具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开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，而不会背离本公开的范围和精神。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。

高精地图的经验图层可以为自动驾驶车辆的规划与控制(Plan and Control，PNC)模块提供参考。在经验图层中可以提供一些虚拟的车道线，为车辆行驶提供参考。例如：当前L4无人驾驶技术中，在路口转弯或掉头时，PNC模块会参考高精地图中标注的转向曲线。这种转向曲线就可以看作是一种虚拟车道线，如图1所示。本申请实施例旨在提供一种训练方法，从而得到关键点检测模型，并利用该关键点检测模型，根据高精地图和起止点对的坐标，自动化生成起止点对之间的虚拟车道线。

图2示出根据本公开实施例的关键点检测模型的训练方法的流程图。如图2所示，该训练方法包括：

步骤S201：利用初始网络，提取语义地图样本的特征和车道线样本的起止点对坐标的特征；

步骤S202：根据语义地图样本的特征和车道线样本的起止点对坐标的特征，利用初始网络，得到车道线样本的至少一个中间点的预测坐标；

步骤S203：根据车道线样本的至少一个中间点的预测坐标和真值坐标，调整初始网络的参数，得到关键点检测模型，关键点检测模型用于根据目标车道线的起止点对的坐标，预测目标车道线的至少一个中间点的坐标。

初始网络的训练样本包括大量的车道线样本。示例性地，这些车道线样本采集于人类驾驶车辆的行驶轨迹，因此，符合人类驾驶习惯。

车道线样本包括起止点对，即起点和终点。通过构建的初始网络提取起止点对坐标的特征。示例性地，可以预先编码起止点对坐标，进而提取编码后的起止点对坐标的特征。

将车道线样本所在区域的高精地图作为高精地图样本，将其编码为语义地图样本，进而通过初始网络提取编码后的语义地图样本的特征。图3为高精地图中路口区域的一个示例图，图4为语义地图中路口区域的一个示例图。

初始网络根据语义地图样本的特征和起止点对坐标的特征，输出起点和终点之间的至少一个中间点的预测坐标；根据各中间点的预测坐标和真值坐标，调整初始网络的参数，直到满足损失函数的收敛条件，得到训练好的网络，即关键点检测模型。需要说明的是，本实施例对初始网络的类型和结构并不做限定。

示例性地，如图5所示，曲线A′C′B′代表车道线样本，其中，A′为车道线样本的起点，B′为车道线样本的终点，C′为车道线样本的中间点。初始网络可以输出A′、B′、C′的预测坐标，在图5中可以分别用A、B、C表示。其中，起点A的预测坐标赋值为A′的真值坐标，终点B的预测坐标赋值为B′的真值坐标，进而生成预测车道线ACB。

训练好的关键点检测模型，可以根据输入的目标车道线的起止点对的坐标，输出起止点对之间的至少一个中间点的坐标，进而根据起止点对坐标和至少一个中间点的坐标，生成拟人化的目标车道线。

由此生成的目标车道线符合人类驾驶习惯，可以标注在高精地图的经验图层中，用于经验图层的自动化生成，提高生产效率；目标车道线可以赋能PNC模块，提升路口通行成功率；也可以用于自动驾驶车辆在行驶过程中，实时地规划起点和终点之间的行驶轨迹。

在一种实施方式中，在步骤S201中可以包括：利用初始网络中的第一网络，提取语义地图样本的特征；利用初始网络中的第二网络，提取车道线样本的起止点对坐标的特征。

也即是说，初始网络采用两个网络结构分别从语义地图样本中提取特征和从起止点坐标中提取特征，从而分别学习全局特征和局部特征，提高训练效率和预测准确度。

示例性地，第一网络可以包括卷积神经网络(Convolutional Neural Networks,CNN)和全连接层(MLP)，如一个CNN和两层MLP。其中，利用CNN可以从语义地图样本中提取语义地图特征，然后输入两层MLP，可以提取到语义地图样本中的车道线样本的全局特征。示例性地，第二网络可以包括三层MLP。

在一种实施方式中，在步骤S202中可以包括：拼接语义地图样本的特征和车道线样本的起止点对坐标的特征；利用初始网络中的第三网络，解码拼接后的特征，得到车道线样本的至少一个中间点的预测坐标。

示例性地，第三网络可以包括三层MLP，以对拼接后的全局特征和局部特征进行解码，最终输出一个或多个中间点的预测坐标。这种网络结构简单且轻量化，可以降低运算量，提高预测效率。

优选地，可以输出多个中间点的预测坐标。其中，可以在起点和终点之间每隔预设距离设置一个待预测的中间点，进而得到这一系列固定的中间点的坐标。

在一种实施方式中，在步骤S203中，根据车道线样本的至少一个中间点的预测坐标和真值坐标，调整初始网络的参数，包括：根据中间点的预测坐标和真值坐标之间的差异，构建回归损失函数；调整初始网络的参数，直到回归损失函数收敛。

示例性地，回归损失函数L_disp可以用以下公式来表示：

其中，表示Ci的坐标，即中间点的预测坐标；表示C_i′的坐标，即中间点的真值坐标；N表示中间点的个数，在回归损失函数中，N为大于等于1的整数。

通过回归损失函数来训练网络，可以使输出的中间点的预测坐标更逼近真值坐标。

在一种实施方式中，在步骤S203中，根据车道线样本的至少一个中间点的预测坐标和真值坐标，调整初始网络的参数，包括：根据车道线样本的第一中间点和第二中间点的预测坐标，确定第一中间点和第二中间点之间的第一线段的预测矢量；根据第一中间点和第二中间点的真值坐标，确定第一线段的真值矢量；根据第一线段的预测矢量和真值矢量之间的差异，构建局部结构损失函数；调整初始网络的参数，直到局部结构损失函数收敛。

示例性地，局部结构损失函数L_LocaL可以用以下公式来表示：

其中，表示第i个第一线段的预测矢量，表示第i个第一线段的真值矢量，N表示中间点的个数，在局部结构损失函数，N为大于1的整数，i小于等于N。

通过局部结构损失函数来训练网络，可以使输出的中间点之间的曲线更平滑，进而使生成的车道线更平滑。

优选地，第一中间点和第二中间点为相邻的中间点，进而提高局部结构的平滑度。

在一种实施方式中，在步骤S203中，根据车道线样本的至少一个中间点的预测坐标和真值坐标，调整初始网络的参数，包括：根据车道线样本的第三中间点的预测坐标和车道线样本的端点的真值坐标，确定第三中间点和端点之间的第二线段的预测矢量；根据第三中间点的真值坐标和端点的真值坐标，确定第二线段的真值矢量；根据第二线段的预测矢量和真值矢量之间的差异，构建全局结构损失函数；调整初始网络的参数，直到全局结构损失函数收敛。其中，端点包括起点或终点。

示例性地，全局结构损失函数L_gLobaL可以用以下公式来表示：

其中，表示第i个第三线段的预测矢量，表示第i个第三线段的真值矢量，M为第三线段的个数。

通过全局结构损失函数来训练网络，可以使生成的车道线的整体形状更合理。

优选地，第三中间点为距离起点或终点最远的中间点，进而可以最大化全局特征。

在一种实施方式中，可以构建一个包括回归损失函数、局部结构损失函数以及全局结构损失函数的损失函数L，在步骤S203中，调整初始网络的参数，直到损失函数L收敛，即：

L＝L_disp+L_local+L_global。

图6示出根据本公开实施例的高精地图车道线的生成方法的流程图。如图6所示，该生成方法包括：

步骤S601：获取与高精地图对应的语义地图；

步骤S602：将语义地图和目标车道线的起止点对的坐标输入关键点检测模型，以预测目标车道线的至少一个中间点的坐标；

步骤S603：根据目标车道线的起止点对和至少一个中间点的坐标，生成目标车道线。

在一个示例中，如图7所示，将高精地图对应的语义地图以及目标车道线的起止点对A和B的坐标，输入由第一网络、第二网络和第三网络构成的关键点检测模型，可以得到目标车道线的至少一个中间点C_i的坐标，拟合起止点对A和B的坐标和至少一个中间点C_i的坐标，可以生成目标车道线。

图8为本公开实施例的应用场景示意图。如图8所示，终端801可以是硬件，如手机、平板、车载终端、便携计算机等具有显示屏的电子设备。当终端801为软件或应用(Application，APP)时，可安装于上述电子设备中。服务器802可以提供各种服务，例如为安装于终端801上的应用提供支持。本公开实施例提供的训练方法和生成方法，可以由服务器802执行，也可以由终端801执行，相应的与方法对应的装置可以设置于终端801中，也可以设置于服务器802中。其中，为了实现需要可以配置任意数量的终端、网络和服务器。

图9示出根据本公开实施例的关键点检测模型的训练装置的框图，如图9所示，该训练装置包括：

特征提取模块901，用于利用初始网络，提取语义地图样本的特征和车道线样本的起止点对坐标的特征；

预测坐标确定模块902，用于根据语义地图样本的特征和车道线样本的起止点对坐标的特征，利用初始网络，得到车道线样本的至少一个中间点的预测坐标；

参数调整模块903，用于根据车道线样本的至少一个中间点的预测坐标和真值坐标，调整初始网络的参数，得到关键点检测模型，关键点检测模型用于根据目标车道线的起止点对的坐标，预测目标车道线的至少一个中间点的坐标。

在一种实施方式中，特征提取模块901包括：

第一提取子模块，用于利用初始网络中的第一网络，提取语义地图样本的特征；

第二提取子模块，用于利用初始网络中的第二网络，提取车道线样本的起止点对坐标的特征。

在一种实施方式中，预测坐标确定模块902包括：

拼接子模块，用于拼接语义地图样本的特征和车道线样本的起止点对坐标的特征；

解码子模块，用于利用初始网络中的第三网络，解码拼接后的特征，得到车道线样本的至少一个中间点的预测坐标。

在一种实施方式中，参数调整模块903包括：

回归损失函数构建子模块，用于根据中间点的预测坐标和真值坐标之间的差异，构建回归损失函数；

第一调整子模块，用于调整初始网络的参数，直到回归损失函数收敛。

在一种实施方式中，参数调整模块903包括：

第一预测矢量确定子模块，用于根据车道线样本的第一中间点和第二中间点的预测坐标，确定第一中间点和第二中间点之间的第一线段的预测矢量；

第一真值矢量确定子模块，用于根据第一中间点和第二中间点的真值坐标，确定第一线段的真值矢量；

局部结构损失函数构建子模块，用于根据第一线段的预测矢量和真值矢量之间的差异，构建局部结构损失函数；

第二调整子模块，用于调整初始网络的参数，直到局部结构损失函数收敛。

在一种实施方式中，参数调整模块903包括：

第二预测矢量确定子模块，用于根据车道线样本的第三中间点的预测坐标和车道线样本的端点的真值坐标，确定第三中间点和端点之间的第二线段的预测矢量；其中，端点包括起点或终点；

第二真值矢量确定子模块，用于根据第三中间点的真值坐标和端点的真值坐标，确定第二线段的真值矢量；

全局结构损失函数构建子模块，用于根据第二线段的预测矢量和真值矢量之间的差异，构建全局结构损失函数；

第三调整子模块，用于调整初始网络的参数，直到全局结构损失函数收敛。

图10示出根据本公开实施例的高精地图车道线的生成装置的结构框图。如图10所示，该生成装置包括：

语义地图获取模块1001，用于获取与高精地图对应的语义地图；

预测模块1002，用于将语义地图和目标车道线的起止点对的坐标输入关键点检测模型，以预测目标车道线的至少一个中间点的坐标；其中，关键点检测模型为上述的训练装置得到；

生成模块1003，用于根据目标车道线的起止点对和至少一个中间点的坐标，生成目标车道线。

本公开实施例各装置中的各模块的功能可以参见上述方法中的对应描述，在此不再赘述。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。该电子设备可以是高精地图车道线的生成设备，也可以是关键点检测模型的训练设备。

图11示出了可以用来实施本公开的实施例的示例电子设备1100的示意性框图。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/或者要求的本公开的实现。

如图11所示，设备1100包括计算单元1101，其可以根据存储在只读存储器(ROM)1102中的计算机程序或者从存储单元1108加载到随机访问存储器(RAM)1103中的计算机程序，来执行各种适当的动作和处理。在RAM 1103中，还可存储设备1100操作所需的各种程序和数据。计算单元1101、ROM 1102以及RAM 1103通过总线1104彼此相连。输入/输出(I/O)接口1105也连接至总线1104。

设备1100中的多个部件连接至I/O接口1105，包括：输入单元1106，例如键盘、鼠标等；输出单元1107，例如各种类型的显示器、扬声器等；存储单元1108，例如磁盘、光盘等；以及通信单元1109，例如网卡、调制解调器、无线通信收发机等。通信单元1109允许设备1100通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元1101可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1101的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1101执行上文所描述的各个方法和处理。例如，在一些实施例中，上文所描述的各个方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1108。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1102和/或通信单元1109而被载入和/或安装到设备1100上。当计算机程序加载到RAM1103并由计算单元1101执行时，可以执行上文所描述的各个方法的一个或多个步骤。备选地，在其他实施例中，计算单元1101可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行上文所描述的各个方法。

本文中以上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、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、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。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

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，鼠标或者车道线球)，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。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

根据本公开的实施例，本公开还提供一种自动驾驶车辆，包括本公开任意实施例提供的高精地图车道线的生成装置或本公开任意实施例提供的高精地图车道线的生成设备。

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，本发公开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，只要能够实现本公开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，并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。