CN115171094A - 一种道路要素确定方法、装置、设备以及存储介质 - Google Patents
一种道路要素确定方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN115171094A CN115171094A CN202210717600.4A CN202210717600A CN115171094A CN 115171094 A CN115171094 A CN 115171094A CN 202210717600 A CN202210717600 A CN 202210717600A CN 115171094 A CN115171094 A CN 115171094A
- Authority
- CN
- China
- Prior art keywords
- road
- dimensional
- road element
- dimensional identification
- elements
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- 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
- G01C21/3833—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种道路要素确定方法、装置、设备以及存储介质,涉及人工智能技术领域,尤其涉及智能交通、自动化驾驶等领域。具体实现方案为:获取针对道路的点云数据;对点云数据进行语义分割,得到不同道路要素类别对应的分割点云;将不同道路要素类别对应的分割点云映射至二维空间,得到不同道路要素类别对应的二维图像;对不同道路要素类别对应的二维图像进行像素聚类,得到聚类结果,并基于聚类结果计算不同道路要素类别下各道路要素对应的二维标识区域;针对各道路要素对应的二维标识区域,将道路要素对应的二维标识区域映射至三维空间,得到道路要素对应的要素区域。本公开提高了确定道路要素的效率。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及智能交通、自动化驾驶等领域。
背景技术
高精地图在自动驾驶的感知、定位、决策、控制等过程中发挥重要作用,而道路要素是高精地图中的重要组成部分。
发明内容
本公开提供了一种道路要素确定方法、装置、设备以及存储介质。
根据本公开的一方面,提供了一种道路要素确定方法,包括:
获取针对道路的点云数据;
对所述点云数据进行语义分割,得到不同道路要素类别对应的分割点云;
将不同道路要素类别对应的分割点云映射至二维空间,得到不同道路要素类别对应的二维图像;
对不同道路要素类别对应的二维图像进行像素聚类,得到聚类结果,并基于聚类结果计算不同道路要素类别下各道路要素对应的二维标识区域;
针对各道路要素对应的二维标识区域,将所述道路要素对应的二维标识区域映射至三维空间,得到所述道路要素对应的要素区域。
根据本公开的第二方面,提供了一种道路要素确定装置,包括:
获取模块,用于获取针对道路的点云数据;
语义分割模块,用于对所述点云数据进行语义分割,得到不同道路要素类别对应的分割点云;
第一映射模块,用于将不同道路要素类别对应的分割点云映射至二维空间,得到不同道路要素类别对应的二维图像;
处理模块,用于对不同道路要素类别对应的二维图像进行像素聚类,得到聚类结果,并基于聚类结果计算不同道路要素类别下各道路要素对应的二维标识区域;
第二映射模块,用于针对各道路要素对应的二维标识区域,将所述道路要素对应的二维标识区域映射至三维空间,得到所述道路要素对应的要素区域。
根据本公开的第三方面,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第一方面中任一项所述的方法。
根据本公开的第四方面,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第一方面中任一项所述的方法。
根据本公开的第五方面,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第一方面中任一项所述的方法。
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是本公开实施例提供的道路要素确定方法的流程图;
图2是应用本公开实施例提供的道路要素确定方法的示意图;
图3A是本公开实施例中对道路要素标注的一种示意图;
图3B是本公开实施例中对道路要素标注的另一种示意图;
图4是本公开实施例提供的道路要素确定装置的一种结构示意图;
图5是本公开实施例提供的道路要素确定装置的另一种结构示意图;
图6是本公开实施例提供的道路要素确定装置的又一种结构示意图;
图7是用来实现本公开实施例的道路要素确定方法的电子设备的框图。
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。
本公开实施例提供了一种道路要素确定方法,可以包括:
获取针对道路的点云数据;
对点云数据进行语义分割,得到不同道路要素类别对应的分割点云;
将不同道路要素类别对应的分割点云映射至二维空间,得到不同道路要素类别对应的二维图像;
对不同道路要素类别对应的二维图像进行像素聚类,得到聚类结果,并基于聚类结果计算不同道路要素类别下各道路要素对应的二维标识区域;
针对各道路要素对应的二维标识区域,将道路要素对应的二维标识区域映射至三维空间,得到道路要素对应的要素区域。
本公开实施例中,获取针对道路的点云数据,通过对点云数据进行语义分割,得到不同道路要素类别对应的分割点云;将不同道路要素类别对应的分割点云映射至二维空间,得到不同道路要素类别对应的二维图像;对不同道路要素类别对应的二维图像进行像素聚类,得到聚类结果,并基于聚类结果计算不同道路要素类别下各道路要素对应的二维标识区域,针对各道路要素对应的二维标识区域,将道路要素对应的二维标识区域映射至三维空间,得到道路要素对应的要素区域,实现了自动化地确定道路要素,能够提高确定道路要素的效率。另外,可以避免人为影响,能够提高确定的道路要素的准确性。
图1为本公开实施例提供的道路要素确定方法的流程图。参照图1,本公开实施例提供的道路要素确定方法可以包括:
S101,获取针对道路的点云数据。
可以通过激光雷达等采集针对道路的点云数据。
一种可实现方式中,点云数据可以是融合后的点云数据。可以获取在多个位置采集得到的针对道路的点云数据;将在多个位置采集得到的针对道路的点云数据进行融合,得到针对道路的点云数据。其中,融合可以是拼接、对齐叠加等操作。
S102,对点云数据进行语义分割,得到不同道路要素类别对应的分割点云。
本公开实施例中的道路要素可以是线要素,线要素可以理解为能够进行矢量化的道路要素,例如线要素包括能够通过直线和曲线表示的道路要素。
一种可实现方式中,不同道路要素类别可以根据道路要素的形状等划分。例如,道路要素类别可以包括车道线、路沿、护栏等等。
一种可实现方式中,可以对点云数据进行语义分割,得到每个点分别对应的道路要素类别;基于各个点的道路要素类别,分别提取不同道路要素类别对应的分割点云数据。
其中,可以将点云数据输入预先训练好的语义分割模型,得到每个点分别对应的道路要素类别,可以为每个点打上类别标签,该标签用于标示点的道路要素类别。例如,语义分割模型可以是spaceConv模型。其中,可以获取多个样本点云数据,针对每个样本点云数据,对样本点云数据中每个点进行标注,得到每个点的道路要素类别标签,该道路要素类别标签可以理解为类别真值,然后,将一个样本点云数据和该样本点云数据对应的类别真值作为一个样本对,基于多个样本对对神经网络模型进行训练,得到语义分割模型。具体地,将样本对输入神经网络模型,得到神经网络模型的输出,将该输出与该样本对对应的类别真值进行比对,如计算两者之间的差异,并基于该差异调整模型参数,当满足训练结束条件时,得到训练好的语义分割模型,训练结束条件可以包括训练次数达到预设训练次数或基于一样本对得到的差异小于预设阈值。
S103,将不同道路要素类别对应的分割点云映射至二维空间,得到不同道路要素类别对应的二维图像。
将不同道路要素类别对应的分割点云映射至二维空间可以理解为将三维点云数据映射至二维图像。
例如,可以先将分割点云映射至鸟瞰图,再得到鸟瞰图对应的二维图像。
S104,对不同道路要素类别对应的二维图像进行像素聚类,得到聚类结果,并基于聚类结果计算不同道路要素类别下各道路要素对应的二维标识区域。
本公开实施例中不对聚类的方式作限制,任何可以实现像素聚类的方式均在本公开实施例的保护范围内。
例如,像素聚类可以采用超像素聚类、K-means聚类方式,其中,K-means聚类指的是以空间中k个点为中心进行聚类。
针对每个道路要素类别,对该道路要素类别对应的二维图像进行像素聚类得到的聚类结果中,可以包括该道路要素类别下一个或多个道路要素对应的二维标识区域。
二维标识区域也可以称为2D(二维)包围盒。
例如,道路要素类别为车道线,对车道线对应的二维图像进行像素聚类得到的聚类结果中,可以包括一个或多个车道线对应的二维标识区域。
可以计算每个道路要素对应的二维标识区域。
一种可选地实施例中,二维标识区域包括矩形框。
基于聚类结果计算不同道路要素类别下各道路要素对应的二维标识区域,包括:
针对各道路要素类别,基于对道路要素类别对应的二维图像进行像素聚类得到的聚类结果,计算道路要素类别下各道路要素对应的外接矩形框。
例如,聚类结果中包括聚类得到的多个曲线区域,每一个道路要素对应一个曲线区域,可以对于每一个曲线区域计算外接矩形框,得到该道路要素对应的二维标识区域。
其中,可以计算每个道路要素对应的最小外接矩形框。
计算各道路要素对应的外接矩形框可以方便地计算各道路要素对应的二维标识区域。
S105,针对各道路要素对应的二维标识区域,将道路要素对应的二维标识区域映射至三维空间,得到道路要素对应的要素区域。
简单理解,即将二维数据映射至三维空间。
要素区域也可以理解为是3D(三维)包围盒。
一种可选地实施例中,将道路要素对应的二维标识区域映射至三维空间,得到道路要素对应的要素区域可以包括:
将道路要素对应的二维标识区域映射至三维空间,得到三维标识区域;计算三维标识区域的竖直方向高度,依据竖直方向高度,从三维标识区域中确定道路要素对应的要素区域。
例如,可以选取三维标识区域中竖直方向的坐标最大的点和最小的点,将最大的点和最小的点的竖直方向的坐标相减,得到竖直方向高度。
从三维标识区域中提取竖直方向高度对应的区域,作为道路要素对应的要素区域,也可以理解为确定出点云数据中道路要素的位置。
将基于三维点云数据得到的二维数据再映射回三维空间,可以得到三维空间下道路要素的要素区域,提高了确定的道路要素的位置的准确性。
一种可选地实施例中,本公开实施例提供的道路要素确定方法还可以包括:
过滤聚类结果中的稀疏点,得到过滤后聚类结果。
S104中基于聚类结果计算不同道路要素类别下各道路要素对应的二维标识区域,可以包括:
基于过滤后聚类结果计算不同道路要素类别下各道路要素对应的二维标识区域。
其中,稀疏点可以理解为噪声点,可以包括聚类结果中远离多数点的少数点。例如,聚类结果中100个点距离较近,可以理解为多数点,有1个点与这100个点的距离较远,则这1个点可以理解为少数点。
例如,道路要素类别为车道线,对车道线对应的二维图像进行像素聚类后,可以过滤聚类结果中的稀疏点,得到过滤后聚类结果,并基于过滤后聚类结果计算车道线对应的二维标识区域。
或者,S104中基于聚类结果计算不同道路要素类别下各道路要素对应的二维标识区域,可以包括:
基于聚类结果计算多个二维标识区域;过滤多个二维标识区域中未包含三维点的二维标识区域,得到不同道路要素类别下各道路要素对应的二维标识区域。
一种可实现方式中,有可能存在一种情况:基于聚类结果计算的二维标识区域中未包含三维点,例如,二维标识区域内部不包含三维点,而仅边框包括三维点。实际场景下,道路要素一般是实体的,也可以理解为是三维的,如果二维标识区域内部不包含三维点,可以理解为该二维标识区域不存在对应的道路要素。如此,在基于聚类结果计算不同道路要素类别下各道路要素对应的二维标识区域的过程中,可以过滤多个二维标识区域中未包含三维点的二维标识区域,得到不同道路要素类别下各道路要素对应的二维标识区域。
例如,道路要素类别为路沿和/或护栏,对路沿和/或护栏对应的二维图像进行像素聚类后,可以基于聚类结果计算多个二维标识区域,并过滤多个二维标识区域中未包含三维点的二维标识区域,得到路沿和/或护栏下各道路要素对应的二维标识区域。其中,未包含三维点的二维标识区域可以理解为虚拟路沿和/或护栏对应的二维标识区域,如路口对应的二维标识区域。
实际场景中,过滤车道线对应的聚类结果中的稀疏点即可得到比较准确地聚类结果,基于该去除稀疏点之后的聚类结果即可确定比较准确地车道线对应的二维标识区域,通过过滤车道线对应的聚类结果中的稀疏点即可以快速地排除车道线对应的二维标识区域中的影响因素,提高确定的二维标识区域的准确性。
实际场景下,存在虚拟路沿和/或虚拟护栏的概率比较大,例如两个路沿和/或护栏中间有个路口,也可以理解为虚拟路沿和/或虚拟护栏对路沿和/或护栏的二维标识区域的确定过程的影响是比较大的。在对路沿和/或护栏对应的二维图像进行像素聚类,基于聚类结果计算多个二维标识区域的过程中,大概率会将虚拟路沿和/或虚拟护栏对应的二维标识区域包含在多个二维标识区域,通过过滤多个二维标识区域中未包含三维点的二维标识区域,即虚拟路沿和/或虚拟护栏对应的二维标识区域,可以快速地排除路沿和/或护栏对应的二维标识区域中的影响因素,提高确定的二维标识区域的准确性。
本公开实施例中,针对不同道路要素类别,过滤聚类结果中的噪声信息,例如,针对车道线,过滤聚类结果中的稀疏点,针对路沿和/或护栏,过滤多个二维标识区域中未包含三维点的二维标识区域,能够提高确定的二维标识区域的准确性,进而能够提高确定的道路要素的要素区域的准确性。且考虑到实际场景下不同车道线自身的特点,有针对性地对聚类结果进行处理,能够提高对聚类结果处理的效率。
本公开实施例中道路要素确定方法也可以理解为道路要素矢量化过程,可以通过自动化线要素矢量化模块来实现。简单理解,将3D点云映射到2D图像再转3D矢量化,即先将语义分割得到的点云中的3D点云提取并投影到2D图像,基于2D图像进行处理,得到2D框,最后将2D框映射回3D。其中,步骤S101至S102实现语义分割得到点云的过程,步骤S103实现将3D点云提取并投影到2D图像的过程,步骤S104实现基于2D图像进行处理,得到2D框的过程,步骤S105实现将2D框映射回3D的过程。
一种可选地实施例中,本公开实施例提供的道路要素确定方法还可以包括:
基于道路要素对应的要素区域,标注地图中的道路要素。
标注道路要素可以包括:对道路要素对应的要素区域进行渲染。
具体地可以应用于高精地图的制作过程中,基于道路要素对应的要素区域,对高精地图中的道路要素进行标注。
一种可实现方式中,可以将道路要素对应的要素区域输入标注工具,通过标注工具进行标注。
另外,还可以计算要素区域的左右属性,左右属性也可以理解为要素区域周围的信息,如周围的障碍物信息等,在利用要素区域标注道路要素的过程中可以结合左右属性更加准确地进行标注。
本公开实施例实现了道路要素的自动化标注,提高了标注效率,且提供了道路要素的准确的三维位置,基于该三维准确位置能够降低标注误差。
相关技术中高精地图的制作流程,是在标注工具中直接导入拼接后的三维点云或者压制的反射值底图让人工来标注道路元素。这种制作流程的效率比较低,同时也存在人工标注带来的误差问题。
高精地图制作的自动化流程是各大图商和自动驾驶公司在力推的事情,标注效率(公里/人天)是衡量自动化率的核心指标。本公开实施例提供的道路要素确定方法可以实现道路要素的自动化标注,解决了相关技术中高精地图制作效率低、人工标注误差的问题。例如,可以应用于自动驾驶ANP(Apollo Navigation Pilot,城市领航辅助驾驶)和Robotaxi(自动驾驶出租车)高精地图生产业务。
如图2所示,获取针对道路的点云数据,具体地优化后pose拼接+兴趣点(Point ofInterest,POI),即将在道路上多个POI采集的点云数据进行拼接,得到针对道路的点云数据。
语义分割点云,对点云数据进行语义分割,得到不同道路要素类别对应的分割点云。例如,得到车道线、路沿、护栏分别对应的分割点云,其中,车道线可以是一个或多个,同理,路沿、护栏可以是一个或多个。
对分割点云进行映射至鸟瞰图,再得到鸟瞰图对应的二维图像。
对二维图像进行像素聚类,得到聚类结果,并基于聚类结果计算道路要素对应的二维标识区域,即得到2D包围盒。
其中,对车道线对应的二维图像进行像素聚类后,可以过滤噪声点,即对车道线对应的二维图像进行像素聚类后,过滤聚类结果中的稀疏点,得到过滤后聚类结果,并基于过滤后聚类结果计算车道线对应的二维标识区域。
基于聚类结果计算道路要素对应的二维标识区域过程中,可以虚拟路沿和护栏。具体地,对路沿和/或护栏对应的二维图像进行像素聚类后,可以基于聚类结果计算多个二维标识区域,并过滤多个二维标识区域中未包含三维点的二维标识区域,得到路沿和/或护栏下各道路要素对应的二维标识区域。
将2D包围盒映射至三维空间,得到3D包围盒,即将道路要素对应的二维标识区域映射至三维空间,得到道路要素对应的要素区域。
具体可以通过提取3D边界框提取3D包围盒。
另外,还可以计算3D包围盒的左右属性,如周围的障碍物信息等,在利用3D包围盒标注道路要素的过程中可以结合左右属性更加准确地进行标注。
车道线、路沿、护栏可以称之为线要素,本公开实施例实现针对线要素的要素区域的确定。
对于3D矢量化结果,即3D包围盒,将3D包围盒的中心移动到路沿、护栏边界,既3D包围盒压路沿、护栏边界线。
对高精地图中的道路要素进行标注,如对车道线、路沿、护栏等进行标注。如图3A中区域301为车道线,区域302为路沿,图3B中区域303为护栏。
例如,本公开实施例提供的道路要素确定方法可以应用于城市道路和/或高速道路的高精地图自动化标注应用场景,一个例子中,城市道路一次作业效率(3-6级道路)达到14.17公里/人天,相比于复用LD(高精俯视图)产出的效率(11.10公里/人天),提效28%;相比于直接标注(4.2公里/人天),提效237%。
本公开实施例从融合后的点云如上述将在道路上多个POI采集的点云数据进行拼接得到的点云数据,对点云数据进行语义分割,得到每个点分别对应的道路要素类别;基于各个点的道路要素类别,分别提取不同道路要素类别对应的分割点云数据,如通过自动化点云语义分割为每个点打上类别标签,然后通过自动化线要素矢量化模块分别提取道路元素,即确定道理要素的要素区域,将不同道路元素的要素区域合并输入到标注工具,以在高精地图制作过程中对道路要素进行标注,本公开实施例通过点云自动化线要素矢量提取既提高了线要素3D位置的准确性,降低了标注误差,又提高了高精地图的制作效率。
对应于上述实施例提供的道路要素确定方法,本公开实施例还提供了一种道路要素确定装置,如图4所示,可以包括:
获取模块401,用于获取针对道路的点云数据;
语义分割模块402,用于对点云数据进行语义分割,得到不同道路要素类别对应的分割点云;
第一映射模块403,用于将不同道路要素类别对应的分割点云映射至二维空间,得到不同道路要素类别对应的二维图像;
处理模块404,用于对不同道路要素类别对应的二维图像进行像素聚类,得到聚类结果,并基于聚类结果计算不同道路要素类别下各道路要素对应的二维标识区域;
第二映射模块405,用于针对各道路要素对应的二维标识区域,将道路要素对应的二维标识区域映射至三维空间,得到道路要素对应的要素区域。
可选地,二维标识区域包括矩形框;
处理模块404,具体用于针对各道路要素类别,基于对道路要素类别对应的二维图像进行像素聚类得到的聚类结果,计算道路要素类别下各道路要素对应的外接矩形框。
可选地,第二映射模块405,具体用于将道路要素对应的二维标识区域映射至三维空间,得到三维标识区域;计算三维标识区域的竖直方向高度,依据竖直方向高度,从三维标识区域中确定道路要素对应的要素区域。
可选地,如图5所示,装置还包括:
过滤模块501,用于过滤聚类结果中的稀疏点,得到过滤后聚类结果;
处理模块404,具体用于基于过滤后聚类结果计算不同道路要素类别下各道路要素对应的二维标识区域,或者,基于聚类结果计算多个二维标识区域;过滤多个二维标识区域中未包含三维点的二维标识区域,得到不同道路要素类别下各道路要素对应的二维标识区域。
可选地,如图6所示,装置还包括:
标注模块601,用于基于道路要素对应的要素区域,标注地图中的道路要素。
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。
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、个人数字助理、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,个人数字处理、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,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。
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,例如道路要素确定方法。例如,在一些实施例中,道路要素确定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708。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道路要素确定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)而被配置为执行道路要素确定方法。
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数据处理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,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 (13)
1.一种道路要素确定方法,包括:
获取针对道路的点云数据;
对所述点云数据进行语义分割,得到不同道路要素类别对应的分割点云;
将不同道路要素类别对应的分割点云映射至二维空间,得到不同道路要素类别对应的二维图像;
对不同道路要素类别对应的二维图像进行像素聚类,得到聚类结果,并基于聚类结果计算不同道路要素类别下各道路要素对应的二维标识区域;
针对各道路要素对应的二维标识区域,将所述道路要素对应的二维标识区域映射至三维空间,得到所述道路要素对应的要素区域。
2.根据权利要求1所述的方法,其中,所述二维标识区域包括矩形框;
所述基于聚类结果计算不同道路要素类别下各道路要素对应的二维标识区域,包括:
针对各道路要素类别,基于对所述道路要素类别对应的二维图像进行像素聚类得到的聚类结果,计算所述道路要素类别下各道路要素对应的外接矩形框。
3.根据权利要求1所述的方法,其中,所述将所述道路要素对应的二维标识区域映射至三维空间,得到所述道路要素对应的要素区域,包括:
将所述道路要素对应的二维标识区域映射至三维空间,得到三维标识区域;
计算所述三维标识区域的竖直方向高度,依据所述竖直方向高度,从所述三维标识区域中确定所述道路要素对应的要素区域。
4.根据权利要求1所述的方法,所述方法还包括:
过滤所述聚类结果中的稀疏点,得到过滤后聚类结果;
所述基于聚类结果计算不同道路要素类别下各道路要素对应的二维标识区域,包括:
基于过滤后聚类结果计算不同道路要素类别下各道路要素对应的二维标识区域;
或者,所述基于聚类结果计算不同道路要素类别下各道路要素对应的二维标识区域,包括:
基于聚类结果计算多个二维标识区域;
过滤多个二维标识区域中未包含三维点的二维标识区域,得到不同道路要素类别下各道路要素对应的二维标识区域。
5.根据权利要求1至4任一项所述的方法,所述方法还包括:
基于所述道路要素对应的要素区域,标注地图中的所述道路要素。
6.一种道路要素确定装置,包括:
获取模块,用于获取针对道路的点云数据;
语义分割模块,用于对所述点云数据进行语义分割,得到不同道路要素类别对应的分割点云;
第一映射模块,用于将不同道路要素类别对应的分割点云映射至二维空间,得到不同道路要素类别对应的二维图像;
处理模块,用于对不同道路要素类别对应的二维图像进行像素聚类,得到聚类结果,并基于聚类结果计算不同道路要素类别下各道路要素对应的二维标识区域;
第二映射模块,用于针对各道路要素对应的二维标识区域,将所述道路要素对应的二维标识区域映射至三维空间,得到所述道路要素对应的要素区域。
7.根据权利要求6所述的装置,其中,所述二维标识区域包括矩形框;
所述处理模块,具体用于针对各道路要素类别,基于对所述道路要素类别对应的二维图像进行像素聚类得到的聚类结果,计算所述道路要素类别下各道路要素对应的外接矩形框。
8.根据权利要求6所述的装置,其中,所述第二映射模块,具体用于将所述道路要素对应的二维标识区域映射至三维空间,得到三维标识区域;计算所述三维标识区域的竖直方向高度,依据所述竖直方向高度,从所述三维标识区域中确定所述道路要素对应的要素区域。
9.根据权利要求6所述的装置,所述装置还包括:
过滤模块,用于过滤所述聚类结果中的稀疏点,得到过滤后聚类结果;
所述处理模块,具体用于基于过滤后聚类结果计算不同道路要素类别下各道路要素对应的二维标识区域,或者,基于聚类结果计算多个二维标识区域;过滤多个二维标识区域中未包含三维点的二维标识区域,得到不同道路要素类别下各道路要素对应的二维标识区域。
10.根据权利要求6至9任一项所述的装置,所述装置还包括:
标注模块,用于基于所述道路要素对应的要素区域,标注地图中的所述道路要素。
11.一种电子设备,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1-5中任一项所述的方法。
12.一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1-5中任一项所述的方法。
13.一种计算机程序产品,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1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210717600.4A CN115171094A (zh) | 2022-06-23 | 2022-06-23 | 一种道路要素确定方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210717600.4A CN115171094A (zh) | 2022-06-23 | 2022-06-23 | 一种道路要素确定方法、装置、设备以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115171094A true CN115171094A (zh) | 2022-10-11 |
Family
ID=83488036
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210717600.4A Pending CN115171094A (zh) | 2022-06-23 | 2022-06-23 | 一种道路要素确定方法、装置、设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115171094A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117372988A (zh) * | 2023-12-08 | 2024-01-09 | 吉咖智能机器人有限公司 | 道路边界检测方法、装置、电子设备及存储介质 |
-
2022
- 2022-06-23 CN CN202210717600.4A patent/CN115171094A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117372988A (zh) * | 2023-12-08 | 2024-01-09 | 吉咖智能机器人有限公司 | 道路边界检测方法、装置、电子设备及存储介质 |
CN117372988B (zh) * | 2023-12-08 | 2024-02-13 | 吉咖智能机器人有限公司 | 道路边界检测方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113674287A (zh) | 高精地图的绘制方法、装置、设备以及存储介质 | |
CN113191256A (zh) | 车道线检测模型的训练方法、装置、电子设备及存储介质 | |
CN113378693B (zh) | 生成目标检测系统和检测目标的方法及装置 | |
CN113792061A (zh) | 地图数据的更新方法、装置及电子设备 | |
CN114034295A (zh) | 高精地图生成方法、装置、电子设备、介质及程序产品 | |
CN113989777A (zh) | 高精地图限速标牌与车道位置的识别方法、装置和设备 | |
CN114882316A (zh) | 目标检测模型训练方法、目标检测方法及装置 | |
CN115841552A (zh) | 高精地图生成方法及装置、电子设备和介质 | |
CN115171094A (zh) | 一种道路要素确定方法、装置、设备以及存储介质 | |
CN114283343A (zh) | 基于遥感卫星图像的地图更新方法、训练方法和设备 | |
CN114186007A (zh) | 高精地图生成方法、装置、电子设备和存储介质 | |
CN112883236A (zh) | 一种地图更新方法、装置、电子设备及存储介质 | |
CN114743178B (zh) | 道路边缘线生成方法、装置、设备及存储介质 | |
CN114724113B (zh) | 道路标牌识别方法、自动驾驶方法、装置和设备 | |
CN115761698A (zh) | 一种目标检测方法、装置、设备及存储介质 | |
CN115797961A (zh) | 车道线变更检测方法、装置、电子设备及存储介质 | |
CN115527028A (zh) | 地图数据处理方法及装置 | |
CN114140813A (zh) | 高精地图标注方法、装置、设备及存储介质 | |
CN114840626A (zh) | 高精地图数据处理方法、行车导航方法及相关装置 | |
CN113706705A (zh) | 用于高精地图的图像处理方法、装置、设备以及存储介质 | |
CN113762397A (zh) | 检测模型训练、高精度地图更新方法、设备、介质及产品 | |
CN113570727A (zh) | 场景文件的生成方法、装置、电子设备及存储介质 | |
CN112988932A (zh) | 高精地图标注方法、装置、设备、可读存储介质及产品 | |
CN112987707A (zh) | 一种车辆的自动驾驶控制方法及装置 | |
CN115468570A (zh) | 高精地图地面要素的提取方法、装置、设备及存储介质 |
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 |