CN114396956A - 导航方法及装置、计算设备、存储介质和计算机程序产品 - Google Patents

Abstract

本公开提供了一种导航方法及装置、计算设备、计算机可读存储介质和计算机程序产品。该导航方法包括：获取定位数据，定位数据包括导航起点位置和与导航起点位置相关的地图数据；基于导航起点位置，从地图数据中确定至少一条备选道路；针对每条备选道路，基于定位数据生成图片数据；基于图片数据，从至少一条备选道路中确定导航起点道路。通过该导航方法，有助于提升导航起点道路的准确性，并提升用户体验。本公开的一些实施例可应用于交通领域，并可应用于自动驾驶、辅助驾驶等相关场景。

Description

导航方法及装置、计算设备、存储介质和计算机程序产品

技术领域

本公开涉及计算机技术领域，更具体地，涉及一种导航方法、导航装置、计算设备、计算机可读存储介质和计算机程序产品。

背景技术

随着计算机技术的不断发展，在交通领域中，导航应用的使用正变得越来越广泛。导航应用可以用于在用户行走或驾驶过程中为其提供路线引导服务，也可以用于无人驾驶车辆、机器人等设备的行进过程。一般而言，在开始导航时，需要根据导航起点位置确定导航起点道路。当导航起点位置的定位不够准确或者导航起点位置附近的道路比较密集时，所确定的导航起点道路可能出现偏差。这会影响导航的准确性，并为使用导航应用的用户造成困扰，对用户体验产生不利影响。

发明内容

有鉴于此，本公开提供了一种的导航方法、导航装置、计算设备、计算机可读存储介质和计算机程序产品，可以缓解、减轻或甚至消除上述问题。

根据本公开的一方面，提供了一种导航方法，包括：获取定位数据，定位数据包括导航起点位置和与导航起点位置相关的地图数据；基于导航起点位置，从地图数据中确定至少一条备选道路；针对每条备选道路，基于定位数据生成图片数据；基于图片数据，从至少一条备选道路中确定导航起点道路。

在一些实施例中，图片数据包括以下各项中的至少一项：导航起点位置的方向信息、导航起点位置的精度信息、导航起点位置的邻近区域内的道路信息、与备选道路连通的上游道路的信息。

在一些实施例中，定位数据还包括与导航起点位置相关的导航对象的多个历史位置，并且其中，基于定位数据生成图片数据包括以下步骤中的至少一个：基于导航起点位置和多个历史位置的方向信息，生成方向通道图片；基于导航起点位置和多个历史位置的精度信息，生成精度通道图片；基于导航起点位置的邻近区域内的多条道路，生成邻近道路通道图片；基于该备选道路和与该备选道路连通的上游道路，生成上游道路通道图片。

在一些实施例中，基于导航起点位置和多个历史位置的方向信息，生成方向通道图片包括：基于导航起点位置和多个历史位置，确定方向通道图片中的与导航起点位置和多个历史位置分别对应的多个点的位置；根据导航起点位置和多个历史位置的方向信息，确定相对应的多个点的灰度。

在一些实施例中，根据导航起点位置和多个历史位置的方向信息，确定相对应的多个点的灰度包括：根据从方向到灰度的线性映射方案，将导航起点位置和多个历史位置的方向映射为对应的灰度值；基于映射得到的灰度值，确定相对应的多个点的灰度。

在一些实施例中，基于导航起点位置和多个历史位置的精度信息，生成精度通道图片包括：基于导航起点位置和多个历史位置，确定精度通道图片中的与导航起点位置和多个历史位置分别对应的多个点的位置；根据导航起点位置和多个历史位置的精度信息，确定相对应的多个点的灰度。

在一些实施例中，根据导航起点位置和多个历史位置的精度信息，确定多个点的灰度包括：根据从精度到灰度的线性映射方案，将导航起点位置和多个历史位置的精度映射为对应的灰度值；基于映射得到的灰度值，确定相对应的多个点的灰度。

在一些实施例中，基于导航起点位置周围的多条道路中的至少部分道路，生成周围道路通道图片包括：基于导航起点位置周围的多条道路中的至少部分道路的位置，确定周围道路通道图片中的与至少部分道路对应的多条线的位置；根据多条道路的行驶方向，确定相对应的多条线的灰度。

在一些实施例中，基于该备选道路和与该备选道路连通的上游道路，生成上游道路通道图片包括：基于该备选道路和与该备选道路连通的上游道路的位置，确定上游道路通道图片中的与该备选道路和与该备选道路连通的上游道路分别对应的至少两条线的位置；将与该备选道路对应的线和与上游道路对应的线的灰度确定为不同灰度值。

在一些实施例中，基于定位数据生成图片数据包括：以导航起点位置作为图片的中心位置，生成图片数据。

在一些实施例中，基于导航起点位置，从地图数据中确定至少一条备选道路包括：针对地图数据中的至少部分道路中的每一条道路，基于该条道路与导航起点位置之间的距离差和方向差中的至少一个确定该条道路与导航起点位置的相关度；基于相关度，将至少部分道路中的至少一条道路确定为备选道路。

在一些实施例中，基于图片数据，从至少一条备选道路中确定导航起点道路包括：基于图片数据，确定每条备选道路的当选概率；在至少一条备选道路中，将当选概率最大的备选道路确定为导航起点道路。

在一些实施例中，基于图片数据，确定每条备选道路的当选概率包括：针对每条备选道路，执行以下步骤：从与该备选道路对应的图片数据中提取图片特征；基于图片特征，确定用于表征该备选道路的当选概率和不当选概率的数值对；对数值对进行归一化，以得到该备选道路的当选概率。

在一些实施例中，基于图片数据，确定每条备选道路的当选概率包括：将与各条备选道路对应的图片数据依次输入至导航起点道路确定，以得到每条备选道路的当选概率，其中，导航起点道路确定模型为经预训练的机器学习模型。

在一些实施例中，导航起点道路确定模型通过以下步骤训练得到：获取多组样本导航数据，每组样本导航数据包括样本定位数据、样本导航起点道路和样本实际起点道路，样本定位数据包括样本导航起点位置和与样本导航起点位置相关的地图数据；针对每组样本导航数据，基于样本导航起点道路和样本定位数据，生成样本图片数据；将样本实际起点道路与样本导航起点道路相同的样本图片数据作为正样本，并将样本实际起点道路与样本导航起点道路不同的样本图片数据作为负样本，训练所述机器学习模型，以最大化所述机器学习模型确定所输入的样本图片数据为正样本或负样本的准确率。

根据本公开的另一方面，提供了一种导航装置，包括：获取模块，被配置为获取定位数据，定位数据包括导航起点位置和与导航起点位置相关的地图数据；第一确定模块，被配置为基于导航起点位置，从地图数据中确定至少一条备选道路；生成模块，被配置为针对每条备选道路，基于定位数据生成图片数据；第二确定模块，被配置为基于图片数据，从至少一条备选道路中确定导航起点道路。

根据本公开的又一方面，提供了一种计算设备，包括：存储器，其被配置成存储计算机可执行指令；处理器，其被配置成当计算机可执行指令被处理器执行时执行根据前述方面描述的导航方法。

根据本公开的又一方面，提供了一种计算机可读存储介质，其存储有计算机可执行指令，当所述计算机可执行指令被执行时，执行根据前述方面描述的导航方法。

根据本公开的又一方面，一种计算机程序产品，包括计算机指令，所述计算机指令在被处理器执行时实现根据前述方面描述的导航方法。

通过本公开提供的导航方法，可以在导航起点位置附近选择至少一条备选道路，然后针对每条备选道路，基于定位数据中的导航起点位置以及与导航起点位置相关的地图数据生成图片数据，进而通过分析图片数据来在至少一条备选道路中确定导航起点道路。如此，在确定导航起点道路的过程中，可以通过图片分析处理等手段来更加充分、全面地考虑导航起点位置以及相关地图数据中的各种信息，尤其是导航起点位置与相关道路之间的关系，从而可以在综合考虑多方面信息的基础上从至少一条备选道路中筛选得到正确的、更符合实际情况、更可靠的导航起点道路，避免了相关技术简单依赖定位数据进行导航起点道路确定可能产生的偏差、甚至错误。这有助于提升导航起点道路的确定的准确性，并进而有助于提升导航服务的准确性，从而提升用户体验。

根据在下文中所描述的实施例，本公开的这些和其它方面将是清楚明白的，并且将参考在下文中所描述的实施例而被阐明。

附图说明

在下面结合附图对于示例性实施例的描述中，本公开的更多细节、特征和优点被公开，在附图中：

图1示意性示出了可以应用本公开一些实施例提供的导航方案的示例场景；

图2示意性示出了根据本公开一些实施例的示例导航界面；

图3示意性示出了根据本公开一些实施例的导航方法的示例流程图；

图4A-4D示意性示出了根据本公开一些实施例的通道图片的示例；

图5示意性示出了根据本公开一些实施例的卷积神经网络模型的示例结构图；

图6示意性示出了根据本公开一些实施例的机器学习模型的训练方法的示例流程图；

图7A-7B示意性示出了根据本公开一些实施例的样本导航数据的示例；

图8示意性示出了根据本公开一些实施例的导航装置的示例框图；

图9示意性示出了根据本公开一些实施例的计算设备的示例框图。

具体实施方式

下面将结合本申请中的附图，对本申请中的技术方案进行清楚和完整的描述。所描述的实施例仅仅是本申请的一部分实施例，而不是全部实施例。基于本申请的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例都属于本申请保护的范围。

人工智能(Artificial Intelligence, AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。

人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习、自动驾驶、智慧交通、自动控制等几大方向。

机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习、主动学习等技术。

随着人工智能技术研究和进步，人工智能技术在多个领域展开研究和应用，例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服、车联网、自动驾驶、智慧交通等，相信随着技术的发展，人工智能技术将在更多的领域得到应用，并发挥越来越重要的价值。

在详细介绍本公开的实施例之前，首先对一些相关的概念进行解释。

在本公开的实施例中，导航起点位置是指用户使用导航服务时的起点位置。该起点位置可以是用户所在位置，或者也可以是用户设置的其他位置。该起点位置可以是自动测量得到的，也可以是用户手动输入的。

在本公开的实施例中，导航起点道路是指，用户在使用导航服务时，导航规划道路中起点使用的道路。

本公开的一些实施例可以借助卷积神经网络（convolutional neural network，CNN）来实施。卷积神经网络是一类为处理图像数据而设计的神经网络模型，在图像识别应用中可以取得非常好的效果。卷积神经网络通常由输入层、隐含层和输出层构成，其中，输入层一般可以用于接收一维、二维或更高维数组，隐含层通常包括卷积层、池化层和全连接层，有时也可以包括诸如残差模块的其他模块，输出层一般用于输出分类结果，其可以借助逻辑函数或归一化指数函数等来实现。根据实际应用需求，卷积神经网络可以通过监督学习或非监督学习来训练。

本公开的实施例可以应用于交通领域，并可应用于智能交通系统（IntelligentTraffic System，ITS）、自动驾驶、辅助驾驶等相关场景。智能交通系统又称智能运输系统（Intelligent Transportation System），是将先进的科学技术（信息技术、计算机技术、数据通信技术、传感器技术、电子控制技术、自动控制理论、运筹学、人工智能等）有效地综合运用于交通运输、服务控制和车辆制造，加强车辆、道路、使用者三者之间的联系，从而形成一种保障安全、提高效率、改善环境、节约能源的综合运输系统。

图1示意性示出了可以应用本公开的实施例提供的导航方案的示例场景100。

如图1所示，场景100包括计算设备110。本公开的实施例所提供的导航方案可以部署于计算设备110，并用于确定导航起点道路。计算设备可以包括但不限于手机、电脑、智能语音交互设备、智能家电、车载终端、飞行器等。本公开的实施例可以应用于各种场景，包括但不限于云技术、人工智能、智慧交通、辅助驾驶等。

示例性地，用户120可以通过计算设备110使用导航服务。例如，用户120可以通过计算设备110提供的用户接口来输入指令，例如通过相关实体或虚拟按键、通过文本、语音或手势指令等，以便启动部署于计算设备110和/或服务器130上的导航应用、查看导航路线等。

场景100还可以包括服务器130。可选地，本公开的实施例提供的导航方案也可以部署在服务器130上。或者，可选地，本公开的实施例提供的导航方案也可以部署于计算设备110和服务器130的组合上。本公开在此方面不做具体限定。例如，用户120可以通过计算设备110经由网络150访问服务器130，以便获取服务器130所提供的服务。

服务器130可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。此外，应理解，服务器130仅作为示例被示出，实际上，也可以替代地或附加地使用其他具有计算能力及存储能力的设备或设备的组合来提供相应的服务。

可选地，计算设备110和/或服务器130可以经由网络150与数据库140相链接，以便例如从数据库140获取地图数据等。示例性地，数据库140可以是独立的数据存储设备或设备群，或者也可以是与其他在线服务相关的后端数据存储设备或设备群。

此外，在本公开中，网络150可以是经由诸如电缆、光纤等连接的有线网络，也可以是诸如2G、3G、4G、5G、Wi-Fi、蓝牙、ZigBee、Li-Fi等的无线网络，还可以是一个或几个设备的内部连接线路等。

图2示意性示出了根据本公开的实施例的示例导航界面200。示例性地，该导航界面200可以呈现在用户的诸如移动电话、平板电脑、车载导航设备、智能手表等终端设备上，以便用户查看导航路线。例如，该导航界面200可以应用于图1所示的场景100，并可以呈现在计算设备110的显示屏上。

如图所示，导航界面200可以包括地图显示区域210，该区域可以显示当前导航位置附近的地图，例如关于道路、建筑物、绿化带等的信息。地图显示区域210中可以呈现指示当前导航位置的标识220，此处，标识220所指示的是导航起点位置，其可以通过箭头表示导航起点位置的方向，该方向可以为导航定位设备（例如卫星导航接收器等）的朝向。此外，可选地，可以显示关于方向的标识，例如可以在标识220周围显示关于东西南北中的至少一个的标识。标识220处的箭头可以指示导航路线的行进方向。导航界面200还可以包括文字导航区域230，该区域可以以箭头、文字或两者的组合等来指示导航路线。导航界面200还可以包括路况概览条带240，其可以以不同颜色、图案等显示导航路线不同路段的拥堵程度。导航界面200还可以包括信息呈现区域250，该区域可以显示关于导航路线长度、预计通行时间、预计到达时间、途径红绿灯数量等的信息。此外，根据实际应用场景需求，导航界面200还可以替代地或附加地包括其他元素或区域。

应理解，导航界面200仅仅是示例性地。实际上，可以根据实际需求设计不同的导航界面，或者，也可以通过语音播报、文字播报等形式来呈现导航路线。

在相关技术中，在确定导航起点道路时，通常通过导航起点位置与道路之间的距离、方向关系等特征维度来对道路进行筛选。示例性地，可以使用多种筛选策略来对道路进行选择，可以针对每种筛选策略（例如距离、方向角度差等）设置参数阈值，以判断某条道路是否满足导航起点道路的要求。

然而，发明人发现，由于定位信号的强度不稳定或由于用户设备自身原因，导航起点位置有时是不准确的，即与真实起点位置之间存在偏差。因此，在实际使用过程中，相关技术中的上述方案存在以下不足。第一，导航起点道路准确率低。由于导航起点位置不准确，因此，在通过固定的筛选策略来确定导航起点道路时，容易发生误判。例如，在通过举例和方向策略进行筛选时，导航起点位置不准确可能导致距离最近、方向最匹配的道路并非用户实际起点位置所在的道路。第二，优化迭代速度慢。在制定筛选策略或对已有筛选策略进行优化时，需要经验丰富的人员来制定或优化策略，并且新策略需要反复测试和比较，这使得导航功能的上线速度或优化速度非常缓慢。第三，对问题的覆盖面窄。在通过优化筛选策略来解决导航起点道路选择错误的问题时，经常会面对多个优化互斥的场景，比如，当希望在某些场景中增大导航起点位置的方向的影响时，可能会选择到距离更远的道路，从而可能对其他场景造成负面影响。因此，在解决导航起点道路选择不准的问题时，筛选策略的优化的覆盖面较窄，难以全方位考虑问题，并满足不同场景的需求。

基于以上考虑，发明人提出了一种新的导航方法，其有助于解决或缓解相关技术中的上述不足。

图3示意性示出了根据本公开的实施例的导航方法300的示例流程图。示例性地，导航方法300可以部署于图1所示的场景100中的计算设备110或服务器130上，或者可以部署于两者的组合上。

在步骤310，可以获取定位数据，定位数据可以包括导航起点位置和与导航起点位置相关的地图数据。导航起点位置可以是以经纬度构成的二维坐标、经纬度及海拔高度构成的三维坐标或者其他坐标系下的二维或三维坐标来描述的，或者也可以通过与道路、路口、地标性地址等的相对位置来描述，等等。与导航起点位置相关的地图数据可以指导航起点位置附近范围内的地图数据，例如与导航起点位置相距预设距离阈值的范围内的地图数据，比如与导航起点位置相距10米、20米、50米、100米、200米、300米等的范围内的地图数据。应理解，该预设距离阈值可以根据具体应用需求来手动或自动地设定。或者，可选地，与导航起点位置相关的地图数据也可以指包括导航起点位置的乡级、县级、地级或省级行政区域范围内的地图数据，或者也可以指包括导航起点位置的全范围的地图数据，等等。地图数据可以包括道路信息，并可以包括其他相关信息，例如建筑物信息、绿化带信息、水域信息、公共设施信息等中的一项或多项。

可选地，定位数据可以是本地生成或从外部设备获取的，或者可以是部分本地生成、部分从外部设备获取的。示例性地，在图1所示的场景100中，如果导航方法300部署于用户120的计算设备110上，则导航起点位置可以由计算设备110生成，并且与导航起点位置相关的地图数据可以是本地存储的，或者可以是经由网络从服务器130或数据库140获取的；如果导航方法300部署于服务器130上，则导航起点位置可以是经由网络从计算设备110接收的，并且与导航起点位置相关的地图数据可以是本地存储的，或者可以是经由网络从诸如数据库140的外部设备获取的。

示例性地，导航起点位置可以通过各种方式来确定。例如，可以借助诸如全球定位系统（GPS）、格洛纳斯卫星导航系统（GLONASS）、伽利略卫星导航系统（GALILEO）和北斗卫星导航系统（BDS）的卫星导航系统来确定导航起点位置。在这种示例中，导航对象（例如车辆、移动终端、机器人等）可以配备有卫星信号接收器，该接收器可以接收卫星信号，并根据所接收的卫星信号确定导航对象的位置。或者，也可以借助其他导航方案来确定导航起点位置，例如借助电信基站、WiFi信号、Zigbee信号、高精度地图、包括加速度仪、车轮编码器等的车辆传感器系统等中的一项或多项的组合来确定导航起点位置。或者，导航起点位置也可以是用户手动设定的。

在步骤320，可以基于导航起点位置，从地图数据中确定至少一条备选道路。示例性地，可以将所获取的与导航起点位置相关的地图数据中的所有道路或一部分道路作为备选道路。例如，可以将导航起点位置的某一邻近区域内的道路作为备选道路，比如将导航起点位置附近10米、20米、50米、100米、200米或其他距离范围内的道路作为备选道路；或者，可以将与导航起点位置距离较近的预设数量条道路确定为备选道路，比如将与导航起点位置距离较近的3条、5条、8条、10条、15条或其他数目条道路作为备选道路；或者，可以将道路行驶方向与导航起点位置的方向之间的差值在某个预设角度范围内的道路作为备选道路，或将道路行驶方向与导航起点位置的方向之间的差值较小的预设数量条道路作为备选道路，类似地，上述预设角度范围或预设数量可以根据实际需求来设定；或者，可以根据其他机制或融合两种或更多种机制来确定备选道路。

在步骤330，可以针对每条备选道路，基于定位数据生成图片数据。示例性地，可以基于定位数据生成单通道或多通道图片数据，其中，多通道图片可以包括多个颜色通道（比如RGB图片）或多个自定义通道。例如，可以基于与导航起点位置相关的地图数据中的全部信息或部分信息来生成单通道灰度图片或多通道彩色图片，并且可以在所生成的图片中通过预设形式标记导航起点位置和备选道路，例如可以通过预设形状和/或颜色的点状标识来标记导航起点位置，以及可以通过预设颜色、图案、线型等来标记备选道路。或者，可以通过其他机制来生成图片数据，使得图片数据至少可以反映关于导航起点位置和备选道路的信息，并可以可选地反映至少一条其他道路的信息以及其他可选信息。

在步骤340，可以基于图片数据，从至少一条备选道路中确定导航起点道路。可以借助各种图像分析手段，来基于图片数据确定导航起点道路。示例性地，单通道图片数据或多通道图片数据中的每个通道可以包括多个像素点，每个像素点可以具有相应的灰度值，由此，单通道图片数据或多通道图片数据中的每个通道可以表示为矩阵，并且矩阵中每个元素可以为相应像素点的灰度值。可以通过各种数据分析手段来分析这种数据，以便确定哪条备选道路最适合作为导航起点道路。示例性地，也可以对图片数据进行裁剪、滤波等预处理，以便于更好地基于其确定导航起点道路。

通过导航方法300，在确定导航起点道路的过程中，可以实现定位数据到图片数据的转化，并借助图片分析手段来更加充分、全面地考虑导航起点位置以及相关地图数据中的各种信息，从而可以融合多方面因素的基础上从至少一条备选道路中筛选得到正确的导航起点道路。这有助于提升所确定的导航起点道路的准确性，进而有助于提升导航服务的质量，从而提升用户体验。

在一些实施例中，在步骤330中生成的图片数据可以包括以下各项中的至少一项：导航起点位置的方向信息、导航起点位置的精度信息、导航起点位置的邻近区域内的道路信息、与备选道路连通的上游道路的信息。示例性地，可以通过形状、颜色特征等形式来在图片数据中表征导航位置的方向信息和/或精度信息。导航起点位置的邻近区域内的道路信息可以包括道路的位置信息、行驶方向信息或其他属性信息中的一项或多项，其中，邻近区域可以指导航起点位置附近的预设阈值距离范围内的区域，例如导航起点位置周围10米、20米、50米、100米、200米或其他距离范围内的区域。与备选道路连通的上游道路的信息可以包括上游道路的位置信息、行驶方向信息或其他属性信息中的一项或多项，其中，上游道路可以指可以行驶进入该备选道路并与该备选道路直接相连的道路。与一条备选道路连通的上游道路可以有1条、2条或更多条。类似地，示例性地，可以通过形状、颜色特征等形式来在图片数据中表征导航起点位置的邻近区域内的道路信息和/或与备选道路连通的上游道路的信息。

通过在图片数据中包括导航起点位置的方向信息、导航起点位置的精度信息、导航起点位置的邻近区域内的道路信息以及与备选道路连通的上游道路的信息中的一项或多项，有助于提升导航起点位置的准确性。具体而言，导航起点位置的方向信息可以反映导航对象的当前朝向，这有助于判断其可能的行驶方向，进而有助于筛选适宜的导航起点道路；导航起点位置的精度信息可以反映导航起点位置自身的精确程度，这可以在筛选导航起点道路时作为参考信息，例如用以调节导航起点道路对导航起点位置的依赖程度等；导航起点位置的邻近区域内的道路信息可以反映导航起点位置附近的整体道路分布情况，这有助于在确定导航起点道路时综合考虑附近的其他道路的分布情况；与备选道路连通的上游道路的信息可以反映可以驶入备选道路的道路，在结合导航对象的历史轨迹时，其有助于降低导航起点道路的误选概率。

根据实际应用需求，上述图片数据也可以替代地或附加地包括其他信息。此外，应理解，上述图片数据可以包括多通道图片，其中，每个通道图片可以仅反映上述各种信息中的一种信息。这可以在各个通道图片中分别凸显不同的信息，有助于提升图片数据的分析效率和分析效果。或者，根据具体设置，上述各种信息也可以被体现在单通道图片中，或者多通道图片中的一个通道图片可以体现上述各种信息中的两种或更多种信息。

在一些实施例中，上述定位数据还可以包括与导航起点位置相关的导航对象的多个历史位置。该多个历史位置可以是本地存储或从外部设备获取的。与导航起点位置相关的导航对象的历史位置可以指在导航对象处于导航起点位置的时刻之前的一个时间段内获取的位置，或者，可以指在导航起点位置之前获取的预设数量个位置，或者，也可以值在导航对象处于导航起点位置之前所获取的处于一个距离范围内的位置。示例性地，多个历史位置可以是通过诸如GPS、GLONASS、GALILEO、BDS的卫星导航系统获得的一系列定位点，其可以在导航起点道路的确定过程中起到辅助判断的作用。示例性地，上述多个历史位置可以是在当前时刻之前或导航对象上次停止移动之前一段时间内获取的位置，例如在前50s、60s、70s、80s或其他时间段内获取的位置，或者例如是在导航起点位置之前获取的50个、60个、70个80个或其他数量个位置，等等。可选地，多个历史位置可以是连续获取的位置，或者可以是通过对连续获取的位置进行采样来得到的位置。在一些实施例中，基于定位数据生成图片数据的过程可以包括生成以下各项中的至少一项：方向通道图片、精度通道图片、邻近道路通道图片以及上游道路通道图片。此外，可选地，所生成的图片数据还可以包括其他形式的通道图片。

图4A-4D分别示意性示出了根据本发明的实施例的方向通道图片400A、精度通道图片400B、邻近道路通道图片400C以及上游道路通道图片400D。应理解，图4A-4D中各通道图片的左侧和下侧的坐标信息仅仅是为了便于理解而示出的，实际生成的通道图片可以不包括这些坐标信息。此外，为清晰简洁起见，图4A-4D未示出灰度信息，其中的各种点或线可以具有灰度，并且其灰度值可以根据以下描述中的各种实施例来确定。

在一些实施例中，可以基于导航起点位置和多个历史位置的方向信息，生成如图4A所示的方向通道图片400A。

在一些实施例中，可以通过以下步骤来基于导航起点位置和多个历史位置的方向信息，生成方向通道图片：基于导航起点位置和多个历史位置，确定方向通道图片中的与导航起点位置和多个历史位置分别对应的多个点的位置；根据导航起点位置和多个历史位置的方向信息，确定相对应的多个点的灰度。示例性地，可以根据预设比例尺，将所获取的导航起点位置和多个历史位置中的各个位置映射到方向通道图片中的对应的像素点的位置。例如，如图4A所示，导航起点位置可以被映射为（100,100）处的像素点411，即方向通道图片的中心像素点，多个历史位置可以被映射为虚线框所标出的一系列像素点412。可选地，每个位置可以由一个或一组像素点来表示。

与导航起点位置对应的像素点411和与多个历史位置对应的像素点412的灰度可以根据其方向信息来确定。示例性地，在使用GPS定位时，所获取的GPS定位可以携带相应的方向角度值，该方向角度值可以作为导航起点位置及历史位置的方向信息。该方向角度值可以以预设方向为基准，例如以正北方向为基准。在一些实施例中，可以通过如下步骤来确定各个点的灰度：根据从方向到灰度的线性映射方案，将导航起点位置和多个历史位置的方向映射为对应的灰度值；基于映射得到的灰度值，确定相对应的多个点的灰度。从方向到灰度的线性映射方案可以将0至360度（或者，-180至180度或其他范围）的方向角度映射为0至255的灰度值，或者映射为0至255之间的灰度值区间，例如映射至灰度值区间[36,216]或其他灰度值区间。上述灰度值区间之外的灰度值可以留作其他用途，比如方向通道图片的背景灰度、未携带方向信息的位置的对应灰度等。

可选地，上述从方向到灰度的线性映射方案可以通过以下映射函数来描述：

其中，

为方向角度，

和

分别为方向角度的最大值与最小值，例如可以分别取值为360和0，

为设定的灰度上限，

为设定的灰度下限，例如可以分别取值为分别216与36。可选地，若起点导航位置和多个历史位置中存在未携带方向信息的位置，则对应点的灰度可以设置为预设固定灰度值，例如设置为255或其他值。

此外，在方向通道图片中，导航起点位置和多个历史位置中的相邻位置对应的像素点可以通过线段连接，以便更清楚地显示导航对象的行进轨迹。在此，相邻位置是指在获取时间上相邻的位置。相邻位置之间的连接线段的灰度可以被确定为预设的固定灰度值，该固定灰度值可以为从方向到灰度的线性映射方案所涉及的灰度值区间之外的灰度值。

在一些实施例中，可以基于导航起点位置和多个历史位置的精度信息，生成如图4B所示的精度通道图片400B。

在一些实施例中，可以通过以下步骤来基于导航起点位置和多个历史位置的精度信息，生成精度通道图片：基于导航起点位置和多个历史位置，确定精度通道图片中的与导航起点位置和多个历史位置分别对应的多个点的位置；根据导航起点位置和多个历史位置的精度信息，确定相对应的多个点的灰度。类似于前述方向通道图片，示例性地，可以根据预设比例尺，将所获取的导航起点位置和多个历史位置映射到方向通道图片中的对应的像素点的位置。例如，如图4B所示，导航起点位置可以被映射为（100,100）处的像素点421，即方向通道图片的中心像素点，多个历史位置可以被映射为虚线框所标出的一系列像素点422。可选地，每个位置可以由一个或一组像素点来表示。

与导航起点位置对应的像素点421和与多个历史位置对应的像素点422的灰度可以根据其精度信息来确定。示例性地，在使用GPS定位时，所获取的GPS定位可以携带相应的精度因子，该精度因子可以作为导航起点位置及历史位置的精度信息。该精度因子可以是GPS接收器根据卫星信号的强弱、自身与多个卫星的相对位置等因素来得到的。在一些实施例中，可以通过如下步骤来确定各个点的灰度：根据从精度到灰度的线性映射方案，将导航起点位置和多个历史位置的精度映射为对应的灰度值；基于映射得到的灰度值，确定相对应的多个点的灰度。从精度到灰度的线性映射方案可以将精度区间映射为0至255的灰度值，或者映射为0至255之间的灰度值区间，例如映射至灰度值区间[36,216]或其他灰度值区间。上述灰度值区间之外的灰度值可以留作其他用途，比如精度通道图片的背景灰度、未携带精度信息的位置的对应灰度等。上述精度区间可以包括所有可能精度，或者仅包括可能精度的一部分。例如，上述精度区间可以设置为[0,250]，超过250的精度直接设置为250。由于精度达到一定高度后，其就已经可以准确表征正确的导航初始位置，因此，可以将更高精度统一以某个精度值代替，以节省计算资源，并拉大低精度范围内的精度在映射后的灰度差异，从而有助于提高图片处理的效果，提升最终确定的导航起点道路的准确性。

可选地，上述从精度到灰度的线性映射方案可以通过以下映射函数来描述：

其中，acc为精度值，

和

分别为精度值的最大值与最小值，例如可以分别取值为250与0（精度值超过250的可以直接设置为250），

为设定的灰度上限，

为设定的灰度下限，例如可以分别取值为216与36。可选地，若起点导航位置和多个历史位置中存在未携带精度信息的位置，则对应点的灰度可以设置为预设固定灰度值，例如设置为255或其他值。

此外，类似于关于方向通道图片所描述的，在精度通道图片中，导航起点位置和多个历史位置中的相邻位置对应的像素点也可以通过线段连接，以便更清楚地显示导航对象的行进轨迹。

在一些实施例中，可以基于导航起点位置的邻近区域内的多条道路，生成如图4C所示的邻近道路通道图片400C。

在一些实施例中，可以通过如下步骤来基于导航起点位置周围的多条道路中的至少部分道路，生成周围道路通道图片：基于导航起点位置周围的多条道路中的至少部分道路的位置，确定周围道路通道图片中的与该至少部分道路对应的多条线的位置；根据多条道路的行驶方向，确定相对应的多条线的灰度。示例性地，可以基于导航起点位置的邻近区域内的道路确定周围道路通道图片中的多条线的位置，其中每条线与一条道路相对应。例如，如图4C所示，导航起点位置的邻近区域内的道路可以被映射为邻近道路通道图片400C中的多条线431。邻近区域内的道路可以是与导航起点位置相距10米、20米、50米、100米、200米、300米或其他距离范围内的道路，或者可以是全部或部分落入绘制区域内的道路。示例性地，可以基于导航起点位置周围的多条道路中的至少部分道路的形状点的位置，在周围道路通道图片中确定相应形状点的位置，然后可以连接这些形状点以确定与相应道路对应的线的位置。或者，也可以通过其他方式确定周围道路通道图片中的与道路对应的多条线的位置，例如可以借助道路中预设节点的位置等来确定。

与导航起点位置周围的多条道路中的至少部分道路对应的线的灰度可以根据相应道路的行驶方向来确定。示例性地，可以将道路上的与导航初始位置距离最近的点处的行驶方向确定为道路的行驶方向；或者，也可以将道路上的与导航初始位置距离小于预设阈值的点处的平均行驶方向确定为道路的行驶方向；等等。在一些实施例中，可以通过如下步骤来确定各条线的灰度：根据从行驶方向到灰度的线性映射方案，将道路的形式方向映射为对应的灰度值；基于映射得到的灰度值，确定相对应的多条线的灰度。从行驶方向到灰度的线性映射方案可以将将0至360度（或者，-180至180度或其他范围）的行驶方向角度映射为0至255的灰度值，或者映射为0至255之间的灰度值区间，例如映射至灰度值区间[36,216]或其他灰度值区间。从行驶方向到灰度的线性映射方案可以通过与从方向到灰度的线性映射方案类似的映射函数来描述，在此不再赘述，但是，两种线性映射方案中的灰度上限和灰度下限可以根据实际需要而被相同或不同地设置。

在一些实施例中，可以基于备选道路和与备选道路连通的上游道路，生成如图4D所示的上游道路通道图片400D。

在一些实施例中，可以通过以下步骤来基于备选道路和与备选道路连通的上游道路，生成上游道路通道图片：基于该导航起点位置周围的多条道路中的至少部分道路的位置，确定上游道路通道图片中的与该备选道路和与该备选道路连通的上游道路分别对应的至少两条线的位置；将与该备选道路对应的线和与上游道路对应的线的灰度确定为不同灰度值。示例性地，可以根据类似于关于图4C描述的过程来基于备选道路和相应上游道路确定对应线的位置。例如，如图4C所示，备选道路可以被映射为上游道路通道图片400C中的以虚线框441标出的线，上游道路可以被映射为以虚线框442标出的线。与备选道路和上游道路对应的线的灰度可以被确定为不同的预设固定值，例如，与备选道路对应的线的灰度可以被确定为112，与上游道路对应的线的灰度可以确定为45。或者，上述灰度预设固定值也可以被设置为其他值。

在一些实施例中，可以以导航起点位置作为图片的中心位置，生成上述图片数据。示例性地，图4A-4D所示的各个通道图片可以均以导航起点位置作为通道图片的中心位置。这有助于更全面地体现导航起点位置周围各个方向的轨迹信息、道路信息等。此外，在图片数据包括多个通道图片时，这还有助于同步各个通道图片的显示区域。如此，可以进一步提升图片数据的处理效率和处理效果，从而更快且更准确地确定导航起点道路。可选地，也可以将导航起点位置设置在图片中的其他位置。此外，各个通道图片的比例尺可以保持一致，从而确保各个通道图片所显示的空间范围保持一致。

应理解，在参考图4A-4D描述的各通道图片，由于图片大小和比例尺的限制，可能出现部分道路或历史位置绘制不完整的情况。例如，在所获取的多个历史位置中，可能仅部分历史位置可以被体现在方向通道图片及精度通道图片中；在周围道路通道图片中，可能仅能够体现一条或更多条道路的部分路段；在上游道路通道图片中，可能仅能够体现备选道路或上游道路的部分路段，或者甚至可能无法体现上游道路；等等。

此外，替代地或附加地，可以使用除参考图4A-4D描述的通道图片之外的其他形式的通道图片。例如，可以基于导航起点位置周围的多条道路中的至少部分道路和备选道路，生成通道图片，以反映周围道路与备选道路的关系；可以基于导航起点位置和备选道路的位置和/或方向生成通道图片，以体现导航起点位置和备选道路之间的关系；等等。

在一些实施例中，图3所示的步骤320可以通过以下步骤来实现：针对地图数据中的至少部分道路中的每一条道路，基于该条道路与导航起点位置之间的距离差和方向差中的至少一个确定该条道路与导航起点位置的相关度；基于相关度，将至少部分道路中的至少一条道路确定为备选道路。示例性地，可以确定导航起点位置与地图数据中的至少部分道路之间的距离，该距离可以是从导航起点位置到道路上的点的最短距离。以及，替代地或附加地，可以确定导航起点位置的方向与地图数据中的至少部分道路的行驶方向的方向差，道路的行驶方向可以指与导航起点位置距离最近的点处的行驶方向，并且方向差可以指两者方向角度的差值。可以将距离小于预设阈值的和/或方向差小于预设阈值的道路确定为备选道路；或者，可以将两者以及可选的其他度量组合为单个相关度值，并将相关度值满足阈值条件的道路确定为备选道路；或者，可以根据距离和/或方向差或者根据相关度值对道路进行排序，将排在前列（即，距离小和/或方向差小，或者相关度高）的预设数量条道路确定为备选道路。通过上述步骤，可以便捷地确定至少一条合适的备选道路。并且，通过对导航起点位置附近的道路进行初步筛选，有助于提高导航起点道路的确定效率。

在一些实施例中，图3所示的步骤340可以通过以下步骤来实现：基于图片数据，确定每条备选道路的当选概率；在至少一条备选道路中，将当选概率最大的备选道路确定为导航起点道路。示例性地，可以通过各种图片数据分析手段来基于图片数据确定相应备选道路的当选概率。例如，可以借助机器学习模型或者其他数据特征分析手段。

在一些实施例中，可以通过以下方式来基于图片数据确定每条备选道路的当选概率：针对每条备选道路，执行以下步骤：从与该备选道路对应的图片数据中提取图片特征；基于图片特征，确定用于表征该备选道路的当选概率和不当选概率的数值对；对数值对进行归一化，以得到该备选道路的当选概率。示例性地，该过程可以通过机器学习模型来实现，或者也可以通过其他图片数据分析手段来实现。

在一些实施例中，可以通过以下步骤来基于图片数据确定每条备选道路的当选概率：将与各条备选道路对应的图片数据依次输入至导航起点道路确定模型，以得到每条备选道路的当选概率，其中，导航起点道路确定模型为经预训练的机器学习模型。可选地，机器学习模型可以为各种现有或自行设计的模型，例如一般卷积神经网络模型、VGG模型、Resnet模型等。借助机器学习模型，一方面，可以从空间维度学习到导航起点位置、历史位置和相关道路之间的关系，从而对备选道路进行正确的筛选，使得所确定的导航起点道路的正确率更高。另一方面，机器学习模型可以学习到很多人为规定的规则策略无法判断的复杂情况，这可以避免相关技术中功能优化迭代速度慢、策略制定经验要求高的弊端，有效降低了计算复杂度，提升了工作效率，节省了网络资源，优化了网络资源调度。

示例性地，上述机器学习模型可以为卷积神经网络模型。例如，可以借助图5所示的卷积神经网络模型500来基于图片数据确定每条备选道路的当选概率。如图5所示，卷积神经网络模型500包括三层卷积层502、504、506以及三层全连接层508、509、510。示例性地，卷积层502、504及506可以均采用3*3的卷积核，步长可以均为2。每层卷积层之后可以接一层池化层503、505或507。示例性地，池化层503、505及507可以均采用2*2的池化窗口。示例性地，在前述步骤330中生成的图片数据可以被输入至神经网络模型500的输入层501，其中，所输入的图片数据可以包括关于图4A-4D描述的四个通道图片，并且其像素可以被预先设定为200*200，或者也可以根据具体需求预先设定其他通道数和/或像素值。随后，所输入的图片数据可以被前述卷积层、池化层及全连接层处理，进行特征提取，并最终得到两个输出值，该两个输出值可以用于表征备选道路的当选概率和不当选概率。最后，可以对这两个输出值进行归一化处理，例如借助softmax函数来处理，以得到最终分类结果。该分类结果可以包括两个值，分别为备选道路的当选概率和不当选概率。当选概率越高，表明相应备选道路越适合作为导航起点道路。

经试验，在基于图片数据确定备选道路的当选概率时，通过关于图5描述的卷积神经网络模型500，可以很好地平衡准确率和效率之间的关系，可以在保证满足期望的准确率的同时，实现较快的处理速度，因此，该模型可以很好地适应线上使用的性能要求。然而，本领域技术人员可以理解，关于图5所描述的卷积神经网络模型仅仅是示例性地，实际上也可以采用其他类型的机器学习模型来基于图片数据确定备选道路的当选概率。或者，在使用卷积神经网络模型的情况下，也可以采用不同的网络结构，例如采用不同数量的卷积层、池化层、全连接层，或者采用不同大小的卷积核、池化窗口、全连接层单元数目等，或者采用不同的通道数，等等。换言之，上述各种数值均可以根据实际应用需求来调整。

在一些实施例中，上述机器学习模型可以通过如6所示的训练方法600来被预训练以得到导航起点道路确定模型。

在步骤610，可以获取多组样本导航数据，每组样本导航数据可以包括样本定位数据、样本导航起点道路和样本实际起点道路，样本定位数据可以包括样本导航起点位置和与样本导航起点位置相关的地图数据。示例性地，可以基于历史导航中与导航起点道路选择过程有关的日志数据来得到样本导航数据。例如，可以结合导航历史日志数据和用户真实轨迹，来得到多组样本导航数据，其中，可以从导航历史日志数据中获取样本定位数据和样本导航起点道路，样本导航起点道路可以为历史导航过程中所确定的导航起点道路，并且可以根据用户真实轨迹确定样本实际起点道路，样本实际起点道路为用户真实选择的起点道路。若导航历史日志数据中的样本导航起点道路与由用户真实轨迹确定的样本实际起点道路一致，则可以认为所确定的样本导航起点道路是正确的，否则可以认为是错误的。可选地，可以收集大量样本导航数据，以便提升训练效果。

示例性地，图7A和7B示意性示出了两组样本导航数据。如图7A所示，在样本导航数据700A中，呈现了样本导航起点位置711以及与样本导航起点位置711相关的地图数据，还呈现了样本导航起点道路713和用户真实轨迹714。此外，样本导航数据700A还呈现了可选的多个样本历史位置712，其类似于前文所描述的多个历史位置。可见，在样本导航数据700A中，样本导航起点道路713和由用户真实轨迹714得到的样本实际起点道路是一致的，因此，样本导航起点道路713可以被认为是正确的。如图7B所示，在样本导航数据700B中，呈现了样本导航起点位置721以及与样本导航起点位置721相关的地图数据，还呈现了导航起点道路723和样本实际起点道路724。此外，样本导航数据700B还呈现了可选的多个样本历史位置722，其类似于前文所描述的历史位置。可见，在样本导航数据700B中，样本导航起点道路723和由用户真实轨迹724得到的样本实际起点道路是不一致的，因此，样本导航起点道路723可以被认为是错误的。

在步骤620，可以针对每组样本导航数据，基于样本导航起点道路和样本定位数据，生成样本图片数据。该步骤可以根据关于图3的步骤330描述的各种实施例来实施，其中，以样本导航起点道路代替备选道路来执行相关步骤。所生成的样本图片数据可以构成模型训练过程中所使用的数据集。

在步骤630，可以将样本实际起点道路与样本导航起点道路相同的样本图片数据作为正样本，并将样本实际起点道路与样本导航起点道路不同的样本图片数据作为负样本，训练机器学习模型，以最大化机器学习模型确定所输入的样本图片数据为正样本或负样本的准确率。示例性地，所生成的各组样本导航数据可以依次被输入至待训练的机器学习模型，然后可以基于机器学习模型的输出确定样本导航起点道路的当选概率，该当选概率可以被视为相应样本导航数据为正样本的概率。示例性地，正样本和负样本的标签分别设置为1和0，如此，通过比较基于机器学习模型的输出所得到的当选概率与标签的差异，可以衡量机器学习模型的准确性。示例性地，可以根据基于机器学习模型的输出所得到的当选概率与标签的差异构建损失函数，在训练过程中，可以调整各种模型参数，以使损失函数最小化。

在一些实施例中，可以将样本图片数据构成的数据集进行拆分，随机抽取70%的样本图片数据作为训练数据集，10%作为验证数据集、20%作为测试数据集。训练数据集可以用于训练模型，验证数据集可以用于验证模型是否完成训练，测试数据集可以用于测试模型效果。由此，通过训练、验证和测试过程，可以有效保障模型的训练效果，使得训练后的模型可以可靠且准确地用于确定导航起点道路。可选地，也可以根据其他比例来对数据集进行拆分。

图8示意性示出了根据本公开的一些实施例的导航装置800的示例框图。如图8所示，导航装置800包括获取模块810、第一确定模块820、生成模块830和第二确定模块840。示例性地，该导航装置1000可以部署于图1所示的计算设备110、服务器130或两者的组合上。

具体而言，获取模块810可以被配置为获取定位数据，定位数据包括导航起点位置和与导航起点位置相关的地图数据；第一确定模块820可以被配置为基于导航起点位置，从地图数据中确定至少一条备选道路；生成模块830可以被配置为针对每条备选道路，基于定位数据生成图片数据；第二确定模块840可以被配置为基于图片数据，从至少一条备选道路中确定导航起点道路。

应理解，导航装置800可以以软件、硬件或软硬件相结合的方式实现。多个不同模块可以在同一软件或硬件结构中实现，或者一个模块可以由多个不同的软件或硬件结构实现。

此外，导航装置800可以用于实施前文所描述的导航方法300，其相关细节已经在前文中详细描述，为简洁起见，在此不再重复。导航装置800可以具有与关于前述方法描述的相同的特征和优势。

图9示意性示出了根据本公开的一些实施例的计算设备900的示例框图。例如其可以代表图1中的计算设备110或服务器130，或者可以用于部署本公开提供的导航装置800的其他计算设备。

如图所示，示例计算设备900包括彼此通信耦合的处理系统901、一个或多个计算机可读介质902以及一个或多个I/O接口903。尽管未示出，但是计算设备900还可以包括将各种组件彼此耦合的系统总线或其他数据和命令传送系统。系统总线可以包括不同总线结构的任何一个或组合，所述总线结构可以是诸如存储器总线或存储器控制器、外围总线、通用串行总线和/或利用各种总线架构中的任何一种的处理器或局部总线，或者还可以包括诸如控制和数据线。

处理系统901代表使用硬件执行一个或多个操作的功能。因此，处理系统901被图示为包括可被配置为处理器、功能块等的硬件元件904。这可以包括在硬件中实现专用集成电路或使用一个或多个半导体形成的其它逻辑器件。硬件元件904不受其形成材料或其中采用的处理机构的限制。例如，处理器可以由（多个）半导体和/或晶体管（例如，电子集成电路（IC））组成。在这样的上下文中，处理器可执行指令可以是电子可执行指令。

计算机可读介质902被图示为包括存储器/存储装置905。存储器/存储装置905表示与一个或多个计算机可读介质相关联的存储器/存储装置。存储器/存储装置905可以包括易失性存储介质（诸如随机存取存储器（RAM））和/或非易失性存储介质（诸如只读存储器（ROM）、闪存、光盘、磁盘等）。存储器/存储装置905可以包括固定介质（例如，RAM、ROM、固定硬盘驱动器等）以及可移动介质（例如，闪存、可移动硬盘驱动器、光盘等）。示例性地，存储器/存储装置905可以用于存储上文实施例中提及的各种地图数据、导航数据等。计算机可读介质902可以以下面进一步描述的各种其他方式进行配置。

一个或多个输入/输出接口903代表允许用户向计算设备900键入命令和信息并且还允许使用各种输入/输出设备将信息呈现给用户和/或发送给其他组件或设备的功能。输入设备的示例包括键盘、光标控制设备（例如，鼠标）、麦克风（例如，用于语音输入）、扫描仪、触摸功能（例如，被配置为检测物理触摸的容性或其他传感器）、相机（例如，可以采用可见或不可见的波长（诸如红外频率）将不涉及触摸的运动检测为手势）、网卡、接收机等等。输出设备的示例包括显示设备、扬声器、打印机、触觉响应设备、网卡、发射机等。示例性地，在上文描述的实施例中，可以通过输入设备允许用户执行各种交互操作，例如启动导航应用、输入导航起点和/或终点位置等，可以通过输出设备允许用户查看导航路线等。

计算设备900还包括导航应用906。导航应用906可以作为计算程序指令存储在存储器/存储装置905中。导航应用906可以连同处理系统901等一起实现关于图8描述的导航装置800的各个模块的全部功能。

本文可以在软件、硬件、元件或程序模块的一般上下文中描述各种技术。一般地，这些模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、元素、组件、数据结构等。本文所使用的术语“模块”、“功能”等一般表示软件、固件、硬件或其组合。本文描述的技术的特征是与平台无关的，意味着这些技术可以在具有各种处理器的各种计算平台上实现。

所描述的模块和技术的实现可以存储在某种形式的计算机可读介质上或者跨某种形式的计算机可读介质传输。计算机可读介质可以包括可由计算设备900访问的各种介质。作为示例而非限制，计算机可读介质可以包括“计算机可读存储介质”和“计算机可读信号介质”。

与单纯的信号传输、载波或信号本身相反，“计算机可读存储介质”是指能够持久存储信息的介质和/或设备，和/或有形的存储装置。因此，计算机可读存储介质是指非信号承载介质。计算机可读存储介质包括诸如易失性和非易失性、可移动和不可移动介质和/或以适用于存储信息（诸如计算机可读指令、数据结构、程序模块、逻辑元件/电路或其他数据）的方法或技术实现的存储设备之类的硬件。计算机可读存储介质的示例可以包括但不限于RAM、ROM、EEPROM、闪存或其它存储器技术、CD-ROM、数字通用盘（DVD）或其他光学存储装置、硬盘、盒式磁带、磁带，磁盘存储装置或其他磁存储设备，或其他存储设备、有形介质或适于存储期望信息并可以由计算机访问的制品。

“计算机可读信号介质”是指被配置为诸如经由网络将指令发送到计算设备900的硬件的信号承载介质。信号介质典型地可以将计算机可读指令、数据结构、程序模块或其他数据体现在诸如载波、数据信号或其它传输机制的调制数据信号中。信号介质还包括任何信息传递介质。作为示例而非限制，信号介质包括诸如有线网络或直接连线的有线介质以及诸如声、RF、红外和其它无线介质的无线介质。

如前所述，硬件元件901和计算机可读介质902代表以硬件形式实现的指令、模块、可编程器件逻辑和/或固定器件逻辑，其在一些实施例中可以用于实现本文描述的技术的至少一些方面。硬件元件可以包括集成电路或片上系统、专用集成电路（ASIC）、现场可编程门阵列（FPGA）、复杂可编程逻辑器件（CPLD）以及硅中的其它实现或其他硬件设备的组件。在这种上下文中，硬件元件可以作为执行由硬件元件所体现的指令、模块和/或逻辑所定义的程序任务的处理设备，以及用于存储用于执行的指令的硬件设备，例如，先前描述的计算机可读存储介质。

前述的组合也可以用于实现本文所述的各种技术和模块。因此，可以将软件、硬件或程序模块和其它程序模块实现为在某种形式的计算机可读存储介质上和/或由一个或多个硬件元件901体现的一个或多个指令和/或逻辑。计算设备900可以被配置为实现与软件和/或硬件模块相对应的特定指令和/或功能。因此，例如通过使用处理系统的计算机可读存储介质和/或硬件元件901，可以至少部分地以硬件来实现将模块实现为可由计算设备900作为软件执行的模块。指令和/或功能可以由例如一个或多个计算设备900和/或处理系统901执行/可操作以实现本文所述的技术、模块和示例。

本文描述的技术可以由计算设备900的这些各种配置来支持，并且不限于本文所描述的技术的具体示例。

应当理解，为清楚起见，参考不同的功能单元对本公开的实施例进行了描述。然而，将明显的是，在不偏离本公开的情况下，每个功能单元的功能性可以被实施在单个单元中、实施在多个单元中或作为其它功能单元的一部分被实施。例如，被说明成由单个单元执行的功能性可以由多个不同的单元来执行。因此，对特定功能单元的参考仅被视为对用于提供所描述的功能性的适当单元的参考，而不是表明严格的逻辑或物理结构或组织。因此，本公开可以被实施在单个单元中，或者可以在物理上和功能上被分布在不同的单元和电路之间。

本公开提供了一种计算机可读存储介质，其上存储有计算机可读指令，计算机可读指令在被执行时实现上述导航方法。

本公开提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算设备执行上述各种实施例中提供的导航方法。

通过研究附图、公开内容和所附的权利要求书，本领域技术人员在实践所要求保护的主题时，能够理解和实现对于所公开的实施例的变型。在权利要求书中，词语“包括”不排除其他元件或步骤，并且“一”或“一个”不排除多个。在相互不同的从属权利要求中记载某些措施的纯粹事实并不表明这些措施的组合不能用来获利。

可以理解的是，在本公开的具体实施方式中，涉及到用户的导航定位数据、导航历史日志数据等。当本公开的涉及这样的数据的实施例运用到具体产品或技术中时，需要获得用户许可或者同意，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。

Claims (19)

1.一种导航方法，包括：

获取定位数据，所述定位数据包括导航起点位置和与所述导航起点位置相关的地图数据；

基于所述导航起点位置，从所述地图数据中确定至少一条备选道路；

针对每条备选道路，基于所述定位数据生成图片数据；

基于所述图片数据，从所述至少一条备选道路中确定导航起点道路。

2.根据权利要求1所述的导航方法，其中，所述图片数据包括以下各项中的至少一项：导航起点位置的方向信息、导航起点位置的精度信息、导航起点位置的邻近区域内的道路信息、与备选道路连通的上游道路的信息。

3.根据权利要求1或2所述的导航方法，其中，所述定位数据还包括与所述导航起点位置相关的导航对象的多个历史位置，并且其中，所述基于所述定位数据生成图片数据包括以下步骤中的至少一个：

基于所述导航起点位置和所述多个历史位置的方向信息，生成方向通道图片；

基于所述导航起点位置和所述多个历史位置的精度信息，生成精度通道图片；

基于所述导航起点位置的邻近区域内的多条道路，生成邻近道路通道图片；

基于该备选道路和与该备选道路连通的上游道路，生成上游道路通道图片。

4.根据权利要求3所述的导航方法，其中，所述基于所述导航起点位置和所述多个历史位置的方向信息，生成方向通道图片包括：

基于所述导航起点位置和所述多个历史位置，确定所述方向通道图片中的与所述导航起点位置和所述多个历史位置分别对应的多个点的位置；

根据所述导航起点位置和所述多个历史位置的方向信息，确定相对应的多个点的灰度。

5.根据权利要求4所述的导航方法，其中，所述根据所述导航起点位置和所述多个历史位置的方向信息，确定相对应的多个点的灰度包括：

根据从方向到灰度的线性映射方案，将所述导航起点位置和所述多个历史位置的方向映射为对应的灰度值；

基于映射得到的灰度值，确定相对应的多个点的灰度。

6.根据权利要求3所述的导航方法，其中，所述基于所述导航起点位置和所述多个历史位置的精度信息，生成精度通道图片包括：

基于所述导航起点位置和所述多个历史位置，确定所述精度通道图片中的与所述导航起点位置和所述多个历史位置分别对应的多个点的位置；

根据所述导航起点位置和所述多个历史位置的精度信息，确定相对应的多个点的灰度。

7.根据权利要求6所述的导航方法，其中，所述根据所述导航起点位置和所述多个历史位置的精度信息，确定所述多个点的灰度包括：

根据从精度到灰度的线性映射方案，将所述导航起点位置和所述多个历史位置的精度映射为对应的灰度值；

基于映射得到的灰度值，确定相对应的多个点的灰度。

8.根据权利要求3所述的导航方法，其中，所述基于所述导航起点位置周围的多条道路中的至少部分道路，生成周围道路通道图片包括：

基于所述导航起点位置周围的多条道路中的至少部分道路的位置，确定所述周围道路通道图片中的与所述至少部分道路对应的多条线的位置；

根据所述多条道路的行驶方向，确定相对应的多条线的灰度。

9.根据权利要求3所述的导航方法，其中，所述基于该备选道路和与该备选道路连通的上游道路，生成上游道路通道图片包括：

基于该备选道路和与该备选道路连通的上游道路的位置，确定所述上游道路通道图片中的与该备选道路和与该备选道路连通的上游道路分别对应的至少两条线的位置；

将与该备选道路对应的线和与上游道路对应的线的灰度确定为不同灰度值。

10.根据权利要求2所述的导航方法，其中，所述基于所述定位数据生成图片数据包括：

以所述导航起点位置作为图片的中心位置，生成所述图片数据。

11.根据权利要求1所述的导航方法，其中，所述基于所述导航起点位置，从所述地图数据中确定至少一条备选道路包括：

针对所述地图数据中的至少部分道路中的每一条道路，基于该条道路与所述导航起点位置之间的距离差和方向差中的至少一个确定该条道路与所述导航起点位置的相关度；

基于所述相关度，将所述至少部分道路中的至少一条道路确定为备选道路。

12.根据权利要求1所述的导航方法，其中，所述基于所述图片数据，从所述至少一条备选道路中确定导航起点道路包括：

基于所述图片数据，确定每条备选道路的当选概率；

在所述至少一条备选道路中，将当选概率最大的备选道路确定为所述导航起点道路。

13.根据权利要求12所述的导航方法，其中，所述基于所述图片数据，确定每条备选道路的当选概率包括：

针对每条备选道路，执行以下步骤：

从与该备选道路对应的图片数据中提取图片特征；

基于所述图片特征，确定用于表征该备选道路的当选概率和不当选概率的数值对；

对所述数值对进行归一化，以得到该备选道路的当选概率。

14.根据权利要求12所述的导航方法，其中，所述基于所述图片数据，确定每条备选道路的当选概率包括：

将与各条备选道路对应的图片数据依次输入至导航起点道路确定模型，以得到每条备选道路的当选概率，其中，所述导航起点道路确定模型为经预训练的机器学习模型。

15.根据权利要求14所述的导航方法，其中，所述导航起点道路确定模型通过以下步骤训练得到：

获取多组样本导航数据，每组样本导航数据包括样本定位数据、样本导航起点道路和样本实际起点道路，所述样本定位数据包括样本导航起点位置和与样本导航起点位置相关的地图数据；

针对每组样本导航数据，基于样本导航起点道路和样本定位数据，生成样本图片数据；

将样本实际起点道路与样本导航起点道路相同的样本图片数据作为正样本，并将样本实际起点道路与样本导航起点道路不同的样本图片数据作为负样本，训练所述机器学习模型，以最大化所述机器学习模型确定所输入的样本图片数据为正样本或负样本的准确率。

16.一种导航装置，包括：

获取模块，被配置为获取定位数据，所述定位数据包括导航起点位置和与所述导航起点位置相关的地图数据；

第一确定模块，被配置为基于所述导航起点位置，从所述地图数据中确定至少一条备选道路；

生成模块，被配置为针对每条备选道路，基于所述定位数据生成图片数据；

第二确定模块，被配置为基于所述图片数据，从所述至少一条备选道路中确定导航起点道路。

17.一种计算设备，包括：

存储器，其被配置成存储计算机可执行指令；

处理器，其被配置成当所述计算机可执行指令被处理器执行时执行根据权利要求1至15中的任一项所述的方法。

18.一种计算机可读存储介质，其存储有计算机可执行指令，当所述计算机可执行指令被执行时，执行根据权利要求1至15中的任一项所述的方法。

19.一种计算机程序产品，包括计算机指令，所述计算机指令在被处理器执行时实现权利要求1至15中任一项所述的方法的步骤。

Images