生成高清晰度地图的方法、云服务器和车辆与流程

1.本公开涉及一种生成地图的计算机实现方法，以及用于基于地图做出改进的adas决策的云服务器和车辆。
背景技术：
：：2.在高级驾驶员辅助系统(adas)或自主驾驶(ad)中，高清晰度(hd)地图是重要的。hd地图通常是指精确到厘米级的地图，其具有比常规汽车地图(例如，用于常规汽车导航)更多的细节(例如，道路标志、交通标志、道路障碍物)，且因此可用于adas和/或ad中。hd地图可基于一个或更多个传感器的数据(例如，雷达、数码摄像头、激光雷达的数据)以及gps数据而产生，但也可基于航空成像而产生，例如，由无人驾驶或低轨道卫星产生。3.虽然车辆的传感器系统(例如，由摄像头和雷达组成)负责对环境的实时感知，但hd地图提供关于道路系统、前方几何形状和驾驶车道的功能意义的信息，例如，它们使得能够理解某一车道是专用公共汽车车道。因此，它们限定了允许车辆行驶的位置、交通标志的位置以及例如限速多少。4.这些hd地图可以设置(adas和/或ad)车辆可以在其中移动的一种框架。此外，当例如实时系统发生故障或被阻挡时，可以将hd地图视为备用解决方案。5.创建hd地图是一项具有挑战性的任务。通常，地图提供者利用配备有高成本传感器(例如，高分辨率摄像头和激光雷达)的多个监视车辆。然后，它们行驶过相关区域中的所有道路以在离线过程中绘制和聚集该数据。有时，甚至附加信息也是由人工人工增加的。当环境和道路几何形状随时间变化时，hd相当快地绘制输出数据，会使问题更加严重。因此，创建hd地图并保留它们是一项具有挑战性的任务。6.hd地图的创建或生成可以以多种方式进行。它们可以手动注释，这通常由于人工的注释努力而非常昂贵。因此，这种手动方法是不可扩展的，因为几乎到处都需要hd地图并且它们必须保持最新。7.一些传统方法还使用来自多个设备的gps信号作为众包数据([1]：cao等人的“fromgpstracestoaroutableroadmap”。第17届acmsigspatial国际地理信息系统进展会议，2009年，第3-12页；[2]：tang等人的“lane-levelroadinformationminingfromvehiclegpstrajectoriesbasedonbayesianclassification”，isprs国际地理信息杂志，2015年4，4(4):2660–2680)，但这些传统方法也具有缺点，因为它们仅提供很少的信息或集中在不如hd地图精确的可规划路线的道路地图上。此外，[1]、[2]中的方法是不可扩展的，因为仅考虑gps信号。[0008]其他传统方法基于各种传感器数据训练深度神经网络(dnn)以预测道路几何形状([3]：homayounfar等人的“learningtomapbydiscoveringlanetopology”。ieee/cvf国际计算机视觉会议会刊第2911-2920，2019年，[4]：zürn等人的“lanegraphestimationforsceneunderstandinginurbandriving”，arxivpreprintarxiv:2105.00195,2021年)。在[4]中，基于各种部分处理的传感器输入数据训练dnn以在图形表示中推断出道路几何形状。然而，该方法需要被注释的hd地图数据。[3]中的方法遵循与[4]中类似的方法，但是主要使用激光雷达传感器数据。该工作的焦点在于车道边界的预测以及高速公路上的分叉和合并，但是需要对dnn、地面实况的训练，以及因此早期hd地图数据的训练。[0009]在[5]中给出的方法：meyer等人的“anytimelane-levelintersectionestimationbasedontrajectoriesofothertrafficparticipants”，2019年ieee智能交通系统大会(itsc)，第3122-3129页，ieee，2019年，以及[6]：meyer等人的“fastlane-levelintersectionestimationusingmarkovchainmontecarlosamplingandb-splinerefinement”(2020年ieee智能汽车研讨会(iv)，第71-76页，ieee，2020年)使用所检测和跟踪的其它道路用户的轨迹来进行车道估计。这两种工作都集中在交叉场景上，并将车道表示为车道边界。轨迹可以基于摄像头、雷达或激光雷达。作者没有使用dnn，他们使用概率生成模型，特别是两级马尔可夫链蒙特卡罗采样方法(two-stagemarkovchainmontecarlosamplingapproach)。除[5]外，在[6]中，作者引入了非线性最小二乘公式，以改进结果。主要对仿真数据进行评估，尤其是对车辆轨迹进行仿真。[0010]如已经提到的，不仅创建hd地图而且使它们保持最新是重要的。对此的解决方案例如在[7]中给出：pannen等人的“howtokeephdmapsforautomateddrivinguptodate”，2020年ieee国际机器人与自动化大会(icra)，第2288-2294页，ieee，2020年，[8]：kim等人的“hdmapupdateforautonomousdrivingwithcrowdsourceddata”，ieee机器人与自动化通讯，6(2)：1895-1901，2021年。传统系统通常仅适用于特定环境；通常不考虑诸如迂回路线、十字路口等的复杂情况。因此，需要一种稳健且更简单的方式来产生可用于任何交通环境或街道场景且可改进adas和/或ad的hd车道图。技术实现要素：[0011]根据本公开的第一方面，一种生成地图的计算机实现方法包括以下步骤：获取至少一个车辆的传感器单元的基于传感器的数据以及与所述至少一个车辆的定位单元相关的定位数据；使用所述定位数据确定所述至少一个车辆的第一轨迹，并且使用所述基于传感器的数据确定其他车辆的多个第二轨迹；以及聚集所述第一轨迹和/或所述多个第二轨迹以在所述地图的网格地图表示中生成聚集轨迹。[0012]根据本公开的第二方面，所述方法还包括：从所述聚集轨迹中提取地图的车道中心的轨迹。[0013]根据本公开的第三方面，所述方法还包括：根据预定的一组不同的行驶方向对所述第一轨迹和所述多个第二轨迹进行分类，并生成多个行驶方向特定聚集轨迹。[0014]根据本公开的第四方面，所述聚集轨迹与密度图(d)相关联，并且所述行驶方向特定聚集轨迹与行驶方向密度图(dd)相关联，所述密度图和所述行驶方向密度图是使用从所述第一轨迹和/或所述多个第二轨迹收集的数据而生成的。[0015]根据本公开的第五方面，通过选择大于或等于预定阈值的聚集轨迹值来执行车道中心的轨迹的提取。[0016]根据本公开的第六方面，基于处理后的密度图(s(d))和/或处理后的行驶方向密度图(s(dd))来执行车道中心的轨迹的提取，所述处理后的密度图(s(d))和所述处理后的行驶方向密度图(s(dd))是通过采用密度图(d)和行驶方向密度图(dd)的函数来确定在与聚集轨迹和行驶方向特定聚集轨迹垂直的方向上的相应局部密度最大值而获得的。[0017]根据本公开的第七方面，通过跟踪局部密度最大值的有序路径来执行车道中心的轨迹的提取。[0018]根据本公开的第八方面，对车道中心的轨迹进行后处理以连接所提取的车道中心的轨迹的末端。[0019]根据本公开的第九方面，所述方法还包括：在包括行驶方向的hd地图的有向图表示中表示聚集轨迹。[0020]根据本公开的第十方面，所述有向图表示还包括车辆密度、车道分叉、车道合并和车道边界的表示中的一个或更多个。[0021]根据本公开的第十一方面，所述方法还包括：使用所述基于传感器的数据确定行人的多个第三轨迹；以及聚集所述多个第三轨迹以在所述地图的所述网格地图表示中产生聚集行人轨迹。[0022]根据本公开的第十二方面，所述其他车辆的多个第二轨迹是通过根据车辆类别区分其他车辆并确定一组车辆类别特定的第二轨迹而确定的；并且该方法还包括：聚集所述多个车辆类别特定的第二轨迹以在所述hd地图的所述网格地图表示中产生车辆类别特定聚集轨迹。[0023]根据本公开的第十三方面，所述方法还包括：将所确定的第二轨迹连同与所述第二轨迹和/或所述聚集轨迹相关的元信息一起存储。[0024]根据本公开的第十四方面，所述方法还包括：将所确定的第二轨迹连同与类别的相应检测相关的元信息一起存储。[0025]根据本公开的第十五方面，所述hd地图的所述网格地图表示包括该hd地图的各个网格单元的平均速度信息。[0026]根据本公开的第十六方面，所述基于传感器的数据是基于雷达传感器的数据和/或基于激光雷达传感器的数据。[0027]根据本公开的第十七方面，所述定位数据是基于gpg的数据。[0028]根据本公开的第十八方面，一种云服务器，其被适配成执行第一至第十七方面中的任一方面的方法。[0029]根据本公开的第十九方面，一种车辆，其包括：通信接口，其被配置为从根据本公开的第十五方面的云服务器接收地图；以及控制单元，其被配置为基于所接收的地图做出高级驾驶和安全决策。[0030]根据本公开的第二十方面，所述控制单元被配置为仅使用地图中的已通过使用最小数量的单独轨迹而被聚集和/或已通过使用在过去的特定时间量内确定的最小数量的轨迹而被聚集的聚集轨迹。[0031]根据本公开的第二十一方面，所述控制单元被配置为向车辆输出控制指令，以遵循来自接收到的地图的聚集轨迹中的一个聚集轨迹。[0032]根据本公开的第二十二方面，所述控制单元还被配置为向所述车辆输出控制指令，以遵循所述聚集轨迹中的一个聚集轨迹，只要该聚集轨迹是准确的。[0033]根据本公开的第二十三方面，所述控制单元还被配置为基于所接收的地图来确定弯道速度建议。[0034]根据本公开的第二十四方面，一种系统，该系统包括根据第十八方面的云服务器以及多个根据第十九方面至第二十三方面中任一方面的车辆。附图说明[0035]图1示出了根据实施方式的车辆系统和云服务器。[0036]图2示出了根据实施方式的用于获取基于雷达的传感器数据的设备。[0037]图3示出了根据实施方式的车辆和检测区域。[0038]图4示出了根据实施方式的可编程信号处理装置。[0039]图5示出了根据实施方式的基于聚集轨迹生成地图的方法的流程图。[0040]图6示出了根据实施方式的边界框检测和跟踪以及轨迹确定(在地图表示中表示轨迹)。[0041]图7示出了组合的聚集和提取过程的结果。[0042]图8示出了从整体密度图d导出的方向密度图dd的示例。[0043]图9示出了根据实施方式的提取车道中心的轨迹的方法。[0044]图10示出了根据实施方式的预提取的迭代。[0045]图11示出了根据实施方式的切割连接处理的示例。[0046]图12示出了根据实施方式的车道中心的提取轨迹的连接的示例。[0047]图13示出了根据实施方式的确定车辆类别特定聚集轨迹的方法的流程图。[0048]图14示出了根据实施方式的由车辆实施的方法的流程图。具体实施方式[0049]现在将参考附图来描述本公开的实施方式。在以下详细描述中，阐述了许多具体细节。这些具体细节仅用于提供对各种所述实施方式的透彻理解。此外，尽管可能使用术语第一、第二等来描述各种元素，但是这些元素不受到这些术语的限制。这些术语仅用于对一个元素与另一个元素进行区分。[0050]本公开教导了基于单独轨迹的聚集而产生地图(hd地图)。在此，由于adas车辆感知其周围的其他道路用户(例如汽车、卡车、公共汽车、自行车、摩托车、行人)，并且每个道路用户与单独的轨迹相关联(由于每个道路用户在后面留下轨迹，即其行驶的路径)，轨迹是关于所感知的道路几何形状的信息的压缩片段，并且多个道路用户的单独轨迹的收集或聚集提供了准确的信息源。[0051]图1示出了根据实施方式的车辆10和云服务器20的系统。车辆10(例如，adas车队)配备有通信接口以实现与云服务器20的通信连接。这种通信连接可以以不同的形式实现；如图1所示，车辆10可以具有例如与基站30的空中(ota)接口(例如，根据诸如lte、4g、5g、6g的无线通信标准的无线电接口)。基站30提供到云服务器20的通信连接(例如，经由核心网络、互联网等)。基于该通信连接，与车辆20的各个轨迹相关的数据可被上传到云服务器20，并且地图信息或其他adas相关信息可例如以软件即服务(saas)的形式从云服务器20下载到车辆10。这里，聚集各个轨迹并从聚集轨迹导出附加的高级信息不断地更新底层地图。随后可将所得的最新且准确的地图从云服务器20下载到车辆10以(例如)改进现有的adas特征。[0052]车辆10(特别是adas车辆)配备有用于环境感知的宽范围的传感器单元(例如，摄像头和雷达和/或激光雷达)。这些传感器允许车辆10感知其环境，并且例如检测车道标记、交通标志和包括其动态特性(相对于adas车辆的位置和速度)的其他道路用户。这种感知软件(sw)形成了现代adas系统的基础，并且将(以不同程度的成熟度(matureness)和质量)存在于每个adas车辆中。基于此，adas车辆通常配备有l2+能力，即，其可以执行车道保持和距离保持。[0053]图2示出了根据本公开的示例实施方式的用于生成地图的设备100。该设备100可以设置在车辆20中，并且优选地可以面向车辆20的行驶方向d安装在车辆20上。本领域技术人员应理解，该设备100不是必须面向行驶方向；该设备100还可以面向侧向或后部方向。该设备100可以是雷达传感器、雷达模块、雷达系统的一部分。该设备100还可以是激光雷达传感器、激光雷达模块、激光雷达系统的一部分。该设备100还可以是用于采集和处理多个不同传感器数据(诸如雷达数据和激光雷达数据)的设备。车辆10还可以具有多于一个这样的设备100。[0054]该设备100可以作为车辆10的驾驶员辅助系统200的一部分来提供或者如图2所示与车辆10的驾驶员辅助系统200交互。车辆的驾驶员辅助系统200可以包括高级驾驶员辅助系统(adas)功能或自主驾驶功能。[0055]车辆10可以是通过机械动力移动的任何陆地车辆。附图将该车辆10例示为设置有设备100的汽车。然而，本公开不限于此。因此，该设备100也可以安装到例如货车、卡车、摩托车、公共汽车、机器人等上。[0056]设备100可以具有多个检测区域，例如被定向为使得其具有如图3的平面图中所示的前向检测区域111f、左检测区域111l和/或右检测区域111r。作为非限制性示例，至少当物体位于设备100的多个检测区域中的一个或更多个检测区域内时，物体可被认为在车辆10的周围。[0057]如图2所示，设备100包括获取单元120和处理单元130。此外，设备100可以可选地包括一个或更多个传感器或传感器单元(例如雷达和/或激光雷达传感器)110，但是所述一个或更多个传感器单元110也可以与设备100分开设置。[0058]获取单元120可以被配置(例如，被编程)为获取车辆10的至少一个传感器单元110的基于传感器的数据以及与车辆10的定位单元(例如，gps单元、dpgs单元，未示出)相关的定位数据。所述基于传感器的数据可以是雷达数据(来自雷达传感器)和/或激光雷达数据(来自激光雷达传感器)。注意，车辆的所述基于传感器的数据和定位数据是现实世界数据而不是仿真数据。从车辆的传感器单元110获取基于传感器的数据可以经由车内数据通信接口来执行，例如基于can总线通信或以太网到车辆10的区域控制器或域控制器。[0059]处理单元130可以被配置(例如，被编程)为使用定位数据(例如，使用gps数据)来确定车辆10自身的第一(单独)轨迹，并且使用所获取的基于传感器的数据来确定车辆10周围(在传感器单元的检测区域中)的其他车辆或其他物体的多个第二(单独)轨迹。轨迹通常可以被认为是车辆(或任何其他物体)在全局坐标系(gcs)中随时间的路径或轨迹(空间中的坐标集)。轨迹信息可以存储在车辆10的存储器中，例如与诸如记录时间、被跟踪对象的速度等的附加元信息一起存储。这里，第一路径与车辆10自身(在下文中也称为自我车辆)的单独路径相关联。换句话说，自我车辆的轨线或轨迹tego可以由车辆的定位(使用gps数据流)和(已知的)尺寸来提供。[0060]本领域技术人员应理解，该第一轨迹可以是车辆10的一组gps或dgps定位数据。所述第二轨迹与在自我车辆10的传感器检测区域中检测到的其他观察到的道路使用者的单独轨迹或路径相关联。这里，由于基于传感器的数据(由于雷达和/或激光雷达检测)通常与关于自我车辆的相对位置数据相关联，因此定位数据(第一轨迹)可有利地用于确定gcs中的多个第二轨迹。[0061]处理单元130还可以被配置(例如，被编程)为聚集(自我车辆的)第一轨迹和其他车辆(其他道路用户)的多个第二轨迹，或者聚集其他车辆(也可以包括摩托车、自行车等的其他道路用户)的多个第二轨迹以生成多个聚集轨迹。产生聚集轨迹通常可被视为将单独轨迹收集在一起，换句话说，作为单独轨迹的总和。本领域技术人员应理解，将单独轨迹聚集在一起允许确定(统计平均的)大多数道路用户已经取得的轨迹，并且其中将个体偏差平均。由于与其他车辆的第二轨迹的基于传感器的确定相比，自我车辆的第一轨迹通常具有更好的检测精度(例如，因为可以以高精度执行gps定位)，所以这进一步提高了聚集轨迹的精度。[0062]处理单元130可以通过将自我车辆的轨迹与比其他检测到的车辆更高的统计权重相关联来执行聚集。此外，当执行聚集时，不同大小的检测到的车辆也可以与不同的统计权重相关联，因为与在将道路或车道更朝向道路的中间或更朝向道路的侧面驾驶方面具有一定灵活性的小型车辆或摩托车相比，大型卡车更可能准确地跟随车道(例如车道中心)。[0063]这里，所生成的聚集轨迹可被包括在地图(hd地图)的网格地图表示中。即，预定空间分辨率的地图(例如，在2d笛卡尔坐标系中)可以被细分为预定尺寸的多个单独的网格单元，例如每个网格单元覆盖10cm×10cm的尺寸，并且聚集轨迹被包括在该地图中。因此，单个自我车辆可提供数据，关于多个车道的详细信息可从该数据聚集以创建hd地图。[0064]本领域技术人员应理解，可以在任何交通环境中并且也可以在任何地理区域中生成聚集轨迹，并且相应的地图是低成本的可靠的地图。[0065]图4是可编程信号处理装置300的示意图，其可以被配置为实现图2的设备100的功能。[0066]信号处理装置300具有接口模块310，其提供用于发送和接收信息的装置，例如一个或更多个天线或有线连接，例如用于提供到云服务器20的通信连接。信号处理装置300还具有：处理器320，例如cpu，用于控制可编程信号处理装置300以执行设备100的功能；工作存储器330，例如随机存取存储器；以及指令存储部340，用于存储具有计算机可读指令的计算机程序345，当由处理器320执行所述指令时，所述指令使处理器320执行设备100的功能。[0067]指令存储部340可以包括rom，例如以电可擦除可编程只读存储器(eeprom)或闪存的形式，其预加载有计算机可读指令。另选地，指令存储部340可以包括ram或类似类型的存储器，并且计算机可读指令可以从计算机程序产品(例如计算机可读存储介质350，例如cd-rom等)或携带计算机可读指令的计算机可读信号360输入到其中。[0068]另选地，设备100可以在诸如专用集成电路(asic)的不可编程硬件中实现，或者以使用硬件和软件组件的任何适当组合的任何其他适当方式实现。[0069]如上所述，本公开提供了以更准确和可靠的方式生成地图的各种技术。[0070]处理装置300还可以在云服务器20中实现，以实现图2的设备100的功能。换言之，获取单元120和处理单元130的功能也可以在云服务器中实现。图5示出了根据在基站20中实现的另一实施方式的用于基于聚集轨迹生成地图的方法的流程图。[0071]根据步骤s110，云服务器20如上所述从多个车辆10获取基于传感器的数据和定位数据。该获取可以通过车辆10和云服务器20之间的空中(ota)通信连接来执行，例如经由i/f310到一个或更多个基站30，如上所述。[0072]根据步骤s130，云服务器20(通过实现处理单元130的功能的处理器320)然后可以使用定位数据确定多个自我车辆的第一轨迹，并且对于多个自我车辆中的每一个，确定在自我车辆的检测区域中的其他检测到的车辆或物体的多个第二轨迹。[0073]确定第二轨迹的优选实施方式遵循使用基于激光雷达的传感器数据的检测和跟踪。即，自我车辆配备有允许执行3d对象检测和跟踪的基于激光雷达的传感器系统，并且还配备有gps单元以跟踪车辆的位置。然而，这不是限制性的，并且车辆检测和跟踪也可以使用基于雷达的数据来执行(manjunath等人的“radarbaseddetectionandtrackingforautonomousdriving”，2018ieeemtt-s智能移动微波国际会议，doi:10.1109/icmim.2018.8443497)。[0074]这里，3d边界框检测和跟踪器(由于基于激光雷达的传感器数据和/或基于雷达的传感器数据)可用于在多个检测帧上识别道路用户。即，3d对象检测和跟踪被应用于基于传感器的数据。另一车辆(例如，汽车、卡车、公共汽车等)的检测可以由指示车辆的尺寸(例如，2m(宽)×4m(长)×2m(高))的3d边界框(例如，长方体)来表示，并且边界框的相应位置对于多个时间或检测帧可以被变换到全局坐标系(gcs)。边界框(立方体)的取向也可以被确定，并且因此指示关于边界框的哪一侧属于相应车辆的前方，从而指示行驶方向。然后可以将检测结果(长方体)与另一(检测到的)车辆的行驶方向一起记录。如果被跟踪车辆是静止的或移动的，也可以提供跟踪器置信度和标志。[0075]边界框(立方体)然后可以被处理成指示另一车辆的轨线或轨迹的网格地图表示。[0076]图6示出了边界框检测和跟踪以及轨迹确定(在地图表示中表示轨迹)的示例。图6的左图示意性地示出了3个帧的检测和跟踪立方体。尤其是，一旦检测到其他道路用户(其他车辆)，就可以根据自我车辆的gps位置和传感器系统的校准导出位置、方位和行驶方向。在提供具有深度信息的密集空间数据的激光雷达传感器的情况下，可以将来自局部坐标系的立方体变换到全局坐标系。[0077]被检测车辆的轨线(路径)或轨迹td可以被定义为相应检测帧j＝1,…,p中的被检测立方体cj的轨迹，即t＝{c1,…,cp}，其中p是最后检测帧。[0078]每个轨迹td可以用元信息来丰富，诸如轨迹置信度值tconf∈[0,1]，立方体相对于自我车辆应处于的距离范围(实数集)、和/或轨迹的第一个和最后一个立方体的欧几里得距离。通常，每个轨迹可以与如此处所描述的或下面进一步描述的元信息一起关联(例如存储)。[0079]图6的中间示出了将所检测和跟踪的立方体变换为单独轨迹的处理。将长方体覆盖的整个地理区域视为单独轨迹；即，如图6的右图所示，对于各个轨迹，两个后续立方体的重叠区域也优选地仅计数一次。这里，图6的背景中的网格表示地图(其可以被认为是矩阵)，并且黑色单元表示该轨迹的值1(右图)。[0080]通过多次记录位置并且通过检测覆盖相同位置的多个车辆，可以给出(聚集)多个检测用于车道估计。因此，地图的局部网格单元区域可以具有聚集值，该聚集值最初被设置为零，并且针对通过局部网格单元区域的每个轨迹增加一。[0081]此外，如果自我车辆的单独轨迹(第一轨迹)也用于生成聚集轨迹，则自我车辆的定位数据与自我车辆的已知3d维度一起使用以生成如图6所示的相应表示。[0082]此外，根据图5中的步骤s150，云服务器20(通过实现处理单元130的功能的处理器320)然后可以聚集(自我车辆的)第一轨迹和其他车辆(其他道路用户)的多个第二轨迹，或者聚集其他车辆(其他道路用户)的多个第二轨迹以生成多个聚集轨迹。[0083]对于聚集，给定的地理位置(本地区域)可以表示为网格地图，如图6所示，其中每个网格单元覆盖预定区域，例如gcs中的10cm×10cm区域。密度图可以关于给定空间位置的聚集来定义。密度图d可以表示移动车辆的密度。[0084]在开始时，网格地图d的所有值都被设置为0。然后，对覆盖给定位置的所有轨迹(td和/或tego)执行迭代。对于移动轨迹td的每个立方体cj，可以将检测到的立方体映射到密度图中，并且在位置(网格)与立方体重叠的情况下，将密度图的各个值增加预定值(例如增加1的值)。[0085]d中的每个值只能通过当前轨迹的立方体增加一次。即，当考虑例如图6(左图)中的3个检测到的长方体时，即使在2个随后检测到的长方体的重叠区域中，d中的值也仅增加一次。这防止了d中的值不正确地累加，例如对于停止的移动车辆，例如当它到达交通信号灯时。[0086]在处理第一轨迹的立方体之后，d的值可以是0或1，见图6(右图)。然后，在处理第二轨迹的立方体之后，d中的值可以是0或1或2等。[0087]由于云服务器20已经获取了多个车辆的相应数据，因此可以从更多数量的单独(第一和第二)轨迹生成聚集轨迹，并且因此聚集轨迹和得到的地图更准确。[0088]本领域技术人员应理解，不是图5的所有步骤都必须由云服务器20执行。例如，步骤s110和s130可以例如以预处理的形式由单独的自我车辆10执行，并且仅将与单独轨迹相关联的信息发送到云服务器以聚集单独轨迹。这可以减少必须在adas车辆的车队和云服务器之间通信的数据量，并且因此导致提供hd地图的更快更新。[0089]因此，创建hd地图的上述概念是基于所观察的道路用户的估计的单独轨迹(第二轨迹)，并且还可以包括自我车辆的行驶路径(第一轨迹)。可以使用来自多个传感器记录(基于现实世界数据)的数据，即可以不止一次地记录地理位置。然而，单个记录也可以提供足够数量的信息来估计各个轨迹。如所解释的，轨迹(第二轨迹)与从激光雷达点云数据和/或雷达数据检测和跟踪的车辆相关。这导致聚集轨迹和由此确认的可行驶车道，车辆可以使用这些可行驶车道来改进adas功能，如下面将进一步详细描述的。[0090]根据优选实施方式，上述聚集过程之后可以是提取过程，其中，从聚集轨迹中提取车道中心的轨迹。车道中心可以被认为是与驾驶的左右空间相等的车道的中点；因此，车道中心的轨迹可以跟随车道的中点，并且可以被认为是用于自主驾驶目的的最佳路径。提取车道中心可以以不同的方式执行，例如使用分水岭变换(thewatershedtransformation)(参见，例如，beucher的“thewatershedtransformationappliedtoimagesegmentation”，扫描显微镜：第1992卷：第6条第28款)对聚集路径进行聚类和分段。[0091]在图7中示出了组合的聚集和提取过程的结果的示例。具体地，图7示出了在复杂交通情形中生成的地图的一部分，并且具体地示出了(如上所述生成的)聚集轨迹以及相应的行驶方向、提取的车道中心、车道边界以及分叉和合并。聚集轨迹可以与例如从上述密度图导出的交通密度(低对高)的指示一起显示。本领域技术人员应理解，高密度是指在车道分叉(分)成两个或更多个车道或分叉(合并)成单个车道的地理区域中可以预期的更多交通。[0092]在优选实施方式中，可以根据预定的一组不同的行驶方向对自我车辆的第一单独轨迹和检测到的其他车辆的多个第二轨迹进行分类，并且可以生成多个行驶方向特定聚集轨迹。[0093]这里，可以根据立方体的取向(从上述3d对象检测和跟踪)导出行驶方向。gcs中的方位可以由偏航率给出。这里，取向可以分为四类(预定的一组不同的行驶方向)，并且可以定义四个方向相关的密度图，为了简洁起见，方向密度图d＝1,…,4。然后，如上所述，可以对所有轨迹和立方体执行迭代，但是取决于立方体的取向，立方体可以被投影到方向密度图，使得dd包含具有如下的立方体：[0094]·d1:[0095]·d2:[0096]·d3:[0097]·d4:[0098]该映射还可以取决于元信息，该元信息通常定义聚集策略。例如，如果仅聚集接近自我车辆(即，在自我车辆周围的特定区域内)(即，tr的低选择)并且具有高跟踪器置信度tconf的轨迹(第二轨迹)，则这是更保守的策略。[0099]在映射道路用户的轨迹(第二轨迹)之后，自我车辆的立方体也可以被映射并聚集成方向密度图dd,d＝1,…,4。这可以在有或没有关于自我车辆本身的任何元信息的情况下完成。还可以使自我车辆的权重增加例如2。由于自我车辆轨迹可以基于精确的定位，例如dgps，因此它可具有比来自被检测和被跟踪车辆(其他道路用户)的轨迹更小的定位不确定性。[0100]因此，如上所述，聚集轨迹可以与密度图d相关联，并且行驶方向特定聚集轨迹可以与行驶方向密度图dd相关联，由此使用从第一轨迹和多个第二轨迹收集的数据来生成密度图和行驶方向密度图。即，可以通过在所有单独的轨迹上迭代来生成这些地图，由此可以关于距自我车辆的特定距离tr和/或具有特定跟踪器置信度tconf来考虑第二轨迹(关于自我车辆环境中的检测到的车辆或物体)。此外，也可以考虑每个轨迹的长方体的数量，即单独轨道的第一个和最后一个长方体之间的距离的长度。这可以进一步改进和控制所生成的地图的准确性和可靠性。[0101]图8示出了从左图中的整体密度图d(聚集轨迹)导出的方向密度图dd(行驶方向特定聚集轨迹)的示例。本领域技术人员应理解，整体密度图d(聚集轨迹)是四个方向密度图dd(行驶方向特定聚集轨迹)的总和。[0102]上述依赖于方向的密度图可以有利地用于提取车道中心的另一实施方式中。这是由观察引起的，即与方向无关的密度图d可能导致提取和连接相反的车道，从而导致不正确的映射。该提取可以应用于地图表示的聚集数据，产生结构化数据集，该结构化数据集将车道表示为关于行驶方向的车道中心。[0103]图9示出了根据优选实施方式的用于提取车道中心的轨迹的方法。[0104]根据图9的步骤s210，可执行聚集轨迹的预处理。在该预处理中，仅选择大于或等于预定阈值的d和dd中的聚集轨迹值来提取车道中心。这有利地避免了假阳性通道和/或不需要的检测。注意，预定阈值对于d和dd可以不同。[0105]即，作为提取的预处理，可以将dd,d＝1,…,4中的值设置为0，其中这些值不大于或等于给定的最小轨迹数numt。利用该参数，可以避免假阳性通道或不想要的检测。例如，如果以中等流量记录特定位置10次，并且在特定区域中10次记录中仅有一次检测，则这可能是假阳性。为此，最小轨迹数numt可以确保与记录相关的一定数量的检测。[0106]作为进一步的预处理步骤，可以基于处理后的密度图s(d)和/或处理后的行驶方向密度图s(dd)来执行车道中心的轨迹的提取，其中处理后的密度图s(d)和处理后的行驶方向密度图s(dd)是通过对密度图d和行驶方向密度图dd采用函数(平滑函数或滤波函数)来获得的，以确定在与聚集轨迹和行驶方向特定聚集轨迹垂直的方向上的相应局部密度最大值。[0107]该函数可以是(例如)可以应用的卷积滤波器。例如，密度图d和方向密度图dd可以通过应用步幅s＝1、核大小k＝20、零填充和固定核权重1的卷积来处理。此外，可以采用补零。[0108]处理后的密度图s(d)、s(dd)可以比密度图d、dd更适合于车道中心的后续提取。例如，如果我们只有一个车辆的轨迹，则密度图d中的相应值是1。在密度图s(d)中，这些值将是不同的：轨迹的相应中心的值高于轨迹的站点的值。因此，轨迹的中心可以被解释为与轨迹正交的仿射子空间中的局部最大值的集合。[0109]由于从现在起将仅使用处理后的密度图，所以省略术语“处理后”。[0110]根据图9的另一步骤s230，可以执行车道中心的预提取或初始提取。这里，车道中心的轨迹的提取可以通过跟踪(或跟随)局部密度最大值的有序路径来执行，优选地在聚集轨迹的向前和向后方向上。[0111]例如，初始提取(预提取)步骤s230可以作为迭代过程来执行。尤其是，对于每个密度图s(dd),d＝1,…,4，可以执行以下处理：[0112]首先，可以选取s(dd)中的最高值(最高局部最大值)作为起始点。从s(dd)中的最高值的位置，检测下一个最高值或当前方向(有序路径)上的相同最高值。例如，如果考虑表示从南向西的方向的密度图s(d3)，则确定左值、左下值或下值最高或具有相同值的下一位置。关于离散取向或方向d的预提取被称为前向提取。在后向提取中，如在前向处理中一样以相同的起始点执行处理，但是方向与d相反。在本示例中，评估从当前位置到顶部、顶部右侧和右侧的值以检测下一个最高值。[0113]如果满足第一条件中的至少一个，则前向和后向提取停止：1)到达地图的末端；2)下一个值将是0，这意味着不存在轨迹信息；或者3)如果下一个值比已经提取的值的平均值小预定量(例如，小50％)。最后的停止条件3)的思路是在具有相同方向的平行车道的情况下避免车道混合。[0114]在第一车道中心部分的预提取之后，将所提取的值周围的区域中的值设置为0，并且从选取更新的密度图s(dd)上的最高值开始。当s(dd)中的所有值都为0时，该迭代过程结束。[0115]图10示出了预提取的第一次迭代。这里，左图示出了s(d3)和与最高密度值相关的插入框区域。在该框区域中，局部密度最大值沿向前(1)和向后(2)方向(第二幅图)跟随。然后，在提取车道中心的第一轨迹(在第三幅图中突出显示的虚线)之后，围绕所提取的车道中心的第一轨迹的值被设置为0，并且迭代继续至图10的第四幅图中的黑框所标识的下一车道中心区域。[0116]根据图9的步骤s250，执行切割和连接所提取的车道中心的轨迹的后处理。这里，由于在提取的车道中心周围的区域被设置为0的步骤s230中的预提取，提取的车道中心的末端可以不连接到车道中心的相邻端部的末端，参见图11中的左图，其示出了切割和连接提取的车道中心的轨迹的后处理。[0117]为此，可以采用切割和连接步骤。在切割步骤中，考虑所有车道中心轨迹的末端以确定它们的位置是否在它们相应的方向密度图s(d)的区域的最高值内。即，确定位置是否属于指定大小的区域(例如，正方形或圆形区域，其中对应的方向密度图值在最高值的预定部分(例如，25％)内)。如果不是这种情况，则相应的末端被切断，参见图11中间的图。[0118]为了具有有向图表示，可以随后连接相邻的车道中心。图12示出了所提取的车道中心的轨迹的连接的进一步细节。这里，(车道中心轨迹a、b、c的)末端坐标ca、cb和cc是不连接的，意味着不是任何其他车道中心轨迹具有相同的坐标。首先，可以尝试将车道中心轨迹a与另一车道连接。[0119]为此，以开始位置ca执行预提取(后向部分)。在这种情况下，轨迹继续直到cb处于相邻区域，如上所述。[0120]因此，更新的车道中心a与b连接，因此ca＝cb。由于该更新，cb被连接，并且不必对b进行任何操作。然而，车道中心轨迹c仍然是未决的。该处理过程与a类似，因此将与a相连。这里，它是预提取的c的前向部分。结果示于右图。由于另一个停止条件(一个看似合理的车道中心在近距离内)，该连接被停止。[0121]换句话说，在连接部分中，预提取部分可以用于每个未连接的车道中心末端。然而，可以在密度图s(d)上进行连接操作而无需区分密度图的方向。此外，处理过程在看似合理的车道中心附近停止。如果车道中心的方向与所考虑的轨迹(其将被连接)的方向相反，则近距离车道中心是合理的。在图11和图12的右图中示出了连接处理的结果。[0122]本领域技术人员应理解，提取车道中心的轨迹的上述实施方式是确定性方法。这些实施方式有利地避免了应用机器倾斜算法等，否则机器倾斜算法将需要基于对于任何交通环境或任何地理区域可能不可用的地面实况的广泛训练。然而，也可以应用适当训练的机器学习算法来提取车道中心的轨迹。[0123]每个车道中心可以作为具有关于行驶方向排序的坐标的列表给出。由于上述提取方法，坐标被连接并且可以包含用于车道中心表示的冗余坐标，例如在直线车道的情况下。冗余坐标可以例如用ramer-douglas-peucker算法[9]去除：ramer等人的“aniterativeprocedureforthepolygonalapproximationofplanecurves”，计算机图形和图像处理，1(3)：244-256，1972年，和[10]：douglas等人的“algorithmsforthereductionofthenumberofpointsrequiredtorepresentadigitizedlineoritscaricature”，地理信息和地理可视化国际期刊，10(2)：112–122，1973年。这也可以用于平滑所提取的车道中心轨迹。就地图的有向图表示而言，车道中心轨迹，即两个坐标的连接可以被视为边缘，并且坐标本身以及车道中心轨迹的连接可以被视为节点(例如，如图7所示的分叉或合并)。[0124]然后可以将从四个方向轨迹图中提取的车道中心轨迹重新投影到该地图和世界坐标上并收集在一个地图中。这样，可以在包括相应行驶方向的地图(hd地图)的有向图表示(即结构化数据集)中表示轨迹中心的聚集轨迹。有向图表示还可以包括车辆密度、车道分叉、车道合并和车道边界的表示中的一个或更多个。[0125]这样的hd地图因此可以由云服务器20容易地生成并且不断地更新。hd地图(以及相关的所收集的元信息，见下文)可以被下载到车队20，并且可以有利地用于改进的adas功能。即，hd地图可以设置车辆20可以在其中移动的框架，并且当现场adas系统发生故障或其摄像头被遮挡时，hd地图还可以被视为备用解决方案。[0126]在优选实施方式中，上述聚集轨迹的确定可被扩展为还包括行人的聚集轨迹。即，基于传感器的数据还可用于确定多个单独的行人轨迹(第三轨迹)，并且多个单独的行人轨迹可被聚集以确定也可包括在地图的网格地图表示中的聚集行人轨迹。即，地图因此还可以包括诸如人行道、斑马线等的行人相关信息。这里，行人的检测和单独轨迹的聚集可以通过使用上述基于传感器的检测和上述针对车辆交通示例说明的单独轨迹的聚集来执行。[0127]因此，所生成的地图与常规地图相比更可靠，因为地图更好地反映了当前交通状况，该当前交通状况还可以包括关于行人移动和车道交叉的特定准确信息。[0128]图13示出了根据另一实施方式的用于确定车辆类别特定聚集轨迹的方法。根据图13的步骤s310，获取基于传感器的数据和定位数据(如以上针对图5中的步骤s110所解释的)。[0129]根据图13的步骤s330，可以根据多个车辆类别进一步区分车辆的各个轨迹(如根据以上解释的图5中的步骤s130确定的)。[0130]即，可以考虑多个车辆类别，例如，关于汽车的第一车辆类别、关于公共汽车的第二车辆类别、关于卡车的第三车辆类别、关于摩托车的第四车辆类别、以及关于自行车的第五车辆类别。本领域技术人员应理解，这是这种对象类的非限制性示例，并且也可以考虑其它或多或少的特定类别，例如，关于4轮车辆的第一车辆类别和关于2轮车辆的第二车辆类别。[0131]如上所述，使用所获取的传感器数据，多个不同的车辆因此可以随时间被检测和跟踪以确定多个车辆类别中的每一个的单独的轨迹(车辆类别特定的第二轨迹)。此外，使用gcs中的定位(例如，使用gps)数据，车辆的雷达和/或激光雷达检测的相对位置以及车辆的跟踪也可以被转换到gcs中，使得各个车辆轨迹也可以被提供在gcs中。因此，车辆类别特定的第二轨迹通常也可以被认为是被跟踪车辆在gcs中随时间遵循的路径或轨迹(空间坐标集)。[0132]根据图13中的步骤s350，该方法还可以聚集各个车辆类别特定轨迹中的每一个，以确定地图(hd地图)的网格单元地图表示中的多个车辆类别特定聚集轨迹。[0133]因此，地图可以累积存在、行驶方向和观察到的速度，这可以针对不同的车辆类别来区分。基于此，可以检测特定车道，例如公共汽车车道，但也可以检测旁路或只能由特定类别的车辆使用的其他特殊车道。[0134]图13的实施方式优选地使用基于雷达的传感器数据来确定各个轨迹，这避免了使用激光雷达传感器来生成地图的成本。也就是说，这是基于现有adas车辆中容易获得的信息来创建、维护和更新这种地图的低成本变体。[0135]此外，当确定各个轨迹时，还可以保存与各个轨迹相关联的元信息，例如与各个轨迹相关联地存储的速度数据(例如，基于检测到的多普勒值)、到自我车辆的距离、分类结果、轨迹检测的日期和时间等。即，所确定的第二轨迹的信息优选地与检测到的车辆类别和/或行人类别的元信息一起存储。[0136]该存储的元信息还可被包括在聚集轨迹中，其还可包括与聚集轨迹的创建和/或使用相关的元信息。[0137]该元信息可以有利地用于仅使用在大约最后一小时内(即，在特定时间量内)确定的用于聚集的各个第二轨迹。使用该元信息，地图可以基于最后例如5小时或2天(即特定时间量)中的车队的检测和跟踪信息。[0138]这进一步允许生成高度精确的聚集轨迹和相应的元信息，诸如更好地反映当前交通状况的平均速度。本领域技术人员应理解，这在这样的场景中是有用的，例如，道路的法定速度限制可能已经改变而没有更新相应的地图数据，或者施工区域可能突然导致映射的车道标记变为无效。元信息还可包括基于被聚集的各个轨迹(第二轨迹)的总量的置信度值。[0139]因此，由此生成的地图可以被提供有精确的和最新的元信息，例如经验速度(即实际观察到的速度而不是法定允许的速度)。经验速度中的当前变化对于地图变化检测(例如，施工现场、临时交通限制等)是有价值的信息。[0140]只有在达到临界数量的“共识”之后，即只有在已经对地图的每个网格单元观察到特定最小数量的单独轨迹(整体和/或每类)之后，才可以使聚集轨迹和相应更新的地图例如被云服务器公开。[0141]图14示出了根据另一实施方式的由车辆实施的方法。车辆10具有通信接口(诸如图4中的i/f310)以与云服务器20通信。经由通信接口，车辆10可以接收已经根据上述实施方式之一生成的地图(hd地图)(步骤s410)。车辆还具有控制单元(例如图4中的处理器320，或图2中的车辆10的驾驶员辅助系统200)。控制单元基于接收到的地图做出高级驾驶和安全决策(例如adas和/或ad决策)，所述地图包括如上所述的信息聚集轨迹和/或元信息(步骤s430)。因此，车辆10不仅能够访问从装备的传感器提取的其自己的感知信息，而且能够访问来自云服务器的聚集服务的聚集轨迹和/或元信息，并且因此能够做出改进的adas决策。[0142]例如，所接收的地图的聚集轨迹和元信息包括关于在车道上驾驶的更新的平均速度的信息以及该信息的最新程度，其可用于执行有效的路线规划。[0143]根据优选实施方式，控制单元可被配置为仅使用地图中的已通过使用最小数量的单独轨迹来聚集和/或已通过使用在过去的特定时间量内确定的最小数量的轨迹来聚集的聚集轨迹。尤其是，如上所述，聚集轨迹可以携带关于已经使用多少个单独轨迹来生成(并确认其正确性)该聚集轨迹的元信息。聚集轨迹还可携带关于最新轨迹在被聚集到此聚集轨迹中时有多旧的元信息。因此，adas系统的控制单元现在可以通过仅采用如下这些轨迹来确定该聚集轨迹的“质量”，其中所述轨迹：a)已经接收到足够的总的单独轨迹(例如最少100个单独轨迹)；和/或b)已经接收到足够的最近的轨迹(例如在最后10分钟内最少10个轨迹)。本领域技术人员应理解，单独轨迹的最小数量和最后特定时间量内的轨迹的最小数量的特定示例是非限制性示例。[0144]该方法确保了在将这些聚集轨迹用于adas决策之前，adas系统的控制单元可以确认所采用轨迹的正确性和准确性。也就是说，控制单元还可以被配置为向车辆输出控制指令，以遵循从所接收的地图中提取的聚集轨迹之一，特别是在车辆的摄像机处于阻挡状态的情况下。[0145]更具体地，adas车辆10可以配备有现有技术的l2自主驾驶能力，并且因此可以通过用其自己的感知传感器(例如，摄像头系统)观察车道标记来主动地跟随车道标记，和/或因此可以主动地控制其到任何前方车辆的纵向距离(例如，通过部署用于距离测量的雷达)。如果且仅当感知软件未能观察到其周围环境(例如，由于摄像头被阻挡或被直射阳光遮蔽)时，典型的adas车辆将停止工作并警告驾驶员接管对车辆的控制。这种中断可以自发地发生并且没有驾驶员的预警时间。由于该系统需要立即由人类驾驶员接管并且因此需要驾驶员的持续注意力，所以它只能有资格作为l2自主驾驶系统。[0146]随着来自云服务器20的云聚集服务的附加信息(聚集轨迹和/或元信息)变得可用，并且优选地如上面概述的“正确性”和“正确度”的确认，adas系统的控制单元现在可以执行不同的方法来处理感知传感器的这种“阻挡”情况。代替直接禁用adas功能并期望驾驶员立即接管，adas系统因此可以回退以遵循其从云服务(云服务器)接收的地图上的聚集轨迹。[0147]控制单元优选地仅在以下条件下应用此回退：如上所述，a)对其他道路用户(例如，基于雷达传感器)的感知仍然起作用，因此可以保证前方的道路实际上没有障碍物；以及b)所采用的地图的聚集轨迹是最新的和准确的。[0148]根据基于所接收的地图作出adas决策的另一优选实施方式，控制单元可进一步经配置以向车辆10输出控制指令，以在聚集轨迹准确时遵循聚集轨迹。[0149]即，与从云聚集服务(云服务器20)接收的聚集轨迹和/或元信息相关的数据为adas系统提供“前瞻”以实现“轨迹遵循”。只要有足够的“前瞻”信息可用，因此有足够的满足上述条件的聚集轨迹可被认为是“最新的”和/或“准确的”，控制单元就可以通过遵循这些轨迹继续正常操作，类似于传统的“编队(platooning)”概念。[0150]在某个时间点，将出现不能采用更多聚集轨迹的点，这是因为a)其他adas交通工具先前没有观察到更多的轨迹，因此聚集轨迹服务不能提供任何信息，或者b)所提供的轨迹不再具有“最新”和“准确”的资格，因为仅聚集了太少或太旧的数据。在这种情况下，adas系统的控制单元可以向驾驶员通告其将关闭其功能的警报，类似于没有这种附加轨迹信息的情况。然而，总的来说，驾驶员接管的提前时间会更长，因为adas系统可以“提前”更长时间，并“提前”决定何时会耗尽足够的信息来保持功能。[0151]根据基于所接收的地图作出adas决策的另一优选实施方式，控制单元可进一步经配置以基于所接收的地图确定弯道速度推荐，尤其是聚集轨迹的形状和其中所包含的元信息，例如平均速度信息。[0152]也就是说，应用由来自聚集服务的所采用的聚集轨迹提供的“前瞻”，adas车辆的控制单元可以计算下一条弯道将要到达的适当速度。该推荐速度可以如在经典速度推荐系统中那样计算(例如，基于道路曲率)，但不需要感知软件来实际感知前方的道路几何形状。这允许更加平滑地调节行驶速度，并且车辆具有更多的减速时间。根据实际速度和推荐速度的差异，系统甚至可以继续运行，而不是警告驾驶员并关闭。这将显著提高速度推荐功能的舒适性和感知可用性，从而使此类系统的接受范围更广。[0153]在前面的描述中，参照多个实施方式描述了多个方面。因此，说明书应被认为是说明性的，而不是限制性的。类似地，附图中示出的突出了实施方式的功能和优点的图仅出于示例的目的而呈现。实施方式的体系结构是足够灵活和可配置的，使得它可以以不同于附图中所示的方式来使用。[0154]在示例性实施方式中，本文所呈现的软件实施方式可以被提供为计算机程序或软件，诸如具有指令或指令序列的一个或更多个程序，其被包括或存储在诸如机器可访问或机器可读介质、指令存储部或计算机可读存储设备的制品中，其每一个可以是非暂时性的。非暂时性机器可访问介质、机器可读介质、指令存储部或计算机可读存储设备上的程序或指令可用于对计算机系统或其它电子设备进行编程。机器或计算机可读介质、指令存储部和存储设备可以包括但不限于软盘、光盘和磁光盘或适于存储或传输电子指令的其它类型的介质/机器可读介质/指令存储部/存储设备。这里描述的技术不限于任何特定的软件配置。它们可以在任何计算或处理环境中找到适用性。本文所使用的术语“计算机可读介质”、“机器可访问介质”、“机器可读介质”、“指令存储部”和“计算机可读存储设备”应包括能够存储、编码或传输指令或指令序列以供机器、计算机或计算机处理器执行并使机器/计算机/计算机处理器执行本文所述方法中的任一种的任何介质。此外，本领域中通常以一种形式或另一种形式(例如，程序、过程、进程、应用、模块、单元、逻辑等)将软件称为采取动作或导致结果。这样的表述仅仅是陈述由处理系统执行软件使得处理器执行动作以产生结果的速记方式。[0155]一些实施方式还可以通过准备专用集成电路、现场可编程门阵列、或通过互连常规组件电路的适当网络来实现。[0156]一些实施方式包括计算机程序产品。计算机程序产品可以是具有存储在其上或其中的指令的存储介质或多个存储介质、一个或更多个指令存储部或者一个或更多个存储设备，这些指令可以用于控制或致使计算机或计算机处理器执行本文描述的示例性实施方式的任何程序。存储介质/指令存储部/存储设备可以包括(例如但不限于)光盘、rom、ram、eprom、eeprom、dram、vram、闪存、闪存卡、磁卡、光卡、纳米系统、分子存储器集成电路、raid、远程数据存储/存档/储存、和/或适于存储指令和/或数据的任何其它类型的设备。[0157]存储在计算机可读介质或多个介质、一个或更多个指令存储部或者一个或更多个存储设备中的任一个上的一些实现包括用于控制系统的硬件和用于使系统或微处理器能够利用本文所述的实施方式的结果与人类用户或其他机制交互的软件。这种软件可以包括但不限于设备驱动程序、操作系统和用户应用程序。最后，这种计算机可读介质或存储设备还包括用于执行如上所述的示例方面的软件。[0158]包括在系统的编程和/或软件中的是用于实现本文描述的过程的软件模块。在本文的一些示例实施方式中，模块包括软件，尽管在本文的其他示例实施方式中，模块包括硬件或硬件和软件的组合。[0159]虽然上面已经描述了本公开的各种实施方式，但是应当理解，它们是作为示例而非限制来呈现的。对于相关领域的技术人员显而易见的是，可以在其中进行形式和细节上的各种改变。因此，上述示例性实施方式不是限制性的。[0160]此外，摘要的目的是使专利局和公众，尤其是不熟悉专利或法律术语或措辞的本领域的科学家、工程师和从业者能够从粗略的检查中快速地确定本技术的技术公开的实质和本质。摘要不旨在以任何方式限制本文所呈现的实施方式的范围。还应当理解，在权利要求中叙述的任何过程不需要以所呈现的顺序执行。[0161]尽管本说明书包含许多具体的实施方式细节，但这些细节不应被解释为对所要求保护的范围的限制，而是作为对本文所述的特定实施方式的特定特征的描述。在单个实施方式的上下文中在本说明书中描述的某些特征也可以在单个实施方式中组合实现。相反，在单个实施方式的上下文中描述的各种特征也可以在多个实施方式中单独地或以任何合适的子组合来实现。此外，尽管特征可能在上文中被描述为在某些组合中起作用并且甚至最初被如此要求保护，但是来自所要求保护的组合的一个或更多个特征在某些情况下可以从该组合中删除，并且所要求保护的组合可以涉及子组合或子组合的变体。[0162]在某些情况下，多任务和并行处理可能是有利的。此外，上述实施方式中的各种组件的分离不应被理解为在所有实施方式中都需要这种分离，并且应当理解，所描述的程序组件和系统通常可以一起集成在单个软件产品中或封装到多个软件产品中。[0163]现在已经描述了一些说明性的实施方式，很明显，上述通过示例的方式给出的内容是说明性的而非限制性的。尤其是，尽管这里给出的许多示例涉及装置或软件元件的特定组合，但是这些元件可以以其它方式组合以实现相同的目的。仅结合一个实施方式讨论的动作、元件和特征不旨在被排除在其它实施方式或多个实施方式中的类似角色之外。[0164]在此描述的装置、设备和单元可以在不脱离其特征的情况下以其他具体形式实施。上述实施方式是说明性的而不是对所描述的系统和方法的限制。因此，这里描述的装置的范围由所附权利要求而不是前面的描述来指示，并且落入权利要求的等同物的含义和范围内的改变包含在其中。当前第1页12当前第1页12
技术特征：
1.一种生成地图的计算机实现方法，所述计算机实现方法包括以下步骤：-获取至少一个车辆的传感器单元的基于传感器的数据和与所述至少一个车辆的定位单元相关的定位数据；-使用所述定位数据确定所述至少一个车辆的第一轨迹，并且使用所述基于传感器的数据确定其他车辆的多个第二轨迹；以及-聚集所述第一轨迹和/或所述多个第二轨迹以在所述地图的网格地图表示中生成聚集轨迹。2.根据权利要求1所述的计算机实现方法，所述计算机实现方法还包括：-从所述聚集轨迹中提取所述地图的车道中心的轨迹。3.根据权利要求1或2所述的计算机实现方法，进一步根据不同行驶方向的预定集合对所述第一轨迹和所述多个第二轨迹进行分类，并且生成多个行驶方向特定聚集轨迹。4.根据权利要求1至3中任一项所述的计算机实现方法，其中，所述聚集轨迹与密度图(d)相关联，并且所述行驶方向特定聚集轨迹与行驶方向密度图(d
d
)相关联，所述密度图和所述行驶方向密度图是使用从所述第一轨迹和/或所述多个第二轨迹收集的数据生成的。5.根据权利要求1至4中任一项所述的计算机实现方法，其中，通过选择大于或等于预定阈值的聚集轨迹值来执行所述车道中心的轨迹的提取。6.根据权利要求1至5中任一项所述的计算机实现方法，其中，基于处理后的密度图(s(d))和/或处理后的行驶方向密度图(s(d
d
))来执行所述车道中心的轨迹的提取，所述处理后的密度图(s(d))和所述处理后的行驶方向密度图(s(d
d
))是通过对所述密度图(d)和所述行驶方向密度图(d
d
)采用函数来获得的，以确定在与所述聚集轨迹和所述行驶方向特定聚集轨迹垂直的方向上的相应局部密度最大值。7.根据权利要求6所述的计算机实现方法，其中，通过跟踪所述局部密度最大值的有序路径来执行所述车道中心的轨迹的提取。8.根据权利要求7所述的计算机实现方法，其中，对所述车道中心的轨迹进行后处理，以连接所提取的所述车道中心的轨迹的末端。9.根据权利要求1至8中任一项所述的计算机实现方法，所述计算机实现方法还包括：-在包括行驶方向的hd地图的有向图表示中表示所述聚集轨迹。10.根据权利要求9所述的计算机实现方法，其中，所述有向图表示还包括车辆密度、车道分叉、车道合并和车道边界的表示中的一个或更多个。11.根据权利要求1至10中任一项所述的计算机实现方法，所述计算机实现方法还包括：-使用所述基于传感器的数据确定行人的多个第三轨迹；以及-聚集所述多个第三轨迹以在所述地图的所述网格地图表示中生成聚集行人轨迹。12.根据权利要求1至11中任一项所述的计算机实施的方法，其中：-通过根据车辆类别区分其他车辆并确定一组车辆类别特定的第二轨迹来确定其他车辆的多个第二轨迹；并且所述计算机实现方法还包括：-聚集多个车辆类别特定的第二轨迹以在所述hd地图的所述网格地图表示中生成车辆类别特定聚集轨迹。
13.根据权利要求1至12中任一项所述的计算机实现方法，所述计算机实现方法还包括：-将所确定的第二轨迹连同与所述第二轨迹和/或所述聚集轨迹相关的元信息一起存储。14.根据权利要求1至13中任一项所述的计算机实现方法，所述计算机实现方法还包括：-将所确定的第二轨迹连同与类别的相应检测相关的元信息一起存储。15.根据权利要求1至14中任一项所述的计算机实现方法，其中，所述hd地图的所述网格地图表示包括所述hd地图的各个网格单元的平均速度信息。16.根据权利要求1至15中任一项所述的计算机实现方法，其中，所述基于传感器的数据是基于雷达传感器的数据和/或基于激光雷达传感器的数据。17.根据权利要求1至16中任一项所述的计算机实现方法，其中，所述定位数据是基于gpg的数据。18.一种云服务器，所述云服务器被适配成执行根据权利要求1至17中任一项所述的计算机实现方法。19.一种车辆，所述车辆包括：-通信接口，所述通信接口被配置为从根据权利要求18所述的云服务器接收地图；以及-控制单元，所述控制单元被配置为基于所接收的地图作出高级驾驶和安全决策。20.根据权利要求19所述的车辆，其中，所述控制单元被配置仅使用所述地图中的已通过使用最小数量的单独轨迹而被聚集的聚集轨迹和/或已通过使用在过去的特定时间量内确定的最小数量的轨迹而被聚集的聚集轨迹。21.根据权利要求19或20所述的车辆，其中，所述控制单元被配置为向所述车辆输出控制指令，以遵循来自所接收的地图的所述聚集轨迹中的一个聚集轨迹。22.根据权利要求21所述的车辆，其中，所述控制单元还被配置为向所述车辆输出控制指令，以遵循所述聚集轨迹中的一个聚集轨迹，只要该聚集轨迹是准确的。23.根据权利要求19至22中任一项所述的车辆，其中，所述控制单元还被配置为基于所接收的地图来确定弯道速度建议。24.一种包括根据权利要求18所述的云服务器和多个根据权利要求19至23中任一项所述的车辆的系统。

技术总结
本公开涉及生成高清晰度地图的方法、云服务器和车辆。提供了一种生成地图的计算机实现方法，包括以下步骤：获取至少一个车辆的传感器单元的基于传感器的数据和与所述至少一个车辆的定位单元相关的定位数据；使用该定位数据确定所述至少一个车辆的第一轨迹，并且使用该基于传感器的数据确定其他车辆的多个第二轨迹；以及聚集该第一轨迹和/或该多个第二轨迹以在所述地图的网格地图表示中生成聚集轨迹。迹。迹。


技术研发人员：P
受保护的技术使用者：APTIV技术有限公司
技术研发日：2023.01.05
技术公布日：2023/8/1