CN114620055A - 道路数据处理方法、装置、电子设备及自动驾驶车辆 - Google Patents

Abstract

本公开提供了一种道路数据处理方法、装置、电子设备、存储介质、程序产品以及自动驾驶车辆，涉及人工智能技术领域，尤其涉及自动驾驶技术领域。具体实现方案为：确定与道路信息相关的多个语义因子，多个语义因子彼此之间是解耦的；利用基准语义因子更新多个语义因子，得到多个目标语义因子；以及基于多个目标语义因子，生成目标道路信息。

Description

道路数据处理方法、装置、电子设备及自动驾驶车辆

技术领域

本公开涉及人工智能技术领域，尤其涉及自动驾驶技术领域，具体涉及道路数据处理方法、装置、电子设备、存储介质、程序产品以及自动驾驶车辆。

背景技术

自动驾驶车辆可以通过例如传感器的感知部件来采集道路信息和障碍物信息，得到周围环境数据。将周围环境数据与地图导航数据相结合，通过车辆轨迹预测可以输出未来的行驶轨迹。通过控制和执行系统按照预测得到的行驶轨迹完成自动驾驶车辆的自动驾驶。

在自动驾驶技术中，对车辆轨迹的精确预测是保证自动驾驶车辆行车效率和行车安全的重要因素。

发明内容

本公开提供了一种道路数据处理方法、装置、电子设备、存储介质、程序产品以及自动驾驶车辆。

根据本公开的一方面，提供了一种道路数据处理方法，包括：确定与道路信息相关的多个语义因子，其中，所述多个语义因子彼此之间是解耦的；利用基准语义因子更新所述多个语义因子，得到多个目标语义因子；以及，基于所述多个目标语义因子，生成目标道路信息。

根据本公开的另一方面，提供了一种道路数据处理装置，包括：第一确定模块，用于确定与道路信息相关的多个语义因子，其中，所述多个语义因子彼此之间是解耦的；处理模块，用于利用基准语义因子更新所述多个语义因子，得到多个目标语义因子；以及，生成模块，用于基于所述多个目标语义因子，生成目标道路信息。

根据本公开的另一方面，提供了一种电子设备，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如本公开的方法。

根据本公开的另一方面，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，其中，所述计算机指令用于使所述计算机执行如本公开的方法。

根据本公开的另一方面，提供了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如本公开的方法。

根据本公开的另一方面，提供了一种自动驾驶车辆，包括如本公开所述的电子设备，所述电子设备用于根据所述目标道路信息，控制所述自动驾驶车辆在所述目标道路信息描述的道路上自动驾驶。

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1A示意性示出了根据本公开实施例的可以应用道路数据处理方法及装置的示例性系统架构。

图1B示意性示出了根据本公开实施例的可以应用道路数据处理方法及装置的示例性系统架构。

图2示意性示出了根据本公开实施例的道路数据处理方法的流程图。

图3A示意性示出了根据本公开实施例的原始道路拓扑的示意图。

图3B示意性示出了根据本公开实施例的目标道路拓扑的示意图。

图3C示意性示出了根据本公开另一实施例的目标道路拓扑的示意图。

图3D示意性示出了根据本公开另一实施例的目标道路拓扑的示意图。

图4A示意性示出了根据本公开实施例的确定基准语义因子的方法的流程图。

图4B示意性示出了根据本公开另一实施例的确定基准语义因子的方法的流程图。

图5示意性示出了根据本公开另一实施例的道路数据处理方法的流程图。

图6示意性示出了根据本公开实施例的道路数据处理装置的框图。

图7示意性示出了根据本公开实施例的适于实现道路数据处理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。

本公开提供了一种道路数据处理方法、装置、电子设备、存储介质、程序产品以及自动驾驶车辆。

在本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供、公开和应用等处理，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。

在本公开的技术方案中，在获取或采集用户个人信息之前，均获取了用户的授权或同意。

图1A示意性示出了根据本公开实施例的可以应用道路数据处理方法及装置的示例性系统架构。

需要注意的是，图1A所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。例如，在另一实施例中，可以应用道路数据处理方法及装置的示例性系统架构可以包括终端设备，但终端设备可以无需与服务器进行交互，即可实现本公开实施例提供的道路数据处理方法及装置。

如图1A所示，根据该实施例的系统架构100A可以包括终端设备101A、102A、103A，网络104和服务器105。网络104用以在终端设备101A、102A、103A和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线和/或无线通信链路等等。

用户可以使用终端设备101A、102A、103A通过网络104与服务器105交互，以接收或发送消息等。

终端设备101A、102A、103A也可以是具有摄像装置的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。用户可以通过终端设备101A、102A、103A的摄像装置来获取道路信息。

服务器105可以是提供各种服务的服务器，例如对用户在终端设备101A、102A、103A上运行的应用程序提供运算支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的信息或数据等)反馈给终端设备。

需要说明的是，本公开实施例所提供的道路数据处理方法一般可以由终端设备101A、102A、或103A执行。相应地，本公开实施例所提供的道路数据处理装置也可以设置于终端设备101A、102A、或103A中。

或者，本公开实施例所提供的道路数据处理方法一般也可以由服务器105执行。相应地，本公开实施例所提供的道路数据处理装置一般可以设置于服务器105中。本公开实施例所提供的道路数据处理方法也可以由不同于服务器105且能够与终端设备101A、102A、103A和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的道路数据处理装置也可以设置于不同于服务器105且能够与终端设备101A、102A、103A和/或服务器105通信的服务器或服务器集群中。

例如，根据用户的操作指令，终端设备101A、102A、103A可以通过摄像真实路面的方式来获取道路信息，或者从互联网中下载道路图像，并根据道路图像来获取道路信息。终端设备101A、102A、103A可以在本地对道路信息进行处理，确定与道路信息相关的多个语义因子，利用基准语义因子更新多个语义因子，得到多个目标语义因子，基于多个目标语义因子，以生成目标道路信息。或者，终端设备101A、102A、103A也可以将获取的道路信息发送给能够与终端设备101A、102A、103A通信的服务器或服务器集群，由能够与终端设备101A、102A、103A通信的服务器或服务器集群对道路信息进行处理，确定与道路信息相关的多个语义因子，利用基准语义因子更新多个语义因子，得到多个目标语义因子，基于多个目标语义因子，并最终生成目标道路信息。

应该理解，图1A中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

图1B示意性示出了根据本公开实施例的可以应用数据处理方法及装置的示例性系统架构。

需要注意的是，图1B所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。

如图1B所示，根据该实施例的系统架构100B可以包括传感器101B、102B、103B，网络104和服务器105。网络104用以在传感器101B、102B、103B和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线和/或无线通信链路等等。

传感器101B、102B、103B可以通过网络104与服务器105交互，以接收或发送消息等。

传感器101B、102B、103B可以是集成在自动驾驶车辆106上的功能元件，例如红外传感器、超声波传感器、毫米波雷达、信息采集装置等等。传感器101B、102B、103B可以用于采集自动驾驶车辆106周围的障碍物的状态信息以及道路信息。

服务器105也可以是集成在自动驾驶车辆106上，但是并不局限于此，也可以设置在能够与车载终端建立通信的远端，可以具体实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。

服务器105可以是提供各种服务的服务器。在服务器105上可以安装有例如地图类应用、数据处理类应用等。以服务器105在运行该数据处理类应用为例：通过网络104接收来自传感器101B、102B、103B传输的道路信息。可以确定与道路信息相关的多个语义因子。利用基准语义因子更新多个语义因子，得到多个目标语义因子。基于多个目标语义因子，生成目标道路信息。以便自动驾驶车辆106能够基于目标道路信息，控制自动驾驶车辆在目标道路信息描述的道路上自动驾驶。但是并不局限于此。自动驾驶车辆106还可以基于目标道路信息，并辅助结合障碍物的状态信息，来在仿真模拟过程中进行确定驾驶策略、控制车辆速度、方向以及避障等仿真操作。

需要说明的是，本公开实施例所提供的数据处理方法一般可以由服务器105执行。相应地，本公开实施例所提供的数据处理装置也可以设置于服务器105中。但是并不局限于此。本公开实施例所提供的数据处理方法一般也可以由传感器101B、102B、103B执行。相应地，本公开实施例所提供的数据处理装置也可以设置于传感器101B、102B、103B中。

应该理解，图1B中的传感器、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的传感器、网络和服务器。

应注意，以下方法中各个操作的序号仅作为该操作的表示以便描述，而不应被看作表示该各个操作的执行顺序。除非明确指出，否则该方法不需要完全按照所示顺序来执行。

图2示意性示出了根据本公开实施例的道路数据处理方法的流程图。

如图2所示，该方法包括操作S210～S230。

在操作S210，确定与道路信息相关的多个语义因子。多个语义因子彼此之间是解耦的。

在操作S220，利用基准语义因子更新多个语义因子，得到多个目标语义因子。

在操作S230，基于多个目标语义因子，生成目标道路信息。

根据本公开的实施例，道路信息可以通过解析道路图像的方式来获取。道路图像可以是通过摄像设备拍摄得到的真实道路的图像，也可以是通过传感设备，如激光雷达等探测得到的真实道路的点云图像，在此不作限定。道路信息可以包括与多个道路因素一一对应的多个道路子信息。道路因素可以包括道路路长、道路弯曲程度、道路路口数量、道路车道数量、道路交通标识等因素。

根据本公开的实施例，道路信息可以被视作由物理语义可解释的多个道路子信息通过复杂的函数作用相互耦合得到的。可以通过解耦表征学习，将道路信息中的与多个道路因素一一对应的多个道路子信息进行解耦，即经过变换得到隐向量集合。隐向量集合中包括与多个道路因素一一对应的多个隐向量。针对多个道路因素中的每个道路因素，与道路因素相对应的隐向量可以理解为与道路因素相对应的道路子信息的解耦表征。语义因子可以是含有语义的隐向量，多个语义因子与多个隐向量一一对应。可以利用解耦表征学习，基于道路信息确定与道路信息相关的多个语义因子，还可以将多个语义因子通过逆变换方式再生成道路信息。根据本公开的实施例，多个语义因子彼此之间是解耦的可以理解为：多个语义因子彼此之间是相互独立的、解纠缠的。例如，在多个语义因子中的一个或多个语义因子发生变化的情况下，其他语义因子不会随之变化。此外，根据变化后的语义因子生成的道路信息较初始道路信息产生的变化，仅与发生变化的一个或多个语义因子相关。例如，对于基于多个目标语义因子生成的目标道路信息，相对于道路信息，目标道路信息改变了与基准语义因子相对应的道路因素的道路信息。

根据本公开的实施例，基准语义因子可以是预先设定的，也可以是基于实际道路信息确定的基准语义因子。基于实际道路信息确定基准语义因子的确定方式可以与确定与道路信息相关的多个语义因子的方式相同。

根据本公开的实施例，利用基准语义因子更新多个语义因子可以理解为：在确定了基准语义因子和语义因子的对应关系后，使用一个或多个基准语义因子来对与基准语义因子相对应的语义因子进行替换、线性变换或非线性变换等操作。线性变换操作可以包括相加、相减、数乘等计算操作。非线性变换操作可以包括取指数、取对数等计算操作，或者，也可以包括上述计算操作与线性变换操作的组合。

根据本公开的实施例，可以基于多个目标语义因子来生成目标道路信息，以使得目标道路信息中的与基准语义因子相对应的道路信息发生更新，进而使得目标道路信息相对于道路信息为新的道路信息。

利用本公开实施例提供的道路数据处理方法，根据多个语义因子彼此之间解耦的特性，可以基于基准语义因子更新多个语义因子中的一个或多个，并使用更新后得到的多个目标语义因子来生成目标道路信息，从而提供了一种新的道路信息的生成方式，可以根据少量的真实道路信息来生成大量的具有真实道路的特征的目标道路信息，进而降低了道路信息采集的资源消耗。

下面参考图3A～图3D、图4A～4B和图5，以具体实施例为例对例如图2所示的方法做进一步说明。

根据本公开的实施例，道路信息可以包括与多个道路因素一一相关的多个道路子信息，每个道路子信息可以和一个语义因子对应，即，每个语义因子可以是基于与该语义因子相关的道路子信息确定的。

根据本公开的实施例，与道路信息相关的多个语义因子中的至少一个语义因子可以包括以下至少一项：与道路路长相关的语义因子、与道路弯曲程度相关的语义因子、与道路路口数量相关的语义因子、与道路车道数量相关的语义因子。

根据本公开的实施例，道路信息可以以列表的形式进行展示，或者，道路信息也可以通过转换为道路拓扑的方式进行展示。

图3A示意性示出了根据本公开实施例的原始道路拓扑的示意图。

如图3A所示，该原始道路拓扑可以是根据道路信息而生成的。该道路信息的道路因素可以包括道路弯曲程度、道路路口数量和道路车道数量。在图3A的示例中，与道路弯曲程度相关的道路子信息可以为0度，与道路路口数量相关的道路子信息可以为0个，与道路车道数量相关的道路子信息可以为1个。

图3B示意性示出了根据本公开实施例的目标道路拓扑的示意图。

如图3B所示，该目标道路拓扑可以是根据目标道路信息而生成的。如图3B所示，在对与如图3A所示的道路信息相关的多个语义因子进行更新，基于多个目标语义因子生成目标道路信息时，可以包括：利用表征道路弯曲程度的基准语义因子，对多个语义因子中的表征道路弯曲程度的语义因子进行替换。如图3B的示例所示，在目标道路信息中，与道路弯曲程度相关的道路子信息可以为45度，与道路路口数量相关的道路子信息可以为0个，与道路车道数量相关的道路子信息可以为1个。

图3C示意性示出了根据本公开另一实施例的目标道路拓扑的示意图。

如图3C所示，该目标道路拓扑可以是根据目标道路信息而生成的。如图3C所示，在对与如图3A所示的道路信息的多个语义因子进行更新，基于多个目标语义因子生成目标道路信息时，可以包括：利用表征道路路口数量的基准语义因子对多个语义因子中的表征道路路口数量的语义因子进行替换。如图3C的示例所示，在目标道路信息中，与道路弯曲程度相关的道路子信息可以为0度，与道路路口数量相关的道路子信息可以为1个，与道路车道数量相关的道路子信息可以为1个。

图3D示意性示出了根据本公开另一实施例的目标道路拓扑的示意图。

如图3D所示，该目标道路拓扑可以是根据目标道路信息而生成的。如图3D所示，在对与如图3A所示的道路信息的多个语义因子进行更新，基于多个目标语义因子生成目标道路信息时，可以包括：利用表征道路车道数量的基准语义因子对多个语义因子中的表征道路车道数量的语义因子进行替换。如图3D所示，在目标道路信息中，与道路弯曲程度相关的道路子信息可以为0度，与道路路口数量相关的道路子信息可以为0个，与道路车道数量相关的道路子信息可以为2个。

根据本公开的实施例，语基准义因子可以是对基准道路信息进行编码后得到的。对基准道路信息进行编码时采用的编码器可以是多层感知机、卷积神经网络、注意力机制等的任意一种，在此不作限定。

图4A示意性示出了根据本公开实施例的确定基准语义因子的方法的流程图。

如图4A所示，在获取基准道路信息410之后，可以确定基准道路信息410中的与目标道路因素相对应的基准道路子信息是否符合预定道路条件。在确定基准道路子信息符合预定道路条件的情况下，可以利用编码器420对基准道路信息410进行编码，从而确定与基准道路信息410相关的基准语义因子430。在确定基准道路子信息不符合预定道路条件的情况下，结束操作。

根据本公开的实施例，目标道路因素可以根据具体应用场景进行配置，在此不做限定。目标道路因素可以是多个道路因素中的任意一个或多个。

根据本公开的实施例，与目标道路因素相对应的基准道路子信息符合预定道路条件可以理解为：基准道路信息410中与目标道路因素对应的基准道路子信息满足高危道路的条件。高危道路可以指出现交通事故的次数高于预定事故阈值的道路。目标道路因素可以包括道路的弯曲程度、路口数量、以及车道数量等中的一种或多种道路因素。高危道路的条件例如可以包括道路的弯曲程度大于预定弯曲阈值，预定弯曲阈值例如为90度。还可以包括道路的路口数量大于预定路口阈值，预定路口阈值例如为4个。也可以包括道路的标准车道的数量小于预定车道阈值，预定车道阈值例如为2个等。

根据本公开的实施例，与基准道路信息相关的基准语义因子可以理解为：基于与目标道路因素相对应的、且符合预定道路条件的基准道路子信息，得到基准语义因子。例如，可以将基准道路信息输入至编码器中，得到基准语义因子以及与基准语义因子解耦的解耦语义因子。可以基于目标道路因素，来从基准语义因子以及解耦语义因子中确定基准语义因子。但是并不局限于此，还可以将与目标道路因素相对应的、且符合预定道路条件的基准道路子信息输入至编码器中，得到基准语义因子。基准语义因子的数量不做限定，可以根据目标道路因素以及预定道路条件等来确定。

图4B示意性示出了根据本公开另一实施例的确定基准语义因子的方法的流程图。

如图4B所示，在获取基准道路信息410之后，可以利用编码器420对基准道路信息410进行编码，以确定与基准道路信息410相关的多个初始基准语义因子440。多个初始基准语义因子与多个道路因素一一对应。针对多个初始基准语义因子440中的每个初始基准语义因子，可以确定与初始基准语义因子相匹配的语义因子450和初始基准语义因子440之间的相似度，得到多个相似度。基于多个相似度，从多个初始基准语义因子440中确定基准语义因子430。

根据本公开的实施例，基准道路信息可以通过解析异常案例、坏例(Badcase)中记录的道路图像而得到。例如，可以将异常案例发生位置的前后10米的道路信息作为基准道路信息s′。

根据本公开的实施例，初始基准语义因子可以包括与基准道路信息的所有道路因素相关的语义因子。将基准道路信息s′输入到编码器后，可以得到初始基准语义因子z1′，z2′，...，zj′。

根据本公开的实施例，可以将道路信息输入到编码器中，得到语义因子z1，z2，...，zj。

根据本公开的实施例，确定语义因子和初始基准语义因子之间的相似度可以是计算语义因子和初始基准语义因子在向量空间中的距离，即求distance[(z1，z1′)，(z2，z2，)，…，(zj，zj′)]，得到j个相似度，其中，j为大于或者等于1的整数。在向量空间中的距离可以是马氏距离、欧式距离等，在此不做限定。

根据本公开的实施例，基于多个相似度，从多个初始基准语义因子中确定基准语义因子可以是，从计算得到的j个相似度中选择较大的k个相似度，并确定与较大的k个相似度对应的初始基准语义因子为基准语义因子，其中，k小于或者等于j，k为大于或者等于1的整数。

根据本公开的实施例，通过有针对性地选择满足高危道路条件的基准道路信息来生成基准语义因子，从而生成满足高危道路条件的目标道路信息，使用该目标道路信息可以辅助生成更多的具有安全隐患的仿真道路拓扑。进而使得利用目标道路信息生成的训练样本训练轨迹预测模型，能有效地提高轨迹预测模型的泛化性和鲁棒性。

图5示意性示出了根据本公开另一实施例的道路数据处理方法的流程图。

如图5所示，用于生成目标道路信息的模型可以是训练后的变分自编码器网络(Variational AutoEncoder，VAE)。该变分自编码器网络可以包括编码器510和解码器520。

根据本公开的实施例，可以利用数据库中记录的原始道路信息实现变分自编码器网络的训练，具体可以包括如下操作：将原始道路信息输入到初始变分自编码器网络中，得到输出道路信息。基于原始道路信息和输出道路信息，利用交叉熵损失的方法可以获取第一损失值。将原始道路信息输入到初始变分自编码器网络的编码器中，可以得到多个语义因子。基于多个语义因子的分布与预设分布，利用相对熵损失的方法可以获取第二损失值。根据第一损失值和第二损失值来训练初始变分自编码器网络，得到变分自编码器网络。该预设分布可以是高斯分布。利用交叉熵损失的方法进行训练可以使得输出道路信息更为接近原始道路信息。利用相对熵损失的方法可以使得基于输出道路信息的条件下语义因子的分布更为接近输出道路信息服从预设分布的条件下语义因子的分布。

在一些实施例中，该变分自编码器网络还可以是VAE网络的变体，如p-VAE、p-TCVAE(beta Transformer-Based Conditioned Variational AutoEncoder)等。在该变分自编码器网络为VAE网络的变体的情况下，该变分自编码器网络的训练过程也有所区别。以β的变体为例，在对变分自编码器网络进行训练时，还包括了对参数β的调参的过程。在参数β为1时，β-VAE网络可以等价与VAE网络。随着参数β的增大，语义因子的的解耦能力随之增强。训练β-VAE网络的过程中的总损失可以是相对熵损失与参数β的乘积和交叉熵损失的和。相应地，总损失值可以是第二损失值的β倍与第一损失值的和值。如图5所示，可以利用编码器510，确定与道路信息530相关的多个语义因子550。并利用编码器510，确定与基准道路信息540相关的基准语义因子560。利用基准语义因子560更新语义因子550，以得到多个目标语义因子570。

根据本公开的实施例，以确定与道路信息530相关的多个语义因子550为例。首先可以利用变分自编码器网络的编码器510提取道路信息530中的隐向量集合。再基于隐向量集合，确定多个语义因子550。

根据本公开的实施例，变分自编码器网络的编码器可以是多层感知机、卷积神经网络和注意力机制中的任意一项或多项的组合。

根据本公开的实施例，基准语义因子更新语义因子，以得到目标语义因子可以包括如下操作：从多个道路因素中确定与基准语义因子相匹配的目标道路因素。从多个语义因子中确定与目标道路因素相匹配的待更新的语义因子。利用基准语义因子更新待更新的语义因子，得到多个目标语义因子。

根据本公开的实施例，通过利用目标道路因素来实现基准语义因子与语义因子之间的映射关系，可以准确定位待更新的语义因子，从而可以提高数据处理效率。

如图5所示，可以利用解码器520，基于目标语义因子570生成目标道路信息580。

根据本公开的实施例，可以将多个目标语义因子570输入至变分自编码器网络的解码器520中，得到目标道路信息580。

根据本公开的实施例，变分自编码器网络的解码器520可以是多层感知机、反卷积神经网络和注意力机制中的任意一项或多项的组合。

根据本公开的实施例，变分自编码器网络的编码器和解码器可以具有对应的结构。例如，在编码器为卷积神经网络的情况下，解码器可以为反卷积神经网络。

如图5所示，可以将目标道路信息580和障碍物历史状态信息590输入到轨迹预测模型5100中，以便于基于目标道路信息580和障碍物历史状态信息590来确定未来时刻的目标障碍物状态信息5110。

根据本公开的实施例，障碍物历史状态信息590可以包括在历史时刻下，障碍物的位置信息、加速度信息、速度信息、以及行驶方向等中的一种或多种。

根据本公开的实施例，在将目标道路信息580和障碍物历史状态信息590输入轨迹预测模型5100之前，还可以包括对目标道路信息580和障碍物历史状态信息590进行处理的操作。

例如，基于目标道路信息580，生成道路图谱。道路图谱中的节点用于表征道路，道路图谱中的多个节点彼此之间的连接边用于表征道路彼此之间的关联关系。该道路图谱中的关联关系可以通过多个道路彼此之间的交叉程度来确定。基于障碍物历史状态信息590，生成障碍物图谱。障碍物图谱中的节点用于表征障碍物，障碍物图谱中的多个节点彼此之间的连接边用于表征多个障碍物彼此之间的关联关系。该障碍物图谱中的关联关系可以通过多个障碍物彼此之间的间距来确定。

根据本公开的实施例，轨迹预测模型5100可以包括级联的图神经网络和循环神经网络。但是并不局限于此。轨迹预测模型5100还可以包括级联的图神经网络、循环神经网络、分类器等。只要是能够处理包括障碍物图谱和道路图谱的待处理信息，得到目标障碍物状态信息5110的深度学习模型即可。

根据本公开的实施例，目标障碍物状态信息5110可以包括障碍物的未来时刻的状态信息。例如，障碍物未来时刻的位置信息、加速度信息、速度信息、以及行驶方向等中的一种或多种信息。但是并不局限于此。目标障碍物状态信息5110还可以包括综合障碍物未来时刻的位置信息、加速度信息、速度信息、以及行驶方向等信息而得到的最终信息，例如障碍物的目标轨迹信息。

根据本公开的实施例，基于训练后的变分自编码器网络，通过更新语义因子的方式，将与目标道路因素相匹配的基准语义因子替换与目标道路因素相匹配的待更新的语义因子，从而生成目标道路信息，以使得得到更多的仿真道路拓扑，扩宽了仿真交通场景的多样性，进而能够利用目标道路信息、轨迹预测模型来对自动驾驶车辆进行确定驾驶策略、控制车辆行驶速度、确定车辆行驶方向以及避障等仿真操作。但是并不局限于此。还可以将仿真道路拓扑与障碍物状态信息相结合，作为训练样本，应用于训练轨迹预测模型的场景中，利用多样的目标道路信息来提高轨迹预测模型的泛化性和鲁棒性。更进一步地，还可以将多样性的仿真道路拓扑应用于评价训练后的轨迹预测模型的场景中，提高评价的准确度。由此，将训练后的轨迹预测模型装载于自动驾驶车辆上，提高自动驾驶车辆对障碍物的轨迹预测的精度，提高自动驾驶车辆的避障能力，进而提高自动驾驶地安全性。

图6示意性示出了根据本公开实施例的道路数据处理装置的框图。

如图6所示，道路数据处理装置600可以包括第一确定模块610、处理模块620和生成模块630。

第一确定模块610，用于确定与道路信息相关的多个语义因子。多个语义因子彼此之间是解耦的。

处理模块620，用于利用基准语义因子更新多个语义因子，得到多个目标语义因子。

生成模块630，用于基于多个目标语义因子，生成目标道路信息。

根据本公开的实施例，道路信息包括与多个道路因素一一相关的多个道路子信息，多个语义因子中的每个语义因子是基于与语义因子相关的道路子信息确定的。

根据本公开的实施例，处理模块620包括第一处理单元、第二处理单元和第三处理单元。

第一处理单元，用于从多个道路因素中确定与基准语义因子相匹配的目标道路因素。

第二处理单元，用于从多个语义因子中确定与目标道路因素相匹配的待更新的语义因子。

第三处理单元，用于利用基准语义因子更新待更新的语义因子，得到多个目标语义因子。

根据本公开的实施例，道路数据处理装置600还包括第一获取模块和第二确定模块。

第一获取模块，用于获取基准道路信息，其中，基准道路信息中的与目标道路因素相对应的基准道路子信息符合预定道路条件。

第二确定模块，用于确定与基准道路信息相关的基准语义因子。

根据本公开的实施例，道路数据处理装置600还包括第二获取模块、第三确定模块、第四确定模块和第五确定模块。

第二获取模块，用于获取基准道路信息。

第三确定模块，用于确定与基准道路信息相关的多个初始基准语义因子。

第四确定模块，用于针对多个初始基准语义因子中的每个初始基准语义因子，确定与初始基准语义因子相匹配的语义因子和初始基准语义因子之间的相似度，得到多个相似度。

第五确定模块，用于基于多个相似度，从多个初始基准语义因子中确定基准语义因子。

根据本公开的实施例，第一确定模块610包括第一确定单元和第二确定单元。

第一确定单元，用于利用变分自编码器网络的编码器提取道路信息中的隐向量集合。

第二确定单元，用于基于隐向量集合，确定多个语义因子。

根据本公开的实施例，编码器包括以下至少一项：多层感知机、卷积神经网络、注意力机制。

根据本公开的实施例，生成模块630包括生成单元。

生成单元，用于将多个目标语义因子输入至变分自编码器网络的解码器中，得到目标道路信息。

根据本公开的实施例，解码器包括以下至少一项：多层感知机、反卷积神经网络、注意力机制。

根据本公开的实施例，道路数据处理装置600还包括第六确定模块。

第六确定模块，用于基于目标道路信息和障碍物历史状态信息，确定未来时刻的目标障碍物状态信息。

根据本公开的实施例，多个语义因子中的至少一个语义因子包括以下至少一项：与道路路长相关的语义因子、与道路弯曲程度相关的语义因子、与道路路口数量相关的语义因子、与道路车道数量相关的语义因子。

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、一种计算机程序产品以及自动驾驶车辆。

根据本公开的实施例，一种电子设备，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本公开实施例的方法。

根据本公开的实施例，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，计算机指令用于使计算机执行如本公开实施例的方法。

根据本公开的实施例，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本公开实施例的方法。

根据本公开的实施例，一种自动驾驶车辆，包括电子设备。电子设备用于根据目标道路信息，控制自动驾驶车辆在目标道路信息描述的道路上自动驾驶。

根据本公开的实施例，自动驾驶车辆中装载的电子设备可以基于目标道路信息，并辅助结合障碍物的状态信息以及自动驾驶车辆的状态信息，利用轨迹预测模型来在仿真模拟过程中进行确定驾驶策略、控制车辆行驶速度、控制车辆行驶方向以及避障等仿真操作。但是并不局限于此。还可以利用自动驾驶车辆中装载的电子设备，基于目标道路信息，来控制自动驾驶车辆在目标道路信息描述的道路上自动驾驶。

图7示意性示出了根据本公开实施例的适于实现道路数据处理方法的电子设备的框图。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7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700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701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701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701执行上文所描述的各个方法和处理，例如道路数据处理方法。例如，在一些实施例中，道路数据处理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708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的道路数据处理方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行道路数据处理方法。

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)、复杂可编程逻辑设备(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道路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。服务器可以是云服务器，也可以是分布式系统的服务器，或者是结合了区块链的服务器。

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 (20)

1.一种道路数据处理方法，包括：

确定与道路信息相关的多个语义因子，其中，所述多个语义因子彼此之间是解耦的；

利用基准语义因子更新所述多个语义因子，得到多个目标语义因子；以及

基于所述多个目标语义因子，生成目标道路信息。

2.根据权利要求1所述的方法，其中，所述道路信息包括与多个道路因素一一相关的多个道路子信息，所述多个语义因子中的每个语义因子是基于与所述语义因子相关的道路子信息确定的；

所述利用基准语义因子更新所述多个语义因子，得到多个目标语义因子包括：

从所述多个道路因素中确定与基准语义因子相匹配的目标道路因素；

从所述多个语义因子中确定与所述目标道路因素相匹配的待更新的语义因子；以及

利用所述基准语义因子更新所述待更新的语义因子，得到所述多个目标语义因子。

3.根据权利要求2所述的方法，还包括：

获取基准道路信息，其中，所述基准道路信息中的与所述目标道路因素相对应的基准道路子信息符合预定道路条件；以及

确定与所述基准道路信息相关的所述基准语义因子。

4.根据权利要求2所述的方法，还包括：

获取基准道路信息；

确定与所述基准道路信息相关的多个初始基准语义因子；

针对所述多个初始基准语义因子中的每个初始基准语义因子，确定与所述初始基准语义因子相匹配的语义因子和所述初始基准语义因子之间的相似度，得到多个相似度；以及

基于所述多个相似度，从所述多个初始基准语义因子中确定所述基准语义因子。

5.根据权利要求1至4中任一项所述的方法，其中，所述确定与道路信息相关的多个语义因子包括：

利用变分自编码器网络的编码器提取所述道路信息中的隐向量集合；以及

基于所述隐向量集合，确定所述多个语义因子；

其中，所述编码器包括以下至少一项：

多层感知机、卷积神经网络、注意力机制。

6.根据权利要求5所述的方法，其中，所述基于所述多个目标语义因子，生成目标道路信息包括：

将所述多个目标语义因子输入至所述变分自编码器网络的解码器中，得到所述目标道路信息；

其中，所述解码器包括以下至少一项：

多层感知机、反卷积神经网络、注意力机制。

7.根据权利要求1至6中任一项所述的方法，还包括：

基于所述目标道路信息和障碍物历史状态信息，确定未来时刻的目标障碍物状态信息。

8.根据权利要求1至7中任一项所述的方法，其中，所述多个语义因子中的至少一个语义因子包括以下至少一项：

与道路路长相关的语义因子、与道路弯曲程度相关的语义因子、与道路路口数量相关的语义因子、与道路车道数量相关的语义因子。

9.一种道路数据处理装置，包括：

第一确定模块，用于确定与道路信息相关的多个语义因子，其中，所述多个语义因子彼此之间是解耦的；

处理模块，用于利用基准语义因子更新所述多个语义因子，得到多个目标语义因子；以及

生成模块，用于基于所述多个目标语义因子，生成目标道路信息。

10.根据权利要求9所述的装置，其中，所述道路信息包括与多个道路因素一一相关的多个道路子信息，所述多个语义因子中的每个语义因子是基于与所述语义因子相关的道路子信息确定的；

所述处理模块包括：

第一处理单元，用于从所述多个道路因素中确定与基准语义因子相匹配的目标道路因素；

第二处理单元，用于从所述多个语义因子中确定与所述目标道路因素相匹配的待更新的语义因子；以及

第三处理单元，用于利用所述基准语义因子更新所述待更新的语义因子，得到所述多个目标语义因子。

11.根据权利要求10所述的装置，还包括：

第一获取模块，用于获取基准道路信息，其中，所述基准道路信息中的与所述目标道路因素相对应的基准道路子信息符合预定道路条件；以及

第二确定模块，用于确定与所述基准道路信息相关的所述基准语义因子。

12.根据权利要求10所述的装置，还包括：

第二获取模块，用于获取基准道路信息；

第三确定模块，用于确定与所述基准道路信息相关的多个初始基准语义因子；

第四确定模块，用于针对所述多个初始基准语义因子中的每个初始基准语义因子，确定与所述初始基准语义因子相匹配的语义因子和所述初始基准语义因子之间的相似度，得到多个相似度；以及

第五确定模块，用于基于所述多个相似度，从所述多个初始基准语义因子中确定所述基准语义因子。

13.根据权利要求9至12中任一项所述的装置，其中，所述第一确定模块包括：

第一确定单元，用于利用变分自编码器网络的编码器提取所述道路信息中的隐向量集合；以及

第二确定单元，用于基于所述隐向量集合，确定所述多个语义因子；

其中，所述编码器包括以下至少一项：

多层感知机、卷积神经网络、注意力机制。

14.根据权利要求13所述的装置，其中，所述生成模块包括：

生成单元，用于将所述多个目标语义因子输入至所述变分自编码器网络的解码器中，得到所述目标道路信息；

其中，所述解码器包括以下至少一项：

多层感知机、反卷积神经网络、注意力机制。

15.根据权利要求9至14中任一项所述的装置，还包括：

第六确定模块，用于基于所述目标道路信息和障碍物历史状态信息，确定未来时刻的目标障碍物状态信息。

16.根据权利要求9至15中任一项所述的装置，其中，所述多个语义因子中的至少一个语义因子包括以下至少一项：

与道路路长相关的语义因子、与道路弯曲程度相关的语义因子、与道路路口数量相关的语义因子、与道路车道数量相关的语义因子。

17.一种电子设备，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8中任一项所述的方法。

18.一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8中任一项所述的方法。

19.一种计算机程序产品，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8中任一项所述的方法。

20.一种自动驾驶车辆，包括如权利要求17所述的电子设备，所述电子设备用于根据所述目标道路信息，控制所述自动驾驶车辆在所述目标道路信息描述的道路上自动驾驶。

Images