本申请提供一种道路边界检测模型的训练方法、道路边界检测方法及装置，该方法包括：获取车道线数据，并根据所述车道线数据，构建训练样本集，其中，训练样本集中训练样本包括车道线数据对应的车道线特征以及指示信息，所述指示信息用于指示所述车道线数据是否属于道路边界；根据所述训练样本集，对初始模型进行训练，训练后得到道路边界检测模型。本申请能够适用于任意场景的道路边界检测，解决道路边界检测存在局限性的问题，进而提高了道路边界检测的准确性。检测的准确性。检测的准确性。
【技术实现步骤摘要】
道路边界检测模型的训练方法、道路边界检测方法及装置
[0001]本申请涉及高精地图
，尤其涉及一种道路边界检测模型的训练方法、道路边界检测方法及装置。
技术介绍
[0002]高精地图不仅提供了道路信息，还提供了道路的车道信息以及这些道路的位置信息，精度比传统导航地图更高，更受用户欢迎。其中，在高精地图领域，在道路构造出来后，后续的任务都可以依据车道信息的辅助实现，比如利用道路边界确定道路范围、作业区域限定，过滤下行要素、车道线分组等场景。因此，若能提供高准召的道路边界方法，对高精地图制作流程的检查误报率，融合的自动化率都有很大提升。
[0003]然而，现有的道路边界检测方案，根据预设的规则运行，对道路边界进行分类检测，场景无法穷举且难以处理复杂场景问题，存在局限性。
[0004]因此，现有技术无法适用于任意场景，导致道路边界检测存在局限性，进而导致道路边界检测的准确性较低。
技术实现思路
[0005]本申请实施例的主要目的在于提供一种道路边界检测模型的训练方法、道路边界检测方法及装置，能够适用于任意场景的道路边界检测，解决道路边界检测存在局限性的问题，进而提高了道路边界检测的准确性。
[0006]第一方面，本申请实施例提供一种道路边界检测模型的训练方法，包括：
[0007]获取车道线数据，并根据所述车道线数据，构建训练样本集，其中，训练样本集中训练样本包括车道线数据对应的车道线特征以及指示信息，所述指示信息用于指示所述车道线数据是否属于道路边界；
[0008]根据所述训练样本集，对初始模型进行训练，训练后得到道路边界检测模型。
[0009]可选的，所述车道线数据包括多个车道线的矢量数据以及对应的车道线的属性特征，所述车道线特征包括所述属性特征、拓扑特征以及场景特征；根据所述车道线数据，构建训练样本集，包括：
[0010]根据各所述车道线的矢量数据，提取各所述车道线的拓扑特征；
[0011]针对各所述车道线，根据所述属性特征和所述拓扑特征，确定车道线的场景特征；
[0012]获取所述车道线的指示信息，并将所述车道线的车道线特征以及指示信息作为训练样本；其中，由所述多个车道线对应的训练样本形成训练样本集。
[0013]可选的，根据各所述车道线的矢量数据，提取各所述车道线的拓扑特征，包括：
[0014]根据各所述车道线的矢量数据，构建空间索引；
[0015]根据各所述车道线的矢量数据和所述空间索引，生成拓扑结构；所述拓扑结构用于表示各车道线之间的空间关系；
[0016]根据所述空间关系，提取各所述车道线的拓扑特征。
[0017]可选的，根据所述属性特征和所述拓扑特征，确定车道线的场景特征，包括：
[0018]基于各道路场景类型的特征规则，将所述属性特征和所述拓扑特征与所述特征规则进行匹配，确定车道线所属场景特征。
[0019]可选的，所述初始模型为多个，且多个初始模型为不同类型的机器学习模型；相应的，所述道路边界检测模型为多个，且多个道路边界检测模型用于根据待处理的车道线数据共同确定道路边界。
[0020]第二方面，本申请实施例提供一种道路边界检测方法，包括：
[0021]获取待处理的车道线数据，并根据所述车道线数据，确定对应的车道线特征；
[0022]根据确定的车道线特征，以及道路边界检测模型，确定道路边界；
[0023]其中，所述道路边界检测模型为通过第一方面任一项所述方法确定的。
[0024]可选的，所述道路边界检测模型为多个，根据确定的车道线特征，以及道路边界检测模型，确定道路边界，包括：
[0025]根据确定的车道线特征，通过多个道路边界检测模型进行预测，确定各所述道路边界检测模型对应的预测结果；
[0026]根据各所述预测结果，通过投票机制，确定所述待处理的车道线数据对应的各车道线所属区域的道路边界。
[0027]可选的，根据各所述预测结果，通过投票机制，确定所述待处理的车道线数据对应的各车道线所属区域的道路边界，包括：
[0028]根据各所述预测结果，通过投票机制，确定目标预测结果；
[0029]通过道路边界具有延续性的特点和/或所述待处理的车道线数据对应的各车道线所属区域对应的行车轨迹，对所述目标预测结果进行纠正，得到所述待处理的车道线数据对应的各车道线所属区域的道路边界。
[0030]可选的，所述道路边界包括左边界的矢量数据和右边界的矢量数据，所述方法还包括：
[0031]根据所述左边界的矢量数据和右边界的矢量数据，对所述车道线数据中的相应车道线的矢量数据进行更新。
[0032]第三方面，本申请实施例提供一种高精地图的更新方法，包括：
[0033]获取待处理的车道线数据；
[0034]根据所述车道线数据，基于第二方面任一项所述的方法，确定道路边界；
[0035]根据所述车道线数据和所述道路边界，更新所述高精地图。
[0036]第四方面，本申请实施例提供一种道路边界检测模型的训练装置，包括：
[0037]训练样本集构建模块，用于获取车道线数据，并根据所述车道线数据，构建训练样本集，其中，训练样本集中训练样本包括车道线数据对应的车道线特征以及指示信息，所述指示信息用于指示所述车道线数据是否属于道路边界；
[0038]训练模块，用于根据所述训练样本集，对初始模型进行训练，训练后得到道路边界检测模型。
[0039]第五方面，本申请实施例提供一种道路边界检测装置，包括：
[0040]获取模块，用于获取待处理的车道线数据，并根据所述车道线数据，确定对应的车道线特征；
[0041]检测模块，用于根据确定的车道线特征，以及道路边界检测模型，确定道路边界；
[0042]其中，所述道路边界检测模型为通过第一方面任一项所述方法确定的。
[0043]第六方面，本申请实施例提供一种高精地图的更新装置，包括：
[0044]获取模块，用于获取待处理的车道线数据；
[0045]确定模块，用于根据所述车道线数据，基于第二方面任一项所述的方法，确定道路边界；
[0046]更新模块，用于根据所述车道线数据和所述道路边界，更新所述高精地图。
[0047]第七方面，本申请实施例提供一种电子设备，包括：
[0048]至少一个处理器；以及
[0049]与所述至少一个处理器通信连接的存储器；
[0050]其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述电子设备执行上述任一方面所述的方法。
[0051]第八方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现上述任一方面所述的方法。
[0052]本申请实施例提供的道路边界检测模型的训练方法、道路边界检测方本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种道路边界检测模型的训练方法，其特征在于，所述方法包括：获取车道线数据，并根据所述车道线数据，构建训练样本集，其中，训练样本集中训练样本包括车道线数据对应的车道线特征以及指示信息，所述指示信息用于指示所述车道线数据是否属于道路边界；根据所述训练样本集，对初始模型进行训练，训练后得到道路边界检测模型。2.根据权利要求1所述的方法，其特征在于，所述车道线数据包括多个车道线的矢量数据以及对应的车道线的属性特征，所述车道线特征包括所述属性特征、拓扑特征以及场景特征；根据所述车道线数据，构建训练样本集，包括：根据各所述车道线的矢量数据，提取各所述车道线的拓扑特征；针对各所述车道线，根据所述属性特征和所述拓扑特征，确定车道线的场景特征；获取所述车道线的指示信息，并将所述车道线的车道线特征以及指示信息作为训练样本；其中，由所述多个车道线对应的训练样本形成训练样本集。3.根据权利要求2所述的方法，其特征在于，根据各所述车道线的矢量数据，提取各所述车道线的拓扑特征，包括：根据各所述车道线的矢量数据，构建空间索引；根据各所述车道线的矢量数据和所述空间索引，生成拓扑结构；所述拓扑结构用于表示各车道线之间的空间关系；根据所述空间关系，提取各所述车道线的拓扑特征。4.根据权利要求2或3所述的方法，其特征在于，根据所述属性特征和所述拓扑特征，确定车道线的场景特征，包括：基于各道路场景类型的特征规则，将所述属性特征和所述拓扑特征与所述特征规则进行匹配，确定车道线所属场景特征。5.根据权利要求1
‑
3任一项所述的方法，其特征在于，所述初始模型为多个，且多个初始模型为不同类型的机器学习模型；相应的，所述道路边界检测模型为多个，且多个道路边界检测模型用于根据待处理的车道线数据共同确定道路边界。6.一种道路边界检测方法，其特征在于，包括：获取待处理的车道线数据，并根据所述车道线数据，确定对应的车道线特征；根据确定的车道线特征，以及道路边界检测模型，确定道路边界；其中，所述道路边界检测模型为通过权利要求1
‑
5任一项所述方法确定的。7.根据权利要求6所述的方法，其特征在于，所述道路边界检测模型为多个，根据确定的车道线特征，以及道路边界检测模型，确定道路边界，包括：根据确定的车道线特征，通过多个道路边界检测模型进行预测，确定各所述道路边界检测模型对应的预测结果；根据各所述预测结果，通过投票机制，确定所述待处理的车道线数据对应的各车道线所属区域的道路边界。8.根据权利要求7所述的方法，其特征在于，根据各所述预测结果，通过...
【专利技术属性】
技术研发人员：卓越，陈时远，韩洪林，
申请(专利权)人：高德软件有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。