一种用于精确定位的概率地图的生成方法及装置的制造方法
【技术领域】
[0001] 本发明涉及领域，尤其涉及一种用于精确定位的概率地图的生成方法。
【背景技术】
[0002] 无人车自动驾驶系统一般分为两种：
[0003] 1、不依靠预先采集的行驶环境知识，在实时自动驾驶过程中一边感知一边决策 的。这种系统比较常用于陌生环境中的行驶，如野外。
[0004] 2、完全或者主要依靠预先采集的行驶环境知识，在实时自动驾驶过程中先在预先 采集的信息中确定自己的位置，然后再结合预先采集的信息和实时感知到的信息，做出决 策。这种方法比起前一种实现难度低、算法复杂度低、效果更好。主要因为：
[0005] a.行驶过程中的感知范围有限。预先采集可以从各种不同的角度和维度感知环境
[0006] b.车载计算机运算能力有限，比起理论上无限的预先采集预先运算处理
[0007] c.车载传感器的性能、数量和类型有限。预先采集可以动用各自类型的传感器，包 括空基（如机载合成孔径雷达）、天基（如卫星）等。
[0008] 本发明提出一种生成一种二维的、记录了传感器感知信号（如激光雷达的反射强 度信号）的概率分布的地图（以下简称概率地图）的方法。这种概率地图属于预先采集 的用于自动驾驶的辅助信息的一种，特别适用于实时自动驾驶时帮助无人车确定自身的位 置。
[0009] 无人车可以依靠这张概率地图，配合自身传感器的信息（如全球定位系统的坐 标、激光雷达扫描后的点云），利用概率的方法估算自己当前最可能的实际位置/坐标。
【发明内容】
[0010] 本发明要解决的技术问题，在于提供一种用于精确定位的概率地图的生成方法， 解决无人驾驶地图数据采集的问题。
[0011] 本发明是这样实现的：一种用于精确定位的概率地图的生成方法，包括如下步 骤：
[0012] 在目标行驶环境中采集原始数据；
[0013] 对原始数据进行后期处理；
[0014] 根据处理后的原始数据生成概率地图。
[0015] 具体地，"对原始数据进行后期处理"包括：
[0016] 纠正原始数据每一次扫描时的坐标值；
[0017] 校正用于采集原始数据的激光雷达的反射强度值。
[0018] 进一步地，所述概率地图为一张二维网格，每个单元网格由激光雷达反射数据的 高斯分布表示，高斯分布包括激光雷达反射的平均强度及其强度方差。
[0019] 具体地，"在目标行驶环境中采集原始数据"包括：
[0020] 控制载有激光雷达的车辆在被采集环境中以预设的方式行驶；
[0021] 在行驶的过程中获取激光雷达传感器记录下来的在每个目标点的激光反射强度 及其对应激光束代码；
[0022] 将获取到的激光反射强度及其对应激光束代码成组地被记录成原始数据。
[0023] -种用于精确定位的概率地图的生成装置，包括数据采集模块、后期处理模块、地 图生成模块；
[0024] 所述数据采集模块用于在目标行驶环境中采集原始数据；
[0025] 所述后期处理模块用于对原始数据进行后期处理；
[0026] 所述地图生成模块用于根据处理后的原始数据生成概率地图。
[0027] 具体地，所述后期处理模块还用于纠正原始数据每一次扫描时的坐标值；
[0028] 所述后期处理模块还用于校正用于采集原始数据的激光雷达的反射强度值。
[0029] 进一步地，所述概率地图为一张二维网格，每个单元网格由激光雷达反射数据的 高斯分布表示，高斯分布包括激光雷达反射的平均强度及其强度方差。
[0030] 具体地，还包括行驶控制模块；
[0031] 所述行驶控制模块用于控制载有激光雷达的车辆在被采集环境中以预设的方式 行驶；
[0032] 所述数据采集模块还用于在行驶的过程中获取激光雷达传感器记录下来的在每 个目标点的激光反射强度及其对应激光束代码；
[0033] 所述数据数据采集模块还用于将获取到的激光反射强度及其对应激光束代码成 组地被记录成原始数据。
[0034] 本发明具有如下优点：准确度高，定位精确，操作简便。
【附图说明】
[0035] 图1为本发明【具体实施方式】所述方法流程图；
[0036]图2为本发明【具体实施方式】所述装置模块图；
[0037] 图3为本发明【具体实施方式】所述坐标过滤矫正后原始的电子云数据；
[0038] 图4为本发明【具体实施方式】所述红外反射强度均值地图；
[0039] 图5为本发明【具体实施方式】所述红外反射强度方差地图。
[0040] 附图标记说明：
[0041] 200、数据采集模块；
[0042] 202、后期处理模块；
[0043] 204、地图生成模块；
[0044] 206、行驶控制模块。
【具体实施方式】
[0045] 为详细说明本发明的技术内容、构造特征、所实现目的及效果，以下结合实施方式 并配合附图详予说明。
[0046] 请参阅图1一种用于精确定位的概率地图的生成方法，包括如下步骤：
[0047] 步骤S101，在目标行驶环境中采集原始数据；在某些具体的实施例中，"在目标行 驶环境中采集原始数据"包括：
[0048] 1)控制载有激光雷达的车辆在被采集环境中以预设的方式行驶；
[0049] 2)在行驶的过程中获取激光雷达传感器记录下来的在每个目标点的激光反射强 度及其对应激光束代码；
[0050] 3)将获取到的激光反射强度及其对应激光束代码成组地被记录成原始数据。
[0051] 具体的某些实施例中，可以让载车在被采集环境中携带着激光雷达传感器以预设 的方式行驶，所述预设的方式可以为目标行驶环境中的一段路途，优选为某些闭合环形路 途，行驶的过程中激光雷达传感器会记录下来的在每个目标点的激光反射强度及其对应激 光束代码（一般的仪器可以发射并感应64束激光），这些数据成组的被记录成原始数据日 VI、J、〇
[0052] 再进行步骤S102对原始数据进行后期处理；具体包括：
[0053] 1)纠正原始数据每一次扫描时的坐标值；采集原始数据的载车在行驶过程中自 身的坐标/位置非常重要，直接决定了概率地图生成后地图上的各个区域各种特征的坐标 是否准确。因此，载车需要搭载一个能提供精准坐标信息的传感器（如全球定位/惯性导 航融合系统）。
[0054] 然而，任何传感器都存在误差，随着时间的推移，偏差会逐渐积累。当载车行驶了 一大圈后又回到之前到过的一个地点时，很可能会发现对于同一个地点新测的坐标和第一 次测的坐标不一样，实际上应该闭合的行驶路线按照传感器的坐标值却无法闭合。这样会 使得不同位置得到扫描数据在空间上融合起来的时候出现断层/错位。
[0055] 为了消除这种不一致，需要对原始数据日志中的每一条记录的坐标进行过滤，尽 可能消除偏差。过滤可以用基于粒子的、基于卡尔曼过滤器的或者基于贝叶斯网格的算法， 如图3所示进行坐标过滤矫正后，原始的电子云数据拼接起来就没有错位
[0056] 2)校正用于采集原始数据的激光雷达的反射强度值。为了保证激光雷达（或者其 它传感器）对于环境感知的一致性，进而提高概率地图的准确性，需要对原始数据日志中 的反射强度值进行校正。
[0057] 这里根据