CN114543788A - 结构非结构环境通用的多层全局感知地图构建方法及*** - Google Patents

结构非结构环境通用的多层全局感知地图构建方法及*** Download PDF

Info

Publication number
CN114543788A
CN114543788A CN202210436125.3A CN202210436125A CN114543788A CN 114543788 A CN114543788 A CN 114543788A CN 202210436125 A CN202210436125 A CN 202210436125A CN 114543788 A CN114543788 A CN 114543788A
Authority
CN
China
Prior art keywords
map
perception
global
sub
topological
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
CN202210436125.3A
Other languages
English (en)
Other versions
CN114543788B (zh
Inventor
龚建伟
王羽纯
王博洋
贾鹏
吕超
齐建永
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.)
Huidong Planet Beijing Technology Co ltd
Beijing Institute of Technology BIT
Original Assignee
Huidong Planet Beijing Technology Co ltd
Beijing Institute of Technology BIT
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 Huidong Planet Beijing Technology Co ltd, Beijing Institute of Technology BIT filed Critical Huidong Planet Beijing Technology Co ltd
Priority to CN202210436125.3A priority Critical patent/CN114543788B/zh
Publication of CN114543788A publication Critical patent/CN114543788A/zh
Application granted granted Critical
Publication of CN114543788B publication Critical patent/CN114543788B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01C21/3807—Creation or updating of map data characterised by the type of data
    • G01C21/3815—Road data
    • 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
    • G01C21/3841—Data obtained from two or more sources, e.g. probe vehicles
    • 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
    • G01C21/3878—Hierarchical structures, e.g. layering

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Navigation (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本发明涉及一种结构非结构环境通用的多层全局感知地图构建方法和***，属于地图构建技术领域。所述结构非结构环境通用的多层全局感知地图构建方法，根据多源传感信息或初始地图构建全局拓扑地图后，基于多源传感信息中不同的感知信息分别建立单帧感知地图，然后，基于全局拓扑地图，融合单帧感知地图得到多层感知子地图，最后，将多层感知子地图和全局拓扑地图进行关联存储得到精确的全局地图，以能够提高地图中局部环境信息的复杂度，进而解决现有技术无法为无人车的局部规划提供足够环境信息的问题。

Description

结构非结构环境通用的多层全局感知地图构建方法及***
技术领域
本发明涉及全局地图构建技术领域，特别是涉及一种结构非结构环境通用的多层全局感知地图构建方法及***。
背景技术
近年来，无人车的安全行驶有赖于精确的定位和详实的环境信息，因此产生了一些高精度地图的技术。高精度地图中通常由矢量信息表示道路，以及附加图层表征一些红绿灯等道路设置，为无人车提供长距离的导航。但是高精度地图这种仅依赖矢量信息表征的道路环境，难以描述环境的复杂特征，尤其难以描述道路边界变化的非结构化环境如越野环境等，且定位精度通常局限于卫星导航服务，道路状况信息也局限于初次建立地图的信息丰富度。这种地图往往误检多，信息落后，局部环境信息简单，无法为无人车的局部规划提供足够的环境信息，且在道路基础设施水平低甚至越野环境中因缺少车道线等信息难以提供精确的导航信息，不适合大规模全路段全局地图的构建。
发明内容
为解决现有存在的上述问题，本发明提供了一种结构非结构环境通用的多层全局感知地图构建方法及***。
为实现上述目的，本发明提供了如下方案：
一种结构非结构环境通用的多层全局感知地图构建方法，包括：
获取多源传感信息和初始地图；所述多源传感信息包括多种不同传感器采集的感知信息；
根据所述多源传感信息或所述初始地图构建全局拓扑地图；所述全局拓扑地图用于表征路网分布情况；所述全局拓扑地图包括关键点和拓扑线结构；
基于所述多源传感信息中不同的感知信息分别建立单帧感知地图；
基于所述全局拓扑地图，融合所述单帧感知地图得到多层感知子地图；
将所述多层感知子地图和所述全局拓扑地图进行关联存储得到全局地图。
优选地，所述基于所述多源传感信息中不同的感知信息分别建立单帧感知地图，具体包括：
基于传感器的感知范围，建立栅格地图；
将所述感知信息分别转换为点云簇；
将所述点云簇投影至所述栅格地图得到单帧感知地图。
优选地，所述基于所述全局拓扑地图，融合所述单帧感知地图得到多层感知子地图，具体包括：
基于所述全局拓扑地图，将所述单帧感知地图的相对坐标转换为绝对坐标后进行融合得到多层感知子地图。
优选地，所述将所述多层感知子地图和所述全局拓扑地图进行关联存储得到全局地图，具体包括：
以所述全局拓扑地图中道路中心的关键点为多层感知子地图的关联节点，将多层感知子地图转换成图片的形式，以所述关键点为多层感知子地图的绝对坐标参考点，存储在所述全局拓扑地图的关键点位置处，得到全局地图。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供的结构非结构环境通用的多层全局感知地图构建方法，根据多源传感信息或初始地图构建全局拓扑地图后，基于多源传感信息中不同的感知信息分别建立单帧感知地图，然后，基于全局拓扑地图，融合单帧感知地图得到多层感知子地图，最后，将多层感知子地图和全局拓扑地图进行关联存储得到精确的全局地图，以能够提高地图中局部环境信息的复杂度，进而解决现有技术无法为无人车的局部规划提供足够环境信息的问题，同时提高在结构化和非结构化环境中的通用性。
对应于上述提供的结构非结构环境通用的多层全局感知地图构建方法，本发明还提供了一种结构非结构环境通用的多层全局感知地图构建***，该***包括：
数据获取模块，用于获取多源传感信息和初始地图；所述多源传感信息包括多种不同传感器采集的感知信息；
拓扑地图构建模块，用于根据所述多源传感信息或所述初始地图构建全局拓扑地图；所述全局拓扑地图用于表征路网分布情况；所述全局拓扑地图包括关键点和拓扑线结构；
感知地图构建模块，用于基于所述多源传感信息中不同的感知信息分别建立单帧感知地图；
感知地图融合模块，用于基于所述全局拓扑地图，融合所述单帧感知地图得到多层感知子地图；
全局地图生成模块，用于将所述多层感知子地图和所述全局拓扑地图进行关联存储得到全局地图。
优选地，所述感知地图构建模块包括：
栅格地图构建单元，用于基于传感器的感知范围，建立栅格地图；
点云簇转换单元，用于将所述感知信息分别转换为点云簇；
感知地图构建单元，用于将所述点云簇投影至所述栅格地图得到单帧感知地图。
优选地，所述感知地图融合模块包括：
感知地图融合单元，用于基于所述全局拓扑地图，将所述单帧感知地图的相对坐标转换为绝对坐标后进行融合得到多层感知子地图。
优选地，所述全局地图生成模块包括：
全局地图生成单元，用于以所述全局拓扑地图中道路中心的关键点为多层感知子地图的关联节点，将多层感知子地图转换成图片的形式，以所述关键点为多层感知子地图的绝对坐标参考点，存储在所述全局拓扑地图的关键点位置处，得到全局地图。
因本发明提供的结构非结构环境通用的多层全局感知地图构建***实现的技术效果与上述提供的结构非结构环境通用的多层全局感知地图构建方法实现的技术效果相同，故在此不再进行赘述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的结构非结构环境通用的多层全局感知地图构建方法的流程图；
图2为本发明实施例提供的结构非结构环境通用的多层全局感知地图构建方法的实施架构图；
图3为本发明提供的结构非结构环境通用的多层全局感知地图构建***的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
本发明的目的是提供一种结构非结构环境通用的多层全局感知地图构建方法及***，能够提高地图精确性的同时，提高地图中局部环境信息的复杂度，进而解决现有技术无法为无人车的局部规划提供足够环境信息的问题。
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。
如图1所示，本发明提供的一种结构非结构环境通用的多层全局感知地图构建方法，包括：
步骤100：获取多源传感信息和初始地图。多源传感信息包括多种不同传感器采集的感知信息。在本发明中为了提高地图构建的精确度，选用的初始地图是高精度地图。
步骤101：根据多源传感信息或初始地图构建全局拓扑地图。全局拓扑地图用于表征路网分布情况。全局拓扑地图包括关键点和拓扑线结构。
例如，当在结构化环境中时可将高清地图数据为输入，在非结构化环境中时可将由实车装载高精度卫星导航定位装置实地采集的位置信息为输入，以关键点Pid的形式存储构建全局拓扑地图的具有唯一ID号的关键点。在整个全局地图中，关键点Pid是其他元素的基础。其中关键点Pid存储的信息如下：
Pid=[x 0,y 0,z 0,{k m }] （1）
其中，x 0,y 0,z 0是该关键点的3维绝对空间坐标，{k m }则存储该关键点的m维属性信息，可扩展。关键点Pid存储了全局拓扑地图的关键点信息，需要注意点的间距和意义。关键点主要设置在道路关系交叉点，以及非直线道路可描述曲线特征的关键节点。其中，既需要保证合适的距离以减少关键点的数量，减少冗余和无意义的拓扑分段线，又要保证关键点和道路变化特征点都有进行存储，以保证关键点和以关键点组成的拓扑线结构可以构成全局拓扑地图的唯一解。
拓扑线结构L i,j 是连接关键点的线结构，它是两个或多个点通过线性插值生成的有序数组。L i,j 可以是实线，也可以是虚线。类似关键点的结构，拓扑线结构L i,j 存储的信息如下：
L i,j =[{L line },{L type },{M n }] （2）
其中，i,j是构成线结构的关键点的ID，{L line }是线结构的有序数组，{L type }是线型属性，如实线或双实线，虚线或其它线型，{M n }拓扑线结构的n维属性，可扩展。
关键点结构和拓扑线结构可以详细描述区域内全局的道路基本信息，如车道线、停止线、道路边界等。也可以在信息缺乏时，如越野环境中只表示非结构化道路或可行驶的越野路的中心线和关键点。
步骤102：基于多源传感信息中不同的感知信息分别建立单帧感知地图。例如：
基于采集车上搭载的高精度传感器获得的环境原始数据（如相机采集的图像数据，激光雷达获得的点云数据等），对各项无人车行驶过程中对车辆行驶具有导航意义的感知信息进行单帧感知地图
Figure 412350DEST_PATH_IMAGE001
的构建，即基于本车坐标系在t时刻对类别为C i 的单帧感知地图。其中无人车行驶过程中对车辆导航具有关键意义的感知信息主要有：环境中的地形地势、基础设施、静态障碍物、动态交互成员以及环境因素信息等。
这些单帧感知地图的构建方法可以有多种方式，如地形地势的感知信息，即可以通过图像、点云或融合的感知方法对环境进行三维建模，提供地形地势的绝对高度、坡度、曲率、路面不平度等信息，也可以直接由采集车的可以感知本车位姿的传感器进行数据建模。其他感知信息也同样可以由多种方式建立单帧感知地图
Figure 405189DEST_PATH_IMAGE001
。
其中，比较特殊的地图是动态的交互成员
Figure 512822DEST_PATH_IMAGE002
，动态交互成员地图是以其在各个采集时刻在栅格地图中所占据的位置，并且以时间轴作为纵向，建立实时水平面位置和时间纵向的三维动态成员地图。它与采集车采集数据时的交通状况息息相关，但对全局地图而言是无关甚至的扰乱信息。仅此
Figure 376873DEST_PATH_IMAGE002
是为了防止动态目标对地图的干扰而建立的。
步骤103：基于全局拓扑地图，融合单帧感知地图得到多层感知子地图。例如：
先将单帧感知地图
Figure 269874DEST_PATH_IMAGE001
的相对坐标转换到绝对坐标为：
Figure 420233DEST_PATH_IMAGE003
（3）
坐标转换过程中，因为z方向基本不发生变化，因此只转换x和y坐标。
然后进行多帧感知地图的融合。融合单帧感知地图
Figure 890528DEST_PATH_IMAGE004
是由与中心点
Figure 433636DEST_PATH_IMAGE005
相连的线
Figure 430411DEST_PATH_IMAGE006
、
Figure 627037DEST_PATH_IMAGE007
上获得的所有单帧地图
Figure 459995DEST_PATH_IMAGE008
的概率融合构成的。其中，概率融合方法比较常用的由贝叶斯融合、D-S融合等。将不同感知类别的单帧地图分别融合成多层感知子地图
Figure 524903DEST_PATH_IMAGE009
。
步骤104：将多层感知子地图和全局拓扑地图进行关联存储得到全局地图。例如：
全局拓扑地图由点结构和线结构组成。这里在进行多层感知子地图与全局拓扑地图关联时，全局拓扑地图的关键节点都是道路或可通行越野路的中心点
Figure 123987DEST_PATH_IMAGE010
，存储的多层感知子地图范围为与中心点
Figure 757094DEST_PATH_IMAGE010
相连的线
Figure 592195DEST_PATH_IMAGE006
、
Figure 945947DEST_PATH_IMAGE007
等线结构存储的多帧融合的子地图。
以道路中心点
Figure 792680DEST_PATH_IMAGE010
为多层感知子地图
Figure 455742DEST_PATH_IMAGE011
的关联节点，将多层感知子地图转换成图片的形式，以中心点
Figure 263293DEST_PATH_IMAGE010
为多层感知子地图的绝对坐标参考点，存储在关键点的位置。存储图片可减少存储所需空间，并且存储以与点
Figure 810949DEST_PATH_IMAGE005
关联的所有线的多层感知子地图
Figure 587887DEST_PATH_IMAGE011
，可以在保证相邻点存储的地图有重合，保证了地图切换的平顺性。
基于上述构建得到的全局地图，在进行定位匹配时，提取和更新多层感知子地图，其过程如下：
当无人车在本发明所建立的全局地图范围内行驶时，可以根据卫星定位装置与全局地图进行匹配，并且即使定位精度低，在有信息丰富的多层感知子地图的前提下，可以完成更高精度的地图匹配，保证无人车的精确定位。
当装载有低精度的传感器或只装有定位装置的无人车在全局地图中行驶时，可以按定位信息匹配全局地图中的中心点
Figure 687430DEST_PATH_IMAGE010
，然后提取多层感知子地图
Figure 106910DEST_PATH_IMAGE009
，以获得丰富的导航信息，为无人车的局部规划和全局规划提供精度高信息丰富的感知地图。
当建图的无人采集车的感知传感器比行驶中的无人车精度低时，还可以用行驶中无人车采集的部分路径更为丰富的信息更新所建立的全局地图。
下面给出一个实施例对上述提供的结构非结构环境通用的多层全局感知地图构建方法的具体实施过程进行说明。
在本实施例中，以C++开源库Lanelet2为本发明的结构基础进行地图构建的实施，如图2所示，包括：
S1、以多源传感器信息或现有的高精度地图作为输入，构建全局拓扑网络地图，并以该全局拓扑地图作为全局地图的底图。具体包括：
步骤S11、本实施例以高清地图中某校园的区域为输入，在整个全局地图中，关键点Pid是其他元素的基础。以Lanelet2框架中6个基本元素之一的Points为拓扑点结构的基础，增加属性可扩展的功能。
lanelet2中的Points由ID、3D坐标和属性组成，是唯一存储实际位置信息的元素，ID必须是唯一的。其他基本元素都是直接或者间接由Points组成的。
从输入的高清地图区域中，选取该区域的关键点Pid进行信息的存储，存储信息的形式如公式（1）所示。
步骤S12、以lanelet2中的基本元素之一的line为基础，增加属性可扩展的功能，连接S11中选取的关键点Pid，构建全局地图的底图。
lanelet2中line结构是两个或者多个点通过线性插值生成的有序数组，用来描述地图元素的形状。线串可以是虚线，它可以通过高度离散化实现，来描述任何一维形式，并应用于地图上的任何可物理观察到的部分。
拓扑线结构L i,j 是连接关键点Pid的线结构，它是两个或多个点通过线性插值生成的有序数组。拓扑线结构L i,j 存储的信息如上述公式（2）所示。
步骤S13、以拓扑点结构和线结构构建区域的底图。
在逐步进行了以上过程，依托lanelet2库函数为基础，构建全局拓扑地图层作为底图层后，就可以建立单帧感知地图。
步骤S2、以多源传感器的信息融合为输入，对不同类别的感知信息分别建立单帧感知地图，用以表述环境中的地形地势、基础设施、静态障碍物、动态交互成员以及环境信息。
基于采集车上搭载的高精度传感器获得的感知信息，对各项无人车行驶过程中关键信息进行单帧感知地图
Figure 68044DEST_PATH_IMAGE001
进行构建。
以建立地形地势地图层中相对高度特征的灰度栅格地图为例，说明具体单帧感知地图
Figure 889370DEST_PATH_IMAGE001
的搭建步骤，具体包括：
步骤S21、根据传感器的感知范围，建立最佳栅格地图的尺寸和分辨率。以无人车的行驶方向为X轴正方向，建立右手坐标系。建立的栅格地图
Figure 159814DEST_PATH_IMAGE012
总长度为L，总宽度为W。
其中，长度分辨率l和宽度分辨率w分别为l=L/N l ，w=W/N w 。N l 为栅格地图长度上的栅格个数，N w 为栅格地图宽度上的栅格个数。
步骤S22、将激光雷达获得的点云簇投影至栅格地图
Figure 676377DEST_PATH_IMAGE012
的各个栅格单元G l,w 中。以落入G l,w 点云簇P l,w 的均值高度H l,w 为该栅格单元的相对高度值。
P l,w ={p 1,p 2,...,p n }，p i ={x,y,z,I}
其中，n是该栅格单元落入的点云总数，p i 是点云的属性，包括点云的（x,y,z）坐标和强度I。点云簇的均值高度：
Figure 424890DEST_PATH_IMAGE013
（4）
需要说明的是，点云属性中的x,y,z坐标是以车辆后轴中心为原点，并根据采集车的实时位姿标定和校准过的，因此z坐标的值就是与本车原点为参照点的相对高度值，与车辆的倾斜状态无关。
步骤S23、归一化特征值以便以灰度栅格图
Figure 366301DEST_PATH_IMAGE012
（即单帧感知地图）的存储。在越野环境中行驶时，关注与本车相对高度为[-5.10，5.10]米的地形相对高度情况。超出该范围的点云进行去除。而在该范围内的高度值进行归一化，并映射在[0，255]范围内：
Figure 558380DEST_PATH_IMAGE014
（5）
最终将相对高度的特征以灰度栅格地图的形式进行存储。其他特征的二值化栅格地图或灰度栅格地图的建立方式类似。
在逐步进行了以上过程，构建不同类别的感知信息分别建立单帧感知地图
Figure 811506DEST_PATH_IMAGE001
，就可以将单帧感知地图融合形成多层感知子地图，与全局拓扑地图关联存储。
步骤S3、在全局拓扑地图的基础上，将不同类别的单帧感知地图进行多帧融合形成多层感知子地图，将多层感知子地图与全局拓扑地图关联存储，具体包括：
步骤S31、全局拓扑地图的关键节点设置为道路或可通行越野路的中心点
Figure 239077DEST_PATH_IMAGE005
，确定多层感知子地图包含的单帧感知地图的范围。
步骤S32、将包含的单帧感知地图
Figure 376272DEST_PATH_IMAGE001
的相对坐标转换到绝对坐标，转换方式见公式（3）。
步骤S33、然后进行多帧地图融合。多层感知子地图
Figure 254099DEST_PATH_IMAGE004
是由与
Figure 869888DEST_PATH_IMAGE010
点相连的线
Figure 976515DEST_PATH_IMAGE006
、
Figure 485994DEST_PATH_IMAGE007
上获得的所有单帧感知地图
Figure 754295DEST_PATH_IMAGE008
的融合结果。考虑到转换到绝对坐标系后，相邻的单帧感知地图有很多栅格单元是重合的，因此多帧的感知地图融合需要用概率融合方法进行融合。
概率融合方法比较常用的有贝叶斯融合、D-S融合等，本实施例使用贝叶斯融合方法，将不同感知类别的单帧感知地图分别融合成多层感知子地图
Figure 122960DEST_PATH_IMAGE009
。
Figure 16966DEST_PATH_IMAGE015
（6）
Figure 397263DEST_PATH_IMAGE016
（7）
Figure 226679DEST_PATH_IMAGE017
（8）
其中，
Figure 941694DEST_PATH_IMAGE018
概率分布是基于传感器的测量模型得到的，Z t 为t时刻栅格单元的测量值， Q t 为t时刻栅格单元的真实值，α t 是基于当前帧测量结果的比值。
根据该公式，对范围内的单帧栅格单元按绝对位置进行概率融合。最终将不同感知类别的单帧地图分别融合成多层感知子地图。
步骤S34、以道路中心点
Figure 387194DEST_PATH_IMAGE010
为多层感知子地图
Figure 481052DEST_PATH_IMAGE011
的关联节点，将子地图转换成图片的形式，以中心点
Figure 606003DEST_PATH_IMAGE010
为子地图的绝对坐标参考点，存储在关键点的位置。存储图片可减少存储所需空间，并且存储以与中心点
Figure 559047DEST_PATH_IMAGE010
关联的所有线的多层感知子地图
Figure 935802DEST_PATH_IMAGE011
，可以在保证相邻点存储的地图有重合，保证了地图切换的平顺性。
在逐步进行了以上过程，将单帧感知地图融合形成多帧子地图，与全局拓扑地图关联存储后，就可以建立定位匹配和感知信息提取了。
步骤S4、以卫星定位信息和感知中的语义和关键点线面信息匹配，提供精确的无人车定位，并根据定位信息提取关键点附近的多层子地图用于局部导航。必要时还可根据最新的感知信息更新多层感知子地图。具体包括：
步骤S41、搭载卫星定位装置的无人车在建立的全局地图范围内行驶，与全局拓扑地图进行最近关键点的位置匹配，并提取该关键点处的多层感知子地图。即使无人车的定位精度低，在有信息丰富的感知子地图的前提下，也可以完成更高精度的地图匹配，保证无人车的精确定位。
步骤S42、载有低精度的传感器或只装有定位装置的无人车在地图中行驶时，可以按定位信息匹配地图中的中心点
Figure 274379DEST_PATH_IMAGE010
，然后提取多层感知子地图
Figure 320964DEST_PATH_IMAGE009
，以获得丰富的导航信息，为无人车的局部规划和全局规划提供精度高信息丰富的感知地图。
步骤S43、当建图的无人采集车的感知传感器比行驶中的无人车精度低时，还可以用行驶中无人车采集的部分路径更为丰富的信息更新本发明建立的全局地图。
在逐步进行了以上过程，最终本实施例建立了一种多层感知信息融合的全局地图。
与现有技术相比，本实施例提供的多层感知信息融合的全局地图，以全局拓扑地图作为地图，以关键点作为子图的关联节点，易于存储和提取使用建立的多层感知子地图。且以图片和关键节点的坐标关联子图和全局地图，即避免了直接存储感知原始数据的低存储利用率，且节点相关线结构的多帧融合保证了地图切换的平顺性。得益于全局地图中语义信息丰富的感知信息存储，可以提供更准确、精度更高的定位导航服务，是对实现完全自动驾驶的重要条件。
对应于上述提供的结构非结构环境通用的多层全局感知地图构建方法，本发明还提供了一种结构非结构环境通用的多层全局感知地图构建***，如图3所示，该***包括：数据获取模块1、拓扑地图构建模块2、感知地图构建模块3、感知地图融合模块4和全局地图生成模块5。
其中，数据获取模块1用于获取多源传感信息和初始地图。多源传感信息包括多种不同传感器采集的感知信息。
拓扑地图构建模块2用于根据多源传感信息或初始地图构建全局拓扑地图。全局拓扑地图用于表征路网分布情况。全局拓扑地图包括关键点和拓扑线结构。
感知地图构建模块3用于基于多源传感信息中不同的感知信息分别建立单帧感知地图。
感知地图融合模块4用于基于全局拓扑地图，融合单帧感知地图得到多层感知子地图。
全局地图生成模块5用于将多层感知子地图和全局拓扑地图进行关联存储得到全局地图。
作为本发明的一个实施例，上述采用的感知地图构建模块3包括：栅格地图构建单元、点云簇转换单元和感知地图构建单元。
其中，栅格地图构建单元用于基于传感器的感知范围，建立栅格地图。
点云簇转换单元用于将感知信息分别转换为点云簇。
感知地图构建单元用于将点云簇投影至栅格地图得到单帧感知地图。
作为本发明的另一个实施例，上述采用的感知地图融合模块4包括：感知地图融合单元。感知地图融合单元用于基于全局拓扑地图，将单帧感知地图的相对坐标转换为绝对坐标后进行融合得到多层感知子地图。
作为本发明的又一个实施例，上述采用的全局地图生成模块5包括：全局地图生成单元。全局地图生成单元，用于以全局拓扑地图中道路中心的关键点为多层感知子地图的关联节点，将多层感知子地图转换成图片的形式，以关键点为多层感知子地图的绝对坐标参考点，存储在全局拓扑地图的关键点位置处，得到全局地图。
基于上述描述，本发明提供的结构非结构环境通用的多层全局感知地图构建方法及***相对于现有技术还具有以下优点：
1、本发明构建的全局地图，得益于全局地图中语义信息丰富的感知信息存储，可以提供更准确、精度更高的定位导航服务。
2、本发明构建的全局地图，由于按关键点存储有信息丰富的多层感知子地图，可以使传感器精度低甚至无传感器的行驶车辆，也可以使用精度高信息丰富的子地图，完成安全性更高的无人行驶。
3、本发明可以随传感器的升级反复更新丰富地图，也可以随时更新全局环境中最新的路况情况。
4、本发明以全局拓扑地图作为底图，以关键点作为多层感知子地图的关联节点，易于存储和提取使用建立的多层感知子地图。且以图片和关键点的坐标关联多层感知子地图和全局拓扑地图，既避免了直接存储感知原始数据的低存储利用率，又通过节点相关线结构的多帧融合保证了地图切换的平顺性。
本说明书中各个实施例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部分互相参见即可。对于实施例公开的***而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
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 (8)

1.一种结构非结构环境通用的多层全局感知地图构建方法，其特征在于，包括：
获取多源传感信息和初始地图；所述多源传感信息包括多种不同传感器采集的感知信息；
根据所述多源传感信息或所述初始地图构建全局拓扑地图；所述全局拓扑地图用于表征路网分布情况；所述全局拓扑地图包括关键点和拓扑线结构；
基于所述多源传感信息中不同的感知信息分别建立单帧感知地图；
基于所述全局拓扑地图，融合所述单帧感知地图得到多层感知子地图；
将所述多层感知子地图和所述全局拓扑地图进行关联存储得到全局地图。
2.根据权利要求1所述的结构非结构环境通用的多层全局感知地图构建方法，其特征在于，所述基于所述多源传感信息中不同的感知信息分别建立单帧感知地图，具体包括：
基于传感器的感知范围，建立栅格地图；
将所述感知信息分别转换为点云簇；
将所述点云簇投影至所述栅格地图得到单帧感知地图。
3.根据权利要求1所述的结构非结构环境通用的多层全局感知地图构建方法，其特征在于，所述基于所述全局拓扑地图，融合所述单帧感知地图得到多层感知子地图，具体包括：
基于所述全局拓扑地图，将所述单帧感知地图的相对坐标转换为绝对坐标后进行融合得到多层感知子地图。
4.根据权利要求1所述的结构非结构环境通用的多层全局感知地图构建方法，其特征在于，所述将所述多层感知子地图和所述全局拓扑地图进行关联存储得到全局地图，具体包括：
以所述全局拓扑地图中道路中心的关键点为多层感知子地图的关联节点，将多层感知子地图转换成图片的形式，以所述关键点为多层感知子地图的绝对坐标参考点，存储在所述全局拓扑地图的关键点位置处，得到全局地图。
5.一种结构非结构环境通用的多层全局感知地图构建***，其特征在于，包括：
数据获取模块，用于获取多源传感信息和初始地图；所述多源传感信息包括多种不同传感器采集的感知信息；
拓扑地图构建模块，用于根据所述多源传感信息或所述初始地图构建全局拓扑地图；所述全局拓扑地图用于表征路网分布情况；所述全局拓扑地图包括关键点和拓扑线结构；
感知地图构建模块，用于基于所述多源传感信息中不同的感知信息分别建立单帧感知地图；
感知地图融合模块，用于基于所述全局拓扑地图，融合所述单帧感知地图得到多层感知子地图；
全局地图生成模块，用于将所述多层感知子地图和所述全局拓扑地图进行关联存储得到全局地图。
6.根据权利要求5所述的结构非结构环境通用的多层全局感知地图构建***，其特征在于，所述感知地图构建模块包括：
栅格地图构建单元，用于基于传感器的感知范围，建立栅格地图；
点云簇转换单元，用于将所述感知信息分别转换为点云簇；
感知地图构建单元，用于将所述点云簇投影至所述栅格地图得到单帧感知地图。
7.根据权利要求5所述的结构非结构环境通用的多层全局感知地图构建***，其特征在于，所述感知地图融合模块包括：
感知地图融合单元，用于基于所述全局拓扑地图，将所述单帧感知地图的相对坐标转换为绝对坐标后进行融合得到多层感知子地图。
8.根据权利要求5所述的结构非结构环境通用的多层全局感知地图构建***，其特征在于，所述全局地图生成模块包括：
全局地图生成单元，用于以所述全局拓扑地图中道路中心的关键点为多层感知子地图的关联节点，将多层感知子地图转换成图片的形式，以所述关键点为多层感知子地图的绝对坐标参考点，存储在所述全局拓扑地图的关键点位置处，得到全局地图，同时提高在结构化和非结构化环境中的通用性。
CN202210436125.3A 2022-04-25 2022-04-25 结构非结构环境通用的多层全局感知地图构建方法及*** Active CN114543788B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210436125.3A CN114543788B (zh) 2022-04-25 2022-04-25 结构非结构环境通用的多层全局感知地图构建方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210436125.3A CN114543788B (zh) 2022-04-25 2022-04-25 结构非结构环境通用的多层全局感知地图构建方法及***

Publications (2)

Publication Number Publication Date
CN114543788A true CN114543788A (zh) 2022-05-27
CN114543788B CN114543788B (zh) 2022-08-09

Family

ID=81666883

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210436125.3A Active CN114543788B (zh) 2022-04-25 2022-04-25 结构非结构环境通用的多层全局感知地图构建方法及***

Country Status (1)

Country Link
CN (1) CN114543788B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023242716A1 (en) * 2022-06-13 2023-12-21 Interaptix Inc. Systems and methods for generating a representation of a space

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110160986A1 (en) * 2009-12-28 2011-06-30 Nec (China) Co., Ltd. Method and apparatus for traffic information conversion using traffic information element knowledge base
CN107063258A (zh) * 2017-03-07 2017-08-18 重庆邮电大学 一种基于语义信息的移动机器人室内导航方法
CN109163731A (zh) * 2018-09-18 2019-01-08 北京云迹科技有限公司 一种语义地图构建方法及***
CN109186586A (zh) * 2018-08-23 2019-01-11 北京理工大学 一种面向动态泊车环境的同时定位及混合地图构建方法
CN111928862A (zh) * 2020-08-10 2020-11-13 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
CN114116933A (zh) * 2021-11-12 2022-03-01 同济大学 一种基于单目图像的语义拓扑联合建图方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110160986A1 (en) * 2009-12-28 2011-06-30 Nec (China) Co., Ltd. Method and apparatus for traffic information conversion using traffic information element knowledge base
CN107063258A (zh) * 2017-03-07 2017-08-18 重庆邮电大学 一种基于语义信息的移动机器人室内导航方法
CN109186586A (zh) * 2018-08-23 2019-01-11 北京理工大学 一种面向动态泊车环境的同时定位及混合地图构建方法
CN109163731A (zh) * 2018-09-18 2019-01-08 北京云迹科技有限公司 一种语义地图构建方法及***
CN111928862A (zh) * 2020-08-10 2020-11-13 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
CN114116933A (zh) * 2021-11-12 2022-03-01 同济大学 一种基于单目图像的语义拓扑联合建图方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023242716A1 (en) * 2022-06-13 2023-12-21 Interaptix Inc. Systems and methods for generating a representation of a space

Also Published As

Publication number Publication date
CN114543788B (zh) 2022-08-09

Similar Documents

Publication Publication Date Title
US11162788B2 (en) Classification of surfaces as hard/soft for combining data captured by autonomous vehicles for generating high definition maps
US11512964B2 (en) Distributed processing of pose graphs for generating high definition maps for navigating autonomous vehicles
CN108986207B (zh) 一种基于真实路面数据的道路及沿线建筑仿真建模方法
US20190325264A1 (en) Machine learning a feature detector using synthetic training data
CN101149843B (zh) 一种数字城市的继承式自动生成及实时更新方法
CN110715671B (zh) 三维地图生成方法、装置、车辆导航设备和无人驾驶车辆
CN116518960B (zh) 路网更新方法、装置、电子设备和存储介质
CN108198143B (zh) 一种去LoD层级约束的三维地形裂缝消除方法
CN114238542A (zh) 多源交通gis路网多层级实时融合更新方法
CN116129066A (zh) 基于数字孪生的自动驾驶高精度地图模型及高精度静态地图制作方法
CN114543788B (zh) 结构非结构环境通用的多层全局感知地图构建方法及***
CN114509065A (zh) 地图构建方法、***、车辆终端、服务器端及存储介质
KR102408981B1 (ko) Nd 맵 생성방법 및 그를 활용한 맵 업데이트 방법
CN114116933A (zh) 一种基于单目图像的语义拓扑联合建图方法
CN114120631B (zh) 构建动态高精度地图的方法、装置及交通云控平台
CN115342779A (zh) 一种基于测绘模型图的城市地面及地下形态的测绘方法
CN113850915A (zh) 一种基于Autoware的车辆循迹方法
CN112686988A (zh) 三维建模方法、装置、电子设备及存储介质
Siopi et al. A study on high definition maps' standards and specifications for autonomous vehicles
US12051235B2 (en) Machine learning a feature detector using synthetic training data
CN117870713B (zh) 基于大数据车载影像的路径规划方法及***
CN116678427B (zh) 基于城市峡谷稀疏特征地图约束的动态定位方法和装置
CN115861966A (zh) 一种基于高精度地图的障碍物检测方法
CN118424305A (zh) 基于越野场景下的地图生成方法、装置、设备和介质
CN117191002A (zh) 一种高精度地图构建处理方法及***

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
GR01 Patent grant
GR01 Patent grant