CN114969414A - 地图更新方法及系统、超视距路况协同方法及系统 - Google Patents
地图更新方法及系统、超视距路况协同方法及系统 Download PDFInfo
- Publication number
- CN114969414A CN114969414A CN202210585605.6A CN202210585605A CN114969414A CN 114969414 A CN114969414 A CN 114969414A CN 202210585605 A CN202210585605 A CN 202210585605A CN 114969414 A CN114969414 A CN 114969414A
- Authority
- CN
- China
- Prior art keywords
- map
- data acquisition
- remote sensing
- area
- acquisition
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000000605 extraction Methods 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 238000012351 Integrated analysis Methods 0.000 claims abstract description 7
- 238000013480 data collection Methods 0.000 claims abstract description 7
- 238000007726 management method Methods 0.000 claims description 77
- 230000008859 change Effects 0.000 claims description 23
- 238000004891 communication Methods 0.000 claims description 21
- 238000005516 engineering process Methods 0.000 claims description 19
- 230000004927 fusion Effects 0.000 claims description 18
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000012544 monitoring process Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 15
- 230000009471 action Effects 0.000 claims description 12
- 238000007405 data analysis Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 5
- 238000010835 comparative analysis Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 6
- 239000002699 waste material Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008447 perception Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/56—Information retrieval; Database structures therefor; File system structures therefor of still image data having vectorial format
-
- 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
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
- G01C21/30—Map- or contour-matching
- G01C21/32—Structuring or formatting 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
- G01C21/3815—Road 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
- G01C21/3859—Differential updating 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
- G01C21/3885—Transmission of map data to client devices; Reception of map data by client devices
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/587—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/182—Network patterns, e.g. roads or rivers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Automation & Control Theory (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Astronomy & Astrophysics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Library & Information Science (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种地图更新方法及系统、超视距路况协同方法及系统，包括：步骤1.获取遥感卫星地图；步骤2.将步骤1所获取的遥感卫星地图与前一次获取的遥感卫星地图进行对比，分析出区域内道路路网的差异区；步骤3.将差异区作为数据采集路径规划的终点，对用于采集数据的各数据采集体进行采集路径的规划和调度；步骤4.各数据采集体协同采集各目标区域内的地图环境信息；步骤5.对各数据采集体所采集的地图环境信息进行语义提取和集成分析；步骤6.基于步骤5所得到的数据进行局部矢量地图的构建；步骤7.对遥感卫星地图进行图像预处理及信息提取，并与局域地图进行融合，形成全局高精地图。本发明实现全时全域高精地图生产及更新。
Description
技术领域
本发明属于高精地图更新技术领域，具体涉及一种地图更新方法及系统、超视距路况协同方法及系统。
背景技术
我国农村及偏远地区路网建设如火如荼，道路里程常态化更新，与城市路网不同，其路网结构呈毛细血管状，同时农村及偏远地区道路通行频率不及城镇，且智能化交通设施不足。以上固有问题，将导致农村及偏远地区道路系统地图更新能力不足，也进一步影响自动驾驶区域扩展和延展应用。
随着L2～L3级自动驾驶汽车产品的稳步落地应用，我国自动驾驶技术逐渐向L4～L5级发展，智能高精地图作为未来智能出行的关键一环，是交通资源全时空实时感知的载体和交通工具全过程运行管控的依据。一方面，传统地图其更新方式多以地面信息采集车为载体在全国各地进行道路地图信息采集，后续进一步加工处理和完善补充数据后，形成图地图产品给用户端发送地图更新包，因此，用户需在终端完成数据更新才能实现一次地图数据更新，生产周期长、人工依赖性高、制图成本高，通常导致地图滞后性严重，对自动驾驶地图的现势性提出了较高挑战。另一方面，传统地图更新过程繁琐、亘长，无法满足自动驾驶车辆对地图更新频次、速度、时延和定位精度的要求，高精度地图通常要求车辆位置偏差小于10 cm，且可反应全时全域更详细的路况信息，因此，自动驾驶对地图的制作和更新提出了非常严苛的要求。
在交通运输监控管理领域，与传统的地面交通目标监控和管理设备相比，基于高分辨率卫星遥感影像的目标检测方法具有成本低、路面破坏度小、地面交通设施影响性小、覆盖性强、交通信息丰富等诸多优点，为交通管理与交通流动态监测提供了新数据和新方法，也对地图采集路径规划提供了基础路源和先驱优势。同时，随着下一代卫星互联网新基建布局推进和卫星组网商业化应用程度加深，卫星通信在无地基网或偏远地区信号较差地理位置与地面4G/5G移动互联网形成有效互补，对未来自动驾驶区域的边缘拓展甚至向农村发展，具有重要作用。
在卫星遥感技术商业化应用领域，如专利文献CN108288059B公开了一种基于高分辨率遥感技术的建筑垃圾监测方法，利用高分辨卫星遥感技术对建筑垃圾进行全时监管，有效弥补了现有垃圾遥感识别方法中没有专门针对于建筑垃圾的半自动化识别的缺陷，该方法使建筑垃圾遥感监测更加高效和及时。在众包地图技术领域，如专利文献CN110362647A公开的一种传统地图路网与众包地图路网的关联方法及装置，其主要基于传统地图路网Link进行众包地图路网的数据获取；又如专利文献CN111209364A公开的一种基于众包地图更新的海量数据接入处理方法及系统，其主要从技术层面解决了后台数据处理服务器端负载过大的问题，有效提高高精地图实时性。
由上可知，现有卫星遥感技术商业化应用主要面向静态或准静态业务，对于自动驾驶的高动态业务，目前还未涉及。
因此，有必要开发一种新的地图更新方法及系统、超视距路况协同方法及系统。
发明内容
本发明提供一种地图更新方法及系统、超视距路况协同方法及系统，基于多源众包采图技术和高分辨率卫星遥感成图技术，能实现全时全域高精地图生产及更新。
第一方面，本发明所述的一种地图更新方法，包括以下步骤：
步骤1.获取遥感卫星地图；
步骤2.地图全局变化对比分析：将步骤1所获取的遥感卫星地图与前一次获取的遥感卫星地图进行对比，分析出区域内道路路网的差异区，并将差异区作为后续多源众包采集的数据采集区；
步骤3.众包地图采集路径全局规划：将数据采集区作为数据采集路径规划的终点，对用于采集数据的各数据采集体进行采集路径的规划和调度；
步骤4.多源数据采集与定位：各数据采集体协同采集各目标区域内的地图环境信息；
步骤5.数据分析：对各数据采集体所采集的地图环境信息进行语义提取和集成分析，得到地图的各类属性信息；
步骤6.矢量建图：基于步骤5所得到的数据进行局部矢量地图的构建，得到众包矢量图；
步骤7.地图融合：对步骤1中所获得的遥感卫星地图进行图像预处理及信息提取得到遥感地图，并结合处理后的遥感地图、历史的高精地图和众包矢量图进行地图融合，形成全局高精地图。
可选地，所述步骤2具体为：
步骤21：将遥感卫星采集的遥感卫星地图基于卷积神经网络方法分割、提取道路特征并形成更新版的路网结构和属性特征；
步骤22：结合原版的路网结构和属性特征，通过模型训练和AI推理的神经网络算法，对路网结构的变化进行智能化提取和检测，分析出区域内道路路网的差异区，并将差异区作为后续多源众包采集的数据采集区。
可选地，所述步骤3具体为：
步骤31：根据步骤2确定的数据采集区，基于全局最优规划算法，匹配与数据采集区距离最近的空闲目标数据采集体并监测其位置信息；
步骤32：根据步骤31中得到的空闲目标数据采集体及其位置信息，规划出被调度的目标数据采集体从当前所在位置至数据采集区的行驶路径，以及对目标数据采集体的采集任务进行分配。
可选地，所述步骤7中，对遥感卫星地图进行图像预处理及信息提取，具体为：
图像预处理：对高分辨遥感图像输入数据进行图像预处理，得到预处理图，其中，图像预处理包括几何校正、去噪处理、边缘增强、影像融合、影像镶嵌以及正射影像图的制作；
信息提取：对预处理图进行边缘监测与影像分割，生成对象，确认地面实况与影像特征间的关系，建立解译标志，并解译出遥感基图结果。
第二方面，本发明所述的一种地图更新系统包括：
遥感地图获取模块，用于获取遥感卫星地图；
地图全局变化对比分析模块，用于将遥感地图获取模块本次所获取的遥感卫星地图与遥感地图获取模块前一次获取的遥感卫星地图进行对比，分析出区域内道路路网的差异区，并将差异区作为后续多源众包采集的数据采集区，该地图全局变化对比分析模块与遥感地图获取模块连接；
众包地图采集路径全局规划模块，用于将数据采集区作为数据采集路径规划的终点，对用于采集数据的各数据采集体进行采集路径的规划和调度，该众包地图采集路径全局规划模块与地图全局变化对比分析模块连接；
多源数据采集与定位模块，基于包地图采集路径全局规划模块所规划的采集路径和分配的采集任务协同采集各目标区域内的地图环境信息，该多源数据采集与定位模块与众包地图采集路径全局规划模块连接；
数据分析模块，用于对各数据采集体所采集的地图环境信息进行语义提取和集成分析，得到地图的各类属性信息，该数据分析模块与多源数据采集与定位模块连接；
矢量建图模块，基于数据分析模块所输出的数据进行局部矢量地图的构建，得到众包矢量图，该矢量建图模块与数据分析模块连接；
地图融合模块，用于对遥感地图获取模块所获得的遥感卫星地图进行图像预处理及信息提取得到遥感地图，并结合处理后的遥感地图、历史的高精地图和众包矢量图进行地图融合，形成全局高精地图，该地图融合模块与矢量建图模块连接。
可选地，所述地图全局变化对比分析模块包括：
道路特征处理子模块，用于将遥感卫星采集的遥感卫星地图基于卷积神经网络方法分割、提取道路特征并形成更新版的路网结构和属性特征；
对比分析子模块，用于结合原版的路网结构和属性特征，通过模型训练和AI推理的神经网络算法，对路网结构的变化进行智能化提取和检测，分析出区域内道路路网的差异区，并将差异区作为后续多源众包采集的数据采集区，该对比分析子模块与道路特征处理子模块连接。
可选地，所述众包地图采集路径全局规划包括：
目标数据采集体确定子模块，根据地图全局变化对比分析模块的确定的数据采集区，基于全局最优规划算法，匹配与数据采集区距离最近的空闲目标数据采集体并监测其位置信息；
行驶路径规划和任务分配子模块，根据目标数据采集体确定子模块输出的空闲目标数据采集体及其位置信息，规划出被调度的目标数据采集体从当前所在位置至数据采集区的行驶路径，以及对目标数据采集体的采集任务进行分配，该行驶路径规划和任务分配子模块与目标数据采集体确定子模块连接。
可选地，所述多源数据采集与定位模块包括采集车、无人机、机器人及车辆中的至少两种采集体，各采集体基于自身的运行特点和环境适应性，协同采集各目标区域内的地图语义信息。
第三方面，本发明所述的一种超视距路况协同方法，包括以下步骤：
步骤1.采用如本发明所述的地图更新方法的步骤，得到全局高精地图；
步骤2.在全局高精地图完成更新后，由地图管理平台将更新后的全局高精地图播发至各自动驾驶车辆，自动驾驶车辆结合全局高精地图和自身定位技术，得到高精定位信息，同时车辆将高精定位信息实时上传至地图管理平台和交通运输管理平台；
步骤3. 地图管理平台获取各自动驾驶车辆上传的高精定位信息并反馈至交通运输管理平台；
步骤4.交通运输管理平台基于地图管理平台的全局高精地图和各自动驾驶车辆的高精定位信息，实时监管所辖区域内自动驾驶车辆的动作情况，并基于自动驾驶车辆的动作情况对所辖区域内的自动驾驶车辆进行行驶管理。
可选地，所述车辆在地面信号差或无地面信号时，车辆通过卫星通信网与交通运输管理平台建立通信连接，在地面信号强时，车辆通过地面4G/5G通信网与交通运输管理平台建立通信连接。
第四方面，本发明所述的一种超视距路况协同系统，包括地图更新模块、地图管理平台、自动驾驶车辆和交通运输管理平台；
所述地图更新模块被配置为能执行如本发明所述的地图更新方法的步骤，得到全局高精地图；
所述地图管理平台用于在全局高精地图完成更新后，将更新后的全局高精地图播发至各自动驾驶车辆；
所述自动驾驶车辆用于结合全局高精地图和自身定位技术得到高精定位信息，同时将高精定位信息实时上传至地图管理平台和交通运输管理平台；
所述地图管理平台获取各自动驾驶车辆上传的高精定位信息并反馈至交通运输管理平台；
所述交通运输管理平台基于地图管理平台的全局高精地图和各自动驾驶车辆的高精定位信息，实时监管所辖区域内自动驾驶车辆的动作情况，并基于自动驾驶车辆的动作情况对所辖区域内的自动驾驶车辆进行行驶管理。
本发明具有以下优点：
（1）本发明基于遥感卫星成图技术，能够实现高精度地图的基图快速成图和差异化道路（新增、改建）的实时发现和采图资源调度，尤其能够提高偏远地区道路地图的低成本、高效更新，为后续基于多源众包信息的全局化高精地图数据处理提供优势；
（2）基于地图管理平台和卫星遥感及通信技术，从交通运输管理平台监控和规划需求出发，实现车路协同环境下的交通车辆管理和路径规划。
附图说明
图1为本实施例中地图更新系统的原理框图；
图2为本实施例中地图更新系统及超视距路况协同系统的架构图；
图3为本实施例中卫星遥感技术成图处理流程图；
图4为本实施例中超视距路况协同系统的架构图；
图5为本实施例中的模型训练流程图；
图6为本实施例中的AI推理流程图。
具体实施方式
下面结合附图对本发明作进一步说明。
如图2所示，本实施例中，一种地图更新方法，包括以下步骤：
步骤1.获取遥感卫星地图；
步骤2. 地图全局变化对比分析：将步骤1所获取的遥感卫星地图与前一次获取的遥感卫星地图进行对比，分析出区域内道路路网的差异区，并将差异区作为后续多源众包采集的数据采集区。本实施例中，主要通过高分辨率卫星遥感技术对新增道路和路网更迭等情况进行全时全域监控对比，并基于高效识图算法分析得出差异区。
本实施例中，所述步骤2具体为：
步骤21：将遥感卫星采集的遥感卫星地图基于卷积神经网络方法分割、提取道路特征并形成更新版的路网结构和属性特征；
步骤22：结合原版的路网结构和属性特征，通过模型训练和AI推理的神经网络算法，对路网结构的变化进行智能化提取和检测，分析出区域内道路路网的差异区，并将差异区作为后续多源众包采集的数据采集区。
本实施例中，如图5所示，模型训练的流程为：
A1、样本准备；
A2、数据处理；
A3、神经网络输入；
A4、神经网络训练；
A5、测试验证；
A6、对性能是否达标进行判断，若达标，保存模型，若未达标，返回步骤A3。
本实施例中，如图6所示，AI推理的流程如下：
B1、获取遥感卫星影像和神经网络模型；
B2、AI推理；
B3、数据分类和智能检测；
B4、分类栅格数据。
步骤3. 众包地图采集路径全局规划：将数据采集区作为数据采集路径规划的终点，对用于采集数据的各数据采集体进行采集路径的规划和调度；本实施例中，采用最优规划算法（比如：遗传算法、蚁群算法或基于深度强化学习的路径规划方法）对各众包地图多源采集体进行采集路径规划和调度，促进全局最快最优数据采集。
本实施例中，所述步骤3具体为：
步骤31：根据步骤2确定的数据采集区，基于全局最优规划算法，匹配与数据采集区距离最近的空闲目标数据采集体并监测其位置信息；
步骤32：根据步骤31中得到的空闲目标数据采集体及其位置信息，规划出被调度的目标数据采集体从当前所在位置至数据采集区的行驶路径。
步骤4.多源数据采集与定位：被调度的目标数据采集体基于步骤32所规划的行驶路径前往数据采集区进行数据采集，各数据采集体协同采集各目标区域内的地图环境信息。本实施例中，自动驾驶车辆对地图精度和动态性要求较高，因此目前主流高精地图采用众包形式构建，本实施例中的数据采集体主要由传统采集车、无人机、机器人及自动驾驶车辆组成，各采集体基于其运行特点和环境适应性，协同采集各目标区域内的地图语义信息。众包地图概念中，各自动驾驶车辆既是高精地图服务商，也是高精地图供应商，其主要基于车载高清摄像头、激光雷达等对交通路况环境进行实时动态跟踪采集，基于路旁协同RSU（Road Side Unit）、车载IMU（Inertial Measurement Unit）、GNSS(Global NavigationSatellite System)以及车载CAN总线各传感器实现对自身位置和姿态的实时定位。
步骤5.数据分析：对各数据采集体所采集的地图环境信息进行语义提取和集成分析，得到地图的各类属性信息。本实施例中，各数据采集体所采集地图在语义信息质量、复杂度、准确性及信息速率等方面存在巨大差异，因此需基于神经网络、深度学习算法等搭建以实现数据分析为目的的感知计算平台，以统一多源感知数据，并形成可用地图信息属性。
步骤6.矢量建图：基于步骤5所得到的数据进行局部矢量地图的构建，得到众包矢量图。本实施例中，各多源数据采集体在完成数据采集和分析后，将局部地图集成数据上传至云端平台，由云端平台基于上传数据开展局部矢量地图的构建。与传统二维电子地图不同，自动驾驶用高精地图具有三维复杂度，包含全时、全域众多静态和动态信息。因此，在完成步骤5中的数据分析后，需要结合深度学习、SLAM(Simultaneous LocalizationandMapping)等建图技术，实现高精矢量地图的生产和集成。
步骤7.地图融合：对步骤1中所获得的遥感卫星地图进行图像预处理及信息提取得到遥感地图（作为高精地图基本内容的基图），并结合处理后的遥感地图、历史的高精地图和众包矢量图进行地图融合，形成全局高精地图。本实施例中，地图融合同样在云端平台进行，将遥感卫星地图和众包矢量图进行全局融合，构建具有详细环境要素和交通特征的自动驾驶高精度地图。在地图融合中，遥感基图提供主要地理特征和路网结构，多源众包采集提供具体语义特征，两者互补融合，既降低制图成本和生产周期，也完成复杂细节特征的构建。
本实施例中，更新的遥感地图和众包矢量图只需要将变化区域的更新结果融入到历史版本的高精地图就可以，也就是说，上一版的高精地图是基本，遥感地图是发现变化区域的技术，众包矢量图是变化区域的更新，将三者合起来就可以实现全局高精地图的更新迭代。
如图3所示，本实施例中，所述步骤7中，对遥感卫星地图进行图像预处理及信息提取，具体为：
图像预处理：对高分辨遥感图像输入数据进行图像预处理，得到预处理图，其中，图像预处理包括几何校正、去噪处理、边缘增强、影像融合、影像镶嵌以及正射影像图的制作；
信息提取：对预处理图进行边缘监测与影像分割，生成对象，确认地面实况与影像特征间的关系，建立解译标志，并解译出遥感基图结果。
如图1所示，本实施例中，一种地图更新系统，包括：
遥感地图获取模块，用于获取遥感卫星地图；
地图全局变化对比分析模块，用于将遥感地图获取模块本次所获取的遥感卫星地图与遥感地图获取模块前一次获取的遥感卫星地图进行对比，分析出区域内道路路网的差异区，并将差异区作为后续多源众包采集的数据采集区，该地图全局变化对比分析模块与遥感地图获取模块连接；
众包地图采集路径全局规划模块，用于将数据采集区作为数据采集路径规划的终点，对用于采集数据的各数据采集体进行采集路径的规划和调度，该众包地图采集路径全局规划模块与地图全局变化对比分析模块连接；
多源数据采集与定位模块，基于包地图采集路径全局规划模块所规划的采集路径和分配的采集任务协同采集各目标区域内的地图环境信息，该多源数据采集与定位模块与众包地图采集路径全局规划模块连接；
数据分析模块，用于对各数据采集体所采集的地图环境信息进行语义提取和集成分析，得到地图的各类属性信息，该数据分析模块与多源数据采集与定位模块连接；
矢量建图模块，基于数据分析模块所输出的数据进行局部矢量地图的构建，得到众包矢量图，该矢量建图模块与数据分析模块连接；
地图融合模块，用于对遥感地图获取模块所获得的遥感卫星地图进行图像预处理及信息提取得到遥感地图，并结合处理后的遥感地图、历史的高精地图和众包矢量图进行地图融合，形成全局高精地图，该地图融合模块与矢量建图模块连接。
本实施例中，所述地图全局变化对比分析模块包括：
道路特征处理子模块，用于将遥感卫星采集的遥感卫星地图基于卷积神经网络方法分割、提取道路特征并形成更新版的路网结构和属性特征；
对比分析子模块，用于结合原版的路网结构和属性特征，通过模型训练和AI推理的神经网络算法，对路网结构的变化进行智能化提取和检测，分析出区域内道路路网的差异区，并将差异区作为后续多源众包采集的数据采集区，该对比分析子模块与道路特征处理子模块连接。
本实施例中，所述众包地图采集路径全局规划包括：
目标数据采集体确定子模块，根据地图全局变化对比分析模块的确定的数据采集区，基于全局最优规划算法，匹配与数据采集区距离最近的空闲目标数据采集体并监测其位置信息；
行驶路径规划和任务分配子模块，根据目标数据采集体确定子模块输出的空闲目标数据采集体及其位置信息，规划出被调度的目标数据采集体从当前所在位置至数据采集区的行驶路径，以及对目标数据采集体的采集任务进行分配，该行驶路径规划和任务分配子模块与目标数据采集体确定子模块连接。
本实施例中，所述多源数据采集与定位模块包括采集车、无人机、机器人及自动驾驶车辆中的至少两种采集体，各采集体基于自身的运行特点和环境适应性，协同采集各目标区域内的地图语义信息。
本实施例中，所述车辆在地面信号差或无地面信号时，车辆通过卫星通信网与交通运输管理平台建立通信连接，在地面信号强时，车辆通过地面4G/5G通信网与交通运输管理平台建立通信连接。
以下结合具体实施对地图更新方法进行详细的说明：
（1）利用高分辨率遥感卫星拍摄遥感卫星地图，并与前一次的遥感卫星地图对比分析，识别出某村镇道路A、某村镇道路B为新增道路，某城区道路C正进行道路变更；
（2）基于遥感地图差异性区域，通过全局最优规划算法为无人机1、传统采集车2分配地图信息采集任务，分别调度至某村镇道路A和某村镇道路B进行环境信息采集和数据处理，而将正行驶在某城区道路C路线上的自动驾驶车辆3所采集地图信息作为某城区道路C的地图信息基础，即调用自动驾驶车辆3采集的分析后的数据作为该路线主要地图更新依据，并同时融合其他某城区道路C路线上的自动驾驶车辆众包地图采集信息；
（3）无人机1、传统采集车2和自动驾驶车辆3将分析集成后的数据发送至地图管理云平台后，地图管理云平台首先进行局部矢量地图的构建，其次结合本次所获得的遥感卫星地图，通过图像预处理及信息提取后，与局域地图进行融合，形成全局高精地图。
本实施例中，一种超视距路况协同方法，包括以下步骤：
步骤1.采用如本实施例中所述的地图更新方法的步骤，得到全局高精地图；
步骤2.在全局高精地图完成更新后，由地图管理平台将更新后的全局高精地图播发至各自动驾驶车辆，自动驾驶自动驾驶车辆结合全局高精地图和自身定位技术，得到高精定位信息，同时自动驾驶车辆将高精定位信息加密后实时上传至地图管理平台和交通运输管理平台；
步骤3. 地图管理平台获取各自动驾驶车辆上传的高精定位信息并反馈至交通运输管理平台；
步骤4.交通运输管理平台基于地图管理平台的全局高精地图和各自动驾驶车辆的高精定位信息，实时监管所辖区域内自动驾驶车辆的动作情况，并基于自动驾驶车辆的动作情况对所辖区域内的自动驾驶车辆进行行驶管理。
本实施例中，一种超视距路况协同系统，包括地图更新模块、地图管理平台、自动驾驶车辆和交通运输管理平台；
所述地图更新模块被配置为能执行如本实施例中所述的地图更新方法的步骤，得到全局高精地图；
所述地图管理平台用于在全局高精地图完成更新后，将更新后的全局高精地图播发至各自动驾驶车辆；
所述自动驾驶车辆用于结合全局高精地图和自身定位技术得到高精定位信息，同时将高精定位信息实时上传至地图管理平台和交通运输管理平台；
所述地图管理平台获取各自动驾驶车辆上传的高精定位信息并反馈至交通运输管理平台；
所述交通运输管理平台基于地图管理平台的全局高精地图和各自动驾驶车辆的高精定位信息，实时监管所辖区域内自动驾驶车辆的动作情况（比如：逆线行驶、应急车道违规占用、限行限牌违规行驶），并基于自动驾驶车辆的动作情况对所辖区域内的自动驾驶车辆进行行驶管理（比如：应急求援规划、行驶路径最优规划等）。
如图4所示，本实施例中，以下结合实例对超视距路况协同方法进行说明：
（1）自动驾驶车辆A、自动驾驶车辆B、自动驾驶车辆C、自动驾驶车辆D分别结合自身视觉视像头感知环境信息和地图管理平台下发的全局高精地图，实时完成自身高精导航定位，其中，通过将车道线、路缘信息与地图匹配，完成自车横向定位，即车道级定位，将路面、交通标志以及红绿灯信息与全局高精地图进行匹配，完成自车纵向定位。
（2）自动驾驶车辆A、自动驾驶车辆B、自动驾驶车辆C、自动驾驶车辆D获取自车精确的位置信息后，通过车载通信模块将位置信息实时加密发送至交通运输管理平台。其中，自动驾驶车辆A因所行驶区域地面信号差或无地面信号，无法服务于实时信息传输需求，因此自动驾驶车辆通过卫星通信进行位置信息传输，自动驾驶车辆B、自动驾驶车辆C、自动驾驶车辆D行驶于地基网络完善的城市道路，通过地基4G/5G通信进行位置信息传输；
（3）交通运输管理平台获取自动驾驶车辆的位置信息后，基于地图管理平台共享的全局高精地图，分析出自动驾驶车辆A正逆线行驶，交通运输管理平台发送管控信息至自动驾驶车辆A，要求其改正行驶路线。若自动驾驶车辆B由于其当前行驶路径前方拥堵，时间并未最优，反馈最优规划路径至自动驾驶车辆B，建议其修正行驶路线。交通运输管理平台监测到某道路中间车道后方有应急救援车紧急行驶需求，但当前自动驾驶车辆C、自动驾驶车辆D正行驶于该车道前方，为调整该车道使用优先权，交通运输管理平台将该路权需求信息反馈至自动驾驶车辆C、自动驾驶车辆D，要求其主动更改车道并让出路权。
Claims (12)
1.一种地图更新方法，其特征在于，包括以下步骤：
步骤1.获取遥感卫星地图；
步骤2.地图全局变化对比分析：将步骤1所获取的遥感卫星地图与前一次获取的遥感卫星地图进行对比，分析出区域内道路路网的差异区，并将差异区作为后续多源众包采集的数据采集区；
步骤3.众包地图采集路径全局规划：将数据采集区作为数据采集路径规划的终点，对用于采集数据的各数据采集体进行采集路径的规划和调度；
步骤4.多源数据采集与定位：各数据采集体协同采集各目标区域内的地图环境信息；
步骤5.数据分析：对各数据采集体所采集的地图环境信息进行语义提取和集成分析，得到地图的各类属性信息；
步骤6.矢量建图：基于步骤5所得到的数据进行局部矢量地图的构建，得到众包矢量图；
步骤7.地图融合：对步骤1中所获得的遥感卫星地图进行图像预处理及信息提取得到遥感地图，并结合处理后的遥感地图、历史的高精地图和众包矢量图进行地图融合，形成全局高精地图。
2.根据权利要求1所述的地图更新方法，其特征在于：所述步骤2具体为：
步骤21：将遥感卫星采集的遥感卫星地图基于卷积神经网络方法分割、提取道路特征并形成更新版的路网结构和属性特征；
步骤22：结合原版的路网结构和属性特征，通过模型训练和AI推理的神经网络算法，对路网结构的变化进行智能化提取和检测，分析出区域内道路路网的差异区，并将差异区作为后续多源众包采集的数据采集区。
3.根据权利要求2所述的地图更新方法，其特征在于：所述步骤3具体为：
步骤31：根据步骤2确定的数据采集区，基于全局最优规划算法，匹配与数据采集区距离最近的空闲目标数据采集体并监测其位置信息；
步骤32：根据步骤31中得到的空闲目标数据采集体及其位置信息，规划出被调度的目标数据采集体从当前所在位置至数据采集区的行驶路径，以及对目标数据采集体的采集任务进行分配。
4.根据权利要求1至3任一所述的地图更新方法，其特征在于：所述步骤7中，对遥感卫星地图进行图像预处理及信息提取，具体为：
图像预处理：对高分辨遥感图像输入数据进行图像预处理，得到预处理图，其中，图像预处理包括几何校正、去噪处理、边缘增强、影像融合、影像镶嵌以及正射影像图的制作；
信息提取：对预处理图进行边缘监测与影像分割，生成对象，确认地面实况与影像特征间的关系，建立解译标志，并解译出遥感地图结果。
5.一种地图更新系统，其特征在于，包括：
遥感地图获取模块，用于获取遥感卫星地图；
地图全局变化对比分析模块，用于将遥感地图获取模块本次所获取的遥感卫星地图与遥感地图获取模块前一次获取的遥感卫星地图进行对比，分析出区域内道路路网的差异区，并将差异区作为后续多源众包采集的数据采集区，该地图全局变化对比分析模块与遥感地图获取模块连接；
众包地图采集路径全局规划模块，用于将数据采集区作为数据采集路径规划的终点，对用于采集数据的各数据采集体进行采集路径的规划和调度，该众包地图采集路径全局规划模块与地图全局变化对比分析模块连接；
多源数据采集与定位模块，基于包地图采集路径全局规划模块所规划的采集路径和分配的采集任务协同采集各目标区域内的地图环境信息，该多源数据采集与定位模块与众包地图采集路径全局规划模块连接；
数据分析模块，用于对各数据采集体所采集的地图环境信息进行语义提取和集成分析，得到地图的各类属性信息，该数据分析模块与多源数据采集与定位模块连接；
矢量建图模块，基于数据分析模块所输出的数据进行局部矢量地图的构建，得到众包矢量图，该矢量建图模块与数据分析模块连接；
地图融合模块，用于对遥感地图获取模块所获得的遥感卫星地图进行图像预处理及信息提取得到遥感地图，并结合处理后的遥感地图、历史的高精地图和众包矢量图进行地图融合，形成全局高精地图，该地图融合模块与矢量建图模块连接。
6.根据权利要求5所述的地图更新系统，其特征在于；所述地图全局变化对比分析模块包括：
道路特征处理子模块，用于将遥感卫星采集的遥感卫星地图基于卷积神经网络方法分割、提取道路特征并形成更新版的路网结构和属性特征；
对比分析子模块，用于结合原版的路网结构和属性特征，通过模型训练和AI推理的神经网络算法，对路网结构的变化进行智能化提取和检测，分析出区域内道路路网的差异区，并将差异区作为后续多源众包采集的数据采集区，该对比分析子模块与道路特征处理子模块连接。
7.根据权利要求6所述的地图更新系统，其特征在于；所述众包地图采集路径全局规划包括：
目标数据采集体确定子模块，根据地图全局变化对比分析模块的确定的数据采集区，基于全局最优规划算法，匹配与数据采集区距离最近的空闲目标数据采集体并监测其位置信息；
行驶路径规划和任务分配子模块，根据目标数据采集体确定子模块输出的空闲目标数据采集体及其位置信息，规划出被调度的目标数据采集体从当前所在位置至数据采集区的行驶路径，以及对目标数据采集体的采集任务进行分配，该行驶路径规划和任务分配子模块与目标数据采集体确定子模块连接。
8.根据权利要求5至7任一所述的地图更新系统，其特征在于：所述多源数据采集与定位模块包括采集车、无人机、机器人及车辆中的至少两种采集体，各采集体基于自身的运行特点和环境适应性，协同采集各目标区域内的地图语义信息。
9.一种超视距路况协同方法，其特征在于，包括以下步骤：
步骤1.采用如权利要求1至4任一所述的地图更新方法的步骤，得到全局高精地图；
步骤2.在全局高精地图完成更新后，由地图管理平台将更新后的全局高精地图播发至各自动驾驶车辆，自动驾驶车辆结合全局高精地图和自身定位技术，得到高精定位信息，同时车辆将高精定位信息实时上传至地图管理平台和交通运输管理平台；
步骤3. 地图管理平台获取各自动驾驶车辆上传的高精定位信息并反馈至交通运输管理平台；
步骤4.交通运输管理平台基于地图管理平台的全局高精地图和各自动驾驶车辆的高精定位信息，实时监管所辖区域内自动驾驶车辆的动作情况，并基于自动驾驶车辆的动作情况对所辖区域内的自动驾驶车辆进行行驶管理。
10.根据权利要求9所述的超视距路况协同方法，其特征在于：所述车辆在地面信号差或无地面信号时，车辆通过卫星通信网与交通运输管理平台建立通信连接，在地面信号强时，车辆通过地面4G/5G通信网与交通运输管理平台建立通信连接。
11.一种超视距路况协同系统，其特征在于，包括地图更新模块、地图管理平台、自动驾驶车辆和交通运输管理平台；
所述地图更新模块被配置为能执行如权利要求1至4任一所述的地图更新方法的步骤，得到全局高精地图；
所述地图管理平台用于在全局高精地图完成更新后，将更新后的全局高精地图播发至各自动驾驶车辆；
所述自动驾驶车辆用于结合全局高精地图和自身定位技术得到高精定位信息，同时将高精定位信息实时上传至地图管理平台和交通运输管理平台；
所述地图管理平台获取各自动驾驶车辆上传的高精定位信息并反馈至交通运输管理平台；
所述交通运输管理平台基于地图管理平台的全局高精地图和各自动驾驶车辆的高精定位信息，实时监管所辖区域内自动驾驶车辆的动作情况，并基于自动驾驶车辆的动作情况对所辖区域内的自动驾驶车辆进行行驶管理。
12.根据权利要求11所述的超视距路况协同系统，其特征在于：所述车辆在地面信号差或无地面信号时，车辆通过卫星通信网与交通运输管理平台建立通信连接，在地面信号强时，车辆通过地面4G/5G通信网与交通运输管理平台建立通信连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210585605.6A CN114969414B (zh) | 2022-05-27 | 地图更新方法及系统、超视距路况协同方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210585605.6A CN114969414B (zh) | 2022-05-27 | 地图更新方法及系统、超视距路况协同方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114969414A true CN114969414A (zh) | 2022-08-30 |
| CN114969414B CN114969414B (zh) | 2024-10-18 |
Family
ID=
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116499477A (zh) * | 2023-06-21 | 2023-07-28 | 小米汽车科技有限公司 | 地图的融合方法、装置、介质及车辆 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110929690A (zh) * | 2019-12-10 | 2020-03-27 | 交通运输部科学研究院 | 一种基于深度神经网络的遥感影像路网提取方法 |
| KR20220001275A (ko) * | 2020-06-29 | 2022-01-05 | (주)뉴빌리티 | 사용자의 경험 데이터를 이용한 소형 모빌리티용 경로 생성 시스템 및 그 방법 |
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110929690A (zh) * | 2019-12-10 | 2020-03-27 | 交通运输部科学研究院 | 一种基于深度神经网络的遥感影像路网提取方法 |
| KR20220001275A (ko) * | 2020-06-29 | 2022-01-05 | (주)뉴빌리티 | 사용자의 경험 데이터를 이용한 소형 모빌리티용 경로 생성 시스템 및 그 방법 |
Non-Patent Citations (2)
| Title |
|---|
| XIAOYING JIN ET AL.: "An integrated system for automatic road mapping from high-resolution multi-spectral satellite imagery by information fusion", 《INFORMATION FUSION》, 19 July 2004 (2004-07-19), pages 257 - 273 * |
| 余卓渊: "全息高精度导航地图：概念及理论模型", 《地球信息科学学报》, vol. 22, no. 4, 25 April 2020 (2020-04-25), pages 760 - 771 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116499477A (zh) * | 2023-06-21 | 2023-07-28 | 小米汽车科技有限公司 | 地图的融合方法、装置、介质及车辆 |
| CN116499477B (zh) * | 2023-06-21 | 2023-09-26 | 小米汽车科技有限公司 | 地图的融合方法、装置、介质及车辆 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10970542B2 (en) | Scalable three dimensional object segmentation | |
| US11423677B2 (en) | Automatic detection and positioning of pole-like objects in 3D | |
| CN111247540B (zh) | 自主车辆路由 | |
| Kanistras et al. | A survey of unmanned aerial vehicles (UAVs) for traffic monitoring | |
| US12111177B2 (en) | Generating training data for deep learning models for building high definition maps | |
| US11151394B2 (en) | Identifying dynamic objects in a point cloud | |
| US8359156B2 (en) | Map generation system and map generation method by using GPS tracks | |
| CN108073170A (zh) | 用于自主车辆的自动化协同驾驶控制 | |
| CN111497853B (zh) | 用于传感器诊断的系统和方法 | |
| CN114943482B (zh) | 一种基于物联网的智慧城市尾气排放管理方法和系统 | |
| US20230121226A1 (en) | Determining weights of points of a point cloud based on geometric features | |
| CN114080537A (zh) | 收集与可导航网络有关的用户贡献数据 | |
| CN116469249A (zh) | HDMap与5G车路协的智慧交通云管理平台 | |
| DE102019134296A1 (de) | System und verfahren zur positionierung in städtischen schluchten | |
| CN115457759A (zh) | 基于车路协同的道路交通实时路况信息分析系统和方法 | |
| Chehri et al. | Survey on localization methods for autonomous vehicles in smart cities | |
| CN117612127B (zh) | 场景生成方法、装置和存储介质及电子设备 | |
| Chen et al. | Key technologies related to C-V2X applications | |
| CN114969414B (zh) | 地图更新方法及系统、超视距路况协同方法及系统 | |
| CN114969414A (zh) | 地图更新方法及系统、超视距路况协同方法及系统 | |
| Busznyák et al. | On-board diagnostic-based positioning as an additional information source of driver assistant systems | |
| CN113312403B (zh) | 地图获取方法、装置、电子设备及存储介质 | |
| CN114185865A (zh) | 一种基于分布式存储的大规模基站数据存储与解析的方法及系统 | |
| US20230194301A1 (en) | High fidelity anchor points for real-time mapping with mobile devices | |
| CN113900070B (zh) | 雷达车道自动绘制目标数据精准输出的方法、装置与系统 |
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 |