CN112269848B - 一种众包轨迹数据融合方法及装置 - Google Patents
一种众包轨迹数据融合方法及装置 Download PDFInfo
- Publication number
- CN112269848B CN112269848B CN202011198975.1A CN202011198975A CN112269848B CN 112269848 B CN112269848 B CN 112269848B CN 202011198975 A CN202011198975 A CN 202011198975A CN 112269848 B CN112269848 B CN 112269848B
- Authority
- CN
- China
- Prior art keywords
- track
- point
- points
- data
- partition
- 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/513—Sparse representations
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种众包轨迹数据融合方法及装置,该方法包括:对众包轨迹数据预处理,为每一个轨迹点标记对应的栅格分区区号;基于master‑workers模式的众包轨迹数据处理,对众包轨迹数据进行切分,将轨迹点处理任务发送任务队列,worker节点监控任务队列并获取轨迹点处理任务;众包轨迹数据融合,对worker节点处理结果进行合并拼接,将合并后的轨迹数据标记为新的ID,从而实现众包轨迹数据的融合,可以提高轨迹数据融合处理效率。
Description
技术领域
本发明涉及分布式数据处理领域,尤其涉及一种众包轨迹数据融合方法及装置。
背景技术
在自动驾驶领域,为准确控制车辆的行驶,需要制作高精度地图为自动驾驶车辆提供车道级的驾驶指引,而高精度地图绘制离不开众包车辆轨迹形点数据。众包轨迹数据采集成本低,且适用范围广、数据鲜度高,方便作为高精度地图制作的基础数据,可以提高高精度地图的更新频率。然而,众包采集的轨迹数据数据量较为庞大,在进行轨迹数据处理时,单机单批次处理时间较长,即使提高计算机上硬件配置,轨迹数据融合处理效率仍较低。
发明内容
有鉴于此,本发明实施例提供了一种众包轨迹数据融合方法及装置,以解决轨迹数据融合处理效率低的问题。
在本发明实施例的第一方面,提供了一种众包轨迹数据融合方法,包括:
对众包轨迹数据预处理,为每一个轨迹点标记对应的栅格分区区号;
根据轨迹点栅格分区区号对众包轨迹数据进行切分,在master节点上统计连续轨迹总量,并将轨迹点处理任务发送任务队列,worker节点监控任务队列并获取轨迹点处理任务;
其中,在worker节点上,对同一分区的轨迹点进行轨迹稀疏化处理,选取分区内与起始轨迹点的欧氏距离小于预定值的轨迹点为待处理点集,计算每个轨迹点方向,并基于起始轨迹点的位置和方向构建矩形检索框,将待处理点集中位于矩形检索框内的轨迹点和起始轨迹点标记为已处理,并对检索框内的轨迹点进行线性拟合优化,从全量轨迹点中去除标记为已处理的轨迹点,重复进行轨迹点拟合优化,直至遍历完全量轨迹点数据;
master节点记录worker节点任务处理状态,当全部任务执行完毕,将worker节点处理结果进行合并,对合并后的轨迹数据拼接,将合并后的轨迹数据标记为新的ID,每一个ID对应于一条完整的轨迹数据。
在本发明实施例的第二方面,提供了一种用于众包轨迹数据融合的装置,包括:
预处理模块,用于对众包轨迹数据预处理,为每一个轨迹点标记对应的栅格分区区号;
任务分发模块,用于根据轨迹点栅格分区区号对众包轨迹数据进行切分,在master节点上统计连续轨迹总量,并将轨迹点处理任务发送任务队列,worker节点监控任务队列并获取轨迹点处理任务;
其中,在worker节点上,对同一分区的轨迹点进行轨迹稀疏化处理,选取分区内与起始轨迹点的欧氏距离小于预定值的轨迹点为待处理点集,计算每个轨迹点方向,并基于起始轨迹点的位置和方向构建矩形检索框,将待处理点集中位于矩形检索框内的轨迹点和起始轨迹点标记为已处理,并对检索框内的轨迹点进行线性拟合优化,从全量轨迹点中去除标记为已处理的轨迹点,重复进行轨迹点拟合优化,直至遍历完全量轨迹点数据;
数据融合模块,用于master节点记录worker节点任务处理状态,当全部任务执行完毕,将worker节点处理结果进行合并,对合并后的轨迹数据拼接,将合并后的轨迹数据标记为新的ID,每一个ID对应于一条完整的轨迹数据。
在本发明实施例的第三方面,提供了一种电子设备,包括存储器、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如本发明实施例第一方面所述方法的步骤。
本发明实施例的第四方面,提供了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第一方面提供的所述方法的步骤。
本发明实施例中,对众包轨迹数据预处理,为每一个轨迹点标记对应的栅格分区区号,基于master-workers模式的分布式众包轨迹数据处理,master节点将轨迹点处理任务发送任务队列,worker节点监控任务队列并获取轨迹点处理任务;在worker节点上,进行轨迹点稀疏化处理,选取待处理点集,计算每个轨迹点方向,并构建矩形检索框,对检索框内的轨迹点进行线性拟合优化,重复进行轨迹点拟合优化,直至遍历完全量轨迹点数据,最后,worker节点处理结果进行合并拼接,将合并后的轨迹数据标记为新的ID。从而提高轨迹数据融合处理效率,并提升硬件资源利用效率,方便进行计算能力的横向扩展。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单介绍,显而易见地,下面描述的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获取其他附图。
图1为本发明的一个实施例提供的一种众包轨迹数据融合方法的流程示意图;
图2为本发明的一个实施例提供的一种众包轨迹数据融合方法的另一流程示意图;
图3为本发明的一个实施例提供的一种用于众包轨迹数据融合的装置的结构示意图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
本发明的说明书或权利要求书及上述附图中的术语“包括”以及其他相近意思表述,意指覆盖不排他的包含,如包含一系列步骤或单元的过程、方法或系统、设备没有限定于已列出的步骤或单元。
请参阅图1,图1为本发明一个实施例提供的一种众包轨迹数据融合方法的流程示意图,包括:
S101、众包轨迹数据预处理;
所述众包轨迹数据为众包车辆采集的轨迹数据,对于需要融合处理的众包轨迹数据,经过预处理后方便进行分布式融合处理。具体的,对众包轨迹数据预处理,为每一个轨迹点标记对应的栅格分区区号。
对覆盖全国的经纬度范围进行矩形栅格分区,其中,level_n表示栅格等级,可分为多级,每级对应不同的栅格长(Ln)宽(Wn),其中Ln=Ln+1×2,Wn=Wn+1×2level_n表示栅格等级,可分为多级,每级对应不同的栅格长(Ln)宽(wn),其中Ln=Ln+1×2,Wn=Wn+1×2。
优选的,基于莫顿码计算得到各分区唯一区号。分区矩形的顶点经纬度可以表示为Pn1,Pn2,Pn3,Pn4,将采集到的众包轨迹数据根据每个轨迹点的轨迹点坐标与划分好的分区矩形(Pn1,Pn2,Pn3,Pn4)进行大小比较,为每一个轨迹点标记上对应的区号。
可选的,为不同车辆的轨迹点标记不同的车辆编号VID;当同一车辆的连续轨迹被划分至两个或两个以上的栅格分区时,将跨分区处两侧的两个轨迹点收集到点集中,即将所有跨分区处的距离分区边界左边和右边最近的两个点收集到点集ΩP={P1,P2......},对点集中的形点按采集时间进行排序后,依次添加车辆编号,如依次打上标签VID1,VID'1,VID2,VID'2...。
S102、基于master-workers模式的分布式众包轨迹数据处理;
所述master-workers模式为并行设计模式,master节点和N个work节点分开部署,部署到N+1台机器上,充分利用计算资源,提高数据处理效率。
具体的,根据轨迹点栅格分区区号对众包轨迹数据进行切分,在master节点上统计连续轨迹总量,并将轨迹点处理任务发送任务队列,worker节点监控任务队列并获取轨迹点处理任务。
将需要处理的众包轨迹数据按已分配的分区号进行数据切分,在master节点上统计数据库中连续轨迹总量Line_Cnt,初始化所有任务的任务状态,将所有任务发往任务队列;worker节点处理完成后,将处理的结果写入数据库,并更新该任务的任务状态;多个work节点监控任务队列状态,竞争领取任务并执行,执行完毕后更新状态并继续领取任务。
可选的,将任一连续轨迹S_line上面的轨迹点的区号标记任务,发送给任意一个worker节点处理。
其中,在worker节点上,对同一分区的轨迹点进行轨迹稀疏化处理,选取分区内与起始轨迹点的欧氏距离小于预定值的轨迹点为待处理点集,计算每个轨迹点方向,并基于起始轨迹点的位置和方向构建矩形检索框,将待处理点集中位于矩形检索框内的轨迹点和起始轨迹点标记为已处理,并对检索框内的轨迹点进行线性拟合优化,从全量轨迹点中去除标记为已处理的轨迹点,重复进行轨迹点拟合优化,直至遍历完全量轨迹点数据;
S103、众包轨迹数据融合。
master节点记录worker节点任务处理状态,当全部任务执行完毕,将worker节点处理结果进行合并,对合并后的轨迹数据拼接,将合并后的轨迹数据标记为新的ID,每一个ID对应于一条完整的轨迹数据。
在各worker节点处理结果合并:master节点根据状态表的记录,获取work节点执行完毕的任务标记,在全部任务执行完毕之后,将所有任务的执行结果进行合并。
合并后的轨迹数据拼接,将合并后的轨迹数据集中相对应的VIDn,VID'n数据进行合并,并将合并后的轨迹数据重新标记为新的ID,所有数据合并完成后,每一个ID所对应的完整轨迹数据,即为融合轨迹数据。
在本发明的另一实施例中,如图2所示,图2为步骤102中worker节点的数据处理算法的流程示意图,包括:
S201、轨迹点稀疏化处理;
同一VID车辆编号的轨迹点按采集时间升序排序,以首点为第一个起始点开始向后遍历,将以首点为圆心预定距离(如1.5米)为半径的圆形区域内的其他轨迹点删除,再以首个不在圆形区域内的点为新的圆心,重复上述步骤,直到遍历过所有点。在上述删除操作中,若需要删除的点为轨迹的最后一个形点,则不删除该点,所有未删除的点即为稀疏后的新车辆轨迹点集Ω',且首尾两点一定在ΩP中。将各分区内所有不同车辆的轨迹均进行此操作。
S202、选取待处理点集;
遍历所有轨迹形点数据,以轨迹数据的第一个形点为起点,选取将该分区区域内形点中与该起点的欧式距离小于预定距离(如100米)的形点作为待处理点集Ω。
S203、计算轨迹点方向;
对于任意轨迹点Pn,其在XY坐标系下的坐标为(xn,yn)。轨迹点的方向可使用角度或方向向量来表示。其中,Pn+2(xn+2,yn+2)为Pn的后续第二个形点,方向向量/>与X轴正方向夹角即为所求形点方向。
S204、构建矩形检索框;
以分区起始轨迹点的位置和方向构建矩形检索框,具体的,矩形检索框的四个顶点为A、B、C、D,AB的中点为起点轨迹点,BC平行于该轨迹点的方向,AB长度为1.5m,BC长度为5-15米,矩形检索框大小可根据实际路况调整。从待处理形点数据集Ω中选取在此矩形检索框内的形点集记为Ω0,并在全量轨迹形点集内将该起始形点和Ω0内的点标记为已处理。点集Ω0内的轨迹点数量多于设定的阈值数量,则认为轨迹真实存在,该阈值一般根据采集设备的采集点频率调整。
S205、线性拟合优化;
将检索框内轨迹数据认为是直线段,对Ω0内轨迹点进行线性拟合优化。其中,线性拟合可以使用线性最小二乘法,或随机一致性抽样(RANSAC)算法,或泰尔森回归(Theil-Sen Regression)算法,或Huber回归(Huber Regression)等稳健的回归算法。拟合优化时设置其拟合后起始点(即首点)坐标不变,若拟合时存在被标记为VIDn的数据,则拟合后的首点被标记为轨迹点中VID为最小值的编号VIDn。
S206、循环检索拟合。
其中,当Ω0的数量未达到阈值要求且轨迹数据中不含ΩP数据集数据时,将已经连续检索拟合优化得到的轨迹数据标记为新的线ID;当Ω0的数量未达到阈值要求但数据包含ΩP数据集数据时,仍对轨迹数据进行拟合优化,拟合优化得到的数据尾点被标记为这些点中VID为最小值的标记VID'n,并将已经连续检索拟合优化得到的轨迹数据标记为新的线ID,轨迹线ID全局不重复,直至全量轨迹数据遍历标记结束。
通过本实施例提供的方法,采用分布式架构,对众包轨迹数据拆分并行处理,高效利用计算机硬件资源,提升数据处理效率。同时,可以随着对集群资源的添加实现计算能力的横向扩展,在数据量扩大的情况下可以扩展集群提高计算效率。
应理解,上述实施例中各步骤的序号大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
图3为本发明实施例提供的一种用于众包轨迹数据融合的装置的结构示意图,该装置包括:
预处理模块310,用于对众包轨迹数据预处理,为每一个轨迹点标记对应的栅格分区区号;
其中,基于莫顿码计算各分区唯一的区号。
可选的,为不同车辆的轨迹点标记不同的车辆编号;当同一车辆的连续轨迹被划分至两个或两个以上的栅格分区时,将跨分区处两侧的两个轨迹点收集到点集中,对点集中的形点按采集时间进行排序后,依次添加车辆编号。
任务分发模块320,用于根据轨迹点栅格分区区号对众包轨迹数据进行切分,在master节点上统计连续轨迹总量,并将轨迹点处理任务发送任务队列,worker节点监控任务队列并获取轨迹点处理任务;
可选的,将连续轨迹上的轨迹点区号标记任务发送至任意的worker节点处理。
worker节点处理完成后,将处理结果写入数据库中,并更新任务状态。
其中,在worker节点上,对同一分区的轨迹点进行轨迹稀疏化处理,选取分区内与起始轨迹点的欧氏距离小于预定值的轨迹点为待处理点集,计算每个轨迹点方向,并基于起始轨迹点的位置和方向构建矩形检索框,将待处理点集中位于矩形检索框内的轨迹点和起始轨迹点标记为已处理,并对检索框内的轨迹点进行线性拟合优化,从全量轨迹点中去除标记为已处理的轨迹点,重复进行轨迹点拟合优化,直至遍历完全量轨迹点数据;
具体的,所述对同一分区的轨迹点进行轨迹稀疏化处理包括:
在栅格分区中,将以分区起始轨迹点为圆心,以预定距离为半径构成的圆形区域内的除起始轨迹点外的轨迹点删除;
以首个不在圆形区域的轨迹点为新的圆心,以预定距离为半径构成的圆形区域再构建新的圆形区域,删除掉除圆心以外的轨迹点后,继续进行轨迹点遍历;
当需要删除的轨迹点为分区内最后一个轨迹点,则不对最后一个轨迹点进行删除。
具体的,所述对检索框内的轨迹点进行线性拟合优化还包括:
将拟合得到的线性方程与矩形检索框中相对于起始轨迹点所在边的另一边的交点作为下一检索框的起始轨迹点,基于下一检索框起始轨迹点的位置和方向,构建矩形检索框。
进一步的,所述重复进行轨迹点拟合优化还包括:
当矩形检索框内的轨迹点数量未达到阈值要求且不包含跨分区轨迹数据,则将连续拟合得到轨迹数据标记为新的轨迹线ID;
当矩形检索框内的轨迹点数量未达到阈值要求且包含跨分区轨迹数据时,将拟合的轨迹尾点标记为分区点集的尾点,并将连续拟合得到轨迹数据标记为新的轨迹线ID,其中,轨迹线ID全局均不重复。
数据融合模块330,用于master节点记录worker节点任务处理状态,当全部任务执行完毕,将worker节点处理结果进行合并,对合并后的轨迹数据拼接,将合并后的轨迹数据标记为新的ID,每一个ID对应于一条完整的轨迹数据。
可以理解的是,在一个实施例中,所述电子设备包括存储器、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,所述计算机程序执行如实施例一中步骤S101~S103,处理器执行所述计算机程序时实现众包轨迹数据融合处理。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,包括步骤S101~S103,所述的存储介质包括如:ROM/RAM、磁碟、光盘等。
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或记载的部分,可以参见其它实施例的相关描述。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种众包轨迹数据融合方法,其特征在于,包括:
对众包轨迹数据预处理,为每一个轨迹点标记对应的栅格分区区号;
其中,为不同车辆的轨迹点标记不同的车辆编号;
当同一车辆的连续轨迹被划分至两个以上的栅格分区时,将跨分区处两侧的两个轨迹点收集到点集中,对点集中的形点按采集时间进行排序后,依次添加车辆编号;
根据轨迹点栅格分区区号对众包轨迹数据进行切分,在master节点上统计连续轨迹总量,并将轨迹点处理任务发送任务队列,worker节点监控任务队列并获取轨迹点处理任务;
其中,将连续轨迹上的轨迹点区号标记任务发送至任意的worker节点处理;
其中,在worker节点上,对同一分区的轨迹点进行轨迹稀疏化处理,选取分区内与起始轨迹点的欧氏距离小于预定值的轨迹点为待处理点集,计算每个轨迹点方向,并基于起始轨迹点的位置和方向构建矩形检索框,将待处理点集中位于矩形检索框内的轨迹点和起始轨迹点标记为已处理,并对检索框内的轨迹点进行线性拟合优化,从全量轨迹点中去除标记为已处理的轨迹点,重复进行轨迹点拟合优化,直至遍历完全量轨迹点数据;
master节点记录worker节点任务处理状态,当全部任务执行完毕,将worker节点处理结果进行合并,对合并后的轨迹数据拼接,将合并后的轨迹数据标记为新的ID,每一个ID对应于一条完整的轨迹数据。
2.根据权利要求1所述的方法,其特征在于,所述为每一个轨迹点标记对应的栅格分区区号还包括:
基于莫顿码计算各分区唯一的区号。
3.根据权利要求1所述方法,其特征在于,所述worker节点监控任务队列并获取轨迹点处理任务还包括:
worker节点处理完成后,将处理结果写入数据库中,并更新任务状态。
4.根据权利要求1所述方法,其特征在于,所述对同一分区的轨迹点进行轨迹稀疏化处理具体为:
在栅格分区中,将以分区起始轨迹点为圆心,以预定距离为半径构成的圆形区域内的除起始轨迹点外的轨迹点删除;
以首个不在圆形区域的轨迹点为新的圆心,以预定距离为半径构成的圆形区域再构建新的圆形区域,删除掉除圆心以外的轨迹点后,继续进行轨迹点遍历;
当需要删除的轨迹点为分区内最后一个轨迹点,则不对最后一个轨迹点进行删除。
5.根据权利要求1所述方法,其特征在于,所述对检索框内的轨迹点进行线性拟合优化还包括:
将拟合得到的线性方程与矩形检索框中相对于起始轨迹点所在边的另一边的交点作为下一检索框的起始轨迹点,基于下一检索框起始轨迹点的位置和方向,构建矩形检索框。
6.根据权利要求1所述方法,其特征在于,所述重复进行轨迹点拟合优化还包括:
当矩形检索框内的轨迹点数量未达到阈值要求且不包含跨分区轨迹数据,则将连续拟合得到轨迹数据标记为新的轨迹线ID;
当矩形检索框内的轨迹点数量未达到阈值要求且包含跨分区轨迹数据时,将拟合的轨迹尾点标记为分区点集的尾点,并将连续拟合得到轨迹数据标记为新的轨迹线ID,其中,轨迹线ID全局均不重复。
7.一种用于众包轨迹数据融合的装置,其特征在于,包括:
预处理模块,用于对众包轨迹数据预处理,为每一个轨迹点标记对应的栅格分区区号;
其中,为不同车辆的轨迹点标记不同的车辆编号;
当同一车辆的连续轨迹被划分至两个以上的栅格分区时,将跨分区处两侧的两个轨迹点收集到点集中,对点集中的形点按采集时间进行排序后,依次添加车辆编号;
任务分发模块,用于根据轨迹点栅格分区区号对众包轨迹数据进行切分,在master节点上统计连续轨迹总量,并将轨迹点处理任务发送任务队列,worker节点监控任务队列并获取轨迹点处理任务;
其中,将连续轨迹上的轨迹点区号标记任务发送至任意的worker节点处理;
其中,在worker节点上,对同一分区的轨迹点进行轨迹稀疏化处理,选取分区内与起始轨迹点的欧氏距离小于预定值的轨迹点为待处理点集,计算每个轨迹点方向,并基于起始轨迹点的位置和方向构建矩形检索框,将待处理点集中位于矩形检索框内的轨迹点和起始轨迹点标记为已处理,并对检索框内的轨迹点进行线性拟合优化,从全量轨迹点中去除标记为已处理的轨迹点,重复进行轨迹点拟合优化,直至遍历完全量轨迹点数据;
数据融合模块,用于master节点记录worker节点任务处理状态,当全部任务执行完毕,将worker节点处理结果进行合并,对合并后的轨迹数据拼接,将合并后的轨迹数据标记为新的ID,每一个ID对应于一条完整的轨迹数据。
8.一种电子设备,包括处理器、存储器以及存储在所述存储器中并在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述众包轨迹数据融合方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011198975.1A CN112269848B (zh) | 2020-10-31 | 2020-10-31 | 一种众包轨迹数据融合方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011198975.1A CN112269848B (zh) | 2020-10-31 | 2020-10-31 | 一种众包轨迹数据融合方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112269848A CN112269848A (zh) | 2021-01-26 |
CN112269848B true CN112269848B (zh) | 2023-06-06 |
Family
ID=74344758
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011198975.1A Active CN112269848B (zh) | 2020-10-31 | 2020-10-31 | 一种众包轨迹数据融合方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112269848B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113327264B (zh) * | 2021-06-01 | 2023-01-13 | 星觅(上海)科技有限公司 | 轨迹拟合方法、装置、设备及存储介质 |
CN113724385A (zh) * | 2021-07-30 | 2021-11-30 | 深圳市普渡科技有限公司 | 机器人拓扑地图生成系统、方法、计算机设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110782774A (zh) * | 2019-10-30 | 2020-02-11 | 武汉中海庭数据技术有限公司 | 一种众包道路数据的分布式处理方法及装置 |
CN111613061A (zh) * | 2020-06-03 | 2020-09-01 | 徐州工程学院 | 一种基于众包和区块链的交通流采集系统及方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10002177B1 (en) * | 2013-09-16 | 2018-06-19 | Amazon Technologies, Inc. | Crowdsourced analysis of decontextualized data |
US10761535B2 (en) * | 2018-08-21 | 2020-09-01 | GM Global Technology Operations LLC | Intelligent vehicle navigation systems, methods, and control logic for multi-lane separation and trajectory extraction of roadway segments |
CN111291776B (zh) * | 2018-12-07 | 2023-06-02 | 北方工业大学 | 基于众源轨迹数据的航道信息提取方法 |
-
2020
- 2020-10-31 CN CN202011198975.1A patent/CN112269848B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110782774A (zh) * | 2019-10-30 | 2020-02-11 | 武汉中海庭数据技术有限公司 | 一种众包道路数据的分布式处理方法及装置 |
CN111613061A (zh) * | 2020-06-03 | 2020-09-01 | 徐州工程学院 | 一种基于众包和区块链的交通流采集系统及方法 |
Non-Patent Citations (1)
Title |
---|
时空众包数据管理技术研究综述;童咏昕;袁野;成雨蓉;陈雷;王国仁;;软件学报(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112269848A (zh) | 2021-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108981739B (zh) | 一种路径规划方法、装置、服务器及存储介质 | |
CN109033340B (zh) | 一种基于Spark平台的点云K邻域的搜索方法及装置 | |
CN112269848B (zh) | 一种众包轨迹数据融合方法及装置 | |
US11307049B2 (en) | Methods, apparatuses, systems, and storage media for storing and loading visual localization maps | |
AU2023201614A1 (en) | Device and method for improving route planning computing devices | |
CN115164868A (zh) | 机器人定位方法、装置、机器人及存储介质 | |
Cho et al. | A basis of spatial big data analysis with map-matching system | |
CN110245271B (zh) | 基于属性图的大规模关联数据划分方法及系统 | |
CN111966773A (zh) | 管理地图数据的方法、装置、电子设备和存储介质 | |
Chandio et al. | An approach for map-matching strategy of GPS-trajectories based on the locality of road networks | |
CN111653115B (zh) | 任务的划分方法、装置及存储介质 | |
CN113449052A (zh) | 空间索引的建立方法、空间区域查询方法及装置 | |
CN111858785A (zh) | 地图离散型要素的匹配方法、装置、系统及存储介质 | |
CN112037328A (zh) | 生成地图中的道路边沿的方法、装置、设备和存储介质 | |
CN114491307B (zh) | 一种设备聚合方法及装置 | |
CN114485689B (zh) | 利用众包数据构建高精度地图中的道路段切分方法及装置 | |
Auer et al. | Boosting performance of map matching algorithms by parallelization on graphics processors | |
Ma et al. | HiAccess: A parallel method for measuring high-resolution spatial accessibility in real time | |
CN112115072B (zh) | 时序图的处理方法及装置 | |
García-García et al. | Enhancing Sedona (formerly GeoSpark) with Efficient k Nearest Neighbor Join Processing | |
JP7198473B2 (ja) | 情報処理システム、情報処理プログラム、情報処理装置及び情報処理方法 | |
CN115617934A (zh) | 一种高精度地图车道组作用范围生成方法及系统 | |
CN117270518A (zh) | 路径规划方法、装置、车辆、设备及计算机可读存储介质 | |
CN115683133A (zh) | 一种高精度地图车道组平齐切割方法及系统 | |
CN116597730A (zh) | 一种车道识别数据合并方法及系统 |
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 |