处理地图数据的方法、系统和存储介质技术方案

本申请涉及处理地图数据的方法、系统和存储介质。所附的是用于可驾驶面标注的基于ML的框架的实施例。在实施例中，一种方法包括：使用至少一个处理器获得地理区域的多模式地图数据；以及使用所述至少一个处理器，利用机器学习模型自动标注所述地图数据的一个或多于一个语义掩模。个语义掩模。个语义掩模。

【技术实现步骤摘要】
处理地图数据的方法、系统和存储介质


[0001]本说明书总体上涉及用于标注使用自主运载工具穿过道路的语义地图层。

技术介绍

[0002]自主运载工具通常使用对传感器数据(诸如图像数据(例如，照相机数据)和深度数据(例如，LiDAR点云))进行操作的感知栈，以使用经训练的机器学习(ML)模型来进行对象检测。ML模型通常输出包含已经使用ML模型标记的对象的二维(2D)和/或三维(3D)边界框。经标记的对象检测由具有手动标注的语义地图层(例如，车道和交叉口掩模层)的运载工具使用，以安全且高效地穿过环境中的道路。语义地图层包括粗粒度信息(诸如定义可驾驶面的道路标记等)，以及细粒度信息(诸如人行横道和运载工具停放区域)。手动标注语义地图层是劳动密集型的并且耗费了财务资源。

技术实现思路

[0003]提供了用于可驾驶面标注的基于ML的框架的技术。
[0004]在实施例中，一种方法包括：使用至少一个处理器获得地理区域的地图数据；以及使用所述至少一个处理器，利用机器学习模型自动标注所述地图数据的一个或多于一个语义掩模。
[0005]在实施例中，地图数据是多模态的。
[0006]在实施例中，多模态地图数据至少包括强度图和占据图。
[0007]在实施例中，机器学习模型由二维(2D)卷积网络实现。
[0008]在实施例中，使用集合建模来实现机器学习模型。
[0009]在实施例中，在从一个或多于一个地图模型提取的图像样本上迭代地训练机器学习模型，并且针对每次训练迭代提取不同的图像样本以增加训练图像的变化性。
[0010]在实施例中，一个或多于一个地图模型被拆分成不同的采样图像区域，以生成用于训练和测试机器学习模型的训练和测试数据集。
[0011]在实施例中，使用树数据结构将一个或多于一个地图模型自动拆分成不同的采样图像区域，以生成训练和测试数据集。
[0012]在实施例中，树数据结构是四叉树数据结构。
[0013]在实施例中，一种系统，其包括：至少一个处理器；以及存储有指令的存储器，所述指令在由所述至少一个处理器执行时使所述至少一个处理器进行上述任何方法。
[0014]在实施例中，一种非暂时性计算机可读存储介质，其包括：至少一个处理器；以及存储有指令的存储器，所述指令在由所述至少一个处理器执行时使所述至少一个处理器进行上述任何方法。
[0015]所公开的实施例中的一个或多于一个提供以下优点中的一个或多于一个。手动标注语义地图层所需的小时数减少，从而允许从手动标注高清晰度(HD)地图重新使用财务和人力资源。由所公开的实施例输出的可驾驶面掩模可以用作其它机器学习应用的语义先
验，以通知未来的分类和数据策展的主动学习(例如，在可驾驶的区域上偏置数据挖掘，识别未穿过道路上的交叉口以改善数据挖掘)，并且通过排除离可驾驶面太远的点来减少计算要求。利用基于ML的框架，可以从现有地图资源利用更多信息，从而提高例如针对道路边界和交叉口的性能。
[0016]这些和其它方面、特征和实现可以表示为用于进行功能的方法、设备、系统、组件、程序产品、手段或步骤，以及以其它方式表示。根据包括权利要求的以下描述，这些和其它方面、特征和实现将变得显而易见。
附图说明
[0017]图1例示根据一个或多个实施例的具有自主能力的自主运载工具(AV)的示例。
[0018]图2例示根据一个或多个实施例的示例“云”计算环境。
[0019]图3例示根据一个或多个实施例的计算机系统。
[0020]图4例示根据一个或多个实施例的AV的示例架构。
[0021]图5是根据一个或多个实施例的手动标注的语义地图层的示例鸟瞰图(BEV)。
[0022]图6是例示根据一个或多个实施例的ML辅助标注循环的概念图。
[0023]图7A和7B是例示根据一个或多个实施例的用于可驾驶面标注的基于ML的框架的概念图。
[0024]图8是根据一个或多个实施例的用于基于ML的语义地图层标注的神经网络的概念图。
[0025]图9是例示根据一个或多个实施例的用于基于ML的语义地图层标注的集合建模的概念图。
[0026]图10是例示根据一个或多个实施例的使用级联块的基于ML的语义地图层标注的集合建模的概念图。
[0027]图11是例示根据一个或多个实施例的示出用于压缩和扩展路径的不同基本块的用于基于ML的语义地图层标注的集合建模的概念图。
[0028]图12是例示根据一个或多个实施例的示出交替的基本块的用于基于ML的语义地图层标注的集合建模的概念图。
[0029]图13是例示根据一个或多个实施例的全局到局部模型级联的概念图。
[0030]图14是根据一个或多个实施例的用于可驾驶面标注的基于ML的框架的流程图。
具体实施方式
[0031]在以下描述中，为了解释的目的，阐述了许多具体细节，以便提供对本专利技术的透彻理解。然而，本专利技术可以在没有这些具体细节的情况下实施将是明显的。在其它实例中，众所周知的构造和装置是以框图形式示出的，以避免不必要地使本专利技术模糊。
[0032]在附图中，为了便于描述，示出了示意要素(诸如表示装置、系统、指令块和数据要素的那些要素)的具体排列或次序。然而，本领域技术人员应当理解，附图中示意要素的具体次序或排列并不意在意味着要求特定的处理次序或序列、或处理过程的分离。此外，在附图中包含示意要素并不意在意味着在所有实施例中都需要这种要素，也不意在意味着由这种要素表示的特征不能包括在一些实施例中或不能在一些实施例中与其它要素结合。
[0033]此外，在附图中，连接要素、诸如实线或虚线或箭头用于例示两个或更多个其它示意要素之间的连接、关系或关联，没有任何此类连接要素并不意在意味着不能存在连接、关系或关联。换句话说，一些要素之间的连接、关系或关联未在附图中示出，以便不使本公开内容模糊。此外，为了便于例示，使用单个连接要素来表示要素之间的多个连接、关系或关联。例如，如果连接要素表示信号、数据或指令的通信，本领域技术人员应理解，这种要素表示影响通信可能需要的一个或多于一个信号路径(例如，总线)。
[0034]现在将详细参考实施例，其示例在附图中例示出。在以下的详细描述中，阐述了许多具体细节，以便提供对所描述的各种实施例的透彻理解。然而，对于本领域的普通技术人员来说将明显的是，可以在没有这些具体细节的情况下实施所描述的各种实施例。在其它情况下，没有详细描述众所周知的方法、程序、组件、电路和网络，以便不会不必要地使实施例的方面模糊。
[0035]下面描述的若干特征各自可以彼此独立地使用，也可以与其它特征的任何组合一起使用。然而，任何个别特征可能不能解决以上所讨论的任何问题，或者只能解决以上所讨论的问题之一。以上所讨论的一些问题可能不能通过本文所描述的任何一个特征得到充分解决。虽然提供了标题，但在本说明书的其它地方也可以找到与具体标题有关但在具有该标题的部分中未找到的信本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于处理地图数据的方法，包括：使用至少一个处理器获得地理区域的地图数据；以及使用所述至少一个处理器，利用机器学习模型，自动标注所述地图数据的一个或多于一个语义掩模。2.根据权利要求1所述的方法，其中，所述地图数据是多模态的。3.根据权利要求2所述的方法，其中，所述多模态的地图数据至少包括强度图和占据图。4.根据权利要求1所述的方法，其中，所述机器学习模型是由二维卷积网络即2D卷积网络实现的。5.根据权利要求1所述的方法，其中，所述机器学习模型是使用集合建模实现的。6.根据权利要求1所述的方法，其中，在从一个或多于一个地图模型提取的图像样本上迭代地训练所述机器学习模型，并且针对每次训练迭代提取不同的图像样本以增加训练图像的变化性。7.根据权利要求6所述的方法，其中，所述一个或多于一个地图模型被拆分成不同的采样图像区域，以生成用于训练和测试所述机器学习模型的训练数据集和测试数据集。8.根据权利要求7所述的方法，其中，使用树数据结构将所述一个或多于一个地图模型自动拆分成不同的采样图像区域，以生成训练数据集和测试数据集。9.根据权利要求8所述的方法，其中，所述一个或多于一个地图模型基于拆分标准被自动拆分成不同的采样图像区域，所述拆分标准是当特定道路地标的实例在特定采样图像区域中存在多于一次时。10.根据权利要求8所述的方法，其中，所述树数据结构是四叉树数据结构。11.一种用于处理地图数据的系统，包括：至少一个处理器；以及存储器，其上存储有指令，所述指令在由所述至少一个处理器执行的情况下使所述至少一个处理器：获得地理区域的地图数据；以及使用机器学习...

【专利技术属性】
技术研发人员：S，
申请(专利权)人：动态AD有限责任公司，
类型：发明
国别省市：