本發(fā)明屬于智能交通領域，特別是一種基于ai多源數(shù)據(jù)融合生成道路數(shù)據(jù)的方法及系統(tǒng)。

背景技術：

1、精確的道路數(shù)據(jù)是智能交通系統(tǒng)的基礎，具備多源數(shù)據(jù)融合生成精確道路數(shù)據(jù)能力的系統(tǒng)能夠有效降低人工作業(yè)成本、提高作業(yè)效率、提升道路數(shù)據(jù)精度和可靠性，這將有助于推進交通向更安全、更高效和更智能的方向發(fā)展。同時也能夠帶動其他相關領域技術進步和應用發(fā)展，如自動駕駛技術領域和城市規(guī)劃管理與建設領域等。

2、現(xiàn)有制作道路數(shù)據(jù)的方法主要包括實地測繪采集道路中心線數(shù)據(jù)然后通過專業(yè)繪圖軟件如arcmap進行測繪數(shù)據(jù)的數(shù)字化來制作道路數(shù)據(jù)和依托高精度地圖通過繪圖軟件進行道路數(shù)據(jù)繪制的方式進行制作。

3、上述方式中，道路數(shù)據(jù)的生成過程需要較長的周期并投入大量的人力成本。數(shù)據(jù)的更新和維護需要大量人力投入和重復操作，并且數(shù)據(jù)迭代周期較為漫長，時效性不夠高。因為數(shù)據(jù)來源的單一性，道路數(shù)據(jù)容易存在系統(tǒng)誤差，數(shù)據(jù)屬性信息也不夠豐富多樣。同時各個環(huán)節(jié)的人工操作也無法避免人為因素影響數(shù)據(jù)質(zhì)量。

技術實現(xiàn)思路

1、因此針對上述問題，本發(fā)明公開一種基于ai多源數(shù)據(jù)融合生成道路數(shù)據(jù)的方法及系統(tǒng)，依托道路數(shù)據(jù)生成ai模型從多源數(shù)據(jù)中提取道路信息，通過融合計算生成道路數(shù)據(jù)。依托多源數(shù)據(jù)能有效降低系統(tǒng)誤差，提升數(shù)據(jù)的準確度和可靠性。并且系統(tǒng)除在數(shù)據(jù)采集和選擇錄入階段有人工操作外，無其他人為干預，有效降低人工成本和減少人為因素對數(shù)據(jù)質(zhì)量的影響。在數(shù)據(jù)的更新維護問題上，引入眾包數(shù)據(jù)源，通過系統(tǒng)對眾包數(shù)據(jù)信息的提取及融合，提升道路數(shù)據(jù)的實效性。

2、實現(xiàn)本發(fā)明目的的技術解決方案為：一種基于ai多源數(shù)據(jù)融合生成道路數(shù)據(jù)的方法，

3、步驟(1)選擇或者設置待生成道路數(shù)據(jù)的目標區(qū)域；

4、步驟(2)多源數(shù)選擇據(jù)錄入；根據(jù)選定的目標區(qū)域范圍，從采集的多源數(shù)據(jù)中，選擇符合該范圍需求的原始數(shù)據(jù)；

5、步驟(3)多源數(shù)據(jù)預處理清洗、去噪、標準化處理；對選擇的多源數(shù)據(jù)進行數(shù)據(jù)清洗，去除不具備基本信息的數(shù)據(jù)；

6、步驟(4)多源數(shù)據(jù)的道路信息特征提?。唤?jīng)過清洗的多源數(shù)據(jù)，根據(jù)類型的不同，在道路信息提取模塊采用不同的信息特征提??；

7、步驟(5)ai多源數(shù)據(jù)融合處理，道路數(shù)據(jù)生成；經(jīng)過多源數(shù)據(jù)的道路信息特征提取處理后，依托ai多源數(shù)據(jù)融合模塊，將從衛(wèi)星遙感數(shù)據(jù)、車載傳感器數(shù)據(jù)和眾包數(shù)據(jù)中提取分析得到的道路特征數(shù)據(jù)進行整合；

8、步驟(6)道路數(shù)據(jù)質(zhì)量反饋，多源數(shù)據(jù)更新，ai多源數(shù)據(jù)融合模型訓練迭代升級。

9、進一步地，步驟(2)中，多源數(shù)據(jù)包含衛(wèi)星遙感影像數(shù)據(jù)、數(shù)據(jù)采集車車載傳感器數(shù)據(jù)和眾包采集的圖片文本信息數(shù)據(jù)。

10、3、根據(jù)權利要求1所述的基于ai多源數(shù)據(jù)融合生成道路數(shù)據(jù)的方法，其特征在于，步驟(3)中，對步驟(2)中選擇的多源數(shù)據(jù)進行數(shù)據(jù)清洗，去除不具備基本信息的數(shù)據(jù)；去除空白或模糊的影像、圖片數(shù)據(jù)，去除異?；蛎黠@錯誤的位置信息數(shù)據(jù)和去除激光雷達掃描中異常的噪聲數(shù)據(jù)，以及去除眾包數(shù)據(jù)中的空數(shù)據(jù)無效數(shù)據(jù)；

11、經(jīng)過清洗后的多源數(shù)據(jù)，主要包含遙感影像、激光雷達測量數(shù)據(jù)和文本三大類標準類型，用于后續(xù)步驟(4)進行特征信息提取。

12、進一步地，步驟(4)中，

13、信息提取方式包括圖像識別技術、激光雷達點云數(shù)據(jù)處理技術、自然語言處理技術；

14、1)圖像識別技術；

15、卷積神經(jīng)網(wǎng)絡通過圖像識別訓練，進行圖像中特定特征數(shù)據(jù)的提取分析；

16、從衛(wèi)星遙感影像中提取目標區(qū)域基礎路網(wǎng)位置信息及道路聯(lián)通性關系，形成基礎的路網(wǎng)數(shù)據(jù)；

17、從車載攝像頭拍攝的圖片中進行識別，獲取道路名稱、道路標志、道路類型信息；

18、從眾包數(shù)據(jù)上報的圖片中進行識別，提取屬性信息；

19、2)傳感器測量數(shù)據(jù)；

20、數(shù)據(jù)采集車搭載激光雷達精確地測量目標區(qū)域內(nèi)道路數(shù)據(jù)，從激光雷達掃描的點云數(shù)據(jù)中提取道路的詳細數(shù)據(jù)信息；

21、3)自然語言處理；

22、處理分析眾包數(shù)據(jù)中有關道路的文字描述信息，從而提取道路具備時效性的屬性數(shù)據(jù)。

23、進一步地，步驟(5)中的ai多源數(shù)據(jù)融合模型構方法為：

24、1)模型構建階段，使用torch.nn模塊定義一個道路數(shù)據(jù)生成卷積神經(jīng)網(wǎng)絡模型，根據(jù)數(shù)據(jù)融合的需要，在模型的某個層中將三類數(shù)據(jù)進行連接；

25、2)模型訓練階段，使用dataloader數(shù)據(jù)加載器將步驟(4)提取的三類數(shù)據(jù)集分批次輸入到模型中進行模型訓練，通過定義損失函數(shù)和優(yōu)化器進行向前傳播和向后傳播，更新模型參數(shù)；

26、3)模型評估階段，依托測試集或測試集評估模型性能，進行模型結構調(diào)整和參數(shù)優(yōu)化。

27、進一步地，步驟(5)中，ai多源數(shù)據(jù)融合模型數(shù)據(jù)融合方法為：

28、以衛(wèi)星遙感影像識別得到的基礎道路信息數(shù)據(jù)為基礎，識別出道路線基本位置、幾何特征、道路間聯(lián)通關系；

29、通過北斗位置數(shù)據(jù)和激光雷達測量數(shù)據(jù)提升道路位置信息的精度、道路寬度、道路邊線、路面標識特征信息和明確道路間連通性關系；

30、通過多源圖像識別提取的道路特征數(shù)據(jù)來豐富道路屬性信息；

31、通過眾包信息數(shù)據(jù)來及時修正道路屬性信息，提升道路數(shù)據(jù)的時效性。

32、進一步地，步驟(6)中，具體包括：

33、融合模型優(yōu)化：對生成的道路數(shù)據(jù)，通過與實際信息的綜合對比，發(fā)現(xiàn)模型存在的問題，進行模型參數(shù)調(diào)整；

34、融合模型升級：通過錄入不同類型的原始數(shù)據(jù)，增加模型的訓練樣本類別，實現(xiàn)ai融合算法的訓練增強，從而輸出更全面豐富的道路數(shù)據(jù)；

35、一種基于ai多源數(shù)據(jù)融合生成道路數(shù)據(jù)的系統(tǒng)，系統(tǒng)主要包括：

36、多源數(shù)據(jù)采集模塊，用于多源數(shù)據(jù)采集獲??；

37、多源數(shù)據(jù)預處理模塊，用于對各類數(shù)據(jù)的原始數(shù)據(jù)進行清洗和去噪處理以及對每類數(shù)據(jù)進行標準化操作；

38、道路特征提取模塊，包括圖像識別、提取道路信息、傳感器數(shù)據(jù)提取、眾包信息道路數(shù)據(jù)提?。?/p>

39、ai多源數(shù)據(jù)融合模塊，用于通過ai多源數(shù)據(jù)融合模型實現(xiàn)多源信息的融合處理，輸出具備多源信息特征的道路數(shù)據(jù)。

40、本發(fā)明與現(xiàn)有技術相比，其顯著優(yōu)點是：

41、(1)采用ai多源數(shù)據(jù)的融合，綜合多類數(shù)據(jù)中道路信息，涉及道路基本位置信息、車道級數(shù)據(jù)信息、道路類型等基本屬性信息和眾包道路實時數(shù)據(jù)信息等，信息更為全面豐富，以空間位置作為不同源信息的結合點，利用多源數(shù)據(jù)的交叉驗證，減少誤差，提高數(shù)據(jù)的準確性和可信度。

42、(2)數(shù)據(jù)生成效率提升，用戶選擇區(qū)域和輸入多源數(shù)據(jù)后，即可自動完成數(shù)據(jù)的分析處理，根據(jù)模型訓計算生成道路數(shù)據(jù)，提升了道路數(shù)據(jù)生產(chǎn)效率，簡化生產(chǎn)流程，降低了人工成本和人為操作失誤的可能性。

43、(3)提升道路數(shù)據(jù)的實時性特征，依托不斷完善的ai模型，生成道路數(shù)據(jù)的效率和質(zhì)量會逐步提升。在實時眾包信息的數(shù)據(jù)支持下，模型綜合考慮眾包信息的在時間維度上的優(yōu)先級。依據(jù)眾包信息中有效的關于道路實時變化內(nèi)容，及時更新道路數(shù)據(jù)，有效提升數(shù)據(jù)的實時性。可以為對道路實時性要求較高的功能如路徑規(guī)劃等功能提供更為準確的綜合考慮因素。