车辆诱导数据生成方法、装置、电子设备及计算机存储介质

技术领域

本申请实施例涉及高精度地图技术领域，尤其涉及一种车辆诱导数据生成方法、装置、电子设备及计算机存储介质。

背景技术

为保证自动驾驶车辆能够在目标路段内进行安全、有效的行驶，尤其在复杂道路环境下具有较好的适应性和交互性，突出拟人化的驾驶控制方式，需要增加车端的有效控制输入。

目前高精度地图主要由道路层、车道层、设施层等图层构成，能够较充分表达车辆周围道路环境，对车辆路径规划进行一定引导，但是引入的地图元素均以静态图层为主，对车端的安全和舒适性相关的控制约束引入较少，甚至没有考虑。基于此，目前车端控制多以雷达、激光扫描系统和摄像机融合观测目标物体特征，并进行决策控制。但由于缺少诱导控制点的提醒和输入，难以进行实时有效的决策和控制，易导致自动驾驶行为决策较晚，或者控制输入过于激进。

目前常见的高精度地图应用主要体现在目标路径的全局规划和车道级规划，并没有基于道路环境的诱导控制点的建模，难以提供有效的局部路径规划推荐。因此为提高对自动驾驶车辆进行实时有效的控制，需要基于安全和舒适相关诱导控制点的提前输入，对车辆进行多层级、分阶段控制以改善车端的对驾驶环境的提前预测和匹配，达到拟人化车辆行为的目的。

发明内容

有鉴于此，本申请实施例提供一种车辆诱导数据生成方法、装置、电子设备及计算机存储介质，以至少部分解决上述问题。

根据本申请实施例的第一方面，提供了一种车辆诱导数据生成方法，包括：

根据目标路段的地图数据、多个车辆行为数据、多个交通流交互数据，生成所述目标路段的多个地图特征数据；

根据各所述车辆行为数据与各所述地图特征数据之间的映射关系，确定每个所述车辆行为数据的地图特征数据集，其中，每个所述地图特征数据集包括多个所述地图特征数据；

根据每个所述车辆行为数据的所述地图特征数据集与所述目标路段的所述地图数据执行匹配，生成所述目标路段的目标车辆诱导数据。

根据本申请实施例的第二方面，提供了一种车辆诱导数据生成装置，其特征在于，包括：

第一生成模块，用于根据目标路段的地图数据、多个车辆行为数据、多个交通流交互数据，生成所述目标路段的多个地图特征数据；

确定模块，用于根据各所述车辆行为数据与各所述地图特征数据之间的映射关系，确定每个所述车辆行为数据的地图特征数据集，其中，每个所述地图特征数据集包括多个所述地图特征数据；

第二生成模块，用于根据每个所述车辆行为数据的所述地图特征数据集与所述目标路段的所述地图数据执行匹配，生成所述目标路段的目标车辆诱导数据。

根据本申请实施例的第三方面，提供了一种电子设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如第一方面所述的生成车辆高精诱导控制点的方法对应的操作。

根据本申请实施例的第四方面，提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面所述的生成车辆高精诱导控制点的方法。

根据本申请实施例提供的车辆诱导数据生成方法，可以基于现有高精度地图的静态图层等信息，增加诱导控制点图层，完善了高精度地图的提醒点位和控制点位信息，提升自动驾驶车辆对外界环境的鲁棒性。并且通过诱导控制点的引入，能够增加对自动驾驶车辆决策控制的输入，提前对车辆进行分段多层次控制，实现车辆平稳、安全、高效行驶。也可以将驾驶员动态数据进行参数抽象，使自动驾驶车辆在行驶体验端更加拟人化。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请实施例中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。

图1为根据本申请第一方面的一种车辆诱导数据生成方法的步骤流程图；

图2为根据本申请第一方面的一种车辆诱导数据生成方法的步骤S1的分步流程图；

图3为根据本申请第一方面的一种车辆诱导数据生成方法的步骤S2的分步流程图；

图4为根据本申请第一方面的一种车辆诱导数据生成方法的步骤S3的分步流程图；

图5为根据本申请第二方面的一种车辆诱导数据生成装置的结构图；

图6为根据本申请第三方面的一种电子设备的结构示意图。

具体实施方式

为了使本领域的人员更好地理解本申请实施例中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请实施例一部分实施例，而不是全部的实施例。基于本申请实施例中的实施例，本领域普通技术人员所获得的所有其他实施例，都应当属于本申请实施例保护的范围。

下面结合本申请实施例附图进一步说明本申请实施例具体实现。

根据本申请的第一方面实施例的一种车辆诱导数据生成方法，如图1所示，包括如下步骤：

S1：根据目标路段的地图数据、多个车辆行为数据和多个交通流交互数据，生成目标路段的多个地图特征数据；

在该步骤中，通过对目标路段的地图数据、多个车辆行为数据和多个交通流交互数据之间的配合，以及数据之间的匹配，获取到目标路段的低头特征数据，地图特征数据可以包括目标路段的导航信息，例如车道信息、导航点、限速指示牌、或者匝道出口指示标识等等。

S2：根据各车辆行为数据与各地图特征数据之间的映射关系，确定每个车辆行为数据的地图特征数据集，其中，每个地图特征数据集包括多个地图特征数据；

在该步骤中，通过将车辆的车辆行为数据与地图特征数据映射，可以有效的确定车辆在目标路段的车辆行为数据，即包括了车辆的驾驶行为的数据。并且与目标路段的地图数据进行映射后，会得到两者之间的映射关系，从而可以有效的了解车辆在该目标路段所做出的驾驶行为所对应的道路状况或者环境因素。因此可以更精准的对车辆在面对不同的道路状况所做出的驾驶行为进行采集。从而根据映射关系对车辆的车辆行为数据进行记录，形成地图特征数据集。

其中，每个地图特征数据集包括多个地图数据，即每个地图特征数据集可以包括车辆行驶的多个路段的地图数据。

S3：根据每个车辆行为数据的地图特征数据集与目标路段的地图数据执行匹配，生成目标路段的目标车辆诱导数据。

在该步骤中，将上一步获取的地图特征数据集与地图数据匹配，地图数据如前文所说可以包括例如车道信息、导航点、限速指示牌、或者匝道出口指示标识等等。因此地图特征数据集与地图数据两者之间的数据不匹配，则可以得到地图特征数据中所进行增设的数据信息。也就是说，可以将地图特征数据集中存在，而并未在地图数据中存在的数据增设为目标车辆诱导数据，从而可以在地图上增加更多精确的诱导点。

因此，自动导航车辆在根据增加了目标车辆诱导数据的地图之后，可以更好的根据地图进行自动驾驶，具有更好的拟人化驾驶能力。

根据本申请的车辆诱导数据生成方法，可以基于现有的地图，例如高精度地图。通过获取高精地图的现有信息，例如静态图层等信息，增加目标车辆诱导数据，完善了高精度地图的提醒点位和控制点位信息，提升自动驾驶车辆对外界环境的鲁棒性。并且通过目标车辆诱导数据的引入，能够增加对自动驾驶车辆决策控制的输入，提前对车辆进行分段多层次控制，实现车辆平稳、安全、高效行驶。也可以将驾驶员动态数据进行参数抽象，使自动驾驶车辆在行驶体验端更加拟人化。

进一步地，在步骤S1中，还包括如图2所示的如下步骤：

步骤S101：基于目标路段的初始地点和目标地点在地图选取多个初始路径，并确认多个初始路径的地图数据；

具体地，在该步骤中，在选取了车辆的运行的目标路段的初始地点和目标地点后，可以在地图获取到多条路径。需要说明的是，在本申请中所说的地图可以是高精地图，下文均以高精地图进行说明。前文所说的路径是为车辆由初始地点运行到目标地点提供的多种运行路径的选择方案。因此，多条路径均可以作为初始路径。

例如初始地点为A点，目标地点为B点，则由A点至B点会有多条可选路线。由此可以在基于地图的基础上，基于多条路径的全局路径，并进行整体的运行路径的规划。

需要说明的是，初始路径至少包括初始地点和目标地点，还可以包括由初始地点至目标地点的多条路径可经过的多个途径地点。例如由A点至B点，其中一条路径能够经过C点和D点等。则A点至B点的路径可以理解为A点至C点，再由C点至D点，最后由D点到B点。

其中，在由地图获取到初始路径后，可以通过地图确认多个初始路径的地图数据，地图数据包括道路信息、车道信息、导航点信息和车道通行规则信息等。

由此可以对目标路径的基本信息，便于后续步骤的操作。

步骤S102：获取车辆在多个初始路径的驾驶行为，以及由驾驶行为产生的车辆行为数据和交通流交互数据；

在该步骤中，根据车辆在初始路径的驾驶行为，可以获得车辆的驾驶行为数据。需要说明的是，此处所说的车辆为行驶路径上大量的通过车辆。例如在该初始路径上经过一百辆车辆，则每辆车均有自己的驾驶行为。因此，可以获得一百辆车的驾驶行为数据。即第一特征行为数据。

同时，由于在初始路径经过的车辆均有自己的驾驶行为，并且每个驾驶行为均会在互相之间发生影响。例如在初始路径经过两辆车，两辆车在相邻的车道行驶。其中一辆车需要变道至相邻车道，则在相邻车道的车辆可能需要减速进行避让。或者可以是需要变道的车辆先减速避让相邻车道的车辆优先通过之后再变道。因此每种驾驶行为均可能会对周围的车辆产生影响，即产生交通流交互数据。

交通流交互数据通过典型交通流场景工况采集产生，对于交通流交互数据的采集，可以是专用的数据采集工程车等实现采集，也可以是通过路边的监控探头等获取。

由此，可以通过上述的方式获取到在该目标路径通过的车辆的驾驶行为产生的车辆行为数据和交通流交互数据，从而可以对该目标路径的上的车辆的运行方式进行统计。

步骤S103：基于车辆行为数据和交通流交互数据，建立地图特征数据，地图特征数据包括与车辆行为数据对应的第一点位数据和与交通流交互数据对应的第二点位数据。

在该步骤中，第一点位数据根据车辆行为数据获取，第二点位数据由交通流交互数据获取。第一点位数据和第二点位数据即为多个点位的位置设置数据。

可以理解的是，在车辆做出驾驶行为后，会产生车辆行为数据。则对应的行为在初始路径上的某一点发生，即将该点记录为一个点位。

换言之，可以理解为车辆在该点位做出某一驾驶行为。因此，车辆由初始路径运行的过程中会做出多种驾驶行为，则对应的车辆行为数据可以是包括较多的行为的数据，由此对应多种行为可以在初始路径上设置多个点位，即生成第一点位数据。

相应地，车辆在应对交通流中，由于自身的及时行为，或其它车辆的及时行为也会产生多种行为数据，即交通流交互数据。从而需要根据交通流交互数据设置多个点位，即生成第二点位数据。同时，可以理解的是，交通流交互数据表示因周围交通交互作用所产生的数据，较多的体现在动态数据。

此外，车辆行为数据和交通流交互数据主要指在行驶过程中因路径规划所产生的换道、超车、转弯、切入、调头等工况。

总的来说，即根据初始路径上的车辆，可以为多个车辆的驾驶行为以及互相影响的交通流而产生的车辆行为数据和交通流交互数据，在初始路径上设立可以记录车辆的驾驶行为的发生点的点位信息，即第一点位数据和第二点位数据。

进一步地，在步骤S2中，还包括如图3所示的如下步骤：

步骤S201：通过第一预定算法计算车辆的车辆行为数据与第一点位数据和第二点位数据之间的映射关系，并通过映射关系对第一点位数据和第二点位数据赋予特征属性以获得第一目标点位数据和第二目标点位数据；

在该步骤中，通过车辆的驾驶行为产生的车辆行为数据与设定的点位进行对应，即将车辆所做出驾驶行为与发生点进行对应，获得一个映射关系。也就是说，将第一行为特征与第一点位数据和第二点位数据之间进行联系获得映射关系。

通过映射关系对第一点位数据和第二点位数据赋予特征属性以获得第一目标点位数据和第二目标点位数据。即在将车辆的驾驶行为与发生的点位得到映射关系后，可以根据车辆的行为为对应的点位赋予特征属性。换言之，映射关系主要指车辆在该点位数据所产生的特征行为，其中由于车辆采集数据频率较高，可以多个特征点对应一个特征行为。

例如，在某一点位，有的车辆在该点位进行减速，有的车辆在该点位进行变道，有的车辆在该点位转弯。并且统计后，可以得到50％的车辆在该点位减速，20％的车辆在该点位变道，30％的车辆在该点位转弯，由此可以得到，大部分车辆在该点位进行了减速。因此可以对该点位赋予特征属性为减速点位。

同时，部分车辆在该点位的或前或后一定距离内进行了驾驶行为的改变，若均是减速行为，则统一为一个点位即可。因此获得有效的点位信息，得到第一目标定位数据和第二目标点位数据。

此处需要说明的是，其中车辆行为主要包括换道、超车、转弯、切入、调头等高速和城区工况。

步骤S202：通过权重计算多个初始路径的全局路径和局部路径以得到目标路径，基于目标路径对车辆行为数据分解以在第一目标点位和第二目标点位中进行筛选并获得地图特征数据集；

在该步骤中，通过分析所有初始路径的全局路径和局部路径可以得到多数车辆在初始地点至目标地点的路径选择因此可以获得一条路径，即目标路径。

根据目标路径上车辆的驾驶行为获得的第一行为特征，并对车辆的车辆行为数据分解获得车辆的多个局部行为数据。例如车辆在初始路径的运行进行了多次变道、减速或拐弯等驾驶行为。因此可以将每一次驾驶行为的变化分解为一个局部行为数据。

从而可以得到车辆从初始地点至目标地点的最优路径的对应驾驶行为的点位的信息，并对第一目标点位数据和第二目标点位数据中的点位筛选，得到有效的地图特征数据集。

在该步骤中，需要根据的是多个初始路径的全局路径和局部路径的全局考虑车辆所能到达目的地的驾驶行为，例如换道、超车、转弯、切入、调头等高速和城区工况。

基于该步骤中的驾驶行为，会与前一步骤S201中的行为特征数据进行数据统计对比保留相同项。同时对于S201和S202中不同的特征行为，会通过车辆的状态参数进行权重分配，保留大权重行为特征，舍弃小权重行为特征。

最终基于S201更新特征点数据和特征行为的映射关系。需要说明的是，全局路径和局部轨迹最优权重计算方法是由车辆规划控制模块提供。

进一步地，在步骤S3中，还包括如图4所示的如下步骤：

步骤S301：对地图特征数据集和第二点位数据进行筛选以获得目标点位数据集；

在该步骤中，由于设定的点位可能会出现重复、过于密集等问题，需要对点位进行筛选。因此将上步获得的地图特征数据集与第二点位数据对比，将重复的多余点位删除。或者可以根据权重计算的方式，将权重较小的点位去掉，保留权重较大的点位。可以保证设立的点位的疏密性。

其中，原则上优先淘汰交通流交互特征数据产生的点位信息。由于车辆的驾驶行为所产生的车辆行为数据主要由道路环境所产生，属于静态数据，具有相对稳定、可靠的性质，故权重较大，具体的权重分配需要基于道路环境和交通流模型进行统计分析标定。

例如，经过对比，发现车辆在该路径上，某一路段都发生减速。虽然减速的位置不同，但是减速的点位之间间隔在一定距离内。间隔距离可以为十米或二十米，因此会导致设立的点位过于密集，而车辆只需要在该路段的某一点位减速即可，并不需要再减速后到达下一点位时再次减速，因此需要将多余的点位删除。

由此可知，合理的疏密性需要基于常规车辆状态参数进行设定，保证车辆能够平稳、可靠、高效的从一个点位行驶至下一个邻近点位。

步骤S302：将目标点位数据集与地图数据执行匹配，并基于目标点位数据集中与地图数据的未匹配数据生成初始车辆诱导数据；

在该步骤中，保留下的有效点位即为目标地图特征数据集，通过与地图的导航点对比。可以筛选出地图原有的导航点和地图未设置的导航点。因此可以在地图未设置导航点的位置设置初始车辆诱导数据。从而既可以减小初始车辆诱导数据的设定工作量，又可以保证初始车辆诱导数据的点位设置的精确度，避免重复点位。也可以保证车辆的平稳运行。需要说明的是，地图原有的导航点可以为如前文所说的导航点、匝道出口指示或者限速指示等提醒。

需要说明的是导航点主要指高精度地图中的车道拓扑关系变化的节点，主要包括匝道点、道路消亡点、道路分叉点、道路生成点等。

步骤S303：基于地图数据将初始车辆诱导数据映射至目标路径的车道；

在该步骤中，针对上一步骤设定的初始车辆诱导数据，进一步的对初始车辆诱导数据的设置位置进行精确，精确到具体的车道。例如在该点位车辆进行了减速。但是该路径为三车道，而中间车道的车辆发生了减速。因此将减速的初始车辆诱导数据设定至该路径的中间车道处。

换言之，将初始车辆诱导数据绑定至具体车道关系，能够直接通过该车道的初始车辆诱导数据提醒或控制车辆所在的车道。

其中初始车辆诱导数据一般绑定在车道相关的元素上，表示车道属性的一部分，更适合做车道级规划。

步骤S304：建立基于初始车辆诱导数据、地图数据和目标路径的全局路径的逻辑关系和局部路径模型，通过初始车辆诱导数据形成局部路径引导，并对初始车辆诱导数据修正以生成目标车辆诱导数据。

在该步骤中，建立初始车辆诱导数据、导航点、全局路径规划数据信息三者之间的逻辑关系指基于全局路径规划的代价函数，例如优化目标函数相关。进行初始车辆诱导数据和导航点之间的轨迹生成和优化。对于轨迹生成和优化会基于全局路径规划的代价函数进行舒适、中等、激进进行分类。

其中初始车辆诱导数据和导航点会进行局部轨迹匹配，小范围修正初始车辆诱导数据的坐标，满足车辆动力学和轨迹行驶需求。

在设定初始车辆诱导数据后可以在基于地图上形成具有初始车辆诱导数据图层的地图。为了是初始车辆诱导数据的设置位置更加精确。可以基于上述所建初始车辆诱导数据的图层，进行自动驾驶实车测试验证，并对比实车轨迹进行逼近优化。

在本申请的一些实施例中，初始路径的地图数据包括道路信息、车道信息、导航点信息和车道通行规则信息。具体地，其中由地图得到的初始路径的地图数据由高精数据模块装置产生。道路信息包括道路拓扑、通行规则、车道集合、护栏和道路边沿等信息。车道信息包括车道边线、车道中心线和车道宽度等信息。导航点信息包括匝道点、道路消亡点、道路分离点和道路生成点等信息。车道通行规则信息包括直行、左转、右转、以及左转加右转、左转加直行和右转加直行等信息。

在本申请的一些实施例中，车辆行为数据包括车辆的控制变化数据、横向参数变化数据、纵向参数变化数据、诱导信息变化数据和交通规则诱导数据。

具体地，车端变化剧烈数据主要指车辆超出或接近正常驾驶参数的范围数据，会将产生这些数据与其对应的特征点进行映射。车辆横向参数主要指车轮或者方向盘转向角、转向速率、转向扭矩、横向速率、横向位移、横摆角、航向角等参数。车辆纵向控制参数主要指纵向加速度、速度、位移、俯仰角等。诱导驾驶信息数据明显变化的数据主要指道路环境所产生影响的数据。交通规则诱导数据主要指因交通规则限制而产生的数据，比如在左转道的车辆需要进行右转，需要进行转向参数的产生。围交通流交互数据主要指因周围交通交互作用所产生的数据，较多的体现在动态数据。

需要说明的是，上述数据的采集，可以通过专业的数据采集车辆，并且车辆应该具有地图数据发生装置、激光扫描系统、雷达、摄像机、车辆状态参数采集装置等传感和采集装置。

在本申请的一些实施例中，基于车辆行为数据和交通流交互数据，分别建立对应的第一点位数据和第二点位数据，包括通过贝叶斯分类器、决策树、神经网络中的至少一种方式对提取第一点位数据，通过交通流场景数据识别算法提取第二点位数据。具体数据的类型如前文，此处不再赘述。

在本申请的一些实施例中，第一预定算法包括概率论或AI网络算法中的至少一种。

也可以为其它智能算法，通过智能算法可以有效的提升计算的速度。并且通过智能算法可以有效的将车辆的行为，例如换道、超车、转弯、切入、调头等高速和城区工况与实际的点位进行关联。提升自动驾驶车辆的拟人驾驶的智能性。

在本申请的一些实施例中，将目标地图特征数据集与地图的导航点对比，筛选出目标地图特征数据集中与地图的导航点未重合的点位数据并设立初始车辆诱导数据，包括：

若目标地图特征数据集中与地图的导航点未重合的点位数据至导航点的距离小于检测前跟踪距离(trace-before-detect，TBD)距离，则保留导航点；

若目标地图特征数据集中与地图的导航点未重合的点位数据至导航点的距离大于TBD距离，则保留导航点和初始车辆诱导数据。

具体地，在将目标地图特征数据集与导航点进行对比后。若存在与导航点未重合的点位。需要将该点位与导航点之间的距离与检测前跟踪距离(trace-before-detect，TBD)比较，若超过检测前跟踪距离(trace-before-detect，TBD)则保留该点位和导航点，若未超过检测前跟踪距离(trace-before-detect，TBD)，则仅保留导航点即可。

也可以以导航点为圆心，以检测前跟踪距离(trace-before-detect，TBD)为半径，进行特征点帅选。若未与导航点重合的点位在圆形区域内，则仅保留导航点。若未与导航点重合的点位不在圆形区域内，则保留该点位。

本申请并不限于此，上述基于地图设置初始车辆诱导数据的方法中，需要再地图所定义的运营设计域范围(Operational Design Domain，即ODD)内实现，即地图所显示出车辆可以行驶的区域，而车辆不能行驶或不支持车辆行驶的区域，无需进行初始车辆诱导数据的设置。

根据本申请的第二方面实施例的一种车辆诱导数据生成装置，如图5所示，包括：

第一生成模块，用于根据目标路段的地图数据、多个车辆行为数据、多个交通流交互数据，生成目标路段的多个地图特征数据；

确定模块，用于根据各车辆行为数据与各地图特征数据之间的映射关系，确定每个车辆行为数据的地图特征数据集，其中，每个地图特征数据集包括多个地图特征数据；

第二生成模块，用于根据每个车辆行为数据的地图特征数据集与目标路段的地图数据执行匹配，生成目标路段的车辆诱导数据。

根据本申请用于车辆诱导数据生成装置，可以基于现有高精度地图的静态图层等信息，增加初始车辆诱导数据图层，完善了高精度地图的提醒点位和控制点位信息，提升自动驾驶车辆对外界环境的鲁棒性。并且通过初始车辆诱导数据的引入，能够增加对自动驾驶车辆决策控制的输入，提前对车辆进行分段多层次控制，实现车辆平稳、安全、高效行驶。也可以将驾驶员动态数据进行参数抽象，使自动驾驶车辆在行驶体验端更加拟人化。

在本申请的一些实施例中，第一生成模块还用于基于目标路段的初始地点和目标地点在地图选取多个初始路径，并确认多个初始路径的地图数据；

第一生成模块还用于获取车辆在多个初始路径的驾驶行为，以及由驾驶行为产生的车辆行为数据和交通流交互数据；

第一生成模块还用于基于车辆行为数据和交通流交互数据，建立地图特征数据，地图特征数据包括与车辆行为数据对应的第一点位数据和与交通流交互数据对应的第二点位数据。

在本申请的一些实施例中，确定模块还用于通过第一预定算法计算车辆行为数据与第一点位数据和第二点位数据之间的映射关系，并通过映射关系对第一点位数据和第二点位数据赋予特征属性以获得第一目标点位数据和第二目标点位数据；

确定模块还用于通过权重计算多个初始路径的全局路径和局部路径以得到目标路径，基于目标路径对车辆行为数据分解以在第一目标点位和第二目标点位中进行筛选并获得地图特征数据集。

在本申请的一些实施例中，第二生成模块还用于对地图特征数据集和第二点位数据进行筛选以获得目标点位数据集；

第二生成模块还用于将目标点位数据集与地图数据执行匹配，并基于目标点位数据集中与地图数据的未匹配数据生成初始车辆诱导数据；

第二生成模块还用于基于地图数据将初始车辆诱导数据映射至目标路径的车道；

第二生成模块还用于建立基于初始车辆诱导数据、地图数据和目标路径的全局路径的逻辑关系和局部路径模型，通过初始车辆诱导数据形成局部路径引导，并对初始车辆诱导数据修正以生成目标车辆诱导数据。

本实施例的车辆诱导数据生成装置用于实现前述多个方法实施例中相应的死锁处理方法，并具有相应的方法实施例的有益效果，在此不再赘述。此外，本实施例的车辆诱导数据生成装置中的各个模块的功能实现均可参照前述方法实施例中的相应部分的描述，在此亦不再赘述。

根据本申请的第三方面实施例的一种电子设备，包括：处理器、存储器、通信接口和通信总线，处理器、存储器和通信接口通过通信总线完成相互间的通信；存储器用于存放至少一可执行指令，可执行指令使处理器执行如本申请的第一方面实施例的车辆诱导数据生成方法对应的操作。

参照图6，示出了根据本申请实施例五的一种电子设备的结构示意图，本申请具体实施例并不对电子设备的具体实现做限定。

如图6所示，该电子设备可以包括：处理器(processor)602、通信接口(Communications Interface)604、存储器(memory)606、以及通信总线608。

其中：

处理器602、通信接口604、以及存储器606通过通信总线608完成相互间的通信。

通信接口604，用于与其它电子设备或服务器进行通信。

处理器602，用于执行程序610，具体可以执行上述车辆诱导数据生成方法实施例中的相关步骤。

具体地，程序610可以包括程序代码，该程序代码包括计算机操作指令。

处理器602可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本申请实施例的一个或多个集成电路。智能设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。

存储器606，用于存放程序610。存储器606可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。

程序610具体可以用于使得处理器602执行以下操作：

程序610中各步骤的具体实现可以参见上述车辆诱导数据生成方法实施例中的相应步骤和单元中对应的描述，在此不赘述。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的设备和模块的具体工作过程，可以参考前述方法实施例中的对应过程描述，在此不再赘述。

通过本实施例的电子设备，可以有效的实现上述车辆诱导数据生成方法。可以基于现有高精度地图的静态图层等信息，增加诱导控制点图层，完善了高精度地图的提醒点位和控制点位信息，提升自动驾驶车辆对外界环境的鲁棒性。并且通过诱导控制点的引入，能够增加对自动驾驶车辆决策控制的输入，提前对车辆进行分段多层次控制，实现车辆平稳、安全、高效行驶。也可以将驾驶员动态数据进行参数抽象，使自动驾驶车辆在行驶体验端更加拟人化。

本实施例的车辆诱导数据生成方法可以由任意适当的具有数据处理能力的电子设备执行，包括但不限于：服务器、移动终端(如手机、PAD等)和PC机等。

根据本申请的第四方面实施例的一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现本申请的第一方面实施例的车辆诱导数据生成方法。

需要指出，根据实施的需要，可将本申请实施例中描述的各个部件/步骤拆分为更多部件/步骤，也可将两个或多个部件/步骤或者部件/步骤的部分操作组合成新的部件/步骤，以实现本申请实施例的目的。

上述根据本申请实施例的方法可在硬件、固件中实现，或者被实现为可存储在记录介质(诸如CD ROM、RAM、软盘、硬盘或磁光盘)中的软件或计算机代码，或者被实现通过网络下载的原始存储在远程记录介质或非暂时机器可读介质中并将被存储在本地记录介质中的计算机代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件(诸如ASIC或FPGA)的记录介质上的这样的软件处理。可以理解，计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件(例如，RAM、ROM、闪存等)，当软件或计算机代码被计算机、处理器或硬件访问且执行时，实现在此描述的车辆诱导数据生成方法。此外，当通用计算机访问用于实现在此示出的车辆诱导数据生成方法的代码时，代码的执行将通用计算机转换为用于执行在此示出的车辆诱导数据生成方法的专用计算机。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及方法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请实施例的范围。

以上实施方式仅用于说明本申请实施例，而并非对本申请实施例的限制，有关技术领域的普通技术人员，在不脱离本申请实施例的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本申请实施例的范畴，本申请实施例的专利保护范围应由权利要求限定。