CN115662167A

CN115662167A - 自动驾驶地图构建方法、自动驾驶方法及相关装置

Info

Publication number: CN115662167A
Application number: CN202211260168.7A
Authority: CN
Inventors: 黄际洲; 王海峰; 夏德国
Original assignee: Beijing Baidu Netcom Science and Technology Co Ltd
Current assignee: Beijing Baidu Netcom Science and Technology Co Ltd
Priority date: 2022-10-14
Filing date: 2022-10-14
Publication date: 2023-01-31
Anticipated expiration: 2042-10-14
Also published as: CN115662167B

Abstract

本公开提供了一种自动驾驶地图构建方法、自动驾驶方法以及相关装置，涉及自动驾驶、图像处理、时空数据处理技术领域，可应用于智能交通、智慧城市等场景。该方案包括：获取同一区域的静态道路数据、动态交通数据和驾驶行为知识；其中，驾驶行为知识用于提供与道路位置相应的驾驶操作建议；将静态道路数据、动态交通数据和驾驶行为知识分别封装为不同层次的地图相关数据；基于绝对位置关系和相对位置关系，确定不同层次的地图相关数据之间的位置匹配点；基于位置匹配点关联不同层次的地图相关数据，得到自动驾驶地图。应用该方案提供的自动驾驶地图可以提供更安全、体验更舒适的自动驾驶服务。

Description

自动驾驶地图构建方法、自动驾驶方法及相关装置

技术领域

本公开涉及数据处理领域，具体涉及自动驾驶、图像处理、时空数据处理技术领域，可应用于智能交通、智慧城市等场景，尤其涉及一种自动驾驶地图构建方法和自动驾驶方法，以及对应的装置、电子设备、计算机可读存储介质、计算机程序产品。

背景技术

规模化、产业化的自动驾驶地图是智能驾驶与智能交通的重要数字基础设施。。

同时智能驾驶从高速域逐步扩展到城市域，为保障点到点的智能驾驶体验提升，更需依赖高精准、高时效、全场景的自动驾驶地图来提供自动驾驶服务。

发明内容

本公开实施例提出了一种自动驾驶地图构建方法和自动驾驶方法，以及配套的装置、电子设备、计算机可读存储介质及计算机程序产品。

第一方面，本公开实施例提出了一种自动驾驶地图构建方法，包括：获取同一区域的静态道路数据、动态交通数据和驾驶行为知识；其中，驾驶行为知识用于提供与道路位置相应的驾驶操作建议；将静态道路数据、动态交通数据和驾驶行为知识分别封装为不同层次的地图相关数据；基于绝对位置关系和相对位置关系，确定不同层次的地图相关数据之间的位置匹配点；基于位置匹配点关联不同层次的地图相关数据，得到自动驾驶地图。

第二方面，本公开实施例提出了一种自动驾驶地图装置，包括：数据获取单元，被配置成获取同一区域的静态道路数据、动态交通数据和驾驶行为知识；其中，驾驶行为知识用于提供与道路位置相应的驾驶操作建议；分层封装单元，被配置成将静态道路数据、动态交通数据和驾驶行为知识分别封装为不同层次的地图相关数据；位置匹配点确定单元，被配置成基于绝对位置关系和相对位置关系，确定不同层次的地图相关数据之间的位置匹配点；自动驾驶地图生成单元，被配置成基于位置匹配点关联不同层次的地图相关数据，得到自动驾驶地图。

第三方面，本公开实施例提出了一种自动驾驶方法，包括：获取出行起点和出行终点；基于出行起点、出行终点和自动驾驶地图，确定出行导航；其中，自动驾驶地图通过如第一方面描述的自动驾驶地图构建方法得到；基于出行导航为当前乘车人员提供自动驾驶服务。

第四方面，本公开实施例提出了一种自动驾驶装置，包括：出行起 /终点获取单元，被配置成获取出行起点和出行终点；出行导航确定子单元，被配置成确定基于出行起点、出行终点和自动驾驶地图，确定动态出行导航；其中，自动驾驶地图通过如第二方面描述的自动驾驶地图构建装置得到；自动驾驶服务提供单元，被配置成基于出行导航为当前乘车人员提供自动驾驶服务。

第五方面，本公开实施例提供了一种电子设备，该电子设备包括：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，该指令被至少一个处理器执行，以使至少一个处理器执行时能够实现如第一方面描述的自动驾驶地图构建方法或如第三方面描述的自动驾驶方法。

第六方面，本公开实施例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时能够实现如第一方面描述的自动驾驶地图构建方法或如第三方面描述的自动驾驶方法。

第七方面，本公开实施例提供了一种包括计算机程序的计算机程序产品，该计算机程序在被处理器执行时能够实现如第一方面描述的自动驾驶地图构建方法或如第三方面描述的自动驾驶方法。

本公开实施例提供的自动驾驶地图构建方法和自动驾驶方法，在常规仅基于静态道路数据构建地图的情况下，不仅额外引入了体现实时交通变化的动态交通数据和用于提供与道路位置相关的驾驶操作指引的驾驶行为知识，还考虑到这三种层次的地图相关数据的获取渠道不同，以对应的层次重合位置点进行层次之间的关联，从而构建得到一个包含更全面、更适合提供自动驾驶服务的地图，从而为乘车人员提供更安全、体验更舒适的自动驾驶服务。

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

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：

图1是本公开可以应用于其中的示例性系统架构；

图2为本公开实施例提供的一种自动驾驶地图构建方法的流程图；

图3为本公开实施例提供的一种确定不同层次的地图相关数据之间的位置匹配点的方法的流程图；

图4为本公开实施例提供的一种针对变道时机的确定位置匹配点的示意图；

图5为本公开实施例提供的一种确定经验行车速度的方法的流程图；

图6为本公开实施例提供的一种确定静态道路数据的方法的流程图；

图7为本公开实施例所提供地图方案与传统地图方案之间的改进对比示意图；

图8为本公开实施例提供的一种自动驾驶方法的流程图；

图9为本公开实施例提供的一种自动驾驶地图构建装置的结构框图；

图10为本公开实施例提供的一种自动驾驶装置的结构框图；

图11为本公开实施例提供的一种适用于执行自动驾驶地图构建方法和/或自动驾驶方法的电子设备的结构示意图。

具体实施方式

以下结合附图对本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。需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

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、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

图1示出了可以应用本申请的用于训练人脸识别模型以及识别人脸的方法、装置、电子设备及计算机可读存储介质的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括采集车101、摄像头102、数据库103、网络104和服务器105。网络104用以在采集车101、摄像头102、数据库103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、无线通信链路或者光纤电缆等等。

其中，采集车101用于在行驶过程中对周围的道路数据进行采集，以得到静态道路数据，该静态道路数据主要包括真实世界道路相关数据，进一步包括路网数据、车道数据、定位数据等；架设在道路周边的摄像头102(以及各式传感器)用于根据拍摄得到的图像内容以及可获取到的时空数据确定实时的交通情况，以得到动态交通数据，该动态交通数据主要包括：实时路况、事故以及施工等动态数据；数据库103中存储有大量驾驶行为知识，主要包括驾驶变道时机、经验行车速度以及经验行车轨迹等，用于提供基于道路位置的驾驶操作指引。

采集车101、摄像头102、数据库103和服务器105上可以安装有各种用于实现两者之间进行数据交换的应用，例如数据传输类应用、自动驾驶地图构建类应用、自动驾驶类应用等。

采集车101和摄像头102通常表现为相应类型的硬件设备，数据库103和服务器105可以是硬件，也可以是软件。当数据库103和服务器为硬件时，可以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；服务器为软件时，可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块，在此不做具体限定。

服务器105通过内置的各种应用可以提供各种服务，以可以为乘车人员提供自动驾驶服务的自动驾驶类应用为例，服务器105在运行该自动驾驶类应用时可实现如下效果：首先，根据乘车人员传入的信息确定出行起点和出行终点；然后，基于该出行起点、该出行终点和预先构建得到的自动驾驶地图，确定出行导航；最后，基于该出行导航为当前乘车人员提供自动驾驶服务。

其中，该自动驾驶地图可由服务器105上内置的自动驾驶地图构建类应用按如下步骤生成得到：首先，分别通过采集车101、摄像头 102和数据库103获取同一区域的静态道路数据、动态交通数据和驾驶行为知识；然后，将该静态道路数据、该动态交通数据和该驾驶行为知识分别封装为不同层次的地图相关数据；接下来，基于绝对位置关系和相对位置关系，确定不同层次的地图相关数据之间的位置匹配点；最后，基于位置匹配点关联不同层次的地图相关数据，得到自动驾驶地图。

由于关联不同层次的地图相关数据来得到包括全面信息的自动驾驶地图需要占用较多的运算资源和较强的运算能力，因此本申请后续各实施例所提供的自动驾驶地图构建方法一般由拥有较强运算能力、较多运算资源的服务器105来执行，相应地，自动驾驶地图构建装置一般也设置于服务器105中。

当然，用于构建得到自动驾驶地图的服务器可以不同于调用已构建好的自动驾驶地图来提供自动驾驶服务的服务器。

应该理解，图1中的采集车、摄像头、数据库、网络和服务器仅仅是示意性的。根据实现需要，也可以换用其它的代表性对象，且可以具有任意数目。

请参考图2，图2为本公开实施例提供的一种自动驾驶地图构建方法的流程图，其中流程200包括以下步骤：

步骤201：获取同一区域的静态道路数据、动态交通数据和驾驶行为知识；

本步骤旨在由自动驾驶地图构建方法的执行主体(例如图1所示的服务器105)获取同一区域的静态道路数据(例如通过图1所示的采集车101获取到)、动态交通数据(例如通过图1所示的摄像头102和未示出的传感器获取到)和驾驶行为知识(例如通过图1所示的数据库103获取到)。其中，驾驶行为知识用于提供与道路位置相应的驾驶操作建议。

具体的，该静态道路数据主要包括：真实世界道路相关数据，例如路网数据、车道数据、定位数据等；该动态交通数据主要包括：基于群体感知设备感知到的时空、车路协同等数据，包括路况、事故、施工等数据；该驾驶行为知识主要包括基于群体感知设备感知到的时空数据挖掘出的驾驶行为知识，例如驾驶变道时机、经验行车速度、经验行车轨迹等数据。

对于同一区域的上述三种数据，往往需要通过不同的渠道分别获得，例如静态道路数据往往通过地面采集车定期采集或无人机以航拍的方式获取到，更新周期普遍较长；动态交通数据则往往通过架设在道路周围的摄像头、传感器等实时监测设备获取，时效性强；驾驶行为知识则主要通过对车载终端、智能移动终端对车辆行驶数据、用户行走数据的长期(以合法、合规的方式)收集、分析、处理得到。即相对于静态道路数据，驾驶行为知识及动态交通数据，均主要依赖来源广泛的群体感知设备的时空数据来生成，由于能够带来感知数据的设备多样、其精度往往无法保证，由此产生如何将三种数据准确关联的问题。

步骤202：将静态道路数据、动态交通数据和驾驶行为知识分别封装为不同层次的地图相关数据；

在步骤201的基础上，本步骤旨在将静态道路数据、动态交通数据和驾驶行为知识分别封装为不同层次的地图相关数据，以将通过不同方式分别获取到的三种数据以独立封装的方式便于后续寻找关联点。

步骤203：基于绝对位置关系和相对位置关系，确定不同层次的地图相关数据之间的位置匹配点；

在步骤202的基础上，本步骤旨在由上述执行主体基于绝对位置关系和相对位置关系，确定不同层次的地图相关数据之间的位置匹配点。

具体的，在将静态道路数据封装为第一层次地图数据、将动态交通数据被封装为第二层次地图数据、以及将驾驶行为知识封装为第三层次地图数据的情况下，以确任两两层次的地图相关数据的位置匹配点为例，可以分别确定第一层次地图数据与第二层次地图数据之间、第一层次地图数据与第三层次地图数据之间、以及第二层次地图数据与第三层次地图数据之间的位置匹配点。其中，由于静态道路数据与动态交通数据的位置重叠度较高，具有比较明显的标志性重合位置点，因此比较适合采用基于绝对位置关系的方式确定其两者之间的位置匹配点；而驾驶行为知识由于主要以轨迹的方式体现驾驶行为，更适合以结合驾驶行为中的关联位置点之间的距离，采用基于相对位置关系的方式确定得到与静态道路数据之间的位置匹配点。

步骤204：基于位置匹配点关联不同层次的地图相关数据，得到自动驾驶地图。

在步骤203的基础上，本步骤旨在由上述执行主体基于位置匹配点来将相应的不同层次的地图相关数据关联起来，最终以层叠融合多层地图相关数据的方式得到该自动驾驶地图，以期最终达成不仅可以借助静态道路数据和动态交通数据更好的规划符合当前交通情况的出行路线，还能够在出行路线的行驶过程中即使的就更好的驾驶行为给出建议，例如在更合适的地方予以变道、转向、建议在路段上适合的行驶速度等等。

本公开实施例提供的自动驾驶地图构建方法，在常规仅基于静态道路数据构建地图的情况下，不仅额外引入了体现实时交通变化的动态交通数据和用于提供与道路位置相关的驾驶操作指引的驾驶行为知识，还考虑到这三种层次的地图相关数据的获取渠道不同，以对应的层次重合位置点进行层次之间的关联，从而构建得到一个包含更全面、更适合提供自动驾驶服务的地图。

请参考图3，图3为本公开实施例提供的一种确定不同层次的地图相关数据之间的位置匹配点的方法的流程图，即针对图2所示的流程200中的步骤203提供了一种具体的实现方式，流程200中的其它步骤并不做调整，也将本实施例所提供的具体实现方式以替换步骤 203的方式得到一个新的完整实施例。其中流程300包括以下步骤：

步骤301：基于绝对位置关系，确定静态道路数据与动态交通数据对应的两个层次的地图相关数据之间的第一位置匹配点；

本步骤旨在由上述执行主体基于绝对位置关系，确定静态道路数据与动态交通数据对应的两个层次的地图相关数据之间的第一位置匹配点，以通过第一位置匹配点实现两者之间的高精度配准问题。

一种包括且不限于的实现方式可以为：

在该静态道路数据被封装为第一层次地图数据、该动态交通数据被封装为第二层次地图数据的情况下，可以确定第一层次地图数据与第二层次地图数据中位置差异小于预设位置差异的第一位置点对，从而根据第一位置点对确定第一位置匹配点。即将两个层次的地图数据中位置差异较小的位置点确定为第一位置点对，即该第一位置点对的两个位置点由于位置差异较小，可以被认为实际上为真实世界的同一位置点，之所以存在位置差异是因为这两个层次的地图相关数据各自遵循自己的采集定位基础所造成的误差。具体的，该预设位置差异用于充当评判哪些位置点对可被确定为第一位置点对，其具体数值可以根据大量历史数据结合实际情况自行确定得到，此处不做具体限定。

步骤302：基于相对位置关系，确定静态道路数据与驾驶行为知识对应的两个层次的地图相关数据之间的第二位置匹配点；

在步骤301的基础上，本步骤旨在由上述执行主体基于相对位置关系，确定静态道路数据与驾驶行为知识对应的两个层次的地图相关数据之间的第二位置匹配点，以通过第二位置匹配点实现两者之间的高精度配准问题。

一种包括且不限于的实现方式可以为：

在该静态道路数据被封装为第一层次地图数据、该驾驶行为知识被封装为第三层次地图数据的情况下，根据该第一层次地图数据确定具有时序上的驾驶关联行为的第一关联位置点对的第一距离；根据第三层次地图数据确定具有时序上的相同驾驶关联行为的第二关联位置点对的第二距离；响应于第一距离与第二距离之间的距离差异小于预设距离差异，可以根据第一关联位置点对与第二关联位置点对确定第二位置匹配点。

其中，具有时序上的驾驶关联行为的第一或第二关联位置点对，指的是因驾驶关联行为导致产生的具有时序特征的两个关联位置点所形成的位置点对，例如变道起始点和转向起始点，即对应先变道然后转向这一驾驶关联行为，即为了转向需要先变道至能够转向的行驶道。即此处使用关联位置点对之间的距离进行横向比较，即并未参考不太准确的绝对位置关系，而是采用了根据相对位置关系的方式来进行位置匹配点的确认。

即若第一距离与第二距离之间的距离差较小，则可以认为两者具有驾驶关联行为上的一致性，进而能够体现隐含在背后的位置点一致性，从而根据其确定出第二位置匹配点。

具体的，该预设距离差异用于充当评判哪些距离差异可被确定为满足要求的关联位置点对，其具体数值可以根据大量历史数据结合实际情况自行确定得到，此处不做具体限定。

步骤303：基于动态交通数据确定出的实时交通类型，对第二位置匹配点进行位置修正，并根据修正后的位置点确定与动态交通数据与驾驶行为知识对应的两个层次的地图相关数据之间的第三位置匹配点。

在步骤302的基础上，本步骤旨在由上述执行主体基于动态交通数据确定出的实时交通类型，对第二位置匹配点进行位置修正，并根据修正后的位置点确定与动态交通数据与驾驶行为知识对应的两个层次的地图相关数据之间的第三位置匹配点。其中，实时交通类型用于指导对第二位置匹配点的位置修正，实时交通类型通常可以分为：行驶畅通、缓行、拥堵三类，并进一步来指导修正第二位置匹配点，例如在基于动态交通数据确定当前的交通类型为拥堵时，就可以对基于变道转向行为确定出的第二位置匹配点进行距离增大的修正。

本实施例结合不同层次的地图相关数据之间的实际关联，分别通过绝对位置关系和相对位置关系以及基于实时交通类型进行的位置匹配点修正，从而分别确定出任意两个层次的地图相关数据之间的位置匹配点，以便于后续基于位置匹配点进行相应层次的地图相关数据之间的关联和融合。

为了加深对具体如何实现不同层次的地图相关数据之间的配准的理解，此处还具体结合具体实例进行举例说明：

由于静态道路数据与动态交通数据之间往往可以通过共同的参照物来进行高精度配准，此处不再具体展开。由此就需要首先解决驾驶行为知识与静态道路数据的高精度的配准问题：

以驾驶行为知识的变道时机为例，可以采用如下两种方式来实现：

方式一：当仅存在轨迹数据时，可以通过多条轨迹，计算变道位置点的分布，得到变道的中值点l_a及所在道路r，同时可以基于中值点l_a得到所在轨迹T_a，以及该轨迹变道后变向的位置点

可以得到变道直线距离：

其中，d(*)为两点的欧式距离。通过变道位置点找到静态道路数据中对应的转向位置点L^c，以L^c为圆心，

为半径，计算与道路r 的交点位置L_a，该点所在位置记录为变道位置点(可参照图4所示的示意图)。

方式二：当不仅存在轨迹数据还存在对应的图像数据时，可以先通过方式一l_a，然后获取l_a位置的图像I_a，然后通过图像与静态道路数据中的 L_a前后一定距离的图像做配准，并选择匹配度最高的一个图像所对应的位置

或是通过训练一个模型，直接输出图像所对应的位置

具体模型训练的方法，可以采用历史专业采集的数据作为训练集，模型的输入为单张图像，模型的输出为位置信息。

通过以上方式获得到的L_a及

通过融合可以得到最终的变道位置点

其中θ(*)为位置点融合函数，可选的，可以选择均值。

其次，需要解决驾驶行为知识与动态交通数据的高精度配准：

驾驶行为知识及动态交通数据同样存在关联及影响，同样以驾驶行为知识中的变道时机为例，相同路段的变道时机点，在不同的动态交通场景下是不同的，比如拥堵的场景，变道时机要更早，相应的变道位置点距离转向位置点要更远。即道路r的变道位置点：

其中e 为动态事件类型，

为动态事件e下的变道位置点，ε(e,r)为道路r上动态事件e对变道位置点的修正函数。

该函数可以通过规则方式，或是通过模型学习方式得到。规则方式下，可以针对历史数据上，不同的时间类型对变道位置点的影响统计得到一个均值，这对已经获取的每个变道位置点做修正。采用模型学习方式可以将ε(*)设置为机器学习或深度学习模型，输入为道路特征及动态事件类型，输出为变道位置点对比常规变道位置点的差值。通过模型学习不同动态事件在不同场景下，对于变道位置点的修正影响。

由于驾驶行为知识主要依赖来源广泛的群体感知设备感知到的时空数据生成，如何得到泛化的驾驶行为知识尤其重要，因为时空轨迹样本并非均匀分布在所有路段。以驾驶行为知识中的经验行车速度为例，传统方式主要依赖大量的时空轨迹来在确定轨迹所属路段下应当采用多高的速度通过当前路段，但当时空轨迹比较稀少时，就无法通过该方式获取到较为准确的经验行车速度。

为解决这一问题，本实施例还通过图5提供了一种确定经验行车速度的方法，其中流程500包括以下步骤：

步骤501：基于时空行车轨迹样本确定第一经验行车速度；

即针对存在足够数量的时空轨迹样本的路段，有上述执行主体基于对时空行车轨迹样本的挖掘分析确定第一经验行车速度。

步骤502：基于路网特征和道路图像序列，确定第二经验行车速度；

而针对不存在足够数量的时空轨迹样本的路段，则通过基于路网特征和道路图像序列，确定第二经验行车速度。

一种包括且不限于的实现方式可以为：

首先，基于路网特征(即主要借助该路段登记在路网数据库中的道路参数，例如车道数、路面铺设情况、限速参数等)确定相应路段的速度上限；然后，基于道路图像序列(对该路段实际拍摄得到的图像序列)所体现的实际路况，确定相应路段的向下修正速度上限的修正系数；最后，根据速度上限和修正系数，确定第二经验行车速度。

当然，除此方式外，借助路网特征和图像序列还可以提供其它的确定第二经验行车速度的实现方案，例如提供向下修正的修正值、向上修正的修正值、向上修正的修正系数，借助图像序列所体现的光照条件等等，此处不一一展开。

步骤503：确定每个路段下第一经验行车速度与第二经验行车速度的第一加权权重；

其中，相同路段下的时空行车轨迹样本数越多、第一经验行车速度的第一加权权重越大，反之越小。

步骤504：根据经第一加权权重加权后的第一经验行车速度和第二经验行车速度，确定构成相应区域各路段的目标经验行车速度。

在步骤503的基础上，本步骤旨在通过加权计算法，根据经第一加权权重加权后的第一经验行车速度和第二经验行车速度，确定构成相应区域各路段的目标经验行车速度。

为了加深对上述实现方案的理解，此处还结合具体计算方式给出一种更具体的实现方案：

针对某一个路段r，经验速度S_r为

其中，ρ(G_r)为基于时空轨迹挖掘得到的第一经验行车速度，

为基于路段r对应的图像序列I_r与路网特征数据N_r得到的第二经验行车速度，

为经验行车速度的拟合函数。

具体的，对于ρ(G_r)这个基于时空轨迹挖掘得到的第一经验行车速度，一种可选的方式为将ρ(*)选取为均值；对于

这个基于路段r 对应的图像序列I_r与路网特征数据N_r得到的第二经验行车速度，一种可选的方式为借助

这个深度学习模型，该模型输入为序列图像及路网特征，输出为经验速度值，序列图像及路网特征分别通过对应的backbone network(骨干网络)编码后，将编码后的向量表征融合，再输入到分类网络头，将离散的经验速度值作为分类。序列图像对应的骨干网络可以采用Resnet(残差网络)或transformer-based(转换器)网络，路网特征对应的骨干网络可以采用图卷积网络或transformer-based 网络。其训练样本可以基于存在大量时空轨迹路段的数据构建样本。

通过该方式，学习得到一个泛化的经验行车速度模型，进而通过道路的图像序列及路网特征数据，就可以学习到道路的经验速度。可选的另一种方式为：

其中，SL_r为路段r所对应的实地限速值，ε(I_r,N_r)为经验速度与SL_r的残差，该种方式下，可以将经验速度看作是实地限速值的一种修正，也就是经验限速与实地限速存在强的关联关系。基于该种方式，ε(*)可以选择与上一种方式相同的深度学习模型，差异的地方在于模型的输出不是经验速度值，而是经验速度与实地限速值的差值。

为经验速度拟合函数，可表现为：

其中，N(G_r)为路段r的时空轨迹数量，N_tr为阈值，可选的可以设置为10，α为时空轨迹权重，可以设置为固定值，比如0.5，也可以设置为时空轨迹数据量的函数，例如：α＝log₂(N(G_r)+1)。

通过以上方式，即可以对驾驶行为知识进行泛化，是的所有路网数据，均可以得到对应的驾驶行为知识数据。

请参考图6，图6为本公开实施例提供的一种确定静态道路数据的方法的流程图，即针对图2所示的流程200中的步骤201中获取到如何的静态道路数据提供了一种具体的实现方式，流程200中的其它步骤并不做调整，也将本实施例所提供的具体实现方式以替换步骤 201中获取静态道路数据部分方案的方式得到一个新的完整实施例。

其中流程600包括以下步骤：

步骤601：将通过不同的感知设备分别获取到的同一区域的道路感知数据，按照更新时效划分进多个时效维度；

具体的，更新时效可以划分为：周级、天级、小时级、分钟级，并根据实际需要选择出相应数量的级别构建各时效维度，当然也可以包含更长的时间周期。

步骤602：基于道路感知数据的定位精度、更新时效、图像清晰度和可辨识度、感知设备的质量，确定不同时效维度下的道路感知数据的第二加权权重；

其中，定位精度越高、更新时效距当前时刻越近、图像清晰度与所述可辨识度越高、质量越高，第二加权权重越大，反之越小。

步骤603：基于经第二加权权重加权后的各时序维度下的道路感知数据，融合得到静态道路数据。

在步骤602的基础上，本步骤旨在由上述执行主体基于经第二加权权重加权后的各时序维度下的道路感知数据，融合得到静态道路数据。

为了加深对具体如何通过多个时效维度来构建更好的静态道路数据的理解，本实施例还结合具体实例给出了一种更具体的实现方式：

在确定所需采用的多个时效维度后，所面临的最大问题就是不同时效维度数据的权重应如何设置。针对该问题，本实施例设计了一种以精度要求为基础的不同要素类型分类，基于不同感知设备的设备属性(定位精度、感知设备质量等)，以及要素更新时间、更新置信度的自动化权重生成方法。

例如可以将感知设备，同样按照设备的精度分成M个维度，例如可以分成精度低、中、高三个维度，针对不同时效T分成N个维度，例如可以分成季级、月级、天级、分钟级等四个，那维度D的划分可以分成M*N 个，由于低精度的设备同时低时效的数据的没有实际应用价值，可以将D 看做一个上三角矩阵，同时按照设备及精度赋值该维度的权重。

即

其中1≤i≤M，i值越大，设备精度越高，1≤j≤N，j值越大，时效越强，δ(*)为维度的权重函数，精度越高、时效越强，该值越高，可选的可以设置：δ(i，j)＝log₂((i+1)**j+1))。

针对所有要素的集合F，假设该要素集合有K个要素(例如车道线几何、车道线样式、车道线颜色、车道导向箭头、限速、车道类型等)，每个要素在每个时效维度的权重：W_i，j，k＝f(D_i，j，P＝_i，j，k，T_i，j，k，C_i，j，k)，其中， P_i，j，k为要素k在维度D_i，j，的精度权重，T_i，j，k为要素k在维度D_i，j，的时间权重， C_i，j，k为要素k在维度D_i，j，的更新置信度。

可选的，可以设置：

f(D_i，j，P＝_i，j，k，T_i，j，k，C_i，j，k)＝log₂(D_i，j*P_i，j，k*T_i，j，k*C_i，j，k+1)，其中，P_i,j,k为要素k在维度D_i,j,的精度权重，不同要素对精度要求不同，按照设备精度可以将精度分成M个要求，例如可以将要素分成三个精度要求集合，精度要求低的要素集合(车道导向箭头、限速等)、精度要求中的要素集合(车道线样式、车道线颜色)、精度要求高的要素集合(车道线几何)，精度不同对不同分层的权重不同，可选的可以设置：

可选的可以设置：

其中，T_i,j,k为要素k在维度D_i,j,的时间权重，要素k更新的时间越接近当前时间，权重越高，可选的可以设置

其中t_now为当前时间，t_i,j,k为维度D_i,j中要素 k的最近一次更新时间，其中，C_i,j,k为要素k在维度D_i,j,的更新置信度，该置信度为识别的准确的权衡，简单的可以直接C_i,j,k设置为要素k在维度 D_i,j,的识别的准确率。

通过多维时效模块的权重计算，针对每个要素k在每个维度D_i,j可以计算得到该要素的权重W_i,j,k，融合应用的方式，也就是针对以上维度和权重，计算选取哪个维度的数据来应用。

可选的方式，可以选择权重最高的维度D_i,j：

也可以要素k在所有维度的值域，按照相同值域累加的范式，计算相同值域的权重，选择权重最高的值域，再选择该值域下精度最高及时效最强的维度。

综合上述各实施例对不同技术点所提供的改进，可以最终得到如图7所示的方案改进对比图，可见相比于图7左侧的仅基于静态道路数据的传统地图方案，右侧的新地图方案不仅将静态道路数据改进为多维时效综合的多维静态道路数据，还在基础上增加了动态交通数据和驾驶行为知识，以通过融合三种层次的地图相关数据的方式，来综合构建得到一个更全面、更适合提供更好自动驾驶服务的自动驾驶地图。

上述各实施例从各个方面阐述了如何构建得到自动驾驶地图，为了尽可能的从实际使用场景突出所构建的自动驾驶地图所能够对自动驾驶服务起到的效果，本公开还通过图8提供了一种使用预先构建好的自动驾驶地图来提供自动驾驶服务的自动驾驶方法，其流程800包括如下步骤：

步骤801：获取出行起点和出行终点；

步骤802：基于出行起点、出行终点和自动驾驶地图，确定基于自动驾驶的出行规划控制策略；

步骤803：基于出行规划控制策略为当前乘车人员提供自动驾驶服务。

其中，静态地图数据和动态交通数据共同用于确定最初的出行规划控制策略，且在行进过程中结合最新的动态交通数据对该出行规划控制策略进行实时、有效的调整，同时在行进过程中的合适位置点提供优选的驾驶行为推荐，以指引驾驶员采用更好的驾驶策略，从而提升自动驾驶的体验。当然，在具备完全接管驾驶能力的自动驾驶车辆上，优选驾驶行为的推荐可由驾驶员进行是否选用的选择，而非自己操作。

进一步参考图9和图10，作为对上述各图所示方法的实现，本公开分别提供了一种自动驾驶地图构建装置实施例和一种自动驾驶装置的实施例，自动驾驶地图构建装置实施例与图2所示的自动驾驶地图构建方法实施例相对应，自动驾驶装置实施例与图8所示的自动驾驶方法实施例相对应。上述装置具体可以应用于各种电子设备中。

如图9所示，本实施例的自动驾驶地图构建装置900可以包括：数据获取单元901、分层封装单元902、位置匹配点确定单元903、自动驾驶地图生成单元904。其中，数据获取单元901，被配置成获取同一区域的静态道路数据、动态交通数据和驾驶行为知识；其中，驾驶行为知识用于提供与道路位置相应的驾驶操作建议；分层封装单元902，被配置成将静态道路数据、动态交通数据和驾驶行为知识分别封装为不同层次的地图相关数据；位置匹配点确定单元903，被配置成基于绝对位置关系和相对位置关系，确定不同层次的地图相关数据之间的位置匹配点；自动驾驶地图生成单元904，被配置成基于位置匹配点关联不同层次的地图相关数据，得到自动驾驶地图。

在本实施例中，自动驾驶地图构建装置900中：数据获取单元901、分层封装单元902、位置匹配点确定单元903、自动驾驶地图生成单元904 的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-204的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，位置匹配点确定单元903 可以包括：

第一位置匹配点确定子单元，被配置成基于绝对位置关系，确定静态道路数据与动态交通数据对应的两个层次的地图相关数据之间的第一位置匹配点；

第二位置匹配点确定子单元，被配置成基于相对位置关系，确定静态道路数据与驾驶行为知识对应的两个层次的地图相关数据之间的第二位置匹配点；

第三位置匹配点确定子单元，被配置成基于动态交通数据确定出的实时交通类型，对第二位置匹配点进行位置修正，并根据修正后的位置点确定为动态交通数据与驾驶行为知识对应的两个层次的地图相关数据之间的第三位置匹配点。

在本实施例的一些可选的实现方式中，第一位置匹配点确定子单元可以被进一步配置成：

响应于静态道路数据被封装为第一层次地图数据、动态交通数据被封装为第二层次地图数据，确定第一层次地图数据与第二层次地图数据中位置差异小于预设位置差异的第一位置点对；

根据第一位置点对确定第一位置匹配点。

在本实施例的一些可选的实现方式中，第二位置匹配点确定子单元可以被进一步配置成：

响应于静态道路数据被封装为第一层次地图数据、驾驶行为知识被封装为第三层次地图数据，根据第一层次地图数据确定具有时序上的驾驶关联行为的第一关联位置点对的第一距离；

根据第三层次地图数据确定具有时序上的相同驾驶关联行为的第二关联位置点对的第二距离；

响应于第一距离与第二距离之间的距离差异小于预设距离差异，根据第一关联位置点对与第二关联位置点对确定第二位置匹配点。

在本实施例的一些可选的实现方式中，第三位置匹配点确定子单元可以被进一步配置成：

响应于基于动态交通数据确定当前的交通类型为拥堵，对基于变道行为确定出的第二位置匹配点进行距离增大的修正。

在本实施例的一些可选的实现方式中，响应于驾驶行为知识包括与相应区域对应道路的经验行车速度，还可以包括配置成为确定经验行车速度的经验行车速度确定单元，经验行车速度确定单元可以包括：

第一经验行车速度确定子单元，被配置成基于时空行车轨迹样本确定第一经验行车速度；

第二经验行车速度确定子单元，被配置成基于路网特征和道路图像序列，确定第二经验行车速度；

第一加权权重确定子单元，被配置成确定每个路段下第一经验行车速度与第二经验行车速度的第一加权权重；其中，相同路段下的时空行车轨迹样本数越多、第一经验行车速度的第一加权权重越大，反之越小；

目标经验行车速度确定子单元，被配置成根据经第一加权权重加权后的第一经验行车速度和第二经验行车速度，确定构成相应区域各路段的目标经验行车速度。

在本实施例的一些可选的实现方式中，第二经验行车速度确定子单元可以被进一步配置成：

基于路网特征确定相应路段的速度上限；

基于道路图像序列所体现的实际路况，确定相应路段的向下修正速度上限的修正系数；

根据速度上限和修正系数，确定第二经验行车速度。

在本实施例的一些可选的实现方式中，数据获取单元901可以包括被配置成获取同一区域的静态道路数据的静态道路数据获取子单元，静态道路数据获取子单元可以被进一步配置成：

将通过不同的感知设备分别获取到的同一区域的道路感知数据，按照更新时效划分进多个时效维度；

基于道路感知数据的定位精度、更新时效、图像清晰度和可辨识度、感知设备的质量，确定不同时效维度下的道路感知数据的第二加权权重；其中，定位精度越高、更新时效距当前时刻越近、图像清晰度与可辨识度越高、质量越高，第二加权权重越大，反之越小；

基于经第二加权权重加权后的各时序维度下的道路感知数据，融合得到静态道路数据。

如图10所示，本实施例的自动驾驶装置1000可以包括：出行起/ 终点获取单元1001、出行导航确定子单元1002、自动驾驶服务提供单元 1003。其中，出行起/终点获取单元1001，被配置成获取出行起点和出行终点；出行规划控制策略确定单元1002，被配置成确定基于出行起点、出行终点和自动驾驶地图，确定基于自动驾驶的出行规划控制策略；自动驾驶服务提供单元1003，被配置成基于出行规划控制策略为当前乘车人员提供自动驾驶服务。

在本实施例中，自动驾驶装置1000中：出行起/终点获取单元1001、出行规划控制策略确定单元1002、自动驾驶服务提供单元1003的具体处理及其所带来的技术效果可分别对应方法实施例中的相关说明，在此不再赘述。

本实施例作为对应于上述方法实施例的装置实施例存在，本实施例提供的自动驾驶地图构建装置以及自动驾驶装置，在常规仅基于静态道路数据构建地图的情况下，不仅额外引入了体现实时交通变化的动态交通数据和用于提供与道路位置相关的驾驶操作指引的驾驶行为知识，还考虑到这三种层次的地图相关数据的获取渠道不同，以对应的层次重合位置点进行层次之间的关联，从而构建得到一个包含更全面、更适合提供自动驾驶服务的地图，从而为乘车人员提供安全、体验更舒适的自动驾驶服务。

根据本公开的实施例，本公开还提供了一种电子设备，该电子设备包括：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，该指令被至少一个处理器执行，以使至少一个处理器执行时能够实现上述任一实施例描述的自动驾驶地图构建方法和/或自动驾驶方法。

根据本公开的实施例，本公开还提供了一种可读存储介质，该可读存储介质存储有计算机指令，该计算机指令用于使计算机执行时能够实现上述任一实施例描述的自动驾驶地图构建方法和/或自动驾驶方法。

本公开实施例提供了一种计算机程序产品，该计算机程序在被处理器执行时能够实现上述任一实施例描述的自动驾驶地图构建方法的步骤和/或自动驾驶方法的步骤。

图11示出了可以用来实施本公开的实施例的示例电子设备1100 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11所示，设备1100包括计算单元1101，其可以根据存储在只读存储器(ROM)1102中的计算机程序或者从存储单元1108加载到随机访问存储器(RAM)1103中的计算机程序，来执行各种适当的动作和处理。在RAM 1103中，还可存储设备1100操作所需的各种程序和数据。计算单元1101、ROM 1102以及RAM 1103通过总线1104 彼此相连。输入/输出(I/O)接口1105也连接至总线1104。

设备1100中的多个部件连接至I/O接口1105，包括：输入单元 1106，例如键盘、鼠标等；输出单元1107，例如各种类型的显示器、扬声器等；存储单元1108，例如磁盘、光盘等；以及通信单元1109，例如网卡、调制解调器、无线通信收发机等。通信单元1109允许设备1100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1101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1101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1101执行上文所描述的各个方法和处理，例如自动驾驶地图构建方法和/或自动驾驶方法。例如，在一些实施例中，自动驾驶地图构建方法和/或自动驾驶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1108。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1102和/或通信单元1109而被载入和/或安装到设备1100 上。当计算机程序加载到RAM 1103并由计算单元1101执行时，可以执行上文描述的自动驾驶地图构建方法和/或自动驾驶方法的一个或多个步骤。备选地，在其他实施例中，计算单元1101可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行自动驾驶地图构建方法和/或自动驾驶方法。

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)、负载可编程逻辑设备(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，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大，业务扩展性弱的缺陷。

本公开实施例的技术方案，在常规仅基于静态道路数据构建地图的情况下，不仅额外引入了体现实时交通变化的动态交通数据和用于提供与道路位置相关的驾驶操作指引的驾驶行为知识，还考虑到这三种层次的地图相关数据的获取渠道不同，以对应的层次重合位置点进行层次之间的关联，从而构建得到一个包含更全面、更适合提供自动驾驶服务的地图，从而为乘车人员提供安全、体验更舒适的自动驾驶服务。

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

1.一种自动驾驶地图构建方法，包括：

获取同一区域的静态道路数据、动态交通数据和驾驶行为知识；其中，所述驾驶行为知识用于提供与道路位置相应的驾驶操作建议；

将所述静态道路数据、所述动态交通数据和所述驾驶行为知识分别封装为不同层次的地图相关数据；

基于绝对位置关系和相对位置关系，确定不同层次的地图相关数据之间的位置匹配点；

基于所述位置匹配点关联不同层次的地图相关数据，得到自动驾驶地图。

2.根据权利要求1所述的方法，其中，所述基于绝对位置关系和相对位置关系，确定不同层次的地图相关数据之间的位置匹配点，包括：

基于绝对位置关系，确定所述静态道路数据与所述动态交通数据对应的两个层次的地图相关数据之间的第一位置匹配点；

基于相对位置关系，确定所述静态道路数据与所述驾驶行为知识对应的两个层次的地图相关数据之间的第二位置匹配点；

基于所述动态交通数据确定出的实时交通类型，对所述第二位置匹配点进行位置修正，并根据修正后的位置点确定与所述动态交通数据与所述驾驶行为知识对应的两个层次的地图相关数据之间的第三位置匹配点。

3.根据权利要求2所述的方法，其中，所述基于绝对位置关系，确定所述静态道路数据与所述动态交通数据对应的两个层次的地图相关数据之间的第一位置匹配点，包括：

响应于所述静态道路数据被封装为第一层次地图数据、所述动态交通数据被封装为第二层次地图数据，确定所述第一层次地图数据与所述第二层次地图数据中位置差异小于预设位置差异的第一位置点对；

根据所述第一位置点对确定所述第一位置匹配点。

4.根据权利要求2所述的方法，其中，所述基于相对位置关系，确定所述静态道路数据与所述驾驶行为知识对应的两个层次的地图相关数据之间的第二位置匹配点，包括：

响应于所述静态道路数据被封装为第一层次地图数据、所述驾驶行为知识被封装为第三层次地图数据，根据所述第一层次地图数据确定具有时序上的驾驶关联行为的第一关联位置点对的第一距离；

根据所述第三层次地图数据确定具有时序上的相同驾驶关联行为的第二关联位置点对的第二距离；

响应于所述第一距离与所述第二距离之间的距离差异小于预设距离差异，根据所述第一关联位置点对与所述第二关联位置点对确定所述第二位置匹配点。

5.根据权利要求4所述方法，其中，所述基于所述动态交通数据确定出的实时交通类型，对所述第二位置匹配点进行位置修正，包括：

响应于基于所述动态交通数据确定当前的交通类型为拥堵，对基于变道行为确定出的第二位置匹配点进行距离增大的修正。

6.根据权利要求1所述的方法，其中，响应于所述驾驶行为知识包括与相应区域对应道路的经验行车速度，确定所述经验行车速度的过程包括：

基于时空行车轨迹样本确定第一经验行车速度；

基于路网特征和道路图像序列，确定第二经验行车速度；

确定每个路段下所述第一经验行车速度与所述第二经验行车速度的第一加权权重；其中，相同路段下的时空行车轨迹样本数越多、所述第一经验行车速度的第一加权权重越大，反之越小；

根据经所述第一加权权重加权后的第一经验行车速度和第二经验行车速度，确定构成相应区域各路段的目标经验行车速度。

7.根据权利要求6所述的方法，其中，所述基于路网特征和道路图像序列，确定第二经验行车速度，包括：

基于路网特征确定相应路段的速度上限；

基于所述道路图像序列所体现的实际路况，确定相应路段的向下修正所述速度上限的修正系数；

根据所述速度上限和所述修正系数，确定所述第二经验行车速度。

8.根据权利要求1-7任一项所述的方法，其中，获取同一区域的静态道路数据，包括：

基于所述道路感知数据的定位精度、更新时效、图像清晰度和可辨识度、所述感知设备的质量，确定不同时效维度下的道路感知数据的第二加权权重；其中，所述定位精度越高、所述更新时效距当前时刻越近、所述图像清晰度与所述可辨识度越高、所述质量越高，所述第二加权权重越大，反之越小；

基于经所述第二加权权重加权后的各时序维度下的道路感知数据，融合得到所述静态道路数据。

9.一种自动驾驶方法，包括：

获取出行起点和出行终点；

基于所述出行起点、所述出行终点和自动驾驶地图，确定基于自动驾驶的出行规划控制策略；其中，所述自动驾驶地图通过权利要求1-8任一项所述的自动驾驶地图构建方法得到；

基于所述出行规划控制策略为当前乘车人员提供自动驾驶服务。

10.一种自动驾驶地图构建装置，包括：

数据获取单元，被配置成获取同一区域的静态道路数据、动态交通数据和驾驶行为知识；其中，所述驾驶行为知识用于提供与道路位置相应的驾驶操作建议；

分层封装单元，被配置成将所述静态道路数据、所述动态交通数据和所述驾驶行为知识分别封装为不同层次的地图相关数据；

位置匹配点确定单元，被配置成基于绝对位置关系和相对位置关系，确定不同层次的地图相关数据之间的位置匹配点；

自动驾驶地图生成单元，被配置成基于所述位置匹配点关联不同层次的地图相关数据，得到自动驾驶地图。

11.根据权利要求10所述的装置，其中，所述位置匹配点确定单元包括：

第一位置匹配点确定子单元，被配置成基于绝对位置关系，确定所述静态道路数据与所述动态交通数据对应的两个层次的地图相关数据之间的第一位置匹配点；

第二位置匹配点确定子单元，被配置成基于相对位置关系，确定所述静态道路数据与所述驾驶行为知识对应的两个层次的地图相关数据之间的第二位置匹配点；

第三位置匹配点确定子单元，被配置成基于所述动态交通数据确定出的实时交通类型，对所述第二位置匹配点进行位置修正，并根据修正后的位置点确定与所述动态交通数据与所述驾驶行为知识对应的两个层次的地图相关数据之间的第三位置匹配点。

12.根据权利要求11所述的装置，其中，所述第一位置匹配点确定子单元被进一步配置成：

根据所述第一位置点对确定所述第一位置匹配点。

13.根据权利要求11所述的装置，其中，所述第二位置匹配点确定子单元被进一步配置成：

14.根据权利要求13所述装置，其中，所述第三位置匹配点确定子单元被进一步配置成：

15.根据权利要求10所述的装置，其中，响应于所述驾驶行为知识包括与相应区域对应道路的经验行车速度，还包括配置成为确定所述经验行车速度的经验行车速度确定单元，所述经验行车速度确定单元包括：

第一加权权重确定子单元，被配置成确定每个路段下所述第一经验行车速度与所述第二经验行车速度的第一加权权重；其中，相同路段下的时空行车轨迹样本数越多、所述第一经验行车速度的第一加权权重越大，反之越小；

目标经验行车速度确定子单元，被配置成根据经所述第一加权权重加权后的第一经验行车速度和第二经验行车速度，确定构成相应区域各路段的目标经验行车速度。

16.根据权利要求15所述的装置，其中，所述第二经验行车速度确定子单元被进一步配置成：

基于路网特征确定相应路段的速度上限；

17.根据权利要求10-16任一项所述的装置，其中，所述数据获取单元包括被配置成获取同一区域的静态道路数据的静态道路数据获取子单元，所述静态道路数据获取子单元被进一步配置成：

18.一种自动驾驶装置，包括：

出行起/终点获取单元，被配置成获取出行起点和出行终点；

出行导航确定子单元，被配置成确定基于所述出行起点、所述出行终点和自动驾驶地图，确定基于自动驾驶的出行规划控制策略；其中，所述自动驾驶地图通过权利要求10-17任一项所述的自动驾驶地图构建装置得到；

自动驾驶服务提供单元，被配置成基于所述出行规划控制策略为当前乘车人员提供自动驾驶服务。

19.一种电子设备，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1-8中任一项所述的自动驾驶地图构建方法和/或权利要求9所述的自动驾驶方法。

20.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-8中任一项所述的自动驾驶地图构建方法和/或权利要求9所述的自动驾驶方法。

21.一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现根据权利要求1-8中任一项所述的自动驾驶地图构建方法的步骤和/或权利要求9所述的自动驾驶方法的步骤。