CN115962774A - 点云地图更新方法、装置及电子设备、存储介质 - Google Patents

Abstract

本申请公开了一种点云地图更新方法、装置及电子设备、存储介质，该方法包括：获取自动驾驶车辆在当前路段的激光定位结果；在自动驾驶车辆在当前路段的激光定位结果失效时，获取当前路段对应的路侧设备感知数据；根据路侧设备感知数据确定自动驾驶车辆对应的周围车辆影响状态及当前路段的环境状态；根据自动驾驶车辆对应的周围车辆影响状态和当前路段的环境状态确定是否进行点云地图的更新。本申请通过将路侧感知信息与自车定位信息相结合，确定自动驾驶车辆对应的周围车辆影响状态和当前路段的环境状态，进而能够自动判断是否需要更新某一路段的点云地图，保证点云地图的及时更新和适时更新，减少了点云地图周期性更新的成本。

Description

点云地图更新方法、装置及电子设备、存储介质

技术领域

本申请涉及自动驾驶技术领域，尤其涉及一种点云地图更新方法、装置及电子设备、存储介质。

背景技术

随着自动驾驶技术的迅速发展，越来越多的自动驾驶公司开始布局特定区域的Robotaxi(自动驾驶出租车)和Robobus(自动驾驶巴士)的运营服务。相比较于开阔的高速路段，市区内的运营区域会由于城市峡谷、盘桥等卫星定位信号弱的区域的存在，导致传统的组合导航定位技术的失效率大大提高，进一步导致自动驾驶车辆的定位偏差过大。

为了解决上述问题，以满足全场景厘米级定位精度的需求，多传感器融合定位技术如组合导航+车身信息+激光SLAM(Simultaneous Localization And Mapping，同步定位与建图)逐步成为自动驾驶车辆定位的趋势。

传感器融合技术的主要思想是依靠冗余的激光SLAM定位信息来补偿GNSS(GlobalNavigation Satellite System，全球导航卫星***)定位信号受到干扰时无法提供合理观测值而导致IMU(Inertial Measurement Unit，惯性测量单元)航迹推演的累计误差越来越大，使得车辆偏离车道的情况。

然而，激光SLAM定位的基础是地图精度，如果地图精度低且没有及时更新，激光SLAM定位就无法获得有效的定位结果，因此这就要求采集车辆要周期性采集并更新点云地图，而如果运营区域很大，相关的采集和处理工作会消耗很多的时间和人力资源。

发明内容

本申请实施例提供了一种点云地图更新方法、装置及电子设备、存储介质，以降低点云地图更新成本。

本申请实施例采用下述技术方案：

第一方面，本申请实施例提供一种点云地图更新方法，其中，所述方法包括：

获取自动驾驶车辆在当前路段的激光定位结果；

在所述自动驾驶车辆在所述当前路段的激光定位结果为定位失效结果的情况下，获取所述当前路段对应的路侧设备感知数据；

根据所述当前路段对应的路侧设备感知数据确定所述自动驾驶车辆对应的周围车辆影响状态以及当前路段的环境状态；

根据所述自动驾驶车辆对应的周围车辆影响状态和所述当前路段的环境状态确定是否进行点云地图的更新。

可选地，所述在所述自动驾驶车辆在所述当前路段的激光定位结果为定位失效结果的情况下，获取所述当前路段对应的路侧设备感知数据包括：

获取目标区域的路侧设备拓扑结构数据；

根据所述目标区域的路侧设备拓扑结构数据确定所述当前路段对应的路侧设备感知数据。

可选地，所述路侧设备感知数据包括路侧设备采集的道路图像，所述根据所述当前路段对应的路侧设备感知数据确定所述自动驾驶车辆对应的周围车辆影响状态以及当前路段的环境状态包括：

获取所述自动驾驶车辆的车道保持数据，所述车道保持数据包括自动驾驶车辆的有效位置；

根据所述自动驾驶车辆的有效位置确定所述自动驾驶车辆出现在所述当前路段对应的路侧设备的可视范围的时间和位置；

根据所述自动驾驶车辆出现在所述当前路段对应的路侧设备的可视范围的时间和位置，对所述道路图像中的自动驾驶车辆对应的周围车辆进行检测，得到周围车辆检测结果；

根据所述周围车辆检测结果确定所述自动驾驶车辆对应的周围车辆影响状态。

可选地，所述根据所述周围车辆检测结果确定所述自动驾驶车辆对应的周围车辆影响状态包括：

根据所述周围车辆检测结果确定所述自动驾驶车辆对应的周围车辆的数量，以及所述周围车辆与所述自动驾驶车辆的相对距离；

若所述自动驾驶车辆对应的周围车辆的数量达到预设数量阈值，和/或所述周围车辆与所述自动驾驶车辆的相对距离小于预设距离阈值，则确定所述自动驾驶车辆对应的周围车辆影响状态为所述自动驾驶车辆受到周围车辆影响；

否则，则确定所述自动驾驶车辆对应的周围车辆影响状态为所述自动驾驶车辆未受到周围车辆影响。

可选地，所述路侧设备感知数据包括路侧设备采集的道路图像，所述根据所述当前路段对应的路侧设备感知数据确定所述自动驾驶车辆对应的周围车辆影响状态以及当前路段的环境状态包括：

利用预设分割模型对所述道路图像进行分割，得到道路图像分割结果，所述道路图像分割结果包括道路图像中的车辆可行驶区域以及道路图像中的临时障碍物；

根据所述道路图像中的车辆可行驶区域确定当前路段的道路外环境状态；

根据所述道路图像中的临时障碍物确定当前路段的道路内环境状态。

可选地，所述根据所述道路图像中的车辆可行驶区域确定当前路段的道路外环境状态包括：

将所述车辆可行驶区域从所述道路图像中去除，得到去除车辆可行驶区域的道路图像；

获取上一次更新后的点云地图对应的道路图像，并根据所述去除车辆可行驶区域的道路图像和所述上一次更新后的点云地图对应的道路图像确定当前路段的道路外环境变化程度；

若所述当前路段的道路外环境变化程度大于预设变化程度阈值，则确定所述当前路段的道路外环境状态为长时变化状态；

否则，则确定所述当前路段的道路外环境状态为未变化状态。

可选地，所述根据所述道路图像中的临时障碍物确定当前路段的道路内环境状态包括：

根据所述道路图像中的临时障碍物确定所述当前路段是否存在多个临时停靠车辆；

若是，则确定当前路段的道路内环境状态为临时变化状态；

否则，则确定当前路段的道路内环境状态为未变化状态。

可选地，所述根据所述自动驾驶车辆对应的周围车辆影响状态和所述当前路段的环境状态确定是否进行点云地图的更新包括：

若所述自动驾驶车辆对应的周围车辆影响状态为所述自动驾驶车辆受到周围车辆影响，或者所述当前路段的环境状态为未变化状态，则确定不进行点云地图的更新；

若所述自动驾驶车辆对应的周围车辆影响状态为所述自动驾驶车辆未受到周围车辆影响，且所述当前路段的环境状态为长时变化状态或临时变化状态，则确定进行点云地图的更新。

第二方面，本申请实施例还提供一种点云地图更新装置，其中，所述装置包括：

第一获取单元，用于获取自动驾驶车辆在当前路段的激光定位结果；

第二获取单元，用于在所述自动驾驶车辆在所述当前路段的激光定位结果为定位失效结果的情况下，获取所述当前路段对应的路侧设备感知数据；

第一确定单元，用于根据所述当前路段对应的路侧设备感知数据确定所述自动驾驶车辆对应的周围车辆影响状态以及当前路段的环境状态；

第二确定单元，用于根据所述自动驾驶车辆对应的周围车辆影响状态和所述当前路段的环境状态确定是否进行点云地图的更新。

第三方面，本申请实施例还提供一种电子设备，包括：

处理器；以及

被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行前述之任一所述方法。

第四方面，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行前述之任一所述方法。

本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：本申请实施例的点云地图更新方法，先获取自动驾驶车辆在当前路段的激光定位结果；然后在自动驾驶车辆在当前路段的激光定位结果为定位失效结果的情况下，获取当前路段对应的路侧设备感知数据；之后根据当前路段对应的路侧设备感知数据确定自动驾驶车辆对应的周围车辆影响状态以及当前路段的环境状态；最后根据自动驾驶车辆对应的周围车辆影响状态和当前路段的环境状态确定是否进行点云地图的更新。本申请实施例的点云地图更新方法通过将路侧感知信息与自车的激光定位信息相结合，确定自动驾驶车辆对应的周围车辆影响状态和当前路段的环境状态，进而能够自动判断是否需要更新某一路段的点云地图，保证点云地图的及时更新和适时更新，减少了点云地图周期性更新的成本。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本申请实施例中一种点云地图更新方法的流程示意图；

图2为本申请实施例中一种点云地图更新装置的结构示意图；

图3为本申请实施例中一种电子设备的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

以下结合附图，详细说明本申请各实施例提供的技术方案。

本申请实施例提供了一种点云地图更新方法，如图1所示，提供了本申请实施例中一种点云地图更新方法的流程示意图，所述方法至少包括如下的步骤S110至步骤S140：

步骤S110，获取自动驾驶车辆在当前路段的激光定位结果。

本申请实施例的点云地图更新方法可以由路端来执行，先获取自动驾驶车辆通过车-路通信上报的当前路段的激光定位结果，激光定位结果即为激光SLAM的定位结果，例如可以将自动驾驶车辆上的激光雷达采集的激光点云数据与当前路段对应的点云地图进行匹配后得到，当然具体如何得到激光定位结果，本领域技术人员可以结合现有技术灵活确定，在此不作具体限定。

步骤S120，在所述自动驾驶车辆在所述当前路段的激光定位结果为定位失效结果的情况下，获取所述当前路段对应的路侧设备感知数据。

激光定位结果的好坏反映了自动驾驶车辆在当前路段依靠激光SLAM构建的点云地图进行定位所达到的定位精度，如果激光定位结果满足预设定位精度要求，说明当前路段对应的点云地图能够满足自动驾驶车辆的定位需求，进而可以不进行后续的点云地图更新，而如果激光定位结果不满足预设定位精度要求，也即激光定位结果为定位失效结果，那么说明有可能是由于点云地图数据发生变化等原因导致激光定位结果的定位精度不高，因此需要进一步结合当前路段对应的路侧设备感知数据进行判断。

路侧设备感知数据可以包括自动驾驶车辆所在的当前路段的路侧相机采集的道路图像，还可以包括该路侧相机在上一次点云地图更新后保存的道路图像数据，为了避免单张图像易受到环境光照变化影响而导致判断不准确的问题，可以对应保存上一次点云地图更新后的一段时间内的一组道路图像数据。

此外，上述对于激光定位结果的定位精度的衡量，可以将其与自动驾驶车辆的卫星定位结果如RTK(Real-time kinematic，实时动态差分)定位结果进行比较，计算激光定位结果相对于RTK定位结果的位置偏差，从而确定激光定位结果的定位精度是否满足要求，当然具体如何判断，本领域技术人员也可以根据实际需求灵活设置，在此不作具体限定。

需要说明的是，上述激光定位结果对应的是自动驾驶车辆在当前路段的定位结果，因此本质上是自动驾驶车辆在当前路段产生的多帧激光定位结果，在衡量当前路段的激光定位结果的定位精度时，可以每一帧分别与对应的RTK定位结果进行比较，如果至少有预设帧数的激光定位结果与RTK定位结果的位置偏差大于预设偏差阈值，则可以认为当前路段内的激光定位结果为定位失效的情况。

步骤S130，根据所述当前路段对应的路侧设备感知数据确定所述自动驾驶车辆对应的周围车辆影响状态以及当前路段的环境状态。

路侧设备感知数据相当于从路侧视角提供了道路目标和道路环境等信息，能够捕捉到的道路信息更加丰富，因此，一方面，考虑到激光定位结果的定位效果易受到环境变化的影响，可以根据路侧设备感知数据确定出当前路段的环境状态，也即当前路段的环境信息相比于上一次点云地图更新后的环境信息是否发生足以影响激光定位结果的定位精度的变化。

另一方面，考虑到激光定位结果的定位效果除了易受到环境变化的影响，还易受到周围车辆等目标遮挡的影响，因此可以根据路侧设备感知数据确定出自动驾驶车辆对应的周围车辆影响状态，也即自动驾驶车辆的周围车辆目标的存在对自动驾驶车辆的激光定位结果的影响程度，从而通过自动驾驶车辆对应的周围车辆影响状态间接反映激光定位结果受到环境状态影响的程度。

步骤S140，根据所述自动驾驶车辆对应的周围车辆影响状态和所述当前路段的环境状态确定是否进行点云地图的更新。

由于激光SLAM的定位效果会受到道路环境如背景目标的影响，当当前定位的道路环境与上一次建图后的道路环境发生明显变化时，就可能影响激光定位结果的定位精度，因此本申请实施例更新点云地图的触发条件主要是当前路段的环境发生了足以影响定位精度的变化，这里的触发条件即可以从自动驾驶车辆对应的周围车辆影响状态和当前路段的环境状态两个方面来确定。

自动驾驶车辆对应的周围车辆影响状态间接反映了激光定位结果是否受到了环境影响，例如，如果自动驾驶车辆对应的周围车辆较多，对环境背景或者自动驾驶车辆造成了遮挡，导致激光雷达无法扫描到足够的信息而造成激光定位结果失效，那么此种情况就反映了激光定位结果失效大概率是因为周围车辆遮挡造成的，而并非真正发生环境变化，因此可以根据自动驾驶车辆对应的周围车辆影响状态确定是否需要进行点云地图更新。而当前路段的环境状态则直接反映了当前路段的环境信息是否发生明显变化，进而可以也根据当前路段的环境状态确定是否需要进行点云地图更新。

本申请实施例的点云地图更新方法通过将路侧感知信息与自车的激光定位信息相结合，确定出自动驾驶车辆对应的周围车辆影响状态和当前路段的环境状态，进而能够自动判断是否需要更新某一路段的点云地图，保证点云地图的及时更新和适时更新，减少了点云地图周期性更新的成本。

在本申请的一些实施例中，所述在所述自动驾驶车辆在所述当前路段的激光定位结果为定位失效结果的情况下，获取所述当前路段对应的路侧设备感知数据包括：获取目标区域的路侧设备拓扑结构数据；根据所述目标区域的路侧设备拓扑结构数据确定所述当前路段对应的路侧设备感知数据。

在获取当前路段对应的路侧设备感知数据时，可以先获取目标区域的路侧设备拓扑结构数据，目标区域的范围可以结合实际应用场景灵活定义，例如可以根据Robotaxi或者Robobus的运营服务范围确定相应的运营区域。

路侧设备拓扑结构数据可以结合高精地图数据事先建立好，例如可以将路侧设备投影到高精地图上，并根据路侧设备的绝对位置、路侧设备上的每一个相机的朝向以及道路连接关系等生成路侧设备拓扑结构数据，保证运营区域中的每一条道路都与一对已建立连接的路侧设备关联，因为通常一个路段对应的起始位置和终点位置分别设置有一个路侧设备。此外，每一个路侧相机还可以分别保存一组上一次更新点云地图后对应的道路图像数据，以防止单一图像易受到光照影响而产生的误差。

根据自动驾驶车辆当前的大致位置可以确定出自动驾驶车辆所处的当前路段，进而可以根据该路段设置的路侧相机获取到自动驾驶车辆在该路段对应的感知数据，并且结合上述构建好的目标区域的路侧设备拓扑结构数据可以获取到上一次更新点云地图后该路段对应的道路图像数据。

在本申请的一些实施例中，所述路侧设备感知数据包括路侧设备采集的道路图像，所述根据所述当前路段对应的路侧设备感知数据确定所述自动驾驶车辆对应的周围车辆影响状态以及当前路段的环境状态包括：获取所述自动驾驶车辆的车道保持数据，所述车道保持数据包括自动驾驶车辆的有效位置；根据所述自动驾驶车辆的有效位置确定所述自动驾驶车辆出现在所述当前路段对应的路侧设备的可视范围的时间和位置；根据所述自动驾驶车辆出现在所述当前路段对应的路侧设备的可视范围的时间和位置，对所述道路图像中的自动驾驶车辆对应的周围车辆进行检测，得到周围车辆检测结果；根据所述周围车辆检测结果确定所述自动驾驶车辆对应的周围车辆影响状态。

由于自动驾驶车辆的激光定位结果处于失效状态，也即当前无有效观测值，但自动驾驶车辆的车道保持的误差仍然在可接受范围内，因此可以根据自动驾驶车辆的车道保持数据计算出自动驾驶车辆当前的有效位置。

根据自动驾驶车辆的有效位置可以判断自动驾驶车辆出现在当前路段对应的路侧设备可视范围内的时间和位置，并在路侧设备检测到自动驾驶车辆后对自动驾驶车辆对应的周围车辆进行检测，进而可以根据周围车辆检测结果确定自动驾驶车辆对应的周围车辆影响状态。

在本申请的一些实施例中，所述根据所述周围车辆检测结果确定所述自动驾驶车辆对应的周围车辆影响状态包括：根据所述周围车辆检测结果确定所述自动驾驶车辆对应的周围车辆的数量，以及所述周围车辆与所述自动驾驶车辆的相对距离；若所述自动驾驶车辆对应的周围车辆的数量达到预设数量阈值，和/或所述周围车辆与所述自动驾驶车辆的相对距离小于预设距离阈值，则确定所述自动驾驶车辆对应的周围车辆影响状态为所述自动驾驶车辆受到周围车辆影响；否则，则确定所述自动驾驶车辆对应的周围车辆影响状态为所述自动驾驶车辆未受到周围车辆影响。

在对自动驾驶车辆以及自动驾驶车辆对应的周围车辆进行检测时，可以基于现有的目标检测模型来实现，例如基于YOLO系列的卷积神经网络训练得到的车辆目标检测模型，可以输出道路图像中的车辆目标检测框，包括自动驾驶车辆的检测框以及周围车辆的检测框。

周围车辆的检测框的数量越多，或者周围车辆与自动驾驶车辆的相对距离越近，周围车辆越有可能对自动驾驶车辆自身或者自动驾驶车辆当前所处环境造成遮挡，导致激光雷达无法扫描到满足定位精度要求的区域范围，那么此时可以认为自动驾驶车辆的激光定位结果失效主要是受到周围车辆的影响，而非环境发生变化。反之，如果周围车辆不多，并且与自动驾驶车辆的相对距离也较远，说明周围车辆没有对自动驾驶车辆自身或者所处环境造成足以影响定位精度的遮挡，因此可以认为激光定位结果失效并非是受到周围车辆的影响，而更有可能是受到环境变化的影响，可以进一步判断当前路段的环境状态。

在本申请的一些实施例中，所述路侧设备感知数据包括路侧设备采集的道路图像，所述根据所述当前路段对应的路侧设备感知数据确定所述自动驾驶车辆对应的周围车辆影响状态以及当前路段的环境状态包括：利用预设分割模型对所述道路图像进行分割，得到道路图像分割结果，所述道路图像分割结果包括道路图像中的车辆可行驶区域以及道路图像中的临时障碍物；根据所述道路图像中的车辆可行驶区域确定当前路段的道路外环境状态；根据所述道路图像中的临时障碍物确定当前路段的道路内环境状态。

在确定当前路段的环境状态时，可以利用事先基于卷积神经网络训练好的分割模型对道路图像进行分割，分割的结果主要包括道路图像中的车辆可行驶区域和临时障碍物，车辆可行驶区域是指道路中可供车辆等动态目标移动的区域，由于车辆可行驶区域多为动态的前景目标，涉及到的静态背景目标很少，而激光SLAM定位更多依赖的是静态背景目标如道路两侧的建筑物、标志牌等目标，因此本申请实施例可以基于分割出的车辆可行驶区域确定出车辆可行驶区域以外的道路区域的环境状态，也即当前路段的道路外的环境状态，以判断道路外的环境状态是否发生变化或者变化程度是否足以影响激光定位结果的定位精度。

道路中的临时障碍物一般是指临时出现在道路内的静态前景目标，如临时停靠在道路内的车辆，可以通过连续多帧的道路图像分割结果对车辆目标进行跟踪匹配来确定其是否是临时停靠。临时停靠目标虽然只是临时存在，但由于其位于道路内且停靠时间不确定，仍然可能会对自动驾驶车辆的激光定位结果造成一定影响，因此可以根据道路图像中分割出的临时障碍物来确定当前路段的道路内的环境状态，以判断道路内临时停靠的车辆是否足以影响激光定位结果的定位精度。

在本申请的一些实施例中，所述根据所述道路图像中的车辆可行驶区域确定当前路段的道路外环境状态包括：将所述车辆可行驶区域从所述道路图像中去除，得到去除车辆可行驶区域的道路图像；获取上一次更新后的点云地图对应的道路图像，并根据所述去除车辆可行驶区域的道路图像和所述上一次更新后的点云地图对应的道路图像确定当前路段的道路外环境变化程度；若所述当前路段的道路外环境变化程度大于预设变化程度阈值，则确定所述当前路段的道路外环境状态为长时变化状态；否则，则确定所述当前路段的道路外环境状态为未变化状态。

在根据道路图像中的车辆可行驶区域确定当前路段的道路外环境状态时，可以将分割出的车辆可行驶区域从道路图像中去除，仅保留当前道路图像对应的道路外区域，然后获取上一次点云地图更新后对应保存的道路图像，同样将分割出的车辆可行驶区域从该道路图像中去除，得到上一次点云地图更新后的道路图像对应的道路外区域，将上一次点云地图更新后的道路图像对应的道路外区域与当前道路图像对应的道路外区域进行相似度计算，从而可以确定出当前路段的道路外环境变化程度，例如可以统计发生变化的像素的百分比。当然，相似度的具体计算可以采用现有技术中的图像相似度算法如余弦相似度算法、哈希算法或者深度学习算法等来实现，在此不作具体限定。

在得到当前路段的道路外环境变化程度后，可以将其与事先设定的变化程度阈值进行比较，如果大于该变化程度阈值，说明当前路段的道路外环境发生了明显变化，由于道路外环境多是背景目标，背景目标通常不会频繁发生变化，因此这里对应的道路外环境状态可以定义为长时变化状态，即相对长时间维持该变化的状态，例如，秋季道路两侧树木的树叶掉落，春季道路两侧树木树叶长出，进而引起道路外环境发生季节性变化。

需要说明的是，前述实施例中为了避免单张图像易受到光照影响而导致判断不准确的问题，获取了上一次点云地图更新后保存的多张道路图像作为判断环境变化的依据，因此可以将当前路段的道路图像分别与上一次点云地图更新后的多张道路图像进行比较，根据多个比较结果综合判断道路环境是否发生变化，从而提高环境状态判断的准确性。

在本申请的一些实施例中，所述根据所述道路图像中的临时障碍物确定当前路段的道路内环境状态包括：根据所述道路图像中的临时障碍物确定所述当前路段是否存在多个临时停靠车辆；若是，则确定当前路段的道路内环境状态为临时变化状态；否则，则确定当前路段的道路内环境状态为未变化状态。

根据道路图像中的临时障碍物确定当前路段的道路内环境状态时，可以先确定当前路段是否存在多个临时停靠车辆，如果是，说明当前路段的道路内环境发生了变化，但相对于上述实施例中的长时变化状态来说，此种变化可以定义为临时变化状态。

临时停靠车辆的存在对于道路内环境的影响可能是随时会发生变化的，因此在更新此路段的点云地图后，还可以持续检测当前路段的道路内环境状态，并根据实际情况及时将点云地图进行还原，例如临时停靠车辆离去，并且此时道路外环境也未发生明显变化时，可以直接还原为上一次更新后的点云地图，不需要额外采集数据。

在本申请的一些实施例中，所述根据所述自动驾驶车辆对应的周围车辆影响状态和所述当前路段的环境状态确定是否进行点云地图的更新包括：若所述自动驾驶车辆对应的周围车辆影响状态为所述自动驾驶车辆受到周围车辆影响，或者所述当前路段的环境状态为未变化状态，则确定不进行点云地图的更新；若所述自动驾驶车辆对应的周围车辆影响状态为所述自动驾驶车辆未受到周围车辆影响，且所述当前路段的环境状态为长时变化状态或临时变化状态，则确定进行点云地图的更新。

在根据自动驾驶车辆对应的周围车辆影响状态和当前路段的环境状态确定是否进行点云地图的更新时，如果自动驾驶车辆对应的周围车辆影响状态为自动驾驶车辆受到周围车辆影响，或者当前路段的环境状态为未变化状态，都可以认为自动驾驶车辆当前的激光定位结果出现定位失效并非是受到道路环境的影响，进而不需要进行点云地图的更新。

而如果自动驾驶车辆对应的周围车辆影响状态为自动驾驶车辆未受到周围车辆影响，并且当前路段的环境状态为长时变化状态或临时变化状态，说明自动驾驶车辆当前的激光定位结果出现定位失效大概率是受到道路环境变化的影响，因此需要进行点云地图的更新。

上述各实施例的方案均可以由路端来完成，而点云地图的具体更新则可以由云端来执行，路端可以将上述长时变化状态或临时变化状态的结果上报给云端，如果是长时变化状态，则可以通过采集车辆在相关路段采集到的数据进行点云地图的更新，同时更新该路段的路侧设备相关联的道路图像信息。如果是临时变化状态，则可以通过运营车辆采集到的点云数据临时进行点云地图的更新，同时更新该路段的路侧设备相关联的道路图像信息，并适时还原点云地图和该路段的路侧设备相关联的道路图像信息。

综上所述，本申请的点云地图更新方法至少取得了如下的技术效果：

1)将路侧设备感知信息与自车的激光定位信息相结合，自动判断是否需要更新某一路段的点云地图，减少了周期性更新点云地图的成本，且避免了由于道路上临时静态目标过多而做出更新点云地图的错误判断；

2)使用分路段更新代替全部区域更新，提高了点云地图的更新效率；

3)可以直接将路端原有的深度学习算法输出的结果如路端的目标分割和识别等结果作为判断是否更新点云地图的基础，不需要增加过多额外的计算。

本申请实施例还提供了一种点云地图更新装置200，如图2所示，提供了本申请实施例中一种点云地图更新装置的结构示意图，所述装置200至少包括：第一获取单元210、第二获取单元220、第一确定单元230以及第二确定单元240，其中：

第一获取单元210，用于获取自动驾驶车辆在当前路段的激光定位结果；

第二获取单元220，用于在所述自动驾驶车辆在所述当前路段的激光定位结果为定位失效结果的情况下，获取所述当前路段对应的路侧设备感知数据；

第一确定单元230，用于根据所述当前路段对应的路侧设备感知数据确定所述自动驾驶车辆对应的周围车辆影响状态以及当前路段的环境状态；

第二确定单元240，用于根据所述自动驾驶车辆对应的周围车辆影响状态和所述当前路段的环境状态确定是否进行点云地图的更新。

在本申请的一些实施例中，所述第二获取单元220具体用于：获取目标区域的路侧设备拓扑结构数据；根据所述目标区域的路侧设备拓扑结构数据确定所述当前路段对应的路侧设备感知数据。

在本申请的一些实施例中，所述路侧设备感知数据包括路侧设备采集的道路图像，所述第一确定单元230具体用于：获取所述自动驾驶车辆的车道保持数据，所述车道保持数据包括自动驾驶车辆的有效位置；根据所述自动驾驶车辆的有效位置确定所述自动驾驶车辆出现在所述当前路段对应的路侧设备的可视范围的时间和位置；根据所述自动驾驶车辆出现在所述当前路段对应的路侧设备的可视范围的时间和位置，对所述道路图像中的自动驾驶车辆对应的周围车辆进行检测，得到周围车辆检测结果；根据所述周围车辆检测结果确定所述自动驾驶车辆对应的周围车辆影响状态。

在本申请的一些实施例中，所述第一确定单元230具体用于：根据所述周围车辆检测结果确定所述自动驾驶车辆对应的周围车辆的数量，以及所述周围车辆与所述自动驾驶车辆的相对距离；若所述自动驾驶车辆对应的周围车辆的数量达到预设数量阈值，和/或所述周围车辆与所述自动驾驶车辆的相对距离小于预设距离阈值，则确定所述自动驾驶车辆对应的周围车辆影响状态为所述自动驾驶车辆受到周围车辆影响；否则，则确定所述自动驾驶车辆对应的周围车辆影响状态为所述自动驾驶车辆未受到周围车辆影响。

在本申请的一些实施例中，所述路侧设备感知数据包括路侧设备采集的道路图像，所述第一确定单元230具体用于：利用预设分割模型对所述道路图像进行分割，得到道路图像分割结果，所述道路图像分割结果包括道路图像中的车辆可行驶区域以及道路图像中的临时障碍物；根据所述道路图像中的车辆可行驶区域确定当前路段的道路外环境状态；根据所述道路图像中的临时障碍物确定当前路段的道路内环境状态。

在本申请的一些实施例中，所述第一确定单元230具体用于：将所述车辆可行驶区域从所述道路图像中去除，得到去除车辆可行驶区域的道路图像；获取上一次更新后的点云地图对应的道路图像，并根据所述去除车辆可行驶区域的道路图像和所述上一次更新后的点云地图对应的道路图像确定当前路段的道路外环境变化程度；若所述当前路段的道路外环境变化程度大于预设变化程度阈值，则确定所述当前路段的道路外环境状态为长时变化状态；否则，则确定所述当前路段的道路外环境状态为未变化状态。

在本申请的一些实施例中，所述第一确定单元230具体用于：根据所述道路图像中的临时障碍物确定所述当前路段是否存在多个临时停靠车辆；若是，则确定当前路段的道路内环境状态为临时变化状态；否则，则确定当前路段的道路内环境状态为未变化状态。

在本申请的一些实施例中，所述第二确定单元240具体用于：若所述自动驾驶车辆对应的周围车辆影响状态为所述自动驾驶车辆受到周围车辆影响，或者所述当前路段的环境状态为未变化状态，则确定不进行点云地图的更新；若所述自动驾驶车辆对应的周围车辆影响状态为所述自动驾驶车辆未受到周围车辆影响，且所述当前路段的环境状态为长时变化状态或临时变化状态，则确定进行点云地图的更新。

能够理解，上述点云地图更新装置，能够实现前述实施例中提供的点云地图更新方法的各个步骤，关于点云地图更新方法的相关阐释均适用于点云地图更新装置，此处不再赘述。

图3是本申请的一个实施例电子设备的结构示意图。请参考图3，在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。

处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。

处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成点云地图更新装置。处理器，执行存储器所存放的程序，并具体用于执行以下操作：

获取自动驾驶车辆在当前路段的激光定位结果；

在所述自动驾驶车辆在所述当前路段的激光定位结果为定位失效结果的情况下，获取所述当前路段对应的路侧设备感知数据；

根据所述当前路段对应的路侧设备感知数据确定所述自动驾驶车辆对应的周围车辆影响状态以及当前路段的环境状态；

根据所述自动驾驶车辆对应的周围车辆影响状态和所述当前路段的环境状态确定是否进行点云地图的更新。

上述如本申请图1所示实施例揭示的点云地图更新装置执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。

该电子设备还可执行图1中点云地图更新装置执行的方法，并实现点云地图更新装置在图1所示实施例的功能，本申请实施例在此不再赘述。

本申请实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的电子设备执行时，能够使该电子设备执行图1所示实施例中点云地图更新装置执行的方法，并具体用于执行：

获取自动驾驶车辆在当前路段的激光定位结果；

在所述自动驾驶车辆在所述当前路段的激光定位结果为定位失效结果的情况下，获取所述当前路段对应的路侧设备感知数据；

根据所述当前路段对应的路侧设备感知数据确定所述自动驾驶车辆对应的周围车辆影响状态以及当前路段的环境状态；

根据所述自动驾驶车辆对应的周围车辆影响状态和所述当前路段的环境状态确定是否进行点云地图的更新。

本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明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。

本发明是参照根据本发明实施例的方法、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设备上，使得在计算机或其他可编程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。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，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、商品或者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、商品或者设备所固有的要素。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、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本申请的实施例可提供为方法、***或计算机程序产品。因此，本申请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，本申请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。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (11)

1.一种点云地图更新方法，其中，所述方法包括：

获取自动驾驶车辆在当前路段的激光定位结果；

在所述自动驾驶车辆在所述当前路段的激光定位结果为定位失效结果的情况下，获取所述当前路段对应的路侧设备感知数据；

根据所述当前路段对应的路侧设备感知数据确定所述自动驾驶车辆对应的周围车辆影响状态以及当前路段的环境状态；

根据所述自动驾驶车辆对应的周围车辆影响状态和所述当前路段的环境状态确定是否进行点云地图的更新。

2.如权利要求1所述方法，其中，所述在所述自动驾驶车辆在所述当前路段的激光定位结果为定位失效结果的情况下，获取所述当前路段对应的路侧设备感知数据包括：

获取目标区域的路侧设备拓扑结构数据；

根据所述目标区域的路侧设备拓扑结构数据确定所述当前路段对应的路侧设备感知数据。

3.如权利要求1所述方法，其中，所述路侧设备感知数据包括路侧设备采集的道路图像，所述根据所述当前路段对应的路侧设备感知数据确定所述自动驾驶车辆对应的周围车辆影响状态以及当前路段的环境状态包括：

获取所述自动驾驶车辆的车道保持数据，所述车道保持数据包括自动驾驶车辆的有效位置；

根据所述自动驾驶车辆的有效位置确定所述自动驾驶车辆出现在所述当前路段对应的路侧设备的可视范围的时间和位置；

根据所述自动驾驶车辆出现在所述当前路段对应的路侧设备的可视范围的时间和位置，对所述道路图像中的自动驾驶车辆对应的周围车辆进行检测，得到周围车辆检测结果；

根据所述周围车辆检测结果确定所述自动驾驶车辆对应的周围车辆影响状态。

4.如权利要求3所述方法，其中，所述根据所述周围车辆检测结果确定所述自动驾驶车辆对应的周围车辆影响状态包括：

根据所述周围车辆检测结果确定所述自动驾驶车辆对应的周围车辆的数量，以及所述周围车辆与所述自动驾驶车辆的相对距离；

若所述自动驾驶车辆对应的周围车辆的数量达到预设数量阈值，和/或所述周围车辆与所述自动驾驶车辆的相对距离小于预设距离阈值，则确定所述自动驾驶车辆对应的周围车辆影响状态为所述自动驾驶车辆受到周围车辆影响；

否则，则确定所述自动驾驶车辆对应的周围车辆影响状态为所述自动驾驶车辆未受到周围车辆影响。

5.如权利要求1所述方法，其中，所述路侧设备感知数据包括路侧设备采集的道路图像，所述根据所述当前路段对应的路侧设备感知数据确定所述自动驾驶车辆对应的周围车辆影响状态以及当前路段的环境状态包括：

利用预设分割模型对所述道路图像进行分割，得到道路图像分割结果，所述道路图像分割结果包括道路图像中的车辆可行驶区域以及道路图像中的临时障碍物；

根据所述道路图像中的车辆可行驶区域确定当前路段的道路外环境状态；

根据所述道路图像中的临时障碍物确定当前路段的道路内环境状态。

6.如权利要求5所述方法，其中，所述根据所述道路图像中的车辆可行驶区域确定当前路段的道路外环境状态包括：

将所述车辆可行驶区域从所述道路图像中去除，得到去除车辆可行驶区域的道路图像；

获取上一次更新后的点云地图对应的道路图像，并根据所述去除车辆可行驶区域的道路图像和所述上一次更新后的点云地图对应的道路图像确定当前路段的道路外环境变化程度；

若所述当前路段的道路外环境变化程度大于预设变化程度阈值，则确定所述当前路段的道路外环境状态为长时变化状态；

否则，则确定所述当前路段的道路外环境状态为未变化状态。

7.如权利要求5所述方法，其中，所述根据所述道路图像中的临时障碍物确定当前路段的道路内环境状态包括：

根据所述道路图像中的临时障碍物确定所述当前路段是否存在多个临时停靠车辆；

若是，则确定当前路段的道路内环境状态为临时变化状态；

否则，则确定当前路段的道路内环境状态为未变化状态。

8.如权利要求1所述方法，其中，所述根据所述自动驾驶车辆对应的周围车辆影响状态和所述当前路段的环境状态确定是否进行点云地图的更新包括：

若所述自动驾驶车辆对应的周围车辆影响状态为所述自动驾驶车辆受到周围车辆影响，或者所述当前路段的环境状态为未变化状态，则确定不进行点云地图的更新；

若所述自动驾驶车辆对应的周围车辆影响状态为所述自动驾驶车辆未受到周围车辆影响，且所述当前路段的环境状态为长时变化状态或临时变化状态，则确定进行点云地图的更新。

9.一种点云地图更新装置，其中，所述装置包括：

第一获取单元，用于获取自动驾驶车辆在当前路段的激光定位结果；

第二获取单元，用于在所述自动驾驶车辆在所述当前路段的激光定位结果为定位失效结果的情况下，获取所述当前路段对应的路侧设备感知数据；

第一确定单元，用于根据所述当前路段对应的路侧设备感知数据确定所述自动驾驶车辆对应的周围车辆影响状态以及当前路段的环境状态；

第二确定单元，用于根据所述自动驾驶车辆对应的周围车辆影响状态和所述当前路段的环境状态确定是否进行点云地图的更新。

10.一种电子设备，包括：

处理器；以及

被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行所述权利要求1～8之任一所述方法。

11.一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行所述权利要求1～8之任一所述方法。

Images