[發(fā)明專利]利用V2X信息集成技術(shù)更新高清地圖的方法和裝置

有效

• 申請?zhí)枺?/td>: 202010017082.6
• 申請日: 2020-01-08
• 公開（公告）號: CN111508252B
• 公開（公告）日: 2022-12-30
• 發(fā)明（設(shè)計）人: 金桂賢;金镕重;金鶴京;南云鉉;夫碩焄;成明哲;申東洙;呂東勛;柳宇宙;李明春;李炯樹;張?zhí)┬?/a>;鄭景中;諸泓模;趙浩辰
• 申請（專利權(quán)）人: 斯特拉德視覺公司
• 主分類號: G08G1/0967
• 分類號: G08G1/0967;G06T17/00;G06N3/08;G01C21/32;G01C21/36
• 代理公司: 北京泛華偉業(yè)知識產(chǎn)權(quán)代理有限公司 11280
• 代理人: 王勇

1.一種從多個車輛獲得的信息中，選擇用于更新高清地圖的特定信息的學(xué)習(xí)方法，其特征在于，包括以下步驟：

(a)學(xué)習(xí)裝置，獲得包括有目標(biāo)區(qū)域內(nèi)檢出的第1云點至第N云點所對應(yīng)的第1坐標(biāo)至第N坐標(biāo)的相關(guān)信息的至少一個坐標(biāo)矩陣后，使坐標(biāo)神經(jīng)網(wǎng)絡(luò)針對所述坐標(biāo)矩陣加以至少一個坐標(biāo)神經(jīng)網(wǎng)絡(luò)運算，生成至少一個本地特征圖及至少一個全局特征矢量；

(b)所述學(xué)習(xí)裝置，將(i)所述本地特征圖、(ii)所述全局特征矢量、及(iii)包括有所述第1云點至所述第N云點所對應(yīng)的第1類信息至第N類信息的相關(guān)信息的類矩陣此三者進(jìn)行級聯(lián)而生成集成特征圖，使判斷神經(jīng)網(wǎng)絡(luò)針對所述集成特征圖加以至少一個判斷神經(jīng)網(wǎng)絡(luò)運算，生成第1預(yù)測適合度分?jǐn)?shù)至第N預(yù)測適合度分?jǐn)?shù)，其分別顯示所述第1云點至所述第N云點的相關(guān)信息用于更新所述高清地圖的概率；

(c)所述學(xué)習(xí)裝置，使損失層參照(i)所述第1預(yù)測適合度分?jǐn)?shù)至所述第N預(yù)測適合度分?jǐn)?shù)及(ii)第1地面真值GT適合度分?jǐn)?shù)至第N GT適合度分?jǐn)?shù)，生成損失，利用所述損失執(zhí)行反向傳播，從而學(xué)習(xí)所述判斷神經(jīng)網(wǎng)絡(luò)及所述坐標(biāo)神經(jīng)網(wǎng)絡(luò)的參數(shù)中至少一部分。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，

在所述步驟(a)，所述學(xué)習(xí)裝置使每一個包含于所述坐標(biāo)神經(jīng)網(wǎng)絡(luò)的至少一個坐標(biāo)卷積層的一個以上坐標(biāo)卷積神經(jīng)元，利用其參數(shù)針對輸入的值加以至少一個坐標(biāo)卷積神經(jīng)元運算，將輸出的值分別傳達(dá)至下一個坐標(biāo)卷積神經(jīng)元，由此針對所述坐標(biāo)矩陣加以所述坐標(biāo)神經(jīng)網(wǎng)絡(luò)運算中的至少一部分，即加以至少一個坐標(biāo)卷積運算，生成所述本地特征圖。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，

在所述步驟(a)，所述學(xué)習(xí)裝置使所述坐標(biāo)神經(jīng)網(wǎng)絡(luò)的全局特征層針對所述本地特征圖加以所述坐標(biāo)神經(jīng)網(wǎng)絡(luò)運算中的至少一部分，即加以至少一個全局特征圖運算，生成所述全局特征矢量。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，

在所述步驟(b)，將(i)作為元素包含有按特定順序排列的所述第1類信息至所述第N類信息的所述類矩陣、(ii)作為元素包含有分別對應(yīng)按所述特定順序排列的所述第1云點至所述第N云點的每一個特征值的所述本地特征圖、及(iii)N次復(fù)制所述全局特征矢量而生成的全局特征圖，按信道方向級聯(lián)而生成所述集成特征圖。

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，

在所述步驟(b)，所述學(xué)習(xí)裝置，(i)使每一個包含于所述判斷神經(jīng)網(wǎng)絡(luò)中至少一個判斷卷積層的一個以上判斷卷積神經(jīng)元，利用其參數(shù)針對輸入的值加以至少一個判斷卷積神經(jīng)元運算，將輸出的值分別傳達(dá)至下一個判斷卷積神經(jīng)元，由此針對所述集成特征圖加以所述判斷神經(jīng)網(wǎng)絡(luò)運算中的至少一部分，即加以至少一個判斷卷積運算，生成判斷特征圖后，(ii)使所述判斷神經(jīng)網(wǎng)絡(luò)的判斷輸出層，參照所述判斷特征圖，針對所述第1云點至所述第N云點加以所述判斷神經(jīng)網(wǎng)絡(luò)運算中的一部分，即加以分類運算，生成所述第1預(yù)測適合度分?jǐn)?shù)至所述第N預(yù)測適合度分?jǐn)?shù)。

6.根據(jù)權(quán)利要求1所述的方法，其特征在于，

在所述步驟(c)，所述學(xué)習(xí)裝置使所述損失層按照以下公式生成所述損失，

N意味著所述第1云點至第N云點的個數(shù)，y_i意味著第i預(yù)測適合度分?jǐn)?shù)，意味著第i GT適合度分?jǐn)?shù)。

7.根據(jù)權(quán)利要求1所述的方法，其特征在于，

在所述步驟(c)，所述學(xué)習(xí)裝置使所述損失層利用梯度下降方法進(jìn)行所述反向傳播，從而使得使用基于此調(diào)整過的所述參數(shù)而生成的后續(xù)第1預(yù)測適合度分?jǐn)?shù)至后續(xù)第N預(yù)測適合度分?jǐn)?shù)，相對地更加與對應(yīng)于其的后續(xù)第1GT適合度分?jǐn)?shù)至后續(xù)第N GT適合度分?jǐn)?shù)相似。