地图中点位特征的学习方法、装置、设备及存储介质制造方法及图纸

本申请实施例公开了一种地图中点位特征的学习方法、装置、设备及存储介质，涉及人工智能领域。包括：获取地图的导航网格数据以及可见图数据，导航网格数据用于表征地图中的可通行区域，可见图数据用于表征地图中地图点位之间的可见性；基于导航网格数据和可见图数据，对地图中的目标地图点位进行采样，得到采样轨迹，采样轨迹包括可达轨迹和可见轨迹，可达轨迹和可见轨迹由目标地图点位构成；基于采样轨迹中目标地图点位之间的上下文关系，以及目标地图点位之间的视野相似性，对目标地图点位进行点位特征学习，得到目标地图点位的目标点位特征。采用本申请实施例的方法，可以学习到包含上下文点位信息以及视野信息的点位特征。含上下文点位信息以及视野信息的点位特征。含上下文点位信息以及视野信息的点位特征。

【技术实现步骤摘要】
地图中点位特征的学习方法、装置、设备及存储介质


[0001]本申请实施例涉及人工智能领域，特别涉及一种地图中点位特征的学习方法、装置、设备及存储介质。

技术介绍

[0002]智能体（如智能机器人、游戏机器人）通常使用有限的视场传感器，即视场传感器获取到的数据只能表示智能体附近位置的部分场景，而无法考虑来自环境其余部分的更广泛的信息。为学习环境信息的高层语义表示，可以通过强化学习算法对智能体进行训练，然而强化学习算法具有计算成本高昂、样本效率低下等缺点，因此，可以对智能体进行预训练，以在预训练的过程中，提升智能体对三维空间复杂场景的理解。
[0003]相关技术中，通常会采用迁移学习的方式，将预训练得到的模型应用到下游任务中。例如，通过图像级别的预训练，得到图像级别编码器；通过环境级别的预训练，得到环境级别编码器；并将图像级别编码器和环境级别编码器应用到下游任务中，以实现下游任务对图像特征的有效提取，以及对环境场景的理解。
[0004]然而，对模型进行预训练，需要采集预训练数据、进行大量预训练的工作，因此具有很大的预训练开销；同时，由于预训练得到的模型参数量较大，应用到下游任务中时也会增加下游任务的计算量。

技术实现思路

[0005]本申请实施例提供了一种地图中点位特征的学习方法、装置、设备及存储介质。所述技术方案如下。
[0006]一方面，本申请实施例提供了一种地图中点位特征的学习方法，所述方法包括：获取地图的导航网格数据以及可见图数据，所述导航网格数据用于表征所述地图中的可通行区域，所述可见图数据用于表征所述地图中地图点位之间的可见性；基于所述导航网格数据和所述可见图数据，对所述地图中的目标地图点位进行采样，得到采样轨迹，所述采样轨迹包括可达轨迹和可见轨迹，所述可达轨迹和所述可见轨迹由所述目标地图点位构成；基于所述采样轨迹中所述目标地图点位之间的上下文关系，以及所述目标地图点位之间的视野相似性，对所述目标地图点位进行点位特征学习，得到所述目标地图点位的目标点位特征。
[0007]另一方面，本申请实施例提供了一种地图中点位特征的学习装置，所述装置包括：获取模块，用于获取地图的导航网格数据以及可见图数据，所述导航网格数据用于表征所述地图中的可通行区域，所述可见图数据用于表征所述地图中地图点位之间的可见性；采样模块，用于基于所述导航网格数据和所述可见图数据，对所述地图中的目标地图点位进行采样，得到采样轨迹，所述采样轨迹包括可达轨迹和可见轨迹，所述可达轨迹
和所述可见轨迹由所述目标地图点位构成；学习模块，用于基于所述采样轨迹中所述目标地图点位之间的上下文关系，以及所述目标地图点位之间的视野相似性，对所述目标地图点位进行点位特征学习，得到所述目标地图点位的目标点位特征。
[0008]另一方面，本申请实施例提供了一种计算机设备，该计算机设备包括处理器和存储器，存储器中存储有至少一条程序代码，至少一条程序代码由处理器加载并执行，以实现上述任一实施例所述的地图中点位特征的学习方法。
[0009]另一方面，本申请实施例提供了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至少一条指令，所述指令由处理器加载并执行以实现如上述方面所述的地图中点位特征的学习方法。
[0010]另一方面，本申请实施例提供了一种计算机程序产品，该计算机程序产品包括计算机指令，该计算机指令存储在计算机可读存储介质中。服务器的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该服务器执行如上述方面所述的地图中点位特征的学习方法。
[0011]本申请实施例中，基于地图点位之间的上下文关系，以及地图点位之间的视野相似性，对地图点位进行点位特征学习，得到融合了上下文点位信息和视野信息的点位特征，使得该点位特征可以直接应用于下游任务中，一方面可以一定程度上降低预训练过程中的数据采集和训练开销，另一方面也可以直接将得到的点位特征应用于下游任务中，降低下游任务的计算量，提升预测效率。
附图说明
[0012]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0013]图1是相关技术中EPC方法的示意图；图2是本申请一个示例性实施例提供的地图中点位特征的学习方法的流程图；图3是本申请一个示例性实施例提供的可达轨迹、可见图数据和可见轨迹的示意图；图4是本申请一个示例性实施例提供的对目标地图点位进行点位特征学习的示意图；图5是本申请一个示例性实施例提供的第一上下文模型的示意图；图6是本申请一个示例性实施例提供的第二上下文模型的示意图；图7是本申请一个示例性实施例提供的确定全局相似视野点位对和全局差异视野点位对的流程图；图8是本申请一个示例性实施例提供的全局点位对的示意图；图9是本申请一个示例性实施例提供的确定局部相似视野点位对和局部差异视野点位对的流程图；图10是本申请一个示例性实施例提供的局部点位对的示意图；
图11是本申请一个示例性实施例提供的采用不同方式进行点位特征学习得到的聚类结果示意图；图12是本申请一个示例性实施例提供的将目标点位特征接入到下游任务中得到的游戏机器人的胜率收敛图；图13是本申请一个示例性实施例提供的地图中点位特征的学习装置的结构框图；图14是本申请一个示例性实施例提供的计算机设备的结构示意图。
具体实施方式
[0014]为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
[0015]人工智能（Artificial Intelligence，AI）是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
[0016]人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、预训练模型技术、操作/交互系统、机电一体化等。其中，预训练模型又称大模型、基础模型，经过微调后可以广泛应用于人工智能各大方向下游任务。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
[0017]在一些实施例中，本申请实施例的方法还可以用于自动驾驶技术。自动驾驶技术指车辆在无驾驶员操作的情况下实现自行驾驶。通常包括高精地图、环境感知、计算机视觉、行为决策、路径规划、运动控制等技术。自动驾驶包括单车智能、车路协同、联网云控等多种发展路径。自动驾驶技术有着广泛的应本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种地图中点位特征的学习方法，其特征在于，所述方法包括：获取地图的导航网格数据以及可见图数据，所述导航网格数据用于表征所述地图中的可通行区域，所述可见图数据用于表征所述地图中地图点位之间的可见性；基于所述导航网格数据和所述可见图数据，对所述地图中的目标地图点位进行采样，得到采样轨迹，所述采样轨迹包括可达轨迹和可见轨迹，所述可达轨迹和所述可见轨迹由所述目标地图点位构成；基于所述采样轨迹中所述目标地图点位之间的上下文关系，以及所述目标地图点位之间的视野相似性，对所述目标地图点位进行点位特征学习，得到所述目标地图点位的目标点位特征。2.根据权利要求1所述的方法，其特征在于，所述基于所述采样轨迹中所述目标地图点位之间的上下文关系，以及所述目标地图点位之间的视野相似性，对所述目标地图点位进行点位特征学习，得到所述目标地图点位的目标点位特征，包括：基于所述采样轨迹中所述目标地图点位的点位特征，通过上下文模型进行上下文关系预测，得到上下文预测结果；基于所述上下文预测结果和所述采样轨迹中所述目标地图点位之间的上下文关系，确定第一损失，所述第一损失用于表征所述上下文预测结果和实际上下文点位之间的差异；基于所述目标地图点位之间的视野相似性，确定相似视野点位对和差异视野点位对；基于所述相似视野点位对中所述目标地图点位的点位特征，以及所述差异视野点位对中所述目标地图点位的点位特征，确定第二损失，所述第二损失用于表征所述相似视野点位对与所述差异视野点位对的视野相似度的差异；基于所述第一损失和所述第二损失对所述目标地图点位进行点位特征学习，得到所述目标地图点位的所述目标点位特征。3.根据权利要求2所述的方法，其特征在于，所述基于所述采样轨迹中所述目标地图点位的点位特征，通过上下文模型进行上下文关系预测，得到上下文预测结果，包括：确定所述采样轨迹中的中心点位和上下文点位；基于所述中心点位的点位特征，通过第一上下文模型，得到所述第一上下文模型输出的上下文点位概率分布，所述上下文点位概率分布用于表征所述地图中各个目标地图点位为所述上下文点位的概率；所述基于所述上下文预测结果和所述采样轨迹中所述目标地图点位之间的上下文关系，确定第一损失，包括：基于所述上下文点位概率分布中所述上下文点位对应的上下文概率，确定所述第一损失。4.根据权利要求2所述的方法，其特征在于，所述基于所述采样轨迹中所述目标地图点位的点位特征，通过上下文模型进行上下文关系预测，得到上下文预测结果，还包括：确定所述采样轨迹中的中心点位和上下文点位；基于所述上下文点位的点位特征，通过第二上下文模型，得到所述第二上下文模型输出的中心点位概率分布，所述中心点位概率分布用于表征所述地图中各个目标地图点位为所述中心点位的概率；所述基于所述上下文预测结果和所述采样轨迹中所述目标地图点位之间的上下文关
系，确定第一损失，包括：基于所述中心点位概率分布中所述中心点位对应的中心概率，确定所述第一损失。5.根据权利要求2所述的方法，其特征在于，所述基于所述目标地图点位之间的视野相似性，确定相似视野点位对和差异视野点位对，包括：构建全局点位对，所述全局点位对由第一目标地图点位和第二目标地图点位构成；基于所述可见图数据，确定所述第一目标地图点位对应的第一可见点位，以及所述第二目标地图点位对应的第二可见点位；基于所述第一可见点位以及所述第二可见点位，确定所述第一目标地图点位与所述第二目标地图点位的所述视野相似度；在所述视野相似度大于第一阈值的情况下，将所述全局点位对确定为全局相似视野点位对；在所述视野相似度小于第二阈值的情况下，将所述全局点位对确定为全局差异视野点位对，所述第二阈值小于所述第一阈值。6.根据权利要求5所述的方法，其特征在于，所述基于所述目标地图点位之间的视野相似性，确定相似视野点位对和差异视野点位对，还包括：构建局部点位对，所述局部点位对由第三目标地图点位和第四目标地图点位构成，且所述第三目标地图点位和所述第四目标地图点位之间的距离小于第一距离阈值；基于所述可见图数据，确定所述第三目标地图点位对应的第三可见点位，以及所述第四目标地图点位对应的第四可见点位；基于所述第三可见点位以及所述第四可见点位，确定所述第三目标地图点位与所述第四目标地图点位的所述视野相似度；在所述视野相似度大于第三阈值的情况下，将所述局部点位对确定为局部相似视野点位对；在所述视野相似度小于第四阈值的情况下，将所述局部点位对确定为局部差异视野点位对，所述第四阈值小于所述第三阈值。7.根据权利要...

【专利技术属性】
技术研发人员：刘立钊，朱峰明，李紫阳，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：