本发明涉及自动驾驶领域，具体地，涉及一种生成用于无人车导航控制的网格地图的方法。
背景技术：
自动驾驶汽车又称无人驾驶汽车(无人车)、电脑驾驶汽车、或轮式移动机器人，是一种通过电脑系统实现无人驾驶的智能汽车。自动驾驶汽车依靠人工智能、视觉计算、雷达、监控装置和全球定位系统协同合作，让电脑可以在没有任何人类主动的操作下，自动安全地操作机动车辆。
地图技术是无人车导航技术中不可或缺的一部分，通过地图可以获得无人车当前的位置信息和目的地信息。与此同时，地图中还包括对周围环境的建模，如车道线，路口信息等。传统用于汽车导航的地图主要由道路、背景、注记等组成，用于驾驶员参考通往目的地的路径规划信息。现在还有比较热门的高精地图，其中包括了详细的车道线和交通标识信息，可用于无人车定位导航。如图6所示，是根据现有技术的方案生成的网格地图的示意图。在现有技术中，通常将每帧激光雷达返回的点云数据中的每个点直接投影到网格地图中，对于每个网格，如果观测到的点云次数越多，那这个格子被占据的可能性越高；如果没有数据被观测到，那么这个格子为空。如图6，“Car”所在的网格代表无人车在地图中的位置，“0”代表该网格是空的，表示的是这个位置没有被占用，车可以移到该位置。大于0的数字代表该网格是被占用的，数字越大代表这个位置存在障碍物的可能性越高。
本申请发明人在实现本发明的过程中发现，现有技术的上述方案，只能获得无人车周围的位置是否被占用，车是否能移动到这个位置，但是不能获取更多的信息。这样的网格地图不适合在室外运作的无人车，由于交通路况的多样性使无人车周围的环境更复杂，所以无法用于无人车的控制决策。除此之外，现有技术的上述方案还具有以下缺陷：制作和维护成本都比较高，更新周期比较长，无法获得无人车周围的实时信息等。
技术实现要素：
本发明实施例的目的是提供一种生成用于无人车导航控制的网格地图的方法及装置，该方法和装置能够准确地在地图上标注出被障碍物占据的区域，还能够标注出地图中每个区域中的障碍物的类型。
为了实现上述目的，本发明实施例提供一种生成用于无人车导航控制的网格地图的方法，该方法包括：根据原始点云所在的位置，对所述原始点云进行分割聚类，将原始点云分成多个块；提取所述多个块中的各个块的特征数据；以及根据所述各个块的特征数据对所述各个块中的点云进行分类，并将分类的点云数据投影到网格地图中。
其中，所述提取所述多个块中的各个块的特征数据可以包括：分别计算所述各个块的边界，并计算所述各个块的中心点；以及根据所述边界和所述中心点计算所述各个块中的点云的特征均值和特征协方差。
其中，所述提取所述多个块中的各个块的特征数据还可以包括：计算所述各个块中的点云的数量、各个点的强度值和法向量。
其中，所述根据所述各个块的特征数据的类别对原始点云进行分类，并将分类的点云数据投影到网格地图中包括：利用所述特征数据训练分类器模型；以及利用被训练过的分类器模型对所述原始点云进行分类识别。
其中，所述利用所述特征数据训练分类器模型包括：标注所述各个块的特征数据的类别；以及利用已标注的各个类别的特征数据对所述分类器模型进行训练。
根据本发明的另一方面，还提供一种生成用于无人车导航控制的网格地图的装置，该装置包括：分块模块，用于根据原始点云所在的位置，对所述原始点云进行分割聚类，将原始点云分成多个块；特征提取模块，用于提取所述多个块中的各个块的特征数据；以及点云分类模块，用于根据所述各个块的特征数据对所述各个块中的点云进行分类，并将分类的点云数据投影到网格地图中。
其中，所述特征提取模块包括：块参数计算模块，用于分别计算所述各个块的边界，并计算所述各个块的中心点；以及第一点云参数计算模块，用于根据所述边界和所述中心点计算所述各个块中的点云的特征均值和特征协方差。
其中，所述特征提取模块还包括：第二点云参数计算模块，用于计算所述各个块中的点云的数量、各个点的强度值和法向量。
其中，所述点云分类模块可以包括：分类器模型训练模块，用于利用所述特征数据训练分类器模型；以及分类识别模块，用于利用被训练过的分类器模模型对所述原始点云进行分类识别。
其中，所述分类器模型训练模块包括：标注模块，用于标注对所述各个块的特征数据的类别；其中，分类识别模块利用已标注的各个类别的特征数据对所述分类器模型进行训练。
通过上述技术方案，对点云进行分类后投影到地图中，而不是直接将观测到的点云次数进行投影，从而能够在地图中准确标注障碍物的具体信息，同时，该地图中还包括语义信息，从而可以预测障碍物的下一时刻的状态信息，以便于无人车根据其驾驶目的做出正确的决策和规划。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：
图1是根据本发明实施例一的生成用于无人车导航控制的网格地图的方法的流程图；
图2是根据本发明实施例二的生成用于无人车导航控制的网格地图的方法的流程图；
图3是根据本发明实施例三的生成用于无人车导航控制的网格地图的装置的结构图；
图4是根据本发明实施例四的生成用于无人车导航控制的网格地图的装置的结构图；
图5是根据本发明的实施例的生成用于无人车导航控制的网格地图的方法及装置所生成的网格地图的示意图；以及
图6是根据现有技术的方案生成的网格地图的示意图。
附图标记说明
100：分块模块 200：特征提取模块
210：块参数计算模块 220：第一点云参数计算模块
230：第二点云参数计算模块 300：点云分类模块
310：分类器模型训练模块 320：分类识别模块
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。
图1是根据本发明实施例一的生成用于无人车导航控制的网格地图的方法的流程图。如图1所示，该方法包括以下步骤：
在步骤S100中，根据原始点云所在的位置，对所述原始点云进行分割聚类，将原始点云分成多个块。其中，可以将例如激光雷达扫描获取的3D点云投影到无人车所在的2D平面上，还可以该2D平面定义为坐标系，例如可以以本车的中心点为原点，本车行驶前方为x轴方向，与本车行驶前方垂直的方向为y轴方向。根据被投影到2D平面的原始点云所在的位置的坐标(x,y)，可以将原始点云分成多个块，例如，可以将临近坐标的点云划分为一个块，而具体块的大小可以根据所需要的地图的精度来设定。
在步骤S200中，提取所述多个块中的各个块的特征数据。点云是通过例如激光雷达等的测量仪器获得的从物体外观的点数据的集合，对于不同的障碍物，将获取不同特征的点云，例如点云的亮度、大小、密度等特征，可以对这些特征信息的提取来进行点云分类。
在步骤S300，根据所述各个块的特征数据对所述各个块中的点云进行分类，并将分类的点云数据投影到网格地图中。其中，可以通过感知识别算法将原始点云转换为具体的物体信息，分类的结果例如可以是轿车、大卡车、自行车、行人等，并且分类结果不仅可以包括障碍物的位置信息，还可以包括角度姿态、方向以及物体大小等信息。
图2是根据本发明实施例二的生成用于无人车导航控制的网格地图的方法的流程图。
如图2所示，所述步骤S200可以包括以下步骤：
在步骤S210中分别计算所述各个块的边界，并计算所述各个块的中心点。对于被分割成的各个点云的块，确定其中心点和边界，以便于最终确定该块中的障碍物的具体信息，例如位置等信息。
在步骤S220中，根据所述边界和所述中心点计算所述各个块中的点云的特征均值和特征协方差。对于每个块中的点云集合，可以对其亮度、密度、大小等特征计算各个特征的平均值和协方差，根据每个特征的平均值和协方差可以被用来计算该块中的障碍物的类型或该块中是否存在障碍物。
进一步地，所述步骤S200还可以优选地包括步骤S230，在步骤S230中，计算所述各个块中的点云的数量、各个点的强度值和法向量。根据点云的数量、各个点的强度值和法向量可以更进一步地精确判定障碍物的轮廓，从而更精确障碍物的类型，例如，根据法向量可以判断障碍物的表面的曲度，根据点云的数量可以判断障碍物的大小、形状等。
在图2所示的实施例二中，所述步骤S300可以优选地包括以下步骤：
在步骤S311-S312中，利用所述特征数据训练分类器模型。其中，在步骤S311中，标注所述各个块的特征数据的类别，例如可以利用字母或数字标注出每一类点云；在步骤S312中，利用已标注的各个类别的特征数据对所述分类器模型进行训练，利用已经标注的各类点云，通过机器学习等方法可以对分类器模型进行训练，从而可以使分类器模型不断地适应无人车周围的行车环境，从而更准确地进行导航。
在步骤S320中，利用被训练过的分类器模型对所述原始点云进行分类识别。训练过的分类器模型更能适应当前的行车环境，基于训练过的分类器模型对原始点云进行分类识别能够生成更精确的网格地图，以便于无人车进行驾驶决策。
图3是根据本发明实施例三的生成用于无人车导航控制的网格地图的装置的结构图。如图3所示，该装置包括：分块模块100，用于根据原始点云所在的位置，对所述原始点云进行分割聚类，将原始点云分成多个块，例如可以将原始的3D点云投影到无人车所在的2D平面，还可以将该2D平面定义为标系平面，进而可以基于点云的位置坐标对原始点云进行分块；特征提取模块200，用于提取所述多个块中的各个块的特征数据；以及点云分类模块300，用于根据所述各个块的特征数据对所述各个块中的点云进行分类，并将分类的点云数据投影到网格地图中。
图4是根据本发明实施例四的生成用于无人车导航控制的网格地图的装置的结构图。
如图4所示，特征提取模块200可以包括：块参数计算模块210，用于分别计算所述各个块的边界，并计算所述各个块的中心点；以及第一点云参数计算模块220，用于根据所述边界和所述中心点计算所述各个块中的点云的特征均值和特征协方差。所述特征可以是点云的密度、亮度、大小等信息，基于这些特征信息可以判断出不同的障碍物类型。
特征提取模块200还可以进一步优选地包括第二点云参数计算模块230，用于计算所述各个块中的点云的数量、各个点的强度值和法向量。
如图4所示，所述点云分类模块300可以包括：分类器模型训练模块310，用于利用所述特征数据训练分类器模型；以及分类识别模块320，用于利用被训练过的分类器模型对所述原始点云进行分类识别。
其中，所述分类器模型训练模块可以优选地包括：标注模块，用于标注对所述各个块的特征数据的类别；其中，分类识别模块利用已标注的各个类别的特征数据对所述分类器模型进行训练。被标注的特征数据的类别代表障碍物的类别，利用被被标注的各类别的特征数据对分类模型进行训练能够使该装置不断适应变化的行车环境，从而更精确地对障碍物进行分类识别。
图5是根据本发明的实施例的生成用于无人车导航控制的网格地图的方法及装置所生成的网格地图的示意图。如图5所示，在最终生成的网格地图中，Car表示本车所在的位置，可以用E表示该网格为空，即该区域内没有障碍物，无人车可以移去到该位置，C1、C2、C3、C4等可以表示被车辆，P1、P2、P3、P4可以表示人，无人车通过该网格地图可以判断其行车周围的障碍物情况，从而可以做出减速或变道行驶等决策。
以上结合附图详细描述了本发明例的可选实施方式，但是，本发明实施例并不限于上述实施方式中的具体细节，在本发明实施例的技术构思范围内，可以对本发明实施例的技术方案进行多种简单变型，这些简单变型均属于本发明实施例的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施例对各种可能的组合方式不再另行说明。
本领域技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
此外，本发明实施例的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施例的思想，其同样应当视为本发明实施例所公开的内容。