CN114842207A - 路网生成方法、装置、可读存储介质及电子设备 - Google Patents
路网生成方法、装置、可读存储介质及电子设备 Download PDFInfo
- Publication number
- CN114842207A CN114842207A CN202210427356.8A CN202210427356A CN114842207A CN 114842207 A CN114842207 A CN 114842207A CN 202210427356 A CN202210427356 A CN 202210427356A CN 114842207 A CN114842207 A CN 114842207A
- Authority
- CN
- China
- Prior art keywords
- road
- target
- track
- sample
- data
- 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 45
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 53
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000010586 diagram Methods 0.000 claims description 27
- 230000005012 migration Effects 0.000 claims description 24
- 238000013508 migration Methods 0.000 claims description 24
- 238000004140 cleaning Methods 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 230000007704 transition Effects 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 6
- 230000003042 antagnostic effect Effects 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 10
- 238000013507 mapping Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000009499 grossing Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000002349 favourable effect Effects 0.000 description 3
- 238000011946 reduction process Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Processing Or Creating Images (AREA)
Abstract
本公开涉及一种路网生成方法、装置、可读存储介质及电子设备。方法包括:获取目标区域的多个目标轨迹数据;根据多个目标轨迹数据,通过道路预测模型预测目标区域的目标道路栅格图,道路预测模型基于第一区域的多个样本轨迹数据和第二区域的样本路网数据训练得到,目标区域、第一区域、第二区域互不相同;对目标道路栅格图进行矢量化处理,得到目标区域的目标路网数据。这样,可以实现道路预测模型的无监督训练,而无需标注与轨迹数据一一对应的路网数据,从而降低了模型训练成本,提升了模型训练的效率。另外,还能够避免因人工标注数据质量无法保证导致的模型预测准确度受到影响的问题,从而获取到高质量的路网数据。
Description
技术领域
本公开涉及计算机技术领域,具体地,涉及一种路网生成方法、装置、可读存储介质及电子设备。
背景技术
道路是连接不同地点的重要基础设施,在社会的生产生活中发挥着不可替代的作用。而在数字化时代,路网数据是构建智慧城市系统的关键支撑。随着搭载全球定位系统(Global Positioning System,GPS)设备的普及和基于位置服务(Location BasedServices,LBS)的广泛应用,各单位组织在海量的轨迹信息的基础上应用传统算法或通过监督训练得到的深度学习模型构建路网并导出得到路网数据。其中,基于监督训练得到的深度学习模型在训练阶段需要标注和GPS轨迹一一对应的路网数据,人工标注成本高昂,且效率低下。
发明内容
本公开的目的是提供一种路网生成方法、装置、可读存储介质及电子设备,以部分地解决相关技术中存在的上述问题。
为了实现上述目的,第一方面,本公开提供一种路网生成方法,包括:
获取目标区域的多个目标轨迹数据;
根据所述多个目标轨迹数据,通过道路预测模型预测所述目标区域的目标道路栅格图,其中,所述道路预测模型基于第一区域的多个样本轨迹数据和第二区域的样本路网数据训练得到,所述目标区域、所述第一区域、所述第二区域互不相同;
对所述目标道路栅格图进行矢量化处理,得到所述目标区域的目标路网数据。
可选地,所述根据所述多个目标轨迹数据,通过道路预测模型预测所述目标区域的目标道路栅格图,包括:
对所述多个目标轨迹数据进行预处理,得到所述目标区域的目标轨迹栅格图;
将所述目标轨迹栅格图输入到道路预测模型中,得到所述目标区域的目标道路栅格图。
可选地,所述对所述多个目标轨迹数据进行预处理,得到所述目标区域的目标轨迹栅格图,包括:
针对每一所述目标轨迹数据,对该目标轨迹数据进行轨迹清洗;对轨迹清洗后所得的目标轨迹数据进行栅格化处理,得到该目标轨迹数据对应的轨迹特征图;
将每一所述目标轨迹数据对应的轨迹特征图进行融合叠加,得到所述目标区域的轨迹特征密度图;
根据所述轨迹特征密度图,确定所述目标区域的目标轨迹栅格图。
可选地,所述根据所述轨迹特征密度图,确定所述目标区域的目标轨迹栅格图,包括:
对所述轨迹特征密度图进行降噪处理,得到所述目标区域的目标轨迹栅格图。
可选地,所述道路预测模型通过以下方式训练得到:
获取训练数据,其中,所述训练数据包括第一区域的多个样本轨迹数据和第二区域的样本路网数据;
对所述多个样本轨迹数据进行预处理,得到所述第一区域的样本轨迹栅格图;
对所述样本路网数据进行栅格化处理,得到所述第二区域的样本道路栅格图;
根据所述样本轨迹栅格图,通过风格迁移模型生成预测道路栅格图;
基于所述预测道路栅格图和所述样本道路栅格图,对所述风格迁移模型进行模型参数更新;
响应于不满足训练截止条件,重新执行所述获取训练数据的步骤至所述基于所述预测道路栅格图和所述样本道路栅格图,对所述风格迁移模型进行模型参数更新的步骤;
响应于满足所述训练截止条件,获得所述道路预测模型。
可选地,所述风格迁移模型为包括第一生成器和第一判别器的生成对抗网络;
所述根据所述样本轨迹栅格图,通过风格迁移模型生成预测道路栅格图,包括:
根据所述样本轨迹栅格图,通过所述第一生成器生成预测道路栅格图;
所述基于所述预测道路栅格图和所述样本道路栅格图,对所述风格迁移模型进行模型参数更新,包括:
通过所述第一判别器判别所述预测道路栅格图的图像风格是否符合所述样本道路栅格图的图像风格,得到第一判别结果;
根据所述第一判别结果,对所述第一生成器和所述第一判别器进行模型参数更新。
可选地,所述风格迁移模型为包括第二生成器、第三生成器、第二判别器以及第三判别器的循环生成对抗网络;
所述根据所述样本轨迹栅格图,通过风格迁移模型生成预测道路栅格图,包括:
根据所述样本轨迹栅格图,通过所述第二生成器生成预测道路栅格图;
所述基于所述预测道路栅格图和所述样本道路栅格图,对所述风格迁移模型进行模型参数更新,包括:
通过所述第二判别器判别所述预测道路栅格图的图像风格是否符合所述样本道路栅格图的图像风格,得到第一判别结果;
根据所述预测道路栅格图,通过所述第三生成器生成预测轨迹栅格图;
通过所述第三判别器判别所述预测轨迹栅格图的图像风格是否符合所述样本轨迹栅格图的图像风格,得到第二判别结果;
根据所述预测轨迹栅格图、所述样本轨迹栅格图、所述第一判别结果以及所述第二判别结果,对所述第二生成器和所述第二判别器进行模型参数更新;
根据所述预测轨迹栅格图、所述样本轨迹栅格图以及所述第二判别结果,对所述第三生成器和所述第三判别器进行模型参数更新。
可选地,所述根据所述预测轨迹栅格图、所述样本轨迹栅格图、所述第一判别结果以及所述第二判别结果,对所述第二生成器和所述第二判别器进行模型参数更新,包括:
根据所述预测轨迹栅格图和所述样本轨迹栅格图,计算循环一致性损失;
根据所述第一判别结果,计算第一对抗损失,并根据所述第二判别结果,计算第二对抗损失;
根据所述循环一致性损失、所述第一对抗损失以及所述第二对抗损失,对所述第二生成器和所述第二判别器进行模型参数更新。
可选地,所述根据所述预测轨迹栅格图、所述样本轨迹栅格图以及所述第二判别结果,对所述第三生成器和所述第三判别器进行模型参数更新,包括:
根据所述预测轨迹栅格图和所述样本轨迹栅格图,计算循环一致性损失;
根据所述第二判别结果,计算第二对抗损失;
根据所述循环一致性损失和所述第二对抗损失,对所述第三生成器和所述第三判别器进行模型参数更新。
第二方面,本公开提供一种路网生成装置,包括:
第一获取模块,用于获取目标区域的多个目标轨迹数据;
预测模块,用于根据所述第一获取模块获取到的所述多个目标轨迹数据,通过道路预测模型预测所述目标区域的目标道路栅格图,其中,所述道路预测模型基于第一区域的多个样本轨迹数据和第二区域的样本路网数据训练得到,所述目标区域、所述第一区域、所述第二区域互不相同;
矢量化处理模块,用于对所述预测模块预测得到的所述目标道路栅格图进行矢量化处理,得到所述目标区域的目标路网数据。
第三方面,本公开提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本公开第一方面提供的所述路网生成方法的步骤。
第四方面,本公开提供一种电子设备,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现本公开第一方面提供的所述路网生成方法的步骤。
在上述技术方案中,用于预测目标区域的目标道路栅格图的道路预测模型是基于第一区域的多个样本轨迹数据和第二区域的样本路网数据训练得到的,由于第一区域和第二区域不相同,即多个样本轨迹数据和样本路网数据并非一一对应,这样,可以实现道路预测模型的无监督训练,而无需标注与轨迹数据一一对应的路网数据,从而降低了模型训练成本,提升了模型训练的效率。另外,还能够避免因人工标注数据质量无法保证导致的模型预测准确度受到影响的问题,从而获取到高质量的路网数据。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本公开,但并不构成对本公开的限制。在附图中:
图1是根据一示例性实施例示出的一种路网生成方法的流程图。
图2是根据一示例性实施例示出的一种道路预测模型训练方法的流程图。
图3是根据一示例性实施例示出的一种路网生成装置的框图。
图4是根据一示例性实施例示出的一种道路预测模型训练装置的框图。
图5是根据一示例性实施例示出的一种电子设备的框图。
图6是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本公开,并不用于限制本公开。
需要说明的是,本公开中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下,并获得由相应装置所有者给予授权的情况下进行的。
图1是根据一示例性实施例示出的一种路网生成方法的流程图。如图1所示,该方法可以包括以下S101~S103。
在S101中,获取目标区域的多个目标轨迹数据。
在本公开中,目标区域可以为任一待进行路网数据生成的区域,例如,工业园区、社区、市区等。
目标轨迹数据可以包括硬件轨迹点数据和软件轨迹点数据。具体来说,硬件轨迹点数据主要是指交通工具在移动过程中产生的轨迹点数据(如共享单车的轨迹点数据、汽车的轨迹点数据等);软件轨迹点数据主要是指移动终端所产生的轨迹点数据。其中,轨迹点数据包括轨迹点所在位置、轨迹点对应的时间点、轨迹点的当前移动速度。
在S102中,根据多个目标轨迹数据,通过道路预测模型预测目标区域的目标道路栅格图。
在本公开中,道路预测模型基于第一区域的多个样本轨迹数据和第二区域的样本路网数据训练得到。其中,目标区域、第一区域、第二区域互不相同,即多个样本轨迹数据和样本路网数据并非一一对应。第二区域可以是任意包含对应路网数据的区域,可以将该区域包含的对应路网数据确定为该区域的样本路网数据。
另外,第一区域可以例如是工业园区、社区、市区等,第二区域也可以例如是工业园区、社区、市区等,本公开不作具体限定。
在S103中,对目标道路栅格图进行矢量化处理,得到目标区域的目标路网数据。
在本公开中,由于道路栅格图为平面坐标系表示下的图像,而路网数据是使用地理坐标(即采用纬度、经度表示地面点位置的球面坐标)表示的线段集合,因此,在上述S102通过道路预测模型预测得到目标区域的目标路栅格图后,需要对其进行矢量化处理,以得到目标区域的目标路网数据。
具体来说,可以通过以下方式来对目标道路栅格图进行矢量化处理:
首先,对目标道路栅格图进行骨架提取操作;然后,对骨架提取后所得的道路栅格图进行关键点(包括转折点、起始点、终点)提取,得到矢量化的平面坐标表示下的路网数据;最后,将平面坐标表示下的路网数据映射至地理坐标表示下的路网数据,即得到目标区域的目标路网数据。
在上述技术方案中,用于预测目标区域的目标道路栅格图的道路预测模型是基于第一区域的多个样本轨迹数据和第二区域的样本路网数据训练得到的,由于第一区域和第二区域不相同,即多个样本轨迹数据和样本路网数据并非一一对应,这样,可以实现道路预测模型的无监督训练,而无需标注与轨迹数据一一对应的路网数据,从而降低了模型训练成本,提升了模型训练的效率。另外,还能够避免因人工标注数据质量无法保证导致的模型预测准确度受到影响的问题,从而获取到高质量的路网数据。
下面针对上述S102中的根据多个目标轨迹数据,通过道路预测模型预测目标区域的目标道路栅格图的具体实施方式进行详细说明。具体来说,可以通过以下步骤(1)和步骤(2)来实现:
(1)对多个目标轨迹数据进行预处理,得到目标区域的目标轨迹栅格图。
(2)将目标轨迹栅格图输入到道路预测模型中,得到目标区域的目标道路栅格图。
下面针对上述步骤(1)中的对多个目标轨迹数据进行预处理,得到目标区域的目标轨迹栅格图的具体实施方式进行详细说明。具体来说,可以通过以下步骤(11)~步骤(14)来实现:
(11)针对每一目标轨迹数据,对该目标轨迹数据进行轨迹清洗。
具体来说,可以从该目标轨迹数据中剔除漂移点、室内点以及停留点中的至少一者。
由于GPS设备自身和网络通信的原因,采集的位置信息会出现各种的异常情况,包括因设备掉线导致的相邻两点之间存在很大的时差和距离的异常情况;因设备异常导致在连续时间下GPS位置距离过大,即出现漂移点的异常情况。其中,可以将该目标轨迹数据中、轨迹点间的平均速度大于第一预设速度阈值的任意两个相邻轨迹点中的后一轨迹点(即对应时间点靠后的轨迹点)确定为漂移点。从目标轨迹数据中剔除漂移点,可以使得用于路网生成的轨迹数据不偏离其在路网中的实际位置,即避免因漂移点导致的伪道路预测,有利于更加准确、高效地生成高质量路网数据。
另外,可以将目标轨迹点数据中、对应时间点位于室内时间区间(即室内活动时段)内的点确定为室内点。其中,室内点属于噪声点,将其剔除,同样可以使得用于路网生成的轨迹数据不偏离其在路网中的实际位置,即避免因室内噪声点导致的伪道路预测,有利于更加准确、高效地生成高质量路网数据。
此外,可以将目标轨迹数据中、轨迹点间的平均速度小于第二预设速度阈值的任意两个相邻轨迹点中的后一轨迹点(即对应时间点靠后的轨迹点)确定为停留点。其中,第二预设速度阈值小于上述第一预设速度阈值。从目标轨迹数据中剔除停留点,可以均匀轨迹密度,从而可以消除临近轨迹的密度差异,引导道路预测模型增强对低密度轨迹特征的关注,能有效提高路网的召回率,从而使得道路预测模型既能从高密度的轨迹特征中挖掘出主干道路,也能从低密度的轨迹特征中挖掘出支路,提升了目标路网数据的质量。这样,能够从分布迥异的内部区域(其中,各类社区、园区等称为内部区域)的路轨迹信息中挖掘到精细、完整和准确的内部路网数据(其中,各类社区、园区或单位内部的公开道路的数据称为内部网路数据)。这些内部路网数据可以帮助构建更加完善的LBS应用,帮助人们更好地生活,例如提供更加细腻精准的导航路线等。
(12)对轨迹清洗后所得的目标轨迹数据进行栅格化处理,得到该目标轨迹数据对应的轨迹特征图。
在本公开中,轨迹特征图可以例如是轨迹线特征图、轨迹点特征图、轨迹方向特征图、轨迹速度特征图、轨迹速度的一阶导数特征图、轨迹速度的二阶导数特征图等,本公开不作具体限定。
具体来说,可以先获取轨迹清洗后所得的目标轨迹数据对应的轨迹特征,其中,轨迹特征可以是轨迹线特征、轨迹点特征、轨迹方向特征、轨迹速度特征、轨迹速度的一阶导数特征、轨迹速度的二阶导数特征等;然后,根据各轨迹点的地理坐标,将轨迹特征映射到平面坐标系中,以得到该目标轨迹数据对应的轨迹特征图。
示例地,上述轨迹特征为轨迹线特征,相应地,上述轨迹特征图为轨迹线特征图,此时,可以通过以下方式来对轨迹清洗后所得的目标轨迹数据进行栅格化处理,以得到该目标轨迹数据对应的轨迹线特征图:首先,可以将轨迹清洗后所得的目标轨迹数据中的各轨迹点按照其对应的时间点的先后顺序进行连接,得到目标轨迹数据对应的轨迹线特征(即顺序连接的轨迹线);之后,根据各轨迹点的地理坐标,将该轨迹线特征映射到平面坐标系中,从而得到该目标轨迹数据对应的轨迹线特征图。
又示例地,上述轨迹特征为轨迹点特征,相应地,上述轨迹特征图为轨迹点特征图,此时,可以通过以下方式来对轨迹清洗后所得的目标轨迹数据进行栅格化处理,以得到该目标轨迹数据对应的轨迹点特征图:首先,可以将轨迹清洗后所得的目标轨迹数据中的各轨迹点直接作为目标轨迹数据对应的轨迹点特征;之后,根据各轨迹点的地理坐标,将轨迹点特征映射到平面坐标系中,从而得到该目标轨迹数据对应的轨迹点特征图。
又示例地,上述轨迹特征为轨迹速度特征,相应地,上述轨迹特征图为轨迹速度特征图,此时,可以通过以下方式来对轨迹清洗后所得的目标轨迹数据进行栅格化处理,以得到该目标轨迹数据对应的轨迹速度特征图:首先,可以获取轨迹清洗后所得的目标轨迹数据中每一轨迹点的速度特征,并将各轨迹点的速度特征作为目标轨迹数据对应的轨迹速度特征;之后,根据各轨迹点的地理坐标,将轨迹速度特征映射到平面坐标系中,从而得到该目标轨迹数据对应的轨迹速度特征图。
其中,在上述轨迹特征图为轨迹点特征图时,轨迹点特征图中各轨迹点所在的像素点灰度值可以设置为1,其余像素点的灰度值可以设置为0;在上述轨迹特征图为轨迹线特征图时,轨迹线特征图中各轨迹点所在的像素点、相邻轨迹点之间的连接线经过的像素点的灰度值可以设置为1,其余像素点的灰度值可以设置为0;而在上述轨迹特征图为轨迹方向特征图、轨迹速度特征图、轨迹速度的一阶导数特征图、轨迹速度的二阶导数特征图时,轨迹特征图中各轨迹点所在的像素点的灰度值可以为相应轨迹点对应特征的强度。
(13)将每一目标轨迹数据对应的轨迹特征图进行融合叠加,得到目标区域的轨迹特征密度图。
在本公开中,可以将目标区域中每一目标轨迹数据对应的轨迹特征图进行融合叠加,得到目标区域的轨迹特征密度图。其中,轨迹特征密度图可以例如是轨迹线特征密度图、轨迹点特征密度图、轨迹方向特征密度图、轨迹速度特征密度图、轨迹速度的一阶导数特征密度图、轨迹速度的二阶导数特征密度图等,本公开不作具体限定。
当上述轨迹特征图为轨迹点特征图或者轨迹线特征图时,融合得加后所得的轨迹特征密度图中像素点的灰度值等于每一目标轨迹数据对应的轨迹特征图中相应像素点的灰度值的和;当上述轨迹特征图为轨迹方向特征图、轨迹速度特征图、轨迹速度的一阶导数特征图、轨迹速度的二阶导数特征图等其他特征图时,融合得加后所得的轨迹特征密度图中像素点的灰度值等于每一目标轨迹数据对应的轨迹特征图中相应像素点的灰度值的和的平均值。
示例地,目标区域包括5条目标轨迹数据,该5条目标轨迹数据对应的轨迹线特征图分别为图A、图B、图C、图D以及图E,其中,图A中第一个像素点(即左上角的像素点)的灰度值为0,图B中第一个像素点的灰度值为1、图C中第一个像素点的灰度值为1、图D中第一个像素点的灰度值为0、图E中第一个像素点的灰度值为1,则图A、图B、图C、图D以及图E融合叠加得到的轨迹线特征密度图中的第一个像素点的灰度值等于0+1+1+0+1=3。
(14)根据轨迹特征密度图,确定目标区域的目标轨迹栅格图。
在一种实施方式中,可以将轨迹特征密度图直接确定为目标区域的目标轨迹栅格图。
在另一种实施方式中,可以对轨迹特征密度图进行降噪处理,得到目标区域的目标轨迹栅格图。
在本公开中,上述降噪处理可以包括二值化处理和/或高斯平滑处理。
在一种实施方式中,上述降噪处理可以包括二值化处理。具体来说,可以将轨迹特征密度图中灰度值小于预设灰度阈值的像素点作为背景,将轨迹特征密度图中灰度值大于或等于上述预设灰度阈值的像素点作为前景,从而得到目标区域的目标轨迹栅格图。这样,可以去除轨迹特征密度图中的置信度较低的噪声点,使得用于路网生成的轨迹数据不偏离其在路网中的实际位置,即避免因置信度较低的噪声点导致的伪道路预测,有利于更加准确、高效地生成高质量路网数据。
在另一种实施方式中,上述降噪处理可以包括高斯平滑处理。其中,对轨迹特征密度图进行高斯平滑处理,可以削弱噪声影响,使得目标区域的目标轨迹栅格图的灰度分布更加均匀,即可以均匀轨迹密度,从而可以进一步消除临近轨迹的密度差异,引导道路预测模型增强对低密度轨迹特征的关注,能有效提高路网的召回率,从而使得道路预测模型既能从高密度的轨迹特征中挖掘出主干道路,也能从低密度的轨迹特征中挖掘出支路,提升了目标路网数据的质量。这样,能够从分布迥异的内部区域的路轨迹信息中挖掘到精细、完整和准确的内部路网数据。
在又一种实施方式中,上述降噪处理可以包括二值化处理和高斯平滑处理。具体来说,可以对轨迹特征密度图依次进行二值化处理、高斯平滑处理,以得到目标区域的目标轨迹栅格图。这样,可以最大程度地提升生成的路网数据的质量。
下面针对上述S102中涉及的道路预测模型的具体训练方式进行详细说明。具体来说,可以通过图2中所示的S201~S207来训练得到上述道路预测模型。
在S201中,获取训练数据,训练数据包括第一区域的多个样本轨迹数据和第二区域的样本路网数据。
在S202中,对多个样本轨迹数据进行预处理,得到第一区域的样本轨迹栅格图。
在本公开中,可以采用与上述步骤(1)中的对多个目标轨迹数据进行预处理类似的方式来对多个样本轨迹数据进行预处理,对此,本公开不再赘述。
在S203中,对样本路网数据进行栅格化处理,得到第二区域的样本道路栅格图。
在本公开中,样本路网数据是使用地理坐标表示的线段集合,可以将其栅格化成平面坐标表示下的图像(即将地理坐标表示下的样本路网数据映射至平面坐标表示下的路网数据),即得到第二区域的样本道路栅格图。
在S204中,根据样本轨迹栅格图,通过风格迁移模型生成预测道路栅格图。
在S205中,基于预测道路栅格图和样本道路栅格图,对风格迁移模型进行模型参数更新。
在S206中,判断是否满足训练截止条件。
在本公开中,训练截止条件可以为训练次数达到预设次数阈值,也可以是风格迁移模型的损失小于预设损失阈值。
若不满足训练截止条件,则返回上述S201继续执行,直到满足训练截止条件时为止。若满足训练截止条件,则执行以下S207。
在S207中,获得道路预测模型。
在本公开中,上述风格迁移模型可以多种结构,在一种实施方式中,上述风格迁移模型为包括第一生成器和第一判别器的生成对抗网络。此时,上述S204可以根据样本轨迹栅格图,通过第一生成器生成预测道路栅格图。之后,上述S205可以通过第一判别器判别第一生成器生成的预测道路栅格图的图像风格是否符合样本道路栅格图的图像风格,得到第一判别结果,并根据第一判别结果,对第一生成器和第一判别器进行模型参数更新。
具体来说,可以根据第一判别结果,计算第一对抗损失;然后,基于第一对抗损失对第一生成器和第一判别器进行模型参数更新。
在另一种实施方式中,上述风格迁移模型为包括第二生成器、第三生成器、第二判别器以及第三判别器的循环生成对抗网络。此时,上述S204可以根据样本轨迹栅格图,通过第二生成器生成预测道路栅格图。上述S205可以包括以下步骤1)~步骤5):
1)通过第二判别器判别预测道路栅格图的图像风格是否符合样本道路栅格图的图像风格,得到第一判别结果;
2)根据预测道路栅格图,通过第三生成器生成预测轨迹栅格图;
3)通过第三判别器判别预测轨迹栅格图的图像风格是否符合样本轨迹栅格图的图像风格,得到第二判别结果;
4)根据预测轨迹栅格图、样本轨迹栅格图、第一判别结果以及第二判别结果,对第二生成器和第二判别器进行模型参数更新;
5)根据预测轨迹栅格图、样本轨迹栅格图以及第二判别结果,对第三生成器和第三判别器进行模型参数更新。
在上述实施方式中,风格迁移模型为循环生成对抗网络,这样,可以保证风格迁移后所得的预测道路栅格图与风格迁移前的轨迹数据相对应,以避免产生本不存在的道路,从而进一步提升了路网生成的质量。
下面针对上述步骤4)中的根据预测轨迹栅格图、样本轨迹栅格图、第一判别结果以及第二判别结果,对第二生成器和第二判别器进行模型参数更新的具体实施方式进行详细说明。具体来说,可以通过以下步骤来实现:
首先,根据预测轨迹栅格图和样本轨迹栅格图,计算循环一致性损失;
然后,根据第一判别结果,计算第一对抗损失,并根据第二判别结果,计算第二对抗损失;
最后,根据循环一致性损失、第一对抗损失以及第二对抗损失,对第二生成器和第二判别器进行模型参数更新。
下面针对上述步骤5)中的根据预测轨迹栅格图、样本轨迹栅格图以及第二判别结果,对第三生成器和第三判别器进行模型参数更新的具体实施方式进行详细说明。具体来说,可以通过以下步骤来实现:
首先,根据预测轨迹栅格图和样本轨迹栅格图,计算循环一致性损失;
然后,根据第二判别结果,计算第二对抗损失;
最后,根据循环一致性损失和第二对抗损失,对第三生成器和第三判别器进行模型参数更新。
本公开还提供一种路网生成装置,如图3所示,该路网生成装置300可以包括:
第一获取模块301,用于获取目标区域的多个目标轨迹数据;
预测模块302,用于根据所述第一获取模块301获取到的所述多个目标轨迹数据,通过道路预测模型预测所述目标区域的目标道路栅格图,其中,所述道路预测模型基于第一区域的多个样本轨迹数据和第二区域的样本路网数据训练得到,所述目标区域、所述第一区域、所述第二区域互不相同;
矢量化处理模块303,用于对所述预测模块302预测得到的所述目标道路栅格图进行矢量化处理,得到所述目标区域的目标路网数据。
在上述技术方案中,用于预测目标区域的目标道路栅格图的道路预测模型是基于第一区域的多个样本轨迹数据和第二区域的样本路网数据训练得到的,由于第一区域和第二区域不相同,即多个样本轨迹数据和样本路网数据并非一一对应,这样,可以实现道路预测模型的无监督训练,而无需标注与轨迹数据一一对应的路网数据,从而降低了模型训练成本,提升了模型训练的效率。另外,还能够避免因人工标注数据质量无法保证导致的模型预测准确度受到影响的问题,从而获取到高质量的路网数据。
可选地,所述预测模块302包括:
预处理子模块,用于对所述多个目标轨迹数据进行预处理,得到所述目标区域的目标轨迹栅格图;
预测子模块,用于将所述目标轨迹栅格图输入到道路预测模型中,得到所述目标区域的目标道路栅格图。
可选地,所述预处理子模块包括:
清洗子模块,用于针对每一所述目标轨迹数据,对该目标轨迹数据进行轨迹清洗;栅格化处理子模块,用于对轨迹清洗后所得的目标轨迹数据进行栅格化处理,得到该目标轨迹数据对应的轨迹特征图;
叠加子模块,用于将每一所述目标轨迹数据对应的轨迹特征图进行融合叠加,得到所述目标区域的轨迹特征密度图;
确定子模块,用于根据所述轨迹特征密度图,确定所述目标区域的目标轨迹栅格图。
可选地,所述确定子模块用于对所述轨迹特征密度图进行降噪处理,得到所述目标区域的目标轨迹栅格图。
可选地,所述道路预测模型可以通过道路预测模型训练装置训练得到。如图4所示,该道路预测模型训练装置400可以包括:
第二获取模块401,用于获取训练数据,其中,所述训练数据包括第一区域的多个样本轨迹数据和第二区域的样本路网数据。
预处理模块402,用于对所述第二获取模块401获取到的所述多个样本轨迹数据进行预处理,得到所述第一区域的样本轨迹栅格图;
栅格化处理模块403,用于对所述第二获取模块401获取到的所述样本路网数据进行栅格化处理,得到所述第二区域的样本道路栅格图;
生成模块404,用于根据所述预处理模块402得到的所述样本轨迹栅格图,通过风格迁移模型生成预测道路栅格图;
更新模块405,用于基于所述生成模块404生成的所述预测道路栅格图和所述栅格化处理模块403得到的所述样本道路栅格图,对所述风格迁移模型进行模型参数更新;
触发模块406,用于:响应于不满足训练截止条件,触发所述第二获取模块401获取训练数据;响应于满足所述训练截止条件,获得所述道路预测模型。
可选地,所述风格迁移模型为包括第一生成器和第一判别器的生成对抗网络;
所述生成模块404用于根据所述样本轨迹栅格图,通过所述第一生成器生成预测道路栅格图;
所述更新模块405包括:
第一判别子模块,用于通过所述第一判别器判别所述预测道路栅格图的图像风格是否符合所述样本道路栅格图的图像风格,得到第一判别结果;
第一更新子模块,用于根据所述第一判别结果,对所述第一生成器和所述第一判别器进行模型参数更新。
可选地,所述风格迁移模型为包括第二生成器、第三生成器、第二判别器以及第三判别器的循环生成对抗网络;
所述生成模块404用于根据所述样本轨迹栅格图,通过所述第二生成器生成预测道路栅格图;
所述更新模块405包括:
第二判别子模块,用于通过所述第二判别器判别所述预测道路栅格图的图像风格是否符合所述样本道路栅格图的图像风格,得到第一判别结果;
生成子模块,用于根据所述预测道路栅格图,通过所述第三生成器生成预测轨迹栅格图;
第三判别子模块,用于通过所述第三判别器判别所述预测轨迹栅格图的图像风格是否符合所述样本轨迹栅格图的图像风格,得到第二判别结果;
第二更新子模块,用于根据所述预测轨迹栅格图、所述样本轨迹栅格图、所述第一判别结果以及所述第二判别结果,对所述第二生成器和所述第二判别器进行模型参数更新;
第三更新子模块,用于根据所述预测轨迹栅格图、所述样本轨迹栅格图以及所述第二判别结果,对所述第三生成器和所述第三判别器进行模型参数更新。
可选地,所述第二更新子模块包括:
第一计算子模块,用于根据所述预测轨迹栅格图和所述样本轨迹栅格图,计算循环一致性损失;
第二计算子模块,用于根据所述第一判别结果,计算第一对抗损失,并根据所述第二判别结果,计算第二对抗损失;
第四更新子模块,用于根据所述循环一致性损失、所述第一对抗损失以及所述第二对抗损失,对所述第二生成器和所述第二判别器进行模型参数更新。
可选地,所述第三更新子模块包括:
第三计算子模块,用于根据所述预测轨迹栅格图和所述样本轨迹栅格图,计算循环一致性损失;
第四计算子模块,用于根据所述第二判别结果,计算第二对抗损失;
第五更新子模块,用于根据所述循环一致性损失和所述第二对抗损失,对所述第三生成器和所述第三判别器进行模型参数更新。
另外,需要说明的是,上述道路预测模型训练装置400可以独立于上述路网生成装置300,还可以集成在上述路网生成装置300内,本公开不作具体限定。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本公开还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本公开提供的上述路网生成方法的步骤。
图5是根据一示例性实施例示出的一种电子设备500的框图。如图5所示,该电子设备500可以包括:处理器501,存储器502。该电子设备500还可以包括多媒体组件503,输入/输出(I/O)接口504,以及通信组件505中的一者或多者。
其中,处理器501用于控制该电子设备500的整体操作,以完成上述的路网生成方法中的全部或部分步骤。存储器502用于存储各种类型的数据以支持在该电子设备500的操作,这些数据例如可以包括用于在该电子设备500上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器502可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件503可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器502或通过通信组件505发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口504为处理器501和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件505用于该电子设备500与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near FieldCommunication,简称NFC),2G、3G、4G、NB-IOT、eMTC、或其他5G等等,或它们中的一种或几种的组合,在此不做限定。因此相应的该通信组件505可以包括:Wi-Fi模块,蓝牙模块,NFC模块等等。
在一示例性实施例中,电子设备500可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的路网生成方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的路网生成方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器502,上述程序指令可由电子设备500的处理器501执行以完成上述的路网生成方法。
图6是根据一示例性实施例示出的一种电子设备600的框图。例如,电子设备600可以被提供为一服务器。参照图6,电子设备600包括处理器622,其数量可以为一个或多个,以及存储器632,用于存储可由处理器622执行的计算机程序。存储器632中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理器622可以被配置为执行该计算机程序,以执行上述的路网生成方法。
另外,电子设备600还可以包括电源组件626和通信组件650,该电源组件626可以被配置为执行电子设备600的电源管理,该通信组件650可以被配置为实现电子设备600的通信,例如,有线或无线通信。此外,该电子设备600还可以包括输入/输出(I/O)接口658。电子设备600可以操作基于存储在存储器632的操作系统,例如Windows ServerTM,Mac OSXTM,UnixTM,LinuxTM等等。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的路网生成方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器632,上述程序指令可由电子设备600的处理器622执行以完成上述的路网生成方法。
在另一示例性实施例中,还提供一种计算机程序产品,该计算机程序产品包含能够由可编程的装置执行的计算机程序,该计算机程序具有当由该可编程的装置执行时用于执行上述的路网生成方法的代码部分。
以上结合附图详细描述了本公开的优选实施方式,但是,本公开并不限于上述实施方式中的具体细节,在本公开的技术构思范围内,可以对本公开的技术方案进行多种简单变型,这些简单变型均属于本公开的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本公开对各种可能的组合方式不再另行说明。
此外,本公开的各种不同的实施方式之间也可以进行任意组合,只要其不违背本公开的思想,其同样应当视为本公开所公开的内容。
Claims (10)
1.一种路网生成方法,其特征在于,包括:
获取目标区域的多个目标轨迹数据;
根据所述多个目标轨迹数据,通过道路预测模型预测所述目标区域的目标道路栅格图,其中,所述道路预测模型基于第一区域的多个样本轨迹数据和第二区域的样本路网数据训练得到,所述目标区域、所述第一区域、所述第二区域互不相同;
对所述目标道路栅格图进行矢量化处理,得到所述目标区域的目标路网数据。
2.根据权利要求1所述的方法,其特征在于,所述根据所述多个目标轨迹数据,通过道路预测模型预测所述目标区域的目标道路栅格图,包括:
对所述多个目标轨迹数据进行预处理,得到所述目标区域的目标轨迹栅格图;
将所述目标轨迹栅格图输入到道路预测模型中,得到所述目标区域的目标道路栅格图。
3.根据权利要求2所述的方法,其特征在于,所述对所述多个目标轨迹数据进行预处理,得到所述目标区域的目标轨迹栅格图,包括:
针对每一所述目标轨迹数据,对该目标轨迹数据进行轨迹清洗;对轨迹清洗后所得的目标轨迹数据进行栅格化处理,得到该目标轨迹数据对应的轨迹特征图;
将每一所述目标轨迹数据对应的轨迹特征图进行融合叠加,得到所述目标区域的轨迹特征密度图;
根据所述轨迹特征密度图,确定所述目标区域的目标轨迹栅格图。
4.根据权利要求1-3中任一项所述的方法,其特征在于,所述道路预测模型通过以下方式训练得到:
获取训练数据,其中,所述训练数据包括第一区域的多个样本轨迹数据和第二区域的样本路网数据;
对所述多个样本轨迹数据进行预处理,得到所述第一区域的样本轨迹栅格图;
对所述样本路网数据进行栅格化处理,得到所述第二区域的样本道路栅格图;
根据所述样本轨迹栅格图,通过风格迁移模型生成预测道路栅格图;
基于所述预测道路栅格图和所述样本道路栅格图,对所述风格迁移模型进行模型参数更新;
响应于不满足训练截止条件,重新执行所述获取训练数据的步骤至所述基于所述预测道路栅格图和所述样本道路栅格图,对所述风格迁移模型进行模型参数更新的步骤;
响应于满足所述训练截止条件,获得所述道路预测模型。
5.根据权利要求4所述的方法,其特征在于,所述风格迁移模型为包括第一生成器和第一判别器的生成对抗网络;
所述根据所述样本轨迹栅格图,通过风格迁移模型生成预测道路栅格图,包括:
根据所述样本轨迹栅格图,通过所述第一生成器生成预测道路栅格图;
所述基于所述预测道路栅格图和所述样本道路栅格图,对所述风格迁移模型进行模型参数更新,包括:
通过所述第一判别器判别所述预测道路栅格图的图像风格是否符合所述样本道路栅格图的图像风格,得到第一判别结果;
根据所述第一判别结果,对所述第一生成器和所述第一判别器进行模型参数更新。
6.根据权利要求4所述的方法,其特征在于,所述风格迁移模型为包括第二生成器、第三生成器、第二判别器以及第三判别器的循环生成对抗网络;
所述根据所述样本轨迹栅格图,通过风格迁移模型生成预测道路栅格图,包括:
根据所述样本轨迹栅格图,通过所述第二生成器生成预测道路栅格图;
所述基于所述预测道路栅格图和所述样本道路栅格图,对所述风格迁移模型进行模型参数更新,包括:
通过所述第二判别器判别所述预测道路栅格图的图像风格是否符合所述样本道路栅格图的图像风格,得到第一判别结果;
根据所述预测道路栅格图,通过所述第三生成器生成预测轨迹栅格图;
通过所述第三判别器判别所述预测轨迹栅格图的图像风格是否符合所述样本轨迹栅格图的图像风格,得到第二判别结果;
根据所述预测轨迹栅格图、所述样本轨迹栅格图、所述第一判别结果以及所述第二判别结果,对所述第二生成器和所述第二判别器进行模型参数更新;
根据所述预测轨迹栅格图、所述样本轨迹栅格图以及所述第二判别结果,对所述第三生成器和所述第三判别器进行模型参数更新。
7.根据权利要求6所述的方法,其特征在于,所述根据所述预测轨迹栅格图、所述样本轨迹栅格图、所述第一判别结果以及所述第二判别结果,对所述第二生成器和所述第二判别器进行模型参数更新,包括:
根据所述预测轨迹栅格图和所述样本轨迹栅格图,计算循环一致性损失;
根据所述第一判别结果,计算第一对抗损失,并根据所述第二判别结果,计算第二对抗损失;
根据所述循环一致性损失、所述第一对抗损失以及所述第二对抗损失,对所述第二生成器和所述第二判别器进行模型参数更新;
所述根据所述预测轨迹栅格图、所述样本轨迹栅格图以及所述第二判别结果,对所述第三生成器和所述第三判别器进行模型参数更新,包括:
根据所述预测轨迹栅格图和所述样本轨迹栅格图,计算循环一致性损失;
根据所述第二判别结果,计算第二对抗损失;
根据所述循环一致性损失和所述第二对抗损失,对所述第三生成器和所述第三判别器进行模型参数更新。
8.一种路网生成装置,其特征在于,包括:
第一获取模块,用于获取目标区域的多个目标轨迹数据;
预测模块,用于根据所述第一获取模块获取到的所述多个目标轨迹数据,通过道路预测模型预测所述目标区域的目标道路栅格图,其中,所述道路预测模型基于第一区域的多个样本轨迹数据和第二区域的样本路网数据训练得到,所述目标区域、所述第一区域、所述第二区域互不相同;
矢量化处理模块,用于对所述预测模块预测得到的所述目标道路栅格图进行矢量化处理,得到所述目标区域的目标路网数据。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-7中任一项所述方法的步骤。
10.一种电子设备,其特征在于,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210427356.8A CN114842207A (zh) | 2022-04-21 | 2022-04-21 | 路网生成方法、装置、可读存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210427356.8A CN114842207A (zh) | 2022-04-21 | 2022-04-21 | 路网生成方法、装置、可读存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114842207A true CN114842207A (zh) | 2022-08-02 |
Family
ID=82566512
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210427356.8A Pending CN114842207A (zh) | 2022-04-21 | 2022-04-21 | 路网生成方法、装置、可读存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114842207A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115601393A (zh) * | 2022-09-29 | 2023-01-13 | 清华大学(Cn) | 轨迹生成方法、装置、设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105205196A (zh) * | 2014-06-27 | 2015-12-30 | 国际商业机器公司 | 用于生成路网的方法和系统 |
US20160092621A1 (en) * | 2014-09-30 | 2016-03-31 | International Business Machines Corporation | Road network generation |
CN110852342A (zh) * | 2019-09-26 | 2020-02-28 | 京东城市(北京)数字科技有限公司 | 一种路网数据的获取方法、装置、设备及计算机存储介质 |
CN114077643A (zh) * | 2020-08-10 | 2022-02-22 | 中国移动通信集团浙江有限公司 | 轨交接驳线路设计方法及装置 |
-
2022
- 2022-04-21 CN CN202210427356.8A patent/CN114842207A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105205196A (zh) * | 2014-06-27 | 2015-12-30 | 国际商业机器公司 | 用于生成路网的方法和系统 |
US20160092621A1 (en) * | 2014-09-30 | 2016-03-31 | International Business Machines Corporation | Road network generation |
CN110852342A (zh) * | 2019-09-26 | 2020-02-28 | 京东城市(北京)数字科技有限公司 | 一种路网数据的获取方法、装置、设备及计算机存储介质 |
CN114077643A (zh) * | 2020-08-10 | 2022-02-22 | 中国移动通信集团浙江有限公司 | 轨交接驳线路设计方法及装置 |
Non-Patent Citations (2)
Title |
---|
RADU DANESCU; RAZVAN ITU; MIRCEA PAUL MURESAN: "PartID – Individual Objects Tracking in Occupancy Grids Using Particle Identities", 《2020 IEEE 16TH INTERNATIONAL CONFERENCE ON INTELLIGENT COMPUTER COMMUNICATION AND PROCESSING (ICCP)》, 26 November 2020 (2020-11-26) * |
米春蕾: "基于车辆轨迹数据的路网快速提取方法研究", 《中国优秀硕士学位论文全文数据库》, 1 June 2018 (2018-06-01) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115601393A (zh) * | 2022-09-29 | 2023-01-13 | 清华大学(Cn) | 轨迹生成方法、装置、设备和存储介质 |
CN115601393B (zh) * | 2022-09-29 | 2024-05-07 | 清华大学 | 轨迹生成方法、装置、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111044056A (zh) | 基于道路匹配的定位方法、芯片子系统及电子设备 | |
CN114065364B (zh) | 基于无人机遥感测绘的城市工程规划方法及系统 | |
CN112399348B (zh) | 一种移动轨迹的确定方法及装置、存储介质 | |
JP2021517670A (ja) | 地図を生成するための方法および装置 | |
CN114485690B (zh) | 导航地图的生成方法、装置、电子设备及存储介质 | |
CN116151628B (zh) | 隧道施工中地面沉降的监测与预警系统 | |
CN112132725A (zh) | 车辆还车判定方法、装置及电子设备 | |
CN114842207A (zh) | 路网生成方法、装置、可读存储介质及电子设备 | |
CN116740127A (zh) | 障碍物轨迹预测方法、装置、计算机设备和存储介质 | |
CN110390252B (zh) | 基于先验地图信息的障碍物检测方法、装置和存储介质 | |
CN110189537B (zh) | 基于时空特征的停车诱导方法、装置、设备及存储介质 | |
CN114758086A (zh) | 一种城市道路信息模型的构建方法及装置 | |
CN111651547B (zh) | 高精度地图数据的获取方法、装置及可读存储介质 | |
CN108973995B (zh) | 用于辅助驾驶的环境感知数据处理方法、装置及车辆 | |
CN115793715B (zh) | 一种无人机辅助飞行方法、系统、装置及存储介质 | |
CN116630856A (zh) | 一种基于视频的公共交通安全异常行为检测方法 | |
CN115424131B (zh) | 一种云检测最优阈值选取方法、云检测方法及系统 | |
Guivant et al. | Global urban localization based on road maps | |
CN114838729A (zh) | 一种路径规划方法、装置及设备 | |
CN114722890A (zh) | 目标场所的边界生成方法、装置、电子设备及存储介质 | |
CN112241016B (zh) | 一种泊车地图地理坐标的确定方法和装置 | |
CN113514053A (zh) | 生成样本图像对的方法、装置和更新高精地图的方法 | |
Liu | High precision map crowdsource update technology and SLAM technology-Application in autonomous driving | |
CN114281915B (zh) | 一种生成几何路网的方法、装置、设备及存储介质 | |
Liu et al. | Adaptive Vehicle Cooperative Positioning System with Uncertain GPS Visibility and Neural Network-based Improved Approach |
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 |