CN112527930B - 一种基于智能手机的行人路网道路坡度信息提取方法 - Google Patents
一种基于智能手机的行人路网道路坡度信息提取方法 Download PDFInfo
- Publication number
- CN112527930B CN112527930B CN202011302980.2A CN202011302980A CN112527930B CN 112527930 B CN112527930 B CN 112527930B CN 202011302980 A CN202011302980 A CN 202011302980A CN 112527930 B CN112527930 B CN 112527930B
- Authority
- CN
- China
- Prior art keywords
- data
- road
- gradient
- pedestrian
- sample
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 53
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 230000008859 change Effects 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 238000010801 machine learning Methods 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims abstract description 16
- 238000005070 sampling Methods 0.000 claims description 19
- 230000001133 acceleration Effects 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 5
- 241001061225 Arcos Species 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000007499 fusion processing Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
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
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C9/00—Measuring inclination, e.g. by clinometers, by levels
-
- 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
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
- G06F16/23—Updating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Remote Sensing (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Radar, Positioning & Navigation (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于智能手机的行人路网道路坡度信息提取方法，所述方法包括：基于智能手机获取行人行走过程中多传感器的变化数据，并对传感数据进行预处理；将预处理后的传感数据作为基础特征数据，提取所述传感数据中的特征值用于机器学习算法的学习，实现算法对道路坡度值的提取；将算法获取的道路坡度值信息更新至地图数据中，获得含有三维坡度信息的地图数据。本发明实施例基于智能手机的传感数据，通过机器学习的方法实现对道路坡度值的提取。将获取的坡度信息添加至现有的行人导航的地图数据中，更新后的地图数据可为个性化导航提供数据基础，为行人出行规划考虑坡度因素的最优路线。
Description
技术领域
本发明涉及智能交通技术领域，尤其涉及的是一种基于智能手机的行人路网道路坡度信息提取方法、智能终端及存储介质。
背景技术
随着导航系统的小型化与便携化，导航系统的应用场景逐步扩大，成为了行人普遍出行前为选择路线所使用的工具。然而，现有可用的导航系统大多基于距离或时间最优的准则，结合二维的地图数据为用户提供出行路径。虽然，系统推荐的路线能够满足大部分用户的基本出行，但无法满足用户的额外需求，特别是对于自主出行能力低的用户群体。
行动受限群体出行的自主性是决定他们生活质量的一项重要因素。另外，许多道路因素影响了该类群体出行的舒适度与安全性，尤其道路坡度。道路坡度的差异影响了行动受限群体出行的可达性与自主性，特别是轮椅用户。电动轮椅的可通行最大坡度为10％，而手动轮椅的允许通过坡度阈值更低，大约在3％到8％之间。除此之外，节能环保一直以来都是大众持续的关注点。由此，经济最优的路线规划显得更为重要，可实现电动车出行的能源消耗最优的目标。而道路坡度信息有助于电动车能源消耗的预测，同时，可为电动车出行的最大距离提供更好的预判服务。三维坡度地图数据的使用，可为出行群体提供考虑坡度因素出行的最优路线，有利于导航系统为用户提供更好的个性化服务。
目前，大部分城市并不具备完整的三维行人路网数据，而获取含有三维坡度信息的地图数据是有必要的。现有技术的导航系统所使用的地图数据缺失对应的道路坡度信息，无法实现为用户的出行提供考虑坡度因素的最优路径，特殊情况下不便于用户的使用。
因此，现有导航技术还有待改进和发展。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种基于智能手机的行人路网道路坡度信息提取方法、智能终端及存储介质，通过智能手机感知行为进行获取，并将获取的坡度信息更新至地图数据中。所获得的含有三维坡度信息的地图数据可用于用户在考虑坡度因素的前提下规划出行路线，为个性化导航服务的实现提供一定的数据基础。
本发明解决问题所采用的技术方案如下：
一种基于智能手机的行人路网道路坡度信息提取方法，其中，所述方法包括：
基于智能手机获取行人行走过程中多传感器的变化数据，并对所述传感器的变化数据进行预处理，得到预处理后的传感数据；
将预处理后的传感数据作为基础特征数据，提取所述传感数据中的特征值用于机器学习算法的学习，实现算法对道路坡度值的提取；
将算法获取的道路坡度值信息更新至地图数据中，获得含有三维坡度信息的地图数据。
所述的基于智能手机的行人路网道路坡度信息提取方法，其中，所述基于智能手机获取行人行走过程中多传感器的变化数据，并对所述传感的变化数据进行预处理，得到预处理后的传感数据的步骤包括：
基于智能手机获取行人行走中多传感器的数据变化；
对获取的传感器的数据进行剔除无效数据与滤波噪声数据的预处理；其中，所述无效数据的剔除是指删除行人非运动状态下的智能手机所记录的数据，所述噪声数据的滤波通过滤波器进行降噪处理。
所述的基于智能手机的行人路网道路坡度信息提取方法，其中，所述将预处理后的传感数据作为基础特征数据，提取所述传感数据中的特征值用于机器学习算法的学习，实现算法对道路坡度值的提取的步骤包括：
将预处理后的传感数据作为基础特征数据，对所述传感数据进行采样；通过确定的窗口长度，以滑窗方式进行数据采样获得多个样本数据；
根据获得的多个样本数据计算对应的特征值，并保留样本第一条时间戳数据，以此构建所需要的数据集；将部分数据标注坡度值用于训练回归模型，获得适用于道路坡度值的坡度预测模型；
通过获得的坡度预测模型，预测各样本的道路坡度值，实现模型对道路坡度信息的获取。
所述的基于智能手机的行人路网道路坡度信息提取方法，其中，所述将算法获取的道路坡度值信息更新至地图数据中，获得含有三维坡度信息的地图数据的步骤包括：
通过数据融合与地图匹配，将坡度预测模型得到的道路坡度值更新至行人路网数据中，获得含有三维坡度信息的地图数据。
所述的基于智能手机的行人路网道路坡度信息提取方法，其中，所述将算法获取的道路坡度值信息更新至地图数据中，获得含有三维坡度信息的地图数据包括：
通过融合处理，使得行人行走轨迹数据获得对应的道路坡度信息；通过样本与原始数据的时间戳对比，根据数据采样长度推出各样本对应的原始数据段，并将样本坡度值与GPS数据进行融合；
基于最短距离的匹配方法，将各路段的坡度信息匹配至已有行人路网数据中的各位置点；
通过经纬度数据计算路段GPS点与路网位置点之间的距离，确定距离指标最小的点对，将GPS点的坡度值赋予最近的路网位置点，实现将获取的道路坡度值信息更新至地图数据中，即可获得含有三维坡度信息的地图数据。
所述的基于智能手机的行人路网道路坡度信息提取方法，其中，所述传感数据包括：智能手机的加速度计获取的加速度数据、气压计获取的气压数据、以及全球定位系统获取的定位数据与高程数据。
所述的基于智能手机的行人路网道路坡度信息提取方法，其中，所述无效数据的剔除是指删除行人非运动状态下的智能手机所记录的数据的步骤包括：
处理无效数据前，先对原始数据直接进行窗口采样处理，获得多个数据段，对应获得多个样本；
提取样本中各时间点的重力加速度数据，对每个样本单独提取与判断；基于重力加速度计算的方差进行判断，当方差值低于设定阈值时，则定义对应数据无效进行删除。
所述的基于智能手机的行人路网道路坡度信息提取方法，其中，所述数据融合是将各样本的坡度预测值与对应行走轨迹段的GPS数据进行合并；构建数据集时各样本保留了第一条时间戳数据，通过原始数据与各样本的时间戳比对，根据数据采样长度获取样本指向的原始数据段，并融合GPS数据与样本的坡度预测值。
一种智能终端，其中，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于执行任意一项所述的方法。
一种非临时性计算机可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行任意一项所述的方法。
本发明的有益效果：本发明实施例基于智能手机的传感器数据，通过机器学习的方法实现对道路坡度值的提取。将获取的坡度信息添加至现有的行人导航的地图数据中，更新后的地图数据可为个性化导航提供数据基础，为行人出行规划考虑坡度因素的最优路线。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，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得其他的附图。
图1是本发明实施例提供的基于智能手机的行人路网道路坡度信息提取方法的流程示意图。
图2是本发明实施例提供的基于智能手机的行人路网道路坡度信息提取方法的技术路线示意图。
图3是本发明实施例提供的基于智能手机的行人路网道路坡度信息提取装置的原理框图。
图4是本发明实施例提供的智能终端的内部结构原理框图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
需要说明，若本发明实施例中有涉及方向性指示(诸如上、下、左、右、前、后……)，则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
现有用户使用智能手机导航，成为了行人普遍出行前为选择路线所使用的工具。然而，现有可用的导航系统大多基于距离或时间最优的准则，结合二维的地图数据为用户提供出行路径。虽然，系统推荐的路线能够满足大部分用户的基本出行，为行人出行方式及路线的决策提供了不少便利条件，但无法满足用户的额外需求，特别是对于自主出行能力低的用户群体。
现有基于时间或距离最短准则的路径规划，并不总适用于行人的出行，尤其针对行动受限群体。该类群体的出行更偏好于自主性和舒适度更高的路线。大部分城市不具备完整的三维行人路网数据，基于缺失道路坡度信息的地图数据，现有技术的导航系统无法实现为用户的出行提供考虑坡度因素的最优路劲，特殊情况下不便于用户的使用，尤其针对于自主出行能力低的群体的出行使用。
为了解决现有技术的问题，本发明提供一种基于智能手机的行人路网道路坡度信息提取方法，本发明所属智能交通领域，在发明实施例中，基于智能手机的传感器数据，通过机器学习的方法实现对道路坡度值的提取。将获取的坡度信息添加至现有的行人导航的地图数据中，更新后的地图数据可为个性化导航提供数据基础，为行人出行规划考虑坡度因素的最优路线。
示例性方法
如图1中所示，本发明实施例提供一种基于智能手机的行人路网道路坡度信息提取方法，所述基于智能手机的行人路网道路坡度信息提取方法可以应用于智能终端。在本发明实施例中，所述方法包括如下步骤：
步骤S100、基于智能手机获取行人行走过程中多传感器的变化数据，并对所述传感器的变化数据进行预处理，得到预处理后的传感数据；
本步骤中，可以基于智能手机获取行人行走过程中多传感器的数据变化；对获取的传感器的数据进行剔除无效数据与滤波噪声数据的预处理；其中，所述无效数据的剔除是指删除行人非运动状态下的智能手机所记录的数据，所述噪声数据的滤波通过滤波器进行降噪处理。
具体为：首先，进行行人路网道路数据获取与预处理。所需数据可以通过智能手机的采集。行人携带智能手机行走过程中，智能手机将会记录每个时间戳传感器的数据变化，主要包括加速度计、气压计、全球定位系统。预处理主要分为两个部分，即无效数据的剔除与噪声数据的滤波。预处理过程中，主要用到传感数据中的加速度数据、气压数据与高程数据。本发明剔除无效数据是指删除行人非运动状态下的智能手机所记录的数据。例如通过重力加速度计算的方差进行判断，当方差值低于设定阈值时，则定义对应数据无效进行删除。
另外，采集的气压与高程数据中存在持续的噪声，需通过滤波器进行降噪。在本发明中，可以选用巴特沃兹滤波器处理气压数据，高程数据则采用加权移动平均方法。
步骤S200、将预处理后的传感数据作为基础特征数据，提取所述传感数据中的特征值用于机器学习算法的学习，实现算法对道路坡度值的提取；
本步骤中，是将预处理后的传感数据作为基础特征数据，对该数据进行采样；通过确定的窗口长度，以滑窗方式进行数据采样获得多个样本数据；根据获得的多个样本数据计算对应的特征值，并保留样本的第一条时间戳数据，以此构建所需要的数据集；将部分数据标注坡度值用于训练归模型，获得适用于道路坡度值的坡度预测模型；通过获得的坡度预测模型，实现模型对道路坡度信息的获取。
具体地，可以通过基于机器学习算法，实现道路坡度信息的获取。将预处理后的数据作为基础特征数据，提取数据中的特征值用于机器学习算法的学习，并实现道路坡度值的获取。而关于特征值的提取，首先需要对基础特征数据进行采样。通过确定的窗口长度，以滑窗方式采样获得多个样本数据。随后，根据获取的样本数据计算对应的特征值，并保留样本第一条时间戳数据，由此构建所需要的数据集。通过部分数据集，训练回归模型，以获得适用于道路坡度值的坡度预测模型。最后，通过获得的坡度预测器，实现对各样本数据坡度值的提取。
步骤S300、将算法获取的道路坡度值信息更新至地图数据中，获得含有三维坡度信息的地图数据。
本步骤主要为了实现行人路网数据中三维坡度信息的更新；通过数据融合与地图匹配，将坡度预测模型得到的道路坡度值更新至行人路网数据中，以获得含有三维坡度信息的地图数据。具体地，首先可以通过融合处理，使得行人行走轨迹数据获得对应的道路坡度信息。通过样本与原始数据的时间戳对比，根据数据采样长度推出各样本对应的原始数据段，并将样本坡度值与GPS数据进行融合。随后，基于最短距离的匹配方法，使得各路段的坡度信息匹配至现有行人路网数据中的各位置点。通过经纬度数据计算路段GPS点与路网位置点之间的距离，确定距离指标最小的点对，将GPS点的坡度值赋予最近的路网位置点，实现路网数据中坡度信息更新至地图数据中，即可获得含有三维坡度信息的地图数据。
以下通过具体的应用实施例对本发明实施例提供一种基于智能手机的行人路网道路坡度信息提取方法，做进一步详细说明：
如图2所示，本具体应用实施例提供一种基于智能手机的行人路网道路坡度信息提取方法，主要包括以下步骤：
步骤S10、传感数据的获取与预处理；
该步骤对应上述实施例步骤S100、包括数据采集步骤与数据预处理步骤；
数据采集步骤：基于智能手机，获取行人行走中多传感器的数据变化；
数据预处理步骤：剔除无效数据以及滤波噪声数据。
具体地，本发明基于感知行为获取道路坡度，所需数据来源于智能手机对传感器变化数据的采集，主要记录行人行走过程中各时间戳的数据变化，即包括加速度计、气压计、全球定位系统。令S＝{T1,T2,...,TN}表示为行人行走过程中，智能手机所记录的各时刻多个传感器的数据。式中，Ti＝{ti,axi,ayi,azi,baroi,elei,xi,yi}表示为行人行走过程中各时间戳对应采集的传感数据。各变量分别表示时间戳，三轴加速度，气压值，高程值，经度与纬度。
具体实施时，由于行人的行走模式差异与多种环境因素的影响，原始的传感数据中存在误差数据需要处理，以减小误差数据对道路坡度预测精度的影响。对误差数据处理主要分为两个部分，即剔除无效数据以及滤波噪声数据。无效数据的剔除是指删除行人在非运动状态下，智能手机所记录的传感数据。处理无效数据前，本发明中需要先对原始数据进行窗口采样处理，获得多个数据段，对应获得多个样本。令Sn＝{T1,T2,...,Tn}表示为一个数据段，即一个样本。提取样本中各时间点的重力加速度数据，即每个样本单独提取与判断。当/>的方差值大于阈值σa时，如公式(1)所示，保留样本Sn。反之，则将Sn作为无效数据，进行删除。
数据采集过程中，行人手持状态下的智能手机始终无法保持相对静止状态。气压与高程的原始数据中会持续出现明显的抖动，形成噪声数据。因此，原始数据无法直接用于表示气压与高程的真实变化，需要通过滤波器对数据进行降噪处理。
在本发明中，采用巴特沃斯滤波器滤波气压数据，而高程数据则采用加权移动平均方法。设置气压数据的滤波器的阶数为4，截止频率为10-3Hz。高程数据的滤波窗口为7，当移动窗口大小不足其设置数量时将自动截断，即头三个和末三个数据仅使用可用的相邻数据进行加权平均。滤波后的高程数据由公式(2)计算所得。
式中，权值wm＝[0.1,0.125,0.15,0.25,0.15,0.125,0.1]；en、分别表示原始高程值与滤波后高程值。
其中，巴特沃斯滤波器的特点是通频带内的频率响应曲线最大限度平坦，没有起伏，而在阻频带则逐渐下降为零。在振幅的对数对角频率的波特图上，从某一边界角频率开始，振幅随着角频率的增加而逐步减少,趋向负无穷大。
步骤S20、对预处理后的传感数据，提取道路坡度信息；
该步骤对应上述实施步骤S200、主要包括：获取样本步骤、构建数据集步骤、以及构建预测模型步骤。
其中获取样本步骤：确定窗口长度，以滑窗方式采样获得多个样本；
构建数据集步骤：计算样本特征值，并保留样本的第一条时间戳数据，构建数据集，将部分数据标注坡度值用于训练模型；
构建预测模型步骤：回归模型学习训练数据，实现模型对道路坡度值的自动预测。
本发明提取道路坡度信息具体实施时为：将步骤S10预处理后的传感数据将作为基础特征数据，进行特征值的提取，用于机器学习算法的学习。本发明将道路坡度值的提取视为机器学习的回归问题，即通过回归模型实现对道路坡度值的预测。
智能手机采集的多传感器的数据均为时序数据，无法直接作为回归模型的输入，用于模型的学习与预测。因此，本发明需要通过滑动窗口进行数据采样，窗口长度slide_window由数据采样频率frequence与时间窗长度time_window决定，具体见公式(3)所示。
slide_window＝frequency*time_window (3)
式中，分别表示第n个样本在原始数据中起始与终止的索引位置。
本发明采样时，需保留样本第一条时间戳数据，便于后续的数据融合处理。随后，基于样本数据计算得到的特征值，构建模型所需的数据集。在本发明中，将样本的气压差Δbaro与高差Δele作为模型的输入特征。样本的特征值是由各样本首尾数据的差值得到，具体计算方法如公式(6)、公式(7)所示。
Δbaro＝baroend-barobegin (6)
Δele＝eleend-elebegin (7)
式中，barobegin、baroend、elebegin、eleend分别表示各样本中气压数据的首尾值与高程数据的首尾值。
本发明以支持向量机作为道路坡度的坡度预测模型。以数据集中的部分数据用于模型的学习及训练，从而获得能够预测道路坡度值的回归模型。其中，训练数据是以各样本对应实际路网位置中的坡度真值进行标注。坡度真值是由路网位置点的高精度LiDAR数据计算所得，并通过路段的距离进行加权，计算方法如公式(8)所示。最后，输入未用于训练的数据集，通过训练好的支持向量机，实现各样本的坡度值预测。
上述公式中，i为数据段的坡度值(％)，e为样本对应路网中路段各位置点的LiDAR值，d为相邻路网位置点间的水平距离，l为路段的水平长度。
步骤S30、更新路网坡度信息；
本步骤S30对应上述实施步骤S300，主要包括数据融合步骤和地图匹配步骤；
其中，数据融合步骤为：根据时间戳与采样长度，获取各样本对应的原始数据，并将坡度预测值与行人轨迹数据进行融合；
而地图匹配步骤为：基于最短距离准则，将行人轨迹的坡度信息更新至行人路网数据中。
在本发明中，更新路网中的坡度信息将采用两个步骤实现，即数据融合和地图匹配。坡度预测模型预测出各样本对应的坡度值，而每个样本对应着一段行人行走轨迹数据。为了使各轨迹段获得对应的坡度信息，将进行数据融合。而后，以行人路网数据作为基础路网数据，采用最短距离的匹配方法，将各轨迹段的坡度信息更新至路网数据中。
数据融合的目的，是将各样本的坡度预测值与对应行走轨迹段的GPS数据进行合并。每个样本构建时保留了第一条时间戳数据，通过原始数据与各样本的时间戳比对，根据数据采样长度获取样本指向的原始数据段，并融合GPS数据与坡度预测值。由此，便得到了含有坡度信息的行人行走轨迹数据。接下来，基于最短距离准则，将行人轨迹数据的坡度信息更新至行人路网数据中。基于最短距离的匹配方法是指，根据经纬度数据计算轨迹点与路网位置点之间的距离Dist，如公式(9)所示。确定距离指标最小的点对，将轨迹的坡度值赋予路网位置点，实现了行人路网数据中坡度信息的更新。由此，将获得含有三维坡度信息的行人地图数据；
Dist＝R*arcos(cos(y1)*cos(y2)*cos(x1-x2)+sin(y1)*sin(y2)) (9)
式中，R＝6371.0km，xi、yi分别表示轨迹点与路网位置点的经度与纬度。arcos、cos、sin分别表示为反余弦函数、余弦函数以及正弦函数。
随着各路段的采集数据量的增加，每个路网位置点所匹配的坡度数据可能会出现多个，而每个预测值之间存在一定差别。因此，对路网位置点的该组坡度数据计算均值，以坡度均值作为该点匹配的唯一值。
由上可见，本发明所提出的道路坡度的提取方法，可以获得含有三维坡度信息的行人路网，为实现个性化导航提供数据基础。该路网数据作为地图数据，导航系统便可为用户提供满足对坡度因素考虑的最优出行路线。
示例性设备
如图3中所示，本发明实施例提供一种基于智能手机的行人路网道路坡度信息提取装置，该装置包括：
获取模块510，用于控制智能手机获取行人行走过程中多传感器的变化数据，并对传感数据进行预处理，得到预处理后的传感数据；
提取模块520，用于将预处理后的传感数据作为基础特征数据，提取所述传感数据中的特征值用于机器学习算法的学习，实现算法对道路坡度值的提取；
更新模块530，用于将算法获取的道路坡度值信息更新至地图数据中，即可获得含有三维坡度信息的地图数据，具体如上所述。
基于上述实施例，本发明还提供了一种智能终端，其原理框图可以如图4所示。该智能终端包括通过系统总线连接的处理器、存储器、网络接口、显示屏、传感器。其中，该智能终端的处理器用于提供计算和控制能力。该智能终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该智能终端的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于智能手机的行人路网道路坡度信息提取方法。该智能终端的显示屏可以是液晶显示屏或者电子墨水显示屏。
本领域技术人员可以理解，图4中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的智能终端的限定，具体的智能终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种智能终端，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行以下操作的指令：
基于智能手机获取行人行走过程中多传感器的变化数据，并对传感数据进行预处理；
将预处理后的传感数据作为基础特征数据，提取所述传感数据中的特征值用于机器学习算法的学习，实现算法对道路坡度值的提取；
将算法获取的道路坡度值信息更新至地图数据中，即可获得含有三维坡度信息的地图数据。
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流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
综上所述，本发明公开了一种基于智能手机的行人路网道路坡度信息提取方法、智能终端及存储介质，所述方法包括：基于智能手机获取行人行走过程中多传感器的变化数据，并对传感数据进行预处理；将预处理后的传感数据作为基础特征数据，提取所述传感数据中的特征值用于机器学习算法的学习，实现算法对道路坡度值的提取；将算法获取的道路坡度值信息更新至地图数据中，即可获得含有三维坡度信息的地图数据。本发明实施例基于智能手机的传感数据，通过机器学习算法实现对道路坡度值的提取。将获取的坡度信息添加至现有的行人导航的地图数据中，更新后的地图数据可为个性化导航提供数据基础，为行人出行规划考虑坡度因素的最优路线。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (7)
1.一种基于智能手机的行人路网道路坡度信息提取方法，其特征在于，所述方法包括：
基于智能手机获取行人行走过程中多传感器的变化数据，并对所述传感器的变化数据进行预处理，得到预处理后的传感数据；
所述传感数据包括：智能手机的加速度计获取的加速度数据、气压计获取的气压数据、以及全球定位系统获取的定位数据与高程数据；
采用加权移动平均方法对所述高程数据进行滤波处理，滤波后的高程数据为：其中，权值wm＝[0.1，0.125，0.15，0.25，0.15，0.125，0.1]，en表示原始高程值，/>表示滤波后高程值，m表示滤波窗口数；
将预处理后的传感数据作为基础特征数据，提取所述传感数据中的特征值用于机器学习算法的学习，实现算法对道路坡度值的提取；
所述将预处理后的传感数据作为基础特征数据，提取所述传感数据中的特征值用于机器学习算法的学习，实现算法对道路坡度值的提取的步骤包括：
将预处理后的传感数据作为基础特征数据，对所述传感数据进行采样；通过确定的窗口长度，以滑窗方式进行数据采样获得多个样本数据；
根据获得的多个样本数据计算对应的特征值，并保留样本第一条时间戳数据，以此构建所需要的数据集；将部分数据标注坡度值用于训练回归模型，获得适用于道路坡度值的坡度预测模型，其中，所述部分数据是对实际路网位置中的坡度真值进行标注，所述坡度真值是由路网位置点的高精度LiDAR数据计算所得，并通过路段的距离进行加权，所述坡度值的计算公式为：其中，H为数据段的坡度值，e为样本对应路网中路段各位置点的LiDAR值，d为相邻路网位置点间的水平距离，l为路段的水平长度；
通过获得的坡度预测模型，预测各样本的道路坡度值，实现模型对道路坡度信息的获取；
将算法获取的道路坡度值信息更新至地图数据中，获得含有三维坡度信息的地图数据；
所述将算法获取的道路坡度值信息更新至地图数据中，获得含有三维坡度信息的地图数据包括：
通过融合处理，使得行人行走轨迹数据获得对应的道路坡度信息；通过样本与原始数据的时间戳对比，根据数据采样长度推出各样本对应的原始数据段，并将样本坡度值与GPS数据进行融合；
基于最短距离的匹配方法，将各路段的坡度信息匹配至已有行人路网数据中的各位置点；
所述基于最短距离的匹配方法是指根据经纬度数据计算轨迹点与路网位置点之间的距离Dist，所述Dist的计算公式为：Dist＝R*arcos(cos(y1)*cos(y2)*cos(x1-x2)+sin(y1)*sin(y2))，其中，R＝6371.0km，x1和y1表示轨迹点的经度与纬度，x2和y2表示路网位置点的经度与纬度，arcos、cos以及sin分别表示为反余弦函数、余弦函数以及正弦函数；
通过经纬度数据计算路段GPS点与路网位置点之间的距离，确定距离指标最小的点对，将GPS点的坡度值赋予最近的路网位置点，实现将获取的道路坡度值信息更新至地图数据中，即获得含有三维坡度信息的地图数据。
2.根据权利要求1所述的基于智能手机的行人路网道路坡度信息提取方法，其特征在于，所述基于智能手机获取行人行走过程中多传感器的变化数据，并对所述传感的变化数据进行预处理，得到预处理后的传感数据的步骤包括：
基于智能手机获取行人行走中多传感器的数据变化；
对获取的传感器的数据进行剔除无效数据与滤波噪声数据的预处理；其中，所述无效数据的剔除是指删除行人非运动状态下的智能手机所记录的数据，所述噪声数据的滤波通过滤波器进行降噪处理。
3.根据权利要求1所述的基于智能手机的行人路网道路坡度信息提取方法，其特征在于，所述将算法获取的道路坡度值信息更新至地图数据中，获得含有三维坡度信息的地图数据的步骤包括：
通过数据融合与地图匹配，将坡度预测模型得到的道路坡度值更新至行人路网数据中，获得含有三维坡度信息的地图数据。
4.根据权利要求2所述的基于智能手机的行人路网道路坡度信息提取方法，其特征在于，所述无效数据的剔除是指删除行人非运动状态下的智能手机所记录的数据的步骤包括：
处理无效数据前，先对原始数据直接进行窗口采样处理，获得多个数据段，对应获得多个样本；
提取样本中各时间点的重力加速度数据，对每个样本单独提取与判断；基于重力加速度计算的方差进行判断，当方差值低于设定阈值时，则定义对应数据无效进行删除。
5.根据权利要求3所述的基于智能手机的行人路网道路坡度信息提取方法，其特征在于，所述数据融合是将各样本的坡度预测值与对应行走轨迹段的GPS数据进行合并；构建数据集时各样本保留了第一条时间戳数据，通过原始数据与各样本的时间戳比对，根据数据采样长度获取样本指向的原始数据段，并融合GPS数据与样本的坡度预测值。
6.一种智能终端，其特征在于，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于执行如权利要求1-5中任意一项所述的方法。
7.一种非临时性计算机可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如权利要求1-5中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011302980.2A CN112527930B (zh) | 2020-11-19 | 2020-11-19 | 一种基于智能手机的行人路网道路坡度信息提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011302980.2A CN112527930B (zh) | 2020-11-19 | 2020-11-19 | 一种基于智能手机的行人路网道路坡度信息提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112527930A CN112527930A (zh) | 2021-03-19 |
| CN112527930B true CN112527930B (zh) | 2023-11-03 |
Family
ID=74981461
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011302980.2A Active CN112527930B (zh) | 2020-11-19 | 2020-11-19 | 一种基于智能手机的行人路网道路坡度信息提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112527930B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117191004B (zh) * | 2023-11-06 | 2024-03-19 | 中南大学 | 融合众源轨迹数据的户外三维步行导航路网地图生成方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102779411A (zh) * | 2012-08-10 | 2012-11-14 | 北京航空航天大学 | 自动获取道路坡度的方法 |
| KR101843862B1 (ko) * | 2016-09-28 | 2018-03-30 | 네이버 주식회사 | 자전거 도로 정보를 제공하는 방법 및 시스템 |
| DE102019206819A1 (de) * | 2018-06-11 | 2019-12-12 | Deere & Company | Kalibrierung des planiersteuersystems einer arbeitsmaschine über ein smartphone |
| CN111288999A (zh) * | 2020-02-19 | 2020-06-16 | 深圳大学 | 一种基于移动终端的行人路网属性检测方法、装置和设备 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9725093B2 (en) * | 2014-09-23 | 2017-08-08 | Cummins Inc. | Vehicle controls including dynamic vehicle mass and road grade estimation during vehicle operation |
| US9575993B2 (en) * | 2014-12-30 | 2017-02-21 | Here Global B.V. | Binary difference operations for navigational bit streams |
-
2020
- 2020-11-19 CN CN202011302980.2A patent/CN112527930B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102779411A (zh) * | 2012-08-10 | 2012-11-14 | 北京航空航天大学 | 自动获取道路坡度的方法 |
| KR101843862B1 (ko) * | 2016-09-28 | 2018-03-30 | 네이버 주식회사 | 자전거 도로 정보를 제공하는 방법 및 시스템 |
| DE102019206819A1 (de) * | 2018-06-11 | 2019-12-12 | Deere & Company | Kalibrierung des planiersteuersystems einer arbeitsmaschine über ein smartphone |
| CN111288999A (zh) * | 2020-02-19 | 2020-06-16 | 深圳大学 | 一种基于移动终端的行人路网属性检测方法、装置和设备 |
Non-Patent Citations (1)
| Title |
|---|
| "基于智能手机传感器的室内行人三维定位算法";洪皓等;《测绘科学》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112527930A (zh) | 2021-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3739512A1 (en) | Automatic feature extraction from imagery | |
| CN111002980B (zh) | 基于深度学习的道路障碍物轨迹预测方法和系统 | |
| US11487018B2 (en) | Algorithm and architecture for map-matching streaming probe data | |
| EP3671545A1 (en) | Lane feature detection in aerial images based on road geometry | |
| CN107764274B (zh) | 一种判别车辆是否行驶在高架道路的方法 | |
| US20180087922A1 (en) | Discovering points of entry to a location | |
| US20240202490A1 (en) | Lane Selection Using Machine Learning | |
| CN114080537B (zh) | 收集与可导航网络有关的用户贡献数据 | |
| WO2009059766A1 (en) | Method and system for the use of probe data from multiple vehicles to detect real world changes for use in updating a map | |
| EP3667561A1 (en) | Method and apparatus for creating a visual map without dynamic content | |
| CN111288999B (zh) | 一种基于移动终端的行人路网属性检测方法、装置和设备 | |
| CN111959495A (zh) | 车辆的控制方法、装置及车辆 | |
| EP4211601B1 (en) | Method for electronic trip familiarity detection | |
| US20210061064A1 (en) | System and method for generating map data associated with road objects | |
| US20210027620A1 (en) | Methods and systems for determining speed of a vehicle | |
| JP2015076077A (ja) | 交通量推定システム、端末装置、交通量推定方法および交通量推定プログラム | |
| CN112527930B (zh) | 一种基于智能手机的行人路网道路坡度信息提取方法 | |
| CN116097128A (zh) | 用于对车辆位置进行确定的方法和设备 | |
| US11423660B2 (en) | Methods and systems for determining emergency data for a vehicle | |
| CN115409910A (zh) | 一种语义地图构建方法、视觉定位方法及相关设备 | |
| JP5666401B2 (ja) | ナビゲーションシステム、ナビゲーション装置、およびナビゲーションシステムの動作方法 | |
| CN114426030A (zh) | 一种行人穿行意图估计方法、装置、设备和汽车 | |
| CN113848878B (zh) | 基于众源数据的室内外三维行人路网构建方法 | |
| JP2020193956A5 (zh) | ||
| JP2020193956A (ja) | 車載装置、運転支援方法、および運転支援システム |
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 |