CN108981726A - 基于感知定位监测的无人车语义地图建模及构建应用方法 - Google Patents

Abstract

本发明公开了基于感知定位监测的无人车语义地图建模及构建应用方法，涉及无人驾驶技术领域。本发明中：无人车语义地图建模中包括两个概念模块：实体和属性；实体包括自车实体、路网实体以及障碍物实体；路网实体包括区域实体和点实体；属性包括点坐标、区域范围以及约束；语义关系分为对象属性和数据属性两部分。本发明通过构建一套适用于无人车的地图元素数据层次结构，通过在地图元素之间设计了充分的语义关系，从而便于生成语义地图；并通过语义地图、全局规划路径、无人车当前位姿以及周边实时障碍物信息进行语义推理得到无人车局部场景信息，辅助无人车进行行为决策，高效完成无人车对行驶场景元素的理解，提高了地图元素的关联搜索效率。

Description

基于感知定位监测的无人车语义地图建模及构建应用方法

技术领域

本发明涉及无人驾驶技术领域，尤其涉及基于感知定位监测的无人车语义地图建模及构建应用方法。

背景技术

近年来，无人驾驶得到了国内外学术界以及工业界的广泛关注，其相关支撑技术有了快速的发展。从无人驾驶的应用产品来看，一般可分为工业生产应用无人驾驶产品和个人消费应用无人驾驶产品两大类。无人驾驶技术***组成上，一般可以将无人驾驶***划分为环境感知、决策规划以及运动控制等子模块，其中环境感知是通过各种传感器来获取交通环境的实时场景信息并生成环境模型(即感知地图)；决策规划在环境模型的基础上，做出符合交通规则、安全的行为决策以及相应的避障行驶轨迹；运动控制将所规划的轨迹离散化为无人车实际所需要执行的控制指令，如油门、刹车、方向盘转角等，并发送给无人车执行***执行，实现自主驾驶行为。其中，环境感知相当于无人车的“眼睛”的功能，环境感知的内容包含自主定位，道路识别，静动态障碍物检测等，其中最关键的是自主定位。

目前无人驾驶的自主定位导航的实现方法有：早期的磁条色带等寻迹导航，室外卫星导航，同步定位与建图导航，以及数字地图导航。当前的国内外无人驾驶领域，在指定场景使用高度精数字地图导航是主流技术。

无人搬运机器人是工业无人驾驶车辆的重要组成部分，目前的无人搬运机器人按应用场景来分，可以分为室内无人搬运机器人和室外搬运机器人。定位技术是移动机器人的核心技术，室内无人搬运机器人的定位导航原理主要有，激光信标导航，激光SLAM导航，视觉导航，及磁条色带导航等。以上导航定位技术基本上覆盖了室内的绝大多数场景，并取得较好效果。在室外无人搬运机器人方面，目前的产品还以大型港口磁导式技术为主，室外激光和视觉导航的技术成熟度低，大多无法产品化。针对室外搬运的场景，我们提出了利用多线激光雷达作为导航核心传感器，构建大场景的三维高度精信标地图。需要指出的是，该高精度地图不但可以满足无人搬运机器人的定位导航需求，同时也能满足室内定位导航需求，因而解决了室内、室外，室内外混合场景的无人搬运需求。

现有中国专利：公开号为CN104535070A(申请号20141083873.5)，该专利提供了一种高精度地图数据结构、采集和处理***及方法，将地图数据结构分为四层：道路网络、车道网路、车道线信息以及特殊信息数据，虽然几个层次之间定义了数据库层次的关联，但是由于缺乏语义信息，无人车难以在此地图数据结构中建立各类地图元素以及交通参与者之间完善的语义关系，分辨无人车实时场景信息，实现场景理解。同时，如路口、掉头等信息难以体现在其数据结构中，对于车道线与车道的关联也不够准确，如某段路可能是两车道变三车道，这样的话三车道中间的那条车道与车道线的关系就会难以表达。

现有中国专利：公开号为CN104089619A(申请号201410202876.4)，该专利提供了一种无人驾驶汽车的GPS导航地图精确匹配***及其操作方法，通过获取道路信息，确定起始点，获取车辆定位信息，信息匹配与筛选这个流程完成导航地图的精确匹配，但是其匹配方法主要是通过离散的点进行搜索，没有利用地图元素之间的关联性，这样就会导致匹配效率低的问题。

现有技术存在的主要问题是高精度地图的数据结构不便于无人车进行场景理解，同时没有很好地利用地图元素的关联性，导致地图搜索效率比较低。如何有效的高效完成无人车对行驶场景元素的理解以及提高地图元素的关联搜索效率，成为需要解决的问题。

发明内容

本发明为了解决上述技术问题，提供基于感知定位监测的无人车语义地图建模及构建应用方法，从而高效完成无人车对行驶场景元素的理解，提高了地图元素的关联搜索效率。

为解决上述技术问题，本发明是通过以下技术方案实现的：

本发明提供基于感知定位监测的无人车语义地图建模方法，包括信标地图的建模、信标地图的构建、地图元素定义以及基于信标地图的自主导航定位，包括无人车语义地图建模；

无人车语义地图建模中包括两个概念模块：实体和属性。

实体包括自车实体、路网实体以及障碍物实体；路网实体包括区域实体和点实体；区域实体包括整体路段、连接点、边界、道路隔离带、特殊区域、人行横道、车道线、车道、路段；区域实体包括路口、掉头以及车道数增减处的连接区域；点实体包括地面标识、路边标识以及停止线；障碍物实体包括动态障碍物、静态障碍物、交通设施类型障碍物、行人、动物、车辆、自然障碍以及道路拦截类障碍物；属性包括点坐标、区域范围以及约束；属性中的点坐标为地图元素的点坐标；属性中的区域范围为地图元素的区域范围；属性中的约束为地图元素之间的约束类型。

无人车语义地图建模中包含两个概念模块内的相应概念的语义关系；语义关系分为对象属性和数据属性两部分；对象属性部分包括相应概念之间的继承关系以及关联关系；包括建立相应概念之间的层次关系；包括建立相应概念之间的关联关系；数据属性部分包括自车的全局路径规划信息。

其中，自车实体为无人车本身或相应类型的无人车实体；路段内包含若干同方向的车道；地面标识为地面交通标识；路边标识为路边交通标识。

其中，自然障碍包括凹进地面类障碍物和凸出地面类障碍物；道路拦截类障碍物包括故障标示牌、锥桶、水马围栏、分离线以及施工标示牌。

其中，约束包括连接约束，为路段与路段的连接方向约束；连接约束包括左转向连接约束、右转向连接约束、掉头连接约束以及直行连接约束。

其中，相应概念之间的关联关系包括整体路段与道路隔离带、路段、连接点之间的组合关系；相应概念之间的关联关系包括路段与连接点之间的连接关系；相应概念之间的关联关系包括路段与道路隔离带之间的位置关系；相应概念之间的关联关系包括路段与人行横道之间的位置关系；相应概念之间的关联关系包括路段与停止线之间的位置关系；相应概念之间的关联关系包括路段与边界之间的位置关系；相应概念之间的关联关系包括路段与车道之间的关系；相应概念之间的关联关系包括路段与路边标识之间的关系；相应概念之间的关联关系包括连接点与连接约束之间的存在关系；相应概念之间的关联关系包括连接点与人行横道之间的关系；相应概念之间的关联关系包括车道与车道线之间的位置关系；相应概念之间的关联关系包括车道与其他车道之间的方位关系；相应概念之间的关联关系包括车道与特殊区域之间的位置关系；相应概念之间的关联关系包括车道与地面标识之间的关系；相应概念之间的关联关系包括连接约束与路段用以表述连接方向的关系；相应概念之间的关联关系包括自车与障碍物实体之间的方位关系；相应概念之间的关联关系包括自车与车道之间的位置关系；相应概念之间的关联关系包括区域实体与区域范围之间的关系；相应概念之间的关联关系包括点实体与点坐标之间的关系。

其中，数据属性部分包括自车的当前速度；数据属性部分包括自车与下一个即将到达的连接点、人行横道、停止线的距离；数据属性部分包括自车与障碍物实体的距离；数据属性部分包括障碍物实体的当前速度以及位姿；数据属性部分包括点坐标的数据信息；数据属性部分包括区域范围的数据信息；数据属性部分包括车道的速度限制信息、车道允许转向信息、车道是否最左最右车道标识以及车道宽度；数据属性部分包括路段包含的车道数量；数据属性部分包括整体路段的类型信息；数据属性部分包括相应实体概念的基本属性。

基于感知定位监测的无人车语义地图的构建方法：通过静态地图数据实例化以及实时障碍物实例化生成语义地图。具体步骤如下：

第一步，通过感知***获取真实行驶环境的详细数据信息，将地图详细数据按照地图概念结构实例化为静态路网实体；

第二步，通过传感器获取实时障碍物位姿信息，将障碍物信息实例化为障碍物地图实体；

第三步，建立步第一步和第二步中得到的静态地图和障碍物地图中的实体相互间语义关系，得到用于无人车的语义地图。

其中，感知***采用激光雷达、相机、GPS或照片监测卫星或相应的感知装置***；传感器采用激光雷达、相机、GPS或相应的传感装置***。

基于感知定位监测的无人车语义地图的应用方法：通过语义地图、全局规划路径、无人车当前位姿以及周边实时障碍物信息进行语义推理得到无人车局部场景信息，实现无人车的场景理解，辅助无人车决策。具体步骤如下：

第一步，通过无人车全局规划***获取无人车目标行驶路径，通过GPS/INS定位定向***实时获取无人车当前位姿；

第二步，通过无人车环境感知***实时感知周边障碍物信息，通过语义推理得到它们与无人车之间的相对位姿；

第三步，通过语义地图、全局规划路径、无人车当前位姿以及周边障碍物相对位姿进行语义推理得到无人车局部场景信息；

第四步，根据相应场景信息辅助无人车做出不同决策。

与现有的技术相比，本发明的有益效果是：

本发明通过构建一套适用于无人车的地图元素数据层次结构，通过在地图元素之间设计了充分的语义关系，从而便于生成语义地图；并通过语义地图、全局规划路径、无人车当前位姿以及周边实时障碍物信息进行语义推理得到无人车局部场景信息，辅助无人车进行行为决策，高效完成无人车对行驶场景元素的理解，提高了地图元素的关联搜索效率。

附图说明

图1为本发明无人车语义地图建模以及应用的流程图；

图2为语义地图元素概念层级结构图；

图3为语义地图元素包含关系图；

图4为语义地图元素概念关联关系图；

图5为无人车与障碍物方位关系图；

图6为语义地图生成过程示意图；

图7为语义地图中整体路段的部分实施内容的示意图；

图8为语义地图中自车的部分实施内容示意图；

图9为语义推理部分内容的示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

具体实施例一：

如图1、图2所示，本实施例提供一种语义地图的建模方法，包括语义地图的概念结构、语义关系以及真实地图实例化生成语义地图的方法。

如图3所示，语义本体分为两大模块：实体和属性：

(1)实体包括自车、路网实体以及障碍物实体，分别代表了自车(无人车)实体、路网元素实体以及障碍物实体。

(11)自车指代无人车本身，根据需求，可以扩展为不同类型无人车。

(12)路网实体包括区域实体和点实体，分别代表区域类型实体及点类型实体。

(121)区域实体包括整体路段、连接点、边界、道路隔离带、特殊区域、人行横道、车道线、车道、路段。其中，整体路段代表一条道路的整体路段，包括连接点、路段、边界以及道路隔离带；包括路口、掉头以及车道数增减处区域的连接区域；路段包含多个同方向的车道。

(122)点实体包括地面标识、路边标识以及停止线，分别代表地面交通标识、路边交通标识以及停止线(停止线与路段存在一对一的关系，因此可以简化成一个点即可)。

(13)障碍物实体包括动态障碍物、静态障碍物、交通设施类型障碍物、行人、动物、车辆、自然障碍以及道路拦截类障碍物。其中自然障碍包括凹进地面类障碍物(比如：水坑)和凸出地面类障碍物(比如大块石头)。道路拦截类障碍物包括故障标示牌、锥桶、水马围栏、分离线以及施工标示牌。

(2)属性包括点坐标、区域范围以及约束，分别代表了地图元素的点坐标、区域范围以及地图元素之间的约束类型。约束包括连接约束，代表路段与路段的连接方向约束。连接约束包括左转向连接约束、右转向连接约束、掉头连接约束以及直行连接约束。

如图4所示，包含了语义地图中的语义关系，包含了在前面所定义的各种概念间的语义关系。语义关系分为对象属性和数据属性两部分：

(1)对象属性部分包括不同概念之间的继承关系(泛化特化)以及关联关系。

(11)不同概念之间的层次关系在上述内容中已有说明。

(12)不同概念之间的关联关系包含整体路段与道路隔离带、路段、连接点之间的组合关系(其关系名分别为：存在道路隔离带、存在路段、存在连接点)；路段与连接点之间的连接关系(其关系名为：关联连接点)，路段与道路隔离带之间的位置关系(其关系名为：关联道路隔离带)，路段与人行横道之间的位置关系(其关系名为：关联人行横道)，路段与停止线之间的位置关系(其关系名为：关联停止线)，路段与边界之间的位置关系(其关系名为：关联边界)，路段与车道之间的关系(其关系名为：存在车道)，路段与路边标识之间的关系(其关系名为：存在路边标识)；连接点与连接约束之间的存在关系(其关系名为：存在连接约束)，连接点与人行横道之间的关系(其关系名为：存在人行横道)；车道与车道线之间的位置关系(其关系名分别为：存在左车道线、存在右车道线)，车道与其他车道之间的方位关系(其关系名分别为：同向左边车道、同向右边车道)，车道与特殊区域之间的位置关系(其关系名为：存在特殊区域)，车道与地面标识之间的关系(其关系名为：存在地面标识)；连接约束与路段用以表述连接方向的关系(其关系名分别为：起始路段、目标路段)。自车与障碍物实体之间的方位关系(其方位如图5所示，其关系名分别为：存在左后方障碍物、存在正后方障碍物、存在右后方障碍物、存在左前方障碍物、存在正前方障碍物、存在右前方障碍物、存在正左方障碍物、存在正右方障碍物)，自车与车道之间的位置关系(其关系名为：所属车道)；区域实体与区域范围之间的关系(其关系名为：关联区域范围)；点实体与点坐标之间的关系(其关系名为：关联点坐标)。具体关系如下表：

(2)数据属性部分包括自车的全局路径规划信息(其关系属性名为：下个路口转向)以及当前速度(其关系名为：自车实时速度)，自车与下一个即将到达的连接点、人行横道、停止线的距离(其关系名分别为：与连接点距离、与人行横道距离、与停止线距离)，自车与障碍物的距离(其关系名为：与障碍物距离)；障碍物实体的当前速度(其关系名为：障碍物速度)以及位姿(其关系名为：障碍物运动方向)；点坐标的数据信息(其关系名为：点坐标值)；区域范围的数据信息(其关系名为：区域范围值)；车道的速度限制信息(其关系名分别为：车道最大车速、车道最小车速)、车道允许转向信息(其关系名为：车道路口转向)、车道是否最左最右车道标识(其关系名分别为：同向最左车道、同向最右车道)以及车道宽度(其关系名为：车道宽度)；路段包含的车道数量(其关系名为：路段所含车道数)；整体路段的类型信息(其关系名为：整体路段类型)；各概念类的基本属性(其关系名分别为：实体ID、实体名)。具体关系如下表：

具体实施例二：

如图6所示，静态地图数据实例化以及实时障碍物实例化生成语义地图的方法，其步骤如下：

步骤1：通过激光雷达、相机、GPS、卫星照片等感知***获取真实行驶环境的详细数据信息，并且将地图详细数据按照所述地图概念结构实例化为静态路网实体；

步骤2：通过激光雷达、相机、GPS等传感器获取实时障碍物位姿信息，将障碍物信息实例化为障碍物地图实体；

步骤3：建立步骤1、步骤2中得到的静态地图和障碍物地图中的实体相互间语义关系，最终得到用于无人车的语义地图。

具体实施例三：

如图7所示，为一段真实地图的建模示例图，其中包括了一个十字路口、一个掉头、多个路段以及其他地图元素，其关键元素都用箭头标识了出来，其地面标识、路边标识分别只取了一个作为示意。

首先，获取地图详细数据；然后将地图详细数据按照语义地图概念结构分为不同类别地图元素并且根据前述概念结构实例化为静态路网实体。

如图中所示，其中横向与纵向的道路代表了两个整体路段实体，十字路口实体为连接点002，掉头实体为连接点001，每个路段都是通过连接点与其他路段相连，道路中间虚线箭头代表了连接约束实体，与连接点002关联，连接点002此处应有12个连接约束实体，分别代表不同方向路段通过连接点002而存在的连接关系，此处只标注了部分连接约束实体，其他地图元素诸如车道线、车道、道路隔离带、边界等等都已经在图7中标注。

将前面完成的地图元素实体之间存在的语义关系建立起来，如路段003存在车道为车道003和车道004，车道003存在左车道线为车道线002，同向左边车道为车道004。由于全部关联比较复杂不便于详细描述，将每个实体的对象属性和数据属性一一建立；通过感知***实时获取障碍物位姿信息，并且根据前述概念结构实例化为障碍物地图实体，将障碍物实体与静态路网实体建立起语义关系；最后，将前面步骤中得到的静态路网实体、实时障碍物地图实体以及它们的关联统筹起来，得到语义地图。

具体实施例四：

如图8所示，其地图语义信息皆在图7中，自车箭头指向的方块代表无人车当前位置，当前无人车行驶至接近连接点(连接点可能包括路口、掉头以及车道数增减处等区域)，通过感知***实时感知获取无人车当前位姿以及周边障碍物信息，通过语义推理得到与无人车相对位姿，并在此基础上，通过通过语义地图、全局规划路径、无人车当前位姿以及周边障碍物相对位姿进行语义推理得到无人车局部场景信息，从而辅助无人车做出行为决策。

图8中发现前方存在障碍物车辆002(与障碍物距离为7m、障碍物速度为0、障碍物运动方向为同向)、右前方存在障碍物车辆001(与障碍物距离为15m、障碍物速度为0、障碍物运动方向为同向)以及右边存在障碍物车辆003(与障碍物距离为2m、障碍物速度为0、障碍物运动方向为同向)，因此判断无人车应该停车；同时，如图9所示为一段推理过程示意，根据全局路径规划知道自车下个路口转向为左转，同时自车所属车道为车道004，路段003存在车道车道004，关联连接点为连接点002，连接点002存在连接约束为连接约束004(所属概念类:左转向连接约束(所属父类：连接约束)、起始路段:路段003、目标路段:路段008)，因此可以进行语义推理从而预知下一个要到达的路段为路段008，通过路段008可以得到其所在局部地图信息，帮助无人车预先知道下一个要到达的局部地图信息。具体步骤如下：

步骤1、通过无人车全局规划***获取无人车目标行驶路径，并通过GPS/INS定位定向***实时获取无人车当前位姿；

步骤2、通过无人车环境感知***实时感知周边障碍物信息，通过语义推理得到它们与无人车之间的相对位姿；

步骤3、通过语义地图、全局规划路径、无人车当前位姿以及周边障碍物相对位姿进行语义推理得到无人车局部场景信息；

步骤4、根据不同场景信息辅助无人车做出不同决策。

总之，本发明涉及一种基于本体论的无人车语义地图模型构建方法的方法，可以应用在无人车软件***中，帮助无人车理解场景信息。本发明构建的语义地图模型专门针对无人车所关注的地图信息要素进行模型构建，能准确表达无人车可能面临的场景，并且地图元素以及交通参与者之间都存在着语义关系，通过本发明提供的语义地图应用方法能够帮助无人车快速理解其所在场景。

本发明通过基于感知定位监测的无人车语义地图建模及构建应用方法，通过利用激光感知的高精度测距特性，从单帧点云中分割出激光信标的点云信息，再利用预设的信标物理模型，解算出信标的地理信息，包括相对于激光传感器的三维距离信息。用轨迹推算信息和扩展卡尔曼滤波算法求解出相邻帧的信标位置信息关联，得到区域的三维信标子地图。通过利用多线激光雷达数据，解算出环境固定障碍物的地理信息；通过图优化算法优化，将各个信标子地图分层组合，得出全局的可扩展信标-障碍物地图。通过地图采用索引机制，实现了从任意子地图进行二次定位导航，保证了无人移动机器人的导航实时性需求。

本发明在应用过程中具有以下特点：

一、本发明构建的信标地图是一种可应用于室外场景和室内场景的三维建图技术，对室外阴雨、昼夜光照差异、雾尘等恶劣的天气环境条件均有良好的鲁棒性。

二、本发明构建地图的分辨率高，在长宽千米级的场景中能达到厘米级的精度；在建图的过程中通过点云特征匹配和航迹推算算法融合，得出分层的区域子地图和关联子地图的全局地图，避免了传感器的检测误差和算法误差，使得地图的整体精度达到适用精确导航的要求。

三、本发明构建的信标地图是三维立体的，地图中信标的分布有(x,y,z)三个维度的信息，建图方法不但对路面平坦的场景有效，对有坡度的室外场景同样有效。

四、本发明构建信标地图可广泛地应用于工业搬运机器人，区域无人驾驶汽车的定位导航，地图索引效率高，能满足实时性要求。

本发明未详细阐述部分属于本领域技术人员的公知技术。

以上内容是结合具体的实施方式对本发明进行的详细说明，但并不能认定本发明的具体实施只限于这些内容。在不脱离本发明的原理和精神的前提下，本领域技术人员可以对这些实施进行若干调整、修改，本发明的保护范围有所附权利要求及其等同内容限定。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.基于感知定位监测的无人车语义地图建模方法，包括信标地图的建模、信标地图的构建、地图元素定义以及基于信标地图的自主导航定位，其特征在于：

包括无人车语义地图建模；

无人车语义地图建模中包括两个概念模块：实体和属性；

实体包括自车实体、路网实体以及障碍物实体；

路网实体包括区域实体和点实体；

区域实体包括整体路段、连接点、边界、道路隔离带、特殊区域、人行横道、车道线、车道、路段；

区域实体包括路口、掉头以及车道数增减处的连接区域；

点实体包括地面标识、路边标识以及停止线；

障碍物实体包括动态障碍物、静态障碍物、交通设施类型障碍物、行人、动物、车辆、自然障碍以及道路拦截类障碍物；

属性包括点坐标、区域范围以及约束；

属性中的点坐标为地图元素的点坐标；

属性中的区域范围为地图元素的区域范围；

属性中的约束为地图元素之间的约束类型；

无人车语义地图建模中包含两个概念模块内的相应概念的语义关系；

语义关系分为对象属性和数据属性两部分；

对象属性部分包括相应概念之间的继承关系以及关联关系；

包括建立相应概念之间的层次关系；

包括建立相应概念之间的关联关系；

数据属性部分包括自车的全局路径规划信息。

2.根据权利要求1所述的基于感知定位监测的无人车语义地图建模方法，其特征在于：

自车实体为无人车本身或相应类型的无人车实体；

路段内包含若干同方向的车道；

地面标识为地面交通标识；

路边标识为路边交通标识。

3.根据权利要求1所述的基于感知定位监测的无人车语义地图建模方法，其特征在于：

自然障碍包括凹进地面类障碍物和凸出地面类障碍物；

道路拦截类障碍物包括故障标示牌、锥桶、水马围栏、分离线以及施工标示牌。

4.根据权利要求1所述的基于感知定位监测的无人车语义地图建模方法，其特征在于：

约束包括连接约束，为路段与路段的连接方向约束；

连接约束包括左转向连接约束、右转向连接约束、掉头连接约束以及直行连接约束。

5.根据权利要求1所述的基于感知定位监测的无人车语义地图建模方法，其特征在于：

相应概念之间的关联关系包括整体路段与道路隔离带、路段、连接点之间的组合关系；

相应概念之间的关联关系包括路段与连接点之间的连接关系；

相应概念之间的关联关系包括路段与道路隔离带之间的位置关系；

相应概念之间的关联关系包括路段与人行横道之间的位置关系；

相应概念之间的关联关系包括路段与停止线之间的位置关系；

相应概念之间的关联关系包括路段与边界之间的位置关系；

相应概念之间的关联关系包括路段与车道之间的关系；

相应概念之间的关联关系包括路段与路边标识之间的关系；

相应概念之间的关联关系包括连接点与连接约束之间的存在关系；

相应概念之间的关联关系包括连接点与人行横道之间的关系；

相应概念之间的关联关系包括车道与车道线之间的位置关系；

相应概念之间的关联关系包括车道与其他车道之间的方位关系；

相应概念之间的关联关系包括车道与特殊区域之间的位置关系；

相应概念之间的关联关系包括车道与地面标识之间的关系；

相应概念之间的关联关系包括连接约束与路段用以表述连接方向的关系；

相应概念之间的关联关系包括自车与障碍物实体之间的方位关系；

相应概念之间的关联关系包括自车与车道之间的位置关系；

相应概念之间的关联关系包括区域实体与区域范围之间的关系；

相应概念之间的关联关系包括点实体与点坐标之间的关系。

6.根据权利要求1所述的基于感知定位监测的无人车语义地图建模方法，其特征在于：

数据属性部分包括自车的当前速度；

数据属性部分包括自车与下一个即将到达的连接点、人行横道、停止线的距离；

数据属性部分包括自车与障碍物实体的距离；

数据属性部分包括障碍物实体的当前速度以及位姿；

数据属性部分包括点坐标的数据信息；

数据属性部分包括区域范围的数据信息；

数据属性部分包括车道的速度限制信息、车道允许转向信息、车道是否最左最右车道标识以及车道宽度；

数据属性部分包括路段包含的车道数量；

数据属性部分包括整体路段的类型信息；

数据属性部分包括相应实体概念的基本属性。

7.基于感知定位监测的无人车语义地图的构建方法，其特征在于：

通过静态地图数据实例化以及实时障碍物实例化生成语义地图，具体步骤如下：

第一步，通过感知***获取真实行驶环境的详细数据信息，将地图详细数据按照地图概念结构实例化为静态路网实体；

第二步，通过传感器获取实时障碍物位姿信息，将障碍物信息实例化为障碍物地图实体；

第三步，建立步第一步和第二步中得到的静态地图和障碍物地图中的实体相互间语义关系，得到用于无人车的语义地图。

8.根据权利要7所述的基于感知定位监测的无人车语义地图的构建方法，其特征在于：

感知***采用激光雷达、相机、GPS或照片监测卫星或相应的感知装置***；

传感器采用激光雷达、相机、GPS或相应的传感装置***。

9.基于感知定位监测的无人车语义地图的应用方法，其特征在于：

通过语义地图、全局规划路径、无人车当前位姿以及周边实时障碍物信息进行语义推理得到无人车局部场景信息，实现无人车的场景理解，辅助无人车决策；

具体步骤如下：

第一步，通过无人车全局规划***获取无人车目标行驶路径，通过GPS/INS定位定向***实时获取无人车当前位姿；

第二步，通过无人车环境感知***实时感知周边障碍物信息，通过语义推理得到它们与无人车之间的相对位姿；

第三步，通过语义地图、全局规划路径、无人车当前位姿以及周边障碍物相对位姿进行语义推理得到无人车局部场景信息；

第四步，根据相应场景信息辅助无人车做出不同决策。