本技術(shù)涉及圖像數(shù)據(jù)處理領(lǐng)域，特別涉及一種局部地圖實時更新方法。

背景技術(shù)：

1、高精度地圖作為自動駕駛與無人駕駛系統(tǒng)的關(guān)鍵基礎(chǔ)設(shè)施，對車輛的精準定位、路徑規(guī)劃和安全運行提供了至關(guān)重要的支持。在井工礦山等特殊工業(yè)環(huán)境中，高精度地圖的應(yīng)用更具挑戰(zhàn)性，也更為必要。井工礦區(qū)域通常存在地形復(fù)雜、環(huán)境多變、通信條件受限等特點，常規(guī)地圖更新方法難以滿足實際需求。特別是在弱通信環(huán)境下，傳統(tǒng)的云端地圖更新模式受到嚴重限制，無法及時傳輸大量點云數(shù)據(jù)及地圖信息，導(dǎo)致地圖數(shù)據(jù)與實際道路環(huán)境的不匹配，進而影響車輛安全和作業(yè)效率。

2、隨著礦山智能化、無人化趨勢的發(fā)展，井工礦區(qū)域內(nèi)的運輸車輛、作業(yè)設(shè)備逐漸向自動化方向演進，對地圖數(shù)據(jù)的實時性、準確性提出了更高要求。同時，礦區(qū)道路狀況會因采掘活動、設(shè)備移動、臨時障礙物等原因頻繁變化，這些變化如不能及時反映到高精度地圖中，將導(dǎo)致自動駕駛系統(tǒng)決策失誤，甚至引發(fā)安全事故。

3、傳統(tǒng)高精度地圖更新技術(shù)主要依賴專業(yè)測繪車輛定期采集數(shù)據(jù)，經(jīng)過后處理、建模等工序生成地圖，更新周期通常以周或月為單位。這種方式在通信條件良好的開放環(huán)境下尚可接受，但在井工礦弱通信環(huán)境中存在明顯不足：一方面，專業(yè)測繪車輛難以頻繁進入作業(yè)區(qū)域；另一方面，有限的通信帶寬無法支持大規(guī)模點云數(shù)據(jù)的實時傳輸與處理。

4、例如相關(guān)專利文獻cn118857271b，公開了一種基于用戶自定義制圖工具的礦區(qū)地圖制作方法，涉及地圖制作領(lǐng)域，包括：獲取礦區(qū)地形和車輛規(guī)格參數(shù)，生成礦區(qū)路網(wǎng)模型；然后利用車載傳感器采集車輛行駛軌跡、坡度信息和點云數(shù)據(jù)，并進行數(shù)據(jù)預(yù)處理；接著根據(jù)采集數(shù)據(jù)制定包含礦區(qū)地圖要素類型、表達方式和使用場景的制圖標準；最后基于制圖標準，通過自定義制圖工具提取礦區(qū)地圖要素，生成適應(yīng)無人駕駛車輛使用需求的礦區(qū)地圖。但是該方案存在如下缺陷：

5、首先，該方案仍采用傳統(tǒng)的批量處理模式，無法實現(xiàn)地圖的實時更新，更新周期長，難以應(yīng)對井工礦道路環(huán)境的頻繁變化。其次，該方案未考慮井工礦弱通信環(huán)境的特殊性，需要將大量點云數(shù)據(jù)傳輸至處理中心，受限于帶寬條件，實際應(yīng)用受阻。

技術(shù)實現(xiàn)思路

1、針對現(xiàn)有技術(shù)中井工礦弱通信環(huán)境下傳統(tǒng)高精地圖更新周期長，本技術(shù)提供了一種局部地圖實時更新方法及系統(tǒng)，采用加權(quán)自適應(yīng)算法重構(gòu)車道中心線，只在邊界誤差超過閾值時進行局部更新，提高了地圖更新效率。

2、本技術(shù)的一個方面提供一種局部地圖實時更新方法，包括：獲取車輛行駛過程中的點云數(shù)據(jù)；根據(jù)車輛的車速和車輛高度，對點云數(shù)據(jù)進行過濾；根據(jù)過濾后的點云數(shù)據(jù)，通過深度學(xué)習(xí)網(wǎng)絡(luò)和幾何算法提取道路邊界，得到道路邊界點集；獲取車輛在地圖中的當前車道邊界；根據(jù)道路邊界點集和當前車道邊界，計算邊界誤差；當邊界誤差大于預(yù)設(shè)閾值時，根據(jù)道路邊界點集重構(gòu)當前車道中心線，更新局部地圖；所述局部地圖表示包含當前車道邊界和當前車道中心線的地圖。

3、進一步的，根據(jù)車輛的車速和車輛高度，對點云數(shù)據(jù)進行過濾，包括：獲取車輛當前位置坐標和當前車速v；計算最大有效距離閾值，k為預(yù)設(shè)的調(diào)節(jié)系數(shù)；遍歷點云數(shù)據(jù)中的每個點，計算所述點與車輛當前位置坐標的距離；剔除所述距離大于最大有效距離閾值的點，且剔除點云數(shù)據(jù)中z坐標值大于車輛高度的點，得到過濾后的點云數(shù)據(jù)。

4、進一步的，得到道路邊界點集，包括：利用預(yù)訓(xùn)練的pv-rcnn深度學(xué)習(xí)網(wǎng)絡(luò)對過濾后的點云數(shù)據(jù)進行提取，得到候選道路邊界區(qū)域；根據(jù)候選道路邊界區(qū)域，生成三維邊界框；利用幾何算法對三維邊界框進行修正，得到最優(yōu)邊界線；根據(jù)最優(yōu)邊界線，進行邊界點分類，得到道路邊界點集；其中，深度學(xué)習(xí)提供初步識別能力，幾何算法提供精確定位修正，這種融合架構(gòu)使邊界識別在井工礦復(fù)雜光照、粉塵、積水等惡劣條件下仍保持較高準確率。

5、利用預(yù)訓(xùn)練的pv-rcnn深度學(xué)習(xí)網(wǎng)絡(luò)對過濾后的點云數(shù)據(jù)進行提取，得到候選道路邊界區(qū)域，包括：制作數(shù)據(jù)集：對采集的歷史點云進行數(shù)據(jù)標注，標注的每條數(shù)據(jù)包含，其中，是邊界的起點，分別是3d框的長寬高，為車道方向；數(shù)據(jù)增強：對點云及標注數(shù)據(jù)進行隨機旋轉(zhuǎn)，平移進行數(shù)據(jù)增強；模型訓(xùn)練：修改pv-rcnn錨框的尺寸以適配車道邊界框，將錨框尺寸調(diào)整為[5，0.2，0.1]，并加載網(wǎng)絡(luò)權(quán)重文件初始化網(wǎng)絡(luò)，啟動模型訓(xùn)練，訓(xùn)練損失收斂時，停止訓(xùn)練，得到訓(xùn)練后的權(quán)重文件；載入點云和訓(xùn)練后得到的權(quán)重文件，輸出得到包含邊界點的3d邊界框。

6、進一步的，得到最優(yōu)邊界線，包括：從各三維邊界框的點云中隨機選擇多個點，擬合初始直線；計算各個點到初始直線的距離，當距離小于預(yù)設(shè)閾值時，將相應(yīng)點標記為內(nèi)點；根據(jù)內(nèi)點比例w計算剩余迭代次數(shù)n；每輪迭代后，計算內(nèi)點比例，并根據(jù)內(nèi)點比例更新剩余迭代次數(shù)；當達到預(yù)設(shè)迭代次數(shù)上限或連續(xù)預(yù)設(shè)輪數(shù)內(nèi)點比例w變化小于閾值，停止迭代，選擇具有最多內(nèi)點的直線，作為最優(yōu)邊界線。

7、進一步的，根據(jù)內(nèi)點比例w計算剩余迭代次數(shù)n，計算公式為：，其中，p表示隨機采樣選中全部內(nèi)點的期望概率；n為擬合直線所需的最小點數(shù)。

8、進一步的，根據(jù)最優(yōu)邊界線，進行邊界點分類，得到道路邊界點集，包括：獲取最優(yōu)邊界線位于三維邊界框內(nèi)的線段，作為有效線段；根據(jù)有效線段，每隔預(yù)設(shè)距離生成一個邊界點，得到邊界點集合；獲取車輛當前坐標點和車輛行駛方向向量v；對每個邊界點，計算從車輛當前坐標點指向邊界點的向量，與向量v的叉乘結(jié)果；當叉乘結(jié)果大于零時，將對應(yīng)邊界點歸為左邊界點集，當叉乘結(jié)果小于等于零時，將對應(yīng)邊界點歸為右邊界點集；將左邊界點集和右邊界點集合并，形成完整的道路邊界點集。

9、進一步的，獲取車輛在地圖中的當前車道邊界，包括：獲取地圖的車道數(shù)據(jù)；利用r-tree數(shù)據(jù)結(jié)構(gòu)存儲車道數(shù)據(jù)；從r-tree數(shù)據(jù)結(jié)構(gòu)的根節(jié)點開始，遍歷r-tree數(shù)據(jù)結(jié)構(gòu)，獲取每個節(jié)點的最小限定矩形mbr，其中，最小限定矩形mbr左下角坐標，右上角坐標；判斷車輛當前坐標點，是否滿足且，如果滿足，則判斷車輛當前坐標點c位于當前mbr中；遍歷車輛所在mbr中的每個車道，計算車輛當前坐標點與車道邊界每個點連線的夾角之和，如果夾角和為360°，則判定車輛在當前車道內(nèi)，并獲取所述車道的車道左邊界和車道右邊界作為當前車道邊界。

10、進一步的，根據(jù)道路邊界點集和當前車道邊界，計算邊界誤差，包括：計算左邊界點集中的每個點到車道左邊界的距離，得到左邊界點距離集合；計算右邊界點集中的每個點到車道右邊界的距離，得到右邊界點距離集合；計算左邊界點距離集合和右邊界點距離集合中各距離的平均值；根據(jù)各距離的平均值，計算總邊界誤差error：。

11、進一步的，當邊界誤差大于預(yù)設(shè)閾值時，根據(jù)道路邊界點集重構(gòu)當前車道中心線，更新局部地圖，包括：根據(jù)左邊界點集和右邊界點集，沿各自邊界線方向，根據(jù)分割距離進行重采樣，其中，為分割調(diào)節(jié)系數(shù)；得到重采樣左邊界點集和重采樣右邊界點集；根據(jù)左邊界點距離集合，計算左邊界平均誤差；根據(jù)右邊界點距離集合，計算右邊界平均誤差；根據(jù)左邊界平均誤差和右邊界平均誤差，設(shè)置邊界可信度權(quán)重系數(shù)和；根據(jù)車輛行駛方向向量v，對重采樣后的和中的點，建立左右邊界點的對應(yīng)關(guān)系，形成多個橫向連接線段；對每條橫向連接線段，計算加權(quán)中心點，其中，和分別為相應(yīng)線段左右端點坐標；按車輛行駛方向，順序連接所有的加權(quán)中心點，形成初始中心點序列；對初始中心點序列進行平滑處理，生成重構(gòu)的車道中心線；根據(jù)重構(gòu)的車道中心線與獲取的當前車道邊界，更新局部地圖。

12、本技術(shù)的另一個方面還提供一種局部地圖實時更新系統(tǒng)，用于執(zhí)行本技術(shù)的一種局部地圖實時更新方法。

13、相比于現(xiàn)有技術(shù)，本技術(shù)的優(yōu)點在于：

14、（1）井工礦弱通信環(huán)境下由于帶寬受限和數(shù)據(jù)傳輸不穩(wěn)定造成點云數(shù)據(jù)處理困難，現(xiàn)有技術(shù)一般采用固定距離閾值進行點云過濾，但是存在過濾效果不隨行駛狀態(tài)動態(tài)調(diào)整、計算資源浪費的缺陷，本技術(shù)引入基于車速的自適應(yīng)點云過濾機制，通過“最大有效距離閾值”與車速相關(guān)聯(lián)的設(shè)計，實現(xiàn)了高速行駛時關(guān)注更遠距離信息、低速行駛時專注近距離環(huán)境的智能調(diào)節(jié)，提高了點云處理效率和資源利用率；此外，本技術(shù)采用分割距離公式，使重采樣密度與車速動態(tài)關(guān)聯(lián)，高速行駛時適當降低采樣密度，低速行駛時提高采樣密度，既保證了定位精度又優(yōu)化了計算負載，特別適合井工礦復(fù)雜路況環(huán)境下的實時處理需求。

15、（2）井工礦環(huán)境下的高精地圖更新，現(xiàn)有技術(shù)一般采用等權(quán)重計算或簡單取左右邊界中點方式重構(gòu)車道中心線，但是存在無法應(yīng)對單側(cè)邊界識別不準確、易受光照變化和礦區(qū)特有障礙物干擾的缺陷，本技術(shù)引入的邊界可信度權(quán)重系數(shù)和，基于邊界誤差動態(tài)調(diào)整，使中心線重構(gòu)過程更加智能化。

16、此外本技術(shù)提出的基于邊界誤差閾值的局部按需更新策略，結(jié)合加權(quán)重構(gòu)算法，有效解決了井工礦區(qū)域道路邊界頻繁變化導(dǎo)致的地圖不準確問題，同時減輕了弱通信環(huán)境下的數(shù)據(jù)傳輸壓力。整個重構(gòu)流程通過分段處理、動態(tài)權(quán)重和平滑算法的組合，解決了傳統(tǒng)方法在不規(guī)則道路、單側(cè)模糊邊界等復(fù)雜場景下中心線定位偏差大的問題。