地图构建方法、模型训练方法、装置、设备及存储介质制造方法及图纸

本公开提供了一种地图构建方法、模型训练方法、装置、设备及存储介质，涉及人工智能领域，可用于地图数据处理、车辆定位、自动驾驶、深度学习等技术领域。其中，地图构建方法包括：获取目标区域包含的多个局部区域的点云信息；针对多个局部区域中任一局部区域，对该局部区域的点云信息进行关键点提取，得到该局部区域对应的多个与定位相关的关键点；根据多个局部区域分别对应的关键点，构建目标区域的定位地图。从而，构建得到稀疏的定位地图，减少了定位地图占用的存储空间，占用存储空间减少的定位地图可满足有限存储资源下大范围的定位需求。

【技术实现步骤摘要】

本公开涉及人工智能领域，尤其涉及一种地图构建方法、模型训练方法、装置、设备及存储介质，可用于地图数据处理、车辆定位、自动驾驶、深度学习等。

技术介绍

1、对于自动驾驶而言，自主定位是重要的基础模块之一。为了自主定位可以获得准确的定位信息，需要事先离线构建定位地图。

2、在定位定图的构建过程中，可通过3d激光雷达(light detection and ranging,lidar)获取3d点云信息，对3d点云信息进行拼接，得到包含有稠密的3d点云信息的定位地图，以满足较高的定位精度和鲁棒性。

3、然而，上述方式得到的定位地图占用的存储空间较大，不能满足有限存储资源下大范围的定位需求。

技术实现思路

1、本公开提供了一种用于解决定位地图占用的存储空间较大的问题的地图构建方法、模型训练方法、装置、设备及存储介质。

2、根据本公开的第一方面，提供了一种地图构建方法，包括：获取目标区域包含的多个局部区域的点云信息；针对所述多个局部区域中任一局部区域，对所述局部区域的点云信息进行关键点本文档来自技高网...

【技术保护点】

1.一种地图构建方法，包括：

2.根据权利要求1所述的地图构建方法，其中，所述对所述局部区域的点云信息进行关键点提取，得到所述局部区域对应的多个与定位相关的关键点，包括：

3.根据权利要求2所述的地图构建方法，其中，所述对所述局部区域的点云信息进行特征图提取，得到所述局部区域对应的特征图，包括：

4.根据权利要求2所述的地图构建方法，其中，所述根据所述特征图，对所述局部区域的点云信息进行关键点提取，得到所述局部区域对应的多个与定位相关的关键点，包括：

5.根据权利要求4所述的地图构建方法，其中，所述根据所述多个数值，从所述多个二维栅格分别包...

【技术特征摘要】

1.一种地图构建方法，包括：

2.根据权利要求1所述的地图构建方法，其中，所述对所述局部区域的点云信息进行关键点提取，得到所述局部区域对应的多个与定位相关的关键点，包括：

3.根据权利要求2所述的地图构建方法，其中，所述对所述局部区域的点云信息进行特征图提取，得到所述局部区域对应的特征图，包括：

4.根据权利要求2所述的地图构建方法，其中，所述根据所述特征图，对所述局部区域的点云信息进行关键点提取，得到所述局部区域对应的多个与定位相关的关键点，包括：

5.根据权利要求4所述的地图构建方法，其中，所述根据所述多个数值，从所述多个二维栅格分别包含的点云信息中，选取出所述局部区域对应的多个与定位相关的关键点，包括：

6.根据权利要求5所述的地图构建方法，其中，所述筛选条件为从大到小排列在前k位的数值，k为正整数；或，所述筛选条件为大于或等于设定阈值的数值。

7.根据权利要求1至3中任一项所述的地图构建方法，其中，所述多个局部区域分别对应的关键点是通过特征点提取网络提取得到的；

8.根据权利要求1至6中任一项所述的地图构建方法，其中，所述根据所述多个局部区域分别对应的关键点，构建所述目标区域的定位地图，包括：

9.根据权利要求8所述的地图构建方法，其中，所述根据所述全局坐标系下的关键点，得到所述定位地图，包括：

10.一种模型训练方法，包括：

11.根据权利要求10所述的模型训练方法，其中，所述根据所述第一点云信息、所述第二点云信息和所述实际相对位姿，训练得到特征图提取网络、位姿估计网络和第一阶段训练完成的特征点提取网络，包括：

12.根据权利要求11所述的模型训练方法，其中，所述将所述第二点云信息和所述第二特征图输入至初始特征点提取网络，在所述初始特征点提取网络中，对所述第二点云信息进行特征点提取，得到所述局部训练区域对应的多个与定位相关的第一关键点，从所述第二特征图提取得到所述多个第一关键点分别对应的描述特征，包括：

13.根据权利要求12所述的模型训练方法，其中，所述从所述第二特征图中，提取所述多个第一关键点分别对应的描述特征，包括：

14.根据权利要求11所述的模型训练方法，其中，所述将所述第一特征图、所述多个第一关键点、所述多个第一关键点分别对应的描述特征和所述第一点云信息与所述第二点云信息之间的第一初始相对位姿输入至初始位姿估计网络进行位姿估计，得到第一估计相对位姿偏移量和所述第一估计相对位姿偏移量对应的第一协方差，包括：

15.根据权利要求14所述的模型训练方法，其中，所述根据所述第一初始相对位姿，确定多个第一候选相对位姿，包括：

16.根据权利要求14所述的模型训练方法，其中，所述根据所述第一候选相对位姿、所述第一特征图、所述多个第一关键点和所述多个第一关键点分别对应的描述特征，确定所述第一候选相对位姿对应的位姿得分，包括：

17.根据权利要求16所述的模型训练方法，其中，所述根据所述多个第一关键点分别对应的投影点，在所述第一特征图中提取所述多个第一关键点分别对应的全局特征，包括：

18.根据权利要求16所述的模型训练方法，其中，所述根据所述多个第一关键点分别对应的描述特征和所述多个第一关键点分别对应的全局特征，确定所述第一候选相对位姿对应的位姿得分，包括：

19.根据权...

【专利技术属性】
技术研发人员：梁爽，万国伟，白宇，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：