基于多源數據的高精地圖數據生產研究

摘""要：高精地圖又稱為高分辨率地圖，是自動駕駛汽車實現路徑規劃、道路場景認知、決策與控制的先決條件。與傳統該地圖和普通的導航電子地圖相比，高精地圖不僅包含地形地貌要素，還包含豐富的道路要素信息及語義信息。提出了綜合利用無人機正射影像和車載移動掃描點云等多源異構數據提取高精地圖的方法，探討了高精地圖數據模型的空間表達、屬性分層和關聯規則，以及實現高精地圖制圖的方式，提出了可行的技術方法，這為高精地圖的生產提供了可借鑒的參考價值。

關鍵詞：高精地圖""車載點云數據""道路專題要素""車道線提取

中圖分類號：P208

Research"on"HD"Map"Data"Production"Based"on"Multi-Source"Data

LI"Jun1""ZHENG"Bo2

1."Beijing"Meida"Zhida"Technology"Co.，"Ltd.，"Beijing，"100020"China;"2."Ditu"（Beijing）"Technology"Co.，"Ltd.，"Beijing，"100089"China

Abstract："High-Definition"Map（HD"Map），"also"known"as"high-resolution"map，"is"a"prerequisite"for"autonomous"vehicle"to"realize"path"planning，"road"scene"cognition，"decision-making"and"control."Compared"with"traditional"map"and"ordinary"navigation"electronic"map，"HD"Map"not"only"contains"topographic"and"geomorphic"elements，"but"also"contains"rich"road"element"information"and"semantic"information."This"paper"proposes"a"method"to"extract"HD"Maps"by"comprehensively"utilizing"multi-source"heterogeneous"data"such"as"UAV"orthophoto"and"vehicle"mobile"scanning"point"cloud，"discusses"the"spatial"expression，"attribute"stratification"and"association"rules"of"HD"Map"data"model，"as"well"as"the"ways"to"achieve"HD"Map"mapping，"and"proposes"a"feasible"technical"method"to"provide"reference"value"for"the"production"of"HD"Maps.

Key"Words："HD"Map;"Vehicle"point"cloud"data;"Road"thematic"elements;"Lane"line"extraction

高精地圖（High"Definition"Map，HD"Map）與標準地圖（Standard"Definition"Map，SD"Map）有著本質區別。標準地圖使用主體是人，主要作用為導航和搜索，數據主體是道路，提供米級道路級別分辨率的道路形狀和興趣點數據[1]。高精地圖使用主體是機器，主要作用為輔助定位、超視距感知、先驗路徑規劃和決策，數據主體是車道，提供分米級車道級別分辨率的更為豐富的車道幾何和道路設施等數據。高精地圖具備位置精度高、要素豐富度高和數據鮮度高等特點。

1""高精道路地圖制作方法

1.1""傳統高精道路地圖制作方法

傳統高精道路地圖制作主要有以下幾種方式：（1）采用單一的車載激光掃描儀（LightLaser"Detection"and"Ranging，"LiDAR）系統進行路面激光點云獲取，先基于點云強度區分路面特征，再由人工識別并進行三維矢量采編，部分依靠點云無法識別的要素及掃描盲區需要人工野外補采[2]；（2）由于車載LiDAR系統造價昂貴，有些缺乏條件的部門采用人工全野外方式進行高精道路要素采集，存在重大安全隱患且效率較低；（3）為滿足高精度要求，控制測量任務巨大，高精度航空攝影存在成本高、周期長、微小道路地圖要素難以識別等缺陷。

1.2""基于多源數據的高精道路地圖制作方法

本文試驗采用車載移動測量系統、旋翼無人機等技術裝備開展高速公路激光點云、全景照片及互通立交、匝道、收費站、服務區等特定區域的高分辨率傾斜影像等多源數據獲取，經少量外業控制測量、內業數據解算、矢量自動提取、人工編輯、屬性掛接、成果融合等工序進行高精道路地圖制作[3]。

2""基于車載點云數據道路專題要素提取

車載移動測量系統是一種以汽車為載體的移動型三維激光掃描系統，它能夠快速獲取道路及路側的高精度三維空間信息，是目前城市道路環境三維信息采集最有效的方式之一。車載點云數據主要用于獲取道路專題要素信息，在此基礎上，基于無人機正射影像對車道線進行精確提取。

2.1""點云數據采集

本文利用“HiScan-VUX”型車載移動測量系統進行外業數據采集，如圖2所示。該系統由LiDAR系統、定位定姿系統（Position"and"Orientation"System，"POS））、高清全景相機、里程計以及計算機控制系統組成。外業數據采集包括任務規劃、數據采集和數據解算3個階段。其中，數據解算步驟如下：首先，利用POS和BJCORS數據計算出移動測量車軌跡；接著，將軌跡及POS姿態數據與車載LiDAR激光回波數據進行融合，以獲得點云的三維坐標；最后，將點云與全景影像進行融合，以實現兩者的高精度配準。

2.2""點云數據處理和道路專題要素提取

車載點云數據處理是進行道路專題要素采集前的重要工作。點云作為道路專題要素矢量化的底圖數據，其精度是決定最終高精道路地圖成果質量的重要保證[4]。

點云數據處理主要包括點云坐標轉換、點云位置糾正、點云校正和地面點提取，以道路點云為基礎，對道路專題要素進行提取和分類。利用"MappingFactory"點云測圖軟件，對無法實現自動識別的道路專題要素采用人工提取。以車載點云為底圖，進行點、線、面等道路專題要素的矢量提取和快速繪制，實現“即測即顯、一次成圖”。

3""基于無人機正射影像的車道線自動提取

本文提出一種基于無人機正射影像，采用U-Net語義分割模型，結合柵格處理與矢量處理的快速構建高精地圖的方法。首先，利用無人機技術快速獲取目標路段正射影像；其次，在采用U-Net模型的基礎上，引入Lovasz損失函數替換原來的交叉熵損失函數，以加強網絡對車道線特征的學習能力；最后，利用柵格處理與矢量處理結合的手段完成柵格車道線的細化、矢量化及矢量車道線的擬合，得到可直接應用于高精地圖構建的車道線成果[5]。本文采用的高精地圖車道線提取方法可提升高精地圖的制作速度與更新效率，大大降低了高精地圖的構建成本。

車道線提取后，將車道線提取結果與基于點云提取的道路專題要素進行疊加，如圖3所示為車道線與點云數據的疊加效果圖。

4""模型結構與表達

目前，高精地圖的數據組織分層主要依據邏輯結構，大多按照“區域-圖層組-圖層-要素”或“道路-車道-路面標線-道路附屬物”層級進行組織。

道路要素依據空間幾何形態則分為點要素、線要素和面要素。點要素主要分為兩類：一類是道路、車道的連接點，主要用于道路、車道、路口、參考線等道路元素之間的規則關聯；另一類是小型的道路交通設備。線狀要素是高精地圖中最重要的交通要素，主要包括車道和道路的參考線、道路邊界及線狀道路交通標線[6]。道路和車道參考線幾何表達主要為直線、螺旋線、恒定曲率的弧線、三次多項式曲線。其中：直線在現實道路場景中最為常見；螺旋線主要幾何特征是曲率從起點至終點線性變化；恒定曲率的弧線在空間幾何特征上是圓形的一部分。面狀要素主要包括停車場、服務區、收費站、檢查站等服務管理設施，以及人形橫道、停車位、面狀交通標線、道路交通標志、交通燈等道路安全設施。

道路要素屬性包括基本屬性和關聯屬性。道路參考線的基本屬性包括要素唯一標志碼、道路名稱、類型、等級、車道數量、路面材質、結構類型、通行情況、限制方向等說明。關聯屬性表示對與該道路要素存在關聯關系的其他要素的信息描述，如道路參考線的關聯屬性包括車道數量、起始道路連接點、終止道路連接點等。基本屬性和關聯屬性共同構成了道路要素的語義化表達。

關聯規則表達不同道路要素之間在空間上的關聯關系和拓撲關系。最典型的關聯關系如“道路-車道”，一個道路包含幾個車道，道路參考線通過道路連接點與路口相關聯。同時，道路參考線與道路邊界、支撐結構、附屬設施等直接發生關聯，而車道參考線的關聯對象最多，包括車道連接點、道路交通標線、道路交通標志、交通燈及服務管理設施等。

典型的道路要素關聯規則如圖4所示。以車道連接點為例，其與車道參考線相關聯，當連接點位于路口時，駛出車道參考線為路口不同兩個車道連接點之間的軌跡。該軌跡應以車輛安全平滑通行為標準，保持與前后車道參考線的曲率完整，并與其發生關聯。

5""編輯制圖

在通用"GIS"平臺或專業數據編輯制圖平臺中，基于上述模型結構，通過人工、半自動、全自動方式制作高精地圖，包含道路、交通設施等要素，限速、轉向、線類型等屬性，以及交通燈與停止線、道路參考線與道路邊界線等關聯關系。制作結束后，進行值域、拓撲關系、關聯關系等內容的自動檢查與修復。圖5為某路口的高精地圖細節圖。

6""結語

自動駕駛汽車利用高精地圖豐富的道路元素語義信息進行特征識別并判斷車體與周圍道路元素的空間距離，實現了精確的空間相對定位，從而控制安全行車范圍及完成智能駕駛決策。本文提出了綜合利用無人機正射影像和車載移動掃描點云等多源異構數據提取高精地圖的方法，探討了高精地圖數據模型的空間表達、屬性分層和關聯規則，以及實現高精地圖制圖的方式，提出了可行的技術方法，這為高精地圖的生產提供了可借鑒的參考價值。

參考文獻

[1]丁陽.道路全息測繪地形成果向高精地圖轉換的探索研究[J].測繪通報，2024（S1）：271-273.

[2]梁祺策.高精地圖構建中交通標志牌檢測與識別算法研究[D].北京：北京建筑大學，2023.

[3]韋通.低空無人機攝影測量在城市高精地圖中的應用[J].智能城市，2023，9（7）：33-35.

[4]王卓.基于激光點云的露天礦高精地圖自動構建技術研究[D].長沙：中南大學，2023.

[5]張闖，應申，王潤澤，等.智能網聯汽車的高精地圖數據交互模式[J].測繪通報，2024（2）：107-112.

[6]王智，廖胤齊，孫娜，等.基于多源數據的高精地圖生產技術及三維可視化表達[J].城市勘測，2023（2）：121-124.