基于深度学习的众包地下停车场地图构建

• 从用户车辆采集的数据一般以轨迹为主，部分带有车位，车道线，路面箭头等元素。所以不太能依赖于严格的对齐策略。但对人来说，每次采集的数据之间有很强的形状的相关性。使用这种整体的形状相关性正好是深度学习擅长的地方。
• 把三维的轨迹转化为2d的图像，高度信息用颜色表示。
• 网络的输入是一张画有两条轨迹的图片。可以设定一个像素代表一定的距离值。比如一个像素代表50cm，那么一个1000*1000像素的图片可以代表500*500米的区域。两条轨迹分别用不同的颜色代表，比如目标轨迹用红色，待对齐轨迹用蓝色。然后背景用灰色。颜色的不同明暗代表不同的高度。这里用图像来说明只是方便理解。其实一条轨迹对应一个输入特征层。
• 网络的输出是对齐后的轨迹的图片，用一个颜色表示。
• 第三条轨迹来的时候，直接和前一步合成的轨迹的图像做对齐。这样就可以无限增量的做下去。
• 数据来源
  • 制作工具使用人工对齐
    • 同时把两条轨迹显示在同一个图中
    • 旁边可以控制显示或者不显示某个特征
    • 支手动迹刚体变换
  • 考虑到数据增强的方式比较多。比如可以任意方式摆放初始的两条轨迹。输入比较简单。不需要太多的数据。100个停车场，每个停车场10个轨迹差不多可以训练第一版模型
• 路网提取
  • 通过很多轨迹的依次对齐，得到一个很对轨迹对齐放一起的图片。最后还需要提取带有语义的路网：路口，道路的连接关系，楼层等。
  • 仍然先使用人工标注出各种线条和点。然后用深度学习来绘画这些线条和点。