CN108959414A - 一种基于机器学习的导航数据点提取缺失道路的方法 - Google Patents
一种基于机器学习的导航数据点提取缺失道路的方法 Download PDFInfo
- Publication number
- CN108959414A CN108959414A CN201810581904.6A CN201810581904A CN108959414A CN 108959414 A CN108959414 A CN 108959414A CN 201810581904 A CN201810581904 A CN 201810581904A CN 108959414 A CN108959414 A CN 108959414A
- Authority
- CN
- China
- Prior art keywords
- point
- azimuth
- road
- circle
- points
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000010801 machine learning Methods 0.000 title claims abstract description 17
- 239000000284 extract Substances 0.000 title claims abstract description 9
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 230000010339 dilation Effects 0.000 claims description 3
- 241001269238 Data Species 0.000 claims description 2
- 230000004069 differentiation Effects 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 abstract 1
- 238000005457 optimization Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 5
- 239000012141 concentrate Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3492—Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical
Abstract
本发明公开了一种基于机器学习的导航数据点提取缺失道路的方法,采用导航终端软件所获取的GPS数据,通过矢量连接法完成缺失道路网的自动生成,结合机器学习方法进行交叉路口和弯道的检测从而完成道路网络优化。本发明的优点在于:1、生成的道路具有鲁棒性:准确地探测出多数人行驶的轨迹,对于只有极少数人走过的道路具有很好的规避效果。2、能够更加准确地表达出缺失路网的拓扑信息:对于直道与弯道有良好的区分,对于路口能够较准确地提取。
Description
技术领域
本发明涉及电子地图技术领域,特别涉及一种基于机器学习的导航数据点提取缺失道路的方法。
背景技术
随着我国基础设施建设的发展,全国道路网每天都在不断地快速更新着,而目前所用的电子地图的更新却远远跟不上这个速度,从而导致了电子地图的滞后性,但随着卫星定位技术以及各种终端导航软件的发展,海量的轨迹数据得以快速生成,而轨迹数据的真实且更新速度快的优点,恰恰能弥补电子地图更新落后于道路网更新的缺陷。而目前利用GPS点生成道路的方法主要集中于栅格法,其对于道路的拓扑信息表达不够明确。
发明内容
本发明针对现有技术的缺陷,提供了一种基于机器学习的导航数据点提取缺失道路的方法,能有效的解决上述现有技术存在的问题。
为了实现以上发明目的,本发明采取的技术方案如下:
一种基于机器学习的导航数据点提取缺失道路的方法,包括如下步骤:
S1:将原有道路网高斯投影后栅格化,并进行形态学中的膨胀运算,再将GPS点中的经纬度数据进行高斯投影与原有道路网的栅格图像进行对比,从而删去属于原有道路网的GPS点数据,剩余的数据点为属于缺失区域的GPS位置点。
S2:设道路的宽度为D;取一半径R,R=D,每个GPS点以自身坐标为圆心,R为半径作圆;统计落入该圆的GPS点数记为N;
S3:根据各点的N进行排序取最大者作为第一点即获得轨迹线段的初始点P0,以该点为中心作一个半径为R的圆和一个半径为3×R的圆,两个圆分别记为CR和C3R,用C3R减去CR得到一个圆环,记圆环中所有GPS点为点集S,计算点集S中的每个GPS点以自己为圆心,R为半径做圆,点集S中点落入该圆的点数记为Nt,取Nt为最大者作为本点P0的下一点P1,并记录下连接顺序。
然后再从P1开始,用S3相同的方法向后寻找;得到一个区域的道路中心点以及点之间的连接关系。
S4:针对每个轨迹中心点,以自身为圆心,作一半径为r的圆(r=D/2),取得所有落在该圆内的原始点记为点集Sr,对Sr中所有点的方位角和速度进行统计;
根据正常的驾驶习惯可以推测出:
1、直道上点的Sr中会有两种方位角α1和α2(单行道时只有一种),它们的数量占所有方位角数据的绝大部分,且在两者之间存在关系α1=α2±180°±10°;
2、在交叉路口处会出现多种方位角,且速度较慢;
3、在弯道处速度较为集中,不会太慢也不会太快,且方位角情况与直道类似,但分布不如直道集中。
S5:对上述特征进行统计描述;对每个轨迹中心点的Sr内的每个点统计其方位角、180°化之后的方位角以及速度,分别计算这些统计量的峰度、偏度、熵以及标准差,这样每个中心点的点集Sr就转化为一个12维的特征向量F。
F=[KαSKαSαSDαKα~180SKα~180Sα~180SDα~180KVSKVSVSDV]T
其中,
Kα为方位角峰度;
SDα为方位角标准差;
SKα为方位角偏度;
Sα为方位角熵;
Kα~180为方位角180°化后峰度;
SKα~180为方位角180°化后偏度;
Sα~180为方位角180°化后熵;
SDα~180为方位角180°化后标准差;
KV为速度峰度;
SKV为速度偏度;
SV为速度熵;
SDV为速度标准差;
使用机器学习中支持向量机(Support Vector Machine)的方法,对典型交叉路口、弯道和直道三种中心点各自对应的特征向量进行样本训练,从而得到机器学习模型。
S6:得到模型后针对每一条中心点轨迹LB:首先新建一条轨迹记为LT,LT的起点与LB相同,然后从第二点开始利用模型逐点判断LB中的点,分为三种情况:
1.直道上的点:无操作;
2.是弯道上的点:将该点加入LT;
3.是交叉路口的点:将该点加入点集SC;
将该点加入LT并作为其终点,记录下LT中的所有点以及点之间的连接关系,然后清空LT中所有点,加入该点为起点。
S7:最终每次记录下的LT即为该区域道路,而SC中所有点即为道路的节点。
进一步地,所述S3中在每次找到轨迹的起始点或者下一点之后,都将所有落入以该点为圆心,R为半径的圆内的点予以标记。已带有标记的点不可以再作为轨迹的起始点或下一点。
进一步地,所述S5中方位角180°化是指如果方位角大于180°则减去180°。
与现有技术相比本发明的优点在于:
1、生成的道路具有鲁棒性:准确地探测出多数车辆行驶的轨迹,对于只有极少数车辆行驶的轨迹具有很好的规避效果。
2、能够更加准确地表达出缺失路网的拓扑信息:对于直道与弯道有良好的区分,对于路口能够较准确地提取。
附图说明
图1为本发明实施例的方法流程图;
图2为本发明实施例的步骤二的直观表达示意图;
图3为本发明实施例的步骤三的直观表达示意图;
图4为本发明实施例的中间步骤成果示意图;
图5为本发明实施例的最终成果展示示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下结合附图并列举实施例,对本发明做进一步详细说明。
导航终端软件同时记录了车辆行驶过程中的时间、经度、纬度、速度以及方位角等数据,通过对高斯投影后的经纬度数据进行道路中心线提取,再对速度方位角信息进行驾驶行为的特征提取,能够对道路网的形状以及拓扑关系进行较为准确的提取。
如图1所示,一种基于机器学习的导航数据点提取缺失道路的方法,包括如下步骤:
S1:将原有道路网高斯投影后栅格化,并进行形态学中的膨胀运算,再将GPS点中的经纬度数据进行高斯投影与原有道路网的栅格图像进行对比,从而删去在原有道路网上行驶的轨迹数据,剩余的导航数据点为行驶在缺失区域的GPS位置点。
如图2所示,S2:由于GPS点的分布与道路本身的形状密切相关,故可粗略估计道路的宽度D。取一半径R,R=D,每个GPS点以自己为圆心,R为半径作圆;落入该圆内的点数N。(一个点的N越大,该点处在道路中心的概率也越大)。
如图3所示,S3:根据各点的N进行排序取最大者作为第一点即获得轨迹线段的初始位置P0,以该点为中心作一个半径为R的圆和一个半径为3×R的圆,两个圆分别记为CR和C3R,用C3R减去CR得到一个圆环,记圆环中所有点为点集S,对点集S中的每个点,计算以自己为圆心,R为半径做圆后,点集S中点落入该圆的点数Nt,取Nt为最大者作为本点P0的下一点P1,并记录下连接顺序。然后再从P1开始,用相同的方法向后寻找。
并且在每次找到轨迹的起始点或者下一点之后,都将所有落入以该点为圆心,R为半径的圆内的点予以标记。已带有标记的点不可以再作为轨迹的起始点或下一点。
如图4所示,通过这种方法计算之后,得到一个区域的道路中心点以及点之间的连接关系。
S4:针对每个轨迹中心点,以自身为圆心,作一半径为r的圆(r=D/2),取得所有落在该圆内的原始点记为点集Sr,对Sr中所有点的方位角和速度进行统计。根据正常的驾驶习惯可以推测出:①、直道上点的Sr中会有两种方位角α1和α2(单行道时只有一种),它们的数量占所有方位角数据的绝大部分,且在两者之间存在关系α1=α2±180°±10°;②、在交叉路口处会出现多种方位角,且速度较慢;③、在弯道处速度较为集中,不会太慢也不会太快,且方位角情况与直道类似,但分布不如直道集中。
S5:对上述特征进行统计描述。对每个轨迹中心点的Sr内的每个点统计其方位角、180°化之后的方位角(如果方位角大于180°则减去180°)以及速度,分别计算这些统计量的峰度、偏度、熵以及标准差,这样每个中心点的点集Sr就转化为一个12维的特征向量F。
F=[KαSKαSαSDαKα~180SKα~180Sα~180SDα~180KVSKVSVSDV]T
其中,
Kα为方位角峰度;
SDα为方位角标准差;
SKα为方位角偏度;
Sα为方位角熵;
Kα~180为方位角180°化后峰度;
SKα~180为方位角180°化后偏度;
Sα~180为方位角180°化后熵;
SDα~180为方位角180°化后标准差;
KV为速度峰度;
SKV为速度偏度;
SV为速度熵;
SDV为速度标准差;
使用机器学习中支持向量机(Support Vector Machine)的方法,对典型交叉路口、弯道和直道三种中心点各自对应的特征向量进行样本训练,从而得到机器学习模型。
S6:得到模型后针对每一条中心点轨迹LB:首先新建一条轨迹记为LT,LT的起点与LB相同,然后从第二点开始利用模型逐点判断LB中的点,分为三种情况:
1.直道上的点:无操作;
2.是弯道上的点:将该点加入LT;
3.是交叉路口的点:将该点加入点集SC;
将该点加入LT并作为其终点,记录下LT中的所有点以及它们之间的连接关系,然后清空LT中所有点,加入该点为起点。
如图5所示,S7:最终每次记录下的LT即为该区域道路,而SC中所有点即为道路的节点。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的实施方法,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (3)
1.一种基于机器学习的导航数据点提取缺失道路的方法,其特征在于,包括如下步骤:
S1:将原有道路网高斯投影后栅格化,并进行形态学中的膨胀运算,再将GPS点中的经纬度数据进行高斯投影与原有道路网的栅格图像进行对比,从而删去属于原有道路网的GPS点数据,剩余的数据点为属于缺失区域的GPS位置点;
S2:设道路的宽度为D;取一半径R,R=D,每个GPS点以自己为圆心,R为半径作圆;落入该圆内的点数N;
S3:根据各点的N进行排序取最大者作为第一点即获得轨迹线段的初始点P0,以该点为中心作一个半径为R的圆和一个半径为3×R的圆,两个圆分别记为CR和C3R,用C3R减去CR得到一个圆环,记圆环中所有GPS点为点集S,计算点集S中的每个GPS点以自己为圆心,R为半径做圆,点集S中点落入该圆的点数记为Nt,取Nt为最大者作为本点P0的下一点P1,并记录下连接顺序;
然后再从P1开始,用S3相同的方法向后寻找;得到一个区域的道路中心点以及点之间的连接关系;
S4:针对每个轨迹中心点,以自身为圆心,作一半径为r的圆,r=D/2,取得所有落在该圆内的原始点记为点集Sr,对Sr中所有点的方位角和速度进行统计;
根据正常的驾驶习惯可以推测出:
1、直道上点的Sr中会有两种方位角α1和α2,若是单行道则只有α1和α2其中一种,它们的数量占所有方位角数据的绝大部分,且在两者之间存在关系α1=α2±180°±10°;
2、在交叉路口处会出现多种方位角,且速度较慢;
3、在弯道处速度较为集中,不会太慢也不会太快,且方位角情况与直道类似,但分布不如直道集中;
S5:对上述特征进行统计描述;对每个轨迹中心点的Sr内的每个点统计其方位角、180°化之后的方位角以及速度,分别计算这些统计量的峰度、偏度、熵以及标准差,这样每个中心点的点集Sr就转化为一个12维的特征向量F;
F=[KαSKαSαSDαKα~180SKα~180SDα~180KVSKVSVSDV]T
其中,
Kα为方位角峰度;
SDα为方位角标准差;
SKα为方位角偏度;
Sα为方位角熵;
Kα~180为方位角180°化后峰度;
SKα~180为方位角180°化后偏度;
Sα~180为方位角180°化后熵;
SDα~180为方位角180°化后标准差;
KV为速度峰度;
SKV为速度偏度;
SV为速度熵;
SDV为速度标准差;
使用机器学习中支持向量机的方法,对典型交叉路口、弯道和直道三种中心点各自对应的特征向量进行样本训练,从而得到机器学习模型;
S6:得到模型后针对每一条中心点轨迹LB:首先新建一条轨迹记为LT,LT的起点与LB相同,然后从第二点开始利用模型逐点判断LB中的点,分为三种情况:
1.直道上的点:无操作;
2.是弯道上的点:将该点加入LT;
3.是交叉路口的点:将该点加入点集SC;
将该点加入LT并作为其终点,记录下LT中的所有点以及点之间的连接关系,然后清空LT中所有点,加入该点为起点;
S7:最终每次记录下的LT即为该区域道路,而SC中所有点即为道路的节点。
2.根据权利要求1所述的一种基于机器学习的导航数据点提取缺失道路的方法,其特征在于:所述S3中在每次找到轨迹的起始点或者下一点之后,都将所有落入以该点为圆心,R为半径的圆内的点予以标记;已带有标记的点不可以再作为轨迹的起始点或下一点。
3.根据权利要求2所述的一种基于机器学习的导航数据点提取缺失道路的方法,其特征在于:所述S5中方位角180°化是指如果方位角大于180°则减去180°。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810581904.6A CN108959414B (zh) | 2018-06-07 | 2018-06-07 | 一种基于机器学习的导航数据点提取缺失道路的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810581904.6A CN108959414B (zh) | 2018-06-07 | 2018-06-07 | 一种基于机器学习的导航数据点提取缺失道路的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108959414A true CN108959414A (zh) | 2018-12-07 |
CN108959414B CN108959414B (zh) | 2021-06-08 |
Family
ID=64494111
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810581904.6A Active CN108959414B (zh) | 2018-06-07 | 2018-06-07 | 一种基于机器学习的导航数据点提取缺失道路的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108959414B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109813327A (zh) * | 2019-02-01 | 2019-05-28 | 安徽中科美络信息技术有限公司 | 一种车辆行驶轨迹缺失补偿方法 |
CN110795467A (zh) * | 2019-09-26 | 2020-02-14 | 腾讯大地通途(北京)科技有限公司 | 交通规则数据处理方法、装置、存储介质和计算机设备 |
CN110909749A (zh) * | 2019-10-24 | 2020-03-24 | 同济大学 | 一种从二维无序点集优化提取几何线形轮廓的方法 |
CN111750876A (zh) * | 2020-06-16 | 2020-10-09 | 北京百度网讯科技有限公司 | 路网修复方法、装置、设备以及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070188320A1 (en) * | 2005-02-08 | 2007-08-16 | User-Centric Ip, Lp | Electronically tracking a path history |
CN102521973A (zh) * | 2011-12-28 | 2012-06-27 | 昆明理工大学 | 一种手机切换定位的道路匹配方法 |
CN105371857A (zh) * | 2015-10-14 | 2016-03-02 | 山东大学 | 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 |
CN105628033A (zh) * | 2016-02-26 | 2016-06-01 | 广西鑫朗通信技术有限公司 | 一种基于道路连通关系的地图匹配方法 |
-
2018
- 2018-06-07 CN CN201810581904.6A patent/CN108959414B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070188320A1 (en) * | 2005-02-08 | 2007-08-16 | User-Centric Ip, Lp | Electronically tracking a path history |
CN102521973A (zh) * | 2011-12-28 | 2012-06-27 | 昆明理工大学 | 一种手机切换定位的道路匹配方法 |
CN105371857A (zh) * | 2015-10-14 | 2016-03-02 | 山东大学 | 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 |
CN105628033A (zh) * | 2016-02-26 | 2016-06-01 | 广西鑫朗通信技术有限公司 | 一种基于道路连通关系的地图匹配方法 |
Non-Patent Citations (1)
Title |
---|
吴涛等: "路网更新的轨迹_地图匹配方法", 《测绘学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109813327A (zh) * | 2019-02-01 | 2019-05-28 | 安徽中科美络信息技术有限公司 | 一种车辆行驶轨迹缺失补偿方法 |
CN110795467A (zh) * | 2019-09-26 | 2020-02-14 | 腾讯大地通途(北京)科技有限公司 | 交通规则数据处理方法、装置、存储介质和计算机设备 |
CN110795467B (zh) * | 2019-09-26 | 2024-02-27 | 腾讯大地通途(北京)科技有限公司 | 交通规则数据处理方法、装置、存储介质和计算机设备 |
CN110909749A (zh) * | 2019-10-24 | 2020-03-24 | 同济大学 | 一种从二维无序点集优化提取几何线形轮廓的方法 |
CN110909749B (zh) * | 2019-10-24 | 2022-06-14 | 同济大学 | 一种从二维无序点集优化提取几何线形轮廓的方法 |
CN111750876A (zh) * | 2020-06-16 | 2020-10-09 | 北京百度网讯科技有限公司 | 路网修复方法、装置、设备以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108959414B (zh) | 2021-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108959414A (zh) | 一种基于机器学习的导航数据点提取缺失道路的方法 | |
CN110084272B (zh) | 一种聚类地图创建方法及基于聚类地图和位置描述子匹配的重定位方法 | |
CN106530716B (zh) | 基于手机信令数据计算高速公路路段平均速度的方法 | |
CN110599570B (zh) | 基于众包数据开放场景下的地图生成方法及系统 | |
CN105448184B (zh) | 地图道路的绘制方法及装置 | |
CN106528740B (zh) | 基于Delaunay三角网的道路中心线提取方法 | |
CN101887586B (zh) | 基于图像轮廓尖锐度的自适应角点检测方法 | |
CN106441292B (zh) | 一种基于众包imu惯导数据的楼宇室内平面图建立方法 | |
CN103473774B (zh) | 一种基于路面图像特征匹配的车辆定位方法 | |
CN111912416B (zh) | 用于设备定位的方法、装置及设备 | |
CN104105067B (zh) | 基于地磁信息的实时定位系统及方法 | |
CN102879003A (zh) | 基于gps终端的面向车辆位置跟踪的地图匹配方法 | |
CN105674995A (zh) | 一种基于用户出行轨迹获取通勤路线的方法及装置 | |
CN103401922B (zh) | 无线传感器网络中基于博弈方法的分布式定位装置与方法 | |
CN110162050A (zh) | 行驶控制方法及行驶控制系统 | |
CN101275841A (zh) | 地物信息收集装置及地物信息收集方法 | |
CN105551082A (zh) | 一种基于激光点云的路面识别方法及装置 | |
CN108364466A (zh) | 一种基于无人机交通视频的车流量统计方法 | |
CN106409129B (zh) | 路况绘制方法及装置 | |
CN106525000A (zh) | 基于激光扫描离散点强度梯度的道路标线自动化提取方法 | |
CN105589875A (zh) | 一种多轨迹绘制的方法及装置 | |
CN106017476A (zh) | 一种生成室内定位导航图模型的方法 | |
CN106123898A (zh) | 基于图片解析的室内路径规划方法 | |
CN109214314B (zh) | 一种车道线自动融合匹配算法 | |
CN108375754A (zh) | Wsn中基于移动节点初始状态和移动状态的节点定位方法 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220111 Address after: 908, block a, floor 8, No. 116, Zizhuyuan Road, Haidian District, Beijing 100089 Patentee after: ZHONGZI DATA CO.,LTD. Patentee after: Yiren (Shanghai) Technology Co., Ltd Address before: 200092 Siping Road 1239, Shanghai, Yangpu District Patentee before: TONGJI University Patentee before: Yiren (Shanghai) Technology Co., Ltd |
|
TR01 | Transfer of patent right |