一种高精地图变化的在线检测方法、装置、设备和介质与流程

1.本发明涉及地图检测技术领域，尤其涉及一种高精地图变化的在线检测方法、装置、设备和介质。


背景技术：

2.随着科技的不断发展，自动驾驶的相关技术也日益成熟。而高精地图(hd map，high definition map)技术作为自动驾驶系统的核心技术，其相较于传统面向用户的静态电子地图而言，它不仅拥有更高的位置精度，且包含更丰富的道路和交通元素，例如实时动态的交通和路况信息等。
3.在gps信号较差的情况下，高精地图仍然能够为定位所需的多种传感器融合提供可靠的点云定位观测信息，且能够为语义地图提供车道语义信息标注的数据基础。可见，高精地图对自动驾驶而言至关重要，其变化的更新时效可能会对自动驾驶安全带来极大影响。
4.为此，在车辆实际行进环境发生变化时，高精地图应当及时进行地图更新。而现有高精地图的更新方案通常是利用图像以及深度学习模型的检测方式实现，但上述方案由于二维图像的内容局限性以及模型处理的时延影响，无法实时检测高精地图空间结构的变化，导致自动驾驶安全性降低。


技术实现要素：

5.本发明提供了一种高精地图变化的在线检测方法、装置、设备和介质，解决了现有的地图更新方案由于二维图像的内容局限性以及模型处理的时延影响，无法实时检测高精地图空间结构的变化，导致自动驾驶安全性降低的技术问题。
6.本发明第一方面提供的一种高精地图变化的在线检测方法，包括：
7.当接收到激光雷达在当前帧采集的激光点云时，对所述激光点云进行第一畸变处理，得到降维点云并转换为点云深度图；
8.按照预定间距对所述降维点云与所述激光雷达之间的线束进行点采样并进行第二畸变处理，得到各组所述线束分别对应的降维虚拟点云；
9.采用所述降维点云与多个所述降维虚拟点云分别匹配预设的高精地图，根据匹配结果对所述点云深度图内的像素位置进行标记，得到多个标识像素；
10.计算全部所述标识像素在所述点云深度图内所占的像素比例，并根据所述像素比例与预设比例阈值的比较结果，生成地图变化结果。
11.可选地，所述激光点云设有起始时刻戳和终止时刻戳；所述当接收到激光雷达在当前帧采集的激光点云时，对所述激光点云进行第一畸变处理，得到降维点云并转换为点云深度图的步骤，包括：
12.当接收到激光雷达在当前帧采集的激光点云时，计算所述终止时刻戳与所述起始时刻戳之间的插值区间；
13.获取所述激光点云在所述起始时刻戳对应的第一位姿信息，并在所述插值区间对所述第一位姿信息进行线性插值，得到所述激光点云在所述终止时刻戳对应的第二位姿信息；
14.计算所述第二位姿信息与所述第一位姿信息之间的位姿变化值；
15.根据预设的标定外参和所述位姿变化值，对所述终止时刻戳对应的激光点云进行坐标系转换，得到降维点云；
16.根据所述激光雷达对应的规格参数与各个所述降维点云对应的三维坐标，生成点云深度图。
17.可选地，所述规格参数包括线束数量和扫描间隔角度；所述根据所述激光雷达对应的规格参数与各个所述降维点云对应的三维坐标，生成点云深度图的步骤，包括：
18.计算预设视觉角度与所述扫描间隔角度之间的角度比值；
19.采用所述线束数量作为深度图行数，所述角度比值作为深度图列数，创建初始深度图；
20.分别计算各个所述降维点云与所述激光雷达之间的点云距离；
21.采用各个所述点云距离分别作为所述初始深度图内各个像素位置对应的像素值，得到点云深度图。
22.可选地，所述按照预定间距对所述降维点云与所述激光雷达之间的线束进行点采样并进行第二畸变处理，得到各组所述线束分别对应的降维虚拟点云的步骤，包括：
23.按照预定间距对所述降维点云与所述激光雷达之间的线束进行点采样，得到与每组所述线束对应的虚拟点云；
24.获取各个所述虚拟点云分别对应的位姿信息；
25.采用所述位姿信息对各个所述虚拟点云进行第二畸变处理，得到各组所述线束分别对应的降维虚拟点云。
26.可选地，所述标识像素包括第一标识像素和第二标识像素；所述采用所述降维点云与多个所述降维虚拟点云分别匹配预设的高精地图，根据匹配结果对所述点云深度图内的像素位置进行标记，得到多个标识像素的步骤，包括：
27.采用各个所述降维虚拟点云分别匹配预设的高精地图，确定第一点云网格；
28.将缓存有高斯分布信息的所述第一点云网格所属的降维点云确定为第一目标点云，将除所述第一目标点云以外的所述降维点云确定为剩余点云；
29.从所述点云深度图内获取所述第一目标点云对应的第一像素位置，在所述第一像素位置标记第一标识像素；
30.采用所述剩余点云匹配所述高精地图，确定第二点云网格；
31.判断各所述第二点云网格内是否缓存有高斯分布信息；
32.若否，则从所述点云深度图内获取所述第二点云网格所属剩余点云的像素位置作为第二像素位置，在所述第二像素位置标记第二标识像素。
33.可选地，所述采用各个所述降维虚拟点云分别匹配预设的高精地图，确定第一点云网格的步骤，包括：
34.获取各个所述降维虚拟点云对应的第一三维坐标；
35.采用各个所述第一三维坐标分别计算第一索引；
36.按照各个所述第一索引匹配所述高精地图，确定各个所述第一索引对应的点云网格作为第一点云网格。
37.可选地，所述计算全部所述标识像素在所述点云深度图内所占的像素比例，并根据所述像素比例与预设比例阈值的比较结果，生成地图变化结果的步骤，包括：
38.计算所述标识像素在所述点云深度图内的像素比例；
39.比较所述像素比例与预设比例阈值；
40.若所述像素比例大于或等于所述预设比例阈值，则将当前时刻所述标识像素对应的降维点云或降维虚拟点云缓存至预设的云端服务器缓存至预设的云端服务器，生成地图变化结果并输出告警信息。
41.可选地，在所述采用所述剩余点云匹配所述高精地图，确定第二点云网格的步骤之前，所述方法还包括：
42.将所述降维点云转换至所述高精地图对应的地图坐标系，得到地图点云；
43.采用预设的三维感知框检测所述地图点云，确定处于所述地图点云内的动态障碍物，并标记对应的降维点云作为动态障碍物点云；
44.选取与所述动态障碍物点云重合的剩余点云作为第二目标点云；
45.从所述点云深度图内获取所述第二目标点云对应的第三像素位置，在所述第三像素位置标记第三标识像素。
46.可选地，所述方法还包括：
47.获取所述点云深度图内的噪点像素位置；
48.判断与所述噪点像素位置相邻的多个待定像素位置是否存在像素值；
49.若全部所述待定像素位置均存在所述像素值，则保留所述噪点像素位置；
50.若任一所述待定像素位置不存在所述像素值，则删除所述噪点像素位置；
51.当全部所述噪点像素位置均判断完成后，采用当前时刻的点云深度图更新所述点云深度图，得到更新后的标识像素。
52.可选地，还包括：
53.对所述点云深度图进行区域搜索并聚类，得到多个由搜索像素位置构成的像素区域；
54.从多个所述像素区域删除所述搜索像素位置的数量小于预设的数量阈值的像素区域，得到更新后的点云深度图；
55.采用当前时刻的点云深度图更新所述点云深度图，得到更新后的标识像素。
56.本发明第二方面提供了一种高精地图变化的在线检测装置，所述装置包括：
57.点云获取与去畸变模块，用于当接收到激光雷达在当前帧采集的激光点云时，对所述激光点云进行第一畸变处理，得到降维点云并转换为点云深度图；
58.点云虚拟化模块，用于按照预定间距对所述降维点云与所述激光雷达之间的线束进行点采样并进行第二畸变处理，得到各组所述线束分别对应的降维虚拟点云；
59.点云标记模块，用于采用所述降维点云与多个所述降维虚拟点云分别匹配预设的高精地图，根据匹配结果对所述点云深度图内的像素位置进行标记，得到多个标识像素；
60.变化告警模块，用于计算全部所述标识像素在所述点云深度图内所占的像素比例，并根据所述像素比例与预设比例阈值的比较结果，生成地图变化结果。
61.本发明第三方面提供了一种电子设备，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如本发明第一方面任一项所述的高精地图变化的在线检测方法的步骤。
62.本发明第四方面提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被执行时实现如本发明第一方面任一项所述的高精地图变化的在线检测方法。
63.从以上技术方案可以看出，本发明具有以下优点：
64.本发明通过自动驾驶系统上设置的激光雷达对周围环境进行点云采集，当接收到激光雷达在当前帧采集的激光点云时，通过对激光点云进行第一畸变处理，得到降维点云，同时将降维点云转换为点云深度图的形式；再按照预定间距对降维点云内的各个点与激光雷达之间的线束进行点采样后，对采样得到的点云进行第二畸变处理，得到各组线束分别对应的降维虚拟点云，然后采用降维点云与多个降维虚拟点云分别匹配高精地图，根据匹配结果对点云深度图内的像素位置进行标记，得到多个标识像素，计算全部标识像素在点云深度图内所占的像素比例，并根据像素比例与预设比例阈值的比较结果，生成地图变化结果。从而解决现有的地图更新方案由于二维图像的内容局限性以及模型处理的时延影响，无法实时检测高精地图空间结构的变化的技术问题。通过对激光雷达采集到的激光点云在降维后按线束组别进行划分，按照各组对应的点云在高精地图内的匹配结果确定像素比例，最后依据像素比例与预设的比例阈值的比较结果生成地图变化警告，能够实时得知当前环境的变化，提高自动驾驶的安全性。
附图说明
65.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
66.图1为本发明实施例一提供的一种高精地图变化的在线检测方法的步骤流程图；
67.图2为本发明实施例二提供的一种高精地图变化的在线检测方法的步骤流程图；
68.图3为本发明实施例提供的一种激光点云去畸变过程的示意图；
69.图4为本发明实施例提供的一种点云深度图示意图；
70.图5为本发明实施例提供的一种虚拟点云划分过程示意图；
71.图6为本发明实施例提供的一种虚拟点云示意图；
72.图7为本发明实施例提供的一种第一像素位置标记示意图；
73.图8为本发明实施例提供的一种第三像素位置标记示意图；
74.图9为本发明实施例提供的一种第二像素位置标记示意图；
75.图10为本发明实施例提供的高精地图三维示意图；
76.图11为本发明实施例三提供的一种高精地图变化的在线检测方法的步骤流程图。
具体实施方式
77.本发明实施例提供了一种高精地图变化的在线检测方法、装置、设备和介质，用于解决现有的地图更新方案由于二维图像的内容局限性以及模型处理的时延影响，无法实时
检测高精地图空间结构变化，导致自动驾驶安全性降低的技术问题。
78.为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
79.请参阅图1，图1为本发明实施例一提供的一种高精地图变化的在线检测方法的步骤流程图。
80.本发明提供的一种高精地图变化的在线检测方法，应用于自动驾驶系统，自动驾驶系统缓存有稠密点云对应的高精地图，并设有激光雷达，方法包括：
81.步骤101，当接收到激光雷达在当前帧采集的激光点云时，对激光点云进行第一畸变处理，得到降维点云并转换为点云深度图；
82.高精地图(hd map，high definition map)指的是能够提供车道级道路信息和道路先验信息，同时能够对自动驾驶系统所处环境进行定量描述的轻量级地图，可以通过将整个城市稠密的地图点云划分为1m*1m*1m立方体网格，每个网格只存储该网格内所有点的三维坐标计算后的高斯分布的均值和方差。具体类型可以包括但不限于网格化分布地图distmap和八叉树地图octomap等，对于自动驾驶系统而言，为在保证精度的同时减低资源消耗，可以依据系统定位的位置，加载以该位置为圆心半径200米内的分布地图。
83.激光点云指的是通过自动驾驶系统，例如自动驾驶车辆所设置的激光雷达(light detection and ranging，lidar)，采用多线激光的方式对车辆周围环境发射激光，基于返回的激光所生成的点数据。其中每一个点都具有对应的三维坐标(x，y，z)，距离，线束编号以及水平旋转角度等参数，例如旋转式64线的激光雷达，对于激光雷达的具体型号本技术实施例对此不做限制。
84.在本技术实施例中，在自动驾驶系统启动后，从云端服务器或联网获取其所处位置对应的稠密点云并缓存高精地图，同时启动激光雷达逐帧获取周围环境的激光点云。由于激光点云的获取伴随着自动驾驶系统所属车辆的运动存在运动畸变，当自动驾驶系统接收到激光雷达在当前帧采集到的激光点云时，可以根据激光雷达内惯性测量单元imu所获取到的位姿，对激光点云进行第一畸变处理，以得到对应的降维点云。
85.与此同时，为方便后续点云显示，可以按照激光雷达的线束数量以及扫描间隔角度，结合降维点云与激光雷达之间的距离，将降维点云转换为点云深度图的形式显示。
86.步骤102，按照预定间距对降维点云与激光雷达之间的线束进行点采样并进行第二畸变处理，得到各组线束分别对应的降维虚拟点云；
87.在对激光点云进行第一畸变处理得到降维点云后，可以按照预定间距对降维点云内的每个点与激光雷达之间的线束进行点采样，以得到与各组线束分别对应的降维虚拟点云。
88.在得到多组降维虚拟点云后，由于点云存在运动畸变，此时可以通过与步骤101类似的去畸变操作，对各个降维虚拟点云进行第二畸变处理，从而得到各组线束分别对应的降维虚拟点云。
89.需要说明的是，预定间距可以设置为1米，同时为节省计算资源的消耗，可以不对
超过预定范围例如10米后的线束进行点采样。
90.需要说明的是，在本技术实施例中还可以通过对当前帧时间范围内的imu数据进行积分得到位姿增量，采用位姿增量对点云进行坐标系间的变换从而实现对当前帧点云的去畸变，而对于实现去畸变的第一畸变处理与第二畸变处理，可以采用同样的去畸变方案，也可以采用不同的去畸变方案。
91.步骤103，采用降维点云与多个降维虚拟点云分别匹配预设的高精地图，根据匹配结果对点云深度图内的像素位置进行标记，得到多个标识像素；
92.标识像素指的是按照降维虚拟点云和降维点云对应的索引匹配高精地图，且匹配得到的网格内满足高斯分布信息的存在条件后，在降维虚拟点云或降维点云在点云深度图内的像素位置进行标记的颜色信息。
93.在得到各个降维虚拟点云后，可以按照各个降维虚拟点云内点的三维坐标，分别计算对应的索引后对高精地图进行匹配，以确定各个降维虚拟点云在高精地图内所处的网格是否存在高斯分布信息。之后对除上述降维虚拟点云所对应的降维点云外，采用剩余的降维点云对应的三维坐标对高精地图进行进一步匹配，从而判断剩余的降维点云所处的网格是否存在高斯分布信息。最后基于上述匹配结果对点云深度图内对应的像素位置进行标记，从而得到多个标识像素。
94.步骤104，计算全部标识像素在点云深度图内所占的像素比例，并根据像素比例与预设比例阈值的比较结果，生成地图变化结果。
95.在标记得到多个标识像素后，为判断该标识像素对高精地图的影响程度，可以进一步计算全部标识像素在点云深度图内所占的像素比例，并比较像素比例与预设比例阈值，判断该像素比例是否超过了高精地图可变化的阈值。若是像素比例大于或等于预设比例阈值，则生成地图变化结果，从而实现对高精地图的在线变化检测以及预警。
96.在本技术实施例中，通过自动驾驶系统上设置的激光雷达对周围环境进行点云采集，当接收到激光雷达在当前帧采集的激光点云时，通过对激光点云进行第一畸变处理，得到降维点云，同时将降维点云转换为点云深度图的形式；再按照预定间距对降维点云内的各个点与激光雷达之间的线束进行点采样后，对采样得到的点云进行第二畸变处理，得到各组线束分别对应的降维虚拟点云，然后采用降维点云与多个降维虚拟点云分别匹配高精地图，根据匹配结果对点云深度图内的像素位置进行标记，得到多个标识像素，计算全部标识像素在点云深度图内所占的像素比例，并根据像素比例与预设比例阈值的比较结果，生成地图变化结果。从而解决现有的地图更新方案由于二维图像的内容局限性以及模型处理的时延影响，无法实时检测高精地图空间结构的变化的技术问题。通过对激光雷达采集到的激光点云在降维后按线束组别进行划分，按照各组对应的点云在高精地图内的匹配结果确定像素比例，最后依据像素比例与预设的比例阈值的比较结果生成地图变化警告，能够实时得知当前环境的变化，提高自动驾驶的安全性。
97.请参阅图2，图2为本发明实施例二提供的一种高精地图变化的在线检测方法的步骤流程图。
98.本发明提供的一种高精地图变化的在线检测方法，应用于自动驾驶系统，自动驾驶系统缓存有稠密点云对应的高精地图，并设有激光雷达，方法包括：
99.步骤201，当接收到激光雷达在当前帧采集的激光点云时，对激光点云进行第一畸
变处理，得到降维点云并转换为点云深度图；
100.可选地，激光点云设有起始时刻戳和终止时刻戳，步骤201可以包括以下子步骤s11-s15：
101.s11、当接收到激光雷达在当前帧采集的激光点云时，计算终止时刻戳与起始时刻戳之间的插值区间；
102.在本技术的一个示例中，在自动驾驶系统启动后，激光雷达逐帧向外部环境采集激光点云，而当自动驾驶系统接收到激光雷达在当前帧采集的激光点云时，由于自动驾驶系统所处的车辆是处于移动状态，激光点云的每一个点并不是同一时刻生成的，为实现对激光点云的去畸变，按照激光点云所包含的起始时间戳与终止时间戳，计算其差值以得到插值区间。
103.s12、获取激光点云在起始时刻戳对应的第一位姿信息，并在插值区间对第一位姿信息进行线性插值，得到激光点云在终止时刻戳对应的第二位姿信息；
104.线性插值是指插值函数为一次多项式的插值方式，其在插值节点上的插值误差为零。线性插值相比其他插值方式，如抛物线插值，具有简单、方便的特点。线性插值的几何意义即为概述图中利用过a点和b点的直线来近似表示原函数。线性插值可以用来近似代替原函数，也可以用来计算得到查表过程中表中没有的数值。
105.在得到插值区间后，由于需要将激光点云降维至起始时间戳对应的时刻，此时可以先从惯性测量单元imu获取激光点云在起始时间戳对应的第一位姿信息，并按照插值区间对第一位姿信息进行线性差值，从而得到激光点云在终止时间戳对应的第二位姿信息。
106.s13、计算第二位姿信息与第一位姿信息之间的位姿变化值；
107.在得到第二位姿信息后，为实现进一步的坐标变换，可以计算第二位姿信息与第一位姿信息之间的差值，得到位姿变化值。
108.在一个实施例中，位姿变化值还可以通过以下方式进行计算：t_12＝t_1.inverse()*t_2，其中inverse()为求逆矩阵运算，在本实施例中为求第二位姿信息的逆矩阵。
109.s14、根据预设的标定外参和位姿变化值，对终止时刻戳对应的激光点云进行坐标系转换，得到降维点云；
110.标定外参指的是用于决定摄像机坐标系与世界坐标系之间的相对位置关系的参数，其中pw为世界坐标，pc是摄像机坐标，它们之间关系为pc＝rpw t，式中，t＝(tx,ty,tz)，是平移向量，r＝r(α,β,γ)是旋转矩阵，分别是绕摄像机坐标系z轴旋转角度为γ，绕y轴旋转角度为β，绕x轴旋转角度为α。6个参数组成(α,β,γ,tx,ty,tz)为摄像机外参。在本技术实施例中摄像机坐标系为激光点云所处坐标系，世界坐标系为位姿信息所处坐标系，可以通过线性标定或非线性标定的方法进行标定获取。
111.如图3所示，示出了本技术实施例的一种激光点云去畸变过程的示意图。
112.在本技术的一个示例中，在得到位姿变化值t_12和标定外参t_lidar2imu后，可以通过p2’＝t_lidar2imu*p2，将终止时刻戳t2对应的激光点云p2变换至imu坐标系下，再将p2’变换到初始时间戳t1时刻的imu坐标系下，对应的公式为p2”＝t_12*p2’，从而实现对激光点云的降维，得到降维点云。
113.s15、根据激光雷达对应的规格参数与各个降维点云对应的三维坐标，生成点云深度图。
114.进一步地，规格参数包括线束数量和扫描间隔角度，s15可以包括以下子步骤：
115.计算预设视觉角度与扫描间隔角度之间的角度比值；
116.采用线束数量作为深度图行数，角度比值作为深度图列数，创建初始深度图；
117.分别计算各个降维点云与激光雷达之间的点云距离；
118.采用各个点云距离分别作为初始深度图内各个像素位置对应的像素值，得到点云深度图。
119.线束数量指的是激光雷达所使用的线束的数量，例如64线激光雷达，线束数量为64。扫描间隔角度指的是激光雷达使用同一根线束进行扫描时，相邻两个点之间的角度，以上述64线激光雷达为例，扫描间隔角度为0.2度。
120.为确定当前点云深度图的具体规格，可以先计算预设视觉角度与扫描间隔角度之间的角度比值，采用线束数量作为深度图行数，以角度比值作为深度图列数，以此构建初始深度图。
121.与此同时，可以基于各个降维点云所包含的三维坐标，并以激光雷达作为原点，分别计算各个降维点云与激光雷达之间的距离作为点云距离。通过上述转换后，各个降维点云可以分别对应于初始深度图内的像素位置，此时可以将点云距离作为初始深度图内各个像素位置对应的像素值，以得到点云深度图，可参见图4。
122.其中，预设视觉角度的设置可以基于实际情况进行设定，例如仅是对车辆前方进行检测的情况下，可以设置为180度，若是需要对车辆周围环境进行全景检测，则可以设置为360度，本技术实施例对具体角度的设置并不限制。
123.可选地，还可以用当前帧时间范围内的imu数据进行积分得到位姿增量，从而对当前帧点云进行去畸变操作。
124.步骤202，按照预定间距对降维点云与激光雷达之间的线束进行点采样并进行第二畸变处理，得到各组线束分别对应的降维虚拟点云；
125.可选地，步骤202可以包括以下子步骤：
126.按照预定间距对降维点云与激光雷达之间的线束进行点采样，得到与每组线束对应的虚拟点云；
127.获取各个虚拟点云分别对应的位姿信息；
128.采用位姿信息对各个虚拟点云进行第二畸变处理，得到各组线束分别对应的降维虚拟点云。
129.在本技术实施例中，为进一步提高障碍物识别的精度，可以按照预定间距对降维点云与激光雷达之间的线束进行点采样，以得到与每组线束分别对应的虚拟点云，如图5所示，其中obstacle指的是虚拟点云的端点，lidar为激光雷达对应的原点，以该组线束对应的全部点作为一个虚拟点云。然后获取各个虚拟点云分别对应的位姿信息，并采用各个位姿信息对各个虚拟点云进行第二畸变处理，从而得到各组线束分别对应的降维虚拟点云，具体的去畸变流程可以参见步骤201的实施过程。
130.在本技术的一个示例中，预定间距可以为相等的间距，例如1米，参见图6所示，图6为限制在10米范围内的虚拟点云示意图，另外也可以为按照预设梯度例如0.5米进行递增的间距。
131.步骤203，采用各个降维虚拟点云分别匹配高精地图，确定第一点云网格；
132.在本技术的一个示例中，步骤203可以包括以下子步骤：
133.获取各个降维虚拟点云对应的第一三维坐标；
134.采用各个第一三维坐标分别计算第一索引；
135.按照各个第一索引匹配高精地图，确定各个第一索引对应的点云网格作为第一点云网格。
136.在本技术实施例中，在得到各个降维虚拟点云后，可以获取各个降维虚拟点云对应的第一三维坐标，按照预存于自动驾驶系统内的索引计算方法结合第一三维坐标，分别计算各个降维虚拟点云对应的第一索引，按照第一索引匹配高精地图，从中确定各个第一索引对应的点云网格作为第一点云网格。
137.需要说明的是，以三维坐标(x1，y1，z1)为例，对于行数为r，列数为c的深度图，索引计算方法可以如下：
138.索引s＝(x
1-1)*c y1 (z
1-1)*r*c
139.步骤204，将缓存有高斯分布信息的第一点云网格所属的降维点云确定为第一目标点云，将除第一目标点云以外的降维点云确定为剩余点云；
140.在具体实现中，高精地图内的点云网格若是有障碍物，则该点云网格缓存有对应的高斯分布信息，若是无障碍物，则该点云网格不存有高斯分布信息。
141.在确定第一点云网格后，可以从中筛选到缓存有高斯分布信息的全部第一点云网格，而虚拟降维点云在第一点云网格应是不存在高斯分布信息，若是缓存有高斯分布信息，则表明高精地图在此处的障碍物被移除。因此，可以将缓存有高斯分布信息的第一点云网格所属的降维点云确定为第一目标点云。
142.与此同时，为方便后续对其余降维点云的处理，可以将除第一目标点云外的降维点云确定为剩余点云。
143.在本技术的另一个示例中，可以线束为检测组别，按照各个第一点云网格与激光雷达的距离从近到远依次检测各个第一点云网格是否缓存有高斯分布信息；若检测到任一个第一点云网格缓存有高斯分布信息，则停止该线束的检测，将其所属的降维点云确定为第一目标点云。
144.步骤205，从点云深度图内获取第一目标点云对应的第一像素位置，在第一像素位置标记第一标识像素；
145.在本技术实施例中，标识像素包括第一标识像素和第二标识像素，在确定第一目标点云后，由于第一目标点云属于降维点云的一部分，可以按照第一目标电源计算其在点云深度图中的第一像素位置，将第一像素位置标记为第一标识像素，表明在该位置存在“障碍物被移除”的变化。
146.需要说明的是，可以通过在第一像素位置采用颜色像素进行标识，例如采用黄色来标记第一像素位置，如图7所示。
147.步骤206，采用剩余点云匹配高精地图，确定第二点云网格；
148.可选地，步骤206可以包括以下子步骤：
149.获取剩余点云对应的第二三维坐标；
150.采用各个第二三维坐标分别计算第二索引；
151.按照各个第二索引匹配高精地图，确定各第二索引对应的点云网格作为第二点云
网格。
152.在筛选得到剩余点云后，为确定高精地图内是否存在障碍物增加的情况，可以获取剩余点云对应的第二三维坐标，采用第二三维坐标分别计算第二索引，并采用各个第二索引对高精地图进行进一步匹配，确定各个第二索引对应的点云网格作为第二点云网格。
153.具体的第二索引的计算方法与上述第一索引的计算方法类似，在此不在赘述。
154.在本技术的可选实施例中，在执行步骤206之前，本方法还可以包括以下步骤s21-s24：
155.s21、将降维点云转换至高精地图对应的地图坐标系，得到地图点云；
156.s22、采用预设的三维感知框检测地图点云，确定处于地图点云内的动态障碍物，并标记对应的降维点云作为动态障碍物点云；
157.s23、选取与动态障碍物点云重合的剩余点云作为第二目标点云；
158.s24、从点云深度图内获取第二目标点云对应的第三像素位置，在第三像素位置标记第三标识像素。
159.在具体实现中，高精地图可能还存在动态障碍物例如车辆和行人等，为实现对降维点云的进一步筛选，降低自动驾驶系统对高精地图搜索的资源消耗，可以将全部降维点云转换至高精地图对应的地图坐标系，以得到地图点云，再采用预设的三维感知框例如3d bounding box对地图点云进行检测，从而确定处于地图点云内的动态障碍物，并将对应的降维点云标记为动态障碍物点云。进一步选取与动态障碍物点云重合的剩余点云作为第二目标点云，从点云深度图内获取第二目标点云对应的第三像素位置，在第三像素位置标记第三标识像素。
160.可选地，动态障碍物的检测还可以采用例如深度学习模型的方式来实现检测，本技术实施例对此不做限制。
161.需要说明的是，可以通过在第三像素位置采用颜色像素进行标识，例如采用蓝色来标记第三像素位置，以表明激光雷达的该线束是打在动态障碍物上，如图8所示。
162.步骤207，判断各第二点云网格内是否缓存有高斯分布信息；
163.在确定第二点云网格后，为判断高精地图是否存在新增障碍物或地图缺失的情况，可以进一步判断第二点云网格内是否缓存有高斯分布信息。
164.步骤208，若否，则从点云深度图内获取第二点云网格所属剩余点云的像素位置作为第二像素位置，在第二像素位置标记第二标识像素；
165.在本实施例中，若是第一点云网格未缓存有高斯分布信息，表明此时高精地图在此处无障碍物，但实际上激光雷达在该位置打到了障碍物，也就是高精地图在该位置存在新增障碍物或地图缺失的情况。此时可以从点云深度图内获取该第二点云网格所属剩余点云的像素位置，将其作为第二像素位置，并在第二像素位置标记第二标识像素。
166.需要说明的是，可以通过在第二像素位置采用颜色像素进行标识，例如采用红色来标记第二像素位置，以表明高精地图在该位置存在新增障碍物或地图缺失的变化情况，如图9所示。
167.需要说明的是，为提高处理效率，在上述的第一像素位置、第二像素位置和第三像素位置的标记过程中，可以同一规格的多幅点云深度图中进行分别标记，也可以在同一点云深度图中进行分别标记。
168.步骤209，计算全部标识像素在点云深度图内所占的像素比例，并根据像素比例与预设比例阈值的比较结果，生成地图变化结果。
169.在本技术的一个示例中，步骤209可以包括以下子步骤：
170.计算标识像素在点云深度图内的像素比例；
171.比较像素比例与预设比例阈值；
172.若像素比例大于或等于预设比例阈值，则将当前时刻所述标识像素对应的降维点云或降维虚拟点云缓存至预设的云端服务器缓存至预设的云端服务器，生成地图变化结果。
173.在具体实现中，由于动态障碍物的变化并不属于地图变化的一部分，因此为计算打在变化区域的lidar射线(点数)占总射线(点数)的比例，也可理解为当前点云中和车上分布地图不匹配的点的占当前点云所有点的比例。可以直接计算第一标识像素与第二标识像素在点云深度图内的像素比例。例如分别计算第一标识像素占点云深度图的第一像素比例，以及第二标识像素占点云深度图的第二像素比例，计算第一像素比例与第二像素比例之和得到像素比例。
174.进一步比较像素比例与预设比例阈值，若是像素比例大于或等于预设比例阈值，则表明此时高精地图发生了较大变化，可以将当前时刻第二标识像素对应的降维点云，第一标识像素对应的降维虚拟点云缓存至预设的云端服务器缓存至预设的云端服务器，以方便在云端生成对应的高精地图进行线下修改，高精地图可以如图10所示，同时生成地图变化结果并输出告警信息，以告知用户此时高精地图与当前环境存在较大差别。
175.可选地，若是像素比例小于预设比例阈值，仍然将当前时刻所述标识像素对应的降维点云或降维虚拟点云缓存至预设的云端服务器缓存至预设的云端服务器，以方便后续对高精地图的复盘修改。
176.进一步地，为进一步提高地图变化检测的精度，本方法还可以包括以下步骤s31-s35：
177.s31、获取点云深度图内的噪点像素位置；
178.s32、判断与噪点像素位置相邻的多个待定像素位置是否存在像素值；
179.s33、若全部待定像素位置均存在像素值，则保留噪点像素位置；
180.s34、若任一待定像素位置不存在像素值，则删除噪点像素位置；
181.s35、当全部噪点像素位置均判断完成后，采用当前时刻的点云深度图更新点云深度图，得到更新后的标识像素。
182.在本技术实施例中，由于激光点云去畸变所使用的位姿信息精确度受限，可能存在降维点云和实际位置之间存在偏差，虽然噪点不影响检测较大的地图变化，为进一步提高地图变化检测的精度，可以对其进行过滤，同时也能过滤掉一些不聚集的变化。首先可以从点云深度图内进一步获取噪点像素位置，判断与噪点像素位置相邻的多个待定像素位置是否存在像素值，例如判断噪点像素位置周围的九宫格的待定像素位置是否存在像素值；若是全部待定像素位置均存在像素值，则保留该噪点像素位置，若任一待定像素位置不存在像素值，则删除噪点像素位置；当全部噪点像素位置均判断完成后，采用当前时刻的点云深度图更新点云深度图，得到更新后的标识像素。
183.在本发明的另一示例中，本方法在执行s35后，还可以包括以下步骤s36-s38：
184.s36、对点云深度图进行区域搜索并聚类，得到多个由搜索像素位置构成的像素区域；
185.s37、从多个像素区域删除搜索像素位置的数量小于预设的数量阈值的像素区域，得到更新后的点云深度图；
186.s38、采用当前时刻的点云深度图更新点云深度图，得到更新后的标识像素。
187.其中，区域搜索可以采用多种区域搜索算法，例如深度优先搜索算法(depth-first-search，dfs)是一种用于遍历或搜索树或图的算法。沿着树的深度遍历树的节点，尽可能深的搜索树的分支。当节点v的所在边都己被探寻过，搜索将回溯到发现节点v的那条边的起始节点。这一过程一直进行到已发现从源节点可达的所有节点为止。如果还存在未被发现的节点，则选择其中一个作为源节点并重复以上过程，整个进程反复进行直到所有节点都被访问为止。
188.在本技术实施例中，在更新已存在的标识像素后，可以对点云深度图进行区域搜索，以确定点云深度图内存在较大变化的搜索像素位置，同时对各个搜索像素位置分别进行聚类，以得到多个由搜索像素位置构成的像素区域。为过滤小区域的变化提高检测精度，可以按照各个像素区域内搜索像素位置的数量，删除数量小于预设的数量阈值的像素区域，得到更新后的标识像素。
189.在本技术实施例中，通过自动驾驶系统上设置的激光雷达对周围环境进行点云采集，当接收到激光雷达在当前帧采集的激光点云时，通过对激光点云进行第一畸变处理，得到降维点云，同时将降维点云转换为点云深度图的形式；再按照预定间距对降维点云内的各个点与激光雷达之间的线束进行点采样后，对采样得到的点云进行第二畸变处理，得到各组线束分别对应的降维虚拟点云，然后采用降维点云与多个降维虚拟点云分别匹配高精地图，根据匹配结果对点云深度图内的像素位置进行标记，得到多个标识像素，计算全部标识像素在点云深度图内所占的像素比例，并根据像素比例与预设比例阈值的比较结果，生成地图变化结果。从而解决现有的地图更新方案由于二维图像的内容局限性以及模型处理的时延影响，无法实时检测高精地图空间结构的变化的技术问题。通过对激光雷达采集到的激光点云在降维后按线束组别进行划分，按照各组对应的点云在高精地图内的匹配结果确定像素比例，最后依据像素比例与预设的比例阈值的比较结果生成地图变化警告，能够实时得知当前环境的变化，提高自动驾驶的安全性。
190.请参阅图11，图11为本发明实施例三提供的一种高精地图变化的在线检测装置的结构框图。
191.本发明实施例提供了一种高精地图变化的在线检测装置，应用于自动驾驶系统，自动驾驶系统缓存有稠密点云对应的高精地图，并设有激光雷达，装置包括：
192.点云获取与去畸变模块1101，用于当接收到激光雷达在当前帧采集的激光点云时，对激光点云进行第一畸变处理，得到降维点云并转换为点云深度图；
193.点云虚拟化模块1102，用于按照预定间距对降维点云与激光雷达之间的线束进行点采样并进行第二畸变处理，得到各组线束分别对应的降维虚拟点云；
194.点云标记模块1103，用于采用降维点云与多个降维虚拟点云分别匹配预设的高精地图，根据匹配结果对点云深度图内的像素位置进行标记，得到多个标识像素；
195.变化告警模块1104，用于计算全部标识像素在点云深度图内所占的像素比例，并
根据像素比例与预设比例阈值的比较结果，生成地图变化结果。
196.可选地，激光点云设有起始时刻戳和终止时刻戳；点云获取与去畸变模块1101包括：
197.插值区间确定子模块，用于当接收到激光雷达在当前帧采集的激光点云时，计算终止时刻戳与起始时刻戳之间的插值区间；
198.位姿信息确定子模块，用于获取激光点云在起始时刻戳对应的第一位姿信息，并在插值区间对第一位姿信息进行线性插值，得到激光点云在终止时刻戳对应的第二位姿信息；
199.位姿变化计算子模块，用于计算第二位姿信息与第一位姿信息之间的位姿变化值；
200.点云降维子模块，用于根据预设的标定外参和位姿变化值，对终止时刻戳对应的激光点云进行坐标系转换，得到降维点云；
201.深度图生成子模块，用于根据激光雷达对应的规格参数与各个降维点云对应的三维坐标，生成点云深度图。
202.可选地，规格参数包括线束数量和扫描间隔角度；深度图生成子模块具体用于：
203.计算预设视觉角度与扫描间隔角度之间的角度比值；
204.采用线束数量作为深度图行数，角度比值作为深度图列数，创建初始深度图；
205.分别计算各个降维点云与激光雷达之间的点云距离；
206.采用各个点云距离分别作为初始深度图内各个像素位置对应的像素值，得到点云深度图。
207.可选地，点云虚拟化模块1102包括：
208.虚拟点云生成子模块，用于按照预定间距对降维点云与激光雷达之间的线束进行点采样，得到与每组线束对应的虚拟点云；
209.位姿信息获取子模块，用于获取各个虚拟点云分别对应的位姿信息；
210.虚拟点云去畸变子模块，用于采用位姿信息对各个虚拟点云进行第二畸变处理，得到各组线束分别对应的降维虚拟点云。
211.可选地，标识像素包括第一标识像素和第二标识像素；点云标记模块1103包括：
212.第一点云网格确定子模块，用于采用各个降维虚拟点云分别匹配预设的高精地图，确定第一点云网格；
213.点云筛选子模块，用于将缓存有高斯分布信息的第一点云网格所属的降维点云确定为第一目标点云，将除第一目标点云以外的降维点云确定为剩余点云；
214.第一标识像素标记子模块，用于从点云深度图内获取第一目标点云对应的第一像素位置，在第一像素位置标记第一标识像素；
215.第二点云网格确定子模块，用于采用剩余点云匹配高精地图，确定第二点云网格；
216.高斯分布信息缓存判断子模块，用于判断各第二点云网格内是否缓存有高斯分布信息；
217.第二标识像素标记子模块，用于若否，则从点云深度图内获取第二点云网格所属剩余点云的像素位置作为第二像素位置，在第二像素位置标记第二标识像素。
218.可选地，第一点云网格确定子模块具体用于：
219.获取各个降维虚拟点云对应的第一三维坐标；
220.采用各个第一三维坐标分别计算第一索引；
221.按照各个第一索引匹配高精地图，确定各个第一索引对应的点云网格作为第一点云网格。
222.可选地，变化告警模块1104包括：
223.像素比例计算子模块，用于计算第一标识像素和第二标识像素在点云深度图内的像素比例；
224.比例比较子模块，用于比较像素比例与预设比例阈值；
225.地图变化告警子模块，用于若像素比例大于或等于预设比例阈值，则将当前时刻所述标识像素对应的降维点云或降维虚拟点云缓存至预设的云端服务器缓存至预设的云端服务器，生成地图变化结果并输出告警信息。
226.可选地，点云标记模块1103还包括：
227.地图变换子模块，用于将降维点云转换至高精地图对应的地图坐标系，得到地图点云；
228.动态障碍物点云确定子模块，用于采用预设的三维感知框检测地图点云，确定处于地图点云内的动态障碍物，并标记对应的降维点云作为动态障碍物点云；
229.第二目标点云确定子模块，用于选取与动态障碍物点云重合的剩余点云作为第二目标点云；
230.第三标识像素标记子模块，用于从点云深度图内获取第二目标点云对应的第三像素位置，在第三像素位置标记第三标识像素。
231.可选地，装置还包括：
232.噪点像素位置确定模块，用于获取点云深度图内的噪点像素位置；
233.像素值判断模块，用于判断与噪点像素位置相邻的多个待定像素位置是否存在像素值；
234.噪点像素位置保留模块，用于若全部待定像素位置均存在像素值，则保留噪点像素位置；
235.噪点像素位置删除模块，用于若任一待定像素位置不存在像素值，则删除噪点像素位置；
236.第一标识像素更新模块，用于当全部噪点像素位置均判断完成后，采用当前时刻的点云深度图更新点云深度图，得到更新后的标识像素。
237.可选地，还包括：像素区域确定模块，用于对点云深度图进行区域搜索并聚类，得到多个由搜索像素位置构成的像素区域；
238.像素区域筛选模块，用于从多个像素区域删除搜索像素位置的数量小于预设的数量阈值的像素区域，得到更新后的点云深度图；
239.第二标识像素更新模块，用于采用当前时刻的点云深度图更新点云深度图，得到更新后的标识像素。
240.本发明实施例提供了一种电子设备，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如本发明任一实施例所述的高精地图变化的在线检测方法的步骤。
241.本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被执行时实现如本发明任一实施例所述的高精地图变化的在线检测方法。
242.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置、模块和子模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
243.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，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
244.所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
245.另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
246.所述集成的单元如果以软件功能单元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，本发明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全部或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)执行本发明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。
247.以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。