CN115424133A - 一种车道级高精度可计算路网构建方法、装置及电子设备 - Google Patents

一种车道级高精度可计算路网构建方法、装置及电子设备 Download PDF

Info

Publication number
CN115424133A
CN115424133A CN202211028202.8A CN202211028202A CN115424133A CN 115424133 A CN115424133 A CN 115424133A CN 202211028202 A CN202211028202 A CN 202211028202A CN 115424133 A CN115424133 A CN 115424133A
Authority
CN
China
Prior art keywords
line
marking
sub
road section
lane
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
CN202211028202.8A
Other languages
English (en)
Inventor
张腾
栾学晨
沙志仁
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.)
Guangzhou Fangwei Smart Brain Research And Development Co ltd
Original Assignee
Guangzhou Fangwei Smart Brain Research And Development 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 Guangzhou Fangwei Smart Brain Research And Development Co ltd filed Critical Guangzhou Fangwei Smart Brain Research And Development Co ltd
Priority to CN202211028202.8A priority Critical patent/CN115424133A/zh
Publication of CN115424133A publication Critical patent/CN115424133A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions

Abstract

本发明公开了一种车道级高精度可计算路网构建方法、装置及电子设备，方法包括：获取标线数据以及有向路段参考线，筛选目标标线类型，并对标线数据中的各条标线进行分组；调整标线的矢量方向，生成标线的端点信息；聚合得到标线的中心点和子路段节点，并根据交通流方向对子路段节点进行排序；确定目标标线后，对目标标线进行打断处理，生成新的标线和对应的端点信息，并构建新的断点‑子路段节点的拓扑模型；根据子路段节点内的标线端点排序结果，提取相邻标线并生成车道，基于子路段节点的次序将车道聚合为车道组；根据车道及车道组间的拓扑关系，补充车道间车道连接器。本发明的效率高且精度高，可广泛应用于计算机技术领域。

Description

一种车道级高精度可计算路网构建方法、装置及电子设备
技术领域
本发明涉及计算机技术领域，尤其是一种车道级高精度可计算路网构建方法、装置及电子设备。
背景技术
近年来，随着智能交通的兴起，各类仿真、路径规划、交通分析的算法逐步完善，智能交通系统的应用场景也日益扩展，其中可计算路网是智能交通系统有效运行的基石，其绘制编辑工作是系统搭建中较为耗时耗力的工作，直接影响到系统的运行效果。因此对可计算路网信息的工艺、品质、更新周期及信息完备性等方面提出了更高的需求，更直观地可计算路网信息需要兼顾与道路实际状况的匹配度及交通分析所需的完备拓扑。
目前，通过点云处理、遥感影像处理等技术以及各类生产平台，行业内已可以实现对道路路面信息的高精度采集，如对道路标线基本信息的准确标定，包括颜色、线型、标线类型等信息。
现有技术主要集中在道路可视化信息(如道路标线，地面箭头等)的高精度数据制作，但对于标线之间的关联关系及体现出的交通流特征等信息提取描述较少，无法准确地提取出车道级的可计算路网，正确反映道路交通状况及交通流组织特征，进而不能很好地服务于智能交通系统的仿真、分析等功能场景。
同时，现有技术中一般通过人工加工的方式实现可计算路网空间几何及规则属性的编辑，该方式工作量大，且效率较低。
发明内容
有鉴于此，本发明实施例提供一种高效且高精度的，车道级高精度可计算路网构建方法、装置以及电子设备。
本发明实施例的一方面提供了一种车道级高精度可计算路网构建方法，包括：
获取标线数据以及有向路段参考线，筛选目标标线类型，并对所述标线数据中的各条标线进行分组；
调整标线的矢量方向，生成标线的端点信息；其中，所述端点信息包括起点信息和终点信息；
对标线的各个端点进行第一聚类处理，聚合得到标线的中心点；
对所述中心点进行第二聚类处理，得到子路段节点，并根据交通流方向对所述子路段节点进行排序；
根据所述目标标线类型确定目标标线后，根据所述子路段节点对所述目标标线进行打断处理，生成新的标线和对应的端点信息，并构建新的断点-子路段节点的拓扑模型；
对单个子路段节点内的标线端点进行聚类后排序；
根据子路段节点内的标线端点排序结果，提取相邻标线并生成车道，基于子路段节点的次序将车道聚合为车道组；
根据车道及车道组间的拓扑关系，补充车道间车道连接器。
可选地，所述获取标线数据以及有向路段参考线，筛选目标标线类型，并对所述标线数据中的各条标线进行分组这一步骤中，
所述标线数据的数据结构为：
L＝{geom,type,R}
其中，L代表标线数据；geom为矢量数据；type为标线类型信息；R为关联的有向路段参考线；
所述目标标线类型包括可跨越对向车行道分界线、可跨越同向车行道分界线、潮汐车道线、车行道边缘线、港湾式停靠站标线、禁止跨越对向车行道分界线、禁止跨越同向车行道分界线、公交专用车道线以及可变导向车道标线；
所述有向路段参考线的数据结构为：
R＝{geom}
其中，R为关联的有向路段参考线；geom为矢量数据。
可选地，所述调整标线的矢量方向，生成标线的端点信息，包括：
根据所述标线数据中的各条标线的分组情况，对每个有向路段及关联的标线进行处理，根据交通流方向对标线矢量方向进行调整，在几何起终点处生成标线端点信息，并构建相应的拓扑关联模型；
其中，标线端点的数据结构为：
P＝{lon,lat,se,L}
其中，P为标线端点；lon、lat为端点的经、纬度；se为端点的起终点属性标识；L为端点关联标线信息。
可选地，所述对标线的各个端点进行第一聚类处理，聚合得到标线的中心点，包括：
对标线端点进行聚类，并聚合出中心点；
根据标线的端点信息，利用DBSCAN密度聚类算法对标线端点进行聚类，得到聚类簇；其中，各端点之间的邻域通过两点间的欧拉距离获取；
对于各个聚类簇，选取聚类簇的质心作为中心点进行记录。
可选地，所述对所述中心点进行第二聚类处理，得到子路段节点，并根据交通流方向对所述子路段节点进行排序，包括：
根据所述有向路段参考线以及标线的中心点，对中心点进行投影操作；
按投影点的线上距离对中心点进行二次聚类，得到子路段节点集；
按照在有向路段参考线上的投影点与矢量起点之间的线上距离，由小到大对中心点进行标序，其中，排序的序号从1开始。
可选地，所述对单个子路段节点内的标线端点进行聚类后排序，包括：
根据新构建的断点-子路段节点的拓扑模型，利用DBSCAN密度聚类算法对子路段节点内端点进行聚类；其中，各个端点的邻域通过两点的欧拉距离确定；
按照聚类簇质心与有向路段参考线的距离，由小到大标定聚类簇的次序；其中，线段左侧距离为负值，右侧距离为正值。
可选地，所述根据子路段节点内的标线端点排序结果，提取相邻标线并生成车道，基于子路段节点的次序将车道聚合为车道组，包括：
根据子路段节点内的标线端点排序结果，对相邻两个子路段节点内的目标标线按起止点的端点次序进行排序；
根据排序依次生成相邻标线间的车道线；
根据子路段节点的次序关系，将车道聚合为上下游连续的一系列车道组；
其中，所述根据排序依次生成相邻标线间的车道线，包括：
选取左右标线的较短标线作为主标线，当所述左右标线相同长度时选择右标线作为主标线，将主标线之外的另一条标线作为参考线，将主标线的各个控制点依次向参考线做垂线，并选取垂线段的中点作为车道线的控制点，按预定规则进行缩进，顺次连接生成目标车道线，并根据标线数据中的标线类型信息，对车道类型进行分类并修正目标路段属性信息。
本发明实施例的另一方面还提供了一种车道级高精度可计算路网构建装置，包括：
第一模块，用于获取标线数据以及有向路段参考线，筛选目标标线类型，并对所述标线数据中的各条标线进行分组；
第二模块，用于调整标线的矢量方向，生成标线的端点信息；其中，所述端点信息包括起点信息和终点信息；
第三模块，用于对标线的各个端点进行第一聚类处理，聚合得到标线的中心点；
第四模块，用于对所述中心点进行第二聚类处理，得到子路段节点，并根据交通流方向对所述子路段节点进行排序；
第五模块，用于根据所述目标标线类型确定目标标线后，根据所述子路段节点对所述目标标线进行打断处理，生成新的标线和对应的端点信息，并构建新的断点-子路段节点的拓扑模型；
第六模块，用于对单个子路段节点内的标线端点进行聚类后排序；
第七模块，用于根据子路段节点内的标线端点排序结果，提取相邻标线并生成车道，基于子路段节点的次序将车道聚合为车道组；
第八模块，用于根据车道及车道组间的拓扑关系，补充车道间车道连接器。
本发明实施例的另一方面还提供了一种电子设备，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如前面所述的方法。
本发明实施例的另一方面还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
本发明的实施例获取标线数据以及有向路段参考线，筛选目标标线类型，并对所述标线数据中的各条标线进行分组；调整标线的矢量方向，生成标线的端点信息；其中，所述端点信息包括起点信息和终点信息；对标线的各个端点进行第一聚类处理，聚合得到标线的中心点；对所述中心点进行第二聚类处理，得到子路段节点，并根据交通流方向对所述子路段节点进行排序；根据所述目标标线类型确定目标标线后，根据所述子路段节点对所述目标标线进行打断处理，生成新的标线和对应的端点信息，并构建新的断点-子路段节点的拓扑模型；对单个子路段节点内的标线端点进行聚类后排序；根据子路段节点内的标线端点排序结果，提取相邻标线并生成车道，基于子路段节点的次序将车道聚合为车道组；根据车道及车道组间的拓扑关系，补充车道间车道连接器。本发明的效率高且精度高。
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是本发明的基于标线自动编辑可计算路网的整体流程图；
图2是本发明的具体实施案例的原始数据示意图；
图3是本发明密度聚类邻域示意图；
图4是本发明的具体实施案例的重构标线-端点数据示意图；
图5是本发明生成车道的示意图；
图6是本发明生成车道连接器的示意图；
图7是本发明具体实施案例的最终构建结果的示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
针对现有技术存在的问题，本发明实施例的一方面提供了一种车道级高精度可计算路网构建方法，包括：
获取标线数据以及有向路段参考线，筛选目标标线类型，并对所述标线数据中的各条标线进行分组；
调整标线的矢量方向，生成标线的端点信息；其中，所述端点信息包括起点信息和终点信息；
对标线的各个端点进行第一聚类处理，聚合得到标线的中心点；
对所述中心点进行第二聚类处理，得到子路段节点，并根据交通流方向对所述子路段节点进行排序；
根据所述目标标线类型确定目标标线后，根据所述子路段节点对所述目标标线进行打断处理，生成新的标线和对应的端点信息，并构建新的断点-子路段节点的拓扑模型；
对单个子路段节点内的标线端点进行聚类后排序；
根据子路段节点内的标线端点排序结果，提取相邻标线并生成车道，基于子路段节点的次序将车道聚合为车道组；
根据车道及车道组间的拓扑关系，补充车道间车道连接器。
可选地，所述获取标线数据以及有向路段参考线，筛选目标标线类型，并对所述标线数据中的各条标线进行分组这一步骤中，
所述标线数据的数据结构为：
L＝{geom,type,R}
其中，L代表标线数据；geom为矢量数据；type为标线类型信息；R为关联的有向路段参考线；
所述目标标线类型包括可跨越对向车行道分界线、可跨越同向车行道分界线、潮汐车道线、车行道边缘线、港湾式停靠站标线、禁止跨越对向车行道分界线、禁止跨越同向车行道分界线、公交专用车道线以及可变导向车道标线；
所述有向路段参考线的数据结构为：
R＝{geom}
其中，R为关联的有向路段参考线；geom为矢量数据。
可选地，所述调整标线的矢量方向，生成标线的端点信息，包括：
根据所述标线数据中的各条标线的分组情况，对每个有向路段及关联的标线进行处理，根据交通流方向对标线矢量方向进行调整，在几何起终点处生成标线端点信息，并构建相应的拓扑关联模型；
其中，标线端点的数据结构为：
P＝{lon,lat,se,L}
其中，P为标线端点；lon、lat为端点的经、纬度；se为端点的起终点属性标识；L为端点关联标线信息。
可选地，所述对标线的各个端点进行第一聚类处理，聚合得到标线的中心点，包括：
对标线端点进行聚类，并聚合出中心点；
根据标线的端点信息，利用DBSCAN密度聚类算法对标线端点进行聚类，得到聚类簇；其中，各端点之间的邻域通过两点间的欧拉距离获取；
对于各个聚类簇，选取聚类簇的质心作为中心点进行记录。
可选地，所述对所述中心点进行第二聚类处理，得到子路段节点，并根据交通流方向对所述子路段节点进行排序，包括：
根据所述有向路段参考线以及标线的中心点，对中心点进行投影操作；
按投影点的线上距离对中心点进行二次聚类，得到子路段节点集；
按照在有向路段参考线上的投影点与矢量起点之间的线上距离，由小到大对中心点进行标序，其中，排序的序号从1开始。
可选地，所述对单个子路段节点内的标线端点进行聚类后排序，包括：
根据新构建的断点-子路段节点的拓扑模型，利用DBSCAN密度聚类算法对子路段节点内端点进行聚类；其中，各个端点的邻域通过两点的欧拉距离确定；
按照聚类簇质心与有向路段参考线的距离，由小到大标定聚类簇的次序；其中，线段左侧距离为负值，右侧距离为正值。
可选地，所述根据子路段节点内的标线端点排序结果，提取相邻标线并生成车道，基于子路段节点的次序将车道聚合为车道组，包括：
根据子路段节点内的标线端点排序结果，对相邻两个子路段节点内的目标标线按起止点的端点次序进行排序；
根据排序依次生成相邻标线间的车道线；
根据子路段节点的次序关系，将车道聚合为上下游连续的一系列车道组；
其中，所述根据排序依次生成相邻标线间的车道线，包括：
选取左右标线的较短标线作为主标线，当所述左右标线相同长度时选择右标线作为主标线，将主标线之外的另一条标线作为参考线，将主标线的各个控制点依次向参考线做垂线，并选取垂线段的中点作为车道线的控制点，按预定规则进行缩进，顺次连接生成目标车道线，并根据标线数据中的标线类型信息，对车道类型进行分类并修正目标路段属性信息。
本发明实施例的另一方面还提供了一种车道级高精度可计算路网构建装置，包括：
第一模块，用于获取标线数据以及有向路段参考线，筛选目标标线类型，并对所述标线数据中的各条标线进行分组；
第二模块，用于调整标线的矢量方向，生成标线的端点信息；其中，所述端点信息包括起点信息和终点信息；
第三模块，用于对标线的各个端点进行第一聚类处理，聚合得到标线的中心点；
第四模块，用于对所述中心点进行第二聚类处理，得到子路段节点，并根据交通流方向对所述子路段节点进行排序；
第五模块，用于根据所述目标标线类型确定目标标线后，根据所述子路段节点对所述目标标线进行打断处理，生成新的标线和对应的端点信息，并构建新的断点-子路段节点的拓扑模型；
第六模块，用于对单个子路段节点内的标线端点进行聚类后排序；
第七模块，用于根据子路段节点内的标线端点排序结果，提取相邻标线并生成车道，基于子路段节点的次序将车道聚合为车道组；
第八模块，用于根据车道及车道组间的拓扑关系，补充车道间车道连接器。
本发明实施例的另一方面还提供了一种电子设备，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如前面所述的方法。
本发明实施例的另一方面还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
下面结合说明书附图，对本发明的具体实施过程进行详细描述：
本发明是一种基于高精度标线数据的车道级可计算路网自动编辑的方法，可通过以下步骤实现：
(1)读取高精度标线数据及有向路段参考线，筛选目标标线类型，并按关联有向路段对标线进行分组；
(2)调整标线矢量方向，并生成标线起终端点信息；
(3)对标线端点进行聚类，并聚合出中心点；
(4)对中心点进行二次聚类，得到子路段节点，并按交通流方向进行排序；
(5)基于子路段节点对目标标线进行打断处理，形成新的标线及端点，重新构建拓扑模型；
(6)对单个子路段节点内的标线端点进行聚类，并进行排序；
(7)基于子路段节点内的端点排序，提取相邻标线并生成车道，基于子路段节点的次序将车道聚合为车道组；
(8)根据车道及车道组间的拓扑关系，补充车道间车道连接器。
所述步骤(1)具体为：读取高精度标线数据及有向路段参考线，筛选目标标线类型，并按关联有向路段对标线进行分组。对于原始标线数据定义为结构L：
L＝{geom,type,R}
其中，geom为标线矢量数据，type为标线类型信息，R为关联有向路段参考线信息，本发明涉及的目标标线类型包括可跨越对向车行道分界线、可跨越同向车行道分界线、潮汐车道线、车行道边缘线、港湾式停靠站标线、禁止跨越对向车行道分界线、禁止跨越同向车行道分界线、公交专用车道线、可变导向车道标线。有向路段参考线为能基本反映交通流走向及道路几何形态的矢量线数据。所述标线类型及关联有向路段信息均为高精度标线数据所包含信息。
对于原始有向路段参考线数据定义为结构R：
R＝{geom}
其中，geom为有向路段参考线的矢量数据。
所述步骤(2)具体为：调整标线矢量方向，并生成标线起终端点信息。按照(1)中的分组，分别对每个有向路段及其关联标线进行处理，根据交通流方向对标线矢量方向进行调整，在几何起终点处生成标线端点信息，并构建相应的拓扑关联模型。定义端点数据为结构P：
P＝{lon,lat,se,L}
其中，lon、lat为端点的经、纬度，se为端点的起终点属性标识，L为端点关联标线信息。
所述步骤(3)具体为：对标线端点进行聚类，并聚合出中心点。根据(2)中生成的标线端点{Pi}，利用DBSCAN密度聚类算法对标线端点进行聚类，得到聚类簇{Cp}，其中各端点的eps邻域通过两点的欧拉距离de(a,b)获取，点a(xa,ya)与点b(xb,yb)的欧拉距离de(a,b)，即两点的直线距离，计算如公式(1)，邻域半径为e，核心对象邻域内最小点数目为MinPts。对于各聚类簇Cp，选取其质心作为中心点记录，质心计算如公式(2)。
Figure BDA0003816550170000091
Figure BDA0003816550170000092
Figure BDA0003816550170000093
(xi,yi)∈C (2)
所述步骤(4)具体为：对中心点进行二次聚类，得到子路段节点，并按交通流方向进行排序。根据(2)中生成的中心点及(1)中读取的有向路段参考线，对中心点进行投影操作，并按投影点的线上距离dl(p,q)对中心点进行二次聚类，得到子路段节点集{BPi}，同时按照在有向路段参考线上的投影点p与矢量起点vs的线上距离dl(p,vs)，由小到大对中心点进行标序，序号从1开始。
所述步骤(5)具体为：基于子路段节点对目标标线进行打断处理，形成新的标线及端点，重新构建拓扑模型。根据(4)中生成的子路段节点{BPi}及(2)中生成的目标标线-端点模型，对标线的起止端点及其关联子路段节点次序进行分析，对于起止端点不相邻的目标标线进行打断，形成新的标线-端点数据。断点位置选择为子路段节点在目标标线上的垂足。
所述步骤(6)具体为：对单个子路段节点内的标线端点进行聚类，并进行排序。根据(5)中新生成的断点-子路段节点关系模型，利用DBSCAN密度聚类算法对子路段节点内端点进行聚类，其中各端点的eps邻域通过两点的欧拉距离de(a，b)获取，邻域半径为enode，核心对象邻域内最小点数目为MinPtsnode。同时按照聚类簇质心与有向路段参考线的距离，由小到大标定聚类簇的次序，其中线段左侧距离为负值，右侧距离为正值。
所述步骤(7)具体为：基于子路段节点内的端点次序，提取相邻标线并生成车道，基于子路段节点的次序将车道聚合为车道组。根据(6)中生成的子路段节点内的端点次序，对相邻两个子路段节点内的目标标线按起止点的端点次序进行排序，并根据排序依次生成相邻标线间的车道线，生成方式为选取左右标线的较短标线为主标线Lmajor，相同长度时优先选择右标线，另一条标线为参考线Lrefer，Lmajor的各个控制点依次向参考线Lrefer做垂线，并选取垂线段的中点作为车道线的控制点，按预定规则缩进，顺次连接生成目标车道线，并根据标线数据中的标线类型信息，对车道类型进行分类并修正目标路段属性信息。同时根据子路段节点的次序关系，将车道聚合为上下游连续的一系列车道组。定义车道数据为结构Lane：
Lane＝{geom，type，Lline，Rline，Link，laneindex}
其中，geom为车道线矢量数据，type为车道线类型信息，Lline、Rline分别为左右关联标线信息，Link为所属车道组信息，/aneindex为车道次序。
定义车道组数据为结构Link：
Link＝{fbp，tbp，linkindex，R}
其中，fbp、tbp分别为关联起止子路段节点信息，linkindex为车道组次序，R为关联有向路段参考线。
所述步骤(8)具体为：根据车道及车道组间的拓扑关系，补充车道间车道连接器。根据(7)中生成得到车道几何及车道组拓扑关系，判断车道间的交通流组织关系，生成相应地车道连接器，使可计算路网在几何和逻辑上保持连通，车道连接器的几何由二次贝塞尔曲线及三次贝塞尔曲线生成。二次贝塞尔曲线计算方法如公式(3)所示，三次贝塞尔曲线计算方法如公式(4)所示。
LC＝(1-t)2P0+2t(1-t)P0′+t2P1，t∈[0，1] (3)
LC＝(1-t)3P0+3t(1-t)2P0′+3t2(1-t)P1′+t3P1，t∈[0，1] (4)
其中，P0、P1为上下游车道的端点，P′0、P′1为选定控制点。
下面以具体的应用场景的实施过程为例，对本发明的具体实现过程进行详细描述：
如图1所示，为本发明一种基于标线自动编辑可计算路网具体实施例的流程图。参见图1，本具体实施例的具体步骤包括：
(1)读取高精度标线数据及有向路段参考线，筛选目标标线类型，并按关联有向路段对标线进行分组；
(2)调整标线矢量方向，并生成标线起终端点信息；
(3)对标线端点进行聚类，并聚合出中心点；
(4)对中心点进行二次聚类，得到子路段节点，并按交通流方向进行排序；
(5)基于子路段节点对目标标线进行打断处理，形成新的标线及端点，重新构建拓扑模型；
(6)对单个子路段节点内的标线端点进行聚类，并进行排序；
(7)基于子路段节点内的端点排序，提取相邻标线并生成车道，基于子路段节点的次序将车道聚合为车道组；
(8)根据车道及车道组间的拓扑关系，补充车道间车道连接器。
步骤(1)为：读取高精度标线数据及有向路段参考线，筛选目标标线类型，并按关联有向路段对标线进行分组。对于原始标线数据定义为结构L：
L＝{geom，type，R}
其中，geom为标线矢量数据，type为标线类型信息，R为关联有向路段参考线信息，本发明涉及的目标标线类型包括可跨越对向车行道分界线、可跨越同向车行道分界线、潮汐车道线、车行道边缘线、港湾式停靠站标线、禁止跨越对向车行道分界线、禁止跨越同向车行道分界线、公交专用车道线、可变导向车道标线。有向路段参考线为能基本反映交通流走向及道路几何形态的矢量线数据。所述标线类型及关联有向路段信息均为高精度标线数据所包含信息。
对于原始有向路段参考线数据定义为结构R：
R＝{geom}
其中，geom为有向路段参考线的矢量数据。
步骤(2)为：调整标线矢量方向，并生成标线起终端点信息。按照(1)中的分组，分别对每个有向路段及其关联标线进行处理，根据交通流方向对标线矢量方向进行调整，在几何起终点处生成标线端点信息，并构建相应的拓扑关联模型。定义端点数据为结构P：
P＝{lon,lat,se,L}
其中，lon、lat为端点的经、纬度，se为端点的起终点属性标识，L为端点关联标线信息。
如图2所示，即为某处高精度标线及有向路段参考线的示意图，且已生成起始端点与终止端点，
步骤(3)为：对标线端点进行聚类，并聚合出中心点。根据(2)中生成的标线端点{Pi}，利用DBSCAN密度聚类算法对标线端点进行聚类，得到聚类簇{Cp}，其中各端点的eps邻域通过两点的欧拉距离de(a,b)获取，点a(xa,ya)与点b(xb,yb)的欧拉距离de(a,b)，即两点的直线距离，计算如公式(1)，邻域半径为e，核心对象邻域内最小点数目为MinPts。对于各聚类簇Cp，选取其质心作为中心点记录，质心计算如公式(2)。
Figure BDA0003816550170000121
Figure BDA0003816550170000122
Figure BDA0003816550170000123
(xi,yi)∈C (2)
如图3所示，对于核心对象p，定义其邻域eps包括对象p1、p2、p3、p4，为待判断对象。在聚类簇扩展中，只对待判断对象进行扩展，即可完成聚类簇Cp的构建。
步骤(4)为：对中心点进行二次聚类，得到子路段节点，并按交通流方向进行排序。根据(2)中生成的中心点及(1)中读取的有向路段参考线，对中心点进行投影操作，并按投影点的线上距离dl(p,q)对中心点进行二次聚类，得到子路段节点集{BPi}，同时按照在有向路段参考线上的投影点p与矢量起点vs的线上距离dl(p,vs)，由小到大对中心点进行标序，序号从1开始。
步骤(5)为：基于子路段节点对目标标线进行打断处理，形成新的标线及端点，重新构建拓扑模型。根据(4)中生成的子路段节点{BPi}及(2)中生成的目标标线-端点模型，对标线的起止端点及其关联子路段节点次序进行分析，对于起止端点不相邻的目标标线进行打断，形成新的标线-端点数据。断点位置选择为子路段节点在目标标线上的垂足。
如图4所示，为本具体实施例的重构标线-端点数据示意图，通过对端点、标线的打断及补充，满足了标线的起止端点相邻的约束条件，进而符合后续步骤的进行要求。
步骤(6)为：对单个子路段节点内的标线端点进行聚类，并进行排序。根据(5)中新生成的断点-子路段节点关系模型，利用DBSCAN密度聚类算法对子路段节点内端点进行聚类，其中各端点的eps邻域通过两点的欧拉距离de(a，b)获取，邻域半径为enode，核心对象邻域内最小点数目为MinPtsnode。同时按照聚类簇质心与有向路段参考线的距离，由小到大标定聚类簇的次序，其中线段左侧距离为负值，右侧距离为正值。
步骤(7)为：基于子路段节点内的端点次序，提取相邻标线并生成车道，基于子路段节点的次序将车道聚合为车道组。根据(6)中生成的子路段节点内的端点次序，对相邻两个子路段节点内的目标标线按起止点的端点次序进行排序，并根据排序依次生成相邻标线间的车道线，如图5所示，选取左右标线的较短标线为主标线Lmajor，相同长度时优先选择右标线，另一条标线为参考线Lrefer，Lmajor的各个控制点依次向参考线Lrefer做垂线，并选取垂线段的中点作为车道线的控制点，按预定规则缩进，顺次连接生成目标车道线，并根据标线数据中的标线类型信息，对车道类型进行分类并修正目标路段属性信息。同时根据子路段节点的次序关系，将车道聚合为上下游连续的一系列车道组。定义车道数据为结构Lane：
Lane＝{geom，type，Lline，Rline，Link，laneindex}
其中，geom为车道线矢量数据，type为车道线类型信息，Lline、Rline分别为左右关联标线信息，Link为所属车道组信息，laneindex为车道次序。
定义车道组数据为结构Link：
Link＝{fbp，tbp，linkindex，R}
其中，fbp、tbp分别为关联起止子路段节点信息，linkindex为车道组次序，R为关联有向路段参考线。
所述步骤(8)具体为：根据车道及车道组间的拓扑关系，补充车道间车道连接器。根据(7)中生成得到车道几何及车道组拓扑关系，判断车道间的交通流组织关系，生成相应地车道连接器，使可计算路网在几何和逻辑上保持连通，车道连接器的几何由二次贝塞尔曲线及三次贝塞尔曲线生成。二次贝塞尔曲线计算方法如公式(3)所示，三次贝塞尔曲线计算方法如公式(4)所示。
LC＝(1-t)2P0+2t(1-t)P0′+t2P1，t∈[0，1] (3)
LC＝(1-t)3P0+3t(1-t)2P0′+3t2(1-t)P1′+t3P1，t∈[0，1] (4)
其中，P0、P1为上下游车道的端点，P0′、P1′为选定控制点。
如图6所示，上游车道lane1与下游车道lane2可通过延长线交于点P0′，lane1的终点为P0，lane2的起点为P1，根据空间关系判断，可使用二次贝塞尔曲线生成车道连接器laneconnector。
最后以图7所示，选用A地的某区域作为具体实施案例，通过对高精度标线数据的准确标注，并选用了合适的有向路段参考线，最终成功生成了一套完整的可计算路网数据模型，在本模型中，车道及车道连接器有效地反映了道路上的可行驶区域，且具备完整的逻辑及几何拓扑关系。
综上所述，本发明能够通过端点的聚类划分、排序划分车道组；能够通过子路段节点内的端点聚类、排序，确定相邻标线，并生成车道；能够根据车道及车道组间的拓扑关系，确定车道间的连通关系，并生成车道连接器。本发明通过对标线关键信息的标注，成功实现了车道级路网的自动编辑生成，生成数据满足车道级路网的数据结构需求，且能与标线数据反映的道路交通状态吻合。极大地提高了基础数据的加工效率与作业精度，为智能交通系统的快速发展提供了基本的数据支持。
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能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或者该技术方案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一个存储介质中，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方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)、便携式计算机盘盒(磁装置)、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编辑只读存储器(EPROM或闪速存储器)、光纤装置以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (10)

1.一种车道级高精度可计算路网构建方法，其特征在于，包括：
获取标线数据以及有向路段参考线，筛选目标标线类型，并对所述标线数据中的各条标线进行分组；
调整标线的矢量方向，生成标线的端点信息；其中，所述端点信息包括起点信息和终点信息；
对标线的各个端点进行第一聚类处理，聚合得到标线的中心点；
对所述中心点进行第二聚类处理，得到子路段节点，并根据交通流方向对所述子路段节点进行排序；
根据所述目标标线类型确定目标标线后，根据所述子路段节点对所述目标标线进行打断处理，生成新的标线和对应的端点信息，并构建新的断点-子路段节点的拓扑模型；
对单个子路段节点内的标线端点进行聚类后排序；
根据子路段节点内的标线端点排序结果，提取相邻标线并生成车道，基于子路段节点的次序将车道聚合为车道组；
根据车道及车道组间的拓扑关系，补充车道间车道连接器。
2.根据权利要求1所述的一种车道级高精度可计算路网构建方法，其特征在于，所述获取标线数据以及有向路段参考线，筛选目标标线类型，并对所述标线数据中的各条标线进行分组这一步骤中，
所述标线数据的数据结构为：
L＝{geom,type,R}
其中，L代表标线数据；geom为矢量数据；type为标线类型信息；R为关联的有向路段参考线；
所述目标标线类型包括可跨越对向车行道分界线、可跨越同向车行道分界线、潮汐车道线、车行道边缘线、港湾式停靠站标线、禁止跨越对向车行道分界线、禁止跨越同向车行道分界线、公交专用车道线以及可变导向车道标线；
所述有向路段参考线的数据结构为：
R＝{geom}
其中，R为关联的有向路段参考线；geom为矢量数据。
3.根据权利要求1所述的一种车道级高精度可计算路网构建方法，其特征在于，所述调整标线的矢量方向，生成标线的端点信息，包括：
根据所述标线数据中的各条标线的分组情况，对每个有向路段及关联的标线进行处理，根据交通流方向对标线矢量方向进行调整，在几何起终点处生成标线端点信息，并构建相应的拓扑关联模型；
其中，标线端点的数据结构为：
P＝{lon,lat,se,L}
其中，P为标线端点；lon、lat为端点的经、纬度；se为端点的起终点属性标识；L为端点关联标线信息。
4.根据权利要求1所述的一种车道级高精度可计算路网构建方法，其特征在于，所述对标线的各个端点进行第一聚类处理，聚合得到标线的中心点，包括：
对标线端点进行聚类，并聚合出中心点；
根据标线的端点信息，利用DBSCAN密度聚类算法对标线端点进行聚类，得到聚类簇；其中，各端点之间的邻域通过两点间的欧拉距离获取；
对于各个聚类簇，选取聚类簇的质心作为中心点进行记录。
5.根据权利要求1所述的一种车道级高精度可计算路网构建方法，其特征在于，所述对所述中心点进行第二聚类处理，得到子路段节点，并根据交通流方向对所述子路段节点进行排序，包括：
根据所述有向路段参考线以及标线的中心点，对中心点进行投影操作；
按投影点的线上距离对中心点进行二次聚类，得到子路段节点集；
按照在有向路段参考线上的投影点与矢量起点之间的线上距离，由小到大对中心点进行标序，其中，排序的序号从1开始。
6.根据权利要求1所述的一种车道级高精度可计算路网构建方法，其特征在于，所述对单个子路段节点内的标线端点进行聚类后排序，包括：
根据新构建的断点-子路段节点的拓扑模型，利用DBSCAN密度聚类算法对子路段节点内端点进行聚类；其中，各个端点的邻域通过两点的欧拉距离确定；
按照聚类簇质心与有向路段参考线的距离，由小到大标定聚类簇的次序；其中，线段左侧距离为负值，右侧距离为正值。
7.根据权利要求1所述的一种车道级高精度可计算路网构建方法，其特征在于，所述根据子路段节点内的标线端点排序结果，提取相邻标线并生成车道，基于子路段节点的次序将车道聚合为车道组，包括：
根据子路段节点内的标线端点排序结果，对相邻两个子路段节点内的目标标线按起止点的端点次序进行排序；
根据排序依次生成相邻标线间的车道线；
根据子路段节点的次序关系，将车道聚合为上下游连续的一系列车道组；
其中，所述根据排序依次生成相邻标线间的车道线，包括：
选取左右标线的较短标线作为主标线，当所述左右标线相同长度时选择右标线作为主标线，将主标线之外的另一条标线作为参考线，将主标线的各个控制点依次向参考线做垂线，并选取垂线段的中点作为车道线的控制点，按预定规则进行缩进，顺次连接生成目标车道线，并根据标线数据中的标线类型信息，对车道类型进行分类并修正目标路段属性信息。
8.一种车道级高精度可计算路网构建装置，其特征在于，包括：
第一模块，用于获取标线数据以及有向路段参考线，筛选目标标线类型，并对所述标线数据中的各条标线进行分组；
第二模块，用于调整标线的矢量方向，生成标线的端点信息；其中，所述端点信息包括起点信息和终点信息；
第三模块，用于对标线的各个端点进行第一聚类处理，聚合得到标线的中心点；
第四模块，用于对所述中心点进行第二聚类处理，得到子路段节点，并根据交通流方向对所述子路段节点进行排序；
第五模块，用于根据所述目标标线类型确定目标标线后，根据所述子路段节点对所述目标标线进行打断处理，生成新的标线和对应的端点信息，并构建新的断点-子路段节点的拓扑模型；
第六模块，用于对单个子路段节点内的标线端点进行聚类后排序；
第七模块，用于根据子路段节点内的标线端点排序结果，提取相邻标线并生成车道，基于子路段节点的次序将车道聚合为车道组；
第八模块，用于根据车道及车道组间的拓扑关系，补充车道间车道连接器。
9.一种电子设备，其特征在于，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序，所述程序被处理器执行实现如权利要求1至7中任一项所述的方法。
CN202211028202.8A 2022-08-25 2022-08-25 一种车道级高精度可计算路网构建方法、装置及电子设备 Pending CN115424133A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211028202.8A CN115424133A (zh) 2022-08-25 2022-08-25 一种车道级高精度可计算路网构建方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211028202.8A CN115424133A (zh) 2022-08-25 2022-08-25 一种车道级高精度可计算路网构建方法、装置及电子设备

Publications (1)

Publication Number Publication Date
CN115424133A true CN115424133A (zh) 2022-12-02

Family

ID=84201181

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211028202.8A Pending CN115424133A (zh) 2022-08-25 2022-08-25 一种车道级高精度可计算路网构建方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN115424133A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117435684A (zh) * 2023-12-18 2024-01-23 高德软件有限公司 车道线编号方法、装置、地图生成方法、设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117435684A (zh) * 2023-12-18 2024-01-23 高德软件有限公司 车道线编号方法、装置、地图生成方法、设备及存储介质
CN117435684B (zh) * 2023-12-18 2024-04-02 高德软件有限公司 车道线编号方法、装置、地图生成方法、设备及存储介质

Similar Documents

Publication Publication Date Title
CN108871368B (zh) 一种高精度地图车道横向拓扑关系的构建方法、系统及存储器
CN106846425B (zh) 一种基于八叉树的散乱点云压缩方法
KR20200012960A (ko) 차선 정밀 도로 지도의 작성 방법 및 그 장치
Jünger et al. Level planar embedding in linear time
CN110309248B (zh) 一种基于Voronoi图的交通道路网络自动划分交通小区的方法
CN113723715B (zh) 公交线网自动匹配道路网络方法、系统、设备及存储介质
CN109671154B (zh) 三角网格表示的曲面非迭代重新网格化方法
CN111291811B (zh) 区域划分和分类方法、装置和计算机可读存储介质
CN110580251A (zh) 一种大数据环境下的群体轨迹伴随模式在线分析方法和系统
CN112749242B (zh) 一种基于共享单车gps数据的路网拓扑重建方法
CN115424133A (zh) 一种车道级高精度可计算路网构建方法、装置及电子设备
CN115435798A (zh) 无人车高精地图路网生成系统及方法
CN110415362B (zh) 重叠点云融合方法
CN114332291A (zh) 一种倾斜摄影模型建筑物外轮廓规则提取方法
CN112598724A (zh) 一种改进的基于tin的面状要素中心线提取方法
CN112269848B (zh) 一种众包轨迹数据融合方法及装置
CN111104410A (zh) 局部道路信息提取方法及装置
CN116105717A (zh) 车道级高精度地图构建方法及系统
CN113936114B (zh) 一种bim模型构件类别级轻量化方法及系统
CN112580743B (zh) 一种众包数据道路片段中车道边线数据的分类方法与装置
CN113514072A (zh) 一种面向导航数据与大比例尺制图数据的道路匹配方法
RU2342705C9 (ru) Компьютерный способ формирования изображения частей ломаной линии, лежащих как внутри, так и вне многоугольной области, и компьютерный способ формирования изображения границ одной или нескольких областей, полученных в результате применения заданной логической операции к двум многоугольным областям
CN116342738B (zh) 一种基于gis的禁捕矢量范围自动提取和图示制作方法
CN117292562B (zh) 一种基于交叉口精准流向辨识的信号控制时段划分方法
CN114637305B (zh) 一种无人机最短路径规划方法及装置

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