融合位置信息的智能驾驶高精地图三维重建.pdfVIP

计算机信息技术ComputerInformationTechnology

融合位置信息的智能驾驶高精地图三维重建

■文/马威

摘要：高精地图三维重建过程中涉及大量点云计算，为解决高精地图三维重建效率低下问题，本

文提出一种新型高精地图三维重建方法，即将车辆位置信息融入智能驾驶高清地图三维重建计算中。

在确定应用模型及算法后，借助车辆位置信息提取主干道路点云，将提取的点云应用在智能驾驶高

精地图三维重建点云配准中，可大幅减少点云计算数量。研究结果证实，基于融合位置信息的智能

驾驶高精地图三维重建算法可以有效提升三维重建计算效率。

关键词：智能驾驶；三维重建；位置信息；道路结构

1引言（2）基于所提取的道路主干部分点云分割提取元素点

高精地图在车辆地位、感知、决策、行驶路径方面具有云，减少配准点云计算量。

至关重要作用，是智能驾驶领域的重要组成部分。制作高精（3）针对最终提取的元素点云加以配准，获得变换矩

地图往往需要借助多种道路点云数据，在道路数据提取前需阵，完成原始点云数据转换，构建高精地图三维结构。

要借助激光点云开展三维重建处理，而三维重建的关键在于2.2智能驾驶高精地图三维重建方案

如何实现点云数据配准。传统三维重建算法过程中并未充分2.2.1利用位置信息提取道路主干点云

考虑高清地图三维重建过程中点云计算量大、初始值不稳定利用位置信息提取道路主干点云需要通过3个步骤，即

等因素，最终导致三维重建效率低下等问题。基于此，本文拟合智能驾驶车辆行车曲线、曲线平移、提取点云。

尝试提出一种融合车辆位置信息的高精地图三维重建算法，（1）拟合智能驾驶车辆行车曲线

以期提升智能驾驶高精地图三维重建效率。凭借位置采集设备获取准确的车辆行驶及定位数据，

2融合位置信息的智能驾驶高精地图三维重建设定每一个定位点为P（Pose），每一个P点均包含一个二

2.1确定应用模型和算法维坐标信息，利用x，y表示。将采集的第一个P点设为远

遵循现实道路结构，在高精地图三维重建应用模型构建点，坐标轴x轴正方向即为车辆行驶方向，垂直于x轴方

中将道路结构分为两部分，即主干道路、非主干道路。在道向且位于车辆左侧方向设定为y轴，完成二维坐标系构建。

路主干部分中，红绿灯等交通表示、路灯等存在显著结构特P点x轴坐标点位是车辆沿x轴正方向行驶且距原P点距离，

征，属于一类分布稀疏的点云。非道路主干部分不存在显著y轴坐标点位是相较于原P点的左右偏移距离。采集到的P

结构特征，基本不包括智能驾驶所需元素点云。换言之，非点应用P1、P2……Pn表示，所有P点均位于智能驾驶车辆

道路主干部分中高层建筑、基础设施等均属于多余数据，在行车轨迹path上。

高精地图三维重建计算过程中会增加大量计算步骤。智能驾驶车辆若处于正常形式状态，行车轨迹则与道

基于该应用模型，本研究在高精地图三维重建过程中重路边缘完全吻合，同时与道路弯曲程度保持一致。为此，

点提取道路主干部分点云，减少点云计算数量，具体算法流可将道路边缘曲线作为智能驾驶车辆行车曲线。

程为。为计算驾驶车辆行车曲线，借助最小二乘法针对P点集

（1）结合地理位置信息拟定智能驾驶车辆行驶曲线，展开曲线拟合处理。设定函数y=f（x）在x坐标对应点位（x1、

应用该曲线对点云进行细分，分为保留区、剔除区，其中保x2……xn)的函数值为y1