[发明专利]一种用于无人驾驶的高精度路网自动生成的方法

权利要求书

1.一种用于无人驾驶的高精度路网自动生成的方法，其特征在于，包括以下步骤：

步骤1：构建高精度路网模型HDRNM；

所述高精度路网模型HDRNM为：

其中公式3中路段r与该路段对应的车道L的关联关应符合公式7：

C＝f(M) (7)

其中，公式1中W代表道路网络，C是交叉口集合，R是路段的集合；公式2中，用{1，2，...，N}表示路段索引集合，r表示路段，r₁，r₂，...，r_N分别代表集合中的各个路段；公式3中，针对某一路段r，S_r是路段的形状点，SN_r是路段起点结点，EN_r是路段终点结点，Q_r是路段的属性，R_L是路段接续的号码，L_S路段上对应的车道集合；公式4中，用{1，2，...，i}表示车道索引集合，l表示车道，l₁，l₂，...，l_i表示某一路段下关联的各个车道；公式5中，针对某一车道l，S_l是车道的形状点，SN_l是车道的起始结点，EN_l是车道终点结点，Q_l是车道的属性，L_L是车道接续的号码；公式6中，Q动态属性值，表示是或者否；公式6中，t表示时间；公式6中，q表示公式3和4中的车道或者路段的指示类的属性值，该属性值对应的值域是枚举型；公式7中，C是路段和车道对应的关联关系，M是线性事件点的集合；

步骤2：提取路段网络层；

所述提取路段网络层，是通过PCA提取路段的轨迹点集合和路段的方向；具体实现过程包括以下子步骤：

步骤2.1：定义一个搜索半径searchR，对所有的坐标点进行高斯投影；

步骤2.2：从任意点出发，对该点搜索半径内的点进行归一化并PCA投影，将二维坐标投影到一维空间中去，通过特征值计算线性程度点K值；

步骤2.3：筛选出所有K0.9的点集；将有交集的大于0.9的点集进行合并，形成最大线性点集，该最大线性点集分别对应各个路段中所有车道中心线点的集合；

步骤2.4：对最大线性点集进行PCA投影，获取各个路段的主方向的投影方向，该投影方向即为路段的方向；

步骤3：建立基于多方向约束的车道网络层；

所述建立基于多方向约束的车道网络层，是建立基于多方向约束的车道网络；具体实现过程包括以下子步骤：

步骤3.1：根据步骤2中输出的按照方向进行排序的点序列和主方向，使用角度阈值σ作为约束方向实现车道提取；

步骤3.2：对每条路段进行按主方向上第一个点追踪，按照主方向优先的原则进行遍历，找到当前点与遍历点夹角为σ度范围内的点视为同一个车道上的点；

步骤3.3：重复循环追踪，直至遍历完所有的点；

步骤3.4：对所有的车道按照道路方向进行长度计算，找到路段上线性事件点的线性度量值；

步骤4：利用线性事件点进行道路分段，建立车道网络层和路段网络层之间的拓扑关系；

步骤4的具体实现包括以下子步骤：

步骤4.1：利用线性事件点进行道路分段；

将路段中发生属性变化的地方定义为线性事件点，以路段为线性度量基准，将路段的中的线性事件位置通过相对位置映射到以车道为线性度量基准的车道线性坐标系下，在车道线性坐标系中形成车道的线性事件点，再通过车道的线性事件点对车道进行分段表达；

其中分段表达实现过程是使用线性参考系将路段映射到车道；线性参考系从路段到车道的映射方法为：以路段方向选择线性参考系，将车道上的线性事件点映射到对应的车道上，再以车道作为线度量的对象，将选用车道变化属性对应的线性位置作作为对同一路段上的车道进行划分的依据；

步骤4.2：建立车道和路段之间的拓扑关系；

路段对应的车道的函数关系式定义为：

其中，i表示垂直于车道方向的车道形态数据集的序列；j表示线性段沿路段方向的序列；totalLaneShapeFunction，表示在当前路段下平行于路段的车道形态数据集；totalMNum表示当前路段下线性时间点M点的总点数；I_n是单位阵；l表示车道，l_1，j表示路段下第i条平行于道路的车道第j个线性段内的表达式；LS表示车道形态数据集LSFunction的简写；LS_i，j表示在路段下第i条平行于路段的车道形态数据集LSFunction在第j个线性段内的表达式；x_j表示第j-1到第j个线性段内，沿路段方向的坐标取值范围；X_i表示第i条平行于路段的车道形态数据集在道路方向上的坐标取值范围。