CN112328718B - 一种基于车辆动态轨迹跟踪的道路拓扑构建系统和方法 - Google Patents

Abstract

本发明涉及一种基于车辆动态轨迹跟踪的道路拓扑构建系统和方法，该系统包括：众包车辆、轨迹数据获取单元和道路拓扑关系提取单元；众包车辆上设置有雷达、摄像头和惯性导航系统，雷达对自车周边感知范围内的动态目标进行轨迹跟踪，摄像头用于获取道路边界线的感知数据；轨迹数据获取单元根据动态目标的轨迹跟踪数据获取轨迹数据，根据道路边界线的感知数据对轨迹数据进行噪声数据剔除；道路拓扑关系提取单元根据轨迹数据进行簇中心线提取后进行道路拓扑构建。数据采集时间成本和人工成本大大降低，因此需要依赖较少的车辆及冗余采集次数实现同样的区域地图成图和更新的覆盖，降低数据采集运维成本，降低综合系统总体成本。

Description

一种基于车辆动态轨迹跟踪的道路拓扑构建系统和方法

技术领域

本发明涉及智能/辅助驾驶以及高精度地图应用领域，尤其涉及一种基于车辆动态轨迹跟踪的道路拓扑构建系统和方法。

背景技术

在局部路径规划和车道级别定位应用中，车道级别的道路拓扑关系是一种不可或缺的地图组件关联信息。

现有车道级别拓扑构建的原始信息采集方法主要有两种：传统测绘的方法和低成本众包的数据采集方法。传统测绘方式采用高精度的惯性导航系统、单线高功率激光雷达以及摄像头等，对道路进行连续扫描，并人工作业完成地理几何信息的拓扑构建。由于采集系统设备的成本较高，大量布设采集车辆需要极大的财力人力支撑；且数据处理流程时效长，自动化程度相对较低，无法满足路网快速更新的需求。低成本众包数据采集方案目前主要使用的是惯性导航系统和摄像头感知模组。该硬件方案下采集系统设备的成本比传统测绘方式更低廉，因此大量的铺设硬件设备，从而达到快速尘土和地图更新所需的数据采集覆盖需求。低成本摄像头模组的感知结果中主要包含车道线、道路边线以及停止线等，通过结合众包车辆车道感知结果与车辆轨迹数据的方式再辅助道路拓扑关系的提取。

低成本众包数据采集方案中往往采用低成本的惯性导航系统(如单点GPS、低成本惯性测量单元)，低成本卫惯系统在实时使用过程中，由于城市峡谷信号多次反射导致的多路径效应和高架桥遮挡区域GPS定位结果差。对于普通的卫惯器件组成的低成本众包采集系统获取的浮动车轨迹数据分布在城区的可能性大，轨迹误差偏移大，往往超过无法支持车道级别的拓扑关系成图。

另外，通过轨迹和感知识别数据可进行成图，但原始信息质量的好坏直接决定成图的精度，比如未进行标定的各传感器的数据基本无法生成高精度路网拓扑地图。质量较差的GPS轨迹数据无法形成车道级的拓扑关系图，只能抽取出道路级别道路中心线地图，因为极容易发生车道级的数据混淆，导致错误的路口通行连接关系或错误的转弯车道。在城市峡谷等GPS信号差的场景下需要高精度的惯性导航设备配合GPS差分信息，才能提供相对质量较好的轨迹数据供成图或车辆实时定位使用。对于高成本的高精度惯性导航设备，轨迹数据可以提供提取车道级别的拓扑关系的精确位姿信息。

基于众包采集方式可以通过高成本高精度惯性导航系统来解决这个问题，但存在不足的是：轨迹数据获取的成本高。主要体现在两个方面，一方面是对于一个区域成图最少数据量的要求。轨迹数据需要能够覆盖道路的各个车道，且每个车道的轨迹数据至少需要多次以便解决单次采集时的缺失。这个过程产生的运营成本占比大。另一方面是高精度惯性导航系统硬件设备成本高，导致众包硬件成本上升，无法大范围部署，并且运维时的难度加大，器件维护成本高。

发明内容

本发明针对现有技术中存在的技术问题，提供一种基于车辆动态轨迹跟踪的道路拓扑构建系统和方法，解决现有技术中问题。

本发明解决上述技术问题的技术方案如下：一种基于车辆动态轨迹跟踪的道路拓扑构建系统，包括：众包车辆、轨迹数据获取单元和道路拓扑关系提取单元；

所述众包车辆上设置有雷达、摄像头和惯性导航系统，所述雷达对自车周边感知范围内的动态目标进行轨迹跟踪，所述摄像头用于获取道路边界线的感知数据；

所述轨迹数据获取单元根据所述动态目标的轨迹跟踪数据获取轨迹数据，根据所述道路边界线的感知数据对所述轨迹数据进行噪声数据剔除；

所述道路拓扑关系提取单元根据所述轨迹数据进行簇中心线提取后进行道路拓扑构建。

一种基于车辆动态轨迹跟踪的道路拓扑构建方法，包括：

步骤1，在众包车辆上设置雷达、摄像头和惯性导航系统，基于所述雷达对所述众包车辆周边感知范围内的动态目标进行轨迹跟踪，基于所述摄像头获取道路边界线的感知数据；

步骤2，根据所述动态目标的轨迹跟踪数据获取轨迹数据，根据所述道路边界线的感知数据对所述轨迹数据进行噪声数据剔除；

步骤3，根据所述轨迹数据进行簇中心线提取后进行道路拓扑构建。

本发明的有益效果是：本发明提供的一种基于车辆动态轨迹跟踪的道路拓扑构建系统及方法，提供一种成本均衡、高效率的高精度地图车道级道路拓扑关系采集与生成解决方案，使用的硬件包括激光雷达，摄像头，毫米波雷达，惯性导航系统，通过雷达感知跟踪自车周边其他交通参与者的轨迹进行车道级道路拓扑关系数据的采集和构建，能够实现地图的快速构建与快速更新；由于车上采用的是高精度的惯性导航设备因此提供的轨迹数据质量更好，成图精度更高；该单车硬件配置成本高于低成本的众包车辆，但由于其一次道路数据采集可以根据其他动态交通参与者识别、定位和跟踪的方式提供多个道路轨迹数据样本，因此数据采集时间成本和人工成本大大降低，因此需要依赖较少的车辆及冗余采集次数实现同样的区域地图成图和更新的覆盖，降低数据采集运维成本，降低综合系统总体成本。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步，所述步骤2还包括对所述轨迹数据进行预处理：

步骤201，对所述轨迹数据进行平滑处理和异常数据的剔除；

步骤202，抽取轨迹数据中的轨迹关键点；

步骤203，根据所述轨迹数据所处速度区间对所述轨迹数据进行分层。

进一步，所述步骤201中对异常数据的剔除的过程包括：

步骤20101，根据所述轨迹数据中的临近轨迹点的时间间隔、间距、速度与间距的关系对轨迹进行切片处理得到各个轨迹片段；

步骤20102，删除短距离以及轨迹点数偏少的轨迹片段；

步骤20103，删除出现漂移现象的轨迹点。

进一步，所述步骤3包括：

步骤301，对所述轨迹数据进行网格化划分后，根据所述轨迹数据的转向行为和速度判断各个网格是否包含路口；

步骤302，对所述路口内的轨迹片段基于相似度进行层次聚类得到同类轨迹簇，对非路口处轨迹点通过密度聚类的方式得到同类轨迹簇，提取聚类得到的每个类别中的轨迹簇的中心线；

步骤303，根据所述中心线进行道路拓扑构建。

进一步，所述步骤301包括：

对于一个网格中的所有轨迹点，对heading角方向进行聚类，得到各个网格内聚类得到的类别数量；

如果任一所述网格聚类得到的所述类别数量超过了设定阈值，且该网格内的轨迹点的平均速度小于同样边长的邻居网格中所有轨迹点的平均速度，则判定该网格包含路口；否则判定该网格不包含路口。

进一步，所述步骤302中对所述路口内的轨迹片段基于相似度进行层次聚类得到同类轨迹簇的过程包括：

步骤30201，得到所有包含路口的网格的集合；

步骤30202，提取所述集合中的各个所述网格的路口中心位置和路口范围；

步骤30203，计算路口内任意两条轨迹片段的相似度，然后基于轨迹相似度进行层次聚类得到同类轨迹簇。

进一步，所述步骤30202中的所述路口中心位置的提取过程包括：

通过MeanShift聚类算法的提取潜在中心位置点，如果所述潜在中心位置点的数量为一个，则取所述潜在中心位置点作为所述路口中心位置；如果所述潜在中心位置点的数量大于一个，且任意两个所述潜在中心位置点之间的距离小于设定阈值，则计算各个所述潜在中心位置点的均值位置得到所述路口中心位置；

所述路口范围的确定过程包括：

以所述路口中心位置为圆心，r₀为半径画圆，以delta_r为步长依次增加圆的半径，依次计算从内到外圆环内的转弯点的密度；如果所述密度大于设定阈值，且圆环内点的平均速度小于这个网格的平均速度时；或者圆的半径达到阈值r_max时，根据所述路口中心位置和所述半径确定所述路口范围；

所述拐弯点为与其相邻的轨迹点的航向角差值大于30度的轨迹点。

进一步，所述步骤302中提取聚类得到的每个类别中的轨迹簇的中心线的过程包括：

步骤30204，采用基于frechet distance中值采样的方式，对每个类别中的轨迹簇的中心线提取出一条采样轨迹线；

步骤30205，对所述采样轨迹线上的每一个点进行迭代偏移处理：

以所述采样轨迹线上的任意一个点p_o为圆心，以R为半径，在圆内的点为对p_o点产生引力作用的点集合s_o；

将所述点集合s_o内所有点转换到以p_o为坐标原点，以p_o点的heading角方向为x轴的直角坐标系，所述点集合s_o内所有的点对点p_o产生一个吸引力的合力记为F₁；

在所述吸引力F₁的作用下点p_o会偏离原来的位置移动到点，点p_o所在轨迹阻止点p_o的偏移产生弹力F₂，通过所述吸引力F₁与所述弹力F₂的平衡计算得到点p_o'的位置，计算点p_o'相对于点p_o的偏移量；

对所述采样轨迹线上所有点的偏移量的绝对值相加，当所有点的偏移量的绝对值相加之和小于设定阈值时停止迭代，得到该类别的轨迹簇的中心线。

进一步，通过所述吸引力F₁与所述弹力F₂的平衡计算得到点p_o'的位置包括：

F₂＝s(p_o-p_o')；

其中，σ,s,M为超参数；

通过F1＝F2计算出点p_o'的位置。

采用上述进一步方案的有益效果是：还包括对轨迹数据进行预处理的过程，对轨迹质量进行预处理和数据清洗；考虑在相同的采样频率下速度不同导致轨迹点的间距不同，后续处理算法中对应的参数和结果存在较大差异(例如轨迹相似度，轨迹点空间密度聚类算法)，因此采取根据速度区间分片处理逻辑；对轨迹数据进行网格化划分，根据轨迹数据的转向行为和速度判断各个网格是否包含路口，对包含路口和不包含路口的网格分别进行聚类得到道路拓扑。

附图说明

图1为本发明提供的一种基于车辆动态轨迹跟踪的道路拓扑构建系统的结构示意图；

图2为本发明提供的一种基于车辆动态轨迹跟踪的道路拓扑构建图方法的流程图；

图3为本发明提供的一种基于车辆动态轨迹跟踪的道路拓扑构建图方法的实施例的流程图；

图4为本发明实施例提供的一种道路拓扑构建方法中的轨迹数据预处理的流程图；

图5为本发明实施例提供的一种道路拓扑构建方法中的子区域轨迹数据处理的流程图。

具体实施方式

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。

一种基于车辆动态轨迹跟踪的道路拓扑构建系统，如图1所示为本发明提供的一种基于车辆动态轨迹跟踪的道路拓扑构建系统的结构示意图，由图1可知，系统包括：众包车辆、轨迹数据获取单元和道路拓扑关系提取单元。

众包车辆上设置有雷达、摄像头和惯性导航系统，雷达对自车周边感知范围内的动态目标进行轨迹跟踪，摄像头用于获取道路边界线的感知数据。

具体实施中，雷达包括激光雷达和毫米波雷达，该动态目标主要是车辆。激光雷达主要通过双向卡尔曼滤波的方式进行动态目标位置(主要是车辆)的轨迹跟踪。

轨迹数据获取单元根据动态目标的轨迹跟踪数据获取轨迹数据，根据道路边界线的感知数据对轨迹数据进行噪声数据剔除。

根据摄像头感知的道路边界线剔除超出道路范围的误检错检噪声数据。

道路拓扑关系提取单元根据轨迹数据进行簇中心线提取后进行道路拓扑构建。

本发明还提供了一种基于车辆动态轨迹跟踪的道路拓扑构建方法，如图2所示为本发明提供的一种基于车辆动态轨迹跟踪的道路拓扑构建图方法的流程图，由图2可知，该方法包括：

步骤1，在众包车辆上设置雷达、摄像头和惯性导航系统，基于雷达对众包车辆周边感知范围内的动态目标进行轨迹跟踪，基于摄像头获取道路边界线的感知数据。

步骤2，根据动态目标的轨迹跟踪数据获取轨迹数据，根据道路边界线的感知数据对轨迹数据进行噪声数据剔除。

步骤3，根据轨迹数据进行簇中心线提取后进行道路拓扑构建。

本发明提供的一种基于车辆动态轨迹跟踪的道路拓扑构建系统及方法，提供一种成本均衡、高效率的高精度地图车道级道路拓扑关系采集与生成解决方案，使用的硬件包括激光雷达，摄像头，毫米波雷达，惯性导航系统，通过雷达感知跟踪自车周边其他交通参与者的轨迹进行车道级道路拓扑关系数据的采集和构建，能够实现地图的快速构建与快速更新；由于车上采用的是高精度的惯性导航设备因此提供的轨迹数据质量更好，成图精度更高；该单车硬件配置成本高于低成本的众包车辆，但由于其一次道路数据采集可以根据其他动态交通参与者识别、定位和跟踪的方式提供多个道路轨迹数据样本，因此数据采集时间成本和人工成本大大降低，因此需要依赖较少的车辆及冗余采集次数实现同样的区域地图成图和更新的覆盖，降低数据采集运维成本，降低综合系统总体成本。

实施例1

本发明提供的实施例1为本发明提供的一种基于车辆动态轨迹跟踪的道路拓扑构建方法的实施例，如图3所示为本发明提供的一种基于车辆动态轨迹跟踪的道路拓扑构建图方法的实施例的流程图，由图3可知，该方法的实施例包括：

步骤1，在众包车辆上设置雷达、摄像头和惯性导航系统，基于雷达对众包车辆周边感知范围内的动态目标进行轨迹跟踪，基于摄像头获取道路边界线的感知数据。

步骤2，根据动态目标的轨迹跟踪数据获取轨迹数据，根据道路边界线的感知数据对轨迹数据进行噪声数据剔除。

优选的，步骤2还包括对轨迹数据进行预处理的过程，如图4所示为本发明实施例提供的一种道路拓扑构建方法中的轨迹数据预处理的流程图，由图4可知，该预处理过程具体可以包括：

步骤201，轨迹平滑：对轨迹数据进行平滑处理和异常数据的剔除。

具体的，步骤201中对异常数据的剔除的目的在于轨迹质量的预处理和数据清洗，具体的，该过程包括：

步骤20101，根据轨迹数据中的临近轨迹点的时间间隔、间距、速度与间距的关系对轨迹进行切片处理得到各个轨迹片段。

步骤20102，删除短距离以及轨迹点数偏少的轨迹片段。短距离以及轨迹点数偏少的轨迹片段不能很好反映道路情况，因此删除该轨迹片段进行轨迹去噪。

步骤20103，删除出现漂移现象的轨迹点。

具体的，一个轨迹点与相邻的前一个轨迹点的方向和该轨迹点与它相邻的后一个轨迹点方向的差值大于设定阈值，例如35度，可能被当做是噪声点删除。

步骤202，轨迹点重采样：抽取轨迹数据中的轨迹关键点。

具体的，可以通过基于Douglas Peucker algorithm(道格拉斯-普克算法)进行轨迹关键点的抽取；亦可采用细粒度等距离采样的方法，无较大的结果差异。

步骤203，数据分层处理：根据轨迹数据所处速度区间对轨迹数据进行分层。

在相同的采样频率下速度不同导致轨迹点的间距不同。后续处理算法中对应的参数和结果存在较大差异(例如轨迹相似度，轨迹点空间密度聚类算法)，因此采取根据速度区间分片处理逻辑。具体的，速度区间例如高速道路、城区快速路，城区道路又细分为路口和非路口道路。

步骤3，根据轨迹数据进行簇中心线提取后进行道路拓扑构建。

优选的，如图5为本发明实施例提供的一种道路拓扑构建方法中的子区域轨迹数据处理的流程图，由图5可知，步骤3包括：

步骤301，对轨迹数据进行网格化划分后，根据轨迹数据的转向行为和速度判断各个网格是否包含路口。

具体的，轨迹数据进行网格化划分的方法，是将轨迹片中的轨迹点划分到对应的地理网格中。网格采用自顶向下的QuadTree四元树结构存储对应网格的轨迹数据。路口内轨迹往往具有如下特点：路口内包含大量转向行为，存在多个转向方向；通过路口时车速存在一个减速再加速的过程。因此可以基于转向行为特征向量的聚类方法并结合速度判断是否是路口。在具体操作过程中四元数网格的最小边长为25米。路口探测过程中，对所有网格边长小于200米的节点进行是否包含路口的检测。

步骤302，对路口内的轨迹片段基于相似度进行层次聚类得到同类轨迹簇，对非路口处轨迹点通过密度聚类的方式得到同类轨迹簇，提取聚类得到的每个类别中的轨迹簇的中心线。

具体的，步骤302中对路口内的轨迹片段基于相似度进行层次聚类得到同类轨迹簇的过程包括：

步骤30201，得到所有包含路口的网格的集合Intersection-Set。

步骤30202，提取集合中的各个网格的路口中心位置和路口范围。

路口检测工作的难点在于路口往往是不同大小，不同形态。为了准确的探测路口需要进行临近范围搜索。因此对得到的集合Intersection-Set中的所有包含路口的网格，提取路口中心位置和提取出路口范围。

具体的，步骤30202中的路口中心位置的提取过程包括：

通过MeanShift聚类算法的提取潜在中心位置点，如果潜在中心位置点的数量为一个，则取潜在中心位置点作为路口中心位置；如果潜在中心位置点的数量大于一个，且任意两个潜在中心位置点之间的距离小于设定阈值，则计算各个潜在中心位置点的均值位置得到路口中心位置。

路口范围主要从轨迹中转弯的行为分析得到。由于路口正中心往往都是直行轨迹通过，或者在圆环性的路口无轨迹点通过。随着路口半径增大转弯的轨迹会进入圆内。当半径增加到路口范围区域外时，圆内的转弯点的密度会降低，拐弯点为与其相邻的轨迹点的航向角差值大于30度的轨迹点。因此以路口中心位置C为圆心，以r为半径的画圆，则圆内的转弯点的密度线增加后减少。即可以通过计算圆环内转弯点的密度，判断是否应该继续增大路口范围。从而找到比较准确的路口半径。

路口范围的确定过程包括：

以路口中心位置C为圆心，r₀为半径画圆，以delta_r为步长依次增加圆的半径，依次计算从内到外圆环内的转弯点的密度；如果密度大于设定阈值，且圆环内点的平均速度小于这个网格的平均速度时；或者圆的半径达到阈值r_max时，根据路口中心位置和半径确定路口范围。

否则继续以r_delta为步长增大圆的半径，继续迭代扩大路口范围。其中r₀、r_delta、r_max都为超参数，根据数据分布统计分析得到。

步骤30203，计算路口内任意两条轨迹片段的相似度，然后基于轨迹相似度进行层次聚类得到同类轨迹簇。

具体实施中，可以以frechet distance衡量两条轨迹间的相似度。

进一步的，步骤302中提取聚类得到的每个类别中的轨迹簇的中心线的过程包括：

步骤30204，采用基于frechet distance中值采样的方式，对每个类别中的轨迹簇的中心线提取出一条采样轨迹线。

步骤30205，对采样轨迹线上的每一个点进行迭代偏移处理：

以采样轨迹线上的任意一个点p_o为圆心，以R为半径，在圆内的点为对p_o点产生引力作用的点集合s_o。

将点集合s_o内所有点转换到以p_o为坐标原点，以p_o点的heading角方向为x轴的直角坐标系，点集合s_o内所有的点对点p_o产生一个吸引力的合力记为F₁；具体的，R可以为0.7米。

在吸引力F₁的作用下点p_o会偏离原来的位置移动到点，点p_o所在轨迹会阻止点p_o的偏移，将该力类比成弹簧的产生弹力F₂，通过吸引力F₁与弹力F₂的平衡计算得到点p_o'的位置，计算点p_o'相对于点p_o的偏移量。

具体的，通过吸引力F₁与弹力F₂的平衡计算得到点p_o'的位置包括：

F₂＝s(p_o-p_o')。

其中，σ,s,M为超参数，具体可以为M＝1，σ＝10，s＝0.05。

通过F1＝F2计算出点p_o'的位置。

对采样轨迹线上所有点的偏移量的绝对值相加，当所有点的偏移量的绝对值相加之和小于设定阈值时停止迭代，得到一条稳定平滑的轨迹即为该类别的轨迹簇的中心线。这个中心线就是路口内的一个拓扑关系中心线。

步骤303，根据中心线进行道路拓扑构建。

具体的，轨迹数据进行网格化划分的方法，是将轨迹片中的轨迹点划分到对应的地理网格中。网格采用自顶向下的QuadTree四元树结构存储对应网格的轨迹数据。路口内轨迹往往具有如下特点：路口内包含大量转向行为，存在多个转向方向；通过路口时车速存在一个减速再加速的过程。因此可以基于转向行为特征向量的聚类方法并结合速度判断是否是路口。在具体操作过程中四元数网格的最小边长为25米。路口探测过程中，对所有网格边长小于200米的节点进行是否包含路口的检测。

以上仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于车辆动态轨迹跟踪的道路拓扑构建系统，其特征在于，所述系统包括：众包车辆、轨迹数据获取单元和道路拓扑关系提取单元；

所述众包车辆上设置有雷达、摄像头和惯性导航系统，所述雷达对自车周边感知范围内的动态目标进行轨迹跟踪，所述摄像头用于获取道路边界线的感知数据；

所述轨迹数据获取单元根据所述动态目标的轨迹跟踪数据获取轨迹数据，根据所述道路边界线的感知数据对所述轨迹数据进行噪声数据剔除；

所述道路拓扑关系提取单元根据所述轨迹数据进行簇中心线提取后进行道路拓扑构建；

所述道路拓扑关系提取单元进行道路拓扑构建的过程包括：

步骤301，对所述轨迹数据进行网格化划分后，根据所述轨迹数据的转向行为和速度判断各个网格是否包含路口；

步骤302，对所述路口内的轨迹片段基于相似度进行层次聚类得到同类轨迹簇，对非路口处轨迹点通过密度聚类的方式得到同类轨迹簇，提取聚类得到的每个类别中的轨迹簇的中心线；

步骤303，根据所述中心线进行道路拓扑构建。

2.一种基于车辆动态轨迹跟踪的道路拓扑构建方法，其特征在于，所述方法包括：

步骤1，在众包车辆上设置雷达、摄像头和惯性导航系统，基于所述雷达对所述众包车辆周边感知范围内的动态目标进行轨迹跟踪，基于所述摄像头获取道路边界线的感知数据；

步骤2，根据所述动态目标的轨迹跟踪数据获取轨迹数据，根据所述道路边界线的感知数据对所述轨迹数据进行噪声数据剔除；

步骤3，根据所述轨迹数据进行簇中心线提取后进行道路拓扑构建；

所述步骤3包括：

步骤301，对所述轨迹数据进行网格化划分后，根据所述轨迹数据的转向行为和速度判断各个网格是否包含路口；

步骤302，对所述路口内的轨迹片段基于相似度进行层次聚类得到同类轨迹簇，对非路口处轨迹点通过密度聚类的方式得到同类轨迹簇，提取聚类得到的每个类别中的轨迹簇的中心线；

步骤303，根据所述中心线进行道路拓扑构建。

3.根据权利要求2所述的方法，其特征在于，所述步骤2还包括对所述轨迹数据进行预处理：

步骤201，对所述轨迹数据进行平滑处理和异常数据的剔除；

步骤202，抽取轨迹数据中的轨迹关键点；

步骤203，根据所述轨迹数据所处速度区间对所述轨迹数据进行分层。

4.根据权利要求3所述的方法，其特征在于，所述步骤201中对异常数据的剔除的过程包括：

步骤20101，根据所述轨迹数据中的临近轨迹点的时间间隔、间距、速度与间距的关系对轨迹进行切片处理得到各个轨迹片段；

步骤20102，删除短距离以及轨迹点数偏少的轨迹片段；

步骤20103，删除出现漂移现象的轨迹点。

5.根据权利要求2所述的方法，其特征在于，所述步骤301包括：

对于一个网格中的所有轨迹点，对heading角方向进行聚类，得到各个网格内聚类得到的类别数量；

如果任一所述网格聚类得到的所述类别数量超过了设定阈值，且该网格内的轨迹点的平均速度小于同样边长的邻居网格中所有轨迹点的平均速度，则判定该网格包含路口；否则判定该网格不包含路口。

6.根据权利要求2所述的方法，其特征在于，所述步骤302中对所述路口内的轨迹片段基于相似度进行层次聚类得到同类轨迹簇的过程包括：

步骤30201，得到所有包含路口的网格的集合；

步骤30202，提取所述集合中的各个所述网格的路口中心位置和路口范围；

步骤30203，计算路口内任意两条轨迹片段的相似度，然后基于轨迹相似度进行层次聚类得到同类轨迹簇。

7.根据权利要求6所述的方法，其特征在于，所述步骤30202中的所述路口中心位置的提取过程包括：

通过MeanShift聚类算法的提取潜在中心位置点，如果所述潜在中心位置点的数量为一个，则取所述潜在中心位置点作为所述路口中心位置；如果所述潜在中心位置点的数量大于一个，且任意两个所述潜在中心位置点之间的距离小于设定阈值，则计算各个所述潜在中心位置点的均值位置得到所述路口中心位置；

所述路口范围的确定过程包括：

以所述路口中心位置为圆心，r₀为半径画圆，以delta_r为步长依次增加圆的半径，依次计算从内到外圆环内的转弯点的密度；如果所述密度大于设定阈值，且圆环内点的平均速度小于这个网格的平均速度时；或者圆的半径达到阈值r_max时，根据所述路口中心位置和所述半径确定所述路口范围；

所述转弯点为与其相邻的轨迹点的航向角差值大于30度的轨迹点。

8.根据权利要求5所述的方法，其特征在于，所述步骤302中提取聚类得到的每个类别中的轨迹簇的中心线的过程包括：

步骤30204，采用基于frechet distance中值采样的方式，对每个类别中的轨迹簇的中心线提取出一条采样轨迹线；

步骤30205，对所述采样轨迹线上的每一个点进行迭代偏移处理：

以所述采样轨迹线上的任意一个点p_o为圆心，以R为半径，在圆内的点为对p_o点产生引力作用的点集合s_o；

将所述点集合s_o内所有点转换到以p_o为坐标原点，以p_o点的heading角方向为x轴的直角坐标系，所述点集合s_o内所有的点对点p_o产生一个吸引力的合力记为F₁；

在所述吸引力F₁的作用下点p_o会偏离原来的位置移动到点，点p_o所在轨迹阻止点p_o的偏移产生弹力F₂，通过所述吸引力F₁与所述弹力F₂的平衡计算得到点p_o'的位置，计算点p_o'相对于点p_o的偏移量；

对所述采样轨迹线上所有点的偏移量的绝对值相加，当所有点的偏移量的绝对值相加之和小于设定阈值时停止迭代，得到该类别的轨迹簇的中心线。

9.根据权利要求8所述的方法，其特征在于，通过所述吸引力F₁与所述弹力F₂的平衡计算得到点p_o'的位置包括：

p_i∈s_o；

F₂＝s(p_o-p_o')；

其中，σ,s,M为超参数；

通过F1＝F2计算出点p_o'的位置。

Images