本技術(shù)涉及智能駕駛，尤其涉及一種地圖構(gòu)建方法、裝置、電子設(shè)備及車(chē)輛。

背景技術(shù)：

1、目前，智能駕駛技術(shù)廣泛應(yīng)用在各種車(chē)輛上。在智能駕駛技術(shù)中，高精地圖的構(gòu)建技術(shù)直接關(guān)系到自動(dòng)駕駛系統(tǒng)的安全性、準(zhǔn)確性與實(shí)時(shí)性。

2、傳統(tǒng)的高精地圖構(gòu)建方法主要是以高精度激光雷達(dá)為主要數(shù)據(jù)采集手段，通過(guò)高精度激光雷達(dá)獲取的點(diǎn)云數(shù)據(jù)需經(jīng)復(fù)雜的計(jì)算機(jī)處理步驟，包括點(diǎn)云去噪、特征提取、物體識(shí)別和分類等步驟把物體信息提取出來(lái)，才能初步形成環(huán)境的三維模型。為確保地圖的精確度，往往還需要大量人工參與進(jìn)行精細(xì)標(biāo)注與校驗(yàn)。傳統(tǒng)的高精地圖構(gòu)建方法依賴于昂貴的高精度傳感器，需要大量的人工參與和離線處理，導(dǎo)致建圖效率低下且成本高昂，難以滿足智能駕駛技術(shù)中對(duì)地圖實(shí)時(shí)更新的迫切需求。

技術(shù)實(shí)現(xiàn)思路

1、有鑒于此，本技術(shù)提供一種地圖構(gòu)建方法、裝置、電子設(shè)備及車(chē)輛，以解決傳統(tǒng)的高精地圖構(gòu)建方法依賴于昂貴的高精度傳感器，需要大量的人工參與和離線處理，導(dǎo)致建圖效率低下且成本高昂，難以滿足智能駕駛技術(shù)中對(duì)地圖實(shí)時(shí)更新的迫切需求的技術(shù)問(wèn)題。

2、第一方面，本技術(shù)實(shí)施例提供一種地圖構(gòu)建方法，包括：

3、利用融合定位算法融合獲取車(chē)輛的多組定位與運(yùn)動(dòng)數(shù)據(jù)，得到車(chē)輛在世界坐標(biāo)系下的車(chē)輛位姿；

4、利用深度學(xué)習(xí)模型基于采集的圖像，獲取目標(biāo)對(duì)象的目標(biāo)信息，其中所述目標(biāo)信息包括所述目標(biāo)對(duì)象的預(yù)設(shè)特征點(diǎn)在車(chē)輛坐標(biāo)系的坐標(biāo)；

5、根據(jù)所述車(chē)輛位姿和所述目標(biāo)信息，獲取所述目標(biāo)對(duì)象在所述世界坐標(biāo)系下的目標(biāo)位姿及所述目標(biāo)對(duì)象的尺寸參數(shù)，并將所述目標(biāo)位姿和所述尺寸參數(shù)作為所述目標(biāo)對(duì)象的觀測(cè)信息；

6、基于所述觀測(cè)信息對(duì)所述目標(biāo)對(duì)象的狀態(tài)信息進(jìn)行濾波更新后得到的所述目標(biāo)對(duì)象更新后的狀態(tài)信息，構(gòu)建地圖。

7、上述實(shí)施例提供的地圖構(gòu)建方法，首先利用融合定位算法融合獲取車(chē)輛的多組定位與運(yùn)動(dòng)數(shù)據(jù)，得到車(chē)輛在世界坐標(biāo)系下的車(chē)輛位姿；進(jìn)一步利用深度學(xué)習(xí)模型基于采集的圖像，獲取目標(biāo)對(duì)象的目標(biāo)信息，其中目標(biāo)信息包括目標(biāo)對(duì)象的預(yù)設(shè)特征點(diǎn)在車(chē)輛坐標(biāo)系的坐標(biāo)；進(jìn)一步根據(jù)車(chē)輛位姿和目標(biāo)信息，獲取目標(biāo)對(duì)象在世界坐標(biāo)系下的目標(biāo)位姿及目標(biāo)對(duì)象的尺寸參數(shù)，并將目標(biāo)位姿和尺寸參數(shù)作為目標(biāo)對(duì)象的觀測(cè)信息；最后基于觀測(cè)信息對(duì)目標(biāo)對(duì)象的狀態(tài)信息進(jìn)行濾波更新后得到的目標(biāo)對(duì)象更新后的狀態(tài)信息，構(gòu)建地圖?；诖?，本技術(shù)通過(guò)對(duì)gnss、imu及慣性測(cè)量單元采集的多組定位與運(yùn)動(dòng)數(shù)據(jù)進(jìn)行融合，可以獲取更加精確有效的車(chē)輛位姿，無(wú)需使用高精度的傳感器，降低了高昂的硬件成本；根據(jù)車(chē)輛位姿和目標(biāo)信息獲取目標(biāo)對(duì)象的觀測(cè)信息，無(wú)需人工參與標(biāo)注，減少了人為因素的影響，提高了建圖效率和建圖精度，降低了人力成本；基于目標(biāo)對(duì)象更新后的狀態(tài)信息構(gòu)建地圖，實(shí)現(xiàn)了在車(chē)輛端實(shí)時(shí)建圖，進(jìn)一步提高了建圖實(shí)時(shí)性和建圖精度。

8、在本技術(shù)的一些實(shí)施例中，所述車(chē)輛位姿包括所述車(chē)輛在所述世界坐標(biāo)系下的坐標(biāo)，所述根據(jù)所述車(chē)輛位姿和所述目標(biāo)信息，獲取所述目標(biāo)對(duì)象在所述世界坐標(biāo)系下的目標(biāo)位姿及所述目標(biāo)對(duì)象的尺寸參數(shù)包括：

9、基于所述預(yù)設(shè)特征點(diǎn)在所述車(chē)輛坐標(biāo)系下的坐標(biāo)構(gòu)建所述目標(biāo)對(duì)象對(duì)應(yīng)的所述目標(biāo)坐標(biāo)系，得到所述預(yù)設(shè)特征點(diǎn)在所述目標(biāo)坐標(biāo)系下的坐標(biāo)；

10、根據(jù)所述車(chē)輛位姿、所述預(yù)設(shè)特征點(diǎn)在所述車(chē)輛坐標(biāo)系下的坐標(biāo)及所述預(yù)設(shè)特征點(diǎn)在所述目標(biāo)坐標(biāo)系下的坐標(biāo)，計(jì)算所述目標(biāo)坐標(biāo)系與所述世界坐標(biāo)系之間的目標(biāo)位姿轉(zhuǎn)換關(guān)系；

11、利用所述目標(biāo)位姿轉(zhuǎn)換關(guān)系，將所述目標(biāo)對(duì)象在所述目標(biāo)坐標(biāo)系下的坐標(biāo)轉(zhuǎn)換至在所述世界坐標(biāo)系的坐標(biāo)，得到所述目標(biāo)位姿；

12、根據(jù)所述預(yù)設(shè)特征點(diǎn)在所述目標(biāo)坐標(biāo)系下的坐標(biāo)，計(jì)算所述目標(biāo)對(duì)象的所述尺寸參數(shù)。

13、在本技術(shù)的一些實(shí)施例中，所述根據(jù)所述車(chē)輛位姿、所述預(yù)設(shè)特征點(diǎn)在所述車(chē)輛坐標(biāo)系下的坐標(biāo)及所述預(yù)設(shè)特征點(diǎn)在所述目標(biāo)坐標(biāo)系下的坐標(biāo)，計(jì)算所述目標(biāo)坐標(biāo)系與所述世界坐標(biāo)系之間的目標(biāo)位姿轉(zhuǎn)換關(guān)系包括：

14、根據(jù)所述車(chē)輛位姿確定所述車(chē)輛坐標(biāo)系與所述世界坐標(biāo)系之間的第一位姿轉(zhuǎn)換關(guān)系；

15、根據(jù)所述預(yù)設(shè)特征點(diǎn)在所述目標(biāo)坐標(biāo)系下的坐標(biāo)和所述預(yù)設(shè)特征點(diǎn)在所述車(chē)輛坐標(biāo)系下的坐標(biāo)，計(jì)算所述目標(biāo)坐標(biāo)系與所述車(chē)輛坐標(biāo)系之間的第二位姿轉(zhuǎn)換關(guān)系；

16、根據(jù)所述第一位姿轉(zhuǎn)換關(guān)系和所述第二位姿轉(zhuǎn)換關(guān)系，計(jì)算所述目標(biāo)坐標(biāo)系與所述世界坐標(biāo)系之間的所述目標(biāo)位姿轉(zhuǎn)換關(guān)系。

17、在本技術(shù)的一些實(shí)施例中，所述預(yù)設(shè)特征點(diǎn)包括多個(gè)輪廓點(diǎn)，所述根據(jù)所述預(yù)設(shè)特征點(diǎn)在所述目標(biāo)坐標(biāo)系下的坐標(biāo)，計(jì)算所述目標(biāo)對(duì)象的所述尺寸參數(shù)包括：

18、根據(jù)所述多個(gè)輪廓點(diǎn)在所述目標(biāo)坐標(biāo)系下的第一維度的坐標(biāo)，確定第一參數(shù)，所述第一參數(shù)包括所述多個(gè)輪廓點(diǎn)的所述第一維度的坐標(biāo)之間的最大差值的絕對(duì)值；

19、根據(jù)所述多個(gè)輪廓點(diǎn)在所述目標(biāo)坐標(biāo)系下的第二維度的坐標(biāo)，確定第二參數(shù)，所述第二參數(shù)包括所述多個(gè)輪廓點(diǎn)的所述第二維度的坐標(biāo)之間的最大差值的絕對(duì)值；

20、根據(jù)所述第一參數(shù)與所述第二參數(shù)，確定所述尺寸參數(shù)。

21、在本技術(shù)的一些實(shí)施例中，所述地圖構(gòu)建方法還包括：

22、基于所述目標(biāo)位姿轉(zhuǎn)換關(guān)系與所述尺寸參數(shù)，構(gòu)建卡爾曼濾波器的狀態(tài)向量，并確定觀測(cè)向量；

23、根據(jù)第k-1時(shí)刻的狀態(tài)向量，預(yù)測(cè)第k時(shí)刻的狀態(tài)向量，k為大于1的正整數(shù)；

24、根據(jù)第k-1時(shí)刻的預(yù)測(cè)誤差協(xié)方差矩陣，預(yù)測(cè)第k時(shí)刻的誤差協(xié)方差矩陣；

25、根據(jù)第k時(shí)刻的所述誤差協(xié)方差矩陣與觀測(cè)噪聲協(xié)方差矩陣，確定第k時(shí)刻的卡爾曼濾波增益；

26、根據(jù)第k時(shí)刻的所述狀態(tài)向量、所述卡爾曼濾波增益及所述觀測(cè)向量，確定第k時(shí)刻更新后的狀態(tài)向量，并根據(jù)所述更新后的狀態(tài)向量得到所述目標(biāo)對(duì)象更新后的狀態(tài)信息。

27、在本技術(shù)的一些實(shí)施例中，所述地圖構(gòu)建方法還包括：

28、根據(jù)所述融合定位算法的定位置信度、所述深度學(xué)習(xí)模型的檢測(cè)置信度及檢測(cè)距離確定所述觀測(cè)噪聲協(xié)方差矩陣。

29、在本技術(shù)的一些實(shí)施例中，所述地圖構(gòu)建方法還包括：

30、根據(jù)所述目標(biāo)對(duì)象的預(yù)設(shè)特征點(diǎn)在所述車(chē)輛坐標(biāo)系下的坐標(biāo)判斷所述目標(biāo)對(duì)象是否位于所述車(chē)輛的后方；

31、當(dāng)所述目標(biāo)對(duì)象位于所述車(chē)輛的后方時(shí)，停止對(duì)所述目標(biāo)對(duì)象的狀態(tài)信息進(jìn)行濾波更新，并輸出所述目標(biāo)對(duì)象更新后的狀態(tài)信息。

32、第二方面，本技術(shù)實(shí)施例還提供一種地圖構(gòu)建裝置，包括：融合定位模塊，用于利用融合定位算法融合獲取車(chē)輛的多組定位與運(yùn)動(dòng)數(shù)據(jù)，得到車(chē)輛在世界坐標(biāo)系下的車(chē)輛位姿；深度學(xué)習(xí)模塊，用于利用深度學(xué)習(xí)模型基于采集的圖像，獲取目標(biāo)對(duì)象的目標(biāo)信息，其中所述目標(biāo)信息包括所述目標(biāo)對(duì)象的預(yù)設(shè)特征點(diǎn)在車(chē)輛坐標(biāo)系的坐標(biāo)；信息獲取模塊，用于根據(jù)所述車(chē)輛位姿和所述目標(biāo)信息，獲取所述目標(biāo)對(duì)象在所述世界坐標(biāo)系下的目標(biāo)位姿及所述目標(biāo)對(duì)象的尺寸參數(shù)，并將所述目標(biāo)位姿和所述尺寸參數(shù)作為所述目標(biāo)對(duì)象的觀測(cè)信息；地圖構(gòu)建模塊，用于基于所述觀測(cè)信息對(duì)所述目標(biāo)對(duì)象的狀態(tài)信息進(jìn)行濾波更新后得到的所述目標(biāo)對(duì)象更新后的狀態(tài)信息，構(gòu)建地圖。

33、第三方面，本技術(shù)實(shí)施例還提供一種電子設(shè)備，所述電子設(shè)備包括：存儲(chǔ)器，存儲(chǔ)有計(jì)算機(jī)可讀指令；及處理器，執(zhí)行所述存儲(chǔ)器中存儲(chǔ)的所述計(jì)算機(jī)可讀指令以實(shí)現(xiàn)如上述實(shí)施例所述的地圖構(gòu)建方法。

34、第四方面，本技術(shù)實(shí)施例還提供一種車(chē)輛，所述車(chē)輛包括如上述實(shí)施例所述的電子設(shè)備。

35、可以理解地，上述提供的第二方面的地圖構(gòu)建裝置，第三方面的電子設(shè)備以及第四方面的車(chē)輛，均與上述第一方面的地圖構(gòu)建方法對(duì)應(yīng)，因此，其所能達(dá)到的有益效果可參考上文所提供的對(duì)應(yīng)的地圖構(gòu)建方法中的有益效果，此處不再贅述。