基于深度学习的导航地图更新方法、系统及专用云平台技术方案

基于深度学习的导航地图更新方法、系统及云平台，本导航地图包括低精导航地图和高精导航地图，包括以下步骤：步骤1，获取数据；步骤2，模型训练；步骤3，模型运行；步骤4，结果导入。用于低精导航地图和高精导航地图更新方法的系统，包括有云平台、数据采集端、移动客户端；用于低精导航地图和高精导航地图更新方法的系统的专用云平台，包括有云数据库、云服务器和云桌面；具有识别高效、方法可靠、更新方便，节约大量人力成本的特点。约大量人力成本的特点。约大量人力成本的特点。

【技术实现步骤摘要】
基于深度学习的导航地图更新方法、系统及专用云平台


[0001]本专利技术属于地图更新
，具体涉及基于深度学习的导航地图更新方法、系统及专用云平台。

技术介绍

[0002]目前自动驾驶技术受到大家的广泛关注，很多企业也投资大量资金和人力在自动驾驶技术上。高精地图相比低精地图能识别更多、更精确的道路信息，提前使自动驾驶汽车感知道路及道路走向外的其他信息，为自动驾驶的决策和安全保驾护航。低精地图作为传统导航地图已经非常成熟，具有更新速度快，更新成本较高精地图低的优势，在不满足自动驾驶条件的路况依然具有重要的作用。
[0003]传统人工采集导航地图数据，需人工逐个识别导航地图更新信息并标注更新位置和信息，存在更新速度慢、人工采集耗时、效率低、周期长、成本大的缺点；传统设备更新导航地图数据需要使用固定客户端机器，为防止数据泄密，通常客户端机器不允许外带，地图数据更新只能在指定办公地点进行，存在数据更新受设备限制、更新速度慢、影响地图数据鲜度的缺点。

技术实现思路

[0004]为克服上述现有技术的不足，本专利技术的目的在于提供本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的导航地图更新方法，本导航地图的更新方法是基于深度学习模型实现的，导航地图包括低精导航地图和高精导航地图，其特征在于，包括以下步骤：步骤1，获取数据，具体做法是：从数据采集成果库选取部份采集数据进行人工标注，并存入地图要素标注库中，从地图标注库中随机选取部分数据用于训练数据集；步骤2，模型训练，具体做法是：首选定义深度学习模型及初始参数值，将步骤1获取的训练数据集输入至定义的深度学习模型中运行模型，重复校验模型得到最优识别结果，确定模型最优参数；步骤3，模型运行，具体做法是：将数据采集成果库的采集数据输入至深度学习模型中，运行深度学习模型，输出模型识别结果；步骤4，结果导入，具体做法是：将步骤3得到的模型识别结果导入识别成果库。2.根据权利要求1所述的基于深度学习的导航地图更新方法，其特征在于，步骤2所述的深度学习模型包括两个模型：一个是用于图像识别的模型，采用的是基于卷积神经网络算法CNN的图像识别模型；另一个是用于点云识别的模型，采用的是基于PointNet算法的点云识别模型。3.根据权利要求1所述的基于深度学习的导航地图更新方法的系统，其特征在于，包括有云平台、数据采集端、移动客户端；所述的云平台包括云数据库、云服务器和云...

【专利技术属性】
技术研发人员：杨维，曹佳云，刘锦，付晓婷，付莉娜，高扬，
申请(专利权)人：陕西四维数邦科技有限公司，
类型：发明
国别省市：