CN118053052B - 一种无监督的高精矢量地图元素异常检测方法 - Google Patents
一种无监督的高精矢量地图元素异常检测方法 Download PDFInfo
- Publication number
- CN118053052B CN118053052B CN202410457517.7A CN202410457517A CN118053052B CN 118053052 B CN118053052 B CN 118053052B CN 202410457517 A CN202410457517 A CN 202410457517A CN 118053052 B CN118053052 B CN 118053052B
- Authority
- CN
- China
- Prior art keywords
- elements
- vector
- vector element
- relative spatial
- line segment
- 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.)
- Active
Links
- 239000013598 vector Substances 0.000 title claims abstract description 267
- 238000001514 detection method Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 55
- 230000002159 abnormal effect Effects 0.000 claims abstract description 41
- 230000001788 irregular Effects 0.000 claims abstract description 20
- 238000013450 outlier detection Methods 0.000 claims abstract description 19
- 238000003860 storage Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 238000010276 construction Methods 0.000 claims description 13
- 241000283070 Equus zebra Species 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000009826 distribution Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 230000006872 improvement Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 4
- 238000002372 labelling Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Abstract
本说明书公开了一种无监督的高精矢量地图元素异常检测方法,可以将高精地图中各矢量元素分为线段元素、长线元素以及不规则元素,并基于三类元素构建空间检索树KD‑Tree,而后可以针对每类元素,根据KD‑Tree构建该类元素对应的相对空间关系特征,最后,可以根据各类元素对应的相对空间关系特征,通过预设的离群点检测方法,对各矢量元素进行异常元素检测,本发明提出了一种自动化的针对高精矢量地图的异常检测算法,可以在已构建好的高精矢量地图中无监督、自动化地检测出可能存在错误的异常元素,相较于人工的地图核准工作,能够利用自动化算法降低重复性劳动,同时能够大大提升自动驾驶地图部署效率,降低错误元素的漏检率。
Description
技术领域
本说明书涉及人工智能技术领域,尤其涉及一种无监督的高精矢量地图元素异常检测方法。
背景技术
在无人驾驶技术中,高精地图是不可或缺的一项技术,高精矢量地图记录了无人设备在城市环境进行自主导航所需的高层语义信息,包括但不限于车道线、路面标识、指示牌和行道树等,如图1所示。
图1为本说明书中提供的一种高精矢量地图的可视化示例。
然而,受限于算法误检和人工的绘图错误,高精矢量地图中不可避免的会出现异常的矢量,为机器人定位和导航安全增加了潜在的隐患。因此,如何自动化检测出高精矢量地图中的异常矢量,是自主导航领域的关键问题之一。
现阶段,高精矢量地图的构建需要预先采集激光雷达的点云数据,通过同时定位与建图(SLAM)技术,构建出全局一致的高精点云地图。然后,在高精点云地图中通过人工标注或模型检测环境语义信息,并生成对应类别的矢量,最终生成高精矢量地图。然而,基于模型的检测正确率在真实环境中很难达到100%,而基于人工绘制的方法严重依赖于绘图人员对于环境的认知,这不可避免地会导致高精矢量地图中存在错误的矢量元素,最终为机器人的定位和规划控制带来风险。
然而,现阶段缺少针对高精矢量地图的异常自动化检测算法,判断地图的元素的正确性通常依赖于地图可视化后的人工判断。在大规模的地图里,人工逐一判断矢量元素的正确性,不仅存在漏检的风险,而且严重降低了自动驾驶地图部署的效率。
为解决上述问题,本发明提出了一种无监督的高精矢量地图的异常检测算法。在无需人工标注和人工判断的基础上,构建矢量元素的相对空间关系特征。并通过对相对空间关系特征的分布拟合,自动化检测出与其他元素具有明显差异的异常元素。绘图人员能够通过输出的异常元素,快速定位并修正地图中的错误,从而提升地图部署的效率和正确性。
发明内容
本说明书提供一种无监督的高精矢量地图元素异常检测方法,以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案:
本说明书提供了一种无监督的高精矢量地图元素异常检测方法,包括:
将高精地图中各矢量元素分为三类元素,并基于所述三类元素构建空间检索树KD-Tree,所述三类元素包括线段元素、长线元素以及不规则元素;
针对每类元素,根据所述KD-Tree,构建该类元素对应的相对空间关系特征,针对该类元素中的每个矢量元素,该矢量元素的相对空间关系特征,用于表示该矢量元素与该类元素中邻近矢量元素在空间上的距离关系和/或差异关系;
根据各类元素对应的相对空间关系特征,通过预设的离群点检测方法,对所述各矢量元素进行异常元素检测。
可选地,所述线段元素包括短车道线、斑马线、灯杆、树干中的至少一种矢量元素,所述长线元素包括长车道线、路沿中的至少一种矢量元素,所述不规则元素包括箭头元素、减速标识、限速标识、路面标示牌中的至少一种矢量元素。
可选地,根据该类元素对应的KD-Tree,构建该类元素对应的相对空间关系特征,具体包括:
当该类元素为线段元素时,通过所述 KD-Tree,针对该类元素中每个矢量元素,检索出该矢量元素预设邻域范围内的周围线段元素,并确定出该矢量元素与所述周围线段元素之间的中点平均距离、中点到线平均距离、平均方向夹角余弦值、平均高度差、平均长度差;
通过所述 KD-Tree,检索出该矢量元素预设邻域范围内的周围长线元素,并确定出该矢量元素与所述周围长线元素中距离最近的线段之间的点到线平均距离和平均方向夹角余弦值;
通过所述 KD-Tree,检索出与该矢量元素距离最近的线段元素,并确定出该矢量元素与所述距离最近的线段元素之间的中点距离和方向夹角余弦值;
将特征向量,作为该矢量元素的相对空间关系特征。
可选地,根据该类元素对应的KD-Tree,构建该类元素对应的相对空间关系特征,具体包括:
当该类元素为长线元素时,针对该类元素中的每个矢量元素,将该矢量元素分为若干线段元素;
通过所述KD-Tree,针对该矢量元素中的每个线段元素,确定该线段元素与预设邻域范围内线段元素之间的中点平均距离、中点到线平均距离、平均方向夹角余弦值、平均长度差,以及确定该线段元素与预设邻域范围内长线元素中距离最近的线段之间的点到线平均距离和平均方向夹角余弦值,以及确定该线段元素与距离最近的线段元素之间的中点距离和方向夹角余弦值,以得到该线段元素对应的相对空间关系特征;
根据该矢量元素中的各线段元素对应的相对空间关系特征,确定该矢量元素对应的相对空间关系特征。
可选地,根据该类元素对应的KD-Tree,构建该类元素对应的相对空间关系特征,具体包括:
当该类元素为不规则元素时,针对该类元素中的每个矢量元素,通过所述KD-Tree,检索出该矢量元素预设邻域范围内的周围长线元素,并确定出该矢量元素的中点与所述周围长线元素之间的距离,作为该矢量元素对应的相对空间关系特征。
可选地,根据各类元素对应的相对空间关系特征,通过预设的离群点检测方法,对所述各矢量元素进行异常元素检测,具体包括:
首先将每个矢量元素单独作为一个聚类簇;
在此后的每一轮迭代中,针对每个聚类簇,确定与该聚类簇相对空间关系特征的平均距离最小的聚类簇,作为目标聚类簇,若该聚类簇与所述目标聚类簇之间相对空间关系特征的平均距离小于预设阈值,则将该聚类簇与所述目标聚类簇合并,直到两个最小平均距离的聚类簇之间的平均距离大于所述预设阈值,所述预设阈值为,其中,为各矢量元素的相对空间关系特征的模长均值,为各矢量元素的相对空间关系特征的模长标准差;
将簇内矢量元素的数量小于预设数量的聚类簇,作为异常聚类簇,并将所述异常聚类簇内的矢量元素,作为异常元素。
可选地,根据各类元素对应的相对空间关系特征,通过预设的离群点检测方法,对所述各矢量元素进行异常元素检测,具体包括:
针对每个矢量元素,通过以下公式确定该矢量元素与预设特征邻域内的其他矢量元素之间的关联指标:
其中,c为关联指标,为该矢量元素对应的相对空间关系特征,为该矢量元素预设特征邻域内的第个矢量元素的相对空间关系特征,为所述预设特征邻域的半径,为各矢量元素的相对空间关系特征的模长均值,为各矢量元素的相对空间关系特征的模长标准差;
若所述关联指标小于指定阈值,将该矢量元素作为异常元素。
本说明书提供了一种无监督的高精矢量地图元素异常检测装置,包括:
检索树构建模块,用于将高精地图中各矢量元素分为三类元素,并基于所述三类元素构建空间检索树KD-Tree,所述三类元素包括线段元素、长线元素以及不规则元素;
特征构建模块,用于针对每类元素,根据所述KD-Tree,构建该类元素对应的相对空间关系特征,针对该类元素中的每个矢量元素,该矢量元素的相对空间关系特征,用于表示该矢量元素与该类元素中邻近矢量元素在空间上的距离关系和/或差异关系;
检测模块,用于根据各类元素对应的相对空间关系特征,通过预设的离群点检测方法,对所述各矢量元素进行异常元素检测。
本说明书提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述无监督的高精矢量地图元素异常检测方法。
本说明书提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述无监督的高精矢量地图元素异常检测方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果:
从上述一种无监督的高精矢量地图元素异常检测方法中,可以将高精地图中各矢量元素分为三类元素,并基于三类元素构建空间检索树KD-Tree,三类元素包括线段元素、长线元素以及不规则元素,而后可以针对每类元素,根据KD-Tree,构建该类元素对应的相对空间关系特征,针对该类元素中的每个矢量元素,该矢量元素的相对空间关系特征,用于表示该矢量元素与该类元素中邻近矢量元素在空间上的距离关系和/或差异关系,最后,可以根据各类元素对应的相对空间关系特征,通过预设的离群点检测方法,对各矢量元素进行异常元素检测。
从上述内容中可以看出,本发明提出了一种自动化的针对高精矢量地图的异常检测算法,可以在已构建好的高精矢量地图中无监督、自动化地检测出可能存在错误的异常元素,相较于人工的地图核准工作,自动化算法能够利用自动化算法降低重复性劳动,同时能够大大提升自动驾驶地图部署效率,降低错误元素的漏检率。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书中提供的一种高精矢量地图的可视化示例;
图2为本说明书提供的一种无监督的高精矢量地图元素异常检测方法的流程示意图;
图3为本说明书中提供的一种对高精矢量地图中各矢量元素的异常检测方法的流程示意图;
图4为本说明书提供的一种无监督的高精矢量地图元素异常检测装置示意图;
图5为本说明书提供的对应于图2的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本说明书保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图2为本说明书中提供的一种无监督的高精矢量地图元素异常检测方法的流程示意图,具体包括以下步骤:
S200:将高精地图中各矢量元素分为三类元素,并基于所述三类元素构建空间检索树KD-Tree,所述三类元素包括线段元素、长线元素以及不规则元素。
在本说明书中,给出一种自动化的方式对高精地图中的各矢量元素进行自动化的异常检测,大致流程可以如图3所示。
图3为本说明书中提供的一种对高精矢量地图中各矢量元素的异常检测方法的流程示意图。
首先,服务器可以将高精地图中各矢量元素分为三类元素,并基于三类元素构建空间检索树KD-Tree,三类元素包括线段元素、长线元素以及不规则元素。
其中,高精地图中往往包含各种各样语义的矢量元素,线段元素可以包括短车道线、斑马线、灯杆、树干等,在高精地图被表达为标签和线段端点,表示为,、分别为线段端点的坐标;长线元素可以包括长车道线、路沿等具有连续性的矢量元素,在矢量地图中由语义标签和长线沿线点集合构成,表示为,为长线沿线点的坐标;不规则元素包括箭头元素、减速标识、限速标识、路面标示牌等,在矢量地图中由语义标签和元素中心构成,表示为,为元素中心的坐标。
而后,可以基于三类元素构建空间检索树KD-Tree,KD-Tree是一种基于空间划分的数据结构,常用于高维空间中的邻近搜索,支持范围搜索和最近邻搜索。对于线段元素,可以将元素的两个端点加入到KD-Tree的构建中。对于长线元素,可以将所有沿线点加入到KD-Tree的构建中。而不规则元素,可以将其中心点加入到KD-Tree的构建过程中。这样,KD-Tree构建完成后,可利用KD-Tree的树型结构快速检索到当前元素周围指定范围内的邻近元素和最临近元素。相较于传统的遍历搜索,基于KD-Tree的搜索具有更低的时间复杂度,提升搜索效率。
S202:针对每类元素,根据所述KD-Tree,构建该类元素对应的相对空间关系特征,针对该类元素中的每个矢量元素,该矢量元素的相对空间关系特征,用于表示该矢量元素与该类元素中邻近矢量元素在空间上的距离关系和/或差异关系。
而后,可以针对上述每类元素,根据KD-Tree,构建该类元素对应的相对空间关系特征,其中,针对该类元素中的每个矢量元素,该矢量元素的相对空间关系特征,可以表示出该矢量元素与该类元素中邻近矢量元素在空间上的距离关系和/或差异关系,或者说可以表示出该矢量元素与邻近矢量元素在空间上的距离关系和/或差异关系。
1、线段元素;
当该类元素为线段元素时,可以通 KD-Tree,针对该类元素中每个矢量元素,检索出该矢量元素预设邻域范围(如附近20m的范围)内的周围线段元素,形成周围线段元素集合可表示为,其中,为该矢量元素预设邻域范围内的周围线段元素数量,。
确定出该矢量元素与前述周围线段元素之间的中点平均距离、中点到线平均距离、平均方向夹角余弦值、平均高度差、平均长度差。
其中,中点平均距离的计算公式为:
(1)
中点到线平均距离的计算公式为:
(2)
平均方向夹角余弦值的计算公式为:
(3)
平均高度差的计算公式为:
(4)
其中,公式(4)中的和分别为该矢量元素在z轴上(即竖直方向上)的两个端点坐标,和为该矢量元素的周围线段元素在z轴上(即竖直方向上)的两个端点坐标。
平均长度差的计算公式为:
(5)
并且,可以通过KD-Tree,检索出该矢量元素预设邻域范围内的周围长线元素,周围长线元素集合可以表示为,其中,为该矢量元素预设邻域范围内的周围长线元素的数量,,而后,可以通过公式(2)和公式(3),确定出该矢量元素与周围长线元素中距离最近的线段之间的点到线平均距离和平均方向夹角余弦值。
还可以通过 KD-Tree,检索出与该矢量元素距离最近的线段元素,并确定出该矢量元素与距离最近的线段元素之间的中点距离和方向夹角余弦值。
此时,对于元素,将计算的结果组成一个9维特征向量,这个特征向量能够在一定程度上定量表达线段元素和周围元素之间的空间关系。
2、长线元素:
当该类元素为长线元素时。针对该类元素中的每个矢量元素,可以先将该矢量元素分为若干线段元素,即,长线元素存在多个沿线点,且沿线点的个数和间隔均可能存在差异。因此,为了更好地对长线元素局部空间关系进行建模,需要将长线元素按照沿线点的顺序分割为线段元素的集合,表示为。
而后,可以按照类似上述确定线段元素的相对空间关系特征的方式,确定出长线元素中各线段元素的特征,进而确定出该长线元素的相对空间关系特征,即,对于长线元素分割出的每一个线段元素,可以分别上述对线段元素相对空间关系特征的计算方法,计算,需要注意的是,针对长线元素可以不计算线段和周围元素之间的平均长度差,因为长线元素中的沿线点间隔可能存在不一致的情况。
此时针对一个长线中的线段元素,形成一个8维的特征向量。最终,对于长线元素,其局部空间关系特征可由内部的线段特征求平均得到,即:
(5)
2、不规则元素:
对于不规则元素,由于其在地图中的分布通常较为稀疏,且周围通常存在路沿或长车道线等元素,因此,可以计算其中点至周围长线元素 间的点到线距离作为局部空间关系特征的元素,即。
即,当该类元素为不规则元素时,可以针对该类元素中的每个矢量元素,通过KD-Tree,检索出该矢量元素预设邻域范围内的周围长线元素,并确定出该矢量元素的中点与周围长线元素之间的距离,作为该矢量元素对应的相对空间关系特征。
S204:根据各类元素对应的相对空间关系特征,通过预设的离群点检测方法,对所述各矢量元素进行异常元素检测。
通过步骤S202,可以将按照所属类型,将每个矢量元素的相对空间关系确定出,而后,可以通过确定出的相对空间关系特征,通过预设的离群点检测方法,对各矢量元素进行异常元素检测。
经过相对空间关系特征(局部的关系特征)提取后,矢量元素与周围元素之间的空间关系得到数学建模。通常,城市道路上的各类标识元素之间的空间关系存在服从于人为指定的规则,在不同的路段具有高度的重复性,且高精矢量地图中绝大部分的语义元素为正确元素,仅存在少量异常元素。基于这个假设,本发明提出一种无监督的局部空间关系特征离群点检测方法,能够在无需人工标注或人为判断的前提下检测出局部空间关系特征的离群点,从而检测出高精矢量地图中的异常元素。具体而言,若一个元素的局部空间关系特征和地图内其他元素的特征相似度低,且在特征空间的分布中呈离散分布,则说明这个元素与周围元素之间的关系较为异常,很可能不服从交通标识的设置规则,这个元素越有可能为异常元素。
需要说明的是,在进行离群点检测之前,由于相对空间关系特征内部元素量纲不同,可以先将各矢量元素的相对空间关系特征在不同维度上的数值进行标准化(归一化),选用z-score方法,通过拟合特征各个维度的均值和方差,将局部空间关系特征投影到每个维度满足均值为0,标准差为1的特征空间中。接着,在标准化后的局部空间关系特征上,本发明分别从全局特征分布和局部关联一致性的角度,对三种不同类型的矢量元素的相对空间关系特征进行离群点检测。
1、基于全局特征分布的离群点检测:
通常情况下,正确元素地图中均服从交通标识设置的规则,具有重复性,其相对空间关系特征在特征空间中的分布应该较为聚集。与此相对,异常元素在特征空间呈离散分布,且难以与正常元素聚类到相同的聚类簇中,因此可利用凝聚型分层聚类将提取的相对空间关系特征进行聚类。若某个聚类簇中的特征数量较少,则可以认为其为离群点,对应的矢量元素为异常元素。
首先,可以将所有矢量元素的相对空间关系特征共同加入到一个特征集合中。然后,利用凝聚型分层聚类将相似的特征聚集为相同的类别。具体的,首先可以将特征集合中每个矢量元素的相对空间关系特征单独作为一个聚类簇,在此后的每一轮迭代中,针对每个聚类簇,确定与该聚类簇相对空间关系特征的平均距离最小的聚类簇,作为目标聚类簇,若该聚类簇与所述目标聚类簇之间相对空间关系特征的平均距离小于预设阈值,则将该聚类簇与所述目标聚类簇合并,直到两个最小平均距离的聚类簇之间的平均距离大于该预设阈值。
其中,上述预设阈值可以为,为各矢量元素的相对空间关系特征的模长均值,为各矢量元素的相对空间关系特征的模长标准差。
通过层次聚类,可以得到多个特征簇,其中每个特征簇都包含具有相似特征分布的语义元素,可以将最终簇内矢量元素的数量小于预设数量(可以设为3)的聚类簇,作为异常聚类簇,并将异常聚类簇内的矢量元素,作为异常元素。
2、基于局部关联一致性的离群点检测:
基于全局特征分布的离群点检测法考虑特征在特征空间的整体性分布,为了减少异常元素漏检,本发明还提出了基于局部关联一致性的离群点检测算法。不同于全局方法,局部方法更关注特征与特征空间邻域范围内的其他特征的关联性,从而判断当前特征是否为离散值。
具体的,针对每个矢量元素,可以通过以下公式确定该矢量元素与预设特征邻域内的其他矢量元素之间的关联指标:
其中,c为关联指标,为该矢量元素对应的相对空间关系特征,为该矢量元素预设特征邻域内的第个矢量元素的相对空间关系特征,为所述预设特征邻域的半径,为各矢量元素的相对空间关系特征的模长均值,为各矢量元素的相对空间关系特征的模长标准差;
若上述关联指标小于指定阈值,则说明这个矢量元素的特征在特征空间上分布局部聚集性较差,呈独立或分散分布,因此其对应的语义元素很可能不服从道路标识元素的设置规则,则可以将该矢量元素作为异常元素。
基于全局特征分布和局部关联一致性的两种离群点检测方法,可以将可能存在异常的矢量元素在高精地图中标记出来并加以可视化,以帮助地图核准人员对地图进行校验和修复。
需要说明的是,为了便于描述,将执行本方法的执行主体作为服务器进行描述,本方法的执行主体可以是计算机、控制器、服务器等,在此不进行限定,还需说明的是,在不冲突的情况下,下述的实施例及实施方式中的特征可以相互组合。
以上为本说明书的一个或多个无监督的高精矢量地图元素异常检测方法,基于同样的思路,本说明书还提供了无监督的高精矢量地图元素异常检测装置,如图4所示。
图4为本说明书提供的一种无监督的高精矢量地图元素异常检测装置示意图:
检索树构建模块401,用于将高精地图中各矢量元素分为三类元素,并基于所述三类元素构建空间检索树KD-Tree,所述三类元素包括线段元素、长线元素以及不规则元素;
特征构建模块402,用于针对每类元素,根据所述KD-Tree,构建该类元素对应的相对空间关系特征,针对该类元素中的每个矢量元素,该矢量元素的相对空间关系特征,用于表示该矢量元素与该类元素中邻近矢量元素在空间上的距离关系和/或差异关系;
检测模块403,用于根据各类元素对应的相对空间关系特征,通过预设的离群点检测方法,对所述各矢量元素进行异常元素检测。
可选地,所述线段元素包括短车道线、斑马线、灯杆、树干中的至少一种矢量元素,所述长线元素包括长车道线、路沿中的至少一种矢量元素,所述不规则元素包括箭头元素、减速标识、限速标识、路面标示牌中的至少一种矢量元素。
可选地,所述特征构建模块402具体用于,当该类元素为线段元素时,通过所述KD-Tree,针对该类元素中每个矢量元素,检索出该矢量元素预设邻域范围内的周围线段元素,并确定出该矢量元素与所述周围线段元素之间的中点平均距离、中点到线平均距离、平均方向夹角余弦值、平均高度差、平均长度差;通过所述 KD-Tree,检索出该矢量元素预设邻域范围内的周围长线元素,并确定出该矢量元素与所述周围长线元素中距离最近的线段之间的点到线平均距离和平均方向夹角余弦值;通过所述KD-Tree,检索出与该矢量元素距离最近的线段元素,并确定出该矢量元素与所述距离最近的线段元素之间的中点距离和方向夹角余弦值;将特征向量,作为该矢量元素的相对空间关系特征。
可选地,所述特征构建模块402具体用于,当该类元素为长线元素时,针对该类元素中的每个矢量元素,将该矢量元素分为若干线段元素;通过所述KD-Tree,针对该矢量元素中的每个线段元素,确定该线段元素与预设邻域范围内线段元素之间的中点平均距离、中点到线平均距离、平均方向夹角余弦值、平均长度差,以及确定该线段元素与预设邻域范围内长线元素中距离最近的线段之间的点到线平均距离和平均方向夹角余弦值,以及确定该线段元素与距离最近的线段元素之间的中点距离和方向夹角余弦值,以得到该线段元素对应的相对空间关系特征;根据该矢量元素中的各线段元素对应的相对空间关系特征,确定该矢量元素对应的相对空间关系特征。
可选地,所述特征构建模块402具体用于,当该类元素为不规则元素时,针对该类元素中的每个矢量元素,通过所述KD-Tree,检索出该矢量元素预设邻域范围内的周围长线元素,并确定出该矢量元素的中点与所述周围长线元素之间的距离,作为该矢量元素对应的相对空间关系特征。
可选地,所述检测模块403具体用于,首先将每个矢量元素单独作为一个聚类簇;在此后的每一轮迭代中,针对每个聚类簇,确定与该聚类簇相对空间关系特征的平均距离最小的聚类簇,作为目标聚类簇,若该聚类簇与所述目标聚类簇之间相对空间关系特征的平均距离小于预设阈值,则将该聚类簇与所述目标聚类簇合并,直到两个最小平均距离的聚类簇之间的平均距离大于所述预设阈值,所述预设阈值为,其中,为各矢量元素的相对空间关系特征的模长均值,为各矢量元素的相对空间关系特征的模长标准差;将簇内矢量元素的数量小于预设数量的聚类簇,作为异常聚类簇,并将所述异常聚类簇内的矢量元素,作为异常元素。
可选地,检测模块403具体用于,针对每个矢量元素,通过以下公式确定该矢量元素与预设特征邻域内的其他矢量元素之间的关联指标:,其中,c为关联指标,为该矢量元素对应的相对空间关系特征,为该矢量元素预设特征邻域内的第个矢量元素的相对空间关系特征,为所述预设特征邻域的半径,为各矢量元素的相对空间关系特征的模长均值,为各矢量元素的相对空间关系特征的模长标准差;若所述关联指标小于指定阈值,将该矢量元素作为异常元素。
本说明书还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述无监督的高精矢量地图元素异常检测方法。
本说明书还提供了图5所示的电子设备的示意结构图。如图5所述,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述无监督的高精矢量地图元素异常检测方法。
当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device, PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字***“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的***、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、***、或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、***或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (8)
1.一种无监督的高精矢量地图元素异常检测方法,其特征在于,包括:
将高精地图中各矢量元素分为三类元素,并基于所述三类元素构建空间检索树KD-Tree,所述三类元素包括线段元素、长线元素以及不规则元素;
针对每类元素,根据所述KD-Tree,构建该类元素对应的相对空间关系特征,针对该类元素中的每个矢量元素,该矢量元素的相对空间关系特征,用于表示该矢量元素与该类元素中邻近矢量元素在空间上的距离关系和/或差异关系,其中,当该类元素为线段元素时,通过所述 KD-Tree,针对该类元素中每个矢量元素,检索出该矢量元素预设邻域范围内的周围线段元素,并确定出该矢量元素与所述周围线段元素之间的中点平均距离、中点到线平均距离、平均方向夹角余弦值、平均高度差、平均长度差,通过所述 KD-Tree,检索出该矢量元素预设邻域范围内的周围长线元素,并确定出该矢量元素与所述周围长线元素中距离最近的线段之间的点到线平均距离和平均方向夹角余弦值,通过所述 KD-Tree,检索出与该矢量元素距离最近的线段元素,并确定出该矢量元素与所述距离最近的线段元素之间的中点距离和方向夹角余弦值,将特征向量,作为该矢量元素的相对空间关系特征;
根据各类元素对应的相对空间关系特征,通过预设的离群点检测方法,对所述各矢量元素进行异常元素检测,其中,将每个矢量元素单独作为一个聚类簇,在此后的每一轮迭代中,针对每个聚类簇,确定与该聚类簇相对空间关系特征的平均距离最小的聚类簇,作为目标聚类簇,若该聚类簇与所述目标聚类簇之间相对空间关系特征的平均距离小于预设阈值,则将该聚类簇与所述目标聚类簇合并,直到两个最小平均距离的聚类簇之间的平均距离大于所述预设阈值,所述预设阈值为,为各矢量元素的相对空间关系特征的模长均值,为各矢量元素的相对空间关系特征的模长标准差,将簇内矢量元素的数量小于预设数量的聚类簇,作为异常聚类簇,并将所述异常聚类簇内的矢量元素,作为异常元素。
2.如权利要求1所述的方法,其特征在于,所述线段元素包括短车道线、斑马线、灯杆、树干中的至少一种矢量元素,所述长线元素包括长车道线、路沿中的至少一种矢量元素,所述不规则元素包括箭头元素、减速标识、限速标识、路面标示牌中的至少一种矢量元素。
3.如权利要求1所述的方法,其特征在于,根据该类元素对应的KD-Tree,构建该类元素对应的相对空间关系特征,具体包括:
当该类元素为长线元素时,针对该类元素中的每个矢量元素,将该矢量元素分为若干线段元素;
通过所述KD-Tree,针对该矢量元素中的每个线段元素,确定该线段元素与预设邻域范围内线段元素之间的中点平均距离、中点到线平均距离、平均方向夹角余弦值、平均长度差,以及确定该线段元素与预设邻域范围内长线元素中距离最近的线段之间的点到线平均距离和平均方向夹角余弦值,以及确定该线段元素与距离最近的线段元素之间的中点距离和方向夹角余弦值,以得到该线段元素对应的相对空间关系特征;
根据该矢量元素中的各线段元素对应的相对空间关系特征,确定该矢量元素对应的相对空间关系特征。
4.如权利要求1所述的方法,其特征在于,根据该类元素对应的KD-Tree,构建该类元素对应的相对空间关系特征,具体包括:
当该类元素为不规则元素时,针对该类元素中的每个矢量元素,通过所述KD-Tree,检索出该矢量元素预设邻域范围内的周围长线元素,并确定出该矢量元素的中点与所述周围长线元素之间的距离,作为该矢量元素对应的相对空间关系特征。
5.如权利要求1所述的方法,其特征在于,根据各类元素对应的相对空间关系特征,通过预设的离群点检测方法,对所述各矢量元素进行异常元素检测,具体包括:
针对每个矢量元素,通过以下公式确定该矢量元素与预设特征邻域内的其他矢量元素之间的关联指标:
;
其中,c为关联指标,为该矢量元素对应的相对空间关系特征,为该矢量元素预设特征邻域内的第个矢量元素的相对空间关系特征,为所述预设特征邻域的半径,为各矢量元素的相对空间关系特征的模长均值,为各矢量元素的相对空间关系特征的模长标准差;
若所述关联指标小于指定阈值,将该矢量元素作为异常元素。
6.一种无监督的高精矢量地图元素异常检测装置,其特征在于,包括:
检索树构建模块,用于将高精地图中各矢量元素分为三类元素,并基于所述三类元素构建空间检索树KD-Tree,所述三类元素包括线段元素、长线元素以及不规则元素;
特征构建模块,用于针对每类元素,根据所述KD-Tree,构建该类元素对应的相对空间关系特征,针对该类元素中的每个矢量元素,该矢量元素的相对空间关系特征,用于表示该矢量元素与该类元素中邻近矢量元素在空间上的距离关系和/或差异关系,其中,当该类元素为线段元素时,通过所述 KD-Tree,针对该类元素中每个矢量元素,检索出该矢量元素预设邻域范围内的周围线段元素,并确定出该矢量元素与所述周围线段元素之间的中点平均距离、中点到线平均距离、平均方向夹角余弦值、平均高度差、平均长度差,通过所述 KD-Tree,检索出该矢量元素预设邻域范围内的周围长线元素,并确定出该矢量元素与所述周围长线元素中距离最近的线段之间的点到线平均距离和平均方向夹角余弦值,通过所述 KD-Tree,检索出与该矢量元素距离最近的线段元素,并确定出该矢量元素与所述距离最近的线段元素之间的中点距离和方向夹角余弦值,将特征向量,作为该矢量元素的相对空间关系特征;
检测模块,用于根据各类元素对应的相对空间关系特征,通过预设的离群点检测方法,对所述各矢量元素进行异常元素检测,其中,将每个矢量元素单独作为一个聚类簇,在此后的每一轮迭代中,针对每个聚类簇,确定与该聚类簇相对空间关系特征的平均距离最小的聚类簇,作为目标聚类簇,若该聚类簇与所述目标聚类簇之间相对空间关系特征的平均距离小于预设阈值,则将该聚类簇与所述目标聚类簇合并,直到两个最小平均距离的聚类簇之间的平均距离大于所述预设阈值,所述预设阈值为,为各矢量元素的相对空间关系特征的模长均值,为各矢量元素的相对空间关系特征的模长标准差,将簇内矢量元素的数量小于预设数量的聚类簇,作为异常聚类簇,并将所述异常聚类簇内的矢量元素,作为异常元素。
7.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1~5任一项所述的方法。
8.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述权利要求1~5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410457517.7A CN118053052B (zh) | 2024-04-16 | 一种无监督的高精矢量地图元素异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410457517.7A CN118053052B (zh) | 2024-04-16 | 一种无监督的高精矢量地图元素异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118053052A CN118053052A (zh) | 2024-05-17 |
CN118053052B true CN118053052B (zh) | 2024-06-28 |
Family
ID=
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022007818A1 (zh) * | 2020-07-08 | 2022-01-13 | 中国第一汽车股份有限公司 | 高精地图更新方法、车辆、服务器及存储介质 |
WO2022096236A1 (de) * | 2020-11-03 | 2022-05-12 | Volkswagen Aktiengesellschaft | Verfahren zum ermitteln einer existenzwahrscheinlichkeit eines möglichen elements in einer umgebung eines kraftfahrzeugs, fahrerassistenzsystem und kraftfahrzeug |
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022007818A1 (zh) * | 2020-07-08 | 2022-01-13 | 中国第一汽车股份有限公司 | 高精地图更新方法、车辆、服务器及存储介质 |
WO2022096236A1 (de) * | 2020-11-03 | 2022-05-12 | Volkswagen Aktiengesellschaft | Verfahren zum ermitteln einer existenzwahrscheinlichkeit eines möglichen elements in einer umgebung eines kraftfahrzeugs, fahrerassistenzsystem und kraftfahrzeug |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111508258B (zh) | 一种定位方法及装置 | |
KR20200121274A (ko) | 전자 지도를 업데이트하기 위한 방법, 장치 및 컴퓨터 판독 가능한 저장 매체 | |
CN111582189B (zh) | 交通信号灯识别方法、装置、车载控制终端及机动车 | |
US8386468B2 (en) | Spatial query processing with query window index | |
WO2021052185A1 (zh) | 确定智能驾驶车辆的行驶轨迹 | |
CN108253973B (zh) | 高精度地图和标准地图关联的方法及装置 | |
JP6906262B1 (ja) | ロボットの再位置決め方法、装置及び機器 | |
CN111462521B (zh) | 停车场地图确定方法、装置及设备、存储介质 | |
CN109256028A (zh) | 一种用于无人驾驶的高精度路网自动生成的方法 | |
Murphy et al. | Incremental unsupervised topological place discovery | |
CN114295119B (zh) | 一种构建地图的方法及装置 | |
CN109631916A (zh) | 地图生成方法、装置、设备及存储介质 | |
CN116740361B (zh) | 一种点云分割方法、装置、存储介质及电子设备 | |
Ding et al. | Persistent stereo visual localization on cross-modal invariant map | |
US9910878B2 (en) | Methods for processing within-distance queries | |
CN111797698A (zh) | 目标物的识别方法及识别装置 | |
KR101757124B1 (ko) | 시공간 키워드 질의를 위한 셀 기반 역리스트 인덱싱 기법 | |
CN118053052B (zh) | 一种无监督的高精矢量地图元素异常检测方法 | |
CN118053052A (zh) | 一种无监督的高精矢量地图元素异常检测方法 | |
Karaoğuz et al. | An integrated model of autonomous topological spatial cognition | |
CN116385999A (zh) | 一种停车位的识别方法、装置及设备 | |
CN116772821A (zh) | 地图生成方法、装置、计算机设备和存储介质 | |
CN115880685A (zh) | 一种基于votenet模型的三维目标检测方法和*** | |
CN114528453A (zh) | 全局重定位方法、装置、电子设备及存储介质 | |
CN112712561A (zh) | 一种建图方法、装置、存储介质及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |