具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

请参阅图1-2，一种局部高精度地图的快速生成和制作方法，包括以下步骤，首先，对于检测道路，通过RGB相机，基于相机数据，将采集图像分割为两个区域：道路区域和非道路区域，这将产生一个二值图像，之后结合毫米波雷达、激光雷达融合来分割出道路的点云，实现对当前区域内车辆、行人、道路、警示标志等的精确测量，形成当前区域精确的路况结构化信息，生成车道点云，最后基于这些参数实现部署到周围的传感器组合，包括毫米波雷达、激光雷达、RGB相机等，采集充足的原始数据，进行结构化分析，形成该局部空间的人、物、场景的全面描述，形成该局部空间的在时空坐标系内的对象和事件的连续分布，生成车道高清地图。

综上，对于检测道路，使用完全卷积网络，将该网络应用于RGB相机数据，将图像分割为两个区域：道路区域和非道路区域，这将产生一个二值图像，之后将结合毫米波雷达、激光雷达融合来分割出道路的点云，

首先使用RGB相机参数来裁剪点云，这样就只对相机视野范围内的点进行操作，然后，利用毫米波雷达、激光雷达之间的外参，将二值图像投影到点云上；

对于车道检测，使用LaneNET，选择此网络能够检测到RGB相机可见的所有车道，而不仅仅是当前车辆的车道，mask图像将与毫米波雷达、激光雷达校准相结合，生成车道点云；

使用LaneNET能够检测到从RGB相机可见的所有车道，而不仅仅是当前车辆的车道；

毫米波雷达、激光雷达离汽车越远，校准的精度就会越低，因此首先将“摄像机视场点云”裁剪到距Fl帧原点一定距离L的位置，然后再将车道遮罩投射到其上，最后，利用颜色分割方法，提取出属于车道的点，形成车道点云，

通过毫米波雷达、激光雷达、RGB相机采集充足的原始数据，进行结构化分析，形成该局部空间的人、物、场景的全面描述，形成该局部空间的在时空坐标系内的对象和事件的连续分布；

生成的车道点云是有噪声的，生成车道点云后还建立有一系列的聚类和平滑步骤，这些步骤将被应用于车道点云，生成一系列的路径点，这些路径点可以被自主汽车用来知道车道在空间中的位置，

通过建立有一系列的聚类和平滑步骤来降低噪声。

本发明的工作使用流程以及安装方法为，本一种局部高精度地图的快速生成和制作方法在使用时，通过对局部空间高精地图的参数描述，基于这些参数实现部署到周围的传感器组包括毫米波雷达、激光雷达、RGB相机等，通过毫米波雷达、激光雷达、RGB相机采集充足的原始数据，进行结构化分析，形成该局部空间的人、物、场景的全面描述，形成该局部空间的在时空坐标系内的对象和事件的连续分布，能够从毫米波雷达、激光雷达、RGB相机等原始传感器数据中通过计算机自动生产高精地图，为自动驾驶车辆的部署做出了有意义的贡献。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。