CN116340307A - 坡道图层生成方法和装置、高精度地图及电子设备 - Google Patents

Abstract

本公开涉及坡道图层生成方法和装置、高精度地图及电子设备。该方法应用于无人驾驶设备，即自动驾驶设备或无人车，包括：获取作业区域的数字地形模型数据，其中，数字地形模型数据包括数字地形模型数据在不同分辨率下的地形因子；基于数字地形模型数据在目标分辨率下的地形因子对数字地形模型数据进行过滤，得到目标数字地形模型数据；对目标数字地形模型数据进行分割，得到多个目标数字地形模型数据簇；对多个目标数字地形模型数据簇进行边界提取，得到多个目标边界多边形作为坡道图层。本公开能够基于数字地形模型数据中的地形因子生成坡道图层，因此，减少了坡道图层的数据量，满足了无人驾驶的实时性要求，保证了无人驾驶车辆的行驶安全性。

Description

坡道图层生成方法和装置、高精度地图及电子设备

技术领域

本公开涉及自动驾驶和/或电子地图技术领域，尤其涉及一种坡道图层生成方法、装置、高精度地图、电子设备及计算机可读存储介质。

背景技术

露天采矿是一个移走矿体上的覆盖物，得到所需矿物的过程，其生产过程包括穿孔、爆破、采装、运输、排土等作业流程。随着无人驾驶技术的不断发展，无人驾驶在矿车上的应用应运而生，目前，诸如装载、运输、排土等作业主要由无人驾驶矿车完成。随着露天矿区无人驾驶技术的深入研究，矿区无人驾驶对于高精度地图的需求也越来越高，不仅要求矢量地图达到厘米级精度，同时还需要针对采装作业导致的地形高频变化进行快速地更新。

目前，通过车载激光雷达采集地形变化区域的高精度高密度点云数据，并基于采集到的点云数据生成高分辨率的数字高程模型（Digital Elevation Model，DEM）数据，用于矢量地图的高精度高频率生产更新。同时，基于高分辨率的数字高程模型数据和不同车型参数的无人驾驶车辆（例如，无人驾驶矿车）的不同需求，可以生成不同分辨率的数字地形模型（Digital Terrain Model，DTM）数据，得到包含路面坡度、坡向、颠簸度等的地形因子。

相关技术中，在进行全局路径规划或局部路径规划时，为了保证无人驾驶车辆的行驶安全性，除了要考虑感知避障、路径效率之外，还要结合车辆动力学特征考虑路面坡度大小、坡向变化率大小等因素，以对无人驾驶车辆进行适当地限速，因此，需要参考数字地形模型数据中的坡度和坡向地形因子。然而，直接使用数字地形模型数据会由于数据量过大、计算耗时等原因导致无法满足无人驾驶的实时性要求，进而无法保证无人驾驶车辆的行驶安全性。

发明内容

有鉴于此，本公开实施例提供了一种坡道图层生成方法、装置、高精度地图、电子设备及计算机可读存储介质，以解决相关技术中存在的由于数字地形模型数据量过大、计算耗时等原因导致的无法满足无人驾驶的实时性要求的问题。

本公开实施例的第一方面，提供了一种坡道图层生成方法，包括：获取作业区域的数字地形模型数据，其中，数字地形模型数据包括数字地形模型数据在不同分辨率下的地形因子；基于数字地形模型数据在目标分辨率下的地形因子对数字地形模型数据进行过滤，得到目标数字地形模型数据；对目标数字地形模型数据进行分割，得到多个目标数字地形模型数据簇；对多个目标数字地形模型数据簇进行边界提取，得到多个目标边界多边形作为坡道图层。

本公开实施例的第二方面，提供了一种坡道图层生成装置，包括：获取模块，被配置为获取作业区域的数字地形模型数据，其中，数字地形模型数据包括数字地形模型数据在不同分辨率下的地形因子；过滤模块，被配置为基于数字地形模型数据在目标分辨率下的地形因子对数字地形模型数据进行过滤，得到目标数字地形模型数据；分割模块，被配置为对目标数字地形模型数据进行分割，得到多个目标数字地形模型数据簇；提取模块，被配置为对多个目标数字地形模型数据簇进行边界提取，得到多个目标边界多边形作为坡道图层。

本公开实施例的第三方面，提供了一种高精度地图，包括通过上述方法的步骤所生成的坡道图层。

本公开实施例的第四方面，提供了一种电子设备，包括至少一个处理器；用于存储至少一个处理器可执行指令的存储器；其中，至少一个处理器用于执行指令，以实现上述方法的步骤。

本公开实施例的第五方面，提供了一种计算机可读存储介质，当计算机可读存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行上述方法的步骤。

本公开实施例采用的上述至少一个技术方案能够达到以下有益效果：通过获取作业区域的数字地形模型数据，其中，数字地形模型数据包括数字地形模型数据在不同分辨率下的地形因子；基于数字地形模型数据在目标分辨率下的地形因子对数字地形模型数据进行过滤，得到目标数字地形模型数据；对目标数字地形模型数据进行分割，得到多个目标数字地形模型数据簇；对多个目标数字地形模型数据簇进行边界提取，得到多个目标边界多边形作为坡道图层，能够基于数字地形模型数据中的地形因子生成坡道图层，因此，减少了坡道图层的数据量，提高了坡道图层的计算结果的精确度，满足了无人驾驶的实时性要求，保证了无人驾驶车辆的行驶安全性。

附图说明

为了更清楚地说明本公开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公开的一些实施例，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它的附图。

图1为本公开一示例性实施例提供的一种坡道图层生成方法的流程示意图。

图2a至图2c为本公开一示例性实施例提供的数字地形模型数据的过滤过程的示意图。

图3为本公开一示例性实施例提供的目标数字地形模型数据簇的边界提取的示意图。

图4为本公开一示例性实施例提供的基于坡向分割目标边界多边形的示意图。

图5为本公开一示例性实施例提供的另一种坡道图层生成方法的流程示意图。

图6为本公开一示例性实施例提供的一种坡道图层生成装置的结构示意图。

图7为本公开一示例性实施例提供的电子设备的结构示意图。

图8为本公开一示例性实施例提供的计算机系统的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

下面将结合附图详细说明根据本公开实施例的一种坡道图层生成方法和装置。

图1为本公开一示例性实施例提供的一种坡道图层生成方法的流程示意图。图1的坡道图层生成方法可以由自动驾驶系统或远程驾驶系统中的服务器或电子设备执行。如图1所示，该坡道图层生成方法包括：

S101，获取作业区域的数字地形模型数据，其中，数字地形模型数据包括数字地形模型数据在不同分辨率下的地形因子；

S102，基于数字地形模型数据在目标分辨率下的地形因子对数字地形模型数据进行过滤，得到目标数字地形模型数据；

S103，对目标数字地形模型数据进行分割，得到多个目标数字地形模型数据簇；

S104，对多个目标数字地形模型数据簇进行边界提取，得到多个目标边界多边形作为坡道图层。

具体地，以自动驾驶系统中的服务器为例，服务器通过安装在无人驾驶车辆上的数据采集装置实时采集作业区域的点云数据，并基于采集到的点云数据生成高分辨率的数字高程模型数据，用于为自动驾驶场景下的高精度地图、地形分析、决策规划等提供基础地形数据支持。在露天矿的开采过程中，由于不同类型的无人驾驶车辆的车型参数（例如，车轮尺寸、车体大小等）不同，因此，为了保证无人驾驶的安全性，可以基于类型对无人驾驶车辆进行划分，并针对不同类型的无人驾驶车辆对高分辨率的数字高程模型数据进行等距切分，得到不同分辨率的数字高程模型数据。

进一步地，服务器基于不同分辨率的数字高程模型数据生成不同分辨率的数字地形模型数据，使得在对不同类型的无人驾驶车辆进行全局路径规划或局部路径规划时，可以使用不同分辨率的数字地形模型数据。例如，对于车轮或车体相对小的无人驾驶车辆，可以采用分辨率相对高的数字地形模型数据；对于车轮或车体相对大的无人驾驶车辆，可以采用分辨率相对低的数字地形模型数据，这样可以提高无人驾驶车辆在行驶过程中的作业效率。

这里，自动驾驶系统是指由硬件和软件组成的能够持续执行部分或者全部动态驾驶任务（Dynamic Driving Task）的系统。动态驾驶任务是指完成车辆驾驶所需的感知、决策和执行，即，包括驾驶道路车辆时所有实时的操作类和战术类功能，不包括规划类功能，例如，行程计划、目的地和路径的选择等。示例性地，动态驾驶任务可以包括但不限于控制车辆横向运动、控制车辆纵向运动、通过对目标和事件进行探测、识别、分类来监视驾驶环境并准备响应，执行响应、驾驶决策、控制车辆照明及信号装置等。

服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络（Content Delivery Network，CDN）、以及大数据和人工智能平台等基础云计算服务的云服务器，本公开实施例对此不作限制。

无人驾驶车辆是指通过车载传感系统来感知车辆周围环境，并根据感知所获得的道路、车辆位置和障碍物信息等，控制车辆的转向和速度，从而使车辆能够安全、可靠地在道路上行驶。无人驾驶车辆可以是具备数据采集功能且具有自主驾驶功能的车辆，也可以是由具有自主驾驶功能的车辆组成的自主驾驶车队，本公开实施例对此不作限制。在本公开实施例中，无人驾驶车辆可以包括但不限于安装有数据采集装置的宽体车、大矿卡、采集车和铲车等，采集装置可以包括但不限于激光雷达、毫米波雷达、超声波雷达、摄像机等。

作业可以是导致地形发生变化的各种社会活动，包括但不限于道路施工（对于地面的平坦度等产生影响）、放置物体至特定区域（增加部分区域的高度）、由特定区域移除物体（减少部分区域的高度）、活动时引起路面地形变化（部分区域凹陷或者凸出）。示例性地，排土作业是指向排土场排卸诸如土石方等剥离物的作业。

作业区域是指无人驾驶车辆在矿区执行装载、运输、排土等作业过程中所处的区域，即，无人驾驶车辆沿行进方向能够识别的区域范围。作业区域可以处于封闭式空间，也可以处于开放式空间，或者还可以是未开辟道路的空间环境。封闭式空间例如可以是露天矿区环境。在本公开实施例中，作业区域是指无人驾驶车辆在露天矿区执行装载、运输、排土等作业过程中所处的区域。

数字高程模型（Digital Elevation Model，DEM）是指通过有限的地形高程实现对地形曲面的数字化模拟或者说是地形表面形态的数字化表示，即，通过栅格化地形表面并记录每个栅格点的高程，用以表征地形特征，是各种地形分析的基础数据。在本公开实施例中，高精度数字高程模型数据的分辨率为0.1m，即，每个像素代表的地面面积为0.1米×0.1米。

数字地形模型（Digital Terrain Model，DTM）也称数字地面模型，是指描述包括高程在内及坡度、坡向、坡度变化率等各种地形因子的线性和非线性组合的空间分布，用以对土地利用现状进行分析的基础数据。数字地形模型数据的分辨率可以包括但不限于0.4m、2.5m、5.0m等。在本公开实施例中，考虑到矿区常用的宽体车一般在40吨至90吨左右，单车轮的长宽分别在1.5m和0.4m左右，故选取2.5m分辨率的数字地形模型数据。

接下来，服务器获取作业区域的不同分辨率的数字地形模型数据，该数字地形模型数据包括数字地形模型数据在不同分辨率下的地形因子。由于露天矿区的地形比较复杂，一般以非结构化道路为主，并且路面坡度、坡向、颠簸度等地形因子在不同区域变化很大，因此，为了保证无人驾驶车辆的行驶安全性，在前期全局路径规划、局部路径规划或实时感知决策时，必须考虑地形因素的影响。

这里，地形因子（Terrain Factor）用于描述地形的参数，包括但不限于经度、纬度、海拔、坡度、坡向、坡位、地表粗糙度、地形起伏度、坡形等。优选地，在本公开实施例中，地形因子包括坡度和坡向。

进一步地，由于局部地形异常或不平整，可能会导致该区域的地形因子异常，形成噪音点而影响后续的坡道图层的计算，因此，在获取到数字地形模型数据后，为了提高数字地形模型数据的精度，服务器基于数字地形模型数据在目标分辨率下的地形因子对数字地形模型数据进行过滤处理（即，滤除数字地形模型数据中的噪音点）得到目标数字地形模型数据，并对得到的目标数字地形模型数据进行分割得到多个目标数字地形模型数据簇，这里，目标数字地形模型数据簇是多个目标数字地形模型数据组成的数字地形模型数据集合；服务器对多个目标数字地形模型数据簇进行边界提取，得到多个目标边界多边形作为坡道图层。

根据本公开实施例提供的技术方案，通过获取作业区域的数字地形模型数据，其中，数字地形模型数据包括数字地形模型数据在不同分辨率下的地形因子；基于数字地形模型数据在目标分辨率下的地形因子对数字地形模型数据进行过滤，得到目标数字地形模型数据；对目标数字地形模型数据进行分割，得到多个目标数字地形模型数据簇；对多个目标数字地形模型数据簇进行边界提取，得到多个目标边界多边形作为坡道图层，能够基于数字地形模型数据中的地形因子生成坡道图层，因此，减少了坡道图层的数据量，提高了坡道图层的计算结果的精确度，满足了无人驾驶的实时性要求，保证了无人驾驶车辆的行驶安全性。

在一些实施例中，地形因子包括坡度，基于数字地形模型数据在目标分辨率下的地形因子对数字地形模型数据进行过滤，得到目标数字地形模型数据，包括：基于坡度分级确定作业区域中的目标作业区域，并获取目标作业区域的数字地形模型数据，其中，坡度分级是基于坡度对坡道进行划分得到的；利用腐蚀算法和膨胀算法对目标作业区域的数字地形模型数据进行开运算，得到目标数字地形模型数据。

具体地，地形因子包括坡度，考虑到车辆动力学要求，可以基于坡度对坡道进行划分，得到坡度分级；服务器基于坡度分级确定作业区域中的目标作业区域，并获取目标作业区域的数字地形模型数据；进一步地，服务器利用腐蚀算法和膨胀算法对目标作业区域的数字地形模型数据进行开运算，得到目标数字地形模型数据。

这里，坡度用于表征地表单元陡缓的程度，通常将坡面的垂直高度“h”和水平方向的距离“l”的比称为“坡度”或“坡比”，用字母“i”表示。坡度的计算公式为i=h/l×100%，示例性地，坡度8%（即，坡度为8度）是指水平距离每100米，垂直方向上升（下降）8米。

坡度分级可以是坡度为0°至3°的坡面为0级，即，平坡；坡度为3°至6°的坡面为1级，即，缓坡；坡度为6°至10°的坡面为2级，即，中坡；坡度为10°至35°的坡面为3级，即，陡坡；坡度为35°以上的坡面为4级，即，险坡。

需要说明的是，由于坡度过大会对无人驾驶车辆的行驶安全性造成影响，进而增加矿区作业的危险性，因此，将险坡作为危险区域，而不列入可行驶区域。此外，还需要说明的是，可以用不同的颜色表征不同的坡度分级，例如，蓝色代表0级，绿色代表1级，黄色代表2级，红色代表3级。

目标作业区域是指作业区域中除了危险区域之外的区域，目标作业区域的数字地形模型数据包括平坡、缓坡、中坡和陡坡四个坡度分级对应的数字地形模型数据。

腐蚀算法可以滤除边界点，使边界向内部收缩；也就是说，腐蚀算法可以用来滤除小且无意义的物体。膨胀算法可以将与物体接触的所有背景点合并到该物体中，使边界向外部扩张；也就是说，膨胀算法可以用来填补物体中的空洞。开运算是指先腐蚀后膨胀的运算。

需要说明的是，本公开实施例不限于如上所述的开运算，也可以对目标作业区域的数字地形模型数据进行闭运算，即，先膨胀后腐蚀的运算。

下面，参照图2a至图2c，对数字地形模型数据的过滤过程进行说明。

具体地，图2a是2.5m分辨率的数字地形模型数据，即，原始坡道点集，如图2a所示，原始坡道点集中有很多杂乱的噪音点；对原始坡道点集进行腐蚀处理，可以滤除大部分噪音点，得到腐蚀后的坡道点集，如图2b所示；进一步地，对腐蚀后的坡道点集进行膨胀处理，使得坡道点覆盖范围恢复，同时滤除大部分噪音点，如图2c所示；将膨胀后的坡道点集作为目标数字地形模型数据。

根据本公开实施例提供的技术方案，通过基于坡道分级对数字地形模型数据进行腐蚀和膨胀处理，能够更好地扩充目标作业区域，并有效地滤除孤立的噪音点，使得目标作业区域更加明显，轮廓更加清晰，从而有助于后续目标边界多边形的生成。

在一些实施例中，对目标数字地形模型数据进行分割，得到多个目标数字地形模型数据簇，包括：基于坡度分级的预设阈值对目标数字地形模型数据进行聚类，得到多个第一数字地形模型数据簇；利用区域生长算法对多个第一数字地形模型数据簇进行划分，得到多个第二数字地形模型数据簇；对多个第二数字地形模型数据簇进行过滤，得到多个目标数字地形模型数据簇。

具体地，考虑到平坡不会对无人驾驶车辆的行驶安全性造成影响，因此，为了保证数据的准确性和高可用性，不将平坡区域作为目标作业区域。服务器可以基于坡度分级的预设阈值对目标数字地形模型数据进行聚类，得到的多个第一数字地形模型数据簇，并利用区域生长算法对多个第一数字地形模型数据簇进行划分，得到多个第二数字地形模型数据簇；进一步地，服务器基于预设点数和/或预设面积对多个第二数字地形模型数据簇进行过滤，得到多个目标数字地形模型数据簇。

这里，预设阈值可以是用户根据经验数据预先设置的阈值，也可以是用户根据实际需要对已设置的阈值进行调整后得到的阈值，本公开实施例对此不作限制。考虑到坡度分级通常为0至5级，预设阈值可以为1至4范围内的任一值。优选地，在本公开实施例中，预设阈值为3。

例如，当预设阈值为2时，可以将3°至10°的坡道点进行聚类，即，将缓坡和中坡对应的目标数字地形模型数据进行聚类；也可以将6°至35°的坡道点进行聚类，即，将中坡和陡坡对应的目标数字地形模型数据进行聚类；或者还可以将3°至6°的坡道点和10°至35°的坡道点进行聚类，即，将缓坡和陡坡对应的目标数字地形模型数据进行聚类。当预设阈值为3时，可以将3°至35°的坡道点进行聚类，即，将缓坡、中坡和陡坡对应的目标数字地形模型数据进行聚类。

聚类（Clustering）是指按照某个特定标准将一个数据集分割成不同的类或簇（Cluster），使得同一个簇内的数据对象的相似性尽可能大，同时不在同一个簇中的数据对象的差异性也尽可能地大。聚类方法可以包括但不限于基于层次的聚类、基于划分的聚类、基于密度的聚类、基于网格的聚类和基于模型的聚类。

需要说明的是，在本公开实施例中，通过聚类处理得到的多个第一数字地形模型数据簇中的每个第一数字地形模型数据簇可以包括一个或多个坡度分级对应的目标数字地形模型数据；也就是说，每个第一数字地形模型数据簇包括的多个目标数字地形模型数据可以属于同一坡度分级，也可以属于不同的坡度分级。

区域生长算法是将有相似性质的像素点合并到一起。对每一个区域要先指定一个种子点作为生长的起点，然后将种子点周围区域的像素点与种子点进行对比，将具有相似性质的点合并起来继续向外生长，直到没有满足条件的像素被包括进来为止。

预设点数可以是用户根据经验数据预先设置的坡道点数量，也可以是用户根据实际需要对已设置的坡道点数量进行调整后得到的坡道点数量，本公开实施例对此不作限制。预设点数可以为30至50范围内的任一值。优选地，在本公开实施例中，预设点数为40个，即，滤除多个第二数字地形模型数据簇中坡道点数量小于40的第二数字地形模型数据簇。

预设面积可以是用户根据经验数据预先设置的数字地形模型数据簇的面积，也可以是用户根据实际需要对已设置的数字地形模型数据簇的面积进行调整后得到的数字地形模型数据簇的面积，本公开实施例对此不作限制。在本公开实施例中，预设面积为0.5m×0.5m，即，滤除多个第二数字地形模型数据簇中面积小于0.5m×0.5m的第二数字地形模型数据簇。

根据本公开实施例提供的技术方案，通过基于坡度分级对目标数字地形模型数据进行聚类和分割处理，能够根据实际需要滤除异常的噪音点，因此，提高了数据的准确性和可靠性。

在一些实施例中，对多个目标数字地形模型数据簇进行边界提取，得到多个目标边界多边形作为坡道图层，包括：利用散点轮廓算法，获取多个目标数字地形模型数据簇中的每个目标数字地形模型数据簇的多个边界点；将多个边界点依次连接，得到目标数字地形模型数据簇的外轮廓作为坡道图层。

具体地，在得到多个目标数字地形模型数据簇后，服务器可以利用散点轮廓算法获取多个目标数字地形模型数据簇中的每个目标数字地形模型数据簇的多个边界点，并将多个边界点依次连接，得到目标数字地形模型数据簇的外轮廓，如图3所示。

这里，散点轮廓（Alpha Shapes）算法又称为滚球法，是一种提取边界点的算法。在本公开实施例中，利用散点轮廓算法提取目标数字地形模型数据簇的外轮廓的过程可以是使用alpha半径（对于2.5m分辨率的数字地形模型数据，alpha半径可以设定为5.5m）的圆，沿目标数字地形模型数据簇边缘滚动，形成一个完整、闭合的目标数字地形模型数据簇的外轮廓。

需要说明的是，散点轮廓算法通常用于点云轮廓提取或三维重建，一般来说，alpha的值越小，结果越精确。

根据本公开实施例提供的技术方案，通过利用散点轮廓算法，能够快速准确地提取出边界点。

在一些实施例中，地形因子包括坡向，该方法还包括：获取多个目标边界多边形中的每个目标边界多边形的坡向信息；在基于坡向信息确定目标边界多边形发生坡向变化的情况下，确定目标边界多边形发生坡向变化的位置；基于发生坡向变化的位置对目标边界多边形进行分割，得到至少两个子目标边界多边形作为坡道图层。

具体地，地形因子还包括坡向，考虑到矿区路面可能存在一段连续且较长的上坡或下坡，同时伴随有相对大的坡向变化，因此，在实际应用中，为了保证无人驾驶车辆的行驶安全性，服务器可以获取多个目标边界多边形中的每个目标边界多边形的坡向信息，并基于坡向信息确定目标边界多边形发生坡向变化的位置；进一步地，服务器基于发生坡向变化的位置对目标边界多边形进行分割，得到坡向大体一致的两个或多个子目标边界多边形，如图4所示。

这里，坡向用于表征坡面法线在水平面上的投影的方向（由高至低的方向）。坡向以度为单位按顺时针方向进行测量，角度范围介于0度（正北）到360度（仍是正北）之间。坡向格网中各像元的值均表示该像元的坡度所面对的方向。平坡没有方向，平坡的值被指定为-1。

根据本公开实施例提供的技术方案，通过基于坡向变化对一个完整且有较大转弯的边界多边形进行分割，能够得到坡向大体一致的至少两个边界多边形，进而能够为无人驾驶车辆的路径规划和决策控制提供地形数据支持。

在一些实施例中，该方法还包括：将坡道图层融合至高精度地图中。

具体地，在生成坡道图层后，服务器将新生成的目标作业区域的坡道图层与高精度地图进行融合，得到融合后的高精度地图；如果高精度地图中没有目标作业区域的坡道图层，则融合后的高精度地图中会增加该坡道图层，即，将新生成的坡道图层添加到高精度地图中；如果高精度地图中已有目标作业区域的坡道图层，则融合后的高精度地图中会用新生成的坡道图层覆盖或替换已有的坡道图层，以保证高精度地图的准确性。

这里，高精度地图（High Definition Map，HD map）也称高精地图，是指绝对精度和相对精度均在1米以内的高精度、高新鲜度、高丰富度的电子地图。高精度地图可以帮助车辆预知道路信息、环境对象信息、实时动态信息等，以更好地规避潜在的风险。道路信息可以包括但不限于道路类型、坡度、曲率、车道线位置等。环境对象信息可以包括但不限于路边基础设施、障碍物、交通标志等。实时动态信息可以包括但不限于交通参与者、事件等。

另外，从数据变化频率的角度考虑，可以将高精度地图划分为静态地图和动态地图。静态地图是指更新频率为月、天级别的数据，动态地图是指变化频率为小时、分钟、秒级别的数据。示例性地，露天矿区内主要的动态数据是矿区内的车辆和矿区道路上的障碍物等事件上报数据。

高精度地图数据是自动驾驶的基础。高精度地图数据可以包括两个地图层级，即，静态高精度地图层级和动态高精度地图层级。静态高精度地图层级为底部地图层级，可以提供包括语义信息的车道模型、道路部件、道路属性等矢量信息，此外，还可以包括用于多传感器定位的特征图层。

根据本公开实施例提供的技术方案，通过将坡道图层与高精度地图进行融合，能够为自动驾驶系统提供准确且有效的地形数据支持，使得自动驾驶系统基于融合后的高精度地图为无人驾驶车辆提供更好的路径规划并做出正确的决策控制，因此，保证了自动驾驶系统的计算实时性，进而保证了无人驾驶车辆的行驶安全性。

上述所有可选技术方案，可以采用任意结合形成本公开的可选实施例，在此不再一一赘述。此外，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，而不应对本公开实施例的实施过程构成任何限定。

图5为本公开一示例性实施例提供的另一种坡道图层生成方法的流程示意图。图5的坡道图层生成方法可以由自动驾驶系统或远程驾驶系统中的服务器或电子设备执行。如图5所示，该坡道图层生成方法包括：

S501，获取作业区域的数字地形模型数据，其中，数字地形模型数据包括该数字地形模型数据在不同分辨率下的地形因子，地形因子包括坡度和坡向；

S502，基于坡度分级确定作业区域中的目标作业区域，并获取目标作业区域的数字地形模型数据，其中，坡度分级是基于坡度对坡道进行划分得到的；

S503，利用腐蚀算法和膨胀算法，对目标作业区域的数字地形模型数据进行开运算，得到目标数字地形模型数据；

S504，基于坡度分级的预设阈值对目标数字地形模型数据进行聚类，得到多个第一数字地形模型数据簇；

S505，利用区域生长算法对多个第一数字地形模型数据簇进行划分，得到多个第二数字地形模型数据簇；

S506，对多个第二数字地形模型数据簇进行过滤，得到多个目标数字地形模型数据簇；

S507，利用散点轮廓算法，获取多个目标数字地形模型数据簇中的每个目标数字地形模型数据簇的多个边界点；

S508，将多个边界点依次连接，得到目标数字地形模型数据簇的外轮廓作为坡道图层；

S509，获取多个目标边界多边形中的每个目标边界多边形的坡向信息；

S510，基于坡向信息确定目标边界多边形是否发生坡向变化，如果是，则执行S511；否则，执行S513；

S511，确定目标边界多边形发生坡向变化的位置；

S512，基于发生坡向变化的位置对目标边界多边形进行分割，得到至少两个子目标边界多边形作为坡道图层；

S513，将坡道图层融合至高精度地图中。

根据本公开实施例提供的技术方案，通过基于坡度对目标作业区域中的坡道进行划分，并利用腐蚀算法和膨胀算法对目标作业区域的数字地形模型数据进行开运算，能够有效地滤除目标作业区域中的异常地形点，因此，提高了坡道图层的计算结果的精确度。进一步地，通过对目标数字地形模型数据进行聚类和分级，并利用散点轮廓算法对目标数字地形模型数据簇的多个边界点进行提取，能够精确且高效地计算出坡道多边形。此外，通过基于坡向对坡道多边形进行聚类分割，并将得到的坡向总体一致的子坡道多边形作为坡道图层融合至高精度地图中，能够为无人驾驶车辆的路径规划和决策控制提供地形数据支持，因此，保证了自动驾驶系统的计算实时性，进而保证了无人驾驶车辆的行驶安全性。

在采用对应各个功能划分各个功能模块的情况下，本公开实施例提供了一种坡道图层生成装置，该坡道图层生成装置可以为服务器或应用于服务器的芯片。图6为本公开一示例性实施例提供的一种坡道图层生成装置的结构示意图。如图6所示，该坡道图层生成装置600包括：

获取模块601，被配置为获取作业区域的数字地形模型数据，其中，数字地形模型数据包括数字地形模型数据在不同分辨率下的地形因子；

过滤模块602，被配置为基于数字地形模型数据在目标分辨率下的地形因子对数字地形模型数据进行过滤，得到目标数字地形模型数据；

分割模块603，被配置为对目标数字地形模型数据进行分割，得到多个目标数字地形模型数据簇；

提取模块604，被配置为对多个目标数字地形模型数据簇进行边界提取，得到多个目标边界多边形作为坡道图层。

根据本公开实施例提供的技术方案，通过获取作业区域的数字地形模型数据，其中，数字地形模型数据包括数字地形模型数据在不同分辨率下的地形因子；基于数字地形模型数据在目标分辨率下的地形因子对数字地形模型数据进行过滤，得到目标数字地形模型数据；对目标数字地形模型数据进行分割，得到多个目标数字地形模型数据簇；对多个目标数字地形模型数据簇进行边界提取，得到多个目标边界多边形作为坡道图层，能够基于数字地形模型数据中的地形因子生成坡道图层，因此，减少了坡道图层的数据量，提高了坡道图层的计算结果的精确度，满足了无人驾驶的实时性要求，保证了无人驾驶车辆的行驶安全性。

在一些实施例中，地形因子包括坡度，图6的过滤模块602基于坡度分级确定作业区域中的目标作业区域，并获取目标作业区域的数字地形模型数据，其中，坡度分级是基于坡度对坡道进行划分得到的；利用腐蚀算法和膨胀算法对目标作业区域的数字地形模型数据进行开运算，得到目标数字地形模型数据。

在一些实施例中，图6的分割模块603基于坡度分级的预设阈值对目标数字地形模型数据进行聚类，得到多个第一数字地形模型数据簇；利用区域生长算法对多个第一数字地形模型数据簇进行划分，得到多个第二数字地形模型数据簇；对多个第二数字地形模型数据簇进行过滤，得到多个目标数字地形模型数据簇。

在一些实施例中，图6的提取模块604利用散点轮廓算法，获取多个目标数字地形模型数据簇中的每个目标数字地形模型数据簇的多个边界点；将多个边界点依次连接，得到目标数字地形模型数据簇的外轮廓作为坡道图层。

在一些实施例中，地形因子包括坡向，图6的坡道图层生成装置600还包括：确定模块605，其中，获取模块601获取多个目标边界多边形中的每个目标边界多边形的坡向信息；确定模块605被配置为在基于坡向信息确定目标边界多边形发生坡向变化的情况下，确定目标边界多边形发生坡向变化的位置；图6的分割模块603基于发生坡向变化的位置对目标边界多边形进行分割，得到至少两个子目标边界多边形作为坡道图层。

在一些实施例中，图6的坡道图层生成装置600还包括：融合模块606，被配置为将坡道图层融合至高精度地图中。

上述装置中各个模块的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。

本公开实施例还提供一种高精度地图，包括通过本公开实施例公开的上述坡道图层生成方法的步骤所生成的坡道图层。

本公开实施例还提供一种电子设备，包括：至少一个处理器；用于存储至少一个处理器可执行指令的存储器；其中，至少一个处理器用于执行指令，以实现本公开实施例公开的上述坡道图层生成方法的步骤。

图7为本公开一示例性实施例提供的电子设备的结构示意图。如图7所示，该电子设备700包括至少一个处理器701以及耦接至处理器701的存储器702，该处理器701可以执行本公开实施例公开的上述方法中的相应步骤。

上述处理器701还可以称为中央处理单元（Central Processing Unit，CPU），其可以是一种集成电路芯片，具有信号的处理能力。本公开实施例公开的上述方法中的各步骤可以通过处理器701中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器701可以是通用处理器、数字信号处理器（Digital Signal Processing，DSP）、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。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。结合本公开实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储器702中，例如随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质。处理器701读取存储器702中的信息，结合其硬件完成上述方法的步骤。

另外，根据本公开的各种操作/处理在通过软件和/或固件实现的情况下，可从存储介质或网络向具有专用硬件结构的计算机系统，例如，图8所示的计算机系统800安装构成该软件的程序，该计算机系统在安装有各种程序时，能够执行各种功能，包括诸如前文所述的功能等等。图8为本公开一示例性实施例提供的计算机系统的结构示意图。

计算机系统800旨在表示各种形式的数字电子的计算机设备，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图8所示，计算机系统800包括计算单元801，该计算单元801可以根据存储在只读存储器（ROM）802中的计算机程序或者从存储单元808加载到随机存取存储器（RAM）803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储计算机系统800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出（I/O）接口805也连接至总线804。

计算机系统800中的多个部件连接至I/O接口805，包括：输入单元806、输出单元807、存储单元808以及通信单元809。输入单元806可以是能向计算机系统800输入信息的任何类型的设备，输入单元806可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入。输出单元807可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元808可以包括但不限于磁盘、光盘。通信单元809允许计算机系统800通过网络诸如因特网的与其他设备交换信息/数据，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如，蓝牙TM设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。

计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元（CPU）、图形处理单元（GPU）、各种专用的人工智能（AI）计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器（DSP）、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理。例如，在一些实施例中，本公开实施例公开的上述方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如，存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到电子设备800上。在一些实施例中，计算单元801可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行本公开实施例公开的上述方法。

本公开实施例还提供一种计算机可读存储介质，其中，当计算机可读存储介质中的指令由电子设备的处理器执行时，使得该电子设备能够执行本公开实施例公开的上述方法。

本公开实施例中的计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。上述计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。更具体的，上述计算机可读存储介质可以包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD-ROM）、光学储存设备、磁储存设备、或上述内容的任何合适组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

本公开实施例还提供一种计算机程序产品，包括计算机程序，其中，该计算机程序被处理器执行时实现本公开实施例公开的上述方法。

在本公开的实施例中，可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言，诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络（包括局域网（LAN）或广域网（WAN））连接到用户计算机，或者，可以连接到外部计算机。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的模块、部件或单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块、部件或单元的名称在某种情况下并不构成对该模块、部件或单元本身的限定。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示例性的硬件逻辑部件包括：现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、片上系统（SOC）、复杂可编程逻辑设备（CPLD）等等。

以上描述仅为本公开的一些实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。

虽然已经通过示例对本公开的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上示例仅是为了进行说明，而不是为了限制本公开的范围。本领域的技术人员应该理解，可在不脱离本公开的范围和精神的情况下，对以上实施例进行修改。本公开的范围由所附权利要求来限定。

Claims (10)

1.一种坡道图层生成方法，其特征在于，包括：

获取作业区域的数字地形模型数据，其中，所述数字地形模型数据包括所述数字地形模型数据在不同分辨率下的地形因子；

基于所述数字地形模型数据在目标分辨率下的地形因子对所述数字地形模型数据进行过滤，得到目标数字地形模型数据；

对所述目标数字地形模型数据进行分割，得到多个目标数字地形模型数据簇；

对所述多个目标数字地形模型数据簇进行边界提取，得到多个目标边界多边形作为坡道图层。

2.根据权利要求1所述的方法，其特征在于，所述地形因子包括坡度，所述基于所述数字地形模型数据在目标分辨率下的地形因子对所述数字地形模型数据进行过滤，得到目标数字地形模型数据，包括：

基于坡度分级确定所述作业区域中的目标作业区域，并获取所述目标作业区域的数字地形模型数据，其中，所述坡度分级是基于所述坡度对坡道进行划分得到的；

利用腐蚀算法和膨胀算法对所述目标作业区域的数字地形模型数据进行开运算，得到所述目标数字地形模型数据。

3.根据权利要求2所述的方法，其特征在于，所述对所述目标数字地形模型数据进行分割，得到多个目标数字地形模型数据簇，包括：

基于所述坡度分级的预设阈值对所述目标数字地形模型数据进行聚类，得到多个第一数字地形模型数据簇；

利用区域生长算法对所述多个第一数字地形模型数据簇进行划分，得到多个第二数字地形模型数据簇；

对所述多个第二数字地形模型数据簇进行过滤，得到所述多个目标数字地形模型数据簇。

4.根据权利要求1所述的方法，其特征在于，所述对所述多个目标数字地形模型数据簇进行边界提取，得到多个目标边界多边形作为坡道图层，包括：

利用散点轮廓算法，获取所述多个目标数字地形模型数据簇中的每个目标数字地形模型数据簇的多个边界点；

将所述多个边界点依次连接，得到所述目标数字地形模型数据簇的外轮廓作为所述坡道图层。

5.根据权利要求1所述的方法，其特征在于，所述地形因子包括坡向，所述方法还包括：

获取所述多个目标边界多边形中的每个目标边界多边形的坡向信息；

在基于所述坡向信息确定所述目标边界多边形发生坡向变化的情况下，确定所述目标边界多边形发生坡向变化的位置；

基于所述发生坡向变化的位置对所述目标边界多边形进行分割，得到至少两个子目标边界多边形作为所述坡道图层。

6.根据权利要求1至5中任一项所述的方法，其特征在于，所述方法还包括：

将所述坡道图层融合至高精度地图中。

7.一种坡道图层生成装置，其特征在于，包括：

获取模块，被配置为获取作业区域的数字地形模型数据，其中，所述数字地形模型数据包括所述数字地形模型数据在不同分辨率下的地形因子；

过滤模块，被配置为基于所述数字地形模型数据在目标分辨率下的地形因子对所述数字地形模型数据进行过滤，得到目标数字地形模型数据；

分割模块，被配置为对所述目标数字地形模型数据进行分割，得到多个目标数字地形模型数据簇；

提取模块，被配置为对所述多个目标数字地形模型数据簇进行边界提取，得到多个目标边界多边形作为坡道图层。

8.一种高精度地图，其特征在于，所述高精度地图包括通过如权利要求1至6中任一项所述的坡道图层生成方法所生成的坡道图层。

9.一种电子设备，其特征在于，包括：

至少一个处理器；

用于存储所述至少一个处理器可执行指令的存储器；

其中，所述至少一个处理器用于执行所述指令，以实现如权利要求1至6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，当所述计算机可读存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行如权利要求1至6中任一项所述的方法。

Images