基于多源数据的高精地图数据生产研究

摘""要：高精地图又称为高分辨率地图，是自动驾驶汽车实现路径规划、道路场景认知、决策与控制的先决条件。与传统该地图和普通的导航电子地图相比，高精地图不仅包含地形地貌要素，还包含丰富的道路要素信息及语义信息。提出了综合利用无人机正射影像和车载移动扫描点云等多源异构数据提取高精地图的方法，探讨了高精地图数据模型的空间表达、属性分层和关联规则，以及实现高精地图制图的方式，提出了可行的技术方法，这为高精地图的生产提供了可借鉴的参考价值。

关键词：高精地图""车载点云数据""道路专题要素""车道线提取

中图分类号：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

高精地图（High"Definition"Map，HD"Map）与标准地图（Standard"Definition"Map，SD"Map）有着本质区别。标准地图使用主体是人，主要作用为导航和搜索，数据主体是道路，提供米级道路级别分辨率的道路形状和兴趣点数据[1]。高精地图使用主体是机器，主要作用为辅助定位、超视距感知、先验路径规划和决策，数据主体是车道，提供分米级车道级别分辨率的更为丰富的车道几何和道路设施等数据。高精地图具备位置精度高、要素丰富度高和数据鲜度高等特点。

1""高精道路地图制作方法

1.1""传统高精道路地图制作方法

传统高精道路地图制作主要有以下几种方式：（1）采用单一的车载激光扫描仪（LightLaser"Detection"and"Ranging，"LiDAR）系统进行路面激光点云获取，先基于点云强度区分路面特征，再由人工识别并进行三维矢量采编，部分依靠点云无法识别的要素及扫描盲区需要人工野外补采[2]；（2）由于车载LiDAR系统造价昂贵，有些缺乏条件的部门采用人工全野外方式进行高精道路要素采集，存在重大安全隐患且效率较低；（3）为满足高精度要求，控制测量任务巨大，高精度航空摄影存在成本高、周期长、微小道路地图要素难以识别等缺陷。

1.2""基于多源数据的高精道路地图制作方法

本文试验采用车载移动测量系统、旋翼无人机等技术装备开展高速公路激光点云、全景照片及互通立交、匝道、收费站、服务区等特定区域的高分辨率倾斜影像等多源数据获取，经少量外业控制测量、内业数据解算、矢量自动提取、人工编辑、属性挂接、成果融合等工序进行高精道路地图制作[3]。

2""基于车载点云数据道路专题要素提取

车载移动测量系统是一种以汽车为载体的移动型三维激光扫描系统，它能够快速获取道路及路侧的高精度三维空间信息，是目前城市道路环境三维信息采集最有效的方式之一。车载点云数据主要用于获取道路专题要素信息，在此基础上，基于无人机正射影像对车道线进行精确提取。

2.1""点云数据采集

本文利用“HiScan-VUX”型车载移动测量系统进行外业数据采集，如图2所示。该系统由LiDAR系统、定位定姿系统（Position"and"Orientation"System，"POS））、高清全景相机、里程计以及计算机控制系统组成。外业数据采集包括任务规划、数据采集和数据解算3个阶段。其中，数据解算步骤如下：首先，利用POS和BJCORS数据计算出移动测量车轨迹；接着，将轨迹及POS姿态数据与车载LiDAR激光回波数据进行融合，以获得点云的三维坐标；最后，将点云与全景影像进行融合，以实现两者的高精度配准。

2.2""点云数据处理和道路专题要素提取

车载点云数据处理是进行道路专题要素采集前的重要工作。点云作为道路专题要素矢量化的底图数据，其精度是决定最终高精道路地图成果质量的重要保证[4]。

点云数据处理主要包括点云坐标转换、点云位置纠正、点云校正和地面点提取，以道路点云为基础，对道路专题要素进行提取和分类。利用"MappingFactory"点云测图软件，对无法实现自动识别的道路专题要素采用人工提取。以车载点云为底图，进行点、线、面等道路专题要素的矢量提取和快速绘制，实现“即测即显、一次成图”。

3""基于无人机正射影像的车道线自动提取

本文提出一种基于无人机正射影像，采用U-Net语义分割模型，结合栅格处理与矢量处理的快速构建高精地图的方法。首先，利用无人机技术快速获取目标路段正射影像；其次，在采用U-Net模型的基础上，引入Lovasz损失函数替换原来的交叉熵损失函数，以加强网络对车道线特征的学习能力；最后，利用栅格处理与矢量处理结合的手段完成栅格车道线的细化、矢量化及矢量车道线的拟合，得到可直接应用于高精地图构建的车道线成果[5]。本文采用的高精地图车道线提取方法可提升高精地图的制作速度与更新效率，大大降低了高精地图的构建成本。

车道线提取后，将车道线提取结果与基于点云提取的道路专题要素进行叠加，如图3所示为车道线与点云数据的叠加效果图。

4""模型结构与表达

目前，高精地图的数据组织分层主要依据逻辑结构，大多按照“区域-图层组-图层-要素”或“道路-车道-路面标线-道路附属物”层级进行组织。

道路要素依据空间几何形态则分为点要素、线要素和面要素。点要素主要分为两类：一类是道路、车道的连接点，主要用于道路、车道、路口、参考线等道路元素之间的规则关联；另一类是小型的道路交通设备。线状要素是高精地图中最重要的交通要素，主要包括车道和道路的参考线、道路边界及线状道路交通标线[6]。道路和车道参考线几何表达主要为直线、螺旋线、恒定曲率的弧线、三次多项式曲线。其中：直线在现实道路场景中最为常见；螺旋线主要几何特征是曲率从起点至终点线性变化；恒定曲率的弧线在空间几何特征上是圆形的一部分。面状要素主要包括停车场、服务区、收费站、检查站等服务管理设施，以及人形横道、停车位、面状交通标线、道路交通标志、交通灯等道路安全设施。

道路要素属性包括基本属性和关联属性。道路参考线的基本属性包括要素唯一标志码、道路名称、类型、等级、车道数量、路面材质、结构类型、通行情况、限制方向等说明。关联属性表示对与该道路要素存在关联关系的其他要素的信息描述，如道路参考线的关联属性包括车道数量、起始道路连接点、终止道路连接点等。基本属性和关联属性共同构成了道路要素的语义化表达。

关联规则表达不同道路要素之间在空间上的关联关系和拓扑关系。最典型的关联关系如“道路-车道”，一个道路包含几个车道，道路参考线通过道路连接点与路口相关联。同时，道路参考线与道路边界、支撑结构、附属设施等直接发生关联，而车道参考线的关联对象最多，包括车道连接点、道路交通标线、道路交通标志、交通灯及服务管理设施等。

典型的道路要素关联规则如图4所示。以车道连接点为例，其与车道参考线相关联，当连接点位于路口时，驶出车道参考线为路口不同两个车道连接点之间的轨迹。该轨迹应以车辆安全平滑通行为标准，保持与前后车道参考线的曲率完整，并与其发生关联。

5""编辑制图

在通用"GIS"平台或专业数据编辑制图平台中，基于上述模型结构，通过人工、半自动、全自动方式制作高精地图，包含道路、交通设施等要素，限速、转向、线类型等属性，以及交通灯与停止线、道路参考线与道路边界线等关联关系。制作结束后，进行值域、拓扑关系、关联关系等内容的自动检查与修复。图5为某路口的高精地图细节图。

6""结语

自动驾驶汽车利用高精地图丰富的道路元素语义信息进行特征识别并判断车体与周围道路元素的空间距离，实现了精确的空间相对定位，从而控制安全行车范围及完成智能驾驶决策。本文提出了综合利用无人机正射影像和车载移动扫描点云等多源异构数据提取高精地图的方法，探讨了高精地图数据模型的空间表达、属性分层和关联规则，以及实现高精地图制图的方式，提出了可行的技术方法，这为高精地图的生产提供了可借鉴的参考价值。

参考文献

[1]丁阳.道路全息测绘地形成果向高精地图转换的探索研究[J].测绘通报，2024（S1）：271-273.

[2]梁祺策.高精地图构建中交通标志牌检测与识别算法研究[D].北京：北京建筑大学，2023.

[3]韦通.低空无人机摄影测量在城市高精地图中的应用[J].智能城市，2023，9（7）：33-35.

[4]王卓.基于激光点云的露天矿高精地图自动构建技术研究[D].长沙：中南大学，2023.

[5]张闯，应申，王润泽，等.智能网联汽车的高精地图数据交互模式[J].测绘通报，2024（2）：107-112.

[6]王智，廖胤齐，孙娜，等.基于多源数据的高精地图生产技术及三维可视化表达[J].城市勘测，2023（2）：121-124.