CN111291790B - 一种基于轨迹相似度的转向路径提取及路网拓扑变化检测框架方法 - Google Patents
一种基于轨迹相似度的转向路径提取及路网拓扑变化检测框架方法 Download PDFInfo
- Publication number
- CN111291790B CN111291790B CN202010059781.7A CN202010059781A CN111291790B CN 111291790 B CN111291790 B CN 111291790B CN 202010059781 A CN202010059781 A CN 202010059781A CN 111291790 B CN111291790 B CN 111291790B
- Authority
- CN
- China
- Prior art keywords
- similarity
- road network
- tracks
- steering
- distance
- 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
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
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明在第一阶段设计了一种基于轨迹相似度的转向路径提取方法,首先根据轨迹间Fréchet(弗雷歇)距离、起点夹角、终点夹角计算轨迹之间的相似度;随后使用DBSCAN聚类算法根据相似性度量结果对轨迹进行聚类代表不同方向的转向簇;最后通过设计的中心线拟合方法(即引入force‑attraction方法的Fréchet距离计算,同时采用B‑spline方法平滑中心线)提取不同方向簇的转向路径。本发明第二阶段使用基于HMM(隐马尔科夫模型)的地图匹配方法,由提取的转向路径对路口路网拓扑结构的变化进行检测,本发明可以有效地对现有路网进行增量更新。
Description
技术领域
本发明属于轨迹挖掘技术领域,具体涉及一种基于轨迹相似度的转向路径提取及路网拓扑变化检测框架方法。
背景技术
使用车辆轨迹对道路交叉口内的转向路径提取的应用场景有导航转向播报、自动驾驶及路口路网更新等。车辆到达转向点前,导航能够根据提取的转向路径让用户提前知晓下一步的动向,如右转,左转,掉头等。此外自动驾驶车辆能够依赖转向路径在道路交叉口正确地行驶。同时该方法是对道路交叉口的进一步研究,能够更加精确地完善地图。
目前主要存在两种提取方法,一种方法是基于轨迹线段,使用SVM或层次聚类的方法提取道路交叉口内的转向路径,这类方法需要预先给转向路径类别的特征和数量才能有效分类。另一种是根据各轨迹的起点和终点的位置,对轨迹进行聚类区分,该方法丢失了轨迹行驶路径的特征,在复杂路口区分的效果仍旧不理想。
由于道路基础设施的不断更新及交通状况的动态变化,原始路网会存在新路缺失,偏移等现象,容易给用户的移动导航带来严重影响,可以利用提取的转向路径对道路交叉口范围内,道路进行更新。目前主要有两种方法,第一种为人工上报,通过导航用户的主动上报或专业制图人员进行实地考察,该方法依赖人工,可能会存在误差。第二种是根据轨迹热力图像更新的方式,该方法计算成本较高,仍然不能满足数字地图快速更新的需求。
以上分析可见,在实际情况中,各道路交叉口的路口形状和转向行为不同,不能够用统一的先验知识去描述它,SVM和层次聚类方法需要预先定义分类的个数,不能够自动化实现对于路口拓扑的提取。只根据轨迹的起点和终点进行聚类区分的方法,丢失了轨迹行驶路径的特征,结果中会存在较多误差。现有的轨迹热力图像检测路网的更新的方法在轨迹密集区的难以区分同一区域内的不同道路,如平行道路中的交叉口,同时在稀疏轨迹区域,不能够识别路段。
发明内容
本发明所要解决的技术问题是针对上述现有技术的不足,本发明第一阶段首先设计了一种基于轨迹相似度的转向路径提取方法,根据轨迹间Fréchet(弗雷歇)距离、起点夹角、终点夹角计算轨迹之间的相似度,然后使用DBSCAN由相似度进行聚类得到不同类别的转向簇,最后通过中心线拟合得到转向路径,在本发明第二阶段基于HMM的地图匹配方法,由提取的转向路径对路口路网进行拓扑结构变化检测。
为实现上述技术目的,本发明采取的技术方案为:
一种基于轨迹相似度的转向路径提取及路网拓扑变化检测框架,包含以下步骤:
S1:对全量的轨迹两两进行相似度度量,生成相似度矩阵;
S2:基于步骤S1得到的相似度矩阵,使用DBSCAN算法对各轨迹进行聚类生成转向簇;
S3:基于步骤S2得到的转向簇,提取各转向簇的中心线,得到转向路径;
S4:基于步骤S3提取出的道路交叉口转向路径后,提取相关的路网凸包,使用HMM模型,与原始路网进行地图匹配,检测出发生拓扑变化的路网;[0019]为优化上述技术方案,采取的具体措施还包括:
上述的步骤S1具体包括:
Fréchet(弗雷歇)距离是目前测量两条曲线之间的相似度最常用方法,因此,定义任意两条轨迹Tra和Trb的相似度f(Tra,Trb)=dFréchet(Tra,Trb),并生成弗雷歇相似度矩阵 考虑复杂道路交叉口大小不一,聚类时不能用统一的相似距离阈值来判断轨迹是否相似。因此,我们设计自适应相似阈值代替统一阈值,即ζ=弗雷歇距离矩阵的中位数/β,经多次试验后,β为3.5的情况能够得到较好的聚类效果。但是只使用Fréchet(弗雷歇)距离难以区分所有不同的转向类型,我们还将轨迹位置和方向权值引入相似性度量中,分别计算各轨迹间的起点夹角和终点夹角,如果起点(或终点)的夹角大于15度,则权重为1,否则权重为0,得到方向权重矩阵分别计算各轨迹间的起点距离和终点距离,如果起点(或终点)的位置距离大于20米,则权重为1,否则权重为0,得到方向权重矩阵最终的相似度矩阵为TSM=MFréchet+(Wdirection+Wlocation)*ζ
上述步骤S2具体包括:
DBSCAN的两个参数是min_sample与eps。分别将其设定为min_sample=3表示为至少有3条相似的轨迹聚成一类,eps=ζ表示当轨迹间的相似度距离小于相似度阈值ζ时两条轨迹相似,最终由轨迹相似度矩阵聚类得到不同的转向簇。
上述步骤S3具体包括:
为了加快中心线的拟合效率,我们首先在各簇中随机采样了k(本发明中设置为5条,可根据轨迹的密集程度进行调整)条轨迹作为候选参照轨迹,计算当前候选参照轨迹到其余候选参照轨迹的弗雷歇距离的和,取弗雷歇距离和最小的轨迹作为正式的参照轨迹。然后使用force-attraction方法对该参照轨迹中的点进行调整得到中心线,最后用B-spline方法(通过多项式使用差值法还原轨迹线段的曲线特征)对中心线进行平滑,得到最终的转向路径。
上述步骤S4具体包括:
步骤4.1),由道路交叉口提取的转向路径的范围获取道路交叉口相关子路网凸包。
步骤4.2),将转向路径进行分类。由于掉头路口往往存在于平行道路的中间,进行Map Matching(地图匹配)时容易被误匹配到其领近的平行道路上,故对掉头和非掉头路径进行了分类,对转向路径起点和终点的方向差在130°以上的分类为掉头路径。
步骤4.3),利用原始路网与转向路径进行匹配,获取异常路段。首先对转向路径上的各个点建立搜索半径默认为25米(掉头路径为15米),在该半径内的路网路段即为可能匹配的路段。根据HMM方法,将转向路径上的点作为观测变量,将相应的路网作为每个点的隐变量。然后,利用转向路径上的点与其搜索半径内的相关路网路段的欧式距离建立观测概率。同时,由路网路段上的前后两个点的距离与转向路径上的前后两个点的距离差表示状态转移概率,距离越接近,状态转移概率越大。最后,使用Viterbi(维特比)算法获得概率最大的路径,通过该路径判断转向中心线与路网的匹配程度。
本发明在第一阶段设计了一种基于轨迹相似度的转向路径提取方法,首先根据轨迹间Fréchet(弗雷歇)距离、起点夹角、终点夹角计算轨迹之间的相似度;随后使用DBSCAN聚类算法根据相似性度量结果对轨迹进行聚类代表不同方向的转向簇;最后通过设计的中心线拟合方法(即引入force-attraction方法的Fréchet距离计算,同时采用B-spline方法平滑中心线)提取不同方向簇的转向路径。本发明第二阶段使用基于HMM(隐马尔科夫模型)的地图匹配方法,由提取的转向路径对路口路网拓扑结构的变化进行检测,本发明可以有效地对现有路网进行增量更新。
本发明具有以下有益效果:
1、本发明能够利用轨迹间的弗雷歇距离及方向,准确区分不同的转向路径。
2、本发明基于提取的转向路径,引入HMM模型进行地图匹配,从而对路网进行增量的检测,识别路网中存在的新路缺失及偏移的现象,提升路网的准确性。
附图说明
图1是基于轨迹相似度的转向路径提取流程图;
图2是基于轨迹相似度的聚类及转向路径提取结果;
图3是基于转向路径的路网拓扑变化检测的流程图
图4是道路交叉口相关子路网凸包提取过程;
图5是路网拓扑变化检测结果;
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明。
本发明在第一阶段设计了一种基于轨迹相似度的转向路径提取方法,首先根据轨迹间Fréchet(弗雷歇)距离、起点夹角、终点夹角计算轨迹之间的相似度,然后使用DBSCAN由相似度进行聚类得到不同类别的转向簇,最后通过中心线方法拟合得到转向路径,在本发明第二阶段使用基于HMM(隐马尔科夫模型)的地图匹配方法,由提取的转向路径对路口路网拓扑结构的变化进行检测,本发明可以有效地对现有路网进行增量更新。
如图1所示,本发明第一阶段设计了一种基于轨迹相似度的转向路径提取方法,包括以下步骤:
S1:对全量的轨迹两两进行相似度度量,生成相似度矩阵;
实施例中,步骤S1具体包括:
Fréchet(弗雷歇)距离是目前测量两条曲线之间的相似度最常用方法,因此,定义任意两条轨迹Tra和Trb的相似度f(Tra,Trb)=dFréchet(Tra,Trb),并生成弗雷歇相似度矩阵 考虑复杂道路交叉口大小不一,聚类时不能用统一的相似距离阈值来判断轨迹是否相似。因此,我们设计自适应相似阈值代替统一阈值,即ζ=弗雷歇距离矩阵的中位数/β,经多次试验后,β为3.5的情况能够得到较好的聚类效果。但是只使用Fréchet(弗雷歇)距离难以区分所有不同的转向类型,我们还将轨迹位置和方向权值引入相似性度量中,分别计算各轨迹间的起点夹角和终点夹角,如果起点(或终点)的夹角大于15度,则权重为1,否则权重为0,得到方向权重矩阵分别计算各轨迹间的起点距离和终点距离,如果起点(或终点)的位置距离大于20米,则权重为1,否则权重为0,得到方向权重矩阵
最终的相似度矩阵为TSM=MFréchet+(Wdirection+Wlocation)*ζ
S2:基于步骤S1得到的相似度矩阵,使用DBSCAN算法对各轨迹进行聚类生成转向簇;
实施例中,步骤S2具体包括:
DBSCAN的两个参数是min_sample与eps。分别将其设定为min_sample=3表示为至少有3条相似的轨迹聚成一类,eps=ζ表示当轨迹间的相似度距离小于相似度阈值ζ时两条轨迹相似,最终由轨迹相似度矩阵聚类得到不同的转向簇。
图2显示了不同路口得到的聚类效果。
S3:基于步骤S2得到的转向簇,提取各转向簇的中心线,得到转向路径;
实施例中,步骤S3具体包括:
首先在各簇中随机采样了k(本发明中设置为5条,可根据轨迹的密集程度进行调整)条轨迹作为候选参照轨迹,计算当前候选参照轨迹到其余候选参照轨迹的弗雷歇距离的和,取弗雷歇距离和最小的轨迹作为正式的参照轨迹。然后使用force-attraction方法对该参照轨迹中的点进行调整得到中心线,最后用B-spline方法(通过多项式使用差值法还原轨迹线段的曲线特征)对中心线进行平滑,得到最终的转向路径。
图3显示了基于转向路径的路网拓扑变化检测流程。
S4:基于步骤S3提取出的道路交叉口转向路径后,提取相关的路网凸包,使用HMM模型,与原始路网进行地图匹配,检测出发生拓扑变化的路网;
实施例中,步骤S4具体包括:
步骤4.1),由道路交叉口提取的转向路径的范围获取道路交叉口相关子路网凸包。
图4显示了道路交叉口相关子路网凸包的提取过程。
步骤4.2),将转向路径进行分类。由于掉头路口往往存在于平行道路的中间,进行Map Matching(地图匹配)时容易被误匹配到其领近的平行道路上,故对掉头和非掉头路径进行了分类,对转向路径起点和终点的方向差在130°以上的分类为掉头路径。
步骤4.3),利用原始路网与转向路径进行匹配,获取异常路段。首先对转向路径上的各个点建立搜索半径默认为25米(掉头路径为15米),在该半径内的路网路段即为可能匹配的路段。根据HMM方法,将转向路径上的点作为观测变量,将相应的路网作为每个点的隐变量。然后,利用转向路径上的点与其搜索半径内的相关路网路段的欧式距离建立观测概率。同时,由路网路段上的前后两个点的距离与转向路径上的前后两个点的距离差表示状态转移概率,距离越接近,状态转移概率越大。最后,使用Viterbi(维特比)算法获得概率最大的路径,通过该路径判断转向中心线与路网的匹配程度。
图3显示了路网拓扑变化的检测结果。
综上所述,本发明综合采用轨迹相似度概念、DBSCAN聚类技术、force-attraction中心线提取技术、HMM地图匹配技术等技术,形成了一种基于轨迹相似度的转向路径提取及路网拓扑变化检测框架,通过轨迹挖掘,能够有效地准确区分不同的转向路径,从而识别路网中存在的新路缺失及偏移的现象,提升路网的准确性。
以上仅是本发明的优选实施方式,本发明的保护范围并不局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进,应视为本发明的保护范围。
Claims (5)
1.一种基于轨迹相似度的转向路径提取及路网拓扑变化检测框架方法,其特征在于,包括以下步骤:
步骤S1:对检测区域的所有轨迹两两进行相似度度量,生成相似度矩阵;
步骤S2:基于步骤S1产生的相似度矩阵,使用DBSCAN算法对所有轨迹进行聚类生成转向簇;
步骤S3:基于步骤S2生成的转向簇,提取各转向簇的中心线,获得代表各簇的转向路径;
步骤S4:基于步骤S3获得的道路交叉口转向路径,提取相关的路网凸包,并使用HMM模型,与原始路网进行地图匹配,检测发生拓扑变化的路网区域。
2.根据权利要求1所述的基于轨迹相似度的转向路径提取及路网拓扑变化检测框架方法,其特征在于,所述步骤S1具体包括:
Fréchet距离是目前测量两条曲线之间相似度的常用方法,因此,定义任意两条轨迹Tra和Trb的相似度为f(Tra,Trb)=dFréchet(Tra,Trb),生成弗雷歇相似度矩阵 考虑道路网络中交叉口大小不一,聚类时不能用统一的相似距离阈值评测轨迹间的相似性;因此,设计自适应相似距离阈值代替统一阈值,表示为ζ=弗雷歇距离矩阵的中位数/β,经多次观测实验确定β=3.5时能获得较好的聚类效果;此外,鉴于使用Fréchet(弗雷歇)距离难以区分不同的转向类型,将轨迹位置和方向权值的比较引入相似性评测过程,分别计算各轨迹间的起点夹角和终点夹角:如果起点或终点的夹角大于15度,则方向权重为1,否则方向权重为0,产生方向权重矩阵与此同时,分别计算各轨迹间的起点距离和终点距离,如果起点或终点的位置距离大于20米,则位置权重为1,否则位置权重为0,产生位置权重矩阵
最终的相似度矩阵表示为TSM=MFréchet+(Wdirection+Wlocation)*ζ。
3.根据权利要求1所述的基于轨迹相似度的转向路径提取及路网拓扑变化检测框架方法,其特征在于,所述步骤S2包括:
DBSCAN聚类方法有两个重要参数min_sample与eps;设定min_sample=3,表示至少有3条相似的轨迹聚成一类;设定eps=ζ,表示当轨迹间的相似度距离小于相似度阈值ζ时两条轨迹相似,最终由轨迹相似度矩阵聚类获得不同的转向簇。
4.根据权利要求1所述的基于轨迹相似度的转向路径提取及路网拓扑变化检测框架方法,其特征在于,所述步骤S3具体包括:
为了加快中心线的拟合效率,首先在各簇中随机采样了k条轨迹作为候选参照轨迹,计算当前候选参照轨迹与其余候选参照轨迹的弗雷歇距离的和,并取与其他轨迹间弗雷歇距离和最小的轨迹作为正式的参照轨迹;随后使用force-attraction方法对该参照轨迹中的点进行调整获得中心线,最后用B-spline方法对中心线进行平滑,得到各簇的转向路径。
5.根据权利要求1所述的基于轨迹相似度的转向路径提取及路网拓扑变化检测框架方法,其特征在于,所述步骤S4具体包括:
步骤4.1),由提取的转向路径覆盖范围获取对应道路交叉口的子路网凸包;
步骤4.2),将转向路径进行分类,考虑允许掉头的交叉路口其转向路径通常位于平行道路的中间,在Map Matching时容易被误匹配到其领近的平行道路上,因此将路口的转向路径分为掉头与非掉头两类,其中,将转向路径起点和终点的方向差在130°以上的视为掉头路径;
步骤4.3),利用原始路网与转向路径进行匹配,发现异常路段;首先对转向路径上的各个点设定搜索半径默认为25米,在该半径内的路网路段即为可能匹配的路段;根据HMM方法,将转向路径上的点作为观测变量,将相应的路网作为每个点的隐变量;然后,利用转向路径上的点与其搜索半径内的相关路网路段的欧式距离建立观测概率;同时,由路网路段上的前后两个点的距离与转向路径上的前后两个点的距离差计算得到状态转移概率,距离越接近,则状态转移概率越大;最后,使用Viterbi算法获得概率最大的路径,通过该路径判断转向中心线与路网的匹配程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010059781.7A CN111291790B (zh) | 2020-01-19 | 2020-01-19 | 一种基于轨迹相似度的转向路径提取及路网拓扑变化检测框架方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010059781.7A CN111291790B (zh) | 2020-01-19 | 2020-01-19 | 一种基于轨迹相似度的转向路径提取及路网拓扑变化检测框架方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111291790A CN111291790A (zh) | 2020-06-16 |
CN111291790B true CN111291790B (zh) | 2021-03-26 |
Family
ID=71024243
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010059781.7A Active CN111291790B (zh) | 2020-01-19 | 2020-01-19 | 一种基于轨迹相似度的转向路径提取及路网拓扑变化检测框架方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111291790B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024120653A1 (en) * | 2022-12-07 | 2024-06-13 | Mercedes-Benz Group AG | System and method for classifying intersections based on sensor data from fleet vehicles |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112182408A (zh) * | 2020-10-28 | 2021-01-05 | 广东小天才科技有限公司 | 一种行动轨迹的呈现方法、系统、终端设备和存储介质 |
CN112328718B (zh) * | 2020-10-31 | 2022-05-17 | 武汉中海庭数据技术有限公司 | 一种基于车辆动态轨迹跟踪的道路拓扑构建系统和方法 |
CN114970649B (zh) * | 2021-02-23 | 2024-07-26 | 广东精点数据科技股份有限公司 | 一种基于聚类算法的网络信息处理方法 |
CN112683286A (zh) * | 2021-03-16 | 2021-04-20 | 季华实验室 | 拓扑路网地图的建立方法、系统、存储介质及电子设备 |
CN113375685B (zh) * | 2021-03-31 | 2022-09-30 | 福建工程学院 | 基于子轨迹相交的城市路口中心识别及路口转弯规则提取方法 |
US11703870B2 (en) | 2021-05-11 | 2023-07-18 | Toyota Research Institute, Inc. | Method for computing maneuvers drivable space using piecewise semantic aggregation of trajectories |
CN113902200B (zh) * | 2021-10-14 | 2024-07-12 | 中国平安财产保险股份有限公司 | 一种路径匹配方法、装置、设备及计算机可读存储介质 |
CN114201997B (zh) * | 2022-02-17 | 2022-06-14 | 深圳依时货拉拉科技有限公司 | 路口转向识别方法、装置、设备及存储介质 |
CN118364314B (zh) * | 2024-06-19 | 2024-08-20 | 四川汉科计算机信息技术有限公司 | 飞行轨迹贴合度的多维度评测方法及系统、设备、介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101364259A (zh) * | 2008-04-09 | 2009-02-11 | 武汉大学 | 多层次知识驱动的全色遥感影像的道路变化信息提取方法 |
CN105788273A (zh) * | 2016-05-18 | 2016-07-20 | 武汉大学 | 基于低精度时空轨迹数据的城市交叉口自动识别的方法 |
CN107133700A (zh) * | 2017-05-12 | 2017-09-05 | 西南交通大学 | 基于R*‑tree索引的手机信令数据路网匹配方法 |
JP2018136890A (ja) * | 2017-02-24 | 2018-08-30 | 株式会社トヨタマップマスター | 道路ネットワーク変化検出装置、道路ネットワーク変化検出方法、コンピュータプログラム及びコンピュータプログラムを記録した記録媒体 |
CN108492276A (zh) * | 2018-01-29 | 2018-09-04 | 中国人民解放军战略支援部队信息工程大学 | 一种基于相似性度量的矢量道路变化检测方法及装置 |
-
2020
- 2020-01-19 CN CN202010059781.7A patent/CN111291790B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101364259A (zh) * | 2008-04-09 | 2009-02-11 | 武汉大学 | 多层次知识驱动的全色遥感影像的道路变化信息提取方法 |
CN105788273A (zh) * | 2016-05-18 | 2016-07-20 | 武汉大学 | 基于低精度时空轨迹数据的城市交叉口自动识别的方法 |
JP2018136890A (ja) * | 2017-02-24 | 2018-08-30 | 株式会社トヨタマップマスター | 道路ネットワーク変化検出装置、道路ネットワーク変化検出方法、コンピュータプログラム及びコンピュータプログラムを記録した記録媒体 |
CN107133700A (zh) * | 2017-05-12 | 2017-09-05 | 西南交通大学 | 基于R*‑tree索引的手机信令数据路网匹配方法 |
CN108492276A (zh) * | 2018-01-29 | 2018-09-04 | 中国人民解放军战略支援部队信息工程大学 | 一种基于相似性度量的矢量道路变化检测方法及装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024120653A1 (en) * | 2022-12-07 | 2024-06-13 | Mercedes-Benz Group AG | System and method for classifying intersections based on sensor data from fleet vehicles |
Also Published As
Publication number | Publication date |
---|---|
CN111291790A (zh) | 2020-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111291790B (zh) | 一种基于轨迹相似度的转向路径提取及路网拓扑变化检测框架方法 | |
CN106912018B (zh) | 基于信令轨迹的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 | |
CN106227726B (zh) | 一种基于车辆轨迹数据的路径提取方法 | |
CN104951764B (zh) | 基于二次谱聚类和hmm-rf混合模型的高速车辆行为识别方法 | |
CN110609881A (zh) | 车辆轨迹偏离检测方法、系统和存储介质 | |
CN110909788A (zh) | 一种基于统计聚类的轨迹数据中道路交叉口位置识别方法 | |
CN113932821A (zh) | 基于连续窗口平均方向特征的轨迹地图匹配方法 | |
CN112906812A (zh) | 基于带离群点去除的车辆轨迹聚类方法 | |
CN111209805B (zh) | 车道线众包数据的多道路片段数据的快速融合优化方法 | |
CN115265555B (zh) | 基于隐马尔科夫的多噪声感知的地图匹配校正方法及系统 | |
CN112749242A (zh) | 一种基于共享单车gps数据的路网拓扑重建方法 | |
CN113516105B (zh) | 一种车道检测方法、装置及计算机可读存储介质 | |
CN109033239B (zh) | 一种基于最小二乘优化的路网结构生成方法 | |
CN111123333B (zh) | 一种融合卡口和gps数据的车辆轨迹定位方法 | |
CN108344997B (zh) | 一种基于点迹特征的道路护栏快速检测方法 | |
CN116071722A (zh) | 基于路段轨迹的车道几何信息提取方法、系统、设备及介质 | |
CN112560915A (zh) | 一种基于机器学习的城市快速路交通状态识别方法 | |
Zhao et al. | Automatic calibration of road intersection topology using trajectories | |
Tang et al. | A novel method for road intersection construction from vehicle trajectory data | |
CN112364890B (zh) | 利用出租车轨迹制作城市可导航路网的交叉口引导方法 | |
CN112507867B (zh) | 一种基于EDLines线特征的车道线检测方法 | |
CN113514072A (zh) | 一种面向导航数据与大比例尺制图数据的道路匹配方法 | |
CN115731261A (zh) | 基于高速公路雷达数据的车辆换道行为识别方法及系统 | |
CN110081890B (zh) | 一种结合深度网络的动态k最近邻地图匹配方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |