CN112328730A - 一种地图数据更新的方法、相关装置、设备及存储介质 - Google Patents

Abstract

本申请公开了一种基于人工智能技术实现的地图数据更新方法，本申请包括获取车辆数据；根据车辆数据生成锚点，电子地图包括目标原始地图数据，目标原始地图数据包括节点和节点连边；根据锚点以及车辆数据生成融合行车轨迹；根据融合行车轨迹获取目标地图数据，目标地图数据包括更新后的节点和更新后的节点连边；将目标原始地图数据更新为目标地图数据。本申请还提供了一种相关装置、设备及存储介质。本申请可基于大量的车辆数据在电子地图上构建锚点，进一步结合锚点以及大量的车辆数据生成融合行车轨迹，即利用固定好的锚点能够优化行车轨迹，由此得到更准确的地图数据。

Description

一种地图数据更新的方法、相关装置、设备及存储介质

技术领域

本申请涉及人工智能技术领域，尤其涉及一种地图数据更新的方法、相关装置、设备及存储介质。

背景技术

随着人们出行的增多，导航应用也逐渐增多，人们可以通过安装在终端设备上的导航应用轻松的找到目的地，导航应用使用路线数据库提供的路线数据为用户提供导航信息。由于路网的建设与变更，因此，与路网对应的地图数据也在不断的更新。

为了保证地图应用客户端为用户提供准确的路径服务，需要及时对客户端的地图数据进行更新。目前，使用全球定位***（Global Positioning System，GPS）的轨迹进行节点位置的更新，当有足够多的车辆经过同一个路口时，即可根据GPS的轨迹更新导航应用中的地图数据。

然而，GPS定位的精度较低，通常存在几米甚至十几米的误差，因此，基于GPS轨迹更新得到的节点位置也存在较大误差，导致地图数据的准确度不足。

发明内容

本申请实施例提供了一种地图数据更新的方法、相关装置、设备及存储介质，可基于大量的车辆数据在电子地图上构建锚点，进一步结合锚点以及大量的车辆数据生成融合行车轨迹，即利用固定好的锚点能够优化行车轨迹，由此得到更准确的地图数据。

有鉴于此，本申请一方面提供一种地图数据更新的方法，包括：

获取车辆数据，其中，车辆数据包括待识别图像、位置参数以及方向参数；

根据车辆数据生成锚点；

根据锚点以及车辆数据生成融合行车轨迹；

根据融合行车轨迹获取目标地图数据，其中，目标地图数据包括更新后的节点和更新后的节点连边；

将电子地图中的目标原始地图数据更新为目标地图数据。

本申请另一方面提供一种地图数据更新装置，包括：

获取模块，用于获取车辆数据，其中，车辆数据包括待识别图像、位置参数以及方向参数；

生成模块，用于根据车辆数据生成锚点；

生成模块，还用于根据锚点以及车辆数据生成融合行车轨迹；

获取模块，还用于根据融合行车轨迹获取目标地图数据，其中，目标地图数据包括更新后的节点和更新后的节点连边；

更新模块，用于将电子地图中的目标原始地图数据更新为目标地图数据。

在一种可能的设计中，在本申请实施例的另一方面的另一种实现方式中，

获取模块，具体用于若车辆在经过目标节点之前或车辆在经过目标节点之后发生转向，则接收车辆所对应的车辆数据，其中，目标节点为目标原始地图数据所包括任一节点，车辆为N个车辆中的一个或多个车辆。

在一种可能的设计中，在本申请实施例的另一方面的另一种实现方式中，

生成模块，具体用于根据车辆数据所包括的待识别图像，获取感兴趣区域；

获取感兴趣区域所对应的特征点；

根据感兴趣区域所对应的特征点以及车辆数据所包括的方向参数以及位置参数，生成扩展特征信息；

根据感兴趣区域所对应的特征点以及扩展特征信息，生成感兴趣区域所对应的三维扩展特征信息；

根据感兴趣区域所对应的三维扩展特征信息，在电子地图中确定锚点所对应的位置。

在一种可能的设计中，在本申请实施例的另一方面的另一种实现方式中，

生成模块，具体用于基于车辆数据所包括的待识别图像，通过图像识别模型获取图像识别结果；

若根据图像识别结果确定存在指示标志，则获取主感兴趣区域，其中，主感兴趣区域属于感兴趣区域；

若根据图像识别结果确定存在静止参照物，则获取次感兴趣区域，其中，次感兴趣区域属于感兴趣区域。

在一种可能的设计中，在本申请实施例的另一方面的另一种实现方式中，

生成模块，具体用于将感兴趣区域所对应的三维扩展特征信息确定为待匹配锚点所对应的三维扩展特征信息；

获取第一候选锚点所对应的三维扩展特征信息；

将待匹配锚点所对应三维扩展特征信息与第一候选锚点所对应的三维扩展特征信息进行匹配；

若待匹配锚点所对应三维扩展特征信息与第一候选锚点所对应的三维扩展特征信息匹配成功，则对待匹配锚点与第一候选锚点进行融合，得到电子地图中所述锚点所对应的位置；

若待匹配锚点所对应三维扩展特征信息与第一候选锚点所对应的三维扩展特征信息匹配失败，则将待匹配锚点确定为第二候选锚点。

在一种可能的设计中，在本申请实施例的另一方面的另一种实现方式中，

生成模块，具体用于根据待匹配锚点所对应的三维扩展特征信息与第一候选锚点所对应的三维扩展特征信息确定匹配度；

将待匹配锚点所对应三维扩展特征信息与第一候选锚点所对应的三维扩展特征信息进行匹配之后，方法还包括：

若匹配度大于或等于匹配度阈值，则确定待匹配锚点所对应的三维扩展特征信息与第一候选锚点所对应的三维扩展特征信息匹配成功；

若匹配度小于或等于匹配度阈值，则过滤待匹配锚点。

在一种可能的设计中，在本申请实施例的另一方面的另一种实现方式中，

生成模块，具体用于根据车辆数据，生成电子地图所对应的多维高斯分布；

根据锚点以及车辆数据，生成电子地图所对应的二维行驶概率图；

根据多维高斯分布确定车道类型，其中，车道类型为单车道类型或多车道类型；

根据车道类型以及二维行驶概率图，生成融合行车轨迹。

在一种可能的设计中，在本申请实施例的另一方面的另一种实现方式中，

生成模块，具体用于构建电子地图所对应的二维原始图，其中，二维原始图包括(N×M)个栅格，N与M均为大于1的整数；

根据车辆数据所包括的位置参数，获取K条局部行车轨迹，其中，车辆数据包括K个车辆的车辆数据，每个车辆的车辆数据用于生成一条局部行车轨迹，K为大于1的整数；

根据锚点，对K条局部行车轨迹中的每条局部行车轨迹进行优化处理，得到K条优化后的局部行车轨迹；

将K条优化后的局部行车轨迹映射到二维原始图上，得到二维行驶概率图，其中，二维行驶概率图中栅格所对应的概率值与K条优化后的局部行车轨迹所经过的次数呈正相关关系。

在一种可能的设计中，在本申请实施例的另一方面的另一种实现方式中，

生成模块，具体用于根据多维高斯分布获取主方向长度与次方向长度；

根据主方向长度与次方向长度，生成扁平参数；

根据扁平参数确定分割阈值；

根据分割阈值确定车道类型。

在一种可能的设计中，在本申请实施例的另一方面的另一种实现方式中，

生成模块，具体用于采用分割阈值对二维行驶概率图进行二值化处理，得到二值化行驶概率图，其中，二值化行驶概率图包括第一区域，第一区域中每个像素点的概率值大于或等于分割阈值；

根据二维行驶概率图获取第二区域，其中，第二区域中每个像素点的概率值大于0；

根据第一区域以及第二区域确定交并比；

若交并比小于或等于交并比阈值，则确定车道类型为单车道类型；

若交并比大于交并比阈值，则确定车道类型为多车道类型。

在一种可能的设计中，在本申请实施例的另一方面的另一种实现方式中，

生成模块，具体用于采用分割阈值对二维行驶概率图进行二值化处理，得到二值化行驶概率图，其中，二值化行驶概率图包括第一区域，第一区域中每个像素点的概率值大于或等于分割阈值；

若车道类型为单车道类型，则对二值化行驶概率图所包括的第一区域进行曲线拟合处理，生成融合行车轨迹；

获取模块，具体用于从融合行车轨迹中，提取Q个更新后的节点，其中，Q为大于1的整数，Q个更新后的节点至少包括转弯前的节点以及转弯后的节点。

在一种可能的设计中，在本申请实施例的另一方面的另一种实现方式中，

生成模块，具体用于采用分割阈值对二维行驶概率图进行二值化处理，得到二值化行驶概率图，其中，二值化行驶概率图包括第一区域，第一区域中每个像素点的概率值大于或等于分割阈值；

若车道类型为多车道类型，则根据二值化行驶概率图所包括的第一区域，构建多边形区域；

根据多边形区域生成融合行车轨迹；

获取模块，具体用于从融合行车轨迹中，提取Q个更新后的节点，其中，Q为大于1的整数，Q个更新后的节点至少包括转弯前的节点以及转弯后的节点。

本申请另一方面提供一种服务器，包括：存储器、处理器以及总线***；

其中，存储器用于存储程序；

处理器用于执行存储器中的程序，处理器用于根据程序代码中的指令执行上述各方面所提供的方法；

总线***用于连接存储器以及处理器，以使存储器以及处理器进行通信。

本申请的另一方面提供了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，当其在计算机上运行时，使得计算机执行上述各方面的方法。

本申请的另一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备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，使得该计算机设备执行上述各方面所提供的方法。

从以上技术方案可以看出，本申请实施例具有以下优点：

本申请实施例中，提供了一种地图数据更新的方法，首先获取车辆数据，然后根据车辆数据生成锚点，再根据锚点以及车辆数据生成融合行车轨迹，最后根据融合行车轨迹获取目标地图数据，以此将目标原始地图数据更新为目标地图数据。通过上述方式，可基于大量的车辆数据在电子地图上构建锚点，进一步结合锚点以及大量的车辆数据生成融合行车轨迹，即利用固定好的锚点能够优化行车轨迹，由此得到更准确的地图数据。

附图说明

图1为本申请实施例中地图数据更新***的一个架构示意图；

图2为本申请实施例中地图数据的一个示意图；

图3为本申请实施例中有向图的一个示意图；

图4为本申请实施例中地图数据更新方法的一个实施例示意图；

图5为本申请实施例中基于松耦合方式输出位姿信息的一个示意图；

图6为本申请实施例中基于紧耦合方式输出位姿信息的一个示意图；

图7为本申请实施例中将目标原始地图数据更新为目标地图数据的一个示意图；

图8为本申请实施例中将目标原始地图数据更新为目标地图数据的另一个示意图；

图9为本申请实施例中提前转弯或延后转弯的一个示意图；

图10为本申请实施例中车道类型与多维高斯分布之间的一个关系示意图；

图11为本申请实施例中二维原始图与二维行驶概率图的一个示意图；

图12为本申请实施例中多维高斯分布的一个示意图；

图13为本申请实施例中主方向长度与次方向长度的一个示意图；

图14为本申请实施例中第一区域与第二区域之间交并比的一个示意图；

图15为本申请实施例中从多边形区域中提取融合行车轨迹的一个示意图；

图16为本申请实施例中地图数据更新方法的一个整体流程示意图；

图17为本申请实施例中地图数据更新装置的一个实施例示意图；

图18为本申请实施例中服务器的一个结构示意图。

具体实施方式

本申请实施例提供了一种地图数据更新的方法、相关装置、设备及存储介质，可基于大量的车辆数据在电子地图上构建锚点，进一步结合锚点以及大量的车辆数据生成融合行车轨迹，即利用固定好的锚点能够优化行车轨迹，由此得到更准确的地图数据。

本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“对应于”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

导航定位在无人驾驶、公共交通以及日常出行等领域具有重大的应用价值和前景，随着终端设备的普及和计算平台的优化，民用导航应用逐步深入民众生活。导航应用往往需要电子地图（electronic map）以及定位***的支持。

其中，电子地图，即数字地图，是利用计算机技术，以数字方式存储和查阅的地图。电子地图储存资讯的方法，一般使用向量式图像储存，地图比例可放大、缩小或旋转而不影响显示效果。电子地图一般利用地理信息***来储存和传送地图数据，也有其他的信息***。电子地图是地图制作和应用的一个***，是由电子计算机控制所生成的地图，是基于数字制图技术的屏幕地图，是可视化的实地图。

定位***包含但不仅限于全球定位***（Global Positioning System，GPS）、北斗定位***（BeiDou Navigation Satellite System，BDS）、伽利略卫星导航***（Galileosatellite navigation system）和格洛纳斯卫星导航***（Glonass satellitenavigation system）。

导航应用需要为用户提供准确的导航信息，这就需要电子地图具有更高的可靠性和准确度，基于此，电子地图数据的快速更新是近年来备受瞩目的热点问题。在城市快速发展的情况下，城市地表各类物体的信息变化也非常频繁，为了实现地图数据的快递更新，本申请提出了一种地图数据更新的方法，该方法应用于图1所示的地图数据更新***，如图所示，地图数据更新***包括服务器和终端设备，客户端部署于终端设备上。本申请涉及的服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式***，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络（Content Delivery Network，CDN）、以及大数据和人工智能平台等基础云计算服务的云服务器。终端设备可以是车载终端、智能手机、平板电脑、笔记本电脑、掌上电脑、个人电脑、智能电视、智能手表等，但并不局限于此。终端设备以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。服务器和终端设备的数量也不做限制。

具体地，以终端设备为车载终端为例，车辆终端设置在车辆上，车辆终端安装有定位***，可实时向服务器上报位置参数以及方向参数。以终端设备为放置在车辆内的智能手机为例，智能手机安装有定位***，也可实时向服务器上报位置参数以及方向参数。此外，车辆还设置有相机（camera），可实时上报拍摄到的图像流（即包括多帧待识别图像），位置参数以及方向参数以及图像流都属于车辆数据，服务器根据接收到的车辆数据，生成锚点，然后根据锚点以及车辆数据生成融合行车轨迹，基于融合行车轨迹生成目标地图数据，将原本的目标原始地图数据更新为目标地图数据。由此，服务器可以向终端设备发送更新后的目标地图数据。需要说明的是，地图更新是按现实情况对地图内容进行更正的过程。目的在于及时反映人文与自然要素的实际变化，保持地图现势性和准确性和可靠性。

在生成锚点的过程中，需要对多帧待识别图像中的内容进行识别，因此，这个过程涉及到基于人工智能（Artificial Intelligence，AI）的计算机视觉（Computer Vision，CV）技术。人工智能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***。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。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、操作/交互***、机电一体化等技术。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。

而计算机视觉技术（Computer Vision，CV）计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取信息的人工智能***。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、光学字符识别（Optical Character Recognition，OCR）、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D技术、虚拟现实、增强现实、同步定位与地图构建等技术，还包括常见的人脸识别、指纹识别等生物特征识别技术。

此外，在生成锚点的过程中需要涉及大量的车辆数据，然而，车辆数据具有一定的私密性，因此，可将车辆数据存储于区块链中、可以理解的是，区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链（Blockchain），本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性（防伪）和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层。

区块链底层平台可以包括用户管理、基础服务、智能合约以及运营监控等处理模块。其中，用户管理模块负责所有区块链参与者的身份信息管理，包括维护公私钥生成（账户管理）、密钥管理以及用户真实身份和区块链地址对应关系维护（权限管理）等，并且在授权的情况下，监管和审计某些真实身份的交易情况，提供风险控制的规则配置（风控审计）；基础服务模块部署在所有区块链节点设备上，用来验证业务请求的有效性，并对有效请求完成共识后记录到存储上，对于一个新的业务请求，基础服务先对接口适配解析和鉴权处理（接口适配），然后通过共识算法将业务信息加密（共识管理），在加密之后完整一致的传输至共享账本上（网络通信），并进行记录存储；智能合约模块负责合约的注册发行以及合约触发和合约执行，开发人员可以通过某种编程语言定义合约逻辑，发布到区块链上（合约注册），根据合约条款的逻辑，调用密钥或者其它的事件触发执行，完成合约逻辑，同时还提供对合约升级注销的功能；运营监控模块主要负责产品发布过程中的部署、配置的修改、合约设置、云适配以及产品运行中的实时状态的可视化输出，例如：告警、监控网络情况、监控节点设备健康状态等。

平台产品服务层提供典型应用的基本能力和实现框架，开发人员可以基于这些基本能力，叠加业务的特性，完成业务逻辑的区块链实现。应用服务层提供基于区块链方案的应用服务给业务参与方进行使用。

鉴于本申请涉及到一些专业术语，因此，下面将分别对这些专业术语进行介绍。

1、多传感器：主要包括GPS、惯性测量单元（Inertial Measurement Unit，IMU）、相机、轮速传感器以及磁力仪（magnetometer）等。在构建电子地图时，纯激光雷达传感器无法很好的完成地图构建工作，这时需要考虑使用不同的传感器，获取多种数据来进行传感器的融合，实现位姿的矫正，最终完成复杂大规模场景下的地图构建，这种方法也被称之为多传感器融合。

2、GPS：基于GPS定位可获取位置参数，GPS定位的基本原理是根据高速运动的卫星瞬间位置作为已知的起算数据，采用空间距离后方交会的方法，确定待测点的位置。假设t时刻在地面待测点上安置GPS接收机，可以测定GPS信号到达接收机的时间，再加上接收机所接收到的卫星星历等其它数据可以确定待测点当前所在的经纬度。

3、IMU：基于IMU可获取方向参数，IMU是测量物体三轴姿态角（或角速率）以及加速度的装置，能够测量当前的加速度和旋转速度等。陀螺仪及加速度计是IMU的主要元件，其精度直接影响到惯性***的精度。一般情况，一个IMU包含三个单轴的加速度计和三个单轴的陀螺仪，加速度计检测物体在载体坐标***独立三轴的加速度信号，而陀螺仪检测载体相对于导航坐标系的角速度信号，测量物体在三维空间中的角速度和加速度，并以此解算出物体的姿态。在导航中有着很重要的应用价值。

4、相机：基于相机可实时捕捉待识别图像，一般是30帧每秒的帧率记录当前的图像。

5、视觉惯性量程计（visual inertial odometry，VIO）：融合相机和IMU做自定位方案，对于非实时要求的场景一般使用平滑（smooth）之类的算法，即参考所有数据，最小化投影误差。

6、地图数据：地图数据是由有向图来组成，每个节点代表一个关键GPS的位置，请参阅图2，图2为本申请实施例中地图数据的一个示意图，如图所示，在一条路径上存在多个节点，这些节点即为关键点GPS的位置。

7、有向图：由有向边构成图称为有向图，请参阅图3，图3为本申请实施例中有向图的一个示意图，如图所示，例如，图中的0号节点与1号节点之间的连边是具有方向的，表示车辆可从0号节点通往1号节点，然而车辆无法从1号节点通往0号节点。

结合上述介绍，下面将对本申请中地图数据更新方法的进行介绍，请参阅图4，本申请实施例中地图数据更新方法的一个实施例包括：

101、服务器获取车辆数据，其中，车辆数据包括待识别图像、位置参数以及方向参数；

本实施例中，服务器获取来源于大量车辆的车辆数据，因此，车辆数据包括每个车辆上报的图像流（即多帧待识别图像）、位置参数以及方向参数，其中，图像流是通过相机拍摄得到的，相机可设置在车辆上，也可以作为独立的摄像头安装在车辆上，还可以是手机或者平板电脑上内置的摄像头，此处不做限定。位置参数可由定位***（例如，GPS或者BDS）确定的，方向参数可由IMU确定的。

方向参数与位置参数在定位过程中可以进行互补。其中，位置参数的优点是精度高且误差不随时间发散，但定位范围无法覆盖到室内。而方向参数的优点定位范围为全场景，但定位精度不高，因此，将方向参数与位置参数进行互补，能够增加定位的可靠性。

102、服务器根据车辆数据生成锚点；

本实施例中，服务器从车辆数据中提取各个车辆上报的图像流（即多帧待识别图像）、位置参数以及方向参数，根据图像流（即多帧待识别图像）、位置参数以及方向参数生成锚点，也就是说，可以通过传感器中对应特定物体（例如，交通牌）的识别，形成不同车辆轨迹对准的锚点，其中，锚点可包括路口的交通牌以及路口的树木等静止物体。

具体地，图像流（即多帧待识别图像）是由相机获取的，而方向参数是由IMU获取的，且方向参数包括物体三轴姿态角（或角速率）以及加速度。基于此，以车辆采集到的车辆数据为例，在VIO的过程中，可采用松耦合或者紧耦合的方式获取待匹配锚点相对车辆的位置信息和相对车辆的姿态信息。为了便于理解，请参阅图5，图5为本申请实施例中基于松耦合方式输出位姿信息的一个示意图，如图所示，松耦合将相机和 IMU 作为两个单独的模块，两个模块均可以计算得到位姿信息，然后一般通过扩展卡尔曼滤波器（extendedkalman filter，EKF）进行融合，即得到待匹配锚点的位姿信息。请参阅图6，图6为本申请实施例中基于紧耦合方式输出位姿信息的一个示意图，如图所示，紧耦合则是指将相机和IMU 得到的中间数据通过一个优化滤波器进行处理，紧耦合需要把待识别图像的特征加入到特征向量中，最终得到待匹配锚点的位置和姿态信息的过程。

相机和IMU融合有很好的互补性，首先通过将IMU 估计的位姿序列和相机估计的位姿序列对齐可以估计出相机轨迹的真实尺度，而且IMU 可以很好地预测出待识别图像的位姿以及上一时刻特征点在下一帧待识别图像的位置，提高特征跟踪算法匹配速度和应对快速旋转的算法鲁棒性，最后IMU 中加速度计提供的重力向量可以将估计的位置转为实际导航需要的世界坐标系中。

需要说明的是，待匹配锚点可认为是根据一个车辆上报的车辆数据计算得到的，在实际情况下，需要对每个车辆上报的车辆数据进行计算，即得到多个待匹配锚点，然后对这些待匹配锚点进行融合处理，最终得到电子地图上的锚点。

103、服务器根据锚点以及车辆数据生成融合行车轨迹；

本实施例中，在步骤102中已基于车辆数据生成电子地图上对应的锚点，于是根据锚点在世界坐标系下的位置（例如，GPS位置）实现多个车辆的精确定位。由于每个车辆具有各个时刻下的位置参数，因此，结合每个车辆在不同时刻下的位置参数可以生成对应的局部行车轨迹，对这些局部行车轨迹进行叠加和优化，即可生成一条融合行车轨迹。

104、服务器根据融合行车轨迹获取目标地图数据，其中，目标地图数据包括更新后的节点和更新后的节点连边；

本实施例中，由于融合行车轨迹通常表现为一条轨迹曲线，因此，在得到融合行车轨迹之后，可以从融合行车轨迹中提取至少两个节点，其中，至少两个节点包括转弯前的节点以及转弯后的节点。在实际应用中，为了提升定位的精度，可提取更多的节点，即提取三个或三个以上的节点，例如，包括转弯前的节点，转弯中的节点以及转弯后的节点。

具体地，电子地图包括目标原始地图数据，目标原始地图数据可认为是某一条路线所对应的地图数据，这条路线上存在多个原始节点，其中，多个原始节点至少包括转弯前的节点以及转弯后的节点。在对融合行车轨迹进行节点提取后，即可得到多个更新后的节点，其中，多个更新后的节点至少包括更新后的转弯前节点以及更新后的转弯后节点，多个更新后的节点以及节点连边即可构成目标地图数据。

105、服务器将电子地图中的目标原始地图数据更新为目标地图数据。

本实施例中，服务器将目标原始地图数据更新为目标地图数据，即后续的定位和导航将以目标地图数据为准，也就是说，在得到目标地图数据之后，将目标地图数据影射（或投影）回原来的电子地图，即对电子地图中原本节点的位置进行了更新。为了便于介绍，下面将以两种地图数据更新的场景为例进行介绍。

在一个示例中，请参阅图7，图7为本申请实施例中将目标原始地图数据更新为目标地图数据的一个示意图，如图所示，目标原始地图数据为原本的路线数据，以图7为例，目标原始地图数据包括节点a、节点A1、节点b、节点B1、节点c、节点C1和节点d。目标地图数据则是更新后的路线数据，继续以图7为例，目标地图数据包括括节点a、节点A2、节点e、节点B2、节点f、节点C2和节点d。基于此，更新转弯前的节点（将节点A1更新为节点A2），转弯中的节点（将节点B1更新为节点B2）和转弯后的节点（将节点C1更新为节点C2），即对于延后转弯的情形而言，将两个地图数据进行互换，就实现了地图数据的更新。

在另一个示例中，请参阅图8，图8为本申请实施例中将目标原始地图数据更新为目标地图数据的另一个示意图，如图所示，目标原始地图数据为原本的路线数据，以图8为例，目标原始地图数据包括节点a、节点A1、节点B1、节点C1和节点b。目标地图数据则是更新后的路线数据，继续以图8为例，目标地图数据包括节点a、节点A2、节点B2、节点C2和节点b。基于此，更新转弯前的节点（将节点A1更新为节点A2），转弯中的节点（将节点B1更新为节点B2）和转弯后的节点（将节点C1更新为节点C2），即对于延后转弯的情形而言，将两个地图数据进行互换，就实现了地图数据的更新。

需要说明的是，上述例子仅为一个示意，在实际应用中，还可以对提前转弯的情形进行地图数据的互换，从而实现地图数据的更新。

本申请实施例中，提供了一种地图数据更新的方法，首先获取车辆数据，然后根据车辆数据生成锚点，再根据锚点以及车辆数据生成融合行车轨迹，最后根据融合行车轨迹获取目标地图数据，以此将目标原始地图数据更新为目标地图数据。通过上述方式，可基于大量的车辆数据在电子地图上构建锚点，进一步结合锚点以及大量的车辆数据生成融合行车轨迹，即利用固定好的锚点能够优化行车轨迹，由此得到更准确的地图数据。

可选地，在上述图3对应的实施例的基础上，本申请实施例提供的另一个可选实施例中，服务器获取车辆数据，可以包括：

若车辆在经过目标节点之前或车辆在经过目标节点之后发生转向，则服务器接收车辆所对应的车辆数据，其中，目标节点为目标原始地图数据所包括任一节点，车辆为N个车辆中的一个或多个车辆。

本实施例中，介绍了一种终端设备向服务器上报车辆数据的方式。由于定位***能够捕捉到车辆的位置参数，位置参数包括车辆在世界坐标系中坐标。结合车辆的位置参数，能够确定是否需要向服务器上传自身的车辆数据。

具体地，为了便于理解，请参阅图9，图9为本申请实施例中提前转弯或延后转弯的一个示意图，如图所示，目标原始地图数据包括节点a、节点A2、节点B2、节点C2和节点b，其中，目标节点为节点A1。假设车辆在经过目标节点（即节点A1）之前就开始发生转向，那么终端设备向服务器上传该车辆对应的车辆数据，且车辆的行驶轨迹会经过节点A3、节点B3、节点C3和节点b。假设车辆在经过目标节点（即节点A1）之后才开始发生转向，那么终端设备向服务器上传该车辆对应的车辆数据，且车辆的行驶轨迹会经过节点A2、节点B2、节点C2和节点b。

通常情况下，由于修路或者改道等原因，地图数据会与实际情况不符合，也就是说，本来是直路的地方可能会一些弯曲，或者掉头弯的位置提前，又或者掉头弯的位置延后等。这些位置的是汽车导航的一些关键位置，需要实时更新数据。

其次，本申请实施例中，提供了一种终端设备向服务器上报车辆数据的方式，通过上述方式，对于车辆而言可基于定位***实时确定自身所在的位置，因此，能够侦测车辆是否在需要转弯的地点提前转弯，或者延后转弯，由此决定是否向服务器上传自身的车辆数据。如果车辆并未提前转弯或者延后转弯，则不需要向服务器上报车辆数据，从而节省数据传输所消耗的资源，如果车辆提前转弯或者延后转弯，则自动上报车辆数据，以供服务器基于这些数据进行地图数据的更新，当有足够多的车辆车经过同一个路口的时候，就可以根据行车轨迹更新地图数据，由此得到更准确的地图数据。

可选地，在上述图3对应的实施例的基础上，本申请实施例提供的另一个可选实施例中，服务器根据车辆数据生成锚点，可以包括：

服务器根据车辆数据所包括的待识别图像，获取感兴趣区域；

服务器获取感兴趣区域所对应的特征点；

服务器根据感兴趣区域所对应的特征点以及车辆数据所包括的方向参数以及位置参数，生成扩展特征信息；

服务器根据感兴趣区域所对应的特征点以及扩展特征信息，生成感兴趣区域所对应的三维扩展特征信息；

服务器根据感兴趣区域所对应的三维扩展特征信息，在电子地图中确定锚点所对应的位置。

本实施例中，介绍了一种基于车辆数据生成锚点的方式。服务器将待识别图像输入至训练好的图像识别模型中，通过图像识别模型输出感兴趣区域，于是对感兴趣区域进行特征点的提取，特征点通常采用光照不变且尺度一致的128维特征描述子来表示。此外，服务器根据方向参数可生成车辆与感兴趣区之间的相对角度，相对角度表示为3维特征。服务器还可以根据位置参数生成车辆与感兴趣区之间的相对位置，相对位置表示为3维特征。基于此，将128维特征描述子、3维的相对角度以及3维的相对位置进行组合，即得到134维的扩展特征信息，其中，扩展特征信息具体表现为扩展特征描述子的形式。

需要说明的是，特征点提取的方式包含但不仅限于基于尺度不变特征变换（Scale-Invariant Feature Transform，SIFT）提取特征点，基于加速稳健特征（SpeededUp Robust Features，SURF）以及基于定向加速分割测试特征算子和旋转的二元鲁棒独立基本特征（Oriented Features from Accelerated Segment Test and Rotated BinaryRobust Independent Elementary Features，ORB）算法。

具体地，服务器将感兴趣区域所对应的特征点的三维坐标与扩展特征信息组合在一起，由此得到感兴趣区域所对应的三维扩展特征信息，三维扩展特征信息可表示为137维的特征，其中，三维扩展特征信息具体表现为三维扩展特征描述子的形式。基于各个感兴趣区域所对应的三维扩展特征信息，可以分别计算出这些感兴趣区域所包括的物体在世界坐标系中的真实坐标，然后基于物体的类型确定锚点所对应的位置。

其次，本申请实施例中，提供了一种基于车辆数据生成锚点的方式，通过上述方式，根据来源于大量车辆上报的车辆数据，可以拟合出锚点在世界坐标系下的位置，避免出现因数量量较少或者定位数据不够准确而导致锚点位置偏差较大的情况，由此提升锚点位置的准确度。

可选地，在上述图3对应的实施例的基础上，本申请实施例提供的另一个可选实施例中，根据车辆数据所包括的待识别图像，获取感兴趣区域，可以包括：

基于车辆数据所包括的待识别图像，通过图像识别模型获取图像识别结果；

若根据图像识别结果确定存在指示标志，则获取主感兴趣区域，其中，主感兴趣区域属于感兴趣区域；

若根据图像识别结果确定存在静止参照物，则获取次感兴趣区域，其中，次感兴趣区域属于感兴趣区域。

本实施例中，介绍了一种利用图像识别模型输出感兴趣区域的方式。首先需要预先训练得到图像识别模型，图像识别模型可采用卷积神经网络（Convolutional NeuralNetworks，CNN）结构，也可以采用牛津大学计算机视觉组（Visual Geometry Group，VGG）等网络结构，此处不做限定。然后将采集到的各帧待识别图像输入至训练好的图像识别模型中，由图像识别模型输出相应的图像识别结果，其中，图像识别结果可以包括感兴趣区域所对应的分割区域框，物体类别以及类别概率。

具体地，服务器根据图像识别结果可进一步确定是否存在指示标志或者在静止参照物。假设图像识别结果包括感兴趣区域A、感兴趣区域B、感兴趣区域C、感兴趣区域D和感兴趣区域E，为了便于介绍，请参阅表1，表1为图像识别结果的一个示意。

表1

假设识别概率阈值为50%，由表1可知，分割区域框1提取到的为感兴趣区域A，经过识别后确定感兴趣区域A内的物体可能是文字交通牌，且属于文字交通牌的概率为60%（即大于识别概率阈值），由此确定感兴趣区域A内存在指示标志。分割区域框2提取到的为感兴趣区域B，经过识别后确定感兴趣区域B内的物体可能是树，且属于树的概率为77%（即大于识别概率阈值），由此确定感兴趣区域B内存在静止参照物。分割区域框3提取到的为感兴趣区域C，经过识别后确定感兴趣区域C内的物体可能是地面标志，且属于地面标志的概率为39%（即小于识别概率阈值），由此确定感兴趣区域C内不存在指示标志。分割区域框4提取到的为感兴趣区域D，经过识别后确定感兴趣区域D内的物体可能是石头，且属于石头的概率为28%（即小于识别概率阈值），由此确定感兴趣区域D内不存在静止参照物。分割区域框5提取到的为感兴趣区域E，经过识别后确定感兴趣区域E内的物体可能是行人，行人既不属于指示标志，又不属于静止参照物。

需要说明的是，指示标志包含但不仅限于文字交通牌、图形交通牌和地面标志。其中文字交通牌主要是通过文字传递特定信息的交通牌，图形交通牌主要是通过图形符号传递特定信息的交通牌，地面标志主要是设置在地面上的标志物体，例如，在单行路两端，允许通行的方向写有“单向行驶”，并标注有向前行驶的大箭头，在禁止通行的方向则标注有“机动车禁止通行”，同时还有禁行标志。静止参照物包含但不仅限于非人且非车等静止类型的物体或场景。

在实际应用中，应尽量使得特征点分布在主感兴趣区域以内，而在次感兴趣区域内可有少量的特征点，但是需要注意的是，在计算过程中，主感兴趣区域与次感兴趣区域内均应设置有特征点。

再次，本申请实施例中，提供了一种利用图像识别模型输出感兴趣区域的方式，通过上述方式，利用训练好的图像识别模型能够快速且准确地提取到待识别图像中的主感兴趣区域和次感兴趣区域，并进一步识别出感兴趣区域内的物体类型，由此，能够提升锚点的选择的准确度，进而有利于提升定位的可靠性。

可选地，在上述图3对应的实施例的基础上，本申请实施例提供的另一个可选实施例中，服务器根据感兴趣区域所对应的三维扩展特征信息，在电子地图中确定锚点所对应的位置，可以包括：

服务器将感兴趣区域所对应的三维扩展特征信息确定为待匹配锚点所对应的三维扩展特征信息；

服务器获取第一候选锚点所对应的三维扩展特征信息；

服务器将待匹配锚点所对应三维扩展特征信息与第一候选锚点所对应的三维扩展特征信息进行匹配；

若待匹配锚点所对应三维扩展特征信息与第一候选锚点所对应的三维扩展特征信息匹配成功，则服务器对待匹配锚点与第一候选锚点进行融合，得到电子地图中所述锚点所对应的位置；

若待匹配锚点所对应三维扩展特征信息与第一候选锚点所对应的三维扩展特征信息匹配失败，则服务器将待匹配锚点确定为第二候选锚点。

本实施例中，介绍了一种基于增量匹配加入候选锚点的方式。在基于车辆数据以及感兴趣区域所对应的三维扩展特征信息，可换算成待匹配锚点在世界坐标系下的坐标，其中，待匹配锚点即为感兴趣区域内的某个物体，例如，图形交通牌。基于此，将待匹配锚点所对应三维扩展特征信息与第一候选锚点所对应的三维扩展特征信息进行匹配。

具体地，从待匹配锚点所对应三维扩展特征信息中提取特征点对应的描述子（例如，128维的描述子），类似地，从第一候选锚点所对应的三维扩展特征信息提取特征点对应的描述子（例如，128维的描述子），然后可以计算两个描述子之间的相似度，如果相似度大于阈值，则表示匹配成功，因此，可以将待匹配锚点、第一候选锚点以及其他相似的锚点进行融合，得到最终的锚点位置。如果相似度小于阈值，则表示匹配失败，于是将该待匹配锚点确定为第二候选锚点，第二候选锚点可用于后续的锚点匹配。

再次，本申请实施例中，提供了一种基于增量匹配加入候选锚点的方式，通过上述方式，在获取到候选锚点之后，需要先判断该候选锚点是否与已有的候选锚点匹配成功，如果匹配成功，就表示候选锚点属于真正的锚点，但是如果匹配失败，则将该候选锚点作为一个新的候选锚点，用于后续的匹配。由此可见，采用增量匹配的方式加入候选锚点，一方面有利于选择出更准确的锚点，另一方面，无需每次都进行全量匹配，有利于减少匹配过程中的资源消耗。

可选地，在上述图3对应的实施例的基础上，本申请实施例提供的另一个可选实施例中，服务器将待匹配锚点所对应三维扩展特征信息与第一候选锚点所对应的三维扩展特征信息进行匹配，可以包括：

服务器根据待匹配锚点所对应的三维扩展特征信息与第一候选锚点所对应的三维扩展特征信息确定匹配度；

服务器将待匹配锚点所对应三维扩展特征信息与第一候选锚点所对应的三维扩展特征信息进行匹配之后，方法还包括：

若匹配度大于或等于匹配度阈值，则服务器确定待匹配锚点所对应的三维扩展特征信息与第一候选锚点所对应的三维扩展特征信息匹配成功；

若匹配度小于或等于匹配度阈值，则服务器过滤待匹配锚点。

本实施例中，介绍了一种在匹配过程中过滤待匹配锚点的方式。由于采集车辆数据的过程中可能存在误差，这些误差数据可能会对计算结果造成一定影响，因此，还需要剔除这些误差较大的数据，下面将介绍一种处理方式。

具体地，从待匹配锚点所对应三维扩展特征信息中提取相对位置，类似地，从第一候选锚点所对应三维扩展特征信息中提取相对位置，基于两者的相对位置计算两者之间的匹配度，判断匹配度与匹配度阈值之间的关系，从而确定是否过滤待匹配锚点。

示例性地，假设有100个车辆经过了待匹配锚点A、候选锚点B、候选锚点C和候选锚点D，对于待匹配锚点A而言，第1个车辆和第2个车辆之间有一个余弦相似度，第2个车辆和第3个车辆之间有一个余弦相似度，以此类推，第99个车辆和第100个车辆之间有一个余弦相似度，对这100个车辆中两辆车辆的余弦相似度进行求平均，得到匹配度阈值。基于此，根据待匹配锚点（例如，待匹配锚点A）所对应的相对位置与第一候选锚点（例如，候选锚点B）所对应的相对位置，确定匹配度（例如，余弦相似度）。如果该匹配度大于或等于匹配度阈值，则确定待匹配锚点所对应的三维扩展特征信息与第一候选锚点所对应的三维扩展特征信息匹配成功。反之，如果匹配度小于或等于匹配度阈值，则过滤待匹配锚点。

示例性地，还可以对多个三维扩展特征信息所对应的特征点描述子进行聚类，由此确定待匹配锚点是否需要过滤，如果距离中心点较远，即可过滤。

需要说明的是，在实际应用中，还可以采用定位的协方差来过滤误差较大的待匹配锚点，例如，车辆A的定位不准确（例如，检测到收发信号的天线出现了故障），那么车辆A所采集到的位置参数置信度较低，得到的数据质量也较差，定位的协方差也较大，因此，可过滤基于车辆A提供的车辆数据所确定的待匹配锚点。

需要说明的是，在实际应用中，还可以对某个特定位置下的位置参数进行过滤，例如，某个特定位置有遮挡物，该遮挡物会影响信号的收发，因此，所有经过这棵树所采集到的位置参数置信度较低，得到的数据质量也较差，可过滤基于经过这棵树的时候所确定的待匹配锚点。

进一步地，本申请实施例中，提供了一种在匹配过程中过滤待匹配锚点的方式，通过上述方式，由于车辆数据包含来自大量车辆上报的数据，因此，建议设备的差异性，可能会存在一些误差较大的数据，这些数据属于数据处理过程中的“噪声”，为了提升锚点位置的准确度，需要对这些误差较大的待匹配锚点进行过滤，从而提升锚点计算的可靠性。

可选地，在上述图3对应的实施例的基础上，本申请实施例提供的另一个可选实施例中，服务器根据锚点以及车辆数据生成融合行车轨迹，可以包括：

服务器根据车辆数据，生成电子地图所对应的多维高斯分布；

服务器根据锚点以及车辆数据，生成电子地图所对应的二维行驶概率图；

服务器根据多维高斯分布确定车道类型，其中，车道类型为单车道类型或多车道类型；

服务器根据车道类型以及二维行驶概率图，生成融合行车轨迹。

本实施例中，介绍了一种基于车辆数据生成融合行车轨迹的方式。服务器根据车辆数据，生成电子地图所对应的多维高斯分布，根据多维高斯分布的情况，确定车辆类型为单车道类型或者多车道类型。

服务器在生成二维行驶概率图的过程中，需要分别对每条局部行车轨迹进行优化。具体地，将锚点的位置固定住，采用光束法平差（Bundle Adjustment，BA）算法优化每条局部行车轨迹，由此得到优化后的局部行车轨迹，其中，优化后的局部行车轨迹是属于世界坐标下的轨迹。光束法平差算法对场景中锚点的位置进行固定，然后优化车辆的位置，由从每个视图所对应的摄像机的光心发射出来并经过图像中锚点对应的像素后的光线，都将交于锚点，对于所有三维点形成相当多的光束（bundle）。实际过程中由于噪声等存在，每条光线几乎不可能汇聚与一点，因此，在求解过程中，需要不断对待求信息进行调整（adjustment），来使得最终光线能交于锚点。

其次，本申请实施例中，提供了一种基于车辆数据生成融合行车轨迹的方式，通过上述方式，将锚点固定住，然后采用光束法平差算法对行车轨迹上的节点位置进行调整，最后得到更加准确的一条融合行车轨迹，由此提升方案的可行性和可靠性。

可选地，在上述图3对应的实施例的基础上，本申请实施例提供的另一个可选实施例中，服务器根据锚点以及车辆数据，生成电子地图所对应的二维行驶概率图，可以包括：

服务器构建电子地图所对应的二维原始图，其中，二维原始图包括(N×M)个栅格，N与M均为大于1的整数；

服务器根据车辆数据所包括的位置参数，获取K条局部行车轨迹，其中，车辆数据包括K个车辆的车辆数据，每个车辆的车辆数据用于生成一条局部行车轨迹，K为大于1的整数；

服务器根据锚点，对K条局部行车轨迹中的每条局部行车轨迹进行优化处理，得到K条优化后的局部行车轨迹；

服务器将K条优化后的局部行车轨迹映射到二维原始图上，得到二维行驶概率图，其中，二维行驶概率图中栅格所对应的概率值与K条优化后的局部行车轨迹所经过的次数呈正相关关系。

本实施例中，介绍了一种根据车辆数据生成二维行驶概率图的方式。服务器可根据电子地图生成对应的二维原始图，这里的二维原始图可理解为由(N×M)个栅格所构成的栅格图，且N和M均为大于1的整数，每个栅格对应于一个像素，且每个像素表示的真实尺寸为0.5米×0.5米。在生成二维原始图之后，基于车辆数据中每个车辆在不同时刻的位置参数，分别生成对应的局部行车轨迹，假设车辆数据中共有K个车辆的在不同时刻的位置参数，则得到K条局部行车轨迹，其中，K为大于1的整数。基于前述实施例可知，对于每条局部行车轨迹，还可以基于已经固定的锚点对其进行优化，优化方式如前实施例所述，此处不作赘述。

具体地，在二维原始图中每个栅格都具有一个占据率，对于每个栅格而言，如果完全占据该栅格，则占据率表示为“1”，即对应的概率值为“1”，如果完全未占据该栅格，则占据率表示为“0”，即对应的概率值为“0”。因此，在一个栅格中还可以使用0到1中的值来表示该栅格被占据的情况。在一种情况下，假设共有100个车辆，当一个车辆经过某个栅格时，那么该栅格的概率值加0.01，假设有60个车辆都经过该栅格，那么该栅格的概率值为0.6，又假设有100个车辆都经过该栅格，那么该栅格的概率为1。在另一种情况下，无论存在多少车辆，当一个车辆经过某个栅格时，那么该栅格的概率值加0.001，假设有1000个车辆都经过该栅格，那么该栅格的概率值为0.1，又假设由50000个车辆都经过该栅格，那么该栅格的概率为1。

需要说明的是，在实际应用中，还可以根据实际需求调整栅格概率值的计算策略，上述例子仅为两个示意，不应理解为对本申请的限定。

为了便于理解，请参阅图11，图11为本申请实施例中二维原始图与二维行驶概率图的一个示意图，如图11中（A）所示，二维原始图包括24×14个栅格，且初始状态下，每个栅格的概率值为0。将K条优化后的局部行车轨迹都映射到二维原始图之后，得到如图11中（B）所示的二维行驶概率图，在二维行驶概率图上可以看到，有些栅格是白色的，有些栅格是灰色的，而有些栅格是黑色的，其中，白色栅格所对应的像素点表示没有车辆经过，灰色栅格所对应的像素点表示有部分车辆经过，而黑色栅格所对应的像素点表示有大量车辆经过。由此可见，二维行驶概率图中栅格所对应的概率值与K条优化后的局部行车轨迹所经过的次数呈正相关关系，也就是说，对于一个栅格而言，K条优化后的局部行车轨迹经过的次数越多，该栅格的概率值也越大。基于此，二维行驶概率图将K条优化后的局部行车轨迹都融合了进来。

再次，本申请实施例中，提供了一种根据车辆数据生成二维行驶概率图的方式，通过上述方式，从大量车辆上报的车辆数据中提取不同车辆在不同时刻下的位置参数，然后根据每个车辆在不同时刻的位置参数，将优化后的局部行车轨迹记录在二维原始图，最终根据所有车辆在二维原始图上的局部行车轨迹，生成对应的二维行驶概率图，从而达到融合已优化的局部行车轨迹的效果，由此提升二维行驶概率图的真实性和可靠性。

可选地，在上述图3对应的实施例的基础上，本申请实施例提供的另一个可选实施例中，服务器根据多维高斯分布确定车道类型，可以包括：

服务器根据多维高斯分布获取主方向长度与次方向长度；

服务器根据主方向长度与次方向长度，生成扁平参数；

服务器根据扁平参数确定分割阈值；

服务器根据分割阈值确定车道类型。

本实施例中，介绍了一种基于多维高斯分布确定车辆类型的方式。根据前述实施例可知，服务器根据车辆数据生成电子地图所对应的多维高斯分布，根据多维高斯分布可选择合适的分割阈值，结合分割阈值确定对应的车道类型。

具体地，多维高斯分布中X和Y构成的平面可认为是电子地图所对应的平面，Z轴方向表示概率密度。为了便于理解，请参阅图10，图10为本申请实施例中车道类型与多维高斯分布之间的一个关系示意图，如图10中（A）所示，将多维高斯分布映射到平面之后，如果可以看到一个明显的峰值，则识别出车道类型为单车道。如图10中（B）所示，将多维高斯分布映射到平面之后，如果可以看到一个比较扁平，则识别出车道类型为多车道。

为了便于理解，请参阅图12，图12为本申请实施例中多维高斯分布的一个示意图，如图12中（A）所示，由于本申请采用的高斯分布为多维高斯分布，因此，存在X轴方向、Y轴方向和Z轴方向上的数值。以多维高斯分布为二维高斯分布为例，如果随机变量中两个维度不相关，协方差矩阵为对角矩阵，则该二维高斯分布的顶视图如图12中（B）所示，由此可见，二维高斯分布的顶视图呈圆形。如果随机变量中两个维度相关，协方差矩阵为对称矩阵，则该二维高斯分布的顶视图如图12中（C）所示，由此可见，二维高斯分布的顶视图呈椭圆形。

基于此，可从多维高斯分布中选择一个概率密度最大的点（即热度最大的点），将该点确定为最大值，将最大值作为中心点圈出一个范围，为了便于说明，请参阅图13，图13为本申请实施例中主方向长度与次方向长度的一个示意图，如图所示，将最大值作为中心点之后圈出一个范围，该范围表现为椭圆形，且可以看出，X轴上的数值越大，Y轴上的数值越小，因此，这个情况可以称为“负相关”。如图13所示，A1所指示的为次方向长度，A2所指示的为主方向长度，采用如下方式计算扁平参数：

S=length1/length2；

其中，S表示扁平参数，length1表示次方向长度，length2表示主方向长度。由此可见，扁平参数越大，表示椭圆的形状越圆，扁平参数越小，表示椭圆的形状越扁平。

接下来，可以根据扁平参数确定对应的分割阈值，请参阅表2，表2为扁平参数范围与分割阈值之间对应关系的一个示意。

表2

以表2为例，假设扁平参数为0.75，则确定落在（0.7,0.8]区间内，因此，其对应的分割阈值为50%。最后，服务器采用分割阈值对二维行驶概率图进行二值化处理，得到二值化行驶概率图，二值化行驶概率图包括第一区域。然后根据二维行驶概率图获取第二区域，根据第一区域以及第二区域确定交并比，如果交并比小于或等于交并比阈值，则确定车道类型为单车道类型。如果交并比大于交并比阈值，则确定车道类型为多车道类型。

再次，本申请实施例中，提供了一种基于多维高斯分布确定车辆类型的方式，通过上述方式，结合多维高斯分布的具体情况可生成相应的扁平参数，基于扁平参数确定分割阈值，由此能够生成更加合理的分割阈值，实现动态调整分割阈值的目的。

可选地，在上述图3对应的实施例的基础上，本申请实施例提供的另一个可选实施例中，服务器根据分割阈值确定车道类型，可以包括：

服务器采用分割阈值对二维行驶概率图进行二值化处理，得到二值化行驶概率图，其中，二值化行驶概率图包括第一区域，第一区域中每个像素点的概率值大于或等于分割阈值；

服务器根据二维行驶概率图获取第二区域，其中，第二区域中每个像素点的概率值大于0；

服务器根据第一区域以及第二区域确定交并比；

若交并比小于或等于交并比阈值，则服务器确定车道类型为单车道类型；

若交并比大于交并比阈值，则服务器确定车道类型为多车道类型。

本实施例中，介绍了一种基于分割阈值确定车辆类型的方式。由前述实施例可知，在得到分割阈值之后，还可以对二维行驶概率图进行二值化处理，从而得到二值化行驶概率图，其中，二值化行驶概率图是一个由像素点概率值为“1”的栅格和像素点概率值为“0”的栅格所构成的概率图，其中，将概率值为“1”的栅格共同作为第一区域。此外，还需要根据二维行驶概率图获取第二区域，第二区域包括至少一个栅格，且每个栅格对应的像素点概率值大于0，基于此，可计算第一区域以及第二区域之间的交并比（Intersection overUnion，IOU）。

可以理解的是，交并比是一种测量在特定数据集中检测相应物体准确度的一个标准，计算的是“预测的边框”和“真实的边框”的交集和并集的比值。如果第一区域与第二区域之间的交并比小于或等于交并比阈值，则确定车道类型为单车道类型。如果第一区域与第二区域之间的交并比大于交并比阈值，则确定车道类型为多车道类型。通常情况下，可以将交并比阈值设定为20%或30%，还可以根据实际情况下，设定交并比阈值，此处仅为一个示意，不应理解为对本申请的限定。

为了便于理解，请参阅图14，图14为本申请实施例中第一区域与第二区域之间交并比的一个示意图，如图14中（A）所示，在二维行驶概率图中有白色、灰色和黑色的栅格，假设灰色栅格对应的像素点概率值为60%，且假设分割阈值为80%，那么对该二维行驶概率图进行二值化处理之后得到的二值化行驶概率图如图14中（B）所示，由此可见，在二值化行驶概率图中仅存在黑色和白色的栅格。在二值化行驶概率图中包括第一区域，其中，第一区域包括54个黑色栅格。在二维行驶概率图中包括第二区域，其中，第二区域包括75个灰色栅格和54个黑色栅格。于是得到第一区域以及第二区域之间的交并比为54/(54+75)=0.42，即为42%。假设交并比阈值为30%，那么可以确定该车道类型为多车道类型。

进一步地，本申请实施例中，提供了一种基于分割阈值确定车辆类型的方式，通过上述方式，在确定分割阈值之后，可基于分割阈值对二维行驶概率图进行二值化处理，由此选择出大于或等于分割阈值的所有像素点，再结合二维行驶概率图中获取到第二区域，即可确定交并比，基于交并比能够更加准确地判断出车道类型，从而提升方案的可行性和可操作性。

可选地，在上述图3对应的实施例的基础上，本申请实施例提供的另一个可选实施例中，服务器根据车道类型以及二维行驶概率图，生成融合行车轨迹，可以包括：

服务器采用分割阈值对二维行驶概率图进行二值化处理，得到二值化行驶概率图，其中，二值化行驶概率图包括第一区域，第一区域中每个像素点的概率值大于或等于分割阈值；

若车道类型为单车道类型，则服务器对二值化行驶概率图所包括的第一区域进行曲线拟合处理，生成融合行车轨迹；

服务器根据融合行车轨迹获取目标地图数据，可以包括：

服务器从融合行车轨迹中，提取Q个更新后的节点，其中，Q为大于1的整数，Q个更新后的节点至少包括转弯前的节点以及转弯后的节点。

本实施例中，介绍了一种基于单车道生成融合行车轨迹的方式。如前述实施例中所描述的内容可知，服务器根据扁平参数生成分割阈值，然后采用分割阈值对二维行驶概率图进行二值化处理，即对每个像素点的概率值进行判定，对于概率值大于或等于分割阈值的像素点而言，将其概率值设置为“1”，反之，对于概率值小于分割阈值的像素点而言，将其概率值设置为“0”，最后生成一个仅有“1”和“0”的二值化行驶概率图。将二值化行驶概率图中所有概率值为“1”的像素点提取出来，即得到第一区域。

具体地，如果车道类型为单车道类型，那么在得到第一区域之后，可以直接从二值化行驶概率图中取出第一区域，然后对第一区域进行曲线拟合处理，生成融合行车轨迹。需要说明的是，首先将每个像素点作为一个离散的数据点，然后可采用如下一种或多种方式拟合曲线，曲线拟合的方式包含但不仅限于采用直线拟合回归方程进行曲线拟合，采用二次多项式拟合回归方程进行曲线拟合，采用三次多项式拟合回归方程进行曲线拟合，采用半对数拟合回归方程进行曲线拟合，采用Log-Log拟合回归方程进行曲线拟合，采用四参数拟合回归方程进行曲线拟合，采用三次样条插值进行曲线拟合，采用点对点进行曲线拟合。此外，还可以采用分段函数的形式实现曲线拟合。

以转弯为例，服务器基于融合行车轨迹的角度，提取Q个更新后的节点，Q为大于1的整数，即提取至少两个更新后的节点。这里的至少两个更新后的节点需要包括转弯前的节点以及转弯后的节点，转弯前的节点能够标识出车辆开始转弯的起始位置，转弯后的节点能够标识出车辆完成转弯的结束位置。在实际应用中，还可以提取一个或多个在转弯过程中的节点，例如，将融合行车轨迹中间的点位确定为转弯中的节点。

再次，本申请实施例中，提供了一种基于单车道生成融合行车轨迹的方式，通过上述方式，采用分割阈值对二维行驶概率图进行二值化处理，得到二值化行驶概率图，在确定车道类型为单车道类型的情况下，对二值化行驶概率图所包括的第一区域进行曲线拟合处理，即可生成融合行车轨迹，基于光束法平差算法对融合行车轨迹进行优化，以得到融合行车轨迹，由此，可以从融合行车轨迹中提取至少两个更新后的节点，从而提升方案的可行性和可操作性。

可选地，在上述图3对应的实施例的基础上，本申请实施例提供的另一个可选实施例中，服务器根据车道类型以及二维行驶概率图，生成融合行车轨迹，可以包括：

服务器采用分割阈值对二维行驶概率图进行二值化处理，得到二值化行驶概率图，其中，二值化行驶概率图包括第一区域，第一区域中每个像素点的概率值大于或等于分割阈值；

若车道类型为单车道类型，则服务器根据二值化行驶概率图所包括的第一区域，构建多边形区域；

服务器根据多边形区域生成融合行车轨迹；

服务器根据融合行车轨迹获取目标地图数据，可以包括：

服务器从融合行车轨迹中，提取Q个更新后的节点，其中，Q为大于1的整数，Q个更新后的节点至少包括转弯前的节点以及转弯后的节点。

本实施例中，介绍了一种基于多车道生成融合行车轨迹的方式。如前述实施例中所描述的内容可知，服务器根据扁平参数生成分割阈值，然后采用分割阈值对二维行驶概率图进行二值化处理，即对每个像素点的概率值进行判定，对于概率值大于或等于分割阈值的像素点而言，将其概率值设置为“1”，反之，对于概率值小于分割阈值的像素点而言，将其概率值设置为“0”，最后生成一个仅有“1”和“0”的二值化行驶概率图。将二值化行驶概率图中所有概率值为“1”的像素点提取出来，即得到第一区域。

具体地，如果车道类型为多车道类型，那么在得到第一区域之后，可以先基于第一区域构建一个多边形区域，为了便于理解，请参阅图15，图15为本申请实施例中从多边形区域中提取融合行车轨迹的一个示意图，如图所示，对于多个车道而言直接提取外部轮廓，然后进一步提取出骨骼，其中，B1所指示的为外部轮廓，B2所指示的为基于外部轮廓提取处理的骨骼。在一种情况下，直接将该骨骼作为融合行车轨迹。在另一种情况下，可以对骨骼进行曲线拟合，进而生成融合行车轨迹。

需要说明的是，骨架是一种很重要的图像几何特征，所谓图像的骨架，就是把具有一定面积的多边形区域细化成一条线。骨架可以理解为图像的中轴，例如，一个长方形的骨架，是它的长方向上的中轴线，又例如，圆的骨架是它的圆心，直线的骨架是它自身，孤立点的骨架也是自身。骨架的获取主要有两种方法，第一种为基于烈火模拟，这个过程类似于在同一个时刻，将外部轮廓的边缘线都点燃，火的前沿以匀速向内部蔓延，当前沿相交时火焰熄灭，火焰熄灭点的结合就是骨架。第二种为基于最大圆盘，也就是将多边形区域的骨架定义为多边形区域内部所有最大内切圆圆形构成的集合。假设有一个可以任意改变直径大小的圆盘，将圆盘放在多边形区域内部，不断改变圆盘直径的大小，找出所有包含在该多边形区域内部并且与该多边形区域的边界至少有两个切点的最大内切圆，则所有最大内切圆的圆形组成的轨迹即为多边形区域的骨架。

以转弯为例，服务器基于融合行车轨迹的角度，提取Q个更新后的节点，Q为大于1的整数，即提取至少两个更新后的节点。这里的至少两个更新后的节点需要包括转弯前的节点以及转弯后的节点，转弯前的节点能够标识出车辆开始转弯的起始位置，转弯后的节点能够标识出车辆完成转弯的结束位置。在实际应用中，还可以提取一个或多个在转弯过程中的节点，例如，将融合行车轨迹中间的点位确定为转弯中的节点。

再次，本申请实施例中，提供了一种基于多车道生成融合行车轨迹的方式，通过上述方式，采用分割阈值对二维行驶概率图进行二值化处理，得到二值化行驶概率图，在确定车道类型为多车道类型的情况下，根据二值化行驶概率图所包括的第一区域构成出一个多边形区域，然后提取多边形区域中的骨架，由此得到拟合处理后的融合行车轨迹，基于光束法平差算法对融合行车轨迹进行优化，以得到融合行车轨迹，由此，可以从融合行车轨迹中提取至少两个更新后的节点，从而提升方案的可行性和可操作性。

下面将结合图16，对本申请提供的地图数据更新方法进行说明，请参阅图16，图16为本申请实施例中地图数据更新方法的一个整体流程示意图，如图所示，具体地：

在步骤S1中，图像识别模型提取感兴趣区域，其中，感兴趣区域包括主感兴趣区域以及次感兴趣区域，主感兴趣区域主要包括文字交通牌、图形交通牌以及地面标志等。次感兴趣区域主要包括其他非人和非车辆的静止类型的场景区域。提取这些感兴趣区域是为下一步提取特征点做准备，这样就可能获取到比较干净的背景特征点。

在步骤S2中，对感兴趣区域进行特征点提取得到描述子，再组合车辆的相对位置和相对角度，得到扩展特征描述子，其中，特征点提取的方法可以是ORB方法或者SIFT方法等，一般使用光照白板，且尺度一致的特征描述子。

在步骤S3中，对特征点进行三角化提取三维坐标，与扩展描述子一起，得到三维扩展特征描述子。具体可基于相机、IMU和定位***（例如，GPS）提取到的车辆数据，结合平滑（smooth）算法计算出图像点的全局定位坐标（例如，GPS坐标）。假设所有路口都是水平的，采用三维自由（Degree of freedom，3DoF）建模，即平面XY坐标和偏航（yaw）。

在步骤S4中，根据不同的车辆数据或者不同时段的数据，使用增量匹配的方式，得到全局多个配对。其中，增量匹配意味着每一个车辆生成的三维扩展特征描述子都会匹配到一个全局空间中，匹配成功就添加到已经存在的配对中，匹配失败就增加一个新的匹配候选对。

在步骤S5中，基于不同的配对融合坐标，得到全局唯一坐标，即假设坐标服从高斯分布，则基于高斯融合的方式融合每一个配对中的所有数据。

在步骤S6中，过滤一些明显的离群值(outlier)，得到多个锚点，其中，过滤的规则可采用GPS的协方差，也可以是特征的匹配程度等。

在步骤S7中，固定锚点位置不变，图优化每一段行车轨迹和姿态，本质上还是利用相机、IMU和定位***（例如，GPS）提取到的车辆数据，采用smooth算法进行计算，区别主要在于固定了锚点的位置，即锚点位置不作优化，提供了一个较强的轨迹约束。假设所有路口都是水平的，采用3DoF建模，即平面XY坐标和偏航（yaw）。

在步骤S8中，以某个分割阈值二值化行驶概率图，根据交并比区域分为单车道或者多车道的情形。即以某个分割阈值对二维行驶概率图进行二值化处理，然后基于交并比区分车道类型是单车道还是多车道。

在步骤S9中，根据车道类型的划分，提取至少两个节点。以提取三个节点为例，假设车道类型为单车道，则直接拟合曲线，得到融合行车轨迹，根据转弯的类型提取节点A、节点B和节点C，节点A是转弯前的节点，节点B是转弯中的节点，节点C是转弯后的节点，此外，转弯前、转弯中和转弯后的偏航角还可以在融合行车轨迹上面计算出来，用于决定节点A和节点C的位置吗，节点B就是两个节点之间，且角度为转弯前后夹角的一半。

假设车道类型为多车道，对二维行驶概率图进行阈值分割后得到二值化行驶概率图，然后填补二值化行驶概率图中的空洞，查找边沿轮廓，凸化后得到多边形区域，提取这个多边形区域的骨骼作为融合行车轨迹，再按照单车道的处理方式提取节点A、节点B和节点C。

在步骤S10中，根据每个节点的标识（ID）值对电子地图中的地图数据进行更新，由于电子地图中的地图数据是以图结构的形式保存的，每个节点都一个对应的ID值，根据ID值查找到对应的节点，可进行更新或纠错。

下面对本申请中的地图数据更新装置进行详细描述，请参阅图17，图17为本申请实施例中地图数据更新装置的一个实施例示意图，地图数据更新装置20包括：

获取模块201，用于获取车辆数据，其中，车辆数据包括待识别图像、位置参数以及方向参数；

生成模块202，用于根据车辆数据生成锚点；

生成模块202，还用于根据锚点以及车辆数据生成融合行车轨迹；

获取模块201，还用于根据融合行车轨迹获取目标地图数据，其中，目标地图数据包括更新后的节点和更新后的节点连边；

更新模块203，用于将电子地图中的目标原始地图数据更新为目标地图数据。

本申请实施例中，提供了一种地图数据更新装置，采用上述装置，可基于大量的车辆数据在电子地图上构建锚点，进一步结合锚点以及大量的车辆数据生成融合行车轨迹，即利用固定好的锚点能够优化行车轨迹，由此得到更准确的地图数据。

可选地，在上述图17所对应的实施例的基础上，本申请实施例提供的地图数据更新装置20的另一实施例中，

获取模块201，具体用于若车辆在经过目标节点之前或车辆在经过目标节点之后发生转向，则接收车辆所对应的车辆数据，其中，目标节点为目标原始地图数据所包括任一节点，车辆为N个车辆中的一个或多个车辆。

本申请实施例中，提供了一种地图数据更新装置，采用上述装置，对于车辆而言可基于定位***实时确定自身所在的位置，因此，能够侦测车辆是否在需要转弯的地点提前转弯，或者延后转弯，由此决定是否向服务器上传自身的车辆数据。如果车辆并未提前转弯或者延后转弯，则不需要向服务器上报车辆数据，从而节省数据传输所消耗的资源，如果车辆提前转弯或者延后转弯，则自动上报车辆数据，以供服务器基于这些数据进行地图数据的更新，当有足够多的车辆车经过同一个路口的时候，就可以根据行车轨迹更新地图数据，由此得到更准确的地图数据。

可选地，在上述图17所对应的实施例的基础上，本申请实施例提供的地图数据更新装置20的另一实施例中，

生成模块202，具体用于根据车辆数据所包括的待识别图像，获取感兴趣区域；

获取感兴趣区域所对应的特征点；

根据感兴趣区域所对应的特征点以及车辆数据所包括的方向参数以及位置参数，生成扩展特征信息；

根据感兴趣区域所对应的特征点以及扩展特征信息，生成感兴趣区域所对应的三维扩展特征信息；

根据感兴趣区域所对应的三维扩展特征信息，在电子地图中确定锚点所对应的位置。根据感兴趣区域所对应的三维扩展特征信息，在电子地图中确定锚点所对应的位置。

本申请实施例中，提供了一种地图数据更新装置，采用上述装置，根据来源于大量车辆上报的车辆数据，可以拟合出锚点在世界坐标系下的位置，避免出现因数量量较少或者定位数据不够准确而导致锚点位置偏差较大的情况，由此提升锚点位置的准确度。

可选地，在上述图17所对应的实施例的基础上，本申请实施例提供的地图数据更新装置20的另一实施例中，

生成模块202，具体用于基于车辆数据所包括的待识别图像，通过图像识别模型获取图像识别结果；

若根据图像识别结果确定存在指示标志，则获取主感兴趣区域，其中，主感兴趣区域属于感兴趣区域；

若根据图像识别结果确定存在静止参照物，则获取次感兴趣区域，其中，次感兴趣区域属于感兴趣区域。

本申请实施例中，提供了一种地图数据更新装置，采用上述装置，利用训练好的图像识别模型能够快速且准确地提取到待识别图像中的主感兴趣区域和次感兴趣区域，并进一步识别出感兴趣区域内的物体类型，由此，能够提升锚点的选择的准确度，进而有利于提升定位的可靠性。

可选地，在上述图17所对应的实施例的基础上，本申请实施例提供的地图数据更新装置20的另一实施例中，

生成模块202，具体用于将感兴趣区域所对应的三维扩展特征信息确定为待匹配锚点所对应的三维扩展特征信息；

获取第一候选锚点所对应的三维扩展特征信息；

将待匹配锚点所对应三维扩展特征信息与第一候选锚点所对应的三维扩展特征信息进行匹配；

若待匹配锚点所对应三维扩展特征信息与第一候选锚点所对应的三维扩展特征信息匹配成功，则对待匹配锚点与第一候选锚点进行融合，得到电子地图中所述锚点所对应的位置；

若待匹配锚点所对应三维扩展特征信息与第一候选锚点所对应的三维扩展特征信息匹配失败，则将待匹配锚点确定为第二候选锚点。

本申请实施例中，提供了一种地图数据更新装置，采用上述装置，在获取到候选锚点之后，需要先判断该候选锚点是否与已有的候选锚点匹配成功，如果匹配成功，就表示候选锚点属于真正的锚点，但是如果匹配失败，则将该候选锚点作为一个新的候选锚点，用于后续的匹配。由此可见，采用增量匹配的方式加入候选锚点，一方面有利于选择出更准确的锚点，另一方面，无需每次都进行全量匹配，有利于减少匹配过程中的资源消耗。

可选地，在上述图17所对应的实施例的基础上，本申请实施例提供的地图数据更新装置20的另一实施例中，

生成模块202，具体用于根据待匹配锚点所对应的三维扩展特征信息与第一候选锚点所对应的三维扩展特征信息确定匹配度；

将待匹配锚点所对应三维扩展特征信息与第一候选锚点所对应的三维扩展特征信息进行匹配之后，方法还包括：

若匹配度大于或等于匹配度阈值，则确定待匹配锚点所对应的三维扩展特征信息与第一候选锚点所对应的三维扩展特征信息匹配成功；

若匹配度小于或等于匹配度阈值，则过滤待匹配锚点。

本申请实施例中，提供了一种地图数据更新装置，采用上述装置，由于车辆数据包含来自大量车辆上报的数据，因此，建议设备的差异性，可能会存在一些误差较大的数据，这些数据属于数据处理过程中的“噪声”，为了提升锚点位置的准确度，需要对这些误差较大的待匹配锚点进行过滤，从而提升锚点计算的可靠性。

可选地，在上述图17所对应的实施例的基础上，本申请实施例提供的地图数据更新装置20的另一实施例中，

生成模块202，具体用于根据车辆数据，生成电子地图所对应的多维高斯分布；

根据锚点以及车辆数据，生成电子地图所对应的二维行驶概率图；

根据多维高斯分布确定车道类型，其中，车道类型为单车道类型或多车道类型；

根据车道类型以及二维行驶概率图，生成融合行车轨迹。

本申请实施例中，提供了一种地图数据更新装置，采用上述装置，将锚点固定住，然后采用光束法平差算法对融合行车轨迹上的节点位置进行调整，最后得到更加准确的一条融合行车轨迹，由此提升方案的可行性和可靠性。

可选地，在上述图17所对应的实施例的基础上，本申请实施例提供的地图数据更新装置20的另一实施例中，

生成模块202，具体用于构建电子地图所对应的二维原始图，其中，二维原始图包括(N×M)个栅格，N与M均为大于1的整数；

根据车辆数据所包括的位置参数，获取K条局部行车轨迹，其中，车辆数据包括K个车辆的车辆数据，每个车辆的车辆数据用于生成一条局部行车轨迹，K为大于1的整数；

根据锚点，对K条局部行车轨迹中的每条局部行车轨迹进行优化处理，得到K条优化后的局部行车轨迹；

将K条优化后的局部行车轨迹映射到二维原始图上，得到二维行驶概率图，其中，二维行驶概率图中栅格所对应的概率值与K条优化后的局部行车轨迹所经过的次数呈正相关关系。

本申请实施例中，提供了一种地图数据更新装置，采用上述装置，从大量车辆上报的车辆数据中提取不同车辆在不同时刻下的位置参数，然后根据每个车辆在不同时刻的位置参数，将优化后的局部行车轨迹记录在二维原始图，最终根据所有车辆在二维原始图上的局部行车轨迹，生成对应的二维行驶概率图，从而达到融合已优化的局部行车轨迹的效果，由此提升二维行驶概率图的真实性和可靠性。

可选地，在上述图17所对应的实施例的基础上，本申请实施例提供的地图数据更新装置20的另一实施例中，

生成模块202，具体用于根据多维高斯分布获取主方向长度与次方向长度；

根据主方向长度与次方向长度，生成扁平参数；

根据扁平参数确定分割阈值；

根据分割阈值确定车道类型。

本申请实施例中，提供了一种地图数据更新装置，采用上述装置，结合多维高斯分布的具体情况可生成相应的扁平参数，基于扁平参数确定分割阈值，由此能够生成更加合理的分割阈值，实现动态调整分割阈值的目的。

可选地，在上述图17所对应的实施例的基础上，本申请实施例提供的地图数据更新装置20的另一实施例中，

生成模块202，具体用于采用分割阈值对二维行驶概率图进行二值化处理，得到二值化行驶概率图，其中，二值化行驶概率图包括第一区域，第一区域中每个像素点的概率值大于或等于分割阈值；

根据二维行驶概率图获取第二区域，其中，第二区域中每个像素点的概率值大于0；

根据第一区域以及第二区域确定交并比；

若交并比小于或等于交并比阈值，则确定车道类型为单车道类型；

若交并比大于交并比阈值，则确定车道类型为多车道类型。

本申请实施例中，提供了一种地图数据更新装置，采用上述装置，在确定分割阈值之后，可基于分割阈值对二维行驶概率图进行二值化处理，由此选择出大于或等于分割阈值的所有像素点，再结合二维行驶概率图中获取到第二区域，即可确定交并比，基于交并比能够更加准确地判断出车道类型，从而提升方案的可行性和可操作性。

可选地，在上述图17所对应的实施例的基础上，本申请实施例提供的地图数据更新装置20的另一实施例中，

生成模块202，具体用于采用分割阈值对二维行驶概率图进行二值化处理，得到二值化行驶概率图，其中，二值化行驶概率图包括第一区域，第一区域中每个像素点的概率值大于或等于分割阈值；

若车道类型为单车道类型，则对二值化行驶概率图所包括的第一区域进行曲线拟合处理，生成融合行车轨迹；

获取模块201，具体用于从融合行车轨迹中，提取Q个更新后的节点，其中，Q为大于1的整数，Q个更新后的节点至少包括转弯前的节点以及转弯后的节点。

本申请实施例中，提供了一种地图数据更新装置，采用上述装置，采用分割阈值对二维行驶概率图进行二值化处理，得到二值化行驶概率图，在确定车道类型为单车道类型的情况下，对二值化行驶概率图所包括的第一区域进行曲线拟合处理，即可生成融合行车轨迹，基于光束法平差算法对融合行车轨迹进行优化，以得到融合行车轨迹，由此，可以从融合行车轨迹中提取至少两个更新后的节点，从而提升方案的可行性和可操作性。

可选地，在上述图17所对应的实施例的基础上，本申请实施例提供的地图数据更新装置20的另一实施例中，

生成模块202，具体用于采用分割阈值对二维行驶概率图进行二值化处理，得到二值化行驶概率图，其中，二值化行驶概率图包括第一区域，第一区域中每个像素点的概率值大于或等于分割阈值；

若车道类型为多车道类型，则根据二值化行驶概率图所包括的第一区域，构建多边形区域；

根据多边形区域生成融合行车轨迹；

获取模块201，具体用于从融合行车轨迹中，提取Q个更新后的节点，其中，Q为大于1的整数，Q个更新后的节点至少包括转弯前的节点以及转弯后的节点。

本申请实施例中，提供了一种地图数据更新装置，采用上述装置，采用分割阈值对二维行驶概率图进行二值化处理，得到二值化行驶概率图，在确定车道类型为多车道类型的情况下，根据二值化行驶概率图所包括的第一区域构成出一个多边形区域，然后提取多边形区域中的骨架，由此得到拟合处理后的融合行车轨迹，基于光束法平差算法对融合行车轨迹进行优化，以得到融合行车轨迹，由此，可以从融合行车轨迹中提取至少两个更新后的节点，从而提升方案的可行性和可操作性。

图18是本申请实施例提供的一种服务器结构示意图，该服务器300可因配置或性能不同而产生比较大的差异，可以包括一个或一个以***处理器（central processingunits，CPU）322（例如，一个或一个以上处理器）和存储器332，一个或一个以上存储应用程序342或数据344的存储介质330（例如一个或一个以上海量存储设备）。其中，存储器332和存储介质330可以是短暂存储或持久存储。存储在存储介质330的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器322可以设置为与存储介质330通信，在服务器300上执行存储介质330中的一系列指令操作。

服务器300还可以包括一个或一个以上电源326，一个或一个以上有线或无线网络接口350，一个或一个以上输入输出接口358，和/或，一个或一个以上操作***341，例如Windows Server^TM，Mac OS X^TM，Unix^TM, Linux^TM，FreeBSD^TM等等。

上述实施例中由服务器所执行的步骤可以基于该图18所示的服务器结构。

本申请实施例中还提供一种计算机可读存储介质和计算机程序产品，该计算机可读存储介质中存储有计算机程序，当其在计算机上运行时，使得计算机执行如前述各个实施例描述的方法。当计算机程序产品在计算机上运行时，使得计算机执行前述各个实施例描述的方法。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的***，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (15)

1.一种地图数据更新的方法，其特征在于，包括：

获取车辆数据，其中，所述车辆数据包括待识别图像、位置参数以及方向参数；

根据所述车辆数据生成锚点；

根据所述锚点以及所述车辆数据生成融合行车轨迹；

根据所述融合行车轨迹获取目标地图数据，其中，所述目标地图数据包括更新后的节点和更新后的节点连边；

将电子地图中的目标原始地图数据更新为所述目标地图数据。

2.根据权利要求1所述的方法，其特征在于，所述获取车辆数据，包括：

若车辆在经过目标节点之前或所述车辆在经过所述目标节点之后发生转向，则接收所述车辆所对应的车辆数据，其中，所述目标节点为所述目标原始地图数据所包括任一节点，所述车辆为N个车辆中的一个或多个车辆。

3.根据权利要求1所述的方法，其特征在于，所述根据所述车辆数据生成锚点，包括：

根据所述车辆数据所包括的待识别图像，获取感兴趣区域；

获取所述感兴趣区域所对应的特征点；

根据所述感兴趣区域所对应的特征点以及所述车辆数据所包括的方向参数以及位置参数，生成扩展特征信息；

根据所述感兴趣区域所对应的特征点以及所述扩展特征信息，生成所述感兴趣区域所对应的三维扩展特征信息；

根据所述感兴趣区域所对应的三维扩展特征信息，在所述电子地图中确定所述锚点所对应的位置。

4.根据权利要求3所述的方法，其特征在于，所述根据所述车辆数据所包括的待识别图像，获取感兴趣区域，包括：

基于所述车辆数据所包括的待识别图像，通过图像识别模型获取图像识别结果；

若根据所述图像识别结果确定存在指示标志，则获取主感兴趣区域，其中，所述主感兴趣区域属于所述感兴趣区域；

若根据所述图像识别结果确定存在静止参照物，则获取次感兴趣区域，其中，所述次感兴趣区域属于所述感兴趣区域。

5.根据权利要求3所述的方法，其特征在于，所述根据所述感兴趣区域所对应的三维扩展特征信息，在所述电子地图中确定所述锚点所对应的位置，包括：

将所述感兴趣区域所对应的三维扩展特征信息确定为待匹配锚点所对应的三维扩展特征信息；

获取第一候选锚点所对应的三维扩展特征信息；

将所述待匹配锚点所对应三维扩展特征信息与所述第一候选锚点所对应的三维扩展特征信息进行匹配；

若所述待匹配锚点所对应三维扩展特征信息与所述第一候选锚点所对应的三维扩展特征信息匹配成功，则对所述待匹配锚点与所述第一候选锚点进行融合，得到所述电子地图中所述锚点所对应的位置；

若所述待匹配锚点所对应三维扩展特征信息与所述第一候选锚点所对应的三维扩展特征信息匹配失败，则将所述待匹配锚点确定为第二候选锚点。

6.根据权利要求5所述的方法，其特征在于，所述将所述待匹配锚点所对应三维扩展特征信息与所述第一候选锚点所对应的三维扩展特征信息进行匹配，包括：

根据所述待匹配锚点所对应的三维扩展特征信息与所述第一候选锚点所对应的三维扩展特征信息确定匹配度；

所述将所述待匹配锚点所对应三维扩展特征信息与所述第一候选锚点所对应的三维扩展特征信息进行匹配之后，所述方法还包括：

若所述匹配度大于或等于匹配度阈值，则确定所述待匹配锚点所对应的三维扩展特征信息与所述第一候选锚点所对应的三维扩展特征信息进行匹配成功；

若所述匹配度小于或等于所述匹配度阈值，则过滤所述待匹配锚点。

7.根据权利要求1至6中任一项所述的方法，其特征在于，所述根据所述锚点以及所述车辆数据生成融合行车轨迹，包括：

根据所述车辆数据，生成所述电子地图所对应的多维高斯分布；

根据所述锚点以及所述车辆数据，生成所述电子地图所对应的二维行驶概率图；

根据所述多维高斯分布确定车道类型，其中，所述车道类型为单车道类型或多车道类型；

根据所述车道类型以及所述二维行驶概率图，生成所述融合行车轨迹。

8.根据权利要求7所述的方法，其特征在于，所述根据所述锚点以及所述车辆数据，生成所述电子地图所对应的二维行驶概率图，包括：

构建所述电子地图所对应的二维原始图，其中，所述二维原始图包括(N×M)个栅格，所述N与所述M均为大于1的整数；

根据所述车辆数据所包括的位置参数，获取K条局部行车轨迹，其中，所述车辆数据包括K个车辆的车辆数据，每个车辆的车辆数据用于生成一条局部行车轨迹，所述K为大于1的整数；

根据所述锚点，对所述K条局部行车轨迹中的每条局部行车轨迹进行优化处理，得到K条优化后的局部行车轨迹；

将所述K条优化后的局部行车轨迹映射到所述二维原始图上，得到所述二维行驶概率图，其中，所述二维行驶概率图中栅格所对应的概率值与所述K条优化后的局部行车轨迹所经过的次数呈正相关关系。

9.根据权利要求7所述的方法，其特征在于，所述根据所述多维高斯分布确定车道类型，包括：

根据所述多维高斯分布获取主方向长度与次方向长度；

根据所述主方向长度与所述次方向长度，生成扁平参数；

根据所述扁平参数确定分割阈值；

根据所述分割阈值确定所述车道类型。

10.根据权利要求9所述的方法，其特征在于，所述根据所述分割阈值确定所述车道类型，包括：

采用所述分割阈值对所述二维行驶概率图进行二值化处理，得到二值化行驶概率图，其中，所述二值化行驶概率图包括第一区域，所述第一区域中每个像素点的概率值大于或等于所述分割阈值；

根据所述二维行驶概率图获取第二区域，其中，所述第二区域中每个像素点的概率值大于0；

根据所述第一区域以及所述第二区域确定交并比；

若所述交并比小于或等于交并比阈值，则确定所述车道类型为所述单车道类型；

若所述交并比大于所述交并比阈值，则确定所述车道类型为所述多车道类型。

11.根据权利要求7所述的方法，其特征在于，所述根据所述车道类型以及所述二维行驶概率图，生成融合行车轨迹，包括：

采用所述分割阈值对所述二维行驶概率图进行二值化处理，得到二值化行驶概率图，其中，所述二值化行驶概率图包括第一区域，所述第一区域中每个像素点的概率值大于或等于所述分割阈值；

若所述车道类型为所述单车道类型，则对所述二值化行驶概率图所包括的所述第一区域进行曲线拟合处理，生成所述融合行车轨迹；

所述根据所述融合行车轨迹获取目标地图数据，包括：

从所述融合行车轨迹中，提取Q个更新后的节点，其中，所述Q为大于1的整数，所述Q个更新后的节点至少包括转弯前的节点以及转弯后的节点。

12.根据权利要求7所述的方法，其特征在于，所述根据所述车道类型以及所述二维行驶概率图，生成融合行车轨迹，包括：

采用所述分割阈值对所述二维行驶概率图进行二值化处理，得到二值化行驶概率图，其中，所述二值化行驶概率图包括第一区域，所述第一区域中每个像素点的概率值大于或等于所述分割阈值；

若所述车道类型为所述多车道类型，则根据所述二值化行驶概率图所包括的所述第一区域，构建多边形区域；

根据所述多边形区域生成所述融合行车轨迹；

所述根据所述融合行车轨迹获取目标地图数据，包括：

从所述融合行车轨迹中，提取Q个更新后的节点，其中，所述Q为大于1的整数，所述Q个更新后的节点至少包括转弯前的节点以及转弯后的节点。

13.一种地图数据更新装置，其特征在于，包括：

获取模块，用于获取车辆数据，其中，所述车辆数据包括待识别图像、位置参数以及方向参数；

生成模块，用于根据所述车辆数据生成锚点；

所述生成模块，还用于根据所述锚点以及所述车辆数据生成融合行车轨迹；

所述获取模块，还用于根据所述融合行车轨迹获取目标地图数据，其中，所述目标地图数据包括更新后的节点和更新后的节点连边；

更新模块，用于将电子地图中的目标原始地图数据更新为所述目标地图数据。

14.一种服务器，其特征在于，包括：存储器、处理器以及总线***；

其中，所述存储器用于存储程序；

所述处理器用于执行所述存储器中的程序，所述处理器用于根据程序代码中的指令执行权利要求1至12中任一项所述的方法；

所述总线***用于连接所述存储器以及所述处理器，以使所述存储器以及所述处理器进行通信。

15.一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如权利要求1至12中任一项所述的方法。

Images