模型训练方法、道路生成方法、装置、介质及设备与流程

1.本公开涉及计算机技术领域，具体地，涉及一种模型训练方法、道路生成方法、装置、介质及设备。


背景技术：

2.在即时配送场景(例如，外卖交付)中，导航功能可以为配送人员提供路线，帮助配送人员找到配送目的地，提升配送效率。然而，随着经济的发展，诸如住宅区、社区、商业区、工业园区一类区域的规模逐渐扩大，区域内建筑分布越来越复杂，导致了区域内的道路规划越来越复杂，并且，大多数区域内部存在道路数据缺失的问题，进一步提升了区域内道路规划的复杂性。这样，由于缺失区域内部的道路信息，用于辅助配送人员的导航功能往往只能够帮助配送人员到达此类区域的入口，而配送通常需要有配送人员面对面交付给用户，因此，配送人员在进入园区直至找到用户所在位置需要花费大量的时间，配送效率很低。


技术实现要素：

3.本公开的目的是提供一种模型训练方法、道路生成方法、装置、介质及设备，以获得具备挖掘区域内道路能力的道路生成模型，进而，对于内部道路数据缺失的区域，能够通过该道路生成模型生成区域内的道路数据，有利于完善园区内部的导航功能。
4.为了实现上述目的，根据本公开的第一方面，提供一种道路生成模型训练方法，所述方法包括：
5.获取用于训练的样本数据，所述样本数据包括样本区域内的轨迹信息和所述样本区域内的道路信息；
6.针对每一所述样本数据，根据所述样本区域内的轨迹信息，确定对应于所述样本区域的轨迹特征信息，并根据所述样本区域内的道路信息，确定对应于所述样本区域的道路标签信息，其中，所述轨迹特征信息用于表征样本区域内各个子区域的轨迹的数量特征，所述道路标签信息用于表征样本区域内各个子区域是否为道路；
7.利用所述轨迹特征信息和所述道路特征信息，对神经网络模型进行训练，以得到所述道路生成模型，其中，所述神经网络模型包括语义分割网络和语言模型构建网络，所述语义分割网络用于针对输入的样本数据的轨迹特征信息输出第一结果，所述第一结果用于判断输入的样本数据的样本区域内各个子区域是否为道路，所述语言模型构建网络用于针对输入的样本数据的轨迹特征信息输出预测路径。
8.可选地，所述利用所述轨迹特征信息和所述道路特征信息，对神经网络模型进行训练，以得到所述道路生成模型，包括：
9.确定本次训练使用的目标样本数据的目标轨迹特征信息和目标道路标签信息；
10.将所述目标轨迹特征信息输入至本次训练的语义分割网络，得到本次训练的语义分割网络输出的第二结果，所述第二结果用于判断所述目标样本数据的样本区域内各个子区域是否为道路；
11.在不满足训练停止条件的情况下，确定第一损失值，其中，所述第一损失值是根据所述第二结果和所述目标道路标签信息确定的；
12.根据所述第一损失值，更新本次训练的语义分割网络，并将更新后的语义分割网络用于下一次训练；
13.在满足所述训练停止条件的情况下，将本次训练的语义分割网络确定为道路生成模型。
14.可选地，所述方法还包括：
15.将所述目标轨迹特征信息输入至本次训练的语言模型构建网络，得到本次训练的语言模型构建网络针对所述目标轨迹特征信息输出的目标路径；
16.在不满足所述训练停止条件的情况下，根据所述目标道路标签信息生成参考路径，并根据所述目标路径和所述参考路径计算第二损失值；
17.所述根据所述第一损失值，更新本次训练的语义分割网络，包括：
18.根据所述第一损失值和所述第二损失值，计算综合损失值，并根据所述综合损失值更新本次训练的语义分割网络。
19.可选地，所述方法还包括：
20.根据所述综合损失值更新本次训练的语言模型构建网络，并将更新后的语言模型构建网络与更新后的语义分割网络共同用于下一次训练。
21.可选地，样本区域内的轨迹信息包括该样本区域内的轨迹点以及各轨迹点的位置信息；
22.所述根据所述样本区域内的轨迹信息，确定对应于所述样本区域的轨迹特征信息，包括：
23.将样本区域划分为多个预设尺寸的子区域；
24.根据所述样本区域内轨迹点的位置信息，确定所述样本区域内各个子区域包含的轨迹点数量；
25.根据所述样本区域内各个子区域包含的轨迹点数量，得到所述样本区域的轨迹特征信息。
26.可选地，样本区域内的道路信息包括该样本区域内的道路以及道路的位置信息；
27.所述根据所述样本区域内的道路信息，确定对应于所述样本区域的道路标签信息，包括：
28.将样本区域划分为多个预设尺寸的子区域；
29.根据所述样本区域内道路的位置信息，确定所述样本区域内各个子区域是否为道路，以得到所述样本区域的道路标签信息；
30.其中，所述预设尺寸根据所述样本区域内的道路的尺寸而设置。
31.根据本公开的第二方面，提供一种道路生成方法，所述方法包括：
32.获取待处理的目标区域内的轨迹信息；
33.根据所述目标区域内的轨迹信息，确定对应于所述目标区域的轨迹特征信息；
34.将对应于所述目标区域的轨迹特征信息输入至本公开第一方面所述的方法训练得到的道路生成模型，得到所述道路生成模型的输出结果，所述输出结果用于判断所述目标区域内各个子区域是否为道路；
35.根据所述输出结果以及所述目标区域内各个子区域的位置信息，确定所述目标区域内包含的道路的位置信息。
36.根据本公开的第三方面，提供一种道路生成模型训练装置，所述装置包括：
37.第一获取模块，用于获取用于训练的样本数据，所述样本数据包括样本区域内的轨迹信息和所述样本区域内的道路信息；
38.第一确定模块，用于针对每一所述样本数据，根据所述样本区域内的轨迹信息，确定对应于所述样本区域的轨迹特征信息，并根据所述样本区域内的道路信息，确定对应于所述样本区域的道路标签信息，其中，所述轨迹特征信息用于表征样本区域内各个子区域的轨迹的数量特征，所述道路标签信息用于表征样本区域内各个子区域是否为道路；
39.训练模块，用于利用所述轨迹特征信息和所述道路特征信息，对神经网络模型进行训练，以得到所述道路生成模型，其中，所述神经网络模型包括语义分割网络和语言模型构建网络，所述语义分割网络用于针对输入的样本数据的轨迹特征信息输出第一结果，所述第一结果用于判断输入的样本数据的样本区域内各个子区域是否为道路，所述语言模型构建网络用于针对输入的样本数据的轨迹特征信息输出预测路径。
40.根据本公开的第四方面，提供一种道路生成装置，所述装置包括：
41.第二获取模块，用于获取待处理的目标区域内的轨迹信息；
42.第二确定模块，用于根据所述目标区域内的轨迹信息，确定对应于所述目标区域的轨迹特征信息；
43.处理模块，用于将对应于所述目标区域的轨迹特征信息输入至通过本公开第三方面所述的道路生成模型训练装置训练得到的道路生成模型，得到所述道路生成模型的输出结果，所述输出结果用于判断所述目标区域内各个子区域是否为道路；
44.第三确定模块，用于根据所述输出结果以及所述目标区域内各个子区域的位置信息，确定所述目标区域内包含的道路的位置信息。
45.根据本公开的第五方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本公开第一方面或第二方面所述方法的步骤。
46.根据本公开的第六方面，提供一种电子设备，包括：
47.存储器，其上存储有计算机程序；
48.处理器，用于执行所述存储器中的所述计算机程序，以实现本公开第一方面或第二方面所述方法的步骤。
49.通过上述技术方案，获取用于训练的样本数据，样本数据包括样本区域内的轨迹信息和样本区域内的道路信息，并且，针对每一样本数据，根据样本区域内的轨迹信息，确定对应于样本区域的轨迹特征信息，并根据样本区域内的道路信息，确定对应于样本区域的道路标签信息，其中，轨迹特征信息用于表征样本区域内各个子区域的轨迹的数量特征，道路标签信息用于表征样本区域内各个子区域是否为道路，并利用轨迹特征信息和道路特征信息，对神经网络模型进行训练，以得到道路生成模型，其中，神经网络模型包括语义分割网络和语言模型构建网络，语义分割网络用于针对输入的样本数据的轨迹特征信息输出第一结果，第一结果用于判断输入的样本数据的样本区域内各个子区域是否为道路，语言模型构建网络用于针对输入的样本数据的轨迹特征信息输出预测路径。这样，根据区域内的轨迹特征和道路特征对神经网络模型进行训练，进而得到能够生成道路相关信息的道路
生成模型，该道路生成模型具备挖掘区域内道路的能力，进而，对于内部道路数据缺失的区域，能够通过该道路生成模型生成区域内的道路数据，有利于完善园区内部的导航功能。
50.本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
51.附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
52.图1是根据本公开的一种实施方式提供的道路生成模型训练方法的流程图；
53.图2是根据本公开的一种实施方式提供的道路生成方法的流程图；
54.图3是根据本公开的一种实施方式提供的道路生成模型训练装置的框图；
55.图4是根据本公开的一种实施方式提供的道路生成装置的框图；
56.图5是根据一示例性实施例示出的一种电子设备的框图；
57.图6是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
58.以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。
59.如背景技术所述，由于区域内部道路信息的缺失，导航的路线规划无法辅助配送人员完成与用户的面对面交付，配送效率不高。相关技术中，对于区域内路线的挖掘，通常是基于轨迹点聚类而实现，例如通过kde(kernel density estimation，核密度估计)聚类生成路线，主要通过轨迹绑路的方式过滤掉小于两条轨迹的道路，再计算绑路效果过滤掉绑路质量差的道路，然而，这种通过阈值筛选道路的方法泛用性不足，并且，当道路数据缺失时效果将大打折扣。
60.为了解决相关技术中存在的上述问题，本公开提供一种模型训练方法、道路生成方法、装置、介质及设备，以获得具备挖掘区域内道路能力的道路生成模型，进而，对于内部道路数据缺失的区域，能够通过该道路生成模型生成区域内的道路数据，有利于完善园区内部的导航功能。
61.图1是根据本公开的一种实施方式提供的道路生成模型训练方法的流程图。如图1所示，该方法可以包括步骤11～步骤13。
62.在步骤11中，获取用于训练的样本数据。
63.其中，样本数据包括样本区域内的轨迹信息和样本区域内的道路信息。
64.样本数据可以从存储有大量原始aoi(area of interests，信息面，也叫兴趣面)数据的数据库中获取。aoi数据用于表征地理区域，示例地，aoi数据可以以区域边界点位置集合(该集合用于标识一个区域)的形式存储在数据库中。此外，数据库中还可以存储有轨迹信息和道路信息。轨迹信息可以通过收集历史配送过程中的轨迹点获得，并可以以gps(global positioning system，全球定位系统)坐标的形式存储在数据库中。道路信息可以通过路网信息获取到。
65.基于数据库中存储的上述内容，可以获取多组样本数据，其中，每组样本数据包括样本区域(即，aoi数据所标识的区域)内的轨迹信息和该样本数据内的道路信息。其中，样
本区域内的轨迹信息包括位置处于该样本区域内的至少一个轨迹点，样本区域内的道路信息包括位置处于该样本区域内的至少一条道路。
66.此外，为了保证获取到的样本数据的质量，保证用于训练的样本数据为有利于模型训练的优质数据，在获取样本数据时，可以按照一定的筛选条件对数据库中的aoi数据进行筛选。示例地，可以将符合以下条件中至少一者的aoi数据作为样本数据：
67.区域形状无异常；
68.区域内部存在道路；
69.区域内部存在轨迹点；
70.区域面积处于预设的数值区间内；
71.区域可通行；
72.区域为非敏感区域。
73.相似形状的样本数据参与训练的数据形式也相似，因此，可以通过区域形状、尺寸对aoi数据进行筛选，使获取到的样本数据的形状、尺寸比较相似，有利于模型训练。对于区域形状异常与否的判断，可以预先设置异常图形(例如，三角形)，通过比较aoi数据所表征的区域图形与预先设置的异常图形的形状相似程度进行判断，例如，若aoi数据表征的区域与预先设置的异常图形中的某一者形状一致，则该aoi数据将不会作为样本数据参与训练。对于区域面积这一条件的判断，可以预先设置一个表征面积的数值区间，用于筛选，示例地，预设的数值区间可以为[5000,500000]，单位为平方米。
[0074]
本公开提供的模型训练方法期望训练出能够根据轨迹信息生成道路信息的模型，因此，用于训练的数据中存在轨迹点、道路将有利于模型训练。对于区域内部是否存在道路、轨迹点的判断，可以根据aoi数据表征的区域的位置，结合数据库中存储的道路、轨迹点所处的位置实现。
[0075]
本公开提供的模型训练方法用于训练出能够生成道路信息的模型，而生成的道路将会在后续用于路径规划，因此，能够通行的区域的数据对于模型训练更具有参考意义。因此，可以通过区域是否可通行、区域是否为非敏感区域对aoi数据进行筛选。示例地，非敏感区域可以例如为非军事区等。
[0076]
基于上述思路，可以从数据库已存储的aoi数据、轨迹信息和道路信息中获取用于训练的样本数据，并在后续的步骤中用于模型训练。
[0077]
在步骤12中，针对每一样本数据，根据样本区域内的轨迹信息，确定对应于样本区域的轨迹特征信息，并根据样本区域内的道路信息，确定对应于样本区域的道路标签信息。
[0078]
其中，轨迹特征信息用于表征样本区域内各个子区域的轨迹的数量特征，道路标签信息用于表征样本区域内各个子区域是否为道路。
[0079]
在一种可能的实施方式中，样本区域内的轨迹信息包括该样本区域内的轨迹点以及各轨迹点的位置信息，相应地，步骤12中的根据样本区域内的轨迹信息，确定对应于样本区域的轨迹特征信息，可以包括以下步骤：
[0080]
将样本区域划分为多个预设尺寸的子区域；
[0081]
根据样本区域内轨迹点的位置信息，确定样本区域内各个子区域包含的轨迹点数量；
[0082]
根据样本区域内各个子区域包含的轨迹点数量，得到样本区域的轨迹特征信息。
[0083]
其中，对样本区域的划分可以参考道路本身的尺寸，即，使子区域的边长接近于实际道路的宽度。
[0084]
在本方案中，可以基于geohash的思想实现样本区域的划分。geohash算法是将经纬度编码，将二维变一维，给地址位置分区的一种算法。示例地，geohash9对应的网格尺寸约为5m(米)，与实际道路的宽度十分接近，因此，可以以geohash9网格为划分单位，对样本区域进行划分。
[0085]
将样本区域划分为多个预设尺寸的子区域后，可以根据样本区域内轨迹点的位置信息，确定样本区域内各个子区域包含的轨迹点数量，之后，再根据样本区域内各个子区域包含的轨迹点数量，得到样本区域的轨迹特征信息。示例地，可以将子区域包含的轨迹点数量作为该子区域的特征值，多个子区域的特征值构成样本区域的轨迹特征信息，其中，若样本区域被划分成m*n个子区域(m、n均为正整数)，则样本区域的轨迹特征信息可以是由m*n个网格构成的图像(即，矩阵)，各网格(即，矩阵值)对应有相应子区域的特征值。
[0086]
此外，考虑到模型通常对输入数据存在统一尺度的要求，而在实际情况中，样本数据取自实际的aoi数据，因此，往往存在大小不一、形状不一的情况，尺度较难统一，同时，考虑到一个geohash7网格约等于32个geohash9网格，还可以使用geohash7网格作为aoi维度的地理特征表征单元，即，将一个样本区域切分为能完全覆盖它的geohash7网格，这样，每个geohash7网格可以视为32*32个geohash9网格的图像。因此，考虑到数据尺度的统一，还可以将样本区域按照geohash7的大小进行划分，并将每个划分后的geohash7网格分别作为模型训练的输入数据用于训练，在实际预测时，再基于各个geohash7的模型输出结果，将geohash7网格还原到原本的位置进行整个样本区域的道路生成。
[0087]
在一种可能的实施方式中，样本区域内的道路信息包括该样本区域内的道路以及道路的位置信息，相应地，步骤12中的，根据样本区域内的道路信息，确定对应于样本区域的道路标签信息，可以包括以下步骤：
[0088]
将样本区域划分为多个预设尺寸的子区域；
[0089]
根据样本区域内道路的位置信息，确定样本区域内各个子区域是否为道路，以得到样本区域的道路标签信息。
[0090]
其中，预设尺寸可以根据样本区域内的道路的尺寸而设置。
[0091]
在这一实施方式中，样本区域的划分方式与前一种实施方式相一致，此处不再赘述。
[0092]
在步骤13中，利用轨迹特征信息和道路特征信息，对神经网络模型进行训练，以得到道路生成模型。
[0093]
其中，神经网络模型可以包括语义分割网络和语言模型构建网络，语义分割网络用于针对输入的样本数据的轨迹特征信息输出第一结果，第一结果用于判断输入的样本数据的样本区域内各个子区域是否为道路，语言模型构建网络用于针对输入的样本数据的轨迹特征信息输出预测路径。
[0094]
在一种可能的实施方式中，步骤13可以包括以下步骤：
[0095]
确定本次训练使用的目标样本数据的目标轨迹特征信息和目标道路标签信息；
[0096]
将目标轨迹特征信息输入至本次训练的语义分割网络，得到本次训练的语义分割网络输出的第二结果；
[0097]
在不满足训练停止条件的情况下，确定第一损失值，其中，第一损失值是根据第二结果和目标道路标签信息确定的；
[0098]
根据第一损失值，更新本次训练的语义分割网络，并将更新后的语义分割网络用于下一次训练；
[0099]
在满足训练停止条件的情况下，将本次训练的语义分割网络确定为道路生成模型。
[0100]
其中，第二结果用于判断目标样本数据的样本区域内各个子区域是否为道路。
[0101]
在一次训练过程中，首先确定本次训练所使用的轨迹特征信息(即，目标轨迹特征信息)和道路标签信息(即，目标道路标签信息)，并将目标轨迹特征信息输入至本次训练的语义分割网络，以得到第二结果。
[0102]
此后，可以判断本次训练的神经网络模型中的语义分割网络是否满足停止训练条件，以确定训练的后续步骤。训练停止条件可以例如为训练次数达到预设次数、训练时长达到预设时长、根据第二结果和目标道路标签信息确定的损失值低于指定损失值、本次训练的语义分割网络对应的f1分数(用于评价模型能力的综合指标)高于指定分数等。
[0103]
若不满足训练停止条件，可以确定本次训练的语义分割网络的第一损失值。第一损失值可以根据第二结果和目标道路标签信息确定，示例地，可以通过第二结果和目标道路标签信息计算交叉熵，以得到第一损失值。
[0104]
示例地，语义分割网络可以使用unet(全卷积神经网络)，unet本质上是个autoencoder(自编码器)结构的神经网络，输入图形通过下采样被压缩到低维向量中，再通过上采样或反卷积还原为原来的维度，图中串联有类似残差连接的结构，使得未经损失的原始信息也能参与到最后的决策，再通过全连接矩阵的变换，最终输出一个与输入图形尺寸相同的概率热图，每个网格对应有该网格是否为分割边界的概率。基于上述信息，在本方案中，使用unet的语义分割网络实际上是建模了对应于轨迹的geohash9网格与对应于实际道路的geohash9网格在空间中的分布关系，总结了大部分轨迹点的离散分布模式，并学习如何基于离散的轨迹点进行聚类，锁定实际道路所在的geohash9网格。其中，使用卷积网络对目标轨迹特征信息进行特征提取及计算，输出与目标轨迹特征信息等尺寸的矩阵，矩阵的每个网格为geohash9网格，且矩阵的每个值代表实际道路落于相应geohash9网格的概率。
[0105]
如上所述，神经网络模型还可以包括语言模型构建网络，用于针对输入的样本数据的轨迹特征信息输出预测路径，本公开提供的方法还可以包括以下步骤：
[0106]
将目标轨迹特征信息输入至本次训练的语言模型构建网络，得到本次训练的语言模型构建网络针对目标轨迹特征信息输出的目标路径；
[0107]
在不满足训练停止条件的情况下，根据目标道路标签信息生成参考路径，并根据目标路径和参考路径计算第二损失值。
[0108]
从而，根据第一损失值，更新本次训练的语义分割网络，可以包括以下步骤：
[0109]
根据第一损失值和第二损失值，计算综合损失值，并根据综合损失值更新本次训练的语义分割网络。
[0110]
其中，可以通过目标路径中各位置点分别与参考路径中相应的位置点进行损失值计算，并最终累加成第二损失值。示例地，可以通过目标路径的位置点和参考路径中响应的
位置点计算交叉熵，以累加得到第二损失值。
[0111]
在得到第二损失值后，可以将第一损失值和第二损失值进行调和平均，以得到综合损失值。
[0112]
示例地，语言模型构建网络可以使用lstm(long short-term memory，长短期记忆人工神经网络)，lstm通过输入门、遗忘门、输出门这三个门结构，选择性地遗忘部分历史信息，加入部分当前输入信息，最终整合到当前状态并产生输出状态，从而，神经元循环地吸收了序列中每一步的特征信息，并在最终step实现了序列所有step信息的整合。在本公开提供的模型训练场景中，可以基于目标轨迹特征信息确定起点(例如，作为起始点的geohash9网格)和终点(例如，作为终点的geohash9网格)，并基于语言模型构建网络逐步进行路径预测，同时，基于目标道路标签信息和上述起点、终点，可以通过随机采样的方式遍历道路，并获得能够从起点到达终点的路径(例如，geohash9网格序列)，将其作为构建的“自然语言结构”，并依据这一结构训练语言模型，这样，将语言模型构建网络的第二损失值也用于语义分割网络的更新，可以通过语言模型产生的梯度信息引入序列约束，从而使基于语义分割网络的输出结果确定过的道路保持连续，而不是断断续续。
[0113]
可选地，本公开提供的训练方法还可以包括以下步骤：
[0114]
根据综合损失值更新本次训练的语言模型构建网络，并将更新后的语言模型构建网络与更新后的语义分割网络共同用于下一次训练。
[0115]
也就是说，基于第一损失值和第二损失值计算的综合损失值不仅可以用于语义分割网络的更新，还同时用于语言模型构建网络的更新，这样，能够使下一次训练得到更好的训练效果。
[0116]
通过上述技术方案，获取用于训练的样本数据，样本数据包括样本区域内的轨迹信息和样本区域内的道路信息，并且，针对每一样本数据，根据样本区域内的轨迹信息，确定对应于样本区域的轨迹特征信息，并根据样本区域内的道路信息，确定对应于样本区域的道路标签信息，其中，轨迹特征信息用于表征样本区域内各个子区域的轨迹的数量特征，道路标签信息用于表征样本区域内各个子区域是否为道路，并利用轨迹特征信息和道路特征信息，对神经网络模型进行训练，以得到道路生成模型，其中，神经网络模型包括语义分割网络，语义分割网络用于针对输入的样本数据的轨迹特征信息输出第一结果，第一结果用于判断输入的样本数据的样本区域内各个子区域是否为道路。这样，根据区域内的轨迹特征和道路特征对神经网络模型进行训练，进而得到能够生成道路相关信息的道路生成模型，该道路生成模型具备挖掘区域内道路的能力，进而，对于内部道路数据缺失的区域，能够通过该道路生成模型生成区域内的道路数据，有利于完善园区内部的导航功能。
[0117]
图2是根据本公开的一种实施方式提供的道路生成方法的流程图。如图2所示，该方法可以包括步骤21～步骤24。
[0118]
在步骤21中，获取待处理的目标区域内的轨迹信息。
[0119]
示例地，可以收集目标区域在指定历史时段的轨迹信息。
[0120]
在步骤22中，根据目标区域内的轨迹信息，确定对应于目标区域的轨迹特征信息。
[0121]
其中，目标区域内的轨迹特征信息的确定方式与前文提供的样本区域内的轨迹特征信息的确定方式一致，此处不赘述。
[0122]
在步骤23中，将对应于目标区域的轨迹特征信息输入至道路生成模型，得到道路
生成模型的输出结果。
[0123]
其中，道路生成模型是通过本公开任意实施例提供的道路生成模型训练方法训练得到的。输出结果用于判断目标区域内各个子区域是否为道路。示例地，输出结果可以为用于表征目标区域的各个子区域为道路的概率。
[0124]
在步骤24中，根据输出结果以及目标区域内各个子区域的位置信息，确定目标区域内包含的道路的位置信息。
[0125]
根据道路生模型的输出结果，可以确定出概率高于预设概率的目标子区域，并将目标子区域对应的位置作为目标区域内包含的道路的位置信息。
[0126]
通过上述技术方案，对于内部道路数据缺失的区域，通过预先训练的具备了挖掘区域内道路能力的道路生成模型，生成区域内的道路数据，有利于完善园区内部的导航功能。
[0127]
图3是根据本公开的一种实施方式提供的道路生成模型训练装置的框图。如图3所示，该装置30包括：
[0128]
第一获取模块31，用于获取用于训练的样本数据，所述样本数据包括样本区域内的轨迹信息和所述样本区域内的道路信息；
[0129]
第一确定模块32，用于针对每一所述样本数据，根据所述样本区域内的轨迹信息，确定对应于所述样本区域的轨迹特征信息，并根据所述样本区域内的道路信息，确定对应于所述样本区域的道路标签信息，其中，所述轨迹特征信息用于表征样本区域内各个子区域的轨迹的数量特征，所述道路标签信息用于表征样本区域内各个子区域是否为道路；
[0130]
训练模块33，用于利用所述轨迹特征信息和所述道路特征信息，对神经网络模型进行训练，以得到所述道路生成模型，其中，所述神经网络模型包括语义分割网络和语言模型构建网络，所述语义分割网络用于针对输入的样本数据的轨迹特征信息输出第一结果，所述第一结果用于判断输入的样本数据的样本区域内各个子区域是否为道路，所述语言模型构建网络用于针对输入的样本数据的轨迹特征信息输出预测路径。
[0131]
可选地，所述训练模块33，包括：
[0132]
第一确定子模块，用于确定本次训练使用的目标样本数据的目标轨迹特征信息和目标道路标签信息；
[0133]
第一处理子模块，用于将所述目标轨迹特征信息输入至本次训练的语义分割网络，得到本次训练的语义分割网络输出的第二结果，所述第二结果用于判断所述目标样本数据的样本区域内各个子区域是否为道路；
[0134]
第二确定子模块，用于在不满足训练停止条件的情况下，确定第一损失值，其中，所述第一损失值是根据所述第二结果和所述目标道路标签信息确定的；
[0135]
第一更新子模块，用于根据所述第一损失值，更新本次训练的语义分割网络，并将更新后的语义分割网络用于下一次训练；
[0136]
第三确定子模块，用于在满足所述训练停止条件的情况下，将本次训练的语义分割网络确定为道路生成模型。
[0137]
可选地，所述训练模块33还包括：
[0138]
第二处理子模块，用于将所述目标轨迹特征信息输入至本次训练的语言模型构建网络，得到本次训练的语言模型构建网络针对所述目标轨迹特征信息输出的目标路径；
[0139]
计算子模块，用于在不满足所述训练停止条件的情况下，根据所述目标道路标签信息生成参考路径，并根据所述目标路径和所述参考路径计算第二损失值；
[0140]
所述第一更新子模块用于根据所述第一损失值和所述第二损失值，计算综合损失值，并根据所述综合损失值更新本次训练的语义分割网络。
[0141]
可选地，所述训练模块33还包括：
[0142]
第二更新子模块，用于根据所述综合损失值更新本次训练的语言模型构建网络，并将更新后的语言模型构建网络与更新后的语义分割网络共同用于下一次训练。
[0143]
可选地，样本区域内的轨迹信息包括该样本区域内的轨迹点以及各轨迹点的位置信息；
[0144]
所述第一确定模块32，包括：
[0145]
第一划分子模块，用于将样本区域划分为多个预设尺寸的子区域；
[0146]
第四确定子模块，用于根据所述样本区域内轨迹点的位置信息，确定所述样本区域内各个子区域包含的轨迹点数量；
[0147]
第五确定子模块，用于根据所述样本区域内各个子区域包含的轨迹点数量，得到所述样本区域的轨迹特征信息。
[0148]
可选地，样本区域内的道路信息包括该样本区域内的道路以及道路的位置信息；
[0149]
所述第一确定模块32，包括：
[0150]
第二划分子模块，用于将样本区域划分为多个预设尺寸的子区域；
[0151]
第六确定子模块，用于根据所述样本区域内道路的位置信息，确定所述样本区域内各个子区域是否为道路，以得到所述样本区域的道路标签信息；
[0152]
其中，所述预设尺寸根据所述样本区域内的道路的尺寸而设置。
[0153]
图4是根据本公开的一种实施方式提供的道路生成装置的框图。如图4所示，该装置40包括：
[0154]
第二获取模块41，用于获取待处理的目标区域内的轨迹信息；
[0155]
第二确定模块42，用于根据所述目标区域内的轨迹信息，确定对应于所述目标区域的轨迹特征信息；
[0156]
处理模块43，用于将对应于所述目标区域的轨迹特征信息输入至通过本公开任意实施例提供的道路生成模型训练装置训练得到的道路生成模型，得到所述道路生成模型的输出结果，所述输出结果用于判断所述目标区域内各个子区域是否为道路；
[0157]
第三确定模块44，用于根据所述输出结果以及所述目标区域内各个子区域的位置信息，确定所述目标区域内包含的道路的位置信息。
[0158]
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
[0159]
图5是根据一示例性实施例示出的一种电子设备700的框图。如图5所示，该电子设备700可以包括：处理器701，存储器702。该电子设备700还可以包括多媒体组件703，输入/输出(i/o)接口704，以及通信组件705中的一者或多者。
[0160]
其中，处理器701用于控制该电子设备700的整体操作，以完成上述的道路生成模型训练方法或道路生成方法中的全部或部分步骤。存储器702用于存储各种类型的数据以支持在该电子设备700的操作，这些数据例如可以包括用于在该电子设备700上操作的任何
应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器702可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(static random access memory，简称sram)，电可擦除可编程只读存储器(electrically erasable programmable read-only memory，简称eeprom)，可擦除可编程只读存储器(erasable programmable read-only memory，简称eprom)，可编程只读存储器(programmable read-only memory，简称prom)，只读存储器(read-only memory，简称rom)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件703可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器702或通过通信组件705发送。音频组件还包括至少一个扬声器，用于输出音频信号。i/o接口704为处理器701和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件705用于该电子设备700与其他设备之间进行有线或无线通信。无线通信，例如wi-fi，蓝牙，近场通信(near field communication，简称nfc)，2g、3g、4g、nb-iot、emtc、或其他5g等等，或它们中的一种或几种的组合，在此不做限定。因此相应的该通信组件705可以包括：wi-fi模块，蓝牙模块，nfc模块等等。
[0161]
在一示例性实施例中，电子设备700可以被一个或多个应用专用集成电路(application specific integrated circuit，简称asic)、数字信号处理器(digital signal processor，简称dsp)、数字信号处理设备(digital signal processing device，简称dspd)、可编程逻辑器件(programmable logic device，简称pld)、现场可编程门阵列(field programmable gate array，简称fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的道路生成模型训练方法或道路生成方法。
[0162]
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的道路生成模型训练方法或道路生成方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器702，上述程序指令可由电子设备700的处理器701执行以完成上述的道路生成模型训练方法或道路生成方法。
[0163]
图6是根据一示例性实施例示出的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图6，电子设备1900包括处理器1922，其数量可以为一个或多个，以及存储器1932，用于存储可由处理器1922执行的计算机程序。存储器1932中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理器1922可以被配置为执行该计算机程序，以执行上述的道路生成模型训练方法或道路生成方法。
[0164]
另外，电子设备1900还可以包括电源组件1926和通信组件1950，该电源组件1926可以被配置为执行电子设备1900的电源管理，该通信组件1950可以被配置为实现电子设备1900的通信，例如，有线或无线通信。此外，该电子设备1900还可以包括输入/输出(i/o)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如windows server
tm
，mac os x
tm
，unix
tm
，linux
tm
等等。
[0165]
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的道路生成模型训练方法或道路生成方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器1932，上述程序指令可由电
子设备1900的处理器1922执行以完成上述的道路生成模型训练方法或道路生成方法。
[0166]
在另一示例性实施例中，还提供一种计算机程序产品，该计算机程序产品包含能够由可编程的装置执行的计算机程序，该计算机程序具有当由该可编程的装置执行时用于执行上述的道路生成模型训练方法或道路生成方法的代码部分。
[0167]
以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。
[0168]
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。
[0169]
此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。

技术特征：
1.一种道路生成模型训练方法，其特征在于，所述方法包括：获取用于训练的样本数据，所述样本数据包括样本区域内的轨迹信息和所述样本区域内的道路信息；针对每一所述样本数据，根据所述样本区域内的轨迹信息，确定对应于所述样本区域的轨迹特征信息，并根据所述样本区域内的道路信息，确定对应于所述样本区域的道路标签信息，其中，所述轨迹特征信息用于表征样本区域内各个子区域的轨迹的数量特征，所述道路标签信息用于表征样本区域内各个子区域是否为道路；利用所述轨迹特征信息和所述道路特征信息，对神经网络模型进行训练，以得到所述道路生成模型，其中，所述神经网络模型包括语义分割网络和语言模型构建网络，所述语义分割网络用于针对输入的样本数据的轨迹特征信息输出第一结果，所述第一结果用于判断输入的样本数据的样本区域内各个子区域是否为道路，所述语言模型构建网络用于针对输入的样本数据的轨迹特征信息输出预测路径。2.根据权利要求1所述的方法，其特征在于，所述利用所述轨迹特征信息和所述道路特征信息，对神经网络模型进行训练，以得到所述道路生成模型，包括：确定本次训练使用的目标样本数据的目标轨迹特征信息和目标道路标签信息；将所述目标轨迹特征信息输入至本次训练的语义分割网络，得到本次训练的语义分割网络输出的第二结果，所述第二结果用于判断所述目标样本数据的样本区域内各个子区域是否为道路；在不满足训练停止条件的情况下，确定第一损失值，其中，所述第一损失值是根据所述第二结果和所述目标道路标签信息确定的；根据所述第一损失值，更新本次训练的语义分割网络，并将更新后的语义分割网络用于下一次训练；在满足所述训练停止条件的情况下，将本次训练的语义分割网络确定为道路生成模型。3.根据权利要求2所述的方法，其特征在于，所述方法还包括：将所述目标轨迹特征信息输入至本次训练的语言模型构建网络，得到本次训练的语言模型构建网络针对所述目标轨迹特征信息输出的目标路径；在不满足所述训练停止条件的情况下，根据所述目标道路标签信息生成参考路径，并根据所述目标路径和所述参考路径计算第二损失值；所述根据所述第一损失值，更新本次训练的语义分割网络，包括：根据所述第一损失值和所述第二损失值，计算综合损失值，并根据所述综合损失值更新本次训练的语义分割网络。4.根据权利要求3所述的方法，其特征在于，所述方法还包括：根据所述综合损失值更新本次训练的语言模型构建网络，并将更新后的语言模型构建网络与更新后的语义分割网络共同用于下一次训练。5.根据权利要求1所述的方法，其特征在于，样本区域内的轨迹信息包括该样本区域内的轨迹点以及各轨迹点的位置信息；所述根据所述样本区域内的轨迹信息，确定对应于所述样本区域的轨迹特征信息，包括：
将样本区域划分为多个预设尺寸的子区域；根据所述样本区域内轨迹点的位置信息，确定所述样本区域内各个子区域包含的轨迹点数量；根据所述样本区域内各个子区域包含的轨迹点数量，得到所述样本区域的轨迹特征信息。6.根据权利要求1所述的方法，其特征在于，样本区域内的道路信息包括该样本区域内的道路以及道路的位置信息；所述根据所述样本区域内的道路信息，确定对应于所述样本区域的道路标签信息，包括：将样本区域划分为多个预设尺寸的子区域；根据所述样本区域内道路的位置信息，确定所述样本区域内各个子区域是否为道路，以得到所述样本区域的道路标签信息；其中，所述预设尺寸根据所述样本区域内的道路的尺寸而设置。7.一种道路生成方法，其特征在于，所述方法包括：获取待处理的目标区域内的轨迹信息；根据所述目标区域内的轨迹信息，确定对应于所述目标区域的轨迹特征信息；将对应于所述目标区域的轨迹特征信息输入至通过权利要求1-6中任一项所述的方法训练得到的道路生成模型，得到所述道路生成模型的输出结果，所述输出结果用于判断所述目标区域内各个子区域是否为道路；根据所述输出结果以及所述目标区域内各个子区域的位置信息，确定所述目标区域内包含的道路的位置信息。8.一种道路生成模型训练装置，其特征在于，所述装置包括：第一获取模块，用于获取用于训练的样本数据，所述样本数据包括样本区域内的轨迹信息和所述样本区域内的道路信息；第一确定模块，用于针对每一所述样本数据，根据所述样本区域内的轨迹信息，确定对应于所述样本区域的轨迹特征信息，并根据所述样本区域内的道路信息，确定对应于所述样本区域的道路标签信息，其中，所述轨迹特征信息用于表征样本区域内各个子区域的轨迹的数量特征，所述道路标签信息用于表征样本区域内各个子区域是否为道路；训练模块，用于利用所述轨迹特征信息和所述道路特征信息，对神经网络模型进行训练，以得到所述道路生成模型，其中，所述神经网络模型包括语义分割网络和语言模型构建网络，所述语义分割网络用于针对输入的样本数据的轨迹特征信息输出第一结果，所述第一结果用于判断输入的样本数据的样本区域内各个子区域是否为道路，所述语言模型构建网络用于针对输入的样本数据的轨迹特征信息输出预测路径。9.一种道路生成装置，其特征在于，所述装置包括：第二获取模块，用于获取待处理的目标区域内的轨迹信息；第二确定模块，用于根据所述目标区域内的轨迹信息，确定对应于所述目标区域的轨迹特征信息；处理模块，用于将对应于所述目标区域的轨迹特征信息输入至通过权利要求8所述的道路生成模型训练装置训练得到的道路生成模型，得到所述道路生成模型的输出结果，所
述输出结果用于判断所述目标区域内各个子区域是否为道路；第三确定模块，用于根据所述输出结果以及所述目标区域内各个子区域的位置信息，确定所述目标区域内包含的道路的位置信息。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-6中任一项所述方法的步骤，或者，该程序被处理器执行时实现权利要求7所述方法的步骤。11.一种电子设备，其特征在于，包括：存储器，其上存储有计算机程序；处理器，用于执行所述存储器中的所述计算机程序，以实现权利要求1-6中任一项所述方法的步骤，或者，实现权利要求7所述方法的步骤。

技术总结
本公开涉及一种模型训练方法、道路生成方法、装置、介质及设备，有利于区域内缺失道路的生成。所述方法包括：获取用于训练的样本数据；针对每一样本数据，根据样本区域内的轨迹信息，确定对应于样本区域的轨迹特征信息，并根据样本区域内的道路信息，确定对应于样本区域的道路标签信息；利用轨迹特征信息和道路特征信息，对神经网络模型进行训练，以得到道路生成模型，其中，神经网络模型包括语义分割网络和语言模型构建网络，语义分割网络用于针对输入的样本数据的轨迹特征信息输出第一结果，第一结果用于判断输入的样本数据的样本区域内各个子区域是否为道路，语言模型构建网络用于针对输入的样本数据的轨迹特征信息输出预测路径。路径。路径。


技术研发人员：李嘉伟 陈水平 赵杰 石佳
受保护的技术使用者：北京三快在线科技有限公司
技术研发日：2022.02.18
技术公布日：2023/8/31