CN114120631B - 构建动态高精度地图的方法、装置及交通云控平台 - Google Patents
构建动态高精度地图的方法、装置及交通云控平台 Download PDFInfo
- Publication number
- CN114120631B CN114120631B CN202111267215.6A CN202111267215A CN114120631B CN 114120631 B CN114120631 B CN 114120631B CN 202111267215 A CN202111267215 A CN 202111267215A CN 114120631 B CN114120631 B CN 114120631B
- Authority
- CN
- China
- Prior art keywords
- data
- dynamic
- traffic
- map
- precision
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
-
- 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
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/095—Traffic lights
-
- 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
- G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
- G08G1/0969—Systems involving transmission of navigation instructions to the vehicle having a display in the form of a map
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例提供了一种构建动态高精度地图的方法、装置及交通云控平台。本发明实施例中,由于各个交通要素(例如:车辆、行人、路标等)的绝对坐标是通过融合多源传感器数据得到的,相对于单一传感器得到的坐标更加精准。并且,本发明实施例还可以通过对多源传感器数据进行分析得到动态交通态势数据,结合绝对坐标信息和动态交通态势数据可以模拟得到更加全面且真实的交通状况。进而,本发明可以基于多源传感器数据的更新对高精度地图数据进行实时更新,得到实时更新、动态变化的3D动态高精度地图。本发明实施例中,还可以通过交通云控平台实时显示动态更新的3D动态高精度地图,并且该交通云控平台可以向用户提供交通管控信息。
Description
技术领域
本发明实施例涉及信息处理技术领域,尤其涉及一种构建动态高精度地图的方法、装置及交通云控平台。
背景技术
相关技术中,主流的高精度定位策略多采用GNSS/RTK和高精度地图相结合的方法,但仍然存在某些场景道路定位错误的问题。虽然可以通过结合特征匹配定位的方法来提高定位的准确率,但现存的特征匹配定位方法均无法达到在车路协同***中所需的精确度。目前缺少动态高精度地图实时构建、显示的方法,无法根据当前真实的交通环境做出决策。
可见,目前亟需一种可以构建实时动态高精度地图的方法。
发明内容
本发明实施例提供一种构建动态高精度地图的方法、装置及交通云控平台,以构建实时动态高精度地图,并得到数字孪生交通云控平台。
本发明实施例第一方面提供了一种构建动态高精度地图的方法,所述方法包括:
实时获取多源传感器数据,所述多源传感器数据至少包括车载传感器和路侧传感器采集的数据;
对所述多源传感器数据进行分析,得到动态交通态势数据,所述动态交通态势数据至少包括:交通拥挤程度识别数据、异常交通事件识别数据、车流量识别数据;
对所述多源传感器数据进行关联和融合,得到高精度原始数据;
对所述高精度原始数据进行坐标变换,得到所述高精度原始数据对应的绝对坐标信息;
将所述绝对坐标信息和所述动态交通态势数据添加到预先建立的2D静态高精度地图,完成3D动态高精度地图的初始扫描;
基于所述多源传感器数据的动态更新,对3D动态高精度地图数据进行更新,得到动态更新的3D动态高精度地图;
通过交通云控平台实时显示所述动态更新的3D动态高精度地图,并实时提供交通管控信息。
可选地,所述对所述高精度原始数据进行坐标变换,得到所述高精度原始数据对应的绝对坐标信息,包括:
对所述高精度原始数据进行点云语义分割,以滤除所述高精度原始数据中的非地图元素数据;
对滤除后得到的地图元素数据进行坐标变换,得到地图元素数据对应的绝对坐标信息;
将所述绝对坐标信息添加到预先建立的2D静态高精度地图,包括:
将所述地图元素数据对应的绝对坐标信息添加到预先建立的2D静态高精度地图。
可选地,所述将所述地图元素数据对应的绝对坐标信息添加到预先建立的2D静态高精度地图,包括:
采用多分辨率的八叉树地图表示,将所述地图元素数据对应的绝对坐标信息添加到预先建立的2D静态高精度地图;
其中,体积较小的地图元素对应的地图元素数据采用展开到叶子节点层的八叉树节点表示,体积较大的地图元素对应的地图元素数据采用展开到非叶子节点层的八叉树节点表示。
可选地,所述基于所述多源传感器数据的动态更新,对3D动态高精度地图数据进行更新,得到动态更新的3D动态高精度地图,包括:
基于所述多源传感器数据中高度动态数据的更新频率,对所述3D动态高精度地图数据中的运动实体数据进行更新;
基于所述多源传感器数据中半动态数据的更新频率,对所述3D动态高精度地图数据中的交通信号数据进行更新;
基于所述多源传感器数据中半静态数据的更新频率,对所述3D动态高精度地图数据中的交通设施数据进行更新;
基于所述多源传感器数据中持续静态数据的更新频率,对所述3D动态高精度地图数据中的2D静态高精度地图数据进行更新。
可选地,通过交通云控平台实时提供交通管控信息,包括以下至少一者:
通过交通云控平台向车辆下发实时交通态势信息;
通过交通云控平台基于所述动态更新的3D动态高精度地图,进行道路协同管理;
通过交通云控平台向交通信号灯发送控制信息。
本发明实施例第二方面提供了一种构建动态高精度地图的装置,所述装置包括:
数据获取模块,用于实时获取多源传感器数据,所述多源传感器数据至少包括车载传感器和路侧传感器采集的数据;
分析模块,用于对所述多源传感器数据进行分析,得到动态交通态势数据,所述动态交通态势数据至少包括:交通拥挤程度识别数据、异常交通事件识别数据、车流量识别数据;
融合模块,用于对所述多源传感器数据进行关联和融合,得到高精度原始数据;
坐标变换模块,用于对所述高精度原始数据进行坐标变换,得到所述高精度原始数据对应的绝对坐标信息;
初始扫描模块,用于将所述绝对坐标信息和所述动态交通态势数据添加到预先建立的2D静态高精度地图,完成3D动态高精度地图的初始扫描;
动态更新模块,用于基于所述多源传感器数据的动态更新,对3D动态高精度地图数据进行更新,得到动态更新的3D动态高精度地图;
显示模块,用于通过交通云控平台实时显示所述动态更新的3D动态高精度地图,并实时提供交通管控信息。
可选地,所述坐标变换模块,包括:
滤除子模块,用于对所述高精度原始数据进行点云语义分割,以滤除所述高精度原始数据中的非地图元素数据;
坐标变换子模块,对滤除后得到的地图元素数据进行坐标变换,得到地图元素数据对应的绝对坐标信息;
初始扫描模块,还用于将所述地图元素数据对应的绝对坐标信息添加到预先建立的2D静态高精度地图。
可选地,所述初始扫描模块,包括:
添加子模块,用于采用多分辨率的八叉树地图表示,将所述地图元素数据对应的绝对坐标信息添加到预先建立的2D静态高精度地图;
其中,体积较小的地图元素对应的地图元素数据采用展开到叶子节点层的八叉树节点表示,体积较大的地图元素对应的地图元素数据采用展开到非叶子节点层的八叉树节点表示。
可选地,所述动态更新模块,包括:
第一动态更新模块子模块,用于基于所述多源传感器数据中高度动态数据的更新频率,对所述3D动态高精度地图数据中的运动实体数据进行更新;
第二动态更新模块子模块,用于基于所述多源传感器数据中半动态数据的更新频率,对所述3D动态高精度地图数据中的交通信号数据进行更新;
第三动态更新模块子模块,用于基于所述多源传感器数据中半静态数据的更新频率,对所述3D动态高精度地图数据中的交通设施数据进行更新;
第四动态更新模块子模块,用于基于所述多源传感器数据中持续静态数据的更新频率,对所述3D动态高精度地图数据中的2D静态高精度地图数据进行更新。
可选地,所述显示模块,包括以下至少一者:
实时交通态势信息下发子模块,用于通过交通云控平台向车辆下发实时交通态势信息;
道路协同管理子模块通过交通云控平台基于所述动态更新的3D动态高精度地图,进行道路协同管理;
控制子模块,用于通过交通云控平台向交通信号灯发送控制信息。
本发明实施例第三方面提供一种交通云控平台,实时显示由本发明第一方面所述的任意一种构建动态高精度地图的方法中的步骤构建的动态高精度地图,并实时提供交通管控信息。
本发明实施例中,可以通过实时获取多源传感器数据,并进行融合得到各个交通要素的绝对坐标,同时,本发明还可以通过对多源传感器数据进行分析,得到交通态势数据,进而将各个交通要素的绝对坐标和交通态势数据反映在高精度地图上。
本发明实施例中,由于各个交通要素(例如:车辆、行人、路标等)的绝对坐标是通过融合多源传感器数据得到的,相对于单一传感器得到的坐标更加精准。并且,本发明实施例还可以通过对多源传感器数据进行分析得到动态交通态势数据,结合绝对坐标信息和动态交通态势数据可以模拟得到更加全面且真实的交通状况。进而,本发明可以基于多源传感器数据的更新对高精度地图数据进行实时更新,得到实时更新、动态变化的3D动态高精度地图。
本发明实施例中,还可以通过交通云控平台实时显示动态更新的3D动态高精度地图,并且该交通云控平台可以向用户提供交通管控信息。从而可以通过该交通云控平台实现交通态势感知,以进行数字交通管控,还可以向用户提供秒级实时交通信息服务,实现车辆主动安全控制和道路协同管理,完成更加高效、便捷和安全的交通管理和服务。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的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发明的一些实施例,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他的附图。
图1是本发明实施例的一种构建动态高精度地图的方法的流程图;
图2是本发明实施例的一种确定绝对坐标信息的方法的流程图;
图3是本发明实施例的一种构建高精度地图的方法的流程图;
图4是本发明实施例的一种的构建动态高精度地图的装置的结构框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
参照图1,示出了本发明实施例的一种构建动态高精度地图的方法的流程图,本发明实施例的一种构建动态高精度地图的方法应用于。具体可以包括以下步骤:
S101,实时获取多源传感器数据,所述多源传感器数据至少包括车载传感器和路侧传感器采集的数据。
在本发明实施例中,可以通过路侧路由节点实时获取多源传感器数据,并将数据上传至服务器,以进行数据的分析、融合、更新等数据处理。
在本发明实施例中,车载传感器主要包括:导航定位***(GNSS),用于获取车辆定位信息,与路侧传感器采集的数据进行融合,可以对车辆位置进行精确定位,并分析得到动态交通态势数据。。
在本发明实施例中,路侧传感器主要包括:激光雷达、摄像头,用于获取车道级的车辆轨迹数据,与车载传感器采集的数据进行融合,可以对车辆位置进行精确定位,并分析得到动态交通态势数据。
S102,对所述多源传感器数据进行分析,得到动态交通态势数据。
其中,所述动态交通态势数据至少包括:交通拥挤程度识别数据、异常交通事件识别数据、车流量识别数据。
在本发明实施例中,可以基于实时的交通原始数据,构建以车道层面为主、路网层面为辅的交通状态表征模型,再采用算法进行车道级的拥堵程度识别,完成对车道级交通要素与交通拥挤程度识别。
还可以以视频事件为数据源,结合车道级交通状态进行融合计算,获得车辆的绝对位置和车辆之间的相对位置作为视频事件识别特征,以视频事件识别和拥堵识别相结合确定异常交通事件,实现车道级异常事件识别。
还可以通过道路拓扑结构和多维时空的交通信息,定位关键点并提取动态车辆信息,实现车道关键节点车流量识别。
S103,对所述多源传感器数据进行关联和融合,得到高精度原始数据。
在本发明实施例中,可以基于最近邻匹配的目标关联算法,采用基于联合概率的决策级数据融合方法,得到高精度原始数据。
在本发明实施例中,对多源传感器数据进行关联的步骤具体包括:
步骤一:对多传感器观测数据建立关联门,确定关联门限,其中,关联门可以选择矩形或椭圆形。
步骤二:利用关联门限进行过滤,滤除明显不相关的观测数据。
步骤三:计算过滤后的观测数据之间的加权欧式距离,确定观测数据之间的相似性。
步骤四:基于观测数据之间的相似性建立关联矩阵。
步骤五:利用最近邻匹配方法,对多传感器观测数据进行关联,得到关联对。
在本发明实施例中,采用基于最近邻匹配的目标关联算法,关联过程的运算量小,易于硬件的实现,且适用于稀疏目标和杂波环境的目标跟踪***。
在本发明实施例中,联合概率指的是包含多个条件且所有条件同时成立的概率。决策级数据融合方法具体包括:首先对每一数据进行属性说明,然后对其结果加以融合,得到目标或环境的融合属性说明。决策级数据融合方法具有很强的容错性,很好的开放性,处理时间短、数据要求低、分析能力强。
S104,对所述高精度原始数据进行坐标变换,得到所述高精度原始数据对应的绝对坐标信息。
在本发明实施例中,可以从高精度原始数据中,得到各个交通要素的经纬度及高度信息,再通用横轴墨卡托投影(UTM)将经纬度及高度信息转换为笛卡尔坐标系下的绝对坐标。经线和纬线在球面上组成坐标网络,通过横轴墨卡托投影可将球面上的经纬度坐标表示为直角坐标系下的坐标,转化公式如下:
t=tanB
其中l、B分别为某点经度、纬度;XB为该点纬度的经线长;r为地球半径。
S105,将所述绝对坐标信息和所述动态交通态势数据添加到预先建立的2D静态高精度地图,完成3D动态高精度地图的初始扫描。
在本发明实施例中,可以通过绝对坐标信息和动态交通态势感数据,实时分析交通状况,获取动态的交通要素数据,并数据添加至预先建立的2D静态高精度地图。
其中,预先建立的2D静态高精度地图包含建筑数据、环境数据、道路数据等。
S106,基于所述多源传感器数据的动态更新,对3D动态高精度地图数据进行更新,得到动态更新的3D动态高精度地图。
在本发明实施例中,可以通过数字孪生建模、数据接口通讯以及实时同步仿真的实现方法,实现智能交通复杂场景的仿真模型搭建,生成3D动态高精度地图。
在一种优选的实施方式中,所述步骤S106包括:
基于所述多源传感器数据中高度动态数据的更新频率,对所述3D动态高精度地图数据中的运动实体数据进行更新;
基于所述多源传感器数据中半动态数据的更新频率,对所述3D动态高精度地图数据中的交通信号数据进行更新;
基于所述多源传感器数据中半静态数据的更新频率,对所述3D动态高精度地图数据中的交通设施数据进行更新;
基于所述多源传感器数据中持续静态数据的更新频率,对所述3D动态高精度地图数据中的2D静态高精度地图数据进行更新。
在本发明实施例中,对不同类型的地图数据采用不同的更新频率,例如:高度动态的运动实体数据的更新频率小于100毫秒;半动态的交通信号数据的更新频率小于1分钟;半静态的交通设施数据的更新频率小于1小时;持续静态的2D静态高精度地图数据的更新频率小于一个月。
在本发明实施例中,对不同类型的地图数据采用不同的更新频率,使得更新数据量更加符合实际情况,避免大量无效的数据更新,可以节省数据通信量,也可以节省数据处理量。
S107,通过交通云控平台实时显示所述动态更新的3D动态高精度地图,并实时提供交通管控信息。
在本发明实施例中,可以在3D动态高精度地图的基础上结合城市实时交通影像,采用基于深度学***台。
在一种优选的实施方式中,通过交通云控平台实时提供交通管控信息,包括以下至少一者:
通过交通云控平台向车辆下发实时交通态势信息;
通过交通云控平台基于所述动态更新的3D动态高精度地图,进行道路协同管理;
通过交通云控平台向交通信号灯发送控制信息。
在本发明实施例中,交通云控平台通过整合交通的数据资源,可以形成交通事件监测、数字交管、交通信号控制、面向公众提供秒级伴随式出行服务等功能,实现车辆主动安全控制和道路协同管理。
参照图2,示出本发明实施例中的一种确定绝对坐标信息的方法的流程图,包括以下步骤:
S201,对所述高精度原始数据进行点云语义分割,以滤除所述高精度原始数据中的非地图元素数据。
在本发明实施例中,基于全卷积神经网络(Fully Convolution Network,FCN)的点云语义分割方法,对高精度原始数据进行非地图元素过滤,并结合NDT配准算法,将地图元素点添加至地图中,实现城市道路下的高频高精度定位。
S202,对滤除后得到的地图元素数据进行坐标变换,得到地图元素数据对应的绝对坐标信息。
在本发明实施例中,可以通过横轴墨卡托投影(UTM)将得到的地图元素的经纬度及高度信息转换为笛卡尔坐标系下的绝对坐标。
S203,将所述地图元素数据对应的绝对坐标信息添加到预先建立的2D静态高精度地图。
在本发明实施例中,可以将变换得到地图元素数据对应的绝对坐标信息添加到预先建立的2D静态高精度地图。
上述步骤S203具体包括:
采用多分辨率的八叉树地图表示,将所述地图元素数据对应的绝对坐标信息添加到预先建立的2D静态高精度地图。
其中,体积较小的地图元素对应的地图元素数据采用展开到叶子节点层的八叉树节点表示,体积较大的地图元素对应的地图元素数据采用展开到非叶子节点层的八叉树节点表示。
在本发明实施例中,采用多分辨率的八叉树地图表示方式,通过对地图中的地面和障碍设置不同分辨率,可以提高定位效率。
在八叉树中,当某个方块的一个子节点都被占据或者不被占据时,就没必要展开这个节点。例如:对于地图中的地面,信息往往是相同的,大多数八叉树节点不需要展开到叶子层面,可以减小存储空间。而对于地面出现障碍物,当向地图中添加障碍物信息时,由于实际的物体较小,所以大多数八叉树节点展开到叶子层面。可见,通过对不同体积的地图元素设置不同的处理方法,可以大大减小存储空间,提高定位效率。
参照图3,示出本发明实施例中的一种构建高精度地图的方法的流程图,包括以下步骤:
S1(图中未示出),获取并融合多源传感器数据,得到高精度原始融合数据;获取并分析多源传感器数据,得到动态交通态势数据。
该步骤与上述步骤S101-S103类似,在此不再赘述。
S2,对所述高精度原始数据进行点云语义分割,以滤除所述高精度原始数据中的非地图元素数据。
具体的,基于全卷积神经网络(Fully Convolution Network,FCN)的点云语义分割方法,对高精度原始数据进行非地图元素过滤优化,结合NDT配准算法,将地图元素点添加至2D静态高精度地图中,实现城市道路下的高精度定位,构建出滤除非地图元素的三维动态高精度地图。
S3,通过横轴墨卡托投影(UTM)将各个地图元素的经纬度及高度信息转换为笛卡尔坐标系下的绝对坐标。
S4,将所述绝对坐标信息和所述动态交通态势数据添加到预先建立的2D静态高精度地图,完成3D动态高精度地图的初始扫描。
S5,针对在地下停车场等室内场景信号缺失的问题,使用Pose-Graph算法地图优化建图,得到高精度地图。
具体的,在完成初始扫描后,通过Pose-Graph优化各帧位姿,进行位姿图优化是为了将已经产生的所有位姿统一到一个全局一致的配置当中。因为原始位置可能跟真实位置有偏差,直接拼接起来有误差,把点离散化后,通过位姿优化,把所有点对齐调整到准确位置,确保构成精确的高精地图。
基于同一发明构思,本发明实施例提供一种构建动态高精度地图的装置。参考图4,图4是本发明实施例提供的构建动态高精度地图的装置的示意图。如图4所示,该装置包括:
数据获取模块401,用于实时获取多源传感器数据,所述多源传感器数据至少包括车载传感器和路侧传感器采集的数据;
分析模块402,用于对所述多源传感器数据进行分析,得到动态交通态势数据,所述动态交通态势数据至少包括:交通拥挤程度识别数据、异常交通事件识别数据、车流量识别数据;
融合模块403,用于对所述多源传感器数据进行关联和融合,得到高精度原始数据;
坐标变换模块404,用于对所述高精度原始数据进行坐标变换,得到所述高精度原始数据对应的绝对坐标信息;
初始扫描模块405,用于将所述绝对坐标信息和所述动态交通态势数据添加到预先建立的2D静态高精度地图,完成3D动态高精度地图的初始扫描;
动态更新模块406,用于基于所述多源传感器数据的动态更新,对3D动态高精度地图数据进行更新,得到动态更新的3D动态高精度地图;
显示模块407,用于通过交通云控平台实时显示所述动态更新的3D动态高精度地图,并实时提供交通管控信息。
可选地,所述坐标变换模块404,包括:
滤除子模块,用于对所述高精度原始数据进行点云语义分割,以滤除所述高精度原始数据中的非地图元素数据;
坐标变换子模块,对滤除后得到的地图元素数据进行坐标变换,得到地图元素数据对应的绝对坐标信息;
初始扫描模块405,还用于将所述地图元素数据对应的绝对坐标信息添加到预先建立的2D静态高精度地图。
可选地,所述初始扫描模块405,包括:
添加子模块,用于采用多分辨率的八叉树地图表示,将所述地图元素数据对应的绝对坐标信息添加到预先建立的2D静态高精度地图;
其中,体积较小的地图元素对应的地图元素数据采用展开到叶子节点层的八叉树节点表示,体积较大的地图元素对应的地图元素数据采用展开到非叶子节点层的八叉树节点表示。
可选地,所述动态更新模块406,包括:
第一动态更新模块子模块,用于基于所述多源传感器数据中高度动态数据的更新频率,对所述3D动态高精度地图数据中的运动实体数据进行更新;
第二动态更新模块子模块,用于基于所述多源传感器数据中半动态数据的更新频率,对所述3D动态高精度地图数据中的交通信号数据进行更新;
第三动态更新模块子模块,用于基于所述多源传感器数据中半静态数据的更新频率,对所述3D动态高精度地图数据中的交通设施数据进行更新;
第四动态更新模块子模块,用于基于所述多源传感器数据中持续静态数据的更新频率,对所述3D动态高精度地图数据中的2D静态高精度地图数据进行更新。
可选地,所述显示模块407,包括以下至少一者:
实时交通态势信息下发子模块,用于通过交通云控平台向车辆下发实时交通态势信息;
道路协同管理子模块通过交通云控平台基于所述动态更新的3D动态高精度地图,进行道路协同管理;
控制子模块,用于通过交通云控平台向交通信号灯发送控制信息。
本发明实施例第三方面提供一种交通云控平台,实时显示由本发明第一方面所述的任意一种构建动态高精度地图的方法中的步骤构建的动态高精度地图,并实时提供交通管控信息。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的一种构建动态高精度地图的方法、装置及交通云控平台,进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种构建动态高精度地图的方法,其特征在于,所述方法包括:
实时获取多源传感器数据,所述多源传感器数据至少包括车载传感器和路侧传感器采集的数据;
对所述多源传感器数据进行分析,得到动态交通态势数据,所述动态交通态势数据至少包括:交通拥挤程度识别数据、异常交通事件识别数据、车流量识别数据;
对所述多源传感器数据进行关联和融合,得到高精度原始数据,包括:基于最近邻匹配的目标关联算法,采用基于联合概率的决策级数据融合方法,得到高精度原始数据;
对所述高精度原始数据进行坐标变换,得到所述高精度原始数据对应的绝对坐标信息;
将所述绝对坐标信息和所述动态交通态势数据添加到预先建立的2D静态高精度地图,完成3D动态高精度地图的初始扫描;
基于所述多源传感器数据的动态更新,对3D动态高精度地图数据进行更新,得到动态更新的3D动态高精度地图;
通过交通云控平台实时显示所述动态更新的3D动态高精度地图,并实时提供交通管控信息。
2.根据权利要求1所述的方法,其特征在于,对所述高精度原始数据进行坐标变换,得到所述高精度原始数据对应的绝对坐标信息,包括:
对所述高精度原始数据进行点云语义分割,以滤除所述高精度原始数据中的非地图元素数据;
对滤除后得到的地图元素数据进行坐标变换,得到地图元素数据对应的绝对坐标信息;
将所述绝对坐标信息添加到预先建立的2D静态高精度地图,包括:
将所述地图元素数据对应的绝对坐标信息添加到预先建立的2D静态高精度地图。
3.根据权利要求2所述的方法,其特征在于,所述将所述地图元素数据对应的绝对坐标信息添加到预先建立的2D静态高精度地图,包括:
采用多分辨率的八叉树地图表示,将所述地图元素数据对应的绝对坐标信息添加到预先建立的2D静态高精度地图;
其中,体积较小的地图元素对应的地图元素数据采用展开到叶子节点层的八叉树节点表示,体积较大的地图元素对应的地图元素数据采用展开到非叶子节点层的八叉树节点表示。
4.根据权利要求1所述的方法,其特征在于,所述基于所述多源传感器数据的动态更新,对3D动态高精度地图数据进行更新,得到动态更新的3D动态高精度地图,包括:
基于所述多源传感器数据中高度动态数据的更新频率,对所述3D动态高精度地图数据中的运动实体数据进行更新;
基于所述多源传感器数据中半动态数据的更新频率,对所述3D动态高精度地图数据中的交通信号数据进行更新;
基于所述多源传感器数据中半静态数据的更新频率,对所述3D动态高精度地图数据中的交通设施数据进行更新;
基于所述多源传感器数据中持续静态数据的更新频率,对所述3D动态高精度地图数据中的2D静态高精度地图数据进行更新。
5.根据权利要求1-4任一所述的方法,其特征在于,通过交通云控平台实时提供交通管控信息,包括以下至少一者:
通过交通云控平台向车辆下发实时交通态势信息;
通过交通云控平台基于所述动态更新的3D动态高精度地图,进行道路协同管理;
通过交通云控平台向交通信号灯发送控制信息。
6.一种构建动态高精度地图的装置,其特征在于,所述装置包括:
数据获取模块,用于实时获取多源传感器数据,所述多源传感器数据至少包括车载传感器和路侧传感器采集的数据;
分析模块,用于对所述多源传感器数据进行分析,得到动态交通态势数据,所述动态交通态势数据至少包括:交通拥挤程度识别数据、异常交通事件识别数据、车流量识别数据;
融合模块,用于对所述多源传感器数据进行关联和融合,得到高精度原始数据,包括基于最近邻匹配的目标关联算法,采用基于联合概率的决策级数据融合方法,得到高精度原始数据;
坐标变换模块,用于对所述高精度原始数据进行坐标变换,得到所述高精度原始数据对应的绝对坐标信息;
初始扫描模块,用于将所述绝对坐标信息和所述动态交通态势数据添加到预先建立的2D静态高精度地图,完成3D动态高精度地图的初始扫描;
动态更新模块,用于基于所述多源传感器数据的动态更新,对3D动态高精度地图数据进行更新,得到动态更新的3D动态高精度地图;
显示模块,用于通过交通云控平台实时显示所述动态更新的3D动态高精度地图,并实时提供交通管控信息。
7.根据权利要求6所述的装置,其特征在于,所述坐标变换模块,包括:
滤除子模块,用于对所述高精度原始数据进行点云语义分割,以滤除所述高精度原始数据中的非地图元素数据;
坐标变换子模块,对滤除后得到的地图元素数据进行坐标变换,得到地图元素数据对应的绝对坐标信息;
初始扫描模块,还用于将所述地图元素数据对应的绝对坐标信息添加到预先建立的2D静态高精度地图。
8.根据权利要求7所述的装置,其特征在于,所述初始扫描模块,包括:
添加子模块,用于采用多分辨率的八叉树地图表示,将所述地图元素数据对应的绝对坐标信息添加到预先建立的2D静态高精度地图;
其中,体积较小的地图元素对应的地图元素数据采用展开到叶子节点层的八叉树节点表示,体积较大的地图元素对应的地图元素数据采用展开到非叶子节点层的八叉树节点表示。
9.根据权利要求6所述的装置,其特征在于,所述动态更新模块,包括:
第一动态更新模块子模块,用于基于所述多源传感器数据中高度动态数据的更新频率,对所述3D动态高精度地图数据中的运动实体数据进行更新;
第二动态更新模块子模块,用于基于所述多源传感器数据中半动态数据的更新频率,对所述3D动态高精度地图数据中的交通信号数据进行更新;
第三动态更新模块子模块,用于基于所述多源传感器数据中半静态数据的更新频率,对所述3D动态高精度地图数据中的交通设施数据进行更新;
第四动态更新模块子模块,用于基于所述多源传感器数据中持续静态数据的更新频率,对所述3D动态高精度地图数据中的2D静态高精度地图数据进行更新。
10.一种交通云控平台,其特征在于,所述交通云控平台实时显示通过上述权利要求1-5任一所述的构建动态高精度地图的方法构建的动态高精度地图,并实时提供交通管控信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111267215.6A CN114120631B (zh) | 2021-10-28 | 2021-10-28 | 构建动态高精度地图的方法、装置及交通云控平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111267215.6A CN114120631B (zh) | 2021-10-28 | 2021-10-28 | 构建动态高精度地图的方法、装置及交通云控平台 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114120631A CN114120631A (zh) | 2022-03-01 |
CN114120631B true CN114120631B (zh) | 2023-03-24 |
Family
ID=80377460
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111267215.6A Active CN114120631B (zh) | 2021-10-28 | 2021-10-28 | 构建动态高精度地图的方法、装置及交通云控平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114120631B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115840404B (zh) * | 2022-12-21 | 2023-11-03 | 浙江大学 | 一种基于自动驾驶专用路网和数字孪生地图的云控自动驾驶*** |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112382085A (zh) * | 2020-10-20 | 2021-02-19 | 华南理工大学 | 适用于智能车辆交通场景理解与超视距感知***及方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107229690B (zh) * | 2017-05-19 | 2019-01-25 | 广州中国科学院软件应用技术研究所 | 基于路侧传感器的高精度动态地图数据处理***及方法 |
CN108010360A (zh) * | 2017-12-27 | 2018-05-08 | 中电海康集团有限公司 | 一种基于车路协同的自动驾驶环境感知*** |
CN109341706B (zh) * | 2018-10-17 | 2020-07-03 | 张亮 | 一种面向无人驾驶汽车的多特征融合地图的制作方法 |
CN109709593A (zh) * | 2018-12-28 | 2019-05-03 | 国汽(北京)智能网联汽车研究院有限公司 | 基于“云-端”紧耦合的智能网联汽车车载终端平台 |
CN112069856B (zh) * | 2019-06-10 | 2024-06-14 | 商汤集团有限公司 | 地图生成方法、驾驶控制方法、装置、电子设备及*** |
CN111554088B (zh) * | 2020-04-13 | 2022-03-22 | 重庆邮电大学 | 一种多功能v2x智能路侧基站*** |
CN111928862B (zh) * | 2020-08-10 | 2023-11-21 | 廊坊和易生活网络科技股份有限公司 | 利用激光雷达和视觉传感器融合在线构建语义地图的方法 |
CN112434119A (zh) * | 2020-11-13 | 2021-03-02 | 武汉中海庭数据技术有限公司 | 一种基于异构数据融合的高精度地图生产装置 |
CN113419245B (zh) * | 2021-06-23 | 2022-05-31 | 北京易航远智科技有限公司 | 一种基于v2x的实时建图***及建图方法 |
-
2021
- 2021-10-28 CN CN202111267215.6A patent/CN114120631B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112382085A (zh) * | 2020-10-20 | 2021-02-19 | 华南理工大学 | 适用于智能车辆交通场景理解与超视距感知***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114120631A (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wong et al. | Mapping for autonomous driving: Opportunities and challenges | |
US20240005167A1 (en) | Annotating high definition map data with semantic labels | |
US10891497B2 (en) | Traffic boundary mapping | |
KR20200121274A (ko) | 전자 지도를 업데이트하기 위한 방법, 장치 및 컴퓨터 판독 가능한 저장 매체 | |
US11590989B2 (en) | Training data generation for dynamic objects using high definition map data | |
CN112069856A (zh) | 地图生成方法、驾驶控制方法、装置、电子设备及*** | |
US11514682B2 (en) | Determining weights of points of a point cloud based on geometric features | |
US11367208B2 (en) | Image-based keypoint generation | |
CN113034566B (zh) | 高精度地图构建方法、装置、电子设备及存储介质 | |
WO2021007117A1 (en) | Generating training data for deep learning models for building high definition maps | |
CN114509065B (zh) | 地图构建方法、***、车辆终端、服务器端及存储介质 | |
CN113989451A (zh) | 高精地图构建方法、装置及电子设备 | |
CN113392169A (zh) | 一种高精度地图更新的方法、装置及服务器 | |
US20230121226A1 (en) | Determining weights of points of a point cloud based on geometric features | |
Eggert et al. | Driving situation analysis with relational local dynamic maps (R-LDM) | |
CN114120631B (zh) | 构建动态高精度地图的方法、装置及交通云控平台 | |
US20220007132A1 (en) | Image-Based Approach for Device Localization based on a Vehicle Location | |
Lucks et al. | Improving trajectory estimation using 3D city models and kinematic point clouds | |
CN113227713A (zh) | 生成用于定位的环境模型的方法和*** | |
CN114543788A (zh) | 结构非结构环境通用的多层全局感知地图构建方法及*** | |
Liu et al. | Extracting campus’ road network from walking gps trajectories | |
McQuat | Feature extraction workflows for urban mobile-terrestrial LIDAR data | |
Jin et al. | An Object Association Matching Method Based on V2I System | |
CN114693574B (zh) | 一种无人驾驶仿真场景生成方法及设备 | |
US11510026B2 (en) | Radio-visual approach for device localization based on a vehicle location |
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 |