CN111397604B - 一种分析轨迹数据的方法、相关设备及存储介质 - Google Patents
一种分析轨迹数据的方法、相关设备及存储介质 Download PDFInfo
- Publication number
- CN111397604B CN111397604B CN202010492509.8A CN202010492509A CN111397604B CN 111397604 B CN111397604 B CN 111397604B CN 202010492509 A CN202010492509 A CN 202010492509A CN 111397604 B CN111397604 B CN 111397604B
- Authority
- CN
- China
- Prior art keywords
- inertial navigation
- road section
- data
- road
- equipment
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000005856 abnormality Effects 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 61
- 238000012545 processing Methods 0.000 claims description 41
- 238000007405 data analysis Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 11
- 230000008859 change Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000012360 testing method Methods 0.000 description 8
- 238000006880 cross-coupling reaction Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000008878 coupling Effects 0.000 description 6
- 238000010168 coupling process Methods 0.000 description 6
- 238000005859 coupling reaction Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000013523 data management Methods 0.000 description 3
- 230000002441 reversible effect Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005339 levitation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
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
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
-
- 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
- G01C21/20—Instruments for performing navigational calculations
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Navigation (AREA)
Abstract
本申请实施例涉及云服务领域，并提供一种分析轨迹数据的方法、相关设备及存储介质，该方法包括：从至少一个第一终端获取运动设备的轨迹数据，所述轨迹数据包括至少一种路段特征的路段中所述运动设备的轨迹；按照路段特征，根据所述轨迹数据和第一路网地图数据推算所述运动设备在各路段的候选位置；根据所述候选位置和所述候选位置对应的第二路网地图数据，确定所述运动设备的实际位置；根据所述候选位置和所述实际位置之间的位置误差，确定存在导航异常的目标路段。本方案能够惯导参数的准确率和提高调优的效率。
Description
技术领域
本申请实施例涉及云服务技术领域，尤其涉及一种分析轨迹数据的方法、相关设备及存储介质。
背景技术
在传统的车导航中，一般是针对众多类型的路段分别进行全量路测，然后基于全量路测的数据训练惯导参数。
在对现有技术的研究和实践过程中，本申请实施例的发明人发现，由于用于训练惯导参数的数据都是基于全量路测，而道路种类繁多、且因城市建设或环境因素等使得路段的数据更新速度较快，路测的数据只有频繁更新才能保证惯导参数的准确性。而基于现有的路测方式去更新惯导参数的效率较低，且无法批量适用于每个车的惯导系统，只能进行全量路测，因而进一步的加剧惯导参数的更新效率和更新难度。由此可见，目前的惯导参数的更新效率较低且准确性一般。
发明内容
本申请实施例提供了一种分析轨迹数据的方法、相关设备及存储介质，能够提高惯导参数的准确率和提高调优的效率。
第一方面中，本申请实施例提供一种分析轨迹数据的方法，所述方法应用于云平台；所述方法包括：
从至少一个第一终端获取运动设备的轨迹数据，所述轨迹数据包括至少一种路段特征的路段中所述运动设备的轨迹；
按照路段特征，根据所述轨迹数据和第一路网地图数据推算所述运动设备在各路段的候选位置；
根据所述候选位置和所述候选位置对应的第二路网地图数据，确定所述运动设备的实际位置；
根据所述候选位置和所述实际位置之间的位置误差，确定存在导航异常的目标路段。
一些实施方式中，所述路段特征为高架，所述方法还包括：
根据所述候选位置确定所述第二地图中所述候选位置所在路段的路段特征；
当所述路段特征为高架时，根据所述远动设备的轨迹角度和所述路段特征确定所述运动设备是否符合上高架条件。
一些实施方式中，所述方法还包括：
根据所述候选位置确定所述第二地图中所述候选位置所在路段的路段特征；
当所述路段特征为建筑物时，根据所述候选位置和所述路段特征确定所述候选位置为无效位置。
一些实施方式中，所述方法还包括：
当所述路段特征为环形路段时，分别计算每次环行时所述运动设备的环行角度；
获取所述运动设备在所述环形路段中的部分或全部次数环行时的航向角误差，所述航向角误差是指所述轨迹数据与所述环形路段在每一个轨迹点的累计航向误差。
一些实施方式中，所述基于所述轨迹数据对所述惯导模块进行训练，以得到目标惯导参数，包括：
获取历史时段内所述传感器采集的姿态数据；
根据所述姿态数据得到角速度输入矩阵；
根据所述角速度输入矩阵得到所述终端转正转时所述传感器的第一输出值、所述终端反正转时所述传感器的第二输出值；
根据所述第一输出值和所述第二输出值得到所述传感器的三轴零度漂移值和三轴标度因子；
根据所述三轴零度漂移值、所述三轴标度因子以及所述传感器的输出值，得到所述目标惯导参数。
一些实施方式中，所述传感器包括第一轴、第二轴和第三轴；所述根据所述三轴零度漂移值、所述三轴标度因子以及所述传感器的输出值，得到所述目标惯导参数，包括：
根据第一轴的输入值和预设训练表达式，得到所述第一轴的第一输出值；根据第二轴的输入值和所述预设训练表达式，得到所述第二轴的第二输出值；以及根据第二轴的输入值和所述预设训练表达式，得到所述第三轴的第三输出值；
根据所述预设训练表达式、所述第一输出值、所述第二输出值以及第三输出值，得到所述传感器的交叉耦合系数。
一些实施方式中，根据第一轴的输入值、第二轴的初始输出值和第三轴的初始输出值，得到所述第一轴的输出值表达式；根据第二轴的输入值、第一轴的初始输出值和第三轴的初始输出值，得到所述第二轴的输出值表达式；以及根据第三轴的输入值、第一轴的初始输出值和第二轴的初始输出值，得到所述第三轴的输出值表达式；
根据所述第一轴的输出值表达式、所述第二轴的输出值表达式、所述第二轴的输出值表达式、所述第一输出值、所述第二输出值以及所述传感器的角速度，得到所述传感器的交叉耦合系数。
第二方面中，本申请实施例提供一种数据分析装置，具有实现对应于上述第一方面提供的分析轨迹数据的方法的功能。所述功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。硬件或软件包括一个或多个与上述功能相对应的模块，所述模块可以是软件和/或硬件。
一种可能的设计中，所述数据分析装置包括：
收发模块，用于从至少一个第一终端获取运动设备的轨迹数据，所述轨迹数据包括至少一种路段特征的路段中所述运动设备的轨迹；
处理模块，用于按照路段特征，根据所述轨迹数据和第一路网地图数据推算所述运动设备在各路段的候选位置；根据所述候选位置和所述候选位置对应的第二路网地图数据，确定所述运动设备的实际位置；根据所述候选位置和所述实际位置之间的位置误差，确定存在导航异常的目标路段。
一些实施方式中，所述处理模块具体用于：
获取所述候选位置对应所述第二路网地图数据中的各路段的预设经纬度；以及，获取所述运动设备中传感器的姿态数据，根据所述姿态数据和所述第一路网地图数据，得到所述运动设备的运动轨迹数据；
按照路段标识，分别采用与路段标识对应的预设经纬度验证所述运动轨迹数据的经纬度与各路段的预设经纬度之间的重合度；
将重合度小于预设重合度的路段确定为所述目标路段。
一些实施方式中，所述处理模块从至少一个第一终端获取运动设备的轨迹数据之后，还用于：
根据所述轨迹数据对应的路段，确定各路段的路段特征；
确定与各路段特征对应的惯导参数；
基于所述轨迹数据对各路段特征对应的惯导参数进行训练，以得到所述目标惯导参数。
一些实施方式中，所述处理模块还用于：
通过所述收发模块从至少一个第二终端获取训练数据，所述训练数据包括惯导模块在至少一个第一路段的导航数据，以及传感器在所述至少一个第一路段的传感器数据；
根据所述导航数据确定各第一路段的路段特征；
按照各第一路段的路段特征，根据所述训练数据对所述惯导模块中的惯导参数进行训练，得到第三惯导参数；所述第三惯导参数包括至少一种路段特征对应的路段对应的惯导参数；
分别向各第二终端对应的惯导模块发送所述第三惯导参数。
一些实施方式中，所述处理模块具体用于：
按照所述路段特征，根据所述惯导模块中的各惯导参数推算得到所述惯导模块在所述第一路段中的推算位置，以及根据所述导航数据确定所述惯导模块在所述第一路段对应的路网数据中的预设位置；
根据所述推算位置和所述预设位置的位置误差，将误差小于预设误差的目标位置误差对应的最新惯导参数作为所述第三惯导参数。
一些实施方式中，所述处理模块还用于：
若实际数量不小于预设数量，则确定惯导模块中的路网数据存在偏差；其中，所述实际数量为在同一路段得到的误差大于预设误差的第一运动设备的总数；
根据所述实际数量的第一运动设备的轨迹数据，更新所述惯导模块中的路网数据。
一些实施方式中，所述处理模块从至少一个第一终端获取运动设备的轨迹数据之前，还用于：
通过所述收发模块接收所述终端的第一消息，所述第一消息用于获取惯导参数；
确定所述运动设备的设备类型；
若所述设备类型为预设设备类型，则将所述预设设备类型对应的第一惯导参数发送至所述第一终端。
一些实施方式中，所述处理模块从至少一个第一终端获取运动设备的轨迹数据之前，还用于：
通过所述收发模块接收所述第一终端的第二消息，所述第二消息用于获取惯导参数且携带初始惯导参数；
确定所述运动设备的设备类型；
若所述设备类型为预设设备类型，则获取所述预设设备类型的最新惯导参数；
将所述初始惯导参数与所述最新惯导参数中位置误差小的惯导参数作为第二惯导参数；
将所述第二惯导参数发送至所述第一终端。
一些实施方式中，所述处理模块将所述初始惯导参数与所述最新惯导参数中位置误差小的惯导参数作为第二惯导参数之后，还用于：
将所述最新惯导参数更新为所述第二惯导参数。
一些实施方式中，所述处理模块从至少一个第一终端获取运动设备的轨迹数据之前，还用于：
通过所述收发模块接收所述第一终端的第三消息，所述第三消息用于获取惯导参数且携带初始惯导参数；
确定所述运动设备的设备类型；
若所述设备类型不为预设设备类型，则将所述设备类型与所述初始惯导参数保存。
本申请实施例又一方面提供了一种计算机设备，其包括至少一个连接的处理器、存储器和收发器，其中，所述存储器用于存储计算机程序，所述处理器用于调用所述存储器中的计算机程序来执行上述第一方面所述的方法。
本申请实施例又一方面提供了一种计算机可读存储介质，其包括指令，当其在计算机上运行时，使得计算机执行上述第一方面所述的方法。
相较于现有技术，本申请实施例提供的方案中，云平台从至少一个第一终端获取运动设备的轨迹数据，由于所述轨迹数据包括至少一种路段特征的路段中所述运动设备的轨迹，因此，按照路段特征，根据所述轨迹数据和第一路网地图数据推算所出的候选位置更准确，进而减少导航时的漂移现象。然后根据所述候选位置和所述候选位置对应的第二路网地图数据，确定所述运动设备的实际位置，根据所述候选位置和所述实际位置之间的位置误差，确定存在导航异常的目标路段。由于云平台根据训练数据对各种路段场景进行分类，再按照路段场景分别去训练不同路段场景下的惯导参数，因此在惯导模块导航时，计算出的存在漂移的路段的准确率会更高。
附图说明
图1a为本申请实施例中通信系统的一种网络拓扑示意图；
图1b为本申请实施例中通信系统的一种网络拓扑示意图；
图1c为本申请实施例中训练惯导参数的一种示意图；
图2为本申请实施例中分析轨迹数据的方法一种流程示意图；
图3为本申请实施例中分析轨迹数据的方法一种流程示意图；
图4为本申请实施例中推算车的行驶位置的一种流程示意图；
图5a为本申请实施例中的一种漂移示意图；
图5b为本申请实施例中的一种漂移示意图；
图5c为本申请实施例中的一种漂移示意图；
图6为本申请实施例中导航数据与路网数据的一种匹配示意图；
图7为本申请实施例中车更新惯导参数的一种流程示意图；
图8为本申请实施例中云平台更新惯导参数的一种流程示意图；
图9为本申请实施例中数据分析装置的一种结构示意图；
图10为本申请实施例中数据分析装置的一种结构示意图；
图11为本申请实施例中服务器的一种结构示意图。
具体实施方式
本申请实施例的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序，例如第一终端、第二终端，应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块，本申请实施例中所出现的模块的划分，仅仅是一种逻辑上的划分，实际应用中实现时可以有另外的划分方式，例如多个模块可以结合成或集成在另一个系统中，或一些特征可以忽略，或不执行，另外，所显示的或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，模块之间的间接耦合或通信连接可以是电性或其他类似的形式，本申请实施例中均不作限定。并且，作为分离部件说明的模块或子模块可以是也可以不是物理上的分离，可以是也可以不是物理模块，或者可以分布到多个电路模块中，可以根据实际的需要选择其中的部分或全部模块来实现本申请实施例方案的目的。
本申请实施例供了一种分析轨迹数据的方法、相关设备及存储介质，该方案可用于服务器侧或者终端侧，服务器侧可用于训练惯导参数。本申请实施例仅以服务器为例，服务器侧部署了数据分析装置，本申请实施例中数据分析装置也可以是区块链系统中的节点。
本申请实施例涉及云计算(cloud computing)，云计算指IT基础设施的交付和使用模式，指通过网络以按需、易扩展的方式获得所需资源；广义云计算指服务的交付和使用模式，指通过网络以按需、易扩展的方式获得所需服务。这种服务可以是IT和软件、互联网相关，也可是其他服务。云计算是网格计算（Grid Computing )、分布式计算（DistributedComputing)、并行计算（Parallel Computing)、效用计算（Utility Computing)、网络存储（Network Storage Technologies)、虚拟化（Virtualization)、负载均衡（Load Balance)等传统计算机和网络技术发展融合的产物。
随着互联网、实时数据流、连接设备多样化的发展，以及搜索服务、社会网络、移动商务和开放协作等需求的推动，云计算迅速发展起来。不同于以往的并行分布式计算，云计算的产生从理念上将推动整个互联网模式、企业管理模式发生革命性的变革。
一些实施方式中，本申请实施例可应用于如图1a、图1b所示的通信系统，该通信系统涉及至少一个云平台和至少一个运动设备。以下进行详细说明。
云平台是指为运动设备提供惯导参数调整的服务端，即前述服务器。
运动设备是指按照预设路线移动的设备，该运动设备可包括车、云台、机器人、飞行设备以及模拟的运动设备，其中，车可包括汽车、磁悬浮汽车、脚踏单车、电动单车等。云台可为运载物品的支撑设备，例如云台为拍摄场景下搭载了摄像机的支撑设备。机器人可为根据控制端的指令按照预设路线移动的智能设备，例如，物流仓库中运输快件的小车，科技赛场中行驶的智能设备等。飞行设备可包括无人机、飞行器等自主导航飞行的设备。模拟的运动设备可以是在模拟的场景中按照预设路线移动的设备，例如为虚拟现实（virtualreality，VR）场景中形式的车、游戏中的车、飞机，或者为通过模拟汽车产品的行驶来测试汽车产品性能的模拟环境中的车。本申请实施例不对运动设备的类型、应用领域作限定。
一些实施方式中，一个云平台可与至少两个运动设备通信连接，一个运动设备可与至少一个云平台通信连接。当一个运动设备与至少两个云平台通信连接时，该至少两个云平台可为同一个服务商的不同分布式部署的分支服务器，也可分别为不同服务商所部署的服务器。本申请实施例均不对此作限定。
本申请实施例中，运动设备中搭载惯导模块。惯导模块为测量运动设备的三轴姿态角(或角速率)以及加速度的装置，惯导模块中装有N轴（例如三轴）的陀螺仪和每个轴方向的加速度计，N为正整数。惯导模块可集成于终端，或者独立部署。例如，惯导模块集成于车载单元时，惯导模块采集的导航数据和传感器数据可直接发送至云平台，也可通过与该惯导模块绑定的移动终端发送至云平台，具体本申请实施例不对此作限定。传感器可包括加速度计、陀螺仪等。陀螺仪可内置于移动终端，也可内置于车载单元，也可安装于运动设备上，例如安装在车轮处。
一些实施方式中，惯导模块可以内置于终端中（例如惯导模块内置于车载单元中），也可与分离式的终端绑定通信关系（例如惯导模块与手机绑定通信关系）。本申请实施例不限于终端是否为车载单元、移动终端，陀螺仪可为移动终端中内置的，也可为车载单元内置的，移动终端和车载单元也可集成部署。也不限定一个运动设备与多少个终端之间绑定通信关系。如图1b所示的另一种通信系统的示意图。
如图1c所示的云平台的一种通信系统逻辑划分示意图。图1c中，终端包括惯导模块、传感器和网络模块。云平台包括数据管理模块、数据分析模块、数据计算模块和数据展示模块。其中，数据管理模块中包括轨迹库，该轨迹库用于存储路网数据、多个惯导模块上传的导航数据、传感器数据和惯导参数。由惯导模块获取训练数据（包括导航数据和传感器数据），并上传至云平台的数据管理模块。数据计算模块对训练数据进行计算，得到惯导参数，并由数据展示模块将惯导参数下发给惯导模块。相应的，数据分析模块也可分析导航数据和传感器数据，判断运动设备是否存在偏航行为。
其中，需要特别说明的是，本申请实施例涉及的云平台可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。本申请实施例涉及的终端可以是指向用户提供语音和/或数据连通性的设备，具有无线连接功能的手持式设备、或连接到无线调制解调器的其他处理设备。例如，终端可以是车载终端、智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表、个人数字助理等设备，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。
基于图1a或图1b，本申请实施例主要提供以下技术方案：
云平台从惯导模块获取导航数据、传感器数据、设备类型等初始数据，然后根据初始数据判断该运动设备的设备类型是否为适配过的预设设备类型。若没有适配过，则基于该导航数据和传感器数据对该设备类型的惯导参数进行训练，并调用轨迹库中的数据验证所有的惯导场景进行迭代调试、验证优化；若已经适配过，则分析该导航数据和传感器数据，并将导航数据加上相应的路段特征（可用标签表示，比如直行道、矩形道路、高架、停车场、环岛、主辅路切换等）；同时计算该设备类型的原惯导参数和本次计算得到惯导参数之间的差异，从二者中选择最优的惯导参数，然后将该最优的惯导参数更新到轨迹库中，并将最优的惯导参数分发给与该类设备类型的运动设备绑定的终端，使得终端将最优的惯导参数应用于导航中。
相应的，终端向云平台上报运动设备的轨迹数据后，云平台根据该轨迹数据确定运动设备所在的路段对应的场景，根据不同的场景选择合适的惯导参数，分门别类的对每种场景下的轨迹数据进行分析，最终确定该运动设备是否存在异常运动行为，例如是否存在漂移。
在介绍本申请实施例中的分析轨迹数据的方法之前，先介绍调整惯导参数的流程，如图2所示，该方案可应用于云平台，本申请实施例包括：
101、从至少一个第二终端获取训练数据。
其中，所述训练数据包括惯导模块在至少一个第一路段的导航数据，以及传感器在所述至少一个第一路段的传感器数据。该训练数据可来自至少一种设备类型的运动设备，即所述至少一个第二终端可来自至少一个运动设备，每个运动设备可通过至少一个终端向云平台上报训练数据，具体本申请实施例不对此作限定。
本申请实施例中的终端为与运动设备中搭载的惯导模块通信的设备，不限于终端是否为车载单元、移动终端。惯导模块为测量运动设备的三轴姿态角(或角速率)以及加速度的装置，惯导模块中装有N轴（例如三轴）的陀螺仪和每个轴方向的加速度计，N为正整数。惯导模块可集成于终端，或者独立部署。例如，惯导模块集成于车载单元时，惯导模块采集的导航数据和传感器数据可直接发送至云平台，也可通过与该惯导模块绑定的移动终端发送至云平台，具体本申请实施例不对此作限定。
传感器可包括加速度计、陀螺仪等。陀螺仪可内置于移动终端，也可内置于车载单元，也可安装于运动设备上，例如安装在车轮处。也可为车载单元内置的，也可同时包括移动终端和车载单元。
102、根据所述导航数据确定各第一路段的路段特征。
其中，路段特征是指第一路段相对于运动设备运动时的场景特征，也可称之为路段属性、运动场景、驾驶场景等。例如，路段特征为驾驶场景时，可按照路段类型、叉口类型、GPS信号干扰、行驶状态、特殊场景等，具体可参考如图3所示的一种场景分类示意图，本申请实施例不对第一路段的路段特征作限定。每个第一路段的路段特征可包括至少一项，一个路段特征可同时具备一种以上的驾驶场景等场景特征，例如图3中，第一路段的路段特征包括地下车库时，该地下车库可同时具备GPS信号干扰这种场景特征。
103、按照各第一路段的路段特征，根据所述训练数据对所述惯导模块中的惯导参数进行训练，得到目标惯导参数。
其中，所述目标惯导参数包括至少一种路段特征对应的路段对应的惯导参数。目标惯导参数按照路段特征进行分类，相同路段特征的第一路段配备同一目标惯导参数。
一些实施方式中，可采用下述操作得到目标惯导参数：
按照所述路段特征，根据所述惯导模块中的各惯导参数推算得到所述惯导模块在所述第一路段中的推算位置，以及根据所述导航数据确定所述惯导模块在所述第一路段对应的路网数据中的预设位置；
根据所述推算位置和所述预设位置的位置误差，将误差小于预设误差的目标位置误差对应的最新惯导参数作为所述目标惯导参数。
一些实施方式中，所述基于所述轨迹数据对所述惯导模块进行训练，以得到训练后的惯导参数，包括：
a、获取历史时段内所述传感器采集的姿态数据；
其中，姿态数据包括N个绕方向轴的姿态角，例如为绕x、y和z三个方向轴的航向角、俯仰角和横滚角。本申请实施例不对历史时段的选取时段、长短作限定。
b、根据所述姿态数据得到角速度输入矩阵；
一些实施方式中，所述惯导模块基于神经网络模型训练，具体可采用下述三轴陀螺标定模型：
其中Wx, Wy, Wz是陀螺仪的输出值，ωx y z是陀螺仪的输入值，Wx0 , Wy0 , Wz0 是陀螺仪的零度漂移，Skx, Sky , Skz是陀螺仪的3个标度因数，Kxy, Kxz , Kyx, Kyz, Kzx, Kzy是由安装误差所致的陀螺仪交叉耦合系数。
相应的，将历史时段的姿态数据输入上述三轴陀螺标定模型，以得到下述角速度输入矩阵：
c、根据所述角速度输入矩阵得到所述终端转正转时所述传感器的第一输出值、所述终端反正转时所述传感器的第二输出值；
其中，
为车正转时陀螺仪的输出值，
为车反转时陀螺仪的输出值，
（陀螺仪的输出值与陀螺仪的安装角相关，例如，有可能车左转为正向，车右转为反向；也可
能车左转反向，车右转正向）
d、根据所述第一输出值和所述第二输出值得到所述传感器的三轴零度漂移值和三轴标度因子；
根据上述公式（3）和公式（4）可得到：
e、根据所述三轴零度漂移值、所述三轴标度因子以及所述传感器的输出值，得到所述惯导参数。
一些实施方式中，所述传感器包括第一轴、第二轴和第三轴；所述根据所述三轴零度漂移值、所述三轴标度因子以及所述传感器的输出值，得到所述惯导参数，包括：
根据第一轴的输入值和预设训练表达式，得到所述第一轴的第一输出值；根据第二轴的输入值和所述预设训练表达式，得到所述第二轴的第二输出值；以及根据第二轴的输入值和所述预设训练表达式，得到所述第三轴的第三输出值；
根据所述预设训练表达式、所述第一输出值、所述第二输出值以及第三输出值，得到所述传感器的交叉耦合系数。
在交叉耦合系数的标定中，陀螺仪的姿态误差、加速度计夹具的安装误差对交叉
耦合系数的标定影响较大，因此，本申请实施例以三轴陀螺仪为例，先分别标定各轴的输出
值。例如，在做X轴标定时，
为0，代入上述公式（1） ，得到：
同理可分别得到：
根据上述公式（6）、公式（7）和公式（8）计算出安装误差系统的陀螺仪交叉耦合系数：
一些实施方式中，考虑到传感器的性能可能跟随环境因素变化而变化，例如，根据温度变化。那么，为了保证在环境因素变化时传感器数据对惯导参数的训练质量，那么可以根据环境因素的变化，对发生相应变化的传感器数据进行补偿，以保证三轴陀螺标定模型的输入的准确性。例如，传感器为微机械陀螺，其零偏和刻度系数会随着温度的变化发生改变，则需要考虑实际的应用场景，对温度的影响进行合理的补偿，进行温度引起的变化进行标定通常会考虑使用温箱，并考虑温升的速度以及温度的变化范围。
104、向所述惯导模块发送所述目标惯导参数。
其中，所述目标惯导参数用于惯导模块对运动设备的运动轨迹进行导航。
本申请实施例中，一方面中，云平台从多个终端获取运动设备中搭载的惯导模块的各种训练数据，这些训练数据来源广泛，因此能够丰富训练数据的涵盖面，进一步提高惯导参数的训练效果。另一方面中，云平台根据训练数据对各种路段场景进行分类，再按照路段场景分别去训练不同路段场景下的惯导参数，便于后续导航时提高导惯导模块的准确率。
参照图3，以下介绍本申请实施例所提供的一种分析轨迹数据的方法，所述方法可应用于云平台，本申请实施例包括：
201、从至少一个第一终端获取运动设备的轨迹数据。
其中，所述轨迹数据包括至少一种路段特征的路段中所述运动设备的轨迹。所述轨迹数据可来自至少一种类型的终端，每个运动设备可通过至少一个终端向云平台上报轨迹数据，具体本申请实施例不对此作限定。
一些实施方式中，各第一终端向云平台上报的轨迹数据除了用于判断轨迹是否存在异常，也可以用于在线更新运动设备用来导航的惯导参数。具体来说，所述从至少一个第一终端获取运动设备的轨迹数据之后，所述方法还包括：
根据所述轨迹数据对应的路段，确定各路段的路段特征；
确定与各路段特征对应的惯导参数；
基于所述轨迹数据对各路段特征对应的惯导参数进行训练，以得到所述目标惯导参数。
可见，通过从对该单独的运动设备角度，对该运动设备的惯导参数进行在线训练，能够实时的、动态的更新该运动设备中的惯导参数。
202、按照路段特征，根据所述轨迹数据和第一路网地图数据推算所述运动设备在各路段的候选位置。
一些实施方式中，如图4所示，可采用惯性导航算法推算出候选位置，具体来说，根据导航数据、传感器数据、控制器局域网络(Controller Area Network, CAN)总线数据和地图数据来推算车的导航轨迹，即得到该车在各路段的候选位置（即经纬度）。
一些实施方式中，所述路段特征为高架，所述方法还包括：
根据所述候选位置确定所述第二地图中所述候选位置所在路段的路段特征；
当所述路段特征为高架时，根据所述远动设备的轨迹角度和所述路段特征确定所述运动设备是否符合上高架条件。
一些实施方式中，所述方法还包括：
根据所述候选位置确定所述第二地图中所述候选位置所在路段的路段特征；
当所述路段特征为建筑物时，根据所述候选位置和所述路段特征确定所述候选位置为无效位置。
可见，比如在深圳海岸城，GPS严重遮挡，则需要识别到此处GPS为不可信。
一些实施方式中，所述方法还包括：
当所述路段特征为环形路段时，分别计算每次环行时所述运动设备的环行角度；
获取所述运动设备在所述环形路段中的部分或全部次数环行时的航向角误差，所述航向角误差是指所述轨迹数据与所述环形路段在每一个轨迹点的累计航向误差。
203、根据所述候选位置和所述候选位置对应的第二路网地图数据，确定所述运动设备的实际位置。
如图4所示，在采用惯性导航算法推算出车在各路段的候选位置后，根据该车的导航轨迹与该导航轨迹对应的路网地图数据进行地图匹配，即可得到该车的行驶位置（即经纬度）。
204、根据所述候选位置和所述实际位置之间的位置误差，确定存在导航异常的目标路段。
其中，目标路段为运动设备在惯导模块的导航下运动时导航标志出现漂移这类偏航行为（也可称作异常导航行为）的路段。例如，下面对运动设备存在偏航行为的目标路段进行举例。例如，数据分析模块根据传感器数据计算得到一个经纬度序列(x1,y1)(x2,y2)…，因为车主要行驶在道路中，每条道路也有一个经纬度序列，因此，将对两者进行对比，如果相吻合，则确定运动设备中的惯导模块的计算稳定且没有出现漂移，因此确定验证通过。如果不吻合，则确定运动设备中的惯导模块的计算不稳定且出现漂移，因此确定验证不通过。如图5a所示的一种导航过程中导航标志（例如车标）出现的漂移现象，图5a中，同一条路段中，出现2段导航轨迹的车标。有些车标远离路段，因此出现车标导航偏离，即导航偏移现象。
又例如图5b所示，车标刚偏航时，车标离道路不远，因此在惯导模块中显示导航时，会将这期间的车标匹配在该道路的主道上。随着车的行驶，车标渐渐偏离道路较远时，惯导模块为了显示导航轨迹，则会将车标显示在该路段的辅道上。车继续行驶，惯导模块根据传感器数据和车的位置实时推算运动设备的位置，当车进入新的道路后，两条道路之间的区分度较大时，惯导模块到导航功能随之正常，进而标会回归正常。
又例如图5c所示，惯导模块通过推算得到的位置有误，则会将车在地图中的定位映射错误，进而会导致车标漂移。
一些实施方式中，可通过导航轨迹与路网轨迹之间的重合度来确定目标路段，具体来说，所述根据所述候选位置和所述实际位置之间的位置误差，确定存在导航异常的目标路段，包括：
获取所述候选位置对应所述第二路网地图数据中的各路段的预设经纬度；以及，获取所述运动设备中传感器的姿态数据，根据所述姿态数据和所述第一路网地图数据，得到所述运动设备的运动轨迹数据；
按照路段标识，分别采用与路段标识对应的预设经纬度验证所述运动轨迹数据经纬度与各路段的预设经纬度之间的重合度；
将重合度小于预设重合度的路段确定为所述目标路段。
例如，以车经过多分岔路口时为例，可使用垂直投影误差(Vertical_error_total_percent)判断车经过多分岔路口期间是否出现导航偏移现象。垂直投影误差根据总垂直投影距离得到，总垂直投影距离可以反应导航轨迹与路网轨迹的垂直投影（即相隔距离）的远近。垂直投影是导航误差点到所在区域路网的最短距离。如图6所示的垂直投影的一种示意图。相隔距离远，则导航轨迹与路网相似度高。反之，相似度低。可选的，垂直投影误差的一种计算表达式为：
Vertical_error_total_percent= Vertical_error_total/ Road_toal_distance*100%
又例如，以车经过环岛为例，可以统计航向总误差百分比(Yaw_error_total_percent )，基于航向总误差判断车经过环岛期间是否出现导航偏移现象。航向总误差百分比反应了航向误差在总航向数据中的占比，航向偏移越大，航向总误差百分比越高。航向总误差百分比根据航向总误差和总航向数据得到。
其中，航向总误差反映出导航轨迹与路网轨迹二者在航向方面的航向角误差之和。航向角误差是导航数据点航向角与最近路网数据点的航向角的差值，航向角误差反应导航轨迹与路网轨迹在每一个数据点的航向误差。航向角是导航数据点与前一个数据点构成的角度与正北方向的夹角。一些实施方式中，航向总误差、航向总误差百分比的一种计算方式分别为：
Yaw_error_total=
Yaw_error_total_percent = Yaw_error_total/180*Test_point_num*100%
其中，Test_yaw是指导航数据点与前一个数据点的连线与正北方向的夹角，Road_yaw是指路网数据点与前一个数据点的连线与正北方向的夹角。
与现有技术相比，本申请实施例中，云平台从至少一个第一终端获取运动设备的轨迹数据，由于所述轨迹数据包括至少一种路段特征的路段中所述运动设备的轨迹，因此，按照路段特征，根据所述轨迹数据和第一路网地图数据推算所出的候选位置更准确，减少导航时的漂移现象。根据所述候选位置和所述候选位置对应的第二路网地图数据，确定所述运动设备的实际位置；根据所述候选位置和所述实际位置之间的位置误差，确定存在导航异常的目标路段。由于云平台根据训练数据对各种路段场景进行分类，再按照路段场景分别去训练不同路段场景下的惯导参数，因此在惯导模块导航时，计算出的存在漂移的路段的准确率会更高。
可选的，在本申请实施例的一些实施例中，为提高惯导模块中惯导参数的准确性以及提高惯导模块的导航性能，还可以对不同路段场景下的惯导参数分别进行更新。下面分别从以下角度介绍更新惯导参数的流程：
一、基于多个运动设备的轨迹数据反向更新云平台的惯导参数
考虑到道路更新、修路、道路损坏等导致车行驶时的实际路网数据更新，若很多车经过一路段推算都和路网有相对比较大的误差，则大概率是路网数据与实际路网有差别，则需要重新勘测。因此，为提高惯导参数的准确性，可利用数据和惯导推测路网数据中的可能错误之处。一些实施方式中，具体采用下述手段：
a、若实际数量不小于预设数量，则确定惯导模块中的路网数据存在偏差。
其中，所述实际数量为在同一路段得到的误差大于预设误差的第一运动设备的总数。例如，云平台收到80辆型号X的车的轨迹数据，这些轨迹数据在田径路段导航时都出现了一定程度的漂移现象，那么可以确定当前针对该田径路段的型号X的车所采用的惯导参数并不准确，而惯导参数是基于该型号X的众多车和该田径路段的路网数据训练得到，因此，该田径路段的路网数据可能长期未更新或者更新不及时。
b、根据所述实际数量的第一运动设备的轨迹数据，更新所述惯导模块中的路网数据。
可见，通过 利用数据和惯导推测路网数据中的可能错误之处，能够反向更正云平台中保存的惯导参数，进而提高惯导参数的准确性。
二、基于设备类型下发惯导参数
搜寻轨迹库内是否已经有过该车型的最新惯导参数，如果有，就直接下发给该终端，使得该车型的终端无需再等待云平台对惯导模块的训练，即可直接使用该惯导参数来导航，省时省力。针对第一次云训练的惯导模块，以及许久未更新惯导参数的惯导模块。一些实施方式中，从至少一个第一终端获取运动设备的轨迹数据之前，所述方法还包括：
接收所述终端的第一消息，所述第一消息用于获取惯导参数；
确定所述运动设备的设备类型；
若所述设备类型为预设设备类型，则将所述预设设备类型对应的第一惯导参数发送至所述第一终端。
例如，运动设备a的设备类型为Y，通过遍历轨迹库，匹配到该Y的惯导参数，因此，为了提高响应速度，可直接向该运动设备a的惯导模块下发该Y的惯导参数。例如，车a安装了车载单元a和惯导模块a，该车a的车型为品牌X的小轿车。用户通过车载单元a向云平台发送第一消息，云平台收到该第一消息后，查询轨迹库中是否有与该车a的车型匹配的车型，经查询，存在，则将该车型的惯导参数发送给该车载单元a。
可见，通过搜寻轨迹库内是否已经有过该车型的最新惯导参数，如果有，就直接下发给该终端，使得该车型的终端无需再等待云平台对惯导模块的训练，即可直接使用该惯导参数来导航，省时省力。
三、基于设备类型和初始惯导参数下发惯导参数
考虑到运动设备中惯导模块可能签约至少一个云平台的导航服务，那么，该惯导模块可从至少一个云平台获取与运动设备的设备类型匹配的惯导参数。基于云平台在线更新运动设备中惯导模块的惯导参数，一些实施方式中，云平台从至少一个第一终端获取运动设备的轨迹数据之前，云平台还用于执行下述操作：
接收所述第一终端的第二消息，所述第二消息用于获取惯导参数且携带初始惯导参数；
确定所述运动设备的设备类型；
若所述设备类型为预设设备类型，则获取所述预设设备类型的最新惯导参数；
将所述初始惯导参数与所述最新惯导参数中位置误差小的惯导参数作为第二惯导参数；
将所述第二惯导参数发送至所述第一终端。
一些实施方式中，初始惯导参数可来自本申请实施例中的云平台，也可来自其他的第三方云平台，一个惯导模块中可保存至少一个云平台下发的惯导参数，具体本申请实施例不对此作限定。将所述初始惯导参数与所述最新惯导参数中位置误差小的惯导参数作为第二惯导参数之后，还可以将所述最新惯导参数更新为所述第二惯导参数。
可见，通过遍历轨迹库内是否已经有过该车型的最新惯导参数，如果有，就直接下发给该终端，使得该车型的终端无需再等待云平台对惯导模块的训练，即可直接使用该惯导参数来导航，省时省力。可针对在其他云平台更新过惯导参数的惯导模块，用来更新本云平台中某车型的惯导参数。实现云平台之间共享惯导参数更新。可以理解的是，本云平台的惯导参数也可通过惯导模块共享至或同步至其他的第三方云平台。
另一些实施方式中，将所述初始惯导参数与所述最新惯导参数中位置误差小的惯导参数作为第二惯导参数之后，所述方法还包括：
将所述最新惯导参数更新为所述第二惯导参数。
可见，可将运动设备在其他云平台更新过的惯导参数用来更新本云平台中某车型的惯导参数。即通过反向更新云平台中的惯导参数，实现云平台之间共享惯导参数更新。
四、基于至少一个运动设备的惯导参数反向更新云平台的惯导参数
具体来说，云平台还用于执行下述操作：
接收所述第一终端的第三消息，所述第三消息用于获取惯导参数且携带初始惯导参数；
确定所述运动设备的设备类型；
若所述设备类型不为预设设备类型，则将所述设备类型与所述初始惯导参数保存。
一些实施方式中，该初始惯导参数可为第一终端自行训练得到，也可为第一终端从其他的第三方云平台获取，或者从其他运动设备中的终端获取，具体本申请实施例不对此作限定。
相应的，若云平台在保存所述设备类型与所述初始惯导参数之后，接收第三终端的第四消息，所述第四消息用于获取惯导参数；则可参考云平台接收第一终端的第二消息之后的流程，例如，第三终端所在的运动设备的设备类型与第一终端所在运动设备的设备类型匹配，则通过比较二者惯导参数的差异后，可将该初始惯导参数下发给第三终端。可见，通过这种方式，一方面中，能够不断地更新云平台中各设备类型、以及各设备类型对应的惯导参数，能够提高云平台中惯导参数的全面性；另一方面，能够提高惯导参数的准确性。
图1a至图8中任一项所对应的实施例中所提及的任一技术特征也同样适用于本申请实施例中的图9至图11所对应的实施例，后续类似之处不再赘述。
以上对本申请实施例中一种分析轨迹数据的方法进行说明，以下对执行上述分析轨迹数据的方法的数据分析装置进行介绍。
参阅图9，如图9所示的一种数据分析装置90的结构示意图，其可应用于地图导航，该数据分析装置90可部署于云平台或终端，本申请实施例以部署于云平台为例，本申请实施例不对此作限定。本申请实施例中的数据分析装置90能够实现对应于上述图3所对应的实施例中所执行的分析轨迹数据的方法的步骤。数据分析装置90实现的功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。硬件或软件包括一个或多个与上述功能相对应的模块，所述模块可以是软件和/或硬件。
一些实施方式中，所述数据分析装置90包括：
收发模块901，用于从至少一个第一终端获取运动设备的轨迹数据，所述轨迹数据包括至少一种路段特征的路段中所述运动设备的轨迹；
处理模块902，用于按照路段特征，根据所述轨迹数据和第一路网地图数据推算所述运动设备在各路段的候选位置；根据所述候选位置和所述候选位置对应的第二路网地图数据，确定所述运动设备的实际位置；根据所述候选位置和所述实际位置之间的位置误差，确定存在导航异常的目标路段。
一些实施方式中，所述处理模块902具体用于：
获取所述候选位置对应所述第二路网地图数据中的各路段的预设经纬度；以及，获取所述运动设备中传感器的姿态数据，根据所述姿态数据和所述第一路网地图数据，得到所述运动设备的运动轨迹数据；
按照路段标识，分别采用与路段标识对应的预设经纬度验证所述运动轨迹数据经纬度与各路段的预设经纬度之间的重合度；
将重合度小于预设重合度的路段确定为所述目标路段。
一些实施方式中，所述处理模块902从至少一个第一终端获取运动设备的轨迹数据之后，还用于：
根据所述轨迹数据对应的路段，确定各路段的路段特征；
确定与各路段特征对应的惯导参数；
基于所述轨迹数据对各路段特征对应的惯导参数进行训练，以得到所述目标惯导参数。
一些实施方式中，所述处理模块902还用于：
通过所述收发模块901从至少一个第二终端获取训练数据，所述训练数据包括惯导模块在至少一个第一路段的导航数据，以及传感器在所述至少一个第一路段的传感器数据；
根据所述导航数据确定各第一路段的路段特征；
按照各第一路段的路段特征，根据所述训练数据对所述惯导模块中的惯导参数进行训练，得到第三惯导参数；所述第三惯导参数包括至少一种路段特征对应的路段对应的惯导参数；
分别向各第二终端对应的惯导模块发送所述第三惯导参数。
一些实施方式中，所述处理模块902具体用于：
按照所述路段特征，根据所述惯导模块中的各惯导参数推算得到所述惯导模块在所述第一路段中的推算位置，以及根据所述导航数据确定所述惯导模块在所述第一路段对应的路网数据中的预设位置；
根据所述推算位置和所述预设位置的位置误差，将误差小于预设误差的目标位置误差对应的最新惯导参数作为所述第三惯导参数。
一些实施方式中，所述处理模块902还用于：
若实际数量不小于预设数量，则确定惯导模块中的路网数据存在偏差；其中，所述实际数量为在同一路段得到的误差大于预设误差的第一运动设备的总数；
根据所述实际数量的第一运动设备的轨迹数据，更新所述惯导模块中的路网数据。
一些实施方式中，所述处理模块902从至少一个第一终端获取运动设备的轨迹数据之前，还用于：
通过所述收发模块901接收所述终端的第一消息，所述第一消息用于获取惯导参数；
确定所述运动设备的设备类型；
若所述设备类型为预设设备类型，则将所述预设设备类型对应的第一惯导参数发送至所述第一终端。
一些实施方式中，所述处理模块902从至少一个第一终端获取运动设备的轨迹数据之前，还用于：
通过所述收发模块901接收所述第一终端的第二消息，所述第二消息用于获取惯导参数且携带初始惯导参数；
确定所述运动设备的设备类型；
若所述设备类型为预设设备类型，则获取所述预设设备类型的最新惯导参数；
将所述初始惯导参数与所述最新惯导参数中位置误差小的惯导参数作为第二惯导参数；
通过所述收发模块901将所述第二惯导参数发送至所述第一终端。
一些实施方式中，所述处理模块将所述初始惯导参数与所述最新惯导参数中位置误差小的惯导参数作为第二惯导参数之后，还用于：
将所述最新惯导参数更新为所述第二惯导参数。
一些实施方式中，所述处理模块902从至少一个第一终端获取运动设备的轨迹数据之前，还用于：
通过所述收发模块901接收所述第一终端的第三消息，所述第三消息用于获取惯导参数且携带初始惯导参数；
确定所述运动设备的设备类型；
若所述设备类型不为预设设备类型，则将所述设备类型与所述初始惯导参数保存。
上面从模块化功能实体的角度对本申请实施例中的数据分析装置进行了描述，下面从硬件处理的角度对本申请实施例中的执行分析轨迹数据的方法的服务器进行描述。需要说明的是，在本申请实施例图9所示的实施例中的收发模块901对应的实体设备可以为输入输出单元、收发器、射频电路、通信模块和输出接口等，处理模块602对应的实体设备可以为处理器。图9所示的装置90可以具有如图10所示的结构，当图9所示的装置90具有如图10所示的结构时，图10中的处理器和收发器能够实现前述对应该装置的装置实施例提供的收发模块901、处理模块902相同或相似的功能，图7中的存储器存储处理器执行上述分析轨迹数据的方法时需要调用的计算机程序。
图11是本申请实施例提供的一种服务器结构示意图，该服务器1120可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器（英文全称：centralprocessing units，英文简称：CPU）1122（例如，一个或一个以上处理器）和存储器1132，一个或一个以上存储应用程序1142或数据1144的存储介质1130（例如一个或一个以上海量存储设备）。其中，存储器1132和存储介质1130可以是短暂存储或持久存储。存储在存储介质1130的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器1122可以设置为与存储介质1130通信，在服务器1120上执行存储介质1130中的一系列指令操作。
服务器1120还可以包括一个或一个以上电源1126，一个或一个以上有线或无线网络接口1150，一个或一个以上输入输出接口1158，和/或，一个或一个以上操作系统1141，例如Windows Server，Mac OS X，Unix, Linux，FreeBSD等等。
上述实施例中由服务器所执行的步骤可以基于该图11所示的服务器1120的结构。例如上述实施例中由图11所示的装置60所执行的步骤可以基于该图11所示的服务器结构。例如，所述处理器1122通过调用存储器1132中的指令，执行以下操作：
通过所述输入输出接口1188从至少一个第一终端获取运动设备的轨迹数据，所述轨迹数据包括至少一种路段特征的路段中所述运动设备的轨迹；
按照路段特征，根据所述轨迹数据和第一路网地图数据推算所述运动设备在各路段的候选位置；根据所述候选位置和所述候选位置对应的第二路网地图数据，确定所述运动设备的实际位置；根据所述候选位置和所述实际位置之间的位置误差，确定存在导航异常的目标路段。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请实施例所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本申请实施例各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块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。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。
所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线（例如同轴电缆、光纤、数字用户线（DSL））或无线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，（例如，软盘、硬盘、磁带）、光介质（例如，DVD）、或者半导体介质（例如固态硬盘Solid State Disk(SSD)）等。
以上对本申请实施例所提供的技术方案进行了详细介绍，本申请实施例中应用了具体个例对本申请实施例的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请实施例的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请实施例的限制。
Claims (10)
1.一种分析轨迹数据的方法，其特征在于，所述方法包括：
从至少一个第二终端获取训练数据，所述训练数据包括惯导模块在至少一个第一路段的导航数据，以及传感器在所述至少一个第一路段的传感器数据，所述至少一个第二终端来自至少一个运动设备；
根据所述导航数据确定各第一路段的路段特征；
按照各第一路段的路段特征，根据所述训练数据训练所述惯导模块在不同路段场景下的惯导参数，得到第三惯导参数；所述第三惯导参数包括至少一种路段特征对应的路段对应的惯导参数；
接收第一终端的第一消息，所述第一消息用于获取惯导参数；
确定运动设备的设备类型；
若所述设备类型为预设设备类型，则将所述预设设备类型对应的第一惯导参数发送至所述第一终端，使得所述运动设备按照所述第一惯导参数进行导航；
从至少一个所述第一终端获取所述运动设备的轨迹数据，所述轨迹数据包括至少一种路段特征的路段中所述运动设备的轨迹；
根据所述轨迹数据对应的路段，确定各路段的路段特征；
确定与各路段特征对应的惯导参数；
基于所述轨迹数据对各路段特征对应的惯导参数进行训练，以得到目标惯导参数，基于所述目标惯导参数更新所述运动设备的惯导参数；
调用与路段特征对应的惯导参数；
按照与路段特征对应的惯导参数，根据所述轨迹数据和所述轨迹数据对应的第一路网地图数据推算所述运动设备在各路段的候选位置；
根据所述候选位置和所述候选位置对应的第二路网地图数据，确定所述运动设备的实际位置；
根据所述候选位置和所述实际位置之间的位置误差，确定存在导航异常的目标路段。
2.根据权利要求1所述的方法，其特征在于，所述根据所述候选位置和所述实际位置之间的位置误差，确定存在导航异常的目标路段，包括：
获取所述候选位置对应所述第二路网地图数据中的各路段的预设经纬度；以及，获取所述运动设备中传感器的姿态数据，根据所述姿态数据和所述第一路网地图数据，得到所述运动设备的运动轨迹数据；
按照路段标识，分别采用与路段标识对应的预设经纬度验证所述运动轨迹数据的经纬度与各路段的预设经纬度之间的重合度；
将重合度小于预设重合度的路段确定为所述目标路段。
3.根据权利要求1所述的方法，其特征在于，所述按照各第一路段的路段特征，根据所述训练数据对所述惯导模块中的惯导参数进行训练，得到第三惯导参数，包括：
按照所述路段特征，根据所述惯导模块中的各惯导参数推算得到所述惯导模块在所述第一路段中的推算位置，以及根据所述导航数据确定所述惯导模块在所述第一路段对应的路网数据中的预设位置；
根据所述推算位置和所述预设位置的位置误差，将误差小于预设误差的目标位置误差对应的最新惯导参数作为所述第三惯导参数。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
若实际数量不小于预设数量，则确定惯导模块中的路网数据存在偏差；其中，所述实际数量为在同一路段得到的误差大于预设误差的第一运动设备的总数；
根据所述实际数量的第一运动设备的轨迹数据，更新所述惯导模块中的路网数据。
5.根据权利要求3所述的方法，其特征在于，所述从至少一个第一终端获取运动设备的轨迹数据之前，所述方法还包括：
接收所述第一终端的第二消息，所述第二消息用于获取惯导参数且携带初始惯导参数；
确定所述运动设备的设备类型；
若所述设备类型为预设设备类型，则获取所述预设设备类型的最新惯导参数；
将所述初始惯导参数与所述最新惯导参数中位置误差小的惯导参数作为第二惯导参数；
将所述第二惯导参数发送至所述第一终端。
6.根据权利要求5所述的方法，其特征在于，所述将所述初始惯导参数与所述最新惯导参数中位置误差小的惯导参数作为第二惯导参数之后，所述方法还包括：
将所述最新惯导参数更新为所述第二惯导参数。
7.根据权利要求3所述的方法，其特征在于，所述从至少一个第一终端获取运动设备的轨迹数据之前，所述方法还包括：
接收所述第一终端的第三消息，所述第三消息用于获取惯导参数且携带初始惯导参数；
确定所述运动设备的设备类型；
若所述设备类型不为预设设备类型，则将所述设备类型与所述初始惯导参数保存。
8.一种数据分析装置，其特征在于，所述数据分析装置包括：
处理模块，用于从至少一个第二终端获取训练数据，所述训练数据包括惯导模块在至少一个第一路段的导航数据，以及传感器在所述至少一个第一路段的传感器数据；根据所述导航数据确定各第一路段的路段特征；按照各第一路段的路段特征，根据所述训练数据训练所述惯导模块在不同路段场景下的惯导参数，得到第三惯导参数；所述第三惯导参数包括至少一种路段特征对应的路段对应的惯导参数；
收发模块，用于接收第一终端的第一消息，所述第一消息用于获取惯导参数；
确定运动设备的设备类型；
若所述设备类型为预设设备类型，则将所述预设设备类型对应的第一惯导参数发送至所述第一终端；
从至少一个所述第一终端获取所述运动设备的轨迹数据，所述轨迹数据包括至少一种路段特征的路段中所述运动设备的轨迹；
所述处理模块，还用于调用与路段特征对应的惯导参数；按照与路段特征对应的惯导参数，根据所述轨迹数据和所述轨迹数据对应的第一路网地图数据推算所述运动设备在各路段的候选位置；根据所述候选位置和所述候选位置对应的第二路网地图数据，确定所述运动设备的实际位置；根据所述候选位置和所述实际位置之间的位置误差，确定存在导航异常的目标路段；
所述处理模块，还用于在从至少一个第一终端获取运动设备的轨迹数据之后，根据所述轨迹数据对应的路段，确定各路段的路段特征；确定与各路段特征对应的惯导参数；基于所述轨迹数据对各路段特征对应的惯导参数进行训练，以得到所述目标惯导参数，基于所述目标惯导参数更新所述运动设备的惯导参数。
9.一种计算机设备，其特征在于，所述计算机设备包括：
至少一个处理器、存储器和收发器；
其中，所述存储器用于存储计算机程序，所述处理器用于调用所述存储器中存储的计算机程序来执行如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，其包括指令，当其在计算机上运行时，使得计算机执行如权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010492509.8A CN111397604B (zh) | 2020-06-03 | 2020-06-03 | 一种分析轨迹数据的方法、相关设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010492509.8A CN111397604B (zh) | 2020-06-03 | 2020-06-03 | 一种分析轨迹数据的方法、相关设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111397604A CN111397604A (zh) | 2020-07-10 |
| CN111397604B true CN111397604B (zh) | 2021-04-27 |
Family
ID=71435726
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010492509.8A Active CN111397604B (zh) | 2020-06-03 | 2020-06-03 | 一种分析轨迹数据的方法、相关设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111397604B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112465209B (zh) * | 2020-11-23 | 2021-05-28 | 江苏五城共聚科技控股有限公司 | 同城物流网络系统中转站点优化方法与系统 |
| CN112598767B (zh) * | 2020-12-29 | 2024-05-10 | 厦门市美亚柏科信息股份有限公司 | 基于时空大数据的轨迹行为分析方法、终端设备及存储介质 |
| CN112732857B (zh) * | 2021-01-20 | 2022-04-22 | 腾讯科技（深圳）有限公司 | 路网处理方法、装置、电子设备以及存储介质 |
| CN113624259B (zh) * | 2021-08-23 | 2023-08-08 | 湖南科众兄弟科技有限公司 | 一种mems惯组的标定方法 |
| CN113873637A (zh) * | 2021-10-26 | 2021-12-31 | 上海瑾盛通信科技有限公司 | 定位方法、装置、终端和存储介质 |
| CN114913680B (zh) * | 2022-05-30 | 2023-12-26 | 肇庆小鹏新能源投资有限公司 | 车辆座舱内的设备遥控方法、车辆和存储介质 |
| CN117520597B (zh) * | 2023-09-11 | 2024-04-26 | 北京国卫星通科技有限公司 | 惯导数据采集与分析系统的数据记录实现方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101819044A (zh) * | 2009-02-26 | 2010-09-01 | 爱信艾达株式会社 | 导航装置及导航用程序 |
| CN101936737A (zh) * | 2009-06-30 | 2011-01-05 | 凹凸电子（武汉）有限公司 | 惯性导航系统以及导航方法 |
| CN103308051A (zh) * | 2012-03-13 | 2013-09-18 | 爱信艾达株式会社 | 移动体位置检测系统、装置、方法及计算机可读存储介质 |
| CN106134434B (zh) * | 2012-03-31 | 2014-10-22 | 中国人民解放军信息工程大学 | 一种用于车载导航定位系统位置误差修正的轨迹匹配方法 |
| CN105185145A (zh) * | 2015-10-04 | 2015-12-23 | 陈燕 | 一种智能动态路况地图导航系统及方法 |
| CN106323301A (zh) * | 2015-06-29 | 2017-01-11 | 北京四维图新科技股份有限公司 | 一种道路情报的获取方法及装置 |
| CN106972959A (zh) * | 2017-03-15 | 2017-07-21 | 千寻位置网络有限公司 | 一种传感器算法的在线服务化方法及系统 |
| CN107167130A (zh) * | 2017-05-18 | 2017-09-15 | 上海谦尊升网络科技有限公司 | 地图匹配定位方法及系统 |
-
2020
- 2020-06-03 CN CN202010492509.8A patent/CN111397604B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101819044A (zh) * | 2009-02-26 | 2010-09-01 | 爱信艾达株式会社 | 导航装置及导航用程序 |
| CN101936737A (zh) * | 2009-06-30 | 2011-01-05 | 凹凸电子（武汉）有限公司 | 惯性导航系统以及导航方法 |
| CN103308051A (zh) * | 2012-03-13 | 2013-09-18 | 爱信艾达株式会社 | 移动体位置检测系统、装置、方法及计算机可读存储介质 |
| CN106134434B (zh) * | 2012-03-31 | 2014-10-22 | 中国人民解放军信息工程大学 | 一种用于车载导航定位系统位置误差修正的轨迹匹配方法 |
| CN106323301A (zh) * | 2015-06-29 | 2017-01-11 | 北京四维图新科技股份有限公司 | 一种道路情报的获取方法及装置 |
| CN105185145A (zh) * | 2015-10-04 | 2015-12-23 | 陈燕 | 一种智能动态路况地图导航系统及方法 |
| CN106972959A (zh) * | 2017-03-15 | 2017-07-21 | 千寻位置网络有限公司 | 一种传感器算法的在线服务化方法及系统 |
| CN107167130A (zh) * | 2017-05-18 | 2017-09-15 | 上海谦尊升网络科技有限公司 | 地图匹配定位方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111397604A (zh) | 2020-07-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111397604B (zh) | 一种分析轨迹数据的方法、相关设备及存储介质 | |
| CN111102978B (zh) | 一种车辆运动状态确定的方法、装置及电子设备 | |
| CN110160542B (zh) | 车道线的定位方法和装置、存储介质、电子装置 | |
| WO2022056770A1 (zh) | 一种路径规划方法和路径规划装置 | |
| CN107132563B (zh) | 一种里程计结合双天线差分gnss的组合导航方法 | |
| CN110377025A (zh) | 用于自动驾驶车辆的传感器聚合框架 | |
| EP3667236B1 (en) | A method of determining position data | |
| US20120065811A1 (en) | Map data update system, map data update method, computer-readable storage medium storing map data update program | |
| CN111220164A (zh) | 定位方法、装置、设备及存储介质 | |
| CN111856521B (zh) | 数据处理方法、装置、电子设备和存储介质 | |
| US11525688B2 (en) | Method and apparatus for determining object position | |
| CN110988949A (zh) | 定位方法、定位装置、计算机可读存储介质与可移动设备 | |
| CN105352502A (zh) | 一种微惯性航姿参考系统的姿态获取方法 | |
| CN110110029A (zh) | 用于匹配车道的方法和装置 | |
| WO2024139716A1 (zh) | 数据处理方法、装置、设备、计算机可读存储介质及计算机程序产品 | |
| CN114547223A (zh) | 轨迹预测方法、轨迹预测模型的训练方法及装置 | |
| CN111208526B (zh) | 基于激光雷达与定位向量匹配的多无人机协同定位方法 | |
| CN115164936A (zh) | 高精地图制作中用于点云拼接的全局位姿修正方法及设备 | |
| CN111812669A (zh) | 绕机检查装置及其定位方法、存储介质 | |
| CN115083037A (zh) | 用于更新地图路网数据的方法、装置、电子设备和车辆 | |
| CN114689074B (zh) | 信息处理方法和导航方法 | |
| CN115900697B (zh) | 对象运动轨迹信息处理方法、电子设备以及自动驾驶车辆 | |
| CN111442775A (zh) | 道路的识别方法、装置、电子设备及可读存储介质 | |
| CN113218380B (zh) | 一种电子罗盘的校正方法、装置、电子设备及存储介质 | |
| CN112729349B (zh) | 里程计在线标定的方法、装置、电子设备及存储介质 |
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 | ||
| REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40026369 Country of ref document: HK |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |