用于结合地图信息调整模型的方法和计算机程序产品与流程

1.本发明涉及一种用于结合地图信息调整模型的方法，以及一种用于执行所述方法的计算机可读的程序载体。


背景技术：

2.驾驶辅助系统和/或自动驾驶系统是在整车架构上被实现的极其复杂的系统，在其研发过程中，同时需要考虑安全性、舒适性、效率等，如此复杂、庞大的系统，其所有模块在研发前期很难快速地被很好地整合。因此，驾驶辅助系统和/或自动驾驶系统的研发的重要部分是集成、验证、模型重构的循环工作。
3.随着高精度地图的不断发展与完善，其不仅能够在驾驶过程中提供较为准确的道路信息，而且在驾驶辅助系统和/或自动驾驶系统的研发及技术实现过程中起到越来越重要的作用。开发者往往基于功能用例预先定义地图要素，再将各地图要素的规格发放至各个功能模块，各个功能模块可以基于该地图要素的规格设计子系统架构，例如规划模块调用地图要素用以结合车辆行为进行规划；感知模块调用地图要素用以确定roi区域(region of interest，感兴趣区域)；定位模块匹配地图要素用以确定车辆位置。
4.然而，在目前已知的现有技术中，高精度地图的制作和系统各模块的开发相对独立，通常在研发的后期才引入系统的集成、测试等研发过程中，而在模块自身的开发阶段中并不考虑引入高精度地图，因此在研发过程中所开发的模块的模型通常是广泛适配的模型。对于驾驶辅助系统和/或自动驾驶系统的研发而言，如果在模块的模型训练阶段就提前引入地图要素并进行有针对性的训练，那么该模块的模型就由一个广泛适配的模型转变为多个特定适配的模型，由此降低验证难度，并提高单模型精度；也可以由一个广泛适配的模型转变为搭配多个特定适配的模型，由此提高单模型精度，保证系统功能冗余。因此，如何在驾驶辅助系统和/或自动驾驶系统的研发过程中结合地图信息精确高效地调整各个功能模块的模型成为目前普遍存在的技术难点。


技术实现要素：

5.本发明的目的在于提供一种用于结合地图信息调整模型的方法以及一种用于执行所述方法的计算机可读的程序载体，以解决现有技术中的问题。本发明的核心构思在于：在驾驶辅助系统和/或自动驾驶系统的开发阶段对地图信息进行提取和/或分析；通过例如排列组合的方式构建地图要素的全集及其不相交的子集；将模型的训练数据分类至所划分的子集，由此实现经分类地、有针对性地训练模型，使得这些数据驱动的模型更加准确。在系统的应用阶段基于道路环境调用最适当的模型，使得该系统的应用更加安全可靠。
6.根据本发明的第一方面，提供了一种用于结合地图信息调整模型的方法，其中，所述方法包括以下步骤：
7.步骤s1：对地图信息进行提取和/或分析；
8.步骤s2：由所述地图信息构建功能所需的地图要素的全集；
9.步骤s3：分析所述地图要素对所述功能的影响；
10.步骤s4：将所述地图要素的全集基于分析结果划分成子集；
11.步骤s5：将模型的训练数据分类至所划分的子集；
12.步骤s6：基于经分类的子集的训练数据对模型进行训练。
13.在本发明的意义中，所述地图信息可以包括道路信息和/或交通标志信息等。所述道路信息例如可以包括道路类型、道路宽度、道路坡度、道路曲率、车道数、车道线类型等。所述交通标志信息例如可以包括交通信号灯、车道通行指示标志、车道禁入标志、限速标志等。
14.可选地，所述方法还包括以下步骤：
15.步骤s7：对经训练的模型进行测试和评估。
16.可选地，步骤s7包括以下步骤：
17.步骤s71：对经训练的模型进行测试；
18.步骤s72：对经训练的模型进行评估，以判定测试结果是否达到预设标准，如果测试结果未达到预设标准，则跳到步骤s3，如果测试结果达到预设标准，则通过测试。
19.可选地，在步骤s4中，所划分的子集是互不相交的子集。
20.可选地，所述方法还包括以下步骤：
21.步骤s51：在对模型的训练数据进行分类前，对模型的训练数据基于所划分的子集进行过滤和/或筛选。
22.可选地，在步骤s5中，对各个模型的训练数据分别进行分类，使得每个模型分别具有其特定的子集；在步骤s6中，基于与模型对应的子集的训练数据分别对各个模型进行训练。
23.可选地，在步骤s5中，将所有模型的训练数据分类至共用的子集；在步骤s6中，基于所述共用的子集的训练数据对所有模型进行训练。
24.可选地，可以同时并行执行步骤s3至s6。
25.可选地，所述方法还包括以下步骤：
26.步骤s73：选择评估结果最优的经训练的模型。
27.根据本发明的第二方面，提供了一种计算机程序产品、例如计算机可读的程序载体，包含计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法的步骤。
附图说明
28.下面通过参照附图更详细地描述本发明可以更好地理解本发明的原理、特点和优点。附图示出：
29.图1示出根据本发明的一个示例性实施例的用于结合地图信息调整模型的方法的工作流程图；
30.图2示出根据本发明的另一示例性实施例的用于结合地图信息调整模型的方法的工作流程图；
31.图3示出根据本发明的另一示例性实施例的用于结合地图信息调整模型的方法的工作流程图；
32.图4示出根据本发明的另一示例性实施例的用于结合地图信息调整模型的方法的
工作流程图。
具体实施方式
33.为了使本发明所要解决的技术问题、技术方案以及有益的技术效果更加清楚明白，以下将结合附图以及多个示例性实施例对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用于解释本发明，而不是用于限定本发明的保护范围。
34.图1示出了根据本发明的一个示例性实施例的用于结合地图信息调整模型的方法的工作流程图。以下示例性的实施例更详细地描述根据本发明的方法。
35.在步骤s1中，对地图信息进行提取和/或分析。所述地图信息包括道路信息和/或交通标志信息等。所述道路信息例如包括道路类型、道路宽度、道路坡度、道路曲率、车道数、车道线类型等；交通标志信息例如包括交通信号灯、车道通行指示标志、车道禁入标志、限速标志等。在此，地图信息可以例如由高精度地图提取，也可以预先存储在系统的存储模块中。在本发明的意义中，“对地图信息进行分析”可以理解如下：根据预给定的标准对所述地图信息进行分类和/或分级，其中，所述预给定的标准尤其是地图规格及其标准。
36.在步骤s2中，由所述地图信息构建功能所需的地图要素的全集。所述功能可以理解为驾驶辅助系统和/或自动驾驶系统在运行过程中需要实现的功能，例如用于规划车辆行驶路线的规划功能、用于定位车辆位置的定位功能、用于识别车辆周边环境的感知功能和/或用于做出执行决策的决策功能等。可以理解的是，在研发过程中可以对每个功能模块分别构建和训练与所实现的功能对应的模型，而每个功能模块的模型由于所执行的功能不同而需要调用不同的地图要素。因此，不同的功能所需的地图要素的全集并不相同。需要说明的是，不同功能所需要的地图要素是基于各自系统的设计和地图行业现状预先定义的，其并不是本发明的重点，在此不做详细讨论。
37.在步骤s3中，分析所述地图要素对所述功能的影响。具体而言，可以分析不同的地图要素与所要实现的功能的模型的输入关系，以及不同的地图要素对所述模型的输出精度的影响等。
38.在步骤s4中，将所述地图要素的全集基于分析结果划分成子集。可以理解的是，不同的地图要素对所要实现的功能的模型在输入关系和/或输出精度等方面产生不同的影响，因此可以选择一个或多个影响方面，将影响在预设范围内的地图要素划分到同一个子集中。可选地，所划分的子集是互不相交的子集。
39.接下来，在步骤s5中将模型的训练数据分类至所划分的子集，并在步骤s6中，基于经分类的子集的训练数据对模型进行训练。通过这种方式可以实现有分类、有针对性地训练模型，使得由数据驱动的模型更加准确。在此，可以将实现相同功能的各传感器对应的模型集成为一个功能模型，从而所有功能相同的传感器可以共同使用一个功能模型，这使得需要训练的模型的数量大大减少。可以理解的是，可以对各个模型的训练数据分别进行分类，使得每个模型分别具有其特定的子集，并且基于与模型对应的子集的训练数据分别对各个模型进行训练；也可以将所有模型的训练数据分类至共用的子集，使得所有模型共用同一组经分类的子集，并基于所述共用的子集的训练数据对所有模型进行训练。
40.图2示出了根据本发明的另一示例性实施例的用于结合地图信息调整模型的方法的工作流程图。以下仅阐述与图1中所示的实施例的区别，而相同的步骤为了简洁起见而不
再重复描述。
41.步骤s1至s6是模型的开发阶段，在模型的开发阶段后进入测试阶段。在步骤s7中，对所训练的模型进行测试和评估。如果测试结果未达到预设标准，则需要重新进行分类和训练；如果测试结果达到预设标准，则通过测试。
42.需要说明的是，在通过测试阶段后可以进入应用阶段。由于在应用阶段中不再结合地图信息对模型进行调整，所以根据本发明的方法不包括如何使用根据本发明的方法所训练的模型的应用步骤。可以理解的是，应用步骤并不是在步骤s7之后立即执行的，而是可以在开启驾驶辅助功能和/或自动驾驶功能后在某一设定的时刻执行。在应用步骤中，检索并调用与车辆所在的道路环境对应的子集所训练的模型。车辆所在的道路环境可以例如通过车辆的传感器(例如雷达，摄像头和/或定位传感器等)检测，在此不做详细讨论。根据所检测到的道路环境，可以检索并调用适配于当前道路环境的模型，从而提高了模型精度。
43.图3示出了根据本发明的另一示例性实施例的用于结合地图信息调整模型的方法的工作流程图。以下仅阐述与图1中所示的实施例的区别，而相同的步骤为了简洁起见而不再重复描述。
44.所述实施例以坡度作为地图信息对系统的感知模型进行训练和调整。在步骤s1中，根据地图的坡度分类标准对坡度进行分类。示例性地，第一坡度设为0～0.4％，第二坡度设为0.4％～2.4％。
45.在步骤s3中，分析不同的坡度对感知功能的影响。可以理解的是，具备驾驶辅助功能和/或自动驾驶功能的车辆的传感器(例如雷达，尤其是毫米波雷达)的识别精度受坡度的影响，其中，在坡度较大的情况下，传感器的识别精度可能与坡度较小或者可忽略的地段相比大大降低。
46.在步骤s4中，将所述地图要素的全集基于分析结果划分成子集。在此，将除了坡度以外的其他的地图要素合并为一个全要素子集。示例性地，第一子集是子集要素第一坡度与所述全要素子集的并集，第二子集是子集要素第二坡度与所述全要素子集的并集。
47.在对模型的训练数据进行分类前，在步骤s51中对模型的训练数据基于所划分的子集进行过滤和/或筛选。可以理解的是，模型的训练数据并不一定能够全部分类至所划分的子集，而这些不属于任何子集的训练数据可能对模型的训练造成干扰，甚至导致模型不能够收敛。因此在训练数据过滤和/或筛选后再进行分类能够提高模型训练的效率。
48.在测试阶段中，步骤s7包括步骤s71和s72。在步骤s71中对所训练的模型进行测试。在所述实施例下，将相同坡度分类下的各传感器对应的模型集成为该坡度下的感知模型，并对所集成的感知模型进行测试。接下来在步骤s72中，对测试结果进行评估。具体地，如果测试结果未达到预设标准，则跳到步骤s3，如果测试结果达到预设标准，则通过测试。
49.在后续的应用步骤中，基于车辆所在位置的坡度信息检索并调用与所述坡度信息对应的子集所训练的感知模型。
50.图4示出了根据本发明的另一示例性实施例的用于结合地图信息调整模型的方法的工作流程图。以下仅阐述与图1中所示的实施例的区别，而相同的步骤为了简洁起见而不再重复描述。
51.所述实施例以交通信号灯作为地图信息对系统的决策模型进行训练和调整。可以理解的是，在一些特殊的路口或道路环境(例如环岛、带有左转待转区域或直行待转区域的
路口等)设置有交通信号灯，而这些交通信号灯根据实际应用具有不同的交通规则。在步骤s1中，根据交通信号灯所在的位置和实际应用对交通信号灯进行分类。
52.在所述实施例中，可以同时并行执行步骤s3至s6。在此示例性地同时执行三个并行步骤，即步骤s3至步骤s6，步骤s3’至步骤s6’，步骤s3”至步骤s6”。在此，步骤s3’，s3”与步骤s3相同，可以分析地图要素对决策功能和/或自车对其他道路交通参与者的驾驶行为感知功能的影响；步骤s4’，s4”与步骤s4相同，可以对地图要素的全集进行不同的子集划分；步骤s5’，s5”与步骤s5相同，可以将模型的训练数据例如根据路口特点分类至不同划分的子集；步骤s6’，s6”与步骤s6相同，可以基于不同分类的子集的训练数据对决策模型进行训练。与此对应地，在对经训练的决策模型和/或驾驶行为语义表征模型分别进行测试和评估后，可以在步骤s73中选择评估结果最优的经训练的决策模型和/或驾驶行为语义表征模型。
53.在后续的应用步骤中，当车辆经过例如有待转区域的路口时，可以检索并调用与该路口特点对应的子集所训练的决策模型。
54.应理解，在本文中，表述“第一”、“第二”等仅用于描述性目的，而不应理解为指示或暗示相对重要性，也不应理解为隐含指明所指示的技术特征的数量。
55.另外，应注意到，在此描述的步骤序号并不必然代表先后顺序，而仅仅是一种附图标记，根据具体情况，顺序可以更改，只要能够实现本发明的技术目的即可。
56.尽管在此详细描述了本发明的特定实施方式，但它们仅仅是为了解释的目的而给出的，而不应认为它们对本发明的范围构成限制。在不偏离本发明的核心和范围的前提下，可以提出各种替换方案和修改方案。