KR102371852B1 - 포인트 클라우드 정보에 기반한 맵 업데이트 방법 및 장치 - Google Patents

포인트 클라우드 정보에 기반한 맵 업데이트 방법 및 장치 Download PDF

Info

Publication number
KR102371852B1
KR102371852B1 KR1020200134280A KR20200134280A KR102371852B1 KR 102371852 B1 KR102371852 B1 KR 102371852B1 KR 1020200134280 A KR1020200134280 A KR 1020200134280A KR 20200134280 A KR20200134280 A KR 20200134280A KR 102371852 B1 KR102371852 B1 KR 102371852B1
Authority
KR
South Korea
Prior art keywords
point cloud
map
cloud information
information
voxel
Prior art date
Application number
KR1020200134280A
Other languages
English (en)
Inventor
김경표
Original Assignee
(주)컨트롤웍스
(주)에이스랩
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 (주)컨트롤웍스, (주)에이스랩 filed Critical (주)컨트롤웍스
Priority to KR1020200134280A priority Critical patent/KR102371852B1/ko
Application granted granted Critical
Publication of KR102371852B1 publication Critical patent/KR102371852B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3863—Structures of map data
    • G01C21/3867—Geometry of map features, e.g. shape points, polygons or for simplified maps
    • 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
    • G01C21/3841—Data obtained from two or more sources, e.g. probe vehicles
    • 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
    • G01C21/3863—Structures of map data
    • G01C21/387—Organisation of map data, e.g. version management or database structures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T9/00—Image coding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds

Abstract

본 실시예는, 자율 주행 과정에서의 위치 추적에 대한 정확도 향상을 위한 맵 업데이트 과정에서 포인트 클라우드 정보를 기반으로 맵 내 변경점이 보다 효율적으로 감지될 수 있도록 하면서도, 포인트 클라우드 정보의 크기에 따라 발생하는 네트워크 부하의 문제를 해결 가능토록 하는 포인트 클라우드 정보에 기반한 맵 업데이트 방법 및 장치에 관한 것이다.

Description

포인트 클라우드 정보에 기반한 맵 업데이트 방법 및 장치{Method and Apparatus for Updating Map Based on Point Cloud Information}
본 실시예는 포인트 클라우드 정보에 기반한 맵 업데이트 방법 및 장치에 관한 것이다. 더욱 상세하게는, 자율 주행 과정에서의 위치 추적에 대한 정확도 향상을 위한 맵 모델링 방법에 관한 것이다.
이 부분에 기술된 내용은 단순히 본 실시예에 대한 배경 정보를 제공할 뿐 종래기술을 구성하는 것은 아니다.
자율 주행을 하기 위해서는 위치 추정을 필수적이며, 추정된 위치를 통해 지도 상에 데이터를 불러와서 활용할 수 있다. 일반적으로, 지도 상에서 현재 위치를 추정하기 위해 고정밀 GPS 등이 활용되고 있으나, 이는 정확도 측면에서는 장점이 존재하나 가격이 비싸다는 단점이 존재한다. 이를 해결하기 위해, 자율 주행 과정에서 라이다를 통해 측정되는 외간 정보와 지도에서 얻어지는 정보를 정합하여 현재 위치를 파악하는 연구가 진행되고 있다.
이와 같은, 연구를 진행하는 데 있어서 고정밀 지도의 생성이 가장 중요하다. 일반적으로 고정밀 지도의 경우 고정밀 센서, 고정밀 측위장치를 활용하여 생성할 수 있다. 이러한, 고정밀 지도의 경우 매칭 시 실제 지도 정보와 실제 환경이 똑같아야 매칭이 잘 이루어진다. 이런 부분에서, 지도가 계속 실제 환경을 모델링할 수 있어야 한다는 제약이 존재한다. 예컨대, 공사를 한다거나 차량이 지나가는 등의 특정 케이스로 인해 지도가 변경되는 경우 지도의 변경으로 인해 매칭이 정확하게 이루어지지 않아 자율 주행 중인 차량의 위치를 정확하게 추정할 수 없다는 문제가 있다.
이러한, 문제를 해결하기 위해 자율 주행 차량에서 센서되는 측정 정보를 업로딩하고, 클라우드에서는 이를 받아 기 저장된 정보와의 융합을 통해 변경점만을 업데이트하는 새로운 컨셉이 제안되고 있다. 위와 같은 업데이트 과정에서 가장 기본적으로 사용되는 맵이 포인트 클라우드 맵이다. 다만, 이러한, 포인트 클라우드 맵의 경우 업데이트를 위한 업로딩 및 다운로딩 과정에서 전송되는 포인트 클라우드 정보가 크기 때문에 네트워크 부하가 많이 발생한다는 단점이 존재하며, 이를 해결하기 위한 방법이 요구된다.
또한, 이에 맞춰, 맵 내 변경점을 보다 효율적으로 감지하고, 이를 업데이트 하기 위한 새로운 접근 방식을 필요로 한다.
본 실시예는 자율 주행 과정에서의 위치 추적에 대한 정확도 향상을 위한 맵 업데이트 과정에서 포인트 클라우드 정보를 기반으로 맵 내 변경점이 보다 효율적으로 감지될 수 있도록 하면서도, 포인트 클라우드 정보의 크기에 따라 발생하는 네트워크 부하의 문제를 해결 가능토록 하는 데 그 목적이 있다.
본 실시예는, 현재 위치에 대응되는 라이다 기반의 맵 상에 포인트 클라우드 정보에 기반하는 복수의 경계 영역을 설정하는 과정; 라이다 장치를 이용하여 상기 현재 위치에 대하여 측정된 측정 포인트 클라우드 정보를 수집하고, 상기 측정 포인트 클라우드 정보에 대하여 상기 경계 영역의 교차 여부를 판단하는 과정; 및 상기 교차 여부에 대한 판단결과를 기반으로 상기 라이다 기반의 맵 내에서의 변경점을 감지하고, 감지된 변경점에 상응하는 포인트 클라우드 정보를 클라우드 서버로 업로딩하는 과정을 포함하는 것을 특징으로 하는 맵 업데이트 방법을 제공한다.
또한, 본 실시예의 다른 측면에 의하면, 현재 위치에 대응되는 라이다 기반의 맵 상에 포인트 클라우드 정보에 기반하는 복수의 경계 영역을 설정하는 영역 설정부; 라이다 장치를 이용하여 상기 현재 위치에 대하여 측정된 측정 포인트 클라우드 정보를 수집하고, 상기 측정 포인트 클라우드 정보에 대하여 상기 경계 영역의 교차 여부를 판단하는 판단부; 및 상기 교차 여부에 대한 판단결과를 기반으로 상기 라이다 기반의 맵 내에서의 변경점을 감지하고, 감지된 변경점에 상응하는 포인트 클라우드 정보를 클라우드 서버로 업로딩하는 변화 감지부를 포함하는 것을 특징으로 하는 맵 업데이트 장치를 제공한다.
이상에서 설명한 바와 같이 본 실시예에 의하면, 자율 주행 과정에서의 위치 추적에 대한 정확도 향상을 위한 맵 업데이트 과정에서 포인트 클라우드 정보를 기반으로 맵 내 변경점이 보다 효율적으로 감지될 수 있도록 하면서도, 포인트 클라우드 정보의 크기에 따라 발생하는 네트워크 부하의 문제를 해결 가능토록 하는 효과가 있다.
도 1은 본 실시예에 따른 맵 업데이트 방법을 설명하기 위한 개념도이다.
도 2는 본 실시예에 따른 맵 업데이트 장치를 개략적으로 나타낸 블록 구성도이다.
도 3은 본 시예에 따른 맵 업데이트 방법을 설명하기 위한 순서도이다.
도 4는 본 실시예에 따른 ND 맵 구조를 설명하기 위한 도면이다.
도 5는 본 실시예에 따른 경계 영역 설정방법을 설명하기 위한 도면이다.
도 6 내지 도 9는 본 실시예에 따른 맵 내 변경점 감지 방법을 설명하기 위한 도면이다.
이하, 본 발명의 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 실시예에 따른 맵 업데이트 방법을 설명하기 위한 개념도이다. 한편, 도 1은, 동적 및 맵 변경 환경에서 크라우드 소싱된 데이터를 기반으로 하는 맵 업데이트 시스템의 아키텍처를 도시하였다.
도 1에 도시하듯이, 본 실시예에 따른 맵 업데이트 시스템(100)은 차량 측(클라이언트)와 클라우드 측(서버)에 상응하는 두 가지 물리적 구성요소를 포함하여 이루어진다. 보다 자세하게는, 차량 측의 구성요소는 측위 장치일 수 있으며, 클라우드 측의 구성요소는 측위 서버일 수 있다.
도 1을 참조하면, 지능형 차량은 라이다 장치를 이용하여 주변환경에 대한 포인트 클라우드 정보들을 수집하고, 수집한 포인트 클라우드 정보를 기반으로 클라우드 측으로부터 다운로드한 맵 모델 내에서의 변경 사항을 감지할 수 있다.
지능형 차량은 변경 사항에 상응하는 포인트 클라우드 정보를 클라우드 측으로 업로드하며, 클라우드 측에서 서버는 맵 데이터의 변경 사항을 HD 맵으로 업데이트한다.
본 실시예에 따른 맵 업데이트 시스템(100)의 경우 일반적인 포인트 클라우드 맵 이외에도, 압축된 형태의 포인트 클라우드 정보에 기반하는 ND(Normal Distribution) 맵을 활용하는 새로운 형태의 맵 업데이트 방법을 제안한다.
즉, 본 실시예에 따른 맵 업데이트 프로세스에 의하는 경우 포인트 클라우드 정보에 대한 손실 압축을 통해 그 크기를 감소시킨 ND 맵을 생성하여 측위하는 데 사용하고, 이를 기반으로, 손실 압축된 포인트 클라우드 정보 상에서 변화점을 찾아 업데이트시킴으로써 자율 주행 과정에서의 위치 추적에 대한 정확도 향상을 위한 맵 모델링 과정이 보다 효율적으로 이루어질 수 있도록 하는 효과가 있다
보다 자세하게는, 본 실시예에 따른 ND 맵을 활용하는 경우 종래의 포인트 클라우드 맵을 활용하는 경우 대비 데이터의 크기를 감소시킬 수 있으며, 이를 통해, 맵 업데이트 프로세스 내 업로딩 및 다운로딩 과정에서 전송되는 포인트 클라우드 정보의 크기로 인해 발생하였던 네트워크 부하와 관련한 문제를 해결할 수 있다.
이와 더불어, 본 실시예에 따른 맵 업데이트 시스템(100)의 경우 포인트 클라우드 정보를 기반으로 맵 내 변경점을 보다 효율적으로 감지할 수 있도록 하는 새로운 형태의 맵 변경 감지방법을 제안한다.
즉, 본 실시예에 따른 맵 업데이트 프로세스에 의하는 경우 맵 상에 포인트 클라우드 정보에 기반하는 복수의 경계 영역을 설정하고, 라이다 장치를 이용하여 현재 위치에 대하여 측정된 측정 포인트 클라우드 정보가 해당 경계 영역을 교차하는지 여부를 확인하는 방식을 통해 맵 내에서의 변경점을 감지한다. 이는, ND 맵을 활용 시 맵 내에서의 변경점을 보다 효율적으로 감지할 수 있는 효과가 있다.
본 실시예에 따른, 맵 업데이트 시스템(100)의 맵 업데이트 프로세스는 크게 1) Downloading, 2) Hiererchical SLAM, 3) Change Detection, 4) Uploading 및 5) Update의 5 단계로 이루어질 수 있다. 여기서, 맵 업데이트 프로세스는 반드시 이에 한정되는 것은 아니다.
단계 1은 차량 측에서 클라우드 측으로부터 ND 맵을 다운로딩하는 과정에 해당한다.
본 실시예에 있어서, ND 맵은 클라우드 측으로부터 직접 다운로딩될 수 있지만, 바람직하게는, HD(High-Definition) 맵을 다운로딩함으로써 수집될 수 있다.
HD 맵은 맵 제공자에 따라 도로 토폴로지 계층, 지오메트리 계층, 차선 계층 및 교통 제어 장치 계층과 같은 다중 맵 계층으로 구성될 수 있다. 본 실시예에 따른 NDT 맵은 HD 맵의 맵 레이어 중 하나의 레이어로서 제공될 수 있으며, 도로 환경에 대한 기하학적 모양 정보를 여러 정규 분포 모델로 저장하여 제공할 수 있다.
한편, 차량은 GNSS를 통해 차량의 현재 위치를 감지하고, 감지된 현재 위치에 상응하는 ND 맵을 다운로딩한다.
단계 2는 동시다발적 지역화와 매핑(Simultaneous localization and mapping, SLAM)을 사용해서 주변을 탐색하고 지도를 만드는 과정에 해당된다.
단계 2에서 차량은 주행 중 SLAM을 사용해 자신만의 지도를 제작한다. 또한 수집한 센서 데이터와 이전에 경로 탐색을 위해 수집했던 센서 데이터를 결합해 스스로의 위치를 파악할 수 있다.
단계 3은 차량에 부착된 센서를 통해 수집된 센싱 데이터를 기반으로 한 변경 사항 감지 과정에 해당된다.
본 실시예에 있어서, 차량은 라이다 장치를 이용하여 주변환경에 대한 포인트 클라우드 정보들을 수집하고, 수집한 포인트 클라우드 정보를 기반으로 ND 맵 내에서의 변경점을 감지한다.
예컨대, 본 실시예의 경우, ND 맵 상에 포인트 클라우드에 기반하는 복수의 경계 영역을 설정하고, 현재 위치에 대하여 측정된 측정 포인트 클라우드 정보가 해당 경계 영역을 교차하는지 여부를 확인하여 ND 맵 내에서의 변경점을 감지할 수 있다.
단계 4는 단계 3에서 감지한 변경점을 클라우드 측으로 업로딩하는 과정에 해당된다.
단계 4에서, 차량은 단계 3의 변경점에 상응하는 포인트 클라우드 정보를 클라우드 측으로 업로딩할 수 있다.
한편, 본 실시예의 경우 클라우드 측으로 업로딩되는 포인트 클라우드 정보는 다운로딩 시와 마찬가지로, 손실 압축된 포인트 클라우드 정보일 수 있다. 이는, 곧, 업로딩 과정에서 포인트 클라우드 정보의 크기로 인해 발생 가능한 네트워크 부하와 관련한 문제를 사전에 방지할 수 있음을 의미한다.
단계 5는 단계 4에서 업로딩된 변경점을 반영한 업데이트 과정에 해당된다.
단계 5에서 클라우드 측은 업로딩된 변경점을 반영하여 클라우드 서버 내 기 저장된 ND 맵을 업데이트한다.
도 2는 본 실시예에 따른 맵 업데이트 장치를 개략적으로 나타낸 블록 구성도이다.
도 2에 도시하듯이, 본 실시예에 따른 맵 업데이트 장치(200)는 영역 설정부(210), 판단부(220) 및 변화 감지부(230)를 포함한다.
한편, 도 2에 도시된 맵 업데이트 장치(200)는 도 1의 맵 업데이트 프로세스 중 3) Change Detection, 4) Uploading 단계의 수행을 위한 주요 구성요소만을 포함하는 것으로 예시하였으나, 이러한, 맵 업데이트 장치(200)에 포함되는 구성요소는 반드시 이에 한정되는 것은 아니다.
맵 업데이트 장치(200)에 포함된 각 구성요소는 장치 내부의 소프트웨어적인 모듈 또는 하드웨어적인 모듈을 연결하는 통신 경로에 연결되어 상호 간에 유기적으로 동작할 수 있다. 이러한 구성요소는 하나 이상의 통신 버스 또는 신호선을 이용하여 통신한다.
도 2에 도시된 맵 업데이트 장치(200)의 각 구성요소는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 소프트웨어적인 모듈, 하드웨어적인 모듈 또는 소프트웨어와 하드웨어의 결합으로 구현될 수 있다.
한편, 이러한, 맵 업데이트 장치(200)는 차량 내 측위 장치 내 포함되어 하나의 장치로 구현되거나, 측위 장치와 연동되는 별개의 장치로 구현될 수도 있다.
영역 설정부(210)는 현재 위치에 대응되는 라이다 기반의 맵 상에 포인트 클라우드 정보에 기반하는 복수의 경계 영역을 설정하는 기능을 수행한다.
한편, 이러한, 영역 설정부(210)의 경계 영역 설정 과정은 라이다 기반의 맵 내의 변경점 감지를 위해, 포인트 클라우드 정보를 기반으로 사전에 객체가 존재하는 것으로 확인된 지점을 하나의 경계 영역으로서 대표하여 나타내는 동작을 의미한다.
이를 위해, 영역 설정부(210)는 주변환경을 인식하여 현재 위치를 감지하고, 감지된 현재 위치에 상응하는 라이다 기반의 맵을 수집할 수 있다.
영역 설정부(210)는 클라우드 서버로부터 현재 위치에 상응하는 라이다 기반의 맵을 다운로딩할 수 있다. 이때, 영역 설정부(210)는 클라우드 서버로부터 바로 현재 위치에 상응하는 라이다 기반의 맵을 직접 다운로딩받을 수 있지만, 바람직하게는 HD 맵을 다운로딩하고, 이를 통해, 상기의 라이다 기반의 맵을 수집할 수 있다. 예컨대, 영역 설정부(210)는 HD 맵의 맵 레이어 중 하나의 레이어로서 제공되는 라이다 기반의 맵을 수집할 수 있다.
영역 설정부(210)는 라이다 기반의 맵이 일반적인 포인트 클라우드 맵인 경우 복셀별 대응하는 포인트 클라우드 정보를 분포정보에 그룹화하여 경계 영역을 설정할 수 있다.
한편, 본 실시예의 경우, 영역 설정부(210)가 수집하는 라이다 기반의 맵은 일반적인 포인트 클라우드 맵일 수 있지만, 바람직하게는, 압축된 형태의 포인트 클라우드 정보에 기반하는 ND(Normal Distribution) 맵일 수 있다.
이하, 도 4를 참조하여, 본 실시예에 따른 ND 맵의 구조에 대해 설명하도록 한다.
먼저, 도 4의 (a)는 일반적인 포인트 클라우드 정보로 이루어진 포인트 클라우드 맵으로써 각 복셀 상에 대응되는 포인트 클라우드 정보가 매핑되어 위치되는 구조를 갖는 것을 확인할 수 있다. 이러한, 포인트 클라우드 맵에 있어서 포인트에 대한 위치 및 색상 정보는 4-byte float 그리고, 1 byte unsigned char data type으로 저장된다. 따라서 N개의 포인트로 구성된 포인트 클라우드 맵의 경우 총 (N × (3 × 4 + 4))= N × 16 바이트가 저장되게 된다. 이러한, 포인트 클라우드 맵의 경우 업데이트를 위한 업로딩 및 다운로딩 과정에서 전송되는 포인트 클라우드 정보가 크기 때문에 네트워크 부하가 많이 발생한다는 단점이 존재한다.
반면, 도 4의 (b)를 참조하면, 본 실시예에 따른 ND 맵의 경우 각 복셀 상에 대응되는 포인트 클라우드 정보가 손실 압축을 통해 그 크기가 감소된 형태로 매핑되어 위치되는 구조를 갖는 것을 확인할 수 있다.
보다 자세하게는, 본 실시예에 따른 ND 맵 생성방법에 의하는 경우 각 복셀별로 대응되는 포인트 클라우드들을 정규 분포로 표현하여 확률 분포 정보를 생성하며, 이러한 3차원 모델링 과정을 통해, 포인트 클라우드 정보들이 압축된 형태를 갖는 ND 맵을 구축한다.
즉, 본 실시예에 따른 ND 맵 생성방법에 의하는 경우 각 복셀별로 대응되는 포인트 클라우드들이 정규 분포인 것으로 가정하여, 포인트 클라우드 정보들의 분포에 대해 평균 및 분산으로 이루어진 확률 분포 정보를 생성한다. 이때, 확률 분포 정보는 평균 3개와 분산 6개로 이루어지며, 총 9개의 좌표 정보를 이용하여 복셀 공간 내의 포인트 클라우드 정보들의 분포에 대한 정보를 표현한다.
한편, 위와 같은 확률 분포 정보에 따라, 압축된 형태의 포인트 클라우드 정보를 기반으로 하여 구현되는 ND 맵의 경우 종래의 포인트 클라우드 정보를 기반으로 구현되는 포인트 클라우드 맵 대비 작은 크기를 갖는 다는 점에서 장점이 존재한다.
예컨대, 본 실시예에 따른 ND 맵의 경우 각 복셀의 평균점에 대한 위치는 3 float(4-byte) 변수로 저장되며, 분산은 6 float(4-byte) 변수로 저장된다. 또한, 포인트 수는 하나의 unsigned int(4 바이트) 변수로 저장된다. 따라서, 하나의 복셀은 각각 (3 × 4 + 6 × 4 + 4) = 40 바이트를 차지한다. 일반적으로, 포인트의 크기가 5보다 크기 때문에, 복셀의 정규 분포의 데이터 크기는 복셀의 포인트 데이터 크기보다 작은 값을 갖는다. 즉, data size of point Cloud: Ni × 16 ＞ data size of mormal distribution: 40을 만족하게 된다.
한편, 이러한, ND 맵의 경우 측지 타일 시스템(Geodetic Quad-Tree Tile System)과의 연동을 통해 기 설정된 타일 단위에 기반하여 생성(이하, TND(Tiled Normal Distribution)으로 명시하도록 한다)될 수 있다.
한편, 이러한, ND 맵의 포인트 클라우드 정보들이 압축된 형태의 확률 분포 정보로서 제공됨에 따라 일반적인 포인트 클라우드 맵에서와 같이 포인트 클라우드 정보들을 분포정보에 따라 그룹화하는 방식으로는 경계 영역을 설정할 수 없다.
이에, 영역 설정부(210)는 라이다 기반의 맵이 ND 맵인 경우 확률 분포 정보에 기반하여 경계 영역을 설정할 수 있다.
예컨대, 도 5를 참조하면, 본 실시예에 따른 영역 설정부(210)는 확률 분포 정보를 기반으로 분포 확률이 일정 임계치 이상인 신뢰 구간을 경계 영역으로 설정할 수 있다. 본 실시예에 있어서, 영역 설정부(210)는 카이제곱 분포에 기반하여 확률 분포 정보에서 상기의 신뢰 구간을 추출할 수 있다.
도 6을 참조하면, 본 실시예에 따른 영역 설정부(210)에 의해 ND 맵 상에 타원 형의 상기 경계 영역이 설정된 것을 확인할 수 있다.
이하, 본 실시예에 따른 라이다 기반의 맵이 ND 맵인 경우를 예시하여 설명하도록 한다.
판단부(220)는 레이 캐스팅 방식에 의한 변경 검출 알고리즘에 기반하여 맵 변경 상태를 추정하는 기능을 수행한다. 이러한, 변경 검출 알고리즘에 의하는 경우, 판단부(220)는 개별 포인트 및 이에 대응하는 광선을 사용하여 맵 변경 상태를 추정한다.
이를 위해, 판단부(220)는 라이다 장치를 이용하여 현재 위치에 대하여 측정된 측정 포인트 클라우드 정보를 수집하고, 측정 포인트 클라우드 정보에 대하여 경계 영역의 교차 여부를 판단한다.
보다 자세하게는, 본 실시예에 따른 판단부(220)는 측정 포인트 클라우드 정보를 라이다 기반의 맵 상에 매핑하여 측정 포인트 클라우드 정보와 각 복셀 사이의 기하학적 관계를 파악하고, 파악된 기하학적 관계에 기반하여 측정 포인트 클라우드에 대한 경계 영역의 교차 여부를 판단할 수 있다. 이때, 측정 포인트 클라우드에 대한 경계 영역의 교차 여부를 판단한 판단결과는 변경점 감지를 위한 추론정보로서 제공될 수 있다.
예컨대, 도 6을 참조하면, (1)과 같이 측정 클라우드 정보가 경계 영역(=ND)에 의해 차단되어 복셀에서 측정될 때, 해당 복셀은 변화 상태가 유지(Sustain)된 것으로 추정할 수 있다.
또한, (2)와 같이 광선이 복셀의 경계 영역 내부를 통과 할 때, 해당 복셀은 변화 상태가 변경(Change)된 것으로 추정할 수 있다.
또한, (3)과 같이 빈 복셀에서 점이 측정 될 때, 해당 복셀은 변화 상태가 변경된 것으로 추정 될 수있다
본 실시예에 있어서, 판단부(220)는 측정 포인트 클라우드 정보와 각 복셀 사이의 기하학적 관계를 기 정의된 복수의 케이스 중 어느 하나로 분류한 분류결과를 교차 여부에 대한 판단결과로서 산출한다.
본 실시예에 있어서, 측정 포인트 클라우드 정보와 각 복셀 사이의 기하학적 관계에 대해서는 6개의 케이스로 정의될 수 있으며, 이는 3개의 기준 즉, 복셀 내부에 경계 영역이 존재하는지 여부, 포인트 클라우드 정보가 복셀을 통과하거나 막히는지 여부, 광선 혹은 포인트 클라우드 정보가 경계 영역과 교차하는지 여부에 따라 구분될 수 있다.
예컨대, 도 7을 참조하면, 제1 케이스(BI: Blocking inside normal distribution)는 측정 포인트 클라우드 정보가 복셀 내 경계 영역의 내부에서 막히는 경우로서, 측정 포인트 클라우드 정보가 경계 영역의 내부에 존재하는 경우에 해당한다.
제2 케이스(BO: Blocking outside normal distribution)는 측정 포인트 클라우드 정보가 경계 영역의 외부에 존재하는 경우에 해당한다.
제3 케이스(PI: Passing inside normal distribution)는 측정 포인트 클라우드 정보가 복셀 내에 존재하지 않고, 광선이 경계 영역을 통과하는 경우에 해당한다.
제4 케이스(PO: Passing outside normal distribution)는 측정 포인트 클라우드 정보가 복셀 내에 존재하지 않고, 광선이 경계 영역을 통과하지 않는 경우에 해당한다.
제5 케이스(BE: Blocking in empty voxel)는 빈 복셀 내에 측정 포인트 클라우드 정보가 존재하는 경우에 해당한다.
제 6케이스(PE: Passing through empty voxel)는 광선이 빈 복섹을 통과하는 경우에 해당한다.
본 실시예의 경우 복수의 케이스별로 복셀의 변화 상태가 변화 또는 지속되는 지를 정의한 확률정보가 사전 매칭된다.
예컨대, 도 8을 참조하면, 제1 케이스와 같이 측정 포인트 클라우드 정보가 경계 영역의 내부에 존재하는 경우 이는 정상 혹은 수정(ex: 경계 영역의 변화)상황을 고려할 수 있으며, 이를 기반으로 해당 복셀이 지속 또는 변경될 것이라는 가설을 제공할 수 있다. 이때, 제1 케이스는 복셀이 유지되는 것에 대한 가설에 복셀이 변경될 것이라는 가설 보다 더 높은 확률 값을 갖도록 사전에 정의될 수 있다.
마찬가지도, 다른 케이스 또한 복셀의 변화 상태와 관련하여 변화 또는 유지 중 어느 하나의 상태가 더 높은 확률 값을 갖도록 사전에 정의될 수 있다. 한편, 각 케이스는 불명(Unknown) 상태에 대한 확률정보 또한 함께 책정되며, 제4 케이스 및 제6 케이스에 대해서는 변화 또는 유지에 대한 확률 값 없이 불명(Unknown)에 대하여 확률 값만이 설정될 수 있다. 각 케이스는 가장 높은 확률 값을 갖는 상태 정보가 대표 상태로서 정의될 수 있다.
한편, 판단부(220)가 측정 포인트 클라우드 정보와 각 복셀 사이의 기하학적 관계를 파악하기 위해 아래와 같이 측정된 포인트 클라우드가 경계 영역 내 위치하는 지 여부를 수식을 통해 확인할 수 있다.
ηbound ≥ ηp: Point is located inside normal distribution.
ηbound ≤ ηp: Point is located outside normal distribution.
또한, 판단부(220)가 측정 포인트 클라우드 정보와 각 복셀 사이의 기하학적 관계를 파악하기 위해 아래와 같이 광선이 경계 영역을 통과하는지 여부를 수식을 통해 확인할 수 있다.
ηbound ≥ ηML: ray is passing the normal distribution.
ηbound ≤ ηML: ray is not passing the normal distribution.
이때, 판단부(220)는 a maximum likelihood point에 기반하여 광선에 대한 경계 영역 통과 여부를 확인할 수 있다.
변화 감지부(230)는 판단부(220)의 판단결과를 기반으로 라이다 기반의 맵 내에서의 변경점을 감지하고, 감지된 변경점에 상응하는 포인트 클라우드 정보를 클라우드 서버로 업로딩하는 기능을 수행한다.
본 실시예에 있어서, 변화 감지부(230)는 판단부(220)의 판단결과를 기반으로 확인되는 변화 상태가 변화된 복셀을 산출하고, 산출한 복셀 내 변경점에 상응하는 포인트 클라우드 정보를 클라우드 서버로 업로딩한다.
한편, 본 실시예의 경우, 레이 캐스팅 방식에 따라 하나의 복셀에 대하여 대응되는 측정 클라우드 정보가 복수 개가 수집될 수 있다.
이 점에 기인하여, 본 실시예에 따른 변화 감지부(230)는 각 복셀에 대응하여 측정된 복수의 측정 포인트 클라우드 정보 각각에 대해 확인된 확률정보를 통합한 결과를 기반으로 변화 상태가 변화된 복셀을 산출한다.
예컨대, 도 9를 참조하면, 복수의 측정 포인트 클라우드 정보 각각에 대해 확인된 확률정보를 통합한 결과를 기반으로 총 6개의 케이스가 정의될 수 있으며, 각각이 통합된 확률정보를 기반으로 불명, 변화, 지속 중 어느 하나의 상태로 정의되는 것을 확인할 수 있다. 즉, 변화 감지부(230)는 복수의 측정 포인트 클라우드 정보 각각에 대해 확인된 확률정보를 통합한 결과가 최종적으로 변화로 정의되는 복셀에 대하여 변화 상태의 변화가 이루어진 것으로 판별한다.
결과적으로, 도 10에 도시된 바와 같이, 본 실시예에 따른 변화 감지부(230)의 감지결과에 따라 라이다 기반의 맵 내 각 복셀별로 변화 상태에 대한 판별이 이루어진 것을 확인할 수 있다. 여기서 New, Delete는 변화에, Normal은 지속에, Unknown은 불명에 대응된다.
한편, 변화 감지부(230)는 변화 상태가 변환된 복셀에 상응하는 복수의 측정 포인트 클라우드 정보 중 판단결과를 통해 확인되는 확률정보가 복셀의 변화 상태 변화임을 정의하는 측정 포인트 클라우드 정보를 추출하고, 이를 변경점에 상응하는 포인트 클라우드 정보로서 업로딩한다.
또한, 변화 감지부(230)는 감지된 변경점에 상응하는 포인트 클라우드 정보를 정규 분포로 표현한 확률 분포 정보를 생성하고, 생성한 확률 분포 정보에 기반하여 압축된 형태의 포인트 클라우드 정보를 클라우드 서버로 업로딩한다. 이는 곧, 맵 업데이트 프로세스 내 업로딩 과정에서 전송되는 포인트 클라우드 정보의 크기로 인해 발생하였던 네트워크 부하와 관련한 문제를 해결할 수 있는 효과가 있다.
도 3은 본 시예에 따른 맵 업데이트 방법을 설명하기 위한 순서도이다.
맵 업데이트 장치(200)는 현재 위치에 대응되는 라이다 기반의 맵 상에 포인트 클라우드 정보에 기반하는 복수의 경계 영역을 설정한다(S302). 단계 S302에서 맵 업데이트 장치(200)는 라이다 기반의 맵이 일반적인 포인트 클라우드 맵인 경우 복셀별 대응하는 포인트 클라우드 정보를 분포정보에 그룹화하여 경계 영역을 설정할 수 있다.
맵 업데이트 장치(200)는 라이다 기반의 맵이 ND 맵인 경우 확률 분포 정보를 기반으로 분포 확률이 일정 임계치 이상인 신뢰 구간을 경계 영역으로 설정할 수 있다.
맵 업데이트 장치(200)는 라이다 장치를 이용하여 현재 위치에 대하여 측정된 측정 포인트 클라우드 정보를 수집하고, 측정 포인트 클라우드 정보에 대하여 경계 영역의 교차 여부를 판단한다(S304). 단계 S304에서 맵 업데이트 장치(200)는 측정 포인트 클라우드 정보를 라이다 기반의 맵 상에 매핑하여 측정 포인트 클라우드 정보와 각 복셀 사이의 기하학적 관계를 파악하고, 파악된 기하학적 관계에 기반하여 측정 포인트 클라우드에 대한 경계 영역의 교차 여부를 판단할 수 있다. 이때, 측정 포인트 클라우드에 대한 경계 영역의 교차 여부를 판단한 판단결과는 변경점 감지를 위한 추론정보로서 제공될 수 있다.
맵 업데이트 장치(200)는 측정 포인트 클라우드 정보와 각 복셀 사이의 기하학적 관계를 기 정의된 복수의 케이스 중 어느 하나로 분류한 분류결과를 교차 여부에 대한 판단결과로서 산출한다.
맵 업데이트 장치(200)는 단계 S304의 판단결과를 기반으로 라이다 기반의 맵 내에서의 변화점을 감지하고(S306), 감지된 변화점에 상응하는 포인트 클라우드 정보를 클라우드 서버로 업로딩한다(S308). 단계 S306 및 단계 S308에서 맵 업데이트 장치(200)는 단계 S304의 판단결과를 기반으로 확인되는 변화 상태가 변화된 복셀을 산출하고, 산출한 복셀 내 변경점에 상응하는 포인트 클라우드 정보를 클라우드 서버로 업로딩한다.
한편, 맵 업데이트 장치(200)는 각 복셀에 대응하여 측정된 복수의 측정 포인트 클라우드 정보 각각에 대해 확인된 확률정보를 통합한 결과를 기반으로 변화 상태가 변화된 복셀을 산출한다.
맵 업데이트 장치(200)는 감지된 변경점에 상응하는 포인트 클라우드 정보를 정규 분포로 표현한 확률 분포 정보를 생성하고, 생성한 확률 분포 정보에 기반하여 압축된 형태의 포인트 클라우드 정보를 클라우드 서버로 업로딩한다.
여기서, 단계 S302 내지 S308은 앞서 설명된 맵 업데이트 장치(200)의 각 구성요소의 동작에 대응되므로 더 이상의 상세한 설명은 생략한다.
도 3에서는 각각의 과정을 순차적으로 실행하는 것으로 기재하고 있으나, 반드시 이에 한정되는 것은 아니다. 다시 말해, 도 3에 기재된 과정을 변경하여 실행하거나 하나 이상의 과정을 병렬적으로 실행하는 것으로 적용 가능할 것이므로, 도 3은 시계열적인 순서로 한정되는 것은 아니다.
전술한 바와 같이 도 3에 기재된 맵 업데이트 방법은 프로그램으로 구현되고 컴퓨터의 소프트웨어를 이용하여 읽을 수 있는 기록매체(CD-ROM, RAM, ROM, 메모리 카드, 하드 디스크, 광자기 디스크, 스토리지 디바이스 등)에 기록될 수 있다.
이상의 설명은 본 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 실시예들은 본 실시예의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100: 맵 업데이트 시스템 200: 맵 업데이트 장치
210: 영역 설정부 220: 판단부
230: 변화 감지부

Claims (12)

  1. 현재 위치에 대응되는 라이다 기반의 맵 상에 포인트 클라우드 정보에 기반하는 복수의 경계 영역을 설정하는 과정;
    라이다 장치를 이용하여 상기 현재 위치에 대하여 측정된 측정 포인트 클라우드 정보를 수집하고, 상기 측정 포인트 클라우드 정보에 대하여 상기 경계 영역의 교차 여부를 판단하는 과정; 및
    상기 교차 여부에 대한 판단결과를 기반으로 상기 라이다 기반의 맵 내에서의 변경점을 감지하고, 감지된 변경점에 상응하는 포인트 클라우드 정보를 클라우드 서버로 업로딩하는 과정
    을 포함하는 것을 특징으로 하는 맵 업데이트 방법.
  2. 제 1항에 있어서,
    상기 라이다 기반의 맵은 포인트 클라우드 맵이며,
    상기 설정하는 과정은, 복셀별 대응하는 포인트 클라우드 정보를 분포정보에 기반하여 그룹화하여 상기 경계 영역을 설정하는 것을 특징으로 하는 맵 업데이트 방법.
  3. 제 1항에 있어서,
    상기 라이다 기반의 맵은 압축된 형태의 포인트 클라우드 정보에 기반하는 ND(Normal Distribution) 맵이며,
    상기 설정하는 과정은, 복셀별 대응하는 포인트 클라우드 정보들을 정규 분포로 표현한 확률 분포 정보에 기반하여 상기 경계 영역을 설정하는 것을 특징으로 하는 맵 업데이트 방법.
  4. 제 3항에 있어서,
    상기 설정하는 과정은,
    상기 확률 분포 정보를 기반으로 분포 확률이 일정 임계치 이상인 신뢰 구간을 상기 경계 영역으로서 설정하는 것을 특징으로 하는 맵 업데이트 방법.
  5. 제 1항에 있어서,
    상기 판단하는 과정은,
    상기 측정 포인트 클라우드 정보를 상기 라이다 기반의 맵 상에 매핑하여 상기 측정 포인트 클라우드 정보와 각 복셀 사이의 기하학적 관계를 파악하고, 상기 기하학적 관계에 기반하여 상기 측정 포인트 클라우드 정보에 대한 상기 경계 영역의 교차 여부를 판단하는 것을 특징으로 하는 맵 업데이트 방법.
  6. 제 5항에 있어서,
    상기 판단하는 과정은,
    상기 측정 포인트 클라우드 정보와 각 복셀 사이의 기하학적 관계를 기 정의된 복수의 케이스 중 어느 하나로 분류한 분류결과를 상기 교차 여부에 대한 판단결과로서 산출하며, 상기 판단결과를 상기 변경점을 감지하기 위한 추론정보로서 제공하는 것을 특징으로 하는 맵 업데이트 방법.
  7. 제 6항에 있어서,
    상기 판단하는 과정은,
    상기 측정 포인트 클라우드 정보와 각 복셀 사이의 기하학적 관계를 상기 측정 포인트 클라우드 정보가 복셀 내 경계 영역의 내부 또는 외부에 존재하는 케이스, 상기 측정 포인트 클라우드 정보가 상기 경계 영역의 내부 또는 외부를 통과하는 케이스, 상기 측정 포인트 클라우드 정보가 상기 경계 영역이 존재하지 않는 빈 복셀을 가로지르거나 빈 복셀의 내부에 존재하는 케이스 중 어느 하나의 케이스로 분류하는 것을 특징으로 하는 맵 업데이트 방법.
  8. 제 6항에 있어서,
    상기 복수의 케이스별로 상기 복셀의 변화 상태가 변화 또는 지속되는지를 정의한 확률정보가 사전 매칭되며,
    상기 업로딩하는 과정은, 상기 판단결과를 통해 확인되는 확률정보를 기반으로 상기 변화 상태가 변화된 복셀을 산출하고, 산출한 복셀 내 상기 변경점에 상응하는 포인트 클라우드 정보를 상기 클라우드 서버로 업로딩하는 것을 특징으로 하는 맵 업데이트 방법.
  9. 제 8항에 있어서,
    상기 업로딩하는 과정은,
    상기 각 복셀에 대응하여 측정된 복수의 측정 포인트 클라우드 정보 각각에 대해 확인된 확률정보를 통합한 결과를 기반으로 상기 변화 상태가 변화된 복셀을 산출하는 것을 특징으로 하는 것을 특징으로 하는 맵 업데이트 방법.
  10. 제 9항에 있어서,
    상기 업로딩하는 과정은,
    상기 변화 상태가 변환된 복셀에 상응하는 복수의 측정 포인트 클라우드 정보 중 상기 판단결과를 통해 확인되는 확률정보가 상기 복셀의 변화 상태 변화임을 정의하는 측정 포인트 클라우드 정보를 상기 변경점에 상응하는 포인트 클라우드 정보로서 업로딩하는 것을 특징으로 하는 맵 업데이트 방법.
  11. 제 1항에 있어서,
    상기 업로딩하는 과정은,
    상기 감지된 변경점에 상응하는 포인트 클라우드 정보를 정규 분포로 표현한 확률 분포 정보를 생성하고, 상기 확률 분포 정보에 기반하여 압축된 형태의 포인트 클라우드 정보를 클라우드 서버로 업로딩하는 것을 특징으로 하는 맵 업데이트 방법.
  12. 현재 위치에 대응되는 라이다 기반의 맵 상에 포인트 클라우드 정보에 기반하는 복수의 경계 영역을 설정하는 영역 설정부;
    라이다 장치를 이용하여 상기 현재 위치에 대하여 측정된 측정 포인트 클라우드 정보를 수집하고, 상기 측정 포인트 클라우드 정보에 대하여 상기 경계 영역의 교차 여부를 판단하는 판단부; 및
    상기 교차 여부에 대한 판단결과를 기반으로 상기 라이다 기반의 맵 내에서의 변경점을 감지하고, 감지된 변경점에 상응하는 포인트 클라우드 정보를 클라우드 서버로 업로딩하는 변화 감지부;
    를 포함하는 것을 특징으로 하는 맵 업데이트 장치.
KR1020200134280A 2020-10-16 2020-10-16 포인트 클라우드 정보에 기반한 맵 업데이트 방법 및 장치 KR102371852B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200134280A KR102371852B1 (ko) 2020-10-16 2020-10-16 포인트 클라우드 정보에 기반한 맵 업데이트 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200134280A KR102371852B1 (ko) 2020-10-16 2020-10-16 포인트 클라우드 정보에 기반한 맵 업데이트 방법 및 장치

Publications (1)

Publication Number Publication Date
KR102371852B1 true KR102371852B1 (ko) 2022-03-08

Family

ID=80812216

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200134280A KR102371852B1 (ko) 2020-10-16 2020-10-16 포인트 클라우드 정보에 기반한 맵 업데이트 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102371852B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116737742A (zh) * 2023-08-14 2023-09-12 蘑菇车联信息科技有限公司 点云地图更新方法、装置及电子设备
CN117739954A (zh) * 2024-02-07 2024-03-22 未来机器人（深圳）有限公司 地图局部更新方法、装置及电子设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101925862B1 (ko) * 2018-09-13 2018-12-06 주식회사 에이엠오토노미 3차원 라이다를 이용한 실시간 3차원 지도 생성 방법 및 장치
US20190147250A1 (en) * 2017-11-15 2019-05-16 Uber Technologies, Inc. Semantic Segmentation of Three-Dimensional Data
KR102083482B1 (ko) * 2018-12-13 2020-03-02 국민대학교산학협력단 라이다 기반의 차량주행 가능영역 검출장치 및 방법
KR102103941B1 (ko) * 2018-11-14 2020-04-23 주식회사 모빌테크 포인트 클라우드 맵 기반의 자율주행차량용 도로 및 차선데이터 실시간 업데이트 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190147250A1 (en) * 2017-11-15 2019-05-16 Uber Technologies, Inc. Semantic Segmentation of Three-Dimensional Data
KR101925862B1 (ko) * 2018-09-13 2018-12-06 주식회사 에이엠오토노미 3차원 라이다를 이용한 실시간 3차원 지도 생성 방법 및 장치
KR102103941B1 (ko) * 2018-11-14 2020-04-23 주식회사 모빌테크 포인트 클라우드 맵 기반의 자율주행차량용 도로 및 차선데이터 실시간 업데이트 방법
KR102083482B1 (ko) * 2018-12-13 2020-03-02 국민대학교산학협력단 라이다 기반의 차량주행 가능영역 검출장치 및 방법

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116737742A (zh) * 2023-08-14 2023-09-12 蘑菇车联信息科技有限公司 点云地图更新方法、装置及电子设备
CN116737742B (zh) * 2023-08-14 2024-03-26 蘑菇车联信息科技有限公司 点云地图更新方法、装置及电子设备
CN117739954A (zh) * 2024-02-07 2024-03-22 未来机器人（深圳）有限公司 地图局部更新方法、装置及电子设备

Similar Documents

Publication Publication Date Title
US10962366B2 (en) Visual odometry and pairwise alignment for high definition map creation
CN111561937B (zh) 用于精确定位的传感器融合
CN111656135A (zh) 基于高清地图的定位优化
WO2019092418A1 (en) Method of computer vision based localisation and navigation and system for performing the same
WO2020189079A1 (ja) 自己位置推定装置、それを備えた自動運転システム、および、自己生成地図共有装置
KR102371852B1 (ko) 포인트 클라우드 정보에 기반한 맵 업데이트 방법 및 장치
US11493624B2 (en) Method and system for mapping and locating a vehicle based on radar measurements
CN103703490A (zh) 用于产生三维特征数据的设备、用于产生三维特征数据的方法、以及其上记录有用于产生三维特征数据的程序的记录介质
US11915490B2 (en) Annotated surfel maps
KR102408981B1 (ko) Nd 맵 생성방법 및 그를 활용한 맵 업데이트 방법
US11645775B1 (en) Methods and apparatus for depth estimation on a non-flat road with stereo-assisted monocular camera in a vehicle
CN111856499A (zh) 基于激光雷达的地图构建方法和装置
US20200380085A1 (en) Simulations with Realistic Sensor-Fusion Detection Estimates of Objects
KR102543871B1 (ko) 도로정보 변화 영역 보완 방법 및 시스템
Matthaei et al. Robust grid-based road detection for ADAS and autonomous vehicles in urban environments
KR102130687B1 (ko) 다중 센서 플랫폼 간 정보 융합을 위한 시스템
US11651508B1 (en) Methods and apparatus for depth estimation using stereo cameras in a vehicle system
CN115494533A (zh) 车辆定位方法、装置、存储介质及定位系统
KR20210037468A (ko) 레인을 검출하는 차량 및 방법
US20230236021A1 (en) Information processing device
WO2022237210A1 (zh) 障碍物信息生成
CN115077537A (zh) 高精度地图感知容器设计方法及装置、存储介质、终端
EP3789907A1 (en) A system, a method for training a machine learning based processor circuitry suitable for characterizing an envi-ronment of a vehicle
CN116300922A (zh) 一种自定义跟随图层的分层代价地图构建方法
CN115909262A (zh) 车位检测方法、装置、电子设备以及存储介质

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant