地图生成方法、训练方法、装置、电子设备以及存储介质与流程

本公开涉及人工智能，尤其涉及自动驾驶、深度学习、计算机视觉，可以应用于动态生成地图。具体涉及一种地图生成方法、训练方法、装置、电子设备以及存储介质。

背景技术：

1、高精地图，也称自动驾驶地图、高分辨率地图，是面向自动驾驶汽车的一种新的地图数据范式。高精地图可以为自动驾驶汽车提供准确、全面的道路特征数据。

2、随着人工智能技术的发展，深度学习技术和计算机视觉技术被广泛应用于生成高精地图。

技术实现思路

1、本公开提供了一种地图生成方法、训练方法、装置、电子设备以及存储介质。

2、根据本公开的一方面，提供了一种地图生成方法，包括：根据图像数据和点云数据，生成融合特征图；提取所述融合特征图的第一点特征序列；基于注意力策略，对所述第一点特征序列和所述融合特征图进行处理，得到目标要素信息；以及根据所述目标要素信息，生成地图。

3、根据本公开的另一方面，提供了一种深度学习模型的训练方法，包括：根据样本图像，得到第一样本点特征序列和第二样本点特征序列，其中，所述第一样本点特征序列中包括s个第一样本点、所述第二样本点特征序列包括s个第二样本点，s为大于1的整数，所述样本图像表征根据图像数据和点云数据生成的融合特征图，所述第二样本点特征序列的第s个第二样本点为所述第一样本点特征序列中第s个第一样本点的样本标签，s为大于等于1且小于等于s的整数；以及利用所述第一样本点特征序列和所述第二样本点特征序列，训练深度学习模型，得到经训练的深度学习模型。

4、根据本公开的另一方面，提供了一种地图生成装置，包括：第一生成模块、提取模块、第一获得模块和第二生成模块。其中，第一生成模块，用于根据图像数据和点云数据，生成融合特征图。提取模块，用于提取所述融合特征图的第一点特征序列。第一获得模块，用于基于注意力策略，对所述第一点特征序列和所述融合特征图进行处理，得到目标要素信息。第二生成模块，用于根据所述目标要素信息，生成地图。

5、根据本公开的另一方面，提供了一种深度学习模型的训练装置，包括：第二获得模块和第三获得模块。其中，第二获得模块，用于根据样本图像，得到第一样本点特征序列和第二样本点特征序列，其中，所述第一样本点特征序列中包括s个第一样本点、所述第二样本点特征序列包括s个第二样本点，s为大于1的整数，所述样本图像表征根据图像数据和点云数据生成的融合特征图，所述第二样本点特征序列的第s个第二样本点为所述第一样本点特征序列中第s个第一样本点的样本标签，s为大于等于1且小于等于s的整数。第三获得模块，用于利用所述第一样本点特征序列和所述第二样本点特征序列，训练深度学习模型，得到经训练的深度学习模型。

6、根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，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如上所述的方法。

7、根据本公开的另一方面，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如上所述的方法。

8、根据本公开的另一方面，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如上所述的方法。

9、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。

技术特征：

1.一种地图生成方法，包括：

2.根据权利要求1所述的方法，其中，所述根据图像数据和点云数据，生成融合特征图，包括：

3.根据权利要求1所述的方法，其中，所述提取所述融合特征图中的第一点特征序列，包括：

4.根据权利要求3所述的方法，其中，所述从所述实例特征图中提取所述第一点特征序列，包括：

5.根据权利要求4所述的方法，其中，所述对所述实例特征图进行处理，得到离散点集，包括：

6.根据权利要求4所述的方法，其中，所述根据所述离散点的特征信息，从多个所述离散点中提取目标离散点序列，包括：

7.根据权利要求6所述的方法，其中，所述基于选择策略，从所述第一离散点序列中提取目标离散点序列，包括：

8.根据权利要求7所述的方法，其中，所述第一离散点序列包括i个离散点，i为大于1的整数；所述对所述第一离散点序列进行稀疏处理，得到第一稀疏点序列，包括：

9.根据权利要求1所述的方法，其中，所述第一点特征序列包括m个点的特征信息，m为大于1的整数，所述目标要素信息包括m+n个点的特征信息，n为大于1的整数；所述基于注意力策略，对所述第一点特征序列和所述融合特征图进行处理，得到目标要素信息，包括：

10.根据权利要求9所述的方法，其中，所述基于所述注意力策略，对所述第一点特征序列和所述融合特征图进行处理，得到第m+n个点的目标特征信息，包括：

11.一种深度学习模型的训练方法，包括：

12.根据权利要求11所述的方法，其中，所述利用所述第一样本点特征序列和所述第二样本点特征序列，训练深度学习模型，得到经训练的深度学习模型，包括：

13.根据权利要求12所述的方法，其中，所述根据与所述s个第三样本点对应的损失值调整所述深度学习模型的模型参数，包括：

14.一种地图生成装置，包括：

15.根据权利要求14所述的装置，其中，所述第一生成模块包括：

16.根据权利要求14所述的装置，其中，所述提取模块包括：

17.根据权利要求16所述的装置，所述第三获得子模块包括：

18.根据权利要求16所述的装置，所述第一获得单元包括：

19.根据权利要求16所述的装置，所述第一提取单元包括：

20.根据权利要求17所述的装置，所述提取子单元用于：

21.根据权利要求20所述的装置，所述第一离散点序列包括1个离散点，i为大于1的整数；所述对所述第一离散点序列进行稀疏处理，得到第一稀疏点序列，包括：

22.根据权利要求14所述的装置，所述第一点特征序列包括m个点的特征信息，m为大于1的整数，所述目标要素信息包括m+n个点的特征信息，n为大于1的整数；所述第一获得模块包括：

23.根据权利要求22所述的装置，其中，所述第四获得子模块包括：

24.一种深度学习模型的训练装置，包括：

25.根据权利要求24所述的装置，其中，所述第三获得模块包括：

26.根据权利要求25所述的装置，其中，所述第七获得子模块包括：

27.一种电子设备，包括：

28.一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根据权利要求1-10或11-13中任一项所述的方法。

29.一种计算机程序产品，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权利要求1-10或11-13中任一项所述的方法。

技术总结
本公开公开了地图生成方法、训练方法、装置、电子设备以及存储介质，涉及人工智能技术领域，尤其涉及自动驾驶、深度学习、计算机视觉技术领域。具体实现方案为：根据图像数据和点云数据，生成融合特征图；提取融合特征图的第一点特征序列；基于注意力策略，对第一点特征序列和融合特征图进行处理，得到目标要素信息；以及根据目标要素信息，生成地图。

技术研发人员：马中行,周尧,万国伟,张晔
受保护的技术使用者：北京百度网讯科技有限公司
技术研发日：
技术公布日：2024/1/11