(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111197941.5 (22)申请日 2021.10.14 (71)申请人 华为技术有限公司 地址 518129 广东省深圳市龙岗区坂田华 为总部办公楼 (72)发明人 陈哲　温丰　刘镇波　 (74)专利代理 机构 北京华夏正 合知识产权代理 事务所(普通 合伙) 11017 代理人 韩登营 (51)Int.Cl. G01C 21/34(2006.01) G06N 20/00(2019.01) (54)发明名称 道路信息的识别方法、 装置、 电子 设备、 车辆 及介质 (57)摘要 本申请属于人工智能技术领域， 涉及该技术 领域下的道路识别技术。 具体提供一种道路信息 的识别方法， 包括： 接收多种模态的道路环境数 据； 其中， 道路环境包括车道区域的环境和无车 道区域的环 境。 根据多种模态的道路环境数据进 行拓扑解析， 获得道路的车道级的拓扑连接关 系， 其中， 道路的车道级的拓扑连接关系用于表 示道路中车道之间的相互位置关系和车道的连 接情况。 基于道路的车道级的拓扑连接关系确定 道路的道路信息。 基于本申请提供的技术方案， 不仅可以实时识别车辆所处车道间相互位置的 拓扑结构信息， 还可以识别出车道连接的拓扑结 构信息， 为后续本车自动驾驶路线的规划、 控制 以及它车 行驶路线的预测提供指导。 权利要求书3页 说明书16页 附图5页 CN 113945222 A 2022.01.18 CN 113945222 A 1.一种道路信息的识别方法， 其特 征在于， 包括： 接收多种模态 的道路环境数据； 其中， 所述道路环境包括车道区域的环境和无车道区 域的环境； 根据所述多种 模态的道路环境数据进行拓扑解析， 获得所述道路的车道级的拓扑连接 关系， 其中， 所述道路的车道级的拓扑连接关系用于表示所述道路中车道之间的相互位置 关系和所述车道的连接情况； 基于所述道路的车道级的拓扑 连接关系确定所述道路的道路信息 。 2.根据权利要求1所述的方法， 其特 征在于， 所述道路的车道级的拓扑 连接关系包括： 车道区域的车道间的拓扑连接关系、 无车道区域的虚拟车道间的拓扑连接关系、 以及 车道区域的车道和无 车道区域的虚拟车道间的拓扑 连接关系。 3.根据权利要求2所述的方法， 其特征在于， 在获得所述无车道区域的虚拟车道间的拓 扑连接关系之前， 以及获得所述车道区域的车道和无车道区域的虚拟车道间的拓扑连接关 系之前， 还 包括： 根据所述多种模态的道路环境确定所述无 车道区域的虚拟车道。 4.根据权利要求1所述的方法， 其特 征在于， 所述多种模态的道路环境数据包括： 所述道路环境的原始数据、 所述道路环境的感知数据、 和/或所述道路环境的先验数 据。 5.根据权利要求4所述的方法， 其特征在于， 所述根据所述多种 模态的道路环境数据进 行拓扑解析， 获得 所述道路的车道级的拓扑 连接关系， 包括： 对所述多种模态的道路环境数据进行融合， 获得融合数据； 对所述融合数据进行拓扑解析， 获得 所述道路的车道级的拓扑 连接关系。 6.根据权利要求1所述的方法， 其特征在于， 所述基于所述道路的车道级的拓扑连接关 系确定所述道路的道路信息， 包括： 根据所述多种模态的道路环境数据进行语义解析， 获得所述道路的车道级的语义信 息； 将所述道路的车道级的拓扑连接关系和所述道路的车道级的语义信 息进行结合， 获得 所述道路的道路信息 。 7.根据权利要求6所述的方法， 其特征在于， 所述道路的道路信 息利用道路信 息模型获 得； 其中， 所述道路信息模型 是基于神经网络训练得到的。 8.根据权利要求7所述的方法， 其特征在于， 所述道路信 息模型是基于神经网络训练得 到的， 包括： 获取训练样本 中的所述道路环境数据和与 所述道路环境数据对应的所述道路信 息； 其 中， 所述道路信息通过 预先标注获得； 将所述训练样本 中的所述道路环境数据作为训练所述道路信 息模型时的输入数据， 将 所述与所述道路环境数据对应的所述道路信息作为训练所述道路信息模型时的期望输出 数据， 对所述道路信息模型进行训练， 以获得 所述道路信息模型。 9.一种道路信息的识别装置， 其特 征在于， 包括： 接收模块， 用于接收多种模态的道路环境数据； 其中， 所述道路环境包括车道区域的环 境和无车道区域的环境；权　利　要　求　书 1/3 页 2 CN 113945222 A 2解析模块， 用于根据所述多种模态的道路环境数据进行拓扑解析， 获得所述道路的车 道级的拓扑连接关系， 其中， 所述道路的车道级的拓扑连接关系用于表示所述道路中车道 之间的相互位置关系和所述车道的连接情况； 确定模块， 用于基于所述道路的车道级的拓扑 连接关系确定所述道路的道路信息 。 10.根据权利要求9所述的装置， 其特征在于， 所述解析模块中的所述道路的车道级的 拓扑连接关系具体包括： 车道区域的车道间的拓扑连接关系、 无车道区域的虚拟车道间的拓扑连接关系、 以及 车道区域的车道和无 车道区域的虚拟车道间的拓扑 连接关系。 11.根据权利要求10所述的装置， 其特征在于， 在获得所述无车道区域的虚拟车道间的 拓扑连接关系之前， 以及获得所述车道区域的车道和无车道区域的虚拟车道间的拓扑连接 关系之前， 还 包括： 根据所述多种模态的道路环境确定所述无 车道区域的虚拟车道。 12.根据权利要求9所述的装置， 其特 征在于， 所述多种模态的道路环境数据包括： 道路环境的原 始数据、 道路环境的感知数据、 和/或道路环境的先验数据。 13.根据权利要求12所述的装置， 其特 征在于， 所述 解析模块具体用于： 对所述多种模态的道路环境数据进行融合， 获得融合数据； 对所述融合数据进行拓扑解析， 获得 所述道路的车道级的拓扑 连接关系。 14.根据权利要求9所述的装置， 其特 征在于， 所述确定模块具体用于： 根据所述多种模态的道路环境数据进行语义解析， 获得所述道路的车道级的语义信 息； 将所述道路的车道级的拓扑连接关系和所述道路的车道级的语义信 息进行结合， 获得 所述道路的道路信息 。 15.根据权利要求14所述的装置， 其特征在于， 所述道路的道路信 息利用道路信 息模型 获得； 其中， 所述道路信息模型 是基于神经网络训练得到的。 16.根据权利要求15所述的装置， 其特征在于， 所述道路信 息模型是基于神经网络训练 得到的， 包括： 获取训练样本 中的所述道路环境数据和与 所述道路环境数据对应的所述车道结构； 其 中， 所述道路信息通过 预先标注获得； 将所述训练样本 中的所述道路环境数据作为训练所述道路信 息模型时的输入数据， 将 所述与所述道路环境数据对应的所述道路信息作为训练所述道路信息模型时的期望输出 数据， 对所述道路信息模型进行训练， 以获得 所述道路信息模型。 17.一种电子设备， 其特 征在于， 包括： 处理器， 以及存 储器； 所述存储器， 其上存储有程序指令， 所述程序指令当被所述处理器执行时使得所述处 理器执行权利要求1 ‑8任一项所述的道路信息的识别方法。 18.一种电子设备， 其特 征在于， 包括： 处理器， 以及接口电路； 其中， 通过所述接口电路访 问处理器， 所述处理器被配置为调用存储在存储器中的程 序指令， 所述程序指令当被执行时使得所述处理器执行权利要求1 ‑8任一项所述的道路信权　利　要　求　书 2/3 页 3 CN 113945222 A 3