CN115855084A - 地图数据融合方法、装置、电子设备及自动驾驶产品 - Google Patents
地图数据融合方法、装置、电子设备及自动驾驶产品 Download PDFInfo
- Publication number
- CN115855084A CN115855084A CN202211525232.XA CN202211525232A CN115855084A CN 115855084 A CN115855084 A CN 115855084A CN 202211525232 A CN202211525232 A CN 202211525232A CN 115855084 A CN115855084 A CN 115855084A
- Authority
- CN
- China
- Prior art keywords
- map data
- vehicle
- lane line
- lane
- source
- 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
Links
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本公开涉及计算机技术领域,具体涉及自动驾驶技术、高精地图技术领域,尤其涉及地图数据融合方法、装置、电子设备及自动驾驶产品。具体实现方案为:获取车端地图数据以及众源地图数据;对车端地图数据和众源地图数据进行融合,将众源地图数据包含的道路属性信息融合到车端地图数据中,生成包含道路属性信息的在线地图数据。本公开可以将车端实时构建的在线地图数据与众包方式采集的众源地图数据进行融合,将众源地图数据包含的道路属性信息融合到车端在线地图数据中,完善车端地图数据,无需加载全量的高精地图数据,提升加载效率,有效降低车端缓存,确保自动驾驶车辆的安全行驶。
Description
技术领域
本公开涉及计算机技术领域,具体涉及自动驾驶技术、高精地图技术领域,尤其涉及地图数据融合方法、装置、电子设备及自动驾驶产品。
背景技术
随着自动驾驶技术和高精度地图技术的发展,出现了高精地图(High DefinitionMap,简称HDMap)。高精度地图的数据内容丰富,数据精度高,高精地图拥有精确的车辆位置信息和丰富的道路元素数据信息,可以帮助汽车预知路面复杂信息,是实现自动驾驶的关键所在,但是同时也存在数据量大,数据采集成本高等问题。自动驾驶***在行驶过程中需要全量加载高精地图数据,导致地图数据加载效率低、车端缓存高。
发明内容
本公开提供了一种地图数据融合方法、装置、电子设备以及存储介质。
根据本公开的第一方面,提供了一种地图数据融合方法,包括:
获取车端地图数据以及众源地图数据;其中,所述车端地图数据是车端构建的在线地图数据,不包含道路属性信息;所述众源地图数据是存储于数据库中的离线地图数据,包含所述道路属性信息;
对所述车端地图数据和所述众源地图数据进行融合,将所述众源地图数据包含的道路属性信息融合到所述车端地图数据中,生成包含所述道路属性信息的所述在线地图数据。
根据本公开的第二方面,提供了一种地图数据融合装置,包括:
数据获取模块,被配置为获取车端地图数据以及众源地图数据;其中,所述车端地图数据是车端构建的在线地图数据,不包含道路属性信息;所述众源地图数据是存储于数据库中的离线地图数据,包含所述道路属性信息;
数据融合模块,被配置为对所述车端地图数据和所述众源地图数据进行融合,将所述众源地图数据包含的道路属性信息融合到所述车端地图数据中,生成包含所述道路属性信息的所述在线地图数据。
根据本公开的第三方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述技术方案中任一项所述的方法。
根据本公开的第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行上述技术方案中任一项所述的方法。
根据本公开的第五方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现上述技术方案中任一项所述的方法。
根据本公开的第六方面,提供了一种自动驾驶产品,包括上述技术方案中所述的电子设备。
本公开提供了地图数据融合方法、装置、电子设备及自动驾驶产品,可以将车端实时构建的在线地图数据与众包方式采集的离线地图数据进行融合,将众源地图数据包含的道路属性信息融合到车端在线地图数据中,完善车端地图数据,无需加载全量的高精地图数据,提升加载效率,有效降低车端缓存,确保自动驾驶车辆的安全行驶。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是本公开实施例中的地图数据融合方法的步骤示意图;
图2是本公开实施例中的车端地图数据和众源地图数据融合的具体步骤图;
图3是本公开实施例中的地图数据融合方法的流程示意图;
图4是本公开实施例中的地图数据匹配的原理图;
图5是本公开实施例中的众源地图数据车道线匹配的原理图;
图6是本公开实施例中的地图数据格式处理的流程图;
图7是本公开实施例中的地图数据融合装置的原理框图;
图8是本公开实施例中的数据融合模块的原理框图;
图9是本公开实施例中的示例电子设备的示意性框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
针对现有技术中高精地图数据加载效率低、车端缓存高以及车端地图数据不完善等技术问题,本公开提供了一种地图数据融合方法,如图1所示,包括:
步骤S101,获取车端地图数据以及众源地图数据。其中,车端地图数据(又称为Local mapping)是指车端通过采集的感知信息实时构建的在线地图数据(Online Map),在线建图是指在自动驾驶车辆行驶过程中利用车载传感器实时地感知自动驾驶车辆周围的地图要素并生成地图。在线建图无需人工处理、标注和维护,相比离线建图成本低、可拓展性强、易用性强。但是这种在线地图数据仅仅包含位置信息,缺失道路属性信息,例如车道朝向、车道宽度、车道类型等。而众源地图数据是通过众包方式采集的离线历史地图数据,其包含的数据内容更丰富,包含了车道朝向、车道宽度、车道类型等道路属性信息。
步骤S102,对车端地图数据和众源地图数据进行融合,将众源地图数据包含的道路属性信息融合到车端地图数据中,生成包含道路属性信息的在线地图数据。在步骤S101获取了车端地图数据和众源地图数据之后,将众源地图数据中的道路属性信息融合到车端地图数据中,车端可以自动生成带有道路属性信息的在线地图数据,弥补车端地图数据不完善的问题,确保自动驾驶车辆的安全行驶。车端通过将矢量地图数据和众源地图数据的道路属性信息进行融合生成矢量数据形式的在线地图数据,也无需再加载全量的高精地图,降低了车端的缓存,同时也提高了加载效率。
作为可选的实施方式,步骤S101获取车端地图数据之前,还包括:基于车端传感器在车辆行驶过程中采集的感知信息生成车端地图数据。车端地图数据是由感知信息进行矢量化之后得到的矢量数据构成的在线地图数据,又称为矢量高精地图(vectorized high-definition map),其是一种应用于自动驾驶的高精度结构化电子地图,其由驾驶场景各类地图要素(如人行横道、车道线、路沿等)的矢量化表示构成,为决策规划、轨迹预测、环境感知提供重要的高层级语义信息。车端传感器可以包括激光雷达、相机、惯性导航等。
在生成车端地图数据前可以进行抽稀处理,例如采用道格拉斯抽稀算法,在处理矢量化数据时,记录中往往会有很多重复数据,对进一步数据处理带来诸多不便。多余的数据一方面浪费了较多的存储空间,另一方面造成所要表达的图形不光滑或不符合标准。因此要通过抽稀算法,在保证矢量曲线形状不变的情况下,最大限度地减少数据点个数,从而减少冗余的数据。
作为可选的实施方式,如图2所示,步骤S102对车端地图数据和众源地图数据进行融合,将众源地图数据包含的道路属性信息融合到车端地图数据中包括:
步骤S201,对车端地图数据的每一条车端车道线与众源地图数据的众源车道线进行匹配,找到与每一条车端车道线匹配的众源车道线。其中,车端车道线是指车端地图数据中的车道线,众源车道线是指众源地图数据中的车道线。在对车端地图数据和众源地图数据进行融合之前,需要对两种地图数据进行匹配,建立车道线之间的映射关系,例如车端地图数据的A车道线对应众源地图数据的哪一条车道线,只有建立的映射关系之后,才能将众源地图数据的道路属性信息融合到对应的车端车道线上。
步骤S202,将道路属性信息赋值给与车端车道线匹配的众源车道线。其中,道路属性信息包括但不限于以下至少一项:车道朝向信息;车道宽度信息;车道类型;道路名称;道路交通限制。还可以是车端地图数据缺失的其它道路属性信息。例如,车端地图数据的A车道线匹配到了众源地图数据的a车道线,可以将A车道线的车道朝向赋值给a车道线,从而生成包含车道朝向信息的在线地图数据,确保在线地图数据的完整性。
如图3所示地图数据融合流程图,包括步骤S101,获取车端地图数据和众源地图数据;步骤S201,对车端地图数据和众源地图数据进行匹配;步骤S202,将道路属性信息赋值给与车端车道线匹配的众源车道线生成在线地图数据,例如,将众源地图数据中的车道朝向、车道宽度赋值给车端车道线。
作为可选的实施方式,步骤S201对车端地图数据的每一条车端车道线与众源地图数据的众源车道线进行匹配包括:针对每一条车端车道线生成包围盒;基于包围盒确定每一条车端车道线对应的搜索范围,其中,可以以包围盒的中心点到包围盒的任意一个顶点的距离为搜索半径,基于包围盒的中心点和搜索半径确定搜索范围;基于搜索范围搜索众源地图数据,搜索每一条车端车道线匹配的至少一条众源车道线。如图4所示,针对车端车道线A生成包围盒401,以包围盒401的中心点O到包围盒401的其中一个顶点F的距离为搜索半径r,确定搜索范围S。其中,车端地图数据与众源地图数据的覆盖范围是重叠的,可以在搜索范围S内去搜索众源地图数据的车道线,从而建立两种地图数据的车道线映射关系。
作为可选的实施方式,基于搜索范围搜索众源地图数据,搜索每一条车端车道线匹配的至少一条众源车道线之后,还包括:
响应于车端车道线仅匹配到一条众源车道线,将匹配到的一条众源车道线作为匹配车道线。
响应于车端车道线匹配到两条及以上众源车道线,基于车端车道线的中心线和众源车道线的中心线进行距离计算,选择距离最近的众源车道线作为匹配车道线。
如图4所示,假设车端车道线A在搜索范围S内仅匹配到一条众源地图数据中的车道线,则直接将该众源车道线作为匹配车道线进行赋值,将道路属性信息赋值给该匹配车道线。如果车端车道线A在搜索范围S内匹配到了两条众源车道线,此时需要进一步计算分析选择距离车端车道线A最近的众源车道线作为匹配车道线进行赋值。
作为可选的实施方式,基于车端车道线的中心线和众源车道线的中心线进行距离计算,选择距离最近的众源车道线作为匹配车道线包括:如图5所示,对于车端车道线A的中心线每一个点与众源车道线的中心线的每一个点计算得到多个点距离,例如图5搜索到了两条众源车道线B、C,计算车道线A的每个点和车道线B的每个点之间的距离,并计算车道线A的每个点和车道线C的每个点之间的距离,得到多个点距离;基于多个点距离计算车端车道线A与每一条众源车道线之间的距离均值,将车道线B与车道线A之间的点距离取距离均值b,并将车道线C与车道线A之间的点距离取距离均值c;选择距离均值最小的众源车道线作为匹配车道线,如图5所示,距离均值c小于距离均值b,则选择众源车道线C作为匹配车道线,进一步可以将车道线A的道路属性信息赋值给众源车道线C。
作为可选的实施方式,获取车端地图数据以及众源地图数据之后,还包括:将车端地图数据以及众源地图数据转换为中间格式。如图6所示,在输入车端地图数据和众源地图数据之后,将车端地图数据和众源地图数据统一处理为中间格式,中间格式是算法自身定义的一种数据格式,包含车道、道路各种属性,统一处理为中间格式可以解决输入的数据源格式不一致问题,如后续拓展新的数据源,统一成同一种格式就可以将融合算法和数据输入输出剥离。在对地图数据融合之后,再将处于中间格式的地图数据转换为车端可以使用的在线地图数据。
本公开还提供了一种地图数据融合装置700,如图7所示,包括:
数据获取模块701,被配置为获取车端地图数据以及众源地图数据。其中,车端地图数据是指车端通过采集的感知信息实时构建的在线地图数据,在线建图是指在自动驾驶车辆行驶过程中利用车载传感器实时地感知自动驾驶车辆周围的地图要素并生成地图。在线建图无需人工处理、标注和维护,相比离线建图成本低、可拓展性强、易用性强。但是这种在线地图数据仅仅包含位置信息,缺失道路属性信息,例如车道朝向、车道宽度、车道类型等。而众源地图数据是通过众包方式采集的离线历史地图数据,其包含的数据内容更丰富,包含了车道朝向、车道宽度、车道类型等道路属性信息。
数据融合模块702,被配置为对车端地图数据和众源地图数据进行融合,将众源地图数据包含的道路属性信息融合到车端地图数据中,生成包含道路属性信息的在线地图数据。在数据获取模块701获取了车端地图数据和众源地图数据之后,将众源地图数据中的道路属性信息融合到车端地图数据中,车端可以自动生成带有道路属性信息的在线地图数据,弥补车端地图数据不完善的问题,确保自动驾驶车辆的安全行驶。车端通过将矢量地图数据和众源地图数据的道路属性信息进行融合生成矢量数据形式的在线地图数据,也无需再加载全量的高精地图,降低了车端的缓存,同时也提高了加载效率。
作为可选的实施方式,装置还包括:车端地图生成模块,被配置为数据获取模块获取车端地图数据之前,基于车端传感器在车辆行驶过程中采集的感知信息生成车端地图数据。车端地图数据是由感知信息进行矢量化之后得到的矢量数据构成的在线地图数据,其是一种应用于自动驾驶的高精度结构化电子地图,其由驾驶场景各类地图要素(如人行横道、车道线、路沿等)的矢量化表示构成,为决策规划、轨迹预测、环境感知提供重要的高层级语义信息。车端传感器可以包括激光雷达、相机、惯性导航等。
在生成车端地图数据前可以进行抽稀处理,例如采用道格拉斯抽稀算法,在处理矢量化数据时,记录中往往会有很多重复数据,对进一步数据处理带来诸多不便。多余的数据一方面浪费了较多的存储空间,另一方面造成所要表达的图形不光滑或不符合标准。因此要通过抽稀算法,在保证矢量曲线形状不变的情况下,最大限度地减少数据点个数,从而减少冗余的数据。
作为可选的实施方式,如图8所示,数据融合模块702包括:
匹配单元801,被配置为对车端地图数据的每一条车端车道线与众源地图数据的众源车道线进行匹配,找到与每一条车端车道线匹配的众源车道线。其中,车端车道线是指车端地图数据中的车道线,众源车道线是指众源地图数据中的车道线。在对车端地图数据和众源地图数据进行融合之前,需要对两种地图数据进行匹配,建立车道线之间的映射关系,例如车端地图数据的A车道线对应众源地图数据的哪一条车道线,只有建立的映射关系之后,才能将众源地图数据的道路属性信息融合到对应的车端车道线上。
融合单元802,被配置为将道路属性信息赋值给与车端车道线匹配的众源车道线。其中,道路属性信息包括但不限于以下至少一项:车道朝向信息;车道宽度信息;车道类型;道路名称;道路交通限制。还可以是车端地图数据缺失的其它道路属性信息。例如,车端地图数据的A车道线匹配到了众源地图数据的a车道线,可以将A车道线的车道朝向赋值给a车道线,从而生成包含车道朝向信息的在线地图数据,确保在线地图数据的完整性。
如图3所示地图数据融合流程图,数据获取模块701获取车端地图数据和众源地图数据;匹配单元801对车端地图数据和众源地图数据进行匹配;融合单元802将道路属性信息赋值给与车端车道线匹配的众源车道线生成在线地图数据,例如,将众源地图数据中的车道朝向、车道宽度赋值给车端车道线,最终得到在线地图数据。
作为可选的实施方式,匹配单元801包括:包围盒生成子单元,被配置为针对每一条车端车道线生成包围盒;搜索范围确定子单元,被配置为基于包围盒确定每一条车端车道线对应的搜索范围,其中,可以以包围盒的中心点到包围盒的任意一个顶点的距离为搜索半径,基于包围盒的中心点和搜索半径确定搜索范围;搜索子单元,被配置为基于搜索范围搜索众源地图数据,搜索每一条车端车道线匹配的至少一条众源车道线。如图4所示,针对车端车道线A生成包围盒401,以包围盒401的中心点O到包围盒401的其中一个顶点F的距离为搜索半径r,确定搜索范围S。其中,车端地图数据与众源地图数据的覆盖范围是重叠的,可以在搜索范围S内去搜索众源地图数据的车道线,从而建立两种地图数据的车道线映射关系。
作为可选的实施方式,搜索子单元基于搜索范围搜索众源地图数据,搜索每一条车端车道线匹配的至少一条众源车道线之后,还包括:
响应于车端车道线仅匹配到一条众源车道线,将匹配到的一条众源车道线作为匹配车道线。
响应于车端车道线匹配到两条及以上众源车道线,基于车端车道线的中心线和众源车道线的中心线进行距离计算,选择距离最近的众源车道线作为匹配车道线。
如图4所示,假设车端车道线A在搜索范围S内仅匹配到一条众源地图数据中的车道线,则直接将该众源车道线作为匹配车道线进行赋值,将道路属性信息赋值给该匹配车道线。如果车端车道线A在搜索范围S内匹配到了两条众源车道线,此时需要进一步计算分析选择距离车端车道线A最近的众源车道线作为匹配车道线进行赋值。
作为可选的实施方式,基于车端车道线的中心线和众源车道线的中心线进行距离计算,选择距离最近的众源车道线作为匹配车道线包括:如图5所示,对于车端车道线A的中心线每一个点与众源车道线的中心线的每一个点计算得到多个点距离,例如图5搜索到了两条众源车道线B、C,计算车道线A的每个点和车道线B的每个点之间的距离,并计算车道线A的每个点和车道线C的每个点之间的距离,得到多个点距离;基于多个点距离计算车端车道线A与每一条众源车道线之间的距离均值,将车道线B与车道线A之间的点距离取距离均值b,并将车道线C与车道线A之间的点距离取距离均值c;选择距离均值最小的众源车道线作为匹配车道线,如图5所示,距离均值c小于距离均值b,则选择众源车道线C作为匹配车道线,进一步可以将车道线A的道路属性信息赋值给众源车道线C。
作为可选的实施方式,获取车端地图数据以及众源地图数据之后,还包括:数据转换模块601,被配置为将车端地图数据以及众源地图数据转换为中间格式。如图6所示,在输入车端地图数据和众源地图数据之后,将车端地图数据和众源地图数据统一处理为中间格式,中间格式是算法自身定义的一种数据格式,包含车道、道路各种属性,统一处理为中间格式可以解决输入的数据源格式不一致问题,如后续拓展新的数据源,统一成同一种格式就可以将融合算法和数据输入输出剥离。数据转换模块601在对地图数据融合之后,再将处于中间格式的地图数据转换为车端可以使用的在线地图数据。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图9示出了可以用来实施本公开的实施例的示例电子设备900的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图9所示,设备900包括计算单元901,其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序,来执行各种适当的动作和处理。在RAM 903中,还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905,包括:输入单元906,例如键盘、鼠标等;输出单元907,例如各种类型的显示器、扬声器等;存储单元908,例如磁盘、光盘等;以及通信单元909,例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元901可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元901的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元901执行上文所描述的各个方法和处理,例如地图数据融合方法。例如,在一些实施例中,地图数据融合方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元908。在一些实施例中,计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时,可以执行上文描述的地图数据融合方法的一个或多个步骤。备选地,在其他实施例中,计算单元901可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行地图数据融合方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式***的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (21)
1.一种地图数据融合方法,包括:
获取车端地图数据以及众源地图数据;其中,所述车端地图数据是车端构建的在线地图数据,不包含道路属性信息;所述众源地图数据是存储于数据库中的离线地图数据,包含所述道路属性信息;
对所述车端地图数据和所述众源地图数据进行融合,将所述众源地图数据包含的道路属性信息融合到所述车端地图数据中,生成包含所述道路属性信息的所述在线地图数据。
2.根据权利要求1所述的方法,所述获取车端地图数据之前,还包括:
基于车端传感器在车辆行驶过程中采集的感知信息生成所述车端地图数据。
3.根据权利要求1所述的方法,其中,所述对所述车端地图数据和所述众源地图数据进行融合,将所述众源地图数据包含的道路属性信息融合到所述车端地图数据中包括:
对所述车端地图数据的每一条车端车道线与所述众源地图数据的众源车道线进行匹配,找到与每一条所述车端车道线匹配的众源车道线;
将所述道路属性信息赋值给与所述车端车道线匹配的所述众源车道线。
4.根据权利要求3所述的方法,其中,所述对所述车端地图数据的每一条车端车道线与所述众源地图数据的众源车道线进行匹配包括:
针对每一条所述车端车道线生成包围盒;
基于所述包围盒确定每一条所述车端车道线对应的搜索范围;
基于所述搜索范围搜索所述众源地图数据,搜索每一条所述车端车道线匹配的至少一条所述众源车道线。
5.根据权利要求4所述的方法,其中,所述基于所述包围盒确定每一条所述车端车道线对应的搜索范围包括:
以所述包围盒的中心点到所述包围盒的任意一个顶点的距离为搜索半径;
基于所述包围盒的中心点和所述搜索半径确定所述搜索范围。
6.根据权利要求4或5所述的方法,其中,所述基于所述搜索范围搜索所述众源地图数据,搜索每一条所述车端车道线匹配的至少一条所述众源车道线之后,还包括:
响应于所述车端车道线仅匹配到一条所述众源车道线,将匹配到的一条所述众源车道线作为匹配车道线;
响应于所述车端车道线匹配到两条及以上所述众源车道线,基于所述车端车道线的中心线和所述众源车道线的中心线进行距离计算,选择距离最近的所述众源车道线作为所述匹配车道线。
7.根据权利要求6所述的方法,其中,所述基于所述车端车道线的中心线和所述众源车道线的中心线进行距离计算,选择距离最近的所述众源车道线作为所述匹配车道线包括:
对于所述车端车道线的中心线每一个点与所述众源车道线的中心线的每一个点计算得到多个点距离;
基于所述多个点距离计算所述车端车道线与每一条所述众源车道线之间的距离均值;
选择所述距离均值最小的所述众源车道线作为所述匹配车道线。
8.根据权利要求1所述的方法,其中,所述获取车端地图数据以及众源地图数据之后,还包括:
将所述车端地图数据以及所述众源地图数据转换为中间格式。
9.根据权利要求1-8中任意一项所述的方法,其中,所述道路属性信息包括以下至少一项:车道朝向信息;车道宽度信息;车道类型;道路名称;道路交通限制。
10.一种地图数据融合装置,包括:
数据获取模块,被配置为获取车端地图数据以及众源地图数据;其中,所述车端地图数据是车端构建的在线地图数据,不包含道路属性信息;所述众源地图数据是存储于数据库中的离线地图数据,包含所述道路属性信息;
数据融合模块,被配置为对所述车端地图数据和所述众源地图数据进行融合,将所述众源地图数据包含的道路属性信息融合到所述车端地图数据中,生成包含所述道路属性信息的所述在线地图数据。
11.根据权利要求10所述的装置,还包括:
车端地图生成模块,被配置为所述数据获取模块获取车端地图数据之前,基于车端传感器在车辆行驶过程中采集的感知信息生成所述车端地图数据。
12.根据权利要求10所述的装置,其中,所述数据融合模块包括:
匹配单元,被配置为对所述车端地图数据的每一条车端车道线与所述众源地图数据的众源车道线进行匹配,找到与每一条所述车端车道线匹配的众源车道线;
融合单元,被配置为将所述道路属性信息赋值给与所述车端车道线匹配的所述众源车道线。
13.根据权利要求12所述的装置,其中,所述匹配单元包括:
包围盒生成子单元,被配置为针对每一条所述车端车道线生成包围盒;
搜索范围确定子单元,被配置为基于所述包围盒确定每一条所述车端车道线对应的搜索范围;
搜索子单元,被配置为基于所述搜索范围搜索所述众源地图数据,搜索每一条所述车端车道线匹配的至少一条所述众源车道线。
14.根据权利要求13所述的装置,其中,所述搜索范围确定子单元基于所述包围盒确定每一条所述车端车道线对应的搜索范围包括:
以所述包围盒的中心点到所述包围盒的任意一个顶点的距离为搜索半径;
基于所述包围盒的中心点和所述搜索半径确定所述搜索范围。
15.根据权利要求13或14所述的装置,其中,所述搜索子单元基于所述搜索范围搜索所述众源地图数据,搜索每一条所述车端车道线匹配的至少一条所述众源车道线之后,还包括:
响应于所述车端车道线仅匹配到一条所述众源车道线,将匹配到的一条所述众源车道线作为匹配车道线;
响应于所述车端车道线匹配到两条及以上所述众源车道线,基于所述车端车道线的中心线和所述众源车道线的中心线进行距离计算,选择距离最近的所述众源车道线作为所述匹配车道线。
16.根据权利要求15所述的装置,其中,所述搜索子单元基于所述车端车道线的中心线和所述众源车道线的中心线进行距离计算,选择距离最近的所述众源车道线作为所述匹配车道线包括:
对于所述车端车道线的中心线每一个点与所述众源车道线的中心线的每一个点计算得到多个点距离;
基于所述多个点距离计算所述车端车道线与每一条所述众源车道线之间的距离均值;
选择所述距离均值最小的所述众源车道线作为所述匹配车道线。
17.根据权利要求10-16中任意一项所述的装置,其中,所述道路属性信息包括以下至少一项:车道朝向信息;车道宽度信息;车道类型;道路名称;道路交通限制。
18.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-9中任一项所述的方法。
19.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-9中任一项所述的方法。
20.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-9中任一项所述的方法。
21.一种自动驾驶产品,包括如权利要求18所述的电子设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211525232.XA CN115855084A (zh) | 2022-11-30 | 2022-11-30 | 地图数据融合方法、装置、电子设备及自动驾驶产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211525232.XA CN115855084A (zh) | 2022-11-30 | 2022-11-30 | 地图数据融合方法、装置、电子设备及自动驾驶产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115855084A true CN115855084A (zh) | 2023-03-28 |
Family
ID=85668581
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211525232.XA Pending CN115855084A (zh) | 2022-11-30 | 2022-11-30 | 地图数据融合方法、装置、电子设备及自动驾驶产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115855084A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116152848A (zh) * | 2023-04-04 | 2023-05-23 | 自然资源部国土卫星遥感应用中心 | 基于境外众源数据的特征点位置信息挖掘方法及装置 |
CN116878487A (zh) * | 2023-09-07 | 2023-10-13 | 河北全道科技有限公司 | 一种用于建立自动驾驶地图的方法、装置、车辆和服务器 |
-
2022
- 2022-11-30 CN CN202211525232.XA patent/CN115855084A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116152848A (zh) * | 2023-04-04 | 2023-05-23 | 自然资源部国土卫星遥感应用中心 | 基于境外众源数据的特征点位置信息挖掘方法及装置 |
CN116878487A (zh) * | 2023-09-07 | 2023-10-13 | 河北全道科技有限公司 | 一种用于建立自动驾驶地图的方法、装置、车辆和服务器 |
CN116878487B (zh) * | 2023-09-07 | 2024-01-19 | 河北全道科技有限公司 | 一种用于建立自动驾驶地图的方法、装置、车辆和服务器 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11380002B2 (en) | Map element extraction method and apparatus, and server | |
CN115855084A (zh) | 地图数据融合方法、装置、电子设备及自动驾驶产品 | |
CN112560680A (zh) | 车道线处理方法、装置、电子设备及存储介质 | |
EP4116935A2 (en) | High-definition map creation method and device, and electronic device | |
CN114459471B (zh) | 定位信息确定方法、装置、电子设备及存储介质 | |
CN113688935A (zh) | 高精地图的检测方法、装置、设备以及存储介质 | |
CN115585816B (zh) | 车道级地图匹配方法和装置 | |
US20230104225A1 (en) | Method for fusing road data to generate a map, electronic device, and storage medium | |
CN114034295A (zh) | 高精地图生成方法、装置、电子设备、介质及程序产品 | |
CN114036253A (zh) | 高精地图数据处理方法、装置、电子设备和介质 | |
CN114626169A (zh) | 交通路网优化方法、装置、设备、可读存储介质及产品 | |
CN114003613A (zh) | 高精地图车道线更新方法、装置、电子设备以及存储介质 | |
CN114186007A (zh) | 高精地图生成方法、装置、电子设备和存储介质 | |
CN114661842B (zh) | 地图匹配方法、装置和电子设备 | |
CN114111813A (zh) | 高精地图元素更新方法、装置、电子设备及存储介质 | |
CN113932796A (zh) | 高精地图车道线生成方法、装置和电子设备 | |
CN113722342A (zh) | 高精地图要素变更检测方法、装置、设备及自动驾驶车辆 | |
CN115937449A (zh) | 高精地图生成方法、装置、电子设备和存储介质 | |
CN113276888B (zh) | 基于自动驾驶的乘车方法、装置、设备和存储介质 | |
CN115127565A (zh) | 高精地图数据生成方法、装置、电子设备及存储介质 | |
CN114689061A (zh) | 自动驾驶设备的导航路线处理方法、装置及电子设备 | |
CN113587937A (zh) | 车辆的定位方法、装置、电子设备和存储介质 | |
CN114036247A (zh) | 高精地图数据关联方法、装置、电子设备及存储介质 | |
CN113970754A (zh) | 一种自主可行驶设备的定位方法和装置 | |
CN112988932A (zh) | 高精地图标注方法、装置、设备、可读存储介质及产品 |
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 |