一种基于深度学习的高精地图制作方法与流程

本发明涉及高精地图制作技术领域，具体涉及一种基于深度学习的高精地图制作方法。

背景技术：

高精地图是自动驾驶技术领域的核心技术之一。高精地图的发展直接影响自动驾驶的安全性和精准度，是自动驾驶落地的关键技术节点。高精地图的核心特质是其厘米级要素精度和要素的丰富度，为了能精准的保证自动驾驶的安全性，高精地图以厘米级的精度表达了道路及其附属设施的全部要素，成为自动驾驶汽车的“眼睛”。也正是这样的高精度，高丰富度要求，使高精地图的制作工艺成为业内的一大技术难题。

高精地图的制作工艺和高精地图的原始资料采集方式密切相关，现有高精地图的原始资料采集大多采用激光雷达，高分辨率视觉相机，高精度惯导设备相结合的多传感器采集模式。复杂的采集设备之间需要严格对准和成果融合，使地图制作工艺增加了处理环节和难度。对准和融合的误差会影响不同传感器成果的联合使用精准度。

现有的高精地图制作工艺的自动化程度还都停留在普通导航电子地图制作工艺阶段，即通过对激光雷达和视觉图片的模式识别及提取，配合人工分类和语义识别制作地图的基本要素的形状和属性。由于要素丰富度要求的增加，现有模式识别的成果很难在各类复杂场景下都有优秀的表现，不同城市的道路特征，道路上各类要素的丰富程度，给现有工艺的自动化程度带来了巨大的挑战。

技术实现要素：

本发明的目的在于提供一种基于深度学习的高精地图制作方法，用以解决现有高精地图的原始信息采集难度大以及制作工艺复杂，自动化程度低，人工成本高的问题。

为实现上述目的，本发明实施例提供一种基于深度学习的高精地图制作方法，所述高精地图制作方法包括：利用视觉系统和定位系统采集图像信息和位置信息；对图像信息中的高精地图要素和场景进行标注；采用深度学习算法根据图像标注成果训练图像识别模型；根据图像识别模型的训练成果和位置信息对高精地图的要素进行测量；人工审核图像识别模型训练成果中的错误，并进行迭代优化；根据优化的图像识别模型自动化合成高精地图。

作为优选的技术方案，所述采集图像信息的方法包括：视觉系统采集图像信息，所述定位系统采集位置信息和姿态信息，再将图像信息、位置信息和姿态信息通过时间同步达成匹配，形成要素全面的高精地图原始图像信息。

作为优选的技术方案，所述高精地图要素包括道路上的车道模型和定位目标模型，所述车道模型包括车道线、红绿灯、导流带、人行横道线、停止线、车道的交通规制信息和拓扑信息，所述定位目标模型包括护栏、路缘石、路灯、路牌、过街天桥、地面上的标志、符号和数字。

作为优选的技术方案，所述对图像信息中的高精地图要素和场景进行标注的方法包括：通过在线图像标注系统对采集的高精地图原始图像做像素级的分类标注，并对图像的要素和场景做标签分类，形成机器学习的基础训练资料。

作为优选的技术方案，所述训练图像识别模型的方法包括：根据不同等级道路的车道线、地面标志、季节、城市和道路属性设置不同的场景，机器通过对不同场景的学习生成不同的图像识别模型，最终形成具有自动化识别场景能力的高精地图。

作为优选的技术方案，所述对高精地图的要素进行测量的方法包括：利用图像识别模型的训练成果对图像要素的语义进行识别，自动获取道路属性的类型，结合语义信息、图像信息、位置信息和姿态信息获取图像要素的精准三维坐标，对所述三维坐标进行测量，生成精度更高的地图要素。

作为优选的技术方案，所述人工审核的方法包括：人为对图像识别模型的训练结果进行审核，把存在问题的场景反馈给图像标注环节，修正机器识别的错误，补充形成新的图像标注成果，不断输入给机器学习，迭代优化图像识别模型。

作为优选的技术方案，所述根据优化的图像识别模型自动化合成高精地图的方法包括：根据不断优化的具有自动化识别场景能力的图像识别模型，不断提升高精地图测量的精度和自动化程度，并对高精地图要素进行整合，形成高精地图的拓扑关系，完成高精地图道路网的搭建。

本发明实施例具有如下优点：

(1)本发明采集工艺简单，成果处理难度小，精度高，成本低；

(2)本发明基于深度学习的高精地图要素自动提取，减少地图要素提取的重复人工投入；

(3)本发明基于深度学习成果，建立高精地图要素分类模型和拓扑关系，实现高精地图的高自动化测量。

附图说明

图1为本发明实施例提供的一种基于深度学习的高精地图制作方法流程图。

具体实施方式

以下实施例用于说明本发明，但不用来限制本发明的范围。

实施例1

本实施例提供一种基于深度学习的高精地图制作方法包括：利用视觉系统和定位系统采集图像信息；对图像信息中的高精地图要素和场景进行标注；采用深度学习算法根据图像标注成果训练图像识别模型；根据图像识别模型的训练成果对高精地图的要素进行测量；人工审核图像识别模型训练成果中的错误，并进行迭代优化；根据优化的图像识别模型自动合成高精地图。

进一步地，视觉采集生成高分辨率图像成果，是高精地图自动化工艺的原始生产资料，纯视觉的采集模式使后续图像标注和机器学习的高度自动化成为可能。因此，本实施例提供一种视觉系统，视觉系统包括500万像素的工业相机。定位系统包括全球卫星导航系统和惯性导航系统，利用视觉系统采集图像信息，利用定位系统采集位置信息和姿态信息，再将图像信息、位置信息和姿态信息通过时间同步达成匹配，形成要素全面的高精地图原始图像信息。

进一步地，高精地图要素包括道路上的车道模型和定位目标模型，所述车道模型包括车道线、红绿灯、导流带、人行横道线、停止线、车道的交通规制信息和拓扑信息，所述定位目标模型包括护栏、路缘石、路灯、路牌、过街天桥、地面上的标志、符号和数字。

分场景的像素级图像标注，是机器学习的样本基础，本实施例中通过在线图像标注系统对采集的高精地图原始图像做像素级的分类标注，并对图像的要素和场景做标签分类，形成机器学习的基础训练资料，根据高精度地图的精度和要素要求，设置多维度的学习标注场景，解决不同采集条件，不同道路环境，不同要素和属性的模型训练要求。

训练图像识别模型的方法包括：根据不同等级道路的车道线、地面标志、季节、城市和道路属性设置不同的场景，机器通过对不同场景的学习生成不同的图像识别模型，最终形成具有自动化识别场景能力的高精地图，当自动驾驶车辆在行驶过程中采集到前方道路场景时可以自动识别前方场景的要素，保证行车安全。

进一步地，本实施例利用图像识别模型的训练成果对图像要素的语义进行识别，自动获取道路属性的类型，结合语义信息、图像信息、位置信息和姿态信息获取图像要素的精准三维坐标，对所述三维坐标进行测量，生成精度更高的地图要素。再人为对图像识别模型的训练结果进行审核，把存在问题的场景反馈给图像标注环节，修正机器识别的错误，补充形成新的图像标注成果，不断输入给机器学习，迭代优化图像识别模型，提升高精地图测量正确性和精度。

最后，根据不断优化的具有自动化识别场景能力的图像识别模型，不断提升高精地图测量的精度和自动化程度，并对高精地图要素进行整合，形成高精地图的拓扑关系，完成高精地图道路网的搭建。

虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。