CN111177285A - 一种电子地图精确定位方法、终端设备及存储介质 - Google Patents

一种电子地图精确定位方法、终端设备及存储介质 Download PDF

Info

Publication number
CN111177285A
CN111177285A CN201811331556.3A CN201811331556A CN111177285A CN 111177285 A CN111177285 A CN 111177285A CN 201811331556 A CN201811331556 A CN 201811331556A CN 111177285 A CN111177285 A CN 111177285A
Authority
CN
China
Prior art keywords
probability
calculating
positioning
road
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.)
Granted
Application number
CN201811331556.3A
Other languages
English (en)
Other versions
CN111177285B (zh
Inventor
周贺杰
欧阳珊梅
涂岩恺
季刚
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.)
Xiamen Yaxon Networks Co Ltd
Original Assignee
Xiamen Yaxon Networks 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 Xiamen Yaxon Networks Co Ltd filed Critical Xiamen Yaxon Networks Co Ltd
Priority to CN201811331556.3A priority Critical patent/CN111177285B/zh
Publication of CN111177285A publication Critical patent/CN111177285A/zh
Application granted granted Critical
Publication of CN111177285B publication Critical patent/CN111177285B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Navigation (AREA)

Abstract

本发明涉及一种电子地图精确定位方法、终端设备及存储介质，在该方法中，包括以下步骤：S100：获取当前位置周围一定范围内的道路数据作为候选道路；S200：设定候选道路为隐藏状态，爬坡信息和定位信息为观测状态，计算隐马尔可夫模型中每条候选道路从隐藏状态到观测状态的概率，即发射概率；S300：计算隐马尔可夫模型中上一时刻的各个隐藏状态转移到当前时刻各个隐藏状态的概率，即转移概率；S400：根据隐马尔可夫模型得出当前时刻定位点处于每条候选道路的概率。本发明通过将候选道路、爬坡信息和定位信息作为模型的输入，应用于隐马尔可夫模型中，提高了匹配的准确度，使得车辆在全天候、低成本的条件下也能够实时、正确地获取所处的道路环境。

Description

一种电子地图精确定位方法、终端设备及存储介质
技术领域
本发明涉及地图定位技术领域，尤其涉及一种电子地图精确定位方法、终端设备及存储介质。
背景技术
在电子地平线领域中，系统需要实时地定位车辆所行驶在道路上的位置以准确地获取行车前方道路信。定位的过程可分为两步：第一步是通过GNSS(Global NavigationSatellite System，全球导航卫星系统)卫星定位系统或其他导航系统，将车辆的位置实时地转换成地理坐标系下的经纬度坐标；第二步是通过地图软件的地图匹配算法，将经纬度绝对坐标投影到电子地图中一条最符合的道路数据上，转化为相对道路的相对位置，从而获取车辆当前所处的道路环境。
目前，传统的地图匹配系统大多是基于GNSS卫星定位系统，这一单一系统所获取的信息。但由于GNSS定位存在着定位误差，误差随着行车路况和遮挡的情况不同而实时地变化，当车辆行驶在城市复杂路网如平行路，交叉立交桥时，匹配算法的不确定度就会大大提高，匹配结果往往会匹配到邻近的道路上从而导致匹配错误。错误的定位将会使电子地平线系统获取到错误的周围或前方道路信息，从而导致系统失效。
针对这一存在的问题，目前的解决方法主要集中在硬件层面和算法层面两个方面：
(1)在硬件层面上，使用车道级高精度地图和高精度的定位技术，如星基/地基增强的GNSS RTK技术。这些技术虽然可以有效提高定位精度，降低匹配的不确定度，但往往成本过于昂贵，不利于大规模商业化推广。
(2)在算法层面上，使用改进的匹配算法。现有大多数改进的匹配算法通过增加路网的拓扑约束来提高匹配的确定度。这些算法在大多数情况下虽然对匹配效果有所改善，但其如果仅仅只依据GNSS定位系统一套信息来源，当GNSS信号不好定位误差较大时，匹配效果也会大打折扣。
发明内容
为解决上述问题，本发明一种电子地图精确定位方法、终端设备及存储介质，通过隐马尔科夫算法进行精确定位，提高了定位中道路匹配的准确度。
具体方案如下：
一种电子地图精确定位方法，包括以下步骤：
S100：获取当前位置周围一定范围内的道路数据作为候选道路；
S200：设定候选道路为隐藏状态，爬坡信息和定位信息为观测状态，计算隐马尔可夫模型中每条候选道路从隐藏状态到观测状态的概率，即发射概率；
S300：计算隐马尔可夫模型中上一时刻的各个隐藏状态转移到当前时刻各个隐藏状态的概率，即转移概率；
S400：根据隐马尔可夫模型得出当前时刻定位点处于每条候选道路的概率。
进一步的，步骤S100中获取的方法为：通过地图信息和定位信息来获取，以定位信息中的定位点为中心，精度值p的六倍为边作一正方形框，获取地图信息上与该正方形框存在交集的所有道路，将这些道路作为候选道路。
进一步的，步骤S200中发射概率的计算方法为：
设定候选道路为ri，当前定位点为z，则发射概率的计算的方法为：
S201：计算定位点到每条候选道路的投影距离d，和定位点与每条候选道路的航向夹角a；
S202：根据爬坡信息统计所有候选道路中为上坡或者下坡的候选道路的个数s；
S203：计算投影概率p投(z|ri)：
非初始状态下：
Figure BDA0001860139010000031
其中σ是根据历史匹配结果统计和计算出的经验值；
初始状态下：p投(z|ri)＝(1-d2)2*(1-a2)2
S204：计算爬坡概率p爬(z|ri)：
Figure BDA0001860139010000032
S205：计算发射概率p(z|ri)：
Figure BDA0001860139010000033
进一步的，步骤S300中转移概率的计算方法为：
S301：计算上一时刻与当前时刻的时间差Δt；
S302：计算上一时刻与当前时刻两个定位点之间的直线距离dl；
S303：计算上一时刻与当前时刻两个定位点在道路投影上的路径距离dr；
S304：计算路径转移概率p路径(d)：
Figure BDA0001860139010000041
其中ABS为绝对值函数，β是根据历史匹配结果统计和计算出的经验值；
S305：计算岔路选择概率，设定上一时刻的某条候选道路连接的岔路数为n，每条岔路的车道数为li，则每条岔路的选择概率为：
Figure BDA0001860139010000042
Figure BDA0001860139010000043
其中Pt-1(lanei)为上一时刻定位点位于各条候选道路的概率，上一时刻某条候选道路的车道分别为lane1、lane2、…、lanem，
Figure BDA0001860139010000044
则：
Figure BDA0001860139010000045
其中，Pt-1(lanei|lanej的计算方法为：
当P变＞0时，
Figure BDA0001860139010000046
当P变＜0时，
Figure BDA0001860139010000047
其中，P变为变道概率；
S306：计算转移概率p(ri|rj)：
Figure BDA0001860139010000048
一种电子地图精确定位终端设备，包括卫星定位模块、姿态感知模块、处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明实施例上述方法的步骤，其中，定位信息通过卫星定位模块来获得，变道信息和爬坡信息通过姿态感知模块来获得。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现本发明实施例上述方法的步骤。
本发明采用如上技术方案，并具有有益效果：
1、将车辆姿态信息融入到了匹配算法的隐马尔可夫模型中，从而能够有效辅助，卫星定位在特殊环境下所带来的不确定问题。
2、在利用车辆变道信息时，能够从普通的导航电子地图而非车道级的高精度地图获取岔路间车道的拓扑关系，提高了地图道路属性信息的利用率。
3、通过隐马尔可夫模型，将多源信息融合到一起，实现了复杂道路环境下车辆的精准匹配。
附图说明
图1所示为本发明实施例一的算法过程的示意图。
图2所示为该实施例中候选道路选取的示意图。
图3所示为该实施例中上一时刻与当前时刻两个定位点之间的直线距离和在道路投影上的路径距离的示意图。
图4所示为该实施例中候选道路的岔路示意图。
具体实施方式
为进一步说明各实施例，本发明提供有附图。这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。
现结合附图和具体实施方式对本发明进一步说明。
实施例一：
本发明实施例一提供了一种电子地图精确定位方法，包括以下步骤：
S100：获取当前位置周围一定范围内的道路数据作为候选道路。
具体的，可以利用地图信息和定位信息来获取，如图2所示，该实施例中，所述获取的方法为：以卫星定位信息中的定位点为中心，精度值p的六倍为边作一正方形框，获取地图信息上与该正方形框存在交集的所有道路，将这些道路作为候选道路。本领域技术人员也可以选用其他范围来确定候选道路。
S200：设定候选道路为隐藏状态，爬坡信息和定位信息为观测状态，计算隐马尔可夫模型中每条候选道路从隐藏状态到观测状态的概率，即发射概率。
所述隐马尔可夫模型包括隐藏状态和观察状态，其隐藏状态为步骤S100获得的各候选道路，观测状态为定位信息、变道信息和爬坡信息。
该实施例中所述定位信息通过卫星定位模块来获得，所述卫星定位模块包括处理芯片和定位解算算法，所述卫星定位模块能够输出定位信息，如时间、经度、纬度、车速、航向、定位精度等等。
所述变道信息和爬坡信息通过姿态感知模块来获得，所述姿态感知模块包括微机电系统(Microelectro Mechanical Systems，MEMS)和姿态解算算法，用于输出爬坡信息和变道信息。该实施例中，在爬坡信息中，0表示平路，正数表示上坡的概率，负数表示下坡的概率；在变道信息中，0表示直走，正数表示右变道的概率，负数表示左变道的概率。
设定候选道路为ri，当前GNSS点位为z，则发射概率的计算的方法为：
S201：计算定位点到每条候选道路的投影距离d，和定位点与每条候选道路的航向夹角a。
S202：根据爬坡信息统计所有候选道路中为上坡或者下坡的候选道路的个数s，即统计所有候选道路中有多少为上坡，或有多少为下坡。
S203：计算投影概率p投(z|ri)：
非初始状态下：
Figure BDA0001860139010000071
其中σ是根据历史匹配结果统计和计算出的经验值；
初始状态下：p投(z|ri)＝(1-d2)2*(1-a2)2
需要说明的是，初始状态为定位点为第一个定位点时，非初始状态为定位点不是第一个定位点时。
S204：计算爬坡概率p爬(z|ri)：
Figure BDA0001860139010000072
S205：计算发射概率p(z|ri)：
Figure BDA0001860139010000073
S300：计算隐马尔可夫模型中上一时刻的各个隐藏状态转移到当前时刻各个隐藏状态的概率，即转移概率。
所述转移概率的计算方法为：
S301：计算上一时刻与当前时刻的时间差Δt；
S302：如图3所示，计算上一时刻与当前时刻两个定位点之间的直线距离dl；
S303：计算上一时刻与当前时刻两个定位点在道路投影上的路径距离dr；
S304：计算路径转移概率p路径(d)：
Figure BDA0001860139010000081
其中ABS为绝对值函数，β是根据历史匹配结果统计和计算出的经验值；
S305：计算岔路选择概率：
当遇到岔路时，需要根据车辆在上一时刻车道情况计算岔路选择概率，假设上一时刻的某条候选道路连接的岔路数为n，每条岔路的车道数为li
则各条岔路的选择概率为：
Figure BDA0001860139010000082
Figure BDA0001860139010000083
计算P(li)需要计算上一时刻车辆在各个车道所在的概率，假设上一时刻(即t-1时刻)的某条候选道路的车道分别为lane1、lane2、…、lanem，
Figure BDA0001860139010000084
则在上一时刻(即t-1时刻)，车辆在各车道的概率为:
Figure BDA0001860139010000085
其中Pt-1(lanei|lanej)由车辆姿态感知模块提供的变道概率P变得出。
当P变＞0时，
Figure BDA0001860139010000086
当P变＜0时，
Figure BDA0001860139010000091
图4给出了一个计算岔路选择概率的示例，假设岔路个数为2，引出岔路道路的车道数为3，已知在t-2时刻，车辆所处于各个车道的概率为Pt-2(lane1)＝21％，Pt-2(lane2)＝65％，Pt-2(lane3)＝14％。
在t-1时刻，由车辆姿态感知模块探测到车辆右变道的概率P变为68％，则保持直行的概率为1-P变＝32％，则在t-1时刻变道后车辆位于各个车道的概率为：
Figure BDA0001860139010000092
在t时刻岔路1的选择概率为Pt(l1)＝6.72％+35.08％＝41.8％
在t时刻岔路2的选择概率为Pt(l2)＝48.68％
S306：计算转移概率p(ri|rj)：
Figure BDA0001860139010000093
S400：根据隐马尔可夫模型得出当前时刻定位点处于每条候选道路的概率。
该实施例中采用Viterbi算法，Viterbi算法通过迭代将每一时刻计算出的最大概率作为结果，输入给下一时刻从而计算出最有可能的隐藏状态链表，通过该链表可以得到定位点位于每条候选道路的概率。
该实施例中算法过程的示意如图1所示，图1中加粗箭头代表每一时刻的最大概率的状态，即r2、r5和r7。
该实施例中，通过将候选道路、爬坡信息和定位信息作为模型的输入，应用于对道路拓扑约束处理较好的隐马尔可夫模型中，提高了匹配的准确度，使得车辆在全天候、低成本的条件下也能够实时、正确地获取所处的道路环境。
实施例二：
本发明还提供一种电子地图精确定位终端设备，包括卫星定位模块、姿态感知模块、存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明实施例一的上述方法实施例中的步骤。其中，所述定位信息通过卫星定位模块来获得，所述卫星定位模块包括处理芯片和定位解算算法，所述卫星定位模块能够输出定位信息，如时间、经度、纬度、车速、航向、定位精度等等。所述变道信息和爬坡信息通过姿态感知模块来获得，所述姿态感知模块包括微机电系统(Microelectro Mechanical Systems，MEMS)和姿态解算算法，用于输出爬坡信息和变道信息。
进一步地，作为一个可执行方案，所述电子地图精确定位终端设备可以是手机、车载电脑和掌上电脑等计算设备。所述电子地图精确定位终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，上述电子地图精确定位终端设备的组成结构仅仅是电子地图精确定位终端设备的示例，并不构成对电子地图精确定位终端设备的限定，可以包括比上述更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子地图精确定位终端设备还可以包括输入输出设备、网络接入设备、总线等，本发明实施例对此不做限定。
进一步地，作为一个可执行方案，所称处理器可以是中央处理单元(CentranProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digitan SignanProcessor，DSP)、专用集成电路(Appnication Specific Integrated Circuit，ASIC)、现成可编程门阵列(Fiend-Programmabne Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述电子地图精确定位终端设备的控制中心，利用各种接口和线路连接整个电子地图精确定位终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述电子地图精确定位终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据手机的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digitan,SD)卡，闪存卡(Fnash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明还提供一种计算机可读存储介质，所述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实现本发明实施例上述方法的步骤。
所述电子地图精确定位终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnnyMemory)、随机存取存储器(RAM，Random Access Memory)以及软件分发介质等。
尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。

Claims (6)

1.一种电子地图精确定位方法，其特征在于，包括以下步骤：
S100：获取当前位置周围一定范围内的道路数据作为候选道路；
S200：设定候选道路为隐藏状态，爬坡信息和定位信息为观测状态，计算隐马尔可夫模型中每条候选道路从隐藏状态到观测状态的概率，即发射概率；
S300：计算隐马尔可夫模型中上一时刻的各个隐藏状态转移到当前时刻各个隐藏状态的概率，即转移概率；
S400：根据隐马尔可夫模型得出当前时刻定位点处于每条候选道路的概率。
2.根据权利要求1所述的电子地图精确定位方法，其特征在于：步骤S100中获取的方法为：通过地图信息和定位信息来获取，以定位信息中的定位点为中心，精度值p的六倍为边作一正方形框，获取地图信息上与该正方形框存在交集的所有道路，将这些道路作为候选道路。
3.根据权利要求1所述的电子地图精确定位方法，其特征在于：步骤S200中发射概率的计算方法为：
设定候选道路为ri，当前定位点为z，则发射概率的计算的方法为：
S201：计算定位点到每条候选道路的投影距离d，和定位点与每条候选道路的航向夹角a；
S202：根据爬坡信息统计所有候选道路中为上坡或者下坡的候选道路的个数s；
S203：计算投影概率p投(z|ri)：
非初始状态下：
Figure FDA0001860137000000011
其中σ是根据历史匹配结果统计和计算出的经验值；
初始状态下：p投(z|ri)＝(1-d2)2*(1-a2)2
S204：计算爬坡概率p爬(z|ri)：
Figure FDA0001860137000000021
S205：计算发射概率p(z|ri)：
Figure FDA0001860137000000022
4.根据权利要求1所述的电子地图精确定位方法，其特征在于：步骤S300中转移概率的计算方法为：
S301：计算上一时刻与当前时刻的时间差Δt；
S302：计算上一时刻与当前时刻两个定位点之间的直线距离dl；
S303：计算上一时刻与当前时刻两个定位点在道路投影上的路径距离dr；
S304：计算路径转移概率p路径(d)：
Figure FDA0001860137000000023
其中ABS为绝对值函数，β是根据历史匹配结果统计和计算出的经验值；
S305：计算岔路选择概率，设定上一时刻的某条候选道路连接的岔路数为n，每条岔路的车道数为li，则每条岔路的选择概率为：
Figure FDA0001860137000000024
Figure FDA0001860137000000025
其中Pt-1(lanei)为上一时刻定位点位于各条候选道路的概率，上一时刻某条候选道路的车道分别为lane1、lane2、…、lanem，
Figure FDA0001860137000000031
则：
Figure FDA0001860137000000032
其中，Pt-1(lanei|lanej的计算方法为：
当P变＞0时，
Figure FDA0001860137000000033
当P变＜0时，
Figure FDA0001860137000000034
其中，P变为变道概率；
S306：计算转移概率p(ri|rj)：
Figure FDA0001860137000000035
5.一种电子地图精确定位终端设备，其特征在于：包括卫星定位模块、姿态感知模块、处理器、存储器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1‐4中任一所述方法的步骤，其中，定位信息通过卫星定位模块来获得，变道信息和爬坡信息通过姿态感知模块来获得。
6.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1‐4中任一所述方法的步骤。
CN201811331556.3A 2018-11-09 2018-11-09 一种电子地图精确定位方法、终端设备及存储介质 Active CN111177285B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811331556.3A CN111177285B (zh) 2018-11-09 2018-11-09 一种电子地图精确定位方法、终端设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811331556.3A CN111177285B (zh) 2018-11-09 2018-11-09 一种电子地图精确定位方法、终端设备及存储介质

Publications (2)

Publication Number Publication Date
CN111177285A true CN111177285A (zh) 2020-05-19
CN111177285B CN111177285B (zh) 2022-11-08

Family

ID=70653498

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811331556.3A Active CN111177285B (zh) 2018-11-09 2018-11-09 一种电子地图精确定位方法、终端设备及存储介质

Country Status (1)

Country Link
CN (1) CN111177285B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112884837A (zh) * 2021-03-16 2021-06-01 百度在线网络技术（北京）有限公司 道路定位方法、装置、设备及存储介质
CN113242597A (zh) * 2021-05-13 2021-08-10 北斗星通智联科技有限责任公司 位姿信息的确定方法、装置及终端设备
CN113295174A (zh) * 2021-07-27 2021-08-24 腾讯科技（深圳）有限公司 一种车道级定位的方法、相关装置、设备以及存储介质
WO2021251900A1 (en) * 2020-06-08 2021-12-16 Grabtaxi Holdings Pte. Ltd Method for real-time position estimate correction of a movable object
CN114216467A (zh) * 2021-12-13 2022-03-22 禾多科技（北京）有限公司 道路定位方法、装置、计算机设备和存储介质
CN114563005A (zh) * 2022-03-01 2022-05-31 小米汽车科技有限公司 道路定位方法、装置、设备、车辆及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8209121B1 (en) * 2007-10-10 2012-06-26 Google Inc. Registration of location data to street maps using hidden markov models, and application thereof
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
CN108061556A (zh) * 2017-10-18 2018-05-22 广州傲胜机器人科技有限公司 一种基于隐马尔可夫模型的地图匹配方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8209121B1 (en) * 2007-10-10 2012-06-26 Google Inc. Registration of location data to street maps using hidden markov models, and application thereof
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
CN108061556A (zh) * 2017-10-18 2018-05-22 广州傲胜机器人科技有限公司 一种基于隐马尔可夫模型的地图匹配方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘旻: "一种基于HMM模型改进的地图匹配算法", 《北京大学学报（自然科学版）》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021251900A1 (en) * 2020-06-08 2021-12-16 Grabtaxi Holdings Pte. Ltd Method for real-time position estimate correction of a movable object
US11802977B2 (en) 2020-06-08 2023-10-31 Grabtaxi Holdings Pte. Ltd. Method for real-time position estimate correction of a movable object
CN112884837A (zh) * 2021-03-16 2021-06-01 百度在线网络技术（北京）有限公司 道路定位方法、装置、设备及存储介质
CN112884837B (zh) * 2021-03-16 2023-06-20 百度在线网络技术（北京）有限公司 道路定位方法、装置、设备及存储介质
CN113242597A (zh) * 2021-05-13 2021-08-10 北斗星通智联科技有限责任公司 位姿信息的确定方法、装置及终端设备
CN113242597B (zh) * 2021-05-13 2023-06-02 北斗星通智联科技有限责任公司 位姿信息的确定方法、装置及终端设备
CN113295174A (zh) * 2021-07-27 2021-08-24 腾讯科技（深圳）有限公司 一种车道级定位的方法、相关装置、设备以及存储介质
CN114216467A (zh) * 2021-12-13 2022-03-22 禾多科技（北京）有限公司 道路定位方法、装置、计算机设备和存储介质
CN114563005A (zh) * 2022-03-01 2022-05-31 小米汽车科技有限公司 道路定位方法、装置、设备、车辆及存储介质

Also Published As

Publication number Publication date
CN111177285B (zh) 2022-11-08

Similar Documents

Publication Publication Date Title
CN111177285B (zh) 一种电子地图精确定位方法、终端设备及存储介质
Hashemi et al. A critical review of real-time map-matching algorithms: Current issues and future directions
US20180267172A1 (en) System and method for recognizing position of vehicle
US11226630B2 (en) Method and apparatus for estimating a localized position on a map
US9978161B2 (en) Supporting a creation of a representation of road geometry
CN109435955B (zh) 一种自动驾驶系统性能评估方法、装置、设备及存储介质
CN113345228B (zh) 基于拟合轨迹的行驶数据的生成方法、装置、设备及介质
US11162797B2 (en) Map matching method and apparatus
CN113034566B (zh) 高精度地图构建方法、装置、电子设备及存储介质
JP2015004814A (ja) レーン地図生成装置及びプログラム
CN111856521B (zh) 数据处理方法、装置、电子设备和存储介质
US10677598B2 (en) Map-centric map matching method and apparatus
CN109154505B (zh) 用于确定车辆相对于马路的车道的横向位置的方法、设备和具有指令的计算机可读存储介质
EP3093620B1 (en) System and method for detecting roundabouts from probe data using vector fields
CN113450455A (zh) 用于生成停车场的道路链路的地图的方法、设备和计算机程序产品
CN110596741A (zh) 车辆定位方法、装置、计算机设备和存储介质
CN113566817A (zh) 一种车辆定位方法及装置
JP7113996B2 (ja) 高精度地図データベース生成装置および高精度地図データベース生成方法
CN112304281A (zh) 一种道路坡度测量方法、终端设备及存储介质
CN114578401B (zh) 一种车道航迹点的生成方法、装置、电子设备及存储介质
CN112651991A (zh) 视觉定位方法、装置及计算机系统
CN116147605A (zh) 一种车辆自动驾驶地图生成方法、装置、设备及存储介质
US20230288210A1 (en) Method and device for determining a position of a vehicle in a road network
CN115112125A (zh) 自动驾驶车辆的定位方法、装置及电子设备、存储介质
Kreibich et al. Lane-level matching algorithm based on GNSS, IMU and map data

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