模型处理及高精地图质量校验方法、装置及存储介质制造方法及图纸

本公开提供了模型处理及高精地图质量校验方法、装置及存储介质，涉及自动驾驶、机器学习以及计算机视觉等人工智能领域，其中的模型处理方法可包括：构建贝叶斯网络模型；根据获取的训练样本，确定出贝叶斯网络模型中的各变量的取值；根据训练样本以及各变量的取值，确定出贝叶斯网络模型的网络参数，所述网络参数用于确定出待校验的高精地图的质量校验结果，所述质量校验结果为根据基于高精地图对应的点云数据对确定出的输入数据以及网络参数确定出的，点云数据为用于生成高精地图的点云数据。应用本公开所述方案，可节省人力和时间成本及提升校验结果的准确性等。本及提升校验结果的准确性等。本及提升校验结果的准确性等。

【技术实现步骤摘要】
模型处理及高精地图质量校验方法、装置及存储介质


[0001]本公开涉及人工智能
，特别涉及自动驾驶、机器学习以及计算机视觉等领域的模型处理及高精地图质量校验方法、装置及存储介质。

技术介绍

[0002]高精地图在自动驾驶场景中发挥着重要的作用，高精地图的质量优劣会直接影响到自动驾驶的安全性等，因此，需要对高精地图质量进行校验。

技术实现思路

[0003]本公开提供了模型处理及高精地图质量校验方法、装置及存储介质。
[0004]一种模型处理方法，包括：
[0005]构建贝叶斯网络模型；
[0006]根据获取的训练样本，确定出所述贝叶斯网络模型中的各变量的取值；
[0007]根据所述训练样本以及所述各变量的取值，确定出所述贝叶斯网络模型的网络参数，所述网络参数用于确定出待校验的高精地图的质量校验结果，所述质量校验结果为根据基于所述高精地图对应的点云数据对确定出的输入数据以及所述网络参数确定出的，所述点云数据为用于生成所述高精地图的点云数据。
[0008]一种高精地图质量校验方法，包括：<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型处理方法，包括：构建贝叶斯网络模型；根据获取的训练样本，确定出所述贝叶斯网络模型中的各变量的取值；根据所述训练样本以及所述各变量的取值，确定出所述贝叶斯网络模型的网络参数，所述网络参数用于确定出待校验的高精地图的质量校验结果，所述质量校验结果为根据基于所述高精地图对应的点云数据对确定出的输入数据以及所述网络参数确定出的，所述点云数据为用于生成所述高精地图的点云数据。2.根据权利要求1所述的方法，其中，各训练样本中分别包括M种预定数据，M为大于一的正整数；所述贝叶斯网络模型中包括的变量包括：所述M种预定数据分别对应的变量。3.根据权利要求2所述的方法，其中，各训练样本分别对应一组点云数据对，所述M种预定数据包括：所述点云数据对中的两帧点云数据对应的数据差值、所述两帧点云数据之间的相对位姿、第一中间结果、第二中间结果、第三中间结果、高度重影以及水平重影；所述相对位姿包括：x轴差值、y轴差值、z轴差值、俯仰角差值、横滚角差值以及偏航角差值，所述高度重影以及所述水平重影用于反映所述点云数据对的质量优劣，所述第一中间结果、所述第二中间结果以及所述第三中间结果均为根据所述数据差值以及所述相对位姿确定出的中间结果。4.根据权利要求3所述的方法，其中，所述贝叶斯网络模型中包括：第一层变量、第二层变量以及第三层变量；所述第一层变量包括：所述数据差值对应的第一变量、所述x轴差值对应的第二变量、所述y轴差值对应的第三变量、所述z轴差值对应的第四变量、所述俯仰角差值对应的第五变量、所述横滚角差值对应的第六变量以及所述偏航角差值对应的第七变量；所述第二层变量包括：所述第一中间结果对应的第八变量、所述第二中间结果对应的第九变量以及所述第三中间结果对应的第十变量；所述第三层变量包括：所述高度重影对应的第十一变量以及所述水平重影对应的第十二变量。5.根据权利要求4所述的方法，其中，所述第八变量的父节点包括：所述第一变量、所述第四变量、所述第五变量、所述第六变量以及所述第七变量；各变量分别为一个节点；所述第九变量的父节点包括：所述第一变量、所述第二变量、所述第三变量、所述第四变量、所述第五变量、所述第六变量以及所述第七变量；所述第十变量的父节点包括：所述第一变量、所述第二变量、所述第三变量、所述第四变量、所述第五变量、所述第六变量以及所述第七变量；所述第十一变量的父节点包括：所述第八变量；所述第十二变量的父节点包括：所述第九变量以及所述第十变量。6.根据权利要求2～5中任一项所述的方法，其中，所述确定出所述贝叶斯网络模型中的各变量的取值包括：针对任一变量，分别确定出所述变量对应的离散值，所述离散值中的每个取值分别对应一个不同的区间范围。
7.根据权利要求6所述的方法，其中，所述分别确定出所述变量对应的离散值包括：针对所述变量对应的每个区间范围，分别进行以下处理：统计出所述训练样本中所述变量对应的预定数据位于所述区间范围内的训练样本数量；获取统计出的训练样本数量与所述训练样本的总数量的比值，将所述比值作为所述区间范围对应的取值。8.根据权利要求7所述的方法，其中，所述根据所述训练样本以及所述各变量的取值，确定出所述贝叶斯网络模型的网络参数包括：对所述训练样本进行预处理，所述预处理包括：针对任一训练样本中的任一预定数据，分别确定出所述预定数据对应的变量，并从所述对应的变量对应的区间范围中确定出所述预定数据所属的区间范围，利用所属的区间范围对应的取值替换所述预定数据；根据预处理后的所述训练样本以及所述各变量的取值，确定出所述贝叶斯网络模型的网络参数。9.根据权利要求8所述的方法，其中，所述根据预处理后的所述训练样本以及所述各变量的取值，确定出所述贝叶斯网络模型的网络参数包括：根据预处理后的所述训练样本以及所述各变量的取值，通过最大似然估计方式确定出所述贝叶斯网络模型的网络参数。10.一种高精地图质量校验方法，包括：针对待校验的高精地图，获取至少一组点云数据对，所述点云数据为用于生成所述高精地图的点云数据；针对各组点云数据对，分别进行以下处理：根据所述点云数据对中的两帧点云数据确定出输入数据，根据所述输入数据以及根据训练样本确定出的贝叶斯网络模型的网络参数，确定出所述点云数据对的质量校验结果；根据各点云数据对的质量校验结果确定出所述高精地图的质量校验结果。11.根据权利要求10所述的方法，其中，所述输入数据包括：所述点云数据对中的两帧点云数据对应的数据差值、所述两帧点云数据之间的相对位姿、第一中间结果、第二中间结果以及第三中间结果；所述相对位姿包括：x轴差值、y轴差值、z轴差值、俯仰角差值、横滚角差值以及偏航角差值，所述第一中间结果、所述第二中间结果以及所述第三中间结果均为根据所述数据差值以及所述相对位姿确定出的中间结果。12.根据权利要求10或11所述的方法，其中，所述确定出所述点云数据对的质量校验结果包括：根据所述贝叶斯网络模型，通过变量消元法分别确定出第一计算表达式以及第二计算表达式；根据所述输入数据、所述网络参数以及所述第一计算表达式，确定出所述点云数据对的高度重影，根据所述输入数据、所述网络参数以及所述第二计算表达式，确定出所述点云数据对的水平重影；根据所述高度重影以及所述水平重影确定出所述点云数据对的质量校验结果。13.一种模型处理装置，包括：模型构建模块、变量确定模块以及参数确定模块；
所述模型构建模块，用于构建贝叶斯网络模型；所述变量确定模块，用于根据获取的训练样本，确定出所述贝叶斯网络模型中的各变量的取值；所述参数确定模块，用于根据所述训练样本以及所述各变量的取值，确定出所述贝叶斯网络模型的网络参数，所述网络参...

【专利技术属性】
技术研发人员：王天宇，杨坤，曲旭中，梁涛，黄杰，白宇，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：