一种点云数据标注方法、装置、存储介质及电子设备 |
CN113674287A (zh) * | 2021-09-03 | 2021-11-19 | 阿波罗智能技术(北京)有限公司 | 高精地图的绘制方法、装置、设备以及存储介质 |
-
2022
- 2022-05-19 CN CN202210554598.3A patent/CN114964210A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109345510A (zh) * | 2018-09-07 | 2019-02-15 | 百度在线网络技术(北京)有限公司 | 物体检测方法、装置、设备、存储介质及车辆 |
CN109543502A (zh) * | 2018-09-27 | 2019-03-29 | 天津大学 | 一种基于深度多尺度神经网络的语义分割方法 |
CN110598743A (zh) * | 2019-08-12 | 2019-12-20 | 北京三快在线科技有限公司 | 一种目标对象的标注方法和装置 |
CN112528918A (zh) * | 2020-12-18 | 2021-03-19 | 浙江商汤科技开发有限公司 | 道路元素识别方法、地图标注方法及装置、车辆 |
CN113240009A (zh) * | 2021-05-14 | 2021-08-10 | 广州极飞科技股份有限公司 | 一种点云数据标注方法、装置、存储介质及电子设备 |
CN113674287A (zh) * | 2021-09-03 | 2021-11-19 | 阿波罗智能技术(北京)有限公司 | 高精地图的绘制方法、装置、设备以及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117372510A (zh) * | 2023-12-05 | 2024-01-09 | 中交天津港湾工程研究院有限公司 | 基于计算机视觉模型的地图注记识别方法、终端及介质 |
CN117372510B (zh) * | 2023-12-05 | 2024-03-01 | 中交天津港湾工程研究院有限公司 | 基于计算机视觉模型的地图注记识别方法、终端及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3505869B1 (en) | Method, apparatus, and computer readable storage medium for updating electronic map | |
KR102266830B1 (ko) | 차선 결정 방법, 디바이스 및 저장 매체 | |
CN108416808B (zh) | 车辆重定位的方法及装置 | |
CN112069856A (zh) | 地图生成方法、驾驶控制方法、装置、电子设备及系统 | |
CN108253973B (zh) | 高精度地图和标准地图关联的方法及装置 | |
CN113034566B (zh) | 高精度地图构建方法、装置、电子设备及存储介质 | |
CN114509060A (zh) | 地图生成装置、地图生成方法以及地图生成用计算机程序 | |
CN114964210A (zh) | 地图绘制方法、装置、计算机设备及存储介质 | |
CN115344655A (zh) | 地物要素的变化发现方法、装置及存储介质 | |
US20240169743A1 (en) | Vehicle positioning method and device based on environment matching, vehicle and storage medium | |
CN110874170A (zh) | 一种图像区域修正方法、图像分割方法及装置 | |
US9898846B1 (en) | Method and apparatus for traffic condition diagram generation | |
US20230138464A1 (en) | System and method for improved parking space detection | |
CN117079238A (zh) | 道路边沿检测方法、装置、设备及存储介质 | |
CN115457084A (zh) | 一种多相机目标检测跟踪方法、装置 | |
CN115115705A (zh) | 点云的标注方法及装置、车辆 | |
CN114440905A (zh) | 中间图层的构建方法、装置、电子设备及存储介质 | |
CN113962847A (zh) | 点云数据处理方法、设备及存储介质 | |
CN113048988A (zh) | 一种导航地图对应场景的变化元素检测方法及装置 | |
CN112101369B (zh) | 图像分割方法和装置 | |
CN117516527A (zh) | 一种地库定位方法、系统、车辆、存储介质及设备 | |
CN115294186A (zh) | 一种点云处理方法、电子设备及程序产品 | |
CN117541465A (zh) | 一种基于特征点的地库定位方法、系统、车辆及存储介质 | |
CN117272930A (zh) | 路口标注方法、装置、电子设备和存储介质 | |
CN115683130A (zh) | 基于车道线生成地图的目标区域出入口区域的方法和装置 |
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 |