技术摘要：
本发明提供一种高精度地图的构建方法、系统、终端和存储介质，包括以下步骤：S01：获取雷达扫描点云，给点云两两配准，生成重建后的点云，以惯性测量单元去除雷达运动过程产生的点云畸变；S02：提取每一帧点云的特征点，进行相邻帧特征点关联匹配；获取采集点云间隔时  全部
背景技术：
精细地图作为一种电子地图，包括空间矢量数据和属性信息，空间矢量数据是电 子地图属性信息的载体。传统电子地图的制作方法是采用基于栅格数据抽象提取空间矢量 数据的方法或利用GPS、机器人定位跟踪装置记录采集所经区域的空间位置及视野信息，加 工生产空间矢量数据。而这种精细地图并不能满足L4乃至L5等级自动驾驶的需求。 高精度地图不仅包含空间矢量数据还包括许多语义信息，地图可能会报告交通灯 上不同颜色的含义，也可能指示道路的速度限速，以及左转车道的位置，高精度地图做重要 的特征之一是，精度，手机上的导航只能达到米级精度，高精度地图可以达到厘米级精度， 这对无人驾驶车至关重要。保持这些地图的更新是一项重大任务，调查车队需要不断地对 高精度地图进行验证和更新。此外，这些地图精度可以达到几厘米，这是水准最高的制图精 度。高精度地图专为无人驾驶车设计，包含道路定义、交叉路口、交通信号、车道规则以及用 于汽车导航的其他元素。
技术实现要素：
为了解决上述的以及其他潜在的技术问题，本发明提供了一种高精度地图的构建 方法、系统、终端和存储介质，特征点提取不采用现有特征，而是根据曲率大小，提取边角和 平面特征；以惯性测量单元去除点云畸变，再提取特征点，进行特征点关联匹配，将一定距 离地面一定高度的特征映射到地平面上形成高精度地图。 一种高精度地图的构建方法，包括： S01：获取雷达扫描点云，给点云两两配准，生成重建后的点云，以惯性测量单元去 除雷达运动过程产生的点云畸变； S02：提取每一帧点云的特征点，进行相邻帧特征点关联匹配；获取采集点云间隔 时间内雷达姿态的变换； S03：提取三维点云中的地面点，形成地面特征集合生成高精度地图。 进一步地，步骤S01中获取雷达扫描点云的具体方法是： S011：可以根据需求，看是否需要加入组合导航进行建图，如果没有特殊要求，最 好保证激光雷达和视频是同步的； S012：线接好后，需要打开板子电源、激光雷达电源，确认同步信号是否接收。电脑 通过网线接激光雷达盒子的网口，并手动设置电脑的IP，打开wireshark，选择对应的网卡， 筛选端口； S013：使组合导航和激光雷达同步，将激光雷达自带的GPS模块接到激光雷达盒子 上即可，此时端口的GPS的时间即为真正的GPS时间。组合导航需要进行如下设置：1.测量 4 CN 111612829 A 说　明　书 2/15 页 IMU、GNSS天线、激光雷达设备之间的3D距离；2.初始化基站，获取基站的准确位置；确认同 步之后，需要规划扫图的路径。一般较小的停车场，可以一次将数据采集完的停车场，如纳 贤800地下停车场，可以按纳贤800来规划路径；对于较大型的停车场，一次全部采集完比较 困难，可以分路段采集，但是要保证每段之间都有重复的路径，便于后期拼合； S014：视频数据录制，板子需要接入5路摄像头，一块屏幕，并连接adb，并且需进入 ubuntu系统或者ubuntu虚拟机，待adb连接成功后，进入命令行依次输入命令开始录制，如 停止录制数据，在与上步同一命令行输入以下命令$./recording .sh  stop。启动录制时可 能出现的问题以及解决方法：显示器连接错误：检查屏幕电源线和HDMI线连接；摄像头连接 超时：检查摄像头连接顺序以及稳固程度；./recording.sh启动和停止失败：重启板子。 S015：雷达数据录制，车速要求控制在10km/h左右，打开veloview，选择激光雷达 小图标，弹出驱动选择界面，根据所用激光雷达选择对应的驱动，点击ok，可以显示实时点 云；点击的record开始录制，成功连接激光雷达后，此按钮呈现红色，并为可用状态，点击后 选择保存路径即可，停止录制，再次点击此按钮即可。 S016：组合导航录制：1)设备安装：a.将组合导航设备水平安装于汽车后备箱的支 架上，并予以固定。b.连接组合导航与GNSS天线，测量并记录两者之间的杆臂。(2)电源连 接：将组合导航设备电源与插排相连接(3)开始录制：a.选择室外开阔区域，开启设备电源， 准备录制。b.观察GNSS信号指示灯，正常后可开启数据录制按钮，开始录制IMU和GNSS原始 数据。(4)结束录制：测试完成后，关闭数据录制按钮，结束录制。(5)数据导出：将设备USB线 缆与PC相连接，导出IMU和GNSS原始数据。(6)数据处理：使用组合导航设备专业后处理软件 (GINS)进行组合导航后处理(7)结果分析和导出：使用GINS软件进行结果分析，若满足要 求，则可按需导出组合导航后处理结果。 进一步地，步骤S01中重建点云的具体方法是： 点云重建的过程其实可以归结为两两点云配准的过程(po i n t  c l o u d  registration)，优选地，采用最近点迭代(Iterative  Closest  Point，ICP)。 进一步地，所述步骤S01中最近点迭代(Iterative  Closest  Point，ICP)的具体步 骤是： S017：数据获取； S018：特征点估计，通常是对点云进行降采样，或者采用其他计算方式 S019：特征值计算，采用的特征值通常有NARF、FPFH、SIFT等等，计算特征值的目的 主要是匹配 S020：关联点匹配，需要用到近邻搜索的方式匹配后可以根据匹配的点计算出两 帧点云的刚体变换，采用的方法比如奇异值分解(SVD)。 进一步地，所述为了避免最近点迭代(Iterative  Closest  Point，ICP)的缺点，一 般会采用一些别的算法计算出初值，然后再用ICP进行精配准，这些算法包括贪婪初始配准 (greedy  Initial  Alignment)、随机采样(sample  consensus)等等。 进一步地，所述步骤S01中，以惯性测量单元去除雷达运动过程产生的点云畸变的 具体步骤是： S021：我们可以获得点云初始时刻的IMU状态_imuStart，以及经过实际扫描时间 relSweepTime后，当前时刻的IMU状态_imuCur。: 5 CN 111612829 A 说　明　书 3/15 页 S022：计算:经过扫描时间后，当前点产生的漂移：_imuPositionShift＝_ imuCur.position-_imuStart.position-_imuStart.velocity*relSweepTime； S022：上式假定在扫描时间relSweepTime内，车是匀速运动的(因为IMU频率很 高)。 优选地，有lidar采用的扫描方式是旋转式的，车也是运动的，下一时刻扫描进行 的同时，车如果向前运动，那么激光雷达的原点位置也向前移动了，当前时刻返回的坐标点 位置，实际上相对于原来的位置是靠后了，整体点云就有被拉伸的可能。因为IMU的频率较 高，我们就可以通过IMU的速度，计算出当前点的漂移量，从而校正点云畸变。不过，因为现 在采集车的车速比较慢，没有去除点云畸变这一步算法也可以正常运行。 进一步地，所述步骤S02中提取每一帧点云的特征点的具体步骤是：根据曲率大 小，提取边角和平面特征。优选地，设点i是点云 的一点，是位于同一扫描线的点集，那 么局部表面的平滑度可以由以下函数定义： 如果一个点的c值，大于设定的最大值，则为边特征点；小于设定的最小值，则为面 特征点。为了更好的描述环境，我们将一次扫描线分成四个区域，每个区域保留两个边点和 四个面点。 进一步地，所述步骤S02中进行相邻帧特征点关联匹配的具体步骤是： 对于当前帧边特征点，在下一帧寻找当前点的最近邻点j，再寻找次近邻点l。对于 当前帧的面特征点，先在下一帧寻找当前点的最近邻点j，再寻找两个次近邻点l和m。它们 之间的关系如图4所示。设Pk为tk时刻的点云， 为其在tk 1时刻的投影，Pk 1为tk 1时刻的点 云。 和Pk 1用于估计lidar的运动。εk 1和 分别为边特征点集合和面特征点集合。我们 可以在其中找到 的关联点。每次迭代时，我们需要将特征点集投影到上一时刻，得到 和 对于一个边点 如果(j，l)是关联的边线， 那么点到线的距离可以 表示为： X均为三维坐标。同理可得，点 对于由 构成的关联面，有点到平 面的距离： 进一步地，所述步骤S02中获取采集点云间隔时间内雷达运动的具体步骤是： S023：设 为[tk 1，tk]之间的姿态变换， 是6-DOF的刚体变换； 6 CN 111612829 A 说　明　书 4/15 页 tx，ty，tz是三轴的平移，θx，θy，θz是三轴旋转角，给定一点i∈Pk 1,ti为 这个点的时间， 为[tk 1，ti]之间的变换， 可以通过插值计算： S024：为了估计雷达的运动，我们需要知道εk 1和 或者 和 之间的关 系，我们可以定义： 为三轴的平移，R为旋转矩阵，可以由罗 德里格斯公式定义： 上式中，θ为旋转程度： ω是与旋转方向相关的单位向量： 是ω的斜对称矩阵。 S025：结合上述的距离计算公式并结合上述公式，我们可以得到边特征点和与其 相关的边线之间的关系： 同理，对于面特征点与其关联面之间也有如下关系： 采用L-M算法计算lidar运动，结合两个距离公式，可以得到非线性方程： S026：对上述公式求取关于 的雅克比矩阵，定义为 通过迭代，最小 化d得到高精度地图，迭代公式如下： λ是由L-M算法定义的系数。 进一步地，所述步骤S02中还包括雷达的里程计数据获取步骤，其具体步骤是： 算法流程如下表所示： 7 CN 111612829 A 说　明　书 5/15 页 8 CN 111612829 A 说　明　书 6/15 页 进一步地，所述假设在地面上铺一张布，布料由于重力作用而下坠。如果布料足够 软，那么会完全的贴合地面。算法过程为：a)翻转点云；b)覆盖布料。在布料模型中，布料是 9 CN 111612829 A 说　明　书 7/15 页 由互相连接的节点构成的栅格模型，被称为弹簧模型。节点之间的可以定义成“虚拟弹簧”， 遵循胡克定律(F＝-kx) 根据牛顿第二定律，位移和力之间的关系： X是t时刻位移；Fext(X，t)是重力和障碍物所造成的碰撞产生的力；Fint(X，t)弹力 在点云中有如下规则： 节点的移动限制在垂直方向 节点到达正确位置后，地面，被设为不可移动 力的作用被分成两步，以提高效率 点的移动可分为四个阶段，如图8所示：a)初始化；b)在重力作用下下降；c)内部检 测，是否到达临界点；d)可移动点继续移动。 进一步地，所述步骤S03中形成地面特征集合生成高精度地图的具体方式是： S031：设置栅格化的分辨率为0.03cmX0.03cm； S032：计算点云边界，以及栅格图像的大小； S033：统计每个网格内点的数量、累高度反射率； S034：计算每个网格内平均高度以及反射率； S035：对整幅图像的平均反射率进行归一化，并且乘以255，作为图像的灰度值。 优选地，所述栅格化后的图像如图5所示。 一种高精度地图的构建系统，包括： 点云重建单元，所述点云重建单元用于两两点云的配准， 惯性测量单元，所述惯性测量单元用于去除雷达在运动过程中产生的点云畸变； 特征提取模块，所述特征提取模块提取每一帧点云的特征点； 关联匹配模块，所述关联匹配模块用于将提取出的特征点进行相邻帧特征点关联 匹配；获取采集点云间隔时间内雷达姿态的变换； 地图生成模块，所述地图生成模块用于以特征点以及特征点关联区域的特质生成 高精度地图。 进一步地，还包括地面特征集生成模块，所述地面特征集生成模块自特征提取模 块提取特征中获取在特征点位置处于地面上的特征点，并形成地面特征集，地面特征集用 于地面轮廓和障碍物的表征。 一种终端设备，如可以执行上述高精度地图的构建方法的智能手机或可以执行上 述高精度地图的构建方法程序的车载终端控制设备。 一种服务器，所述服务器包括用于实现上述高精度地图的构建方法和/或高精度 地图的构建系统。 一种计算机存储介质，所述计算机存储介质用于存储上述高精度地图的构建方法 所对应的软件程序和/或高精度地图的数据管理系统。 如上所述，本发明的具有以下有益效果： 特征点提取不采用现有特征，而是根据曲率大小，提取边角和平面特征；以惯性测 量单元去除点云畸变，再提取特征点，进行特征点关联匹配，将一定距离地面一定高度的特 10 CN 111612829 A 说　明　书 8/15 页 征映射到地平面上形成高精度地图。 附图说明 为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使 用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于 本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他 的附图。 图1显示为本发明的流程示意图。 图2显示为最近点迭代的流程示意图。 图3显示为本发明地图构建的流程示意图。 图4显示为边特征点和面特征点关联示意图。 图5显示为本发明地图构建方法的实施结果示意图。 图6显示为本发明ARCMAP地图生成的图示。 图7显示为本发明处理完成的矢量地图的图示。 图8显示为布料模拟滤波示意图的示意图。