一种基于车道线语义的地图构建方法及装置与流程

1.本技术涉及地图构建技术领域，具体而言，涉及一种基于车道线语义的地图构建方法及装置。


背景技术：

2.目前主流构建高精地图的方式是同时定位与地图构建（slam）技术，主要分为激光slam和视觉slam两个方向，由于视觉slam成本低，信息量大，常用于无人车、无人机等产品。
3.但是，视觉slam技术对高动态场景的适应性不足。目前大多数视觉slam系统都是基于静态场景假设设计的，对于快速移动场景或者高动态场景下的检测、跟踪和建图都存在一定的困难。这种动态物体不仅会影响构建地图时里程计的估计，还会影响构建出的地图的局部几何特征以及后续的帧间匹配定位过程，从而影响了地图构建过程的鲁棒性和精度。


技术实现要素：

4.本技术实施例的目的在于提供一种基于车道线语义的地图构建方法及装置，增加了动态点删除功能，并对slam的求解问题增加约束信息，提高了鲁棒性和精度，解决了现有方法没有考虑动态场景导致的鲁棒性和精度不高的问题。
5.本技术实施例提供了一种基于车道线语义的地图构建方法，所述方法包括：获取原始数据，所述原始数据包括相机图像和imu数据；利用原始数据分别获得orb特征点和车道线信息，并将得到的车道线信息转化为车道线约束信息；基于所述车道线约束信息对所述orb特征点进行动态点剔除操作，获得orb特征点集合；利用所述orb特征点集合进行相机位姿估计和位姿优化，得到相机位姿估计结果；基于所述相机位姿估计结果和所述orb特征点集合构建地图。
6.在上述实现过程中，通过动态点剔除操作，实现了动态场景下的地图构建，同时增加了车道线约束信息，这样可以进一步提高orb-slam2的鲁棒性和精度，适用于更多场景的实时建图和定位任务，提高了鲁棒性和精度，解决了现有方法没有考虑动态场景导致的鲁棒性和精度不高的问题。
7.进一步地，所述利用原始数据分别获得orb特征点和车道线信息，并将得到的车道线信息转化为车道线约束信息，包括：利用车道线检测网络clrnet对预处理后的原始数据进行车道线检测，获得车道线信息和道路标记图像；利用预处理后的原始数据提取orb特征点；将得到的车道线信息转化为车道线约束信息。
8.在上述实现过程中，将基于orb特征点的车道线信息转化为车道线约束信息，可提
高后续相机位姿估计的准确性以及车道线检测的准确性。
9.进一步地，所述车道线约束信息包括车道线方向约束，所述将基于orb特征点的车道线信息转化为车道线约束信息，包括：所述车道线方向约束可表示为相邻两帧之间的相机的旋转矩阵，则所述旋转矩阵与车道线方向向量之间的关系可表示为：di=r
i-1di-1
；其中，di和d
i-1
分别表示相邻两帧之间的车道线方向向量；r
i-1
表示相邻两帧之间的相机的旋转矩阵。
10.在上述实现过程中，通过车道线的方向信息，可以约束相邻两帧之间相机的运动方向，从而提高位姿估计的准确性。
11.进一步地，所述车道线约束信息包括车道线距离约束，所述将得到的车道线信息转化为车道线约束信息，包括：相邻两帧之间的车道线距离可表示为：其中，t
i+1
和ti表示相邻两帧图像的相机的位姿；d表示车道线在相机坐标系下的方向向量；则车道线距离约束可表示为代数方程：其中，const表示车道线在相机坐标系下的位置偏移量。
12.在上述实现过程中，通过车道线的距离信息，可以约束相邻两帧之间相机的运动距离，从而提高位姿估计的准确性。
13.进一步地，所述车道线约束信息包括车道线曲率约束，所述将得到的车道线信息转化为车道线约束信息，包括：车道线曲率约束可表示为相邻两帧之间相机的运动轨迹，则所述运动轨迹与车道线的曲率信息一致：其中，x和y分别表示相邻两帧之间相机的运动轨迹在世界坐标系下的横纵坐标；f(x)表示车道线在世界坐标系下的曲线函数。
14.在上述实现过程中，通过车道线的曲率信息，可以约束相邻两帧之间相机的运动轨迹，从而提高位姿估计的准确性。
15.进一步地，所述车道线约束信息包括车道线平滑约束，所述将得到的车道线信息转化为车道线约束信息，包括：
车道线平滑约束可表示为车道线的曲率和曲率变化率的连续性，使用方程描述所述车道线平滑约束：其中，ki表示第i帧图像上车道线的曲率；vi表示第i帧图像的时间戳；将表示车道线平滑约束方程转化为矩阵形式：ax=0；其中，a表示n
ⅹ
n的矩阵，x表示n维向量，得到的最小二乘解满足平滑约束，n表示车道线对应orb特征点的数量。
16.在上述实现过程中，通过车道线的平滑信息，可以约束相邻两帧之间车道线的连续性，从而提高车道线检测的准确性。
17.进一步地，所述对所述orb特征点进行动态点剔除操作，获得orb特征点集合，包括：判断所述orb特征点是否落入道路标记图像对应的道路标记范围内；若在所述路标记范围内，则将所述orb特征点删除。
18.在上述实现过程中，通过动态点剔除操作，使得orb-slam2适用于动态场景，实现了动态场景下的地图构建。
19.本技术实施例还提供一种基于车道线语义的地图构建装置，所述装置包括：数据获取模块，用于获取原始数据，所述原始数据包括相机图像和imu数据；车道线检测模块，用于利用原始数据分别获得orb特征点和车道线信息，并将得到的车道线信息转化为车道线约束信息；动态点剔除模块，用于基于所述车道线约束信息对所述orb特征点进行动态点剔除操作，获得orb特征点集合；位姿估计模块，用于利用所述orb特征点集合进行相机位姿估计和位姿优化，得到相机位姿估计结果；地图构建模块，用于基于所述相机位姿估计结果和所述orb特征点集合构建地图。
20.在上述实现过程中，通过动态点剔除操作，实现了动态场景下的地图构建，同时增加了车道线约束信息，这样可以进一步提高orb-slam2的鲁棒性和精度，适用于更多场景的实时建图和定位任务，提高了鲁棒性和精度，解决了现有方法没有考虑动态场景导致的鲁棒性和精度不高的问题。
21.本技术实施例还提供一种电子设备，所述电子设备包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行计算机程序以使所述电子设备执行上述中任一项所述的基于车道线语义的地图构建方法。
22.本技术实施例还提供一种可读存储介质，所述可读存储介质中存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行上述中任一项所述的基于车道线语义的地图构建方法。
附图说明
23.为了更清楚地说明本技术实施例的技术方案，下面将对本技术实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
24.图1为本技术实施例提供的一种基于车道线语义的地图构建方法的流程图；图2为本技术实施例提供的增加动态点删除功能后的具体实现流程图；图3为本技术实施例提供的车道线检测流程图；图4为本技术实施例提供的动态点删除的具体实现流程图；图5为本技术实施例提供的一种基于车道线语义的地图构建装置的结构框图；图6为本技术实施例提供的另一种基于车道线语义的地图构建装置的结构框图。
25.图标：100-数据获取模块；200-车道线检测模块；201-道路标记图像获取模块；202-特征点提取模块；203-车道线约束模块；300-动态点剔除模块；301-判断模块；302-删除模块；400-位姿估计模块；500-地图构建模块。
具体实施方式
26.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行描述。
27.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本技术的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
28.实施例1请参看图1，图1为本技术实施例提供的一种基于车道线语义的地图构建方法的流程图。
29.orb-slam2的数学优化问题可表示为：假设输入的图像序列为，相机位姿序列为，则可以将优化问题表示为最小化目标函数：其中，表示位姿的运算，表示相邻帧之间的运动，ei(t)表示第i帧图像的重投影误差，是权重矩阵，是平衡误差项和正则化项的权重参数。
30.优化问题可以通过非线性优化方法（例如，高斯牛顿法或levenberg-marquardt算法）求解，得到相机位姿的最优解，从而实现slam的目标。
31.本技术在orb-slam2的基础上增加了动态点剔除的功能，主要手段是利用车道线检测网络clrnet的输出对输入图像建立一个mask，对输入图像进行orb特征点提取后，判断匹配点是否在道路mask范围内，若orb特征点落在道路上，则判定为动态目标的特征点，对动态点进行剔除后继续进行orb-slam2的建图流程，从而实现动态场景下基于道路语义地图的构建，如图2所示，增加动态点删除功能后的具体实现流程图。
32.该方法具体包括以下步骤：步骤s100：获取原始数据，所述原始数据包括相机图像和imu数据；步骤s200：利用原始数据分别获得orb特征点和车道线信息，并将得到的车道线信息转化为车道线约束信息；需要说明的是，此处的车道线信息通过车道线检测网络clrnet提取，orb特征点可利用orb算法提取，属于并行网络结构。
33.步骤s300：基于所述车道线约束信息对所述orb特征点进行动态点剔除操作，获得orb特征点集合；车道线约束用来在构建地图之前剔除动态点，等于删除一部分容易引起误差的脏数据。
34.步骤s400：利用所述orb特征点集合进行相机位姿估计和位姿优化，得到相机位姿估计结果；具体地：对orb特征点进行筛选和匹配，计算相邻帧之间的相对运动信息；利用ransac算法估计相机的位姿，同时去除误匹配的特征点；利用优化算法（如ba）进一步优化位姿估计结果。
35.步骤s500：基于所述相机位姿估计结果和所述orb特征点集合构建地图。
36.具体地，利用上述提取的特征点和位姿信息构建地图，包括局部地图和全局地图；利用imu数据对相机运动进行预测和校正；重复上述步骤s200-s500，实现实时的建图和定位功能。
37.其中，如图3所示，为车道线检测流程图，步骤s200具体包括以下步骤：步骤s201：利用车道线检测网络clrnet对预处理后的原始数据进行车道线检测，获得车道线信息和道路标记图像；步骤s202：利用预处理后的原始数据提取orb特征点；步骤s203：将得到的车道线信息转化为车道线约束信息。
38.利用车道线检测网络clrnet的输出生成道路的mask（道路标记图像）：将车道线检测结果转化为二值图像，将车道线区域标记为白色（前景），其余区域标记为黑色（背景），得到一个二值掩码图像。
39.对输入图像进行预处理，如裁剪、缩放等操作，以适应orb特征点提取算法的输入尺寸。利用orb特征点提取算法提取图像中的特征点。
40.车道线约束信息包括车道线方向约束、车道线距离约束、车道线曲率约束和车道线平滑约束。
41.其中，车道线方向约束可以表示为相邻两帧之间相机的旋转矩阵。将相邻两帧的相机位姿分别表示为t
i-1
和ti，则：其中，ri和r
i-1
表示相邻两帧之间的相机的旋转矩阵，t
i-1
和ti分别表示相机在两帧之间的平移向量。
42.将车道线在相邻两帧之间的方向向量表示为d
i-1
和di，则和之间的方向关系可以表示为：
；其中，di和d
i-1
分别表示相邻两帧之间的车道线方向向量；r
i-1
表示相邻两帧之间的相机的旋转矩阵。
43.这是因为，d
i-1
在相机坐标系下的坐标为，其中r
ti-1
表示r
i-1
的转置矩阵。因此，相机在第i-1帧的坐标系下看到的di的方向向量为r
i-1di-1
，而相机在第i帧的坐标系下看到的di的方向向量为di。由此可以得到上述方程。将上述方程展开，可以得到：；其中，r
ij
表示r
i-1
的第i行第j列的元素。
44.将上述方程写成向量形式，则可以得到：。
45.车道线方向约束：通过车道线的方向信息，可以约束相邻帧之间相机的运动方向，从而提高位姿估计的准确性。
46.车道线距离约束可以表示为相邻两帧之间相机的平移矩阵。
47.具体而言，对于两帧相邻的图像，设相机的位姿分别为t
i+1
和ti，则可以根据车道线在两帧图像中的像素坐标(ui,vi)和(u
i+1
,v
i+1
)，以及相机的内参矩阵k计算出在相机坐标系下车道线的空间坐标p
i+1
和pi，即：；设车道线在相机坐标系下的方向向量为d，则相邻两帧之间的车道线距离d可表示为：其中，t
i+1
和ti表示相邻两帧图像的相机的位姿；d表示车道线在相机坐标系下的方向向量；则车道线距离约束可表示为代数方程：；其中，const表示车道线在相机坐标系下的位置偏移量。
48.车道线距离约束：通过车道线的距离信息，可以约束相邻帧之间相机的运动距离，从而提高位姿估计的准确性。
49.车道线曲率约束可以表示为相邻帧之间相机的运动轨迹，该轨迹应当与车道线的曲率信息相符。
50.车道线曲率约束可表示为相邻两帧之间相机的运动轨迹，则所述运动轨迹与车道线的曲率信息一致：其中，x和y分别表示相邻两帧之间相机的运动轨迹在世界坐标系下的横纵坐标；f(x)表示车道线在世界坐标系下的曲线函数。
51.slam求解过程增加该约束，使得运动轨迹的曲率应当与车道线曲率相同。
52.车道线曲率约束：通过车道线的曲率信息，可以约束相邻帧之间相机的运动轨迹，从而提高位姿估计的准确性。
53.车道线平滑约束可以表示为车道线的曲率和曲率变化率的连续性，这可以被表示为一系列差分方程。设ki表示第i帧图像上车道线的曲率；vi表示第i帧图像的时间戳；使用以下方程描述平滑约束：；其中，第一个方程是用于保持曲率平滑的一阶差分方程，第二个方程是用于保持曲率变化率平滑的二阶差分方程。
54.这些方程可以被转化为矩阵形式ax=0，其中，a表示的矩阵，x表示n维向量，得到的最小二乘解满足平滑约束，n表示车道线对应orb特征点的数量。通过求解ax=0，可以得到一个最小二乘解x，它能够满足平滑约束。
55.车道线平滑约束：通过车道线的平滑信息，可以约束相邻帧之间车道线的连续性，从而提高车道线检测的准确性。
56.这些约束信息被转化为一系列代数方程应用到slam的求解问题。
57.增加约束条件后的slam过程是一个带有约束的非线性最优化问题。优化目标是最小化所有观测残差的平方和，同时满足约束条件。因此，该问题可以被写成以下形式：；其中，x表示要优化的变量向量，fi表示第i个观测函数，表示鲁棒损失函数，表示约束函数。优化变量x包括相机位姿和地图点云。约束函数包括路面约束、车道线方向约束、车道线距离约束、车道线曲率约束和车道线平滑约束。通过使用优化算法（例如非线性最小二乘优化算法）求解该问题，可以得到最优的相机位姿和地图点云，同时满足所有的约束条件。
58.如图4所示，为动态点删除的具体实现流程图，步骤s300具体包括以下步骤：步骤s301：判断所述orb特征点是否落入道路标记图像对应的道路标记范围内；步骤s302：若在所述路标记范围内，则将所述orb特征点删除。
59.判断orb特征点是否落在道路mask范围内，若在道路上则判定为动态点，将其从orb特征点集合中删除。
60.加入了动态点剔除的orb-slam2的流程相比原始的orb-slam2增加了一步，即在特征点提取后，通过车道线检测网络的输出对输入图像进行掩码，然后剔除掩码内的动态点。在得到车道线检测网络的输出后，通过对slam的求解问题增加车道线方向约束，车道线距离约束，车道线曲率约束和车道线平滑约束，这样可以进一步提高orb-slam2的鲁棒性和精度，适用于更多场景的实时建图和定位任务。
61.该方法可适用于无人驾驶建图领域，也可应用于其他动态场景下的地图构建领域，在此不做任何限定。
62.实施例2本技术实施例提供一种基于车道线语义的地图构建装置，应用于实施例1所述的基于车道线语义的地图构建方法，如图5所示，为一种基于车道线语义的地图构建装置的结构框图，所述装置包括但不限于：数据获取模块100，用于获取原始数据，所述原始数据包括相机图像和imu数据；车道线检测模块200，用于基于预处理后的原始数据进行车道线检测，提取orb特征点，并将得到的车道线信息转化为车道线约束信息；动态点剔除模块300，用于基于所述车道线约束信息对所述orb特征点进行动态点剔除操作，获得orb特征点集合；位姿估计模块400，用于利用所述orb特征点集合进行相机位姿估计和位姿优化，得到相机位姿估计结果；地图构建模块500，用于基于所述相机位姿估计结果和所述orb特征点集合构建地图。
63.其中，如图6所示，为另一种基于车道线语义的地图构建装置的结构框图，车道线检测模块200包括：道路标记图像获取模块201，用于利用车道线检测网络clrnet对预处理后的原始数据进行车道线检测，获得车道线信息和道路标记图像；特征点提取模块202，用于利用预处理后的原始数据提取orb特征点；车道线约束模块203，用于将得到的车道线信息转化为车道线约束信息。
64.车道线约束模块203的具体实现过程在实施例1中已经具体说明，在此不再赘述。
65.动态点剔除模块300包括：判断模块301，用于判断所述orb特征点是否落入道路标记图像对应的道路标记范围内；删除模块302，用于若在所述路标记范围内，则将所述orb特征点删除。
66.通过动态点剔除操作，实现了动态场景下的地图构建，同时增加了车道线约束信息，这样可以进一步提高orb-slam2的鲁棒性和精度，适用于更多场景的实时建图和定位任务，提高了鲁棒性和精度，解决了现有方法没有考虑动态场景导致的鲁棒性和精度不高的问题。
67.本技术实施例还提供一种电子设备，所述电子设备包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行计算机程序以使所述电子设备执行实施例2所述的基于车道线语义的地图构建方法。
68.本技术实施例还提供一种可读存储介质，所述可读存储介质中存储有计算机程序
指令，所述计算机程序指令被一处理器读取并运行时，执行实施例2所述的基于车道线语义的地图构建方法。
69.在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本技术的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
70.另外，在本技术各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
71.所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器（rom，read-only memory）、随机存取存储器（ram，random access memory）、磁碟或者光盘等各种可以存储程序代码的介质。
72.以上所述仅为本技术的实施例而已，并不用于限制本技术的保护范围，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
73.以上所述，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应所述以权利要求的保护范围为准。
74.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

技术特征：
1.一种基于车道线语义的地图构建方法，其特征在于，所述方法包括：获取原始数据，所述原始数据包括相机图像和imu数据；利用原始数据分别获得orb特征点和车道线信息，并将得到的车道线信息转化为车道线约束信息；基于所述车道线约束信息对所述orb特征点进行动态点剔除操作，获得orb特征点集合；利用所述orb特征点集合进行相机位姿估计和位姿优化，得到相机位姿估计结果；基于所述相机位姿估计结果和所述orb特征点集合构建地图。2.根据权利要求1所述的基于车道线语义的地图构建方法，其特征在于，所述利用原始数据分别获得orb特征点和车道线信息，并将得到的车道线信息转化为车道线约束信息，包括：利用车道线检测网络clrnet对预处理后的原始数据进行车道线检测，获得车道线信息和道路标记图像；利用预处理后的原始数据提取orb特征点；将得到的车道线信息转化为车道线约束信息。3.根据权利要求2所述的基于车道线语义的地图构建方法，其特征在于，所述车道线约束信息包括车道线方向约束，所述将得到的车道线信息转化为车道线约束信息，包括：所述车道线方向约束可表示为相邻两帧之间的相机的旋转矩阵，则所述旋转矩阵与车道线方向向量之间的关系可表示为：d
i
=r
i-1
d
i-1
；其中，d
i
和d
i-1
分别表示相邻两帧之间的车道线方向向量；r
i-1
表示相邻两帧之间的相机的旋转矩阵。4.根据权利要求2所述的基于车道线语义的地图构建方法，其特征在于，所述车道线约束信息包括车道线距离约束，所述将得到的车道线信息转化为车道线约束信息，包括：相邻两帧之间的车道线距离可表示为：其中，t
i+1
和t
i
表示相邻两帧图像的相机的位姿；d表示车道线在相机坐标系下的方向向量；则车道线距离约束可表示为代数方程：其中，const表示车道线在相机坐标系下的位置偏移量。5.根据权利要求2所述的基于车道线语义的地图构建方法，其特征在于，所述车道线约束信息包括车道线曲率约束，所述将得到的车道线信息转化为车道线约束信息，包括：车道线曲率约束可表示为相邻两帧之间相机的运动轨迹，则所述运动轨迹与车道线的
曲率信息一致：其中，x和y分别表示相邻两帧之间相机的运动轨迹在世界坐标系下的横纵坐标；f(x)表示车道线在世界坐标系下的曲线函数。6.根据权利要求2所述的基于车道线语义的地图构建方法，其特征在于，所述车道线约束信息包括车道线平滑约束，所述将得到的车道线信息转化为车道线约束信息，包括：车道线平滑约束可表示为车道线的曲率和曲率变化率的连续性，使用方程描述所述车道线平滑约束：其中，k
i
表示第i帧图像上车道线的曲率；v
i
表示第i帧图像的时间戳；将表示车道线平滑约束方程转化为矩阵形式：ax=0；其中，a表示n
ⅹ
n的矩阵，x表示n维向量，得到的最小二乘解满足平滑约束，n表示车道线对应orb特征点的数量。7.根据权利要求1所述的基于车道线语义的地图构建方法，其特征在于，所述基于所述车道线约束信息对所述orb特征点进行动态点剔除操作，获得orb特征点集合，包括：判断所述orb特征点是否落入道路标记图像对应的道路标记范围内；若在所述路标记范围内，则将所述orb特征点删除。8.一种基于车道线语义的地图构建装置，其特征在于，所述装置包括：数据获取模块，用于获取原始数据，所述原始数据包括相机图像和imu数据；车道线检测模块，用于利用原始数据分别获得orb特征点和车道线信息，并将得到的车道线信息转化为车道线约束信息；动态点剔除模块，用于基于所述车道线约束信息对所述orb特征点进行动态点剔除操作，获得orb特征点集合；位姿估计模块，用于利用所述orb特征点集合进行相机位姿估计和位姿优化，得到相机位姿估计结果；地图构建模块，用于基于所述相机位姿估计结果和所述orb特征点集合构建地图。9.一种电子设备，其特征在于，所述电子设备包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行计算机程序以使所述电子设备执行根据权利要求1至7中任一项所述的基于车道线语义的地图构建方法。10.一种可读存储介质，其特征在于，所述可读存储介质中存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行权利要求1至7任一项所述的基于车道线语义的地图构建方法。

技术总结
本申请实施例提供一种基于车道线语义的地图构建方法及装置，涉及地图构建技术领域。该方法包括获取原始数据，所述原始数据包括相机图像和IMU数据；利用原始数据分别获得ORB特征点和车道线信息，并将得到的车道线信息转化为车道线约束信息；对所述ORB特征点进行动态点剔除操作，获得ORB特征点集合；利用所述ORB特征点集合进行相机位姿估计和位姿优化，得到相机位姿估计结果；基于所述相机位姿估计结果和所述ORB特征点集合构建地图。该方法增加了动态点删除功能，并对SLAM的求解问题增加约束信息，提高了鲁棒性和精度，解决了现有方法没有考虑动态场景导致的鲁棒性和精度不高的问题。题。题。


技术研发人员：胡一琳 杨黎健 王歆誉 胡继浩 何宗权 黄冠星
受保护的技术使用者：广汽埃安新能源汽车股份有限公司
技术研发日：2023.07.31
技术公布日：2023/8/31