基于局部地图的置信度确定方法、装置、设备及存储介质制造方法及图纸

本公开提供了一种基于局部地图的置信度确定方法、装置、设备及存储介质，涉及人工智能领域，尤其涉及无人驾驶技术和建图技术。具体实现方案为：确定多幅局部地图之间的相对位姿信息；相对位姿信息包括多幅局部地图在点云配准处理之前的初始相对位姿，和点云配准处理之后的当前相对位姿；根据相对位姿信息和点云数据，确定相对位姿误差；相对位姿误差包括初始相对位姿和当前相对位姿的相对位姿误差；根据初始相对位姿的相对位姿误差和当前相对位姿的相对位姿误差，确定置信度信息；置信度信息指示对多幅局部地图所进行的点云配准处理的精度。利用配准前后的相对位姿来考察点云配准结果的置信度，提高置信度确定精度，进而提高建图精度。建图精度。建图精度。

【技术实现步骤摘要】
基于局部地图的置信度确定方法、装置、设备及存储介质


[0001]本公开涉及人工智能中的无人驾驶技术和建图技术，尤其涉及一种基于局部地图的置信度确定方法、装置、设备及存储介质。

技术介绍

[0002]车辆上安装有激光雷达，在车辆的行驶过程中，可以采用激光雷达采集点云数据进行建图。
[0003]在使用激光雷达进行建图的过程中，地图的精度依赖于点云配准的精度。当点云配准的处理出现错误时，会严重影响建图的质量。因此，需要准确地确定出点云配准处理的精度。

技术实现思路

[0004]本公开提供了一种基于局部地图的置信度确定方法、装置、设备及存储介质。
[0005]根据本公开的第一方面，提供了一种基于局部地图的置信度确定方法，包括：
[0006]确定至少两幅局部地图之间的相对位姿信息；其中，所述局部地图用于表示预设时间段内所采集的点云数据所构建的地图；所述相对位姿信息包括至少两幅局部地图在点云配准处理之前的初始相对位姿，以及至少两幅局部地图在点云配准处理之后的当前相对位姿；
[0007]根据所述相对位姿信息和所述局部地图中的点云数据，确定相对位姿误差；其中，所述相对位姿误差包括所述初始相对位姿的相对位姿误差和所述当前相对位姿的相对位姿误差；
[0008]根据所述初始相对位姿的相对位姿误差和所述当前相对位姿的相对位姿误差，确定置信度信息；其中，所述置信度信息用于指示对至少两幅局部地图所进行的点云配准处理的精度。
[0009]根据本公开的第二方面，提供了一种基于局部地图的置信度确定装置，包括：
[0010]第一确定单元，用于确定至少两幅局部地图之间的相对位姿信息；其中，所述局部地图用于表示预设时间段内所采集的点云数据所构建的地图；所述相对位姿信息包括所述至少两幅局部地图在点云配准处理之前的初始相对位姿，以及所述至少两幅局部地图在点云配准处理之后的当前相对位姿；
[0011]第二确定单元，用于根据所述相对位姿信息和所述局部地图中的点云数据，确定相对位姿误差；其中，所述相对位姿误差包括所述初始相对位姿的相对位姿误差和所述当前相对位姿的相对位姿误差；
[0012]第三确定单元，用于根据所述初始相对位姿的相对位姿误差和所述当前相对位姿的相对位姿误差，确定置信度信息；其中，所述置信度信息用于指示对至少两幅局部地图所进行的点云配准处理的精度。
[0013]根据本公开的第三方面，提供了一种电子设备，包括：
[0014]至少一个处理器；以及
[0015]与所述至少一个处理器通信连接的存储器；其中，
[0016]所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行第一方面所述的基于局部地图的置信度确定方法。
[0017]根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行第一方面所述的基于局部地图的置信度确定方法。
[0018]根据本公开的第五方面，提供了一种计算机程序产品，所述计算机程序产品包括：计算机程序，所述计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从所述可读存储介质读取所述计算机程序，所述至少一个处理器执行所述计算机程序使得电子设备执行第一方面所述的基于局部地图的置信度确定方法。
[0019]根据本公开的技术，确定多幅局部地图在配准前后的相对位姿信息，根据局部地图中的点云数据，确定配准前后的相对位姿信息的相对位姿误差。根据配准前后的相对位姿信息的相对位姿误差，确定置信度信息，即，确定点云配准处理的精度。利用配准前后的相对位姿来考察点云配准结果的置信度，提高置信度确定精度，实现对点云配准处理精度的准确确定。
[0020]应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0021]附图用于更好地理解本方案，不构成对本公开的限定。其中：
[0022]图1是根据本公开实施例提供的一种基于局部地图的置信度确定方法的流程示意图；
[0023]图2是根据本公开实施例提供的一种基于局部地图的置信度确定方法的流程示意图；
[0024]图3是根据本公开实施例提供的一种基于局部地图的置信度确定方法的流程示意图；
[0025]图4是根据本公开实施例提供的一种基于局部地图的置信度确定装置的结构框图；
[0026]图5是根据本公开实施例提供的一种基于局部地图的置信度确定装置的结构框图；
[0027]图6是用来实现本公开实施例的一种基于局部地图的置信度确定的方法的电子设备的结构框图；
[0028]图7是用来实现本公开实施例的一种基于局部地图的置信度确定的方法的电子设备的结构框图。
具体实施方式
[0029]以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种
细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
[0030]在使用激光雷达进行建图的过程中，地图的精度依赖于点云配准的精度。但是，配准得到的结果可能陷入局部最优解，或者由于点云矫正的误差而产生配准误差。此外在一些噪声比较大或者约束不充分的场景下，点云配准的结果可靠性也会下降，导致构建的点云地图出现重影，影响建图的质量，进而影响无人驾驶的精度和安全性。
[0031]因此，需要对点云配准结果的置信度进行确定，例如，利用一对配准后的点云数据的点到点的均方根误差，来判断点云配准的优劣。但是，均方根误差容易受到外点的影响，在不同的环境中点云结构不同可能导致计算的结果差距很大，点云配准的置信度的确定精度较低，因此很难确定点云是否正确配准。又例如，在点云配准前，对点云配准失败的情况进行风险预测。但是，在配准前预测风险，并不是对配准结果的可靠性进行判断，无法保证对点云配准的准确性的确定，影响建图精度，进而影响车辆在无人驾驶时的安全性。
[0032]本公开提供一种基于局部地图的置信度确定方法、装置、设备及存储介质，应用于人工智能领域中的无人驾驶技术和建图技术，以实现对点云配准置信度的准确确定。
[0033]需要说明的是，本公开所使用的点云数据和局部地图并不是针对某一特定场景下的点云数据和局部地图，并不能反映出某一特定的环境场景。
[0034]为使读者更深刻地理解本公开的实现原理，现结合以下图1
‑
图7所示的实施例进行进一步细化。
[0035]图1为根据本公开实施例提供的一种基于局部地图的置信度确定方法的流程示意图，该方法可以由一种基于局部地图的置信度确定装置执行。如图1所示，该方法包括以下步骤：
[0036]S101、确本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于局部地图的置信度确定方法，包括：确定至少两幅局部地图之间的相对位姿信息；其中，所述局部地图用于表示预设时间段内所采集的点云数据所构建的地图；所述相对位姿信息包括至少两幅局部地图在点云配准处理之前的初始相对位姿，以及至少两幅局部地图在点云配准处理之后的当前相对位姿；根据所述相对位姿信息和所述局部地图中的点云数据，确定相对位姿误差；其中，所述相对位姿误差包括所述初始相对位姿的相对位姿误差和所述当前相对位姿的相对位姿误差；根据所述初始相对位姿的相对位姿误差和所述当前相对位姿的相对位姿误差，确定置信度信息；其中，所述置信度信息用于指示对至少两幅局部地图所进行的点云配准处理的精度。2.根据权利要求1所述的方法，其中，所述根据所述相对位姿信息和所述局部地图中的点云数据，确定相对位姿误差，包括：根据所述局部地图中的点云数据，确定所述局部地图的点云数据微分熵；其中，所述点云数据微分熵用于表示对点云数据的微分熵的加和；根据所述初始相对位姿和所述局部地图的点云数据微分熵，确定所述初始相对位姿的相对位姿误差；并根据所述当前相对位姿和所述局部地图的点云数据微分熵，确定所述当前相对位姿的相对位姿误差。3.根据权利要求2所述的方法，其中，根据所述局部地图中的点云数据，确定所述局部地图的点云数据微分熵，包括：根据预设的半径范围，确定所述局部地图中点云数据的邻近点云数据；根据所述邻近点云数据在所述局部地图中的坐标信息，确定所述局部地图中点云数据的微分熵信息；其中，所述微分熵信息表征点云数据的坐标信息所对应的微分熵；根据所述局部地图中点云数据的微分熵信息，确定所述局部地图的点云数据微分熵。4.根据权利要求3所述的方法，其中，所述根据所述邻近点云数据在所述局部地图中的坐标信息，确定所述局部地图中点云数据的微分熵信息，包括：根据所述邻近点云数据在所述局部地图中的坐标信息，确定所述局部地图中点云数据的协方差信息；根据所述局部地图中点云数据的协方差信息，确定所述局部地图中点云数据的微分熵信息。5.根据权利要求3或4所述的方法，其中，所述根据所述局部地图中点云数据的微分熵信息，确定所述局部地图的点云数据微分熵，包括：对所述局部地图中点云数据的微分熵信息进行累加处理，得到所述局部地图的点云数据微分熵。6.根据权利要求2
‑
5中任一项所述的方法，其中，所述根据所述初始相对位姿和所述局部地图的点云数据微分熵，确定所述初始相对位姿的相对位姿误差，包括：根据所述局部地图的点云数据微分熵和所述局部地图中的点云数据的数量，确定所述至少两幅局部地图之间的分离微分熵信息；其中，所述分离微分熵信息表征所述至少两幅局部地图的点云数据微分熵的加和与所述至少两幅局部地图中的点云数据的数量加和的
比值；根据所述初始相对位姿，对所述局部地图中的点云数据进行融合，得到第一融合点云数据；根据所述第一融合点云数据和所述局部地图中的点云数据的数量，确定所述至少两幅局部地图之间的第一联合微分熵信息；其中，所述第一联合微分熵信息表征所述至少两幅局部地图在配准前的联合微分熵的大小；根据所述分离微分熵信息和所述第一联合微分熵信息，确定所述初始相对位姿的相对位姿误差。7.根据权利要求6所述的方法，其中，所述根据所述初始相对位姿，对所述局部地图中的点云数据进行融合，得到第一融合点云数据，包括：从至少两幅局部地图的点云数据的坐标系中确定一个目标坐标系；根据所述初始相对位姿，将所述局部地图的点云数据均映射到所述目标坐标系中，得到所述目标坐标系中的第一融合点云数据。8.根据权利要求6或7所述的方法，其中，所述根据所述第一融合点云数据和所述局部地图中的点云数据的数量，确定所述至少两幅局部地图之间的第一联合微分熵信息，包括：根据所述第一融合点云数据，确定所述第一融合点云数据的点云数据微分熵；根据所述局部地图中的点云数据的数量和所述第一融合点云数据的点云数据微分熵，确定所述至少两幅局部地图之间的第一联合微分熵信息。9.根据权利要求2
‑
8中任一项所述的方法，其中，所述根据所述当前相对位姿和所述局部地图的点云数据微分熵，确定所述当前相对位姿的相对位姿误差，包括：根据所述局部地图的点云数据微分熵和所述局部地图中的点云数据的数量，确定所述至少两幅局部地图之间的分离微分熵信息；根据所述当前相对位姿，对所述局部地图中的点云数据进行融合，得到第二融合点云数据；根据所述第二融合点云数据和所述局部地图中的点云数据的数量，确定所述至少两幅局部地图之间的第二联合微分熵信息；其中，所述第二联合微分熵信息表征所述至少两幅局部地图在配准后的联合微分熵的大小；根据所述分离微分熵信息和所述第二联合微分熵信息，确定所述当前相对位姿的相对位姿误差。10.根据权利要求9所述的方法，其中，所述根据所述初始相对位姿，对所述局部地图中的点云数据进行融合，得到第二融合点云数据，包括：从至少两幅局部地图的点云数据的坐标系中确定一个目标坐标系；根据所述当前相对位姿，将所述局部地图的点云数据均映射到所述目标坐标系中，得到所述目标坐标系中的第二融合点云数据。11.根据权利要求9或10所述的方法，其中，所述根据所述第二融合点云数据和所述局部地图中的点云数据的数量，确定所述至少两幅局部地图之间的第二联合微分熵信息，包括：根据所述第二融合点云数据，确定所述第二融合点云数据的点云数据微分熵；根据所述局部地图中的点云数据的数量和所述第二融合点云数据的点云数据微分熵，
确定所述至少两幅局部地图之间的第二联合微分熵信息。12.根据权利要求1
‑
11中任一项所述的方法，其中，所述根据所述初始相对位姿的相对位姿误差和所述当前相对位姿的相对位姿误差，确定置信度信息，包括：将所述初始相对位姿的相对位姿误差和所述当前相对位姿的相对位姿误差进行相减，得到的差值为所述置信度信息。13.根据权利要求1
‑
12中任一所述的方法，还包括：若所述置信度信息所表征的数值，大于预设的置信度阈值，则根据所述置信度信息，确定所述当前相对位姿的权重；根据所述当前相对位姿的权重，优化针对所采集的点云数据的建图处理，得到全局地图。14.一种基于局部地图的置信度确定装置，包括：第一确定单元，用于确定至少两幅局部地图之间的相对位姿信息；其中，所述局部地图用于表示预设时间段内所采集的点云数据所构...

【专利技术属性】
技术研发人员：曲旭中，丁文东，万国伟，白宇，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：