CN114140553A - 一种基于条件变分自编码器的路口引导线生成方法及系统 - Google Patents
一种基于条件变分自编码器的路口引导线生成方法及系统 Download PDFInfo
- Publication number
- CN114140553A CN114140553A CN202111447204.6A CN202111447204A CN114140553A CN 114140553 A CN114140553 A CN 114140553A CN 202111447204 A CN202111447204 A CN 202111447204A CN 114140553 A CN114140553 A CN 114140553A
- Authority
- CN
- China
- Prior art keywords
- guide line
- neural network
- track
- encoder
- convolutional neural
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 239000013598 vector Substances 0.000 claims abstract description 53
- 238000005070 sampling Methods 0.000 claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 238000013527 convolutional neural network Methods 0.000 claims description 39
- 238000003860 storage Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 4
- 230000006399 behavior Effects 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/206—Drawing of charts or graphs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及基于条件变分自编码器的路口引导线生成方法及系统，其方法包括：获取目标路口的一个或多个非引导线轨迹，利用神经网络将每个所述非引导线轨迹中的采样点编码为固定维度的向量；提取所述固定维度的向量的语义特征；根据一个或多个所述非引导线轨迹的类别和语义特征，输入到训练完成的条件变分自编码器中，得到目标路口的引导线。本发明基于深度学习中的生成模型从历史轨迹数据中挖掘了隐含的道路交通信息，生成了更符合道路通行规则和驾驶行为的引导线轨迹。
Description
技术领域
本发明属于高精度地图制作领域，具体涉及一种基于条件变分自编码器的路口引导线生成方法及系统。
背景技术
在众包高精度地图制作中，路口引导线是地图中的关键要素，它用于指导智能驾驶车舒适的通过路口。
传统的路口引导线生成方法大多基于运动学模型，通过解一个多目标的非凸优化问题来生成引导线。该方法假设地图中的POI等道路交通元素是理想的、完备的，预先提出目标函数，设计优化规则和防碰撞、速度等约束条件。尽管它能通过数学方法生成平滑的引导线，但没有考虑道路的真实路况和通行信息，造成了引导线实际难以适用的困境。
众包高精度地图中的道路元素的感知存在不确定性，云端构图中道路元素不一定很完备，这进一步加剧了传统基于运动学模型生成的引导线难以实用的问题。随着深度学习的发展，利用众包数据中的大量轨迹数据来进行轨迹规划和轨迹生成已有大量的研究。与传统方法相比，基于深度学习的方法是数据驱动的方法，考虑了实际的路况信息，对专家经验的依赖较少，是一个有前景的端到端的轨迹规划和生成方法。
发明内容
为解决传统轨迹生成方法依赖专家经验，难以适用于实际路况的问题，在本发明的第一方面提供了一种基于条件变分自编码器的路口引导线生成方法，包括：获取目标路口的一个或多个非引导线轨迹，利用神经网络将每个所述非引导线轨迹中的采样点编码为固定维度的向量；提取所述固定维度的向量的语义特征；根据一个或多个所述非引导线轨迹的类别和语义特征，输入到训练完成的条件变分自编码器中，得到目标路口的引导线。
在本发明的一些实施例中，所述利用神经网络将每个所述非引导线轨迹中的采样点编码为固定维度的向量包括：通过全连接的神经网络实现特征交叉和编码成固定维度的向量。
在本发明的一些实施例中，所述条件变分自编码器包括卷积神经网络和LSTM，所述卷积神经网络，用于根据一个或多个所述非引导线轨迹的类别和语义特征输出风格向量；以及根据LSTM输出的预测轨迹点序列，生成轨迹点；所述LSTM，用于根据所述风格向量、非引导线轨迹的起点和终点生成预测的轨迹点序列。
进一步的，所述卷积神经网络包括第一卷积神经网络和第二卷积神经网络，所述第一卷积神经网络，用于根据一个或多个所述非引导线轨迹的类别和语义特征输出风格向量；所述第二卷积神经网络，用于根据LSTM输出的预测轨迹点序列，生成轨迹点。
更进一步的，所述根据一个或多个所述非引导线轨迹的类别和语义特征输出风格向量包括：通过全连层将一个或多个所述非引导线轨迹的类别和语义特征融合，并输出先验分布的均值和方差平方的对数；从所述先验分布获取采样向量；根据所述采样向量和非引导线轨迹的类别输出风格向量。
优选的，所述第二卷积神经网络通过如下方法进行训练：获取LSTM输出的预测轨迹点序列及其对应路口的引导线轨迹；将所述预测轨迹点序列作为样本，与其对应路口的引导线轨迹作为标签构建训练集；利用所述训练集对所述第二卷积神经网络进行训练，直至其损失函数值低于阈值且趋于稳定，得到训练完成的第二卷积神经网络。
本发明的第二方面，提供了一种基于条件变分自编码器的路口引导线生成系统，包括：获取模块，用于获取目标路口的一个或多个非引导线轨迹，利用神经网络将每个所述非引导线轨迹中的采样点编码为固定维度的向量；提取模块，用于提取所述固定维度的向量的语义特征；生成模块，用于根据一个或多个所述非引导线轨迹的类别和语义特征，输入到训练完成的条件变分自编码器中，得到目标路口的引导线。
进一步的，所述生成模块包括条件变分自编码器包括卷积神经网络和LSTM，所述卷积神经网络，用于根据一个或多个所述非引导线轨迹的类别和语义特征输出风格向量；以及根据LSTM输出的预测轨迹点序列，生成轨迹点；所述LSTM，用于根据所述风格向量、非引导线轨迹的起点和终点生成预测的轨迹点序列。
本发明的第三方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明第一方面提供的基于条件变分自编码器的路口引导线生成方法。
本发明的第四方面，提供了一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现本发明第一方面提供的基于条件变分自编码器的路口引导线生成方法。
本发明的有益效果是：
1.本发明基于深度学习中的生成模型从众包中历史轨迹数据中挖掘了隐含的道路交通信息，生成了更符合道路通行规则和驾驶行为的引导线轨迹；
2.本发明实现了由于历史轨迹数据可以从采集端(例如采集车)中获取，即实现了从采集端到决策端(例如自动驾驶端)的数据驱动的轨迹生成模型。
附图说明
图1为本发明的一些实施例中的基于条件变分自编码器的路口引导线生成方法的基本流程示意图；
图2为本发明的一些实施例中的基于条件变分自编码器的路口引导线生成方法的具体流程示意图；
图3为本发明的一些实施例中的基于条件变分自编码器生成的路口引导线效果示意图；
图4为本发明的一些实施例中的基于条件变分自编码器的路口引导线生成系统的具体结构示意图；
图5为本发明的一些实施例中的电子设备的结构示意图。
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。
参考图1，在本发明的第一方面，提供了一种基于条件变分自编码器的路口引导线生成方法，包括：S100.获取目标路口的一个或多个非引导线轨迹，利用神经网络将每个所述非引导线轨迹中的采样点编码为固定维度的向量；S200.提取所述固定维度的向量的语义特征；S300.根据一个或多个所述非引导线轨迹的类别和语义特征，输入到训练完成的条件变分自编码器(ConditionalVariational AutoEncoder，CVAE)中，得到目标路口的引导线。
在本发明的一些实施例的S100中，便于后续模型的处理，需要将非引导线轨迹或引导线轨迹进行编码，即将原始的轨迹数据编码为固定维度的向量。所述利用神经网络将每个所述非引导线轨迹中的采样点编码为固定维度的向量包括：通过全连接的神经网络实现特征交叉和编码成固定维度的向量。
具体地，包括如下步骤：S101.轨迹中采样点的局部坐标转换；主要通过同方向的笛卡尔坐标、车道方向的笛卡尔坐标和轨迹行为序列三种局部坐标转换的方法，具体坐标转换方法在此不再赘述；S102.轨迹中采样点的编码；轨迹中采样点的特征主要经度和纬度，通过全连接的神经网络实现特征交叉和编码成固定维度的向量。
为了便于条件变分自编码器的特征提取和生成，在本发明的一些实施例的S300中，所述条件变分自编码器包括卷积神经网络和LSTM，所述卷积神经网络，用于根据一个或多个所述非引导线轨迹的类别和语义特征输出风格向量；以及根据LSTM输出的预测轨迹点序列，生成轨迹点；所述LSTM，用于根据所述风格向量、非引导线轨迹的起点和终点生成预测的轨迹点序列。
可以理解，LSTM在提取时序特征具有优势，而卷积神经网络在处理多维度数据(多维向量)上具有优势，将两者结合能有效地加快模型的收敛过程，进而提高生成的轨迹点序列的合理性。
进一步的，所述卷积神经网络包括第一卷积神经网络和第二卷积神经网络，所述第一卷积神经网络，用于根据一个或多个所述非引导线轨迹的类别和语义特征输出风格向量；所述第二卷积神经网络，用于根据LSTM输出的预测轨迹点序列，生成轨迹点。可以理解，风格向量可视为因驾驶风格不同而形成不同轨迹的分类，例如，安全型的风格偏好平稳，其引导线轨迹平缓，变化少；策略型，根据不同路况和交通情况选择最合适的路线，其引导线轨迹变化不定。
更进一步的，所述根据一个或多个所述非引导线轨迹的类别和语义特征输出风格向量包括：通过全连层将一个或多个所述非引导线轨迹的类别和语义特征融合，并输出先验分布的均值和方差平方的对数；从所述先验分布获取采样向量；根据所述采样向量和非引导线轨迹的类别输出风格向量。具体地，联合轨迹的语义特征和轨迹类型，通过多层全连接神经网络预测先验分布的均值和方差。
优选的，所述第二卷积神经网络通过如下方法进行训练：获取LSTM输出的预测轨迹点序列及其对应路口的引导线轨迹；将所述预测轨迹点序列作为样本，与其对应路口的引导线轨迹作为标签构建训练集；利用所述训练集对所述第二卷积神经网络进行训练，直至其损失函数值低于阈值且趋于稳定，得到训练完成的第二卷积神经网络。
可选的，损失函数为：
其中，loss表示损失函数，KL[.]表示对括号内的表达式求KL散度，L[.]表示拉格朗日函数，E[.]表示对括号内的表达式求期望；X表示由第二卷积神经网络生成的引导线轨迹集合的分布，Z表示实际引导线轨迹集合的分布，θ、
分别表示生成的引导线轨迹和实际的引导线轨迹；pθ为生成的引导线轨迹发生的概率，
为实际引导线轨迹发生的概率。训练算法为基于mini－batch的BP算法，学习策略为RMSprop。
在一个可能的实施例中，示意性地，图2示出了基于CVAE的轨迹生成网络结构。其中，xi,yi分别表示轨迹采样点局部坐标转换后的值，Emb表示全连接的神经网络，ei为编码后的特征向量，i对应轨迹中的采样点。LSTM为循环神经网络，提取轨迹序列的时空特征。h为LSTM的输出。FCi表示全连接的神经网络i。Type为轨迹类型，c为CVAE的条件。μ,logσ2分别表示网络预测的先验分布均值和方差平方的对数值。z为对先验分布的采样向量。Style表示采样z和条件c联合后的轨迹风格向量。End point和[0，0]分别表示已知要生成的轨迹点的局部终点和起点。
示意性地，图3示出了利用本发明的基于条件变分自编码器的路口引导线生成方法生成的路口引导线的效果示意图；其中最大的八边形框为道路级的路口范围，在该八边形框外为车道线，框内的无小三角形标记的线为虚拟的车道线，无实际意义。带小三角形标记的线为基于本发明的轨迹表示方法而生成的引导线，从图中可看出，它线条平滑，过渡自然，轨迹与正常驾驶行为相符。
实施例2
参考图4，本发明的第二方面，提供了一种基于条件变分自编码器的路口引导线生成系统1，包括：获取模块11，用于获取目标路口的一个或多个非引导线轨迹，利用神经网络将每个所述非引导线轨迹中的采样点编码为固定维度的向量；提取模块12，用于提取所述固定维度的向量的语义特征；生成模块13，用于根据一个或多个所述非引导线轨迹的类别和语义特征，输入到训练完成的条件变分自编码器中，得到目标路口的引导线。
进一步的，所述生成模块13包括条件变分自编码器包括卷积神经网络和LSTM，所述卷积神经网络，用于根据一个或多个所述非引导线轨迹的类别和语义特征输出风格向量；以及根据LSTM输出的预测轨迹点序列，生成轨迹点；所述LSTM，用于根据所述风格向量、非引导线轨迹的起点和终点生成预测的轨迹点序列。
实施例3
参考图5，本发明的第三方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明的第一方面的方法。
电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图5中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM502被安装。在该计算机程序被处理装置501执行时，执行本公开的实施例的方法中限定的上述功能。需要说明的是，本公开的实施例所描述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD－ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个计算机程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++、Python，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于条件变分自编码器的路口引导线生成方法，其特征在于，包括：
获取目标路口的一个或多个非引导线轨迹，利用神经网络将每个所述非引导线轨迹中的采样点编码为固定维度的向量；
提取所述固定维度的向量的语义特征；
根据一个或多个所述非引导线轨迹的类别和语义特征，输入到训练完成的条件变分自编码器中，得到目标路口的引导线。
2.根据权利要求1所述的基于条件变分自编码器的路口引导线生成方法，其特征在于，所述利用神经网络将每个所述非引导线轨迹中的采样点编码为固定维度的向量包括：
通过全连接的神经网络实现特征交叉和编码成固定维度的向量。
3.根据权利要求1所述的基于条件变分自编码器的路口引导线生成方法，其特征在于，所述条件变分自编码器包括卷积神经网络和LSTM，
所述卷积神经网络，用于根据一个或多个所述非引导线轨迹的类别和语义特征输出风格向量；以及根据LSTM输出的预测轨迹点序列，生成轨迹点；
所述LSTM，用于根据所述风格向量、非引导线轨迹的起点和终点生成预测的轨迹点序列。
4.根据权利要求3所述的基于条件变分自编码器的路口引导线生成方法，其特征在于，所述卷积神经网络包括第一卷积神经网络和第二卷积神经网络，
所述第一卷积神经网络，用于根据一个或多个所述非引导线轨迹的类别和语义特征输出风格向量；
所述第二卷积神经网络，用于根据LSTM输出的预测轨迹点序列，生成轨迹点。
5.根据权利要求4所述的基于条件变分自编码器的路口引导线生成方法，其特征在于，所述根据一个或多个所述非引导线轨迹的类别和语义特征输出风格向量包括：
通过全连层将一个或多个所述非引导线轨迹的类别和语义特征融合，并输出先验分布的均值和方差平方的对数；
从所述先验分布获取采样向量；
根据所述采样向量和非引导线轨迹的类别输出风格向量。
6.根据权利要求4所述的基于条件变分自编码器的路口引导线生成方法，其特征在于，所述第二卷积神经网络通过如下方法进行训练：
获取LSTM输出的预测轨迹点序列及其对应路口的引导线轨迹；
将所述预测轨迹点序列作为样本，与其对应路口的引导线轨迹作为标签构建训练集；
利用所述训练集对所述第二卷积神经网络进行训练，直至其损失函数值低于阈值且趋于稳定，得到训练完成的第二卷积神经网络。
7.一种基于条件变分自编码器的路口引导线生成系统，其特征在于，包括：
获取模块，用于获取目标路口的一个或多个非引导线轨迹，利用神经网络将每个所述非引导线轨迹中的采样点编码为固定维度的向量；
提取模块，用于提取所述固定维度的向量的语义特征；
生成模块，用于根据一个或多个所述非引导线轨迹的类别和语义特征，输入到训练完成的条件变分自编码器中，得到目标路口的引导线。
8.根据权利要求7所述的基于条件变分自编码器的路口引导线生成系统，其特征在于，所述生成模块包括条件变分自编码器包括卷积神经网络和LSTM，
所述卷积神经网络，用于根据一个或多个所述非引导线轨迹的类别和语义特征输出风格向量；以及根据LSTM输出的预测轨迹点序列，生成轨迹点；
所述LSTM，用于根据所述风格向量、非引导线轨迹的起点和终点生成预测的轨迹点序列。
9.一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至6中任一项所述的保持电子地平线的路网数据范围最小化的方法。
10.一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的保持电子地平线的路网数据范围最小化的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111447204.6A CN114140553A (zh) | 2021-11-26 | 2021-11-26 | 一种基于条件变分自编码器的路口引导线生成方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111447204.6A CN114140553A (zh) | 2021-11-26 | 2021-11-26 | 一种基于条件变分自编码器的路口引导线生成方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114140553A true CN114140553A (zh) | 2022-03-04 |
Family
ID=80386224
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111447204.6A Pending CN114140553A (zh) | 2021-11-26 | 2021-11-26 | 一种基于条件变分自编码器的路口引导线生成方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114140553A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116840835A (zh) * | 2022-05-05 | 2023-10-03 | 南方科技大学 | 一种基于毫米波雷达的跌倒检测方法、系统及设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110751683A (zh) * | 2019-10-28 | 2020-02-04 | 北京地平线机器人技术研发有限公司 | 轨迹预测方法、装置、可读存储介质及电子设备 |
| CN111009153A (zh) * | 2019-12-04 | 2020-04-14 | 珠海深圳清华大学研究院创新中心 | 一种轨迹预测模型的训练方法、装置和设备 |
| CN111861077A (zh) * | 2019-08-22 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种用户驾驶习惯确定及服务信息推送方法和系统 |
| CN113496167A (zh) * | 2020-04-02 | 2021-10-12 | 北京京东乾石科技有限公司 | 确定目标运动轨迹的方法和装置 |
| CN113657433A (zh) * | 2021-07-01 | 2021-11-16 | 华南理工大学 | 一种车辆轨迹多模态预测方法 |
-
2021
- 2021-11-26 CN CN202111447204.6A patent/CN114140553A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111861077A (zh) * | 2019-08-22 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种用户驾驶习惯确定及服务信息推送方法和系统 |
| CN110751683A (zh) * | 2019-10-28 | 2020-02-04 | 北京地平线机器人技术研发有限公司 | 轨迹预测方法、装置、可读存储介质及电子设备 |
| CN111009153A (zh) * | 2019-12-04 | 2020-04-14 | 珠海深圳清华大学研究院创新中心 | 一种轨迹预测模型的训练方法、装置和设备 |
| CN113496167A (zh) * | 2020-04-02 | 2021-10-12 | 北京京东乾石科技有限公司 | 确定目标运动轨迹的方法和装置 |
| CN113657433A (zh) * | 2021-07-01 | 2021-11-16 | 华南理工大学 | 一种车辆轨迹多模态预测方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116840835A (zh) * | 2022-05-05 | 2023-10-03 | 南方科技大学 | 一种基于毫米波雷达的跌倒检测方法、系统及设备 |
| CN116840835B (zh) * | 2022-05-05 | 2024-05-10 | 南方科技大学 | 一种基于毫米波雷达的跌倒检测方法、系统及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP4009300A1 (en) | Vehicle automatic control method and lane change intention prediction network training method | |
| US11644323B2 (en) | Systems and methods for digital route planning | |
| US20210302585A1 (en) | Smart navigation method and system based on topological map | |
| CN114596553B (zh) | 模型训练方法、轨迹预测方法、装置及自动驾驶车辆 | |
| CN114202120A (zh) | 一种针对多源异构数据的城市交通行程时间预测方法 | |
| CN115185271B (zh) | 导航路径生成方法、装置、电子设备和计算机可读介质 | |
| WO2023082726A1 (zh) | 换道策略生成方法和装置、计算机存储介质、电子设备 | |
| CN115540893B (zh) | 车辆路径规划方法、装置、电子设备和计算机可读介质 | |
| CN116164770B (zh) | 路径规划方法、装置、电子设备和计算机可读介质 | |
| CN113739811A (zh) | 关键点检测模型的训练和高精地图车道线的生成方法设备 | |
| CN115761702A (zh) | 车辆轨迹生成方法、装置、电子设备和计算机可读介质 | |
| CN114140553A (zh) | 一种基于条件变分自编码器的路口引导线生成方法及系统 | |
| CN114428889A (zh) | 轨迹绑路方法、模型训练方法、装置、设备及存储介质 | |
| CN114386599A (zh) | 训练轨迹预测模型和轨迹规划的方法和装置 | |
| Wang et al. | Vision-based autonomous driving: A hierarchical reinforcement learning approach | |
| CN114219078A (zh) | 一种神经网络模型交互训练方法、装置及存储介质 | |
| WO2024001653A9 (zh) | 特征提取方法、装置、存储介质及电子设备 | |
| CN114565170A (zh) | 污染物溯源方法及装置、设备、介质和产品 | |
| CN114067069A (zh) | 一种基于深度学习的轨迹表示方法及系统 | |
| CN115009291A (zh) | 基于网络演化重放缓冲区的自动驾驶辅助决策方法及系统 | |
| CN116558541B (zh) | 模型训练方法和装置、轨迹预测方法和装置 | |
| CN114970949B (zh) | 行驶速度预测方法、装置、电子设备及存储介质 | |
| CN114898576B (zh) | 交通控制信号的生成方法、目标网络模型的训练方法 | |
| CN117191068B (zh) | 模型训练方法和装置、轨迹预测方法和装置 | |
| CN117928568B (zh) | 基于人工智能的导航方法、模型训练方法及装置 |
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 |