CN116772821A - 地图生成方法、装置、计算机设备和存储介质 - Google Patents
地图生成方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN116772821A CN116772821A CN202310506231.9A CN202310506231A CN116772821A CN 116772821 A CN116772821 A CN 116772821A CN 202310506231 A CN202310506231 A CN 202310506231A CN 116772821 A CN116772821 A CN 116772821A
- Authority
- CN
- China
- Prior art keywords
- position information
- lane element
- lane
- target
- map
- 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
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000004590 computer program Methods 0.000 claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 238000003709 image segmentation Methods 0.000 claims abstract description 12
- 238000009434 installation Methods 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 14
- 230000008569 process Effects 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 241000283070 Equus zebra Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本申请涉及一种地图生成方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括:获取目标相机采集的目标路面的图像数据;采用图像分割算法,识别图像数据包含的各数据点所属的车道要素类别;基于目标相机的参数信息、图像数据中各数据点的第一位置信息,确定各车道要素类别对应的数据点在世界坐标系下的第二位置信息;基于车道要素类别对应的数据点的第二位置信息,对车道要素类别对应的数据点进行聚类,并基于聚类后的数据点的第二位置信息得到车道要素的目标位置信息;基于各车道要素的目标位置信息和车道要素类别,生成目标路面对应的地图。采用本方法能够降低高精地图的制作成本,同时还可提高地图制作效率和更新效率。
Description
技术领域
本申请涉及自动驾驶技术领域,特别是涉及一种地图生成方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着自动驾驶的发展,高精地图作为自动驾驶的大脑,为自动驾驶发挥着重要作用。高精地图提供了一个自动驾驶车辆所处的环境模型,其包含各类车道标志线、导向箭头等车道要素信息,以及其它道路情况、周边环境等信息。高精地图矢量化技术作为高精地图制作过程中的一项重要的技术,将道路语义信息转化为自动驾驶车辆可以利用的矢量化信息,在自动驾驶领域具有重要作用。
相关技术中,高精地图的制作方法,可以利用激光雷达与高精度惯导技术进行建图,其将多帧点云拼接成一张点云底图,然后矢量化提取点云底图的语义要素,从而进行地图制作。
然而,上述采用激光雷达和惯导技术制作高精地图的方法,涉及的设备成本较高,从而导致高精地图的制作成本较高。
发明内容
基于此,有必要针对上述技术问题,提供一种能够降低高精地图制作成本的地图生成方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种地图生成方法。所述方法包括:
获取目标相机采集的目标路面的图像数据;
采用图像分割算法,识别所述图像数据包含的各数据点所属的车道要素类别;每个所述数据点与所述图像数据中的一个像素点对应;
基于所述目标相机的参数信息、以及所述图像数据中各所述车道要素类别对应的数据点的第一位置信息,确定各所述车道要素类别对应的数据点在世界坐标系下的第二位置信息;
针对每个所述车道要素类别,基于所述车道要素类别对应的数据点的第二位置信息,对所述车道要素类别对应的数据点进行聚类,并基于聚类后的数据点的第二位置信息得到所述车道要素类别的车道要素的目标位置信息;
基于各所述车道要素的目标位置信息和各所述车道要素的车道要素类别,生成所述目标路面对应的地图。
在其中一个实施例中,所述基于所述目标相机的参数信息、以及所述图像数据中各所述车道要素类别对应的数据点的第一位置信息,确定各所述车道要素类别对应的数据点在世界坐标系下的第二位置信息,包括:
获取所述目标相机的参数信息,所述参数信息包括所述目标相机相对于所述目标路面的安装角度信息、以及所述目标相机在世界坐标系下的安装角度信息和位置信息;
根据所述目标相机的参数信息,对所述图像数据中、各所述车道要素类别对应的数据点的第一位置信息进行坐标转换,得到各所述车道要素类别对应的数据点在世界坐标系下的第二位置信息。
在其中一个实施例中,所述基于聚类后的数据点的第二位置信息得到所述车道要素类别的车道要素的目标位置信息,包括:
基于聚类后的数据点的第二位置信息,确定所述车道要素类别的各车道要素对应的数据点;
针对每个车道要素,基于所述车道要素对应的数据点的第二位置信息、以及所述车道要素类别对应的位置信息确定策略,确定所述车道要素的目标位置信息。
在其中一个实施例中,所述基于所述车道要素对应的数据点的第二位置信息、以及所述车道要素类别对应的位置信息确定策略,确定所述车道要素的目标位置信息,包括:
基于所述车道要素对应的数据点的第二位置信息,确定所述车道要素对应的最小外接矩形;
将所述最小外接矩形的位置信息确定为所述车道要素的位置信息。
在其中一个实施例中,所述基于所述车道要素对应的数据点的第二位置信息、以及所述车道要素类别对应的位置信息确定策略,确定所述车道要素的目标位置信息,包括:
基于所述车道要素对应的数据点的第二位置信息,对所述车道要素对应的数据点进行拟合,得到所述车道要素对应的直线区域;
将所述直线区域的位置信息确定为所述车道要素的目标位置信息。
在其中一个实施例中,所述基于各所述车道要素的目标位置信息和各所述车道要素的车道要素类别,生成所述目标路面对应的地图之后,还包括:
获取所述目标路面的历史地图;
根据所述历史地图包含的各车道要素的历史位置信息、以及当前生成的地图包含的各车道要素的目标位置信息,确定所述历史地图与当前生成的地图的差异度;
根据所述差异度,在所述历史地图和当前生成的地图中确定待使用的目标地图。
第二方面,本申请还提供了一种地图生成装置。所述装置包括:
第一获取模块,用于获取目标相机采集的目标路面的图像数据;
识别模块,用于采用图像分割算法,识别所述图像数据包含的各数据点所属的车道要素类别;每个所述数据点与所述图像数据中的一个像素点对应;
第一确定模块,用于基于所述目标相机的参数信息、以及所述图像数据中各所述车道要素类别对应的数据点的第一位置信息,确定各所述车道要素类别对应的数据点在世界坐标系下的第二位置信息;
聚类模块,用于针对每个所述车道要素类别,基于所述车道要素类别对应的数据点的第二位置信息,对所述车道要素类别对应的数据点进行聚类,并基于聚类后的数据点的第二位置信息得到所述车道要素类别的车道要素的目标位置信息;
生成模块,用于基于各所述车道要素的目标位置信息和各所述车道要素的车道要素类别,生成所述目标路面对应的地图。
在其中一个实施例中,所述第一确定模块具体用于:
获取所述目标相机的参数信息,所述参数信息包括所述目标相机相对于所述目标路面的安装角度信息、以及所述目标相机在世界坐标系下的安装角度信息和位置信息;根据所述目标相机的参数信息,对所述图像数据中、各所述车道要素类别对应的数据点的第一位置信息进行坐标转换,得到各所述车道要素类别对应的数据点在世界坐标系下的第二位置信息。
在其中一个实施例中,所述聚类模块具体用于:
基于聚类后的数据点的第二位置信息,确定所述车道要素类别的各车道要素对应的数据点;针对每个车道要素,基于所述车道要素对应的数据点的第二位置信息、以及所述车道要素类别对应的位置信息确定策略,确定所述车道要素的目标位置信息。
在其中一个实施例中,所述聚类模块具体用于:
基于所述车道要素对应的数据点的第二位置信息,确定所述车道要素对应的最小外接矩形;将所述最小外接矩形的位置信息确定为所述车道要素的位置信息。
在其中一个实施例中,所述聚类模块具体用于:
基于所述车道要素对应的数据点的第二位置信息,对所述车道要素对应的数据点进行拟合,得到所述车道要素对应的直线区域;将所述直线区域的位置信息确定为所述车道要素的目标位置信息。
在其中一个实施例中,所述装置还包括:
第二获取模块,用于获取所述目标路面的历史地图;
第二确定模块,用于根据所述历史地图包含的各车道要素的历史位置信息、以及当前生成的地图包含的各车道要素的目标位置信息,确定所述历史地图与当前生成的地图的差异度;
第三确定模块,用于根据所述差异度,在所述历史地图和当前生成的地图中确定待使用的目标地图。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现第一方面所述的方法的步骤。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现第一方面所述的方法的步骤。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现第一方面所述的方法的步骤。
上述地图生成方法、装置、计算机设备、存储介质和计算机程序产品,通过相机采集路面的图像数据,识别路面图像数据包含的各数据点(对应像素点)所属的车道要素类别,然后基于相机的参数信息对图像数据中各数据点的位置信息(如像素坐标)进行转换,得到车道要素类别对应的各数据点在世界坐标系下的位置信息,之后对数据点在世界坐标系下的位置信息进行聚类,基于聚类后的数据点的位置信息确定各车道要素类别的车道要素的目标位置信息,从而基于各车道要素的目标位置信息和车道要素类别,生成该路面对应的地图。本方法中,可以采用成本较低的设备(相机)采集目标路面的图像数据,以生成目标路面的高精地图,从而降低了高精地图的制作成本。此外,本方法还可以实时采集图像数据实时生成地图,提高地图制作效率和更新效率。
附图说明
图1为一个实施例中地图生成方法的流程示意图;
图2为一个实施例中确定数据点的第二位置信息的流程示意图;
图3为一个实施例中得到车道要素的目标位置信息的流程示意图;
图4为一个实施例中地图生成装置的结构框图;
图5为一个实施例中计算机设备的内部结构图。
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。
首先,在具体介绍本申请实施例的技术方案之前,先对本申请实施例基于的技术背景或者技术演进脉络进行介绍。随着自动驾驶的发展,高精地图作为自动驾驶的大脑,为自动驾驶发挥着重要作用。高精地图提供了一个自动驾驶车辆所处的环境模型,其包含各类车道标志线、导向箭头等车道要素信息,以及其它道路情况、周边环境等信息。车辆可以根据高精地图获取车辆定位、道路情况及周边环境,以便进行路线规划、控制车辆的行驶策略。其中,高精度地图矢量化技术作为高精地图制作过程中的一项最重要的技术,将道路语义信息转化为自动驾驶车辆可以利用的矢量化信息,在自动驾驶领域具有重要作用。
相关技术中,高精地图的制作方法,可以利用激光雷达与高精度惯导技术进行建图,其将激光雷达采集的多帧点云数据拼接成一张点云底图,然后矢量化提取点云底图的语义要素,从而进行地图制作。然而,激光雷达的设备成本较高,导致高精地图的制作成本较高。并且,由于激光雷达的设备成本较高,难以在道路环境规模化安装雷达设备进行道路环境点云数据采集,而通常是采用搭载激光雷达的采集车对各道路环境进行点云数据采集。采集车需花费较多时间行驶到目标环境来采集数据,因此,基于激光雷达制作高精地图的方法,效率较低,且更新周期较长。
基于该背景,申请人通过长期的研发以及实验验证,提出本申请的地图生成方法,可以采用成本较低的设备(相机)采集目标环境(包括目标路面)的信息,以生成目标环境的高精地图,从而降低高精地图的制作成本,且可实时采集数据实时生成地图,提高地图制作效率和更新效率。另外,需要说明的是,本申请技术问题的发现以及下述实施例介绍的技术方案,申请人均付出了大量的创造性劳动。
在一个实施例中,如图1所示,提供了一种地图生成方法,该方法可以应用于计算机设备。其中,计算机设备可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备、车联网设备和服务器等。本实施例中,该方法包括以下步骤:
步骤101,获取目标相机采集的目标路面的图像数据。
在实施中,可以预先在待生成地图的目标环境中(如路侧或路面上方)安装相机或具有相机功能的其它电子设备,以实时或定时采集目标环境(包括目标路面)的图像数据。相机可以将采集到的图像数据上传至云端服务器,从而计算机设备可以从云端服务器获取到目标路面的图像数据。
步骤102,采用图像分割算法,识别图像数据包含的各数据点所属的车道要素类别。
在实施中,目标路面可能包含导向箭头(包括指示可直行、可左转、可掉头、可右转、可直行或右转、以及其它的导向箭头)、车道线(包括单虚线/实线、双虚线/实线、斑马线及其它车道线)、减速让行标识、禁停标识等各种类别的车道要素。计算机设备可以采用图像分割算法,识别目标路面的图像数据中各像素点对应的车道要素类别。其中,图像数据中的一个像素点可以与一个数据点对应。相应的,该像素点对应的车道要素类别,即为该像素点对应数据点的车道要素类别。
例如,可以通过在自动驾驶示范区采集路侧视频流,从视频流中获取样本图像,并在样本图像中标注导向箭头、车道线等车道要素类别标签,得到多个训练样本。然后,计算机设备可以采用训练样本训练构建的图像分割模型(如DDRNet等语义分割模型),得到训练合格(如训练次数300轮,准召回达到99%视为合格)的图像分割模型。之后,计算机设备可以将目标路面的图像数据输入至训练合格的图像分割模型,得到图像数据包含的各像素点对应的车道要素类别。
步骤103,基于目标相机的参数信息、以及图像数据中各车道要素类别对应的数据点的第一位置信息,确定各车道要素类别对应的数据点在世界坐标系下的第二位置信息。
在实施中,第一位置信息指图像坐标系下的位置信息(如像素坐标),图像数据中可以包含各像素点的第一位置信息(作为数据点的第一位置信息);第二位置信息指世界坐标系下的位置信息,即目标路面上该点处的实际空间位置信息。计算机设备可以基于目标相机的参数信息,对识别为车道要素类别的各数据点的第一位置信息进行坐标转换,得到各数据点的第二位置信息(即目标路面上各点处的实际空间位置信息)。目标相机的参数信息可以包括畸变系数、焦距、安装角度、世界坐标系下的位置信息等。
步骤104,针对每个车道要素类别,基于车道要素类别对应的数据点的第二位置信息,对车道要素类别对应的数据点进行聚类,并基于聚类后的数据点的第二位置信息得到车道要素类别的车道要素的目标位置信息。
在实施中,计算机设备识别出各数据点所属的车道要素类别后,可以将各车道要素类别对应的数据点分别进行聚类。由于目标路面可能存在属于同一车道要素类别的多个车道要素(如多条实线车道线),以及由于图像分割算法的准确性难以达到百分百,因而可能存在错识别为该车道要素类别的数据点,因此,可以对识别为同一车道要素类别的各数据点进行聚类处理,以将属于同一车道要素类别的数据点分为同一组,同时可以去除误识别的孤立点。聚类处理可以采用K-Means、K-Medoids等聚类算法。对于虚线类的车道要素,将虚线的中心点的距离在预设范围内(如0.3m以内)的各虚线,确定为同一虚线类车道要素。然后,计算机设备可以基于聚类后的数据点的第二位置信息(即步骤103中得到的世界坐标系下的位置信息)得到各车道要素的目标位置信息,例如可以将聚类为同一组的各数据点组成的轮廓线的位置信息,作为该组对应的车道要素的目标位置信息。
步骤105,基于各车道要素的目标位置信息和各车道要素的车道要素类别,生成目标路面对应的地图。
在实施中,计算机设备确定出目标路面中各车道要素的目标位置信息后,可以将车道要素的目标位置信息和各车道要素对应的车道要素类别,作为目标路面对应的高精地图数据,以生成高精地图。可视化显示的高精地图中,可以在地图中、与车道要素的目标位置对应处,显示该车道要素类别对应的要素标识。可以理解的,可视化显示的高精地图中,显示要素标识时还可以结合其它道路信息,如对于与车的流向有关的车道要素(如导向箭头),还可以基于道路信息中的车的流向信息,显示与该流向一致的要素标识。此外,高精地图数据中还可以包含目标路面所属环境的其它信息。相机可以采集到目标环境中除路面外的其它对象(如红绿灯、标识牌、路侧建筑等)的图像数据,可以根据需要,基于采集到的目标环境的全部图像数据,构建目标环境的整体地图,具体过程在此不再赘述。
上述地图生成方法,通过相机采集路面的图像数据,识别路面图像数据包含的各数据点(对应像素点)所属的车道要素类别,然后基于相机的参数信息对图像数据中各数据点的位置信息(如像素坐标)进行转换,得到车道要素类别对应的各数据点在世界坐标系下的位置信息,之后对数据点在世界坐标系下的位置信息进行聚类,基于聚类后的数据点的位置信息确定各车道要素类别的车道要素的目标位置信息,从而基于各车道要素的目标位置信息和车道要素类别,生成该路面对应的地图。本方法中,可以采用成本较低的设备(相机)采集目标路面的图像数据,以生成目标路面的高精地图,从而降低了高精地图的制作成本。此外,本方法还可以实时采集图像数据实时生成地图,提高地图制作效率。
在一个实施例中,如图2所示,步骤103中确定数据点的第二位置信息的过程具体包括如下步骤:
步骤201,获取目标相机的参数信息。
其中,参数信息包括目标相机相对于目标路面的安装角度信息、以及目标相机在世界坐标系下的安装角度信息和位置信息。
在实施中,可以预先标定安装与目标路面环境中的目标相机的参数信息,并进行存储,从而计算机设备可以获取目标相机的参数信息。例如,可以利用搭载有雷达的采集车对目标路面(如路口处)以及安装于该环境中的相机进行点云采集,以得到目标路面的点云信息和目标相机的点云信息。然后,可以根据目标相机的点云信息,确定外轮廓,并进行外包围框拟合,得到目标相机外包框的六面体信息。之后,可以根据六面体信息以及相机光轴计算相机光轴的法向量和相机光心的世界坐标,即可得到相机在世界坐标系下的安装角度信息和位置信息。然后,可以根据路面点云信息计算路面法向量,并根据路面法向量和相机光轴法向量,计算相机相对于目标路面的安装角度信息与位置信息。
步骤202,根据目标相机的参数信息,对图像数据中、各车道要素类别对应的数据点的第一位置信息进行坐标转换,得到各车道要素类别对应的数据点在世界坐标系下的第二位置信息。
在实施中,计算机设备可以根据目标相机的参数信息,对图像数据中、识别为车道要素类别的数据点的第一位置信息(如像素坐标)进行坐标转换,以得到各数据点在世界坐标系下的第二位置信息。在一个示例中,可以先基于各数据点的第一位置信息(可记为[u,v,1],由于世界坐标系下的位置信息一般采用三维坐标,因而为了便于运算,将像素坐标补足维数)和相机相对于目标路面中心的安装角度信息(可记为[Rc,tc]),计算各数据点在相机坐标系下的位置信息(可记为[xv,yv,1])。计算公式可以如下所示:
然后,计算机设备可以根据各数据点在相机坐标系下的位置信息[xv,yv,1],以及相机在世界坐标系下的安装角度信息(可记为R(qi),表示相机在世界坐标系下的安装角度的旋转矩阵)和位置信息(可记为pi),计算各数据点在世界坐标系下的位置信息(可记为[xw,yw,zw]),计算公式可以如下所示:
本实施例中,通过基于相机采集的图像数据和相机的参数信息,得到各数据点的实际空间位置信息,从而可以基于各数据点的实际空间位置信息,确定各数据点所属车道要素的空间位置信息,可作为高精地图数据用于生成高精地图。
在一个实施例中,如图3所示,步骤104中,基于聚类后的数据点得到车道要素的目标位置信息的过程具体包括如下步骤:
步骤301,基于聚类后的数据点的第二位置信息,确定车道要素类别的各车道要素对应的数据点。
在实施中,对识别为同一车道要素类别的数据点进行聚类后,可以将聚类为同一组(如距离相近)的数据点,确定为该车道要素类别的一个车道要素对应的数据点。
步骤302,针对每个车道要素,基于车道要素对应的数据点的第二位置信息、以及车道要素类别对应的位置信息确定策略,确定车道要素的目标位置信息。
在实施中,由于不同车道要素类别的车道要素的特征可能存在较大差异,如指示箭头和实线车道线,长度和宽度差异较大,因而可以针对不同车道要素类别分别设置对应的位置信息确定策略。然后,针对目标路面中的每个车道要素,计算机设备可以采用与该车道要素的类别对应的策略,基于该车道要素对应的数据点的第二位置信息,确定出该车道要素的目标位置信息。如对于曲线车道线,可以在长度范围内每间隔一段距离确定出一个局部中心点,将局部中心点相连,并对连线做平滑处理,得到的平滑的连线即对应该车道线,可以将平滑的连线的位置信息作为车道线的位置信息。对于导向箭头,可以将包围各数据点的外接矩形所包围的区域作为指示箭头所在的区域,因而可以将该外接矩形的位置信息作为指示箭头的位置信息。
本实施例中,对识别为同一类别的数据点进行聚类处理后,通过将同一组的数据点作为同一车道要素对应的数据点,进而基于该组内的数据点的位置信息,采用与该车道要素类别对应的策略,确定该车道要素的位置信息。由此,可以准确地确定出目标路面包含的各车道要素的位置信息,作为地图数据用于生成地图。
在一个实施例中,步骤302中确定车道要素的目标位置信息的过程具体包括如下步骤:基于车道要素对应的数据点的第二位置信息,确定车道要素对应的最小外接矩形;将最小外接矩形的位置信息确定为车道要素的位置信息。
在实施中,可以根据车道要素的形状特征,将车道要素分为线条型车道要素(如实线、虚线车道线等)和非线条型车道要素(如导向箭头、减速让行标识等)两大类。对于非线条型车道要素,计算机设备可以基于该类车道要素对应的数据点的第二位置信息,采用旋转卡壳算法等方法,计算每个车道要素对应的最小外接矩形。最小外接矩形将包含该车道要素对应的聚类后的全部数据点。该最小外接矩形的位置信息即可反映目标路面中该车道要素所处的位置,车道要素的标识可以包含在该最小外接矩形中。例如,计算机设备可以根据聚类处理得到的、属于同一车道要素的各数据点的第二位置信息,计算四个多边形的端点,可记为xminP,xmaxP,yminP,ymaxP。然后,通过四个点构造P的四条切线,即确定了两个“卡壳”集合。如果一条(或两条)线与一条边重合,那么计算由四条线决定的矩形的面积,并且保存为当前最小值,否则将当前最小值定义为无穷大。之后,顺时针旋转线直到其中一条和多边形的一条边重合,计算新矩形的面积,并和当前最小值比较。如果小于当前最小值则更新,并保存确定出的最小值的矩形信息。重复旋转线和确定新矩形面积的步骤,直到线旋转过的角度大于90度,输出外接矩形的最小面积,即得到该车道要素对应的最小外接矩形。
然后,计算机设备可以将该最小外接矩形的位置信息(如端点的位置信息、和/或轮廓位置信息、和/或中心点的位置信息等),确定为该车道要素的位置信息(在世界坐标系下的位置信息)。
本实施例中,对于标识较为复杂且较短宽的车道要素标识,可以确定出包含该车道要素对应的数据点的最小外接矩形,该车道要素即处于该矩形内,从而可以将最小外接矩形的位置信息确定为该车道要素的位置信息,以兼顾定位准确性和定位效率,进而提高地图制作准确性和效率。
在另一个实施例中,步骤302中确定车道要素的目标位置信息的过程具体包括如下步骤:基于车道要素对应的数据点的第二位置信息,对车道要素对应的数据点进行拟合,得到车道要素对应的直线区域;将直线区域的位置信息确定为车道要素的目标位置信息。
在实施中,对于线条型的车道要素,计算机设备可以对该类别下的每个车道要素对应的各数据点进行直线拟合。例如,计算机设备可以先采用RANSAC(Random SampleConsensus,随机采样一致)算法对数据点进行处理,去除外点,保留内点。然后,采用最小二乘法对内点进行拟合,得到直线y=a+bx。其中,x和y对应数据点在世界坐标系下的位置信息中的xw和yw;a代表截距,b代表斜率,为两个待定参数。对于等精度测量所得到的N组数据(xi,yi),i=1,2……,N,xi值被认为是准确的,所有的误差只联系着yi。因此,采用最小二乘法估计参数时,要求观测值yi的偏差的加权平方和为最小。对于等精度观测值的直线拟合来说,可使下式的值最小:
对上式求偏导可得下述方程组:
对上述方程组求解,便可得到直线参数a和b的最佳估计值。基于该车道要素对应的数据点的位置信息,可以确定出该直线y=a+bx所处区域的位置信息,该直线所处区域(直线区域)即对应该车道要素所处位置,因而可以将该直线区域的位置信息作为车道要素对应的目标位置信息,以作为高精地图数据,用于在地图中该位置处生成与该车道要素的类别对应的标识(直线车道线)。可以理解的,对于虚线类的车道要素,可以将该车道要素对应的数据点进一步进行聚类,每组数据点对应一段虚线,然后可以对每段虚线对应的数据点进行直线拟合,得到多段较短的直线区域,各段直线区域组合成该车道要素所处的区域。
在一个实施例中,在步骤105中生成目标路面对应的地图之后,该方法还可以包括地图变化判断和更新过程,具体包括如下步骤:获取目标路面的历史地图;根据历史地图包含的各车道要素的历史位置信息、以及当前生成的地图包含的各车道要素的目标位置信息,确定历史地图与当前生成的地图的差异度;根据差异度,在历史地图和当前生成的地图中确定待使用的目标地图。
在实施中,计算机设备可以根据目标路面的历史地图(如基于目标相机采集的历史图像数据生成的或其它方法生成的历史地图)和步骤105中生成的地图(当前生成的地图)的差异度,判断目标路面的地图数据是否发生变化,是否需要更新。具体的,计算机设备可以根据历史地图中包含的各车道要素的历史位置信息,与当前生成的地图中各车道要素的历史位置信息,进行匹配,得到差异度。
例如,针对当前生成的地图中的每个车道要素,可以将当前匹配的车道要素作为待匹配车道要素,将待匹配车道要素在当前生成的地图中的位置信息作为待匹配位置信息。然后,基于待匹配位置信息,在历史地图中进行邻域搜索,确定出与待匹配车道要素相邻、且属于同一车道要素类别的目标车道要素。之后,可以根据目标车道要素的位置信息确定出目标车道要素所处区域的图像数据,与待匹配车道要素的待匹配位置信息对应区域的图像数据,计算二者的面积交并比。并计算二者的区域中心点的距离。可以根据面积交并比和区域中心点的距离确定差异度。具体的,若二者的图像数据的面积交并比大于预设阈值(如IoU>0.6),且二者的区域中心点的距离小于预设阈值(如小于0.3m),则可以确定历史地图与当前生成的地图的差异度不满足预设条件,即可以将历史地图和当前生成的地图视为没有变化,故可以将历史地图确定为待使用的目标地图,即不更新地图。若面积交并比小于或等于预设阈值,和/或二者的区域中心点的距离大于或等于预设阈值,则确定差异度满足预设条件,故可以将当前生成的地图确定为待使用的目标地图,即对地图进行更新。
可以理解的,若基于待匹配位置信息,在历史地图中进行邻域搜索时,未搜索到与待匹配车道要素相邻、且属于同一车道要素类别的目标车道要素,也即,历史地图中可能不包含与待匹配车道要素相同类别的车道要素,说明目标路面的地图数据已发生变化,可以将当前生成的地图作为待使用的地图(进行地图更新)。此外,计算机设备还可以采用其它方法确定历史地图和当前生成地图的差异度。例如,可以针对每个车道要素类别,在目标路面的历史地图中确定该车道要素类别的车道要素的第一数量,并在当前生成的地图中,确定该车道要素类别的车道要素的第二数量。然后将第一数量与第二数量进行比对,若每个车道要素类别对应的车道要素的第一数量和第二数量均相同,则可以进一步执行采用前述的根据各车道要素的位置信息确定差异度的步骤;若存在至少一个车道要素类别对应的车道要素的第一数量和第二数量不相同,则可以确定历史地图和当前生成的地图的差异度符合条件,即地图数据发生变化,需进行地图更新。
可选的,可以对于不同车道要素类别,设置不同的比对方法。如上述面积交并比的方法,可以用于非线条型的车道要素(其在生成地图过程中对应有最小外接矩形),可以直接计算最小外接矩形的面积交并比和矩形中心点的距离,确定差异度。对于线条型的车道要素,可以采用ICP配准(Point Cloud Registration,点云配准)算法计算最小误差,当误差大于预设阈值(如大于0.3m),即为差异度满足条件,视为地图发生变化,需进行更新。
本实施例中,通过基于历史地图中各车道要素的历史位置信息和当前生成的地图中各车道要素的位置信息,确定历史地图和当前生成的地图的差异度,以便根据差异度,确定是否进行地图更新。由此,可以在目标路面的车道信息发生变化时,及时更新地图,提高地图更新效率。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的地图生成方法的地图生成装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个地图生成装置实施例中的具体限定可以参见上文中对于地图生成方法的限定,在此不再赘述。
在一个实施例中,如图4所示,提供了一种地图生成装置400,包括:第一获取模块401、识别模块402、第一确定模块403、聚类模块404和生成模块405,其中:
第一获取模块401,用于获取目标相机采集的目标路面的图像数据。
识别模块402,用于采用图像分割算法,识别所述图像数据包含的各数据点所属的车道要素类别;每个所述数据点与所述图像数据中的一个像素点对应。
第一确定模块403,用于基于所述目标相机的参数信息、以及所述图像数据中各所述车道要素类别对应的数据点的第一位置信息,确定各所述车道要素类别对应的数据点在世界坐标系下的第二位置信息。
聚类模块404,用于针对每个所述车道要素类别,基于所述车道要素类别对应的数据点的第二位置信息,对所述车道要素类别对应的数据点进行聚类,并基于聚类后的数据点的第二位置信息得到所述车道要素类别的车道要素的目标位置信息。
生成模块405,用于基于各所述车道要素的目标位置信息和各所述车道要素的车道要素类别,生成所述目标路面对应的地图。
在其中一个实施例中,所述第一确定模块403具体用于:获取所述目标相机的参数信息,所述参数信息包括所述目标相机相对于所述目标路面的安装角度信息、以及所述目标相机在世界坐标系下的安装角度信息和位置信息;根据所述目标相机的参数信息,对所述图像数据中、各所述车道要素类别对应的数据点的第一位置信息进行坐标转换,得到各所述车道要素类别对应的数据点在世界坐标系下的第二位置信息。
在其中一个实施例中,所述聚类模块404具体用于:基于聚类后的数据点的第二位置信息,确定所述车道要素类别的各车道要素对应的数据点;针对每个车道要素,基于所述车道要素对应的数据点的第二位置信息、以及所述车道要素类别对应的位置信息确定策略,确定所述车道要素的目标位置信息。
在其中一个实施例中,所述聚类模块404具体用于:基于所述车道要素对应的数据点的第二位置信息,确定所述车道要素对应的最小外接矩形;将所述最小外接矩形的位置信息确定为所述车道要素的位置信息。
在其中一个实施例中,所述聚类模块404具体用于:基于所述车道要素对应的数据点的第二位置信息,对所述车道要素对应的数据点进行拟合,得到所述车道要素对应的直线区域;将所述直线区域的位置信息确定为所述车道要素的目标位置信息。
在其中一个实施例中,所述装置还包括第二获取模块、第二确定模块和第三确定模块,其中:
第二获取模块,用于获取所述目标路面的历史地图。
第二确定模块,用于根据所述历史地图包含的各车道要素的历史位置信息、以及当前生成的地图包含的各车道要素的目标位置信息,确定所述历史地图与当前生成的地图的差异度。
第三确定模块,用于根据所述差异度,在所述历史地图和当前生成的地图中确定待使用的目标地图。
上述地图生成装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种地图生成方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种地图生成方法,其特征在于,所述方法包括:
获取目标相机采集的目标路面的图像数据;
采用图像分割算法,识别所述图像数据包含的各数据点所属的车道要素类别;每个所述数据点与所述图像数据中的一个像素点对应;
基于所述目标相机的参数信息、以及所述图像数据中各所述车道要素类别对应的数据点的第一位置信息,确定各所述车道要素类别对应的数据点在世界坐标系下的第二位置信息;
针对每个所述车道要素类别,基于所述车道要素类别对应的数据点的第二位置信息,对所述车道要素类别对应的数据点进行聚类,并基于聚类后的数据点的第二位置信息得到所述车道要素类别的车道要素的目标位置信息;
基于各所述车道要素的目标位置信息和各所述车道要素的车道要素类别,生成所述目标路面对应的地图。
2.根据权利要求1所述的方法,其特征在于,所述基于所述目标相机的参数信息、以及所述图像数据中各所述车道要素类别对应的数据点的第一位置信息,确定各所述车道要素类别对应的数据点在世界坐标系下的第二位置信息,包括:
获取所述目标相机的参数信息,所述参数信息包括所述目标相机相对于所述目标路面的安装角度信息、以及所述目标相机在世界坐标系下的安装角度信息和位置信息;
根据所述目标相机的参数信息,对所述图像数据中、各所述车道要素类别对应的数据点的第一位置信息进行坐标转换,得到各所述车道要素类别对应的数据点在世界坐标系下的第二位置信息。
3.根据权利要求1所述的方法,其特征在于,所述基于聚类后的数据点的第二位置信息得到所述车道要素类别的车道要素的目标位置信息,包括:
基于聚类后的数据点的第二位置信息,确定所述车道要素类别的各车道要素对应的数据点;
针对每个车道要素,基于所述车道要素对应的数据点的第二位置信息、以及所述车道要素类别对应的位置信息确定策略,确定所述车道要素的目标位置信息。
4.根据权利要求3所述的方法,其特征在于,所述基于所述车道要素对应的数据点的第二位置信息、以及所述车道要素类别对应的位置信息确定策略,确定所述车道要素的目标位置信息,包括:
基于所述车道要素对应的数据点的第二位置信息,确定所述车道要素对应的最小外接矩形;
将所述最小外接矩形的位置信息确定为所述车道要素的位置信息。
5.根据权利要求3所述的方法,其特征在于,所述基于所述车道要素对应的数据点的第二位置信息、以及所述车道要素类别对应的位置信息确定策略,确定所述车道要素的目标位置信息,包括:
基于所述车道要素对应的数据点的第二位置信息,对所述车道要素对应的数据点进行拟合,得到所述车道要素对应的直线区域;
将所述直线区域的位置信息确定为所述车道要素的目标位置信息。
6.根据权利要求1所述的方法,其特征在于,所述基于各所述车道要素的目标位置信息和各所述车道要素的车道要素类别,生成所述目标路面对应的地图之后,还包括:
获取所述目标路面的历史地图;
根据所述历史地图包含的各车道要素的历史位置信息、以及当前生成的地图包含的各车道要素的目标位置信息,确定所述历史地图与当前生成的地图的差异度;
根据所述差异度,在所述历史地图和当前生成的地图中确定待使用的目标地图。
7.一种地图生成装置,其特征在于,所述装置包括:
第一获取模块,用于获取目标相机采集的目标路面的图像数据;
识别模块,用于采用图像分割算法,识别所述图像数据包含的各数据点所属的车道要素类别;每个所述数据点与所述图像数据中的一个像素点对应;
第一确定模块,用于基于所述目标相机的参数信息、以及所述图像数据中各所述车道要素类别对应的数据点的第一位置信息,确定各所述车道要素类别对应的数据点在世界坐标系下的第二位置信息;
聚类模块,用于针对每个所述车道要素类别,基于所述车道要素类别对应的数据点的第二位置信息,对所述车道要素类别对应的数据点进行聚类,并基于聚类后的数据点的第二位置信息得到所述车道要素类别的车道要素的目标位置信息;
生成模块,用于基于各所述车道要素的目标位置信息和各所述车道要素的车道要素类别,生成所述目标路面对应的地图。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310506231.9A CN116772821A (zh) | 2023-05-06 | 2023-05-06 | 地图生成方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310506231.9A CN116772821A (zh) | 2023-05-06 | 2023-05-06 | 地图生成方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116772821A true CN116772821A (zh) | 2023-09-19 |
Family
ID=88008934
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310506231.9A Pending CN116772821A (zh) | 2023-05-06 | 2023-05-06 | 地图生成方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116772821A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117911974A (zh) * | 2024-03-13 | 2024-04-19 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置、设备以及存储介质 |
-
2023
- 2023-05-06 CN CN202310506231.9A patent/CN116772821A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117911974A (zh) * | 2024-03-13 | 2024-04-19 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置、设备以及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102125959B1 (ko) | 포인트 클라우드 데이터 사이의 매칭 관계를 확정하는 방법 및 장치 | |
US10339669B2 (en) | Method, apparatus, and system for a vertex-based evaluation of polygon similarity | |
CN109241846B (zh) | 遥感影像的时空变化估测方法、装置与存储介质 | |
US10776951B2 (en) | Method, apparatus, and system for an asymmetric evaluation of polygon similarity | |
CN113034566A (zh) | 高精度地图构建方法、装置、电子设备及存储介质 | |
CN112905831A (zh) | 物体在虚拟场景中的坐标获取方法、系统及电子设备 | |
CN116772821A (zh) | 地图生成方法、装置、计算机设备和存储介质 | |
CN114758086B (zh) | 一种城市道路信息模型的构建方法及装置 | |
Zhou et al. | Green urban garden landscape simulation platform based on high-resolution image recognition technology and GIS | |
Fang et al. | A novel road network change detection algorithm based on floating car tracking data | |
Lu et al. | A lightweight real-time 3D LiDAR SLAM for autonomous vehicles in large-scale urban environment | |
Wang et al. | Hymu: A hybrid map updating framework | |
CN117033366A (zh) | 基于知识图谱的泛在时空数据交叉验证方法及装置 | |
CN114743395B (zh) | 一种信号灯检测方法、装置、设备及介质 | |
CN115773744A (zh) | 模型训练和路网处理方法、装置、设备、介质和产品 | |
CN115345944A (zh) | 外参标定参数确定方法、装置、计算机设备和存储介质 | |
CN115830073A (zh) | 地图要素重建方法、装置、计算机设备和存储介质 | |
CN115878737A (zh) | 一种基于路网数据的交叉口提取及拓扑结构描述方法 | |
Zhou et al. | UGRoadUpd: An Unchanged-Guided Historical Road Database Updating Framework Based on Bi-Temporal Remote Sensing Images | |
Park et al. | Hybrid approach using deep learning and graph comparison for building change detection | |
Mao et al. | City object detection from airborne Lidar data with OpenStreetMap‐tagged superpixels | |
CN115544191A (zh) | 基于三维点云众包式语义地图的更新方法和装置 | |
CN115544190A (zh) | 语义地图更新方法、装置、计算机设备和存储介质 | |
Ma et al. | A Displacement Algorithm Considering Geometry Constraints to Resolve Spatial Conflicts between Roads and Buildings | |
Ma et al. | Vehicle Trajectory Prediction in Expressway Merging Areas Based on Self-Supervised Mechanism |
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 |