CN109059907B - 轨迹数据处理方法、装置、计算机设备和存储介质 - Google Patents

轨迹数据处理方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN109059907B
CN109059907B CN201810678924.5A CN201810678924A CN109059907B CN 109059907 B CN109059907 B CN 109059907B CN 201810678924 A CN201810678924 A CN 201810678924A CN 109059907 B CN109059907 B CN 109059907B
Authority
CN
China
Prior art keywords
data
current
track
target
initial
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.)
Active
Application number
CN201810678924.5A
Other languages
English (en)
Other versions
CN109059907A (zh
Inventor
马艳海
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN201810678924.5A priority Critical patent/CN109059907B/zh
Publication of CN109059907A publication Critical patent/CN109059907A/zh
Application granted granted Critical
Publication of CN109059907B publication Critical patent/CN109059907B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
    • G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
    • G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
    • G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/42—Determining position
    • G01S19/48—Determining position by combining or switching between position solutions derived from the satellite radio beacon positioning system and position solutions derived from a further system
    • G01S19/49—Determining position by combining or switching between position solutions derived from the satellite radio beacon positioning system and position solutions derived from a further system whereby the further system is an inertial position system, e.g. loosely-coupled

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Navigation (AREA)

Abstract

本发明涉及一种轨迹数据处理方法、装置、计算机设备和存储介质，方法包括：获取目标对象对应的轨迹起始数据和轨迹终止数据，轨迹起始数据和轨迹终止数据是根据定位得到的，或轨迹起始数据和轨迹终止数据是闭环轨迹数据；根据轨迹起始数据和轨迹终止数据获取对应的初始校正轨迹数据序列，初始校正轨迹数据序列包括多个初始校正轨迹数据，初始校正轨迹数据是根据目标对象对应的测量运动数据和预测运动数据进行滤波得到的；根据轨迹起始数据和轨迹终止数据对初始校正轨迹数据序列中的各个初始校正轨迹数据进行调整，得到目标校正轨迹数据序列，目标校正轨迹数据序列用于确定目标对象对应的目标轨迹。上述方法可以提高目标对象的轨迹数据准确度。

Description

轨迹数据处理方法、装置、计算机设备和存储介质
技术领域
本发明涉及定位领域，特别是涉及轨迹数据处理方法、装置、计算机设备和存储介质。
背景技术
随着信息技术的发展，对移动目标对象例如汽车或者飞行器进行模式识别以及故障监测越来越受到人们的关注，利用移动目标对象采集环境数据以建立高精度地图也越来越受到欢迎，确定移动目标对象的轨迹是生成地图、进行模式识别以及故障监测的前提。
目前，通常通过GPS技术确定移动目标对象的移动轨迹，然而由于隧道等障碍，GPS信号弱，并不能准确得到移动目标对象的轨迹数据，因此需要利用移动目标对象的测量设备得到隧道内的轨迹，然而，测量系统通常也存在误差，得到的轨迹准确度低。
发明内容
基于此，有必要针对上述的问题，提供一种轨迹数据处理方法、装置、计算机设备和存储介质，由于可通过测量运动数据和预测运动数据滤波得到初始校正轨迹数据，减小初始校正轨迹数据之间的相对误差，同时又通过定位得到的或者为闭环轨迹数据的轨迹起始数据和轨迹终止数据对初始校正轨迹数据进行优化，定位得到的轨迹起始数据和轨迹终止数据或者闭环轨迹数据反映了真实的轨迹，因此优化得到的轨迹数据绝对误差小，故得到的目标对象的轨迹数据准确度高。
一种轨迹数据处理方法，所述方法包括：获取目标对象对应的轨迹起始数据和轨迹终止数据，所述轨迹起始数据和轨迹终止数据是根据定位得到的，或所述轨迹起始数据和轨迹终止数据是闭环轨迹数据；根据所述轨迹起始数据和轨迹终止数据获取对应的初始校正轨迹数据序列，所述初始校正轨迹数据序列包括多个初始校正轨迹数据，所述初始校正轨迹数据是根据所述目标对象对应的测量运动数据和预测运动数据进行滤波得到的；根据所述轨迹起始数据和所述轨迹终止数据对所述初始校正轨迹数据序列中的各个初始校正轨迹数据进行调整，得到目标校正轨迹数据序列，所述目标校正轨迹数据序列用于确定所述目标对象对应的目标轨迹。
一种轨迹数据处理装置，所述装置包括：起始以及终止数据获取模块，用于获取目标对象对应的轨迹起始数据和轨迹终止数据，所述轨迹起始数据和轨迹终止数据是根据定位得到的，或所述轨迹起始数据和轨迹终止数据是闭环轨迹数据；初始校正轨迹数据获取模块，用于根据所述轨迹起始数据和轨迹终止数据获取对应的初始校正轨迹数据序列，所述初始校正轨迹数据序列包括多个初始校正轨迹数据，所述初始校正轨迹数据是根据所述目标对象对应的测量运动数据和预测运动数据进行滤波得到的；初始校正轨迹数据调整模块，用于根据所述轨迹起始数据和所述轨迹终止数据对所述初始校正轨迹数据序列中的各个初始校正轨迹数据进行调整，得到目标校正轨迹数据序列，所述目标校正轨迹数据序列用于确定所述目标对象对应的目标轨迹。
在其中一个实施例中，用于获取初始校正轨迹数据的模块包括：当前运动数据获取单元，用于获取所述目标对象对应的当前测量运动数据和当前预测运动数据；滤波单元，用于根据所述当前测量运动数据和所述当前预测运动数据进行滤波，得到对应的当前目标运动数据，所述当前预测运动数据包括当前预测轨迹数据；初始校正轨迹数据得到单元，用于根据所述当前目标运动数据得到对应的当前初始校正轨迹数据。
在其中一个实施例中，所述滤波单元用于：获取前向目标运动数据对应的前向目标校正误差；根据所述当前测量运动数据以及所述当前预测运动数据得到对应的当前测量误差；对所述前向目标校正误差以及所述当前测量误差进行滤波，得到当前目标校正误差；利用所述当前目标校正误差对所述当前预测运动数据进行校正，得到对应的当前目标运动数据。
在其中一个实施例中，用于获取所述预测运动数据的模块包括：角速度以及加速度获取单元，用于获取所述目标对象对应的当前加速度数据以及当前角速度数据；计算单元，用于根据所述当前加速度数据以及所述当前角速度数据计算得到对应的当前速度预测数据以及当前位置预测数据，根据所述当前角速度数据计算得到对应的当前姿态预测数据；当前预测运动数据得到单元，用于将所述当前速度预测数据、当前位置预测数据以及当前姿态预测数据作为当前预测运动数据。在其中一个实施例中，测量运动数据的获取模块用于：获取速度测量设备测量得到的所述目标对象的当前速度测量数据，作为当前测量运动数据。
在其中一个实施例中，所述初始校正轨迹数据调整模块包括：轨迹图确定单元，用于根据所述轨迹起始数据、所述轨迹终止数据以及所述各个初始校正轨迹数据确定轨迹图的初始顶点，根据相邻初始顶点确定轨迹图的初始边；调整单元，用于将所述初始顶点作为当前顶点，调整所述当前顶点得到所述轨迹图的更新顶点，根据所述更新顶点得到调整后的更新边；累积误差值计算单元，用于根据所述更新边与所述初始边计算边累积误差函数对应的边累积误差值，所述边累积误差值与轨迹图的边误差正相关；返回单元，用于返回所述调整所述当前顶点得到所述轨迹图的更新顶点，根据所述更新顶点得到调整后的更新边的步骤，直至所述边累积误差函数对应的边累积误差值满足收敛条件或调整次数达到预设阈值次数，得到所述轨迹图的目标顶点；目标校正轨迹数据序列得到单元，用于根据所述目标顶点得到所述目标校正轨迹数据序列。
在其中一个实施例中，所述轨迹图确定单元用于：计算所述各个相邻初始顶点的差距，作为对应的相邻初始顶点的初始边；所述调整单元用于：计算各个相邻更新顶点的差距，作为对应的相邻更新顶点的更新边，所述相邻更新顶点的差距以及所述相邻初始顶点的差距包括位置差距以及姿态差距中的至少一个。
在其中一个实施例中，所述累积误差值计算单元用于：计算所述各个更新边与对应位置的初始边的边差距，根据所述边差距得到对应的各个边误差；统计所述各个边误差，得到边累积误差值。
在其中一个实施例中，所述累积误差值计算单元用于：计算所述初始边对应的协方差；根据所述初始边对应的协方差得到对应的权重，其中，权重与协方差呈负相关关系；根据所述各个边误差以及对应的权重统计得到所述边累积误差值。
在其中一个实施例中，所述目标校正轨迹数据包括目标校正位置数据，所述装置还包括：环境对象获取模块，用于获取所述目标轨迹对应的各个环境对象；相对位置数据获取模块，用于从所述目标校正轨迹数据中提取得到目标校正位置数据，获取所述目标对象在目标时刻与所述环境对象的相对位置数据，所述目标时刻为所述各个目标校正位置数据对应的时刻；定位位置得到模块，用于根据所述目标校正位置数据以及所述相对位置数据得到所述各个环境对象的定位位置数据；地图数据生成模块，用于根据所述各个环境对象的定位位置数据生成地图数据。
一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行上述轨迹数据处理方法的步骤。
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，所述计算机程序被处理器执行时，使得所述处理器执行上述轨迹数据处理方法的步骤。
上述轨迹数据处理方法、装置、计算机设备和存储介质，通过获取目标对象对应的轨迹起始数据和轨迹终止数据，根据轨迹起始数据和轨迹终止数据获取对应的初始校正轨迹数据序列，根据轨迹起始数据和轨迹终止数据对初始校正轨迹数据序列中的各个初始校正轨迹数据进行调整，得到目标校正轨迹数据序列，目标校正轨迹数据序列用于确定目标对象对应的目标轨迹。由于可通过测量运动数据和预测运动数据滤波得到初始校正轨迹数据，减小初始校正轨迹数据之间的相对误差，同时又通过定位得到的或者为闭环轨迹数据的轨迹起始数据和轨迹终止数据对初始校正轨迹数据进行优化，定位得到的轨迹起始数据和轨迹终止数据或者闭环轨迹数据反映了真实的轨迹，因此优化得到的轨迹数据绝对误差小，故得到的目标对象的轨迹数据准确度高。
附图说明
图1为一个实施例中提供的轨迹数据处理方法的应用环境图；
图2为一个实施例中轨迹数据处理方法的流程图；
图3A为一个实施例中初始校正轨迹数据的流程图；
图3B为一个实施例中得到初始校正轨迹数据的示意图；
图4为一个实施例中根据当前测量运动数据和当前预测运动数据进行滤波，得到对应的当前目标运动数据的流程图；
图5为一个实施例中根据轨迹起始数据和轨迹终止数据对初始校正轨迹数据序列中的各个初始校正轨迹数据进行调整，得到目标校正轨迹数据序列的流程图；
图6为一个实施例中轨迹图的示意图；
图7A为一个实施例中轨迹数据处理方法的流程图；
图7B为一个实施例中生成的地图的示意图；
图8为一个实施例中轨迹数据处理装置的结构框图；
图9为一个实施例中初始校正轨迹数据调整模块的结构框图；
图10为一个实施例中轨迹数据处理装置的结构框图；
图11为一个实施例中计算机设备的内部结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
图1为一个实施例中提供的轨迹数据处理方法的应用环境图，如图1所示，在该应用环境中，包括目标对象110以及计算机设备120。
当目标对象在隧道等导致定位得到的轨迹不准确的地方移动时，为了得到准确的轨迹数据，计算机设备120可以获取目标对象对应的轨迹起始数据和轨迹终止数据，其中，这里的轨迹起始数据和轨迹终止数据是定位得到的数据，为准确的定位数据，例如是目标对象在进入隧道之前以及移出隧道之后通过GPS设备准确定位得到的数据。计算机设备120获取轨迹起始数据以及轨迹终止数据之间的初始校正轨迹数据序列，根据轨迹起始数据和轨迹终止数据对初始校正轨迹数据序列中的各个初始校正轨迹数据进行调整，得到目标校正轨迹数据序列。其中，初始校正轨迹数据是目标对象110在移动过程中实时得到的校正轨迹数据，初始校正轨迹数据是根据目标对象对应的测量运动数据和预测运动数据进行滤波得到的。即目标对象110在移动的过程中根据测量运动数据和预测运动数据进行滤波得到初始校正轨迹数据，以提高获取得到的初始校正轨迹数据的准确性，减少相对误差。
目标对象110可以是汽车、扫地机器人以及无人机等需要确定移动轨迹的对象。计算机设备120可以是独立的物理服务器或终端，也可以是多个物理服务器构成的服务器集群，可以是提供云服务器、云数据库、云存储和CDN等基础云计算服务的云服务器。计算机设备120可以是目标对象110。即本发明实施例提供的方法可以在目标对象110中执行，目标对象也可以将初始校正轨迹数据发送到其他终端或者服务器，由其他终端或者服务器执行本发明实施例提供的方法。终端可以是智能手机、平板电脑、笔记本电脑以及台式计算机等，但并不局限于此。终端110以及计算机设备120可以通过蓝牙、USB(Universal Serial Bus，通用串行总线)或者网络等通讯连接方式进行连接，本发明在此不做限制。
如图2所示，在一个实施例中，提出了一种轨迹数据处理方法，本实施例主要以该方法应用于上述图1中的计算机设备来举例说明。具体可以包括以下步骤：
步骤S202，获取目标对象对应的轨迹起始数据和轨迹终止数据，轨迹起始数据和轨迹终止数据是根据定位得到的，或轨迹起始数据和轨迹终止数据是闭环轨迹数据。
具体地，目标对象为需要获取轨迹数据的对象，目标对象例如可以是扫地机器人、无人机以及汽车中的至少一种。轨迹数据可以包括位置数据以及姿态数据的至少一个。轨迹起始数据是需要获取的轨迹的初始数据，轨迹终止数据是需要获取的轨迹的终止数据。闭环轨迹数据是指轨迹起始数据和轨迹终止数据是一致的，闭环检测(Loop closuredetection)，用于识别目标对象曾到达场景的能力。轨迹起始数据和轨迹终止数据是根据定位得到的是指目标对象的轨迹起始数据和轨迹终止数据是定位设备进行定位得到的，本发明实施例中将定位设备进行定位得到的轨迹数据认为是准确的轨迹数据，而将当汽车等目标对象进入隧道后利用自身的仪器测量得到的数据以及预测数据认为是存在误差的数据，因此需要利用准确的轨迹起始数据和轨迹终止数据对存在误差的轨迹数据进行校正。定位设备例如可以是差分GPS设备。对于汽车以及无人机等目标对象，由于汽车以及无人机很少返回原来的起点，一般情况下很难得到闭环轨迹数据，因此，可以根据定位得到的轨迹起始数据和轨迹终止数据进行校正。根据定位得到的轨迹起始数据和轨迹终止数据进行校正与根据闭环轨迹数据进行校正的区别在于，在闭环轨迹数据中，轨迹起始数据和轨迹终止数据相减等于0，而根据定位得到的轨迹起始数据和轨迹终止数据相减，可以不等于0，但无论是定位得到的还是闭环轨迹数据，可以认为根据轨迹起始数据以及轨迹终止数据得到的轨迹是真实的轨迹。
步骤S204，根据轨迹起始数据和轨迹终止数据获取对应的初始校正轨迹数据序列，初始校正轨迹数据序列包括多个初始校正轨迹数据，初始校正轨迹数据是根据目标对象对应的测量运动数据和预测运动数据进行滤波得到的。
具体地，初始校正轨迹数据序列的数目可以根据实际需要确定，初始校正轨迹数据序列是根据时间的发生顺序进行排列的。可以根据所需得到的目标轨迹的精度确定或者根据测量运动数据的采样频率确定初始校正轨迹数据序列的数目。例如可以是测量设备每输出一次测量运动数据则滤波得到一个初始校正轨迹数据。初始校正轨迹数据序列中的各个初始校正轨迹数据是位于轨迹起始数据和轨迹终止数据之间的轨迹数据。例如，当轨迹起始数据是进入隧道前的轨迹数据，轨迹终止数据是移出隧道后的轨迹数据时，则初始校正轨迹数据是从轨迹起始数据对应的位置开始，到轨迹终止数据对应的位置为止的一段位置的轨迹数据。测量运动数据是通过测量设备测量得到的。预测运动数据是利用相应的运动算法进行估算得到的。测量运动数据可以是利用轮速传感器测量得到的速度数据，预测运动数据可以包括位置数据、速度数据以及姿态数据。预测运动数据可以是VIO(VisualInertial Odometry,惯性视觉里程计)、激光里程计或者捷联惯导系统输出的运动数据。预测运动数据可以包括预测轨迹数据，由于运动过程中，会受到一些不确定的状态的影响，因此得到的预测运动数据存在误差，故可以根据体现目标对象状态的测量运动数据进行滤波，以确定预测运动数据的误差，从而对预测运动数据进行修正，得到更准确的运动数据，从而使的得到的初始校正轨迹数据更准确。
滤波算法可以采用卡尔曼滤波算法，卡尔曼滤波(Kalman filtering)是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行满足条件的最优估计的算法，由于观测数据中包括噪声和干扰的影响，所以最优估计也可看作是滤波过程。在本发明实施例中，在进行滤波时，可以根据测量运动数据以及预测运动数据得到预测运动数据对应的误差，根据预测运动数据对应的误差对预测运动数据进行校正，得到初始校正轨迹数据。例如，根据上述测量得到的速度数据以及预测得到的位置数据、速度数据以及姿态数据得到对应的位置数据误差、速度数据误差以及姿态数据误差，将预测运动数据中的预测位置数据与位置数据误差相加，得到初始校正位置数据。将预测运动数据中的预测姿态数据与姿态数据误差相加，得到初始校正姿态数据。初始校正姿态数据以及初始校正位置数据作为初始校正轨迹数据。本发明实施例中，采用卡尔曼滤波根据预测运动数据以及测量运动数据进行滤波，经过滤波可以获取稳定的相对运动估计，这就保证了即使隧道内有相对较大的转弯，也不影响捷联解算得到的轨迹之间的相对误差。
在一个实施例中，预测运动数据的获取步骤包括：获取目标对象对应的当前加速度数据以及当前角速度数据。根据当前加速度数据以及当前角速度数据计算得到对应的当前速度预测数据以及当前位置预测数据，根据当前角速度数据计算得到对应的当前姿态预测数据。将当前速度预测数据、当前位置预测数据以及当前姿态预测数据作为当前预测运动数据。
具体地，加速度数据可以是加速度计输出的，角速度数据可以是陀螺仪输出的，加速度数据以及角速度数据可以是利用惯性测量单元(IMU、Inertial measurement unit)测量得到的。惯性测量单元可以是低精度的惯性测量单元，也可以是高精度的惯性测量单元。当前加速度数据是用于计算当前预测运动数据的加速度数据，当前角速度数据是用于计算当前预测运动数据的角速度数据。初始校正轨迹数据有多个，在计算得到初始校正轨迹数据时，将当前计算的初始校正轨迹数据作为当前初始校正轨迹数据，当前初始校正轨迹数据对应的测量运动数据和预测运动数据分别作为当前测量运动数据和当前预测运动数据。位置预测数据可以包括纬度位置数据以及经度位置数据，在一些实施例中还可以包括高度位置数据。速度数据可以包括北向速度以及东西速度，在一些实施例中还可以包括天向速度。姿态数据可以包括航向角、俯仰角以及滚动角。可以利用SINS(strapdown inertialnavigation system、捷联惯导系统)解算得到当前姿态预测数据、当前速度预测数据以及当前位置预测数据。
在一个实施例中，测量运动数据的获取步骤包括：获取速度测量设备测量得到的目标对象的当前速度测量数据，作为当前测量运动数据。
具体地，速度测量设备可以是轮速传感器。轮速传感器是用来测量汽车车轮速度的传感器。轮速传感器可以是磁电式轮速传感器或者霍尔式轮速传感器。得到当前速度测量数据后，将该当前速度测量数据，作为当前测量运动数据。
步骤S206，根据轨迹起始数据和轨迹终止数据对初始校正轨迹数据序列中的各个初始校正轨迹数据进行调整，得到目标校正轨迹数据序列，目标校正轨迹数据序列用于确定目标对象对应的目标轨迹。
具体地，目标校正轨迹数据序列包括多个目标校正轨迹数据，目标校正轨迹数据是对初始校正轨迹数据进行调整后得到的轨迹数据。得到各个初始校正轨迹数据后，利用轨迹起始数据和轨迹终止数据对各个初始校正轨迹数据进行调整，使得通过初始校正轨迹数据得到的目标轨迹数据与根据轨迹起始数据与轨迹终止数据得到的目标轨迹数据匹配。例如，假设通过轨迹起始数据与轨迹终止数据得到从轨迹起始的地点到轨迹终止的地点的距离为100m，而通过初始校正轨迹数据得到的轨迹起始的地点到轨迹终止的地点的距离为90m，由于轨迹起始数据与轨迹终止数据得到的距离是准确的，那么就需要调整初始校正轨迹数据，使得根据初始校正轨迹数据得到的距离与通过轨迹起始数据与轨迹终止数据得到的距离是匹配的，匹配可以是指完全相同也可以是指差距小于预设值。调整的方法可以采用图优化方法，采用的优化工具可以是g2o软件。图优化是把常规的优化问题以图的形式来表示并进行优化的方法。图(graph)包括顶点(Vertex)和边(Edge)，可以将轨迹数据作为顶点，相邻顶点之间的变换关系作为边，图优化的目标就是通过调整顶点，在满足起始顶点与终止顶点之间的变换关系的条件下，最大程度地满足初始边(Edge)之间的约束。满足的条件可以根据需要进行设置，例如，可以是调整后的更新边与初始边对应的边累积误差小于预设阈值，边累积误差是对各个边的误差进行统计得到的。
由于初始校正轨迹数据是进行滤波得到的，因此初始校正轨迹数据的相对误差已经比较小，可以认为初始校正轨迹之间的相对关系是准确的。因此，调整的目标包括：调整得到的目标轨迹与根据轨迹起始数据与轨迹终止数据得到的轨迹匹配，且尽可能使目标校正轨迹数据之间的变换值与初始校正轨迹数据之间的变换值的差距小，这样既能够使目标轨迹数据的相对误差小，又能够使得到的目标轨迹数据绝对误差小。其中，相对误差是指相邻轨迹数据之间的变换关系的误差，绝对误差是指目标轨迹与实际轨迹的误差。对于位姿轨迹数据，相邻轨迹数据之间的变换关系可以用变换矩阵来表示。例如，假设A时刻对应的位姿为X矩阵，A时刻的下一时刻B对应的位姿为Y矩阵，则变换矩阵为Y矩阵的逆矩阵与X矩阵的乘积。
上述轨迹数据处理方法，通过获取目标对象对应的轨迹起始数据和轨迹终止数据，根据轨迹起始数据和轨迹终止数据获取对应的初始校正轨迹数据序列，根据轨迹起始数据和轨迹终止数据对初始校正轨迹数据序列中的各个初始校正轨迹数据进行调整，得到目标校正轨迹数据序列，目标校正轨迹数据序列用于确定目标对象对应的目标轨迹。由于可通过测量运动数据和预测运动数据滤波得到初始校正轨迹数据，减小初始校正轨迹数据之间的相对误差，同时又通过定位得到的或者为闭环轨迹数据的轨迹起始数据和轨迹终止数据对初始校正轨迹数据进行优化，定位得到的轨迹起始数据和轨迹终止数据或者闭环轨迹数据反映了真实的轨迹，因此优化得到的轨迹数据绝对误差小，故得到的目标对象的轨迹数据准确度高。
在一个实施例中，如图3A所示，初始校正轨迹数据的获取步骤包括：
步骤S302，获取目标对象对应的当前测量运动数据和当前预测运动数据。
具体地，当前测量运动数据和当前预测运动数据是用于计算当前初始校正轨迹数据的运动数据。当前测量运动数据和当前预测运动数据可以是相同的时刻的数据，但对于一般的目标对象，在当前测量运动数据以及当前预测运动数据的采样频率足够高以及预测运动数据的实时性满足要求的情况下，可以是当获取得到一个最新的测量运动数据时，将该测量运动数据作为当前时刻对应的当前测量运动数据，然后获取最新得到的预测运动数据作为当前预测运动数据。这样，对得到的目标轨迹的误差影响小，也可以减少获取初始校正轨迹数据的复杂度。
步骤S304，根据当前测量运动数据和当前预测运动数据进行滤波，得到对应的当前目标运动数据，当前预测运动数据包括当前预测轨迹数据。
具体地，当前预测运动数据包括了当前预测轨迹数据，当前目标运动数据是根据当前测量运动数据和当前预测运动数据进行滤波，得到当前预测运动数据对应的运动数据误差，根据运动数据误差对当前预测运动数据进行校正得到的。例如，预测运动数据可以包括位置数据、速度数据以及姿态数据。而位置数据以及姿态数据为轨迹数据。在进行滤波时，可以根据当前测量运动数据得到当前预测运动数据对应的误差，根据当前预测运动数据对应的误差对预测运动数据进行校正，得到当前目标运动数据。例如，得到当前预测运动数据对应的位置数据误差、速度数据误差以及姿态数据误差后，将当前预测运动数据中的当前预测位置数据与位置数据误差相加，得到当前初始校正位置数据。将预测运动数据中的当前预测姿态数据与姿态数据误差相加，得到当前初始校正姿态数据。将预测运动数据中的当前预测速度数据与速度数据误差相加，得到当前初始校正速度数据。当前初始校正速度数据、当前初始校正姿态数据以及当前初始校正位置数据组成当前目标运动数据。
在一个实施例中，得到的当前目标运动数据可以返回到SINS(strapdowninertial navigation system、捷联惯导系统)中用于计算下一时刻的预测运动数据。
步骤S306，根据当前目标运动数据得到对应的当前初始校正轨迹数据。
具体地，由于当前目标运动数据是根据运动数据误差对当前预测运动数据进行校正得到的，因此可以从当前目标运动数据中提取得到当前校正轨迹数据。例如，将当前目标运动数据中的当前初始校正姿态数据以及当前初始校正位置数据作为当前初始校正轨迹数据。
如图3B所示，为一个实施例中得到初始校正轨迹数据的示意图，IMU设备输出三轴角速度w以及三轴加速度f后，进入捷联惯导系统SINS中进行解算，得到当前预测位置数据P预,当前预测速度数据V预,当前预测姿态数据A预，轮速设备ODO测量得到当前测量运动数据v，当前测量运动数据v以及当前预测运动数据P预,V预,A预进入卡尔曼滤波器EFK中进行滤波，得到当前速度误差δv、当前位置误差δp以及当前姿态误差δa，当前速度误差δv、当前位置误差δp以及当前姿态误差δa进入捷联惯导系统SINS中对P预,V预,A预进行校正，得到对应的当前目标运动数据P目,V目,A目。
在一个实施例中，如图4所示，步骤S304即根据当前测量运动数据和当前预测运动数据进行滤波，得到对应的当前目标运动数据的步骤具体可以包括以下步骤：
步骤S402，获取前向目标运动数据对应的前向目标校正误差。
具体地，前向目标运动数据是当前目标运动数据之前得到的目标运动数据，前向目标校正误差是前向目标运动数据的目标校正误差，前向目标运动数据可以是当前目标运动数据的前一个或者多个目标运动数据，
步骤S404，根据当前测量运动数据以及当前预测运动数据得到对应的当前测量误差。
具体地，可以是将当前测量运动数据与对应的当前预测运动数据进行相减，得到当前测量误差。若当前测量运动数据为利用轮速传感器得到的速度测量数据，当前预测运动数据为利用捷联解算系统估计得到的当前位置预测数据、当前速度预测数据以及当前姿态预测数据时，则当前测量运动数据为标量，当前预测运动数据为矢量，因此可以对标量进行变换，得到对应的矢量值。例如，当当前预测速度数据包括东向速度数据以及北向运动数据时，则可以根据当前预测速度数据的方向对当前测量运动数据进行投影，得到对应的矢量测量运动数据。再计算得到对应的当前测量误差。若当前测量运动数据中姿态数据以及位置数据缺失，则测量姿态数据以及测量位置数据可以为预设的值，例如为0。
步骤S406，对前向目标校正误差以及当前测量误差进行滤波，得到当前目标校正误差。
具体地，根据当前测量误差以及前向目标校正误差进行滤波估计，得到当前目标校正误差。当前向目标校正误差为多个时，可以对多个前向目标校正误差进行统计，得到最终的前向统计校正误差。例如可以将多个前向目标校正误差对应的平均值或者中位数等作为前向的统计校正误差，根据前向的统计校正误差以及当前测量误差得到当前目标校正误差。通过前向目标校正误差可以得到进行预测时预测方法所导致的误差，同时通过测量误差可以得到目标对象中不确定的状态导致的误差，因此，通过卡尔曼滤波，能够得到准确的当前目标校正误差。
在一个实施例中，可以根据前向目标校正误差以及对应的卡尔曼滤波算法对应的状态转移矩阵得到对应的当前中间校正误差。获取卡尔曼滤波算法对应的观测矩阵，根据观测矩阵对当前中间校正误差以及当前测量误差进行滤波调整，得到当前目标校正误差。
具体地，状态转移矩阵是根据状态转移方程得到的，状态转移矩阵表示上一时刻和当前时刻的状态之间的运算关系。动态规划中本阶段的状态往往是上一时刻状态和状态控制量共同决定的。如果给定了第K-1阶段的状态以及状态控制量，则第K阶段的状态也就确定。可以将前向目标校正误差作为上一时刻的状态，当前中间校正误差作为当前时刻的状态，根据前向目标校正误差以及对应的状态转移矩阵得到对应的当前中间校正误差。观测矩阵是根据观测方程得到的。观测矩阵的目的是将当前状态转换成与测量数据对应的数据。可以将当前中间校正误差作为当前状态，因此可以根据观测矩阵、当前中间校正误差以及当前测量误差得到误差残余，根据误差残余、卡尔曼增益以及当前中间校正误差得到当前目标校正误差。状态转移矩阵可以根据建立的状态转移模型得到，观测矩阵可以根据建立的观测模型得到。例如，对于匀速运动，状态转移矩阵中对应的速度转移值为1。
在一个实施例中，计算得到当前目标校正误差的过程可以包括以下公式：
X- (k)＝AX+ (k-1)； (1)
P- (k)＝AP+ (k-1)AT+Q； (2)
K(k)＝HTP- (k)/(H P- (k)HT )+R) (3)
X+ (k)＝X- (k)+K(k)*(z(k)-HX- (k)) (4)
P+ (k)＝(E-K(k)))*P- (k) (5)
其中，上述公式中，k时刻为当前时刻，A表示状态转移矩阵，AT表示A的转置矩阵，X+ (k-1)表示k-1时刻的目标校正误差，X- (k)表示k时刻对应的中间校正误差，P+ (k-1)表示X+ (k-1)对应的协方差，P- (k)表示X- (k)对应的协方差，Q是根据AX+ (k-1)得到X- (k)的噪声，具体数值可以根据经验设置。R表示得到测量误差的噪声，具体数值可以根据经验设置。H表示观测矩阵，HT表示H的转置矩阵。K(k)表示k时刻的卡尔曼增益。X+ (k)表示K时刻的目标校正误差。z(k)表示K时刻的测量误差，P+ (k)表示X+ (k)对应的协方差，用于计算k+1时刻的P- (k+1)，E为单位矩阵，单位矩阵是主对角线元素的值为1，其他元素为0的矩阵。
步骤S408，利用当前目标校正误差对当前预测运动数据进行校正，得到对应的当前目标运动数据。
具体地，得到当前目标校正误差后，可以将当前预测运动数据加上对应的当前目标校正误差，得到当前目标运动数据。
在一个实施例中，如图5所示，步骤S206即根据轨迹起始数据和轨迹终止数据对初始校正轨迹数据序列中的各个初始校正轨迹数据进行调整，得到目标校正轨迹数据序列的步骤具体可以包括以下步骤：
步骤S502,根据轨迹起始数据、轨迹终止数据以及各个初始校正轨迹数据确定轨迹图的初始顶点，根据相邻初始顶点确定轨迹图的初始边。
具体地，根据轨迹起始数据、轨迹终止数据以及各个初始校正轨迹数据的时间顺序将各个轨迹数据作为轨迹图的初始顶点，根据相邻初始顶点的差距得到初始边。如图6所示，X1为轨迹起始数据，Xn为轨迹终止数据，X2～Xn-1为初始校正轨迹数据。T12为相邻的顶点X1以及X2的初始边，T23为相邻的顶点X2以及X3的初始边。初始边表示相邻的初始顶点的差距，在位姿图中，初始边可以用位姿变换矩阵表示，例如，T12等于X1的逆矩阵与X2的乘积,T23等于X2的逆矩阵与X3的乘积。
在一个实施例中，根据相邻初始顶点确定轨迹图的初始边包括：计算各个相邻初始顶点的差距，作为对应的相邻初始顶点的初始边。
具体地，当轨迹数据为用位姿矩阵表示时，即当相邻初始顶点的差距包括位置差距以及姿态差距中的至少一个时，对于相邻初始顶点的初始边，可以是在前的初始顶点的逆矩阵与在后的初始顶点的矩阵乘积。
步骤S504,将初始顶点作为当前顶点，调整当前顶点得到轨迹图的更新顶点，根据更新顶点得到调整后的更新边。
具体地，当前顶点是当前需要进行调整的顶点，更新边是指相邻更新顶点的差距。每次调整的步长可以根据需要进行设置。调整的方法为梯度下降方法，例如可以为高斯-牛顿法或者LM(Levenberg-Marquar，列文伯格-马夸尔特)法。在进行调整时，可以沿着使边累积误差减小的方向对当前顶点进行调整。
在一个实施例中，根据更新顶点得到调整后的更新边包括：计算各个相邻更新顶点的差距，作为对应的相邻更新顶点的更新边。
具体地，当轨迹数据为用位姿矩阵表示时，即当相邻更新顶点的差距包括位置差距以及姿态差距中的至少一个时，对于相邻更新顶点的更新边，可以是在前的更新顶点的逆矩阵与在后的更新顶点的矩阵乘积。
步骤S506,根据更新边与初始边计算边累积误差函数对应的边累积误差值，边累积误差值与轨迹图的边误差正相关。
具体地，边累积误差函数用于计算边累积误差，边累积误差函数为进行图优化的目标函数。边误差指更新边与对应的相同位置的初始边的误差，当初始边以及更新边均为矢量时，边误差可以用更新边与对应的初始边的边差距的平方表示。边累积误差值是根据各个边误差进行统计得到的。边累积误差值与轨迹图的边误差正相关是指边误差越大，则边累积误差函数对应的边累积误差越大。
在一个实施例中，根据更新边与初始边计算边累积误差函数对应的边累积误差值包括：计算各个更新边与对应位置的初始边的边差距，根据边差距得到对应的各个边误差。统计各个边误差，得到边累积误差值。
具体地，当轨迹数据为位姿数据时，边差距可以用初始边的逆矩阵与更新边的矩阵相乘得到。得到边差距后，可以计算边差距的平方，得到边误差。对边误差进行统计可以是将边误差相加，得到边累积误差，也可以是根据边误差以及对应的权重进行加权求和，得到边误差。
在一个实施例中，统计各个边误差，得到边累积误差值包括：计算初始边对应的协方差。根据初始边对应的协方差得到对应的权重，其中，权重与协方差呈负相关关系。根据各个边误差以及对应的权重统计得到边累积误差值。
具体地，初始边对应的协方差可以是一个协方差矩阵，协方差矩阵的每个元素是各个初始边的向量元素之间的协方差。权重与协方差呈负相关关系是指随着协方差变大，权重变小。协方差反映了数据间的相关关系，协方差的值越大，则意味着变量值变化越大并且他们离各自的均值越远，说明初始边的可信度相对比较小，即准确度越低。协方差越小，说明初始边的可信度相对比较大，即准确度越高。因此可以根据初始边对应的协方差得到对应的权重，根据各个边误差以及对应的权重进行加权求和，统计得到边累积误差值。
在一个实施例中，权重等于对应的协方差矩阵的逆矩阵。计算边累积误差的公式即边累积误差的函数可以用公式(6)表示，其中ei-1,i表示第i个更新顶点与第i-1个更新顶点对应的更新边与初始边的边差距，
Figure GDA0002641831690000162
是ei-1,i的转置矩阵，可以理解，边差距对应的矩阵与其转置矩阵相乘，表示边差距的平方，因此边差距对应的矩阵与其转置矩阵相乘得到的为边误差。Ωi-1，i为协方差矩阵的逆矩阵。
Figure GDA0002641831690000161
步骤S508,返回调整当前顶点得到轨迹图的更新顶点，根据更新顶点得到调整后的更新边的步骤，直至边累积误差函数对应的边累积误差值满足收敛条件或调整次数达到预设阈值次数，得到轨迹图的目标顶点。
具体地，收敛条件可以是边累积误差值小于预设的阈值，具体的数值可以根据需要设置，例如为0.001。预设阈值次数也可以根据需要设置，例如为1000次。如果边累积误差函数对应的边累积误差值满足收敛条件或调整次数达到预设阈值次数，则停止返回调整当前顶点得到轨迹图的更新顶点，根据更新顶点得到调整后的更新边的步骤，否则，则继续调整当前顶点得到轨迹图的更新顶点，根据更新顶点得到调整后的更新边，直至边累积误差函数对应的边累积误差值满足收敛条件或调整次数达到预设阈值次数，并将最后优化得到的更新顶点作为目标顶点。
步骤S510,根据目标顶点得到目标校正轨迹数据序列。
具体地，目标校正轨迹数据序列包括多个目标校正轨迹，目标校正轨迹与初始校正轨迹对应，得到目标顶点后，将目标顶点的轨迹数据作为目标校正轨迹数据。
在一个实施例中，如图7A所示，目标校正轨迹数据包括目标校正位置数据，轨迹数据处理方法还包括以下步骤:
步骤S702，获取目标轨迹对应的各个环境对象。
具体地，环境对象是目标对象所处环境所存在的对象，获取的环境对象具体可以根据需要设置，例如可以包括车道线、路面标识以及交通指示牌中的一个或多个，在目标对象行驶的过程中，可以利用摄像设备拍摄得到各个环境对象。
步骤S704，从目标校正轨迹数据中提取得到目标校正位置数据，获取目标对象在目标时刻与环境对象的相对位置数据，目标时刻为各个目标校正位置数据对应的时刻。
具体地，目标校正位置数据用于表示目标对象进行轨迹校正后所在的位置，相对位置数据用于表示目标对象与环境对象的相对位置关系，相对位置数据可以用距离以及方向角表示，也可以用向量表示。例如，当在12:35分目标对象的目标校正位置数据为(A，B),其中，A表示经度位置数据，B表示纬度位置数据，则可以获取12点35分时各个环境对象与环境对象的相对位置数据。
步骤S706，根据目标校正位置数据以及相对位置数据得到各个环境对象的定位位置数据。
具体地，定位位置数据是绝对位置数据，可以用经度位置数据以及纬度位置数据表示，得到目标校正位置数据以及相对位置数据后，根据目标校正位置数据以及相对位置数据计算得到环境对象实际的定位位置数据。例如，当在12:35分目标对象的目标校正位置数据为(A，B),其中，A表示经度位置数据，B表示纬度位置数据，则可以获取12点35分时各个环境对象与环境对象的相对位置数据，假设相对位置数据为距离10m，方向为正北方向，则利用距离与纬度的换算关系得到环境对象对应的纬度，将目标对象的经度位置数据作为环境对象的经度位置数据，从而得到环境对象的定位位置数据。
步骤S708，根据各个环境对象的定位位置数据生成地图数据。
具体地，地图数据用于生成地图，地图数据包括了各个环境对象的定位位置数据，地图数据还可以包括各个环境对象对应的标识信息。地图中标示了各个环境的位置，各个环境的定位位置是根据定位位置数据得到的。例如，假设A路面标识的定位位置数据为(C、D)，B交通指示牌的位位置数据为(E、F),则可以将A路面标识标示在地图中(C、D)对应的位置上，将B交通指示牌对应的图像标示在地图中(E、F)对应的位置上。
如图7B所示，当汽车在办公楼左侧的道路上行驶时，可以获取该道路的车道线与汽车的相对位置数据，以及交通指示牌Y与汽车的相对位置数据。因此，在利用本发明实施例提供的方法得到汽车在该道路的目标校正轨迹数据时，可以根据目标校正轨迹数据以及相对位置数据得到该道路的车道线的定位位置数据以及交通指示牌Y的定位位置数据，故可以在地图上标注该道路的车道线以及交通指示牌Y的位置，从而使得该道路的环境信息更详细以及精确。
以下以一个具体的实施例对本发明实施例提高的轨迹数据处理方法进行说明。
1、当采集地图数据的汽车在进入隧道后，获取轮速传感器输出的当前轮速测量数据V测。
2、汽车在获取到V测后，获取惯导捷联解算系统最新解算得到的预测运动数据作为当前预测运动数据,当前预测运动数据包括当前预测速度数据V预、当前预测位置数据P预以及当前预测姿态数据A预。
3、汽车根据当前预测运动数据以及当前轮速测量数据进行卡尔曼滤波，得到对应的当前速度误差δv、当前位置误差δp以及当前姿态误差δa。
4、汽车根据当前速度误差δv对当前预测速度数据V预据进行校正，得到对应的当前目标速度数据V目。根据当前位置误差δp对当前预测位置数据P预进行校正，得到对应的当前目标位置数据P目。根据当前姿态误差δa对当前预测姿态位置数据A预进行校正，得到对应的当前目标姿态数据A目。
5、重复以上步骤，直至汽车离开隧道。
6、当需要获取隧道的轨迹数据时，计算机设备从汽车中获取到汽车进入隧道之前最后定位得到的轨迹数据作为轨迹起始数据，将汽车离开隧道之后最早定位得到的轨迹数据作为轨迹终止数据。
6、计算机设备将位于轨迹起始数据以及轨迹终止数据之间得到的各个目标位置数据P目以及A目作为初始校正轨迹数据，组成初始校正轨迹数据序列。
7、将轨迹起始数据以及轨迹终止数据分别作为轨迹图的起始顶点以及终止顶点，按照时间顺序将初始校正轨迹数据序列作为轨迹图的初始顶点，并根据相邻初始顶点的差距得到初始边。
8、根据图优化方法对轨迹图进行优化，直至边累积误差小于0.001，将最后更新得到的顶点数据作为目标校正轨迹数据，组成目标校正轨迹数据序列，得到目标对象的目标轨迹。
如图8所示，在一个实施例中，提供了一种轨迹数据处理装置，该轨迹数据处理装置可以集成于上述的计算机设备120中，具体可以包括起始以及终止数据获取模块802、初始校正轨迹数据获取模块804以及初始校正轨迹数据调整模块806。
起始以及终止数据获取模块802，用于获取目标对象对应的轨迹起始数据和轨迹终止数据，轨迹起始数据和轨迹终止数据是根据定位得到的，或轨迹起始数据和轨迹终止数据是闭环轨迹数据。
初始校正轨迹数据获取模块804，用于根据轨迹起始数据和轨迹终止数据获取对应的初始校正轨迹数据序列，初始校正轨迹数据序列包括多个初始校正轨迹数据，初始校正轨迹数据是根据目标对象对应的测量运动数据和预测运动数据进行滤波得到的。
初始校正轨迹数据调整模块806，用于根据轨迹起始数据和轨迹终止数据对初始校正轨迹数据序列中的各个初始校正轨迹数据进行调整，得到目标校正轨迹数据序列，目标校正轨迹数据序列用于确定目标对象对应的目标轨迹。
在其中一个实施例中，用于获取初始校正轨迹数据的模块包括：
当前运动数据获取单元，用于获取目标对象对应的当前测量运动数据和当前预测运动数据。
滤波单元，用于根据当前测量运动数据和当前预测运动数据进行滤波，得到对应的当前目标运动数据，当前预测运动数据包括当前预测轨迹数据。
初始校正轨迹数据得到单元，用于根据当前目标运动数据得到对应的当前初始校正轨迹数据。
在其中一个实施例中，滤波单元用于：获取前向目标运动数据对应的前向目标校正误差。根据当前测量运动数据以及当前预测运动数据得到对应的当前测量误差。对前向目标校正误差以及当前测量误差进行滤波，得到当前目标校正误差。利用当前目标校正误差对当前预测运动数据进行校正，得到对应的当前目标运动数据。
在其中一个实施例中，用于获取预测运动数据的模块包括：
角速度以及加速度获取单元，用于获取目标对象对应的当前加速度数据以及当前角速度数据。
计算单元，用于根据当前加速度数据以及当前角速度数据计算得到对应的当前速度预测数据以及当前位置预测数据，根据当前角速度数据计算得到对应的当前姿态预测数据。
当前预测运动数据得到单元，用于将当前速度预测数据、当前位置预测数据以及当前姿态预测数据作为当前预测运动数据。
在其中一个实施例中，测量运动数据的获取模块用于：获取速度测量设备测量得到的目标对象的当前速度测量数据，作为当前测量运动数据。
在其中一个实施例中，如图9所示，初始校正轨迹数据调整模块806包括：
轨迹图确定单元806A，用于根据轨迹起始数据、轨迹终止数据以及各个初始校正轨迹数据确定轨迹图的初始顶点，根据相邻初始顶点确定轨迹图的初始边。
调整单元806B，用于将初始顶点作为当前顶点，调整当前顶点得到轨迹图的更新顶点，根据更新顶点得到调整后的更新边。
累积误差值计算单元806C，用于根据更新边与初始边计算边累积误差函数对应的边累积误差值，边累积误差值与轨迹图的边误差正相关。
返回单元806D，用于返回调整当前顶点得到轨迹图的更新顶点，根据更新顶点得到调整后的更新边的步骤，直至边累积误差函数对应的边累积误差值满足收敛条件或调整次数达到预设阈值次数，得到轨迹图的目标顶点。
目标校正轨迹数据序列得到单元806E，用于根据目标顶点得到目标校正轨迹数据序列。
在其中一个实施例中，轨迹图确定单元806A用于：计算各个相邻初始顶点的差距，作为对应的相邻初始顶点的初始边。调整单元用于：计算各个相邻更新顶点的差距，作为对应的相邻更新顶点的更新边。
在其中一个实施例中，累积误差值计算单元806C用于：计算各个更新边与对应位置的初始边的边差距，根据边差距得到对应的各个边误差。统计各个边误差，得到边累积误差值。
在其中一个实施例中，累积误差值计算单元806C用于：计算初始边对应的协方差。根据初始边对应的协方差得到对应的权重，其中，权重与协方差呈负相关关系。根据各个边误差以及对应的权重统计得到边累积误差值。
在其中一个实施例中，如图10所示，目标校正轨迹数据包括目标校正位置数据，装置还包括：
环境对象获取模块1002，用于获取目标轨迹对应的各个环境对象。
相对位置数据获取模块1004，用于从目标校正轨迹数据中提取得到目标校正位置数据，获取目标对象在目标时刻与环境对象的相对位置数据，目标时刻为各个目标校正位置数据对应的时刻。
定位位置得到模块1006，用于根据目标校正位置数据以及相对位置数据得到各个环境对象的定位位置数据。
地图数据生成模块1008，用于根据各个环境对象的定位位置数据生成地图数据。
图11示出了一个实施例中计算机设备的内部结构图。如图11所示，该计算机设备包括该计算机设备包括通过系统总线连接的处理器、存储器、网络接口以及输入装置和显示屏。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现轨迹数据处理方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行轨迹数据处理方法。计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图11中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，本申请提供的轨迹数据处理装置可以实现为一种计算机程序的形式，计算机程序可在如图11示的计算机设备上运行。计算机设备的存储器中可存储组成该轨迹数据处理装置的各个程序模块，比如，图8所示的起始以及终止数据获取模块802、初始校正轨迹数据获取模块804以及初始校正轨迹数据调整模块806。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的轨迹数据处理方法中的步骤。
例如，图11所示的计算机设备可以通过如图8所示的轨迹数据处理装置中的起始以及终止数据获取模块802获取目标对象对应的轨迹起始数据和轨迹终止数据，轨迹起始数据和轨迹终止数据是根据定位得到的，或轨迹起始数据和轨迹终止数据是闭环轨迹数据；通过初始校正轨迹数据获取模块804根据轨迹起始数据和轨迹终止数据获取对应的初始校正轨迹数据序列，初始校正轨迹数据序列包括多个初始校正轨迹数据，初始校正轨迹数据是根据目标对象对应的测量运动数据和预测运动数据进行滤波得到的；通过初始校正轨迹数据调整模块806根据轨迹起始数据和轨迹终止数据对初始校正轨迹数据序列中的各个初始校正轨迹数据进行调整，得到目标校正轨迹数据序列，目标校正轨迹数据序列用于确定目标对象对应的目标轨迹。
在一个实施例中，提出了一种计算机设备，计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：获取目标对象对应的轨迹起始数据和轨迹终止数据，轨迹起始数据和轨迹终止数据是根据定位得到的，或轨迹起始数据和轨迹终止数据是闭环轨迹数据；根据轨迹起始数据和轨迹终止数据获取对应的初始校正轨迹数据序列，初始校正轨迹数据序列包括多个初始校正轨迹数据，初始校正轨迹数据是根据目标对象对应的测量运动数据和预测运动数据进行滤波得到的；根据轨迹起始数据和轨迹终止数据对初始校正轨迹数据序列中的各个初始校正轨迹数据进行调整，得到目标校正轨迹数据序列，目标校正轨迹数据序列用于确定目标对象对应的目标轨迹。
在一个实施例中，初始校正轨迹数据的获取步骤包括：获取目标对象对应的当前测量运动数据和当前预测运动数据；根据当前测量运动数据和当前预测运动数据进行滤波，得到对应的当前目标运动数据，当前预测运动数据包括当前预测轨迹数据；根据当前目标运动数据得到对应的当前初始校正轨迹数据。
在一个实施例中，根据当前测量运动数据和当前预测运动数据进行滤波，得到对应的当前目标运动数据包括：获取前向目标运动数据对应的前向目标校正误差；根据当前测量运动数据以及当前预测运动数据得到对应的当前测量误差；对前向目标校正误差以及当前测量误差进行滤波，得到当前目标校正误差；利用当前目标校正误差对当前预测运动数据进行校正，得到对应的当前目标运动数据。
在一个实施例中，预测运动数据的获取步骤包括：获取目标对象对应的当前加速度数据以及当前角速度数据；根据当前加速度数据以及当前角速度数据计算得到对应的当前速度预测数据以及当前位置预测数据，根据当前角速度数据计算得到对应的当前姿态预测数据；将当前速度预测数据、当前位置预测数据以及当前姿态预测数据作为当前预测运动数据。
在一个实施例中，测量运动数据的获取步骤包括：获取速度测量设备测量得到的目标对象的当前速度测量数据，作为当前测量运动数据。
在一个实施例中，处理器所执行的根据轨迹起始数据和轨迹终止数据对初始校正轨迹数据序列中的各个初始校正轨迹数据进行调整，得到目标校正轨迹数据序列包括：根据轨迹起始数据、轨迹终止数据以及各个初始校正轨迹数据确定轨迹图的初始顶点，根据相邻初始顶点确定轨迹图的初始边；将初始顶点作为当前顶点，调整当前顶点得到轨迹图的更新顶点，根据更新顶点得到调整后的更新边；根据更新边与初始边计算边累积误差函数对应的边累积误差值，边累积误差值与轨迹图的边误差正相关；返回调整当前顶点得到轨迹图的更新顶点，根据更新顶点得到调整后的更新边的步骤，直至边累积误差函数对应的边累积误差值满足收敛条件或调整次数达到预设阈值次数，得到轨迹图的目标顶点；根据目标顶点得到目标校正轨迹数据序列。
在一个实施例中，处理器所执行的根据相邻初始顶点确定轨迹图的初始边包括：计算各个相邻初始顶点的差距，作为对应的相邻初始顶点的初始边；根据更新顶点得到调整后的更新边包括：计算各个相邻更新顶点的差距，作为对应的相邻更新顶点的更新边，相邻初始顶点的差距以及邻更新顶点的差距包括位置差距以及姿态差距中的至少一个。
在一个实施例中，处理器所执行的根据更新边与初始边计算边累积误差函数对应的边累积误差值包括：计算各个更新边与对应位置的初始边的边差距，根据边差距得到对应的各个边误差；统计各个边误差，得到边累积误差值。
在一个实施例中，处理器所执行的统计各个边误差，得到边累积误差值包括：计算初始边对应的协方差；根据初始边对应的协方差得到对应的权重，其中，权重与协方差呈负相关关系；根据各个边误差以及对应的权重统计得到边累积误差值。
在一个实施例中，处理器所执行的目标校正轨迹数据包括目标校正位置数据，计算机程序还使得处理器执行以下步骤：获取目标轨迹对应的各个环境对象；从目标校正轨迹数据中提取得到目标校正位置数据，获取目标对象在目标时刻与环境对象的相对位置数据，目标时刻为各个目标校正位置数据对应的时刻；根据目标校正位置数据以及相对位置数据得到各个环境对象的定位位置数据；根据各个环境对象的定位位置数据生成地图数据。
在一个实施例中，提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，使得处理器执行以下步骤：获取目标对象对应的轨迹起始数据和轨迹终止数据，轨迹起始数据和轨迹终止数据是根据定位得到的，或轨迹起始数据和轨迹终止数据是闭环轨迹数据；根据轨迹起始数据和轨迹终止数据获取对应的初始校正轨迹数据序列，初始校正轨迹数据序列包括多个初始校正轨迹数据，初始校正轨迹数据是根据目标对象对应的测量运动数据和预测运动数据进行滤波得到的；根据轨迹起始数据和轨迹终止数据对初始校正轨迹数据序列中的各个初始校正轨迹数据进行调整，得到目标校正轨迹数据序列，目标校正轨迹数据序列用于确定目标对象对应的目标轨迹。
在一个实施例中，初始校正轨迹数据的获取步骤包括：获取目标对象对应的当前测量运动数据和当前预测运动数据；根据当前测量运动数据和当前预测运动数据进行滤波，得到对应的当前目标运动数据，当前预测运动数据包括当前预测轨迹数据；根据当前目标运动数据得到对应的当前初始校正轨迹数据。
在一个实施例中，根据当前测量运动数据和当前预测运动数据进行滤波，得到对应的当前目标运动数据包括：获取前向目标运动数据对应的前向目标校正误差；根据当前测量运动数据以及当前预测运动数据得到对应的当前测量误差；对前向目标校正误差以及当前测量误差进行滤波，得到当前目标校正误差；利用当前目标校正误差对当前预测运动数据进行校正，得到对应的当前目标运动数据。
在一个实施例中，预测运动数据的获取步骤包括：获取目标对象对应的当前加速度数据以及当前角速度数据；根据当前加速度数据以及当前角速度数据计算得到对应的当前速度预测数据以及当前位置预测数据，根据当前角速度数据计算得到对应的当前姿态预测数据；将当前速度预测数据、当前位置预测数据以及当前姿态预测数据作为当前预测运动数据。
在一个实施例中，测量运动数据的获取步骤包括：获取速度测量设备测量得到的目标对象的当前速度测量数据，作为当前测量运动数据。
在一个实施例中，处理器所执行的根据轨迹起始数据和轨迹终止数据对初始校正轨迹数据序列中的各个初始校正轨迹数据进行调整，得到目标校正轨迹数据序列包括：根据轨迹起始数据、轨迹终止数据以及各个初始校正轨迹数据确定轨迹图的初始顶点，根据相邻初始顶点确定轨迹图的初始边；将初始顶点作为当前顶点，调整当前顶点得到轨迹图的更新顶点，根据更新顶点得到调整后的更新边；根据更新边与初始边计算边累积误差函数对应的边累积误差值，边累积误差值与轨迹图的边误差正相关；返回调整当前顶点得到轨迹图的更新顶点，根据更新顶点得到调整后的更新边的步骤，直至边累积误差函数对应的边累积误差值满足收敛条件或调整次数达到预设阈值次数，得到轨迹图的目标顶点；根据目标顶点得到目标校正轨迹数据序列。
在一个实施例中，处理器所执行的根据相邻初始顶点确定轨迹图的初始边包括：计算各个相邻初始顶点的差距，作为对应的相邻初始顶点的初始边；根据更新顶点得到调整后的更新边包括：计算各个相邻更新顶点的差距，作为对应的相邻更新顶点的更新边，相邻初始顶点的差距以及邻更新顶点的差距包括位置差距以及姿态差距中的至少一个。
在一个实施例中，处理器所执行的根据更新边与初始边计算边累积误差函数对应的边累积误差值包括：计算各个更新边与对应位置的初始边的边差距，根据边差距得到对应的各个边误差；统计各个边误差，得到边累积误差值。
在一个实施例中，处理器所执行的统计各个边误差，得到边累积误差值包括：计算初始边对应的协方差；根据初始边对应的协方差得到对应的权重，其中，权重与协方差呈负相关关系；根据各个边误差以及对应的权重统计得到边累积误差值。
在一个实施例中，处理器所执行的目标校正轨迹数据包括目标校正位置数据，计算机程序还使得处理器执行以下步骤：获取目标轨迹对应的各个环境对象；从目标校正轨迹数据中提取得到目标校正位置数据，获取目标对象在目标时刻与环境对象的相对位置数据，目标时刻为各个目标校正位置数据对应的时刻；根据目标校正位置数据以及相对位置数据得到各个环境对象的定位位置数据；根据各个环境对象的定位位置数据生成地图数据。
应该理解的是，虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于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。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (22)

1.一种轨迹数据处理方法，所述方法包括：
获取目标对象对应的轨迹起始数据和轨迹终止数据，所述轨迹起始数据和轨迹终止数据是根据定位得到的，或所述轨迹起始数据和轨迹终止数据是闭环轨迹数据；
根据所述轨迹起始数据和轨迹终止数据获取对应的初始校正轨迹数据序列，所述初始校正轨迹数据序列包括多个初始校正轨迹数据，所述初始校正轨迹数据是根据所述目标对象对应的测量运动数据和预测运动数据进行滤波得到的；
根据所述轨迹起始数据和所述轨迹终止数据对所述初始校正轨迹数据序列中的各个初始校正轨迹数据进行调整，得到目标校正轨迹数据序列，所述目标校正轨迹数据序列用于确定所述目标对象对应的目标轨迹；
其中，在进行调整时，根据所述轨迹起始数据、所述轨迹终止数据以及各个所述初始校正轨迹数据确定轨迹图的初始顶点，根据相邻初始顶点得到所述轨迹图的初始边，朝着使边累积误差减小的方向调整所述轨迹图的顶点，直至边累积误差值满足收敛条件或调整次数达到预设阈值次数，所述边累积误差值是对所述初始边与调整得到的轨迹图的更新边之间的边误差进行统计得到的。
2.根据权利要求1所述的方法，其特征在于，所述初始校正轨迹数据的获取步骤包括：
获取所述目标对象对应的当前测量运动数据和当前预测运动数据；
根据所述当前测量运动数据和所述当前预测运动数据进行滤波，得到对应的当前目标运动数据，所述当前预测运动数据包括当前预测轨迹数据；
根据所述当前目标运动数据得到对应的当前初始校正轨迹数据。
3.根据权利要求2所述的方法，其特征在于，所述根据所述当前测量运动数据和所述当前预测运动数据进行滤波，得到对应的当前目标运动数据包括：
获取前向目标运动数据对应的前向目标校正误差；
根据所述当前测量运动数据以及所述当前预测运动数据得到对应的当前测量误差；
对所述前向目标校正误差以及所述当前测量误差进行滤波，得到当前目标校正误差；
利用所述当前目标校正误差对所述当前预测运动数据进行校正，得到对应的当前目标运动数据。
4.根据权利要求1所述的方法，其特征在于，所述预测运动数据的获取步骤包括：
获取所述目标对象对应的当前加速度数据以及当前角速度数据；
根据所述当前加速度数据以及所述当前角速度数据计算得到对应的当前速度预测数据以及当前位置预测数据，根据所述当前角速度数据计算得到对应的当前姿态预测数据；
将所述当前速度预测数据、所述当前位置预测数据以及所述当前姿态预测数据作为当前预测运动数据。
5.根据权利要求1所述的方法，其特征在于，所述测量运动数据的获取步骤包括：
获取速度测量设备测量得到的所述目标对象的当前速度测量数据，作为当前测量运动数据。
6.根据权利要求1所述的方法，其特征在于，所述根据所述轨迹起始数据和所述轨迹终止数据对所述初始校正轨迹数据序列中的各个初始校正轨迹数据进行调整，得到目标校正轨迹数据序列包括：
将所述初始顶点作为当前顶点，调整所述当前顶点得到所述轨迹图的更新顶点，根据所述更新顶点得到调整后的更新边；
根据所述更新边与所述初始边计算边累积误差函数对应的边累积误差值，所述边累积误差值与轨迹图的边误差正相关；
返回所述调整所述当前顶点得到所述轨迹图的更新顶点，根据所述更新顶点得到调整后的更新边的步骤，直至所述边累积误差函数对应的边累积误差值满足收敛条件或调整次数达到预设阈值次数，得到所述轨迹图的目标顶点；
根据所述目标顶点得到所述目标校正轨迹数据序列。
7.根据权利要求6所述的方法，其特征在于，所述根据相邻初始顶点确定轨迹图的初始边包括：
计算各个相邻初始顶点的差距，作为对应的相邻初始顶点的初始边；
所述根据所述更新顶点得到调整后的更新边包括：
计算各个相邻更新顶点的差距，作为对应的相邻更新顶点的更新边，所述相邻更新顶点的差距以及所述相邻初始顶点的差距包括位置差距以及姿态差距中的至少一个。
8.根据权利要求6所述的方法，其特征在于，所述根据所述更新边与所述初始边计算边累积误差函数对应的边累积误差值包括：
计算各个更新边与对应位置的初始边的边差距，根据所述边差距得到对应的各个边误差；
统计所述各个边误差，得到边累积误差值。
9.根据权利要求8所述的方法，其特征在于，所述统计所述各个边误差，得到边累积误差值包括：
计算所述初始边对应的协方差；
根据所述初始边对应的协方差得到对应的权重，其中，权重与协方差呈负相关关系；
根据所述各个边误差以及对应的权重统计得到所述边累积误差值。
10.根据权利要求1所述的方法，其特征在于，所述目标校正轨迹数据包括目标校正位置数据，所述方法还包括：
获取所述目标轨迹对应的各个环境对象；
从所述目标校正轨迹数据中提取得到目标校正位置数据，获取所述目标对象在目标时刻与所述环境对象的相对位置数据，所述目标时刻为各个目标校正位置数据对应的时刻；
根据所述目标校正位置数据以及所述相对位置数据得到所述各个环境对象的定位位置数据；
根据所述各个环境对象的定位位置数据生成地图数据。
11.一种轨迹数据处理装置，所述装置包括：
起始以及终止数据获取模块，用于获取目标对象对应的轨迹起始数据和轨迹终止数据，所述轨迹起始数据和轨迹终止数据是根据定位得到的，或所述轨迹起始数据和轨迹终止数据是闭环轨迹数据；
初始校正轨迹数据获取模块，用于根据所述轨迹起始数据和轨迹终止数据获取对应的初始校正轨迹数据序列，所述初始校正轨迹数据序列包括多个初始校正轨迹数据，所述初始校正轨迹数据是根据所述目标对象对应的测量运动数据和预测运动数据进行滤波得到的；
初始校正轨迹数据调整模块，用于根据所述轨迹起始数据和所述轨迹终止数据对所述初始校正轨迹数据序列中的各个初始校正轨迹数据进行调整，得到目标校正轨迹数据序列，所述目标校正轨迹数据序列用于确定所述目标对象对应的目标轨迹；
其中，在进行调整时，根据所述轨迹起始数据、所述轨迹终止数据以及各个所述初始校正轨迹数据确定轨迹图的初始顶点，根据相邻初始顶点得到所述轨迹图的初始边，朝着使边累积误差减小的方向调整所述轨迹图的顶点，直至边累积误差值满足收敛条件或调整次数达到预设阈值次数，所述边累积误差值是对所述初始边与调整得到的轨迹图的更新边之间的边误差进行统计得到的。
12.根据权利要求11所述的装置，其特征在于，用于获取所述初始校正轨迹数据的模块包括：
当前运动数据获取单元，用于获取所述目标对象对应的当前测量运动数据和当前预测运动数据；
滤波单元，用于根据所述当前测量运动数据和所述当前预测运动数据进行滤波，得到对应的当前目标运动数据，所述当前预测运动数据包括当前预测轨迹数据；
初始校正轨迹数据得到单元，用于根据所述当前目标运动数据得到对应的当前初始校正轨迹数据。
13.根据权利要求12所述的装置，其特征在于，所述滤波单元用于：
获取前向目标运动数据对应的前向目标校正误差；
根据所述当前测量运动数据以及所述当前预测运动数据得到对应的当前测量误差；
对所述前向目标校正误差以及所述当前测量误差进行滤波，得到当前目标校正误差；
利用所述当前目标校正误差对所述当前预测运动数据进行校正，得到对应的当前目标运动数据。
14.根据权利要求11所述的装置，其特征在于，用于获取所述预测运动数据的模块包括：
角速度以及加速度获取单元，用于获取所述目标对象对应的当前加速度数据以及当前角速度数据；
计算单元，用于根据所述当前加速度数据以及所述当前角速度数据计算得到对应的当前速度预测数据以及当前位置预测数据，根据所述当前角速度数据计算得到对应的当前姿态预测数据；
当前预测运动数据得到单元，用于将所述当前速度预测数据、所述当前位置预测数据以及所述当前姿态预测数据作为当前预测运动数据。
15.根据权利要求11所述的装置，其特征在于，所述测量运动数据的获取模块用于：
获取速度测量设备测量得到的所述目标对象的当前速度测量数据，作为当前测量运动数据。
16.根据权利要求11所述的装置，其特征在于，所述初始校正轨迹数据调整模块包括：
调整单元，用于将所述初始顶点作为当前顶点，调整所述当前顶点得到所述轨迹图的更新顶点，根据所述更新顶点得到调整后的更新边；
累积误差值计算单元，用于根据所述更新边与所述初始边计算边累积误差函数对应的边累积误差值，所述边累积误差值与轨迹图的边误差正相关；
返回单元，用于返回所述调整所述当前顶点得到所述轨迹图的更新顶点，根据所述更新顶点得到调整后的更新边的步骤，直至所述边累积误差函数对应的边累积误差值满足收敛条件或调整次数达到预设阈值次数，得到所述轨迹图的目标顶点；
目标校正轨迹数据序列得到单元，用于根据所述目标顶点得到所述目标校正轨迹数据序列。
17.根据权利要求16所述的装置，其特征在于，所述轨迹图确定单元用于：
计算各个相邻初始顶点的差距，作为对应的相邻初始顶点的初始边；
所述调整单元用于：
计算各个相邻更新顶点的差距，作为对应的相邻更新顶点的更新边，所述相邻更新顶点的差距以及所述相邻初始顶点的差距包括位置差距以及姿态差距中的至少一个。
18.根据权利要求16所述的装置，其特征在于，所述累积误差值计算单元用于：
计算各个更新边与对应位置的初始边的边差距，根据所述边差距得到对应的各个边误差；
统计所述各个边误差，得到边累积误差值。
19.根据权利要求18所述的装置，其特征在于，所述累积误差值计算单元用于：
计算所述初始边对应的协方差；
根据所述初始边对应的协方差得到对应的权重，其中，权重与协方差呈负相关关系；
根据所述各个边误差以及对应的权重统计得到所述边累积误差值。
20.根据权利要求11所述的装置，其特征在于，所述目标校正轨迹数据包括目标校正位置数据，所述装置还包括：
环境对象获取模块，用于获取所述目标轨迹对应的各个环境对象；
相对位置数据获取模块，用于从所述目标校正轨迹数据中提取得到目标校正位置数据，获取所述目标对象在目标时刻与所述环境对象的相对位置数据，所述目标时刻为各个目标校正位置数据对应的时刻；
定位位置得到模块，根据所述目标校正位置数据以及所述相对位置数据得到所述各个环境对象的定位位置数据；
地图数据生成模块，用于根据所述各个环境对象的定位位置数据生成地图数据。
21.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1至10中任一项权利要求所述轨迹数据处理方法的步骤。
22.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行权利要求1至10中任一项权利要求所述轨迹数据处理方法的步骤。
CN201810678924.5A 2018-06-27 2018-06-27 轨迹数据处理方法、装置、计算机设备和存储介质 Active CN109059907B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810678924.5A CN109059907B (zh) 2018-06-27 2018-06-27 轨迹数据处理方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810678924.5A CN109059907B (zh) 2018-06-27 2018-06-27 轨迹数据处理方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN109059907A CN109059907A (zh) 2018-12-21
CN109059907B true CN109059907B (zh) 2020-11-27

Family

ID=64821334

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810678924.5A Active CN109059907B (zh) 2018-06-27 2018-06-27 轨迹数据处理方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN109059907B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110058279B (zh) * 2019-04-15 2023-07-21 北京三快在线科技有限公司 一种确定已行驶路径的方法、装置、设备及存储介质
CN112415554B (zh) * 2019-08-20 2024-02-13 Oppo广东移动通信有限公司 定位方法和装置、电子设备、计算机可读存储介质
CN110606212A (zh) * 2019-09-03 2019-12-24 北京神导科讯科技发展有限公司 一种进近着陆方法、装置、设备及存储介质
CN110879830A (zh) * 2019-09-19 2020-03-13 京东城市(北京)数字科技有限公司 一种数据管理方法、设备及存储介质
CN111077549B (zh) * 2019-12-31 2022-06-28 深圳一清创新科技有限公司 位置数据修正方法、装置和计算机可读存储介质
CN111197994B (zh) * 2019-12-31 2021-12-07 深圳一清创新科技有限公司 位置数据修正方法、装置、计算机设备和存储介质
CN110926484B (zh) * 2020-02-10 2020-05-19 中智行科技有限公司 车辆位置的获取方法、装置以及智能车辆
CN112033454B (zh) * 2020-08-28 2022-07-12 杭州海康威视数字技术股份有限公司 轨迹数据处理方法和装置
CN112926745A (zh) * 2021-02-24 2021-06-08 北京润科通用技术有限公司 一种自动识别和截取试飞动作模式数据的方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5928295A (en) * 1996-12-16 1999-07-27 Motorola, Inc. Method and apparatus for automatic calibration of the wheel track of a movable vehicle
CN103674028A (zh) * 2013-12-27 2014-03-26 上海大唐移动通信设备有限公司 一种室内行进轨迹的定位测试方法及装置
CN103717999A (zh) * 2011-08-24 2014-04-09 株式会社电装 行驶轨迹存储装置
CN105701352A (zh) * 2016-01-15 2016-06-22 中国科学院光电研究院 空间运动目标的轨迹预测方法
CN105825671A (zh) * 2016-03-21 2016-08-03 武汉烽火众智数字技术有限责任公司 一种基于大数据车辆全轨迹碰撞的伴随车分析方法及系统
CN106610294A (zh) * 2015-10-27 2017-05-03 高德信息技术有限公司 定位方法及装置
CN106643734A (zh) * 2016-12-30 2017-05-10 中国科学院电子学研究所 时空轨迹数据的分级处理方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5928295A (en) * 1996-12-16 1999-07-27 Motorola, Inc. Method and apparatus for automatic calibration of the wheel track of a movable vehicle
CN103717999A (zh) * 2011-08-24 2014-04-09 株式会社电装 行驶轨迹存储装置
CN103674028A (zh) * 2013-12-27 2014-03-26 上海大唐移动通信设备有限公司 一种室内行进轨迹的定位测试方法及装置
CN106610294A (zh) * 2015-10-27 2017-05-03 高德信息技术有限公司 定位方法及装置
CN105701352A (zh) * 2016-01-15 2016-06-22 中国科学院光电研究院 空间运动目标的轨迹预测方法
CN105825671A (zh) * 2016-03-21 2016-08-03 武汉烽火众智数字技术有限责任公司 一种基于大数据车辆全轨迹碰撞的伴随车分析方法及系统
CN106643734A (zh) * 2016-12-30 2017-05-10 中国科学院电子学研究所 时空轨迹数据的分级处理方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
车辆GPS轨迹兴趣区域提取算法研究;何源浩等;《测绘工程》;20160531;第25卷(第5期);第47-51,55页 *

Also Published As

Publication number Publication date
CN109059907A (zh) 2018-12-21

Similar Documents

Publication Publication Date Title
CN109059907B (zh) 轨迹数据处理方法、装置、计算机设备和存储介质
CN109974693B (zh) 无人机定位方法、装置、计算机设备及存储介质
US8447116B2 (en) Identifying true feature matches for vision based navigation
KR102226846B1 (ko) Ｉｍｕ 센서와 카메라를 이용한 하이브리드 실내 측위 시스템
KR101985344B1 (ko) 관성 및 단일 광학 센서를 이용한 슬라이딩 윈도우 기반 비-구조 위치 인식 방법, 이를 수행하기 위한 기록 매체 및 장치
CN107830858B (zh) 一种基于重力辅助的手机航向估计方法
CN113466890B (zh) 基于关键特征提取的轻量化激光雷达惯性组合定位方法和系统
Cai et al. Mobile robot localization using gps, imu and visual odometry
CN107941212B (zh) 一种视觉与惯性联合定位方法
CN115143954B (zh) 一种基于多源信息融合的无人车导航方法
KR101576424B1 (ko) 실내 측위를 위한 지자기 센서 자동 보정 방법
US11866056B2 (en) Ballistic estimation of vehicle data
CN112985391A (zh) 一种基于惯性和双目视觉的多无人机协同导航方法和装置
CN114061570A (zh) 车辆定位方法、装置、计算机设备和存储介质
CN111383324B (zh) 点云地图的构建方法、装置、计算机设备和存储介质
CN113566850B (zh) 惯性测量单元的安装角度标定方法、装置和计算机设备
CN110375740B (zh) 车辆导航方法、装置、设备和存储介质
Qian et al. Optical flow based step length estimation for indoor pedestrian navigation on a smartphone
US20230304802A1 (en) Passive combined indoor positioning system and method based on intelligent terminal sensor
CN113034538B (zh) 一种视觉惯导设备的位姿跟踪方法、装置及视觉惯导设备
CN114705223A (zh) 多移动智能体在目标跟踪中的惯导误差补偿方法及系统
CN107796417B (zh) 一种自适应估计景象匹配与惯导安装误差的方法
Indelman et al. Real-time mosaic-aided aerial navigation: II. Sensor fusion
CN113137975B (zh) 天文惯性组合导航的惯性校正方法、装置及电子设备
CN116793340B (zh) 一种无人机自动着陆导航方法、装置及电子设备

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