CN119437198A 矢量地图的生成方法、装置、设备及存储介质 （北京高德云图科技有限公司）

质本申请提供一种矢量地图的生成方法、装地图。实现了基于先验地图的局部矢量地图重2获取车辆上传感器在当前位置采集的环境数据，并通过预先获取至少一张目标先验地图的矢量数据，并通过预先训练的通过所述建图模型的解码器，对所述在线地图编码特征和所述先验对所述矢量数据中段矢量包括的多个点矢量的点级嵌入特征进行拼接针对所述嵌入矢量特征中的段级嵌入特征，基于所述矢量内注意基于所述矢量间注意力编码器，使用注意力机制，确定不同的段级对所述在线地图编码特征和所述先验地图矢量特征进行特征融合，得到融合矢量特基于所述建图模型的解码器，对所述融合矢量特征进行解码，得3对所述先验地图矢量特征进行重塑后，通过反卷积操作，得到拼接与所述在线地图编码特征维度一致的先验地图矢分别对所述解码器中的可学习的查询向量和所述先验地图矢量特征中对应位置的点通过所述解码器，使用注意力机制，基于所述在线地图编码特征和所在线特征获得模块，用于获取车辆上传感器在当前位置采集先验矢量获得模块，用于获取至少一张目标先验地图的矢量数矢量地图构建模块，用于通过所述建图模型的解码器，对所述其中，所述存储器存储有可被所述至少一个处理器执45集的环境数据以及预先训练的编码器一解码器结构的建图模型进行矢量地图构建的基础6以车辆上的环视摄像头采集的全景多视角RGB图像即img1至img6为例；对车载传感器采集7[0041]图2为本申请实施例提供的一种矢量地图的生成方法的流程示意图，该方法可以[0046]预先训练的建图模型可以为任意一种用于进行局部地图重建的、具有编码器_解络)模型、VectorMapNet(VectorMapNetwork，端到端矢量化高精地图学习网络)模型、MapTR(MapTransformer)模8区域存在重叠的历史矢量地图作为类型为局部矢量地图的目标Network，循环神经网络)或其变体，例如LSTM(LongShort_TermMemory，长短期记忆网9高精度地图的目标先验地图的数量均为1个，类型为局部矢量地图的目标先验地图的数量3中的段矢量Vector1的矢量数据为其中的上[0071]基于所述嵌入层对所述矢量数据中各项数据进行嵌入和拼接，得到嵌入矢量特[0072]嵌入(Embedding)层具体可以通过正弦嵌入，对先验地图的矢量数据中各矢量的[0085]步骤S404，对所述矢量数据中段矢量包括的多个点矢量的点级嵌入特征进行拼编码层，即矢量内注意力编码器(Intra_VectorEncoder)和矢量间注意力编码器(Inter_VectorEncoder))，实现段矢量内部以及矢量之间的特征交互；利用注意力掩码得到矢量内编码特征。在计算注意力权重时将注意力掩码中0对应位置处的注意力权重设量相对于其他段矢量的注意力分数，为了区分此处的注意力分数记为矢量间注意力分数；[0098]示例性的，矢量内注意力编码器和矢量间注意力编码器的输出层为全连接网络通过[0102]嵌入层的输出经过矢量内注意力层，利用自注意力机制的输出也即先验地图矢量特征fprior，如嵌入矢量特征{[VEC]1E1E2E3}经过注意力编码层双重注意力编码机制，增强了点矢量对其他点矢量以及段矢量对其他段矢量的感知能力，MapTR模型系列。[0107]可学习查询方法为利用可学习的查询向量(LearnableQuery)的方法。查询向量[0111]当建图模型由未基于可学习查询方法的建图模型更新为基于可学习查询方法的[0119]重塑(Reshape)是一种改变数据的形状或结构的操作，可以将一维数组重塑为多[0122]fi[0126]分别对所述解码器中的可学习的查询向量和所述先验地图矢量特征中对应位置[0135]当在线建图模型为没有可学习查询的方法时即为未基于可学习查询的在线建图将先验地图矢量特征映射至BEV空间，进而对映射至BEV空间的先验地图矢量特征和BEV编码器输出的BEV特征进行拼接和卷积操作，实现先验地图矢量特征和在线地图编码特征即(Replace)和拼接(Concat)中任意一种操作，实现先验地图矢量特征和地图解码器中存储[0137]针对不同类型的建图模型，采用不同的方式将先验地图特征矢量整合至建图模[0140]可选的，所述矢量编码器在预训练时的预训练样本包括随机噪声样本和掩码样段矢量添加掩码得到。[0143]对于获取的先验地图样本，从该先验地图样本中随机选择5％的矢量点添加随机[0144]对于取的先验地图样本，从该先验地图样本中随机选择5％的矢量点添加掩码训练样本中各矢量点的坐标，通过预测的矢量点的坐标与其真实坐标之间的距离作为监[0155]矢量嵌入单元，用于基于所述嵌入层对所述矢量数据中各项数据进行嵌入和拼述矢量内注意力分数以及矢量内注意力掩码，得到所述段级嵌入特征的矢量内编码特征；[0165]分别对所述解码器中的可学习的查询向量和所述先验地图矢量特征中对应位置练，通过MLP层输出的预测矢量地图中各矢量点的预测位置与预训练样本对应的先验地图样本中同位置的矢量点的实际位置之间的距离构成的损失函数，调整矢量编码器的参数，电子设备可以包括：至少一个处理器801；以及与所述至少一个处理器通信连接的存储器其它通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路[0179]上述存储介质可以是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[0180]一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信储介质可以位于专用集成电路(ApplicationSpecificIntegratedCircuits，ASIC)中。出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储