CN116518960B - 路网更新方法、装置、电子设备和存储介质 - Google Patents
路网更新方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN116518960B CN116518960B CN202310769837.1A CN202310769837A CN116518960B CN 116518960 B CN116518960 B CN 116518960B CN 202310769837 A CN202310769837 A CN 202310769837A CN 116518960 B CN116518960 B CN 116518960B
- Authority
- CN
- China
- Prior art keywords
- vertex
- elevation information
- training
- updated
- road network
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 238000012549 training Methods 0.000 claims description 261
- 238000003062 neural network model Methods 0.000 claims description 89
- 238000012545 processing Methods 0.000 claims description 55
- 230000008859 change Effects 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 14
- 230000001174 ascending effect Effects 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 23
- 230000006870 function Effects 0.000 description 20
- 238000005516 engineering process Methods 0.000 description 18
- 238000013473 artificial intelligence Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 9
- 239000004973 liquid crystal related substance Substances 0.000 description 8
- 238000010276 construction Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000000547 structure data Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
Classifications
-
- 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
- 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
- G06F16/23—Updating
- G06F16/2379—Updates performed during online database operations; commit processing
-
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
Abstract
本申请实施例公开了一种路网更新方法、装置、电子设备和存储介质;可用于地图或交通领域,包括:获取待更新路网,所述待更新路网中包括多个顶点;对于多个顶点中的每个顶点,确定所述顶点对应的至少两个邻居顶点,其中,所述至少两个邻居顶点与对应的顶点之间具有路段相连,每个所述邻居顶点均有自身对应的初始高程信息;基于所述至少两个邻居顶点中每个邻居顶点的初始高程信息,确定所述顶点的目标高程信息;基于所述每个顶点的目标高程信息,对所述待更新路网中每个顶点的高程信息进行更新,得到更新后的路网。本申请实施例可以提高路网中高程信息的确定效率和准确性。
Description
技术领域
本申请涉及地图或交通领域,具体涉及一种路网更新方法、装置、电子设备和存储介质。
背景技术
近年来,随着计算机技术以及互联网技术的发展,智能驾驶在不同业务场景的应用落地,使得智能驾驶广受大众关注。其中,智能驾驶的实现非常依赖于对道路状况的识别结果,由于各种特殊的道路状况层出不穷,因此需要实时更新路网中的数据。
然而,目前路网中的数据主要是利用高精度的硬件采集到的高精度的点云数据来生成的,其对采集硬件要求很高,且不同时间内作业得到的数据需要通过算法进行拼接处理才能得到高质量的点云和各种路网属性信息。因此,导致路网中的数据受硬件以及硬件采集环境的影响较大,无法保证路网中数据的准确性。
发明内容
本申请实施例提供一种路网更新方法、装置、电子设备和存储介质,可以提升路网的高程信息的准确性。
本申请实施例提供一种路网更新方法,包括:
获取待更新路网,所述待更新路网中包括多个顶点;
对于所述多个顶点中的每个顶点,确定所述顶点对应的至少两个邻居顶点,其中,所述至少两个邻居顶点与对应的顶点之间具有路段相连,每个所述邻居顶点均有自身对应的初始高程信息;
基于所述至少两个邻居顶点中每个邻居顶点的初始高程信息,确定所述顶点的目标高程信息;
基于所述每个顶点的目标高程信息,对所述待更新路网中每个顶点的高程信息进行更新,得到更新后的路网。
本申请实施例还提供一种网更新装置,包括:
路网获取单元,用于获取待更新路网,所述待更新路网中包括多个顶点;
第一确定单元,用于对于多个顶点中的每个顶点,确定所述顶点对应的至少两个邻居顶点,其中,所述至少两个邻居顶点与对应的顶点之间具有路段相连,每个所述邻居顶点均有自身对应的初始高程信息;
第二确定单元,用于基于所述至少两个邻居顶点中每个邻居顶点的初始高程信息,确定所述顶点的目标高程信息;
更新单元,用于基于所述每个顶点的目标高程信息,对所述待更新路网中每个顶点的高程信息进行更新,得到更新后的路网。
在一些实施例中,第二确定单元,包括:
权重系数获取子单元,用于对每个所述顶点对应的邻居顶点进行权重系数运算处理,得到所述每个顶点对应的邻居顶点的目标权重系数;
目标高程信息获取子单元,基于所述至少两个邻居顶点中每个邻居顶点的初始高程信息和所述至少两个邻居顶点中每个邻居顶点的目标权重系数,进行加权求和处理,得到所述顶点的目标的高程信息。
在一些实施例中,更新单元,具体用于:
将所述多个顶点中目标高程信息与初始高程信息之间的差值大于或等于预设差值的顶点,确定为目标顶点,并将所述待更新路网中对应所述目标顶点的路段的高度调节至与所述目标高程信息对应的位置;
或,基于所述每个顶点的目标高程信息,对所述待更新路网中每个顶点进行分段线性拟合处理,得到所述更新后的路网。
在一些实施例中,所述路网更新装置,还包括:
提醒单元,用于在用户行驶过程中,若基于所述更新后的路网确定所述用户偏航行驶,则输出提醒信息;其中,所述提醒信息用于提醒用户已经偏航行驶。
在一些实施例中,所述路网更新装置,还包括:
导航路线获取单元,用于获取所述用户的导航路线;
路况信息获取单元,用于若确定所述导航路线包括目标对象,则获取所述目标对象的路况信息;其中,所述目标对象包括目标高架和目标路段,所述路况信息包括所述目标高架对应的高度范围和所述目标路段对应的坡度信息;
高度信息确定单元,用于基于所述更新后的路网,确定所述用户的高度信息,所述高度信息包括当前高度和所述用户的高度变化状态,所述高度变化状态包括高度上升状态或高度下降状态;
偏航确定单元,用于若确定所述当前高度不处于所述目标高架对应的高度范围内,或所述高度变化状态与所述目标路段对应的坡度信息不匹配的情况下,则确定所述用户偏航行驶。
在一些实施例中,第一确定单元,包括:
无向图构建子单元,用于构建与所述多个顶点对应的无向图;
第一输入子单元,用于将所述无向图输入至训练完成的图神经网络模型中,通过所述训练完成的图神经网络模型基于所述无向图,确定所述每个顶点对应的至少两个邻居顶点;
第二确定单元包括,包括:
输出子单元,用于通过所述训练完成的图神经网络模型,基于所述每个顶点对应的至少两个邻居顶点的初始高程信息,输出的所述每个顶点的目标高程信息。
在一些实施例中,该路网更新装置,还包括:
模型获取单元,用于获取图神经网络模型;
训练单元,用于对所述图神经网络模型进行训练,得到训练完成的图神经网络模型。
在一些实施例中,训练单元,包括:
训练顶点确定子单元,用于确定所述待更新路网中的每个顶点为训练顶点;
训练无向图构建子单元,用于基于所述训练顶点构建训练无向图;
第二输入子单元,用于将所述训练无向图输入至图神经网络模型;
邻居顶点确定子单元,用于针对每个训练顶点,通过所述图神经网络模型,确定所述训练顶点的对应的至少两个邻居顶点;
处理子单元,用于基于所述至少两个邻居顶点中每个邻居顶点的初始高程信息和所述至少两个邻居顶点中每个邻居顶点的权重系数,进行加权求和处理,得到所述训练顶点的更新后的高程信息;
目标损失值确定子单元,用于基于所述更新后的高程信息,确定目标损失值;
训练完成确定子单元,用于若确定所述目标损失值小于或等于预设损失值,则确定所述图神经网络模型训练完成。
在一些实施例中,训练单元,还包括:
更新子单元,用于若确定所述目标损失值大于预设损失值,则通过所述图神经网络模型对所述每个训练顶点对应邻居顶点的权重系数进行更新处理,得到更新后的权重系数;
迭代子单元,用于针对所述每个训练顶点,通过所述图神经网络模型基于所述训练顶点对应的更新后的权重系数和所述顶点的更新后的高程信息,返回执行:基于所述至少两个邻居顶点中每个邻居顶点的初始高程信息和所述至少两个邻居顶点中每个邻居顶点的权重系数,进行加权求和处理,得到所述训练顶点的更新后的高程信息的步骤,直到所述目标损失值小于或等于预设损失值,并确定所述图神经网络模型训练完成。
在一些实施例中,目标损失值确定子单元,包括:
第一损失值确定模块,用于基于所述每个训练顶点的更新后的高程信息和所述更新后的高程信息对应的更新前高程信息,确定第一损失值;其中,所述更新后的高程信息是其对应的更新前高程信息进行一次加权求和处理后得到的;
第二损失值确定模块,用于基于所述每个训练顶点的更新后的高程信息、所述每个训练顶点的邻居顶点的更新后的高程信息以及所述每个训练顶点对应的第一差值,确定第二损失值;其中,所述第一差值为训练顶点的初始高程信息与所述训练顶点的邻居顶点的初始高程信息之间的差值;
目标损失值确定模块,用于基于所述第一损失值和第二损失值,确定目标损失值。
在一些实施例中,第一损失值确定模块,具体用于:
针对所述每个训练顶点,确定所述训练顶点的更新后的高程信息与所述更新后的高程信息对应的迭代前高程信息之间的差值,得到每个训练顶点对应的第二差值;
对所述每个训练顶点对应的第二差值进行平方计算后进行求和处理,得到第一累加值;确定所述第一累加值与所述训练无向图中所有训练顶点的数量之间的商值,为所述第一损失值。
在一些实施例中,第二损失值确定模块,具体用于:
针对所述每个训练顶点,确定所述训练顶点的更新后的高程信息与所述训练顶点对应的邻居顶点的更新后的高程信息之间的差值,为所述训练顶点对应的第三差值;
计算所述每个训练顶点的第三差值与第一差值之间的差值,得到每个训练顶点的第四差值;
对所述每个训练顶点的第四差值进行平方计算后进行求和处理,得到第二累加值;
确定所第二累加值与待测路段的数量之间的商值,为所述第二损失值,其中,所述待测路段为所述待更新路网中的全部路段。
本申请实施例还提供一种电子设备,包括存储器存储有多条指令;所述处理器从所述存储器中加载指令,以执行本申请实施例所提供的一种路网更新方法中的步骤。
本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有多条指令,所述指令适于处理器进行加载,以执行本申请实施例所提供的一种路网更新方法中的步骤。
本申请实施例提供的路网更新方法中,可以先获取包括多个顶点的待更新路网,针对待更新路网的多个顶点中的每个顶点,将与所述顶点之间具有路段相连的至少两个其它顶点,确定为所述顶点对应的邻居顶点,其中,每个所述邻居顶点均有自身对应的初始高程信息。然后,再基于邻居顶点中每个邻居顶点的初始高程信息,确定所述顶点的目标高程信息。最后,基于所述每个顶点的目标高程信息,对所述待更新路网中每个顶点的高程信息进行更新,得到更新后的路网。
在本申请实施例中,由于顶点对应的至少两个邻居顶点与该顶点之间具有路段相连,所以该顶点与其对应的邻居顶点在高度上是具有相关性的,然后,再基于所述至少两个邻居顶点中每个邻居顶点的初始高程信息,确定所述顶点的目标高程信息,从而能够依据该顶点周围的与其有高度相关的邻居顶点的初始高程信息,确定出该顶点的目标高程信息,即从路网全局的高程信息去确定单个待测顶点的高程信息,减少了通过硬件对每个待测顶点的高程信息进行单独采集时,由硬件以及采集环境的影响。最后,再基于所述每个顶点的目标高程信息,对所述待更新路网中每个顶点的高程信息进行更新,得到更新后的路网,由此,提升了更新后的路网中高程信息的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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申请的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1a是本申请实施例提供的路网更新方法的场景示意图;
图1b是本申请实施例提供的路网高程计算的示意图;
图1c是本申请实施例提供的一种路网示意图;
图1d是本申请实施例提供的另一种路网示意图;
图1e是本申请一实施例提供的路网更新方法的流程示意图;
图1f是本申请实施例提供的待更新路网中部分路段的连通关系示意图;
图1h是本申请实施例提供的路网连通关系图转换为无向图的转换示意图;
图1i是本申请实施例提供的一个顶点与该顶点对应的邻居顶点之间的信息传递示意图;
图1j是本申请实施例提供的一顶点对应的路段进行平移的平移示意图;
图1k是本申请实施例提供的通过本实施例图神经网络模型输出的路网高程效果图;
图1l是本申请实施例提供的未平滑处理前的路网高程效果图;
图2是本申请另一实施例提供的路网更新方法的流程示意图;
图3是本申请实施例提供的路网更新装置的结构示意图;
图4是本申请实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域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,都属于本申请保护的范围。
本申请实施例提供一种路网更新方法、装置、电子设备和存储介质。
其中,该路网更新装置具体可以集成在电子设备中,该电子设备可以为终端设备(以下可简称终端)、服务器等设备。其中,终端可以为手机、平板电脑、智能蓝牙设备、笔记本电脑、或者个人电脑(Personal Computer,PC)等设备;服务器可以是单一服务器,也可以是由多个服务器组成的服务器集群。
在一些实施例中,该路网更新装置还可以集成在多个电子设备中,比如,路网更新装置可以集成在多个服务器中,由多个服务器来实现本申请的路网更新方法。
在一些实施例中,服务器也可以以终端的形式来实现。
例如,参考图1a,示出了本申请实施例提供的路网更新方法的应用场景示意图。
如图1a中所示,该应用场景可以包括终端设备102和服务器101,具体的该应用场景可以是终端设备102与服务器101交互的环境。其中,终端设备102可以通过网络与服务器101进行通信。
其中,服务器101可以对未进行高程处理的路段的顶点赋予高程值。服务器101对未进行高程处理的路段的顶点赋予高程值后,可以将原始二维道路数据恢复为层级关系正确的三维道路数据,生成对应的三维可视化效果展示图,并将原始二维道路数据与三维道路数据进行关联储存,例如可以将三维可视化效果展示图作为原始二维道路数据的关联展示图,后续可有效应用于三维自动化城市构建产线中。
此外,服务器101对未进行高程处理的路段的顶点赋予高程值后,服务器101也可以将得到的高程数据发送到对应的终端设备102中,以使得用户可以获取到原始二维道路数据恢复出的层级关系正确的三维道路数据。其中,二维路网数据可以是服务器101从数据库中直接获取的,也可以是其他设备例如用户的终端设备102发送至服务器101的。其中,终端设备102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、便携式可穿戴设备、智能语音交互设备、智能家电、车载终端等设备,服务器101可以用独立的服务器101或者是多个服务器101组成的服务器101集群来实现。可以理解,本申请实施例提供的路网数据处理方法也可以是由终端设备102执行的。服务器101也可以是区块链系统中的服务节点,该区块链系统中的各服务节点之间形成组成点对点(P2P,Peer To Peer)网络,P2P协议是一个运行在传输控制协议(Transmission Control Protocol,TCP)协议之上的应用层协议。
举例来说,路网高程的示意图的构建,可以如图1b所示,例如轨迹点高程到路网高程。路网的高程信息是通过采集车在该路网上经过时,采集每个轨迹点的高度信息。然后通过轨迹绑路之后,把每个轨迹点的高程值映射到路网的每个路段(记作link)上。图中包含G1、G2、…、G8这8个的轨迹点可以绑路到link1、link2、link3、link4这四个路段上,从而可以将这个8个轨迹点的GPS高程信息作为对应路段的高程值(以下也可称高程信息或高度值)。其中,采集车可以是配置有用于采集高度信息的车载终端的车辆。
路网高程的计算过程一般分为两步。首先,通过采集车进行轨迹数据的采集,采集轨迹的每个轨迹点都可以包含高度信息和定位信息(如经度和纬度)。然后,通过离线的轨迹绑定,将轨迹点映射到路网的具体路段上。从而把对应轨迹点的高程值作为该路段的高程信息,也就是路网的高程信息。
然而,以上的做法存在两个问题。第一:不同采集车的硬件不一样对同一个位置的采集的高程值往往会存在一定的差异。而且由于定位卫星在不同时间段所处的位置不同,所以不同的时间段采集也会造成一定的高程的变动。第二:对于存在高架上下遮挡比较严重的情况会存在高程值的很大波动。因为轨迹点的高程值是基于卫星定位系统的解算得来的,而卫星信号对于遮挡是敏感的,从而在这种场景中不同轨迹得到的高度值往往相差很大。以上两个问题使得当前的一般路网高程的计算结果中,存在很多高度值不匹配的问题。
例如,如图1c所示,路段La的端点、路段Lb的端点以及路段Lc的端点,在虚线框中的交接点处,本应该相交,但因为采集的高度值波动而导致端点不处于同一点。
又例如,如图1d所示,在两个轨迹采集的相邻路段存在高度的跳变,由于高架的上下层容易存在高度差,所以高架的上下层可能出现高度错乱的情况,如图1d中,最上面的两个相邻路段在虚线框中的交接点处出现高度的跳变。
其中,轨迹点(Trajectory Point):轨迹点是单次请求定位的结果,其包含GPS坐标信息(经纬度、高度信息等),以及当前时间(例如Unix时间戳格式),表示对象在特定时刻的位置信息。
轨迹(Trajectory):轨迹由一连串的轨迹点组成,用来表示对象在一段时间内的行动轨迹。
路网(Road Network):对现实世界道路进行建模,得到对应的有向图称为路网。路网有向图中的每个节点为路段,包含道路起点和终点的经纬度信息。有向图中的边表示路段之间的关联(接续或相交)。
可以理解的是,在本申请的实施例中,涉及到用户信息如车辆的卫星定位信息(以下可简称定位信息)、车辆的行驶轨迹等相关数据,当本申请实施例运用到具体产品或技术中时,需要获得用户许可或者同意,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
以下分别进行详细说明。需说明的是,以下实施例的序号不作为对实施例优选顺序的限定。
实施例一
人工智能(Artificial Intelligence,AI)是一种利用数字计算机来模拟人类感知环境、获取知识并使用知识的技术,该技术可以使机器具有类似于人类的感知、推理与决策的功能。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习、自动驾驶、智慧交通等几大方向。
其中,计算机视觉(Computer Vision,CV)是利用计算机代替人眼对目标图像进行识别、测量等操作并进一步进行处理的技术。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、虚拟现实、增强现实、同步定位与地图构建、自动驾驶、智慧交通等等技术,还包括常见的人脸识别、指纹识别等生物特征识别技术。比如,图像着色、图像描边提取等图像处理技术。
机器学习(Machine Learning,ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
自动驾驶技术通常包括高精地图、环境感知、行为决策、路径规划、运动控制等技术,自动驾驶技术有着广泛的应用前景。
随着人工智能技术研究和进步,人工智能技术在多个领域展开研究和应用,例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服、车联网、自动驾驶、智慧交通等,相信随着技术的发展,人工智能技术将在更多的领域得到应用,并发挥越来越重要的价值。
在本实施例中,提供了一种路网更新方法,如图1e所示,该路网更新方法可以应用于电子设备,具体可以应用于图1a中的服务器,该方法的具体流程可以包括如下步骤110至步骤140:
110、获取待更新路网,其中,待更新路网中包括多个顶点。
其中,待更新路网可以是需要更新高程信息的路网,待更新路网可以为路网拓扑图,可以表示路网中不同路段的连通关系。该路网拓扑图可以包括多个路段和多个顶点,举例来说,如图1f,不妨以图1f作为待更新路网中部分路段的连通关系为例,其中,在图1f中,待更新路网中包括路段Link1、路段Link2、路段Link3、路段Link4、顶点n1、顶点n2、顶点n3、顶点n4、以及顶点n5。
在一些实施方式中,待更新路网可以预先存储在服务器的本地数据库中,服务器可以直接从本地数据库中调取该待更新路网。可选地,服务器还可以接收至少一个用户的终端设备上传的轨迹点,然后基于该上传的轨迹点构建路网,并将构建得到的路网作为待更新的路网,其中,构建路网的具体构建方式可以参考上述实施例中图1b所示的路网高程的示意图的构建的方式。其中,该轨迹点可以是当前采集的实时轨迹点,也可以是在指定时间采集的历史轨迹点,在此不做限定。
120、对于多个顶点中的每个顶点,确定顶点对应的至少两个邻居顶点,其中,至少两个邻居顶点与对应的顶点之间具有路段相连,每个邻居顶点均有自身对应的初始高程信息。
其中,顶点为待更新路网中的顶点,顶点可以看作是待更新路网中不同路段之间的交接点,例如,请再次参阅图1f,路段Link1的终点与路段Link2的起点为同一点n2,即路段Link1与路段Link2交接于n2,那么可以将交接点n2确定为顶点n2,以此类推,可以将待更新路网中所有的不同路段的交接点,确定为待更新路网中的顶点,得到待更新路网中的多个顶点。
其中,顶点对应的邻居顶点,可以是在待更新路网中,与该顶点之间有路段连接的其它顶点。也就是说,如果待更新路网中两个顶点之间具有一条路段相连的话,那么这两个顶点可以互为邻居顶点。对于一直延伸的道路来说,一个顶点至少有前后两个路段连接,因此一个顶点至少具有两个邻居顶点。举例来说,请再次参阅图1f,在图1f中,顶点n2与顶点n1之间具有路段Link1相连接,顶点n2与顶点n3之间具有路段Link2相连接,因此,顶点n2对应的邻居顶点包括顶点n1和顶点n3。
其中,初始高程信息为路网高程,路网高程指的是路网线上的点沿铅垂线方向到绝对基面的距离,称绝对高程,简称高程或高程值。在本实施例中绝对基面可以为海平面,也可以是用户自定义设置的高度平面,在此不做限定。在本实施例中,待更新路网中的每个顶点的初始高程信息是预先采集并存储到服务器中的,可选地,初始高程信息可以是用于采集高程信息的终端设备(如采集车)进行轨迹数据的采集得到,采集轨迹的每个轨迹点都包含高程信息,每个轨迹点的高程信息可以被采集车上传至服务器中由服务器进行保存。可选地,轨迹点的高程信息可以是基于卫星定位系统的解算得来的。可以理解的是,上述轨迹点中包括了顶点。
在一些实施方式中,在步骤120中,确定顶点对应的至少两个邻居顶点时,可以先将待更新路网转换为无向图,由于在待更新路网中每个路段是具有方向的,其路段的方向是规定车辆的行驶方向,例如图1f中的Link1的方向为顶点n1到顶点n2。而对于物理空间上的高度变化是对称的。比如,从a点到b点的高度增加2米,则可以知道从b点到a点的高度是减少2米。也就是说,对于高程信息而言,待更新路网中的方向是没有影响的,因此可以将待更新路网转换为无向图,再基于无向图来更新待更新路网中的高程信息,从而避免待更新路网中的方向对更新结果带来的干扰。
可选地,构建无向图的具体实施方式可以包括:将待更新路网中路段与路段之间的交接点作为无向图的顶点,得到顶点集合。而待更新路网中的每个路段看作是无向图中的一条边。在无向图中,顶点的属性值就是顶点的高程信息,边的属性就是该路段上高度的变化值,即边的两个端点之间的高度差。示例性地,如图1h所示,图1h中的a为待更新路网中部分的路网连通关系图,将其进行转换处理后,可以得到图1h中的b,即无向图,该无向图b相比于路网连通关系图a,在两个相邻的顶点之间的边是没有方向的。可见,无向图包括多个顶点、多个边、每个顶点的属性值以及每个边的属性值。其中,无向图中的顶点与待更新路网中的顶点一致,无向图中的边与待更新路网中的路段对应。
在构建好待更新路网的无向图后,服务器通过图像识别技术对该无向图进行识别,以确定无向图中每个顶点对应的邻居顶点,示例性地,例如服务器针对无向图中的任意一个顶点,可以识别出与该顶点之间具有一条边相连接的其它顶点,并将其它顶点确定为该顶点对应的邻居点。通过上述识别方法遍历无向图中每一个顶点,即可得到每个顶点对应的邻居顶点。可见,想要确定任意顶点对应的邻居顶点时,只需要从无向图中识别出与该任意顶点之间有一条边相连的顶点即可,因此,构建待更新路网对应的无向图,并通过对该无向图进行图像识别,能够快捷、高效地确定出每个顶点对应的至少两个邻居顶点。
130、基于至少两个邻居顶点中每个邻居顶点的初始高程信息,确定顶点的目标高程信息。
可选地,在一种具体实施方式中,步骤130具体可以包括如下步骤131a至步骤132a:
131a、对每个顶点对应的邻居顶点进行权重系数运算处理,得到每个顶点对应的邻居顶点的目标权重系数。
其中,顶点对应的邻居顶点的权重系数可以表征该顶点的高程信息与该顶点对应的邻居顶点的高程信息之间的相关程度。可选地,对于一个顶点的高程信息而言,其对应的邻居顶点的权重系数越大,那么该邻居顶点的高程信息与该顶点之间的相关程度就越高。举例来说,例如在上述无向图中顶点n2对应的邻居顶点包括顶点n1和顶点n3,顶点n1对应顶点n2的权重系数为w1,顶点n3对应顶点n2的权重系数为w3,若w3大于w1,那么顶点n3的高程信息与顶点n2的高程信息之间的相关程度就大于顶点n1的高程信息与顶点n2的高程信息之间的相关程度。
在一些实施方式中,对每个顶点对应的邻居顶点进行权重系数运算处理的具体实施方式可以包括:通过对待更新路网中的顶点预先采集多组高程信息集合来计算得到。举例来说,例如,顶点n2的高程信息为x2,与顶点n2对应的邻居顶点包括顶点n1和顶点n3,顶点n1的高程信息为x1,顶点n3的高程信息为x3,假设x2=w1·x1+w3·x3成立,其中,w1为顶点n1的目标权重系数,w3为顶点n3的目标权重系数,w1和w3为未知量,服务器可以将顶点n1、顶点n2以及顶点n3的多组高程信息带入上述式子中求解出w1和w3。例如,在预先采集到的第一组高程信息集合中,顶点n1的高程信息为H1,顶点n2的高程信息为H2,顶点n3的高程信息为H3。在预先采集到的第二组高程信息集合中顶点n1的高程信息为h1,顶点n2的高程信息为h2,顶点n3的高程信息为h3。则联立如下公式计算出w1和w3:
可选地,不同组的高程信息集合的采集条件可以不同,以避免不同采集条件对权重系数带来的影响。例如,第一组高程信息集合的采集硬件可以与第二组高程信息集合的采集硬件不同。又例如,第一组高程信息集合的采集环境(如雨天)可以与第二组高程信息集合的采集环境(如雾天)不同。再例如,第一组高程信息集合的采集时间可以与第二组高程信息集合的采集时间不同。
132a、基于至少两个邻居顶点中每个邻居顶点的初始高程信息和至少两个邻居顶点中每个邻居顶点的目标权重系数,进行加权求和处理,得到顶点的目标的高程信息。
在一些实施方式中,服务器针对每个顶点,在得到该顶点对应的至少两个邻居顶点中每个邻居顶点的初始高程信息和目标权重系数之后,可以计算每个邻居顶点的初始高程信息与该邻居顶点的目标权重系数的积,从而得到该每个邻居顶点对应的积,然后将该每个邻居顶点对应的积进行相加处理,得到的和,就可以作为该顶点的目标的高程信息。
举例来说,例如,图1i示出了一个顶点与该顶点对应的邻居顶点之间的信息传递示意图。如图1i所示,顶点n5分别通过连线与顶点n1、顶点n2、顶点n3、以及顶点n4相连接,其表示,顶点n5对应的邻居顶点包括顶点n1、顶点n2、顶点n3、以及顶点n4,且顶点n5的高程信息是通过顶点n1的高程信息、顶点n2的高程信息、顶点n3的高程信息、以及顶点n4的高程信息传递而来的,其中,连线的方向表示信息传递方向。其中,顶点n1的高程信息为Z1、顶点n2的高程信息为Z2、顶点n3的高程信息为Z3、顶点n4的高程信息为Z4、顶点n5的高程信息为Z5。其中,顶点n5的高程信息是由顶点n1、顶点n2、顶点n3、以及顶点n4的高程信息决定的。具体可以表示为:
其中,w1为顶点n1的目标权重系数、w2为顶点n2的目标权重系数、w3为顶点n3的目标权重系数、w4为顶点n4的目标权重系数。
可选地,在另一种具体实施方式中,上述步骤120可以包括:
121、构建与多个顶点对应的无向图。
其中,由于多个顶点位于待更新路网中,所以构建与多个顶点对应的无向图,相当于将待上述更新路网转换为无向图。因此,构建与多个顶点对应的无向图的步骤可以参考上述实施例中将待更新路网转换为无向图的步骤。
122、将无向图输入至训练完成的图神经网络模型中,通过训练完成的图神经网络模型基于无向图,确定每个顶点对应的至少两个邻居顶点。
其中,图神经网络(Graph Neural Network,GNN)是神经网络在图领域的一种方法,指使用神经网络来学习图结构数据,提取和发掘图结构数据中的特征和模式。其输入可以为有向或无向图。在本实施例中,训练完成的图神经网络模型可以识别出无向图中每个顶点对应的至少两个邻居点。其中,本实施例中的图神经网络模型通过训练,还能够从无向图中挖掘出无向图中任意一个顶点的高程信息与该顶点对应的邻居顶点的高程信息之间的相关性或相关程度,并可以将该相关程度通过邻居顶点的权重系数表征。
相应地,步骤130可以包括:
通过训练完成的图神经网络模型,基于每个顶点对应的至少两个邻居顶点的初始高程信息,输出的每个顶点的目标高程信息。
其中,训练完成的图神经网络模型能够根据输入的无向图,输出无向图中每个顶点的目标高程信息。可以理解的是,在依据输入无向图输出目标高程信息的过程中,训练完成的图神经网络模型需要依次完成以下步骤:对无向图中的每个顶点对应的邻居点的识别;确定每个邻居点的目标权重系数;针对每个顶点,基于该顶点对应的邻居点的初始高程信息和目标权重系数,进行加权求和处理,得到该顶点的目标高程信息。
可选地,在一种具体实施方式中,在步骤120之前,该方法还可以包括如下步骤A11至步骤A12:
A1、获取图神经网络模型。
其中,该图神经网络模型指的是初始的、还未经过训练的图神经网络模型,该图神经网络模型的模型参数可以是用户自定义设置的初始值,也可以是随机值,在此不做限定。举例来说,该模型参数可以包括每个顶点对应的邻居顶点的权重系数。
A2、对图神经网络模型进行训练,得到训练完成的图神经网络模型。
其中,可以将每个邻居顶点的权重系数作为图神经网络模型的待学习参数,当图神经网络模型训练完成,可以得到每个邻居顶点的目标权重系数。
可选地,在一种具体实施方式中,步骤A2具体可以包括如下步骤A21至步骤A27:
A21、确定待更新路网中的每个顶点为训练顶点。
A22、基于训练顶点构建训练无向图。
其中,步骤A22的具体实施方式可以参考上述实施例中步骤121的具体实施方式,故不在此赘述。可以理解的是,由于训练顶点与待更新路网中的顶点一致,所以训练无向图也是与上述实施例中步骤121中得到的无向图是一致的。
A23、将训练无向图输入至图神经网络模型。
A24、针对每个训练顶点,通过图神经网络模型,确定训练顶点的对应的至少两个邻居顶点。
其中,图神经网络模型可以通过图像识别技术对该训练无向图进行识别,以确定训练无向图中每个训练顶点对应的邻居顶点,示例性地,例如图神经网络模型针对训练无向图中的任意一个训练顶点,可以识别出与该训练顶点之间具有一条边相连接的其它训练顶点,并将其它训练顶点确定为该训练顶点对应的邻居点。通过上述识别方法遍历无向图中每一个训练顶点,即可得到每个训练顶点对应的邻居顶点。
A25、基于至少两个邻居顶点中每个邻居顶点的初始高程信息和至少两个邻居顶点中每个邻居顶点的权重系数,进行加权求和处理,得到训练顶点的更新后的高程信息。
在一些实施方式中,图神经网络模型可以针对每个训练顶点,为该训练顶点对应的至少两个邻居顶点中每个邻居顶点,配置一个初始权重系数,然后,通过该训练顶点对应的至少两个邻居顶点中每个邻居顶点的初始权重系数,对该每个邻居顶点的初始高程信息,进行加权求和处理,即可得到该训练顶点的更新后的高程信息。具体的加权求和处理,可以参考上述实施例中的步骤132a,故不在此赘述。
A26、基于更新后的高程信息,确定目标损失值。
可选地,在一种具体实施方式中,步骤A26具体可以包括如下步骤A261至步骤A263:
A261、基于每个训练顶点的更新后的高程信息和更新后的高程信息对应的更新前高程信息,确定第一损失值;其中,更新后的高程信息是其对应的更新前高程信息进行一次加权求和处理后得到的。
其中,第一损失值可以表示训练无向图中所有训练顶点的高程信息损失。可以理解的是,若训练无向图中所有训练顶点的损失值越小,则训练无向图中各训练顶点的高程信息就越接近其真实、准确的高程信息。
可以理解的是,对于训练顶点的高程信息,每经过一次上述加权求和处理,得到一个更新后的高程信息,可以看作对训练该顶点的高程信息的一次迭代,具体可以用l表示迭代次数。
可选地,在一种具体实施方式中,步骤A261具体可以包括如下步骤A2611至步骤A2613:
A2611、针对每个训练顶点,确定训练顶点的更新后的高程信息与更新后的高程信息对应的迭代前高程信息之间的差值,得到每个训练顶点对应的第二差值。
举例来说,例如,以第i个训练顶点为例,可以用表示第i个训练顶点在第l次迭代后得到的高程信息,那么针对第i个训练顶点,其对应的第二差值可以表示为/>。其中,l为大于等于2的正整数,i为大于等于1的正整数。可以理解的是,当l等于1时,/>为第i个训练顶点的初始高程信息。
A2612、对每个训练顶点对应的第二差值进行平方计算后进行求和处理,得到第一累加值。
沿用上述示例,第一累加值可以表示为。
A2613、确定第一累加值与训练无向图中所有训练顶点的数量之间的商值,为第一损失值。
沿用上述示例,例如|V|为训练无向图中所有训练顶点的数量,那么第一损失值的表达式可以如下所示:
其中,为第一损失值,其中,V为训练无向图中的顶点集合。
A262、基于每个训练顶点的更新后的高程信息、每个训练顶点的邻居顶点的更新后的高程信息以及每个训练顶点对应的第一差值,确定第二损失值;其中,第一差值为训练顶点的初始高程信息与训练顶点的邻居顶点的初始高程信息之间的差值。
其中,第二损失值可以表示训练无向图中所有边的高程差损失。可以理解的是,若训练无向图中所有边的高程差损失越小,则表明该训练无向图中各个边的高程差损失就越接近其真实、准确的高程差。
举例来说,请再次参阅图1i,例如,顶点n5的初始高程信息为Z5,顶点n5对应的邻居顶点n1的初始高程信息为Z1,则顶点n5对应邻居顶点n1的第一差值可以表示为d 15。又例如,顶点n5对应邻居顶点n2的第一差值可以表示为d 25。以此类推,图1i中的d 35表示顶点n5对应邻居顶点n3的第一差值;图1i中的d 45表示顶点n5对应邻居顶点n4的第一差值。
可选地,在一种具体实施方式中,步骤A262具体可以包括如下步骤A2621至步骤A2624:
A2621、针对每个训练顶点,确定训练顶点的更新后的高程信息与训练顶点对应的邻居顶点的更新后的高程信息之间的差值,为训练顶点对应的第三差值。
举例来说,例如,以第i个训练顶点为例,可以用表示第i个训练顶点在第l次迭代后得到的高程信息,可以用/>表示第j个训练顶点在第l次迭代后得到的高程信息,其中,第j个训练顶点为第i个训练顶点所对应的邻居顶点。其中,第三差值可以表示为。
A2622、计算每个训练顶点的第三差值与第一差值之间的差值,得到每个训练顶点的第四差值;
沿用上述示例,在本实施例中对于第i个训练顶点关于第j个训练顶点的第一差值可以表示为d ij,对于第i个训练顶点的第四差值可以表示为。
A2623、对每个训练顶点的第四差值进行平方计算后进行求和处理,得到第二累加值。
沿用上述示例,第二累加值的表达式可以如下所示:
A2624、确定所第二累加值与待测路段的数量之间的商值,为第二损失值,其中,待测路段为待更新路网中的全部路段。
沿用上述示例,第二损失值的表达式可以如下所示:
其中,为第二损失值,其中,/>为待更新路网中的全部路段,也就是,训练无向图中的所有边的数量,E为训练无向图中全部边的集合。
A263、基于第一损失值和第二损失值,确定目标损失值。
可选地,在一种具体实施方式中,步骤A263的具体实施方式可以包括:确定第一损失值和第二损失值的和,为目标损失值。
沿用上述示例,目标损失值的表达式可以如下所示:
其中,L为目标损失值。
A27、若确定目标损失值小于或等于预设损失值,则确定图神经网络模型训练完成。
其中,预设损失值可以为常数,可以为用户自定义设置的数值,当目标损失值小于或等于预设损失值时,表明训练无向图中的多个训练顶点中的每个训练顶点的更新后的高程信息与该训练顶点真实的高程信息是贴合的,即此时得到训练顶点的更新后的高程信息是准确的。举例来说,例如预设损失值为L 0,如果确定L<L 0,则可以表明训练无向图中的多个训练顶点中的每个训练顶点的更新后的高程信息与该训练顶点真实的高程信息是贴合的。此时,对于每个训练顶点,可以将该训练顶点的更新后的高程信息作为该训练顶点的目标高程信息。
可选地,在一种具体实施方式中,步骤A2具体还可以包括如下步骤A28至步骤A29:
A28、若确定目标损失值大于预设损失值,则通过图神经网络模型对每个训练顶点对应邻居顶点的权重系数进行更新处理,得到更新后的权重系数;
沿用上述示例,例如预设损失值为L 0,如果确定L>L 0,则可以表明训练无向图中的多个训练顶点中的每个训练顶点的更新后的高程信息与该训练顶点真实的高程信息是不贴合的,即此时得到训练顶点的更新后的高程信息是不准确的,则需要对每个训练顶点对应的邻居顶点的权重系数进行更新处理(以下也可以称迭代处理),从而得到更新后的权重系数。例如,更新后的权重系数可以表示为,/>具体表示第l次迭代得到的权重系数。
A29、针对每个训练顶点,通过图神经网络模型基于训练顶点对应的更新后的权重系数和顶点的更新后的高程信息,返回执行:基于至少两个邻居顶点中每个邻居顶点的初始高程信息和至少两个邻居顶点中每个邻居顶点的权重系数,进行加权求和处理,得到训练顶点的更新后的高程信息的步骤,直到目标损失值小于或等于预设损失值,并确定图神经网络模型训练完成。
可选地,在一种具体的实施方式中,步骤125的具体可以通过图神经网络模型如下迭代公式实现:
其中,上述公式用于进行训练无向图中各训练顶点的间属性信息的传递和更新,在该公式中,H为训练无向图上每个训练顶点的属性信息,A为训练无向图的邻居顶点矩阵,l为迭代次数;W为权重系数,为图神经网络模型的待学习的参数。为激活函数。具体地,A的定义为如果训练无向图上两个训练顶点存在边相连则取1,否则为0。该公式表示的含义为:每个训练顶点在第l+1次迭代的属性信息是其对应的所有邻居顶点的第l次属性信息一个线性组合在经过一个激活函数计算得到的。其中,在本实施例中训练顶点的属性信息为训练顶点的高程信息。
可选地,由于高程信息在空间本身就是一个连续的值,所以这里的激活函数可以直接定义为y=x的线性函数,即不做任何变化。
可以理解的是,在确定图神经网络模型的迭代公式之后,就可以基于训练无向图中每个训练顶点的初始高程信息进行迭代了。然而,为了保证我们迭代的方向是向着真实、准确的高程信息的方向进行的,且是能够收敛的。需要给定一个损失函数来训练权重系数W,本实施例中的损失函数可以是基于每个训练顶点的高程信息(如上述实施例中定义的第一损失值的表达式),训练无向图中每个边上的高度差信息(如上述实施例中定义的第二损失值的表达式)定义的。在本实施例中假设虽然不同采集硬件采集高度存在一定的偏差,但是同一路段的高度差基本是保持一致的。另外,由于当前路网高程计算结果在大部分路段上是正确的,所以也可以保证模型的收敛效果。具体的损失函数的表达式可以参考上述实施例中的目标损失值的表达式,即:
可以理解的是,该损失函数分为两部分。前面一部分(即L 1)表示训练顶点损失,模型希望对每个训练顶点的高程信息的调整尽可能的小,因为这里的假设是采集的数据虽然有跳变,但是大部分情况下采集的值是对的。第二部分(即L 2)表示训练无向图中边的高程差损失,模型的假设是虽然不同采集数据之间存在高程的跳变,但是在同一路段的高程差会尽可能的保持不变。通过迭代公式最小化损失函数到满足收敛条件为止(即目标损失值小于或等于预设损失值),即可得到每个训练顶点的最终的目标高程信息,也就是待更新路网中每个顶点的目标高程信息。
140、基于每个顶点的目标高程信息,对待更新路网中每个顶点的高程信息进行更新,得到更新后的路网。
可选地,在一种具体实施方式中,在得到每个顶点的目标高程信息之后,利用每个顶点的目标高程信息,经过顶点到路段的高程映射,即可以得到整个待更新路网的高程数据,从而得到更新后的路网。
可选地,在另一种具体实施方式中,步骤140具体可以包括如下步骤141至步骤142:
141、将多个顶点中目标高程信息与初始高程信息之间的差值大于或等于预设差值的顶点,确定为目标顶点。
其中,预设差值可以为常数,可以为用户自定义设置的数值,例如预设差值可以为50cm。
其中,由于目标顶点的目标高程信息与初始高程信息之间的差值大于或等于预设差值,所以可以确定目标顶点是初始高程信息与目标高程信息之间波动较大的顶点。
142、将待更新路网中对应目标顶点的路段的高度调节至与目标高程信息对应的位置。
举例来说,如图1j所示,例如顶点n7为目标顶点,顶点n7的目标高程信息与初始高程信息之间相差高度d,即目标高程信息比初始高程信息高出d。顶点n7对应的路段为Link7,即顶点n7与顶点n1之间的路段,在对待更新路网时,可以将路段Link7向上平移高度d。
可选地,在一种具体实施方式中,步骤140的具体实施方式可以如下:
基于每个顶点的目标高程信息,对待更新路网中每个顶点进行分段线性拟合处理,得到更新后的路网。
其中,分段线性拟合处理是一种常用的数据处理方法,通常用于实现在分段点处能满足连续、光滑的要求。在本实施例中,分段线性拟合用于保证待更新路网中相邻的两个路段间能够连续、光滑。
以理解的是,这里一个路段内部的高程值一般都是一个轨迹采集的数据,是一个连续变化的过程。当我们确定了一个路段两个端点的高程值和他们在一条采集轨迹的变化过程,在本实施例中可以通过平移和线性平滑实现顶点高程到路段高程的映射。具体地,如果模型输出的顶点高程值和当前轨迹给定的端点高程值差异大于一个给定的阈值,则首先进行平移操作,使得顶点和端点高程尽可能的在一个高度范围内。然后通过对原始的路段内的高程值进行分段线性拟合,从而得到端点的高程值等于模型输出的顶点高程值,同时尽量保留原始的路段内的高程变化趋势,从而保证更新后的路网的整体平滑性。
举例来说,图1k为通过本实施例图神经网络模型输出的路网高程效果图,图1l为直接通过硬件采集的未平滑处理前的路网高程效果图,根据图1k和图1l可知,图1k中的路网高程效果图中的显示的路段比图1l中的路网高程效果图中显示的路段更加平整、平滑,因为图神经网络模型可以利用每个路段周围路段的高程信息对错误的路段高程值进行修正,从而使得消除已知数据带来的高程跳变的问题,得到整体平滑且准确的路网高程数据。
可以理解的是,本实施例主要是经典的图神经网络模型进行迭代优化。这里的激活函数不限定在当前使用的众数原则,可以采用常见的均值和其他激活函数。损失函数也可以整合更多的数据进行优化,比如当采集了更高质量的数据时,可以在损失函数中添加高质量数据的权重等,都可以实现本实施例的效果。
可选地,在一种具体实施方式中,在步骤140之后,该方法还可以包括:
150、在用户行驶过程中,若基于更新后的路网确定用户偏航行驶,则输出提醒信息;其中,提醒信息用于提醒用户已经偏航行驶。
可选地,在一种具体实施方式中,在步骤150中“基于更新后的路网确定用户偏航行驶”的步骤具体包括:
151a、获取用户的导航路线。
其中,导航路线可以是用户在终端设备上设置好的起点和终端,然后由终端设备上的导航应用程序根据起点和终端,自动在地理地图上规划出的路线。该导航路线可以通过用户的终端设备上传至服务器。
152a、若确定导航路线包括目标高架,则获取目标高架对应的高度范围。
举例来说,例如服务器可以实时获取用户的定位信息,其中,该定位信息可以是通过已知的卫星定位系统获得的经度和纬度。然后,再根据导航路线和定位信息确定用户是否行驶到导航路线中的目标高架的位置,若是,则可以从预设的地理信息数据库中获取目标高架对应的高度范围。其中,地理信息数据库存储有地理地图上各个建筑的位置、高度等地理信息。
153a、基于更新后的路网,确定用户的当前高度。
沿用上述示例,服务器可以基于该定位信息,从更新后的路网找到与该定位信息对应的高程信息,并将该定位信息对应的高程信息确定为用户的当前高度。
154a、若确定当前高度不处于目标高架对应的高度范围内,则确定用户偏航行驶。
沿用上述示例,例如用户的当前高度为2米,目标高架对应的高度范围为4米至5米,则可以确定当前高度不处于目标高架对应的高度范围内,从而确定用户偏航行驶。此时,服务器可以向用户的终端设备发送提醒信息,以提醒用户已经偏航。例如向用户发送“您已经偏航,请重新规划路线”的文字信息或语音信息。
可选地,在另一种具体实施方式中,在步骤150中“基于更新后的路网确定用户偏航行驶”的步骤具体包括:
151b、获取用户的导航路线。
其中,步骤151b的具体实施方式可以参考步骤151a,故不在此赘述。
152b、若确定导航路线包括目标路段,则获取目标路段对应的坡度信息。
其中,坡度信息可以为表征目标路段是上坡或下坡的信息,例如坡度信息可以为目标路段的坡度的角度的正负值,若是正值,则表明目标路段是上坡路段。若是负值,则表明目标路段是下坡路段。
153b、基于更新后的路网,确定用户的高度变化状态,高度变化状态包括高度上升状态或高度下降状态。
举例来说,例如,服务器可以获取用户的在连续的一段时间内的多个定位信息,例如时间t1对应的定位信息1(x1,y1)、t2对应的定位信息2(x2,y2)、t3对应的定位信息3(x3,y3),t1<t2<t3。然后依据定位信息1从更新后的路网中确定,定位信息1对应的高程信息h11;依据定位信息2从更新后的路网中确定,定位信息1对应的高程信息h12。依据定位信息3从更新后的路网中确定,定位信息1对应的高程信息h13。若确定高程信息h13>h12>h11,则可以确定用户的高度变化状态为高度上升状态。若确定高程信息h13<h12<h11,则可以确定用户的高度变化状态为高度下降状态。
154b、若确定高度变化状态与目标路段对应的坡度信息不匹配,则确定用户偏航行驶。
沿用上述示例,例如,用户的高度变化状态为高度上升状态,目标路段对应的坡度信息表征目标路段为下坡路段,则可以确定高度变化状态与目标路段对应的坡度信息不匹配,从而确定用户偏航行驶。又例如,用户的高度变化状态为高度下降状态,目标路段对应的坡度信息表征目标路段为上坡路段,则可以确定高度变化状态与目标路段对应的坡度信息不匹配,从而确定用户偏航行驶。
在一些实施方式中,目标对象还可以包括主路或辅路,用户在行驶过程中,还可以基于更新后的路网,确定用户是行驶在主路还是辅路,并以此确定用户是否偏航行驶。例如,已知主路的高程信息在第一高度范围内,辅路的高程信息在第二高度范围内,第一高度范围与第二高度范围不同。根据导航路线和用户的定位信息,确定用户当前应该行驶在辅路,但是根据更新后的路网,确定用户的当前高度不处于第二高度范围内,而处于第一高度范围,则可以确定用户偏航。又例如,已知主路的坡度信息为表征上坡的第一坡度信息,辅路的坡度信息为表征下坡的第二坡度信息,根据导航路线和用户的定位信息,确定用户当前应该行驶在辅路,但是根据更新后的路网,确定用户的高度变化状态与第一坡度信息匹配,而不与第二坡度信息匹配,则可以确定用户偏航。
本申请实施例提供的路网更新方法中,由于顶点对应的至少两个邻居顶点与该顶点之间具有路段相连,所以该顶点与其对应的邻居顶点在高度上是具有相关性的,然后,再基于至少两个邻居顶点中每个邻居顶点的初始高程信息,确定顶点的目标高程信息,从而能够依据该顶点周围的与其有高度相关的邻居顶点的初始高程信息,确定出该顶点的目标高程信息,即从路网全局的高程信息去确定,单个待测顶点的高程信息,减少了通过硬件对每个待测顶点的高程信息进行单独采集时,由硬件以及采集环境的影响。最后,再基于每个顶点的目标高程信息,对待更新路网中每个顶点的高程信息进行更新,得到更新后的路网,由此,提升了更新后的路网中高程信息的准确性。
实施例二
根据上述实施例所描述的方法,以下将作进一步详细说明。
如图2所示,一种路网更新方法具体流程如下:
210、获取待更新路网,待更新路网中包括多个顶点。
220、获取图神经网络模型。
230、对图神经网络模型进行训练,得到训练完成的图神经网络模型。
可选地,在一种具体实施方式中,步骤230可以包括:
确定待更新路网中的每个顶点为训练顶点;基于训练顶点构建训练无向图;将训练无向图输入至图神经网络模型;针对每个训练顶点,通过图神经网络模型,确定训练顶点的对应的至少两个邻居顶点;基于至少两个邻居顶点中每个邻居顶点的初始高程信息和至少两个邻居顶点中每个邻居顶点的权重系数,进行加权求和处理,得到训练顶点的更新后的高程信息;基于更新后的高程信息,确定目标损失值;若确定目标损失值小于或等于预设损失值,则确定图神经网络模型训练完成。
在一些实施方式中,步骤230还可以包括:
若确定目标损失值大于预设损失值,则通过图神经网络模型对每个训练顶点对应邻居顶点的权重系数进行更新处理,得到更新后的权重系数;针对每个训练顶点,通过图神经网络模型基于训练顶点对应的更新后的权重系数和顶点的更新后的高程信息,返回执行:基于至少两个邻居顶点中每个邻居顶点的初始高程信息和至少两个邻居顶点中每个邻居顶点的权重系数,进行加权求和处理,得到训练顶点的更新后的高程信息的步骤,直到目标损失值小于或等于预设损失值,并确定图神经网络模型训练完成。
在一些实施方式中,在步骤基于更新后的高程信息,确定目标损失值中,可以包括:
基于每个训练顶点的更新后的高程信息和更新后的高程信息对应的更新前高程信息,确定第一损失值;其中,更新后的高程信息是其对应的更新前高程信息进行一次加权求和处理后得到的;基于每个训练顶点的更新后的高程信息、每个训练顶点的邻居顶点的更新后的高程信息以及每个训练顶点对应的第一差值,确定第二损失值;其中,第一差值为训练顶点的初始高程信息与训练顶点的邻居顶点的初始高程信息之间的差值;基于第一损失值和第二损失值,确定目标损失值。
在一些实施方式中,在基于每个训练顶点的更新后的高程信息和更新后的高程信息对应的更新前高程信息,确定第一损失值的步骤中,可以包括:针对每个训练顶点,确定训练顶点的更新后的高程信息与更新后的高程信息对应的迭代前高程信息之间的差值,得到每个训练顶点对应的第二差值;对每个训练顶点对应的第二差值进行平方计算后进行求和处理,得到第一累加值;确定第一累加值与训练无向图中所有训练顶点的数量之间的商值,为第一损失值。
在一些实施方式中,在基于每个训练顶点的更新后的高程信息、每个训练顶点对应的第一差值,确定第二损失值的步骤中可以包括:
针对每个训练顶点,确定训练顶点的更新后的高程信息与训练顶点对应的邻居顶点的更新后的高程信息之间的差值,为训练顶点对应的第三差值;计算每个训练顶点的第三差值与第一差值之间的差值,得到每个训练顶点的第四差值;对每个训练顶点的第四差值进行平方计算后进行求和处理,得到第二累加值;确定第二累加值与待测路段的数量之间的商值,为第二损失值,其中,待测路段为待更新路网中的全部路段。
240、构建与多个顶点对应的无向图。
250、将无向图输入至训练完成的图神经网络模型中,通过训练完成的图神经网络模型基于无向图,确定每个顶点对应的至少两个邻居顶点。
260、通过训练完成的图神经网络模型,基于每个顶点对应的至少两个邻居顶点的初始高程信息,输出的每个顶点的目标高程信息。
270、基于每个顶点的目标高程信息,对待更新路网中每个顶点的高程信息进行更新,得到更新后的路网。
在一些实施方式中,步骤270的具体实施方式可以包括:
将多个顶点中目标高程信息与初始高程信息之间的差值大于或等于预设差值的顶点,确定为目标顶点,并将待更新路网中对应目标顶点的路段的高度调节至与目标高程信息对应的位置;或,基于每个顶点的目标高程信息,对待更新路网中每个顶点进行分段线性拟合处理,得到更新后的路网。
280、在用户行驶过程中,若基于更新后的路网确定用户偏航行驶,则输出提醒信息;其中,提醒信息用于提醒用户已经偏航行驶。
可选地,在一种具体实施方式中,步骤280之前,该方法还可以包括:
获取用户的导航路线;若确定导航路线包括目标对象,则获取目标对象的路况信息;其中,目标对象包括目标高架和目标路段,路况信息包括目标高架对应的高度范围和目标路段对应的坡度信息;基于更新后的路网,确定用户的高度信息,高度信息包括当前高度和用户的高度变化状态,高度变化状态包括高度上升状态或高度下降状态;若确定当前高度不处于目标高架对应的高度范围内,或高度变化状态与目标路段对应的坡度信息不匹配的情况下,则确定用户偏航行驶。
本申请实施例提供的路网更新方法中,通过先获取待更新路网,针对待更新路网的多个顶点中的每个顶点,将与所述顶点之间具有路段相连的至少两个其它顶点,确定为所述顶点对应的邻居顶点,其中,每个所述邻居顶点均有自身对应的初始高程信息。然后,再基于邻居顶点中每个邻居顶点的初始高程信息,确定所述顶点的目标高程信息。最后,基于所述每个顶点的目标高程信息,对所述待更新路网中每个顶点的高程信息进行更新,得到更新后的路网,可以保证路网高程值自动化生产准确率99%以上;可以完成关于路网高程的多种to B项目的自动化交付;可以实现自动化的高程值生产流程,大大提升数据生产的效率;还可以提升驾车导航场景的吸附和诱导播报准确率等。其中,采用图神经网络模型可以利用每个路段周围路段的高程信息对错误的路段高程值进行修正,从而使得消除已知数据带来的高程跳变的问题,得到整体平滑且准确的路网高程数据。
实施例三
为了更好地实施以上方法,本申请实施例还提供一种路网更新装置,该路网更新装置具体可以集成在电子设备中,该电子设备可以为终端、服务器等设备。其中,终端可以为手机、平板电脑、智能蓝牙设备、笔记本电脑、个人电脑等设备;服务器可以是单一服务器,也可以是由多个服务器组成的服务器集群。
比如,在本实施例中,将以路网更新装置具体集成在电子设备为例,对本申请实施例的方法进行详细说明。
例如,如图3所示,该路网更新装置可以包括:
路网获取单元301,用于获取待更新路网,待更新路网中包括多个顶点。
第一确定单元302,用于对于多个顶点中的每个顶点,确定顶点对应的至少两个邻居顶点,其中,至少两个邻居顶点与对应的顶点之间具有路段相连,每个邻居顶点均有自身对应的初始高程信息。
第二确定单元303,用于基于至少两个邻居顶点中每个邻居顶点的初始高程信息,确定顶点的目标高程信息。
更新单元304,用于基于每个顶点的目标高程信息,对待更新路网中每个顶点的高程信息进行更新,得到更新后的路网。
在一些实施例中,第二确定单元303,包括:
权重系数获取子单元,用于对每个顶点对应的邻居顶点进行权重系数运算处理,得到每个顶点对应的邻居顶点的目标权重系数。
目标高程信息获取子单元,基于至少两个邻居顶点中每个邻居顶点的初始高程信息和至少两个邻居顶点中每个邻居顶点的目标权重系数,进行加权求和处理,得到顶点的目标的高程信息。
在一些实施例中,更新单元304,具体用于:
将多个顶点中目标高程信息与初始高程信息之间的差值大于或等于预设差值的顶点,确定为目标顶点,并将待更新路网中对应目标顶点的路段的高度调节至与目标高程信息对应的位置。
或,基于每个顶点的目标高程信息,对待更新路网中每个顶点进行分段线性拟合处理,得到更新后的路网。
在一些实施例中,路网更新装置,还包括:
提醒单元,用于在用户行驶过程中,若基于更新后的路网确定用户偏航行驶,则输出提醒信息;其中,提醒信息用于提醒用户已经偏航行驶。
在一些实施例中,路网更新装置,还包括:
导航路线获取单元,用于获取用户的导航路线。
路况信息获取单元,用于若确定导航路线包括目标对象,则获取目标对象的路况信息;其中,目标对象包括目标高架和目标路段,路况信息包括目标高架对应的高度范围和目标路段对应的坡度信息。
高度信息确定单元,用于基于更新后的路网,确定用户的高度信息,高度信息包括当前高度和用户的高度变化状态,高度变化状态包括高度上升状态或高度下降状态。
偏航确定单元,用于若确定当前高度不处于目标高架对应的高度范围内,或高度变化状态与目标路段对应的坡度信息不匹配的情况下,则确定用户偏航行驶。
在一些实施例中,第一确定单元302,包括:
无向图构建子单元,用于构建与多个顶点对应的无向图。
第一输入子单元,用于将无向图输入至训练完成的图神经网络模型中,通过训练完成的图神经网络模型基于无向图,确定每个顶点对应的至少两个邻居顶点。
第二确定单元303包括,包括:
输出子单元,用于通过训练完成的图神经网络模型,基于每个顶点对应的至少两个邻居顶点的初始高程信息,输出的每个顶点的目标高程信息。
在一些实施例中,该路网更新装置,还包括:
模型获取单元,用于获取图神经网络模型。
训练单元,用于对图神经网络模型进行训练,得到训练完成的图神经网络模型。
在一些实施例中,训练单元,包括:
训练顶点确定子单元,用于确定待更新路网中的每个顶点为训练顶点。
训练无向图构建子单元,用于基于训练顶点构建训练无向图。
第二输入子单元,用于将训练无向图输入至图神经网络模型。
邻居顶点确定子单元,用于针对每个训练顶点,通过图神经网络模型,确定训练顶点的对应的至少两个邻居顶点。
处理子单元,用于基于至少两个邻居顶点中每个邻居顶点的初始高程信息和至少两个邻居顶点中每个邻居顶点的权重系数,进行加权求和处理,得到训练顶点的更新后的高程信息。
目标损失值确定子单元,用于基于更新后的高程信息,确定目标损失值;
训练完成确定子单元,用于若确定目标损失值小于或等于预设损失值,则确定图神经网络模型训练完成。
在一些实施例中,训练单元,还包括:
更新子单元,用于若确定目标损失值大于预设损失值,则通过图神经网络模型对每个训练顶点对应邻居顶点的权重系数进行更新处理,得到更新后的权重系数。
迭代子单元,用于针对每个训练顶点,通过图神经网络模型基于训练顶点对应的更新后的权重系数和顶点的更新后的高程信息,返回执行:基于至少两个邻居顶点中每个邻居顶点的初始高程信息和至少两个邻居顶点中每个邻居顶点的权重系数,进行加权求和处理,得到训练顶点的更新后的高程信息的步骤,直到目标损失值小于或等于预设损失值,并确定图神经网络模型训练完成。
在一些实施例中,目标损失值确定子单元,包括:
第一损失值确定模块,用于基于每个训练顶点的更新后的高程信息和更新后的高程信息对应的更新前高程信息,确定第一损失值;其中,更新后的高程信息是其对应的更新前高程信息进行一次加权求和处理后得到的。
第二损失值确定模块,用于基于每个训练顶点的更新后的高程信息、每个训练顶点的邻居顶点的更新后的高程信息以及每个训练顶点对应的第一差值,确定第二损失值;其中,第一差值为训练顶点的初始高程信息与训练顶点的邻居顶点的初始高程信息之间的差值。
目标损失值确定模块,用于基于第一损失值和第二损失值,确定目标损失值。
在一些实施例中,第一损失值确定模块,具体用于:
针对每个训练顶点,确定训练顶点的更新后的高程信息与更新后的高程信息对应的迭代前高程信息之间的差值,得到每个训练顶点对应的第二差值;
对每个训练顶点对应的第二差值进行平方计算后进行求和处理,得到第一累加值;确定第一累加值与训练无向图中所有训练顶点的数量之间的商值,为第一损失值。
在一些实施例中,第二损失值确定模块,具体用于:
针对每个训练顶点,确定训练顶点的更新后的高程信息与训练顶点对应的邻居顶点的更新后的高程信息之间的差值,为训练顶点对应的第三差值。
计算每个训练顶点的第三差值与第一差值之间的差值,得到每个训练顶点的第四差值。
对每个训练顶点的第四差值进行平方计算后进行求和处理,得到第二累加值。
确定所第二累加值与待测路段的数量之间的商值,为第二损失值,其中,待测路段为待更新路网中的全部路段。
具体实施时,以上各个单元可以作为独立的实体来实现,也可以进行任意组合,作为同一或若干个实体来实现,以上各个单元的具体实施可参见前面的方法实施例,在此不再赘述。
实施例四
本申请实施例还提供一种电子设备,该电子设备可以为终端、服务器等设备。其中,终端可以为手机、平板电脑、智能蓝牙设备、笔记本电脑、个人电脑,等等;服务器可以是单一服务器,也可以是由多个服务器组成的服务器集群,等等。
在一些实施例中,该路网更新装置还可以集成在多个电子设备中,比如,路网更新装置可以集成在多个服务器中,由多个服务器来实现本申请的路网更新方法。
在本实施例中,将以本实施例的电子设备是服务器为例进行详细描述,比如,如图4所示,其示出了本申请实施例所涉及的电子设备的结构示意图,具体来讲:
该电子设备可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、电源403、输入模块404以及通信模块405等部件。本领域技术人员可以理解,图4中示出的电子设备结构并不构成对电子设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。其中:
处理器401是该电子设备的控制中心,利用各种接口和线路连接整个电子设备的各个部分,通过运行或执行存储在存储器402内的软件程序或模块,以及调用存储在存储器402内的数据,执行电子设备的各种功能和处理数据,从而对电子设备进行整体检测。在一些实施例中,处理器401可包括一个或多个处理核心;在一些实施例中,处理器401可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器401中。
存储器402可用于存储软件程序以及模块,处理器401通过运行存储在存储器402的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器402可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据电子设备的使用所创建的数据等。此外,存储器402可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器402还可以包括存储器控制器,以提供处理器401对存储器402的访问。
电子设备还包括给各个部件供电的电源403,在一些实施例中,电源403可以通过电源管理系统与处理器401逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源403还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该电子设备还可包括输入模块404,该输入模块404可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
该电子设备还可包括通信模块405,在一些实施例中通信模块405可以包括无线模块,电子设备可以通过该通信模块405的无线模块进行短距离无线传输,从而为用户提供了无线的宽带互联网访问。比如,该通信模块405可以用于帮助用户收发电子邮件、浏览网页和访问流式媒体等。
尽管未示出,电子设备还可以包括显示单元等,在此不再赘述。具体在本实施例中,电子设备中的处理器401会按照如下的指令,将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中,并由处理器401来运行存储在存储器402中的应用程序,从而实现各种功能,如下:
对于多个顶点中的每个顶点,确定顶点对应的至少两个邻居顶点,其中,至少两个邻居顶点与对应的顶点之间具有路段相连,每个邻居顶点均有自身对应的初始高程信息,多个顶点位于待更新路网中;基于至少两个邻居顶点中每个邻居顶点的初始高程信息,确定顶点的目标高程信息;基于每个顶点的目标高程信息,对待更新路网中每个顶点的高程信息进行更新,得到更新后的路网。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
为此,本申请实施例提供一种计算机可读存储介质,其中存储有多条指令,该指令能够被处理器进行加载,以执行本申请实施例所提供的任一种路网更新方法中的步骤。例如,该指令可以执行如下步骤:
对于多个顶点中的每个顶点,确定顶点对应的至少两个邻居顶点,其中,至少两个邻居顶点与对应的顶点之间具有路段相连,每个邻居顶点均有自身对应的初始高程信息,多个顶点位于待更新路网中;基于至少两个邻居顶点中每个邻居顶点的初始高程信息,确定顶点的目标高程信息;基于每个顶点的目标高程信息,对待更新路网中每个顶点的高程信息进行更新,得到更新后的路网。
其中,该存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、磁盘或光盘等。
根据本申请的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述实施例中提供的路网更新方面。
由于该存储介质中所存储的指令,可以执行本申请实施例所提供的任一种路网更新方法中的步骤,因此,可以实现本申请实施例所提供的任一种路网更新方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
以上对本申请实施例所提供的一种路网更新方法、装置、电子设备和计算机可读存储介质进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (14)
1.一种路网更新方法,其特征在于,包括:
获取待更新路网,所述待更新路网中包括多个顶点;
构建与所述多个顶点对应的无向图;
将所述无向图输入至训练完成的图神经网络模型中,通过所述训练完成的图神经网络模型基于所述无向图,确定所述每个顶点对应的至少两个邻居顶点,其中,所述至少两个邻居顶点与对应的顶点之间具有路段相连,每个所述邻居顶点均有自身对应的初始高程信息;
通过所述训练完成的图神经网络模型,基于所述每个顶点对应的至少两个邻居顶点的初始高程信息,输出的所述每个顶点的目标高程信息;
基于所述每个顶点的目标高程信息,对所述待更新路网中每个顶点的高程信息进行更新,得到更新后的路网。
2.如权利要求1所述的路网更新方法,其特征在于,所述通过所述训练完成的图神经网络模型,基于所述每个顶点对应的至少两个邻居顶点的初始高程信息,输出的所述每个顶点的目标高程信息,包括:
通过所述训练完成的图神经网络模型,对每个所述顶点对应的邻居顶点进行权重系数运算处理,得到所述每个顶点对应的邻居顶点的目标权重系数;
基于所述至少两个邻居顶点中每个邻居顶点的初始高程信息和所述至少两个邻居顶点中每个邻居顶点的目标权重系数,进行加权求和处理,得到所述顶点的目标的高程信息。
3.如权利要求1所述的路网更新方法,其特征在于,所述基于所述每个顶点的目标高程信息,对所述待更新路网中每个顶点的高程信息进行更新,得到更新后的路网,包括:
将所述多个顶点中目标高程信息与初始高程信息之间的差值大于或等于预设差值的顶点,确定为目标顶点,并将所述待更新路网中对应所述目标顶点的路段的高度调节至与所述目标高程信息对应的位置;
或,基于所述每个顶点的目标高程信息,对所述待更新路网中每个顶点进行分段线性拟合处理,得到所述更新后的路网。
4.如权利要求1所述的路网更新方法,其特征在于,所述基于所述每个顶点的目标高程信息,对所述待更新路网中每个顶点的高程信息进行更新,得到更新后的路网之后,还包括:
在用户行驶过程中,若基于所述更新后的路网确定所述用户偏航行驶,则输出提醒信息;其中,所述提醒信息用于提醒用户已经偏航行驶。
5.如权利要求4所述的路网更新方法,其特征在于,所述方法还包括:
获取所述用户的导航路线;
若确定所述导航路线包括目标对象,则获取所述目标对象的路况信息;其中,所述目标对象包括目标高架和目标路段,所述路况信息包括所述目标高架对应的高度范围和所述目标路段对应的坡度信息;
基于所述更新后的路网,确定所述用户的高度信息,所述高度信息包括当前高度和所述用户的高度变化状态,所述高度变化状态包括高度上升状态或高度下降状态;
若确定所述当前高度不处于所述目标高架对应的高度范围内,或所述高度变化状态与所述目标路段对应的坡度信息不匹配的情况下,则确定所述用户偏航行驶。
6.如权利要求1所述的路网更新方法,其特征在于,在所述将所述无向图输入至训练完成的图神经网络模型中,通过所述训练完成的图神经网络模型基于所述无向图,确定所述每个顶点对应的至少两个邻居顶点之前,所述方法还包括:
获取图神经网络模型;
对所述图神经网络模型进行训练,得到训练完成的图神经网络模型。
7.如权利要求6所述的路网更新方法,其特征在于,所述对所述图神经网络模型进行训练,得到训练完成的图神经网络模型,包括:
确定所述待更新路网中的每个顶点为训练顶点;
基于所述训练顶点构建训练无向图;
将所述训练无向图输入至图神经网络模型;
针对每个训练顶点,通过所述图神经网络模型,确定所述训练顶点的对应的至少两个邻居顶点;
基于所述至少两个邻居顶点中每个邻居顶点的初始高程信息和所述至少两个邻居顶点中每个邻居顶点的权重系数,进行加权求和处理,得到所述训练顶点的更新后的高程信息;
基于所述更新后的高程信息,确定目标损失值;
若确定所述目标损失值小于或等于预设损失值,则确定所述图神经网络模型训练完成。
8.如权利要求7所述的路网更新方法,其特征在于,所述对所述图神经网络模型进行训练,得到训练完成的图神经网络模型,还包括:
若确定所述目标损失值大于预设损失值,则通过所述图神经网络模型对所述每个训练顶点对应邻居顶点的权重系数进行更新处理,得到更新后的权重系数;
针对所述每个训练顶点,通过所述图神经网络模型基于所述训练顶点对应的更新后的权重系数和所述顶点的更新后的高程信息,返回执行:基于所述至少两个邻居顶点中每个邻居顶点的初始高程信息和所述至少两个邻居顶点中每个邻居顶点的权重系数,进行加权求和处理,得到所述训练顶点的更新后的高程信息的步骤,直到所述目标损失值小于或等于预设损失值,并确定所述图神经网络模型训练完成。
9.如权利要求7所述的路网更新方法,其特征在于,所述基于所述更新后的高程信息,确定目标损失值,包括:
基于所述每个训练顶点的更新后的高程信息和所述更新后的高程信息对应的更新前高程信息,确定第一损失值;其中,所述更新后的高程信息是其对应的更新前高程信息进行一次加权求和处理后得到的;
基于所述每个训练顶点的更新后的高程信息、所述每个训练顶点的邻居顶点的更新后的高程信息以及所述每个训练顶点对应的第一差值,确定第二损失值;其中,所述第一差值为训练顶点的初始高程信息与所述训练顶点的邻居顶点的初始高程信息之间的差值;
基于所述第一损失值和第二损失值,确定目标损失值。
10.如权利要求9所述的路网更新方法,其特征在于,所述基于所述每个训练顶点的更新后的高程信息和所述更新后的高程信息对应的更新前高程信息,确定第一损失值,包括:
针对所述每个训练顶点,确定所述训练顶点的更新后的高程信息与所述更新后的高程信息对应的迭代前高程信息之间的差值,得到每个训练顶点对应的第二差值;
对所述每个训练顶点对应的第二差值进行平方计算后进行求和处理,得到第一累加值;
确定所述第一累加值与所述训练无向图中所有训练顶点的数量之间的商值,为所述第一损失值。
11.如权利要求9所述的路网更新方法,其特征在于,所述基于所述每个训练顶点的更新后的高程信息、所述每个训练顶点对应的第一差值,确定第二损失值,包括:
针对所述每个训练顶点,确定所述训练顶点的更新后的高程信息与所述训练顶点对应的邻居顶点的更新后的高程信息之间的差值,为所述训练顶点对应的第三差值;
计算所述每个训练顶点的第三差值与第一差值之间的差值,得到每个训练顶点的第四差值;
对所述每个训练顶点的第四差值进行平方计算后进行求和处理,得到第二累加值;
确定所第二累加值与待测路段的数量之间的商值,为所述第二损失值,其中,所述待测路段为所述待更新路网中的全部路段。
12.一种路网更新装置,其特征在于,包括:
路网获取单元,用于获取待更新路网,所述待更新路网中包括多个顶点;
第一确定单元,用于构建与所述多个顶点对应的无向图;将所述无向图输入至训练完成的图神经网络模型中,通过所述训练完成的图神经网络模型基于所述无向图,确定所述每个顶点对应的至少两个邻居顶点,其中,所述至少两个邻居顶点与对应的顶点之间具有路段相连,每个所述邻居顶点均有自身对应的初始高程信息;
第二确定单元,用于通过所述训练完成的图神经网络模型,基于所述每个顶点对应的至少两个邻居顶点的初始高程信息,输出的所述每个顶点的目标高程信息;
更新单元,用于基于所述每个顶点的目标高程信息,对所述待更新路网中每个顶点的高程信息进行更新,得到更新后的路网。
13.一种电子设备,其特征在于,包括处理器和存储器,所述存储器存储有多条指令;所述处理器从所述存储器中加载指令,以执行如权利要求1~11任一项所述的路网更新方法中的步骤。
14.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有多条指令,所述指令适于处理器进行加载,以执行权利要求1~11任一项所述的路网更新方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310769837.1A CN116518960B (zh) | 2023-06-28 | 2023-06-28 | 路网更新方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310769837.1A CN116518960B (zh) | 2023-06-28 | 2023-06-28 | 路网更新方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116518960A CN116518960A (zh) | 2023-08-01 |
CN116518960B true CN116518960B (zh) | 2023-09-26 |
Family
ID=87396205
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310769837.1A Active CN116518960B (zh) | 2023-06-28 | 2023-06-28 | 路网更新方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116518960B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116958959B (zh) * | 2023-09-20 | 2024-04-02 | 腾讯科技(深圳)有限公司 | 一种高程信息的处理方法、装置、电子设备和存储介质 |
CN117516562B (zh) * | 2024-01-08 | 2024-03-22 | 腾讯科技(深圳)有限公司 | 一种路网处理方法和相关装置 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103376119A (zh) * | 2012-04-18 | 2013-10-30 | 哈曼贝克自动系统股份有限公司 | 执行路网搜索的方法和用于估计车辆续航里程的系统 |
CN109579859A (zh) * | 2018-05-10 | 2019-04-05 | 北京建筑大学 | 一种高精度导航地图高程数据处理方法及装置 |
CN110019609A (zh) * | 2017-11-20 | 2019-07-16 | 北京京东尚科信息技术有限公司 | 地图更新方法、装置以及计算机可读存储介质 |
CN113205701A (zh) * | 2021-04-25 | 2021-08-03 | 腾讯科技(深圳)有限公司 | 车路协同系统、基于车路协同的高程转换更新方法 |
CN113704381A (zh) * | 2021-10-27 | 2021-11-26 | 腾讯科技(深圳)有限公司 | 路网数据处理方法、装置、计算机设备和存储介质 |
CN114299145A (zh) * | 2021-12-29 | 2022-04-08 | 北京易航远智科技有限公司 | 栅格地图更新方法、装置、电子设备及存储介质 |
CN114581620A (zh) * | 2022-02-25 | 2022-06-03 | 腾讯科技(深圳)有限公司 | 道路的虚拟高程生成方法、装置、计算机设备和存储介质 |
CN115129796A (zh) * | 2021-03-24 | 2022-09-30 | 腾讯科技(深圳)有限公司 | 定位数据分析方法、装置、设备和介质 |
CN115170755A (zh) * | 2022-07-12 | 2022-10-11 | 北京易控智驾科技有限公司 | 基于无人驾驶车辆构建三维地图的方法和装置 |
CN115222900A (zh) * | 2022-05-16 | 2022-10-21 | 高德软件有限公司 | 一种地面点高程确定方法、装置、设备及计算机程序产品 |
CN115235489A (zh) * | 2021-04-25 | 2022-10-25 | 阿里巴巴新加坡控股有限公司 | 定位方法、装置、电子设备及计算机存储介质 |
CN115435772A (zh) * | 2022-08-30 | 2022-12-06 | 深圳鹏行智能研究有限公司 | 局部地图的建立方法、装置、电子设备以及可读存储介质 |
CN115615442A (zh) * | 2022-10-20 | 2023-01-17 | 阿里巴巴(中国)有限公司 | 道路高程的确定方法、装置、电子设备及计算机程序产品 |
CN115661004A (zh) * | 2022-12-26 | 2023-01-31 | 武汉天际航信息科技股份有限公司 | 三维地形模型及道路dem的更新方法、设备以及存储介质 |
CN116086429A (zh) * | 2022-12-16 | 2023-05-09 | 广东鲲鹏空间信息技术有限公司 | 地图更新方法、装置、设备及计算机可读存储介质 |
CN116182859A (zh) * | 2021-11-29 | 2023-05-30 | 中移(成都)信息通信科技有限公司 | 路径规划方法及装置、设备、存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4582170B2 (ja) * | 2008-03-27 | 2010-11-17 | トヨタ自動車株式会社 | 勾配情報演算装置、車両走行制御装置、ナビゲーションシステム |
-
2023
- 2023-06-28 CN CN202310769837.1A patent/CN116518960B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103376119A (zh) * | 2012-04-18 | 2013-10-30 | 哈曼贝克自动系统股份有限公司 | 执行路网搜索的方法和用于估计车辆续航里程的系统 |
CN110019609A (zh) * | 2017-11-20 | 2019-07-16 | 北京京东尚科信息技术有限公司 | 地图更新方法、装置以及计算机可读存储介质 |
CN109579859A (zh) * | 2018-05-10 | 2019-04-05 | 北京建筑大学 | 一种高精度导航地图高程数据处理方法及装置 |
CN115129796A (zh) * | 2021-03-24 | 2022-09-30 | 腾讯科技(深圳)有限公司 | 定位数据分析方法、装置、设备和介质 |
CN113205701A (zh) * | 2021-04-25 | 2021-08-03 | 腾讯科技(深圳)有限公司 | 车路协同系统、基于车路协同的高程转换更新方法 |
CN115235489A (zh) * | 2021-04-25 | 2022-10-25 | 阿里巴巴新加坡控股有限公司 | 定位方法、装置、电子设备及计算机存储介质 |
CN113704381A (zh) * | 2021-10-27 | 2021-11-26 | 腾讯科技(深圳)有限公司 | 路网数据处理方法、装置、计算机设备和存储介质 |
CN116182859A (zh) * | 2021-11-29 | 2023-05-30 | 中移(成都)信息通信科技有限公司 | 路径规划方法及装置、设备、存储介质 |
CN114299145A (zh) * | 2021-12-29 | 2022-04-08 | 北京易航远智科技有限公司 | 栅格地图更新方法、装置、电子设备及存储介质 |
CN114581620A (zh) * | 2022-02-25 | 2022-06-03 | 腾讯科技(深圳)有限公司 | 道路的虚拟高程生成方法、装置、计算机设备和存储介质 |
CN115222900A (zh) * | 2022-05-16 | 2022-10-21 | 高德软件有限公司 | 一种地面点高程确定方法、装置、设备及计算机程序产品 |
CN115170755A (zh) * | 2022-07-12 | 2022-10-11 | 北京易控智驾科技有限公司 | 基于无人驾驶车辆构建三维地图的方法和装置 |
CN115435772A (zh) * | 2022-08-30 | 2022-12-06 | 深圳鹏行智能研究有限公司 | 局部地图的建立方法、装置、电子设备以及可读存储介质 |
CN115615442A (zh) * | 2022-10-20 | 2023-01-17 | 阿里巴巴(中国)有限公司 | 道路高程的确定方法、装置、电子设备及计算机程序产品 |
CN116086429A (zh) * | 2022-12-16 | 2023-05-09 | 广东鲲鹏空间信息技术有限公司 | 地图更新方法、装置、设备及计算机可读存储介质 |
CN115661004A (zh) * | 2022-12-26 | 2023-01-31 | 武汉天际航信息科技股份有限公司 | 三维地形模型及道路dem的更新方法、设备以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116518960A (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116518960B (zh) | 路网更新方法、装置、电子设备和存储介质 | |
Zhang et al. | Distributed dynamic map fusion via federated learning for intelligent networked vehicles | |
US10643378B2 (en) | Method and device for modelling three-dimensional road model, and storage medium | |
CN106949893A (zh) | 一种三维避障的室内机器人导航方法和系统 | |
CN109949692B (zh) | 路网匹配方法、装置、计算机设备及存储介质 | |
CN112784002B (zh) | 一种虚拟场景生成方法、装置、设备和存储介质 | |
CN109101743A (zh) | 一种高精度路网模型的构建方法 | |
CN116129066A (zh) | 基于数字孪生的自动驾驶高精度地图模型及高精度静态地图制作方法 | |
CN113762044A (zh) | 道路识别方法、装置、计算机设备和存储介质 | |
CN114758086A (zh) | 一种城市道路信息模型的构建方法及装置 | |
JP2019095569A (ja) | 地図情報処理装置、地図情報処理方法および地図情報処理プログラム | |
CN116958959B (zh) | 一种高程信息的处理方法、装置、电子设备和存储介质 | |
CN113239138A (zh) | 地图匹配方法、装置、计算机设备和存储介质 | |
CN112700073B (zh) | 公交线路规划方法和装置 | |
CN117079148A (zh) | 城市功能区的识别方法、装置、设备和介质 | |
CN112435333A (zh) | 一种道路场景的生成方法以及相关装置 | |
CN114543788B (zh) | 结构非结构环境通用的多层全局感知地图构建方法及系统 | |
CN116629425A (zh) | 车辆能耗的计算方法、装置、计算机可读介质及电子设备 | |
CN112651991A (zh) | 视觉定位方法、装置及计算机系统 | |
CN112785083B (zh) | 到达时间的预估方法、装置、电子设备以及存储介质 | |
CN112380314B (zh) | 路网信息的处理方法和装置、存储介质及电子设备 | |
CN115773744A (zh) | 模型训练和路网处理方法、装置、设备、介质和产品 | |
CN115757674A (zh) | 地图处理方法、装置、设备及存储介质 | |
CN112802191A (zh) | 一种城市规划实时模拟展示系统 | |
CN113823082B (zh) | 导航数据处理方法、装置、设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40092173 Country of ref document: HK |