CN112926630B - 路线规划方法、装置、电子设备以及计算机可读介质 - Google Patents
路线规划方法、装置、电子设备以及计算机可读介质 Download PDFInfo
- Publication number
- CN112926630B CN112926630B CN202110130050.1A CN202110130050A CN112926630B CN 112926630 B CN112926630 B CN 112926630B CN 202110130050 A CN202110130050 A CN 202110130050A CN 112926630 B CN112926630 B CN 112926630B
- Authority
- CN
- China
- Prior art keywords
- gate
- information
- data
- user
- historical driving
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000001514 detection method Methods 0.000 claims description 37
- 238000012549 training Methods 0.000 claims description 25
- 230000011218 segmentation Effects 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 16
- 238000004590 computer program Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 206010039203 Road traffic accident Diseases 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
- G06F18/2193—Validation; Performance evaluation; Active pattern learning techniques based on specific statistical tests
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
- G01C21/343—Calculating itineraries, i.e. routes leading from a starting point to a series of categorical destinations using a global route restraint, round trips, touristic trips
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3461—Preferred or disfavoured areas, e.g. dangerous zones, toll or emission zones, intersections, manoeuvre types, segments such as motorways, toll roads, ferries
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种路线规划方法和装置，涉及人工智能技术领域，尤其涉及深度学习、智能交通、计算机视觉等技术领域。具体实现方案为：获取用户的历史驾驶图像和轨迹数据；提取历史驾驶图像中的大门区域信息；识别轨迹数据对应的大门的位置概率信息；基于位置概率信息以及大门区域信息，确定大门位置信息；在向用户推荐的导航规划路线中添加大门位置信息。该实施方式提高了导航识别的精确度。
Description
技术领域
本申请涉及人工智能技术领域，具体涉及深度学习、智能交通、计算机视觉等技术领域，尤其涉及一种路线规划方法、装置、电子设备、计算机可读介质以及计算机程序产品。
背景技术
现有的导航产品的路径规划中未充分考虑到可能存在安全隐患，比如公司大门、学校大门和私宅大门人员频繁出入的路段，当车辆通过该路段时，导航产品无法给出可靠的路径导航参考信息。
发明内容
提供了一种路线规划方法、装置、电子设备、计算机可读介质以及计算机程序产品。
根据第一方面，提供了一种路线规划方法，上述方法包括：获取用户的历史驾驶图像和轨迹数据；提取历史驾驶图像中的大门区域信息；识别轨迹数据对应的大门的位置概率信息；基于位置概率信息以及大门区域信息，确定大门位置信息；在向用户推荐的导航规划路线中添加大门位置信息。
根据第二方面，提供了一种路线规划装置，该装置包括：获取单元，被配置成获取用户的历史驾驶图像和轨迹数据；提取单元，被配置成提取历史驾驶图像中的大门区域信息；识别单元，被配置成识别轨迹数据对应的大门的位置概率信息；确定单元，被配置成基于位置概率信息以及大门区域信息，确定大门位置信息；添加单元，被配置成在向用户推荐的导航规划路线中添加大门位置信息。
根据第三方面，提供了一种电子设备，该电子设备包括：至少一个处理器；以及与至少一个处理器通信连接的存储器，其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面任一实现方式描述的方法。
根据第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行如第一方面任一实现方式描述的方法。
根据第五方面，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如第一方面任一实现方式描述的方法。
本申请的实施例提供的路线规划方法和装置，首先，获取用户的历史驾驶图像和轨迹数据；其次，提取历史驾驶图像中的大门区域信息；再次，识别轨迹数据对应的大门的位置概率信息；从次，基于位置概率信息以及大门区域信息，确定大门位置信息；最后，在向用户推荐的导航规划路线中添加大门位置信息。由此，依据用户历史驾驶图像以及用户历史轨迹大数据，精确识别到大门位置信息，并将识别到的大门位置信息应用于导航规划路线中，从而在用户车辆的导航过程中，为用户提供可靠参考，提高了导航识别的精确度，减少了交通事故。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是根据本申请路线规划方法的一个实施例的流程图；
图2是本申请提取历史驾驶图像中的大门区域信息的方法的一种流程图；
图3是本申请提取历史驾驶图像中的大门区域信息过程示意图；
图4是本申请识别轨迹数据对应的大门的位置概率信息的方法的一种流程图；
图5是根据本申请路线规划装置的实施例的结构示意图；
图6是用来实现本申请实施例的路线规划方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1示出了根据本申请路线规划方法的一个实施例的流程100，上述路线规划方法包括以下步骤：
步骤101，获取用户的历史驾驶图像和轨迹数据。
本实施例中，路线规划方法运行于其上的执行主体可以通过有线或者无线等方式获取用户的历史驾驶图像和轨迹数据，执行主体还可以从客户端或者内存中获取用户的历史驾驶图像和轨迹数据，实践中，执行主体可以是用户车辆导航系统中的服务器，通过执行主体可以采集用户的历史驾驶图像和轨迹数据。
本实施例中，轨迹数据是UGC(User Generated Content，用户产生内容)轨迹大数据，例如，轨迹数据是由执行主体采集的用户行车过程中的行为数据，轨迹数据包括：车辆速度、行驶时间、道路偏移量、道路通行量、车辆行驶位置、行驶路况等，轨迹数据以数据点为单位，轨迹数据中各个数据点中存储的用户行为数据不同。本实施例中，历史驾驶图像可以是由车载摄像头拍摄的道路图像以及道路周围物体的图像，车辆运行过程中，通过车载摄像头可以将车辆运行过程中路过的所有物体拍摄下来，得到历史驾驶图像。
本实施例中，历史驾驶图像可以与全部的轨迹数据一一对应设置，即轨迹数据中每个数据点均有对应的历史驾驶图像，各数据点与其对应的驾驶图像通过相同的时间或者ID进行标识；历史驾驶图像也可以与轨迹数据部分对应，即轨迹数据中某些数据点与历史驾驶图像对应。
步骤102，提取历史驾驶图像中的大门区域信息。
本实施例中，大门区域信息包括：大门在图像中的位置、大门形状、大门类型等。
本实施例中，可以通过图像识别软件提取历史驾驶图像中的大门图像。还可以通过训练大门识别模型采集历史驾驶图像中的大门形状(扇形、椭圆形等)以及大门类型(平开门、伸缩门、推拉门、折叠门等)。
作为一个示例，可以采用已训练完成的目标检测模型对不同类型大门进行分类，并标注出历史驾驶图像中所有类别的大门框出大门所在位置，该位置可以包括大门的长度、宽度以及大门在整个历史驾驶图像中的原点的坐标。
本实施例中，训练完成的目标检测模型用于检测待测图像中的大门，训练完成的目标检测模型是预先训练好的模型。执行主体在获取包含大门信息的训练样本之后，采用训练样本训练初始目标检测模型，经过对初始目标检测模型的多次训练、评估和算法调参后，获得训练完成的目标检测模型。将包括大门的历史驾驶图像输入训练完成的目标检测模型后，可以得出历史驾驶图像中大门区域信息。
具体地，目标检测模型训练过程可以如下：
1)收集大量包括大门的历史驾驶图像作为训练样本。
2)对训练样本中的大门的类型、大门的形状以及大门位置进行标注，构建数据集。
3)采用诸如卷积神经网络等模型结构构建目标检测模型。然后利用构建的训练样本对目标检测模型进行训练。在训练过程中，可以根据目标检测模型对训练样本的大门检测结果与训练样本的大门标注信息之间的差异确定目标检测模型的误差，利用误差反向传播的方式迭代调整目标检测模型的参数，使其误差逐步缩小。在目标检测模型的误差收敛至一定的范围内或迭代的次数达到预设的次数阈值时可以停止调整参数，得到训练完成的目标检测模型。
本实施例中，训练完成的目标检测模型可以采用的模型结构包括但不限于FasterR-CNN、SSD和YOLO等。
可选地，为了进一步对目标检测模型得到的大门区域信息进行更精细区分，还可以基于不同类型大门的形状，采用机器学习模型对目标检测模型得到的大门区域信息进行判断，从而得到更准确的大门区域信息。
步骤103，识别轨迹数据对应的大门的位置概率信息。
本实施例中，大门的位置概率信息用于表示轨迹数据对应的地理位置中是否有大门以及有大门时的概率值，位置概率信息包括：大门置信度、大门序号、地理位置等，其中大门序号可用于确定当前位置概率信息对应的历史驾驶图像，大门置信度为当前轨迹数据点对应的地理位置中具有大门的概率值。
本实施例中，可以采用机器学习模型对轨迹数据进行分类，得到轨迹数据对应的大门的位置概率信息。其中，机器学习模型可以采用逻辑回归算法、近邻算法、支持向量机、朴素贝叶斯和决策树分类中的一种。
可选地，大门的位置概率信息还可以包括时间，将轨迹数据(或将轨迹数据中提取的特征进行特征融合)做为输入数据，输入到机器学习模型中，机器学习模型输出地理位置和时间对应的大门位置概率信息，通过该位置概率信息可以决策出大门实际出现的路段。
步骤104，基于位置概率信息以及大门区域信息，确定大门位置信息。
本实施例中，大门位置信息包括：大门实际位置(比如大门在世界地图中的坐标值或者大门在历史图像中的坐标值)、大门形状，可选地，大门位置信息还可以包括：参考体的位置，参考体为历史驾驶图像区分不同大门的物体，比如，墙体、建筑等。
本实施例中，可以基于历史驾驶图像与轨迹数据之间的对应关系，确定大门位置信息，比如，当历史驾驶图像与轨迹数据一一对应设置(每帧历史驾驶图像均有与其对应的数据点)时，分别为位置概率信息、大门区域信息设置固定权重值，并通过两者固定权重加权两者，得到轨迹数据对应的大门位置信息。
在本实施例的一些可选实现方式中，基于位置概率信息以及大门区域信息，确定大门位置信息，包括：针对轨迹数据中对应历史驾驶图像的第一数据点，将第一数据点对应的位置概率信息与大门区域信息进行融合，得到第一数据点对应的大门位置信息；针对轨迹数据中没有对应历史驾驶图像的第二数据点，由该位置概率信息确定第二数据点对应的大门位置信息；组合轨迹数据中所有第一数据点与第二数据点对应的大门位置信息，得到轨迹数据对应的大门位置信息。
本可选实现方式中，将大门轨迹数据的所有数据点区分为两种类型，一种是对应有历史驾驶图像的第一数据点，另一种是没有对应历史驾驶图像的第二数据点，针对第一数据点，分别为第一数据点对应的位置概率信息与大门区域信息赋权重值，加权位置概率信息与大门区域信息得到第一数据点对应的大门位置信息；针对第二数据点，将第二数据点对应的位置概率信息对应的轨迹数据中的大门的概率值作为确定大门位置信息的依据，比如，轨迹数据中的大门的概率值为80％，确定与当前轨迹数据对应的实际行车区域为大门位置信息；比如，轨迹数据中的大门的概率值为20％，确定与当前轨迹数据对应的实际行车区域不是大门位置信息。
本可选实现方式中，基于轨迹数据与历史驾驶图像对应情况，在轨迹数据的数据点与历史驾驶图像有对应时，采用轨迹数据的数据点对应位置概率信息与大门区域信息进行融合，得到此数据点对应的大门位置信息；在轨迹数据的数据点与历史图像没有对应时，采用位置概率信息得到该数据点对应的大门位置信息，组合轨迹数据中所有数据点对应的大门位置信息，得到轨迹数据对应的大门位置信息；本可选实现方式中，得到与不同轨迹数据的数据点对应的大门位置信息，可以确保每个数据点对应的大门位置信息可靠性，提高了大门位置信息得到的可靠性。
步骤105，在向用户推荐的导航规划路线中添加大门位置信息。
本实施例中，向用户推荐的导航规划路线是车辆导航系统在用户具有导航需求且用户输入了出发地和目的地之后，向用户推荐的在出发地和目的地之间所有可行驶的路径。
路线规划方法运行与其上的执行主体得到的大门位置信息之后，可以直接将大门实际位置添加到向用户推荐的所有的导航规划路线中，由于大门位置信息包括：大门实际位置，可以使用户通过添加大门位置信息后的导航规划路线确定大门实际位置，预先在大门附近区域减速缓慢行驶。
为了更好地提示用户，在本实施例的一些可选实现方式中，在向用户推荐的导航规划路线中添加了大门位置信息之后，路线规划方法还可以包括：实时获取用户的车辆的运行位置；响应于用户的车辆运行至大门位置信息对应的大门位置的预设距离时，向用户推送注意大门的提示信息。
本可选实现方式中，实时将车辆的运行位置与大门位置信息对应的大门位置进行比较，当车辆的运行位置与大门位置之间的差值小于或等于预设距离时，向用户推送提示信息。预设距离可以根据驾驶员对车辆的操作熟练度设置，比如，预设距离为10米。
本可选实现方式提供的路线规划方法，根据车辆运行的实时位置，发出提示信息以提醒驾驶者预判大门附近的情况，确保了行人和司机双方面的安全。
在车辆的导航服务中，路径规划过程考虑到当前路径大门的具体分布，在向用户推荐的导航规划路线中添加大门位置信息，从而可以为用户提供更加安全的路线规划。
本申请实施例提供的路线规划方法，首先，获取用户的历史驾驶图像和轨迹数据；其次，提取历史驾驶图像中的大门区域信息；再次，识别轨迹数据对应的大门的位置概率信息；从次，基于位置概率信息以及大门区域信息，确定大门位置信息；最后，在向用户推荐的导航规划路线中添加大门位置信息。由此，依据用户历史驾驶图像以及用户历史轨迹大数据，精确识别到大门位置信息，并将识别到的大门位置信息应用于导航规划路线中，从而在用户车辆的导航过程中，为用户提供可靠参考，提高了导航识别的精确度，减少了交通事故。
在上述实施例的基础上，本申请还提供了一种提取历史驾驶图像中的大门区域信息的方法，图2示出了提取历史驾驶图像中的大门区域信息的方法的流程200。上述提取历史驾驶图像中的大门区域信息的方法包括以下步骤：
步骤201，将历史驾驶图像输入训练完成的目标检测模型，得到目标检测模型输出的大门区域特征。
本可选实现方式中，大门区域特征用于表征历史驾驶图像中的大门区域的位置，针对不同类型以及不同形状的大门，大门区域特征不同；如图3所示的推拉式长方形大门，大门区域特征包括：大门长度、宽度、大门图像在单帧历史驾驶图像中的原点坐标、大门类型以及属于当前大门类型置信度等。
本可选实现方式中，目标检测模型可以检测到历史驾驶图像中所有大门，并得到历史驾驶图像中所有大门的大门区域特征。而训练完成的目标检测模型的训练过程前述实施例已经进行了详细介绍，此处不再赘述。
步骤202，将历史驾驶图像输入训练完成的语义分割模型，得到语义分割模型输出的区域位置特征。
本可选实现方式，还可以采用训练完成的语义分割模型提取历史驾驶图像中的区域位置特征，语义分割模型用于对历史驾驶图像中每一个像素点进行分类，确定每个点的类型(如属于背景、人或大门等)，从而进行区域划分，参见图3。
本可选实现方式中，通过语义分割模型得到与原始历史驾驶图像尺寸相同的灰度图，这张灰度图的每一个像素都是一个标签值，将大门相关的所有标签值连接起来，得到区域位置特征，
本实施例中，区域位置特征包括：大门长度、宽度、大门图像在单帧历史驾驶图像中的原点坐标。相对于上述大门区域特征，区域位置特征不包含大门的类型以及当前大门类型的置信度。
需要说明的是，训练完成的语义分割模型的训练过程参见前述实施例中目标检测模型的训练过程。
步骤203，将大门区域特征与区域位置特征进行加权求和，得到大门区域信息。
本可选实现方式中，将大门区域特征与区域位置特征进行加权求和，可以排除掉除区域位置特征之外的大门区域特征，从而实现了历史驾驶图像中的大门位置的有效提取。
参见图3所示，利用目标检测模型完成历史驾驶图像中大门区域的检测，得到目标检测模型输出的大门区域特征；借助语义分割模型(包括但不限于FCN、Unet、Segnet、Deeplab和PSPnet等模型结构)，对历史驾驶图像中进行图像形态学识别，去除识别噪声，仅保留大门分割区域，最后目标检测模型大门区域加权语义分割模型输出的区域位置特征，得到大门区域信息。
本可选实现方式提供的提取大门区域信息的方法，首先通过目标检测模型得到历史驾驶图像中的大门区域特征，其次通过语义分割模型得到历史驾驶图像中的区域位置特征，将大门区域特征与区域位置特征进行加权求和，得到大门图像特征，本实施例中，在目标检测模型进行检测的基础上采用语义分割模型得到区域位置特征对大门区域特征进行了有效区分，保证了大门区域信息提取的有效性。
在上述实施例的基础上，本申请还提供了一种识别轨迹数据对应的大门的位置概率信息的方法，图4示出了识别轨迹数据对应的大门的位置概率信息的方法的流程400。上述识别轨迹数据对应的大门的位置概率信息的方法包括以下步骤：
步骤401，从轨迹数据中提取与大门相关的至少一个驾驶特征。
本可选实现方式中，驾驶特征是与驾驶相关的特征，比如，车辆速度、车辆行驶里程、道路的坡度、道路偏移度、道路通行量等。进一步地，与大门相关的至少一个驾驶特征是驾驶特征中与大门相关的特征，比如大门附近人员通行量、大门附近的道路状况等。
在本实施例的一些可选实现方式中，与大门相关的至少一个驾驶特征包括以下一个或多个特征：速度、通行量以及道路的偏移量。
本可选实现方式中，使与大门相关的至少一个驾驶特征采用速度、通行量以及道路的偏移量中的一个或多个，可以从驾驶速度、人员以及道路不同方面考虑与大门相关的特征，提高了轨迹数据中大门识别的效率。
步骤402，将至少一个驾驶特征输入已训练完成的大门位置识别模型，得到大门位置识别模型输出的大门的位置概率信息。
本可选实现方式中，已训练完成的大门位置识别模型是预先训练完成的模型，具体地，大门位置识别模型可以采用机器学习模型。
大门位置识别模型的训练过程如下：
1)采集数据，得到原始数据的状态。
2)数据预处理，数据预处理处理是对数据提前进行处理和修正。主要包括：特征提取，特征降维、特征空值处理、特征转换、特征归一化；目标值空值处理，目标值转换等。
3)交叉验证数据划分，为了模型测试，先选择交叉验证方法，提前划分好数据。
4)模型建立及测试，用处理好的数据建立训练模型并对模型进行评价，对模型的评价参数有很多，比如：得分(对的比例)、查准率、查全率，满足模型训练参数的模型则是训练完成大门位置识别模型，通过训练完成的大门位置识别模型可以确定轨迹数据中的驾驶特征对应大门的概率大小。
本可选实现方式提供的识别位置概率信息的方法，从轨迹数据中提取与大门相关的至少一个驾驶特征，将至少一个驾驶特征输入已训练完成的大门位置识别模型，得到大门识别模型输出的大门的位置概率信息，由此，通过提取的驾驶特征以及大门识别模型，保证了大门的位置概率信息提取的有效性。
进一步参考图5，作为对上述各图所示方法的实现，本申请提供了路线规划装置的一个实施例，该装置实施例与图1所示的方法实施例相对应，该装置具体可应用于各种电子设备中。
如图5所示，本实施例提供的路线规划装置500包括：获取单元501，提取单元502，识别单元503，确定单元504，添加单元505。其中，上述获取单元501，可以被配置成获取用户的历史驾驶图像和轨迹数据。上述提取单元502，可以被配置成提取历史驾驶图像中的大门区域信息。上述识别单元503，可以被配置成识别轨迹数据对应的大门的位置概率信息；上述确定单元504，可以被配置成基于位置概率信息以及大门区域信息，确定大门位置信息；上述添加单元505，可以被配置成在向用户推荐的导航规划路线中添加大门位置信息。
在本实施例中，路线规划装置500中：获取单元501、提取单元502、识别单元503、确定单元504、添加单元505的具体处理及其所带来的技术效果可分别参考图1对应实施例中的步骤101、步骤102、步骤103、步骤104、步骤105的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，上述提取单元502包括：目标模块(图中未示出)，语义模块(图中未示出)，求和模块(图中未示出)。其中，上述目标模块，可以被配置成将历史驾驶图像输入训练完成的目标检测模型，得到目标检测模型输出的大门区域特征。上述语义模块，可以被配置成将历史驾驶图像输入训练完成的语义分割模型，得到语义分割模型输出的区域位置特征。上述求和模块，可以被配置成将大门区域特征与区域位置特征进行加权求和，得到大门区域信息。
在本实施例的一些可选的实现方式中，上述识别单元503包括：获取模块(图中未示出)，识别模块(图中未示出)。其中，上述获取模块，可以被配置成从轨迹数据中提取与大门相关的至少一个驾驶特征。上述识别模块，可以被配置成将至少一个驾驶特征输入已训练完成的大门位置识别模型，得到大门位置识别模型输出的大门的位置概率信息。
在本实施例的一些可选的实现方式中，上述与大门相关的至少一个驾驶特征包括以下一个或多个特征：速度、通行量以及道路的偏移量。
在本实施例的一些可选的实现方式中，上述确定单元504包括：融合模块(图中未示出)，确定模块(图中未示出)，组合模块(图中未示出)。其中，上述融合模块，可以被配置成针对轨迹数据中对应历史驾驶图像的第一数据点，将第一数据点对应的位置概率信息与大门区域信息进行融合，得到第一数据点对应的大门位置信息。上述确定模块，可以被配置成针对轨迹数据中没有对应历史驾驶图像的第二数据点，大门位置信息由该位置概率信息确定第二数据点对应的大门位置信息。上述组合模块，可以被配置成组合轨迹数据中所有第一数据点与第二数据点对应的大门位置信息，得到轨迹数据对应的大门位置信息。
在本实施例的一些可选的实现方式中，上述装置500还包括：定位单元(图中未示出)，推送单元(图中未示出)。其中，上述定位单元，可以被配置成实时获取用户的车辆的运行位置。上述推送单元，可以被配置成响应于用户的车辆运行至大门位置信息对应的大门位置的预设距离时，向用户推送注意大门的提示信息。
本申请的实施例提供的路线规划装置，首先，获取单元501获取用户的历史驾驶图像和轨迹数据；其次，提取单元502提取历史驾驶图像中的大门区域信息；再次，识别单元503识别轨迹数据对应的大门的位置概率信息；从次，确定单元504基于位置概率信息以及大门区域信息，确定大门位置信息；最后，添加单元505在向用户推荐的导航规划路线中添加大门位置信息。由此，依据用户历史驾驶图像以及用户历史轨迹大数据，精确识别到大门位置信息，并将识别到的大门位置信息应用于导航规划路线中，从而在用户车辆的导航过程中，为用户提供可靠参考，提高了导航识别的精确度，减少了交通事故。
根据本申请的实施例，本申请还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图6示出了可以用来实施本申请的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如路线规划方法。例如，在一些实施例中，路线规划方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的路线规划方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行路线规划方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本申请的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。
Claims (8)
1.一种路线规划方法，所述方法包括：
获取用户的历史驾驶图像和轨迹数据；
提取所述历史驾驶图像中的大门区域信息包括：将所述历史驾驶图像输入训练完成的目标检测模型，得到所述目标检测模型输出的大门区域特征；将所述历史驾驶图像输入训练完成的语义分割模型，得到所述语义分割模型输出的区域位置特征；将所述大门区域特征与所述区域位置特征进行加权求和，得到大门区域信息；
识别所述轨迹数据对应的大门的位置概率信息包括：从所述轨迹数据中提取与大门相关的至少一个驾驶特征；将所述至少一个驾驶特征输入已训练完成的大门位置识别模型，得到所述大门位置识别模型输出的大门的位置概率信息，所述与大门相关的至少一个驾驶特征包括以下一个或多个特征：速度、通行量以及道路的偏移量；
基于所述位置概率信息以及所述大门区域信息，确定大门位置信息；
在向用户推荐的导航规划路线中添加所述大门位置信息。
2.根据权利要求1所述的方法，其中，所述基于所述位置概率信息以及所述大门区域信息，确定大门位置信息，包括：
针对所述轨迹数据中对应历史驾驶图像的第一数据点，将所述第一数据点对应的位置概率信息与所述大门区域信息进行融合，得到所述第一数据点对应的大门位置信息；
针对所述轨迹数据中没有对应历史驾驶图像的第二数据点，由该位置概率信息确定所述第二数据点对应的大门位置信息；
组合所述轨迹数据中所有第一数据点与第二数据点对应的大门位置信息，得到所述轨迹数据对应的大门位置信息。
3.根据权利要求1或2所述的方法，所述方法还包括：
实时获取所述用户的车辆的运行位置；
响应于所述用户的车辆运行至所述大门位置信息对应的大门位置的预设距离时，向所述用户推送注意大门的提示信息。
4.一种路线规划装置，所述装置包括：
获取单元，被配置成获取用户的历史驾驶图像和轨迹数据；
提取单元，被配置成提取所述历史驾驶图像中的大门区域信息，所述提取单元包括：目标模块，被配置成将所述历史驾驶图像输入训练完成的目标检测模型，得到所述目标检测模型输出的大门区域特征；语义模块，被配置成将所述历史驾驶图像输入训练完成的语义分割模型，得到所述语义分割模型输出的区域位置特征；求和模块，被配置成将所述大门区域特征与所述区域位置特征进行加权求和，得到大门区域信息；
识别单元，被配置成识别所述轨迹数据对应的大门的位置概率信息，所述识别单元包括：提取模块，被配置成从所述轨迹数据中提取与大门相关的至少一个驾驶特征；识别模块，被配置成将所述至少一个驾驶特征输入已训练完成的大门位置识别模型，得到所述大门位置识别模型输出的大门的位置概率信息，所述与大门相关的至少一个驾驶特征包括以下一个或多个特征：速度、通行量以及道路的偏移量；
确定单元，被配置成基于所述位置概率信息以及所述大门区域信息，确定大门位置信息；
添加单元，被配置成在向用户推荐的导航规划路线中添加所述大门位置信息。
5.根据权利要求4所述的装置，其中，所述确定单元包括：
融合模块，被配置成针对所述轨迹数据中对应历史驾驶图像的第一数据点，将所述第一数据点对应的位置概率信息与所述大门区域信息进行融合，得到所述第一数据点对应的大门位置信息；
确定模块，被配置成针对所述轨迹数据中没有对应历史驾驶图像的第二数据点，由该位置概率信息确定所述第二数据点对应的大门位置信息；
组合模块，被配置成组合所述轨迹数据中所有第一数据点与第二数据点对应的大门位置信息，得到所述轨迹数据对应的大门位置信息。
6.根据权利要求4或5所述的装置，所述装置还包括：
定位单元，被配置成实时获取所述用户的车辆的运行位置；
推送单元，被配置成响应于所述用户的车辆运行至所述大门位置信息对应的大门位置的预设距离时，向所述用户推送注意大门的提示信息。
7.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-3中任一项所述的方法。
8.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-3中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110130050.1A CN112926630B (zh) | 2021-01-29 | 2021-01-29 | 路线规划方法、装置、电子设备以及计算机可读介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110130050.1A CN112926630B (zh) | 2021-01-29 | 2021-01-29 | 路线规划方法、装置、电子设备以及计算机可读介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112926630A CN112926630A (zh) | 2021-06-08 |
| CN112926630B true CN112926630B (zh) | 2023-09-19 |
Family
ID=76168842
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110130050.1A Active CN112926630B (zh) | 2021-01-29 | 2021-01-29 | 路线规划方法、装置、电子设备以及计算机可读介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112926630B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113435271A (zh) * | 2021-06-10 | 2021-09-24 | 中国电子科技集团公司第三十八研究所 | 一种基于目标检测和实例分割模型的融合方法 |
| CN117387649B (zh) * | 2023-10-26 | 2024-06-14 | 苏州大学 | 概率自更新的不确定环境机器人自适应导航方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017049748A1 (zh) * | 2015-09-25 | 2017-03-30 | 百度在线网络技术（北京）有限公司 | 导航处理方法、设备、服务器和计算机设备 |
| JP2019158416A (ja) * | 2018-03-08 | 2019-09-19 | オプテックス株式会社 | 誘導システム、情報処理装置、携帯通信端末、および信号処理プログラム。 |
| CN111583715A (zh) * | 2020-04-29 | 2020-08-25 | 宁波吉利汽车研究开发有限公司 | 一种车辆轨迹预测方法、车辆碰撞预警方法、装置及存储介质 |
| CN111858800A (zh) * | 2020-06-29 | 2020-10-30 | 北京百度网讯科技有限公司 | 确定大门通行状态的方法、装置、设备和计算机存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110234552B (zh) * | 2017-02-03 | 2022-06-07 | 本田技研工业株式会社 | 车辆控制系统、车辆控制方法及存储介质 |
-
2021
- 2021-01-29 CN CN202110130050.1A patent/CN112926630B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017049748A1 (zh) * | 2015-09-25 | 2017-03-30 | 百度在线网络技术（北京）有限公司 | 导航处理方法、设备、服务器和计算机设备 |
| JP2019158416A (ja) * | 2018-03-08 | 2019-09-19 | オプテックス株式会社 | 誘導システム、情報処理装置、携帯通信端末、および信号処理プログラム。 |
| CN111583715A (zh) * | 2020-04-29 | 2020-08-25 | 宁波吉利汽车研究开发有限公司 | 一种车辆轨迹预测方法、车辆碰撞预警方法、装置及存储介质 |
| CN111858800A (zh) * | 2020-06-29 | 2020-10-30 | 北京百度网讯科技有限公司 | 确定大门通行状态的方法、装置、设备和计算机存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 王智勇 ; 秦天保 ; .基于仿真的集装箱堆场大门规划.水运工程.2008,(第11期),116-120. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112926630A (zh) | 2021-06-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106097755A (zh) | 用于识别泊车场地和/或空出场地的方法 | |
| CN112926630B (zh) | 路线规划方法、装置、电子设备以及计算机可读介质 | |
| CN110798805B (zh) | 基于gps轨迹的数据处理方法、装置及存储介质 | |
| CN112883236B (zh) | 一种地图更新方法、装置、电子设备及存储介质 | |
| CN114170797B (zh) | 交通限制路口的识别方法、装置、设备、介质及产品 | |
| CN113837268B (zh) | 确定轨迹点状态的方法、装置、设备和介质 | |
| Wang et al. | Vehicle reidentification with self-adaptive time windows for real-time travel time estimation | |
| CN113705716A (zh) | 图像识别模型训练方法、设备、云控平台及自动驾驶车辆 | |
| CN114802303A (zh) | 障碍物轨迹预测方法、装置、电子设备及存储介质 | |
| CN115880928A (zh) | 自动驾驶高精地图实时更新方法、装置、设备及存储介质 | |
| CN114216471A (zh) | 电子地图确定方法、装置、电子设备及存储介质 | |
| CN113449687A (zh) | 兴趣点出入口的识别方法、装置及电子设备 | |
| CN116007638B (zh) | 车辆轨迹地图匹配方法、装置、电子设备及车辆 | |
| CN114998863B (zh) | 目标道路识别方法、装置、电子设备以及存储介质 | |
| CN112614156A (zh) | 一种多目标跟踪网络模型的训练方法、装置及相关设备 | |
| CN114582125B (zh) | 道路通行方向的识别的方法、装置、设备及存储介质 | |
| CN114724113B (zh) | 道路标牌识别方法、自动驾驶方法、装置和设备 | |
| CN113850297B (zh) | 道路数据的监测方法、装置、电子设备及存储介质 | |
| CN112861701B (zh) | 违章停车识别方法、装置、电子设备以及计算机可读介质 | |
| CN115534944A (zh) | 基于高精地图的车辆控制方法、装置和电子设备 | |
| CN114494843A (zh) | 通行口检测方法、装置、电子设备和存储介质 | |
| CN114155504A (zh) | 用于自动驾驶的视觉识别车辆方法、装置、出行装置及介质 | |
| CN114413922B (zh) | 电子地图的导航方法、装置、设备、介质及产品 | |
| CN116168366B (zh) | 点云数据生成方法、模型训练方法、目标检测方法和装置 | |
| CN113902002B (zh) | 用于训练站点出入口确定模型的方法和装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |