融合多源数据的高精度道路地图的构建

李春辉 赵越 黄刚

摘  要：为提高高精度道路地图的制作效率，提出采用融合多源数据的方式构建高精度地图。根据道路特征及类型，选用车载激光雷达（Light Detection and Ranging，LiDAR）、无人机摄影测量以及人工采集三种技术获取数据源，分别进行点云、图像以及矢量数据处理，构建高精度道路地图并进行精度评定。试验结果表明，多源数据可实现不同道路场景下的数据采集，为高精度地图快速构建和更新提供参考。

关键词：高精度地图 车载激光雷达 无人机 精度评定

中图分类号：P28

Construction of High-Definition Road Maps Integrating Multi-Source Data

LI Chunhui1*  ZHAO Yue2  HUANG Gang1

（1.Beijing Mingli Surveying and Mapping Technology Co.， Ltd.；2.Tukrin （Beijing） Technology Co.， Ltd.， Beijing， 100016 China）

Abstract：In order to improve the production efficiency of high-definition road maps， this paper proposes to construct high-definition maps by the method of integrating multi-source data. According to the characteristics and types of roads， this paper selects three technologies： vehicle-mounted light detection and ranging （LiDAR）， UAV photogrammetry and manual collection， to obtain data sources， and processes point cloud， image and vector data respectively to construct high-definition road maps and evaluate accuracy. The experimental results show that multi-source data can realize the data collection in different road scenarios， which provides a reference for the rapid construction and update of high-definition maps.

Key Words：High-definition map; Vehicle-mounted light detection and ranging; Unmanned aerial vehicle; Accuracy assessment

在自动驾驶领域，高精地图可为行车提供标牌辅助、超视距规划、定位辅助以及感知补充等方面的功能。道路信息由驾驶人识别向机器识别转变。目前，对于高精度地图的构建多采用车载激光雷达（Light Detection and Ranging，LiDAR）技术获取道路信息[1]，该方法获取道路信息全面且精度较高，但存在覆盖范围小、效率低、成本高的缺点[2]。因此，本文根据道路类型的不同，选择多种道路信息获取方法，在满足高精地图精度要求的基础上，以低成本、可量化的方式實现高精地图的快速构建和更新。

1 技术路线

相对于传统的导航地图，高精道路地图采集过程更精细与复杂。根据不同的测量仪器适用于不同的场景，可将道路分为3个不同的等级。一是简易路段，如高速公路、城市快速路、省道等。该类道路结构相对简单，交通线简洁；人行道较少，多为直线行驶；交通指示标志也比较少。二是复杂路段，如道路两旁绿植较多，道路交通线复杂且多人行道等。三是特殊路段，如隧道、大桥等特殊路段。对于简易道路，由于遮挡较少，且交通线简单，可采用无人机进行车道线的采集；对于复杂路段，车道线较多，且道路车辆和行人较多，因此采用获取信息更丰富的车载激光LiDAR配合全景影像采集道路数据；对于特殊路段，定位信号较差，可采用传统的测绘方式获取道路信息。总体技术路线如图1所示。

2 关键技术

2.1点云数据处理

道路点云的提取是车载激光LiDAR制作高精度道路地图的基础[3]。根据路面的反射率、反射强度以及空间特征进行路面的提取。由于车载LiDAR是从中心点向两侧发射激光信号，因此道路的点云数据呈现中间强度高、两侧强度低的特征。距离雷达近的激光点云强度高，点云较为密集；距离雷达镜头远的激光点云则较为稀疏，且强度较低[4]。因此需要将扫面的点云数据分区域进行指示线提取。

采用最大类间法（OSTU），设定阈值提取道路指示线。OSTU法实现的基本思想是提取的目标与背景值差异较大，并且目标物与背景值内部的图像灰度差异较小，可直接根据灰度值进行目标物的提取[5]。由于道路图像相对简单，该方法效率高且易实现，对于简单的图形效果明显。

2.2影像数据处理

对于快速路、高速路等高等级道路，车道线的宽度、长度以及颜色等规格基本一致，可划分为简单路段。因此，可根据车道线的影像特征和空间特征进行车道线的提取。

无人机获取的影像采用RGB颜色，对于车道线的提取，可先转换为HSL格式，这对于白色的车道线提取更加明显。同样采用OSTU法对车道线进行阈值分割，也可提取车道线。

3 高精度地图制作

3.1道路要素分类

首先需要明确高精道路地图需要采集的道路要素，按照道路要素的类型分为点要素类、线要素类和面要素类，各类数据如表1所示。

3.2数据采集

3.2.1线路规划

在实际开展工作前要对整体的測量路线进行规划，对于城市中较为繁华的街道，需根据道路宽度和LiDAR的扫描宽度进行调整，对于较宽的路段需要往返测量，对于较窄的路段则可一次性覆盖测量。对于较为复杂的十字路口，包括交通指示灯、人行横道以及车道指示线等多种信息，需要安排好测量路线，确保不遗漏目标地物。对于隧道区域，定位信号不好，需要采用传统的数字测图技术进行数据的采集，可通过车载全景像机获取隧道内部的照片对数据进行补充。隧道内部道路要素相对简单，且道路标志多为重复，因此工作量较少。对于较为开阔的道路，周边建筑物和植被遮挡较少，可采用无人机大范围采集数据。

3.2.2基准站的布设

对于车载LiDAR、无人机航飞等设备采集外业数据，其定位精度关系到地图成果的精度，因此需要提高测量设备的定位精度。车载LiDAR、无人机航飞在接受GNSS定位信号的同时，可采用增设基准站的方式，实现定位信号的差分，提高定位精度[6]。

在城市街道中，可将基准站布设于街道附近的楼顶平台，优点是无遮挡、信号覆盖范围广，设置的基准站距离间隔为5 km左右；在无人机航飞区域，将基准站沿道路两侧呈带状分布布设，距离道路不大于5 km，基准站间的间隔不大于15 km；对于隧道、桥底等信号较弱区域，在隧道口采用RTK布设控制点，采用传统的数字测量方式获取内部的道路信息。

4 数据处理

根据道路各要素的点云反射强度特征和几何特征，采用自动化处理为主、人工提取为辅的方式进行道路要素提取。采用点云数据关键技术，根据道路边缘及车道指示线的点云反射强度及几何特征，根据最大类间法原理，自动识别车道标志线。将识别的点云数据进行矢量化，并重新与点云数据叠加，通过人工识别的方式将自动识别存在问题的区域进行调整与纠偏。

将基于点云数据提取的矢量化数据与全景像片进行叠加，根据照片及实地调查信息，录入道路各类要素的数据，如道路名称、指示线示意、类型等。通过符号化和地图整式工作将基于点云数据获取的高精度地图要素编辑成图。

4.2无人机影像图数据处理

无人机获取的道路影像中含有行驶的车辆，本文以车辆与道路的光谱特征差异性为区分依据，采用多影像之间的互补，即一张影像发现有车辆信息，则可采用前后无车辆信息的部分进行补充。若存在静态车辆，即多张照片共同区域内都存在相同的车辆，无法采用照片进行弥补，则可根据车道像元差异将车辆剔除。以试点区域路段的路口为例，将动态、静态车辆剔除后，结果对比如图2所示。

在道路提取时，可根据公开地图（Open Street Map，OSM）数据进行辅助道路提取。OSM数据坐标系为WGS—84坐标系，数据存在一定的偏差，因此在使用时，以影像数据为基础，将OSM数据经平移、旋转等处理后与影像道路数据基本保持一致。OSM基本与研究区域道路范围相重合后，将OSM两侧缓冲10 m生成掩膜数据，将掩膜数据裁切影像，用于后续道路数据提取，可极大地减少数据处理工作。

将处理后的道路影像采用区域识别的方法提取道路范围线，并根据车道线与道路面的颜色差异提取车道线。采用非OTSU阈值分割法获取二值化的车道线，如图3所示。

5 精度评定

选取构建高精地图上较为明显的特征点，在地图上量取点位坐标，并采用RTK技术测取对应点位的坐标，采用三角测量方法获取高程值。将二种数值进行对比，计算中误差如表2所示。

从表2中可以看出，车载LiDAR制作的高精度地图平面精度优于0.05 m，高程精度优于0.03 m；无人机航摄影像制作的高精度地图平面精度优于0.08m，高程精度优于0.05 m，满足L3级别[7]的自动驾驶所需的精度地图要求。

6 结语

高精度地图的快速构建及更新是影响自动驾驶技术发展的重要因素，传统采用单一车载LiDAR进行数据获取，不仅效率低，而且成本较高。本文根据道路场景不同，分别采用车载LiDAR、无人机摄影测量以及人工测量补充的方式，根据众多数据源构建高精度地图。结果表明：多源数据构建的高精道路地图满足精度要求，可极大地降低数据采集成本，提高数据采集效率。

参考文献

[1] WANG X L，QIAN Y Q，WANG C X， et al. Map-Enhanced Ego-Lane Detection in the Missing

Feature Scenarios[J]. IEEE access，2020，8： 107958-107968.

[2] 李凯.基于三维激光点云和图像数据融合的语义地图构建[D].北京：中国矿业大学，2022.

[3] 冯昶，杜清运，范晓宇，等.高精动态地图基础平台众源更新技术路线研究［J］.测绘地理信息，2023，48（1）：10-15.

[4] 王彬.基于多传感器融合的高精度地图生成方法研究[D].重庆：重庆大学，2021.

[5] 尹彤，黄鹤，郭迟，等.面向自动驾驶的高精地图生产技术及数据模型标准化探讨[J].中国标准化，2021（4）：33-37.

[6] 梁宗正，童杨.高精度地图国内外发展现状及对策[J].科技中国，2021（1）：13-16.

[7] 吕晓成.高精地图道路矢量化模型表达规则探讨[J].北京测绘，2023，37（1）：19-25.