【技術實現步驟摘要】
本申請涉及自動駕駛領域，特別是涉及一種路口參考線生成方法、介質、設備及車輛。
技術介紹
1、傳統的基于規則的參考線生成方法是通過計算機視覺和圖像處理技術完成的，這種方法在生成參考線的過程中會依賴與一系列預定義的幾何規則和啟發式算法來識別和連接道路標記，因此在復雜多變的道路環境中可能缺乏足夠的靈活性和準確性，且依賴已有數據使傳統的參考線生成方法不能根據新數據進行更新改進，難以適用各種不同的交通環境，泛用性差。
技術實現思路
1、本申請主要提供一種路口參考線生成方法、介質、設備及車輛，以解決路口參考線的生成靈活性和泛用性差且準確率低的問題。
2、為解決上述技術問題，本申請采用的一個技術方案是：提供一種基于深度學習模型的路口參考線生成方法，包括：挖掘全場景數據中與路口場景相關的自車通行數據片段，以形成自車通行數據片段集，并對所述自車通行數據片段集進行缺陷數據過濾和非正常數據過濾；所述全場景數據為記錄的真實駕駛數據；將所述自車通行數據片段集中自車通過路口前的場景數據作為訓練數據，將所述自車通行數據片段集中所述自車通過路口時的真實軌跡作為訓練標簽，以所述訓練數據和所述訓練標簽構建訓練集；以所述訓練集對預設的路口參考線生成模型進行訓練，所述路口參考線生成模型是基于深度學習模型創建的；將完成訓練的所述路口參考線生成模型部署于自動駕駛系統中，以生成路口參考線。
3、通過對真實駕駛數據進行挖掘和過濾，形成適用于路口參考線生成模型的訓練數據，并結合自車通過路口時的真實軌跡對路口
4、在一些實施例中，所述挖掘全場景數據中與路口場景相關的自車通行數據片段，包括：基于語義地圖確定所述全場景數據中與路口場景相關的自車通行數據；從所述自車通行數據中做切片，以形成適于所述路口參考線生成模型訓練要求的所述自車通行數據片段。
5、通過將自車通行數據切片成適于路口參考線生成模型訓練的長度，使自車通行數據能夠被路口參考線生成模型高效處理和儲存，有利于提高數據處理和模型訓練的速度。
6、在一些實施例中，所述對所述自車通行數據片段集進行缺陷數據過濾和非正常數據過濾，包括：過濾掉所述自車通行數據片段集中導航數據缺失、定位數據缺失或定位偏移的所述自車通行數據片段；過濾掉所述自車通行數據片段集中自車長時間靜止或泊車的所述自車通行數據片段。
7、通過缺陷數據過濾去除自車通行數據片段集中殘缺的不可用數據，通過非正常數據過濾去除自車通行數據片段集中不具有參考價值的數據，提升了自車通行數據片段集的質量。
8、在一些實施例中，所述基于語義地圖確定所述全場景數據中與路口場景相關的自車通行數據，包括：感知語義地圖中停止線字段被賦值的區域，以確定所述語義地圖中的路口場景相關區域；從所述全場景數據中裁剪所述路口場景相關區域對應的自車通行數據，得到全場景數據中與路口場景相關的自車通行數據片段。
9、通過感知語義地圖的字段信息確定路口所在區域，從而準確截取全場景數據中與路口場景相關的自車通行數據片段，避免多余數據對模型訓練過程的干擾，提升模型處理數據的速度，從而提升路口參考線生成模型的訓練效率。
10、在一些實施例中，所述對所述自車通行數據片段集進行缺陷數據過濾和非正常數據過濾之后，還包括：對所述自車通行數據片段集做場景平衡化處理，以平衡所述自車通行數據片段集中各類型路口所占的數據比例。
11、通過平衡自車通行數據片段集中各類型路口所占的數據比例，路口參考線生成模型能夠更全面地學習到不同路口的交通特征，同時，均衡各類數據的比例也有助于降低模型對某一類路口的學習不足，從而提高路口參考線生成模型在實際應用中的泛化能力。
12、在一些實施例中，所述路口參考線生成模型包括卷積網絡下采樣層和線性網絡層；所述以所述訓練集對預設的路口參考線生成模型進行訓練，包括：將所述訓練數據輸入所述卷積網絡下采樣層進行信息編碼后提取深層特征；輸入提取的深層特征到所述線性網絡層進行線性變換，獲得所述路口參考線生成模型輸出的路口參考線；計算所述路口參考線生成模型輸出的路口參考線與所述訓練集中的真實軌跡之間的誤差；基于所述誤差對所述路口參考線生成模型進行修正，至所述真實軌跡與所述路口參考線之間的誤差小于預設的誤差閾值。
13、通過卷積網絡下采樣層提取輸入信息中的特征，有助于提取到深層語義信息，從而實現對信息更準確地定位和識別。通過線性網絡層將提取的深層特征變換為預測的參考線輸出，降低了計算復雜度和時間成本且輸出的數據更易于理解。通過計算路口參考線生成模型輸出的路口參考線與訓練集中自動駕駛車輛未來預設距離內的真實途徑位置的誤差，對路口參考線生成模型進行修正，讓模型在各種復雜路況下都能具有良好的表現，有效提高模型的泛化能力和參考線預測的準確性。
14、在一些實施例中，所述自車通行數據片段集中自車通過路口前的場景數據，包括：感知地圖的特征信息、交通參與者的運動狀態信息、導航地圖信息和靜止障礙物位置信息。
15、通過將感知地圖的特征信息、交通參與者的運動狀態信息、導航地圖信息和靜止障礙物位置信息輸入路口參考線生成模型，路口參考線生成模型根據輸入的信息對自車未來的駕駛路徑進行預測，生成參考線。
16、在一些實施例中，所述將完成訓練的所述路口參考線生成模型部署于自動駕駛系統中，以生成路口參考線，包括：通過推理引擎將完成訓練的所述路口參考線生成模型序列化為二進制模型數據；通過編程語言部署所述二進制模型數據到自動駕駛系統。
17、通過將路口參考線生成模型序列化為二進制模型數據再進行部署，可以直接對應機器碼，解析時不需要像文本格式那樣進行復雜的語法和格式解析，有助于大幅提高解析速度，加快模型的推理速度。
18、在一些實施例中，所述路口參考線生成方法還包括：響應于所述自車與前方的路口停止線之間的距離小于預設的第一約束距離，在所述自車所在車道的車道中心線上生成所述路口參考線。
19、通過對自車進入路口時進行參考線居中約束，確保自車在進入路口時能夠處于居中位置，有利于減少偏離車道的風險，同時幫助自動駕駛系統更好地操控車輛進行駕駛動作。
20、在一些實施例中，所述路口參考線生成方法還包括：響應于所述自車與前方車道之間的距離小于預設的第二約束距離，在所述自車目標車道的車道中心線上生成所述路口參考線。
21、通過對自車進入車道時進行參考線居中約束，確保車輛再進入路口時能夠處于居中位置，有利于減少偏離車道的風險，同時幫助自動駕駛系統更好地操控車輛進行駕駛動作。
22、為解決上述技術問題，本申請采用的另一個技術方案是：提供一種存儲介質，其上存儲有程序數據，所述程序數據被處理器執行時實現如上述的路口參考線生成方法的步驟。
23、該存儲介質的有益效果參考上述路口參考線生成方法的有益效本文檔來自技高網...
【技術保護點】
1.一種基于深度學習模型的路口參考線生成方法，其特征在于，包括：
2.根據權利要求1所述的路口參考線生成方法，其特征在于，所述挖掘全場景數據中與路口場景相關的自車通行數據片段，包括：
3.根據權利要求2所述的路口參考線生成方法，其特征在于，所述對所述自車通行數據片段集進行缺陷數據過濾和非正常數據過濾，包括：
4.根據權利要求2所述的路口參考線生成方法，其特征在于，所述基于語義地圖確定所述全場景數據中與路口場景相關的自車通行數據，包括：
5.根據權利要求1所述的路口參考線生成方法，其特征在于，所述對所述自車通行數據片段集進行缺陷數據過濾和非正常數據過濾之后，還包括：
6.根據權利要求1所述的路口參考線生成方法，其特征在于，所述路口參考線生成模型包括卷積網絡下采樣層和線性網絡層；
7.根據權利要求1所述的路口參考線生成方法，其特征在于，所述自車通行數據片段集中自車通過路口前的場景數據，包括：
8.根據權利要求1所述的路口參考線生成方法，其特征在于，所述將完成訓練的所述路口參考線生成模型部署于自動駕駛系
9.根據權利要求1所述的路口參考線生成方法，其特征在于，所述路口參考線生成方法還包括：
10.根據權利要求1或9所述的路口參考線生成方法，其特征在于，所述路口參考線生成方法還包括：
11.一種存儲介質，其上存儲有程序數據，其特征在于，所述程序數據被處理器執行時實現如權利要求1-10任一項所述的異常靜止車輛識別方法的步驟。
12.一種車載設備，其特征在于，包括相互連接的處理器和存儲器，所述存儲器存儲有計算機程序，所述處理器執行所述計算機程序時，實現如權利要求1-10任一項所述的異常靜止車輛識別方法的步驟。
13.一種自動駕駛車輛，其特征在于，包括如權利要求12所述的車載設備。
...【技術特征摘要】
1.一種基于深度學習模型的路口參考線生成方法，其特征在于，包括：
2.根據權利要求1所述的路口參考線生成方法，其特征在于，所述挖掘全場景數據中與路口場景相關的自車通行數據片段，包括：
3.根據權利要求2所述的路口參考線生成方法，其特征在于，所述對所述自車通行數據片段集進行缺陷數據過濾和非正常數據過濾，包括：
4.根據權利要求2所述的路口參考線生成方法，其特征在于，所述基于語義地圖確定所述全場景數據中與路口場景相關的自車通行數據，包括：
5.根據權利要求1所述的路口參考線生成方法，其特征在于，所述對所述自車通行數據片段集進行缺陷數據過濾和非正常數據過濾之后，還包括：
6.根據權利要求1所述的路口參考線生成方法，其特征在于，所述路口參考線生成模型包括卷積網絡下采樣層和線性網絡層；
7.根據權利要求1所述的路口參考線生成方法，其特征在于，所述自車通行數據片段...
【專利技術屬性】
技術研發人員：邱曜文，周光，曹通易，
申請(專利權)人：深圳元戎啟行科技有限公司，
類型：發明
國別省市：
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。