CN109885635B - 地图关联方法、装置、存储介质及计算机设备 - Google Patents
地图关联方法、装置、存储介质及计算机设备 Download PDFInfo
- Publication number
- CN109885635B CN109885635B CN201910114736.4A CN201910114736A CN109885635B CN 109885635 B CN109885635 B CN 109885635B CN 201910114736 A CN201910114736 A CN 201910114736A CN 109885635 B CN109885635 B CN 109885635B
- Authority
- CN
- China
- Prior art keywords
- sampling point
- road section
- candidate
- determining
- position information
- 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
Links
Images
Landscapes
- Navigation (AREA)
- Instructional Devices (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及一种地图关联方法,方法包括:获取高精度地图中的目标路段包括的第一采样点的位置信息;对标准地图中与第一采样点对应的邻近路段包括的第二采样点进行重采样,得到第三采样点的位置信息;根据第一采样点的位置信息和候选采样点组包括的第三采样点的位置信息,确定候选采样点组对应的代价参数;候选采样点组包括的第三采样点连续相邻、且数目与目标路段包括的第一采样点的数目相同;根据代价参数最小的候选采样点组,从邻近路段中确定目标路段的匹配路段,并建立目标路段与匹配路段的关联关系。本申请提供的方案可提高地图关联过程中的自动化程度及准确性。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种地图关联方法、装置、计算机可读存储介质和计算机设备。
背景技术
电子地图,是利用计算机技术、以数字方式存储和查阅的地图。目前,电子地图主要分为标准地图(Standard Map,SD Map)和高精度地图(High Definition Map,HD Map)。标准地图能够提供道路级导航信息,而高精度地图能够提供车道级导航信息。
随着电子导航技术的发展,越来越多地结合标准地图和高精度地图进行联合导航,即既确定在标准地图中所处的道路级位置,也确定在高精度地图中所处的车道级位置。为实现联合导航,需要将高精度地图与标准地图关联,即建立高精度地图中的路段与标准地图中的路段的关联关系。
传统的地图关联方式,是由人工将高精度地图中的目标路段与标准地图中的路段进行特征比对,找出标准地图中与该目标路段具有相似特征的路段,再建立该目标路段与该具有相似特征的路段的关联关系。然而,依赖于人工进行特征比对,存在自动化程度低、准确性低的问题。
发明内容
基于此,有必要针对传统方式中自动化程度低、准确性低的技术问题,提供一种地图关联方法、装置、计算机可读存储介质和计算机设备。
一种地图关联方法,包括:
获取高精度地图中的目标路段包括的第一采样点的位置信息;
对标准地图中与所述第一采样点对应的邻近路段包括的第二采样点进行重采样,得到第三采样点的位置信息;
根据所述第一采样点的位置信息和候选采样点组包括的第三采样点的位置信息,确定所述候选采样点组对应的代价参数;所述候选采样点组包括的第三采样点连续相邻、且数目与所述目标路段包括的第一采样点的数目相同;
根据代价参数最小的候选采样点组,从所述邻近路段中确定所述目标路段的匹配路段,并建立所述目标路段与所述匹配路段的关联关系。
一种地图关联装置,包括:
第一位置信息获取模块,用于获取高精度地图中的目标路段包括的第一采样点的位置信息;
第二位置信息获取模块,用于对标准地图中与所述第一采样点对应的邻近路段包括的第二采样点进行重采样,得到第三采样点的位置信息;
代价参数确定模块,用于根据所述第一采样点的位置信息和候选采样点组包括的第三采样点的位置信息,确定所述候选采样点组对应的代价参数;所述候选采样点组包括的第三采样点连续相邻、且数目与所述目标路段包括的第一采样点的数目相同;
关联关系建立模块,用于根据代价参数最小的候选采样点组,从所述邻近路段中确定所述目标路段的匹配路段,并建立所述目标路段与所述匹配路段的关联关系。
一种计算机可读存储介质,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如上所述的地图关联方法中的步骤。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,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如上所述的地图关联方法中的步骤。
上述地图关联方法、装置、计算机可读存储介质和计算机设备,获取高精度地图中的目标路段包括的第一采样点的位置信息,并对标准地图中与第一采样点对应的邻近路段包括的第二采样点进行重采样,得到第三采样点的位置信息,再根据第一采样点的位置信息和候选采样点组包括的第三采样点的位置信息,确定候选采样点组对应的代价参数,进而根据代价参数最小的候选采样点组,从邻近路段中确定目标路段的匹配路段,并建立目标路段与匹配路段的关联关系。如此,可以由计算机设备自动从标准地图中,查找出需要与高精度地图中的目标路段建立关联关系的路段,提高了地图关联过程中的自动化程度及准确性。此外,候选采样点组包括的第三采样点连续相邻、且数目与目标路段包括的第一采样点的数目相同,充分利用了高精度地图和标准地图的空间拓扑和属性关系,大幅降低了匹配解空间的搜索范围,从而降低了运算量。
附图说明
图1为一个实施例中地图关联方法的应用环境图;
图2为一个实施例中地图关联方法的流程示意图;
图3为一个实施例中目标路段的示意图;
图4为一个实施例中重采样的原理示意图;
图5为一个实施例中通过滑动匹配方式确定候选采样点组的原理示意图;
图6为一个通过DTW算法确定线段间相似度的示意图;
图7为一个实施例中代价参数最小的候选采样点组的示意图;
图8为一个实施例中地图关联方法的流程示意图;
图9为一个实施例中地图关联方法的简化处理过程的示意图;
图10为一个实施例中高精度地图与标准地图关联云服务的架构示意图;
图11为一个实施例中智能车辆进行联合导航的框架示意图;
图12为一个实施例中地图关联装置的结构框图;
图13为一个实施例中计算机设备的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请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申请,并不用于限定本申请。
需要说明的是,本申请所使用的术语“第一”、“第二”等是用于对类似的对象作出命名上的区分,但这些对象本身不受这些术语限制。应当理解,在不脱离本申请的范围的情况下,这些术语在适当的情况下可以互换。
本申请各实施例提供的地图关联方法,可应用于如图1所示的应用环境中。该应用环境可涉及高精度地图存储设备110、标准地图存储设备120以及计算机设备130。其中,高精度地图存储设备110可用于存储高精度地图,标准地图存储设备120可用于存储标准地图,计算机设备130可用于执行地图关联方法中的步骤。此外,高精度地图存储设备110与计算机设备130之间、以及标准地图存储设备120与计算机设备130之间均可通过网络连接。
具体地,计算机设备130可以从高精度地图存储设备110中,获取高精度地图中的目标路段包括的第一采样点的位置信息,并从标准地图存储设备120中,获取标准地图中与第一采样点对应的邻近路段所包括的第二采样点的位置信息。计算机设备130再根据获取到的第二采样点的位置信息进行重采样,得到第三采样点的位置信息。进而,计算机设备130针对每一个候选采样点组,根据目标路段包括的第一采样点的位置信息和该候选采样点组包括的第三采样点的位置信息,确定该候选采样点组对应的代价参数,其中每一个候选采样点组包括的第三采样点连续相邻、且每一个候选采样点组包括的第三采样点的数目与目标路段包括的第一采样点的数目相同。而后,计算机设备130从各候选采样点组中确定出代价参数最小的候选采样点组,并根据该代价参数最小的候选采样点组,从标准地图中与第一采样点对应的邻近路段中,确定目标路段的匹配路段,并建立目标路段与匹配路段的关联关系。
其中,高精度地图存储设备110、标准地图存储设备120以及计算机设备130均可以采用独立的服务器实现,或者采用多个服务器组成的服务器集群来实现。此外,计算机设备130也可以采用终端实现,终端具体可以是台式电脑、平板电脑、笔记本电脑、个人数字助理、手机或者穿戴式设备,但不局限于此。
在一个实施例中,如图2所示,提供了一种地图关联方法。以该方法应用于上述图1中的计算机设备130为例进行说明。该方法可以包括如下步骤S202至S208。
S202,获取高精度地图中的目标路段包括的第一采样点的位置信息。
高精度地图,又称为HD Map,可以是高精度且精细化定义的地图。高精度地图的绝对精度通常可以在亚米级(即绝对精度在1米以内)。
目标路段,可以是包含于高精度地图中、且需在标准地图中确定其匹配路段的路段。目标路段可以视为由多于2个的第一采样点有序排列而成的线段,相应地,第一采样点是高精度地图中记录的、目标路段的构成元素。可以理解,目标路段包括的各第一采样点可以分别为该目标路段的起点、终点以及位于起点和终点之间的中间点。此外,目标路段包括的各第一采样点的排列顺序,可以根据各第一采样点在真实世界中所处的地理位置形成。
以下结合图3对目标路段进行示例性说明:高精度地图中的目标路段HDline包括A1至A5共计5个第一采样点,第一采样点A1至A5按照图3所示的顺序排列,其中第一采样点A1为目标路段HDline的起点、A2至A4为中间点、A5为终点。
第一采样点的位置信息,是可以用于描述该第一采样点在真实世界中所处的地理位置的信息。第一采样点的位置信息具体可以包括该第一采样点的经度信息和纬度信息。可以理解,每一个第一采样点均具有位置信息。
还需要说明的是,高精度地图通常存储于执行地图关联方法的计算机设备(比如图1所示的计算机设备130)以外的其他设备(比如图1所示的高精度地图存储设备110)中,据此可以由存储有高精度地图的其他设备向执行地图关联方法的计算机设备发送高精度地图中的目标路段包括的第一采样点的位置信息。但可以理解,高精度地图也可以存储于执行地图关联方法的计算机设备中,据此可以由该计算机设备从本地读取高精度地图中的目标路段包括的第一采样点的位置信息。
S204,对标准地图中与第一采样点对应的邻近路段包括的第二采样点进行重采样,得到第三采样点的位置信息。
标准地图,又称为SD Map,可以是普通的导航地图。标准地图的精度低于高精度地图,通常标准地图的绝对精度可以在10米左右。
第一采样点对应的邻近路段,是包含于标准地图中、且与该第一采样点相距较近的路段。针对任一第一采样点,可以在标准地图中,筛选与该第一采样点的距离小于预定距离阈值的路段,再将筛选得到的路段确定为与该第一采样点对应的邻近路段,其中预定距离阈值可以根据实际需求预先设定。
具体地,可以针对目标路段包括的每一个第一采样点,根据该第一采样点的位置信息,在标准地图中确定出与该第一采样点对应的邻近路段。但需要说明的是,目标路段包括的各第一采样点对应的邻近路段可能出现重复,在此情况下,最终确定的与目标路段包括的第一采样点对应的邻近路段不重复记录。
举例说明,结合图3和图4所示,假设目标路段HDline包括的第一采样点A1和A2在标准地图中对应的邻近路段均包括邻近路段SDline-1,第一采样点A3和A4在标准地图中对应的邻近路段均包括邻近路段SDline-2,第一采样点A5在标准地图中对应的邻近路段包括邻近路段SDline-3,由于第一采样点A1和A2对应的邻近路段出现重复,第一采样点A3和A4对应的邻近路段亦出现重复,记录最终确定的与目标路段包括的第一采样点对应的邻近路段包括邻近路段SDline-1、SDline-2以及SDline-3,而不重复记录SDline-1和SDline-2。
类似地,邻近路段可以视为由多于2个的第二采样点有序排列而成的线段,相应地,第二采样点是标准地图中记录的、相应邻近路段的构成元素。邻近路段包括的各第二采样点可以分别为该邻近路段的起点、终点以及位于起点和终点之间的中间点。此外,邻近路段包括的各第二采样点的排列顺序,亦可以根据各第二采样点在真实世界中所处的地理位置形成。
需要说明的是,由于标准地图的精度低于高精度地图,标准地图的数据密度小于高精度地图,即高精度地图中路段包括的采样点较为密集,标准地图中路段包括的采样点较为稀疏,亦即对于真实世界中的同一路段,高精度地图中用于构成该路段的采样点的数目,多于标准地图中用于构成该路段的采样点的数目。据此,获取到高精度地图中的目标路段包括的第一采样点、以及标准地图中与目标路段包括的第一采样点对应的邻近路段包括的第二采样点之后,可以先增加获取到的第二采样点的数据密度,使得获取到的第二采样点达到与获取到的第一采样点相似或一致的数据密度。
具体地,可以对标准地图中与目标路段包括的第一采样点对应的邻近路段包括的第二采样点进行重采样,以增加获取到的第二采样点的数据密度。进行重采样之后,得到第三采样点的位置信息,得到的第三采样点可以包括标准地图中与目标路段包括的第一采样点对应的邻近路段原本包括的第二采样点、以及经重采样后新增的采样点(以下简称新增采样点)。
举例说明,如图4的上半部分所示,标准地图中与目标路段包括的第一采样点对应的邻近路段分别为邻近路段SDline-1、邻近路段SDline-2以及邻近路段SDline-3;邻近路段SDline-1包括的第二采样点分别为第二采样点B1、B3以及B5;邻近路段SDline-2包括的第二采样点分别为第二采样点B5、B7以及B9;邻近路段SDline-3包括的第二采样点分别为第二采样点B9、B11以及B13。据此,对第二采样点B1、B3、B5、B7、B9、B11以及B13进行重采样后,如图4中的下半部分所示,得到的各第三采样点可以分别为第二采样点B1、B3、B5、B7、B9、B11、B13、以及新增采样点B2、B4、B6、B8、B10以及B12。
具体地,计算机设备可以获取标准地图中与目标路段包括的第一采样点对应的邻近路段包括的第二采样点的位置信息,再根据获取到的第二采样点的位置信息进行重采样,得到第三采样点的位置信息。其中,与第一采样点的位置信息类似,第二采样点的位置信息具体可以包括该第二采样点的经度信息和纬度信息,第三采样点的位置信息具体可以包括该第三采样点的经度信息和纬度信息。此外,重采样可以采用任何适用的重采样方式实现,比如最邻近内插法(Nearest Neighbor Interpolation,NNI)以及双线性内插法(Bilinear Interpolation,BI)等等。
S206,根据第一采样点的位置信息和候选采样点组包括的第三采样点的位置信息,确定候选采样点组对应的代价参数。
候选采样点组,可以包括从进行重采样后得到的第三采样点中划分出的部分第三采样点。针对任一候选采样点组,该候选采样点组包括的第三采样点连续相邻,并且该候选采样点组包括的第三采样点的数目与目标路段包括的第一采样点的数目相同。此外,根据重采样后得到的第三采样点划分得到的候选采样点组的数目,可以等于N-M+1,其中N表示重采样后得到的第三采样点的总数目,M表示目标路段包括的各第一采样点的总数目。
以图3所示的目标路段和图4所示的重采样后得到的第三采样点为例,目标路段包括的第一采样点的总数目为5(A1至A5,共计5个),重采样后得到的第三采样点的总数目为13(B1至B13,共计13个),因此可以划分得到9个(13-5+1=9)候选采样点组G1至G9。具体地,候选采样点组G1包括第三采样点B1至B5、候选采样点组G2包括第三采样点B2至B6、候选采样点组G3包括第三采样点B3至B7、候选采样点组G4包括第三采样点B4至B8、候选采样点组G5包括第三采样点B5至B9、候选采样点组G6包括第三采样点B6至B10、候选采样点组G7包括第三采样点B7至B11、候选采样点组G8包括第三采样点B8至B12、以及候选采样点组G9包括第三采样点B9至B13。
候选采样点组对应的代价参数,可以用于衡量该候选采样点组包括的第三采样点与目标路段包括的第一采样点的整体匹配程度。代价参数越大,表示该候选采样点组包括的第三采样点与目标路段包括的第一采样点的整体匹配程度越低,反之代价参数越小,表示该候选采样点组包括的第三采样点与目标路段包括的第一采样点的整体匹配程度越高。此外,针对每一个候选采样点组,该候选采样点组对应的代价参数,可以根据目标路段包括的第一采样点的位置信息和该候选采样点组包括的第三采样点的位置信息计算得到。
具体地,确定各候选采样点组分别对应的代价参数,可以采用滑动匹配的方式实现,即在线型搜索空间内进行采样点之间匹配。比如,如图5所示,首先确定包括第三采样点B1至B5的候选采样点组G1,根据目标路段HDline包括的第一采样点(A1至A5)的位置信息和候选采样点组G1包括的第三采样点(B1至B5)的位置信息,确定候选采样点组G1对应的代价参数Ematching-1;然后,沿预定滑动方向滑动一个第三采样点,确定包括第三采样点B2至B6的候选采样点组G2,根据第一采样点A1至A5的位置信息和候选采样点组G2包括的第三采样点(B2至B6)的位置信息,确定候选采样点组G2对应的代价参数Ematching-2;继续沿该预定滑动方向滑动一个第三采样点,确定包括第三采样点B3至B7的候选采样点组G3,根据第一采样点A1至A5的位置信息和候选采样点组G3包括的第三采样点(B3至B7)的位置信息,确定候选采样点组G3对应的代价参数Ematching-3;以此类推,经过8次滑动后,确定包括第三采样点B9至B13的候选采样点组G9,根据第一采样点A1至A5的位置信息和候选采样点组G9包括的第三采样点(B9至B13)的位置信息,确定候选采样点组G9对应的代价参数Ematching-9。
但可以理解,确定各候选采样点组分别对应的代价参数,并不局限于上述滑动匹配的方式。比如,还可以先对重采样后得到的第三采样点进行划分,得到所有候选采样点组之后,再依次计算各候选采样点组对应的代价参数。
仍以图3所示的目标路段和图4所示的重采样后得到的第三采样点为例,可以先对第三采样点B1至B13进行划分,得到包括第三采样点B1至B5的候选采样点组G1、包括第三采样点B2至B6的候选采样点组G2、包括第三采样点B3至B7的候选采样点组G3、…、以及包括第三采样点B9至B13的候选采样点组G9。在此之后,再根据目标路段HDline包括的第一采样点(A1至A5)的位置信息和候选采样点组G1包括的第三采样点(B1至B5)的位置信息,确定候选采样点组G1对应的代价参数Ematching-1;然后,根据第一采样点A1至A5的位置信息和候选采样点组G2包括的第三采样点(B2至B6)的位置信息,确定候选采样点组G2对应的代价参数Ematching-2;以此类推,根据第一采样点A1至A5的位置信息和候选采样点组G9包括的第三采样点(B9至B13)的位置信息,确定候选采样点组G9对应的代价参数Ematching-9。
此外,针对任一候选采样点组,该候选采样点组包括的各第三采样点可以与目标路段包括的各第一采样点分别对应。据此,可以针对该候选采样点组中的每一个第三采样点,根据该第三采样点的位置信息和目标路段包括的与该第三采样点对应的第一采样点的位置信息,确定该第三采样点与该第一采样点的距离,以得到该候选采样点组包括的各第三采样点与各自对应的第一采样点的距离。进而,根据该候选采样点组包括的各第三采样点与各自对应的第一采样点的距离,确定该候选采样点组对应的代价参数。其中,第三采样点与其对应的第一采样点的距离,可以是欧氏距离。
举例说明,结合图5所示,对于前文中的候选采样点组G1,其包括的第三采样点B1与目标路段HDline包括的第一采样点A1相对应,第三采样点B2与第一采样点A2相对应、第三采样点B3与第一采样点A3相对应、第三采样点B4与第一采样点A4相对应、且第三采样点B5与第一采样点A5相对应。据此,可以根据第三采样点B1的位置信息和第一采样点A1的位置信息,确定第三采样点B1与第一采样点A1的距离D1;根据第三采样点B2的位置信息和第一采样点A2的位置信息,确定第三采样点B2与第一采样点A2的距离D2;并且按照类似的方式,确定第三采样点B3与第一采样点A3的距离D3、第三采样点B4与第一采样点A4的距离D4、以及第三采样点B5与第一采样点A5的距离D5。进而,根据距离D1至D5确定候选采样点组G1对应的代价参数。
S208,根据代价参数最小的候选采样点组,从邻近路段中确定目标路段的匹配路段,并建立目标路段与匹配路段的关联关系。
确定各候选采样点组分别对应的代价参数后,可以从各候选采样点组中确定出代价参数最小的候选采样点组,即各候选采样点组中、其包括的第三采样点与目标路段包括的第一采样点的整体匹配程度最高的候选采样点组。
匹配路段,可以是包含于标准地图中、且待与目标路段建立关联关系的路段。具体地,可以根据代价参数最小的候选采样点组包括的第三采样点,从标准地图中与目标路段包括的各第一采样点对应的各邻近路段中,确定出目标路段的匹配路段。可以理解,目标路段的匹配路段的数目可以等于1(亦即需要与目标路段建立关联关系的路段只有1条),也可以大于1(亦即需要与目标路段建立关联关系的路段多于1条)。
具体地,在建立目标路段与匹配路段的关联关系的步骤之前,还可以先获取目标路段的路段标识和匹配路段的路段标识。据此,建立目标路段与匹配路段的关联关系的步骤,具体可以包括步骤:将目标路段的路段标识和匹配路段的路段标识关联记录至路段关联关系表。
其中,目标路段的路段标识可用于唯一标识该目标路段,匹配路段的路段标识可用于唯一标识该匹配路段。路段标识具体可以采用ID(identification,身份标识)编号或者字符标识,但不局限于此。
路段关联关系表,可以是用于记录高精度地图中的路段与标准地图中的路段之间的关联关系的数据表。具体地,得到高精度地图中的每一条目标路段的路段标识、以及该目标路段在标准地图中的匹配路段的路段标识后,均可将该目标路段的路段标识和其匹配路段的路段标识关联记录至路段关联关系表中。
此外,路段关联关系表可供查询高精度地图中的路段与标准地图中的路段之间的关联关系使用。具体地,可以根据高精度地图中的目标路段的路段标识查询路段关联关系表,从而确定标准地图中与该目标路段具有关联关系的路段;或者,也可以根据标准地图中的匹配路段的路段标识查询路段关联关系表,从而确定高精度地图中与该匹配路段具有关联关系的路段。
上述地图关联方法,获取高精度地图中的目标路段包括的第一采样点的位置信息,并对标准地图中与第一采样点对应的邻近路段包括的第二采样点进行重采样,得到第三采样点的位置信息,再根据第一采样点的位置信息和候选采样点组包括的第三采样点的位置信息,确定候选采样点组对应的代价参数,进而根据代价参数最小的候选采样点组,从邻近路段中确定目标路段的匹配路段,并建立目标路段与匹配路段的关联关系。如此,可以由计算机设备自动从标准地图中,查找出需要与高精度地图中的目标路段建立关联关系的路段,提高了地图关联过程中的自动化程度及准确性。
需要说明的是,在其他方式中,也可以根据隐马尔科夫模型(Hidden MarkovModel,HMM)实现地图关联。具体地,可以以高精度地图中的路段包括的采样点的位置信息作为观测序列,将标准地图中的路段作为隐藏状态。在观测序列已知的情况下,通过Baum-Welch算法(即鲍姆-韦尔奇算法)学习模型参数,从而确定隐马尔科夫模型;进而根据已知的观测序列(即高精度地图中的路段包括的采样点的位置信息),以及学习到的隐马科夫模型,通过Viterbi算法(即维特比算法)进行解码,从而确定该观测序列对应的隐藏状态序列(即由标准地图中的路段组成的序列),以此实现地图关联。
然而,在根据隐马尔科夫模型实现地图关联的方式下,需要针对观测序列中的每一采样点,分别与标准地图中的各路段进行相关概率运算,运算量大,系统性能及效率均具有一定的限制,且运算粒度一般只能在较小的范围(数百米),无法适用于数据规模大的场景。相较而言,本申请各实施例提供的地图关联方法,候选采样点组包括的第三采样点连续相邻、且数目与目标路段包括的第一采样点的数目相同,充分利用了高精度地图和标准地图的空间拓扑和属性关系,大幅降低了匹配解空间的搜索范围,从而大幅降低了运算量,并且运算粒度可以在大范围(数十公里),能够适用于数据规模大的场景,亦支持并行处理。
此外,在其他方式中,还可以采用道路属性和道路几何的约束,定制化地实现高精度地图和标准地图的关联,即定制道路属性和几何特征,再根据定制的道路属性和几何特征对高精度地图中的路段和标准地图中的路段进行对比,从而实现地图关联。比如,Tom公司推广的OpenLR地图映射标准即属于该方式的范畴。
然而,定制化地实现高精度地图和标准地图的关联的方式,灵活度较低,不适用于数据规模大的场景,受制于不同地图之间的几何属性差别,通用性及可靠性不强。相较而言,本申请各实施例提供的地图关联方法,无需定制道路属性和几何特征,通用性强。
在一个实施例中,目标路段包括的各第一采样点与候选采样点组包括的各第三采样点分别对应。据此,根据第一采样点的位置信息和候选采样点组包括的第三采样点的位置信息,确定候选采样点组对应的代价参数的步骤,即步骤S206,可以包括如下步骤:根据目标路段包括的各第一采样点的位置信息和候选采样点组包括的各第三采样点的位置信息,分别确定目标路段包括的各第一采样点与候选采样点组中的相应第三采样点的距离;根据目标路段包括的各第一采样点与候选采样点组中的相应第三采样点的距离,确定候选采样点组与目标路段的几何距离匹配度以及候选采样点组与目标路段的形态匹配度;根据几何距离匹配度和形态匹配度,确定候选采样点组对应的代价参数。
形态匹配度,可以用于衡量目标路段对应的线段与候选采样点组对应的线段的相似度。
具体地,对于每一个候选采样点组,可以针对该候选采样点组中的每一个第三采样点,根据该第三采样点的位置信息和目标路段包括的与该第三采样点对应的第一采样点的位置信息,确定该第三采样点与该第一采样点的距离,从而得到该候选采样点组包括的各第三采样点与各自对应的第一采样点的距离。进而,根据该候选采样点组包括的各第三采样点与各自对应的第一采样点的距离,确定该候选采样点组与目标路段的几何距离匹配度,并根据该候选采样点组包括的各第三采样点与各自对应的第一采样点的距离,确定该候选采样点组与目标路段的形态匹配度。而后,根据该候选采样点组与目标路段的几何距离匹配度和该候选采样点组与目标路段的形态匹配度,确定该候选采样点组对应的代价参数。
需要说明的是,通过候选采样点组与目标路段的几何距离匹配度和形态匹配度,能够更准确地衡量该候选采样点组包括的第三采样点与目标路段包括的第一采样点的整体匹配程度,从而提高了地图关联的准确性。
在一个实施例中,根据目标路段包括的各第一采样点与候选采样点组中的相应第三采样点的距离,确定候选采样点组与目标路段的几何距离匹配度的方式,可以包括如下步骤:根据目标路段包括的各第一采样点与候选采样点组中的相应第三采样点的距离、以及目标统计参数,确定各第一采样点与候选采样点组中的相应第三采样点的几何距离匹配度分量;根据各几何距离匹配度分量,确定候选采样点组与目标路段的几何距离匹配度。
目标统计参数,可以根据高精度地图中的第一样本采样点的位置信息、以及标准地图中与第一样本采样点匹配的第二样本采样点的位置信息确定。
具体地,可以在执行根据目标路段包括的各第一采样点与候选采样点组中的相应第三采样点的距离,确定候选采样点组与目标路段的几何距离匹配度的步骤之前,预先从高精度地图中选出若干个第一样本采样点,并在标准地图中找到已经确定与各第一样本采样点分别匹配的各第二样本采样点。进而,获取各第一样本采样点的位置信息和各自匹配的第二样本采样点的位置信息。再根据各第一样本采样点的位置信息和各自匹配的第二样本采样点的位置信息,确定目标统计参数。其中,从高精度地图中选出若干个第一样本采样点,并在标准地图中找到与各第一样本采样点分别匹配的各第二样本采样点,可以通过人工(比如相关技术领域的专业人员)实现。此外,第一样本采样点和第二样本采样点的数目可以根据实际需求确定,第一样本采样点和第二样本采样点的数目越多,越有利于得到准确的目标统计参数。
确定目标统计参数后,对于每一个候选采样点组,可以针对该候选采样点组中的每一个第三采样点,根据该第三采样点与目标路段包括的与该第三采样点对应的第一采样点的距离以及目标统计参数,确定该第三采样点与该第一采样点的几何距离匹配度分量。再根据该候选采样点组中的各第三采样点与各自对应的第一采样点的几何距离匹配度分量,确定该候选采样点组与目标路段的几何距离匹配度。
具体地,对于任一候选采样点组,可以将该候选采样点组中的各第三采样点与各自对应的第一采样点的几何距离匹配度分量的总和,确定为该候选采样点组与目标路段的几何距离匹配度。
在一个实施例中,确定目标统计参数的方式,可以包括如下步骤:获取高精度地图中的第一样本采样点的位置信息、以及标准地图中与第一样本采样点匹配的第二样本采样点的位置信息;根据第一样本采样点的位置信息和第二样本采样点的位置信息,确定第一样本采样点与第二样本采样点的距离;对第一样本采样点与第二样本采样点的距离进行统计,得到统计均值和统计方差;根据统计均值和统计方差,确定对数正态分布的均值及方差;目标统计参数包括对数正态分布的均值及方差。
第一样本采样点与第二样本采样点之间的匹配关系可以是一对一的关系,对于每一对相互匹配的第一样本采样点和第二采样点,均计算该第一样本采样点与该第二样本采样点的距离。此外,第一样本采样点与第二样本采样点的距离,具体可以是第一样本采样点与第二样本采样点的误差距离。
计算得到各第一样本采样点与各自匹配的第二样本采样点的距离后,可以对计算得到的各距离进行统计分析,得到统计均值和统计方差。进而,可以采样对数正态分布建模,根据统计均值和统计方差,确定对数正态分布的均值及方差。
具体地,根据统计均值和统计方差,确定对数正态分布的均值,可以通过以下公式实现:此外,根据统计均值和统计方差,确定对数正态分布的方差,可以通过以下公式实现:其中,μ表示对数正态分布的均值;σ2表示对数正态分布的方差;m表示统计均值;v表示统计方差。
据此,根据第三采样点与目标路段包括的与该第三采样点对应的第一采样点的距离以及目标统计参数,确定该第三采样点与该第一采样点的几何距离匹配度分量,可以通过以下公式实现:
其中,Edata-kj表示第k个候选采样点组中第j个第三采样点与目标路段包括的与该第j个第三采样点对应的第一采样点的几何距离匹配度分量,k=1,2,3,…,K,K表示根据重采样后得到的第三采样点划分得到的候选采样点组的数目,j=1,2,3,…,J,J表示候选采样点组中的第三采样点的总数目(亦等于目标路段包括的第一采样点的总数目);xj表示该第j个第三采样点与该第j个第三采样点对应的第一采样点的距离;σ2表示对数正态分布的方差;σ表示对数正态分布的标准差;μ表示对数正态分布的均值;π表示圆周率;e表示自然对数的底数。
根据各第一采样点与候选采样点组中的相应第三采样点的几何距离匹配度分量,确定该候选采样点组与目标路段的几何距离匹配度,可以通过以下公式实现:
其中,Edata-k表示第k个候选采样点组与目标路段的几何距离匹配度;Edata-kj表示第k个候选采样点组中第j个第三采样点与目标路段包括的与该第j个第三采样点对应的第一采样点的几何距离匹配度分量;k=1,2,3,…,K,K表示根据重采样后得到的第三采样点划分得到的候选采样点组的数目;J表示候选采样点组中的第三采样点的总数目(亦等于目标路段包括的第一采样点的总数目)。
据此计算得到的候选采样点组与目标路段的几何距离匹配度,可以用于衡量目标路段中的第一采样点与该候选采样点组包括的第三采样点的距离与预先建立的统计模型的符合程度。
本实施例中,对高精度地图和标准地图的几何匹配特征和拓扑约束进行统计建模,根据模型参数(对数正态分布的均值及方差),计算候选采样点组的代价参数,将路段匹配问题转化为统计优化,并且统计建模的过程采用海量高精度地图及标准地图中的样本数据。如此,能够自适应不同数据源的地图,而不局限于任何固定的地图,因而方便导航应用供应商和整车厂选择不同的高精度地图和标准地图,达到最优的技术组合,提高智能驾驶产品的质量水平。此外,也能够自适应不同的地域,且大幅提高了可靠性。
在一个实施例中,根据目标路段包括的各第一采样点与候选采样点组中的相应第三采样点的距离,确定候选采样点组与目标路段的形态匹配度的方式,可以包括如下步骤:从目标路段包括的各第一采样点与候选采样点组中的相应第三采样点的距离中,确定数值最大的距离;将数值最大的距离,确定为候选采样点组与目标路段的形态匹配度。
形态匹配度,可以采用DTW(Dynamic Time Warping,动态时间规整)算法计算得到。形态匹配度可以定义如下:Eprior-k=DTW(HDline,CAline-k),HDline表示目标路段对应的线段,CAline-k表示第k个候选采样点组对应的线段,Eprior-k表示第k个候选采样点组与目标路段的形态匹配度,其可以用于衡量目标路段对应的线段与第k个候选采样点组对应的线段的相似度。
采用DTW算法计算任一候选采样点组与目标路段的形态匹配度,具体可以如下:从该候选采样点组包括的各第三采样点与各自对应的第一采样点的距离中,确定数值最大的距离,再将该数值最大的距离,确定为该候选采样点组与目标路段的形态匹配度。
举例说明,如前文所述,对于候选采样点组G1(可结合图5所示),得到第三采样点B1与第一采样点A1的距离D1、第三采样点B2与第一采样点A2的距离D2、第三采样点B3与第一采样点A3的距离D3、第三采样点B4与第一采样点A4的距离D4、以及第三采样点B5与第一采样点A5的距离D5后,可以从距离D1至D5中确定数值最大的距离,再将该数值最大的距离确定为候选采样点组G1与目标路段的形态匹配度。假设,距离D3是距离D1至D5中数值最大的距离,则将距离D3确定为候选采样点组G1与目标路段的形态匹配度。
此外,以图6为例作示意性说明,通过DTW算法,建立两个线段的局部数据点对的对应关系,采用点对之间的距离最大值,作为这两个线段之间的形态匹配度。
在一个实施例中,根据候选采样点组与目标路段的几何距离匹配度以及候选采样点组与目标路段的形态匹配度,确定候选采样点组对应的代价参数的步骤,可以包括如下步骤:根据候选采样点组与目标路段的形态匹配度、以及形态匹配度对应的权重系数,确定候选采样点组与目标路段的目标形态匹配度;根据候选采样点组与目标路段的几何距离匹配度和候选采样点组与目标路段的目标形态匹配度,确定候选采样点组对应的代价参数。
形态匹配度对应的权重系数,可以用于衡量形态匹配度对代价参数的影响程度。权重系数的取值范围一般在0至1之间,具体数值可以根据实际需求预先设定。
具体地,可以采用如下公式,计算候选采样点组对应的代价参数:Ematching-k=Edata-k+α*Eprior-k。其中,Ematching-k表示第k个候选采样点组对应的代价参数;Edata-k表示第k个候选采样点组与目标路段的几何距离匹配度;Eprior-k表示第k个候选采样点组与目标路段的形态匹配度;α表示形态匹配度对应的权重系数。
在一个实施例中,根据代价参数最小的候选采样点组,从邻近路段中确定目标路段的匹配路段的步骤,可以包括如下步骤:从标准地图中与第一采样点对应的邻近路段中,筛选代价参数最小的候选采样点组包括的第三采样点所属的邻近路段;将筛选得到的邻近路段,确定为目标路段的匹配路段。
在本实施例中,第三采样点所属的邻近路段,是指各邻近路段中、包括该第三采样点的邻近路段。
以下结合具体示例,对根据代价参数最小的候选采样点组,从邻近路段中确定目标路段的匹配路段的过程进行说明。结合图5和图7,假设候选采样点组G3是候选采样点组G1至G9中代价参数最小的候选采样点组,从邻近路段SDline-1至SDline-3中,筛选得到候选采样点组G3包括的第三采样点所属的邻近路段分别为邻近路段SDline-1和SDline-2,则将邻近路段SDline-1和SDline-2确定为目标路段的匹配路段,并建立目标路段HDline与邻近路段SDline-1的关联关系、以及目标路段HDline与邻近路段SDline-2的关联关系。
在一个实施例中,提供了一种地图关联方法。如图8所示,该方法可以包括如下步骤S802至S818。此外,该地图关联方法的简化处理过程可如图9所示。
S802,获取高精度地图中的目标路段包括的各第一采样点的位置信息。
S804,从标准地图中,分别筛选与各第一采样点的距离小于预定距离阈值的路段,将筛选得到的路段确定为与相应第一采样点对应的邻近路段。
S806,对标准地图中与各第一采样点对应的邻近路段包括的第二采样点进行重采样,得到第三采样点的位置信息。
S808,根据目标路段包括的各第一采样点的位置信息和候选采样点组包括的各第三采样点的位置信息,分别确定目标路段包括的各第一采样点与候选采样点组中的相应第三采样点的距离;其中,候选采样点组包括的第三采样点连续相邻、且目标路段包括的各第一采样点与候选采样点组包括的各第三采样点分别对应。
S810,根据目标路段包括的各第一采样点与候选采样点组中的相应第三采样点的距离、以及目标统计参数,确定各第一采样点与候选采样点组中的相应第三采样点的几何距离匹配度分量;其中,目标统计参数根据以下步骤确定:获取高精度地图中的第一样本采样点的位置信息、以及标准地图中与第一样本采样点匹配的第二样本采样点的位置信息,根据第一样本采样点的位置信息和第二样本采样点的位置信息,确定第一样本采样点与第二样本采样点的距离,对第一样本采样点与第二样本采样点的距离进行统计,得到统计均值和统计方差,根据统计均值和统计方差,确定对数正态分布的均值及方差,并将该对数正态分布的均值和方差确定为目标统计参数。
S812,根据各几何距离匹配度分量,确定候选采样点组与目标路段的几何距离匹配度;
S814,从目标路段包括的各第一采样点与候选采样点组中的相应第三采样点的距离中,确定数值最大的距离,并将数值最大的距离,确定为候选采样点组与目标路段的形态匹配度。
S816,根据几何距离匹配度和形态匹配度,确定候选采样点组对应的代价参数。
S818,从邻近路段中,筛选代价参数最小的候选采样点组包括的第三采样点所属的邻近路段,将筛选得到的邻近路段,确定为目标路段的匹配路段,并建立目标路段与匹配路段的关联关系。
需要说明的是,本实施例中对各技术特征的具体限定,可以与前文中对相应技术特征的限定相同,此处不加赘述。
在合理条件下应当理解,虽然前文各实施例涉及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,各流程图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。
在实际应用中,可以根据地图关联方法提供高精度地图与标准地图关联云服务。如图10所示,可以针对高精度地图云服务供应商1至P中的任一供应商提供的高精度地图、以及标准地图云服务供应商1至T中的任一供应商提供的标准地图,执行地图关联方法中的步骤,从而建立该高精度地图中的路段与该标准地图中的路段之间的关联关系。后续,可以根据建立的关联关系向智能车辆提供相应的地图关联云服务。此外,智能车辆在使用地图关联云服务的过程中,可以收集相关使用数据,进而将使用数据反馈至地图关联云服务的提供商,以协助进行服务更新及优化。
在实际应用中,可以将高精度地图中的各路段依次作为目标路段,从而分别在标准地图中确定出高精度地图中的各路段的匹配路段,并建立高精度地图中的各路段与各自的匹配路段的关联关系,后续智能车辆可以根据建立的关联关系实现结合高精度地图和标准地图的联合导航。
以由路段关联关系表记录高精度地图中的路段与标准地图中的路段之间的关联关系为例进行说明。对于图11所示,普通导航仪可以在标准地图中确定出智能车辆的当前位置所属的路段(以下简称为第一待查询路段),并将该第一待查询路段的路段标识发送至智能车辆中的车载处理单元。进而,该车载处理单元可以根据该第一待查询路段的路段标识查询路段关联关系表,确定出高精度地图中与该第一待查询路段具有关联关系的路段(以下简称为第一关联路段),再将该第一关联路段的路段标识发送给高精度导航仪。然后,高精度导航仪可以根据该第一关联路段的路段标识,在高精度地图中确定出智能车辆的当前位置所属的路段。如此,普通导航仪能够辅助高精度导航仪进行初始化阶段的定位,有利于缓解因高精度导航仪初始化时间较长,而导致的高精度导航仪在初始化阶段定位耗时过长的问题。
此外,高精度导航仪可以在高精度地图中确定出智能车辆的当前位置所属的路段(以下简称为第二待查询路段),并将该第二待查询路段的路段标识发送至智能车辆中的车载处理单元。进而,该车载处理单元可以根据该第二待查询路段的路段标识查询路段关联关系表,确定出标准地图中与该第二待查询路段具有关联关系的路段(以下简称为第二关联路段),再将该第二关联路段的路段标识发送给普通导航仪。然后,普通导航仪可以根据该第二关联路段的路段标识,在标准地图中确定出智能车辆的当前位置所属的路段。如此,高精度导航仪能够辅助普通导航仪进行定位精细调整,有利于提高普通导航仪的定位准确性。
在一个实施例中,如图12所示,提供了一种地图关联装置1200。该装置可以包括如下模块1202至1206。
第一位置信息获取模块1202,用于获取高精度地图中的目标路段包括的第一采样点的位置信息。
第二位置信息获取模块1204,用于对标准地图中与第一采样点对应的邻近路段包括的第二采样点进行重采样,得到第三采样点的位置信息。
代价参数确定模块1206,用于根据第一采样点的位置信息和候选采样点组包括的第三采样点的位置信息,确定候选采样点组对应的代价参数;候选采样点组包括的第三采样点连续相邻、且数目与目标路段包括的第一采样点的数目相同。
关联关系建立模块1208,用于根据代价参数最小的候选采样点组,从邻近路段中确定目标路段的匹配路段,并建立目标路段与匹配路段的关联关系。
上述地图关联方法装置,获取高精度地图中的目标路段包括的第一采样点的位置信息,并对标准地图中与第一采样点对应的邻近路段包括的第二采样点进行重采样,得到第三采样点的位置信息,再根据第一采样点的位置信息和候选采样点组包括的第三采样点的位置信息,确定候选采样点组对应的代价参数,进而根据代价参数最小的候选采样点组,从邻近路段中确定目标路段的匹配路段,并建立目标路段与匹配路段的关联关系。如此,可以由计算机设备自动从标准地图中,查找出需要与高精度地图中的目标路段建立关联关系的路段,提高了地图关联过程中的自动化程度及准确性。此外,候选采样点组包括的第三采样点连续相邻、且数目与目标路段包括的第一采样点的数目相同,充分利用了高精度地图和标准地图的空间拓扑和属性关系,大幅降低了匹配解空间的搜索范围,从而降低了运算量。
在一个实施例中,地图关联装置1200还可以包括如下模块:路段筛选模块,用于从标准地图中,筛选与第一采样点的距离小于预定距离阈值的路段;邻近路段确定模块,用于将筛选得到的路段,确定为与第一采样点对应的邻近路段。
在一个实施例中,目标路段包括的各第一采样点与候选采样点组包括的各第三采样点分别对应。据此,代价参数确定模块1206可以包括如下单元:第一距离确定单元,用于根据目标路段包括的各第一采样点的位置信息和候选采样点组包括的各第三采样点的位置信息,分别确定目标路段包括的各第一采样点与候选采样点组中的相应第三采样点的距离;匹配度确定单元,用于根据目标路段包括的各第一采样点与候选采样点组中的相应第三采样点的距离,确定候选采样点组与目标路段的几何距离匹配度以及候选采样点组与目标路段的形态匹配度;代价参数确定单元,用于根据几何距离匹配度和形态匹配度,确定候选采样点组对应的代价参数。
在一个实施例中,匹配度确定单元可以包括如下子单元:匹配度分量确定子单元,用于根据目标路段包括的各第一采样点与候选采样点组中的相应第三采样点的距离、以及目标统计参数,确定各第一采样点与候选采样点组中的相应第三采样点的几何距离匹配度分量;几何距离匹配度确定子单元,用于根据各几何距离匹配度分量,确定候选采样点组与目标路段的几何距离匹配度;其中,目标统计参数根据高精度地图中的第一样本采样点的位置信息、以及标准地图中与第一样本采样点匹配的第二样本采样点的位置信息确定。
在一个实施例中,地图关联装置1200还可以包括如下模块:第三位置信息获取模块,用于获取高精度地图中的第一样本采样点的位置信息、以及标准地图中与第一样本采样点匹配的第二样本采样点的位置信息;样本点间距离确定模块,用于根据第一样本采样点的位置信息和第二样本采样点的位置信息,确定第一样本采样点与第二样本采样点的距离;统计参数确定模块,用于对第一样本采样点与第二样本采样点的距离进行统计,得到统计均值和统计方差;对数正态分布参数确定模块,用于根据统计均值和统计方差,确定对数正态分布的均值及方差;目标统计参数包括对数正态分布的均值和方差。
在一个实施例中,匹配度确定单元可以包括如下子单元:第二距离确定子单元,用于从目标路段包括的各第一采样点与候选采样点组中的相应第三采样点的距离中,确定数值最大的距离;形态匹配度确定子单元,用于将数值最大的距离,确定为候选采样点组与目标路段的形态匹配度。
在一个实施例中,关联关系建立模块1208可以包括如下单元:邻近路段筛选单元,用于从邻近路段中,筛选代价参数最小的候选采样点组包括的第三采样点所属的邻近路段;匹配路段确定单元,用于将筛选得到的邻近路段,确定为目标路段的匹配路段。
需要说明的是,关于地图关联装置1200的具体限定,可以参见上文中对于地图关联方法的限定,在此不再赘述。上述地图关联装置1200中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,计算机程序被处理器执行时,使得处理器执行本申请任一实施例提供的地图关联方法中的步骤。
具体地,该计算机设备可以是服务器。如图13所示,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。其中,该处理器用于提供计算和控制能力。该存储器包括非易失性存储介质和内存储器,该非易失性存储介质存储有操作系统及计算机程序,该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现本申请任一实施例提供的地图关联方法中的步骤。
本领域技术人员可以理解,图13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,本申请提供的地图关联装置1200可以实现为一种计算机程序的形式,计算机程序可在如图13所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地图关联装置1200的各个程序模块,比如,图12所示的第一位置信息获取模块1202、第二位置信息获取模块1204、代价参数确定模块1206、以及关联关系建立模块1208。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地图关联方法中的步骤。
比如,图13所示的计算机设备,可以通过如图12所示的地图关联装置1200中的第一位置信息获取模块1202执行步骤S202,可以通过第二位置信息获取模块1204执行步骤S204、可以通过代价参数确定模块1206执行步骤S206等等。
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。
据此,在一个实施例中,提供了一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时,使得处理器执行本申请任一实施例提供的地图关联方法中的步骤。
以上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申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (16)
1.一种地图关联方法,包括:
获取高精度地图中的目标路段包括的第一采样点的位置信息;
对标准地图中与所述第一采样点对应的邻近路段包括的第二采样点进行重采样,得到第三采样点的位置信息;
根据所述第一采样点的位置信息和候选采样点组包括的第三采样点的位置信息,确定所述候选采样点组对应的代价参数;所述候选采样点组包括的第三采样点连续相邻、且数目与所述目标路段包括的第一采样点的数目相同;所述候选采样点组包括从进行重采样后得到的第三采样点中划分出来的部分第三采样点;针对任一候选采样点组,所述候选采样点组包括的第三采样点连续相邻,并且所述候选采样点组包括的第三采样点的数目与目标路段包括的第一采样点的数目相同;
根据代价参数最小的候选采样点组,从所述邻近路段中确定所述目标路段的匹配路段,并建立所述目标路段与所述匹配路段的关联关系。
2.根据权利要求1所述的方法,其特征在于,在标准地图中确定与所述第一采样点对应的邻近路段的方式,包括:
从标准地图中,筛选与所述第一采样点的距离小于预定距离阈值的路段;
将筛选得到的路段,确定为与所述第一采样点对应的邻近路段。
3.根据权利要求1所述的方法,其特征在于,所述目标路段包括的各第一采样点与所述候选采样点组包括的各第三采样点分别对应;
所述根据所述第一采样点的位置信息和候选采样点组包括的第三采样点的位置信息,确定所述候选采样点组对应的代价参数,包括:
根据所述目标路段包括的各所述第一采样点的位置信息和所述候选采样点组包括的各所述第三采样点的位置信息,分别确定所述目标路段包括的各所述第一采样点与所述候选采样点组中的相应第三采样点的距离;
根据所述目标路段包括的各所述第一采样点与所述候选采样点组中的相应第三采样点的距离,确定所述候选采样点组与所述目标路段的几何距离匹配度以及所述候选采样点组与所述目标路段的形态匹配度;
根据所述几何距离匹配度和所述形态匹配度,确定所述候选采样点组对应的代价参数。
4.根据权利要求3所述的方法,其特征在于,根据所述目标路段包括的各所述第一采样点与所述候选采样点组中的相应第三采样点的距离,确定所述候选采样点组与所述目标路段的几何距离匹配度的方式,包括:
根据所述目标路段包括的各所述第一采样点与所述候选采样点组中的相应第三采样点的距离、以及目标统计参数,确定各所述第一采样点与所述候选采样点组中的相应第三采样点的几何距离匹配度分量;
根据各所述几何距离匹配度分量,确定所述候选采样点组与所述目标路段的几何距离匹配度;
其中,所述目标统计参数根据所述高精度地图中的第一样本采样点的位置信息、以及所述标准地图中与所述第一样本采样点匹配的第二样本采样点的位置信息确定。
5.根据权利要求4所述的方法,其特征在于,确定所述目标统计参数的方式,包括:
获取所述高精度地图中的第一样本采样点的位置信息、以及所述标准地图中与所述第一样本采样点匹配的第二样本采样点的位置信息;
根据所述第一样本采样点的位置信息和所述第二样本采样点的位置信息,确定所述第一样本采样点与所述第二样本采样点的距离;
对所述第一样本采样点与所述第二样本采样点的距离进行统计,得到统计均值和统计方差;
根据所述统计均值和统计方差,确定对数正态分布的均值及方差;所述目标统计参数包括所述对数正态分布的均值和方差。
6.根据权利要求3所述的方法,其特征在于,根据所述目标路段包括的各所述第一采样点与所述候选采样点组中的相应第三采样点的距离,确定所述候选采样点组与所述目标路段的形态匹配度的方式,包括:
从所述目标路段包括的各所述第一采样点与所述候选采样点组中的相应第三采样点的距离中,确定数值最大的距离;
将所述数值最大的距离,确定为所述候选采样点组与所述目标路段的形态匹配度。
7.根据权利要求1所述的方法,其特征在于,所述根据代价参数最小的候选采样点组,从所述邻近路段中确定所述目标路段的匹配路段,包括:
从所述邻近路段中,筛选代价参数最小的候选采样点组包括的第三采样点所属的邻近路段;
将筛选得到的邻近路段,确定为所述目标路段的匹配路段。
8.一种地图关联装置,包括:
第一位置信息获取模块,用于获取高精度地图中的目标路段包括的第一采样点的位置信息;
第二位置信息获取模块,用于对标准地图中与所述第一采样点对应的邻近路段包括的第二采样点进行重采样,得到第三采样点的位置信息;
代价参数确定模块,用于根据所述第一采样点的位置信息和候选采样点组包括的第三采样点的位置信息,确定所述候选采样点组对应的代价参数;所述候选采样点组包括的第三采样点连续相邻、且数目与所述目标路段包括的第一采样点的数目相同;所述候选采样点组包括从进行重采样后得到的第三采样点中划分出来的部分第三采样点;针对任一候选采样点组,所述候选采样点组包括的第三采样点连续相邻,并且所述候选采样点组包括的第三采样点的数目与目标路段包括的第一采样点的数目相同;
关联关系建立模块,用于根据代价参数最小的候选采样点组,从所述邻近路段中确定所述目标路段的匹配路段,并建立所述目标路段与所述匹配路段的关联关系。
9.根据权利要求8所述的装置,其特征在于,所述地图关联装置,包括:
路段筛选模块,用于从标准地图中,筛选与所述第一采样点的距离小于预定距离阈值的路段;
邻近路段确定模块,用于将筛选得到的路段,确定为与所述第一采样点对应的邻近路段。
10.根据权利要求8所述的装置,其特征在于,所述目标路段包括的各第一采样点与所述候选采样点组包括的各第三采样点分别对应;
所述代价参数确定模块包括:
第一距离确定单元,用于根据所述目标路段包括的各所述第一采样点的位置信息和所述候选采样点组包括的各所述第三采样点的位置信息,分别确定所述目标路段包括的各所述第一采样点与所述候选采样点组中的相应第三采样点的距离;
匹配度确定单元,用于根据所述目标路段包括的各所述第一采样点与所述候选采样点组中的相应第三采样点的距离,确定所述候选采样点组与所述目标路段的几何距离匹配度以及所述候选采样点组与所述目标路段的形态匹配度;
代价参数确定单元,用于根据所述几何距离匹配度和所述形态匹配度,确定所述候选采样点组对应的代价参数。
11.根据权利要求10所述的装置,其特征在于,所述匹配度确定单元,包括:
匹配度分量确定子单元,用于根据所述目标路段包括的各所述第一采样点与所述候选采样点组中的相应第三采样点的距离、以及目标统计参数,确定各所述第一采样点与所述候选采样点组中的相应第三采样点的几何距离匹配度分量;
几何距离匹配度确定子单元,用于根据各所述几何距离匹配度分量,确定所述候选采样点组与所述目标路段的几何距离匹配度;其中,所述目标统计参数根据所述高精度地图中的第一样本采样点的位置信息、以及所述标准地图中与所述第一样本采样点匹配的第二样本采样点的位置信息确定。
12.根据权利要求11所述的装置,其特征在于,所述地图关联装置还包括:
第三位置信息获取模块,用于获取所述高精度地图中的第一样本采样点的位置信息、以及所述标准地图中与所述第一样本采样点匹配的第二样本采样点的位置信息;
样本点间距离确定模块,用于根据所述第一样本采样点的位置信息和所述第二样本采样点的位置信息,确定所述第一样本采样点与所述第二样本采样点的距离;
统计参数确定模块,用于对所述第一样本采样点与所述第二样本采样点的距离进行统计,得到统计均值和统计方差;
对数正态分布参数确定模块,用于根据所述统计均值和统计方差,确定对数正态分布的均值及方差;所述目标统计参数包括所述对数正态分布的均值和方差。
13.根据权利要求10所述的装置,其特征在于,所述匹配度确定单元包括:
第二距离确定子单元,用于从所述目标路段包括的各所述第一采样点与所述候选采样点组中的相应第三采样点的距离中,确定数值最大的距离;
形态匹配度确定子单元,用于将所述数值最大的距离,确定为所述候选采样点组与所述目标路段的形态匹配度。
14.根据权利要求8所述的装置,其特征在于,所述关联关系建立模块包括:
邻近路段筛选单元,用于从所述邻近路段中,筛选代价参数最小的候选采样点组包括的第三采样点所属的邻近路段;
匹配路段确定单元,用于将筛选得到的邻近路段,确定为所述目标路段的匹配路段。
15.一种计算机可读存储介质,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如权利要求1至7中任一项所述方法的步骤。
16.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,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如权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910114736.4A CN109885635B (zh) | 2019-02-14 | 2019-02-14 | 地图关联方法、装置、存储介质及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910114736.4A CN109885635B (zh) | 2019-02-14 | 2019-02-14 | 地图关联方法、装置、存储介质及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109885635A CN109885635A (zh) | 2019-06-14 |
CN109885635B true CN109885635B (zh) | 2021-04-06 |
Family
ID=66928094
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910114736.4A Active CN109885635B (zh) | 2019-02-14 | 2019-02-14 | 地图关联方法、装置、存储介质及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109885635B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112857375A (zh) * | 2019-11-28 | 2021-05-28 | 阿里巴巴集团控股有限公司 | 一种道路匹配方法、装置和系统 |
CN113537260B (zh) * | 2020-04-20 | 2024-06-28 | 宝马股份公司 | 定位方法、定位装置和计算机可读存储介质 |
CN111625575A (zh) * | 2020-04-23 | 2020-09-04 | 中国地质大学(武汉) | 基于地质变异度的化探异常提取和评价方法 |
CN113190768B (zh) | 2021-04-29 | 2024-03-12 | 北京百度网讯科技有限公司 | 路径处理方法及装置 |
CN114413917B (zh) * | 2021-12-28 | 2024-07-02 | 高德软件有限公司 | 事件生效位置区间确定方法、导航方法、装置和电子设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8958985B1 (en) * | 2014-01-31 | 2015-02-17 | United Parcel Service Of America, Inc. | Concepts for determining the accuracy of map data |
CN105444769A (zh) * | 2015-11-26 | 2016-03-30 | 北京百度网讯科技有限公司 | 地图匹配方法及装置 |
CN106969764A (zh) * | 2016-01-13 | 2017-07-21 | 北京四维图新科技股份有限公司 | 一种道路匹配方法、装置及车载地图采集系统 |
CN108253973A (zh) * | 2016-12-28 | 2018-07-06 | 北京四维图新科技股份有限公司 | 高精度地图和标准地图关联的方法和装置、及混合导航方法和装置 |
CN108562296A (zh) * | 2017-12-08 | 2018-09-21 | 北京中交兴路信息科技有限公司 | 一种基于车辆卫星定位数据的道路匹配方法及装置 |
CN108645421A (zh) * | 2018-05-15 | 2018-10-12 | 天津大学 | 基于隐马尔科夫模型的自适应在线地图匹配方法 |
CN109029472A (zh) * | 2018-07-10 | 2018-12-18 | 天津大学 | 基于低采样率gps轨迹点的地图匹配方法 |
-
2019
- 2019-02-14 CN CN201910114736.4A patent/CN109885635B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8958985B1 (en) * | 2014-01-31 | 2015-02-17 | United Parcel Service Of America, Inc. | Concepts for determining the accuracy of map data |
CN105444769A (zh) * | 2015-11-26 | 2016-03-30 | 北京百度网讯科技有限公司 | 地图匹配方法及装置 |
CN106969764A (zh) * | 2016-01-13 | 2017-07-21 | 北京四维图新科技股份有限公司 | 一种道路匹配方法、装置及车载地图采集系统 |
CN108253973A (zh) * | 2016-12-28 | 2018-07-06 | 北京四维图新科技股份有限公司 | 高精度地图和标准地图关联的方法和装置、及混合导航方法和装置 |
CN108562296A (zh) * | 2017-12-08 | 2018-09-21 | 北京中交兴路信息科技有限公司 | 一种基于车辆卫星定位数据的道路匹配方法及装置 |
CN108645421A (zh) * | 2018-05-15 | 2018-10-12 | 天津大学 | 基于隐马尔科夫模型的自适应在线地图匹配方法 |
CN109029472A (zh) * | 2018-07-10 | 2018-12-18 | 天津大学 | 基于低采样率gps轨迹点的地图匹配方法 |
Non-Patent Citations (1)
Title |
---|
路网匹配算法综述;高文超;《软件学报》;20171017;第225-250页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109885635A (zh) | 2019-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109885635B (zh) | 地图关联方法、装置、存储介质及计算机设备 | |
WO2022105111A1 (zh) | 区域画像图生成方法、装置、计算机设备及存储介质 | |
CN105528359B (zh) | 用于存储行进轨迹的方法和系统 | |
CN107784012B (zh) | 一种数字地图兴趣点的更新方法及装置 | |
EP3109808A1 (en) | Method and apparatus for determining a location of a point of interest | |
CN104121916B (zh) | 用于地图匹配的方法和系统 | |
CN113932801A (zh) | 基于众包的辅助驾驶地图实时匹配更新方法 | |
CN108882172B (zh) | 一种基于hmm模型的室内移动轨迹数据的预测方法 | |
US11486714B2 (en) | Matching algorithm for data with different scales based on global road network features | |
CN112556717B (zh) | 出行方式筛选方法和出行路线推荐方法和装置 | |
US20180192245A1 (en) | Extraction and Representation method of State Vector of Sensing Data of Internet of Things | |
CN110598917B (zh) | 一种基于路径轨迹的目的地预测方法、系统及存储介质 | |
CN107084735A (zh) | 适用于减少冗余导航的导航路径框架 | |
US20230417931A1 (en) | Method for real-time position estimate correction of a movable object | |
CN112084289A (zh) | 一种轨迹融合方法及装置 | |
WO2021103027A1 (en) | Base station positioning based on convolutional neural networks | |
CN103177189A (zh) | 一种众源位置签到数据质量分析方法 | |
US20200004843A1 (en) | Geocode interpolation | |
CN113407559A (zh) | 更新方法、装置及计算机存储介质 | |
CN110472736B (zh) | 一种裁剪神经网络模型的方法和电子设备 | |
CN111160594B (zh) | 一种到达时间的预估方法、装置及存储介质 | |
CN114664104B (zh) | 一种路网匹配方法和装置 | |
CN110411450B (zh) | 一种用于压缩轨迹的地图匹配方法 | |
KR102157370B1 (ko) | 과밀지수 산출방법 및 이를 이용한 창업 지원 시스템 | |
CN112557905A (zh) | 电池组及其数据处理方法、计算机设备、介质和车辆 |
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 |