CN112950972A - 一种停车场地图构建方法、装置、设备和介质 - Google Patents

一种停车场地图构建方法、装置、设备和介质 Download PDF

Info

Publication number
CN112950972A
CN112950972A CN202110097606.1A CN202110097606A CN112950972A CN 112950972 A CN112950972 A CN 112950972A CN 202110097606 A CN202110097606 A CN 202110097606A CN 112950972 A CN112950972 A CN 112950972A
Authority
CN
China
Prior art keywords
map
parking lot
dimensional
identified
intersection
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.)
Granted
Application number
CN202110097606.1A
Other languages
English (en)
Other versions
CN112950972B (zh
Inventor
罗飞扬
王梓里
夏志勋
温俊杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Xiaopeng Motors Technology Co Ltd
Original Assignee
Guangzhou Xiaopeng Autopilot Technology Co Ltd
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 Guangzhou Xiaopeng Autopilot Technology Co Ltd filed Critical Guangzhou Xiaopeng Autopilot Technology Co Ltd
Priority to CN202110097606.1A priority Critical patent/CN112950972B/zh
Publication of CN112950972A publication Critical patent/CN112950972A/zh
Application granted granted Critical
Publication of CN112950972B publication Critical patent/CN112950972B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096708—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control
    • G08G1/096725—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control where the received information generates an automatic action on the vehicle control
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Geometry (AREA)
  • Remote Sensing (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Atmospheric Sciences (AREA)
  • Computer Graphics (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)
  • Image Processing (AREA)

Abstract

本申请公开了一种停车场地图构建方法、装置、设备和介质，方法包括：获取车端的两种以上传感器采集的停车场数据；将各传感器采集的停车场数据转换到同一坐标系下后，基于同一坐标系下的停车场数据构建三维地图；基于三维地图确定待识别地图，并将待识别地图输入到预置深度学习模型进行路口识别，得到待识别地图的路口识别结果；将路口识别结果添加到三维地图，得到停车场地图。本申请改善了现有技术直接对摄像头采集的停车场图像进行路口识别，存在识别精度较低，影响自动驾驶车辆在停车场环境中行驶的安全性的技术问题。

Description

一种停车场地图构建方法、装置、设备和介质
技术领域
本申请涉及地图构建技术领域，尤其涉及一种停车场地图构建方法、装置、设备和介质。
背景技术
为了保证自动驾驶车辆在停车场环境中安全行驶，需提前准确感知路口，因此在停车场地图中的路口是非常重要的语义元素。现有技术通常基于视觉图像对停车场环境的路口进行识别，而对于停车场路口这种典型的场景，直接对摄像头采集的图像进行路口识别比较困难，特别是存在场景遮挡、视野不全等问题时，路口识别精度难以保证，进而影响自动驾驶车辆在停车场环境中行驶的安全性。
发明内容
本申请提供了一种停车场地图构建方法、装置、设备和介质，用于改善现有技术直接对摄像头采集的停车场图像进行路口识别，存在识别精度较低，影响自动驾驶车辆在停车场环境中行驶的安全性的技术问题。
有鉴于此，本申请第一方面提供了一种停车场地图构建方法，包括：
获取车端的两种以上传感器采集的停车场数据；
将各所述传感器采集的所述停车场数据转换到同一坐标系下后，基于同一坐标系下的所述停车场数据构建三维地图；
基于所述三维地图确定待识别地图，并将所述待识别地图输入到预置深度学习模型进行路口识别，得到所述待识别地图的路口识别结果；
将所述路口识别结果添加到所述三维地图，得到停车场地图。
可选的，所述将各所述传感器采集的停车场数据转换到同一坐标系下后，基于同一坐标系下的所述停车场数据构建三维地图，之后还包括：
对所述三维地图进行区域划分，得到若干三维子地图；
所述基于所述三维地图确定待识别地图，并将所述待识别地图输入到预置深度学习模型进行路口识别，得到所述待识别地图的路口识别结果，包括：
基于各所述三维子地图确定待识别地图，并将所述待识别地图输入到预置深度学习模型进行路口识别，得到所述待识别地图的路口识别结果。
可选的，所述对所述三维地图进行区域划分，得到若干三维子地图，之后还包括：
对各所述三维子地图进行映射处理，得到地图图像；
基于各所述三维子地图确定待识别地图，并将所述待识别地图输入到预置深度学习模型进行路口识别，得到所述待识别地图的路口识别结果，包括：
基于所述地图图像确定待识别地图图像，并将所待识别地图图像作为待识别地图输入到预置深度学习模型进行路口识别，得到所述待识别地图的路口识别结果。
可选的，所述将各所述传感器采集的所述停车场数据转换到同一坐标系下后，基于同一坐标系下的所述停车场数据构建三维地图，之后还包括：
对所述三维地图进行映射处理，得到地图图像。
可选的，所述地图图像的映射过程包括：
确定待映射三维地图的纵坐标最小坐标值和横坐标最小坐标值；
根据预置地图-图像尺度因子、所述待映射三维地图的纵坐标最小坐标值和横坐标最小坐标值，将所述待映射三维地图映射为所述地图图像。
可选的，所述预置深度学习模型的配置过程为：
基于所述三维地图确定待标注地图；
对所述待标注地图中的路口的可通行边和不可通行边进行标注，得到训练样本；
通过所述训练样本训练深度学习网络，得到所述预置深度学习模型。
本申请第二方面提供了一种停车场地图构建装置，包括：
获取单元，用于获取车端的两种以上传感器采集的停车场数据；
转换单元，用于将各所述传感器采集的所述停车场数据转换到同一坐标系下后，基于同一坐标系下的所述停车场数据构建三维地图；
识别单元，用于基于所述三维地图确定待识别地图，并将所述待识别地图输入到预置深度学习模型进行路口识别，得到所述待识别地图的路口识别结果；
添加单元，用于将所述路口识别结果添加到所述三维地图，得到停车场地图。
可选的，还包括：
划分单元，用于对所述三维地图进行区域划分，得到若干三维子地图；
所述识别单元，具体用于基于各所述三维子地图确定待识别地图，并将所述待识别地图输入到预置深度学习模型进行路口识别，得到所述待识别地图的路口识别结果。
可选的，还包括：
第一映射单元，用于对各所述三维子地图进行映射处理，得到地图图像；
所述识别单元，具体用于基于所述地图图像确定待识别地图图像，并将所待识别地图图像作为待识别地图输入到预置深度学习模型进行路口识别，得到所述待识别地图的路口识别结果。
可选的，还包括：
第二映射单元，用于对所述三维地图进行映射处理，得到地图图像。
可选的，所述地图图像的映射过程包括：
确定待映射三维地图的纵坐标最小坐标值和横坐标最小坐标值；
根据预置地图-图像尺度因子、所述待映射三维地图的纵坐标最小坐标值和横坐标最小坐标值，将所述待映射三维地图映射为所述地图图像。
本申请第三方面提供了一种停车场地图构建设备，所述设备包括处理器以及存储器；
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行第一方面任一种所述的停车场地图构建方法。
本申请第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行第一方面任一种所述的停车场地图构建方法。
从以上技术方案可以看出，本申请具有以下优点：
本申请提供了一种停车场地图构建方法，包括：获取车端的两种以上传感器采集的停车场数据；将各传感器采集的停车场数据转换到同一坐标系下后，基于同一坐标系下的停车场数据构建三维地图；基于三维地图确定待识别地图，并将待识别地图输入到预置深度学习模型进行路口识别，得到待识别地图的路口识别结果；将路口识别结果添加到三维地图，得到停车场地图。
本申请中，通过结合两种以上传感器采集的停车场数据来构建三维地图，可以得到包含更丰富的路口特征的三维地图；通过将该包含更丰富的路口特征的三维地图输入到预置深度学习模型进行路口识别，有助于提高路口识别精度，得到更精确、更可靠的路口语义元素的路口识别结果；将该路口识别结果添加到三维地图中，得到高精度的停车场地图，得到的高精度的停车场地图有助于提高自动驾驶车辆在停车场环境中行驶的安全性，从而改善了现有技术直接对摄像头采集的停车场图像进行路口识别，存在识别精度较低，影响自动驾驶车辆在停车场环境中行驶的安全性的技术问题。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本申请提供的一种停车场地图构建方法的实施例一的流程示意图；
图2为本申请实施例提供的一种停车场的三维地图的俯视视角图；
图3为本申请提供的一种停车场地图构建方法的实施例二的流程示意图；
图4为本申请提供的一种停车场地图构建方法的实施例三的流程示意图；
图5为本申请提供的一种停车场地图构建方法的实施例四的流程示意图；
图6为本申请实施例提供的通过映射得到的一个地图图像；
图7为本申请实施例提供的对图6中的地图图像进行标注后得到的训练样本的示意图；
图8为本申请实施例提供的对图2中的三维地图进行路口识别后得到的停车场地图的俯视视角图；
图9为本申请实施例提供的一种停车场地图构建装置的一个结构示意图。
具体实施方式
本申请提供了一种停车场地图构建方法、装置、设备和介质，用于改善现有技术直接对摄像头采集的停车场图像进行路口识别，存在识别精度较低，影响自动驾驶车辆在停车场环境中行驶的安全性的技术问题。
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
为了便于理解，请参阅图1，本申请提供的一种停车场地图构建方法的一个实施例，包括：
步骤101、获取车端的两种以上传感器采集的停车场数据。
本申请实施例考虑到直接对摄像头采集的停车场图像进行路口识别比较困难，特别是存在场景遮挡、视野不全等问题时，路口识别精度难以保证，进而影响自动驾驶车辆在停车场环境中行驶的安全性。
为了改善上述问题，本申请实施例获取车端的两种以上传感器采集的停车场数据，其中，传感器可以包括摄像头、里程计或雷达，雷达可以包括超声波雷达、毫米波雷达或激光雷达。自动驾驶车辆在停车场行驶时，自动驾驶车辆的摄像头会识别停车场路面标识，如车道线、车位、箭头、减速带以及其他常用路面标识里；自动驾驶车辆的雷达会检测障碍物；自动驾驶车辆的里程计会记录该车的行驶轨迹。因此，可以通过车端的摄像头、雷达和里程计可以获取包括路面标识、障碍物点云和行驶轨迹等的停车场数据。当然，自动驾驶车辆的里程计也可由IMU(惯性传感器)或轮速的组合惯导***获取或其他slam算法计算获取。
步骤102、将各传感器采集的停车场数据转换到同一坐标系下后，基于同一坐标系下的停车场数据构建三维地图。
由于不同的传感器采集的停车场数据可能是不同维度的数据，例如，通过摄像头获取的路面标识为二维数据，而通过雷达获取的障碍物点云为三维数据。因此，需要将各传感器采集的停车场数据转换到同一坐标系下，再基于同一坐标系下的停车场数据构建停车场的三维地图，该三维地图包含车道线、车位、箭头、障碍物点、减速带、行驶轨迹等点、线元素，可以参考图2提供的一种停车场的三维地图的俯视视角图。
可以理解的是，可以获取多个自动驾驶车辆的传感器采集的停车场数据，对应的可以构建得到多个停车场的三维地图。
步骤103、基于三维地图确定待识别地图，并将待识别地图输入到预置深度学习模型进行路口识别，得到待识别地图的路口识别结果。
在构建得到三维地图后，可以从得到的多个三维地图中选取若干个三维地图作为待标注地图，剩余的三维地图作为待识别地图。通过待标注地图配置预置深度学习模型；然后将待识别地图输入到预置深度学习模型进行路口识别，得到待识别地图的路口识别结果。其中，该路口识别结果包括待识别地图中的路口的可通行边和不可通行边。
进一步，预置深度学习模型的配置过程为：基于三维地图确定待标注地图；对待标注地图中的路口的可通行边和不可通行边进行标注，得到训练样本；通过训练样本训练深度学习网络，得到预置深度学习模型。本申请实施例中的深度学习网络可以采用现有的深度学习网络结构，例如残差网络，可以根据实际需要选择具体的网络结构，在此对深度学习网络的具体结构不做具体限定。
步骤104、将路口识别结果添加到三维地图，得到停车场地图。
得到三维地图的路口识别结果后，将该路口识别结果添加到该三维地图中，得到停车场地图，具体的，将识别得到的路口及路口的可通行边、不可通行边添加到对应的三维地图中，得到停车场地图，使得自动驾驶车辆进入到某停车场时，可以根据该停车场的停车场地图来安全行驶，保证了自动驾驶车辆行驶的安全性。对图2中的三维地图进行路口识别后，将路口识别结果添加到该三维地图后得到的停车场地图如图8所示。
本申请实施例中，通过结合两种以上传感器采集的停车场数据来构建三维地图，可以得到包含更丰富的路口特征的三维地图；通过将该包含更丰富的路口特征的三维地图输入到预置深度学习模型进行路口识别，有助于提高路口识别精度，得到更精确、更可靠的路口语义元素的路口识别结果；将该路口识别结果添加到三维地图中，得到高精度的停车场地图，得到的高精度的停车场地图有助于提高自动驾驶车辆在停车场环境中行驶的安全性，从而改善了现有技术直接对摄像头采集的停车场图像进行路口识别，存在识别精度较低，影响自动驾驶车辆在停车场环境中行驶的安全性的技术问题。
以上为本申请提供的一种停车场地图构建方法的实施例一，以下为本申请提供的一种停车场地图构建方法的实施例二。
请参阅图3，本申请实施例提供的一种停车场地图构建方法，包括：
步骤201、获取车端的两种以上传感器采集的停车场数据。
步骤202、将各传感器采集的停车场数据转换到同一坐标系下后，基于同一坐标系下的停车场数据构建三维地图。
步骤201至202的具体内容与前述步骤101至102的具体内容一致，在此不再进行赘述。
步骤203、对三维地图进行区域划分，得到若干三维子地图。
本申请实施例考虑到将停车场的整个三维地图直接输入到预置深度学习模型进行路口识别，数据量较大，影响路口识别速度。为了改善该问题，本申请实施例在构建得到三维地图后，可以进一步对三维地图进行区域划分，根据三维地图的大小，将其划分为多个子区域，得到若干三维子地图。
步骤204、基于各三维子地图确定待识别地图，并将待识别地图输入到预置深度学习模型进行路口识别，得到待识别地图的路口识别结果。
在得到多个三维子地图后，可以从得到的多个三维子地图中选取若干个三维子地图作为待标注地图，剩余的三维子地图作为待识别地图。通过待标注地图配置预置深度学习模型；然后将待识别地图输入到预置深度学习模型进行路口识别，得到待识别地图的路口识别结果。其中，该路口识别结果包括待识别地图中的路口的可通行边和不可通行边。
进一步，预置深度学习模型的配置过程为：基于三维子地图确定待标注地图；对待标注地图中的路口的可通行边和不可通行边进行标注，得到训练样本；通过训练样本训练深度学习网络，得到预置深度学习模型。
步骤205、将路口识别结果添加到三维地图，得到停车场地图。
得到各三维子地图的路口识别结果后，将该路口识别结果添加到三维地图对应的位置中，得到停车场地图，具体的，将识别得到的路口及路口的可通行边、不可通行边添加到对应的三维地图中，得到停车场地图，使得自动驾驶车辆进入到某停车场时，可以根据该停车场的停车场地图来安全行驶，保证了自动驾驶车辆行驶的安全性。
本申请实施例中，通过结合两种以上传感器采集的停车场数据来构建三维地图，可以得到包含更丰富的路口特征的三维地图；通过将该包含更丰富的路口特征的三维地图输入到预置深度学习模型进行路口识别，有助于提高路口识别精度，得到更精确、更可靠的路口语义元素的路口识别结果；将该路口识别结果添加到三维地图中，得到高精度的停车场地图，得到的高精度的停车场地图有助于提高自动驾驶车辆在停车场环境中行驶的安全性，从而改善了现有技术直接对摄像头采集的停车场图像进行路口识别，存在识别精度较低，影响自动驾驶车辆在停车场环境中行驶的安全性的技术问题。
进一步，本申请实施例对三维地图进行区域划分得到若干三维子地图，再将各三维子地图输入到预置深度学习模型进行路口识别，改善了将停车场的整个三维地图直接输入到预置深度学习模型进行路口识别，存在的数据量较大，影响路口识别速度的问题。
以上为本申请提供的一种停车场地图构建方法的实施例二，以下为本申请提供的一种停车场地图构建方法的实施例三。
请参阅图4，本申请实施例提供的一种停车场地图构建方法，包括：
步骤301、获取车端的两种以上传感器采集的停车场数据。
步骤302、将各传感器采集的停车场数据转换到同一坐标系下后，基于同一坐标系下的停车场数据构建三维地图。
步骤301至302的具体内容与前述步骤101至102的具体内容一致，在此不再进行赘述。
步骤303、对三维地图进行映射处理，得到地图图像。
在本申请实施例中，在构建得到三维地图后，根据地图坐标和图像坐标的映射关系，可以将三维地图映射为图像，得到地图图像，从而将三维地图的路口识别转换为二维图像的路口识别，可以降低深度学习模型的输入数据的复杂性。
进一步，地图图像的映射过程可以为：确定待映射三维地图的纵坐标最小坐标值和横坐标最小坐标值；根据预置地图-图像尺度因子、待映射三维地图的纵坐标最小坐标值和横坐标最小坐标值，将待映射三维地图映射为地图图像。当对三维地图进行映射处理得到地图图像时，待映射三维地图为该三维地图。
将待映射三维地图映射为地图图像时，需要构建地图坐标和图像坐标的映射关系，在构建地图坐标和图像坐标的映射关系时，忽略待映射三维地图的高度信息，已知待映射三维地图中的某一点在地图坐标系中为P(x,y)，根据地图坐标和图像坐标的映射关系可以计算该点P(x,y)对应的在图像坐标系中的点p(u,v)，即：
u＝(x-minx)/s；
v＝(y-miny)/s；
式中，minx为待映射三维地图的横坐标最小坐标值，miny为待映射三维地图的纵坐标最小坐标值，s为预置地图-图像尺度因子，单位为米/像素，s的取值可以实际需要进行设置，在此不做具体限定；其中，地图坐标系中的点的单位为米，图像坐标系中的点的单位为像素。
反之，若已知图像坐标系中的点p(u,v)，根据地图坐标和图像坐标的映射关系可以计算该点p(u,v)对应的在地图坐标系中的点P(x,y)，即：
x＝u*s+minx；
y＝v*s+miny；
根据待映射三维地图的横坐标最大坐标值maxx、纵坐标最大坐标值maxy、预置地图-图像尺度因子s以及纵坐标最小坐标值miny和横坐标最小坐标值minx可以计算得到映射后的地图图像的大小w*h，即：
w＝(maxx-minx)/s；
h＝(maxy-miny)/s；
式中，w为地图图像的宽度，h为地图图像的高度。
进一步，将三维地图映射为地图图像后，可以对地图图像中的不同类型元素(车位、车道线、减速带、箭头、行驶轨迹等)采用不同颜色进行表示。使用不同颜色区分不同的数据元素，使路口特征更加明显，进而有助于提高预置深度学习模型对地图图像中的路口识别精度，并有效区分路口的可通行和不可通行边。
步骤304、基于地图图像确定待识别地图图像，并将所待识别地图图像作为待识别地图输入到预置深度学习模型进行路口识别，得到待识别地图的路口识别结果。
可以理解的是，可以获取多个自动驾驶车辆的传感器采集的停车场数据，可以构建得到多个停车场的三维地图，对应的，可以映射得到多个地图图像。可以从得到的多个地图图像中选取若干个地图图像作为待识别地图图像，将待识别地图图像作为待识别地图输入到通过预置深度学习模型进行路口识别，得到待识别地图的路口识别结果，其中，该路口识别结果包括待识别地图中的路口的可通行边和不可通行边。
从得到的多个地图图像中选取若干个地图图像作为待识别地图图像后，剩余的地图图像作为待标注地图图像；通过对待标注地图图像中的路口进行标注，具体的，对待标注地图图像中的路口的可通行边和不可通行边进行标注，得到训练样本；通过训练样本训练深度学习网络，得到预置深度学习模型。
本申请实施例中，通过建立地图坐标和图像坐标的映射关系，将三维地图的路口识别转换为二维图像的路口识别，简化了待标注地图图像的标注过程，降低了深度学习网络输入数据的复杂性，进而降低了预置深度学习模型的复杂度，有助于提高路口识别速度。
步骤305、将路口识别结果添加到三维地图，得到停车场地图。
得到待识别地图的路口识别结果后，可以确定待识别地图的路口特征，即待识别地图中的路口及路口的可通行边和不可通行边，进而可以确定多边形路口区域；根据地图坐标和图像坐标的映射关系，可以计算得到多边形路口区域在地图坐标系中的坐标，最后根据多边形路口区域在地图坐标系中的坐标将该多边形路口区域加入到三维地图中，得到停车场地图。
本申请实施例中，通过结合两种以上传感器采集的停车场数据来构建三维地图，可以得到包含更丰富的路口特征的三维地图；通过将该包含更丰富的路口特征的三维地图输入到预置深度学习模型进行路口识别，有助于提高路口识别精度，得到更精确、更可靠的路口语义元素的路口识别结果；将该路口识别结果添加到三维地图中，得到高精度的停车场地图，得到的高精度的停车场地图有助于提高自动驾驶车辆在停车场环境中行驶的安全性，从而改善了现有技术直接对摄像头采集的停车场图像进行路口识别，存在识别精度较低，影响自动驾驶车辆在停车场环境中行驶的安全性的技术问题。
进一步，本申请实施例建立地图坐标和图像坐标的映射关系，将三维地图的路口识别转换为二维图像的路口识别，简化了待标注地图图像的标注过程，降低了深度学习网络输入数据的复杂性，进而降低了预置深度学习模型的复杂度，有助于提高路口识别速度。
进一步，本申请实施例将三维地图映射为地图图像后，对地图图像中的不同类型元素(车位、车道线、减速带、箭头、行驶轨迹等)采用不同颜色进行表示，使用不同颜色区分不同的数据元素，使路口特征更加明显，进而有助于提高预置深度学习模型对地图图像中的路口识别精度，并有效区分路口的可通行和不可通行边。
以上为本申请提供的一种停车场地图构建方法的实施例三，以下为本申请提供的一种停车场地图构建方法的实施例四。
请参阅图5，本申请实施例提供的一种停车场地图构建方法，包括：
步骤401、获取车端的两种以上传感器采集的停车场数据。
步骤402、将各传感器采集的停车场数据转换到同一坐标系下后，基于同一坐标系下的停车场数据构建三维地图。
步骤403、对三维地图进行区域划分，得到若干三维子地图。
步骤401至403的具体内容与前述步骤201至203的具体内容一致，在此不再进行赘述。
步骤404、对各三维子地图进行映射处理，得到地图图像。
考虑到将停车场的整个地图图像直接输入到预置深度学习模型进行路口识别，数据量较大，影响路口识别速度。为了改善该问题，本申请实施例在将三维地图映射为地图图像之前，可以进一步对三维地图进行区域划分，得到若干三维子地图；再对各三维子地图进行映射处理，得到地图图像。以图2提供的一种三维地图为例，对该三维地图进行区域划分后，再对各三维子地图进行映射，得到的多个地图图像，可以参考图6提供的映射得到的一个地图图像。
进一步，地图图像的映射过程可以为：确定待映射三维地图的纵坐标最小坐标值和横坐标最小坐标值；根据预置地图-图像尺度因子、待映射三维地图的纵坐标最小坐标值和横坐标最小坐标值，将待映射三维地图映射为地图图像。当对三维子地图进行映射处理得到地图图像时，待映射三维地图为该三维子地图。具体的映射过程可以参考前述步骤303，在此不再进行赘述。
需要说明的是，也可以将三维地图映射为地图图像后，对地图图像进行划分，得到若干子地图图像；再基于各子地图图像确定待识别地图图像，并将待识别地图图像作为待识别地图输入到预置深度学习模型进行路口识别，得到待识别地图的路口识别结果。
步骤405、基于地图图像确定待识别地图图像，并将待识别地图图像作为待识别地图输入到预置深度学习模型进行路口识别，得到待识别地图的路口识别结果。
可以从得到的多个地图图像中选取若干个地图图像作为待识别地图图像，将待识别地图图像作为待识别地图输入到通过预置深度学习模型进行路口识别，得到待识别地图的路口识别结果，其中，该路口识别结果包括待识别地图中的路口的可通行边和不可通行边。
从得到的多个地图图像中选取若干个地图图像作为待识别地图图像后，剩余的地图图像作为待标注地图图像；通过对待标注地图图像中的路口进行标注，具体的，对待标注地图图像中的路口的可通行边和不可通行边进行标注，得到训练样本。以图6中的地图图像为待标注地图图像，对其路口的可通行边采用虚线标注，路口的不可通行边采用实线进行标注，得到如图7所示的训练样本。通过训练样本训练深度学习网络，得到预置深度学习模型。
本申请实施例中，通过建立地图坐标和图像坐标的映射关系，将三维地图的路口识别转换为二维图像的路口识别，简化了待标注地图图像的标注过程，降低了深度学习网络输入数据的复杂性，进而降低了预置深度学习模型的复杂度，有助于提高路口识别速度。
步骤406、将路口识别结果添加到三维地图，得到停车场地图。
步骤405至406的具体内容与前述步骤304至305的具体内容一致，在此不再进行赘述。
本申请实施例中，通过结合两种以上传感器采集的停车场数据来构建三维地图，可以得到包含更丰富的路口特征的三维地图；通过将该包含更丰富的路口特征的三维地图输入到预置深度学习模型进行路口识别，有助于提高路口识别精度，得到更精确、更可靠的路口语义元素的路口识别结果；将该路口识别结果添加到三维地图中，得到高精度的停车场地图，得到的高精度的停车场地图有助于提高自动驾驶车辆在停车场环境中行驶的安全性，从而改善了现有技术直接对摄像头采集的停车场图像进行路口识别，存在识别精度较低，影响自动驾驶车辆在停车场环境中行驶的安全性的技术问题。
进一步，本申请实施例对三维地图进行区域划分得到若干三维子地图，再将各三维子地图映射为地图图像，将三维子地图对应的地图图像输入到预置深度学习模型进行路口识别，改善了将停车场的整个地图图像直接输入到预置深度学习模型进行路口识别，存在的数据量较大，影响路口识别速度的问题。
以上为本申请提供的一种停车场地图构建方法的实施例四，以下为本申请提供的一种停车场地图构建装置的一个实施例。
请参考图9，本申请实施例提供的一种停车场地图构建装置，包括：
获取单元，用于获取车端的两种以上传感器采集的停车场数据；
转换单元，用于将各传感器采集的停车场数据转换到同一坐标系下后，基于同一坐标系下的停车场数据构建三维地图；
识别单元，用于基于三维地图确定待识别地图，并将待识别地图输入到预置深度学习模型进行路口识别，得到待识别地图的路口识别结果；
添加单元，用于将路口识别结果添加到三维地图，得到停车场地图。
作为进一步地改进，还包括：
划分单元，用于对三维地图进行区域划分，得到若干三维子地图；
识别单元，具体用于基于各三维子地图确定待识别地图，并将待识别地图输入到预置深度学习模型进行路口识别，得到待识别地图的路口识别结果。
作为进一步地改进，还包括：
第一映射单元，用于对各三维子地图进行映射处理，得到地图图像；
识别单元，具体用于基于地图图像确定待识别地图图像，并将所待识别地图图像作为待识别地图输入到预置深度学习模型进行路口识别，得到待识别地图的路口识别结果。
作为进一步地改进，还包括：
第二映射单元，用于对三维地图进行映射处理，得到地图图像。
作为进一步地改进，地图图像的映射过程包括：
确定待映射三维地图的纵坐标最小坐标值和横坐标最小坐标值；
根据预置地图-图像尺度因子、待映射三维地图的纵坐标最小坐标值和横坐标最小坐标值，将待映射三维地图映射为地图图像。
本申请实施例中，通过结合两种以上传感器采集的停车场数据来构建三维地图，可以得到包含更丰富的路口特征的三维地图；通过将该包含更丰富的路口特征的三维地图输入到预置深度学习模型进行路口识别，有助于提高路口识别精度，得到更精确、更可靠的路口语义元素的路口识别结果；将该路口识别结果添加到三维地图中，得到高精度的停车场地图，得到的高精度的停车场地图有助于提高自动驾驶车辆在停车场环境中行驶的安全性，从而改善了现有技术直接对摄像头采集的停车场图像进行路口识别，存在识别精度较低，影响自动驾驶车辆在停车场环境中行驶的安全性的技术问题。
进一步，本申请实施例建立地图坐标和图像坐标的映射关系，将三维地图的路口识别转换为二维图像的路口识别，简化了待标注地图图像的标注过程，降低了深度学习网络输入数据的复杂性，进而降低了预置深度学习模型的复杂度，有助于提高路口识别速度。
进一步，本申请实施例对三维地图进行区域划分得到若干三维子地图，再将各三维子地图映射为地图图像，将三维子地图对应的地图图像输入到预置深度学习模型进行路口识别，改善了将停车场的整个地图图像直接输入到预置深度学习模型进行路口识别，存在的数据量较大，影响路口识别速度的问题。
本申请实施例还提供了一种停车场地图构建设备，其特征在于，设备包括处理器以及存储器；
存储器用于存储程序代码，并将程序代码传输给处理器；
处理器用于根据程序代码中的指令执行前述方法实施例中的停车场地图构建方法。
本申请实施例还提供了一种计算机可读存储介质，计算机可读存储介质用于存储程序代码，程序代码用于执行前述方法实施例中的停车场地图构建方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个以上(含两个)单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以通过一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文全称：Read-OnlyMemory，英文缩写：ROM)、随机存取存储器(英文全称：RandomAccess Memory，英文缩写：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (13)

1.一种停车场地图构建方法，其特征在于，包括：
获取车端的两种以上传感器采集的停车场数据；
将各所述传感器采集的所述停车场数据转换到同一坐标系下后，基于同一坐标系下的所述停车场数据构建三维地图；
基于所述三维地图确定待识别地图，并将所述待识别地图输入到预置深度学习模型进行路口识别，得到所述待识别地图的路口识别结果；
将所述路口识别结果添加到所述三维地图，得到停车场地图。
2.根据权利要求1所述的停车场地图构建方法，其特征在于，所述将各所述传感器采集的停车场数据转换到同一坐标系下后，基于同一坐标系下的所述停车场数据构建三维地图，之后还包括：
对所述三维地图进行区域划分，得到若干三维子地图；
所述基于所述三维地图确定待识别地图，并将所述待识别地图输入到预置深度学习模型进行路口识别，得到所述待识别地图的路口识别结果，包括：
基于各所述三维子地图确定待识别地图，并将所述待识别地图输入到预置深度学习模型进行路口识别，得到所述待识别地图的路口识别结果。
3.根据权利要求2所述的停车场地图构建方法，其特征在于，所述对所述三维地图进行区域划分，得到若干三维子地图，之后还包括：
对各所述三维子地图进行映射处理，得到地图图像；
基于各所述三维子地图确定待识别地图，并将所述待识别地图输入到预置深度学习模型进行路口识别，得到所述待识别地图的路口识别结果，包括：
基于所述地图图像确定待识别地图图像，并将所待识别地图图像作为待识别地图输入到预置深度学习模型进行路口识别，得到所述待识别地图的路口识别结果。
4.根据权利要求1所述的停车场地图构建方法，其特征在于，所述将各所述传感器采集的所述停车场数据转换到同一坐标系下后，基于同一坐标系下的所述停车场数据构建三维地图，之后还包括：
对所述三维地图进行映射处理，得到地图图像。
5.根据权利要求3或4所述的停车场地图构建方法，其特征在于，所述地图图像的映射过程包括：
确定待映射三维地图的纵坐标最小坐标值和横坐标最小坐标值；
根据预置地图-图像尺度因子、所述待映射三维地图的纵坐标最小坐标值和横坐标最小坐标值，将所述待映射三维地图映射为所述地图图像。
6.根据权利要求1所述的停车场地图构建方法，其特征在于，所述预置深度学习模型的配置过程为：
基于所述三维地图确定待标注地图；
对所述待标注地图中的路口的可通行边和不可通行边进行标注，得到训练样本；
通过所述训练样本训练深度学习网络，得到所述预置深度学习模型。
7.一种停车场地图构建装置，其特征在于，包括：
获取单元，用于获取车端的两种以上传感器采集的停车场数据；
转换单元，用于将各所述传感器采集的所述停车场数据转换到同一坐标系下后，基于同一坐标系下的所述停车场数据构建三维地图；
识别单元，用于基于所述三维地图确定待识别地图，并将所述待识别地图输入到预置深度学习模型进行路口识别，得到所述待识别地图的路口识别结果；
添加单元，用于将所述路口识别结果添加到所述三维地图，得到停车场地图。
8.根据权利要求7所述的停车场地图构建装置，其特征在于，还包括：
划分单元，用于对所述三维地图进行区域划分，得到若干三维子地图；
所述识别单元，具体用于基于各所述三维子地图确定待识别地图，并将所述待识别地图输入到预置深度学习模型进行路口识别，得到所述待识别地图的路口识别结果。
9.根据权利要求8所述的停车场地图构建装置，其特征在于，还包括：
第一映射单元，用于对各所述三维子地图进行映射处理，得到地图图像；
所述识别单元，具体用于基于所述地图图像确定待识别地图图像，并将所待识别地图图像作为待识别地图输入到预置深度学习模型进行路口识别，得到所述待识别地图的路口识别结果。
10.根据权利要求7所述的停车场地图构建装置，其特征在于，还包括：
第二映射单元，用于对所述三维地图进行映射处理，得到地图图像。
11.根据权利要求9或10所述的停车场地图构建装置，其特征在于，所述地图图像的映射过程包括：
确定待映射三维地图的纵坐标最小坐标值和横坐标最小坐标值；
根据预置地图-图像尺度因子、所述待映射三维地图的纵坐标最小坐标值和横坐标最小坐标值，将所述待映射三维地图映射为所述地图图像。
12.一种停车场地图构建设备，其特征在于，所述设备包括处理器以及存储器；
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行权利要求1-6任一项所述的停车场地图构建方法。
13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行权利要求1-6任一项所述的停车场地图构建方法。
CN202110097606.1A 2021-01-25 2021-01-25 一种停车场地图构建方法、装置、设备和介质 Active CN112950972B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110097606.1A CN112950972B (zh) 2021-01-25 2021-01-25 一种停车场地图构建方法、装置、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110097606.1A CN112950972B (zh) 2021-01-25 2021-01-25 一种停车场地图构建方法、装置、设备和介质

Publications (2)

Publication Number Publication Date
CN112950972A true CN112950972A (zh) 2021-06-11
CN112950972B CN112950972B (zh) 2022-07-01

Family

ID=76236506

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110097606.1A Active CN112950972B (zh) 2021-01-25 2021-01-25 一种停车场地图构建方法、装置、设备和介质

Country Status (1)

Country Link
CN (1) CN112950972B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114440859A (zh) * 2022-01-26 2022-05-06 广州小鹏自动驾驶科技有限公司 地图更新方法、装置、计算机设备及存储介质
CN114743405A (zh) * 2022-03-29 2022-07-12 广州小鹏自动驾驶科技有限公司 车位数据的处理方法、装置、电子设备及存储介质
CN114937369A (zh) * 2022-04-06 2022-08-23 福思(杭州)智能科技有限公司 自主代客泊车方法、***、车辆、停车场端、装置和介质
CN117495847A (zh) * 2023-12-27 2024-02-02 安徽蔚来智驾科技有限公司 路口检测方法、可读存储介质及智能设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9984572B1 (en) * 2017-01-16 2018-05-29 Nio Usa, Inc. Method and system for sharing parking space availability among autonomous vehicles
CN108801276A (zh) * 2018-07-23 2018-11-13 奇瑞汽车股份有限公司 高精度地图生成方法及装置
CN108959321A (zh) * 2017-05-25 2018-12-07 纵目科技（上海）股份有限公司 停车场地图构建方法、***、移动终端及存储介质
CN109253731A (zh) * 2018-08-06 2019-01-22 百度在线网络技术（北京）有限公司 停车场地图生成方法、装置、设备及可读存储介质
CN109429518A (zh) * 2017-06-22 2019-03-05 百度时代网络技术（北京）有限公司 基于地图图像的自动驾驶交通预测

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9984572B1 (en) * 2017-01-16 2018-05-29 Nio Usa, Inc. Method and system for sharing parking space availability among autonomous vehicles
CN108959321A (zh) * 2017-05-25 2018-12-07 纵目科技（上海）股份有限公司 停车场地图构建方法、***、移动终端及存储介质
CN109429518A (zh) * 2017-06-22 2019-03-05 百度时代网络技术（北京）有限公司 基于地图图像的自动驾驶交通预测
CN108801276A (zh) * 2018-07-23 2018-11-13 奇瑞汽车股份有限公司 高精度地图生成方法及装置
CN109253731A (zh) * 2018-08-06 2019-01-22 百度在线网络技术（北京）有限公司 停车场地图生成方法、装置、设备及可读存储介质

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114440859A (zh) * 2022-01-26 2022-05-06 广州小鹏自动驾驶科技有限公司 地图更新方法、装置、计算机设备及存储介质
CN114743405A (zh) * 2022-03-29 2022-07-12 广州小鹏自动驾驶科技有限公司 车位数据的处理方法、装置、电子设备及存储介质
CN114743405B (zh) * 2022-03-29 2023-10-31 广州小鹏自动驾驶科技有限公司 车位数据的处理方法、装置、电子设备及存储介质
CN114937369A (zh) * 2022-04-06 2022-08-23 福思(杭州)智能科技有限公司 自主代客泊车方法、***、车辆、停车场端、装置和介质
CN117495847A (zh) * 2023-12-27 2024-02-02 安徽蔚来智驾科技有限公司 路口检测方法、可读存储介质及智能设备
CN117495847B (zh) * 2023-12-27 2024-03-19 安徽蔚来智驾科技有限公司 路口检测方法、可读存储介质及智能设备

Also Published As

Publication number Publication date
CN112950972B (zh) 2022-07-01

Similar Documents

Publication Publication Date Title
CN112950972B (zh) 一种停车场地图构建方法、装置、设备和介质
US11131999B2 (en) Method and apparatus for identifying laser point cloud data of autonomous vehicle
CN110155053B (zh) 提供用于驾驶车辆的信息的方法和设备
CN110501018B (zh) 一种服务于高精度地图生产的交通标志牌信息采集方法
CN109584706B (zh) 电子地图车道线处理方法、设备及计算机可读存储介质
US11670087B2 (en) Training data generating method for image processing, image processing method, and devices thereof
US10118614B2 (en) Detailed map format for autonomous driving
CN110287276A (zh) 高精地图更新方法、装置及存储介质
CN112212874B (zh) 车辆轨迹预测方法、装置、电子设备及计算机可读介质
Li et al. Springrobot: A prototype autonomous vehicle and its algorithms for lane detection
US11231283B2 (en) Localization with neural network based image registration of sensor data and map data
US20190005667A1 (en) Ground Surface Estimation
CN108303103A (zh) 目标车道的确定方法和装置
EP3762856A1 (en) Automatic identification of roadside objects for localization
Agrawal et al. Localization and mapping for autonomous navigation in outdoor terrains: A stereo vision approach
CN104766058A (zh) 一种获取车道线的方法和装置
US10942519B2 (en) System and method for navigating an autonomous driving vehicle
CN111177288A (zh) 用于导出自主车辆启用的可行驶地图的***
CN113358125B (zh) 一种基于环境目标检测和环境目标地图的导航方法及***
CN109544443B (zh) 一种路线图生成方法及装置
KR20200102378A (ko) 정보 처리 방법, 장치 및 저장 매체
WO2022147924A1 (zh) 车辆定位方法和装置、存储介质及电子设备
WO2022082571A1 (zh) 一种车道线检测方法和装置
CN113907663A (zh) 障碍物地图构建方法、清洁机器人及存储介质
CN112735253A (zh) 红绿灯自动标注方法及计算机设备

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
TR01 Transfer of patent right

Effective date of registration: 20240304

Address after: 510000 No.8 Songgang street, Cencun, Tianhe District, Guangzhou City, Guangdong Province

Patentee after: GUANGZHOU XIAOPENG MOTORS TECHNOLOGY Co.,Ltd.

Country or region after: China

Address before: Room 46, room 406, No.1, Yichuang street, Zhongxin knowledge city, Huangpu District, Guangzhou City, Guangdong Province 510000

Patentee before: Guangzhou Xiaopeng Automatic Driving Technology Co.,Ltd.

Country or region before: China

TR01 Transfer of patent right