CN116358573B - 地图建立方法、装置、存储介质以及车辆 - Google Patents

地图建立方法、装置、存储介质以及车辆 Download PDF

Info

Publication number
CN116358573B
CN116358573B CN202310637714.2A CN202310637714A CN116358573B CN 116358573 B CN116358573 B CN 116358573B CN 202310637714 A CN202310637714 A CN 202310637714A CN 116358573 B CN116358573 B CN 116358573B
Authority
CN
China
Prior art keywords
pose
vehicle
map
loop
point cloud
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.)
Active
Application number
CN202310637714.2A
Other languages
English (en)
Other versions
CN116358573A (zh
Inventor
李志伟
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.)
Xiaomi Automobile Technology Co Ltd
Original Assignee
Xiaomi Automobile Technology 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 Xiaomi Automobile Technology Co Ltd filed Critical Xiaomi Automobile Technology Co Ltd
Priority to CN202310637714.2A priority Critical patent/CN116358573B/zh
Publication of CN116358573A publication Critical patent/CN116358573A/zh
Application granted granted Critical
Publication of CN116358573B publication Critical patent/CN116358573B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/586—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of parking space
    • 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

本公开涉及一种地图建立方法、装置、存储介质以及车辆，所述方法包括：获取当前时刻车辆的位姿以及车辆的信息采集装置对车辆周围环境采集得到的信息，所述信息包括图像；获取所述图像的语义点云以及所述图像的语义特征点，并将所述语义点云以及所述语义特征点与所述位姿相关联；根据在不同时刻获取到的多个位姿生成第一位姿图；基于所述第一位姿图中的不同位姿点之间的相对位姿，以及所述不同位姿点各自所关联的语义点云，生成语义点云图层，并基于所述相对位姿以及所述不同位姿点各自所关联的语义特征点生成矢量图层；通过所述语义点云图层和所述矢量图层建立地图。这种地图中包括矢量图层和语义点云图层，具有更丰富的信息和更高的精度。

Description

地图建立方法、装置、存储介质以及车辆
技术领域
本公开涉及自动驾驶技术领域，尤其涉及地图建立方法、装置、存储介质以及车辆。
背景技术
记忆泊车作为自动泊车的升级版本，能够通过记忆停车场的路线，来实现自动泊车，从而提升了用户的驾驶体验。记忆泊车对地图的精度要求较高，相关的地图建立方式可能无法满足这样的精度要求。
发明内容
为克服相关技术中存在的问题，本公开提供一种地图建立方法、装置、存储介质以及车辆。
根据本公开实施例的第一方面，提供一种地图建立方法，包括：
获取当前时刻车辆的位姿以及车辆的信息采集装置对车辆周围环境采集得到的信息，所述信息包括图像；
获取所述图像的语义点云以及所述图像的语义特征点，并将所述语义点云以及所述语义特征点与所述位姿相关联；
根据在不同时刻获取到的多个位姿生成第一位姿图；
基于所述第一位姿图中的不同位姿点之间的相对位姿，以及所述不同位姿点各自所关联的语义点云，生成语义点云图层，并基于所述相对位姿以及所述不同位姿点各自所关联的语义特征点生成矢量图层；
通过所述语义点云图层和所述矢量图层建立地图。
可选地，所述根据在不同时刻获取到的多个位姿生成第一位姿图，包括：
根据在不同时刻获取到的多个位姿生成第二位姿图；
对所述第二位姿图进行回环检测，得到回环检测结果；
根据所述回环检测结果对所述第二位姿图进行修正，得到所述第一位姿图。
可选地，所述获取当前时刻车辆的位姿以及车辆的信息采集装置对车辆周围环境采集得到的信息，包括：
获取车辆在当前时刻的第一位姿，以及所述信息采集装置在当前时刻对车辆周围环境采集得到的图像；
在从所述图像中识别到停车场的库位编号的情况下，根据所述第一位姿、所述当前时刻以及从所述图像中识别到的停车场的第一库位编号生成第一检测结果，所述第一检测结果为对应于所述当前时刻的检测结果，所述位姿图中包括对应于所述第一位姿的位姿点；
所述对所述第二位姿图进行回环检测，得到回环检测结果，包括：
从保存的历史的检测结果中，匹配库位编号为第一库位编号的检测结果，得到第二检测结果，所述历史的检测结果包括历史生成的对应于历史时刻的检测结果；
将所述第一检测结果和所述第二检测结果作为第一回环对，所述回环检测结果包括所述第一回环对。
可选地，根据所述回环检测结果对所述第二位姿图进行修正，得到所述第一位姿图，包括：
对多个已确定的第一回环对，计算各所述第一回环对所对应的两个位姿的距离差值，得到所述第一回环对的距离差值；
根据第一回环对的确定时刻对第一回环对进行排序；
在排序相邻的两个第一回环对的距离差值的差值小于第一阈值的情况下，确定所述两个第一回环对为同一类第一回环对；
对各个类别的第一回环对，将所述类别的第一回环对合并为一个第一回环对，得到合并回环对；并，
生成所述类别的第一回环对的第一几何约束，通过所述第一几何约束计算所述合并回环对中的两个合并位姿的相对位姿；
通过所述两个合并位姿的相对位姿，对第二位姿图中的所述两个合并位姿之间的位姿图进行修正。
可选地，所述信息还包括雷达点云，所述雷达点云与所述当前时刻车辆的位姿相关联，所述方法包括：
基于所述第一位姿图中的不同位姿点之间的相对位姿，以及所述不同位姿点各自所关联的雷达点云，生成雷达点云图层；
所述通过所述语义点云图层和所述矢量图层建立地图，包括：
通过所述语义点云图层、所述矢量图层以及所述雷达点云图层建立地图。
可选地，所述方法包括：
将所述雷达点云映射至车辆坐标系，所述车辆坐标系包括多个子区域；
对于同一子区域，基于映射至所述子区域的雷达点云数据点的高度坐标值，将最大的高度坐标值作为所述子区域的特征值；
根据多个子区域的特征值生成所述雷达点云的第一特征；
从历史的雷达点云的特征中确定与所述第一特征相似度最高且相似度大于相似度阈值的特征，得到第二特征；
将所述第一特征和所述第二特征作为第二回环对；
所述根据在不同时刻获取到的多个位姿生成第一位姿图，包括：
根据在不同时刻获取到的多个位姿生成第二位姿图；
根据所述第二回环对对所述第二位姿图进行修正，得到所述第一位姿图。
可选地，所述获取当前时刻车辆的位姿以及车辆的信息采集装置对车辆周围环境采集得到的信息之前，包括：
响应于用户的用于开启记忆泊车学习的操作，生成建图坐标系，并确定车辆的地理定位信息以及车辆在所述建图坐标系的初始位姿；
所述获取当前时刻车辆的位姿以及车辆的信息采集装置对车辆周围环境采集得到的信息，包括：
获取当前时刻车辆在所述建图坐标系的位姿以及车辆的信息采集装置对车辆周围环境采集得到的信息；
所述通过所述语义点云图层和所述矢量图层建立地图，包括：
通过所述语义点云图层和所述矢量图层生成基于所述建图坐标系的地图；
将所述地图中的初始位姿与所述地理定位信息相关联，所述地理定位信息用于触发所述车辆执行基于所述地图的记忆泊车操作。
可选地，包括：
从所述第一位姿图中确定位姿交叉点；
根据所述交叉点对所述第一位姿图进行分割，得到多个路段；
生成所述多个路段之间的拓扑关系；
建立所述拓扑关系与所述地图的关联关系。
根据本公开实施例的第二方面，提供一种地图建立装置，包括：
信息获取模块，被配置为获取当前时刻车辆的位姿以及车辆的信息采集装置对车辆周围环境采集得到的信息，所述信息包括图像；
特征获取模块，被配置为获取所述图像的语义点云以及所述图像的语义特征点，并将所述语义点云以及所述语义特征点与所述位姿相关联；
位姿图生成模块，被配置为根据在不同时刻获取到的多个位姿生成第一位姿图；
图层生成模块，被配置为基于所述第一位姿图中的不同位姿点之间的相对位姿，以及所述不同位姿点各自所关联的语义点云，生成语义点云图层，并基于所述相对位姿以及所述不同位姿点各自所关联的语义特征点生成矢量图层；
地图建立模块，被配置为通过所述语义点云图层和所述矢量图层建立地图。
可选地，所述位姿图生成模块，包括：
第一生成子模块，被配置为根据在不同时刻获取到的多个位姿生成第二位姿图；
第一回环检测子模块，被配置为对所述第二位姿图进行回环检测，得到回环检测结果；
第一位姿图修正子模块，被配置为根据所述回环检测结果对所述第二位姿图进行修正，得到所述第一位姿图。
可选地，所述信息获取模块，包括：
第一获取子模块，被配置为获取车辆在当前时刻的第一位姿，以及所述信息采集装置在当前时刻对车辆周围环境采集得到的图像；
第二生成子模块，被配置为在从所述图像中识别到停车场的库位编号的情况下，根据所述第一位姿、所述当前时刻以及从所述图像中识别到的停车场的第一库位编号生成第一检测结果，所述第一检测结果为对应于所述当前时刻的检测结果，所述位姿图中包括对应于所述第一位姿的位姿点；
所述第一回环检测子模块，包括：
第一匹配子单元，被配置为从保存的历史的检测结果中，匹配库位编号为第一库位编号的检测结果，得到第二检测结果，所述历史的检测结果包括历史生成的对应于历史时刻的检测结果；
第一执行子单元，被配置为将所述第一检测结果和所述第二检测结果作为第一回环对，所述回环检测结果包括所述第一回环对。
可选地，根据第一位姿图修正子模块，包括：
第一计算子单元，被配置为对多个已确定的第一回环对，计算各所述第一回环对所对应的两个位姿的距离差值，得到所述第一回环对的距离差值；
第一排序子单元，被配置为根据第一回环对的确定时刻对第一回环对进行排序；
第一确定子单元，被配置为在排序相邻的两个第一回环对的距离差值的差值小于第一阈值的情况下，确定所述两个第一回环对为同一类第一回环对；
第二执行子单元，被配置为对各个类别的第一回环对，将所述类别的第一回环对合并为一个第一回环对，得到合并回环对；
第一生成子单元，被配置为生成所述类别的第一回环对的第一几何约束，通过所述第一几何约束计算所述合并回环对中的两个合并位姿的相对位姿；
第一修正子单元，被配置为通过所述两个合并位姿的相对位姿，对第二位姿图中的所述两个合并位姿之间的位姿图进行修正。
可选地，所述信息还包括雷达点云，所述雷达点云与所述当前时刻车辆的位姿相关联，所述装置包括：
雷达点云图层生成模块，被配置为基于所述第一位姿图中的不同位姿点之间的相对位姿，以及所述不同位姿点各自所关联的雷达点云，生成雷达点云图层；
所述地图建立模块，包括：
第一建立子模块，被配置为通过所述语义点云图层、所述矢量图层以及所述雷达点云图层建立地图。
可选地，所述装置包括：
坐标映射模块，被配置为将所述雷达点云映射至车辆坐标系，所述车辆坐标系包括多个子区域；
第一执行模块，被配置为对于同一子区域，基于映射至所述子区域的雷达点云数据点的高度坐标值，将最大的高度坐标值作为所述子区域的特征值；
第一生成模块，被配置为根据多个子区域的特征值生成所述雷达点云的第一特征；
第二特征确定模块，被配置为从历史的雷达点云的特征中确定与所述第一特征相似度最高且相似度大于相似度阈值的特征，得到第二特征；
第二回环对确定模块，被配置为将所述第一特征和所述第二特征作为第二回环对；
所述位姿图生成模块，包括：
第三生成子模块，被配置为根据在不同时刻获取到的多个位姿生成第二位姿图；
第一修正子模块，被配置为根据所述第二回环对对所述第二位姿图进行修正，得到所述第一位姿图。
可选地，包括：
坐标系生成模块，被配置为在获取当前时刻车辆的位姿以及车辆的信息采集装置对车辆周围环境采集得到的信息之前，响应于用户的用于开启记忆泊车学习的操作，生成建图坐标系，并确定车辆的地理定位信息以及车辆在所述建图坐标系的初始位姿；
所述信息获取模块，包括：
第二获取子模块，被配置为获取当前时刻车辆在所述建图坐标系的位姿以及车辆的信息采集装置对车辆周围环境采集得到的信息；
所述地图建立模块，包括：
第二建立子模块，被配置为通过所述语义点云图层和所述矢量图层生成基于所述建图坐标系的地图；
关联子模块，被配置为将所述地图中的初始位姿与所述地理定位信息相关联，所述地理定位信息用于触发所述车辆执行基于所述地图的记忆泊车操作。
可选地，包括：
交叉点确定模块，被配置为从所述第一位姿图中确定位姿交叉点；
位姿图分割模块，被配置为根据所述交叉点对所述第一位姿图进行分割，得到多个路段；
拓扑生成模块，被配置为生成所述多个路段之间的拓扑关系；
关联关系建立模块，被配置为建立所述拓扑关系与所述地图的关联关系。
根据本公开实施例的第三方面，提供一种地图建立装置，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行上述第一方面中任一项所述方法的步骤。
根据本公开实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现上述第一方面中任一项所述方法的步骤。
根据本公开实施例的第五方面，提供一种车辆，包括上述第三方面中所述的地图建立装置。
上述技术方案中，可以采集当前时刻车辆的位姿以及车辆的信息采集装置对车辆周围环境采集得到的图像，获取所述图像的语义点云以及所述图像的语义特征点，并将所述语义点云以及所述语义特征点与所述位姿相关联。这样，可以根据在不同时刻获取到的多个位姿生成第一位姿图。并基于所述第一位姿图中的不同位姿点之间的相对位姿，以及所述不同位姿点各自所关联的语义点云，生成语义点云图层，基于所述相对位姿以及所述不同位姿点各自所关联的语义特征点生成矢量图层。通过所述矢量图层和所述语义点云图层，可以生成地图。也就是说，上述方案可以生成包括多个图层的地图，这种地图中包括矢量图层和语义点云图层，具有更丰富的信息和更高的精度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种地图建立方法的流程图。
图2是根据一示例性实施例示出的一种地图建立方法的流程图。
图3是根据一示例性实施例示出的一种图2中的步骤S27的实施流程图。
图4是根据一示例性实施例示出的一种库位的示意图。
图5是根据一示例性实施例示出的一种地图建立方法的流程图。
图6是根据一示例性实施例示出的一种第二回环对过滤的效果图。
图7是根据一示例性实施例示出的一种第二回环对筛选的效果图。
图8是根据一示例性实施例示出的一种地图建立方法的流程图。
图9是根据一示例性实施例示出的一种地图建立的流程图。
图10是根据一示例性实施例示出的一种地图建立装置的框图。
图11是根据一示例性实施例示出的一种用于地图建立的装置1100的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
在介绍本公开的地图建立方法、装置、存储介质以及车辆之前，首先对本公开的应用场景进行介绍。
精确地记忆泊车需要依赖精确的停车场建图，但目前的高精地图通常为矢量形式的地图，其信息较为有限，不方便表示复杂的环境。例如，对于地下停车场场景，其中的车道线的连续性较差，且存在墙角边缘线等信息，难以通过矢量地图进行表示。在这种情况下，矢量地图可能无法满足记忆泊车对地图的高精度要求，导致记忆泊车的精确度较低。
为此，本公开提供一种地图建立方法。所述方法可以由计算装置执行，所述计算装置可以为与车辆相互独立设置的设备，所述计算装置也可以作为车辆的一部分。图1是本公开所示出的一种地图建立方法的流程图，参照图1，所述方法包括：
在步骤S11中，获取当前时刻车辆的位姿以及车辆的信息采集装置对车辆周围环境采集得到的信息，信息包括图像。
例如，车辆可以包括多个鱼眼相机，如采集方向分别对应于车辆前后左右四个方向的4个鱼眼相机。这样，在车辆行驶过程中，可以通过多个鱼眼相机采集车辆周围环境的图像。
此外，还可以获取车辆的实时位姿，实时位姿可以是车辆在自建的建图坐标系中的位姿。例如，车辆可以响应于用户触发的泊车路线学习操作，开始学习泊车路线，并生成建图坐标系。在这种情况下，可以设置开始学习泊车路线的时刻车辆位于所述建图坐标系的原点，并结合该时刻车辆的姿态，得到开始学习泊车路线的时刻车辆的位姿。
在步骤S12中，获取图像的语义点云以及图像的语义特征点，并将语义点云以及语义特征点与所述位姿相关联。
例如，可以通过对图像进行语义分割，得到所述语义点云，所述语义点云中的各个数据点可以包括像素的数据以及所述像素所属的语义类别数据，语义类别例如可以是车道线，箭头等像素内容。此外，可以对所述图像进行特征提取，得到所述语义特征点。所述语义特征点可以标识从图像中识别到的对象，如库位、轮档等。以库位为例，可以通过矩形库位的4个顶点所对应的4个语义特征点来对所述库位的位置进行标识。
在步骤S13中，根据在不同时刻获取到的多个位姿生成第一位姿图。
应当理解，通过在不同时刻采集位姿，可以在建图坐标系中基于位姿采集的时序生成第一位姿图。
在步骤S14中，基于第一位姿图中的不同位姿点之间的相对位姿，以及不同位姿点各自所关联的语义点云，生成语义点云图层，并基于相对位姿以及不同位姿点各自所关联的语义特征点生成矢量图层。
需要说明的是，由于某个时刻的图像特征可以是基于该时刻的车辆坐标系来表示的，即语义点云和语义特征点可以是基于该时刻的车辆坐标系表示的。因此，在建图时，可以基于车辆坐标系和建图坐标系的转换关系，将语义点云和语义特征点映射至建图坐标系中，从而起到建图的效果。
但是，对于不同时刻，车辆在建图坐标系的位置和姿态，即位姿可以是不同的，同时车辆坐标系始终是基于所述车辆的位置建立的，即车辆坐标系是相对于车辆的。因此，对于不同时刻采集到的位姿和特征，可以计算所述不同时刻的位姿之间的相对位姿，即所述不同时刻的位姿之间的旋转、平移等关系。这样，可以基于所述相对位姿，将不同时刻的车辆坐标系中的特征映射到同一个建图坐标系中，从而实现建图。
例如在步骤S14中，可以获取第一位姿图中的相邻位姿点之间的相对位姿。并根据所述相对位姿以及所述相邻位姿点各自所对应的语义点云，将相邻位姿点所对应的语义点云映射至同一个坐标系（如建图坐标系），从而得到语义点云图层。类似的，可以根据所述相对位姿以及所述相邻位姿点各自所对应的语义特征点，将相邻位姿点所对应的语义特征点映射至同一个坐标系（如建图坐标系），从而得到矢量图层。
这样，建图坐标系可以包括对齐的矢量图层和语义点云图层。
在步骤S15中，通过语义点云图层和矢量图层建立地图。
也就是说，上述方案可以生成包括多个图层的地图，这种地图中包括矢量图层和语义点云图层，具有更丰富的信息和更高的精度。其中，矢量图层可以提供库位、轮档、减速带等信息，能够为车辆路径规划提供基础。语义点云图层可以提供车道线、箭头、墙角线、柱子等矢量地图难以表示的信息，从而辅助车辆的控制决策。
在一些场景中，第一位姿图也可以是经过回环检测和优化得到的。参照图2所示出的一种地图建立方法的流程图，所述方法包括：
在步骤S21中，获取车辆在当前时刻的第一位姿，以及信息采集装置在当前时刻对车辆周围环境采集得到的图像。
在步骤S22中，在从所述图像中识别到停车场的库位编号的情况下，根据所述第一位姿、所述当前时刻以及从所述图像中识别到的停车场的第一库位编号，生成第一检测结果。
所述第一检测结果为对应于所述当前时刻的检测结果，所述位姿图中包括对应于所述第一位姿的位姿点。例如在一些实施场景中，可以基于采集到的图像生成鸟瞰图，并从鸟瞰图中识别库位编号。例如，可以通过OCR（Optical Character Recognition，光学字符识别）技术从图像中识别得到库位编号，库位编号可以是用于标识停车场各个停车位的编号。
在步骤S23中，获取图像的语义点云以及图像的语义特征点，并将语义点云以及语义特征点与所述位姿相关联。
在步骤S24中，根据在不同时刻获取到的多个位姿生成第二位姿图。
在步骤S25中，从保存的历史的检测结果中，匹配库位编号为第一库位编号的检测结果，得到第二检测结果，所述历史的检测结果包括历史生成的对应于历史时刻的检测结果。
应当理解，检测结果包括检测时刻、所述检测时刻车辆的位姿以及从所述检测时刻采集到的图像中识别到的库位编号。因此，可以通过对比检测结果中的库位编号字段，从而确定库位编号为第一库位编号的检测结果，得到第二检测结果。在一些实施场景中，也可能无法匹配到库位编号为第一库位编号的检测结果，此时可以将所述第一检测结果进行保存，以便于后续匹配。
在步骤S26中，将第一检测结果和第二检测结果作为第一回环对。
应当理解，两个不同的检测结果中包括相同的库位编号，即表明在不同的时刻识别到了相同的库位编号，即在不同的时刻车辆周围环境中包括相同的库位。也就是说，车辆可能回到了历史路径中的某个位置，因此可以将第一检测结果和第二检测结果作为第一回环对。
上述实施方式能够基于停车场的库位编号进行回环检测识别。相对于基于激光点云、图像这样的回环检测方式，上述方案可以基于少量的库位编号字符进行回环检测，因而对计算资源和存储资源的占用较低。并且，库位编号与库位的对应程度较高，即便停车场不同楼层的结构相似，也能够通过库位编号区分位于不同楼层的停车库位。这样，上述方案基于库位编号进行回环检测，也能够区分不同楼层的库位，因而能够降低回环误匹配的概率，提升回环检测的准确度。
在一些可能的实施方式中，还可以对检测到的第一回环对进行识别，从中滤除异常的第一回环对，从而提升第一回环对的准确性，进而提升建图结果的准确性。滤除异常回环对的过程可以是实时的也可以是记忆泊车建图的后处理阶段进行的。
例如在一些实施方式中，可以基于时间信息对检测到的第一回环对进行错误剔除。在这种情况下，所述方法包括：
获取第一目标回环对中的第三检测结果以及第四检测结果，第一目标回环对为已确定的第一回环对中的任一第一回环对；
在所述第三检测结果中的第一时刻与所述第四检测结果中的第二时刻的差值小于第一时刻阈值的情况下，从已确定的第一回环对中删除所述第一目标回环对。
例如，可以从已确定的第一回环对中获取一个、多个或全部第一回环对，将获取到的第一回环对中的各个第一回环对分别作为第一目标回环对。这样，可以比较第一目标回环对中的两个检测结果的第一时刻和第二时刻，当第一时刻和第二时刻的差值小于第一时刻阈值时，所述两个检测结果可能是相邻的两次采集得到的结果。此时，即便这两个检测结果中包括相同的库位编号，也不认为这两个检测结果为第一回环对。因此，可以从已确定的第一回环对中删除所述第一目标回环对。
在一种可能的实施方式中，还可以基于空间距离识别异常的第一回环对。在这种情况下，所述方法包括：
获取第一目标回环对中的第三检测结果以及第四检测结果，第一目标回环对为已确定的第一回环对中的任一第一回环对；
计算第三检测结果中的第一时刻与第四检测结果中的第二时刻之间的，所述车辆的行驶距离值；
在所述行驶距离值小于第一距离阈值时，从已确定的第一回环对中删除所述第一目标回环对。
示例性的，可以通过里程计获取第一时刻与第二时刻之间车辆的行驶距离值，当所述行驶距离值较小，例如所述行驶距离值为0时，所述车辆可能处于静止状态。因此，即便第一目标回环对中的两个检测结果中包括相同的库位编号，也不认为这两个检测结果为第一回环对，此时可以从已确定的第一回环对中删除所述第一目标回环对。
在一种可能的实施方式中，还可以基于第一回环对之间的位姿的一致性识别异常第一回环对。在这种情况下，所述方法包括：
获取第一目标回环对中的第三检测结果以及第四检测结果，第一目标回环对为已确定的第一回环对中的任一第一回环对；
根据第三检测结果中的第三位姿与第四检测结果中的第四位姿，计算距离差值；
计算所述距离差值与参照差值的差值，得到第一差值；
在所述第一差值大于第一差值的阈值时，从已确定的回环对中删除所述第一目标回环对。
例如，可以获取第三位姿在建图坐标系中的第一坐标以及第四位姿在建图坐标系中的第二坐标，并计算第一坐标与第二坐标之间的距离，得到所述距离差值。
这样，可以计算所述距离差值与参照差值的差值，得到第一差值，第一差值可以以绝对数的形式呈现。当第一差值大于第一差值的阈值时，可以确定当前的第一目标回环对所对应的两个位姿的差异较大，可能为异常值，因此可以从已确定的第一回环对中删除所述第一目标回环对。
其中，所述参照差值可以基于需求进行设置。例如在一些实施方式中，参照差值可以是经验值。在一些实施方式中，也可以通过如下方式确定所述参照差值：
对各个已确定的第一回环对，计算所述第一回环对所对应的两个位姿的距离差值，得到多个距离差值；
计算所述多个距离差值的均值，得到所述参照差值。
在一些可能的实施方式中，也可以根据第一回环对的确定时刻将第一回环对划分为多个类别。例如，可以将时间周期内（如1分钟）内所识别到的回环对作为同一类。在这种情况下，上述的确定参照差值的步骤也可以是：对同一类回环对中的各个第一回环对，计算所述第一回环对所对应的两个位姿的距离差值，得到多个距离差值；计算所述多个距离差值的均值，得到所述参照差值。
当然，第一回环对的类别的划分方式可以不局限于上述方式，如在一些实施方式中也可以根据车辆行驶距离（例如根据里程计确定）将第一回环对划分为多个类别。示例性的，可以根据行驶距离划分多个区间，如0-100米，100-200米。这样，在同一行驶距离区间内所识别到的第一回环对也可以作为同一类第一回环对，如车辆从启动至行驶到100米的过程中所识别到的第一回环对可以作为一类第一回环对。
另外值得说明的是，上述的滤除异常的第一回环对的方式可以分别或组合使用，本公开对此不做限制。
在步骤S27中，根据回环检测结果对第二位姿图进行修正，得到第一位姿图，回环检测结果包括第一回环对。
图3是本公开所示出的一种图2中的步骤S27的实施流程图，参照图3，所述流程包括：
在步骤S31中，对多个已确定的第一回环对，计算各第一回环对所对应的两个位姿的距离差值，得到第一回环对的距离差值。
在步骤S32中，根据第一回环对的确定时刻对第一回环对进行排序。例如，可以按照确定时刻的先后顺序对所述第一回环对进行排序。
在步骤S33中，在排序相邻的两个第一回环对的距离差值的差值小于第一阈值的情况下，确定两个第一回环对为同一类第一回环对。
例如，对于相邻的第一回环对A和第一回环对B，第一回环对A的距离差值为XA，第一回环对B的距离差值为XB。那么若|XA-XB|小于第一阈值，则可以认为回环对A和回环对B为同一类第一回环对。
需要说明的是，由于同类第一回环对之间的距离差值的差异较小，因此各个第一回环对所对应的相对位姿的差异也较小。
因此，在步骤S34中，对各个类别的第一回环对，将所述类别的第一回环对合并为一个第一回环对，得到合并回环对。例如，对于相邻的属于同一类的9个第一回环对，可以将第5个第一回环对作为所述合并回环对。在一些实施方式中，也可以对所述9个第一回环对进行融合，得到所述合并回环对。
在步骤S35中，生成所述类别的第一回环对的第一几何约束，通过第一几何约束计算合并回环对中的两个合并位姿的相对位姿。
这里对第一几何约束的获得方式进行示例性说明。在一种可能的实施方式中，第一检测结果还包括所述第一库位编号所对应的库位的位置信息，参照图4所示出的一种库位的示意图，可以通过库位的顶点1、2、3、4来标识库位的位置。也就是说，所述位置信息可以包括库位的四个顶点，所述四个顶点包括作为所述库位的入口点的第一顶点和第二顶点，与第一顶点相连的第四顶点，以及与第二顶点相连的第三顶点。
所述生成所述类别的第一回环对的第一几何约束，包括：
分别将该类第一回环对中的各个第一回环对作为目标第一回环对，对所述目标第一回环对中的两个检测结果，分别计算检测结果中的第一顶点至第二顶点的向量，得到第一向量；并，
计算第一顶点至第四顶点的向量，得到第二向量；计算第二顶点至第三顶点的向量，得到第三向量。
示例性的，目标第一回环对中包括两个检测结果，每个检测结果对应有一个库位的位置信息，即顶点1至4的位置信息。这样，对于一个检测结果中的位置信息，可以计算第一向量、第二向量以及第三向量。对于另一个检测结果中的位置信息，也可以计算第一向量、第二向量以及第三向量。也就是说，一个目标第一回环对可以生成一组第一向量、一组第二向量、一组第三向量以及一组库位的位置信息。
这样，可以根据所述一组第一向量、一组第二向量、一组第三向量以及一组库位的位置信息生成约束，从而求解所述类别的第一回环对的相对位姿。
例如，考虑到库位检测的误差，可以取位置信息中的第一点和第二点建立约束。这样，可以将所述目标第一回环对所对应的两个第一顶点之间的距离值最小、目标第一回环对所对应的两个第二顶点之间的距离值最小、所述目标第一回环对所对应的两个第一向量之间的夹角最小、所述目标第一回环对所对应的两个第二向量之间的夹角最小以及所述目标第一回环对所对应的两个第三向量之间的夹角最小作为所述目标第一回环对的目标几何约束，所述第一几何约束包括各种目标第一回环对的目标几何约束。
值得说明的是，在上述实施例中，一组第一回环对包括5个用于求解相对位姿的约束。而在一些场景中，根据5个约束计算得到的相对位姿的准确度较低。因此，上述方案中采用了对第一回环对进行分类，对每一类第一回环对进行合并的方式。同时，在计算合并回环对的相对位姿时所使用的第一几何约束包括了合并回环对所属的类别中的其他第一回环对的目标几何约束。示例性的，对于相邻的属于同一类的9个第一回环对，可以将第5个第一回环对作为所述合并回环对。在计算所述合并回环对的相对位姿时，不仅采用了基于第5个第一回环对生成的5个约束，还采用了基于其他8个第一回环对所生成的目标几何约束，从而使得最终用于计算相对位姿的约束数量为45个。
这样，可以根据所述45个约束计算合并回环对的相对位姿。例如，可以设置所述45个约束，并通过迭代最近点算法优化计算得到相对位姿。通过这样的方式，能够提升用于计算的约束的数量，进而有助于提升相对位姿的计算准确度。
在步骤S36中，通过所述两个合并位姿的相对位姿，对第二位姿图中的所述两个合并位姿之间的位姿图进行修正。
例如，可以根据所述相对位姿计算在第二位姿图中，所述合并回环对中的两个合并位姿之间的位姿图的误差，进而对累计误差进行消除，得到第一位姿图。
参照图2，在步骤S28中，基于第一位姿图中的不同位姿点之间的相对位姿，以及不同位姿点各自所关联的语义点云，生成语义点云图层，并基于相对位姿以及不同位姿点各自所关联的语义特征点生成矢量图层。
在步骤S29中，通过语义点云图层和矢量图层建立地图。
上述方案能够基于停车场的库位编号进行回环检测识别。相对于基于激光点云、图像这样的回环检测方式，上述方案可以基于少量的库位编号字符进行回环检测，因而对计算资源和存储资源的占用较低。并且，库位编号与库位的对应程度较高，即便停车场不同楼层的结构相似，也能够通过库位编号区分位于不同楼层的停车库位。这样，上述方案基于库位编号进行回环检测，也能够区分不同楼层的库位，因而能够降低回环误匹配的概率，提升回环检测的准确度。因此，通过检测到的第一回环对对第二位姿图进行修正，可以得到更加准确的第一位姿图，进而使得根据第一位姿图建立得到的地图具有更高的准确度。
图5是本公开所示出的一种地图建立方法的流程图，参照图5，所述方法包括：
在步骤S51中，获取当前时刻车辆的位姿以及车辆的信息采集装置对车辆周围环境采集得到的信息，信息包括图像和雷达点云。
例如，信息采集装置可以包括激光雷达，激光雷达可以周期性的或实时的对车辆周围环境进行探测，得到雷达点云。在一些实施方式中，激光雷达的视角范围可以为120°，因此可以通过设置三个激光雷达对车辆周围的环境进行探测，从而覆盖车辆周围的360°的空间。或者，也可以通过一个激光雷达对车辆周围环境进行扫描，从而覆盖车辆周围的360°的空间。
在步骤S52中，获取图像的语义点云以及图像的语义特征点，并将语义点云、语义特征点以及所述雷达点云与所述位姿相关联。
在步骤S53中，根据在不同时刻获取到的多个位姿生成第一位姿图。
在步骤S54中，基于第一位姿图中的不同位姿点之间的相对位姿，以及不同位姿点各自所关联的语义点云，生成语义点云图层，并基于相对位姿以及不同位姿点各自所关联的语义特征点生成矢量图层。
在步骤S55中，基于第一位姿图中的不同位姿点之间的相对位姿，以及不同位姿点各自所关联的雷达点云，生成雷达点云图层。
在步骤S56中，通过语义点云图层、矢量图层以及雷达点云图层建立地图。
这种方式还能够基于雷达点云生成雷达点云图层，雷达点云图层可以提供丰富的空间结构信息，有助于提升地图的精确度。
这里结合图5对结合雷达点云建立地图的方式进行示例性说明。在一些实施方式中，所述方法包括：
将雷达点云映射至车辆坐标系，车辆坐标系包括多个子区域；对于同一子区域，基于映射至子区域的雷达点云数据点的高度坐标值，将最大的高度坐标值作为子区域的特征值；根据多个子区域的特征值生成雷达点云的第一特征。从历史的雷达点云的特征中确定与所述第一特征相似度最高且相似度大于相似度阈值的特征，得到第二特征；将所述第一特征和所述第二特征作为第二回环对；
所述根据不同时刻获取到的多个位姿生成第一位姿图，包括：
根据在不同时刻获取到的多个位姿生成第二位姿图；
根据所述第二回环对对所述第二位姿图进行修正，得到所述第一位姿图。
例如，可以计算雷达点云坐标系和车辆坐标系之间的转换关系，从而通过所述转换关系将雷达点云映射至车辆坐标系。所述车辆坐标系可以包括多个子区域。示例性的，可以设定车辆坐标系中X轴朝右，Z轴朝上。则可以沿X轴绕Z轴旋转的方向，将旋转角度作为划分粒度（如将1°作为划分粒度）划分得到多个扇形子区域。其中，旋转的方向可以为顺时针或逆时针。在一些场景中，还可以沿Z轴的高度方向对所述多个扇形子区域进行进一步划分。
需要说明的是，基于对坐标系划分子区域的构思，本领域技术人员可以使用不同的子区域划分方式，得到不同的子区域，本公开对此不做限制。
在一种可能的实施方式中，还可以对雷达点云的映射结果进行过滤。例如，所述雷达点云包括车辆雷达对车辆周围的多个区域采集到的多帧雷达点云，所述将所述雷达点云映射至车辆坐标系，包括：
将所述多帧雷达点云映射至车辆坐标系，从所述车辆坐标系中确定雷达点云的异常点。
例如在一些实施方式中，可以从车辆坐标系中确定第一数据点，所述第一数据点与车辆之间的坐标距离大于第二距离阈值，所述异常点包括所述第一数据点。
在一些实施方式中，可以从车辆坐标系中确定第二数据点，所述第二数据点与车辆之间的坐标距离小于第三距离阈值，所述异常点包括所述第二数据点，所述第三距离阈值小于所述第二距离阈值。
在一些实施方式中，可以从车辆坐标系中确定高度坐标值低于高度阈值的第三数据点，所述异常点包括所述第三数据点。
在一些实施方式中，可以将坐标值异常的点作为异常点，如将坐标值为（N,N,N）的点作为异常点。
获得异常点之后，可以删除所述车辆坐标系中的所述异常点，从而提升数据点的准确度。
此外，对于同一子区域，可以基于映射至子区域的雷达点云数据点的高度坐标值，将最大的高度坐标值作为子区域的特征值。
应当理解，雷达点云在转换至车辆坐标系之后，雷达点云中的各个数据点可以分布在相同或不同的子区域中。因此，对于每个子区域，可以基于映射至所述子区域的雷达点云数据点的高度坐标值，将最大的高度坐标值作为子区域的特征值。在雷达点云中，高度值坐标具有较强的结构化信息，能够用于区分物体的类别，如障碍物的高度值坐标较大，地面的高度值坐标较小。
这样，可以根据多个子区域的特征值生成雷达点云的第一特征。例如，车辆坐标系包括100个子区域，则可以根据100个子区域的特征值生成雷达点云的第一特征，第一特征例如可以以矩阵或其他可行的方式呈现。
获得第一特征后，可以从历史的雷达点云的特征中确定与第一特征相似度最高且相似度大于相似度阈值的特征，得到第二特征，并将第一特征和第二特征作为第二回环对。
在一种可能的实施方式中，可以获取历史所有的雷达点云的特征，并从历史的雷达点云的特征中确定与第一特征相似度最高且相似度大于相似度阈值的特征，得到第二特征。其中，特征的相似度例如可以通过欧氏距离等方式进行度量，本公开对此不做限制。
在一种可能的实施方式中，也可以获取采集第一特征所对应的雷达点云时，车辆的里程计的里程值，得到对应于第一特征的第一里程值；计算第一里程值与里程阈值的差值，得到第二里程值；从历史的雷达点云的特征中确定候选特征，候选特征所对应的里程值小于第二里程值；基于第一特征与候选特征的相似度，从候选特征中确定相似度最高的特征，得到第二特征。
其中，里程阈值可以根据需求进行设置，作为一种示例，里程阈值可以为50米。示例性的，若第一里程值为A，则第二里程值可以为A-50。这样，可以从历史的雷达点云的特征中，确定特征所对应的里程值小于A-50的特征作为候选特征。
需要说明的是，车辆在较短的行驶距离内难以形成回环。而上述方案能够从历史的雷达点云的特征中筛选用于进行回环匹配的候选特征，这种方式能够缩小匹配范围，并降低计算量。
上述方案能够快速地生成雷达点云的特征，并通过雷达点云的特征进行回环匹配。相对于基于深度学习进行回环匹配的方案，上述方案具有占用资源少、性能要求低、实时性高的优点。并且，经测试，上述方案的执行周期小于或等于25ms，因此检测频率能够达到40Hz或40Hz以上，具有较高的实时性。
在一些实施方式中，在确定第二回环对之后，还可以对第二回环对进行过滤，过滤步骤可以是在车辆行驶过程中，如记忆泊车的路线学习过程中同步进行的，以便于去除异常的第二回环对。
例如在一种可能的实施方式中，第二回环对的过滤流程，包括：
获取第一特征所对应的雷达点云的采集时刻，得到第五时刻；获取第二特征所对应的雷达点云的采集时刻，得到第六时刻；获取车辆在第五时刻的第五位姿以及车辆在第六时刻的第六位姿；根据第五位姿和第六位姿，计算车辆的第一行驶距离值；根据里程计确定第六时刻至第五时刻，车辆的第二行驶距离值；在第一行驶距离值与第二行驶距离值的比值小于第一参照值或大于第二参照值时，删除第二回环对，第一参照值小于第二参照值。
示例性的，可以在车辆雷达获取雷达点云的同时，记录车辆的位姿。这样，雷达点云和车辆位姿之间可以形成基于时刻的关联关系，即可以通过雷达点云查询所述雷达点云的采集时刻，并获取所述采集时刻车辆的位姿。
应当理解，车辆行驶过程中的各个时刻的位姿可以形成位姿图。因此，可以根据第五位姿与第六位姿之间的位姿图累积计算车辆的行驶距离值，得到第一行驶距离值。
由于里程计可能出现漂移，因此可以为里程计设置精度区间。作为一种示例，里程计的精度可以为±0.3%，则里程计的精度区间为99.7%至100.3%。在这种情况下，可以将所述第一参照值设置为0.997，所述第二参照值可以设置为1.003。当所述第一行驶距离值与第二行驶距离值的比值小于第一参照值或大于第二参照值时，基于所述第二回环对的第五位姿和第六位姿计算得到的第一行驶距离值超出了里程计的精度区间。因此，所述第二回环对的误差较大，可以删除。
在一种可能的实施方式中，第二回环对的过滤流程，包括：
获取第一特征所对应的雷达点云的采集时刻，得到第五时刻；确定车辆在第五时刻的第一高度信息；获取第二特征所对应的雷达点云的采集时刻，得到第六时刻；确定车辆在第六时刻的第二高度信息；根据第一高度信息和第二高度信息计算车辆的高度偏差值；在高度偏差值大于高度偏差阈值的情况下，删除第二回环对。
示例性的，可以在车辆雷达获取雷达点云的同时，记录车辆的高度信息。高度信息可以为楼层、海拔高度等信息，或是它们的组合。这样，雷达点云和高度信息之间可以形成基于时刻的关联关系，即可以通过雷达点云查询所述雷达点云的采集时刻，并获取所述采集时刻车辆的高度信息。
例如，在高度信息为楼层的情况下，所述高度偏差阈值可以设置为0。这样，可以根据第一高度信息和第二高度信息计算楼层差值的绝对值，得到所述高度偏差值。当高度偏差值大于高度偏差阈值，则说明所述第二回环对所关联的两个雷达点云对应于不同的楼层，此时可以确定所述第二回环对为异常第二回环对，并可以删除所述第二回环对。
参照图6所示出的一种第二回环对过滤的效果图，通过第二回环对过滤，能够去除异常的第二回环对，进而保障用于进行位姿图优化的第二回环对的准确度。
在一种可能的实施方式中，在确定第二回环对之后，还可以对第二回环对进行筛选，筛选的基础可以是初始的第二回环对也可以是经过上述过滤步骤得到的第二回环对。
例如在一些实施方式中，可以对已确定的第二回环对进行分类。分类过程可以包括：
基于第二回环对的确定时刻对已确定的第二回环对进行排序。例如在一些场景中，可以实时获取雷达点云，获取雷达点云的特征，并根据所述特征匹配确定回环对，最后将匹配到的回环对进行保存。因此，可以基于第二回环对的确定时刻的先后顺序对已确定的第二回环对进行排序。
对排序相邻的两个第二回环对，根据里程计以及所述两个第二回环对的确定时刻确定所述两个第二回环对的距离差值。例如，第二回环对1和第二回环对2为相邻的两个第二回环对，第二回环对1的确定时刻为10:01，第二回环对2的确定时刻为10:03，则可以通过里程计获取10:01至10:03车辆的行驶距离值，得到距离差值。
这样，在所述第二回环对的距离差值小于距离差值阈值（如50米）的情况下，确定所述两个第二回环对为同一类第二回环对。
这样，可以对第二回环对进行筛选，筛选过程可以在记忆泊车建图的后处理阶段执行。示例性的，筛选流程可以包括，对各类回环对：
对同一类回环对中的各个回环对，获取该回环对中的第一个特征所对应的雷达点云的采集时刻，得到第七时刻，并获取第二回环对中的第二个特征所对应的雷达点云的采集时刻，得到第八时刻；根据里程计获取第七时刻与第八时刻之间，车辆的第三行驶距离值；根据该类第二回环对中的各个第二回环对的第三行驶距离值确定第三行驶距离值的参照值；从该类第二回环对中删除目标第二回环对，目标第二回环对的第三行驶距离值与第三行驶距离值的参照值的比值小于第三参照值或大于第四参照值，第三参照值小于第四参照值。
其中，可以获取该类第二回环对中的各个第二回环对的第三行驶距离值的中位数，得到所述第三行驶距离值的参照值。在一些实施方式中，也可以通过统计学方法获得所述第三行驶距离值的参照值。在一些实施方式中，所述第三行驶距离值的参照值也可以是设定的经验值。
例如，第三参照值可以为0.67，第四参照值可以为1.5。这样，如果目标第二回环对的第三行驶距离值与第三行驶距离值的参照值的比值小于0.67或大于1.5，则可以确定所述目标第二回环对为存在突变的异常数据。因此，可以从该类第二回环对中删除目标第二回环对。
类似的，可以对每一类第二回环对进行筛选。参照图7所示出的第二回环对筛选的效果图（图中以图6的过滤结果为筛选的原始对象），通过第二回环对筛选，能够去除异常的第二回环对，进而保障用于进行位姿图优化的第二回环对的准确度。
这样，可以根据确定的第二回环对（如上述步骤筛选得到的第二回环对）对第二位姿图进行优化。例如，可以根据第二回环对计算相对位姿，并通过计算得到的相对位姿计算第二位姿图中的，位于所述第二回环对中的两个位姿之间的位姿图的误差，进而对累计误差进行消除。
图8是本公开所示出的一种地图建立方法的流程图，参照图8，所述方法包括：
在步骤S81中，响应于用户的用于开启记忆泊车学习的操作，生成建图坐标系，并确定车辆的地理定位信息以及车辆在建图坐标系的初始位姿。
在步骤S82中，获取当前时刻车辆在建图坐标系的位姿以及车辆的信息采集装置对车辆周围环境采集得到的信息，信息包括图像。
例如，用户可以通过触发车机屏幕的开启记忆泊车学习的控件，从而触发记忆泊车学习。这样，车辆可以建立建图坐标系，确定车辆在建图坐标系的初始位姿，并记录此时车辆的地理定位信息，地理定位信息例如可以通过GNSS（Global Navigation SatelliteSystem，全球导航卫星系统）获取。
在步骤S83中，获取所述图像的语义点云以及所述图像的语义特征点，并将所述语义点云以及所述语义特征点与所述位姿相关联。
在步骤S84中，根据在不同时刻获取到的多个位姿生成第一位姿图。
在步骤S85中，基于第一位姿图中的不同位姿点之间的相对位姿，以及不同位姿点各自所关联的语义点云，生成语义点云图层，并基于相对位姿以及不同位姿点各自所关联的语义特征点生成矢量图层。
在步骤S86中，通过语义点云图层和矢量图层生成基于建图坐标系的地图。
在步骤S87中，将地图中的初始位姿与地理定位信息相关联，地理定位信息用于触发车辆执行基于地图的记忆泊车操作。
这样，若车辆在之后的泊车场景中识别到自身位于所述地理定位信息所表示的位置，则可以调取所述地图进行记忆泊车。
参照图9所示出的一种地图建立的流程图，在一些实施方式中，车辆也可以在启动之后建立建图坐标系，并确定车辆在建图坐标系的初始位姿，以及记录此时车辆的地理定位信息。车辆还可以实时对周围环境进行环视感知，如采集周围环境的图像。车辆还可以基于对所述图像语义检测得到的障碍物的语义特征点，以及雷达提供的障碍物与车辆之间的相对定位的信息，建立车辆所处环境的局部矢量地图。这种方式能够实现自动建图，有助于提升驾驶体验。
参照图9，在一些实施方式中，可以为车辆设定建图场景，并在识别到建图场景后，基于雷达对车辆所处的局部环境采集得到的局部点云，以及对采集到的图像语义分割得到的语义点云，开始增量建图。即在矢量地图的基础上增加语义点云图层以及雷达点云图层，从而得到包括多个图层的地图。其中，可以响应于用户的建图指令/操作，确定车辆处于建图场景；也可以在识别到车辆处于停车场的情况下确定车辆处于建图场景。
在增量建图时，可以根据在不同时刻获取到的车辆的多个位姿生成第二位姿图，并通过对第二位姿图进行回环检测得到的回环检测结果，对所述第二位姿图进行优化，从而得到第一位姿图。其中，生成第二位姿图、回环检测以及对第二位姿图进行优化的方式请参照上述实施例中的说明，在此不做赘述。
此外，还可以将初始位姿与地理定位信息关联。所述地理定位信息可以通过GNSS获取。这样，若车辆在之后的泊车场景中识别到自身位于所述地理定位信息所表示的位置，则可以调取所述地图进行记忆泊车。所述地图可以包括矢量图层、雷达点云图层以及语义点云图层。
参照图9，在一种可能的实施方式中，还可以基于位姿图生成停车场路段的拓扑信息。例如在一种可能的实施方式中，所述方法包括：
从所述第一位姿图中确定位姿交叉点；如根据检测到的回环对确定交叉点；
根据所述交叉点对所述第一位姿图进行分割，得到多个路段；
生成所述多个路段之间的拓扑关系；
建立所述拓扑关系与所述地图的关联关系。
其中，路段的拓扑关系可以包括各个路段的上一个路段的信息、该路段的下一个路段的信息等等。所述拓扑关系还可以与所述地图相关联，这样，在记忆泊车场景中，车辆还可以根据所述拓扑关系进行路径优化，从而避免重复路段，进而提升记忆泊车的效率。
作为一种示例，在记忆泊车的学习阶段，用户可以演示泊车。应当理解，用户的泊车路径可能存在交叉和重复，即所述泊车路径中可能存在回环。而采用上述方案，通过对用户演示的泊车路径进行建图、回环检测以及生成路段拓扑关系，在后续的记忆泊车过程中，车辆不仅能够基于建立的地图进行自动泊车，还能够通过所述路段的拓扑关系进行路径优化，避免行驶用户演示中的重复路段，从而提升了记忆泊车的效率。
此外，在一些实施场景中，还可以对本公开实施例所建立的地图进行优化，如通过均匀降采样对地图进行抽稀，通过数据类型转换（如将双精度转换为单精度，后续使用时再解析还原）对地图数据进行压缩，从而降低地图的大小，使得地图更加轻量化。
基于同一发明构思，本公开还提供一种地图建立装置。图10是本公开所提供的一种地图建立装置的框图，参照图10，所述地图建立装置包括：
信息获取模块1001，被配置为获取当前时刻车辆的位姿以及车辆的信息采集装置对车辆周围环境采集得到的信息，所述信息包括图像；
特征获取模块1002，被配置为获取所述图像的语义点云以及所述图像的语义特征点，并将所述语义点云以及所述语义特征点与所述位姿相关联；
位姿图生成模块1003，被配置为根据在不同时刻获取到的多个位姿生成第一位姿图；
图层生成模块1004，被配置为基于所述第一位姿图中的不同位姿点之间的相对位姿，以及所述不同位姿点各自所关联的语义点云，生成语义点云图层，并基于所述相对位姿以及所述不同位姿点各自所关联的语义特征点生成矢量图层；
地图建立模块1005，被配置为通过所述语义点云图层和所述矢量图层建立地图。
上述技术方案中，可以采集当前时刻车辆的位姿以及车辆的信息采集装置对车辆周围环境采集得到的图像，获取所述图像的语义点云以及所述图像的语义特征点，并将所述语义点云以及所述语义特征点与所述位姿相关联。这样，可以根据在不同时刻获取到的多个位姿生成第一位姿图。并基于所述第一位姿图中的不同位姿点之间的相对位姿，以及所述不同位姿点各自所关联的语义点云，生成语义点云图层，基于所述相对位姿以及所述不同位姿点各自所关联的语义特征点生成矢量图层。通过所述矢量图层和所述语义点云图层，可以生成地图。也就是说，上述方案可以生成包括多个图层的地图，这种地图中包括矢量图层和语义点云图层，具有更丰富的信息和更高的精度。
可选地，所述位姿图生成模块1003，包括：
第一生成子模块，被配置为根据在不同时刻获取到的多个位姿生成第二位姿图；
第一回环检测子模块，被配置为对所述第二位姿图进行回环检测，得到回环检测结果；
第一位姿图修正子模块，被配置为根据所述回环检测结果对所述第二位姿图进行修正，得到所述第一位姿图。
可选地，所述信息获取模块1001，包括：
第一获取子模块，被配置为获取车辆在当前时刻的第一位姿，以及所述信息采集装置在当前时刻对车辆周围环境采集得到的图像；
第二生成子模块，被配置为在从所述图像中识别到停车场的库位编号的情况下，根据所述第一位姿、所述当前时刻以及从所述图像中识别到的停车场的第一库位编号生成第一检测结果，所述第一检测结果为对应于所述当前时刻的检测结果，所述位姿图中包括对应于所述第一位姿的位姿点；
所述第一回环检测子模块，包括：
第一匹配子单元，被配置为从保存的历史的检测结果中，匹配库位编号为第一库位编号的检测结果，得到第二检测结果，所述历史的检测结果包括历史生成的对应于历史时刻的检测结果；
第一执行子单元，被配置为将所述第一检测结果和所述第二检测结果作为第一回环对，所述回环检测结果包括所述第一回环对。
可选地，根据第一位姿图修正子模块，包括：
第一计算子单元，被配置为对多个已确定的第一回环对，计算各所述第一回环对所对应的两个位姿的距离差值，得到所述第一回环对的距离差值；
第一排序子单元，被配置为根据第一回环对的确定时刻对第一回环对进行排序；
第一确定子单元，被配置为在排序相邻的两个第一回环对的距离差值的差值小于第一阈值的情况下，确定所述两个第一回环对为同一类第一回环对；
第二执行子单元，被配置为对各个类别的第一回环对，将所述类别的第一回环对合并为一个第一回环对，得到合并回环对；
第一生成子单元，被配置为生成所述类别的第一回环对的第一几何约束，通过所述第一几何约束计算所述合并回环对中的两个合并位姿的相对位姿；
第一修正子单元，被配置为通过所述两个合并位姿的相对位姿，对第二位姿图中的所述两个合并位姿之间的位姿图进行修正。
可选地，所述信息还包括雷达点云，所述雷达点云与所述当前时刻车辆的位姿相关联，所述地图建立装置包括：
雷达点云图层生成模块，被配置为基于所述第一位姿图中的不同位姿点之间的相对位姿，以及所述不同位姿点各自所关联的雷达点云，生成雷达点云图层；
所述地图建立模块1005，包括：
第一建立子模块，被配置为通过所述语义点云图层、所述矢量图层以及所述雷达点云图层建立地图。
可选地，所述地图建立装置包括：
坐标映射模块，被配置为将所述雷达点云映射至车辆坐标系，所述车辆坐标系包括多个子区域；
第一执行模块，被配置为对于同一子区域，基于映射至所述子区域的雷达点云数据点的高度坐标值，将最大的高度坐标值作为所述子区域的特征值；
第一生成模块，被配置为根据多个子区域的特征值生成所述雷达点云的第一特征；
第二特征确定模块，被配置为从历史的雷达点云的特征中确定与所述第一特征相似度最高且相似度大于相似度阈值的特征，得到第二特征；
第二回环对确定模块，被配置为将所述第一特征和所述第二特征作为第二回环对；
所述位姿图生成模块1003，包括：
第三生成子模块，被配置为根据在不同时刻获取到的多个位姿生成第二位姿图；
第一修正子模块，被配置为根据所述第二回环对对所述第二位姿图进行修正，得到所述第一位姿图。
可选地，地图建立装置包括：
坐标系生成模块，被配置为在获取当前时刻车辆的位姿以及车辆的信息采集装置对车辆周围环境采集得到的信息之前，响应于用户的用于开启记忆泊车学习的操作，生成建图坐标系，并确定车辆的地理定位信息以及车辆在所述建图坐标系的初始位姿；
所述信息获取模块1001，包括：
第二获取子模块，被配置为获取当前时刻车辆在所述建图坐标系的位姿以及车辆的信息采集装置对车辆周围环境采集得到的信息；
所述地图建立模块1005，包括：
第二建立子模块，被配置为通过所述语义点云图层和所述矢量图层生成基于所述建图坐标系的地图；
关联子模块，被配置为将所述地图中的初始位姿与所述地理定位信息相关联，所述地理定位信息用于触发所述车辆执行基于所述地图的记忆泊车操作。
可选地，地图建立装置包括：
交叉点确定模块，被配置为从所述第一位姿图中确定位姿交叉点；
位姿图分割模块，被配置为根据所述交叉点对所述第一位姿图进行分割，得到多个路段；
拓扑生成模块，被配置为生成所述多个路段之间的拓扑关系；
关联关系建立模块，被配置为建立所述拓扑关系与所述地图的关联关系。
本公开还提供一种地图建立装置，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行本公开任意实施例中所提供的地图建立方法的步骤。
本公开还提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现本公开任意实施例中所提供的地图建立方法的步骤。
本公开还提供一种车辆，包括本公开任意实施例中所提供的地图建立装置。
关于上述实施例中的地图建立装置，其中各个模块执行操作的具体方式已经在有关地图建立方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图11是根据一示例性实施例示出的一种用于地图建立的装置1100的框图。例如，装置1100可以是独立的或集成在车辆中的计算装置。
参照图11，装置1100可以包括以下一个或多个组件：处理组件1102，存储器1104，电源组件1106，多媒体组件1108，音频组件1110，输入/输出接口1112，传感器组件1114，以及通信组件1116。
处理组件1102通常控制装置1100的整体操作，诸如与显示，数据通信，图像采集和记录相关联的操作。处理组件1102可以包括一个或多个处理器1120来执行指令，以完成上述的地图建立方法的全部或部分步骤。此外，处理组件1102可以包括一个或多个模块，便于处理组件1102和其他组件之间的交互。例如，处理组件1102可以包括多媒体模块，以方便多媒体组件1108和处理组件1102之间的交互。
存储器1104被配置为存储各种类型的数据以支持在装置1100的操作。这些数据的示例包括用于在装置1100上操作的任何应用程序或方法的指令，消息，图片，视频等。存储器1104可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器（SRAM），电可擦除可编程只读存储器（EEPROM），可擦除可编程只读存储器（EPROM），可编程只读存储器（PROM），只读存储器（ROM），磁存储器，快闪存储器，磁盘或光盘。
电源组件1106为装置1100的各种组件提供电力。电源组件1106可以包括电源管理系统，一个或多个电源，及其他与为装置1100生成、管理和分配电力相关联的组件。
多媒体组件1108包括在所述装置1100和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器（LCD）和触摸面板（TP）。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。
音频组件1110被配置为输出和/或输入音频信号。例如，音频组件1110包括一个麦克风（MIC），当装置1100处于操作模式，如记录模式或语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器1104或经由通信组件1116发送。在一些实施例中，音频组件1110还包括一个扬声器，用于输出音频信号。
输入/输出接口1112为处理组件1102和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件1114包括一个或多个传感器，用于为装置1100提供各个方面的状态评估。例如，传感器组件1114可以检测到装置1100的打开/关闭状态，传感器组件1114还可以检测装置1100或装置1100一个组件的位置改变。传感器组件1114可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件1114还可以包括雷达传感器，雷达传感器可以用于支持装置1100的探测功能。
通信组件1116被配置为便于装置1100和其他设备之间有线或无线方式的通信。装置1100可以接入基于通信标准的无线网络，如WiFi，4G或5G，或它们的组合。在一个示例性实施例中，通信组件1116经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。
在示例性实施例中，装置1100可以被一个或多个应用专用集成电路（ASIC）、数字信号处理器（DSP）、数字信号处理设备（DSPD）、可编程逻辑器件（PLD）、现场可编程门阵列（FPGA）、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述地图建立方法。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器1104，上述指令可由装置1100的处理器1120执行以完成上述地图建立方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器（RAM）、CD-ROM、磁带、软盘和光数据存储设备等。
在另一示例性实施例中，还提供一种计算机程序产品，该计算机程序产品包含能够由可编程的装置执行的计算机程序，该计算机程序具有当由该可编程的装置执行时用于执行上述的地图建立方法的代码部分。
本领域技术人员在考虑说明书及实践本公开后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (12)

1.一种地图建立方法，其特征在于，包括：
获取当前时刻车辆的位姿以及车辆的信息采集装置对车辆周围环境采集得到的信息，所述信息包括图像；
获取所述图像的语义点云以及所述图像的语义特征点，并将所述语义点云以及所述语义特征点与所述位姿相关联；
根据在不同时刻获取到的多个位姿生成第一位姿图；
基于所述第一位姿图中的不同位姿点之间的相对位姿，以及所述不同位姿点各自所关联的语义点云，生成语义点云图层，并基于所述相对位姿以及所述不同位姿点各自所关联的语义特征点生成矢量图层；
通过所述语义点云图层和所述矢量图层建立地图。
2.根据权利要求1所述的方法，其特征在于，所述根据在不同时刻获取到的多个位姿生成第一位姿图，包括：
根据在不同时刻获取到的多个位姿生成第二位姿图；
对所述第二位姿图进行回环检测，得到回环检测结果；
根据所述回环检测结果对所述第二位姿图进行修正，得到所述第一位姿图。
3.根据权利要求2所述的方法，其特征在于，所述获取当前时刻车辆的位姿以及车辆的信息采集装置对车辆周围环境采集得到的信息，包括：
获取车辆在当前时刻的第一位姿，以及所述信息采集装置在当前时刻对车辆周围环境采集得到的图像；
在从所述图像中识别到停车场的库位编号的情况下，根据所述第一位姿、所述当前时刻以及从所述图像中识别到的停车场的第一库位编号，生成第一检测结果，所述第一检测结果为对应于所述当前时刻的检测结果，所述位姿图中包括对应于所述第一位姿的位姿点；
所述对所述第二位姿图进行回环检测，得到回环检测结果，包括：
从保存的历史的检测结果中，匹配库位编号为第一库位编号的检测结果，得到第二检测结果，所述历史的检测结果包括历史生成的对应于历史时刻的检测结果；
将所述第一检测结果和所述第二检测结果作为第一回环对，所述回环检测结果包括所述第一回环对。
4.根据权利要求3所述的方法，其特征在于，根据所述回环检测结果对所述第二位姿图进行修正，得到所述第一位姿图，包括：
对多个已确定的第一回环对，计算各所述第一回环对所对应的两个位姿的距离差值，得到所述第一回环对的距离差值；
根据第一回环对的确定时刻对第一回环对进行排序；
在排序相邻的两个第一回环对的距离差值的差值小于第一阈值的情况下，确定所述两个第一回环对为同一类第一回环对；
对各个类别的第一回环对，将所述类别的第一回环对合并为一个第一回环对，得到合并回环对；并，
生成所述类别的第一回环对的第一几何约束，通过所述第一几何约束计算所述合并回环对中的两个合并位姿的相对位姿；
通过所述两个合并位姿的相对位姿，对第二位姿图中的所述两个合并位姿之间的位姿图进行修正。
5.根据权利要求1所述的方法，其特征在于，所述信息还包括雷达点云，所述雷达点云与所述当前时刻车辆的位姿相关联，所述方法包括：
基于所述第一位姿图中的不同位姿点之间的相对位姿，以及所述不同位姿点各自所关联的雷达点云，生成雷达点云图层；
所述通过所述语义点云图层和所述矢量图层建立地图，包括：
通过所述语义点云图层、所述矢量图层以及所述雷达点云图层建立地图。
6.根据权利要求5所述的方法，其特征在于，所述方法包括：
将所述雷达点云映射至车辆坐标系，所述车辆坐标系包括多个子区域；
对于同一子区域，基于映射至所述子区域的雷达点云数据点的高度坐标值，将最大的高度坐标值作为所述子区域的特征值；
根据多个子区域的特征值生成所述雷达点云的第一特征；
从历史的雷达点云的特征中确定与所述第一特征相似度最高且相似度大于相似度阈值的特征，得到第二特征；
将所述第一特征和所述第二特征作为第二回环对；
所述根据在不同时刻获取到的多个位姿生成第一位姿图，包括：
根据在不同时刻获取到的多个位姿生成第二位姿图；
根据所述第二回环对对所述第二位姿图进行修正，得到所述第一位姿图。
7.根据权利要求1至6中任一项所述的方法，其特征在于，所述获取当前时刻车辆的位姿以及车辆的信息采集装置对车辆周围环境采集得到的信息之前，包括：
响应于用户的用于开启记忆泊车学习的操作，生成建图坐标系，并确定车辆的地理定位信息以及车辆在所述建图坐标系的初始位姿；
所述获取当前时刻车辆的位姿以及车辆的信息采集装置对车辆周围环境采集得到的信息，包括：
获取当前时刻车辆在所述建图坐标系的位姿以及车辆的信息采集装置对车辆周围环境采集得到的信息；
所述通过所述语义点云图层和所述矢量图层建立地图，包括：
通过所述语义点云图层和所述矢量图层生成基于所述建图坐标系的地图；
将所述地图中的初始位姿与所述地理定位信息相关联，所述地理定位信息用于触发所述车辆执行基于所述地图的记忆泊车操作。
8.根据权利要求1至6中任一项所述的方法，其特征在于，包括：
从所述第一位姿图中确定位姿交叉点；
根据所述交叉点对所述第一位姿图进行分割，得到多个路段；
生成所述多个路段之间的拓扑关系；
建立所述拓扑关系与所述地图的关联关系。
9.一种地图建立装置，其特征在于，包括：
信息获取模块，被配置为获取当前时刻车辆的位姿以及车辆的信息采集装置对车辆周围环境采集得到的信息，所述信息包括图像；
特征获取模块，被配置为获取所述图像的语义点云以及所述图像的语义特征点，并将所述语义点云以及所述语义特征点与所述位姿相关联；
位姿图生成模块，被配置为根据在不同时刻获取到的多个位姿生成第一位姿图；
图层生成模块，被配置为基于所述第一位姿图中的不同位姿点之间的相对位姿，以及所述不同位姿点各自所关联的语义点云，生成语义点云图层，并基于所述相对位姿以及所述不同位姿点各自所关联的语义特征点生成矢量图层；
地图建立模块，被配置为通过所述语义点云图层和所述矢量图层建立地图。
10.一种地图建立装置，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行权利要求1至8中任一项所述方法的步骤。
11.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，该程序指令被处理器执行时实现权利要求1至8中任一项所述方法的步骤。
12.一种车辆，其特征在于，包括权利要求10所述的地图建立装置。
CN202310637714.2A 2023-05-31 2023-05-31 地图建立方法、装置、存储介质以及车辆 Active CN116358573B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310637714.2A CN116358573B (zh) 2023-05-31 2023-05-31 地图建立方法、装置、存储介质以及车辆

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310637714.2A CN116358573B (zh) 2023-05-31 2023-05-31 地图建立方法、装置、存储介质以及车辆

Publications (2)

Publication Number Publication Date
CN116358573A CN116358573A (zh) 2023-06-30
CN116358573B true CN116358573B (zh) 2023-08-29

Family

ID=86928331

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310637714.2A Active CN116358573B (zh) 2023-05-31 2023-05-31 地图建立方法、装置、存储介质以及车辆

Country Status (1)

Country Link
CN (1) CN116358573B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109345574A (zh) * 2018-08-31 2019-02-15 西安电子科技大学 基于语义点云配准的激光雷达三维建图方法
CN112116654A (zh) * 2019-06-20 2020-12-22 杭州海康威视数字技术股份有限公司 一种车辆位姿确定方法、装置及电子设备
WO2022007776A1 (zh) * 2020-07-07 2022-01-13 长沙智能驾驶研究院有限公司 目标场景区域的车辆定位方法、装置、设备和存储介质
CN114111774A (zh) * 2021-12-06 2022-03-01 纵目科技（上海）股份有限公司 车辆的定位方法、系统、设备及计算机可读存储介质
CN115131363A (zh) * 2022-07-13 2022-09-30 深圳市优必选科技股份有限公司 基于语义信息的定位方法、装置和终端设备
CN115272599A (zh) * 2022-07-25 2022-11-01 同济大学 一种面向城市信息模型的三维语义地图构建方法
WO2022257801A1 (zh) * 2021-06-09 2022-12-15 山东大学 基于slam的移动机器人矿山场景重建方法及系统
CN115790568A (zh) * 2022-10-10 2023-03-14 奥比中光科技集团股份有限公司 基于语义信息的地图生成方法及相关设备
CN115965970A (zh) * 2023-02-02 2023-04-14 清华大学 基于隐式的集合预测实现鸟瞰图语义分割的方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115082549A (zh) * 2021-03-10 2022-09-20 北京图森智途科技有限公司 位姿估计方法及装置、以及相关设备和存储介质
CN113256712B (zh) * 2021-06-01 2023-04-18 北京有竹居网络技术有限公司 定位方法、装置、电子设备和存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109345574A (zh) * 2018-08-31 2019-02-15 西安电子科技大学 基于语义点云配准的激光雷达三维建图方法
CN112116654A (zh) * 2019-06-20 2020-12-22 杭州海康威视数字技术股份有限公司 一种车辆位姿确定方法、装置及电子设备
WO2020253842A1 (zh) * 2019-06-20 2020-12-24 杭州海康威视数字技术股份有限公司 一种车辆位姿确定方法、装置及电子设备
WO2022007776A1 (zh) * 2020-07-07 2022-01-13 长沙智能驾驶研究院有限公司 目标场景区域的车辆定位方法、装置、设备和存储介质
WO2022257801A1 (zh) * 2021-06-09 2022-12-15 山东大学 基于slam的移动机器人矿山场景重建方法及系统
CN114111774A (zh) * 2021-12-06 2022-03-01 纵目科技（上海）股份有限公司 车辆的定位方法、系统、设备及计算机可读存储介质
CN115131363A (zh) * 2022-07-13 2022-09-30 深圳市优必选科技股份有限公司 基于语义信息的定位方法、装置和终端设备
CN115272599A (zh) * 2022-07-25 2022-11-01 同济大学 一种面向城市信息模型的三维语义地图构建方法
CN115790568A (zh) * 2022-10-10 2023-03-14 奥比中光科技集团股份有限公司 基于语义信息的地图生成方法及相关设备
CN115965970A (zh) * 2023-02-02 2023-04-14 清华大学 基于隐式的集合预测实现鸟瞰图语义分割的方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于语义分割和点云配准的物体检测与 位姿估计;陈廷炯;计算机工程;第49卷(第1期);36-40 *

Also Published As

Publication number Publication date
CN116358573A (zh) 2023-06-30

Similar Documents

Publication Publication Date Title
KR20200121274A (ko) 전자 지도를 업데이트하기 위한 방법, 장치 및 컴퓨터 판독 가능한 저장 매체
US20080262721A1 (en) Map generation system and map generation method by using GPS tracks
CN107167826B (zh) 一种自动驾驶中基于可变网格的图像特征检测的车辆纵向定位系统及方法
JP7204823B2 (ja) 車両制御方法、車両制御装置及び車両
CN111220164A (zh) 定位方法、装置、设备及存储介质
CN112086010B (zh) 地图生成方法、装置、设备及存储介质
CN113034566B (zh) 高精度地图构建方法、装置、电子设备及存储介质
CN111784835B (zh) 制图方法、装置、电子设备及可读存储介质
CN113989451B (zh) 高精地图构建方法、装置及电子设备
CN113447923A (zh) 目标检测方法、装置、系统、电子设备及存储介质
CN111508258A (zh) 一种定位方法及装置
US11699234B2 (en) Semantic segmentation ground truth correction with spatial transformer networks
US20220164595A1 (en) Method, electronic device and storage medium for vehicle localization
CN111651547B (zh) 高精度地图数据的获取方法、装置及可读存储介质
CN116358573B (zh) 地图建立方法、装置、存储介质以及车辆
Berrio et al. Long-term map maintenance pipeline for autonomous vehicles
CN115979262A (zh) 飞行器的定位方法、装置、设备及存储介质
CN111488771B (zh) Ocr挂接方法、装置与设备
WO2022021209A9 (zh) 电子地图生成方法、装置、计算机设备和存储介质
CN116358533B (zh) 回环检测数据的处理方法、装置、存储介质以及车辆
CN113048988B (zh) 一种导航地图对应场景的变化元素检测方法及装置
CN116358532B (zh) 回环检测方法、装置、存储介质以及车辆
CN113887544B (zh) 图像处理方法、装置、电子设备及计算机可读存储介质
CN113390422B (zh) 汽车的定位方法、装置及计算机存储介质
US20230194301A1 (en) High fidelity anchor points for real-time mapping with mobile devices

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
GR01 Patent grant
GR01 Patent grant