CN111060112A - 基于方向角的车辆轨迹地图匹配方法及系统 - Google Patents

基于方向角的车辆轨迹地图匹配方法及系统 Download PDF

Info

Publication number
CN111060112A
CN111060112A CN201911272922.7A CN201911272922A CN111060112A CN 111060112 A CN111060112 A CN 111060112A CN 201911272922 A CN201911272922 A CN 201911272922A CN 111060112 A CN111060112 A CN 111060112A
Authority
CN
China
Prior art keywords
probability
sampling point
road network
point
vehicle track
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.)
Pending
Application number
CN201911272922.7A
Other languages
English (en)
Inventor
顾晶晶
王达卫
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN201911272922.7A priority Critical patent/CN111060112A/zh
Publication of CN111060112A publication Critical patent/CN111060112A/zh
Pending legal-status Critical Current

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
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
    • G01C21/30—Map- or contour-matching

Landscapes

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

Abstract

本发明公开了一种基于方向角的车辆轨迹地图匹配方法及系统，方法包括：利用有向图对城市路网进行建模，并构建空间索引；针对车辆轨迹中的每一个采样点，利用空间索引加速搜索采样点的候选路段；求取采样点和候选路段的方向角之间的相似度，获得方向概率；对采样点的误差进行建模，获得误差概率；将方向概率和误差概率相乘，获得观测概率；对当前采样点的候选路段到下一个采样点的候选路段的转换进行建模，获得转换概率；根据观测概率和转换概率，利用维特比算法求取最优匹配轨迹。系统用于实现上述方法。本发明能在复杂路网下依然可以很好地适用于噪声轨迹数据、低采样率轨迹数据，获得更准确的匹配轨迹，从而更好地反映路网中的流动性。

Description

基于方向角的车辆轨迹地图匹配方法及系统
技术领域
本发明属于地图匹配领域，特别涉及一种基于方向角的车辆轨迹地图匹配方法及系统。
背景技术
地图匹配是将大量具有时序性的原始轨迹匹配到城市路网上。近些年，随着各种定位技术如车载GPS设备、移动传感设备等等的提升，每天都会产生大量的轨迹数据。但是收集到的这些原始轨迹数据并不一定能反映目标的真实位置，因为设备本身会有一定的测量误差，而且现实环境比较复杂，同样会影响设备的测量准度。其次这些设备在传输数据的过程中，也会因为某些不确定因素导致部分数据丢失，这就会造成低采样率数据。低采样率数据使得相邻采样点之间的路径具有很大的不确定性，尤其是在较为复杂的城市路网中表现明显。因此，噪声数据、低采样率数据、复杂路网等是地图匹配算法的主要挑战。
论文《Matching gps observations to locations on a digital map》中提出了一种几何方法，该方法是在路网中把采样点最大可能的匹配到距离其最近的路段上。这种方法实现简单，效果却不尽如人意，因为仅仅考虑了采样点的空间属性。论文《On map-matching vehicle tracking data》提出了一种基于路网拓扑结构的匹配算法，该算法利用弗雷歇距离作为度量标准，去衡量轨迹与路网中路径的契合程度。该算法同样也是只考虑采样点的空间信息而丢失了时间信息。论文《Map-matching for low-sampling-rategps trajectories》提出了针对低采样率轨迹的地图匹配算法--ST-Matching算法。该算法同时考虑轨迹采样点的空间信息以及轨迹采样点之间随时间的转换信息，但是需要更多的路网信息。
虽然地图匹配目前已经取得了一些研究成果，但是在面对噪声数据，低采样率数据以及复杂路网或不完整路网信息的情况下无法得到理想的匹配准度。后来提出的ST-Matching算法虽然能够处理低采样率数据，但是该算法需要尽可能完整的路网信息，同时该算法在路网中较为稠密的区域，匹配准度会下降。
发明内容
本发明的目的在于提供一种基于方向角的车辆轨迹地图匹配方法及系统，能在复杂路网下依然可以很好地适用于噪声轨迹数据、低采样率轨迹数据，获得更准确的匹配轨迹，从而更好地反映路网中的流动性。
实现本发明目的的技术解决方案为：一种基于方向角的车辆轨迹地图匹配方法，包括以下步骤：
步骤1、利用有向图G<V,E>对城市路网进行建模，其中V表示城市路网中的交叉点，E表示城市路网中的路段，并根据该有向图构建空间索引；
步骤2、针对车辆轨迹中的每一个采样点pi，在步骤1得到的城市路网中，在以pi为中心、半径为R的区域内，利用所述空间索引加速搜索城市路网中采样点pi的候选路段sgt；
步骤3、求取采样点pi的方向角
Figure BDA0002314706710000021
和其候选路段sgt的方向角
Figure BDA0002314706710000022
之间的相似度，获得方向概率D(pi|sgt)；
步骤4、对采样点pi的误差进行建模，获得误差概率N(pi|sgt)；
步骤5、将所述方向概率D(pi|sgt)和所述误差概率N(pi|sgt)相乘，获得观测概率I(pi|sgt)；
步骤6、基于城市路网的拓扑结构，对当前采样点pi对应的候选路段sgt到下一个采样点pi+1对应的候选路段sgm的转换进行建模，获得转换概率P(sgm|sgt)；
步骤7、根据所述观测概率和转换概率，利用维特比算法求取最优匹配轨迹，完成车辆轨迹地图匹配。
进一步地，步骤3所述求取采样点pi的方向角
Figure BDA0002314706710000023
和其候选路段sgt的方向角
Figure BDA0002314706710000024
之间的相似度，获得方向概率D(pi|sgt)，所用公式为：
D(pi|sgt)＝log(1+exp(-a))
Figure BDA0002314706710000025
式中，
Figure BDA0002314706710000026
表示
Figure BDA0002314706710000027
与
Figure BDA0002314706710000028
的差值。
进一步地，步骤4所述对采样点pi的误差进行建模，获得误差概率N(pi|sgt)，所用公式为：
Figure BDA0002314706710000029
式中，μ、δ分别表示采样点pi的误差的期望和标准差，
Figure BDA00023147067100000210
表示采样点pi在候选路段sgt上的投影点。
进一步地，步骤6中所述对当前采样点pi对应的候选路段sgt到下一个采样点pi+1对应的候选路段sgm的转换进行建模，获得转换概率P(sgm|sgt)，所用公式为：
Figure BDA0002314706710000031
Figure BDA0002314706710000032
式中，greatCircleDis(pi,pi+1)表示当前采样点pi与下一个采样点pi+1之间的大地距离，
Figure BDA0002314706710000033
表示当前采样点pi在候选路段sgt上的投影点
Figure BDA0002314706710000034
与下一个采样点pi+1在候选路段sgm上的投影点
Figure BDA0002314706710000035
之间的路径长度。
一种基于方向角的车辆轨迹地图匹配系统，所述系统包括：
建模模块，用于利用有向图G<V,E>对城市路网进行建模，其中V表示城市路网中的交叉点，E表示城市路网中的路段，并根据该有向图构建空间索引；
候选路段搜索模块，用于在建模模块输出的城市路网中，在以pi为中心、半径为R的区域内，利用所述空间索引加速搜索城市路网中采样点pi的候选路段sgt；
第一计算模块，用于求取采样点pi的方向角
Figure BDA0002314706710000036
和其候选路段sgt的方向角
Figure BDA0002314706710000037
之间的相似度，获得方向概率D(pi|sgt)；
第二计算模块，用于对采样点pi的误差进行建模，获得误差概率N(pi|sgt)；
第三计算模块，用于将所述方向概率D(pi|sgt)和所述误差概率N(pi|sgt)相乘，获得观测概率I(pi|sgt)；
第四计算模块，用于基于城市路网的拓扑结构，对当前采样点pi对应的候选路段sgt到下一个采样点pi+1对应的候选路段sgm的转换进行建模，获得转换概率P(sgm|sgt)；
匹配模块，用于根据所述观测概率和转换概率，利用维特比算法求取最优匹配轨迹，完成车辆轨迹地图匹配。
本发明与现有技术相比，其显著优点为：1)对路网构建空间索引，减少了在搜索候选路段过程中的时间代价，提高了算法整体的时间效率；2)通过计算采样点的方向角与路网中路段方向角的相似度，在具有噪声的数据中，增加了将采样点匹配到真实路段的概率；3)该算法提供了更细粒度的地图匹配，例如一些小的转弯、方向的改变等均能被捕获。
下面结合附图对本发明作进一步详细描述。
附图说明
图1为本发明基于方向角的车辆轨迹地图匹配方法流程图。
图2为本发明中以采样点为中心、半径为R的范围内确定采样点的候选路段示意图。
图3为本发明中方向角表示和采样点及其候选路段的方向角之间的方向概率示意图，其中图(a)为方向角表示示意图，图(b)为方向相似度即方向概率示意图。
图4为本发明中对采样点的误差进行建模的示意图。
图5为本发明中相邻采样点之间的转换概率示意图。
图6为本发明实施例中实验结果图，其中图(a)为车辆处于转弯情况下的轨迹，图(b)为车辆在岔路口情况下的轨迹。
具体实施方式
结合图1，本发明提出了一种基于方向角的车辆轨迹地图匹配方法，包括以下步骤：
步骤1、利用有向图G<V,E>对城市路网进行建模，其中V表示城市路网中的交叉点，E表示城市路网中的路段，并根据该有向图构建空间索引。
步骤2、针对车辆轨迹中的每一个采样点pi，在步骤1得到的城市路网中，在以pi为中心、半径为R的区域内，利用空间索引加速搜索城市路网中采样点pi的候选路段sgt；如图2所示，圆点表示采样点，星形点为采样点在各个候选路段上的投影点。
步骤3、求取采样点pi的方向角
Figure BDA0002314706710000041
和其候选路段sgt的方向角
Figure BDA0002314706710000042
之间的相似度(方向角表示如图3(a)所示)，获得方向概率D(pi|sgt)如图3(b)所示，所用公式为：
D(pi|sgt)＝log(1+exp(-a))
Figure BDA0002314706710000043
式中，
Figure BDA0002314706710000044
表示
Figure BDA0002314706710000045
与
Figure BDA0002314706710000046
的差值。
步骤4、对采样点pi的误差进行建模如图4所示，获得误差概率N(pi|sgt)，所用公式为：
Figure BDA0002314706710000047
式中，μ、δ分别表示采样点pi的误差的期望和标准差，
Figure BDA0002314706710000051
表示采样点pi在候选路段sgt上的投影点。
步骤5、将方向概率D(pi|sgt)和误差概率N(pi|sgt)相乘，获得观测概率I(pi|sgt)。
步骤6、基于城市路网的拓扑结构，对当前采样点pi对应的候选路段sgt到下一个采样点pi+1对应的候选路段sgm的转换进行建模，获得转换概率P(sgm|sgt)，所用公式为：
Figure BDA0002314706710000052
Figure BDA0002314706710000053
式中，greatCircleDis(pi,pi+1)表示当前采样点pi与下一个采样点pi+1之间的大地距离，
Figure BDA0002314706710000054
表示当前采样点pi在候选路段sgt上的投影点
Figure BDA0002314706710000055
与下一个采样点pi+1在候选路段sgm上的投影点
Figure BDA0002314706710000056
之间的路径长度。相邻两个采样点之间的转换概率如图5所示，位于矩形中的两个圆点表示两个相邻采样点，星形点表示采样点在各自对应的候选路段上的采样点，虚线表示两个相邻采样点之间的大地距离，两个相邻采样点之间的可达路径有route1和route2。从图中可以看出，与route1路径相比，route2与采样点之间的大地距离更接近，说明route2更接近真实路径。
步骤7、根据观测概率和转换概率，利用维特比算法求取最优匹配轨迹，完成车辆轨迹地图匹配。
本发明提出了一种基于方向角的车辆轨迹地图匹配系统，该系统包括：
建模模块，用于利用有向图G<V,E>对城市路网进行建模，其中V表示城市路网中的交叉点，E表示城市路网中的路段，并根据该有向图构建空间索引；
候选路段搜索模块，用于在建模模块输出的城市路网中，在以pi为中心、半径为R的区域内，利用空间索引加速搜索城市路网中采样点pi的候选路段sgt；
第一计算模块，用于求取采样点pi的方向角
Figure BDA0002314706710000057
和其候选路段sgt的方向角
Figure BDA0002314706710000058
之间的相似度，获得方向概率D(pi|sgt)；
第二计算模块，用于对采样点pi的误差进行建模，获得误差概率N(pi|sgt)；
第三计算模块，用于将方向概率D(pi|sgt)和误差概率N(pi|sgt)相乘，获得观测概率I(pi|sgt)；
第四计算模块，用于基于城市路网的拓扑结构，对当前采样点pi对应的候选路段sgt到下一个采样点pi+1对应的候选路段sgm的转换进行建模，获得转换概率P(sgm|sgt)；
匹配模块，用于根据观测概率和转换概率，利用维特比算法求取最优匹配轨迹，完成车辆轨迹地图匹配。
下面结合实施例对本发明作进一步详细的描述。
实施例
本实施例对两条车辆轨迹进行地图匹配，以验证本发明的有效性。
图6中展示的是在转弯和岔路口两种情况下车辆的原始采样轨迹，图中的箭头表示车辆的真实轨迹。针对图6(a)所示的车辆轨迹，利用现有的方法和本发明的方法对该轨迹进行地图匹配，现有的方法会将星形的采样点错误地匹配到路段sg3，而本发明会将其正确地匹配到路段sg2，检测到这里会是一个小的转弯。针对图6(b)所示的车辆轨迹，现有的方法会将星形的采样点匹配到路段sg3，但实际情况是车辆在这个岔路口并没有转弯，本发明会根据其方向角信息将其正确的匹配到sg4。由此可知，本发明具有更高的匹配准确率。
综上，本发明能在复杂路网下依然可以很好地适用于噪声轨迹数据、低采样率轨迹数据，获得更准确的匹配轨迹，从而更好地反映路网中的流动性。

Claims (5)

1.一种基于方向角的车辆轨迹地图匹配方法，其特征在于，包括以下步骤：
步骤1、利用有向图G<V,E>对城市路网进行建模，其中V表示城市路网中的交叉点，E表示城市路网中的路段，并根据该有向图构建空间索引；
步骤2、针对车辆轨迹中的每一个采样点pi，在步骤1得到的城市路网中，在以pi为中心、半径为R的区域内，利用所述空间索引加速搜索城市路网中采样点pi的候选路段sgt；
步骤3、求取采样点pi的方向角
Figure FDA0002314706700000011
和其候选路段sgt的方向角
Figure FDA0002314706700000012
之间的相似度，获得方向概率D(pi|sgt)；
步骤4、对采样点pi的误差进行建模，获得误差概率N(pi|sgt)；
步骤5、将所述方向概率D(pi|sgt)和所述误差概率N(pi|sgt)相乘，获得观测概率I(pi|sgt)；
步骤6、基于城市路网的拓扑结构，对当前采样点pi对应的候选路段sgt到下一个采样点pi+1对应的候选路段sgm的转换进行建模，获得转换概率P(sgm|sgt)；
步骤7、根据所述观测概率和转换概率，利用维特比算法求取最优匹配轨迹，完成车辆轨迹地图匹配。
2.根据权利要求1所述的基于方向角的车辆轨迹地图匹配方法，其特征在于，步骤3所述求取采样点pi的方向角
Figure FDA0002314706700000013
和其候选路段sgt的方向角
Figure FDA0002314706700000014
之间的相似度，获得方向概率D(pi|sgt)，所用公式为：
D(pi|sgt)＝log(1+exp(-a))
Figure FDA0002314706700000015
式中，
Figure FDA0002314706700000016
表示
Figure FDA0002314706700000017
与
Figure FDA0002314706700000018
的差值。
3.根据权利要求1所述的基于方向角的车辆轨迹地图匹配方法，其特征在于，步骤4所述对采样点pi的误差进行建模，获得误差概率N(pi|sgt)，所用公式为：
Figure FDA0002314706700000021
式中，μ、δ分别表示采样点pi的误差的期望和标准差，
Figure FDA0002314706700000022
表示采样点pi在候选路段sgt上的投影点。
4.根据权利要求1所述的基于方向角的车辆轨迹地图匹配方法，其特征在于，步骤6中所述对当前采样点pi对应的候选路段sgt到下一个采样点pi+1对应的候选路段sgm的转换进行建模，获得转换概率P(sgm|sgt)，所用公式为：
Figure FDA0002314706700000023
Figure FDA0002314706700000024
式中，greatCircleDis(pi,pi+1)表示当前采样点pi与下一个采样点pi+1之间的大地距离，
Figure FDA0002314706700000025
表示当前采样点pi在候选路段sgt上的投影点
Figure FDA0002314706700000026
与下一个采样点pi+1在候选路段sgm上的投影点
Figure FDA0002314706700000027
之间的路径长度。
5.基于权利要求1至4任意一项所述的基于方向角的车辆轨迹地图匹配方法的车辆轨迹地图匹配系统，其特征在于，所述系统包括：
建模模块，用于利用有向图G<V,E>对城市路网进行建模，其中V表示城市路网中的交叉点，E表示城市路网中的路段，并根据该有向图构建空间索引；
候选路段搜索模块，用于在建模模块输出的城市路网中，在以pi为中心、半径为R的区域内，利用所述空间索引加速搜索城市路网中采样点pi的候选路段sgt；
第一计算模块，用于求取采样点pi的方向角
Figure FDA0002314706700000028
和其候选路段sgt的方向角
Figure FDA0002314706700000029
之间的相似度，获得方向概率D(pi|sgt)；
第二计算模块，用于对采样点pi的误差进行建模，获得误差概率N(pi|sgt)；
第三计算模块，用于将所述方向概率D(pi|sgt)和所述误差概率N(pi|sgt)相乘，获得观测概率I(pi|sgt)；
第四计算模块，用于基于城市路网的拓扑结构，对当前采样点pi对应的候选路段sgt到下一个采样点pi+1对应的候选路段sgm的转换进行建模，获得转换概率P(sgm|sgt)；
匹配模块，用于根据所述观测概率和转换概率，利用维特比算法求取最优匹配轨迹，完成车辆轨迹地图匹配。
CN201911272922.7A 2019-12-12 2019-12-12 基于方向角的车辆轨迹地图匹配方法及系统 Pending CN111060112A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911272922.7A CN111060112A (zh) 2019-12-12 2019-12-12 基于方向角的车辆轨迹地图匹配方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911272922.7A CN111060112A (zh) 2019-12-12 2019-12-12 基于方向角的车辆轨迹地图匹配方法及系统

Publications (1)

Publication Number Publication Date
CN111060112A true CN111060112A (zh) 2020-04-24

Family

ID=70300576

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911272922.7A Pending CN111060112A (zh) 2019-12-12 2019-12-12 基于方向角的车辆轨迹地图匹配方法及系统

Country Status (1)

Country Link
CN (1) CN111060112A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112035591A (zh) * 2020-09-07 2020-12-04 腾讯科技（深圳）有限公司 一种路网匹配方法、装置、设备和存储介质
CN112612277A (zh) * 2020-12-23 2021-04-06 禾多科技（北京）有限公司 车辆轨迹规划方法、装置、设备和计算机可读介质
CN112785077A (zh) * 2021-02-01 2021-05-11 南京航空航天大学 基于时空数据的出行需求预测方法及系统
CN114061597A (zh) * 2021-10-15 2022-02-18 中国科学院空天信息创新研究院 一种车辆地图匹配自主定位方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103162702A (zh) * 2013-03-05 2013-06-19 中山大学 稀疏采样下基于多重概率匹配的车辆行驶轨迹重构方法
CN106595680A (zh) * 2016-12-15 2017-04-26 福州大学 一种基于隐马尔可夫模型的车辆gps数据地图匹配方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103162702A (zh) * 2013-03-05 2013-06-19 中山大学 稀疏采样下基于多重概率匹配的车辆行驶轨迹重构方法
CN106595680A (zh) * 2016-12-15 2017-04-26 福州大学 一种基于隐马尔可夫模型的车辆gps数据地图匹配方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
DAWEI WANG ET AL.: "BMI-Matching: Map-Matching with Bearing Meta-information", 《MACHINE LEARNING AND INTELLIGENT COMMUNICATIONS》 *
郑剑炜等: "基于生存分析的GPS轨迹缺失规律挖掘", 《计算机科学》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112035591A (zh) * 2020-09-07 2020-12-04 腾讯科技（深圳）有限公司 一种路网匹配方法、装置、设备和存储介质
CN112612277A (zh) * 2020-12-23 2021-04-06 禾多科技（北京）有限公司 车辆轨迹规划方法、装置、设备和计算机可读介质
CN112612277B (zh) * 2020-12-23 2023-03-07 禾多科技（北京）有限公司 车辆轨迹规划方法、装置、设备和计算机可读介质
CN112785077A (zh) * 2021-02-01 2021-05-11 南京航空航天大学 基于时空数据的出行需求预测方法及系统
CN114061597A (zh) * 2021-10-15 2022-02-18 中国科学院空天信息创新研究院 一种车辆地图匹配自主定位方法
CN114061597B (zh) * 2021-10-15 2023-11-03 中国科学院空天信息创新研究院 一种车辆地图匹配自主定位方法

Similar Documents

Publication Publication Date Title
CN111060112A (zh) 基于方向角的车辆轨迹地图匹配方法及系统
CN109405839B (zh) 一种基于多路径的交通网络离线地图匹配算法
CN110095127B (zh) 一种基于分段的隐马尔可夫模型地图匹配方法
JP6197393B2 (ja) レーン地図生成装置及びプログラム
EP3136128B1 (en) Trajectory matching using peripheral signal
CN109459045B (zh) 一种针对低频gps轨迹的改进交互式投票匹配方法
CN106781478B (zh) 一种基于lte信令数据的轨迹跟踪方法
CN104197945B (zh) 一种基于低采样率浮动车数据的全局投票地图匹配方法
US20090138188A1 (en) Method, device and system for modeling a road network graph
CN108253976B (zh) 一种充分借助车辆航向的三阶段在线地图匹配算法
Davidson et al. Application of particle filters to a map-matching algorithm
CN105841708A (zh) 一种基于路径追踪的车载导航定位轨迹匹配方法
CN110285817B (zh) 基于自适应d-s证据理论的复杂路网地图匹配方法
Blazquez et al. Simple map-matching algorithm applied to intelligent winter maintenance vehicle data
CN113959452B (zh) 基于城市路网的地图匹配方法、系统及终端
CN116975184A (zh) 一种车辆轨迹数据处理方法、装置、设备和可读存储介质
CN113295173B (zh) 环形路段的地图匹配方法
CN117152958A (zh) 一种车辆轨迹识别方法、装置、识别设备及可读存储介质
CN112857378B (zh) 一种轨迹匹配方法及装置
CN110411450B (zh) 一种用于压缩轨迹的地图匹配方法
Hong et al. Large-Scale Radar Localization using Online Public Maps
Viel et al. Map matching with sparse cellular fingerprint observations
JP2019158701A (ja) 特徴点生成方法
CN114705214A (zh) 一种里程轨迹计算方法、装置、存储介质及电子设备
CN114061597A (zh) 一种车辆地图匹配自主定位方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200424