(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111673307.4 (22)申请日 2021.12.31 (71)申请人 武汉中海庭数据技 术有限公司 地址 430000 湖北省武汉市东湖新 技术开 发区软件园东路1号软件园4.1期B6栋 1层、 9层、 10层01室(自贸区武汉片区) (72)发明人 姚琼杰　尹玉成　石涤文　丁豪　 刘奋　 (74)专利代理 机构 武汉蓝宝石专利代理事务所 (特殊普通 合伙) 42242 专利代理师 范三霞 (51)Int.Cl. G06V 20/58(2022.01) G06V 10/422(2022.01) G06V 10/44(2022.01)G06V 10/80(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种路口引导线生成网络训练方法及路口 引导线生成方法 (57)摘要 本发明涉及一种路口引导线生成网络训练 方法及路口引导线生成方法， 网络模型包括 LSTM‑E层、 池化层、 第一全连接层、 第二全连接 层、 LSTM‑D层； 针对每一个训练样本， 利用LSTM ‑E 层分别提取最佳通行轨迹和非引导线轨迹的语 义特征向量， 利用池化层对多条非引导线轨迹的 语义特征向量进行融合处理； 将融合后的非引导 线轨迹的语义特征向量 以及最佳通行轨迹的语 义特征向量， 作为第一全连接层的输入， 预测训 练样本中轨迹数据所服从分布的均值μ与方差 σ； 从标准正态分布中采样随机向量ε， 并计算 向量z＝ε ×μ+σ； 将融合后的非引导线轨迹的 语义特征向量与向量z作为第二全连接层的输 入， 第二全连接层的输出作为LSTM ‑D层的输入， 逐个预测生成构成路口引导线轨 迹的坐标点。 权利要求书1页 说明书4页 附图1页 CN 114495052 A 2022.05.13 CN 114495052 A 1.一种基于轨迹特征融合的路口引 导线生成网络训练方法， 其特征在于， 网络模型包 括LSTM‑E层、 池化层、 第一全连接层、 第二全连接层、 LSTM ‑D层； 所述训练方法， 包括： 获取训练样本数据集， 所述训练样本数据集中每个样本包括一条最佳通行轨迹和多条 与最佳通行轨 迹同车道或同虚拟车道的非引导线轨 迹； 针对每一个训练样本， 利用LSTM ‑E层分别提取最佳通行轨迹和非引导线轨迹的语义特 征向量， 利用池化层对多条非引导线轨 迹的语义特 征向量进行融合处 理； 将融合后的非引导线轨迹的语义特征向量以及最佳通行轨迹的语义特征向量， 作为第 一全连接层的输入， 预测训练样本中轨 迹数据所服从分布的均值 μ与方差σ； 从标准正态分布中采样随机向量 ε， 并计算向量z＝ ε ×μ+σ； 将融合后的非引导线轨迹的语义特征向量与向量z作为第二全连接层的输入， 第二全 连接层的输出作为 LSTM‑D层的输入， 逐个预测生成构成路口引导线轨 迹的坐标点。 2.根据权利要求1所述的方法， 其特征在于， 还包括， 对训练样本数据集中的轨迹进行 坐标转换， 将轨 迹中坐标点的地球坐标值 转换为符合模型计算的局部坐标值。 3.根据权利要求2所述的方法， 其特 征在于， 所述 坐标转换包括： 将全局坐标系转换为与全局坐标系同方向的笛卡尔坐标系， 或 以车辆进入路口方向为y轴正方向， y轴右手边为x轴正方向建立笛卡尔 坐标系， 将全局 坐标系转换为笛卡尔坐标系， 或 利用轨迹中当前坐标点的全局坐标值减去前一坐标点的全局坐标值作为当前坐标点 进行坐标转换后的局部坐标值； 若当前坐标点为轨迹中的第一个点， 则令当前坐标点的全 局坐标值减去其本身。 4.根据权利要求1所述的方法， 其特征在于， 所述池化层采用AveragePooling、 MaxPooling或AttentionPooling融合策略， 对多条非引导线轨迹的语义特征向量进行融合 处理。 5.一种基于轨迹特征融合的路口引 导线生成方法， 其特征在于， 该方法采用基于权利 要求1‑4任一项所述的训练方法训练得到的网络结构实现， 包括： 获取历史轨迹数据并作为LSTM ‑E层的输入提取所述轨迹数据的语义特征向量， 利用池 化层对历史轨 迹数据的语义特 征向量进行融合处 理； 从标准正态分布中采样随机向量 ε； 将融合后的历史轨迹数据的语义特征向量与随机向量ε作为第二全连接层的输入， 第 二全连接层的输出作为 LSTM‑D层的输入， 逐个预测生成构成路口引导线轨 迹的坐标点。权　利　要　求　书 1/1 页 2 CN 114495052 A 2一种路口引导线生成网 络训练方 法及路口引导线生成方 法 技术领域 [0001]本发明涉及高精度地图制作技术领域， 具体涉及 一种基于轨迹特征融合的路口引 导线生成网络训练方法及路口引导线生成方法。 背景技术 [0002]在众包高精度地图制作 中， 路口引导线是地图中的关键要素， 它是一条符合驾驶 行为的轨 迹， 用于引导智能驾驶车舒 适的通过路口。 [0003]路口引导线生成方法主要有两类： 1)基于运动学模型的方法。 该方法假设地图中 的POI等道路交通元素是理想的、 完备的， 预先提出目标函数， 设计优化规则和防碰撞、 速度 等约束条件， 通过数学方法生成平滑的引导线， 但没有考虑高精度地图制图中道路元素 的 感知存在不确定性， 不一定有很完备 的真实路况和通行信息， 造成了数学方法生成的引导 线难以实用的问题； 2)基于轨迹数据驱动的机器学习方法。 该方法主要以深度学习为代表， 主要应用于轨迹预测， 用前一段路中的轨迹去预测车辆在下一段路中的行驶轨迹， 为行驶 中车辆的生成动态引导线。 在具体实施中， 该方法需要考虑自动驾驶车与周围交通实体的 交互信息和准确地高精度地图信息。 然而， 在这两方面信息都缺乏， 只有历史轨迹的情况 下， 该方法难以实现。 发明内容 [0004]本发明针对现有技术中存在的技术问题， 提供一种基于轨迹特征融合的路口引导 线生成方法及 装置， 解决众包高精度地图制作中， 在仅有历史轨迹的情况下， 道路路口静态 引导线的生成问题。 [0005]本发明解决上述 技术问题的技 术方案如下： [0006]一方面， 本发明提供一种基于轨迹特征融合的路口引导线生成网络训练方法， 网 络模型包括LSTM ‑E层、 池化层、 第一全连接层、 第二全连接层、 LSTM ‑D层； 所述训练方法， 包 括： [0007]获取训练样本数据集， 所述训练样本数据集中每个样本包括一条最佳通行轨迹和 多条与最佳通行轨 迹同车道或同虚拟车道的非引导线轨 迹； [0008]针对每一个训练样本， 利用LSTM ‑E层分别提取最佳通行轨迹和非引导线轨迹的语 义特征向量， 利用池化层对多条非引导线轨 迹的语义特 征向量进行融合处 理； [0009]将融合后的非引导线轨迹的语义特征向量以及最佳通行轨迹的语义特征向量， 作 为第一全连接层的输入， 预测训练样本中轨 迹数据所服从分布的均值 μ与方差σ； [0010]从标准正态分布中采样随机向量 ε， 并计算向量z＝ ε ×μ+σ； [0011]将融合后的非引导线轨迹 的语义特征向量与向量z作为第二全连接层的输入， 第 二全连接层的输出作为 LSTM‑D层的输入， 逐个预测生成构成路口引导线轨 迹的坐标点。 [0012]进一步的， 该方法还包括， 对训练样本数据集中的轨迹进行坐标转换， 将轨迹中坐 标点的地球坐标值 转换为符合模型计算的局部坐标值。说　明　书 1/4 页 3 CN 114495052 A 3