CN105444770A - 基于智能手机的车道级别地图生成和定位系统及方法 - Google Patents

Abstract

本发明提供了一种基于智能手机的车道级别地图生成和定位系统及方法，包括：手机请求定位步骤：具体包括步骤A1：通过手机上内置的GPS、加速度传感器、方向传感器获取车辆的实时GPS、加速度、方向数据；步骤A2：手机客户端通过监测加速度传感器、方向传感器的变化，识别车辆变道和转弯时的动作点；步骤A3：手机客户端将获得的GPS数据上传至服务器；服务器更新地图步骤：具体包括步骤B1：服务器汇总各个用户手机客户端上传的GPS数据，通过约束型K-Means聚类方法得到用户的车道位置信息；步骤B2：服务器将包含有车道信息的地图反馈给用户。本发明能够通过用户上传的GPS信息主动生成车道级别的地图，提高了地图的精度，简化了导航地图的绘制。

Description

基于智能手机的车道级别地图生成和定位系统及方法

技术领域

本发明涉及交通及通信技术，具体地，涉及基于智能手机的车道级别地图生成和定位系统及方法。

背景技术

随着通信和互联网的快速发展，电子导航在日常生活中起到了越来越重要的作用。车道导航比起传统的道路导航而言更加精确，能够提醒司机变道等信息，从而提供更好的导航服务。然而，现有的电子地图无法提供车道级别的定位，首先是没有车道级别的电子地图，其次现有的GPS(GlobalPositioningSystem，全球定位系统)定位无法达到车道定位的精度。

在美国政府关于GPS的官方网站上表明，GPS的误差大致服从正态分布，这为GPS数据的进一步处理提供了机会。西班牙Muricia大学的RafaelToledo-Moreo等人2007年在IEEETransactionsonIntelligentTransportationSystems发表的“High-integrityimm-ekf-basedroadvehiclenavigationwithlow-costgps/sbas/ins”中使用IMM算法，利用多种运动模型对GPS数据进行了处理，提高了其精度和稳定性。

现有的车辆动作监测的算法多使用单一的传感器进行动作识别。然而，单一的传感器只能对一种动作进行准确识别，并不能同时准确的识别转弯和变道。德国鲁尔大学的UeruenDogan等人对比了SVM(SupportVectorMachine，支持向量机)、FFNN(FeedForwardNeuralNetwork，前向反馈神经网络)、RNN(RecurrentneuralNetwork，多层反馈神经网络)三种机器学习算法，发现SVM算法对车辆动作的分类更加准确。

现有的聚类算法中，有使用DGPS(DifferentialGlobalPositioningSystem，差分全球定位系统)数据进行聚类的。然而，DGPS的精度远远高于目前普遍使用的普通GPS。因此，使用同样的方法聚类GPS数据并不可行。

以上的研究都为车道级别定位系统提供了有用的参考。但目前仍然没有一种无需额外设备、易于普及、能够提供车道级别定位的系统出现。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于智能手机的车道级别地图生成和定位系统及方法。

根据本发明提供的基于智能手机的车道级别地图生成和定位方法，包括如下步骤：

手机请求定位步骤：具体包括

步骤A1：通过手机上内置的GPS、加速度传感器、方向传感器获取车辆的实时GPS、加速度、方向数据；

步骤A2：手机客户端通过监测加速度传感器、方向传感器所采集数据的变化，识别车辆变道和转弯时的动作点；

步骤A3：手机客户端将获得的GPS数据上传至服务器，所述GPS数据包括：车辆变道和转弯时的动作点GPS数据、车辆的实时GPS数据；

服务器更新地图步骤：具体包括

步骤B1：服务器汇总各个用户手机客户端上传的GPS数据，得到用户的车道位置信息，并生成包含有车道信息的道路地图；

步骤B2：服务器将包含有车道信息的道路地图反馈给用户。

优选地，还包括支付上传数据报酬步骤：服务器接收到某一用户上传的GPS数据后，根据上传的GPS数据量制定相应的报酬。

优选地，所述步骤A1包括：通过手机上内置的GPS、加速度传感器、方向传感器获取车辆的实时GPS、加速度、方向的初始数据，并对所述初始数据进行处理，具体地：

根据车辆加速度的大小，将车辆的运行状态分为：稳定状态和剧烈状态，当车辆加速度小于设定阈值时，则认为车辆处于稳定状态；当车辆加速度大于等于设定阈值时，则认为车辆处于稳定状态；根据车俩运行的不同状态分别建立不同的模型，并得到不同模型的位置后，利用IMM(InteractingMultipleModel，交互式多模型)算法对车辆的实时GPS、加速度、方向初始数据以及不同模型的位置进行合并后得到修正的车辆实时GPS、加速度、方向数据。

优选地，所述步骤A1中，车辆处于不同的运行状态时的模型位置计算方法如下：

假设某车在k时刻的位置为(X_k,Y_k)，则车辆处于剧烈状态时的模型位置计算公式为：

$X_{k+1}=X_k+v_{x}t+\frac{1}{2}{a}_x{t}^2=X_k+vtcos\mathrm{\β}+\frac{1}{2}{a}_x{t}^2$

$Y_{k+1}=Y_k+v_{y}t+\frac{1}{2}{a}_y{t}^2=Y_k+vtcos\mathrm{\β}+\frac{1}{2}{a}_y{t}^2$

且，速率v'_x,v'_y和β在k+1时刻也会按照下式改变：

v'_x＝v_x+a_xt；

v'_y＝v_y+a_yt；

${\mathrm{\β}}^{\′}=arctan\frac{v_y+a_{y}t}{v_x+a_{x}t};$

式中：X_k表示k时刻车辆位置的横坐标，Y_k表示k时刻车辆位置的纵坐标，X_k+1表示k+1时刻车辆位置的横坐标，Y_k+1表示k+1时刻车辆位置的纵坐标，v_x表示当前时刻行车速度在横坐标轴上的分量，t表示两相邻时刻间的时间间隔，a_x表示车辆加速度在横坐标轴上的分量，β表示当前时刻行车方向与横坐标轴间的夹角，v表示车辆行车速度，v_y表示当前时刻行车速度在纵坐标轴上的分量，a_y表示车辆加速度在纵坐标轴上的分量，v'_x表示下一时刻行车速度在横坐标轴上的分量，v'_y表示下一时刻行车速度在纵坐标轴上的分量，β′表示下一时刻行车方向与横坐标轴间的夹角；

车辆处于稳定状态时的模型位置计算公式为：

X_k+1＝X_k+v_xt＝X_k+vtcosβ

Y_k+1＝Y_k+v_yt＝Y_k+vtcosβ。

优选地，所述步骤A2包括：

步骤A2.1：手机客户端使用移动滑窗分别监测加速度传感器和方向传感器的最近200个样本，每当有新的加速度和方向数据出现时，计算滑窗中的方差；

步骤A2.2：若加速度传感器和方向传感器对应的任意一个的滑窗方差超过阈值，则认为车辆有动作产生，即开始变道或转弯；

步骤A2.3：若加速度传感器和方向传感器中的滑窗方差都落回阈值以内，则认为车俩动作结束，开始检查方向传感器所采集数据的变化；若方向传感器的滑窗内均值增加且超过阈值，则判定动作为右转；若滑窗内均值减小且小于阈值，则判断动作为左转；

步骤A2.4：若方向传感器数值变化小于预先设置的方向阈值，将车辆动作开始前50点和动作开始后150点数据放入SVM算法进行分类，通过已经训练好的模型判断车辆是左变道还是右变道。

优选地，所述步骤B1包括：

步骤B1.1：根据步骤A3中上传的车辆变道和转弯时的动作点GPS数据，将用户上传的GPS数据进行分段，当车辆转弯或者变道时，服务器根据车辆转弯或者变道后上传的GPS数据利用约束型K-Means(K类平均)聚类方法得到用户的车道位置信息；其中定位到的车道编号计算公式如下：

$L=\arg {\min }_k\underset{i=1}{\overset{N}{\Σ}}{(x_i-C_k)}^2;$

式中：k表示车道编号，C_k表示车道k相对于道路中心线的偏移量，N表示上传GPS数据的数量，x_i表示第i个GPS数据样本在与道路垂直的坐标轴上的一维坐标，L表示定位到的道路的编号，argmin(·)表示取最小值运算；

步骤B1.2：根据用户的车道位置信息以及用户手机客户端上传的GPS数据生成包含有车道信息的道路地图。

优选地，约束型K-Means聚类方法包含如下步骤：

S1：将用户手机客户端上传的GPS数据，即位置采样点数据集，按照变道和转弯点进行分割，形成Must-link(必关联)和Cannot-link(无关联)两个约束条件，构建分类的约束条件为：Must-link中的数据点被归为一类，且Cannot-link中的数据不在该类中；

S2：随机初始化每一个聚类的聚类中心，即在与道路方向垂直的方向上的一维坐标位置，对手机客户端上传的GPS数据中的每一个位置数据，即采样点，找出距离采用点最近的聚类中心，判断该聚类中心中的点是否与该采样点在所述必关联和无关联两个约束条件相矛盾，即是否有该聚类中心中的点与本采样点有无关联约束条件，若矛盾，则判断出该聚类中心之外最近的聚类中心；若不矛盾则将该采样点分配进该聚类集合中。

优选地，所述相应的报酬是指使用博弈论中的StackelburgGame模型，建立了服务器端和用户端的效用模型后，得到能够最大化服务器端总效用的报酬。

根据本发明提供的基于智能手机的车道级别地图生成和定位系统，包括智能手机、手机客户端、服务器，其中，

-所述智能手机内置有GPS、加速度传感器、方向传感器，能够获取车辆的实时GPS、加速度、方向数据；

-所述手机客户端为具有导航地图的手机应用模块，能够监测加速度传感器、方向传感器的变化，识别车辆变道和转弯时的动作点，将车辆实时GPS数据和动作点的GPS数据发送至服务器，并向服务器发送定位请求，接收服务器反馈的地图信息；

-所述服务器能够根据手机客户端上传的车辆实时GPS数据和动作点的GPS数据生成包含车道信息的地图，并将所述包含车道信息的地图反馈回用户。

与现有技术相比，本发明具有如下的有益效果：

1、本发明中的方法能够通过用户上传的GPS信息主动生成车道级别的地图，大大简化了绘制地图的工作；

2、本发明通过获取车辆动作信息，在获取初始位置的情况下，可以进行离线车道定位，这在信号不好的地方尤其具有优势；

3、本发明充分利用手机传感器获取的信息，得到变道点和转弯点，并以此改进了传统的聚类算法，加以约束，提高了聚类的准确度。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为本发明的工作流程图；

图2为本发明的架构示意图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。

现有的电子地图和定位导航软件都仅仅能够提供道路级别的地图和定位服务。限制其精度提升到车道级别的障碍主要有两个障碍：1)难以获取和生成车道级别的电子地图；2)现有的GPS或定位技术精度无法满足车道级别的定位要求。

在本发明中，通过以下技术来解决上述障碍：在地图生成和定位方面，通过对GPS数据进行处理，提高其精度，并利用车辆的变道、转弯等动作信息进行车道聚类，提高其正确性。而其中的动作检测，通过使用加速度和方向两个传感器，能够对车辆的变道和转弯动作进行高准确率的识别，从而为车道聚类提供准确的信息。

如图1所示，本实施例是通过以下技术方案实现的，本实施例包括如下步骤：

步骤1：首先获取GPS、加速度和方向传感器数据，并根据加速度传感器的数值对GPS数据进行处理，提高其精度与稳定性。通过IMM算法，我们将车辆的运动状态分为两部分：当加速度数值较小时为稳定状态，当加速度数值较大时为剧烈状态。假设某车在k时刻的位置为(X_k,Y_k)剧烈状态的位置由下式计算：

$X_{k+1}=X_k+v_{x}t+\frac{1}{2}{a}_x{t}^2=X_k+vtcos\mathrm{\β}+\frac{1}{2}{a}_x{t}^2$

$Y_{k+1}=Y_k+v_{y}t+\frac{1}{2}{a}_y{t}^2=Y_k+vtcos\mathrm{\β}+\frac{1}{2}{a}_y{t}^2$

速率v'_x,v'_y和β在k+1时刻也会按照下式改变：

v'_x＝v_x+a_xt；

v'_y＝v_y+a_yt；

${\mathrm{\β}}^{\′}=arctan\frac{v_y+a_{y}t}{v_x+a_{x}t};$

由于在稳定状态时加速度数值较小，模型中加速度部分大多为噪声，因此稳定状态时的模型为：

X_k+1＝X_k+v_xt＝X_k+vtcosβ

Y_k+1＝Y_k+v_yt＝Y_k+vtcosβ

计算出每个模型中的位置后，再利用RafaelToledo-Moreo等人的IMM算法将多个模型的预测值合并，得到最终的优化结果。

步骤2：我们利用滑窗实时监测加速度和方向传感器传来的数据。每当有新的数据传来时，系统都会重新计算滑窗中的方差。假设k时刻两传感器的方差分别为V_a，k和V_o，k，其方差阈值分别为D_a和D_o。若k-1时刻未发现方差超过阈值，而在k时刻某一传感器方差超过阈值，则说明有动作发生。此时检查是否已检测到有动作正在发生，若没有则通知系统有动作开始发生，两个传感器的重复检测。

若在k时刻加速度方差由超过阈值落回阈值内，说明加速度动作结束。此时将前一段时间的加速度数据放入训练好的SVM中判断其动作为左变道或右变道。此时检查方向传感器是否同样动作结束。若方向传感器动作未结束，则仅记录SVM判断结果；若结束且方向变化未超过阈值，则通知系统，车辆动作为SVM判断结果；若结束且方向变化超过阈值，则什么也不做。

同样的，当k时刻方向方差由超过阈值落回阈值内，说明方向传感器动作结束。此时判断动作开始和结束时刻方向变化情况，若方向变化未超过阈值，说明动作为变道，则等待加速度动作结束时得出结果。若方向变化超过阈值，则利用变化的正负判断其是左转还是右转。

步骤3：记录动作开始时的GPS点，并与其他GPS数据一并上传。数据的上传通过移动网络，并以某一时间间隔上传。当转弯动作结束后，也会重新上传数据以及时获取定位。

步骤4：服务器接收到某一用户上传的GPS数据后，会根据其数据量制定相应的报酬，以鼓励用户上传GPS数据。在制定报酬的过程中，服务器端无法得知系统中在线的总用户数和其上传数据的开销，仅仅知道其在区间上的概率密度函数f(c)。假设服务器端收集到某条道路的GPS数量为Q，用户U_i上传的GPS数量为q_i，单位开销为C_i。服务器端的效用函数为：

u(x_i)＝λln(1+Q+q_i)-λln(1+Q)-R(q_i)

u(x_i)＝λln(1+Q+q_i)-λln(1+Q)-x_iln(1+q_i)

用户U_i的效用函数为：

u_i(q_i)＝R(q_i)-c_iq_i＝x_iln(1+q_i)-c_iq_i

用户会通过改变上传量q_i以获取最大的效用。令上式对q_i求一阶导得:

$q_i^{*}=\frac{x_i}{c_i}-1$

由于其二阶导小于0，因此其局部最优解即为全局最优解。

假设C_i服从均匀分布，即

u(x_i)的期望为：

$E\[u\left(x_i\right)\]=\mathrm{\λ}\underset{\underset{\‾}{c}}{\overset{\stackrel{\‾}{c}}{\∫}}\frac{1}{\stackrel{\‾}{c}-\underset{\‾}{c}}ln(Q+\frac{x_i}{c_i})dc-\mathrm{\λ}ln(1+Q)-x_{i}ln\left(x_i\right)+\underset{\underset{\‾}{c}}{\overset{\stackrel{\‾}{c}}{\∫}}\frac{1}{\stackrel{\‾}{c}-\underset{\‾}{c}}{x}_{i}ln\left(c\right)dc$

令上式对x_i的一阶导等于0， $\mathrm{\α}=\frac{\mathrm{\λ}}{(\stackrel{\‾}{c}-\underset{\‾}{c})Q},\mathrm{\β}=2-\frac{\stackrel{\‾}{c}\ln \left(\stackrel{\‾}{c}\right)-\underset{\‾}{c}ln\left(\underset{\‾}{c}\right)}{\stackrel{\‾}{c}-\underset{\‾}{c}}$ 则：

$e^{\frac{\mathrm{\β}}{\mathrm{\α}}}{x}_i^{1+\frac{1}{\mathrm{\α}}}+e^{\frac{\mathrm{\β}}{\mathrm{\α}}}Q\underset{\‾}{c}{x}_i^{\frac{1}{\mathrm{\α}}}-x_i-Q\stackrel{\‾}{c}=0$

我们可以通过牛顿法求解该式的最优解。

步骤5：每当车辆转弯后，其之前的车道位置便不再可用。用户因此会上传其在转弯后的一段GPS数据。服务器根据用户上传的GPS数据，通过约束型K-Means聚类方法，将该用户的数据聚类到已有的车道地图中，从而定位出其车道位置。当初始位置确定后，在该段道路上的定位可以仅使用变道信息进行改变。

定位到的车道编号由右式计算：

其中k表示车道编号，C_k表示车道k相对于道路中心线的偏移量。N表示上传GPS数据的数量。为了保证精度，N不能过小。

步骤A：服务器汇总各个用户上传的GPS，根据所有用户上传的GPS数据，利用约束型K-Means聚类算法，绘制出含有车道信息的道路地图。

其中，约束型K-Means聚类包含如下步骤：

S1：将上传的GPS数据按照变道和转弯点进行分割，形成Must-link和Cannot-link两个集合。Must-link中的数据点一定被归为一类，而Cannot-link中的数据点一定不在一类中。

S2：随机初始化每一类的聚类中心。对每一个采样点，找出距离其最近的聚类中心。判断该聚类中心中的点是否与该采样点在1中的约束条件中相矛盾。若矛盾则判断除该中心之外最近的聚类中心，若不矛盾则分配进去。

约束型K-Means聚类算法需要车道的数量作为输入，最后得到每条车道的中心线。然而车道数量也是我们需要计算的结果之一。因此我们预设出车道的数量k∈{1,2,...,10}，计算在该车道数量下，聚类出的结果与数据点的误差。该误差由右式计算：G_k＝d_avg*k²，其中d_avg表示数据点与聚类中心的平均误差。

找出G_k最小的车道数量k作为聚类出的车道数量，而其聚类中心就是每条车道的中心线。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。

Claims (9)

1.一种基于智能手机的车道级别地图生成和定位方法，其特征在于，包括如下步骤：

手机请求定位步骤：具体包括

步骤A1：通过手机上内置的GPS、加速度传感器、方向传感器获取车辆的实时GPS、加速度、方向数据；

步骤A2：手机客户端通过监测加速度传感器、方向传感器所采集数据的变化，识别车辆变道和转弯时的动作点；

步骤A3：手机客户端将获得的GPS数据上传至服务器，所述GPS数据包括：车辆变道和转弯时的动作点GPS数据、车辆的实时GPS数据；

服务器更新地图步骤：具体包括

步骤B1：服务器汇总各个用户手机客户端上传的GPS数据，得到用户的车道位置信息，并生成包含有车道信息的道路地图；

步骤B2：服务器将包含有车道信息的道路地图反馈给用户。

2.根据权利要求1所述的基于智能手机的车道级别地图生成和定位方法，其特征在于，还包括支付上传数据报酬步骤：服务器接收到某一用户上传的GPS数据后，根据上传的GPS数据量制定相应的报酬。

3.根据权利要求1所述的基于智能手机的车道级别地图生成和定位方法，其特征在于，所述步骤A1包括：通过手机上内置的GPS、加速度传感器、方向传感器获取车辆的实时GPS、加速度、方向的初始数据，并对所述初始数据进行处理，具体地：

根据车辆加速度的大小，将车辆的运行状态分为：稳定状态和剧烈状态，当车辆加速度小于设定阈值时，则认为车辆处于稳定状态；当车辆加速度大于等于设定阈值时，则认为车辆处于稳定状态；根据车俩运行的不同状态分别建立不同的模型，并得到不同模型的位置后，利用IMM算法对车辆的实时GPS、加速度、方向初始数据以及不同模型的位置进行合并后得到修正的车辆实时GPS、加速度、方向数据。

4.根据权利要求3所述的基于智能手机的车道级别地图生成和定位方法，其特征在于，所述步骤A1中，车辆处于不同的运行状态时的模型位置计算方法如下：

假设某车在k时刻的位置为(X_k,Y_k)，则车辆处于剧烈状态时的模型位置计算公式为：

$X_{k+1}=X_k+v_{x}t+\frac{1}{2}{a}_x{t}^2=X_k+vtcos\mathrm{\β}+\frac{1}{2}{a}_x{t}^2$

$Y_{k+1}=Y_k+v_{y}t+\frac{1}{2}{a}_y{t}^2=Y_k+vtcos\mathrm{\β}+\frac{1}{2}{a}_y{t}^2$

且，速率v'_x,v'_y和β在k+1时刻也会按照下式改变：

v'_x＝v_x+a_xt；

v'_y＝v_y+a_yt；

${\mathrm{\β}}^{\′}=arctan\frac{v_y+a_{y}t}{v_x+a_{x}t};$

式中：X_k表示k时刻车辆位置的横坐标，Y_k表示k时刻车辆位置的纵坐标，X_k+1表示k+1时刻车辆位置的横坐标，Y_k+1表示k+1时刻车辆位置的纵坐标，v_x表示当前时刻行车速度在横坐标轴上的分量，t表示两相邻时刻间的时间间隔，a_x表示车辆加速度在横坐标轴上的分量，β表示当前时刻行车方向与横坐标轴间的夹角，v表示车辆行车速度，v_y表示当前时刻行车速度在纵坐标轴上的分量，a_y表示车辆加速度在纵坐标轴上的分量，v'_x表示下一时刻行车速度在横坐标轴上的分量，v'_y表示下一时刻行车速度在纵坐标轴上的分量，β′表示下一时刻行车方向与横坐标轴间的夹角；

车辆处于稳定状态时的模型位置计算公式为：

X_k+1＝X_k+v_xt＝X_k+vtcosβ

Y_k+1＝Y_k+v_yt＝Y_k+vtcosβ。

5.根据权利要求1所述的基于智能手机的车道级别地图生成和定位方法，其特征在于，所述步骤A2包括：

步骤A2.1：手机客户端使用移动滑窗分别监测加速度传感器和方向传感器的最近200个样本，每当有新的加速度和方向数据出现时，计算滑窗中的方差；

步骤A2.2：若加速度传感器和方向传感器对应的任意一个的滑窗方差超过阈值，则认为车辆有动作产生，即开始变道或转弯；

步骤A2.3：若加速度传感器和方向传感器中的滑窗方差都落回阈值以内，则认为车俩动作结束，开始检查方向传感器所采集数据的变化；若方向传感器的滑窗内均值增加且超过阈值，则判定动作为右转；若滑窗内均值减小且小于阈值，则判断动作为左转；

步骤A2.4：若方向传感器数值变化小于预先设置的方向阈值，将车辆动作开始前50点和动作开始后150点数据放入SVM算法进行分类，通过已经训练好的模型判断车辆是左变道还是右变道。

6.根据权利要求1所述的基于智能手机的车道级别地图生成和定位方法，其特征在于，所述步骤B1包括：

步骤B1.1：根据步骤A3中上传的车辆变道和转弯时的动作点GPS数据，将用户上传的GPS数据进行分段，当车辆转弯或者变道时，服务器根据车辆转弯或者变道后上传的GPS数据利用约束型K-Means聚类方法得到用户的车道位置信息；其中定位到的车道编号计算公式如下：

$L=\arg {\min }_k\underset{i=1}{\overset{N}{\Σ}}{(x_i-C_k)}^2;$

式中：k表示车道编号，C_k表示车道k相对于道路中心线的偏移量，N表示上传GPS数据的数量，x_i表示第i个GPS数据样本在与道路垂直的坐标轴上的一维坐标，L表示定位到的道路的编号，argmin(·)表示取最小值运算；

步骤B1.2：根据用户的车道位置信息以及用户手机客户端上传的GPS数据生成包含有车道信息的道路地图。

7.根据权利要求6所述的基于智能手机的车道级别地图生成和定位方法，其特征在于，约束型K-Means聚类方法包含如下步骤：

S1：将用户手机客户端上传的GPS数据，即位置采样点数据集，按照变道和转弯点进行分割，形成必关联和无关联两个约束条件，构建分类的约束条件为：必关联中的数据点被归为一类，且无关联中的数据不在该类中；

S2：随机初始化每一个聚类的聚类中心，即在与道路方向垂直的方向上的一维坐标位置，对手机客户端上传的GPS数据中的每一个位置数据，即采样点，找出距离采用点最近的聚类中心，判断该聚类中心中的点是否与该采样点在所述必关联和无关联两个约束条件相矛盾，即是否有该聚类中心中的点与本采样点有无关联约束条件，若矛盾，则判断出该聚类中心之外最近的聚类中心；若不矛盾则将该采样点分配进该聚类集合中。

8.根据权利要求2所述的基于智能手机的车道级别地图生成和定位方法，其特征在于，所述相应的报酬是指使用博弈论中的StackelburgGame模型，建立了服务器端和用户端的效用模型后，得到能够最大化服务器端总效用的报酬。

9.一种基于智能手机的车道级别地图生成和定位系统，其特征在于，包括智能手机、手机客户端、服务器，其中，

-所述智能手机内置有GPS、加速度传感器、方向传感器，能够获取车辆的实时GPS、加速度、方向数据；

-所述手机客户端为具有导航地图的手机应用模块，能够监测加速度传感器、方向传感器的变化，识别车辆变道和转弯时的动作点，将车辆实时GPS数据和动作点的GPS数据发送至服务器，并向服务器发送定位请求，接收服务器反馈的地图信息；

-所述服务器能够根据手机客户端上传的车辆实时GPS数据和动作点的GPS数据生成包含车道信息的地图，并将所述包含车道信息的地图反馈回用户。