CN113705515A

CN113705515A - 语义分割模型的训练和高精地图车道线的生成方法和设备

Info

Publication number: CN113705515A
Application number: CN202111031898.5A
Authority: CN
Inventors: 何雷; 耿涛; 刘阳
Original assignee: Beijing Baidu Netcom Science and Technology Co Ltd
Current assignee: Beijing Baidu Netcom Science and Technology Co Ltd
Priority date: 2021-09-03
Filing date: 2021-09-03
Publication date: 2021-11-26
Anticipated expiration: 2041-09-03
Also published as: CN113705515B

Abstract

本公开提供了一种语义分割模型的训练和高精地图车道线的生成方法、装置和设备，涉及自动驾驶、人工智能、智能交通、深度学习等领域。具体实现方案包括：获取样本图像，样本图像中包括样本车道线；利用初始网络，从样本图像中提取出样本车道线的起止点对的特征；利用初始网络，提取样本语义地图的特征；根据样本语义地图的特征和起止点对的特征，利用初始网络，得到对样本车道线的预测图像；根据样本图像和预测图像，调整初始网络的参数，得到语义分割模型，语义分割模型用于根据目标车道线的起止点对图像，输出包括目标车道线的目标图像。本公开的技术方案可以根据语义地图和起止点对图像自动生成起止点对之间的虚拟车道线。

Description

语义分割模型的训练和高精地图车道线的生成方法和设备

技术领域

本公开涉及计算机技术领域，尤其涉及自动驾驶、人工智能、智能交通、深度学习等领域，具体涉及一种语义分割模型的训练和高精地图车道线的生成方法、装置、设备、存储介质和计算机程序产品。

背景技术

车道线是高精地图经验图层的核心要素。现有技术中，车道线多是根据交通标志半自动化生成，这种方式生成的车道线不符合人类驾驶习惯。还有基于感知障碍车轨迹聚合生成拟人化的车道线，但由于障碍车部署数量的限制，会出现部分车道线缺失的问题。

发明内容

本公开提供了一种语义分割模型的训练和高精地图车道线的生成方法、装置、设备、存储介质和计算机程序产品。

根据本公开的第一方面，提供了一种语义分割模型的训练方法，包括：

获取样本图像，样本图像中包括样本车道线；

利用初始网络，从样本图像中提取出样本车道线的起止点对的特征；

利用初始网络，提取样本语义地图的特征；

根据样本语义地图的特征和起止点对的特征，利用初始网络，得到对样本车道线的预测图像；

根据样本图像和预测图像，调整初始网络的参数，得到语义分割模型，语义分割模型用于根据目标车道线的起止点对图像，输出包括目标车道线的目标图像。

根据本公开的第二方面，提供了一种高精地图车道线的生成方法，包括：

获取与目标高精地图对应的目标语义地图；

将目标语义地图和目标车道线的起止点对图像输入语义分割模型，以得到包括目标车道线的目标图像；其中，语义分割模型为本公开任一实施例的训练方法得到；

根据目标图像，生成目标车道线。

根据本公开的第三方面，提供了一种语义分割模型的训练装置，包括：

样本图像获取模块，用于获取样本图像，样本图像中包括样本车道线；

起止点对特征提取模块，用于利用初始网络，从样本图像中提取出样本车道线的起止点对的特征；

语义地图特征提取模块，用于利用初始网络，提取样本语义地图的特征；

预测模块，用于根据样本语义地图的特征和起止点对的特征，利用初始网络，得到对样本车道线的预测图像；

参数调整模块，用于根据样本图像和预测图像，调整初始网络的参数，得到语义分割模型，语义分割模型用于根据目标车道线的起止点对图像，输出包括目标车道线的目标图像。

根据本公开的第四方面，提供了一种高精地图车道线的生成装置，包括：

目标语义地图获取模块，用于获取与目标高精地图对应的目标语义地图；

目标图像确定模块，将目标语义地图和目标车道线的起止点对图像输入语义分割模型，以得到包括目标车道线的目标图像；其中，语义分割模型为本公开任一实施例的训练装置得到；

目标车道线生成模块，用于根据目标图像，生成目标车道线。

根据本公开的第五方面，提供了一种语义分割模型的训练设备，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本公开任意实施例提供的训练方法。

根据本公开的第六方面，提供了一种高精地图车道线的生成设备，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本公开任意实施例提供的生成方法。

根据本公开的第七方面，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本公开任意实施例提供的方法。

根据本公开的第八方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现本公开任意实施例提供的方法。

根据本公开的第九方面，提供了一种自动驾驶车辆，包括本公开任意实施例提供的高精地图车道线的生成装置或本公开任意实施例提供的高精地图车道线的生成设备。

本公开实施例的技术方案可以根据语义地图和起止点对图像自动生成起止点对之间的虚拟车道线。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开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，不构成对本公开的限定。其中：

图1是根据本公开实施例中的虚拟车道线的示例图；

图2是根据本公开实施例的语义分割模型的训练方法的流程图；

图3是根据本公开实施例中高精地图的示例图；

图4是根据本公开实施例中语义地图的示例图；

图5是根据本公开实施例的高精地图车道线的生成方法的流程图；

图6是根据本公开实施例的高精地图车道线的生成方法的应用示例图；

图7是根据本公开实施例的应用场景的示意图；

图8是根据本公开实施例的语义分割模型的训练装置的框图；

图9是根据本公开实施例的高精地图车道线的生成装置的框图；

图10是用来实现本公开实施例的方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开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，而不会背离本公开的范围和精神。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。

高精地图的经验图层可以为自动驾驶车辆的规划与控制(Plan and Control，PNC)模块提供参考。在经验图层中可以提供一些虚拟车道线，为车辆行驶提供参考。例如：当前L4无人驾驶技术中，在路口转弯或掉头时，PNC模块会参考高精地图中标注的转向曲线。这种转向曲线就可以看作是一种虚拟车道线，如图1所示。本申请实施例旨在提供一种训练方法，从而得到语义分割模型，并利用该语义分割模型，根据高精地图和起止点对图像，自动化生成起止点对之间的虚拟车道线。

图2示出根据本公开实施例的语义分割模型的训练方法的流程图。如图2所示，该训练方法包括：

步骤S201：获取样本图像，样本图像中包括样本车道线；

步骤S202：利用初始网络，从样本图像中提取出样本车道线的起止点对的特征；

步骤S203：利用初始网络，提取样本语义地图的特征；

步骤S204：根据样本语义地图的特征和起止点对的特征，利用初始网络，得到对样本车道线的预测图像；

步骤S205：根据样本图像和预测图像，调整初始网络的参数，得到语义分割模型，语义分割模型用于根据目标车道线的起止点对图像，输出包括目标车道线的目标图像。

将样本图像和样本语义地图输入初始网络，进而分别提取起止点对的特征和样本语义地图的特征，从而输出对样本车道线的预测图像，根据预测图像与样本图像的差异，调整初始网络的参数，进而训练得到语义分割模型。训练好的语义分割模型，可以根据输入的目标车道线的起止点对图像，输出目标车道线的图像，即目标图像。由此，可以自动生成虚拟车道线。

生成虚拟车道线(目标车道线)可以标注在高精地图的经验图层中，用于经验图层的自动化生成，提高生产效率；也可以赋能PNC模块，提升未划线交通环境的通行成功率。其中，未划线交通环境可以理解为没有在现实世界中划出车道线的区域，如十字路口、丁字路口、道路与道路之间的交叉区域等。

示例性地，本实施例的初始网络可以采用U-net网络，即将预测图像的自动生成形式化为分割任务。本实施例的初始网络也可以采用其他能够实现语义分割任务的网络，如全卷积网络(Fully Convolutional Networks，FCN)，在此不作限定。

在一种实施方式中，在步骤S203之前还可以包括：获取与样本车道线对应的样本高精地图；编码样本高精地图，以得到样本语义地图。

示例性地，将样本车道线所在区域的高精地图作为样本高精地图，将其编码为样本语义地图，进而通过初始网络提取编码后的样本语义地图的特征，从而可以缩小输入网络的地图数据范围，进而减小网络计算量。

图3为高精地图中路口区域的一个示例图，图4为语义地图中路口区域的一个示例图。

在一种实施方式中，样本图像包括第一样本图像和第二样本图像，第一样本图像中包括第一样本车道线，第二样本图像中包括第二样本车道线，第一样本车道线为人类驾驶车辆的行驶轨迹，第二样本车道线为现实世界中划线的车道线。

初始网络的训练样本包括大量的样本图像，这些样本图像中有第一样本图像，这些图像中包括符合人类驾驶习惯的第一样本车道线，样本图像中也有第二样本图像，这些图像中包括现实存在的第二样本车道线。由此，可以差异化训练样本，提高模型的适用范围。

进一步地，预测图像包括与第一样本车道线对应的第一预测图像以及对第二样本车道线对应的第二预测图像。

具体地，对第一样本图像执行步骤S202～S204中的方法，可以得到第一预测图像，该第一预测图像中包括对第一样本车道线的预测结果。对第二样本图像执行步骤S202～S204中的方法，可以得到第二预测图像，该第二预测图像中包括对第二样本车道线的预测结果。

进一步地，在步骤S205中可以包括：根据样本图像和预测图像，调整初始网络的参数，得到语义分割模型，包括：根据第一样本图像以及第一预测图像的差异，构建第一损失子函数；根据第二样本图像以及第二预测图像的差异，构建第二损失子函数；根据第一损失子函数以及第二损失子函数，构建初始网络的损失函数，其中，第一损失子函数的权重大于第二损失子函数的权重；调整初始网络的参数，直到损失函数收敛。

示例性地，第一损失子函数可以为：

其中，

表示第一样本图像的集合。

示例性地，第二损失子函数可以为：

其中，

表示第二样本图像的集合。

进而，初始网络的损失函数可以为：

其中，λ₁为第一损失子函数的权重，λ₂为第二损失子函数的权重，且λ₁＞λ₂。

初始网络的损失函数中，符合人类驾驶习惯的拟人车道线所对应的第一样本图像被赋予较高的权重，而非拟人化车道线所对应的第二样本图像被赋予较低的权重，从而可以使输出的预测图像(或目标图像)更逼近拟人车道线。

图5示出根据本公开实施例的高精地图车道线的生成方法的流程图。如图5所示，该生成方法包括：

步骤S501：获取与目标高精地图对应的目标语义地图；

步骤S502：将目标语义地图和目标车道线的起止点对图像输入语义分割模型，以得到包括目标车道线的目标图像；

步骤S503：根据目标图像，生成目标车道线。

与训练过程相类似地，可以将目标车道线所在区域的高精地图作为目标高精地图，将其编码为目标语义地图，进而通过语义分割模型提取编码后的目标语义地图的特征。

在一种实施方式中，在步骤S503中可以包括：对目标图像进行关键点提取，得到目标车道线上的多个关键点；对各关键点进行曲线拟合，生成目标车道线。

通过对目标图像进行关键点提取和曲线拟合等后处理，可以得到矢量化的车道线，即目标车道线，用于高精地图中经验图层的自动生成，也可以赋能PNC模块，提升未划线交通环境的通行成功率。

在一个应用示例中，如图6所示，将路口高精地图编码为路口语义地图，然后将路口语义地图和待生成的虚拟车道线的起止点对的图像(起止点对图像)输入语义分割模型，可以得到该路口的虚拟车道线图像，进而得到该路口的虚拟车道线。

图7为本公开实施例的应用场景示意图。如图7所示，终端701可以是硬件，如手机、平板、车载终端、便携计算机等具有显示屏的电子设备。当终端701为软件或应用(Application，APP)时，可安装于上述电子设备中。服务器702可以提供各种服务，例如为安装于终端701上的应用提供支持。本公开实施例提供的训练方法和生成方法，可以由服务器702执行，也可以由终端701执行，相应的与方法对应的装置可以设置于终端701中，也可以设置于服务器702中。其中，为了实现需要可以配置任意数量的终端、网络和服务器。

图8示出根据本公开实施例的语义分割模型的训练装置的框图，如图8所示，该训练装置包括：

样本图像获取模块801，用于获取样本图像，样本图像中包括样本车道线；

起止点对特征提取模块802，用于利用初始网络，从样本图像中提取出样本车道线的起止点对的特征；

语义地图特征提取模块803，用于利用初始网络，提取样本语义地图的特征；

预测模块804，用于根据样本语义地图的特征和起止点对的特征，利用初始网络，得到对样本车道线的预测图像；

参数调整模块805，用于根据样本图像和预测图像，调整初始网络的参数，得到语义分割模型，语义分割模型用于根据目标车道线的起止点对图像，输出包括目标车道线的目标图像。

在一种实施方式中，该训练装置还包括：

样本高精地图获取模块，用于在利用初始网络，提取样本语义地图的特征之前，获取与样本车道线对应的样本高精地图；

编码模块，用于编码样本高精地图，以得到样本语义地图。

在一种实施方式中，预测图像包括与第一样本车道线对应的第一预测图像以及对第二样本车道线对应的第二预测图像，参数调整模块805包括：

第一子函数构建子模块，用于根据第一样本图像以及第一预测图像的差异，构建第一损失子函数；

第二子函数构建子模块，用于根据第二样本图像以及第二预测图像的差异，构建第二损失子函数；

损失函数构建子模块，用于根据第一损失子函数以及第二损失子函数，构建初始网络的损失函数，其中，第一损失子函数的权重大于第二损失子函数的权重；

参数调整子模块，用于调整初始网络的参数，直到损失函数收敛。

图9示出根据本公开实施例的高精地图车道线的生成装置的结构框图。如图9所示，该生成装置包括：

目标语义地图获取模块901，用于获取与目标高精地图对应的目标语义地图；

目标图像确定模块902，将目标语义地图和目标车道线的起止点对图像输入语义分割模型，以得到包括目标车道线的目标图像；其中，语义分割模型为上述的训练装置训练得到；

目标车道线生成模块903，用于根据目标图像，生成目标车道线。

在一种实施方式中，目标车道线生成模块903包括：

关键点提取子模块，用于对目标图像进行关键点提取，得到目标车道线上的多个关键点；

曲线拟合子模块，用于对各关键点进行曲线拟合，生成目标车道线。

本公开实施例各装置中的各模块的功能可以参见上述方法中的对应描述，在此不再赘述。

根据本公开的实施例，本公开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。该电子设备可以是高精地图车道线的生成设备，也可以是语义分割模型的训练设备。

图10示出了可以用来实施本公开的实施例的示例电子设备1000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/或者要求的本公开的实现。

如图10所示，设备1000包括计算单元1001，其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序，来执行各种适当的动作和处理。在RAM 1003中，还可存储设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。

设备1000中的多个部件连接至I/O接口1005，包括：输入单元1006，例如键盘、鼠标等；输出单元1007，例如各种类型的显示器、扬声器等；存储单元1008，例如磁盘、光盘等；以及通信单元1009，例如网卡、调制解调器、无线通信收发机等。通信单元1009允许设备1000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1001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1001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1001执行上文所描述的各个方法和处理。例如，在一些实施例中，上文所描述的各个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1008。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到设备1000上。当计算机程序加载到RAM1003并由计算单元1001执行时，可以执行上文所描述的各个方法的一个或多个步骤。备选地，在其他实施例中，计算单元1001可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行上文所描述的各个方法。

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。

用于实施本公开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。

在本公开的上下文中，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，鼠标或者车道线球)，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。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

根据本公开的实施例，本公开还提供一种自动驾驶车辆，包括本公开任意实施例提供的高精地图车道线的生成装置或本公开任意实施例提供的高精地图车道线的生成设备。

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，只要能够实现本公开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，并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims

1.一种语义分割模型的训练方法，包括：

获取样本图像，所述样本图像中包括样本车道线；

利用初始网络，从所述样本图像中提取出所述样本车道线的起止点对的特征；

利用所述初始网络，提取样本语义地图的特征；

根据所述样本语义地图的特征和所述起止点对的特征，利用所述初始网络，得到对所述样本车道线的预测图像；

根据所述样本图像和所述预测图像，调整所述初始网络的参数，得到语义分割模型，所述语义分割模型用于根据目标车道线的起止点对图像，输出包括所述目标车道线的目标图像。

2.根据权利要求1所述的训练方法，其中，利用所述初始网络，提取样本语义地图的特征之前，还包括：

获取与所述样本车道线对应的样本高精地图；

编码所述样本高精地图，以得到所述样本语义地图。

3.根据权利要求1所述的训练方法，其中，所述样本图像包括第一样本图像和第二样本图像，所述第一样本图像中包括第一样本车道线，所述第二样本图像中包括第二样本车道线，所述第一样本车道线为人类驾驶车辆的行驶轨迹，所述第二样本车道线为现实世界中划线的车道线。

4.根据权利要求3所述的训练方法，其中，所述预测图像包括与所述第一样本车道线对应的第一预测图像以及对所述第二样本车道线对应的第二预测图像，

根据所述样本图像和所述预测图像，调整所述初始网络的参数，得到语义分割模型，包括：

根据所述第一样本图像以及所述第一预测图像的差异，构建第一损失子函数；

根据所述第二样本图像以及所述第二预测图像的差异，构建第二损失子函数；

根据所述第一损失子函数以及所述第二损失子函数，构建所述初始网络的损失函数，其中，所述第一损失子函数的权重大于所述第二损失子函数的权重；

调整所述初始网络的参数，直到所述损失函数收敛。

5.一种高精地图车道线的生成方法，包括：

获取与目标高精地图对应的目标语义地图；

将所述目标语义地图和目标车道线的起止点对图像输入语义分割模型，以得到包括所述目标车道线的目标图像；其中，所述语义分割模型为权利要求1至4任一项所述的训练方法得到；

根据所述目标图像，生成所述目标车道线。

6.根据权利要求5所述的生成方法，其中，根据所述目标图像，生成所述目标车道线，包括：

对所述目标图像进行关键点提取，得到所述目标车道线上的多个关键点；

对各关键点进行曲线拟合，生成所述目标车道线。

7.一种语义分割模型的训练装置，包括：

样本图像获取模块，用于获取样本图像，所述样本图像中包括样本车道线；

起止点对特征提取模块，用于利用初始网络，从所述样本图像中提取出所述样本车道线的起止点对的特征；

语义地图特征提取模块，用于利用所述初始网络，提取样本语义地图的特征；

预测模块，用于根据所述样本语义地图的特征和所述起止点对的特征，利用所述初始网络，得到对所述样本车道线的预测图像；

参数调整模块，用于根据所述样本图像和所述预测图像，调整所述初始网络的参数，得到语义分割模型，所述语义分割模型用于根据目标车道线的起止点对图像，输出包括所述目标车道线的目标图像。

8.根据权利要求7所述的训练装置，还包括：

样本高精地图获取模块，用于在利用所述初始网络，提取样本语义地图的特征之前，获取与所述样本车道线对应的样本高精地图；

编码模块，用于编码所述样本高精地图，以得到所述样本语义地图。

9.根据权利要求7所述的训练装置，其中，所述样本图像包括第一样本图像和第二样本图像，所述第一样本图像中包括第一样本车道线，所述第二样本图像中包括第二样本车道线，所述第一样本车道线为人类驾驶车辆的行驶轨迹，所述第二样本车道线为现实世界中划线的车道线。

10.根据权利要求9所述的训练装置，其中，所述预测图像包括与所述第一样本车道线对应的第一预测图像以及对所述第二样本车道线对应的第二预测图像，

所述参数调整模块包括：

第一子函数构建子模块，用于根据所述第一样本图像以及所述第一预测图像的差异，构建第一损失子函数；

第二子函数构建子模块，用于根据所述第二样本图像以及所述第二预测图像的差异，构建第二损失子函数；

损失函数构建子模块，用于根据所述第一损失子函数以及所述第二损失子函数，构建所述初始网络的损失函数，其中，所述第一损失子函数的权重大于所述第二损失子函数的权重；

参数调整子模块，用于调整所述初始网络的参数，直到所述损失函数收敛。

11.一种高精地图车道线的生成装置，包括：

目标图像确定模块，将所述目标语义地图和目标车道线的起止点对图像输入语义分割模型，以得到包括所述目标车道线的目标图像；其中，所述语义分割模型为权利要求7至10任一项所述的训练装置得到；

目标车道线生成模块，用于根据所述目标图像，生成所述目标车道线。

12.根据权利要求11所述的生成装置，其中，所述目标车道线生成模块包括：

关键点提取子模块，用于对所述目标图像进行关键点提取，得到所述目标车道线上的多个关键点；

曲线拟合子模块，用于对各关键点进行曲线拟合，生成所述目标车道线。

13.一种语义分割模型的训练设备，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至4中任一项所述的方法。

14.一种高精地图车道线的生成设备，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5或6所述的方法。

15.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1至6中任一项所述的方法。

16.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1至6中任一项所述的方法。

17.一种自动驾驶车辆，包括权利要求11或12所述的高精地图车道线的生成装置或权利要求14所述的高精地图车道线的生成设备。