CN113029146A - 导航动作预测模型训练方法、导航动作生成方法及装置 - Google Patents
导航动作预测模型训练方法、导航动作生成方法及装置 Download PDFInfo
- Publication number
- CN113029146A CN113029146A CN202110230215.2A CN202110230215A CN113029146A CN 113029146 A CN113029146 A CN 113029146A CN 202110230215 A CN202110230215 A CN 202110230215A CN 113029146 A CN113029146 A CN 113029146A
- Authority
- CN
- China
- Prior art keywords
- navigation action
- road section
- prediction model
- training
- navigation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
- G01C21/343—Calculating itineraries, i.e. routes leading from a starting point to a series of categorical destinations using a global route restraint, round trips, touristic trips
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
公开了一种导航动作预测模型训练方法、导航动作生成方法及装置。构造训练样本集,训练样本集包括一条或多条训练样本,训练样本为包含路口处的驶入路段和驶出路段的图像数据,训练样本的标记用于表征由驶入路段到驶出路段的导航动作;基于训练样本集训练导航动作预测模型。由此,可以得到预测精准度可以得到保证,且预测结果的准确率能够评估的导航动作预测模型。
Description
技术领域
本公开涉及道路导航领域,特别是涉及一种导航动作预测模型训练方法、导航动作生成方法及装置。
背景技术
导航动作生成是导航服务的重要组成部分。
导航动作是指路口处应该执行的转向动作,比如左转、直行等。
传统的导航动作生成方法主要是截取驶入路段和驶出路段,通过对驶入路段与驶出路段进行计算,确定路口处应该执行的导航动作。由于路网非常复杂,所以需要对生成的导航动作进行验证,以得到可靠的导航动作。
上述导航动作生成方法存在如下问题:1、决定导航动作的关键路段可能位于截取的路段之外,使得生成的导航动作的准确性不能得到保证;2、生成的导航动作的准确与否非常依赖于计算规则,如计算规则设置不当将会导致错误的导航动作,且在计算规则的边界条件处很容易出现计算结果错误;3、对生成的导航动作进行验证时非常依赖人的参与,人工成本较高。
因此,需要一种新的导航动作生成方法,以解决传统导航动作生成方法存在的上述至少一种问题。
发明内容
本公开要解决的一个技术问题是提供一种新的导航动作生成方法,以解决传统导航动作生成方法存在的上述至少一种问题。
根据本公开的第一个方面,提供了一种训练导航动作预测模型的方法,包括:构造训练样本集,训练样本集包括一条或多条训练样本,训练样本为包含路口处的驶入路段和驶出路段的图像数据,训练样本的标记用于表征由驶入路段到驶出路段的导航动作;基于训练样本集训练导航动作预测模型。
根据本公开的第二个方面,提供了一种导航动作生成方法,包括:获取预测样本,预测样本为包含路口处的驶入路段和驶出路段的图像数据;将预测样本输入预先训练好的导航动作预测模型,得到导航动作预测模型输出的预测结果,预测结果用于表征由驶入路段到驶出路段的导航动作。
根据本公开的第三个方面,提供了一种导航动作生成方法,包括:基于路口处的驶入路段和驶出路段之间的夹角,生成第一导航动作;将包含驶入路段和驶出路段的图像数据输入预先训练好的导航动作预测模型,得到第二导航动作;比较第一导航动作与第二导航动作是否一致;若第一导航动作与第二导航动作一致或基本一致,则将第一导航动作或第二导航动作作为由驶入路段到驶出路段的导航动作。
根据本公开的第四个方面,提供了一种训练导航动作预测模型的装置,包括:构造模块,用于构造训练样本集,训练样本集包括一条或多条训练样本,训练样本为包含路口处的驶入路段和驶出路段的图像数据,训练样本的标记用于表征由驶入路段到驶出路段的导航动作;训练模块,用于基于训练样本集训练导航动作预测模型。
根据本公开的第五个方面,提供了一种导航动作生成装置,包括:获取模块,用于获取预测样本,预测样本为包含路口处的驶入路段和驶出路段的图像数据;预测模块,用于将预测样本输入预先训练好的导航动作预测模型,得到导航动作预测模型输出的预测结果,预测结果用于表征由驶入路段到驶出路段的导航动作。
根据本公开的第六个方面,提供了一种导航动作生成装置,包括:第一生成模块,用于基于路口处的驶入路段和驶出路段之间的夹角,生成第一导航动作;第二生成模块,用于将包含驶入路段和驶出路段的图像数据输入预先训练好的导航动作预测模型,得到第二导航动作;比较模块,用于比较第一导航动作与第二导航动作是否一致;确定模块,用于若第一导航动作与第二导航动作一致或基本一致,则将第一导航动作或第二导航动作作为由驶入路段到驶出路段的导航动作。
根据本公开的第七个方面,提供了一种计算设备,包括:处理器;以及存储器,其上存储有可执行代码,当可执行代码被处理器执行时,使处理器执行如上述第一方面至第三方面中任一方面所述的方法。
根据本公开的第八个方面,提供了一种非暂时性机器可读存储介质,其上存储有可执行代码,当可执行代码被电子设备的处理器执行时,使处理器执行如上述第一方面至第三方面中任一方面所述的方法。
由此,本公开基于包含路口处的驶入路段和驶出路段的图像数据训练用于预测导航动作的导航动作预测模型,训练得到的导航动作预测模型是采用图片分析的方式预测导航动作,图片与其他类型的数据相比,其中蕴含了决定导航动作所需的几乎全部特征,使得训练得到的导航动作预测模型的预测精准度较高,且导航动作预测模型的预测结果的准确率可以评估。
附图说明
通过结合附图对本公开示例性实施方式进行更详细的描述,本公开的上述以及其它目的、特征和优势将变得更加明显,其中,在本公开示例性实施方式中,相同的参考标号通常代表相同部件。
图1示出了根据本公开一个实施例的训练导航动作预测模型的方法的示意性流程图。
图2A示出了驶入路段和驶出路段的示意图。
图2B示出了针对图2A构建的训练样本的示意图。
图3示出了图1所示方法还可以包括的操作步骤示意图。
图4示出了根据本公开一个实施例的导航动作生成方法的示意性流程图。
图5示出了根据本公开另一个实施例的导航动作生成方法的示意性流程图。
图6示出了根据本公开一个实施例的训练导航动作预测模型的装置的结构示意图。
图7示出了根据本公开一个实施例的导航动作生成装置的结构示意图。
图8示出了根据本公开另一个实施例的导航动作生成装置的结构示意图。
图9示出了根据本公开一个实施例的计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的优选实施方式。虽然附图中显示了本公开的优选实施方式,然而应该理解,可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了使本公开更加透彻和完整,并且能够将本公开的范围完整地传达给本领域的技术人员。
图1示出了根据本公开一个实施例的训练导航动作预测模型的方法的示意性流程图。图1所示方法可以通过计算机程序以软件方式实现,还可通过特定配置的计算装置来执行图1所示的方法。
参见图1,在步骤S110,构造训练样本集,训练样本集包括一条或多条训练样本,训练样本为路口处包含驶入路段和驶出路段的图像数据,训练样本的标记用于表征由驶入路段到驶出路段的导航动作。
路口,也即交叉口,是指两条或两条以上道路交会的地方。驶入路段是指到达路口位置之前经过的路段,也即在道路行进方向上位于路口位置后方的一段道路。驶出路段是指到达路口位置之后经过的路段,也即在道路行进方向上位于路口位置前方的一段道路。
与路口相连的路段除了驶入路段和驶出路段之外,通常还可能包括多个其他路段。如图2A所示的不规则十字路口为例,除了图中示出的驶入路段和驶出路段外,还包括与路口相连的其他两个路段。
为了避免因训练样本包含对模型预测无用的信息,而对模型的训练造成干扰,训练样本可以是路口处包含驶入路段和驶出路段且不包含路口处其他路段的图像数据。即,图像数据中除了路口处的驶入路段和驶出路段外,不包括与路口相连的其他路段。
作为示例,预测样本可以是包括驶入路段、驶出路段以及驶入路段和驶出路段相连的道路部分(即路口)的图像数据。例如,针对图2A所示的不规则十字路口构建的训练样本,可以是图2B所示的包含驶入路段、驶出路段以及驶入路段和驶出路段连接处的路口的道路图像。
在构造训练样本集时,可以采用一种或多种方式构造包含驶入路段和驶出路段的图像数据,作为训练样本添加到训练样本集。例如,可以采用但不限于如下一种或多种示例性方式构造训练样本集。
作为示例,可以从地图数据中抽取包含驶入路段和驶出路段的道路图像,将该道路图像作为训练样本添加到训练样本集。其中,可以通过图片截取的方式从已有的地图数据中截取包含驶入路段和驶出路段的道路图像,并且在与驶入路段和驶出路段相连的路口还存在其他路段的情况下,可以截取仅包含驶入路段、驶出路段以及与驶入路段和驶出路段相连的路口的道路图像。地图数据可以是各种地图软件提供的道路图像数据,如实景道路图像或模拟道路图像。
作为示例,还可以将通过对包含驶入路段和驶出路段的道路进行拍摄得到的图像数据,作为训练样本添加到训练样本集。例如,可以获取设置在道路路口处的摄像头拍摄的道路图像,通过对该道路图像进行截取得到含驶入路段和驶出路段的图像数据。在与驶入路段和驶出路段相连的路口还存在其他路段的情况下,可以从道路图像中截取仅包含驶入路段、驶出路段以及与驶入路段和驶出路段相连的路口的图像部分,作为训练样本。
作为示例,还可以基于驶入路段信息和驶出路段信息,生成包含驶入路段和驶出路段的图片,将图片作为训练样本添加到训练样本集。其中,驶入路段信息、驶出路段信息可以是任何形式的能够表征驶入路段、驶出路段的信息,如可以是但不限于驶入路段、驶出路段的文本描述信息。
训练样本的标记用于表征由驶入路段到驶出路段的真实导航动作。可以通过但不限于人为标注的方式获取训练样本的标记。例如,可以将多条训练样本(即包含驶入路段和驶出路段的图像数据)打包为标注任务,交由标注平台,由标注平台下发给标注人员进行标注,或者也可以直接将多条训练样本交由标注人员进行标注。
在步骤S120,基于训练样本集训练导航动作预测模型。
可以以训练样本(即包含驶入路段和驶出路段的图像数据)为模型输入,训练样本的标记(即导航动作)为模型输出,使用有监督学习的方式训练导航动作预测模型,具体训练过程为本领域成熟技术,此处不再赘述。
从模型结构的角度,导航动作预测模型可以是任何适于处理图像数据的机器学习模型,如可以是但不限于基于深度学习算法的深度学习模型。可选地,导航动作预测模型可以是基于在图像领域中大放异彩的残差网络算法的深度学习模型,即残差网络模型。
深度学习算法是一种复杂的机器学习算法,主要是通过构建具有多个隐层的机器学习模型和海量的训练数据,学习更有用的特征,从而最终提升分类或预测的准确性。
残差网络是图像领域的主流模型之一,是一种卷积神经网络,由残差模块垒叠而成,有效缓解了梯度消失的影响,使得网络模型层数可以大大增加。
从模型预测机制的角度,导航动作预测模型可以视为一种多分类模型。导航动作预测模型的输入可以是包含驶入路段和驶出路段的图像数据(即下文述及的预测样本),导航动作预测模型可以通过对输入进行处理,得到对应不同导航动作的概率值,并输出概率值最大的导航动作,作为预测样本的预测结果,即由该驶入路段到该驶出路段的预测导航动作。
作为示例,在训练开始时,可以随机初始化导航动作预测模型的参数,在每轮迭代训练过程中,可以将一条或多条训练样本输入导航动作预测模型,将得到的预测结果与训练样本的标记进行比较,得到损失函数的数值,然后以减小损失函数为目标调整导航动作预测模型,然后开启下一轮迭代训练过程,直至损失函数收敛。其中,损失函数用来评价模型的预测值和真实值不一样的程度,损失函数以及使用损失函数评估模型性能为本领域成熟技术,此处不再赘述。
为了提升导航动作预测模型的泛化能力,本公开还可以构造测试样本集,测试样本集包括一条或多条测试样本,测试样本为包含路口处的驶入路段和驶出路段的图像数据,测试样本的标记用于表征由该驶入路段到该驶出路段的真实导航动作(为了便于区分,可以称为第一真实导航动作)。其中,测试样本与训练样本是针对不同驶入路段、驶出路段的图像数据,即测试样本与训练样本是针对不同驶入路段、驶出路段构建的样本数据。可以使用上文述及的训练样本集的构造方式来构造测试样本集,对此本公开不再赘述。
在基于训练样本集训练导航动作预测模型的过程中,可以将测试样本输入导航动作预测模型,得到导航动作预测模型输出的测试样本的预测结果,即预测得到的导航动作(为了便于区分,可以称为第一预测导航动作)。可以基于第一预测导航动作与第一真实导航动作之间的差异调整导航动作预测模型,并基于训练样本集训练调整后的导航动作预测模型。
第一预测导航动作与第一真实导航动作之间的差异,可以反映在训练样本集上训练得到的导航动作预测模型在测试样本集上的性能,即可以使用测试样本集对在训练样本集上训练得到的导航动作预测模型的能力进行初步评估,如可以在训练中或训练后评估导航动作预测模型是否过拟合、估计导航动作预测模型的泛化误差。根据评估结果可以调整导航动作预测模型,其中,调整导航动作预测模型,主要是指调整导航动作预测模型的超参数,可选地还可以调整导航动作预测模型的模型参数。超参数是指在开始学习过程之前设置值的参数,而不是通过训练模型得到的参数数据,如可以是指学习率、深层神经网络隐藏层数等。
例如,在第一预测导航动作与第一真实导航动作之间的差异表明导航动作预测模型在测试样本集上发散、mAP(Mean Average Precision,均值平均精度)不增长或者增长很慢时,可以及时终止训练、重新调整训练所采用的超参数或者模型参数,而不需要等到训练结束。
本公开还可以构造验证样本集,验证样本集包括一条或多条验证样本,验证样本为包含驶入路段和驶出路段的图像数据,验证样本的标记用于表征由该驶入路段到该驶出路段的真实导航动作(为了便于区分可以称为第二真实导航动作)。其中,验证样本、测试样本以及训练样本均是针对不同驶入路段、驶出路段的图像数据,即验证样本、测试样本以及训练样本分别是针对不同驶入路段和驶出路段构建的样本数据。可以使用上文述及的训练样本集的构造方式来构造验证样本集,对此本公开不再赘述。
如图3所示,在基于测试样本集对导航动作预测模型进行调整并基于训练样本集对调整后的导航动作预测模型进行训练后,可以将验证样本输入训练得到的导航动作预测模型,得到导航动作预测模型输出的验证样本的预测结果,即预测得到的导航动作(为了便于区分,可以称为第二预测导航动作),基于第二预测导航动作与第二真实导航动作之间的差异评估导航动作预测模型。其中,可以基于多条验证样本的第二预测导航动作与第二真实导航动作之间的差异,综合评估导航动作预测模型,如评估导航动作预测模型的准确率。
可以将评估结果与预设的迭代终止条件进行比较,若评估结果不满足迭代终止条件,则迭代执行基于测试样本集调整导航动作预测模型的步骤、基于训练样本集训练调整后的导航动作预测模型的步骤以及基于验证样本集评估导航动作预测模型的步骤,直至评估结果满足迭代终止条件。其中,评估结果可以是但不限于能够表征导航动作预测模型的性能的指标,如准确率,迭代终止条件可以是准确率达到阈值。
在本公开的一个具体实施例中,可以首先构建训练样本集、测试样本集以及验证样本集。例如,可以从全国随机抽取一定量的路口的驶入路段和驶出路段原始信息;基于该原始信息生成包含驶入路段和驶出路段的路况图片;重复执行上述两个步骤三轮,将产生的三组图片分别作为训练样本集、测试样本集以及测试样本集。训练样本集、测试样本集以及验证样本集中不同样本集中的样本数量可以根据需要设定。样本标签可以通过标注的方式得到。
在得到训练样本集、测试样本集以及测试样本集之后,可以采用残差网络图像算法,基于训练样本集和测试样本集不断调整参数(超参数)并基于调整后参数训练模型,直至损失函数收敛;然后在验证样本数据集上进行验证;重复上述步骤直至得到验证结果(对应上文述及的评估结果)满足要求的残差网络模型(对应于上文述及的导航动作预测模型)。
基于本公开得到的导航动作预测模型是采用图片分析的方式预测导航动作,图片与其他类型的数据相比,其中蕴含了决定导航动作所需的几乎全部特征,使得训练得到的导航动作预测模型的预测精准度较高,且导航动作预测模型的预测结果的准确率可以计算。
基于上述方法得到的导航动作预测模型可以用于预测由驶入路段到驶出路段的导航动作。例如,导航动作预测模型可以应用于导航***(如安装在设备端的导航软件),导航***可以在根据起始位置和终止位置生成路径导航信息并为用户提供导航服务的过程中,在用户行进或即将行进到路口处时,利用本公开的导航动作预测模型生成针对该路口处的驶入路段和驶出路段的导航动作,以引导用户由驶入路段行进到驶出路段。再例如,导航***也可以针对预定地理范围内各路口处的各种行进路线,利用本公开的导航动作预测模型提前生成导航动作,使得在为用户提供在线导航服务时,可以根据用户所处位置直接获取预先生成的导航动作,而无需在线生成,从而可以提高用户的导航体验。
基于上述方法得到的导航动作预测模型也可以用于与其他导航动作生成方法相结合,代替人工对使用其他导航动作生成方法得到的导航动作进行验证,节约人力成本的同时,可以提高验证结果的可靠性。
图4示出了根据本公开一个实施例的导航动作生成方法的示意性流程图。图4所示方法可以由为用户提供导航服务的导航***执行,导航***可以是但不限于安装在手机、车辆等设备上的导航软件。
参见图4,在步骤S410,获取预测样本,预测样本为包含路口处的驶入路段和驶出路段的图像数据。可以使用上文述及的训练样本的构造方式来构造预测样本,对此本公开不再赘述。
在步骤S420,将预测样本输入预先训练好的导航动作预测模型,得到导航动作预测模型输出的预测结果,预测结果用于表征由驶入路段到驶出路段的导航动作。
从模型结构的角度,导航动作预测模型可以是任何适于处理图像数据的机器学习模型,如可以是但不限于基于深度学习算法的深度学习模型。可选地,导航动作预测模型可以是基于在图像领域中大放异彩的残差网络算法的深度学习模型,即残差网络模型。
从模型预测机制的角度,导航动作预测模型可以视为一种多分类模型。导航动作预测模型可以通过对输入的预测样本进行处理,得到对应不同导航动作的概率值,并输出概率值最大的导航动作,作为预测样本的预测结果,即由该驶入路段到该驶出路段的预测导航动作。
导航动作预测模型可以是使用本公开上文结合图1所述的训练方法训练得到的,具体训练过程可以参见上文相关描述。
作为示例,可以在用户行进或即将行进到路口处时,利用本公开的导航动作预测模型生成针对该路口处的驶入路段和驶出路段的导航动作,在得到导航动作之后,可以生成与导航动作对应的提示信息,并输出该提示信息,以提示用户经过路口时应该遵循的导航动作。该提示信息可以是但不限于文本、语音以及图像等一种或多种形式的信息。
图5示出了根据本公开另一个实施例的导航动作生成方法的示意性流程图。图5所示方法可以由为用户提供导航服务的导航***执行,导航***可以是但不限于安装在手机、车辆等设备上的导航软件。
本公开对步骤S510和步骤S520之间的先后执行顺序不做限定,即可以先执行步骤S510,再执行步骤S520,也可以先执行步骤S520,再执行步骤S510,或者步骤S510和步骤S520可以不分先后同时执行。
参见图5,在步骤S510,基于路口处的驶入路段和驶出路段之间的夹角,生成第一导航动作。
驶入路段和驶出路段之间的夹角,可以是指驶入路段所表征的道路行进方向与驶出路段所表征的道路行进方向之间的夹角。
可以根据驶入路段和驶出路段之间的夹角的数值大小,以及驶入路段和驶出路段之间的相对方位关系,生成由驶入路段到驶出路段的导航动作(即第一导航动作)。
作为示例,可以预先设置多个角度区间,据驶入路段和驶出路段之间的夹角所处的角度区间,并参考驶入路段和驶出路段之间的相对方位关系,生成第一导航动作。
例如,若夹角处于0~45°范围内,可以生成“直行”的导航动作;若夹角处于45°~135°范围内、且驶出路段在驶入路段的右侧,则可以生成“右转”的导航动作;若夹角处于135°~180°范围内、且驶出路段在驶入路段的右侧,则可以生成“右方道路掉头”的导航动作;若夹角处于45°~135°范围内、且驶出路段在驶入路段的左侧,则可以生成“左转”的导航动作;若夹角处于135°~180°范围内、且驶出路段在驶入路段的左侧,则可以生成“左方道路掉头”的导航动作。
上述基于夹角生成导航动作的方式,一方面在角度范围临界点处可能会生成错误的导航动作,另一方面且由于现实世界中路况比较复杂,基于角度计算生成导航动作的方式的准确性不能得到保证。
为此,本实施例提出,可以利用导航动作预测模型对基于上述方式生成的导航动作进行验证,以发现和/或纠正错误的导航动作。
具体地,在步骤S520,将包含驶入路段和驶出路段的图像数据输入预先训练好的导航动作预测模型,得到第二导航动作。
即,可以将包含驶入路段和驶出路段的图像数据作为预测样本,输入预先训练好的导航动作预测模型,得到该导航动作预测模型输出的预测结果(即第二导航动作)。
在步骤S530,比较第一导航动作与第二导航动作是否一致。
第一导航动作与第二导航动作一致或基本一致,可以认为基于夹角的导航动作生成方案生成的第一导航动作以及基于导航动作预测模型生成的第二导航动作,均是准确的。因此,若第一导航动作与第二导航动作一致或基本一致,则可以将第一导航动作或第二导航动作作为由驶入路段到驶出路段的导航动作(步骤S540)。
若第一导航动作与第二导航动作不一致,表明二者至少有一个是不准确的(甚至两个都是不准确的),此时可以将驶入路段和驶出路段标记为嫌疑样本,嫌疑样本可以交由相关人员通过人工校验的方式确定由该嫌疑样本表征的驶入路段到相应驶出路段的导航动作。
由此,导航动作预测模型可以用于对基于夹角的导航动作生成方案得到的导航动作(即第一导航动作)进行验证,从而可以解决只能靠路侧或用户反馈获取错误导航动作的问题。
以由提供导航服务的导航***执行本公开实施例的导航动作生成方法为例,导航***在生成路口处驶入路段到驶出路段的导航动作时,可以分别使用基于夹角的导航动作生成方式以及基于导航动作预测模型的导航动作生成方式,得到第一导航动作和第二导航动作,然后将第一导航动作和第二导航动作进行比对,若二者一致,则可以认为该导航动作是准确的,可以将其与驶入路段、驶出路段关联地存储在数据库中。若二者不一致,则可以将该驶入路段、驶出路段标记为嫌疑样本,对于嫌疑样本可以通过人工复检的方式确认由该嫌疑样本表征的驶入路段到驶出路段的导航动作。其中,导航***可以针对预定地理范围内各路口处的各种行驶路径,提前生成导航动作,使得在为用户提供在线导航服务时,可以根据用户所处位置直接获取预先生成的导航动作,而无需在线生成,从而可以提高用户的导航体验。
本公开的训练导航动作预测模型的方法可以实现为一种训练导航动作预测模型的装置。图6示出了根据本公开一个实施例的训练导航动作预测模型的装置的结构示意图。其中,训练导航动作预测模型的装置的功能单元可以由实现本公开原理的硬件、软件或硬件和软件的结合来实现。本领域技术人员可以理解的是,图6所描述的功能单元可以组合起来或者划分成子单元,从而实现上述发明的原理。因此,本文的描述可以支持对本文描述的功能单元的任何可能的组合、或者划分、或者更进一步的限定。
下面就训练导航动作预测模型的装置可以具有的功能单元以及各功能单元可以执行的操作做简要说明,对于其中涉及的细节部分可以参见上文相关描述,这里不再赘述。
参见图6,训练导航动作预测模型的装置600可以包括构造模块610和训练模块620。
构造模块610用于构造训练样本集,训练样本集包括一条或多条训练样本,训练样本为包含路口处的驶入路段和驶出路段的图像数据,训练样本的标记用于表征由驶入路段到驶出路段的导航动作。关于训练样本集的构造方式可以参见上文相关描述
训练模块620用于基于训练样本集训练导航动作预测模型。
作为示例,构造模块610还可以构造测试样本集,关于测试样本集可以参见上文相关描述。训练导航动作预测模型的装置600还可以包括输入模块和调整模块。输入模块用于将测试样本输入导航动作预测模型,得到导航动作预测模型输出的测试样本的第一预测导航动作;调整模块用于基于第一预测导航动作与第一真实导航动作之间的差异调整导航动作预测模型。训练模块620用于基于训练样本集训练调整后的导航动作预测模型。
可选地,构造模块610还可以构造验证样本集,关于验证样本集可以参见上文相关描述。训练导航动作预测模型的装置600还可以包括评估模块。其中,输入模块用于在基于所述训练样本集训练调整后的导航动作预测模型之后,将所述验证样本输入训练得到的导航动作预测模型,得到导航动作预测模型输出的所述验证样本的第二预测导航动作;评估模块用于基于所述第二预测导航动作与所述第二真实导航动作之间的差异评估所述导航动作预测模型。
可选地,训练导航动作预测模型的装置600还可以包括迭代模块,用于指令调整模块、训练模块620以及评估模块迭代执行基于测试样本集调整所述导航动作预测模型的步骤、基于训练样本集训练调整后的导航动作预测模型的步骤以及基于验证样本集评估所述导航动作预测模型的步骤,直至评估结果满足迭代终止条件。
本公开的导航动作生成方法可以实现为一种导航动作生成装置。
图7示出了根据本公开一个实施例的导航动作生成装置的结构示意图。其中,导航动作生成装置的功能单元可以由实现本公开原理的硬件、软件或硬件和软件的结合来实现。本领域技术人员可以理解的是,图7所描述的功能单元可以组合起来或者划分成子单元,从而实现上述发明的原理。因此,本文的描述可以支持对本文描述的功能单元的任何可能的组合、或者划分、或者更进一步的限定。
下面就导航动作生成装置可以具有的功能单元以及各功能单元可以执行的操作做简要说明,对于其中涉及的细节部分可以参见上文相关描述,这里不再赘述。
参见图7,导航动作生成装置700可以包括获取模块710和预测模块720。获取模块710用于获取预测样本,预测样本为包含路口处的驶入路段和驶出路段的图像数据。预测模块720用于将预测样本输入预先训练好的导航动作预测模型,得到导航动作预测模型输出的预测结果,预测结果用于表征由驶入路段到驶出路段的导航动作。其中,导航动作预测模型可以是使用本公开上文述及的训练方法得到的。
导航动作生成装置700还可以包括生成模块和输出模块。生成模块用于生成与所述导航动作对应的提示信息;输出模块用于输出所述提示信息。
图8示出了根据本公开另一个实施例的导航动作生成装置的结构示意图。其中,导航动作生成装置的功能单元可以由实现本公开原理的硬件、软件或硬件和软件的结合来实现。本领域技术人员可以理解的是,图7所描述的功能单元可以组合起来或者划分成子单元,从而实现上述发明的原理。因此,本文的描述可以支持对本文描述的功能单元的任何可能的组合、或者划分、或者更进一步的限定。
下面就导航动作生成装置可以具有的功能单元以及各功能单元可以执行的操作做简要说明,对于其中涉及的细节部分可以参见上文相关描述,这里不再赘述。
参见图8,导航动作生成装置800可以包括第一生成模块810、第二生成模块820、比较模块830以及确定模块840。
第一生成模块810用于基于路口处的驶入路段和驶出路段之间的夹角,生成第一导航动作;第二生成模块820用于将包含驶入路段和驶出路段的图像数据输入预先训练好的导航动作预测模型,得到第二导航动作;比较模块830用于比较第一导航动作与第二导航动作是否一致;确定模块840用于若第一导航动作与第二导航动作一致或基本一致,则将第一导航动作或第二导航动作作为由驶入路段到驶出路段的导航动作。其中,导航动作预测模型可以是使用本公开上文述及的训练方法得到的。
导航动作生成装置800还可以包括标记模块,用于若第一导航动作与第二导航动作不一致,则将驶入路段和驶出路段标记为嫌疑样本。
图9示出了根据本公开一实施例可用于实现上述导航动作预测模型训练方法或导航动作生成方法的计算设备的结构示意图。
参见图9,计算设备900包括存储器910和处理器920。
处理器920可以是一个多核的处理器,也可以包含多个处理器。在一些实施例中,处理器920可以包含一个通用的主处理器以及一个或多个特殊的协处理器,例如图形处理器(GPU)、数字信号处理器(DSP)等等。在一些实施例中,处理器920可以使用定制的电路实现,例如特定用途集成电路(ASIC,Application Specific Integrated Circuit)或者现场可编程逻辑门阵列(FPGA,Field Programmable Gate Arrays)。
存储器910可以包括各种类型的存储单元,例如***内存、只读存储器(ROM),和永久存储装置。其中,ROM可以存储处理器920或者计算机的其他模块需要的静态数据或者指令。永久存储装置可以是可读写的存储装置。永久存储装置可以是即使计算机断电后也不会失去存储的指令和数据的非易失性存储设备。在一些实施方式中,永久性存储装置采用大容量存储装置(例如磁或光盘、闪存)作为永久存储装置。另外一些实施方式中,永久性存储装置可以是可移除的存储设备(例如软盘、光驱)。***内存可以是可读写存储设备或者易失性可读写存储设备,例如动态随机访问内存。***内存可以存储一些或者所有处理器在运行时需要的指令和数据。此外,存储器910可以包括任意计算机可读存储媒介的组合,包括各种类型的半导体存储芯片(DRAM,SRAM,SDRAM,闪存,可编程只读存储器),磁盘和/或光盘也可以采用。在一些实施方式中,存储器910可以包括可读和/或写的可移除的存储设备,例如激光唱片(CD)、只读数字多功能光盘(例如DVD-ROM,双层DVD-ROM)、只读蓝光光盘、超密度光盘、闪存卡(例如SD卡、min SD卡、Micro-SD卡等等)、磁性软盘等等。计算机可读存储媒介不包含载波和通过无线或有线传输的瞬间电子信号。
存储器910上存储有可执行代码,当可执行代码被处理器920处理时,可以使处理器920执行上文述及的导航动作预测模型训练方法或导航动作生成方法。
上文中已经参考附图详细描述了根据本公开的导航动作预测模型训练方法、导航动作生成方法、装置及计算设备。
此外,根据本公开的方法还可以实现为一种计算机程序或计算机程序产品,该计算机程序或计算机程序产品包括用于执行本公开的上述方法中限定的上述各步骤的计算机程序代码指令。
或者,本公开还可以实施为一种非暂时性机器可读存储介质(或计算机可读存储介质、或机器可读存储介质),其上存储有可执行代码(或计算机程序、或计算机指令代码),当所述可执行代码(或计算机程序、或计算机指令代码)被电子设备(或计算设备、服务器等)的处理器执行时,使所述处理器执行根据本公开的上述方法的各个步骤。
本领域技术人员还将明白的是,结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。
附图中的流程图和框图显示了根据本公开的多个实施例的***和方法的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标记的功能也可以以不同于附图中所标记的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (18)
1.一种训练导航动作预测模型的方法,包括:
构造训练样本集,所述训练样本集包括一条或多条训练样本,所述训练样本为包含路口处的驶入路段和驶出路段的图像数据,所述训练样本的标记用于表征由所述驶入路段到所述驶出路段的导航动作;
基于所述训练样本集训练导航动作预测模型。
2.根据权利要求1所述的方法,其中,
所述导航动作预测模型为深度学习模型。
3.根据权利要求2所述的方法,其中,
所述导航动作预测模型为基于残差网络算法的深度学习模型。
4.根据权利要求1所述的方法,所述构造训练样本集的步骤包括:
从地图数据中抽取包含路口处的驶入路段和驶出路段的道路图像,将所述道路图像作为训练样本添加到训练样本集;以及/或者
将通过对包含路口处的驶入路段和驶出路段的道路进行拍摄得到的图像数据,作为训练样本添加到训练样本集;以及/或者
基于路口处的驶入路段信息和驶出路段信息,生成包含驶入路段和驶出路段的图片,将所述图片作为训练样本添加到训练样本集。
5.根据权利要求1所述的方法,还包括:
构造测试样本集,所述测试样本集包括一条或多条测试样本,所述测试样本为包含路口处的驶入路段和驶出路段的图像数据,所述测试样本的标记用于表征由所述驶入路段到所述驶出路段的第一真实导航动作;
将所述测试样本输入所述导航动作预测模型,得到所述导航动作预测模型输出的所述测试样本的第一预测导航动作;
基于所述第一预测导航动作与所述第一真实导航动作之间的差异调整所述导航动作预测模型;以及
基于所述训练样本集训练调整后的导航动作预测模型。
6.根据权利要求5所述的方法,还包括:
构造验证样本集,所述验证样本集包括一条或多条验证样本,所述验证样本为包含路口处的驶入路段和驶出路段的图像数据,所述验证样本的标记用于表征由所述驶入路段到所述驶出路段的第二真实导航动作;
在基于所述训练样本集训练调整后的导航动作预测模型之后,将所述验证样本输入训练得到的导航动作预测模型,得到导航动作预测模型输出的所述验证样本的第二预测导航动作;
基于所述第二预测导航动作与所述第二真实导航动作之间的差异评估所述导航动作预测模型。
7.根据权利要求6所述的方法,还包括:
迭代执行基于测试样本集调整所述导航动作预测模型的步骤、基于训练样本集训练调整后的导航动作预测模型的步骤以及基于验证样本集评估所述导航动作预测模型的步骤,直至评估结果满足迭代终止条件。
8.一种导航动作生成方法,包括:
获取预测样本,所述预测样本为包含路口处的驶入路段和驶出路段的图像数据;
将所述预测样本输入预先训练好的导航动作预测模型,得到所述导航动作预测模型输出的预测结果,所述预测结果用于表征由所述驶入路段到所述驶出路段的导航动作。
9.根据权利要求8所述的方法,其中,
所述导航动作预测模型是使用权利要求1至7中任一项所述的方法得到的。
10.根据权利要求8所述的方法,还包括:
生成与所述导航动作对应的提示信息;
输出所述提示信息。
11.一种导航动作生成方法,包括:
基于路口处的驶入路段和驶出路段之间的夹角,生成第一导航动作;
将包含所述驶入路段和所述驶出路段的图像数据输入预先训练好的导航动作预测模型,得到第二导航动作;
比较所述第一导航动作与所述第二导航动作是否一致;
若所述第一导航动作与所述第二导航动作一致或基本一致,则将所述第一导航动作或所述第二导航动作作为由所述驶入路段到所述驶出路段的导航动作。
12.根据权利要求11所述的方法,还包括:
若所述第一导航动作与所述第二导航动作不一致,则将所述驶入路段和所述驶出路段标记为嫌疑样本。
13.根据权利要求11所述的方法,其中,
所述导航动作预测模型是使用权利要求1至7中任一项所述的方法得到的。
14.一种训练导航动作预测模型的装置,包括:
构造模块,用于构造训练样本集,所述训练样本集包括一条或多条训练样本,所述训练样本为包含路口处的驶入路段和驶出路段的图像数据,所述训练样本的标记用于表征由所述驶入路段到所述驶出路段的导航动作;
训练模块,用于基于所述训练样本集训练导航动作预测模型。
15.一种导航动作生成装置,包括:
获取模块,用于获取预测样本,所述预测样本为包含路口处的驶入路段和驶出路段的图像数据;
预测模块,用于将所述预测样本输入预先训练好的导航动作预测模型,得到所述导航动作预测模型输出的预测结果,所述预测结果用于表征由所述驶入路段到所述驶出路段的导航动作。
16.一种导航动作生成装置,包括:
第一生成模块,用于基于路口处的驶入路段和驶出路段之间的夹角,生成第一导航动作;
第二生成模块,用于将包含所述驶入路段和所述驶出路段的图像数据输入预先训练好的导航动作预测模型,得到第二导航动作;
比较模块,用于比较所述第一导航动作与所述第二导航动作是否一致;
确定模块,用于若所述第一导航动作与所述第二导航动作一致或基本一致,则将所述第一导航动作或所述第二导航动作作为由所述驶入路段到所述驶出路段的导航动作。
17.一种计算设备,包括:
处理器;以及
存储器,其上存储有可执行代码,当所述可执行代码被所述处理器执行时,使所述处理器执行如权利要求1至12中任何一项所述的方法。
18.一种非暂时性机器可读存储介质,其上存储有可执行代码,当所述可执行代码被电子设备的处理器执行时,使所述处理器执行如权利要求1至12中任何一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110230215.2A CN113029146A (zh) | 2021-03-02 | 2021-03-02 | 导航动作预测模型训练方法、导航动作生成方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110230215.2A CN113029146A (zh) | 2021-03-02 | 2021-03-02 | 导航动作预测模型训练方法、导航动作生成方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113029146A true CN113029146A (zh) | 2021-06-25 |
Family
ID=76465471
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110230215.2A Pending CN113029146A (zh) | 2021-03-02 | 2021-03-02 | 导航动作预测模型训练方法、导航动作生成方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113029146A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102009024153A1 (de) * | 2009-06-05 | 2010-12-09 | Daimler Ag | Verfahren zur sukzessiven Prognostizierung eines mit einem Kraftfahrzeug zurückzulegenden wahrscheinlichsten Streckenabschnitts |
CN105277203A (zh) * | 2014-06-30 | 2016-01-27 | 高德信息技术有限公司 | 一种导航动作的生成方法、导航方法和设备 |
CN106340207A (zh) * | 2015-07-06 | 2017-01-18 | 空中客车运营简化股份公司 | 用于飞行器的飞行管理组件、监视该组件的方法和飞行器 |
CN110203128A (zh) * | 2019-06-18 | 2019-09-06 | 东风小康汽车有限公司重庆分公司 | 转向灯辅助模型的构建方法、转向灯自动控制方法及*** |
CN110705717A (zh) * | 2019-09-30 | 2020-01-17 | 支付宝(杭州)信息技术有限公司 | 计算机执行的机器学习模型的训练方法、装置及设备 |
CN111340880A (zh) * | 2020-02-17 | 2020-06-26 | 北京百度网讯科技有限公司 | 用于生成预测模型的方法和装置 |
-
2021
- 2021-03-02 CN CN202110230215.2A patent/CN113029146A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102009024153A1 (de) * | 2009-06-05 | 2010-12-09 | Daimler Ag | Verfahren zur sukzessiven Prognostizierung eines mit einem Kraftfahrzeug zurückzulegenden wahrscheinlichsten Streckenabschnitts |
CN105277203A (zh) * | 2014-06-30 | 2016-01-27 | 高德信息技术有限公司 | 一种导航动作的生成方法、导航方法和设备 |
CN106340207A (zh) * | 2015-07-06 | 2017-01-18 | 空中客车运营简化股份公司 | 用于飞行器的飞行管理组件、监视该组件的方法和飞行器 |
CN110203128A (zh) * | 2019-06-18 | 2019-09-06 | 东风小康汽车有限公司重庆分公司 | 转向灯辅助模型的构建方法、转向灯自动控制方法及*** |
CN110705717A (zh) * | 2019-09-30 | 2020-01-17 | 支付宝(杭州)信息技术有限公司 | 计算机执行的机器学习模型的训练方法、装置及设备 |
CN111340880A (zh) * | 2020-02-17 | 2020-06-26 | 北京百度网讯科技有限公司 | 用于生成预测模型的方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190204088A1 (en) | Utilizing artificial neural networks to evaluate routes based on generated route tiles | |
Schuessler et al. | Map-matching of GPS traces on high-resolution navigation networks using the Multiple Hypothesis Technique (MHT) | |
CN106574975A (zh) | 使用***信号的轨迹匹配 | |
CN108399752A (zh) | 一种驾驶违章预判方法、装置、服务器和介质 | |
US9714835B2 (en) | Navigation system, navigation server, navigation client, and navigation method | |
KR20160074998A (ko) | 네비게이션 시스템 및 그에 의한 경로 예측 방법, 그리고 이를 실행하는 컴퓨터 판독 가능한 기록매체 | |
CN109074361A (zh) | 信息提供***、信息提供装置和信息提供方法 | |
Montewka et al. | Toward a hybrid model of ship performance in ice suitable for route planning purpose | |
CN111401255B (zh) | 用于识别分歧路口的方法和装置 | |
WO2018058888A1 (zh) | 一种街景图像的识别方法、装置、服务器及存储介质 | |
CN111651538B (zh) | 一种位置映射方法、装置、设备及可读存储介质 | |
CN106383888A (zh) | 一种利用图片检索定位导航的方法 | |
CN112815948B (zh) | 识别偏航模式的方法、装置、计算机设备和存储介质 | |
WO2021138369A1 (en) | Processing map data for human quality check | |
CN105387844B (zh) | 路面状况测定***以及路面状况测定方法 | |
CN109872360A (zh) | 定位方法及装置、存储介质、电子终端 | |
Bandil et al. | Geodart: A system for discovering maps discrepancies | |
CN114396956A (zh) | 导航方法及装置、计算设备、存储介质和计算机程序产品 | |
Goeddel et al. | DART: A particle-based method for generating easy-to-follow directions | |
CN109740598A (zh) | 结构化场景下的目标定位方法及装置 | |
CN106338292A (zh) | 步行路径的处理方法及装置 | |
CN113029146A (zh) | 导航动作预测模型训练方法、导航动作生成方法及装置 | |
Berjisian et al. | Evaluation of map‐matching algorithms for smartphone‐based active travel data | |
US9110921B2 (en) | Map editing with little user input | |
CN113029196B (zh) | 导航应用测试方法及测试平台 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |