多图层高精地图生成方法和装置与流程

1.本公开一般涉及智能驾驶领域，尤其涉及用于生成多图层高精地图的方法和装置。


背景技术：

2.近年来，随着自动驾驶技术的不断成熟，具备自动驾驶功能的车辆越来越多地出现在日常生活中。作为自动驾驶必备组件的高精地图，其创建和更新的技术是行业内的重点研究对象。
3.当前，通常使用视觉传感器、全球导航卫星系统(gnss)、雷达等传感器来采集数据并建图。但在车辆行驶过程中，会遭遇环境的各种变化(例如，光线不足、网络信号弱等)，现有的构建地图的方案有时不能满足需求。


技术实现要素：

4.针对现有技术中存在的以上技术问题，本技术提供了一种用于生成多图层高精地图的方法，包括：
5.接收来自车辆上的多个传感器的数据，所述多个传感器至少包括毫米波雷达和超声波雷达；
6.根据所述多个传感器采集的数据来构建所述车辆的行驶轨迹；
7.根据所述车辆的行驶轨迹，将所述毫米波雷达采集的毫米波点云数据和所述超声波雷达采集的超声波点云数据进行融合以生成毫米波-超声波信息图层；以及
8.利用所述毫米波-超声波信息图层来生成高精度地图。
9.可任选地，将所述毫米波点云数据和所述超声波点云数据进行融合包括：
10.针对所述行驶轨迹上的每个轨迹点，确定在该轨迹点处采集的毫米波点云数据和超声波点云数据的衡量值；以及
11.根据所述毫米波点云数据和所述超声波点云数据的衡量值来选择所述毫米波点云数据和所述超声波点云数据之一作为该轨迹点处的对应点云数据。
12.可任选地，所述多个传感器包括视觉传感器，所述方法进一步包括：
13.处理所述视觉传感器所采集的图像以检测第一目标并确定所述第一目标的类别；
14.确定与所述第一目标相匹配的点云数据；以及
15.将所匹配的点云数据与所述第一目标的类别进行关联。
16.可任选地，该方法进一步包括：
17.使用所述车辆上的无线接收机接收网络信号；
18.确定接收到的网络信号的信号质量；
19.使用所述网络信号的信号质量来生成网络图层；以及
20.利用所述网络图层来生成所述高精度地图。
21.可任选地，所述网络信号包括蜂窝信号和/或wifi信号。
22.可任选地，所述多个传感器包括视觉传感器，所述方法进一步包括：
23.使用所述视觉传感器采集多个图像；
24.使用所述多个图像来生成基础语义信息图层；以及
25.利用所述基础语义信息图层来生成所述高精度图层。
26.可任选地，确定所述车辆的行驶轨迹包括使用以下至少一者或其组合来确定所述车辆的行驶轨迹：
27.惯性导航和卫星导航的组合；
28.利用视觉传感器所采集的图像进行的视觉slam；以及
29.利用视觉传感器所采集的图像进行的语义slam。
30.本公开的另一方面提供了一种用于生成多图层高精地图的装置，包括：
31.用于接收来自车辆上的多个传感器的数据的模块，所述多个传感器至少包括毫米波雷达和超声波雷达；
32.用于根据所述多个传感器采集的数据来构建所述车辆的行驶轨迹的模块；
33.用于根据所述车辆的行驶轨迹，将所述毫米波雷达采集的毫米波点云数据和所述超声波雷达采集的超声波点云数据进行融合以生成毫米波-超声波信息图层的模块；以及
34.用于利用所述毫米波-超声波信息图层来生成高精度地图的模块。
35.可任选地，用于将所述毫米波点云数据和所述超声波点云数据进行融合的模块包括：
36.用于针对所述行驶轨迹上的每个轨迹点，确定在该轨迹点处采集的毫米波点云数据和超声波点云数据的衡量值的模块；以及
37.用于根据所述毫米波点云数据和所述超声波点云数据的衡量值来选择所述毫米波点云数据和所述超声波点云数据之一作为该轨迹点处的对应点云数据的模块。
38.可任选地，所述多个传感器包括视觉传感器，所述装置进一步包括：
39.用于处理所述视觉传感器所采集的图像以检测第一目标并确定所述第一目标的类别的模块；
40.用于确定与所述第一目标相匹配的点云数据的模块；以及
41.用于将所匹配的点云数据与所述第一目标的类别进行关联的模块。
42.可任选地，该装置进一步包括：
43.用于使用所述车辆上的无线接收机接收网络信号的模块；
44.用于确定接收到的网络信号的信号质量的模块；
45.用于使用所述网络信号的信号质量来生成网络图层的模块；以及
46.用于利用所述网络图层来生成所述高精度地图的模块。
47.可任选地，所述网络信号包括蜂窝信号和/或wifi信号。
48.可任选地，所述多个传感器包括视觉传感器，所述装置进一步包括：
49.用于使用所述视觉传感器采集多个图像的模块；
50.用于使用所述多个图像来生成基础语义信息图层的模块；以及
51.用于利用所述基础语义信息图层来生成所述高精度图层的模块。
52.可任选地，确定所述车辆的行驶轨迹包括使用以下至少一者或其组合来确定所述车辆的行驶轨迹：
53.惯性导航和卫星导航的组合；
54.利用视觉传感器所采集的图像进行的视觉slam；以及
55.利用视觉传感器所采集的图像进行的语义slam。
56.本公开的有一方面提供了一种电子设备，包括处理器和存储器，所述存储器存储有程序指令；所述处理器运行程序指令实现如上所述的用于生成多图层高精地图的方法。
附图说明
57.图1示出了根据本公开的各方面的用于生成多图层高精地图的系统。
58.图2是根据本公开的各方面的车辆上的传感器模块的示图。
59.图3是根据本公开的各方面的高精度地图生成装置的示图。
60.图4是根据本公开的各方面的轨迹确定单元的示图。
61.图5是根据本公开的各方面的用于生成多图层高精地图的流程图。
62.图6是根据本公开的各方面的用于目标检测的电子设备的示图。
具体实施方式
63.为让本发明的上述目的、特征和优点能更明显易懂，以下结合附图对本发明的具体实施方式作详细说明。
64.在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其它不同于在此描述的其它方式来实施，因此本发明不受下面公开的具体实施例的限制。
65.图1示出了根据本公开的各方面的用于生成多图层高精地图的系统。
66.如图1所示，用于生成多图层高精地图的系统可包括多个车辆102和服务器104。该多个车辆102和服务器104可以通过无线网络(例如，蜂窝网络、wifi网络等)进行通信。
67.每个车辆102上可安装有多个传感器(例如，视觉传感器、毫米波雷达、超声波雷达、网络信号单元、惯性测量单元、轮速计、gnss单元等，如以下在图2中解说的)。该多个传感器可采集各类数据。车辆102可通过无线网络将所采集的数据发送给服务器104。
68.服务器104可以接收来自各个车辆102的数据，对其进行处理，由此生成多层高精度地图，如以下所描述的。
69.例如，服务器104可从每个车辆102接收在其行驶轨迹上的每个轨迹点的相关数据(例如，基础语义数据、点云数据、网络信号数据等)。服务器104可使用多个车辆在其各自的行驶轨迹上的数据来形成对应的基础图层、点云图层、网络图层等，进一步形成多图层高精地图。例如，可以将多个车辆在各自的行驶轨迹上的轨迹点构成地图上的地图点。
70.在车辆102的行驶过程中，可以通过无线网络来接收来自服务器104的多图层高精地图以辅助其智能驾驶。例如，当有车辆102进入到停车场时，可以从服务器104接收当前停车场的多图层高精地图。
71.图2是根据本公开的各方面的车辆上的传感器装置200的示图。
72.如图2所示，传感器装置200可以包括视觉传感器202、毫米波雷达204、超声波雷达206、网络信号单元208、惯性测量单元210、轮速计单元212和gnss(全球导航卫星系统)单元214。
73.视觉传感器202可以包括多个相机以及与相机连接的图像处理器。例如，可以在车身的左前方、右前方、左后方、右后方各设置一个相机(例如，单目相机、多目相机等)。该多个相机可以实时获取多个图像。图像处理器接收多个相机在每个时刻拍摄的多个图像，并且对该多个图像进行处理。对图像的处理可以包括畸变校正、图像拼接等。例如，图像处理器可将多个相机拍摄的图像进行拼接，获得车辆的鸟瞰图。鸟瞰图可以包括行驶路面上的交通标志，例如，箭头、道路线、减速带、斑马线、车位线等等。
74.毫米波雷达204可在毫米波波段(30-300ghz频域)进行探测，向周围环境发射毫米波并且接收目标反射回的毫米波点云数据。该毫米波点云数据可以包括所探测到的目标相对于车辆的距离和方位。毫米波雷达204的探测距离一般在几十到几百米的范围内。
75.超声波雷达206可利用超声波进行探测，常用的工作频率包括40khz、48khz和58khz。超声波雷达206可以向周围环境发射超声波并且接收目标反射回的超声波点云数据。该超声波点云数据可以包括所探测到的目标相对于车辆的距离和方位。超声波雷达206的探测距离一般在十米内。
76.网络信号单元208可以接收无线网络信号，例如，蜂窝网络信号和wifi信号。进一步，网络信号单元208可以测量无线网络信号的质量，例如，信号强度、信号时延等。
77.惯性测量单元(imu)210可以测量车辆的线加速度和角加速度。
78.轮速计单元212采集来自轮速计的数据，例如车轮旋转速度。
79.gnss单元214可接收卫星定位信号。例如，gnss可以包括美国的gps、俄罗斯的glonass、欧洲的galileo、中国的北斗卫星导航系统等等。
80.gnss单元214接收的卫星定位信号是在全球地心坐标系下的，可将其转换到地图坐标系中以便与其他定位信息进行结合。
81.传感器装置200可将各个传感器所采集的数据(如上所述)传送给服务器104以供进一步处理。
82.图3是根据本公开的各方面的高精度地图生成装置300的示图。高精度地图生成装置300可被包括在服务器104中。
83.如图3所示，高精度地图生成装置300可包括轨迹确定单元302、基础图层单元304、点云图层单元306和网络图层单元308。
84.轨迹确定单元302可以根据来自车辆的各个传感器的数据来确定该车辆的行驶轨迹。
85.图4是根据本公开的各方面的轨迹确定单元302的示图。
86.如图4所示，轨迹确定单元302可包括组合导航模块402、视觉slam模块404以及语义slam模块406。
87.组合导航模块402可以处理来自车辆的惯性测量单元210的数据(例如，线加速度和角加速度数据)、来自轮速计单元212的轮速数据和来自gnss单元214的卫星定位信号以生成组合导航数据。
88.具体而言，组合导航模块402可以执行惯性导航和卫星导航的组合。
89.惯性导航可以根据来自惯性测量单元210的数据(线加速度和角加速度数据)和来自轮速计单元212的轮速数据来确定车辆的位置(在地图的坐标系中的位置)。
90.卫星导航可以利用gnss单元214所接收的卫星定位信号以进行定位。
91.卫星导航的定位结果可以从全球地心坐标系转换到地图的坐标系，从而与惯性导航的定位结果进行结合。
92.在某些室内场景(例如，地下停车场)中，卫星定位信号的强度不稳定，车辆的gnss单元214对卫星定位信号的接收断断续续。在这种场景中，可以使用惯性导航进行定位。在惯性导航定位的过程中，如果gnss模块在某一时刻接收到卫星定位信号，可以使用该卫星信号对惯性导航的定位结果进行纠正。例如，可将在该时刻接收到的卫星定位信号中的定位结果与惯性导航的定位结果进行比较，如果两者的距离大于阈值距离，则将当前定位结果更新为卫星定位信号中的定位结果。
93.视觉slam(即时定位与地图创建)模块404可以使用视觉slam技术，根据视觉传感器202获得的图像来确定车辆的轨迹。
94.视觉slam可以包括单目slam和双目slam。
95.单目slam可以使用一个单目相机来完成slam。单目slam可以利用车辆上的相机在移动中在相邻的时间采集的几个图像进行三角化，测量参考像素点在不同图像之间的距离，由此获得车辆的运动轨迹。
96.双目slam可以利用左右目的视差计算像素的距离，从而实现对车辆的定位。双目相机由两个单目相机组成，但这两个相机之间的距离(称为基线)是已知的。可以通过该基线来估计每个像素的空间位置，由此获得车辆的运动轨迹。
97.可将在各个时刻确定的车辆位置组合(例如，连接)起来，由此得到车辆的行驶轨迹。行驶轨迹上的每个轨迹点与一时刻相关联，例如，车辆在该时刻被确定为在行驶轨迹的该轨迹点处。在一方面，可将行驶轨迹上的每个轨迹点的位置(在该地图的坐标系中的位置)与对应的时刻作为一个条目存储在存储器中。
98.进一步，视觉slam模块404还可以在确定车辆的轨迹的同时，将视觉特征图(即，视觉传感器202所采集的一个或多个图像)与轨迹上的每个点(和/或对应时刻)进行关联和存储。
99.语义slam模块406可以使用语义slam技术，根据视觉传感器202获得的图像来确定车辆的轨迹。
100.语义slam模块406可以获取视觉传感器202在每个时刻所获得的一个或多个图像(例如，鸟瞰图，如上所述)，并且根据该时刻所获得的一个或多个图像来识别出其中的参考目标(例如，交通标志)。例如，可以使用神经网络来识别图像中的交通标志(例如，路牌、地面箭头、道路线、减速带、斑马线、车位线等)作为参考目标。
101.随后可以根据所识别出的参考目标在时间上相邻的多个图像中的位置变化来确定车辆的行驶距离和方向，由此确定车辆的轨迹。
102.可以使用组合导航模块402、视觉slam模块404以及语义slam模块406中的任一者来确定车辆的行驶轨迹。
103.在一方面，可以使用gnss单元214所接收的卫星定位信号来对视觉slam模块404和语义slam模块406所生成的轨迹进行调整。
104.例如，gnss单元214可在时间t1和t2接收到卫星定位信号。在时间t1，通过卫星定位信号确定车辆的位置为g1，在时间t2，通过卫星定位信号确定的车辆位置为g2。进一步，可以确定位置g1与位置g2之间的距离lg和方向dg。
105.以视觉slam模块404为例，在时间t1，通过视觉slam模块404确定的车辆位置为s1；在时间t2，通过视觉slam模块404确定的车辆位置为s2。进一步，可以确定位置s1与位置s2之间的距离ls和方向ds。
106.随后可以确定距离lg和ls之间的距离差、以及方向dg和ds之间的角度差。如果距离差大于距离阈值和/或角度差大于角度阈值，则使用卫星定位信号的数据(例如，距离lg和方向dg)来调整(纠正)车辆的轨迹。
107.在一方面，可以使用卫星定位信号数据来为slam模块404提供轨迹的初始值。例如，使用在时间t1通过卫星定位信号所确定的车辆位置g1作为与时间t1相对应的位置。
108.在另一方面，可以使用卫星定位信号数据之间的相对位姿变化作为约束量来对slam中的因子图进行优化，通过局部或全局的优化来更新slam中关键帧的位姿，纠正轨迹的偏差。
109.作为一个示例，可以使用icp(iterative closest point，最近点迭代算法)算法来利用卫星定位信号数据调整车辆的轨迹。icp通过求取源点云(车辆轨迹)和目标点云(卫星定位信号)之间的对应点对，基于对应点对构造旋转平移矩阵，并利用所求矩阵，将源点云变换到目标点云的坐标系下，估计变换后源点云与目标点云的误差函数，若误差函数值大于阀值，则迭代进行上述运算直到满足给定的误差要求。使用语义slam模块406确定的轨迹也可以使用如上方法利用卫星定位信号来调整。
110.在另一方面，可以对视觉slam模块404和语义slam模块406所生成的轨迹进行回环调整。
111.以语义slam为例，在某一时间从所采集的图像中检测到某个目标(例如，地面上的箭头)。过一段时间之后再次检测到该目标，可以确定车辆回到了原处，即，行驶了一个闭环。由此可以对车辆的轨迹进行回环调整。
112.具体而言，可以在历史帧中识别当前帧的回环候选帧。例如，可以通过检测多个历史帧与当前帧的距离，在特定历史帧与当前帧的距离很小(例如，小于阈值)时，可以确定该历史帧为当前帧的回环候选帧。替换地，可以确定历史帧与当前帧的描述信息的差异，如果特定历史帧与当前帧的描述信息相似，则可确定该历史帧为当前帧的回环候选帧。
113.在一方面，可以针对一当前帧确定多个回环候选帧，在后续过程中再进行筛选。
114.随后可以确定当前帧与回环候选帧的相对位姿关系。利用所确定的位姿关系作为约束来调整slam中的因子图。
115.例如，可以选取回环候选帧及其时间上相邻的关键帧生成局部地图，利用当前帧与回环候选帧的相对位姿关系作为初值，将当前帧的语义信息投影到该局部地图中；计算当前帧中的语义信息与局部地图中的语义信息的重合率，通过在初始帧附近进行调整，寻找重合率最高的位姿转换关系，随后重新计算当前帧的位姿，作为当前帧的回环优化结果，并且利用slam算法对初始帧与当前帧之间的各帧进行调整，从而达到回环调整。
116.对语义slam的回环调整尤其适用于停车场中，车辆有一定的概率行驶轨迹为闭环。通过回环调整，可以消除在车辆行驶闭环过程中累积的误差。
117.回到图3，基础图层单元304可将轨迹确定单元302所生成的车辆轨迹中的每个点与其对应的语义信息进行关联。该语义信息可以是从视觉传感器202在该点所采集的多个图像中(例如，利用神经网络)检测出的目标(例如，路牌、地面箭头、道路线、减速带、斑马
线、车位线等)。
118.如果车辆的行驶轨迹是使用语义slam模块406来确定的，则可以直接将利用语义slam在轨迹上的每个轨迹点检测到的一个或目标与该轨迹点进行关联(映射)。
119.如果车辆的行驶轨迹是使用组合导航模块402或视觉slam模块404确定的，则可以对在行驶轨迹上的每个轨迹点(或其对应的时刻)所采集的图像进行处理(例如，使用神经网络进行目标识别)，识别出其中的一个或多个目标，进而将该一个或多个目标与该轨迹点(或其对应的时刻)进行关联。
120.点云图层单元306接收来自毫米波雷达202的毫米波点云数据和来自超声波雷达204的超声波点云数据，并且对毫米波点云数据和超声波点云数据进行处理(融合)以生成点云图层。
121.毫米波雷达204的探测距离较远，一般在几十到几百米的范围内。超声波雷达206的探测距离较近，一般在十米内。毫米波/超声波点云数据可包括所探测到的目标相对于车辆的距离和方位、与目标相对应的反射波强度。在一个示例中，可以将毫米波/超声波点云数据与一阈值进行比较，滤除掉反射波强度低于一阈值的毫米波/超声波点云数据。
122.进一步，可以滤除掉动态点云数据(例如，从移动的行人或车辆返回的点云数据)，仅留下静态点云数据。
123.作为一个示例，可以使用毫米波/超声波点云数据中的反射波强度来区分出不同类型(例如，材质)的物体，由此可以滤除行人、车辆等动态物体相关的点云数据。
124.作为另一示例，可以利用毫米波点云数据中关于数据点的速度信息。根据速度信息，滤除掉动态点云数据。
125.作为又一示例，可以通过视觉图像识别出动态物体，将视觉图像与毫米波/超声波点云数据相关联，滤除与该动态物体相对应的点云数据。
126.在一方面，可以对毫米波点云数据和超声波点云数据进行融合。
127.在一个示例中，可以将毫米波点云数据与超声波点云数据进行匹配，找到相匹配(例如，与相同环境点相对应)的毫米波点云数据与超声波点云数据，即，与车辆在某一轨迹点(时刻)的距离和方位相同的点云数据。随后可将相匹配的毫米波点云数据与超声波点云数据中的反射波强度进行比较，选择毫米波点云数据与超声波点云数据中反射波强度较强的一者作为车辆在该轨迹点处与该环境点相对应的点云数据。
128.在某些环境点处，只存在超声波点云数据和毫米波点云数据中的一者，可将该点云数据作为该环境点的点云数据。
129.随后可将针对行驶轨迹上的每个轨迹点所生成的点云数据与该轨迹点进行关联，由此生成了点云图层。该点云数据可以包括与车辆的距离、方位和反射强度等等。
130.通过毫米波点云数据和超声波点云数据的融合，可以使得点云数据既可以覆盖几米范围，又可以覆盖几十到几百米的范围。该融合可以减少点云数据的数据量，提高点云数据的精度。进一步，由于毫米波探测存在一定的跳点，而超声波探测在近距离检测到的轮廓点非常稳定，由此增强了点云图层的稳定性。
131.在一方面，可以利用视觉传感器所采集的图像数据对点云图层中的点云数据进行分类。
132.例如，针对行驶轨迹上的特定轨迹点，可以对视觉传感器所采集的图像数据进行
处理以识别出其中的一个或多个目标(例如，利用神经网络进行目标识别，如上所述)。
133.针对所识别出的每个目标，确定该轨迹点的点云数据(即，在该轨迹点处采集的点云数据，例如，毫米波数据或超声波数据)中是否存在相匹配的目标点云数据(例如，所识别出的目标和点云数据与车辆的距离相同、与车辆的中心轴的方位相同等等)。如果存在与图像中的目标相匹配的点云数据，则可将所确定的类别(图像中的目标的类别，如以上所确定的)与对应的点云数据相关联。
134.通过图像数据对点云图层中的点云数据进行分类，在所形成的高精度多图层地图中，各个地图点可以包括该地图点处的点云数据(例如，雷达检测到的目标)及其类型(例如，路牌、柱子等等)。
135.网络图层单元308可以接收来自网络信号单元208的无线信号(例如，蜂窝网络、wifi网络的信号)的质量数据。进一步，可将轨迹上的每个点的网络信号质量数据与该点进行关联，由此形成网络图层。
136.通过网络图层，车辆可以在路径规划的过程中，避开网络信号质量较差的区域，由此获得更好的自动驾驶体验。
137.本技术首先针对每辆车确定该车辆的行驶轨迹，随后以行驶轨迹上的每个轨迹点及其对应的时间作为基准，将各个传感器(视觉传感器、毫米波/超声波雷达、网络信号单元等)所感测到的数据与该轨迹点/时间进行关联。随后将多辆车的轨迹及其相应数据进行组合(例如，将多辆车的轨迹点及其相应数据投影到地图的坐标系上)，由此形成多图层高精度地图。在多图层高精度地图中的每一个地图点上，均具有相对应的多类数据(例如，图像数据、点云数据、网络信号数据等等)。
138.图5是根据本公开的各方面的用于生成多图层高精地图的流程图。
139.如图5所示，在步骤502，可以接收来自车辆上的多个传感器的数据，该多个传感器至少包括毫米波雷达和超声波雷达。
140.在步骤504，可以根据该多个传感器采集的数据来构建该车辆的行驶轨迹。
141.在一方面，确定该车辆的行驶轨迹包括使用以下至少一者或其组合来确定该车辆的行驶轨迹：惯性导航和卫星导航的组合；利用视觉传感器所采集的图像进行的视觉slam；以及利用视觉传感器所采集的图像进行的语义slam。
142.在步骤506，可以根据该车辆的行驶轨迹，将该毫米波雷达采集的毫米波点云数据和该超声波雷达采集的超声波点云数据进行融合以生成毫米波-超声波信息图层。
143.在一方面，将该毫米波点云数据和该超声波点云数据进行融合可以包括：针对该行驶轨迹上的每个轨迹点，确定在该轨迹点处采集的毫米波点云数据和超声波点云数据的衡量值；以及根据该毫米波点云数据和该超声波点云数据的衡量值来选择该毫米波点云数据和该超声波点云数据之一作为该轨迹点处的对应点云数据。
144.毫米波/超声波点云数据的衡量值可以是点云数据的反射波强度、信噪比、距离与角度范围等等。例如，毫米波/超声波点云数据可以是反射波强度、信噪比、距离与角度范围的加权求和。
145.在一方面，该多个传感器包括视觉传感器，该方法进一步包括：处理该视觉传感器所采集的图像以检测第一目标并确定该第一目标的类别；确定与该第一目标相匹配的点云数据；以及将所匹配的点云数据与该第一目标的类别进行关联。
146.在步骤508，可以利用该毫米波-超声波信息图层来生成高精度地图。
147.在一方面，该方法进一步包括：使用该车辆上的无线接收机接收网络信号；
148.确定接收到的网络信号的信号质量；使用该网络信号的信号质量来生成网络图层；以及利用该网络图层来生成该高精度地图。
149.在一方面，该网络信号包括蜂窝信号和/或wifi信号。
150.在一方面，该多个传感器包括视觉传感器，该方法进一步包括：使用该视觉传感器采集多个图像；使用该多个图像来生成基础语义信息图层；以及利用该基础语义信息图层来生成该高精度图层。
151.图6是根据本公开的各方面的用于目标检测的电子设备的示图。
152.如图6所示，电子设备600可包括存储器602和处理器604。存储器602中存储有程序指令，处理器604可通过总线606与存储器602连接并通信，处理器604可调用存储器602中的程序指令以执行以下步骤：接收来自车辆上的多个传感器的数据，该多个传感器至少包括毫米波雷达和超声波雷达；根据该多个传感器采集的数据来构建该车辆的行驶轨迹；根据该车辆的行驶轨迹，将该毫米波雷达采集的毫米波点云数据和该超声波雷达采集的超声波点云数据进行融合以生成毫米波-超声波信息图层；以及利用该毫米波-超声波信息图层来生成高精度地图。
153.可任选地，处理器604还可以调用存储器602中的程序指令以执行以下步骤：针对该行驶轨迹上的每个轨迹点，确定在该轨迹点处采集的毫米波点云数据和超声波点云数据的衡量值；以及根据该毫米波点云数据和该超声波点云数据的衡量值来选择该毫米波点云数据和该超声波点云数据之一作为该轨迹点处的对应点云数据。
154.可任选地，处理器604还可以调用存储器602中的程序指令以执行以下步骤：处理视觉传感器所采集的图像以检测第一目标并确定该第一目标的类别；确定与该第一目标相匹配的点云数据；以及将所匹配的点云数据与该第一目标的类别进行关联。
155.可任选地，处理器604还可以调用存储器602中的程序指令以执行以下步骤：使用该车辆上的无线接收机接收网络信号；确定接收到的网络信号的信号质量；使用该网络信号的信号质量来生成网络图层；以及利用该网络图层来生成该高精度地图。
156.可任选地，该网络信号包括蜂窝信号和/或wifi信号。
157.可任选地，处理器604还可以调用存储器602中的程序指令以执行以下步骤：使用视觉传感器采集多个图像；使用该多个图像来生成基础语义信息图层；以及利用该基础语义信息图层来生成该高精度图层。
158.可任选地，处理器604还可以调用存储器602中的程序指令以执行以下步骤：惯性导航和卫星导航的组合；利用视觉传感器所采集的图像进行的视觉slam；以及利用视觉传感器所采集的图像进行的语义slam。
159.本文结合附图阐述的说明描述了示例配置而不代表可被实现或者落在权利要求的范围内的所有示例。本文所使用的术语“示例性”意指“用作示例、实例或解说”，而并不意指“优于”或“胜过其他示例”。本详细描述包括具体细节以提供对所描述的技术的理解。然而，可以在没有这些具体细节的情况下实践这些技术。在一些实例中，众所周知的结构和设备以框图形式示出以避免模糊所描述的示例的概念。
160.在附图中，类似组件或特征可具有相同的附图标记。此外，相同类型的各个组件可
通过在附图标记后跟随短划线以及在类似组件之间进行区分的第二标记来加以区分。如果在说明书中仅使用第一附图标记，则该描述可应用于具有相同的第一附图标记的类似组件中的任何一个组件而不论第二附图标记如何。
161.结合本文中的公开描述的各种解说性框以及模块可以用设计成执行本文中描述的功能的通用处理器、dsp、asic、fpga或其他可编程逻辑器件、分立的门或晶体管逻辑、分立的硬件组件、或其任何组合来实现或执行。通用处理器可以是微处理器，但在替换方案中，处理器可以是任何常规的处理器、控制器、微控制器、或状态机。处理器还可被实现为计算设备的组合(例如，dsp与微处理器的组合、多个微处理器、与dsp核心协同的一个或多个微处理器，或者任何其他此类配置)。
162.本文中所描述的功能可以在硬件、由处理器执行的软件、固件、或其任何组合中实现。如果在由处理器执行的软件中实现，则各功能可以作为一条或多条指令或代码存储在计算机可读介质上或藉其进行传送。其他示例和实现落在本公开及所附权利要求的范围内。例如，由于软件的本质，以上描述的功能可使用由处理器执行的软件、硬件、固件、硬连线或其任何组合来实现。实现功能的特征也可物理地位于各种位置，包括被分布以使得功能的各部分在不同的物理位置处实现。另外，如本文(包括权利要求中)所使用的，在项目列举(例如，以附有诸如“中的至少一个”或“中的一个或多个”之类的措辞的项目列举)中使用的“或”指示包含性列举，以使得例如a、b或c中的至少一个的列举意指a或b或c或ab或ac或bc或abc(即，a和b和c)。同样，如本文所使用的，短语“基于”不应被解读为引述封闭条件集。例如，被描述为“基于条件a”的示例性步骤可基于条件a和条件b两者而不脱离本公开的范围。换言之，如本文所使用的，短语“基于”应当以与短语“至少部分地基于”相同的方式来解读。
163.计算机可读介质包括非瞬态计算机存储介质和通信介质两者，其包括促成计算机程序从一地向另一地转移的任何介质。非瞬态存储介质可以是能被通用或专用计算机访问的任何可用介质。作为示例而非限定，非瞬态计算机可读介质可包括ram、rom、电可擦除可编程只读存储器(eeprom)、压缩盘(cd)rom或其他光盘存储、磁盘存储或其他磁存储设备、或能被用来携带或存储指令或数据结构形式的期望程序代码手段且能被通用或专用计算机、或者通用或专用处理器访问的任何其他非瞬态介质。任何连接也被正当地称为计算机可读介质。例如，如果软件是使用同轴电缆、光纤电缆、双绞线、数字订户线(dsl)、或诸如红外、无线电、以及微波之类的无线技术从web网站、服务器、或其它远程源传送而来的，则该同轴电缆、光纤电缆、双绞线、数字订户线(dsl)、或诸如红外、无线电、以及微波之类的无线技术就被包括在介质的定义之中。如本文所使用的盘(disk)和碟(disc)包括cd、激光碟、光碟、数字通用碟(dvd)、软盘和蓝光碟，其中盘常常磁性地再现数据而碟用激光来光学地再现数据。以上介质的组合也被包括在计算机可读介质的范围内。
164.提供本文的描述是为了使得本领域技术人员能够制作或使用本公开。对本公开的各种修改对于本领域技术人员将是显而易见的，并且本文中定义的普适原理可被应用于其他变形而不会脱离本公开的范围。由此，本公开并非被限定于本文所描述的示例和设计，而是应被授予与本文所公开的原理和新颖特征相一致的最广范围。