CN114691659A - 一种地图数据的优化方法、装置、设备以及存储介质 - Google Patents
一种地图数据的优化方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN114691659A CN114691659A CN202210331902.8A CN202210331902A CN114691659A CN 114691659 A CN114691659 A CN 114691659A CN 202210331902 A CN202210331902 A CN 202210331902A CN 114691659 A CN114691659 A CN 114691659A
- Authority
- CN
- China
- Prior art keywords
- lane line
- map data
- completion
- result
- missing
- 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 60
- 238000005457 optimization Methods 0.000 title claims abstract description 25
- 238000001514 detection method Methods 0.000 claims abstract description 81
- 238000012545 processing Methods 0.000 claims abstract description 54
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 62
- 230000008569 process Effects 0.000 claims description 20
- 238000007781 pre-processing Methods 0.000 claims description 17
- 238000011156 evaluation Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012217 deletion Methods 0.000 claims description 2
- 230000037430 deletion Effects 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 230000007547 defect 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
- 238000012795 verification Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000012358 sourcing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3807—Creation or updating of map data characterised by the type of data
- G01C21/3815—Road data
-
- 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
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3807—Creation or updating of map data characterised by the type of data
- G01C21/3815—Road data
- G01C21/3819—Road shape data, e.g. outline of a route
-
- 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
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3833—Creation or updating of map data characterised by the source of data
-
- 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
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3833—Creation or updating of map data characterised by the source of data
- G01C21/3841—Data obtained from two or more sources, e.g. probe vehicles
-
- 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
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3885—Transmission of map data to client devices; Reception of map data by client devices
- G01C21/3889—Transmission of selected map data, e.g. depending on route
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/60—Image enhancement or restoration using machine learning, e.g. neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
- G08G1/0969—Systems involving transmission of navigation instructions to the vehicle having a display in the form of a map
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
- G06T2207/30256—Lane; Road marking
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Automation & Control Theory (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提供了一种地图数据的优化方法、装置、设备以及存储介质,涉及图像处理技术领域,尤其涉及人工智能、智能交通、智慧城市和智能座舱等。具体实现方案为:对接收到的包含路况信息的局部地图数据进行车道线的完整性检测,得到检测结果,检测结果包括完整或存在缺失区域;在检测结果为存在缺失区域的情况下,对存在缺失区域的车道线进行补全处理,得到补全的局部地图数据;对补全的局部地图数据进行合理性检测,在检测通过的情况下,将补全的局部地图数据与全局地图数据进行合成,得到地图数据的优化结果。本公开的方法适用于不同场景的地图数据优化,提高了泛化性。
Description
技术领域
本公开涉及图像处理技术领域,尤其涉及人工智能、智能交通、智慧城市等,特别涉及一种地图数据的优化方法、装置、设备以及存储介质。
背景技术
随着交通智能化的提升,每一个交通参与者均可以作为数据提供者。例如,交通参与者可以对当前的交通情况进行记录,地图服务器端可以根据交通参与者上传的数据进行智能地图数据的生成以及发布。相关技术中,对于交通参与者上传的数据无法做到满足兼容性、精准性的处理,导致智能地图数据的发布效果较差。
发明内容
本公开提供了一种地图数据的优化方法、装置、设备以及存储介质。
根据本公开的一方面,提供了一种地图数据的优化方法,该方法可以包括以下步骤:
对接收到的包含路况信息的局部地图数据进行车道线的完整性检测,得到检测结果,检测结果包括完整或存在缺失区域;
在检测结果为存在缺失区域的情况下,对存在缺失区域的车道线进行补全处理,得到补全的局部地图数据;
对补全的局部地图数据进行合理性检测,在检测通过的情况下,将补全的局部地图数据与全局地图数据进行合成,得到地图数据的优化结果。
根据本公开的另一方面,提供了一种地图数据的优化装置,该装置可以包括:
完整性检测模块,用于对接收到的包含路况信息的局部地图数据进行车道线的完整性检测,得到检测结果,检测结果包括完整或存在缺失区域;
车道线补全处理模块,用于在检测结果为存在缺失区域的情况下,对存在缺失区域的车道线进行补全处理,得到补全的局部地图数据;
合理性检测模块,用于对补全的局部地图数据进行合理性检测,在检测通过的情况下,将补全的局部地图数据与全局地图数据进行合成,得到地图数据的优化结果。
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
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行本公开任一实施例中的方法。
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,该计算机指令用于使计算机执行本公开任一实施例中的方法。
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/指令,该计算机程序/指令被处理器执行时实现本公开任一实施例中的方法。
根据本公开的技术克服了对接收到的局部地图数据存在车道线无法全覆盖的缺陷,在检测到车道线存在缺失区域的情况下,可以对其进行车道线补全处理,适用于不同场景,从而提高了泛化性。另外,由于设置了合理性检测,可以使得补全的车道线的准确性具有保障。
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是根据本公开地图数据的优化方法的流程图;
图2是根据本公开对存在缺失区域的车道线进行补全处理的流程图;
图3是根据本公开车道线补全模型的训练过程的流程图;
图4是根据本公开初步训练的车道线补全模型的确定方式的流程图;
图5是根据本公开对车道线缺失区域的补全预测结果进行评判的流程图之一;
图6是根据本公开对车道线缺失区域的补全预测结果进行评判的流程图之二;
图7是根据本公开对车道线缺失区域的补全预测结果进行评判的流程图之三;
图8是根据本公开地图数据的优化方法的拓扑图;
图9是根据本公开地图数据的优化装置的示意图;
图10是用来实现本公开实施例的地图数据的优化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。
如图1所示,本公开涉及一种地图数据的优化方法,该方法可以包括以下步骤:
S101:对接收到的包含路况信息的局部地图数据进行车道线的完整性检测,得到检测结果,检测结果包括完整或存在缺失区域;
S102:在检测结果为存在缺失区域的情况下,对存在缺失区域的车道线进行补全处理,得到补全的局部地图数据;
S103:对补全的局部地图数据进行合理性检测,在检测通过的情况下,将补全的局部地图数据与全局地图数据进行合成,得到地图数据的优化结果。
本公开的执行主体可以是用于执行地图生成或地图发布的服务器或云端等。示例性地,本公开所涉及的地图可以是众包地图。所谓众包地图是指通过众包的手段,实现道路静态环境和动态信息的实时更新。通过众包地图的更新和发布,可以支持自动驾驶场景、半自动驾驶场景等时效性要求的(高精度)地图的使用。
接收到的包含路况信息的局部地图数据可以是交通参与者上传的地图数据。例如北京市海淀区XX路南向北行驶路段的实时地图数据。由于该地图数据只能反映出部分路段的情况,因此相对于全局地图而言,可以称其为局部地图数据。路况信息可以包括堵车情况、交通临时管制情况等动态信息。
由于众包地图的采集行为是不受控的,由此可能导致接收到的局部地图数据情况多样且复杂,容易出现小部分路段没有数据的情况。基于此,需要对针对上述情况进行数据的补齐。
对此,相关技术中存在着泛化能力差、计算过程损耗高、地图升级成本高等缺陷。例如,对复杂场景的泛化能力差。每针对一种新场景,需要定制化开发。又例如,在计算过程中,需要进行多次采集,遍历全图不同区域的车道线,从而进行车道线的重建、矢量化、拓扑判断等过程,最终实现车道线补全,由此需要消耗大量计算。还例如,在地图进行升级过程中,流程复杂度高,导致升级和维护成本很高。
当前实施方式中,在接收到包含路况信息的局部地图数据的情况下,可以对该局部地图数据进行车道线完整性检测,以得到检测结果。其中,检测结果可以包括车道线完整或车道线存在缺失区域等。车道线存在缺失区域可以对应车道线不连续、车道线中出现较大区域色差等多种情况。以车道线为白色为示例,车道线中出现较大区域色差可以指,在白色的车道线中出现超过预定面积的非白色区域。
在检测结果为存在缺失区域的情况下,通过对存在缺失区域的车道线进行补全处理,可以得到补全的局部地图数据。示例性地,补全处理可以包括对存在缺失区域的车道线进行解析,以确定颜色、宽度等物理量。进而对存在缺失区域的车道线进行延展处理,得到补全的车道线。
或者,补全处理可以是将包含存在缺失区域的车道线的局部地图数据输入预先训练好的车道线补全模型,从而可以快速地得到补全的车道线。即,得到补全的局部地图数据。
对补全的局部地图数据进行合理性检测。示例性地,合理性检测可以是对补全后的车道线进行检测,例如,可以检测补全后的车道线与附近车道的连通关系正确。还可以检测与补全前的车道线的线型、粗细等是否匹配。合理性检测可以是对补全的局部地图数据进行图像语义分割处理,进而利用图像语义分割处理结果的相似性进行合理性检测。例如,利用图像语义分割处理可以得到车道线补全前以及车道线补全后的车道线的线型、粗细等信息。通过比较车道线补全前以及车道线补全后的结果,可以实现合理性检测。
另外,在另一种场景下,还可以利用预先训练的合理性检测模型等技术进行合理性检测。例如,可以采用生成对抗网络(GAN网络)进行对存在缺失区域的车道线进行补全处理和判别处理。即,车道线补全处理可以对应GAN网络中的生成器网络,合理性检测可以对应GAN网络中的辨别器网络。
在检测通过的情况下,将补全的局部地图数据与全局地图数据进行合成,得到地图数据的优化结果。
通过上述过程,克服了对接收到的局部地图数据存在车道线无法全覆盖的缺陷,在检测到车道线存在缺失区域的情况下,可以对其进行车道线补全处理,适用于不同场景,从而提高了泛化性。另外,由于设置了合理性检测,可以使得补全的车道线的准确性具有保障。
如图2所示,在一种实施方式中,步骤S102可以包括以下过程:
S201:将检测结果为存在缺失区域的局部地图数据进行预处理,得到预处理结果;
S202:将预处理结果输入至预先训练的车道线补全模型,以对存在缺失区域的车道线进行补全处理。
预处理可以包括局部地图数据的栅格化处理。在栅格化处理后,可以得到局部地图数据对应的图像。而后,可以包括对图像的图像增强处理、图像分辨率归一化处理等,得到预处理结果。
进一步的,可以将预处理结果输入至预先训练的车道线补全模型,以对存在缺失区域的车道线进行补全处理。
预先训练的车道线补全模型其输入端接收预处理后的存在缺失区域的局部地图数据,输出端可以直接得到对存在缺失区域的车道线进行补全后的图像。
由于该车道线补全模型是预先训练的,因此可以较为高效的得到车道线补全后的图像。此外,由于是模型作业,对于图像中的存在缺失区域的车道线可以直接得到补全结果,无需遍历操作,从而可以降低计算消耗。
如图3所示,在一种实施方式中,车道线补全模型的训练过程,可以包括以下步骤:
S301:将已标注的训练样本输入初步训练的车道线补全模型,得到车道线缺失区域的补全预测结果;
S302:利用预设的合理性检测规则,对车道线缺失区域的补全预测结果进行评判,得到评判结果;
S303:利用评判结果对初步训练的车道线补全模型中的参数进行调整,得到调整结果;
S304:在调整结果符合预定要求的情况下,得到训练好的车道线补全模型。
其中,已标注的训练样本可以包括包含道路信息的局部地图数据,以及不包含道路信息的局部地图数据。其中,包含道路信息的局部地图数据可以作为真实场景下,由交通参与者上传的局部地图数据。不包含道路信息的局部地图数据可以是数据样本集中的地图数据,相对于真实场景的局部地图数据吗,更为简洁、复杂程度较低。通过不同种类的局部地图数据作为训练样本,可以提高模型训练的泛化效果。
将已标注的训练样本输入初步训练的车道线补全模型,得到车道线缺失区域的补全预测结果。
对车道线缺失区域的补全预测结果进行评判可以利用分类神经网络模型。例如,符合预定要求的概率为a%,不符合预定要求的概率为b%。利用已标注的结果与是否符合要求的概率的误差,对初步训练的车道线补全模型中的参数进行调整。上述误差可以利用损失函数体现,损失函数的作用可以理解为:当初步训练的车道线补全模型进行前向传播得到的车道线缺失区域的补全预测结果与真值接近时,评判结果为符合预定要求的概率较大;反之,评判结果为符合预定要求的概率降小。并且,损失函数是以车道线补全模型的参数为自变量的函数。
利用上述误差,对初步训练的车道线补全模型中的所有参数进行调整。上述误差会在初步训练的车道线补全模型中的每一层进行反向传播,初步训练的车道线补全模型中每一层的参数都会根据上述误差进行调整,直到符合预定要求的情况下,得到训练好的车道线补全模型。符合预定要求可以包括评判结果的输出收敛或达到预期的效果。
通过上述过程,对于车道线补全模型通过两步实现。第一步为基于样本的训练,第二步为基于是否符合预设的合理性检测规则的训练。通过对模型两步的训练,可以提高模型输出结果的准确性。
如图4所示,在一种实施方式中,初步训练的车道线补全模型的确定方式,可以包括以下过程:
S401:对已标注的车道线完整的局部地图数据进行车道线随机缺失化处理,得到一次训练样本;
S402:利用一次训练样本对待训练的车道线补全模型进行一次训练;
S403:利用已标注的包含路况信息的局部地图数据样本对一次训练后的车道线补全模型进行二次训练,得到初步训练的车道线补全模型。
车道线完整的局部地图数据可以是筛选出的,清晰度较高且特征较为明显的局部地图数据。对车道线完整的局部地图数据进行车道线随机缺失化处理,可以得到对模型进行初步训练的样本。即,一次训练样本。
车道线随机缺失处理,可以是对车道线的随机化遮挡、随机化模糊处理等。
将一次训练样本输入至待训练的车道线补全模型,可以得到对随机缺失区域的补全预测结果。利用补全预测结果与标注结果的差异,对待训练的车道线补全模型中的参数进行调整。具体调整过程如前,不再赘述。利用一次训练样本对待训练的车道线补全模型进行迭代训练,直至一次训练后的车道线补全模型输出的结果收敛。
而后,利用已标注的包含路况信息的局部地图数据样本作为二次训练样本。已标注的包含路况信息的局部地图数据样本可以是在真实场景下交通参与者上传的局部地图数据样本。即,二次训练样本中可能是包含存在缺失区域的车道线的局部地图数据样本,也可能是车道线全部完整的局部地图数据样本(或同时存在)。利用二次训练样本对一次训练后的车道线补全模型进行二次训练,即可得到初步训练的车道线补全模型。
通过上述过程,第二次训练可以作为对第一次训练的优化,可以对一次训练后的车道线补全模型进行升级,从而使得初步训练的车道线补全模型可以适用于不同的交通场景,增加车道线补全模型的泛化效果。
如图5所示,在一种实施方式中,步骤S302可以包括以下过程:
S501:在包含路况信息的局部地图数据中获取相邻车道线,相邻车道线包括与存在缺失区域的车道线具有前后相邻关系的车道线;
S502:根据车道线缺失区域的补全预测结果与相邻车道线的几何连续性,对车道线缺失区域的补全预测结果进行评判。
在进行合理性检测规则的过程中,可以对包含路况信息的局部地图数据进行图像语义分割处理,得到不同的车道线。对于车道线缺失区域的补全预测结果,可以验证补全后的车道线与其相邻车道线的几何连续性。相邻车道线可以是与补全后的车道线具有前后相邻关系的车道线。所谓前后相邻关系可以是指依照车辆行进的方向划分的。
示例性地,几何连续性可以包括与相邻车道线是否连续、是否发生偏移等。
通过几何连续性,可以实现对于车道线缺失区域的补全预测结果的评判。
如图6所示,在一种实施方式中,步骤S302可以包括以下过程:
S601:在包含路况信息的局部地图数据中获取相邻车道线,相邻车道线包括与存在缺失区域的车道线具有前后相邻关系的车道线;
S602:根据车道线缺失区域的补全预测结果与相邻车道线的交通拓扑连续性,对车道线缺失区域的补全预测结果进行评判。
与步骤S501相同,在步骤S601中,可以确定出相邻车道线。交通拓扑连续性可以包括确定补全后的车道线与相邻车道线的连通关系是否正确。例如,后向相邻的车道线表示汇入场景,但补全后的车道线若表示汇出场景,则表示交通拓扑连续性验证错误。
又例如,后向相邻的车道线表示左转,但补全后的车道线若表示左转掉头,则表示交通拓扑连续性验证错误。
通过交通拓扑连续性,可以实现对于车道线缺失区域的补全预测结果的评判。
如图7所示,在一种实施方式中,步骤S302可以包括以下过程:
S701:确定存在缺失区域的车道线对应的第一物理属性;
S702:确定车道线缺失区域的补全预测结果对应的第二物理属性;
S703:根据第二物理属性与第一物理属性的差异,对车道线缺失区域的补全预测结果进行评判。
存在缺失区域的车道线即为包含路况信息的局部地图数据中原有的车道线。第一物理属性可以包括车道线的颜色、宽度、线型(虚线、实线、双实线)等。
车道线缺失区域的补全预测结果可以对应为车道线补全模型输出的内容,该内容包含车道线补全的部分。对应的,第二物理属性可以是车道线补全部分对应的物理属性。同理,第二物理属性可以包括车道线的颜色、宽度、线型等。
根据第二物理属性与第一物理属性的差异,对车道线缺失区域的补全预测结果进行评判。例如,第二物理属性与第一物理属性的差异在允许范围以内,可以确定车道线缺失区域的补全预测结果合格。
对于车道线缺失区域的补全预测结果的评判,可以只依赖于物理属性,也可以同时依赖于物理属性、几何连续性以及交通拓扑连续性。还可以在物理属性、几何连续性以及交通拓扑连续性中选择至少一种。
需要说明的是,在对车道线补全模型进行训练时,可以利用合理性检测规则对车道线补全模型中的参数进行调整,从而完成模型的训练。在模型部署后,可以采用相同的合理性检测规则对补全的局部地图数据进行合理性检测。从而可以保证对补全的局部地图数据的合理性、可靠性的验证。
通过上述过程,可以实现对于车道线缺失区域的补全预测结果的评判。
在一种实施方式中,还可以包括:将地图数据的优化结果发送给指定的交通参与者。
通过地图数据的优化结果的共享,可以有利于包括自动驾驶车辆在内的所有交通参与者可以针对述地图数据的优化结果调整出现路线的规划,在出现交通拥堵的情况下,可以在一定程度上进行改善和缓解。
如图8所示,本公开涉及一种地图数据的优化方法,该方法可以包括训练阶段和部署阶段。
训练阶段可以包括:
众包地图数据集构建
对众包地图进行栅格化处理,挑选车道线完整的众包地图图像添加到数据集中,以进行数据集构建,得到众包地图数据集。
生成器网络训练
对众包地图数据集中的训练样本进行随机马赛克处理(对应图8中的随机mask)以及标注处理。随机马赛克处理包括对原始的众包地图图像进行随机的遮挡,使之成为缺失局部车道线的众包地图图像。
将缺失局部车道线的众包地图图像输入生成器网络(对应图8中的G网络),得到输出的车道线补全的众包地图图像。
判别器网络(对应图8中的D网络)的输入是标注后的原始的众包地图图像,以及车道线补全的众包地图图像,输出是图像是真还是假的概率。
利用损失函数(对应图8中的loss计算)确定辨别器是否分类正确。利用损失函数的输出结果对生成器网络和辨别器网络进行训练。
部署阶段可以包括:
将训练好的生成器网络部署到应用环境。栅格化后的众包地图图像被送入训练好的生成器网络。训练好的生成器网络输出车道线自动补全的众包地图图像,再经过后续处理将车道线补全信息反馈回众包地图。
如图9所示,本公开涉及一种地图数据的优化装置,该装置可以包括:
完整性检测模块901,用于对接收到的包含路况信息的局部地图数据进行车道线的完整性检测,得到检测结果,检测结果包括完整或存在缺失区域;
车道线补全处理模块902,用于在检测结果为存在缺失区域的情况下,对存在缺失区域的车道线进行补全处理,得到补全的局部地图数据;
合理性检测模块903,用于对补全的局部地图数据进行合理性检测,在检测通过的情况下,将补全的局部地图数据与全局地图数据进行合成,得到地图数据的优化结果。
在一种实施方式中,车道线补全处理模块902,可以包括:
预处理子模块,用于将检测结果为存在缺失区域的局部地图数据进行预处理,得到预处理结果;
车道线补全处理执行子模块,用于将预处理结果输入至预先训练的车道线补全模型,以对存在缺失区域的车道线进行补全处理。
在一种实施方式中,还可以包括:
车道线缺失区域的补全预测结果确定模块,用于将已标注的训练样本输入初步训练的车道线补全模型,得到车道线缺失区域的补全预测结果;
评判模块,用于利用预设的合理性检测规则,对车道线缺失区域的补全预测结果进行评判,得到评判结果;
调整模块,用于利用评判结果对初步训练的车道线补全模型中的参数进行调整,得到调整结果;
模型训练结果判别模块,用于在调整结果符合预定要求的情况下,得到训练好的车道线补全模型。
在一种实施方式中,车道线缺失区域的补全预测结果确定模块,可以包括:
一次训练样本确定子模块,用于对已标注的车道线完整的局部地图数据进行车道线随机缺失化处理,得到一次训练样本;
一次训练子模块,用于利用一次训练样本对待训练的车道线补全模型进行一次训练;
二次训练子模块,用于利用已标注的包含路况信息的局部地图数据样本对一次训练后的车道线补全模型进行二次训练,得到初步训练的车道线补全模型。
在一种实施方式中,评判模块可以包括:
相邻车道线获取子模块,用于在包含路况信息的局部地图数据中获取相邻车道线,相邻车道线包括与存在缺失区域的车道线具有前后相邻关系的车道线;
几何连续性评判子模块,用于根据车道线缺失区域的补全预测结果与相邻车道线的几何连续性,对车道线缺失区域的补全预测结果进行评判。
在一种实施方式中,评判模块可以包括:
相邻车道线获取子模块,用于在包含路况信息的局部地图数据中获取相邻车道线,相邻车道线包括与存在缺失区域的车道线具有前后相邻关系的车道线;
交通拓扑连续性评判子模块,用于根据车道线缺失区域的补全预测结果与相邻车道线的交通拓扑连续性,对车道线缺失区域的补全预测结果进行评判。
在一种实施方式中,评判模块可以包括:
第一物理属性确定子模块,用于确定存在缺失区域的车道线对应的第一物理属性;
第二物理属性确定子模块,用于确定车道线缺失区域的补全预测结果对应的第二物理属性;
物理属性评判子模块,用于根据第二物理属性与第一物理属性的差异,对车道线缺失区域的补全预测结果进行评判。
在一种实施方式中,还包括发送模块,用于将地图数据的优化结果发送给指定的交通参与者。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
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。
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1010,其可以根据存储在只读存储器(ROM)1020中的计算机程序或者从存储单元1080加载到随机访问存储器(RAM)1030中的计算机程序,来执行各种适当的动作和处理。在RAM 1030中,还可存储设备1000操作所需的各种程序和数据。计算单元1010、ROM 1020以及RAM 1030通过总线1040彼此相连。输入/输出(I/O)接口1050也连接至总线1040。
设备1000中的多个部件连接至I/O接口1050,包括:输入单元1060,例如键盘、鼠标等;输出单元1070,例如各种类型的显示器、扬声器等;存储单元1080,例如磁盘、光盘等;以及通信单元1090,例如网卡、调制解调器、无线通信收发机等。通信单元1090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1010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1010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1010执行上文所描述的各个方法和处理,例如地图数据的优化方法。例如,在一些实施例中,地图数据的优化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1080。在一些实施例中,计算机程序的部分或者全部可以经由ROM 1020和/或通信单元1090而被载入和/或安装到设备1000上。当计算机程序加载到RAM 1030并由计算单元1010执行时,可以执行上文描述的地图数据的优化方法的一个或多个步骤。备选地,在其他实施例中,计算单元1010可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行地图数据的优化方法。
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,也可以为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 (19)
1.一种地图数据的优化方法,包括:
对接收到的包含路况信息的局部地图数据进行车道线的完整性检测,得到检测结果,所述检测结果包括完整或存在缺失区域;
在所述检测结果为存在缺失区域的情况下,对存在缺失区域的车道线进行补全处理,得到补全的局部地图数据;
对所述补全的局部地图数据进行合理性检测,在检测通过的情况下,将所述补全的局部地图数据与全局地图数据进行合成,得到地图数据的优化结果。
2.根据权利要求1所述的方法,其中,所述在所述检测结果为存在缺失区域的情况下,对存在缺失区域的车道线进行补全处理,包括:
将所述检测结果为存在缺失区域的局部地图数据进行预处理,得到预处理结果;
将所述预处理结果输入至预先训练的车道线补全模型,以对所述存在缺失区域的车道线进行补全处理。
3.根据权利要求2所述的方法,其中,所述车道线补全模型的训练过程,包括:
将已标注的训练样本输入初步训练的车道线补全模型,得到车道线缺失区域的补全预测结果;
利用预设的合理性检测规则,对所述车道线缺失区域的补全预测结果进行评判,得到评判结果;
利用所述评判结果对所述初步训练的车道线补全模型中的参数进行调整,得到调整结果;
在所述调整结果符合预定要求的情况下,得到训练好的车道线补全模型。
4.根据权利要求3所述的方法,其中,所述初步训练的车道线补全模型的确定方式,包括:
对已标注的车道线完整的局部地图数据进行车道线随机缺失化处理,得到一次训练样本;
利用所述一次训练样本对待训练的车道线补全模型进行一次训练;
利用已标注的包含路况信息的局部地图数据样本对一次训练后的车道线补全模型进行二次训练,得到初步训练的车道线补全模型。
5.根据权利要求3所述的方法,其中,所述利用预设的合理性检测规则,对所述车道线缺失区域的补全预测结果进行评判,包括:
在所述包含路况信息的局部地图数据中获取相邻车道线,所述相邻车道线包括与所述存在缺失区域的车道线具有前后相邻关系的车道线;
根据所述车道线缺失区域的补全预测结果与所述相邻车道线的几何连续性,对所述车道线缺失区域的补全预测结果进行评判。
6.根据权利要求3所述的方法,其中,所述利用预设的合理性检测规则,对所述车道线缺失区域的补全预测结果进行评判,包括:
在所述包含路况信息的局部地图数据中获取相邻车道线,所述相邻车道线包括与所述存在缺失区域的车道线具有前后相邻关系的车道线;
根据所述车道线缺失区域的补全预测结果与所述相邻车道线的交通拓扑连续性,对所述车道线缺失区域的补全预测结果进行评判。
7.根据权利要求3所述的方法,其中,所述利用预设的合理性检测规则,对所述车道线缺失区域的补全预测结果进行评判,包括:
确定所述存在缺失区域的车道线对应的第一物理属性;
确定车道线缺失区域的补全预测结果对应的第二物理属性;
根据所述第二物理属性与所述第一物理属性的差异,对所述车道线缺失区域的补全预测结果进行评判。
8.根据权利要求1所述的方法,还包括:
将所述地图数据的优化结果发送给指定的交通参与者。
9.一种地图数据的优化装置,包括:
完整性检测模块,用于对接收到的包含路况信息的局部地图数据进行车道线的完整性检测,得到检测结果,所述检测结果包括完整或存在缺失区域;
车道线补全处理模块,用于在所述检测结果为存在缺失区域的情况下,对存在缺失区域的车道线进行补全处理,得到补全的局部地图数据;
合理性检测模块,用于对所述补全的局部地图数据进行合理性检测,在检测通过的情况下,将所述补全的局部地图数据与全局地图数据进行合成,得到地图数据的优化结果。
10.根据权利要求9所述的装置,其中,所述车道线补全处理模块,包括:
预处理子模块,用于将所述检测结果为存在缺失区域的局部地图数据进行预处理,得到预处理结果;
车道线补全处理执行子模块,用于将所述预处理结果输入至预先训练的车道线补全模型,以对所述存在缺失区域的车道线进行补全处理。
11.根据权利要求10所述的装置,还包括:
车道线缺失区域的补全预测结果确定模块,用于将已标注的训练样本输入初步训练的车道线补全模型,得到车道线缺失区域的补全预测结果;
评判模块,用于利用预设的合理性检测规则,对所述车道线缺失区域的补全预测结果进行评判,得到评判结果;
调整模块,用于利用所述评判结果对所述初步训练的车道线补全模型中的参数进行调整,得到调整结果;
模型训练结果判别模块,用于在所述调整结果符合预定要求的情况下,得到训练好的车道线补全模型。
12.根据权利要求11所述的装置,其中,所述车道线缺失区域的补全预测结果确定模块,包括:
一次训练样本确定子模块,用于对已标注的车道线完整的局部地图数据进行车道线随机缺失化处理,得到一次训练样本;
一次训练子模块,用于利用所述一次训练样本对待训练的车道线补全模型进行一次训练;
二次训练子模块,用于利用已标注的包含路况信息的局部地图数据样本对一次训练后的车道线补全模型进行二次训练,得到初步训练的车道线补全模型。
13.根据权利要求11所述的装置,其中,所述评判模块,包括:
相邻车道线获取子模块,用于在所述包含路况信息的局部地图数据中获取相邻车道线,所述相邻车道线包括与所述存在缺失区域的车道线具有前后相邻关系的车道线;
几何连续性评判子模块,用于根据所述车道线缺失区域的补全预测结果与所述相邻车道线的几何连续性,对所述车道线缺失区域的补全预测结果进行评判。
14.根据权利要求11所述的装置,其中,所述评判模块,包括:
相邻车道线获取子模块,用于在所述包含路况信息的局部地图数据中获取相邻车道线,所述相邻车道线包括与所述存在缺失区域的车道线具有前后相邻关系的车道线;
交通拓扑连续性评判子模块,用于根据所述车道线缺失区域的补全预测结果与所述相邻车道线的交通拓扑连续性,对所述车道线缺失区域的补全预测结果进行评判。
15.根据权利要求11所述的装置,其中,所述评判模块,包括:
第一物理属性确定子模块,用于确定所述存在缺失区域的车道线对应的第一物理属性;
第二物理属性确定子模块,用于确定车道线缺失区域的补全预测结果对应的第二物理属性;
物理属性评判子模块,用于根据所述第二物理属性与所述第一物理属性的差异,对所述车道线缺失区域的补全预测结果进行评判。
16.根据权利要求9所述的装置,还包括发送模块,用于将所述地图数据的优化结果发送给指定的交通参与者。
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/指令,其中,该计算机程序/指令被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210331902.8A CN114691659A (zh) | 2022-03-30 | 2022-03-30 | 一种地图数据的优化方法、装置、设备以及存储介质 |
EP22192805.4A EP4254332A1 (en) | 2022-03-30 | 2022-08-30 | Method and apparatus for optimizing map data, and storage medium |
US17/898,950 US20220412771A1 (en) | 2022-03-30 | 2022-08-30 | Method for Optimizing Map Data, Device and Storage Medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210331902.8A CN114691659A (zh) | 2022-03-30 | 2022-03-30 | 一种地图数据的优化方法、装置、设备以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114691659A true CN114691659A (zh) | 2022-07-01 |
Family
ID=82141392
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210331902.8A Pending CN114691659A (zh) | 2022-03-30 | 2022-03-30 | 一种地图数据的优化方法、装置、设备以及存储介质 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220412771A1 (zh) |
EP (1) | EP4254332A1 (zh) |
CN (1) | CN114691659A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111209805A (zh) * | 2019-12-24 | 2020-05-29 | 武汉中海庭数据技术有限公司 | 一种车道线众包数据的多道路片段数据的快速融合优化方法 |
CN111295666A (zh) * | 2019-04-29 | 2020-06-16 | 深圳市大疆创新科技有限公司 | 一种车道线检测方法、装置、控制设备及存储介质 |
CN111811524A (zh) * | 2020-07-14 | 2020-10-23 | 华普通用技术研究(广州)有限公司 | 一种基于大数据的地图实时更新装置和方法 |
CN111947672A (zh) * | 2020-03-02 | 2020-11-17 | 北京百度网讯科技有限公司 | 用于检测环境变化的方法、装置、设备和介质 |
CN112541396A (zh) * | 2020-11-16 | 2021-03-23 | 西人马帝言(北京)科技有限公司 | 一种车道线检测方法、装置、设备及计算机存储介质 |
CN112836573A (zh) * | 2020-12-24 | 2021-05-25 | 浙江大学 | 一种基于对抗生成网络的车道线图像增强与补全方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111950434B (zh) * | 2020-08-07 | 2022-06-17 | 武汉中海庭数据技术有限公司 | 一种基于离散点扫描的车道线结构化方法及系统 |
-
2022
- 2022-03-30 CN CN202210331902.8A patent/CN114691659A/zh active Pending
- 2022-08-30 EP EP22192805.4A patent/EP4254332A1/en active Pending
- 2022-08-30 US US17/898,950 patent/US20220412771A1/en active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111295666A (zh) * | 2019-04-29 | 2020-06-16 | 深圳市大疆创新科技有限公司 | 一种车道线检测方法、装置、控制设备及存储介质 |
CN111209805A (zh) * | 2019-12-24 | 2020-05-29 | 武汉中海庭数据技术有限公司 | 一种车道线众包数据的多道路片段数据的快速融合优化方法 |
CN111947672A (zh) * | 2020-03-02 | 2020-11-17 | 北京百度网讯科技有限公司 | 用于检测环境变化的方法、装置、设备和介质 |
CN111811524A (zh) * | 2020-07-14 | 2020-10-23 | 华普通用技术研究(广州)有限公司 | 一种基于大数据的地图实时更新装置和方法 |
CN112541396A (zh) * | 2020-11-16 | 2021-03-23 | 西人马帝言(北京)科技有限公司 | 一种车道线检测方法、装置、设备及计算机存储介质 |
CN112836573A (zh) * | 2020-12-24 | 2021-05-25 | 浙江大学 | 一种基于对抗生成网络的车道线图像增强与补全方法 |
Non-Patent Citations (1)
Title |
---|
刘占文;李强;沈超;王润民;: "面向智能车辆应用的智能仿真车研究与设计", 现代电子技术, no. 17 * |
Also Published As
Publication number | Publication date |
---|---|
EP4254332A1 (en) | 2023-10-04 |
US20220412771A1 (en) | 2022-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112598762B (zh) | 三维车道线信息生成方法、装置、电子设备和介质 | |
US20210302585A1 (en) | Smart navigation method and system based on topological map | |
CN113264066B (zh) | 障碍物轨迹预测方法、装置、自动驾驶车辆及路侧设备 | |
CN115880536B (zh) | 数据处理方法、训练方法、目标对象检测方法及装置 | |
US20200234581A1 (en) | Vehicle traffic information analysis and traffic jam management | |
CN113674287A (zh) | 高精地图的绘制方法、装置、设备以及存储介质 | |
EP3951741B1 (en) | Method for acquiring traffic state, relevant apparatus, roadside device and cloud control platform | |
CN114758502B (zh) | 双车联合轨迹预测方法及装置、电子设备和自动驾驶车辆 | |
CN114970673A (zh) | 一种半监督模型训练方法、系统及相关设备 | |
CN115861400B (zh) | 目标对象检测方法、训练方法、装置以及电子设备 | |
CN113467875A (zh) | 训练方法、预测方法、装置、电子设备以及自动驾驶车辆 | |
CN113887615A (zh) | 图像处理方法、装置、设备和介质 | |
CN114549369A (zh) | 数据修复方法、装置、计算机及可读存储介质 | |
CN113901998A (zh) | 模型的训练方法、装置、设备、存储介质以及检测方法 | |
Liu et al. | Towards vehicle-to-everything autonomous driving: A survey on collaborative perception | |
CN113591569A (zh) | 障碍物检测方法、装置、电子设备以及存储介质 | |
US20230281998A1 (en) | Track restoration method, track restoration device and non-transitory computer-readable storage medium | |
CN114691659A (zh) | 一种地图数据的优化方法、装置、设备以及存储介质 | |
CN113514053B (zh) | 生成样本图像对的方法、装置和更新高精地图的方法 | |
CN113447013B (zh) | 施工道路识别方法、装置、设备、存储介质和程序产品 | |
CN115409985A (zh) | 目标对象检测方法、装置、电子设备及可读存储介质 | |
CN115421122A (zh) | 目标对象检测方法、装置、电子设备和可读存储介质 | |
CN115061386A (zh) | 智能驾驶的自动化仿真测试系统及相关设备 | |
CN113505834A (zh) | 训练检测模型、确定图像更新信息和更新高精地图的方法 | |
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 |
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 |