發(fā)明屬于智能車輛和地理信息系統(tǒng)技術領域，具體涉及一種基于信息融合的車道級電子地圖構建方法。

背景技術：

智能車輛(intelligentvehicle,iv)是一種在道路和野外環(huán)境下能夠連續(xù)、實時地自主行駛的移動機器人，也是智能交通系統(tǒng)和地面無人作戰(zhàn)系統(tǒng)研究的重要組成部分，其研究涉及控制科學、計算機科學、信息處理、傳感器技術、人工智能等諸多科學技術領域，是一個集環(huán)境感知、規(guī)劃決策、行為控制與執(zhí)行等關鍵技術與功能為一體的綜合智能系統(tǒng)，其研究成果已廣泛應用在軍事、民用、科學研究等各個領域，具有重大的研究和應用價值。

而高精度的電子地圖是面向結構化交通環(huán)境應用的智能車輛的重要組成部分，電子地圖能有效地減小智能車輛對高精度感知系統(tǒng)的依賴。在獲取到高精度的交通環(huán)境地圖后，智能車輛不再需要從感知系統(tǒng)得到的環(huán)境信息中提取可行區(qū)域，一邊探索一邊前進，而是將車輛匹配到電子地圖的路網中，并在電子地圖提供的道路中連續(xù)獲取到達目的地的路段，行駛中實時感知與避讓路段中的其他交通參與物，直至完成任務。

然而，近年來，隨著智能車輛在智能交通系統(tǒng)、輔助駕駛、智能運輸地廣泛應用，對車載的電子地圖提出了更高的要求，需要電子地圖能達到車道級的精度，現有的電子地圖已經無法滿足這些應用的要求，急需一種有效的方法來構建車道級的電子地圖。

技術實現要素：

有鑒于此，本發(fā)明提出了一種基于信息融合的車道級電子地圖構建方法，利用該方法構建的地圖可以精確定位到每一車道，為車輛的行駛提供了可靠的保證。

實現本發(fā)明的技術方案如下：

一種基于信息融合的車道級電子地圖構建方法，具體過程為：

步驟一，移動數據采集平臺實時采集全景圖像、定位數據及交通信號位置，基于逆投影變換將所述全景圖像轉換成全景俯視圖，將所述定位數據、交通信號位置與全景俯視圖進行融合；其中所述定位數據采用差分定位方式獲得；

步驟二，將融合后的全景俯視圖進行拼接，生成車道級電子地圖。

進一步地，本發(fā)明所述定位數據的獲取方式為：在已知位置平臺上架設差分基站，所述基站利用通信模塊向移動數據采集平臺傳輸實時差分信息，移動數據采集平臺根據基站位置及差分信息計算出移動數據采集平臺的精確定位數據。

進一步地，本發(fā)明所述交通信號位置采用如下方式獲得：首先移動數據采集平臺采集交通信號的圖像；其次圖像序列檢測器對圖像中可能存在交通信號的區(qū)域進行標記；最后跟蹤器剔除標記區(qū)域中的誤檢區(qū)域，得到交通信號位置。

進一步地，本發(fā)明所述步驟二進行圖像拼接的具體過程為：

步驟201，將移動數據采集平臺所經過的圖像采集區(qū)域劃分成多個同樣大小的網格；

步驟202，判斷當前幀圖像與上一幀圖像是否對應同一網格；

步驟203，若是，將當前幀圖像與上一幀圖像按照位置關系拼接在一起，否則，將上一幀圖像的拼接結果保存，并判斷當前幀圖像所對應的網格是否有保存好的圖像；

如果有，將已保存的圖像與當前幀圖像按照位置關系拼接在一起，否則，建立當前幀圖像對應網格的存儲區(qū)域，并將當前幀圖像存儲到該區(qū)域上；

步驟204，按照步驟202-203的方式處理所有融合后的全景俯視圖像，得到每一網格所對應的拼接圖像；

步驟205，將多張網格對應的拼接圖像拼接在一起，生成車道級電子地圖。

進一步地，本發(fā)明步驟202所述判斷為：利用采集每一圖像時移動數據采集采集平臺所處的位置信息，對圖像進行標識，根據所述標識進行判斷。

一種基于信息融合的車道級電子地圖構建方法，具體過程為：

步驟一，移動數據采集平臺實時采集全景圖像、定位數據、交通信號位置及道路邊界信息，基于逆投影變換將所述全景圖像轉換成全景俯視圖，將所述定位數據、交通信號位置、道路邊界信息與全景俯視圖進行融合；其中所述定位數據采用差分定位方式獲得；

步驟二，將融合后的全景俯視圖進行拼接，得到車道級電子地圖的底圖；

步驟三，根據交通規(guī)則和車道間的轉向信息生成電子地圖的拓撲關系，將所述拓撲關系與步驟二中拼接得到底圖進行融合；

步驟四，為圖像上每一車道設置對應的屬性表，生成適應無人地面車輛應用的車道級電子地圖。

進一步地，本發(fā)明所述道路邊界信息采用如下方式獲得：移動數據采集平臺采集周圍環(huán)境點云數據，通過多重特征hough變換確定道路邊界信息。

進一步地，本發(fā)明所述屬性表包括線數據集“道路”屬性、點數據集“道路節(jié)點”屬性和點數據集“交通標志”屬性；其中，

所述線數據集“道路”屬性包括車道距道路左邊界的距離、車道距道路右邊界的距離、車道的限速信息、車道的轉向信息、車道的并線屬性及車道的行駛方向；

所述點數據集“道路節(jié)點”屬性包括道路節(jié)點是否是交叉口和道路節(jié)點是否是含有交通燈的交叉口；

點數據集“交通標志”屬性包括交通標志的類型和屬性值。

有益效果

(1)本發(fā)明在進行電子地圖構建時，將采集的全景圖像轉換成全景俯視圖，同時融合了利用差分定位方式獲得準確的定位數據，因此生成電子地圖可以具體精確到車道。

(2)本發(fā)明在生成高精度的電子地圖時，提出了利用網格模式來對海量的圖像數據進行處理，有效地避免了因為數據量過大而無法處理的情況。

(3)本發(fā)明為不同的地理對象創(chuàng)建了屬性表，為智能車輛在結構化環(huán)境下的安全行駛提供了可靠的保障。

附圖說明

圖1為基于信息融合的車道級電子地圖構建方法的流程圖；

圖2為移動數據采集平臺的框架示意圖；

圖3為設計的圖像網格坐標系；

圖4為生成高精度電子地圖底圖的流程圖；

圖5為采集和處理后的全景圖像；

圖6為高精度的電子地圖底圖；

圖7為生成的車道級電子地圖。

具體實施方式

下面結合附圖并舉實例，對本發(fā)明進行詳細描述。

本發(fā)明提供一種基于信息融合的車道級電子地圖構建方法，如圖1所示，具體過程為：

步驟一，移動數據采集平臺實時采集全景圖像、定位數據及交通信號位置，基于逆投影變換將所述全景圖像轉換成全景俯視圖，將所述定位數據、交通信號位置與全景俯視圖進行融合；其中所述定位數據采用差分定位方式獲得；

步驟二，將融合后的全景俯視圖進行拼接，生成車道級電子地圖。

本發(fā)明將采集的全景圖像轉換成全景俯視圖作為電子地圖的底圖，因此所構建的電子地圖可以清晰看清每一車道；同時，采用差分定位方式來獲得與全景俯視圖進行融合的定位數據，相比于現有電子地圖的gps定位方式，本發(fā)明生成電子地圖的定位具有很高的精度。

本實施例中移動數據采集平臺實時進行數據采集的較佳方式如下：

全景圖像采集：構建高精度電子地圖需要采集全景圖像信息作為地圖底圖。在采集全景圖像之前首先需要通過標定板對移動數據采集平臺上的全景攝像頭進行標定，然后基于逆投影變換(ipm)算法獲得全景俯視圖。另外，后期處理時為了對不同的全景圖像進行拼接，需要利用采集圖像時數據采集平臺所處的位置對圖像進行標識，本實例以二維碼的形式在圖像右下角標注其位置信息。

定位數據采集：構建車道級電子地圖要求定位數據能夠區(qū)分不同車道，因此定位數據的精度至少是分米級。目前應用最為廣泛的衛(wèi)星定位導航系統(tǒng)(如，gps)單點定位精度一般在米級以上。為此，本實例采用差分定位技術，在一個已知位置平臺上架設差分基站，基站通過移動通信模塊向移動數據采集平臺傳輸實時差分信息，由此可使定位精度達到厘米級。

交通信號位置采集：交通信號包括交通燈和交通標志，本實例通過單目相機得到交通燈和交通標志的圖像之后，首先，圖像序列檢測器對圖像中可能存在交通燈和交通標志的區(qū)域進行標記，將標記后的圖像看作是目標定位的帶噪聲觀測；接著，跟蹤器利用多目標跟蹤算法中的數據關聯(lián)方法對上述帶噪聲觀測進行處理，從雜亂的觀測中提取來自目標的真實候選區(qū)域并剔除誤檢的區(qū)域，得到交通燈和交通標志的位置。

本發(fā)明移動數據采集平臺還通過激光雷達采集周圍環(huán)境點云數據，通過多重特征hough變換確定道路邊界信息，并將所述道路邊界信息與全景俯視圖進行融合。

圖2給出了移動數據采集平臺上用于采集各數據器件的示意圖。

圖3所示，對融合后的全景俯視圖進行拼接的具體過程為：

步驟201，將移動數據采集平臺所經過的圖像采集區(qū)域劃分成多個同樣大小的網格，每一網格對應確定的范圍；本實例中一個網格的大小為1620m×360m(27000像素×6000像素)，根據數據采集區(qū)域的坐標范圍選定原點坐標(x0,y0)，同時確定每一網格的序號(i,j)，如圖4所示；

步驟202，根據圖像上標識的位置信息確定當前幀圖像所對應的網格，并判斷該網格的序號是否與上一幀圖像所對應的網格的序號相同，即判斷當前幀圖像與上一幀圖像是否對應同一網格；

步驟203，如果序號相同，即對應同一網格，則將兩幅圖像按照位置關系拼接在一起，否則，將上一幀圖像的拼接結果保存，并判斷當前幀圖像所對應的網格之前是否有保存的圖像；

如果有保存好的圖像，將已保存的圖像與當前幀圖像按照位置關系拼接在一起，否則，則在內存里新建一片區(qū)域作為當前幀圖像對應網格的存儲區(qū)域，并將當前幀圖像存儲到該區(qū)域上；

步驟204，按照步驟202-203的方式處理所有融合后的全景俯視圖像，得到若干張代表不同網格的圖像；

步驟205，按照網格的序號將上述若干張代表不同網格的圖像拼接在一起，得到高精度的電子地圖的底圖。

本發(fā)明一種基于信息融合的車道級電子地圖構建方法，具體過程為：

步驟一，移動數據采集平臺實時采集全景圖像、定位數據、交通信號位置及道路邊界信息，基于逆投影變換將所述全景圖像轉換成全景俯視圖，將所述定位數據、交通信號位置、道路邊界信息與全景俯視圖進行融合；其中所述定位數據采用差分定位方式獲得；

步驟二，將融合后的全景俯視圖進行拼接；

步驟三、根據交通規(guī)則和車道間的轉向信息生成電子地圖的拓撲關系，將所述拓撲關系與步驟二中拼接得到圖像進行融合；所述拓撲關系是電子地圖的重要組成部分，它是電子地圖應用于路徑規(guī)劃和最短路徑分析的必備條件。

步驟四、根據不同地理對象的特征為圖像上每一車道設置對應的屬性表，生成以適應無人地面車輛應用的車道級電子地圖。

為不同地理對象構建屬性表的具體過程為：

首先是線數據集“道路”，其對應的屬性表1所示。

表1為線數據集“道路”屬性

其中，left_width和right_width屬性表示當前車道距離左邊界和右邊界的距離。這兩個屬性給出了無人地面車輛進行局部規(guī)劃時的左右邊界，對無人車輛的安全駕駛有著重要的指導作用，該屬性由采集到的道路邊界數據計算得到。speed_limit屬性表示當前車道的限速信息，在該限速范圍內行駛是智能駕駛的重要準則之一；同時為了車輛的行駛安全，本發(fā)明構建的電子地圖還根據對應車道的轉向信息對交叉口附近的車道進行限速(例如：直行車道限速30km/h，左轉右轉車道限速15km/h，掉頭車道限速10km/h)。change_direction屬性為當前車道的轉向信息，其中，0為直行，1為左轉，2為右轉，3為掉頭。if_crossline屬性為當前車道是否允許并線，其中，0為禁止并線，1為允許并線，在道路的某些區(qū)域(如交叉口附近)車輛是不允許并線的，因此添加該屬性對無人地面車輛按照交通規(guī)則行駛有著重要的指示作用。direction屬性表示當前車道的方向，用當前車道的方向角表示。

點數據集“道路節(jié)點”和“交通標志”對應的屬性表分別如表2和表3所示。

表2為點數據集“道路節(jié)點”的屬性

其中，“道路節(jié)點”對應的屬性主要包括if_intersection和if_trafficlight屬性，分別表示該道路節(jié)點是否是交叉口和是否是含有交通燈的交叉口。

表3為點數據集“道路標志”的屬性

其中“交通標志”對應的屬性為category和value，category屬性表示交通標志的類型(如限速，禁行等)，而value屬性表示對應交通標志的值(如限速40km/h，則該屬性值為40)。

本發(fā)明以江蘇省常熟市智能車研發(fā)中心為試驗場地構建了電子地圖來驗證本發(fā)明的有效性。

(1)首先利用移動數據采集平臺采集構建電子地圖所需要的數據。采集和處理后的全景圖像數據如附圖5所示。

(2)接著，按照步驟201-步驟205生成高精度電子地圖的底圖，得到的底圖如附圖6所示。

(3)最后，根據交通規(guī)則和車道間的轉向信息來生成電子地圖的拓撲關系，反映城市道路的通行規(guī)則根據交通規(guī)則，得到的車道級電子地圖如附圖7所示。

綜上所述，以上僅為本發(fā)明的較佳實例而已，并非用于限定本發(fā)明的保護范圍。凡在本發(fā)明的精神和原則之內，所作的任何修改、等同替換、改進等，均應包含在本發(fā)明的保護范圍之內。