车道级连通关系生成方法、装置、设备及存储介质与流程

摘要: 本技术涉及导航地图数据处理,尤其涉及一种车道级连通关系生成方法、装置、设备及存储介质。背景技术:1、在导航地图和高精地图的数据制作领域,车道级连通关系是支撑车道...
车道级连通关系生成方法、装置、设备及存储介质与流程

本技术涉及导航地图数据处理,尤其涉及一种车道级连通关系生成方法、装置、设备及存储介质。

背景技术:

1、在导航地图和高精地图的数据制作领域,车道级连通关系是支撑车道级导航、高阶辅助驾驶及自动驾驶等应用的核心基础数据。该数据描述了车辆在路口或道路连接处从当前所在车道驶入下一路段车道的通行可能性,其制作质量直接决定了下游导航引导和轨迹规划功能的可用性与安全性。随着城市道路网络规模的持续扩大和车道级地图应用需求的快速增长,车道级连通关系的数据制作已从早期的少量重点城市覆盖,扩展至全国数百个城市的大规模批量化生产,如何高效、准确地完成海量路口场景下车道连通关系的生成与更新,已成为地图制作行业的核心工程问题。

2、现有技术依赖固定规则模板处理车道连通关系,其局限性在复杂场景中尤为突出。例如,在多方向交叉口或异形匝道中,规则模板无法覆盖所有可能的车道组合,导致大量人工复核。此外,规则模板需针对不同道路等级、车道数量及转向配置逐一编写,维护成本高。当道路网络新增未见场景(如非标准环形路口)时,规则引擎无法通过类比推理生成合理结果,需人工补充规则。这种刚性匹配方式导致输出结果在不同场景间缺乏一致性,且无法适应道路网络的持续演变。

3、因此,现有技术规则覆盖范围有限,无法适应复杂异形路口场景是本领域亟需解决的技术问题。

技术实现思路

1、本技术实施例提供一种车道级连通关系生成方法、装置、设备及存储介质,用以解决现有技术规则覆盖范围有限,无法适应复杂异形路口场景的问题。

2、第一方面,本技术实施例提供一种车道级连通关系生成方法,包括:

3、获取待处理道路场景的结构化地图数据并转换为文本描述,所述结构化地图数据至少包含道路拓扑结构、车道属性及转向引导信息;

4、将所述文本描述输入至目标大语言模型,通过所述目标大语言模型进行推理,输出所述待处理道路场景的车道级连通关系,所述目标大语言模型是基于历史车道连通关系标注数据对通用大语言模型进行监督微调训练得到的。

5、在一种可能的实施方式中,所述基于历史车道连通关系标注数据对通用大语言模型进行监督微调训练,包括:

6、将历史道路场景的结构化地图数据与所述历史车道连通关系标注数据中对应的历史车道连通关系标注结果配对为训练样本;

7、基于所述训练样本以交叉熵损失函数为优化目标,对所述通用大语言模型的所有层级参数进行梯度更新。

8、在一种可能的实施方式中,所述道路拓扑结构包含要素标识符及坐标信息,所述车道属性包含要素标识符;所述获取待处理道路场景的结构化地图数据并转换为文本描述,包括:

9、对所述要素标识符进行短别名映射,以所述待处理道路场景为作用域,将各要素的原始标识符替换为场景内唯一的短别名,并将替换后的短别名作为所述文本描述的组成部分;

10、对所述坐标信息进行归一化处理,以交叉口节点为局部坐标系原点,将经纬度坐标转换为相对所述交叉口节点的平面偏移量,并将替换后的平面偏移量作为所述文本描述的组成部分。

11、在一种可能的实施方式中,所述方法还包括:

12、从所述训练样本中按场景类型抽选代表性样本构建重放缓冲池,将所述重放缓冲池中的样本与新增样本混合后参与所述监督微调训练。

13、在一种可能的实施方式中,所述方法还包括:

14、获取所述车道级连通关系对应的场景特征,输入至置信度评分模型,得到所述车道级连通关系的场景级置信度分值;

15、当所述场景级置信度分值达到预设置信度阈值时,将所述车道级连通关系自动写入数据库;

16、当所述场景级置信度分值未达到所述预设置信度阈值时,将所述车道级连通关系流转至人工复核;

17、其中,所述置信度评分模型基于预设训练数据集训练得到,所述预设训练数据集和所述目标大语言模型的训练数据集的数据类型相同,均以场景分组为最小划分单元进行划分且场景分组互不重合。

18、在一种可能的实施方式中,所述以场景分组为最小划分单元进行划分,包括:

19、按场景类型以及采集时间或地理区域进行分层抽样划分,同一道路场景的所有关联样本划入同一数据分区,不跨数据集交叉分配。

20、在一种可能的实施方式中,所述预设训练数据集以同一进入link下的全部连通关系的输出集为单位构建;

21、所述预设训练数据集中正例为所述输出集与所述历史车道连通关系标注数据完全一致的场景,所述完全一致包括连通关系数量相同、各连通关系的进入车道、退出车道、转向方向及途经车道序列均相同;

22、所述预设训练数据集中反例为所述输出集中存在以下任一情形的场景:包含所述历史车道连通关系标注数据中不存在的连通关系、缺少所述历史车道连通关系标注数据中应存在的连通关系、包含重复的连通关系记录、包含相互矛盾的转向方向、或违反所述结构化地图数据中的车道箭头、通行方向或交通限制信息。

23、第二方面,本技术实施例提供一种车道级连通关系生成装置,包括:

24、获取模块,用于获取待处理道路场景的结构化地图数据并转换为文本描述,所述结构化地图数据至少包含道路拓扑结构、车道属性及转向引导信息;

25、推理模块,用于将所述文本描述输入至目标大语言模型,通过所述目标大语言模型进行推理,输出所述待处理道路场景的车道级连通关系,所述目标大语言模型是基于历史车道连通关系标注数据对通用大语言模型进行监督微调训练得到的。

26、在一种可能的实施方式中,所述基于历史车道连通关系标注数据对通用大语言模型进行监督微调训练,包括:

27、将历史道路场景的结构化地图数据与所述历史车道连通关系标注数据中对应的历史车道连通关系标注结果配对为训练样本;

28、基于所述训练样本以交叉熵损失函数为优化目标,对所述通用大语言模型的所有层级参数进行梯度更新。

29、在一种可能的实施方式中,所述道路拓扑结构包含要素标识符及坐标信息,所述车道属性包含要素标识符;所述获取模块,具体包括:

30、对所述要素标识符进行短别名映射,以所述待处理道路场景为作用域,将各要素的原始标识符替换为场景内唯一的短别名,并将替换后的短别名作为所述文本描述的组成部分;

31、对所述坐标信息进行归一化处理,以交叉口节点为局部坐标系原点,将经纬度坐标转换为相对所述交叉口节点的平面偏移量,并将替换后的平面偏移量作为所述文本描述的组成部分。

32、在一种可能的实施方式中,所述装置还包括:

33、构建模块,用于从所述训练样本中按场景类型抽选代表性样本构建重放缓冲池,将所述重放缓冲池中的样本与新增样本混合后参与所述监督微调训练。

34、在一种可能的实施方式中,所述装置还包括:

35、评分模块,用于:

36、获取所述车道级连通关系对应的场景特征,输入至置信度评分模型,得到所述车道级连通关系的场景级置信度分值;

37、当所述场景级置信度分值达到预设置信度阈值时,将所述车道级连通关系自动写入数据库;

38、当所述场景级置信度分值未达到所述预设置信度阈值时,将所述车道级连通关系流转至人工复核;

39、其中,所述置信度评分模型基于预设训练数据集训练得到,所述预设训练数据集和所述目标大语言模型的训练数据集的数据类型相同,均以场景分组为最小划分单元进行划分且场景分组互不重合。

40、在一种可能的实施方式中,所述以场景分组为最小划分单元进行划分,包括:

41、按场景类型以及采集时间或地理区域进行分层抽样划分,同一道路场景的所有关联样本划入同一数据分区,不跨数据集交叉分配。

42、在一种可能的实施方式中,所述预设训练数据集以同一进入link下的全部连通关系的输出集为单位构建;

43、所述预设训练数据集中正例为所述输出集与所述历史车道连通关系标注数据完全一致的场景,所述完全一致包括连通关系数量相同、各连通关系的进入车道、退出车道、转向方向及途经车道序列均相同;

44、所述预设训练数据集中反例为所述输出集中存在以下任一情形的场景:包含所述历史车道连通关系标注数据中不存在的连通关系、缺少所述历史车道连通关系标注数据中应存在的连通关系、包含重复的连通关系记录、包含相互矛盾的转向方向、或违反所述结构化地图数据中的车道箭头、通行方向或交通限制信息。

45、第三方面,本技术实施例提供一种电子设备,包括:存储器,处理器;

46、所述存储器存储计算机执行指令;

47、所述处理器执行所述存储器存储的计算机执行指令,使得所述处理器执行如上第一方面和/或第一方面各种可能的实施方式。

48、第四方面,本技术实施例提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如上第一方面和/或第一方面各种可能的实施方式。

49、第五方面,本技术实施例提供一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现如上第一方面和/或第一方面各种可能的实施方式。

50、本技术实施例提供的车道级连通关系生成方法、装置、设备及存储介质,获取待处理道路场景的结构化地图数据并转换为文本描述,将文本描述输入至目标大语言模型,通过目标大语言模型进行推理,输出待处理道路场景的车道级连通关系。通过上述方法实现了从预设规则匹配到数据驱动泛化推理的范式转变,有效摆脱了对固定规则模板的依赖,使系统能够自动理解并生成包括复杂异形路口在内的各类道路场景下的车道级连通关系。