CN113874681B - 点云地图质量的评估方法和*** - Google Patents

点云地图质量的评估方法和*** Download PDF

Info

Publication number
CN113874681B
CN113874681B CN201980096753.8A CN201980096753A CN113874681B CN 113874681 B CN113874681 B CN 113874681B CN 201980096753 A CN201980096753 A CN 201980096753A CN 113874681 B CN113874681 B CN 113874681B
Authority
CN
China
Prior art keywords
sub
map
degree
maps
matching
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201980096753.8A
Other languages
English (en)
Other versions
CN113874681A (zh
Inventor
朱晓玲
马腾
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.)
Beijing Didi Infinity Technology and Development Co Ltd
Original Assignee
Beijing Didi Infinity Technology and Development 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 Beijing Didi Infinity Technology and Development Co Ltd filed Critical Beijing Didi Infinity Technology and Development Co Ltd
Publication of CN113874681A publication Critical patent/CN113874681A/zh
Application granted granted Critical
Publication of CN113874681B publication Critical patent/CN113874681B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G01C21/3848—Data obtained from both position sensors and additional sensors
    • 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
    • G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
    • G01S17/06—Systems determining position data of a target
    • G01S17/42—Simultaneous measurement of distance and other co-ordinates
    • 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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
    • G01S7/4808—Evaluating distance, position or velocity data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
    • G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Traffic Control Systems (AREA)
  • Navigation (AREA)

Abstract

一种点云地图质量的评估方法和***。该方法可以包括将点云地图划分为至少一个子地图(S702)，所述子地图中的至少一个由与场景有关的至少一个点云帧形成，并且与一个或多个剩余子地图重叠。该方法还可以包括通过处理器估计所述至少一个子地图与每个所述剩余子地图之间的匹配度(S704)。该方法还可以包括通过处理器基于估计的匹配度来计算至少一个子地图的质量分数(S706)。该方法还可以包括当质量分数高于阈值时基于点云地图构建高清地图(S710)。

Description

点云地图质量的评估方法和***
技术领域
本申请涉及一种点云地图质量的评估方法和***，更具体地，尤其涉及一种通过光检测和测距(激光雷达)扫描仪获得的点云地图质量的评估方法和***。
背景技术
自动驾驶技术在很大程度上依赖于准确的地图。例如，导航地图的准确性对自动驾驶车辆的定位、环境识别、决策和控制等功能至关重要。高清地图可以通过各种传感器、探测器和车辆上其他设备在行驶时获取的图像和信息来获得。例如，车辆可以配备多个集成传感器，示例地，激光雷达扫描仪、全球定位***(GPS)接收器、一个或多个惯性测量单元(IMU)传感器和一个或多个摄像头，以捕获车辆行驶道路或周围物体的特征。捕获的数据可以包括车道的中心线或边界线坐标、对象的坐标和图像，示例地，对象可以为建筑物、另一车辆、地标、行人或交通标志。
来自激光雷达扫描仪、GPS接收器和IMU传感器的点云地图的聚集信息的质量可以极大影响高清地图的质量，因此，需要在生成高清地图之前进行评估。然而，由于GPS信号质量差和/或同步定位与建图(SLAM)算法的局限性，点云地图中可能存在全局不一致的问题。也就是说，在同一场景的不同时间点收集的不同点云可能不会完全重叠，这可能会在生成的高清地图中造成重大错误。现有方法手动控制不同点云的全局一致性。但是，这种方法效率低下并且不准确。
本申请的实施例通过点云地图质量评估的改进方法和***解决上述问题。
发明内容
本说明书的实施例提供了一种用于构建高清地图的方法。该方法可以包括将点云地图划分为至少一个子地图。至少一个子地图由与场景有关的至少一个点云帧形成，并与一个或多个剩余子地图重叠。该方法还可以包括由处理器使用模型估计所述至少一个子地图与每个所述剩余子地图之间的匹配度。该方法还可以包括由所述处理器基于估计的所述匹配度计算所述至少一个子地图的质量分数。该方法还可以包括当所述质量分数高于阈值时，基于点云地图构建高清地图。
本说明书的实施例还提供了一种用于构建高清地图的***。该***可以包括被配置为存储点云地图的存储器。该***还可以包括处理器，该处理器被配置为将点云地图划分为至少一个子地图。至少一个所述子地图由与场景有关的至少一个点云帧形成，并与一个或多个剩余子地图重叠。处理器还可以被配置为使用模型估计所述至少一个子地图与每个所述剩余子地图之间匹配度。处理器还可以被配置为基于估计的所述匹配度计算所述至少一个子地图的质量分数。处理器还可以被配置为当质量分数高于阈值时，基于点云地图构建高清地图。
本说明书的实施例还提供了一种非暂时性计算机可读介质，其上存储有指令，当由一个或多个处理器执行时，该指令使一个或多个处理器执行操作。操作可以包括将点云地图划分为至少一个子地图。至少一个所述子地图由与场景有关的至少一个点云帧形成，并与一个或多个剩余子地图重叠。操作还可以包括使用模型估计所述至少一个子地图与每个所述剩余子地图之间的匹配度。操作还可以包括基于估计的所述匹配度计算至少一个子地图的质量分数。该操作还可以包括当质量分数高于阈值时，基于所述点云地图构建高清地图。
应当理解，前述概括性描述和以下详细描述都只是示例性和解释性的，并且不限制本申请所声称的。
附图说明
图1是根据本说明书的实施例所示的具有传感器的示例性车辆的示意图；
图2是根据本说明书的实施例所示的用于评估点云地图质量的示例性控制器的框图；
图3是根据本说明书的实施例所示的示例性点云帧和由至少一个点云帧形成的子地图；
图4是根据本说明书实施例所示的与两个子地图之间轴有关的匹配度的示例图；
图5是根据本说明书的实施例所示的点云地图的示例性重叠子地图的示意图；
图6是根据本说明书的实施例所示的用于估计两个重叠子地图之间匹配度的模型的示例性训练方法的流程图；
图7是根据本说明书的实施例所示的用于评估点云地图质量的示例性方法的流程图。
具体实施方式
现在将详细参考示例性实施例，其结合在附图中示出。尽可能地，在整个附图中使用相同的附图标记，以引用相同或相同的部件。
图1是根据本说明书的实施例所示的具有多个传感器140、150和160的示例性车辆100的示意图。与一些实施例一致，车辆100可以是用于获取用于构建高清地图或三维(3-D)城市建模的数据的调查车辆。车辆100可以是电动车辆、燃料电池车辆、混合动力车辆或传统的内燃机车辆。车辆100可以具有车身110和至少一个轮120。车身110可以是任何体型，例如，跑车、轿跑车、轿车、皮卡、旅行车、运动型多用途车(SUV)、小型货物或改装车。在一些实施例中，如图1所示，车辆100可以包括一对前轮和一对后轮。然而，可以理解，车辆100可以具有更少的车轮或使车辆100能够四处移动的等效结构。车辆100可以配置为全轮驱动(AWD)、前轮驱动(FWR)或后轮驱动(RWD)。在一些实施例中，车辆100可以被配置为由使用车辆的操作者操作、远程控制和/或自动控制。
如图1所示，车辆100可以配备传感器140和160，传感器140和160通过安装结构130安装到车身110上。安装结构130可以是安装或以其他方式附接到车辆100的车身110的机电装置。在一些实施例中，安装结构130可以使用螺钉、粘合剂或另一种安装机构。车辆100还可以使用任何合适的安装机构在车身110内部或外部配备传感器150。可以预期，每个传感器140、150或160安装在车辆100上的方式可以不受图1所示示例的限制，并且可以根据传感器140-160和/或车辆100的类型进行修改，以实现理想的传感性能。
在一些实施例中，传感器140-160可以配置为在车辆100沿轨道移动时获取数据。与本申请一致，传感器140可以是激光雷达扫描仪，其被配置为扫描周围并获取点云。激光雷达通过用脉冲激光照射目标并用传感器测量反射脉冲来测量到目标的距离。激光返回时间和波长的差异可以用来制作目标的数字三维表示。用于激光雷达扫描的光可能是紫外线、可见光或近红外线。因为窄激光束可以以非常高的分辨率绘制物理特征，所以激光雷达扫描仪特别适合于高清地图测量。在一些实施例中，激光雷达扫描仪可以捕获点云。当车辆100沿轨迹移动时，传感器140可以在多个时间点获取一系列点云(一个时间点获取一个点云帧)。
如图1所示，车辆100可以另外配备传感器150，其可以包括用于车辆100定位的导航单元中使用的传感器，例如，GPS接收器和一个或多个IMU传感器。GPS是一个全球导航卫星***，为GPS接收器提供地理位置和时间信息。IMU是一种电子设备，其使用各种惯性传感器，例如，加速度计和陀螺仪，有时还包括磁强计，测量并提供车辆的特定力、角速率，有时还提供车辆周围的磁场。通过组合GPS接收器和IMU传感器，传感器150可以提供车辆100的实时姿势数据，当它行进时，包括车辆100在每个时间点的位置和方向(例如，欧拉角)。
与本申请一致，车辆100可以另外配备有被配置为获取数字图像的传感器160。在一些实施例中，传感器160可以包括拍摄图像或以其他方式获取图像数据的相机。例如，传感器160可以包括单眼相机、双目相机或全景相机。当车辆100沿着轨迹移动时，传感器160可以获取多个图像(每个图像称为图像帧)。每个图像帧可以由传感器160在某个时间点获取。
与本申请一致，车辆100可以包括位于车辆100的车身110内的本地控制器170，或与远程控制器(图1中未示出)通信，以使用机器学习模型评估点云地图的质量。与本申请一致，可以通过本地控制器170自动估计两个重叠的子地图之间的匹配度，从而提高了批量操作的效率和一致性。估计的匹配度可以用于确定整个点云地图的全局一致性。在一些实施例中，可以基于子地图和与其重叠的每个剩余子地图之间的加权匹配度来引入和计算每个子地图的质量分数。在一些实施例中，可以建立标准质量评估数据库，包括关于不同类型的场景和重叠的子地图之间的匹配度(例如，通过手动标记)的子映射。数据库可以用作训练用于确定匹配度的机器学习模型的训练数据集。
图2是根据本说明书的实施例所示的用于评估点云地图质量的示例性控制器的框图。与本申请一致，控制器200可以使用各种类型的点云地图质量评估。当车辆100沿轨道移动时，车辆100上配备的传感器140-160可以捕获关于周围场景的各种类型的数据。数据可以包括由传感器140(例如，激光雷达扫描仪)在不同时间点获取的至少一个点云帧组成的点云201。数据还可以包括由传感器150(例如，GPS接收器和/或一个或多个IMU传感器)获取的车辆100的姿势数据203。在一些实施例中，可以通过基于来自GPS接收器和IMU传感器的姿势数据203将本地激光雷达数据从局部坐标系转换为全局坐标系(例如，经度/纬度坐标)来校准点云201。可以理解的，可以向控制器200提供其他类型的数据，用于点云地图质量评估，例如，由传感器160拍摄的数字图像和/或来自无线基站(未示出)的定位信号。
在一些实施例中，如图2所示，控制器200可以包括通信接口202、处理器204、内存206和存储器208。在一些实施例中，控制器200可以在单个设备中具有不同的模块，例如，集成电路(IC)芯片(作为专用集成电路(ASIC)实现)、现场可编程门阵列(FPGA)，或具有专用功能的独立设备。在一些实施例中，控制器200的一个或多个组件可以位于车辆100(例如，图1中的本地控制器170)内部，或者可替换地位于移动设备中、云中或另一远程位置。控制器200的组件可以是集成设备，或者在不同位置分布，但是通过网络(未示出)彼此通信。例如，处理器204可以是车载车辆100上的处理器、移动设备内的处理器或云处理器，或其任何组合。
通信接口202可以通过通信电缆、无线局域网(WLAN)、广域网(WAN)、无线网络(例如，无线电波)、全国蜂窝网络和/或本地无线网络(例如，蓝牙或WiFi)或其他通信方法向诸如传感器140-160之类的组件发送数据和从其接收数据。在一些实施例中，通信接口202可以是综合业务数字网(ISDN)卡、电缆调制解调器、卫星调制解调器或提供数据通信连接的调制解调器。作为另一示例，通信接口202可以是局域网(LAN)卡，以提供数据通信连接到兼容局域网。无线链路也可以由通信接口202实现。在这种实现中，通信接口202可以经由网络发送和接收携带表示各种类型信息的数字数据流的电、电磁或光信号。
与一些实施例一致，通信接口202可以接收由传感器140和150捕获的数据，包括点云201和姿势数据203，并将接收的数据提供给内存206和存储器208进行存储，或处理器204进行处理。通信接口202还可以接收由处理器204生成的匹配度信息和质量分数，并通过网络将匹配度信息和质量分数提供给车辆100中的任何本地组件或任何远程设备。
处理器204可以包括任何适当类型的通用或专用微处理器、数字信号处理器或微控制器。处理器204可以被配置为专用于评估点云地图质量的独立处理器模块。或者，处理器204可以被配置为共享处理器模块，用于执行与点云地图质量评估不相关的其他功能。
如图2所示，处理器204可以包括多个模块，例如，训练数据库构建单元210、模型训练单元212、匹配度估计单元214、质量分数计算单元216等。这些模块(以及任何对应的子模块或子单元)可以是处理器204的硬件单元(例如，集成电路的部分)，其被配置用于与其他组件一起使用或执行程序的一部分。程序可以存储在计算机可读介质上，并且当由处理器204执行时，它可以执行一个或多个功能。尽管图2示出了全部在一个处理器204内的单元210-216，但是可以理解的，这些单元可以分布在彼此相距较近或较远的多个处理器内。
训练数据库构建单元210可以被配置为获得与相同类型场景有关的包含至少一个训练子地图的训练数据集。子地图可以是关于特定场景的点云地图的一部分。在一些实施例中，可以通过聚集与同一场景有关的多个点云帧来形成子地图。多个点云帧可以是时域和/或空间域中的连续点云帧。例如，参考图3，302示出示例性点云帧，304示出通过集成包括302中所示的点云帧的多个点云帧而形成的示例性子地图。返回参考图2，训练子地图可以由训练数据库构建单元210根据与这些子地图相关联的场景划分为各种类别，包括但不限于城市道路、公路、环路、隧道和立交桥。不同类别的训练子地图可以被收集并管理在训练数据库中，例如，存储在控制器200的内存206和/或存储器208中，用于训练如下所述的机器学习模型。可以理解，在一些实施例中，该数据库还可用作标准质量评估数据库，其包含用于质量控制的带有标准质量标签的示例性子地图。
在一些实施例中，训练数据库构建单元210可以被配置为在有或无人工干预的情况下确定彼此重叠的每两个训练子地图之间的匹配度。匹配度可以使用任何合适的尺度或度量来量化，例如0和1之间的连续值(例如，0.1、0.2、0.3等)或离散值(例如，0或1)。在一些实施例中，两个子地图之间的匹配度可以基于两个子地图中出现的一个或多个参考对象和/或两个子地图的全局一致性来确定。在一些实施例中，可以通过手动标记来确定匹配度。所确定的匹配度可以与相应的子地图相关联，并作为训练数据库的一部分存储。也就是说，训练数据库中的每个子地图可以与关于每个重叠子地图的一个或多个匹配度相关联。
模型训练单元212可以被配置为从训练数据库中的两个重叠子地图中提取与子地图质量相关的特征。这些特征可以用于机器学习模型训练和估计，并可以表示训练数据的向量空间的维数。在一些实施例中，特征可以与子地图的质量有关，例如，反映子地图和另一个重叠子地图之间的匹配度。例如，特征可以包括与场景中的一个或多个参考对象(例如，轴、标志和道路)关联的匹配度。例如，图4示出了同一场景的两个重叠子地图(分别以黑色和灰色颜色表示)。两个重叠子地图的参考对象包括轴，其在两个子地图中没有完全匹配。例如，轴在一个子图中以黑色显示为402，在另一个子图中以灰色显示为404。在一些实施例中，不匹配度(例如，由绝对距离或偏移百分比表示)可以用作两个重叠子地图的一个特征。返回参考图2，可以理解，至少一些提取的特征可以与数据源(例如，传感器140-160)相关。例如，也可以提取激光雷达数据(例如，点云201)和/或GPS/IMU数据(例如，初始姿势数据203)的某些质量参数作为特征。
模型训练单元212还可以被配置为训练用于基于提取的特征和训练子地图的已知匹配度来估计两个重叠子地图之间的匹配度的机器学习模型。在一些实施例中，训练数据库中的训练数据(例如，子地图)可以被预处理，例如，维度提升和标准化，并以向量的形式表示(其中，提取的特征是向量的维度)。该向量以及标签(例如，确定的匹配度)可用于训练模型，例如，通过最小化损失函数调整模型参数。在一些实施例中，可以使用训练数据集的一部分(例如，80％)来训练模型，并且可以使用训练数据集的其余部分(例如，20％)来测试模型。可以使用任何合适的机器学习算法训练该模型，例如，XGBoost算法。该模型可以是用于不同类型场景的通用模型，也可以是专用于特定类型场景的特定模型，这取决于所使用的训练子地图是来自训练数据库中相同类型的场景还是不同类型的场景。
匹配度估计单元214可以被配置为使用由模型训练单元212训练的模型来估计目标子地图与点云地图中与目标子地图重叠的每个子地图之间的匹配度。在一些实施例中，对于要评估的每个点云地图，匹配程度估计单元214可以首先将点云地图划分为至少一个子地图。每个子地图可以由与场景有关的至少一个点云帧形成，并且与点云地图中的一个或多个剩余子地图重叠。在一些实施例中，为估计目标子地图与相同类型场景中的子地图的匹配度而训练的模型可用于进一步提高估计精度。应当理解，对于涉及大量不同场景的点云地图，可以使用用于各种类型场景的通用模型来提高估计效率。在一些实施例中，每个估计的匹配度的值可以使用相同的等级体系或度量，例如，0和1之间的连续值或离散值。
质量分数计算单元216可以被配置为基于估计的匹配度计算目标子地图的质量分数。在一些实施例中，每个估计的匹配度与用于计算质量分数的权重相关联。可以基于目标子地图和对应的剩余重叠子地图之间的重叠度来确定权重。应当理解，目标子地图可以与剩余子地图中的多个不同程度地重叠。例如，图5是根据本说明书的实施例所示的点云地图的示例性重叠子地图的示意图。如图5所示，目标子地图M 500与同一点云地图中的其余三个子地图(子地图N 502、子地图N+1 504和子地图N-1 506)重叠。因此，目标子地图M 500的质量分数可能需要考虑目标子地图M 500与子地图N 502、子地图N+1 504和子地图N-1 506中的每一个之间的匹配度。而且，由于目标子地图M 500与子地图N 502、子地图N+1 504和子地图N-1 506中的每一个之间的重叠度可能不同，因此每个匹配度的权重也可能不同，以反映重叠度的差异。
返回参考图2，质量分数计算单元216可以使用下面的等式(1)来计算质量分数q：
其中，i表示剩余重叠子地图中的每一个，n是剩余重叠子地图的数量，si是目标子地图和每个剩余重叠子地图之间的估计匹配度，pi是估计匹配度的权重。应当理解，计算目标子地图的质量分数的方法不限于等式(1)，可以是匹配度估计单元214提供的基于估计的匹配度的任何合适的方法。
在一些实施例中，可以为点云地图中的每一个子地图计算质量分数，并且可以在任何合适的应用程序中使用。在一个示例中，质量分数可以用于确定点云地图的全局一致性，例如，通过质量分数的未加权或加权求和确定点云地图的全局一致性。在另一示例中，可以将质量分数与预设阈值进行比较，以选择子地图(例如，质量分数低于预设阈值的子地图)和/或其点云帧以进行进一步评估(例如，接受手动质量控制)。质量分数高于阈值的其余子地图和/或其点云帧可以被视为具有期望的质量，并且不需要进一步的手动质量控制，从而提高点云地图的质量控制效率。
返回参考图2，内存206和存储器208可以包括提供用于存储处理器204可能需要操作的任何类型信息的任何适当类型的大容量存储器。内存206和存储器208可以是易失性或非易失性、磁性、半导体、磁带、光学、可移动、不可移动或其他类型的存储设备或有形(即非暂时性)计算机可读介质，包括但不限于ROM、闪存、动态RAM和静态RAM。内存206和/或存储器208可以被配置为存储可以由处理器204执行的一个或多个计算机程序，以执行本申请公开的点云地图评估功能。例如，内存206和/或存储器208可以被配置为存储可以由处理器204执行的程序，以训练用于估计匹配度的模型，使用训练后的模型估计重叠子地图的匹配度，并基于估计的匹配度计算子地图的质量分数。
内存206和/或存储器208还可以被配置为存储被处理器204使用的信息和数据。例如，内存206和/或存储器208可以被配置为存储训练数据库、估计匹配度和计算的质量分数。在处理每个数据帧之后，可以永久存储、定期删除或立即忽略各种类型的数据。
图6是根据本说明书的实施例所示的用于估计两个重叠子地图之间匹配度的模型的示例性训练方法600的流程图。例如，方法600可以由控制器200实现。然而，方法600不限于该示例性实施例。方法600可以包括如下所述的步骤S602-S608。应当理解，一些步骤可以是可选的，以执行本文提供的本申请的公开内容。此外，可以同时或者以与图6中所示的顺序不同执行一些步骤。
在步骤S602中，获取与相同类型场景有关的包含至少一个训练子地图的训练数据集。场景类型可能包括但不限于城市道路、高速公路、环路、隧道和立交桥。每个子地图可以通过根据时间域和/或空间域中的序列聚集关于同一场景的多个点云来形成。在一些实施例中，训练数据集可以是存储在内存206和/或存储器208中并由处理器204的训练数据库构建单元210获得的训练数据库的一部分。
在步骤S604中，确定彼此重叠的每两个训练子地图之间的匹配度。根据一些实施例，可以使用0和1之间的值来量化匹配程度。在一些实施例中，可以手动标记彼此重叠的每对训练子地图的匹配度，而不管重叠度如何。应当理解，可以通过处理器204的训练数据库构建单元210半自动或自动地确定匹配度。
在步骤S606中，从每两个训练子地图中提取与子地图质量相关的特征。特征可以包括与出现在两个训练子地图中的一个或多个参考对象相关联的匹配度。在一些实施例中，参考物体包括轴、标志和道路中的至少一个。特征还可以包括形成子地图的点云帧的参数。在一些实施例中，可以通过处理器204的模型训练单元212来提取特征。
在步骤S608中，基于提取的特征和所确定的训练子地图的匹配度训练模型。可以使用任何合适的机器学习算法(例如，XGBoost算法)进行训练。该模型可以是用于不同类型场景的通用模型，也可以是专用于特定类型场景的特定模型，这取决于输入到该模型的训练子地图是来自训练数据库中相同类型的场景还是不同类型的场景。在一些实施例中，可以由处理器204的模型训练单元212训练模型。
图7是根据本说明书的实施例所示的用于评估点云地图质量的示例性方法700的流程图。例如，方法700可以由控制器200实现。然而，方法700不限于该示例性实施例。方法700可以包括如下所述的步骤S702-S710。应当理解，一些步骤可以是可选的，以执行本文提供的本申请的公开内容。此外，可以同时或者以与图7所示的顺序不同执行一些步骤。
在步骤S702中，点云地图可以被划分为至少一个子地图。至少一个子地图由与场景有关的至少一个点云帧形成，并与一个或多个剩余子地图重叠。在一些实施例中，可以由处理器204的匹配度估计单元214划分点云地图。
在步骤S704中，可以使用模型估计至少一个子地图和每个剩余子地图之间的匹配度。在一些实施例中，为了估计与目标子地图相同类别场景中的子地图的匹配度而训练的特定模型可以用于进一步提高估计精度。应当理解，对于涉及大量不同场景的点云图，可以使用用于各种类型场景的通用模型来提高估计效率。在一些实施例中，可以通过处理器204的匹配程度估计单元214估计匹配度。
在步骤S706中，可以基于估计的匹配度来计算所述至少一个子地图的质量分数。在一些实施例中，每个估计的匹配度与用于计算质量分数的权重相关联。可以基于目标子地图和对应的剩余重叠子地图之间的重叠度来确定权重。在一些实施例中，可以通过处理器的质量分数计算单元216来计算质量分数。
在步骤S708中，当计算的质量分数低于阈值时，可以评估形成至少一个子地图的至少一个点云帧。评估可能受到手动质量控制。可以不需要进一步评估形成质量分数高于阈值的子地图的点云帧。
附加地或可选地，在步骤S710中，当质量分数高于阈值时，可以基于点云地图构造高清地图。这可以确保在构建高清地图时点云地图的全局一致性。
本申请的另一方面涉及一种非暂时性计算机可读介质存储指令，当被执行时使得一个或多个处理器执行如上所述的方法。计算机可读介质可包括易失性或非易失性、磁性、半导体、磁带、光学、可移动、不可移动或其他类型的计算机可读介质或计算机可读存储设备。例如，如上所述，计算机可读介质可以是存储设备或具有存储在其上的计算机指令的存储器模块。在一些实施例中，计算机可读介质可以是盘或具有存储在其上的计算机指令的闪存驱动器。
对于本领域技术人员显而易见的是，可以对所公开的***和相关方法进行各种修改和变化。从所公开的***和相关方法的实践和本说明书考虑，其他实施方案对于本领域技术人员来说是显而易见的。
本说明书和示例仅旨在被认为是示例性的，具体范围由权利要求及其等同物表示。

Claims (20)

1.一种用于构建高清地图的方法，包括：
将点云地图划分为至少一个子地图，其中，至少一个所述子地图由与场景有关的至少一个点云帧形成，并与一个或多个剩余子地图重叠；
由处理器使用模型估计所述至少一个子地图与每个所述剩余子地图之间的匹配度；其中，所述模型为机器学习模型；
由所述处理器基于估计的所述匹配度计算所述至少一个子地图的质量分数，包括：
基于所述至少一个子地图和与其重叠的每个剩余子地图之间的加权匹配度计算所述至少一个子地图的质量分数；以及
当所述质量分数高于阈值时，基于所述点云地图构建高清地图。
2.根据权利要求1所述的方法，还包括：
获取与相同类型场景有关的包含至少一个训练子地图的训练数据集；以及
确定相互重叠的每两个所述训练子地图之间的匹配度。
3.根据权利要求2所述的方法，还包括：
从所述每两个所述训练子地图中提取与子地图质量相关的特征；以及
基于提取的所述特征和确定的所述训练子地图的所述匹配度训练所述模型。
4.根据权利要求3所述的方法，所述特征包括每两个所述训练子地图中参考对象的不匹配度，其中，所述参考对象包括轴、标志和道路中的至少一个。
5.根据权利要求1所述的方法，每个估计的所述匹配度与用于计算所述质量分数的权重相关联。
6.根据权利要求5所述的方法，所述权重基于所述至少一个子地图和一个对应的剩余子地图之间的重叠度来确定。
7.根据权利要求1所述的方法，还包括：
当计算的所述质量分数低于所述阈值时，评估形成所述至少一个子地图的所述至少一个点云帧。
8.一种用于构建高清地图的***，包括：
存储器，配置为存储点云地图；和
处理器，配置为：
将所述点云地图划分为至少一个子地图，其中，至少一个所述子地图由与场景有关的至少一个点云帧形成，并与一个或多个剩余子地图重叠；
使用模型估计所述至少一个子地图和每个所述剩余子地图之间的匹配度；其中，所述模型为机器学习模型；
基于估计的所述匹配度计算所述至少一个子地图的质量分数，包括：
基于所述至少一个子地图和与其重叠的每个剩余子地图之间的加权匹配度计算所述至少一个子地图的质量分数；以及
当所述质量分数高于阈值时，基于所述点云地图构建高清地图。
9.根据权利要求8所述的***，所述处理器进一步配置为：
获取与相同类型场景有关的包含至少一个训练子地图的训练数据集；以及
确定相互重叠的每两个所述训练子地图之间的匹配度。
10.根据权利要求9所述的***，处理器进一步配置为：
从所述每两个所述训练子地图中提取与子地图质量相关的特征；以及
基于提取的所述特征和确定的所述训练子地图的所述匹配度训练所述模型。
11.根据权利要求10所述的***，所述特征包括每两个所述训练子地图中参考对象的不匹配度，其中，所述参考对象包括轴、标志和道路中的至少一个。
12.根据权利要求8所述的***，每个估计的所述匹配度与用于计算所述质量分数的权重相关联。
13.根据权利要求12所述的***，所述权重基于所述至少一个子地图和一个对应的剩余子地图之间的重叠度来确定。
14.根据权利要求8所述的***，所述处理器进一步配置为：
当计算的所述质量分数低于所述阈值时，评估形成所述至少一个子地图的所述至少一个点云帧。
15.一种非暂时性计算机可读介质，其上存储有指令，当由一个或多个处理器执行时，使该一个或多个处理器执行操作，包括：
将点云地图划分为至少一个子地图，其中，至少一个所述子地图由与场景有关的至少一个点云帧形成，并与一个或多个剩余子地图重叠；
使用模型估计所述至少一个子地图和每个所述剩余子地图之间的匹配度；其中，所述模型为机器学习模型；
基于估计的所述匹配度计算所述至少一个子地图的质量分数，包括：
基于所述至少一个子地图和与其重叠的每个剩余子地图之间的加权匹配度计算所述至少一个子地图的质量分数；以及
当所述质量分数高于阈值时，基于所述点云地图构建高清地图。
16.根据权利要求15所述的计算机可读介质，所述操作进一步包括：
获取与相同类型场景有关的包含至少一个训练子地图的训练数据集；以及
确定相互重叠的每两个所述训练子地图之间的匹配度。
17.根据权利要求16所述的计算机可读介质，所述操作进一步包括：
从所述每两个所述训练子地图中提取与子地图质量相关的特征；以及
基于提取的所述特征和确定的所述训练子地图的所述匹配度训练所述模型。
18.根据权利要求17所述的计算机可读介质，所述特征包括每两个所述训练子地图中参考对象的不匹配度，其中，所述参考对象包括轴、标志和道路中的至少一个。
19.根据权利要求15所述的计算机可读介质，每个估计的所述匹配度与用于计算所述质量分数的权重相关联。
20.根据权利要求19所述的计算机可读介质，所述权重基于所述至少一个子地图和一个对应的剩余子地图之间的重叠程度来确定。
CN201980096753.8A 2019-05-23 2019-05-23 点云地图质量的评估方法和*** Active CN113874681B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2019/088176 WO2020232709A1 (en) 2019-05-23 2019-05-23 Method and system for evaluating quality of a point cloud map

Publications (2)

Publication Number Publication Date
CN113874681A CN113874681A (zh) 2021-12-31
CN113874681B true CN113874681B (zh) 2024-06-18

Family

ID=73459302

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980096753.8A Active CN113874681B (zh) 2019-05-23 2019-05-23 点云地图质量的评估方法和***

Country Status (2)

Country Link
CN (1) CN113874681B (zh)
WO (1) WO2020232709A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118195987A (zh) * 2022-12-13 2024-06-14 华为技术有限公司 一种地图评估方法及装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108230379A (zh) * 2017-12-29 2018-06-29 百度在线网络技术（北京）有限公司 用于融合点云数据的方法和装置

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103389103B (zh) * 2013-07-03 2015-11-18 北京理工大学 一种基于数据挖掘的地理环境特征地图构建与导航方法
US10452949B2 (en) * 2015-11-12 2019-10-22 Cognex Corporation System and method for scoring clutter for use in 3D point cloud matching in a vision system
CN106525057A (zh) * 2016-10-26 2017-03-22 陈曦 高精度道路地图的生成***
CN106780735B (zh) * 2016-12-29 2020-01-24 深圳先进技术研究院 一种语义地图构建方法、装置及一种机器人
US10309778B2 (en) * 2016-12-30 2019-06-04 DeepMap Inc. Visual odometry and pairwise alignment for determining a position of an autonomous vehicle
CN106959691B (zh) * 2017-03-24 2020-07-24 联想(北京)有限公司 可移动电子设备和即时定位与地图构建方法
CN108732584B (zh) * 2017-04-17 2020-06-30 百度在线网络技术（北京）有限公司 用于更新地图的方法和装置
CN108732603B (zh) * 2017-04-17 2020-07-10 百度在线网络技术（北京）有限公司 用于定位车辆的方法和装置
US10060751B1 (en) * 2017-05-17 2018-08-28 Here Global B.V. Method and apparatus for providing a machine learning approach for a point-based map matcher
CN116255992A (zh) * 2017-08-23 2023-06-13 北京图森未来科技有限公司 一种同时定位与建图的方法和装置
US10684372B2 (en) * 2017-10-03 2020-06-16 Uatc, Llc Systems, devices, and methods for autonomous vehicle localization
CN108228798B (zh) * 2017-12-29 2021-09-17 百度在线网络技术（北京）有限公司 确定点云数据之间的匹配关系的方法和装置
CN108765487B (zh) * 2018-06-04 2022-07-22 百度在线网络技术（北京）有限公司 重建三维场景的方法、装置、设备和计算机可读存储介质
CN108827249B (zh) * 2018-06-06 2020-10-27 歌尔股份有限公司 一种地图构建方法和装置
CN109282822B (zh) * 2018-08-31 2020-05-05 北京航空航天大学 构建导航地图的存储介质、方法和设备
CN109459734B (zh) * 2018-10-30 2020-09-11 百度在线网络技术（北京）有限公司 一种激光雷达定位效果评估方法、装置、设备及存储介质

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108230379A (zh) * 2017-12-29 2018-06-29 百度在线网络技术（北京）有限公司 用于融合点云数据的方法和装置

Also Published As

Publication number Publication date
WO2020232709A1 (en) 2020-11-26
CN113874681A (zh) 2021-12-31

Similar Documents

Publication Publication Date Title
CN110832275B (zh) 基于双目图像更新高分辨率地图的***和方法
CN111436216B (zh) 用于彩色点云生成的方法和***
CN110859044B (zh) 自然场景中的集成传感器校准
CN111448478B (zh) 用于基于障碍物检测校正高清地图的***和方法
CN112005079B (zh) 用于更新高清地图的***和方法
JP5404861B2 (ja) 静止物地図生成装置
US10996337B2 (en) Systems and methods for constructing a high-definition map based on landmarks
JP2008065087A (ja) 静止物地図生成装置
CN112805766A (zh) 用于更新详细地图的装置和方法
WO2020113425A1 (en) Systems and methods for constructing high-definition map
CN113874681B (zh) 点云地图质量的评估方法和***
CN113196341A (zh) 用于对道路的表面上的对象进行检测和建模的方法
AU2018102199A4 (en) Methods and systems for color point cloud generation
WO2021056185A1 (en) Systems and methods for partially updating high-definition map based on sensor data matching

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