KR20220150240A

KR20220150240A - 고정밀 지도 구축 방법, 장치 및 전자 기기

Info

Publication number: KR20220150240A
Application number: KR1020220137344A
Authority: KR
Inventors: 딩 원동; 친 잉잉; 다이 양양; 쟝 위청; 펑 량; 완 궈웨이
Original assignee: 베이징 바이두 넷컴 사이언스 테크놀로지 컴퍼니 리미티드
Priority date: 2021-10-28
Filing date: 2022-10-24
Publication date: 2022-11-10
Also published as: EP4116935A2; US20230042968A1; JP2023002757A; CN113989451B; EP4116935B1; CN113989451A; EP4116935A3

Abstract

본 개시는 데이터 처리 기술분야에 관한 것으로, 특히 자율 주행 기술분야에 관한 것이며, 본 개시는 고정밀 지도 구축 방법, 장치 및 전자 기기를 제공한다. 상기 고정밀 지도 구축 방법은, 타겟 영역에 대해 수집한 포인트 클라우드 데이터를 획득하는 단계 - 상기 포인트 클라우드 데이터는, K 프레임 포인트 클라우드 및 각 프레임 포인트 클라우드의 초기 포즈를 포함하며, K는 1보다 큰 정수임 -; 상기 초기 포즈를 토대로 상기 K 프레임 포인트 클라우드를 상호 관련시켜, 상기 K 프레임 포인트 클라우드의 제1 포인트 클라우드 관계도를 획득하는 단계; 상기 제1 포인트 클라우드 관계도 및 상기 초기 포즈를 토대로, 상기 K 프레임 포인트 클라우드에 대해 포인트 클라우드 레지스트레이션을 진행하여, 상기 K 프레임 포인트 클라우드 중 각 프레임 포인트 클라우드의 타겟 상대적 포즈를 획득하는 단계; 및 상기 타겟 상대적 포즈를 토대로 상기 K 프레임 포인트 클라우드에 대해 스플라이스를 진행하여, 상기 타겟 영역의 포인트 클라우드 지도를 획득하는 단계; 를 포함한다.

Description

고정밀 지도 구축 방법, 장치 및 전자 기기{HIGH-DEFINITION MAP CREATION METHOD AND DEVICE, AND ELECTRONIC DEVICE}

본 개시는 데이터 처리 기술분야에 관한 것으로, 특히 자율 주행 기술분야에 관한 것이며, 구체적으로, 고정밀 지도 구축 방법, 장치 및 전자 기기에 관한 것이다.

고정밀 지도를 고정밀도 지도로 칭할 수 있으며, 자율 주행 자동차에 사용된다. 고정밀 지도는 정확한 차량 위치 정보 및 풍부한 도로 요소 데이터 정보를 가지고 있어, 자동차가 도로면의 경사도, 곡률, 항향 등과 같은 복잡한 정보를 미리 알 수 있도록 도와주며, 잠재적인 위험을 더 바람직하게 피할 수 있다. 자율 주행 기술의 발전에 따라, 고정밀 지도에 대한 규모 요구는 점차 도시 전체는 물론 전국 범위로 커버리지되고 있다. 고정밀 지도의 재구축을 완료하기 위해, 통상적으로 포인트 클라우드 데이터를 수집하여야 하며, 수집한 포인트 클라우드 데이터를 토대로 지리적 공간 분포 상에서 파티셔닝(partitioning)을 진행하며, 파티셔닝하여 획득한 블록을 토대로 고정밀 지도를 구축한다.

현재, 고정밀 지도를 구축할 경우, 통상적으로 블록 간의 일치성을 최적화하여야 하며, 그 후, 최적화된 블록을 토대로 스플라이스(Splice)를 진행하여, 고정밀 지도의 구축을 구현한다.

본 개시의 실시예는 고정밀 지도 구축 방법, 장치 및 전자 기기를 제공한다.

제1 측면에 있어서, 본 개시의 실시예는 고정밀 지도 구축 방법을 제공하며, 상기 방법은,

타겟 영역에 대해 수집한 포인트 클라우드 데이터를 획득하는 단계 - 상기 포인트 클라우드 데이터는, K 프레임 포인트 클라우드 및 각 프레임 포인트 클라우드의 초기 포즈(pose)를 포함하며, K는 1보다 큰 정수임 -;

상기 초기 포즈를 토대로 상기 K 프레임 포인트 클라우드를 상호 관련시켜, 상기 K 프레임 포인트 클라우드의 제1 포인트 클라우드 관계도를 획득하는 단계;

상기 제1 포인트 클라우드 관계도 및 상기 초기 포즈를 토대로, 상기 K 프레임 포인트 클라우드에 대해 포인트 클라우드 레지스트레이션(registration)을 진행하여, 상기 K 프레임 포인트 클라우드 중 각 프레임 포인트 클라우드의 타겟 상대적 포즈를 획득하는 단계; 및

상기 타겟 상대적 포즈를 토대로 상기 K 프레임 포인트 클라우드에 대해 스플라이스(splice)를 진행하여, 상기 타겟 영역의 포인트 클라우드 지도를 획득하는 단계; 를 포함한다.

제2 측면에 있어서, 본 개시의 실시예는 고정밀 지도 구축 장치를 제공하며, 상기 장치는,

타겟 영역에 대해 수집한 포인트 클라우드 데이터를 획득하기 위한 제1 획득 모듈 - 상기 포인트 클라우드 데이터는, K 프레임 포인트 클라우드 및 각 프레임 포인트 클라우드의 초기 포즈를 포함하며, K는 1보다 큰 정수임 -;

상기 초기 포즈를 토대로 상기 K 프레임 포인트 클라우드를 상호 관련시켜, 상기 K 프레임 포인트 클라우드의 제1 포인트 클라우드 관계도를 획득하기 위한 관련 모듈;

상기 제1 포인트 클라우드 관계도 및 상기 초기 포즈를 토대로, 상기 K 프레임 포인트 클라우드에 대해 포인트 클라우드 레지스트레이션을 진행하여, 상기 K 프레임 포인트 클라우드 중 각 프레임 포인트 클라우드의 타겟 상대적 포즈를 획득하기 위한 포인트 클라우드 레지스트레이션 모듈; 및

상기 타겟 상대적 포즈를 토대로 상기 K 프레임 포인트 클라우드에 대해 스플라이스(splice)를 진행하여, 상기 타겟 영역의 포인트 클라우드 지도를 획득하기 위한 스플라이스 모듈; 을 포함한다.

제3 측면에 있어서, 본 개시의 실시예는 전자 기기를 제공하며, 상기 전자 기기는,

적어도 하나의 프로세서; 및

상기 적어도 하나의 프로세서에 통신 연결된 메모리; 를 포함하며, 그중,

상기 메모리에는 상기 적어도 하나의 프로세서에 의해 실행될 수 있는 명령이 저장되어 있으며, 상기 명령은 상기 적어도 하나의 프로세서에 의해 실행되어, 상기 적어도 하나의 프로세서가 제1 측면에 따른 어느 하나의 방법을 실행할 수 있도록 한다.

제4 측면에 있어서, 본 개시의 실시예는 컴퓨터 명령이 저장되어 있는 비일시적 컴퓨터 판독 가능 저장 매체를 제공하며, 상기 컴퓨터 명령은, 상기 컴퓨터가 제1 측면에 따른 어느 하나의 방법을 실행하도록 하기 위한 것이다.

제5 측면에 있어서, 본 개시의 실시예는 컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 프로그램을 제공하며, 해당 컴퓨터 프로그램은 프로세서에 의해 실행될 때, 제1 측면에 따른 어느 하나의 방법을 구현한다.

본 개시에 따른 기술은 고정밀 지도 중의 블록 전체가 이동하고 변형되는 문제를 해결하여, 구축된 고정밀 지도의 품질을 향상시킨다.

이해해야 할 것은, 본 개시의 부분적으로 설명된 내용들은 본 개시의 실시예의 포인트를 표시하거나 또는 중요한 특징을 표시하는 것이 아니며, 또한 본 개시의 청구 범위에 대해 제한하기 위한 것이 아님은 자명한 것이다. 본 개시의 기타 특징들은 아래와 같은 설명을 통해 쉽게 이해할 수 있을 것이다.

도면들은 본 개시에 대한 이해를 돕기 위한 것이며, 본 개시에 대한 한정을 구성하지 않는다.
도 1은 본 개시의 제1 실시예에 따른 고정밀 지도 구축 방법의 흐름 예시도이다.
도 2는 포인트 클라우드 레지스트레이션 과정에서 구축된 노드 그래프의 구조 예시도이다.
도 3은 포인트 클라우드 레지스트레이션 과정에서 구축된 계층 구조의 노드 그래프의 구조 예시도이다.
도 4는 본 개시의 제2 실시예에 따른 고정밀 지도 구축 장치의 구조 예시도이다.
도 5는 본 개시의 실시예를 구현하기 위한 예시적 전자 기기의 예시적인 블록도이다.

이하, 본 개시의 실시예에서의 도면을 결부시켜, 본 개시의 실시예에 따른 기술방안을 명확하고 완전하게 설명하기로 한다. 그중에는 이해를 돕기 위한 본 개시의 실시예의 각종 디테일도 포함되어 있으며, 전술한 실시예들은 단지 예시적인 것이며, 해당 기술분야에서 통상의 지식을 가진 자들은 본 개시의 실시예에 대해 본 개시의 정신 및 특허청구범위를 일탈하지 않고 다양한 개변 및 변형을 진행할 수 있다. 간단 명료하게 설명하기 위해, 아래에서는 해당 기술분야에 공지된 기능 및 구조에 대해 진일보하여 기술하지 않기로 한다.

제1 실시예

도 1에 도시된 바와 같이, 본 개시는 고정밀 지도 구축 방법을 제공하며, 상기 방법은 하기의 단계를 포함한다.

단계 S101: 타겟 영역에 대해 수집한 포인트 클라우드 데이터를 획득하며, 상기 포인트 클라우드 데이터는, K 프레임 포인트 클라우드 및 각 프레임 포인트 클라우드의 초기 포즈(pose)를 포함한다.

그중, K는 1보다 큰 정수이다.

본 개시의 실시예에서, 고정밀 지도 구축 방법은 데이터 처리 기술분야에 관한 것으로, 특히 자율 주행 기술분야에 관한 것이며, 무인 주행 및 스마트 주행 등의 시나리오에 광범위하게 응용될 수 있다. 본 개시의 실시예에 따른 고정밀 지도 구축 방법은, 본 개시의 실시예의 고정밀 지도 구축 장치에 의해 실행될 수 있다. 본 개시의 실시예의 고정밀 지도 구축 장치는 어느 전자 기기 중에 배치되어, 본 개시의 실시예에 따른 고정밀 지도 구축 방법을 실행할 수 있다. 해당 전자 기기는 서버일 수 있고, 단말일 수도 있으며, 여기서 이에 대해 구체적으로 한정하지 않기로 한다.

해당 단계에서, 타겟 영역은 공간적 개념을 가진 어느 하나의 영역을 의미할 수 있으며, 어느 국가, 어느 도시, 어느 시가지 또는 어느 단지 등일 수 있으며, 여기서 구체적으로 한정하지 않기로 한다.

포인트 클라우드 데이터는 해당 타겟 영역 내의 포인트 클라우드 데이터를 의미할 수 있으며, 해당 포인트 클라우드 데이터는 고정밀 지도 구축의 초기 데이터로서, 타겟 영역의 포인트 클라우드 지도를 구축할 수 있으며, 해당 포인트 클라우드 지도는 3차원(3D) 포인트로 구축된 고정밀 지도를 의미할 수 있으며, 자율 주행 또는 스마트 주행 등의 애플리케이션 시나리오에 사용될 수 있다.

해당 포인트 클라우드 데이터는, K 프레임 포인트 클라우드를 포함할 수 있으며, 그중, 포인트 클라우드는 하나의 3차원 좌표 시스템에서 한조의 벡터의 집합을 의미할 수 있으며, 이러한 벡터는 통상적으로 X, Y 및 Z의 3차원 좌표 형태로 표시되어, 일반적으로 하나의 물체의 외부 표면 형태를 나타내기 위한 것이다. 하나의 프레임 포인트 클라우드와 하나의 이미지의 차이점은, 하나의 프레임 포인트 클라우드는 3차원(3D)의 멀티미디어 데이터이고, 하나의 프레임 이미지는 2D의 멀티미디어 데이터이며, 시각적 Visual LiDAR 오도메트리(odometry) 등을 통해 물체 표면의 일정한 범위 내의 포인트를 스캔하여 획득하고, 하나의 프레임 포인트 클라우드를 획득할 수 있다. 타겟 영역에 대해 수집한 K 프레임 포인트 클라우드는, 통상적으로 해당 타겟 영역의 외부 표면 형태를 나타내기 위한 것일 수 있으며, 따라서 해당 K 프레임 포인트 클라우드를 토대로 해당 타겟 영역의 포인트 클라우드 지도를 구축할 수 있다.

각 프레임 포인트 클라우드마다 하나의 초기 포즈를 가지며, 상응하게, 해당 포인트 클라우드 데이터는, 각 프레임 포인트 클라우드의 초기 포즈를 포함할 수도 있으며, 초기 포즈는 해당 프레임 포인트 클라우드가 수집될 때의 위치를 의미할 수 있으며, 만약 차량을 통해 포인트 클라우드 데이터를 수집하였다면, 차량이 하나의 프레임 포인트 클라우드를 수집할 때의 위치는 해당 프레임 포인트 클라우드의 초기 포즈를 나타낼 수 있으며, 해당 초기 포즈는 3D일 수 있으며, 예컨대, 하나의 프레임 포인트 클라우드의 초기 포즈는, 경도, 위도 및 표고를 포함할 수 있다. 본 개시의 실시예의 목적은, 상기 K 프레임 포인트 클라우드 및 상기 K 프레임 포인트 클라우드의 초기 포즈에 의해 특성화된 각 프레임 포인트 클라우드를 수집한 시간의 선후 순서 및 공간 수집 거리를 통해, 각 프레임 포인트 클라우드의 상대적 포즈를 확정하며, 즉 각 프레임 포인트 클라우드의 스플라이스 위치를 확정하며, 각 프레임 포인트 클라우드의 상대적 포즈를 토대로 K 프레임 포인트 클라우드에 대해 스플라이스를 진행하여, 해당 타겟 영역의 포인트 클라우드 지도를 구축하는데 있다.

라이다(LiDAR) 동시적 위치 추정 및 지도작성(Simultaneous Localization And Mapping，SLAM) 기술, 글로벌 포지셔닝 시스템(Global Positioning System，GPS) 또는 관성 측정 유닛(Inertial Measurement Unit，IMU)을 통해, 해당 클라우드 데이터를 획득할 수 있다.

구체적으로 차량과 같은 수집 수단 상에 시각적 Visual LiDAR, 글로벌 내비게이션 새틀라이트 시스템(Global Navigation Satellite System，GNSS), GPS 또는 IMU 등을 장착할 수 있으며, 차량을 통해 타겟 영역 내에서 이동하는 과정에서, 각 프레임 포인트 클라우드를 수집하며, 동시에 위치 포지셔닝 기술을 채용하여 차량에 대해 초보적인 포지셔닝을 진행하며, 예컨대, GPS+IMU을 통해, 오도메트리 또는 SLAM 등 방식을 채용하여 차량에 대해 초보적인 포지셔닝을 진행하여, 포인트 클라우드 데이터를 획득한다.

차량이 타겟 영역 내에서 이동하는 과정에서 수집한 데이터에 대해, 수집한 데이터를 타겟 영역에 대해 수집한 포인트 클라우드 데이터로 직접 확정할 수 있으며, Visual LiDAR 오도메트리 및 GNSS 위치 처리 등 기술을 통해, 수집된 데이터에 대해 후처리를 진행할 수도 있으며, 시간 상에서 연속적이고 신뢰도를 가지고 추정한 한조의 초기 궤적(해당 초기 궤적은, 각 프레임 포인트 클라우드의 초기 포즈를 포함할 수 있음) 및 움직임 보상 후의 각 프레임 포인트 클라우드를 획득하며, 타겟 영역에 대해 수집한 포인트 클라우드 데이터를 획득하며, 획득한 포인트 클라우드 데이터를 고정밀 지도 구축의 기본 데이터로 할 수 있다.

상기 포인트 클라우드 데이터는 타겟 영역의 하나의 포인트 클라우드 수집 궤적에 의해 획득될 수 있으며, 포인트 클라우드 데이터가 타겟 영역을 완전하게 커버리지하도록 하기 위해, 상기 포인트 클라우드 데이터는 타겟 영역의 복수 개의 포인트 클라우드 수집 궤적에 의해 획득될 수도 있으며, 여기서 구체적으로 한정하지 않기로 한다. 그 외, 포인트 클라우드 데이터가 타겟 영역의 복수 개의 포인트 클라우드 수집 궤적에 의해 획득되었을 경우, 각 포인트 클라우드 수집 궤적에 의해 수집된 데이터에 대해 각각 다운 샘플링(down sampling)을 진행하여, 일부 정지된 로드 등의 쓸모없거나 또는 사용할 수 없는 데이터를 필터링할 수 있으며, 이로서 포인트 클라우드 수집 궤적의 수집 일괄(batch)에 따라 분포식 병렬화를 진행할 수 있으며, 데이터 처리 효율을 향상시키고, 따라서 고정밀 지도 구축의 효율을 향상시킨다.

설명해야 할 것은, 고정밀 지도 구축 장치가 해당 포인트 클라우드 데이터를 획득하는 방식은 다수의 방식을 포함할 수 있으며, 예컨대, 시각적 Visual LiDAR, 글로벌 내비게이션 새틀라이트 시스템(Global Navigation Satellite System，GNSS), GPS 또는 IMU 등을 장착하여, 해당 포인트 클라우드 데이터를 수집할 수 있으며, 수집 차량의 차량 탑재 기기와 같은 기타 전자 기기에서 송신한 타겟 영역에 대해 수집한 포인트 클라우드 데이터를 수신할 수도 있으며, 또한 미리 저장된 타겟 영역에 대해 수집한 포인트 클라우드 데이터를 획득할 수 있으며, 또는 네트워크로부터 타겟 영역에 대해 수집한 포인트 클라우드 데이터를 다운로드할 수도 있다.

단계 S102: 상기 초기 포즈를 토대로 상기 K 프레임 포인트 클라우드를 상호 관련시켜, 상기 K 프레임 포인트 클라우드의 제1 포인트 클라우드 관계도를 획득한다.

해당 단계에서, 해당 초기 포즈를 토대로, 시간 차원 및/또는 공간 차원 상에서 K 프레임 포인트 클라우드를 상호 관련시킬 수 있으며, K 프레임 포인트 클라우드의 관련 관계를 구축하여, 상기 K 프레임 포인트 클라우드의 제1 포인트 클라우드 관계도를 획득한다. 제1 포인트 클라우드 관계도는, 해당 K 프레임 포인트 클라우드 중 각 프레임 포인트 클라우드 사이의 관련 관계를 나타낼 수 있으며, 제1 포인트 클라우드 관계도의 표현 형태는 k-dimensional 트리(kd-tree)일 수 있고, 노드 그래프일 수도 있으며, 여기서 이에 대해 구체적으로 한정하지 않기로 한다. 그중, kd-tree는 k차원 공간 중의 조직 포인트(organizing point)를 저장하여 빠른 검색을 진행하는 트리 형태의 데이터 구조이다.

예컨대, 타겟 영역의 동일한 하나의 포인트 클라우드 수집 궤적에 대해, 시간의 선후 순서로 순차적으로 수집한 각 프레임 포인트 클라우드를 상호 관련시킬 수 있으며, 즉 포인트 클라우드 수집 궤적의 방향에 따라, 해당 포인트 클라우드 수집 궤적을 토대로, 인접한 시간에 수집한 각 프레임 포인트 클라우드를 상호 관련시킨다. 즉, 만약 타겟 영역에 대한 포인트 클라우드 수집 궤적의 방향이 세로 방향으로 기록되었다면, 이러한 관련 방식을 세로 관련으로 칭할 수도 있다.

예를 들면, 하나의 포인트 클라우드 수집 궤적을 토대로 데이터 수집을 진행하여, 3 프레임 포인트 클라우드를 획득하며, 수집한 시간의 선후 순서는, 포인트 클라우드 A1, 포인트 클라우드 A2 및 포인트 클라우드 A3이며, 포인트 클라우드 A1과 포인트 클라우드 A2를 관련시키고, 포인트 클라우드 A2와 포인트 클라우드 A3를 관련시켜, 3 프레임 포인트 클라우드의 관련 관계를 획득할 수 있다.

예를 더 들면, 각 프레임 포인트 클라우드의 초기 포즈를 토대로 각 프레임 포인트 클라우드 사이의 수집 거리를 확정하여, 각 프레임 포인트 클라우드를 30 m와 같은 기설정 범위 내에 있는 기타 프레임 포인트 클라우드와 상호 관련시킬 수 있으며, 이러한 관련 방식은 공간 거리를 토대로 포인트 클라우드를 관련시킨다.

예를 들면, 포인트 클라우드 데이터에 3 프레임 포인트 클라우드가 포함될 수 있으며, 각각 포인트 클라우드 B1, 포인트 클라우드 B2 및 포인트 클라우드 B3이며, 포인트 클라우드 B1과 포인트 클라우드 B2 사이의 수집 거리는 15m이고, 포인트 클라우드 B2와 포인트 클라우드 B3 사이의 수집 거리는 18m이며, 포인트 클라우드 B1과 포인트 클라우드 B3 사이의 수집 거리는 33m이면, 포인트 클라우드 B1과 포인트 클라우드 B2를 관련시키고, 포인트 클라우드 B2와 포인트 클라우드 B3을 관련시켜, 3 프레임 포인트 클라우드의 관련 관계를 획득할 수 있다.

예를 더 들면, 타겟 영역의 상이한 포인트 클라우드 수집 궤적에 대해, 상이한 포인트 클라우드 수집 궤적에 의해 수집된 동일한 하나의 세그먼트 도로 상의 각 프레임 포인트 클라우드를 상호 관련시킬 수 있다. 제1 포인트 클라우드 수집 궤적을 토대로 수집한 제1 타겟 프레임 포인트 클라우드 및 제2 포인트 클라우드 수집 궤적을 토대로 수집한 제2 타겟 프레임 포인트 클라우드를 상호 관련시킬 수 있으며, 제1 포인트 클라우드 수집 궤적 및 제2 포인트 클라우드 수집 궤적은 타겟 영역에 대한 상이한 포인트 클라우드 수집 궤적이며, 제2 타겟 프레임 포인트 클라우드는 제1 포인트 클라우드 수집 궤적 방향에 수직되는 방향 상에 위치하며, 제2 타겟 프레임 포인트 클라우드의 초기 포즈는 제1 타겟 프레임 포인트 클라우드의 초기 포즈에 인접한다. 즉, 만약 타겟 영역에 대한 제1 포인트 클라우드 수집 궤적의 방향에 수직되는 방향을 가로 방향으로 기록하였다면, 가로 방향의 거리를 억제하는 것을 통해, 즉 기타 포인트 클라우드 수집 궤적에 대응하는 포인트 클라우드 데이터 중에서 제1 타겟 프레임 포인트 클라우드로부터 비교적 가까이하는 기타 프레임 포인트 클라우드를 검색하며, 예컨대, 직접적으로 또는 간접적으로 인접한 제2 타겟 프레임 포인트 클라우드를 검색하여, 동일한 하나의 세그먼트 도로를 거치는 포인트 클라우드의 최소 집합을 검색하며, 검색된 제2 타겟 프레임 포인트 클라우드와 제1 타겟 프레임 포인트 클라우드를 관련시키며. 그중, 제1 타겟 프레임 포인트 클라우드는 제1 포인트 클라우드 수집 궤적 상의 어느 하나의 프레임 포인트 클라우드일 수 있으며, 이러한 관련 방식을 가로 관련으로 칭할 수도 있다.

예를 들면, 타겟 영역의 포인트 클라우드 수집 궤적은, 2개의 포인트 클라우드 수집 궤적을 포함할 수 있으며, 각각 포인트 클라우드 수집 궤적 C1 및 포인트 클라우드 수집 궤적 C2이며, 포인트 클라우드 수집 궤적 C1을 토대로 타겟 도로 세그먼트에서 수집한 포인트 클라우드 데이터 중에, 포인트 클라우드 D1, 포인트 클라우드 D2 및 포인트 클라우드 D3이 포함될 수 있으며, 포인트 클라우드 수집 궤적 C2를 토대로 타겟 도로 세그먼트에서 수집한 포인트 클라우드 데이터 중에, 포인트 클라우드 E1, 포인트 클라우드 E2 및 포인트 클라우드 E3이 포함될 수 있으며, 포인트 클라우드 수집 궤적 C1 상의 어느 하나의 프레임 포인트 클라우드에 대해, 포인트 클라우드 수집 궤적 C2 상의 해당 프레임 포인트 클라우드의 수집 위치로부터 가장 가까이하는 기타 프레임 포인트 클라우드를 검색할 수 있으며, 만약 포인트 클라우드 D1과 포인트 클라우드 E1 사이의 거리가 비교적 가깝고, 포인트 클라우드 D2와 포인트 클라우드 E2 사이의 거리가 비교적 가까우며, 포인트 클라우드 D3과 포인트 클라우드 E3 사이의 거리가 비교적 가깝다면, 포인트 클라우드 D1과 포인트 클라우드 E1을 관련시키고, 포인트 클라우드 D2와 포인트 클라우드 E2를 관련시키며, 포인트 클라우드 D3과 포인트 클라우드 E3을 관련시켜, 6 프레임 포인트 클라우드 사이의 관련 관계를 획득할 수 있다.

그 외, 분포식 병렬화를 구현하고, 고정밀 지도 구축의 효율을 향상시키기 위해, 먼저 각 프레임 포인트 클라우드의 초기 포즈를 토대로 K 프레임 포인트 클라우드를 블록에 따라 분할하여, M의 블록을 획득할 수 있으며, 각 인접한 블록 사이에는 동일한 적어도 하나의 프레임 포인트 클라우드가 존재하며, 즉 인접한 블록에 위치한 포인트 클라우드는 중첩되어, 각 블록 사이에 데이터 관련이 존재하도록 보장한다. 각 블록에 대해, 시간 차원 및/또는 공간 차원 상에서 각 블록의 각 프레임 포인트 클라우드를 상호 관련시켜, 해당 블록 중 각 프레임 포인트 클라우드의 관련 관계를 구축할 수 있으며, 그후, 각 블록 사이의 데이터 관련 및 각 블록 내의 각 프레임 포인트 클라우드의 데이터 관련을 토대로, K 프레임 포인트 클라우드의 관련 관계를 구축하여, K 프레임 포인트 클라우드의 제1 포인트 클라우드 관계도를 획득할 수 있다.

단계 S103: 상기 제1 포인트 클라우드 관계도 및 상기 초기 포즈를 토대로, 상기 K 프레임 포인트 클라우드에 대해 포인트 클라우드 레지스트레이션을 진행하여, 상기 K 프레임 포인트 클라우드 중 각 프레임 포인트 클라우드의 타겟 상대적 포즈를 획득한다.

해당 단계에서, 포인트 클라우드 레지스트레이션은 포인트 클라우드 융합을 의미할 수 있으며, 즉 각 프레임 포인트 클라우드의 포즈를 최적화하여, 각 프레임 포인트 클라우드의 상대적 포즈를 획득하며, 각 프레임 포인트 클라우드의 상대적 포즈를 토대로 포인트 클라우드 융합을 진행하도록 하며, 즉, K 프레임 포인트 클라우드 중 각 프레임 포인트 클라우드 사이의 상대적 위치를 확정함으로써, 해당 상대적 위치를 토대로 각 프레임 포인트 클라우드에 대해 스플라이스를 진행하도록 하며, 따라서 포인트 클라우드 지도를 융합하여 획득한다.

제1 포인트 클라우드 관계도 및 각 프레임 포인트 클라우드의 초기 포즈를 토대로, 최대 사후 확률(Maximum A Posteriori，MAP) 또는 최대 우도 추정(Maximum Likelihood Estimation，MLE) 등의 방식으로, K 프레임 포인트 클라우드에 대해 포인트 클라우드 레지스트레이션을 진행하여, K 프레임 포인트 클라우드 중 각 프레임 포인트 클라우드의 타겟 상대적 포즈를 획득할 수 있다.

MAP를 예로 들면, 포인트 클라우드 레지스트레이션 즉 포인트 클라우드 융합의 융합 문제는 하나의 MAP 문제로 전환될 수 있으며, K 프레임 포인트 클라우드 중 각 프레임 포인트 클라우드의 초기 포즈를 MAP 문제의 선험적 확률(prior)로 하고, 제1 포인트 클라우드 관계도를 포인트 클라우드 사이의 레지스트레이션 측정 조건으로 할 수 있으며, 동시에 포인트 클라우드 사이의 레지스트레이션 최적화를 MAP 문제의 우도(likelihood)로 할 수 있다.

상술한 MAP 문제를 최적화하는 과정에서, 베이즈(Bayes) 구조를 이용하여, K 프레임 포인트 클라우드 중 각 프레임 포인트 클라우드를 하나의 노드로 하여, K 프레임 포인트 클라우드에 일일이 대응하는 K개의 노드를 획득할 수 있으며, 제1 포인트 클라우드 관계도에서 각 프레임 포인트 클라우드의 관련 관계를 K개의 노드의 엣지 제약으로 하며, 초기 포즈를 토대로 K개의 노드의 포즈에 대해 최적화를 진행한다. 그 외, 해당 MAP 문제는 하나의 비선형 최소 제곱 문제로 전환될 수 있으며, 동시에 비선형 최적화 라이브러리 Ceres를 사용하여 해당 비선형 최소 제곱 문제에 대해 중복으로 최적화를 진행하여, 최종적으로 K개의 노드 중 각 노드의 제1 상대적 포즈를 획득한다.

제1 상대적 포즈를 포인트 클라우드의 타겟 상대적 포즈로 확정할 수 있으며, 제1 상대적 포즈를 확정한 후, 제1 상대적 포즈를 토대로 K개의 노드 중 타겟 노드의 관련 관계를 확정하여, 타겟 노드의 엣지 제약으로 할 수도 있으며, 타겟 노드에 대해 계속하여 포즈 최적화를 진행하며, 최적화하여 획득한 타겟 노드의 상대적 포즈를 각 노드에 피드백하여, 최종적으로 포인트 클라우드의 타겟 상대적 포즈를 획득할 수 있으며, 그 구체적인 방식은 하기의 실시방식에서 설명하기로 하고, 여기서 이에 대해 구체적으로 한정하지 않기로 한다.

그 외, 포인트 클라우드 레지스트레이션 과정에서, 어느 측정은 단지 해당 측정 주변의 몇몇 상태에만 영향을 주며, 즉 하나의 프레임 포인트 클라우드는 단지 주변의 각 프레임 포인트 클라우드와만 관련되며, 즉, 단지 주변의 기타 프레임 포인트 클라우드에만 영향을 주기에, 포인트 클라우드 레지스트레이션 과정에서, K 프레임 포인트 클라우드를 복수 개의 부분으로 분할하여 분포식 병렬화를 진행하며, 고정밀 지도 구축의 효율을 향상시킬 수도 있다.

단계 S104: 상기 타겟 상대적 포즈를 토대로 상기 K 프레임 포인트 클라우드에 대해 스플라이스를 진행하여, 상기 타겟 영역의 포인트 클라우드 지도를 획득한다.

해당 단계에서, 각 프레임 포인트 클라우드의 타겟 상대적 포즈를 토대로, 해당 프레임 포인트 클라우드의 스플라이스 위치를 확정할 수 있으며, 해당 각 프레임 포인트 클라우드의 스플라이스 위치를 토대로 K 프레임 포인트 클라우드에 대해 스플라이스를 진행하여, 최종적으로 타겟 영역의 포인트 클라우드 지도를 획득할 수 있다.

본 개시의 실시예에서, 타겟 영역에 대해 수집한 포인트 클라우드 데이터를 획득하며, 상기 포인트 클라우드 데이터는, K 프레임 포인트 클라우드 및 각 프레임 포인트 클라우드의 초기 포즈를 포함하며; 상기 초기 포즈를 토대로 상기 K 프레임 포인트 클라우드를 상호 관련시켜, 상기 K 프레임 포인트 클라우드의 제1 포인트 클라우드 관계도를 획득하며; 상기 제1 포인트 클라우드 관계도 및 상기 초기 포즈를 토대로, 상기 K 프레임 포인트 클라우드에 대해 포인트 클라우드 레지스트레이션을 진행하여, 상기 K 프레임 포인트 클라우드 중 각 프레임 포인트 클라우드의 타겟 상대적 포즈를 획득하며; 및 상기 타겟 상대적 포즈를 토대로 상기 K 프레임 포인트 클라우드에 대해 스플라이스를 진행하여, 상기 타겟 영역의 포인트 클라우드 지도를 획득한다. 따라서, 제1 포인트 클라우드 관계도 및 초기 포즈를 토대로, K 프레임 포인트 클라우드에 대해 포인트 클라우드 레지스트레이션을 진행함으로써, 블록의 엣지 매칭(edge matching) 문제로 블록 전체가 이동하고 변형되는 것을 피할 수 있으며, 구축된 고정밀 지도의 품질을 향상시킨다.

선택적으로, 상기 초기 포즈를 토대로 상기 K 프레임 포인트 클라우드를 상호 관련시켜, 상기 K 프레임 포인트 클라우드의 제1 포인트 클라우드 관계도를 획득하는 단계는,

상기 초기 포즈를 토대로 상기 K 프레임 포인트 클라우드를 블록에 따라 분할하여, M개의 블록을 획득하는 단계 - 각 인접한 블록 사이에는 동일한 적어도 하나의 프레임 포인트 클라우드가 존재하며, M은 양의 정수임 -;

각 블록에 대해, 상기 블록 내의 각 프레임 포인트 클라우드를 상호 관련시켜, 상기 블록의 제2 포인트 클라우드 관계도를 획득하는 단계; 및

상기 동일한 적어도 하나의 프레임 포인트 클라우드를 토대로, 상기 M개의 블록의 M개의 상기 제2 포인트 클라우드 관계도를 상호 관련시켜, 상기 제1 포인트 클라우드 관계도를 획득하는 단계; 를 포함한다.

본 개시의 실시방식에서, 먼저 각 프레임 포인트 클라우드의 초기 포즈를 토대로 K 프레임 포인트 클라우드를 블록에 따라 분할하여, M개의 블록을 획득할 수 있으며, 각 인접한 블록 사이에는 동일한 적어도 하나의 프레임 포인트 클라우드가 존재하며, 즉 인접한 블록에 위치한 포인트 클라우드는 중첩되어, 각 블록 사이에 데이터 관련이 존재하도록 보장한다.

구체적으로, 블록을 분할하였을 경우, 블록은 하나의 세스먼트의 지역을 표현할 수 있으며, 즉 해당 지역 내에서 수집한 각 프레임 포인트 클라우드를 하나의 블록으로 분할할 수 있다. 통상적으로 1km의 지역으로 블록을 분할할 수 있으며, 블록의 크기 및 수집된 현재 프레임 포인트 클라우드의 초기 포즈에 따라, 현재 프레임 포인트 클라우드가 어느 블록 내에 위치하는지를 확정할 수 있다.

인접한 블록 사이의 데이터 관련을 보장하기 위해, 블록의 엣지에 위치하며, 또한 동일한 하나의 세그먼트 도로에서 수집한 각 프레임 포인트 클라우드를 모두 인접한 블록으로 분할할 수 있으며, 인접한 블록은, 해당 세그먼트 도로에서 수집한 동일한 적어도 하나의 프레임 포인트 클라우드를 모두 포함한다.

각 블록에 대해, 시간 차원 및/또는 공간 차원 상에서 각 블록의 각 프레임 포인트 클라우드를 상호 관련시켜, 해당 블록 중 각 프레임 포인트 클라우드의 관련 관계를 구축하고, 상기 블록에 대응하는 제2 포인트 클라우드 관계도를 획득할 수 있다.

해당 제2 포인트 클라우드 관계도는 하나의 블록 내의 각 프레임 포인트 클라우드 사이의 관련 관계를 나타낼 수 있으며, 제2 포인트 클라우드 관계도의 표현 형태는 k-dimensional 트리(kd-tree)일 수 있고, 노드 그래프일 수도 있으며, 여기서 이에 대해 구체적으로 한정하지 않기로 한다.

그리고, 각 블록 사이의 데이터 관련 및 각 블록 내의 각 프레임 포인트 클라우드의 데이터 관련을 토대로, K 프레임 포인트 클라우드의 관련 관계를 구축하여, K 프레임 포인트 클라우드의 제1 포인트 클라우드 관계도를 획득할 수 있다. 예컨대, K 프레임 포인트 클라우드를 2개의 블록으로 분할하며, 각각 블록 A 및 블록 B이며, 블록 A 내에 3 프레임 포인트 클라우드가 포함되어 있으며, 각각 포인트 클라우드 A1, A2 및 A3이며, A1은 A2와 관련되고, A2는 A3과 관련되며, 블록 B 내에도 3 프레임 포인트 클라우드가 포함되어 있으며, 각각 포인트 클라우드 A1, B2 및 B3이며, A1은 B2와 관련되고, B2는 B3과 관련되며, 블록 A와 블록 B의 데이터 관련(즉 포인트 클라우드 A1) 및 각 블록 내의 데이터 관련을 토대로, K 프레임 포인트 클라우드의 관련 관계는, A1은 A2와 관련되고, A2는 A3과 관련되며, A1은 B2와 관련되고, B2는 B3과 관련되는 것이다.

본 개시의 실시방식에서, 상기 초기 포즈를 토대로 상기 K 프레임 포인트 클라우드를 블록에 따라 분할하여, M개의 블록을 획득하며, 각 인접한 블록 사이에는 동일한 적어도 하나의 프레임 포인트 클라우드가 존재하며; 각 블록에 대해, 상기 블록 내의 각 프레임 포인트 클라우드를 상호 관련시켜, 상기 블록의 제2 포인트 클라우드 관계도를 획득하며; 상기 동일한 적어도 하나의 프레임 포인트 클라우드를 토대로, 상기 M개의 블록의 M개의 상기 제2 포인트 클라우드 관계도를 상호 관련시켜, 상기 제1 포인트 클라우드 관계도를 획득한다. 따라서, 블록에 대해 데이터 관련을 토대로 분포식 병렬화를 진행할 수 있으며, 고정밀 지도 구축의 자동화 효율 및 고정밀 지도의 생산 규모를 향상시킬 수 있다.

선택적으로, 상기 초기 포즈를 토대로 상기 K 프레임 포인트 클라우드를 블록에 따라 분할하여, M개의 블록을 획득하는 단계는,

상기 초기 포즈를 토대로 상기 K 프레임 포인트 클라우드를 타겟 서브 궤적에 따라 분할하여, N개의 서브 블록을 획득하는 단계 - 하나의 서브 블록은, 하나의 타겟 서브 궤적 상에서 수집한 각 프레임 포인트 클라우드를 포함하며, 상기 타겟 서브 궤적은, 상기 타겟 영역에 대한 L개의 포인트 클라우드 수집 궤적 중 어느 하나의 포인트 클라우드 수집 궤적 상의 하나의 세그먼트의 연속된 궤적이며, 하나의 포인트 클라우드 수집 궤적은, 연속된 적어도 하나의 상기 타겟 서브 궤적을 포함하며, L는 양의 정수이고, N은 1보다 큰 정수임 -; 및

상기 N개의 서브 블록을 각 서브 블록의 위치 관계에 따라 분할하여, 상기 M개의 블록을 획득하는 단계 - 하나의 블록은, 기설정 크기 공간 내의 서브 블록을 포함하며, 제1 블록과 제2 블록 내에는 적어도 일부 서브 블록이 상이하며, 상기 제1 블록은 상기 M개의 블록 중 어느 하나의 블록이며, 상기 제2 블록은 상기 M개의 블록 중 상기 제1 블록과 상이한 블록임 -; 를 포함한다.

본 개시의 실시방식에서, K 프레임 포인트 클라우드를 타겟 서브 궤적에 따라 분할할 수 있으며, 구체적으로 타겟 영역의 L개의 포인트 클라우드 수집 궤적 중 각 하나의 포인트 클라우드 수집 궤적에 대해, 해당 포인트 클라우드 수집 궤적을 연속된 적어도 하나의 타겟 서브 궤적으로 분할할 수 있으며, 각 타겟 서브 궤적 상에서 수집한 각 프레임 포인트 클라우드를 하나의 서브 블록으로 분할하여, N개의 서브 블록을 획득한다.

예컨대, 타겟 영역의 하나의 포인트 클라우드 수집 궤적에 대해, 어느 거리(예컨대, 10m 내지 15m)에 따라 해당 포인트 클라우드 수집 궤적을 복수 개의 타겟 서브 궤적으로 분할할 수 있으며, 각 세그먼트의 연속된 타겟 서브 궤적 범위 내에서 수집한 몇몇 프레임 포인트 클라우드의 집합을 서브 블록으로 기록한다. 그중, 해당 타겟 서브 궤적의 센터에서 수집한 하나의 프레임 포인트 클라우드를 관건 포인트 클라우드 프레임으로 칭할 수 있다.

그 후, 각 서브 블록의 위치 관계에 따라 각 서브 블록을 분할하여, M개의 블록을 획득할 수 있으며, 구체적으로 공간 상에서 가장 가까이하는 몇몇 서브 블록의 집합을 블록으로 확정할 수 있으며, 예컨대, 흔히 볼 수 있는 직선 도로 시나리오에서, 블록은, 각각의 포인트 클라우드 수집 궤적 라인이 해당 위치에서의 서브 블록을 포함하며, 길목 시나리오에서, 블록은, 해당 길목 근처의 서브 블록을 포함하며, 이로서 구축된 블록이 연통성을 유지할 수 있도록 한다.

본 개시의 실시방식에서, 상기 초기 포즈를 토대로 상기 K 프레임 포인트 클라우드를 타겟 서브 궤적에 따라 분할하여, N개의 서브 블록을 획득하는 단계 - 하나의 서브 블록은, 하나의 타겟 서브 궤적 상에서 수집한 각 프레임 포인트 클라우드를 포함하며, 상기 타겟 서브 궤적은, 상기 타겟 영역에 대한 L개의 포인트 클라우드 수집 궤적 중 어느 하나의 포인트 클라우드 수집 궤적 상의 하나의 세그먼트의 연속된 궤적이며, 하나의 포인트 클라우드 수집 궤적은, 연속된 적어도 하나의 상기 타겟 서브 궤적을 포함함 -; 및 상기 N개의 서브 블록을 각 서브 블록의 위치 관계에 따라 분할하여, 상기 M개의 블록을 획득하는 단계 - 하나의 블록은, 기설정 크기 공간 내의 서브 블록을 포함하며, 제1 블록과 제2 블록 내에는 적어도 일부 서브 블록이 상이하며, 상기 제1 블록은 상기 M개의 블록 중 어느 하나의 블록이며, 상기 제2 블록은 상기 M개의 블록 중 상기 제1 블록과 상이한 블록임 -; 를 통해, 구축된 블록이 연통성을 유지할 수 있도록 하여, 구축된 고정밀 지도의 품질을 보장할 수 있다.

그리고, 후속으로 포인트 클라우드 레지스트레이션 과정에서, 포인트 클라우드 프레임, 서브 블록 및 블록 이 3층의 데이터 구조에 따라, 계층적인 포인트 클라우드의 포즈 최적화를 진행할 수 있으며, 즉 먼저 포인트 클라우드 프레임에 대해 포즈 최적화를 진행하고, 그 후, 계층별로 위쪽으로 전파할 수 있으며, 최적화하여 획득한 제3 타겟 프레임 포인트 클라우드(예컨대, 서브 블록의 관건 포인트 클라우드 프레임)의 상대적 포즈를 토대로 각 제3 타겟 프레임 포인트 클라우드의 관련 관계를 확정하여, 서브 블록 사이의 엣지 제약으로 하며, 제3 타겟 프레임 포인트 클라우드의 포즈 최적화를 계속 진행하여, 일부 포인트 클라우드 프레임의 상대적 포즈를 정정하며, 상층으로 전파하는 과정에서, 각 프레임 포인트 클라우드에 대한 모디파이어(modifier)가 일정한 임계치보다 작을 때, 상층에서 최적화하여 획득한 각 프레임 포인트 클라우드의 상대적 포즈를 아래로 전파하여, 하층의 각 프레임 포인트 클라우드에 피드백하며, 최종적으로 K 프레임 포인트 클라우드 중 각 프레임 포인트 클라우드의 타겟 상대적 포즈를 획득할 수 있으며, 따라서 계층적인 포즈 최적화를 구현하고, 더 나아가 포인트 클라우드 레지스트레이션의 정확도를 향상시키고, 포인트 클라우드 융합의 효과를 향상시킬 수 있다.

선택적으로, 상기 블록 내의 각 프레임 포인트 클라우드를 상호 관련시켜, 상기 블록의 제2 포인트 클라우드 관계도를 획득하는 단계는,

상기 블록 내의 각 프레임 포인트 클라우드에 대해, 상기 블록 내의 상기 포인트 클라우드와의 거리가 기설정 범위 내에 있는 기타 포인트 클라우드를 상호 관련시켜, 상기 제2 포인트 클라우드 관계도를 획득하는 단계;

상기 타겟 영역의 어느 하나의 포인트 클라우드 수집 궤적에 대해, 상기 포인트 클라우드 수집 궤적의 방향에 따라, 상기 블록 내의 상기 포인트 클라우드 수집 궤적을 토대로, 인접한 시간에 수집한 각 프레임 포인트 클라우드를 상호 관련시켜, 상기 제2 포인트 클라우드 관계도를 획득하는 단계; 및

상기 블록 내의 제1 포인트 클라우드 수집 궤적을 토대로 수집한 제1 타겟 프레임 포인트 클라우드 및 상기 블록 내의 제2 포인트 클라우드 수집 궤적을 토대로 수집한 제2 타겟 프레임 포인트 클라우드를 상호 관련시켜, 제2 포인트 클라우드 관계도를 획득하는 단계 - 상기 제1 포인트 클라우드 수집 궤적 및 상기 제2 포인트 클라우드 수집 궤적은, 상기 타겟 영역에 대한 상이한 포인트 클라우드 수집 궤적이며, 상기 제2 타겟 프레임 포인트 클라우드는 상기 제1 포인트 클라우드 수집 궤적 방향에 수직되는 방향 상에 위치하며, 상기 제2 타겟 프레임 포인트 클라우드의 초기 포즈는 상기 제1 타겟 프레임 포인트 클라우드의 초기 포즈에 인접함 -; 중 적어도 하나를 포함한다.

본 개시의 실시방식에서, 데이터 관련을 진행할 경우에는 블록을 범위로 하여, 블록 내의 각 프레임 포인트 클라우드를 상호 관련시키며, 시간 차원 및/또는 공간 차원 상에서 블록 내의 각 프레임 포인트 클라우드를 상호 관련시킬 수도 있으며, 블록 내의 각 프레임 포인트 클라우드의 관련 관계를 구축하여, 제2 포인트 클라우드 관계도를 획득한다.

그 관련 방식은 K 프레임 포인트 클라우드를 하나의 전체로 데이터 관련을 진행하는 방식과 유사하며, 동일하게 세로 관련, 가로 관련 및 공간 거리를 토대로 포인트 클라우드를 관련시키는 방식을 포함할 수 있으며, 여기서 이에 대해 상세하게 기술하지 않기로 한다.

본 개시의 실시방식에서, K 프레임 포인트 클라우드를 블록으로 분할하고, 블록에 대해, 블록 내의 각 프레임 포인트 클라우드에 대해 데이터 관련을 진행하는 것을 통해, 데이터 관련이 분포식 병렬화를 진행할 수 있도록 하며, 고정밀 지도 구축의 자동화 효율을 크게 향상시킬 수 있으며, 고정밀 지도의 생산 규모를 향상시킬 수 있으며, 고정밀 지도의 생산의 규모화를 구현한다.

선택적으로, 상기 제1 포인트 클라우드 관계도 및 상기 초기 포즈를 토대로, 상기 K 프레임 포인트 클라우드에 대해 포인트 클라우드 레지스트레이션을 진행하여, 상기 K 프레임 포인트 클라우드 중 각 프레임 포인트 클라우드의 타겟 상대적 포즈를 획득하는 단계는,

상기 K 프레임 포인트 클라우드 중 각 프레임 포인트 클라우드를 하나의 노드로 하여, 상기 K 프레임 포인트 클라우드에 일일이 대응하는 K개의 노드를 획득하는 단계;

상기 제1 포인트 클라우드 관계도에서 각 프레임 포인트 클라우드의 관련 관계를 상기 K개의 노드의 엣지 제약으로 하고, 상기 초기 포즈를 토대로 상기 K개의 노드의 포즈에 대해 최적화를 진행하여, 상기 K개의 노드 중 각 노드의 제1 상대적 포즈를 획득하는 단계; 및

상기 K개의 노드 중 각 노드의 제1 상대적 포즈를 토대로, 상기 K 프레임 포인트 클라우드 중 각 프레임 포인트 클라우드의 타겟 상대적 포즈를 확정하는 단계; 를 포함한다.

본 개시의 실시방식에서, MAP를 채용하여 K 프레임 포인트 클라우드에 대해 포인트 클라우드 레지스트레이션을 진행하여, K 프레임 포인트 클라우드 중 각 프레임 포인트 클라우드의 타겟 상대적 포즈를 획득할 수 있다.

구체적으로, 포인트 클라우드 레지스트레이션 즉 포인트 클라우드 융합의 융합 문제는 하나의 MAP 문제로 전환될 수 있으며, K 프레임 포인트 클라우드 중 각 프레임 포인트 클라우드의 초기 포즈를 MAP 문제의 선험적 확률(prior)로 하고, 제1 포인트 클라우드 관계도를 포인트 클라우드 사이의 레지스트레이션 측정 조건으로 할 수 있으며, 동시에 포인트 클라우드 사이의 레지스트레이션 최적화를 MAP 문제의 우도(likelihood)로 할 수 있다.

상술한 MAP 문제를 최적화하는 과정에서, 베이즈(Bayes) 구조를 이용하여, K 프레임 포인트 클라우드 중 각 프레임 포인트 클라우드를 하나의 노드로 하여, K 프레임 포인트 클라우드에 일일이 대응하는 K개의 노드를 획득할 수 있으며, 제1 포인트 클라우드 관계도에서 각 프레임 포인트 클라우드의 관련 관계를 K개의 노드의 엣지 제약으로 하며, 초기 포즈를 토대로 K개의 노드의 포즈에 대해 최적화를 진행한다. 도 2에 도시된 바와 같이, 각 프레임 포인트 클라우드에 대해 모두 하나의 노드(201)를 구축하여, K개의 노드를 획득할 수 있으며, 제1 포인트 클라우드 관계도에서 각 프레임 포인트 클라우드의 관련 관계를 토대로, K개의 노드의 연결 엣지(202)를 구축할 수 있으며, 그 후, 각 프레임 포인트 클라우드의 초기 포즈를 토대로 K개의 노드의 포즈에 대해 최적화를 진행하여, K개의 노드 중 각 노드의 제1 상대적 포즈를 획득할 수 있다.

그 외, 해당 MAP 문제는 하나의 비선형 최소 제곱 문제로 전환될 수 있으며, 동시에 비선형 최적화 라이브러리 Ceres를 사용하여 해당 비선형 최소 제곱 문제에 대해 중복으로 최적화를 진행하여, 최종적으로 K개의 노드 중 각 노드의 제1 상대적 포즈를 획득한다.

서브 블록을 분할하였을 경우, 먼저 서브 블록 내의 노드 포즈에 대해 최적화를 진행할 수 있으며, 즉 각 서브 블록 내에서 각 프레임 포인트 클라우드의 포즈 최적화를 진행하며, 그 후, 서브 블록 간의 관련 작용을 하는 노드(도 2에서 도시한 노드(203)) 포즈에 대해 최적화를 진행하며, 즉 서브 블록 사이에서 각 프레임 포인트 클라우드의 포즈 최적화를 진행하여, 최종적으로 K개의 노드 중 각 노드의 제1 상대적 포즈를 획득한다. 이로서, 분포식 병렬화의 실행을 구현할 수 있다.

본 개시의 실시방식에서, 상기 K 프레임 포인트 클라우드 중 각 프레임 포인트 클라우드를 하나의 노드로 하여, 상기 K 프레임 포인트 클라우드에 일일이 대응하는 K개의 노드를 획득하는 단계; 상기 제1 포인트 클라우드 관계도에서 각 프레임 포인트 클라우드의 관련 관계를 상기 K개의 노드의 엣지 제약으로 하고, 상기 초기 포즈를 토대로 상기 K개의 노드의 포즈에 대해 최적화를 진행하여, 상기 K개의 노드 중 각 노드의 제1 상대적 포즈를 획득하는 단계; 및 상기 K개의 노드 중 각 노드의 제1 상대적 포즈를 토대로, 상기 K 프레임 포인트 클라우드 중 각 프레임 포인트 클라우드의 타겟 상대적 포즈를 확정하는 단계; 를 통해, K 프레임 포인트 클라우드의 포인트 클라우드 레지스트레이션을 구현할 수 있고, 지도 스플라이스를 구현한다.

선택적으로, 상기 K 프레임 포인트 클라우드를 M개의 블록으로 분할하고, 각 블록은, N개의 서브 블록을 포함하며, 상기 K개의 노드 중 각 노드의 제1 상대적 포즈를 토대로, 상기 K 프레임 포인트 클라우드 중 각 프레임 포인트 클라우드의 타겟 상대적 포즈를 확정하는 단계는,

상기 K개의 노드 중의 P개의 타겟 노드를 획득하는 단계 - 상기 타겟 노드는, 상기 서브 블록 중 제3 타겟 프레임 포인트 클라우드에 대응하는 노드이며, P는 1보다 큰 정수임 -;

상기 P개의 타겟 노드 중 각 노드의 제1 상대적 포즈를 토대로 확정한 P개의 타겟 노드 사이의 관련 관계를 상기 P개의 타겟 노드의 엣지 제약으로 하고, 상기 P개의 타겟 노드의 초기 포즈를 토대로 상기 P개의 타겟 노드의 포즈에 대해 최적화를 진행하여, 상기 P개의 타겟 노드 중 각 타겟 노드의 제2 상대적 포즈를 획득하는 단계; 및

상기 P개의 타겟 노드 중 각 타겟 노드의 제2 상대적 포즈를 토대로, 상기 K 프레임 포인트 클라우드 중 각 프레임 포인트 클라우드의 타겟 상대적 포즈를 확정하는 단계; 를 포함한다.

본 개시의 실시방식에서, 타겟 노드는 서브 블록 중 제3 타겟 프레임 포인트 클라우드에 대응하는 노드일 수 있으며, 제3 타겟 프레임 포인트 클라우드는 서브 블록 중 어느 하나의 프레임 포인트 클라우드일 수 있으며, 서브 블록 중의 관건 프레임 포인트 클라우드일 수도 있다.

예컨대, K개의 노드 중에서 서브 블록 중 관건 프레임 포인트 클라우드에 대응하는 타겟 노드를 필터링하여, P개의 타겟 노드를 획득할 수 있다.

포인트 클라우드 레지스트레이션 과정에서, 어느 측정은 단지 해당 측정 주변의 몇몇 상태에만 영향을 주며, 즉 하나의 프레임 포인트 클라우드는 단지 주변의 각 프레임 포인트 클라우드와만 관련되며, 즉, 단지 주변의 기타 프레임 포인트 클라우드에만 영향을 주기에, 포인트 클라우드 레지스트레이션 과정에서, K 프레임 포인트 클라우드를 복수 개의 부분으로 분할하여 분포식 병렬화를 진행할 수도 있다.

동시에, 계층적인 최적화 구조를 구축할 수 있으며, 먼저 바닥 층에서 포즈 최적화를 진행하여, K개의 노드 중 각 노드의 제1 상대적 포즈를 획득하며, 즉 먼저 포인트 클라우드 프레임에 대해 포즈 최적화를 진행하고, 그 후, 계층별로 위쪽으로 전파할 수 있으며, 제1 상대적 포즈의 제약을 지도 중의 엣지의 사후 부분으로 할 수 있으며, 즉 최적화하여 획득한 타겟 노드 즉 제3 타겟 프레임 포인트 클라우드(예컨대, 서브 블록의 관건 포인트 클라우드 프레임)의 상대적 포즈를 토대로 각 제3 타겟 프레임 포인트 클라우드 즉 각 타겟 노드의 관련 관계를 확정하여, 상층 포인트 클라우드 프레임 사이의 엣지 제약으로 하며, 제3 타겟 프레임 포인트 클라우드의 포즈 최적화를 계속 진행하여, 일부 포인트 클라우드 프레임의 상대적 포즈를 정정하여, P개의 타겟 노드 중 각 노드의 제2 상대적 포즈를 획득하며, 상층으로 전파하는 과정에서, 각 프레임 포인트 클라우드에 대한 모디파이어가 일정한 임계치보다 작을 때, 위쪽으로 전파하는 것을 정지할 수 있다.

도 3에 도시된 바와 같이, 왼쪽 도면은 바닥 층의 노드 그래프이며, 해당 노드 그래프는 복수 개의 서브 블록(301)을 포함할 수 있으며, 서브 블록 내에, 관건 프레임 포인트 클라우드에 대응하는 타겟 노드(302)(루트 노드(rootnode)로 칭할 수 있음) 및 기타 프레임 포인트 클라우드에 대응하는 노드(303)(서브 노드로 칭할 수 있음)가 포함될 수 있다. 오른쪽 도면은 바닥 층에 상대된 상층의 노드 그래프이며, 해당 노드 그래프는, 각 서브 블록 중의 루트 노드를 포함할 수 있으며, 바닥 층에 대해 최적화하여 각 노드의 제1 상대적 포즈를 획득한 후, P개의 타겟 노드 중 각 노드의 제1 상대적 포즈를 토대로 P개의 타겟 노드 사이의 관련 관계를 확정하여, P개의 타겟 노드 사이의 연결 엣지(304)로 할 수 있다.

최종적으로 정정하여 획득한 일부 포인트 클라우드 프레임의 상대적 포즈 및 바닥 층의 정정하지 않은 포인트 클라우드 프레임의 제1 상대적 포즈를 중첩하여, K 프레임 포인트 클라우드 중 각 포인트 클라우드의 타겟 상대적 포즈를 획득할 수 있다. 상층에서 최적화하여 획득한 각 프레임 포인트 클라우드의 상대적 포즈를 아래로 전파하여, 하층의 각 프레임 포인트 클라우드에 피드백하며, 최종적으로 K 프레임 포인트 클라우드 중 각 프레임 포인트 클라우드의 타겟 상대적 포즈를 획득할 수도 있으며, 이로서, 바닥 층으로부터 상층으로(bottom-to-top), 상층으로부터 바닥 층으로(top-to-bottom)의 계층적인 중복 최적화 방식을 구성하였으며, 이러한 최적화 모드는 새로운 데이터의 신속한 추가를 구현할 수 있으며, 새로운 데이터는 단지 새로 추가된 지도 부분 및 그 상층 부분과 같이 지도에 관련된 부분만을 업데이트함으로써, 병렬화 분포식 실행에 용이하고, 증분식으로 데이터를 증가하는데 용이하다.

그중, 계층을 분할할 경우, 서브 영역이 작은 것으로부터 큰 것에 따라 분할할 수 있으며, 바닥 층 포인트 클라우드 프레임에 대응하는 서브 영역이 가장 작으며, 분할된 층수는 한정되지 않을 수 있으며, 본 개시의 실시방식에서, 포인트 클라우드 프레임, 서브 블록 및 블록 이 3층의 데이터 구조에 따라, 계층적인 포인트 클라우드의 포즈 최적화를 진행할 수도 있으며, 따라서 계층적인 포즈 최적화를 구현하고, 더 나아가 포인트 클라우드 레지스트레이션의 정확도를 향상시키고, 포인트 클라우드 융합의 효과를 향상시킬 수 있다.

선택적으로, 상기 P개의 타겟 노드 중 각 타겟 노드의 제2 상대적 포즈를 토대로, 상기 K 프레임 포인트 클라우드 중 각 프레임 포인트 클라우드의 타겟 상대적 포즈를 확정하는 단계는,

타겟 차이 값이 기설정 임계치보다 작은 경우, 상기 P개의 타겟 노드 중 각 타겟 노드의 제2 상대적 포즈 및 상기 K개의 노드의 초기 포즈를 토대로, 상기 K개의 노드의 포즈에 대해 최적화를 진행하여, 상기 K 프레임 포인트 클라우드 중 각 프레임 포인트 클라우드의 타겟 상대적 포즈를 획득하는 단계; 를 포함하며,

그중, 상기 타겟 차이 값은, 상기 P개의 타겟 노드의 P개의 제2 상대적 포즈 및 상기 P개의 타겟 노드의 P개의 제1 상대적 포즈 사이의 차이 값이다.

본 개시의 실시방식에서, 타겟 차이 값은, 상기 P개의 타겟 노드의 P개의 제2 상대적 포즈 및 상기 P개의 타겟 노드의 P개의 제1 상대적 포즈 사이의 차이 값일 수 있으며, 즉 상층 포즈 최적화가 하층 포즈 최적화에 대한 각 노드 사이의 포즈 모디파이어이며, 해당 타겟 차이 값은 P개의 차이 값의 합일 수 있고, P개의 차이 값의 평균치일 수도 있으며, 하나의 타겟 노드에 대해, 해당 차이 값은, 해당 타겟 노드의 제2 상대적 포즈 및 해당 타겟 노드의 제1 상대적 포즈 사이의 차이 값을 나타낼 수 있으며, 여기서 이에 대해 구체적으로 한정하지 않기로 한다.

해당 기설정 임계치는 실제 상황에 따라 설정할 수 있으며, 통상적으로 비교적 작게 설정하여, 정정의 효과를 보장한다.

모디파이어가 기설정 임계치보다 작은 경우, P개의 타겟 노드 중 각 타겟 노드의 제2 상대적 포즈 및 K개의 노드의 초기 포즈를 토대로 K개의 노드의 포즈에 대해 최적화를 진행하여, K 프레임 포인트 클라우드 중 각 프레임 포인트 클라우드의 타겟 상대적 포즈를 획득할 수 있으며, 구체적으로 P개의 타겟 노드 중 각 타겟 노드의 제2 상대적 포즈를 토대로, 서브 블록 사이의 각 프레임 포인트 클라우드의 엣지와 같은 하층 노드의 엣지를 최적화할 수 있으며, 그 후, 최적화된 엣지를 엣지 제약으로 하며, K개의 노드의 초기 포즈를 토대로 K개의 노드의 포즈에 대해 최적화를 진행한다. 즉 상층에서 최적화하여 획득한 각 프레임 포인트 클라우드의 상대적 포즈를 아래로 전파하여, 하층의 각 프레임 포인트 클라우드에 피드백하며, 최종적으로 K 프레임 포인트 클라우드 중 각 프레임 포인트 클라우드의 타겟 상대적 포즈를 획득한다.

이로서, 바닥 층으로부터 상층으로(bottom-to-top), 상층으로부터 바닥 층으로(top-to-bottom)의 계층적인 중복 최적화 방식을 구성하였으며, 이러한 최적화 모드는 새로운 데이터의 신속한 추가를 구현할 수 있으며, 새로운 데이터는 단지 새로 추가된 지도 부분 및 그 상층 부분과 같이 지도에 관련된 부분만을 업데이트함으로써, 병렬화 분포식 실행에 용이하고, 증분식으로 데이터를 증가하는데 용이하다. 따라서, 대규모적인 포인트 클라우드 재구축 시나리오에 적용될 수 있으며, 분포식 클라우드 컴퓨팅 시스템에 용이하게 배치될 수 있으며, 입체 교차로, 고속 및 도시 도로 등등을 포함한 다양한 시나리오에 적용될 수 있다.

선택적으로, 상기 초기 포즈를 토대로 상기 K개의 노드의 포즈에 대해 최적화를 진행하여, 상기 K개의 노드 중 각 노드의 제1 상대적 포즈를 획득하기 전에, 상기 방법은,

상기 타겟 영역에 대한 L개의 포인트 클라우드 수집 궤적의 타겟 표고 값을 획득하는 단계; 를 더 포함하며,

상기 초기 포즈를 토대로 상기 K개의 노드의 포즈에 대해 최적화를 진행하여, 상기 K개의 노드 중 각 노드의 제1 상대적 포즈를 획득하는 단계는,

상기 타겟 표고 값을 상대적 포즈 중 표고 평균치의 제약으로 하고, 상기 초기 포즈를 토대로 상기 K개의 노드의 포즈에 대해 최적화를 진행하여, 상기 K개의 노드 중 각 노드의 제1 상대적 포즈를 획득하는 단계; 를 포함한다.

본 개시의 실시방식에서, 타겟 표고 값은, 타겟 영역에 대한 L개의 포인트 클라우드 수집 궤적의 표고 값일 수 있으며, 수집된 각 프레임 포인트 클라우드가 위치한 위치 표고 값을 나타낼 수 있다.

L이 1과 같은 경우, 타겟 영역의 포인트 클라우드 수집 궤적의 표고 값은 타겟 표고 값이다. 일부 시나리오에서, GPS 후처리로 검색된 위성은 일부가 차단되었을 수 있으며, 초기 포지셔닝은 일부 표고를 랜덤으로 산생시키고, 타겟 영역에 대해 통상적으로 복수 개의 포인트 클라우드 수집 궤적을 수집하며, 수집된 데이터가 해당 타겟 영역을 완전히 커버리지할 수 있도록 하며, 따라서 복수 개의 포인트 클라우드 수집 궤도의 표고 값을 투표로 선택하여, 포인트 클라우드 수집 궤적의 최적의 높이를 확정할 수 있으며, 해당 최적의 높이는 타겟 표고 값이며, 상응하게, 수집된 각 프레임 포인트 클라우드가 위치한 위치 표고 값을 대략적으로 확정할 수 있다.

그 후, 상기 타겟 표고 값을 상대적 포즈 중 표고 평균치의 제약으로 할 수 있으며, 구체적으로 가우스 분포(Gaussian distribution)를 사용하여 포즈 중 표고 값의 선험적 확률 가중치를 구축할 수 있으며, 최적의 높이를 가우스의 평균치로 하고, 상기 초기 포즈를 토대로 상기 K개의 노드의 포즈에 대해 최적화를 진행하여, 상기 K개의 노드 중 각 노드의 제1 상대적 포즈를 획득한다. 이로서, 포즈가 드리프트(drift)할 때 포즈 표고 드리프트의 선험적 확률 가중치를 감소할 수 있으며, 포즈 표고 드리프트가 포즈 최적화에 대한 잘못된 영향을 피하며, 포인트 클라우드의 융합 효과를 현저하게 향상시킬 수 있다.

제2 실시예

도 4에 도시된 바와 같이, 본 개시의 실시예는 고정밀 지도 구축 장치(400)를 제공하며, 상기 장치(400)는,

타겟 영역에 대해 수집한 포인트 클라우드 데이터를 획득하기 위한 제1 획득 모듈(401) - 상기 포인트 클라우드 데이터는, K 프레임 포인트 클라우드 및 각 프레임 포인트 클라우드의 초기 포즈를 포함하며, K는 1보다 큰 정수임 -;

상기 초기 포즈를 토대로 상기 K 프레임 포인트 클라우드를 상호 관련시켜, 상기 K 프레임 포인트 클라우드의 제1 포인트 클라우드 관계도를 획득하기 위한 관련 모듈(402);

상기 제1 포인트 클라우드 관계도 및 상기 초기 포즈를 토대로, 상기 K 프레임 포인트 클라우드에 대해 포인트 클라우드 레지스트레이션을 진행하여, 상기 K 프레임 포인트 클라우드 중 각 프레임 포인트 클라우드의 타겟 상대적 포즈를 획득하기 위한 포인트 클라우드 레지스트레이션 모듈(403); 및

상기 타겟 상대적 포즈를 토대로 상기 K 프레임 포인트 클라우드에 대해 스플라이스를 진행하여, 상기 타겟 영역의 포인트 클라우드 지도를 획득하기 위한 스플라이스 모듈(404); 을 포함한다.

선택적으로, 상기 관련 모듈(402)은,

상기 초기 포즈를 토대로 상기 K 프레임 포인트 클라우드를 블록에 따라 분할하여, M개의 블록을 획득하기 위한 블록 분할 서브 모듈 - 각 인접한 블록 사이에는 동일한 적어도 하나의 프레임 포인트 클라우드가 존재하며, M은 양의 정수임 -;

각 블록에 대해, 상기 블록 내의 각 프레임 포인트 클라우드를 상호 관련시켜, 상기 블록의 제2 포인트 클라우드 관계도를 획득하기 위한 제1 관련 서브 모듈; 및

상기 동일한 적어도 하나의 프레임 포인트 클라우드를 토대로, 상기 M개의 블록의 M개의 상기 제2 포인트 클라우드 관계도를 상호 관련시켜, 상기 제1 포인트 클라우드 관계도를 획득하기 위한 제2 관련 서브 모듈; 을 포함한다.

선택적으로, 상기 블록 분할 서브 모듈은, 구체적으로,

상기 초기 포즈를 토대로 상기 K 프레임 포인트 클라우드를 타겟 서브 궤적에 따라 분할하여, N개의 서브 블록을 획득하기 위한 것이며, 하나의 서브 블록은, 하나의 타겟 서브 궤적 상에서 수집한 각 프레임 포인트 클라우드를 포함하며, 상기 타겟 서브 궤적은, 상기 타겟 영역에 대한 L개의 포인트 클라우드 수집 궤적 중 어느 하나의 포인트 클라우드 수집 궤적 상의 하나의 세그먼트의 연속된 궤적이며, 하나의 포인트 클라우드 수집 궤적은, 연속된 적어도 하나의 상기 타겟 서브 궤적을 포함하며, L는 양의 정수이고, N은 1보다 큰 정수이며;

상기 N개의 서브 블록을 각 서브 블록의 위치 관계에 따라 분할하여, 상기 M개의 블록을 획득하기 위한 것이며, 하나의 블록은, 기설정 크기 공간 내의 서브 블록을 포함하며, 제1 블록과 제2 블록 내에는 적어도 일부 서브 블록이 상이하며, 상기 제1 블록은 상기 M개의 블록 중 어느 하나의 블록이며, 상기 제2 블록은 상기 M개의 블록 중 상기 제1 블록과 상이한 블록이다.

선택적으로, 상기 제1 관련 서브 모듈은, 구체적으로,

상기 블록 내의 각 프레임 포인트 클라우드에 대해, 상기 블록 내의 상기 포인트 클라우드와의 거리가 기설정 범위 내에 있는 기타 포인트 클라우드를 상호 관련시켜, 상기 제2 포인트 클라우드 관계도를 획득하기 위한 것이며;

상기 타겟 영역의 어느 하나의 포인트 클라우드 수집 궤적에 대해, 상기 포인트 클라우드 수집 궤적의 방향에 따라, 상기 블록 내의 상기 포인트 클라우드 수집 궤적을 토대로, 인접한 시간에 수집한 각 프레임 포인트 클라우드를 상호 관련시켜, 상기 제2 포인트 클라우드 관계도를 획득하기 위한 것이며;

상기 블록 내의 제1 포인트 클라우드 수집 궤적을 토대로 수집한 제1 타겟 프레임 포인트 클라우드 및 상기 블록 내의 제2 포인트 클라우드 수집 궤적을 토대로 수집한 제2 타겟 프레임 포인트 클라우드를 상호 관련시켜, 제2 포인트 클라우드 관계도를 획득하기 위한 것이며, 상기 제1 포인트 클라우드 수집 궤적 및 상기 제2 포인트 클라우드 수집 궤적은, 상기 타겟 영역에 대한 상이한 포인트 클라우드 수집 궤적이며, 상기 제2 타겟 프레임 포인트 클라우드는 상기 제1 포인트 클라우드 수집 궤적 방향에 수직되는 방향 상에 위치하며, 상기 제2 타겟 프레임 포인트 클라우드의 초기 포즈는 상기 제1 타겟 프레임 포인트 클라우드의 초기 포즈에 인접한다.

선택적으로, 상기 포인트 클라우드 레지스트레이션 모듈(403)은,

상기 K 프레임 포인트 클라우드 중 각 프레임 포인트 클라우드를 하나의 노드로 하여, 상기 K 프레임 포인트 클라우드에 일일이 대응하는 K개의 노드를 획득하기 위한 획득 서브 모듈;

상기 제1 포인트 클라우드 관계도에서 각 프레임 포인트 클라우드의 관련 관계를 상기 K개의 노드의 엣지 제약으로 하고, 상기 초기 포즈를 토대로 상기 K개의 노드의 포즈에 대해 최적화를 진행하여, 상기 K개의 노드 중 각 노드의 제1 상대적 포즈를 획득하기 위한 최적화 서브 모듈; 및

상기 K개의 노드 중 각 노드의 제1 상대적 포즈를 토대로, 상기 K 프레임 포인트 클라우드 중 각 프레임 포인트 클라우드의 타겟 상대적 포즈를 확정하기 위한 확정 서브 모듈; 을 포함한다.

선택적으로, 상기 K 프레임 포인트 클라우드를 M개의 블록으로 분할하고, 각 블록은, N개의 서브 블록을 포함하며, 상기 확정 서브 모듈은,

상기 K개의 노드 중의 P개의 타겟 노드를 획득하기 위한 노드 획득 유닛 - 상기 타겟 노드는, 상기 서브 블록 중 제3 타겟 프레임 포인트 클라우드에 대응하는 노드이며, P는 1보다 큰 정수임 -;

상기 P개의 타겟 노드 중 각 노드의 제1 상대적 포즈를 토대로 확정한 P개의 타겟 노드 사이의 관련 관계를 상기 P개의 타겟 노드의 엣지 제약으로 하고, 상기 P개의 타겟 노드의 초기 포즈를 토대로 상기 P개의 타겟 노드의 포즈에 대해 최적화를 진행하여, 상기 P개의 타겟 노드 중 각 타겟 노드의 제2 상대적 포즈를 획득하기 위한 포즈 최적화 유닛; 및

상기 P개의 타겟 노드 중 각 타겟 노드의 제2 상대적 포즈를 토대로, 상기 K 프레임 포인트 클라우드 중 각 프레임 포인트 클라우드의 타겟 상대적 포즈를 확정하기 위한 확정 유닛; 을 포함한다.

선택적으로, 상기 확정 유닛은, 구체적으로,

타겟 차이 값이 기설정 임계치보다 작은 경우, 상기 P개의 타겟 노드 중 각 타겟 노드의 제2 상대적 포즈 및 상기 K개의 노드의 초기 포즈를 토대로, 상기 K개의 노드의 포즈에 대해 최적화를 진행하여, 상기 K 프레임 포인트 클라우드 중 각 프레임 포인트 클라우드의 타겟 상대적 포즈를 획득하기 위한 것이며;

선택적으로, 상기 장치는,

상기 타겟 영역에 대한 L개의 포인트 클라우드 수집 궤적의 타겟 표고 값을 획득하기 위한 제2 획득 모듈; 을 더 포함하며,

상기 최적화 서브 모듈은, 구체적으로 상기 타겟 표고 값을 상대적 포즈 중 표고 평균치의 제약으로 하고, 상기 초기 포즈를 토대로 상기 K개의 노드의 포즈에 대해 최적화를 진행하여, 상기 K개의 노드 중 각 노드의 제1 상대적 포즈를 획득하기 위한 것이다.

본 개시에서 제공하는 고정밀 지도 구축 장치(400)는 고정밀 지도 구축 방법 실시예에 따른 각각의 과정을 구현할 수 있으며, 동일한 유익한 효과를 달성할 수 있는바, 중복되는 설명을 피하기 위해, 여기서 더 이상 상세하게 기술하지 않기로 한다.

본 개시의 기술방안에서, 사용자의 개인 정보에 관한 수집, 저장, 사용, 가공, 전송, 제공 및 개시 등의 처리는, 모두 관련 법률 법규의 규정에 부합되며, 선량한 풍속 및 기타 사회질서를 위배하지 않는다.

본 개시의 실시예는 전자 기기, 판독 가능 저장 매체 및 컴퓨터 프로그램을 더 제공한다.

도 5는 본 개시의 실시예를 구현하기 위한 예시적 전자 기기(500)의 예시적인 블록도이다. 전자 기기는, 랩탑 컴퓨터, 데스크톱 컴퓨터, 워킹 테이블, 개인용 디지털 보조기, 서버, 블레이드 서버, 대형 컴퓨터, 및 기타 적합한 컴퓨터와 같이 다양한 형태의 디지털 컴퓨터를 나타낸다. 전자 기기는 또한 다양한 형태의 이동 장치를 나타낼 수 있으며, 예컨대, 개인용 디지털 프로세스, 셀룰러 휴대폰, 스마트 휴대폰, 웨어러블 기기 및 기타 유사한 컴퓨팅 장치이다. 본문에서 나타내는 컴포넌트, 그들의 연결 및 관계, 및 그들의 기능은 단지 예시적인 것이지, 본 명세서에 설명된 및/또는 요구하는 본 개시의 구현을 제한하기 위함이 아님은 자명한 것이다.

도 5에 도시된 바와 같이, 상기 기기(500)는, 연산 유닛(501)을 포함하며, 판독 전용 메모리(ROM, 502)에 저장된 컴퓨터 프로그램 또는 저장 유닛(508)으로부터 랜덤 액세스 메모리(RAM, 503)로 로딩될 컴퓨터 프로그램에 따라, 다양한 적절한 동작 및 처리를 수행할 수 있다. RAM(503)중에, 기기(500)의 조작에 필요한 다양한 프로그램 및 데이터를 더 저장할 수 있다. 연산 유닛(501), ROM(502) 및 RAM(503)은 버스(504)를 통해 서로 연결된다. 입력/출력(I/O) 인터페이스(505)도 버스(504)에 연결된다.

기기(500)중의 복수 개의 컴포넌트들은 I/O 인터페이스(505)에 연결되고, I/O 인터페이스(505)는, 키보드, 마우스 등과 같은 입력 유닛(506); 다양한 타입의 디스플레이, 스피커 등과 같은 출력 유닛(507); 자기 디스크, 광 디스크 등과 같은 저장 유닛(508); 및 네트워크 인터페이스 컨트롤러, 모뎀기, 무선 통신 송수신기 등과 같은 통신 유닛(509); 을 포함한다. 통신 유닛(509)은, 기기(500)가 인터넷의 컴퓨터 네트워크 및/또는 다양한 전기 통신 네트워크를 통해 기타 기기와 정보/데이터를 교환하는 것을 허용하고 있다.

연산 유닛(501)은 처리 및 컴퓨팅 능력이 있는 다양한 범용 및/또는 전용 처리 어셈블리이다. 연산 유닛(501)의 일부 예는, 중앙 프로세스 유닛(CPU), 그래픽 프로세스 유닛(GPU), 각종 전용 인공지능(AI) 컴퓨팅 칩, 각종 기계 학습 모델링 알고리즘을 실행하는 연산 유닛, 디지털 신호 프로세서(DSP), 및 어느 적절한 프로세서, 제어기, 마이크로 제어기 등을 포함하나 이에 한정되지 않는다. 연산 유닛(501)은 고정밀 지도 구축 방법과 같이 상술한 각각의 방법 및 처리를 수행한다. 예하면, 일부 실시예에서, 고정밀 지도 구축 방법은 컴퓨터 소프트웨어 프로그램으로 구현될 수 있고, 컴퓨터 소프트웨어 프로그램은 저장 유닛(508)과 같은 형태가 있는 기계 판독 가능 매체에 저장될 수 있다. 일부 실시예에서, 컴퓨터 프로그램의 부분 또는 전부는 ROM(502) 및/또는 통신 유닛(509)을 경유하여 기기(500)상에 로딩 및/또는 설치될 수 있다. 컴퓨터 프로그램이 RAM(503)로 로딩되어 연산 유닛(501)에 의해 실행될 때, 상술한 고정밀 지도 구축 방법의 하나 또는 복수 개의 단계를 수행할 수 있다. 대안적으로, 기타 실시예에서, 연산 유닛(501)은 기타 어느 적절한 방식(예하면, 펌웨어를 이용하는 것)을 통해 고정밀 지도 구축 방법을 수행하는 것으로 배치될 수 있다.

본문에서 상술한 시스템 및 기술의 다양한 실시방식은 디지털 전기 회로 시스템, 집적 회로 시스템, 필드 프로그램 가능한 게이트 어레이(FPGA), 전용 집적 회로(ASIC), 전용 표준 제품(ASSP), 시스템 온 칩(SOC), 부하 프로그램 가능한 로직 기기(CPLD), 컴퓨터 하드웨어, 펌웨어, 소프트웨어, 및/또는 이들의 조합에서 구현될 수 있다. 이러한 각종 실시방식은, 하나 또는 복수 개의 컴퓨터 프로그램에서 구현하는 방식을 포함할 수 있으며, 해당 하나 또는 복수 개의 컴퓨터 프로그램은 적어도 하나의 프로그램 가능한 프로세서를 포함하는 프로그램 가능한 시스템에서 실행 및/또는 해석될 수 있으며, 해당 프로그램 가능한 프로세서는 전용 또는 범용으로 프로그램 가능한 프로세서일 수 있고, 저장 시스템, 적어도 하나의 입력 장치, 및 적어도 하나의 출력 장치로부터 데이터 및 명령을 수신할 수 있으며, 데이터 및 명령을 해당 저장 시스템, 해당 적어도 하나의 입력 장치, 및 해당 적어도 하나의 출력 장치로 전송한다.

본 개시를 실시하기 위한 방법의 프로그램 코드는 하나 이상의 언어를 편집하는 어느 조합을 채용하여 작성될 수 있다. 이러한 프로그램 코드를 범용 컴퓨터, 전용 컴퓨터 또는 기타 프로그램 가능한 데이터 처리 장치의 프로세서 또는 제어기에 제공하여, 프로그램 코드로 하여금 프로세서 또는 제어기에 의해 실행될 때, 흐름도 및/또는 블록도에 규정된 기능/조작이 실행되도록 한다. 프로그램 코드는 기계에서 완전히 실행되거나, 기계에서 부분적으로 실행될 수 있으며, 독립 소프트웨어 패키지로서 부분적으로 기계에서 실행되거나, 부분적으로 원격 기계에서 실행되거나, 또는 완전히 원격 기계 또는 서버에서 실행될 수 있다.

본 개시의 콘텍스트에서, 기계 판독 가능 매체는 형태가 있는 매체일 수 있고, 기계 판독 가능 매체는, 명령 수행 시스템, 장치 또는 기계에 사용될 수 있거나 또는 명령 수행 시스템, 장치 또는 기기를 결합하여 사용할 수 있는 프로그램을 포함하거나 또는 저장할 수 있다. 기계 판독 가능 매체는 기계 판독 가능 신호 매체이거나 또는 기계 판독 가능 저장 매체일 수 있다. 기계 판독 가능 매체는 전자적, 자기적, 광학적, 전자기적, 적외선, 또는 반도체 시스템, 장치 또는 기기, 또는 상술한 내용들의 어느 적절한 조합을 포함할 수 있으나, 이에 한정되지 않는다. 기계 판독 가능 저장 매체의 더 구체적인 예는 하나 또는 복수 개의 선을 기반한 전기 연결, 휴대용 컴퓨터 디스크, 하드 디스크, 랜덤 액세스 메모리(RAM), 판독 전용 메모리(ROM), 소거 프로그램 가능한 프로그램 가능 메모리(EPROM 또는 플래시 메모리), 광섬유, 휴대용 콤팩트 디스크 판독 전용 메모리(CD-ROM), 광학 저장 기기, 자기 저장 기기, 또는 상술한 내용들의 어느 적합한 조합을 포함한다.

사용자와의 인터렉션을 제공하기 위해, 본 명세서에서 설명된 시스템 및 기술을 컴퓨터에서 실시할 수 있으며, 상기 컴퓨터는, 사용자에게 정보를 디스플레이하기 위한 디스플레이 장치(예컨대, CRT(칼라 음극선관) 또는 LCD(액정 디스플레이) 모니터); 및 키보드 및 포인팅 장치(예컨대, 마우스 또는 트랙볼)를 구비하고, 사용자는 상기 키보드 및 포인팅 장치를 통해 입력을 컴퓨터에 제공할 수 있다. 기타 타입의 장치는 사용자와의 인터렉션을 제공할 수도 있으며; 예컨대, 사용자에게 제공된 피드백은 어느 형태의 센싱 피드백(예컨대, 시각적 피드백, 청각적 피드백, 또는 촉각 피드백)일 수 있으며; 그리고 어느 형태(음향 입력, 음성 입력, 또는 촉각 입력)를 사용하여 사용자로부터의 입력을 수신할 수 있다.

여기서 설명된 시스템 및 기술을 백스테이지 컴포넌트를 포함하는 컴퓨팅 시스템(예컨대, 데이터 서버), 또는 중간 컴포넌트를 포함하는 컴퓨팅 시스템(예컨대, 애플리케이션 서버), 또는 전방 컴포넌트를 포함하는 컴퓨팅 시스템(예컨대, 그래픽 사용자 인터페이스 또는 네트워크 브라우저를 구비한 사용자 컴퓨터, 사용자는 해당 그래픽 사용자 인터페이스 또는 해당 네트워크 브라우저를 통해 여기에서 설명된 시스템 및 기술의 실시방식과 인터렉션을 진행할 수 있음), 또는 이런 백스테이지 컴포넌트, 중간 컴포넌트, 또는 전방 컴포넌트의 어느 조합을 포함하는 컴퓨팅 시스템에서 구현될 수 있다. 시스템의 컴포넌트들은 어느 형태 또는 매체의 디지털 데이터 통신(예컨대, 통신 네트워크)에 의해 서로 연결될 수 있다. 통신 네트워크의 예는, 로컬 네트워크(LAN), 광역 네트워크(WAN) 및 인터넷을 포함한다.

컴퓨터 시스템은 클라이언트 및 서버를 포함할 수 있다. 클라이언트 및 서버는 일반적으로 서로 멀리 떨어져 있고, 통상적으로 통신 네트워크를 통해 서로 인터렉션을 진행한다. 상응한 컴퓨터에서 실행되고 서로 클라이언트-서버 관계를 구비한 컴퓨터 프로그램을 통해 클라이언트와 서버의 관계를 생성한다. 서버는 클라우드 서버일 수 있고, 분포식 시스템의 서버일 수도 있으며, 또는 블록체인을 결합한 서버일 수도 있다.

위에서 나타내는 다양한 형태의 절차를 사용하여, 단계를 재 정렬, 추가 또는 삭제할 수 있음을 이해할 수 있다. 예컨대, 본 개시에 기재된 각 단계는 병렬적으로 실행될 수 있고, 순차적으로 실행될 수도 있으며, 또한 상이한 순서로 실행될 수도 있으며, 본 개시에 따른 공개된 기술방안이 의도한 결과를 실현할 수만 있다면, 본문에서는 이에 대해 제한하지 않는다.

상술한 구체적인 실시방식은, 본 개시의 보호 범위의 제한을 구성하지 않는다. 해당 기술분야에서 통상의 지식을 가진 자들은 본 개시의 실시예에서의 설계 요구 및 기타 요소에 따라, 다양한 개변, 조합, 서브 조합 및 교체를 진행할 수 있다. 본 개시의 정신 및 특허청구범위를 일탈하지 않고, 다양한 개변 및 변형을 진행할 수 있으며, 이러한 개변 및 변형을 본 개시의 청구범위 내에 귀속 시키고자 한다.

Claims

전자 기기에 의해 수행되는 고정밀 지도 구축 방법에 있어서,
상기 방법은,
타겟 영역에 대해 수집한 포인트 클라우드 데이터를 획득하는 단계 - 상기 포인트 클라우드 데이터는, K 프레임 포인트 클라우드 및 각 프레임 포인트 클라우드의 초기 포즈(pose)를 포함하며, K는 1보다 큰 정수임 -;
상기 초기 포즈를 토대로 상기 K 프레임 포인트 클라우드를 상호 관련시켜, 상기 K 프레임 포인트 클라우드의 제1 포인트 클라우드 관계도를 획득하는 단계;
상기 제1 포인트 클라우드 관계도 및 상기 초기 포즈를 토대로, 상기 K 프레임 포인트 클라우드에 대해 포인트 클라우드 레지스트레이션(registration)을 진행하여, 상기 K 프레임 포인트 클라우드 중 각 프레임 포인트 클라우드의 타겟 상대적 포즈를 획득하는 단계; 및
상기 타겟 상대적 포즈를 토대로 상기 K 프레임 포인트 클라우드에 대해 스플라이스를 진행하여, 상기 타겟 영역의 포인트 클라우드 지도를 획득하는 단계;
를 포함하는 고정밀 지도 구축 방법.
제1 항에 있어서,
상기 초기 포즈를 토대로 상기 K 프레임 포인트 클라우드를 상호 관련시켜, 상기 K 프레임 포인트 클라우드의 제1 포인트 클라우드 관계도를 획득하는 단계는,
상기 초기 포즈를 토대로 상기 K 프레임 포인트 클라우드를 블록에 따라 분할하여, M개의 블록을 획득하는 단계 - 각 인접한 블록 사이에는 동일한 적어도 하나의 프레임 포인트 클라우드가 존재하며, M은 양의 정수임 -;
각 블록에 대해, 상기 블록 내의 각 프레임 포인트 클라우드를 상호 관련시켜, 상기 블록의 제2 포인트 클라우드 관계도를 획득하는 단계; 및
상기 동일한 적어도 하나의 프레임 포인트 클라우드를 토대로, 상기 M개의 블록의 M개의 상기 제2 포인트 클라우드 관계도를 상호 관련시켜, 상기 제1 포인트 클라우드 관계도를 획득하는 단계;
를 포함하는 고정밀 지도 구축 방법.
제2 항에 있어서,
상기 초기 포즈를 토대로 상기 K 프레임 포인트 클라우드를 블록에 따라 분할하여, M개의 블록을 획득하는 단계는,
상기 초기 포즈를 토대로 상기 K 프레임 포인트 클라우드를 타겟 서브 궤적에 따라 분할하여, N개의 서브 블록을 획득하는 단계 - 하나의 서브 블록은, 하나의 타겟 서브 궤적 상에서 수집한 각 프레임 포인트 클라우드를 포함하며, 상기 타겟 서브 궤적은, 상기 타겟 영역에 대한 L개의 포인트 클라우드 수집 궤적 중 어느 하나의 포인트 클라우드 수집 궤적 상의 하나의 세그먼트의 연속된 궤적이며, 하나의 포인트 클라우드 수집 궤적은, 연속된 적어도 하나의 상기 타겟 서브 궤적을 포함하며, L는 양의 정수이고, N은 1보다 큰 정수임 -; 및
상기 N개의 서브 블록을 각 서브 블록의 위치 관계에 따라 분할하여, 상기 M개의 블록을 획득하는 단계 - 하나의 블록은, 기설정 크기 공간 내의 서브 블록을 포함하며, 제1 블록과 제2 블록 내에는 적어도 일부 서브 블록이 상이하며, 상기 제1 블록은 상기 M개의 블록 중 어느 하나의 블록이며, 상기 제2 블록은 상기 M개의 블록 중 상기 제1 블록과 상이한 블록임 -;
를 포함하는 고정밀 지도 구축 방법.
제2 항에 있어서,
상기 블록 내의 각 프레임 포인트 클라우드를 상호 관련시켜, 상기 블록의 제2 포인트 클라우드 관계도를 획득하는 단계는,
상기 블록 내의 각 프레임 포인트 클라우드에 대해, 상기 블록 내의 상기 포인트 클라우드와의 거리가 기설정 범위 내에 있는 기타 포인트 클라우드를 상호 관련시켜, 상기 제2 포인트 클라우드 관계도를 획득하는 단계;
상기 타겟 영역의 어느 하나의 포인트 클라우드 수집 궤적에 대해, 상기 포인트 클라우드 수집 궤적의 방향에 따라, 상기 블록 내의 상기 포인트 클라우드 수집 궤적을 토대로, 인접한 시간에 수집한 각 프레임 포인트 클라우드를 상호 관련시켜, 상기 제2 포인트 클라우드 관계도를 획득하는 단계; 및
상기 블록 내의 제1 포인트 클라우드 수집 궤적을 토대로 수집한 제1 타겟 프레임 포인트 클라우드 및 상기 블록 내의 제2 포인트 클라우드 수집 궤적을 토대로 수집한 제2 타겟 프레임 포인트 클라우드를 상호 관련시켜, 제2 포인트 클라우드 관계도를 획득하는 단계 - 상기 제1 포인트 클라우드 수집 궤적 및 상기 제2 포인트 클라우드 수집 궤적은, 상기 타겟 영역에 대한 상이한 포인트 클라우드 수집 궤적이며, 상기 제2 타겟 프레임 포인트 클라우드는 상기 제1 포인트 클라우드 수집 궤적 방향에 수직되는 방향 상에 위치하며, 상기 제2 타겟 프레임 포인트 클라우드의 초기 포즈는 상기 제1 타겟 프레임 포인트 클라우드의 초기 포즈에 인접함 -;
중 적어도 하나를 포함하는 고정밀 지도 구축 방법.
제1 항에 있어서,
상기 제1 포인트 클라우드 관계도 및 상기 초기 포즈를 토대로, 상기 K 프레임 포인트 클라우드에 대해 포인트 클라우드 레지스트레이션을 진행하여, 상기 K 프레임 포인트 클라우드 중 각 프레임 포인트 클라우드의 타겟 상대적 포즈를 획득하는 단계는,
상기 K 프레임 포인트 클라우드 중 각 프레임 포인트 클라우드를 하나의 노드로 하여, 상기 K 프레임 포인트 클라우드에 일일이 대응하는 K개의 노드를 획득하는 단계;
상기 제1 포인트 클라우드 관계도에서 각 프레임 포인트 클라우드의 관련 관계를 상기 K개의 노드의 엣지 제약으로 하고, 상기 초기 포즈를 토대로 상기 K개의 노드의 포즈에 대해 최적화를 진행하여, 상기 K개의 노드 중 각 노드의 제1 상대적 포즈를 획득하는 단계; 및
상기 K개의 노드 중 각 노드의 제1 상대적 포즈를 토대로, 상기 K 프레임 포인트 클라우드 중 각 프레임 포인트 클라우드의 타겟 상대적 포즈를 확정하는 단계;
를 포함하는 고정밀 지도 구축 방법.
제5 항에 있어서,
상기 K 프레임 포인트 클라우드를 M개의 블록으로 분할하고, 각 블록은, N개의 서브 블록을 포함하며, 상기 K개의 노드 중 각 노드의 제1 상대적 포즈를 토대로, 상기 K 프레임 포인트 클라우드 중 각 프레임 포인트 클라우드의 타겟 상대적 포즈를 확정하는 단계는,
상기 K개의 노드 중의 P개의 타겟 노드를 획득하는 단계 - 상기 타겟 노드는, 상기 서브 블록 중 제3 타겟 프레임 포인트 클라우드에 대응하는 노드이며, P는 1보다 큰 정수임 -;
상기 P개의 타겟 노드 중 각 노드의 제1 상대적 포즈를 토대로 확정한 P개의 타겟 노드 사이의 관련 관계를 상기 P개의 타겟 노드의 엣지 제약으로 하고, 상기 P개의 타겟 노드의 초기 포즈를 토대로 상기 P개의 타겟 노드의 포즈에 대해 최적화를 진행하여, 상기 P개의 타겟 노드 중 각 타겟 노드의 제2 상대적 포즈를 획득하는 단계; 및
상기 P개의 타겟 노드 중 각 타겟 노드의 제2 상대적 포즈를 토대로, 상기 K 프레임 포인트 클라우드 중 각 프레임 포인트 클라우드의 타겟 상대적 포즈를 확정하는 단계;
를 포함하는 고정밀 지도 구축 방법.
제6 항에 있어서,
상기 P개의 타겟 노드 중 각 타겟 노드의 제2 상대적 포즈를 토대로, 상기 K 프레임 포인트 클라우드 중 각 프레임 포인트 클라우드의 타겟 상대적 포즈를 확정하는 단계는,
타겟 차이 값이 기설정 임계치보다 작은 경우, 상기 P개의 타겟 노드 중 각 타겟 노드의 제2 상대적 포즈 및 상기 K개의 노드의 초기 포즈를 토대로, 상기 K개의 노드의 포즈에 대해 최적화를 진행하여, 상기 K 프레임 포인트 클라우드 중 각 프레임 포인트 클라우드의 타겟 상대적 포즈를 획득하는 단계; 를 포함하며,
그중, 상기 타겟 차이 값은, 상기 P개의 타겟 노드의 P개의 제2 상대적 포즈 및 상기 P개의 타겟 노드의 P개의 제1 상대적 포즈 사이의 차이 값인 것인,
고정밀 지도 구축 방법.
제5 항에 있어서,
상기 초기 포즈를 토대로 상기 K개의 노드의 포즈에 대해 최적화를 진행하여, 상기 K개의 노드 중 각 노드의 제1 상대적 포즈를 획득하기 전에, 상기 방법은,
상기 타겟 영역에 대한 L개의 포인트 클라우드 수집 궤적의 타겟 표고 값을 획득하는 단계; 를 더 포함하며,
상기 초기 포즈를 토대로 상기 K개의 노드의 포즈에 대해 최적화를 진행하여, 상기 K개의 노드 중 각 노드의 제1 상대적 포즈를 획득하는 단계는,
상기 타겟 표고 값을 상대적 포즈 중 표고 평균치의 제약으로 하고, 상기 초기 포즈를 토대로 상기 K개의 노드의 포즈에 대해 최적화를 진행하여, 상기 K개의 노드 중 각 노드의 제1 상대적 포즈를 획득하는 단계; 를 포함하는 것인,
고정밀 지도 구축 방법.
고정밀 지도 구축 장치에 있어서,
상기 장치는,
타겟 영역에 대해 수집한 포인트 클라우드 데이터를 획득하기 위한 제1 획득 모듈 - 상기 포인트 클라우드 데이터는, K 프레임 포인트 클라우드 및 각 프레임 포인트 클라우드의 초기 포즈를 포함하며, K는 1보다 큰 정수임 -;
상기 초기 포즈를 토대로 상기 K 프레임 포인트 클라우드를 상호 관련시켜, 상기 K 프레임 포인트 클라우드의 제1 포인트 클라우드 관계도를 획득하기 위한 관련 모듈;
상기 제1 포인트 클라우드 관계도 및 상기 초기 포즈를 토대로, 상기 K 프레임 포인트 클라우드에 대해 포인트 클라우드 레지스트레이션을 진행하여, 상기 K 프레임 포인트 클라우드 중 각 프레임 포인트 클라우드의 타겟 상대적 포즈를 획득하기 위한 포인트 클라우드 레지스트레이션 모듈; 및
상기 타겟 상대적 포즈를 토대로 상기 K 프레임 포인트 클라우드에 대해 스플라이스(splice)를 진행하여, 상기 타겟 영역의 포인트 클라우드 지도를 획득하기 위한 스플라이스 모듈;
을 포함하는 고정밀 지도 구축 장치.
제9 항에 있어서,
상기 관련 모듈은,
상기 초기 포즈를 토대로 상기 K 프레임 포인트 클라우드를 블록에 따라 분할하여, M개의 블록을 획득하기 위한 블록 분할 서브 모듈 - 각 인접한 블록 사이에는 동일한 적어도 하나의 프레임 포인트 클라우드가 존재하며, M은 양의 정수임 -;
각 블록에 대해, 상기 블록 내의 각 프레임 포인트 클라우드를 상호 관련시켜, 상기 블록의 제2 포인트 클라우드 관계도를 획득하기 위한 제1 관련 서브 모듈; 및
상기 동일한 적어도 하나의 프레임 포인트 클라우드를 토대로, 상기 M개의 블록의 M개의 상기 제2 포인트 클라우드 관계도를 상호 관련시켜, 상기 제1 포인트 클라우드 관계도를 획득하기 위한 제2 관련 서브 모듈;
을 포함하는 고정밀 지도 구축 장치.
제10 항에 있어서,
상기 블록 분할 서브 모듈은,
상기 초기 포즈를 토대로 상기 K 프레임 포인트 클라우드를 타겟 서브 궤적에 따라 분할하여, N개의 서브 블록을 획득하기 위한 것이며, 하나의 서브 블록은, 하나의 타겟 서브 궤적 상에서 수집한 각 프레임 포인트 클라우드를 포함하며, 상기 타겟 서브 궤적은, 상기 타겟 영역에 대한 L개의 포인트 클라우드 수집 궤적 중 어느 하나의 포인트 클라우드 수집 궤적 상의 하나의 세그먼트의 연속된 궤적이며, 하나의 포인트 클라우드 수집 궤적은, 연속된 적어도 하나의 상기 타겟 서브 궤적을 포함하며, L는 양의 정수이고, N은 1보다 큰 정수이며;
상기 N개의 서브 블록을 각 서브 블록의 위치 관계에 따라 분할하여, 상기 M개의 블록을 획득하기 위한 것이며, 하나의 블록은, 기설정 크기 공간 내의 서브 블록을 포함하며, 제1 블록과 제2 블록 내에는 적어도 일부 서브 블록이 상이하며, 상기 제1 블록은 상기 M개의 블록 중 어느 하나의 블록이며, 상기 제2 블록은 상기 M개의 블록 중 상기 제1 블록과 상이한 블록인 것인,
고정밀 지도 구축 장치.
제10 항에 있어서,
상기 제1 관련 서브 모듈은,
상기 블록 내의 각 프레임 포인트 클라우드에 대해, 상기 블록 내의 상기 포인트 클라우드와의 거리가 기설정 범위 내에 있는 기타 포인트 클라우드를 상호 관련시켜, 상기 제2 포인트 클라우드 관계도를 획득하기 위한 것이며;
상기 타겟 영역의 어느 하나의 포인트 클라우드 수집 궤적에 대해, 상기 포인트 클라우드 수집 궤적의 방향에 따라, 상기 블록 내의 상기 포인트 클라우드 수집 궤적을 토대로, 인접한 시간에 수집한 각 프레임 포인트 클라우드를 상호 관련시켜, 상기 제2 포인트 클라우드 관계도를 획득하기 위한 것이며;
상기 블록 내의 제1 포인트 클라우드 수집 궤적을 토대로 수집한 제1 타겟 프레임 포인트 클라우드 및 상기 블록 내의 제2 포인트 클라우드 수집 궤적을 토대로 수집한 제2 타겟 프레임 포인트 클라우드를 상호 관련시켜, 제2 포인트 클라우드 관계도를 획득하기 위한 것이며, 상기 제1 포인트 클라우드 수집 궤적 및 상기 제2 포인트 클라우드 수집 궤적은, 상기 타겟 영역에 대한 상이한 포인트 클라우드 수집 궤적이며, 상기 제2 타겟 프레임 포인트 클라우드는 상기 제1 포인트 클라우드 수집 궤적 방향에 수직되는 방향 상에 위치하며, 상기 제2 타겟 프레임 포인트 클라우드의 초기 포즈는 상기 제1 타겟 프레임 포인트 클라우드의 초기 포즈에 인접하는 것인,
고정밀 지도 구축 장치.
제9 항 내지 제12 항 중 어느 한 항에 있어서,
상기 포인트 클라우드 레지스트레이션 모듈은,
상기 K 프레임 포인트 클라우드 중 각 프레임 포인트 클라우드를 하나의 노드로 하여, 상기 K 프레임 포인트 클라우드에 일일이 대응하는 K개의 노드를 획득하기 위한 획득 서브 모듈;
상기 제1 포인트 클라우드 관계도에서 각 프레임 포인트 클라우드의 관련 관계를 상기 K개의 노드의 엣지 제약으로 하고, 상기 초기 포즈를 토대로 상기 K개의 노드의 포즈에 대해 최적화를 진행하여, 상기 K개의 노드 중 각 노드의 제1 상대적 포즈를 획득하기 위한 최적화 서브 모듈; 및
상기 K개의 노드 중 각 노드의 제1 상대적 포즈를 토대로, 상기 K 프레임 포인트 클라우드 중 각 프레임 포인트 클라우드의 타겟 상대적 포즈를 확정하기 위한 확정 서브 모듈;
을 포함하는 고정밀 지도 구축 장치.
제13 항에 있어서,
상기 K 프레임 포인트 클라우드를 M개의 블록으로 분할하고, 각 블록은, N개의 서브 블록을 포함하며, 상기 확정 서브 모듈은,
상기 K개의 노드 중의 P개의 타겟 노드를 획득하기 위한 노드 획득 유닛 - 상기 타겟 노드는, 상기 서브 블록 중 제3 타겟 프레임 포인트 클라우드에 대응하는 노드이며, P는 1보다 큰 정수임 -;
상기 P개의 타겟 노드 중 각 노드의 제1 상대적 포즈를 토대로 확정한 P개의 타겟 노드 사이의 관련 관계를 상기 P개의 타겟 노드의 엣지 제약으로 하고, 상기 P개의 타겟 노드의 초기 포즈를 토대로 상기 P개의 타겟 노드의 포즈에 대해 최적화를 진행하여, 상기 P개의 타겟 노드 중 각 타겟 노드의 제2 상대적 포즈를 획득하기 위한 포즈 최적화 유닛; 및
상기 P개의 타겟 노드 중 각 타겟 노드의 제2 상대적 포즈를 토대로, 상기 K 프레임 포인트 클라우드 중 각 프레임 포인트 클라우드의 타겟 상대적 포즈를 확정하기 위한 확정 유닛;
을 포함하는 고정밀 지도 구축 장치.
제14 항에 있어서,
상기 확정 유닛은,
타겟 차이 값이 기설정 임계치보다 작은 경우, 상기 P개의 타겟 노드 중 각 타겟 노드의 제2 상대적 포즈 및 상기 K개의 노드의 초기 포즈를 토대로, 상기 K개의 노드의 포즈에 대해 최적화를 진행하여, 상기 K 프레임 포인트 클라우드 중 각 프레임 포인트 클라우드의 타겟 상대적 포즈를 획득하기 위한 것이며;
그중, 상기 타겟 차이 값은, 상기 P개의 타겟 노드의 P개의 제2 상대적 포즈 및 상기 P개의 타겟 노드의 P개의 제1 상대적 포즈 사이의 차이 값인 것인,
고정밀 지도 구축 장치.
제13 항에 있어서,
상기 장치는,
상기 타겟 영역에 대한 L개의 포인트 클라우드 수집 궤적의 타겟 표고 값을 획득하기 위한 제2 획득 모듈; 을 더 포함하며,
상기 최적화 서브 모듈은, 상기 타겟 표고 값을 상대적 포즈 중 표고 평균치의 제약으로 하고, 상기 초기 포즈를 토대로 상기 K개의 노드의 포즈에 대해 최적화를 진행하여, 상기 K개의 노드 중 각 노드의 제1 상대적 포즈를 획득하기 위한 것인,
고정밀 지도 구축 장치.
전자 기기에 있어서,
상기 전자 기기는,
적어도 하나의 프로세서; 및
상기 적어도 하나의 프로세서에 통신 연결된 메모리; 를 포함하며, 그중,
상기 메모리에는 상기 적어도 하나의 프로세서에 의해 실행될 수 있는 명령이 저장되어 있으며, 상기 명령은 상기 적어도 하나의 프로세서에 의해 실행되어, 상기 적어도 하나의 프로세서가 청구항 제1 항 내지 제8 항 중 어느 한 항에 따른 방법을 실행하도록 하는 것인,
전자 기기.
컴퓨터 명령이 저장되어 있는 비일시적 컴퓨터 판독 가능 저장 매체에 있어서,
상기 컴퓨터 명령은, 상기 컴퓨터가 청구항 제1 항 내지 제8 항 중 어느 한 항에 따른 방법을 실행하도록 하기 위한 것인 컴퓨터 판독 가능 저장 매체.
컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 프로그램에 있어서,
상기 컴퓨터 프로그램은 프로세서에 의해 실행될 때, 청구항 제1 항 내지 제8 항 중 어느 한 항에 따른 방법을 구현하는 것인 컴퓨터 프로그램.