CN111982144A - 导航方法、装置、电子设备及计算机可读介质 - Google Patents
导航方法、装置、电子设备及计算机可读介质 Download PDFInfo
- Publication number
- CN111982144A CN111982144A CN202010855534.8A CN202010855534A CN111982144A CN 111982144 A CN111982144 A CN 111982144A CN 202010855534 A CN202010855534 A CN 202010855534A CN 111982144 A CN111982144 A CN 111982144A
- Authority
- CN
- China
- Prior art keywords
- yaw
- fingerprint
- road
- track
- fingerprint similarity
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000006399 behavior Effects 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims description 34
- 230000015654 memory Effects 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000002790 cross-validation Methods 0.000 claims description 8
- 238000000611 regression analysis Methods 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual 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
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
- G01C21/3415—Dynamic re-routing, e.g. recalculating the route when the user deviates from calculated route or after detecting real-time traffic data or accidents
-
- 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
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3492—Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical
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
本申请提供了一种导航方法,涉及电子地图和导航技术领域。具体包括:基于当前偏航轨迹获取所述当前偏航轨迹涉及道路的历史偏航轨迹;计算所述当前偏航轨迹和所述历史偏航轨迹的指纹相似度;基于所述指纹相似度确定当前位置;基于所述当前位置确定后续的导航路径。该方法利用了用户行为的相似度重新确定当前位置,大大提升了偏航后定位的准确率,保障了用户在复杂道路偏航的准确性和安全性,减少了用户绕路的行为。本申请还提供了一种导航装置、电子设备以及计算机可读介质。
Description
技术领域
本申请涉及电子地图和导航技术领域,涉及导航方法、装置、电子设备以及计算机可读介质。
背景技术
偏航是驾车导航中经常遇到的问题。例如,在高架桥场景、平行道路以及导航信号发生漂移等场景下容易出现偏航。偏航将影响定位,定位错误往往会给用户造成语音播报、诱导和路线的严重错误,长时间无法纠正错误路线更会让用户困惑,甚至会造成用户绕路、违章,影响用户体验。
发明内容
提供了一种导航方法、装置、设备以及计算机可读介质。
根据第一方面,提供了一种导航方法,包括:
基于当前偏航轨迹获取所述当前偏航轨迹涉及道路的历史偏航轨迹;
计算所述当前偏航轨迹和所述历史偏航轨迹的指纹相似度;
基于所述指纹相似度确定当前位置;
基于所述当前位置确定后续的导航路径。
根据第二方面,提供了一种导航装置,包括:
获取模块,用于基于当前偏航轨迹获取所述当前偏航轨迹涉及道路的历史偏航轨迹;
计算模块,用于计算所述当前偏航轨迹和所述历史偏航轨迹的指纹相似度;
定位模块,用于基于所述指纹相似度确定当前位置;
导航路径确定模块,用于基于所述当前位置确定后续的导航路径。
根据第三方面,提供了一种电子设备,其包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行导航方法中任一项所述的方法。
根据第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行上述任意一种导航方法。
根据本申请的导航方法利用当前偏航轨迹和历史偏航轨迹的指纹相似度,从而利用了用户行为的相似度重新确定当前位置,大大提升了偏航后定位的准确率,同时基于重新确定的当前位置确定后续的导航路径,保障了用户在复杂道路偏航的准确性和安全性,减少了用户绕路的行为,持续提升用户在复杂道路场景的偏航体验。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是本申请实施例提供的一种导航方法的流程图;
图2是本申请实施例提供的一种导航方法中步骤103的流程图;
图3是本申请实施例中提供的一种导航方法中获得排序模型的流程图;
图4是本申请实施例提供的一种导航装置的组成框图;
图5是本申请实施例提供的一种导航装置中定位模块的框图;
图6是本申请实施例提供的一种导航装置中训练模块的框图;
图7是根据本申请实施例的导航方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
在不冲突的情况下,本申请各实施例及实施例中的各特征可相互组合。
如本文所使用的,术语“和/或”包括一个或多个相关列举条目的任何和所有组合。
本文所使用的术语仅用于描述特定实施例,且不意欲限制本申请。如本文所使用的,单数形式“一个”和“该”也意欲包括复数形式,除非上下文另外清楚指出。还将理解的是,当本说明书中使用术语“包括”和/或“由……制成”时,指定存在所述特征、整体、步骤、操作、元件和/或组件,但不排除存在或添加一个或多个其它特征、整体、步骤、操作、元件、组件和/或其群组。
当用户出现偏航时,可以根据偏航时刻的导航信息和附近道路的属性信息就近定位,或者,根据隐马尔可夫模型进行道路的序列解码,根据单个用户轨迹片段匹配到最合适的道路上。
这两种方式都局限在以隐马尔可夫算法为基础的序列解码,或采取LTR模型进行道路排序的方法进行偏航定位,未考虑到轨迹和轨迹之间的用户行为相似度的大数据统计特征。因此,在导航信号漂移情况下的抗噪能力较弱,在路网较为复杂的区域或者路网偏移的区域容易定位错误,且只依赖定位点在高架桥场景区分在高架上下的能力弱,无法对于相距较近且方向一致的主辅路进行有效识别。而且,目前对于用户从特定道路偏航到特定位置的行为信息刻画不足,在偏航后的定位效果不佳,导致用户体验差。
基于偏航后定位不准确,导致用户体验差的问题。以下实施例提供导航方法和导航装置,通过偏航轨迹的指纹相似度重新定位,并在此基础上提供导航路径。
第一方面,本申请实施例提供一种导航方法。图1为本申请实施例的导航方法的流程图。参照图1,导航方法包括:
步骤101,基于当前偏航轨迹获取当前偏航轨迹涉及道路的历史偏航轨迹。
其中,当前偏航轨迹和历史偏航轨迹均是由导航系统的轨迹点信息。导航系统可以是北斗导航系统、GPS导航系统等能够实现导航的系统。导航系统对被导航车辆进行监控,获得轨迹点信息。其中的轨迹点信息包括但不限于转向、速度、两个轨迹点之间的距离、经纬度和时间差等信息。
在一些实施例中,当前偏航轨迹是指车辆等被导航载体发生偏航后的行驶的轨迹。历史偏航轨迹是某个路口附近车辆等被导航载体发生偏航的时记录的轨迹。
每条道路在过去均可能出现过偏航现象,即历史偏航轨迹。当车辆发生偏航时,当前偏航轨迹可能会涉及一条或多条道路,此时,将涉及的所有道路的历史偏航轨迹作为参照,用以后续的定位。
在一些实施例中,可以通过角度、方向、速度、距离和局部路网来判断偏航。例如,当行驶角度大于预设角度阈值时,可以判断发生偏航。或者,当行驶速度大于预设距离阈值时,可以判断发生偏航。或者,结合角度、方向、速度、距离和局部路网中的任意两种以上要素判断是否发生偏航。
步骤102,计算当前偏航轨迹和历史偏航轨迹的指纹相似度。
其中,指纹相似度是指两条轨迹之间的相似程度,在本实施例中是指当前偏航轨迹和任意一条历史偏航轨迹的相似度。
在一些实施例中,历史偏航轨迹可能存在一条或多条轨迹。当历史偏航轨迹包括多条时,计算当前偏航轨迹和每条历史偏航轨迹的相似度,获得与历史偏航轨迹的数量相同的指纹相似度。
在一些实施例中,当前偏航轨迹和历史偏航轨迹的指纹相似度可以通过动态时间归整算法来计算。
步骤103,基于指纹相似度确定当前位置。
其中,当前位置是指车辆出现偏航后当前时刻的位置。
在本实施例中,基于指纹相似度确定偏航后车辆的位置,可以作为后续算路和诱导满足用户偏离原路线后的导航需求。
步骤104,基于当前位置确定后续的导航路径。
图2为本申请实施例提供的导航方法中步骤103的流程图。
在一些实施例中,参阅图2,步骤103包括:
步骤201,基于指纹相似度提取指纹相似度特征。
其中,指纹相似度特征包括指纹相似度最大值、指纹类别的相似度均值、指纹相似度数值特征中的一项或多项。
其中,指纹相似度最大值是指多条历史偏航轨迹中,与当前偏航轨迹最接近的历史偏航轨迹对应的指纹相似度。
例如,当基于当前偏航轨迹确定三条历史偏航轨迹时,如第一历史偏航轨迹、第二历史偏航轨迹和第三历史偏航轨迹,当前偏航轨迹与第一历史偏航轨迹的相似度为0.8,当前偏航轨迹与第二历史偏航轨迹的相似度为0.6,当前偏航轨迹与第三历史偏航轨迹的相似度为0.9,那么,第三历史偏航轨迹对应的指纹相似度为指纹相似度最大值。
其中,指纹类别的相似度是针对指纹类别确定的相似度。其中的指纹类别是指对偏航轨迹分类后获得的指纹类别。
例如,历史偏航轨迹中包括路段A至路段B的轨迹,出现路段A至路段B的轨迹的车辆可能是右转行驶的轨迹,也可能是左转行驶的轨迹,还可能是直行行驶的轨迹,因此,将历史偏航轨迹分为三个指纹类别。
其中,指纹相似度数值特征是指指纹相似度数值的特征,例如,按照指纹相似度进行排序后,根据数值的大小提取特征。
步骤202,基于指纹相似度特征对当前偏航轨迹涉及的道路进行排序,获得排序结果。
在一些实施例中,在对当前偏航轨迹涉及的道路进行排序时,可以通过排序模型进行排序,获得排序结果。
本实施例利用指纹相似度特征对当前偏航轨迹涉及的道路进行排序,可以避免提高排序的准确性,避免得到不合理的排序结果。
步骤203,将排序结果中排名最高的道路确定为当前位置。
在一些实施例中,以排名最高的道路作为偏航后定位的最可能结果,后续进行算路和诱导以满足用户偏离原路线后的导航需求。
图3为本申请实施例中获得排序模型的流程图。参阅图3,排序模型通过以下步骤获得:
步骤301,从指纹库中提取样本偏航轨迹涉及的道路的历史偏航轨迹。
其中,指纹库包括道路和指纹的映射关系,用以根据道路可以获得道路相关的指纹。
在一些实施例中,指纹库是通过以下步骤获得,即,通过用户实走后验轨迹得到线上用户真实偏航所在的正确道路,提取一段时间(如一个月)内某个路口附近全量偏航所在道路集合,并记录下偏航前用户产生的偏航轨迹。以道路为key,该道路所拥有的全量用户偏航轨迹(道路指纹)为value,灌入缓存器构建指纹库。该指纹库中包括道路到指纹的映射关系。
在一些实施例中,对指纹库中的短指纹、导航漂移指纹、异常指纹和噪声指纹进行过滤,以提高指纹库的质量,从而为后续获得更准确的排序结果。
其中,短指纹是指轨迹点数量低于预设数量阈值的指纹。例如,当预设数量值为5时,轨迹点少于5个点的指纹为短指纹。
其中,导航漂移指纹是指因导航信号原因造成的漂移指纹。在高架、树荫、高楼和天气状况恶劣的场景中容易出现导航漂移。
其中,异常指纹是指道路指纹明显出现异常的指纹。例如,轨迹点出现断点的指纹,或者,断点的时间或距离较长,这些指纹为异常指纹。
其中,噪声指纹是指轨迹点出现明显的跳跃,轨迹点远离平滑的轨迹线的点。出现异常的轨迹点较多的指纹即为噪声指纹。
步骤302,计算样本偏航轨迹和历史偏航轨迹的指纹相似度。
在一些实施例中,通过动态时间归整算法来计算当前偏航轨迹和历史偏航轨迹的指纹相似度。
步骤303,基于指纹相似度特征和辅助特征构建初始模型。
其中,辅助特征包括指纹热度特征、道路属性特征或偏航行为特征中的一种或多种。
其中,指纹热度特征是指指纹在指纹库中出现的频率,频率越高,指纹热度越高。道路属性特征是指道路的属性。例如,道路属性特征包括主路、辅路、高速路等属性。偏航行为特征是指用户在偏航时表现出的行为特征。例如,当用户在某个路段发生偏航时,用户并未调整偏航路径,说明这是用户习惯导致的偏航。当用户经常在某个路段调整偏航路径时,说明这是用户习惯导致的偏航。
在一些实施例中,根据样本偏航轨迹从指纹库中提取样本偏航轨迹涉及的道路,然后获得该道路相关的历史偏航轨迹。其中,样本偏航轨迹涉及的道路可以是偏航位置附近的道路。
在一些实施例中,初始模型可以是LTR模型,也可以是其它可用于排序的机器学习模型,本申请对此不作限定。
步骤304,基于道路真值训练初始模型,获得训练模型。
其中,道路真值是指真实的道路。道路真值可以利用地图获得,即利用地图匹配道路,获得真实的道路。利用道路真值训练初始模型,可以提高初始模型的可靠性。
在一些实施例中,利用道路真值和样本偏航轨迹对初始模型进行训练,获得训练模型。由于训练模型的泛化能力较弱,以及容易出现过拟合现象,因此,需要对训练模型进一步修正。
步骤305,利用交叉验证方式以及利用显著性检验回归分析方法提取道路的有效特征,对训练模型进行修正,获得排序模型。
在一些实施例中,通过K折(K-fold)交叉验证方式对训练模型进行修正,以提高模型的泛化能力。
在一些实施例中,利用显著性检验回归分析方法提取道路的有效特征,然后对训练模型进行修正,以避免在轨迹点的拟合过程中出现过拟合的问题。
在一些实施例中,通过K折(K-fold)交叉验证方式对训练模型进行修正的过程中,可以同时利用显著性检验回归分析方法提取道路的有效特征,然后对训练模型进行修正,获得排序模型。
在一些实施例中,排序模型还可以利用fast-gbdt模型构建分类器,对历史偏航轨迹进行分类,获得不同的指纹类别集合,以加快道路的排序。
通过计算需要预测的当前偏航轨迹的指纹相似度特征,利用排序模型对道路集合中的所有道路进行排序,以排名最高的道路作为偏航后定位的最可能结果,进而后续进行算路和诱导满足用户偏离原路线后的导航需求。
本申请实施例提供的导航方法,基于当前偏航轨迹获取当前偏航轨迹涉及道路的历史偏航轨迹;计算当前偏航轨迹和历史偏航轨迹的指纹相似度;基于指纹相似度确定当前位置;基于当前位置确定后续的导航路径利用当前偏航轨迹和历史偏航轨迹的指纹相似度,重新确定当前位置,大大提升了偏航后定位的准确率,同时基于重新确定的当前位置确定后续的导航路径,保障了用户在复杂道路偏航的准确性和安全性,减少了用户绕路的行为,持续提升用户在复杂道路场景的偏航体验。
第二方面,参照图4,本申请实施例提供一种装置。导航装置包括:
获取模块401,用于基于当前偏航轨迹获取当前偏航轨迹涉及道路的历史偏航轨迹。
其中,当前偏航轨迹和历史偏航轨迹均是由导航系统的轨迹点信息。导航系统可以是北斗导航系统、GPS导航系统等能够实现导航的系统。导航系统对被导航车辆进行监控,获得轨迹点信息。其中的轨迹点信息包括但不限于转向、速度、两个轨迹点之间的距离、经纬度和时间差等信息。
在一些实施例中,当前偏航轨迹是指车辆等被导航载体发生偏航后的行驶的轨迹。历史偏航轨迹是某个路口附近车辆等被导航载体发生偏航的时记录的轨迹。
每条道路在过去均可能出现过偏航现象,即历史偏航轨迹。当车辆发生偏航时,当前偏航轨迹可能会涉及一条或多条道路,此时,将涉及的所有道路的历史偏航轨迹作为参照,用以后续的定位。
在一些实施例中,可以通过角度、方向、速度、距离和局部路网来判断偏航。例如,当行驶角度大于预设角度阈值时,可以判断发生偏航。或者,当行驶速度大于预设距离阈值时,可以判断发生偏航。或者,结合角度、方向、速度、距离和局部路网中的任意两种以上要素判断是否发生偏航。
计算模块402,用于计算当前偏航轨迹和历史偏航轨迹的指纹相似度。
其中,指纹相似度是指两条轨迹之间的相似程度,在本实施例中是指当前偏航轨迹和任意一条历史偏航轨迹的相似度。
在一些实施例中,历史偏航轨迹可能存在一条或多条轨迹。当历史偏航轨迹包括多条时,计算当前偏航轨迹和每条历史偏航轨迹的相似度,获得与历史偏航轨迹的数量相同的指纹相似度。
在一些实施例中,当前偏航轨迹和历史偏航轨迹的指纹相似度可以通过动态时间归整算法来计算。
定位模块403,用于基于指纹相似度确定当前位置。
其中,当前位置是指车辆出现偏航后当前时刻的位置。
在本实施例中,基于指纹相似度确定偏航后车辆的位置,可以作为后续算路和诱导满足用户偏离原路线后的导航需求。
导航路径确定模块404,用于基于当前位置确定后续的导航路径。
在一些实施例中,如图5所示,定位模块包括:
特征提取单元501,用于基于指纹相似度获得指纹相似度特征。
其中,指纹相似度特征包括指纹相似度最大值、指纹类别的相似度均值、指纹相似度数值特征中的一项或多项。
其中,指纹相似度最大值是指多条历史偏航轨迹中,与当前偏航轨迹最接近的历史偏航轨迹对应的指纹相似度。
例如,当基于当前偏航轨迹确定三条历史偏航轨迹时,如第一历史偏航轨迹、第二历史偏航轨迹和第三历史偏航轨迹,当前偏航轨迹与第一历史偏航轨迹的相似度为0.8,当前偏航轨迹与第二历史偏航轨迹的相似度为0.6,当前偏航轨迹与第三历史偏航轨迹的相似度为0.9,那么,第三历史偏航轨迹对应的指纹相似度为指纹相似度最大值。
其中,指纹类别的相似度是针对指纹类别确定的相似度。其中的指纹类别是指对偏航轨迹分类后获得的指纹类别。
例如,历史偏航轨迹中包括路段A至路段B的轨迹,出现路段A至路段B的轨迹的车辆可能是右转行驶的轨迹,也可能是左转行驶的轨迹,还可能是直行行驶的轨迹,因此,将历史偏航轨迹分为三个指纹类别。
其中,指纹相似度数值特征是指指纹相似度数值的特征,例如,按照指纹相似度进行排序后,根据数值的大小提取特征。
排序单元502,用于基于指纹相似度特征对当前偏航轨迹涉及的道路进行排序,获得排序结果。
其中,指纹相似度特征包括指纹相似度最大值、指纹类别的相似度均值、指纹相似度数值特征中的一项或多项。
在一些实施例中,在对当前偏航轨迹涉及的道路进行排序时,可以通过排序模型进行排序,获得排序结果。
本实施例利用指纹相似度特征对当前偏航轨迹涉及的道路进行排序,可以避免提高排序的准确性,避免得到不合理的排序结果。
位置确定单元503,用于将排序结果中排名最高的道路确定为当前位置。
在一些实施例中,以排名最高的道路作为偏航后定位的最可能结果,后续进行算路和诱导以满足用户偏离原路线后的导航需求。
在一些实施例中,排序装置还包括模型训练模块,图6所示,模型训练模块包括:
轨迹提取单元601,用于从指纹库中提取样本偏航轨迹涉及的道路的历史偏航轨迹。
其中,指纹库包括道路和指纹的映射关系,用以根据道路可以获得道路相关的指纹。
在一些实施例中,指纹库是通过以下步骤获得,即,通过用户实走后验轨迹得到线上用户真实偏航所在的正确道路,提取一段时间(如一个月)内某个路口附近全量偏航所在道路集合,并记录下偏航前用户产生的偏航轨迹。以道路为key,该道路所拥有的全量用户偏航轨迹(道路指纹)为value,灌入缓存器构建指纹库。该指纹库中包括道路到指纹的映射关系。
在一些实施例中,对指纹库中的短指纹、导航漂移指纹、异常指纹和噪声指纹进行过滤,以提高指纹库的质量,从而为后续获得更准确的排序结果。
其中,短指纹是指轨迹点数量低于预设数量阈值的指纹。例如,当预设数量值为5时,轨迹点少于5个点的指纹为短指纹。
其中,导航漂移指纹是指因导航信号原因造成的漂移指纹。在高架、树荫、高楼和天气状况恶劣的场景中容易出现导航漂移。
其中,异常指纹是指道路指纹明显出现异常的指纹。例如,轨迹点出现断点的指纹,或者,断点的时间或距离较长,这些指纹为异常指纹。
其中,噪声指纹是指轨迹点出现明显的跳跃,轨迹点远离平滑的轨迹线的点。出现异常的轨迹点较多的指纹即为噪声指纹。
计算单元602,用于计算样本偏航轨迹和历史偏航轨迹的指纹相似度。
在一些实施例中,通过动态时间归整算法来计算当前偏航轨迹和历史偏航轨迹的指纹相似度。
模型构建单元603,用于基于指纹相似度特征和辅助特征构建初始模型。
其中,辅助特征包括指纹热度特征、道路属性特征或偏航行为特征中的一种或多种。
其中,指纹热度特征是指指纹在指纹库中出现的频率,频率越高,指纹热度越高。道路属性特征是指道路的属性。例如,道路属性特征包括主路、辅路、高速路等属性。偏航行为特征是指用户在偏航时表现出的行为特征。例如,当用户在某个路段发生偏航时,用户并未调整偏航路径,说明这是用户习惯导致的偏航。当用户经常在某个路段调整偏航路径时,说明这是用户习惯导致的偏航。
在一些实施例中,根据样本偏航轨迹从指纹库中提取样本偏航轨迹涉及的道路,然后获得该道路相关的历史偏航轨迹。其中,样本偏航轨迹涉及的道路可以是偏航位置附近的道路。
在一些实施例中,初始模型可以是LTR模型,也可以是其它可用于排序的机器学习模型,本申请对此不作限定。
模型训练单元604,用于基于道路真值训练初始模型,获得训练模型。
其中,道路真值是指真实的道路。道路真值可以利用地图获得,即利用地图匹配道路,获得真实的道路。利用道路真值训练初始模型,可以提高初始模型的可靠性。
在一些实施例中,利用道路真值和样本偏航轨迹对初始模型进行训练,获得训练模型。由于训练模型的泛化能力较弱,以及容易出现过拟合现象,因此,需要对训练模型进一步修正。
模型修正单元605,用于利用K-fold交叉验证方式以及利用显著性检验回归分析方法提取道路的有效特征,对训练模型进行修正,获得排序模型。
在一些实施例中,通过K折(K-fold)交叉验证方式对训练模型进行修正,以提高模型的泛化能力。
在一些实施例中,利用显著性检验回归分析方法提取道路的有效特征,然后对训练模型进行修正,以避免在轨迹点的拟合过程中出现过拟合的问题。
在一些实施例中,通过K折(K-fold)交叉验证方式对训练模型进行修正的过程中,可以同时利用显著性检验回归分析方法提取道路的有效特征,然后对训练模型进行修正,获得排序模型。
在一些实施例中,排序模型还可以利用fast-gbdt模型构建分类器,对历史偏航轨迹进行分类,获得不同的指纹类别集合,以加快道路的排序。
通过计算需要预测的当前偏航轨迹的指纹相似度特征,利用排序模型对道路集合中的所有道路进行排序,以排名最高的道路作为偏航后定位的最可能结果,进而后续进行算路和诱导满足用户偏离原路线后的导航需求。
本申请实施例提供的导航装置,获取模块基于当前偏航轨迹获取当前偏航轨迹涉及道路的历史偏航轨迹;计算模块计算当前偏航轨迹和历史偏航轨迹的指纹相似度;定位模块基于指纹相似度确定当前位置;导航路径确定模块基于当前位置确定后续的导航路径,该导航装置利用当前偏航轨迹和历史偏航轨迹的指纹相似度,重新确定当前位置,大大提升了偏航后定位的准确率,同时基于重新确定的当前位置确定后续的导航路径,保障了用户在复杂道路偏航的准确性和安全性,减少了用户绕路的行为,持续提升用户在复杂道路场景的偏航体验。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图7所示,是根据本申请实施例的导航方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图7所示,该电子设备包括:一个或多个处理器701、存储器702,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图7中以一个处理器701为例。
存储器702即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的导航方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的导航方法。
存储器702作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的导航方法对应的程序指令/模块。处理器701通过运行存储在存储器702中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的导航方法。
存储器702可以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、至少一个功能所需要的应用程序;存储数据区可存储根据电子设备的使用所创建的数据等。此外,存储器702可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器702可选包括相对于处理器701远程设置的存储器,这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
导航方法的电子设备还可以包括:输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704可以通过总线或者其他方式连接,图7中以通过总线连接为例。
输入装置703可接收输入的数字或字符信息,以及产生与导航方法的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置704可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (13)
1.一种导航方法,其特征在于,包括:
基于当前偏航轨迹获取所述当前偏航轨迹涉及道路的历史偏航轨迹;
计算所述当前偏航轨迹和所述历史偏航轨迹的指纹相似度;
基于所述指纹相似度确定当前位置;
基于所述当前位置确定后续的导航路径。
2.根据权利要求1所述的方法,其特征在于,所述基于所述指纹相似度确定当前位置,包括:
基于所述指纹相似度提取指纹相似度特征;
基于所述指纹相似度特征对所述当前偏航轨迹涉及的道路进行排序,获得排序结果;
将所述排序结果中排名最高的道路确定为当前位置。
3.根据权利要求2所述的方法,其特征在于,所述指纹相似度特征包括指纹相似度最大值、指纹类别的相似度均值、指纹相似度数值特征中的一项或多项。
4.根据权利要求2所述的方法,其特征在于,所述基于所述指纹相似度特征对所述当前偏航轨迹涉及的道路进行排序,获得排序结果,包括:
利用排序模型基于所述指纹相似度特征对所述道路集合中的所有道路进行排序,获得排序结果。
5.根据权利要求4所述的方法,其特征在于,所述排序模型通过以下步骤获得:
从指纹库中提取样本偏航轨迹涉及的道路的历史偏航轨迹;
计算所述样本偏航轨迹和所述历史偏航轨迹的指纹相似度;
基于所述指纹相似度特征和辅助特征构建初始模型;
基于道路真值训练所述初始模型,获得训练模型;
利用交叉验证方式和/或利用显著性检验回归分析方法提取所述道路的有效特征,对所述训练模型进行修正,获得排序模型。
6.根据权利要求5所述的方法,其特征在于,所述辅助特征包括指纹热度特征、道路属性特征或偏航行为特征中的一种或多种。
7.一种导航装置,其特征在于,包括:
获取模块,用于基于当前偏航轨迹获取所述当前偏航轨迹涉及道路的历史偏航轨迹;
计算模块,用于计算所述当前偏航轨迹和所述历史偏航轨迹的指纹相似度;
定位模块,用于基于所述指纹相似度确定当前位置;
导航路径确定模块,用于基于所述当前位置确定后续的导航路径。
8.根据权利要求7所述的装置,其特征在于,所述定位模块包括:
特征提取单元,用于基于所述指纹相似度获得指纹相似度特征;
排序单元,用于基于所述指纹相似度特征对所述当前偏航轨迹涉及的道路进行排序,获得排序结果;
位置确定单元,用于将所述排序结果中排名最高的道路确定为当前位置。
9.根据权利要求7所述的装置,其特征在于,所述指纹相似度特征包括指纹相似度最大值、指纹类别的相似度均值、指纹相似度数值特征中的一项或多项。
10.根据权利要求7所述的装置,其特征在于,所述装置还包括模型训练模块,所述模型训练模块包括:
轨迹提取单元,用于从指纹库中提取样本偏航轨迹涉及的道路的历史偏航轨迹;
计算单元,用于计算所述样本偏航轨迹和所述历史偏航轨迹的指纹相似度;
模型构建单元,用于基于所述指纹相似度特征和辅助特征构建初始模型;
模型训练单元,用于基于道路真值训练所述初始模型,获得训练模型;
模型修正单元,用于利用K-fold交叉验证方式以及利用显著性检验回归分析方法提取所述道路的有效特征,对所述训练模型进行修正,获得排序模型。
11.根据权利要求10所述的装置,其特征在于,所述辅助特征包括指纹热度特征、道路属性特征或偏航行为特征中的一种或多种。
12.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。
13.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010855534.8A CN111982144B (zh) | 2020-08-20 | 2020-08-20 | 导航方法、装置、电子设备及计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010855534.8A CN111982144B (zh) | 2020-08-20 | 2020-08-20 | 导航方法、装置、电子设备及计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111982144A true CN111982144A (zh) | 2020-11-24 |
CN111982144B CN111982144B (zh) | 2022-07-15 |
Family
ID=73442494
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010855534.8A Active CN111982144B (zh) | 2020-08-20 | 2020-08-20 | 导航方法、装置、电子设备及计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111982144B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111811533A (zh) * | 2020-07-06 | 2020-10-23 | 腾讯科技(深圳)有限公司 | 偏航判定方法、装置及电子设备 |
CN112822637A (zh) * | 2021-01-06 | 2021-05-18 | 腾讯科技(深圳)有限公司 | 导航起始路段的确定方法、装置、电子设备及存储介质 |
CN114088099A (zh) * | 2021-11-18 | 2022-02-25 | 北京易航远智科技有限公司 | 基于已知地图的语义重定位方法、装置、电子设备及介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6502033B1 (en) * | 2000-10-05 | 2002-12-31 | Navigation Technologies Corp. | Turn detection algorithm for vehicle positioning |
WO2019000472A1 (zh) * | 2017-06-30 | 2019-01-03 | 广东欧珀移动通信有限公司 | 导航方法、装置、存储介质以及服务器 |
CN109697221A (zh) * | 2018-11-22 | 2019-04-30 | 东软集团股份有限公司 | 轨迹规律的挖掘方法、装置、存储介质及电子设备 |
CN109870164A (zh) * | 2017-12-01 | 2019-06-11 | 上海博泰悦臻网络技术服务有限公司 | 导航终端及其路线偏好预测方法 |
CN110443288A (zh) * | 2019-07-19 | 2019-11-12 | 浙江大学城市学院 | 一种基于排序学习的轨迹相似性计算方法 |
CN110516708A (zh) * | 2019-07-23 | 2019-11-29 | 江苏大学 | 一种基于轨迹与路网匹配的路径预测方法 |
CN110579219A (zh) * | 2019-09-09 | 2019-12-17 | 腾讯大地通途(北京)科技有限公司 | 轨迹数据处理方法、装置、存储介质和计算机设备 |
CN110749319A (zh) * | 2018-12-19 | 2020-02-04 | 北京嘀嘀无限科技发展有限公司 | 一种路线偏移检测的方法、装置和电子设备 |
CN110795467A (zh) * | 2019-09-26 | 2020-02-14 | 腾讯大地通途(北京)科技有限公司 | 交通规则数据处理方法、装置、存储介质和计算机设备 |
CN111323035A (zh) * | 2019-12-18 | 2020-06-23 | 北京嘀嘀无限科技发展有限公司 | 一种行驶偏航的检测方法、检测装置及可读存储介质 |
CN111402580A (zh) * | 2020-03-04 | 2020-07-10 | 杭州海康威视系统技术有限公司 | 车辆行驶轨迹预测方法、装置及电子设备 |
CN111488984A (zh) * | 2020-04-03 | 2020-08-04 | 中国科学院计算技术研究所 | 一种用于训练轨迹预测模型的方法和轨迹预测方法 |
-
2020
- 2020-08-20 CN CN202010855534.8A patent/CN111982144B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6502033B1 (en) * | 2000-10-05 | 2002-12-31 | Navigation Technologies Corp. | Turn detection algorithm for vehicle positioning |
WO2019000472A1 (zh) * | 2017-06-30 | 2019-01-03 | 广东欧珀移动通信有限公司 | 导航方法、装置、存储介质以及服务器 |
CN110573837A (zh) * | 2017-06-30 | 2019-12-13 | Oppo广东移动通信有限公司 | 导航方法、装置、存储介质以及服务器 |
CN109870164A (zh) * | 2017-12-01 | 2019-06-11 | 上海博泰悦臻网络技术服务有限公司 | 导航终端及其路线偏好预测方法 |
CN109697221A (zh) * | 2018-11-22 | 2019-04-30 | 东软集团股份有限公司 | 轨迹规律的挖掘方法、装置、存储介质及电子设备 |
CN110749319A (zh) * | 2018-12-19 | 2020-02-04 | 北京嘀嘀无限科技发展有限公司 | 一种路线偏移检测的方法、装置和电子设备 |
CN110443288A (zh) * | 2019-07-19 | 2019-11-12 | 浙江大学城市学院 | 一种基于排序学习的轨迹相似性计算方法 |
CN110516708A (zh) * | 2019-07-23 | 2019-11-29 | 江苏大学 | 一种基于轨迹与路网匹配的路径预测方法 |
CN110579219A (zh) * | 2019-09-09 | 2019-12-17 | 腾讯大地通途(北京)科技有限公司 | 轨迹数据处理方法、装置、存储介质和计算机设备 |
CN110795467A (zh) * | 2019-09-26 | 2020-02-14 | 腾讯大地通途(北京)科技有限公司 | 交通规则数据处理方法、装置、存储介质和计算机设备 |
CN111323035A (zh) * | 2019-12-18 | 2020-06-23 | 北京嘀嘀无限科技发展有限公司 | 一种行驶偏航的检测方法、检测装置及可读存储介质 |
CN111402580A (zh) * | 2020-03-04 | 2020-07-10 | 杭州海康威视系统技术有限公司 | 车辆行驶轨迹预测方法、装置及电子设备 |
CN111488984A (zh) * | 2020-04-03 | 2020-08-04 | 中国科学院计算技术研究所 | 一种用于训练轨迹预测模型的方法和轨迹预测方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111811533A (zh) * | 2020-07-06 | 2020-10-23 | 腾讯科技(深圳)有限公司 | 偏航判定方法、装置及电子设备 |
CN112822637A (zh) * | 2021-01-06 | 2021-05-18 | 腾讯科技(深圳)有限公司 | 导航起始路段的确定方法、装置、电子设备及存储介质 |
CN112822637B (zh) * | 2021-01-06 | 2022-03-29 | 腾讯科技(深圳)有限公司 | 导航起始路段的确定方法、装置、电子设备及存储介质 |
CN114088099A (zh) * | 2021-11-18 | 2022-02-25 | 北京易航远智科技有限公司 | 基于已知地图的语义重定位方法、装置、电子设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111982144B (zh) | 2022-07-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111122175B (zh) | 测试自动驾驶系统的方法以及装置 | |
CN111982144B (zh) | 导航方法、装置、电子设备及计算机可读介质 | |
CN110675644B (zh) | 道路红绿灯的识别方法、装置、电子设备及存储介质 | |
CN112581763A (zh) | 道路事件检测的方法、装置、设备和存储介质 | |
JP2020166268A (ja) | 地図軌跡マッチングデータの品質決定方法、装置、サーバ及び媒体 | |
CN110675651A (zh) | 停车场推荐方法和装置 | |
CN111694973A (zh) | 自动驾驶场景的模型训练方法、装置、电子设备 | |
CN110979346A (zh) | 确定车辆所处车道的方法、装置及设备 | |
CN110617831B (zh) | 生成导航路线的方法、装置及设备 | |
CN111967301A (zh) | 定位导航方法、装置、电子设备和存储介质 | |
CN110097121B (zh) | 一种行驶轨迹的分类方法、装置、电子设备及存储介质 | |
CN113723141A (zh) | 车辆的定位方法、装置、电子设备、车辆及存储介质 | |
CN110823237B (zh) | 起点绑路及预测模型获取方法、装置及存储介质 | |
CN110514211B (zh) | 定位方法、装置、设备和介质 | |
CN113091757B (zh) | 地图生成方法和装置 | |
CN111693059B (zh) | 环岛的导航方法、装置、设备及存储介质 | |
US20160238400A1 (en) | Integration of historical user experience analytics into route recommendations | |
CN111310840A (zh) | 数据融合处理方法、装置、设备和存储介质 | |
CN111767360A (zh) | 路口虚拟车道标注的方法及装置 | |
CN110852780A (zh) | 数据分析方法、装置、设备和计算机存储介质 | |
CN112101527A (zh) | 识别车道变化的方法和装置、电子设备和存储介质 | |
CN113837268A (zh) | 确定轨迹点状态的方法、装置、设备和介质 | |
CN112712701A (zh) | 基于识别装置的路线确定方法、装置、设备及存储介质 | |
CN112800153A (zh) | 隔离带信息的挖掘方法、装置、设备和计算机存储介质 | |
CN111260656B (zh) | 分析导航轨迹的方法以及装置 |
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 |