车道线识别及模型的训练方法、装置、设备、介质与流程

1.本公开涉及自动驾驶、智能交通和高精地图技术领域，尤其涉及高精地图数据处理技术领域。


背景技术：

2.高精地图在自动驾驶的感知、定位、决策、控制等过程中发挥重要作用，车道线作为高精地图的基础要素，在高精地图生成过程中是转关重要的。
3.现有技术，在生成车道线时，先将获取的道路图像输入至语义分割网络中，并基于语义分割网络的方法生成车道线。但是由于道路图像中的车道线存在磨损或者被遮挡等情况，使得基于语义分割网络生成的车道线存在不连续的现象，后续还需要再通过人工方式进行车道线的连接，才能生成车道线。
4.因此，采用现有的车道线生成方法，生成过程比较复杂，导致车道线的生成效率较低。


技术实现要素：

5.本公开提供了一种车道线识别及模型的训练方法、装置、设备、介质。
6.根据本公开的第一方面，提供了一种车道线识别模型的训练方法，包括：
7.获取多组训练样本；其中，每组训练样本包括道路的反射值底图样本以及采集所述反射值底图样本的采集设备的轨迹，所述反射值底图样本标注有车道线标注信息；
8.对于每组训练样本，沿所述采集设备的轨迹从所述反射值底图样本中截取反射值图像块，并将所述反射值图像块输入车道线识别模型，以由所述车道线识别模型根据所述反射值图像块识别所述反射值底图样本中的车道线识别结果；
9.根据所述车道线识别结果和所述车道线标注信息确定损失误差，并根据所述损失误差调整所述车道线识别模型的模型参数。。
10.根据本公开的第二方面，提供了一种车道线识别方法，包括：
11.获取待识别的反射值底图和采集所述反射值底图的采集设备的轨迹；
12.对沿所述采集设备的轨迹从所述反射值底图中截取反射值图像块，并将所述反射值图像块输入训练得到的车道线识别模型，以由所述车道线识别模型根据所述反射值图像块识别所述反射值底图中的车道线识别结果；其中，所述车道线识别模型基于多组训练对初始的车道线识别模型训练得到，每组训练包括道路的反射值底图以及采集所述反射值底图的采集设备的轨迹，所述反射值底图标注有车道线标注信息。
13.根据本公开的第三方面，提供了一种车道线识别模型的训练装置，包括：
14.获取模块，用于获取多组训练样本；其中，每组训练样本包括道路的反射值底图样本以及采集所述反射值底图样本的采集设备的轨迹，所述反射值底图样本标注有车道线标注信息；
15.预处理模块，用于对于每组训练样本，沿所述采集设备的轨迹从所述反射值底图
样本中截取反射值图像块，并将所述反射值图像块输入车道线识别模型，以由所述车道线识别模型根据所述反射值图像块识别所述反射值底图样本中的车道线识别结果；
16.训练模型，用于根据所述车道线识别结果和所述车道线标注信息确定损失误差，并根据所述损失误差调整所述车道线识别模型的模型参数。
17.根据本公开的第四方面，提供了一种车道线识别装置，包括：
18.获取模块，用于获取待识别的反射值底图和采集所述反射值底图的采集设备的轨迹；
19.识别模块，用于对沿所述采集设备的轨迹从所述反射值底图中截取反射值图像块，并将所述反射值图像块输入训练得到的车道线识别模型，以由所述车道线识别模型根据所述反射值图像块识别所述反射值底图中的车道线识别结果；其中，所述车道线识别模型基于多组训练对初始的车道线识别模型训练得到，每组训练包括道路的反射值底图以及采集所述反射值底图的采集设备的轨迹，所述反射值底图标注有车道线标注信息。
20.根据本公开的第五方面，提供了一种电子设备，包括：
21.至少一个处理器；以及
22.与所述至少一个处理器通信连接的存储器；其中，
23.所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述任一项所述的方法。
24.根据本公开的第六方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行上述任一项所述的方法。
25.根据本公开的第七方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据上述任一项所述的方法。
26.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
27.附图用于更好地理解本方案，不构成对本公开的限定。其中：
28.图1为本公开一示例性实施例提供的一种车道线识别模型的训练方法的流程图；
29.图2为本公开一示例性实施例提供的一种在反射值底图样本中截取反射值图像块的场景示意图；
30.图3为本公开一示例性实施例提供的一种车道线识别模型的网络架构图；
31.图4为本公开一示例性实施例提供的一种采用本公开实施例得到的车道线识别模型提取的车道线与其他方式提取的车道线的结果对比图；
32.图5为本公开一示例实施例提供的一种车道线识别方法的流程图；
33.图6为本公开一示例实施例提供的一种车道线识别模型的训练装置的模块示意图；
34.图7为本公开一示例实施例提供的一种车道线识别装置的模块示意图；
35.图8为本公开一示例实施例提供的一种电子设备的框图。
具体实施方式
36.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
37.图1为本公开一示例性实施例提供的一种车道线识别模型的训练方法的流程图，该车道线识别模型的训练方法包括以下步骤：
38.步骤101、获取多组训练样本。
39.其中，每组训练样本包括道路的反射值底图样本以及反射值底图样本的采集设备的轨迹，反射值底图样本标注有车道线标注信息。
40.训练样本的数量可以根据实际情况自行确定，可以理解地，训练样本的数量越多、道路形式越丰富训练得到的车道线识别模型的精确度越高、鲁棒性越强。
41.反射值底图样本根据道路的点云数据得到，具体的，将点云数据投影到二维空间中，得到反射值底图，反射值底图为二维灰度图。
42.点云数据可以基于激光测量原理和/或摄影测量原理得到。根据激光测量原理得到的点云数据包括三维坐标(xyz)和激光反射信息；根据摄影测量原理得到的点云数据包括三维坐标(xyz)；结合激光测量和摄影测量原理得到点云，包括三维坐标(xyz)和激光反射信息。按照点云中的反射信息表示点云数据，即可获取点云数据对应的反射值底图。
43.具体来说，以激光测量原理为例，采集设备在道路上行驶的过程中，通过设置于采集设备上的激光雷达获取点云数据，点云数据包括多个点云，点云中的每个点包含了点的三维坐标信息和反射值，其中，反射值与物体的材料有关；然后，将点云数据在二维平面上栅格化；例如，划分成m*n的格子，每个格子里面包含了点集，将每一个格子对应的点集里面的点的反射值求平均值，就可以得到每一个格子的反射值；然后对所有格子进行处理，就得到了分辨率是m*n的反射值栅格，分辨率是m*n的反射值栅格就称为反射值底图样本。
44.在一个实施例中，一张反射值底图样本根据采集设备沿道路行驶一次采集的点云数据得到，也即基于单圈点云数据得到。基于单圈点云数据得到反射值底图样本计算量小。
45.在一个实施例中，一张反射值底图样本根据多组点云数据得到。采集设备沿道路往返行驶多次或者沿道路单向行驶多次，每次行驶过程中均采集道路的一组点云数据，将得到的多组点云数据在二维平面上栅格化，得到道路的一张反射值底图样本。
46.基于多组点云数据得到反射值底图样本能够避免或者减少由于拼接点云存在重影问题以及车道线磨损、遮挡问题带来车道线压线偏差问题，减小甚至消除反射值底图样本中的噪声，使得车道线识别模型所提取的特征(车道线几何信息)更准确，从而提高模型训练的效率和准确性。
47.在采集点云数据的过程中，采集设备可以实时获取定位信息，根据该定位信息即可生成云采集设备的轨迹。其中，定位信息可以但不限于通过全球定位系统(global positioning system，gps)获取。采集设备可以但不限于是点云采集车、无人机等。
48.步骤102、对于每组训练样本，沿采集设备的轨迹从反射值底图样本中截取反射值图像块，并将反射值图像块输入车道线识别模型，以根据车道线识别模型识别反射值底图样本中的车道线识别结果。
49.图2为本公开一示例性实施例提供的一种在反射值底图样本中截取反射值图像块的示意图，反射值底图样本中横竖交叉的线条表示道路，根据采集设备的轨迹从反射值底图样本中截取反射值图像块，相当于是基于采集设备的轨迹对反射值底图样本进行预处理，得到多个反射值图像块，图中的一个小矩形框表示一个反射值图像块(block)。反射值图像块的尺寸根据实际需求自行确定，一般反射值图像块的短边大于图像中的道路宽度，反射值图像块的长边与道路沿相同方向延伸。
50.在一种实现方式中，预处理包括轨迹聚类，基于轨迹聚类找到车道线大致位置，具体的，通过将多条轨迹通过距离聚类，根据每个聚类中心点选取一定阈值范围的反射值图像块。通过轨迹聚类选取反射值图像块，能够过滤掉无效数据，提高提取车道线的准确性和效率。
51.在一个实施例中，车道线识别模型包括特征提取层和输出层。特征提取层用于从反射值图像块中提取车道线特征，得到至少两个特征图层。输出层用于根据至少两个特征图层预测车道线识别结果。步骤102中，将反射值图像块输入车道线识别模型，触发特征提取层从反射值图像块中提取车道线特征，得到至少两个特征图层；触发输出层根据至少两个特征图层预测车道线识别结果。特征图层的数量可以根据实际情况自行设置，可以是2个特征图层、3个特征图层、4个特征图，甚至更多。
52.在一个实施例中，车道线识别模型的网络架构采用已有的车道线识别模型的网络架构。采用反射值图像块训练已有的车道线识别模型的网络架构，无需自行搭建车道线识别模型的网络架构，操作方便。
53.在一个实施例中，对已有的车道线识别模型的网络架构进行优化，采用反射值图像块训练优化后的网络架构，使得训练得到的车道线识别模型能够基于反射值底图样本的特性识别车道线，提供车道线识别的准确度。对网络架构进行优化包括：优化特征层和输出层。
54.在一个实施例中，特征提取层包括深度残差网络(deep residual network,resnet)和transformer编码器，特征提取层不仅能够提取各个反射值图像块的图像特征，还能提取各个反射值图像块之间的关联特征，图像特征和关联特征共同表征车道线的几何信息。输出层能够根据图像特征和关联特征预测车道线识别结果，有利于提高车道线识别模型对反射值图像进行车道线识别准确性。
55.在一个实施例中，输出层能够沿特征图层的两个方向检测车道信息。具体的，触发输出层沿特征图层的行方向计算第一车道线信息，沿特征图层的列方向计算第二车道线信息，并根据第一车道线信息和第二车道线信息预测车道线识别结果。车道线识别结果包括车道线的矢量信息。
56.反射值底图样本中的车道线有横向的、也有纵向的；从行方向检测纵向车道线信息(第一车道线信息)，从列方向检测横向车道线(第二车道线信息)。第一车道线信息和第二车道线信息可以并行计算，也可以依次计算，本公开实施例对此不作特别限定。
57.本公开实施例中，在目前已有的车道线识别模型的基础上，增加一层网络结构，也即通过两层网络结构分别沿特征图层的两个方向检测车道信息，基于两个方向检测的车道信息预测车道线识别结果，例如纵向车道线从行方向预测车道线信息，横向车道线从列方向预测车道线信息，使得车道线识别结果的预测结果更加完整，且识别效率更高。
58.图3为本公开一示例性实施例提供的一种车道线识别模型的网络架构图，特征提取层作为车道线识别模型主干网络，采用级联的resnet和transformer编码器，输出层包括实例预测(proposal head)和车道线解码(conditional shape head)两部分。
59.将各个反射值图像块输入特征提取层，以使特征提取层提取反射值图像块的图像特征和各个反射值图像块之间的关联特征，并根据图像特征和关联特征生成四个特征图层(实际使用过程中特征图层的数量不限于4个)。
60.proposal head部分，用于从四个特征图层中选择一个特征图层，并将该特征图层划分为若干个格子(令格子数为hp*wp)，输出2个特征图，一个为heatmap(热图)，其形状为1*hp*wp，表示车道线的起始点；另一个为parameter map(条件卷积核/卷积参数)，其形状为cp*hp*wp，与heatmap一一对应，输出格子中车道线实例对应的一组卷积参数，用于在conditional shape head中进行卷积操作，计算该格子对应的车道线信息。
61.conditional shape head部分，用于解出车道线曲线(车道线识别结果)，具体的，沿特征图层的两个方向检测车道信息，基于两个方向检测的车道信息预测车道线识别结果，最终预测车道线识别结果，最终实现过程与相关技术类似，此处不再赘述。
62.在一个实施例中，触发输出层从至少两个特征图层中挑选目标层的特征图层，并根据目标层的特征图层预测车道线识别结果。
63.参见图3，特征提取层输出四个特征图层，四个特征图从上到下对应高层特征、次高层特征、次低层特征、低层特征，高层特征用于提取高层语义信息(是否为车道线)，低层特征用于提取准确的位置信息，现有技术中一般采用第一个特征图层(最上层的特征图)或者第二个特征图层(第二层特征图)进行后续处理，高层特征比较适合基于视觉图像进行车道线识别的场景，不适合基于反射值底图，因此本公开实施例中挑选较低层的特征图层预测车道线识别结果，一般为所表征的位置信息较精确的特征图层，可以是图3中的第三层特征图层。
64.本公开实施例中，基于反射值底图的特性，选择目标层的特征图层预测车道线识别结果，使得车道线识别结果的预测结果更加准确。
65.步骤103、根据车道线识别结果和车道线标注信息确定损失误差，并根据损失误差调整车道线识别模型的模型参数。
66.对车道线识别模型进行迭代训练，直至到达迭代停止条件，训练完成的车道线识别模型可用于对反射值图像进行车道线识别。其中，迭代停止条件可以但不限于包括损失误差小于误差阈值或者迭代次数达到次数阈值。误差阈值、次数阈值可以根据实际情况自行设置。
67.本公开实施例中，采用learning方式训练车道线识别模型，解决了基于规则后处理无法覆盖的场景问题，提升了地图制作流程效率。
68.在一个实施例中，基于以下损失函数计算损失误差：
69.l
total
＝l
point
αl
row
βl
rang
γl
offset
δl
state
；
70.其中，α、β、γ和δ均为系数，可以但不限于设置为1、1、0.4和1；l
point
表征车道线起点位置预测的损失函数值；l
阳w
表征行位置预测的损失函数值；l
rang
表示纵向车道线长度范围预测的损失函数值；l
offset
表示车道线位置的偏移量预测的损失函数值；l
state
表征二值状态(表示继续还是停止预测车道线)预测的损失函数值。
71.在一个实施例中，基于以下损失函数计算损失误差：
72.l
total
＝l
point
α(l
xrow
l
yrow
l
dis
) β(l
xrang
l
yrang
) γl
offset
δl
state
；
73.其中，l
xrow
表征车道线上每个点在每一行中的位置预测的损失函数值；l
yrow
表征车道线上每个点在每一列中的位置预测的损失函数值；l
xrang
表征车道线沿行方向的长度范围预测的损失函数值；l
yrang
表征车道线沿列方向的长度范围预测的损失函数值；l
dis
表征每个点长度预测的损失函数值。所谓点长度为车道线上每个点到车道线两个端点的长度。两个端点其中一个为起点位置，另一个为终点位置。
74.本公开实施例中，在损失函数中加入了车道线包含的点沿行方向的损失，点沿行方向的损失以及每个点长度的损失，使得车道线模型能够预测车道线上的每个点到车道线两个端点的长度，生成以车道线端点为起始点的一条矢量化的车道线，从而生成待处理道路中的矢量化的车道线，避免了因车道线存在不连续的现象而导致后续再通过人工方式进行车道线的连接，从而降低了车道线生成过程中的复杂度，提高了车道线的生成效率。
75.本公开实施例中，基于反射值底图样本和对应的点云采集设备的轨迹训练车道线识别模块，训练得到的车道线识别模型能够对反射值底图进行车道线识别并直接输出检测结果，实现了端到端的车道线识别，无需再通过人工方式进行车道线的连接，能够提高车道线识别效率，避免人工连接车道线产生的误差；并且由于未采用视觉图像，因此可以避免相机自身存在畸变问题以及相机缺少深度信息带来提取的车道线不准问题。
76.参见图4，图中示出了采用本公开实施例提供的车道线识别模型的训练方法得到的车道线识别模型所提取的车道线与采用现有技术方式所提取的车道线的结果对比图，图中从左往右分别为基于点云数据提取的车道线、基于图像数据提取的车道线，以及基于本公开实施例提供的模型训练方法得到的车道线识别模型所提取的车道线，从中可以看出基于点云数据提取的车道线(图中稀疏线段)比较稀疏，基于图像数据提取的车道线(图断断续续的线条)也是断断续续，而基于本公开实施例得到的车道线识别模型提取的车道线(图中连续的线条)比较完整，并且车道线为白虚线时，也能很好的检测出连续的车道线，不存在重影问题。也就是说，基于本公开实施例提供的模型训练方法得到的车道线识别模型解决了基于规则处理无法覆盖的场景，例如分叉车道线、车道白虚线连接线，以及车道线磨损、模糊的场景，本公开实施例能够准确预测出分叉的两条车道线、车道白虚线连接线，以及车道线磨损、模糊的场景，在20cm评估精度下，准确率达到96％，召回达到95％。
77.图5为本公开一示例实施例提供的一种车道线识别方法的流程图，该车道线识别方法包括以下步骤：
78.步骤501、获取待识别的反射值底图和采集反射值底图的采集设备的轨迹。
79.该待识别的反射值底图根据道路的点云数据得到，具体实现过程与反射值底图样本的实现过程类似，此处不再赘述。
80.在一个实施例中，待识别的反射值底图根据采集设备沿道路行驶一次采集的点云数据得到，也即基于单圈点云数据得到。
81.在一个实施例中，反射值底图根据多组点云数据得到。采集设备沿道路往返行驶多次或者沿道路单向行驶多次，每次行驶过程中均采集道路的一组点云数据，将得到的多组点云数据在二维平面上栅格化，得到该反射值底图。
82.基于多组点云数据得到反射值底图样本能够避免或者减少由于拼接点云存在重
影问题以及车道线磨损、遮挡问题带来车道线压线偏差问题，减小甚至消除反射值底图样本中的噪声，使得车道线识别模型所提取的特征(车道线几何信息)更准确，从而提高模型训练的效率和准确性。
83.步骤502、对沿采集设备的轨迹从反射值底图中截取反射值图像块，并将反射值图像块输入训练得到的车道线识别模型，以由车道线识别模型根据反射值图像块识别反射值底图中的车道线识别结果。
84.其中，车道线识别模型基于多组训练对初始的车道线识别模型训练得到，每组训练包括道路的反射值底图以及采集反射值底图的采集设备的轨迹，反射值底图标注有车道线标注信息。车道线识别模型的模型训练过程参见上述任一实施例，此处不再赘述。
85.车道线识别模型输出的车道线识别结果可以用于制作高精地图。
86.本公开实施例中，基于车道线识别模型实现端到端的车道线识别，能够提高车道线识别的效率和精确度，进而提高高精地图制作效率。
87.在一个实施例中，车道线识别模型包括特征提取层和输出层；根据车道线识别模型预测反射值底图的车道线识别结果包括：触发特征提取层从反射值图像块中提取图像特征和各个反射值图像块之间的关联特征，并根据图像特征和关联特征得到至少两个特征图层；触发输出层根据至少两个特征图层预测车道线识别结果。
88.本公开实施例中，从反射值图像块中提取图像特征和关联特征共同表征车道线的几何信息，以使输出层根据图像特征和关联特征预测车道线识别结果，有利于提高车道线识别模型对反射值图像进行车道线识别准确性。
89.在一个实施例中，输出层能够沿特征图层的两个方向检测车道信息。具体的，输出层沿特征图层的行方向计算第一车道线信息，沿特征图层的列方向计算第二车道线信息，并根据第一车道线信息和第二车道线信息预测车道线识别结果。
90.本公开实施例中，在目前已有的车道线识别模型的基础上，增加一层网络结构，也即通过两层网络结构分别沿特征图层的两个方向检测车道信息，基于两个方向检测的车道信息预测车道线识别结果，使得车道线识别结果的预测结果更加准确。
91.在一个实施例中，触发输出层从至少两个特征图层中挑选目标层的特征图层，并根据目标层的特征图层预测车道线识别结果。
92.本公开实施例中，基于反射值底图的特性，选择目标层的特征图层预测车道线识别结果，使得车道线识别结果的预测结果更加准确。
93.与前述车道线识别模型的训练方法、车道线识别方法实施例相对应，本公开还提供了车道线识别模型的训练装置、车道线识别装置的实施例。
94.图6为本公开一示例实施例提供的一种车道线识别模型的训练装置的模块示意图，该车道线识别模型的训练装置包括：
95.获取模块61，用于获取多组训练样本；其中，每组训练样本包括道路的反射值底图样本以及采集所述反射值底图样本的采集设备的轨迹，所述反射值底图样本标注有车道线标注信息；
96.预处理模块62，用于对于每组训练样本，沿所述采集设备的轨迹从所述反射值底图样本中截取反射值图像块，并将所述反射值图像块输入车道线识别模型，以由所述车道线识别模型根据所述反射值图像块识别所述反射值底图样本中的车道线识别结果；
97.训练模型63，用于根据所述车道线识别结果和所述车道线标注信息确定损失误差，并根据所述损失误差调整所述车道线识别模型的模型参数。
98.可选地，所述车道线识别模型包括特征提取层和输出层；
99.所述特征提取层用于从所述反射值图像块中提取图像特征和各个反射值图像块之间的关联特征，并根据所述图像特征和所述关联特征得到至少两个特征图层；
100.所述输出层用于根据所述至少两个特征图层预测所述车道线识别结果。
101.可选地，所述输出层具体用于：
102.沿所述特征图层的行方向计算第一车道线信息，沿所述特征图层的列方向计算第二车道线信息；
103.根据所述第一车道线信息和所述第二车道线信息预测所述车道线识别结果。
104.可选地，所述输出层具体用于：触发所述输出层从所述至少两个特征图层中挑选目标层的特征图层，并根据所述目标层的特征图层预测所述车道线识别结果。
105.可选地，所述损失误差为车道线包含的点的位置损失函数值、点沿行方向的损失函数值、点沿列方向的损失函数值、点长度的损失函数值的加权结果。
106.可选地，每张反射值底图样本根据所述道路的多组点云数据得到；采集各组点云数据的采集设备的轨迹相同。
107.图7为本公开一示例实施例提供的一种车道线识别装置的模块示意图，该车道线识别装置包括：
108.获取模块71，用于获取待识别的反射值底图和采集所述反射值底图的采集设备的轨迹；
109.识别模块72，用于对沿所述采集设备的轨迹从所述反射值底图中截取反射值图像块，并将所述反射值图像块输入训练得到的车道线识别模型，以由所述车道线识别模型根据所述反射值图像块识别所述反射值底图中的车道线识别结果；其中，所述车道线识别模型基于多组训练对初始的车道线识别模型训练得到，每组训练包括道路的反射值底图以及采集所述反射值底图的采集设备的轨迹，所述反射值底图标注有车道线标注信息。
110.可选地，所述车道线识别模型包括特征提取层和输出层；
111.所述特征提取层用于从所述反射值图像块中提取图像特征和各个反射值图像块之间的关联特征，并根据所述图像特征和所述关联特征得到至少两个特征图层；
112.所述输出层用于根据所述至少两个特征图层预测所述车道线识别结果。
113.可选地，所述输出层具体用于：
114.沿所述特征图层的行方向计算第一车道线信息，沿所述特征图层的列方向计算第二车道线信息；
115.根据所述第一车道线信息和所述第二车道线信息预测所述车道线识别结果。
116.可选地，所述输出层具体用于：
117.触发所述输出层从所述至少两个特征图层中挑选目标层的特征图层；
118.根据所述目标层的特征图层预测所述车道线识别结果。
119.可选地，所述反射值底图根据所述道路的多组点云数据得到；采集各组点云数据的采集设备的轨迹相同。
120.对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实
施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本公开方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
121.本公开的技术方案中，所涉及的点云数据的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
122.根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
123.图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
124.如图8所示，设备800包括计算单元801，其可以根据存储在只读存储器(rom)802中的计算机程序或者从存储单元808加载到随机访问存储器(ram)803中的计算机程序，来执行各种适当的动作和处理。在ram803中，还可存储设备800操作所需的各种程序和数据。计算单元801、rom 802以及ram 803通过总线804彼此相连。输入/输出(i/o)接口805也连接至总线804。
125.设备800中的多个部件连接至i/o接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
126.计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如车道线识别模型的训练方法、车道线识别方法。例如，在一些实施例中，车道线识别模型的训练方法、车道线识别方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由rom 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到ram 803并由计算单元801执行时，可以执行上文描述的车道线识别模型的训练方法、车道线识别方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行车道线识别模型的训练方法、车道线识别方法。
127.本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、复杂可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算
机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
128.用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
129.在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
130.为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
131.可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
132.计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
133.应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
134.上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开
的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。