【技术实现步骤摘要】
本专利技术涉及地图处理，尤其涉及一种地图道路数据生成模型训练方法、相关方法和装置及设备。
技术介绍
1、随着智能交通和自动驾驶领域的迅速发展，对地图的要求已经超越了传统导航电子地图所能提供的内容、精度和完整性。为了满足这种高级应用需求，针对道路的高精度地图逐渐兴起并广受认可。在自动驾驶系统中，高精度地图具备地图匹配、辅助环境感知和路径规划等三大关键功能，这些功能是刚性需求且无法被其他替代方案取代的优势。高精度地图的引入为自动驾驶的安全性和可行性提供了重要的支持。
2、众包地图生成是一种基于众包模式来收集、整理和更新地理信息数据的方法。借助广大的网络用户，以众包的方式参与地图数据的创建和更新工作。通过众包模式，可以快速获取实时的道路状况、交通标识和其他地理特征数据。利用众包模式的协作和共享精神，以大众的力量构建更新更快、更全面、更准确的地图，以满足智能交通和自动驾驶系统对高清地图的需求。
3、为了得到高精度地图，一般需要对众包地图的多趟地图要素矢量数据进行处理，得到满足高精度地图生成需求的地图几何矢量数据。
技术实现思路
1、为了生成稳定的高精度地图，本专利技术实施例提供了一种地图道路数据生成模型训练方法、相关方法和装置及设备。
2、第一方面，本申请实施例提供一种地图道路数据生成模型训练方法，该方法包括：
3、将预先获取的多组预训练地图要素矢量数据分别转换成预训练地图要素光栅数据；
4、基于多组所述预训练地图要素光栅数据与对
5、根据获取的多组地图要素光栅数据，并基于所述多个过拟合道路生成模型，得到对应的多个地图几何光栅数据；
6、获取训练样本对集合；其中，所述训练样本对集合中包括由每一所述地图要素光栅数据和对应的所述地图几何光栅数据构建的训练样本对；
7、根据所述训练样本对集合训练预先构建的奖励模型，得到训练后奖励模型；
8、使用所述训练后奖励模型，对目标道路生成模型组并行地进行强化学习训练，得到最优地图道路生成模型；所述目标道路生成模型组中的目标道路生成模型为所述初始道路生成模型、训练过程中保留的中间道路生成模型或所述过拟合道路生成模型。
9、本申请实施例的一个或一些可选的实施方式中，所述训练样本对集合中还包括基于多组地图要素光栅数据和对应标注得到的地图几何光栅数据构建的训练样本对，和/或，基于多组预先获取的地图道路数据和对应生成的地图几何光栅数据构建的训练样本对；
10、在根据所述训练样本对集合训练预先构建的奖励模型，得到训练后奖励模型之前，所述方法还包括：
11、对所述训练样本对集合中各训练样本对进行排名，得到各训练样本的排序结果；
12、根据所述各训练样本的排序结果，通过归一化得到所述各训练样本的奖励分数。
13、本申请实施例的一个或一些可选的实施方式中，所述根据所述训练样本对集合训练预先构建的奖励模型，得到训练后奖励模型，包括：
14、根据所述训练样本对集合中各所述训练样本对和其对应的奖励分数训练所述奖励模型，得到所述训练后奖励模型。
15、本申请实施例的一个或一些可选的实施方式中，所述基于多组所述预训练地图要素光栅数据与对应的地图几何光栅数据，预训练预先构建的增加随机性的初始道路生成模型，得到多个过拟合道路生成模型，包括：
16、获取基于每组所述预训练地图要素光栅数据标注得到的地图几何光栅数据；
17、将多组所述预训练地图要素光栅数据与对应的所述地图几何光栅数据划分为训练集与测试集；
18、在预设道路生成网络模型中增加随机输入，构建得到所述初始道路生成模型；
19、将所述训练集输入所述初始道路生成模型，最小化所述初始道路生成模型的损失函数，计算得到训练集准确率，并得到训练后初始道路生成模型；
20、将所述测试集输入所述训练后初始道路生成模型，计算得到测试集准确率；
21、重复执行训练所述初始道路生成模型的步骤，直至所述训练集准确率与测试集准确率满足预设过拟合条件，并在训练过程中保留不同的训练后道路生成模型，得到所述多个过拟合道路生成模型。
22、本申请实施例的一个或一些可选的实施方式中，所述重复执行训练所述初始道路生成模型的步骤，直至所述训练集准确率与测试集准确率满足预设过拟合条件，并在训练过程中保留不同的训练后道路生成模型，得到所述多个过拟合道路生成模型，包括；
23、重复执行训练所述初始道路生成模型的步骤，直至所述训练集准确率大于第一预设阈值，同时测试集准确率小于第二预设阈值，在此后的训练过程中每隔第三预设阈值的迭代次数便保留一次训练后道路生成模型，得到所述多个过拟合道路生成模型。
24、本申请实施例的一个或一些可选的实施方式中，所述使用所述训练后奖励模型，对目标道路生成模型组并行地进行强化学习训练，得到最优地图道路生成模型，包括：
25、将获取的目标地图要素光栅数据输入每个所述目标道路生成模型，基于所述训练后奖励模型，使用策略梯度算法对所述目标道路生成模型进行优化，得到对应的优化道路生成模型；
26、重复上述每个优化道路生成模型的步骤，直至分别达到预设条件，得到多个强化后地图道路生成模型；
27、从所述多个强化后道路生成模型中筛选得到最优地图道路生成模型。
28、本申请实施例的一个或一些可选的实施方式中，所述将获取的目标地图要素光栅数据输入每个所述目标道路生成模型，基于所述训练后奖励模型，使用策略梯度算法对所述目标道路生成模型进行优化，得到对应的优化道路生成模型，包括：
29、根据新获取的地图要素矢量数据生成所述目标地图要素光栅数据；
30、针对每一所述目标道路生成模型，将所述目标地图要素光栅数据输入所述目标道路生成模型，得到目标地图几何光栅数据；
31、基于所述训练后奖励模型评估所述目标地图要素光栅数据和所述目标地图几何光栅数据的奖励分数；
32、根据所述奖励分数，更新所述目标道路生成模型的参数，得到对应的所述优化道路生成模型。
33、本申请实施例的一个或一些可选的实施方式中，所述从所述多个强化后道路生成模型中筛选得到最优地图道路生成模型，包括：
34、使用所述目标地图要素光栅数据分别测试所述多个强化后道路生成模型，筛选得到最优地图道路生成模型。
35、本申请实施例的一个或一些可选的实施方式中，还包括：
36、若使用所述目标地图要素光栅数据测试最优地图道路生成模型的测试结果未满足预设要求，则重新执行上述强化学习训练的步骤；或者，
37、若使用所述目标地图要素光栅数据测试最优地图道路生成模型的测试结果未满足预设要求，且得到人为确定所述最优地图道路生成模型质量本文档来自技高网...
【技术保护点】
1.一种地图道路数据生成模型训练方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，所述训练样本对集合中还包括基于多组地图要素光栅数据和对应标注得到的地图几何光栅数据构建的训练样本对，和/或，基于多组预先获取的地图道路数据和对应生成的地图几何光栅数据构建的训练样本对；
3.如权利要求2所述的方法，其特征在于，所述根据所述训练样本对集合训练预先构建的奖励模型，得到训练后奖励模型，包括：
4.如权利要求1所述的方法，其特征在于，所述基于多组所述预训练地图要素光栅数据与对应的地图几何光栅数据，预训练预先构建的增加随机性的初始道路生成模型，得到多个过拟合道路生成模型，包括：
5.如权利要求4所述的方法，其特征在于，所述重复执行训练所述初始道路生成模型的步骤，直至所述训练集准确率与测试集准确率满足预设过拟合条件，并在训练过程中保留不同的训练后道路生成模型，得到所述多个过拟合道路生成模型，包括；
6.如权利要求1所述的方法，其特征在于，所述使用所述训练后奖励模型，对目标道路生成模型组并行地进行强化学习训练，得到最优地图
7.如权利要求6所述的方法，其特征在于，所述将获取的目标地图要素光栅数据输入每个所述目标道路生成模型，基于所述训练后奖励模型，使用策略梯度算法对所述目标道路生成模型进行优化，得到对应的优化道路生成模型，包括：
8.如权利要求6所述的方法，其特征在于，所述从所述多个强化后道路生成模型中筛选得到最优地图道路生成模型，包括：
9.如权利要求8所述的方法，其特征在于，还包括：
10.一种道路几何矢量地图的生成方法，其特征在于，包括：
11.一种高精度地图的生成方法，其特征在于，包括：
12.一种地图道路数据生成模型训练装置，其特征在于，包括：
13.一种道路几何矢量地图的生成装置，其特征在于，包括：
14.一种高精度地图的生成装置，其特征在于，包括：
15.一种计算机可读存储介质，计算机可读存储介质中存储有指令，当指令在终端上运行时，使得终端执行如权利要求1-9任一项所述的地图道路数据生成模型训练方法、权利要求10所述的地图几何矢量数据生成方法和/或权利要求11所述的高精度地图的生成方法。
16.一种计算机设备，其特征在于，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-9任一项所述的地图道路数据生成模型训练方法、权利要求10所述的地图几何矢量数据生成方法和/或权利要求11所述的高精度地图的生成方法。
17.一种包含指令的计算机程序产品，当计算机程序产品在计算机设备上运行时，使得计算机设备执行如权利要求1-9任一项所述的地图道路数据生成模型训练方法、权利要求10所述的地图几何矢量数据生成方法和/或权利要求11所述的高精度地图的生成方法。
18.一种芯片，芯片包括处理器和通信接口，通信接口和处理器耦合，处理器用于运行计算机程序或指令，以实现如权利要求1-9任一项所述的地图道路数据生成模型训练方法、权利要求10所述的地图几何矢量数据生成方法和/或权利要求11所述的高精度地图的生成方法。
...【技术特征摘要】
1.一种地图道路数据生成模型训练方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，所述训练样本对集合中还包括基于多组地图要素光栅数据和对应标注得到的地图几何光栅数据构建的训练样本对，和/或，基于多组预先获取的地图道路数据和对应生成的地图几何光栅数据构建的训练样本对；
3.如权利要求2所述的方法，其特征在于，所述根据所述训练样本对集合训练预先构建的奖励模型，得到训练后奖励模型，包括：
4.如权利要求1所述的方法，其特征在于，所述基于多组所述预训练地图要素光栅数据与对应的地图几何光栅数据，预训练预先构建的增加随机性的初始道路生成模型，得到多个过拟合道路生成模型，包括：
5.如权利要求4所述的方法，其特征在于，所述重复执行训练所述初始道路生成模型的步骤，直至所述训练集准确率与测试集准确率满足预设过拟合条件，并在训练过程中保留不同的训练后道路生成模型，得到所述多个过拟合道路生成模型，包括；
6.如权利要求1所述的方法，其特征在于，所述使用所述训练后奖励模型，对目标道路生成模型组并行地进行强化学习训练，得到最优地图道路生成模型，包括：
7.如权利要求6所述的方法，其特征在于，所述将获取的目标地图要素光栅数据输入每个所述目标道路生成模型，基于所述训练后奖励模型，使用策略梯度算法对所述目标道路生成模型进行优化，得到对应的优化道路生成模型，包括：
8.如权利要求6所述的方法，其特征在于，所述从所述多个强化后道路生成模型中筛选得到最优地图道路生成模型，包括：
9.如权利要求8所述的方法，其特征在于，...
【专利技术属性】
技术研发人员：贾书军，于天舒，
申请(专利权)人：沈阳美行科技股份有限公司，
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。