全息高精度导航地图:概念及理论模型
发布时间：2021-03-27 10:42
本文提出了全息高精度导航地图的概念,它融合了多源数据,尤其是电磁传感器、声音传感器、热红外仪等传感器数据,从更多角度为导航提供信息。在此概念基础上,提出了一种融合多源数据的全息高精度导航地图理论模型框架,该框架包含4个步骤:①全息道路数据采集,包含道路三维彩色激光点云、遥感影像、无人机航拍倾斜测量数据、摄像头图像、热红外图像、声场信号、电磁场信号;②道路静态信息提取,从上述采集信息提取和标记得到,如车道线、路坎、栏杆、路牌、路灯、隧道等,作为无人驾驶车辆规划基础路线和车辆位置定位的数据基础;③道路动态信息提取,从上述采集信息提取和标记得到,如离前后车辆的距离、前方有无行人、道路施工护栏、泛在信息等,作为检测无人驾驶车辆周围的实时道路环境和规划无人驾驶车辆行驶路线的依据;④动、静态信息融合:融合道路静态信息和道路动态信息,丰富道路信息,提高道路线精度,提高全息高精度导航地图更新的效率,为导航和无人驾驶车辆提供地图服务。
【文章来源】：地球信息科学学报. 2020,22(04)北大核心CSCD
【文章页数】：12 页
【部分图文】：
3种地图之间的关系
第一部分是全息高精度导航地图的道路数据采集，这一环节为全息高精度导航地图的制作奠定基础，它主要通过全息高精度导航地图数据采集车以及其他外部传感器来实现。数据采集车通过在车辆内、外各有效位置安置传感器进行数据采集，各类传感器的布置和数据的集成组成了完整的全息道路数据采集系统。例如，在车顶放置激光雷达、高清摄像头、GPS，用于彩色激光点云数据和坐标数据的采集；车前盖和车后盖放置热红外传感器、声音传感器，用于车辆周边实时行人的检测和声场信号的检测；前后保险杆处放置毫米波雷达，用于前后近距离障碍物的检测；另外还配置无线通讯设备、惯导等传感器，用于数据的无线传输和坐标数据的推算。其他车辆外部的传感器包括搭载在卫星或航空飞机上的高分辨率光学传感器、无人机倾斜航摄仪等，这些传感器从更广的视角、更大的范围获取行驶车辆的道路环境信息。具体而言，高分辨率遥感卫星、无人机倾斜航摄仪、高清摄像头、车载激光雷达、电磁传感器、GPS及惯性测量仪等，用于道路静态数据采集；高清摄像头、车载激光雷达、电磁传感器、GPS及惯性测量仪、热红外传感器、声音传感器和微波雷达等，用于动态道路数据采集。另外，动态道路数据采集还包括从以互联网、物联网、传感网为基本组成的泛在信息网获取实时泛在数据，如气象数据、动态交通路况、POI数据等。第二和第三部分分别为从全息道路采集信息中提取和标记出道路静态信息和道路动态信息，这2个环节为全息高精度导航地图的构建提供高精度和实时性的保障。道路静态信息提取时首先将多源数据进行坐标转换和数据融合，然后通过多源匹配的格网数据获得诸如车道线、路坎、栏杆、路牌、路灯、隧道等信息，并将其存储到数据库中，作为无人驾驶车辆规划基础路线和车辆位置定位的数据基础。道路动态信息利用多源数据提取与车辆行驶实时相关的信息，如离前后车辆的距离、前方有无行人、道路施工护栏以及泛在信息等，并通过位置关联、实时插值等技术将所提取的动态信息与当前环境关联，将其作为检测无人驾驶车辆周围的实时道路环境和规划无人驾驶车辆行驶路线的依据。
如图3所示，静态道路数据主要包括高分辨率遥感影像、无人机倾斜数据、激光雷达点云数据、沿路街景图像、沿路电磁数据以及GPS和惯性测量数据，这些多源数据分别通过相应的传感器获取。其中遥感影像为城市道路最新遥感影像数据。通过对卫星遥感的解译可以提取出城市区域内的道路网主要框架信息。倾斜测量数据主要通过无人机获取，它的主要目的是生成三维点云。图4为无人机航拍采集的道路点云数据示例图。点云数据不受光照强度因素影响，并且可以根据每个点的反射强度对地物进行分类，对基于二维的遥感数据提取的道路网信息和道路线信息是非常合适的补充。道路沿线激光雷达数据主要通过车载激光雷达数据获取。通过分析激光的时间范围、激光的扫描角度、GPS和惯性测量结果将激光扫描点数据处理成高度精确的地理配准x、y、z坐标。道路街景图像主要通过高清摄像头数据获取，目的是获取车辆行驶过程记录和目标识别。电磁传感器获取道路沿线电磁数据，用于构建静态电磁环境。图4 无人机采集的道路点云数据示例
【参考文献】：
期刊论文
[1]一种基于八叉树车载激光点云的杆式地物批量提取方法[J]. 朱清海. 测绘通报. 2019(S2)
[2]智能高精地图数据逻辑结构与关键技术[J]. 刘经南,詹骄,郭迟,李莹,吴杭彬,黄鹤. 测绘学报. 2019(08)
[3]高精度地图技术研究现状及其应用[J]. 李鑫慧,郭蓬,戎辉,唐风敏,华一丁,何佳. 汽车电器. 2019(06)
[4]构建基于Appollo的高精度地图解决方案[J]. 周勇,刘尚魁. 电子技术与软件工程. 2018(21)
[5]全息地图建模与多重表达[J]. 齐清文,姜莉莉,张岸,余卓渊,王江浩. 测绘科学. 2018(07)
[6]基于混合高斯和HOG+SVM的行人检测模型[J]. 龚露鸣,徐美华,刘冬军,张发宇. 上海大学学报(自然科学版). 2018(03)
[7]高精度道路导航地图的进展与思考[J]. 刘经南,吴杭彬,郭迟,张宏敏,左文炜,羊铖. 中国工程科学. 2018(02)
[8]地图学的未来是场景学吗?[J]. 闾国年,俞肇元,袁林旺,罗文,周良辰,吴明光,盛业华. 地球信息科学学报. 2018(01)
[9]地理学视角下测绘地理信息再透视[J]. 闾国年,袁林旺,俞肇元. 测绘学报. 2017(10)
[10]智能城市中自动驾驶汽车工业的关键挑战——高清地图[J]. Heiko G.Seif,胡晓龙. Engineering. 2016(02)
硕士论文
[1]基于三维激光雷达的自动驾驶车辆高精度地图构建[D]. 陈贵宾.吉林大学 2019
[2]面向自动驾驶的高精度地图优化和定位技术研究[D]. 申泽邦.兰州大学 2019
[3]高精度导航地图数据道路曲率估计方法研究[D]. 王东波.北京建筑大学 2018
[4]城市环境基于三维激光雷达的自动驾驶车辆多目标检测及跟踪算法研究[D]. 叶刚.北京理工大学 2016
[5]面向安全监控的异常声音识别的研究[D]. 李权.湖南师范大学 2015
本文编号：3103368
【文章来源】：地球信息科学学报. 2020,22(04)北大核心CSCD
【文章页数】：12 页
【部分图文】：
3种地图之间的关系
第一部分是全息高精度导航地图的道路数据采集，这一环节为全息高精度导航地图的制作奠定基础，它主要通过全息高精度导航地图数据采集车以及其他外部传感器来实现。数据采集车通过在车辆内、外各有效位置安置传感器进行数据采集，各类传感器的布置和数据的集成组成了完整的全息道路数据采集系统。例如，在车顶放置激光雷达、高清摄像头、GPS，用于彩色激光点云数据和坐标数据的采集；车前盖和车后盖放置热红外传感器、声音传感器，用于车辆周边实时行人的检测和声场信号的检测；前后保险杆处放置毫米波雷达，用于前后近距离障碍物的检测；另外还配置无线通讯设备、惯导等传感器，用于数据的无线传输和坐标数据的推算。其他车辆外部的传感器包括搭载在卫星或航空飞机上的高分辨率光学传感器、无人机倾斜航摄仪等，这些传感器从更广的视角、更大的范围获取行驶车辆的道路环境信息。具体而言，高分辨率遥感卫星、无人机倾斜航摄仪、高清摄像头、车载激光雷达、电磁传感器、GPS及惯性测量仪等，用于道路静态数据采集；高清摄像头、车载激光雷达、电磁传感器、GPS及惯性测量仪、热红外传感器、声音传感器和微波雷达等，用于动态道路数据采集。另外，动态道路数据采集还包括从以互联网、物联网、传感网为基本组成的泛在信息网获取实时泛在数据，如气象数据、动态交通路况、POI数据等。第二和第三部分分别为从全息道路采集信息中提取和标记出道路静态信息和道路动态信息，这2个环节为全息高精度导航地图的构建提供高精度和实时性的保障。道路静态信息提取时首先将多源数据进行坐标转换和数据融合，然后通过多源匹配的格网数据获得诸如车道线、路坎、栏杆、路牌、路灯、隧道等信息，并将其存储到数据库中，作为无人驾驶车辆规划基础路线和车辆位置定位的数据基础。道路动态信息利用多源数据提取与车辆行驶实时相关的信息，如离前后车辆的距离、前方有无行人、道路施工护栏以及泛在信息等，并通过位置关联、实时插值等技术将所提取的动态信息与当前环境关联，将其作为检测无人驾驶车辆周围的实时道路环境和规划无人驾驶车辆行驶路线的依据。
如图3所示，静态道路数据主要包括高分辨率遥感影像、无人机倾斜数据、激光雷达点云数据、沿路街景图像、沿路电磁数据以及GPS和惯性测量数据，这些多源数据分别通过相应的传感器获取。其中遥感影像为城市道路最新遥感影像数据。通过对卫星遥感的解译可以提取出城市区域内的道路网主要框架信息。倾斜测量数据主要通过无人机获取，它的主要目的是生成三维点云。图4为无人机航拍采集的道路点云数据示例图。点云数据不受光照强度因素影响，并且可以根据每个点的反射强度对地物进行分类，对基于二维的遥感数据提取的道路网信息和道路线信息是非常合适的补充。道路沿线激光雷达数据主要通过车载激光雷达数据获取。通过分析激光的时间范围、激光的扫描角度、GPS和惯性测量结果将激光扫描点数据处理成高度精确的地理配准x、y、z坐标。道路街景图像主要通过高清摄像头数据获取，目的是获取车辆行驶过程记录和目标识别。电磁传感器获取道路沿线电磁数据，用于构建静态电磁环境。图4 无人机采集的道路点云数据示例
【参考文献】：
期刊论文
[1]一种基于八叉树车载激光点云的杆式地物批量提取方法[J]. 朱清海. 测绘通报. 2019(S2)
[2]智能高精地图数据逻辑结构与关键技术[J]. 刘经南,詹骄,郭迟,李莹,吴杭彬,黄鹤. 测绘学报. 2019(08)
[3]高精度地图技术研究现状及其应用[J]. 李鑫慧,郭蓬,戎辉,唐风敏,华一丁,何佳. 汽车电器. 2019(06)
[4]构建基于Appollo的高精度地图解决方案[J]. 周勇,刘尚魁. 电子技术与软件工程. 2018(21)
[5]全息地图建模与多重表达[J]. 齐清文,姜莉莉,张岸,余卓渊,王江浩. 测绘科学. 2018(07)
[6]基于混合高斯和HOG+SVM的行人检测模型[J]. 龚露鸣,徐美华,刘冬军,张发宇. 上海大学学报(自然科学版). 2018(03)
[7]高精度道路导航地图的进展与思考[J]. 刘经南,吴杭彬,郭迟,张宏敏,左文炜,羊铖. 中国工程科学. 2018(02)
[8]地图学的未来是场景学吗?[J]. 闾国年,俞肇元,袁林旺,罗文,周良辰,吴明光,盛业华. 地球信息科学学报. 2018(01)
[9]地理学视角下测绘地理信息再透视[J]. 闾国年,袁林旺,俞肇元. 测绘学报. 2017(10)
[10]智能城市中自动驾驶汽车工业的关键挑战——高清地图[J]. Heiko G.Seif,胡晓龙. Engineering. 2016(02)
硕士论文
[1]基于三维激光雷达的自动驾驶车辆高精度地图构建[D]. 陈贵宾.吉林大学 2019
[2]面向自动驾驶的高精度地图优化和定位技术研究[D]. 申泽邦.兰州大学 2019
[3]高精度导航地图数据道路曲率估计方法研究[D]. 王东波.北京建筑大学 2018
[4]城市环境基于三维激光雷达的自动驾驶车辆多目标检测及跟踪算法研究[D]. 叶刚.北京理工大学 2016
[5]面向安全监控的异常声音识别的研究[D]. 李权.湖南师范大学 2015
本文编号：3103368
本文链接：https://www.wllwen.com/kejilunwen/dizhicehuilunwen/3103368.html
