CN111340908A - 一种轨道电子地图生成方法 - Google Patents

Abstract

本发明公开的实施例公开了一种轨道电子地图生成方法，包括获取轨道线路的离散点位置数据和载体的姿态数据；基于所述载体的姿态数据，确定轨道线路的几何线型；对所述几何线型拟合；基于拟合后的几何线型，生成轨道电子地图。降低了测量中对高精度位置传感器的要求，减少了大量重复的人工测量环节，弥补了信号不佳区域可能存在的误测和漏测，同时减少了方向角、曲率的计算过程，提高了拟合精度，避免了因线型识别不准确导致的拟合误差。

Description

一种轨道电子地图生成方法

技术领域

本发明涉及轨道电子地图构建技术领域，具体地涉及一种轨道电子地图生成方法。

背景技术

轨道电子地图构建是通过数据采集、数据处理、电子地图模型设计、轨道线路拟合等方法生成轨道电子地图的过程，在辅助列车定位、铁路既有线路复测、扩能改造工程中对新建和改造轨道的地图更新等方面有重要意义。

轨道电子地图构建中常用的测量数据是通过高精度GPS位置传感器或实时动态差分RTK(Real Time Kinematic)技术对轨道线路中心线位置数据进行采集，得到轨道线路的一系列位置离散点。数据测量方法包括直接测量法、间接测量法和复合测量法。直接测量法即直接通过GPS采集轨道线路离散点数据，这种离散点位置数据的采集方法操作简单，能在一定程度上反映轨道线路信息，但对位置传感器精度要求高；需要大量的人工参与；在信号遮挡区域如隧道等无法测量，存在遗留误差。间接测量方法，结合可测线路数据和线路设计文档，对不可测线路数据进行间接计算，该方法要求设计文档与施工情况一致，且需要大量的资料检索和比对工作；复合测量法采用位置传感器测量的基础上定点长时间测量得到相对高精度的测量数据点并采集日常调车过程中记录的行车轨迹，但这种测量方法一方面增加了测量工作量；另一方面测量的轨迹数据不能准确地反映线路的几何特征。

轨道线路几何模型可分为直线和曲线两大类。目前主要的轨道几个模型有以下三种：(1)采用分段直线的思想，将曲线路段划分成多个子段，每个子段采用直线近似表示，以降低轨迹拟合误差；(2)为了对曲线拟合进行优化，部分研究人员提出描述曲线路段的参数模型，采用三次B样条曲线对轨迹进行拟合；(3)根据轨道几何特性，将轨道划分为直线、圆曲线和缓和曲线，这类表示方法对线路识别和分割点划分要求较高，若不能给出准确的线型识别方法，则轨迹拟合的精度难以保证。

在轨道线路自动提取过程中，常用的方法有基于约束条件的线路拟合、样条曲线拟合、多轨迹拟合、分段拟合法、最小二乘法等。基于约束条件的线路拟合方法包括关键点约束、几何距离约束、误差约束。上述方法都是在已经准确划分线段的基础上，对区段内曲线进行单一模式的拟合，曲线拟合中缺少动态调整过程，若线段划分不合理，则该方法会形成较大误差。

发明内容

(一)发明目的

本发明的目的是克服现有技术的缺陷，提供一种轨道电子地图生成方法。

(二)技术方案

为解决上述问题，本发明第一方面提出一种轨道电子地图生成方法，包括：获取轨道线路的离散点位置数据和载体的姿态数据；基于所述载体的姿态数据，确定轨道线路的几何线型；对所述几何线型拟合；基于拟合后的几何线型，生成轨道电子地图。

本发明第二方面提出一种终端设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面的方法。

(三)有益效果

本发明一种轨道电子地图生成方法，包括获取轨道线路的离散点位置数据和载体的姿态数据；基于所述载体的姿态数据，确定轨道线路几何线型；对所述几何线型拟合；基于拟合后的几何线型，生成轨道电子地图。降低了测量中对高精度位置传感器的要求，减少了大量重复的人工测量环节，弥补了信号不佳区域可能存在的误测和漏测。同时减少了方向角、曲率的计算过程；提高了拟合精度，避免了因线型识别不准确导致的拟合误差。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明具体实施方式所述的铁道线路平面模型图；

图2为本发明具体实施方式所述的直线平面模型图；

图3为本发明具体实施方式所述的圆曲线平面模型图；

图4为本发明具体实施方式所述的缓和曲线平面模型图；

图5为本发明具体实施方式所述的LSMOPSO算法流程图；

图6为本发明具体实施方式所述的改进最小二乘拟合算法流程图；

图7为本发明具体实施方式所述的轨道几何线路自动提取系统流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。

一种轨道电子地图生成方法，包括：

步骤1：获取轨道线路的离散点位置数据和载体的姿态数据；

所述载体的姿态数据包括载体的航向角数据。测量线路数据时采用位置传感器和运动传感器的多传感器组合系统对轨道中的位置和运动姿态数据进行测量。

基于运动传感器的数据采集方法已经广泛用于人体运动状态判别领域，在轨道电子地图数据测量中，多传感器组合测量系统在测量位置信息的基础上，还可以测量运动姿态信息，一方面为线型判别提供依据，另一方面，可以通过信息的组合解算，提高位置精度和几何线型拟合效果。

步骤2：基于所述载体的姿态数据，确定几何线型；具体为基于所述载体的姿态数据，识别轨道线路的几何线型为直线或曲线；本申请的线型识别方法减少了方向角、曲率的计算过程。

基于所述载体的航向角，确定几何线型为直线线型状态下的航向角均方差以及几何线型为曲线状态下的航向角均方差；

基于直线状态下的航向角均方差以及曲线状态下的航向角均方差，确定均方差极差最大时的航向角，将所述均方差极差最大时的航向角作为航向角阈值；

比较航向角与所述航向角阈值的大小，航向角绝对值不大于所述航向角阈值，确定几何线型为直线，航向角绝对值大于所述航向角阈值，确定几何线型为曲线。

为了适应复杂多变的地形、满足行车安全和列车舒适度要求，铁道线路在设计中包括直线及直线转角处连接直线的曲线，直线和曲线构成了铁道线路平面的基本组成要素。在曲线中会产生离心力，为了保证行车安全，在直线和圆曲线中引入缓和曲线，其半径和外轨超高逐渐增大，使离心力和向心力互相配合，保证列车在转弯过程中平稳过渡。综上，铁道线路的平面线型为“直线-缓和曲线1-圆曲线-缓和曲线2-直线”。圆曲线有固定的转弯半径R和外轨超高h；缓和曲线1为直线到圆曲线的过渡曲线，其半径由无限大∞渐变到其所衔接的圆曲线的半径R，外轨超高由零增加到圆曲线需要的超高量h；与缓和曲线1相反，缓和曲线2的半径由R增加到∞，外轨超高由h减小到0。铁道线路平面基本模型如附图1所示，相关参数如表1所示。图1为铁道线路平面模型图，根据我国铁道线路设计标准，铁道线路由三种基本几何形状组成，分别为直线、圆曲线和缓和曲线，如图1所示，圆曲线的半径R和外轨超高h固定，缓和曲线的半径和外柜超高逐渐增加，半径由∞逐渐增加到R，外轨超高由0增加到h。

图1中，

为直线和缓和曲线1的分割点，

为缓和曲线1和圆曲线的分割点，

为圆曲线和缓和曲线2的分割点，

为缓和曲线2和圆曲线的分割点(x₀,y₀)为圆曲线的圆心。

表1铁道线路参数

平面线型	半径	外轨超高
			直线	∞	0
缓和曲线1	∞->R	0->h
			圆曲线	R	h
缓和曲线2	R->∞	h->0

图2-4为平面模型中三种线型的详细分析图。

直线参数方程：

平面直角坐标系中直线可用二元一次方程表示，如公式(1)所示，直线平面模型如附图2所示，(x_ik,y_ik)为用于拟合直线的点，其到直线的距离为dist(x_ik)，直线斜率

截距为

点

为直线到圆曲线的分割点。

直线方程：

ax_i+by_i+c＝0 (1)

集合L_i＝{(x_i0,y_i0),(x_i1,y_i1),...,(x_im,y_im)}为第i段直线的测量点，其中任一点(x_ik,y_ik),(k＝0,1,...,m)到直线的距离为：

圆曲线参数方程：

附图3所示为圆曲线在平面直角坐标系中的示意图，设(x₀,y₀)为圆心，R为半径，(x_i1,y_i1)为缓和曲线到圆曲线的分割点，

为圆曲线到缓和曲线的分割点。

则圆曲线的方程为：

(x-x₀)²+(y-y₀)²＝R² (3)

测量点(x_ik,y_ik),(k＝0,1,...,m)到圆弧的最短距离为点到圆心的距离减去半径的绝对值：

圆曲线上任一点(x_ik,y_ik)的切线斜率如公式(4)所示，将分割点

和

代入公式(4)可求得分割点处相对圆曲线的斜率。

当y_ik＝y₀时，斜率不存在，此时可计算并比较斜率的倒数

缓和曲线参数方程

缓和曲线的线型包括回旋线、三次抛物线，双纽线、多样复曲线等，我国铁路设计中缓和曲线采用三次抛物线型，在平面直角坐标系中的示意图如附图中图4所示。点

为直线到圆曲线的分割点，(x_i1,y_i1)为缓和曲线到圆曲线的分割点。

根据《高速铁路设计规范》，铁道线路中基于三次抛物线型的缓和曲线参数方程为：

上式中，C是三次抛物线参数，该参数越大缓和曲线越缓，近似的等于圆曲线半径R与缓和曲线长度l₀的乘积。

在求解最短距离时，假设测量点(x_ik,y_ik),(k＝0,1,...,m)到缓和曲线的最短距离投影点为(x_m,y_m)，则测量点到投影点距离的平方为：

f²＝(x_m-x_ik)²+(y_m-y_ik)² (6)

对f²求导，可以求得点(x_ik,y_ik),(k＝0,1,...,m)在曲线上的最短距离投影点，即导数为0的极值点：

最短距离为：

缓和曲线上任一点(x_ik,y_ik)的切线斜率为：

步骤3：对所述几何线型拟合。线型拟合过程通过滤波和优化算法的结合，提高了拟合精度，避免了因线型识别不准确导致的拟合误差。

步骤4：基于拟合后的几何线型，生成轨道电子地图。

轨道几何线型识别和拟合：

基于模糊识别的直线识别模型

根据我国铁道线路设计标准，可将论域轨道几何线型U＝{x₀,x₁,...,x_n}分为3个模糊子集直线

圆曲线

缓和曲线

为标准模型库，

为其中一个标准模型。对任一

取定水平α∈[0,1]，则x_j对标准模型

的识别模型为：

载体运动过程中，运动传感器测量的姿态信息可以准确地描述载体运动状态的变化，而不同轨道几何中列车运动模型存在显著差异。基于这一理论，引入姿态信息进行轨道几何线型的判别。

野值修正：

由于测量过程中可能产生野值，导致误判，提出邻域野值检测法对x_j的航向角ψ(x_j)进行修正。野值表现为测量值在时序中的跳变，不能准确反映当前状态。若野值跳变超过阈值，将导致误判；若野值在阈值范围内，则不影响线型识别。

针对会导致误判的野值跳变，采用邻域检测法进行识别并采用邻域修正，修正模型如下：

上式中，τ(x_j)为x_j的观测量τ，若观测量为航向角，则τ＝ψ。N为邻域长度，在野值判别中为了检测出观测值的野值跳变而减少状态转移阶段的误判，可取N＝1。同时，若采样频率高于运动传感器测试频率，可能出现重复采样，故τ(x_k+1)为τ(x_k)之后第一个与τ(x_k)取值不同的采样值，同理，τ(x_k-1)为τ(x_k)之前第一个与τ(x_k)取值不同的采样值。

直线识别：

列车在直线中行驶时，其运动状态满足直线中的运动学约束，包括以下3个方面：

高程约束：列车在地面上行驶时，相较平面坐标系增量，高程变化可忽略不计，故假设列车行驶在平面上，其高程h为常值，天向速度V_z为0。

速度约束：列车在直线中行驶时，仅存在沿载体行进方向的速度V_y，侧向速度V_x和法向速度V_z为0。载体的三轴加速度中，仅行进方向存在加速度a_y，侧向和法向加速度均为0。

姿态约束：列车行驶过程中，可以通过陀螺仪测量三轴角速度，在直线行驶过程中，俯仰角θ、横滚角γ、航向角ψ均为0，而转弯过程中航向角发生变化。

基于上述分析，在直线识别中，选取直线和曲线行驶存在较大差异的航向角取代方向角和曲率，进行线型识别。在测量过程中，因传感器性能、测量环境等因素的影响，测量值通常包含噪声，且噪声为零均值高斯白噪声，故对航向角进行模糊阈值识别。设航线角为ψ，直线行驶的航线角上界阈值为μ；因直线状态下航向角为零均值白噪声，其对应的下界阈值为-μ。观测值x_j对直线的模糊阈值识别模型为：

上式中，若

属于直线路段；若

为曲线路段，需根据曲线特征进一步划分为缓和曲线和圆曲线。识别出的直线根据4中所述改进的最小二乘法进行拟合。

阈值μ选取

常用的阈值选取方法有超额均值函数法、峰度法、MSE等方法。在区分直线和圆曲线时，采用的主要姿态信息是航向角。在直线中，航向角处于稳定状态，仅存在零均值白噪声，而转弯过程中，航向角存在较大波动。方差是描述数据稳定性的统计量，在直线行驶的稳定状态中，方差较小，而转弯过程中，航向角方差较大。若阈值选取过小，则转弯过程的航向角中混入大量稳态数据，导致方差变小，而阈值选取过大时，直线状态的航向角波动增大，这两种情况都会导致曲线航向角均方差与直线对应均方差的残差减小。

设航向角测量值为P＝{p₀,p₁,...,p_n}，直线状态的航向角均方差为σ₁，曲线状态的航向角均方差为σ₂，则最优阈值为使均方差残差最大的点，基于均方差极差最大化思想的阈值选取模型为：

上式中，k₁为P中比μ小的p_i的数量，k₂为P中比μ大的p_i的数量。

基于LSMOPSO的曲线拟合及优化：

在识别出直线和曲线的基础上，进一步对曲线中的缓和曲线和圆曲线进行识别。根据铁道线路设计标准，圆曲线外轨超高h固定，而缓和曲线外轨超高渐变，故缓和曲线中产生天向速度、垂向加速度、俯仰角变化。但为了不影响乘客舒适度，外轨超高根据转弯半径进行设置，一般不超过1.5m。列车在速度160(公里/小时)的I级铁路中，最小曲线半径为1600～2000m，相较速度和半径而言，圆曲线和缓和曲线中由外轨超高引起的姿态差异可忽略不计，故基于姿态信息的线型识别不适用于圆曲线和缓和曲线的识别。

在附图1所示的铁道线路平面模型图中，曲线部分为点

到点

部分。设论域

为第i段曲线的测量点集合，由m个离散点组成，根据曲线的集合模型，将曲线C_i划分成3段，取分割点

和

拟合的曲线记为：

其中，f_i1(x_k)为直缓曲线，f_i2(x_k)为圆曲线，f_i3(x_k)为缓直曲线。圆曲线和缓和曲线划分的关键在于求解

和

曲线拟合的主要目的是根据测量值，采取适当的拟合算法，拟合出尽可能符合真实轨迹的集合线型，曲线拟合包括两个基本要求：(1)拟合误差尽可能小，即离散点到拟合曲线的投影距离尽可能小；(2)曲线间的交点尽量平滑，平顺性可通过斜率差来表示。由此可以得到两个目标函数。

多目标粒子群优化算法(MOPSO)是一种以粒子群算法为基础来求解多目标问题的方法，在复杂优化问题的求解中，具有效率高、可靠性和鲁棒性好等优点。可用于含两个及以上目标函数的最佳分割点

和

的求解。可采用MOPSO算法进行求解。

论域内任一点x_k到拟合曲线的投影距离为dist(x_k)，拟合曲线y_i＝f_in(x_k),(n＝1,2,3)在点x_k处的切线斜率为k_nk。多目标粒子群优化模型如下：适应度函数：

约束条件：

f_disti和f_δk分别为距离差和斜率相关的目标函数，

以投影距离和最小为目标，F_δk以斜率差最小为目标。

直缓曲线与圆曲线的分割点

在圆曲线与置换曲线的分割点

之前，离散点x_k在论域C_i＝{x_i0,x_i1,...,x_im}内。

设d维目标搜索空间中有n个粒子组成粒子群体X＝{x₁,x₂,...,x_n}，其中第i个粒子的位置表示为d维向量x_i＝{x_i1,x_i2,...,x_id},i＝1,2,..,n，第i个粒子的飞行速度表示为d维向量v_i＝{v_i1,v_i2,...,v_id},i＝1,2,..,n，第i个粒子搜索到的个体最优位置即个体极值为d维向量pbest_i＝{p_i1,p_i2,...,p_id},i＝1,2,..,n，整个粒子群到的群体最优位置即全局极值为d维向量gbest_i＝{g_i1,g_i2,...,g_id},i＝1,2,..,n，寻优过程中的粒子x_i的位置和速度更新过程如下：

公式(18)分别为速度更新公式和位置更新公式，w为惯性权重，c₁、c₂为学习因子，r₁、r₂为[0,1]之间的随机数。

图5为LSMOPSO算法流程图，包括初始化、更新、终止判别三个部分。本发明提出的LSMOPSO算法主要用于曲线中圆曲线和缓和曲线的优化识别与拟合，根据算法模型，以最小化点到拟合曲线的距离和最小化分割点处的斜率差为目标函数；在初始化过程中，初始化与多目标粒子群相关的各个参数以及缓和曲线与圆曲线的分割点；在适应度计算时采用改进最小二乘拟合对当前分割点条件下点到拟合曲线的距离

和斜率差f_δk进行计算；更新过程中根据多目标粒子群的更新算法，更新粒子的位置和速度，计算新的分割点，并重新拟合曲线、计算适应；最后根据终止判别条件终止算法。

基于LSMOPSO的最佳分割点

和

求解步骤流程图如附图5所示：

初始化：

Step 1：初始化粒子群规模n、每个粒子的位置x_i和速度v_i；

初始适应度计算：

Step 2：在得到位置分割点

的基础上，分别对缓和曲线1、圆曲线、缓和曲线2进行改进的最小二乘拟合，具体拟合方法见第4节所述；

Step 3：计算适应度值

f_δk，将其非劣解加入到外部档案N_p中；

Step 4：确定粒子的初始个体最优pbest和初始全局最优gbest；

更新：

Step 5：根据位置和速度更新公式更新粒子的v_i和位置x_i

Step 6：重复Step 2-3，重新计算各个粒子的适应度函数，根据新的非劣解维护外部档案N_p；

Step 7：调整各个粒子的pbest和群体的gbest；

终止判别：

Step 8：判断是否满足终止条件，不满足则跳转至Step 5，否则输出结果。

多目标优化与单目标优化的区别在于不存在唯一的全局最优解，通过LSMOPSO算法将得到一个可行的非劣解集，在得到非劣解集的基础上需要设计全局最优解gbest的选择策略，常用的选择方法有最邻近密度估计和核密度估计等。曲线拟合的主要目标是使拟合之后域内任一点x_k到拟合曲线的投影距离和

最小，而分割点处斜率差f_δk为平顺性约束，拟合线路在分割点处不产生跳跃即可。故在最佳分割点选取中采用极值法，即在非劣解集中选择

最小的解作为MOPSO的全局最优解gbest。

基于改进最小二乘的线型拟合算法：

最小二乘法是一种常用的曲线拟合方法，其基本思想是根据一系列离散点(x_i,y_i)，求近似曲线函数y＝S^*(x)，使观测点到曲线拟合点的残差平方和最小，则该函数为最小二乘拟合曲线函数。

在采用GNSS传感器进行位置测量时，由于环境的影响，如遮挡、隧道、多径效应等，在部分信号不佳的路段位置数据可能存在漏测、存在较大偏差或存在成片不规则的野值，影响曲线拟合效果，而3.1.1中提出的野值领域检测法并不适用于成片野值的处理。1中的数据采集方案中同时采集了位置数据和运动姿态数据，可以通过kalman滤波对两组数据进行组合，提高位置精度，消除误测、漏测和成片野值的影响。

已知kalman滤波组合后的位置离散点为(x_i,y_i)，i＝0,1,2,...,m，设拟合曲线函数为y＝S^*(x)，记数据点i到拟合曲线的残差为δ_i，i＝0,1,2,...,m，曲线拟合整体误差为

则系统误差项如下：

要使残差和最小，曲线拟合的目标函数为：

改进最小二乘线型拟合步骤如下：

Step 1：采用kalman滤波对位置数据和姿态数据进行组合，优化位置数据；

Step 2：确定多项式曲线形式：

用矩阵表示为：

S(x)＝AX₀ (22)

其中，A＝[a₀,a₁,a₂,...,a_m]为多项式待定系数。

Step 3：曲线拟合：

将公式(21)代入公式(20)可得残差的平方和为：

曲线拟合问题转化为求公式(23)的极小值点，根据

可得：

整理上式可得：

整理成矩阵形式为XA^T＝Y，其中：

根据已知离散点集(x_i,y_i)，i＝0,1,2,...,m，计算待定参数：

A^T＝X^-1Y (27)

代入公式(21)可得曲线多项式。

改进最小二乘曲线拟合的算法流程图如附图中图6所示，图6为改进最小二乘拟合算法流程图，该算法包括数据预处理和曲线拟合两个过程。在数据预处理过程中，采用位置传感器和运动传感器的数据进行kalman滤波，提供经度更高的位置数据，并根据确定的多项式曲线形式，根据残差平方和最小原则进行最小二乘拟合。与传统的曲线拟合算法相比，该方法能通过运动传感器修正位置数据，降低误测、漏测数据对拟合效果的影响。

图7为轨道几何线路自动提取系统流程图，该系统模块包括：多传感器信息采集模块、数据优化模块、基于模糊与之识别的直线和曲线识别模块、线型拟合模块以及线型分析模块。该轨道线路自动提取模块通过多传感器信息采集模块和数据优化模块为线型识别和线型拟合模块提供有效、可靠的数据。线型分析模块确定了多线多项式参数形式，为线型拟合提供参数模型。基于模糊阈值识别的直线和曲线识别模块采用航向角取代方向角和曲率，减少计算复杂度，针对野值设计邻域野值检测方法和均值修正方法，并基于均方差极差思想设计了适应性更好的阈值选取方法。根据上述方法，可以提取出直线和曲线。在提取出直线和曲线的基础上，由线型拟合模块对三种线型进行拟合，其中直线可以直接采用改进的最小二乘进行拟合，而缓和曲线和圆曲线因为分割点尚未确定，设计了LSMOPSO算法将线型拟合和分割点确定结合起来，根据多目标函数不断优化分割点位置和拟合结果，最终，在拟合完所有线型的基础上形成轨道电子地图。

轨道几何线路自动提取系统流程：

基于上述方法，提出的轨道几何线路自动提取系统具体流程如附图中图7所示，执行过程分为以下几个步骤：

Step 1：采用GPS和IMU的多传感器数据采集系统采集轨道中的位置和运动姿态数据，为线路是被提供参考依据。

Step 2：采用kalman滤波将位置数据和运动姿态数据进行组合，提高位置数据精度，为线型拟合提供更可靠是数据。

Step 3：分析铁道线路平面结构，确定轨道几何线型和各线型的曲线参数方程，包括直线、圆曲线、缓和曲线；同时分析各线型中离散点到拟合线段的投影距离和曲线斜率计算方法，为改进最小二乘拟合和LSMOPSO提供数据支撑。

Step 4：对直线和曲线进行模糊阈值识别。针对航向角存在野值的问题，提出了邻域野值检测法和均值修正法；在修正野值的基础上，提出模糊阈值识别模型；最后，针对模糊识别中的航向角阈值，根据均方差极差思想提出自适应阈值选取方法。

Step 5：对直线和曲线分别进行拟合。其中直线直接采用4中所述方法进行拟合，首先对采集的位置数据进行kalman滤波，再用滤波得到的高精度位置数据进行最小二乘拟合；曲线采用LSMOPSO算法，以离散点到拟合曲线距离最小和分割点处斜率差最小为目标函数，定义了非劣解集中选取最优解的标准，从而确定缓和曲线与圆曲线的最佳分割点，并对两种曲线进行拟合。

经过上述5个步骤，分别对线路中的直线、圆曲线和缓和曲线进行了识别和拟合，得到了轨道电子地图的平面模型。

本发明在数据采集中，采用位置传感器和运动传感器的多传感器组合模式，在采集轨道线路离散数据点的基础上，测量运动过程中的姿态信息，减少数据处理过程中对方位角、曲率的计算。在线型提取中，首先对直线、缓和曲线、圆曲线进行初步识别，通过航向角模糊识别对直线进行提取并拟合，其次对缓和曲线和圆曲线提取采用LSMOPSO算法进行分割点优化。同时根据我国铁道线路设计标准定义平面线型对应的多项式曲线模型，并利用kalman滤波对最小二乘法进行改进，利用改进的最小二乘法对三种线型进行拟合，得到轨道电子地图。

相对于传统轨道地图构建中的数据测量过程而言，采用多传感器组合的方式进行测量，为线路自动提取提供更多源的参考信息，降低了测量中对高精度位置传感器的要求，减少了大量重复的人工测量环节，弥补了信号不佳区域可能存在的误测和漏测。

分析了适合我国铁路设计标准的铁线路平面模型和曲线多项式参数方程，并分析了离散点到曲线的最短距离和分割点处的斜率，据此提出了开两个曲线拟合的目标函数，为曲线拟合提供了有效性判别标准。

在直线识别过程中，采用运动姿态信息即航向角作为识别依据，相较传统识别方法而言减少了方向角、曲率的计算过程。

在直线和曲线的识别中，设计了基于姿态信息的模糊识别模型，并根据与航向角特征，基于均方差极差设计了阈值选取方法，与传统的统计学、经验阈值等方法相比，具有更强的自适应性，能在不同噪声条件下提取更合理的阈值，从而减少识别过程中的误判。

针对影响识别结果的跳变阈值，设计了邻域检测法进行识别，并采用均值进行野值修正。

传统的曲线识别方法一般有两种：(1)计算曲率或半径变化率，确定圆曲线和缓和曲线的分割点，在采用曲线拟合方法进行拟合；(2)设计单目标函数，采用迭代的方法计算该目标函数下的最优解。针对缓和曲线和圆曲线识别困难的问题，提出了LSMOPSO算法，在通过粒子群优化分割点的同时通过改进最小二乘对缓和曲线和圆曲线进行拟合，并以2中提到了两个目标函数使拟合效果达到最佳。LSMOPSO算法将分割点识别和曲线拟合过程结合起来，并根据实际情况设计多目标优化方法。相较传统的曲线拟合方法而言，存在以下优势：减少了分割点确定过程中的计算复杂度；采用智能算法进行优化，提高了优化效率；将曲线拟合与分割点优化结合起来，避免了分割点确定误差导致的线路拟合不足。

在线段拟合中，对最小二乘拟合法进行改进，针对测量数据误差对拟合效果的影响，采用kalman滤波对最小二乘的数据进行优化，且结合了位置数据和姿态数据，使数据经度更高，能降低测量误差(如信号不佳路段的成片野值等)和单一数据源误差对拟合效果的影响。

显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.一种轨道电子地图生成方法，包括：

获取轨道线路的离散点位置数据和载体的姿态数据；

基于所述载体的姿态数据，确定轨道线路的几何线型；

对所述几何线型拟合；

基于拟合后的几何线型，生成轨道电子地图。

2.根据权利要求1所述的轨道电子地图生成方法，其中，所述载体的姿态数据包括载体的航向角数据。

3.根据权利要求1所述的轨道电子地图生成方法，其中，基于所述载体的姿态数据，确定轨道线路几何线型包括：

基于所述载体的姿态数据，识别轨道线路的几何线型为直线或曲线。

4.根据权利要求3所述的轨道电子地图生成方法，其中，基于所述载体的姿态数据，识别轨道线路的几何线型为直线或曲线，包括：

基于所述载体的航向角，确定几何线型为直线线型状态下的航向角均方差以及几何线型为曲线状态下的航向角均方差；

基于直线状态下的航向角均方差以及曲线状态下的航向角均方差，确定均方差极差最大时的航向角，将所述均方差极差最大时的航向角作为航向角阈值；

比较航向角与所述航向角阈值的大小，航向角绝对值不大于所述航向角阈值，确定轨道线路的几何线型为直线，航向角绝对值大于所述航向角阈值，确定几何线型为曲线。

5.根据权利要求1所述的轨道电子地图生成方法，其中，对几何线型拟合，包括：

利用最小二乘法对所述直线拟合；

利用多目标粒子群算法确定所述曲线的最优分割点，基于所述最优分割点确定曲线包含的缓和曲线和圆曲线，利用最小二乘法分别对所述缓和曲线或圆曲线拟合。

6.根据权利要求3所述的轨道电子地图生成方法，其中，在基于所述载体的姿态数据，确定直线线型和曲线线型之前还包括修正航向角的野值。

7.根据权利要求4所述的轨道电子地图生成方法，其中，所述利用最小二乘法对所述直线拟合，包括：

对所述离散点位置数据和载体的姿态数据组合，生成组合数据；

基于所述组合数据，确定关于直线的多项式和关于直线的拟合目标函数；

基于关于直线的多项式和关于直线的拟合目标函数，拟合直线。

8.根据权利要求6所述的轨道电子地图生成方法，其中，所述利用多目标粒子群算法确定所述曲线的最优分割点，基于所述最优分割点确定缓和曲线和圆曲线，利用最小二乘法分别对所述缓和曲线或圆曲线拟合包括：

对所述离散点位置数据和载体的姿态数据组合，生成组合数据；

利用多目标粒子群算法确定所述曲线的最优分割点；

基于所述最优分割点确定缓和曲线和圆曲线，基于所述组合数据分别确定关于缓和曲线的多项式、关于缓和曲线的拟合目标函数、关于圆曲线的多项式和关于圆曲线的目标函数；

基于关于缓和曲线的多项式和关于缓和曲线的拟合目标函数，拟合缓和曲线；

基于关于圆曲线的多项式和关于圆曲线的拟合目标函数，拟合圆曲线。

9.根据权利要求2所述的轨道电子地图生成方法，其中，所述利用多目标粒子群算法确定所述曲线的最优分割点，包括：

基于离散点到曲线的距离和曲线分割点的斜率，分别建立离散点到曲线的距离最小的目标函数和分割点处斜率差最小的目标函数；

定义非劣解集中选取最优解的标准，确定最优分割点。

10.一种终端设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一所述的方法。

Images