面向无人驾驶汽车的高精度语义地图制作方法与流程

本发明涉及高精度地图制作技术领域，尤其涉及一种面向无人驾驶汽车的高精度语义地图制作方法。

背景技术：

传统电子地图主要依靠卫星影像产生，再由gps定位，这种方法可以达到米级精度。而面向无人驾驶需要精细化定义的精度达到厘米级的高精度地图，仅靠卫星与gps是不能够保证无人驾驶汽车行驶安全的。车载移动测量系统作为一种先进的测量手段，具有快速、动态、主动和高精度等特点，能够采集大面积的三维道路信息。所谓精细化定义是需要格式化存储交通场景中的各种交通要素，包括车道线、道路边缘和路面标志等。

高精度地图的主要服务对象不是人类驾驶员，而是无人驾驶系统。它能够扩展车辆的静态环境感知能力，在精确定位、障碍物检测与避让、智能调速、转向及引导等方面发挥着重要作用，是无人驾驶中必不可少的一项关键技术。

高精度地图包含大量的行车辅助语义信息，包括路面的几何结构、标示线位置、周边道路环境的点云模型等。基于这些高精度的三维表征，无人驾驶系统可通过比对车载gps、imu、lidar和摄像头等数据来精确定位自己当前的位置，并进行实时导航。与传统地图相比，高精度地图具有更高的定时性，路网每天都在变化，通过与云端通信，无人驾驶汽车可实时得知路网更新信息。

现有的矢量地图制作方法限制了无人驾驶汽车的发展，无法应用于智能交通管理、高级驾驶辅助系统(adas)等领域。

技术实现要素：

本发明实施例所要解决的技术问题在于，提供一种面向无人驾驶汽车的高精度语义地图制作方法，以使保障无人驾驶汽车行驶的安全性。

为了解决上述技术问题，本发明实施例提出了一种面向无人驾驶汽车的高精度语义地图制作方法，所述无人驾驶汽车搭载激光雷达设备，所述制作方法包括：

步骤1：利用激光雷达设备采集各传感器数据；

步骤2：对采集数据依次进行标定、融合、拼接，生成地面点云数据；

步骤3：在地面点云数据中绘制车辆沿道路行驶的轨迹数据和包含道路信息的矢量数据，并为绘制的数据编辑属性；

步骤4：对编辑后数据进行符号化处理、图面整饰、晕渲，导出指定格式的高精度语义地图。

本发明实施例通过提出一种面向无人驾驶汽车的高精度语义地图制作方法，包括步骤1～步骤4，利用无人驾驶汽车搭载的三维激光雷达系统采集车道数据，拼接生成点云数据后在点云数据中绘制轨迹数据和矢量数据，并为矢量数据编辑字段属性，最终导出预设格式的高精度语义地图，本发明实施例制作出的高精度语义地图包含丰富的语义信息，如车道线、道路边缘和行驶轨迹等，与传统矢量地图相比，提供了车道级别的道路信息，为无人驾驶汽车的局部路径规划提供了数据基础，进而有助于保障无人驾驶汽车行驶的安全性。

附图说明

图1是本发明实施例的面向无人驾驶汽车的高精度语义地图制作方法的流程图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互结合，下面结合附图和具体实施例对本发明作进一步详细说明。

本发明实施例中若有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。

另外，在本发明中若涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。

请参照图1，本发明实施例的面向无人驾驶汽车的高精度语义地图制作方法包括步骤1～步骤4。

无人驾驶汽车搭载激光雷达设备。在外业过程中，激光雷达设备中的核心控制模块采用多传感器集成机器智能平台aurora-i。aurora-i是全球首款无人驾驶标准机器智能平台，完全面向量产化，具备完全感知和决策功能，集成gnss模块、惯性测量单元和三维激光雷达等多种异构传感器。

步骤1：利用激光雷达设备采集各传感器数据。在外业过程中，选取数据采集路线后，利用无人驾驶汽车搭载激光雷达设备(包括三维激光雷达、gnss、imu等)采集各传感器数据，技术人员在负责控制采集设备的电脑系统上实时监控采集情况，确认采集设备处于正常工作状态。

步骤2：对采集数据依次进行标定、融合、拼接，生成地面点云数据。为将激光雷达、imu、摄像头等统一到一个坐标系下，在采集完数据后先进行多传感器标定，通过内业处理把各传感器数据融合到一起，随后利用无人驾驶汽车姿态数据和激光雷达数据拼接生成地面点云数据。

步骤3：在地面点云数据中绘制车辆沿道路行驶的轨迹数据和包含道路信息的矢量数据，并为绘制的数据编辑字段属性。在自主研发的高精度地图编辑软件中加载地面点云数据，利用编辑软件提供的绘图工具，依据点云的强度、颜色信息，沿车辆行驶方向人工绘制连续的轨迹，轨迹由间隔为一米的轨迹点组成，多段轨迹之间通过轨迹点相连；同时，依据道路的真实情况绘制如道路边沿、车道分离线和斑马线等矢量数据，每个矢量数据对象均由连续的线段组成，作为静态的底图对地图内容进行补充；最后，对绘制的数据进行编辑，可以为各个对象手动添加自定义的字段属性，作为为静态的底图对语义地图内容进行补充。

步骤4：对编辑后数据进行符号化处理、图面整饰、晕渲，导出预设格式的高精度语义地图。本发明实施例可通过预设对比算法或者人工验证的方式与对应位置图像信息作比对，找出错误并进行更正；再经过符号化处理、图面整饰、晕渲后，导出绘制的高精度语义地图，保存为指定格式(如*.csv)的文件，以满足l4级别无人驾驶的要求。

作为一种实施方式，激光雷达设备包括激光雷达、gnss模块、imu等传感器。采集数据包括gps数据、无人驾驶汽车姿态数据和激光雷达数据等。

作为一种实施方式，所述步骤2包括标定子步骤、融合子步骤及拼接子步骤。

标定子步骤：通过内业处理对gps数据、无人驾驶汽车姿态数据和激光雷达数据进行多传感器标定。

融合子步骤：通过内业处理将gps数据、无人驾驶汽车姿态数据和激光雷达数据融合到一起。

拼接子步骤：通过内业处理利用无人驾驶汽车姿态数据和激光雷达数据拼接生成地面点云数据。

作为一种实施方式，所述步骤3包括轨迹数据绘制子步骤及矢量数据绘制子步骤。

轨迹数据绘制子步骤：在所述点云数据中，根据点云强度沿道路直行方向绘制直线轨迹，沿路口转向轨迹绘制曲线轨迹。优选地，以米为间隔绘制前行的轨迹。其中，所述直线轨迹和曲线轨迹的每段轨迹均由首尾两个轨迹点和前后两段轨迹线组成。轨迹点记录了当前位置和车辆在当前位置行驶时应有的速度、朝向信息。轨迹线除了首尾轨迹点的信息外，还记录了前后轨迹线的信息，当不止一种行驶方向(如路口转弯开始)时，会记录多条相邻的轨迹线。本发明实施例自动在轨迹点中记录了轨迹点序号、车辆行驶的位置、方向等信息，在轨迹线l(id,fpid,bpid,flid,blid...)中记录了当前轨迹线的编号，首尾轨迹点的编号，相邻的轨迹线的编号等信息。

假设轨迹点集为{p0,p1,p2...pn},轨迹线集为{l0,l1,l2...ln}。

在为无人驾驶汽车规划路径时，假设起点为从所有轨迹点中选择点使最小，则pi为起点，它的序号为idi，类似地，假设终点为q,也可以找到与之对应pj作为终点。

从轨迹线集中选择线lj(idj,fpidj,bpidj,flidj,blidj...)，使得fpidj等于idi，则lj为起始线，类似地，选择lk使得flidj等于idk，则lk为第二条轨迹线，依次进行去则可以找到连续的轨迹线，直至lm使得bpidm等于pj的序号idj。上述连续的轨迹线即可作为无人驾驶汽车的规划路径用于无人驾驶汽车导航。

矢量数据绘制子步骤：在所述点云数据中，根据点云强度、颜色信息沿道路边缘、停止线、斑马线和车道线分别绘制直线。其中，直线段由首尾两个点相连而成。直线段记录了前后直线段的信息，点与点之间的间隔根据实际对象的情况来判断计算取值，没有固定的取值。本发明实施例绘制轨迹数据和矢量数据及编辑矢量数据的一些字段，快速构建一种结合了道路信息、间隔为一米的轨迹地图，为无人驾驶车辆提供精确的路线。每条直线段h(id,fpid,bpid,flid,blid...)都包含序号，首尾点序号，相邻线段序号字段，每个点n(id,x,y)都有序号和位置字段。

与轨迹线类似，连续的直线段即组成了每一个矢量对象，其附加的类别信息、属性信息可以作为语义信息对高精度地图的内容进行补充。

在无人驾驶实际落地过程中，高精度语义地图扮演着重要角色。本发明的面向无人驾驶汽车的高精度语义地图制作方法简单、实用、成本低；精细化程度高，可精细刻画各种道路要素和属性；生产效率高，自动化处理程度可达90％以上；其中的车道线识别方案具有良好的旋转和尺度不变性，可以检测多种车道线，包括白色实线、虚线、黄色单实线、双实线和虚线等。本发明主要涉及车道线、道路边缘和行驶轨迹等，车道线将路面划分为不同的功能区域，具有规范的几何特征、颜色等属性，规定了车辆的行驶方向、范围和变道规则等。

本发明实施例的高精度语义地图包含丰富的语义信息，如车道线、道路边缘和行驶轨迹等，与传统矢量地图相比，提供了车道级别的道路信息，为无人驾驶汽车的局部路径规划提供了数据基础，进而有助于保障无人驾驶汽车行驶的安全性。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同范围限定。