CN116242375A - 一种基于多传感器的高精度电子地图生成方法和系统 - Google Patents

Abstract

本发明属于自动驾驶技术领域，具体涉及一种基于多传感器的高精度电子地图生成方法和系统，包括：通过多传感器提取车辆基本构造信息，并基于车辆基本构造信息，对车辆进行定位得到车辆定位信息；根据车辆定位信息获取以车辆为中心的指定范围内的静态地图；通过多传感器提取车辆周边的环境信息，并基于环境信息，进行障碍物识别、可行驶区域提取以及障碍物融合与跟踪，得到场景数据；将场景数据结合静态地图，生成高精度电子地图。本发明实现智能驾驶车辆对于车身周围的环境实时采集识别，并将这些采集和识别的内容精准的定位在智能驾驶车辆三维地图坐标上，最大化的优化了环境感知模型，同时也提高了鲁棒性和可靠性。

Description

一种基于多传感器的高精度电子地图生成方法和系统

技术领域

本发明属于自动驾驶技术领域，具体涉及一种基于多传感器的高精度电子地图生成方法和系统。

背景技术

随着人们对车辆自动驾驶技术水平要求的提高，不仅希望自动驾驶车辆能在高速路上交通参与者较少的环境下安全行驶，更希望拥有自动驾驶的智能车辆也能够在交通情况复杂的道路上安全行驶，实现在这样交通情况复杂下安全行驶的要求对智能驾驶车辆而言需要有高精度的环境感知能力以及高鲁棒性的适应性。同时为了使智能驾驶车辆的自动驾驶系统更稳定更安全，需要提供更加精准精确的车身环境信息这样可以让智能驾驶车辆的自动驾驶系统能够更有效的并且提前避免发生危险，同时将利用各种车辆传感器融合方法开始在智能驾驶车辆的控制模型上应用。现阶段自动驾驶的一些功能大多需要通过增加传感器数量和种类来增加检测的可靠性，扩大视野范围来获得更多的车身周围环境信息，例如自适应巡航控制功能使用毫米波雷达来感知，车道偏离预警使用摄像头来识别之类的，但是随着人们对自动驾驶功能的提出更高更多的要求，现有的传感器处理架构已经出现疲态架势。

目前的环境感知方法并未增加综合考虑车辆动力学模型及运动能力，只是将某一种感知信息堆积，且数据信息不会进行整合处理，对智能驾驶决策层来说意义不大，鲁棒性也不好。

发明内容

为克服上述现有技术的不足，本发明提出一种基于多传感器的高精度电子地图生成方法，包括：

通过多传感器提取车辆基本构造信息，并基于所述车辆基本构造信息，对车辆进行定位得到车辆定位信息；

根据所述车辆定位信息获取以车辆为中心的指定范围内的静态地图；

通过多传感器提取车辆周边的环境信息，并基于所述环境信息，进行障碍物识别、可行驶区域提取以及障碍物融合与跟踪，得到场景数据；

将所述场景数据结合所述静态地图，生成高精度电子地图。

优选的，所述基于所述车辆基本构造信息，对车辆进行定位得到车辆定位信息，包括：

基于所述车辆基本构造信息，结合卫星导航系统获取的车辆定位坐标，得到车辆所在的三维立体坐标信息；

以所述三维立体坐标信息结合路网数据中心的数据，确定车辆在路网数据中心的投影坐标作为车辆定位信息。

优选的，所述以所述三维立体坐标信息结合路网数据中心的数据，确定车辆在路网数据中心的投影坐标作为车辆定位信息，包括：

基于所述三维立体坐标信息，利用基于隐马尔科夫模型的地图匹配算法确定车辆在路网数据中心的车辆所在的行驶路段和投影位置初始点；

获取车辆在前后两个时刻的定位信息，并基于前后两个时刻的定位信息，确定车辆的三维定位坐标信息偏移量；

基于所述三维定位坐标信息偏移量和投影位置初始点，对所述三维立体坐标信息进行矫正；

将矫正后的三维立体坐标信息垂直投影到路网数据中心的道路中心线上，得到车辆在路网数据中心的投影坐标作为车辆定位信息。

优选的，所述通过多传感器提取车辆周边的环境信息，包括：

采用摄像头获取车辆周边的车道线状态信息以及障碍物状态信息，采用毫米波雷达获取车辆周边的障碍物状态信息，采用激光雷达获取车辆周边的障碍物状态信息和点云数据；

将车道线状态信息、障碍物状态信息和点云数据作为环境信息。

优选的，所述基于所述环境信息，进行障碍物识别、可行驶区域提取以及障碍物融合与跟踪，得到场景数据，包括：

基于所述环境信息，进行障碍物识别，得到障碍物识别信息；

基于所述环境信息和障碍物识别信息，提取出可行驶区域；

基于所述环境信息，进行障碍物融合与跟踪，得到障碍物动态信息；

以所述可行驶区域和障碍物动态信息作为场景数据。

优选的，所述基于所述环境信息和障碍物识别信息，提取出可行驶区域，包括：

提取车辆周边的感兴趣区域的点云数据；

基于所述点云数据，使用路沿边界点空间特征的方式剔除不相关点云信息来提取路沿；

使用最小二乘法对路沿的点云数据进行拟合，并结合所述车道线状态信息以及障碍物识别信息，划分地面区域；

从划分后的地面区域中提取出可行驶区域。

优选的，所述基于所述环境信息，进行障碍物融合与跟踪，得到障碍物动态信息，包括：

基于车辆周边的障碍物状态信息，计算各障碍物的几何相似度百分比；

将几何相似度百分比大于预设相似程度阈值的障碍物判定为同一障碍物，并采用加权算法对同一障碍物的几何特征进行融合；

采用数据关联和线性卡尔曼滤波的多目标跟踪算法对各障碍物进行跟踪，得到精确的障碍物的位置、速度大小及运动方向，并结合车辆定位坐标，计算障碍物相对大地坐标系中的运动速度作为障碍物动态信息。

优选的，所述采用加权算法对同一障碍物的几何特征进行融合，包括：

计算各个激光雷达到达同一障碍物中心的距离，并计算出针对该障碍物目标对激光雷达的综合置信度；

将置信度对障碍物长宽以及中心坐标进行融合。

基于同一发明构思，本申请还提供了一种基于多传感器的高精度电子地图生成系统，包括：定位模块、静态地图模块、场景数据模块和电子地图模块；

所述定位模块，用于通过多传感器提取车辆基本构造信息，并基于所述车辆基本构造信息，对车辆进行定位得到车辆定位信息；

所述静态地图模块，用于根据所述车辆定位信息获取以车辆为中心的指定范围内的静态地图；

所述场景数据模块，用于通过多传感器提取车辆周边的环境信息，并基于所述环境信息，进行障碍物识别、可行驶区域提取以及障碍物融合与跟踪，得到场景数据；

所述电子地图模块，用于将所述场景数据结合所述静态地图，生成高精度电子地图。

优选的，所述定位模块，具体用于：

基于所述车辆基本构造信息，结合卫星导航系统获取的车辆定位坐标，得到车辆所在的三维立体坐标信息；

以所述三维立体坐标信息结合路网数据中心的数据，确定车辆在路网数据中心的投影坐标作为车辆定位信息。

优选的，所述定位模块以所述三维立体坐标信息结合路网数据中心的数据，确定车辆在路网数据中心的投影坐标作为车辆定位信息，包括：

基于所述三维立体坐标信息，利用基于隐马尔科夫模型的地图匹配算法确定车辆在路网数据中心的车辆所在的行驶路段和投影位置初始点；

获取车辆在前后两个时刻的定位信息，并基于前后两个时刻的定位信息，确定车辆的三维定位坐标信息偏移量；

基于所述三维定位坐标信息偏移量和投影位置初始点，对所述三维立体坐标信息进行矫正；

将矫正后的三维立体坐标信息垂直投影到路网数据中心的道路中心线上，得到车辆在路网数据中心的投影坐标作为车辆定位信息。

优选的，所述场景数据模块通过多传感器提取车辆周边的环境信息，包括：

采用摄像头获取车辆周边的车道线状态信息以及障碍物状态信息，采用毫米波雷达获取车辆周边的障碍物状态信息，采用激光雷达获取车辆周边的障碍物状态信息和点云数据；

将车道线状态信息、障碍物状态信息和点云数据作为环境信息。

优选的，所述场景数据模块基于所述环境信息，进行障碍物识别、可行驶区域提取以及障碍物融合与跟踪，得到场景数据，包括：

基于所述环境信息，进行障碍物识别，得到障碍物识别信息；

基于所述环境信息和障碍物识别信息，提取出可行驶区域；

基于所述环境信息，进行障碍物融合与跟踪，得到障碍物动态信息；

以所述出可行驶区域和障碍物动态信息作为场景数据。

优选的，所述场景数据模块基于所述环境信息和障碍物识别信息，提取出可行驶区域，包括：

提取车辆周边的感兴趣区域的点云数据；

基于所述点云数据，使用路沿边界点空间特征的方式剔除不相关点云信息来提取路沿；

使用最小二乘法对路沿的点云数据进行拟合，并结合所述车道线状态信息以及障碍物识别信息，划分地面区域；

从划分后的地面区域中提取出可行驶区域。

优选的，所述场景数据模块基于所述环境信息，进行障碍物融合与跟踪，得到障碍物动态信息，包括：

基于车辆周边的障碍物状态信息，计算各障碍物的几何相似度百分比；

将几何相似度百分比大于预设相似程度阈值的障碍物判定为同一障碍物，并采用加权算法对同一障碍物的几何特征进行融合；

采用数据关联和线性卡尔曼滤波的多目标跟踪算法对各障碍物进行跟踪，得到精确的障碍物的位置、速度大小及运动方向，并结合车辆定位坐标，计算障碍物相对大地坐标系中的运动速度作为障碍物动态信息。

优选的，所述场景数据模块采用加权算法对同一障碍物的几何特征进行融合，包括：

计算各个激光雷达到达同一障碍物中心的距离，并计算出针对该障碍物目标对激光雷达的综合置信度；

将置信度对障碍物长宽以及中心坐标进行融合。

与最接近的现有技术相比，本发明具有的有益效果如下：

本发明提供了一种基于多传感器的高精度电子地图生成方法和系统，包括：通过多传感器提取车辆基本构造信息，并基于车辆基本构造信息，对车辆进行定位得到车辆定位信息；根据车辆定位信息获取以车辆为中心的指定范围内的静态地图；通过多传感器提取车辆周边的环境信息，并基于环境信息，进行障碍物识别、可行驶区域提取以及障碍物融合与跟踪，得到场景数据；将场景数据结合静态地图，生成高精度电子地图。本发明实现智能驾驶车辆对于车身周围的环境实时采集识别，并将这些采集和识别的内容精准的定位在智能驾驶车辆三维地图坐标上，最大化的优化了环境感知模型，同时也提高了鲁棒性和可靠性。

本发明引入高精度电子地图概念，将高精地图以及路网数据中心的信息结合用来定位车辆行驶路段，再叠加多种传感器信息来定义路面状态和障碍物属性类型等，用来建立融合动静态的实时驾驶电子地图，很好的辅助了智能驾驶辅助层的同事也提高了驾驶稳定性和安全性。

附图说明

图1为本发明提供的一种基于多传感器的高精度电子地图生成方法流程示意图；

图2为本发明提供的一种基于多传感器的高精度电子地图生成方法中各个传感器装置示意图；

图3为本发明提供的一种基于多传感器的高精度电子地图生成方法中车辆定位行驶路段方案流程图；

图4为本发明提供的一种基于多传感器的高精度电子地图生成方法中车辆可行驶区域提取算法流程图；

图5为本发明提供的一种基于多传感器的高精度电子地图生成方法中车辆高精度电子地图生成算法流程图；

图6为本发明提供的一种基于多传感器的高精度电子地图生成系统结构示意图。

具体实施方式

针对上述现有技术的不足，非常需要将各种各样的传感器所获得的数据进行整合融合，将提取出各个传感器的高置信度区域，并将这些区域进行合并形成对周围环境的统一的高精度电子地图，本发明的目的就在于提供一种基于多传感器的高精度电子地图生成方法和系统，其可以使得自动驾驶车辆更安全地行驶在复杂情况的交通道路上、同时避免显现的或潜在的各种通行道路上的危险，该方法和系统在能够精准定位智能驾驶车辆行驶的路段的同时，也对车道线、障碍物及交通参与者信息进行融合处理，整合动力学模型及道路几何形状生成的实时包含对智能驾驶车辆状态动态预测的高精度电子地图。

下面结合附图对本发明的具体实施方式做进一步的详细说明。在如下说明中，所描述的实施例是本发明的一部分实施例，并不是全部实施例，基于本发明中的实施例,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。

实施例1：

本发明提供的一种基于多传感器的高精度电子地图生成方法流程示意图如图1所示，包括：

步骤1：通过多传感器提取车辆基本构造信息，并基于车辆基本构造信息，对车辆进行定位得到车辆定位信息；

步骤2：根据车辆定位信息获取以车辆为中心的指定范围内的静态地图；

步骤3：通过多传感器提取车辆周边的环境信息，并基于环境信息，进行障碍物识别、可行驶区域提取以及障碍物融合与跟踪，得到场景数据；

步骤4：将场景数据结合静态地图，生成高精度电子地图。

本发明总体思路为：根据智能驾驶车辆(简称车辆)自身的车身信息，搭配智能驾驶车辆的高精度定位模块的车辆定位信息，获取智能驾驶车辆的三维定位坐标；并将所述的三维定位坐标结合路网数据中心的数据，用来确定投影的初始点，进而将定位智能驾驶车辆的行驶路段，并将该行驶路段从传感器处理模块中发送到自动驾驶决策模块；通过智能驾驶的车身传感器、车载摄像头、毫米波雷达及激光雷达分别用来采集实时阶段中路况的各个障碍物的信息及可行驶区域和车道线，并对上述内容的信息进行置信统计并将结果进行整合处理，其中视频摄像头通过LVDS总线，激光雷达通过以太网，高精度定位、雷达和车身传感器通过CAN-FD总线传输将数据传输到传感器处理模块；传感器处理模块将获取的各类信息提取其特征，并将进行进一步融合，同时基于车辆动力学模型对局部地图信息整理结合，增加收集到的实时的车道线及障碍物信息，并将这些信息输出成高精度电子地图，将上述的实时级别的高精度电子地图传输给自动驾驶决策模块，使得决策模块能够更好的对车辆进行自动驾驶控制。

步骤1中，各个传感器装置示意图如图2所示，由卫星导航系统GNSS获取通过车身传感器获得车辆基本构造信息，结合GNSS获取的车辆定位坐标，得到当前车辆所在的三维立体坐标信息，同时获得车辆转向角速度、车速等车辆信息，由摄像头来取得障碍物以及车道线状态信息，通过LVDS总线传输到传感器处理模块进行处理，由毫米波雷达和激光雷达获得的障碍物状态信息，以及高精定位模块获得的车辆三维定位信息分别通过LVDS、以太网、CAN-FD传输到传感器处理模块中。处理完成后生成高精度电子地图信息通过内部总线传输给自动驾驶决策模块。

步骤1中，对车辆进行定位得到车辆定位信息，得到车辆行驶路段的流程如图3所示，包括：

将上述得到的三维立体坐标信息与路网数据中心的数据相结合，确定投影的初始点，进而将定位智能驾驶车辆的行驶路段，用来获得行驶路段地图，并将该行所在的驶路段从传感器处理模块中发送到自动驾驶决策模块；

确定投影的初始点，进而将定位智能驾驶车辆的行驶路段，具体包含：

利用基于隐马尔科夫模型的地图匹配算法来确定智能驾驶车辆在路网数据中心的当前车辆所在的行驶路段和投影位置初始点；然后通过智能驾驶车辆高精定位模块在时间上输出的前后两个时刻的定位信息，获得三维定位坐标信息偏移量；紧接着，基于车辆投影的初始点坐标和三维定位坐标信息偏移量对定位纠偏模块的数据进一步矫正；最后，将矫正后的定位坐标垂直着投影到路网数据中心的道路中心线上用来获取智能驾驶车辆在路网数据中心的最终投影坐标作为车辆定位信息。

为进一步提高定位精度，高精度定位模块中的GNSS模块中还采用实时差分定位RTK技术，对卫星定位信息进行修正；在高精度定位模块中还可进一步增加INS惯性导航模块，使用惯性测量单元IMU结合车辆转向角速度、车速等车辆信息，经过卡尔曼滤波器处理后，得到基于惯性导航的定位数据，再与卫星定位数据融合，进一步提高定位精度。

步骤3中，基于环境信息，进行可行驶区域提取的流程如图4所示，包括：

通过智能驾驶的车身传感器、车载摄像头、毫米波雷达及激光雷达分别用来采集实时阶段中路况的各个障碍物的信息及可行驶区域和车道线，并对上述内容的信息进行置信统计并将结果进行整合处理，其中视频摄像头和毫米波雷达通过LVDS总线、激光雷达通过以太网、高精度定位和车身传感器通过CAN-FD总线传输将数据传输到传感器处理模块。

所述的车身传感器包含车辆的扭矩传感器和轮速传感器，其中，扭矩传感器用于得到智能驾驶车辆的横向角速度数据，轮速传感器用于得到智能驾驶车辆的纵向车速数据。

提取激光雷达的感兴趣区域点云，根据所取得的点云数据内容分别进行路沿检测。

所述进行路沿检测是指根据道路几何特征和点云空间分布特征设置动态的搜索窗口。

使用路沿边界点空间特征的方式剔除不相关点云信息来提取路沿。激光雷达的扫描特性，车辆在结构化的道路中行驶时，地面上扫描的激光光束具有平滑特性，平滑的直线或曲线，当该扫描遇到高低落差相对规律时，扫描线的角度会发生改变。最后通过高低差及曲率双特征半段路沿界点。

使用最小二乘法对路沿点云进行拟合。利用视频摄像头获得图像信息，并分别对障碍物、车道线进行识别，将地面区域划分。

所述的使用最小二乘法对路沿点云进行拟合是指，对每个道路边界点云集合进行道路边界线拟合。由于道路边界的形态通常为标准曲线或者直线。使用最小二乘法是一种非常有效的方式。

所述的最小二乘法是指通过计算得到误差的平方和最小方式来寻找最佳的匹配函数。

结合图像对障碍物识别信息结合激光雷达点云信息，利用欧几里得聚类算法对点云信息进行分类并得到障碍物聚类集合，并提取障碍物信息，

所述的利用欧几里得聚类算法对点云信息进行分类并得到障碍物聚类集合，并提取障碍物信息，是指：

将空间划分为以传感器为中心的嵌套环型区域，对不同距离的区域使用不同的聚类半径阈值；继而使用L形拟方式合并，同时使用霍夫直线检测法对聚类后的障碍物提取其BOX，获得障碍物中心点及旋转角度；最后融合道路边界的的检测结果，过滤掉边界外的障碍物，保留边界内的障碍物，提取出实际可通行的区域，减少了后续障碍物跟踪模块不必要的障碍物关联匹配。

步骤3中，进行障碍物融合与跟踪，为将传感器处理模块的各类特征集数据进行融合与跟踪处理，包括：

融合与跟踪处理包括：将目标即障碍物的几何相似度百分比计算得出，使用几何相似度百分比配准目标，采用一种基于偏差距离加权算法对目标几何特征进行融合；采用数据关联和线性卡尔曼滤波的多目标跟踪算法对目标进行跟踪，以获取更为精确的障碍物的位置、速度大小及运动方向等信息；同时利用高精度定位传感器采集数据车辆坐标，计算得到相对大地坐标系中的运动速度；根据几何特征和运动状态，通过目标特征模型对目标障碍物进行类别判定；栅格化处理进行栅格化表示，得到当前车身周围的障碍物及车道线地图。

同时使用不同激光雷达生成的点云数据需要对其中的同一个目标进行匹配判断，根据相似程度阈值D0来确定，当相似程度值小于D0的时候，认为不同激光雷达生成的聚集点云为不同目标不进行融合处理；否则视为同一个目标进行点云融合。对于相似度匹配融合的目标，采用加权置信度的方法来对障碍物目标的当前几何状态进行融合。

对障碍物目标的当前几何状态进行融合包括如下步骤；计算各个激光雷达到达障碍物目标中心的距离，并计算出针对该障碍物目标对雷达的综合置信度；最后将置信度对障碍物长宽以及中心坐标三种特征状态进行融合。

高精度电子地图生成的整体思路，如图5所示.

充分利用了智能驾驶摄像头、超声波雷达及激光雷达得到智能驾驶车辆车身周边的各类动态环境，含障碍物及车道线数据，将其叠加入局部范围的静态地图中，从而获取针对当前情况的融合感知的高精度电子地图。

图5中，根据提取出的道路可行驶区域、道路车道线和静态障碍物(即相对大地坐标系中的运动速度为0的障碍物)生成静态场景数据。行人及动物、非机动车辆和机动车辆为相对大地坐标系中的运动速度大于0的障碍物，构成动态场景数据。静态场景数据和动态场景数据共同构成场景数据。场景数据叠加在静态地图上，得到高精度电子地图。

本发明是用来面向智能驾驶车辆来建立复杂道路地形环境下的环境模型系统，即高精度电子地图生成。通过结合智能驾驶车辆的自身运动性能、当前的道路信息向智能驾驶车辆提供当前环境下的障碍物信息、车道信息等各类环境信息，包括智能驾驶车辆的车身传感器、环境感知设备、车载自动驾驶计算中心等设备，车载自动驾驶计算中心通过各类总线实现通讯，车载环境感知设备包括视频摄像头、毫米波雷达、激光雷达、高精定位模块。车身传感器包括轮速传感器、转矩传感器、陀螺仪等，车载自动驾驶计算中心的传感器模块负责基于路网数据库与高精地图的车辆局部路径定位算法、基于摄像头的车辆偏离预警算法、基于毫米波雷达、摄像头与激光雷达数据融合的障碍物识别与跟踪算法以及基于多传感器信息特征级融合的实时高精度电子地图生成算法。此方法的最终输出物为高精度电子地图，即结合交通参与者及道路几何状态的秒级的基于智能驾驶车辆视角的局部显示地图。

本发明通过智能驾驶车辆环境感知模块中各个传感器信息进行多特征融合来实现对智能驾驶车辆的行驶路段的进行定位、同时读取车道线信息及智能驾驶车辆车身障碍物的跟踪与识别，并结合智能驾驶车辆自身运动能力及所处交通环境的交通共同参与者类型建立以秒为单位的局部高精度电子地图。实时将车身的环境感知装置获得的多方位特征信息(包括智能驾驶车辆实际所行驶的局部路段的车道线信息、可行驶区域信息、高精地图信息、智能驾驶车辆周围障碍物信息)进行融合形成高精度电子地图，并将其整合后输出给自动驾驶决策模块进行具体的控制操作智能驾驶车辆。这样的精准并高实时性的智能驾驶车辆高精度电子地图信息可以提供给自动驾驶决策模块更符合智能驾驶车辆动力学模型的环境传感信息，并可以对智能驾驶车辆行驶过程中的未来一段时间内的车身所处的环境及交通参与者进行动态预测，有效提高智能驾驶车辆的动态避障及环境感知能力，同时保障智能驾驶车辆在行驶状态下的交通安全。

实施例2：

基于同一发明构思，本发明还提供了一种基于多传感器的高精度电子地图生成系统，该系统结构如图6所示，包括：定位模块、静态地图模块、场景数据模块和电子地图模块；

所述定位模块，用于通过多传感器提取车辆基本构造信息，并基于所述车辆基本构造信息，对车辆进行定位得到车辆定位信息；

所述静态地图模块，用于根据所述车辆定位信息获取以车辆为中心的指定范围内的静态地图；

所述场景数据模块，用于通过多传感器提取车辆周边的环境信息，并基于所述环境信息，进行障碍物识别、可行驶区域提取以及障碍物融合与跟踪，得到场景数据；

所述电子地图模块，用于将所述场景数据结合所述静态地图，生成高精度电子地图。

优选的，所述定位模块，具体用于：

基于所述车辆基本构造信息，结合卫星导航系统获取的车辆定位坐标，得到车辆所在的三维立体坐标信息；

以所述三维立体坐标信息结合路网数据中心的数据，确定车辆在路网数据中心的投影坐标作为车辆定位信息。

优选的，所述定位模块以所述三维立体坐标信息结合路网数据中心的数据，确定车辆在路网数据中心的投影坐标作为车辆定位信息，包括：

基于所述三维立体坐标信息，利用基于隐马尔科夫模型的地图匹配算法确定车辆在路网数据中心的车辆所在的行驶路段和投影位置初始点；

获取车辆在前后两个时刻的定位信息，并基于前后两个时刻的定位信息，确定车辆的三维定位坐标信息偏移量；

基于所述三维定位坐标信息偏移量和投影位置初始点，对所述三维立体坐标信息进行矫正；

将矫正后的三维立体坐标信息垂直投影到路网数据中心的道路中心线上，得到车辆在路网数据中心的投影坐标作为车辆定位信息。

优选的，所述场景数据模块通过多传感器提取车辆周边的环境信息，包括：

采用摄像头获取车辆周边的车道线状态信息以及障碍物状态信息，采用毫米波雷达获取车辆周边的障碍物状态信息，采用激光雷达获取车辆周边的障碍物状态信息和点云数据；

将车道线状态信息、障碍物状态信息和点云数据作为环境信息。

优选的，所述场景数据模块基于所述环境信息，进行障碍物识别、可行驶区域提取以及障碍物融合与跟踪，得到场景数据，包括：

基于所述环境信息，进行障碍物识别，得到障碍物识别信息；

基于所述环境信息和障碍物识别信息，提取出可行驶区域；

基于所述环境信息，进行障碍物融合与跟踪，得到障碍物动态信息；

以所述出可行驶区域和障碍物动态信息作为场景数据。

优选的，所述场景数据模块基于所述环境信息和障碍物识别信息，提取出可行驶区域，包括：

提取车辆周边的感兴趣区域的点云数据；

基于所述点云数据，使用路沿边界点空间特征的方式剔除不相关点云信息来提取路沿；

使用最小二乘法对路沿的点云数据进行拟合，并结合所述车道线状态信息以及障碍物识别信息，划分地面区域；

从划分后的地面区域中提取出可行驶区域。

优选的，所述场景数据模块基于所述环境信息，进行障碍物融合与跟踪，得到障碍物动态信息，包括：

基于车辆周边的障碍物状态信息，计算各障碍物的几何相似度百分比；

将几何相似度百分比大于预设相似程度阈值的障碍物判定为同一障碍物，并采用加权算法对同一障碍物的几何特征进行融合；

采用数据关联和线性卡尔曼滤波的多目标跟踪算法对各障碍物进行跟踪，得到精确的障碍物的位置、速度大小及运动方向，并结合车辆定位坐标，计算障碍物相对大地坐标系中的运动速度作为障碍物动态信息。

优选的，所述场景数据模块采用加权算法对同一障碍物的几何特征进行融合，包括：

计算各个激光雷达到达同一障碍物中心的距离，并计算出针对该障碍物目标对激光雷达的综合置信度；

将置信度对障碍物长宽以及中心坐标进行融合。

实施例3：

基于同一种发明构思，本发明还提供了一种计算机设备，该计算机设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可以是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor、DSP)、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，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，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能，以实现上述实施例中一种基于多传感器的高精度电子地图生成方法的步骤。

实施例4：

基于同一种发明构思，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是计算机设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质，当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中一种基于多传感器的高精度电子地图生成方法的步骤。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

最后应当说明的是:以上实施例仅用于说明本发明的技术方案而非对其保护范围的限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:本领域技术人员阅读本发明后依然可对申请的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均在申请待批的权利要求保护范围之内。

Claims (10)

1.一种基于多传感器的高精度电子地图生成方法，其特征在于，包括：

通过多传感器提取车辆基本构造信息，并基于所述车辆基本构造信息，对车辆进行定位得到车辆定位信息；

根据所述车辆定位信息获取以车辆为中心的指定范围内的静态地图；

通过多传感器提取车辆周边的环境信息，并基于所述环境信息，进行障碍物识别、可行驶区域提取以及障碍物融合与跟踪，得到场景数据；

将所述场景数据结合所述静态地图，生成高精度电子地图。

2.如权利要求1所述的方法，其特征在于，所述基于所述车辆基本构造信息，对车辆进行定位得到车辆定位信息，包括：

基于所述车辆基本构造信息，结合卫星导航系统获取的车辆定位坐标，得到车辆所在的三维立体坐标信息；

以所述三维立体坐标信息结合路网数据中心的数据，确定车辆在路网数据中心的投影坐标作为车辆定位信息。

3.如权利要求2所述的方法，其特征在于，所述以所述三维立体坐标信息结合路网数据中心的数据，确定车辆在路网数据中心的投影坐标作为车辆定位信息，包括：

基于所述三维立体坐标信息，利用基于隐马尔科夫模型的地图匹配算法确定车辆在路网数据中心的车辆所在的行驶路段和投影位置初始点；

获取车辆在前后两个时刻的定位信息，并基于前后两个时刻的定位信息，确定车辆的三维定位坐标信息偏移量；

基于所述三维定位坐标信息偏移量和投影位置初始点，对所述三维立体坐标信息进行矫正；

将矫正后的三维立体坐标信息垂直投影到路网数据中心的道路中心线上，得到车辆在路网数据中心的投影坐标作为车辆定位信息。

4.如权利要求1所述的方法，其特征在于，所述通过多传感器提取车辆周边的环境信息，包括：

采用摄像头获取车辆周边的车道线状态信息以及障碍物状态信息，采用毫米波雷达获取车辆周边的障碍物状态信息，采用激光雷达获取车辆周边的障碍物状态信息和点云数据；

将车道线状态信息、障碍物状态信息和点云数据作为环境信息。

5.如权利要求4所述的方法，其特征在于，所述基于所述环境信息，进行障碍物识别、可行驶区域提取以及障碍物融合与跟踪，得到场景数据，包括：

基于所述环境信息，进行障碍物识别，得到障碍物识别信息；

基于所述环境信息和障碍物识别信息，提取出可行驶区域；

基于所述环境信息，进行障碍物融合与跟踪，得到障碍物动态信息；

以所述可行驶区域和障碍物动态信息作为场景数据。

6.如权利要求5所述的方法，其特征在于，所述基于所述环境信息和障碍物识别信息，提取出可行驶区域，包括：

提取车辆周边的感兴趣区域的点云数据；

基于所述点云数据，使用路沿边界点空间特征的方式剔除不相关点云信息来提取路沿；

使用最小二乘法对路沿的点云数据进行拟合，并结合所述车道线状态信息以及障碍物识别信息，划分地面区域；

从划分后的地面区域中提取出可行驶区域。

7.如权利要求5所述的方法，其特征在于，所述基于所述环境信息，进行障碍物融合与跟踪，得到障碍物动态信息，包括：

基于车辆周边的障碍物状态信息，计算各障碍物的几何相似度百分比；

将几何相似度百分比大于预设相似程度阈值的障碍物判定为同一障碍物，并采用加权算法对同一障碍物的几何特征进行融合；

采用数据关联和线性卡尔曼滤波的多目标跟踪算法对各障碍物进行跟踪，得到精确的障碍物的位置、速度大小及运动方向，并结合车辆定位坐标，计算障碍物相对大地坐标系中的运动速度作为障碍物动态信息。

8.如权利要求7所述的方法，其特征在于，所述采用加权算法对同一障碍物的几何特征进行融合，包括：

计算各个激光雷达到达同一障碍物中心的距离，并计算出针对该障碍物目标对激光雷达的综合置信度；

将置信度对障碍物长宽以及中心坐标进行融合。

9.一种基于多传感器的高精度电子地图生成系统，其特征在于，包括：定位模块、静态地图模块、场景数据模块和电子地图模块；

所述定位模块，用于通过多传感器提取车辆基本构造信息，并基于所述车辆基本构造信息，对车辆进行定位得到车辆定位信息；

所述静态地图模块，用于根据所述车辆定位信息获取以车辆为中心的指定范围内的静态地图；

所述场景数据模块，用于通过多传感器提取车辆周边的环境信息，并基于所述环境信息，进行障碍物识别、可行驶区域提取以及障碍物融合与跟踪，得到场景数据；

所述电子地图模块，用于将所述场景数据结合所述静态地图，生成高精度电子地图。

10.如权利要求9所述的系统，其特征在于，所述定位模块，具体用于：

基于所述车辆基本构造信息，结合卫星导航系统获取的车辆定位坐标，得到车辆所在的三维立体坐标信息；

以所述三维立体坐标信息结合路网数据中心的数据，确定车辆在路网数据中心的投影坐标作为车辆定位信息。

Images