CN116958959B - 一种高程信息的处理方法、装置、电子设备和存储介质 - Google Patents
一种高程信息的处理方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN116958959B CN116958959B CN202311212439.6A CN202311212439A CN116958959B CN 116958959 B CN116958959 B CN 116958959B CN 202311212439 A CN202311212439 A CN 202311212439A CN 116958959 B CN116958959 B CN 116958959B
- Authority
- CN
- China
- Prior art keywords
- target
- elevation information
- point
- candidate
- sampling
- 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
Links
- 238000003860 storage Methods 0.000 title claims abstract description 27
- 230000010365 information processing Effects 0.000 title claims description 16
- 238000003672 processing method Methods 0.000 title description 14
- 238000005070 sampling Methods 0.000 claims abstract description 318
- 238000000034 method Methods 0.000 claims abstract description 114
- 238000012545 processing Methods 0.000 claims abstract description 60
- 238000010586 diagram Methods 0.000 claims description 37
- 238000011156 evaluation Methods 0.000 claims description 34
- 238000004590 computer program Methods 0.000 claims description 30
- 239000013585 weight reducing agent Substances 0.000 claims description 17
- 238000005457 optimization Methods 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 10
- 230000007480 spreading Effects 0.000 claims description 6
- 238000003892 spreading Methods 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 5
- 230000004931 aggregating effect Effects 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 14
- 238000004422 calculation algorithm Methods 0.000 description 38
- 238000004364 calculation method Methods 0.000 description 23
- 230000008569 process Effects 0.000 description 22
- 239000010410 layer Substances 0.000 description 20
- 238000004891 communication Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 13
- 238000004088 simulation Methods 0.000 description 13
- 238000012952 Resampling Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 7
- 230000000644 propagated effect Effects 0.000 description 6
- 239000002356 single layer Substances 0.000 description 6
- 238000009434 installation Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 230000005236 sound signal Effects 0.000 description 3
- 230000002547 anomalous effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/182—Network patterns, e.g. roads or rivers
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及地图技术领域,尤其涉及一种高程信息的处理方法、装置、电子设备和存储介质,可应用于交通、领域、自动驾驶等领域。其中,方法包括:对目标区域内道路的车道数据进行采样得到多个采样点;根据对目标区域进行点云识别得到的各点云识别结果,对多个采样点进行平面拟合获得目标采样点,及获取多个采样点各自的候选高程信息集;对于各目标采样点各自的候选高程信息集分别执行:根据一个候选高程信息集中各候选高程信息,以及各候选高程信息各自对应的置信度,获得一个目标采样点的有效高程信息;基于目标区域内道路间拓扑关系,对各目标采样点的有效高程信息进行优化,获得各目标采样点各自的目标高程信息,可提高高程信息的处理准确率。
Description
技术领域
本申请涉及地图技术领域,尤其涉及一种高程信息的处理方法、装置、电子设备和存储介质。
背景技术
在高精地图中,如何处理数据的高程信息是至关重要的一环。相关技术中高程自动化处理方法,主要是轨迹匹配路网方法。该方法首先通过轨迹吸附算法将轨迹和道路进行有效匹配,然后根据轨迹信息中的高程信息来对道路车道等数据进行自动化赋值处理。
然而,目前的轨迹匹配路网方法以轨迹作为主要依据,轨迹包含信息量少,不利于扩展;并且,不同车辆上全球定位系统(Global Positioning System,GPS)的安装位置不固定,与地面高程差的估计值有误差,进一步影响精度。因此,目前的轨迹匹配路网算法准确率受路网精度、GPS定位精度、轨迹长度等多重因素影响,准确率上限较难突破。
综上,如何提高高程信息处理的准确率是亟待解决的。
发明内容
本申请实施例提供一种高程信息的处理方法、装置、电子设备和存储介质,用以提高高程信息处理的准确率。
本申请实施例提供的一种高程信息的处理方法,包括:
对目标区域内道路的车道数据进行采样,得到多个采样点;
根据在不同时间对所述目标区域进行点云识别得到的各点云识别结果,对所述多个采样点进行平面拟合,获得所述多个采样点中的目标采样点;以及,根据所述各点云识别结果,获取所述多个采样点各自对应的候选高程信息集;
对于各目标采样点各自对应的候选高程信息集,分别执行以下操作:根据一个候选高程信息集中各候选高程信息,以及所述各候选高程信息各自对应的置信度,获得所述一个目标采样点的有效高程信息;
基于所述目标区域内道路之间的拓扑关系,对所述各目标采样点的有效高程信息进行优化,获得所述各目标采样点各自的目标高程信息。
本申请实施例提供的一种高程信息的处理装置,包括:
采样单元,用于对目标区域内道路的车道数据进行采样,得到多个采样点;
拟合单元,用于根据在不同时间对所述目标区域进行点云识别得到的各点云识别结果,对所述多个采样点进行平面拟合,获得所述多个采样点中的目标采样点;以及,根据所述各点云识别结果,获取所述多个采样点各自对应的候选高程信息集;
融合单元,用于对于各目标采样点各自对应的候选高程信息集,分别执行以下操作:根据一个候选高程信息集中各候选高程信息,以及所述各候选高程信息各自对应的置信度,获得所述一个目标采样点的有效高程信息;
优化单元,用于基于所述目标区域内道路之间的拓扑关系,对所述各目标采样点的有效高程信息进行优化,获得所述各目标采样点各自的目标高程信息。
可选的,所述融合单元具体用于:
基于参考地图数据以及所述各点云识别结果,分别获得所述一个目标采样点对应的候选高程信息集中各候选高程信息各自的置信度;
基于所述各候选高程信息各自的置信度,对所述各候选高程信息进行加权融合,获得所述一个目标采样点的有效高程信息。
可选的,所述装置还包括;
第一插值单元,用于若所述目标区域内任意车道上目标采样点的数量小于预设数量阈值,则确定所述任意车道上的第一目标插值点;
对于每个第一目标插值点,执行以下操作:基于一个第一目标插值点两侧的目标采样点的有效高程信息,对所述一个第一目标插值点进行线性插值,获得所述一个第一目标插值点的有效高程信息;
则所述优化单元还用于:
基于所述目标区域内道路之间的拓扑关系,对各第一目标插值点的有效高程信息进行优化,获得所述各第一目标插值点各自的目标高程信息。
可选的,所述拟合单元具体用于:
根据在不同时间对所述目标区域进行点云识别得到的各点云识别结果,对所述多个采样点进行平面拟合,获得所述目标区域对应的拟合平面;
若所述拟合平面与标准法向量之间的夹角不小于预设角度阈值,则将所述拟合平面中的采样点,作为目标采样点;所述标准法向量为水平地面所对应的法向量。
可选的,所述拟合单元还用于:
若所述拟合平面与标准法向量之间的夹角小于预设角度阈值,则将每个采样点的经纬度信息转换为线性参考距离,所述线性参考距离表示目标采样点与所述目标采样点所属车道线的起点之间的距离;所述标准法向量为水平地面所对应的法向量;
根据所述多个目标采样点各自的线性参考距离,对所述多个目标采样点进行线拟合,获得所述目标区域对应的拟合直线结果;
将所述拟合直线结果中目标拟合直线上的采样点,作为目标采样点,所述目标拟合直线为与标准法向量之间的夹角不小于预设角度阈值的拟合直线。
可选的,所述装置还包括:
第二插值单元,用于对于所述拟合直线结果中的非目标拟合直线,确定所述非目标拟合直线上的第二目标插值点;
对于每个第二目标插值点,执行以下操作:基于一个第二目标插值点两侧的目标采样点的有效高程信息,对所述一个第二目标插值点进行线性插值,获得所述一个第二目标插值点的有效高程信息;
则所述优化单元还用于:
基于所述目标区域内道路之间的拓扑关系,对各第二目标插值点的有效高程信息进行优化,获得所述各第二目标插值点各自的目标高程信息。
可选的,所述优化单元具体用于:
以所述目标区域内道路作为路网图中的节点;其中,每个节点对应有至少一个高程类别以及与每个高程类别对应的特征评估值;所述高程类别是通过对节点对应道路上的目标采样点聚类得到的,表征道路的高程信息;所述特征评估值为:所述道路上属于相应高程类别的各目标采样点的候选高程信息对应的置信度之和;
根据各节点的特征评估值,从所述各节点中选取目标节点;
从所述目标节点开始,沿拓扑关系向周围传播,根据传播结果获得其他节点所对应的目标高程类别;
将所述一个目标点关联节点的目标高程类别与所述一个目标点的有效高程信息进行对比,并根据比较结果获得所述一个目标点的目标高程信息。
可选的,所述优化单元具体用于通过如下至少一种方式选取目标节点:
将所述每个节点中,仅存在一个特征评估值的节点,作为目标节点;
将所述每个节点中,对应的一个特征评估值与其他特征评估值的比值大于预设比值阈值的节点,作为目标节点。
可选的,所述优化单元还用于通过如下方式获得每个节点对应的高程类别:
基于所述各目标采样点各自对应的候选高程信息集,对所述候选高程信息进行聚类,获得至少一个簇,其中,不同簇的聚类中心的高程信息之间的差值大于预设高程阈值;
对于每个节点,分别执行以下操作:确定一个节点关联的各目标采样点所对应的聚类中心的高程信息,并将确定的高程信息作为所述一个节点对应的高程类别所表征的高程信息。
可选的,所述优化单元具体用于:
将获得的目标高程类别所对应的高程信息,与所述拟合平面中相应一个目标点的有效高程信息进行对比;
若比较结果在预设差异范围内,则将所述有效高程信息,作为所述一个目标点的目标高程信息;
若比较结果在预设差异范围外,则将所述目标高程类别所表征的高程信息,作为所述一个目标点的目标高程信息。
可选的,所述装置还包括:
权重计算单元,用于通过如下方式确定每个候选高程信息的置信度:
根据一个候选高程信息关联的点云识别结果中,所述一个目标采样点和下一个相邻目标采样点所组成的点云车道线,与所述参考地图数据中相应点所组成的地图车道线之间的差异,获得所述一个候选高程信息对应的差异权重;
根据所述各点云识别结果各自的采集时间,获得所述一个候选高程信息对应的采集时间衰减系数;
根据所述一个候选高程信息关联的点云识别结果中,所述一个目标采样点对应的识别类别,获得与所述识别类别对应的预设类别降权系数;
根据所述差异权重、所述采集时间衰减系数和所述预设类别降权系数,获得所述一个候选高程信息对应的置信度。
可选的,所述差异权重包括距离权重和角度权重中的至少一种;
则所述权重计算单元具体用于执行如下至少一种操作:
根据所述点云车道线与所述地图车道线之间的横向距离,获得所述一个候选高程信息对应的距离权重;
根据所述点云车道线与所述地图车道线之间的纵向夹角,获得所述一个候选高程信息对应的角度权重。
可选的,所述差异权重包括距离权重和角度权重;则所述权重计算单元具体用于:
获取所述距离权重和第一预设模型参数的乘积,与所述角度权重和第二预设模型参数的乘积之和,并记作目标参数;
将所述采集时间衰减系数、所述预设类别降权系数以及所述目标参数的乘积,作为所述一个候选高程信息对应的置信度。
可选的,所述权重计算单元具体用于:
根据所述横向距离的平方与第三预设模型参数的平方的比值,获得所述一个候选高程信息对应的距离权重;
以及,根据所述纵向夹角的平方与第四预设模型参数的平方的比值,获得所述一个候选高程信息对应的角度权重。
可选的,所述权重计算单元具体用于:
根据所述一个候选高程信息关联的点云识别结果的采集时间与最大采集时间的差值,获得所述采集时间衰减系数,其中,所述最大采集时间为所述各点云识别结果各自的采集时间中的最大值。
可选的,若所述目标区域包含路口,则所述装置还包括:
路口处理单元,用于将所述路口内的道路和车道线按照拓扑关系聚合为待拟合部分;根据所述各点云识别结果,对待拟合部分进行采样点扩充;根据所述待拟合部分中路口边缘点的有效高程信息,以及所扩充的采样点的有效高程信息,拟合得到所述路口对应的路口平面;预测所述路口中的内点,并根据预测结果平滑所述路口平面中的路口边缘,所述内点为所述路口内的道路点与车道线点中的至少一种。
本申请实施例提供的一种电子设备,包括处理器和存储器,其中,所述存储器存储有计算机程序,当所述计算机程序被所述处理器执行时,使得所述处理器执行上述任意一种高程信息的处理方法的步骤。
本申请实施例提供一种计算机可读存储介质,其包括计算机程序,当所述计算机程序在电子设备上运行时,所述计算机程序用于使所述电子设备执行上述任意一种高程信息的处理方法的步骤。
本申请实施例提供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,所述计算机程序存储在计算机可读存储介质中;当电子设备的处理器从计算机可读存储介质读取所述计算机程序时,所述处理器执行所述计算机程序,使得所述电子设备执行上述任意一种高程信息的处理方法的步骤。
本申请有益效果如下:
本申请实施例提供了一种高程信息的处理方法、装置、电子设备和存储介质。由于本申请中的高程信息处理方法,是基于点云识别结果实现的,通过从点云识别结果进行平面拟合,可以有效去除噪声点,获得有用的目标采样点,并且还可从点云识别结果中获取采样点的候选高程信息。在此基础上,基于目标采样点所对应的候选高程信息的置信度,可对同一目标采样点的这些候选高程信息进行融合,并基于道路间的拓扑关系对有效高程信息进行优化,以获得处理后的目标高程信息。在该处理过程中,主要是基于点云识别结果实现的,与目前轨迹匹配路网方法中以轨迹作为主要依据的方式相比,本申请直接基于点云识别结果评估道路车道数据的高程精度,点云识别结果不受GPS安装位置等的影响,且所包含的信息相较于轨迹数据更为丰富,相较于轨迹数据更为准确,在此基础上,通过重采样、平面拟合及根据拓扑关系优化等方法有效的对道路车道等数据进行高程自动化处理,可有效提升准确率。
在此基础上,基于点云识别结果对道路车道进行高程自动化处理,可以有效改善当前地图中高程数据的质量,进而提高自动驾驶仿真环节模拟环境的真实性,以便向有需求的对象(如驾驶对象)提高提供与现实环境一致的模拟环境。
本申请的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请而了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请实施例中的一种应用场景的一个可选的示意图;
图2为本申请实施例中的一种数据出品环节的高程数据处理流程的示意图;
图3为本申请实施例中的一种高程信息的处理方法的实施流程图;
图4为本申请实施例中的一种加载目标区域中车道线识别结果的示意图;
图5为本申请实施例中的一种RANSAC拟合算法与线性拟合算法效果对比示意图;
图6为本申请实施例中的一种平面拟合相关过程的示意图;
图7为本申请实施例中的一种平面与标准法向量的示意图;
图8为本申请实施例中的一种置信度的计算方式流程图;
图9为本申请实施例中的一种插值补齐过程的示意图;
图10为本申请实施例中的一种基于图传播算法的优化流程图;
图11为本申请实施例中的一种路网图的示意图;
图12为本申请实施例中的一种道路的高程类别候选集及对应的候选图示意图;
图13为本申请实施例中的一种图传播优化过程的示意图;
图14为本申请实施例中的一种空洞拟合方法的实施流程图;
图15为本申请实施例中的一种路口空洞拟合效果示意图;
图16为本申请实施例中的一种高程信息的处理装置的组成结构示意图;
图17为应用本申请实施例的一种电子设备的一个硬件组成结构示意图;
图18为应用本申请实施例的另一种电子设备的一个硬件组成结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请技术方案的一部分实施例,而不是全部的实施例。基于本申请文件中记载的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请技术方案保护的范围。
下面对本申请实施例中涉及的部分概念进行介绍。
高程:指的是某点沿铅垂线方向到绝对基面的距离,称绝对高程,简称高程。某点沿铅垂线方向到某假定水准基面的距离,称假定高程。在本申请实施例中,高程信息就是指点的高程值。在本申请实施例中,高程信息有三类,分别为候选高程信息、有效高程信息和目标高程信息。其中,候选高程信息指通过点云识别获取到的高程信息,有效高程信息指对候选高程信息进行加权融合得到的高程信息,目标高程信息是指最终根据图传播算法优化确定的高程信息。
点云:也称激光点云,指对空间中的物体表面进行激光扫描所得到的激光扫描点的集合。高精地图相关的业务场景下,通常需要针对道路空间采集点云,并对采集的点云中的路面点云部分进行识别。本申请实施例中的点云识别结果,则是指目标区域内道路空间采集到的点云的识别结果,包含这些点的经纬度信息、高程信息、类别信息等。
拓扑关系:指道路之间的连通关系(也称通行关系),如道路A与道路B之间可通行,即表示道路A与道路B之间连通。在智能驾驶或者自动驾驶场景下,车辆可以根据道路/车道之间的连通关系,从一个道路/车道行驶至另一道路/车道,从而使车辆实现基于高精地图的智能驾驶或者自动驾驶等。
随机抽样一致性算法(RANdom SAmple Consensus,RANSAC):它是根据一组包含异常数据的样本数据集,计算出数据的数学模型参数,得到有效样本数据的算法。RANSAC算法的基本假设是样本中包含正确数据(inlier,可以被模型描述的数据,也称内点),也包含异常数据(outlier,偏离正常范围很远、无法适应数学模型的数据,也称外点),即数据集中含有噪声。这些异常数据可能是由于错误的测量、错误的假设、错误的计算等产生的。同时RANSAC也假设,给定一组正确的数据,存在可以计算出符合这些数据的模型参数的方法。
本申请实施例中的高程信息的处理方法,可应用于地图领域、交通领域、自动驾驶领域等。
在交通领域,本申请实施例中的高程信息的处理方法,则可应用于智能交通系统(Intelligent Traffic System,ITS)或是智能车路协同系统(Intelligent VehicleInfrastructure Cooperative Systems,IVICS)。
智能交通系统又称智能运输系统(Intelligent Transportation System),是将先进的科学技术(信息技术、计算机技术、数据通信技术、传感器技术、电子控制技术、自动控制理论、运筹学、人工智能等)有效地综合运用于交通运输、服务控制和车辆制造,加强车辆、道路、使用者三者之间的联系,从而形成一种保障安全、提高效率、改善环境、节约能源的综合运输系统。
智能车路协同系统简称车路协同系统,是智能交通系统(ITS)的一个发展方向。车路协同系统是采用先进的无线通信和新一代互联网等技术,全方位实施车车、车路动态实时信息交互,并在全时空动态交通信息采集与融合的基础上开展车辆主动安全控制和道路协同管理,充分实现人车路的有效协同,保证交通安全,提高通行效率,从而形成的安全、高效和环保的道路交通系统。
下面对本申请实施例的设计思想进行简要介绍:
对于自动驾驶,地理数据高程信息的变化值是非常重要的一个信息,有助于车辆更好的进行纵横向控制,例如:在自动驾驶应用中需要根据相邻地物的高程差来判断坡度信息,决定驾驶策略,等等。
然而,目前在地图领域高程信息的自动化处理方法,主要是轨迹匹配路网方法,使用车辆的轨迹点匹配路网。目前主要通过计算车辆轨迹点与路网中道路之间的距离值,依据距离值确定与车辆轨迹点匹配的道路。然而由于车辆轨迹点是通过GPS定位技术采集的,受GPS定位精度的限制,轨迹点的位置有一定的浮动误差,因而采用现有的匹配路网的方法容易出现错误匹配。
因此,目前的轨迹匹配路网算法准确率受路网精度、GPS定位精度、轨迹长度等多重因素影响,准确率上限较难突破。
有鉴于此,本申请实施例提出了一种高程信息的处理方法、装置、电子设备和存储介质。由于本申请中的高程信息处理方法,是基于点云识别结果实现的,通过从点云识别结果进行平面拟合,可以有效去除噪声点,获得有用的目标采样点,并且还可从点云识别结果中获取采样点的候选高程信息。在此基础上,基于目标采样点所对应的候选高程信息的置信度,可对同一目标采样点的这些候选高程信息进行融合,并基于道路间的拓扑关系对有效高程信息进行优化,以获得处理后的目标高程信息。在该处理过程中,主要是基于点云识别结果实现的,与目前轨迹匹配路网方法中以轨迹作为主要依据的方式相比,本申请直接基于点云识别结果评估道路车道数据的高程精度,点云识别结果不受GPS安装位置等的影响,且所包含的信息相较于轨迹数据更为丰富,相较于轨迹数据更为准确,在此基础上,通过重采样、平面拟合及图传播等方法有效的对道路车道等数据进行高程自动化处理,可有效提升准确率。
在此基础上,基于点云识别结果对道路车道进行高程自动化处理,可以有效改善当前地图中高程数据的质量,进而提高自动驾驶仿真环节模拟环境的真实性,以便向有需求的对象(如驾驶对象)提高提供与现实环境一致的模拟环境。
以下结合说明书附图对本申请的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本申请,并不用于限定本申请,并且在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
如图1所示,其为本申请实施例的应用场景示意图。该应用场景图中包括两个终端设备110和一个服务器120。
在本申请实施例中,终端设备110包括但不限于手机、平板电脑、笔记本电脑、台式电脑、电子书阅读器、智能语音交互设备、智能家电、车载终端、飞行器等设备;终端设备上可以安装有地图、高程信息处理相关的客户端,该客户端可以是软件(例如浏览器、地图软件等),也可以是网页、小程序等,服务器120则是与软件或是网页、小程序等相对应的后台服务器,或者是专门用于进行高程信息处理的服务器,本申请不做具体限定。服务器120可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
需要说明的是,本申请各实施例中的高程信息的处理方法可以由电子设备执行,该电子设备可以为终端设备110或者服务器120,即,该方法可以由终端设备110或者服务器120单独执行,也可以由终端设备110和服务器120共同执行。比如由服务器120单独执行时,服务器120可首先获取在不同时间对目标区域进行点云识别得到的各点云识别结果,以及,对目标区域内道路的车道数据进行采样,得到多个采样点;进而,服务器120根据所获取的各点云识别结果,获取多个采样点各自对应的候选高程信息集;以及,根据采集到的各点云识别结果,对所述多个采样点进行平面拟合,获得所述多个采样点中的目标采样点。进而,服务器120根据各目标采样点各自对应的候选高程信息集中各候选高程信息各自对应的置信度,对同一候选高程信息集中的各候选高程信息进行加权融合,获得各目标采样点的有效高程信息;最后,服务器120基于目标区域内道路之间的拓扑关系对各目标采样点的有效高程信息进行优化,获得所述各目标采样点各自的目标高程信息。
在上述基础上,服务器120可基于获取到的目标高程信息,改善地图中高程数据的质量,进而提高自动驾驶仿真环节模拟环境的真实性,以便向有需求的对象提高提供与现实环境一致的模拟环境。
如图2所示,其为本申请实施例中的一种数据出品环节的高程数据处理流程的示意图。其中,数据出品环节是指将地图数据交给车厂等需求方。
在数据出品环节,可以增加高程数据处理流程,如图2中箭头所指向的部分,以对道路车道等数据进行自动化处理,满足客户对于高程精度的要求。也即,本申请实施例中的高程信息的处理方法,即可应用于上述数据出品环节中,以提高地图数据中高程信息的准确率。
在一种可选的实施方式中,终端设备110与服务器120之间可以通过通信网络进行通信。
在一种可选的实施方式中,通信网络是有线网络或无线网络。
需要说明的是,图1所示只是举例说明,实际上终端设备和服务器的数量不受限制,在本申请实施例中不做具体限定。
本申请实施例中,当服务器的数量为多个时,多个服务器可组成为一区块链,而服务器为区块链上的节点;如本申请实施例所公开的高程信息的处理方法,其中所涉及的相关处理数据可保存于区块链上,例如,采样点、点云识别结果、候选高程信息、置信度、特征评估值、有效高程信息、目标高程信息等。
此外,本申请实施例可应用于各种场景,包括但不限于云技术、人工智能、智慧交通、辅助驾驶等场景。
可以理解的是,在本申请的具体实施方式中,涉及到用户信息(如用户使用地图时的位置信息…)等相关的数据,当本申请以上实施例运用到具体产品或技术中时,需要获得用户许可或者同意,且相关数据的收集、使用和处理是遵守相关国家和地区的相关法律法规和标准的。
此外,在本申请的具体实施方式中,涉及到高程信息处理(如目标区域内点云识别结果的采集…)等相关数据的收集、使用和处理也是遵守相关国家和地区的相关法律法规和标准的。
下面结合上述描述的应用场景,参考附图来描述本申请示例性实施方式提供的高程信息的处理方法,需要注意的是,上述应用场景仅是为了便于理解本申请的精神和原理而示出,本申请的实施方式在此方面不受任何限制。
参阅图3所示,为本申请实施例提供的一种高程信息的处理方法的实施流程图,以服务器为执行主体为例,该方法的具体实施流程如下S31~S34:
S31:对目标区域内道路的车道数据进行采样,得到多个采样点。
具体的,目标区域可以是现实世界中任意包含道路的地点。
在本申请实施例中,可对目标区域内的道路车道数据(如车道线)进行等距重采样,获得多个采样点。例如,进行等距重采样时,车道线上每相邻两个采样点之间的距离为2米,则可得到采样点矩阵S[m,n,2]。其中,m表示采样数,n表示车道数,2表示经纬度坐标,即(x,y)。
除上述所列举的等距重采样的方式外,还可采用其他方式对目标区域内道路上的车道数据进行采样,如也可按照随机距离采样等,本文不做具体限定。
S32:根据在不同时间对目标区域进行点云识别得到的各点云识别结果,对多个采样点进行平面拟合,获得所述多个采样点中的目标采样点;以及,根据各点云识别结果,获取多个采样点各自对应的候选高程信息集。
在本申请实施例中,可在不同时间对目标区域进行点云识别,获得不同时间下采集到的点云识别结果,例如在Y1年对目标区域进行了一次点云识别,获得该目标区域对应的点云识别结果1,在Y2年对目标区域进行了一次点云识别,获得该目标区域对应的点云识别结果2,在Y3年对目标区域进行了一次点云识别,获得该目标区域对应的点云识别结果3。
本申请实施例中的点云识别结果可包含点的经纬度信息、高程信息,这里通过点云识别得到的高程信息可记作候选高程信息,也称候选高程值。
如图4所示,其为本申请实施例中的一种加载目标区域中车道线识别结果的示意图。其中,图4表示对目标区域进行点云识别后,可识别出目标区域中的车道线。
除此之外,通过点云识别不仅可以识别出车道线,还可进一步识别出目标区域中其他类别的点。
也即,在本申请实施例中,目标区域内至少包括道路,道路上有至少一个车道及相应的车道线。此外,目标区域内还可包含护栏、路沿石、地面箭头、文字、场景等。
相应地,目标区域内的采样点包括但不限于下列的部分或全部:
车道线点、护栏点、路沿石点、地面箭头点、文字点、场景点等。
具体的,从每个点云识别结果中都可以获取一个采样点对应的一个候选高程信息,对于同一个采样点而言,在多个点云识别结果中就可以获取多个候选高程信息,这些候选高程信息即可组成该采样点所对应的候选高程信息集。
例如,对于采样点P1,可基于点云识别结果1提取采样点P1的候选高程值z11,基于点云识别结果2提取采样点P1的候选高程值z12,基于点云识别结果3提取采样点P1的候选高程值z13,由z11、z12和z13组成采样点P1所对应的候选高程信息集。
又比如,对于采样点P2,可基于点云识别结果1提取采样点P2的候选高程值z21,基于点云识别结果2提取采样点P2的候选高程值z22,基于点云识别结果3提取采样点P2的候选高程值z23,由z21、z22和z23组成采样点P2所对应的候选高程信息集。
依此类推,即可获取采样点矩阵中各采样点各自对应的候选高程信息集。
此外,基于上述各点云识别结果,还可对采样点矩阵中的采样点进行平面拟合,获得拟合平面。
在本申请实施例中,将点进行拟合的方式有很多种,例如随机抽样一致性(RandomSample Consensus,RANSAC)拟合算法、线性拟合算法等。
下面以基于机器学习中的RANSAC算法对点云识别结果的高程进行平面拟合为例。RANSAC算法在是一种通过使用观测到的数据点来估计数学模型参数的迭代方法。其中数据点包括内点(inlier)和外点(outlier)。outlier对模型的估计没有价值,因此该方法也可以叫做outlier检测方法。其中inliner指样本中正确的采样点,常称为内点,内群点,正确样本,outliner指样本中的噪声点(如测量时误差很大的点,数据值不准确的点等),常称为外点、离群点或是噪声点。
概括来说,对于一组包含很多噪声点的观测数据,如果直接用模型来拟合数据,模型肯定会受噪声点影响,而且噪声点比例越大,拟合出的模型也会越不准确。RANSAC就是用来解决样本中的外点问题(噪声),最多可处理50%的外点情况。
参阅图5所示,其为本申请实施例中的一种RANSAC拟合算法与线性拟合算法效果对比示意图。其中,结果2表示基于RANSAC拟合算法获得的拟合结果,结果1表示基于线性拟合算法获得的拟合结果。很显然,在基于RANSAC拟合算法进行线拟合时,可以排除外点,基于内点进行拟合;而基于线性拟合算法进行线拟合时,无法实现上述效果。
同理,基于RANSAC拟合算法进行面拟合(平面拟合)时,也可有效排除噪声点。
基于上述思想,在本申请实施例中,可根据上述获取的各点云识别结果,基于RANSAC拟合算法对采样点矩阵所包含的多个采样点进行平面拟合,获得拟合平面,在该拟合过程中,可有效剔除多个采样点中的噪声点(也即外点),而剩余的采样点即为本申请实施例中的目标采样点。
参阅图6所示,其为本申请实施例中的一种平面拟合相关过程的示意图。如图6所示,首先可采用上述所列举的等距重采样等方式采集采样点,以对目标区域进行空间分析,在此基础上,即可基于RANSAC算法,结合各点云识别结果,对采样点进行平面拟合,获得拟合平面,如图6中灰色的平面,即为本申请实施例中的一种拟合平面的示例。
在本申请实施例中,通过平面拟合获取目标采样点时,一种可选的实施方式为:
根据在不同时间对目标区域进行点云识别得到的各点云识别结果,对多个采样点进行平面拟合,获得目标区域对应的拟合平面。
具体的,可基于RANSAC算法对多个采样点进行平面拟合,获得拟合平面。
在本申请实施例中,通过RANSAC算法得到拟合平面后,仍需对该拟合平面的拟合质量进行判定,如果由于采样点不够导致平面侧偏(采样点高程偏差较大导致拟合的平面倾角过大,与标准法向量角度小于某角度阈值),则需要从面拟合退化成线拟合。
一种可选的分析是否发生侧面的方法为:
将该拟合平面与标准法向量之间的夹角,与预设角度阈值进行对比。其中,标准法向量为水平地面所对应的法向量。
若拟合平面与标准法向量之间的夹角不小于预设角度阈值,则认为该拟合平面未发生平面侧偏,该拟合平面的拟合质量达标,故将拟合平面中的采样点,作为目标采样点。其中,拟合平面外的采样点,可以理解为是排除掉的噪声点。
反之,若拟合平面与标准法向量之间的夹角小于预设角度阈值,则认为该拟合平面发生平面侧偏,该拟合平面的拟合质量未达标,需从面拟合退化成线拟合,进而再根据线拟合结果确定目标采样点。
基于上述实施方式,可有效去除采样的噪声点,而后基于剩余的目标采样点来执行后续的处理过程,可有效提高高程精度。并且,在上述实施方式中,还增加了对拟合平面的拟合质量的判定过程,有效规避掉由于样本不足、精度不高等所带来的影响。
如图7所示,其为本申请实施例中的一种平面与标准法向量的示意图。其中,假设平面A为拟合平面,向量B为标准法向量。在分析平面A是否发生侧面时,即主要分析平面A与向量B之间的夹角α。该夹角α也可以理解为向量B在平面A中的投影,与向量B的夹角。其中,图7所示的向量B是平行于z轴的,也即本申请实施例中的标准法向量是垂直于水平地面。
很显然,当平面A为水平面时,向量B是垂直于平面A的,向量B与平面A之间的夹角α为90°,而当平面A非水平面的情况下,向量B与平面A之间的夹角α会小于90°。
在本申请实施例中,可根据经验或需求灵活设置预设角度阈值,该预设角度阈值的取值为正数,且小于90°,如设置为10°,即表示向量B与平面A之间的夹角小于10°时,平面A的拟合质量不佳,发生平面侧偏。
需要说明的是,当拟合平面发生侧偏的情况下,则需将上述的面拟合退化为线拟合,再进一步分析线拟合结果是否发生侧面。
一种可选的实施方式如下:
若拟合平面与标准法向量之间的夹角小于预设角度阈值(表征发生平面侧偏),则将每个采样点的二维的经纬度信息(即经纬度坐标)转换为线性参考距离;进而,根据多个目标采样点各自的线性参考距离,对多个目标采样点进行线拟合,获得目标区域对应的拟合直线结果。该拟合直线结果中包含至少一条拟合直线。
其中,线性参考距离表示目标采样点与目标采样点所属车道线的起点之间的距离。
比如,目标采样点的是道路上的第i个采样点,若这些采样点是按照两米的采样距离进行采样的,则该目标采样点所对应的线性参考距离即为2i,那么此时在进行线拟合时,该点对应的横坐标便为2i,纵坐标依旧为高程值。
具体的,本申请实施例中对采样点进行线拟合时,也可基于上述所列举的RANSAC算法,以有效排除噪声点。
同上述面拟合类似,在通过RANSAC算法得到拟合直线结果后,仍需对拟合直线结果的拟合质量进行判定,如果由于采样点不够导致拟合直线侧偏(采样点高程偏差较大导致拟合的曲线倾角过大,与标准法向量角度小于某角度阈值),则需要通过线性插值的方式拉平内插。
具体的,在获取拟合直线结果后,采样类似上述分析平面是否发生侧偏的方式,进一步分析拟合直线结果中发生平面侧偏的拟合直线、未发生平面侧偏的拟合直线。
可选的,若某一拟合直线与标准法向量之间的夹角小于预设角度阈值,则表明该拟合直线侧偏;反之,则表明该拟合直线未侧偏。
同上述平面侧偏的判定方式类似,当某直线C为水平的时,向量B是垂直于直线C的,向量B与直线C之间的夹角为90°,而当直线C非水平的情况下,向量B与直线C之间的夹角会小于90°。具体的,该夹角
仍以预设角度阈值为10°为例,即表示向量B与直线C之间的夹角小于10°时,直线C的拟合质量不佳,发生直线拟合侧偏。
在本申请实施例中,可将未侧偏的拟合直线记作目标拟合直线,也即目标拟合直线为与标准法向量之间的夹角不小于预设角度阈值的拟合直线。进而,将拟合直线结果中目标拟合直线上的采样点,作为目标采样点。
一般情况下,若拟合直线侧偏,也不会连续侧偏,该拟合直线前后一般会存在未发生侧偏的目标拟合直线。因而,对于这类拟合直线,可进行线性插值,以拉平内插,下文会进行详细说明,在此不再重复赘述。
基于上述实施方式,在发生平面侧偏的情况下,通过将面拟合退化至线拟合,在线拟合场景下,有效解决由于样本不足等所带来的问题,提高高程处理的精度。
S33:对于各目标采样点各自对应的候选高程信息集,分别执行以下操作:根据一个候选高程信息集中各候选高程信息,以及各候选高程信息各自对应的置信度,获得一个目标采样点的有效高程信息。
在上述S32的基础上,可对采样点矩阵中的采样点进行筛选,有效过滤掉噪声点,进而,对于目标采样点,每个目标采样点都对应有一个候选高程信息集,每个候选高程信息集包含至少一个候选高程信息,每个候选高程信息都对应有一个置信度,该置信度可根据该候选高程信息所属的点云识别结果以及参考地图数据确定。
在本申请实施例中,对于同一目标采样点而言,可基于该目标采样点所对应的候选高程信息集中各候选高程信息各自的置信度,对这些候选高程信息进行加权融合,获得该目标采样点所对应的一个有效高程信息。
参阅图8所示,其为本申请实施例中的一种置信度的计算方式流程图。一种可选的实施方式为,通过如下方式确定每个候选高程信息的置信度,包括如下步骤S81~S84:
S81:根据一个候选高程信息关联的点云识别结果中,一个目标采样点和下一个相邻目标采样点所组成的点云车道线,与参考地图数据中相应点所组成的地图车道线之间的差异,获得一个候选高程信息对应的差异权重。
其中,一个候选高程信息关联的点云识别结果,具体是指提取该候选高程信息的点云识别结果,比如上述所列举的,以采样点P1为目标采样点为例,该采样点的候选高程值z11是从点云识别结果1中提取的,则z11关联点云识别结果1,同理z12关联点云识别结果2,z13关联点云识别结果3。
在本申请实施例中,对于同一目标采样点而言,其所对应的不同的候选高程信息关联不同的点云识别结果。而对于不同的目标采样点而言,它们所对应的候选高程信息可关联相同的点云识别结果,比如目标采样点P1所对应的候选高程信息z11与目标采样点P2所对应的候选高程信息z21,都关联点云识别结果1。
此外,在本申请实施例中,对于一个目标采样点P1而言,其下一个相邻目标采样点是指沿指定方向(如车道线延伸方向,具体可在采样时设置)上,目标采样点P1所在车道线上,位于P1之后的下一个目标采样点。
比如,在某车道线上一共有10个采样点,沿指定方向依次记作P1~P10,去除噪声点P3和P5后,剩余8个采样点即目标采样点。则对于P1而言,其下一个相邻的目标采样点即P2;对于P2而言,其下一个相邻的目标采样点即P4;对于P4而言,其下一个相邻的目标采样点即P6;对于P6而言,其下一个相邻的目标采样点即P7,…,依此类推即可。
其中,差异权重包括距离权重和角度权重中的至少一种。
以差异权重同时包括距离权重和角度权重为例,S81的一种可选的实施方式包括如下步骤S811~S812:
S811:根据点云车道线与地图车道线之间的横向距离,获得一个候选高程信息对应的距离权重。
其中,横向即表示与车道线延伸方向垂直的方向,纵向即表示车道线延伸方向。因而,横向距离即表示点云车道线与地图车道线在垂直于车道线延伸方向上的距离。
在本申请实施例中,S811的一种可选的实施方式如下:
根据横向距离的平方与第三预设模型参数的平方的比值,获得一个候选高程信息对应的距离权重。
在本申请实施例中,第三预设模型参数是一种预设的距离参数,该距离参数可以根据经验、实际需求等灵活设置,一般是一个正数。比如,第三预设模型参数取值为20,单位为厘米,即表示20cm。再或者,该第三预设模型参数还可以是其他任意距离值,在此不再一一赘述。
例如,距离权重的一种计算公式如下:
(公式1);
其中,wdis表示距离权重,d为横向距离,σ1为第三预设模型参数,d**2表示d的平方,即横向距离的平方,σ1**2表示σ1的平方,即第三预设模型参数的平方。
需要说明的是,上述公式1所列举的距离权重的计算方式只是简单举例,除此之外,任何一种根据横向距离的平方与第三预设模型参数的平方的比值计算该距离权重的方式都适用于本申请实施例,在此不再一一赘述。
在上述实施方式中,结合点云车道线与地图车道线的距离差异,可以有效分析点云车道线与地图车道线在横向上的差异,基于此计算得到的距离权重可作为置信度的计算参数之一,以评估候选高程信息的准确性。
S812:根据点云车道线与地图车道线之间的纵向夹角,获得一个候选高程信息对应的角度权重。
其中,纵向夹角即表示点云车道线与地图车道线在车道线延伸方向上的夹角。
在本申请实施例中,S812的一种可选的实施方式如下:
根据纵向夹角的平方与第四预设模型参数的平方的比值,获得一个候选高程信息对应的角度权重。
在本申请实施例中,第四预设模型参数是一种预设的角度参数,该角度参数可以根据经验、实际需求等灵活设置,一般是一个正数。比如,第四预设模型参数取值为15,单位为度(°),即表示15°。再或者,该第四预设模型参数还可以是其他任意角度,在此不再一一赘述。
例如,角度权重的一种计算公式如下:
(公式2);
其中,wangle表示角度权重,α为纵向夹角,σ2为第四预设模型参数,α**2表示α的平方,即纵向夹角的平方,σ2**2表示σ2的平方,即第四预设模型参数的平方。
需要说明的是,上述公式2所列举的角度权重的计算方式只是简单举例,除此之外,任何一种根据纵向夹角的平方与第四预设模型参数的平方的比值计算该角度权重的方式都适用于本申请实施例,在此不再一一赘述。
在上述实施方式中,结合点云车道线与地图车道线的角度差异,可以有效分析点云车道线与地图车道线在纵向上的差异,基于此计算得到的角度权重可作为置信度的计算参数之一,以评估候选高程信息的准确性。
S82:根据各点云识别结果各自的采集时间,获得一个候选高程信息对应的采集时间衰减系数。
在本申请实施例中,点云识别结果的采集时间也即S32中所描述的,对目标区域进行点云识别获得相应点云识别结果的时间。不同点云识别结果则对应有不同的采集时间,假设采集时间的时间单位为年,如上述所列举的点云识别结果1的采集时间即为Y1年,点云识别结果2的采集时间即为Y2年,点云识别结果3的采集时间即为Y3年。
需要说明的是,该时间单位还可进一步细化,如具体到月,具体到日,具体到时、分、秒等,上述以年为单位只是简单举例,其他时间单位同样适用于本申请实施例,在此不再一一赘述。
具体的,在根据各点云识别结果各自的采集时间,确定某一候选高程信息对应的采集时间衰减系数时,具体可根据该候选高程信息所关联的点云识别结果的采集时间,与各点云识别结果各自的采集时间的差异确定。一种可选的实施方式如下:
根据一个候选高程信息关联的点云识别结果的采集时间与最大采集时间的差值,获得采集时间衰减系数。
其中,最大采集时间为各点云识别结果各自的采集时间中的最大值。
例如,以上述三个点云识别结果为例,所对应的采集时间分别为Y1、Y2、Y3,假设这三个采集时间中的最大值为Y3,即表示最大采集时间为Y3。
假设某一候选高程信息z11所关联的点云识别结果1的采集时间为Y1,则z11所对应的采集时间衰减系数即根据Y1与Y3的差值确定。
具体的,可以根据一个候选高程信息关联的点云识别结果的采集时间与最大采集时间的差值,与第四预设模型参数的乘积,确定该候选高程信息的采集时间衰减系数。
在本申请实施例中,第五预设模型参数是一种预设的系数参数,该系数参数可以根据经验、实际需求等灵活设置。比如,第五预设模型参数取值为1e-4。再或者,该第五预设模型参数还可以是其他任意系数,在此不再一一赘述。
例如,采集时间衰减系数的一种计算公式如下:
(公式3);
其中,τ1为采集时间衰减系数,t为一个候选高程信息关联的点云识别结果的采集时间,max(t)为最大采集时间,β为第五预设模型参数。
需要说明的是,上述公式3所列举的采集时间衰减系数的计算方式只是简单举例,除此之外,任何一种根据一个候选高程信息关联的点云识别结果的采集时间与最大采集时间的差值计算该采集时间衰减系数的方式都适用于本申请实施例,在此不再一一赘述。
在上述实施方式中,基于点云的采集时间分析采集时间衰减系数,基于此系数来计算置信度,相当于考虑了点云识别结果的采集时间所带来的影响,可进一步提高候选高程信息的评估准确性。
S83:根据一个候选高程信息关联的点云识别结果中,一个目标采样点对应的识别类别,获得与识别类别对应的预设类别降权系数。
在本申请实施例中,不同的采样点可以是不同的类别,如上述所列举的车道线、护栏、路沿石、地面箭头、文字、场景等。
不同类别可对应有一个预设的系数,即预设类别降权系数。以该系数取值0~1为例,则针对不同类别可设置不同的系数,或者部分类别也可设置相同的系数,本文不做具体限定。
如:护栏这一类别对应的系数0.5,其他类别对应的系数为1,当然也可采用其他预设系数,在此不再一一赘述。
在本申请实施例中,目标采样点可通过点云识别确定该点在本次识别过程中,所识别得到的识别类别,而每种类别都对应有一个预设类别降权系数,如将该预设类别降权系数记作,则若根据目标采样点P1在本次所关联的点云识别结果1确定,P1属于护栏这一类别,则/>,若P1为非护栏类别,则/>。
在上述实施方式中,基于点云识别的类别来计算置信度,相当于考虑了点云识别结果的分类准确性所带来的影响,可进一步提高候选高程信息的评估准确性。
S84:根据差异权重、采集时间衰减系数和预设类别降权系数,获得一个候选高程信息对应的置信度。
在本申请实施例中,基于上述S81~S83,即可根据各点云识别结果以及参考地图数据,确定一个候选高程信息的差异权重(包括距离权重wdis和角度权重wangle)、采集时间衰减系数和预设类别降权系数/>,而后,基于这些参数,即可确定该候选高程信息所对应的置信度。
在本申请实施例中,S84的一种可选的实施方式包括如下步骤S841~S842:
S841:获取距离权重和第一预设模型参数的乘积,与角度权重和第二预设模型参数的乘积之和,并记作目标参数。
在本申请实施例中,第一预设模型参数和第二预设模型参数是一种预设的权重参数,该权重参数可以根据经验、实际需求等灵活设置,一般是一个正数,取值为0~1,且第一预设模型参数和第二预设模型参数之和为1。
例如,第一预设模型参数记作c1,第二预设模型参数记作c2,c1+c2=1,而c1、c2的取值则根据需求灵活设置。如更看重距离权重时,设置第一预设模型参数较第二预设模型参数更大一些,如c1=0.7,c2=0.3;又如更看重角度权重时,设置第二预设模型参数较第一预设模型参数更大一些,如c1=0.4,c2=0.6;再比如设置第一预设模型参数和第二预设模型参数相同,即c1=c2=0.5,等等。
需要说明的是,上述第一预设模型参数、第二预设模型参数的取值只是简单举例,任意一种预设方式都适用于本申请实施例,在此不再一一赘述。
在本申请实施例中,目标参数即为:。
S842:将采集时间衰减系数、预设类别降权系数以及目标参数的乘积,作为一个候选高程信息对应的置信度。
例如,置信度的一种计算公式如下:
(公式4);
其中,wp即表示置信度,为采集时间衰减系数,/>为预设类别降权系数,为目标参数。
需要说明的是,上述公式4所列举的置信度的计算方式只是简单举例,除此之外,其他采集时间衰减系数、预设类别降权系数和差异权重来计算置信度的方式,也都适用于本申请实施例,在此不再一一赘述。
在上述实施方式中,综合距离权重、角度权重、采集时间筛选系数和预设类别降权系数,从多个不同的维度综合评估候选高程信息的置信度,可保证计算得到的置信度更加可信。
若未发生平面侧偏,则可基于如下方式计算目标采样点的有效高程信息,而后再通过图传播算法对该有效高程信息进行优化。
下面首先对有效高程信息的计算方式进行说明:
在本申请实施例中,对于每个目标采样点,获取该目标采样点所对应的各候选高程信息以及各候选高程信息对应的置信度后,即可通过加权融合的方式,确定该目标采样点所对应的有效高程信息。
基于此,步骤S33的一种可选的实施方式包括如下步骤S331~S332(图3中未示出):
S331:基于参考地图数据以及各点云识别结果,分别获得一个目标采样点对应的候选高程信息集中各候选高程信息各自的置信度。
具体的,基于参考地图数据和各点云识别结果计算各候选高程信息各自的置信度的方式如上图7所示,具体可参见上述实施例,重复之处不再赘述。
S332:基于各候选高程信息各自的置信度,对各候选高程信息进行加权融合,获得一个目标采样点的有效高程信息。
在本申请实施例中,每个目标采样点可对应有多个候选高程信息,通过加权融合的方式,可将每个目标采样点所对应的多个候选高程信息融合得到一个有效的高程值,即本申请实施例中的有效高程信息,此时的有效高程信息是一个唯一的值。
具体的,通过对上述置信度进行加权融合的方法,可以得到有效的高程值z,一种有效高程信息的计算公式如下:
(公式5);
其中,对于一个目标采样点而言,zi表示该目标采样点的第i个候选高程信息(候选高程值),Wpi为zi对应的置信度。
也即,在S322中,一种可选的实施方式为:将该目标采样点的各候选高程值与相应置信度的乘积之和,与各候选高程值所对应的置信度之和的比值,作为该目标采样点的有效高程值,也即有效高程信息。
在上述实施方式中,结合置信度对候选高程信息进行加权融合得到目标采样点的有效高程信息,该方式下所得到的高程信息是对不同时间采集到的候选高程信息进行处理得到的,也即基于点云识别结果确定,与GPS等无关,不受上述所列举的GPS定位、路网精度等的影响,有助于提升高程信息处理的准确率。
在本申请实施例中,获取目标采样点的有效高程信息后,还可进一步通过图传播算法对目标采样点的有效高程信息进行优化。该部分内容在下述步骤S34部分会进行详细说明,在此不再重复赘述。
此外,若车道中存在局部点云数据缺失(即局部没有点云识别结果),但其前后有点云识别结果的情况下,还可对局部缺失的地方进行线性插值,以弥补缺失,平滑结果。
一种可选的实施方式如下:
若目标区域内任意车道上目标采样点的数量小于预设数量阈值,则确定任意车道上的第一目标插值点;进而,对于每个第一目标插值点,执行以下操作:
基于一个第一目标插值点两侧的目标采样点的有效高程信息,对一个第一目标插值点进行线性插值,获得一个第一目标插值点的有效高程信息。
其中,预设数量阈值可根据实际需求灵活设置,也可参考上述进行采样时的采样距离等设置,本文不做具体限定。
若由于点云数据的缺失,导致目标区域内某一个或多个车道上实际所对应的目标采样点的数量小于预设数量阈值,则可根据上述所设置的采样距离等,在该车道上选取第一目标插值点,即需要通过线性插值计算有效高程信息的点。
进而,对于每个第一目标插值点,该第一目标插值点的两侧应存在有有效高程信息的目标采样点(即沿道路纵向第一目标插值点前后的目标采样点),因而,可基于该第一目标带字典两侧的目标采样点的有效高程信息,计算得到第一目标插值点的有效高程信息,实现线性插值。
在本申请实施例中,第一目标插值点的有效高程信息的一种可选的计算公式如下:
(公式6);
其中,m为待插值点的索引号,i(m左侧)、j(m右侧)为待插值点两侧的目标采样点的索引号。在本申请实施例中,索引号表征该点为道路上的第几个采样点。
也即,第一目标插值点的有效高程信息是结合目标采样点的有效高程信息,以及待插值点和目标采样点的索引号确定的。
参阅图9所示,其为本申请实施例中的一种插值补齐过程的示意图。在获得拟合平面后,还可基于上述所列举的线性插值的方式,进行插值补齐,插值补齐结果如图9所示。
在上述基础上,还可基于目标区域内道路之间的拓扑关系,对各第一目标插值点的有效高程信息进行优化,获得各第一目标插值点各自的目标高程信息,具体优化过程可参考下述图10相关部分,重复之处不再赘述。
可选的,在由面拟合退化至线拟合的情况下,对于发生侧偏的非拟合直线,也可通过线性插值的方式进行拉平。一种可选的实施方式如下:
首先,对于拟合直线结果中的非目标拟合直线,确定非目标拟合直线上的第二目标插值点。
具体的,可根据上述所设置的采样距离等,在该非目标拟合直线上选取第二目标插值点,即需要通过线性插值计算有效高程信息的点。
进而,对于每个第二目标插值点,执行以下操作:基于一个第二目标插值点两侧的目标采样点的有效高程信息,对一个第二目标插值点进行线性插值,获得一个第二目标插值点的有效高程信息。
其中,第二目标插值点两侧的目标采样点,具体是指该非目标拟合直线两侧目标拟合曲线上的目标采样点。也即,可根据未发生侧偏的有效的融合结果,对发生侧偏的部分进行线性插值。
需要说明的是,本申请实施例中计算第二目标插值点的有效高程信息的方式,同上述所列举的计算第一目标插值点的有效高程信息的方式相同。也可参考上述公式6,重复之处不再赘述。
在上述基础上,还可基于目标区域内道路之间的拓扑关系,对各第二目标插值点的有效高程信息进行优化,获得各第二目标插值点各自的目标高程信息,具体优化过程可参考下述图10相关部分,重复之处不再赘述。
在上述实施方式中,对于发生侧偏的拟合直线,还可基于线性插值等方式减少影响,以提高高程信息处理的准确率。
S34:基于目标区域内道路之间的拓扑关系,对各目标采样点的有效高程信息进行优化,获得各目标采样点各自的目标高程信息。
在本申请实施例中,道路之间的拓扑关系是指道路之间的连通关系。
在本申请实施例中,上述所列举的目标采样点、第一目标插值点或是第二目标插值点,都可统称为目标点,对于任意一个目标点。如上文所述,每个目标点都获取到了有效高程信息,但是并不能意味着此时的高程值就是正确的,因为在多层道路场景中,上层道路由于路面铺设状况以及光线都比较好,所以有更多更好的点云识别结果,而下层会有大量漏识别情况;按上述方法进行重采样,样本偏差导致RANSAC倾向于拟合到采样点多的层,可能导致获取的有效高程信息是异常错误的。因而,如何区分出多个层以及特定道路是属于上层还是下层便成了本申请中核心要解决的问题。本申请解决该问题的核心思想是对候选高程信息进行聚类,进而基于聚类结果,结合目标区域内道路之间的拓扑关系,对目标点的有效高程信息进行优化,也即,通过图传播算法对高程信息进行优化,以获得该目标点的目标高程信息。
参阅图10所示,其为本申请实施例中的一种基于图传播算法的优化流程图。一种可选的基于图传播算法优化高程信息的方法示意图,包括如下步骤S101~S104:
S101:以目标区域内道路作为路网图中的节点;其中,每个节点对应有至少一个高程类别以及与每个高程类别对应的特征评估值;高程类别是通过对节点对应道路上的目标采样点聚类得到的,表征道路的高程信息;特征评估值为:道路上属于相应高程类别的各目标采样点的候选高程信息对应的置信度之和。
在本申请实施例中,为了从整体上优化道路上下层区分的效果,引入了图传播算法,以道路作为节点,节点具有特征score(分数,代表该节点的权重)以及标签label。具体的,标签label即本文中的高程类别,特征score即与高程类别相对应的特征评估值。
如图11所示,其为本申请实施例中的一种路网图的示意图。如目标区域内实际路网仅包含三条路,分别为实际路网中的L1、L2和L3,则基于该实际路网所生成的路网图即包含三个节点,如图11中路网图中的节点L1、L2和L3,连通的道路所对应的节点之间也存在边,如图11中,节点L1与L2连接,节点L2与L3连接,即表示路L1与L2之间连通,路L2与L3之间连通。
需要说明的是,图11中的实际路网与路网图只是简单举例,实际上现实世界中的路网可能会更加复杂,所对应的路网图也会更为复杂,在此不再一一赘述。
在本申请实施例中,可采用图传播算法对高程信息进行优化,以目标区域内的道路作为路网图中的节点,即目标区域内的每一条道路可作为一个节点,由于一条道路可以是单层道路,也可以是多层道路,因而,每个节点都对应有至少一个高程类别。具体的,单层道路仅对应一个高程类别,多层道路对应多个高程类别。进一步地,一个节点所对应的每个高程类别都对应有一个特征评估值,该特征评估值为该节点所对应道路上属于相应高程类别的各目标采样点的候选高程信息的置信度之和。
比如,对于某一条道路而言,该条道路对应的高程类别有三个,分别为:A类(5米)、B类(10米)和C类(15米),其中A类对应有5个目标采样点,B类对应有10个目标采样点,C类对应有10个目标采样点。假设A类所对应的5个目标采样点的置信度之和为10,则表示A类对应的特征评估值为10,也即特征得分(score)为10分;B类对应的特征评估值为11,也即score为11分;C类对应的特征评估值为9,也即score为9分。
这种情况下,这三个类别所对应的得分都差不多,较难确定准确的高程信息,即可通过图传播算法进行优化。
在进行优化前,首先对目标区域内道路上的目标采样点进行聚类,通过聚类确定每个节点所对应的至少一个高程类别。一种可选的实施方式如下:
首先,基于各目标采样点各自对应的候选高程信息集,对候选高程信息进行聚类,获得至少一个簇,其中,不同簇的聚类中心的高程信息之间的差值大于预设高程阈值。
其中,预设高程阈值是一个指定的高度阈值,可根据实际情况或需求灵活设置,一般为正数,如4.5米。
在本申请实施例中,对候选高程信息(也即候选高程值)进行聚类的方式有很多种,如K均值(KMEANS)、模糊C均值聚类(FCM)等,本文不做具体限定。
以KMEANS聚类的方式为例,可基于KMEANS聚类方法将各目标采样点各自对应的候选高程信息集中的候选高程信息进行聚类,如确定簇数目的方式是从4簇开始递减,直到所有簇的聚类中心的z值之间的差值大于预设高程阈值,这样道路就会得到候选高程信息的分类,也即本文中的高程类别。
进而,对于每个节点,分别执行以下操作:确定一个节点关联的各目标采样点所对应的聚类中心的高程信息,并将确定的高程信息作为一个节点对应的高程类别所表征的高程信息。
在本申请实施例中,对于一条道路而言,该条道路上的目标采样点聚类后所得到的簇的数量,即表示该条道路的高程类别的数量,也即该条道路的分层数量,每一个高程类别表示一层,该高程类别所表征的高程信息,即该层的高程信息。
如上述所列举的某条道路对应3个高程类别,分别为:A类、B类和C类,即表示该条道路是三层的道路。
参阅图12所示,其为本申请实施例中的一种道路的高程类别候选集及对应的候选图示意图。
其中,图12即表示道路L1是两层的道路,对应有两个高程类别,所表征的高程信息分别为Z11和Z12;道路L2是三层的道路,对应有三个高程类别,所表征的高程信息分别为Z21、Z22和Z23;道路L3是三层的道路,对应有三个高程类别,所表征的高程信息分别为Z31、Z32和Z33,基于上述高程类别所生成的候选图如12所示,该候选图描述了道路的各类高程信息,及相应的可能的连接关系示意。
在上述实施方式中,可通过聚类确定出每条道路所对应的层数,进而,则可结合道路之间的拓扑关系,对之前基于点云识别结果确定的目标点的有效高程信息进行验证,如若存在问题,则可进一步进行校正,具体实施方式如下S102~S103所述:
S102:根据各节点的特征评估值,从各节点中选取目标节点。
在本申请实施例中,在进行目标节点的选取时,可优先选择封层歧义小的道路所对应的节点,通常为单层道路。
其中,每个节点所对应的score可能为一个,也可能为多个(因为会有分层情况),且KMEANS聚类后的每一个高程类别都对应一个score,在根据每个节点各自对应的score选取目标节点时,包括但不限于如下至少一种选取方式:
选取方式一、将每个节点中仅存在一个特征评估值的节点,作为目标节点。
也即,选择只有一个score的节点,只有一个score的节点所对应的道路即为单层道路。
选取方式二、将每个节点中,对应的一个特征评估值与其他特征评估值的比值大于预设比值阈值的节点,作为目标节点。
在本申请实施例中,预设比值阈值可根据实际情况或需求灵活设置,该数值一般为大于1的正数,如5、10、11、15等。
比如某节点对应有多个score,但这多个score中,某一高程类别的score与其他高程类别score的比值,都大于一个预设比值阈值,则可将该节点作为目标节点。
比如,选择某一高程类别的score比其他高程类别score高出十倍以上的节点,作为目标节点,这一类节点所对应的道路分层歧义较小,基本可以判断上下层。
在本申请实施例中,可选取一个目标节点,也可选取多个目标节点。在选取目标节点时,可采用上述选取方式一与选取方式二中的任意一种;也可结合两种选取方式进行选取。在结合两种选取方式选取目标节点时,还可优先基于选取方式一进行选取,若基于选取方式一尚未筛选出目标节点,或者未筛选出足够的目标节点,则进一步基于选取方式二进行选取,等等。
S103:从目标节点开始,沿拓扑关系向周围传播,根据传播结果获得其他节点所对应的目标高程类别。
S104:将一个目标点关联节点的目标高程类别与一个目标点的有效高程信息进行对比,并根据比较结果获得一个目标点的目标高程信息。
下面以基于选取方式一筛选一个单层道路所对应的节点作为目标节点为例,则在选取目标节点后,从目标节点开始,沿拓扑关系向周围扩散,此时给目标节点所对应的道路打上good标签,依据道路间的连通关系进行传播,从good标签传播过来道路所对应的高程类别,则可以作为当前道路分层难以区分时的参考,记作当前道路所对应的节点的目标高程类别,从而利用全局角度的优势整体提升高程的精度。
例如上述所列举的三层道路所对应的节点为L5,所选取的目标节点为L4(单层),基于道路间的连通关系传播时,L4与L5连通,则可将L4的高程类别传播至L5,基于此,从L5所对应的三个高程类别(A类-5米、B类-10米、C类-15米)中,选取与L4的高程类别差异最小的作为L5的目标高程类别。如L4为10米,则可确定L5为10米。
同理,基于选取方式二选取目标节点时,也是类似的道理,重复之处不再赘述。
在本申请实施例中,根据比较结果获得一个目标点的目标高程信息时,一种可选的实施方式如下:
若比较结果在预设差异范围内,则将有效高程信息作为一个目标点的目标高程信息;若比较结果在预设差异范围外,则将目标高程类别所表征的高程信息作为一个目标点的目标高程信息。
比如,对于一个目标采样点而言,其所计算得到的有效高程信息为10米,通过图传播确定的目标高程类别所表征的高程信息也为10米,即可确定该目标采样点的目标高程信息为10米。
而对于一个目标采样点而言,其所计算得到的有效高程信息为10米,通过图传播确定的目标高程类别所表征的高程信息也为15米,即可确定该目标采样点的目标高程信息为15米。
在上述实施方式中,图传播阶段可以理解为后处理阶段,用于验证前述计算的有效高程信息是否准确,当发现前述计算的有效高程信息可能异常错误时,可以通过图传播算法进行纠正,进一步提高高程信息处理的准确率。
如图13所示,其为本申请实施例中的一种图传播优化过程示意图。在本申请实施例中,可通过上述所列举的图传播的方式,对前述所获取的各目标点的有效高程信息进行验证,若发现存在问题,则可基于图传播及时校正,以实现路面平滑和修正高程的效果。
需要说明的是,本申请针对道路车道数据等距重采样后框选各种点云识别结果,对于路网的精度要求较高,在一些路网绘制精度不够的场景下,仍然存在自动化处理精度不足的问题,为了解除对于路网精度以及正确性依赖,可以考虑直接通过点云识别结果自动化构建路面模型,并且和当前道路车道数据进行匹配,在处理复杂路面情况下提升高程数据的精度。
此外需要说明的是,上述主要是针对道路高程信息的处理,除此之外,目标区域内还可能包含路口,而在路口范围(道路与车道无关联关系)、样本不够等无法拟合的场景中,可以使用空洞拟合的方法对道路车道数据进行自动化处理。
参阅图14所示,其为本申请实施例中的一种空洞拟合方法的实施流程图,包括如下步骤S141~S144:
S141:将路口内的道路和车道线按照拓扑关系聚合为待拟合部分;
S142:根据各点云识别结果,对待拟合部分进行采样点扩充;
S143:根据待拟合部分中路口边缘点的有效高程信息,以及所扩充的采样点的有效高程信息,拟合得到路口对应的路口平面;
S144:预测路口中的内点,并根据预测结果平滑路口平面中的路口边缘,内点为路口内的道路点与车道线点中的至少一种。
对于路口而言,概括来说,就是基于路口周围的边缘点去拟合一个平面,将这个空的洞拍平,拍到一个平面上,然后这个路口内的所有的要素(无论是道路还是车道)的高程信息都会由这个平面复制得到。
如图14中所列举的,首先将路口内的道路和车道按照拓扑关系进行聚合,形成一个个待拟合部分(记作carto),然后carto里边的路口边缘点的高程信息是拟合好的(即上述所描述的有效高程信息),在此基础上,基于上述所获取的各点云识别结果,再另外扩充一些采样点(如dem或者是轨迹点),根据这些路口边缘点和扩充的采样点拟合平面后,基于RANSAC算法预测内点(值路口内的道路点、车道线点)的高程信息,再根据预测结果优化拟合结果,将路口平面中的路口边缘进一步平滑处理。
参阅图15所示,其为本申请实施例中的一种路口空洞拟合效果示意图。其中,黑色的点和线代表的是车道边界,灰色的点和线表示的是车道边界的中心线。车道中心线是根据左右车道边界确定的一个中心线。在本申请实施例中,车道中心线主要是用于自动驾驶等场景中,参考车道中心线,可保持车辆在车道上的一个正中心的位置行驶。
需要说明的是,在本申请实施例中,路口是一种比较特殊的场景,因为路口的道路和车道边界是没有绑定的关系的,前述所介绍的图传播算法是无需处理这些路口的,这些路口都会透传过去。
在上述实施方式中,基于空洞拟合的方式可以处理路口等特殊场景,进一步丰富完善高程信息的处理。
综上,本申请中提出的基于点云识别结果的道路车道高程自动化处理方法,能够有效的提升目前高精地图中的高程数据质量以及满足客户对于自动驾驶仿真环境的要求。此外,在日常的数据作业生产环节中,极大的缓解了3维模式下绘制几何难度高,效率低的问题,提升了各种数据生产作业效率以及准确度。
基于相同的发明构思,本申请实施例还提供一种高程信息的处理装置。如图16所示,其为高程信息的处理装置1600的结构示意图,可以包括:
采样单元1601,用于对目标区域内道路的车道数据进行采样,得到多个采样点;
拟合单元1602,用于根据在不同时间对目标区域进行点云识别得到的各点云识别结果,对多个采样点进行平面拟合,获得多个采样点中的目标采样点;以及,根据各点云识别结果,获取多个采样点各自对应的候选高程信息集;
融合单元1603,用于对于各目标采样点各自对应的候选高程信息集,分别执行以下操作:根据一个候选高程信息集中各候选高程信息,以及各候选高程信息各自对应的置信度,获得一个目标采样点的有效高程信息;
优化单元1604,用于基于目标区域内道路之间的拓扑关系,对各目标采样点的有效高程信息进行优化,获得各目标采样点各自的目标高程信息。
可选的,融合单元1603具体用于:
基于参考地图数据以及各点云识别结果,分别获得一个目标采样点对应的候选高程信息集中各候选高程信息各自的置信度;
基于各候选高程信息各自的置信度,对各候选高程信息进行加权融合,获得一个目标采样点的有效高程信息。
可选的,装置还包括;
第一插值单元1605,用于若目标区域内任意车道上目标采样点的数量小于预设数量阈值,则确定任意车道上的第一目标插值点;
对于每个第一目标插值点,执行以下操作:基于一个第一目标插值点两侧的目标采样点的有效高程信息,对一个第一目标插值点进行线性插值,获得一个第一目标插值点的有效高程信息;
则优化单元1604还用于:
基于目标区域内道路之间的拓扑关系,对各第一目标插值点的有效高程信息进行优化,获得各第一目标插值点各自的目标高程信息。
可选的,拟合单元1602具体用于:
根据在不同时间对目标区域进行点云识别得到的各点云识别结果,对多个采样点进行平面拟合,获得目标区域对应的拟合平面;
若拟合平面与标准法向量之间的夹角不小于预设角度阈值,则将拟合平面中的采样点,作为目标采样点;标准法向量为水平地面所对应的法向量。
可选的,拟合单元1602还用于:
若拟合平面与标准法向量之间的夹角小于预设角度阈值,则将每个采样点的经纬度信息转换为线性参考距离,线性参考距离表示目标采样点与目标采样点所属车道线的起点之间的距离;标准法向量为水平地面所对应的法向量;
根据多个目标采样点各自的线性参考距离,对多个目标采样点进行线拟合,获得目标区域对应的拟合直线结果;
将拟合直线结果中目标拟合直线上的采样点,作为目标采样点,目标拟合直线为与标准法向量之间的夹角不小于预设角度阈值的拟合直线。
可选的,装置还包括:
第二插值单元1606,用于对于拟合直线结果中的非目标拟合直线,确定非目标拟合直线上的第二目标插值点;
对于每个第二目标插值点,执行以下操作:基于一个第二目标插值点两侧的目标采样点的有效高程信息,对一个第二目标插值点进行线性插值,获得一个第二目标插值点的有效高程信息;
则优化单元1604还用于:
基于目标区域内道路之间的拓扑关系,对各第二目标插值点的有效高程信息进行优化,获得各第二目标插值点各自的目标高程信息。
可选的,优化单元1604具体用于:
以目标区域内道路作为路网图中的节点;其中,每个节点对应有至少一个高程类别以及与每个高程类别对应的特征评估值;高程类别是通过对节点对应道路上的目标采样点聚类得到的,表征道路的高程信息;特征评估值为:道路上属于相应高程类别的各目标采样点的候选高程信息对应的置信度之和;
根据各节点的特征评估值,从各节点中选取目标节点;
从目标节点开始,沿拓扑关系向周围传播,根据传播结果获得其他节点所对应的目标高程类别;
将一个目标点关联节点的目标高程类别与一个目标点的有效高程信息进行对比,并根据比较结果获得一个目标点的目标高程信息。
可选的,优化单元1604具体用于通过如下至少一种方式选取目标节点:
将每个节点中,仅存在一个特征评估值的节点,作为目标节点;
将每个节点中,对应的一个特征评估值与其他特征评估值的比值大于预设比值阈值的节点,作为目标节点。
可选的,优化单元1604还用于通过如下方式获得每个节点对应的高程类别:
基于各目标采样点各自对应的候选高程信息集,对候选高程信息进行聚类,获得至少一个簇,其中,不同簇的聚类中心的高程信息之间的差值大于预设高程阈值;
对于每个节点,分别执行以下操作:确定一个节点关联的各目标采样点所对应的聚类中心的高程信息,并将确定的高程信息作为一个节点对应的高程类别所表征的高程信息。
可选的,优化单元1604具体用于:
将获得的目标高程类别所对应的高程信息,与拟合平面中相应一个目标点的有效高程信息进行对比;
若比较结果在预设差异范围内,则将有效高程信息,作为一个目标点的目标高程信息;
若比较结果在预设差异范围外,则将目标高程类别所表征的高程信息,作为一个目标点的目标高程信息。
可选的,装置还包括:
权重计算单元1607,用于通过如下方式确定每个候选高程信息的置信度:
根据一个候选高程信息关联的点云识别结果中,一个目标采样点和下一个相邻目标采样点所组成的点云车道线,与参考地图数据中相应点所组成的地图车道线之间的差异,获得一个候选高程信息对应的差异权重;
根据各点云识别结果各自的采集时间,获得一个候选高程信息对应的采集时间衰减系数;
根据一个候选高程信息关联的点云识别结果中,一个目标采样点对应的识别类别,获得与识别类别对应的预设类别降权系数;
根据差异权重、采集时间衰减系数和预设类别降权系数,获得一个候选高程信息对应的置信度。
可选的,差异权重包括距离权重和角度权重中的至少一种;
则权重计算单元1607具体用于如下至少一种操作:
根据点云车道线与地图车道线之间的横向距离,获得一个候选高程信息对应的距离权重;
根据点云车道线与地图车道线之间的纵向夹角,获得一个候选高程信息对应的角度权重。
可选的,差异权重包括距离权重和角度权重,则权重计算单元1607具体用于:
获取距离权重和第一预设模型参数的乘积,与角度权重和第二预设模型参数的乘积之和,并记作目标参数;
将采集时间衰减系数、预设类别降权系数以及目标参数的乘积,作为一个候选高程信息对应的置信度。
可选的,权重计算单元1607具体用于:
根据横向距离的平方与第三预设模型参数的平方的比值,获得一个候选高程信息对应的距离权重;
以及,根据纵向夹角的平方与第四预设模型参数的平方的比值,获得一个候选高程信息对应的角度权重。
可选的,权重计算单元1607具体用于:
根据一个候选高程信息关联的点云识别结果的采集时间与最大采集时间的差值,获得采集时间衰减系数,其中,最大采集时间为各点云识别结果各自的采集时间中的最大值。
可选的,若目标区域包含路口,则装置还包括:
路口处理单元1608,用于将路口内的道路和车道线按照拓扑关系聚合为待拟合部分;根据各点云识别结果,对待拟合部分进行采样点扩充;根据待拟合部分中路口边缘点的有效高程信息,以及所扩充的采样点的有效高程信息,拟合得到路口对应的路口平面;预测路口中的内点,并根据预测结果平滑路口平面中的路口边缘,内点为路口内的道路点与车道线点中的至少一种。
由于本申请中的高程信息处理方法,是基于点云识别结果实现的,通过从点云识别结果进行平面拟合,可以有效去除噪声点,获得有用的目标采样点,并且还可从点云识别结果中获取采样点的候选高程信息。在此基础上,基于目标采样点所对应的候选高程信息的置信度,可对同一目标采样点的这些候选高程信息进行融合,并基于道路间的拓扑关系对有效高程信息进行优化,以获得处理后的目标高程信息。在该处理过程中,主要是基于点云识别结果实现的,与目前轨迹匹配路网方法中以轨迹作为主要依据的方式相比,本申请直接基于点云识别结果评估道路车道数据的高程精度,点云识别结果不受GPS安装位置等的影响,且所包含的信息相较于轨迹数据更为丰富,相较于轨迹数据更为准确,在此基础上,通过重采样、平面拟合及根据拓扑关系优化等方法有效的对道路车道等数据进行高程自动化处理,可有效提升准确率。
在此基础上,基于点云识别结果对道路车道进行高程自动化处理,可以有效改善当前地图中高程数据的质量,进而提高自动驾驶仿真环节模拟环境的真实性,以便向有需求的对象(如驾驶对象)提高提供与现实环境一致的模拟环境。
为了描述的方便,以上各部分按照功能划分为各模块(或单元)分别描述。当然,在实施本申请时可以把各模块(或单元)的功能在同一个或多个软件或硬件中实现。
在介绍了本申请示例性实施方式的高程信息的处理方法和装置之后,接下来,介绍根据本申请的另一示例性实施方式的电子设备。
所属技术领域的技术人员能够理解,本申请的各个方面可以实现为系统、方法或程序产品。因此,本申请的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
与上述方法实施例基于同一发明构思,本申请实施例中还提供了一种电子设备。在一种实施例中,该电子设备可以是服务器,如图1所示的服务器120。在该实施例中,电子设备的结构可以如图 17所示,包括存储器1701,通讯模块1703以及一个或多个处理器1702。
存储器1701,用于存储处理器1702执行的计算机程序。存储器1701可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统,以及运行即时通讯功能所需的程序等;存储数据区可存储各种即时通讯信息和操作指令集等。
存储器1701可以是易失性存储器(volatile memory),例如随机存取存储器(random-access memory,RAM);存储器1701也可以是非易失性存储器(non-volatilememory),例如只读存储器,快闪存储器(flash memory),硬盘(hard disk drive,HDD)或固态硬盘(solid-state drive,SSD);或者存储器1701是能够用于携带或存储具有指令或数据结构形式的期望的计算机程序并能够由计算机存取的任何其他介质,但不限于此。存储器1701可以是上述存储器的组合。
处理器1702,可以包括一个或多个中央处理单元(central processing unit,CPU)或者为数字处理单元等等。处理器1702,用于调用存储器1701中存储的计算机程序时实现上述高程信息的处理方法。
通讯模块1703用于与终端设备和其他服务器进行通信。
本申请实施例中不限定上述存储器1701、通讯模块1703和处理器1702之间的具体连接介质。本申请实施例在图17中以存储器1701和处理器1702之间通过总线1704连接,总线1704在图17中以粗线描述,其它部件之间的连接方式,仅是进行示意性说明,并不引以为限。总线1704可以分为地址总线、数据总线、控制总线等。为便于描述,图17中仅用一条粗线描述,但并不描述仅有一根总线或一种类型的总线。
存储器1701中存储有计算机存储介质,计算机存储介质中存储有计算机可执行指令,计算机可执行指令用于实现本申请实施例的高程信息的处理方法。处理器1702用于执行上述的高程信息的处理方法,如图3所示。
在另一种实施例中,电子设备也可以是其他电子设备,如图1所示的终端设备110。在该实施例中,电子设备的结构可以如图18所示,包括:通信组件1810、存储器1820、显示单元1830、摄像头1840、传感器1850、音频电路1860、蓝牙模块1870、处理器1880等部件。
通信组件1810用于与服务器进行通信。在一些实施例中,可以包括电路无线保真(Wireless Fidelity,WiFi)模块,WiFi模块属于短距离无线传输技术,电子设备通过WiFi模块可以帮助用户收发信息。
存储器1820可用于存储软件程序及数据。处理器1880通过运行存储在存储器1820的软件程序或数据,从而执行终端设备110的各种功能以及数据处理。存储器1820可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。存储器1820存储有使得终端设备110能运行的操作系统。本申请中存储器1820可以存储操作系统及各种应用程序,还可以存储执行本申请实施例高程信息的处理方法的计算机程序。
显示单元1830还可用于显示由用户输入的信息或提供给用户的信息以及终端设备110的各种菜单的图形用户界面(graphical user interface,GUI)。具体地,显示单元1830可以包括设置在终端设备110正面的显示屏1832。其中,显示屏1832可以采用液晶显示器、发光二极管等形式来配置。显示单元1830可以用于显示本申请实施例中的地图软件的相关界面等。
显示单元1830还可用于接收输入的数字或字符信息,产生与终端设备110的用户设置以及功能控制有关的信号输入,具体地,显示单元1830可以包括设置在终端设备110正面的触控屏1831,可收集用户在其上或附近的触摸操作,例如点击按钮,拖动滚动框等。
其中,触控屏1831可以覆盖在显示屏1832之上,也可以将触控屏1831与显示屏1832集成而实现终端设备110的输入和输出功能,集成后可以简称触摸显示屏。本申请中显示单元1830可以显示应用程序以及对应的操作步骤。
摄像头1840可用于捕获静态图像,用户可以将摄像头1840拍摄的图像通过应用发布。摄像头1840可以是一个,也可以是多个。物体通过镜头生成光学图像投射到感光元件。感光元件可以是电荷耦合器件(charge coupled device,CCD)或互补金属氧化物半导体(complementary metal-oxide-semiconductor,CMOS)光电晶体管。感光元件把光信号转换成电信号,之后将电信号传递给处理器1880转换成数字图像信号。
终端设备还可以包括至少一种传感器1850,比如加速度传感器1851、距离传感器1852、指纹传感器1853、温度传感器1854。终端设备还可配置有陀螺仪、气压计、湿度计、温度计、红外线传感器、光传感器、运动传感器等其他传感器。
音频电路1860、扬声器1861、传声器1862可提供用户与终端设备110之间的音频接口。音频电路1860可将接收到的音频数据转换后的电信号,传输到扬声器1861,由扬声器1861转换为声音信号输出。终端设备110还可配置音量按钮,用于调节声音信号的音量。另一方面,传声器1862将收集的声音信号转换为电信号,由音频电路1860接收后转换为音频数据,再将音频数据输出至通信组件1810以发送给比如另一终端设备110,或者将音频数据输出至存储器1820以便进一步处理。
蓝牙模块1870用于通过蓝牙协议来与其他具有蓝牙模块的蓝牙设备进行信息交互。例如,终端设备可以通过蓝牙模块1870与同样具备蓝牙模块的可穿戴电子设备(例如智能手表)建立蓝牙连接,从而进行数据交互。
处理器1880是终端设备的控制中心,利用各种接口和线路连接整个终端的各个部分,通过运行或执行存储在存储器1820内的软件程序,以及调用存储在存储器1820内的数据,执行终端设备的各种功能和处理数据。在一些实施例中,处理器1880可包括一个或多个处理单元;处理器1880还可以集成应用处理器和基带处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,基带处理器主要处理无线通信。可以理解的是,上述基带处理器也可以不集成到处理器1880中。本申请中处理器1880可以运行操作系统、应用程序、用户界面显示及触控响应,以及本申请实施例的高程信息的处理方法。另外,处理器1880与显示单元1830耦接。
在一些可能的实施方式中,本申请提供的高程信息的处理方法的各个方面还可以实现为一种程序产品的形式,其包括计算机程序,当程序产品在电子设备上运行时,计算机程序用于使电子设备执行本说明书上述描述的根据本申请各种示例性实施方式的高程信息的处理方法中的步骤,例如,电子设备可以执行如图3中所示的步骤。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
本申请的实施方式的程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括计算机程序,并可以在电子设备上运行。然而,本申请的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被命令执行系统、装置或者器件使用或者与其结合使用。
可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读计算机程序。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由命令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的计算机程序可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本申请操作的计算机程序,程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。计算机程序可以完全地在用户电子设备上执行、部分地在用户电子设备上执行、作为一个独立的软件包执行、部分在用户电子设备上部分在远程电子设备上执行、或者完全在远程电子设备或服务器上执行。在涉及远程电子设备的情形中,远程电子设备可以通过任意种类的网络包括局域网(LAN)或广域网(WAN)连接到用户电子设备,或者,可以连接到外部电子设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意,尽管在上文详细描述中提及了装置的若干单元或子单元,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之,上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
此外,尽管在附图中以特定顺序描述了本申请方法的操作,但是,这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用计算机程序的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序命令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序命令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的命令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序命令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的命令产生包括命令装置的制造品,该命令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序命令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的命令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (18)
1.一种高程信息的处理方法,其特征在于,所述方法包括:
对目标区域内道路的车道数据进行采样,得到多个采样点;
根据在不同时间对所述目标区域进行点云识别得到的各点云识别结果,对所述多个采样点进行平面拟合,获得所述多个采样点中的目标采样点;以及,根据所述各点云识别结果,获取所述多个采样点各自对应的候选高程信息集;
对于各目标采样点各自对应的候选高程信息集,分别执行以下操作:基于参考地图数据以及所述各点云识别结果,分别获得一个目标采样点对应的候选高程信息集中各候选高程信息各自的置信度;基于所述各候选高程信息各自的置信度,对所述各候选高程信息进行加权融合,获得所述一个目标采样点的有效高程信息;
基于所述目标区域内道路之间的拓扑关系,对所述各目标采样点的有效高程信息进行优化,获得所述各目标采样点各自的目标高程信息。
2.如权利要求1所述的方法,其特征在于,所述方法还包括:
若所述目标区域内任意车道上目标采样点的数量小于预设数量阈值,则确定所述任意车道上的第一目标插值点;
对于每个第一目标插值点,执行以下操作:基于一个第一目标插值点两侧的目标采样点的有效高程信息,对所述一个第一目标插值点进行线性插值,获得所述一个第一目标插值点的有效高程信息;
则所述基于所述目标区域内道路之间的拓扑关系,对所述各目标采样点的有效高程信息进行优化,获得所述各目标采样点各自的目标高程信息,还包括:
基于所述目标区域内道路之间的拓扑关系,对各第一目标插值点的有效高程信息进行优化,获得所述各第一目标插值点各自的目标高程信息。
3.如权利要求1所述的方法,其特征在于,所述根据在不同时间对所述目标区域进行点云识别得到的各点云识别结果,对所述多个采样点进行平面拟合,获得所述多个采样点中的目标采样点,包括:
根据在不同时间对所述目标区域进行点云识别得到的各点云识别结果,对所述多个采样点进行平面拟合,获得所述目标区域对应的拟合平面;
若所述拟合平面与标准法向量之间的夹角不小于预设角度阈值,则将所述拟合平面中的采样点,作为目标采样点;所述标准法向量为水平地面所对应的法向量。
4.如权利要求3所述的方法,其特征在于,所述方法还包括:
若所述拟合平面与标准法向量之间的夹角小于预设角度阈值,则将每个采样点的经纬度信息转换为线性参考距离,所述线性参考距离表示采样点与所述采样点所属车道线的起点之间的距离;所述标准法向量为水平地面所对应的法向量;
根据所述多个采样点各自的线性参考距离,对所述多个采样点进行线拟合,获得所述目标区域对应的拟合直线结果;
将所述拟合直线结果中目标拟合直线上的采样点,作为目标采样点,所述目标拟合直线为与标准法向量之间的夹角不小于预设角度阈值的拟合直线。
5.如权利要求4所述的方法,其特征在于,所述方法还包括:
对于所述拟合直线结果中的非目标拟合直线,确定所述非目标拟合直线上的第二目标插值点;
对于每个第二目标插值点,执行以下操作:基于一个第二目标插值点两侧的目标采样点的有效高程信息,对所述一个第二目标插值点进行线性插值,获得所述一个第二目标插值点的有效高程信息;
则所述基于所述目标区域内道路之间的拓扑关系,对所述各目标采样点的有效高程信息进行优化,获得所述各目标采样点各自的目标高程信息,还包括:
基于所述目标区域内道路之间的拓扑关系,对各第二目标插值点的有效高程信息进行优化,获得所述各第二目标插值点各自的目标高程信息。
6.如权利要求1~5任一项所述的方法,其特征在于,将所述目标区域内具有有效高程信息的点作为目标点;
则基于所述目标区域内道路之间的拓扑关系,对一个目标点的有效高程信息进行优化,获得所述一个目标点的目标高程信息,包括:
以所述目标区域内道路作为路网图中的节点;其中,每个节点对应有至少一个高程类别以及与每个高程类别对应的特征评估值;所述高程类别是通过对节点对应道路上的目标采样点聚类得到的,表征道路的高程信息;所述特征评估值为:所述道路上属于相应高程类别的各目标采样点的候选高程信息对应的置信度之和;
根据各节点的特征评估值,从所述各节点中选取目标节点;
从所述目标节点开始,沿拓扑关系向周围传播,根据传播结果获得其他节点所对应的目标高程类别;
将所述一个目标点关联节点的目标高程类别与所述一个目标点的有效高程信息进行对比,并根据比较结果获得所述一个目标点的目标高程信息。
7.如权利要求6所述的方法,其特征在于,所述根据各节点的特征评估值,从所述各节点中选取目标节点,包括如下至少一种方式:
将所述每个节点中,仅存在一个特征评估值的节点,作为目标节点;
将所述每个节点中,对应的一个特征评估值与其他特征评估值的比值大于预设比值阈值的节点,作为目标节点。
8.如权利要求6所述的方法,其特征在于,每个节点对应的高程类别是通过如下方式获得的:
基于所述各目标采样点各自对应的候选高程信息集,对所述候选高程信息进行聚类,获得至少一个簇,其中,不同簇的聚类中心的高程信息之间的差值大于预设高程阈值;
对于每个节点,分别执行以下操作:确定一个节点关联的各目标采样点所对应的聚类中心的高程信息,并将确定的高程信息作为所述一个节点对应的高程类别所表征的高程信息。
9.如权利要求6所述的方法,其特征在于,根据比较结果获得所述一个目标点的目标高程信息,包括:
若比较结果在预设差异范围内,则将所述有效高程信息作为所述一个目标点的目标高程信息;
若比较结果在预设差异范围外,则将所述目标高程类别所表征的高程信息作为所述一个目标点的目标高程信息。
10.如权利要求1~5任一项所述的方法,其特征在于,每个候选高程信息的置信度是通过如下方式确定的:
根据一个候选高程信息关联的点云识别结果中,所述一个目标采样点和下一个相邻目标采样点所组成的点云车道线,与所述参考地图数据中相应点所组成的地图车道线之间的差异,获得所述一个候选高程信息对应的差异权重;
根据所述各点云识别结果各自的采集时间,获得所述一个候选高程信息对应的采集时间衰减系数;
根据所述一个候选高程信息关联的点云识别结果中,所述一个目标采样点对应的识别类别,获得与所述识别类别对应的预设类别降权系数;
根据所述差异权重、所述采集时间衰减系数和所述预设类别降权系数,获得所述一个候选高程信息对应的置信度。
11.如权利要求10所述的方法,其特征在于,所述差异权重包括距离权重和角度权重中的至少一种;
则所述根据一个候选高程信息关联的点云识别结果中,所述一个目标采样点和下一个相邻目标采样点所组成的点云车道线,与所述参考地图数据中相应点所组成的地图车道线之间的差异,获得所述一个候选高程信息对应的差异权重,包括如下至少一种操作:
根据所述点云车道线与所述地图车道线之间的横向距离,获得所述一个候选高程信息对应的距离权重;
根据所述点云车道线与所述地图车道线之间的纵向夹角,获得所述一个候选高程信息对应的角度权重。
12.如权利要求11所述的方法,其特征在于,所述差异权重包括距离权重和角度权重;则所述根据所述差异权重、所述采集时间衰减系数和所述预设类别降权系数,获得所述一个候选高程信息对应的置信度,包括:
获取所述距离权重和第一预设模型参数的乘积,与所述角度权重和第二预设模型参数的乘积之和,并记作目标参数;
将所述采集时间衰减系数、所述预设类别降权系数以及所述目标参数的乘积,作为所述一个候选高程信息对应的置信度。
13.如权利要求11所述的方法,其特征在于,所述根据所述点云车道线与所述地图车道线之间的横向距离,获得所述一个候选高程信息对应的距离权重,包括:
根据所述横向距离的平方与第三预设模型参数的平方的比值,获得所述一个候选高程信息对应的距离权重;
以及,所述根据所述点云车道线与所述地图车道线之间的纵向夹角,获得所述一个候选高程信息对应的角度权重,包括:
根据所述纵向夹角的平方与第四预设模型参数的平方的比值,获得所述一个候选高程信息对应的角度权重。
14.如权利要求10所述的方法,其特征在于,所述根据所述各点云识别结果各自的采集时间,获得所述一个候选高程信息对应的采集时间衰减系数,包括:
根据所述一个候选高程信息关联的点云识别结果的采集时间与最大采集时间的差值,获得所述采集时间衰减系数,其中,所述最大采集时间为所述各点云识别结果各自的采集时间中的最大值。
15.如权利要求1~5中任一项所述的方法,其特征在于,若所述目标区域包含路口,则所述方法还包括:
将所述路口内的道路和车道线按照拓扑关系聚合为待拟合部分;
根据所述各点云识别结果,对待拟合部分进行采样点扩充;
根据所述待拟合部分中路口边缘点的有效高程信息,以及所扩充的采样点的有效高程信息,拟合得到所述路口对应的路口平面;
预测所述路口中的内点,并根据预测结果平滑所述路口平面中的路口边缘,所述内点为所述路口内的道路点与车道线点中的至少一种。
16.一种高程信息的处理装置,其特征在于,包括:
采样单元,用于对目标区域内道路的车道数据进行采样,得到多个采样点;
拟合单元,用于根据在不同时间对所述目标区域进行点云识别得到的各点云识别结果,对所述多个采样点进行平面拟合,获得所述多个采样点中的目标采样点;以及,根据所述各点云识别结果,获取所述多个采样点各自对应的候选高程信息集;
融合单元,用于对于各目标采样点各自对应的候选高程信息集,分别执行以下操作:基于参考地图数据以及所述各点云识别结果,分别获得一个目标采样点对应的候选高程信息集中各候选高程信息各自的置信度;基于所述各候选高程信息各自的置信度,对所述各候选高程信息进行加权融合,获得所述一个目标采样点的有效高程信息;
优化单元,用于基于所述目标区域内道路之间的拓扑关系,对所述各目标采样点的有效高程信息进行优化,获得所述各目标采样点各自的目标高程信息。
17.一种电子设备,其特征在于,其包括处理器和存储器,其中,所述存储器存储有计算机程序,当所述计算机程序被所述处理器执行时,使得所述处理器执行权利要求1~15中任一所述方法的步骤。
18.一种计算机可读存储介质,其特征在于,其包括计算机程序,当所述计算机程序在电子设备上运行时,所述计算机程序用于使所述电子设备执行权利要求1~15中任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311212439.6A CN116958959B (zh) | 2023-09-20 | 2023-09-20 | 一种高程信息的处理方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311212439.6A CN116958959B (zh) | 2023-09-20 | 2023-09-20 | 一种高程信息的处理方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116958959A CN116958959A (zh) | 2023-10-27 |
CN116958959B true CN116958959B (zh) | 2024-04-02 |
Family
ID=88449586
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311212439.6A Active CN116958959B (zh) | 2023-09-20 | 2023-09-20 | 一种高程信息的处理方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116958959B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117274462B (zh) * | 2023-10-31 | 2024-02-13 | 腾讯科技(深圳)有限公司 | 道路地图的渲染方法、装置、电子设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114440902A (zh) * | 2022-01-21 | 2022-05-06 | 北京三快在线科技有限公司 | 一种构建高程地图的方法及装置 |
CN116295249A (zh) * | 2023-03-20 | 2023-06-23 | 高德软件有限公司 | 道路要素高程确定及高精地图制作方法、装置、介质 |
CN116429128A (zh) * | 2023-03-17 | 2023-07-14 | 酷哇科技有限公司 | 面向三维地图构建的车道线高程赋值方法及系统 |
CN116518960A (zh) * | 2023-06-28 | 2023-08-01 | 腾讯科技(深圳)有限公司 | 路网更新方法、装置、电子设备和存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11067994B2 (en) * | 2018-12-06 | 2021-07-20 | Deere & Company | Machine control through active ground terrain mapping |
-
2023
- 2023-09-20 CN CN202311212439.6A patent/CN116958959B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114440902A (zh) * | 2022-01-21 | 2022-05-06 | 北京三快在线科技有限公司 | 一种构建高程地图的方法及装置 |
CN116429128A (zh) * | 2023-03-17 | 2023-07-14 | 酷哇科技有限公司 | 面向三维地图构建的车道线高程赋值方法及系统 |
CN116295249A (zh) * | 2023-03-20 | 2023-06-23 | 高德软件有限公司 | 道路要素高程确定及高精地图制作方法、装置、介质 |
CN116518960A (zh) * | 2023-06-28 | 2023-08-01 | 腾讯科技(深圳)有限公司 | 路网更新方法、装置、电子设备和存储介质 |
Non-Patent Citations (2)
Title |
---|
DEM Extraction from ALS Point Clouds in Forest Areas via Graph Convolution Network;Jinming Zhang et al.;remote sensing;第1-18页 * |
UAV影像点云支持下的林地精细DEM建立方法;何荣 等;测绘通报(第6期);第75-81页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116958959A (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ham et al. | Participatory sensing and digital twin city: Updating virtual city models for enhanced risk-informed decision-making | |
US20210027112A1 (en) | Semantic State Based Sensor Tracking and Updating | |
CN111738110A (zh) | 基于多尺度注意力机制的遥感图像车辆目标检测方法 | |
CN116958959B (zh) | 一种高程信息的处理方法、装置、电子设备和存储介质 | |
EP3443482B1 (en) | Classifying entities in digital maps using discrete non-trace positioning data | |
CN112418696B (zh) | 城市交通动态知识图谱的构建方法及装置 | |
CN116518960B (zh) | 路网更新方法、装置、电子设备和存储介质 | |
CN113570867B (zh) | 一种城市交通状态预测方法、装置、设备及可读存储介质 | |
Qin et al. | Noisesense: A crowd sensing system for urban noise mapping service | |
Belyakov et al. | Model Of Intellectual Visualization Of Geoinformation Service. | |
Zhang et al. | Automated detecting and placing road objects from street-level images | |
CN117079148B (zh) | 城市功能区的识别方法、装置、设备和介质 | |
CN117058647B (zh) | 车道线处理方法、装置和设备及计算机存储介质 | |
Botín-Sanabria et al. | Digital twin for urban spaces: An application | |
CN117011692A (zh) | 一种道路识别的方法以及相关装置 | |
Tian et al. | Crowdsensing based missing data inference algorithm considering outlier data and GPS errors | |
Jacobs | Quality assessment of volunteered geographic information: an investigation into the Ottawa-Gatineau OpenStreetMap database | |
CN112015937B (zh) | 一种图片地理定位方法及系统 | |
CN113986982A (zh) | 对象的通行状态确定方法、装置、电子设备和存储介质 | |
CN115712749A (zh) | 一种图像处理方法、装置、计算机设备及存储介质 | |
CN112802191A (zh) | 一种城市规划实时模拟展示系统 | |
Wong | Towards a national 3D mapping product for Great Britain | |
Guo et al. | Research on optimization model of multisource traffic information collection combination based on genetic algorithm | |
CN116994145B (zh) | 车道线变化点的识别方法、装置、存储介质及计算机设备 | |
Liu et al. | Extracting campus’ road network from walking gps trajectories |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40098498 Country of ref document: HK |