CN114428889A - 轨迹绑路方法、模型训练方法、装置、设备及存储介质 - Google Patents
轨迹绑路方法、模型训练方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114428889A CN114428889A CN202210095988.9A CN202210095988A CN114428889A CN 114428889 A CN114428889 A CN 114428889A CN 202210095988 A CN202210095988 A CN 202210095988A CN 114428889 A CN114428889 A CN 114428889A
- Authority
- CN
- China
- Prior art keywords
- point
- road
- target
- positioning
- positioning point
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/909—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
-
- 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
- G01C21/20—Instruments for performing navigational calculations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9038—Presentation of query results
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Automation & Control Theory (AREA)
- Library & Information Science (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请实施例提供了一种轨迹绑路方法、模型训练方法、装置、设备及存储介质,涉及人工智能技术领域。本申请实施例可应用于地图、交通、车载等领域。所述方法包括:对于目标移动轨迹中的目标定位点,获取目标定位点对应的位置序列;基于路网信息,获取多个定位点分别对应的单点特征信息;根据多个定位点分别对应的单点特征信息,确定目标定位点的观测参数;目标定位点的观测参数用于指示目标定位点映射到至少一条候选道路分别对应的可能性;基于目标定位点的观测参数,从至少一条候选道路中确定目标定位点所映射至的目标道路。本申请实施例提供的技术方案,提升了轨迹绑路的准确率。
Description
技术领域
本申请实施例涉及人工智能技术领域,特别涉及一种轨迹绑路方法、模型训练方法、装置、设备及存储介质。
背景技术
在地图应用程序提供服务的过程中,经常需要对车辆所实际行驶的道路进行预测,即需要将车辆的移动轨迹上的定位点映射至相应的道路。上述过程也可称为轨迹绑路。
在相关技术中,仅根据定位点与各条道路之间的距离,将定位点映射至距离最近的道路。但是,由于信号强度差等因素的影响,对于单个定位点来说,常常存在定位漂移(即定位点与实际位置差距较大)的现象,从而导致轨迹绑路的准确率较低。
发明内容
本申请实施例提供了一种轨迹绑路方法、模型训练方法、装置、设备及存储介质。所述技术方案如下:
根据本申请实施例的一个方面,提供了一种轨迹绑路方法,所述方法包括:
对于目标移动轨迹中的目标定位点,获取所述目标定位点对应的位置序列;其中,所述位置序列包括位于所述目标移动轨迹中的多个定位点,所述多个定位点包括所述目标定位点以及所述目标定位点的至少一个关联定位点;
基于路网信息,获取所述多个定位点分别对应的单点特征信息;其中,所述路网信息包括路网地图中包含的多条道路以及各条所述道路的属性信息;
根据所述多个定位点分别对应的单点特征信息,确定所述目标定位点的观测参数;其中,所述目标定位点的观测参数用于指示所述目标定位点映射到所述至少一条候选道路分别对应的可能性;
基于所述目标定位点的观测参数,从至少一条候选道路中确定所述目标定位点所映射至的目标道路。
根据本申请实施例的一个方面,提供了一种模型训练方法,所述方法包括:
对于样本移动轨迹中的第一定位点,获取所述第一定位点对应的位置序列;其中,所述位置序列包括位于所述样本移动轨迹中的多个定位点,所述多个定位点包括所述第一定位点以及所述第一定位点的至少一个关联定位点;
基于路网信息,获取所述多个定位点分别对应的单点特征信息;其中,所述路网信息包括路网地图中包含的多条样本道路以及各条所述样本道路的属性信息,所述多条样本道路包括所述第一定位点对应的正样本道路和负样本道路;
基于所述多个定位点分别对应的单点特征信息,通过第一网络模型确定所述第一定位点的观测参数;其中,所述第一定位点的观测参数用于指示所述第一定位点映射到所述多条样本道路分别对应的可能性;
基于所述第一定位点的观测参数,从所述多条样本道路中确定所述第一定位点所映射至的目标样本道路;
基于所述目标样本道路以及所述第一定位点对应的正样本道路和负样本道路,调整所述第一网络模型的参数。
根据本申请实施例的一个方面,提供了一种轨迹绑路装置,所述装置包括:
序列获取模块,用于对于目标移动轨迹中的目标定位点,获取所述目标定位点对应的位置序列;其中,所述位置序列包括位于所述目标移动轨迹中的多个定位点,所述多个定位点包括所述目标定位点以及所述目标定位点的至少一个关联定位点;
信息获取模块,用于基于路网信息,获取所述多个定位点分别对应的单点特征信息;其中,所述路网信息包括路网地图中包含的多条道路以及各条所述道路的属性信息;
参数确定模块,用于根据所述多个定位点分别对应的单点特征信息,确定所述目标定位点的观测参数;其中,所述目标定位点的观测参数用于指示所述目标定位点映射到至少一条候选道路分别对应的可能性;
道路确定模块,用于基于所述目标定位点的观测参数,从所述至少一条候选道路中确定所述目标定位点所映射至的目标道路。
根据本申请实施例的一个方面,提供了一种模型训练装置,所述装置包括:
序列获取模块,用于对于样本移动轨迹中的第一定位点,获取所述第一定位点对应的位置序列;其中,所述位置序列包括位于所述样本移动轨迹中的多个定位点,所述多个定位点包括所述第一定位点以及所述第一定位点的至少一个关联定位点;
信息获取模块,用于基于路网信息,获取所述多个定位点分别对应的单点特征信息;其中,所述路网信息包括路网地图中包含的多条样本道路以及各条所述样本道路的属性信息,所述多条样本道路包括所述第一定位点对应的正样本道路和负样本道路;
参数确定模块,用于基于所述多个定位点分别对应的单点特征信息,通过第一网络模型确定所述第一定位点的观测参数;其中,所述第一定位点的观测参数用于指示所述第一定位点映射到所述多条样本道路分别对应的可能性;
道路确定模块,用于基于所述第一定位点的观测参数,从所述多条样本道路中确定所述第一定位点所映射至的目标样本道路;
参数调整模块,用于基于所述目标样本道路以及所述第一定位点对应的正样本道路和负样本道路,调整所述第一网络模型的参数。
根据本申请实施例的一个方面,提供了一种计算机设备,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行,以实现上述轨迹绑路方法或上述模型训练方法。
根据本申请实施例的一个方面,提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行,以实现上述轨迹绑路方法或上述模型训练方法。
根据本申请实施例的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述轨迹绑路方法或上述模型训练方法。
本申请实施例提供的技术方案可以包括如下有益效果:
通过获取定位点对应的位置序列,位置序列包括多个定位点(该定位点以及该定位点的关联定位点),并获取各条道路的属性信息以及各个定位点的单点特征信息,从而可以参考该定位点及其关联定位点的单点特征信息生成该定位点的观测参数,并基于该观测参数来对该定位点所对应的道路进行预测(即映射至预测的道路),由于丰富了定位点映射过程中所参考的信息量,使得生成的定位点的观测参数更为准确,进而提升了轨迹绑路的准确率。
附图说明
图1是本申请一个实施例提供的轨迹绑路方法的流程图;
图2是本申请一个实施例提供的定位点的示意图;
图3是本申请一个实施例提供的间隔距离的示意图;
图4是本申请一个实施例提供的路网地图;
图5是本申请另一个实施例提供的轨迹绑路方法的流程图;
图6是本申请一个实施例提供的NNs模型的示意图;
图7是本申请一个实施例提供的RNN模型的示意图;
图8是本申请一个实施例提供的LSTM模型的示意图;
图9是本申请一个实施例提供的观测数值的生成示意图;
图10是本申请一个实施例提供的第一网络模型和第二网络模型的示意图;
图11是本申请一个实施例提供的模型训练方法的流程图;
图12是本申请另一个实施例提供的路网地图;
图13是本申请一个实施例提供的路网地图的简化示意图;
图14是本申请另一个实施例提供的路网地图;
图15是本申请另一个实施例提供的路网地图;
图16是本申请一个实施例提供的轨迹绑路装置的框图;
图17是本申请一个实施例提供的模型训练装置的框图;
图18是本申请一个实施例提供的计算机设备的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的方法的例子。
首先,对本申请实施例涉及的一些名词进行解释。
交限:在路网地图中,根据实地交通规则的限制,做的对应道路是否可通行的限制。
主辅路:对应实际道路中的主路和辅路概念,主路和辅路通常距离比较近。
定位点:对于车辆来说,终端导航软件通过终端携带的定位系统获取的代表车辆当前位置的定位信息。定位点无法保证任何时刻、任何地点能够准确反映车辆的真实位置(即定位点会发生漂移)。
路网地图:是指将真实世界中的道路信息以及交通规则,虚拟为后台的有向图模型。
轨迹绑路:对于车辆行驶场景来说,指将车辆时间序列记录下来的定位点(存在漂移问题),映射到路网地图中的道路上,即映射到车辆真实行驶的道路上。
轨迹绑路准确率:每个定位点都会唯一绑定到一条最可信的道路上,如果在该时间点,该车辆确实在该道路上行驶,则认为绑路正确;反之,则认为绑路错误。轨迹绑路准确率是指正确绑定到道路上的定位点所占总体的比例,轨迹绑路准确率的值越高越好。
HMM模型:HMM(Hidden Markov Model,隐马尔可夫模型)算法,是结果简单的动态贝叶斯网(Dynamic Bayesian Network),马尔可夫链(Markov Chain)的一种,它的状态不能直接观察到,但能通过观测向量序列观察到,每个观测向量都是通过某些概率密度分布表现为各种状态,每一个观测向量是由一个具有相应概率密度分布的状态序列产生。
XGBoost模型:XGBoost(Extreme Gradiend Boosting)算法可以认为是GBDT(Gradient Boosting Decision Tree,梯度提升树)算法的工程实现,但该算法在分类正则化,数据采样并行化,缺失值处理策略等多个方面都进行了优化改进,可以达到更快的训练和更优的预测效果。
NNs模型:NNs(Neural Networks)算法是一种模仿动物神经网络行为,进行分布式并行信息处理的数学模型。主要由输入层,隐含层和输出层组成,依靠系统的复杂程度,通过调整内部大量节点之间互相连接的权重关系,从而达到拟合目标的目的。
RNN模型:RNNs(Recurrent Neural Networks)是一类以序列数据为输入,在序列的演进方向进行递归,且所有节点(循环单元)按链式连接的递归神经网络。RNN网络就是在传统神经网络的基础上加入了“记忆”的成分,每个时刻的状态都由当前时刻的输入与原有的记忆结合组成,是一种专门用于处理序列数据的深度学习模型。
LSTM模型:LSTM(Long Short Term Memory Networks)是一种时间循环神经网络,是为了解决一般的RNN存在的长期依赖问题而专门设计出来的,与普通RNN模型相比,最主要的改进就是多出了三个门控制器:输入门,输出门和遗忘门。通过门控制器增加了对不同时刻记忆的权重控制,以及加入跨层连接来削减梯度消失问题的影响。
智能车路协同系统(Intelligent Vehicle Infrastructure CooperativeSystems,IVICS),简称车路协同系统,是智能交通系统(ITS)的一个发展方向。车路协同系统是采用先进的无线通信和新一代互联网等技术,全方位实施车车、车路动态实时信息交互,并在全时空动态交通信息采集与融合的基础上开展车辆主动安全控制和道路协同管理,充分实现人车路的有效协同,保证交通安全,提高通行效率,从而形成的安全、高效和环保的道路交通系统。本申请实施例通过提供一种轨迹绑路方法,提升了轨迹绑路的准确率,从而有助于优化智能车路协同系统。
轨迹绑路是地图行业的基础服务,本申请实施例提供的技术方案,可以为底层路网信息提供缺路、交规错误、道路实时开通或封闭等信息;可以对交通路况做实时流统计分析,用来判断道路拥堵情况;可以用来做数据挖掘(如统计道路上的速度信息、车流信息、分析转弯代价等),为用户提供个性化导航规划路线;可以帮助建立地图指标体系(如轨迹绑定准确率、路线规划合理性、判断是否误偏航等)。
同时也是AI模型训练的重要真值样本来源;
需要说明的是,本申请实施例提供的技术方案,设有交规合法性假设的前提,即对象(如车辆、行人等)都是在可通行道路上,严格按照交通规则行使,不存在违反交通规则、路网信息错误等情况。即目标移动轨迹一定是符合交通规则的。如果对象真的违规逆行了,确实是在某一条道路上移动,但是没有满足交通规则,依然会认为此路不通,认为道路连通失败。
本申请实施例提供的方法,各步骤的执行主体可以是计算机设备,该计算机设备是指具备数据计算、处理和存储能力的电子设备。该计算机设备可以是诸如PC(PersonalComputer,个人计算机)、平板电脑、智能手机、可穿戴设备、智能机器人等终端;也可以是服务器。其中,服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云计算服务的云服务器。
下面,通过几个实施例对本申请技术方案进行介绍说明。
请参考图1,其示出了本申请一个实施例提供的轨迹绑路方法的流程图。在本实施例中,以该方法应用于上文介绍的计算机设备来举例说明。该方法可以包括如下几个步骤(101~104):
步骤101,对于目标移动轨迹中的目标定位点,获取目标定位点对应的位置序列。
其中,位置序列包括位于目标移动轨迹中的多个定位点,多个定位点包括目标定位点以及目标定位点的至少一个关联定位点。
在一些实施例中,目标移动轨迹可以由连续的多个点组成,上述定位点(如目标定位点、关联定位点)是从该多个点中选取的点;在一些实施例中,目标移动轨迹可以拟合为轨迹线,上述定位点(如目标定位点、关联定位点)是从该轨迹线上选取的点。可选地,目标移动轨迹可以指任何可移动的生物或物体的移动轨迹。例如,通过在车辆上安装具有定位功能的设备,获取车辆的移动轨迹;又例如,人或动物通过携带具有定位功能的设备来记录其移动轨迹。
在一些实施例中,多个定位点是多个时间点分别对应的点,即每个定位点都对应有一个时间点,每个定位点的时间点均不相同。也即,多个定位点之间存在有时间顺序,任意两个定位点之间一定存在先后顺序。需要说明的是,本申请实施例中,对于时间点不同、但是定位位置相同的两个定位点,算作两个不同的定位点。
在一些实施例中,目标定位点的位置序列是以目标定位点为基础选取的定位点的序列,该位置序列包括在目标定位点之前的至少一个关联定位点,和/或在目标定位点之后的至少一个关联定位点。在目标定位点之前的关联点的数量,和在目标定位点之后的关联点的数量可以相同,也可以不相同,本申请实施例对此不作具体限制。在一些情况下,若目标定位点是目标移动轨迹的最后一个定位点,由于目标定位点之后就没有可供参考的定位点了,则目标定位点的关联定位点仅包括位于目标定位点之前的定位点;在一些情况下,若目标定位点是目标移动轨迹的第一个定位点,由于目标定位点之前没有可供参考的定位点,则目标定位点的关联定位点仅包括位于目标定位点之后的定位点。
在一些实施例中,关联定位点是指与目标定位点之间具有第一关联关系的定位点。可选地,第一关联关系包括以下至少之一:
(1)定位点与目标定位点之间没有可通行的道路分叉口;
(2)定位点位于目标定位点之前、且与目标定位点之间间隔的定位点的数量小于或等于第一阈值;
(3)定位点位于目标定位点之后、且与目标定位点之间间隔的定位点的数量小于或等于第二阈值;
(4)定位点位于目标定位点之前、且与目标定位点之间的间隔距离小于或等于第三阈值;
(5)定位点位于目标定位点之后、且与目标定位点之间的间隔距离小于或等于第四阈值。
其中,定位点与目标定位点之间没有可通行的道路分叉口,可以指定位点与目标定位点之间没有道路分叉口,或者定位点与目标定位点之间有道路分叉口,但是由于物理条件限制(如道路分叉口被阻断以致不可通行到另一条道路上)或通行规则限制(如根据交通规则在该定位点对应的时间点,不可通过该道路分叉口通行到另一条道路上)。
在一些实施例中,目标定位点对应于至少一条候选道路中的目标候选道路的关联定位点,是指与目标定位点之间的目标候选道路上没有可通行的道路分叉口的定位点。
如图2所示,道路分叉口可以指分向多条不同道路的路口,如道路分叉口13;道路分叉口还可以指拐角较大的路口,如道路分叉口14。
在图2示例中,若目标定位点为Gt+4,需要计算Gt+4实际绑定的道路为候选道路11的可能性,则可以沿着从Gt+4开始沿着候选道路11向前和向后选取定位Gt+3、Gt+5、Gt+6、Gt+7和Gt+8作为Gt+4对应于候选道路11的关联定位点(不能选取Gt+2作为Gt+4对应于候选道路11的关联定位点,因为沿着候选道路11,Gt+2与Gt+4之间存在道路分叉口);若需要计算Gt+4实际绑定的道路为候选道路12的可能性,则可以沿着从Gt+4开始沿着候选道路12向前和向后选取定位Gt+3和Gt+5作为Gt+4对应于候选道路12的关联定位点(沿着候选道路12,Gt+6与Gt+4之间存在道路分叉口,因而不能选取Gt+6作为Gt+4对应于候选道路12的关联定位点;Gt+7、Gt+8同理)。
在一些实施例中,定位点与目标定位点之间的间隔距离可以指定位点与目标定位点之间的直线距离,如图3所示的定位点16和17之间的距离L1。
在一些实施例中,定位点与目标定位点之间的间隔距离,可以指定位点与目标定位点对应于目标候选道路的投影距离,如图3所示的定位点16和17之间的距离L2。
其中,上述第一阈值可以为0、1、3、5、20、34等;上述第二阈值可以为0、2、10、15、30等;上述第三阈值可以为2米、5米、35米、50米、100米等;上述第四阈值可以为5米、15米、60米、200米等。需要说明的是,上述第一阈值、第二阈值、第三阈值和第四阈值的具体数值可以由相关技术人员根据实际情况进行设定,不同路口对应的阈值(如第一阈值、第二阈值、第三阈值、第四阈值)可以相同也可以不相同,本申请实施例对此不作具体限定。
步骤102,基于路网信息,获取多个定位点分别对应的单点特征信息。
在一些实施例中,路网信息包括路网地图中包含的多条道路以及各条道路的属性信息。在一些实施例中,道路的属性信息包括真实世界中的道路中关于掉头、红绿灯、限行等方面的交规信息。可选地,将各条道路的属性信息虚拟为后台的有向图模型,即可得到对应的路网地图,如地图应用程序的客户端显示的地图。在一些实施例中,通过多个定位点与路网地图中的道路之间的距离、角度、方向等关系,可以得到各个定位点分别对应的单点特征信息。
在一些实施例中,路网信息包括以下至少之一:
(1)道路之间的道路分叉口的分叉角度。
在一些实施例中,道路分叉口的分叉角度可以指道路之间的连接路径与各个道路之间的角度;也可以指通过道路分叉口从一条道路移动到另一条道路的过程中,实际移动轨迹需要偏转的角度。如图4所示,可以通过道路分叉口18从道路19转到道路20上,分叉角度可以认为是角度21,也可以认为是角度22,也可以认为是角度21和角度22。
(2)覆盖道路之间的道路分叉口的至少两个定位点,与道路之间的垂直距离的绝对值的平均值。
在一些实施例中,该至少两个定位点至少存包含一个位于该道路分叉口之前的定位点、以及一个位于该道路分叉口之后的定位点。通过计算预测的道路链中位于道路分叉口前后的定位点,分别与各自对应的道路之间的垂直距离,并对各个定位点分别对应的垂直距离的绝对值求平均值,该平均值越小,表示预测准确的可能性越高。
(3)道路的速度特征。
在一些实施例中,不同道路对其中的对象(如各种车辆、行人等)的移动速度的限制规定可能不相同;不同道路中的对象的移动速度情况也不相同。例如,主路上车辆的行驶速度一般较快,辅路上车辆的行驶速度一般比在主路上慢。可选地,道路的速度特征包括道路上的对象的平均移动速度。进一步地,道路的速度特征可以细化为在各个不同时段,道路上的对象的平均移动速度。
(4)道路的等级。
在一些实施例中,道路可以按照等级进行分类。例如,道路可以按照其中的对象的平均移动速度进行划分,平均移动速度越高,等级就越高;平均移动速度越低,等级就越低。又例如,道路可以按照道路属性进行划分,如高速公路的等级高于国道的等级,国道的等级高于省道的等级,省道的等级高于县道的等级,县道的等级高于普通道路的等级。又例如,道路可以按照车流量/人流量划分等级,车流量/人流量越多,道路的等级越高;车流量/人流量越少,道路的等级越低。
(5)道路包含的车道类型以及各个车道类型分别对应的数量。
车道是指仅供一辆车行驶的部分道路,在一个车道中,两个或两个以上车辆不能并排行驶。在一些实施例中,车道包括快速车道和慢速车道。路网信息可以包括道路中车道的总数量,也可以包括快速车道的数量和慢速车道的数量。
(6)道路的宽度。
道路的宽度可以至道路的总宽度,也可以指道路的两个行驶方向分别对应的宽度。
(7)道路的车道宽度信息。
在一些实施例中,路网信息还包括交限信息,即在路网地图中,根据实地交通规则的基础上,确定的道路以及道路之间是否可通行的信息。
在一些实施例中,定位点对应的单点特征信息,包括定位点分别对应于定位点的至少一条候选道路的特征信息。也即,若一个定位点对应有多条候选道路,则该定位点对应于每一条候选道路都有一组特征信息。
在一些实施例中,定位点对应的单点特征信息包括以下至少之一:
(1)定位点相对于参考方向的偏转角,以及定位点对应的平均偏转角,平均偏转角是指定位点之前的至少一个定位点相对于参考方向的偏转角的均值。
可选地,参考方向为正北方向。当然,参考方向也可以为其他方向,如正南方向、正东方向、正西方向等等,本申请实施例对此不作具体限定。在一些实施例中,定位点相对于参考方向的偏转角,是指从参考方向转到定位点对应的行驶方向所转动的角度,行驶方向可以指目标移动轨迹在定位点的切线方向。其中,该偏转角是具有正负号的,用于指示偏转角的偏转方向。例如,若参考方向偏转到行驶方向是向左转,则偏转角为正;若参考方向偏转到行驶方向是向右转,则偏转角为负。当然,偏转角的正负号规则是认为设定的,相关技术人员可以根据实际情况自行设定,本申请实施例对此不作具体限定。
在示例性实施例中,至少一个定位点是指定位点之前、与该定位点之间的距离小于第七阈值的定位点。
在示例性实施例中,选取定位点之前的100米内的20个定位点,分别获取这20个定位点的偏转角,并计算这20个定位点的偏转角的均值(带上偏转角的正负号计算偏转角的均值)。其中,定位点相对于参考方向的偏转角与这20个定位点的偏转角的均值之间的差值越小,表示切换道路的可能性越小;定位点相对于参考方向的偏转角与这20个定位点的偏转角的均值之间的差值越大,表示切换道路的可能性越大。
(2)定位点相对于候选道路的垂直距离。
其中,该垂直距离是带有符号的。例如,沿着目标移动轨迹的移动方向,若定位点位于候选道路的左侧,则对应的垂直距离的符号为负;若定位点位于候选道路的右侧,则对应的垂直距离的符号为正。或者,沿着目标移动轨迹的移动方向,若定位点位于候选道路的左侧,则对应的垂直距离的符号为正;若定位点位于候选道路的右侧,则对应的垂直距离的符号为负。
(3)定位点相对于候选道路的垂直距离的绝对值。
其中,定位点相对于候选道路的垂直距离的绝对值,只包含定位点相对于候选道路的最端距离,不包含定位点相对候选道路的方向。
(4)定位点相对于候选道路的垂直距离的绝对值与平均垂直距离之间的差值,平均垂直距离是指定位点之前的至少一个定位点分别相对于候选道路的垂直距离的绝对值的均值。
其中,对至少一个定位点的解释说明可以参考上文内容,此处不再赘述。
在示例性实施例中,选取定位点之前的150米内的15个定位点,分别获取这15个定位点相对于候选道路的垂直距离的绝对值,并计算这15个绝对值的均值。其中,定位点相对于候选道路的垂直距离的绝对值,与这15个绝对值的均值之间的差值越小,表示切换道路的可能性越小;定位点相对于候选道路的垂直距离的绝对值,与这15个绝对值的均值之间的差值越大,表示切换道路的可能性越大。
(5)定位点的定位精度值。
在一些实施例中,通过定位系统得到的定位点可能存在一定误差,该误差范围就是定位精度。可以理解,定位精度实际上应该是一个范围,方便起见,可以将该范围中的最大数值作为定位精度值来代表定位精度。例如,若定位精度为0~10米,则采用“10米”作为定位精度值来代表定位精度。
可选地,不同区域的定位精度可能不相同。例如,有些区域较为空旷,对定位的干扰较少,则定位精度值可能较小,这表示定位精度较高;有些区域对信号传输的阻挡物较多,对定位的干扰较为严重,则定位精度值可能较大,这表示定位精度较低。
可选地,定位点所在区域的定位精度,由对应的定位系统提供。
(6)定位点相对于候选道路的垂直距离的绝对值,与定位点的定位精度值之间的差值。
容易理解地,本申请实施例涉及的各种距离,可以指在路网地图的地图比例不变的情况下,在路网地图上的地图距离;也可以指按照路网地图的地图比例计算得到的实际距离,本申请实施例对此不作具体限定。
步骤103,根据多个定位点分别对应的单点特征信息,确定目标定位点的观测参数。
其中,目标定位点的观测参数用于指示目标定位点映射到至少一条候选道路分别对应的可能性。
在一些实施例中,目标定位点对应于至少一条候选道路,根据与目标定位点相关的多个定位点分别对应的单点特征信息,可以得到目标定位点映射到至少一条候选道路分别对应的可能性。
可选地,目标定位点对应的候选道路,是指与目标定位点的最短距离小于第八阈值的道路。其中,第八阈值的具体数值可以由相关技术人员根据实际情况进行设定,本申请实施例对此不作具体限定。
步骤104,基于目标定位点的观测参数,从至少一条候选道路中确定目标定位点所映射至的目标道路。
在一些实施例中,基于目标定位点映射到至少一条候选道路分别对应的可能性,可以从至少一条候选道路中确定出目标定位点最有可能所在的道路,将该道路作为目标定位点所映射至的目标道路。
综上所述,本申请实施例提供的技术方案,通过获取定位点对应的位置序列,位置序列包括多个定位点(该定位点以及该定位点的关联定位点),并获取各条道路的属性信息以及各个定位点的单点特征信息,从而可以参考该定位点及其关联定位点的单点特征信息生成该定位点的观测参数,并基于该观测参数来对该定位点所对应的道路进行预测(即映射至预测的道路),由于丰富了定位点映射过程中所参考的信息量,使得生成的定位点的观测参数更为准确,进而提升了轨迹绑路的准确率。
特别地,本申请实施例提供的技术方案,对于交限判断场景以及主辅路切换判断场景中轨迹绑路的准确率的提升较为明显。
请参考图5,其示出了本申请另一个实施例提供的轨迹绑路方法的流程图。在本实施例中,以该方法应用于上文介绍的计算机设备来举例说明。该方法可以包括如下几个步骤(501~507):
步骤501,对于目标移动轨迹中的目标定位点,获取目标定位点对应的位置序列。
该步骤501与上文图1实施例的步骤101的内容相同或相近,此处不再赘述。
步骤502,基于路网信息,获取多个定位点分别对应的单点特征信息。
该步骤502与上文图1实施例的步骤102的内容相同或相近,此处不再赘述。
步骤503,将多个定位点分别对应的单点特征信息,按照时间顺序输入具有记忆功能的第一网络模型,生成目标定位点的关联信息。
在一些实施例中,目标定位点的关联信息用于指示目标定位点与至少一个关联定位点之间的关联关系。由于多个定位点是具有先后顺序关系的位置序列,参考目标定位点之前的点以及之后的点的特征,有助于确定目标定位点所映射至的目标道路。采用第一网络模型,可以提取多个定位点分别对应的单点特征信息,得到目标定位点的关联信息。因而,关联信息是以目标定位点为核心,融合了目标定位点以及至少一个关联点的单点特征信息。
在一些实施例中,第一网络模型为循环神经网络,第一网络模型包括记忆单元和门控制器,记忆单元用于记录第一网络模型获取和生成的信息,门控制器用于控制第一网络模型中信息的保留情况。
在一些实施例中,对于第一网络模型的多次循环中的第n次循环,通过门控制器对记忆单元、第n个定位点对应的特征信息、以及第一网络模型的第n-1次循环输出的循环结果进行处理,生成第n次循环输出的循环结果,并更新记忆单元,n为大于1的正整数;其中,关联信息为第一网络模型的最后一次循环输出的循环结果。
在一些实施例中,门控制器包括以下至少之一:遗忘门、输入门和输出门。其中,对于第n次循环,遗忘门用于确定第n-1次循环完成后记忆单元中所保存信息的遗忘情况;输入门用于确定第n次循环中输入的定位点的单点特征信息在第一网络模型中的嵌入程度;输出门用于从第一网络模型在第n次循环过程中生成的信息中,确定出用作第n次循环输出的循环结果的信息。
在一些实施例中,第一网络模型为LSTM(Long Short Term Memory Networks,长短期记忆网络)模型。
在介绍LSTM模型之前,先介绍NNs(Neural Networks,标准神经网络)模型和RNN(Recurrent Neural Networks,循环神经网络)模型。
如图6所示,NNs模型包括输入层23、隐含层24和输出层25。其中,输入层23节点为[x1,x2,…,xm],经过若干个隐含层24的计算,最终到达输出层25并得到预测结果y(如图中的y1和y2)。对于输入的序列数据(w1,w2,…,wm),每一个元素对应到一个输入节点的位置。从图中可以看出任意两个输入数据wi和wj,它们作用于最终的输出结果是由不同的模型参数决定的。整个wi和wj两者之间并无任何关联。由于输入层23与隐含层24之间是全连接,故可以认为对于中间层来说,每一个输入节点都是独立的、平等的,w1与w2、w2与w3之间的依赖关系(如先后顺序)在网络结构中完全没有体现,也无法学习到序列数据之间的依赖关系。
如图7所示,(a)为RNN模型的原理简化图,(b)为(a)的展开形式。x(如图中的xt-1、xt、xt+1)是输入序列向量,h代表网络隐层的状态,o(如图中的ot-1、ot、ot+1)代表输出向量。输入与隐层之间通过参数矩阵U连接,不同时刻的隐层之间以参数矩阵W连接,隐层与输出层之间以参数矩阵V连接。左图中的方块26,描述了一个延迟连接,如从上一个时刻的隐含状态ht-1到当前时刻隐层状态ht之间的连接。
用公式来表示,RNN的前向传播可以表示为:
at=b+W*ht-1+U*xt
ht=tanh(at)
ot=c+V*ht
其中,b、c为常数,W、U、V为常数矩阵,xt为t时刻的输入,表示ht为t时刻的隐层状态表示,ot表示t时刻的输出表示,为经过归一化后的预测概率。值得一提的是,参数共享在RNN模型中也起到了至关重要的作用。从图7和上面的公式可以注意到,对于每一个时刻,参数矩阵U、W、V并没有变化,而是使用同一组参数。也正是由于参数共享的作用,RNN模型可以处理任意长度的序列,只要序列的元素按顺序一个一个地传入网络,RNN模型就像管道一样一个个处理这些元素。同时也因为如此,而导致RNN模型存在梯度消失,以及无法学习到远距离知识的问题。
如图8所示,LSTM模型28和普通RNN模型27相比,最主要的改进就是多出了三个门控制器:输入门(inputgate)、输出门(outputgate)和遗忘门(forgetgate)。三个门控制器的结构都相同,主要由sigmoid函数(如LSTM模型28中的ɑ节点)和点积操作构成。由于sigmoid函数的取值范围是[0,1],所以门控制器描述了信息能够通过的比例,sigmoid取值为0的时候表示没有信息能够通过,或者理解为将所有记忆全部遗忘。反之,取值为1时表示所有信息都能通过,完全保留这一分支的记忆。
对于RNN模型27,每个时刻的状态都由当前时刻的输入与原有的记忆结合组成。但问题在于记忆容量有限,早期记忆会呈指数级衰减。为了解决这一问题,LSTM模型27在原有的短期记忆单元ht的基础上,增加一个记忆单元ct来保持长期记忆。从网络结构设计角度来说,LSTM模型28对RNN模型27的改进主要体现在通过门控制器增加了对不同时刻记忆的权重控制,以及加入跨层连接削减梯度消失问题的影响。
步骤504,根据目标定位点的关联信息和路网信息,采用第二网络模型生成目标定位点的观测参数。
在一些实施例中,通过第一网络模型生成目标定位点的关联信息之后,还需要将关联信息与路网信息结合,即将融合了多个定位点分别对应的单点特征信息的关联信息,与路网信息结合起来,才能得到目标定位点的观测参数。
有上文可知,目标定位点的观测参数用于指示目标定位点映射到至少一条候选道路分别对应的可能性。在一些实施例中,观测参数包括至少一条候选道路的观测数值,观测数值表示目标定位点映射到候选道路的可能性。可选地,观测数值也称为观测概率。
在示例性实施例中,如图9所示,在计算Lt,2和Lt,3的观测数值时,使用了LSTM模型,该模型可以处理变长的数据点特征,针对Lt,2的观测数值,共使用了i+j+1个定位点对应的特征信息列表29,针对Lt,3的观测数值,共使用了k+m+1个定位点对应的特征信息列表30。
在示例性实施例中,如图10所示,通过采用第一网络模型31对多个定位点分别对应的特征信息进行提取,生成的ht即为目标定位点的关联信息,ht为向量形式。将路网信息向量化后,与ht进行拼接后输入第二网络模型32,有第二网络模型32生成目标定位点的观测参数。可选地,第二网络模型包括至少一个全连接层。
步骤505,获取至少一条候选道路的状态转移数值。
其中,状态转移数值用于指示从目标定位点的前一个定位点对应的目标道路转移到候选道路的可能性。可选地,状态转移数值也称为状态转移概率。在一些实施例中,前一个定位点是指在目标移动轨迹中目标定位点之前、且与目标定位点相邻的定位点。
在一些实施例中,通过转移概率模型,基于前一个定位点最有可能实际所在的道路,确定从前一个定位点转移到目标定位点对应的各条候选道路的概率,即得到各条候选道路的状态转移数值。其中,状态转移数值越高,表示从前一个定位点的目标道路转移到候选道路的可能性越高。可选地,转移概率模型为XGBoost(Extreme Gradient Boosting,极限梯度提升模型)。
步骤506,根据至少一条候选道路的观测数值和至少一条候选道路的状态转移数值,确定目标定位点分别对应于各条候选道路的观察概率。
在一些实施例中,根据至少一条候选道路的观测数值和至少一条候选道路的状态转移数值,采用第三网络模型得到候选道路的观察概率。其中,观察概率用于指示在全局地图范围内,目标定位点映射到候选道路的可能性,全局地图包含路网地图。可选地,第三网络模型为HMM模型。
步骤507,根据目标定位点分别对应于各条候选道路的观察概率,从至少一条候选道路中确定目标道路。
在一些实施例中,根据各个定位点分别对应于候选道路的观察概率,采用第三网络模型,从全局地图最优的角度,确定目标移动轨迹上的各个定位点分别映射的道路,也即得到目标定位点所映射至的目标道路。
综上所述,本申请实施例提供的技术方案,多个定位点分别对应的单点特征信息是分别输入第一网络模型的,并按照时间先后顺序进行提取,并通过们控制器在每一次循环中最第一网络模型中记忆的之前点的信息进行选择性记忆,从而使得第一网络模型在提取位置序列中的多个定位点分别对应的单点特征信息时,还根据多个定位点的在时间上的先后顺序对这些特征信息进行了整合,因而提升了之后结合路网信息生成的目标定位点的观测参数的准确性,即提升了单个定位点的观测参数的准确性,进而提升了轨迹绑路的准确率。
在一些实施例中,在目标定位点符合第一条件的情况下,从上述图1实施例的步骤101或图5实施例的步骤501开始执行,即采用本申请实施例提供的轨迹绑路方法。
可选地,第一条件包括目标定位点与最近的道路分叉口之间的距离小于或等于第五阈值。在一些实施例中,从轨迹绑路的效率角度考虑,仅对位于道路分叉口机器附近的定位点采用本申请实施例提供的轨迹绑路方法。当然,在计算机设备的性能允许,或者对效率要求不高的情况下,可以对目标移动轨迹上的每任意定位点均采用本申请实施例提供的轨迹绑路方法。
在一些实施例中,在目标定位点符合第二条件的情况下,通过目标定位点与目标定位点的前一个定位点确定目标定位点所映射至的目标道路。
可选地,第二条件包括目标定位点与最近的道路分叉口之间的距离大于或等于第六阈值。也即,在距离道路分叉口距离较远的情况下,可以不采用本申请实施例提供的轨迹绑路方法,而采用效率较高但准确率较低的轨迹绑路方法。可选地,第六阈值大于或等于第五阈值。
在一些实施例中,通过目标定位点与目标定位点的前一个定位点确定目标定位点所映射至的目标道路,包括如下步骤:
1、通过目标定位点相对于各条候选道路的垂直距离,确定目标定位点分别对应于各条候选道路的观察概率;
2、获取至少一条候选道路的状态转移数值,状态转移数值用于指示从目标定位点的前一个定位点对应的目标道路转移到候选道路的可能性;
3、基于目标定位给点分别对应于各条候选道路的观察概率,以及目标定位点分别对应于各条候选道路的状态转移概率,确定目标定位点所映射至的目标道路。
在一些实施例中,目标定位点相对于候选道路的垂直距离越短,候选道路的观察概率越高;目标定位点相对于候选道路的垂直距离越长,候选道路的观察概率越低。其中,上述步骤2、3可以参考上述图5实施例的步骤505和步骤506的内容,此处不再赘述。
在上述实施例中,仅对符合第一条件的定位点,即仅对较难确定所映射至的道路的定位点,采用上述图1实施例或图2实施例提供的轨迹绑路方法;对于其他比较容易确定映射道路的定位点(如符合第二条件的定位点),可以采用其他效率更高的生成观测参数方法,从而使得对目标移动轨迹的整体轨迹进行绑路的过程中,能够兼顾准确率和效率。
请参考图11,其示出了本申请一个实施例提供的模型训练方法的流程图。在本实施例中,以该方法应用于上文介绍的计算机设备来举例说明。该方法可以包括如下几个步骤(1101~1105):
步骤1101,对于样本移动轨迹中的第一定位点,获取第一定位点对应的位置序列。
其中,位置序列包括位于样本移动轨迹中的多个定位点,多个定位点包括第一定位点以及第一定位点的至少一个关联定位点。
步骤1102,基于路网信息,获取多个定位点分别对应的单点特征信息。
其中,路网信息包括路网地图中包含的多条样本道路以及各条样本道路的属性信息,多条样本道路包括第一定位点对应的正样本道路和负样本道路,正样本道路为定位点实际对应的道路,负样本道路为除定位点实际对应的道路之外的其他道路。
在示例性实施例中,如图12所示的路网地图可以简化为如图13所示的简化地图,并在图13所示的简化地图中标示各个样本道路。如图12所示,移动轨迹33上的存在位于道路分叉口附近的定位点,如定位点34;真实的移动路径应该是:道路35——道路36——道路37。因而对应于图13中,正样本道路即为道路38——道路39——道路40,其他道路均为负样本道路。
步骤1103,基于多个定位点分别对应的单点特征信息,通过第一网络模型确定第一定位点的观测参数。
其中,第一定位点的观测参数用于指示第一定位点映射到多条样本道路分别对应的可能性。
在一些实施例中,步骤1103还包括如下步骤:
1、将多个定位点分别对应的单点特征信息,按照时间顺序输入第一网络模型,生成第一定位点的关联信息,第一定位点的关联信息用于指示第一定位点与至少一个关联定位点的关系。
在一些实施例中,第一网络模型为循环神经网络,第一网络模型包括记忆单元和门控制器,记忆单元用于记录第一网络模型获取和生成的信息,门控制器用于控制第一网络模型中信息的保留情况。
在一些实施例中,对于第一网络模型在目标轮次的训练的多次循环中的第n次循环,通过门控制器对记忆单元、第n个样本定位点对应的特征信息、以及目标轮次的训练的第n-1次循环输出的循环结果进行处理,生成第n次循环输出的循环结果,并更新记忆单元,n为大于1的正整数。其中,目标轮次的训练得到的第一定位点的关联信息,为第一网络模型在目标轮次的训练过程中的最后一次循环输出的循环结果。
2、根据第一定位点的关联信息和路网信息,采用第二网络模型生成第一定位点的观测参数。
步骤1104,基于第一定位点的观测参数,从多条样本道路中确定第一定位点所映射至的目标样本道路。
步骤1105,基于目标样本道路以及第一定位点对应的正样本道路和负样本道路,调整第一网络模型的参数。
其中,上述步骤1101~1105可以参考上述图1实施例或图5实施例的内容,此处不再赘述。
综上所述,本申请实施例提供的技术方案,在训练第一网络模型和第二网络模型的过程中,输入第一网络模型的是第一定位点以及关联定位点的特征信息,且第一网络模型具有记忆功能,能够根据该多个定位点之间存在先后顺序对其特征信息进行提取,从而使得训练得到的第一网络模型能够处理存在一定顺序关系的位置序列,进而采用第一网络模型得到的定位点所映射至的道路的映射准确率较高,从而提升了轨迹绑路的准确率。
在示例性实施例中,如图14和图15所示,采用本申请实施例提供的技术方案得到的轨迹绑路41优于其他方案得到的轨迹绑路42;采用本申请实施例提供的技术方案得到的轨迹绑路43优于其他方案得到的轨迹绑路44。经过实验,采用本申请实施例提供的技术方案得到的轨迹绑路准确率可以达到95%。
下述为本申请装置实施例,可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节,请参照本申请方法实施例。
请参考图16,其示出了本申请一个实施例提供的轨迹绑路装置的框图。该装置具有实现上述轨迹绑路方法示例的功能,所述功能可以由硬件实现,也可以由硬件执行相应的软件实现。该装置可以是上文介绍的计算机设备,也可以设置在计算机设备上。该装置1600可以包括:
序列获取模块1610,用于对于目标移动轨迹中的目标定位点,获取所述目标定位点对应的位置序列;其中,所述位置序列包括位于所述目标移动轨迹中的多个定位点,所述多个定位点包括所述目标定位点以及所述目标定位点的至少一个关联定位点。
信息获取模块1620,用于基于路网信息,获取所述多个定位点分别对应的单点特征信息;其中,所述路网信息包括路网地图中包含的多条道路以及各条所述道路的属性信息。
参数确定模块1630,用于根据所述多个定位点分别对应的单点特征信息,确定所述目标定位点的观测参数;其中,所述目标定位点的观测参数用于指示所述目标定位点映射到至少一条候选道路分别对应的可能性。
道路确定模块1640,用于基于所述目标定位点的观测参数,从所述至少一条候选道路中确定所述目标定位点所映射至的目标道路。
在示例性实施例中,所述参数确定模块1630,用于:
将所述多个定位点分别对应的单点特征信息,按照时间顺序输入具有记忆功能的第一网络模型,生成所述目标定位点的关联信息,所述目标定位点的关联信息用于指示所述目标定位点与所述至少一个关联定位点之间的关联关系;
根据所述目标定位点的关联信息和所述路网信息,采用第二网络模型生成所述目标定位点的观测参数。
在示例性实施例中,所述第一网络模型为循环神经网络,所述第一网络模型包括记忆单元和门控制器,所述记忆单元用于记录所述第一网络模型获取和生成的信息,所述门控制器用于控制所述第一网络模型中信息的保留情况。所述参数确定模块1630,用于对于所述第一网络模型的多次循环中的第n次循环,通过所述门控制器对所述记忆单元、所述第n个定位点对应的特征信息、以及所述第一网络模型的第n-1次循环输出的循环结果进行处理,生成所述第n次循环输出的循环结果,并更新所述记忆单元,所述n为大于1的正整数;其中,所述关联信息为所述第一网络模型的最后一次循环输出的循环结果。
在示例性实施例中,所述门控制器包括以下至少之一:遗忘门、输入门和输出门;其中,对于所述第n次循环,所述遗忘门用于确定所述第n-1次循环完成后所述记忆单元中所保存信息的遗忘情况;所述输入门用于确定所述第n次循环中输入的定位点的单点特征信息在所述第一网络模型中的嵌入程度;所述输出门用于从所述第一网络模型在所述第n次循环过程中生成的信息中,确定出用作所述第n次循环输出的循环结果的信息。
在示例性实施例中,所述关联定位点是指与所述目标定位点之间具有第一关联关系的定位点,所述第一关联关系包括以下至少之一:
所述定位点与所述目标定位点之间没有可通行的道路分叉口;
所述定位点位于所述目标定位点之前、且与所述目标定位点之间间隔的定位点的数量小于或等于第一阈值;
所述定位点位于所述目标定位点之后、且与所述目标定位点之间间隔的定位点的数量小于或等于第二阈值;
所述定位点位于所述目标定位点之前、且与所述目标定位点之间的间隔距离小于或等于第三阈值;
所述定位点位于所述目标定位点之后、且与所述目标定位点之间的间隔距离小于或等于第四阈值。
在示例性实施例中,所述目标定位点对应于所述至少一条候选道路中的目标候选道路的关联定位点,是指与所述目标定位点之间的所述目标候选道路上没有可通行的道路分叉口的定位点。
在示例性实施例中,所述观测参数包括所述至少一条候选道路的观测数值;所述道路确定模块1640,用于:
获取所述至少一条候选道路的状态转移数值,所述状态转移数值用于指示从所述目标定位点的前一个定位点对应的目标道路转移到所述候选道路的可能性;
根据所述至少一条候选道路的观测数值和所述至少一条候选道路的状态转移数值,确定所述目标定位点分别对应于各条所述候选道路的观察概率,所述观察概率用于指示在全局地图范围内,所述目标定位点映射到所述候选道路的可能性,所述全局地图包含所述路网地图;
根据所述目标定位点分别对应于各条所述候选道路的观察概率,从所述至少一条候选道路中确定所述目标道路。
在示例性实施例中,所述序列获取模块1610,还用于在所述目标定位点符合第一条件的情况下,从所述对于目标移动轨迹中的目标定位点,获取所述目标定位点对应的位置序列的步骤开始执行。
所述道路确定模块1640,还用于在所述目标定位点符合第二条件的情况下,通过所述目标定位点与所述目标定位点的前一个定位点确定所述目标定位点所映射至的目标道路。
在示例性实施例中,所述第一条件包括所述目标定位点与最近的道路分叉口之间的距离小于或等于第五阈值。
在示例性实施例中,所述第二条件包括所述目标定位点与最近的道路分叉口之间的距离大于或等于第六阈值;所述道路确定模块1640,用于:
通过所述目标定位点相对于各条所述候选道路的垂直距离,确定所述目标定位点分别对应于各条所述候选道路的观察概率;
获取所述至少一条候选道路的状态转移数值,所述状态转移数值用于指示从所述目标定位点的前一个定位点对应的目标道路转移到所述候选道路的可能性;
基于所述目标定位点分别对应于各条所述候选道路的观察概率,以及所述目标定位点分别对应于各条所述候选道路的状态转移概率,确定所述目标定位点所映射至的目标道路。
在示例性实施例中,所述定位点对应的单点特征信息,包括所述定位点分别对应于所述至少一条候选道路的特征信息;所述定位点对应的单点特征信息包括以下至少之一:
所述定位点相对于参考方向的偏转角,以及所述定位点对应的平均偏转角,所述平均偏转角是指所述定位点之前的至少一个定位点相对于所述参考方向的偏转角的均值;
所述定位点相对于所述候选道路的垂直距离的绝对值与平均垂直距离之间的差值,所述平均垂直距离是指所述定位点之前的至少一个定位点分别相对于所述候选道路的垂直距离的绝对值的均值;
所述定位点相对于所述候选道路的垂直距离的绝对值;
所述定位点相对于所述候选道路的垂直距离;
所述定位点相对于所述候选道路的垂直距离的绝对值,与所述定位点的定位精度值之间的差值;
所述定位点的定位精度值。
在示例性实施例中,所述路网信息包括以下至少之一:
所述道路之间的道路分叉口的分叉角度;
覆盖所述道路之间的道路分叉口的至少两个定位点,与所述道路之间的垂直距离的绝对值的平均值;
所述道路的速度特征;
所述道路的等级;
所述道路包含的车道等级以及各个车道等级分别对应的数量;
所述道路的宽度;
所述道路的车道宽度信息。
综上所述,本申请实施例提供的技术方案,通过获取定位点对应的位置序列,位置序列包括多个定位点(该定位点以及该定位点的关联定位点),并获取各条道路的属性信息以及各个定位点的单点特征信息,从而可以参考该定位点及其关联定位点的单点特征信息生成该定位点的观测参数,并基于该观测参数来对该定位点所对应的道路进行预测(即映射至预测的道路),由于丰富了定位点映射过程中所参考的信息量,使得生成的定位点的观测参数更为准确,进而提升了轨迹绑路的准确率。
请参考图17,其示出了本申请一个实施例提供的模型训练装置的框图。该装置具有实现上述模型训练方法示例的功能,所述功能可以由硬件实现,也可以由硬件执行相应的软件实现。该装置可以是上文介绍的计算机设备,也可以设置在计算机设备上。该装置1700可以包括:
序列获取模块1710,用于对于样本移动轨迹中的第一定位点,获取所述第一定位点对应的位置序列;其中,所述位置序列包括位于所述样本移动轨迹中的多个定位点,所述多个定位点包括所述第一定位点以及所述第一定位点的至少一个关联定位点。
信息获取模块1720,用于基于路网信息,获取所述多个定位点分别对应的单点特征信息;其中,所述路网信息包括路网地图中包含的多条样本道路以及各条所述样本道路的属性信息,所述多条样本道路包括所述第一定位点对应的正样本道路和负样本道路。
参数确定模块1730,用于基于所述多个定位点分别对应的单点特征信息,通过第一网络模型确定所述第一定位点的观测参数;其中,所述第一定位点的观测参数用于指示所述第一定位点映射到所述多条样本道路分别对应的可能性。
道路确定模块1740,用于基于所述第一定位点的观测参数,从所述多条样本道路中确定所述第一定位点所映射至的目标样本道路。
参数调整模块1750,用于基于所述目标样本道路以及所述第一定位点对应的正样本道路和负样本道路,调整所述第一网络模型的参数。
在示例性实施例中,所述参数确定模块1730,用于:
将所述多个定位点分别对应的单点特征信息,按照时间顺序输入所述第一网络模型,生成所述第一定位点的关联信息,所述第一定位点的关联信息用于指示所述第一定位点与所述至少一个关联定位点的关系;
根据所述第一定位点的关联信息和所述路网信息,采用第二网络模型生成所述第一定位点的观测参数。
在示例性实施例中,所述第一网络模型为循环神经网络,所述第一网络模型包括记忆单元和门控制器,所述记忆单元用于记录所述第一网络模型获取和生成的信息,所述门控制器用于控制所述第一网络模型中信息的保留情况;所述参数确定模块1730,用于对于所述第一网络模型在目标轮次的训练的多次循环中的第n次循环,通过所述门控制器对所述记忆单元、所述第n个样本定位点对应的特征信息、以及所述目标轮次的训练的第n-1次循环输出的循环结果进行处理,生成所述第n次循环输出的循环结果,并更新所述记忆单元,所述n为大于1的正整数;其中,所述目标轮次的训练得到的所述第一定位点的关联信息,为所述第一网络模型在所述目标轮次的训练过程中的最后一次循环输出的循环结果。
综上所述,本申请实施例提供的技术方案,多个定位点分别对应的单点特征信息是分别输入第一网络模型的,并按照时间先后顺序进行提取,并通过们控制器在每一次循环中最第一网络模型中记忆的之前点的信息进行选择性记忆,从而使得第一网络模型在提取位置序列中的多个定位点分别对应的单点特征信息时,还根据多个定位点的在时间上的先后顺序对这些特征信息进行了整合,因而提升了之后结合路网信息生成的目标定位点的观测参数的准确性,即提升了单个定位点的观测参数的准确性,进而提升了轨迹绑路的准确率。
需要说明的是,上述实施例提供的装置,在实现其功能时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的装置与方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
请参考图18,其示出了本申请一个实施例提供的计算机设备的结构框图。该计算机设备用于实施上述实施例中提供的轨迹绑路方法或模型训练方法。具体来讲:
所述计算机设备1800包括CPU(Central Processing Unit,中央处理单元)1801、包括RAM(Random Access Memory,随机存取存储器)1802和ROM(Read-Only Memory,只读存储器)1803的系统存储器1804,以及连接系统存储器1804和中央处理单元1801的系统总线1805。所述计算机设备1800还包括帮助计算机内的各个器件之间传输信息的基本I/O(Input/Output,输入/输出)系统1806,和用于存储操作系统1813、应用程序1814和其他程序模块1815的大容量存储设备1807。
所述基本输入/输出系统1806包括有用于显示信息的显示器1808和用于用户输入信息的诸如鼠标、键盘之类的输入设备1809。其中所述显示器1808和输入设备1809都通过连接到系统总线1805的输入输出控制器1810连接到中央处理单元1801。所述基本输入/输出系统1806还可以包括输入输出控制器1810以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地,输入输出控制器1810还提供输出到显示屏、打印机或其他类型的输出设备。
所述大容量存储设备1807通过连接到系统总线1805的大容量存储控制器(未示出)连接到中央处理单元1801。所述大容量存储设备1807及其相关联的计算机可读介质为计算机设备1800提供非易失性存储。也就是说,所述大容量存储设备1807可以包括诸如硬盘或者CD-ROM(Compact Disc Read-Only Memory,只读光盘)驱动器之类的计算机可读介质(未示出)。
不失一般性,所述计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM(Erasable Programmable
Read Only Memory,可擦除可编程只读存储器)、EEPROM(Electrically ErasableProgrammable Read Only Memory,可擦除可编程只读存储器)、闪存或其他固态存储器,CD-ROM、DVD(Digital Video Disc,高密度数字视频光盘)或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然,本领域技术人员可知所述计算机存储介质不局限于上述几种。上述的系统存储器1804和大容量存储设备1807可以统称为存储器。
根据本申请的各种实施例,所述计算机设备1800还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即计算机设备1800可以通过连接在所述系统总线1805上的网络接口单元1811连接到网络1812,或者说,也可以使用网络接口单元1811来连接到其他类型的网络或远程计算机系统(未示出)。
在示例性实施例中,还提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或所述指令集在被处理器执行时以实现上述轨迹绑路方法或模型训练方法。
可选地,该计算机可读存储介质可以包括:ROM(Read Only Memory,只读存储器)、RAM(Random Access Memory,随机存取记忆体)、SSD(Solid State Drives,固态硬盘)或光盘等。其中,随机存取记忆体可以包括ReRAM(Resistance Random Access Memory,电阻式随机存取记忆体)和DRAM(Dynamic Random Access Memory,动态随机存取存储器)。
在示例性实施例中,还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。终端的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该终端执行上述轨迹绑路方法或模型训练方法。
可以理解的是,本申请的具体实施方式中,涉及到用户信息等相关数据,当本申请以上实施例运用到具体产品或技术中时,需要获得用户许可或同意,且相关数据的收集、使用和处理需要遵守相关国家和地图的相关法律法规和标准;例如,本申请中涉及到的行驶数据收集、定位信息获取等方面的内容,均是在用户允许且符合相关法律法规和标准的情况下进行的。
另外,在本文中提及的“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
以上所述仅为本申请的示例性实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (20)
1.一种轨迹绑路方法,其特征在于,所述方法包括:
对于目标移动轨迹中的目标定位点,获取所述目标定位点对应的位置序列;其中,所述位置序列包括位于所述目标移动轨迹中的多个定位点,所述多个定位点包括所述目标定位点以及所述目标定位点的至少一个关联定位点;
基于路网信息,获取所述多个定位点分别对应的单点特征信息;其中,所述路网信息包括路网地图中包含的多条道路以及各条所述道路的属性信息;
根据所述多个定位点分别对应的单点特征信息,确定所述目标定位点的观测参数;其中,所述目标定位点的观测参数用于指示所述目标定位点映射到至少一条候选道路分别对应的可能性;
基于所述目标定位点的观测参数,从所述至少一条候选道路中确定所述目标定位点所映射至的目标道路。
2.根据权利要求1所述的方法,其特征在于,所述根据所述多个定位点分别对应的单点特征信息,确定所述目标定位点的观测参数,包括:
将所述多个定位点分别对应的单点特征信息,按照时间顺序输入具有记忆功能的第一网络模型,生成所述目标定位点的关联信息,所述目标定位点的关联信息用于指示所述目标定位点与所述至少一个关联定位点之间的关联关系;
根据所述目标定位点的关联信息和所述路网信息,采用第二网络模型生成所述目标定位点的观测参数。
3.根据权利要求2所述的方法,其特征在于,所述第一网络模型为循环神经网络,所述第一网络模型包括记忆单元和门控制器,所述记忆单元用于记录所述第一网络模型获取和生成的信息,所述门控制器用于控制所述第一网络模型中信息的保留情况;
所述将所述多个定位点分别对应的单点特征信息,按照时间顺序输入具有记忆功能的第一网络模型,生成所述目标定位点的关联信息,包括:
对于所述第一网络模型的多次循环中的第n次循环,通过所述门控制器对所述记忆单元、所述第n个定位点对应的特征信息、以及所述第一网络模型的第n-1次循环输出的循环结果进行处理,生成所述第n次循环输出的循环结果,并更新所述记忆单元,所述n为大于1的正整数;
其中,所述关联信息为所述第一网络模型的最后一次循环输出的循环结果。
4.根据权利要求3所述的方法,其特征在于,所述门控制器包括以下至少之一:遗忘门、输入门和输出门;
其中,对于所述第n次循环,所述遗忘门用于确定所述第n-1次循环完成后所述记忆单元中所保存信息的遗忘情况;所述输入门用于确定所述第n次循环中输入的定位点的单点特征信息在所述第一网络模型中的嵌入程度;所述输出门用于从所述第一网络模型在所述第n次循环过程中生成的信息中,确定出用作所述第n次循环输出的循环结果的信息。
5.根据权利要求1所述的方法,其特征在于,所述关联定位点是指与所述目标定位点之间具有第一关联关系的定位点,所述第一关联关系包括以下至少之一:
所述定位点与所述目标定位点之间没有可通行的道路分叉口;
所述定位点位于所述目标定位点之前、且与所述目标定位点之间间隔的定位点的数量小于或等于第一阈值;
所述定位点位于所述目标定位点之后、且与所述目标定位点之间间隔的定位点的数量小于或等于第二阈值;
所述定位点位于所述目标定位点之前、且与所述目标定位点之间的间隔距离小于或等于第三阈值;
所述定位点位于所述目标定位点之后、且与所述目标定位点之间的间隔距离小于或等于第四阈值。
6.根据权利要求5所述的方法,其特征在于,所述目标定位点对应于所述至少一条候选道路中的目标候选道路的关联定位点,是指与所述目标定位点之间的所述目标候选道路上没有可通行的道路分叉口的定位点。
7.根据权利要求1所述的方法,其特征在于,所述观测参数包括所述至少一条候选道路的观测数值;
所述基于所述目标定位点的观测参数,从所述至少一条候选道路中确定所述目标定位点所映射至的目标道路,包括:
获取所述至少一条候选道路的状态转移数值,所述状态转移数值用于指示从所述目标定位点的前一个定位点对应的目标道路转移到所述候选道路的可能性;
根据所述至少一条候选道路的观测数值和所述至少一条候选道路的状态转移数值,确定所述目标定位点分别对应于各条所述候选道路的观察概率,所述观察概率用于指示在全局地图范围内,所述目标定位点映射到所述候选道路的可能性,所述全局地图包含所述路网地图;
根据所述目标定位点分别对应于各条所述候选道路的观察概率,从所述至少一条候选道路中确定所述目标道路。
8.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在所述目标定位点符合第一条件的情况下,从所述对于目标移动轨迹中的目标定位点,获取所述目标定位点对应的位置序列的步骤开始执行;
在所述目标定位点符合第二条件的情况下,通过所述目标定位点与所述目标定位点的前一个定位点确定所述目标定位点所映射至的目标道路。
9.根据权利要求8所述的方法,其特征在于,所述第一条件包括所述目标定位点与最近的道路分叉口之间的距离小于或等于第五阈值。
10.根据权利要求8所述的方法,其特征在于,所述第二条件包括所述目标定位点与最近的道路分叉口之间的距离大于或等于第六阈值;
所述通过所述目标定位点与所述目标定位点的前一个定位点确定所述目标定位点所映射至的目标道路,包括:
通过所述目标定位点相对于各条所述候选道路的垂直距离,确定所述目标定位点分别对应于各条所述候选道路的观察概率;
获取所述至少一条候选道路的状态转移数值,所述状态转移数值用于指示从所述目标定位点的前一个定位点对应的目标道路转移到所述候选道路的可能性;
基于所述目标定位点分别对应于各条所述候选道路的观察概率,以及所述目标定位点分别对应于各条所述候选道路的状态转移概率,确定所述目标定位点所映射至的目标道路。
11.根据权利要求1至10任一项所述的方法,其特征在于,所述定位点对应的单点特征信息,包括所述定位点分别对应于所述至少一条候选道路的特征信息;所述定位点对应的单点特征信息包括以下至少之一:
所述定位点相对于参考方向的偏转角,以及所述定位点对应的平均偏转角,所述平均偏转角是指所述定位点之前的至少一个定位点相对于所述参考方向的偏转角的均值;
所述定位点相对于所述候选道路的垂直距离的绝对值与平均垂直距离之间的差值,所述平均垂直距离是指所述定位点之前的至少一个定位点分别相对于所述候选道路的垂直距离的绝对值的均值;
所述定位点相对于所述候选道路的垂直距离的绝对值;
所述定位点相对于所述候选道路的垂直距离;
所述定位点相对于所述候选道路的垂直距离的绝对值,与所述定位点的定位精度值之间的差值;
所述定位点的定位精度值。
12.根据权利要求1至10任一项所述的方法,其特征在于,所述路网信息包括以下至少之一:
所述道路之间的道路分叉口的分叉角度;
覆盖所述道路之间的道路分叉口的至少两个定位点,与所述道路之间的垂直距离的绝对值的平均值;
所述道路的速度特征;
所述道路的等级;
所述道路包含的车道等级以及各个车道等级分别对应的数量;
所述道路的宽度;
所述道路的车道宽度信息。
13.一种模型训练方法,其特征在于,所述方法包括:
对于样本移动轨迹中的第一定位点,获取所述第一定位点对应的位置序列;其中,所述位置序列包括位于所述样本移动轨迹中的多个定位点,所述多个定位点包括所述第一定位点以及所述第一定位点的至少一个关联定位点;
基于路网信息,获取所述多个定位点分别对应的单点特征信息;其中,所述路网信息包括路网地图中包含的多条样本道路以及各条所述样本道路的属性信息,所述多条样本道路包括所述第一定位点对应的正样本道路和负样本道路;
基于所述多个定位点分别对应的单点特征信息,通过第一网络模型确定所述第一定位点的观测参数;其中,所述第一定位点的观测参数用于指示所述第一定位点映射到所述多条样本道路分别对应的可能性;
基于所述第一定位点的观测参数,从所述多条样本道路中确定所述第一定位点所映射至的目标样本道路;
基于所述目标样本道路以及所述第一定位点对应的正样本道路和负样本道路,调整所述第一网络模型的参数。
14.根据权利要求13所述的方法,其特征在于,所述基于所述多个定位点分别对应的单点特征信息,通过第一网络模型确定所述第一定位点的观测参数,包括:
将所述多个定位点分别对应的单点特征信息,按照时间顺序输入所述第一网络模型,生成所述第一定位点的关联信息,所述第一定位点的关联信息用于指示所述第一定位点与所述至少一个关联定位点的关系;
根据所述第一定位点的关联信息和所述路网信息,采用第二网络模型生成所述第一定位点的观测参数。
15.根据权利要求14所述的方法,其特征在于,所述第一网络模型为循环神经网络,所述第一网络模型包括记忆单元和门控制器,所述记忆单元用于记录所述第一网络模型获取和生成的信息,所述门控制器用于控制所述第一网络模型中信息的保留情况;
所述将所述多个定位点分别对应的单点特征信息,按照时间顺序输入所述第一网络模型,生成所述第一定位点的关联信息,包括:
对于所述第一网络模型在目标轮次的训练的多次循环中的第n次循环,通过所述门控制器对所述记忆单元、所述第n个样本定位点对应的特征信息、以及所述目标轮次的训练的第n-1次循环输出的循环结果进行处理,生成所述第n次循环输出的循环结果,并更新所述记忆单元,所述n为大于1的正整数;
其中,所述目标轮次的训练得到的所述第一定位点的关联信息,为所述第一网络模型在所述目标轮次的训练过程中的最后一次循环输出的循环结果。
16.一种轨迹绑路装置,其特征在于,所述装置包括:
序列获取模块,用于对于目标移动轨迹中的目标定位点,获取所述目标定位点对应的位置序列;其中,所述位置序列包括位于所述目标移动轨迹中的多个定位点,所述多个定位点包括所述目标定位点以及所述目标定位点的至少一个关联定位点;
信息获取模块,用于基于路网信息,获取所述多个定位点分别对应的单点特征信息;其中,所述路网信息包括路网地图中包含的多条道路以及各条所述道路的属性信息;
参数确定模块,用于根据所述多个定位点分别对应的单点特征信息,确定所述目标定位点的观测参数;其中,所述目标定位点的观测参数用于指示所述目标定位点映射到至少一条候选道路分别对应的可能性;
道路确定模块,用于基于所述目标定位点的观测参数,从所述至少一条候选道路中确定所述目标定位点所映射至的目标道路。
17.一种模型训练装置,其特征在于,所述装置包括:
序列获取模块,用于对于样本移动轨迹中的第一定位点,获取所述第一定位点对应的位置序列;其中,所述位置序列包括位于所述样本移动轨迹中的多个定位点,所述多个定位点包括所述第一定位点以及所述第一定位点的至少一个关联定位点;
信息获取模块,用于基于路网信息,获取所述多个定位点分别对应的单点特征信息;其中,所述路网信息包括路网地图中包含的多条样本道路以及各条所述样本道路的属性信息,所述多条样本道路包括所述第一定位点对应的正样本道路和负样本道路;
参数确定模块,用于基于所述多个定位点分别对应的单点特征信息,通过第一网络模型确定所述第一定位点的观测参数;其中,所述第一定位点的观测参数用于指示所述第一定位点映射到所述多条样本道路分别对应的可能性;
道路确定模块,用于基于所述第一定位点的观测参数,从所述多条样本道路中确定所述第一定位点所映射至的目标样本道路;
参数调整模块,用于基于所述目标样本道路以及所述第一定位点对应的正样本道路和负样本道路,调整所述第一网络模型的参数。
18.一种计算机设备,其特征在于,所述计算机设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行,以实现上述权利要求1至12任一项所述的轨迹绑路方法,或实现上述权利要求13至15任一项所述的模型训练方法。
19.一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中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行,以实现上述权利要求1至12任一项所述的轨迹绑路方法,或实现上述权利要求13至15任一项所述的模型训练方法。
20.一种计算机程序产品或计算机程序,其特征在于,所述计算机程序产品或计算机程序包括计算机指令,所述计算机指令存储在计算机可读存储介质中,处理器从所述计算机可读存储介质读取并执行所述计算机指令,以实现上述权利要求1至12任一项所述的轨迹绑路方法,或实现上述权利要求13至15任一项所述的模型训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210095988.9A CN114428889A (zh) | 2022-01-26 | 2022-01-26 | 轨迹绑路方法、模型训练方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210095988.9A CN114428889A (zh) | 2022-01-26 | 2022-01-26 | 轨迹绑路方法、模型训练方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114428889A true CN114428889A (zh) | 2022-05-03 |
Family
ID=81313612
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210095988.9A Pending CN114428889A (zh) | 2022-01-26 | 2022-01-26 | 轨迹绑路方法、模型训练方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114428889A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116879499A (zh) * | 2023-06-21 | 2023-10-13 | 清华大学 | 道路传感器布设位置的确定方法、装置及计算机设备 |
CN117537842A (zh) * | 2024-01-10 | 2024-02-09 | 深圳依时货拉拉科技有限公司 | 路线偏航识别方法、装置、计算机可读存储介质及设备 |
-
2022
- 2022-01-26 CN CN202210095988.9A patent/CN114428889A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116879499A (zh) * | 2023-06-21 | 2023-10-13 | 清华大学 | 道路传感器布设位置的确定方法、装置及计算机设备 |
CN116879499B (zh) * | 2023-06-21 | 2024-02-13 | 清华大学 | 道路传感器布设位置的确定方法、装置及计算机设备 |
CN117537842A (zh) * | 2024-01-10 | 2024-02-09 | 深圳依时货拉拉科技有限公司 | 路线偏航识别方法、装置、计算机可读存储介质及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11403526B2 (en) | Decision making for autonomous vehicle motion control | |
CN110796856B (zh) | 车辆变道意图预测方法及变道意图预测网络的训练方法 | |
US11243532B1 (en) | Evaluating varying-sized action spaces using reinforcement learning | |
WO2022052406A1 (zh) | 一种自动驾驶训练方法、装置、设备及介质 | |
US20210101619A1 (en) | Safe and scalable model for culturally sensitive driving by automated vehicles | |
Sukthankar | Situation awareness for tactical driving | |
US20210173402A1 (en) | Systems and methods for determining vehicle trajectories directly from data indicative of human-driving behavior | |
CN111666804A (zh) | 对于自主驾驶有用的行人移动预测 | |
Khurana et al. | Differentiable raycasting for self-supervised occupancy forecasting | |
CN114428889A (zh) | 轨迹绑路方法、模型训练方法、装置、设备及存储介质 | |
CN114261400B (zh) | 一种自动驾驶决策方法、装置、设备和存储介质 | |
US20220161830A1 (en) | Dynamic Scene Representation | |
US11436504B1 (en) | Unified scene graphs | |
CN115062202A (zh) | 驾驶行为意图及轨迹的预测方法、装置、设备及存储介质 | |
Wang et al. | Deep understanding of big geospatial data for self-driving: Data, technologies, and systems | |
Danesh et al. | Leader: Learning attention over driving behaviors for planning under uncertainty | |
CN116448134B (zh) | 基于风险场与不确定分析的车辆路径规划方法及装置 | |
Selvaraj et al. | Edge learning of vehicular trajectories at regulated intersections | |
Lu et al. | DeepQTest: Testing Autonomous Driving Systems with Reinforcement Learning and Real-world Weather Data | |
CN112947466B (zh) | 一种面向自动驾驶的平行规划方法、设备及存储介质 | |
Chen et al. | Data-driven Traffic Simulation: A Comprehensive Review | |
KR20230024392A (ko) | 주행 의사 결정 방법 및 장치 및 칩 | |
Mänttäri et al. | Incorporating uncertainty in predicting vehicle maneuvers at intersections with complex interactions | |
Yang et al. | Deep Reinforcement Learning Lane-Changing Decision Algorithm for Intelligent Vehicles Combining LSTM Trajectory Prediction | |
Hu et al. | A possibilistic risk assessment framework for unmanned electric vehicles with predict of uncertainty traffic |
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 |