本发明属于车载激光点云检测领域，具体涉及一种基于定位点查询和注意力机制的高精地图构建方法。
背景技术：
1、高精地图是实现无人驾驶的重要基础，包含了丰富的车道要素语义信息与空间位置信息，保障了车辆和行人进行安全有序的交通行为。传统的高清地图离线构建方法需要大量的人工标注和更新成本。因此高精地图自动生成的方式成为了当下的研究主流，但现阶段仍需要经过多阶段或多任务的流程进行地图构建，导致生成高精地图的精度受损且效率较低。
2、目前，一些研究主要通过图像数据、轨迹数据或点云数据进行高精地图的构建任务，通过对图像进行空间视图的变换，结合图像处理技术或深度学习方法进行车道要素的提取与表达，但其受到图像质量和要素类型的限制，导致生成的高精地图表达较为单一。通过对轨迹数据进行聚类分析，拟合得到用于表达车道通行的中心线与边界线，但轨迹数据存在大量的噪声影响，且需要结合不同区域场景下的道路先验信息进行分析。基于点云数据的方案对道路场景点云进行车道要素提取结合后处理的方式实现高精地图的表达，但阶段性的任务之间存在依赖性，且容易产生误差上的累积。
3、车载激光点云数据能够较好的反应车道要素的三维空间信息和表面反射强度信息，相较于图像与轨迹数据，更够更好的适用于高精地图的构建任务。但受限于点云数据遮挡、磨损、缺失等因素的影响，使得车道要素的形态与纹理特征受损，且不同车道要素表现形式上的差异，是现阶段基于车载激光点云数据进行高精地图构建的难点问题。
4、专利号为cn117671143a，发明名称为“一种三维地图要素的提取方法、系统、设备及介质”的专利对输入的图像数据进行空间视角转换编码并提取深度特征，通过结合transformer注意力机制模型实现线形地图要素的矢量化表达，但该方法受限于要素对象的形态差异，在地图车道要素中只对大尺度车道线进行了构建。
5、专利号为cn116452852a，发明名称为“一种高精度矢量地图的自动生成方法”的专利基于图像识别技术，对投影得到的点云图像进行滤波、几何边缘检测、阈值分割等操作，实现车道要素像素点的提取，再将其映射回点云进行车道要素的分割。结合后处理实现了矢量化的车道要素表达，保障了车道要素的形态结构。但该方法通过多任务来分别实现车道要素的提取，类别的预测和矢量化的输出，存在误差上的累积且受限于人工阈值的设置。
6、专利号为cn114580574a，发明名称为“一种构建高精地图的方法及装置”的专利基于采集的轨迹数据，对各轨迹点进行聚类得到轨迹点簇。根据各轨迹点簇的聚类中心，确定初始中心线，并通过滤波算法进行平滑处理。通过结合预设的道路宽度，生成道路中心线两侧的边界线，从而构建高精地图。该方法通过轨迹数据实现了高精地图的自动生成，但对于不同路段的属性信息需要预先设定，且通过轨迹构建的地图车道线存在一定的位置偏差。
7、专利号为cn113920217a，发明名称为“用于生成高精地图车道线的方法、装置、设备和产品”的专利将路面点云划分为路面网格，通过对格网内点云进行平面拟合约束、接边约束、平面光滑约束生成对应的网格方程，基于各个路面网格对应的网格方程生成车道线。该方法提高了生成的高精地图车道线的精准度。但对于存在磨损和缺失的车道要素会产生遗漏或是较差的提取效果，且车道线之间的连续性较差。
8、专利号为cn118031986a，发明名称为“一种自动生成高精地图车道标线的方法、装置、设备及存储介质”的专利根据路面点云强度差异提取车道要素对象点云，通过空间多项式拟合生成车道特征线，根据车道特征线的几何关系生成车道标线属性信息。该方法生成了高精地图车道要素的几何与属性信息，但多阶段的流程导致地图构建过程中误差的累计，且对点云中车道要素的提取精度要求较高。
技术实现思路
1、本发明的目的在于提供一种基于定位点查询和注意力机制的高精地图构建方法，该方法实现了车载激光点云车道要素的端到端提取与高精地图的构建。
2、为实现上述目的，本发明的技术方案是：一种基于定位点查询和注意力机制的高精地图构建方法，包括如下步骤：
3、步骤a、基于车辆行车轨迹点对车载激光点云数据进行分段处理，并提取出路面点云；
4、步骤b、构建体素化路面点云，生成路面点云特征图；
5、步骤c、结合点级查询与实例级查询，构建不同类型车道要素的定位方式；
6、步骤d、通过注意力机制进行定位点查询的信息交互，基于路面特征输出车道要素定位信息；
7、步骤e、基于车道要素定位信息，提取实线型与非实线型车道要素，构建高精地图。
8、在本发明一实施例中，车道要素包括长实线型、短实线型和非实线型。
9、在本发明一实施例中，所述步骤a具体包括以下步骤：
10、步骤a1、基于车辆行车轨迹点的坐标信息对道路点云进行区域分段；
11、步骤a2、基于分段区域内行车轨迹点的高程信息，剔除轨迹点平均高程以上的非路面背景点。
12、在本发明一实施例中，所述步骤b具体包括以下步骤：
13、步骤b1、基于长宽高分别为w，h，d的体素生成3d格网，用于构建体素化路面点云；
14、步骤b2、逐体素计算质心点的坐标，将体素内点集坐标更新为基于质心点的相对坐标；
15、步骤b3、通过体素特征编码模块构建体素化点云特征；
16、步骤b4、基于特征金字塔网络结构，融合多尺度的体素化点云特征得到点云路面特征图ffusion。
17、在本发明一实施例中，所述步骤c具体包括以下步骤：
18、步骤c1、对不同类型的车道要素构建不同的定位方式，其中定位点pj的集合表示为np为对应类型车道要素定位点的个数；
19、步骤c2、定义车道要素实例级定位查询的集合表示为其中nins为对应类型车道要素的定位个数，定义实例内共享的点级定位查询的集合表示为组合实例级定位查询与点级定位查询，则每个车道要素的层级定位查询的集合表示为其中i为当前定位车道要素的索引。
20、在本发明一实施例中，所述步骤d具体包括以下步骤：
21、步骤d1、在同类型车道要素定位点查询方式内，车道要素定位点查询其中n＝nins·np为相应类车道要素总查询点的数量，d为特征维度；构建定位点查询在点级和实例级的自注意力交互，输出更新后的定位点查询q′：
22、q′＝self_attention(q，m)
23、式中，self_attention(·)为自注意力交互模块，m为同类型下定位点查询的注意力掩膜；
24、步骤d2、在不同类型车道要素定位点查询方式间，构建实例级查询的自注意力交互，输出更新后的定位点查询q″：
25、q″＝self_attention((q′solid+q′dashed+q′arrow)，m′)
26、式中，m′为不同类型下定位点查询的注意力掩膜，以q′solid，q′dashed，q′arrow指代更新后的长实线型、短实线型和非实线型三个类型车道要素定位点查询；
27、步骤d3、基于步骤c2构建的层级定位查询提取初始定位点坐标pinit，结合更新后的定位点查询q″与路面特征进行交叉注意力关注，实现定位点坐标的多次偏移校正：
28、
29、
30、式中，cross_attention(·)为交叉注意力模块，ffusion为路面点云特征，pi为当前注意力层的定位点坐标，p0＝pinit，为当前注意力层的查询更新，f(·)为非线性输出函数；
31、步骤d4、在预测的车道要素和真实车道要素{yi}之间找到最优的实例级标签分配，具有最低的实例级匹配成本：
32、
33、式中，是预测的车道要素与真实的车道要素yi之间的成对匹配成本，同时考虑车道要素的类别标签和定位点集的位置匹配成本，是分配给真实车道要素的预测车道要素索引，arg min表示取最小成本值对应的索引；
34、步骤d5、基于最优匹配结果计算车道要素定位损失用于优化：
35、
36、式中，是类别预测损失，是定位点预测损失，是定位点边缘方向损失，是实例分割损失，αa，αb，αc，αd为平衡不同损失项的权重。
37、在本发明一实施例中，所述步骤e具体包括以下步骤：
38、步骤e1、对于场景中的非实线型车道要素，选取磨损与遮挡程度较小的样本作为模板，并制作对应的矢量化表示；
39、步骤e2、基于车道要素定位点查询的预测结果，实线型车道要素的矢量化表示直接通过连接同一实例下的定位点得到；非实线型车道要素的矢量化表示则根据定位点的预测结果与模板进行匹配得到，最终生成场景下的高精地图表示。
40、在本发明一实施例中，步骤e2具体实现如下：
41、步骤e2-1、考虑到用于匹配的模板与预测的车道要素定位点可能来自不同的激光扫描系统，会产生坐标系上的差异，因此统一以行驶车辆为中心进行坐标归一化：
42、p＝p-init(p)
43、m＝m-init(m)
44、式中，p与m分别为匹配模板p与待匹配要素m上的点，init(·)表示相应区域行驶车辆的坐标点；
45、步骤e2-2、计算旋转矩阵和平移矩阵，首先基于预测的待匹配非实线型车道要素类别选择对应的模板，分别提取待匹配要素与模板要素的框点与角点，当通过矩阵变换后，所有对应点对的距离和最小即约束误差函数最小时，则认为该变换矩阵为最优矩阵；定义约束误差函数为：
46、
47、式中，r表示旋转矩阵和t表示平移矩阵，p与m分别为匹配模板p与待匹配要素m上的点，r与t分别为旋转矩阵与平移矩阵，||·||2为欧氏距离，n为匹配点数。
48、本发明还提供了一种基于定位点查询和注意力机制的高精地图构建系统，包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现如上述所述的方法步骤。
49、本发明还提供了一种计算机可读存储介质，其上存储有能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现如上述所述的方法步骤。
50、相较于现有技术，本发明具有以下有益效果：本发明对各类尺度和类型的车道要素构建了统一的提取框架，仅在具体的要素定位方式上进行了区分，改进了传统方法对车道要素提取的类别不兼容性。结合注意力机制使得要素定位点查询间进行有选择的信息交互，自适应学习各类车道要素的几何结构表达以及场景中车道要素的空间位置关系。构建了端到端的车道要素提取与高精地图构建方案来替代阶段式的生成方法，避免了误差累计。因此，本发明具有很强的实用性和广阔的应用前景。
1.一种基于定位点查询和注意力机制的高精地图构建方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于定位点查询和注意力机制的高精地图构建方法，其特征在于，车道要素包括长实线型、短实线型和非实线型。
3.根据权利要求1所述的一种基于定位点查询和注意力机制的高精地图构建方法，其特征在于，所述步骤a具体包括以下步骤：
4.根据权利要求1所述的一种基于定位点查询和注意力机制的高精地图构建方法，其特征在于，所述步骤b具体包括以下步骤：
5.根据权利要求1所述的一种基于定位点查询和注意力机制的高精地图构建方法，其特征在于，所述步骤c具体包括以下步骤：
6.根据权利要求5所述的一种基于定位点查询和注意力机制的高精地图构建方法，其特征在于，所述步骤d具体包括以下步骤：
7.根据权利要求1所述的一种基于定位点查询和注意力机制的高精地图构建方法，其特征在于，所述步骤e具体包括以下步骤：
8.根据权利要求7所述的一种基于定位点查询和注意力机制的高精地图构建方法，其特征在于，步骤e2具体实现如下：
9.一种基于定位点查询和注意力机制的高精地图构建系统，其特征在于，包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现如权利要求1-8任一所述的方法步骤。
10.一种计算机可读存储介质，其上存储有能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现如权利要求1-8任一所述的方法步骤。
