一种基于条件变分自编码器的路口引导线生成方法及系统技术方案

本发明专利技术涉及基于条件变分自编码器的路口引导线生成方法及系统，其方法包括：获取目标路口的一个或多个非引导线轨迹，利用神经网络将每个所述非引导线轨迹中的采样点编码为固定维度的向量；提取所述固定维度的向量的语义特征；根据一个或多个所述非引导线轨迹的类别和语义特征，输入到训练完成的条件变分自编码器中，得到目标路口的引导线。本发明专利技术基于深度学习中的生成模型从历史轨迹数据中挖掘了隐含的道路交通信息，生成了更符合道路通行规则和驾驶行为的引导线轨迹。和驾驶行为的引导线轨迹。和驾驶行为的引导线轨迹。

【技术实现步骤摘要】
一种基于条件变分自编码器的路口引导线生成方法及系统


[0001]本专利技术属于高精度地图制作领域，具体涉及一种基于条件变分自编码器的路口引导线生成方法及系统。

技术介绍

[0002]在众包高精度地图制作中，路口引导线是地图中的关键要素，它用于指导智能驾驶车舒适的通过路口。
[0003]传统的路口引导线生成方法大多基于运动学模型，通过解一个多目标的非凸优化问题来生成引导线。该方法假设地图中的POI等道路交通元素是理想的、完备的，预先提出目标函数，设计优化规则和防碰撞、速度等约束条件。尽管它能通过数学方法生成平滑的引导线，但没有考虑道路的真实路况和通行信息，造成了引导线实际难以适用的困境。
[0004]众包高精度地图中的道路元素的感知存在不确定性，云端构图中道路元素不一定很完备，这进一步加剧了传统基于运动学模型生成的引导线难以实用的问题。随着深度学习的发展，利用众包数据中的大量轨迹数据来进行轨迹规划和轨迹生成已有大量的研究。与传统方法相比，基于深度学习的方法是数据驱动的方法，考虑了实际的路况信息，对专家经验的依赖较少，是一个有前景的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于条件变分自编码器的路口引导线生成方法，其特征在于，包括：获取目标路口的一个或多个非引导线轨迹，利用神经网络将每个所述非引导线轨迹中的采样点编码为固定维度的向量；提取所述固定维度的向量的语义特征；根据一个或多个所述非引导线轨迹的类别和语义特征，输入到训练完成的条件变分自编码器中，得到目标路口的引导线。2.根据权利要求1所述的基于条件变分自编码器的路口引导线生成方法，其特征在于，所述利用神经网络将每个所述非引导线轨迹中的采样点编码为固定维度的向量包括：通过全连接的神经网络实现特征交叉和编码成固定维度的向量。3.根据权利要求1所述的基于条件变分自编码器的路口引导线生成方法，其特征在于，所述条件变分自编码器包括卷积神经网络和LSTM，所述卷积神经网络，用于根据一个或多个所述非引导线轨迹的类别和语义特征输出风格向量；以及根据LSTM输出的预测轨迹点序列，生成轨迹点；所述LSTM，用于根据所述风格向量、非引导线轨迹的起点和终点生成预测的轨迹点序列。4.根据权利要求3所述的基于条件变分自编码器的路口引导线生成方法，其特征在于，所述卷积神经网络包括第一卷积神经网络和第二卷积神经网络，所述第一卷积神经网络，用于根据一个或多个所述非引导线轨迹的类别和语义特征输出风格向量；所述第二卷积神经网络，用于根据LSTM输出的预测轨迹点序列，生成轨迹点。5.根据权利要求4所述的基于条件变分自编码器的路口引导线生成方法，其特征在于，所述根据一个或多个所述非引导线轨迹的类别和语义特征输出风格向量包括：通过全连层将一个或多个所述非引导线轨迹的类别和语义特征融合，并输出先验分布的均值和方差平方的对数；从所述先验分布获取采样向量；根据所述采样向量和非引导线轨迹的类别输出风格向量。6....

【专利技术属性】
技术研发人员：姚琼杰，尹玉成，石涤文，丁豪，刘奋，
申请(专利权)人：武汉中海庭数据技术有限公司，
类型：发明
国别省市：