EH 数据到高精地图模型的车道连通性保持转换方法

前言：高精地图是自动驾驶的关键支撑，其车道级拓扑精度关系到道路规划合理性、可靠性，目前虽然有针对其的相关研究，但大多集中在车载点云数据、道路特征提取等方面，针对车道连通性保持转换的研究较少，可能影响到驾驶体验[1]。基于此，引入 EH（Electronic Horizon，电子视界），其主要用于为车辆提供超出传感器感知区域的道路交通信息的服务或者产品，组织 EH 高精地图数据访问层开发项目，将接收到的 EH 数据转换为公司自有的高精地图数据格式为，为地图渲染模块提供高精地图数据，构建周围车辆、道路的信息地图，利用实验验证以上方法可行性[2]。本文的创新之处在于：结合 EH 数据到高精地图模型的车道连通性保持转换实验，确定项目研究中疑难点、解决思路，通过实验得出具体结果，让研究结果更具可信度。

1 EH 数据预处理与特征提取

进行 EH 数据预处理与特征区域，按照以下流程加以处理：数据清洗与格式化，分层插补缺失值、检测异常值、格式转换（二进制 EH 数据→GeoJSON）；几何校正与拓扑修复，引入七参数赫尔默特变换模型（3 个平移参数、3 个旋转参数、1 个尺度参数），完成地方坐标系 $$ （China Geodetic Coordinate System 2000，简称 CGCS2000）的转换，控制平面残差 ⩽0.1m ；基于约束 Delaunay 三角网的道路网，识别、搜集相邻节点间距超过 5m 的断裂区域，采取线性插值补偿方式；进行数据特征提取、标准化处理，EH 数据主要包括车道属性、车道线形状、道路坡度、曲率、红绿灯位置等信息，归纳总结 EH 数据特征，如表 1 所示[3]。其他预处理流程，还涉及多源数据校验、融合、质量验证、规范格式输出等。通过以上数据处理、特征提取等相关操作，增进对道路信息的把握，为车辆提供更加安全、舒适的驾驶体验。

表 1 EH 数据特征表

2 车道连通性保持算法

车道连通性保持算法，主要用于保障道路网络拓扑结构的稳定性、持续性，结合车道连通性实际情况，进行冗余设计、持续调整，避免因单点故障问题造成车道中断。

2.1 车道连接关系建模

提取道路几何特征、交通数据等，进行连接关系建模，利用 B 样条曲线（基于分片多项式插值的参数化拟合方法）拟合车道中心线，计算相邻车道的平面投影交点坐标，通过 Douglas-Peucker 算法简化冗余点，并结合统计滤波剔除噪声点，提取关键连接点。若存在高程数据，则直接区分交叉类型（立体/平面），并为高架桥连接点添加标识。若无高程信息，则结合车道曲率变化与连接角度辅助判断交叉类型。通过多源数据实时融合与动态权重计算，实现车道参数的动态调整，如公式 1 所示。

公式 1 中， A^′[i][j] 指的是车道节点 i 到车道节点 j 的动态权重，取值 0-1，计算结果越大，表示车道具备越高的通行优先级，其中取值 0 表示车道节点 i、车道节点 j之间无法直接连通，取值 1，表示处于直接连通状态。 W_type 指的是车道静态基准权重，取决于道路本身属性，具体取值方式，如表 2 所示。 ΔF₁ 指的是车道当前流量； F₀ 指的是车道设计容量； ε_sensor 指的是传感器修正项，用于在车道封闭（取值－ W_type ，表示权重归零）或者突发拥堵（取值-0.1）时修正车道静态基准权重。如针对主干道， F₁ 为 1620 辆/h， F₀ 为 1800 辆/h，此时道路为轻微拥堵， ε_sensor 取值-0.05，按照公式 1计算。

2.2 冗余路径规划

通过 tarjan 算法（一种用于有向图强连通分量检测算法）识别道路网络中的关键边（桥边），定位施工、拥堵等状态下的单点故障路径，动态生成替代通行方案（如启用应急车道、潮汐车道），提升路网冗余度，如针对多路合流交织区车道数多、冲突点多的情况，构建自适应协同控制模型，实时协调信号灯相位与配时，生成高峰时段专用通行方案，通过可变信息标志（VMS）限制高风险车道切换，限制车辆保持安全车道行驶[4]。

2.3 异常数据处理

通过激光雷达、高清摄像头等工具，持续不间断检测施工围挡、非法占道、车道线模糊等问题，依靠递归神经网络、支持向量机等先进技术分析交通数据，预测道路断面交通量，基于此进行相邻车道交接位置的模型重构，在出现不同车辆竞争同一车道时，按照大型车辆通行、小车交叉通行的方式通过，减少冲突[5]。

3 EH 数据到高精地图模型的车道连通性保持转换实验

3.1 疑难点分析

本次研究的难点主要表现为：一是仅使用 EH 数据生成道路面数据及道路边界，可能出现相关道路数据不足或者真实性有待验证的问题。二是因国内审图要求，EH 数据中不提供道路的高度数据，需要解决高架道路上下层交叉和覆盖问题。

3.2 解决思路

针对以上提出的两个疑难点，提出对应的解决思路：EH 数据中的道路边界是不保证连续性的；如果一个路段的所有车道数据都已经正确接收，使用道路最外侧的车道线,通过平移偏移或者缓冲区算法生成连续道路边界线；对于因为数据缺失，不能准确判断一组车道线是否位于同一个道路面的情况，为每条车道生成路面数据，然后对相邻车道路面数据做拼合处理来获得完整道路面。关于规避高架道路交叉与覆盖问题，提出：探测车辆前方所有路线，如果出现高架道路交叉或空间重叠，通过如下策略选择保留哪些道路：优先保留车辆前行路线上的道路；如果两条路线都有可能经过，优先保留等级高的道路；如果两条路线等级相同，优先保留与前行方向角度最小的道路。

结束语

综上，文章就 EH 数据到高精地图模型的车道连通性保持转换方法展开了深入研究，以上方法是基于 EH 高精地图数据访问层开发项目实际情况提出的，因此对解决项目目前存在的疑难点有较大的帮助，能在一定程度上提升自动驾驶系统对车道信息的把控力度，保持车道连通性。后续研究过程中，应结合国内不同时期的审图标准，灵活应用先进技术，丰富 EH 数据，为高精地图模型构建提供更加全面的数据支持，保持车道连通性。

参考文献

[1]胡敏，钟炜，毛炜青，等.基于深度学习的超大城市高精度地图关键要素自动提取[J].测绘通报，2024(1):266-270.

[2]李茂月，吕虹毓，河香梅，等.自动驾驶中周围车辆识别与信息地图构建技术[J].汽车安全与节能学报，2022(1):131-141.