KR20210037622A - 맵 데이터 업데이트 방법, 장치, 기기 및 판독 가능 저장매체 - Google Patents

맵 데이터 업데이트 방법, 장치, 기기 및 판독 가능 저장매체 Download PDF

Info

Publication number
KR20210037622A
KR20210037622A KR1020210013958A KR20210013958A KR20210037622A KR 20210037622 A KR20210037622 A KR 20210037622A KR 1020210013958 A KR1020210013958 A KR 1020210013958A KR 20210013958 A KR20210013958 A KR 20210013958A KR 20210037622 A KR20210037622 A KR 20210037622A
Authority
KR
South Korea
Prior art keywords
sample
sequence
road information
electronic device
rsu
Prior art date
Application number
KR1020210013958A
Other languages
English (en)
Other versions
KR102558657B1 (ko
Inventor
더구어 시아
리우후이 장
지저우 황
후이 자오
전 루
홍샤 바이
위팅 리우
Original Assignee
베이징 바이두 넷컴 사이언스 테크놀로지 컴퍼니 리미티드
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 베이징 바이두 넷컴 사이언스 테크놀로지 컴퍼니 리미티드 filed Critical 베이징 바이두 넷컴 사이언스 테크놀로지 컴퍼니 리미티드
Publication of KR20210037622A publication Critical patent/KR20210037622A/ko
Application granted granted Critical
Publication of KR102558657B1 publication Critical patent/KR102558657B1/ko

Links

Images

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
    • 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
    • G01C21/3885—Transmission of map data to client devices; Reception of map data by client devices
    • G01C21/3893—Transmission of map data from distributed sources, e.g. from roadside stations
    • 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
    • G01C21/38—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
    • G01C21/3833—Creation or updating of map data characterised by the source of data
    • G01C21/3837—Data obtained from a single source
    • 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
    • G06F16/2358—Change logging, detection, and notification
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/909—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • 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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/091—Traffic information broadcasting
    • G08G1/093—Data selection, e.g. prioritizing information, managing message queues, selecting the information to be output
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B29/00—Maps; Plans; Charts; Diagrams, e.g. route diagram
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B29/00—Maps; Plans; Charts; Diagrams, e.g. route diagram
    • G09B29/10—Map spot or coordinate position indicators; Map reading aids
    • G09B29/106—Map spot or coordinate position indicators; Map reading aids using electronic means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • 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
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Automation & Control Theory (AREA)
  • Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Multimedia (AREA)
  • Library & Information Science (AREA)
  • Traffic Control Systems (AREA)
  • Navigation (AREA)

Abstract

본 출원은 맵 데이터 업데이트 방법, 장치, 기기 및 판독 가능 저장매체를 개시하며, 스마트시티 기술분야에 관한 것으로, 특히는 전자맵, 스마트 교통, 자율 주행, 인공지능 기술 중 딥러닝 기술분야에 관한 것이다. 구체적인 구현방안에 따르면, 서버는 전자기기에서 보고한 도로 정보를 수신한 후, 도로 정보를 기초로 복수의 서열을 획득하되, 동일한 서열에 속하는 각 도로 정보의 유형, 위치는 동일하다. 다음, 서버는 사전에 트레이닝된 뉴럴 네트워크 모델로 서열에 포함된 각각의 도로 정보를 입력하여, 뉴럴 네트워크 모델이 서열을 기초로 인식 결과를 출력하도록 한다. 서버는 해당 인식 결과를 기초로 맵 데이터를 업데이트한다. 해당 방안을 사용함으로써, 서열 중 각 도로 정보의 콘텍스트와 뉴럴 네트워크 기술을 결합하여, 유효한 도로 정보를 인식해내고 맵 데이터를 업데이트하여, 정확하게 맵 데이터를 업데이트하는 목적을 달성한다.

Description

맵 데이터 업데이트 방법, 장치, 기기 및 판독 가능 저장매체{MAP DATA UPDATING METHOD, APPARATUS, DEVICE, AND READABLE STORAGE MEDIUM}
본 출원은 스마트 시티 기술분야에 관한 것으로, 특히는 전자맵, 스마트 교통, 자율 주행, 인공지능 기술 중 딥러닝 기술분야에 관한 것이며, 특히는 맵 데이터 업데이트 방법, 장치, 기기 및 판독 가능 저장매체에 관한 것이다.
도시의 급속한 발전과 도로 복잡도가 증가함에 따라, 전자맵에 대한 사용자의 수요가 점점 높아지고 있다. 맵 데이터는 전자맵의 기반으로서, 주로 도로 정보 등을 포함한다. 도로 정보는 예를 들어 도로 공사, 도로 봉쇄, 교통 사고 발생 등이다.
일반적인 경우, 도로 정보는 고정된 것이 아니므로, 맵 데이터에 대해 업데이트하여, 사용자가 잘못된 맵 데이터에 대응되는 전자 맵을 사용하여 네비게이션함으로써, 사용자의 출행 코스트가 상승하는 것을 방지하여야 한다. 일반적인 맵 데이터 업데이트 과정에서, 다양한 노변 장치(Roadside Unit, RSU)는 도로 정보를 인식한 후, 차량용 기기로 브로드 캐스트한다. 차량용 기기는 도로 정보를 수신한 후, 도로 정보를 서버로 업로드한다. 서버는 이러한 도로 정보를 이용하여 맵 데이터를 업데이트한다.
상술한 맵 데이터 업데이트에서, 차량용 기기가 고의적으로 파괴된 경우를 고려하지 않는다. 하지만, 고의적으로 파괴된 차량용 기기는 차단, 위조, 변조 등의 수단을 통해, 무효한 도로 정보를 보고함으로써, 맵 데이터 업데이트에 에러가 발생할 확률이 높다.
본 출원은 맵 데이터 업데이트 방법, 장치, 기기 및 판독 가능 저장매체를 제공하며, 유효 도로 정보를 인식하고, 유효 도로 정보를 이용하여 맵 데이터를 업데이트함으로써, 맵 데이터를 정확하게 업데이트하는 목적을 달성한다.
제1 측면에 따르면, 본 출원의 실시예는 맵 데이터 업데이트 방법을 제공한다. 해당 방법은,
전자기기에서 보고하는 도로 정보를 수신하되, 상기 도로 정보는 노변 장치가 상기 전자기기로 브로드캐스트한 도로 정보인 단계;
상기 도로 정보를 기초로 적어도 하나의 서열을 결정하되, 상기 적어도 하나의 서열 중 동일한 서열에 속하는 도로 정보의 유형과 발생 위치는 동일한 단계;
상기 적어도 하나의 서열 중 각각의 서열에 포함된 도로 정보를 사전에 트레이닝된 뉴럴 네트워크 모델에 입력하여, 대응되는 서열의 인식 결과를 획득하되, 상기 인식 결과는 상기 대응되는 서열에 속하는 도로 정보의 유효 여부를 지시하기 위한 것이고, 상기 대응되는 서열에 속하는 도로 정보가 유효할 때, 상기 대응되는 서열에 속하는 도로 정보는 실제 도로 정보인 단계;
상기 대응되는 서열에 속하는 도로 정보가 유효하면, 상기 대응되는 서열에 속하는 도로 정보를 이용하여 맵 데이터를 업데이트하는 단계;를 포함한다.
일 가능한 설계에서, 상기 적어도 하나의 서열 중 각각의 서열에 포함된 도로 정보를 사전에 트레이닝된 뉴럴 네트워크 모델에 입력하여, 대응되는 서열의 인식 결과를 획득하는 단계 이전에,
샘플 집합을 획득하되, 상기 샘플 집합 중 샘플은 양성 샘플과 음성 샘플을 포함하고, 상기 양성 샘플은 실제의 도로 정보이고, 상기 음성 샘플은 허위 도로 정보인 단계;
상기 샘플 집합 중 샘플을 구분하여, 적어도 하나의 샘플 서열을 획득하되, 상기 적어도 하나의 샘플 서열 중 동일 샘플 서열에 속하는 샘플의 유형과 발생 위치가 동일한 단계;
상기 적어도 하나의 샘플 서열을 기초로, 초기 모델을 트레이닝하여, 상기 뉴럴 네트워크 모델을 획득하는 단계를 더 포함한다.
일 가능한 설계에서, 상기 적어도 하나의 샘플 서열을 기초로, 초기 모델을 트레이닝하여, 상기 뉴럴 네트워크 모델을 획득하는 단계는,
i번째 샘플 서열에 대하여, 상기 초기 모델의 임베디드 계층에서 상기 i번째 샘플 서열 중 각각의 샘플의 특징 벡터를 결정하되, 상기 i번째 샘플 서열은 상기 적어도 하나의 샘플 서열 중 어느 하나의 샘플 서열을 기초로 획득되는 단계;
상기 초기 모델의 장단 시 기억 순환 뉴럴 네트워크 계층을 이용하여 상기 i번째 샘플 서열 중 각각의 샘플의 특징 벡터를 학습함으로써, 복수의 콘텍스트 벡터를 획득하되, 상기 복수의 콘텍스트 벡터 중 각각의 콘텍스트 벡터는 상기 i번째 샘플 서열 중 샘플 사이의 관계를 지시하기 위한 것인 단계;
상기 복수의 콘텍스트 벡터를 기초로 상기 초기 모델의 연결 계층, 풀리 연결 계층과 손실 함수 계층을 트레이닝하여, 상기 뉴럴 네트워크 모델을 획득하는 단계를 포함한다.
일 가능한 설계에서, 상기 복수의 콘텍스트 벡터를 기초로 상기 초기 모델의 연결 계층, 풀리 연결 계층과 손실 함수 계층을 트레이닝하여, 상기 뉴럴 네트워크 모델을 획득하는 단계는,
상기 초기 모델의 연결 계층에서 상기 복수의 콘텍스트 벡터를 스플라이싱하여, 스플라이싱 벡터를 획득하는 단계;
상기 스플라이싱 벡터를 이용하여 상기 초기 모델의 풀리 연결 계층과 손실 함수 계층을 학습함으로써, 상기 뉴럴 네트워크 모델을 획득하는 단계;를 포함한다.
일 가능한 설계에서, 상기 i번째 샘플 서열은 상기 적어도 하나의 샘플 서열 중 어느 하나의 샘플 서열이거나;
또는,
상기 i번째 샘플 서열은 상기 적어도 하나의 샘플 서열 중 어느 하나의 샘플 서열의 서브 서열이다.
일 가능한 설계에서, 상기 i번째 샘플 서열에 대하여, 상기 i번째 샘플 서열 중 각각의 샘플의 특징 벡터를 결정하는 단계는,
상기 i번째 샘플 서열 중 상기 각각의 샘플에 대응되는 전자기기 특징, 노변 장치(RSU) 특징 및 도로 정보 특징 중 적어도 하나를 추출하되, 상기 전자기기 특징은 상기 각각의 샘플을 보고하는 전자기기를 나타내기 위한 것이고, 상기 RSU 특징은 상기 전자기기가 상기 각각의 샘플을 브로드캐스트하는 RSU를 나타내기 위한 것이고, 상기 도로 정보 특징은 상기 각각의 샘플을 나타내기 위한 것인 단계;
상기 i번째 샘플 서열 중 상기 각각의 샘플에 대하여, 상기 각각의 샘플에 대응되는 상기 전자기기 특징, 상기 RSU 특징 및 상기 도로 정보 특징 중 적어도 하나를 기초로, 상기 각각의 샘플의 상기 특징 벡터를 생성하는 단계;를 포함한다.
일 가능한 설계에서, 상기 전자기기 특징은 상기 전자기기의 식별자, 상기 전자기기가 상기 각각의 샘플을 보고한 횟수 또는 상기 전자기기가 유효 샘플을 보고한 횟수를 포함하고, 상기 방법은, 상기 전자기기가 보고한 상기 각각의 샘플에 대해 중복 제거를 수행하여, 상기 전자기기가 비중복 샘플을 보고한 횟수를 결정하는 단계; 상기 전자기기가 보고한 상기 유효 샘플에 대해 중복 제거를 수행하여, 상기 전자기기가 비중복 유효 샘플을 보고한 횟수를 결정하는 단계;를 더 포함한다.
일 가능한 설계에서, 상기 RSU 특징은 상기 RSU의 식별자, 상기 RSU가 상기 각각의 샘플을 브로드캐스트한 총 횟수 및 상기 RSU가 상기 유효 샘플을 브로드캐스트한 횟수를 포함하고, 상기 방법은, 상기 RSU가 상기 각각의 샘플을 브로드캐스트한 총 횟수로부터 상기 RSU가 상기 각각의 샘플을 중복하여 브로드캐스트한 횟수를 제거하는 단계; 상기 RSU가 상기 유효 샘플을 브로드캐스트한 횟수로부터 상기 RSU가 상기 유효 샘플을 중복하여 브로드캐스트한 횟수를 제거하는 단계;를 더 포함한다.
일 가능한 설계에서, 상기 도로 정보 특징은 샘플 유형, 샘플 위치, 샘플 시작 시간, 샘플 종료 시간, 상기 전자기기가 상기 각각의 샘플을 수신한 시간 중 적어도 하나를 포함하되, 상기 샘플 위치는 상기 각각의 샘플이 발생한 지리적 위치를 나타낸다.
제2 측면에 따르면, 본 출원의 실시예는 맵 데이터 업데이트 장치를 제공한다. 해당 장치는,
전자기기에서 보고하는 도로 정보를 수신하되, 상기 도로 정보는 노변 장치가 상기 전자기기로 브로드캐스트한 도로 정보인 수신모듈;
상기 도로 정보를 기초로 적어도 하나의 서열을 결정하되, 상기 적어도 하나의 서열 중 동일한 서열에 속하는 도로 정보의 유형과 발생 위치는 동일한 결정모듈;
상기 적어도 하나의 서열 중 각각의 서열에 포함된 도로 정보를 사전에 트레이닝된 뉴럴 네트워크 모델에 입력하여, 대응되는 서열의 인식 결과를 획득하되, 상기 인식 결과는 상기 대응되는 서열에 속하는 도로 정보의 유효 여부를 지시하기 위한 것이고, 상기 대응되는 서열에 속하는 도로 정보가 유효할 때, 상기 대응되는 서열에 속하는 도로 정보는 실제 도로 정보인 인식모듈;
상기 대응되는 서열에 속하는 도로 정보가 유효하면, 상기 대응되는 서열에 속하는 도로 정보를 이용하여 맵 데이터를 업데이트하는 업데이트 모듈;을 포함한다.
일 가능한 설계에서, 상기 장치는,
상기 인식모듈이 상기 적어도 하나의 서열 중 각각의 서열에 포함된 도로 정보를 사전에 트레이닝된 뉴럴 네트워크 모델에 입력하여, 대응되는 서열의 인식 결과를 획득하기 전에, 샘플 집합을 획득하되, 상기 샘플 집합 중 샘플은 양성 샘플과 음성 샘플을 포함하고, 상기 양성 샘플은 실제의 도로 정보이고, 상기 음성 샘플은 허위 도로 정보이고, 상기 샘플 집합 중 샘플을 구분하여, 적어도 하나의 샘플 서열을 획득하되, 상기 적어도 하나의 샘플 서열 중 동일 샘플 서열에 속하는 샘플의 유형과 발생 위치가 동일하고, 상기 적어도 하나의 샘플 서열을 기초로, 초기 모델을 트레이닝하여, 상기 뉴럴 네트워크 모델을 획득하는 트레이닝 모듈을 더 포함한다.
일 가능한 설계에서, i번째 샘플 서열에 대하여, 상기 트레이닝 모듈은 상기 적어도 하나의 샘플 서열을 기초로, 초기 모델을 트레이닝하여, 상기 뉴럴 네트워크 모델을 획득할 때, 상기 초기 모델의 임베디드 계층에서 상기 i번째 샘플 서열 중 각각의 샘플의 특징 벡터를 결정하되, 상기 i번째 샘플 서열은 상기 적어도 하나의 샘플 서열 중 어느 하나의 샘플 서열을 기초로 획득되고; 상기 초기 모델의 장단 시 기억 순환 뉴럴 네트워크 계층을 이용하여 상기 i번째 샘플 서열 중 각각의 샘플의 특징 벡터를 학습함으로써, 복수의 콘텍스트 벡터를 획득하되, 상기 복수의 콘텍스트 벡터 중 각각의 콘텍스트 벡터는 상기 i번째 샘플 서열 중 샘플 사이의 관계를 지시하기 위한 것이고, 상기 복수의 콘텍스트 벡터를 기초로 상기 초기 모델의 연결 계층, 풀리 연결 계층과 손실 함수 계층을 트레이닝하여, 상기 뉴럴 네트워크 모델을 획득한다.
일 가능한 설계에서, 상기 트레이닝 모듈은 상기 복수의 콘텍스트 벡터를 기초로 상기 초기 모델의 연결 계층, 풀리 연결 계층과 손실 함수 계층을 트레이닝하여, 상기 뉴럴 네트워크 모델을 획득할 때, 상기 초기 모델의 연결 계층에서 상기 복수의 콘텍스트 벡터를 스플라이싱하여, 스플라이싱 벡터를 획득하고, 상기 스플라이싱 벡터를 이용하여 상기 초기 모델의 풀리 연결 계층과 손실 함수 계층을 학습하여, 상기 뉴럴 네트워크 모델을 획득한다.
일 가능한 설계에서, 상기 i번째 샘플 서열은 상기 적어도 하나의 샘플 서열 중 어느 하나의 샘플 서열이거나;
또는,
상기 i번째 샘플 서열은 상기 적어도 하나의 샘플 서열 중 어느 하나의 샘플 서열의 서브 서열이다.
일 가능한 설계에서, 상기 트레이닝 모듈은 상기 i번째 샘플 서열에 대하여, 상기 i번째 샘플 서열 중 상기 각각의 샘플의 상기 특징 벡터를 결정할 때, 상기 i번째 샘플 서열 중 상기 각각의 샘플에 대응되는 전자기기 특징, 노변 장치(RSU) 특징 및 도로 정보 특징 중 적어도 하나를 추출하되, 상기 i번째 샘플 서열 중 상기 각각의 샘플에 대하여, 상기 각각의 샘플에 대응되는 상기 전자기기 특징, 상기 RSU 특징 및 상기 도로 정보 특징 중 적어도 하나를 기초로, 상기 각각의 샘플의 상기 특징 벡터를 생성하되, 상기 전자기기 특징은 상기 각각의 샘플을 보고하는 전자기기를 나타내기 위한 것이고, 상기 RSU 특징은 상기 전자기기로 상기 각각의 샘플을 브로드캐스트하는 RSU을 나타내기 위한 것이고, 상기 도로 정보 특징은 상기 각각의 샘플을 나타내기 위한 것이다.
일 가능한 설계에서, 상기 전자기기 특징은 상기 전자기기의 식별자, 상기 전자기기가 상기 각각의 샘플을 보고한 횟수 또는 상기 전자기기가 유효 샘플을 보고한 횟수를 포함하고, 상기 트레이닝 모듈은 또한 상기 전자기기가 보고한 상기 각각의 샘플에 대해 중복 제거를 수행하여, 상기 전자기기가 비중복 샘플을 보고한 횟수를 결정하고, 상기 전자기기가 보고한 상기 유효 샘플에 대해 중복 제거를 수행하여, 상기 전자기기가 비중복 유효 샘플을 보고한 횟수를 결정한다.
일 가능한 설계에서, 상기 RSU 특징은 상기 RSU의 식별자, 상기 RSU가 상기 각각의 샘플을 브로드캐스트한 총 횟수 및 상기 RSU가 상기 유효 샘플을 브로드캐스트한 횟수를 포함하고, 상기 트레이닝 모듈은 또한 상기 RSU가 상기 각각의 샘플을 브로드캐스트한 총 횟수로부터 상기 RSU가 상기 각각의 샘플을 중복하여 브로드캐스트한 횟수를 제거하고, 상기 RSU가 상기 유효 샘플을 브로드캐스트한 횟수로부터 상기 RSU가 상기 유효 샘플을 중복 브로드캐스트한 횟수를 제거한다.
일 가능한 설계에서, 상기 도로 정보 특징은 샘플 유형, 샘플 위치, 샘플 시작 시간, 샘플 종료 시간, 상기 전자기기가 상기 각각의 샘플을 수신한 시간 중 적어도 하나를 포함하되, 상기 샘플 위치는 상기 각각의 샘플이 발생한 지리적 위치를 나타낸다.
제3 측면에 따르면, 본 출원의 실시예는,
적어도 하나의 프로세서; 및
상기 적어도 하나의 프로세서와 통신 연결되는 메모리;를 포함하되,
상기 메모리에 상기 적어도 하나의 프로세서에 의해 실행될 수 있는 명령이 저장되어 있고, 상기 명령은 상기 적어도 하나의 프로세서에 의해 실행되어, 상기 적어도 하나의 프로세서가 제1측면 또는 제1 측면의 임의의 구현 가능한 방법을 수행할 수 있도록 한다.
제4 측면에 따르면, 본 출원의 실시예는 명령을 포함하는 컴퓨터 프로그램 제품을 포함한다. 해당 컴퓨터 프로그램 제품은 전자기기 상에서 실행될 때, 전자기기가 상술한 제1측면 또는 제1 측면의 임의의 구현 가능한 방법을 수행하도록 한다.
제5 측면에 따르면, 컴퓨터 명령이 저장된 비일시적 컴퓨터 판독 가능 저장매체에 있어서, 상기 컴퓨터 명령은 상기 컴퓨터가 제1측면 또는 제1 측면의 임의의 구현 가능한 방법을 수행하도록 한다.
제6 측면에 따르면, 본 출원의 실시예는 맵 데이터 업데이트 방법을 제공한다. 해당 방법은, 전자기기에서 보고하는 도로 정보를 수신하는 단계; 상기 도로 정보를 기초로 적어도 하나의 서열을 결정하되, 상기 적어도 하나의 서열 중 동일한 서열에 속하는 도로 정보의 유형과 발생 위치는 동일한 단계; 상기 적어도 하나의 서열을 기초로, 맵 데이터를 업데이트 하는 단계;를 포함한다.
상술한 출원 중 하나의 실시예는 아래와 같은 이점 또는 유리한 효과를 가진다. 서버는 서열에 포함된 각각의 도로 정보를 뉴럴 네트워크 모델로 입력하고, 서열 중 각 도로 정보의 콘텍스트와 뉴럴 네트워크 기술을 결합하여, 유효한 도로 정보를 인식해내고 맵 데이터를 업데이트하여, 정확하게 맵 데이터를 업데이트하는 목적을 달성한다.
본 부분에 기재되는 내용은 본 출원의 실시예의 핵심 또는 중요 특징을 특정하려는 목적이 아니며, 본 출원의 범위를 한정하는 것도 아님을 이해하여야 한다. 본 출원의 기타 특징은 아래의 명세서로부터 쉽게 이해할 수 있다.
첨부되는 도면은 본 방안을 더 충분히 이해하도록 제공되는 것으로서, 본 출원에 대한 한정은 아니다.
도 1a는 본 출원의 실시예에 따른 맵 데이터 업데이트 방법의 네트워크 아키텍쳐를 나타내는 도면이다.
도 1b는 본 출원의 실시예에 따른 맵 데이터 업데이트 방법의 다른 네트워크 아키텍쳐를 나타내는 도면이다.
도 2는 본 출원의 실시예에 따른 맵 데이터 업데이트 방법의 흐름도이다.
도 3은 본 출원의 실시예에 따른 맵 데이터 업데이트 방법 중 모델 트레이닝을 나타내는 도면이다.
도 4는 본 출원의 실시예에 따른 맵 데이터 업데이트 방법의 과정을 나타내는 도면이다.
도 5는 본 출원의 실시예에 따른 맵 데이터 업데이트 장치의 구조도이다.
도 6은 본 출원의 실시예에 따른 다른 맵 데이터 업데이트 장치의 구조도이다.
도 7은 본 출원의 실시예에 따른 맵 데이터 업데이트 방법을 구현하기 위한 전자기기의 블록도이다.
아래에서는 첨부 도면과 결합하여 본 출원의 예시적인 실시예에 대하여 설명하며, 이해를 돕기 위하여 본 출원의 실시예의 다양한 세부 사항을 포함하며, 이들을 단지 예시적인 것으로만 간주되어야 한다. 따라서, 본 분야의 통상적인 지식을 가진자라면, 여기에 설명된 실시예에 대하여 다양한 변경과 수정을 가할 수 있으며, 이는 본 출원의 범위와 정신을 벗어나지 않는 것으로 이해하여야 한다. 마찬가지로, 명확성과 간결성을 위하여, 아래의 설명에서 공지 기능과 구조에 대한 설명을 생략한다.
처량 대 사물(vehicle to X, V2X) 통신은 차량 네트워크의 핵심적인 기술 방향이다. V2X 통신은 안전하고 효율적으로 차량과 교통 시스템 중 다양한 요소의 정보 교환을 구현한다. 동시에, 도시의 급속한 발전과 도로의 복잡도가 점점 높아짐에 따라, 전자맵에 대한 사용자의 수요가 점점 높아지고 있다. 맵 데이터는 전자맵의 기반으로서, 주로 도로 정보 등을 포함한다. 도로 정보는 예를 들어 도로 공사, 도로 봉쇄, 교통 사고 발생 등이다. 도로 정보는 고정적인 것이 아니므로, 도로 정보를 기초로 맵 데이터에 대해 업데이트하여야 한다.
일반적인 맵 데이터 업데이트 방법은 V2X, 제5 세대(5th generation, 5G) 또는 에지 기술 기반 맵 데이터 업데이트 방법을 포함한다. 해당 방법은 전면적으로, 정확하고, 신속하게 도로 정보를 인식하고 맵 데이터를 업데이터한다. 구체적으로, 다양한 노변 장치(Roadside Unit, RSU)는 도로 정보를 인식해낸 후； 또는, 제어 센터에서 도로 정보를 인식해내고 RSU로 발송한 후, RSU는 도로 정보를 온보드 유닛(On board Unit, OBU)으로 브로드캐스트한다. OBU는 도로 정보를 수신한 후, 도로 정보를 서버로 업로드한다. 서버는 이러한 도로 정보를 이용하여 맵 데이터를 업데이트한다.
V2X 기술을 이용하여 도로 정보를 획득하여 서버에 보고하고, 서버에서 도로 정보를 기초로 맵 데이터에 대해 업데이트한다.
상술한 맵 데이터 업데이트 방법은 OBU 등의 차량용 기기가 고의적으로 파괴된 경우를 고려하지 않는다. 차량용 기기가 고의적으로 파괴된 후, 파괴된 OBU는 차단, 위조 또는 변조 등의 수단으로, 무효 도로 정보를 보고할 수 있다. 만약 서버가 해당 무효한 도로 정보를 바로 검출해내지 못하면, 맵 데이터 업데이트의 에러를 초래하게 된다. 틀린 맵 데이터를 기초로 문제점이 존재하는 전자맵을 생성하게 된다. 만약 사용자가 이러한 문제점이 존재하는 전자 맵을 이용하여 네비게이션할 경우, 네비게이션 경로가 틀리는 상황이 발생할 가능성이 크며, 사용자의 출행 코스트가 상승하게 된다.
따라서, 무효 도로 정보의 검출은 맵 데이터 업데이트의 핵심적인 문제로 대두되고 있다.
본 출원의 실시예는 맵 데이터 업데이트 방법, 장치, 기기 및 판독 가능 저장매체를 제공하며, 유효 도로 정보를 인식하고, 유효 도로 정보를 이용하여 맵 데이터를 업데이트함으로써, 맵 데이터를 정확하게 업데이트하는 목적을 달성한다.
우선, 본 출원의 실시에서 사용되는 명사에 대해 해석한다.
V2X : V2X는 차량 무선 통신 기술을 가리키며, 해당 기술은 안전적이고, 효율적으로 차량과 교통 시스템 중 각 요소의 정보 교환을 구현할 수 있다. 여기서, V는 차량을 나타내고, X는 차량과 정보 교환을 수행할 수 있는 모든 대상을 나타내는 바, 주로 차량, 사람, 예컨대 RSU와 같은 교통 노변 인프라, 네트워크 등을 포함한다.
RSU : 도로 옆에 설치된 노변기기를 의미하며, RSU는 노변 장치로도 지칭된다. RSU는 도로, 교통 및 날씨 정보 등을 수집하며, 이러한 정보는 RSU 자체에 의해 처리된다. 또는, RSU는 이러한 정보를 제어 센터로 전송하여, 제어 센터에서 처리한다.처리된 후의 정보는 해당 RSU의 OBU 등으로 브로드캐스트된다. 이에 따라 도로와 차량, 도로와 사람, 도로와 클라우드 플랫폼 사이의 전방위 연결을 구현한다. 여기서, 클라우드 플랫폼은 클라우드 서버, 서버, V2X 플랫폼 등으로 불리울 수도 있다.
OBU : OBU는 V2X 무선 통신을 구현하는 차량용 기기이다. OBU는 V2X 통신 기술을 이용하여, RSU, V2X 플랫폼 및 기타 OBU 등과 인터랙션하고, 운전자가 현재 차량 주행 환경을 획득하도록 보조하여, 운전자가 다양하고 복잡한 상황에서 안정적으로, 안전하게 운전하도록 지시한다.
서열 : V2X 서열이라고도 지칭되며, 서버가 OBU 등의 전자기기에서 업로드한 도로 정보를 기초로 생성된다. 서열을 생성하는 과정에서, 서버는 도로 정보의 유형, 발생 지점 및 OBU가 해당 도로 정보를 수신한 시점과 같은 것들 중에서 적어도 하나에 따라, 복수의 도로 정보에 대해 분류, 정렬하여, 서열을 획득한다. 여기서, 일반적인 도로 정보는 도로 공사, 도로 봉쇄 또는 교통 사고 등을 포함한다.
다음, 본 출원의 실시예가 적용하는 네트워크 아키텍쳐에 대해 상세하게 설명한다.
도 1A는 본 출원의 실시예에 따른 맵 데이터 업데이트 방법의 네트워크 아키텍쳐를 나타내는 도면이다. 도 1A를 참조하면, 해당 네트워크 아키텍쳐는, 서버(1), 전자기기(2), 노변 장치(3)와 카메라(4)를 포함한다. 여기서, 서버(1)에 맵 데이터가 저장된다. 전자기기(2)는 예를 들어 OBU, 휴대폰, 노트북, 태블릿 PC와 같은 것들일 수 있으며, 도 1A는 OBU인 경우를 예로 든다. 카메라(4)는 예를 들어 노변에 설치되어 도로 상의 차량, 보행자 등에 대해 촬영하는 기기이다. 도로에서 차량 충돌 사고가 발생하였다고 가정하면, 충돌이 발생한 차량의 OBU는 충돌 정보를 RSU로 보고하며, 도면의 ①로 표시된 바와 같다. 또는, 노변 장치(3)와 연결된 카메라(4)가 도로에 대해 촬영하여, 충돌 정보를 노변 장치(3)로 발송하며, 도면의 ②로 표시된 바와 같다. 노변 장치(3)는 충돌 정보를 수신하고, 해당 충돌 정보를 인식하여 도로 정보를 획득하며, 해당 도로 정보는 도로 상의 차량 충돌 발생, 도로 정체를 지시한다.
노변 장치(3)는 도로 정보를 인식한 후 해당 도로 정보를 브로드캐스트하여, 자신에 접속한 전자기기(2)가 해당 도로 정보를 수신하도록 하며, 도면의 ③으로 표시된 바와 같다. 전자기기(2)는 수신한 도로 정보를 서버(1)로 발송하며, 도면의 ④로 표시된 바와 같다. 서버(1)는 수신한 도로 정보를 기초로 서열을 생성하고, 서열에 포함된 도로 정보를 사전에 트레이닝된 뉴럴 네트워크 모델에 입력하여, 서열에서 지시하는 도로 정보의 유효 여부를 인식한다. 만약 도로 정보가 유효하면, 유효한 도로 정보를 이용하여 맵 데이터를 업데이트한다.
도 1B는 본 출원의 실시예에 따른 맵 데이터 업데이트 방법의 다른 네트워크 아키텍쳐를 나타내는 도면이다. 도 1A에 도시된 아키텍쳐와 비교하면, 해당 네트워크 아키텍쳐는 제어 센터(5)를 더 포함한다. 제어 센터(5)는 RSU(3)를 제어한다. RSU는 전자기기(2)에서 발송한 충돌 정보 또는 카메라(4)에서 발송한 충돌 정보를 수신한 후, RSU는 해당 충돌 정보롤 제어 센터(5)로 발송한다. 도면 중 ⑤로 표시된 바와 같다. 제어 센터는 충돌 정보를 수신한 후, 해당 충돌 정보를 인식하여 도로 정보를 획득하되, 해당 도로 정보는 도로 상의 차량 충돌 발생, 도로 정체를 지시한다. 다음, 제어 센터(5)는 도로 정보를 노변 장치(3)로 발송하고, 노변 장치(3)는 해당 도로 정보를 수신한다.
이하, 상술한 명사 해석과 도 1A, 도 1B에 도시된 네트워크 아키텍쳐를 기초로 본 출원의 실시예에 따른 맵 데이터 업데이트 방법에 대해 상세하게 설명한다.예시적으로, 도 2를 참조할 수 있다.
도 2는 본 출원의 실시예에 따른 맵 데이터 업데이트 방법의 흐름도이다. 본 실시예의 수행 주체는 전자기기로서, 해당 전자기기는 예를 들어 상술한 도 1A와 도 1B 중 서버이다. 본 실시예는 아래의 단계들을 포함한다.
101, 전자기기에서 보고하는 도로 정보를 수신하되, 상기 도로 정보는 노변 장치에서 상기 전자기기로 브로드캐스트한 도로 정보이다.
도 1A와 도 1B를 참조하면, 전자기기는 예를 들어 RSU로부터 제공되는 브로드캐스트 정보를 수신하는 전자기기이다. 전자기기는 수신한 도로 정보를 서버로 발송하며, 도 1A와 도 1B 중 ④로 표시된 바와 같다.
102, 상기 도로 정보를 기초로 적어도 하나의 서열을 결정하되, 상기 적어도 하나의 서열 중 동일한 서열에 속하는 도로 정보의 유형과 발생 위치는 동일하다.
서버는 도로 정보를 수신한 후, 각각의 도로 정보의 유형과 위치 등을 기초로, 적어도 하나의 서열을 획득한다. 예를 들어, 서버가 수신한 도로 정보는 도로 정보a - 도로 정보e를 포함한다. 여기서, 도로 정보a의 유형은 충돌, 위치는 지점 A, 시점은 T1이고; 도로 정보b의 유형은 충돌, 위치는 지점A, 시점은 T2; 도로 정보c의 유형은 충돌, 위치는 지점A, 시점은 T3; 도로 정보d의 유형은 봉쇄, 위치는 지점B, 시점은 T4; 도로 정보e의 유형은 봉쇄, 위치는 지점B, 시점은 T5이면, 서버는 이러한 도로 정보를 기초로 2개의 서열을 생성하며, 각각 서열1 : [도로 정보a, 도로 정보b, 도로 정보c], 서열2 : [도로 정보d, 도로 정보e]이다.
103, 상기 적어도 하나의 서열 중 각각의 서열에 포함된 도로 정보를 사전에 트레이닝된 뉴럴 네트워크 모델에 입력하여, 대응되는 서열의 인식 결과를 획득하되, 상기 인식 결과는 상기 대응되는 서열에 속하는 도로 정보의 유효 여부를 지시하기 위한 것이고, 상기 대응되는 서열에 속하는 도로 정보가 유효할 때, 상기 대응되는 서열에 속하는 도로 정보는 실제 도로 정보이다.
예시적으로, 서버 상에 트레이닝된 뉴럴 네트워크 모델이 미리 설치된다. 서버는 각각의 서열에 포함된 도로 정보를 순차적으로 뉴럴 네트워크 모델로 입력하고, 뉴럴 네트워크 모델은 해당 서열에 포함된 도로 정보에 대해 학습하여 출력 결과를 획득한다. 출력 결과는 해당 서열에 속하는 도로 정보가 유효한지 여부를 지시한다. 예를 들어, 서버는 서열1 : [도로 정보a, 도로 정보b, 도로 정보c]을 뉴럴 네트워크 모델로 입력하고, 뉴럴 네트워크 모델은 서열1 중 각각의 도로 정보에 대해 특징 벡터를 추출하고, 이러한 특징 벡터에 대해 학습하여 출력 결과를 획득한다. 해당 출력 결과가 0일 때, 도로 정보a, 도로 정보b와 도로 정보c가 무효함을 의미한다. 출력 결과가 1일 때, 도로 정보a, 도로 정보b, 도로 정보c가 유효함을 의미한다.
104, 만약 상기 대응되는 서열에 속하는 도로 정보가 유효하면, 상기 대응되는 서열에 속하는 도로 정보를 이용하여 맵 데이터를 업데이트한다.
예시적으로, 서버는 유효한 도로 정보를 결정한 후, 해당 유효한 도로 정보를 맵 데이터로 업데이트한다. 사용자가 전자맵을 사용할 때, 서버는 업데이트된 후의 맵 데이터를 사용자의 전자기기로 발송하여, 사용자의 전자기기가 업데이트된 후의 맵 데이터를 기초로 맵을 표시하고, 사용자를 위해 네비게이션 등을 수행하도록 한다.
본 출원의 실시예에 따른 맵 데이터 업데이트 방법에서, 서버는 전자기기에서 보고하는 도로 정보를 수신한 후, 도로 정보를 기초로 복수의 서열을 획득하되, 동일한 서열에 속하는 각 도로 정보의 유형, 위치는 동일하다. 다음, 서버는 사전에 트레이닝된 뉴럴 네트워크 모델로 서열에 포함된 각각의 도로 정보를 입력하여, 뉴럴 네트워크 모델이 서열을 기초로 인식 결과를 출력하도록 한다. 만약 인식 결과에서 상기 서열에 속하는 도로 정보가 유효함을 지시하면, 서버는 해당 유효한 도로 정보를 이용하여 맵 데이터를 업데이트한다. 해당 방안을 사용함으로써, 서버는 서열에 포함된 각각의 도로 정보를 뉴럴 네트워크 모델로 입력하고, 서열 중 각 도로 정보의 콘텍스트와 뉴럴 네트워크 기술을 결합하여, 유효한 도로 정보를 인식해내고 맵 데이터를 업데이트하여, 정확하게 맵 데이터를 업데이트하는 목적을 달성한다.
본 출원의 실시예는 대체적으로 모델을 미리 트레이닝하는 단계, 모델을 이용하여 온라인으로 예측하는 단계, 맵 데이터 업데이트 단계와 같은 3개의 단계로 구분된다. 이하, 해당 몇가지 단계에 대해 상세하게 설명한다.
우선, 모델을 미리 트레이닝하는 단계.
상술한 실시예에서, 상기 적어도 하나의 서열 중 각각의 서열에 포함된 도로 정보를 사전에 트레이닝된 뉴럴 네트워크 모델에 입력하여, 대응되는 서열의 인식 결과를 획득하기 전에, 또한 뉴럴 네트워크 모델을 트레이닝한다.
뉴럴 네트워크 모델을 트레이닝하는 과정에서, 서버는 우선 샘플 집합을 획득하되, 상기 샘플 집합 중 샘플은 양성 샘플과 음성 샘플을 포함하고, 상기 양성 샘플은 실제의 도로 정보이고, 상기 음성 샘플은 허위 도로 정보이다. 이어서, 서버는 상기 샘플 집합 중 샘플을 구분하여, 적어도 하나의 샘플 서열을 획득하되, 상기 적어도 하나의 샘플 서열 중 동일한 샘플 서열에 속하는 샘플의 유형과 발생 위치가 동일하다. 마지막으로, 서버는 상기 적어도 하나의 샘플 서열을 기초로, 초기 모델을 트레이닝하여, 상기 뉴럴 네트워크 모델을 획득한다.
예시적으로, 사전에 인공 표기와 같은 방식으로, 복수의 샘플로부터 양성 샘플과 음성 샘플을 표기한다. 다음, 이러한 샘플에 대해 구분한다. 구분하는 과정에서, 서버는 유형이 동일하고, 위치가 동일한 샘플을 한 그룹으로 구분한다. 이어서, 동일한 그룹에 속하는 샘플에 대하여, 서버는 각각의 샘플의 수신 시간을 기초로 이러한 샘플에 대해 정렬하여, 서열을 획득한다. 예를 들어, 일 그룹으로 구분된 도로 정보는, 도로 정보a의 유형은 충돌, 위치는 지점A, 시점은 T1; 도로 정보b의 유형은 충돌, 위치는 지점A, 시점은 T2; 도로 정보c의 유형은 충돌, 위치는 지점A, 시점은 T3;을 포함한다. 해당 3개의 도로 정보의 유형과 지점은 동일하지만, 전자기기가 도로 정보를 수신한 시점은 다르다. 여기서, T1, T2와 T3은 동일한 전자기기 또는 서로 다른 전자기기가 도로 정보를 수신한 시점으로서, 선후 순서는 T2, T1와 T3이다. 따라서, 서열은 [도로 정보b, 도로 정보a, 도로 정보c]이다.
마지막으로, 서버는 적어도 하나의 샘플 서열을 기초로 초기 모델을 트레이닝하여, 초기 모델이 최적 상태에 도달할 때까지, 초기 모델의 파라미터 등에 대해 끊임없이 최적화하고, 최적화 상태의 모델을 트레이닝된 뉴럴 네트워크 모델로 한다.
해당 방안을 사용함으로써, 서버는 전자기기에서 보고하는 샘플을 획득한 후, 각 샘플의 유형, 각 샘플의 발생 지점 및 전자기기가 각 샘플을 수신한 시점을 기초로, 샘플을 정렬하며, 이에 따라 샘플 서열을 획득하는 목적을 달성한다.
도 3은 본 출원의 실시예에 따른 맵 데이터 업데이트 방법 중 모델 트레이닝을 나타내는 도면이다. 도 3을 참조하면, 초기 모델은 5개의 계층을 포함하며, 각각 임베디드(Embedding) 계층, 양 방향 장단 시 기억 순환 뉴럴 네트워크(Bi-directional Long Short-Term Memory, BiLSTM)층, 연결(Concatenate) 계층, 풀리 연결(Fully connected layer, FC) 계층과 손실 함수 계층을 포함하며, 손실 함수는 예를 들어 softmax 등이다.
도 3을 참조하면, 서버는 샘플에 대해 정렬하여, 적어도 하나의 서열을 획득하되, 해당 적어도 하나의 서열은 서열 집합
Figure pat00001
을 형성한다. 다음, 서열 집합
Figure pat00002
중 어느 하나의 샘플 서열
Figure pat00003
에 대하여, 아래에서는 i번째 샘플 서열이라고 지칭한다. i번째 샘플 서열은 상기 적어도 하나의 샘플 서열 중 어느 하나의 샘플 서열을 기초로 획득된 것이다. 예를 들어, i번째 샘플 서열은 적어도 하나의 샘플 서열 중 어느 하나의 샘플 서열이다. 또 예를 들어, i번째 샘플 서열은 상기 적어도 하나의 샘플 서열 중 어느 하나의 샘플 서열의 서브 서열이다. i번째 샘플 서열
Figure pat00004
은
Figure pat00005
개의 샘플을 포함하고,
Figure pat00006
≥1이며 정수라고 가정한다. 서버는 그 중 연속되는 복수의 샘플을 추출하여 하나의 서브 서열을 형성하되, 해당 서브 서열에 포함된 샘플이 샘플
Figure pat00007
, 샘플
Figure pat00008
, 샘플
Figure pat00009
, 샘플
Figure pat00010
이라고 가정하면, 해당 서브 서열은
Figure pat00011
로 표시한다.
해당 방안을 사용함으로써, 샘플의 수량이 보다 적을 때, 서브 서열을 추출하는 방식으로 서열 개수를 확장함으로써, 모델 트레이닝 정밀도를 향상시킨다.
서버는 서열 집합
Figure pat00012
를 획득한 다음, i번째 샘플 서열에 포함된 도로 정보를 초기 모델의 Embedding 계층으로 입력하여, Embedding 계층에서 i번째 샘플 서열 중 각각의 샘플의 특징 벡터를 추출하도록 하고, 추출한 특징 벡터를 BiLSTM 계층으로 입력한다. 예를 들어, i번째 샘플 서열
Figure pat00013
이
Figure pat00014
이면, Embedding 계층은 샘플
Figure pat00015
, 샘플
Figure pat00016
, 샘플
Figure pat00017
, 샘플
Figure pat00018
각각의 특징 벡터를 추출한다. 추출한 특징 벡터를 BiLSTM 계층으로 입력한다.
서버는 BiLSTM 계층에서, 초기 모델의 장단 시 기억 순환 뉴럴 네트워크 계층을 이용하여 상기 i번째 샘플 서열 중 각각의 샘플의 특징 벡터를 학습하여, 복수의 콘텍스트 벡터를 획득하되, 상기 복수의 콘텍스트 벡터 중 각각의 콘텍스트 벡터는 상기 i번째 샘플 서열 중 샘플 사이의 관계를 지시하기 위한 것이다.
예시적으로, BiLSTM는 순방향 LSTM와 역방향 LSTM로 구성되고, 일반적으로 콘텍스트 정보를 모델링하기 위해 사용된다. i번째 샘플 서열
Figure pat00019
의 각각의 샘플의 특징 벡터를 BiLSTM 계층으로 입력한 후, BiLSTM 계층은 i번째 샘플 서열
Figure pat00020
의 각 샘플의 콘텍스트를 이용하여, 복수의 콘텍스트 벡터를 획득한다. 이러한 콘텍스트 벡터 중 각각의 콘텍스트 벡터는 샘플 사이의 관계를 휴대한다. 서버는 상기 복수의 콘텍스트 벡터를 기초로 상기 초기 모델의 연결 계층, 풀리 연결 계층과 손실 함수 계층을 트레이닝하여, 상기 뉴럴 네트워크 모델을 획득한다.
예시적으로, 손실 함수 계층에 대응되는 손실 함수는 예를 들어 softmax이고, 서버는 복수의 콘텍스트 벡터를 기초로 초기 모델의 연결 계층, 풀리 연결 계층과 손실 함수 계층의 파라미터를 끊임없이 조정하여, 초기 모델의 연결 계층, 풀리 연결 계층과 손실 함수 계층의 파라미터가 최적화되도록 하며, 최적화된 초기 모델을 뉴럴 네트워크 모델로 한다.
해당 방안을 사용함으로써, 서버는 서열 집합
Figure pat00021
중 i번째 샘플 서열
Figure pat00022
중 샘플을 입력으로 하여, 초기 모델을 끊임없이 트레이닝 최적화하며, 이에 따라 뉴럴 네트워크 모델을 획득하는 목적을 달성한다.
서버는 상기 복수의 콘텍스트 벡터를 기초로 상기 초기 모델의 연결 계층, 풀리 연결 계층과 손실 함수 계층을 트레이닝하여, 상기 뉴럴 네트워크 모델을 획득할 때, 우선 초기 모델의 연결 계층에서 상기 복수의 콘텍스트 벡터를 스플라이싱하여, 스플라이싱 벡터를 획득한다. 이어서, 상기 스플라이싱 벡터를 이용하여 상기 초기 모델의 풀리 연결 계층과 손실 함수 계층을 학습하여, 상기 뉴럴 네트워크 모델을 획득한다.
예시적으로, 다시 도 3을 참조하면, BiLSTM 계층은 복수의 콘텍스트 벡터를 출력하며, 이러한 벡터는 Concatenate 계층으로 입력된다. Concatenate 계층은 BiLSTM 계층에서 출력하는 모든 콘텍스트 벡터에 대해 스플라이싱하여, 스플라이싱 벡터를 획득한다. 해당 스플라이싱 벡터는 FC 계층으로 입력된다. 스플라이싱 벡터는 FC층과 softmax층 처리를 거친 후, 초기 모델의 각 계층의 파라미터에 대한 조절을 완성한다.
해당 방안을 사용함으로써, 초기 모델의 Concatenate 계층, FC 계층과 softmax계층의 파라미터에 대해 조절하는 목적을 달성한다.
다음, 모델을 이용하여 온라인으로 예측하는 단계.
뉴럴 네트워크 모델을 트레이닝한 다음, 도로 정보가 유효한지 여부를 예측하는 과정에서, 서버는 예컨대 OBU와 같은 전자기기에서 보고한 도로 정보를 수신한 후, 도로 정보의 유형, 위치 등을 기초로 수신한 도로 정보에 대해 정렬하여, 복수의 서열을 획득한다. 다음, 서열에 포함된 도로 정보를 사전에 트레이닝된 뉴럴 네트워크 모델에 입력하여, 해당 서열에 속하는 도로 정보가 유효한지 여부를 판단한다.
판단 과정에서, 뉴럴 네트워크 모델의 Embedding 계층은 서열 중 각각의 도로 정보의 특징을 추출하여, 각각의 도로 정보의 특징 벡터를 획득하고, 이러한 특징 벡터는 BiLSTM 계층으로 입력된다. 다음, BiLSTM 계층은 특징 벡터를 학습하여, 콘텍스트 정보를 포함하는 복수의 콘텍스트 벡터를 획득한다. Concatenate 계층은 이러한 콘텍스트 벡터에 대해 스플라이싱하여, 스플라이싱 벡터를 획득한다. 마지막으로, 해당 스플라이싱 벡터는 FC 계층과 Softmax 게층의 처리를 거친 후, 인식 결과를 획득할 수 있다. 해당 인식 결과는 어떤 유형, 어떤 위치에서 발생한 도로 정보가 유효한지 여부를 지시한다.
마지막으로, 맵 데이터 업데이트 단계.
해당 단계에서, 서버는 유효한 도로 정보를 획득한 후, 해당 도로 정보의 글로벌 포지셔닝 시스템(Global Positioning System, GPS) 위치, 유형 등의 정보를 추출하고, 추출한 정보를 기초로 맵 데이터를 업데이트한다.
상술한 모델을 이용하여 온라인으로 예측하는 단계와 맵 데이터 업데이트 단계는 도 4로 표시할 수 있다. 도 4는 본 출원의 실시예에 따른 맵 데이터 업데이트 방법의 과정을 나타내는 도면이다.
도 4를 참조하면, 서버 상에 서열 추출 모듈, 유효 도로 정보 인식 모듈과 맵 데이터 업데이트 모듈이 설치된다. 여기서, 서열 추출 모듈은 서열을 추출한다. 예를 들어, 각각의 도로 정보의 유형, 발생 지점과 OBU 수신 시간을 기초로, 도로 정보에 대해 정렬하여 서열을 획득한다.
유효 도로 정보 인식 모듈은 유효한 도로 정보를 마이닝한다. 마이닝 과정에서, 각각의 서열 중 각각의 도로 정보에 대해 OBU 특징, RSU 특징, 도로 정보 특징 등을 추출하고, 특징 벡터를 생성한다. 이어서, 특징 벡터를 모델로 입력하여, 도로 정보가 유효한지 여부를 판단한다.
맵 데이터 업데이트 모듈은 맵 데이터를 업데이트한다. 예를 들어, 유효한 도로 정보로부터 GPS 위치, 유형 등의 정보를 추출하고, 맵 데이터를 업데이트한다.
이하, 상술한 실시예에서, 서버가 어떻게 상기 i번째 샘플 서열 중 각각의 샘플의 특징 벡터를 결정하는지에 대해 상세하게 설명한다.
서열 집합
Figure pat00023
중 i번째 샘플 서열
Figure pat00024
의 각각의 샘플에 대하여, 서버는 각각의 샘플에 대응되는 전자기기 특징, 노변 장치 RSU 특징 및 도로 정보 특징 중 적어도 하나를 추출하되, 상기 전자기기 특징은 상기 각각의 샘플을 보고하는 전자기기를 나타내기 위한 것이고, 상기 RSU 특징은 상기 전자기기로 상기 각각의 샘플을 브로드캐스트하는 RSU를 나타내기 위한 것이고, 상기 도로 정보 특징은 상기 각각의 샘플을 나타내기 위한 것이다. 이어서, 서버는 상기 각각의 샘플의 전자기기 특징, 상기 RSU 특징 및 상기 도로 정보 특징 중 적어도 하나를 기초로, 상기 각각의 샘플의 특징 벡터를 생성한다.
예시적으로, 각각의 샘플에 대하여, 서버는 전자기기 특징(예를 들어 OBU 특징), RSU 특징, 도로 정보 특징 등을 추출하여, 해당 샘플의 특징 벡터를 생성한다. 이하, 전자기기 특징, RSU 특징과 도로 정보 특징에 대해 각각 상세하게 설명한다.
우선, 전자기기 특징.
전자기기 특징은 상기 각각의 샘플을 보고하는 전자기기를 나타내기 위한 것으로, 전자기기 식별자
Figure pat00025
, 전자기기가 상기 각각의 샘플을 보고한 횟수
Figure pat00026
, 전자기기가 유효 샘플을 보고한 횟수
Figure pat00027
를 포함한다.
A : 전자기기 식별자
Figure pat00028
.
각각의 전자기기에 대하여, 서버는 랜덤으로 차원이
Figure pat00029
인 벡터
Figure pat00030
를 생성하되, 해당 벡터
Figure pat00031
는 정상 분포
Figure pat00032
를 따르고,
Figure pat00033
는 예를 들어 32이다. 해당 벡터
Figure pat00034
는 전자기기의 식별자
Figure pat00035
를 나타낸다.
B : 전자기기가 상기 각각의 샘플을 보고한 횟수
Figure pat00036
와 전자기기가 상기 유효 샘플을 보고한 횟수
Figure pat00037
.
서버는 오프라인으로 전자기기가 과거에 도로 정보를 보고한 횟수를 통계하되, 해당 횟수는 전자기기가 상기 각각의 샘플을 보고한 횟수
Figure pat00038
이다. 서버는 또한 오프라인으로 전자기기가 과거에 유효한 도로 정보를 보고한 횟수를 통계하고, 해당 횟수는 전자기기가 상기 유효 샘플을 보고한 횟수
Figure pat00039
이다.
서버는 전자기기가 상기 각각의 샘플을 보고한 횟수
Figure pat00040
, 전자기기가 상기 유효 샘플을 보고한 횟수
Figure pat00041
를 통계한 후, 상기 전자기기가 보고한 상기 각각의 샘플에 대해 중복 제거를 수행하여, 상기 전자기기가 비중복 샘플을 보고한 횟수를 결정한다. 상기 전자기기가 보고한 상기 유효 샘플에 대해 중복 제거하여, 상기 전자기기가 비중복 유효 샘플을 보고한 횟수를 결정한다.
예시적으로, 전자기기는 서로 다른 RSU로부터 제공되는 도로 정보를 수신할 수 있지만, 서로 다른 RSU로부터 브로드캐스트되는 도로 정보는 동일할 수 있다. 따라서, 동일한 도로 정보에 대해 중복 제거를 수행하여, 복수의 중복 도로 정보 중 하나만 유지하고, 나머지는 삭제하여야 한다. 동시에, 삭제된 샘플의 수량을 기초로 전자기기가 상기 각각의 샘플을 보고한 횟수
Figure pat00042
를 조정하고, 삭제된 유효 샘플의 수량을 기초로 전자기기가 상기 유효 샘플을 보고한 횟수
Figure pat00043
를 조정한다.
중복 제거 후, 전자기기가 상기 각각의 샘플을 보고한 횟수
Figure pat00044
에 대해, 서버는 Z-score를 이용하여 표준화를 수행하여, 전자기기가 샘플을 보고한 횟수
Figure pat00045
가 정상 분포
Figure pat00046
를 따르도록 한다.
전자기기가 상기 유효 샘플을 보고한 횟수
Figure pat00047
에 대해, 서버는 Z-score를 이용하여 이에 대해 표준화를 수행하여, 전자기기가 상기 각각의 샘플을 보고한 횟수
Figure pat00048
가 정상 분포
Figure pat00049
를 따르도록 한다.
해당 방안을 사용함으로써, 전자기기가 보고한 샘플과 유효 샘플에 대해 중복 제거를 수행함으로써, 샘플의 단일성을 확보하여, 모델의 정밀도를 향상시킨다.
다음, RSU 특징.
RSU 특징은 상기 전자기기로 상기 각각의 샘플을 브로드캐스트하는 RSU을 나타내기 위한 것으로서, RSU의 식별자
Figure pat00050
, 상기 RSU가 상기 각각의 샘플을 브로드캐스트한 총 횟수
Figure pat00051
와 상기 RSU가 상기 유효 샘플을 브로드캐스트한 회수
Figure pat00052
중 적어도 하나를 포함한다.
C : RSU의 식별자
Figure pat00053
.
각각의 RSU에 대하여, 서버는 랜덤으로 차원이
Figure pat00054
인 벡터
Figure pat00055
를 생성하되, 해당 벡터
Figure pat00056
는 정상 분포
Figure pat00057
를 따르며,
Figure pat00058
는 예를 들어 32이다. 해당 벡터
Figure pat00059
는 RSU의 식별자
Figure pat00060
를 나타내기 위한 것이다.
D: RSU가 상기 각각의 샘플을 브로드캐스트한 총 횟수
Figure pat00061
와 상기 RSU가 상기 유효 샘플을 브로드캐스트한 유효 횟수
Figure pat00062
.
서버는 오프라인으로 RSU가 OBU 등의 전자기기로 도로 정보를 전송한 횟수를 통계하며, 해당 횟수는 RSU가 상기 각각의 샘플을 발송한 총 횟수
Figure pat00063
이다. 서버는 또한 오프라인으로 RSU가 OBU로 유효 도로 정보를 발송한 횟수를 통계하고, 해당 횟수는 바로 RSU가 샘플을 브로드캐스트한 유효 횟수
Figure pat00064
이다.
서버는 RSU가 상기 각각의 샘플을 브로드캐스트한 총 횟수
Figure pat00065
와 상기 RSU가 상기 유효 샘플을 브로드캐스트한 횟수
Figure pat00066
를 결정한 후, 또한 상기 RSU가 상기 각각의 샘플을 브로드캐스트한 총 횟수로부터 상기 RSU가 상기 각각의 샘플을 중복하여 브로드캐스트한 횟수를 제거하고, 상기 RSU가 상기 유효 샘플을 브로드캐스트한 횟수로부터 상기 RSU가 유효 샘플을 중복 브로드캐스트한 횟수를 제거한다.
예시적으로, RSU는 동일한 도로 정보를 여러번 브로드캐스트할 수 있다. 따라서, 총 횟수
Figure pat00067
로부터 동일한 샘플을 중복 브로드캐스트한 횟수를 감산하고, RSU가 상기 유효 샘플을 브로드캐스트한 유효 횟수
Figure pat00068
로부터 동일한 유효 샘플을 브로드캐스트한 횟수를 제거해야 한다.
중복 제거 후, RSU가 상기 각각의 샘플을 브로드캐스트한 총 횟수
Figure pat00069
에 대해, 서버는 Z-score를 이용하여 이에 대해 표준화를 수행하여, RSU가 상기 각각의 샘플을 브로드캐스트한 총 횟수
Figure pat00070
가 정상 분포
Figure pat00071
를 따르도록 한다.
RSU가 상기 유효 샘플을 브로드캐스트한 횟수
Figure pat00072
에 대하여, 서버는 Z-score를 이용하여 표준화를 수행함으로써, RSU가 상기 유효 샘플을 브로드캐스트한 횟수
Figure pat00073
가 정상 분포
Figure pat00074
를 따르도록 한다.
해당 방안을 사용함으로써, RSU가 상기 각각의 샘플을 브로드캐스트한 총 횟수
Figure pat00075
와 상기 유효 샘플을 브로드캐스트한 횟수
Figure pat00076
에 대해 중복 제거를 수행하여, 샘플의 단일성을 확보함으로써, 모델의 정밀도를 향상시킨다.
마지막으로, 도로 정보 특징.
본 출원의 실시예에서, 도로 정보 특징은 도로 정보를 나타내기 위한 것이고, 상기 도로 정보 특징은 샘플 유형
Figure pat00077
, 샘플 위치
Figure pat00078
, 샘플 시작 시간
Figure pat00079
, 샘플 종료 시간
Figure pat00080
, 상기 전자기기가 상기 각각의 샘플을 수신한 시간
Figure pat00081
중 적어도 하나를 포함하고, 상기 샘플 위치
Figure pat00082
는 상기 각각의 샘플이 발생된 지리 위치를 나타낸다.
E : 샘플 유형
Figure pat00083
.
각각의 도로 정보에 대하여, 서버는 랜덤으로 차원이
Figure pat00084
인 벡터
Figure pat00085
를 생성하되, 해당 벡터
Figure pat00086
는 정상 분포
Figure pat00087
를 따르고,
Figure pat00088
는 예를 들어 32이다. 해당 벡터
Figure pat00089
는 샘플 유형
Figure pat00090
을 나타낸다.
F : 샘플 시작 시간
Figure pat00091
.
샘플 시작 시간
Figure pat00092
은 도로 정보 발생 시점을 나타내기 위한 것이다. 시간 연속성을 확보하기 위하여, 샘플 시작 시간
Figure pat00093
는 사인과 코사인 변환된 2개의 특징으로 나타낸다. 즉, 샘플 시작 시간
Figure pat00094
는
Figure pat00095
로 나타낸다.
G : 샘플 종료 시간
Figure pat00096
.
샘플 종료 시간
Figure pat00097
는 도로 정보 종료 시점을 나타낸다. 시간 연속성을 확보하기 위하여, 샘플 종료 시간
Figure pat00098
는 샘플 시작 시간
Figure pat00099
과 일치하며, 마찬가지로 사인과 코사인 변환된 2개의 특징으로 나타낸다. 즉, 샘플 종료 시간
Figure pat00100
는
Figure pat00101
로 나타낸다.
H : 전자기기가 상기 각각의 샘플의 시간
Figure pat00102
을 수신하다.
전자기기가 상기 샘플을 수신한 시간
Figure pat00103
은 OBU 등의 전자기기가 RSU에서 브로드캐스트한 도로 정보를 수신한 시점을 나타낸다. 시간 연속성을 확보하기 위하여, 전자기기가 상기 각각의 샘플을 수신한 시간
Figure pat00104
과 샘플 종료 시간
Figure pat00105
, 샘플 시작 시간
Figure pat00106
는 일치하고, 마찬가지로 사인과 코사인 변환된 2개의 특징으로 나타낸다. 즉, 전자기기가 상기 각각의 샘플을 수신한 시간
Figure pat00107
은,
Figure pat00108
로 나타낸다.
I : 샘플 위치
Figure pat00109
.
샘플 위치
Figure pat00110
는 상기 각각의 샘플이 발생한 지리 위치를 나타낸다. 위치 특징의 일반화 능력을 향상시키기 위하여, 전국 맵을 변의 길이가 100 m인 정사각형 격자 집합
Figure pat00111
으로 분할하고, 단조증가하는 정수를 이용하여 위로부터 아래로, 좌측으로부터 우측으로 격자를 표기한다. 다음, Z-score 표준화를 이용하여, 정상 분포
Figure pat00112
를 따르도록 한다.
서버는 도로 정보가 위치한 격자 위치, 즉 샘플 위치
Figure pat00113
를 결정할 때, 정보 발생 지점의 GPS 정보를 기초로, 도로 정보가 위치한 격자를 결정하고, 나아가 해당 격자에 대응되는 값을 획득한다.
위에서는 본 출원의 실시예에서 제공하는 맵 데이터 업데이트 방법의 구체적인 구현에 대해 설명하였다. 아래에서는 본 출원의 장치 실시예에 대해 설명하며, 본 출원의 방법 실시예를 실행하는데 사용될수 있다. 본 출원의 장치 실시예에 개시되지 않은 내용은 본 출원의 방법 실시예를 참조할 수 있다.
도 5는 본 출원의 실시예에 따른 맵 데이터 업데이트 장치의 구조도이다. 해당 장치는 서버에 집적되거나 또는 서버를 통해 구현될 수 있다. 도 5에 도시된 바와 같이, 본 실시예에서, 해당 맵 데이터 업데이트 장치(100)는 수신모듈(11), 결정모듈(12), 인식모듈(13)과 업데이트 모듈(14)을 포함할 수 있다.
수신모듈(11)은 전자기기에서 보고하는 도로 정보를 수신하되, 상기 도로 정보는 노변 장치가 상기 전자기기로 브로드캐스트한 도로 정보이다.
결정모듈(12)은 상기 도로 정보를 기초로 적어도 하나의 서열을 결정하되, 상기 적어도 하나의 서열 중 동일한 서열에 속하는 도로 정보의 유형과 발생 위치는 동일하다.
인식모듈(13)은 상기 적어도 하나의 서열 중 각각의 서열에 포함된 도로 정보를 사전에 트레이닝된 뉴럴 네트워크 모델에 입력하여, 대응되는 서열의 인식 결과를 획득하되, 상기 인식 결과는 상기 대응되는 서열에 속하는 도로 정보의 유효 여부를 지시하기 위한 것이고, 상기 대응되는 서열에 속하는 상기 도로 정보가 유효할 때, 상기 대응되는 서열에 속하는 상기 도로 정보는 실제 도로 정보이다.
업데이트 모듈(14)은 만약 상기 대응되는 서열에 속하는 도로 정보가 유효하면, 상기 대응되는 서열에 속하는 도로 정보를 이용하여 맵 데이터를 업데이트한다.
도 6은 본 출원의 실시예에 따른 다른 맵 데이터 업데이트 장치의 구조도이다. 도 6에 도시된 바와 같이, 본 실시예에 따른 맵 데이터 업데이트 장치(100)는 상술한 도 5의 기초 상에서 트레이닝 모듈(15)을 더 포함한다.
트레이닝 모듈(15)은 상기 인식모듈(13)이 상기 적어도 하나의 서열 중 각각의 서열에 포함된 도로 정보를 사전에 트레이닝된 뉴럴 네트워크 모델에 입력하여, 대응되는 서열의 인식 결과를 획득하기 전에, 샘플 집합을 획득하되, 상기 샘플 집합 중 샘플은 양성 샘플과 음성 샘플을 포함하고, 상기 양성 샘플은 실제의 도로 정보이고, 상기 음성 샘플은 허위 도로 정보이고, 상기 샘플 집합 중 샘플을 구분하여, 적어도 하나의 샘플 서열을 획득하되, 상기 적어도 하나의 샘플 서열 중 동일 샘플 서열에 속하는 샘플의 유형과 발생 위치는 동일하고, 상기 적어도 하나의 샘플 서열을 기초로, 초기 모델을 트레이닝하여, 상기 뉴럴 네트워크 모델을 획득한다.
일 가능한 설계에서, i번째 샘플 서열에 대하여 상기 트레이닝 모듈(15)은 상기 적어도 하나의 샘플 서열을 기초로, 초기 모델을 트레이닝하여, 상기 뉴럴 네트워크 모델을 획득할 때, 상기 초기 모델의 임베디드 계층에서 상기 i번째 샘플 서열 중 각각의 샘플의 특징 벡터를 결정하되, 상기 i번째 샘플 서열은 상기 적어도 하나의 샘플 서열 중 어느 하나의 샘플 서열을 기초로 획득된다. 상기 초기 모델의 장단 시 기억 순환 뉴럴 네트워크 계층을 이용하여 상기 i번째 샘플 서열 중 각각의 샘플의 특징 벡터를 학습함으로써, 복수의 콘텍스트 벡터를 획득하되, 상기 복수의 콘텍스트 벡터 중 각각의 콘텍스트 벡터는 상기 i번째 샘플 서열 중 각각의 샘플 사이의 관계를 지시하기 위한 것이고, 상기 복수의 콘텍스트 벡터를 기초로 상기 초기 모델의 연결 계층, 풀리 연결 계층과 손실 함수 계층을 트레이닝하여, 상기 뉴럴 네트워크 모델을 획득한다.
일 가능한 설계에서, 상기 트레이닝 모듈(15)은 상기 복수의 콘텍스트 벡터를 기초로 상기 초기 모델의 연결 계층, 풀리 연결 계층과 손실 함수 계층을 트레이닝하여, 상기 뉴럴 네트워크 모델을 획득할 때, 상기 초기 모델의 연결 계층에서 상기 복수의 콘텍스트 벡터를 스플라이싱하여, 스플라이싱 벡터를 획득하고, 상기 스플라이싱 벡터를 이용하여 상기 초기 모델의 풀리 연결 계층과 손실 함수 계층을 학습함으로써, 상기 뉴럴 네트워크 모델을 획득한다.
일 가능한 설계에서, 상기 i번째 샘플 서열은 상기 적어도 하나의 샘플 서열 중 어느 하나의 샘플 서열이거나; 또는, 상기 i번째 샘플 서열은 상기 적어도 하나의 샘플 서열 중 어느 하나의 샘플 서열의 서브 서열이다.
일 가능한 설계에서, 상기 트레이닝 모듈(15)은 상기 i번째 샘플 서열에 대하여, 상기 i번째 샘플 서열 중 상기 각각의 샘플의 상기 특징 벡터를 결정할 때, 상기 i번째 샘플 서열 중 상기 각각의 샘플에 대응되는 전자기기 특징, 노변 장치 특징 및 도로 정보 특징 중 적어도 하나를 추출하되, 상기 i번째 샘플 서열 중 상기 각각의 샘플에 대하여, 상기 각각의 샘플에 대응되는 상기 전자기기 특징, 상기 RSU 특징 및 상기 도로 정보 특징 중 적어도 하나를 기초로, 상기 각각의 샘플의 상기 특징 벡터를 생성하며, 상기 전자기기 특징은 상기 각각의 샘플을 보고하는 전자기기를 나타내기 위한 것이고, 상기 RSU 특징은 상기 전자기기로 상기 각각의 샘플을 브로드캐스트하는 RSU을 나타내기 위한 것이고, 상기 도로 정보 특징은 상기 각각의 샘플을 나타내기 위한 것이다.
일 가능한 설계에서, 상기 전자기기 특징은 상기 전자기기의 식별자, 상기 전자기기가 상기 각각의 샘플을 보고한 횟수 또는 상기 전자기기가 유효 샘플을 보고한 횟수를 포함하고, 상기 트레이닝 모듈(15)은 또한 상기 전자기기가 보고한 상기 각각의 샘플에 대해 중복 제거를 수행하여, 상기 전자기기가 비중복 샘플을 보고한 횟수를 결정하고, 상기 전자기기가 보고한 상기 유효 샘플에 대해 중복 제거를 수행하여, 상기 전자기기가 비중복 유효 샘플을 보고한 횟수를 결정한다.
일 가능한 설계에서, 상기 RSU 특징은 상기 RSU의 식별자, 상기 RSU가 상기 각각의 샘플을 브로드캐스트한 총 횟수 및 상기 RSU가 상기 유효 샘플을 브로드캐스트한 횟수를 포함하고, 상기 트레이닝 모듈(15)은 또한 상기 RSU가 상기 각각의 샘플을 브로드캐스트한 총 횟수로부터 상기 RSU가 샘플을 중복하여 브로드캐스트한 중복 횟수를 제거하고, 상기 RSU가 상기 유효 샘플을 브로드캐스트한 횟수로부터 상기 RSU가 유효 샘플을 중복하여 브로드캐스트한 횟수를 제거한다.
일 가능한 설계에서, 상기 도로 정보 특징은 샘플 유형, 샘플 위치, 샘플 시작 시간, 샘플 종료 시간, 상기 전자기기가 상기 각각의 샘플을 수신한 시간 중 적어도 하나를 포함하되, 상기 샘플 위치는 상기 각각의 샘플이 발생한 지리적 위치를 나타낸다.
본 출원의 실시예에 따른 맵 데이터 업데이트 장치는, 상술한 실시예 중 서버에 의해 수행되는 방법에 사용될 수 있으며, 그 구현 원리와 기술효과는 유사하므로, 여기서 중복되는 설명을 생략한다.
본 출원의 실시예에 따르면, 본 출원은 전자기기와 판독 가능 저장매체를 더 제공한다.
본 출원의 실시예에 따르면, 컴퓨터 판독 가능 저장매체에 저장된 컴퓨터 프로그램을 더 제공하며, 상기 컴퓨터 프로그램 중의 명령이 프로세서에 의해 실행될 경우, 상술한 실시예에 따른 어느 하나의 해결방안을 구현한다.
도 7은 본 출원의 실시예에 따른 맵 데이터 업데이트 방법을 구현하기 위한 전자기기의 블록도이다. 전자기기는 다양한 형태의 디지털 컴퓨터, 예컨대, 랩톱 컴퓨터, 데스크톱 컴퓨터, 워크 스테이션, 개인 휴대 단말, 서버, 블레이드 서버, 대형 컴퓨터, 및 기타 적합한 컴퓨터를 의미한다. 전자기기는 다양한 형태의 이동장치, 예컨대, 개인 휴대 단말, 셀폰, 스마트 폰, 웨어러블 기기 및 기타 유사한 컴퓨팅 장치를 의미할 수도 있다. 본문에 개시된 부재, 이들의 연결 및 관계, 및 이들의 기능은 단지 예시적인 것이며, 본문에 개시된 것 및/또는 요구하는 본 출원의 구현을 한정하려는 의도가 아니다.
도 7에 도시된 바와 같이, 해당 전자기기는 하나 또는 복수의 프로세서(21), 메모리(22), 및 각 부재를 연결시키기 위한 고속 인터페이스와 저속 인터페이스를 포함하는 인터페이스를 포함한다. 각각의 부재는 서로 다른 버스를 통해 서로 연결되며, 공통 메인보드에 장착되거나 수요에 따라 기타 방식으로 장착될 수 있다. 프로세서는 전자기기 내에서 실행되는 명령을 처리할 수 있으며, 메모리 내 또는 메모리 상에 저장되어 외부 입력/출력 장치(예컨대, 인터페이스에 커플링된 디스플레이 기기) 상에 그래픽 유저 인터페이스(Graphical User Interface, GUI)의 그래픽 정보를 표시하는 명령을 포함할 수 있다. 기타 실시형태에서, 수요에 따라, 복수의 프로세서 및/또는 복수의 버스와 복수의 메모리를 같이 사용할 수 있다. 마찬가지로, 복수의 전자기기를 연결할 수 있으며, 각각의 기기는 부분 필요한 조작을 제공한다(예를 들어, 서버 어레이, 한 세트의 블레이드 서버, 또는 멀티 프로세서 시스템으로서). 도 7은 하나의 프로세서(21)를 예로 든다.
메모리(22)는 바로 본 출원에 따른 비일시적 컴퓨터 판독 가능 저장매체이다. 여기서, 상기 메모리는 적어도 하나의 프로세서에 의해 실행될 수 있는 명령이 저장되어, 상기 적어도 하나의 프로세서가 본 출원에 따른 맵 데이터 업데이트 방법을 수행하도록 한다. 본 출원의 비일시적 컴퓨터 판독 가능 저장매체는 컴퓨터 명령을 저장하고, 해당 컴퓨터 명령은 컴퓨터가 본 출원에 따른 맵 데이터 업데이트 방법을 수행하도록 한다.
메모리(22)는 비일시적 컴퓨터 판독 가능 저장매체로서, 비일시적 소프트웨어 프로그램, 비일시적 컴퓨터 실행 가능 프로그램 및 모듈, 예컨대 본 출원의 실시예에 따른 맵 데이터 업데이트 방법에 대응되는 프로그램 명령/모듈(예를 들어, 도 5에 도시된 수신모듈(11), 결정모듈(12), 인식모듈(13) 및 업데이트 모듈(14) 및 도6에 도시된 트레이닝 모듈(15))을 저장할 수 있다. 프로세서(21)는 메모리(22)에 저장된 비일시적 소프트웨어 프로그램, 명령 및 모듈을 실행하여, 서버의 다양한 기능 응용 및 데이터 처리를 수행한다. 즉, 상술한 방법 실시예 중 맵 데이터 업데이트 방법을 구현한다.
메모리(22)는 프로그램 저장 영역과 데이터 저장 영역을 포함할 수 있다. 여기서, 프로그램 저장 영역은 운영체제, 적어도 하나의 기능에 필요한 응용 프로그램을 저장할 수 있다. 데이터 저장 영역은 전자기기가 맵 데이터를 업데이트 방법을 수행하는 과정에서 구성되는 데이터 등을 저장할 수 있다. 한편, 메모리(22)는 고속 랜덤 액세스 메모리를 포함할 수 있고, 예를 들어 적어도 하나의 자기 저장 장치, 플래시 메모리, 또는 기타 비일시적 솔리드 스테이트 저장 장치와 같은 비일시적 메모리를 포함할 수도 있다. 일부 실시예에서, 메모리(22)는 선택적으로 프로세서(21)에 대해 원격으로 설치되는 메모리를 포함할 수 있다. 이러한 원격 메모리는 네트워크를 통해 맵 데이터 업데이트 방법을 수행하는 전자기기에 연결될 수 있다. 상술한 네트워크의 실예로서 인터넷, 인트라넷, 근거리 통신망, 이동 통신망 및 그 조합을 포함하지만 이에 한정되지 않는다.
맵 데이터 업데이트 방법을 위한 전자기기는 입력장치(23)와 출력장치(24)를 더 포함할 수 있다. 프로세서(21), 메모리(22), 입력장치(23) 및 출력장치(24)는 버스 또는 기타 방식으로 연결될 수 있으며, 도 7에서는 버스를 통해 연결되는 것을 예시하고 있다.
입력장치(23)는 입력되는 숫자 또는 문자 부호 정보를 수신할 수 있고, 맵 데이터를 업데이터하는 전자기기의 사용자 설정 및 기능 제어에 대한 키 신호 입력을 생성할 수 있다. 예를 들어 터치 스크린, 키패드, 마우스, 트랙패드, 터치패널, 지시레버, 하나 또는 복수의 마우스 버튼, 트랙 볼, 조종 레버 등의 입력장치가 있다. 출력장치(24)는 디스플레이 기기, 보조 조명 장치(예를 들어, LED) 및 촉각 피드백 장치(예를 들어, 진동모터) 등을 포함할 수 있다. 해당 디스플레이 기기는, 액정 디스플레이(LCD), 발광 다이오드(LED) 디스플레이와 플라즈마 디스플레이 등을 포함할 수 있지만 이에 한정되지 않는다. 일부 실시형태에서, 디스플레이 기기는 터치 스크린일 수 있다.
여기에 기재되는 시스템 및 기술의 다양한 실시형태는 디지털 전자 회로 시스템, 집적 회로 시스템, 전용 ASIC(전용 집적 회로), 컴퓨터 하드웨어, 펌웨어, 소프트웨어, 및/또는 이들의 조합에서 구현될 수 있다. 이러한 다양한 실시형태는 하나 또는 복수의 컴퓨터 프로그램에서 구현되는 것을 포함할 수 있고, 해당 하나 또는 복수의 컴퓨터 프로그램은 적어도 하나의 프로그래머블 프로세서를 포함하는 프로그래머블 시스템 상에서 실행 및/또는 해석될 수 있으며, 해당 프로그래머블 프로세서는 전용 또는 범용 프로그래머블 프로세서일 수 있고, 저장 시스템, 적어도 하나의 입력장치, 및 적어도 하나의 출력장치로부터 데이터와 명령을 수신할 수 있으며, 데이터와 명령을 해당 저장 시스템, 해당 적어도 하나의 입력장치, 및 해당 적어도 하나의 출력장치로 전송한다.
이러한 컴퓨터 프로그램(프로그램, 소프트웨어, 소프트웨어 응용, 또는 코드라고도 지칭)은 프로그래머블 프로세서의 기계적 명령을 포함하고, 고급 프로세스 및/또는 객체 지향 프로그래밍 언어, 및/또는 어셈블리/기계적 언어를 이용하여 이러한 컴퓨팅 프로그램을 실행할 수 있다. 예컨대 본문에서 사용되는 용어 "기계 판독 가능 매체"와 "컴퓨터 판독 가능 매체"는 기계적 명령 및/또는 데이터를 프로그래머블 프로세서로 제공하기 위한 임의의 컴퓨터 프로그램 제품, 기기, 및/또는 장치(예를 들어, 자기 디스크, 광 디스크, 메모리, 프로그래머블 논리 디바이스(PLD))를 가리키고, 기계 판독 가능 신호인 기계적 명령을 수신하는 기계 판독 가능 매체를 포함한다. 용어 "기계 판독 가능 신호"는 기계적 명령 및/또는 데이터를 프로그래머블 프로세서로 제공하기 위한 임의의 신호를 가리킨다.
사용자와의 인터랙션을 제공하기 위하여, 컴퓨터 상에서 여기에 기재되는 시스템 및 기술을 실시할 수 있으며, 해당 컴퓨터는 사용자에게 정보를 표시하기 위한 표시장치(예를 들어, CRT(캐소드레이 튜브) 또는 LCD(액정 디스플레이) 모니터); 및 키보드와 지향 장치(예를 들어, 마우스 또는 트랙볼)를 구비하고, 사용자는 해당 키보드와 해당 지향 장치를 통해 입력을 컴퓨터로 제공할 수 있다. 기타 종류의 장치는 사용자와의 인터랙션을 제공할 수도 있다. 예를 들어, 사용자에게 제공되는 피드백은 임의의 형태의 센싱 피드백(예를 들어, 시각적 피드백, 청각적 피드백, 또는 촉각적 피드백)일 수 있고; 임의의 형태(사운드 입력, 음성 입력 또는 촉각 입력)을 통해 사용자로부터의 입력을 수신할 수 있다.
여기에 기재되는 시스템과 기술은 백그라운드 부재를 포함하는 컴퓨팅 시스템(예를 들어, 데이터 서버로서), 또는 중간부재를 포함하는 컴퓨팅 시스템(예를 들어, 응용 서버), 또는 프론트 엔드 부재를 포함하는 컴퓨팅 시스템(예를 들어, 그래픽 유저 인터페이스 또는 인터넷 브라우저를 구비하는 사용자 컴퓨터, 사용자는 해당 그래픽 유저 인터페이스 또는 해당 인터넷 브라우저를 통해 여기에 기재되는 시스템 및 기술의 실시형태와 인터랙션할 수 있다), 또는 이러한 백그라운드 부재, 중간 부재, 또는 프론트 엔드 부재를 포함하는 임의의 조합의 컴퓨팅 시스템에서 실시될 수 있다. 임의의 형태 또는 매체의 디지털 데이터 통신(예를 들어, 통신 네트워크)을 통해 시스템의 부재를 서로 연결시킬 수 있다. 통신 네트워크의 예시로서, 근거리 통신망(LAN), 광역 통신망(WAN) 및 인터넷을 포함한다.
컴퓨팅 시스템은 클라이언트와 서버를 포함할 수 있다. 클라이언트와 서버는 일반적으로 서로 멀리 떨어져 있으며, 통상적으로 통신 네트워크를 통해 인터랙션한다. 상응한 컴퓨터 상에서 실행되며 서로 클라이언트 - 서버 관계를 가지는 컴퓨터 프로그램을 통해 클라이언트와 서버의 관계를 생성한다.
본 출원의 실시예는 맵 데이터 업데이트 방법을 더 제공하며, 전자기기에서 보고하는 도로 정보를 수신하고, 상기 도로 정보를 기초로 적어도 하나의 서열을 결정하되, 상기 적어도 하나의 서열 중 동일한 서열에 속하는 도로 정보의 유형과 발생 위치는 동일하고, 상기 적어도 하나의 서열을 기초로, 맵 데이터를 업데이트한다.
해당 실시예의 구체적인 구현 원리는 상술한 실시예의 기재를 참조할 수 있으며, 여기서는 중복되는 설명을 생략한다.
본 출원의 실시예의 기술방안에서, 서버는 서열에 포함된 각각의 도로 정보를 뉴럴 네트워크 모델로 입력하고, 서열 중 각 도로 정보의 콘텍스트와 뉴럴 네트워크 기술을 결합하여, 유효한 도로 정보를 인식해내고 맵 데이터를 업데이트하여, 정확하게 맵 데이터를 업데이트하는 목적을 달성한다.
상술한 다양한 형태의 프로세스를 사용하여 단계를 재배열, 추가 또는 삭제할 수 있다. 예를 들어, 본 출원에 기재된 각 단계는 병열로 수행될 수 있고 순차적으로 수행될 수도 있고 서로 다른 순서로 수행될 수도 있으며, 본 출원에 개시된 기술적 해결수단이 원하는 결과를 얻을 수만 있다면, 본문은 이에 대해 한정하지 않는다.
상술한 구체적인 실시형태는 본 출원의 보호범위에 대한 한정이 아니다. 본 분야의 통상의 지식을 가진 자라면, 설계 요구와 기타 요소를 기초로, 다양한 수정, 조합, 서브 조합 및 대체를 가할 수 있음을 이해할 수 있을 것이다. 본 출원의 정신과 원칙 내에서 이루어진 모든 수정, 동등한 치환 및 개선 등은 모두 본 출원의 보호 범위 내에 속하는 것으로 간주하여야 한다.

Claims (15)

  1. 전자기기에서 보고하는 도로 정보를 수신하되, 상기 도로 정보는 노변 장치 (RSU)가 상기 전자기기로 브로드캐스트한 도로 정보인 단계;
    상기 도로 정보를 기초로 적어도 하나의 서열을 결정하되, 상기 적어도 하나의 서열 중 동일한 서열에 속하는 도로 정보의 유형과 발생 위치는 동일한 단계;
    상기 적어도 하나의 서열 중 각각의 서열에 포함된 도로 정보를 사전에 트레이닝된 뉴럴 네트워크 모델에 입력하여, 대응되는 서열의 인식 결과를 획득하되, 상기 인식 결과는 상기 대응되는 서열에 속하는 도로 정보의 유효 여부를 지시하기 위한 것이고, 상기 대응되는 서열에 속하는 도로 정보가 유효할 때, 상기 대응되는 서열에 속하는 도로 정보는 실제 도로 정보인 단계;
    상기 대응되는 서열에 속하는 도로 정보가 유효하면, 상기 대응되는 서열에 속하는 도로 정보를 이용하여 맵 데이터를 업데이트하는 단계;를 포함하는 맵 데이터 업데이트 방법.
  2. 제1항에 있어서,
    상기 적어도 하나의 서열 중 각각의 서열에 포함된 도로 정보를 사전에 트레이닝된 뉴럴 네트워크 모델에 입력하여, 대응되는 서열의 인식 결과를 획득하는 단계 이전에,
    샘플 집합을 획득하되, 상기 샘플 집합 중 샘플은 양성 샘플과 음성 샘플을 포함하고, 상기 양성 샘플은 실제의 도로 정보이고, 상기 음성 샘플은 허위 도로 정보인 단계;
    상기 샘플 집합 중 샘플을 구분하여, 적어도 하나의 샘플 서열을 획득하되, 상기 적어도 하나의 샘플 서열 중 동일 샘플 서열에 속하는 샘플의 유형과 발생 위치가 동일한 단계;
    상기 적어도 하나의 샘플 서열을 기초로, 초기 모델을 트레이닝하여, 상기 뉴럴 네트워크 모델을 획득하는 단계를 더 포함하는 방법.
  3. 제2항에 있어서,
    상기 적어도 하나의 샘플 서열을 기초로, 초기 모델을 트레이닝하여, 상기 뉴럴 네트워크 모델을 획득하는 단계는,
    i번째 샘플 서열에 대하여, 상기 초기 모델의 임베디드 계층에서 상기 i번째 샘플 서열 중 각각의 샘플의 특징 벡터를 결정하되, 상기 i번째 샘플 서열은 상기 적어도 하나의 샘플 서열 중 어느 하나의 샘플 서열을 기초로 획득되는 단계;
    상기 초기 모델의 장단 시 기억 순환 뉴럴 네트워크 계층을 이용하여 상기 i번째 샘플 서열 중 각각의 샘플의 특징 벡터를 학습함으로써, 복수의 콘텍스트 벡터를 획득하되, 상기 복수의 콘텍스트 벡터 중 각각의 콘텍스트 벡터는 상기 i번째 샘플 서열 중 샘플 사이의 관계를 지시하기 위한 것인 단계;
    상기 복수의 콘텍스트 벡터를 기초로 상기 초기 모델의 연결 계층, 풀리 연결 계층과 손실 함수 계층을 트레이닝하여, 상기 뉴럴 네트워크 모델을 획득하는 단계를 포함하고,
    상기 복수의 콘텍스트 벡터를 기초로 상기 초기 모델의 연결 계층, 풀리 연결 계층과 손실 함수 계층을 트레이닝하여, 상기 뉴럴 네트워크 모델을 획득하는 단계는,
    상기 초기 모델의 연결 계층에서 상기 복수의 콘텍스트 벡터를 스플라이싱하여, 스플라이싱 벡터를 획득하는 단계;
    상기 스플라이싱 벡터를 이용하여 상기 초기 모델의 풀리 연결 계층과 손실 함수 계층을 학습함으로써, 상기 뉴럴 네트워크 모델을 획득하는 단계;를 포함하는 방법.
  4. 제3항에 있어서,
    상기 i번째 샘플 서열은 상기 적어도 하나의 샘플 서열 중 어느 하나의 샘플 서열이거나;
    또는,
    상기 i번째 샘플 서열은 상기 적어도 하나의 샘플 서열 중 어느 하나의 샘플 서열의 서브 서열인 방법.
  5. 제3항에 있어서,
    상기 i번째 샘플 서열에 대하여, 상기 i번째 샘플 서열 중 각각의 샘플의 특징 벡터를 결정하는 단계는,
    상기 i번째 샘플 서열 중 상기 각각의 샘플에 대응되는 전자기기 특징, 노변 장치 특징 및 도로 정보 특징 중 적어도 하나를 추출하되, 상기 전자기기 특징은 상기 각각의 샘플을 보고하는 전자기기를 나타내기 위한 것이고, 상기 RSU 특징은 상기 전자기기가 상기 각각의 샘플을 브로드캐스트하는 RSU을 나타내기 위한 것이고, 상기 도로 정보 특징은 상기 각각의 샘플을 나타내기 위한 것인 단계;
    상기 i번째 샘플 서열 중 상기 각각의 샘플에 대하여, 상기 각각의 샘플에 대응되는 상기 전자기기 특징, 상기 RSU 특징 및 상기 도로 정보 특징 중 적어도 하나를 기초로, 상기 각각의 샘플의 상기 특징 벡터를 생성하는 단계;를 포함하는 방법.
  6. 제5항에 있어서,
    상기 전자기기 특징은 상기 전자기기의 식별자, 상기 전자기기가 상기 각각의 샘플을 보고한 횟수 또는 상기 전자기기가 유효 샘플을 보고한 횟수를 포함하고, 상기 방법은,
    상기 전자기기가 보고한 상기 각각의 샘플에 대해 중복 제거를 수행하여, 상기 전자기기가 비중복 샘플을 보고한 횟수를 결정하는 단계;
    상기 전자기기가 보고한 상기 유효 샘플에 대해 중복 제거를 수행하여, 상기 전자기기가 비중복 유효 샘플을 보고한 횟수를 결정하는 단계;를 더 포함하고,
    상기 RSU 특징은 상기 RSU의 식별자, 상기 RSU가 상기 각각의 샘플을 브로드캐스트한 총 횟수 및 상기 RSU가 상기 유효 샘플을 브로드캐스트한 횟수를 포함하고, 상기 방법은,
    상기 RSU가 상기 각각의 샘플을 브로드캐스트한 총 횟수로부터 상기 RSU가 상기 각각의 샘플을 중복하여 브로드캐스트한 중복 횟수를 제거하는 단계;
    상기 RSU가 상기 유효 샘플을 브로드캐스트한 횟수로부터 상기 RSU가 상기 유효 샘플을 중복하여 브로드캐스트한 횟수를 제거하는 단계;를 더 포함하고,
    상기 도로 정보 특징은 샘플 유형, 샘플 위치, 샘플 시작 시간, 샘플 종료 시간, 상기 전자기기가 상기 각각의 샘플을 수신한 시간 중 적어도 하나를 포함하되, 상기 샘플 위치는 상기 각각의 샘플이 발생한 지리적 위치를 나타내는 방법.
  7. 전자기기에서 보고하는 도로 정보를 수신하되, 상기 도로 정보는 노변 장치(RSU)가 상기 전자기기로 브로드캐스트한 도로 정보인 수신모듈;
    상기 도로 정보를 기초로 적어도 하나의 서열을 결정하되, 상기 적어도 하나의 서열 중 동일한 서열에 속하는 도로 정보의 유형과 발생 위치는 동일한 결정모듈;
    상기 적어도 하나의 서열 중 각각의 서열에 포함된 도로 정보를 사전에 트레이닝된 뉴럴 네트워크 모델에 입력하여, 대응되는 서열의 인식 결과를 획득하되, 상기 인식 결과는 상기 대응되는 서열에 속하는 도로 정보의 유효 여부를 지시하기 위한 것이고, 상기 대응되는 서열에 속하는 도로 정보가 유효할 때, 상기 대응되는 서열에 속하는 도로 정보는 실제 도로 정보인 인식모듈;
    상기 대응되는 서열에 속하는 도로 정보가 유효하면, 상기 대응되는 서열에 속하는 도로 정보를 이용하여 맵 데이터를 업데이트하는 업데이트 모듈;을 포함하는 맵 데이터 업데이트 장치.
  8. 제7항에 있어서,
    상기 인식모듈이 상기 적어도 하나의 서열 중 각각의 서열에 포함된 도로 정보를 사전에 트레이닝된 뉴럴 네트워크 모델에 입력하여, 대응되는 서열의 인식 결과를 획득하기 전에, 샘플 집합을 획득하되, 상기 샘플 집합 중 샘플은 양성 샘플과 음성 샘플을 포함하고, 상기 양성 샘플은 실제의 도로 정보이고, 상기 음성 샘플은 허위 도로 정보이고, 상기 샘플 집합 중 샘플을 구분하여, 적어도 하나의 샘플 서열을 획득하되, 상기 적어도 하나의 샘플 서열 중 동일 샘플 서열에 속하는 샘플의 유형과 발생 위치가 동일하고, 상기 적어도 하나의 샘플 서열을 기초로, 초기 모델을 트레이닝하여, 상기 뉴럴 네트워크 모델을 획득하는 트레이닝 모듈을 더 포함하는 장치.
  9. 제8항에 있어서,
    i번째 샘플 서열에 대하여, 상기 트레이닝 모듈은 상기 적어도 하나의 샘플 서열을 기초로, 초기 모델을 트레이닝하여, 상기 뉴럴 네트워크 모델을 획득할 때, 상기 초기 모델의 임베디드 계층에서 상기 i번째 샘플 서열 중 각각의 샘플의 특징 벡터를 결정하되, 상기 i번째 샘플 서열은 상기 적어도 하나의 샘플 서열 중 어느 하나의 샘플 서열을 기초로 획득되고; 상기 초기 모델의 장단 시 기억 순환 뉴럴 네트워크 계층을 이용하여 상기 i번째 샘플 서열 중 각각의 샘플의 특징 벡터를 학습함으로써, 복수의 콘텍스트 벡터를 획득하되, 상기 복수의 콘텍스트 벡터 중 각각의 콘텍스트 벡터는 상기 i번째 샘플 서열 중 샘플 사이의 관계를 지시하기 위한 것이고, 상기 복수의 콘텍스트 벡터를 기초로 상기 초기 모델의 연결 계층, 풀리 연결 계층과 손실 함수 계층을 트레이닝하여, 상기 뉴럴 네트워크 모델을 획득하고,
    상기 트레이닝 모듈은 상기 복수의 콘텍스트 벡터를 기초로 상기 초기 모델의 연결 계층, 풀리 연결 계층과 손실 함수 계층을 트레이닝하여, 상기 뉴럴 네트워크 모델을 획득할 때, 상기 초기 모델의 연결 계층에서 상기 복수의 콘텍스트 벡터를 스플라이싱하여, 스플라이싱 벡터를 획득하고, 상기 스플라이싱 벡터를 기초로 상기 초기 모델의 풀리 연결 계층과 손실 함수 계층을 학습하여, 상기 뉴럴 네트워크 모델을 획득하는 장치.
  10. 제9항에 있어서,
    상기 i번째 샘플 서열은 상기 적어도 하나의 샘플 서열 중 어느 하나의 샘플 서열이거나;
    또는,
    상기 i번째 샘플 서열은 상기 적어도 하나의 샘플 서열 중 어느 하나의 샘플 서열의 서브 서열인 장치.
  11. 제9항에 있어서,
    상기 트레이닝 모듈은 상기 i번째 샘플 서열에 대하여, 상기 i번째 샘플 서열 중 상기 각각의 샘플의 상기 특징 벡터를 결정할 때, 상기 i번째 샘플 서열 중 상기 각각의 샘플에 대응되는 전자기기 특징, 노변 장치 특징 및 도로 정보 특징 중 적어도 하나를 추출하되, 상기 i번째 샘플 서열 중 상기 각각의 샘플에 대하여, 상기 각각의 샘플에 대응되는 상기 전자기기 특징, 상기 RSU 특징 및 상기 도로 정보 특징 중 적어도 하나를 기초로, 상기 각각의 샘플의 상기 특징 벡터를 생성하되, 상기 전자기기 특징은 상기 각각의 샘플을 보고하는 전자기기를 나타내기 위한 것이고, 상기 RSU 특징은 상기 전자기기로 상기 각각의 샘플을 브로드캐스트하는 RSU을 나타내기 위한 것이고, 상기 도로 정보 특징은 상기 각각의 샘플을 나타내기 위한 것인 장치.
  12. 제11항에 있어서,
    상기 전자기기 특징은 상기 전자기기의 식별자, 상기 전자기기가 상기 각각의 샘플을 보고한 횟수 또는 상기 전자기기가 유효 샘플을 보고한 횟수를 포함하고, 상기 트레이닝 모듈은 또한 상기 전자기기가 보고한 상기 각각의 샘플에 대해 중복 제거를 수행하여, 상기 전자기기가 비중복 샘플을 보고한 횟수를 결정하고, 상기 전자기기가 보고한 상기 유효 샘플에 대해 중복 제거를 수행하여, 상기 전자기기가 비중복 유효 샘플을 보고한 횟수를 결정하고,
    상기 RSU 특징은 상기 RSU의 식별자, 상기 RSU가 상기 각각의 샘플을 브로드캐스트한 총 횟수 및 상기 RSU가 상기 유효 샘플을 브로드캐스트한 횟수를 포함하고, 상기 트레이닝 모듈은 또한 상기 RSU가 상기 각각의 샘플을 브로드캐스트한 총 횟수로부터 상기 RSU가 상기 각각의 샘플을 중복하여 브로드캐스트한 횟수를 제거하고, 상기 RSU가 상기 유효 샘플을 브로드캐스트한 횟수로부터 상기 RSU가 상기 유효 샘플을 중복 브로드캐스트한 횟수를 제거하고,
    상기 도로 정보 특징은 샘플 유형, 샘플 위치, 샘플 시작 시간, 샘플 종료 시간, 상기 전자기기가 상기 각각의 샘플을 수신한 시간 중 적어도 하나를 포함하되, 상기 샘플 위치는 상기 각각의 샘플이 발생한 지리적 위치를 나타내는 장치.
  13. 적어도 하나의 프로세서; 및
    상기 적어도 하나의 프로세서와 통신 연결되는 메모리;를 포함하되,
    상기 메모리에 상기 적어도 하나의 프로세서에 의해 실행될 수 있는 명령이 저장되어 있고, 상기 명령은 상기 적어도 하나의 프로세서에 의해 실행되어, 상기 적어도 하나의 프로세서가 제1항 내지 제6항 중 어느 한 항에 따른 방법을 수행할 수 있도록 하는 전자기기.
  14. 컴퓨터 명령이 저장된 비일시적 컴퓨터 판독 가능 저장매체에 있어서, 상기 컴퓨터 명령은 컴퓨터가 제1항 내지 제6항 중 어느 한 항에 따른 방법을 수행하도록 하는 저장매체.
  15. 컴퓨터 판독 가능 저장매체에 저장된 컴퓨터 프로그램에 있어서,
    상기 컴퓨터 프로그램 중의 명령이 프로세서에 의해 실행될 경우, 제1항 내지 제6항 중 어느 한 항에 따른 방법을 구현하는 컴퓨터 프로그램.
KR1020210013958A 2020-09-04 2021-02-01 맵 데이터 업데이트 방법, 장치, 기기 및 판독 가능 저장매체 KR102558657B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202010922958.1A CN112069279B (zh) 2020-09-04 2020-09-04 地图数据更新方法、装置、设备及可读存储介质
CN202010922958.1 2020-09-04

Publications (2)

Publication Number Publication Date
KR20210037622A true KR20210037622A (ko) 2021-04-06
KR102558657B1 KR102558657B1 (ko) 2023-07-24

Family

ID=73665662

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210013958A KR102558657B1 (ko) 2020-09-04 2021-02-01 맵 데이터 업데이트 방법, 장치, 기기 및 판독 가능 저장매체

Country Status (5)

Country Link
US (1) US11859998B2 (ko)
EP (1) EP3842759A3 (ko)
JP (1) JP7168708B2 (ko)
KR (1) KR102558657B1 (ko)
CN (1) CN112069279B (ko)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220146277A1 (en) * 2020-11-09 2022-05-12 Argo AI, LLC Architecture for map change detection in autonomous vehicles
CN112883236B (zh) * 2021-02-26 2024-01-16 北京百度网讯科技有限公司 一种地图更新方法、装置、电子设备及存储介质
US11867514B2 (en) 2021-09-24 2024-01-09 Telenav, Inc. Navigation system with independent positioning mechanism and method of operation thereof
CN114036254A (zh) * 2021-12-02 2022-02-11 广州小鹏自动驾驶科技有限公司 一种地图构建方法、地图构建装置、车辆及存储介质
CN114443796A (zh) * 2022-02-08 2022-05-06 云控智行(上海)汽车科技有限公司 一种基于神经网络的数据处理方法及系统
WO2023150933A1 (en) * 2022-02-09 2023-08-17 Telefonaktiebolaget Lm Ericsson (Publ) Trust validation of location information

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004077335A (ja) * 2002-08-20 2004-03-11 Mitsubishi Electric Corp 端末装置及び情報処理装置及びカーナビゲーション装置及び情報処理方法及び表示制御方法
KR20150052272A (ko) * 2012-09-05 2015-05-13 구글 인코포레이티드 복수의 정보원들을 이용한 공사 구역 검출
KR20180102221A (ko) * 2016-02-06 2018-09-14 엘지전자 주식회사 무선 통신 시스템에서 v2x 메시지 전송을 위한 자원의 할당을 위한 방법 및 장치
KR20200015508A (ko) * 2017-06-30 2020-02-12 인텔 코포레이션 다중 무선 액세스 기술(다중 rat)을 사용한 v2x 통신

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004205344A (ja) * 2002-12-25 2004-07-22 Sharp Corp 地図情報管理装置、地図情報管理システム、地図情報管理方法、地図情報管理プログラムおよびそのプログラムを記録したコンピュータ読取り可能な記録媒体
JP4561913B2 (ja) * 2008-01-25 2010-10-13 株式会社デンソー 地図データ管理装置、及び地図データ管理方法
JP5216665B2 (ja) * 2009-03-31 2013-06-19 アイシン・エィ・ダブリュ株式会社 地図データ更新システム及び地図データ更新プログラム、並びにこれを利用したナビゲーション装置及び車両制御装置
JP5686088B2 (ja) * 2011-11-14 2015-03-18 アイシン・エィ・ダブリュ株式会社 道路データ作成装置、道路データ作成方法及びプログラム
JP5997797B2 (ja) * 2015-03-03 2016-09-28 富士重工業株式会社 車両の地図データ処理装置
US10234305B2 (en) * 2015-08-27 2019-03-19 Here Global B.V. Method and apparatus for providing a targeted map display from a plurality of data sources
US20190043486A1 (en) 2017-08-04 2019-02-07 EMR.AI Inc. Method to aid transcribing a dictated to written structured report
CN110069578A (zh) * 2017-08-23 2019-07-30 富士通株式会社 更新地图信息的方法、装置和电子设备
JP2019212186A (ja) * 2018-06-08 2019-12-12 スズキ株式会社 運転支援装置
CN110751261B (zh) * 2018-07-23 2024-05-28 第四范式（北京）技术有限公司 神经网络模型的训练方法和系统以及预测方法和系统
CN110146097B (zh) * 2018-08-28 2022-05-13 北京初速度科技有限公司 自动驾驶导航地图的生成方法、系统、车载终端及服务器
CN111160484B (zh) * 2019-12-31 2023-08-29 腾讯科技（深圳）有限公司 数据处理方法、装置、计算机可读存储介质及电子设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004077335A (ja) * 2002-08-20 2004-03-11 Mitsubishi Electric Corp 端末装置及び情報処理装置及びカーナビゲーション装置及び情報処理方法及び表示制御方法
KR20150052272A (ko) * 2012-09-05 2015-05-13 구글 인코포레이티드 복수의 정보원들을 이용한 공사 구역 검출
KR20180102221A (ko) * 2016-02-06 2018-09-14 엘지전자 주식회사 무선 통신 시스템에서 v2x 메시지 전송을 위한 자원의 할당을 위한 방법 및 장치
KR20200015508A (ko) * 2017-06-30 2020-02-12 인텔 코포레이션 다중 무선 액세스 기술(다중 rat)을 사용한 v2x 통신

Also Published As

Publication number Publication date
JP7168708B2 (ja) 2022-11-09
US20210207976A1 (en) 2021-07-08
JP2021101186A (ja) 2021-07-08
EP3842759A3 (en) 2021-11-10
CN112069279A (zh) 2020-12-11
CN112069279B (zh) 2022-11-08
EP3842759A2 (en) 2021-06-30
US11859998B2 (en) 2024-01-02
KR102558657B1 (ko) 2023-07-24

Similar Documents

Publication Publication Date Title
KR20210037622A (ko) 맵 데이터 업데이트 방법, 장치, 기기 및 판독 가능 저장매체
CN112092827B (zh) 自动驾驶功能控制方法、装置、电子设备及存储介质
US11887376B2 (en) Method and apparatus of estimating road condition, and method and apparatus of establishing road condition estimation model
CN111951144B (zh) 一种违章路段的确定方法、设备及计算机可读存储介质
KR20210038445A (ko) 교통 신호등 신호의 제어 방법, 장치, 기기 및 저장매체
JP2022003521A (ja) 交通事故識別方法、装置、デバイス及びコンピュータ記憶媒体
CN111859778B (zh) 泊车模型的生成方法和装置、电子设备和存储介质
EP3842752A1 (en) Vehicle positioning method, apparatus, electronic device, vehicle and storage medium
CN112307978B (zh) 目标检测方法、装置、电子设备及可读存储介质
KR20210037623A (ko) 차량 재인식 방법, 장치, 기기 및 저장매체
US11498583B2 (en) Information processing method for vehicle driving on curve, electronic device and storage medium
US11761788B2 (en) Method and apparatus for generating offline map, electronic device and storage medium
EP4134624A2 (en) Method and apparatus for fusing road data to generate a map
JP2022043192A (ja) 車両運転の制御方法、車両運転の制御装置及び電子機器
CN103377558A (zh) 交通流量管控系统及方法
CN115909749B (zh) 车辆运行道路风险预警方法、装置、设备及存储介质
CN116880462B (zh) 自动驾驶模型、训练方法和自动驾驶方法和车辆
EP4174789A1 (en) Method and apparatus of processing image, and storage medium
CN113159403A (zh) 路口行人轨迹预测的方法及装置
CN114419883A (zh) 识别路口缺失交通限制信息的方法、装置和电子设备
CN112148010A (zh) 自动驾驶功能控制方法、装置、电子设备及存储介质
CN116558541B (zh) 模型训练方法和装置、轨迹预测方法和装置
US20230059425A1 (en) Navigation system and navigation method implemented thereby
US20240096063A1 (en) Integrating model reuse with model retraining for video analytics
CN117848364A (zh) 基于场景语义的车辆轨迹预测方法、装置及电子设备

Legal Events

Date Code Title Description
G15R Request for early publication
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant