CN115248443A - 基于激光雷达的地图构建方法、系统、设备及存储介质 - Google Patents

Abstract

本发明公开了一种基于激光雷达的地图构建方法、系统、设备及存储介质，涉及激光雷达技术领域。该方法包括以下步骤：基于激光雷达采集实时场景的点云数据；对所述点云数据进行识别，确定实时场景中的各移动目标与各静止目标；根据各所述静止目标对应的静止点云数据，在预设参考坐标系中构建场景地图；根据各所述移动目标对应的移动点云数据，构建动态地图，并将所述动态地图融入所述场景地图，获得实时场景地图。本发明提高了构建的实时场景地图的准确性。

Description

基于激光雷达的地图构建方法、系统、设备及存储介质

技术领域

本发明涉及激光雷达技术领域，尤其涉及一种基于激光雷达的地图构建方法、系统、设备及存储介质。

背景技术

近年来，随着无人驾驶的快速发展，地图的高准确度以及高可用性也越发受到人们的重视。而激光雷达是通过测定传感器发射器与目标对象物体之间的传播距离，分析目标对象物体表面的反射能量大小、反射波谱的幅度、频率和相位等信息，从而呈现出目标对象物精确的三维结构信息，因此，激光雷达以其探测距离较远，探测精度高，稳定性高，鲁棒性好的优点，成为了自动驾驶的核心感知设备。然而在实际使用中，由于在实际场景中一般会同时存在移动物体(如车辆、行人、家养宠物等)和静止物体(栅栏、路标、绿化带等)，因此，激光雷达采集到移动物体的点云与静止物体的点云混杂在一起，相互之间产生干扰，则会导致构建的实时场景地图准确性较低。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供一种基于激光雷达的地图构建方法，旨在解决构建的实时场景地图准确性较低的技术问题。

为实现上述目的，本发明提供一种基于激光雷达的地图构建方法，所述基于激光雷达的地图构建方法包括以下步骤：

基于激光雷达采集实时场景的点云数据；

对所述点云数据进行识别，确定实时场景中的各移动目标与各静止目标；

根据各所述静止目标对应的静止点云数据，在预设参考坐标系中构建场景地图；

根据各所述移动目标对应的移动点云数据，构建动态地图，并将所述动态地图融入所述场景地图，获得实时场景地图。

可选地，所述对所述点云数据进行识别，确定实时场景中的各移动目标与各静止目标的步骤，包括：

基于预设聚类算法对所述点云数据进行聚类，生成至少一个聚类簇，并将各所述聚类簇作为目标对象；

根据所述点云数据，确定各目标对象的目标运动信息；

根据所述目标运动信息，确定各所述目标对象中的各移动目标与各静止目标。

可选地，所述基于预设聚类算法对所述点云数据进行聚类，生成至少一个聚类簇，并将所述聚类簇作为目标对象的步骤之后，还包括：

将各所述目标对象的点云特征分别与预设静止目标的点云特征以及预设移动目标的点云特征进行匹配；

根据匹配结果，确定各所述目标对象中的各移动目标与各静止目标。

可选地，所述静止点云数据包括当前静止点云数据和后续静止点云数据，所述根据各所述静止目标对应的静止点云数据，在预设参考坐标系中构建场景地图的步骤，包括：

根据所述当前静止点云数据，确定各所述静止目标的当前静止姿态数据；

根据所述当前静止姿态数据，在预设参考坐标系下将各所述静止目标的点云拼接成初始场景地图；

根据所述后续静止点云数据，对所述初始场景地图进行更新，获得场景地图。

可选地，所述根据所述后续静止点云数据，对所述初始场景地图进行更新，获得场景地图的步骤，所述方法包括：

将所述后续静止点云数据与所述当前静止点云数据进行对比，确定新增静止目标；

在预设参考坐标系将所述新增目标对象拼接在所述初始场景地图中，以对所述初始场景地图进行更新，并将更新后的初始场景地图作为场景地图。

可选地，所述移动点云数据可以包括当前移动点云数据和后续移动点云数据，所述根据各所述移动目标对应的移动点云数据，构建动态地图，并将所述动态地图融入所述场景地图，获得实时场景地图的步骤，包括：

根据当前移动点云数据，生成初始动态地图，其中所述初始动态地图包括各所述移动目标；

根据所述后续移动点云数据，确定各所述移动目标的移动轨迹；

根据所述移动轨迹对所述初始动态地图中各所述移动目标的位置进行实时更新，获得对应的动态地图；

将所述动态地图转化至预设参考坐标系下，以使所述动态地图融入所述场景地图，获得实时场景地图。

可选地，所述基于激光雷达采集实时场景的点云数据的步骤，包括：

基于激光雷达对所述实时场景进行扫描，获得原始点云，并获取所述激光雷达的安装高度；

根据所述安装高度对所述原始点云进行筛选，以确定所述原始点云中的地面待定点云；

对所述地面待定点云进行曲面拟合，以得到地面点云，从所述原始点云中过滤所述地面点云，得到所述点云数据。

此外，为实现上述目的，本发明还提供一种基于激光雷达的地图构建系统，所述基于激光雷达的地图构建系统包括：

采集模块，用于基于激光雷达采集实时场景的点云数据；

识别模块，用于对所述点云数据进行识别，确定实时场景中的各移动目标与各静止目标；

第一构建模块，用于根据各所述静止目标对应的静止点云数据，在预设参考坐标系中构建场景地图；

第二构建模块，用于根据各所述移动目标对应的移动点云数据，构建动态地图，并将所述动态地图融入所述场景地图，获得实时场景地图。

此外，为实现上述目的，本发明还提供一种激光雷达设备，所述激光雷达设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上任一项所述的方法的步骤。

此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有基于激光雷达的地图构建程序，所述基于激光雷达的地图构建程序被处理器执行时实现如上任一项所述的基于激光雷达的地图构建方法的步骤。

本发明提出的一种基于激光雷达的地图构建方法，通过基于激光雷达采集实时场景的点云数据；对所述点云数据进行识别，确定实时场景中的各移动目标与各静止目标；根据各所述静止目标对应的静止点云数据，在预设参考坐标系中构建场景地图；根据各所述移动目标对应的移动点云数据，构建动态地图，并将所述动态地图融入所述场景地图，获得实时场景地图。本发明通过对于实时场景中静止目标和移动目标分别构建地图，再将两者进行融合，从而避免在构建地图中静止目标和移动目标的点云之间的干扰，提高了构建的实时场景地图的准确性。

附图说明

图1为本发明实施例方案涉及的硬件运行环境的设备结构示意图；

图2为本发明基于激光雷达的地图构建方法第一实施例的流程示意图；

图3为本发明基于激光雷达的地图构建系统的结构示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。

本申请实施例的说明书和权利要求书中的术语“第一”和“第二”等是用于区别不同的对象，而不是用于描述对象的特定顺序。例如，第一目标对象和第二目标对象等是用于区别不同的目标对象，而不是用于描述目标对象的特定顺序。

在本申请实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

近年来，随着无人驾驶的快速发展，地图的高准确度以及高可用性也越发受到人们的重视。而激光雷达是通过测定传感器发射器与目标对象物体之间的传播距离，分析目标对象物体表面的反射能量大小、反射波谱的幅度、频率和相位等信息，从而呈现出目标对象物精确的三维结构信息，因此，激光雷达以其探测距离较远，探测精度高，稳定性高，鲁棒性好的优点，成为了自动驾驶的核心感知设备。然而在实际使用中，由于在实际场景中一般会同时存在移动物体(如车辆、行人、家养宠物等)和静止物体(栅栏、路标、绿化带等)，因此，激光雷达采集到移动物体的点云与静止物体的点云混杂在一起，相互之间产生干扰，则会导致构建的实时场景地图准确性较低。

而现有技术中为提高构建的实时场景地图准确性的方式往往是增加激光雷达设备的激光光束的数量或者提高点频等方式以达到提高分辨率的目的，从而提高构建的实时场景地图准确性，但是增加激光光束的数量一方面会提高制造成本另一方面也会增大收发单元的体积不利于激光雷达设备的小型化，而提高点频则会影响激光雷达设备的使用寿命。

如图1所示，图1为本发明实施例方案涉及的硬件运行环境的设备结构示意图。

如图1所示，所述激光雷达设备可以包括：处理器1001，例如中央处理器(CentralProcessing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity，WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory，RAM)存储器，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVMe)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

本领域技术人员可以理解，图1中示出的设备结构并不构成对所述激光雷达设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于激光雷达的地图构建应用程序。

在图1所示的激光雷达设备中，用户接口1003主要用于与各个终端进行数据通信；网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；而处理器1001可以用于调用存储器1005中存储的磁盘的基于激光雷达的地图构建程序，并执行以下操作：

基于激光雷达采集实时场景的点云数据；

对所述点云数据进行识别，确定实时场景中的各移动目标与各静止目标；

根据各所述静止目标对应的静止点云数据，在预设参考坐标系中构建场景地图；

根据各所述移动目标对应的移动点云数据，构建动态地图，并将所述动态地图融入所述场景地图，获得实时场景地图。

进一步地，处理器1001可以调用存储器1005中存储的磁盘的基于激光雷达的地图构建程序，还执行以下操作：

基于预设聚类算法对所述点云数据进行聚类，生成至少一个聚类簇，并将各所述聚类簇作为目标对象；

根据所述点云数据，确定各目标对象的目标运动信息；

根据所述目标运动信息，确定各所述目标对象中的各移动目标与各静止目标。

进一步地，处理器1001可以调用存储器1005中存储的磁盘的基于激光雷达的地图构建程序，还执行以下操作：

将各所述目标对象的点云特征分别与预设静止目标的点云特征以及预设移动目标的点云特征进行匹配；

根据匹配结果，确定各所述目标对象中的各移动目标与各静止目标。

进一步地，处理器1001可以调用存储器1005中存储的磁盘的基于激光雷达的地图构建程序，还执行以下操作：

根据所述当前静止点云数据，确定各所述静止目标的当前静止姿态数据；

根据所述当前静止姿态数据，在预设参考坐标系下将各所述静止目标的点云拼接成初始场景地图；

根据所述后续静止点云数据，对所述初始场景地图进行更新，获得场景地图。

进一步地，处理器1001可以调用存储器1005中存储的磁盘的基于激光雷达的地图构建程序，还执行以下操作：

将所述后续静止点云数据与所述当前静止点云数据进行对比，确定新增静止目标；

在预设参考坐标系将所述新增目标对象拼接在所述初始场景地图中，以对所述初始场景地图进行更新，并将更新后的初始场景地图作为场景地图。

进一步地，处理器1001可以调用存储器1005中存储的磁盘的基于激光雷达的地图构建程序，还执行以下操作：

根据当前移动点云数据，生成初始动态地图，其中所述初始动态地图包括各所述移动目标；

根据所述后续移动点云数据，确定各所述移动目标的移动轨迹；

根据所述移动轨迹对所述初始动态地图中各所述移动目标的位置进行实时更新，获得对应的动态地图；

将所述动态地图转化至预设参考坐标系下，以使所述动态地图融入所述场景地图，获得实时场景地图。

进一步地，处理器1001可以调用存储器1005中存储的磁盘的基于激光雷达的地图构建程序，还执行以下操作：

基于激光雷达对所述实时场景进行扫描，获得原始点云，并获取所述激光雷达的安装高度；

根据所述安装高度对所述原始点云进行筛选，以确定所述原始点云中的地面待定点云；

对所述地面待定点云进行曲面拟合，以得到地面点云，从所述原始点云中过滤所述地面点云，得到所述点云数据。

参照图2，图2为本发明基于激光雷达的地图构建方法第一实施例的流程示意图。

本发明第一实施例提供一种基于激光雷达的地图构建方法，所述基于激光雷达的地图构建方法包括以下步骤：

步骤S100，基于激光雷达采集实时场景的点云数据；

具体地，本实施例的执行主体为激光雷达设备(LiDAR，Light Detection andRanging，激光探测及测距系统)。激光雷达设备将激光光束照射到物体表面，物体表面会对激光光束进行反射，且物体表面反射的激光光束由激光雷达中的激光接收器进行接收，从而根据收发激光光束的情况得到障碍物的距离信息，并根据激光光束发射时的发射角度以及对应的扫描角度即可确定出来其方位进而计算得到相对于激光雷达的坐标信息，比如表示为(X，Y，Z)。当然点云数据还可以包括检测点的反射光强度等。

激光雷达的分辨率越高，扫描得到的点云数据就会越多，也即其包含的检测点也就越多。激光雷达扫描到的点云数据为激光雷达向目标对象环境发射激光光束之后获取到的反应目标对象环境信息的全部点云数据。

本实施例中通过激光雷达设备对实时场景进行扫描，从而可以获得实时场景的点云数据，其中，所述点云数据至少包括两帧或者两帧以上的点云。点云是多个检测点的集合，这些检测点表示的是物体表面采样点的空间坐标。

进一步地，步骤S100包括以下步骤：

步骤S110，基于激光雷达对所述实时场景进行扫描，获得原始点云，并获取所述激光雷达的安装高度；

步骤S111，根据所述安装高度对所述原始点云进行筛选，以确定所述原始点云中的地面待定点云；

步骤S112，对所述地面待定点云进行曲面拟合，以得到地面点云，从所述原始点云中过滤所述地面点云，得到所述点云数据。

为了便于车辆做出正确的行驶决策，因此需要识别出地面以及地面上的各种障碍物。而为了更好的确定地面上的各种障碍物，通常需要将地面过滤掉。障碍物通常是高出地面一定距离的。

因此，可以通过激光雷达对所述实时场景进行扫描，获得原始点云，并获取激光雷达的安装高度。然后根据所述安装高度对所述原始点云进行筛选，以确定所述原始点云中的地面待定点云，其中所述地面待定距离为地面较近的检测点的集合。例如，可以获取各所述原始点云中各检测点的竖直方向的坐标值(Z值)是否在所述安装高度对应的预设范围内。从而可以快速对所述原始点云中的各检测点进行初步筛选，将明显不属于地面范围内的检测点省去，以减少后续步骤中的计算量。所述原始点云中的地面待定点云可以包括是地面上的检测点以及距离地面一定距离范围内的检测点。然后，再对所述地面待定点云进行曲面拟合，以得到地面点云，从所述原始点云中过滤所述地面点云，得到所述点云数据。本申请可以采用最小二乘法对所述地面待定点云进行曲面拟合，从而筛选出所述地面待定点云中的地面点云。进一步地，还可以采用渐进式形态学滤波算法等其他曲面拟合算法。

最后，从所述原始点云中过滤所述地面点云，得到所述点云数据。

本实施例，通过根据所述安装高度对所述原始点云进行筛选，以确定所述原始点云中的地面待定点云，再对所述地面待定点云进行曲面拟合，以得到地面点云，从所述原始点云中过滤所述地面点云，得到所述点云数据。从而提高了对于原始点云数据的处理效率。

步骤S200，对所述点云数据进行识别，确定实时场景中的各移动目标与各静止目标；

具体地，可以通过对所述点云数据进行聚类，确定各目标对象。然后根据所述点云数据，确定各目标对象是移动目标还是静止目标。其中，所述点云数据至少包括两帧或者两帧以上的点云，则可以从所述点云数据中提取出各目标对象的运动信息，进而确定各目标对象中的各移动目标与各静止目标。

进一步地，步骤S200包括以下步骤：

步骤S210，基于预设聚类算法对所述点云数据进行聚类，生成至少一个聚类簇，并将各所述聚类簇作为目标对象；

步骤S220，根据所述点云数据，确定各目标对象的目标运动信息；

步骤S221，根据所述目标运动信息，确定各所述目标对象中的各移动目标与各静止目标。

具体地，可以基于预设聚类算法对所述点云数据中的各检测点进行聚类，生成至少一个聚类簇，并将各所述聚类簇作为目标对象，从而确定点云数据对应的至少一个目标对象。其中所述预设聚类算法包括K-means算法、基于密度的方法、层次聚类算法等。然后根据所述点云数据，确定各目标对象的目标运动信息，其中所述运动信息可以包括位移距离和移动速度。可以理解的是，所述目标运动信息为绝对运动信息，即相对于地面的运动信息，而非相对于激光雷达的运动信息。可以将各所述目标对象的点云中的某一检测点作为该目标对象的表征点，进而根据所述点云数据确定该表征点的运动轨迹，从而确定各目标对象的位移距离和移动速度。从而可以将位移距离小于预设位移阈值和/或移动速度小于预设速度阈值的目标对象判定为静止目标；将位移距离不小于预设位移阈值且移动速度不小于预设速度阈值的目标对象判定为移动目标。

进一步地，步骤S210之后还包括：

步骤S230，将各所述目标对象的点云特征分别与预设静止目标的点云特征以及预设移动目标的点云特征进行匹配；

步骤S231，根据匹配结果，确定各所述目标对象中的各移动目标与各静止目标。

其中，所述预设静止目标可以包括多个静止目标，所述预设移动目标也可以包括多个移动目标。

对于移动目标和静止目标的区分，还可以将各所述目标对象的点云特征分别与预设静止目标的点云特征以及预设移动目标的点云特征进行匹配，从而得到各所述目标对象与各预设静止目标之间的相似度以及各预设移动目标之间的相似度。进而根据匹配结果，确定各所述目标对象中的各移动目标与各静止目标。可以直接将所述目标对象对应相似度最高的预设静止目标或预设移动目标作为判定结果，例如，所述目标对象对应相似度最高的目标对象为预设静止目标，则所述目标对象为静止目标。所述目标对象对应相似度最高的目标对象为预设移动目标，则所述目标对象为静止目标。当然也可以统计预设静止目标和预设移动目标的相似度之和，从而确定目标对象为移动目标还是静止目标。

可以理解的是，步骤S220和步骤S221的实施例与步骤S230和步骤S231的实施例可以进行结合，即在所述匹配结果和所述目标运动信息均判定所述目标对象为静止目标时，才判定所述目标对象为静止目标。其他情况均判定所述目标对象为移动目标。

步骤S300，根据各所述静止目标对应的静止点云数据，在预设参考坐标系中构建场景地图；

所述预设参考坐标系可以是地面坐标系，当然也可以是以车辆为原点的坐标系。根据各所述静止目标对应的静止点云数据，确定各所述静止目标的当前静止姿态数据。然后根据所述当前静止姿态数据，在预设参考坐标系下将各所述静止目标的点云拼接成场景地图。从而得到由所有静止目标构建而成的场景地图。

进一步地，所述静止点云数据包括当前静止点云数据和后续静止点云数据，步骤S300包括以下步骤：

步骤S310，根据所述当前静止点云数据，确定各所述静止目标的当前静止姿态数据；

步骤S320，根据所述当前静止姿态数据，在预设参考坐标系下将各所述静止目标的点云拼接成初始场景地图；

步骤S320，根据所述后续静止点云数据，对所述初始场景地图进行更新，获得场景地图。

具体地，所述静止点云数据包括当前静止点云数据和后续静止点云数据，根据所述当前静止点云数据，确定各所述静止目标的当前静止姿态数据。然后将从雷达坐标系下的所述当前静止姿态数据转化为预设参考坐标系下静止姿态数据，然后再将预设参考坐标系下的各静止目标的点云进行拼接成得到初始场景地图。然后再根据所述后续静止点云数据，对所述初始场景地图进行更新，获得场景地图。

本实施例通过后续静止点云数据对当前初始点云数据进行更新，而非重新进行场景地图的构建，则可以减少场景地图构建的计算量与时间，提高场景地图的构建效率。

进一步地，步骤S320包括：

步骤S321，将所述后续静止点云数据与所述当前静止点云数据进行对比，确定新增静止目标；

步骤S322，在预设参考坐标系将所述新增目标对象拼接在所述初始场景地图中，以对所述初始场景地图进行更新，并将更新后的初始场景地图作为场景地图。

本实施例中，可以将所述后续静止点云数据中的后续静止目标与所述当前静止点云数据中的当前静止目标进行对比，确定新增静止目标。然后则可以在预设参考坐标系将所述新增目标对象拼接在所述初始场景地图中，以对所述初始场景地图进行更新，并将更新后的初始场景地图作为场景地图。

本实施例通过将所述后续静止点云数据与所述当前静止点云数据进行对比，确定新增静止目标，进而将该新增静止目标添加至初始场景地图中以完成更新，从而在点云数据变化较小(如在激光雷达设备处于静止状态或者缓慢移动状态)时，可以进一步减少构建场景地图的计算量与时间，提高构建场景地图的效率。

步骤S400，根据各所述移动目标对应的移动点云数据，构建动态地图，并将所述动态地图融入所述场景地图，获得实时场景地图。

具体地，可以根据各所述移动目标对应的移动点云数据，确定各移动目标的当前姿态数据。所述移动点云数据可以包括当前移动点云数据和后续移动点云数据。可以根据各所述移动目标的当前移动点云数据，生成对应的初始动态地图，其中所述初始动态地图包括当前状态下的各所述移动目标。并根据所述后续移动点云数据对初始动态地图进行实时更新，获得动态地图。然后则可以通过将所述动态地图和场景地图置于同一坐标系下，以使所述动态地图融入所述场景地图，获得实时场景地图。

进一步地，步骤S400包括以下步骤：

步骤S410，根据当前移动点云数据，生成初始动态地图，所述初始动态地图包括各所述移动目标；

步骤S411，根据所述后续移动点云数据，确定各所述移动目标的移动轨迹；

步骤S412，根据所述移动轨迹对所述初始动态地图中各所述移动目标的位置进行实时更新，获得对应的动态地图；

步骤S413，将所述动态地图转化至预设参考坐标系下，以使所述动态地图融入所述场景地图，获得实时场景地图。

具体地，可以根据各所述移动目标的当前移动点云数据，确定各所述移动目标的当前位姿数据，进而根据所述当前位姿数据生成初始动态地图，其中所述初始动态地图包括各所述移动目标。然后根据所述后续移动点云数据，确定各所述移动目标的移动轨迹，其中所述移动轨迹则可以将各移动目标的点云中的某一检测点作为该移动目标的表征点，进而根据所述点云数据中该表征点在所述后续移动点云数据不同帧中的位置，确定该表征点的运动轨迹。然后再根据所述移动轨迹对所述初始动态地图中各所述移动目标的位置进行实时更新，获得对应的动态地图。最后将所述动态地图转化至预设参考坐标系下，以使所述动态地图融入所述场景地图，获得实时场景地图。

在本发明第一实施例中，通过基于激光雷达采集实时场景的点云数据；对所述点云数据进行识别，确定实时场景中的各移动目标与各静止目标；根据各所述静止目标对应的静止点云数据，在预设参考坐标系中构建场景地图；根据各所述移动目标对应的移动点云数据，构建动态地图，并将所述动态地图融入所述场景地图，获得实时场景地图。本实施通过对于实时场景中静止目标和移动目标分别构建地图，再将两者进行融合，从而避免在构建地图中静止目标和移动目标的点云之间的干扰，提高了构建的实时场景地图的准确性。

参照图3，图3为本发明实施例方案涉及的基于激光雷达的地图构建系统的结构示意图。

如图3所示，本发明一实施例提供了一种基于激光雷达的地图构建系统，所述基于激光雷达的地图构建系统包括：

采集模块10，用于基于激光雷达采集实时场景的点云数据；

识别模块20，用于对所述点云数据进行识别，确定实时场景中的各移动目标与各静止目标；

第一构建模块30，用于根据各所述静止目标对应的静止点云数据，在预设参考坐标系中构建场景地图；

第二构建模块40，用于根据各所述移动目标对应的移动点云数据，构建动态地图，并将所述动态地图融入所述场景地图，获得实时场景地图。

进一步地，识别模块20，还用于

基于预设聚类算法对所述点云数据进行聚类，生成至少一个聚类簇，并将各所述聚类簇作为目标对象；

根据所述点云数据，确定各目标对象的目标运动信息；

根据所述目标运动信息，确定各所述目标对象中的各移动目标与各静止目标。

进一步地，识别模块20，还用于

将各所述目标对象的点云特征分别与预设静止目标的点云特征以及预设移动目标的点云特征进行匹配；

根据匹配结果，确定各所述目标对象中的各移动目标与各静止目标。

进一步地，第一构建模块30，还用于

根据所述当前静止点云数据，确定各所述静止目标的当前静止姿态数据；

根据所述当前静止姿态数据，在预设参考坐标系下将各所述静止目标的点云拼接成初始场景地图；

根据所述后续静止点云数据，对所述初始场景地图进行更新，获得场景地图。

进一步地，第一构建模块30，还用于

将所述后续静止点云数据与所述当前静止点云数据进行对比，确定新增静止目标；

在预设参考坐标系将所述新增目标对象拼接在所述初始场景地图中，以对所述初始场景地图进行更新，并将更新后的初始场景地图作为场景地图。

进一步地，第二构建模块40，还用于

根据当前移动点云数据，生成初始动态地图，其中所述初始动态地图包括各所述移动目标；

根据所述后续移动点云数据，确定各所述移动目标的移动轨迹；

根据所述移动轨迹对所述初始动态地图中各所述移动目标的位置进行实时更新，获得对应的动态地图；

将所述动态地图转化至预设参考坐标系下，以使所述动态地图融入所述场景地图，获得实时场景地图。

进一步地，采集模块10，还用于

基于激光雷达对所述实时场景进行扫描，获得原始点云，并获取所述激光雷达的安装高度；

根据所述安装高度对所述原始点云进行筛选，以确定所述原始点云中的地面待定点云；

对所述地面待定点云进行曲面拟合，以得到地面点云，从所述原始点云中过滤所述地面点云，得到所述点云数据。

此外，本发明实施例还提出一种计算机存储介质，所述计算机存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述实施例提供的基于激光雷达的地图构建方法中的操作，具体步骤此处不再过多赘述。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体/操作/对象与另一个实体/操作/对象区分开来，而不一定要求或者暗示这些实体/操作/对象之间存在任何这种实际的关系或者顺序；术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

对于设备实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的设备实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的。可以根据实际的需要选择中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，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，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，车辆，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种基于激光雷达的地图构建方法，其特征在于，所述基于激光雷达的地图构建方法包括以下步骤：

基于激光雷达基于激光雷达采集实时场景的点云数据；

对所述点云数据进行识别，确定实时场景中的各移动目标与各静止目标；

根据各所述静止目标对应的静止点云数据，在预设参考坐标系中构建场景地图；

根据各所述移动目标对应的移动点云数据，构建动态地图，并将所述动态地图融入所述场景地图，获得实时场景地图。

2.如权利要求1所述的基于激光雷达的地图构建方法，其特征在于，所述对所述点云数据进行识别，确定实时场景中的各移动目标与各静止目标的步骤，包括：

基于预设聚类算法对所述点云数据进行聚类，生成至少一个聚类簇，并将各所述聚类簇作为目标对象；

根据所述点云数据，确定各目标对象的目标运动信息；

根据所述目标运动信息，确定各所述目标对象中的各移动目标与各静止目标。

3.如权利要求2所述的基于激光雷达的地图构建方法，其特征在于，所述基于预设聚类算法对所述点云数据进行聚类，生成至少一个聚类簇，并将所述聚类簇作为目标对象的步骤之后，还包括：

将各所述目标对象的点云特征分别与预设静止目标的点云特征以及预设移动目标的点云特征进行匹配；

根据匹配结果，确定各所述目标对象中的各移动目标与各静止目标。

4.如权利要求3所述的基于激光雷达的地图构建方法，其特征在于，所述静止点云数据包括当前静止点云数据和后续静止点云数据，所述根据各所述静止目标对应的静止点云数据，在预设参考坐标系中构建场景地图的步骤，包括：

根据所述当前静止点云数据，确定各所述静止目标的当前静止姿态数据；

根据所述当前静止姿态数据，在预设参考坐标系下将各所述静止目标的点云拼接成初始场景地图；

根据所述后续静止点云数据，对所述初始场景地图进行更新，获得场景地图。

5.如权利要求4所述的基于激光雷达的地图构建方法，其特征在于，所述根据所述后续静止点云数据，对所述初始场景地图进行更新，获得场景地图的步骤，所述方法包括：

将所述后续静止点云数据与所述当前静止点云数据进行对比，确定新增静止目标；

在预设参考坐标系将所述新增目标对象拼接在所述初始场景地图中，以对所述初始场景地图进行更新，并将更新后的初始场景地图作为场景地图。

6.如权利要求5所述的基于激光雷达的地图构建方法，其特征在于，所述移动点云数据可以包括当前移动点云数据和后续移动点云数据，所述根据各所述移动目标对应的移动点云数据，构建动态地图，并将所述动态地图融入所述场景地图，获得实时场景地图的步骤，包括：

根据当前移动点云数据，生成初始动态地图，其中所述初始动态地图包括各所述移动目标；

根据所述后续移动点云数据，确定各所述移动目标的移动轨迹；

根据所述移动轨迹对所述初始动态地图中各所述移动目标的位置进行实时更新，获得对应的动态地图；

将所述动态地图转化至预设参考坐标系下，以使所述动态地图融入所述场景地图，获得实时场景地图。

7.如权利要求1至6中任一项所述的基于激光雷达的地图构建方法，其特征在于，所述基于激光雷达采集实时场景的点云数据的步骤，包括：

基于激光雷达对所述实时场景进行扫描，获得原始点云，并获取所述激光雷达的安装高度；

根据所述安装高度对所述原始点云进行筛选，以确定所述原始点云中的地面待定点云；

对所述地面待定点云进行曲面拟合，以得到地面点云，从所述原始点云中过滤所述地面点云，得到所述点云数据。

8.一种基于激光雷达的地图构建系统，其特征在于，所述基于激光雷达的地图构建系统包括：

采集模块，用于基于激光雷达采集实时场景的点云数据；

识别模块，用于对所述点云数据进行识别，确定实时场景中的各移动目标与各静止目标；

第一构建模块，用于根据各所述静止目标对应的静止点云数据，在预设参考坐标系中构建场景地图；

第二构建模块，用于根据各所述移动目标对应的移动点云数据，构建动态地图，并将所述动态地图融入所述场景地图，获得实时场景地图。

9.一种激光雷达设备，其特征在于，所述激光雷达设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有基于激光雷达的地图构建程序，所述基于激光雷达的地图构建程序被处理器执行时实现如权利要求1至7中任一项所述的基于激光雷达的地图构建方法的步骤。

Images