CN117570961A - 基于停止线的地图实时更新方法、装置、设备及存储介质 - Google Patents

基于停止线的地图实时更新方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN117570961A
CN117570961A CN202311528027.3A CN202311528027A CN117570961A CN 117570961 A CN117570961 A CN 117570961A CN 202311528027 A CN202311528027 A CN 202311528027A CN 117570961 A CN117570961 A CN 117570961A
Authority
CN
China
Prior art keywords
stop line
aerial view
image
view image
current
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
Application number
CN202311528027.3A
Other languages
English (en)
Inventor
梁孝庆
周尧
万国伟
朱振广
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202311528027.3A priority Critical patent/CN117570961A/zh
Publication of CN117570961A publication Critical patent/CN117570961A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • 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
    • G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
    • 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
    • G01C21/20—Instruments for performing navigational calculations
    • 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
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • 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
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
    • G01C21/30—Map- or contour-matching
    • G01C21/32—Structuring or formatting of map data
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3407—Route searching; Route guidance specially adapted for specific applications
    • 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
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3407—Route searching; Route guidance specially adapted for specific applications
    • G01C21/343—Calculating itineraries, i.e. routes leading from a starting point to a series of categorical destinations using a global route restraint, round trips, touristic trips
    • 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
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
    • 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
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • G01C21/3807—Creation or updating of map data characterised by the type of data
    • G01C21/3815—Road data
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • G01C21/3807—Creation or updating of map data characterised by the type of data
    • G01C21/3815—Road data
    • G01C21/3822—Road feature data, e.g. slope data
    • 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
    • G06N3/0499—Feedforward networks
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • 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
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Processing Or Creating Images (AREA)
  • Instructional Devices (AREA)

Abstract

本公开提供了一种基于停止线的地图实时更新方法、装置、设备及存储介质，涉及人工智能领域，尤其涉及无人驾驶的环境感知领域。具体实现方案为：获取车辆所在道路的当前鸟瞰图像和高精地图对应的停止线鸟瞰图；其中，所述道路包括停止线，所述当前鸟瞰图像为实时采集的鸟瞰视角下的环境图像；所述停止线鸟瞰图为高精地图对应的鸟瞰视角下包括道路的停止线的图像；根据所述当前鸟瞰图像和所述停止线鸟瞰图，预测出所述停止线的预测中心点；响应于根据停止线的预测中心点和停止线鸟瞰图所包括的停止线的中心点确定停止线的位置发生变化，更新高精地图。在车辆驾驶过程中实时检测停止线的位置，从而对地图进行更新，提高地图更新效率。

Description

基于停止线的地图实时更新方法、装置、设备及存储介质
技术领域
本公开涉及人工智能领域，尤其涉及一种基于停止线的地图实时更新方法、装置、设备及存储介质，可用于无人驾驶的环境感知领域。
背景技术
随着无人驾驶产业的蓬勃发展，高精地图作为无人驾驶领域的必备组件，可以帮助车辆感知路面的复杂信息，让车辆做出正确的驾驶决策。例如，车辆可以根据路面上停止线的位置，控制车辆在停止线处停止前行。
高精地图必须及时地反应路面的实际情况，若高精地图中的停止线的位置与路面上停止线的实际位置不同，则会造成车辆出现闯红灯等情况。因此，需要对高精地图进行及时准确地更新。
发明内容
本公开提供了一种基于停止线的地图实时更新方法、装置、设备及存储介质。
根据本公开的第一方面，提供了一种基于停止线的地图实时更新方法，包括：
获取车辆所在道路的当前鸟瞰图像和高精地图对应的停止线鸟瞰图；其中，所述道路包括停止线，所述当前鸟瞰图像为实时采集的鸟瞰视角下的环境图像；所述停止线鸟瞰图为高精地图对应的鸟瞰视角下包括道路的停止线的图像；
根据所述当前鸟瞰图像和所述停止线鸟瞰图，预测出所述停止线的预测中心点；
响应于根据所述停止线的预测中心点和所述停止线鸟瞰图所指示的停止线的中心点确定所述停止线的位置发生变化，更新所述高精地图。
根据本公开的第二方面，提供了一种基于停止线的地图实时更新装置，包括：
获取单元，用于获取车辆所在道路的当前鸟瞰图像和高精地图对应的停止线鸟瞰图；其中，所述道路包括停止线，所述当前鸟瞰图像为实时采集的鸟瞰视角下的环境图像；所述停止线鸟瞰图为高精地图对应的鸟瞰视角下包括道路的停止线的图像；
预测单元，用于根据所述当前鸟瞰图像和所述停止线鸟瞰图，预测出所述停止线的预测中心点；
更新单元，用于响应于根据所述停止线的预测中心点和所述停止线鸟瞰图所指示的停止线的中心点确定所述停止线的位置发生变化，更新所述高精地图。
根据本公开的第三方面，提供了一种电子设备，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；
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第一方面所述的方法。
根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行第一方面所述的方法。
根据本公开的第五方面，提供了一种计算机程序产品，所述计算机程序产品包括：计算机程序，该计算机程序被处理器执行时实现第一方面所述的方法。
根据本公开的技术，提高了高精地图的更新效率。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是根据本公开实施例提供的一种基于停止线的地图实时更新方法的流程示意图；
图2是根据本公开实施例提供的一种基于停止线的地图实时更新方法的流程示意图；
图3是根据本公开实施例提供的一种基于停止线的地图实时更新方法的流程示意图；
图4是根据本公开实施例提供的一种基于停止线的地图实时更新装置的结构框图；
图5是根据本公开实施例提供的一种基于停止线的地图实时更新装置的结构框图；
图6是用来实现本公开实施例的基于停止线的地图实时更新方法的电子设备的框图；
图7是用来实现本公开实施例的基于停止线的地图实时更新方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
目前，无人驾驶产业蓬勃发展。高精地图作为无人驾驶领域的必备组件，可以帮助车辆预先感知路面的复杂信息，如坡度、曲率、航向等，结合智能路径规划，让车辆做出正确的驾驶决策。因此，高精地图必须及时地反应路面的实际情况，特别是在路面发生变更的时候。例如，车辆在通过红绿灯路口时，若车辆前方的红绿灯为红灯，则车辆需要停止在停止线处。若车辆超出了停止线，则存在闯红灯的风险，且无法保证行人的安全。
高精地图现实变更检测是保证高精地图保持鲜度的手段之一，现有的检测方法主要是通过人工定时对道路的情况进行检测，来周期性地更新高精地图。然而单纯依赖高精地图的定时更新存在成本较高、耗时较长等问题，无法保证地图的鲜度。且路面上存在多条停止线，在更新高精地图时，需要确认发生变更的停止线，若停止线匹配错误，则会造成高精地图出现错误，影响驾驶的安全性。
本公开提供一种基于停止线的地图实时更新方法、装置、设备及存储介质，应用于人工智能领域，尤其涉及无人驾驶的环境感知领域，以提高地图更新效率。
需要说明的是，本实施例中的数据并不是针对某一特定用户，并不能反映出某一特定用户的个人信息。需要说明的是，本实施例中的数据来自于公开数据集。
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。
为使读者更深刻地理解本公开的实现原理，现结合以下图1-图7对实施例进行进一步细化。
图1为根据本公开实施例提供的一种基于停止线的地图实时更新方法的流程示意图，该方法可以由一种基于停止线的地图实时更新装置执行。如图1所示，该方法包括以下步骤：
S101、获取车辆所在道路的当前鸟瞰图像和高精地图对应的停止线鸟瞰图；其中，该道路包括停止线，当前鸟瞰图像为实时采集的鸟瞰视角下的环境图像；停止线鸟瞰图为高精地图对应的鸟瞰视角下包括该道路的停止线的图像。
示例性地，车辆在道路上行驶的过程中，可以实时获取所在道路的鸟瞰视角的图像，作为当前鸟瞰图像。鸟瞰视角为俯视道路的视角，在当前鸟瞰图像中可以显示出道路的停止线。停止线是指车辆在通过红绿灯时，指示车辆在红灯前停止行驶的道路线。车辆上安装有图像采集设备，图像采集设备具有预设的采集范围，可以采集到车辆前方一定范围内的图像。即，可以在车辆还未达到停止线时，获取到含有停止线的当前鸟瞰图像。
预先存储有各条道路的高精地图，当车辆行驶在道路上时，可以获取该道路的高精地图。本实施例中，针对停止线对高精地图进行更新，因此，可以获取含有停止线的高精地图，即高精地图中可以指示出停止线。高精地图为3D形式的地图，可以将高精地图转换为BEV(Bird's Eye View，鸟瞰视角)的形式，作为停止线鸟瞰图。停止线鸟瞰图中含有道路的停止线，即，停止线鸟瞰图为与高精地图对应的鸟瞰视角下含有道路的停止线的图像。可以预先对各个道路的高精地图进行转换，存储各条道路对应的停止线鸟瞰图。在车辆行驶到道路上时，可以直接获取该道路的停止线鸟瞰图。也可以在行驶到道路上时，先获取该道路对应的含有停止线的高精地图，再将高精地图转换为停止线鸟瞰图。本实施例中，对高精地图转换为停止线鸟瞰图的方式不做具体限定。高精地图中预先对不同的道路线进行标注，可以根据预设的标注，确定高精地图中车辆所在道路的停止线的位置。针对停止线，对高精地图进行裁剪，得到指示停止线的高精地图，从而得到指示停止线的停止线鸟瞰图。
本实施例中，获取车辆所在道路的当前鸟瞰图像，包括：基于车辆上安装的图像采集设备，对车辆的所在道路进行图像采集；将采集到的图像的视角转换为鸟瞰视角，得到鸟瞰视角的环境图像，作为当前鸟瞰图像。
具体的，车辆在道路上行驶的过程中，可以实时获取所在道路的环境图像。车辆上可以安装有一个或多个图像采集设备，通过图像采集设备可以采集不同角度的环境图像。例如，车辆上安装有三个相机，每个相机都可以实时采集不同的环境图像。每个相机所采集到的环境图像可以表示出局部的道路的图像，将每个相机所采集到的环境图像结合，可以得到完整的道路的图像。例如，可以将所采集到的环境图像进行拼接，得到完整的能表示出整条道路的环境图像。
将所采集到的环境图像转换为BEV的形式，得到鸟瞰视角的环境图像，作为道路的当前鸟瞰图像。例如，可以将拼接后的环境图像转换为BEV的环境图像，也可以先将所采集的多张环境图像分别转换为BEV，再拼接为当前鸟瞰图像。可以实时确定车辆所在道路的当前鸟瞰图像。
这样设置的有益效果在于，可以在车辆行驶时实时获取到当前鸟瞰图像，实现在车辆达到停止线之前就确定停止线是否发生变化，从而根据新确定的停止线控制车辆进行行驶，提高行驶的安全性，避免在红灯时，车辆行驶超过了停止线。
S102、根据当前鸟瞰图像和停止线鸟瞰图，预测出停止线的预测中心点。
示例性地，当前鸟瞰图像可以反映道路的实际情况，停止线鸟瞰图可以反映道路的历史情况。当前鸟瞰图像由摄像头采集得到，由于摄像头具有一定的采集范围，对于远处的道路，可能存在采集不清楚的问题。结合当前鸟瞰图像和停止线鸟瞰图，可以对车辆前方道路上的停止线的位置进行精确预测。
可以通过停止线的中心点，确定停止线的位置。停止线为矩形的形状，停止线的中心点即为矩形的中心点。将预测出的道路上停止线的中心点，确定为停止线的预测中心点。
车辆可以实时确定自身的位置，并采集前方的道路图像。根据自身的位置，从预先存储的高精地图中进行查找，从高精地图中可以确定前方是否存在停止线。高精地图中可以对不同类型的道路线进行标注，即，可以直接从高精地图中确定出停止线。当确定车辆前方存在停止线时，则获取停止线鸟瞰图以及当前鸟瞰图像。将当前鸟瞰图像与停止线鸟瞰图进行融合，例如，可以将当前鸟瞰图像与停止线鸟瞰图进行重叠，确定当前鸟瞰图像和停止线鸟瞰图中停止线的重叠部分，将重叠部分的中心点确定为停止线的预测中心点。或者，确定当前鸟瞰图像中停止线的中心点坐标，以及停止线鸟瞰图中停止线的中心点坐标，确定两个中心点坐标的均值，作为停止线的预测中心点。
S103、响应于根据停止线的预测中心点和停止线鸟瞰图所指示的停止线的中心点确定停止线的位置发生变化，更新高精地图。
示例性地，可以根据停止线的预测中心点和停止线鸟瞰图所指示的停止线的中心点，确定停止线的位置是否发生变化。若否，则不需要更新高精地图；若是，则根据停止线的预测中心点更新高精地图，车辆根据更新后的高精地图进行行驶。
可以确定停止线的预测中心点和停止线鸟瞰图所指示的停止线的中心点的坐标差值，若确定出的坐标差值超过预设的差值阈值，则确定停止线的位置发生了变化；若确定出的坐标差值没有超过预设的差值阈值，则确定停止线的位置没有发生变化。
本实施例中，可以根据更新后的高精地图中的停止线的位置点，控制车辆进行自动驾驶。具体的，车辆在行驶过程中实时采集前方道路的图像，判断前方道路上的停止线的位置是否发生了变化，从而实时更新高精地图中的停止线的位置点。根据更新后的高精地图，可以进行自动驾驶的决策，使车辆按照最新的高精地图进行自动驾驶。例如，高精地图中的停止线的位置发生了变化，则当车辆行驶到新的停止线的位置处时，若红绿灯为红灯，则可以自动减速慢行，直至到停止线停止。这样设置的有益效果在于，在车辆行驶时，提前更新前方的高精地图，从而根据最新的高精地图进行自动驾驶的控制，使驾驶决策符合实际的路况，提高自动驾驶的控制精度，更好地防止车辆因为停止线的变更而出现闯红灯的问题，可以有效地提升自动驾驶车辆通行的安全性。
本公开实施例中，在车辆驾驶过程中实时获取当前鸟瞰图像和高精地图对应的停止线鸟瞰图，根据停止线鸟瞰图和当前鸟瞰图像中停止线，对停止线的中心点进行预测，得到停止线的预测中心点。根据预测中心点和停止线鸟瞰图所指示的停止线的中心点，确定停止线的位置是否发生变化，若是，则更新高精地图。实现对停止线的位置进行实时、自动地检测，不需要作业人员对道路进行定期检测，提高地图更新效率。
图2为本公开实施例提供的一种基于停止线的地图实时更新方法的流程示意图。
本实施例中，根据当前鸟瞰图像和停止线鸟瞰图，预测出道路上停止线的预测中心点，可细化为：对当前鸟瞰图像进行特征提取处理，得到当前鸟瞰图像的特征向量；并对停止线鸟瞰图进行特征提取处理，得到停止线鸟瞰图的特征向量；根据当前鸟瞰图像的特征向量和停止线鸟瞰图中的特征向量，确定道路的预测图像；其中，预测图像为表征预测的停止线在鸟瞰视角下的图像；根据预测图像，确定出停止线的预测中心点。
如图2所示，该方法包括以下步骤：
S201、获取车辆所在道路的当前鸟瞰图像和高精地图对应的停止线鸟瞰图；其中，道路上包括停止线，当前鸟瞰图像为实时采集的鸟瞰视角下的环境图像；停止线鸟瞰图为与高精地图对应的鸟瞰视角下道路的停止线的图像。
示例性地，本步骤可以参见上述步骤S101，不再赘述。
S202、对当前鸟瞰图像进行特征提取处理，得到当前鸟瞰图像的特征向量；并对停止线鸟瞰图进行特征提取处理，得到停止线鸟瞰图的特征向量。
示例性地，在得到当前鸟瞰图像和停止线鸟瞰图后，可以分别对当前鸟瞰图像和停止线鸟瞰图进行特征提取处理。例如，可以预设神经网络的模型结构，通过卷积层、池化层等网络层，来对图像进行特征提取。本实施例中，对用于提取特征向量的神经网络的模型结构不做具体限定。
可以对当前鸟瞰图像进行特征提取处理，得到当前鸟瞰图像的特征向量，以及对停止线鸟瞰图进行特征提取处理，得到停止线鸟瞰图的特征向量。本实施例中，对当前鸟瞰图像进行特征提取处理，和对停止线鸟瞰图进行特征提取处理的处理顺序不做具体限定，可以同步处理当前鸟瞰图像和停止线鸟瞰图。对当前鸟瞰图像进行特征提取处理，所提取出的特征向量可以表示当前鸟瞰图像中的停止线的位置、宽度、高度等信息；对停止线鸟瞰图进行特征提取处理，所提取出的特征向量可以表示停止线鸟瞰图中的停止线的位置、宽度、高度等信息。
本实施例中，对当前鸟瞰图像进行特征提取处理，得到当前鸟瞰图像的特征向量，并对停止线鸟瞰图进行特征提取处理，得到停止线鸟瞰图的特征向量，包括：从当前鸟瞰图像中确定道路的停止线的所在区域，对当前鸟瞰图像中道路的停止线的所在区域进行特征提取处理，得到当前鸟瞰图像中的停止线的特征向量；以及，从停止线鸟瞰图中确定道路的停止线的所在区域，对停止线鸟瞰图中道路的停止线的所在区域进行特征提取处理，得到停止线鸟瞰图中的停止线的特征向量。
具体的，当前鸟瞰图像和停止线鸟瞰图中都可以含有除停止线以外的信息，例如，可以含有车道线、人行横道等道路线的信息。因此，可以分别对当前鸟瞰图像和停止线鸟瞰图，针对停止线进行特征提取，避免多余的特征对地图更新造成影响。
在提取特征向量时，对于当前鸟瞰图像，可以从当前鸟瞰图像中确定道路的停止线的所在区域。例如，可以对当前鸟瞰图像中的停止线进行识别，确定停止线的所在区域。停止线可以是位于车辆前方的一条单独的横向的线段，即，可以从当前鸟瞰图像中识别出单独的横向的线段，作为停止线，将识别出的停止线以矩形的目标框进行框选，目标框即为停止线所在区域。对当前鸟瞰图像中道路的停止线的所在区域进行特征提取处理，得到当前鸟瞰图像中的停止线的特征向量。
对于停止线鸟瞰图，可以从停止线鸟瞰图中确定道路的停止线的所在区域。高精地图中预先对各种道路线进行了标识，因此，可以直接确定高精地图中的停止线的所在区域，即可以直接确定停止线鸟瞰图中停止线的所在区域。可以根据车辆的当前位置，确定高精地图中位于车辆前方的停止线，实现当前鸟瞰图像中的停止线与停止线鸟瞰图中的停止线的匹配，从而确定停止线鸟瞰图中，与当前鸟瞰图像中的停止线相匹配的停止线所在区域。对停止线鸟瞰图中道路的停止线的所在区域进行特征提取处理，得到停止线鸟瞰图中的停止线的特征向量。
这样设置的有益效果在于，针对图像中停止线的所在区域进行特征提取，避免其他无关的特征影响针对停止线的地图更新效果，提高对高精地图的更新精度。
S203、根据当前鸟瞰图像的特征向量和停止线鸟瞰图中的特征向量，确定道路的预测图像；其中，预测图像为表征预测的停止线在鸟瞰视角下的图像。
示例性地，在得到当前鸟瞰图像的特征向量和停止线鸟瞰图中的特征向量之后，可以根据当前鸟瞰图像的特征向量和停止线鸟瞰图中的特征向量，生成一张新的图像，将新生成的图像确定为道路的预测图像。预测图像为表征预测的停止线在鸟瞰视角下的图像，即，根据当前鸟瞰图像的特征向量和停止线鸟瞰图的特征向量，对道路上停止线的位置进行预测，将预测出的停止线表示在鸟瞰视角的图像上。实现以高精地图对应的停止线鸟瞰图作为先验输入，得到预测图像。
可以将当前鸟瞰图像的特征向量和停止线鸟瞰图的特征向量进行结合，根据结合后的特征向量，确定出道路的预测图像。例如，可以将当前鸟瞰图像的特征向量和停止线鸟瞰图的特征向量进行相加，作为预测图像的特征向量。对预测图像的特征向量进行解码，得到预测图像。也可以将当前鸟瞰图像的特征向量和停止线鸟瞰图的特征向量分别赋予预设的权重，根据预设的权重，对当前鸟瞰图像的特征向量和停止线鸟瞰图的特征向量进行加权求和，得到预测图像的特征向量，再根据预测图像的特征向量确定预测图像。
本实施例中，根据当前鸟瞰图像的特征向量和停止线鸟瞰图的特征向量，确定道路的预测图像，包括：对当前鸟瞰图像的特征向量和停止线鸟瞰图的特征向量进行融合处理，确定目标特征向量；其中，目标特征向量表征预测图像的特征向量；根据目标特征向量，确定道路的预测图像。
具体的，可以预设特征向量融合计算的公式，根据预设的公式，对当前鸟瞰图像的特征向量和停止线鸟瞰图的特征向量进行融合处理。例如，预设的公式可以是当前鸟瞰图像的特征向量和停止线鸟瞰图的特征向量相加。将融合处理后得到的特征向量确定为目标特征向量，目标特征向量为表征预测图像的特征向量。
在图像处理的技术中，可以根据图像，确定图像的特征向量，也可以根据图像的特征向量，生成对应的图像。即，可以根据目标特征向量，确定道路的预测图像。本实施例中，可以采用预设的神经网络模型，以目标特征向量为输入，输出预测图像。
这样设置的有益效果在于，对当前鸟瞰图像的特征向量和停止线鸟瞰图的特征向量进行结合，根据结合后的特征向量，推导出预测图像。实现将高精地图作为先验知识，在已有的高精地图的基础上，结合道路的实际情况，得到准确的预测图像，提高高精地图的更新精度。
本实施例中，对当前鸟瞰图像的特征向量和停止线鸟瞰图的特征向量进行融合处理，确定目标特征向量，包括：确定当前鸟瞰图像和停止线鸟瞰图之间的相似度；根据相似度，对当前鸟瞰图像中的特征向量和停止线鸟瞰图的特征向量进行融合处理，得到目标特征向量。
具体的，当前鸟瞰图像和停止线鸟瞰图均包括同一条道路在鸟瞰视角下的停止线，当前鸟瞰图像和停止线鸟瞰图所包括的停止线可能位于不同的位置，可以确定当前鸟瞰图像和停止线鸟瞰图的相似度，从而确定当前鸟瞰图像中的停止线与停止线鸟瞰图中的停止线之间的一致程度。例如，可以将当前鸟瞰图像和停止线鸟瞰图进行重叠，根据重叠后图像一致的面积的大小确定相似度，也可以根据重叠后停止线一致的面积大小确定相似度。
根据相似度，对当前鸟瞰图像中的特征向量和停止线鸟瞰图的特征向量进行融合处理，将融合后得到的特征向量确定为目标特征向量。例如，可以将当前鸟瞰图像中的特征向量和停止线鸟瞰图的特征向量进行相加，相加后乘以相似度，得到目标特征向量。本实施例中，可以预设融合处理的计算公式，相似度为融合处理的计算公式中的一个参数。本实施例对融合处理的计算公式不做具体限定。
这样设置的有益效果在于，根据确定出的相似度，可以对当前鸟瞰图像中的特征向量和停止线鸟瞰图的特征向量进行不同程度的融合，使目标特征向量符合实际的道路情况，提高目标特征向量的确定精度。
本实施例中，确定当前鸟瞰图像和停止线鸟瞰图之间的相似度，包括：将当前鸟瞰图像的特征向量乘以预设的第一权重，并将相乘后得到的结果确定为第一向量；将第一向量和停止线鸟瞰图的特征向量之间的相似度作为当前鸟瞰图像和停止线鸟瞰图之间的相似度。
具体的，预先设置一个参数，作为第一权重。将当前鸟瞰图像的特征向量乘以第一权重，并将相乘后得到的结果确定为第一向量。例如，将当前鸟瞰图像的特征向量作为BEV特征，将停止线鸟瞰图的特征向量作为query(查询)特征。若BEV特征是200×256的矩阵，则将200×256的矩阵乘以第一权重。也就是每个1×256的BEV特征乘以第一权重，最终得到200×256的第一向量。
计算第一向量和停止线鸟瞰图的特征向量之间的相似度，并作为当前鸟瞰图像和停止线鸟瞰图之间的相似度。例如，可以计算第一向量和停止线鸟瞰图的特征向量之间的余弦夹角，得到第一向量和停止线鸟瞰图的特征向量之间的余弦相似度。假设query特征为200×256的矩阵，即200个1×256的query特征。在计算相似度时，可以计算每个1×256的query特征与第一向量之间的相似度。
这样设置的有益效果在于，通过预设的相似度计算公式，快速得到当前鸟瞰图像和停止线鸟瞰图之间的相似度，提高高精地图的更新效率。
本实施例中，根据相似度，对当前鸟瞰图像中的特征向量和停止线鸟瞰图的特征向量进行融合处理，得到目标特征向量，包括：将当前鸟瞰图像的特征向量乘以预设的第二权重，并将相乘后得到的结果确定为第二向量；将相似度乘以第二向量，并将得到的结果与停止线鸟瞰图的特征向量进行相加处理，得到目标特征向量。
具体的，预先设置一个参数，作为第二权重。其中，第一权重和第二权重之间的大小关系不受限定。将当前鸟瞰图像的特征向量乘以第二权重，并将相乘后得到的结果确定为第二向量。例如，将200×256的BEV特征乘以第二权重，得到200×256的第二向量。
将确定出的相似度乘以第二向量，并将得到的结果与停止线鸟瞰图的特征向量进行相加处理，得到目标特征向量。例如，对于200个1×256的query特征，可以得到200个相似度值。对于每个1×256的query特征，将对应的相似度值乘以第二向量，再加上该1×256的query特征，得到该1×256的query特征所对应的目标特征向量。最终得到200个1×256的目标特征向量，即200×256的目标特征向量。
这样设置的有益效果在于，将第一向量作为key(关键字)，将第二向量作为value(键值)，实现将BEV特征分别作为key和value进行cross attention(交叉注意力)处理，提高目标特征向量的确定精度，使目标特征向量更符合道路的实际情况。
本实施例中，根据目标特征向量，确定道路的预测图像，包括：将目标特征向量输入至预设的前馈神经网络模型中，基于预设的前馈神经网络模型对目标特征向量进行解码处理，输出道路的预测图像；其中，预设的前馈神经网络模型用于将特征向量解码为图像。
具体的，预先设置FFN(Feed Forward Networks，前馈神经网络)模型，FFN模型可以用于对特征向量进行解码，即，将特征向量转换为图像。FFN模型的输入为特征向量，输出为图像。
将目标特征向量输入到预设的FFN模型中，通过FFN模型对目标特征向量进行解码处理，输出得到预测图像。预测图像为鸟瞰视角的道路地图。
这样设置的有益效果在于，通过FFN网络可以快速得到预测图像，从而根据预测图像中的停止线的中心点坐标判断停止线是否发生变更，提高高精地图的更新效率。
S204、根据预测图像，确定出道路上停止线的预测中心点。
示例性地，在得到预测图像后，确定预测图像中所指示的停止线的位置点，停止线的位置点可以是停止线所表示的形状的中心点。例如，停止线表现为矩形，停止线的位置点可以是指停止线所构成的矩形的中心点。确定停止线的矩形的中心点在预测图像中的坐标，将该坐标的所在位置确定为停止线的位置点。
基于停止线鸟瞰图和当前鸟瞰图像结合后的预测图像，得到停止线的预测中心点，实现在已有的高精地图的基础上，结合道路的实际情况，得到准确的预测图像，提高预测中心点的确定精度，可以更好地防止车辆因为停止线几何的变更而出现车辆越线、闯红灯等问题，有效地提升车辆在路口场景中的安全性。
S205、响应于根据停止线的预测中心点和停止线鸟瞰图所指示的停止线的中心点确定停止线的位置发生变化，更新高精地图。
示例性地，本步骤可以参见上述步骤S103，不再赘述。
本公开实施例中，在车辆驾驶过程中实时获取当前鸟瞰图像和高精地图对应的停止线鸟瞰图，根据停止线鸟瞰图和当前鸟瞰图像中停止线，对停止线的中心点进行预测，得到停止线的预测中心点。根据预测中心点和停止线鸟瞰图所指示的停止线的中心点，确定停止线的位置是否发生变化，若是，则更新高精地图。实现对停止线的位置进行实时、自动地检测，不需要作业人员对道路进行定期检测，提高地图更新效率。从而保证车辆按照最新的高精地图进行行驶，提高驾驶的安全性。
图3为本公开实施例提供的一种基于停止线的地图实时更新方法的流程示意图。
本实施例中，响应于根据停止线的预测中心点和停止线鸟瞰图所包括的停止线的中心点确定停止线的位置发生变化，更新高精地图，可细化为：响应于停止线的预测中心点与停止线鸟瞰图所包括的停止线的中心点之间的偏差超过预设的偏差阈值，确定道路中停止线的位置发生变化；根据停止线的预测中心点，对高精地图进行更新。
如图3所示，该方法包括以下步骤：
S301、获取车辆所在道路的当前鸟瞰图像和高精地图对应的停止线鸟瞰图；其中，当前鸟瞰图像为实时采集的鸟瞰视角下的环境图像；停止线鸟瞰图为与高精地图对应的鸟瞰视角下道路的停止线的图像。
示例性地，本步骤可以参见上述步骤S101，不再赘述。
S302、根据当前鸟瞰图像和停止线鸟瞰图，预测出道路上停止线的预测中心点。
示例性地，本步骤可以参见上述步骤S102，不再赘述。
S303、若停止线的预测中心点与停止线鸟瞰图所指示的停止线的中心点之间的偏差超过预设的偏差阈值，则确定道路中停止线的位置发生变化。
示例性地，预测中心点可以由预测图像中，停止线的中心点的坐标来表示。停止线鸟瞰图所指示的停止线的中心点可以由停止线鸟瞰图中，停止线的中心点的坐标来表示。
在得到停止线的预测中心点与停止线鸟瞰图所指示的停止线的中心点之后，可以确定停止线的预测中心点与停止线鸟瞰图所指示的停止线的中心点之间的偏差。例如，可以计算停止线的预测中心点的坐标与停止线鸟瞰图所指示的停止线的中心点的坐标之间的坐标差值。
预先设置一个偏差阈值，在得到停止线的预测中心点与停止线鸟瞰图所指示的停止线的中心点之间的偏差后，判断所得到的偏差是否超过预设的偏差阈值。若是，则确定道路中停止线的位置发生变化，需要更新高精地图；若否，则确定不需要更新高精地图。
S304、根据停止线的预测中心点，对高精地图进行更新。
示例性地，若确定需要更新高精地图，则可以根据停止线的预测中心点，对高精地图进行更新。例如，可以将原先的高精地图中的停止线删除，再添加一条停止线，所添加的停止线的中心点为预测中心点。或者直接根据预测中心点，对高精地图中原先的停止线进行位移，从而得到新的高精地图。
通过比较中心点的坐标，可以判定高精地图中的停止线是否发生了位移，实现对高精地图的快速更新，提高高精地图的正确性，有效地提升车辆在路口场景中的通过率。
本实施例中，可以预先构建并训练一个神经网络模型，来判断停止线的位置是否发生变更。该神经网络模型的输入可以是当前鸟瞰图像和停止线鸟瞰图，输出为停止线位置变化的判断结果。即，该神经网络模型可以根据当前鸟瞰图像和停止线鸟瞰图，预测出道路上停止线的预测中心点，根据停止线的预测中心点和停止线鸟瞰图所指示的停止线的中心点，确定停止线的位置是否发生变化。本实施例对该神经网络模型的模型结构不做具体限定。
本公开实施例可以提供一种基于停止线的地图更新模型的训练方法，地图更新模型可以用于执行基于停止线的地图实时更新方法。由于实际场景中停止线变更的事例较少，为了让神经网络模型可以最大化的学习，在进行模型训练时，可以获取预先采集的待训练数据集，待训练数据集用于训练的停止线鸟瞰图和当前鸟瞰图像。可以对用于训练的停止线鸟瞰图进行数据增强。例如，可以通过随机抖动改变高精地图中的停止线位置，以此来模拟停止线变更的场景。由于在实际应用中，远处道路的变更难以辨别，因此在训练中加强近处变更的损失权重，抑制远处变更的损失权重，从而让网络更加聚焦近处的停止线变更，降低误报，提升准确率。例如，可以预设一个第一损失权重和一个第二损失权重，第一损失权重用于加强距离车辆第一范围内的图像变更，第二损失权重用于抑制距离车辆第二范围内的图像变更，第一范围比第二范围距离车辆更近。根据第一损失权重和第二损失权重，基于预设的损失函数，得到损失函数值。若损失函数值满足预设的训练完成条件，则得到训练完成的地图更新模型。例如，损失函数值到达预设的函数值阈值，则确定模型训练完成。
本公开实施例中，在车辆驾驶过程中实时获取当前鸟瞰图像和高精地图对应的停止线鸟瞰图，根据停止线鸟瞰图和当前鸟瞰图像中停止线，对停止线的中心点进行预测，得到停止线的预测中心点。根据预测中心点和停止线鸟瞰图所指示的停止线的中心点，确定停止线的位置是否发生变化，若是，则更新高精地图。实现对停止线的位置进行实时、自动地检测，不需要作业人员对道路进行定期检测，提高地图更新效率。从而保证车辆按照最新的高精地图进行行驶，提高驾驶的安全性。
图4为本公开实施例提供的一种基于停止线的地图实时更新装置的结构框图。为了便于说明，仅示出了与本公开实施例相关的部分。参照图4，基于停止线的地图实时更新装置400包括：获取单元401、预测单元402和更新单元403。
获取单元401，用于获取车辆所在道路的当前鸟瞰图像和高精地图对应的停止线鸟瞰图；其中，所述道路包括停止线，所述当前鸟瞰图像为实时采集的鸟瞰视角下的环境图像；所述停止线鸟瞰图为高精地图对应的鸟瞰视角下包括道路的停止线的图像；
预测单元402，用于根据所述当前鸟瞰图像和所述停止线鸟瞰图，预测出所述停止线的预测中心点；
更新单元403，用于响应于根据所述停止线的预测中心点和所述停止线鸟瞰图所指示的停止线的中心点确定所述停止线的位置发生变化，更新所述高精地图。
图5为本公开实施例提供的一种基于停止线的地图实时更新装置的结构框图，如图5所示，基于停止线的地图实时更新装置500包括获取单元501、预测单元502和更新单元503，其中，预测单元502包括特征提取模块5021、图像确定模块5022和中心点确定模块5023。
特征提取模块5021，用于对所述当前鸟瞰图像进行特征提取处理，得到所述当前鸟瞰图像的特征向量；并对所述停止线鸟瞰图进行特征提取处理，得到所述停止线鸟瞰图的特征向量；
图像确定模块5022，用于根据所述当前鸟瞰图像的特征向量和所述停止线鸟瞰图中的特征向量，确定所述道路的预测图像；其中，所述预测图像为表征预测的鸟瞰视角下的道路的图像；
中心点确定模块5023，用于根据所述预测图像，确定出所述停止线的预测中心点。
一个示例中，更新单元503，包括：
位置判断模块，用于响应于所述停止线的预测中心点与所述停止线鸟瞰图所指示的停止线的中心点之间的偏差超过预设的偏差阈值，确定所述道路中停止线的位置发生变化；
地图更新模块，用于根据所述停止线的预测中心点，对所述高精地图进行更新。
一个示例中，图像确定模块5022，包括：
第一确定子模块，用于对所述当前鸟瞰图像的特征向量和所述停止线鸟瞰图的特征向量进行融合处理，确定目标特征向量；其中，所述目标特征向量表征所述预测图像的特征向量；
第二确定子模块，用于根据所述目标特征向量，确定所述道路的预测图像。
一个示例中，第一确定子模块，具体用于：
确定所述当前鸟瞰图像和所述停止线鸟瞰图之间的相似度；
根据所述相似度，对所述当前鸟瞰图像中的特征向量和所述停止线鸟瞰图的特征向量进行融合处理，得到所述目标特征向量。
一个示例中，第一确定子模块，具体用于：
将所述当前鸟瞰图像的特征向量乘以预设的第一权重，并将相乘后得到的结果确定为第一向量；
确定所述第一向量和所述停止线鸟瞰图的特征向量之间的相似度作为所述当前鸟瞰图像和所述停止线鸟瞰图之间的相似度。
一个示例中，第一确定子模块，具体用于：
将所述当前鸟瞰图像的特征向量乘以预设的第二权重，并将相乘后得到的结果确定为第二向量；
将所述相似度乘以所述第二向量，并将得到的结果与所述停止线鸟瞰图的特征向量进行相加处理，得到所述目标特征向量。
一个示例中，第二确定子模块，具体用于：
将所述目标特征向量输入至预设的前馈神经网络模型中，基于预设的前馈神经网络模型对所述目标特征向量进行解码处理，输出所述道路的预测图像。
一个示例中，特征提取模块5021，包括：
第一提取子模块，用于从所述当前鸟瞰图像中确定所述道路的停止线的所在区域，对所述当前鸟瞰图像中所述道路的停止线的所在区域进行特征提取处理，得到所述当前鸟瞰图像中的停止线的特征向量；以及，
第二提取子模块，用于从所述停止线鸟瞰图中确定所述道路的停止线的所在区域，对所述停止线鸟瞰图中所述道路的停止线的所在区域进行特征提取处理，得到所述停止线鸟瞰图中的停止线的特征向量。
一个示例中，获取单元501，包括：
采集模块，用于基于车辆上安装的图像采集设备，对所述车辆的所处道路进行图像采集；
转换模块，用于将采集到的图像的视角转换为鸟瞰视角，得到鸟瞰视角的环境图像，作为所述当前鸟瞰图像。
图6为本公开实施例提供的一种电子设备的结构框图，如图6所示，电子设备600包括：至少一个处理器602；以及与所述至少一个处理器602通信连接的存储器601；其中，存储器存储有可被所述至少一个处理器602执行的指令，所述指令被所述至少一个处理器602执行，以使所述至少一个处理器602能够执行本公开的基于停止线的地图实时更新方法。
电子设备600还包括接收器603和发送器604。接收器603用于接收其他设备发送的指令和数据，发送器604用于向外部设备发送指令和数据。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
根据本公开的实施例，本公开还提供了一种计算机程序产品，计算机程序产品包括：计算机程序，计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。
图7示出了可以用来实施本公开的实施例的示例电子设备700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7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700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701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701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701执行上文所描述的各个方法和处理，例如基于停止线的地图实时更新方法。例如，在一些实施例中，基于停止线的地图实时更新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708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的基于停止线的地图实时更新方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行基于停止线的地图实时更新方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，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，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (24)

1.一种基于停止线的地图实时更新方法，包括：
获取车辆所在道路的当前鸟瞰图像和高精地图对应的停止线鸟瞰图；其中，所述道路包括停止线，所述当前鸟瞰图像为实时采集的鸟瞰视角下的环境图像；所述停止线鸟瞰图为高精地图对应的鸟瞰视角下包括所述道路的停止线的图像；
根据所述当前鸟瞰图像和所述停止线鸟瞰图，预测出所述停止线的预测中心点；
响应于根据所述停止线的预测中心点和所述停止线鸟瞰图所包括的停止线的中心点确定所述停止线的位置发生变化，更新所述高精地图。
2.根据权利要求1所述的方法，其中，根据所述当前鸟瞰图像和所述停止线鸟瞰图，预测出所述停止线的预测中心点，包括：
对所述当前鸟瞰图像进行特征提取处理，得到所述当前鸟瞰图像的特征向量；并对所述停止线鸟瞰图进行特征提取处理，得到所述停止线鸟瞰图的特征向量；
根据所述当前鸟瞰图像的特征向量和所述停止线鸟瞰图中的特征向量，确定所述道路的预测图像；其中，所述预测图像为表征预测的停止线在鸟瞰视角下的图像；
根据所述预测图像，确定出所述停止线的预测中心点。
3.根据权利要求1或2所述的方法，其中，响应于根据所述停止线的预测中心点和所述停止线鸟瞰图所包括的停止线的中心点确定所述停止线的位置发生变化，更新所述高精地图，包括：
响应于所述停止线的预测中心点与所述停止线鸟瞰图所包括的停止线的中心点之间的偏差超过预设的偏差阈值，确定所述停止线的位置发生变化；
根据所述停止线的预测中心点，对所述高精地图进行更新。
4.根据权利要求2所述的方法，其中，对所述当前鸟瞰图像进行特征提取处理，得到所述当前鸟瞰图像的特征向量，并对所述停止线鸟瞰图进行特征提取处理，得到所述停止线鸟瞰图的特征向量，包括：
从所述当前鸟瞰图像中确定所述停止线的所在区域，对所述当前鸟瞰图像中所述停止线的所在区域进行特征提取处理，得到所述当前鸟瞰图像中的停止线的特征向量；以及，
从所述停止线鸟瞰图中确定所述停止线的所在区域，对所述停止线鸟瞰图中所述停止线的所在区域进行特征提取处理，得到所述停止线鸟瞰图中的停止线的特征向量。
5.根据权利要求2所述的方法，其中，根据所述当前鸟瞰图像的特征向量和所述停止线鸟瞰图的特征向量，确定所述道路的预测图像，包括：
对所述当前鸟瞰图像的特征向量和所述停止线鸟瞰图的特征向量进行融合处理，确定目标特征向量；其中，所述目标特征向量为表征所述预测图像的特征向量；
根据所述目标特征向量，确定所述道路的预测图像。
6.根据权利要求5所述的方法，其中，对所述当前鸟瞰图像的特征向量和所述停止线鸟瞰图的特征向量进行融合处理，确定目标特征向量，包括：
确定所述当前鸟瞰图像和所述停止线鸟瞰图之间的相似度；
根据所述相似度，对所述当前鸟瞰图像中的特征向量和所述停止线鸟瞰图的特征向量进行融合处理，得到所述目标特征向量。
7.根据权利要求6所述的方法，其中，确定所述当前鸟瞰图像和所述停止线鸟瞰图之间的相似度，包括：
将所述当前鸟瞰图像的特征向量乘以预设的第一权重，并将相乘后得到的结果确定为第一向量；
将所述第一向量和所述停止线鸟瞰图的特征向量之间的相似度作为所述当前鸟瞰图像和所述停止线鸟瞰图之间的相似度。
8.根据权利要求6或7所述的方法，其中，根据所述相似度，对所述当前鸟瞰图像中的特征向量和所述停止线鸟瞰图的特征向量进行融合处理，得到所述目标特征向量，包括：
将所述当前鸟瞰图像的特征向量乘以预设的第二权重，并将相乘后得到的结果确定为第二向量；
将所述相似度乘以所述第二向量，并将得到的结果与所述停止线鸟瞰图的特征向量进行相加处理，得到所述目标特征向量。
9.根据权利要求5-7中任一项所述的方法，其中，根据所述目标特征向量，确定所述道路的预测图像，包括：
将所述目标特征向量输入至预设的前馈神经网络模型中，基于预设的前馈神经网络模型对所述目标特征向量进行解码处理，输出所述道路的预测图像。
10.根据权利要求1-9中任一项所述的方法，其中，获取车辆所在道路的当前鸟瞰图像，包括：
基于车辆上安装的图像采集设备，对所述车辆的所在道路进行图像采集；
将采集到的图像的视角转换为鸟瞰视角，得到鸟瞰视角的环境图像，作为所述当前鸟瞰图像。
11.一种基于停止线的地图更新模型的训练方法，包括：
获取待训练数据集，将所述待训练数据集输入至预设的地图更新模型中；其中，所述待训练数据集中包括待训练的停止线鸟瞰图和待训练的当前鸟瞰图像，所述地图更新模型用于执行如权利要求1-10中任一项所述的基于停止线的地图实时更新方法；
基于预设的第一损失权重和第二损失权重，得到损失函数值；其中，所述第一损失权重用于加强距离车辆第一范围内的图像变更，所述第二损失权重用于抑制距离车辆第二范围内的图像变更；所述第一范围比第二范围距离车辆近；
若所述损失函数值满足预设的训练完成条件，则得到训练完成的地图更新模型。
12.一种基于停止线的地图实时更新装置，包括：
获取单元，用于获取车辆所在道路的当前鸟瞰图像和高精地图对应的停止线鸟瞰图；其中，所述道路包括停止线，所述当前鸟瞰图像为实时采集的鸟瞰视角下的环境图像；所述停止线鸟瞰图为高精地图对应的鸟瞰视角下包括所述道路的停止线的图像；
预测单元，用于根据所述当前鸟瞰图像和所述停止线鸟瞰图，预测出所述停止线的预测中心点；
更新单元，用于响应于根据所述停止线的预测中心点和所述停止线鸟瞰图所包括的停止线的中心点确定所述停止线的位置发生变化，更新所述高精地图。
13.根据权利要求12所述的装置，其中，所述预测单元，包括：
特征提取模块，用于对所述当前鸟瞰图像进行特征提取处理，得到所述当前鸟瞰图像的特征向量；并对所述停止线鸟瞰图进行特征提取处理，得到所述停止线鸟瞰图的特征向量；
图像确定模块，用于根据所述当前鸟瞰图像的特征向量和所述停止线鸟瞰图中的特征向量，确定所述道路的预测图像；其中，所述预测图像为表征预测的停止线在鸟瞰视角下的图像；
中心点确定模块，用于根据所述预测图像，确定出所述停止线的预测中心点。
14.根据权利要求12或13所述的装置，其中，所述更新单元，包括：
位置判断模块，用于响应于所述停止线的预测中心点与所述停止线鸟瞰图所包括的停止线的中心点之间的偏差超过预设的偏差阈值，确定所述停止线的位置发生变化；
地图更新模块，用于根据所述停止线的预测中心点，对所述高精地图进行更新。
15.根据权利要求13所述的装置，其中，所述特征提取模块，包括：
第一提取子模块，用于从所述当前鸟瞰图像中确定所述道路的停止线的所在区域，对所述当前鸟瞰图像中所述道路的停止线的所在区域进行特征提取处理，得到所述当前鸟瞰图像中的停止线的特征向量；以及，
第二提取子模块，用于从所述停止线鸟瞰图中确定所述道路的停止线的所在区域，对所述停止线鸟瞰图中所述道路的停止线的所在区域进行特征提取处理，得到所述停止线鸟瞰图中的停止线的特征向量。
16.根据权利要求13所述的装置，其中，所述图像确定模块，包括：
第一确定子模块，用于对所述当前鸟瞰图像的特征向量和所述停止线鸟瞰图的特征向量进行融合处理，确定目标特征向量；其中，所述目标特征向量表征所述预测图像的特征向量；
第二确定子模块，用于根据所述目标特征向量，确定所述道路的预测图像。
17.根据权利要求16所述的装置，其中，所述第一确定子模块，具体用于：
确定所述当前鸟瞰图像和所述停止线鸟瞰图之间的相似度；
根据所述相似度，对所述当前鸟瞰图像中的特征向量和所述停止线鸟瞰图的特征向量进行融合处理，得到所述目标特征向量。
18.根据权利要求17所述的装置，其中，所述第一确定子模块，具体用于：
将所述当前鸟瞰图像的特征向量乘以预设的第一权重，并将相乘后得到的结果确定为第一向量；
将所述第一向量和所述停止线鸟瞰图的特征向量之间的相似度作为所述当前鸟瞰图像和所述停止线鸟瞰图之间的相似度。
19.根据权利要求17或18所述的装置，其中，所述第一确定子模块，具体用于：
将所述当前鸟瞰图像的特征向量乘以预设的第二权重，并将相乘后得到的结果确定为第二向量；
将所述相似度乘以所述第二向量，并将得到的结果与所述停止线鸟瞰图的特征向量进行相加处理，得到所述目标特征向量。
20.根据权利要求16-18中任一项所述的装置，其中，所述第二确定子模块，具体用于：
将所述目标特征向量输入至预设的前馈神经网络模型中，基于预设的前馈神经网络模型对所述目标特征向量进行解码处理，输出所述道路的预测图像。
21.根据权利要求12-20中任一项所述的装置，其中，所述获取单元，包括：
采集模块，用于基于车辆上安装的图像采集设备，对所述车辆的所在道路进行图像采集；
转换模块，用于将采集到的图像的视角转换为鸟瞰视角，得到鸟瞰视角的环境图像，作为所述当前鸟瞰图像。
22.一种电子设备，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1-11中任一项所述的方法。
23.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-11中任一项所述的方法。
24.一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现权利要求1-11中任一项所述方法的步骤。
CN202311528027.3A 2023-11-16 2023-11-16 基于停止线的地图实时更新方法、装置、设备及存储介质 Pending CN117570961A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311528027.3A CN117570961A (zh) 2023-11-16 2023-11-16 基于停止线的地图实时更新方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311528027.3A CN117570961A (zh) 2023-11-16 2023-11-16 基于停止线的地图实时更新方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN117570961A true CN117570961A (zh) 2024-02-20

Family

ID=89863730

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311528027.3A Pending CN117570961A (zh) 2023-11-16 2023-11-16 基于停止线的地图实时更新方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN117570961A (zh)

Similar Documents

Publication Publication Date Title
CN113129625A (zh) 车辆控制方法、装置、电子设备和车辆
CN113706704B (zh) 基于高精地图规划路线的方法、设备以及自动驾驶车辆
CN113859264B (zh) 车辆控制方法、装置、电子设备及存储介质
CN113378693B (zh) 生成目标检测系统和检测目标的方法及装置
CN113688935A (zh) 高精地图的检测方法、装置、设备以及存储介质
CN114140759A (zh) 高精地图车道线位置确定方法、装置及自动驾驶车辆
CN114387410B (zh) 道路数据融合的地图生成方法、装置以及电子设备
CN113119999B (zh) 自动驾驶特征的确定方法、装置、设备、介质及程序产品
CN114743178A (zh) 道路边缘线生成方法、装置、设备及存储介质
CN113722342A (zh) 高精地图要素变更检测方法、装置、设备及自动驾驶车辆
CN116499487B (zh) 一种车辆的路径规划方法、装置、设备及介质
CN114179805B (zh) 一种行驶方向确定方法、装置、设备以及存储介质
CN115973190A (zh) 自动驾驶车辆的决策方法、装置和电子设备
CN116358584A (zh) 一种自动驾驶车辆路径规划方法、装置、设备及介质
CN115771526A (zh) 自动驾驶中控制车辆左转的方法、装置与自动驾驶车辆
CN117570961A (zh) 基于停止线的地图实时更新方法、装置、设备及存储介质
CN114559958A (zh) 一种脱困策略的确定方法、装置、电子设备及存储介质
CN114030483A (zh) 车辆控制方法、装置、电子设备和介质
CN117570962A (zh) 基于车道线的地图实时更新方法、装置、设备及存储介质
CN114049615B (zh) 行驶环境中交通对象融合关联方法、装置及边缘计算设备
CN117570963A (zh) 基于人行横道的地图实时更新方法、装置、设备及介质
CN114407916B (zh) 车辆控制及模型训练方法、装置、车辆、设备和存储介质
CN112507951B (zh) 指示灯识别方法、装置、设备、路侧设备和云控平台
CN117854038A (zh) 施工区域的获取方法、装置、电子设备与自动驾驶车辆
CN117853614A (zh) 高精地图元素变更情况的检测方法、装置和车辆

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