【技術實現步驟摘要】
本申請涉及智能交通信息，特別涉及一種基于軌跡數據的交叉口車道級拓撲檢測方法、裝置及設備。
技術介紹
1、車道級路網數據，作為高精度地圖構建的核心要素，對于車道級導航、自動駕駛等前沿智能交通技術的發展具有至關重要的作用。在復雜的道路網絡中，交叉口作為交通流的匯聚點與分散地，其復雜的結構特征與高交通事故風險，使得精確獲取車道信息及交叉口拓撲結構成為了不可或缺的任務。
2、在數據源的選擇上，當前技術主要依賴于高分辨率遙感影像、激光雷達掃描及豐富的軌跡數據。盡管高精度遙感圖像能夠提供詳盡的視覺信息，但其獲取難度高且易受環境因素影響；激光雷達則以其高精度的三維點云數據著稱，確保了地圖構建的準確性，但高昂的成本成為其廣泛應用的瓶頸。相比之下，軌跡數據憑借其低成本、易獲取及高頻更新的優勢，成為了極具潛力的數據源。
3、相關技術中，通過結合道路中心線信息、軌跡追蹤與密度聚類的方法，成功實現了對交叉口車道級結構的有效識別與提取。此外，通過引入多元特征集成、半監督去偽等先進技術，進一步提升了交叉口位置識別的精度，并深入解析了交叉口間復雜的拓撲關系及路段屬性。
4、然而，交叉口區域的復雜性不容忽視。作為不同方向道路交匯的過渡區，該區域內駕駛行為頻繁且多變，轉彎、變道、并線、分流等駕駛行為交織在一起，使得軌跡數據的分布變得極為復雜。軌跡間的重疊、交叉、斷裂等現象不僅增加了數據處理的難度，也對算法的穩定性和準確性提出了更高的要求。
技術實現思路
1、本申請提供一種基于軌跡
2、本申請第一方面實施例提供一種基于軌跡數據的交叉口車道級拓撲檢測方法，包括以下步驟：獲取交叉口內部的軌跡數據；提取軌跡數據中軌跡的形狀特征、方向特征和軌跡之間關系特征；根據形狀特征、方向特征和軌跡之間關系特征構建軌跡關系圖，將軌跡關系圖輸入圖神經網絡架構，圖神經網絡架構輸出車道級交叉口拓撲。
3、可選地，根據形狀特征、方向特征和軌跡之間關系特征構建軌跡關系圖，包括：將形狀特征和方向特征作為節點特征，將軌跡之間關系特征作為邊特征；根據節點特征和邊特征生成軌跡關系圖。
4、可選地，節點特征包括軌跡扭曲度、軌跡曲率、軌跡方位角變化、起點和終點方位角和起點到終點方位的至少一個，邊特征包括軌跡間豪斯多夫距離和軌跡間采樣點距離序列的至少一個，其中，軌跡間豪斯多夫距離的計算公式為：
5、
6、其中，d(p,τb)表示p點到τb中任意點的最小距離，d(τa,q)表示τa中任意點到q點的最小距離；
7、軌跡間采樣點距離序列為：
8、di＝∥pi-qi∥；
9、dsp＝<d1,d2,…,dm>；
10、其中，m為相等的間隔均勻采樣固定數，pi為τa中對應的采樣點，qi為τb中對應的采樣點，di為采樣點qi的距離。
11、可選地，圖神經網絡架構包括節點嵌入組件和節點分類組件，其中，節點嵌入組件包括多個節點嵌入塊，每個嵌入塊包括多個全連接層、圖學習層和歸一化層，每個全連接層使用relu作為激活函數，在每個嵌入塊中，將節點特征輸入多個全連接層得到節點之間的邊緣特征，將節點特征和節點之間的邊緣特征輸入圖學習層，使用歸一化層對圖學習層的輸出進行歸一化；節點分類組件包括有兩個全連接層組成的分類塊，第一個全連接層有使用relu激活函數，第二個全連接層使用sigmoid激活函預測圖中每個節點作為車道軌跡的概率，在預測過程中，如果節點的預測概率超過預設概率，則將節點標記為車道軌跡。
12、可選地，圖學習層包括圖和多頭注意力機制，其中，根據節點特征和節點之間的邊緣特征生成圖，多頭注意力機制的第d個頭注意力對于從j到i的每條邊為：
13、qc,i＝wc,qxi+bc,q
14、ec,ij＝wc,eeij+bc,e
15、kc,j＝wc,kxj+bc,k
16、
17、其中，xi為第i個節點的節點特征向量，xj為第j個節點的節點特征向量，qc,i為第i個節點第c個注意力頭的query向量，wc,q和bc,q為計算qc,i的可訓練參數，kc,j為第j個節點第c個注意力頭的key向量，wc,k和bc,k為計算kc,i的可訓練參數，eij為ec,ij為第i和j個節點之間的邊緣特征向量，wc,e和bc,e為計算ec,ij的可訓練參數，ac,ij為第i個節點與第j個節點間的注意力分數。
18、對于注意力頭數為h的情況，更新后的節點特征為：
19、vc,j＝wc,vxj+bc,v
20、
21、其中，∥表示串聯操作，vc,j為第j個節點第c個注意力頭的value向量，wc,v和bc,v分別為計算vc,j的可訓練參數，xi′為更新后的節點特征。
22、可選地，圖神經網絡架構基于集合的路網提取損失函數進行訓練。
23、可選地，基于集合的路網提取損失函數的二分匹配步驟包括：獲取真實車道集和軌跡預測集；將真實車道集和軌跡預測集進行匹配，根據二分匹配算法確定最優排列，根據最優排列計算最小化匹配成本；根據最小化匹配成本分解為分類匹配成本和位置匹配成本，其中，分類匹配成本對非空真實車道計算，位置匹配成本進行豪斯多夫距離歸一化處理；根據豪斯多夫距離歸一化處理后的位置匹配成本和分類匹配成本計算匹配總成本；根據匹配總成本優化預測模型。
24、可選地，根據二分匹配算法確定最優排列，根據最優排列計算最小化匹配成本，包括：計算基于集合的路網提取損失函數：
25、
26、其中，是最佳分配，表示模型輸出的由索引的軌跡被分類為車道軌跡的概率。
27、本申請第二方面實施例提供一種基于軌跡數據的交叉口車道級拓撲檢測裝置，包括：獲取模塊，用于獲取交叉口內部的軌跡數據；提取模塊，用于提取軌跡數據中軌跡的形狀特征、方向特征和軌跡之間關系特征；輸出模塊，用于根據形狀特征、方向特征和軌跡之間關系特征構建軌跡關系圖，將軌跡關系圖輸入圖神經網絡架構，圖神經網絡架構輸出車道級交叉口拓撲。
28、本申請第三方面實施例提供一種電子設備，包括：存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，處理器執行程序，以實現如上述實施例的基于軌跡數據的交叉口車道級拓撲檢測方法。
29、由此，本申請包括如下有益效果：
30、本申請實施例通過構建交叉口內部的軌跡關系圖并利用圖神經網絡學習技術，實現了對交叉口內部車道線的高精度、高魯棒性識別與提取，即使在面對復雜多變的軌跡數據時，依然能夠精準捕捉代表性軌跡，作為車道線的直接映射，從而生成詳盡且精確的交叉口車道級路網拓撲，顯著降低了構建高精度交叉口車道級路網的成本，同時還支持實時動態更新，為本文檔來自技高網...
【技術保護點】
1.一種基于軌跡數據的交叉口車道級拓撲檢測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于軌跡數據的交叉口車道級拓撲檢測方法，其特征在于，所述根據所述形狀特征、所述方向特征和所述軌跡之間關系特征構建軌跡關系圖，包括：
3.根據權利要求2所述的基于軌跡數據的交叉口車道級拓撲檢測方法，其特征在于，所述節點特征包括軌跡扭曲度、軌跡曲率、軌跡方位角變化、起點和終點方位角和起點到終點方位的至少一個，所述邊特征包括軌跡間豪斯多夫距離和軌跡間采樣點距離序列的至少一個，其中，
4.根據權利要求1所述的基于軌跡數據的交叉口車道級拓撲檢測方法，其特征在于，所述圖神經網絡架構包括節點嵌入組件和節點分類組件，其中，
5.根據權利要求4所述的基于軌跡數據的交叉口車道級拓撲檢測方法，其特征在于，所述圖學習層包括圖和多頭注意力機制，其中，
6.根據權利要求4所述的基于軌跡數據的交叉口車道級拓撲檢測方法，其特征在于，所述圖神經網絡架構基于集合的路網提取損失函數進行訓練。
7.根據權利要求6所述的基于軌跡數據的交叉口車道級拓撲檢
8.根據權利要求7所述的基于軌跡數據的交叉口車道級拓撲檢測方法，其特征在于，根據二分匹配算法確定最優排列，根據最優排列計算最小化匹配成本，包括：
9.一種基于軌跡數據的交叉口車道級拓撲檢測裝置，其特征在于，包括：
10.一種電子設備，其特征在于，包括：存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，所述處理器執行所述程序，以實現權利要求1-8任一項所述的基于軌跡數據的交叉口車道級拓撲檢測方法。
...【技術特征摘要】
1.一種基于軌跡數據的交叉口車道級拓撲檢測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于軌跡數據的交叉口車道級拓撲檢測方法，其特征在于，所述根據所述形狀特征、所述方向特征和所述軌跡之間關系特征構建軌跡關系圖，包括：
3.根據權利要求2所述的基于軌跡數據的交叉口車道級拓撲檢測方法，其特征在于，所述節點特征包括軌跡扭曲度、軌跡曲率、軌跡方位角變化、起點和終點方位角和起點到終點方位的至少一個，所述邊特征包括軌跡間豪斯多夫距離和軌跡間采樣點距離序列的至少一個，其中，
4.根據權利要求1所述的基于軌跡數據的交叉口車道級拓撲檢測方法，其特征在于，所述圖神經網絡架構包括節點嵌入組件和節點分類組件，其中，
5.根據權利要求4所述的基于軌跡數據的交叉口車道級拓撲檢測方法，其特征在于，所述圖學習層包括圖和多...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。