[发明专利]一种路口引导线生成网络训练方法及路口引导线生成方法

说明书

本发明涉及一种路口引导线生成网络训练方法及路口引导线生成方法，网络模型包括LSTM‑E层、池化层、第一全连接层、第二全连接层、LSTM‑D层；针对每一个训练样本，利用LSTM‑E层分别提取最佳通行轨迹和非引导线轨迹的语义特征向量，利用池化层对多条非引导线轨迹的语义特征向量进行融合处理；将融合后的非引导线轨迹的语义特征向量以及最佳通行轨迹的语义特征向量，作为第一全连接层的输入，预测训练样本中轨迹数据所服从分布的均值μ与方差σ；从标准正态分布中采样随机向量ε，并计算向量z＝ε×μ+σ；将融合后的非引导线轨迹的语义特征向量与向量z作为第二全连接层的输入，第二全连接层的输出作为LSTM‑D层的输入，逐个预测生成构成路口引导线轨迹的坐标点。

技术领域

本发明涉及高精度地图制作技术领域，具体涉及一种基于轨迹特征融合的路口引导线生成网络训练方法及路口引导线生成方法。

背景技术

在众包高精度地图制作中，路口引导线是地图中的关键要素，它是一条符合驾驶行为的轨迹，用于引导智能驾驶车舒适的通过路口。

路口引导线生成方法主要有两类：1)基于运动学模型的方法。该方法假设地图中的POI等道路交通元素是理想的、完备的，预先提出目标函数，设计优化规则和防碰撞、速度等约束条件，通过数学方法生成平滑的引导线，但没有考虑高精度地图制图中道路元素的感知存在不确定性，不一定有很完备的真实路况和通行信息，造成了数学方法生成的引导线难以实用的问题；2)基于轨迹数据驱动的机器学习方法。该方法主要以深度学习为代表，主要应用于轨迹预测，用前一段路中的轨迹去预测车辆在下一段路中的行驶轨迹，为行驶中车辆的生成动态引导线。在具体实施中，该方法需要考虑自动驾驶车与周围交通实体的交互信息和准确地高精度地图信息。然而，在这两方面信息都缺乏，只有历史轨迹的情况下，该方法难以实现。

发明内容

本发明针对现有技术中存在的技术问题，提供一种基于轨迹特征融合的路口引导线生成方法及装置，解决众包高精度地图制作中，在仅有历史轨迹的情况下，道路路口静态引导线的生成问题。

本发明解决上述技术问题的技术方案如下：

一方面，本发明提供一种基于轨迹特征融合的路口引导线生成网络训练方法，网络模型包括LSTM-E层、池化层、第一全连接层、第二全连接层、LSTM-D层；所述训练方法，包括：

获取训练样本数据集，所述训练样本数据集中每个样本包括一条最佳通行轨迹和多条与最佳通行轨迹同车道或同虚拟车道的非引导线轨迹；

针对每一个训练样本，利用LSTM-E层分别提取最佳通行轨迹和非引导线轨迹的语义特征向量，利用池化层对多条非引导线轨迹的语义特征向量进行融合处理；

将融合后的非引导线轨迹的语义特征向量以及最佳通行轨迹的语义特征向量，作为第一全连接层的输入，预测训练样本中轨迹数据所服从分布的均值μ与方差σ；

从标准正态分布中采样随机向量ε，并计算向量z＝ε×μ+σ；

将融合后的非引导线轨迹的语义特征向量与向量z作为第二全连接层的输入，第二全连接层的输出作为LSTM-D层的输入，逐个预测生成构成路口引导线轨迹的坐标点。

进一步的，该方法还包括，对训练样本数据集中的轨迹进行坐标转换，将轨迹中坐标点的地球坐标值转换为符合模型计算的局部坐标值。

进一步的，所述坐标转换包括：

将全局坐标系转换为与全局坐标系同方向的笛卡尔坐标系，或

以车辆进入路口方向为y轴正方向，y轴右手边为x轴正方向建立笛卡尔坐标系，将全局坐标系转换为笛卡尔坐标系，或

利用轨迹中当前坐标点的全局坐标值减去前一坐标点的全局坐标值作为当前坐标点进行坐标转换后的局部坐标值；若当前坐标点为轨迹中的第一个点，则令当前坐标点的全局坐标值减去其本身。