一种多模态数据驱动的城市道路布局设计自动化方法技术

本发明专利技术公开了一种多模态数据驱动的城市道路布局设计自动化方法。本发明专利技术在城市道路网络布局设计任务中引入多模态数据融合模块，对人口密度、地形高程和土地利用分类三类数据进行融合，输入至条件生成对抗网络(Conditional Generative Adversarial Networks,CGAN)，生成与上述三类数据分布对应的道路布局。与传统手工设计方法相比，本方法不需要相关领域的专业知识，不受限于道路模板，可高效生成特征多样的城市道路布局。与仅使用生成对抗网络(Generative Adversarial Networks,GAN)的方法相比，本方法引入了多模态的地理空间数据，对其压缩、降维，避免了因大量参数带来的高算力需求问题，同时突出了数据的关键特征，使生成的城市道路布局在视觉和结构上具有更高质量。量。量。

【技术实现步骤摘要】
一种多模态数据驱动的城市道路布局设计自动化方法


[0001]本专利技术涉及深度学习以及计算视觉领域，具体涉及一种多模态数据驱动的城市道路布局设计自动化方法。

技术介绍

[0002]近年来，随着深度学习技术以及计算机视觉领域的快速发展，越来越多的传统任务借助深度学习技术迸发出新的力量，城市道路布局建模任务就是其中之一。在城市规划中，规划设计的道路需要有一定的连通性并确保该道路能满足高交通量的需求。另外，道路布局建模还被应用于游戏产业，游戏玩家追求丰富多变的游戏场景，即时生成的虚拟环境能增强游戏玩家体验。道路布局规划对自动驾驶汽车也起着重要作用，通过创建各种城市街道的虚拟道路来测试自动驾驶汽车。
[0003]现有的城市道路布局设计自动化方法可以分为两类：第一类，过程建模(Procedural Modeling)。过程建模基于技术人员自定义的规则集设计城市道路布局。这种手工设计建模的方式非常耗时且低效，虽然能确保道路满足用户指定的约束规则，但仍旧不够灵活。第二类，基于深度学习技术的自动化生成算法。采用生成对抗网络(Generative Adv本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多模态数据驱动的城市道路布局设计自动化方法，其特征在于，获取目标区域的人口密度栅格数据、地形高程栅格数据和土地利用栅格数据组成多模态数据，将多模态数据输入预训练的多模态数据融合模块中，由多模态数据融合模块对不同模态数据进行压缩和降维并输出编码图，再由预训练的条件生成对抗网络(Conditional Generative Adversarial Networks,CGAN)模块捕捉编码图中的地理空间特征和道路纹理特征，最终输出对应的城市道路布局设计图；所述多模态数据融合模块是一个自编码器，由编码器和解码器组成；输入的不同模态数据沿特征通道维度进行叠加后输入至编码器，由编码器输出融合后的编码图；在预训练阶段，编码器输出的编码图输入至解码器，由解码器输出重构后的各模态数据，通过训练使重构后的各模态数据接近原始的各模态数据；在推理阶段，编码器输出的编码图直接作为多模态数据融合模块的输出；所述条件生成对抗网络模块由生成器和判别器组成；生成器以多模态数据融合模块输出的编码图为输入，输出道路布局设计图；在预训练阶段，生成器输出的道路布局设计图输入至判别器中，判别器同时以真实路网布局图和编码图为另外两个输入，输出128*128、32*32和8*8三种尺度的图块(Patch)，从浅层、中层、深层特征三个角度判别输入图的真实性，进而交替优化判别器和生成器；在推理阶段，生成器输出的道路布局设计图直接作为条件生成对抗网络模块的输出。2.如权利要求1所述的多模态数据驱动的城市道路布局设计自动化方法，其特征在于，所述多模态数据融合模块中的编码器和解码器均采用U
‑
Net模型作为基线模型。3.如权利要求2所述的多模态数据驱动的城市道路布局设计自动化方法，其特征在于，所述多模态数据融合模块在预训练阶段，通过优化重构后的各模态数据和原始的各模态数据的平均绝对误差进行训练。4.如权利要求1所述的多模态数据驱动的城市道路布局设计自动化方法，其特征在于，所述多模态数据融合模块中，输入的人口密度栅格数据、地形高程栅格数据和土地利用栅格数据均为512*512尺寸的栅格化图像，三张不同模态的栅格化图像融合形成的编码图尺寸也为512*512。5.如权利要求1所述的多模态数据驱动的城市道路布局设计自动化方法...

【专利技术属性】
技术研发人员：冯天，张微，杨乐豪，张继灵，
申请(专利权)人：浙江大学，
类型：发明
国别省市：