综述(二)高精地图的制作过程详述

本文介绍了高精地图的制作流程,包括数据采集、数据处理、对象检测、手动验证及地图发布五个步骤。高精地图采用多传感器融合技术,通过采集车获取GPS、IMU、激光雷达和摄像机数据。此外,还探讨了地图制作所需的测绘资质。

通常我们使用的地图是采用卫星图片和GPS联合标定出来的,这种方法一般能达到米级的定位精度。高精地图要求的是厘米级精度,因此仅仅采用卫星是不够的,通常会选择使用采集车在道路上进行移动采集,然后通过线下处理把各种数据融合产生高精地图,其制作过程主要包括数据采集、数据处理、对象检测、手动验证及地图发布五个基本步骤。

数据采集:高精地图的数据采集是个多传感器融合的过程。采集车辆具有如GPS、惯性测量单元(IMU)、激光雷达和摄像机等,通过将这些数据的融合,最终生成高精度地图。

数据处理:对数据进行整理、分类以及清洗从而获得没有任何语义信息或注释的初始地图模板。

对象检测:利用机器学习的方式,来检测大部分常见的静态对象并对其进行分类,包括车道线、交通标志甚至电线杆。利用人工的方式,标注少量复杂的对象。

手动验证:这一步就是人工纠错排查,从而确保地图自动创建过程正确并及时发现问题。

地图发布:经过了上述过程的处理,就可以发布高精度地图了。

目前高精地图的制作是需要有测绘资质的,所以一般把握在图商手中和一些自动驾驶公司,分为甲级资质和乙级测绘资质,甲级资质非常少,需要挂靠到测绘单位。对于园区这种非公共区域,制图资格上是没问题的,但在公共道路上的测绘则需要相应资质。目前有包括华为、京东、高德、滴滴等在内的二十余家单位有甲级测绘资质。

 

Autoware是一个开源的自动驾驶软件平台,在高精地图制作方面,一般可以按以下步骤来进行: ### 数据采集 使用搭载了激光雷达、摄像头、IMU(惯性测量单元)等传感器的车辆进行数据采集。激光雷达用于获取高精度的三维点云数据,摄像头可采集图像信息,IMU用于记录车辆的姿态和运动信息。例如,Velodyne等品牌的激光雷达常被用于数据采集工作。 ### 数据预处理 - **点云数据处理**:对采集到的原始点云数据进行滤波,去除噪声点和离群点。可以使用统计滤波、半径滤波等方法。在Autoware中,有相应的点云处理节点和工具可以完成这些操作。 ```python # 示例代码,使用Python和ROS(Autoware基于ROS)对激光雷达点云数据进行统计滤波 import rospy from sensor_msgs.msg import PointCloud2 import sensor_msgs.point_cloud2 as pc2 import pcl def callback(data): pc = pc2.read_points(data, skip_nans=True) pcl_data = pcl.PointCloud() pcl_data.from_list(list(pc)) fil = pcl_data.make_statistical_outlier_filter() fil.set_mean_k(50) fil.set_std_dev_mul_thresh(1.0) cloud_filtered = fil.filter() # 发布滤波后的点云数据 new_data = pc2.create_cloud(data.header, data.fields, cloud_filtered) pub.publish(new_data) if __name__ == '__main__': rospy.init_node('point_cloud_filter', anonymous=True) pub = rospy.Publisher('/filtered_point_cloud', PointCloud2, queue_size=10) rospy.Subscriber('/original_point_cloud', PointCloud2, callback) rospy.spin() ``` - **图像数据处理**:对采集到的图像进行去畸变、特征提取等操作,为后续的地图构建提供准确的图像信息。 ### 地图构建 - **点云地图构建**:利用预处理后的点云数据,通过SLAM(同时定位与地图构建)算法构建点云地图。Autoware中集成了多种SLAM算法,如NDT(正态分布变换)算法等。NDT算法通过将点云数据与已有地图进行匹配,实现车辆的定位和地图的更新。 - **语义地图构建**:结合图像数据和点云数据,进行语义分割,为地图中的元素添加语义信息,如道路、车道线、交通标志等。可以使用深度学习模型,如SegNet、U-Net等进行语义分割。 ### 地图优化与校准 - **地图优化**:对构建好的地图进行全局优化,消除地图中的累积误差。可以使用图优化算法,如g2o(General Graph Optimization)库,通过构建图模型,对地图中的节点(如车辆的位姿)和边(如观测约束)进行优化。 - **地图校准**:将构建好的地图与真实世界的坐标系进行校准,确保地图的准确性和一致性。 ### 地图存储与发布 将构建好的高精地图存储为合适的格式,如Occupancy Grid、Point Cloud Library(PCL)等格式。在Autoware中,可以通过ROS的服务和话题将地图发布出去,供自动驾驶系统的其他模块使用。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值