CN112529086B - 停止线生成方法、电子装置和存储介质 - Google Patents

Abstract

本发明公开一种电子装置、停止线生成方法和存储介质，该方法包括：根据所述轨迹数据确定停车点；从确定的停车点中删除堵车点，得到处理后的停车点；对处理后的停车点进行聚类，得到每个处理后的停车点对应的停车区；计算每个停车区内每个所述处理后的停车点的特征；将训练集内所述处理后的停车点作为训练停车点，训练得到停止线预测模型；将测试集内所述处理后停车点作为输入停车点，学习得到每个输入停车点对应的预测停止线点的位置及方向；基于每个所述输入停车点对应的预测停止线点的位置及方向计算得到每个所述输入停车点对应的预测停止线。本申请实施例能够从各种类型的轨迹数据中提取停止线。

Description

停止线生成方法、电子装置和存储介质

技术领域

本发明涉及自动驾驶领域，特别涉及一种停止线生成方法、电子装置和存储介质。

背景技术

停止线作为众包高精度地图的要素之一，也是智能驾驶不可或缺的要素，对于众包采集的原始轨迹数据，在没有车道线、红绿灯等其他要素的情况下，想要得到正确的拓扑，先得到停止线是其至关重要的步骤。在高精度采集数据时，停止线可能会有所缺失，同时也可能出现轨迹采集量不足，缺少转向轨迹的情况。以往的基于原始轨迹生成停止线的方法只能基于转向轨迹生成停止线，无法处理直行轨迹的情景。

发明内容

本发明的主要目的是提供一种停止线生成方法，旨在实现能够从各种类型的轨迹数据中提取停止线，从而提高众包高精度地图的精度和完整性。

为实现上述目的，本发明提出的一种停止线生成方法，该方法包括步骤：

获取轨迹数据；

根据所述轨迹数据确定停车点；

根据所述轨迹数据中停车点之间的相对位置及方向关系，从确定的停车点中删除堵车点，得到处理后的停车点；

对处理后的停车点进行聚类，得到每个处理后的停车点对应的停车区；

计算每个停车区内每个所述处理后的停车点的特征；

获取有停止线真值的停车区，并将有停止线真值的停车区内的所述处理后的停车点划分成训练集和测试集；

将所述训练集内所述处理后的停车点作为训练停车点，并根据所述训练停车点的特征及所述训练停车点对应的停止线真值训练得到停止线预测模型；

将所述测试集内所述处理后停车点作为输入停车点，将所述输入停车点的特征作为所述停止线预测模型的输入，学习得到每个输入停车点对应的预测停止线点的位置及方向；

基于每个所述输入停车点对应的预测停止线点的位置及方向及每个所述输入停车点对应的轨迹覆盖信息，计算得到每个所述输入停车点对应的预测停止线。

优选地，在根据所述轨迹数据确定停车点之前，所述方法还包括：

对所述轨迹数据预处理，所述预处理包括以下一种或者多种组合：将不同数据源的坐标体系下的数据归一化处理、将字段统一化及删除速度为空的轨迹点。

优选地，所述根据所述轨迹数据确定停车点包括：

利用所述轨迹数据中的轨迹点的速度特征提取所述停车点。

优选地，所述利用所述轨迹数据中的轨迹点的速度特征提取所述停车点包括：

将所述轨迹数据中的轨迹点的速度不超过预设速度阈值的点确定为停车点。

优选地，计算每个停车区内每个所述处理后的停车点的特征包括：

提取每个停车区内的关键点；

对每个停车区内的关键点进行聚类，得到每个停车区对应的虚拟路口；

计算每个停车区内每个处理后的停车点和其对应虚拟路口的中心点之间的距离作为每个处理后的停车点的一个训练特征。

优选地，计算每个停车区内每个所述处理后的停车点的特征包括：

计算每个停车区内每个所述处理后的停车点与其所在的停车区内最前方停车点之间的距离作为每个处理后的停车点的一个训练特征。

优选地，基于每个所述输入停车点对应的预测停止线点的位置及方向及每个所述输入停车点对应的轨迹覆盖信息，计算得到每个所述输入停车点对应的预测停止线包括：

在相同停车区内确定预测停止线点的坐标、方向均值作为每个输入停车点对应的停止线点的最终预测结果；

根据每个所述输入停车点对应的轨迹覆盖信息及每个输入停车点对应的停止线点的最终预测结果，计算得到每个所述输入停车点对应的预测停止线。

优选地，所述方法还包括：

从所述预测停止线中，筛选没有匹配感知停止线但前方存在属于同一路口的感知停止线的预测停止线，将筛选的预测停止线作为补充感知缺失的停止线。

本发明还提出的一种电子装置，所述电子装置包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的停止线生成方法，所述停止线生成方法被所述处理器执行时实现任一实施例所述的停止线生成方法。

本发明还提出一种计算机可读存储介质，所述计算机可读存储介质存储有停止线生成程序，所述停止线生成程序可被至少一个处理器执行，以使所述至少一个处理器执行上述任一实施例所述的停止线生成方法。

本发明实施例提供的技术方案，获取轨迹数据；根据所述轨迹数据确定停车点；根据所述轨迹数据中停车点之间的相对位置及方向关系，从确定的停车点中删除堵车点，得到处理后的停车点；对处理后的停车点进行聚类，得到每个处理后的停车点对应的停车区；计算每个停车区内每个所述处理后的停车点的特征；获取有停止线真值的停车区，并将有停止线真值的停车区内的所述处理后的停车点划分成训练集和测试集；将所述训练集内所述处理后的停车点作为训练停车点，并根据所述训练停车点的特征及所述训练停车点对应的停止线真值训练得到停止线预测模型；将所述测试集内所述处理后停车点作为输入停车点，将所述输入停车点的特征作为所述停止线预测模型的输入，学习得到每个输入停车点对应的预测停止线点的位置及方向；基于每个所述输入停车点对应的预测停止线点的位置及方向及每个所述输入停车点对应的轨迹覆盖信息，计算得到每个所述输入停车点对应的预测停止线。本申请实施例旨在实现能够从各种类型的轨迹数据中提取停止线，从而提高众包高精度地图的精度和完整性。

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简单地介绍，显而易见地，下面描述中的附图仅仅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的前提下，还可以根据这些附图示出的结构获得其他的附图。

图1为本发明停止线生成方法一实施例的流程示意图；

图2(a)为本发明一实施例提供的原始轨迹点数据；

图2(b)为本发明一实施例提供的从原始数据中提取到的非堵车停车点；

图2(c)为本发明一实施例提供的最终的预测停止线点结果；

图2(d)为本发明一实施例提供的根据轨迹覆盖信息绘制的预测停止线；

图2(e)为本发明一实施例中预测停止线与停止线真值之间的对应关系；

图3为本发明停止线生成方法另一实施例的流程示意图；

图4(a)为本发明一实施例提供的非堵车停车点；

图4(b)为本发明一实施例提供的虚拟路口；

图4(c)为本发明一实施例提供的预测停止线点；

图4(d)为本发明一实施例提供的根据轨迹覆盖信息绘制的预测停止线；

图4(e)为本发明一实施例中可补充感知未识别的预测停止线；

图5为本发明停止线生成程序一实施例的运行环境示意图；

图6为本发明停止线生成程序一实施例的程序模块图；

图7为本发明停止线生成程序另一实施例的程序模块图；

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

如图1所示，图1为本发明停止线生成方法一实施例的流程示意图。

停止线作为众包高精度地图的要素之一，也是智能驾驶不可或缺的要素，对于众包采集的原始轨迹数据，在没有车道线、红绿灯等其他要素的情况下，想要得到正确的拓扑，先得到停止线是其至关重要的步骤。在高精度采集数据时，停止线可能会有所缺失，同时也可能出现轨迹采集量不足，缺少转向轨迹的情况。以往的基于原始轨迹生成停止线的方法只能基于转向轨迹生成停止线，无法处理直行轨迹的情景。

本一实施例中，该停止线生成方法包括：

步骤S1、获取轨迹数据。

在本实施例中，该轨迹数据包括以下一种或者多种的组合直行轨迹数据及转向轨迹数据。如图2(a)为本发明一实施例提供的原始轨迹点数据。

在该实施例中，车辆在行驶过程中可以采集轨迹数据，轨迹数据中有个多个轨迹点，每个轨迹点有对应的采集的速度。由于车辆在采集时是有位置坐标和行驶方向的，因此每个轨迹点也有对应的坐标位置及方向。

在一实施例中，获取到轨迹数据后，要对所述轨迹数据预处理，所述预处理包括以下一种或者多种组合：将不同数据源的坐标体系下的数据归一化处理、将字段统一化及删除速度为空的轨迹点。在这一步会统一处理，为后面的处理步骤提供了一个统一的数据接口。

步骤S2、根据所述轨迹数据确定停车点。

在本实施例中，可以根据车辆在停止线附近速度较小这个一般的运动趋势，利用速度特征提取出所有停车点。即，利用所述轨迹数据中的轨迹点的速度特征提取所述停车点。

进一步地，所述利用所述轨迹数据中的轨迹点的速度特征提取所述停车点包括：

将所述轨迹数据中的轨迹点的速度不超过预设速度阈值的点确定为停车点。

步骤S3、根据所述轨迹数据中停车点之间的相对位置及方向关系，从确定的停车点中删除堵车点，得到处理后的停车点。图2(b)为本发明一实施例提供的从原始数据中提取到的非堵车停车点。

在本实施例中，由于在堵车时，轨迹点的速度也会很小，因此可以根据所述轨迹数据中停车点之间的相对位置及方向关系找出堵车点。例如对一个停车点A而言，若停车点A前方没有角度差为预设值(如90/180/270)的其他停车点，则停车点A视为堵车点。通过删除堵车点，可以进一步精度提取停车点，从而过滤噪声数据。

步骤S4、对处理后的停车点进行聚类，得到每个处理后的停车点对应的停车区。

在本实施例中，利用预设聚类方法对处理后的停车点进行聚类，得到每个处理后的停车点对应的停车区，其中预设聚类方法包括但不限于：密度聚类法或者与密度聚类相似的聚类方法或者改进k均值聚类法等非监督聚类方法。

在一实施例中，在对处理后的停车点进行聚类，得到聚类结果后，并删除没有在聚类结果中的噪声数据。

步骤S5、计算每个停车区内每个所述处理后的停车点的特征。

在一实施中，所述计算每个停车区内每个所述处理后的停车点的特征包括：

提取每个停车区内的关键点；

对每个停车区内的关键点进行聚类，得到每个停车区对应的虚拟路口；

计算每个停车区内每个处理后的停车点和其对应虚拟路口的中心点之间的距离作为每个处理后的停车点的一个训练特征。

在上述实施例中，通过构造虚拟路口，并挖掘轨迹中隐含的新特征进行训练，可解释性强，从而提高停止线提取的准确率。

在一实施例中，计算每个停车区内每个所述处理后的停车点的特征包括：

计算每个停车区内每个所述处理后的停车点与其所在的停车区内最前方停车点之间的距离作为每个处理后的停车点的一个训练特征。

步骤S6、获取有停止线真值的停车区，并将有停止线真值的停车区内的所述处理后的停车点划分成训练集和测试集。

在该实施例中，停止线真值是通过实际测绘仪器采集得到。把具有真值停止线的停车区划分为训练集和测试集两个相互独立的部分，其中训练集和测试集可以存放在不同的区域。

步骤S7、将所述训练集内所述处理后的停车点作为训练停车点，并根据所述训练停车点的特征及所述训练停车点对应的停止线真值训练得到停止线预测模型。

在本实施例中，停止线真值是通过实际测绘仪器采集得到。

在一实施例中，将所述训练停车点的特征及所述训练停车点对应的停止线真值作为LightGBM(Light Gradient Boosting Machine)算法的输入，多次训练得到停止线预测模型，后续通过停止线预测模型可以得到预测停止线点的位置及方向。

其中LightGBM是微软开源的一个实现GBDT(Gradient Boosting Decision Tree)算法的框架，支持高效率的并行训练。GBDT是机器学习中一个长盛不衰的模型，其主要思想是利用弱分类器(决策树)迭代训练以得到最优模型，该模型具有训练效果好、不易过拟合等优点。LightGBM的提出是为了解决GBDT在处理海量数据时遇到的问题，使GBDT可以更好地用于工业实践。其具有的优点有：训练速度更快、内存消耗更低、准确率更高、支持分布式，可以快速处理海量数据。

步骤S8、将所述测试集内所述处理后停车点作为输入停车点，将所述输入停车点的特征作为所述停止线预测模型的输入，学习得到每个输入停车点对应的预测停止线点的位置及方向。

在本实施例中，对于所述测试集内的数据作为所述停止线预测模型的输入可以用于测试模型的训练的准确度，从而可以预测得到每个输入停车点对应的预测停止线点的位置及方向，便于后续得到预测停止线。

步骤S9、基于每个所述输入停车点对应的预测停止线点的位置及方向及每个所述输入停车点对应的轨迹覆盖信息，计算得到每个所述输入停车点对应的预测停止线。

在一实施例中，基于每个所述输入停车点对应的预测停止线点的位置及方向及每个所述输入停车点对应的轨迹覆盖信息，计算得到每个所述输入停车点对应的预测停止线包括：

在相同停车区内确定预测停止线点的坐标、方向均值作为每个输入停车点对应的停止线点的最终预测结果；

根据每个所述输入停车点对应的轨迹覆盖信息及每个输入停车点对应的停止线点的最终预测结果，计算得到每个所述输入停车点对应的预测停止线。

在上述实施例中，在得到最终停止线点的最终预测结果后，可以根据停止线点的周边区域的同方向的轨迹覆盖区域，将最终停止线点拉长为线即可得到预测停止线。如图2(c)为本发明一实施例提供的最终的预测停止线点结果,图2(d)为本发明一实施例提供的根据轨迹覆盖信息绘制的预测停止线，图2(e)为本发明一实施例中预测停止线与停止线真值之间的对应关系。

本发明实施例提供的技术方案，获取轨迹数据；根据所述轨迹数据确定停车点；根据所述轨迹数据中停车点之间的相对位置及方向关系，从确定的停车点中删除堵车点，得到处理后的停车点；对处理后的停车点进行聚类，得到每个处理后的停车点对应的停车区；计算每个停车区内每个所述处理后的停车点的特征；获取有停止线真值的停车区，并将有停止线真值的停车区内的所述处理后的停车点划分成训练集和测试集；将所述训练集内所述处理后的停车点作为训练停车点，并根据所述训练停车点的特征及所述训练停车点对应的停止线真值训练得到停止线预测模型；将所述测试集内所述处理后停车点作为输入停车点，将所述输入停车点的特征作为所述停止线预测模型的输入，学习得到每个输入停车点对应的预测停止线点的位置及方向；基于每个所述输入停车点对应的预测停止线点的位置及方向及每个所述输入停车点对应的轨迹覆盖信息，计算得到每个所述输入停车点对应的预测停止线。本申请实施例旨在实现能够从各种类型(转弯，直行)的轨迹数据中提取停止线，一致性地处理两者及两者以上同时存在的情景，无需单独处理直行轨迹和弯道轨迹，可一致性地处理所有类型的轨迹数据，提高预测停止线的效率，提高众包高精度地图的精度和完整性。

在一实施例中，在高精度采集数据时，停止线可能会有所缺失。现有技术在通过预测方法得到预测停止线后，也无法自动识别那些可作为对感知停止线补充的可靠结果。

在一实施例中，在S9之后，所述方法还包括：

S10、从所述预测停止线中，筛选没有匹配感知停止线但前方存在属于同一路口的感知停止线的预测停止线，将筛选的预测停止线作为补充感知缺失的停止线。

进一步地，预测停止线的位置没有对应的感知停止线，但预测停止线前方具有与其角度差值为预设值(如90/180/270)的其他感知停止线，可以将该预测停止线作为其对应的其他感知停止线的补充。

在上述实施中，例如图4(a)为本发明一实施例提供的非堵车停车点；图4(b)为本发明一实施例提供的虚拟路口；图4(c)为本发明一实施例提供的预测停止线点；图4(d)为本发明一实施例提供的根据轨迹覆盖信息绘制的预测停止线；图4(e)为本发明一实施例中可补充感知未识别的预测停止线。

在上述实施例中，自动识别可作为对感知停止线进行补充的可靠预测结果，减少人工干预。

请参阅图5，是本发明停止线生成程序10较佳实施例的运行环境示意图。

在本实施例中，停止线生成程序10安装并运行于电子装置1中。电子装置1可以是桌上型计算机、笔记本、掌上电脑及服务器等计算设备。该电子装置1可包括，但不仅限于，存储器11、处理器12及显示器13。图5仅示出了具有组件11-13的电子装置1，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。

存储器11是一种计算机存储介质，在一些实施例中可以是电子装置1的内部存储单元，例如该电子装置1的硬盘或内存。存储器11在另一些实施例中也可以是电子装置1的外部存储设备，例如电子装置1上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器11还可以既包括电子装置1的内部存储单元也包括外部存储设备。存储器11用于存储安装于电子装置1的应用软件及各类数据，例如停止线生成程序10的程序代码等。存储器11还可以用于暂时地存储已经输出或者将要输出的数据。

处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)，微处理器或其他数据处理芯片，用于运行存储器11中存储的程序代码或处理数据，例如执行停止线生成程序10等。

显示器13在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。显示器13用于显示在电子装置1中处理的信息以及用于显示可视化的用户界面，例如业务定制界面等。电子装置1的部件11-13通过系统总线相互通信。

图5仅示出了具有部件的电子装置，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子装置1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。

例如，尽管未示出，所述电子装置1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器12逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子装置1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。

进一步地，所述电子装置1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子装置1与其他电子装置之间建立通信连接。

可选地，该电子装置1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子装置1中处理的信息以及用于显示可视化的用户界面。

应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。

请参阅图6，是本发明停止线生成程序10一实施例的程序模块图。在本实施例中，停止线生成程序10可以被分割成一个或多个模块，一个或者多个模块被存储于存储器11中，并由一个或多个处理器(本实施例为处理器12)所执行，以完成本发明。本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段，比程序更适合于描述停止线生成程序10在电子装置1中的执行过程，其中：

在本实施例中，关于各模块/单元的功能如下：

获取模块101获取轨迹数据；

确定模块102根据所述轨迹数据确定停车点；

删除模块103根据所述轨迹数据中停车点之间的相对位置及方向关系，从确定的停车点中删除堵车点，得到处理后的停车点；

聚类模块104对处理后的停车点进行聚类，得到每个处理后的停车点对应的停车区；

计算模块105计算每个停车区内每个所述处理后的停车点的特征；

所述获取模块101获取有停止线真值的停车区，并将有停止线真值的停车区内的所述处理后的停车点划分成训练集和测试集；

训练模块106将所述训练集内所述处理后的停车点作为训练停车点，并根据所述训练停车点的特征及所述训练停车点对应的停止线真值训练得到停止线预测模型；

所述计算模块105将所述测试集内所述处理后停车点作为输入停车点，将所述输入停车点的特征作为所述停止线预测模型的输入，学习得到每个输入停车点对应的预测停止线点的位置及方向；

所述计算模块105基于每个所述输入停车点对应的预测停止线点的位置及方向及每个所述输入停车点对应的轨迹覆盖信息，计算得到每个所述输入停车点对应的预测停止线。

上述模块的详细实现步骤与方法类似，在此不再赘述。本发明实施例提供的技术方案，获取轨迹数据；根据所述轨迹数据确定停车点；根据所述轨迹数据中停车点之间的相对位置及方向关系，从确定的停车点中删除堵车点，得到处理后的停车点；对处理后的停车点进行聚类，得到每个处理后的停车点对应的停车区；计算每个停车区内每个所述处理后的停车点的特征；获取有停止线真值的停车区，并将有停止线真值的停车区内的所述处理后的停车点划分成训练集和测试集；将所述训练集内所述处理后的停车点作为训练停车点，并根据所述训练停车点的特征及所述训练停车点对应的停止线真值训练得到停止线预测模型；将所述测试集内所述处理后停车点作为输入停车点，将所述输入停车点的特征作为所述停止线预测模型的输入，学习得到每个输入停车点对应的预测停止线点的位置及方向；基于每个所述输入停车点对应的预测停止线点的位置及方向及每个所述输入停车点对应的轨迹覆盖信息，计算得到每个所述输入停车点对应的预测停止线。本申请实施例旨在实现能够从各种类型的轨迹数据中提取停止线，从而提高众包高精度地图的精度和完整性。

如图7为本发明停止线生成程序另一实施例的程序模块图，处理包括上述模块外，还可以包括以下模块：

筛选模块107从所述预测停止线中，筛选没有匹配感知停止线但前方存在属于同一路口的感知停止线的预测停止线，将筛选的预测停止线作为补充感知缺失的停止线。

进一步地，所述电子装置1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。

所述计算机可读存储介质上存储有停止线生成程序，所述停止线生成程序可被一个或多个处理器执行，以实现如下操作：

获取轨迹数据；

根据所述轨迹数据确定停车点；

根据所述轨迹数据中停车点之间的相对位置及方向关系，从确定的停车点中删除堵车点，得到处理后的停车点；

对处理后的停车点进行聚类，得到每个处理后的停车点对应的停车区；

计算每个停车区内每个所述处理后的停车点的特征；

获取有停止线真值的停车区，并将有停止线真值的停车区内的所述处理后的停车点划分成训练集和测试集；

将所述训练集内所述处理后的停车点作为训练停车点，并根据所述训练停车点的特征及所述训练停车点对应的停止线真值训练得到停止线预测模型；

将所述测试集内所述处理后停车点作为输入停车点，将所述输入停车点的特征作为所述停止线预测模型的输入，学习得到每个输入停车点对应的预测停止线点的位置及方向；

基于每个所述输入停车点对应的预测停止线点的位置及方向及每个所述输入停车点对应的轨迹覆盖信息，计算得到每个所述输入停车点对应的预测停止线。

进一步地，所述电子装置1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。

所述计算机可读存储介质上存储有停止线生成程序，所述停止线生成程序可被一个或多个处理器执行，以实现如下操作：

在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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实施例方案的目的。

另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。

因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。

此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (9)

1.一种停止线生成方法，其特征在于，该方法包括步骤：

获取轨迹数据；

根据所述轨迹数据确定停车点；

根据所述轨迹数据中停车点之间的相对位置及方向关系，从确定的停车点中删除堵车点，得到处理后的停车点；

对处理后的停车点进行聚类，得到每个处理后的停车点对应的停车区；

计算每个停车区内每个所述处理后的停车点的特征；

其中，所述计算每个停车区内每个所述处理后的停车点的特征包括：

提取每个停车区内的关键点；

对每个停车区内的关键点进行聚类，得到每个停车区对应的虚拟路口；

计算每个停车区内每个处理后的停车点和其对应虚拟路口的中心点之间的距离作为每个处理后的停车点的一个训练特征；

获取有停止线真值的停车区，并将有停止线真值的停车区内的所述处理后的停车点划分成训练集和测试集；

将所述训练集内所述处理后的停车点作为训练停车点，并根据所述训练停车点的特征及所述训练停车点对应的停止线真值训练得到停止线预测模型；

将所述测试集内所述处理后停车点作为输入停车点，将所述输入停车点的特征作为所述停止线预测模型的输入，学习得到每个输入停车点对应的预测停止线点的位置及方向；

基于每个所述输入停车点对应的预测停止线点的位置及方向及每个所述输入停车点对应的轨迹覆盖信息，计算得到每个所述输入停车点对应的预测停止线。

2.如权利要求1所述的停止线生成方法，其特征在于，在根据所述轨迹数据确定停车点之前，所述方法还包括：

对所述轨迹数据预处理，所述预处理包括以下一种或者多种组合：将不同数据源的坐标体系下的数据归一化处理、将字段统一化及删除速度为空的轨迹点。

3.如权利要求1所述的停止线生成方法，其特征在于，所述根据所述轨迹数据确定停车点包括：

利用所述轨迹数据中的轨迹点的速度特征提取所述停车点。

4.如权利要求3所述的停止线生成方法，其特征在于，所述利用所述轨迹数据中的轨迹点的速度特征提取所述停车点包括：

将所述轨迹数据中的轨迹点的速度不超过预设速度阈值的点确定为停车点。

5.如权利要求1所述的停止线生成方法，其特征在于，计算每个停车区内每个所述处理后的停车点的特征包括：

计算每个停车区内每个所述处理后的停车点与其所在的停车区内最前方停车点之间的距离作为每个处理后的停车点的一个训练特征。

6.如权利要求1所述的停止线生成方法，其特征在于，基于每个所述输入停车点对应的预测停止线点的位置及方向及每个所述输入停车点对应的轨迹覆盖信息，计算得到每个所述输入停车点对应的预测停止线包括：

在相同停车区内确定预测停止线点的坐标、方向均值作为每个输入停车点对应的停止线点的最终预测结果；

根据每个所述输入停车点对应的轨迹覆盖信息及每个输入停车点对应的停止线点的最终预测结果，计算得到每个所述输入停车点对应的预测停止线。

7.如权利要求1所述的停止线生成方法，其特征在于，所述方法还包括：

从所述预测停止线中，筛选没有匹配感知停止线但前方存在属于同一路口的感知停止线的预测停止线，将筛选的预测停止线作为补充感知缺失的停止线。

8.一种电子装置，其特征在于，包括存储器、处理器及存储在所述存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述的停止线生成方法的步骤。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有停止线生成方法，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的停止线生成方法的步骤。

Images