CN111061820B - 用于存储高精度地图的方法和装置 - Google Patents
用于存储高精度地图的方法和装置 Download PDFInfo
- Publication number
- CN111061820B CN111061820B CN201811206957.6A CN201811206957A CN111061820B CN 111061820 B CN111061820 B CN 111061820B CN 201811206957 A CN201811206957 A CN 201811206957A CN 111061820 B CN111061820 B CN 111061820B
- Authority
- CN
- China
- Prior art keywords
- map
- point cloud
- road
- road model
- precision map
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 230000015654 memory Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000003936 working memory Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Navigation (AREA)
- Traffic Control Systems (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明提供了用于存储高精度地图的方法和装置。该方法可包括并且该装置可用于：获得高精度地图的道路模型；对于所述道路模型中的每一个道路区段，确定该道路区段中的每个对象的对象特征，所述对象特征包括所述对象的点云；以及将所述道路模型与所述对象特征存储在一个地图描述文件中。通过采用上述方法和装置，所获得的高精度地图具有相对较小的大小，能够容易且快速地下载。此外，可以按需选择性地使用高精度图地图中的各个对象的点云。
Description
技术领域
本发明涉及高精度地图，更具体地，涉及用于存储高精度地图的方法和装置。
背景技术
高精度地图(High Definition Map)是指高精度、精细化定义的地图，其精度需要达到分米级才能够区分各个车道。如今随着定位技术的发展，高精度的定位已经成为可能。与传统电子地图不同，高精度地图的主要服务对象是无人驾驶车，或者说是机器驾驶员。和人类驾驶员不同，机器驾驶员缺乏与生俱来的视觉识别、逻辑分析能力。比如，人可以很轻松、准确地利用图像、GPS定位自己，鉴别障碍物、人、交通信号灯等，但这对当前的机器人来说都是非常困难的任务。因此，高精度地图是当前无人驾驶车技术中必不可少的一个组成部分。高精度地图包含大量行车辅助信息，其中，最重要的是对路网精确的三维表征(厘米级精度)。比如，路面的几何结构，道路标示线的位置，周边道路环境的点云模型等。有了这些高精度的三维表征，车载机器人就可以通过比对车载GPS、激光雷达(LiDAR)或摄像头数据来精确确认自己的当前位置。
一般而言，高精度地图被划分成两层：道路模型(Road Model)和特征图(FeatureMap)。图1示出了现有技术中的高精度地图的分层结构100。如图1中所解说的，第一层110是道路模型，其包括车道信息(诸如车道线的位置、类型、宽度等)。第二层120是特征图，其包括车道及其周边环境中的各个对象的点云信息，这些点云信息可被用于与无人驾驶车辆的实时测量数据进行比较以精确地确定无人驾驶车辆的当前位置。
当前，道路模型和特征图被分开地存储在两个地图描述文件中。为了将一个地图描述文件中的道路模型中的对象与该对象在另一地图描述文件中的特征(例如，点云)相关联，需要附加地建立索引表以建立两者的对应关系。此类索引表通常占用较大的存储空间。此外，特征图包含地图中的所有对象的点云。因此，当用户仅想要特定对象的点云时，该用户不得不首先加载包含特征图的整个地图描述文件，然后从中提取该特定对象的点云。这种做法将占用较多资源并且也是不方便的。
因此，希望提供一种新的存储高精度地图的方法，以便克服以上提及的缺点。
发明内容
提供本发明内容以便以简化形式介绍将在以下具体实施方式中进一步的描述一些概念。本发明内容并非旨在标识所要求保护的主题的关键特征或必要特征，也不旨在用于帮助确定所要求保护的主题的范围。
根据本发明的一个实施例，提供了一种用于存储高精度地图的方法，该方法可包括：获得高精度地图的道路模型；对于所述道路模型中的每一个道路区段，确定该道路区段中的每个对象的对象特征，所述对象特征包括所述对象的点云；以及将所述道路模型与所述对象特征存储在一个地图描述文件中。
根据本发明的一个实施例，提供了一种用于存储高精度地图的装置，包括：获得单元，其配置成获得高精度地图的道路模型；确定单元，其配置成对于所述道路模型中的每一个道路区段，确定该道路区段中的每个对象的对象特征，所述对象特征包括所述对象的点云；以及存储单元，其配置成将所述道路模型与所述对象特征存储在一个地图描述文件中。
根据本发明的一个实施例，提供了一种用于存储高精度地图的装置，包括：存储器，所述存储器存储计算机可执行指令；以及处理器，所述处理器耦合至所述存储器并且被配置成：获得高精度地图的道路模型；对于所述道路模型中的每一个道路区段，确定该道路区段中的每个对象的对象特征，所述对象特征包括所述对象的点云；以及将所述道路模型与所述对象特征存储在一个地图描述文件中。
根据本发明的一个实施例，提供了一种存储计算机程序的非瞬态计算机可读介质，该计算机程序在由处理器执行时执行本发明的方法。
通过采用本发明公开的方法和装置，所获得的高精度地图具有相对较小的大小，能够容易且快速地下载。此外，可以按需选择性地使用高精度图地图中的各个对象的点云。
通过阅读下面的详细描述并参考相关联的附图，这些及其他特点和优点将变得显而易见。应该理解，前面的概括说明和下面的详细描述只是说明性的，不会对所要求保护的各方面形成限制。
附图说明
为了能详细地理解本发明的上述特征所用的方式，可以参照各实施例来对以上简要概述的内容进行更具体的描述，其中一些方面在附图中示出。然而应该注意，附图仅示出了本发明的某些典型方面，故不应被认为限定其范围，因为该描述可以允许有其它等同有效的方面。
图1示出了现有技术中的高精度地图的分层结构。
图2示出了根据本发明的一个实施例的地图描述文件的结构。
图3示出了根据本发明的一个实施例的利用八叉树来压缩点云的示意图。
图4示出了根据本发明的一个实施例的包围盒。
图5示出了根据本发明的一个实施例的用于存储高精度地图的方法的流程图。
图6示出了根据本发明的一个实施例的用于存储高精度地图的装置的框图。
图7示出了根据本发明的一个实施例的示例性计算设备的框图。
具体实施方式
下面结合附图详细描述本发明，本发明的特点将在以下的具体描述中得到进一步的显现。
用于无人驾驶的高精度地图包括对路网精确的三维表征(厘米级精度)。比如，路面的几何结构，道路标示线的位置，周边道路环境的点云模型等。有了这些高精度的三维表征，就可以通过将车载GPS、LiDAR(激光雷达)或摄像头的实时数据与高精度地图中的特征图进行比对来精确地确定车辆的当前位置。然而，目前的高精度地图中的道路模型和特征图分别被存储在两个不同的地图描述文件中。在这两个地图描述文件之间需要创建索引表以便建立道路模型中的对象与该对象在特征图中的点云之间的关联。此外，不能高效地获取特定对象的点云。为了克服这些缺陷，本发明致力于提供用于存储高精度地图的新颖方法。在本发明的一个实施例中，通过将道路模型与对象特征(例如，点云)存储在一个地图描述文件中，免除了对于索引表的需要并且能够方便地检索特定对象的点云。在本发明的另一个实施例中，还可以使用八叉树来压缩各个对象的点云，从而进一步节省高精度地图的存储空间。在本发明的又一个实施例中，还可以将包含各个对象的点云的包围盒存储在高精度地图中，以便提高定位速度。
图2示出了根据本发明的一个实施例的地图描述文件200的结构。如图2所示，地图描述文件200包括报头和道路模型210，该道路模型210包括多个道路区段220以及各道路区段之间的接合。对于每一个道路区段220，在地图描述文件200中定义了沿该道路区段的各个对象230，这些对象可例如包括道路标志、车道线、障碍物、桥梁、电线杆、高架结构、或者交通指示牌等。对于这些对象中的每一个对象，可以在地图描述文件200中存储该对象的对象特征。下表1示出了可在地图描述文件中存储的对象特征的示例。
表1
如表1所示，每个对象的对象特征可包括名称、标识符、类型、子类型、特征值、和/或点云，其中子类型和特征值仅适用于某些类型的对象。例如，作为示例，当对象的类型是交通指示牌时，子类型可指示该交通指示牌是圆形指示牌还是矩形指示牌，并且特征值可指示圆形指示牌的直径或者矩形指示牌的长度和宽度。
根据本发明的一个实施例，每个对象的点云可以被包含该点云的包围盒围绕。如本领域技术人员知晓的，包围盒是一种求解离散点集最优包围空间的算法，其基本思想是用体积稍大且特性简单的几何体(称为包围盒)来近似地代替复杂的几何对象。常用的形成包围盒的算法可包括轴对齐包围盒(AABB)算法、包围球算法、方向包围盒(OBB)算法、或者固定方向凸包(FDH)算法。在根据本发明的一个实施例中，包围盒定义了完全包含一个对象的点云的最小长方体。在无人驾驶领域中，点云主要用于车辆的自定位并且往往具有复杂的轮廓，通过使用最小长方体来表示点云，可以显著简化定位过程并且提高定位速度。在根据本发明的一个实施例中，可以围绕包围盒的中心点建立三维直角坐标系，并且将中心点的坐标存储在地图描述文件200中，而包含在包围盒中的点云的各个点的坐标可以相对于中心点的坐标来存储。
本领域技术人员应理解，图2中示出的地图描述文件200还包括其他信息，诸如车道模型、道路性质等。这些信息是现有技术中的地图描述文件已经包括的信息，故在此不作赘述。
在本发明的又一个实施例中，可以使用八叉树(Octree)来压缩每一个对象的点云。八叉树是一种用于描述三维空间的树状数据结构。八叉树的每个节点表示一个长方体的体积元素，每个节点有八个子节点，将八个子节点所表示的体积元素加在一起就等于父节点的体积。
图3示出了根据本发明的一个实施例的利用八叉树来压缩点云的示意图300。如图3所示，假设长方体301(例如，包围盒)包含了一个对象的全部点云。这里，将长方体301表示为节点310。长方体301可被划分成8个大小相等的长方体302。每个长方体302可被表示为第一级子节点320。如果一个长方体302包含了该对象的部分点云，则可用一标志(例如，二进制‘1’)来标记该长方体及其相应的子节点。如果一个长方体302不包含该对象的任何点云，则可用另一标志(例如，二进制‘0’)来标记该长方体及其相应的子节点。接下来，每个长方体302可被进一步划分成8个大小相等的长方体303。长方体303可被表示为第二级子节点330。如果一个长方体303包含了该对象的部分点云，则可用一标志(例如，二进制‘1’)来标记该长方体及其相应的子节点。如果一个长方体303不包含该对象的任何点云，则可用另一标志(例如，二进制‘0’)来标记该长方体及其相应的子节点。上述过程可以迭代地继续进行，以使得八叉树可被划分成多个等级，每个等级中的长方体可用二进制‘0’或‘1’来表示，从而实现以不同的精度来压缩点云。例如，等级越高，则划分的次数越多、长方体的体积越小、并且点云的精度越高。
在操作中(例如，在道路测试期间)，用户能够以特定精度来请求每个对象的点云。由此，用户可以根据需要来获得特定精度的点云，而无需下载体积庞大的全部点云。
图4示出了根据本发明的一个实施例的包围盒400。如图4所示，包围盒400可以用轴对齐包围盒(AABB)算法来生成，以使得包围盒400完全包含一个对象的点云。在包围盒400中，围绕包围盒400的中心点建立XYZ直角坐标系，其中点云中的点(即，激光点)的坐标可以相对于中心点的坐标来存储。
图5示出了根据本发明的一个实施例的用于存储高精度地图的方法500的流程图。例如，方法500可以在至少一个处理器(例如，图7的处理器704)内实现，该处理器可以位于车载计算机系统、远程服务器、或其组合中。当然，在本发明的各个方面，方法500还可以由能够执行相关操作的任何合适的装置来实现。
方法500开始于步骤510。在步骤510，方法500可包括获得高精度地图的道路模型。该道路模型可包括关于车道及其周边环境中的各个对象(例如，道路标志、车道线、障碍物、桥梁、电线杆、高架结构、或者交通指示牌等)的信息。在一个实施例中，该道路模型可以直接从由地图供应商(例如，Google、HERE等)提供的高精度地图获得。在另一个实施例中，该道路模型可以通过由地图采集车采集的信息来建立。
在步骤520，方法500可包括对于道路模型中的每一个道路区段，确定该道路区段中的每个对象的对象特征。每个对象的对象特征可包括名称、标识符、类型、子类型、特征值、和/或点云，其中子类型和特征值仅适用于某些类型的对象。在一个实施例中，这些对象特征可以直接从地图供应商提供的高精度地图中获得。替换地，在另一个实施例中，这些对象特征可以通过由地图采集车采集的信息来确定。例如，安装在地图采集车上的LiDAR(激光雷达)可获得每个对象的点云，并且通过对点云的分析可确定该对象的类型、子类型、和/或特征值。
在步骤530，方法500可包括将道路模型与所确定的对象特征存储在一个地图描述文件中。由此，免除了对于索引表的需要并且能够方便地检索特定对象的点云。
在一个实施例中，方法500还可任选地包括使用八叉树来压缩每个对象的点云。该八叉树可被划分成多个等级，每个等级表示点云信息的不同精度。
在一个实施例中，方法500还可任选地包括用包围盒来包围每个对象的点云。例如，包围盒可使用轴对齐包围盒(AABB)算法、包围球算法、方向包围盒(OBB)算法、或者固定方向凸包(FDH)算法来生成，并且包围盒的中心点的坐标和/或包围盒的边界线的坐标可被存储在地图描述文件中。
图6示出了根据本发明的一个实施例的用于存储高精度地图的装置600的框图。装置600的所有功能块(包括在装置600中的各个单元)可通过硬件、软件、硬件和软件的组合来实现。本领域技术人员应当理解，图6中描述的功能块可被组合成单个功能块或者划分成多个子功能块。
装置600可包括获得单元610，该获得单元610被配置成获得高精度地图的道路模型。装置600可进一步包括确定单元620，该确定单元620被配置成对于道路模型中的每一个道路区段，确定该道路区段中的每个对象的对象特征。装置600还可包括存储单元630，该存储单元630被配置成将道路模型与所确定的对象特征存储在一个地图描述文件中。
图7示出了根据本发明的一个实施例的示例性计算设备700的框图，该计算设备是可应用于本发明的各方面的硬件设备的一个示例。
参考图7，现在将描述一种计算设备700，该计算设备是可应用于本发明的各方面的硬件设备的一个示例。计算设备700可以是可被配置成用于实现处理和/或计算的任何机器，可以是但并不局限于工作站、服务器、桌面型计算机、膝上型计算机、平板计算机、个人数字处理、智能手机、车载计算机或者它们的任何组合。前述的各种方法/装置/服务器/客户端设备可全部或者至少部分地由计算设备700或者类似设备或系统来实现。
计算设备700可包括可经由一个或多个接口和总线702连接或通信的组件。例如，计算设备700可包括总线702、一个或多个处理器704、一个或多个输入设备706以及一个或多个输出设备708。该一个或多个处理器704可以是任何类型的处理器并且可包括但不限于一个或多个通用处理器和/或一个或多个专用处理器(例如，专门的处理芯片)。输入设备706可以是任何类型的能够向计算设备输入信息的设备并且可以包括但不限于鼠标、键盘、触摸屏、麦克风和/或远程控制器。输出设备708可以是任何类型的能够呈现信息的设备并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。计算设备700也可以包括非瞬态存储设备710或者与所述非瞬态存储设备相连接，所述非瞬态存储设备可以是非瞬态的并且能够实现数据存储的任何存储设备，并且所述非瞬态存储设备可以包括但不限于磁盘驱动器、光存储设备、固态存储器、软盘、软磁盘、硬盘、磁带或任何其它磁介质、光盘或任何其它光介质、ROM(只读存储器)、RAM(随机存取存储器)、高速缓冲存储器和/或任何存储芯片或盒式磁带、和/或计算机可从其读取数据、指令和/或代码的任何其它介质。非瞬态存储设备710可从接口分离。非瞬态存储设备710可具有用于实施上述方法和步骤的数据/指令/代码。计算设备700也可包括通信设备712。通信设备712可以是任何类型的能够实现与内部装置通信和/或与网络通信的设备或系统并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信设备和/或芯片组，例如蓝牙设备、IEEE 1302.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似设备。
当计算设备700被用作车载设备时，它也可以与外部设备(例如，GPS接收机、用于感测不同环境数据的传感器(诸如加速度传感器、车轮速度传感器、陀螺仪等))连接。以这种方式，计算设备700例如可接收定位数据和表明车辆形式状况的传感器数据。当计算设备700被用作车载设备时，它也可以与用于控制车辆的行驶和操作的其它设备(例如，发动机系统、雨刮器、防抱死制动系统等)连接。
此外，非瞬态存储设备710可以具有地图信息和软件组件，从而处理器704可实现路线引导处理。此外，输出设备706可以包括用于显示地图、显示车辆的定位标记以及显示表明车辆行驶状况的图像的显示器。输出设备706也可以包括扬声器或耳机接口以用于音频引导。
总线702可以包括但不限于工业标准结构(ISA)总线、微通道结构(MCA)总线、增强型ISA(EISA)总线、视频电子标准协会(VESA)局部总线和外部设备互连(PCI)总线。特别地，对于车载设备，总线602也可包括控制器局域网(CAN)总线或者为汽车上的应用所设计的其它结构。
计算设备700还可包括工作存储器714，该工作存储器714可以是任何类型的能够存储有利于处理器704的工作的指令和/或数据的工作存储器并且可以包括但不限于随机存取存储器和/或只读存储设备。
软件组件可位于工作存储器714中，这些软件组件包括但不限于操作系统716、一个或多个应用程序718、驱动程序和/或其它数据和代码。用于实现上述方法和步骤的指令可包含在所述一个或多个应用程序718中，并且前述各种装置/服务器/客户端设备的模块/单元/组件可通过处理器704读取和执行所述一个或多个应用程序718的指令来实现。
也应该认识到可根据具体需求而做出变化。例如，也可使用定制硬件、和/或特定组件可在硬件、软件、固件、中间件、微代码、硬件描述语音或其任何组合中实现。此外，可采用与其它计算设备、例如网络输入/输出设备等的连接。例如，可通过具有汇编语言或硬件编程语言(例如，VERILOG、VHDL、C++)的编程硬件(例如，包括现场可编程门阵列(FPGA)和/或可编程逻辑阵列(PLA)的可编程逻辑电路)利用根据本发明的逻辑和算法来实现所公开的方法和设备的部分或全部。
尽管目前为止已经参考附图描述了本发明的各方面，但是上述方法、系统和设备仅是示例，并且本发明的范围不限于这些方面，而是仅由所附权利要求及其等同物来限定。各种组件可被省略或者也可被等同组件替代。另外，也可以在与本发明中描述的顺序不同的顺序实现所述步骤。此外，可以按各种方式组合各种组件。也重要的是，随着技术的发展，所描述的组件中的许多组件可被之后出现的等同组件所替代。
Claims (10)
1.一种用于存储高精度地图的方法，包括：
获得高精度地图的道路模型；
对于所述道路模型中的每一个道路区段，确定该道路区段中的每个对象的对象特征，所述对象特征包括所述对象的点云；以及
将所述道路模型与所述对象特征存储在一个地图描述文件中。
2.如权利要求1所述的方法，其特征在于，所述对象特征还包括所述对象的名称、标识符、类型、子类型、和/或特征值。
3.如权利要求1所述的方法，其特征在于，所述点云被包含所述点云的包围盒围绕。
4.如权利要求3所述的方法，其特征在于，所述包围盒是使用轴对齐包围盒(AABB)算法、包围球算法、方向包围盒(OBB)算法、或者固定方向凸包(FDH)算法来生成的。
5.如权利要求4所述的方法，其特征在于，所述包围盒的中心点的坐标被存储在所述地图描述文件中。
6.如权利要求1所述的方法，其特征在于，进一步包括：
使用八叉树来压缩所述点云。
7.如权利要求6所述的方法，其特征在于，所述八叉树被划分成多个等级，每个等级表示点云信息的不同精度。
8.一种用于存储高精度地图的装置，包括：
获得单元，其配置成获得高精度地图的道路模型；
确定单元，其配置成对于所述道路模型中的每一个道路区段，确定该道路区段中的每个对象的对象特征，所述对象特征包括所述对象的点云；以及
存储单元，其配置成将所述道路模型与所述对象特征存储在一个地图描述文件中。
9.一种用于存储高精度地图的装置，包括：
存储器，所述存储器存储计算机可执行指令；以及
处理器，所述处理器耦合至所述存储器并且被配置成：
获得高精度地图的道路模型；
对于所述道路模型中的每一个道路区段，确定该道路区段中的每个对象的对象特征，所述对象特征包括所述对象的点云；以及
将所述道路模型与所述对象特征存储在一个地图描述文件中。
10.一种非瞬态计算机可读介质，所述非瞬态计算机可读介质存储计算机程序，所述计算机程序在由处理器执行时执行权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811206957.6A CN111061820B (zh) | 2018-10-17 | 2018-10-17 | 用于存储高精度地图的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811206957.6A CN111061820B (zh) | 2018-10-17 | 2018-10-17 | 用于存储高精度地图的方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111061820A CN111061820A (zh) | 2020-04-24 |
| CN111061820B true CN111061820B (zh) | 2025-01-07 |
Family
ID=70296792
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811206957.6A Active CN111061820B (zh) | 2018-10-17 | 2018-10-17 | 用于存储高精度地图的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111061820B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106776996A (zh) * | 2016-12-02 | 2017-05-31 | 百度在线网络技术（北京）有限公司 | 用于测试高精度地图的准确性的方法和装置 |
| CN106874409A (zh) * | 2017-01-19 | 2017-06-20 | 苏州中科图新网络科技有限公司 | 点云数据的存储方法及装置 |
| CN108268516A (zh) * | 2016-12-30 | 2018-07-10 | 乐视汽车（北京）有限公司 | 基于八叉树的云端地图地图更新方法及设备 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN100489872C (zh) * | 2004-08-30 | 2009-05-20 | 英业达股份有限公司 | 一种网络装载游戏数据的系统及其方法 |
| KR20130068249A (ko) * | 2011-12-15 | 2013-06-26 | 한국전자통신연구원 | 이동체의 위치 추정 장치 및 방법 |
| CN104535070B (zh) * | 2014-12-26 | 2017-11-14 | 上海交通大学 | 高精细地图数据结构、采集和处理系统及方法 |
| KR102146398B1 (ko) * | 2015-07-14 | 2020-08-20 | 삼성전자주식회사 | 3차원 컨텐츠 생성 장치 및 그 3차원 컨텐츠 생성 방법 |
| CN105260988B (zh) * | 2015-09-09 | 2019-04-05 | 百度在线网络技术（北京）有限公司 | 一种高精地图数据的处理方法和装置 |
| CN107918753B (zh) * | 2016-10-10 | 2019-02-22 | 腾讯科技（深圳）有限公司 | 点云数据处理方法及装置 |
| CN108268514A (zh) * | 2016-12-30 | 2018-07-10 | 乐视汽车（北京）有限公司 | 基于八叉树的云端地图地图更新设备 |
| CA2993575C (en) * | 2017-02-03 | 2024-06-18 | Richard Pollock | Active driving map for self-driving road vehicle |
-
2018
- 2018-10-17 CN CN201811206957.6A patent/CN111061820B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106776996A (zh) * | 2016-12-02 | 2017-05-31 | 百度在线网络技术（北京）有限公司 | 用于测试高精度地图的准确性的方法和装置 |
| CN108268516A (zh) * | 2016-12-30 | 2018-07-10 | 乐视汽车（北京）有限公司 | 基于八叉树的云端地图地图更新方法及设备 |
| CN106874409A (zh) * | 2017-01-19 | 2017-06-20 | 苏州中科图新网络科技有限公司 | 点云数据的存储方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111061820A (zh) | 2020-04-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102145109B1 (ko) | 지도 생성 및 운동 객체 위치 결정 방법 및 장치 | |
| US10643103B2 (en) | Method and apparatus for representing a map element and method and apparatus for locating a vehicle/robot | |
| CN110226186B (zh) | 表示地图元素的方法和装置以及定位的方法和装置 | |
| EP3644013B1 (en) | Method, apparatus, and system for location correction based on feature point correspondence | |
| JP6944970B2 (ja) | 位置更新方法、位置及びナビゲーション経路の表示方法、車両並びにシステム | |
| KR20210042275A (ko) | 스몰 타깃 검출 방법 및 장치 | |
| US11170485B2 (en) | Method, apparatus, and system for automatic quality assessment of cross view feature correspondences using bundle adjustment techniques | |
| EP3786584B1 (en) | Method, apparatus, and system for selecting sensor systems for map feature accuracy and reliability specifications | |
| JP2018084573A (ja) | 頑健で効率的な車両測位用のアルゴリズム及びインフラ | |
| US11024054B2 (en) | Method, apparatus, and system for estimating the quality of camera pose data using ground control points of known quality | |
| CN114459471B (zh) | 定位信息确定方法、装置、电子设备及存储介质 | |
| US11055862B2 (en) | Method, apparatus, and system for generating feature correspondence between image views | |
| US10949707B2 (en) | Method, apparatus, and system for generating feature correspondence from camera geometry | |
| CN112859109A (zh) | 无人机全景图像处理方法、装置及电子设备 | |
| CN110770540B (zh) | 用于构建环境模型的方法和装置 | |
| CN110720025B (zh) | 移动物体的地图的选择方法、装置、系统和车辆/机器人 | |
| CN115345944A (zh) | 外参标定参数确定方法、装置、计算机设备和存储介质 | |
| CN111061820B (zh) | 用于存储高精度地图的方法和装置 | |
| CN112400122B (zh) | 定位目标对象的系统和方法 | |
| US12450919B2 (en) | Method, apparatus, and system for providing machine learning-based registration of imagery with different perspectives | |
| JP2022544348A (ja) | 対象を識別する方法とシステム | |
| CN111060114A (zh) | 用于生成高精度地图的特征图的方法和装置 | |
| CN114743395A (zh) | 一种信号灯检测方法、装置、设备及介质 | |
| CN115752427A (zh) | 基于属地与属性的车端地图更新方法及设备 | |
| CN114764431A (zh) | 高精地图的生成方法、装置、设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |