1.本技术涉及点云地图构建技术领域，尤其涉及一种在线点云地图构建方法、装置、电子设备及机器可读存储介质。
背景技术：2.港口场景下内集卡主要负责在堆场和码头面之间搬运集装箱，为了实现车辆的无人化，需要解决无人车自动定位的问题，即让车辆实时准确的获知当前位置，这通常是通过无人车携带的传感器获取，例如gps,lidar等。因为港口场景中存在桥吊和集装箱等遮挡物，仅靠gps并不能提供有效可靠的位置信息，因此还需要激光雷达lidar进行定位，但是因为港口场景中集装箱在搬运过程中是不断变动的，常规的建立预设的点云地图，并且用当前激光雷达数据和预设的点云地图匹配的思路无法实现。
技术实现要素：3.本技术提供一种在线点云地图构建确定方法，应用于动态场景下的无人车，其特征在于，所述方法包括：
4.获取动态场景在当前时间节点的点云数据集合；
5.获取所述点云数据集合的线特征点，和/或，面特征点；
6.将所述线特征点，和/或，所述面特征点，与所述动态场景在历史时间节点的点云数据集合中的点云数据对应的线特征点，和/或，对应的面特征点进行匹配，通过在所述动态场景中相邻的线特征点，和/或，面特征点确定所述无人车的位姿；
7.根据所述动态场景的线特征点，和/或，面特征点，构建所述动态场景的在线点云地图，并基于所述无人车的位姿将所述在线点云地图加入所述动态场景的预设的点云地图中。
8.可选的，所述获取所述点云数据集合的线特征点，和/或，面特征点包括：
9.基于所述点云数据集合中点云数据与其相邻的至少一个点云数据，分别计算所述点云数据的曲率；
10.从计算出的曲率中，将与最大的前m个曲率对应的点云数据，确定为所述动态场景的线特征点，和/或，将与最小的前n个曲率对应的点云数据，确定为所述动态场景的面特征点。
11.可选的，所述将与最大的前m个曲率对应的点云数据，确定为所述动态场景的线特征点，和/或，将与最小的前n个曲率对应的点云数据，确定为所述动态场景的面特征点，包括：
12.选取所述曲率大于线特征点阈值和曲率小于面特征点阈值的点云数据，将与最大的前m个曲率对应的点云数据，确定为所述动态场景的线特征点，和/或，将与最小的前n个曲率对应的点云数据，确定为所述动态场景的面特征点。
13.可选的，所述根据所述动态场景的线特征点，和/或，面特征点，构建所述动态场景
的在线点云地图，包括：
14.对所述动态场景的至少一个时间节点的线特征点，和/或，面特征点进行拟合，获得线拟合线，和/或，拟合面，利用所述拟合线，和/或，拟合面构建所述动态场景的在线点云地图。
15.可选的，所述将所述在线点云地图加入所述动态场景的预设的点云地图中，包括：
16.通过所述无人车的位姿与全局坐标系的相对关系，将当前时间节点的在线点云地图投影到全局坐标系下，将所述在线点云地图加入所述动态场景的预设的点云地图中。
17.可选的，所述动态场景为港口场景。
18.本技术提供一种在线点云地图构建装置，应用于动态场景下的无人车，其特征在于，所述装置包括：
19.数据获取模块，用于获取动态场景在当前时间节点的点云数据集合；
20.特征提取模块，用于获取所述点云数据集合的线特征点，和/或，面特征点；
21.位姿确定模块，用于将所述线特征点，和/或，所述面特征点，与所述动态场景在历史时间节点的点云数据集合中的点云数据对应的线特征点，和/或，对应的面特征点进行匹配，通过在所述动态场景中相邻的线特征点，和/或，面特征点确定所述无人车的位姿；
22.地图更新模块，用于根据所述动态场景的线特征点，和/或，面特征点，构建所述动态场景的在线点云地图，并基于所述无人车的位姿将所述在线点云地图加入所述动态场景的预设的点云地图中。
23.可选的，所述获取所述点云数据集合的线特征点，和/或，面特征点包括：
24.基于所述点云数据集合中点云数据与其相邻的至少一个点云数据，分别计算所述点云数据的曲率；
25.从计算出的曲率中，将与最大的前m个曲率对应的点云数据，确定为所述动态场景的线特征点，和/或，将与最小的前n个曲率对应的点云数据，确定为所述动态场景的面特征点。
26.可选的，所述将与最大的前m个曲率对应的点云数据，确定为所述动态场景的线特征点，和/或，将与最小的前n个曲率对应的点云数据，确定为所述动态场景的面特征点，包括：
27.选取所述曲率大于线特征点阈值和曲率小于面特征点阈值的点云数据，将与最大的前m个曲率对应的点云数据，确定为所述动态场景的线特征点，和/或，将与最小的前n个曲率对应的点云数据，确定为所述动态场景的面特征点。
28.可选的，所述根据所述动态场景的线特征点，和/或，面特征点，构建所述动态场景的在线点云地图，包括：
29.对所述动态场景的至少一个时间节点的线特征点，和/或，面特征点进行拟合，获得线拟合线，和/或，拟合面，利用所述拟合线，和/或，拟合面构建所述动态场景的在线点云地图。
30.可选的，所述将所述在线点云地图加入所述动态场景的预设的点云地图中，包括：
31.通过所述无人车的位姿与全局坐标系的相对关系，将当前时间节点的在线点云地图投影到全局坐标系下，将所述在线点云地图加入所述动态场景的预设的点云地图中。
32.本技术还提供一种电子设备，包括：
33.处理器；
34.用于存储处理器可执行指令的存储器；
35.其中，所述处理器通过运行所述可执行指令以实现上述方法的步骤。
36.本技术还提供一种机器可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现上述方法的步骤。
37.通过以上实施例，由于可以通过点云数据构建在线点云地图，并可以通过在线点云地图更新预设的点云地图，因此可以将更新后的点云地图和当前时间节点的无人车的位姿进行匹配，减少定位误差，提升无人车定位的准确性。
附图说明
38.图1是一示例性的实施例示出的一种在线点云地图构建方法的流程图；
39.图2是一示例性的实施例示出的一种在线点云地图构建装置的框图；
40.图3是一示例性的实施例示出的一种在线点云地图构建装置所在电子设备的硬件结构图。
具体实施方式
41.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本技术相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本技术的一些方面相一致的装置和方法的例子。
42.需要说明的是：在其他实施例中并不一定按照本说明书示出和描述的顺序来执行相应方法的步骤。在一些其他实施例中，其方法所包括的步骤可以比本说明书所描述的更多或更少。此外，本说明书中所描述的单个步骤，在其他实施例中可能被分解为多个步骤进行描述；而本说明书中所描述的多个步骤，在其他实施例中也可能被合并为单个步骤进行描述。
43.为了使本技术领域的人员更好地理解本说明书实施例中的技术方案，下面先对本说明书实施例涉及的无人车定位的相关技术，进行简要说明。
44.点云数据：由激光雷达向外发射激光脉冲，从地面或物体表面反射，形成多个回波，返回到激光雷达传感器，经处理后的反射数据称为点云数据。
45.位姿：无人车的位姿和全局坐标系的相对关系对应的变换矩阵，用于描述无人车的位置和朝向。
46.应用场景概述
47.港口场景下内集卡主要负责在堆场和码头面之间搬运集装箱，为了实现车辆的无人化，需要解决无人车自动定位的问题，即让车辆实时准确的获知当前位置，这通常是通过无人车携带的传感器获取，例如gps,lidar等。因为港口场景中存在桥吊和集装箱等遮挡物，仅靠gps并不能提供有效可靠的位置信息，因此还需要激光雷达lidar进行定位，但是因为港口场景中集装箱在搬运过程中是不断变动的，常规的建立预设的点云地图，并且用当前激光雷达数据和预设的点云地图匹配的思路无法实现。。
48.在实际应用中，无人车通常使用激光雷达对场景进行扫描，得到点云数据。动态的
集装箱会占据很大空间，如果直接去掉这部分信息，会导致剩下的点云数据数据量太少，以至于和预设的地图的匹配后难以得到准确的结果，从而给车辆定位带来较大的误差，不能满足无人车港口作业车道级定位的要求。
49.发明构思
50.如前所述，在动态场景下，由于场景频繁发生变化，仅将无人车和预设的点云地图进行匹配定位，显然难以得到准确的定位结果，使得无人车定位产生误差。
51.有鉴于此，本说明书旨在提出一种通过点云数据构建在线点云地图，并通过该在线点云地图对预设的点云地图进行更新的技术方案。
52.本说明书的核心构思在于：
53.利用提取出的点云数据集合的线、面特征，根据线、面特征构建在线点云地图，并基于无人车的位姿，将该在线点云地图加入预设的点云地图中，对预设的点云地图进行更新。
54.通过这种方式，预设的点云地图可以随着场景变化不断更新，提高了无人车的位姿与预设的点云地图匹配的准确性，可以输出更精确的点位信息，从而而提升无人车点位的准确性。
55.下面通过具体实施例，并结合具体的应用场景对本技术进行描述。
56.请参见图1，图1是一示例性的实施例示出的一种在线点云地图构建方法的流程图，上述方法执行以下步骤：
57.获取动态场景在当前时间节点的点云数据集合；
58.获取所述点云数据集合的线特征点，和/或，面特征点；
59.将所述线特征点，和/或，所述面特征点，与所述动态场景在历史时间节点的点云数据集合中的点云数据对应的线特征点，和/或，对应的面特征点进行匹配，通过在所述动态场景中相邻的线特征点，和/或，面特征点确定所述无人车的位姿；
60.根据所述动态场景的线特征点，和/或，面特征点，构建所述动态场景的在线点云地图，并将所述在线点云地图加入所述动态场景的预设的点云地图中。
61.步骤102：获取动态场景在当前时间节点的点云数据集合。
62.步骤104：获取所述点云数据集合的线特征点，和/或，面特征点。
63.步骤106：将所述线特征点，和/或，所述面特征点，与所述动态场景在历史时间节点的点云数据集合中的点云数据对应的线特征点，和/或，对应的面特征点进行匹配，通过在所述动态场景中相邻的线特征点，和/或，面特征点确定所述无人车的位姿。
64.步骤108：根据所述动态场景的线特征点，和/或，面特征点，构建所述动态场景的在线点云地图，并基于所述无人车的位姿将所述在线点云地图加入所述动态场景的预设的点云地图中。
65.无人车为了满足定位需求，通常携带可以激光雷达，可以通过激光雷达的多根扫描线束扫描当前所处的场景，获得当前场景的点云数据，激光雷达向外发射激光脉冲，从地面或物体表面反射，形成多个回波，返回到激光雷达传感器，经处理后的反射数据形成点云数据。
66.获取到点云数据之后，可以对该点云数据的特征进行识别，识别出点云数据中的线特征点和面特征点，以便于和预设的点云地图进行匹配。
67.在示出的一种实施例中，可以基于点云数据集合中点云数据与其相邻的至少一个点云数据，分别计算所述点云数据的曲率，从计算出的曲率中，将与最大的前m个曲率对应的点云数据，确定为所述动态场景的线特征点，和/或，将与最小的前n个曲率对应的点云数据，确定为所述动态场景的面特征点。激光雷达的扫描线束对当前场景进行扫描时，可以对每个线束上的每个点云数据，可以利用其临近点的信息计算出这个点对应的曲率，对每个线束上点云数据的曲率进行排序，然后可以分别选出曲率较大的m个点云数据，曲率较小的n个点云数据，分别作为点云的线、面特征点。
68.例如，线束扫描到场景中的平面，比如墙壁时，曲率会很小，当扫描掉墙壁的边缘或者灯杆等物体时，曲率会很大，因此可以根据曲率的大小可以把线面等特征提取出来。根据曲率的大小，可以将较大的20个曲率对应的点云数据作为线特征点，将较小的20个曲率对应的点云数据作为面特征点。
69.在示出的另一种实施例中，可以先通过曲率数值大小对点云数据进行筛选，将满足一定阈值条件的点云数据作为特征点。可以选取所述曲率大于线特征点阈值和曲率小于面特征点阈值的点云数据，将与最大的前m个曲率对应的点云数据，确定为所述动态场景的线特征点，和/或，将与最小的前n个曲率对应的点云数据，确定为所述动态场景的面特征点。
70.由于点云数据较多，计算所有的点云数据的曲率会消耗大量资源和时间，使得无人车无法实时获得定位信息，在提取过程中，可以利用局部区域特征抑制的方法，即如果确定某个点云数据是特征点，则其周围的临界点不再作为特征点，从而可以减少计算量，可以保证特征分布的均匀性，也可以避免在同一个位置出现大量类似的特征。
71.在示出的一种实施例中，可以通过随机采样或者栅格均匀采样的方式提取点云数据的线、面特征点。例如将激光雷达扫描到的空间划分为多个栅格，每个栅格提取一个特征点。
72.在传统的与预设的点云地图匹配的方法中，得到线、面特征点后，可以将线、面特征点与预设的点云数据进行匹配，确定无人车在预设的点云地图中的位置和朝向信息。而在本说明书提供的方案，为了提高定位的准确度，可以利用线、面特征点构建在线点云地图，以用于对预设的点云地图的更新。
73.在示出的一种实施例中，可以将所述线特征点，和/或，所述面特征点，与所述动态场景在历史时间节点的点云数据集合中的点云数据对应的线特征点，和/或，对应的面特征点进行匹配，通过在所述动态场景中相邻的线特征点，和/或，面特征点确定所述无人车的位姿。
74.对提取的每个线、面特征点，可以先通过预设的初始位姿信息，确定无人车的初始位姿与预设的点云地图之间的对应关系，可以分别将动态场景多个时间节点的线、面特征点进行匹配，选取其中相邻的特征点来构建拟合线或拟合面，可以计算线特征点到该拟合线的距离，面特征点到该拟合面的距离作为约束条件，可以利用该约束条件优化求解位姿。例如，线特征点到拟合线的距离计算公式如下：
75.76.分子项为(i，j)和(i，l)的叉乘表示三角形ijl的面积，然后将其除以(j，l)的长度作为i离(j，l)的高，即可以得到线特征点到该拟合线的距离。
77.面特征点到拟合面的距离计算公式如下：
[0078][0079]
(j，l)，(j，m)叉乘表示该拟合面的一个法向量，然后计算任意一个点距该拟合面的距离，只需要将该点和平面上的一点连线再点乘法向量即可得到面特征点到拟合面的距离。
[0080]
以上每一个特征点都可以构建一个残差，然后可以把所有的残差都作为优化因子加到非线性优化中，通过迭代即可以求解出最优的位姿。
[0081]
求解出位姿之后，可以利用该位姿与预设的点云地图的对应关系，将当前时间节点的线、面特征构建的在线点云地图加入到预设的点云地图中，完成对预设的点云地图的更新。
[0082]
在示出的一种实施例中，可以通过所述无人车的位姿与全局坐标系的相对关系，将当前时间节点的在线点云地图投影到全局坐标系下，将所述在线点云地图加入所述动态场景的预设的点云地图中。无人车的位姿可以用无人车在全局坐标系下的位置和姿态进行表示，具体的，位置可以为无人车相对于全局坐标系原点平移量，姿态可以为该无人车相对于该全局坐标系原点的旋转量，通过预设的对应关系，可以将当前时间节点的在线点云地图投影到全局坐标系下，并将所述在线点云地图加入所述动态场景的预设的点云地图中。
[0083]
例如，无人车在全局坐标系下的位置可以使用三维向量t＝(x,y,z)表示，姿态可以使用旋转矩阵r表示，旋转矩阵可以是一个3*3的矩阵。当前时间节点的在线点云地图中的某个点为p＝(px,py,pz)，可以通过预设的对应关系q＝r*p+t，将当前时间节点的在线点云地图中的点变换到全局坐标系下的点q＝(qx,qy,qz)，以此类推，可以把当前在线点云地图中的点都变换到全局坐标系，然后加入到点云地图中。
[0084]
如果在线点云地图中点云数据数量过多，可以对点云数据进行降采样，以减少内存占用，例如，可以使用体素采样滤波进行降采样，即对把空间划分为一个个小的立方体，对每个立方体中，只保留一个点，以此减少点云的数目，从而保证了匹配过程中的实时性。
[0085]
请参见图2，图2是一示例性的实施例示出的一种在线点云地图构建装置的框图。上述装置包括：
[0086]
数据获取模块210，用于获取动态场景在当前时间节点的点云数据集合；
[0087]
特征提取模块220，用于获取所述点云数据集合的线特征点，和/或，面特征点；
[0088]
位姿确定模块230，用于将所述线特征点，和/或，所述面特征点，与所述动态场景在历史时间节点的点云数据集合中的点云数据对应的线特征点，和/或，对应的面特征点进行匹配，通过在所述动态场景中相邻的线特征点，和/或，面特征点确定所述无人车的位姿；
[0089]
地图更新模块240，用于根据所述动态场景的线特征点，和/或，面特征点，构建所述动态场景的在线点云地图，并基于所述无人车的位姿将所述在线点云地图加入所述动态
场景的预设的点云地图中。
[0090]
地图加入所述动态场景的预设的点云地图中。
[0091]
可选的，所述获取所述点云数据集合的线特征点，和/或，面特征点包括：
[0092]
基于所述点云数据集合中点云数据与其相邻的至少一个点云数据，分别计算所述点云数据的曲率；
[0093]
从计算出的曲率中，将与最大的前m个曲率对应的点云数据，确定为所述动态场景的线特征点，和/或，将与最小的前n个曲率对应的点云数据，确定为所述动态场景的面特征点。
[0094]
可选的，所述将与最大的前m个曲率对应的点云数据，确定为所述动态场景的线特征点，和/或，将与最小的前n个曲率对应的点云数据，确定为所述动态场景的面特征点，包括：
[0095]
选取所述曲率大于线特征点阈值和曲率小于面特征点阈值的点云数据，将与最大的前m个曲率对应的点云数据，确定为所述动态场景的线特征点，和/或，将与最小的前n个曲率对应的点云数据，确定为所述动态场景的面特征点。
[0096]
可选的，所述根据所述动态场景的线特征点，和/或，面特征点，构建所述动态场景的在线点云地图，包括：
[0097]
对所述动态场景的至少一个时间节点的线特征点，和/或，面特征点进行拟合，获得线拟合线，和/或，拟合面，利用所述拟合线，和/或，拟合面构建所述动态场景的在线点云地图。
[0098]
可选的，所述将所述在线点云地图加入所述动态场景的预设的点云地图中，包括：
[0099]
通过所述无人车的位姿与全局坐标系的相对关系，将当前时间节点的在线点云地图投影到全局坐标系下，将所述在线点云地图加入所述动态场景的预设的点云地图中。
[0100]
请参见图3，图3是一示例性的实施例示出的一种在线点云地图构建装置所在电子设备的硬件结构图。在硬件层面，该设备包括处理器302、内部总线304、网络接口306、内存408以及非易失性存储器310，当然还可能包括其他业务所需要的硬件。本说明书一个或多个实施例可以基于软件方式来实现，比如由处理器302从非易失性存储器310中读取对应的计算机程序到内存408中然后运行。当然，除了软件实现方式之外，本说明书一个或多个实施例并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
[0101]
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例只是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本说明书方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0102]
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机，计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的
任意几种设备的组合。
[0103]
在一个典型的配置中，计算机包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
[0104]
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。内存是计算机可读介质的示例。
[0105]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带、磁盘存储、量子存储器、基于石墨烯的存储介质或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0106]
还需要说明的是，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、商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、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0107]
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
[0108]
在本说明书一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
[0109]
应当理解，尽管在本说明书一个或多个实施例可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书一个或多个实施例范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在
……
时”或“当
……
时”或“响应于确定”。
[0110]
以上所述仅为本说明书一个或多个实施例的较佳实施例而已，并不用以限制本说明书一个或多个实施例，凡在本说明书一个或多个实施例的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本说明书一个或多个实施例保护的范围之内。
技术特征：1.一种在线点云地图构建确定方法，应用于动态场景下的无人车，其特征在于，所述方法包括：获取动态场景在当前时间节点的点云数据集合；获取所述点云数据集合的线特征点，和/或，面特征点；将所述线特征点，和/或，所述面特征点，与所述动态场景在历史时间节点的点云数据集合中的点云数据对应的线特征点，和/或，对应的面特征点进行匹配，通过在所述动态场景中相邻的线特征点，和/或，面特征点确定所述无人车的位姿；根据所述动态场景的线特征点，和/或，面特征点，构建所述动态场景的在线点云地图，并基于所述无人车的位姿将所述在线点云地图加入所述动态场景的预设的点云地图中。2.根据权利要求1所述的方法，其特征在于，所述获取所述点云数据集合的线特征点，和/或，面特征点包括：基于所述点云数据集合中点云数据与其相邻的至少一个点云数据，分别计算所述点云数据的曲率；从计算出的曲率中，将与最大的前m个曲率对应的点云数据，确定为所述动态场景的线特征点，和/或，将与最小的前n个曲率对应的点云数据，确定为所述动态场景的面特征点。3.根据权利要求2所述的方法，其特征在于，所述将与最大的前m个曲率对应的点云数据，确定为所述动态场景的线特征点，和/或，将与最小的前n个曲率对应的点云数据，确定为所述动态场景的面特征点，包括：选取所述曲率大于线特征点阈值和曲率小于面特征点阈值的点云数据，将与最大的前m个曲率对应的点云数据，确定为所述动态场景的线特征点，和/或，将与最小的前n个曲率对应的点云数据，确定为所述动态场景的面特征点。4.根据权利要求1所述的方法，其特征在于，所述根据所述动态场景的线特征点，和/或，面特征点，构建所述动态场景的在线点云地图，包括：对所述动态场景的至少一个时间节点的线特征点，和/或，面特征点进行拟合，获得线拟合线，和/或，拟合面，利用所述拟合线，和/或，拟合面构建所述动态场景的在线点云地图。5.根据权利要求1所述的方法，其特征在于，所述基于所述无人车的位姿将所述在线点云地图加入所述动态场景的预设的点云地图中，包括：通过所述无人车的位姿与全局坐标系的相对关系，将当前时间节点的在线点云地图投影到全局坐标系下，将所述在线点云地图加入所述动态场景的预设的点云地图中。6.根据权利要求1所述的方法，其特征在于，所述动态场景为港口场景。7.一种在线点云地图构建装置，应用于动态场景下的无人车，其特征在于，所述装置包括：数据获取模块，用于获取动态场景在当前时间节点的点云数据集合；特征提取模块，用于获取所述点云数据集合的线特征点，和/或，面特征点；位姿确定模块，用于将所述线特征点，和/或，所述面特征点，与所述动态场景在历史时间节点的点云数据集合中的点云数据对应的线特征点，和/或，对应的面特征点进行匹配，通过在所述动态场景中相邻的线特征点，和/或，面特征点确定所述无人车的位姿；地图更新模块，用于根据所述动态场景的线特征点，和/或，面特征点，构建所述动态场
景的在线点云地图，并基于所述无人车的位姿将所述在线点云地图加入所述动态场景的预设的点云地图中。8.根据权利要求7所述的装置，其特征在于，所述获取所述点云数据集合的线特征点，和/或，面特征点包括：基于所述点云数据集合中点云数据与其相邻的至少一个点云数据，分别计算所述点云数据的曲率；从计算出的曲率中，将与最大的前m个曲率对应的点云数据，确定为所述动态场景的线特征点，和/或，将与最小的前n个曲率对应的点云数据，确定为所述动态场景的面特征点。9.根据权利要求8所述的装置，其特征在于，所述将与最大的前m个曲率对应的点云数据，确定为所述动态场景的线特征点，和/或，将与最小的前n个曲率对应的点云数据，确定为所述动态场景的面特征点，包括：选取所述曲率大于线特征点阈值和曲率小于面特征点阈值的点云数据，将与最大的前m个曲率对应的点云数据，确定为所述动态场景的线特征点，和/或，将与最小的前n个曲率对应的点云数据，确定为所述动态场景的面特征点。10.根据权利要求7所述的装置，其特征在于，所述根据所述动态场景的线特征点，和/或，面特征点，构建所述动态场景的在线点云地图，包括：对所述动态场景的至少一个时间节点的线特征点，和/或，面特征点进行拟合，获得线拟合线，和/或，拟合面，利用所述拟合线，和/或，拟合面构建所述动态场景的在线点云地图。11.根据权利要求7所述的装置，其特征在于，所述将所述在线点云地图加入所述动态场景的预设的点云地图中，包括：通过所述无人车的位姿与全局坐标系的相对关系，将当前时间节点的在线点云地图投影到全局坐标系下，将所述在线点云地图加入所述动态场景的预设的点云地图中。12.一种机器可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现如权利要求1-6中任一项所述方法的步骤。13.一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器通过运行所述可执行指令以实现如权利要求1-6中任一项所述的方法的步骤。
技术总结本申请提供一种在线点云地图构建方法、装置、电子设备及机器可读存储介质，应用于动态场景下的无人车，所述方法包括：获取动态场景在当前时间节点的点云数据集合；获取所述点云数据集合的线特征点，和/或，面特征点；将所述线特征点，和/或，所述面特征点，与所述动态场景在历史时间节点的点云数据集合中的点云数据对应的线特征点，和/或，对应的面特征点进行匹配，通过在所述动态场景中相邻的线特征点，和/或，面特征点确定所述无人车的位姿；根据所述动态场景的线特征点，和/或，面特征点，构建所述动态场景的在线点云地图，并基于所述无人车的位姿将所述在线点云地图加入所述动态场景的预设的点云地图中。景的预设的点云地图中。景的预设的点云地图中。
技术研发人员：任勇 张广鹏 何贝 刘鹤云 张岩
受保护的技术使用者：北京斯年智驾科技有限公司
技术研发日：2022.07.11
技术公布日：2022/11/1
