CN115406452A - 一种实时定位及建图方法、装置及终端设备 - Google Patents

一种实时定位及建图方法、装置及终端设备 Download PDF

Info

Publication number
CN115406452A
CN115406452A CN202211032565.9A CN202211032565A CN115406452A CN 115406452 A CN115406452 A CN 115406452A CN 202211032565 A CN202211032565 A CN 202211032565A CN 115406452 A CN115406452 A CN 115406452A
Authority
CN
China
Prior art keywords
point cloud
data
cloud map
map
key frame
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
Application number
CN202211032565.9A
Other languages
English (en)
Inventor
顾震江
赵永杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Uditech Co Ltd
Original Assignee
Uditech Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Uditech Co Ltd filed Critical Uditech Co Ltd
Priority to CN202211032565.9A priority Critical patent/CN115406452A/zh
Publication of CN115406452A publication Critical patent/CN115406452A/zh
Pending legal-status Critical Current

Links

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
    • G01C21/26—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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Abstract

本申请适用于车辆定位技术技术领域，提供了实时定位及建图方法、装置及终端设备，方法包括：基于车辆在预构建的全局特征点云地图中的初始位姿数据确定初始局部点云地图；检测到车辆位于未知区域时，基于当前帧的位姿数据及第一关键帧数据构建目标局部点云地图，同时启动闭环检测程序；根据当前帧的特征点云数据与目标局部点云地图中的第二关键帧数据进行位姿优化，得到车辆定位信息并构建未知区域点云地图，基于闭环检测结果对定位信息进行优化，得到优化后的定位信息，拼接未知区域点云地图和全局特征点云地图，得到目标全局特征点云地图。本申请基于已知特征点云地图实现车辆实时定位，及构建未知区域的点云地图，提高定位精度及地图构建精度。

Description

一种实时定位及建图方法、装置及终端设备
技术领域
本申请属于车辆定位技术领域，尤其涉及一种实时定位及建图方法、装置及终端设备。
背景技术
无人驾驶系统中，通常需要基于预先构建点云地图以及激光雷达的扫描信号来定位车辆在已知点云地图的位置。
然而，由于预先构建的点云地图范围有限，在车辆行驶到预先构建的点云地图之外的其它区域时，车辆将很难确定自身所在的位置。
一般的定位方法通过算法基于激光里程计确定的位置数据，也会因里程计累积误差而导致车辆定位信息不精确，导致车辆无法确定位置及方向，影响无人驾驶车辆的正常运行。
发明内容
本申请实施例提供了一种实时定位及建图方法、装置及终端设备，可以解决无人驾驶车辆定位精度较低的问题。
第一方面，本申请实施例提供了一种实时定位及建图方法，包括：
确定车辆在预构建的全局特征点云地图中的初始位姿数据，基于所述初始位姿数据确定对应的初始局部点云地图；
根据所述初始局部点云地图检测到所述车辆位于未知区域时，基于当前帧的位姿数据及满足第一预设条件的第一关键帧数据，构建对应的目标局部点云地图，同时启动闭环检测程序得到闭环检测结果；
根据当前帧的特征点云数据与所述目标局部点云地图中的第二关键帧数据进行位姿优化，得到所述车辆的定位信息并构建所述未知区域的未知区域点云地图；
基于闭环检测结果对所述定位信息进行优化，得到优化后的定位信息；
将所述未知区域点云地图和所述全局特征点云地图进行拼接，得到目标全局特征点云地图。
在一个实施例中，所述确定车辆在预构建的全局特征点云地图中的初始位姿数据，基于所述初始位姿数据确定对应的初始局部点云地图，包括：
获取预构建的全局特征点云地图；
根据预设定位算法确定所述车辆在所述全局特征点云地图中的初始位姿数据；
以所述初始位姿数据为中心，对所述全局特征点云地图进行分割，得到满足第二预设条件的初始局部点云地图。
在一个实施例中，所述根据所述初始局部点云地图检测到所述车辆位于未知区域时，基于当前帧的位姿数据及满足第一预设条件的第一关键帧数据，构建对应的目标局部点云地图，同时启动闭环检测程序得到闭环检测结果，包括：
确定所述初始局部点云地图中的点云数据的数量；
在检测到所述点云数据的数量小于或等于点云数量预设阈值时，确定所述车辆位于所述未知区域内；
基于当前帧的位姿数据选取满足第一预设条件的第一关键帧数据；其中，第一关键帧数据包括第一关键帧位姿数据和第一关键帧点云数据；
根据第一关键帧位姿数据及对应的第一关键帧点云数据，构建所述目标局部点云地图，同时启动闭环检测程序得到闭环检测结果。
在一个实施例中，所述根据当前帧的特征点云数据与所述目标局部点云地图中的第二关键帧数据进行位姿优化，得到所述车辆的定位信息并构建所述未知区域的未知区域点云地图，包括：
对所述当前帧的雷达扫描数据进行特征提取，得到对应的当前帧的特征点云数据；其中，第二关键帧数据包括第二关键帧位姿数据和第二关键帧点云数据；
将所述当前帧的特征点云数据与所述目标局部点云地图中的第二关键帧点云数据进行关联并进行位姿优化，得到所述车辆的定位信息并构建所述未知区域的未知区域点云地图。
在一个实施例中，所述全局特征点云地图包括全局边缘点特征地图和全局平面点特征地图；所述全局边缘点特征地图包括全局边缘点关键帧数据及对应的边缘点关键帧间约束信息；所述全局平面点特征地图包括全局平面点关键帧数据及对应的平面点关键帧间约束信息；目标局部特征点云地图包括目标局部边缘点特征地图和目标局部平面点特征地图；所述目标局部边缘点特征地图包括局部边缘点关键帧数据及对应的第一局部关键帧间约束信息；所述目标局部平面点特征地图包括局部平面点关键帧数据及对应的第二局部关键帧间约束信息；对应的第二关键帧数据包括局部边缘点关键帧位姿数据、局部边缘点关键帧点云数据、局部平面点关键帧位姿数据及局部平面点关键帧点云数据；
所述将所述当前帧的特征点云数据与所述目标局部点云地图中的第二关键帧点云数据进行关联并进行位姿优化，得到所述车辆的定位信息并构建所述未知区域的未知区域点云地图，包括：
识别所述当前帧的特征点云数据的类型；
在检测到所述当前帧的特征点云数据为边缘点时，将所述当前帧的特征点云数据与所述目标局部点云地图中的局部边缘点关键帧数据进行数据关联；
在检测到所述当前帧的特征点云数据为平面点时，将所述当前帧的特征点云数据与所述目标局部点云地图中的局部平面点关键帧数据进行数据关联；
基于所述当前帧的特征点云数据及关联的第二关键帧点云数据进行位姿优化，得到所述车辆的定位信息并构建所述未知区域的未知区域点云地图。
在一个实施例中，所述基于闭环检测结果对所述定位信息进行优化，得到优化后的定位信息，包括：
在检测到所述闭环检测结果为存在闭环时，将闭环关键帧数据与所述当前帧的特征点云数据进行点云配准；
基于点云配准结果对所述定位信息进行优化，得到优化后的定位信息。
在一个实施例中，所述将所述未知区域点云地图和所述全局特征点云地图进行拼接，得到目标全局特征点云地图之前，还包括：
确定所述车辆的里程信息；
在检测到所述里程信息大于或等于预设里程阈值时，基于所述优化后的定位信息对所述未知区域点云地图进行更新，得到优化后的未知区域点云地图。
第二方面，本申请实施例提供了一种实时定位及建图装置，包括：
局部点云地图确定模块，用于确定车辆在预构建的全局特征点云地图中的初始位姿数据，基于所述初始位姿数据确定对应的初始局部点云地图；
局部点云地图构建模块，用于根据所述初始局部点云地图检测到所述车辆位于未知区域时，基于当前帧的位姿数据及满足第一预设条件的第一关键帧数据，构建对应的目标局部点云地图，同时启动闭环检测程序得到闭环检测结果；
未知点云地图构建模块，用于根据当前帧的特征点云数据与所述目标局部点云地图中的第二关键帧数据进行位姿优化，得到所述车辆的定位信息并构建所述未知区域的未知区域点云地图；
定位优化模块，用于基于闭环检测结果对所述定位信息进行优化，得到优化后的定位信息；
全局点云地图构建模块，用于将所述未知区域点云地图和所述全局特征点云地图进行拼接，得到目标全局特征点云地图。
在一个实施例中，所述局部点云地图确定模块，包括：
全局点云地图获取单元，用于获取预构建的全局特征点云地图；
初始位姿确定单元，用于根据预设定位算法确定所述车辆在所述全局特征点云地图中的初始位姿数据；
地图分割单元，用于以所述初始位姿数据为中心，对所述全局特征点云地图进行分割，得到满足第二预设条件的初始局部点云地图。
在一个实施例中，所述局部点云地图构建模块，包括：
数量确定单元，用于确定所述初始局部点云地图中的点云数据的数量；
判定单元，用于在检测到所述点云数据的数量小于或等于点云数量预设阈值时，确定所述车辆位于所述未知区域内；
关键帧选取单元，用于基于当前帧的位姿数据选取满足第一预设条件的第一关键帧数据；其中，第一关键帧数据包括第一关键帧位姿数据和第一关键帧点云数据；
局部点云地图构建单元，用于根据第一关键帧位姿数据及对应的第一关键帧点云数据，构建所述目标局部点云地图，同时启动闭环检测程序得到闭环检测结果。
在一个实施例中，所述未知点云地图构建模块，包括：
特征提取单元，用于对所述当前帧的雷达扫描数据进行特征提取，得到对应的当前帧的特征点云数据；其中，第二关键帧数据包括第二关键帧位姿数据和第二关键帧点云数据；
位姿优化单元，用于将所述当前帧的特征点云数据与所述目标局部点云地图中的第二关键帧点云数据进行关联并进行位姿优化，得到所述车辆的定位信息并构建所述未知区域的未知区域点云地图。
在一个实施例中，所述全局特征点云地图包括全局边缘点特征地图和全局平面点特征地图；所述全局边缘点特征地图包括全局边缘点关键帧数据及对应的边缘点关键帧间约束信息；所述全局平面点特征地图包括全局平面点关键帧数据及对应的平面点关键帧间约束信息；目标局部特征点云地图包括目标局部边缘点特征地图和目标局部平面点特征地图；所述目标局部边缘点特征地图包括局部边缘点关键帧数据及对应的第一局部关键帧间约束信息；所述目标局部平面点特征地图包括局部平面点关键帧数据及对应的第二局部关键帧间约束信息；对应的第二关键帧数据包括局部边缘点关键帧位姿数据、局部边缘点关键帧点云数据、局部平面点关键帧位姿数据及局部平面点关键帧点云数据；
所述位姿优化单元，包括：
数据类型识别子单元，用于识别所述当前帧的特征点云数据的类型；
第一数据关联子单元，用于在检测到所述当前帧的特征点云数据为边缘点时，将所述当前帧的特征点云数据与所述目标局部点云地图中的局部边缘点关键帧数据进行数据关联；
第二数据关联子单元，用于在检测到所述当前帧的特征点云数据为平面点时，将所述当前帧的特征点云数据与所述目标局部点云地图中的局部平面点关键帧数据进行数据关联；
位姿优化子单元，用于基于所述当前帧的特征点云数据及关联的第二关键帧点云数据进行位姿优化，得到所述车辆的定位信息并构建所述未知区域的未知区域点云地图。
在一个实施例中，所述定位优化模块，包括：
点云配准单元，用于在检测到所述闭环检测结果为存在闭环时，将闭环关键帧数据与所述当前帧的特征点云数据进行点云配准；
定位优化单元，用于基于点云配准结果对所述定位信息进行优化，得到优化后的定位信息。
在一个实施例中，所述装置，还包括：
里程确定模块，用于确定所述车辆的里程信息；
地图拼接模块，用于在检测到所述里程信息大于或等于预设里程阈值时，基于所述优化后的定位信息对所述未知区域点云地图进行更新，得到优化后的未知区域点云地图。
第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面任一项所述的实时定位及建图方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面任一项所述的实时定位及建图方法。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的实时定位及建图方法。
本申请实施例与现有技术相比存在的有益效果是：通过基于车辆在预构建的全局特征点云地图中的初始位姿数据确定初始局部点云地图，检测到车辆位于未知区域时，基于当前帧的位姿数据及第一关键帧数据构建目标局部点云地图，同时启动闭环检测程序；根据当前帧的特征点云数据与目标局部点云地图中的第二关键帧数据进行位姿优化，得到车辆定位信息并构建未知区域点云地图，基于闭环检测结果对定位信息进行优化，得到优化后的定位信息，拼接未知区域点云地图和全局特征点云地图，得到目标全局特征点云地图，实现基于已知的特征点云地图实现车辆的实时定位，以及构建未知区域的点云地图，提高车辆行驶过程中的实时定位精度及地图在线构建精度。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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是本申请实施例提供的实时定位及建图方法的流程示意图；
图2是本申请实施例提供的实时定位及建图方法步骤S102的流程示意图；
图3是本申请实施例提供的实时定位及建图方法步骤S103的流程示意图；
图4是本申请实施例提供的实时定位及建图方法步骤S1032的流程示意图；
图5是本申请实施例提供的实时定位及建图装置的结构示意图；
图6是本申请实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
本申请实施例提供的实时定位及建图方法可以应用于手机、平板电脑、无人驾驶车辆的车载设备、笔记本电脑、超级移动个人计算机(Ultra-Mobile Personal Computer，UMPC)等终端设备上，本申请实施例对终端设备的具体类型不作任何限制。
图1示出了本申请提供的实时定位及建图方法的示意性流程图，作为示例而非限定，该方法可以应用于无人驾驶车辆的车载设备中。
S101、确定车辆在预构建的全局特征点云地图中的初始位姿数据，基于所述初始位姿数据确定对应的初始局部点云地图。
具体地，车辆在基于无人驾驶系统行驶时，需要获取预先构建好的全局特征点云地图，同时需要通过激光雷达进行实时扫描，获得对应的雷达扫描数据。全局特征点云地图包含但不限于基于已知区域上的所有边缘点关键帧数据构建得到的全局边缘点特征地图，以及基于已知区域上的所有平面点关键帧数据构建得到的全局平面点特征地图；关键帧数据包括但不限于关键帧位姿数据和关键帧点云数据；对应的全局边缘点特征地图包含全局边缘点关键帧位姿数据、全局边缘点关键帧点云数据及边缘点关键帧间约束信息；全局平面点特征地图包含全局平面点关键帧位姿数据、全局平面点关键帧点云数据以及平面点关键帧约束信息。
具体地，确定车辆是否位于未知区域内(即需要检测车辆是否仍位于预构建的全局特征点云地图内)所需要识别的点云数据量较大，因此设定通过预设算法确定车辆在预构建的全局特征点云地图中的初始位姿数据，以初始位姿数据为中心从上述预构建的全局特征点云地图中分割出对应的初始局部点云地图，从而基于初始局部点云地图确定车辆是否到达未知区域，减少计算量，提高识别效率。
S102、根据所述初始局部点云地图检测到所述车辆位于未知区域时，基于当前帧的位姿数据及满足第一预设条件的第一关键帧数据，构建对应的目标局部点云地图，同时启动闭环检测程序得到闭环检测结果。
具体地，基于初始局部点云地图的点云数据确定车辆是否位于未知区域，在检测到车辆位于未知区域时，需要基于实时的雷达扫描数据和GPS数据，确定当前帧的位姿数据，基于当前帧的位姿数据选取满足第一预设条件的第一关键帧数据，基于当前帧的位姿数据及满足第一预设条件的第一关键帧数据构建得到对应的目标局部点云地图。
具体地，第一预设条件可根据实际情况进行具体设定。在本实施例中，设定第一预设条件为与当前帧的位姿数据间的距离小于预设距离阈值的K个关键帧。其中，预设距离阈值可根据预构建的全局特征点云地图的实际范围、环境类型等多种因素确定。一般情况下，设定预设距离阈值与全局特征点云地图的实际范围的增长呈正比例关系，预设距离阈值与全局特征点云地图的环境类型复杂程度呈反比例关系。也即在全局特征点云地图的实际范围越大时，对应的预设距离阈值越大；全局特征点云地图的环境类型复杂程度越高，对应的预设距离阈值越小。例如：全局点云地图的实际范围包含5000M2，对设定预设距离为30m，全局点云地图的实际范围包含1000M2，对设定预设距离为10m；或者，全局特征点云地图的环境类型为公路，对应设定的预设距离为30m，全局特征点云地图的环境类型为乡村，对应设定的预设距离为10m。其中，K值可根据预设距离阈值、全局特征点云地图的实际范围、环境类型、用户的实际需求等多种因素确定。K的值与预设距离阈值的增长呈正比例关系，K为大于0的正整数。例如，预设距离阈值为30m。
具体地，关键帧数据包含关键帧位姿数据和关键帧点云数据。识别第一关键帧数据的类型，基于当前帧的位姿数据、类型为边缘点的第一关键帧点云数据及对应的第一关键帧位姿数据构建得到目标局部边缘点特征地图；基于当前帧的位姿数据、类型为平面点的第一关键帧点云数据及对应的第一关键帧位姿数据构建得到目标局部平面点特征地图。对应的：目标局部特征点云地图包括目标局部边缘点特征地图和目标局部平面点特征地图；目标局部边缘点特征地图包括局部边缘点关键帧数据及对应的第一局部关键帧间约束信息；目标局部平面点特征地图包括局部平面点关键帧数据及对应的第二局部关键帧间约束信息。
具体的，由于里程计累积存在一定的误差，当车辆在未知区域内行驶较大范围后再次回到预构建的全局特征点云地图的范围内时，可能导致车辆在构建的全局特征点云地图中位置与真实的车辆位置出现了偏差，为了提高车辆的定位信息的精度，需要在检测到车辆位于未知区域时启动闭环检测程序得到闭环检测结果。
S103、根据当前帧的特征点云数据与所述目标局部点云地图中的第二关键帧数据进行位姿优化，得到所述车辆的定位信息并构建所述未知区域的未知区域点云地图。
具体地，基于当前帧的特征点云数据和目标局部点云地图中的第二关键帧数据(第二关键帧数据包括第二关键帧位姿数据和第二关键帧点云数据，此处具体为第二关键帧点云数据)进行数据关联并进行位姿优化，得到车辆的定位信息。同时基于当前帧的特征点云数据与目标局部点云地图中的第二关键帧位姿数据、第二关键帧点云数据构建得到未知区域的未知区域点云地图。
S104、基于闭环检测结果对所述定位信息进行优化，得到优化后的定位信息。
具体地，在检测到闭环检测结果为存在闭环时，基于闭环关键帧数据与当前帧特征点云数据对定位信息进行优化，得到优化后的定位信息。
S105、将所述未知区域点云地图和所述全局特征点云地图进行拼接，得到目标全局特征点云地图。
具体地，将未知区域点云地图中的每个关键帧的点云数据转换到全局特征点云地图的坐标系下，并将未知区域点云地图和预构建的全局特征点云地图进行拼接，得到目标全局特征点云地图，便于车辆基于目标全局特征点云地图进行实时定位。
在一个实施例中，所述确定车辆在预构建的全局特征点云地图中的初始位姿数据，基于所述初始位姿数据确定对应的初始局部点云地图，包括：
获取预构建的全局特征点云地图；
根据预设定位算法确定所述车辆在所述全局特征点云地图中的初始位姿数据；
以所述初始位姿数据为中心，对所述全局特征点云地图进行分割，得到满足第二预设条件的初始局部点云地图。
具体地，加载获取预构建的全局特征点云地图，基于预设定位算法确定车辆在全局特征点云地图中的初始位姿数据，以初始位姿数据为中心，在全局特征点云地图中搜索满足第二预设条件的区域点云地图，作为初始局部点云地图。其中，预设定位算法包括但不限于全局定位算法；第二预设条件为：以初始位姿数据为中心，与初始位姿数据的距离小于范围预设阈值的区域对应的点云地图。其中，范围预设阈值可根据实际需求进行具体设定。一般情况下，范围预设阈值与全局特征点云地图的实际范围、车辆的实际行驶速度的增长呈正比例关系。例如，全局特征点云地图的实际范围为30km2，车辆的实际行驶速度为60km/h，对应的初始局部点云地图为以初始位姿数据为中心，与初始位姿数据的距离小于15m的区域点云地图。
如图2所示，在一个实施例中，所述根据所述初始局部点云地图检测到所述车辆位于未知区域时，基于当前帧的位姿数据及满足第一预设条件的第一关键帧数据，构建对应的目标局部点云地图，同时启动闭环检测程序得到闭环检测结果的步骤S102，包括：
S1021、确定所述初始局部点云地图中的点云数据的数量；
S1022、在检测到所述点云数据的数量小于或等于点云数量预设阈值时，确定所述车辆位于所述未知区域内；
S1023、基于当前帧的位姿数据选取满足第一预设条件的第一关键帧数据；其中，第一关键帧数据包括第一关键帧位姿数据和第一关键帧点云数据；
S1024、根据第一关键帧位姿数据及对应的第一关键帧点云数据，构建所述目标局部点云地图，同时启动闭环检测程序得到闭环检测结果。
具体地，识别确定初始局部点云地图中点云数据的数量，由于初始局部点云地图中仅包含预构建的全局特征点云地图中的点云数据，在检测到点云数据的数量小于或等于点云数据预设阈值时，确定车辆已位于不包含点云数据的未知区域内，基于当前帧的位姿数据选取满足第一预设条件的K个第一关键帧数据，从而基于K个第一关键帧位姿数据及对应的K个第一关键帧点云数据，构建得到目标局部点云地图，其中，第一关键帧数据包括第一关键帧位姿数据和第一关键帧点云数据。
具体地，同时通过闭环检测程序实时检测车辆是否回到预构建的全局特征点云地图的范围内，需要识别雷达扫描数据包含的环境特征数据，将雷达扫描数据包含的环境特征数据与预构建的全局特征点云地图中的环境特征数据进行对比检测，在检测到雷达扫描数据包含的环境特征数据与预构建的全局特征点云地图中的环境特征数据存在相似性时，确定检测到闭环。
通过对比当前帧的雷达扫描数据与预构建的全局特征点云地图的场景特征的相似性，来判断车辆是否到达过此地点(称之为闭环)，能够及时检测到闭环并基于闭环对关键帧的位姿数据进行修正，提高车辆定位信息的精度。
在一个实施例中，在检测到初始局部点云地图中的点云数据的数量大于点云数量预设阈值时，判定车辆位于全局特征点云地图对应的范围内，可基于全局特征点云地图继续进行车辆实时定位。
如图3所示，在一个实施例中，所述根据当前帧的特征点云数据与所述目标局部点云地图中的第二关键帧数据进行位姿优化，得到所述车辆的定位信息并构建所述未知区域的未知区域点云地图的步骤S103，包括：
S1031、对所述当前帧的雷达扫描数据进行特征提取，得到对应的当前帧的特征点云数据；其中，第二关键帧数据包括第二关键帧位姿数据和第二关键帧点云数据；
S1032、将所述当前帧的特征点云数据与所述目标局部点云地图中的第二关键帧点云数据进行关联并进行位姿优化，得到所述车辆的定位信息并构建所述未知区域的未知区域点云地图。
具体地，车辆在无人驾驶的过程中，实时通过激光雷达获得雷达扫描数据，通过对当前帧的雷达扫描数据进行特征提取，得到对应的当前帧的特征点云数据，基于当前帧的特征点云数据的类型，分别与对应类型的目标局部点云地图中的第二关键帧点云数据进行数据关联，并进行位姿优化，得到车辆的定位信息。基于当前帧的特征点云数据以及关联的第二关键帧点云数据构建得到未知区域的未知区域点云地图。对应的，第二关键帧数据包括局部边缘点关键帧位姿数据、局部边缘点关键帧点云数据、局部平面点关键帧位姿数据及局部平面点关键帧点云数据。
在一个实施例中，所述全局特征点云地图包括全局边缘点特征地图和全局平面点特征地图；所述全局边缘点特征地图包括全局边缘点关键帧数据及对应的边缘点关键帧间约束信息；所述全局平面点特征地图包括全局平面点关键帧数据及对应的平面点关键帧间约束信息；目标局部特征点云地图包括目标局部边缘点特征地图和目标局部平面点特征地图；所述目标局部边缘点特征地图包括局部边缘点关键帧数据及对应的第一局部关键帧间约束信息；所述目标局部平面点特征地图包括局部平面点关键帧数据及对应的第二局部关键帧间约束信息；对应的第二关键帧数据包括局部边缘点关键帧位姿数据、局部边缘点关键帧点云数据、局部平面点关键帧位姿数据及局部平面点关键帧点云数据。
如图4所示，所述将所述当前帧的特征点云数据与所述目标局部点云地图中的第二关键帧点云数据进行关联并进行位姿优化，得到所述车辆的定位信息并构建所述未知区域的未知区域点云地图的步骤S1032，包括：
S10321、识别所述当前帧的特征点云数据的类型；
S10322、在检测到所述当前帧的特征点云数据为边缘点时，将所述当前帧的特征点云数据与所述目标局部点云地图中的局部边缘点关键帧数据进行数据关联；
S10323、在检测到所述当前帧的特征点云数据为平面点时，将所述当前帧的特征点云数据与所述目标局部点云地图中的局部平面点关键帧数据进行数据关联；
S10324、基于所述当前帧的特征点云数据及关联的第二关键帧点云数据进行位姿优化，得到所述车辆的定位信息并构建所述未知区域的未知区域点云地图。
具体地，识别当前帧的特征点云数据的类型，将识别到的类型为边缘点的当前帧的特征点云数据与目标局部点云地图中的局部边缘点关键帧数据进行数据关联；将识别到的类型为平面点的当前帧的特征点云数据与目标局部点云地图中的局部平面点关键帧数据进行数据关联。通过最小化损失函数对关联的数据进行迭代优化位姿，得到车辆的定位信息。并基于类型为边缘点的当前帧的特征点云数据与目标局部点云地图中的局部边缘点关键帧数据构建得到未知区域的未知区域边缘点云地图；基于类型为平面点的当前帧的特征点云数据与目标局部点云地图中的局部平面点关键帧数据构建得到未知区域的未知区域平面点云地图。
其中，通过最小化损失函数对关联的数据进行迭代优化位姿包括：将当前扫描帧的每一个特征点云数据(平面点或是边缘点)转换到全局坐标系下，然后在对应类型的目标局部点云地图(例如，当前帧特征点云数据是平面点，则需要在目标局部平面点云地图中去搜索)中搜索n个临近点(n为大于1的正整数)，然后利用PCA分析分别求取n个临近点形成的线特征方向向量或是n个点形成的平面法向量，(如果当前帧的位姿数据是准确的，那么当前帧的特征点云数据应该位于直线或者位于平面上)，基于上述约束条件，构建点到线距离误差及点到面距离误差，从而优化位姿。
在一个实施例中，所述基于闭环检测结果对所述定位信息进行优化，得到优化后的定位信息，包括：
在检测到所述闭环检测结果为存在闭环时，将闭环关键帧数据与所述当前帧的特征点云数据进行点云配准；
基于点云配准结果对所述定位信息进行优化，得到优化后的定位信息。
具体地，在检测到闭环检测结果为车辆抵达过此地点，即存在闭环时，将闭环关键帧数据与当前帧的特征点云数据进行点云配准，并将点云配准结果作为约束条件对所述定位信息进行位姿优化(通过不断迭代优化关键帧的位姿数据，使得相对位置误差量接近于0)，得到优化后的定位信息，同时关闭闭环检测程序。其中，闭环关键帧为在检测到将雷达扫描数据包含的环境特征数据与预构建的全局特征点云地图中的环境特征数据进行对比检测过程中，确定上述两种环境特征数据存在相似性时，所对应的预构建的全局特征点云地图中的关键帧数据。
在一个实施例中，所述将所述未知区域点云地图和所述全局特征点云地图进行拼接，得到目标全局特征点云地图之前，还包括：
确定所述车辆的里程信息；
在检测到所述里程信息大于或等于预设里程阈值时，基于所述优化后的定位信息对所述未知区域点云地图进行更新，得到优化后的未知区域点云地图。
具体地，以车辆在预构建的全局特征点云地图中的初始位姿数据对应的时刻为初始时刻，确定从初始时刻到当前时刻的车辆历程信息。比较里程信息和预设里程阈值，在检测到里程信息大于或等于预设里程阈值时，基于优化后的定位信息对未知区域点云地图进行更新，得到优化后的未知区域点云地图，用于后续进行点云配准。
本实施例通过基于车辆在预构建的全局特征点云地图中的初始位姿数据确定初始局部点云地图，检测到车辆位于未知区域时，基于当前帧的位姿数据及第一关键帧数据构建目标局部点云地图，同时启动闭环检测程序；根据当前帧的特征点云数据与目标局部点云地图中的第二关键帧数据进行位姿优化，得到车辆定位信息并构建未知区域点云地图，基于闭环检测结果对定位信息进行优化，得到优化后的定位信息，拼接未知区域点云地图和全局特征点云地图，得到目标全局特征点云地图，实现基于已知的特征点云地图实现车辆的实时定位，以及构建未知区域的点云地图，提高车辆行驶过程中的实时定位精度及地图在线构建精度。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的实时定位及建图方法，图5示出了本申请实施例提供的实时定位及建图装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参照图5，该实时定位及建图装置100包括：
局部点云地图确定模块101，用于确定车辆在预构建的全局特征点云地图中的初始位姿数据，基于所述初始位姿数据确定对应的初始局部点云地图；
局部点云地图构建模块102，用于根据所述初始局部点云地图检测到所述车辆位于未知区域时，基于当前帧的位姿数据及满足第一预设条件的第一关键帧数据，构建对应的目标局部点云地图，同时启动闭环检测程序得到闭环检测结果；
未知点云地图构建模块103，用于根据当前帧的特征点云数据与所述目标局部点云地图中的第二关键帧数据进行位姿优化，得到所述车辆的定位信息并构建所述未知区域的未知区域点云地图；
定位优化模块104，用于基于闭环检测结果对所述定位信息进行优化，得到优化后的定位信息；
全局点云地图构建模块105，用于将所述未知区域点云地图和所述全局特征点云地图进行拼接，得到目标全局特征点云地图。
在一个实施例中，所述局部点云地图确定模块，包括：
全局点云地图获取单元，用于获取预构建的全局特征点云地图；
初始位姿确定单元，用于根据预设定位算法确定所述车辆在所述全局特征点云地图中的初始位姿数据；
地图分割单元，用于以所述初始位姿数据为中心，对所述全局特征点云地图进行分割，得到满足第二预设条件的初始局部点云地图。
在一个实施例中，所述局部点云地图构建模块，包括：
数量确定单元，用于确定所述初始局部点云地图中的点云数据的数量；
判定单元，用于在检测到所述点云数据的数量小于或等于点云数量预设阈值时，确定所述车辆位于所述未知区域内；
关键帧选取单元，用于基于当前帧的位姿数据选取满足第一预设条件的第一关键帧数据；其中，第一关键帧数据包括第一关键帧位姿数据和第一关键帧点云数据；
局部点云地图构建单元，用于根据第一关键帧位姿数据及对应的第一关键帧点云数据，构建所述目标局部点云地图，同时启动闭环检测程序得到闭环检测结果。
在一个实施例中，所述未知点云地图构建模块，包括：
特征提取单元，用于对所述当前帧的雷达扫描数据进行特征提取，得到对应的当前帧的特征点云数据；其中，第二关键帧数据包括第二关键帧位姿数据和第二关键帧点云数据；
位姿优化单元，用于将所述当前帧的特征点云数据与所述目标局部点云地图中的第二关键帧点云数据进行关联并进行位姿优化，得到所述车辆的定位信息并构建所述未知区域的未知区域点云地图。
在一个实施例中，所述全局特征点云地图包括全局边缘点特征地图和全局平面点特征地图；所述全局边缘点特征地图包括全局边缘点关键帧数据及对应的边缘点关键帧间约束信息；所述全局平面点特征地图包括全局平面点关键帧数据及对应的平面点关键帧间约束信息；目标局部特征点云地图包括目标局部边缘点特征地图和目标局部平面点特征地图；所述目标局部边缘点特征地图包括局部边缘点关键帧数据及对应的第一局部关键帧间约束信息；所述目标局部平面点特征地图包括局部平面点关键帧数据及对应的第二局部关键帧间约束信息；对应的第二关键帧数据包括局部边缘点关键帧位姿数据、局部边缘点关键帧点云数据、局部平面点关键帧位姿数据及局部平面点关键帧点云数据；
所述位姿优化单元，包括：
数据类型识别子单元，用于识别所述当前帧的特征点云数据的类型；
第一数据关联子单元，用于在检测到所述当前帧的特征点云数据为边缘点时，将所述当前帧的特征点云数据与所述目标局部点云地图中的局部边缘点关键帧数据进行数据关联；
第二数据关联子单元，用于在检测到所述当前帧的特征点云数据为平面点时，将所述当前帧的特征点云数据与所述目标局部点云地图中的局部平面点关键帧数据进行数据关联；
位姿优化子单元，用于基于所述当前帧的特征点云数据及关联的第二关键帧点云数据进行位姿优化，得到所述车辆的定位信息并构建所述未知区域的未知区域点云地图。
在一个实施例中，所述定位优化模块，包括：
点云配准单元，用于在检测到所述闭环检测结果为存在闭环时，将闭环关键帧数据与所述当前帧的特征点云数据进行点云配准；
定位优化单元，用于基于点云配准结果对所述定位信息进行优化，得到优化后的定位信息。
在一个实施例中，所述装置，还包括：
里程确定模块，用于确定所述车辆的里程信息；
地图拼接模块，用于在检测到所述里程信息大于或等于预设里程阈值时，基于所述优化后的定位信息对所述未知区域点云地图进行更新，得到优化后的未知区域点云地图。
本实施例通过基于车辆在预构建的全局特征点云地图中的初始位姿数据确定初始局部点云地图，检测到车辆位于未知区域时，基于当前帧的位姿数据及第一关键帧数据构建目标局部点云地图，同时启动闭环检测程序；根据当前帧的特征点云数据与目标局部点云地图中的第二关键帧数据进行位姿优化，得到车辆定位信息并构建未知区域点云地图，基于闭环检测结果对定位信息进行优化，得到优化后的定位信息，拼接未知区域点云地图和全局特征点云地图，得到目标全局特征点云地图，实现基于已知的特征点云地图实现车辆的实时定位，以及构建未知区域的点云地图，提高车辆行驶过程中的实时定位精度及地图在线构建精度。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
图6为本实施例提供的终端设备的结构示意图。如图6所示，该实施例的终端设备6包括：至少一个处理器60(图6中仅示出一个)、存储器61以及存储在所述存储器61中并可在所述至少一个处理器60上运行的计算机程序62，所述处理器60执行所述计算机程序62时实现上述任意各个实时定位及建图方法实施例中的步骤。
所述终端设备6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该终端设备可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以理解，图6仅仅是终端设备6的举例，并不构成对终端设备6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，例如还可以包括输入输出设备、网络接入设备等。
所称处理器60可以是中央处理单元(Central Processing Unit，CPU)，该处理器60还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器61在一些实施例中可以是所述终端设备6的内部存储单元，例如终端设备6的硬盘或内存。所述存储器61在另一些实施例中也可以是所述终端设备6的外部存储设备，例如所述终端设备6上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器61还可以既包括所述终端设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供了一种网络设备，该网络设备包括：至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述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，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种实时定位及建图方法，其特征在于，包括：
确定车辆在预构建的全局特征点云地图中的初始位姿数据，基于所述初始位姿数据确定对应的初始局部点云地图；
根据所述初始局部点云地图检测到所述车辆位于未知区域时，基于当前帧的位姿数据及满足第一预设条件的第一关键帧数据，构建对应的目标局部点云地图，同时启动闭环检测程序得到闭环检测结果；
根据当前帧的特征点云数据与所述目标局部点云地图中的第二关键帧数据进行位姿优化，得到所述车辆的定位信息并构建所述未知区域的未知区域点云地图；
基于闭环检测结果对所述定位信息进行优化，得到优化后的定位信息；
将所述未知区域点云地图和所述全局特征点云地图进行拼接，得到目标全局特征点云地图。
2.如权利要求1所述的实时定位及建图方法，其特征在于，所述确定车辆在预构建的全局特征点云地图中的初始位姿数据，基于所述初始位姿数据确定对应的初始局部点云地图，包括：
获取预构建的全局特征点云地图；
根据预设定位算法确定所述车辆在所述全局特征点云地图中的初始位姿数据；
以所述初始位姿数据为中心，对所述全局特征点云地图进行分割，得到满足第二预设条件的初始局部点云地图。
3.如权利要求1所述的实时定位及建图方法，其特征在于，所述根据所述初始局部点云地图检测到所述车辆位于未知区域时，基于当前帧的位姿数据及满足第一预设条件的第一关键帧数据，构建对应的目标局部点云地图，同时启动闭环检测程序得到闭环检测结果，包括：
确定所述初始局部点云地图中的点云数据的数量；
在检测到所述点云数据的数量小于或等于点云数量预设阈值时，确定所述车辆位于所述未知区域内；
基于当前帧的位姿数据选取满足第一预设条件的第一关键帧数据；其中，第一关键帧数据包括第一关键帧位姿数据和第一关键帧点云数据；
根据第一关键帧位姿数据及对应的第一关键帧点云数据，构建所述目标局部点云地图，同时启动闭环检测程序得到闭环检测结果。
4.如权利要求1所述的实时定位及建图方法，其特征在于，所述根据当前帧的特征点云数据与所述目标局部点云地图中的第二关键帧数据进行位姿优化，得到所述车辆的定位信息并构建所述未知区域的未知区域点云地图，包括：
对所述当前帧的雷达扫描数据进行特征提取，得到对应的当前帧的特征点云数据；其中，第二关键帧数据包括第二关键帧位姿数据和第二关键帧点云数据；
将所述当前帧的特征点云数据与所述目标局部点云地图中的第二关键帧点云数据进行关联并进行位姿优化，得到所述车辆的定位信息并构建所述未知区域的未知区域点云地图。
5.如权利要求4所述的实时定位及建图方法，其特征在于，所述全局特征点云地图包括全局边缘点特征地图和全局平面点特征地图；所述全局边缘点特征地图包括全局边缘点关键帧数据及对应的边缘点关键帧间约束信息；所述全局平面点特征地图包括全局平面点关键帧数据及对应的平面点关键帧间约束信息；目标局部特征点云地图包括目标局部边缘点特征地图和目标局部平面点特征地图；所述目标局部边缘点特征地图包括局部边缘点关键帧数据及对应的第一局部关键帧间约束信息；所述目标局部平面点特征地图包括局部平面点关键帧数据及对应的第二局部关键帧间约束信息；对应的第二关键帧数据包括局部边缘点关键帧位姿数据、局部边缘点关键帧点云数据、局部平面点关键帧位姿数据及局部平面点关键帧点云数据；
所述将所述当前帧的特征点云数据与所述目标局部点云地图中的第二关键帧点云数据进行关联并进行位姿优化，得到所述车辆的定位信息并构建所述未知区域的未知区域点云地图，包括：
识别所述当前帧的特征点云数据的类型；
在检测到所述当前帧的特征点云数据为边缘点时，将所述当前帧的特征点云数据与所述目标局部点云地图中的局部边缘点关键帧数据进行数据关联；
在检测到所述当前帧的特征点云数据为平面点时，将所述当前帧的特征点云数据与所述目标局部点云地图中的局部平面点关键帧数据进行数据关联；
基于所述当前帧的特征点云数据及关联的第二关键帧点云数据进行位姿优化，得到所述车辆的定位信息并构建所述未知区域的未知区域点云地图。
6.如权利要求1所述的实时定位及建图方法，其特征在于，所述基于闭环检测结果对所述定位信息进行优化，得到优化后的定位信息，包括：
在检测到所述闭环检测结果为存在闭环时，将闭环关键帧数据与所述当前帧的特征点云数据进行点云配准；
基于点云配准结果对所述定位信息进行优化，得到优化后的定位信息。
7.如权利要求1所述的实时定位及建图方法，其特征在于，所述将所述未知区域点云地图和所述全局特征点云地图进行拼接，得到目标全局特征点云地图之前，还包括：
确定所述车辆的里程信息；
在检测到所述里程信息大于或等于预设里程阈值时，基于所述优化后的定位信息对所述未知区域点云地图进行更新，得到优化后的未知区域点云地图。
8.一种实时定位及建图装置，其特征在于，包括：
局部点云地图确定模块，用于确定车辆在预构建的全局特征点云地图中的初始位姿数据，基于所述初始位姿数据确定对应的初始局部点云地图；
局部点云地图构建模块，用于根据所述初始局部点云地图检测到所述车辆位于未知区域时，基于当前帧的位姿数据及满足第一预设条件的第一关键帧数据，构建对应的目标局部点云地图，同时启动闭环检测程序得到闭环检测结果；
未知点云地图构建模块，用于根据当前帧的特征点云数据与所述目标局部点云地图中的第二关键帧数据进行位姿优化，得到所述车辆的定位信息并构建所述未知区域的未知区域点云地图；
定位优化模块，用于基于闭环检测结果对所述定位信息进行优化，得到优化后的定位信息；
全局点云地图构建模块，用于将所述未知区域点云地图和所述全局特征点云地图进行拼接，得到目标全局特征点云地图。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
CN202211032565.9A 2022-08-26 2022-08-26 一种实时定位及建图方法、装置及终端设备 Pending CN115406452A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211032565.9A CN115406452A (zh) 2022-08-26 2022-08-26 一种实时定位及建图方法、装置及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211032565.9A CN115406452A (zh) 2022-08-26 2022-08-26 一种实时定位及建图方法、装置及终端设备

Publications (1)

Publication Number Publication Date
CN115406452A true CN115406452A (zh) 2022-11-29

Family

ID=84162584

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211032565.9A Pending CN115406452A (zh) 2022-08-26 2022-08-26 一种实时定位及建图方法、装置及终端设备

Country Status (1)

Country Link
CN (1) CN115406452A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115797659A (zh) * 2023-01-09 2023-03-14 思看科技(杭州)股份有限公司 数据拼接方法、三维扫描系统、电子装置和存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115797659A (zh) * 2023-01-09 2023-03-14 思看科技(杭州)股份有限公司 数据拼接方法、三维扫描系统、电子装置和存储介质

Similar Documents

Publication Publication Date Title
CN112179330A (zh) 移动设备的位姿确定方法及装置
CN110006439B (zh) 地图轨迹数据的匹配方法、装置、服务器及存储介质
CN112198878B (zh) 一种即时地图构建方法、装置、机器人及存储介质
CN112528859B (zh) 车道线检测方法、装置、设备及存储介质
CN111737377B (zh) 一种漂移轨迹的识别方法、装置及计算设备、存储介质
CN115406452A (zh) 一种实时定位及建图方法、装置及终端设备
CN110109165B (zh) 行驶轨迹中异常点的检测方法及装置
CN114926540A (zh) 一种车道线标定的方法、装置、终端设备及可读存储介质
CN115388878A (zh) 一种地图构建方法、装置及终端设备
CN110796060A (zh) 高速行车路线确定方法、装置、设备和存储介质
WO2021051568A1 (zh) 路网拓扑结构的构建方法、装置、计算机设备及存储介质
CN114117261B (zh) 轨迹检测方法、装置、电子设备及存储介质
WO2022252482A1 (zh) 机器人及其环境地图构建方法和装置
CN116295466A (zh) 地图生成方法、装置、电子设备、存储介质、及车辆
CN111339226B (zh) 一种基于分类检测网络构建地图方法及装置
CN115905247A (zh) 高精地图的更新方法、系统、介质、终端及服务器端
CN113807221A (zh) 轨迹质量识别方法、装置、电子设备及可读存储介质
CN115390081A (zh) 一种车辆定位方法、装置及终端设备
CN112654999A (zh) 标注信息的确定方法及装置
CN114279456B (zh) 图片构建/车辆定位方法、系统、终端及计算机存储介质
CN115639578B (zh) 一种北斗导航定位监测处理方法及系统
CN110647519B (zh) 对测试样本中的缺失属性值进行预测的方法及装置
CN116878487B (zh) 一种用于建立自动驾驶地图的方法、装置、车辆和服务器
CN116258769B (zh) 一种定位校验方法、装置、电子设备和存储介质
CN114049615B (zh) 行驶环境中交通对象融合关联方法、装置及边缘计算设备

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