9闾征远-高精地图与道路孪生场景智能化构建1106.pdf

《9闾征远-高精地图与道路孪生场景智能化构建1106.pdf》由会员分享，可在线阅读，更多相关《9闾征远-高精地图与道路孪生场景智能化构建1106.pdf（23页珍藏版）》请在三个皮匠报告上搜索。

1、高精地图与道路孪生场景智能化构建汇报人：闾征远背景高精地图与道路三维场景构建符合国家发展趋势，高精地图与道路三维场景构建符合国家发展趋势，是交通数字化转型、实景三维、智能驾驶、低空经济的是交通数字化转型、实景三维、智能驾驶、低空经济的重要组成部分重要组成部分背景车载移动测量（MMS）技术，能够同时采集全景影像、激光点云数据、POS数据等多种类型的数据。相比于传统的测绘方法，提高了大范围道路的测绘效率。在倾斜摄影的“天上看地下”的基础上，补足了“侧面看世界”的能力，支撑了从“空-天-地”三个维度助力高精地图采集与道路数字孪生场景构建。车载街景/全景影像车载激光扫描痛点问题配准融合难外业采集时桥梁

2、、树木的遮挡导致GNSS信号不稳定，导致解算的点云数据存在分层、不连续的情况。此外还存在大量由于相机标定误差所导致的影像和点云无法准确配准的情况。高效采集难传统的人工采集和基于手扶数字化的半自动采集，效率较低。常见的端到端对象识别，对样本的要求极高，受道路环境影像较大，难以工程化。成果交付难数据交付除传统的矢量数据之外，需根据客户需求交付标准的高精地图Opendrive数据或三维模型数据，这两类数据都需要在矢量数据基础上进行复杂的后期处理才能获得。思路异构数据融合增强Lidar、影像、INS数据的时空间配准三维数据降维表达BEV、CUBE自动生成多层次网络模型的道路实体自动识别复杂标志内容自动

3、解析与重构道路实体自动识别基于知识规则的道路实体参数化建模孪生场景自动建模OpenDrive数据自动生产高精地图自动制图人工半自动校核关键技术：基于SLAM的异构数据融合增强通过LiDAR SLAM技术，采用多约束条件下的整体优化方法，对点云数据进行全局平差处理，有效整合各个独立数据集的局部信息，解决数据分层和不连续性问题，实现高精度的空间数据整合。基于自研GPU加速算法，实现海量点云与影像数据的高效配准与融合采用精准配准的影像+点云的融合数据，生成CUBE、BEV数据BEV图图CUBE侧视图侧视图CUBE正视图正视图关键技术：多层次网络模型的道路实体自动识别分析了国家标准中对各类道路实体的几

4、何形状、前景色、背景色、尺寸、分类方法、制作与安装方法等标准规范，建立了基于国家标准的道路实体知识规则库。采用知识规则与机器学习结合的方式解决道路实体的自动识别问题关键技术：多层次网络模型的道路实体自动识别面向标志、路面符号等图像特征明显的道路实体，基于知识规则构建机器学习的决策树，构建多层次网络模型相集联的道路实体分类方法，每层模型针对一类特征进行分类，极大提高识别的准确性和抗干扰能力。面向车道线、波形护栏、水泥墩护栏等图像特征不明显的道路实体，基于对象识别模型在CUBE、BEV图像中中提取出大致几何，再根据道路场景中不同地理实体的空间关系和语义关系对识别结果进行重构。关键技术：复杂标志内容

5、自动解析与重构研发了基于目标分割、文字识别与道路、标志上下文关系的算法实现了复杂标志内容自动解析与重构，以及标志牌模型自动渲染解决了标志单体建模的语义纹理重构问题标志重构与三维建模关键技术：基于知识规则的道路实体单体化建模基于国家标准的道路实体知识规则，构建了标准中涵盖的各类道路实体三维模型库和标志纹理库关键技术：基于知识规则的道路实体单体化建模通过参数化建模方法自动构建道路实体单体化三维模型道路路面模型自动化生产复杂标线自动化构型与建模组合模型的自动化建模关键技术：基于知识规则的道路实体单体化建模通过参数化建模方法自动构建道路实体单体化三维模型道路路面模型自动化生产复杂标线自动化构型与建模组

6、合模型的自动化建模关键技术：OpenDrive高精地图自动制图Opendrive是一种开放的、通用的高精地图数据标准，它提供了一种标准化的方式来描述道路网络及其各个组成部分，用于自动驾驶和智能交通系统的开发与研究。它拥有一套复杂的基于几何变化、功能变化、交通规则变化的车道分段逻辑，以便于描述和管理道路网络。软件系统车载数据配准增强系统通过SLAM技术对点云数据进行全局纠偏，再对影像数据和点云数据进行准确配准与融合，输出CUBE数据与BEV数据，有效支撑后续道路实体的自动提取。面向不同类型的道路实体，运用不同的人工智