交通信号灯关联道路的确定方法和装置

技术领域

本说明书涉及高精地图技术领域，尤其涉及一种交通信号灯关联道路的确定方法和装置。

背景技术

交通信号灯关联道路是高精地图中的重要数据，是自动驾驶汽车判断所行驶道路对应交通信号灯的重要先验数据。目前，交通信号灯的关联道路依赖人工作业的方式进行确定，存在成本高、效率低等问题。

发明内容

有鉴于此，本说明书提供一种交通信号灯关联道路的确定方法和装置。

具体地，本说明书是通过如下技术方案实现的：

一种交通信号灯关联道路的确定方法，包括：

确定目标交通信号灯对应的若干候选道路；

确定每条候选道路的特征向量和所述目标交通信号灯的特征向量；

针对每条所述候选道路，将所述候选道路的特征向量和所述目标交通信号灯的特征向量输入分类模型，通过所述分类模型输出所述候选道路与所述目标交通信号灯关联的概率；

根据所述概率在所述候选道路中确定所述目标交通信号灯关联的目标道路。

可选的，所述确定目标交通信号灯对应的若干候选道路，包括：

获取所述目标交通信号灯所属区域内的各条道路；

在所述目标交通信号灯所属区域内的各条道路中确定与停止线关联的道路作为灯控道路；

在所述灯控道路中为所述目标交通信号灯确定若干候选道路。

可选的，所述在所述目标交通信号灯所属区域内的各条道路中确定与停止线关联的道路作为灯控道路，包括：

针对所述目标交通信号灯所属区域内的每条道路，按照所述道路的行驶方向，确定所述道路末端的左右两个端点；

以所述左右两个端点的连线为基准，向所述道路的行驶方向延伸预设的第一距离，得到以所述左右两个端点为边的矩形区域，作为所述道路对应的延伸区域；

确定所述道路对应的延伸区域与所述目标交通信号灯所属区域内各条停止线的交集比例；

若存在交集比例大于等于比例阈值的停止线，则确定所述道路为灯控道路。

可选的，所述在所述灯控道路中为所述目标交通信号灯确定若干候选道路，包括：

确定所述灯控道路和所述目标交通信号灯的相对位置和相对朝向；

将所述相对位置和所述相对朝向输入高斯模型，通过所述高斯模型输出所述灯控道路与所述目标交通信号灯的位置朝向符合高斯分布的概率密度；

选取概率密度最大的N条灯控道路作为所述候选道路，N为大于1的自然数。

可选的，所述目标交通信号灯所属区域的划分方法包括：

根据各交通信号灯的位置信息对交通信号灯进行聚类，得到多个交通信号灯簇群；

将所述交通信号灯簇群内交通信号灯形成的包络面向外扩展预设的第二距离，得到所述交通信号灯簇群内各交通信号灯所属的区域。

可选的，所述确定每条候选道路的特征向量和所述目标交通信号灯的特征向量，包括：

获取所述目标交通信号灯对应的各种交通要素，所述交通要素包括道路和交通信号灯；

对所述交通要素进行编码处理，得到各交通要素的初始向量；

采用注意力机制对各交通要素的初始向量进行注意力处理，得到各交通要素的注意力向量作为对应交通要素的特征向量；

从各交通要素的特征向量中获取所述候选道路的特征向量和所述目标交通信号灯的特征向量；

其中，所述候选道路的特征向量包括对应候选道路与所述目标交通信号灯所属区域中其他交通要素之间的关联关系信息，所述目标交通信号灯的特征向量包括所述目标交通信号灯与所述目标交通信号灯所属区域中其他交通要素之间的关联关系信息。

可选的，在确定出所述目标交通信号灯关联的目标道路之后，所述方法还包括：

针对每条目标道路，判断所述目标道路是否为任一道路组中的道路，其中所述道路组中的各条道路均关联同一个交通信号灯；

若所述目标道路为某一道路组中的道路，则将所述目标道路所属道路组中的其他道路也确定为所述目标交通信号灯关联的目标道路。

可选的，所述道路组的划分方法包括：

针对所述目标交通信号灯所属区域内的任意两条灯控道路，判断这两条灯控道路之间的夹角是否小于阈值；

若这两条灯控道路之间的夹角小于阈值，则判断这两条灯控道路之间的距离是否符合距离约束；

若这两条灯控道路之间的距离符合所述距离约束，且这两条灯控道路之间没有其他道路，则将这两条灯控道路划分至同一道路组中。

可选的，在确定出所述目标交通信号灯关联的目标道路之后，所述方法还包括：

针对每条目标道路，判断所述目标道路与所述目标交通信号灯的横向距离是否大于预设的第三距离；

若所述横向距离大于所述第三距离，则确定所述目标道路与所述目标交通信号灯关联的置信度低，输出人工核对的提醒。

可选的，在确定出所述目标交通信号灯关联的目标道路之后，所述方法还包括：

针对每条目标道路，在该目标道路同时与多个目标交通信号灯关联时，判断该目标道路关联的多个目标交通信号灯之间的朝向是否存在正交的情况；

若存在该目标道路关联有两个朝向正交的目标交通信号灯，则确定该目标道路与这两个朝向正交的目标交通信号灯之间关联的置信度均低，输出人工核对的提醒。

一种交通信号灯关联道路的确定装置，包括：

候选道路确定单元，确定目标交通信号灯对应的若干候选道路；

特征向量确定单元，确定每条候选道路的特征向量和所述目标交通信号灯的特征向量；

关联概率预测单元，针对每条所述候选道路，将所述候选道路的特征向量和所述目标交通信号灯的特征向量输入分类模型，通过所述分类模型输出所述候选道路与所述目标交通信号灯关联的概率；

关联道路确定单元，根据所述概率在所述候选道路中确定所述目标交通信号灯关联的目标道路。

一种电子设备，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器通过运行所述可执行指令以实现前述方法

一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现前述方法的步骤。

采用上述实施方式，可先为目标交通信号灯确定若干条候选道路，然后针对每条候选道路，分别将该候选道路的特征向量和目标交通信号灯的特征向量输入分类模型，通过分类模型输出所述候选道路与所述目标交通信号灯关联的概率，进而在候选道路中确定出目标交通信号灯关联的各条目标道路，实现交通信号灯关联道路的自动化确定，整个过程无需人工作业，可大大提高效率，节省人力成本。同时，相较于人工作业，采用这种机器学习的方式进行交通信号灯关联道路的确定，质量更加稳定可控。

附图说明

图1是本说明书一示例性实施例示出的一种交通信号灯关联道路的确定方法的流程示意图。

图2是本说明书一示例性实施例示出的一种候选道路的确定方法的流程示意图。

图3是本说明书一示例性实施例示出的一种道路示意图。

图4是本说明书一示例性实施例示出的一种道路对应延伸区域的示意图。

图5是本说明书一示例性实施例示出的一种相对位置和相对朝向的示意图。

图6是本说明书一示例性实施例示出的一种采用注意力机制确定特征向量的方法的流程示意图。

图7是本说明书一示例性实施例示出的另一种采用注意力机制确定特征向量的方法的流程示意图。

图8是本说明书一示例性实施例示出的一种矢量差分示意图。

图9是本说明书一示例性实施例示出的一种交通信号灯关联道路的确定装置所在电子设备的一种硬件结构图。

图10是本说明书一示例性实施例示出的一种交通信号灯关联道路的确定装置的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书的一些方面相一致的装置和方法的例子。

在本说明书使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书。在本说明书和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本说明书可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

交通信号灯关联道路是高精地图中的重要数据，是自动驾驶汽车判断所行驶道路对应交通信号灯的重要先验数据。

例如，道路1由交通信号灯A控制，道路2由交通信号灯B控制，自动驾驶汽车若行驶在道路1中，则受交通信号灯A的控制，若行驶在道路2中，则受交通信号灯B的控制。

目前，交通信号灯的关联道路依赖人工作业的方式进行确定，存在成本高、效率低、质量不稳定等诸多问题。

本说明书提供一种交通信号灯关联道路的确定方案，可自动为交通信号灯确定出其关联的道路，相较于人工作业的方式，可大幅提高生产效率，降低成本，还可确保质量的稳定可控。

图1是本说明书一示例性实施例示出的一种交通信号灯关联道路的确定方法的流程示意图。

图1所示的交通信号灯关联道路的确定方法可应用于服务器，例如互联网地图公司的服务器等，所述方法包括以下步骤：

步骤102，确定目标交通信号灯对应的若干候选道路。

在本说明书中，交通信号灯关联的道路是指交通信号灯控制的道路。在真实世界中，一条真实道路由于具有岔路口、丁字路口、出入口等原因会被划分为多条路段，本说明书中记载的道路是指对真实道路进行划分后得到的路段。

所述目标交通信号灯是需要确定关联道路的交通信号灯，在确定目标交通信号灯对应的候选道路时，可先获取目标交通信号灯所属区域内的所有道路，然后再在这些道路中确定所述候选道路。其中，所述目标交通信号灯所属区域通常是所述目标交通信号灯附近的一个范围。

在一个例子中，所述目标交通信号灯所属区域可以是以所述目标交通信号灯为中心点，半径200米的圆形区域。

在另一个例子中，也可预先对各目标交通信号灯进行区域划分，将需要进行关联道路确定的所有交通信号灯划分至多个区域中。采用这种预先划分的方式，在进行关联道路确定时，无需针对每个交通信号灯单独进行所属区域的划分，可大大减少计算量。

例如，可先根据各个交通信号灯的位置信息对交通信号灯进行聚类，得到多个交通信号灯簇群，然后再将各个交通信号灯簇群中交通信号灯形成的包络面向外扩展预设的第二距离（诸如200米），进而得到该交通信号灯簇群内各交通信号灯所属的区域。

其中，聚类可采用基于密度的聚类算法，例如DBSCAN算法（Density-BasedSpatial Clustering of Applications with Noise，具有噪声的基于密度的聚类方法）等。

在本说明书中，可先从高精地图数据库中获取目标交通信号灯所属区域内的各条道路，即先获取位于目标交通信号灯附近的道路，然后在获取到的这些道路中为所述目标交通信号灯确定出若干候选道路，后续可在这些候选道路中进一步确定出目标交通信号灯关联的道路。

其中，在确定候选道路时，可先在获取到的所有道路中筛选出与停止线关联的道路，受交通信号灯控制的道路都会与停止线关联，因此可将这些与停止线关联的道路称为灯控道路，然后在灯控道路中进行候选道路的进一步筛选。候选道路的具体筛选将在后续实施例中详细描述。

当然，在其他例子中，也可将目标交通信号灯所属区域内的所有道路均作为候选道路，本说明书对此不作特殊限制。

步骤104，确定每条候选道路的特征向量和所述目标交通信号灯的特征向量。

基于前述步骤102，在确定出所述目标交通信号灯的候选道路后，可分别确定所述目标交通信号灯和每条候选道路的特征向量，以便于后续模型处理。

在一个例子中，可对数据库中存储的道路数据和交通信号灯数据直接进行编码处理，进而确定出其对应的特征向量。

在另一个例子中，在确定特征向量时，也可对目标交通信号灯对应的交通要素均进行编码处理，得到各交通要素对应的初始向量，例如可对目标交通信号灯所属区域内的交通要素进行编码处理以得到对应的初始向量，然后采用注意力机制对初始向量进行注意力处理，进而得到各交通要素的注意力向量以作为其特征向量。

其中，所述目标交通信号灯所属区域内的交通要素包括有目标交通信号灯自身，也可包括该区域内的各条道路、停止线、行人安全岛等其他要素。本例中采用注意力机制确定特征向量的具体实现过程将在后续实施例中详细描述。

步骤106，针对每条所述候选道路，将所述候选道路的特征向量和所述目标交通信号灯的特征向量输入分类模型，通过所述分类模型输出所述候选道路与所述目标交通信号灯关联的概率。

在本说明书中，可将每条候选道路和所述目标交通信号灯分别进行组合，得到多组“交通信号灯-候选道路”的组合（后续简称为灯路组合），然后分别将每组灯路组合的特征向量输入分类模型，通过分类模型输出该组灯路组合中交通信号灯和候选道路之间的关联概率。

举例来说，假设目标交通信号灯A的候选道路有6条，分别为道路1-道路6，请参考表1，可得到目标交通信号灯A-道路1、目标交通信号灯A-道路2等六组灯路组合关系。

在本说明书中，针对每组灯路组合，可将该组灯路组合中的目标交通信号灯的特征向量与候选道路的特征向量进行拼接，以作为该组灯路组合的特征向量；还可将该组灯路组合中的目标交通信号灯的特征向量与候选道路的特征向量进行运算，并将运算结果作为其特征向量，例如相加运算、求平均运算等，本说明书对此不作特殊限制。

在本说明书中，所述分类模型可以为MLP（Multilayer Perceptron，多层感知器）模型等分类模型，可预先基于样本灯路组合进行训练，具体的训练过程可参考相关技术，本说明书在此不再一一赘述。

步骤108，根据所述概率在所述候选道路中确定所述目标交通信号灯关联的目标道路。

基于前述步骤106，在通过分类模型预测出每组灯路组合关联的概率后，可分别判断分组灯路组合关联的概率是否大于概率阈值，例如：0.5、0.6等。

若某组灯路组合关联的概率大于等于概率阈值，可确定该组灯路组合中的候选道路是对应目标交通信号灯的关联道路；若某组灯路组合关联的概率小于概率阈值，可确定该组灯路组合中的候选道路不是对应目标交通信号灯的关联道路，进而从候选道路中确定出目标交通信号灯关联的各条目标道路。

仍以表1所示的灯路组合为例，请参考表2所示的灯路组合关联概率，假设概率阈值为0.6，则可确定目标交通信号灯A关联的目标道路为道路1和道路2。

当然，在确定出目标交通信号灯关联的目标道路后，还可对结果进行修正，进而确保目标道路的准确性，具体的修正方案将在后续实施例中详细描述。

由以上描述可以看出，采用本说明书提供的技术方案，可先为目标交通信号灯确定若干条候选道路，然后针对每条候选道路，分别将该候选道路的特征向量和目标交通信号灯的特征向量输入分类模型，通过分类模型输出所述候选道路与所述目标交通信号灯关联的概率，进而在候选道路中确定出目标交通信号灯关联的各条目标道路，实现交通信号灯关联道路的自动化确定，整个过程无需人工作业，可大大提高效率，节省人力成本。同时，相较于人工作业，采用这种机器学习的方式进行交通信号灯关联道路的确定，质量更加稳定可控。

下面分别从候选道路的确定、特征向量的确定以及目标道路的修正三个方面来对本说明书提供的技术方案进行详细描述。

一、候选道路的确定

图2是本说明书一示例性实施例示出的一种候选道路的确定方法的流程示意图。

请参考图2，可采用以下方法为目标交通信号灯确定候选道路：

步骤202，获取目标交通信号灯所属区域内的各条道路，并在目标交通信号灯所属区域内的各条道路中确定与停止线关联的道路作为灯控道路。

在本说明书中，在进行灯控道路的确定时，可先获取目标交通信号灯所属区域内的所有道路，然后针对目标交通信号灯所属区域内的每条道路，可按照所述道路的行驶方向先确定出道路末端的左右两个端点。由于道路通常用车道线来表示，一条道路包括左右两条车道线，则可按照道路的行驶方向确定出左右两条车道线末端的端点。

请参考图3，图3示出有道路1的左右两条车道线，该道路1的行驶方向是箭头所指方向，即行驶方向是由下至上，行驶方向左右两条车道线末端的端点分别为A点和B点。

在确定出道路末端的左右两个端点后，可以该左右两个端点的连线为基准，向所述道路的行驶方向延伸预设的第一距离，得到以所述左右两个端点为边的矩形区域，作为所述道路对应的延伸区域。其中，所述第一距离可以预先设置，例如1米、1.1米等。

仍以图3所示的车道1为例，请继续参考图4，以左右两个端点的连线AB为基准，向上（行驶方向）延伸第一距离后，可以得到以AB为边的矩形区域ABCD，即图4所示虚线围成的区域，该矩形ABCD就是车道1对应的延伸区域。其中，矩形ABCD的边AD和BC的长度为上述第一距离。

在为所述道路生成对应的延伸区域后，可计算目标交通信号灯所属区域内各条停止线与该延伸区域的交集比例，该交集比例可以为停止线与该延伸区域交集占停止线区域的比例，也可以为停止线与该延伸区域交集占该延伸区域的比例，本说明书对此不作特殊限制。

一般而言，停止线会位于其控制的道路的末端，例如位于其控制的道路末端的左右两个端点的连线处，或者与该连线之间的距离较近，由此可根据实际情况设置比例阈值，若上述计算得到的交集比例大于等于比例阈值，则可确定对应道路与停止线关联，为灯控道路。

举例来说，假设比例阈值为40%，代表停止线与该延伸区域交集占停止线区域的比例。仍以前述图4所示的道路1的延伸区域ABCD为例，若计算得到某条停止线与上述延伸区域ABCD的交集占停止线区域的80%，即交集比例为80%，则可确定该交集比例大于比例阈值，进而确定道路1为灯控道路。

需要说明的是，在数据库中，停止线一般以多边形的形式存储，因此采用上述基于交集比例的灯控道路确定方案。若停止线以线的形式存储，则可计算停止线与道路末端左右两个端点连线的位置关系，进而根据位置关系确定道路是否为灯控道路，例如，停止线与所述左右两个端点连线平行，且距离小于阈值则将道路确定为灯控道路等，具体可根据实际情况灵活设置，本说明书对此不作特殊限制。

在本说明书中，先在目标交通信号灯所属区域内确定出灯控道路，后续在灯控道路中进行候选道路的筛选，可减少候选道路筛选的计算量，提高计算效率。

步骤204，在所述灯控道路中为所述目标交通信号灯确定若干候选道路。

基于前述步骤202，在目标交通信号灯所属区域内确定出灯控道路后，针对每条灯控道路，可根据该灯控道路与目标交通信号灯之间的位置关系和朝向关系筛选出有较大概率受目标交通信号灯控制的灯控道路作为候选道路，其中，候选道路数量N的取值可预先设置，例如6或8等。

在本说明书中，经分析发现，交通信号灯关联的目路与交通信号灯的位置关系、朝向关系大致符合高斯分布，因此可采用高斯模型来确定候选道路，该高斯模型的输入为灯控道路与目标交通信号灯之间的相对位置和相对朝向，进而通过高斯模型输出灯控道路与目标交通信号灯之间位置和朝向关系符合高斯分布的概率密度，然后可选取概率密度值最大的N条灯控道路作为候选道路。

在进行相对位置和相对朝向的计算时，可以目标交通信号灯的中心点为原点，以目标交通信号灯的朝向方向为y轴建立坐标系，然后根据目标交通信号灯和灯控道路之间的位置关系将灯控道路的位置信息变换到新建立的坐标系中，进而得到灯控道路在该新建坐标系中的位置坐标作为所述相对位置，将该灯控道路的行驶方向与y轴的夹角作为所述相对朝向。

其中，在对灯控道路进行计算时，可以灯控道路末端左右两个端点连线的中心点来代表灯控道路进行位置信息变换，得到所述相对位置。

请参考图5，以图5所示的目标交通信号灯为例，该目标交通信号灯的中心点为O点，则可以O点为原点，该目标交通信号灯的朝向（图5中所示的下方）为y轴建立坐标系。以图5所示的灯控道路为例，该灯控道路末端左右两个端点连线AB的中心点为H点，则可将H点的坐标变换到以O为原点的坐标系xOy中，得到H点在坐标系xOy中的位置坐标

请继续参考图5，图5中灯控道路的行驶方向是向上，与目标交通信号灯的朝向y轴平行，即夹角为0度，则该灯控道路与目标交通信号灯之间的相对朝向为0度。

在图5所示的例子中，可将相对位置

在本步骤中，假设目标交通信号灯所属区域内共计有20条灯控道路，N的取值预设为6，则可从这20条灯控道路中筛选出符合高斯分布的概率最大的6条灯控道路作为候选道路。

当然，在其他例子中，也可以采用其他方式在灯控道路中确定出候选道路，例如根据目标交通信号灯的位置和朝向为目标交通信号灯确定出其对应的控制范围，然后判断各条灯控道路是否在控制范围内，若在控制范围内，则可将灯控道路确定为候选道路。其中，所述控制范围可以是以目标交通信号灯为顶点的一个扇形区域等，本说明书对此不作特殊限制。

二、特征向量的确定

本实施例介绍采用注意力机制确定各候选道路和目标交通信号灯特征向量的实现方法。

请参考图6和图7，采用注意力机制确定特征向量的方法可包括以下步骤：

步骤602，获取目标交通信号灯对应的交通要素，所述交通要素包括道路和交通信号灯。

在本说明书中，在进行特征向量的确定时，可获取目标交通信号灯对应的交通要素，例如获取目标交通信号灯所属区域内的交通要素等。

在一个例子中，在确定特征向量时，可仅获取目标交通信号灯所属区域内的道路和交通信号灯这两种交通要素。

在另一个例子中，在确定特征向量时，可也获取目标交通信号灯所属区域内所有类型的交通要素，例如道路、交通信号灯、停止线、斑马线、行人安全岛、禁停区等。一般而言，交通要素类型越多，后续确定出的特征向量所携带的信息越全面。

在本步骤中，获取到的交通要素包括了目标交通信号灯自身，也包括各条候选道路。

步骤604，对所述交通要素进行编码处理，得到各交通要素的初始向量。

基于前述步骤602，在获取到交通要素后，可对交通要素进行编码处理，生成对应的向量表征，为便于区分，将对交通要素直接进行编码得到的向量表征称为初始向量。

一般来说，数据库中存储的交通要素数据包括交通要素的几何数据，例如位置坐标等，还包括交通要素的类型数据，例如道路的转向类型（直行、左转等）、交通信号灯的类型（指示直行方向信号灯、指示左转方向信号灯）等。

其中，交通要素的几何数据往往以矢量的形式进行存储，为便于后续编码与计算，可先对矢量数据进行差分运算。例如，用于表征道路的车道线在高精地图数据库中往往以线串（LineString）的形式进行存储，其本质是一个有序的空间点集，通过矢量差分处理，可将有序的空间点集转换为无序的空间点集。

请参考图8，图8左侧示出了一个包括有3个点的有序空间点集，这3个点的坐标分别为（x1,y1）、（x2,y2）和（x3,y3），箭头示出了顺序关系。通过矢量差分处理，可将这3个点转换为图8右侧的3个无序点，每个点的坐标分别为（x1,y1,dx1,dy1）、（x2,y2,dx2,dy2）和（x3,y3,dx3,dy3），其中dx和dy可表征每个点指向下一个点的方向信息，从而在坐标中体现了这3个点的顺序关系。

在进行矢量差分计算时，可将相邻两点的坐标相减，然后再进行归一化处理，使得其模为1，进而得到dx和dy的取值。

通过矢量差分处理，可将用于表征交通要素几何数据的有序点集转换为无序点集，降低后续计算难度，便于向量编码。

在本步骤中，在对交通要素的几何数据进行矢量差分后，还可进行坐标转换，以进一步降低后续计算量。

较为简单的，在确定目标交通信号灯关联的目标道路时，可将目标交通信号灯所属区域内各交通要素矢量差分后的几何数据转换至以目标交通信号灯为原点的坐标系中。所述以目标交通信号灯为原点的坐标系的y轴正方向可以为所述目标交通信号灯朝向的方向，然后将y轴正方向顺时针旋转90度的方向作为x轴正方向。当然，上述坐标系的建立仅为示例性说明，在其他例子中，也可以将y轴正方向逆时针旋转90度的方向作为x轴正方向等，本说明书对此不作特殊限制。

在对交通要素的几何数据进行坐标转换后，可采用编码器进行编码，进而得到几何编码向量。例如可采用点编码器对交通信号灯的几何数据进行编码，得到交通信号灯的几何编码向量；采用线编码器对道路的几何数据进行编码，得到道路的几何编码向量；采用面编码器对行人安全岛等面状要素进行编码，得到行人安全岛等面状要素的几何编码向量。其中，编码器可采用PointNet等集合函数。

针对类型数据，可对其进行嵌入处理，得到对应的类型数据向量。例如，可预先设置或学习对应类型的编码向量矩阵，在确定类型编码向量时，从该编码向量矩阵中提取出对应类型的一行或一列向量即可，具体的实现过程可以参考相关技术，本说明书在此不再一一赘述。

在本说明书中，针对每个交通要素，在确定出其几何编码向量和类型编码向量后，可将几何编码向量和类型编码向量进行按位相加或者拼接，得到对应交通要素的初始向量。

步骤606，采用注意力机制对各交通要素的初始向量进行注意力处理，得到各交通要素的注意力向量作为对应交通要素的特征向量。

基于前述步骤604，在确定出各交通要素的初始向量后，可对其进行注意力处理，例如，将各交通要素的初始向量输入Transformer等具有注意力机制的模块，通过模块输出各交通要素的注意力向量作为其特征向量。经过注意力机制的处理，输出的特征向量既包括有交通要素自身的信息，又可包括对应交通要素和其他交通要素之间的关联关系信息。

步骤608，从各交通要素的特征向量中获取所述候选道路的特征向量和所述目标交通信号灯的特征向量。

基于前述步骤606，在确定出各交通要素的特征向量后，可从中获取每条候选道路的特征向量，以及所述目标交通信号灯的特征向量。

在本说明书中，每条候选道路的特征向量除包括对应候选道路自身的特征之外，还包括该候选道路和目标交通信号灯所属区域中其他交通要素之间的关联关系信息；类似的，所述目标交通信号灯的特征向量除包括目标交通信号灯自身的特征之外，还包括目标交通信号灯和目标交通信号灯所属区域中其他交通要素之间的关联关系信息。本说明书通过注意力机制在特征向量中携带目标交通信号灯所属区域中的更多信息，有助于提高后续目标交通信号灯关联道路预测的准确性。

三、目标道路的修正

在本说明书中，在通过前述图1所示的实施例确定出目标交通信号灯关联的目标道路后，可对目标道路进行校验修正，进而进一步提高目标道路确定的准确性。

在现实世界中，可能会存在多条道路受到同一个交通信号灯控制的情况，例如主路和辅路中行驶方向相同的道路受到路口同一个交通信号灯控制，或者道路与其待转等候道路受到路口同一个交通信号灯控制等。在这种情况下，采用前述图1所示的目标道路确定方法，可能会有所遗漏，例如当主路与辅路之间的距离较远时，可能会导致模型将主路匹配为目标道路，而遗漏掉辅路。

针对这种问题，本说明书可预先将受到同一个交通信号灯控制的多条道路划分至同一个道路组中，即道路组中的各条道路均关联同一个交通信号灯，在确定出目标交通信号灯关联的目标道路后，针对每条目标道路，可判断该目标道路是否是任一道路组中的道路，若该目标道路是任一道路组中的道路，可将该道路组中的其他道路也确定为目标交通信号灯关联的目标道路。

举例来说，假设目标交通信号灯A关联的目标道路为道路1和道路2，其中，道路1属于道路组（道路1，道路8，道路9），则可将该道路组中的道路8和道路9也确定为目标交通信号等A关联的目标道路。

其中，所述道路组的划分方法可根据现实世界中属于同一道路组中道路的特点来预先设置。

以主辅路道路组为例，针对所述目标交通信号灯所属区域内的任意两条灯控道路，判断这两条灯控道路之间的夹角是否小于阈值，例如夹角是否小于30度，若这两条灯控道路之间的夹角小于阈值，再判断这两条灯控道路之间的距离是否符合距离约束，例如这两条灯控道路之间的距离不超过3米等。若这两条灯控道路之间的距离符合所述距离约束，且这两条灯控道路之间没有其他道路，则推测这两条灯控道路之间可能具有绿化带，分别为主路和辅路，进而将这两条灯控道路划分至同一道路组中。

当然，上述道路组的划分方法仅为示例性说明，在实际应用中，也可设置其他划分道路组的方法，或由人工预先进行道路组的划分等，本说明书对此不作特殊限制。

采用本说明书提供的上述基于道路组的目标道路修正方法，可有效解决目标道路漏匹配的问题，进而提升最终目标道路确定的准确性。

除上述目标道路漏匹配的问题外，还可能会存在错误匹配的情况，即确定出的目标道路实际上并不是目标交通信号灯关联的道路。

针对这种情况，也可预先设置一些校验规则，在采用分类模型确定出目标交通信号灯关联的目标道路之后，对各目标道路进行校验。

举例来说，针对每条目标道路，可以判断该目标道路与目标交通信号灯之间的横向距离是否大于预设的第三距离，例如10米、12米等，若大于该第三距离，说明目标道路与目标交通信号灯之间的横向距离很远，不符合真实世界的情况，可能会存在道路缺失等问题，进而可确定该目标道路与所述目标交通信号灯关联的置信度较低转人工进行核对，例如输出人工核对提醒等。其中，目标道路与目标交通信号灯之间的横向距离可以为目标道路中心线与目标交通信号灯中线之间的距离等。

又或者，针对每条目标道路，在该目标道路同时匹配到与多个目标交通信号灯关联时，可判断这些目标交通信号灯之间的朝向关系，若存在朝向几乎正交（例如，朝向夹角大于夹角阈值）的两个目标交通信号灯，则可确定该目标道路与朝向几乎正交的这两个目标交通信号灯关联的置信度均较低，可转人工进行核对。

例如，目标道路11与目标交通信号灯A关联，目标道路11又与目标交通信号灯B关联，而目标交通信号灯A和目标交通信号灯B朝向的夹角是85度，大于夹角阈值70度，则可确定目标道路11与目标交通信号灯A关联的置信度较低，目标道路11与目标交通灯B关联的置信度也较低，至少有一个关联关系的预测出现错误，即目标道路11与目标交通信号灯A和目标交通信号灯B中的至少一个匹配错误，可转人工进行核对处理。

由此可以看出，本说明书在通过分类模型预测出目标交通信号灯关联的目标道路后，还可通过一些列方法对目标道路进行校验修正，进而确保最终目标道路的准确性。

与前述交通信号灯关联道路的确定方法的实施例相对应，本说明书还提供了交通信号灯关联道路的确定装置的实施例。

本说明书交通信号灯关联道路的确定装置的实施例可以应用在电子设备中。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在电子设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图9所示，为本说明书交通信号灯关联道路的确定装置所在电子设备的一种硬件结构图，除了图9所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的电子设备通常根据该…的实际功能，还可以包括其他硬件，对此不再赘述。

图10是本说明书一示例性实施例示出的一种交通信号灯关联道路的确定装置的框图。

请参考图10，所述交通信号灯关联道路的确定装置可以应用在前述图9所示的电子设备上，例如互联网地图公司的服务器等，包括有：

其中，候选道路确定单元，确定目标交通信号灯对应的若干候选道路；

特征向量确定单元，确定每条候选道路的特征向量和所述目标交通信号灯的特征向量；

关联概率预测单元，针对每条所述候选道路，将所述候选道路的特征向量和所述目标交通信号灯的特征向量输入分类模型，通过所述分类模型输出所述候选道路与所述目标交通信号灯关联的概率；

关联道路确定单元，根据所述概率在所述候选道路中确定所述目标交通信号灯关联的目标道路。

可选的，所述确定目标交通信号灯对应的若干候选道路的步骤包括：

获取所述目标交通信号灯所属区域内的各条道路；

在所述目标交通信号灯所属区域内的各条道路中确定与停止线关联的道路作为灯控道路；

在所述灯控道路中为所述目标交通信号灯确定若干候选道路。

可选的，所述在所述目标交通信号灯所属区域内的各条道路中确定与停止线关联的道路作为灯控道路的步骤包括：

针对所述目标交通信号灯所属区域内的每条道路，按照所述道路的行驶方向，确定所述道路末端的左右两个端点；

以所述左右两个端点的连线为基准，向所述道路的行驶方向延伸预设的第一距离，得到以所述左右两个端点为边的矩形区域，作为所述道路对应的延伸区域；

确定所述道路对应的延伸区域与所述目标交通信号灯所属区域内各条停止线的交集比例；

若存在交集比例大于等于比例阈值的停止线，则确定所述道路为灯控道路。

可选的，所述在所述灯控道路中为所述目标交通信号灯确定若干候选道路的步骤包括：

确定所述灯控道路和所述目标交通信号灯的相对位置和相对朝向；

将所述相对位置和所述相对朝向输入高斯模型，通过所述高斯模型输出所述灯控道路与所述目标交通信号灯的位置朝向符合高斯分布的概率密度；

选取概率密度最大的N条灯控道路作为所述候选道路，N为大于1的自然数。

可选的，所述目标交通信号灯所属区域的划分方法包括：

根据各交通信号灯的位置信息对交通信号灯进行聚类，得到多个交通信号灯簇群；

将所述交通信号灯簇群内交通信号灯形成的包络面向外扩展预设的第二距离，得到所述交通信号灯簇群内各交通信号灯所属的区域。

可选的，所述确定每条候选道路的特征向量和所述目标交通信号灯的特征向量的步骤包括：

获取所述目标交通信号灯对应的交通要素，所述交通要素包括道路和交通信号灯；

对所述交通要素进行编码处理，得到各交通要素的初始向量；

采用注意力机制对各交通要素的初始向量进行注意力处理，得到各交通要素的注意力向量作为对应交通要素的特征向量；

从各交通要素的特征向量中获取所述候选道路的特征向量和所述目标交通信号灯的特征向量；

其中，所述候选道路的特征向量包括对应候选道路与所述目标交通信号灯所属区域中其他交通要素之间的关联关系信息，所述目标交通信号灯的特征向量包括所述目标交通信号灯与所述目标交通信号灯所属区域中其他交通要素之间的关联关系信息。

可选的，在确定出所述目标交通信号灯关联的目标道路之后还包括：

针对每条目标道路，判断所述目标道路是否为任一道路组中的道路，其中所述道路组中的各条道路均关联同一个交通信号灯；

若所述目标道路为某一道路组中的道路，则将所述目标道路所属道路组中的其他道路也确定为所述目标交通信号灯关联的目标道路。

可选的，所述道路组的划分方法包括：

针对所述目标交通信号灯所属区域内的任意两条灯控道路，判断这两条灯控道路之间的夹角是否小于阈值；

若这两条灯控道路之间的夹角小于阈值，则判断这两条灯控道路之间的距离是否符合距离约束；

若这两条灯控道路之间的距离符合所述距离约束，且这两条灯控道路之间没有其他道路，则将这两条灯控道路划分至同一道路组中。

可选的，在确定出所述目标交通信号灯关联的目标道路之后还包括：

针对每条目标道路，判断所述目标道路与所述目标交通信号灯的横向距离是否大于预设的第三距离；

若所述横向距离大于所述第三距离，则确定所述目标道路与所述目标交通信号灯关联的置信度低，输出人工核对的提醒。

可选的，在确定出所述目标交通信号灯关联的目标道路之后还包括：

针对每条目标道路，在该目标道路同时与多个目标交通信号灯关联时，判断该目标道路关联的多个目标交通信号灯之间的朝向是否存在正交的情况；

若存在该目标道路关联有两个朝向正交的目标交通信号灯，则确定该目标道路与这两个朝向正交的目标交通信号灯之间关联的置信度均低，输出人工核对的提醒。

上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。

对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本说明书方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机，计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。

在一个典型的配置中，计算机包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器 (RAM) 和/或非易失性内存等形式，如只读存储器 (ROM) 或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带、磁盘存储、量子存储器、基于石墨烯的存储介质或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

与前述交通信号灯关联道路的确定方法的实施例相对应，本说明书还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现以下步骤：

确定目标交通信号灯对应的若干候选道路；

确定每条候选道路的特征向量和所述目标交通信号灯的特征向量；

针对每条所述候选道路，将所述候选道路的特征向量和所述目标交通信号灯的特征向量输入分类模型，通过所述分类模型输出所述候选道路与所述目标交通信号灯关联的概率；

根据所述概率在所述候选道路中确定所述目标交通信号灯关联的目标道路。

可选的，所述确定目标交通信号灯对应的若干候选道路的步骤包括：

获取所述目标交通信号灯所属区域内的各条道路；

在所述目标交通信号灯所属区域内的各条道路中确定与停止线关联的道路作为灯控道路；

在所述灯控道路中为所述目标交通信号灯确定若干候选道路。

可选的，所述在所述目标交通信号灯所属区域内的各条道路中确定与停止线关联的道路作为灯控道路的步骤包括：

针对所述目标交通信号灯所属区域内的每条道路，按照所述道路的行驶方向，确定所述道路末端的左右两个端点；

以所述左右两个端点的连线为基准，向所述道路的行驶方向延伸预设的第一距离，得到以所述左右两个端点为边的矩形区域，作为所述道路对应的延伸区域；

确定所述道路对应的延伸区域与所述目标交通信号灯所属区域内各条停止线的交集比例；

若存在交集比例大于等于比例阈值的停止线，则确定所述道路为灯控道路。

可选的，所述在所述灯控道路中为所述目标交通信号灯确定若干候选道路的步骤包括：

确定所述灯控道路和所述目标交通信号灯的相对位置和相对朝向；

将所述相对位置和所述相对朝向输入高斯模型，通过所述高斯模型输出所述灯控道路与所述目标交通信号灯的位置朝向符合高斯分布的概率密度；

选取概率密度最大的N条灯控道路作为所述候选道路，N为大于1的自然数。

可选的，所述目标交通信号灯所属区域的划分方法包括：

根据各交通信号灯的位置信息对交通信号灯进行聚类，得到多个交通信号灯簇群；

将所述交通信号灯簇群内交通信号灯形成的包络面向外扩展预设的第二距离，得到所述交通信号灯簇群内各交通信号灯所属的区域。

可选的，所述确定每条候选道路的特征向量和所述目标交通信号灯的特征向量的步骤包括：

获取所述目标交通信号灯对应的交通要素，所述交通要素包括道路和交通信号灯；

对所述交通要素进行编码处理，得到各交通要素的初始向量；

采用注意力机制对各交通要素的初始向量进行注意力处理，得到各交通要素的注意力向量作为对应交通要素的特征向量；

从各交通要素的特征向量中获取所述候选道路的特征向量和所述目标交通信号灯的特征向量；

其中，所述候选道路的特征向量包括对应候选道路与所述目标交通信号灯所属区域中其他交通要素之间的关联关系信息，所述目标交通信号灯的特征向量包括所述目标交通信号灯与所述目标交通信号灯所属区域中其他交通要素之间的关联关系信息。

可选的，在确定出所述目标交通信号灯关联的目标道路之后还包括：

针对每条目标道路，判断所述目标道路是否为任一道路组中的道路，其中所述道路组中的各条道路均关联同一个交通信号灯；

若所述目标道路为某一道路组中的道路，则将所述目标道路所属道路组中的其他道路也确定为所述目标交通信号灯关联的目标道路。

可选的，所述道路组的划分方法包括：

针对所述目标交通信号灯所属区域内的任意两条灯控道路，判断这两条灯控道路之间的夹角是否小于阈值；

若这两条灯控道路之间的夹角小于阈值，则判断这两条灯控道路之间的距离是否符合距离约束；

若这两条灯控道路之间的距离符合所述距离约束，且这两条灯控道路之间没有其他道路，则将这两条灯控道路划分至同一道路组中。

可选的，在确定出所述目标交通信号灯关联的目标道路之后还包括：

针对每条目标道路，判断所述目标道路与所述目标交通信号灯的横向距离是否大于预设的第三距离；

若所述横向距离大于所述第三距离，则确定所述目标道路与所述目标交通信号灯关联的置信度低，输出人工核对的提醒。

可选的，在确定出所述目标交通信号灯关联的目标道路之后还包括：

针对每条目标道路，在该目标道路同时与多个目标交通信号灯关联时，判断该目标道路关联的多个目标交通信号灯之间的朝向是否存在正交的情况；

若存在该目标道路关联有两个朝向正交的目标交通信号灯，则确定该目标道路与这两个朝向正交的目标交通信号灯之间关联的置信度均低，输出人工核对的提醒。

需要说明的是，本说明书所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据，并且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准，并提供有相应的操作入口，供用户选择授权或者拒绝。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

以上所述仅为本说明书的较佳实施例而已，并不用以限制本说明书，凡在本说明书的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本说明书保护的范围之内。