一种高精度路网模型的构建方法技术

本发明专利技术公开了一种高精度路网模型的构建方法，首先定义高精度路网模型，然后提取路网数据，包括车道网络层提取和路段网络层提取；接着进行路段网络层、车道网络层关联关系计算；最后构建高精度路网模型；本发明专利技术用高精度路网模型HDRNM(high definition road network model)来表示HDmap对应的路网模型，HDRNM从数据内容到数据模型上都比路段级的路网模型要丰富。

【技术实现步骤摘要】
一种高精度路网模型的构建方法
本专利技术属于高精度地图
，涉及一种路网模型的构建方法，具体涉及一种服务于无人驾驶的高精度路网模型(highdefinitionroadnetworkmodel，HDRNM)的构建方法。
技术介绍
HDMap是一种专门服务于无人驾驶的地图，高精度地图的应用对无人驾驶越来越重要，高精度路网是高精地图中的最重要的组成内容。随着智能交通的发展和ADAS的火热发展，HDmap(HighDefinitionmap)在学术界和工业界都引起了很大的关注(文献1-5)。HDmap能够提供精细化的地图信息辅助智能车辆实现高精度定位(文献6-8)，可以解决特定情况下传感器失效的问题，弥补环境感知设备的不足，有效降低智能车辆感知的难度(文献9-11)；根据地图和动态交通信息的先验知识，基于全局路径规划给出最佳的行驶路径和合理的行驶策略(文献12-14)，有效实现驾驶车主动安全，降低车辆驾驶的复杂度(文献15)。因此，HDmap的generation变得十分重要，HDmap目前处于重大需求阶段(文献16)。路网数据是对真实世界道路模型的表达，highdefinitionroadnetwork是HDmap的重要的组成部分。但是目前，对高精度路网的自动生成的研究中同时关注道路提取和路段提取的研究还不多。高精度路网的生成研究，主要集中利用众包或者智能车的设备实现路网的提取(文献17-19)，高精度路段的生成(文献20,21)，高精度路口的提取(文献22)等。在高精度路网的模型的研究问题上，研究主要集中在在高精度路网的表达的格式(文献23)，高精度路口的表达(文献24)，道路模型(文献25,26)等展开的研究，但是少有人同时关注到车道和路段拓扑关联关系的自动生成。路网的自动生成拓扑关系的自动生成前人也做了一些研究，主要方法有合并不同层的交叉点(文献27)，利用点关联(文献28)，usingHiddenMarkovModel(HMM)mapmatching等(文献29)。但是这些研究不是基于车道级路网的拓扑提取，针对车道级路网的拓扑提取大量依靠手工的办法。HDmap数据通常为厘米级positioningaccuracyofapproximate(文献30)，高精度路网的自动生成越来越得到学者的广泛关注。高精度地图所服务的对象不仅包含现有的ADAS系统，还应该包含无人驾驶系统、辅助安全系统、车路协同系统等等。在高精路网的模型表达上面，目前对车道提取和模型已有学者做了很多相关的研究。Gi-Poongetal.用了piecewisepolynomials来模拟车道，提高了路网存储的效率。Chunzhaoetal.用一种近似anapproximatedclothoidspline的athird-orderpolynomial来表达车道，用thecubicCatmull-Romspline来表达路口的转弯曲线(文献17)，对车道和路口都能快速建模。Anningetal.用theCubicHermitespline对车道中心线进行建模(文献31)，适合GIS数据库的软件进行一系列的车道和路段建模。Kichunetal.用B样条曲线对车道级路网进行三维表达(文献25)，保证了三维路网的形状和accuracy。这一类研究专注于车道模型的几何表达。Taoetal.定义了高精度路网的车道的描述模型，将道路网络由车道弧段、车道属性、路口及路口属性等组成(文献23)，解决了高精度路网中车道模型的表达，但是缺乏高精度路网中路段信息的表达，而且没有表达车道和路网之间的对应关联关系。高精路网的表达的内容上越来越精细。美国FederalHighwayAdministrationandNationalHighwayTrafficandSafetyAdministration将车道作为路网内容，从概念上丰富了高精路网的车道细节信息(文献32)。Bétailleetal.进一步对车道的几何形状以及拓扑连接关系进行表达，从路网的精度和内容的表达上都更加完整(文献4)。Taoetal.在交叉口增加了虚拟车道作为表达的内容(文献24)，解决了交叉口缺乏细节信息的问题。但是，这些研究没有提供动态的多维的一个属性表达，对无人驾驶的实时性有一定的局限性。参考文献：文献1.tomtommaps:https://www.tomtommaps.com/mapdata/.文献2.deepmap:https://www.deepmap.ai/.文献3.NedevschiS,PopescuV,DanescuR,MaritaT,OnigaF.AccurateEgo-VehicleGlobalLocalizationatIntersectionsThroughAlignmentofVisualDataWithDigitalMap.IEEETransactionsonIntelligentTransportationSystems.2013；14(2):673-87.文献4.BétailleD,Toledo-MoreoR.Creatingenhancedmapsforlane-levelvehiclenavigation.IEEETransactionsonIntelligentTransportationSystems.2010；11(4):786-98.文献5.RohaniM,GingrasD,GruyerD.ANovelApproachforImprovedVehicularPositioningUsingCooperativeMapMatchingandDynamicBaseStationDGPSConcept.IEEETransactionsonIntelligentTransportationSystems.2016；17(1):230-9.文献6.SuganumaN,UozumiT,editors.Precisepositionestimationofautonomousvehiclebasedonmap-matching.IntelligentVehiclesSymposium；2011.文献7.AeberhardM,RauchS,BahramM,TanzmeisterG.Experience,ResultsandLessonsLearnedfromAutomatedDrivingonGermany'sHighways.IEEEIntelligentTransportationSystemsMagazine.2015；7(1):42-57.文献8.Toledo-MoreoR,BetailleD,PeyretF,LaneuritJ.FusingGNSS,Dead-Reckoning,andEnhancedMapsforRoadVehicleLane-LevelNavigation.IEEEJournalofSelectedTopicsinSignalProcessing.2009；3(5):798-809.文献9.DriankovD,SaffiottiA.Fuzzylogictechniquesforautonomousvehiclena本文档来自技高网...

【技术保护点】
1.一种高精度路网模型的构建方法，其特征在于，包括以下步骤：步骤1：定义高精度路网模型；所述模型为：

【技术特征摘要】
1.一种高精度路网模型的构建方法，其特征在于，包括以下步骤：步骤1：定义高精度路网模型；所述模型为：其中，公式1中W代表道路网络，C是交叉口集合，R是路段的集合；公式2中，用{1,2,…,N}表示路段索引集合,r表示路段，r1，r2，…，rN分别代表集合中的各个路段；公式3中，针对某一路段r，Sr是路段的形状点，SNr是路段起点结点，ENr是路段终点结点，Qr是路段的属性，RL是路段接续的号码，LS路段上对应的车道集合；公式4中，用{1,2,…,i}表示车道索引集合，l表示车道，l1，l2，…，li表示某一路段下关联的各个车道；公式5中，针对某一车道l，Sl是车道的形状点，SNl是车道的起始结点，ENl是车道终点结点，Ql是车道的属性，LL是车道接续的号码；公式6中，Q动态属性值，表示是或者否，t表示时间，q表示公式3和4中的车道或者路段的指示类的属性值，该值对应的值域是枚举型；步骤2：提取路网数据，包括路段网络层提取和车道网络层提取；步骤3：路段网络层与车道网络层关联关系计算；公式3中路段r与该路段对应的车道l的关联关系为：C＝f(M)(7)公式7中，C是路段和车道对应的关联关系，M是线性事件点的集合，通过线性事件点表示某条路段上属性变化的位置；则路段对应的车道的函数关系式C＝f(M)定义为：其中，i表示垂直于车道方向的车道形态数据集的序列；j表示线性段沿路段方向的序列；totalLaneShapeFunction，表示在当前路段下平行于路段的车道形态数据集；totalMNum表示当前路段下线性时间点M点的总点数；In是单位阵；l表示车道，l1,j表示路段下第i条平行于道路的车道第j个线性段内的表达式；LS表示车道形态数据集LSFunction的简写；LSi,j表示在路段下第i条平行于路段的车道形态数据集LSFunction在第j个线性段内的表达式；xj表示第j-1到第j个线性段内，沿路段方向的坐标取值范围；Xi表示第i条平行于路段的车道形态数据集在道路方向上的坐标取值范围；步骤...

【专利技术属性】
技术研发人员：郑玲，李必军，王鑫，
申请(专利权)人：武汉市众向科技有限公司，
类型：发明
国别省市：湖北,42