JP7168708B2 - マップデータの更新方法、装置、機器及び可読記憶媒体 - Google Patents

マップデータの更新方法、装置、機器及び可読記憶媒体 Download PDF

Info

Publication number
JP7168708B2
JP7168708B2 JP2021026517A JP2021026517A JP7168708B2 JP 7168708 B2 JP7168708 B2 JP 7168708B2 JP 2021026517 A JP2021026517 A JP 2021026517A JP 2021026517 A JP2021026517 A JP 2021026517A JP 7168708 B2 JP7168708 B2 JP 7168708B2
Authority
JP
Japan
Prior art keywords
sample
sequence
road information
samples
electronic device
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
Application number
JP2021026517A
Other languages
English (en)
Other versions
JP2021101186A (ja
Inventor
デグオ シア、
リウフイ チョウ、
ジーチョウ フアン、
フイ チョウ、
チェン ル、
ホンシア ベイ、
ユティン リウ、
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Publication of JP2021101186A publication Critical patent/JP2021101186A/ja
Application granted granted Critical
Publication of JP7168708B2 publication Critical patent/JP7168708B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • 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
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3885—Transmission of map data to client devices; Reception of map data by client devices
    • G01C21/3893—Transmission of map data from distributed sources, e.g. from roadside stations
    • 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
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • 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
    • G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
    • G01C21/30—Map- or contour-matching
    • G01C21/32—Structuring or formatting of map data
    • 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
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • G01C21/3807—Creation or updating of map data characterised by the type of data
    • G01C21/3815—Road data
    • 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
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • G01C21/3833—Creation or updating of map data characterised by the source of data
    • G01C21/3837—Data obtained from a single source
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/23—Updating
    • G06F16/2358—Change logging, detection, and notification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/23—Updating
    • G06F16/2379—Updates performed during online database operations; commit processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/909—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • 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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/091—Traffic information broadcasting
    • G08G1/093—Data selection, e.g. prioritizing information, managing message queues, selecting the information to be output
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B29/00—Maps; Plans; Charts; Diagrams, e.g. route diagram
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B29/00—Maps; Plans; Charts; Diagrams, e.g. route diagram
    • G09B29/10—Map spot or coordinate position indicators; Map reading aids
    • G09B29/106—Map spot or coordinate position indicators; Map reading aids using electronic means
    • 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
    • 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
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Multimedia (AREA)
  • Library & Information Science (AREA)
  • Traffic Control Systems (AREA)
  • Navigation (AREA)

Description

本願は、スマートシティ技術分野に関し、特に、電子マップ、知能交通、自動運転、人工知能技術における深層学習技術分野に関し、特に、マップデータの更新方法、装置、機器及び可読記憶媒体に関する。
シティの迅速な発展や道路の複雑さの高まりに伴い、電子マップに対するユーザの需要が増々強くなっている。マップデータは、電子マップの基礎であり、主に、道路情報などを含んでいる。道路情報としては、道路工事、道路閉鎖、交通事故の発生などが挙げられる。
一般的に、道路情報はいつまでも変わらないものではないため、マップデータを更新し、ユーザが間違ったマップデータに対応する電子マップを使用してナビゲーションしてユーザの外出コストを増やすようなことを回避する必要がある。マップデータの更新プロセスでは、通常、道路情報を多種多様なロードサイドユニット（Ｒｏａｄｓｉｄｅ Ｕｎｉｔ、ＲＳＵ）により認識した後に、車載機器にブロードキャストする。車載機器は、道路情報を受信した後に、道路情報をサーバにアップロードする。サーバは、これらの道路情報を利用してマップデータを更新するようになっている。
上記マップデータの更新において、意図的に破壊された車載機器の場合が考慮に入っていない。しかしながら、遮断、偽造、改ざんなどの手で、意図的に破壊された車載機器により、無効な道路情報が報告され、マップデータの更新に間違いが出る恐れがある。
本願は、マップデータの更新方法、装置、機器及び可読記憶媒体を提供し、有効な道路情報を認識し、マップデータを有効な道路情報を利用して更新することにより、マップデータを正確に更新する目的を実現する。
第１の態様では、本願の実施例は、マップデータの更新方法を提供し、
電子機器によって報告される道路情報を受信し、前記道路情報はロードサイドユニットにより前記電子機器にブロードキャストされた道路情報であるステップと、
前記道路情報に基づき、少なくとも１つのシーケンスを確定し、前記少なくとも１つのシーケンスにおいて同一シーケンスに属する道路情報は、種類及び発生位置が同じであるステップと、
前記少なくとも１つのシーケンスにおけるシーケンスごとに含まれた道路情報を、予め訓練されたニューラルネットワークモデルに入力し、対応するシーケンスの認識結果を得、前記認識結果は、前記対応するシーケンスに属する道路情報が有効なものであるかどうかを指示するためのものであり、前記対応するシーケンスに属する道路情報が有効なものであると、前記対応するシーケンスに属する道路情報は実の道路情報であるステップと、
前記対応するシーケンスに属する道路情報が有効なものである場合、マップデータを前記対応するシーケンスに属する道路情報を利用して更新するステップと、を含む。
一実現可能な設計において、前記少なくとも１つのシーケンスにおけるシーケンスごとに含まれた道路情報を、予め訓練されたニューラルネットワークモデルに入力し、対応するシーケンスの認識結果を得る前記ステップの前に、また、
サンプルセットを取得し、前記サンプルセットにおけるサンプルがポジティブサンプルとネガティブサンプルを含み、前記ポジティブサンプルは実の道路情報であり、前記ネガティブサンプルは偽りの道路情報であるステップと、
前記サンプルセットにおけるサンプルを分割し、少なくとも１つのサンプルシーケンスを得、前記少なくとも１つのサンプルシーケンスにおける同一サンプルシーケンスに属するサンプルは、種類及び発生位置が同じであるステップと、
前記少なくとも１つのサンプルシーケンスに基づき、初期モデルを訓練し、前記ニューラルネットワークモデルを得るステップと、を含む。
一実現可能な設計において、前記少なくとも１つのサンプルシーケンスに基づき、初期モデルを訓練し、前記ニューラルネットワークモデルを得る前記ステップは、
ｉ番目のサンプルシーケンスに対して、前記初期モデルの埋め込み層で、前記ｉ番目のサンプルシーケンスにおけるサンプルごとの特徴ベクトルを確定し、前記ｉ番目のサンプルシーケンスは、前記少なくとも１つのサンプルシーケンスのいずれか１つのサンプルシーケンスに基づいて得られるものであるステップと、
前記ｉ番目のサンプルシーケンスにおけるサンプルごとの特徴ベクトルを前記初期モデルの長期短期記憶リカレントニューラルネットワーク層を利用して学習し、複数のコンテキストベクトルを得、前記複数のコンテキストベクトルにおけるコンテキストベクトルごとは、前記ｉ番目のサンプルシーケンスにおけるサンプル間の関係を指示するためのものであるステップと、
前記複数のコンテキストベクトルに基づいて前記初期モデルの接続層や、完全接続層及び損失関数層を訓練し、前記ニューラルネットワークモデルを得るステップと、を含む。
一実現可能な設計において、前記複数のコンテキストベクトルに基づいて前記初期モデルの接続層や、完全接続層及び損失関数層を訓練し、前記ニューラルネットワークモデルを得る前記ステップは、
前記初期モデルの接続層で、前記複数のコンテキストベクトルをスプライスし、スプライスベクトルを得るステップと、
前記初期モデルの完全接続層及び損失関数層を前記スプライスベクトルを利用して学習し、前記ニューラルネットワークモデルを得るステップと、を含む。
一実現可能な設計において、前記ｉ番目のサンプルシーケンスは、前記少なくとも１つのサンプルシーケンスのいずれか１つのサンプルシーケンスであるか、または、前記ｉ番目のサンプルシーケンスは、前記少なくとも１つのサンプルシーケンスのいずれか１つのサンプルシーケンスのサブシーケンスである。
一実現可能な設計において、ｉ番目のサンプルシーケンスに対して、前記ｉ番目のサンプルシーケンスにおけるサンプルごとに特徴ベクトルを確定する前記ステップは、
前記ｉ番目のサンプルシーケンスにおける前記サンプルごとに対応する電子機器特徴、ロードサイドユニットＲＳＵ特徴及び道路情報特徴の少なくとも１つを抽出し、前記電子機器特徴は前記サンプルごとを報告する電子機器を表徴するためのものであり、前記ＲＳＵ特徴は前記サンプルごとを前記電子機器へブロードキャストするＲＳＵを表徴するためのものであり、前記道路情報特徴は前記サンプルごとを表徴するためのものであるステップと、
前記ｉ番目のサンプルシーケンスにおける前記サンプルごとに、前記サンプルごとに対応する前記電子機器特徴、前記ＲＳＵ特徴及び前記道路情報特徴の少なくとも１つに基づき、前記サンプルごとに前記特徴ベクトルを生成するステップと、を含む。
一実現可能な設計において、前記電子機器特徴は、前記電子機器の識別子、前記サンプルごとの前記電子機器による報告の回数又は有効なサンプルの前記電子機器による報告の回数を含み、前記方法は、また、前記電子機器によって報告される前記サンプルごとの重複を排除し、重複なしサンプルの前記電子機器による報告の回数を確定するステップと、前記電子機器によって報告される前記有効なサンプルの重複を排除し、重複なしで有効なサンプルの前記電子機器による報告の回数を確定するステップと、を含む。
一実現可能な設計において、前記ＲＳＵ特徴は、前記ＲＳＵの識別子、前記サンプルごとの前記ＲＳＵによるブロードキャストの総回数及び前記有効なサンプルの前記ＲＳＵによるブロードキャストの回数を含み、前記方法は、さらに、前記サンプルごとの前記ＲＳＵによるブロードキャストの総回数から、前記サンプルごとの前記ＲＳＵによる重複ブロードキャストの回数を差し引き、前記有効なサンプルの前記ＲＳＵによるブロードキャストの回数から、前記有効なサンプルの前記ＲＳＵによる重複ブロードキャストの回数を差し引く。
一実現可能な設計において、前記道路情報特徴は、サンプルの種類、サンプルの位置、サンプルの開始時点、サンプルの終了時点、前記サンプルごとの前記電子機器によって受信された時点の少なくとも１つの特徴を含み、前記サンプルの位置は前記サンプルごとに発生の地理的位置を表徴するためのものである。
第２の態様では、本願の実施例は、マップデータの更新装置を提供し、
電子機器によって報告される道路情報を受信し、前記道路情報はロードサイドユニットにより前記電子機器にブロードキャストされる道路情報である受信モジュールと、
前記道路情報に基づき、少なくとも１つのシーケンスを確定し、前記少なくとも１つのシーケンスにおいて同一シーケンスに属する道路情報は、種類及び発生位置が同じである確定モジュールと、
前記少なくとも１つのシーケンスにおけるシーケンスごとに含まれた道路情報を、予め訓練されたニューラルネットワークモデルに入力し、対応するシーケンスの認識結果を得、前記認識結果は、前記対応するシーケンスに属する道路情報が有効なものであるかどうかを指示するためのものであり、前記対応するシーケンスに属する道路情報が有効なものであると、前記対応するシーケンスに属する道路情報は実の道路情報である認識モジュールと、
前記対応するシーケンスに属する道路情報が有効なものである場合、マップデータを前記対応するシーケンスに属する道路情報を利用して更新する更新モジュールと、を含む。
一実現可能な設計において、上記した装置は、また、
訓練モジュールは、前記認識モジュールが前記少なくとも１つのシーケンスにおけるシーケンスごとに含まれた道路情報を、予め訓練されたニューラルネットワークモデルに入力し、対応するシーケンスの認識結果を得る前に、サンプルセットを取得し、前記サンプルセットにおけるサンプルはポジティブサンプルとネガティブサンプルを含み、前記ポジティブサンプルは実の道路情報であり、前記ネガティブサンプルは偽りの道路情報であり、前記サンプルセットにおけるサンプルを分割し、少なくとも１つのサンプルシーケンスを得、前記少なくとも１つのサンプルシーケンスにおいて同一サンプルシーケンスに属するサンプルは、種類及び発生位置が同じであり、前記少なくとも１つのサンプルシーケンスに基づき、初期モデルを訓練し、前記ニューラルネットワークモデルを得る。
一実現可能な設計において、ｉ番目のサンプルシーケンスに対して、前記訓練モジュールは、前記少なくとも１つのサンプルシーケンスに基づき、初期モデルを訓練し、前記ニューラルネットワークモデルを得るとき、前記初期モデルの埋め込み層で、前記ｉ番目のサンプルシーケンスにおけるサンプルごとに特徴ベクトルを確定し、前記ｉ番目のサンプルシーケンスは、前記少なくとも１つのサンプルシーケンスのいずれか１つのサンプルシーケンスに基づいて得られるものであり、前記ｉ番目のサンプルシーケンスにおけるサンプルごとに特徴ベクトルを前記初期モデルの長期短期記憶リカレントニューラルネットワーク層を利用して学習し、複数のコンテキストベクトルを得、前記複数のコンテキストベクトルにおけるコンテキストベクトルごとは、前記ｉ番目のサンプルシーケンスにおけるサンプル間の関係を指示するためのものであり、前記複数のコンテキストベクトルに基づいて前記初期モデルの接続層、完全接続層及び損失関数層を訓練し、前記ニューラルネットワークモデルを得る。
一実現可能な設計において、前記訓練モジュールは、前記複数のコンテキストベクトルに基づいて前記初期モデルの接続層、完全接続層及び損失関数層を訓練し、前記ニューラルネットワークモデルを得るとき、前記初期モデルの接続層で、前記複数のコンテキストベクトルをスプライスし、スプライスベクトルを得、前記初期モデルの完全接続層及び損失関数層を前記スプライスベクトルを利用して学習し、前記ニューラルネットワークモデルを得る。
一実現可能な設計において、前記ｉ番目のサンプルシーケンスは、前記少なくとも１つのサンプルシーケンスのいずれか１つのサンプルシーケンスであるか、または、前記ｉ番目のサンプルシーケンスは、前記少なくとも１つのサンプルシーケンスのいずれか１つのサンプルシーケンスのサブシーケンスである。
一実現可能な設計において、前記訓練モジュールは、前記ｉ番目のサンプルシーケンスに対して、前記ｉ番目のサンプルシーケンスにおける前記サンプルごとに前記特徴ベクトルを確定するとき、前記ｉ番目のサンプルシーケンスにおける前記サンプルごとに対応する電子機器特徴、ロードサイドユニット特徴及び道路情報特徴の少なくとも１つを抽出し、前記ｉ番目のサンプルシーケンスにおける前記サンプルごとに、前記サンプルごとに対応する前記電子機器特徴、前記ＲＳＵ特徴及び前記道路情報特徴の少なくとも１つに基づき、前記サンプルごとに前記特徴ベクトルを生成し、前記電子機器特徴は前記サンプルごとを報告する電子機器を表徴するためのものであり、前記ＲＳＵ特徴は前記サンプルごとを前記電子機器へブロードキャストするＲＳＵを表徴するためのものであり、前記道路情報特徴は前記サンプルごとを表徴するためのものである。
一実現可能な設計において、前記電子機器特徴は、前記電子機器の識別子、前記サンプルごとの前記電子機器による報告の回数又は有効なサンプルの前記電子機器による報告の回数を含み、前記訓練モジュールは、また、前記電子機器によって報告される前記サンプルごとの重複を排除し、重複なしサンプルの前記電子機器による報告の回数を確定し、前記電子機器によって報告される前記有効なサンプルの重複を排除し、重複なしで有効なサンプルの前記電子機器による報告の回数を確定するために使用される。
一実現可能な設計において、前記ＲＳＵ特徴は、前記ＲＳＵの識別子、前記サンプルごとの前記ＲＳＵによるブロードキャストの総回数及び前記有効なサンプルの前記ＲＳＵによるブロードキャストの回数を含み、前記訓練モジュールは、さらに、前記サンプルごとの前記ＲＳＵによるブロードキャストの総回数から、サンプルごとの前記ＲＳＵによる重複ブロードキャストの回数を差し引き、前記有効なサンプルの前記ＲＳＵによるブロードキャストの回数から、前記有効なサンプルの前記ＲＳＵによる重複ブロードキャストの回数を差し引くために使用される。
一実現可能な設計において、前記道路情報特徴は、サンプルの種類、サンプルの位置、サンプルの開始時点、サンプルの終了時点、前記サンプルごとの前記電子機器によって受信された時点の少なくとも１つの特徴を含み、前記サンプルの位置は前記サンプルごとに発生の地理的位置を表徴するためのものである。
第３の態様では、本願の実施例は、電子機器を提供し、
少なくとも１つのプロセッサ、および
前記少なくとも１つのプロセッサと通信するように接続されるメモリを含み、そのうち、
前記メモリには、前記少なくとも１つのプロセッサによって実行可能な命令が記憶されており、前記少なくとも１つのプロセッサは、前記命令が前記少なくとも１つのプロセッサによって実行されることで、第１の態様又は第１の態様の任意の実現可能な方法を実行することができるようになる。
第４の態様では、本願の実施例は、命令が含まれたコンピュータプログラム製品を提供し、電子機器で実行されるとき、電子機器に、上記第１の態様又は第１の態様の様々な可能な実現形態における方法を実行させるようになる。
第５の態様では、本願の実施例は、コンピュータ命令が記憶された非一時的なコンピュータ可読記憶媒体を提供し、前記コンピュータ命令は、前記コンピュータに上記第１の態様又は第１の態様の様々な可能な実現形態における方法を実行させるためのものである。
第６の態様では、本願の実施例は、マップデータの更新方法を提供し、電子機器によって報告される道路情報を受信するステップと、前記道路情報に基づき、少なくとも１つのシーケンスを確定し、前記少なくとも１つのシーケンスにおいて同一シーケンスに属する道路情報は、種類及び発生位置が同じであるステップと、前記少なくとも１つのシーケンスに基づき、マップデータを更新するステップとを含む。
上記出願における一実施例によると、サーバシーケンスに含まれた個々の道路情報をニューラルネットワークモデルに入力し、シーケンスにおける各道路情報のコンテキストをニューラルネットワーク技術と合わせ、有効な道路情報を認識してマップデータを更新することにより、マップデータを正確に更新する目的を実現するような利点又は有益な効果がある。
この部分に記述した内容は、本願の実施例の肝心又は重要な特徴をマークすることを主旨としているわけではなく、本願の範囲を制限するためにも使用されないと理解するべきである。本願の他の特徴は、以下の明細書によって理解しやすくなる。
図面は、本解決手段をよりよく理解するために使用されるものであり、本願に対する限定を構成しない。そのうち、
本願の実施例に係るマップデータの更新方法の一ネットワークアーキテクチャの概略図である。 本願の実施例に係るマップデータの更新方法の他のネットワークアーキテクチャの概略図である。 本願の実施例に係るマップデータの更新方法のフローチャートである。 本願の実施例に係るマップデータの更新方法においてモデル訓練の概略図である。 本願の実施例に係るマップデータの更新方法のプロセスの概略図である。 本願の実施例に係るマップデータの更新装置の一構造概略図である。 本願の実施例に係るマップデータの更新装置の他の構造概略図である。 本願の実施例のマップデータの更新方法を実現するための電子機器のブロック図である。
以下、本願の例示的な実施例を図面に合わせて説明する。理解に寄与するための本願の実施例の様々な詳細が含まれるが、これらは、例示的なものにすぎないと考えるべきである。よって、当業者は、ここに記述した実施例に対する様々な変更や修正が可能であり、本願の範囲や趣旨から逸脱されないと認識するべきである。同様に、明確や簡潔のため、以下の記述では、周知の機能や構造に関するものを省略するようにしている。
車両対すべて（ｖｅｈｉｃｌｅ ｔｏ Ｘ、Ｖ２Ｘ）通信は、車両のインターネットの極めて重要な技術的方向である。Ｖ２Ｘ通信により、車両と交通システムで様々な要素との情報交換を安全且つ高効率的に実現すると同時に、シティの迅速な発展や道路の複雑さの高まりに伴い、電子マップに対するユーザの需要が増々強くなっている。マップデータは、電子マップの基礎であり、主に、道路情報などを含んでいる。道路情報としては、道路工事、道路閉鎖、交通事故の発生などが挙げられる。道路情報はいつまでも変わらないものではないため、マップデータ更新は、道路情報に基づいて行われる必要がある。
マップデータの更新方法は、通常、Ｖ２Ｘ、第五世代(５ｔｈ ｇｅｎｅｒａｔｉｏｎ、５Ｇ)又はエッジ技術に基づくマップデータの更新方法を含み、該方法は、道路情報を全面的で正確的且つ快速的に認識してマップデータを更新する。具体的に、多種多様なロードサイドユニット（Ｒｏａｄｓｉｄｅ Ｕｎｉｔ、ＲＳＵ）は、道路情報を認識した後、または、コントロールセンターにより道路情報を認識が認識され、ＲＳＵに送信された後に、ＲＳＵは、道路情報を車載ユニット（Ｏｎ ｂｏａｒｄ Ｕｎｉｔ、ＯＢＵ）にブロードキャストする。ＯＢＵ接は、道路情報を受信した後に、道路情報をサーバにアップロードする。サーバは、これらの道路情報を利用してマップデータを更新する。
道路情報をＶ２Ｘ技術を利用して取得し、サーバに報告し、サーバにより、道路情報に基づいてマップデータを更新する。
上記マップデータの更新方法では、意図的に破壊されたＯＢＵなどの車載機器の場合が考慮に入っていない。車載機器が意図的に破壊された後に、遮断、偽造、改ざんなどの手で、破壊されたＯＢＵにより、無効な道路情報が報告される恐れがある。該無効な道路情報がサーバによって即時的に検出されなかった場合、マップデータの更新に間違いが発生する恐れがあり、間違ったマップデータに基づいて問題のある電子マップを生成するようになる。ユーザがこのような問題のある電子マップを利用してナビゲーションしたりすると、ナビゲーションによる経路に間違いが出る恐れがあり、ユーザの外出コストを増やすようなことにもつながる。
よって、無効な道路情報の検出は、すでに、マップデータ更新の重要な課題となっている。
本願の実施例は、マップデータの更新方法、装置、機器及び可読記憶媒体を提供し、有効な道路情報を認識し、マップデータを有効な道路情報を利用して更新することにより、マップデータを正確に更新する目的を実現する。
まず、本願の実施例に関する名詞について説明する。
Ｖ２Ｘ：Ｖ２Ｘとは、車用無線通信技術のことを指し、該技術により、車両と交通システムで各要素との情報交換を安全且つ高効率的に実現することができる。そのうち、Ｖは車両、Ｘは車両と情報イントラクションができるすべての対象を代表し、主に、車、人、ＲＳＵやネットワークなどの交通道路試験インフラを含む。
ＲＳＵとは、道路の横に設置された道路脇の機器を指し、ロードサイドユニットとも呼ばれている。ＲＳＵは、道路、交通および天気情報などを収集し、これらの情報は、ＲＳＵ自体によって処理されるか、または、ＲＳＵによってコントロールセンターに伝送し、コントロールセンターによって処理される。処理された情報は、該ＲＳＵにアクセスしたＯＢＵなどにブロードキャストし、これにより、道路と車、道路と人、道路とクラウドプラットフォームとの全方位的接続を実現する。そのうち、クラウドプラットフォームは、クラウドサーバ、サーバ、Ｖ２Ｘプラットフォームなどとも呼ばれている。
ＯＢＵ：ＯＢＵは、Ｖ２Ｘ無線通信を実現する車載機器のことである。ＯＢＵは、Ｖ２Ｘ通信技術を利用し、ＲＳＵ、Ｖ２Ｘプラットフォームおよび他のＯＢＵなどとイントラクションを行い、運転手が現在の走行環境を把握できるように協力し、運転手が様々な複雑な状況下で安定して安全的に運転するように指示する。
シーケンスは、Ｖ２Ｘシーケンスとも呼ばれており、サーバがＯＢＵなどの電子機器によってアップロードした道路情報に基づいて生成されるものである。シーケンス生成のプロセスでは、サーバは、道路情報の種類、発生地点及び該道路情報のＯＢＵによって受信された時刻などの少なくとも１つに従い、複数の道路情報を分類し、並べ替え、シーケンスを得る。そのうち、道路情報は、通常、道路工事、道路閉鎖又は交通事故などを含んでいる。
次に、本願の実施例が適用するネットワークアーキテクチャについて詳細に説明する。
図１Ａは、本願の実施例に係るマップデータの更新方法の一ネットワークアーキテクチャの概略図である。図１Ａを参照されたい。該ネットワークアーキテクチャは、サーバ１、電子機器２、ロードサイドユニット３及びカメラ４を含む。そのうち、サーバ１にマップデータが記憶されており、電子機器２としては、ＯＢＵ、携帯電話、ノートパソコン、タブレットなどが挙げられ、図１Ａでは、ＯＢＵを例としている。カメラ４としては、道脇に架設された、路上の車両や通行人などを撮影する機器などが挙げられる。道路に、車両衝突事故が起きたと仮設すると、図における丸数字１に示したように、衝突した車両のＯＢＵにより、衝突情報をＲＳＵに報告する。または、図における丸数字２に示したように、ロードサイドユニット３に接続されたカメラ４により、道路を撮影し、衝突情報をロードサイドユニット３に送信する。ロードサイドユニット３は、衝突情報を受信した後に、該衝突情報を認識して道路情報を得る。該道路情報は、道路上の車両衝突、道路渋滞を指示する。
図における丸数字３に示したように、ロードサイドユニット３により、道路情報を認識した後に、該道路情報をブロードキャストし、自体にアクセスした電子機器２が該道路情報を受信できるようになる。図における丸数字４に示したように、電子機器２は、受信した道路情報をサーバ１に送信する。サーバ１は、受信した道路情報に基づいてシーケンスを生成し、シーケンスに含まれた道路情報を予め訓練されたニューラルネットワークモデルに入力し、シーケンスによって指示される道路情報が有効なものであるかどうかを認識するようになる。道路情報が有効なものである場合、マップデータを有効な道路情報を利用して更新する。
図１Ｂは、本願の実施例に係るマップデータの更新方法の他のネットワークアーキテクチャの概略図である。図１Ａに示すアーキテクチャと比較すると、該ネットワークアーキテクチャは、また、コントロールセンター５を含み、コントロールセンター５は、ＲＳＵ３を制御するためのものである。ＲＳＵは、図における丸数字５に示したように、電子機器２によって送信された衝突情報又はカメラ４によって送信された衝突情報を受信した後に、該衝突情報をコントロールセンター５に送信する。コントロールセンターは、衝突情報受信した後に、該衝突情報を認識して道路情報を得る。該道路情報は、道路上の車両衝突、道路渋滞を指示する。その後、コントロールセンター５は、道路情報をロードサイドユニット３に送信し、該道路情報はロードサイドユニット３によりブロードキャストされる。
以下、本願の実施例に記載のマップデータの更新方法について、上記した名詞の解釈及び図１Ａ、図１Ｂに示すネットワークアーキテクチャに基づき、詳細に説明する。例示的に、図２を参照されたい。
図２は、本願の実施例に係るマップデータの更新方法のフローチャートであり、本実施例の実行主体は電子機器であり、該電子機器としては、上記図１Ａ及び図１Ｂにおけるサーバがある。本実施例は、以下のステップを含む。
１０１、電子機器によって報告される道路情報を受信し、前記道路情報はロードサイドユニットにより前記電子機器にブロードキャストされる道路情報である。
図１Ａ及び図１Ｂを参照されたい。電子機器としては、ＲＳＵからのブロードキャスト情報を受信する電子機器であってもよい。電子機器は、図１Ａ及び図１Ｂにおける丸数字４に示したように、受信した道路情報をサーバに送信する。
１０２、前記道路情報に基づき、少なくとも１つのシーケンスを確定し、前記少なくとも１つのシーケンスにおいて同一シーケンスに属する道路情報は、種類及び発生位置が同じである。
サーバは、道路情報を受信した後に、個々の道路情報の種類、位置などに基づき、少なくとも１つのシーケンスを得るようになる。例えば、サーバが受信した道路情報は、道路情報ａから道路情報ｅまでの情報を含む。そのうち、道路情報ａは、種類が衝突で、位置が地点Ａで、時刻がＴ１であり、道路情報ｂは、種類が衝突で、位置が地点Ａで、時刻がＴ２であり、道路情報ｃは、種類が衝突で、位置が地点Ａで、時刻がＴ３であり、道路情報ｄは、種類が閉鎖渋滞で、位置が地点Ｂで、時刻がＴ４であり、道路情報ｅは、種類が閉鎖渋滞で、位置が地点Ｂで、時刻がＴ５であると、サーバは、これらの道路情報に基づき、２つのシーケンス、即ち、[道路情報ａ、道路情報ｂ、道路情報ｃ]というシーケンス１と、[道路情報ｄ、道路情報ｅ]というシーケンス２を生成する。
１０３、前記少なくとも１つのシーケンスにおけるシーケンスごとに含まれた道路情報を、予め訓練されたニューラルネットワークモデルに入力し、対応するシーケンスの認識結果を得て、前記認識結果は、前記対応するシーケンスに属する道路情報が有効なものであるかどうかを指示するためのものであり、前記対応するシーケンスに属する道路情報が有効なものであると、前記対応するシーケンスに属する道路情報は実の道路情報である。
例示的に、サーバに、訓練されたニューラルネットワークモデルを予め配置する。サーバは、順次にシーケンスごとに含まれた道路情報をニューラルネットワークモデルに入力し、ニューラルネットワークモデルにより、該シーケンスに含まれた道路情報を学習して出力結果を得る。出力結果は、該シーケンスに属する道路情報が有効なものであるかどうかを指示するためのものである。例えば、サーバは、[道路情報ａ、道路情報ｂ、道路情報ｃ]というシーケンス１をニューラルネットワークモデルに入力し、ニューラルネットワークモデルにより、シーケンス１における道路情報ごとに特徴ベクトルを抽出し、これらの特徴ベクトルを学習して出力結果を得る。該出力結果が０であるとき、道路情報ａ、道路情報ｂ及び道路情報ｃが無効なものであることを意味し、出力結果が１であるとき、道路情報ａや、道路情報ｂ、道路情報ｃが有効なものであることを意味する。
１０４、前記対応するシーケンスに属する道路情報が有効なものである場合、マップデータを前記対応するシーケンスに属する道路情報を利用して更新する。
例示的に、サーバは、有効な道路情報を確定した後に、該有効な道路情報をマップデータに更新する。ユーザが電子マップを使用するとき、サーバは、更新されたマップデータをユーザの電子機器に送信し、ユーザの電子機器が更新されたマップデータに基づいてマップをディスプレイし、ユーザにナビゲーションなどをするようになる。
本願は、実施例に係るマップデータの更新方法に関し、サーバは、電子機器によって報告される道路情報を受信した後に、道路情報に基づいて数のシーケンスを得、同一シーケンスに属する各道路情報は、種類、位置が同じである。その後、サーバは、シーケンスに含まれた個々の道路情報を予め訓練されたニューラルネットワークモデルへ入力し、ニューラルネットワークモデルは、シーケンスに基づいて認識結果を出力するようになる。認識結果は、前記シーケンスに属する道路情報が有効なものであると指示する場合、サーバは、マップデータを該有効な道路情報を利用して更新する。このような解決手段により、サーバは、シーケンスに含まれた個々の道路情報をニューラルネットワークモデルに入力し、シーケンスにおけて各道路情報のコンテキストをニューラルネットワーク技術と合わせ、有効な道路情報を認識してマップデータを更新することにより、マップデータを正確に更新する目的を実現する。
本願の実施例は、大体、モデル事前訓練段階、モデルの利用によるオンライン予測段階、マップデータ更新段階という３つの段階に分けられる。以下、これらの段階について、それぞれ詳細に説明する。
まず、モデル事前訓練段階について説明する。
上記実施例において、前記少なくとも１つのシーケンスにおけるシーケンスごとに含まれた道路情報を、予め訓練されたニューラルネットワークモデルに入力して、対応するシーケンスの認識結果を得る前に、また、ニューラルネットワークモデルを訓練する。
ニューラルネットワークモデルの訓練プロセスでは、サーバは、まず、サンプルセットを取得し、前記サンプルセットにおけるサンプルがポジティブサンプルとネガティブサンプルとを含み、前記ポジティブサンプルは実の道路情報であり、前記ネガティブサンプルは偽りの道路情報である。そして、サーバは、前記サンプルセットにおけるサンプルを分割し、少なくとも１つのサンプルシーケンスを得、前記少なくとも１つのサンプルシーケンスにおいて同一サンプルシーケンスに属するサンプルは、種類及び発生位置が同じである。最後に、サーバは、前記少なくとも１つのサンプルシーケンスに基づき、初期モデルを訓練し、前記ニューラルネットワークモデルを得る。
例示的に、人によるマークなどの方式で、複数のサンプルからポジティブサンプル及びネガティブサンプルを予めマークする。その後、これらのサンプルを分割する。分割プロセスでは、サーバは、種類も位置も同じなサンプルを一組に分割する。続いては、サーバは、同一組に属するサンプルに対し、サンプルごとに受信時点に基づいてこれらのサンプルを並べ替え、シーケンスを得る。例えば、一組に分割された道路情報で、道路情報ａは、種類が衝突で、位置が地点Ａで、時刻がＴ１であり、道路情報ｂは、種類が衝突で、位置が地点Ａで、時刻がＴ２であり、道路情報ｃは、種類が衝突で、位置が地点Ａで、時刻がＴ３であるなどの情報が含まれる。この３つの道路情報は、種類や地点が同じであるが、道路情報の電子機器による受信時刻が異なっている。そのうち、Ｔ１、Ｔ２及びＴ３は、道路情報の同一電子機器又は異なる電子機器による受信時刻であり、Ｔ２、Ｔ１、Ｔ３のような順となっている。よって、シーケンスは、[道路情報ｂ、道路情報ａ、道路情報ｃ]である。
最後に、サーバは、少なくとも１つのサンプルシーケンスに基づいて初期モデルを訓練し、初期モデルのパラメータなどを、初期モデルが最良状態に達するまで継続的に最適化し、最良状態下のモデルを訓練されたニューラルネットワークモデルとして使用する。
このような解決手段により、サーバは、電子機器によって報告されるサンプルを取得した後に、各サンプルの種類、サンプルごとの発生地点およびサンプルごとの電子機器による受信時刻に基づき、サンプルを並べ替え、サンプルシーケンスを取得する目的を実現する。
図３は、本願の実施例に係るマップデータの更新方法においてモデル訓練の概略図である。図３を参照されたい。初期モデルは、埋め込み（Ｅｍｂｅｄｄｉｎｇ）層、双方向長期短期記憶リカレントニューラルネットワーク（Ｂｉ－ｄｉｒｅｃｔｉｏｎａｌ Ｌｏｎｇ Ｓｈｏｒｔ－Ｔｅｒｍ Ｍｅｍｏｒｙ、ＢｉＬＳＴＭ）層、接続（Ｃｏｎｃａｔｅｎａｔｅ）層、完全接続（Ｆｕｌｌｙ ｃｏｎｎｅｃｔｅｄ ｌａｙｅｒ、ＦＣ）層及び損失関数層という５つ層を含み、損失関数としては、ｓｏｆｔｍａｘなどであってもよい。
図３を参照されたい。サーバは、サンプルを並べ替え、少なくとも１つのシーケンスを得、該少なくとも１つのシーケンスによってシーケンスセットＳを形成する。その後、シーケンスセットＳのいずれか１つのサンプルシーケンスＳi、以下、ｉ番目のサンプルシーケンスと呼ばれるようにする。ｉ番目のサンプルシーケンスは、前記少なくとも１つのサンプルシーケンスのいずれか１つのサンプルシーケンスに基づいて得られるものである。例えば、ｉ番目のサンプルシーケンスは、少なくとも１つのサンプルシーケンスのいずれか１つのサンプルシーケンスであるか、また例えば、ｉ番目のサンプルシーケンスは、前記少なくとも１つのサンプルシーケンスのいずれか１つのサンプルシーケンスのサブシーケンスである。ｉ番目のサンプルシーケンスＳiには、
Figure 0007168708000001
 個のサンプルが含有し、
Figure 0007168708000002
 で整数であると仮設する。サーバは、連続的な複数のサンプルを抽出してサブシーケンスを形成し、該サブシーケンスに含まれたサンプルはサンプルｓ0、サンプルｓ1、サンプルｓ2、サンプルｓ3であると仮設すると、該サブシーケンスは、｛ｓ0，ｓ1，ｓ2，ｓ3｝のように表す。
このような解決手段により、比較的に少なめのサンプルの数であるとき、サブシーケンスを抽出する方式でシーケンスの個数を増加し、モデルの訓練精度を向上する。
サーバは、シーケンスセットＳを得た後に、ｉ番目のサンプルシーケンスに含まれた道路情報を初期モデルのＥｍｂｅｄｄｉｎｇ層に入力し、Ｅｍｂｅｄｄｉｎｇ層で、ｉ番目のサンプルシーケンスにおけるサンプルごとに特徴ベクトルを抽出し、抽出された特徴ベクトルをＢｉＬＳＴＭ層に入力する。例えば、ｉ番目のサンプルシーケンスＳiが｛ｓ0，ｓ1，ｓ2，ｓ3｝であると、Ｅｍｂｅｄｄｉｎｇ層で、サンプルｓ0、サンプルｓ1、サンプルｓ2、サンプルｓ3それぞれの特徴ベクトルを抽出する。抽出された特徴ベクトルをＢｉＬＳＴＭ層に入力する。
サーバは、ＢｉＬＳＴＭ層で、前記ｉ番目のサンプルシーケンスにおけるサンプルごとに特徴ベクトルを初期モデルの長期短期記憶リカレントニューラルネットワーク層を利用して学習し、複数のコンテキストベクトルを得て、前記複数のコンテキストベクトルにおけるコンテキストベクトルごとは、前記ｉ番目のサンプルシーケンスにおけるサンプル間の関係を指示するためのものである。
例示的に、ＢｉＬＳＴＭは、前向きＬＳＴＭと後ろ向きＬＳＴＭによって構成され、通常、コンテキスト情報のモデリングに利用されている。ｉ番目のサンプルシーケンスＳiの個々のサンプルの特徴ベクトルをＢｉＬＳＴＭ層入力した後に、ＢｉＬＳＴＭ層で、ｉ番目のサンプルシーケンスＳiの各サンプルのコンテキストを利用し、複数のコンテキストベクトルを得る。これらのコンテキストベクトルにおいて、コンテキストベクトルごとに、サンプル間の関係が携帯されている。サーバは、前記複数のコンテキストベクトルに基づいて前記初期モデルの接続層、完全接続層及び損失関数層を訓練し、前記ニューラルネットワークモデルを得る。
例示的に、損失関数層に対応する損失関数としては、ｓｏｆｔｍａｘであってもよく、サーバは、複数のコンテキストベクトルに基づいて初期モデルの接続層、完全接続層及び損失関数層のパラメータを継続的に調整し、初期モデルの接続層、完全接続層及び損失関数層のパラメータを最良にし、最良の初期モデルをニューラルネットワークモデルとして使用する。
このような解決手段により、サーバは、シーケンスセットＳにおいてｉ番目のサンプルシーケンスＳiにおけるサンプルを入力とし、初期モデルを継続的に訓練して最適化に、ニューラルネットワークモデルを得る目的を実現するようになる。
サーバは、前記複数のコンテキストベクトルに基づいて前記初期モデルの接続層、完全接続層及び損失関数層を訓練し、前記ニューラルネットワークモデルを得るとき、まず、初期モデルの接続層で、前記複数のコンテキストベクトルをスプライスし、スプライスベクトルを得、そして、前記初期モデルの完全接続層及び損失関数層を前記スプライスベクトルを利用して学習し、前記ニューラルネットワークモデルを得る。
例示的に、また、図３を参照されたい。ＢｉＬＳＴＭ層で、複数のコンテキストベクトルを出力し、これらのベクトルがＣｏｎｃａｔｅｎａｔｅ層に入力される。Ｃｏｎｃａｔｅｎａｔｅ層で、ＢｉＬＳＴＭ層で出力されたすべてのコンテキストベクトルをスプライスし、スプライスベクトルを得る。該スプライスベクトルがＦＣ層に入力される。スプライスベクトルはＦＣ層とｓｏｆｔｍａｘ層によって処理された後に、初期モデルの層ごとにパラメータの調節が完了される。
このような解決手段により、初期モデルのＣｏｎｃａｔｅｎａｔｅ層や、ＦＣ層及びｓｏｆｔｍａｘ層のパラメータを調節する目的を実現する。
次に、モデルの利用によるオンライン予測段階について説明する。
ニューラルネットワークモデルが訓練された後に、道路情報が有効なものであるかどうかを予測するプロセスでは、サーバは、ＯＢＵなどの電子機器によって報告される道路情報を受信した後に、道路情報の種類、位置などに基づいて受信した道路情報を並べ替え、複数のシーケンスを得る。その後、シーケンスに含まれた道路情報を予め訓練されたニューラルネットワークモデルに入力し、該シーケンスに属する道路情報が有効なものであるかどうかを判断する。
判断プロセスでは、ニューラルネットワークモデルのＥｍｂｅｄｄｉｎｇ層で、シーケンスにおける道路情報ごとに特徴を抽出し、道路情報ごとに特徴ベクトルを得て、これらの特徴ベクトルがＢｉＬＳＴＭ層に入力される。その後、ＢｉＬＳＴＭ層で、特徴ベクトルを学習し、複数のコンテキスト情報が含まれたコンテキストベクトルを得る。Ｃｏｎｃａｔｅｎａｔｅ層で、これらのコンテキストベクトルをスプライスし、スプライスベクトルを得る。最後に、該スプライスベクトルがＦＣ層及びＳｏｆｔｍａｘ層で処理された後に、認識結果を得ることができる。該認識結果は、ある種類、ある位置で発生の道路情報が有効なものであるかどうかを指示するためのものである。
最後に、マップデータ更新段階について説明する。
該段階では、サーバは、有効な道路情報を取得した後に、該道路情報の全地球測位システム（Ｇｌｏｂａｌ Ｐｏｓｉｔｉｏｎｉｎｇ Ｓｙｓｔｅｍ、ＧＰＳ）位置、種類などの情報を抽出し、マップデータを抽出された情報に基づいて更新する。
上記モデルの利用によるオンライン予測段階及びマップデータ更新段階は、図４で表すことができる。図４は、本願の実施例に係るマップデータの更新方法のプロセスの概略図である。
図４を参照されたい。サーバには、シーケンス抽出モジュールや、有効な道路情報認識モジュール及びマップデータ更新モジュールが設置されている。そのうち、シーケンス抽出モジュールはシーケンスを抽出するためのものであり、例えば、個々の道路情報の種類、発生地点及びＯＢＵによる受信時点に基づき、道路情を報並べ替え、シーケンスを得る。
有効な道路情報認識モジュールは、有効な道路情報をマイニングするためものである。マイニングするプロセスでは、シーケンスごとにおける道路情報ごとに、ＯＢＵ特徴、ＲＳＵ特徴、道路情報特徴などを抽出し、特徴ベクトルを生成する。そして、特徴ベクトルをモデルに入力し、道路路情報が有効なものであるかどうかを判断する。
マップデータ更新モジュールは、マップデータを更新するためのものである。例えば、有効な道路情報から、ＧＰＳ位置、種類などの情報を抽出し、マップデータを更新する。
以下、上記実施例において、サーバは、しかにして前記ｉ番目のサンプルシーケンスにおけるサンプルごとに特徴ベクトルを確定するかについて、詳細に説明する。
シーケンスセットＳにおいてｉ番目のサンプルシーケンスＳiのサンプルごとに、サーバは、サンプルごとに対応する電子機器特徴、ロードサイドユニットＲＳＵ特徴及び道路情報特徴の少なくとも１つを抽出し、前記電子機器特徴は前記サンプルごとを報告する電子機器を表徴するためのものであり、前記ＲＳＵ特徴は前記サンプルごとを前記電子機器へブロードキャストするＲＳＵを表徴するためのものであり、前記道路情報特徴は前記サンプルごとを表徴するためのものである。そして、サーバは、前記サンプルごとの電子機器特徴、前記ＲＳＵ特徴又は前記道路情報特徴の少なくとも１つに基づき、前記サンプルごとの前記に特徴ベクトルを生成する。
例示的に、サンプルごとに、サーバは、電子機器特徴（ＯＢＵ特徴など）、ＲＳＵ特徴、道路情報特徴などを抽出し、該サンプルの特徴ベクトルを生成する。以下、電子機器特徴、ＲＳＵ特徴及び道路情報特徴について、それぞれ詳細に説明する。
まず、電子機器特徴について説明する。
電子機器特徴は、前記サンプルごとを報告する電子機器を表徴するためのものであり、電子機器の識別子ｏｉｄ、前記サンプルごとの電子機器による報告の回数Ｎo、有効なサンプルの電子機器による報告の回数
Figure 0007168708000003
 を含む。
Ａ：電子機器の識別子ｏｉｄ。
電子機器ごとに、サーバは、ｋ次元のベクトル
Figure 0007168708000004
 をランダムに生成し、該ベクトル
Figure 0007168708000005
 が正規分布Ｎ（０，１）に従い、ｋが３２などであってもよい。該ベクトル
Figure 0007168708000006
 が電子機器の識別子ｏｉｄを表すためのものである。
Ｂ：前記サンプルごとの電子機器による報告の回数Ｎo及び前記有効なサンプルの電子機器による報告の回数
Figure 0007168708000007
 。
サーバは、履歴的道路情報が電子機器によって報告される回数をオフラインで統計し、該回数が前記サンプルごとの電子機器による報告の回数Ｎoであるようになる。サーバは、また、有効な道路情報の電子機器による報告の回数をオフラインで統計し、該回数が有効なサンプルの電子機器による報告の回数
Figure 0007168708000008
 であるようになる。
サーバは、前記サンプルごとの電子機器による報告の回数Ｎo、有効なサンプルの電子機器による報告の回数
Figure 0007168708000009
 を統計した後に、前記電子機器によって報告される前記サンプルごとの重複を排除し、重複なしサンプルの前記電子機器による報告の回数を確定し、また、前記電子機器によって報告される前記有効なサンプルの重複を排除し、重複なしで有効なサンプルの前記電子機器による報告の回数を確定する。
例示的に、電子機器が異なるＲＳＵから道路情報を受信することが可能であるが、異なるＲＳＵによってブロードキャストされる道路情報が同じである可能性がある。よって、同様な道路情報に対して重複を排除し、複数の重複道路情報の１つのみ保留し、残りを削除する必要がある。同時に、削除されたサンプルの数に基づいて前記サンプルごとの電子機器による報告の回数Ｎoを調整し、削除された有効なサンプルの数に基づいて前記有効なサンプルの電子機器による報告の回数
Figure 0007168708000010
 を調整する。
重複を排除した後に、サーバは、前記サンプルごとの電子機器による報告の回数ＮoをＺ－ｓｃｏｒｅを利用して標準化し、前記サンプルごとの電子機器による報告の回数Ｎoが正規分布Ｎ（０，１）に従うようにさせる。
サーバは、前記有効なサンプルの電子機器による報告の回数
Figure 0007168708000011
 をＺ－ｓｃｏｒｅを利用して標準化し、前記有効なサンプルの電子機器による報告の回数
Figure 0007168708000012
 が正規分布Ｎ（０，１）に従うようにさせる。
このような解決手段により、電子機器によって報告されるサンプル及び有効なサンプルに対して重複を排除することにより、サンプルの単一性が確保され、ひいては、モデルの精度が向上する。
次に、ＲＳＵ特徴について説明する。
ＲＳＵ特徴は、前記サンプルごとを前記電子機器へブロードキャストするＲＳＵを表徴するためのものであり、ＲＳＵの識別子ｒｉｄ、前記サンプルごとの前記ＲＳＵによるブロードキャストの総回数Ｎr及び前記有効なサンプルの前記ＲＳＵによるブロードキャストの回数
Figure 0007168708000013
 の少なくとも１つを含む。
Ｃ：ＲＳＵの識別子ｒｉｄ。
サーバは、ＲＳＵごとに、ｋ次元のベクトル
Figure 0007168708000014
 をランダムに生成し、該ベクトル
Figure 0007168708000015
 が正規分布Ｎ（０，１）に従い、ｋが３２などであってもよい。該ベクトル
Figure 0007168708000016
 がＲＳＵの識別子ｒｉｄを表すためのものである。
Ｄ: 前記サンプルごとのＲＳＵによるブロードキャストの総回数Ｎr及び前記有効なサンプルの前記ＲＳＵによるブロードキャストの回数
Figure 0007168708000017
 。
サーバは、道路情報をＲＳＵによりＯＢＵなどの電子機器へ伝送する回数をオフラインで統計し、該回数が前記サンプルごとのＲＳＵによる送信の総回数Ｎrであるようになる。サーバは、また、有効な道路情報をＲＳＵによりＯＢＵへ送信される回数をオフラインで統計し、該回数が有効なサンプルのＲＳＵによるブロードキャストの回数
Figure 0007168708000018
 であるようになる。
サーバは、前記サンプルごとのＲＳＵによるブロードキャストの総回数Ｎr及び有効なサンプルの前記ＲＳＵによるブロードキャストの回数
Figure 0007168708000019
 を確定した後に、また、前記サンプルごとの前記ＲＳＵによるブロードキャストの総回数から、前記サンプルごとの前記ＲＳＵによる重複ブロードキャストの回数を差し引き、前記有効なサンプルの前記ＲＳＵによるブロードキャストの回数から、前記有効なサンプルの前記ＲＳＵによる重複ブロードキャストの回数を差し引く。
例示的に、ＲＳＵが同一道路情報を複数回ブロードキャストする可能性があるため、総回数Ｎrから、同一サンプルの重複ブロードキャストの回数を差し引き、前記有効なサンプルのＲＳＵによるブロードキャストの有効な回数
Figure 0007168708000020
 から、同一有効なサンプルの重複ブロードキャストの回数を差し引く必要がある。
重複を排除した後に、サーバは、前記サンプルごとのＲＳＵによるブロードキャストの総回数ＮrをＺ－ｓｃｏｒｅを利用して標準化し、前記サンプルごとのＲＳＵによるブロードキャストの総回数Ｎrが正規分布Ｎ（０，１）に従うようにさせる。
サーバは、前記有効なサンプルのＲＳＵによるブロードキャストの回数
Figure 0007168708000021
 をＺ－ｓｃｏｒｅを利用して標準化し、前記有効なサンプルのＲＳＵによるブロードキャストの回数
Figure 0007168708000022
 が正規分布Ｎ（０，１）に従うようにさせる。
このような解決手段により、前記サンプルごとのＲＳＵによるブロードキャストの総回数Ｎr及び前記有効なサンプルのブロードキャストの回数
Figure 0007168708000023
 に対して重複を排除することにより、サンプルの単一性が確保され、ひいては、モデルの精度が向上する。
最後に、道路情報特徴について説明する。
本願の実施例において、道路情報特徴は、道路情報を表徴するためのものであり、前記道路情報特徴は、サンプルの種類Ｔi、サンプルの位置ｌs、サンプルの開始時点ｔs、サンプルの終了時点ｔe、前記サンプルごとの前記電子機器によって受信された時点ｔrという特徴の少なくとも１つを含み、前記サンプルの位置ｌsが前記サンプルごとに発生の地理的位置を表徴するためのものである。
Ｅ：サンプルの種類Ｔi。
サーバは、道路情報ごとに、ｋ次元のベクトル
Figure 0007168708000024
 をランダムに生成に、該ベクトル
Figure 0007168708000025
 が正規分布Ｎ（０，１）に従い、ｋが３２などであってもよい。該ベクトル
Figure 0007168708000026
 がサンプルの種類Ｔiを表すためのものである。
Ｆ：サンプルの開始時点ｔs。
サンプルの開始時点ｔsが道路情報発生の時刻を表徴するためのものである。時点の連続性を確保するために、サンプルの開始時点ｔsは、正弦及び余弦回転後という２つの特徴を使用して表す。即ち、サンプルの開始時点ｔsは、
Figure 0007168708000027
 及び
Figure 0007168708000028
 のように表している。
Ｇ：サンプルの終了時点ｔe。
サンプルの終了時点ｔeが道路情報終了の時刻を表徴するためのものである。時点の連続性を確保するために、サンプルの終了時点ｔeがサンプルの開始時点ｔsに一致するようにしており、同様に、正弦及び余弦回転後という２つの特徴を使用して表す。即ち、サンプルの終了時点ｔeは、
Figure 0007168708000029
 及び
Figure 0007168708000030
 のように表している。
Ｈ：前記サンプルごとの電子機器によって受信された時点ｔr。
前記サンプルの電子機器によって受信された時点ｔｒは、ＲＳＵによってブロードキャストされた道路情報がＯＢＵなどの電子機器によって受信された時刻を表徴するためのものである。時点の連続性を確保するために、電子機器によって受信された前記サンプルごとの時点ｔrがサンプルの終了時点ｔe、サンプルの開始時点ｔsに一致するようにしており、同様に、正弦及び余弦回転後という２つの特徴を使用して表す。即ち、前記サンプルごとの電子機器によって受信されたｔrは、
Figure 0007168708000031
 及び
Figure 0007168708000032
 のように表している。
Ｉ：サンプルの位置ｌs。
サンプルの位置ｌsが前記サンプルごとに発生の地理的位置を表徴するためのものである。位置特徴の一般化能力を向上させるために、全国マップを、一辺の長さが１００メートルの正方形メッシュセットＬに分割し、単調に増加する整数を使用し、メッシュを上から下に、左から右に識別する。その後、Ｚ－ｓｃｏｒｅを利用して標準化し、正規分布Ｎ（０，１）に従うようにさせる。
サーバは、道路情報のメッシュ位置、即ち、サンプルの位置ｌsを確定したとき、情報発生地点のＧＰＳ情報に基づき、道路情報のメッシュを確定し、ひいては、該メッシュに対応する値を取得する。
上記には、本願の実施例で言及したマップデータの更新方法の具体的な実現を紹介したが、下記は、本願の装置の実施例であり、本願の方法の実施例を実行するために使用されることができる。本願の装置の実施例において披露しなかった詳細は、本願の方法の実施例を参照されたい。
図５は、本願の実施例に係るマップデータの更新装置の一構造概略図である。該装置は、サーバに集積されるか、又はサーバによって実現されてもよい。図５に示したように、本実施例において、該マップデータの更新装置１００は、受信モジュール１１、確定モジュール１２、認識モジュール１３及び更新モジュール１４を含むことができる。
受信モジュール１１は、電子機器によって報告される道路情報を受信し、前記道路情報はロードサイドユニットにより前記電子機器にブロードキャストされる道路情報である。
確定モジュール１２は、前記道路情報に基づき、少なくとも１つのシーケンスを確定し、前記少なくとも１つのシーケンスにおいて同一シーケンスに属する道路情報は、種類及び発生位置が同じである。
認識モジュール１３は、前記少なくとも１つのシーケンスにおけるシーケンスごとに含まれた道路情報を、予め訓練されたニューラルネットワークモデルに入力し、対応するシーケンスの認識結果を得、前記認識結果は、前記対応するシーケンスに属する道路情報が有効なものであるかどうかを指示するためのものであり、前記対応するシーケンスに属する道路情報が有効なものであると、前記対応するシーケンスに属する道路情報が実の道路情報である。
更新モジュール１４は、前記対応するシーケンスに属する道路情報が有効なものである場合、マップデータを前記対応するシーケンスに属する道路情報を利用して更新する。
図６は、本願の実施例に係るマップデータの更新装置の他の構造概略図である。図６のように、本実施例に係るマップデータの更新装置１００は、上記図５に基づき、さらに、
前記認識モジュール１３が前記少なくとも１つのシーケンスにおけるシーケンスごとに含まれた道路情報を、予め訓練されたニューラルネットワークモデルに入力し、対応するシーケンスの認識結果を得る前に、サンプルセットを取得し、前記サンプルセットにおけるサンプルがポジティブサンプルとネガティブサンプルとを含み、前記ポジティブサンプルは実の道路情報であり、前記ネガティブサンプルは偽りの道路情報であり、前記サンプルセットにおけるサンプルを分割し、少なくとも１つのサンプルシーケンスを得、前記少なくとも１つのサンプルシーケンスにおいて同一サンプルシーケンスに属するサンプルは、種類及び発生位置が同じであり、前記少なくとも１つのサンプルシーケンスに基づき、初期モデルを訓練し、前記ニューラルネットワークモデルを得るために使用される訓練モジュール１５を含む。
一実現可能な設計において、ｉ番目のサンプルシーケンスに対して、前記訓練モジュール１５は、前記少なくとも１つのサンプルシーケンスに基づき、初期モデルを訓練し、前記ニューラルネットワークモデルを得るとき、前記初期モデルの埋め込み層で、前記ｉ番目のサンプルシーケンスにおけるサンプルごとに特徴ベクトルを確定し、前記ｉ番目のサンプルシーケンスは、前記少なくとも１つのサンプルシーケンスのいずれか１つのサンプルシーケンスに基づいて得られるものであり、前記ｉ番目のサンプルシーケンスにおけるサンプルごとに特徴ベクトルを前記初期モデルの長期短期記憶リカレントニューラルネットワーク層を利用して学習し、複数のコンテキストベクトルを得て、前記複数のコンテキストベクトルにおけるコンテキストベクトルごとに、前記ｉ番目のサンプルシーケンスにおけるサンプル間の関係を指示するためのものであり、前記複数のコンテキストベクトルに基づいて前記初期モデルの接続層、完全接続層及び損失関数層を訓練し、前記ニューラルネットワークモデルを得るために使用される。
一実現可能な設計において、前記訓練モジュール１５は、前記複数のコンテキストベクトルに基づいて前記初期モデルの接続層、完全接続層及び損失関数層を訓練し、前記ニューラルネットワークモデルを得るとき、前記初期モデルの接続層で、前記複数のコンテキストベクトルをスプライスし、スプライスベクトルを得、前記初期モデルの完全接続層及び損失関数層を前記スプライスベクトルを利用して学習し、前記ニューラルネットワークモデルを得るために使用される。
一実現可能な設計において、前記ｉ番目のサンプルシーケンスは、前記少なくとも１つのサンプルシーケンスのいずれか１つのサンプルシーケンスであるか、または、前記ｉ番目のサンプルシーケンスは、前記少なくとも１つのサンプルシーケンスのいずれか１つのサンプルシーケンスのサブシーケンスである。
一実現可能な設計において、前記訓練モジュール１５は、前記ｉ番目のサンプルシーケンスに対して、前記ｉ番目のサンプルシーケンスにおける前記サンプルごとに前記特徴ベクトルを確定したとき、前記ｉ番目のサンプルシーケンスにおける前記サンプルごとに対応する電子機器特徴、ロードサイドユニット特徴及び道路情報特徴の少なくとも１つを抽出し、前記ｉ番目のサンプルシーケンスにおける前記サンプルごとに、前記サンプルごとに対応する前記電子機器特徴、前記ＲＳＵ特徴及び前記道路情報特徴の少なくとも１つに基づき、前記サンプルごとに前記特徴ベクトルを生成し、前記電子機器特徴は前記サンプルごとを報告する電子機器を表徴するためのものであり、前記ＲＳＵ特徴は前記サンプルごとを前記電子機器へブロードキャストするＲＳＵを表徴するためのものであり、前記道路情報特徴が前記サンプルごとを表徴するためのものであるために使用されるものである。
一実現可能な設計において、前記電子機器特徴は、前記電子機器の識別子、前記サンプルごとの前記電子機器による報告の回数又は有効なサンプルの前記電子機器による報告の回数を含み、前記訓練モジュール１５は、また、前記電子機器によって報告される前記サンプルごとの重複を排除し、重複なしサンプルの前記電子機器による報告の回数を確定し、前記電子機器によって報告される前記有効なサンプルの重複を排除し、重複なしで有効なサンプルの前記電子機器による報告の回数を確定するために使用される。
一実現可能な設計において、前記ＲＳＵ特徴は、前記ＲＳＵの識別子、前記サンプルごとの前記ＲＳＵによるブロードキャストの総回数及び前記有効なサンプルの前記ＲＳＵによるブロードキャストの回数を含み、前記訓練モジュール１５は、さらに、前記サンプルごとの前記ＲＳＵによるブロードキャストの総回数から、前記サンプルの前記ＲＳＵによる重複ブロードキャストの回数を差し引き、前記有効なサンプルのＲＳＵによるブロードキャストの回数から、前記有効なサンプルの前記ＲＳＵによる重複ブロードキャストの回数を差し引くために使用されるものでもある。
一実現可能な設計において、前記道路情報特徴は、サンプルの種類、サンプルの位置、サンプルの開始時点、サンプルの終了時点、前記サンプルごとの前記電子機器によって受信された時点の少なくとも１つの特徴を含み、前記サンプルの位置は前記サンプルごとに発生の地理的位置を表徴するためのものである。
本願の実施例に係るマップデータの更新装置は、上記実施例においてサーバによって実行される方法のために使用されることができ、その実現原理や技術的効果が類似しているため、ここで繰り返して説明しないようにする。
本願の実施例により、本願は、さらに、電子機器及び可読記憶媒体を提供する。
本願の実施例では、本願は、コンピュータ可読記憶媒体に記憶されたコンピュータプログラムを提供し、前記コンピュータプログラムにおける命令は、プロセッサ実行されるとき、上記のいずれか１つの実施例の手段を実現する。
図７は、本願の実施例のマップデータの更新方法を実現するための電子機器のブロック図である。電子機器は、ラップトップコンピュータ、デスクトップコンピュータ、作業台、パーソナルデジタルアシスタント、サーバ、ブレードサーバ、大型コンピュータ、及びその他の適切なコンピュータなどのような、様々な形のデジタルコンピュータを表すことを主旨とする。電子機器はまた、パーソナルデジタルアシスタント、セルラーテレフォン、スマートフォーン、ウェアラブルデバイス及びその他の類似するコンピューティングデバイスなどのような、様々な形のモバイル装置を表すこともできる。本明細書に示したコンポーネント、それらの連結や関係、及び、それらの機能は、あくまで例示的なものにすぎず、本明細書に記載の及び／又は本文が求める本願の実現を制限することを意図しない。
図７に示すように、該電子機器は、１つ又は複数のプロセッサ２１、メモリ２２、及び各コンポーネントを連結するためのインタフェースを含み、該インタフェースは、高速インタフェースと低速インタフェースとを含む。個々のコンポーネントは、異なるバスを使用して互いに接続され、パブリックメインボードにインストールされるか、又は、必要に応じて他の方式でインストールされることができる。プロセッサは、電子機器内で実行される命令を処理することができ、外部の入力／出力装置（インタフェースにカップリングされたディスプレイデバイスなど）でグラフィカル・ユーザー・インターフェース（Ｇｒａｐｈｉｃａｌ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ、ＧＵＩ）のグラフィクス情報がディスプレイされるための、メモリ内又はメモリ上に記憶されている命令まで含まれている。他の実施形態において、必要に応じて、複数のプロセッサ及び／又は複数のメモリを複数のメモリと一緒に使用してもよい。同様に、複数の電子機器に接続し、個々の機器により、必要な操作を一部提供（例えば、サーバアレイ、一揃いのブレードサーバ、または、マルチプロセッサシステムとする）してもよい。図７には、１つのプロセッサ２１を例としている。
メモリ２２は、本願に係る非一時的なコンピュータ可読記憶媒体である。そのうち、前記メモリには、少なくとも１つのプロセッサによって実行可能な命令が記憶され、前記少なくとも１つのプロセッサが本願の実施例に係るマップデータの更新方法を実行するようになる。本願の非一時的なコンピュータ可読記憶媒体は、コンピュータ命令を記憶しており、該コンピュータ命令は、コンピュータが本願に係るマップデータの更新方法を実行するようにさせるために使用されるものである。
メモリ２２は、非一時的なコンピュータ可読記憶媒体として、本願の実施例におけるマップデータの更新方法に対応するプログラム命令／モジュール（図５に示した受信モジュール１１や、確定モジュール１２、認識モジュール１３及び更新モジュール１４、および、図６に示した訓練モジュール１５）などの非一時的なソフトウェアプログラム、非一時的なコンピュータによる実行可能なプログラムおよびモジュールを記憶するために使用されるものであってもよい。プロセッサ２１は、メモリ２２に記憶された非一時的なソフトウェアプログラム、命令およびモジュールを実行に移すことにより、サーバの様々な機能アプリケーションおよびデータ処理を実行し、即ち、上記の方法の実施例におけるマップデータの更新方法を実現するようになる。
メモリ２２は、プログラム記憶エリアとデータ記憶エリアとを含むことができ、そのうち、プログラム記憶エリアは、操作システム、少なくとも１つの機能に必要なアプリケーションプログラムを記憶することができ、データ記憶エリアは、マップデータの更新方法を実行する電子機器の使用によって新規されるデータなどを記憶することができる。また、メモリ２２は、高速ランダムアクセスメモリを含むことができ、また、少なくとも１つの磁気ディスク記憶デバイス、フラッシュメモリデバイス、又はその他の非一時的なソリッドステートストレージデバイスなどの非一時的なメモリを含むこともできる。いくつかの実施例において、メモリ２２は、プロセッサ２１に対して遠隔に設置されているメモリを選択的に含むことができ、それらの遠隔メモリは、ネットワークを介し、マップデータの更新方法を実行する電子機器に接続されることができる。上記のネットワークの実例は、インターネット、イントラネット、ローカルエリアネットワーク、モバイル通信ネットワーク、及びそれらの組み合わせを含むが、これらに限定されない。
マップデータの更新方法の電子機器は、さらに、入力装置２３及び出力装置２４を含むことができる。プロセッサ２１や、メモリ２２、入力装置２３及び出力装置２４は、バス又はその他の方式によって接続されてもよく、図７では、バスによって接続される方式を例としている。
入力装置２３は、入力される数字又はキャラクタ情報を受信し、マップデータの更新電子機器のユーザ設定、および機能制御に関連する鍵信号の入力を発生することができ、タッチスクリーン、キーパッド、マウス、トラックパッド、タッチパッド、インディケータロッド、１つ又は複数のマウスボタン、トラックボール、操縦ハンドルなどの入力装置が挙げられる。出力装置２４は、ディスプレイデバイス、補助照明装置（ＬＥＤなど）や触感フィードバック装置（振動モータなど）などを含むことができる。該ディスプレイデバイスは、液晶ディスプレイ（ＬＣＤ）、発光ダイオード（ＬＥＤ）ディスプレイやプラズマディスプレイを含むことができるが、それらに限定されない。いくつかの実施形態では、ディスプレイデバイスはタッチスクリーンであってもよい。
ここに記載のシステムや技術的様々な実施形態は、デジタル電子回路、集積回路システム、特定用途向けＡＳＩＣ（特定用途向け集積回路）、コンピュータハードウェア、ファームウェア、ソフトウェア、及び／又はそれらの組み合わせで実現されてよい。それらの様々な実施形態は、１つ又は複数のコンピュータプログラムに実施される形態を含むことができ、該１つ又は複数のコンピュータプログラムは、少なくとも１つのプログラマブルプロセッサを含むプログラマブルシステムで実行及び／又は解釈されることができ、該プログラマブルプロセッサは、特定用途向け、または、汎用プログラマブルプロセッサであってもよく、記憶システム、少なくとも１つの入力装置、や少なくとも１つの出力装置から、データや命令を受信し、そして、データや命令を該記憶システム、該少なくとも１つの入力装置や、該少なくとも１つの出力装置に伝送することができる。
これらコンピュータプログラム（プログラム、ソフトウェア、ソフトウェアアプリケーション、または、コードとも呼ばれる）は、プログラマブルプロセッサの機械命令を含み、これらのコンピュータプログラムをアドバンスプロセス及び／又はオブジェクト指向型プログラミング言語、及び／又はアセンブリ言語／機械言語を利用して実施することができる。例えば、本明細書に使用される用語「機械可読媒体」や「コンピュータ可読媒体」は、機械命令及び／又はデータをプログラマブルプロセッサに提供するための任意のコンピュータプログラム製品、デバイス、及び／又は装置（磁気ディスク、光ディスク、メモリ、プログラマブルロジック装置（ＰＬＤ）など）のことを指し、機械可読信号としての機械命令を受信する機械可読媒体を含む。用語「機械可読信号」は、機械命令及び／又はデータをプログラマブルプロセッサに提供するための任意の信号のことを指す。
ユーザとのインタラクションを提供するために、ここに記載のシステムや技術をコンピュータで実施することができ、該コンピュータは、ユーザへ情報をディスプレイするためのディスプレイ装置（ＣＲＴ（陰極線管）またはＬＣＤ（液晶ディスプレイ）モニターなど）、及びキーボードやポインティングデバイス（マウス又はトラックボールなど）があり、ユーザは、該キーボードや該ポインティングデバイスを通じ、入力をコンピュータに提供することができる。その他の種類の装置は、ユーザとのインタラクションを提供するために使用されることができ、例えば、ユーザに提供されるフィードバックは、任意の形の感覚フィードバック（視覚フィードバック、聴覚フィードバック、または触感フィードバックなど）であってもよく、ユーザからの入力を任意の形（音入力、音声入力又は触感入力を含む）で受信することができる。
ここに記載のシステムや技術は、バックグランドコンポーネントを含むコンピュータシステム（データサーバとして作用するなど）に、または、ミドルウェアコンポーネントを含むコンピュータシステム（アプリケーションサーバなど）に、または、フロントエンドコンポーネントを含むコンピュータシステム（図形式のユーザインタフェース、またはネットワークブラウザを備えるユーザコンピュータなど、ユーザは、該図形式のユーザインタフェース、または該ネットワークブラウザを通じてここに記載のシステムや技術に係る実施形態とイントラクションをすることができる）に、またはこのようなバックグランドコンポーネント、ミドルウェアコンポーネント、またはフロントエンドコンポーネントの任意の組み合わせを含むコンピュータシステムに実施されてもよい。システムのコンポーネントは、任意の形、または媒体のデジタルデータ通信（通信ネットワークなど）を通じて相互に接続することができる。通信ネットワークは、例示的に、ローカルエリアネットワーク（ＬＡＮ）や、ワイドエリアネットワーク（ＷＡＮ）及びインターネットを含む。
コンピューティングシステムは、クライアント端末やサーバを含むことができる。クライアント端末やサーバは、一般的に、互いに遠く離れており、通信ネットワークを通じてイントラクションをしている。対応するコンピュータでの実行、および、互いにクライアント端末・サーバという関係を有するコンピュータプログラムにより、クライアント端末とサーバとの関係を築き上げる。
本願の実施例は、さらに、マップデータの更新方法を提供し、電子機器によって報告される道路情報を受信し、前記道路情報に基づき、少なくとも１つのシーケンスを確定し、前記少なくとも１つのシーケンスにおいて同一シーケンスに属する道路情報は、種類及び発生位置が同じであり、前記少なくとも１つのシーケンスに基づき、マップデータを更新する。
該実施例の具体的な実現原理は、上記の実施例の記述を参照することができ、ここでは繰り返して説明しないようにする。
本願の実施例の技術的解決手段により、サーバは、シーケンスに含まれた個々の道路情報をニューラルネットワークモデルに入力し、シーケンスにおいて各道路情報のコンテキストをニューラルネットワーク技術と合わせ、有効な道路情報を認識してマップデータを更新することにより、マップデータを正確的に更新する目的を実現する。
上記に示した様々な形のフローを使用し、ステップを改めて並べ替えたり、増加したり、又は削除したりすることができると理解するべきである。例えば、本願に記載の各ステップは、本願に開示された技術的解決手段による所期結果さえ実現されれば、並行して実行されてもよく、順に沿って実行されてもよく、又は順番を乱して実行されてもよいから、本文では、ここで限定されない。
上記の具体的な実施形態は、本願の保護範囲に対する制限を構成しない。当業者であれば、設計要件やその他の要素に基づいた様々な修正、組み合わせ、下位組み合わせや代替が可能であると理解するべきである。本願の精神や原則の範囲内に行われるすべての修正、等価置換や改善は、いずれも本願の保護範囲に含まれるべきである。

Claims (15)

  1. サーバが、電子機器によって報告される道路情報を受信し、前記道路情報はロードサイドユニットＲＳＵにより前記電子機器にブロードキャストされる道路情報であるステップと、
    前記サーバが、前記道路情報に基づき、少なくとも１つのシーケンスを確定し、前記少なくとも１つのシーケンスにおいて同一シーケンスに属する道路情報は、種類及び道路イベントが発生した発生位置が同じであるステップと、
    前記サーバが、前記少なくとも１つのシーケンスにおけるシーケンスごとに含まれた道路情報を、予め訓練されたニューラルネットワークモデルに入力し、対応するシーケンスの認識結果を得、前記認識結果は、前記対応するシーケンスに属する道路情報が有効なものであるかどうかを指示するためのものであり、前記対応するシーケンスに属する道路情報が有効なものであると、前記対応するシーケンスに属する道路情報は真の道路情報であると判定するステップと、
    前記対応するシーケンスに属する道路情報が有効なものである場合、前記サーバが、マップデータを前記シーケンスに属する道路情報を利用して更新するステップと、を含み、
    前記シーケンスは、前記サーバにより、道路情報の種類、道路イベントが発生した発生地点及び前記道路情報の車載ユニットＯＢＵによって受信された時刻の少なくとも１つに従い、複数の道路情報を分類し、並べ替えて得られる道路情報のセットである、マップデータの更新方法。
  2. 前記サーバが、少なくとも１つのシーケンスにおけるシーケンスごとに含まれた道路情報を、予め訓練されたニューラルネットワークモデルに入力し、対応するシーケンスの認識結果を得る前記ステップの前に、また、
    前記サーバが、サンプルセットを取得し、前記サンプルセットにおけるサンプルがポジティブサンプルとネガティブサンプルとを含み、前記ポジティブサンプルが真の道路情報であり、前記ネガティブサンプルが偽りの道路情報であるステップと、
    前記サーバが、前記サンプルセットにおけるサンプルを分割し、少なくとも１つのサンプルシーケンスを得、前記少なくとも１つのサンプルシーケンスにおいて同一サンプルシーケンスに属するサンプルは、種類及び道路イベントが発生した発生位置が同じであるステップと、
    前記サーバが、前記少なくとも１つのサンプルシーケンスに基づき、初期モデルを訓練し、前記ニューラルネットワークモデルを得るステップと、を含む、請求項１に記載のマップデータの更新方法。
  3. 前記サーバが、少なくとも１つのサンプルシーケンスに基づき、初期モデルを訓練し、前記ニューラルネットワークモデルを得る前記ステップは、
    ｉ番目のサンプルシーケンスに対して、前記サーバが、前記初期モデルの埋め込み層で、前記ｉ番目のサンプルシーケンスにおけるサンプルごとに特徴ベクトルを確定し、前記ｉ番目のサンプルシーケンスは、前記少なくとも１つのサンプルシーケンスのいずれか１つのサンプルシーケンスに基づいて得られるものであるステップと、
    前記サーバが、前記ｉ番目のサンプルシーケンスにおけるサンプルごとに特徴ベクトルを前記初期モデルの長期短期記憶リカレントニューラルネットワーク層を利用して学習して、複数のコンテキストベクトルを得、前記複数のコンテキストベクトルにおけるコンテキストベクトルごとは、前記ｉ番目のサンプルシーケンスにおけるサンプル間の関係を指示するためのものであるステップと、
    前記サーバが、前記複数のコンテキストベクトルに基づいて前記初期モデルの接続層、完全接続層及び損失関数層を訓練し、前記ニューラルネットワークモデルを得、
    前記サーバが、前記複数のコンテキストベクトルに基づいて前記初期モデルの接続層、完全接続層及び損失関数層を訓練し、前記ニューラルネットワークモデルを得る前記ステップは、
    前記サーバが、前記初期モデルの接続層で、前記複数のコンテキストベクトルをスプライスし、スプライスベクトルを得るステップと、
    前記サーバが、前記初期モデルの完全接続層及び損失関数層を前記スプライスベクトルを利用して学習し、前記ニューラルネットワークモデルを得るステップと、を含む請求項２に記載のマップデータの更新方法。
  4. 前記ｉ番目のサンプルシーケンスは、前記少なくとも１つのサンプルシーケンスのいずれか１つのサンプルシーケンスであるか、
    または、
    前記ｉ番目のサンプルシーケンスは、前記少なくとも１つのサンプルシーケンスのいずれか１つのサンプルシーケンスのサブシーケンスである、請求項３に記載のマップデータの更新方法。
  5. ｉ番目のサンプルシーケンスに対して、前記サーバが、前記ｉ番目のサンプルシーケンスにおけるサンプルごとに特徴ベクトルを確定する前記ステップは、
    前記サーバが、前記ｉ番目のサンプルシーケンスにおける前記サンプルごとに対応する電子機器特徴、ロードサイドユニット特徴及び道路情報特徴の少なくとも１つを抽出し、前記電子機器特徴は前記サーバに前記サンプルの各々を報告する電子機器を表徴するためのものであり、前記ＲＳＵ特徴は前記サンプルの各々を前記電子機器へブロードキャストするＲＳＵを表徴するためのものであり、前記道路情報特徴は前記サンプルの各々を表徴するためのものであるステップと、
    前記ｉ番目のサンプルシーケンスにおける前記サンプルごとに、前記サーバが、前記サンプルごとに対応する前記電子機器特徴、前記ＲＳＵ特徴及び前記道路情報特徴の少なくとも１つに基づき、前記サンプルごとに前記特徴ベクトルを生成するステップと、を含む、請求項３に記載のマップデータの更新方法。
  6. 前記電子機器特徴は、前記電子機器の識別子、前記サンプルごとの前記電子機器による報告の回数又は有効なサンプルの前記電子機器による報告の回数を含み、前記マップデータの更新方法は、また、
    前記サーバが、前記電子機器によって報告される前記サンプルごとの重複を排除し、重複なしサンプルの前記電子機器による報告の回数を確定するステップと、
    前記サーバが、前記電子機器によって報告される前記有効なサンプルの重複を排除し、重複なしで有効なサンプルの前記電子機器による報告の回数を確定するステップと、を含み、
    前記ＲＳＵ特徴は、前記ＲＳＵの識別子、前記サンプルごとの前記ＲＳＵによるブロードキャストの総回数及び前記有効なサンプルの前記ＲＳＵによるブロードキャストの回数を含み、前記マップデータの更新方法は、さらに、
    前記サーバが、前記サンプルごとの前記ＲＳＵによるブロードキャストの総回数から、前記サンプルごとの前記ＲＳＵによる重複ブロードキャストの回数を差し引くステップと、
    前記サーバが、前記有効なサンプルの前記ＲＳＵによるブロードキャストの回数から、前記有効なサンプルの前記ＲＳＵによる重複ブロードキャストの回数を差し引くステップと、を含み、
    前記道路情報特徴は、サンプルの種類、サンプルの位置、サンプルの開始時点、サンプルの終了時点、前記サンプルごとの前記電子機器によって受信された時点の少なくとも１つの特徴を含み、前記サンプルの位置は前記サンプルごとに発生の地理的位置を表徴するためのものである、請求項５に記載のマップデータの更新方法。
  7. 電子機器によって報告される道路情報を受信し、前記道路情報はロードサイドユニットＲＳＵにより前記電子機器にブロードキャストされる道路情報である、受信モジュールと、
    前記道路情報に基づき、少なくとも１つのシーケンスを確定し、前記少なくとも１つのシーケンスにおいて同一シーケンスに属する道路情報は、種類及び道路イベントが発生した発生位置が同じである、確定モジュールと、
    前記少なくとも１つのシーケンスにおけるシーケンスごとに含まれた道路情報を、予め訓練されたニューラルネットワークモデルに入力し、対応するシーケンスの認識結果を得て、前記認識結果は、前記対応するシーケンスに属する道路情報が有効なものであるかどうかを指示するためのものであり、前記対応するシーケンスに属する道路情報が有効なものであると、前記対応するシーケンスに属する道路情報が真の道路情報であると判定する、認識モジュールと、
    前記対応するシーケンスに属する道路情報が有効なものである場合、マップデータを前記対応するシーケンスに属する道路情報を利用して更新することに用いられ、更新モジュールと、を含み、
    前記シーケンスは、前記サーバにより、道路情報の種類、道路イベントが発生した発生地点及び前記道路情報の車載ユニットＯＢＵによって受信された時刻の少なくとも１つに従い、複数の道路情報を分類し、並べ替えて得られる道路情報のセットである、マップデータの更新装置。
  8. 前記認識モジュールが前記少なくとも１つのシーケンスにおけるシーケンスごとに含まれた道路情報を、予め訓練されたニューラルネットワークモデルに入力し、対応するシーケンスの認識結果を得る前に、サンプルセットを取得し、前記サンプルセットにおけるサンプルはポジティブサンプルとネガティブサンプルを含み、前記ポジティブサンプルは真の道路情報であり、前記ネガティブサンプルは偽りの道路情報であり、前記サンプルセットにおけるサンプルを分割し、少なくとも１つのサンプルシーケンスを得、前記少なくとも１つのサンプルシーケンスにおける同一サンプルシーケンスに属するサンプルは、種類及び道路イベントが発生した発生位置が同じであり、前記少なくとも１つのサンプルシーケンスに基づき、初期モデルを訓練し、前記ニューラルネットワークモデルを得るために使用される訓練モジュール、をさらに含む、請求項７に記載のマップデータの更新装置。
  9. ｉ番目のサンプルシーケンスに対して、前記訓練モジュールは、前記少なくとも１つのサンプルシーケンスに基づき、初期モデルを訓練し、前記ニューラルネットワークモデルを得るとき、前記初期モデルの埋め込み層で、前記ｉ番目のサンプルシーケンスにおけるサンプルごとに特徴ベクトルを確定し、前記ｉ番目のサンプルシーケンスは、前記少なくとも１つのサンプルシーケンスのいずれか１つのサンプルシーケンスに基づいて得られるものであり、前記ｉ番目のサンプルシーケンスにおけるサンプルごとに特徴ベクトルを前記初期モデルの長期短期記憶リカレントニューラルネットワーク層を利用して学習し、複数のコンテキストベクトルを得、前記複数のコンテキストベクトルにおけるコンテキストベクトルごとは、前記ｉ番目のサンプルシーケンスにおけるサンプル間の関係を指示するためのものであり、前記複数のコンテキストベクトルに基づいて前記初期モデルの接続層、完全接続層及び損失関数層を訓練し、前記ニューラルネットワークモデルを得、
    前記訓練モジュールは、前記複数のコンテキストベクトルに基づいて前記初期モデルの接続層、完全接続層及び損失関数層を訓練し、前記ニューラルネットワークモデルを得るとき、前記初期モデルの接続層で、前記複数のコンテキストベクトルをスプライスし、スプライスベクトルを得、前記初期モデルの完全接続層及び損失関数層を前記スプライスベクトルを利用して学習し、前記ニューラルネットワークモデルを得る、請求項８に記載のマップデータの更新装置。
  10. 前記ｉ番目のサンプルシーケンスは、前記少なくとも１つのサンプルシーケンスのいずれか１つのサンプルシーケンスであるか、
    または、
    前記ｉ番目のサンプルシーケンスは、前記少なくとも１つのサンプルシーケンスのいずれか１つのサンプルシーケンスのサブシーケンスである、請求項９に記載のマップデータの更新装置。
  11. 前記訓練モジュールは、前記ｉ番目のサンプルシーケンスに対して、前記ｉ番目のサンプルシーケンスにおける前記サンプルごとに前記特徴ベクトルを確定するとき、前記ｉ番目のサンプルシーケンスにおける前記サンプルごとに対応する電子機器特徴、ロードサイドユニット特徴及び道路情報特徴の少なくとも１つを抽出し、前記ｉ番目のサンプルシーケンスにおける前記サンプルごとに、前記サンプルごとに対応する前記電子機器特徴、前記ＲＳＵ特徴及び前記道路情報特徴の少なくとも１つに基づき、前記サンプルごとに前記特徴ベクトルを生成し、前記電子機器特徴は前記サーバに前記サンプルの各々を報告する電子機器を表徴するためのものであり、前記ＲＳＵ特徴は前記サンプルの各々を前記電子機器へブロードキャストするＲＳＵを表徴するためのものであり、前記道路情報特徴は前記サンプルの各々を表徴するためのものである、請求項９に記載のマップデータの更新装置。
  12. 前記電子機器特徴は、前記電子機器の識別子、前記サンプルごとの前記電子機器による報告の回数又は有効なサンプルの前記電子機器による報告の回数を含み、前記訓練モジュールは、また、前記電子機器によって報告される前記サンプルごとの重複を排除し、重複なしサンプルの前記電子機器による報告の回数を確定し、前記電子機器によって報告される前記有効なサンプルの重複を排除し、重複なしで有効なサンプルの前記電子機器による報告の回数を確定するために使用され、
    前記ＲＳＵ特徴は、前記ＲＳＵの識別子、前記サンプルごとの前記ＲＳＵによるブロードキャストの総回数及び前記有効なサンプルの前記ＲＳＵによるブロードキャストの回数を含み、前記訓練モジュールは、さらに、前記サンプルごとの前記ＲＳＵによるブロードキャストの総回数から、前記サンプルごとの前記ＲＳＵによる重複ブロードキャストの回数を差し引き、前記有効なサンプルの前記ＲＳＵによるブロードキャストの回数から、前記有効なサンプルの前記ＲＳＵによる重複ブロードキャストの回数を差し引くために使用され、
    前記道路情報特徴は、サンプルの種類、サンプルの位置、サンプルの開始時点、サンプルの終了時点、前記サンプルごとの前記電子機器によって受信された時点の少なくとも１つの特徴を含み、前記サンプルの位置は前記サンプルごとに発生の地理的位置を表徴するためのものである、請求項１１に記載のマップデータの更新装置。
  13. 少なくとも１つのプロセッサ、および
    前記少なくとも１つのプロセッサと通信するように接続されるメモリを含み、そのうち、
    前記メモリには、前記少なくとも１つのプロセッサによって実行可能な命令が記憶されており、前記命令が前記少なくとも１つのプロセッサによって実行されることで、前記少なくとも１つのプロセッサは、請求項１～請求項６のいずれか１項に記載のマップデータの更新方法を実行することができるようになる、電子機器。
  14. 電子機器によって実行されるとき、電子機器に請求項１～請求項６のいずれか１項に記載のマップデータの更新方法を実現させる命令を含む、コンピュータプログラム。
  15. コンピュータ命令が記憶された非一時的なコンピュータ可読記憶媒体であって、前記コンピュータ命令は、コンピュータに請求項１～請求項６のいずれか１項に記載のマップデータの更新方法を実行させるためのものである、可読記憶媒体。
JP2021026517A 2020-09-04 2021-02-22 マップデータの更新方法、装置、機器及び可読記憶媒体 Active JP7168708B2 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202010922958.1A CN112069279B (zh) 2020-09-04 2020-09-04 地图数据更新方法、装置、设备及可读存储介质
CN202010922958.1 2020-09-04

Publications (2)

Publication Number Publication Date
JP2021101186A JP2021101186A (ja) 2021-07-08
JP7168708B2 true JP7168708B2 (ja) 2022-11-09

Family

ID=73665662

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021026517A Active JP7168708B2 (ja) 2020-09-04 2021-02-22 マップデータの更新方法、装置、機器及び可読記憶媒体

Country Status (5)

Country Link
US (1) US11859998B2 (ja)
EP (1) EP3842759A3 (ja)
JP (1) JP7168708B2 (ja)
KR (1) KR102558657B1 (ja)
CN (1) CN112069279B (ja)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220146277A1 (en) * 2020-11-09 2022-05-12 Argo AI, LLC Architecture for map change detection in autonomous vehicles
CN112883236B (zh) * 2021-02-26 2024-01-16 北京百度网讯科技有限公司 一种地图更新方法、装置、电子设备及存储介质
US11867514B2 (en) 2021-09-24 2024-01-09 Telenav, Inc. Navigation system with independent positioning mechanism and method of operation thereof
CN114036254A (zh) * 2021-12-02 2022-02-11 广州小鹏自动驾驶科技有限公司 一种地图构建方法、地图构建装置、车辆及存储介质
WO2023150933A1 (en) * 2022-02-09 2023-08-17 Telefonaktiebolaget Lm Ericsson (Publ) Trust validation of location information

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004205344A (ja) 2002-12-25 2004-07-22 Sharp Corp 地図情報管理装置、地図情報管理システム、地図情報管理方法、地図情報管理プログラムおよびそのプログラムを記録したコンピュータ読取り可能な記録媒体
JP2016161456A (ja) 2015-03-03 2016-09-05 富士重工業株式会社 車両の地図データ処理装置
JP2019212186A (ja) 2018-06-08 2019-12-12 スズキ株式会社 運転支援装置

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3714552B2 (ja) 2002-08-20 2005-11-09 三菱電機株式会社 端末装置及び情報処理装置及び情報処理方法及びイベント情報送信方法
JP4561913B2 (ja) * 2008-01-25 2010-10-13 株式会社デンソー 地図データ管理装置、及び地図データ管理方法
JP5216665B2 (ja) * 2009-03-31 2013-06-19 アイシン・エィ・ダブリュ株式会社 地図データ更新システム及び地図データ更新プログラム、並びにこれを利用したナビゲーション装置及び車両制御装置
JP5686088B2 (ja) * 2011-11-14 2015-03-18 アイシン・エィ・ダブリュ株式会社 道路データ作成装置、道路データ作成方法及びプログラム
US9221461B2 (en) * 2012-09-05 2015-12-29 Google Inc. Construction zone detection using a plurality of information sources
US10234305B2 (en) * 2015-08-27 2019-03-19 Here Global B.V. Method and apparatus for providing a targeted map display from a plurality of data sources
WO2017135783A1 (en) * 2016-02-06 2017-08-10 Lg Electronics Inc. Method and apparatus for allocating resources for v2x message transmission in wireless communication system
DE112018003365T5 (de) * 2017-06-30 2020-03-12 Intel Corporation V2x-kommunikationen unter verwendung mehrerer funkzugriffstechniken (mehrfach-rat)
US20190043486A1 (en) 2017-08-04 2019-02-07 EMR.AI Inc. Method to aid transcribing a dictated to written structured report
CN110069578A (zh) * 2017-08-23 2019-07-30 富士通株式会社 更新地图信息的方法、装置和电子设备
CN110751261B (zh) * 2018-07-23 2024-05-28 第四范式（北京）技术有限公司 神经网络模型的训练方法和***以及预测方法和***
CN110146097B (zh) * 2018-08-28 2022-05-13 北京初速度科技有限公司 自动驾驶导航地图的生成方法、***、车载终端及服务器
CN111160484B (zh) * 2019-12-31 2023-08-29 腾讯科技（深圳）有限公司 数据处理方法、装置、计算机可读存储介质及电子设备

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004205344A (ja) 2002-12-25 2004-07-22 Sharp Corp 地図情報管理装置、地図情報管理システム、地図情報管理方法、地図情報管理プログラムおよびそのプログラムを記録したコンピュータ読取り可能な記録媒体
JP2016161456A (ja) 2015-03-03 2016-09-05 富士重工業株式会社 車両の地図データ処理装置
JP2019212186A (ja) 2018-06-08 2019-12-12 スズキ株式会社 運転支援装置

Also Published As

Publication number Publication date
JP2021101186A (ja) 2021-07-08
KR20210037622A (ko) 2021-04-06
CN112069279B (zh) 2022-11-08
EP3842759A2 (en) 2021-06-30
EP3842759A3 (en) 2021-11-10
US11859998B2 (en) 2024-01-02
KR102558657B1 (ko) 2023-07-24
US20210207976A1 (en) 2021-07-08
CN112069279A (zh) 2020-12-11

Similar Documents

Publication Publication Date Title
JP7168708B2 (ja) マップデータの更新方法、装置、機器及び可読記憶媒体
CN111951144B (zh) 一种违章路段的确定方法、设备及计算机可读存储介质
EP3926534A2 (en) Method and apparatus of estimating road condition and method and apparatus of establishing road condition estimation model
KR102544760B1 (ko) 교통 사고 인식 방법, 장치, 기기 및 컴퓨터 기록 매체
CN111739344B (zh) 一种预警方法、装置及电子设备
CN112307978B (zh) 目标检测方法、装置、电子设备及可读存储介质
EP3842752A1 (en) Vehicle positioning method, apparatus, electronic device, vehicle and storage medium
CN114638148A (zh) 用于自动化交通工具的文化敏感驾驶的安全的并且可扩展的模型
KR20210076886A (ko) 주차 모델 생성 방법 및 장치, 전자 장치 및 저장 매체
US11900224B2 (en) Generating trajectory labels from short-term intention and long-term result
US20210291878A1 (en) Method and apparatus for annotating virtual lane at crossing
CN115909749B (zh) 车辆运行道路风险预警方法、装置、设备及存储介质
US20230159052A1 (en) Method for processing behavior data, method for controlling autonomous vehicle, and autonomous vehicle
US20220204000A1 (en) Method for determining automatic driving feature, apparatus, device, medium and program product
CN112800153B (zh) 隔离带信息的挖掘方法、装置、设备和计算机存储介质
CN114443794A (zh) 数据处理和地图更新方法、装置、设备以及存储介质
EP3958219A2 (en) Method and apparatus for generating a license plate defacement classification model, license plate defacement classification method and apparatus, electronic device, storage medium, and computer program product
CN111597986A (zh) 用于生成信息的方法、装置、设备和存储介质
CN113420692A (zh) 生成方向识别模型的方法、装置、设备、介质及程序产品
CN116434173A (zh) 道路图像检测方法、装置、电子设备及存储介质
US20220155096A1 (en) Processing sparse top-down input representations of an environment using neural networks
JP7158109B2 (ja) 車両加速度計の前進軸のキャリブレーション方法及び装置
CN111442775B (zh) 道路的识别方法、装置、电子设备及可读存储介质
CN114419883A (zh) 识别路口缺失交通限制信息的方法、装置和电子设备
CN110795977B (zh) 交通信号识别方法、装置、存储介质及电子设备

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210222

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220322

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220617

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20221004

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20221027

R150 Certificate of patent or registration of utility model

Ref document number: 7168708

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150