CN107741217A - 道路线性信息中平曲线的直圆/圆直点识别定位方法 - Google Patents
道路线性信息中平曲线的直圆/圆直点识别定位方法 Download PDFInfo
- Publication number
- CN107741217A CN107741217A CN201710929344.4A CN201710929344A CN107741217A CN 107741217 A CN107741217 A CN 107741217A CN 201710929344 A CN201710929344 A CN 201710929344A CN 107741217 A CN107741217 A CN 107741217A
- Authority
- CN
- China
- Prior art keywords
- mrow
- data
- point
- msup
- cluster
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C7/00—Tracing profiles
- G01C7/02—Tracing profiles of land surfaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Navigation (AREA)
Abstract
本发明提供一种道路线性信息中平曲线的直圆/圆直点识别定位方法，其特征在于：包括以下步骤：S1：通过车载测量装置获取测试车辆在道路上行驶的数据并输入计算机中，行驶数据包括航向角数据、行驶仪数据，并计算得到行车轨迹数据；S2：通过改进型K‑均值聚类分析法进行候选节点识别；S3：作图得到航向角数据图，将候选节点在航向角数据图上进行标记；S4：将位于过渡段的节点作为参考点，移除候选节点前后的M个样本数据，使数据组被切断并分成若干近似直线的部分；S5：对被切断的片段进行线性拟合；S6：延长各拟合线段，并使其相交，交点即为直圆或圆直点。本发明能够解决道路平曲线测量的关键问题，提高道路测量效率和准确度。
Description
技术领域
本发明属于道路测量领域，特别涉及一种道路线性信息中平曲线的直圆/圆直点识别定位方法。
背景技术
目前，国内外对于道路几何参数运用人工测绘的方法采集，但该方法检测效率低、准确率低，要消耗大量的人力物力，在高速路上采集数据影响交通，不利于行车安全，不能实现路网级的数据采集及分析。
国内外对于道路水平曲线半径的测量方法主要通过卫星地图数据，并结合弦长法、弦平面圆法以及圆拟合法计算道路平曲线半径。但卫星地图的数据精度太低，且路面树木、广告牌、建筑物等的遮挡，会影响道路路线的描绘。同时，目前广泛使用的平曲线半径计算方法，都是建立在已经识别直圆/圆直点的基础上。人工法进行直圆/圆直点的识别定位降低了测量的效率。另一种广泛采用的方法，是通过安装车载仪器进行道路几何线性的测量，例如：球式示倾器(BBI)、地理信息系统(GIS)等仪器。车载球式示倾器可测量车辆横向加速度，然后根据点质量公式和弧度测量方法计算曲线半径。但该仪器不能直接测量平曲线的直圆/圆直点，并且车身的倾斜和车速的变化会影响平曲线半径测量的准确度。地理信息系统(GIS)是通过记录车辆的位置和轨迹信息，进而计算平曲线的相关参数，但目前使用的算法，入圆周匹配法等，仍无法对平曲线的直圆/圆直点进行自动识别定位，还需要大量的人工辅助测量，对于复杂曲线依旧缺乏自动识别能力，因此仍不能实现高效的路网级测量。同时，车载设备虽实现了自动化的数据采集，然而也带来了新的误差：检测过程中车辆的偏移颠簸都会影响检测的结果。然而，目前极少有研究针对检测车带来的误差，对测量结果进行校正。
直圆/圆直点是曲线段和切线段或不同半径曲线段之间的连接点，平曲线的相关参数必须在直圆/圆直点确定的前提下进行测量，直圆/圆直点的识别定位是平曲线半径测量需解决的关键问题。然而目前并没有很好的测量方法可以实现直圆/圆直点的自动化识别定位。目前广泛采用的直圆/圆直点的检测方法是利用全站仪进行测绘，确定平曲线的直圆/圆直点，该方法需要在高速路架设仪器，存在极大的安全问题，并且采用人工检测直圆/圆直点工作效率低。因此亟待一种准确率高，且能够自动化识别定位直圆/圆直点的检测方法，以解决道路平曲线测量的关键问题，提高检测效率。
发明内容
为解决上述问题，本发明的目的是提供一种道路线性信息中平曲线的直圆/圆直点识别定位方法。
本发明采用以下技术方案：一种道路线性信息中平曲线的直圆/圆直点识别定位方法，其特征在于：包括以下步骤：
步骤S1：通过车载测量装置获取测试车辆在道路上行驶的数据并输入计算机中，行驶数据包括航向角数据、行驶仪数据，并计算得到行车轨迹数据；
步骤S2：通过改进型K-均值聚类分析法进行候选节点识别；
步骤S3：以航向角数据的样本ID作为横坐标，航向角值作为纵坐标作图，得到航向角数据图，将改进型K-均值聚类分析方法得到的候选节点，通过其样本ID在航向角数据图上进行标记；
步骤S4：将位于过渡段的节点作为参考点，移除候选节点前后的M个样本数据，使数据组在航向角数据图中被切断并分成若干近似直线的部分；
步骤S5：对被切断的若干近似直线的片段对应的数据进行线性拟合；
步骤S6：在航向角数据图上延长各拟合线段，并使其相交，将交点即为水平曲线的直圆或圆直点，根据交叉点的样本ID，将直圆/圆直点的具体位置在航向角数据以及行车轨迹数据上进行标记。
优选地，所述车载测量装置包括惯性测量单元和测距仪。
优选地，步骤S2包括以下具体步骤：
步骤S21：确定聚类分析的K值，其中，H(x,y)为航向角数据；G(x,y)为航向角梯度值；G′(x,y)为航向角梯度二阶导数，
航向角的梯度和航向角梯度二阶导数分别由公式(1)、(2)得到，
将G′(x,y)的零点数量定义为K值，初始种子点则用于分割；
步骤S22：计算每个对象到每个聚类的欧氏平方距离，并将每个对象分配给最近的一个聚类，如公式(3)所示：
其中，c(i)为第ith对象到第jth聚类的最小平方欧氏距离；x(i)为第ith对象的位置；μj为第jth聚类的位置；
步骤S23：对于每一个聚类，新的质心由公式(4)计算得到，并且每个种子值由各自的聚类质心替换：
其中，c(i)为第ith对象到第jth聚类的最小平方欧氏距离；μk为聚类j新的质心；m为第jth个聚类数据的样本大小；x(i)为第ith个对象的位置；
步骤S24：重复步骤S22和步骤S23，直到没有对象分配到聚类，确定聚类候选节点。
优选地，所述步骤S4中M的取值范围为50-400。
优选地，所述步骤S5中，线性拟合得到线段的斜率值用于判断平曲线路段的转弯方向，其中负值定义为左转方向，正值定义为右转方向。
本发明采用改进型K均值聚类模型，利用车载测量装置获取相关参数后，通过计算机程序，可以实现实现候选节点的自动化探测；通过线性拟合方法，剔除车辆偏移的影响，对直圆/圆直点进行精准的识别定位，以解决道路平曲线测量的关键问题，提高道路测量效率和准确度。
附图说明
图1为本发明实施例中步骤S3的示意图；
图2为本发明实施例中步骤S4的示意图；
图3为本发明实施例中步骤S5的示意图；
图4为本发明实施例中步骤S6的示意图。
具体实施方式
为让本专利的特征和优点能更明显易懂，下面结合具体实施例对本发明做进一步解释说明。
本发明中，道路的平曲线参数通过在道路上行驶的测试车辆的相关参数来反映或计算，在本实施例中，测试车辆在道路上行驶的数据通过惯性测量单元(IMU)和测距仪(DMI)来采集，采集的数据主要包括：航向角数据和行驶仪数据。
本实施例中，选用的惯性测量单元(IMU)由加速度计、陀螺仪组成。该仪器采集的数据通过RS232接口输出，可设定带宽1-200Hz，1000Hz的数字输出频率。加速度计用来测量三个方向的线加速，陀螺仪测量车辆三个方向的绝对角速率。利用A/D转换器进行IMU各传感器的模拟变量，转换为数字信息后经过CPU解算，再经过温度补偿，刻度因子补偿、陀螺仪零偏与增量校准零偏修正、安装误差补偿等补偿方法处理后，输出出车辆的运动过程的角速率、和加速度信息。
本实施例所采用的道路线性信息中平曲线的直圆/圆直点识别定位方法具体包括下述步骤：
步骤S1：通过车载测量装置获取测试车辆在道路上行驶的数据并输入计算机中，行驶数据包括航向角数据、行驶仪数据，并计算得到行车轨迹数据；
步骤S2：通过改进型K-均值聚类分析法进行候选节点识别；本步骤利用惯性测量单元测量检测车辆行驶过程中的航向角，并对K均值聚类分析模型进行改进，结合计算得到检测车航向角梯度值，自动探测出被检测路段几何线性转折的候选节点；
步骤S3：以航向角数据的样本ID作为横坐标，航向角值作为纵坐标作图，得到航向角数据图，将改进型K-均值聚类分析方法得到的候选节点，通过其样本ID在航向角数据图上进行标记(如图1所示)；
步骤S4：将位于过渡段的节点作为参考点，移除候选节点前后的150个样本数据，使数据组在航向角数据图中被切断并分成若干近似直线的部分(如图2所示)；移除缓和曲线段数据，可消除航向角渐变过渡的影响；
步骤S5：对被切断的若干近似直线的片段对应的数据进行线性拟合(如图3所示)；
步骤S6：在航向角数据图上延长各拟合线段，并使其相交，将交点即为水平曲线的直圆或圆直点，根据交叉点的样本ID，将直圆/圆直点的具体位置在航向角数据以及行车轨迹数据上进行标记(如图4所示)通过线性拟合的方法可消除车辆航向角波动以及行车偏移的影响。
其中步骤S2包括以下具体步骤：
步骤S21：确定聚类分析的K值，其中，H(x,y)为航向角数据；G(x,y)为航向角梯度值；G′(x,y)为航向角梯度二阶导数，
航向角的梯度和航向角梯度二阶导数分别由公式(1)、(2)得到，
将G′(x,y)的零点数量定义为K值，初始种子点则用于分割，其中初始种子点是G(x,y)上的随机点；
步骤S22：计算每个对象到每个聚类的欧氏平方距离，并将每个对象分配给最近的一个聚类，如公式(3)所示：
其中，c(i)为第ith对象到第jth聚类的最小平方欧氏距离；x(i)为第ith对象的位置；μj为第jth聚类的位置；
步骤S23：对于每一个聚类，新的质心由公式(4)计算得到，并且每个种子值由各自的聚类质心替换：
其中，c(i)为第ith对象到第jth聚类的最小平方欧氏距离；μk为聚类j新的质心；m为第jth个聚类数据的样本大小；x(i)为第ith个对象的位置；
步骤S24：重复步骤S22和步骤S23，直到没有对象分配到聚类，确定聚类候选节点。
在本实施例的步骤S5中，线性拟合得到线段的斜率值可以用于判断平曲线路段的转弯方向，其中负值定义为左转方向，正值定义为右转方向。
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。
Claims (5)
1.一种道路线性信息中平曲线的直圆/圆直点识别定位方法，其特征在于：包括以下步骤：
步骤S1：通过车载测量装置获取测试车辆在道路上行驶的数据并输入计算机中，行驶数据包括航向角数据、行驶仪数据，并计算得到行车轨迹数据；
步骤S2：通过改进型K-均值聚类分析法进行候选节点识别；
步骤S3：以航向角数据的样本ID作为横坐标，航向角值作为纵坐标作图，得到航向角数据图，将改进型K-均值聚类分析方法得到的候选节点，通过其样本ID在航向角数据图上进行标记；
步骤S4：将位于过渡段的节点作为参考点，移除候选节点前后的M个样本数据，使数据组在航向角数据图中被切断并分成若干近似直线的部分；
步骤S5：对被切断的若干近似直线的片段对应的数据进行线性拟合；
步骤S6：在航向角数据图上延长各拟合线段，并使其相交，将交点即为水平曲线的直圆或圆直点，根据交叉点的样本ID，将直圆/圆直点的具体位置在航向角数据以及行车轨迹数据上进行标记。
2.根据权利要求1所述的道路线性信息中平曲线的直圆/圆直点识别定位方法，其特征在于：所述车载测量装置包括惯性测量单元和测距仪。
3.根据权利要求2所述的道路线性信息中平曲线的直圆/圆直点识别定位方法，其特征在于：步骤S2包括以下具体步骤：
步骤S21：确定聚类分析的K值，其中，H(x,y)为航向角数据；G(x,y)为航向角梯度值；G′(x,y)为航向角梯度二阶导数，
航向角的梯度和航向角梯度二阶导数分别由公式(1)、(2)得到，
<mrow>
<mi>G</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>y</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<mi>x</mi>
</mrow>
</mfrac>
<mi>H</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
<mrow>
<msup>
<mi>G</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>y</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<mi>x</mi>
</mrow>
</mfrac>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>y</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<mi>x</mi>
</mrow>
</mfrac>
<mi>H</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
将G′(x,y)的零点数量定义为K值，初始种子点则用于分割；
步骤S22：计算每个对象到每个聚类的欧氏平方距离，并将每个对象分配给最近的一个聚类，如公式(3)所示：
<mrow>
<msup>
<mi>c</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>=</mo>
<mi>arg</mi>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mi>j</mi>
</munder>
<mo>|</mo>
<mo>|</mo>
<msup>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mi>j</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中，c(i)为第ith对象到第jth聚类的最小平方欧氏距离；x(i)为第ith对象的位置；μj为第jth聚类的位置；
步骤S23：对于每一个聚类，新的质心由公式(4)计算得到，并且每个种子值由各自的聚类质心替换：
<mrow>
<msub>
<mi>&mu;</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</msubsup>
<mn>1</mn>
<mo>{</mo>
<msup>
<mi>c</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>=</mo>
<mi>j</mi>
<mo>}</mo>
<msup>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msup>
</mrow>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</msubsup>
<mn>1</mn>
<mo>{</mo>
<msup>
<mi>c</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>=</mo>
<mi>j</mi>
<mo>}</mo>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中，c(i)为第ith对象到第jth聚类的最小平方欧氏距离；μk为聚类j新的质心；m为第jth个聚类数据的样本大小；x(i)为第ith个对象的位置；
步骤S24：重复步骤S22和步骤S23，直到没有对象分配到聚类，确定聚类候选节点。
4.根据权利要求3所述的道路线性信息中平曲线的直圆/圆直点识别定位方法，其特征在于：所述步骤S4中M的取值范围为50-400。
5.根据权利要求1-4其中任一所述的道路线性信息中平曲线的直圆/圆直点识别定位方法，其特征在于：所述步骤S5中，线性拟合得到线段的斜率值用于判断平曲线路段的转弯方向，其中负值定义为左转方向，正值定义为右转方向。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710929344.4A CN107741217B (zh) | 2017-09-30 | 2017-09-30 | 道路线性信息中平曲线的直圆/圆直点识别定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710929344.4A CN107741217B (zh) | 2017-09-30 | 2017-09-30 | 道路线性信息中平曲线的直圆/圆直点识别定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107741217A true CN107741217A (zh) | 2018-02-27 |
| CN107741217B CN107741217B (zh) | 2019-10-18 |
Family
ID=61236729
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710929344.4A Active CN107741217B (zh) | 2017-09-30 | 2017-09-30 | 道路线性信息中平曲线的直圆/圆直点识别定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107741217B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111060071A (zh) * | 2019-12-16 | 2020-04-24 | 中公高科养护科技股份有限公司 | 一种道路坡度的测量方法及系统 |
| CN112950740A (zh) * | 2019-12-10 | 2021-06-11 | 中交宇科（北京）空间信息技术有限公司 | 高精地图道路中心线的生成方法、装置、设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101059335A (zh) * | 2007-05-10 | 2007-10-24 | 上海交通大学 | 三维空间连杆曲线匹配度的检测方法 |
| JP4268644B2 (ja) * | 2007-01-22 | 2009-05-27 | アジア航測株式会社 | 移動体検出システム、移動体検出装置、移動体検出方法及び移動体検出プログラム |
| CN102721397A (zh) * | 2012-06-07 | 2012-10-10 | 江苏科技大学 | 基于垂直动载荷的现代时间序列提取路面特征参数的方法 |
| CN105717517A (zh) * | 2016-01-29 | 2016-06-29 | 河北省测绘资料档案馆 | 一种车载北斗多模gnss高精度道路基础数据采集方法 |
-
2017
- 2017-09-30 CN CN201710929344.4A patent/CN107741217B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4268644B2 (ja) * | 2007-01-22 | 2009-05-27 | アジア航測株式会社 | 移動体検出システム、移動体検出装置、移動体検出方法及び移動体検出プログラム |
| CN101059335A (zh) * | 2007-05-10 | 2007-10-24 | 上海交通大学 | 三维空间连杆曲线匹配度的检测方法 |
| CN102721397A (zh) * | 2012-06-07 | 2012-10-10 | 江苏科技大学 | 基于垂直动载荷的现代时间序列提取路面特征参数的方法 |
| CN105717517A (zh) * | 2016-01-29 | 2016-06-29 | 河北省测绘资料档案馆 | 一种车载北斗多模gnss高精度道路基础数据采集方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112950740A (zh) * | 2019-12-10 | 2021-06-11 | 中交宇科（北京）空间信息技术有限公司 | 高精地图道路中心线的生成方法、装置、设备及存储介质 |
| CN111060071A (zh) * | 2019-12-16 | 2020-04-24 | 中公高科养护科技股份有限公司 | 一种道路坡度的测量方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107741217B (zh) | 2019-10-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7949491B2 (en) | System and method for identifying road features | |
| US6856897B1 (en) | Method and system for computing road grade data | |
| CN105371857B (zh) | 一种基于公交车gnss时空轨迹数据建构路网拓扑的装置及方法 | |
| CN107402006B (zh) | 基于轨道几何特征信息匹配的列车精密定位方法和系统 | |
| JP3434429B2 (ja) | 鉄道航法システム及び鉄道車両の線路識別名を求める方法 | |
| CN107677268A (zh) | 车载式道路几何线性信息自动测量装置及方法 | |
| CN106469505B (zh) | 一种浮动车轨迹纠偏方法和装置 | |
| CN107798855A (zh) | 一种车道宽度计算方法和装置 | |
| CN104790283A (zh) | 一种基于车载加速度计的路面平整度快速检测系统 | |
| CN103093088A (zh) | 陡坡和弯曲道路的安全评估方法 | |
| CN107560599A (zh) | 一种基于特征点采样和曲线拟合的道路坡度数据处理方法 | |
| CN108765961A (zh) | 一种基于改进型限幅平均滤波的浮动车数据处理方法 | |
| CN108229803A (zh) | 一种特征路段的提取方法、危险路段的判断方法及系统 | |
| CN109649396A (zh) | 一种营运车辆驾驶员安全性检测方法 | |
| CN110864696A (zh) | 一种基于车载激光惯导数据的三维高精地图绘制方法 | |
| US8972173B2 (en) | Method for determining the length of the route travelled by a vehicle | |
| CN107741217B (zh) | 道路线性信息中平曲线的直圆/圆直点识别定位方法 | |
| CN107907134A (zh) | 一种里程信息辅助地磁匹配的车辆定位系统与方法 | |
| CN107727045A (zh) | 基于行车轨迹的道路平曲线半径测量方法 | |
| RU2242392C2 (ru) | Способ коррекции погрешностей определения местоположения рельсового транспортного средства и устройство для его реализации | |
| CN107339982A (zh) | 高铁线路测绘方法 | |
| CN101581583A (zh) | 运动物体的导航定位系统 | |
| CN1873721A (zh) | 一种可用于地面道路网交通状况测定的方法和系统 | |
| CN105717517B (zh) | 一种车载北斗多模gnss高精度道路基础数据采集方法 | |
| CN106568450A (zh) | 一种高架道路车载辅助导航算法及应用 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |