CN116894885A - 地图数据生成方法及其装置和记录了地图数据生成程序的计算机可读取记录介质 - Google Patents

地图数据生成方法及其装置和记录了地图数据生成程序的计算机可读取记录介质 Download PDF

Info

Publication number
CN116894885A
CN116894885A CN202310345410.9A CN202310345410A CN116894885A CN 116894885 A CN116894885 A CN 116894885A CN 202310345410 A CN202310345410 A CN 202310345410A CN 116894885 A CN116894885 A CN 116894885A
Authority
CN
China
Prior art keywords
data
map data
map
log data
abnormal
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
Application number
CN202310345410.9A
Other languages
English (en)
Inventor
保海佳佑
河内太一
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.)
Toyota Motor Corp
Original Assignee
Toyota Motor Corp
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 Toyota Motor Corp filed Critical Toyota Motor Corp
Publication of CN116894885A publication Critical patent/CN116894885A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/20—Drawing from basic elements, e.g. lines or circles
    • G06T11/206—Drawing of charts or graphs
    • 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
    • G01C21/3833—Creation or updating of map data characterised by the source of data
    • G01C21/3848—Data obtained from both position sensors and additional sensors
    • 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
    • G01C21/3859—Differential updating 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Navigation (AREA)
  • Instructional Devices (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

一种地图数据生成方法、地图数据生成装置以及记录了地图数据生成程序的计算机可读取记录介质。使得在根据行驶日志数据制作地图数据的情况下能够以高精度生成地图数据。根据本公开的方法，根据行驶日志数据群10生成多个数据集20A，20B。数据集20A，20B由多个行驶日志数据12构成。根据各个数据集20A，20B生成评价用的地图数据30A，30B。通过将评价用的地图数据30A，30B相互进行比较来确定异常的地图数据30B。进而，通过将在异常的地图数据30B的制作中使用了的数据集20B和在正常的评价用的地图数据30A的制作中使用了的数据集20A进行比较来确定异常的行驶日志数据12a。而且，使用不包含异常的行驶日志数据12a的数据集20C生成最终的地图数据30C。

Description

地图数据生成方法及其装置和记录了地图数据生成程序的计 算机可读取记录介质
技术领域
本公开涉及根据行驶日志数据生成地图数据的方法、装置以及程序。
背景技术
专利文献1公开了道路信息生成装置。该道路信息生成装置对于行驶数据存储部所存储的多个行驶数据(行驶日志数据)，设定道路ID相同的行驶数据的多个组合。接着，道路信息生成装置针对行驶数据的组合的每一个，基于组合后的行驶数据生成针对道路ID的道路地图。而且，道路信息生成装置对于针对道路ID生成的道路地图的每一个，算出道路地图的可靠度。
然而，有时在所取得的行驶数据中包含异常的行驶数据。在专利文献1所公开的道路信息生成装置中，不对行驶数据是否异常进行判断而设定道路ID相同(同一)的行驶数据的组合。因此，在道路ID相同的行驶数据的组合中包含了异常的行驶数据的情况下，导致针对该道路ID生成的地图的精度会受到异常的行驶数据的影响。
此外，作为表示与本公开关联的技术领域的技术水准的文献，除了上述的专利文献1以外还能够例示以下的专利文献2以及专利文献3。
现有技术文献
专利文献1日本特开2016－180797号公报
专利文献2日本特开2012－520491号公报
专利文献3日本特开2014－160064号公报
发明内容
发明要解决的问题
本公开是鉴于上述那样的问题而做出的，其目的在于，提供一种在根据行驶日志数据制作地图数据的情况下能够以高精度生成地图数据的技术。
用于解决问题的手段
作为用于达成上述目的地图数据生成技术，本公开提供一种地图数据生成方法、地图数据生成装置以及地图数据生成程序。
本公开的地图数据生成方法包括以下的步骤。第1步骤是根据行驶日志数据群生成多个数据集。上述多个数据集的每一个由1个或多个行驶日志数据构成。第2步骤是根据上述多个数据集的每一个来生成评价用的地图数据。第3步骤是通过将根据上述多个数据集生成的多个评价用的地图数据进行相互比较来确定上述多个评价用的地图数据所包含的异常的地图数据。第4步骤是通过将在异常的地图数据的制作中使用了的数据集和在异常的地图数据以外的评价用的地图数据的制作中使用了的数据集进行比较来确定异常的行驶日志数据。而且，第5步骤是使用不包含异常的行驶日志数据的数据集来生成最终的地图数据。
本公开的地图数据生成装置具备：至少1个处理器、与该至少1个处理器结合了的程序存储器。程序存储器存储多个可执行指令。上述多个可执行指令构成为使上述至少1个处理器执行以下的处理。第1处理是根据行驶日志数据群来生成多个数据集。上述多个数据集的每一个由1个或多个行驶日志数据构成。第2处理是根据上述多个数据集的每一个生成评价用的地图数据。第3处理是通过将根据上述多个数据集生成的多个评价用的地图数据进行相互比较来确定上述多个评价用的地图数据所包含的异常的地图数据。第4处理是通过将在异常的地图数据的制作中使用了的数据集和在异常的地图数据以外的评价用的地图数据的制作中使用了的数据集进行比较来确定异常的行驶日志数据。而且，第5处理是使用不包含异常的行驶日志数据的数据集来生成最终的地图数据。
本公开的地图数据生成程序构成为使计算机执行以下的处理。第1处理是根据行驶日志数据群生成多个数据集。上述多个数据集的每一个由1个或多个行驶日志数据构成。第2处理是根据上述多个数据集的每一个生成评价用的地图数据。第3处理是通过将根据上述多个数据集生成的多个评价用的地图数据进行相互比较来确定上述多个评价用的地图数据所包含的异常的地图数据。第4处理是通过将在异常的地图数据的制作中使用了的数据集和在异常的地图数据以外的评价用的地图数据的制作中使用了的数据集进行比较来确定异常的行驶日志数据。而且，第5处理是使用不包含异常的行驶日志数据的数据集来生成最终的地图数据。此外，本公开的地图数据生成程序既可以记录于计算机可读取记录介质，也可以经由网络而被提供。
根据本公开的地图数据生成技术、即，地图数据生成方法、地图数据生成装置以及地图数据生成程序，由于在地图数据的生成中使用不包含异常的行驶日志数据的数据集，所以能够高精度生成地图数据。
在本公开的地图数据生成技术中，也可以用多个参数来规定行驶日志数据群所包含的多个行驶日志数据的每一个。而且，也可以使规定行驶日志数据的多个参数中的至少1个参数的条件在上述多个数据集所包含的多个行驶日志数据间不均匀。这样一来，在行驶日志数据的异常依存于参数的条件的情况下，能够从行驶日志数据群中找出异常的行驶日志数据。
在本公开的地图数据生成技术中，也可以基于异常的行驶日志数据来确定规定行驶日志数据的多个参数中的每一个参数的条件中使地图数据产生异常的条件。而且，也可以使用在规定行驶日志数据的多个参数的条件中不包含使地图数据产生异常的条件的数据集来生成最终的地图数据。这样一来，在行驶日志数据的异常依存于参数的条件的情况下，能够从在地图数据的生成中使用的数据集中排除异常的行驶日志数据。
在本公开的地图数据生成技术中，也可以确定规定行驶日志数据的多个参数中的每一个参数的条件的组合中使地图数据产生异常的条件的组合。为此，可以将在异常的地图数据的制作中使用了的数据集和在异常的地图数据以外的评价用的地图数据的制作中使用了的数据集进行比较。而且，也可以使用在规定行驶日志数据的多个参数的条件的组合中不包含使地图数据产生异常的条件的组合的数据集来生成最终的地图数据。这样一来，在行驶日志数据的异常依存于参数的条件的组合的情况下，能够从在地图数据的生成中使用的数据集中排除使地图数据产生异常的行驶日志数据的组合。
在本公开的地图数据生成技术中，地图数据也可以是特征量地图的地图数据。该情况下，将多个评价用的地图数据进行相互比较也可以包含在多个评价用的地图数据间比较特征量的偏差。或者，将多个评价用的地图数据进行相互比较也可以包含在多个评价用的地图数据间对使用了特征量的自身位置推定的成功程度进行比较。
在本公开的地图数据生成技术中，地图数据也可以是路面形状地图的地图数据。该情况下，将多个评价用的地图数据相互进行比较也可以包含在多个评价用的地图数据间比较高度或路面坡度。
在本公开的地图数据生成技术中，地图数据也可以是路面辉度地图的地图数据。该情况下，将多个评价用的地图数据相互进行比较也可以包含在多个评价用的地图数据间比较辉度或辉度坡度。
在本公开的地图数据生成技术中，地图数据也可以是静止障碍物地图的地图数据。该情况下，将多个评价用的地图数据进行相互比较也可以包括在多个评价用的地图数据间比较体素(voxel，体积元素)的位置。
发明效果
如上所述，根据本公开的地图数据生成技术，通过使用不包含异常的行驶日志数据的数据集来生成地图数据，能够以高精度生成地图数据。
附图说明
图1是用于说明与使用了行驶日志数据进行的地图数据的生成相关的第1问题的概念图。
图2是用于说明对于第1问题的解决手段的概念图，并且是用于说明本公开的实施方式的地图数据生成方法的概要的概念图。
图3是用于说明与使用了行驶日志数据进行的地图数据的生成相关的第2问题的概念图。
图4是用于说明对于第2问题的解决手段的概念图，并且是用于说明本公开的实施方式的地图数据生成方法的概要的概念图。
图5是表示本公开的实施方式的地图数据生成装置的功能的框图。
图6是表示本公开的实施方式的地图数据生成装置的硬件构成的例子的框图。
图7是用于说明通过本公开的实施方式的地图数据生成装置实施的地图数据生成方法的第1例的概念图，并且是表示第1例中的行驶日志数据数据库的构成例的概念图。
图8是用于说明通过本公开的实施方式的地图数据生成装置实施的地图数据生成方法的第1例的概念图，并且是用于说明第1例中的日志数据组合生成处理的概念图。
图9是用于说明通过本公开的实施方式的地图数据生成装置实施的地图数据生成方法的第1例的概念图，并且是用于说明第1例中的地图数据生成处理的概念图。
图10是用于说明通过本公开的实施方式的地图数据生成装置实施的地图数据生成方法的第1例的概念图，并且是用于说明第1例中的地图数据评价处理的概念图。
图11是用于说明通过本公开的实施方式的地图数据生成装置实施的地图数据生成方法的第1例的概念图，并且是用于说明第1例中的异常日志数据判定处理的概念图。
图12是用于说明通过本公开的实施方式的地图数据生成装置实施的地图数据生成方法的第1例的图，并且是用于说明第1例中的最终地图数据生成处理的概念图。
图13是用于说明行驶日志数据数据库所存储的行驶日志数据的形式的概念图。
图14是用于说明行驶日志数据数据库所存储的行驶日志数据的形式的概念图。
图15是用于说明日志数据组合生成处理中的行驶日志数据的组合的形式的概念图。
图16是用于说明通过本公开的实施方式的地图数据生成装置实施的地图数据生成方法的第2例的概念图，并且是表示第2例中的行驶日志数据数据库的构成例的概念图。
图17是用于说明通过本公开的实施方式的地图数据生成装置实施的地图数据生成方法的第2例的概念图，并且是用于说明第2例中的日志数据组合生成处理的概念图。
图18是用于说明通过本公开的实施方式的地图数据生成装置实施的地图数据生成方法的第2例的概念图，并且是用于说明第2例中的地图数据生成处理的概念图。
图19是用于说明通过本公开的实施方式的地图数据生成装置实施的地图数据生成方法的第2例的概念图，并且是用于说明第2例中的地图数据评价处理的概念图。
图20是用于说明通过本公开的实施方式的地图数据生成装置实施的地图数据生成方法的第2例的概念图，并且是用于说明第2例中的异常日志数据判定处理的概念图。
图21是用于说明通过本公开的实施方式的地图数据生成装置实施的地图数据生成方法的第2例的概念图，并且是用于说明第2例中的异常参数条件判定处理的概念图。
图22是用于说明通过本公开的实施方式的地图数据生成装置实施的地图数据生成方法的第2例的概念图，并且是用于说明第2例中的最终地图数据生成处理的概念图。
图23是用于说明通过本公开的实施方式的地图数据生成装置实施的地图数据生成方法的第3例的概念图，并且是表示第3例中的行驶日志数据数据库的构成例的概念图。
图24是用于说明通过本公开的实施方式的地图数据生成装置实施的地图数据生成方法的第3例的概念图，并且是用于说明第3例中的日志数据组合生成处理的概念图。
图25是用于说明通过本公开的实施方式的地图数据生成装置实施的地图数据生成方法的第3例的概念图，并且是用于说明第3例中的地图数据生成处理的概念图。
图26是用于说明通过本公开的实施方式的地图数据生成装置实施的地图数据生成方法的第3例的概念图，并且是用于说明第3例中的地图数据评价处理的概念图。
图27是用于说明通过本公开的实施方式的地图数据生成装置实施的地图数据生成方法的第3例的概念图，并且是用于说明第3例中的异常日志数据判定处理的概念图。
图28是用于说明通过本公开的实施方式的地图数据生成装置实施的地图数据生成方法的第3例的概念图，并且是用于说明第3例中的异常组合判定处理的概念图。
图29是用于说明通过本公开的实施方式的地图数据生成装置实施的地图数据生成方法的第3例的概念图，并且是用于说明第3例中的最终地图数据生成处理的概念图。
图30是用于说明由本公开的实施方式的地图数据生成装置实现的地图数据评价处理的具体例的图，并且是表示特征量检测的例子的图。
图31是用于说明由本公开的实施方式的地图数据生成装置实现的地图数据评价处理的具体例的图，并且是表示特征量的种类的例子的图。
图32是用于说明由本公开的实施方式的地图数据生成装置实现的地图数据评价处理的具体例的图，并且是表示基于SLAM的特征量地图的生成例的图。
图33是用于说明由本公开的实施方式的地图数据生成装置实现的地图数据评价处理的具体例的图，并且是表示每个特征量的偏差例的图。
图34是用于说明由本公开的实施方式的地图数据生成装置实现的地图数据评价处理的具体例的图，并且是表示每个地图数据的统计量的例子的图。
图35是用于说明由本公开的实施方式的地图数据生成装置实现的地图数据评价处理的具体例的图，并且是表示使用了F检验进行的评价例的图。
图36是用于说明由本公开的实施方式的地图数据生成装置实现的地图数据评价处理的具体例的概念图，并且是用于说明基于SLAM的姿态(pose，样子)下的自身位置推定的一例的概念图。
图37是用于说明由本公开的实施方式的地图数据生成装置实现的地图数据评价处理的具体例的概念图，并且是用于说明基于SLAM的姿态下的自身位置推定的成功例的概念图。
图38是用于说明由本公开的实施方式的地图数据生成装置实现的地图数据评价处理的具体例的概念图，并且是用于说明基于SLAM的姿态下的自身位置推定的失败例的概念图。
图39是用于说明由本公开的实施方式的地图数据生成装置实现的地图数据评价处理的具体例的图，并且是表示在特征量地图中将基于SLAM的各姿态(pose，样子)下的自身位置推定的成功程度进行了可视化得到的例子的图。
图40是用于说明由本公开的实施方式的地图数据生成装置实现的地图数据评价处理的具体例的图，并且是表示地图数据间的p值的变动的相关例的图。
图41是用于说明由本公开的实施方式的地图数据生成装置实现的地图数据评价处理的具体例的图，并且是表示地图数据间的p值的变动的相关的其他例的图。
图42是用于说明由本公开的实施方式的地图数据生成装置实现的地图数据评价处理的具体例的图，并且是表示图41所示的预定区间中的每个地图数据的p值的平均值的例子的图。
图43是用于说明由本公开的实施方式的地图数据生成装置实现的地图数据评价处理的具体例的图，并且是表示地图数据间的p值的相关系数的例子的图。
图44是用于说明由本公开的实施方式的地图数据生成装置实现的地图数据评价处理的具体例的概念图，并且是用于说明使用了SLAM后的轨迹得到的地图数据评价的一例的概念图。
图45是用于说明由本公开的实施方式的地图数据生成装置实现的地图数据评价处理的具体例的概念图，并且是表示路面形状地图的一例的图。
图46是用于说明由本公开的实施方式的地图数据生成装置实现的地图数据评价处理的具体例的图，并且是表示在路面形状地图中SLAM成功了的例子和失败了的例子的图。
图47是用于说明由本公开的实施方式的地图数据生成装置实现的地图数据评价处理的具体例的图，并且是表示地图数据间的高度方向的方差的变动的相关例的图。
图48是用于说明由本公开的实施方式的地图数据生成装置实现的地图数据评价处理的具体例的图，并且是表示地图数据间的LiDAR的点群数的变动的相关例的图。
图49是用于说明由本公开的实施方式的地图数据生成装置实现的地图数据评价处理的具体例的图，并且是表示路面形状地图中的路面形状的图像例的图。
图50是用于说明由本公开的实施方式的地图数据生成装置实现的地图数据评价处理的具体例的图，并且是表示地图数据间的路面的坡度的变动的相关例的图。
具体实施方式
以下，将参照附图来说明本公开的实施方式。然而，当在以下示出的实施方式中提及了各要素的个数、数量、量、范围等数的情况下，除非特别明示或原理上明确指出该数量，否则本公开的技术思想不限于所提及的数。另外，除了特别明示或明显在原理上明确指出的情况之外，在以下所示的实施方式中说明的构造等并不一定是本公开的技术思想所必须的。
1.地图数据生成方法的概要
本实施方式中的地图数据意味着：特征量地图(feature map)、路面形状地图(terrain map)、路面辉度地图(intensity map)、静止障碍物地图(backgroundknowledge)等构成由自动驾驶车辆实现的自动驾驶用的地图的数据。特征量地图典型地被使用于自动驾驶车辆的自身位置推定。路面形状地图是以单元(cell)记录了自动驾驶车辆行驶的周边的区域的路面的形状(高度)的地图。路面辉度地图是以单元(cell)记录了自动驾驶车辆行驶的周边的区域的路面的辉度的地图。静止障碍物地图是以体素记录了道路构造物等的静止障碍物的地图。
为了地图数据的制作而使用使带传感器的车辆实际行驶而取得的许多行驶日志数据。将地图数据的制作所使用的行驶日志数据的全体集合称为行驶日志数据群。另外，也有时对行驶日志数据进行省略而称为日志数据。使用了行驶日志数据进行的地图数据的制作存在几个问题。图1是用于说明使用了日志数据进行的地图数据的生成相关的第1问题的概念图。
图1示出了使用行驶日志数据群10生成地图数据的2个例子。在左侧的例子中，根据行驶日志数据群10生成作为多个日志数据12的集合的数据集20A。然后，使用数据集20A生成地图数据30A。在右侧的例子中，根据行驶日志数据群10生成作为多个日志数据12的集合的数据集20B。然后，使用数据集20B生成地图数据30B。构成各数据集20A，20B的日志数据12既可以从行驶日志数据群10中任意提取也可以按照预定的选定条件提取。
在此，设为数据集20A所包含的日志数据12全都正常，而在数据集20B所包含的日志数据12中包含异常的日志数据12a。该情况下，根据数据集20A生成的地图数据30A是正常的，而根据数据集20B生成地图数据30B变得异常。
判断地图数据是正常还是异常的一个方法是统计性判断。在图1中仅生成了2个地图数据30A，30B，但实际上能够根据行驶日志数据群10生成许多地图数据。而且，在构成地图数据的要素数据的偏差程度大致一致的地图数据的集团(也可以称为要素数据的偏差处于一定宽度的地图数据的集团)存在的情况下，属于该集团的地图数据被视为统计上正常，脱离该集团的地图数据被视为异常。在图1所示的例子中，地图数据30A是属于正常的地图数据的集团的地图数据，地图数据30B是脱离正常的地图数据的集团的地图数据。
异常的日志数据12a相对于其他日志数据12的偏差很大，是成为地图数据30B脱离正常的地图数据的集团的原因的日志数据。因此，为了生成精度高的地图数据，期望预先排除异常的日志数据12a。但是，由于行驶日志数据群10所包含的日志数据的数量庞大，所以从该庞大的日志数据中提取异常的日志数据12a并不容易。另外，日志数据是否异常，在使用该日志数据生成了地图数据的情况下根据地图数据是否成为异常来决定。因此，设定用于实现判断日志数据是否异常的判断基准也并不容易。
本实施方式的地图数据生成方法提供一种对于地图数据的制作相关的上述第1问题的解决手段。图2是用于说明本实施方式的地图数据生成方法的概要的概念图。
根据本实施方式的地图数据生成方法，根据行驶日志数据群10生成多个数据集20A，20B。构成各数据集20A，20B的日志数据既可以是从行驶日志数据群10中任意提取的，也可以是按照预定的选定条件提取的。此外，在图2中，仅生成2组数据集20A，20B，但实际上生成更多数据集。构成各数据集的日志数据的数量优选是多个，但也可以是1个。另外，日志数据的数量在数据集间既可以相同也可以不同。
接着，根据所生成的各个数据集20A，20B生成评价用的地图数据30A，30B。然后，通过将评价用的地图数据30A，30B进行相互比较，确定评价用的地图数据30A，30B所包含的异常的地图数据30B。此外，在图2中所生成的评价用的地图数据30A，30B是2个，但实际上生成许多评价用的地图数据。如前所述，异常的地图数据是从构成地图数据的要素数据的偏差程度大致一致的地图数据的集团脱离的地图数据。比较的结果是，评价用的地图数据被判断为全部正常或一部分异常。
在异常的地图数据30B被确定了的情况下，将在异常的地图数据30B的制作中使用了的数据集20B、与在被判定为正常的评价用的地图数据30A的制作中使用了的数据集20A进行比较。在制作了很多评价用的地图数据的情况下，将在异常的地图数据的制作中使用了的数据集、与在异常的地图数据以外的评价用的地图数据的制作中使用了的数据集进行比较。
通过将数据集20A和数据集20B进行比较，确定数据集20B所包含的异常的日志数据12a。也即是，通过将数据集20A所包含的日志数据12作为基准，与数据集20A所包含的日志数据12不同的日志数据12a被确定为异常的日志数据、即，使地图数据30B产生异常的日志数据。从行驶日志数据群10所包含的庞大的日志数据中事先提取异常的日志数据并不容易。但是，若是对在异常的地图数据的制作中使用了的数据集、和在异常的地图数据以外的评价用的地图数据的制作中使用了的数据集进行比较的方法，则能够容易确定异常的日志数据。
在异常的日志数据12a被确定了的情况下，从数据集20B中除去异常的日志数据12a。而且，将数据集20A和除去了异常的日志数据12a后的数据集20B合在一起来生成新的数据集20C，根据数据集20C生成最终的地图数据30C。在制作很多评价用的地图数据的情况下，从在异常的地图数据的制作中使用了的数据集的每一个中除去异常的日志数据。然后，生成不包含异常的日志数据的最终的数据集，根据该最终的数据集生成最终的地图数据。通过使用不包含异常的日志数据的数据集来生成地图数据，能够以高精度生成地图数据。
如以上所述，根据本实施方式的地图数据生成方法，能够从在地图数据的生成中使用的数据集中除去成为地图数据的精度降低的原因的异常的日志数据。但是，使地图数据的精度降低的原因不仅是异常的日志数据。这是使用了日志数据进行的地图数据的生成相关的第2问题。图3是用于说明使用了日志数据进行的地图数据的生成相关的第2问题的概念图。
图3示出了使用行驶日志数据群10生成地图数据的3个例子。在左侧的例子中，根据行驶日志数据群10生成作为多个日志数据14的集合的数据集20D。然后，使用数据集20D生成地图数据30D。在中央的例子中，根据行驶日志数据群10生成作为多个日志数据16的集合的数据集20E。然后，使用数据集20E生成地图数据30E。在右侧的例子中，根据行驶日志数据群10生成作为多个日志数据14，16的集合的数据集20F。然后，使用数据集20F生成地图数据30F。日志数据由多个参数规定。日志数据14与日志数据16在至少1个参数的条件中存在差异。
参数的条件的差异有时会使日志数据的特征和/或倾向产生很大差异。例如，在参数是天气、时间段、有无特定的外部传感器等情况下，参数的条件的差异对日志数据的特征和/或倾向产生很大影响。在日志数据14和日志数据16中在特征和/或倾向存在很大差异的情况下，根据日志数据14生成的地图数据30D、和根据日志数据16生成的地图数据30E就会属于不同的地图数据的集团。在此，设为各数据集20D，20E所包含的日志数据14，16全都正常。根据正常的日志数据14生成的地图数据30D是正常的，根据正常的日志数据16生成的地图数据30E也是正常的。
但是，即使数据集20F所包含的日志数据14和日志数据16均正常，根据日志数据14和日志数据16生成的地图数据30F也可能变异常。在日志数据14和日志数据16中在特征和/或倾向存在很大差异的情况下，能够认为从日志数据14来看，日志数据16是异常的日志数据，从日志数据16来看日志数据14是异常的日志数据。因此，根据在参数的条件中存在差异的日志数据14和日志数据16生成的地图数据30F可能成为不属于任何地图数据的集团的异常的地图数据。
为了生成精度高的地图数据，希望预先排除使地图数据产生异常的参数的条件的组合。但是，由于规定日志数据的参数的条件的组合庞大，所以事先判断哪个参数的条件的组合使地图数据产生异常并不容易。
本实施方式的地图数据生成方法提供对于地图数据的制作相关的上述第2问题的解决手段。图4是用于说明本实施方式的地图数据生成方法的概要的概念图。
根据本实施方式的地图数据生成方法，根据行驶日志数据群10生成多个数据集20D，20E，20F。构成数据集20D的日志数据14和构成数据集20E的日志数据16在至少1个参数的条件中具有差异。数据集20F由在参数的条件中具有差异的日志数据14和日志数据16构成。此外，在图4中虽然仅生成3组数据集20D，20E，20F，但是实际上生成更多的数据集。构成各数据集的日志数据的数量优选是多个但也可以是1个。另外，日志数据的数量在数据集间既可以相同也可以不同。
接着，根据所生成的各个数据集20D，20E，20F生成评价用的地图数据30D，30E，30F。然后，通过将评价用的地图数据30D，30E，30F相互比较，确定评价用的30D，30E，30F所包含的异常的地图数据30F。此外，在图4中生成的评价用的地图数据是地图数据30D，30E，30F这3个，但实际上生成许多评价用的地图数据。判断为异常的地图数据30F是既从地图数据30D属于的地图数据的集团又从地图数据30E属于的地图数据的集团脱离的地图数据。
在异常的地图数据30F被确定了的情况下，将在异常的地图数据30F的制作中使用了的数据集20F、和在判定为正常的评价用的地图数据30D，30E的制作中使用了的数据集20D，20E进行比较。在制作很多评价用的地图数据的情况下，将在异常的地图数据的制作中使用了的数据集、和在异常的地图数据以外的评价用的地图数据的制作中使用了的数据集进行比较。
通过将数据集20D，20E和数据集20F进行比较，能确定在数据集20F所包含的参数的条件中存在差异的日志数据、即，日志数据14和日志数据16。而且，通过日志数据14与日志数据16的比较，能确定规定日志数据的多个参数中的每一个参数的条件的组合中使地图数据30E产生异常的条件的组合。事先判断哪个参数的条件的组合使地图数据产生异常并不容易。但是，若是将在异常的地图数据的制作中使用了的数据集、和在异常的地图数据以外的评价用的地图数据的制作中使用了的数据集进行比较的方法，则能够容易确定使地图数据产生异常的参数的条件的组合。
在确定了使地图数据产生异常的参数的条件的组合的情况下，使用不包含这样的组合的数据集来生成最终的地图数据。若是图4所示的例子，则使用由日志数据14构成的数据集20D生成的地图数据30D、和使用由日志数据16构成的数据集20E生成的地图数据30E作为最终的地图数据而被生成。地图数据30D和地图数据30E根据参数的条件的差异而分开使用。由此，能够排除规定了日志数据的参数的条件的组合的影响而以高精度生成地图数据。
2.地图数据生成装置
接着，说明用于实施本实施方式的地图数据生成方法的地图数据生成装置。图5是表示本实施方式的地图数据生成装置100的功能的框图。
地图数据生成装置100具备数据库和处理部。构成地图数据生成装置100的数据库是行驶日志数据数据库(以下，标记为行驶日志数据DB)110以及地图数据数据库(以下，标记为地图数据DB)160。构成地图数据生成装置100的处理部是日志数据组合生成部120、地图数据生成部130、地图数据评价部140以及异常日志数据判定部150。
行驶日志数据DB110是保存了许多日志数据的数据库。通过使车辆实际行驶而取得的日志数据蓄积于行驶日志数据DB110而构成行驶日志数据群。在日志数据的取得中使用的车辆既可以是自动驾驶车辆也可以是由驾驶员驾驶的车辆。但是，在日志数据的取得中使用的外部传感器(LiDAR、摄像头、深度传感器等)的种类、型式、个数以及设置位置优选与利用实际的自动驾驶而使用地图数据的自动驾驶车辆相同。
日志数据包含：各种传感器的数据和自动驾驶的各过程的输出数据。各种传感器除了外部传感器以外还包含例如GPS、IMU(Inertial Measurement Unit)。在自动驾驶的过程中包含例如自身位置推定结果、物体检测结果以及路径计划结果。
日志数据由多个参数规定。规定日志数据的参数及其条件的例子如下。这些参数中的1个或多个被用于规定日志数据。此外，与传感器相关的参数按每个传感器而设定。即使是相同种类的传感器，型号不同、设置场所不同的也作为不同的传感器来处理。
车型名：「Prius，e-Palette，Aqua，etc.」「8A2B，300C，405D，etc.」
车辆名：「1号车，2号车，3号车，etc.」「Alice，Belle，Cindy，etc.」
日期和时间：「2021年8月12日12：00，2021年8月12日14：00，etc.」
总行驶距离：「10km，5km，etc.」
时间：「1小时21分14秒，2小时3分43秒，etc.」
天气：「晴，雨，阴，雪，雾，etc.」
气温：「30℃，20℃，etc.」「86°F，68°F，etc.」
日照量：「0MJ/m2，1.0MJ/m2，etc.」
降雨量：「0mm/h，1mm/h，etc.」「0mm，2mm，etc.」
降雪量：「0mm/h，1mm/h，etc.」「0mm，2mm，etc.」
操作者名：「田中太郎，山田花子，etc.」「101号，203号，etc.」
乘车人数：「0人，1人，5人，etc.」「空，有」
车速：「最大车速20km/h，40km/h，etc.」「平均车速10km/h，20km/h，etc.」
传感器的有无：「有，无，故障」
传感器的版本：「Ver.1，Ver.2，etc.」「试制品、品确品、量产品」
自动驾驶软件的版本：「Ver.1，Ver.2，etc.」「master,perception test,plannertest，etc.」
驾驶方法：「手动，自动，部分自动」
日志数据组合生成部120根据行驶日志数据DB110所保存的日志数据来生成多个日志数据的组合、即，数据集。构成数据集的日志数据的组合按每个数据集而不同。但是，相同的日志数据也可以包含于多个数据集。另外，从行驶日志数据DB110读出的日志数据能够通过上述的参数限定其数据范围。作为限定日志数据的数据范围的例子，可列举空间、区间、时间、天气、气温、车辆、传感器类别等。例如，将数据范围限定于“在晴朗的白天由车辆A的传感器D采集的数据”，能够将这样的数据范围的日志数据进行组合来生成数据集。
地图数据生成部130使用由日志数据组合生成部120生成的数据集来生成评价用的地图数据。地图数据生成部130对1个数据集生成1个评价用的地图数据。由此，在地图数据生成部130中，生成与由日志数据组合生成部120生成的数据集相同数量的多个评价用的地图数据。
地图数据评价部140对由地图数据生成部130生成的多个地图数据进行比较并评价。由于地图基本上相对于实际环境是1对1的关系，所以不论日志数据的组合如何，地图数据都应该唯一地收敛。但是，当在数据集中包含异常的日志数据时，根据该数据集生成的地图数据本身也会包含异常的值。因此，地图数据评价部140通过对根据不同的数据集生成的多个地图数据进行比较，检测与其他不同的异常的地图数据。
异常日志数据判定部150基于地图数据评价部140的评价结果判定异常的日志数据。详细而言，将在异常的地图数据的制作中使用了的数据集、和在异常的地图数据以外的评价用的地图数据的制作中使用了的数据集进行比较。通过该比较，从在异常的地图数据的制作中使用了的数据集中确定异常的行驶日志数据。另外，异常日志数据判定部150除了能够确定异常的日志数据以外，还能够确定规定日志数据的多个参数中的每一个参数的条件中使地图数据产生异常的条件(例如天气、时间段、传感器故障等)。
异常日志数据判定部150的判定结果被发送至日志数据组合生成部120。日志数据组合生成部120从最初生成的多个数据集中除去由异常日志数据判定部150确定出的异常的日志数据，将除去了异常的日志数据得到的数据集进行组合而生成最终的数据集。
地图数据生成部130使用由日志数据组合生成部120生成的最终的数据集、即，不包含异常的日志数据的数据集生成最终的地图数据。地图数据生成部130将所生成的最终的地图数据保存于地图数据DB160。
接着，使用图6说明用于实现上述功能的地图数据生成装置100的硬件构成例。图6是表示本实施方式的地图数据生成装置100的硬件构成例的框图。
在图6所示的例子中，地图数据生成装置100具备：处理器101、存储器102、储存器104、通信模块105以及用户接口106。构成地图数据生成装置100的这些要素通过总线107而结合。
处理器101进行用于生成地图数据的运算。处理器101在地图数据生成装置100中既可以设置1个也可以设置多个(在此设为设置有1个处理器)。
存储器102是存储程序103的非瞬时性程序存储器。程序103是用于实施本实施方式的地图数据生成方法的计算机可执行程序(地图数据生成程序)。程序103包含用于使处理器101执行处理的多个指令(instruction)。程序103由处理器101执行，由此使处理器101作为日志数据组合生成部120、地图数据生成部130、地图数据评价部140以及异常日志数据判定部150发挥功能。
储存器104例如是SSD、HDD。在储存器104中构筑有行驶日志数据DB110和地图数据DB160。设置了行驶日志数据DB110的储存器和设置了地图数据DB160的储存器既可以相同也可以是同一个也可以分开设置。另外，行驶日志数据DB110也可以设置于地图数据生成装置100的外部。地图数据DB160也可以设置于地图数据生成装置100的外部。
通信模块105为了与外部装置通信而设置。由通信模块105实现的通信方法既可以是无线通信也可以是有线通信。向行驶日志数据DB110进行的日志数据的保存、和从地图数据DB160的地图数据的读出使用通信模块105而进行。用户接口106是为了由地图数据生成装置100的操作者进行的操作的输入和向操作者的信息的输出而设置的。
3.地图数据生成方法的具体例
3－1.第1例
接着，说明由本实施方式的地图数据生成装置100实施的地图数据生成方法的具体例。图7至图12是用于说明地图数据生成方法的第1例的概念图。此外，以下说明的第1例对应于前述的第1问题及其解决手段。
图7是表示第1例中的行驶日志数据DB110的构成例的概念图。在第1例中，规定日志数据的参数是车辆名、日期以及时间，从日志数据1到日志数据4为止的4个日志数据保存于行驶日志数据DB110。日志数据的内容因最终生成的地图数据的种类而不同。就本实施方式的地图数据生成方法而言，只要是根据日志数据生成的地图数据就可以广泛适用，所以在此不限定日志数据的内容。
图8是用于说明在第1例中由日志数据组合生成部120实施的日志数据组合生成处理的概念图。日志数据组合生成部120将行驶日志数据DB110所保存的4个日志数据进行组合来生成数据集。在设为将2个不同的日志数据组合时，生成数据集1到数据集6这6个数据集。
图9是用于说明在第1例中由地图数据生成部130实施的地图数据生成处理的概念图。地图数据生成部130根据由日志数据组合生成部120生成的6个数据集中的每一个数据集来生成地图数据。根据日志数据1和日志数据2生成地图数据1。根据日志数据1和日志数据3生成地图数据2。根据日志数据1和日志数据4生成地图数据3。根据日志数据2和日志数据3生成地图数据4。根据日志数据2和日志数据4生成地图数据5。并且，根据日志数据3和日志数据4生成地图数据6。这6个地图数据是评价用的地图数据。
图10是用于说明在第1例中由地图数据评价部140实施的地图数据评价处理的概念图。地图数据评价部140按每个地图数据来计算构成地图数据的要素数据的偏差程度。例如在地图数据是特征量地图的数据的情况下，计算地图全体的特征量的偏差。偏差程度例如由标准差、概率分布表示。
在图10所示的例子中，从地图数据1到地图数据6为止的各个地图数据中的要素数据的偏差程度由概率分布表示。其中地图数据1、地图数据2以及地图数据4的概率分布表示正态分布，向平均值的收敛程度大致一致。而地图数据3、地图数据5以及地图数据6的收敛程度与地图数据1等的收敛程度不同，并且，彼此参差不齐。地图数据评价部140将形成主要集团的地图数据1、地图数据2以及地图数据4评价为正常的地图数据，将从该集团脱离的地图数据3、地图数据5以及地图数据6评价为异常的地图数据。
图11是用于说明在第1例中由异常日志数据判定部150实施的异常日志数据判定处理的概念图。异常日志数据判定部150取得基于地图数据评价部140的各地图数据的评价结果和在各地图数据的制作中使用了的日志数据相关的信息。由地图数据评价部140评价为异常的地图数据是地图数据3、地图数据5以及地图数据6。在这些地图数据中共同的日志数据是日志数据4。而且，日志数据4没有在被评价为正常的地图数据1、地图数据2以及地图数据4的制作中使用。基于这样的分析，异常日志数据判定部150将日志数据4判定为是使地图数据产生异常的日志数据、即，异常的日志数据。
异常日志数据判定部150将判定结果提供给日志数据组合生成部120。日志数据组合生成部120将异常的日志数据4从先前生成的数据集中除去，将日志数据1、日志数据2以及日志数据3进行组合而生成最终的数据集。
图12是用于说明在第1例中由地图数据生成部130实施的最终地图数据生成处理的概念图。地图数据生成部130使用由日志数据组合生成部120生成的最终的数据集来生成最终的地图数据。最终的地图数据是没有使用异常的日志数据4的精度高的地图数据。地图数据生成部130将最终的地图数据保存于地图数据DB160。
在此，对行驶日志数据DB110所存储的日志数据的形式进行说明。图13以及图14是用于说明行驶日志数据DB110所存储的日志数据的形式的概念图。
在图13所示的例子中，规定日志数据的参数是车辆名、日期、时间以及各传感器的有无。在行驶日志数据DB110中保存有从日志数据1到日志数据6这6个日志数据。日志数据1、日志数据2、日志数据3以及日志数据4是使用传感器A、传感器B以及传感器C而取得的日志数据。日志数据5以及日志数据6是仅使用传感器D而取得的日志数据。
在图13所示的例子中，将传感器A、传感器B以及传感器C的各数据汇总而作为1个日志数据。但是，传感器A、传感器B以及传感器C各自取得的数据是独立的。取得日志数据的传感器的种类没有限定。例如，在日志数据1至4的取得中使用的传感器A也可以是摄像头，在日志数据5以及6的取得中使用的传感器D也可以是LiDAR。即使是由不同的传感器取得的日志数据，也能够在一个地图上进行映射。
在图14所示的例子中，规定日志数据的参数是车辆名、日期、时间以及各传感器的有无。在行驶日志数据DB110中保存有14个日志数据。日志数据1a和日志数据1b是日志数据1的部分数据。日志数据1包含传感器A、传感器B以及传感器C的数据，而日志数据1a包含传感器A和传感器C的数据，日志数据1b仅包含传感器B的数据。同样地，日志数据2a和日志数据2b是日志数据2的部分数据。日志数据3a和日志数据3b是日志数据3的部分数据。而且，日志数据4a和日志数据4b是日志数据4的部分数据。
如根据日志数据1生成日志数据1a以及1b那样，日志数据能够按每个参数进行分解，能够将分解得到的部分数据设为独立的日志数据。日志数据能够按每个参数进行任意分解。例如，在图14所示的例子中，能够根据各日志数据生成白天的日志数据和夜间的日志数据。另外，在日志数据的取得中有天气的变化的情况下，也能够按每个天气来分解日志数据而生成按每个天气的独立的日志数据。
接着，说明日志数据组合生成处理中的日志数据的组合的形式。图15是用于说明日志数据的组合的形式的概念图。但是，能够进行组合的日志数据、即，行驶日志数据DB110所存储的日志数据设为从日志数据1到日志数据4这4个。
在图15所示的例子中，数据集2是2个日志数据的组合，数据集N是4个日志数据的组合。这样，1个数据集所包含的日志数据的数量在数据集间不相同也可以。另外，既可以是如数据集1那样仅包含1个日志数据的数据集，也可以是如数据集N那样包含全部日志数据的数据集。
在日志数据组合生成处理中，不网罗所假设的全部日志数据的组合也可以。另一方面，也可以是数据集2和数据集N－2那样重复的日志数据的组合。另外，也可以如在数据集4中包含2个日志数据1那样，在1个数据集中包含多个相同的日志数据。
3－2.第2例
图16至图22是用于说明地图数据生成方法的第2例的概念图。以下说明的第2例与第1例同样地对应于前述的第1问题及其解决手段。
图16是表示第2例中的行驶日志数据DB110的构成例的概念图。在第2例中，日志数据由5个参数、即，车辆名、日期、时间、传感器A的数据的有无以及传感器B的数据的有无来规定。日志数据1a仅包含传感器A的数据，日志数据1b仅包含传感器B的数据。它们是将包含传感器A和传感器B这两方数据的日志数据1分割而生成的独立的日志数据。同样地，也根据日志数据2、日志数据3以及日志数据4生成仅包含传感器A的数据的日志数据和仅包含传感器B的数据的日志数据。传感器A和传感器B均为外部传感器。传感器A和传感器B例如既可以如摄像头和LiDAR那样是不同种类的传感器，也可以是种类相同但型式不同的传感器，还可以是型式相同但车辆上的搭载位置不同的传感器。
图17是用于说明在第2例中由日志数据组合生成部120实施的日志数据组合生成处理的概念图。日志数据组合生成部120将行驶日志数据DB110所保存的12个日志数据进行组合而生成N个数据集。根据日志数据1生成的日志数据1a、日志数据1b也作为独立的日志数据与其他日志数据组合。虽然图17中没有记载，但是也可以将如日志数据1和日志数据1a这样将处于母子关系的日志数据彼此进行组合。此外，由日志数据组合生成部120生成的数据集的个数(N个)基于日志数据的组合方法。在此虽然将2个日志数据进行组合来生成数据集，但是也可以如使用图15说明的那样将任意个数的日志数据进行组合。
图18是用于说明在第2例中由地图数据生成部130实施的地图数据生成处理的概念图。地图数据生成部130根据由日志数据组合生成部120生成的N个数据集中的每一个数据集而生成地图数据。根据各数据集生成的合计N个地图数据是评价用的地图数据。
图19是用于说明在第2例中由地图数据评价部140实施的地图数据评价处理的概念图。地图数据评价部140按每个地图数据计算构成地图数据的要素数据的偏差程度。在图19所示的例子中，从地图数据1到地图数据N为止的各个地图数据中的要素数据的偏差程度由概率分布表示。在此，至少地图数据9和地图数据N属于收敛程度大致一致的主要的集团，从地图数据1到地图数据8为止的各地图数据设为从该集团脱离。另外，从地图数据1到地图数据8为止的各地图数据的收敛程度设为参差不齐。该情况下，地图数据评价部140将至少从地图数据1到地图数据8为止的各地图数据评价为异常的地图数据。
图20是用于说明在第2例中由异常日志数据判定部150实施的异常日志数据判定处理的概念图。异常日志数据判定部150取得基于地图数据评价部140的各地图数据的评价结果、和在各地图数据的制作中使用了的日志数据相关的信息。由地图数据评价部140评价为异常的地图数据至少是地图数据1至地图数据8。通过将在这些异常的地图数据的制作中使用了的日志数据、和在评价为正常的地图数据9的制作中使用了的日志数据进行比较，可知日志数据1、日志数据1a、日志数据2以及日志数据2a是异常的日志数据。
图21是用于说明在第2例中由异常日志数据判定部150实施的异常参数条件判定处理的概念图。异常日志数据判定部150将规定被判定为异常的日志数据的日志数据1、日志数据1a、日志数据2以及日志数据2a的参数的条件、和规定除此以外的日志数据的参数的条件进行比较。而且，异常日志数据判定部150确定规定日志数据2a的5个参数的条件中仅与异常的日志数据共同的参数的条件。这样确定了的参数的条件是使地图数据产生异常的条件。在该例中，具有传感器A的数据是使地图数据产生异常的条件。因此，异常日志数据判定部150将具有传感器A的数据的日志数据3、日志数据3a、日志数据4以及日志数据4a判定为是异常的盖然性高的日志数据。
异常日志数据判定部150将判定结果提供给日志数据组合生成部120。日志数据组合生成部120将包含传感器A的数据的日志数据从先前生成的数据集中除去，仅将不包含传感器A的数据的日志数据1b、日志数据2b、日志数据3b以及日志数据4b进行组合而生成最终的数据集。此外，在该情形中，也可以将在传感器A中引起了一些异常这一情况向管理者通知。一些异常是指传感器的故障、传感器的校准偏差、传感器的最初的精度不足等。
图22是用于说明在第2例中由地图数据生成部130实施的最终地图数据生成处理的概念图。地图数据生成部130使用由日志数据组合生成部120生成的最终的数据集生成最终的地图数据。最终的地图数据是没有使用包含传感器A的数据的日志数据的精度高的地图数据。地图数据生成部130将最终的地图数据保存于地图数据DB160。
此外，日志数据不限于传感器的数据的有无，可以根据先前列举的各种参数的条件进行分割。例如，也可以将一个日志数据分割为白天取得的日志数据和夜间取得的日志数据。可以将一个日志数据分割为车速为预定速度以上所取得的日志数据和低于预定速度所取得的日志数据。也可以将一个日志数据分割为在预定区间的行驶时取得的日志数据和在预定区间外取得的日志数据。也可以将一个日志数据分割为自动驾驶时取得的日志数据和手动驾驶时取得的日志数据。
3－3.第3例
图23至图29是用于说明地图数据生成方法的第3例的概念图。以下说明的第3例对应于前述的第2问题及其解决手段。
图23是表示第3例中的行驶日志数据DB110的构成例的概念图。在第3例中，日志数据由4个参数、即，车辆名、日期、时间以及天气规定。在此，参数“天气”的条件设为晴和雨这2种。
图24是用于说明在第3例中由日志数据组合生成部120实施的日志数据组合生成处理的概念图。日志数据组合生成部120将行驶日志数据DB110所保存的7个日志数据进行组合而生成N个数据集。由日志数据组合生成部120生成的数据集的个数(N个)基于日志数据的组合方法。在此虽然将2个日志数据进行组合而生成数据集，但是也可以如使用图15说明的那样使任意个数的日志数据进行组合。
图25是用于说明在第3例中由地图数据生成部130实施的地图数据生成处理的概念图。地图数据生成部130根据由日志数据组合生成部120生成的N个数据集中的每一个数据集生成地图数据。例如，通过日志数据1和日志数据2生成地图数据1，通过日志数据1和日志数据3生成地图数据2。通过日志数据3和日志数据4生成地图数据i－1，通过日志数据3和日志数据5生成地图数据i。另外，通过日志数据5和日志数据7生成地图数据N－1，通过日志数据6和日志数据7生成地图数据N。根据各数据集生成的合计N个地图数据是评价用的地图数据。
图26是用于说明在第3例中由地图数据评价部140实施的地图数据评价处理的概念图。地图数据评价部140按每个地图数据计算构成地图数据的要素数据的偏差程度。在图26所示的例子中，收敛程度大致一致的地图数据的集团存在2个。地图数据1以及地图数据2属于第1集团。地图数据N－1以及地图数据N属于第2集团。虽然属于第1集团的地图数据和属于第2集团的地图数据均表示正态分布，但向平均值的收敛程度存在明确差异。另一方面，至少地图数据i－1以及地图数据i不属于第1集团和第2集团中的任一个、且彼此的收敛程度不一致。地图数据评价部140将包含地图数据i－1以及地图数据i的不属于第1集团和第2集团中的任一个的地图数据评价为是异常的地图数据。
图27是用于说明在第3例中由异常日志数据判定部150实施的异常日志数据判定处理的概念图。异常日志数据判定部150取得基于地图数据评价部140的各地图数据的评价结果、和在各地图数据的制作中使用了的日志数据相关的信息。而且，异常日志数据判定部150将在由地图数据评价部140评价为异常的地图数据的制作中使用了的日志数据、和在评价为正常的地图数据的制作中使用了的日志数据进行比较。在图27所示的例子中，通过比较结果可知使地图数据产生异常的确定的日志数据并不存在。该情况下，假设作为使地图数据产生异常的原因，是日志数据的组合，更详细而言是规定日志数据的参数的条件的组合。
图28是用于说明在第3例中由异常日志数据判定部150实施的异常组合判定处理的概念图。异常日志数据判定部150针对在被评价为异常的各地图数据的制作中使用了的日志数据，在日志数据间比较参数的条件。针对地图数据i－1，在日志数据3和日志数据4之间比较参数的条件。针对地图数据i，在日志数据3和日志数据5之间比较参数的条件。基于这些比较结果，异常日志数据判定部150判定为：参数“天气”的条件成为晴的日志数据、和参数“天气”的条件成为雨天的日志数据的组合是使地图数据产生异常的原因。
也即是，即使晴天取得的日志数据和雨天取得的日志数据分别是正常的日志数据，也会存在无法将它们进行组合的情况。针对这一情况以特征量地图中的白线为例进行说明。在取得特征量的外部传感器是摄像头的情况下，晴天能够用摄像头清楚地捕捉白线，而雨天用摄像头难以捕捉白线。因此，晴天取得的特征量的方差小，收敛度高，而雨天取得的特征量的方差容易变大。因此，虽然晴天取得的特征量彼此、雨天取得的特征量彼此能匹配，但是晴天取得的特征量和雨天取得的特征量之间不能匹配，因特征量的不整合而导致使地图数据产生异常。
异常日志数据判定部150将判定结果提供给日志数据组合生成部120。日志数据组合生成部120接收判定结果，生成仅将晴天取得的日志数据进行了组合得到的数据集、和仅将雨天取得的日志数据进行了组合得到的数据集。
图29是用于说明在第3例中由地图数据生成部130实施的最终地图数据生成处理的概念图。地图数据生成部130使用由日志数据组合生成部120生成的最终的数据集生成最终的地图数据。由地图数据生成部130生成的最终的地图数据是晴天用的地图数据和雨天用的地图数据这2种地图数据。晴天用的地图数据仅使用晴天取得的日志数据1、日志数据2以及日志数据3而生成。另一方面，雨天用的地图数据仅使用雨天取得的日志数据4、日志数据5、日志数据6以及日志数据7而生成。地图数据生成部130将晴天用的地图数据和雨天用的地图数据分别保存于地图数据DB160。
地图数据DB160所保存的晴天用的地图数据由晴天的自动驾驶利用。另一方面，雨天用的地图数据由雨天的自动驾驶所利用。在外部传感器是摄像头的情况下，由于雨天难以识别白线，所以在雨天用的地图数据中将即使雨天也相对容易识别的路缘石的特征量的权重加大，将白线的特征量的权重减小。由此，晴天用的地图数据在晴天的自动驾驶中能够实现高精度，另一方面，雨天用的地图数据在雨天的自动驾驶中能够实现高精度。
此外，在此列举的参数“天气”，是条件的组合导致使地图产生异常的参数的一例。除了天气以外，在车辆的类别、时间段(白天或夜间)、传感器的类别(LiDAR或摄像头)、地图生成算法等参数中，根据条件的组合也可能在地图数据中产生异常。另外，在即使传感器的类别相同但性能存在差异的情况下，也可以按每个传感器生成地图数据。例如，在容易检测路缘石的LiDAR、和难以检测路缘石的LiDAR中，作为地图数据中的特征量的路缘石的权重存在差异。因此，优选将由这2个LiDAR取得的日志数据作为不同类别来处理，使用各自的日志数据分别生成地图数据。
4.地图数据评价处理的具体例
4－1.对特征量地图的地图数据评价处理
4－1－1.特征量地图的概要
在以上的说明中将构成地图数据的要素数据的偏差程度(地图数据的收敛程度)在视觉上以概率分布进行了表现。但是，这是在确定存在异常的地图数据的评价方法的一例，未必仅观察某个统计数值的收敛程度来评价。以下，对自动驾驶系统中实际使用的地图的概要进行说明，对各个地图所对应的地图数据评价处理的具体例进行说明。图30至图50是用于说明由本实施方式的地图数据生成装置100实现的地图数据评价处理的具体例的图。
首先，说明特征量地图。特征量地图是自动驾驶车为了自身位置推定而使用的地图数据。特征量地图通过将从LiDAR或摄像头的传感器数据取得的唯一的特征量进行叠加，实施最优化计算具体而言SLAM(Simultaneous Localization and Mapping)而被生成。由于在自动驾驶中求出距离精度，所以LiDAR是优选的外部传感器的一例。在以下说明的例子中，通过LiDAR取得特征量。
图30是表示用于特征量地图的特征量检测的例子的图。图30的左侧所示的图像是通过将从LiDAR得到的3维的点群映射到平面而得到的点群图像。位于图像的中央的像是搭载了LiDAR的车辆。将该点群图像通过特征量检测器进行处理，通过检测特征量而得到图30的右侧所示的特征量图像。在特征量图像中，在位于图像中央的车辆的周边检测出白线、路缘石、建筑物的角来作为特征量。
图31A、图31B以及图31C是表示特征量的种类的例子的图。在图31A所示的特征量图像中白线和路缘石(台阶)被作为特征量而检测出。白线使用LiDAR的点群的反射强度信息而作为直线被检测。路缘石使用LiDAR的点群的距离信息而作为直线被检测。
在图31B所示的特征量图像中道路标识和对其进行支撑的杆作为特征量而被检测出。就道路标识而言，一定尺寸以上、一定尺寸以下的平面使用LiDAR的点群的距离信息而作为平面被检测。就杆而言，一定粗细以上、一定粗细以下，一定长度以上、一定长度以下的圆筒使用LiDAR的点群的距离信息而作为在Z方向上延伸的直线被检测。
在图31C所示的特征量图像中建筑物的凸角和凹角作为特征量而被检测出。就建筑物的角而言，平面以90度相交这样的、一定长度以上、一定长度以下的角使用LiDAR的点群的距离信息而作为直线被检测。
此外，全部特征量并不是在识别对象物的基础上检测出来的，而只是从LiDAR的点群中检测出用算法定义的特征物相似性(像特征物的程度)。因此，例如，也有时在从LiDAR的点群中检测出一定尺寸以下的平面的情况下，尽管实际上是建筑物的壁但也被检测为道路标识。但是，在使用了特征量地图进行的自身位置推定中，只要特征量的检测具有再现性即可。因此，即使作为道路标识而被检测出的实际上是建筑物的壁，也能够没有问题地用于自身位置推定。这也适用于其他特征量。
图32是表示基于SLAM的特征量地图的生成例的图。图32的左侧的图像是通过将从各日志数据得到的特征量与定位器(GPS和IMU)的输出相配合进行叠加而得到的图像。定位器的输出是坐标(x，y，z)和姿势(侧倾，俯仰，偏向)。在该图像中特征量看起来是一致的，但实际上在整个图像上特征量产生了偏差。也即是，与定位器的输出相配合仅将全部日志数据的特征量简单叠加，特征量依然参差不齐。因此，对将全部日志数据的特征量进行叠加得到的内容实施SLAM即，最优化计算。图32的右侧的图像是通过对左侧的图像实施最优化计算而得到的特征量地图。制作而成的特征量地图保存于地图数据DB160，实际上被使用于自动驾驶车辆行驶时的自身位置推定。
4－1－2.基于地图全体的统计量的地图数据的评价
如上所述在特征量地图的生成时进行最优化计算。虽然通过最优化计算特征量的一致度提高，但未必在全部日志数据间特征量完全一致。
图33A、图33B以及图33C是表示特征量地图中的每个特征量的偏差的例子的图。图33A示出了登记于特征量地图的道路标识、杆、建筑物的角(纵)以及建筑物的角(横)的各特征量的例子。图33B示出了登记于特征量地图的白线的特征量的例子。均是从相同对象物取得的特征量。但是，由于LiDAR本身的检测精度、LiDAR的校准(安装位置以及姿势)的精度、特征量检测算法的精度、最优化计算的精度等多个理由而在最优化计算后的特征量的位置上产生偏差。
图33C以标准差示出了某个特征量地图中的每个特征量的偏差。但是，特征量的偏差并非是着眼于确定的对象物的统计量，而是地图数据整体的统计量。在图33C所示的例子中，哪个特征量都具有标准差0.05m左右的偏差。
如上所述，能够对各个特征量地图求出在地图整体观察特征量时的统计量、即，特征量的偏差。因此，是否能说地图数据一致，是能够利用地图数据间的统计量的比较来进行判断的。也即是，通过统计量的比较能够确定异常的地图数据。图34是表示每个地图数据的统计量的例子的图。在此为了简化说明，设为地图数据是3个，特征量仅是白线。
作为判定某2个集合是否是等方差的方法，已知F检验。在F检验中，能够求出2个集合的方差是否相等的概率。例如在概率为5％以上则判定为“是等方差”，概率低于5％则判定为“并非等方差”。基于此来检验图34所示的3个地图数据中的每一个地图数据。图35是表示使用了F检验进行的评价例的图。在将等方差的集合彼此进行分组(grouping)时，地图数据1以及地图数据2是等方差，但只有地图数据3与其他地图数据不是等方差，而且标准差也比其他地图数据大。因此，作为基于F检验的检验结果，能够将地图数据3判定为异常的地图数据。
另外，作为基于地图整体的统计量判定异常的地图数据的其他方法，能列举基于与标准差成为最小的地图数据之差的方法。简单地将特征量的标准差成为最小的地图数据认为是最高精度的地图数据。以该地图数据的标准差为基准设定阈值，具有该阈值以上的标准差的地图数据也可以判定为是异常的地图数据。
例如，在图34所示的例子中标准差最小的地图数据是地图数据1。在将具有比地图数据1的标准差大20％以上的标准差的地图数据设为异常时，地图数据3被判定为是异常的地图数据。在将具有比地图数据1的标准差大0.001m以上的标准差的地图数据设为异常时，地图数据2以及地图数据3被判定为是异常的地图数据。
4－1－3.基于自身位置推定的成功程度进行的地图数据的评价
在特征量地图的生成时使用表示车辆的自身位置以及姿势的姿态。在图32中在路上连续配置的圆的中心是车辆在各时刻的姿态，将该中心连结起来的线是车辆通过的路径。在SLAM中，在将特征量进行最优化的同时，各姿态也使用该姿态下检测出的特征量而被最优化。基于SLAM的姿态下的自身位置推定的成功的程度能够根据以下说明的统计值而求出。
图36是用于说明基于SLAM的姿态的自身位置推定的一例的概念图。图36示出了时刻ti的车辆的姿态Xi和该姿态下观测到的特征量F1、F2以及F3。特征量F1是白线、特征量F2是道路标识、特征量F3是杆。基于LiDAR的各特征量F1、F2以及F3的计测距离d1、d2以及d3包含预定的计测误差σ1、σ2以及σ3。在SLAM中，基于各特征量F1、F2以及F3的位置、计测距离以及计测误差进行对姿态Xi的自身位置推定。
图37以及图38是用于说明基于SLAM的姿态下的自身位置推定的结果的概念图。图37以及图38中的带状的区域B1、B2以及B3根据各特征量F1、F2以及F3的位置、计测距离以及计测误差而定义。更详细而言，带状的区域B1、B2以及B3从特征量F1、F2以及F3的位置离开计测距离d1～d3，并具有2σ1～2σ3的宽度。3个区域B1、B2以及B3重叠的区域Ei是自身位置的推定区域。自身位置的推定区域Ei与姿态Xi的周边的区域Ri重叠的区域越大，则能够判定为姿态Xi下的自身位置推定的成功程度越高。在图37中由于自身位置的推定区域Ei和姿态Xi的周边的区域Ri重叠，所以示出了姿态Xi下的自身位置推定的成功例。另一方面，在图38中由于自身位置的推定区域Ei与姿态Xi的周边的区域Ri没有重叠，所以示出了姿态Xi下的自身位置推定的失败例。
为了判定某姿态Xi下观测到的特征量的整合性，一般可以计算卡方值。卡方值例如使用特征量的计测距离的期待值和观测值而计算。姿态Xi中的卡方值在统计上能引起多少概率可以用p值表示。卡方值越大p值就越小，卡方值越小p值就越大。基于SLAM的姿态Xi下的自身位置推定的成功程度通过p值以0(失败的可能性高)到1(成功的可能性高)为止的范围的概率表示。
通过使用p值，能够在特征量地图中将基于SLAM的各姿态下的自身位置推定的成功程度进行可视化。图39是表示在特征量地图中将基于SLAM的各姿态下的自身位置推定的成功程度进行了可视化得到的例子的图。图39所示的特征量地图上，将p值的倒数可视化为从姿态向z方向上延伸的线。姿态下的p值越低，则从该姿态向z方向上延伸线就越长。
p值理想上想在整个地图提高。但是，p值基本上依赖于场所，在像由右侧的圆包围的区域那样无法充分取得特征量的区间和/或能够取得的特征量存在偏差的区间中，多现p值低的姿态。p值低的姿态的多发意味着SLAM失败的可能性高。另一方面，在如由左侧的圆包围的区域那样能够充分检测特征量的区间中，各姿态下p值变高。p值低的姿态少意味着SLAM成功的可能性高。
若p值依赖于场所，则在生成多个地图数据时，在这些地图数据间共同的区间内，在地图数据间p值的变动应出现强相关。谋求该相关的强度的一般的方法中，将共同区间内的p值的平均值在地图数据间进行比较。
例如，设为使用在图40A所示的从A地点到B地点为止的共同区间取得的日志数据，制作了3个地图数据、即，地图数据1、地图数据2以及地图数据3。通过将各地图数据的p值绘制在以距A地点的距离为横轴的同一图形上，能得到图40B所示的表示地图数据间的p值的变动的相关的图形。全部地图数据都用从A地点到B地点为止的N个姿态来表现，第i个地图数据的第n个姿态的p值用pi，n标记。该情况下，在地图数据i的共同区间内的p值的平均值用以下式表示。
【数1】
在图40B所示的例子中，地图数据1的p值的平均值和地图数据2的p值的平均值大致一致，而地图数据3的p值的平均值与它们相差甚远而为较小的值。因此，从A地点到B地点为止的共同区间中的地图数据3，在与地图数据1以及地图数据2的比较中被判定为是异常的地图数据。
图41是表示地图数据间的p值的变动的相关的其他例的图。在图41所示的例子中，仅窗口W内的区间，地图数据3的p值相比地图数据1以及地图数据2的p值显著降低。但是，在从A地点到B地点为止的整个区间计算p值的平均值的情况下，窗口W内的区间的影响变弱。也即是，在地图数据1以及地图数据2与地图数据3之间p值的平均值有可能没有差异。
因此，如图41所示的例子那样，若考虑在部分区间中地图数据间p值可能出现差异，则也可以按每一定区间计算p值的平均值。例如，可以使得一边将窗口W从A地点移动到B地点，一边在窗口W内的区间计算p值的平均值。图42是表示图41所示的窗口W内的区间中的每个地图数据的p值的平均值的例子的图。
在图42所示的例子中，p值的平均值最高的地图数据是地图数据1。以地图数据1的p值的平均值为基准，将比其小0.1的值设定为阈值。该情况下，p值的平均值为0.45的地图数据2被判定为与地图数据1一致。但是，p值的平均值为0.2的地图数据3与地图数据1并不一致、即判定为异常。此外，在窗口W的区间中判定为地图数据3异常的情况下，也能够从地图数据3中切取该区间，将剩下的区间作为正常的地图数据来处理。
另外，作为使用p值来评价地图数据的一致/不一致的方法，除了使用p值的平均值的方法以外，还存在使用各地图数据的p值的相关系数的方法。图43是表示地图数据间的p值的相关系数的例子的图。将2个地图数据被视为一致的相关系数的阈值例如假设为0.8。该情况下，若地图数据1、地图数据2以及地图数据3之间的p值的相关系数由图43表示，则判定为地图数据1与地图数据2一致。但是，由于地图数据3与地图数据1和地图数据2中的哪一个都不一致，所以地图数据3被判定为是异常的地图数据。
在以上的例子中，以多个地图数据中至少1个是有效的为前提。但是，由于p值是用概率表现姿态下的SLAM的成功程度的数值，所以原本p值低的地图数据不适合自动驾驶的可能性很高而无需与其他数据进行比较。因此，也可以对p值设置绝对的基准值，将p值低于绝对的基准值的地图数据判定为异常。例如，在若地图数据全体的p值的平均值为0.4以下则判定为异常的情况下，在图41所示的例子中仅将地图数据3判定为异常。但是，在若整个区间中最低的p值为0.4以下则判定为异常的情况下，在图41所示的例子中全部地图数据都被判定为异常。
此外，作为比较地图数据的方法，除了各姿态下的p值以外例如还能够使用以下的数值。
·检测出的白线的特征量的个数
·检测出的路缘石的特征量的个数
·检测出的道路标识的特征量的个数
·检测出的建筑物的角的特征量的个数
·检测出的全部特征量的总数
·姿态的高度(z方向的高度)
当检测出的特征量少时，一般p值变低。但是，例如在搭载了多个传感器的车辆中仅一个传感器发生故障的情况下，由于能够由其他传感器检测特征量，所以p值有可能不怎么降低。这样的情况下，通过将检测出的特征量的个数在地图数据间进行比较，能够检测传感器的故障。
4－1－4.基于SLAM后的轨迹的地图数据的评价
接着，对使用地图数据的SLAM后的轨迹、即，按时间顺序排列的姿态来评价地图数据的方法进行说明。图44是用于说明使用了SLAM后的轨迹进行的地图数据评价的一例的概念图。
图44A示出了从地图数据1到地图数据4为止的4个地图数据。哪一个地图数据都是沿着从A地点到B地点为止的区间的相同路径而生成的。各地图数据中的从A地点到B地点为止的路径对应于SLAM后的轨迹。为了比较这4个地图数据的路径形状，将各地图数据的A地点移动至xyz空间上的原点，使各地图数据在A地点的姿态的方向(车辆行进方向)以与x轴一方一致的方式旋转。
通过上述处理得到了图44B。图44B示出了各地图数据向xy平面的映射。在图44B所示的xy平面中，从原点延伸的箭头线表示从A地点观察到的各地图数据的SLAM后的轨迹。各个箭头线的前端是B地点。但是，由于SLAM的结果不同，从A地点观察到的B地点的相对位置按每个地图数据而不同。
在此，使用坐标(x，y，z)和姿势(侧倾，俯仰，偏向)对各地图数据的B地点进行聚类(clustering)。在此所说的聚类是指对距离近的多个物体进行分组，能够适用最短距离法等一般方法。例如，可以将距离的阈值设为3m，用最短距离法对各地图数据的B地点进行聚类。在图44B所示的例子中，将地图数据1和地图数据2聚类为1个组。由于可以说所属的地图数据的数量最多的组的可靠度最高，所以将地图数据1和地图数据2所属的组判定为可靠度最高。而且，不属于该组的地图数据3以及地图数据4被判定为异常的地图数据。
4－2.对路面形状地图以及路面辉度地图的地图数据评价处理
4－2－1.路面形状地图以及路面辉度地图的概要
图45是表示路面形状地图的图像数据的一例的图。在路面形状地图中，图45所示的图像数据在x方向和y方向以既定的分辨率被分解，在将图像数据进行分解而得到的各个单元中保存有信息。同样地，即使在路面辉度地图上也在对图像数据继续分解而得到的每个单元中保存有信息。单元的分辨率例如在x方向、y方向上均为0.1m。
在路面形状地图的各单元中，保存到达了单元的LiDAR的点群的数、高度的平均值以及方差。在高度的平均值以及方差的计算中使用到达了单元的全部LiDAR的点群的值(z方向的高度的值)。在路面辉度地图的各单元中，保存到达了单元的LiDAR的点群的数、路面辉度的平均值以及方差。在路面辉度的平均值以及方差的计算中使用到达了单元的全部LiDAR的点群的值(反射强度)。
以下，主要针对路面形状地图进行说明。但是，通过根据需要将各单元所保存的高度信息置换为辉度信息，以下的说明也适用于路面辉度地图。
在路面形状地图中，在用具有某程度面积的单元来表现路面形状的特性上，在草茂盛的地方或有台阶的地方，由于该处相应的LiDAR的点群的高度并不相同，所以即使SLAM成功，高度的方差也会变大。另一方面，在车辆行驶的道路和行人步行的人行道上，单元的范围内多为平面，因此，在SLAM成功的情况下高度的方差有望变小。
图46A表示在路面形状地图中SLAM成功的具体例。另一方面，图46B表示在路面形状地图中SLAM失败的具体例。各图的路面中的黑白的浓淡是用热图表现了每个单元的高度的标准差。看起来白色的地方是高度的标准差小的地方，看起来黑色的地方是高度的标准差大的地方。在SLAM成功的情况下，由于路面形状的方差变低所以如图46A所示路面表现为白色。中央的看起来特别白的区域是标准差为0.01m左右精度的区域。另一方面，在SLAM失败的情况下，由于路面形状的方差变大所以如图46B所示路面表现为黑色。中央的看起来特别黑的区域是标准差为0.15m左右精度的区域。
4－2－2.基于路面形状的地图数据的评价
以下，对基于路面形状的地图数据的评价的方法进行说明。但是，通过根据需要将各单元所保存的高度信息置换为辉度信息，以下的说明也适用于基于路面辉度的地图数据的评价。
在路面形状地图中，若单元内长草或存在路缘石等台阶，即使SLAM成功，高度方向的方差也会变大。但是，在自车辆通过的区域中，只要是铺装而成的道路，由于单元内是平面所以高度方向的方差也应该会变小。换言之，在自车辆通过的区域的高度方向的方差大的情况下，其地图数据不正常的可能性很高。也即是，通过关注自车辆通过的区域的路面形状的高度方向的方差，就能够判定路面形状地图的地图数据的异常。
例如，假设使用在从A地点到B地点为止的共同区间取得的日志数据制作了3个地图数据、即，地图数据1、地图数据2以及地图数据3。通过将各地图数据的路面形状的高度方向的方差σh绘制在以距A地点的距离为横轴的相同图形上，能得到表示图47所示的地图数据间的高度方向的方差σh的变动的相关的图形。路面形状的高度方向的方差σh既可以是姿态下，即，车辆的正下方的单元的高度方向的方差，也可以是车辆的周边的多个单元的高度方向的方差的平均值。
路面形状地图的地图数据的异常，能够根据图47所示的地图数据间的高度方向的方差σh的变动的相关进行判定。具体而言，能够将在特征量地图的地图数据的异常的判定中使用了的方法也适用于路面形状地图。特征量地图的地图数据的异常的判定方法，存在比较p值的平均值来判定异常的方法、比较p值的相关系数来判定异常的方法、以及基于p值的最低值来判定异常的方法。在这些方法中，通过将p值置换为高度方向的方差σh，能够用作判定路面形状地图的地图数据的异常的方法。同样地，通过将p值置换为辉度的方差，能够用作判定路面辉度地图的地图数据的异常的方法。
另外，通过将到达了各地图数据的单元的LiDAR的点群数绘制在以距A地点的距离为横轴的相同图形上，能得到图48所示的表示地图数据间的LiDAR的点群数Npoints的变动的相关的图形。LiDAR的点群数Npoints也可以是在姿态下、即，到达了车辆的正下方的单元的LiDAR的点群数，也可以是到达了车辆的周边的多个单元的LiDAR的点群数的平均值。在特征量地图的地图数据的异常的判定方法中，通过将p值置换为LiDAR的点群数Npoints，能够作为判定路面形状地图的地图数据的异常的方法而使用。另外，也能够作为判定路面辉度地图的地图数据的异常的方法而使用。
作为基于路面形状来评价地图数据的一致/不一致的方法，除了使用路面形状的高度方向的方差的方法以外，还有使用路面的坡度的方法。路面形状地图是表现了路面的形状、也即是，高度的地图。能够根据高度求出路面的坡度。由于自车辆通过的区域的道路坡度是确定的，所以路面形状地图有望在“道路坡度+容许误差”的范围内表现出坡度。
图49是表示路面形状地图中的路面形状的图像例的图。详细而言，图49所示的例子是在路面形状信息的x方向以及y方向的分辨率是0.1m的情况下，从y方向观察根据路面形状信息得到的路面形状而得到的图像。在图49所示的例子中，由于每0.1m高度上升0.01m，所以道路坡度上升10％左右。但是，只有中央附近的1个单元高出了0.05m以上。考虑道路构造的话，不可能有0.05m以上的倾斜(50％的坡度)。因此，在图49所示的例子中，能够判定为在所生成的路面形状中有异常。
在此，在将xy平面上的坐标(i，j)中的单元的高度的平均值设为hi，j时，坐标(i，j)中的x方向的路面坡度Δxi，j和y方向的路面坡度Δyi，j分别能够通过以下式计算。
Δxi，j＝hi，j－hi－1，j
Δyi，j＝hi，j－hi，j－1
路面形状地图的地图数据的异常能够根据地图数据间的路面坡度Δx、Δy的变动的相关来进行判定。例如，设为使用在从A地点到B地点为止的共同区间取得的日志数据来制作了3个地图数据、即，地图数据1、地图数据2以及地图数据3。通过将各地图数据的x方向的路面坡度Δx绘制在以距A地点的距离为横轴的相同图形上，能得到图50所示的表示地图数据间的x方向的路面坡度Δx的变动的相关的图形。x方向的路面坡度Δx可以是在姿态下、即，车辆的正下方的单元的x方向的路面坡度，也可以是车辆的周边的多个单元的x方向的路面坡度的平均值。以同样的方法，也能够得到表示地图数据间的y方向的路面坡度Δy的变动的相关的图形。在前述的特征量地图的地图数据的异常的判定方法中，通过将p值置换为x方向的路面坡度Δx或y方向的路面坡度Δy，能够作为判定路面形状地图的地图数据的异常的方法而使用。
另外，在使用路面的坡度的方法中，未必沿着从A地点到B地点为止的路径来绘制(plot)路面坡度。只要路面坡度超过容许宽度这样的单元包含1个，就也可以使得将该地图数据判定为异常。
5.其他
由地图数据生成装置100实现的地图数据评价处理也能够适用于静止障碍物地图。通过将静止障碍物地图上的体素的位置在地图数据间进行比较能够判定异常的地图数据。例如，在前述的特征量地图的地图数据的异常的判定方法中，通过将p值置换为体素的位置，能够作为判定静止障碍物地图的地图数据的异常的方法而使用。
标号说明
10行驶日志数据群
12，14，16行驶日志数据
12a异常的行驶日志数据
20A，20B，20D，20E，20F数据集
20C最终的数据集
30A，30B，30D，30E，30F评价用的地图数据
30C最终的地图数据
100地图数据生成装置
101处理器
102存储器
103地图数据生成程序
104储存器
105通信模块
106用户接口
107总线
110行驶日志数据数据库
120日志数据组合生成部
130地图数据生成部
140地图数据评价部
150异常日志数据判定部
160地图数据数据库

Claims (8)

1.一种地图数据生成方法，其特征在于，
根据行驶日志数据群生成多个数据集，多个数据集中的每一个数据集由1个或多个行驶日志数据构成，
根据所述多个数据集中的每一个数据集生成评价用的地图数据，
通过将根据所述多个数据集生成的多个评价用的地图数据进行相互比较来确定所述多个评价用的地图数据所包含的异常的地图数据，
通过将在所述异常的地图数据的制作中使用了的数据集和在所述异常的地图数据以外的评价用的地图数据的制作中使用了的数据集进行比较来确定异常的行驶日志数据，
使用不包含所述异常的行驶日志数据的数据集来生成最终的地图数据。
2.根据权利要求1所述的地图数据生成方法，其特征在于，
用多个参数来规定所述行驶日志数据群所包含的各个行驶日志数据，
使所述多个参数中的至少1个参数的条件在所述多个数据集所包含的多个行驶日志数据间不均匀。
3.根据权利要求2所述的地图数据生成方法，其特征在于，
基于所述异常的行驶日志数据来确定所述多个参数中的每一个参数的条件中使地图数据产生异常的条件，
使用在所述多个参数的条件中不包含使所述地图数据产生异常的条件的数据集来生成所述最终的地图数据。
4.根据权利要求2或3所述的地图数据生成方法，其特征在于，
通过将在所述异常的地图数据的制作中使用了的数据集和在所述异常的地图数据以外的评价用的地图数据的制作中使用了的数据集进行比较来确定所述多个参数中的每一个参数的条件的组合中使地图数据产生异常的条件的组合，
使用在所述多个参数的条件的组合中不包含使所述地图数据产生异常的条件的组合的数据集来生成所述最终的地图数据。
5.根据权利要求1至4中任一项所述的地图数据生成方法，其特征在于，
地图数据是特征量地图的地图数据，
对所述多个评价用的地图数据进行相互比较包括在所述多个评价用的地图数据间比较特征量的偏差。
6.根据权利要求1至4中任一项所述的地图数据生成方法，其特征在于，
地图数据是特征量地图的地图数据，
将所述多个评价用的地图数据进行相互比较包括在所述多个评价用的地图数据间比较使用了特征量进行的自身位置推定的成功程度。
7.一种地图数据生成装置，其特征在于，
具备：
至少1个处理器；和
与所述至少1个处理器结合并存储了多个可执行指令的程序存储器，
所述多个可执行指令构成为，使所述至少1个处理器：
根据行驶日志数据群生成多个数据集，多个数据集中的每一个数据集由1个或多个行驶日志数据构成；
根据所述多个数据集中的每一个数据集生成评价用的地图数据；
通过将根据所述多个数据集生成的多个评价用的地图数据进行相互比较来确定所述多个评价用的地图数据所包含的异常的地图数据；
通过将在所述异常的地图数据的制作中使用了的数据集与在所述异常的地图数据以外的评价用的地图数据的制作中使用了的数据集进行比较来确定异常的行驶日志数据，
使用不包含所述异常的行驶日志数据的数据集来生成最终的地图数据。
8.一种计算机可读取记录介质，记录了使计算机执行用于生成地图数据的处理的程序，该计算机可读取记录介质的特征在于，
所述处理包括：
根据行驶日志数据群生成多个数据集，多个数据集中的每一个数据集由1个或多个行驶日志数据构成，
根据所述多个数据集中的每一个数据集生成评价用的地图数据，
通过将根据所述多个数据集生成的多个评价用的地图数据进行相互比较来确定所述多个评价用的地图数据所包含的异常的地图数据，
通过将在所述异常的地图数据的制作中使用了的数据集和在所述异常的地图数据以外的评价用的地图数据的制作中使用了的数据集进行比较来确定异常的行驶日志数据，
使用不包含所述异常的行驶日志数据的数据集来生成最终的地图数据。
CN202310345410.9A 2022-04-04 2023-04-03 地图数据生成方法及其装置和记录了地图数据生成程序的计算机可读取记录介质 Pending CN116894885A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2022-062517 2022-04-04
JP2022062517A JP2023152480A (ja) 2022-04-04 2022-04-04 地図データ生成方法、地図データ生成装置及び地図データ生成プログラム

Publications (1)

Publication Number Publication Date
CN116894885A true CN116894885A (zh) 2023-10-17

Family

ID=88193802

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310345410.9A Pending CN116894885A (zh) 2022-04-04 2023-04-03 地图数据生成方法及其装置和记录了地图数据生成程序的计算机可读取记录介质

Country Status (3)

Country Link
US (1) US20230314169A1 (zh)
JP (1) JP2023152480A (zh)
CN (1) CN116894885A (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102020213337A1 (de) * 2020-10-22 2022-04-28 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zu einer autonomen Navigation einer bewegbaren Robotereinheit und Robotersystem mit der Robotereinheit

Also Published As

Publication number Publication date
US20230314169A1 (en) 2023-10-05
JP2023152480A (ja) 2023-10-17

Similar Documents

Publication Publication Date Title
CN111551958B (zh) 一种面向矿区无人驾驶的高精地图制作方法
CN109059954B (zh) 支持高精度地图车道线实时融合更新的方法和系统
CN109165549B (zh) 基于三维点云数据的道路标识获取方法、终端设备及装置
Zhao et al. On-road vehicle trajectory collection and scene-based lane change analysis: Part i
US9365217B2 (en) Mobile pothole detection system and method
WO2022099511A1 (zh) 基于点云数据的地面分割方法、装置和计算机设备
DE112018000605T5 (de) Informationsverarbeitungsvorrichtung, Datenverwaltungsvorrichtung, Datenverwaltungssystem, Verfahren und Programm
CN113593017A (zh) 露天矿地表三维模型构建方法、装置、设备及存储介质
CN110956207B (zh) 一种光学遥感影像全要素变化检测方法
CN114488194A (zh) 一种智能驾驶车辆结构化道路下目标检测识别方法
CN112800938B (zh) 无人驾驶车辆检测侧面落石发生的方法及装置
CN113759391A (zh) 一种基于激光雷达的可通行区域检测方法
US11270164B1 (en) Vehicle neural network
CN116894885A (zh) 地图数据生成方法及其装置和记录了地图数据生成程序的计算机可读取记录介质
CN112017170B (zh) 一种基于三维光影模型的道路路面坑槽识别方法、装置及设备
Zhang et al. A patch-based method for the evaluation of dense image matching quality
CN114114367A (zh) Agv室外定位切换方法、计算机装置及程序产品
CN114627073A (zh) 地形识别方法、装置、计算机设备和存储介质
CN117171533B (zh) 一种地理测绘作业数据实时采集处理方法及系统
CN117409341A (zh) 基于无人机照明的图像分析方法及系统
US20220404503A1 (en) Three-dimensional object detection with ground removal intelligence
CN115063684A (zh) 一种基于遥感影像场景划分的农机轨迹识别方法及其应用方法
WO2022021209A9 (zh) 电子地图生成方法、装置、计算机设备和存储介质
Taleqani et al. Data Driven Analytics of Road Quality.
CN113643374A (zh) 基于道路特征的多目相机标定方法、装置、设备和介质

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