CN115717896A - 高精度地图的补充优化方法及系统 - Google Patents
高精度地图的补充优化方法及系统 Download PDFInfo
- Publication number
- CN115717896A CN115717896A CN202211340840.3A CN202211340840A CN115717896A CN 115717896 A CN115717896 A CN 115717896A CN 202211340840 A CN202211340840 A CN 202211340840A CN 115717896 A CN115717896 A CN 115717896A
- Authority
- CN
- China
- Prior art keywords
- precision map
- environment information
- map data
- elements
- information
- 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
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种高精度地图的补充优化方法及系统，其通过获取预设范围内局部场景的高精度地图数据及感知环境信息；将高精度地图数据及感知环境信息进行对齐；分别基于物理要素和逻辑要素获取感知环境信息与地图数据未对齐的风险感知环境信息；基于高精度地图数据和风险感知环境信息共同构建实时局部场景。从而在表达现有地图信息的基础上，引入实车动静态感知信息，通过多源地理信息数据融合处理，为智能驾驶系统提供带安全信息量的地理信息服务，提供了一种解决在路口、匝道等复杂场景下，时效性差异带来的车辆安全风险问题的办法。
Description
技术领域
本发明涉及高精度地图制作技术，尤其是涉及一种高精度地图的补充优化方法及系统。
背景技术
现有的智能驾驶高精地图服务是一个基于高精地图数据与地图数据引擎的应用级服务，提供静态的地理要素信息，包括而不限于：车道几何、标牌属性、拓扑关系等等。为保证智能驾驶所需的地理要素几何精度和属性正确性，高精地图数据服务往往采取测绘车外业采集、集中化内业制图生产得到高精地图成果数据，配合C/S架构的地图数据引擎。再加上当前国家地理信息安全政策要求的加密审图等流程，就导致了智能驾驶车辆所能使用的高精地图数据往往是一个具有多月级别的历史信息。从原理上，这种高精地图服务系统无法有效表达地图信息与智能驾驶车辆平台当下周围地理环境的差异性，而只能模糊地表达历史环境信息。这种模糊度和不确定性为有效使用地图信息带来了困难，也为高精地图作为一个便捷、直观的子系统，服务智能驾驶商业量产带来了阻碍。
发明内容
本发明的目的在于克服上述技术不足，提出一种高精度地图的补充优化方法及系统，解决现有高精地图服务系统无法有效表达地图信息与智能驾驶车辆平台当下周围地理环境的时效性差异带来的车辆安全风险问题。
为达到上述技术目的，本发明的技术方案第一方面提供一种高精度地图的补充优化方法，其包括如下步骤：
获取预设范围内局部场景的高精度地图数据及感知环境信息；
将高精度地图数据及感知环境信息进行对齐；
分别基于物理要素和逻辑要素获取感知环境信息与地图数据未对齐的风险感知环境信息；
基于高精度地图数据和风险感知环境信息共同构建实时局部场景。
本发明第二方面提供一种高精度地图的补充优化系统，其包括如下功能模块：
数据获取模块，用于获取预设范围内局部场景的高精度地图数据及感知环境信息；
信息对齐模块，用于将高精度地图数据及感知环境信息进行对齐；
风险判断模块，用于分别基于物理要素和逻辑要素获取感知环境信息与地图数据未对齐的风险感知环境信息；
场景重构模块，用于基于高精度地图数据和风险感知环境信息共同构建实时局部场景。
本发明第三方面提供一种服务器，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上述一种高精度地图的补充优化方法。
本发明第四方面提供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上述一种高精度地图的补充优化方法。
与现有技术相比，本发明所述高精度地图的补充优化方法及系统，其通过获取预设范围内局部场景的高精度地图数据及感知环境信息；将高精度地图数据及感知环境信息进行对齐；分别基于物理要素和逻辑要素获取感知环境信息与地图数据未对齐的风险感知环境信息；基于高精度地图数据和风险感知环境信息共同构建实时局部场景。从而在表达现有地图信息的基础上，引入实车动静态感知信息，通过多源地理信息数据融合处理，为智能驾驶系统提供带安全信息量的地理信息服务，提供了一种解决在路口、匝道等复杂场景下，时效性差异带来的车辆安全风险问题的办法。
附图说明
图1是本发明实施例所述的高精度地图的补充优化方法的流程框图；
图2是本发明实施例所述的高精度地图的补充优化系统的模块框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明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发明，并不用于限定本发明。
如图1所示，本发明的实施例提供了一种高精度地图的补充优化方法，其包括如下步骤：
S1、获取预设范围内局部场景的高精度地图数据及感知环境信息。
以外部惯导系统的位置服务为输入，驱动基础地图引擎模块；获得高精度地图的服务基础数据。通过基础地图引擎模块，以输入的车身坐标O为基础，调取以O为中心、预设范围优选为200m*200m见方区域内的高精度地图数据；并获取传感器感知系统传入的感知环境信息以及来自智驾规控应用模块的前一帧车辆规划信息。
S2、将高精度地图数据及感知环境信息进行对齐。
所述将高精度地图数据及感知环境信息进行对齐包括多源信息粗对齐和多源信息精对齐。
其中，所述多源信息粗对齐包括以车身坐标为基础，构建局部空间三维坐标系，将全局三维坐标系下的高精度地图数据、感知环境信息和车辆规划信息转换到局部空间三维坐标系下。
即以车身坐标O为原点，构建局部空间三维坐标系O-xyz。车辆行驶方向为x轴正方向，车辆右侧与行驶方向垂直为y轴正方向，车辆上方与x-y轴平面垂直为z轴正方向。通过三维空间坐标转换，将全局三维坐标系下的高精度地图数据转换到O-xyz坐标系下。所述感知环境信息和车辆规划信息本身即是基于车身坐标系的，可以直接通过标定参数调整到O-xyz坐标系下。
所述多源信息精对齐包括以高精度地图数据的最小矢量单元为基础，将其与感知环境信息的矢量集进行对齐。
具体的，在O-xyz坐标系下，在预设范围优选为200m*200m的范围内，将高精度地图数据和感知参考数据矢量化分为两组。以高精度地图数据中的静态数据层基础，以其中包括而不限于车道线、箭头等地面印刷物和杆件、标识牌等路侧交通附属件等矢量要素为参考矢量集，将感知参考数据矢量集通过平移旋转，改化到与地图数据G空间最似化。
所述空间最似化具体包括：将对高精度地图数据的参考矢量集与感知环境信息的矢量集进行欧氏距离最小二乘迭代。
以高精度地图数据的最小矢量单元为基础，以1toN(N大于等于0)的形式与感知环境信息的矢量集进行对齐。
S3、分别基于物理要素和逻辑要素获取感知环境信息与地图数据未对齐的风险感知环境信息。
具体的，基于高精度地图数据与感知环境信息的对齐结果，判定物理要素中对齐N值大于等于1的要素赋值为安全要素，对N值等于0的要素赋值为风险要素；
以前一帧车辆规划信息为基础，对判断为安全要素中的物理要素进行高精度地图数据和感知环境信息之间的逻辑交叉验证，获取与地图数据未对齐的风险感知环境信息。
其中，所述高精度地图数据和感知环境信息之间的逻辑交叉验证，包括：
判断物理要素的几何一致性是否满足预设标准，对于几何一致性满足预设标准的物理要素判定为安全要素，对于几何一致性不满足预设标准的物理要素判定为风险要素；
判断高精度地图数据中是否存在与感知环境信息中一一对应的物理要素，对高精度地图数据中存在与感知环境信息中一一对应的物理要素判定为安全要素，对高精度地图数据中不存在与感知环境信息中一一对应的物理要素判定为风险要素。
所述物理要素包括但不限于车道线、停止线、导流带边线、标牌和杆件等路侧交通附属件。
S4、基于高精度地图数据和风险感知环境信息共同构建实时局部场景。
对构建好的局部场景进行软件服务化封装，根据后端应用需求封装为对应的接口形式，保证安全信息输出。
本发明通过获取预设范围内局部场景的高精度地图数据及感知环境信息；将高精度地图数据及感知环境信息进行对齐；分别基于物理要素和逻辑要素获取感知环境信息与地图数据未对齐的风险感知环境信息；基于高精度地图数据和风险感知环境信息共同构建实时局部场景。从而在表达现有地图信息的基础上，引入实车动静态感知信息，通过多源地理信息数据融合处理，为智能驾驶系统提供带安全信息量的地理信息服务，提供了一种解决在路口、匝道等复杂场景下，时效性差异带来的车辆安全风险问题的办法。
如图2所示，本发明实施例还公开了一种高精度地图的补充优化系统，其包括如下功能模块：
数据获取模块10，用于获取预设范围内局部场景的高精度地图数据及感知环境信息；
信息对齐模块20，用于将高精度地图数据及感知环境信息进行对齐；
风险判断模块30，用于分别基于物理要素和逻辑要素获取感知环境信息与地图数据未对齐的风险感知环境信息；
场景重构模块40，用于基于高精度地图数据和风险感知环境信息共同构建实时局部场景。
本实施例一种高精度地图的补充优化系统的执行方式与上述高精度地图的补充优化方法基本相同，故不作详细赘述。
本实施例服务器为提供计算服务的设备，通常指具有较高计算能力，通过网络提供给多个消费者使用的计算机。该实施例的服务器包括：存储器、处理器以及系统总线，所述存储器包括存储其上的可运行的程序，本领域技术人员可以理解，本实施例的终端设备结构并不构成对终端设备的限定，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。
存储器可用于存储软件程序以及模块，处理器通过运行存储在存储器的软件程序以及模块，从而执行终端的各种功能应用以及数据处理。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据终端的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
在存储器上包含一种高精度地图的补充优化方法的可运行程序，所述可运行程序可以被分割成一个或多个模块/单元，所述一个或多个模块/单元被存储在所述存储器中，并由处理器执行，以完成信息的获取及实现过程，所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述服务器中的执行过程。例如，所述计算机程序可以被分割为数据获取模块10、信息对齐模块20、风险判断模块30、场景重构模块40。
处理器是服务器的控制中心，利用各种接口和线路连接整个终端设备的各个部分，通过运行或执行存储在存储器内的软件程序和/或模块，以及调用存储在存储器内的数据，执行终端的各种功能和处理数据，从而对终端进行整体监控。可选的，处理器可包括一个或多个处理单元；优选的，处理器可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器中。
系统总线是用来连接计算机内部各功能部件，可以传送数据信息、地址信息、控制信息，其种类可以是例如PCI总线、ISA总线、VESA总线等。处理器的指令通过总线传递至存储器，存储器反馈数据给处理器，系统总线负责处理器与存储器之间的数据、指令交互。当然系统总线还可以接入其他设备，例如网络接口、显示设备等。
所述服务器应至少包括CPU、芯片组、内存、磁盘系统等，其他构成部件在此不再赘述。
在本发明实施例中，该终端所包括的处理器执行的可运行程序具体为：一种高精度地图的补充优化方法，其包括如下步骤：
获取预设范围内局部场景的高精度地图数据及感知环境信息；
将高精度地图数据及感知环境信息进行对齐；
分别基于物理要素和逻辑要素获取感知环境信息与地图数据未对齐的风险感知环境信息；
基于高精度地图数据和风险感知环境信息共同构建实时局部场景。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
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实施例的模块、单元和/或方法步骤，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发明的范围。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。
Claims (10)
1.一种高精度地图的补充优化方法，其特征在于，包括如下步骤：
获取预设范围内局部场景的高精度地图数据及感知环境信息；
将高精度地图数据及感知环境信息进行对齐；
分别基于物理要素和逻辑要素获取感知环境信息与地图数据未对齐的风险感知环境信息；
基于高精度地图数据和风险感知环境信息共同构建实时局部场景。
2.根据权利要求1所述的高精度地图的补充优化方法，其特征在于，所述将高精度地图数据及感知环境信息进行对齐；包括：
以车身坐标为基础，构建局部空间三维坐标系，将全局三维坐标系下的高精度地图数据、感知环境信息和车辆规划信息转换到局部空间三维坐标系下；
以高精度地图数据的最小矢量单元为基础，将其与感知环境信息的矢量集进行对齐。
3.根据权利要求2所述的高精度地图的补充优化方法，其特征在于，在所述以高精度地图数据的最小矢量单元为基础，将其与感知环境信息的矢量集进行对齐之前，包括：
以高精度地图数据中矢量要素为参考矢量集，将感知环境信息的矢量集通过平移旋转，改化到与高精度地图数据空间最似化。
4.根据权利要求3所述的高精度地图的补充优化方法，其特征在于，所述空间最似化具体包括：
将对高精度地图数据的参考矢量集与感知环境信息的矢量集进行欧氏距离最小二乘迭代。
5.根据权利要求1所述的高精度地图的补充优化方法，其特征在于，所述分别基于物理要素和逻辑要素获取感知环境信息与地图数据未对齐的风险感知环境信息，包括：
基于高精度地图数据与感知环境信息的对齐结果，判定物理要素中对齐N值大于等于1的要素赋值为安全要素，对N值等于0的要素赋值为风险要素；
以前一帧车辆规划信息为基础，对判断为安全要素中的物理要素进行高精度地图数据和感知环境信息之间的逻辑交叉验证，获取与地图数据未对齐的风险感知环境信息。
6.根据权利要求5所述的高精度地图的补充优化方法，其特征在于，所述高精度地图数据和感知环境信息之间的逻辑交叉验证，包括：
判断物理要素的几何一致性是否满足预设标准，对于几何一致性满足预设标准的物理要素判定为安全要素，对于几何一致性不满足预设标准的物理要素判定为风险要素；
判断高精度地图数据中是否存在与感知环境信息中一一对应的物理要素，对高精度地图数据中存在与感知环境信息中一一对应的物理要素判定为安全要素，对高精度地图数据中不存在与感知环境信息中一一对应的物理要素判定为风险要素。
7.根据权利要求1所述的高精度地图的补充优化方法，其特征在于，所述物理要素包括车道线、停止线、导流带边线、标牌和杆件。
8.一种高精度地图的补充优化系统，其特征在于，包括如下功能模块：
数据获取模块，用于获取预设范围内局部场景的高精度地图数据及感知环境信息；
信息对齐模块，用于将高精度地图数据及感知环境信息进行对齐；
风险判断模块，用于分别基于物理要素和逻辑要素获取感知环境信息与地图数据未对齐的风险感知环境信息；
场景重构模块，用于基于高精度地图数据和风险感知环境信息共同构建实时局部场景。
9.一种服务器，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任一项所述高精度地图的补充优化方法。
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任一项所述高精度地图的补充优化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211340840.3A CN115717896A (zh) | 2022-10-29 | 2022-10-29 | 高精度地图的补充优化方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211340840.3A CN115717896A (zh) | 2022-10-29 | 2022-10-29 | 高精度地图的补充优化方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115717896A true CN115717896A (zh) | 2023-02-28 |
Family
ID=85254512
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211340840.3A Pending CN115717896A (zh) | 2022-10-29 | 2022-10-29 | 高精度地图的补充优化方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115717896A (zh) |
-
2022
- 2022-10-29 CN CN202211340840.3A patent/CN115717896A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3506212B1 (en) | Method and apparatus for generating raster map | |
| WO2021003452A1 (en) | Determination of lane connectivity at traffic intersections for high definition maps | |
| KR102199940B1 (ko) | 3ｄ 엔진을 통한 모바일 3ｄ 디지털 트윈의 3ｄ 지도 구축 방법 | |
| EP4116935B1 (en) | High-definition map creation method and device, and electronic device | |
| WO2020264060A1 (en) | Determining weights of points of a point cloud based on geometric features | |
| CN113989450A (zh) | 图像处理方法、装置、电子设备和介质 | |
| CN112541049B (zh) | 高精地图处理方法、装置、设备、存储介质和程序产品 | |
| CN114299464A (zh) | 车道定位方法、装置及设备 | |
| CN112308969B (zh) | 三维地图生成方法及装置 | |
| CN113436233B (zh) | 自动驾驶车辆的配准方法、装置、电子设备和车辆 | |
| CN114187357A (zh) | 一种高精地图的生产方法、装置、电子设备及存储介质 | |
| CN111080682A (zh) | 点云数据的配准方法及装置 | |
| CN116295457B (zh) | 一种基于二维语义地图的车辆视觉定位方法及系统 | |
| CN111982133A (zh) | 基于高精地图对车辆进行定位的方法、装置及电子设备 | |
| CN110782774A (zh) | 一种众包道路数据的分布式处理方法及装置 | |
| CN114187589A (zh) | 一种目标检测方法、装置、设备和存储介质 | |
| CN113960614A (zh) | 一种基于帧-地图匹配的高程图构建方法 | |
| CN115331199A (zh) | 障碍物的检测方法、装置、电子设备及存储介质 | |
| CN114661028A (zh) | 智能驾驶控制器测试方法、装置、计算机设备和存储介质 | |
| CN113763504B (zh) | 地图更新方法、系统、车载终端、服务器及存储介质 | |
| CN113592951A (zh) | 车路协同中路侧相机外参标定的方法、装置、电子设备 | |
| JP7375149B2 (ja) | 測位方法、測位装置、ビジュアルマップの生成方法およびその装置 | |
| CN116524143A (zh) | 一种gis地图构建方法 | |
| CN115717896A (zh) | 高精度地图的补充优化方法及系统 | |
| CN116030100A (zh) | 一种基于bim的高精度实景测绘系统 |
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 |