CN114092658A - 一种高精度的地图构建方法 - Google Patents

一种高精度的地图构建方法 Download PDF

Info

Publication number
CN114092658A
CN114092658A CN202111373826.9A CN202111373826A CN114092658A CN 114092658 A CN114092658 A CN 114092658A CN 202111373826 A CN202111373826 A CN 202111373826A CN 114092658 A CN114092658 A CN 114092658A
Authority
CN
China
Prior art keywords
road
point cloud
data
cloud data
road marking
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.)
Pending
Application number
CN202111373826.9A
Other languages
English (en)
Inventor
蔡晓燕
刘仁明
曾凡
黎东辉
蔡小林
梁燕萍
刘维梅
张婷
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.)
Sichuan Eli Digital City Technology Co ltd
Original Assignee
Sichuan Eli Digital City 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 Sichuan Eli Digital City Technology Co ltd filed Critical Sichuan Eli Digital City Technology Co ltd
Priority to CN202111373826.9A priority Critical patent/CN114092658A/zh
Publication of CN114092658A publication Critical patent/CN114092658A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
    • G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
    • G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
    • G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
    • 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
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
    • G01C21/30—Map- or contour-matching
    • G01C21/32—Structuring or formatting of map data
    • 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
    • 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
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • G06T2207/30256—Lane; Road marking

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • Geometry (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • Electromagnetism (AREA)
  • Computer Graphics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Processing Or Creating Images (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种高精度的地图构建方法，包括以下步骤：S1、通过车载激光测量***采集车辆行驶过程中的姿态位置数据、三维道路点云数据和全景影像数据；S2、根据姿态位置数据，对三维道路点云数据进行分割，得到多段三维道路点云数据；S3、对每段三维道路点云数据提取道路地面点；S4、对道路地面点进行抽稀，构建道路路面模型；S5、根据全景影像数据，构建道路标线模型；S6、根据道路标线模型和道路路面模型，得到地图建模；本发明解决了现有地图精度不高的问题。

Description

一种高精度的地图构建方法
技术领域
本发明涉及地图构建领域，具体涉及一种高精度的地图构建方法。
背景技术
高精地图(HighDefinitionMap)作为自动驾驶安全性不可或缺的一部分，能有效强化自动驾驶的感知能力和决策能力，提升自动驾驶的等级。目前国内外众多学者及研究机构以及企事业单位(包括Google、百度、四维图新、高德地图等)，对自动驾驶高精地图展开了深入研究。
高精地图主要是对道路交通层对象(如：道路、车道地面标线、交通灯、交通牌、防护栏、杆等)的精细化表达，包含其几何位置和属性。高精度分为点云地图、矢量地图、模型地图三个部分。
高精矢量地图相比普通电子导航地图虽然能够展示更多的信息，但是人们在驾驶中需要对当前周围环境有一个清楚的认识，如周围的建筑物、路口、交通标志以及路牌等等，建立三维模型地图就显得很有必要。
根据遥感影像和航片提取出高精度地图的道路底图；根据当地的数字高程模型提取道路重要节点处的高程数据信息；将道路底图导入建模软件中，根据道路重要节点处的高程数据信息制作出道路三维模型的基本框架；最后对道路标志进行建模及添加其它属性信息。
遥感影像现有最高分辨率0.3M，遥感影像精度以不能满足现有高精地图的要求；
航飞影像虽然能获取厘米级精度，但受城市空域管控，空域申请流程繁杂、周期长等问题，以不能满足高精地图生产的需求；
遥感影像和航飞影像数据受城市树木覆盖影响，城区道路底图数据获取受限。
发明内容
针对现有技术中的上述不足，本发明提供的一种高精度的地图构建方法解决了现有地图精度不高的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种高精度的地图构建方法，包括以下步骤：
S1、通过车载激光测量***采集车辆行驶过程中的姿态位置数据、三维道路点云数据和全景影像数据；
S2、根据姿态位置数据，对三维道路点云数据进行分割，得到多段三维道路点云数据；
S3、对每段三维道路点云数据提取道路地面点；
S4、对道路地面点进行抽稀，构建道路路面模型；
S5、根据全景影像数据，构建道路标线模型；
S6、根据道路标线模型和道路路面模型，得到地图建模。
进一步地，步骤S1中车载激光测量***包括：车辆、三维激光扫描仪、GPS导航仪、惯性制导仪和全景相机。
进一步地，步骤S2包括以下分步骤：
S21、根据车辆行驶过程中的姿态位置数据，生成三维激光扫描仪扫描过程的行车轨迹；
S22、沿三维激光扫描仪扫描过程的行车轨迹的方向，对三维道路点云数据按固定间隔进行分割，得到多段三维道路点云数据。
上述进一步方案的有益效果为：通过将庞大的三维道路点云数据进行沿行车轨迹的方向进行分段处理，进而使得其能通过对每段三维道路点云数据进行分开处理，或者并行进行处理。
进一步地，步骤S3包括以下分步骤：
S31、设定点云时间间隔阀值，并基于点云时间间隔阀值对每段三维道路点云数据进行再次分割，得到多条扫描线；
S32、计算每条扫描线上相邻数据点间距离差和高程差；
S33、在相邻数据点间距离差和高程差均小于设定阈值时，提取该数据点为道路地面点。
上述进一步方案的有益效果为：通过扫描线将道路地面点提取出来，并将距离和高程差较大的噪声点滤除，得到的所有道路地面点构成整个道路面。
进一步地，步骤S4包括以下分步骤：
S41、将每条扫描线的起始点作为道路边线；
S42、对道路边线按固定距离进行抽稀，得到抽稀后的道路边线；
S43、对道路地面点建立道路面网格，对每个网格范围内的数据点进行聚合求平均，得到抽稀后的地面数据点；
S44、根据抽稀后的道路边线和抽稀后的地面数据点，采用点云三角形生长算法构建道路三角网，得到道路路面模型。
上述进一步方案的有益效果为：对道路边线和道路地面点均进行抽稀，便于点云三角形生长算法构建道路路面模型。
进一步地，步骤S5包括以下分步骤：
S51、构建道路标线矢量化图；
S52、根据全景影像数据，对道路标线矢量化图中道路标线进行修正和参数录入，得到标准道路标线矢量化图；
S53、根据标准道路标线矢量化图，构建道路标线模型。
上述进一步方案的有益效果为：通过全景影像数据对道路标线矢量化图中的道路标线进行完善，使得道路标线模型能全面体现道路的实际路况。
进一步地，步骤S51包括以下分步骤：
S511、根据三维道路点云数据中每个数据点的反射率值，提取三维道路点云数据中的道路标线点云数据；
S512、对道路标线点云数据进行去除离群点；
S513、对去除离群点后的道路标线点云数据进行矢量化，得到道路标线矢量化图。
进一步地，步骤S512包括以下分步骤：
S5121、对道路标线点云数据进行网格化处理；
S5122、去除网格中小于等于2个数据点，得到去除离群点后的道路标线点云数据。
进一步地，步骤S513包括以下分步骤：
S5131、对去除离群点后的道路标线点云数据进行边界点提取，得到道路标线的边界轮廓；
S5132、根据道路标线的边界轮廓，计算道路标线中心点和首尾中线，得到道路标线矢量化图。
综上，本发明的有益效果为：三维激光扫描仪可获取毫米级精度的三维空间道路点云数据，全景影像数据能全面记录当前点位的要素信息。本发明提供了基于车载激光点云和全景影像获取高精度道路信息数据及道路对象的相关参数，快速生成三维模型地图的方法。
附图说明
图1为一种高精度的地图构建方法的流程图；
图2为道路路面模型的示意图；
图3为对道路标线点云数据进行去除离群点的示意图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，一种高精度的地图构建方法，包括以下步骤：
S1、通过车载激光测量***采集车辆行驶过程中的姿态位置数据、三维道路点云数据和全景影像数据；
车载激光测量***包括：车辆、三维激光扫描仪、GPS导航仪、惯性制导仪和全景相机，采集数据过程在车辆行驶中进行，三维激光扫描仪用于获取道路点云数据，全景相机用于获取道路的全景影像数据，GPS导航仪与惯性制导仪构成的POS***用于获取姿态位置信息。
S2、根据姿态位置数据，对三维道路点云数据进行分割，得到多段三维道路点云数据；
步骤S2包括以下分步骤：
S21、根据车辆行驶过程中的姿态位置数据，生成三维激光扫描仪扫描过程的行车轨迹；
S22、沿三维激光扫描仪扫描过程的行车轨迹的方向，对三维道路点云数据按固定间隔进行分割，得到多段三维道路点云数据。
三维激光扫描仪采集的原始数据量一般非常大，计算机一次性对所有道路点云数据进行处理非常困难。同时，全局扫描范围中的道路场景复杂多变，很难构建出统一的道路模型。因此，需要对道路点云数据进行分段处理，道路点云数据分割有很多方法，本发明采用沿行车轨迹指定方向按固定间隔进行分割。
S3、对每段三维道路点云数据提取道路地面点；
步骤S3包括以下分步骤：
S31、设定点云时间间隔阀值，并基于点云时间间隔阀值对每段三维道路点云数据进行再次分割，得到多条扫描线；
三维激光扫描仪采用断面扫描仪，断面扫描仪激光头旋转一周可以得到一条扫描线，由于天空中不会出现扫描点，所以一条扫描线上最后一个点和下一条扫描线的第一个扫描点之间必然会有一个较大的时间跳跃。设定点云时间间隔阀值ΔT分割出每一条扫描线。
S32、计算每条扫描线上相邻数据点间距离差和高程差；
S33、在相邻数据点间距离差和高程差均小于设定阈值时，提取该数据点为道路地面点。
在本发明中，步骤S33是指：某一个数据点与其左右数据点的距离差和高程差均小于设定阈值时，其才为道路地面点。
设某一个数据点的坐标为Pi(Xi，Yi，Hi)，其相邻数据点的坐标为Pi+1(Xi+1，Yi+1，Hi+1)；
高程差＝|Hi-Hi+1|，
Figure BDA0003363132250000061
其中，||为绝对值运算。
S4、对道路地面点进行抽稀，构建道路路面模型；
道路点云数据是离散的，所提取的道路边线是由一系列呈线性排列而分布不均匀的三维坐标点构成。为了减少道路数据量的冗余，采用更少的线段来表示道路特征线，需要对特征点进行抽稀。对道路边线和道路面的数据点分别进行抽稀。
步骤S4包括以下分步骤：
S41、将每条扫描线的起始点作为道路边线；
S42、对道路边线按固定距离进行抽稀，得到抽稀后的道路边线；
在本实施例中，首先提取道路面的每条扫描线起始点作为道路边线，道路边线按1米距离进行抽稀。
S43、对道路地面点建立道路面网格，对每个网格范围内的数据点进行聚合求平均，得到抽稀后的地面数据点；
通过聚合完成道路面的抽稀，首先建立道路面网格，网格大小根据区域道路坡度情况设定(阀值在0.5-5米之间)，对网格范围内点分别进行聚合求得网格内点的平均值
Figure BDA0003363132250000071
Figure BDA0003363132250000072
其中，X1至Xn为每个道路面网格中的数据点的横坐标，Y1至Yn为每个道路面网格中的数据点的纵坐标，H1至Hn为每个道路面网格中的数据点的竖坐标，n为每个道路面网格中的数据点的数量。
S44、根据抽稀后的道路边线和抽稀后的地面数据点，采用点云三角形生长算法构建道路三角网，得到道路路面模型，如图2所示。
S5、根据全景影像数据，构建道路标线模型；
步骤S5包括以下分步骤：
S51、构建道路标线矢量化图；
步骤S51包括以下分步骤：
S511、根据三维道路点云数据中每个数据点的反射率值，提取三维道路点云数据中的道路标线点云数据；
道路标线一般采用黄色或白色，道路标线都具有较高的反射率，根据道路点云数据中每一个数据点反射率值可以有效提取道路标线点云数据。
S512、对道路标线点云数据进行去除离群点；
利用反射率阈值提取出来的道路标线点云带有不少的噪声点，这些噪声点有一部分是路面材料中的高反射部分，分布相对随机，有一部分是因为路面长期被摩擦变平滑导致的，分布相对均匀。但是这些噪声点相对道路标线点云数据都比较分散、数量较少，可以采用去除离群点的方法去除。
步骤S512包括以下分步骤：
S5121、对道路标线点云数据进行网格化处理；
S5122、去除网格中小于等于2个数据点，得到去除离群点后的道路标线点云数据。
在本实施例中，使用4倍点间距作为格网单元尺寸，设置数据点数量阈值为2，即格网中数据点个数小于等于2的去除，这样能有效去除离群点。去除离群点后的点云如图3所示。
S513、对去除离群点后的道路标线点云数据进行矢量化，得到道路标线矢量化图。
在步骤S512中得到的道路标线的点云数据难以直接利用，需要据转换为能够被利用的矢量数据。道路标线的矢量化重点在于标线边界点的提取，通过边界点提取，可以得到道路标线的边界轮廓，再进一步计算标线中心点、首尾中线等，实现边界线的生成和矢量化输出。
对于道路导向箭头或文字标识的矢量化方案就是直接获取外接轮廓与标准模板进行匹配并进行修正；道路虚分道线都是直线，因此其矢量化方案是首尾中心点连线；实分道线，其矢量化方案是以每隔一定长度取标线中心点进行连线，即实分道线的中心线。
步骤S513包括以下分步骤：
S5131、对去除离群点后的道路标线点云数据进行边界点提取，得到道路标线的边界轮廓；
S5132、根据道路标线的边界轮廓，计算道路标线中心点和首尾中线，得到道路标线矢量化图。
S52、根据全景影像数据，对道路标线矢量化图中道路标线进行修正和参数录入，得到标准道路标线矢量化图；
参照全景影像数据及道路点云数据对道路标线矢量化图中道路标线进行检查，主要通过人机交互的方式完成，对存在问题及因磨损标线清晰、标线被遮挡漏提的标线通过人机交互的方式进行修改。
参数录入参照全景影像数据及GB5768-2009《道路交通标志和标线》相关标准完成道路标线相关参数的录入，包括标线类型、标线的颜色等参数。
S53、根据标准道路标线矢量化图，构建道路标线模型。
为确保构建的道路标线模型与道路模型完全贴合，在对道路标线建模前需要与道路路面模型进行高程拟合。
首先将道路路面模型的三角网转换为高程模型，用标准道路标线矢量化图的节点去拟合道路高程模型的获取对应点位的高程值。
读取道路标线矢量化图数据，不同类型的道路标线通过矢量化图的外轮廓或中线及标线的参数自动构建道路标线模型。
根据标线的类型或颜色选择对应的材质进行贴图，完成道路标线模型构建。S6、根据道路标线模型和道路路面模型，得到地图建模。

Claims (9)

1.一种高精度的地图构建方法，其特征在于，包括以下步骤：
S1、通过车载激光测量***采集车辆行驶过程中的姿态位置数据、三维道路点云数据和全景影像数据；
S2、根据姿态位置数据，对三维道路点云数据进行分割，得到多段三维道路点云数据；
S3、对每段三维道路点云数据提取道路地面点；
S4、对道路地面点进行抽稀，构建道路路面模型；
S5、根据全景影像数据，构建道路标线模型；
S6、根据道路标线模型和道路路面模型，得到地图建模。
2.根据权利要求1所述的高精度的地图构建方法，其特征在于，所述步骤S1中车载激光测量***包括：车辆、三维激光扫描仪、GPS导航仪、惯性制导仪和全景相机。
3.根据权利要求1所述的高精度的地图构建方法，其特征在于，所述步骤S2包括以下分步骤：
S21、根据车辆行驶过程中的姿态位置数据，生成三维激光扫描仪扫描过程的行车轨迹；
S22、沿三维激光扫描仪扫描过程的行车轨迹的方向，对三维道路点云数据按固定间隔进行分割，得到多段三维道路点云数据。
4.根据权利要求1所述的高精度的地图构建方法，其特征在于，所述步骤S3包括以下分步骤：
S31、设定点云时间间隔阀值，并基于点云时间间隔阀值对每段三维道路点云数据进行再次分割，得到多条扫描线；
S32、计算每条扫描线上相邻数据点间距离差和高程差；
S33、在相邻数据点间距离差和高程差均小于设定阈值时，提取该数据点为道路地面点。
5.根据权利要求4所述的高精度的地图构建方法，其特征在于，所述步骤S4包括以下分步骤：
S41、将每条扫描线的起始点作为道路边线；
S42、对道路边线按固定距离进行抽稀，得到抽稀后的道路边线；
S43、对道路地面点建立道路面网格，对每个网格范围内的数据点进行聚合求平均，得到抽稀后的地面数据点；
S44、根据抽稀后的道路边线和抽稀后的地面数据点，采用点云三角形生长算法构建道路三角网，得到道路路面模型。
6.根据权利要求1所述的高精度的地图构建方法，其特征在于，所述步骤S5包括以下分步骤：
S51、构建道路标线矢量化图；
S52、根据全景影像数据，对道路标线矢量化图中道路标线进行修正和参数录入，得到标准道路标线矢量化图；
S53、根据标准道路标线矢量化图，构建道路标线模型。
7.根据权利要求6所述的高精度的地图构建方法，其特征在于，所述步骤S51包括以下分步骤：
S511、根据三维道路点云数据中每个数据点的反射率值，提取三维道路点云数据中的道路标线点云数据；
S512、对道路标线点云数据进行去除离群点；
S513、对去除离群点后的道路标线点云数据进行矢量化，得到道路标线矢量化图。
8.根据权利要求7所述的高精度的地图构建方法，其特征在于，所述步骤S512包括以下分步骤：
S5121、对道路标线点云数据进行网格化处理；
S5122、去除网格中小于等于2个数据点，得到去除离群点后的道路标线点云数据。
9.根据权利要求7所述的高精度的地图构建方法，其特征在于，所述步骤S513包括以下分步骤：
S5131、对去除离群点后的道路标线点云数据进行边界点提取，得到道路标线的边界轮廓；
S5132、根据道路标线的边界轮廓，计算道路标线中心点和首尾中线，得到道路标线矢量化图。
CN202111373826.9A 2021-11-19 2021-11-19 一种高精度的地图构建方法 Pending CN114092658A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111373826.9A CN114092658A (zh) 2021-11-19 2021-11-19 一种高精度的地图构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111373826.9A CN114092658A (zh) 2021-11-19 2021-11-19 一种高精度的地图构建方法

Publications (1)

Publication Number Publication Date
CN114092658A true CN114092658A (zh) 2022-02-25

Family

ID=80302437

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111373826.9A Pending CN114092658A (zh) 2021-11-19 2021-11-19 一种高精度的地图构建方法

Country Status (1)

Country Link
CN (1) CN114092658A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114705180A (zh) * 2022-06-06 2022-07-05 中汽创智科技有限公司 高精地图的数据修正方法、装置、设备及存储介质
CN116188334A (zh) * 2023-05-04 2023-05-30 四川省公路规划勘察设计研究院有限公司 一种车道线点云自动修补方法及装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114705180A (zh) * 2022-06-06 2022-07-05 中汽创智科技有限公司 高精地图的数据修正方法、装置、设备及存储介质
CN116188334A (zh) * 2023-05-04 2023-05-30 四川省公路规划勘察设计研究院有限公司 一种车道线点云自动修补方法及装置
CN116188334B (zh) * 2023-05-04 2023-07-18 四川省公路规划勘察设计研究院有限公司 一种车道线点云自动修补方法及装置

Similar Documents

Publication Publication Date Title
CN113034689B (zh) 基于激光点云的地形三维模型及地形图构建方法和***、存储介质
CN111551958B (zh) 一种面向矿区无人驾驶的高精地图制作方法
CN104952107A (zh) 基于车载LiDAR点云数据的桥梁三维重建方法
Yan et al. Integration of 3D objects and terrain for 3D modelling supporting the digital twin
CN114092658A (zh) 一种高精度的地图构建方法
CN112561944A (zh) 一种基于车载激光点云的车道线提取方法
CN115294293B (zh) 基于低空航摄成果自动化编译高精地图道路参考线的方法
CN109146990B (zh) 一种建筑轮廓的计算方法
JP2003323640A (ja) レーザスキャナデータと空中写真画像を用いた高精度都市モデルの生成方法及び高精度都市モデルの生成システム並びに高精度都市モデルの生成のプログラム
CN114283070B (zh) 融合无人机影像与激光点云的地形断面制作方法
Zhang et al. 3D highway curve reconstruction from mobile laser scanning point clouds
CN115690138A (zh) 一种融合车载影像与点云的道路边界提取与矢量化方法
CN115423968A (zh) 基于点云数据和实景三维模型的输电通道优化方法
CN109727255B (zh) 一种建筑物三维模型分割方法
CN111323026B (zh) 一种基于高精度点云地图的地面过滤方法
Chiang et al. Bending the curve of HD maps production for autonomous vehicle applications in Taiwan
CN113744393B (zh) 一种多层级边坡滑坡变化监测方法
Zhu A pipeline of 3D scene reconstruction from point clouds
WO2022021209A9 (zh) 电子地图生成方法、装置、计算机设备和存储介质
CN114820931A (zh) 基于虚拟现实的智慧城市cim可视化实时成像方法
CN114659513A (zh) 一种面向非结构化道路的点云地图构建与维护方法
Shi et al. Lane-level road network construction based on street-view images
Kong et al. UAV LiDAR data-based lane-level road network generation for urban scene HD Maps
CN114972358B (zh) 一种基于人工智能的城市测绘激光点云偏移检测方法
CN116385686B (zh) 基于不规则倾斜摄影的实景三维模型重建方法及***

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