CN116994086A - 道路模型生成方法、装置、设备及介质 - Google Patents

Abstract

本发明公开了一种道路模型生成方法、装置、设备及介质，所述方法包括对高精度地图数据进行分类处理，生成多个道路子模块；对所述多个道路子模块进行融合，生成道路模型。本发明基于高精度地图数据构建道路模型，能够使得仿真的道路模型更贴近真实情况；通过对高精度地图数据分类处理，分别生成多个道路子模块后再进行融合，减少了每个子模块的运算量，提高了建模效率。

Description

道路模型生成方法、装置、设备及介质

技术领域

本发明涉及自动驾驶技术领域，尤其涉及一种道路模型生成方法、装置、设备及介质。

背景技术

自动驾驶模拟仿真是进行虚拟道路的主要方法，在自动驾驶模拟仿真中，场景真实度非常重要，它可以帮助理解评估自动驾驶汽车的性能和行为。但是由于资源限制，在虚拟世界中很难还原真实世界的场景。

目前，在模拟道路模型时，通常有两种方法，另一种是利用一些自定义的道路和数字资产，如根据通用协议所产生的道路模型和原本用于游戏的建筑、环境模型等。另一种是创建真实场景的数字孪生。前者虽然建模相对简单，但是场景真实度无法保证，由于缺乏真实数据的支撑，无法覆盖真实道路情况，使得模拟出的道路与真实世界差异较大，在仿真测试中若出现异常，也无法区分出是算法异常还是道路本身问题，如此不利于仿真测试的进行，也无法保证测试结果的准确性。后者虽然能够在一定程度上提高仿真的真实度，改善仿真算法，但是该技术本身的操作难度大、对于场景的完全真实化数字重建需要投入大量的资源，成本十分高昂，不适合大力推广。

发明内容

为了解决上述提出的至少一个技术问题，本发明提供一种道路模型生成方法、装置、设备及介质，能够使得仿真的道路模型更贴近真实情况，并提高建模效率。

第一方面，本发明提供了一种道路模型生成方法，所述方法包括：

对高精度地图数据进行分类处理，生成多个道路子模块；

对所述多个道路子模块进行融合，生成道路模型。

在一种可能实施的方式中，所述道路子模块包括道路主干道模块、道路交通标线模块和路沿模块。

在一种可能实施的方式中，生成所述道路主干道模块，包括：

从所述高精度地图数据中获取道路主干道信息，所述道路主干道信息包括道路边界信息和每条道路之间的连通关系；

对所述道路主干道信息进行离散化处理，生成多个多边形区域；

根据所述多边形区域，生成道路主干道模块。

在一种可能实施的方式中，所述根据所述多边形区域，生成道路主干道模块，包括：

利用三角剖分算法对所述多边形区域进行划分，生成道路主干道模块；其中，所述三角剖分算法包括ear clipping算法。

在一种可能实施的方式中，在所述利用三角剖分算法对所述多边形区域进行划分之后，还包括：

基于划分后的多边形区域，生成区域顶点的纹理坐标；

根据所述纹理坐标，确定道路主干道的材质信息；所述材质信息包括纹理信息；

根据道路主干道的材质信息进行渲染。

在一种可能实施的方式中，生成所述道路交通标线模块，包括：

获取所述高精度地图数据中的点云数据及各点的反射强度信息；

根据所述点云数据及各点的反射强度信息，提取高精度地图中的道路交通标线信息；

根据所述道路交通标线信息，生成所述道路交通标线模块。

在一种可能实施的方式中，生成所述路沿模块，包括：

从所述高精度地图数据中提取不同路段的路沿信息，所述路沿信息包括路沿的长度、宽度及高度信息；

根据所述路沿信息确定路沿区域，对所述路沿区域进行离散化处理，生成多个多边形区域；

根据所述多边形区域生成所述路沿模块。

第二方面，本发明还提供了一种道路模型生成装置，所述装置包括：

道路子模块生成单元，用于对高精度地图数据进行分类处理，生成多个道路子模块；

道路子模块融合单元，用于对所述多个道路子模块进行融合，生成道路模型。

第三方面，本发明还提供了一种电子设备，包括：处理器、发送装置、输入装置、输出装置和存储器，所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令，当所述处理器执行所述计算机指令时，所述电子设备执行如上述第一方面及其任意一种可能实现的方式的方法。

第四方面，本发明还一种提供了计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被电子设备的处理器执行时，使所述处理器执行如上述第一方面及其任意一种可能实现的方式的方法。

与现有技术相比，本发明的有益效果在于：

本发明公开了一种道路模型生成方法、装置、设备及介质，所述方法包括对高精度地图数据进行分类处理，生成多个道路子模块；对所述多个道路子模块进行融合，生成道路模型。本发明基于高精度地图数据构建道路模型，能够使得仿真的道路模型更贴近真实情况；通过对高精度地图数据分类处理，分别生成多个道路子模块后再进行融合，减少了每个子模块的运算量，提高了建模效率。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。

附图说明

为了更清楚地说明本发明实施例或背景技术中的技术方案，下面将对本发明实施例或背景技术中所需要使用的附图进行说明。

此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。

图1为本发明某一实施例提供的一种道路模型生成方法的流程示意图；

图2为本发明某一实施例提供的高精度地图数据的类型；

图3为本发明某一实施例提供的步骤S10的子步骤的流程示意图；

图4为本发明某一实施例提供的一种高精度地图语义信息的可视化效果；

图5为本发明某一实施例提供的对道路主干道的多边形区域进行三角剖分后的结果示意图；

图6为对于图5渲染后的效果示意图；

图7为本发明另一实施例提供的步骤S10的子步骤的流程示意图；

图8为本发明又一实施例提供的步骤S10的子步骤的流程示意图；

图9为本发明某一实施例提供的一种道路模型生成装置的结构示意图；

图10为本发明某一实施例提供的一种电子设备的硬件结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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。

本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、***、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。

本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

另外，为了更好地说明本发明，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本发明同样能够实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本发明的主旨。

在自动驾驶模拟仿真过程中，场景的真实度非常重要，它能够帮助理解和评估自动驾驶车辆的性能和行为。由于资源限制，目前只能使用一些自定义的道路和数字资产，或依靠数字孪生技术来尽可能地还原真实场景的形态。然而，自定义道路模型时，场景真实度会各有不同，且无法覆盖真实道路情况，因此会影响自动驾驶仿真测试的结果，且导致模拟结果与真实世界的情况也存在差异。由于场景真实度无法保证，在仿真过程中也无法区分驾驶异常是由于算法本身的问题还是场景的问题，也不利于对算法的训练和迭代。数字孪生技术虽然以提高仿真真实度为目标，但是该技术还处于理论探究阶段，对于场景的完全真实化数字重建需要投入大量资源，成本十分高昂。为了解决上述问题，本实施例旨在提供一种道路模型生成方法，通过对高精度地图数据进行分类处理，生成多个道路子模块；对所述多个道路子模块进行融合，最终生成道路模型。如此，不仅可以使得仿真的道路模型更贴近真实情况，同时提高了建模效率。

为了便于本领域技术人员理解本发明的具体实施例，首先对本发明涉及的相关术语进行解释：

语义信息：指的是物体、地形、路标等元素的语义含义及其在场景中的位置和相互关系，以及与自动驾驶车辆交互的所有信息。这些信息的含义和作用对于车辆的自主导航和决策具有重要的意义。

数字资产：数字资产通常指的是场景中的各种元素所对应的数字化描述和模型，包括但不限于道路、车辆、行人、建筑物、地形、气象和交通情况等元素。这些数字资产可以被直接应用于各种仿真、测试、验证和数据驱动的机器学习中。本发明中主要指地图与道路模型。

高精度地图：高精度地图是指相对于普通数字地图而言，各种元素位置、属性、形态等信息更加精细和准确的地图，包含更加精细的道路信息和车道信息，包括道路宽度、车道数量、车道标线、路口规划以及地形地貌信息等。在自动驾驶领域，高精度地图通常由传感器采集得来，并需要进行厘米级别的精细人工标注。

请参阅图1，图1为本发明实施例(一)提供的一种道路模型生成方法的流程示意图。根据图1可知，道路模型生成方法包括以下步骤：

S10、对高精度地图数据进行分类处理，生成多个道路子模块；

参见图2，图2提供了高精度地图数据的类型。根据图2可知，高精度地图数据通常分为静态地图层、实时数据层、动态数据层和用户模型层；静态地图层包括道路网、车道网、交通设施和定位图层；实时数据层包括交通限制信息、交通流量信息和服务区信息；动态数据层包括主动感知动态信息和被动感知动态信息；用户模型层包括驾驶记录数据集和驾驶经验数据集。其中，每个数据层都有自身的图层、几何、属性以及关联信息。

静态地图层主要目的在于精准刻画静态驾驶环境，提供丰富的道路语义信息约束与控制车辆行为；道路网指的是在一定区域内，由各种道路组成的相互联络、交织成网状分布的道路***，以描述道路几何、表达与交通设施间的关系，包括道路基准线、道路基准线连接点、路口等。全部由各级公路组成的称公路网。在城市范围内由各种道路组成的称城市道路网。车道网主要由道级道路网络构成，记录车道网中每个独立车道相关属性，以描述车道几何、道路显示等，包括车道级道路、车道基准线、车道标线等。车道网图层组是车道对象的抽象模型，用以描述高精度道路车道的拓扑几何，并记录每个独立车道的相关属性。车道网图层组是进行车道级路径规划的关键信息层组。

高精度地图通常有以下作用：

1)辅助感知：如果感知识别到的物体在高精度地图中不存在，说明该物体可能是障碍物。

2)辅助定位：使用车辆位置做地图匹配，提升车辆位置精度。

3)辅助路径规划：高精度地图可以缩小路径选择范围，以便选择最佳避障方案。

4)辅助决策和控制：高精度地图可为自车加减速，并道，转弯等提供关键道路信息，与其他传感器数据形成互补，辅助控制。

本实施例中，为了使得生成的道路模型更符合真实道路信息，首先要获取高精度地图数据，然后对于高精度地图数据进行分类处理。由于高精度地图包含的语义信息极为细致，因此在高精度地图的基础上生成的道路模型，能够贴合真实道路情况。

由于本发明主要是构建道路模型，因此需要对静态地图层的数据进行分类处理，包括道路网络、车道网、交通设施等。

在实施过程中，基于高精度地图提供的语义信息，理论上可以将道路模型所需的数据提取出来，然后一次性建立道路模型，但是这种方式会存在以下问题：1)一次性建模时需要处理的数据量较大，对于计算机的算力要求较高，因此容易出现渲染时间过长，渲染容易出错等问题。2)如要使得渲染后的模型能够适应多种场景，在道路模型建好后通常还会进行调整，以得到不同的道路模型，而这种一次性渲染道路模型的方式，在修改时即使是对局部的道路信息进行修改，也要在建模时对所有数据重新渲染，如此则造成了不必要的计算步骤，不便于测试人员建模时的参数调整。

为了解决上述问题，本实施例采用分模块化的建模思想，首先对高精度地图数据分类处理，生成构建道路模型所需要的多个道路子模块，由于分别构建时，将一次性渲染的计算量分散，使得每个模块的运算量都不高，并且可以分别同时进行，因此使得各个模块的建模效率大大提高。

S20、对多个道路子模块进行融合，生成道路模型。

在上一步中，通过对高精度地图的数据进行分别处理后得到多个道路子模块，本步骤中，主要对多个道路子模块进行融合，即可生成道路模型。

综上，本实施例通过对高精度地图数据分类处理，生成多个道路子模块，然后再将多个道路子模块进行融合，最终生成了道路模型，如此可以提高建模速度，并使得生成的道路模型更加贴合真实道路。

示例性地，对高精度地图数据进行分类处理，生成多个道路子模块可以经过以下处理：

1)确定待生成道路模型对应的点云模型和正射影像图；

2)沿道路矢量线从点云模型中提取构建道路模型所需的点云数据，具体为各个道路子模块在高精度地图数据中对应的点云数据；

3)从点云数据中提取各个道路子模块的几何特征，以确定道路子模块的几何区域；

4)从正射影像图中提取道路子模块的几何区域所对应的纹理特征；

5)对几何区域进行划分，例如采用三角剖分算法对几何区域进行划分，以生成多个三角形区域；

6)根据道路子模块的三角形区域和纹理特征进行渲染，分别生成道路子模块。

优选地，当道路子模块为道路主干道时，执行步骤2)时可采用以下过程：基于预设二维数据中的道路中心线矢量，以预设缓冲区半径进行缓冲区裁剪，从点云模型中过滤得到第一道路区域点云；获取第一道路区域点云的最高点H，从最高点H开始，以固定步长d为单位逐步减小过滤高度，对第一道路区域点云进行过滤，得到第二道路区域点云；获取第二道路区域点云的道路路面点云高度，基于道路路面点云高度过滤第二道路区域点云中道路地面的地物点云。

通过对主干道的信息进行过滤，能够建立排除路面其他交通设施或障碍物的道路主干道，防止被其他信息干扰。

在一个优选的实施例中，还可以对道路矢量线进行分段处理，采用道路几何特征对每个分段进行三角构网，重建三维道路，采用纹理特征对三维道路依次进行纹理贴图，并进行附属设施建模和语义信息建模，生成实景三维道路；

需要说明的是，在进行语义信息建模时，主要基于高精度地图中已标注的语义信息，如果需要调整相关语义信息，例如根据场景建立的道路模型中，道路语义信息有所变动，此时可以直接调整相关语义信息，以适应建模需要。

在一种可能实施的方式中，道路子模块包括但不限于道路主干道模块、道路交通标线模块和路沿模块。

道路主干道也即道路主体，主要是道路中的全部可行驶或不可行驶但可见区域，即通常在道路上覆盖柏油路面的部分；主干道是城市道路网的骨架，是连接城市各主要分区的交通干道。城市道路等级分主干道、次干道、支路三级，各级红线宽度控制：主干道30—40米，次干道20—24米，支路14—18米。

道路交通标线：黄线、白线、禁停线等。白色虚线是分隔同向行驶的车道，可以进行越线变道等操作；而白色实线则不允许越线行驶，常常作为白色虚线的延长线在交叉路口前出现，或是分隔路边的停车区域，黄色实线用来区分不同方向的车道，一般画在马路正中间，虚线一侧的车辆允许临时越线超车或掉头转弯，而实线一侧的车辆则不能允许压线，否则即属违章行为；减速线通常在路口或学校门口等地的路面上，常常会出现提醒车辆减速的标线或标识；导流线也是出现在路口、匝道或掉头车道的指示标线；导向指示线用于指示车道方向；斑马线用于行人过道，道路上的数字用于限速等等。

路沿：路沿为保证道路路基、路面有整体稳定性和排除路面水的重要结构，同时，也是为确保临时停车所需两侧余宽的重要组成部分。路沿的养护好坏直接关系到路基面的强度、稳定性和行车的畅通。

基于高精度地图数据来构建道路模型时有诸多好处，一是高精度地图数据的颗粒度很细，包含了较为详细的建模所需数据，二是能够针对需要的数据适应性提取，以建立不同的道路场景模型。

本实施例中，道路子模块可以选定为道路主干道模块、道路交通标线模块和路沿模块。即当前的建模场景中只需要根据道路主干道、道路交通标线以及路沿信息来进行构建，如此可以建立一个语义信息少，方便测试用途地道路场景模型。

示例性地，假设现在只是对于自动驾驶车辆的车速、对于交通规范的识别度进行测试，那么就可以只根据道路主干道模块、道路交通标线模块和路沿模块来生成道路模型。在构建道路模型时，将道路交通标线模块与道路主干道模块进行叠加，就能够生成带有交通标识线的路面，然后再通过路沿模块进行融合，就能够生成带有路沿的道路模型。测试时，只需要观察自动驾驶车辆在该模型中，是否能够控制和调整车速，是否能够准确识别和遵守交通规则以及道路标识线。

在一个实施例中，道路子模块不仅限于上述几种，还可以有很多种实体道路场景中的元素作为道路子模块，例如各种障碍物，包括静态和动态障碍物，静态的通常是指固定在某一位置的交通设施，或者违停的车辆等。动态障碍物则是指走路的行人、行驶的车辆等。另外，其他的影响自动驾驶测试的道路要素还包括：交通信号灯、天气、道路周围环境、道路路口、岔道，道路和环境的纹理特征等等。

基于上述的道路子模块的种类，可以理解，在其他实施例中，建模人员可以根据不同的场景需求选择生成不同数量、种类的道路子模块，然后再将这些道路子模块进行融合最终生成道路模型。例如，如果要进行自动驾驶车辆的变道测试，那么就应该生成障碍物模块，如果要测试路径规划能力，就要生成更为复杂的道路主体，不仅要包含主干道，还要也需要对其他支路、道路岔口、交汇、环岛、高架、交叉道路等等也一并建模。具体选择何种类型和数量，根据场景需求来决定，本发明不作任何限定。

因此，根据上述实施例可知，本发明能够基于高精度地图数据，通过分类处理分别生成多种道路子模块，最后根据建模需求来适应性地生成包含不同信息的道路模型。通过该方法在生成子模块时不仅能够减少运行量，提高子模块的建模速度，同时能够匹配不同的建模场景，灵活性高，且操作简便，方便建模人员实施。

在一个实施例中，在对道路子模块进行融合前，还可以对道路子模块进行后处理，然后根据处理后的数据一并融合生成道路模型。

需要说明的是，在高精度地图数据虽然能够精细化的表达出真实道路场景，但是在一些仿真测试中，由于需要针对车辆的某一性能进行重点测试，又或者时真实道路场景已经动态更新，而高精度地图还未及时同步数据。此时，为了匹配建模需求，可以对步骤S10中生成的道路子模块的参数进行调整、重新渲染后再生成对应的模型。

例如，根据高精度地图生成的道路主干道有8个车道，而在不需要测试车辆变道能力的情况下，无需仿真如此多的车道增加算力。那么此时只需要对道路主干道模块的参数进行调整，而对于其他道路子模块无需变动，当重新渲染得到新的道路主干道模块之后，再将其与其他道路子模块进行融合，以快速生成调整后的道路模型。

由此可知，若采用一次性生成道路模型的方法，而不分别生成子模块，那么每需要调整仿真参数时，就要对道路模型的所有数据重新计算和渲染，显然会造成较大的资源浪费，且效率十分低下。本实施例中，由于是分模块化的生成道路子模块，不仅能够减少算力，且在后期调整中，也能够对于局部的数据进行处理，而无需对于整个模型反复渲染，如此可以对模型进行一个动态更新，方便仿真人员建立不同仿真测试场景的需求，同时能够大大提高效率。

可以理解的是，在生成多个道路子模块后，还可以分别进行存储，后期如果需要构建道路模型时，可以先确定需要地道路子模块的类型，然后直接从数据库中调用，避免每次构建时重新建模，进一步提高建模效率和资源利用率。

在一个实施例中，为了实现道路模型的可视化，还可以基于地球瓦片金字塔结构和四叉树剖分，对道路模型进行索引组织，以实现道路三维可视化。地球瓦片金字塔结构(Earth Tile Pyramid)是一种分层的数据组织方式，它将地球表面划分为许多大小不同的瓦片，每个瓦片包含一定范围内的地理数据。在这种结构下，地图应用可以快速地加载和展示特定区域的地理信息，同时在不同缩放级别以及不同地理位置之间实现无缝切换。Google Maps就是一个使用地球瓦片金字塔结构的典型案例。

而四叉树剖分(Quadtree)则是一种将二维数据划分为四个象限的方法，每个象限又可以继续递归地划分为四个子象限。这种方法可以用于数据压缩、地图渲染、图像处理等领域。在地图应用中，四叉树剖分可以用来组织不同层级下的地理数据，例如对于海拔高度数据，通过四叉树剖分可以实现快速的检索和渲染高程图。

通过上述两种方法各自使用或组合使用，能够实现道路模型地可视化，方便建模可视化能够较为清晰地呈现物体、场景或者环境的外观、结构、功能等信息，有助于更好地理解和交流，进一步提高自动驾驶测试效率。

请参阅图3，图3提供了一种生成道路子模块的流程示意图，主要为生成道路主干道模块。根据图3可知，生成道路主干道模块主要包括以下步骤：

S101、从高精度地图数据中获取道路主干道信息，道路主干道信息包括道路边界信息和每条道路之间的连通关系；

道路边界信息通常包括道路的起点、终点坐标信息、道路形状、宽度、名称等信息。这些信息可以用于制作道路地图，同时也可以用于导航等道路规划方面的应用。

另一方面，每条道路之间的连通关系则是指道路之间的拓扑关系，包括邻近关系、交叉口关系、优先级关系、转向限制等。这些信息可以用于分析道路网络结构、进行车辆路径规划、交通流预测等方面的应用。

S102、对道路主干道信息进行离散化处理，生成多个多边形区域；

对道路主干道信息进行离散化处理，可以通过将路网拆分为多个小区域，从而生成多个多边形区域。这个过程通常称为道路网格化或者道路离散化。

在道路离散化中，首先需要将整个路网划分为若干个小区域，这些小区域可以是正方形、矩形、三角形等形状，也可以采用其他任意封闭形状。然后，对于每个小区域，需要检查路网中存在于这个小区域内的道路，将这些道路组成一个由多边形边界组成的区域，并将这个区域作为小区域的表示。

需要说明的是，在进行离散化地过程中，有几个关键问题需要解决：首先是如何划分小区域，这涉及到选取何种封闭形状以及划分的大小等问题。其次是如何确定道路属于哪个小区域，并将道路转换为小区域的表示。这通常需要采用空间拓扑分析等技术，将路网数据与小区域进行匹配。最后是如何将多个小区域组合为一个整体，生成整个城市或地区的多边形表示。

因此，具体如何进行离散化生成小的道路区域，可以有多种实现方式，而本实施例离散化处理后生成的为多个多边形区域只是一种示例性的实施方式，其他实施例中可以采用别的几何区域，此处不作任何限定。

S103、根据多边形区域，生成道路主干道模块。

最后，根据多边形区域所包含的道路信息，通过渲染生成道路主干道模块。因此，通过离散化处理，能够快速有效地生成道路主干道模块。

为了帮助理解，在一个实施例中，还提供了道路主干道模块的生成原理。参见图4，图4提供了一种高精度地图的语义信息的可视化效果，根据图4可知，能够在高精度地图中清楚地提取道路边界信息和每条道路之间的连通关系。根据道路主干道地序列，可以对其进行block化，具体为：在左右边界一一对应的情况下，block可近似为四边形；在某一个单一边界超出时，block近似为三角形。最后，根据block化后的道路区域渲染得到道路主干道模块。

在一种可能实施的方式中，步骤S103中根据多边形区域，生成道路主干道模块，具体包括：

利用三角剖分算法对多边形区域进行划分，生成道路主干道模块；其中，所述三角剖分算法包括ear clipping算法。

需要说明的是，三角剖分算法是将不规则的多边形分割成若干个三角形的算法，它有许多实际应用，如计算机图形学中的三维建模、有限元分析中的网格生成、地图制图等。一般而言，三角剖分算法可以分为两类：一类是基于三角形的划分，如Delaunay三角剖分，另一类是基于凸多边形的划分，如Ear Clipping算法。其中Delaunay三角剖分被广泛应用于实际场景中。

Delaunay三角剖分的原理是在一个点集中找到一组连接点的三角形，使得这些三角形的外接圆不包含点集中的任何其他点。因此，它被称为Delaunay三角剖分。

Delaunay三角剖分可以通过增量法和分治法来实现。其中增量法是指将点一个一个加入三角形集合中，然后对于新添加的点，通过一定的规则进行打断和更新，最终得到相应的Delaunay三角剖分结果；而分治法则是采用递归的思想，将点集进行分治，分别处理左右两个子集，然后将左右两个子集的Delaunay三角剖分合并起来，得到整个点集的Delaunay三角剖分结果。

在实际应用场景中，由于数据量巨大，如何保证算法的计算效率和输出质量是非常关键的。目前，已经有很多优化方法被提出来，如增量法中的Bowyer-Watson算法、Sweepline算法、离散化算法等，这些方法能够大大提高Delaunay三角剖分的计算效率和准确度。

本实施例中，优选采用ear clipping算法，将多边形划分成不重叠且无缝隙的三角形，生成密铺平整的路面网格。其中，将多边形区域进行三角剖分后的结果如图5所示，而对图5渲染后的结果如图6所示。

因此，在进行渲染时，与多边形区域相比，将其划分为三角形区域将会呈现更好的渲染效果，因此本实施例采用了三角剖分算法对于步骤S103中的多边形区域进行地划分，最终根据划分后生成的三角形区域进行渲染，进而使得道路主干道地渲染结果更加贴合实际效果，能够还原场景真实度。

在一种可能实施的方式中，在利用三角剖分算法对所述多边形区域进行划分之后，还包括：

1)基于划分后的多边形区域，生成区域顶点的纹理坐标；

2)根据纹理坐标，确定道路主干道的材质信息；材质信息包括纹理信息；

3)根据道路主干道的材质信息进行渲染。

在上述实施例中，主要通过离散化处理确定了道路主干道地多边形区域，以确定渲染地道路区域范围。然而，为了使得仿真地道路更贴近真实值，在一个实施例中，还需要根据划分后的多边形区域，生成区域顶点的纹理坐标，通过纹理坐标来确定不同区域地铺设材质，以确定材质信息。

优选地，为了方便进行材质铺设材质，可以使用通用地预设材质，也可以根据道路采集信息进行裁剪并生成材质，这样产生的材质从视觉效果和反射情况上看更加可信。

需要说明的是，材质信息首先包括纹理信息。

确定纹理信息地目的是为了对道路进行纹理贴图。在计算机图形学中，纹理贴图(Texture Mapping)是一种广泛应用的技术，用于增强现实场景中物体表面的真实感和细节。在这种技术中，一个二维图像(纹理)被映射到一个三维物体表面上，以提供更丰富的细节和真实感。

在进行纹理贴图时，需要在三维物体表面上选择一个合适的纹理样本进行采样。双线性插值采样是纹理采样中常用的插值方法之一，在采样时，它使用了四个邻近的纹理样本，根据它们之间的距离和方向关系进行插值计算，得出所需的纹理样本值。这种插值方法基于线性插值和加权平均的概念，采样结果具有更高的精度和更好的平滑度，这使得它成为许多计算机图形学中的标准插值方法之一。在实时图形处理中，使用双线性插值采样方法对纹理进行采样，可以生成更加真实的图像，提高了渲染图像的效果质量。

进一步地，除了纹理信息外，材质信息还包括颜色、光泽度、透明度、反射率等。

颜色指物体表面的颜色。在计算机图形学中，通常使用RGB(红绿蓝)或CMY(青黄洋红)模型来表示颜色。

光泽度是指物体表面的光滑程度和反射性质，它可以表现为金属、皮革、塑料等不同的材质表面效果。

透明度指物体的透明程度，例如玻璃、水等透明物质。

反射率指物体表面对光的反射程度，可以描述物体表面的光泽程度或物体的金属特性。

通过将上述这些材质信息共同作用于建模和渲染过程中，能够将低质量的道路场景转变为更加真实、逼真的画面，提高道路模型地仿真效果。

在一个实施例中，真实场景中道路表面地纹理信息会随着道路磨损度地不同而发生变化：例如车道纹理变化值可以是颜色变化和法线方向变化。可以理解，由于车道真实使用情况会导致车道不同位置的铺设颜色发生变化，表面粗糙度也会相应变化，进而导致表面反射、散射光的能力也发生变化。由于表面光滑度变化后，其车道所在的面也会发生凹陷或突起，进而导致光源进入车道表面时，反射光线的位置也改变了。如此法线方向也发生了变动。因此通过对颜色变化和法线方向变化进行考虑，能够反映出车道纹理中的车道纹理变化值。

因此，在构建纹理坐标时，考虑到每个车道的中经常使用的位置是相似的，即每条车道的磨损位置、纹理分布应该是大致相同。因此可以针对道路的一个车道为单元构建纹理坐标系。首先在所有车道中任意选一个，然后以该车道左侧边缘线上的任意一点为原点，以真实车道的某一顶点为原点，建立纹理坐标系，然后在纹理坐标系中建立真实车道的纹理坐标(u，v)。其中，u的取值范围为(0，1)，因此当前车道的右侧边缘线上的左右u坐标均为1，也即当前车道的宽度为1。而其他的车道的u值的取值范围也均为(0，1)，都可以参考当前车道的坐标建立方式，因此每个车道的宽度都优先设为1。

至于v值，在构建纹理坐标时，在单个车道的延伸方向，通常很难直接构建完整的车道长度，因此通常是将车道长度分段，每一个分段的截点z作为坐标系原点。因此，车道的v值在一段范围内取到1，剩余延伸的部分要重新建立。例如在v轴方向，只能截取部分的车道，在这个区域的边缘处，保证v值到达1，对于后面延伸的部分，再从截断位置重新建立纹理坐标系，使得v轴继续向单个车道延伸的方向拉长。

当确定好当前车道的纹理坐标系及纹理坐标的构建方式后，剩余其他车道都按照该车道的方式重复，直至每个车道的纹理坐标均构建完成。

根据上述方式建立好坐标后，可以建立关于u的修正函数。修正主要为根据车道真实语义信息所构建的函数，通过车道的实际纹理情况，可以确定影响纹理的参数，通过离散的点进行拟合进而发现参数与纹理变化的规律。例如当纹理信息选定为颜色时，可以将影响纹理参数的自变量选定为位置(距离)，不同的位置纹理变动会有不同，可以采集车道上多个位置的颜色信息，然后将这多个点拟合，以得到颜色信息随位置变化的函数，进而生成修正，最终采用修正快速计算出车道纹理中的车道纹理变化值。

在一个优选的实施方式中，该修正函数是以u为自变量的三角函数，例如cos函数或sin函数，通过该修正函数能够修正车道纹理，使其更加符合真实道路场景。

请参阅图7，图7提供了一种生成道路交通标线模块的流程示意图。根据图7所知，在一个实施例中，该步骤主要包括以下步骤：

S104、获取高精度地图数据中的点云数据及各点的反射强度信息；

激光雷达对地表进行扫描：激光雷达会通过发射和接收光学信号来扫描地表，每当光束照射到一个表面时，它会返回一个反射信号。由于激光的高频率和速度很快，因此可以快速扫描大面积的地表，并采集大量点云数据。

点云数据处理：激光雷达测量的点云数据需要被处理，以提取出其中有价值的信息。这通常需要进行地面滤波、数据配准、数据加密等处理，以将点云数据转换为相应的三维空间表示。

反射强度信息提取：反射强度信息是指每个点云数据的反射强度。一般而言，这需要结合激光雷达的发射功率、接收器灵敏度和反射面特性进行计算。通常，反射强度数据可以通过采集和处理多个激光雷达数据，并结合多个视角的图像数据进行融合来提高精度。

S105、根据点云数据及各点的反射强度信息，提取高精度地图中的道路交通标线信息；

点云数据预处理：首先需要对点云数据进行预处理，地面滤波，去除处理掉斑点噪声以及对数据进行配准操作，整合点云数据，形成一张三维地图。

标线点位置预测：通过机器学习技术，使用反射强度图像的数据，计算出标线点预测位置，并用交叉验证等方法进行优化。这一步是最关键的，通过反射强度分析，可以确定道路标线位置。

标线点提取：通过预测位置和点云数据进行配准，提取出包含标线点的点云数据。

标线分析和分类：通过机器学习和计算机视觉等技术，对标线点进行分析和分类。例如根据宽度、颜色等特征将标线分类，并进行聚类、优化等操作。

标线形态重建：通过标线点的位置和分类信息，对标线进行重建和优化，提取出道路的图像信息，形成最终的道路交通标线信息。

以上步骤中，对反射强度图像数据的分析是非常关键的，可以利用反射强度，识别并提取道路与非道路区域，筛选掉噪音点和不同类型的路标线，以及进行道路边界的提取等操作。

S106、根据道路交通标线信息，生成道路交通标线模块。

具体地，道路交通标线通常为空间中连续点相连得出的折线。对该点的集合进行连续平滑插值，能够得到一个更加光滑的参考线；若该线条非单实线(如：可变道的白虚线，可转向的黄虚线)，则参考国标标准对相应的点进行筛选去除或增补；最后，扩充点对为四边形，并斜向剖分生成三角形集合，通过渲染即可得到道路交通标线模块。

其中，连续平滑插值是一种基于曲线上的函数拟合方法，其原理是通过一组已知数据点来生成一条光滑的彼此连接的曲线。这条曲线可以用来表示各种形状的道路、建筑物等地物。本实施例中，通过对原始点云数据进行连续平滑插值，可以生成更加准确、光滑的道路交通标线模块。

请参阅图8，图8提供了一种生成路沿模块的流程示意图。根据图8所知，在一个实施例中，该步骤主要包括以下步骤：

S107、从高精度地图数据中提取不同路段的路沿信息，所述路沿信息包括路沿的长度、宽度及高度信息；

S108、根据路沿信息确定路沿区域，对路沿区域进行离散化处理，生成多个多边形区域；

S109、根据多边形区域生成路沿模块。

可以理解是，在生成路沿时，采用的方法可以参照上述生成道路主干道模块的方法，二者的区别主要在于路沿存在一定的高度，相当于将生成道路主干道模块时所用的路面网格转换成了立体的路沿网格。而主要的手段还是在于数据的离散化处理以生成多边形区域来锁定路沿范围，然后根据多边形区域生成路沿模块。

至于渲染过程，本实施例在生成路沿时，同样可以通过三角剖分算法对多边形进行分割，然后基于多个三角区域进行渲染，最终提高渲染效果，使得生成的路沿更加贴近真实场景。具体的分割算法和分割步骤都可以参照上述实施例描述的内容，此处不再进一步赘述。

请参阅图9，在一个实施例中，本发明还提供了一种道路模型生成装置，根据图9可知，该装置包括以下单元：

道路子模块生成单元100，用于对高精度地图数据进行分类处理，生成多个道路子模块；

道路子模块融合单元200，用于对所述多个道路子模块进行融合，生成道路模型。

在一个实施例中，所述道路子模块包括道路主干道模块、道路交通标线模块和路沿模块。

在一个实施例中，道路子模块生成单元100，还用于生成所述道路主干道模块，包括：

从所述高精度地图数据中获取道路主干道信息，所述道路主干道信息包括道路边界信息和每条道路之间的连通关系；

对所述道路主干道信息进行离散化处理，生成多个多边形区域；

根据所述多边形区域，生成道路主干道模块。

在一个实施例中，道路子模块生成单元100，还用于利用三角剖分算法对所述多边形区域进行划分，生成道路主干道模块；其中，所述三角剖分算法包括ear clipping算法。

在一个实施例中，道路子模块生成单元100，还用于在所述利用三角剖分算法对所述多边形区域进行划分之后，还包括：

基于划分后的多边形区域，生成区域顶点的纹理坐标；

根据所述纹理坐标，确定道路主干道的材质信息；所述材质信息包括纹理信息；

根据道路主干道的材质信息进行渲染。

在一个实施例中，道路子模块生成单元100，还用于生成所述道路交通标线模块，包括：

获取所述高精度地图数据中的点云数据及各点的反射强度信息；

根据所述点云数据及各点的反射强度信息，提取高精度地图中的道路交通标线信息；

根据所述道路交通标线信息，生成所述道路交通标线模块。

在一个实施例中，道路子模块生成单元100，还用于生成所述路沿模块，包括：

从所述高精度地图数据中提取不同路段的路沿信息，所述路沿信息包括路沿的长度、宽度及高度信息；

根据所述路沿信息确定路沿区域，对所述路沿区域进行离散化处理，生成多个多边形区域，

根据所述多边形区域生成所述路沿模块。

可以理解，在一些实施例中，本发明公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。

本发明还提供了一种处理器，所述处理器用于执行如上述任意一种可能实现的方式的方法。

本发明还提供了一种电子设备，包括：处理器、发送装置、输入装置、输出装置和存储器，所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令，当所述处理器执行所述计算机指令时，所述电子设备执行如上述任意一种可能实现的方式的方法。

本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被电子设备的处理器执行时，使所述处理器执行如上述任意一种可能实现的方式的方法。

请参阅图10，图10为本发明实施例提供的一种电子设备的硬件结构示意图。

该电子设备2包括处理器21，存储器22，输入装置23，输出装置24。该处理器21、存储器22、输入装置23和输出装置24通过连接器相耦合，该连接器包括各类接口、传输线或总线等等，本发明实施例对此不作限定。应当理解，本发明的各个实施例中，耦合是指通过特定方式的相互联系，包括直接相连或者通过其他设备间接相连，例如可以通过各类接口、传输线、总线等相连。

处理器21可以是一个或多个图形处理器(graphics processing unit，GPU)，在处理器21是一个GPU的情况下，该GPU可以是单核GPU，也可以是多核GPU。可选的，处理器21可以是多个GPU构成的处理器组，多个处理器之间通过一个或多个总线彼此耦合。可选的，该处理器还可以为其他类型的处理器等等，本发明实施例不作限定。

存储器22可用于存储计算机程序指令，以及用于执行本发明方案的程序代码在内的各类计算机程序代码。可选地，存储器包括但不限于是随机存储记忆体(random accessmemory，RAM)、只读存储器(read-only memory，ROM)、可擦除可编程只读存储器(erasableprogrammable read only memory，EPROM)、或便携式只读存储器(compact disc read-only memory，CD-ROM)，该存储器用于相关指令及数据。

输入装置23用于输入数据和/或信号，以及输出装置24用于输出数据和/或信号。输出装置23和输入装置24可以是独立的器件，也可以是一个整体的器件。

可理解，本发明实施例中，存储器22不仅可用于存储相关指令，本发明实施例对于该存储器中具体所存储的数据不作限定。

可以理解的是，图10仅仅示出了一种电子设备的简化设计。在实际应用中，电子设备还可以分别包含必要的其他元件，包含但不限于任意数量的输入/输出装置、处理器、存储器等，而所有可以实现本发明实施例的视频解析装置都在本发明的保护范围之内。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。所属领域的技术人员还可以清楚地了解到，本发明各个实施例描述各有侧重，为描述的方便和简洁，相同或类似的部分在不同实施例中可能没有赘述，因此，在某一实施例未描述或未详细描述的部分可以参见其他实施例的记载。

在本发明所提供的几个实施例中，应该理解到，所揭露的***、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者通过所述计算机可读存储介质进行传输。所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriberline，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，数字通用光盘(digital versatiledisc，DVD))、或者半导体介质(例如固态硬盘(solid state disk，SSD))等。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，该流程可以由计算机程序来指令相关的硬件完成，该程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法实施例的流程。而前述的存储介质包括：只读存储器(read-only memory，ROM)或随机存储存储器(random access memory，RAM)、磁碟或者光盘等各种可存储程序代码的介质。

Claims (10)

1.一种道路模型生成方法，其特征在于，所述方法包括：

对高精度地图数据进行分类处理，生成多个道路子模块；

对所述多个道路子模块进行融合，生成道路模型。

2.根据权利要求1所述的道路模型生成方法，其特征在于，所述道路子模块包括道路主干道模块、道路交通标线模块和路沿模块。

3.根据权利要求2所述的道路模型生成方法，其特征在于，生成所述道路主干道模块，包括：

从所述高精度地图数据中获取道路主干道信息，所述道路主干道信息包括道路边界信息和每条道路之间的连通关系；

对所述道路主干道信息进行离散化处理，生成多个多边形区域；

根据所述多边形区域，生成道路主干道模块。

4.根据权利要求3所述的道路模型生成方法，其特征在于，所述根据所述多边形区域，生成道路主干道模块，包括：

利用三角剖分算法对所述多边形区域进行划分，生成道路主干道模块；其中，所述三角剖分算法包括ear clipping算法。

5.根据权利要求4所述的道路模型生成方法，其特征在于，在所述利用三角剖分算法对所述多边形区域进行划分之后，还包括：

基于划分后的多边形区域，生成区域顶点的纹理坐标；

根据所述纹理坐标，确定道路主干道的材质信息；所述材质信息包括纹理信息；

根据道路主干道的材质信息进行渲染。

6.根据权利要求2所述的道路模型生成方法，其特征在于，生成所述道路交通标线模块，包括：

获取所述高精度地图数据中的点云数据及各点的反射强度信息；

根据所述点云数据及各点的反射强度信息，提取高精度地图中的道路交通标线信息；

根据所述道路交通标线信息，生成所述道路交通标线模块。

7.根据权利要求2所述的道路模型生成方法，其特征在于，生成所述路沿模块，包括：

从所述高精度地图数据中提取不同路段的路沿信息，所述路沿信息包括路沿的长度、宽度及高度信息；

根据所述路沿信息确定路沿区域，对所述路沿区域进行离散化处理，生成多个多边形区域，

根据所述多边形区域生成所述路沿模块。

8.一种道路模型生成装置，其特征在于，所述装置包括：

道路子模块生成单元，用于对高精度地图数据进行分类处理，生成多个道路子模块；

道路子模块融合单元，用于对所述多个道路子模块进行融合，生成道路模型。

9.一种电子设备，其特征在于，包括：处理器和存储器，所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令，当所述处理器执行所述计算机指令时，所述电子设备执行如权利要求1至7任一项所述的道路模型生成方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被电子设备的处理器执行时，使所述处理器执行权利要求1至7中任意一项所述的道路模型生成方法。