CN115878735A - 路网生成方法、装置、电子设备及存储介质 - Google Patents
路网生成方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115878735A CN115878735A CN202111144599.2A CN202111144599A CN115878735A CN 115878735 A CN115878735 A CN 115878735A CN 202111144599 A CN202111144599 A CN 202111144599A CN 115878735 A CN115878735 A CN 115878735A
- Authority
- CN
- China
- Prior art keywords
- road
- road network
- sample
- grid
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本公开实施例提供了一种路网生成方法、装置、电子设备及存储介质。路网生成方法包括:对待处理区域内的栅格中包含的轨迹进行特征提取,得到所述栅格的轨迹特征;将所述栅格的轨迹特征输入预先训练的路网生成模型,对所述轨迹特征依次执行编码操作、多尺度空洞卷积操作和解码操作,得到所述路网生成模型输出的所述栅格对应的道路分割信息;基于所述道路分割信息,生成所述待处理区域对应的路网数据。本公开实施例中,通过空洞卷积操作能够将视野域扩大至整个输入特征,并在中心部分整合多尺度特征,从而能够适应路网的狭窄性、复杂性、连通性、跨度大等特性,解决路网数据连通性差、多车道难以分离等问题,提高路网数据的准确性。
Description
技术领域
本公开涉及计算机技术领域,特别是涉及一种路网生成方法、装置、电子设备及存储介质。
背景技术
电子地图,即数字地图,是利用计算机技术,以数字方式存储和查阅的地图。电子地图可以应用于城市规划建设、交通、旅游、汽车导航等许多方面,为人们提供了极大的便利。
在生成电子地图数据的过程中要生成路网数据,用以表示道路之间、车道之间的关系。路网是城市的脉络,准确、全面与实时更新的路网数据对于智慧城市的发展是至关重要的。随着GPS(Global Positioning System,全球定位系统)嵌入式设备的广泛使用,不同类型的移动对象产生海量的GPS轨迹,这为路网数据的提取提供了新的契机。
基于深度学习的轨迹生成路网方法凭借着无需设置经验参数、能够利用现有路网的先验知识等优势崛起。然而,由于路网具备狭窄性、复杂性、连通性、跨度大等特性,而现有技术中基于深度学习的网络无法保证足够的视野域来学习到路网的拓扑关系,从而导致生成的路网数据存在连通性差、多车道难以分离的问题。
发明内容
鉴于上述问题,本公开实施例提出了克服上述问题或者至少部分地解决上述问题的一种路网生成方法、装置、电子设备及存储介质。
根据本公开的实施例的第一方面,提供了一种路网生成方法,包括:
对待处理区域内的栅格中包含的轨迹进行特征提取,得到所述栅格的轨迹特征;
将所述栅格的轨迹特征输入预先训练的路网生成模型,对所述轨迹特征依次执行编码操作、多尺度空洞卷积操作和解码操作,得到所述路网生成模型输出的所述栅格对应的道路分割信息;
基于所述道路分割信息,生成所述待处理区域对应的路网数据。
可选地,所述轨迹特征包括预先从预设的多通道中筛选出的目标通道的轨迹特征,所述目标通道在所述多通道中的累计权重占比大于预设阈值。
可选地,通过如下方式筛选所述目标通道:利用第一样本数据对包含注意力网络的第一初始模型进行第一训练;所述第一样本数据包括:第一样本区域内的第一样本栅格的多通道轨迹特征和所述第一样本栅格的第一标签,所述第一标签指示所述第一样本栅格实际是否包含路网数据;所述注意力网络中对所述多通道分别赋予权重;在所述第一训练完成后,统计所述注意力网络中各通道的权重占比,选取累计权重占比大于预设阈值的通道作为所述目标通道。
可选地,所述道路分割信息包括道路面分割信息和道路中心线分割信息。
可选地,通过如下方式训练所述路网生成模型:对第二样本区域内的轨迹进行聚类得到聚类簇,从各所述聚类簇中选取代表轨迹,将所述第二样本区域内与所述代表轨迹进行绑路匹配成功的栅格作为第二样本栅格;利用第二样本数据对包含依次连接的编码网络、多尺度空洞卷积网络和解码网络的第二初始模型进行第二训练;所述第二样本数据包括所述第二样本栅格的轨迹特征和所述第二样本栅格的第二标签,所述第二标签指示所述第二样本栅格的实际道路分割信息;在所述第二训练完成后,将第二训练完成的模型作为所述路网生成模型。
可选地,在将第二训练完成的模型作为所述路网生成模型之前,还包括:利用所述第二训练完成的模型对第三样本区域内的栅格进行预测,获取预测出包含道路但实际不包含道路的栅格作为第三样本栅格;利用第三样本数据对所述第二训练完成的模型进行第三训练;所述第三样本数据包括所述第三样本栅格的轨迹特征和所述第三样本栅格的第三标签,所述第三标签指示所述第三样本栅格的实际道路分割信息;将第二训练完成的模型作为所述路网生成模型,包括:在所述第三训练完成后,将第三训练完成的模型作为所述路网生成模型。
可选地,在基于所述道路分割信息,生成所述待处理区域对应的路网数据之前,还包括:将所述栅格对应的道路分割信息,以及所述栅格的轨迹特征输入预先训练的路网优化模型,得到所述路网优化模型输出的所述栅格对应的优化道路分割信息;基于所述道路分割信息,生成所述待处理区域对应的路网数据,包括:基于所述优化道路分割信息,生成所述待处理区域对应的路网数据。
可选地,通过如下方式训练所述路网优化模型:获取第四样本栅格,对所述第四样本栅格内的路网数据进行腐蚀和多车道膨胀,获取所述第四样本栅格的变更道路分割信息;利用第四样本数据对第三初始模型进行第四训练;所述第四样本数据包括所述第四样本栅格的变更道路分割信息和所述第四样本栅格的轨迹特征,以及所述第四样本栅格的第四标签,所述第四标签指示所述第四样本栅格的实际道路分割信息;在所述第四训练完成后,将第四训练完成的模型作为所述路网优化模型。
根据本公开的实施例的第二方面,提供了一种路网生成装置,包括:
提取模块,用于对待处理区域内的栅格中包含的轨迹进行特征提取,得到所述栅格的轨迹特征;
预测模块,用于将所述栅格的轨迹特征输入预先训练的路网生成模型,对所述轨迹特征依次执行编码操作、多尺度空洞卷积操作和解码操作,得到所述路网生成模型输出的所述栅格对应的道路分割信息;
生成模块,用于基于所述道路分割信息,生成所述待处理区域对应的路网数据。
可选地,所述轨迹特征包括预先从预设的多通道中筛选出的目标通道的轨迹特征,所述目标通道在所述多通道中的累计权重占比大于预设阈值。
可选地,通过如下模块筛选所述目标通道:第一训练模块,用于利用第一样本数据对包含注意力网络的第一初始模型进行第一训练;所述第一样本数据包括:第一样本区域内的第一样本栅格的多通道轨迹特征和所述第一样本栅格的第一标签,所述第一标签指示所述第一样本栅格实际是否包含路网数据;所述注意力网络中对所述多通道分别赋予权重;第一确定模块,用于在所述第一训练完成后,统计所述注意力网络中各通道的权重占比,选取累计权重占比大于预设阈值的通道作为所述目标通道。
可选地,所述道路分割信息包括道路面分割信息和道路中心线分割信息。
可选地,通过如下模块训练所述路网生成模型:第一获取模块,用于对第二样本区域内的轨迹进行聚类得到聚类簇,从各所述聚类簇中选取代表轨迹,将所述第二样本区域内与所述代表轨迹进行绑路匹配成功的栅格作为第二样本栅格;第二训练模块,用于利用第二样本数据对包含依次连接的编码网络、多尺度空洞卷积网络和解码网络的第二初始模型进行第二训练;所述第二样本数据包括所述第二样本栅格的轨迹特征和所述第二样本栅格的第二标签,所述第二标签指示所述第二样本栅格的实际道路分割信息;第二确定模块,用于在所述第二训练完成后,将第二训练完成的模型作为所述路网生成模型。
可选地,所述装置还包括:第二获取模块,用于利用所述第二训练完成的模型对第三样本区域内的栅格进行预测,获取预测出包含道路但实际不包含道路的栅格作为第三样本栅格;第三训练模块,用于利用第三样本数据对所述第二训练完成的模型进行第三训练;所述第三样本数据包括所述第三样本栅格的轨迹特征和所述第三样本栅格的第三标签,所述第三标签指示所述第三样本栅格的实际道路分割信息;所述第二确定模块,具体用于在所述第三训练完成后,将第三训练完成的模型作为所述路网生成模型。
可选地,所述装置还包括:优化模块,用于将所述栅格对应的道路分割信息,以及所述栅格的轨迹特征输入预先训练的路网优化模型,得到所述路网优化模型输出的所述栅格对应的优化道路分割信息;所述生成模块,具体用于基于所述优化道路分割信息,生成所述待处理区域对应的路网数据。
可选地,通过如下模块训练所述路网优化模型:第三获取模块,用于获取第四样本栅格,对所述第四样本栅格内的路网数据进行腐蚀和多车道膨胀,获取所述第四样本栅格的变更道路分割信息;第四训练模块,用于利用第四样本数据对第三初始模型进行第四训练;所述第四样本数据包括所述第四样本栅格的变更道路分割信息和所述第四样本栅格的轨迹特征,以及所述第四样本栅格的第四标签,所述第四标签指示所述第四样本栅格的实际道路分割信息;第三确定模块,用于在所述第四训练完成后,将第四训练完成的模型作为所述路网优化模型。
根据本公开的实施例的第三方面,提供了一种电子设备,包括:一个或多个处理器;和其上存储有指令的一个或多个计算机可读存储介质;当所述指令由所述一个或多个处理器执行时,使得所述处理器执行如上任一项所述的路网生成方法。
根据本公开的实施例的第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序被处理器执行时,使得所述处理器执行如上任一项所述的路网生成方法。
本公开实施例提供了一种路网生成方法、装置、电子设备及存储介质。通过对待处理区域内的栅格中包含的轨迹进行特征提取,得到所述栅格的轨迹特征;将所述栅格的轨迹特征输入预先训练的路网生成模型,对所述轨迹特征依次执行编码操作、多尺度空洞卷积操作和解码操作,得到所述路网生成模型输出的所述栅格对应的道路分割信息;基于所述道路分割信息,生成所述待处理区域对应的路网数据。由此可知,本公开实施例中,在路网生成模型中对轨迹特征依次执行编码操作、多尺度空洞卷积操作和解码操作,通过空洞卷积操作能够将视野域扩大至整个输入特征,并在中心部分整合多尺度特征,从而能够适应路网的狭窄性、复杂性、连通性、跨度大等特性,解决路网数据连通性差、多车道难以分离等问题,提高路网数据的准确性。
附图说明
为了更清楚地说明本公开的实施例的技术方案,下面将对本公开的实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本公开的实施例的一些附图,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本公开实施例的一种路网生成方法的步骤流程图。
图2是本公开实施例的一种路网生成方法的流程图。
图3是本公开实施例的一种路网生成装置的结构框图。
具体实施方式
下面将结合本公开的实施例中的附图,对本公开的实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例只是本公开的一部分实施例,而不是本公开的全部实施例。基于本公开中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
通常情况下,路网生成模型包括编码网络和解码网络,通过编码网络对轨迹特征进行编码操作,学习到对应的编码特征,然后通过解码网络对编码特征进行解码操作,解码得到道路分割结果。
但是,现有的路网生成模型无法保证足够的视野域来学习到路网的拓扑关系,导致分割的路网连通性差、多车道分辨率不足。卷积神经网络的非线性能力随着网络层数的增加而增大,决定网络学习能力的另一个因素是网络的视野域。卷积操作具备固定的视野域,其平移不变性也是因为卷积拥有着一定的视野域。在轨迹生成路网任务中,道路具备狭窄性、跨度大、连通性、复杂性等特性。因此,拥有较大视野域的特征对道路的位置信息具备一定的敏感性,能够学习到一定的路网拓扑关系。同时还需要保持特征的分辨率,以免狭窄的道路在高层特征中抽象能力不足。
因此,本公开的实施例中,在路网生成模型中的编码网络和解码网络之间添加多尺度空洞卷积网络,通过空洞卷积扩大感受野,并在中心部分整合多尺度特征以适应路网的狭窄性、连通性、复杂性和跨度大等特性。
参照图1,示出了本公开实施例的一种路网生成方法的步骤流程图。
如图1所示,路网生成方法可以包括以下步骤:
步骤101,对待处理区域内的栅格中包含的轨迹进行特征提取,得到所述栅格的轨迹特征。
待处理区域可以指需要生成路网数据的区域。可选地,待处理区域的覆盖范围可以包括但不限于:省、市、区、街道、县、乡,等等。
获取待处理区域内包含的大量轨迹。可选地,轨迹可以包括但不限于以下至少一种:外卖员的骑行轨迹、快递员的骑行轨迹、网约车的行驶轨迹、公交车的行驶轨迹、私家车的行驶轨迹,等等。
对待处理区域进行栅格化轨迹特征提取,将矢量数据转化为栅格图像。待处理区域被划分为多个栅格,针对每个栅格,对该栅格中包含的轨迹进行特征提取,得到该栅格的轨迹特征。本公开实施例中对一个栅格所覆盖的范围不做限制,比如,一个栅格覆盖的范围可以为1平方公里、2平方公里,等等。
可选地,栅格的轨迹特征可以包括但不限于以下至少一种:点密度、线密度、平均速度、速度八个方向投影的方向特征、以及八个方向的邻域特征。八个方向分别为正北、西北、正西、西南、正南、东南、正东和东北。邻域特征指的是以该像素(也即栅格)为中心统计八邻域方向上是否存在轨迹,取值为0或1。
步骤102,将所述栅格的轨迹特征输入预先训练的路网生成模型,对所述轨迹特征依次执行编码操作、多尺度空洞卷积操作和解码操作,得到所述路网生成模型输出的所述栅格对应的道路分割信息。
本公开实施例中的路网生成模型可以包括依次连接的编码网络、多尺度空洞卷积网络和解码网络。
针对每个栅格,将该栅格的轨迹特征输入预先训练的路网生成模型,在路网生成模型中利用依次连接的编码网络、多尺度空洞卷积网络和解码网络,对该栅格的轨迹特征依次执行编码操作、多尺度空洞卷积操作和解码操作,得到路网生成模型输出的该栅格对应的道路分割信息。道路分割信息能够表征该栅格中的哪部分为道路,哪部分不为道路。
步骤103,基于所述道路分割信息,生成所述待处理区域对应的路网数据。
在得到各栅格对应的道路分割信息后,基于这些栅格对应的道路分割信息,即可生成待处理区域对应的路网数据。具体过程将在下面的实施例中详细介绍。
本公开实施例中,在路网生成模型中对轨迹特征依次执行编码操作、多尺度空洞卷积操作和解码操作,通过空洞卷积操作能够将视野域扩大至整个输入特征,并在中心部分整合多尺度特征,从而能够适应路网的狭窄性、复杂性、连通性、跨度大等特性,解决路网数据连通性差、多车道难以分离等问题,提高路网数据的准确性。
通常情况下,轨迹特征包括点密度、线密度、平均速度、速度八个方向投影的方向特征、以及八个方向的邻域特征共19个通道的特征。但是,通过分析轨迹特征可以发现,不同通道的特征存在着高度的相关性,容易导致特征冗余。此外,由于轨迹质量参差不齐,由原始GPS轨迹生成的多通道特征质量也参差不齐。比如GPS轨迹点的瞬时速度及方向误差较大,在特征冗余的情况下容易引入噪声干扰,增大存储压力的同时降低模型抗干扰的能力。并且,通常情况下,路网生成模型输出的道路分割信息会存在一定程度上的多车道粘连、道路连通性差的问题。
本公开实施例中,针对特征冗余问题,对提取的轨迹特征进行预处理,在通道层面上添加注意力机制,进行特征的重要性排序和筛选,筛选典型特征降低冗余。针对连通性和多车道分离问题,在编码部分和解码部分中间引入多尺度空洞卷积部分,在不降低特征分辨率的同时扩大视野域至整个特征图,以适应路网的狭窄性、连通性、复杂性和长跨度特性;通过多任务学习方式,添加道路面作为辅助信息流,在道路中心线提取时融合编码信息与道路面信息,同时生成道路面面和道路中心线,以便缓解中心线狭窄性造成的高维特征编码困难问题。针对多车道粘连和路口挂接缺失问题,采用迁移学习方法,以聚类方法生成大规模初始标签进行预训练,开展基于主动学习清洗数据标注来微调路网生成模型,以改善路网中多车道粘连和路口挂接缺失问题;进一步地,结合原始轨迹提出一种基于神经网络的后处理优化方法替代规则拓扑优化的部分,使得生成的路网按照原始轨迹的方向进行延展,进一步地提升路网的连通性。
参照图2,示出了本公开实施例的一种路网生成方法的流程图。
如图2所示,路网生成方法可以包括以下步骤:
步骤201,获取轨迹。
针对需要生成路网数据的待处理区域,获取待处理区域内的海量轨迹。
步骤202,轨迹预处理。
可选地,轨迹预处理可以包括但不限于:根据速度和距离检测去除飞线、根据卡尔曼滤波平滑轨迹、过滤建筑物内杂乱轨迹、根据速度去掉驻留点、根据轨迹点长度打断轨迹,等等。对于轨迹预处理的具体过程,可以根据实际经验进行相关处理,本公开实施例在此不再详细论述。
步骤203,栅格化提取特征。
本实施例中,为了解决特征冗余问题,可以预先基于注意力机制筛选通道(图2中虚线框中的过程),从预设的多通道(比如上述的19个通道)中筛选出重要的目标通道,以便在栅格化提取特征的过程中能够基于注意力机制筛选通道的结果进行特征提取。
可选地,通过如下步骤A1~A2筛选所述目标通道:
步骤A1,利用第一样本数据对包含注意力网络的第一初始模型进行第一训练。
第一初始模型的结构可以采用任意适用的图像分割网络结构,可以包括但不限于FCN((Fully Convolutional Networks,全卷积网络)、FPN(Feature Pyramid Networks,特征金字塔网络)、UNet(U-Networks,U型网络),等等。
在第一初始模型中,第一层嵌入注意力网络结构,以便对上述多通道(比如上述的19个通道)添加通道层面的注意力机制,在注意力网络中对上述多通道分别赋予权重,注意力网络的通道压缩比设置为1。注意力网络可以采用任意适用的注意力机制网络结构,可以包括但不限于:SENet(Squeeze-and-Excitation Networks,压缩和激活网络)、GAT(GraphAttention Network,图注意力网络),等等。
获取第一样本区域内包含的大量轨迹。第一样本区域可以为任意具有初始路网数据(也即路网底图)的区域。
对第一样本区域进行栅格化轨迹特征提取,将矢量数据转化为栅格图像。第一样本区域被划分为多个栅格,将第一样本区域内的栅格作为第一样本栅格。针对每个第一样本栅格,对该第一样本栅格中包含的轨迹进行特征提取,得到该第一样本栅格的多通道轨迹特征(比如上述的19个通道)。针对每个第一样本栅格,根据第一样本区域对应的初始路网数据,可以判断出该第一样本栅格内是否包含路网数据,为该第一样本栅格设置第一标签,该第一标签指示该第一样本栅格实际是否包含路网数据。基于此构建第一样本数据,第一样本数据包括:第一样本区域内的第一样本栅格的多通道轨迹特征和所述第一样本栅格的第一标签。
在利用第一样本数据对第一初始模型进行第一训练的过程中,将第一样本栅格的多通道轨迹特征作为第一初始模型的输入,得到第一初始模型输出的该第一样本栅格的路网分割结果,该路网分割结果指示该第一样本栅格内预测是否包含路网数据。
基于第一样本栅格的路网分割结果和第一样本栅格的第一标签可以计算第一训练的损失函数,当第一训练的损失函数达到收敛条件后,确定第一训练完成。可选地,第一训练的损失函数可以选用任意一种适用的损失函数。比如,交叉熵损失函数、指数损失函数、Dice损失函数、交并比损失函数,等等。
步骤A2,在所述第一训练完成后,统计所述注意力网络中各通道的权重占比,选取累计权重占比大于预设阈值的通道作为所述目标通道。
将输入通道添加的注意力机制的权重参数进行可视化。在第一训练完成后,分别统计注意力网络中各通道在全部通道中的权重占比。其中,任意一个通道在全部通道中的权重占比可以为,该通道的权重与全部通道的权重总和之间的比值。然后按照权重占比对通道进行降序排序,并从第一个通道(也即权重占比最高的通道)开始,依次获取累计权重占比,并判断该累计权重占比是否大于预设阈值。最后选取累计权重占比大于预设阈值的最少数量的通道作为目标通道。
对于预设阈值,可以根据实际经验设置任意适用的数值。比如,预设阈值为95%,第一次获取到第一个通道的累计权重占比为80%,其小于95%;第二次获取到第一个通道和第二个通道的累计权重占比(也即第一个通道和第二个通道的权重占比总和)为90%,其小于95%;第三次获取到第一个通道、第二个通道和第三个通道的累计权重占比(也即第一个通道、第二个通道和第三个通道的权重占比总和)为96%,其大于95%,因此可以将第一个通道、第二个通道和第三个通道作为目标通道。
比如,对于上述19个通道来说,经过上述处理过程可以筛选出前三个通道作为目标通道,因此目标通道分别是点密度通道、线密度通道、平均速度通道。
栅格化后,待处理区域被划分为多个栅格。在针对任意一个栅格中包含的轨迹进行特征提取时,基于预先从预设的多通道中筛选出的目标通道进行特征提取,提取目标通道的轨迹特征作为该栅格对应的轨迹特征,能够在克服特征冗余的同时缓解内存压力。
在一种可选实施方式中,可以先对该栅格中包含的轨迹提取多通道(比如上述的19个通道)的轨迹特征,具体地,从原始GPS轨迹中提取点密度、线密度、平均速度、速度八个方向投影的方向特征、以及八个方向的邻域特征,这里八个方向分别为正北、西北、正西、西南、正南、东南、正东和东北,邻域特征指的是以该栅格(也即像素)为中心统计八邻域方向上是否存在轨迹,取值为0或1。然后从多通道的轨迹特征中筛选出目标通道的轨迹特征,将该目标通道的轨迹特征作为该栅格对应的轨迹特征。
在另一种可选实施方式中,可以不提取上述多通道(比如上述的19个通道)的轨迹特征,而是对该栅格中包含的轨迹直接提取目标通道的轨迹特征,将该目标通道的轨迹特征作为该栅格对应的轨迹特征。
步骤204,路网生成模型预测道路分割信息。
预先训练用于基于轨迹生成路网数据的路网生成模型。
可选地,通过如下步骤B1~B3训练路网生成模型:
步骤B1,对第二样本区域内的轨迹进行聚类得到聚类簇,从各所述聚类簇中选取代表轨迹,将所述第二样本区域内与所述代表轨迹进行绑路匹配成功的栅格作为第二样本栅格。
获取第二样本区域内包含的大量轨迹。第二样本区域可以为任意具有初始路网数据(也即路网底图)的区域,第二样本区域与上述第一样本区域可以相同,也可以不同。
对第二样本区域内的轨迹进行聚类得到多个聚类簇。可选地,聚类方式可以包括但不限于:密度聚类、k-means聚类,等等。其中密度聚类可以采用DBSCAN(Density-BasedSpatial Clustering of Applications with Noise,具有噪声的基于密度的聚类)等方式。
针对每个聚类簇,按照预设的轨迹选取规则从该聚类簇中选取代表轨迹。可选地,轨迹选取规则可以包括但不限于:随机选取轨迹、选取核心点的轨迹,等等。
将第二样本区域换分为多个栅格。针对第二样本区域内的每个栅格,将该栅格与从各聚类簇中选取出的代表轨迹进行绑路匹配,将第二样本区域内与代表轨迹进行绑路匹配成功的栅格作为第二样本栅格。其中,绑路匹配的过程可以为,将代表轨迹与该栅格对应的初始路网数据中的道路进行匹配。可选地,绑路匹配采用的方式可以包括但不限于:模型匹配、距离计算匹配,等等。
步骤B2,利用第二样本数据对第二初始模型进行第二训练。
第二初始模型的结构可以采用任意适用的图像分割网络结构。可选地,本实施例中第二初始模型可以采用基于多任务学习的神经网络模型,分别进行道路面分割和道路中心线分割两个任务。比如,第二初始模型可以采用T2RNet(Track to Road Networks,轨迹到道路的网络)等。
第二初始模型可以包含依次连接的编码网络、多尺度空洞卷积网络和解码网络。其中,编码网络参数由两个任务共享,解码网络参数两个任务各自独立,基础框架为UNet。道路面分割任务中每层解码网络输入包含上一层解码网络的输出和对应层编码网络的输出。中心线分割任务中每层解码网络的输入除了包含上一层解码网络的输出和对应层编码网络的输出之外,还包括道路面分割任务中对应层解码网络的输出。可选地,多尺度空洞卷积网络可以选用D-LinkNet的中间件部分。
针对每个第二样本栅格,对该第二样本栅格中包含的轨迹进行特征提取,得到该第二样本栅格的轨迹特征,还可以对第二样本栅格的轨迹特征进行归一化处理。针对每个第二样本栅格,根据第二样本区域对应的初始路网数据,可以得到该第二样本栅格的实际道路分割信息,为该第二样本栅格设置第二标签,该第二标签指示该第二样本栅格的实际道路分割信息。基于此构建第二样本数据,第二样本数据包括:第二样本栅格的轨迹特征和第二样本栅格的第二标签。
在利用第二样本数据对第二初始模型进行第二训练的过程中,将第二样本栅格的轨迹特征作为第二初始模型的输入,输入第二初始模型的编码网络进行编码操作的特征学习(其中输入大小可以为1024*1024*3)。将编码网络学习到的特征输入多尺度空洞卷积网络,整合空洞卷积步长为1、2、4、8、16的并行结构,进行多尺度空洞卷积操作的特征学习,将网络的视野域拓宽至整个输入特征,用以捕获路网的位置、连通性等拓扑属性。将多尺度空洞卷积网络学习到的特征输入解码网络进行解码操作的特征学习,解码为预测道路分割信息,第二初始模型输出第二样本栅格的预测道路分割信息。
基于第二样本栅格的预测道路分割信息和第二样本栅格的第二标签可以计算第二训练的损失函数,当第二训练的损失函数达到收敛条件后,确定第二训练完成。可选地,第二训练的损失函数可以选用任意一种适用的损失函数。比如,第二训练的损失函数可以为Dice损失函数与交叉熵损失函数的加权和,等等。
可选地,第二样本栅格的轨迹特征可以包括上述多通道的轨迹特征,或者第二样本栅格的轨迹特征可以包括上述筛选出的目标通道的轨迹特征。第二样本栅格的实际道路分割信息可以包括:第二样本栅格的实际道路面分割信息和实际道路中心线分割信息。第二样本栅格的预测道路分割信息可以包括:第二样本栅格的预测道路面分割信息和预测道路中心线分割信息。
步骤B3,在所述第二训练完成后,将第二训练完成的模型作为所述路网生成模型。
在一种可选实施方式中,在第二训练完成后,可以暂时不将第二训练完成的模型作为路网生成模型,而是开展基于主动学习的标注得到微调样本,利用微调样本继续对第二训练完成的模型进行训练。其中,标注的目的是对内部路和多车道进行标识,使得网络对较为稀疏的轨迹具备灵敏的响应,同时保留较强的噪声抑制能力。
因此,在上述第二训练完成后,可以执行如下步骤C1~C3:
步骤C1,利用所述第二训练完成的模型对第三样本区域内的栅格进行预测,获取预测出包含道路但实际不包含道路的栅格作为第三样本栅格。
获取第三样本区域内包含的轨迹。第三样本区域可以为任意具有初始路网数据(也即路网底图)的区域,第三样本区域与上述第二样本区域不同。
将第三样本区域划分为多个栅格。针对第三样本区域内的每个栅格,对该栅格中包含的轨迹进行特征提取,得到该栅格的轨迹特征,还可以对该栅格的轨迹特征进行归一化处理,将该栅格的轨迹特征输入第二训练完成的模型,得到该第二训练完成的模型输出的该栅格的预测道路分割信息。根据该栅格的预测道路分割信息以及该栅格对应的初始路网数据,可以确定该栅格是否为预测出包含道路但实际不包含道路的栅格。将第三样本区域内预测出包含道路但实际不包含道路的栅格作为第三样本栅格。
步骤C2,利用第三样本数据对所述第二训练完成的模型进行第三训练。
针对每个第三样本栅格,对该第三样本栅格中包含的轨迹进行特征提取,得到该第三样本栅格的轨迹特征,还可以对第三样本栅格的轨迹特征进行归一化处理。针对每个第三样本栅格,根据第三样本区域对应的初始路网数据,可以得到该第三样本栅格的实际道路分割信息,为该第三样本栅格设置第三标签,该第三标签指示该第三样本栅格的实际道路分割信息。基于此构建第三样本数据作为微调样本,第三样本数据包括:第三样本栅格的轨迹特征和第三样本栅格的第三标签。
利用第三样本数据对第二训练完成的模型进行第三训练,第三训练的过程与上述第二训练的过程基本相同,具体参照上述步骤B2的相关描述即可,在此不再详细论述。
可选地,第三样本栅格的轨迹特征可以包括上述多通道的轨迹特征,或者第三样本栅格的轨迹特征可以包括上述筛选出的目标通道的轨迹特征。第三样本栅格的实际道路分割信息可以包括:第三样本栅格的实际道路面分割信息和实际道路中心线分割信息。第三样本栅格的预测道路分割信息可以包括:第三样本栅格的预测道路面分割信息和预测道路中心线分割信息。
步骤C3,在所述第三训练完成后,将第三训练完成的模型作为所述路网生成模型。
基于训练得到路网生成模型,将步骤203中得到的待处理区域内包含的栅格的轨迹特征进行归一化处理后输入路网生成模型,在路网生成模型中对栅格的轨迹特征依次执行编码操作、多尺度空洞卷积操作和解码操作,得到路网生成模型输出的所述栅格对应的道路分割信息。
可选地,栅格的轨迹特征可以包括上述多通道的轨迹特征,或者栅格的轨迹特征可以包括上述筛选出的目标通道的轨迹特征。栅格的道路分割信息可以包括:栅格的道路面分割信息和道路中心线分割信息。
本实施例中,路网生成模块以多任务学习框架为基础,添加多尺度空洞卷积扩充视野域至整个特征图;将轨迹聚类后与底图路网匹配上的栅格作为预训练的标签,进行大规模数据的预训练过程;随后通过小规模基于主动学习标注的数据进行微调,由于内部路稀疏轨迹的分割模式与路口处稀疏轨迹的分割模式类似,因此微调后的模型对路口挂接和多车道召回有了较大的改善。
步骤205,路网优化模型优化道路分割信息。
由于步骤204中得到的道路分割信息仍存在着一定程度上的多车道粘连、道路连通性差的问题,因此,本实施例提出结合原始轨迹的深度学习后处理优化方法。
预先训练用于对道路分割信息进行优化的路网优化模型。
可选地,通过如下步骤D1~D3训练路网优化模型:
步骤D1,获取第四样本栅格,对所述第四样本栅格内的路网数据进行腐蚀和多车道膨胀,获取所述第四样本栅格的变更道路分割信息。
可选地,第四样本栅格可以包括按照上述步骤B1从第四样本区域筛选出的栅格,以及按照上述步骤C1从第五样本区域筛选出的栅格;或者,第四样本栅格可以包括上述第二样本栅格和第三样本栅格。其中,第四样本区域和第五样本区域可以为任意具有初始路网数据(也即路网底图)的区域。
针对每个第四样本栅格,对该第四样本栅格内的初始路网数据进行随机腐蚀和多车道部分的随机膨胀,实现路网断接和多车道粘连的路网样本,以学习多车道分离模式和道路连通模式。对进行腐蚀和多车道膨胀后的第四样本栅格进行特征提取,得到第四样本栅格的变更轨迹特征,还可以对第四样本栅格的变更轨迹特征进行归一化处理,将第四样本栅格的变更轨迹特征输入上述训练得到的路网生成模型,得到该路网生成模型输出的该第四样本栅格的变更道路分割信息。
步骤D2,利用第四样本数据对第三初始模型进行第四训练。
针对每个第四样本栅格,对该第四样本栅格中包含的轨迹进行特征提取,得到该第四样本栅格的轨迹特征,还可以对第四样本栅格的轨迹特征进行归一化处理。针对每个第四样本栅格,根据第四样本区域对应的初始路网数据,可以得到该第四样本栅格的实际道路分割信息,为该第四样本栅格设置第四标签,该第四标签指示该第四样本栅格的实际道路分割信息。
构建第四样本数据,第四样本数据包括:第四样本栅格的变更道路分割信息和第四样本栅格的轨迹特征,以及第四样本栅格的第四标签。
第三初始模型的结构可以采用任意适用的图像分割网络结构,可以包括但不限于FCN、FPN、UNet,等等。
在利用第四样本数据对第三初始模型进行第四训练的过程中,将第四样本栅格的变更道路分割信息(单通道)和第四样本栅格的轨迹特征进行通道叠加后作为第三初始模型的输入,得到第三初始模型输出的该第四样本栅格的预测道路分割信息。基于第四样本栅格的预测道路分割信息和第四样本栅格的第二标签可以计算第四训练的损失函数,当第四训练的损失函数达到收敛条件后,确定第四训练完成。可选地,第四训练的损失函数可以选用任意一种适用的损失函数。比如,Dice损失函数、交叉熵损失函数,等等。
可选地,第四样本栅格的变更轨迹特征可以包括上述多通道的轨迹特征,或包括上述筛选出的目标通道的轨迹特征。第四样本栅格的变更道路分割信息可以包括:第四样本栅格的变更道路面分割信息和变更道路中心线分割信息。第四样本栅格的轨迹特征可以包括上述多通道的轨迹特征,或包括上述筛选出的目标通道的轨迹特征。第四样本栅格的实际道路分割信息可以包括:第四样本栅格的实际道路面分割信息和实际道路中心线分割信息。第四样本栅格的预测道路分割信息可以包括:第四样本栅格的预测道路面分割信息和预测道路中心线分割信息。
步骤D3,在所述第四训练完成后,将第四训练完成的模型作为所述路网优化模型。
可选地,还可以利用某些样本数据进一步对路网优化模型进行测试,从而进一步提升路网的连通性和多车道分辨率。
基于训练得到路网优化模型,针对步骤204中得到的待处理区域内包含的栅格对应的道路分割信息,将所述栅格对应的道路分割信息以及所述栅格的轨迹特征输入预先训练的路网优化模型,得到所述路网优化模型输出的所述栅格对应的优化道路分割信息。之后基于所述优化道路分割信息,生成所述待处理区域对应的路网数据。
步骤206,矢量化。
将步骤205中得到的优化道路分割信息进行骨架提取、图符边缘优化、矢量化等处理,对于具体过程在此不再详细论述。
步骤207,生成路网。
将步骤206中矢量化后的结果进行道格拉斯抽稀、短小道路清洗等,生成最终矢量化的路网地图,对于具体过程在此不再详细论述。
本申请实施例中,针对轨迹生成路网中特征冗余、道路连通性差、平行路分辨率低等问题,基于注意力机制筛选冗余特征,扩充模型视野域以提升道路连通性,基于迁移学习标注特定模式微调网络、结合原始轨迹后处理优化改善平行路分离和道路连通性。基于深度学习的轨迹生成路网方式无需人为设置经验参数,并且能够利用现有路网的先验知识,相比传统机器学习方法更加灵活,泛化性能也更好,并且压缩输入特征通道数,节约特征生成时间和存储成本。从分割模型和后处理模型两个方面提升路网的连通性和多车道的分辨率,在工业界具有较高的应用价值。通过更新轨迹数据来迭代路网,自动化生产便于维护。
参照图3,示出了本公开实施例的一种路网生成装置的结构框图。
如图3所示,路网生成装置可以包括以下模块:
提取模块301,用于对待处理区域内的栅格中包含的轨迹进行特征提取,得到所述栅格的轨迹特征;
预测模块302,用于将所述栅格的轨迹特征输入预先训练的路网生成模型,对所述轨迹特征依次执行编码操作、多尺度空洞卷积操作和解码操作,得到所述路网生成模型输出的所述栅格对应的道路分割信息;
生成模块303,用于基于所述道路分割信息,生成所述待处理区域对应的路网数据。
可选地,所述轨迹特征包括预先从预设的多通道中筛选出的目标通道的轨迹特征,所述目标通道在所述多通道中的累计权重占比大于预设阈值。
可选地,通过如下模块筛选所述目标通道:第一训练模块,用于利用第一样本数据对包含注意力网络的第一初始模型进行第一训练;所述第一样本数据包括:第一样本区域内的第一样本栅格的多通道轨迹特征和所述第一样本栅格的第一标签,所述第一标签指示所述第一样本栅格实际是否包含路网数据;所述注意力网络中对所述多通道分别赋予权重;第一确定模块,用于在所述第一训练完成后,统计所述注意力网络中各通道的权重占比,选取累计权重占比大于预设阈值的通道作为所述目标通道。
可选地,所述道路分割信息包括道路面分割信息和道路中心线分割信息。
可选地,通过如下模块训练所述路网生成模型:第一获取模块,用于对第二样本区域内的轨迹进行聚类得到聚类簇,从各所述聚类簇中选取代表轨迹,将所述第二样本区域内与所述代表轨迹进行绑路匹配成功的栅格作为第二样本栅格;第二训练模块,用于利用第二样本数据对包含依次连接的编码网络、多尺度空洞卷积网络和解码网络的第二初始模型进行第二训练;所述第二样本数据包括所述第二样本栅格的轨迹特征和所述第二样本栅格的第二标签,所述第二标签指示所述第二样本栅格的实际道路分割信息;第二确定模块,用于在所述第二训练完成后,将第二训练完成的模型作为所述路网生成模型。
可选地,所述装置还包括:第二获取模块,用于利用所述第二训练完成的模型对第三样本区域内的栅格进行预测,获取预测出包含道路但实际不包含道路的栅格作为第三样本栅格;第三训练模块,用于利用第三样本数据对所述第二训练完成的模型进行第三训练;所述第三样本数据包括所述第三样本栅格的轨迹特征和所述第三样本栅格的第三标签,所述第三标签指示所述第三样本栅格的实际道路分割信息;所述第二确定模块,具体用于在所述第三训练完成后,将第三训练完成的模型作为所述路网生成模型。
可选地,所述装置还包括:优化模块,用于将所述栅格对应的道路分割信息,以及所述栅格的轨迹特征输入预先训练的路网优化模型,得到所述路网优化模型输出的所述栅格对应的优化道路分割信息;所述生成模块303,具体用于基于所述优化道路分割信息,生成所述待处理区域对应的路网数据。
可选地,通过如下模块训练所述路网优化模型:第三获取模块,用于获取第四样本栅格,对所述第四样本栅格内的路网数据进行腐蚀和多车道膨胀,获取所述第四样本栅格的变更道路分割信息;第四训练模块,用于利用第四样本数据对第三初始模型进行第四训练;所述第四样本数据包括所述第四样本栅格的变更道路分割信息和所述第四样本栅格的轨迹特征,以及所述第四样本栅格的第四标签,所述第四标签指示所述第四样本栅格的实际道路分割信息;第三确定模块,用于在所述第四训练完成后,将第四训练完成的模型作为所述路网优化模型。
本公开实施例中,在路网生成模型中对轨迹特征依次执行编码操作、多尺度空洞卷积操作和解码操作,通过空洞卷积操作能够将视野域扩大至整个输入特征,并在中心部分整合多尺度特征,从而能够适应路网的狭窄性、复杂性、连通性、跨度大等特性,解决路网数据连通性差、多车道难以分离等问题,提高路网数据的准确性。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
在本公开的实施例中,还提供了一种电子设备。该电子设备可以包括一个或多个处理器,以及其上存储有指令的一个或多个计算机可读存储介质,指令例如应用程序。当所述指令由所述一个或多个处理器执行时,使得所述处理器执行如上任一实施例的路网生成方法。
在本公开的实施例中,还提供了一种非临时性计算机可读存储介质,其上存储有计算机程序,该计算机程序可由电子设备的处理器执行,当所述计算机程序被处理器执行时,使得所述处理器执行如上任一实施例所述的路网生成方法。
上述提到的处理器可以是通用处理器,可以包括但不限于:中央处理器(CentralProcessing Unit,简称CPU)、网络处理器(Network Processor,简称NP)、数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件,等等。
上述提到的计算机可读存储介质可以包括但不限于:只读存储器(Read OnlyMemory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、光盘只读储存器(Compact Disc ReadOnly Memory,简称CD-ROM)、电可擦可编程只读存储器(ElectronicErasable Programmable ReadOnly Memory,简称EEPROM)、硬盘、软盘、闪存,等等。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本公开的实施例也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本公开的实施例的内容,并且上面对特定语言所做的描述是为了披露本公开的实施例的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本公开的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本公开的示例性实施例的描述中,本公开的实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本公开的实施例要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本公开的实施例的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的替代特征来代替。
本公开的实施例的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本公开的实施例的动态图片的生成设备中的一些或者全部部件的一些或者全部功能。本公开的实施例还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序。这样的实现本公开的实施例的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本公开的实施例进行说明而不是对本公开的实施例进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本公开的实施例可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
以上所述,仅为本公开的实施例的具体实施方式,但本公开的实施例的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开的实施例揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本公开的实施例的保护范围之内。
Claims (11)
1.一种路网生成方法,其特征在于,包括:
对待处理区域内的栅格中包含的轨迹进行特征提取,得到所述栅格的轨迹特征;
将所述栅格的轨迹特征输入预先训练的路网生成模型,对所述轨迹特征依次执行编码操作、多尺度空洞卷积操作和解码操作,得到所述路网生成模型输出的所述栅格对应的道路分割信息;
基于所述道路分割信息,生成所述待处理区域对应的路网数据。
2.根据权利要求1所述的方法,其特征在于,所述轨迹特征包括预先从预设的多通道中筛选出的目标通道的轨迹特征,所述目标通道在所述多通道中的累计权重占比大于预设阈值。
3.根据权利要求2所述的方法,其特征在于,通过如下方式筛选所述目标通道:
利用第一样本数据对包含注意力网络的第一初始模型进行第一训练;所述第一样本数据包括:第一样本区域内的第一样本栅格的多通道轨迹特征和所述第一样本栅格的第一标签,所述第一标签指示所述第一样本栅格实际是否包含路网数据;所述注意力网络中对所述多通道分别赋予权重;
在所述第一训练完成后,统计所述注意力网络中各通道的权重占比,选取累计权重占比大于预设阈值的通道作为所述目标通道。
4.根据权利要求1所述的方法,其特征在于,所述道路分割信息包括道路面分割信息和道路中心线分割信息。
5.根据权利要求1至4任一项所述的方法,其特征在于,通过如下方式训练所述路网生成模型:
对第二样本区域内的轨迹进行聚类得到聚类簇,从各所述聚类簇中选取代表轨迹,将所述第二样本区域内与所述代表轨迹进行绑路匹配成功的栅格作为第二样本栅格;
利用第二样本数据对包含依次连接的编码网络、多尺度空洞卷积网络和解码网络的第二初始模型进行第二训练;所述第二样本数据包括所述第二样本栅格的轨迹特征和所述第二样本栅格的第二标签,所述第二标签指示所述第二样本栅格的实际道路分割信息;
在所述第二训练完成后,将第二训练完成的模型作为所述路网生成模型。
6.根据权利要求5所述的方法,其特征在于,
在将第二训练完成的模型作为所述路网生成模型之前,还包括:
利用所述第二训练完成的模型对第三样本区域内的栅格进行预测,获取预测出包含道路但实际不包含道路的栅格作为第三样本栅格;
利用第三样本数据对所述第二训练完成的模型进行第三训练;所述第三样本数据包括所述第三样本栅格的轨迹特征和所述第三样本栅格的第三标签,所述第三标签指示所述第三样本栅格的实际道路分割信息;
将第二训练完成的模型作为所述路网生成模型,包括:在所述第三训练完成后,将第三训练完成的模型作为所述路网生成模型。
7.根据权利要求1至4任一项所述的方法,其特征在于,
在基于所述道路分割信息,生成所述待处理区域对应的路网数据之前,还包括:将所述栅格对应的道路分割信息,以及所述栅格的轨迹特征输入预先训练的路网优化模型,得到所述路网优化模型输出的所述栅格对应的优化道路分割信息;
基于所述道路分割信息,生成所述待处理区域对应的路网数据,包括:基于所述优化道路分割信息,生成所述待处理区域对应的路网数据。
8.根据权利要求7所述的方法,其特征在于,通过如下方式训练所述路网优化模型:
获取第四样本栅格,对所述第四样本栅格内的路网数据进行腐蚀和多车道膨胀,获取所述第四样本栅格的变更道路分割信息;
利用第四样本数据对第三初始模型进行第四训练;所述第四样本数据包括所述第四样本栅格的变更道路分割信息和所述第四样本栅格的轨迹特征,以及所述第四样本栅格的第四标签,所述第四标签指示所述第四样本栅格的实际道路分割信息;
在所述第四训练完成后,将第四训练完成的模型作为所述路网优化模型。
9.一种路网生成装置,其特征在于,包括:
提取模块,用于对待处理区域内的栅格中包含的轨迹进行特征提取,得到所述栅格的轨迹特征;
预测模块,用于将所述栅格的轨迹特征输入预先训练的路网生成模型,对所述轨迹特征依次执行编码操作、多尺度空洞卷积操作和解码操作,得到所述路网生成模型输出的所述栅格对应的道路分割信息;
生成模块,用于基于所述道路分割信息,生成所述待处理区域对应的路网数据。
10.一种电子设备,其特征在于,包括:
一个或多个处理器;和
其上存储有指令的一个或多个计算机可读存储介质;
当所述指令由所述一个或多个处理器执行时,使得所述处理器执行如权利要求1至8任一项所述的路网生成方法。
11.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,当所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1至8任一项所述的路网生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111144599.2A CN115878735A (zh) | 2021-09-28 | 2021-09-28 | 路网生成方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111144599.2A CN115878735A (zh) | 2021-09-28 | 2021-09-28 | 路网生成方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115878735A true CN115878735A (zh) | 2023-03-31 |
Family
ID=85763634
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111144599.2A Pending CN115878735A (zh) | 2021-09-28 | 2021-09-28 | 路网生成方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115878735A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116543310A (zh) * | 2023-06-30 | 2023-08-04 | 眉山环天智慧科技有限公司 | 一种基于Voronoi图和核密度的道路线提取方法 |
-
2021
- 2021-09-28 CN CN202111144599.2A patent/CN115878735A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116543310A (zh) * | 2023-06-30 | 2023-08-04 | 眉山环天智慧科技有限公司 | 一种基于Voronoi图和核密度的道路线提取方法 |
CN116543310B (zh) * | 2023-06-30 | 2023-10-31 | 眉山环天智慧科技有限公司 | 一种基于Voronoi图和核密度的道路线提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108920481B (zh) | 一种基于手机定位数据的道路网重建方法及系统 | |
CN111091708B (zh) | 车辆轨迹预测方法及装置 | |
Sun et al. | DxNAT—Deep neural networks for explaining non-recurring traffic congestion | |
WO2021082464A1 (zh) | 预测车辆的目的地的方法和装置 | |
US20160125307A1 (en) | Air quality inference using multiple data sources | |
CN108021858A (zh) | 移动客体识别方法及客体流量分析方法 | |
CN112200351A (zh) | 一种基于手机信令数据的城市区域客流量预测方法 | |
CN113950611B (zh) | 用于预测道路属性的方法和数据处理系统 | |
CN109739926A (zh) | 一种基于卷积神经网络的移动对象目的地预测方法 | |
CN107656987A (zh) | 一种基于lda模型的地铁站点功能挖掘方法 | |
US11335189B2 (en) | Method for defining road networks | |
CN114360239A (zh) | 一种多层时空交通知识图谱重建的交通预测方法及系统 | |
CN110322687A (zh) | 确定目标交叉口运行状态信息的方法和装置 | |
CN115878735A (zh) | 路网生成方法、装置、电子设备及存储介质 | |
CN117079148B (zh) | 城市功能区的识别方法、装置、设备和介质 | |
KR102359902B1 (ko) | 빅데이터 및 인공지능 기반 교차로 서비스수준 예측방법, 그리고 이를 포함하는 저장매체 | |
Ahmed et al. | Choosing thresholds for density-based map construction algorithms | |
CN111462490A (zh) | 一种基于多级子区划分的路网可视化方法及装置 | |
CN115775366A (zh) | 道路目标检测方法、检测装置、电子设备及存储介质 | |
CN114707567A (zh) | 轨迹分类方法、轨迹分类模型训练方法及计算机程序产品 | |
Liu et al. | Mct-tte: travel time estimation based on transformer and convolution neural networks | |
CN106781470B (zh) | 城市道路的运行速度的处理方法及装置 | |
CN111340001A (zh) | 一种基于遥感影像深度学习的交通拥堵识别方法 | |
Zou et al. | Inertia mutation energy model to extract roads by crowdsourcing trajectories | |
CN115982306B (zh) | 一种目标对象的逆行行为识别方法、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 |