CN117392216A - 点云地图的确定方法、装置、电子设备及存储介质 - Google Patents

点云地图的确定方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN117392216A
CN117392216A CN202311305131.6A CN202311305131A CN117392216A CN 117392216 A CN117392216 A CN 117392216A CN 202311305131 A CN202311305131 A CN 202311305131A CN 117392216 A CN117392216 A CN 117392216A
Authority
CN
China
Prior art keywords
point cloud
determining
point clouds
map
target tile
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
Application number
CN202311305131.6A
Other languages
English (en)
Inventor
***
钟波
郭彦
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.)
Guangzhou Automobile Group Co Ltd
Original Assignee
Guangzhou Automobile Group Co Ltd
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 Guangzhou Automobile Group Co Ltd filed Critical Guangzhou Automobile Group Co Ltd
Priority to CN202311305131.6A priority Critical patent/CN117392216A/zh
Publication of CN117392216A publication Critical patent/CN117392216A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本申请提供了一种点云地图的确定方法、装置、电子设备及存储介质，该方法包括：获取车辆所在周围环境对应的多个点云帧，并确定车辆所在周围环境对应的瓦片地图；将多个点云帧添加至瓦片地图中，得到多个瓦片点云；根据瓦片地图中的每个瓦片点云进行聚类分析得到聚类结果，并根据聚类结果确定多个目标瓦片点云；根据多个目标瓦片点云确定多个加权无向图；获取车辆所在周围环境对应的矢量地图，并将多个加权无向图与矢量地图进行对齐匹配，确定多个目标瓦片点云各自与矢量地图之间的偏差；根据多个目标瓦片点云各自与矢量地图之间的偏差确定点云地图。本申请能够根据多个目标瓦片点云与矢量地图之间的偏差来确定点云地图，使得点云地图的精度更高。

Description

点云地图的确定方法、装置、电子设备及存储介质
技术领域
本申请涉及地图构建技术领域，更具体地，涉及一种点云地图的确定方法、装置、电子设备及存储介质。
背景技术
随着科技的发展，人们对生活质量要求的不断提高，自动驾驶车辆也越来越受大众所欢迎，同时人们也越来越关注自动驾驶车辆的精确定位问题。通常，自动驾驶车辆是通过高精度地图来进行车辆定位的，而高精度地图是通过矢量地图和点云地图来组成的。目前，点云地图是直接根据车辆所采集的点云进行拼接来生成，然后根据拼接好的点云地图与矢量地图进行融合来确定高精度地图，然而，因为矢量地图和点云地图的创建数据不同源，从而导致矢量地图和点云地图出现定位偏差，进而导致所确定高精度地图不够准确。因此，如何纠正矢量地图和点云地图之间的偏差进而提高点云地图的准确性成为亟待解决的问题。
发明内容
有鉴于此，本申请实施例提出了一种点云地图的确定方法、装置、电子设备及存储介质，以改善上述问题。
根据本申请实施例的第一个方面，提供了一种点云地图的确定方法，所述方法包括：获取车辆所在周围环境对应的多个点云帧，并确定所述车辆所在周围环境对应的瓦片地图；将所述多个点云帧添加至所述瓦片地图中，得到多个瓦片点云；根据所述瓦片地图中的每个瓦片点云所包括的点云各自对应的强度值进行聚类分析得到聚类结果，并根据所述聚类结果确定多个目标瓦片点云；根据所述多个目标瓦片点云确定多个加权无向图；获取所述车辆所在周围环境对应的矢量地图，并将所述多个加权无向图与所述矢量地图进行对齐匹配，确定所述多个目标瓦片点云各自与所述矢量地图之间的偏差；根据所述多个目标瓦片点云各自与所述矢量地图之间的偏差确定点云地图。
根据本申请实施例的第二个方面，提供了一种点云地图的确定装置，所述装置包括：点云获取模块，用于获取车辆所在周围环境对应的多个点云帧，并确定所述车辆所在周围环境对应的瓦片地图；瓦片点云确定模块，用于将所述多个点云帧添加至所述瓦片地图中，得到多个瓦片点云；目标瓦片点云确定模块，用于根据所述瓦片地图中的每个瓦片点云所包括的点云各自对应的强度值进行聚类分析得到聚类结果，并根据所述聚类结果确定多个目标瓦片点云；加权无向图确定模块，用于根据所述多个目标瓦片点云确定多个加权无向图；对齐模块，用于获取所述车辆所在周围环境对应的矢量地图，并将所述多个加权无向图与所述矢量地图进行对齐匹配，确定所述多个目标瓦片点云各自与所述矢量地图之间的偏差；点云地图确定模块，用于根据所述多个目标瓦片点云各自与所述矢量地图之间的偏差确定点云地图。
根据本申请实施例的第三个方面，提供了一种电子设备，包括：处理器；存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，实现如上所述点云地图的确定方法。
根据本申请实施例的第四个方面，提供了一种计算机可读存储介质，其上存储有计算机可读指令，当所述计算机可读指令被处理器执行时，实现如上所述点云地图的确定方法。
在本申请的方案中，先获取车辆所在周围环境对应的多个点云帧以及车辆所在周围环境对应的瓦片地图，以此将多个点云帧添加至瓦片地图中得到多个瓦片点云，然后通过多个瓦片点云中各点云的强度值来进行聚类分析得到聚类结果，进而能够根据聚类结果确定多个目标瓦片点云，进而，能够基于多个目标瓦片点云确定多个加权无向图，并将多个加权无向图与车辆所在周围环境对应的矢量地图进行对齐匹配，确定多个目标瓦片点云各自与矢量地图之间的偏差，以此，能够根据多个目标瓦片点云各自与矢量地图之间的偏差来确定点云地图，使得点云地图的精度更高，并且在既有矢量图的基础上采集数据独立制作点云地图，减少了重新制做矢量图的环节，提高的点云地图的制作效率。
应当理解的是，以上的一般描述和后文细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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是根据本申请一实施例示出的点云地图的确定方法的流程示意图。
图2是根据本申请另一实施例示出的点云地图的确定方法的流程示意图。
图3是根据本申请一实施例示出的步骤260的具体步骤的流程示意图。
图4是根据本申请再一实施例示出的点云地图的确定方法的流程示意图。
图5是根据本申请另一实施例示出的点云地图的确定方法的流程示意图。
图6是根据本申请一实施例示出的步骤4700的具体步骤的流程示意图。
图7是根据本申请一实施例示出的点云地图的确定装置的框图。
图8是根据本申请一实施例示出的电子设备的硬件结构图。
通过上述附图，已示出本发明明确的实施例，后文中将有更详细的描述，这些附图和文字描述并不是为了通过任何方式限值本发明构思的范围，而是通过特定实施例为本领域计算书人员说明本发明的概念。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本申请将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。
需要说明的是，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”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，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、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本申请的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本申请的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
请参阅图1，图1示出了本申请一实施例提供的点云地图的确定方法，在具体的实施例中，该点云地图的确定方法可以应用于如图7所示的点云地图的确定装置500以及配置有点云地图的确定装置500的电子设备600(图8)。下面将说明本实施例的具体流程，当然，可以理解的，该方法可以由具备计算处理能力的云服务器执行。下面将针对图1所示的流程进行详细的阐述，所述点云地图的确定方法具体可以包括以下步骤：
步骤110，获取车辆所在周围环境对应的多个点云帧，并确定所述车辆所在周围环境对应的瓦片地图。
作为一种方式，点云是指在同一空间参考系下表达目标空间分布和目标表面特性的大量点，可以称为点云(Point Cloud)，点云中包含了丰富的信息，可包括三维坐标X，Y，Z、颜色、分类值、强度值、时间等等。在本申请的实施例中，点云可以是由车辆的传感器所检测到的车辆的在以传感器为原点的空间参考坐标系下的周围环境的事物对应的点云，可选的，空间参考系可以是雷达坐标系。示例性的，雷达坐标系中的点云可以转换至相机坐标系下，也可以转换至图像坐标系下，以方便后续数据处理。
可选的，该传感器还可以是雷达传感器或激光传感器，对应的，所检测到的点云为雷达点云或激光点云。该激光点云指的是当一束激光照射在障碍物的表面后，所返回的数据信息中包括该周围环境对应的事物的表面各个点在三维空间中的坐标信息，这些点的组合就是激光点云。
作为另一种方式，还可获取车辆的位姿信息，以此对车辆进行定位。其中，车辆的位姿信息可以是根据车辆的GNSS(Global Navigation Satellite System，全球导航卫星***)模块、GPS模块、IMU(Inertial Measurement Unit，惯性测量单元)模块、里程计中所采集到的信息确定的。其中，IMU可以是是由三轴加速计、三轴陀螺仪、三轴磁力计等多种传感器组成的模块。里程计用于检测移动设备机器人的移动装置(例如车轮)在一定时间内移动的距离，从而推算出车辆的相对位姿(位置和航向)的变化。其中，车辆的位姿信息可以指示车辆的位置信息和车辆的姿态信息。
可选的，在确定车辆的定位信息后，可基于车辆的定位信息来获取车辆在当前位置对应的地图，然后基于获取的地图进行瓦片化以此确定车辆所在周围环境对应的瓦片地图，可选的，还可以是预先在云端服务器上上传全球地图对应的瓦片地图，在确定车辆的定位信息后，将车辆的定位信息发送至云端服务器，云端服务器基于接收到的车辆的定位信息后再全球地图对应的瓦片地图中确定与定位信息对应的局部瓦片图，并将确定局部瓦片地图反馈至车辆，以此确定车辆所在周围环境对应的瓦片地图。
可选的，还可以是根据车辆的定位信息来获取车辆所在周围环境对应的地图，然后对地图划分瓦片以此确定车辆所在周围环境对应的瓦片地图，进而确定车辆所在周围环境对应的多个瓦片，其中，每一瓦片的规格可以是100*100m，也可以是其他规格，可根据实际需要来设置每个瓦片的规格，在此不做具体限定。
可选的，在获取车辆所在周围环境对应的多个初始点云后，可对车辆所在周围环境对应的多个初始点云进行slam处理，优化关键帧位姿，以此得到车辆所在周围环境对应的多个点云。可选的，对多个初始点云进行slam处理可以是基于车辆的激光传感器的数据、惯性运动传感器的数据进行局部信息的融合，然后根据实时动态传感器的数据和融合后的局部信息以及惯性运动传感器的数据对多个初始点云进行因子图优化，进而得到优化后的车辆所在周围环境对应的多个点云。
步骤120，将所述多个点云帧添加至所述瓦片地图中，得到多个瓦片点云。
作为一种方式，各点云帧中可包括点云对应的位置信息，在瓦片地图中的每个瓦片对应有自己的位置信息，可将多个点云帧各自对应的点云信息分别与多个瓦片各自对应的位置信息进行比对，以此确定每个瓦片的位置信息与每个点云帧对应的位置信息之间的关系，若一点云帧对应的位置信息位于一瓦片对应的位置信息内，则可将该点云帧添加至对应的瓦片中，以此得到瓦片点云。
作为另一种方式，可先根据瓦片地图中的多个瓦片各自对应的位置信息和多个点云各自对应的位置信息确定多个点云所对应的多个瓦片之间的映射关系，该映射关系指示了每一点云所位于的瓦片，然后基于该映射关系将多个点云投影至对应的瓦片中，以此得到多个瓦片点云。
步骤130，根据所述瓦片地图中的每个瓦片点云所包括的点云各自对应的强度值进行聚类分析得到聚类结果，并根据所述聚类结果确定多个目标瓦片点云。
作为一种方式，点云是一个数据集，数据集中的每个点包括三维坐标、颜色、分类值、强度值、时间等等。其中，点云对应的强度值是根据物体表面反射率记录返回信号的强度。
可选的，可以是根据每个瓦片点云对应的强度值来进行聚类分析，可以是根据每个瓦片点云所包括的点云各自对应的强度值来确定所有点云对应的平均强度值，并确定每个点云对应的强度值与平均点云强度值之间的差值，以此确定差值大于差值阈值对应的点云，并将差值大于差值阈值对应的点云过滤掉，以此根据多个瓦片点云中的每个瓦片点云所包括的点云各自对应的强度值对每个瓦片点云中包括的点云进行筛选，以此确定多个目标瓦片点云。其中，每个目标瓦片点云中所包括的点云对应的强度值大小差不多。可选的，聚类分析后的每一类中的目标瓦片点云对应的强度值分布均匀。
步骤140，根据所述多个目标瓦片点云确定多个加权无向图。
作为一种方式，加权无向图是一种为每条边关联一个权重值的图，并且在加权无向图中全部由无向边构成图。可选的，可根据每个目标瓦片点云所包括各点云之间的距离来构建对应的加权无向图，其中，每个目标瓦片点云对应的加权无向图至少包括一个，每个加权无向图对应的边与边之间的权重可以是根据每个点云之间的距离或相似度来确定的，也可以是根据每个点云之间的深度值来确定，可根据实际需要来设置加权无向图的边与边之间的权重的确定方法，在此仅是举例说明，不做具体限定。
步骤150，获取所述车辆所在周围环境对应的矢量地图，并将所述多个加权无向图与所述矢量地图进行对齐匹配，确定所述多个目标瓦片点云各自与所述矢量地图之间的偏差。
作为一种方式，矢量地图可以是平面的电子地图，可以是先从本地数据库或者云端服务器中获取全球矢量地图或全国矢量地图，然后获取车辆的当前位置信息，然后根据当前位置信息在全球矢量地图或全国矢量地图中确定车辆所在周围环境对应的局部矢量地图。可选的，矢量地图还可以是地图绘制人员基于标准所绘制的矢量地图。
作为一种方式，由于矢量地图与基于点云所确定的点云地图之间的创建数据来源不同，进而导致矢量地图与基于点云所确定的点云地图之间存在一定的偏差，若直接将矢量地图与基于点云所确定的点云地图进行拼接融合会导致所确定的高精地图不够准确，进而发生基于所确定的高精地图对车辆进行控制出现误差导致的安全事故，因此，先将矢量地图和基于多个目标瓦片点云所确定的多个加权无向图进行对齐匹配，以此来确定多个目标瓦片点云各自与矢量地图之间的偏差。
可选的，可先通过神经网络确定多个加权无向图各自对应的特征，并将所确定的特征进行聚类，然后根据聚类后的特征与矢量地图进行特征匹配，以此来确定多个目标瓦片点云各自与矢量地图之间的偏差。
可选的，多个目标瓦片点云各自与矢量地图之间的偏差包括各瓦片点云与矢量地图对应相同位置之间的坐标偏差和角度偏差。
步骤160，根据所述多个目标瓦片点云各自与所述矢量地图之间的偏差确定点云地图。
作为一种方式，在确定了多个目标瓦片点云各自与矢量地图之间的偏差后，先基于该偏差分别对多个目标瓦片点云进行偏差补齐，以此基于偏差补齐后的多个目标瓦片点云来确定点云地图。可选的，可通过将偏差补齐后的多个目标瓦片点云对应的位姿信息进行坐标转换，以此得到点云地图。
在本申请的实施例中，先获取车辆所在周围环境对应的多个点云帧以及车辆所在周围环境对应的瓦片地图，以此将多个点云帧添加至瓦片地图中得到多个瓦片点云，然后通过多个瓦片点云中各点云的强度值来进行聚类分析得到聚类结果，进而能够根据聚类结果确定多个目标瓦片点云，进而，能够基于多个目标瓦片点云确定多个加权无向图，并将多个加权无向图与车辆所在周围环境对应的矢量地图进行对齐匹配，确定多个目标瓦片点云各自与矢量地图之间的偏差，以此，能够根据多个目标瓦片点云各自与矢量地图之间的偏差来确定点云地图，使得点云地图的精度更高，并且在既有矢量图的基础上采集数据独立制作点云地图，减少了重新制做矢量图的环节，提高的点云地图的制作效率。
请参阅图2，图2示出了本申请一实施例提供的点云地图的确定方法。下面将针对图2所示的流程进行详细的阐述，所述点云地图的确定方法具体可以包括以下步骤：
步骤210，获取车辆所在周围环境对应的多个点云帧，并确定所述车辆所在周围环境对应的瓦片地图。
步骤220，将所述多个点云帧添加至所述瓦片地图中，得到多个瓦片点云。
步骤230，根据所述瓦片地图中的每个瓦片点云所包括的点云各自对应的强度值进行聚类分析得到聚类结果，并根据所述聚类结果确定多个目标瓦片点云。
步骤240，确定所述多个目标瓦片点云中的每个目标瓦片点云包括的点云之间的距离，并将根据所述距离确定所述每个目标瓦片点云包括的点云之间的相似度。
作为一种方式，每个目标瓦片点云包括的点云包括各自对应的三维坐标信息，可基于该三维坐标信息来计算每个目标瓦片点云包括的点云之间的距离。可选的，该距离可以是欧氏距离，可通过公式 来确定每个目标瓦片点云包括的点云之间的距离，其中，d为每个目标瓦片点云包括的点云之间的距离，(x1，y1，z1)为一目标瓦片点云中所包括的某一点云的三维坐标，(x2，y2，z2)为一目标瓦片点云中所包括的另一点云的三维坐标。
可选的，在确定每个目标瓦片点云包括的点云之间的距离之后，可基于公式来确定个目标瓦片点云包括的点云之间的相似度，其中，p为目标瓦片点云包括的点云之间的相似度，d为每个目标瓦片点云包括的点云之间的距离。
在一些实施例中，所述步骤240包括：从所述每个目标瓦片点云包括的点云中，确定点云之间的距离小于距离阈值的目标点云；将所述目标点云进行过滤，并确定所述每个目标瓦片点云包括的过滤后的点云之间的相似度。
作为一种方式，为了提高确定的每个目标瓦片点云所包括的点云之间的相似度的准确性，可先对每个目标瓦片点云对应的点云进行过滤，以此过滤掉负样本点云，提高确定的每个目标瓦片点云对应的相似度的准确性。可选的，可将目标瓦片点云中的各点云之间的距离分别与距离阈值进行比较，以此确定点云之间的距离小于距离阈值的目标点云。
可选的，在确定每个目标瓦片点云中包括的点云之间的相似度之前，先根据每个目标瓦片点云中所包括的点云之间的距离的均值，将该均值确定距离阈值。
请继续参阅图2，步骤250，确定所述每个目标瓦片点云包括的点云之间的相似度与相似度阈值之间的大小关系。
作为一种方式，可预先设定一相似度阈值，然后分别将每个目标瓦片点云包括的点云之间的相似度与相似度阈值进行比较，以此来确定每个目标瓦片点云包括的点云之间的相似度与相似度阈值之间的大小关系，其中，该大小关系包括点云之间的相似度大于或等于相似度阈值，点云之间的相似度小于相似度阈值。
步骤260，根据所述大小关系确定所述每个目标瓦片点云对应的至少一个加权无向图。
作为一种方式，可基于大小关系来确定每个目标瓦片点云包括的点云之间是否构建边来确定每个目标瓦片点云中所确定至少一个加权无向图。
在一些实施例中，如图3所示，所述步骤260包括：
步骤261，若所述大小关系指示所述相似度小于或等于所述相似度阈值，则确定在对应的点云之间构建边，并将所述对应点云之间的相似度确定为所构建的边对应的边权重。
作为一种方式，当确定某目标瓦片点云中包括的其中两个点云之间的相似度小于或等于相似度阈值时，可确定该两个点云之间可构建边，并将两个点云之间的相似度确定为该两个点云之间的边权重。可选的，在加权无向图中的边权重用于提取多个加权无向图的特征时以及根据多个加权无向图对应的特征将多个加权无向图分别与矢量地图进行对齐匹配时，对特征的提取以及对齐匹配的准确性进行提高。
作为另一种方式，当确定某目标瓦片点云中包括的其中两个点云之间的相似度大于相似度阈值时，则确定该两个点云之间不构建边。
步骤262，根据所述每个目标瓦片点云中所构建的边和所述每个目标瓦片点云中所构建的边对应的边权重，确定所述每个目标瓦片点云对应的至少一个加权无向图。
作为一种方式，基于每个目标瓦片点云中包括的点云之间所构建的边进行连接，并添加每个目标瓦片点云中所构建边的点云对应的边权重来确定每个目标瓦片对应的至少一个加权无向图。
请继续参阅图2，步骤270，获取所述车辆所在周围环境对应的矢量地图，并将所述多个加权无向图与所述矢量地图进行对齐匹配，确定所述多个目标瓦片点云各自与所述矢量地图之间的偏差。
步骤280，根据所述多个目标瓦片点云各自与所述矢量地图之间的偏差确定点云地图。
其中，步骤210-步骤230和步骤270-步骤280的具体步骤秒速可参阅步骤110-步骤130和步骤150-步骤160，在此不再进行赘述。
在本实施例中，通过确定多个目标瓦片点云中每个瓦片点云包括的点云之间的距离来确定每个目标瓦片点云包括的点云之间的相似度，进而能够根据相似度与相似度阈值的大小关系来确定各点云之间是否构建边，并在确定构建边时将对应的相似度确定为边权重，以此来确定多个目标瓦片点云对应的多个加权无向图，进而能够根据多个加权无向图确定多个目标瓦片点云各自与矢量地图之间的偏差，保证了所确定的多个目标瓦片点云各自与矢量地图之间的偏差的准确性。
请参阅图4，图4示出了本申请一实施例提供的点云地图的确定方法。下面将针对图4所示的流程进行详细的阐述，所述点云地图的确定方法具体可以包括以下步骤：
步骤310，获取车辆所在周围环境对应的多个点云帧，并确定所述车辆所在周围环境对应的瓦片地图。
步骤320，将所述多个点云帧添加至所述瓦片地图中，得到多个瓦片点云。
步骤330，根据所述瓦片地图中的每个瓦片点云所包括的点云各自对应的强度值进行聚类分析得到聚类结果，并根据所述聚类结果确定多个目标瓦片点云。
步骤340，根据所述多个目标瓦片点云确定多个加权无向图。
步骤350，分别对所述多个加权无向图进行特征提取，得到所述多个加权无向图各自对应的特征。
作为一种方式，可通过图卷积神经网络对多个加权无向图进行特征提取，以此得到多个加权无向图各自对应的特征。可选的，为了确保多个加权五香粉图各自对应的特征的准确性，可预先针对图卷积神经网络进行训练，可预先设置多个样本加权无向图，并针对多个样本加权无向图设置各自对应的特征标签，该特征标签用于指示多个样本加权无向图各自对应的特征，以此由图神经网络根据多个样本加权无向图进行特征提取，并确定提取的特征与各样本加权无向图对应的特征之间的特征差，根据特征差确定损失函数是否收敛，在损失函数收敛时确定图卷积神经网络训练完成；若损失函数不收敛，则根据特征差对图卷积神经网络进行参数调整，并根据调整参数后的图卷积神经网络进行训练，直至损失函数收敛。
步骤360，确定所述矢量地图的特征，并将所述多个加权无向图各自对应的特征分别与所述矢量地图的特征进行特征匹配，确定所述多个目标瓦片点云各自与所述矢量地图之间的偏差。
作为一种方式，在矢量地图中可包括由一系列坐标、点、线、面所组成的不同事物，例如车道线、建筑区域、街道线等。可通过图卷积神经网络提取矢量地图的特征，以此确定矢量地图的特征。
作为一种方式，可先确定多个加权无向图对应的位置信息，以此在矢量地图中分别确定多个加权无向图各自对应的局部矢量地图，以此分别根据多个加权无向图对应的特征和对应的局部矢量地图对应的特征来进行特征匹配，进而能够确定多个目标瓦片点云各自与矢量地图之间的偏差。可选的，可通过特征匹配算法和对齐算法来确定多个目标瓦片点云各自与矢量地图之间的偏差。其中，匹配算法可以是最近邻算法。
步骤370，根据所述多个目标瓦片点云各自与所述矢量地图之间的偏差确定点云地图。
其中，步骤310-步骤340和步骤370的具体步骤秒速可参阅步骤110-步骤140和步骤160，在此不再进行赘述。
在本实施例中，通过对多个加权无向图进行特征提取，以此能够将提取的特征与矢量地图的特征来进行特征匹配，以此来确定将多个加权无向图分别与矢量地图之间的偏差，保证所确定的多个目标瓦片点云各自与矢量地图之间的偏差的准确性，进而提高了所确定的点云地图的准确性。
请参阅图5，图5示出了本申请一实施例提供的点云地图的确定方法。下面将针对图5所示的流程进行详细的阐述，所述点云地图的确定方法具体可以包括以下步骤：
步骤410，获取车辆所在周围环境对应的多个点云帧，并确定所述车辆所在周围环境对应的瓦片地图。
步骤420，将所述多个点云帧添加至所述瓦片地图中，得到多个瓦片点云。
步骤430，根据所述瓦片地图中的每个瓦片点云所包括的点云各自对应的强度值进行聚类分析得到聚类结果，并根据所述聚类结果确定多个目标瓦片点云。
步骤440，根据所述多个目标瓦片点云确定多个加权无向图。
步骤450，获取所述车辆所在周围环境对应的矢量地图，并将所述多个加权无向图与所述矢量地图进行对齐匹配，确定所述多个目标瓦片点云各自与所述矢量地图之间的偏差。
其中，步骤410-步骤450的具体步骤秒速可参阅步骤110-步骤150，在此不再进行赘述。
步骤460，根据所述多个目标瓦片点云各自与所述矢量地图之间的偏差，对所述多个目标瓦片点云中的每个目标瓦片点云包括的点云进行偏差补齐，得到偏差补齐后的多个目标瓦片点云。
作为一种方式，在确定了多个目标瓦片点云各自与矢量地图之间的偏差后，为了确保所确定的点云地图的准确性，可先根据所确定的多个目标瓦片点云各自与矢量地图之间的偏差对多个目标瓦片点云中的每个目标瓦片点云包括的点云进行偏差补齐。可选的，由于矢量地图是在世界坐标系下的数据所确定的地图，而多个目标瓦片点云在车辆坐标系下或车辆的点云采集装置对应的坐标系下的数据，因此无法直接根据多个目标瓦片各自与矢量地图之间的偏差进行偏差补齐，可以先将多个目标瓦片各自与矢量地图之间的偏差转换至车辆坐标系下或车辆的点云采集装置对应的坐标系下，可选的，可通过公式posenew＝(posebiasanglebias)-t*poseold来进行偏差补齐，其中，posenew是指一目标瓦片中的某点云进行偏差补齐后的位姿，poseold是指一目标瓦片中的某点云进行偏差补齐前的位姿，posebias是指一目标瓦片中的某点云与矢量地图之间的坐标偏差，anglebias是指一目标瓦片中的某点云与矢量地图之间的角度偏差。
可选的，根据每个瓦片中所包括的点云各自与矢量地图之间的偏差对每个瓦片中所包括的点云进行偏差补齐，以此得到偏差补齐后的多个目标瓦片点云。
步骤470，根据所述偏差补齐后的多个目标瓦片点云确定所述点云地图。
作为一种方式，在对多个目标瓦片点云中的每个目标瓦片点云包括的点云进行偏差补齐后，可将偏差补齐后的多个目标瓦片点云进行拼接，以此得到点云地图。可选的，还可以是将偏差补齐后的多个目标瓦片点云与矢量地图进行融合拼接，以此得到点云地图。
在一些实施例中，如图6所示，所述步骤470包括：
步骤471，确定所述偏差补齐后的多个目标瓦片点云包括的点云对应的位姿信息。
作为一种方式，偏差补齐后的多个目标瓦片点云包括的点云中包括了各点云各自对应的位姿信息。可选的，可预先针对每一目标瓦片点云中个点云各自对应的位姿信息设置其各自对应的位姿标签，以此确定各点云的位姿标签与各点云对应的位姿信息之间的映射关系，以此可通过获取多个目标瓦片点云包括的点云各自对应的位姿标签，并根据该位姿关系来确定偏差补齐后的多个目标瓦片点云包括的点云各自对应的位姿信息。
步骤472，将所述偏差补齐后的多个目标瓦片点云包括的点云对应的位姿信息转换至目标坐标系下，得到多个目标瓦片点云包括的点云对应的目标位姿信息。
作为一种方式，为了使得车辆能够基于偏差补齐后的多个目标瓦片点云所确定的点云地图对车辆进行更加准确的行驶控制，可先获取车辆对应的车辆坐标系与世界坐标系之间的转换关系或者是车辆的雷达传感器对应的坐标系与世界坐标系之间的转换关系，进而根据该转换关系确定偏差补齐后的多个目标瓦片点云包括的点云对应的目标位姿信息。可选的，可通过公式Putm＝Rnew*Plidar+Tnew来确定多个目标瓦片点云包括的点云对应的目标位姿信息，其中，Putm为一目标瓦片点云包括的某点云对应的目标位姿信息，Plidar为一目标瓦片点云包括的某点云对应的偏差补齐后的位姿信息，Rnew为车辆对应的车辆坐标系与世界坐标系之间的转换关系或者是车辆的雷达传感器对应的坐标系与世界坐标系之间的转换关系中的旋转矩阵，Tnew为车辆对应的车辆坐标系与世界坐标系之间的转换关系或者是车辆的雷达传感器对应的坐标系与世界坐标系之间的转换关系中的平移矩阵。
步骤473，根据所述多个目标瓦片点云包括的点云对应的目标位姿信息和所述多个瓦片之间的位置关系确定所述点云地图。
作为一种方式，多个瓦片之间的位置关系可以是多个瓦片在矢量地图中对应的位置所对应关系，也可以是多个瓦片之间的位置对应的顺序关系。可选的，在确定车辆所在周围环境对应的多个瓦片时，可根据多个瓦片的位置信息对多个瓦片进行编号，以此可根据多个瓦片之间的编号确定多个瓦片之间的位置关系，然后基于多个瓦片之间的位置关系，将偏差补齐后的多个目标瓦片点云进行拼接，并根据多个目标瓦片点云包括的点云对应的目标位姿信息生成点云地图。
在本实施例中，先根据多个目标瓦片点云各自与矢量地图之间的偏差来对多个目标瓦片点云包括的点云进行偏差补齐，以此能够根据偏差补齐后的多个目标瓦片点云确定所述点云地图，以此保证了确定点云地图的准确性。
图7是根据本申请一实施例示出的点云地图的确定装置的框图，如图7所示，该点云地图的确定装置500包括：点云获取模块510、瓦片点云确定模块520、目标瓦片点云确定模块530、加权无向图确定模块540、对齐模块550和点云地图确定模块560。
点云获取模块510，用于获取车辆所在周围环境对应的多个点云帧，并确定所述车辆所在周围环境对应的瓦片地图；瓦片点云确定模块520，用于将所述多个点云帧添加至所述瓦片地图中，得到多个瓦片点云；目标瓦片点云确定模块530，用于根据所述瓦片地图中的每个瓦片点云所包括的点云各自对应的强度值进行聚类分析得到聚类结果，并根据所述聚类结果确定多个目标瓦片点云；加权无向图确定模块540，用于根据所述多个目标瓦片点云确定多个加权无向图；对齐模块550，用于获取所述车辆所在周围环境对应的矢量地图，并将所述多个加权无向图与所述矢量地图进行对齐匹配，确定所述多个目标瓦片点云各自与所述矢量地图之间的偏差；点云地图确定模块560，用于根据所述多个目标瓦片点云各自与所述矢量地图之间的偏差确定点云地图。
在一些实施例中，所述加权无向图确定模块540包括：相似度确定子模块，用于确定所述多个目标瓦片点云中的每个目标瓦片点云包括的点云之间的距离，并将根据所述距离确定所述每个目标瓦片点云包括的点云之间的相似度；大小关系确定子模块，用于确定所述每个目标瓦片点云包括的点云之间的相似度与相似度阈值之间的大小关系；加权无向图确定子模块，用于根据所述大小关系确定所述每个目标瓦片点云对应的至少一个加权无向图。
在一些实施例中，所述加权无向图确定子模块包括：边权重确定单元，用于若所述大小关系指示所述相似度小于或等于所述相似度阈值，则确定在对应的点云之间构建边，并将所述对应点云之间的相似度确定为所构建的边对应的边权重；加权无向图确定单元，用于根据所述每个目标瓦片点云中所构建的边和所述每个目标瓦片点云中所构建的边对应的边权重，确定所述每个目标瓦片点云对应的至少一个加权无向图。
在一些实施例中，所述相似度确定子模块包括：目标点云确定单元，用于从所述每个目标瓦片点云包括的点云中，确定点云之间的距离小于距离阈值的目标点云；过滤单元，用于将所述目标点云进行过滤，并确定所述每个目标瓦片点云包括的过滤后的点云之间的相似度。
在一些实施例中，所述对齐模块550包括：特征提取子模块，用于分别对所述多个加权无向图进行特征提取，得到所述多个加权无向图各自对应的特征；对齐子模块，用于确定所述矢量地图的特征，并将所述多个加权无向图各自对应的特征分别与所述矢量地图的特征进行特征匹配，确定所述多个目标瓦片点云各自与所述矢量地图之间的偏差。
在一些实施例中，所述点云地图确定模块560包括：偏差补齐子模块，用于根据所述多个目标瓦片点云各自与所述矢量地图之间的偏差，对所述多个目标瓦片点云中的每个目标瓦片点云包括的点云进行偏差补齐，得到偏差补齐后的多个目标瓦片点云；点云地图确定子模块，用于根据所述偏差补齐后的多个目标瓦片点云确定所述点云地图。
在一些实施例中，所述点云地图确定子模块包括：位姿信息确定单元，用于确定所述偏差补齐后的多个目标瓦片点云包括的点云对应的位姿信息；目标位姿信息确定单元，用于将所述偏差补齐后的多个目标瓦片点云包括的点云对应的位姿信息转换至目标坐标系下，得到多个目标瓦片点云包括的点云对应的目标位姿信息；点云地图确定单元，用于根据所述多个目标瓦片点云包括的点云对应的目标位姿信息和所述多个瓦片之间的位置关系确定所述点云地图。
根据本申请实施例的一个方面，还提供了一种电子设备，如图8所示，该车辆600包括处理器610以及一个或多个存储器620，一个或多个存储器620用于存储被处理器610执行的程序指令，处理器610执行程序指令时实施上述的点云地图的确定方法。
进一步地，处理器610可以包括一个或者多个处理核。处理器610运行或执行存储在存储器620内的指令、程序、代码集或指令集，以及调用存储在存储器620内的数据。可选地，处理器610可以采用数字信号处理(Digital Signal Processing，DSP)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)、可编程逻辑阵列(Programmable LogicArray，PLA)中的至少一种硬件形式来实现。处理器610可集成中央处理器(CentralProcessing Unit，CPU)、图像处理器(Graphics Processing Unit，GPU)和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作***、用户界面和应用程序等；GPU用于负责显示内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器中，单独通过一块通信芯片进行实现。
根据本申请的一个方面，本申请还提供了一种计算机可读存储介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读存储介质承载计算机可读指令，当该计算机可读存储指令被处理器执行时，实现上述任一实施例中的方法。
需要说明的是，本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
附图中的流程图和框图，图示了按照本申请各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员在考虑说明书及实践这里公开的实施方式后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。

Claims (10)

1.一种点云地图的确定方法，其特征在于，所述方法包括：
获取车辆所在周围环境对应的多个点云帧，并确定所述车辆所在周围环境对应的瓦片地图；
将所述多个点云帧添加至所述瓦片地图中，得到多个瓦片点云；
根据所述瓦片地图中的每个瓦片点云所包括的点云各自对应的强度值进行聚类分析得到聚类结果，并根据所述聚类结果确定多个目标瓦片点云；
根据所述多个目标瓦片点云确定多个加权无向图；
获取所述车辆所在周围环境对应的矢量地图，并将所述多个加权无向图与所述矢量地图进行对齐匹配，确定所述多个目标瓦片点云各自与所述矢量地图之间的偏差；
根据所述多个目标瓦片点云各自与所述矢量地图之间的偏差确定点云地图。
2.根据权利要求1所述的方法，其特征在于，所述根据所述多个目标瓦片点云确定多个加权无向图，包括：
确定所述多个目标瓦片点云中的每个目标瓦片点云包括的点云之间的距离，并将根据所述距离确定所述每个目标瓦片点云包括的点云之间的相似度；
确定所述每个目标瓦片点云包括的点云之间的相似度与相似度阈值之间的大小关系；
根据所述大小关系确定所述每个目标瓦片点云对应的至少一个加权无向图。
3.根据权利要求2所述的方法，其特征在于，所述根据所述大小关系确定所述每个目标瓦片点云对应的至少一个加权无向图，包括：
若所述大小关系指示所述相似度小于或等于所述相似度阈值，则确定在对应的点云之间构建边，并将所述对应点云之间的相似度确定为所构建的边对应的边权重；
根据所述每个目标瓦片点云中所构建的边和所述每个目标瓦片点云中所构建的边对应的边权重，确定所述每个目标瓦片点云对应的至少一个加权无向图。
4.根据权利要求2所述的方法，其特征在于，所述确定所述多个目标瓦片点云中的每个目标瓦片点云包括的点云之间的距离，并将根据所述距离确定所述每个目标瓦片点云包括的点云之间的相似度，包括：
从所述每个目标瓦片点云包括的点云中，确定点云之间的距离小于距离阈值的目标点云；
将所述目标点云进行过滤，并确定所述每个目标瓦片点云包括的过滤后的点云之间的相似度。
5.根据权利要求1所述的方法，其特征在于，所述将所述多个加权无向图与所述矢量地图进行对齐匹配，确定所述多个目标瓦片点云各自与所述矢量地图之间的偏差，包括：
分别对所述多个加权无向图进行特征提取，得到所述多个加权无向图各自对应的特征；
确定所述矢量地图的特征，并将所述多个加权无向图各自对应的特征分别与所述矢量地图的特征进行特征匹配，确定所述多个目标瓦片点云各自与所述矢量地图之间的偏差。
6.根据权利要求1-5任一项所述的方法，其特征在于，所述根据所述多个目标瓦片点云各自与所述矢量地图之间的偏差确定点云地图，包括：
根据所述多个目标瓦片点云各自与所述矢量地图之间的偏差，对所述多个目标瓦片点云中的每个目标瓦片点云包括的点云进行偏差补齐，得到偏差补齐后的多个目标瓦片点云；
根据所述偏差补齐后的多个目标瓦片点云确定所述点云地图。
7.根据权利要求6所述的方法，其特征在于，所述根据所述偏差补齐后的多个目标瓦片点云确定所述点云地图，包括：
确定所述偏差补齐后的多个目标瓦片点云包括的点云对应的位姿信息；
将所述偏差补齐后的多个目标瓦片点云包括的点云对应的位姿信息转换至目标坐标系下，得到多个目标瓦片点云包括的点云对应的目标位姿信息；
根据所述多个目标瓦片点云包括的点云对应的目标位姿信息和所述多个瓦片之间的位置关系确定所述点云地图。
8.一种点云地图的确定方法，其特征在于，所述方法包括：
点云获取模块，用于获取车辆所在周围环境对应的多个点云帧，并确定所述车辆所在周围环境对应的瓦片地图；
瓦片点云确定模块，用于将所述多个点云帧添加至所述瓦片地图中，得到多个瓦片点云；
目标瓦片点云确定模块，用于根据所述瓦片地图中的每个瓦片点云所包括的点云各自对应的强度值进行聚类分析得到聚类结果，并根据所述聚类结果确定多个目标瓦片点云；
加权无向图确定模块，用于根据所述多个目标瓦片点云确定多个加权无向图；
对齐模块，用于获取所述车辆所在周围环境对应的矢量地图，并将所述多个加权无向图与所述矢量地图进行对齐匹配，确定所述多个目标瓦片点云各自与所述矢量地图之间的偏差；
点云地图确定模块，用于根据所述多个目标瓦片点云各自与所述矢量地图之间的偏差确定点云地图。
9.一种电子设备，其特征在于，所述电子设备包括：
处理器；
存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，实现如权利要求1至7中任一项所述的方法。
10.一种计算机可读取存储介质，其特征在于，所述计算机可读取存储介质中存储有程序代码，所述程序代码可被处理器调用执行如权利要求1至7任一项所述的方法。
CN202311305131.6A 2023-10-09 2023-10-09 点云地图的确定方法、装置、电子设备及存储介质 Pending CN117392216A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311305131.6A CN117392216A (zh) 2023-10-09 2023-10-09 点云地图的确定方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311305131.6A CN117392216A (zh) 2023-10-09 2023-10-09 点云地图的确定方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN117392216A true CN117392216A (zh) 2024-01-12

Family

ID=89467614

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311305131.6A Pending CN117392216A (zh) 2023-10-09 2023-10-09 点云地图的确定方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN117392216A (zh)

Similar Documents

Publication Publication Date Title
US11145073B2 (en) Computer vision systems and methods for detecting and modeling features of structures in images
US10437252B1 (en) High-precision multi-layer visual and semantic map for autonomous driving
US10794710B1 (en) High-precision multi-layer visual and semantic map by autonomous units
CN109214248B (zh) 用于识别无人驾驶车辆的激光点云数据的方法和装置
CN108303103B (zh) 目标车道的确定方法和装置
Alonso et al. Accurate global localization using visual odometry and digital maps on urban environments
CN113865580B (zh) 构建地图的方法、装置、电子设备及计算机可读存储介质
CN111652179A (zh) 基于点线特征融合激光的语义高精地图构建与定位方法
CN112740225B (zh) 一种路面要素确定方法及装置
EP3447729B1 (en) 2d vehicle localizing using geoarcs
CN112414417B (zh) 自动驾驶地图生成方法、装置、电子设备及可读存储介质
CN114111774B (zh) 车辆的定位方法、***、设备及计算机可读存储介质
CN114459471B (zh) 定位信息确定方法、装置、电子设备及存储介质
US20180330541A1 (en) 3d vehicle localizing using geoarcs
CN114127738A (zh) 自动地图制作和定位
Kaufmann et al. Shadow-based matching for precise and robust absolute self-localization during lunar landings
WO2024036984A1 (zh) 目标定位方法及相关***、存储介质
WO2020118623A1 (en) Method and system for generating an environment model for positioning
Kim et al. Urban localization based on aerial imagery by correcting projection distortion
CN117392216A (zh) 点云地图的确定方法、装置、电子设备及存储介质
CN112802095B (zh) 定位方法、装置及设备、以及自动驾驶定位***
CN114283397A (zh) 全局重定位方法、装置、设备及存储介质
Pang et al. FLAME: Feature-likelihood based mapping and localization for autonomous vehicles
Schuster et al. Joint graph optimization towards crowd based mapping
Frontoni et al. Robot localization in urban environments using omnidirectional vision sensors and partial heterogeneous apriori knowledge

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