[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN112069279B - 地图数据更新方法、装置、设备及可读存储介质 - Google Patents

地图数据更新方法、装置、设备及可读存储介质 Download PDF

Info

Publication number
CN112069279B
CN112069279B CN202010922958.1A CN202010922958A CN112069279B CN 112069279 B CN112069279 B CN 112069279B CN 202010922958 A CN202010922958 A CN 202010922958A CN 112069279 B CN112069279 B CN 112069279B
Authority
CN
China
Prior art keywords
sample
sequence
road information
samples
electronic device
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010922958.1A
Other languages
English (en)
Other versions
CN112069279A (zh
Inventor
夏德国
张刘辉
黄际洲
赵辉
卢振
白红霞
刘玉亭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202010922958.1A priority Critical patent/CN112069279B/zh
Publication of CN112069279A publication Critical patent/CN112069279A/zh
Priority to KR1020210013958A priority patent/KR102558657B1/ko
Priority to JP2021026517A priority patent/JP7168708B2/ja
Priority to US17/207,542 priority patent/US11859998B2/en
Priority to EP21165121.1A priority patent/EP3842759A3/en
Application granted granted Critical
Publication of CN112069279B publication Critical patent/CN112069279B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3885—Transmission of map data to client devices; Reception of map data by client devices
    • G01C21/3893—Transmission of map data from distributed sources, e.g. from roadside stations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
    • G01C21/30—Map- or contour-matching
    • G01C21/32—Structuring or formatting of map data
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • G01C21/3807—Creation or updating of map data characterised by the type of data
    • G01C21/3815—Road data
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • G01C21/3833—Creation or updating of map data characterised by the source of data
    • G01C21/3837—Data obtained from a single source
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/23—Updating
    • G06F16/2358—Change logging, detection, and notification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/23—Updating
    • G06F16/2379—Updates performed during online database operations; commit processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/909—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/091—Traffic information broadcasting
    • G08G1/093—Data selection, e.g. prioritizing information, managing message queues, selecting the information to be output
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B29/00—Maps; Plans; Charts; Diagrams, e.g. route diagram
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B29/00—Maps; Plans; Charts; Diagrams, e.g. route diagram
    • G09B29/10—Map spot or coordinate position indicators; Map reading aids
    • G09B29/106—Map spot or coordinate position indicators; Map reading aids using electronic means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Automation & Control Theory (AREA)
  • Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Multimedia (AREA)
  • Library & Information Science (AREA)
  • Traffic Control Systems (AREA)
  • Navigation (AREA)

Abstract

本申请公开了一种地图数据更新方法、装置、设备及可读存储介质，涉及智慧城市技术领域，尤其涉及电子地图、智能交通、自动驾驶、人工智能技术中的深度学习技术领域。具体实现方案为：服务器接收到电子设备上报的道路信息后，根据道路信息得到多个序列，属于同一个序列的各道路信息的类型、位置相同。之后，服务器向预先训练好的神经网络模型输入序列包含的各个道路信息，使得神经网络模型根据序列输出识别结果。服务器根据该识别结果更新地图数据。采用该种方案，通过结合序列中各道路信息的上下文和神经网络技术，识别出有效的道路信息并更新地图数据，实现准确更新地图数据的目的。

Description

地图数据更新方法、装置、设备及可读存储介质
技术领域
本申请涉及智慧城市技术领域，尤其涉及电子地图、智能交通、自动驾驶、人工智能技术中的深度学习技术领域，尤其涉及一种地图数据更新方法、装置、设备及可读存储介质。
背景技术
随着城市的快速发展和道路复杂度的提高，用户对电子地图的需求越来越强烈。地图数据是电子地图的基础，主要包括道路信息等。道路信息例如为道路施工、道路封闭、发生交通事故等。
通常情况下，道路信息不是一成不变的，因此，需要对地图数据进行更新，以避免用户使用错误的地图数据对应的电子地图导航，增加用户出行成本。常见的地图数据更新过程中，多种路边单元(Roadside Unit，RSU)识别出道路信息后，广播给车载设备。车载设备收到道路信息后，将道路信息上传至服务器。服务器利用这些道路信息更新地图数据。
上述地图数据更新中，未考虑车载设备被恶意破坏的情况。然而，被恶意破坏的车载设备很有可能通过阻断、伪造、篡改等手段，上报无效的道路信息，导致地图数据更新出错。
发明内容
本申请提供了一种地图数据更新方法、装置、设备及可读存储介质，通过识别有效道路信息，利用有效道路信息更新地图数据，实现准确更新地图数据的目的。
第一方面，本申请实施例提供一种地图数据更新方法，包括：
接收电子设备上报的道路信息，所述道路信息为路边单元广播给所述电子设备的道路信息；
根据所述道路信息，确定至少一个序列，所述至少一个序列中属于同一序列的道路信息的类型和发生位置相同；
将所述至少一个序列中的每条序列包含的道路信息输入至预先训练好的神经网络模型，以得到对应序列的识别结果，所述识别结果用于指示属于所述序列的道路信息是否有效，当所述道路信息有效时，所述道路信息为真实的道路信息；
若属于所述序列的道路信息有效，则利用属于所述序列的道路信息更新地图数据。
一种可行的设计中，所述将所述至少一个序列中的每条序列包含的道路信息输入至预先训练好的神经网络模型，以得到对应序列的识别结果之前，还包括：
获取样本集合，所述样本集合中的样本包括正样本和负样本，所述正样本为真实的道路信息，所述负样本为虚假的道路信息；
划分所述样本集合中的样本，以得到至少一个样本序列，属于所述至少一个样本序列中同一个样本序列的样本的类型和发生位置相同；
根据所述至少一个样本序列，训练初始模型，以得到所述神经网络模型。
一种可行的设计中，所述根据所述至少一个样本序列，训练初始模型，以得到所述神经网络模型，包括：
对于第i个样本序列，在所述初始模型的嵌入层确定所述第i个样本序列中每个样本的特征向量，所述第i个样本序列是根据所述至少一个样本序列中的任意一个样本序列得到的；
利用所述初始模型的长短时记忆循环神经网络层学习所述第i个样本序列中每个样本的特征向量，得到多个上下文向量，所述多个上下文向量中的每个上下文向量用于指示所述第i个样本序列中样本之间的关系；
根据所述多个上下文向量训练所述初始模型的连接层、全连接层和损失函数层，以得到所述神经网络模型。
一种可行的设计中，所述根据所述多个上下文向量训练所述初始模型的连接层、全连接层和损失函数层，以得到所述神经网络模型，包括：
在所述初始模型的连接层拼接所述多个上下文向量，得到拼接向量；
利用所述拼接向量学习所述初始模型的全连接层和损失函数层，以得到所述神经网络模型。
一种可行的设计中，所述第i个样本序列是所述至少一个样本序列中的任意一个样本序列；或者，所述第i个样本序列是所述至少一个样本序列中的任意一个样本序列的子序列。
一种可行的设计中，所述对于第i个样本序列，确定所述第i个样本序列中每个样本的特征向量，包括：
提取所述第i个样本序列中每个样本对应的电子设备特征、路边单元RSU特征或道路信息特征中的至少一个，所述电子设备特征用于刻画上报所述样本的电子设备，所述RSU特征用于刻画向所述电子设备广播所述样本的RSU，所述道路信息特征用于刻画所述样本；
对于所述第i个样本序列中每个样本，根据所述样本的电子设备特征、所述RSU特征或所述道路信息特征中的至少一个，生成所述样本的特征向量。
一种可行的设计中，所述电子设备特征包括所述电子设备的标识、所述电子设备上报样本的总次数或所述电子设备上报有效样本的有效次数，所述方法还包括：对所述电子设备上报的样本去重，确定所述电子设备上报非重复样本的次数；对所述电子设备上报的有效样本去重，确定所述电子设备上报非重复有效样本的次数。
一种可行的设计中，所述RSU特征包括所述RSU的标识、所述RSU广播样本的总次数和所述RSU广播有效样本的有效次数，所述方法还包括：从所述RSU广播样本的总次数中去除所述RSU广播重复样本的次数，从所述RSU广播的有效次数中去除所述RSU重复广播有效样本的次数。
一种可行的设计中，所述道路信息特征包括下述特征中的至少一个：样本类型、样本位置、样本起始时间、样本结束时间、所述电子设备接收所述样本的时间，所述样本位置用于表征所述样本发生的地理位置。
第二方面，本申请实施例提供一种地图数据更新装置，包括：
接收模块，用于接收电子设备上报的道路信息，所述道路信息为路边单元广播给所述电子设备的道路信息；
确定模块，用于根据所述道路信息，确定至少一个序列，所述至少一个序列中属于同一序列的道路信息的类型和发生位置相同；
识别模块，用于将所述至少一个序列中的每条序列包含的道路信息输入至预先训练好的神经网络模型，以得到对应序列的识别结果，所述识别结果用于指示属于所述序列的道路信息是否有效，当所述道路信息有效时，所述道路信息为真实的道路信息；
更新模块，用于若属于所述序列的道路信息有效，则利用属于所述序列的道路信息更新地图数据。
一种可行的设计中，上述的装置还包括：
训练模块，用于在所述识别模块将所述至少一个序列中的每条序列包含的道路信息输入至预先训练好的神经网络模型，以得到对应序列的识别结果之前，获取样本集合，所述样本集合中的样本包括正样本和负样本，所述正样本为真实的道路信息，所述负样本为虚假的道路信息，划分所述样本集合中的样本，以得到至少一个样本序列，属于所述至少一个样本序列中同一个样本序列的样本的类型和发生位置相同，根据所述至少一个样本序列，训练初始模型，以得到所述神经网络模型。
一种可行的设计中，对于第i个样本序列所述训练模块在根据所述至少一个样本序列，训练初始模型，以得到所述神经网络模型时，用于在所述初始模型的嵌入层确定所述第i个样本序列中每个样本的特征向量，所述第i个样本序列是根据所述至少一个样本序列中的任意一个样本序列得到的；利用所述初始模型的长短时记忆循环神经网络层学习所述第i个样本序列中每个样本的特征向量，得到多个上下文向量，所述多个上下文向量中的每个上下文向量用于指示所述第i个样本序列中样本之间的关系，根据所述多个上下文向量训练所述初始模型的连接层、全连接层和损失函数层，以得到所述神经网络模型。
一种可行的设计中，所述训练模块根据所述多个上下文向量训练所述初始模型的连接层、全连接层和损失函数层，以得到所述神经网络模型时，用于在所述初始模型的连接层拼接所述多个上下文向量，得到拼接向量，利用所述拼接向量学习所述初始模型的全连接层和损失函数层，以得到所述神经网络模型。
一种可行的设计中，所述第i个样本序列是所述至少一个样本序列中的任意一个样本序列；或者，所述第i个样本序列是所述至少一个样本序列中的任意一个样本序列的子序列。
一种可行的设计中，所述训练模块对于第i个样本序列，确定所述第i个样本序列中每个样本的特征向量时，用于提取所述第i个样本序列中每个样本对应的电子设备特征、路边单元RSU特征或道路信息特征中的至少一个，对于所述第i个样本序列中每个样本，根据所述样本的电子设备特征、所述RSU特征或所述道路信息特征中的至少一个，生成所述样本的特征向量，所述电子设备特征用于刻画上报所述样本的电子设备，所述RSU特征用于刻画向所述电子设备广播所述样本的RSU，所述道路信息特征用于刻画所述样本。
一种可行的设计中，所述电子设备特征包括所述电子设备的标识、所述电子设备上报样本的总次数或所述电子设备上报有效样本的有效次数，所述训练模块，还用于对所述电子设备上报的样本去重，确定所述电子设备上报非重复样本的次数，对所述电子设备上报的有效样本去重，确定所述电子设备上报非重复有效样本的次数。
一种可行的设计中，所述RSU特征包括所述RSU的标识、所述RSU广播样本的总次数和所述RSU广播有效样本的有效次数，所述训练模块，还用于从所述RSU广播样本的总次数中去除所述RSU广播重复样本的次数，从所述RSU广播的有效次数中去除所述RSU重复广播有效样本的次数。
一种可行的设计中，所述道路信息特征包括下述特征中的至少一个：样本类型、样本位置、样本起始时间、样本结束时间、所述电子设备接收所述样本的时间，所述样本位置用于表征所述样本发生的地理位置。
第三方面、本申请实施例提供一种电子设备，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第一方面或第一方面任意可能实现的方法。
第四方面，本申请实施例提供一种计算机程序产品，所述程序产品包括：计算机程序，所述计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从所述可读存储介质读取所述计算机程序，所述至少一个处理器执行所述计算机程序使得电子设备执行第一方面所述的方法。
第五方面，本申请实施例提供一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述电子设备执行上述第一方面或第一方面的各种可能的实现方式中的方法。
第六方面，本申请实施例提供一种地图数据更新方法，包括：接收电子设备上报的道路信息，根据所述道路信息，确定至少一个序列，所述至少一个序列中属于同一序列的道路信息的类型和发生位置相同，根据所述至少一个序列，更新地图数据。
上述申请中的一个实施例具有如下优点或有益效果：服务器将序列包含的各个道路信息输入至神经网络模型，通过结合序列中各道路信息的上下文和神经网络技术，识别出有效的道路信息并更新地图数据，实现准确更新地图数据的目的。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请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
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1A是本申请实施例提供的地图数据更新方法的一种网络架构示意图；
图1B是本申请实施例提供的地图数据更新方法的另一种网络架构示意图；
图2是本申请实施例提供的地图数据更新方法的流程图；
图3是本申请实施例提供的地图数据更新方法中模型训练的示意图；
图4是本申请实施例提供的地图数据更新方法的过程示意图；
图5为本申请实施例提供的一种地图数据更新装置的结构示意图；
图6为本申请实施例提供的另一种地图数据更新装置的结构示意图；
图7是用来实现本申请实施例的地图数据更新方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请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，而不会背离本申请的范围和精神。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。
车与万物(vehicle to X，V2X)通信是车联网关键的技术方向。V2X通信安全、高效的实现车辆与交通系统中各种元素的信息交换。同时，随着城市的快速发展与道路的复杂度越来越高，用户对电子地图的需求越来越强烈。地图数据是电子地图的基础，主要包括道路信息等。道路信息例如为道路施工、道路封闭、发生交通事故等。由于道路信息并不是一成不变的，因此，需要根据道路信息对地图数据进行更新。
常见的地图数据更新方法包括基于V2X、第五代(5th generation，5G)或边缘技术的地图数据更新方法，该方法全面、准确、快捷的识别道路信息并更新地图数据。具体的，多种路边单元(Roadside Unit，RSU)识别出道路信息后；或者，控制中心识别出道路信息并发送给RSU后，RSU将道路信息广播给车载单元(On board Unit，OBU)。OBU接收到道路信息后，将道路信息上传至服务器。服务器利用这些道路信息更新地图数据。
利用V2X技术获取道路信息并上报给服务器，由服务器根据道路信息对地图数据进行更新。
上述地图数据更新方法未考虑OBU等车载设备被恶意破坏的情况。当车载设备被恶意破坏后，被破坏的OBU可能会通过阻断、伪造或篡改等手段，上报无效道路信息。倘若服务器没有及时检测到该无效的道路信息，则导致地图数据更新错误。基于错误的地图数据生成有问题的电子地图。若用户利用这种有问题的电子地图导航，很有可能发生导航线路出错的现象，导致用户的出行成本增加。
因此，无效道路信息的检测已经成本地图数据更新的关键问题。
本申请实施例提供一种地图数据更新方法、装置、设备及可读存储介质，通过识别有效道路信息，利用有效道路信息更新地图数据，实现准确更新地图数据的目的。
首先，对本申请实施例所涉及的名词进行解释。
V2X：V2X指车用无线通信技术，该技术能够安全、高效的实现车辆与交通系统中各元素的信息交换。其中，V代表车辆，X代表一切能够与车辆进行信息交互的对象，主要包括车、人、交通路测基础设施如RSU、网络等。
RSU：指安装在道路旁边的路侧设备，RSU也称为路边单元。RSU采集道路、交通以及天气信息等，这些信息被RSU自身处理；或者，RSU将这些信息传递至控制中心，由控制中心进行处理。处理后的信息被广播至接入该RSU的OBU等，从而实现道路与车、道路与人、道路和云平台之间的全方位连接。其中，云平台也称为云服务器、服务器、V2X平台等。
OBU：OBU是实现V2X无线通信的车载设备。OBU利用V2X通信技术，与RSU、V2X平台以及其他OBU等进行交互，帮助驾驶员获取当前行车环境，以指示驾驶员在各种复杂的情况下稳定、安全驾驶。
序列：也称为V2X序列，是服务器根据OBU等电子设备上传的道路信息生成的。生成序列的过程中，服务器按照道路信息的类型、发生的地点或OBU接收到该道路信息的时间点等中的至少一个，对多个道路信息进行归类、排序，从而得到序列。其中，常见的道路信息包括道路施工、道路封闭或交通事故等。
其次，对本申请实施例所适用的网络架构进行详细说明。
图1A本申请实施例提供的地图数据更新方法的一种网络架构示意图。请参照图1A，该网络架构包括：服务器1、电子设备2、路边单元3和摄像头4。其中，服务器1上存储地图数据，电子设备2例如为OBU、手机、笔记本、平板电脑等，图1A是以OBU为例。摄像头4例如为架设在路边对道路上的车辆、行人等进行拍摄的设备。假设道路上发生车辆碰撞事故，则发生碰撞的车辆OBU将碰撞信息上报至RSU，如图中的①所示。或者，与路边单元3连接的摄像头4对道路进行拍摄，将碰撞信息发送给路边单元3，如图中的②所示。路边单元3接收到碰撞信息，识别该碰撞信息得到道路信息，该道路信息指示道路上的车辆发生碰撞，道路阻塞。
路边单元3识别出道路信息后广播该道路信息，以使得接入自身的电子设备2接收该道路信息，如图中的③所示。电子设备2将接收到的道路信息发送给服务器1，如图中的④所示。服务器1根据接收到的道路信息生成序列，将序列包含的道路信息输入至预先训练好的神经网络模型，从而识别出序列指示的道路信息是否有效。若道路信息有效，则利用有效的道路信息更新地图数据。
图1B是本申请实施例提供的地图数据更新方法的另一种网络架构示意图。相较于图1A所示架构，该网络架构还包括控制中心5，控制中心5用于控制RSU3。当RSU接收到电子设备2发送的碰撞信息或摄像头4发送的碰撞信息后，RSU将该碰撞信息发送给控制中心5。如图中的⑤所示。控制中心接收到碰撞信息后，识别该碰撞信息得到道路信息，该道路信息指示道路上的车辆发生碰撞、道路阻塞。之后，控制中心5将道路信息发送给路边单元3，由路边单元3广播该道路信息。
下面，基于上述的名词解释和图1A、图1B所示网络架构对本申请实施例所述的地图数据更新方法进行详细说明。示例性的，可参见图2。
图2是本申请实施例提供的地图数据更新方法的流程图，本实施例的执行主体是电子设备，该电子设备例如为上述图1A和图1B中的服务器。本实施例包括：
101、接收电子设备上报的道路信息，所述道路信息为路边单元广播给所述电子设备的道路信息。
请参照图1A和图1B，电子设备例如为接收来自RSU的广播信息的电子设备。电子设备将接收到的道路信息发送给服务器，如图1A和图1B中的④所示。
102、根据所述道路信息，确定至少一个序列，所述至少一个序列中属于同一序列的道路信息的类型和发生位置相同。
服务器接收到道路信息后，根据各个道路信息的类型和位置等，得到至少一个序列。例如，服务器接收到的道路信息包括道路信息a-道路信息e。其中，道路信息a的类型为碰撞、位置为地点A、时间点为T1；道路信息b的类型为碰撞、位置为地点A、时间点为T2；道路信息c的类型为碰撞、位置为地点A、时间点为T3；道路信息d的类型为封堵、位置为地点B、时间点为T4；道路信息e的类型为封堵、位置为地点B、时间点为T5，则服务器基于这些道路信息生成两个序列，分别为序列1：[道路信息a，道路信息b，道路信息c]、序列2：[道路信息d、道路信息e]。
103、将所述至少一个序列中的每条序列包含的道路信息输入至预先训练好的神经网络模型，以得到对应序列的识别结果，所述识别结果用于指示属于所述序列的道路信息是否有效，当所述道路信息有效时，所述道路信息为真实的道路信息。
示例性的，服务器上预先部署训练好的神经网络模型。服务器依次将每个序列包含的道路信息输入至神经网络模型，神经网络模型对该序列包含的道路信息进行学习得到输出结果，输出结果用来指示属于该序列的道路信息是否有效。例如，服务器将序列1：[道路信息a，道路信息b，道路信息c]输入至神经网络模型，神经网络模型对序列1中的每个道路信息提取特征向量，对这些特征向量进行学习从而得打输出结果。当该输出结果为0时，表示道路信息a、道路信息b和道路信息c无效。当输出结果为1时，表示道路信息a、道路信息b、道路信息c有效。
104、若属于所述序列的道路信息有效，则利用属于所述序列的道路信息更新地图数据。
示例性的，服务器确定出有效的道路信息后，将该有效的道路信息更新至地图数据中。用户使用电子地图时，服务器将更新后的地图数据发送给用户的电子设备，使得用户的电子设备基于更新后的地图数据显示地图，并为用户导航等。
本申请是实施例提供的地图数据更新方法，服务器接收到电子设备上报的道路信息后，根据道路信息得到多个序列，属于同一个序列的各道路信息的类型、位置相同。之后，服务器向预先训练好的神经网络模型输入序列包含的各个道路信息，使得神经网络模型根据序列输出识别结果。若识别结果指示属于所述序列的道路信息是否有效，则服务器利用该有效的道路信息更新地图数据。采用该种方案，服务器将序列包含的各个道路信息输入至神经网络模型，通过结合序列中各道路信息的上下文和神经网络技术，识别出有效的道路信息并更新地图数据，实现准确更新地图数据的目的。
本申请实施例大致分为三个阶段：预先训练模型阶段、利用模型在线预测阶段、地图数据更新阶段。下面，对这几个阶段分别进行详细说明。
首先，预先训练模型阶段。
上述实施例中，将所述至少一个序列中的每条序列包含的道路信息输入至预先训练好的神经网络模型，以得到对应序列的识别结果之前，还训练神经网络模型。
训练神经网络模型的过程中，服务器先获取样本集合，所述样本集合中的样本包括正样本和负样本，所述正样本为真实的道路信息，所述负样本为虚假的道路信息。然后，服务器划分所述样本集合中的样本，以得到至少一个样本序列，属于所述至少一个样本序列中同一个样本序列的样本的类型和发生位置相同。最后，服务器根据所述至少一个样本序列，训练初始模型，以得到所述神经网络模型。
示例性的，预先通过人工标注等方式，从多个样本中标注出正样本和负样本。之后，对这些样本进行划分。划分过程中，服务器将类型相同、位置相同的样本划分为一组。接下来，对于属于同一个分组的样本，服务器根据每个样本的接收时间对这些样本进行排序，从而得到序列。例如，被划分为一组的道路信息包括：道路信息a的类型为碰撞、位置为地点A、时间点为T1；道路信息b的类型为碰撞、位置为地点A、时间点为T2；道路信息c的类型为碰撞、位置为地点A、时间点为T3。该三个道路信息的类型和地点相同，但是电子设备接收道路信息的时间点不同。其中，T1、T2和T3为同一个电子设备或不同电子设备接收道路信息的时间点，先后顺序为T2、T1和T3。因此，序列为[道路信息b，道路信息a，道路信息c]。
最后，服务器根据至少一个样本序列训练初始模型，对初始模型的参数等不断的进行优化，直到初始模型达到最优状态，将最优状态的模型作为训练好的神经网络模型。
采用该种方案，服务器获取到电子设备上报的样本后，根据各样本的类型、样本的发生地点以及电子设备接收样本的时间点，对样本排序，从而实现获取样本序列的目的。
图3是本申请实施例提供的地图数据更新方法中模型训练的示意图。请参照图3，初始模型包含五层，分别为嵌入(Embedding)层、双向长短时记忆循环神经网络(Bi-directional Long Short-Term Memory，BiLSTM)层、连接(Concatenate)层、全连接(Fullyconnected layer，FC)层和损失函数层，损失函数例如为softmax等。
请参照图3，服务器对样本进行排序，得到至少一个序列，该至少一个序列形成序列集合S。之后，对于序列集合S中任意一个样本序列Si，以下称为第i个样本序列。第i个样本序列是根据所述至少一个样本序列中的任意一个样本序列得到的。例如，第i个序列是至少一个样本序列中的任意一个样本序列；再如，第i个样本序列是所述至少一个样本序列中的任意一个样本序列的子序列。假设第i个序列Si包含
Figure GDA0002915333920000121
个样本，
Figure GDA0002915333920000122
且为整数。服务器提取出其中连续的多个样本形成一个子序列，假设该子序列包含的样本为样本s0、样本s1、样本s2、样本s3，则该子序列表示为：{s0，s1，s2，s3}。
采用该种方案，当样本的数量比较少时，通过提取子序列的方式扩展序列个数，提高模型训练精度。
服务器得到序列集合S之后，将第i个样本序列包含的道路信息输入至初始模型的Embedding层，使得Embedding层提取第i个样本序列中每个样本的特征向量，并将提取出的特征向量输入至BiLSTM层。例如，第i个序列Si为{s0，s1，s2，s3}，则Embedding层提取样本s0、样本s1、样本s2、样本s3各自的特征向量。提取的特征向量输入至BiLSTM层。
服务器在BiLSTM层，利用初始模型的长短时记忆循环神经网络层学习所述第i个样本序列中每个样本的特征向量，得到多个上下文向量，所述多个上下文向量中的每个上下文向量用于指示所述第i个样本序列中样本之间的关系。
示例性的，BiLSTM由前向LSTM和后向LSTM组成，通常被用来建模上下文信息。第i个序列Si的各个样本的特征向量输入至BiLSTM层后，BiLSTM层利用第i个序列Si的各样本的上下文，得到多个上下文向量。这些上下文向量中每个上下文向量携带了样本之间的关系。服务器根据所述多个上下文向量训练所述初始模型的连接层、全连接层和损失函数层，以得到所述神经网络模型。
示例性的，损失函数层对应的损失函数例如为softmax，服务器根据多个上下文向量不断的调整初始模型的连接层、全连接层和损失函数层的参数，使得初始模型的连接层、全连接层和损失函数层的参数最优，将最优的初始模型作为神经网络模型。
采用该种方案，服务器将序列集合S中第i个序列Si中的样本作为输入，不断的训练优化初始模型，从而实现得到神经网络模型的目的。
服务器根据所述多个上下文向量训练所述初始模型的连接层、全连接层和损失函数层，以得到所述神经网络模型时，首先在初始模型的连接层拼接所述多个上下文向量，得到拼接向量；然后，利用所述拼接向量学习所述初始模型的全连接层和损失函数层，以得到所述神经网络模型。
示例性的，再请参照图3，BiLSTM层输出多个上下文向量，这些向量被输入至Concatenate层。Concatenate层对BiLSTM层输出的所有上下文向量进行拼接，从而得到拼接向量。该拼接向量被输入至FC层。经过FC层和softmax层后，完成对初始模型每层的参数的调节。
采用该种方案，实现对初始模型的Concatenate层、FC层和softmax层的参数进行调节的目的。
其次、利用模型在线预测阶段。
训练好神经网络模型之后，预测道路信息是否有效的过程中，服务器接收到电子设备，如OBU上报的道路信息后，根据道路信息的类型、位置等对接收到的道路信息进行排序，获取到多个序列。之后，将序列包含的道路信息输入至预先训练好的神经网络模型中，判断属于该序列的道路信息是否有效。
判断过程中，神经网络模型的Embedding层提取序列中的每个道路信息的特征，得到每个道路信息的特征向量，这些特征向量被输入至BiLSTM层。之后，BiLSTM层学习特征向量，得到多个包含上下文信息的上下文向量。Concatenate层对这些上下文向量进行拼接，得到拼接向量。最后，该拼接向量经过FC层和Softmax层的处理后，就能够得到识别结果。该识别结果用于指示某个类型、某个位置发生的道路信息是否有效。
最后、地图数据更新阶段。
该阶段中，服务器获取到有效的道路信息后，提取该道路信息的全球定位系统(Global Positioning System，GPS)位置、类型等信息，并根据提取出的信息更新地图数据。
上述利用模型在线预测阶段和地图数据更新阶段可用如下图4表示。图4是本申请实施例提供的地图数据更新方法的过程示意图。
请参照图4，服务器上设置有序列提取模块、有效道路信息识别模块和地图数据更新模块。其中，序列提取模块用于提取序列，例如，根据各个道路信息的类型、发生地点和OBU接收时间，对道路信息排序，从而得到序列。
有效道路信息识别模块：用于挖掘有效的道路信息。挖掘过程中，针对每个序列中的每个道路信息提取OBU特征、RSU特征、道路信息等相关特征，并生成特征向量。然后，将特征向量输入至模型，判断道路路信息是否有效。
地图数据更新模块：用于更新地图数据。例如，从有效的道路信息中提取出GPS位置、类型等信息，并更新地图数据。
下面，对上述实施例中，服务器如何确定所述第i个样本序列中每个样本的特征向量进行详细说明。
对于序列集合S中第i个序列Si的每个样本，服务器每个样本对应的电子设备特征、路边单元RSU特征或道路信息特征中的至少一个，所述电子设备特征用于刻画上报所述样本的电子设备，所述RSU特征用于刻画向所述电子设备广播所述样本的RSU，所述道路信息特征用于刻画所述样本。然后，服务器根据所述样本的电子设备特征、所述RSU特征或所述道路信息特征中的至少一个，生成所述样本的特征向量。
示例性的，对于每个样本，服务器提取电子设备特征(例如为OBU特征)、RSU特征、道路信息相关特征，从而生成该样本的特征向量。下面，对电子设备特征、RSU特征和道路信息特征分别进行详细说明。
首先，电子设备特征。
电子设备特征用于刻画上报样本的电子设备，包括电子设备标识oid、电子设备上报样本的次数No、电子设备上报有效样本的次数
Figure GDA0002915333920000141
A：电子设备标识oid。
针对每一个电子设备，服务器随机生成维度为k的向量
Figure GDA0002915333920000142
该向量
Figure GDA0002915333920000143
服从正态分布N(0，1)，k例如为32。该向量
Figure GDA0002915333920000145
用来表示电子设备的标识oid。
B：电子设备上报样本的次数No和电子设备上报有效样本的次数
Figure GDA0002915333920000144
服务器离线统计电子设备历史上报的道路信息的次数，该次数即为电子设备上报样本的次数No。服务器还离线统计电子设备历史上报有效的道路信息的次数，该次数即为电子设备上报有效样本的次数
Figure GDA0002915333920000151
服务器统计出电子设备上报样本的次数No、电子设备上报有效样本的次数
Figure GDA0002915333920000152
后，对所述电子设备上报的样本去重，确定所述电子设备上报非重复样本的次数；对所述电子设备上报的有效样本去重，确定所述电子设备上报非重复有效样本的次数。
示例性的，由于电子设备可能接收来自不同的RSU的道路信息，但是不同的RSU广播的道路信息可能相同。因此，需要对相同的道路信息进行去重，仅保留多个重复道路信息中的一个，其余的删除。同时，根据删除的样本的数量调整电子设备上报样本的次数No，根据删除的有效样本的数量调整电子设备上报有效样本的次数
Figure GDA0002915333920000153
去重后，针对电子设备上报样本的次数No，服务器利用Z-score对其进行标准化，使得电子设备上报样本的次数No服从正态分布N(0，1)。
针对电子设备上报有效样本的次数
Figure GDA0002915333920000154
服务器利用Z-score对其进行标准化，使得电子设备上报样本的次数No服从正态分布N(0，1)。
采用该种方案，通过对电子设备上报的样本和有效样本进行去重，保证样本的单一性，进而提高模型的精度。
其次，RSU特征。
RSU特征用于刻画向所述电子设备广播所述样本的RSU，包括RSU的标识rid、所述RSU广播样本的总次数Nr和所述RSU广播有效样本的有效次数
Figure GDA0002915333920000155
中的至少一个。
C：RSU的标识rid。
针对每一个RSU，服务器随机生成维度为维度为k的向量
Figure GDA0002915333920000156
该向量
Figure GDA0002915333920000157
服从正态分布N(0，1)，k例如为32。该向量
Figure GDA0002915333920000158
用于表示RSU的标识rid。
D：RSU广播样本的总次数Nr和所述RSU广播有效样本的有效次数
Figure GDA0002915333920000159
服务器离线统计RSU向OBU等电子设备传递道路信息的次数，该次数即为RSU发送样本的总次数Nr。服务器还离线统计RSU向OBU发送有效道路信息的次数，该次数即为RSU广播有效样本的有效次数
Figure GDA00029153339200001510
服务器确定出RSU广播样本的总次数Nr和所述RSU广播有效样本的有效次数
Figure GDA0002915333920000161
后，还从所述RSU广播样本的总次数中去除所述RSU广播重复样本的次数，从所述RSU广播的有效次数中去除所述RSU重复广播有效样本的次数。
示例性的，由于RSU可能会多次广播同一个道路信息。因此，需要从总次数Nr减去重复广播次数，从RSU广播有效样本的有效次数
Figure GDA00029153339200001611
中去除重复广播同一个有效样本的次数。
去重后，针对RSU广播样本的总次数Nr，服务器利用Z-score对其进行标准化，使得RSU广播样本的总次数Nr服从正态分布N(0，1)。
针对RSU广播有效样本的有效次数
Figure GDA0002915333920000162
服务器利用Z-score对其进行标准化，使得RSU广播有效样本的有效次数
Figure GDA0002915333920000163
服从正态分布N(0，1)。
采用该种方案，通过对RSU广播样本的总次数Nr和广播有效样本的次数
Figure GDA0002915333920000164
进行去重，保证样本的单一性，进而提高模型的精度。
最后，道路信息特征。
本申请实施例中，道路信息特征用于刻画道路信息，所述道路信息特征包括下述特征中的至少一个：样本类型Ti、样本位置ls、样本起始时间ts、样本结束时间te、所述电子设备接收所述样本的时间tr，所述样本位置ls用于表征所述样本发生的地理位置。
E：样本类型Ti。
针对每一个道路信息，服务器随机生成维度为k的向量
Figure GDA0002915333920000165
该向量
Figure GDA0002915333920000166
服从正态分布N(0，1)，k例如为32。该向量
Figure GDA0002915333920000167
用来表示样本类型Ti。
F：样本起始时间ts。
样本起始时间ts用于刻画道路信息发生的时间点。为了保证时间的连续性，样本起始时间ts使用正弦和余弦转后的两个特征表示。即样本起始时间ts表示为：
Figure GDA0002915333920000168
和
Figure GDA0002915333920000169
G：样本结束时间te。
样本结束时间te用于刻画道路信息结束的时间点。为了保证时间的连续性，样本结束时间te与样本起始时间ts一致，同样使用正弦和余弦转后的两个特征表示。即样本起始时间te表示为：
Figure GDA00029153339200001610
和
Figure GDA0002915333920000171
H：电子设备接收所述样本的时间tr。
电子设备接收所述样本的时间tr用于刻画OBU等电子设备接收到RSU广播的道路信息的时间点。为了保证时间的连续性，样本的时间tr与样本结束时间te、样本起始时间ts一致，同样使用正弦和余弦转后的两个特征表示。即样本起始时间ts表示为：
Figure GDA0002915333920000172
和
Figure GDA0002915333920000173
I：样本位置ls。
样本位置ls用于表征所述样本发生的地理位置。为了提高位置特征的泛化能力，将全国地图划分为边长为100米的正方形网格集合L，利用单调递增的整数从上到下，从左到右标识网格。之后，利用Z-score标准化，使其服从正态分布N(0，1)。
服务器在确定道路信息所处网格位置，即样本位置ls时，根据信息发生地点的GPS信息，确定道路信息所处的网格，进而获取该网格对应的值。
上述介绍了本申请实施例提到的图像处理方法的具体实现，下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。
图5为本申请实施例提供的一种地图数据更新装置的结构示意图。该装置可以集成在服务器中或通过服务器实现。如图5所示，在本实施例中，该地图数据更新装置100可以包括：接收模块11、确定模块12、识别模块13和更新模块14。
接收模块11，用于接收电子设备上报的道路信息，所述道路信息为路边单元广播给所述电子设备的道路信息；
确定模块12，用于根据所述道路信息，确定至少一个序列，所述至少一个序列中属于同一序列的道路信息的类型和发生位置相同；
识别模块13，用于将所述至少一个序列中的每条序列包含的道路信息输入至预先训练好的神经网络模型，以得到对应序列的识别结果，所述识别结果用于指示属于所述序列的道路信息是否有效，当所述道路信息有效时，所述道路信息为真实的道路信息；
更新模块14，用于若属于所述序列的道路信息有效，则利用属于所述序列的道路信息更新地图数据。
图6为本申请实施例提供的另一种地图数据更新装置的结构示意图。如图6所述，本实施例提供的地图数据更新装置100在上述图5的基础上，进一步的还包括：
训练模块15，用于在所述识别模块13将所述至少一个序列中的每条序列包含的道路信息输入至预先训练好的神经网络模型，以得到对应序列的识别结果之前，获取样本集合，所述样本集合中的样本包括正样本和负样本，所述正样本为真实的道路信息，所述负样本为虚假的道路信息，划分所述样本集合中的样本，以得到至少一个样本序列，属于所述至少一个样本序列中同一个样本序列的样本的类型和发生位置相同，根据所述至少一个样本序列，训练初始模型，以得到所述神经网络模型。
一种可行的设计中，对于第i个样本序列所述训练模块15在根据所述至少一个样本序列，训练初始模型，以得到所述神经网络模型时，用于在所述初始模型的嵌入层确定所述第i个样本序列中每个样本的特征向量，所述第i个样本序列是根据所述至少一个样本序列中的任意一个样本序列得到的；利用所述初始模型的长短时记忆循环神经网络层学习所述第i个样本序列中每个样本的特征向量，得到多个上下文向量，所述多个上下文向量中的每个上下文向量用于指示所述第i个样本序列中样本之间的关系，根据所述多个上下文向量训练所述初始模型的连接层、全连接层和损失函数层，以得到所述神经网络模型。
一种可行的设计中，所述训练模块15根据所述多个上下文向量训练所述初始模型的连接层、全连接层和损失函数层，以得到所述神经网络模型时，用于在所述初始模型的连接层拼接所述多个上下文向量，得到拼接向量，利用所述拼接向量学习所述初始模型的全连接层和损失函数层，以得到所述神经网络模型。
一种可行的设计中，所述第i个样本序列是所述至少一个样本序列中的任意一个样本序列；或者，所述第i个样本序列是所述至少一个样本序列中的任意一个样本序列的子序列。
一种可行的设计中，所述训练模块15对于第i个样本序列，确定所述第i个样本序列中每个样本的特征向量时，用于提取所述第i个样本序列中每个样本对应的电子设备特征、路边单元RSU特征或道路信息特征中的至少一个，对于所述第i个样本序列中每个样本，根据所述样本的电子设备特征、所述RSU特征或所述道路信息特征中的至少一个，生成所述样本的特征向量，所述电子设备特征用于刻画上报所述样本的电子设备，所述RSU特征用于刻画向所述电子设备广播所述样本的RSU，所述道路信息特征用于刻画所述样本。
一种可行的设计中，所述电子设备特征包括所述电子设备的标识、所述电子设备上报样本的总次数或所述电子设备上报有效样本的有效次数，所述训练模块15，还用于对所述电子设备上报的样本去重，确定所述电子设备上报非重复样本的次数，对所述电子设备上报的有效样本去重，确定所述电子设备上报非重复有效样本的次数。
一种可行的设计中，所述RSU特征包括所述RSU的标识、所述RSU广播样本的总次数和所述RSU广播有效样本的有效次数，所述训练模块15，还用于从所述RSU广播样本的总次数中去除所述RSU广播重复样本的次数，从所述RSU广播的有效次数中去除所述RSU重复广播有效样本的次数。
一种可行的设计中，所述道路信息特征包括下述特征中的至少一个：样本类型、样本位置、样本起始时间、样本结束时间、所述电子设备接收所述样本的时间，所述样本位置用于表征所述样本发生的地理位置。
本申请实施例提供的地图数据更新装置，可用于如上实施例中服务器执行的方法，其实现原理和技术效果类似，在此不再赘述。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
根据本申请的实施例，本申请还提供了一种计算机程序产品，程序产品包括：计算机程序，计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。
图7是用来实现本申请实施例的地图数据更新方法的电子设备的框图。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/或者要求的本申请的实现。
如图7所示，该电子设备包括：一个或多个处理器21、存储器22，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图7中以一个处理器21为例。
存储器22即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的地图数据更新方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的地图数据更新方法。
存储器22作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的地图数据更新方法对应的程序指令/模块(例如，附图5所示的接收模块11、确定模块12、识别模块13和更新模块14，以及图6所示的训练模块15)。处理器21通过运行存储在存储器22中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的地图数据更新方法。
存储器22可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储电子设备执行地图数据更新方法过程中创建的数据等。此外，存储器22可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器22可选包括相对于处理器21远程设置的存储器，这些远程存储器可以通过网络连接至执行地图数据更新方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
地图数据更新方法的电子设备还可以包括：输入装置23和输出装置24。处理器21、存储器22、输入装置23和输出装置24可以通过总线或者其他方式连接，图7中以通过总线连接为例。
输入装置23可接收输入的数字或字符信息，以及产生与地图数据更新电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置24可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处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、专用ASIC(专用集成电路)、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。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
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。
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。
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。
本申请实施例还提供一种地图数据更新方法，接收电子设备上报的道路信息，根据所述道路信息，确定至少一个序列，所述至少一个序列中属于同一序列的道路信息的类型和发生位置相同，根据所述至少一个序列，更新地图数据。
该实施例的具体实现原理可以参见上述实施例的记载，此处不再赘述。
根据本申请实施例的技术方案，服务器将序列包含的各个道路信息输入至神经网络模型，通过结合序列中各道路信息的上下文和神经网络技术，识别出有效的道路信息并更新地图数据，实现准确更新地图数据的目的。
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，本申请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，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。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。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (18)

1.一种地图数据更新方法，包括：
接收电子设备上报的道路信息，所述道路信息为路边单元广播给所述电子设备的道路信息；
根据所述道路信息，确定至少一个序列，所述至少一个序列中属于同一序列的道路信息的类型和发生位置相同；
将所述至少一个序列中的每条序列包含的道路信息输入至预先训练好的神经网络模型，以得到对应序列的识别结果，所述识别结果用于指示属于所述序列的道路信息是否有效，当所述道路信息有效时，所述道路信息为真实的道路信息；
若属于所述序列的道路信息有效，则利用属于所述序列的道路信息更新地图数据；
所述将所述至少一个序列中的每条序列包含的道路信息输入至预先训练好的神经网络模型，以得到对应序列的识别结果之前，还包括：
获取样本集合，划分所述样本集合中的样本，以得到至少一个样本序列，属于所述至少一个样本序列中同一个样本序列的样本的类型和发生位置相同；
对于第i个样本序列，在初始模型的嵌入层确定所述第i个样本序列中每个样本的特征向量，所述第i个样本序列是根据所述至少一个样本序列中的任意一个样本序列得到的；
利用所述初始模型的长短时记忆循环神经网络层学习所述第i个样本序列中每个样本的特征向量，得到多个上下文向量，所述多个上下文向量中的每个上下文向量用于指示所述第i个样本序列中样本之间的关系；
根据所述多个上下文向量训练所述初始模型的连接层、全连接层和损失函数层，以得到所述神经网络模型。
2.根据权利要求1所述的方法，其中，所述样本集合中的样本包括正样本和负样本，所述正样本为真实的道路信息，所述负样本为虚假的道路信息。
3.根据权利要求2所述的方法，其中，所述根据所述多个上下文向量训练所述初始模型的连接层、全连接层和损失函数层，以得到所述神经网络模型，包括：
在所述初始模型的连接层拼接所述多个上下文向量，得到拼接向量；
利用所述拼接向量学习所述初始模型的全连接层和损失函数层，以得到所述神经网络模型。
4.根据权利要求2或3所述的方法，其中，
所述第i个样本序列是所述至少一个样本序列中的任意一个样本序列；
或者，
所述第i个样本序列是所述至少一个样本序列中的任意一个样本序列的子序列。
5.根据权利要求2或3所述的方法，其中，所述对于第i个样本序列，确定所述第i个样本序列中每个样本的特征向量，包括：
提取所述第i个样本序列中每个样本对应的电子设备特征、路边单元RSU特征或道路信息特征中的至少一个，所述电子设备特征用于刻画上报所述样本的电子设备，所述RSU特征用于刻画向所述电子设备广播所述样本的RSU，所述道路信息特征用于刻画所述样本；
对于所述第i个样本序列中每个样本，根据所述样本的电子设备特征、所述RSU特征或所述道路信息特征中的至少一个，生成所述样本的特征向量。
6.根据权利要求5所述的方法，其中，所述电子设备特征包括所述电子设备的标识、所述电子设备上报样本的总次数或所述电子设备上报有效样本的有效次数，所述方法还包括：
对所述电子设备上报的样本去重，确定所述电子设备上报非重复样本的次数；
对所述电子设备上报的有效样本去重，确定所述电子设备上报非重复有效样本的次数。
7.根据权利要求5所述的方法，其中，所述RSU特征包括所述RSU的标识、所述RSU广播样本的总次数和所述RSU广播有效样本的有效次数，所述方法还包括：
从所述RSU广播样本的总次数中去除所述RSU广播重复样本的次数；
从所述RSU广播的有效次数中去除所述RSU重复广播有效样本的次数。
8.根据权利要求5所述的方法，其中，所述道路信息特征包括下述特征中的至少一个：样本类型、样本位置、样本起始时间、样本结束时间、所述电子设备接收所述样本的时间，所述样本位置用于表征所述样本发生的地理位置。
9.一种地图数据更新装置，包括：
接收模块，用于接收电子设备上报的道路信息，所述道路信息为路边单元广播给所述电子设备的道路信息；
确定模块，用于根据所述道路信息，确定至少一个序列，所述至少一个序列中属于同一序列的道路信息的类型和发生位置相同；
识别模块，用于将所述至少一个序列中的每条序列包含的道路信息输入至预先训练好的神经网络模型，以得到对应序列的识别结果，所述识别结果用于指示属于所述序列的道路信息是否有效，当所述道路信息有效时，所述道路信息为真实的道路信息；
更新模块，用于若属于所述序列的道路信息有效，则利用属于所述序列的道路信息更新地图数据；
训练模块，用于在所述识别模块将所述至少一个序列中的每条序列包含的道路信息输入至预先训练好的神经网络模型，以得到对应序列的识别结果之前，获取样本集合，划分所述样本集合中的样本，以得到至少一个样本序列，属于所述至少一个样本序列中同一个样本序列的样本的类型和发生位置相同；
对于第i个样本序列，在初始模型的嵌入层确定所述第i个样本序列中每个样本的特征向量，所述第i个样本序列是根据所述至少一个样本序列中的任意一个样本序列得到的；利用所述初始模型的长短时记忆循环神经网络层学习所述第i个样本序列中每个样本的特征向量，得到多个上下文向量，所述多个上下文向量中的每个上下文向量用于指示所述第i个样本序列中样本之间的关系，根据所述多个上下文向量训练所述初始模型的连接层、全连接层和损失函数层，以得到所述神经网络模型。
10.根据权利要求9所述的装置，其中，所述样本集合中的样本包括正样本和负样本，所述正样本为真实的道路信息，所述负样本为虚假的道路信息。
11.根据权利要求10所述的装置，其中，所述训练模块根据所述多个上下文向量训练所述初始模型的连接层、全连接层和损失函数层，以得到所述神经网络模型时，用于在所述初始模型的连接层拼接所述多个上下文向量，得到拼接向量，利用所述拼接向量学习所述初始模型的全连接层和损失函数层，以得到所述神经网络模型。
12.根据权利要求10或11所述的装置，其中，
所述第i个样本序列是所述至少一个样本序列中的任意一个样本序列；
或者，
所述第i个样本序列是所述至少一个样本序列中的任意一个样本序列的子序列。
13.根据权利要求10或11所述的装置，其中，
所述训练模块对于第i个样本序列，确定所述第i个样本序列中每个样本的特征向量时，用于提取所述第i个样本序列中每个样本对应的电子设备特征、路边单元RSU特征或道路信息特征中的至少一个，对于所述第i个样本序列中每个样本，根据所述样本的电子设备特征、所述RSU特征或所述道路信息特征中的至少一个，生成所述样本的特征向量，所述电子设备特征用于刻画上报所述样本的电子设备，所述RSU特征用于刻画向所述电子设备广播所述样本的RSU，所述道路信息特征用于刻画所述样本。
14.根据权利要求13所述的装置，其中，所述电子设备特征包括所述电子设备的标识、所述电子设备上报样本的总次数或所述电子设备上报有效样本的有效次数，所述训练模块，还用于对所述电子设备上报的样本去重，确定所述电子设备上报非重复样本的次数，对所述电子设备上报的有效样本去重，确定所述电子设备上报非重复有效样本的次数。
15.根据权利要求13所述的装置，其中，所述RSU特征包括所述RSU的标识、所述RSU广播样本的总次数和所述RSU广播有效样本的有效次数，所述训练模块，还用于从所述RSU广播样本的总次数中去除所述RSU广播重复样本的次数，从所述RSU广播的有效次数中去除所述RSU重复广播有效样本的次数。
16.根据权利要求13所述的装置，其中，所述道路信息特征包括下述特征中的至少一个：样本类型、样本位置、样本起始时间、样本结束时间、所述电子设备接收所述样本的时间，所述样本位置用于表征所述样本发生的地理位置。
17.一种电子设备，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权利要求1-8中任一项所述的方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-8中任一项所述的方法。
CN202010922958.1A 2020-09-04 2020-09-04 地图数据更新方法、装置、设备及可读存储介质 Active CN112069279B (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN202010922958.1A CN112069279B (zh) 2020-09-04 2020-09-04 地图数据更新方法、装置、设备及可读存储介质
KR1020210013958A KR102558657B1 (ko) 2020-09-04 2021-02-01 맵 데이터 업데이트 방법, 장치, 기기 및 판독 가능 저장매체
JP2021026517A JP7168708B2 (ja) 2020-09-04 2021-02-22 マップデータの更新方法、装置、機器及び可読記憶媒体
US17/207,542 US11859998B2 (en) 2020-09-04 2021-03-19 Map data updating method, apparatus, device, and readable storage medium
EP21165121.1A EP3842759A3 (en) 2020-09-04 2021-03-26 Map data updating method, apparatus, device, and readable storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010922958.1A CN112069279B (zh) 2020-09-04 2020-09-04 地图数据更新方法、装置、设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN112069279A CN112069279A (zh) 2020-12-11
CN112069279B true CN112069279B (zh) 2022-11-08

Family

ID=73665662

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010922958.1A Active CN112069279B (zh) 2020-09-04 2020-09-04 地图数据更新方法、装置、设备及可读存储介质

Country Status (5)

Country Link
US (1) US11859998B2 (zh)
EP (1) EP3842759A3 (zh)
JP (1) JP7168708B2 (zh)
KR (1) KR102558657B1 (zh)
CN (1) CN112069279B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220146277A1 (en) * 2020-11-09 2022-05-12 Argo AI, LLC Architecture for map change detection in autonomous vehicles
CN112883236B (zh) * 2021-02-26 2024-01-16 北京百度网讯科技有限公司 一种地图更新方法、装置、电子设备及存储介质
US11867514B2 (en) 2021-09-24 2024-01-09 Telenav, Inc. Navigation system with independent positioning mechanism and method of operation thereof
CN114036254A (zh) * 2021-12-02 2022-02-11 广州小鹏自动驾驶科技有限公司 一种地图构建方法、地图构建装置、车辆及存储介质
CN114443796A (zh) * 2022-02-08 2022-05-06 云控智行(上海)汽车科技有限公司 一种基于神经网络的数据处理方法及系统
WO2023150933A1 (en) * 2022-02-09 2023-08-17 Telefonaktiebolaget Lm Ericsson (Publ) Trust validation of location information

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019040175A (ja) * 2017-08-23 2019-03-14 富士通株式会社 地図情報を更新する方法、装置及び電子機器
CN110146097A (zh) * 2018-08-28 2019-08-20 北京初速度科技有限公司 自动驾驶导航地图的生成方法、系统、车载终端及服务器
CN110751261A (zh) * 2018-07-23 2020-02-04 第四范式（北京）技术有限公司 神经网络模型的训练方法和系统以及预测方法和系统
CN111160484A (zh) * 2019-12-31 2020-05-15 腾讯科技（深圳）有限公司 数据处理方法、装置、计算机可读存储介质及电子设备

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3714552B2 (ja) * 2002-08-20 2005-11-09 三菱電機株式会社 端末装置及び情報処理装置及び情報処理方法及びイベント情報送信方法
JP2004205344A (ja) * 2002-12-25 2004-07-22 Sharp Corp 地図情報管理装置、地図情報管理システム、地図情報管理方法、地図情報管理プログラムおよびそのプログラムを記録したコンピュータ読取り可能な記録媒体
JP4561913B2 (ja) * 2008-01-25 2010-10-13 株式会社デンソー 地図データ管理装置、及び地図データ管理方法
JP5216665B2 (ja) * 2009-03-31 2013-06-19 アイシン・エィ・ダブリュ株式会社 地図データ更新システム及び地図データ更新プログラム、並びにこれを利用したナビゲーション装置及び車両制御装置
JP5686088B2 (ja) * 2011-11-14 2015-03-18 アイシン・エィ・ダブリュ株式会社 道路データ作成装置、道路データ作成方法及びプログラム
US9221461B2 (en) * 2012-09-05 2015-12-29 Google Inc. Construction zone detection using a plurality of information sources
JP5997797B2 (ja) * 2015-03-03 2016-09-28 富士重工業株式会社 車両の地図データ処理装置
US10234305B2 (en) * 2015-08-27 2019-03-19 Here Global B.V. Method and apparatus for providing a targeted map display from a plurality of data sources
WO2017135783A1 (en) * 2016-02-06 2017-08-10 Lg Electronics Inc. Method and apparatus for allocating resources for v2x message transmission in wireless communication system
DE112018003365T5 (de) * 2017-06-30 2020-03-12 Intel Corporation V2x-kommunikationen unter verwendung mehrerer funkzugriffstechniken (mehrfach-rat)
US20190043486A1 (en) 2017-08-04 2019-02-07 EMR.AI Inc. Method to aid transcribing a dictated to written structured report
JP2019212186A (ja) * 2018-06-08 2019-12-12 スズキ株式会社 運転支援装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019040175A (ja) * 2017-08-23 2019-03-14 富士通株式会社 地図情報を更新する方法、装置及び電子機器
CN110751261A (zh) * 2018-07-23 2020-02-04 第四范式（北京）技术有限公司 神经网络模型的训练方法和系统以及预测方法和系统
CN110146097A (zh) * 2018-08-28 2019-08-20 北京初速度科技有限公司 自动驾驶导航地图的生成方法、系统、车载终端及服务器
CN111160484A (zh) * 2019-12-31 2020-05-15 腾讯科技（深圳）有限公司 数据处理方法、装置、计算机可读存储介质及电子设备

Also Published As

Publication number Publication date
KR20210037622A (ko) 2021-04-06
US20210207976A1 (en) 2021-07-08
EP3842759A2 (en) 2021-06-30
US11859998B2 (en) 2024-01-02
CN112069279A (zh) 2020-12-11
JP2021101186A (ja) 2021-07-08
JP7168708B2 (ja) 2022-11-09
EP3842759A3 (en) 2021-11-10
KR102558657B1 (ko) 2023-07-24

Similar Documents

Publication Publication Date Title
CN112069279B (zh) 地图数据更新方法、装置、设备及可读存储介质
US11887376B2 (en) Method and apparatus of estimating road condition, and method and apparatus of establishing road condition estimation model
CN111680362B (zh) 一种自动驾驶仿真场景获取方法、装置、设备及存储介质
EP3502963A1 (en) Method and apparatus for providing unknown moving object detection
CN111739344B (zh) 一种预警方法、装置及电子设备
US11392797B2 (en) Method, apparatus, and system for filtering imagery to train a feature detection model
CN112307978B (zh) 目标检测方法、装置、电子设备及可读存储介质
CN112581763A (zh) 道路事件检测的方法、装置、设备和存储介质
CN112200046B (zh) 驾驶行为识别方法、装置、电子设备及存储介质
US20170336215A1 (en) Classifying entities in digital maps using discrete non-trace positioning data
CN114610628A (zh) 场景库建立及测试方法、装置、设备、介质及程序产品
CN111950537A (zh) 斑马线信息获取方法、地图更新方法、装置及系统
CN113344121B (zh) 训练招牌分类模型和招牌分类的方法
CN113899355A (zh) 地图更新方法、装置、云端服务器和共享骑行设备
CN113837268A (zh) 确定轨迹点状态的方法、装置、设备和介质
CN114783188A (zh) 巡检方法和装置
CN109872360A (zh) 定位方法及装置、存储介质、电子终端
CN116561194A (zh) 端云协同数据挖掘方法、装置、系统及计算机集群
CN111640301A (zh) 故障车辆的检测方法、系统、装置、电子设备及存储介质
CN114771576A (zh) 行为数据处理方法、自动驾驶车辆的控制方法及自动驾驶车辆
CN111442775B (zh) 道路的识别方法、装置、电子设备及可读存储介质
CN113011298A (zh) 截断物体样本生成、目标检测方法、路侧设备和云控平台
CN106781470B (zh) 城市道路的运行速度的处理方法及装置
JP2023095812A (ja) 車載データ処理方法、装置、電子デバイス、記憶媒体、及びプログラム
CN113221602B (zh) 道路路面状况确定方法、装置、设备和介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant