道路交通工具行駛控制方法和裝置與流程

本發明涉及道路交通信息技術領域，特別是涉及行駛控制領域，尤其涉及一種道路交通工具行駛控制方法和裝置。

背景技術：

隨著道路交通工具的普及以及互聯網技術的發展，道路交通工具行駛控制成為一種新的需求，可用于導航提示或者無人駕駛等。目前道路交通工具行駛控制主要是通過計算機視覺識別出障礙物，并基于地圖數據所記載的道路信息規劃行車路線，從而依據規劃的行車路線進行行駛控制。

然而，目前的道路交通工具行駛控制方式，依賴于地圖數據所記載的道路信息，而地圖數據的更新是滯后的，當道路信息發生改變時并不能及時更新，這就導致無法準確地進行行駛控制；而且還會帶來駕駛安全問題，尤其是應用于無人駕駛時問題更為嚴重。

技術實現要素：

基于此，有必要針對目前的道路交通工具行駛控制方式依賴于地圖數據導致行駛控制不準確的問題，提供一種道路交通工具行駛控制方法和裝置。

一種道路交通工具行駛控制方法，所述方法包括：

獲取道路交通環境的實時感知結果；

根據所述實時感知結果得到多種道路元素相應的當前道路元素參數；

根據因子圖模型和所述當前道路元素參數預測道路場景參數；所述因子圖模型用于表達道路場景參數和多種道路元素相應的道路元素參數間的聯合分布概率密度函數；

根據預測的道路場景參數生成行駛控制指令并輸出。

一種道路交通工具行駛控制裝置，所述裝置包括：

數據獲取模塊，用于獲取道路交通環境的實時感知結果；根據所述實時感知結果得到多種道路元素相應的當前道路元素參數；

預測模塊，用于根據因子圖模型和所述當前道路元素參數預測道路場景參數；所述因子圖模型用于表達道路場景參數和多種道路元素相應的道路元素參數間的聯合分布概率密度函數；

輸出模塊，用于根據預測的道路場景參數生成行駛控制指令并輸出。

上述道路交通工具行駛控制方法和裝置，利用實時感知結果的當前道路元素參數來預測道路場景參數，從而根據預測的道路場景參數來進行行駛控制，不再依賴于地圖數據，交通工具行駛控制的準確性得以增強。而且，通過因子圖來表達道路場景參數和多種道路元素相應的道路元素參數間的聯合分布概率密度函數，因子圖用圖結構描述全局目標函數的因式分解形式，將大規劃的全局運算劃分為簡單的局部運算，提高了行駛控制的效率。再者，通過因子圖模型可以將多種道路元素融合，可以考慮到道路元素參數之間的相關性，而不是假設彼此獨立，使得交通工具行駛控制符合真實道路場景，控制準確。

附圖說明

圖1為一個實施例中道路交通工具行駛控制系統的應用環境圖；

圖2為一個實施例中電子設備的內部結構示意圖；

圖3為一個實施例中道路交通工具行駛控制方法的流程示意圖；

圖4為一個實施例中訓練因子圖模型的步驟的流程示意圖；

圖5為一個實施例中將復合概率圖模型轉化為因子圖模型的過程示意圖；

圖6為一個實施例中因子圖模型的建模、學習及推理過程示意圖；

圖7為一個實施例中因子圖模型的結構學習過程示意圖；

圖8為一個實施例中道路交通工具行駛控制裝置的結構框圖；

圖9為另一個實施例中道路交通工具行駛控制裝置的結構框圖。

具體實施方式

為了使本發明的目的、技術方案及優點更加清楚明白，以下結合附圖及實施例，對本發明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發明，并不用于限定本發明。

圖1為一個實施例中道路交通工具行駛控制系統的應用環境圖，該系統包括感知設備110、電子設備120和道路交通工具130。其中感知設備110可以是攝像頭或者雷達；電子設備120可以置于交通工具130內部直接控制交通工具130，也可以是通過網絡遠程向交通工具130發送行駛控制指令。道路交通工具130是可沿道路行駛的交通工具，比如小汽車、貨車、客車、摩托車或者電動自行車等。

圖2為一個實施例中電子設備120的內部結構示意圖。如圖2所示，該電子設備包括通過系統總線連接的處理器、非易失性存儲介質、內存儲器和網絡接口。其中，電子設備的非易失性存儲介質存儲有操作系統，還包括一種道路交通工具行駛控制裝置，該道路交通工具行駛控制裝置用于實現一種道路交通工具行駛控制方法。電子設備的處理器用于提供計算和控制能力，支撐電子設備的運行。電子設備的內存儲器為非易失性存儲介質中的道路交通工具行駛控制裝置提供運行環境。該內存儲器中可存儲有計算機可讀指令，該計算機可讀指令被處理器執行時，可使得處理器執行一種道路交通工具行駛控制方法。網絡接口用于連接到網絡。該電子設備可以是手機、車載電腦或者服務器等。本領域技術人員可以理解，圖2中示出的結構，僅僅是與本申請方案相關的部分結構的框圖，并不構成對本申請方案所應用于其上的電子設備的限定，具體的電子設備可以包括比圖中所示更多或更少的部件，或者組合某些部件，或者具有不同的部件布置。

如圖3所示，在一個實施例中，提供了一種道路交通工具行駛控制方法，本實施例以該方法應用于上述圖1和圖2中的電子設備120來舉例說明。該方法具體包括如下步驟：

步驟302，獲取道路交通環境的實時感知結果。

道路交通環境是指道路交通工具行駛時所處的環境，實時感知結果則是通過感知設備實時感知的用于描述道路交通環境中的道路元素的數據。電子設備 可通過感知設備采集道路交通環境的圖像，對道路交通環境進行語義分割，區分出各種道路元素，得到實時感知結果。

實時感知結果包括道路信息，還可以包括交通標志信息、車輛信息、行人信息以及場景光流等中的至少一種。其中，道路信息可包括車道線信息和道路滅點信息。車道線是道路路面上用于對道路交通工具的行駛進行指示的形狀規則的線狀標示，車道線信息比如車道線位置或車道線類型或車道線所屬道路。道路滅點是道路在遠處消失的點，道路滅點以上一般是天空部分，道路滅點信息比如道路滅點位置或者道路滅點所屬的道路。

進一步地，車輛和行人是道路交通環境中的動態道路元素，可采用目標跟蹤方式得到車輛信息和/或行人信息。車輛信息比如行駛速度、行駛方向、車輛位置以及車輛所在道路等，行人信息比如行走速度、行走方向、行人位置以及行人所在道路等。場景光流也可以表達道路交通環境中運動目標的信息。

步驟304，根據實時感知結果得到多種道路元素相應的當前道路元素參數。

其中，道路元素是指道路交通環境中對道路交通工具在道路上行駛狀態造成影響的因素，比如車道線、道路滅點、交通標志、車輛或者行人等。道路元素參數是將相應道路元素的感知結果參數化表達后得到的表征該道路元素特征的參數。在一個實施例中，道路元素參數包括車輛跟蹤參數、行人跟蹤參數、車道線檢測結果、道路滅點檢測結果以及交通標志檢測結果中的至少一種。這里將實時感知結果參數化為相應道路元素在當前的道路元素參數。多種道路元素的種類數是確定的。

步驟306，根據因子圖模型和當前道路元素參數預測道路場景參數；因子圖模型用于表達道路場景參數和多種道路元素相應的道路元素參數間的聯合分布概率密度函數。

其中，因子圖是貝葉斯網絡和馬爾科夫網絡的統一表示，通過引入因子節點來明確地描述因子圖上聯合概率分布的分解。進一步地，因子圖引入了一個因子節點集合，相當于定義在通常節點子集上的目標函數。因子圖是一個二部圖，用來描述某個變量集上的局部函數的乘積。

因子圖模型是采用因子圖的原理訓練得到的數學模型，表達了道路場景參 數和多種道路元素相應的道路元素參數間的聯合分布概率密度函數，電子設備根據該聯合分布概率密度函數以及當前道路元素參數，估計道路場景參數取值的概率，從而將概率最大的取值作為預測的道路場景參數。估計道路場景參數取值的概率時可采用最大后驗概率估計方法(map)或者最大似然估計方法。

道路場景參數是對道路交通工具進行行駛控制時所依據的參數，在一個實施例中，道路場景參數包括道路拓撲關系、路口中心位置、道路寬度、即將駛入的道路與車頭方向夾角以及當前道路與即將駛入的道路之間的夾角中的至少一種。其中道路拓撲關系比如直行道路、左轉道路、右轉道路、t型道路或者十字路口等。路口中心位置可以是路口中心在車體坐標系下的坐標。

在一個實施例中，因子圖模型所表達的道路場景參數和多種道路元素相應的道路元素參數間的聯合分布概率密度函數即目標函數可用如下公式(1)表示：

其中，θ表示因子圖模型中的所有參數。r＝{k,c,w,r,a}表示道路場景參數，是用來描述道路拓撲關系和幾何結構的隨機變量；其中k表示道路拓撲關系，c＝(x,z)表示路口中心在車體坐標系下的坐標，w表示道路寬度，r表示即將駛入的道路與車頭方向夾角，a表示當前道路與即將駛入的道路之間的夾角。

t＝{t1,...,tnt}表示車輛跟蹤參數，共有nt個參數；p＝{p1,...,pnp}表示行人跟蹤參數，共有np個參數；l＝{l1,...,lnl}表示道路滅點檢測結果，共有nl個參數；v＝{v1,...,vnv}表示車道線檢測結果，共有nv個參數；s＝{s1,...,sns}表示交通標志檢測結果，共有ns個參數。e＝{t,p,l,v,s}構成因子圖模型的觀測變量，也叫作數據證據。{e-t}是集合{p,l,v,s}的簡化表達，類似的，{e-p}表示集合{t,l,v,s，}{e-l}表示集合{t,p,v,s}，{e-v}表示集合{t,p,l,s}，{e-s}表示集合{t,p,l,v}。

在一個實施例中，電子設備具體可以根據以下公式(2)采用最大后驗概率估計方法預測道路場景參數r：

r＝argmaxrp(r|e,θ)公式(2)

其中，這里e表示當前道路元素參數，θ表示因子圖模型中的所有參數，r表示預測的道路場景參數，公式(2)表示預測的道路場景參數r使得概率p(r|e,θ)最大化。

步驟308，根據預測的道路場景參數生成行駛控制指令并輸出。

其中，行駛控制指令是可控制道路交通工具行駛的指令，比如控制道路交通工具的行駛方向、行駛速度或者剎車等。電子設備可直接將行駛控制指令輸出給道路交通工具的控制器，使得道路交通工具實現自動駕駛；電子設備也可以將行駛控制指令以可視提示方式或者語音播放方式輸出，比如提示改變行駛方向、提示改變行駛速度或者提示剎車等，以實現道路交通工具的導航。

上述道路交通工具行駛控制方法，利用實時感知結果的當前道路元素參數來預測道路場景參數，從而根據預測的道路場景參數來進行行駛控制，不再依賴于地圖數據，交通工具行駛控制的準確性得以增強。而且，通過因子圖來表達道路場景參數和多種道路元素相應的道路元素參數間的聯合分布概率密度函數，因子圖用圖結構描述全局目標函數的因式分解形式，將大規劃的全局運算劃分為簡單的局部運算，提高了行駛控制的效率。再者，通過因子圖模型可以將多種道路元素融合，可以考慮到道路元素參數之間的相關性，而不是假設彼此獨立，使得交通工具行駛控制符合真實道路場景，控制準確。

在一個實施例中，道路元素參數包括跟蹤目標參數；該方法還包括：根據因子圖模型和預測的道路場景參數預測跟蹤目標相對于道路位置；步驟308包括：根據預測的道路場景參數和預測的跟蹤目標相對于道路位置生成行駛控制指令并輸出。

其中，跟蹤目標比如車輛或者行人等運動目標，跟蹤目標參數比如上述的車輛跟蹤參數t或者行人跟蹤參數p。跟蹤目標相對于道路位置是指車輛或者行人等跟蹤目標相對于道路的位置關系。根據預測的道路目標相對于道路位置，電子設備可確定行駛的道路上存在的障礙物，與預測的道路場景參數結合，便可以確定可行的行進路線，從而生成相應的行駛控制指令并輸出。

在一個實施例中，電子設備具體可以根據以下公式(3)采用最大后驗概率估計方法預測車輛在道路中的位置：

其中，l表示當前所在道路的標識，lnt表示車輛tnt所在道路的標識，snt表示車輛跟蹤參數中的車輛位置的樣條模型的表達；t表示當前車輛的車輛跟蹤參數；r表示預測的道路場景參數；vl表示預測得到的車輛在道路中的位置的集合；vl表示預測的各個追蹤車輛在道路中的位置。對于行人也可以采用相同的方法求得行人在道路中的位置，具體將公式(3)中跟蹤車輛的信息替換為跟蹤行人的信息。

本實施例中，通過預測跟蹤目標相對于道路位置，在生成行駛控制指令時不僅考慮預測的道路場景參數，還會考慮預測的跟蹤目標相對于道路位置，這樣可以使得道路交通工具行駛更加智能化，應用于無人駕駛場景時會更加安全。

如圖4所示，在一個實施例中，在步驟302之前，該道路交通工具行駛控制方法還包括訓練因子圖模型的步驟，具體包括如下步驟：

步驟402，將多種道路元素進行參數化表達，得到相應的道路元素參數。

電子設備將各種道路元素進行坐標系的統一以及參數化表達，得到相應的道路元素參數。具體對于車道線可采用通過若干點的樣條模型表達，將樣條模型表達中的參數作為車道線相應的道路元素參數。道路滅點的道路元素參數可采用道路滅點在道路鳥瞰圖中的坐標位置。交通標志的道路元素參數可采用交通標志的位置及其語義表示。行人和車輛等跟蹤目標是動態數據，可采用每一幀視頻圖像中跟蹤目標的位置及其跟蹤模型的參數作為跟蹤目標的道路元素參數。

步驟404，根據各道路元素對應的道路元素參數分別構建概率圖模型。

具體地，由于道路交通環境中存在靜態的道路元素，比如車道線或者交通標志；也存在動態的道路元素，比如光流、行人或者車輛，這里對于靜態和動態的道路元素可分別采用不同類型的概率圖模型建模。具體對于靜態的道路元素可采用貝葉斯網絡(bn)模型建立概率圖模型，對于動態的道路元素可采用隱馬爾科夫(hmm)模型或者多重參考(mrf)模型建立概率圖模型。

步驟406，根據道路交通先驗知識將各概率圖模型連接，得到因子圖模型。

其中，道路交通先驗知識是已知的在道路交通環境中存在的信息，比如紅燈時車輛多數減速或者停車，道路路口處車輛速度較慢，車輛在左側道路超車，行人在道路兩旁，兩輛車不可能在相同位置等。道路交通先驗知識可以反映出各個道路元素參數之間的關聯，因此可利用交通先驗知識，將各概率圖模型連接中相關聯的節點連接，并標記相應的概率，從而將各概率圖模型統一起來形成復合概率圖模型。電子設備根據因子圖的表達規則，將復合概率圖模型重表達，以將有向圖模式的概率圖模型轉化為無向圖模式的因子圖模型。如圖5所示，將復合概率圖模型中的貝葉斯網絡模型和隱馬爾科夫模型分別進行因子圖表達，得到因子圖模型。

概率圖模型是對復雜不確定性問題進行建模、推理的重要工具之一，常用的概率圖模型主要包括貝葉斯網絡模型、馬爾科夫網絡模型以及因子圖模型等。其中因子圖模型是一種表示多元函數因式分解結構的二分圖，具有很強的表達能力。因子圖模型不僅可以表示貝葉斯網絡模型和馬爾科夫網絡模型所能夠表示的所有獨立性關系，還能夠表示她們所不能表示的獨立性關系。而且，貝葉斯網絡模型和馬爾科夫網絡模型只需經過簡單的步驟就可以轉化為因子圖模型。

步驟408，根據道路數據樣本訓練因子圖模型。

具體地，因子圖模型的訓練包括結構學習和參數學習。結構學習包括確定因子圖模型的節點和邊，以及節點與邊的連接方式，以及是否存在反饋回路等。電子設備可根據標記道路數據樣本進行各種道路場景下的道路場景參數及相應道路元素參數之間的依賴性聚類分析，確定因子圖模型中存在關聯的因子，從而學習因子圖模型的結構，將層次因子圖模型轉化為標準因子圖。進而通過一些bp(errorbackpropagation,誤差反向傳播)算法學習因子圖模型中的參數。

其中道路數據樣本可以是標記道路數據樣本，標記道路數據樣本是已標注預測結果和觀測變量的樣本。依賴性聚類分析具體可依據歐氏距離或者馬氏距離通過聚類算法(如k-means等非監督方法)進行聚類分析。層次因子圖模型是在標準因子圖模型基礎上增加了有關復合變量和復合因子，其中復合變量和 復合因子是在建模過程中可獲得的中間結果，將層次因子圖模型轉化為標準因子圖模型，可使得建模過程更加條理有序，也可以簡化因子圖模型的推理過程。

對因子圖模型的參數學習，具體可采用置信傳播(beliefpropagation)機制利用和積算法(sum-productalgorithm)。和積算法是常用的因子圖模型推理算法，采用和積算法訓練因子圖模型時，通過在因子圖模型相鄰結點間進行消息傳遞來實現邊緣概率分布函數的計算，邊緣概率是指某一組概率的加和。

在一個實施例中，電子設備可根據道路數據樣本載入根據道路交通先驗知識得到的先驗的因子圖模型，采用置信傳播機制并利用和積算法進行邊緣概率分布函數的計算，并驗證因子圖模型中節點之間的依賴關系，根據依賴關系進行減枝，逐步形成一個標準因子圖模型，實現因子圖模型的結構學習，進而根據道路數據樣本進行參數學習。

具體地，電子設備可對因子圖模型的兩兩道路元素的相應道路元素參數的節點，比如交通標志和車輛，道路和行人等，進行依賴關系的分析，這種依賴關系表示節點之間的相關性。如果因子間關系比較小就直接切掉因子圖模型中相應節點之間的邊關聯。對因子圖模型進行結構學習時可構建因子圖模型的觀測變量和關聯矩陣的代價函數，通過求取最小代價函數求得關聯矩陣，從而根據關聯矩陣進行減枝，其中關聯矩陣表示因子圖模型中節點之間的依賴關系。求取最小化代價函數是一個np-hard(非確定性多項式困難)問題，可采用模擬退火方式實現。

本實施例中，將各種道路元素進行參數化表達得到道路元素參數并構建概率圖模型，根據道路交通先驗知識將概率圖模型連接得到因子圖模型，可得到符合道路交通先驗知識的因子圖模型，進而利用道路數據樣本訓練因子圖模型，可使得因子圖模型能夠準確描述道路交通環境，使得電子設備可準確理解道路交通環境，進而準確地對道路交通工具的行駛進行控制。

在一個實施例中，道路數據樣本包括標記道路數據樣本和未標記道路數據樣本；步驟408具體包括：根據標記道路數據樣本和未標記道路數據樣本，采用半監督學習方式對因子圖模型進行結構學習和參數學習。

未標記道路數據樣本是指僅標記觀測變量而未標記預測結果的樣本。電子 設備可先確定標記道路數據樣本和未標記道路數據樣本的相似度，從而根據標記道路數據樣本所標注的預測結果來估計未標記道路數據樣本的預測結果，進而根據標記道路數據樣本、未標記道路數據樣本及估計的預測結果對因子圖模型進行結構學習和參數學習。計算相似度可考慮多種相似度，比如道路形態相似度、場景結構相似度以及語義相似度等，還可以將車道線與可行駛區域探測結果融合，建立道路及車道線形態樣本特征字典，從而根據車道線形態樣本特征字典中的特征矢量來度量相似度。

本實施例中，通過半監督學習方式訓練因子圖模型，可減少標注代價，提高因子圖模型的訓練效率。

在一個實施例中，因子圖模型是動態的；該道路交通工具行駛控制方法還包括：收集實時感知結果；根據收集的實時感知結果更新因子圖模型。具體地，電子設備可收集實時感知結果以及相應的預測結果作為標注道路數據樣本，或者收集實時感知結果作為未標注道路數據樣本，進一步對因子圖模型進行結構學習和/或參數學習。電子設備還可以基于大規模稀疏矩陣對因子圖模型進行優化。通過不斷更新因子圖模型，可以保持因子圖模型用于道路交通工具行駛控制的準確性。

在一個具體的應用場景中，道路交通工具行駛控制方法的整個流程如圖6所示。電子設備收集參與道路交通環境的各種道路元素的實時感知結果，實時感知結果可通過視覺系統或雷達系統等感知設備感知得到。各種道路元素比如車道線、道路滅點、交通標志、行人、車輛等，實時感知結果如車道線檢測結果、道路滅點檢測結果、交通標志檢測結果及其語義、行人跟蹤器的參數以及車輛跟蹤器的參數等。通過語義分割可識別各種道路元素。

進一步地，電子設備將實時感知結果進行參數化表達，得到道路元素參數；根據各道路元素對應的道路元素參數分別構建概率圖模型；根據道路交通先驗知識將各概率圖模型連接，得到復合概率圖模型，將復合概率圖模型轉化為動態因子圖。將道路場景參數和多種道路元素相應的道路元素參數間的聯合分布概率密度函數作為目標函數。

進一步地，電子設備基于時間和空間的關聯性，根據實時感知結果并采用 半監督學習方式對因子圖模型進行結構學習和參數學習，其中結構學習過程如圖7所示。利用更新的增量數據動態更新因子圖模型，并利用大規模稀疏矩陣優化因子圖模型。最終可采用例如metropolis-hastings算法的mcmc(markovchainmontecarlo，隨機模擬)算法來實現參數推理，如預測道路場景參數。

如圖8所示，在一個實施例中，提供了一種道路交通工具行駛控制裝置800，包括：數據獲取模塊801、預測模塊802和輸出模塊803。

數據獲取模塊801，用于獲取道路交通環境的實時感知結果；根據實時感知結果得到多種道路元素相應的當前道路元素參數。

預測模塊802，用于根據因子圖模型和當前道路元素參數預測道路場景參數；因子圖模型用于表達道路場景參數和多種道路元素相應的道路元素參數間的聯合分布概率密度函數。

輸出模塊803，用于根據預測的道路場景參數生成行駛控制指令并輸出。

上述道路交通工具行駛控制裝置800，利用實時感知結果的當前道路元素參數來預測道路場景參數，從而根據預測的道路場景參數來進行行駛控制，不再依賴于地圖數據，交通工具行駛控制的準確性得以增強。而且，通過因子圖來表達道路場景參數和多種道路元素相應的道路元素參數間的聯合分布概率密度函數，因子圖用圖結構描述全局目標函數的因式分解形式，將大規劃的全局運算劃分為簡單的局部運算，提高了行駛控制的效率。再者，通過因子圖模型可以將多種道路元素融合，可以考慮到道路元素參數之間的相關性，而不是假設彼此獨立，使得交通工具行駛控制符合真實道路場景，控制準確。

在一個實施例中，預測模塊802還用于根據因子圖模型和預測的道路場景參數預測跟蹤目標相對于道路位置。輸出模塊803還用于根據預測的道路場景參數和預測的跟蹤目標相對于道路位置生成行駛控制指令并輸出。

本實施例中，通過預測跟蹤目標相對于道路位置，在生成行駛控制指令時不僅考慮預測的道路場景參數，還會考慮預測的跟蹤目標相對于道路位置，這樣可以使得道路交通工具行駛更加智能化，應用于無人駕駛場景時會更加安全。

如圖9所示，在一個實施例中，道路交通工具行駛控制裝置800還包括： 因子圖模型訓練模塊804，用于將多種道路元素進行參數化表達，得到相應的道路元素參數；根據各道路元素對應的道路元素參數分別構建概率圖模型；根據道路交通先驗知識將各概率圖模型連接，得到因子圖模型；根據道路數據樣本訓練因子圖模型。

本實施例中，將各種道路元素進行參數化表達得到道路元素參數并構建概率圖模型，根據道路交通先驗知識將概率圖模型連接得到因子圖模型，可得到符合道路交通先驗知識的因子圖模型，進而利用道路數據樣本訓練因子圖模型，可使得因子圖模型能夠準確描述道路交通環境，使得電子設備可準確理解道路交通環境，進而準確地對道路交通工具的行駛進行控制。

在一個實施例中，道路數據樣本包括標記道路數據樣本和未標記道路數據樣本；因子圖模型訓練模塊804還用于根據標記道路數據樣本和未標記道路數據樣本，采用半監督學習方式對因子圖模型進行結構學習和參數學習。

本實施例中，通過半監督學習方式訓練因子圖模型，可減少標注代價，提高因子圖模型的訓練效率。

在一個實施例中，道路交通工具行駛控制裝置800還包括：因子圖模型更新模塊805，用于收集實時感知結果；根據收集的實時感知結果更新因子圖模型。

在一個實施例中，道路場景參數包括道路拓撲關系、路口中心位置、道路寬度、即將駛入的道路與車頭方向夾角以及當前道路與即將駛入的道路之間的夾角中的至少一種；道路元素參數包括車輛跟蹤參數、行人跟蹤參數、車道線檢測結果、道路滅點檢測結果以及交通標志檢測結果中的至少一種。

本領域普通技術人員可以理解實現上述實施例方法中的全部或部分流程，是可以通過計算機程序來指令相關的硬件來完成，該計算機程序可存儲于一計算機可讀取存儲介質中，該程序在執行時，可包括如上述各方法的實施例的流程。其中，前述的存儲介質可為磁碟、光盤、只讀存儲記憶體(read-onlymemory，rom)等非易失性存儲介質，或隨機存儲記憶體(randomaccessmemory，ram)等。

以上實施例的各技術特征可以進行任意的組合，為使描述簡潔，未對上述實施例中的各個技術特征所有可能的組合都進行描述，然而，只要這些技術特征的組合不存在矛盾，都應當認為是本說明書記載的范圍。

以上實施例僅表達了本發明的幾種實施方式，其描述較為具體和詳細，但并不能因此而理解為對發明專利范圍的限制。應當指出的是，對于本領域的普通技術人員來說，在不脫離本發明構思的前提下，還可以做出若干變形和改進，這些都屬于本發明的保護范圍。因此，本發明專利的保護范圍應以所附權利要求為準。