CN109635053B - 地图的质检方法、装置、系统及存储介质 - Google Patents

Abstract

本发明提供一种地图的质检方法、装置、系统及存储介质，该方法包括：获取地图上各个区域的热力值；其中，每一个区域的热力值用于表征对应区域的可靠性；热力值与热力值所对应的区域的可靠值呈负相关的映射关系；确定所述热力值大于预设阈值的区域为目标区域；在所述地图上显示所述目标区域。从而使得地图质检人员可以快速的确定出有问题的区域，进而对该区域进行修正，减少了人工检测的时间，降低了人力成本；缩短了地图生产的时间，提高了地图的生产效率。

Description

地图的质检方法、装置、系统及存储介质

技术领域

本发明涉及无人驾驶技术领域，尤其涉及一种地图的质检方法、装置、系统及存储介质。

背景技术

随着汽车技术的发展，无人车开始得到应用和发展。在无人车行驶的过程中，需要为无人车提供高精度地图，以便于无人车根据高精度地图进行自动行驶。

现有技术中，需要对生成的高精度地图进行检测，以确定生成的高精度地图与真实环境之间的差异，以调整生成的高精度地图。

但是，现有技术中，一般采用人工检测的方式对生成的高精度地图进行检测。由于高精度地图中包含的信息较多，因此人工检测所耗费的时间较长，人力成本较高，使得高精度地图的生产效率低下。

发明内容

本发明提供一种地图的质检方法、装置、系统及存储介质，以提高地图的检测速度，缩短地图的生成时间。

第一方面，本发明实施例提供一种地图的质检方法，包括：

获取地图上各个区域的热力值；其中，每一个区域的热力值用于表征区域的可靠性；热力值与热力值所对应的区域的可靠值呈负相关的映射关系；

确定所述热力值大于预设阈值的区域为目标区域；

在所述地图上显示所述目标区域。

在一种可能的设计中，所述获取地图上各个区域的热力值，包括：

确定地图中各个区域的热力值判定条件；

根据所述热力值判定条件，获取各个区域的热力值。

在一种可能的设计中，所述热力值判定条件包括以下任一或者任多：

区域的置信度，其中，置信度与置信度所对应的区域的热力值呈负相关的映射关系；所述置信度是在生成地图过程中自动获取到的；

区域内车道线上的每一点的局部曲率值；局部曲率值与局部曲率值所对应区域的热力值呈负相关的映射关系；其中，局部曲率值为车道线上任一点与该点的上一点连线，以及与该点的下一点连线之间的夹角；

区域内车道线之间的重合度；重合度与重合度对应区域的热力值呈正相关的映射关系；其中，车道线之间的距离与重合度呈负相关的映射关系；

区域内车道线之间的角度差值；角度差值与角度差值对应区域的热力值呈正相关的映射关系。

在一种可能的设计中，根据所述热力值判定条件，获取各个区域的热力值，包括：

若所述热力值判定条件为一个以上时，确定各个热力值判定条件对应的权重值；

根据各个判定条件对应的权重值，获取区域内每个热力值判定条件所对应的热力值分量；

将区域内所有热力值判定条件所对应的热力值分量之和，作为所述区域的热力值。

在一种可能的设计中，在所述地图上显示所述目标区域之后，还包括：

获取所述目标区域对应的问题类型。

在一种可能的设计中，获取所述目标区域对应的问题类型，包括：

从所述地图中获取所述目标区域对应的图像块；

将所述图像块输入到所述预设的深度学习模型中，得到所述目标区域对应的问题类型。

在一种可能的设计中，所述问题类型包括：车道线压线、车道线连接错误、车道线断线。

在一种可能的设计中，在所述地图上显示所述目标区域之后，还包括：

生成所述目标区域对应的修改建议。

在一种可能的设计中，生成所述目标区域对应的修改建议，包括：

通过预设的深度学习模型判别所述目标区域对应的问题类型；

根据所述问题类型，输出与所述目标区域对应的修改建议。

在一种可能的设计中，通过预设的深度学习模型判别所述目标区域对应的问题类型，包括：

从所述地图中获取所述目标区域对应的图像块；

将所述图像块输入到所述预设的深度学习模型中，由所述预设的深度学习模型判别出所述目标区域对应的问题类型。

在一种可能的设计中，所述修改建议包括：所述问题类型被解决后所对应的参考图片、所述问题类型对应解决策略。

在一种可能的设计中，在生成所述目标区域对应的修改建议之后，还包括：

在所述地图的目标区域处显示所述修改建议，和/或将所述修改建议发送给终端设备。

第二方面，本发明实施例提供一种地图的质检装置，包括：

获取模块，用于获取地图上各个区域的热力值；其中，每一个区域的热力值用于表征区域的可靠性；热力值与热力值所对应的区域的可靠值呈负相关的映射关系；

确定模块，用于确定所述热力值大于预设阈值的区域为目标区域；

显示模块，用于在所述地图上显示所述目标区域。

在一种可能的设计中，所述获取模块，具体用于：

确定地图中各个区域的热力值判定条件；

根据所述热力值判定条件，获取各个区域的热力值。

在一种可能的设计中，所述热力值判定条件包括以下任一或者任多：

区域的置信度，其中，置信度与置信度所对应的区域的热力值呈负相关的映射关系，所述置信度是在生成地图过程中自动获取到的；

区域内车道线上的每一点的局部曲率值；局部曲率值与局部曲率值所对应区域的热力值呈负相关的映射关系；其中，局部曲率值为车道线上任一点与该点的上一点连线，以及与该点的下一点连线之间的夹角；

区域内车道线之间的重合度；重合度与重合度对应区域的热力值呈正相关的映射关系；其中，车道线之间的距离与重合度呈负相关的映射关系；

区域内车道线之间的角度差值；角度差值与角度差值对应区域的热力值呈正相关的映射关系。

在一种可能的设计中，根据所述热力值判定条件，获取各个区域的热力值，包括：

若所述热力值判定条件为一个以上时，确定各个热力值判定条件对应的权重值；

根据各个判定条件对应的权重值，获取区域内每个热力值判定条件所对应的热力值分量；

将区域内所有热力值判定条件所对应的热力值分量之和作为所述区域的热力值。

在一种可能的设计中，还包括：

判别模块，用于在所述地图上显示所述目标区域之后，获取所述目标区域对应的问题类型。

在一种可能的设计中，获取所述目标区域对应的问题类型包括：

从所述地图中获取所述目标区域对应的图像块；

将所述图像块输入到所述预设的深度学习模型中，得到所述目标区域对应的问题类型。

在一种可能的设计中，所述问题类型包括：车道线压线、车道线连接错误、车道线断线。

在一种可能的设计中，还包括：

建议模块，用于生成所述目标区域对应的修改建议。

在一种可能的设计中，所述建议模块，具体用于通过预设的深度学习模型判别所述目标区域对应的问题类型；根据所述问题类型，输出与所述目标区域对应的修改建议。

在一种可能的设计中，通过预设的深度学习模型判别所述目标区域对应的问题类型，包括：

从所述地图中获取所述目标区域对应的图像块；

将所述图像块输入到所述预设的深度学习模型中，由所述预设的深度学习模型判别出所述目标区域对应的问题类型。

在一种可能的设计中，所述修改建议包括：所述问题类型被解决后所对应的参考图片、所述问题类型对应解决策略。

在一种可能的设计中，所述呈现模块，还用于在生成所述目标区域对应的修改建议之后，在所述地图的目标区域处显示所述修改建议，和/或将所述修改建议发送给终端设备。

第三方面，本发明实施例提供地图的质检系统，包括：存储器和处理器，存储器中存储有所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行第一方面中任一项所述的地图的质检方法。

第四方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面中任一项所述地图的质检方法。

第五方面，本发明实施例提供一种程序产品，所述程序产品包括：计算机程序，所述计算机程序存储在可读存储介质中，服务器的至少一个处理器可以从所述可读存储介质读取所述计算机程序，所述至少一个处理器执行所述计算机程序使得服务器执行第一方面中任一所述的地图的质检方法。

本发明提供一种地图的质检方法、装置、系统及存储介质，通过获取地图上各个区域的热力值；其中，每一个区域的热力值用于表征区域的可靠性；热力值与热力值所对应的区域的可靠值呈负相关的映射关系；确定所述热力值大于预设阈值的区域为目标区域；在所述地图上显示所述目标区域。从而使得地图质检人员可以快速的确定出有问题的区域，进而对该区域进行修正，减少了人工检测的时间，降低了人力成本；缩短了地图生产的时间，提高了地图的生产效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一应用场景的原理示意图；

图2为本发明实施例一提供的地图的质检方法的流程图；

图3为本发明实施例二提供的地图的质检方法的流程图；

图4为本发明实施例三提供的地图的质检方法的流程图；

图5为本发明实施例四提供的地图的质检方法的流程图；

图6为本发明实施例五提供的地图的质检装置的结构示意图；

图7为本发明实施例六提供的地图的质检装置的结构示意图；

图8为本发明实施例七提供的地图的质检系统的结构示意图；

通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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作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。

本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。

图1为本发明一应用场景的原理示意图，如图1所示，首先，将待质检的地图划分成区域，并进行编号。然后，通过获取模块根据区域的置信度、区域内车道线上的每一点的局部曲率值、区域内车道线之间的重合度、区域内车道线之间的角度差值中的任一或者任多项作为热力值的判定条件，获取地图上各个区域的热力值；其中，热力值用于表征对应区域的可靠性；热力值越高，则对应区域的可靠性越差。然后，通过确定模块确定热力值大于预设阈值的区域为目标区域，这些目标区域作为问题区域，需要地图质检人员审核。再然后，通过显示模块在地图上显示目标区域，直观地给质检人员展示出问题区域。并且可以获取目标区域对应的问题类型，将目标区域对应的问题类型发送给终端设备，提高地图修正的效率。

应用上述方法可以使得地图质检人员快速的确定出有问题的区域，进而对该区域进行修正，减少了人工检测的时间，降低了人力成本；缩短了地图生产的时间，提高了地图的生产效率。

下面以具体地实施例对本发明的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本发明的实施例进行描述。

图2为本发明实施例一提供的地图的质检方法的流程图，如图2所示，本实施例中的方法可以包括：

S101、获取地图上各个区域的热力值。

本实施例中，每一个区域的热力值用于表征区域的可靠性，热力值与热力值所对应的区域的可靠值呈负相关的映射关系。热力值越高，则对应区域的可靠性越差(即可靠值越低)。获取热力值的方法具体包括：确定地图中各个区域的热力值判定条件；根据热力值判定条件，获取各个区域的热力值。

在一种可能的设计中，热力值判定条件包括以下任一或者任多：

区域的置信度；置信度与置信度所对应的区域的热力值呈负相关的映射关系，置信度越低，则对应区域的热力值越高；其中，置信度是在生成地图过程中自动获取到的；

区域内车道线上的每一点的局部曲率值；局部曲率值与局部曲率值所对应区域的热力值呈负相关的映射关系；局部曲率值越接近180度，则对应区域的热力值越低；其中，局部曲率值为车道线上任一点与该点的上一点连线，以及与该点的下一点连线之间的夹角；

区域内车道线之间的重合度；重合度与重合度对应区域的热力值呈正相关的映射关系；重合度越大，则对应区域的热力值越高；其中，车道线之间的距离越小，则对应的重合度越大；

区域内车道线之间的角度差值；角度差值与角度差值对应区域的热力值呈正相关的映射关系；角度差值越大，则对应区域的热力值越高。

具体地，神经网络在生成地图的时候，给每一个区域提供了置信度，置信度越低，则表示这个区域存在问题的可能性越高。因此，可以根据这个置信度确定地图质检区域，置信度越低，则对应区域的热力值越高。

具体地，生成的地图中的车道线是地图中一个重要的元素，可以将车道线上的每一点的局部曲率值作为热力值的判定条件。地图中的车道线越平滑，则表示这个区域存在问题的可能性越低。因此，可以根据区域内车道线上的每一点的局部曲率值，局部曲率值越接近180度，车道线越平滑，则对应区域的热力值越低，否则车道线越不平滑、热力值越高。

具体地，也可以将区域内车道线之间的重合度作为热力值的判定条件。例如计算车道线之间的距离，若车道线之间的距离越小，那么车道线的重合度越大，则热力值越高。

具体地，计算归属于同一区域的车道线的角度差异，差异越大，差异越大，则表示这个区域存在问题的可能性越高，那么该区域的热力值越高。

在一种可能的设计中，根据热力值判定条件，获取各个区域的热力值，包括：若热力值判定条件为一个以上时，确定各个热力值判定条件对应的权重值；根据各个判定条件对应的权重值，获取区域内每个热力值判定条件所对应的热力值分量；将区域内所有热力值判定条件所对应的热力值分量之和作为区域的热力值。例如，当热力值判定条件为区域内车道线之间的重合度和区域内车道线之间的角度差值时，先确定两个判定条件的权要重，如，0.5，0.5。

需要说明的是，本实施例不限定判定条件的权重设定规则和具体的权重值，本领域的技术人员可以根据实际情况增加或者减少权重设定规则和具体的权重值。然后，计算各个区域的根据区域内车道线之间的重合度的判定条件获得的热力值，乘以权重0.5，获得热力值分量A。计算各个区域的根据区域内车道线之间的角度差值的判定条件获得的热力值，乘以权重0.5，获得热力值分量B。将热力值分量A和热力值分量B的和，作为该区域的热力值。

S102、确定热力值大于预设阈值的区域为目标区域。

本实施例中，根据预设的阈值对地图的各个区域进行筛选，将热力值大于预设阈值的区域，作为目标区域。这些目标区域存在问题的可能性较高，需要地图质检人员审核。地图质检人员可以根据实际需要，调整预设阈值，如对于精度要求高的地图，将阈值调低，而对于精度要求不高的地图，可以适当调高阈值。

S103、在地图上显示目标区域。

本实施例中，在确定目标区域之后，还在地图上显示目标区域，更加直观，方便地图质检人员对问题区域进行质检。

本实施例，通过获取地图上各个区域的热力值；其中，热力值用于表征对应区域的可靠性；热力值越高，则对应区域的可靠性越差；确定热力值大于预设阈值的区域为目标区域；在地图上显示目标区域。从而使得地图质检人员可以快速的确定出有问题的区域，进而对该区域进行修正，减少了人工检测的时间，降低了人力成本；缩短了地图生产的时间，提高了地图的生产效率。

图3为本发明实施例二提供的地图的质检方法的流程图，如图3所示，本实施例中的方法可以包括：

S201、获取地图上各个区域的热力值。

S202、确定热力值大于预设阈值的区域为目标区域。

S203、在地图上显示目标区域。

本实施例中，步骤S201～步骤S203的具体实现过程和技术原理请参见图2所示的方法中步骤S101～步骤S103中的相关描述，此处不再赘述。

S204、获取目标区域对应的问题类型信息。

本实施例中，问题类型信息表征所述目标区域存在的问题。首先，从地图中获取目标区域对应的图像块；将图像块输入到预设的深度学习模型中，由预设的深度学习模型判别出目标区域对应的问题类型。通过深度学习模型，可以提高效率，同时也能避免人为主观因素造成的影响。

S205、将目标区域对应的问题类型信息发送给终端设备。

本实施例中，将目标区域对应的问题类型发送给质检人员，可以让质检人员快速定位地图问题类型以及可能的原因，提高了地图质检、修正的效率。

本实施例，通过获取地图上各个区域的热力值；其中，热力值用于表征对应区域的可靠性；热力值越高，则对应区域的可靠性越差；确定热力值大于预设阈值的区域为目标区域；在地图上显示目标区域。从而使得地图质检人员可以快速的确定出有问题的区域，进而对该区域进行修正，减少了人工检测的时间，降低了人力成本；缩短了地图生产的时间，提高了地图的生产效率。

另外，本实施获取目标区域对应的问题类型，可以让质检人员快速定位地图问题类型以及可能的原因，提高了地图质检、修正的效率。

图4为本发明实施例三提供的地图的质检方法的流程图，如图4所示，本实施例中的方法可以包括：

S301、获取地图上各个区域的热力值。

S302、确定热力值大于预设阈值的区域为目标区域。

S303、在地图上显示目标区域。

本实施例中，步骤S301～步骤S303的具体实现过程和技术原理请参见图2所示的方法中步骤S101～步骤S103中的相关描述，此处不再赘述。

S304、获取目标区域对应的问题类型信息。

S305、将目标区域对应的问题类型信息发送给终端设备。

本实施例中，步骤S304～步骤S305的具体实现过程和技术原理请参见图3所示的方法中步骤S204～步骤S205中的相关描述，此处不再赘述。

S306、生成目标区域对应的修改建议。

本实施例中，通过预设的深度学习模型判别目标区域对应的问题类型；根据问题类型，输出与目标区域对应的修改建议。

可选地，问题类型包括：车道线压线、车道线连接错误、车道线断线。需要说明的是，本实施例不限定问题类型，本领域的技术人员可以根据实际情况增加或者减少问题类型。

可选地，修改建议包括：问题类型被解决后所对应的参考图片、问题类型对应解决策略。需要说明的是，本实施例不限定修改建议内容，本领域的技术人员可以根据实际情况增加或者减少修改建议内容。

可选地，通过预设的深度学习模型判别目标区域对应的问题类型，包括：从地图中获取目标区域对应的图像块；将图像块输入到预设的深度学习模型中，由预设的深度学习模型判别出目标区域对应的问题类型。通过深度学习模型，可以提高效率，同时也能避免人为主观因素造成的影响。

本实施例，通过获取地图上各个区域的热力值；其中，热力值用于表征对应区域的可靠性；热力值越高，则对应区域的可靠性越差；确定热力值大于预设阈值的区域为目标区域；在地图上显示目标区域，和/或将目标区域推送给用户；生成目标区域对应的修改建议。从而使得地图质检人员可以快速的确定出有问题的区域，进而对该区域进行修正，减少了人工检测的时间，降低了人力成本；缩短了地图生产的时间，提高了地图的生产效率。

另外，本实施获取目标区域对应的问题类型以及修改建议，可以让质检人员快速定位地图问题类型以及可能的原因，提高了地图质检、修正的效率。

图5为本发明实施例四提供的地图的质检方法的流程图，如图5所示，本实施例中的方法可以包括：

S401、获取地图上各个区域的热力值。

S402、确定热力值大于预设阈值的区域为目标区域。

S403、在地图上显示目标区域。

S404、获取目标区域对应的问题类型信息。

S405、将目标区域对应的问题类型信息发送给终端设备。

S406、生成目标区域对应的修改建议。

本实施例中，步骤S401～步骤S406的具体实现过程和技术原理请参见图4所示的方法中步骤S301～步骤S306中的相关描述，此处不再赘述。

S407、在地图的目标区域处显示修改建议，和/或将修改建议推送给用户。

本实施例中，将目标区域对应的修改建议直观地显示在地图上，并可以发送给用户，可以让用户根据目标区域以及修改建议，快速定位地图问题类型以及可能的原因，提高了地图质检、修正的效率。

本实施例，通过获取地图上各个区域的热力值；其中，热力值用于表征对应区域的可靠性；热力值越高，则对应区域的可靠性越差；确定热力值大于预设阈值的区域为目标区域；在地图上显示目标区域，和/或将目标区域推送给用户；生成目标区域对应的修改建议。从而使得地图质检人员可以快速的确定出有问题的区域，进而对该区域进行修正，减少了人工检测的时间，降低了人力成本；缩短了地图生产的时间，提高了地图的生产效率。

另外，本实施获可以在地图的目标区域处显示修改建议，和/或将修改建议推送给用户，可以让用户根据目标区域以及修改建议，快速定位地图问题类型以及可能的原因，提高了地图质检、修正的效率。

图6为本发明实施例五提供的地图的质检装置的结构示意图，如图6所示，本实施例的地图的质检装置可以包括：

获取模块31，用于获取地图上各个区域的热力值；其中，每一个区域的热力值用于表征区域的可靠性；热力值与热力值所对应的区域的可靠值呈负相关的映射关系；

确定模块32，用于确定热力值大于预设阈值的区域为目标区域；

显示模块33，用于在地图上显示目标区域。

在一种可能的设计中，获取模块31，具体用于：

确定地图中各个区域的热力值判定条件；

根据热力值判定条件，获取各个区域的热力值。

在一种可能的设计中，热力值判定条件包括以下任一或者任多：

区域的置信度，其中，置信度与置信度所对应的区域的热力值呈负相关的映射关系，所述置信度是在生成地图过程中自动获取到的；

区域内车道线上的每一点的局部曲率值；局部曲率值与局部曲率值所对应区域的热力值呈负相关的映射关系；其中，局部曲率值为车道线上任一点与该点的上一点连线，以及与该点的下一点连线之间的夹角；

区域内车道线之间的重合度；重合度与重合度对应区域的热力值呈正相关的映射关系；其中，车道线之间的距离与重合度呈负相关的映射关系；

区域内车道线之间的角度差值；角度差值与角度差值对应区域的热力值呈正相关的映射关系。

在一种可能的设计中，根据热力值判定条件，获取各个区域的热力值，包括：

若热力值判定条件为一个以上时，确定各个热力值判定条件对应的权重值；

根据各个判定条件对应的权重值，获取区域内每个热力值判定条件所对应的热力值分量；

将区域内所有热力值判定条件所对应的热力值分量之和作为区域的热力值。

本实施例，通过获取地图上各个区域的热力值；其中，热力值用于表征对应区域的可靠性；热力值越高，则对应区域的可靠性越差；确定热力值大于预设阈值的区域为目标区域；在地图上显示目标区域。从而使得地图质检人员可以快速的确定出有问题的区域，进而对该区域进行修正，减少了人工检测的时间，降低了人力成本；缩短了地图生产的时间，提高了地图的生产效率。

本实施例的地图的质检装置，可以执行图2所示方法中的技术方案，其具体实现过程和技术原理参见图2所示方法中的相关描述，此处不再赘述。

图7为本发明实施例六提供的地图的质检装置的结构示意图，如图7所示，本实施例的地图的质检装置在图6所示的装置的基础上还可以包括：

判别模块34，用于在地图上显示目标区域之后，获取目标区域对应的问题类型信息；

发送模块35，用于将目标区域对应的问题类型信息发送给终端设备。

在一种可能的设计中，获取目标区域对应的问题类型包括：

从地图中获取目标区域对应的图像块；

将图像块输入到预设的深度学习模型中，得到目标区域对应的问题类型。

在一种可能的设计中，所述问题类型包括：车道线压线、车道线连接错误、车道线断线。

在一种可能的设计中，还包括：

建议模块，用于生成所述目标区域对应的修改建议。

在一种可能的设计中，所述建议模块，具体用于通过预设的深度学习模型判别所述目标区域对应的问题类型；根据所述问题类型，输出与所述目标区域对应的修改建议。

在一种可能的设计中，通过预设的深度学习模型判别所述目标区域对应的问题类型，包括：

从所述地图中获取所述目标区域对应的图像块；

将所述图像块输入到所述预设的深度学习模型中，由所述预设的深度学习模型判别出所述目标区域对应的问题类型。

在一种可能的设计中，所述修改建议包括：所述问题类型被解决后所对应的参考图片、所述问题类型对应解决策略。

在一种可能的设计中，所述呈现模块，还用于在生成所述目标区域对应的修改建议之后，在所述地图的目标区域处显示所述修改建议，和/或将所述修改建议发送给终端设备。

本实施例，通过获取地图上各个区域的热力值；其中，热力值用于表征对应区域的可靠性；热力值越高，则对应区域的可靠性越差；确定热力值大于预设阈值的区域为目标区域；在地图上显示目标区域。从而使得地图质检人员可以快速的确定出有问题的区域，进而对该区域进行修正，减少了人工检测的时间，降低了人力成本；缩短了地图生产的时间，提高了地图的生产效率。

另外，本实施获取目标区域对应的问题类型，可以让质检人员快速定位地图问题类型以及可能的原因，提高了地图质检、修正的效率。

本实施例的地图的质检装置，可以执行图2～图5所示方法中的技术方案，其具体实现过程和技术原理参见图2～图5所示方法中的相关描述，此处不再赘述。

图8为本发明实施例七提供的地图的质检系统的结构示意图，如图8所示，本实施例的地图的质检系统40可以包括：处理器41和存储器42。

存储器42，用于存储计算机程序(如实现上述地图的质检方法的应用程序、功能模块等)、计算机指令等；

上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器42中。并且上述的计算机程序、计算机指令、数据等可以被处理器41调用。

处理器41，用于执行存储器42存储的计算机程序，以实现上述实施例涉及的方法中的各个步骤。

具体可以参见前面方法实施例中的相关描述。

处理器41和存储器42可以是独立结构，也可以是集成在一起的集成结构。当处理器41和存储器42是独立结构时，存储器42、处理器41可以通过总线43耦合连接。

本实施例的服务器可以执行图2～图5所示方法中的技术方案，其具体实现过程和技术原理参见图2～图5所示方法中的相关描述，此处不再赘述。

此外，本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，当用户设备的至少一个处理器执行该计算机执行指令时，用户设备执行上述各种可能的方法。

其中，计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。另外，该ASIC可以位于用户设备中。当然，处理器和存储介质也可以作为分立组件存在于通信设备中。

本申请还提供一种程序产品，程序产品包括计算机程序，计算机程序存储在可读存储介质中，服务器的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得服务器实施上述本发明实施例任一的地图的质检方法。

本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或对其中部分或全部技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (14)

1.一种地图的质检方法，其特征在于，包括：

获取地图上各个区域的热力值，其中，每一个区域的热力值用于表征区域的可靠性，热力值与热力值所对应的区域的可靠值呈负相关的映射关系；

确定所述热力值大于预设阈值的区域为目标区域；

在所述地图上显示所述目标区域；

所述获取地图上各个区域的热力值，包括：

根据所述热力值判定条件，获取各个区域的热力值；

所述热力值判定条件至少包括以下一种：区域的置信度、区域内车道线上的每一点的局部曲率值、区域内车道线之间的重合度、区域内车道线之间的角度差值。

2.根据权利要求1所述的方法，其特征在于，

置信度与置信度所对应的区域的热力值呈负相关的映射关系，所述置信度是在生成地图过程中自动获取到的；

局部曲率值与局部曲率值所对应区域的热力值呈负相关的映射关系；其中，局部曲率值为车道线上任一点与该点的上一点连线，以及与该点的下一点连线之间的夹角；

重合度与重合度对应区域的热力值呈正相关的映射关系；其中，车道线之间的距离与重合度呈负相关的映射关系；

角度差值与角度差值对应区域的热力值呈正相关的映射关系。

3.根据权利要求2所述的方法，其特征在于，根据所述热力值判定条件，获取各个区域的热力值，包括：

若所述热力值判定条件为一个以上时，确定各个热力值判定条件对应的权重值；

根据各个判定条件对应的权重值，获取区域内每个热力值判定条件所对应的热力值分量；

将区域内所有热力值判定条件所对应的热力值分量之和，作为所述区域的热力值。

4.根据权利要求1所述的方法，其特征在于，在所述地图上显示所述目标区域之后，还包括：

获取所述目标区域对应的问题类型。

5.根据权利要求4所述的方法，其特征在于，获取所述目标区域对应的问题类型，包括：

从所述地图中获取所述目标区域对应的图像块；

将所述图像块输入到所述预设的深度学习模型中，得到所述目标区域对应的问题类型。

6.根据权利要求4所述的方法，其特征在于，所述问题类型包括：车道线压线、车道线连接错误、车道线断线。

7.根据权利要求1-6中任一项所述的方法，其特征在于，在所述地图上显示所述目标区域之后，还包括：

生成所述目标区域对应的修改建议。

8.根据权利要求7所述的方法，其特征在于，生成所述目标区域对应的修改建议，包括：

通过预设的深度学习模型判别所述目标区域对应的问题类型；

根据所述问题类型，输出与所述目标区域对应的修改建议。

9.根据权利要求8所述的方法，其特征在于，通过预设的深度学习模型判别所述目标区域对应的问题类型，包括：

从所述地图中获取所述目标区域对应的图像块；

将所述图像块输入到所述预设的深度学习模型中，由所述预设的深度学习模型判别出所述目标区域对应的问题类型。

10.根据权利要求7所述的方法，其特征在于，所述修改建议包括：问题类型被解决后所对应的参考图片、所述问题类型对应解决策略。

11.根据权利要求7所述的方法，其特征在于，在生成所述目标区域对应的修改建议之后，还包括：

在所述地图的目标区域处显示所述修改建议，和/或将所述修改建议发送给终端设备。

12.一种地图的质检装置，其特征在于，包括：

获取模块，用于获取地图上各个区域的热力值；其中，每一个区域的热力值用于表征区域的可靠性；热力值与热力值所对应的区域的可靠值呈负相关的映射关系；

确定模块，用于确定所述热力值大于预设阈值的区域为目标区域；

显示模块，用于在所述地图上显示所述目标区域；

所述获取模块，具体用于根据所述热力值判定条件，获取各个区域的热力值；

所述热力值判定条件至少包括以下一种：

区域的置信度、区域内车道线上的每一点的局部曲率值、区域内车道线之间的重合度、区域内车道线之间的角度差值。

13.一种地图的质检系统，其特征在于，包括：存储器和处理器，存储器中存储有所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1-11任一项所述的地图的质检方法。

14.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-11任一项所述的地图的质检方法。

Images