【技术实现步骤摘要】
一种基于车路协同感知系统的语义地图构建方法
[0001]本申请涉及智能驾驶
，具体涉及无人驾驶车路协同感知技术，尤其涉及一种基于车路协同感知系统的语义地图构建方法。
技术介绍
[0002]车辆数据的获取与信息处理是实现无人驾驶汽车自主行驶的关键技术之一。单车智能自动驾驶容易受到遮挡、恶劣天气等环境条件影响，在全量目标检测、轨迹预测、驾驶意图“博弈”等方面存在困难。而车路协同自动驾驶通过信息交互协同、协同感知与协同决策控制，可以极大地拓展单车的感知范围、提升感知的能力，引入高维数据为代表的新的智能要素，实现群体智能。可以从本质上解决单车智能自动驾驶遇到的技术瓶颈，提升自动驾驶能力。
[0003]目前，各国都将车路协同系统发展作为了当前的研究热点。美国车路协同系统(vehicle infrastructure integration，VII)是由美国联邦公路局，AASH—TO、各州运输部、汽车工业联盟、ITS American等组成的特殊联合机构，通过信息与通信技术实现汽车与道路设施的集成。日本的Smartway计...
【技术保护点】
【技术特征摘要】
1.一种基于车路协同感知系统的语义地图构建方法，其特征在于，包括：S1：路侧感知设备基于图像与点云实例匹配算法对交通参与者进行实时检测，得到路端交通参与者数据，并获取道路线边界信息；S2：将所述路端交通参与者数据转化为结构化数据集T1(m)后发送至车端；其中，m表示路端交通参与者的总数；S3：车端的激光雷达对点云数据进行采集，通过RangeNet++网络对点云进行实时语义分割；S4：对语义分割后的点云进行后处理操作，将经后处理操作的点云转化为深度图，得到车端交通参与者数据并将其转化为结构化数据集T2(n)；其中，n表示车端交通参与者的总数；S5：车端对结构化数据集T1(m)和结构化数据集T2(n)进行数据集成和数据匹配融合，得到全量交通参与者数据；S6：通过LeGO
‑
LOAM算法对语义分割后的点云建图，得到点云地图，然后将全量交通参与者数据在点云地图中进行可视化，得到全局点云语义地图。2.如权利要求1所述的语义地图构建方法，其特征在于，所述步骤S1中，所述图像与点云实例匹配算法包括：先基于YOLACT算法对图像进行实例分割，对点云透视投影，随后对实例分割后的图像和透视投影后的点云进行实例匹配、目标点云聚类和三维模型拟合，融合检测结构，生成包围框，得到路端交通参与者数据。3.如权利要求1所述的语义地图构建方法，其特征在于，所述步骤S2中，所述结构化数据集T1(m)＝(t11,t12,...,t1
m
)，其中,t1
m
表示第m个路端交通参与者数据，t1
m
的参数表示为(x1
m
,y1
m
,z1
m
)表示第m个路端交通参与者的中心点坐标；l1
m
、ω1
m
、h1
m
分别表示第m个路端交通参与者包围框的长、宽、高；表示第m个路端交通参与者的方向夹角；c1
m
表示路端第m个检测目标的类别。4.如权利要求1所述的语义地图构建方法，其特征在于，所述步骤S4中，所述对语义分割后的点云进行后处理操作包括：对点云缺失数据进行补偿，并对地面点进行移除，然后将点云转化为深度图，对点云进行聚类和三维模型拟合，最后得到车端交通参与者数据，将车端交通参与者数据转化为结构化数据集T2(n)；其中，T2(n)＝(t21,t22,...,t2
n
)，其中,t2
n
表示第n个车端交通参与者数据，t2
n
的参数表示为(x2
n
,y2
n
,z2
n
)表示第n个车端交通参与者的中心点坐标；l2
n
、ω2
n
、h2
n
分别表示第n个车端交通参与者包围框的长、宽、高；表示第n个车端交通参与者的方向夹角；c2
n
表示车端第n个检测目标的类别。5.如权利要求4所述的语义地图构建方法，其特征在于，所述对点云缺失数据进行补偿包括：获取关键点，并对关键点进行扩充，将每一列的相邻关键点聚类成一个容器，若容器内关键点的个数小于2，则丢弃此容器，否则对每个容器在光束索引范围内的非关键点进行判断，决定是否将非关键点纳入该容器中转换为关键点，判断函数为：
获取关键点包围的无效点，若容器内的无效点数量小于30个，且无效点周围关键点的欧式距离不超过1.3m，则将这些无效点通过线性...
【专利技术属性】
技术研发人员：耿可可，成小龙，殷国栋，庄伟超，王金湘，张宁，
申请(专利权)人：东南大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。