一种地图数据处理方法及装置

技术领域

本申请涉及高精度地图技术领域，尤其涉及一种地图数据处理方法及装置，特别涉及一种地图的构建和更新方法及装置。

背景技术

目前，随着自动驾驶技术、智能机器人技术的发展，如何保证自动驾驶车辆和智能机器人的精确行驶成为了一个热点问题。在自动驾驶技术中，一般会应用高精度地图，其不同于传统的导航地图，高精度地图包含大量的驾驶辅助信息，最重要的信息是依托道路网的精确三维表征，例如交叉路口布局和路标位置等。另外，高精度地图还包含很多语义信息，地图上可能会报告通信交通灯上不同颜色的含义，它可能指示道路的速度限制，以及左转车道开始的位置等。高精地图最重要的特征之一是精度，高精度地图能使自动驾驶车辆等达到厘米级的精度，这对确保自动驾驶车辆的安全至关重要。

高精度地图在被使用前，需要预先构建，并及时更新，以保证自动驾驶等技术的正常行驶应用。基于此，本申请旨在提出一种针对于地图的构建和更新的方法。

发明内容

本申请的实施例提供一种地图数据处理方法及装置，能够实现高精度地图的构建和更新，进而保证自动驾驶、智能机器人等的正常行驶。

为达到上述目的，本申请的实施例采用如下技术方案：

本申请实施例的第一方面，提供一种地图数据处理方法，其特征在于，包括：

获得可移动物体上搭载的传感器采集的多个批次的传感器数据；所述多个批次的传感器数据包括一个批次的参考批次传感器数据和一至多个批次的目标批次传感器数据；

根据参考批次传感器数据中的各参考帧数据确定预设帧长度的各第一子地图，并获得第一子地图中各帧数据的位姿关系；

从各目标批次传感器数据中确定各参考帧数据对应的各候选帧数据，并根据各候选帧数据确定预设帧长度的各第二子地图，并获得第二子地图中各帧数据的位姿关系；

将各第一子地图和与其相关的第二子地图进行配准，建立各第一子地图和第二子地图的第一位姿约束关系，以及建立各第一子地图和各第一子地图对应的初始位姿的第二位姿约束关系，以及建立各第二子地图和各第二子地图对应的初始位姿的第三位姿约束关系；

根据所述第一位姿约束关系、第二位姿约束关系和第三位姿约束关系进行全局优化，确定各第一子地图和各第二子地图的子地图优化位姿；

根据第一子地图中各帧数据的位姿关系、第二子地图中各帧数据的位姿关系和所述子地图优化位姿，分别确定各第一子地图以及第二子地图中各帧数据对应的帧优化位姿；

根据所述帧优化位姿和各批次的传感器数据，进行地图数据融合，形成全局地图。

本申请实施例的第二方面，提供一种地图数据处理装置，包括：

数据采集单元，用于获得可移动物体上搭载的传感器采集的多个批次的传感器数据；所述多个批次的传感器数据包括一个批次的参考批次传感器数据和一至多个批次的目标批次传感器数据；

子地图确定单元，用于根据参考批次传感器数据中的各参考帧数据确定预设帧长度的各第一子地图，并获得第一子地图中各帧数据的位姿关系；从各目标批次传感器数据中确定各参考帧数据对应的各候选帧数据，并根据各候选帧数据确定预设帧长度的各第二子地图，并获得第二子地图中各帧数据的位姿关系；

子地图与子地图配准单元，用于将各第一子地图和与其相关的第二子地图进行配准，建立各第一子地图和第二子地图的第一位姿约束关系，以及建立各第一子地图和各第一子地图对应的初始位姿的第二位姿约束关系，以及建立各第二子地图和各第二子地图对应的初始位姿的第三位姿约束关系；

全局优化单元，用于根据所述第一位姿约束关系、第二位姿约束关系和第三位姿约束关系进行全局优化，确定各第一子地图和各第二子地图的子地图优化位姿；

帧优化位姿确定单元，用于根据第一子地图中各帧数据的位姿关系、第二子地图中各帧数据的位姿关系和所述子地图优化位姿，分别确定各第一子地图以及第二子地图中各帧数据对应的帧优化位姿；

全局地图数据融合单元，用于根据所述帧优化位姿和各批次的传感器数据，进行地图数据融合，形成全局地图。

本申请实施例的第三方面，提供一种计算机可读存储介质，包括程序或指令，当所述程序或指令在计算机上运行时，实现上述第一方面所述的地图数据处理方法。

本申请实施例的第四方面，提供一种包含指令的计算机程序产品，当所述计算机程序产品在计算机上运行时，使得所述计算机执行如上述第一方面所述的地图数据处理方法。

本申请实施例的第五方面，提供一种芯片系统，包括处理器，所述处理器与存储器的耦合，所述存储器存储有程序指令，当所述存储器存储的程序指令被所述处理器执行时实现上述第一方面所述的地图数据处理方法。

本申请实施例的第六方面，提供一种电路系统，所述电路系统包括处理电路，所述处理电路配置为执行如上述第一方面所述的地图数据处理方法。

本申请实施例的第七方面，提供一种计算机服务器，包括存储器，以及与所述存储器通信连接的一个或多个处理器；

所述存储器中存储有可被所述一个或多个处理器执行的指令，所述指令被所述一个或多个处理器执行，以使所述一个或多个处理器实现如上述第一方面所述的地图数据处理方法。

本申请实施例提供的一种地图数据处理方法及装置，涉及地图的构建和更新，能够获得可移动物体上搭载的传感器采集的多个批次的传感器数据，将一个批次作为参考批次，将其他一至多个批次作为目标批次；根据参考批次传感器数据中的各参考帧数据确定预设帧长度的各第一子地图，以及根据各目标批次传感器数据各候选帧数据确定预设帧长度的各第二子地图，进而将各第一子地图和与其相关的第二子地图进行配准，建立相应的位姿约束关系；从而进行全局优化，确定各第一子地图和各第二子地图的子地图优化位姿；最终能够确定各第一子地图以及第二子地图中各帧数据对应的帧优化位姿；并采用这些帧优化位姿来完成地图数据融合，形成全局地图。这样，通过本申请实施例可以克服现有技术中地图构建和更新方法存在融合后的地图不准确，容易产生重影，影响自动驾驶、智能机器人等的正常行驶的问题。

附图说明

为了更清楚地说明本申请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申请的一些实施例，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他的附图。

图1为本申请实施例提供的一种地图数据处理方法的流程图一；

图2为本申请实施例中在车辆上设置激光雷达的示意图；

图3为本申请实施例提供的一种地图数据处理方法的流程图二；

图4为本申请实施例中的第一子地图和第二子地图帧数据之间的关系示意图；

图5为本申请实施例中的两批次地图数据处理前的点云地图示意图；

图6为本申请实施例中的两批次地图数据处理后的点云地图示意图；

图7为本申请实施例提供的一种地图数据处理装置的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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他实施例，都属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

为了使本领域的技术人员更好的了解本申请，下面先对本申请实施例中出现的部分技术术语进行解释如下：

可移动物体：是指车辆、移动机器人、飞行器等可进行地图采集的物体，可移动物体上可以搭载各类型传感器，如激光雷达、相机等。

ICP：Iterative Closest Point，迭代最近点算法，主要用于计算机视觉中深度图像的精确拼合，通过不断迭代最小化源数据与目标数据对应点来实现精确地拼合。目前已经有很多变种，主要热点是怎样高效、鲁棒的获得较好地拼合效果。

GNSS：Global Navigation Satellite System，全球导航卫星系统。

GPS：Global Positioning System，全球定位系统。

IMU：Inertial Measurement Unit，惯性测量单元，是测量物体三轴姿态角(或角速率)以及加速度的装置。

高精度地图：不同于传统的导航地图，高精度地图包含大量的驾驶辅助信息，最重要的信息是依托道路网的精确三维表征，例如交叉路口布局和路标位置等。另外，高精度地图还包含很多语义信息，地图上可能会报告通信交通灯上不同颜色的含义，它可能指示道路的速度限制，以及左转车道开始的位置等。高精地图最重要的特征之一是精度，高精度地图能使车辆达到厘米级的精度，这对确保自动驾驶汽车的安全至关重要。

建图(Mapping)：根据估计得到的车辆或移动机器人实时位姿以及激光雷达等视觉传感器的采集数据，构建出描述当前场景的高精度地图。

位姿(Pose)：位置和朝向的总称，包含6个自由度，其中包括3个位置自由度和3个朝向自由度。朝向的3个自由度通常用俯仰角(Pitch)、翻滚角(Roll)、偏航角(Yaw)来表示。

帧(Frame)：传感器完成一次观测所接收到的测量数据，如相机的一帧数据为一张图片，激光雷达的一帧数据为一组激光点云。

子地图(Submap)：全局地图由若干个子地图组成，每个子地图包含连续多帧的观测结果。

配准(Registration)：对同一区域在不同时刻、不同位置的观测结果进行匹配，得到两个观测时刻间的相对位姿关系。

NDT：Normal Distributions Transform，即正态分布变换算法，是一种配准算法，它应用于三维点的统计模型，使用标准最优化技术来确定两个点云间的最优的匹配。

GPU：Graphics Processing Unit，图形处理器。

NovAtel：精密全球导航卫星系统(GNSS)及其子系统领域中，处于领先地位的产品与技术供应商。本申请实施例中表示NovAtel的组合导航系统。

Local坐标系：即本地坐标系，可是是以某一个子地图中第一帧的位姿为基准建立的坐标系，以便于数据处理。

ENU坐标系：即东北天坐标系，一种坐标轴分别指东、指北和指天的三轴直角坐标系。

在本申请的一些实施例中，术语“车辆”广泛地解释为包括任何移动物体，包括例如飞行器、船只、航天器、汽车、卡车、厢式货车、半挂车、摩托车、高尔夫球车、越野车辆、仓库运输车辆或农用车以及行驶在轨道上的运输工具，例如电车或火车以及其它有轨车辆。本申请中的“车辆”通常可以包括：动力系统、传感器系统、控制系统、外围设备和计算机系统。在其它实施例中，车辆可以包括更多、更少或者不同的系统。

其中，动力系统是为车辆提供动力运动的系统，包括：引擎/马达、变速器和车轮/轮胎、能源单元。

控制系统可以包括控制车辆及其组件的装置的组合，例如转向单元、节气门、制动单元。

外围设备可以是允许车辆与外部传感器、其它车辆、外部计算设备和/或用户进行交互的设备，例如无线通信系统、触摸屏、麦克风和/或扬声器。

基于上述描述的车辆，自动驾驶车辆中还配置有传感器系统和自动驾驶控制装置。

传感器系统可以包括用于感测车辆所处环境的信息的多个传感器，以及改变传感器的位置和/或方向的一个或多个致动器。传感器系统可以包括全球定位系统传感器、惯性测量单元、无线电检测和测距(RADAR)单元、相机、激光测距仪、光检测和测距(LIDAR)单元和/或声学传感器等传感器的任何组合；传感器系统还可以包括监视车辆内部系统的传感器(例如O

自动驾驶控制装置可以包括一个处理器和存储器，存储器中存储有至少一条机器可执行指令，处理器执行至少一条机器可执行指令实现包括地图引擎、定位模块、感知模块、导航或路径模块、以及自动控制模块等的功能。地图引擎和定位模块用于提供地图信息和定位信息。感知模块用于根据传感器系统获取到的信息和地图引擎提供的地图信息感知车辆所处环境中的事物。导航或路径模块用于根据地图引擎、定位模块和感知模块的处理结果，为车辆规划行驶路径。自动控制模块将导航或路径模块等模块的决策信息输入解析转换成对车辆控制系统的控制命令输出，并通过车载网(例如通过CAN总线、局域互联网络、多媒体定向系统传输等方式实现的车辆内部电子网络系统)将控制命令发送给车辆控制系统中的对应部件，实现对车辆的自动控制；自动控制模块还可以通过车载网来获取车辆中各部件的信息。

一般情况下，高精度地图在被使用前，需要预先构建并及时更新，而目前在构建高精度地图时，地图的绝对位置信息一般通过GPS获得，但实际数据采集时，由于受电离层传播误差、多路径效应等因素的影响，导致采集的GPS位置存在一定的误差，为减小该误差对建图精度的影响，在实际建图时，一般会进行多批次采集，并用多批次数据进行融合建图。此外，为了保证地图与当前的道路结构信息一致，高精度地图需要高频率的更新，即地图中某一区域车道线、指示牌等道路标识信息发生改变时，需要在保持原有地图绝对位置不变的前提下，融合最新采集的地图信息，进行区域地图信息的更新。

目前常见的融合多批次地图数据建图以及地图更新方法主要有两种，一种是如文献1(Haala,Norbert,et al."Mobile LiDAR mapping for 3D point cloud collectionin urban areas—A performance test."Int.Arch.Photogramm.RemoteSens.Spat.Inf.Sci 37(2008):1119-1127.)所述的方法，将各批次的激光雷达数据按照对应时刻的组合导航提供的位姿进行叠加，最终得到的点云结果即为融合后的结果；而另一种是如文献2(Mendes,Ellon,Pierrick Koch,and Simon Lacroix."ICP-based pose-graph SLAM."2016IEEE International Symposium on Safety,Security,and RescueRobotics(SSRR).IEEE,2016.)的方式，使用ICP等配准算法建立各批次数据间帧到帧的约束，并优化求解，从而得到各批次数据的融合结果。

然而，上述两种方式均存在缺陷，例如：

组合导航得到的绝对位姿信息存在误差，通过文献1得到的地图精度不高，地图中会存在较明显的重影现象。

在一些车速较快的道路(如高速道路)两侧特征通常较为稀疏，通过文献2的配准方式难以得到多批次数据间的准确约束关系，导致建图精度下降。

可见，无论文献1还是文献2，在进行高精度地图的构建和更新时，都存在地图精度较差的问题。

本申请实施例旨在提出一种地图数据处理方法，特别是一种地图的构建和更新方法，从而可以克服现有技术中地图构建和更新方法存在融合后的地图不准确，容易产生重影，影响自动驾驶、智能机器人等的正常行驶的问题。

如图1所示，本申请实施例提供一种地图数据处理方法，包括：

步骤101、获得可移动物体上搭载的传感器采集的多个批次的传感器数据。

其中，多个批次的传感器数据包括一个批次的参考批次传感器数据和一至多个批次的目标批次传感器数据。

步骤102、根据参考批次传感器数据中的各参考帧数据确定预设帧长度的各第一子地图，并获得第一子地图中各帧数据的位姿关系。

步骤103、从各目标批次传感器数据中确定各参考帧数据对应的各候选帧数据，并根据各候选帧数据确定预设帧长度的各第二子地图，并获得第二子地图中各帧数据的位姿关系。

步骤104、将各第一子地图和与其相关的第二子地图进行配准，建立各第一子地图和第二子地图的第一位姿约束关系，以及建立各第一子地图和各第一子地图对应的初始位姿的第二位姿约束关系，以及建立各第二子地图和各第二子地图对应的初始位姿的第三位姿约束关系。

步骤105、根据第一位姿约束关系、第二位姿约束关系和第三位姿约束关系进行全局优化，确定各第一子地图和各第二子地图的子地图优化位姿。

步骤106、根据第一子地图中各帧数据的位姿关系、第二子地图中各帧数据的位姿关系和所述子地图优化位姿，分别确定各第一子地图以及第二子地图中各帧数据对应的帧优化位姿。

步骤107、根据帧优化位姿和各批次的传感器数据，进行地图数据融合，形成全局地图。

为了使本领域的技术人员更好的了解本申请，下面结合附图、实例等对本申请实施例做更为详细的阐述。值得说明的是，本申请实施例中的可移动物体可以是指车辆、移动机器人、飞行器等可进行地图采集的物体，可移动物体上可以搭载各类型传感器，例如在本申请的一实施例中，传感器可以为激光雷达，则相应的传感器数据为激光点云数据，各帧数据为激光雷达采集的各帧激光点云数据。例如，如图2所示，在一车辆20(可以为自动驾驶车辆，也可以为地图采集车等有人驾驶车辆)的两侧或车辆顶部等处可以设置用于进行周围环境感知的激光雷达21，具体的激光雷达21在车辆20上的安装此处不再赘述。

如图3所示，本申请实施例提供一种地图数据处理方法，包括：

步骤301、控制可移动物体上搭载的传感器进行数据采集工作，以获得多个批次的传感器数据。

其中，多个批次的传感器数据可以包括一个批次的参考批次传感器数据和一至多个批次的目标批次传感器数据。

例如，该传感器为激光雷达，则传感器数据为激光点云数据，各帧数据为激光雷达采集的各帧激光点云数据。

该步骤301可以是：控制车辆上搭载的激光雷达采集各帧激光点云数据；又例如控制车辆上搭载的组合导航系统(例如NovAtel)采集组合导航系统位置处的位姿，位姿可以包括位置(如GPS)和姿态(如俯仰角(Pitch)、翻滚角(Roll)、偏航角(Yaw))。

其中，多个批次的传感器数据是指对于进行地图采集时，若需要采集地点1至地点2路径的地图，则可移动物体(如车辆)可以从地点1至地点2行驶多次，每行驶一次采集的传感器数据即为一个批次，这样行驶多次就形成了多个批次的传感器数据。其中，在从地点1至地点2行驶多次时，每一次在该路径上行驶的车道可以相同或不同。

在本申请的一实施例中，在车辆上搭载的激光雷达采集各帧激光点云数据时，一帧激光点云数据是指激光雷达向周围发射激光，采集一周(360°)得到的激光点云数据。另外，车辆上还可以搭载的组合导航系统可以采集组合导航系统位置处的位姿，组合导航系统对应的一帧传感器数据可以是指对应于采集一帧激光点云数据时的组合导航系统位置处的位姿。

之后，在如下步骤302至步骤303处需要对激光雷达采集各帧激光点云数据进行预处理，这是由于在一些车辆行驶较快的场景(如高速场景)，存在车速快、周围车辆情况复杂的问题，从而得到的原始激光点云数据不可避免的存在测距误差以及动态车辆点云混杂的问题。因此需要通过步骤302至步骤303来进行预处理，以便于后续的数据处理。

步骤302、将各批次的传感器数据中各帧激光点云数据进行运动补偿，确定各帧激光点云数据中的点的运动补偿后的位置。

此处，该步骤302可以对每一帧激光点云数据采用如下方式实现：

获得采集一帧激光点云数据的开始时刻和结束时刻的激光雷达位姿(此处，可以预先对激光雷达与组合导航系统之间的位姿进行标定，从而在实时得到组合导航系统位姿的情况下，可以得到每一时刻激光雷达的位姿)。在采集一帧激光点云数据的开始时刻和结束时刻之间进行时间戳插值得到一帧激光点云数据中采集每个点的时刻对应的激光雷达位姿。根据采集每个点的时刻对应的激光雷达位姿，以及每个点在激光雷达坐标系下的坐标，确定每个点的运动补偿后的位置(激光雷达在扫描外部环境时，通过得到的激光点云数据可以直接得到各点在激光雷达坐标系下的坐标)。

步骤303、通过各帧激光点云数据进行动态目标检测，从各帧激光点云数据中确定干扰物体对应的点，并将所述干扰物体对应的点剔除。

一般情况下，该干扰物体可以为预先设置的运动物体，例如预先标注的车辆、行人、动物等，但不仅局限于此。这样在样本上标注了各种运动物体之后，通过样本来训练神经网络，从而训练好的神经网络可以用于对各帧激光点云数据进行动态目标检测，从而从各帧激光点云数据中确定干扰物体对应的点，进而将干扰物体对应的点剔除，其具体过程可以如文献：Zhang,Ji,and Sanjiv Singh."Low-drift and real-time lidar odometryand mapping."Autonomous Robots 41.2(2017):401-416.所示，此处不再赘述。

步骤304、根据参考批次传感器数据中的各帧数据对应的采集时刻的时间戳，确定一个参考帧数据前后一预设时刻范围的帧数据。

例如，如图4所示，以线条(如该线条为一车道线)L1的数据为参考批次传感器数据，则该线条L1上的点表示参考帧数据前后一预设时刻范围的帧数据。

步骤305、根据参考帧数据以及其前后一预设时刻范围的帧数据对应的激光雷达位姿，对各帧数据进行叠加，确定该参考帧数据对应的第一子地图。

此处，子地图是相对于全局地图的概念，全局地图由若干个子地图组成，每个子地图包含连续多帧，即可以为子地图预设帧长度，如设置第一子地图的帧长度为A帧，则每个第一子地图在传感器如激光雷达采集A帧激光点云数据后，形成该第一子地图的全部帧数据。例如，A可以根据需求设置为20、30、40等，但不仅局限于此。

例如，如图4所示，线条L1上的点E以及其前后预设时刻范围的帧数据构成了第一子地图Submap1。

步骤306、根据参考帧数据以及其前后一预设时刻范围的帧数据对应的激光雷达位姿，确定第一子地图中各帧数据的位姿关系。

其中各帧数据的位姿可以是指预先对激光雷达与组合导航系统之间的位姿进行标定，从而可以在得到组合导航系统位姿的情况下，确定在采集得到各帧数据时的激光雷达的位姿。这样，可以根据采集得到各帧数据时的激光雷达的位姿之间的对应关系确定第一子地图中各帧数据的位姿关系。

步骤307、根据采集一参考帧数据的激光雷达的第一初始位姿，从各目标批次传感器数据中分别确定距离第一初始位姿最小的第二初始位姿对应的各候选帧数据。

其中，第二初始位姿为采集各候选帧数据的激光雷达的位姿。

例如，如图4所示，以线条(如该线条为一车道线)L2的数据为一目标批次传感器数据。则在线条L1上的E表示第一初始位姿时，能在线条L2上确定距离该E点最小的第二初始位姿对应的候选帧数据，如以F’表示。

步骤308、根据目标批次传感器数据中的各帧数据对应的采集时刻的时间戳，确定一个候选帧数据前后一预设时刻范围的帧数据。

例如，如图4所示，该线条L2上的点表示候选帧数据前后一预设时刻范围的帧数据。

步骤309、根据候选帧数据以及其前后一预设时刻范围的帧数据对应的激光雷达位姿，对各帧数据进行叠加，确定该候选帧数据对应的第二子地图。

例如，如图4所示，线条L2上的点F’以及其前后预设时刻范围的帧数据构成了第二子地图Submap2。

步骤310、根据候选帧数据以及其前后一预设时刻范围的帧数据对应的激光雷达位姿，确定第二子地图中各帧数据的位姿关系。

步骤311、根据一第一子地图建立一本地Local坐标系，并在Local坐标系下对第一子地图和与其相关的第二子地图进行配准，确定在东北天ENU坐标系下第一子地图和第二子地图之间的位姿变换关系。

该步骤311可以采用如下方式实现：

根据一第一子地图建立一本地Local坐标系，获得Local坐标系与ENU坐标系的位姿变换关系

通过NDT算法(在本申请实施例中，NDT算法可以进行GPU加速，以使得运算更为高效，从而实现高精度、高效率的建图和更新)在Local坐标系下对第一子地图和与其相关的第二子地图进行配准，确定在Local坐标系下第一子地图和第二子地图之间的位姿变换关系

根据位姿变换关系

步骤312、根据ENU坐标系下第一子地图和第二子地图之间的位姿变换关系，确定ENU坐标系下第一子地图中的一帧位姿与第二子地图中的另一帧位姿的位姿变换关系。

该步骤312可以采用如下方式实现：

获得ENU坐标系下第一子地图中的一帧位姿

根据ENU坐标系下第一子地图和第二子地图之间的位姿变换关系

步骤313、根据ENU坐标系下第一子地图中的一帧位姿与第二子地图中的另一帧位姿的位姿变换关系、ENU坐标系下第一子地图中的一帧位姿以及第二子地图中的另一帧位姿，建立第一位姿约束关系。

该步骤313可以采用如下方式实现：

根据ENU坐标系下第一子地图中的一帧位姿

其中，i表示第i个子地图，j表示第j个子地图。

步骤314、建立各第一子地图和各第一子地图对应的初始位姿的第二位姿约束关系。

该步骤314具体可以采用对每个第一子地图执行以下步骤：

建立第一子地图和第一子地图对应的初始位姿的第二位姿误差函数：

其中，

步骤315、建立各第二子地图和各第二子地图对应的初始位姿的第三位姿约束关系。

该步骤315具体可以对每个第二子地图执行以下步骤：

建立第二子地图和第二子地图对应的初始位姿的第三位姿误差函数：

其中，

步骤316、根据第一位姿约束关系、第二位姿约束关系和第三位姿约束关系进行全局优化，确定各第一子地图和各第二子地图的子地图优化位姿。

其中，该步骤316可以采用如下方式实现：

根据第一位姿误差函数：

其中，i表示第i个子地图，j表示第j个子地图，k表示第k个子地图，k＝i或j；n表示子地图数目；Ω

对全局误差函数进行迭代求解，确定E最小时各第一子地图和各第二子地图的子地图优化位姿。

步骤317、根据第一子地图中各帧数据的位姿关系、第二子地图中各帧数据的位姿关系和子地图优化位姿，确定子地图优化位姿对应的采集一帧激光点云数据对应的激光雷达的帧优化位姿。

步骤318、根据帧优化位姿和各批次的传感器数据，进行地图数据融合，形成全局地图。

具体的，帧数据中可以包括各帧激光点云中的点在激光雷达坐标系下的坐标。

则例如，该步骤318可以采用如下方式实现：

根据所述帧优化位姿和各批次的各帧激光点云中的点在激光雷达坐标系下的坐标，将各帧激光点云中的点映射到世界坐标系下。

将映射到世界坐标系下的激光点云中的点进行叠加，形成全局地图。

另外，值得说明的是，在存在已知的高精度地图的情况下，可以应用已知的高精度地图来得到第一子图作为已知条件，并不对各第一子地图进行优化，从而在上述步骤316中仅得到第二子地图的子地图优化位姿，这样后续的步骤317和步骤318中形成全局地图的过程相当于对已知的高精度地图的更新。

为验证本申请实施例中上述步骤301至步骤318所提供的方法的有效性，本申请实施例中使用同一路段的两个批次地图数据进行了实验验证。由于组合导航提供的绝对位置不准确，在使用本申请所提供的方法进行地图数据处理前，两个批次的点云地图在水平方向存在约25cm的偏差，在高度方向存在约40cm的偏差，如图5所示，图5的上部分为两批次地图数据处理前的点云地图，图5的下部分两张图为局部视图，可见在两批次地图数据处理前的点云地图上出现严重的重影现象。在两批次地图数据已经出现严重的重影现象，那么当扩展到多批次地图数据时，重影现象将更加严重。

而在采用本申请实施例后，特别是上述步骤301至步骤318所提供的方法后，其效果如图6所示，其中图6的上部分为两批次地图数据处理后的点云地图，图6的下部分两张图为局部视图，可见使用本申请实施例所提供的方法处理后的点云地图中的地面点云分层、路边立柱前后错开等现象已明显消失，重影现象得到了解决。

此外，本申请实施例可以同时处理两个及以上批次数据，实际中由于组合导航得到的绝对位姿偏差存在较大的随机性，所以通过融合多批次数据能得到更加接近真值的结果。

另外，本申请实施例中，在初次建图时，通常进行多次数据采集，之后使用本申请实施例所提供的方法对多个批次数据进行处理，从而有效减小组合导航绝对位姿偏差的影响，得到更加高精度的地图；当某一区域需要更新时，本申请实施例还可以实现仅调整变化区域，而保证已有地图不调整。

另外，如图7所示，本申请实施例提供一种地图数据处理装置，包括：

数据采集单元41，用于获得可移动物体上搭载的传感器采集的多个批次的传感器数据；所述多个批次的传感器数据包括一个批次的参考批次传感器数据和一至多个批次的目标批次传感器数据。

子地图确定单元42，用于根据参考批次传感器数据中的各参考帧数据确定预设帧长度的各第一子地图，并获得第一子地图中各帧数据的位姿关系；从各目标批次传感器数据中确定各参考帧数据对应的各候选帧数据，并根据各候选帧数据确定预设帧长度的各第二子地图，并获得第二子地图中各帧数据的位姿关系。

子地图与子地图配准单元43，用于将各第一子地图和与其相关的第二子地图进行配准，建立各第一子地图和第二子地图的第一位姿约束关系，以及建立各第一子地图和各第一子地图对应的初始位姿的第二位姿约束关系，以及建立各第二子地图和各第二子地图对应的初始位姿的第三位姿约束关系。

全局优化单元44，用于根据所述第一位姿约束关系、第二位姿约束关系和第三位姿约束关系进行全局优化，确定各第一子地图和各第二子地图的子地图优化位姿。

帧优化位姿确定单元45，用于根据第一子地图中各帧数据的位姿关系、第二子地图中各帧数据的位姿关系和所述子地图优化位姿，分别确定各第一子地图以及第二子地图中各帧数据对应的帧优化位姿。

全局地图数据融合单元46，用于根据所述帧优化位姿和各批次的传感器数据，进行地图数据融合，形成全局地图。

值得说明的是，本申请实施例提供的一种地图数据处理装置的具体实现方式可以参见上述图1至图6所示的方法实施例，此处不再赘述。

另外，本申请实施例还提供一种计算机可读存储介质，包括程序或指令，当所述程序或指令在计算机上运行时，实现上述图1至图6所述的地图数据处理方法。

另外，本申请实施例还提供一种包含指令的计算机程序产品，其特征在于，当所述计算机程序产品在计算机上运行时，使得所述计算机执行如上述图1至图6所述的地图数据处理方法。

另外，本申请实施例还提供一种芯片系统，其特征在于，包括处理器，所述处理器与存储器的耦合，所述存储器存储有程序指令，当所述存储器存储的程序指令被所述处理器执行时实现上述图1至图6所述的地图数据处理方法。

另外，本申请实施例还提供一种电路系统，其特征在于，所述电路系统包括处理电路，所述处理电路配置为执行如上述图1至图6所述的地图数据处理方法。

另外，本申请实施例还提供一种计算机服务器，其特征在于，包括存储器，以及与所述存储器通信连接的一个或多个处理器；

所述存储器中存储有可被所述一个或多个处理器执行的指令，所述指令被所述一个或多个处理器执行，以使所述一个或多个处理器实现上述图1至图6所述的地图数据处理方法。

本申请实施例提供的一种地图数据处理方法及装置，涉及地图的构建和更新，能够获得可移动物体上搭载的传感器采集的多个批次的传感器数据，将一个批次作为参考批次，将其他一至多个批次作为目标批次；根据参考批次传感器数据中的各参考帧数据确定预设帧长度的各第一子地图，以及根据各目标批次传感器数据各候选帧数据确定预设帧长度的各第二子地图，进而将各第一子地图和与其相关的第二子地图进行配准，建立相应的位姿约束关系；从而进行全局优化，确定各第一子地图和各第二子地图的子地图优化位姿；最终能够确定各第一子地图以及第二子地图中各帧数据对应的帧优化位姿；并采用这些帧优化位姿来完成地图数据融合，形成全局地图。这样，通过本申请实施例可以克服现有技术中地图构建和更新方法存在融合后的地图不准确，容易产生重影，影响自动驾驶、智能机器人等的正常行驶的问题。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

本申请中应用了具体实施例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。