本公开涉及一种生成地图的计算机实现方法，以及用于基于地图做出改进的adas决策的云服务器和车辆。
背景技术：
：：1、在高级驾驶员辅助系统(adas)或自主驾驶(ad)中，高清晰度(hd)地图是重要的。hd地图通常是指精确到厘米级的地图，其具有比常规汽车地图(例如，用于常规汽车导航)更多的细节(例如，道路标志、交通标志、道路障碍物)，且因此可用于adas和/或ad中。hd地图可基于一个或更多个传感器的数据(例如，雷达、数码摄像头、激光雷达的数据)以及gps数据而产生，但也可基于航空成像而产生，例如，由无人驾驶或低轨道卫星产生。2、虽然车辆的传感器系统(例如，由摄像头和雷达组成)负责对环境的实时感知，但hd地图提供关于道路系统、前方几何形状和驾驶车道的功能意义的信息，例如，它们使得能够理解某一车道是专用公共汽车车道。因此，它们限定了允许车辆行驶的位置、交通标志的位置以及例如限速多少。3、这些hd地图可以设置(adas和/或ad)车辆可以在其中移动的一种框架。此外，当例如实时系统发生故障或被阻挡时，可以将hd地图视为备用解决方案。4、创建hd地图是一项具有挑战性的任务。通常，地图提供者利用配备有高成本传感器(例如，高分辨率摄像头和激光雷达)的多个监视车辆。然后，它们行驶过相关区域中的所有道路以在离线过程中绘制和聚集该数据。有时，甚至附加信息也是由人工人工增加的。当环境和道路几何形状随时间变化时，hd相当快地绘制输出数据，会使问题更加严重。因此，创建hd地图并保留它们是一项具有挑战性的任务。5、hd地图的创建或生成可以以多种方式进行。它们可以手动注释，这通常由于人工的注释努力而非常昂贵。因此，这种手动方法是不可扩展的，因为几乎到处都需要hd地图并且它们必须保持最新。6、一些传统方法还使用来自多个设备的gps信号作为众包数据([1]：cao等人的“from gps traces to a routable road map”。第17届acm sigspatial国际地理信息系统进展会议，2009年，第3-12页；[2]：tang等人的“lane-level road information miningfrom vehicle gps trajectories based onbayesian classification”，isprs国际地理信息杂志，2015年4，4(4):2660–2680)，但这些传统方法也具有缺点，因为它们仅提供很少的信息或集中在不如hd地图精确的可规划路线的道路地图上。此外，[1]、[2]中的方法是不可扩展的，因为仅考虑gps信号。7、其他传统方法基于各种传感器数据训练深度神经网络(dnn)以预测道路几何形状([3]：homayounfar等人的“learning to map by discovering lane topology”。ieee/cvf国际计算机视觉会议会刊第2911-2920，2019年，[4]：zürn等人的“lane graph estimationfor scene understanding in urban driving”，arxiv preprintarxiv:2105.00195,2021年)。在[4]中，基于各种部分处理的传感器输入数据训练dnn以在图形表示中推断出道路几何形状。然而，该方法需要被注释的hd地图数据。[3]中的方法遵循与[4]中类似的方法，但是主要使用激光雷达传感器数据。该工作的焦点在于车道边界的预测以及高速公路上的分叉和合并，但是需要对dnn、地面实况的训练，以及因此早期hd地图数据的训练。8、在[5]中给出的方法：meyer等人的“anytime lane-level intersectionestimation based on trajectories of other traffic participants”，2019年ieee智能交通系统大会(itsc)，第3122-3129页，ieee，2019年，以及[6]：meyer等人的“fast lane-level intersection estimation using markov chain monte carlo sampling and b-spline refinement”(2020年ieee智能汽车研讨会(iv)，第71-76页，ieee，2020年)使用所检测和跟踪的其它道路用户的轨迹来进行车道估计。这两种工作都集中在交叉场景上，并将车道表示为车道边界。轨迹可以基于摄像头、雷达或激光雷达。作者没有使用dnn，他们使用概率生成模型，特别是两级马尔可夫链蒙特卡罗采样方法(two-stage markov chainmonte carlo sampling approach)。除[5]外，在[6]中，作者引入了非线性最小二乘公式，以改进结果。主要对仿真数据进行评估，尤其是对车辆轨迹进行仿真。9、如已经提到的，不仅创建hd地图而且使它们保持最新是重要的。对此的解决方案例如在[7]中给出：pannen等人的“how to keep hd maps for automated driving up todate”，2020年ieee国际机器人与自动化大会(icra)，第2288-2294页，ieee，2020年，[8]：kim等人的“hd map update for autonomous driving with crowdsourced data”，ieee机器人与自动化通讯，6(2)：1895-1901，2021年。传统系统通常仅适用于特定环境；通常不考虑诸如迂回路线、十字路口等的复杂情况。因此，需要一种稳健且更简单的方式来产生可用于任何交通环境或街道场景且可改进adas和/或ad的hd车道图。技术实现思路1、根据本公开的第一方面，一种生成地图的计算机实现方法包括以下步骤：获取至少一个车辆的传感器单元的基于传感器的数据以及与所述至少一个车辆的定位单元相关的定位数据；使用所述定位数据确定所述至少一个车辆的第一轨迹，并且使用所述基于传感器的数据确定其他车辆的多个第二轨迹；以及聚集所述第一轨迹和/或所述多个第二轨迹以在所述地图的网格地图表示中生成聚集轨迹。2、根据本公开的第二方面，所述方法还包括：从所述聚集轨迹中提取地图的车道中心的轨迹。3、根据本公开的第三方面，所述方法还包括：根据预定的一组不同的行驶方向对所述第一轨迹和所述多个第二轨迹进行分类，并生成多个行驶方向特定聚集轨迹。4、根据本公开的第四方面，所述聚集轨迹与密度图(d)相关联，并且所述行驶方向特定聚集轨迹与行驶方向密度图(dd)相关联，所述密度图和所述行驶方向密度图是使用从所述第一轨迹和/或所述多个第二轨迹收集的数据而生成的。5、根据本公开的第五方面，通过选择大于或等于预定阈值的聚集轨迹值来执行车道中心的轨迹的提取。6、根据本公开的第六方面，基于处理后的密度图(s(d))和/或处理后的行驶方向密度图(s(dd))来执行车道中心的轨迹的提取，所述处理后的密度图(s(d))和所述处理后的行驶方向密度图(s(dd))是通过采用密度图(d)和行驶方向密度图(dd)的函数来确定在与聚集轨迹和行驶方向特定聚集轨迹垂直的方向上的相应局部密度最大值而获得的。7、根据本公开的第七方面，通过跟踪局部密度最大值的有序路径来执行车道中心的轨迹的提取。8、根据本公开的第八方面，对车道中心的轨迹进行后处理以连接所提取的车道中心的轨迹的末端。9、根据本公开的第九方面，所述方法还包括：在包括行驶方向的hd地图的有向图表示中表示聚集轨迹。10、根据本公开的第十方面，所述有向图表示还包括车辆密度、车道分叉、车道合并和车道边界的表示中的一个或更多个。11、根据本公开的第十一方面，所述方法还包括：使用所述基于传感器的数据确定行人的多个第三轨迹；以及聚集所述多个第三轨迹以在所述地图的所述网格地图表示中产生聚集行人轨迹。12、根据本公开的第十二方面，所述其他车辆的多个第二轨迹是通过根据车辆类别区分其他车辆并确定一组车辆类别特定的第二轨迹而确定的；并且该方法还包括：聚集所述多个车辆类别特定的第二轨迹以在所述hd地图的所述网格地图表示中产生车辆类别特定聚集轨迹。13、根据本公开的第十三方面，所述方法还包括：将所确定的第二轨迹连同与所述第二轨迹和/或所述聚集轨迹相关的元信息一起存储。14、根据本公开的第十四方面，所述方法还包括：将所确定的第二轨迹连同与类别的相应检测相关的元信息一起存储。15、根据本公开的第十五方面，所述hd地图的所述网格地图表示包括该hd地图的各个网格单元的平均速度信息。16、根据本公开的第十六方面，所述基于传感器的数据是基于雷达传感器的数据和/或基于激光雷达传感器的数据。17、根据本公开的第十七方面，所述定位数据是基于gpg的数据。18、根据本公开的第十八方面，一种云服务器，其被适配成执行第一至第十七方面中的任一方面的方法。19、根据本公开的第十九方面，一种车辆，其包括：通信接口，其被配置为从根据本公开的第十五方面的云服务器接收地图；以及控制单元，其被配置为基于所接收的地图做出高级驾驶和安全决策。20、根据本公开的第二十方面，所述控制单元被配置为仅使用地图中的已通过使用最小数量的单独轨迹而被聚集和/或已通过使用在过去的特定时间量内确定的最小数量的轨迹而被聚集的聚集轨迹。21、根据本公开的第二十一方面，所述控制单元被配置为向车辆输出控制指令，以遵循来自接收到的地图的聚集轨迹中的一个聚集轨迹。22、根据本公开的第二十二方面，所述控制单元还被配置为向所述车辆输出控制指令，以遵循所述聚集轨迹中的一个聚集轨迹，只要该聚集轨迹是准确的。23、根据本公开的第二十三方面，所述控制单元还被配置为基于所接收的地图来确定弯道速度建议。24、根据本公开的第二十四方面，一种系统，该系统包括根据第十八方面的云服务器以及多个根据第十九方面至第二十三方面中任一方面的车辆。当前第1页12当前第1页12