CN113015887A - 基于天气和路面类型的导航方向 - Google Patents
基于天气和路面类型的导航方向 Download PDFInfo
- Publication number
- CN113015887A CN113015887A CN201980044446.5A CN201980044446A CN113015887A CN 113015887 A CN113015887 A CN 113015887A CN 201980044446 A CN201980044446 A CN 201980044446A CN 113015887 A CN113015887 A CN 113015887A
- Authority
- CN
- China
- Prior art keywords
- road
- road surface
- route
- surface type
- processors
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 claims description 54
- 239000013598 vector Substances 0.000 claims description 35
- 230000015654 memory Effects 0.000 claims description 26
- 244000025254 Cannabis sativa Species 0.000 claims description 23
- 238000010801 machine learning Methods 0.000 claims description 22
- 239000011449 brick Substances 0.000 claims description 19
- 239000010426 asphalt Substances 0.000 claims description 15
- 239000004567 concrete Substances 0.000 claims description 15
- 230000000007 visual effect Effects 0.000 claims description 12
- 239000002689 soil Substances 0.000 claims description 9
- -1 gravel Substances 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 238000001556 precipitation Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000004927 clay Substances 0.000 description 3
- 239000003086 colorant Substances 0.000 description 3
- 239000000446 fuel Substances 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000002207 retinal effect Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012706 support-vector machine Methods 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
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3461—Preferred or disfavoured areas, e.g. dangerous zones, toll or emission zones, intersections, manoeuvre types, segments such as motorways, toll roads, ferries
-
- 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
-
- 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
-
- 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
- G01C21/36—Input/output arrangements for on-board computers
- G01C21/3667—Display of a road map
-
- 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
- G01C21/36—Input/output arrangements for on-board computers
- G01C21/3691—Retrieval, searching and output of information related to real-time traffic, weather, or environmental conditions
-
- 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
- G01C21/36—Input/output arrangements for on-board computers
- G01C21/3697—Output of additional, non-guidance related information, e.g. low fuel level
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/182—Network patterns, e.g. roads or rivers
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental & Geological Engineering (AREA)
- Environmental Sciences (AREA)
- Navigation (AREA)
Abstract
为了根据路段的路面类型提供导航方向,接收对从起始位置到目的地位置的导航方向的请求(602)。识别用于从起始位置导航到目的地位置的候选路线集(604)。然后,对于每个候选路线内的每个路段,确定路段的路面类型(606)。至少部分地基于路线内的路段的路面类型,从候选路线集中选择路线(614)。提供导航方向集以呈现在客户端设备上,用于经由所选路线从起始位置导航到目的地位置(616)。
Description
技术领域
本公开涉及数字制图数据,并且更具体地,涉及基于路面类型和/或天气状况来选择用于引导用户的导航路线。
背景技术
本文提供的背景技术描述是为了总体上呈现本公开的上下文的目的。在本背景技术部分描述的程度上,当前署名的发明人的工作,以及在提交时可能没有资格作为现有技术的描述的方面,既不明确地也不隐含地被承认为针对本公开的现有技术。
如今,许多用户请求各种地理位置的地图和导航数据。在计算机、智能手机、嵌入式设备等中执行的软件应用,响应于从用户接收到指定起始点和目的地的输入而生成逐步导航方向。通常针对在最短时间内将用户引导到目的地的路线来生成导航方向。
发明内容
除了选择具有最短估计时间段的路线之外,还可以考虑安全问题以及车辆上的潜在磨损。为了解决这些安全问题,服务器设备中的路面类型选路(routing)引擎识别区域中的路段的路面类型以及天气状况。然后,路面类型选路引擎可以提醒用户,路线内即将到来的路段具有可能对用户造成危险或者可能导致用户的车辆经历磨损的路面类型和/或天气状况。此外,路面类型选路引擎可以选择替代路线,其不包括具有可能对用户造成危险的路面类型和/或天气状况的路段。例如,为了解决关于天气状况和道路类型的安全问题,路面类型选路引擎可以选择具有稍微长一些的估计时间段、但降低用户的车辆卡在泥浆中、或经历车辆损坏或者对用户有害的可能性的路线。在一个实例中,路面类型选路引擎可以选择第一路线,其包括平滑路面,但预计比包括崎岖且泥泞路面的第二路线花费更长的时间。在一些实现方式中,用户可以选择导航应用上的设置,该设置指示相对于具有最短估计用时的路线,用户偏好更安全的路线、或避开特定的路面类型和/或天气状况(例如,雨中的泥土道路)的路线。
更具体地,路面类型选路引擎从客户端设备的用户处接收对从起始位置到目的地位置的导航方向请求。路面类型选路引擎获得包括起始位置和目的地位置的地理区域的路面类型数据。此外,路面类型选路引擎识别从起始位置导航到目的地位置的候选路线集。候选路线可以包括若干路段,并且路面类型选路引擎可以获得穿越每个候选路线和/或每个候选路线上的每个路段的估计时间段。例如,路面类型选路引擎可以从导航服务器获得候选路线集和穿越候选路线的估计时间段。对于每个候选路线,路面类型选路引擎识别候选路线内的每个路段的路面类型。
然后,路面类型选路引擎基于路段的路面类型和穿越路段的估计时间段来为每个候选路线分配分数。在一些实现方式中,路面类型选路引擎获得包括起始位置和目的地位置的地理区域的当前和/或特定时间间隔(例如,前一周、前N天等)内的天气状况。被分配给每个候选路线的分数还可以基于地理区域中的当前天气状况或特定时间间隔内的天气状况。
更具体地,对于每个路段,路面类型选路引擎可以基于穿越路段的估计时间段来向路段分配时间分数。时间分数可以与穿越路段的估计时间段成比例,使得较短的估计时间段具有较低的分数。路面类型选路引擎还可以基于路段的路面类型来向路段分配路面类型分数。可以向铺砌路段(诸如沥青或混凝土)分配比未铺砌路段(诸如泥土、砾石和草)更低的分数。此外,可以向沥青或混凝土路段分配比鹅卵石或砖路段更低的分数。此外,路面类型选路引擎可以基于地理区域中的当前或最近天气状况来向路段分配天气分数。天气分数还可以考虑路面类型。例如,可以向最近经历过雨的区域中的泥土道路分配比最近经历过雨的区域中的混凝土道路更低的分数。在另一示例中,在强风期间,可以向砾石道路分配比沥青道路更低的分数。在又一示例中,在阈值量的降水或洪水之后,可以向混凝土道路分配比桥梁下穿通道更低的分数。此外,路面类型选路引擎可以基于地理区域内的路段的路面类型的稀缺性来向路段分配稀缺性分数。例如,如果路段是泥土道路,但是地理区域中的路段中的每一个的大部分都是泥土道路,则其稀缺性分数可能低于作为地理区域中的唯一泥土道路的路段的稀缺性分数。然后,路面类型选路引擎可以以任何合适的方式聚合或组合路段的分数,以生成路段的总分数。路面类型选路引擎还可以以任何合适的方式聚合或组合路段的总分数,以生成候选路线的总分数。
然后,路面类型选路引擎根据候选路线的总分数对候选路线进行排名,并选择具有最低总分数的候选路线作为要提供给用户的路线。然后,路面类型选路引擎发送导航方向集以呈现在客户端设备上,用于经由所选路线从起始位置导航到目的地位置。
在其他实现方式中,路面类型选路引擎以根据相应的总分数而排名的顺序向客户端设备提供对候选路线中的每一个的指示。以这种方式,用户可以选择候选路线中的一个以用于导航到目的地位置。路面类型选路引擎可以向客户端设备提供针对候选路线、或针对具有特定路面类型的所选路线(诸如未铺砌的道路,或总分数低于阈值分数的路段)的提醒。
在一些实现方式中,当用户接近某个路段时,路面类型选路引擎可以获得该路段的天气状况。然后,路面类型选路引擎可以重新计算路段的总分数。如果路段的总分数低于阈值分数,则路面类型选路引擎可以向客户端设备提供针对该路段的提醒。在其他场景中,路面类型选路引擎可以生成并向客户端设备提供避开该路段的替代路线。
具体地,本公开的技术的示例实施例是一种用于根据路段的路面类型生成导航方向集的方法。该方法包括接收对从起始位置到目的地位置的导航方向的请求,以及识别用于从起始位置导航到目的地位置的候选路线集。对于候选路线集中的每个候选路线内的每个路段,该方法还包括:确定路段的路面类型;至少部分地基于每个候选路线内的路段的路面类型来从候选路线集中选择路线;以及提供导航方向集以呈现在客户端设备上,用于经由所选路线从起始位置导航到目的地位置。
这些技术的另一实施例是用于根据路段的路面类型生成导航方向集的计算设备。计算设备包括一个或多个处理器和存储指令的非暂时性计算机可读介质。当由一个或多个处理器执行指令时,指令使计算设备接收对从起始位置到目的地位置的导航方向的请求,并且识别用于从起始位置导航到目的地位置的候选路线集。对于候选路线集中的每个候选路线内的每个路段,指令使计算设备确定路段的路面类型,至少部分地基于每个候选路线内的路段的路面类型来从候选路线集中选择路线,并且提供用于经由所选路线从起始位置导航到目的地位置的导航方向集。
这些技术的又一实施例是用于根据路段的路面类型呈现导航方向集的客户端设备。客户端设备包括用户界面、一个或多个处理器和存储指令的非暂时性计算机可读介质。当由一个或多个处理器执行指令时,指令使得客户端设备执行以下操作:发送对从起始位置到目的地位置的导航方向的请求;接收用于沿从起始位置到目的地位置的路线导航的导航方向集,该路线包括多个路段;针对多个路段中的至少一个路段,接收指示至少一个路段的路面类型的提醒;以及经由用户界面,呈现导航方向集和指示至少一个路段的路面类型的提醒。
附图说明
图1示出了可以实现用于根据路段的路面类型生成导航方向集的技术的示例通信系统的框图;
图2示出了地理区域的示例空中或卫星图像,其可以用于识别地理区域内的路段的路面类型;
图3示出了图2的地理区域的示例空中或卫星图像,其通过将空中或卫星图像的视觉特征应用于机器学习模型以识别地理区域内的各个位置处的路面类型,来对该地理区域内的路段的路面类型的指示进行注释;
图4示出了使用基于穿越路段的估计时间段和路段的路面类型的最小成本路径分析来选择到目的地位置的导航路线的示例图;
图5A示出了指示从起始位置到目的地位置的路线、并且包括指示路段中的一个的路面类型的提醒的示例导航显示;
图5B示出了指示用户从起始位置到目的地位置的若干以排名顺序呈现的路线中进行选择的另一示例导航显示。
图6是可以在服务器设备中实现的、用于根据路段的路面类型生成导航方向集的示例方法的流程图;以及
图7是可以在客户端设备中实现的、用于根据路段的路面类型呈现导航方向集的示例方法的流程图。
具体实施方式
概述
世界上有许多道路在相对常见的天气状况下行驶可能也是困难的,甚至是不安全的。例如,未铺砌的泥土道路在大雨中很容易变成泥浆。如果引导车辆沿着当前不适合车辆行驶的路线来行驶,则有最大可能会延迟车辆,并且对车辆及其乘坐者可能是危险的。根据本文描述的实施例生成车辆的导航方向避免了、或至少降低了引导车辆沿着当前不合适的路线行驶的可能性。
更具体地,从起始位置到目的地位置的特定路线在一些场景中可能是合适的,但在其他场景中可能是不合适的,例如,包括了沿着未铺砌的泥土路段行进的路线在大雨期间可能是不合适的,但是可能适合在其他时间使用。在另一示例中,包括了沿着砾石路段行进的路线在大风中可能是不合适的,但是可能适合在其他时间使用。在又一示例中,具有桥梁下穿通道或其他显著的局部凹陷的路段可能特别容易被淹没,即使该路段是铺砌路段。在从起始位置到目的地位置的最短/最快路线包括了这样的路段的场景中,沿着另一路线引导车辆可能增加车辆从起始位置行驶到目的地位置所需的时间和燃料。根据本实施例生成车辆的导航方向可以确保在适当时沿着最短路线引导车辆,并且仅在需要时(例如,在大雨期间或之后不久,在从起始位置到目的地位置的最短路线包括了未铺砌的泥土路段的情况下)沿着另一个更长的路线引导车辆。在其他实现方式中,用户可以经由导航应用中的一个或若干个用户设置从一个或若干个用户偏好中进行选择。用户可以指示与驾驶所花费的额外时间和/或增加的燃料费用相比,其偏好舒适性和便利性的程度。然后,可以基于用户选择的偏好来选择路线。例如,如果用户指示对舒适性和便利性的轻微偏好,则导航应用可以比最快路线稍微更频繁地向用户呈现更舒适/便利的路线。如果用户指示对舒适性和便利性的较大偏好,则导航应用可以在每次用户请求导航方向时或几乎每次都向用户呈现更舒适/便利的路线。
在一些场景中,路线的适合性不仅取决于接收到对导航方向的请求时的天气状况,而且取决于在接收到对导航方向的请求之前的时段中的天气状况。例如,包括沿着未铺砌的泥土路段行进的路线可能在大雨之后的几天内仍然不适合行驶。更具体地,可以获得在接收到请求之前该地理区域中N天的天气状况。
示例硬件和软件组件
参考图1,其中可以实现路面类型选路系统的示例通信系统10包括被配置为执行地理应用14的客户端计算设备12(在本文中也被称为“客户端设备”),地理应用14也可以被称为“导航应用14”。取决于实现方式,导航应用14可以显示交互式数字地图,请求和接收选路数据以提供驾驶、步行或其他导航方向,以及提供各种地理定位的内容等。客户端设备12可以由用户在导航到各种位置时显示数字地图来操作。
除了客户端设备12之外,通信系统10还包括路面类型选路服务器60,该路面类型选路服务器60被配置为向客户端设备12提供用于从起始位置导航到目的地位置的所选路线,其中,路线是至少部分地基于沿着路线的路段的路面类型来选择的。路面类型选路服务器60可以通信地耦合到数据库80,在示例实现方式中,数据库80存储基于包括路段的地理区域的图像来识别路段的路面类型的机器学习模型。数据库80还可以存储用于训练机器学习模型的训练数据,诸如各种空中或卫星图像中的路面类型模板。此外,数据库80可以存储对先前已经被确定了路面类型的路段的路面类型的指示。
更一般地,路面类型选路服务器60可以与存储任何类型的合适的地理空间信息的一个或多个数据库通信。通信系统10还可以包括导航数据服务器22,该导航数据服务器22提供驾驶、步行、骑自行车、或公共交通方向,例如经由导航应用14呈现。此外,通信系统10可以包括地图数据服务器20,该地图数据服务器20向客户端设备12提供地图数据以生成地图显示。在通信系统10中操作的设备可以经由通信网络18互连。
地图数据服务器20和导航服务器22耦合到地图数据库30,该地图数据库30包括存储街道和道路信息、地形数据、卫星影像等的示意图和卫星数据。服务器20、22还耦合到交通数据库36,该交通数据库36包括当前交通状况,并且还可以包括道路封闭数据、估计时间数据等。此外,服务器20、22耦合到天气数据库38,该天气数据库38包括各种地理区域中的当前天气数据。一般,导航服务器22可以从任何数量的合适的数据库、web服务等接收与地理位置相关的信息。一个或多个操作者可以周期性地更新数据库30、36和38,其中每个操作者以各自的时间间隔向数据库30、36和38提供更新。例如,交通数据库36和天气数据库38可以存储基本上实时的数据,而示意图和卫星数据库30可以相对不频繁地更新,诸如每周一次。
示意图和卫星数据库30可以以光栅格式、向量格式、任何其他合适的格式、或上述格式的任何组合存储数据。在一些实现方式中,将数据以多个缩放级别组织成地图图块(tile),以便于向客户端设备提供地图数据。取决于实现方式,例如,导航服务器22可以将地图和方向数据单独地或一起以地图图块的形式提供给客户端设备。在其他实施例中,可以在与地图数据服务器20和导航服务器22分离的远程服务器上远程地生成地图数据和导航方向。此外,在一些实施例中,地图和导航方向可以由地图数据服务器20、导航服务器22、和任何数量的附加服务器的组合生成。
在一些实现方式中,路面类型选路服务器60从地图数据服务器20和/或导航服务器22接收包括候选路线集的地图和方向数据,每个候选路线包括用于从起始位置导航到目的地位置的路段集。然后,路面类型选路服务器60基于穿越候选路线中的每个路段的估计时间段(例如基于每个路段上的交通量、每个路段的路面类型、包括候选路线中的路段的地理区域中的当前或最近天气状况、穿越候选路线的车辆类型等)来分析候选路线集中的每个候选路线。在其他实现方式中,路面类型选路服务器60直接与示意图和卫星数据库30、交通数据库26和天气数据库38通信,以生成从起始位置到目的地位置的候选路线集,然后从该候选路线集中选择路线提供给用户以导航到目的地位置。
例如,客户端设备12可以是便携式设备,诸如智能手机或平板计算机。客户端设备12还可以是膝上型计算机、台式计算机、个人数字助理(PDA)、诸如智能手表或智能眼镜的可穿戴设备等。客户端设备12还可以经由诸如第四代或第三代蜂窝网络(分别为4G或3G)的有线或无线通信网络18与各种内容提供商、服务器等通信。客户端设备12可以包括存储器40、一个或多个处理器(CPU)50、图形处理单元(GPU)52、网络接口单元54、I/O模块56、用于显示地图数据和方向的用户界面(UI)58、以及全球定位系统(GPS)46或另一合适的定位模块。存储器40可以是非暂时性存储器,并且可以包括一个或若干个合适的存储器模块,诸如随机访问存储器(RAM)、只读存储器(ROM)、闪存、其他类型的持久性存储器等。例如,I/O模块可以是触摸屏。在各种实现方式中,客户端设备12可以包括比图1中所示出的更少的组件,或相反地包括额外的组件。
存储器40存储操作系统(OS)42,该OS 42可以是任何类型的合适的移动或通用操作系统。存储器40还存储导航应用14,该导航应用14被配置为如上所述地生成交互式数字地图和/或执行其他地理功能。导航应用14可以从地图数据服务器20接收光栅(例如,位图)或非光栅(例如,向量图形)格式的地图数据,并经由数字导航模块44呈现地图数据。在一些情况下,可以将地图数据组织成层,诸如描绘道路/街道/自然地层等的基本层、描绘当前交通状况的交通层、描绘当前天气状况的天气层、描绘到达目的地的路径的导航层等。导航应用14还可以显示驾驶、步行或公交方向,并且一般经由数字导航模块44提供与地理、地理定位、导航等相关的功能。
导航应用14中的数字导航模块44被配置为发送对从起始位置到目的地位置的导航方向的请求,接收用于沿着到目的地位置的路线导航的导航方向集和指示沿着路线的路段的路面类型的提醒,并且在用户界面58上呈现该导航方向集和提醒。
应注意,尽管图1将导航应用14示出为独立的应用,但导航应用14的功能也可以以在线服务的形式提供,在线服务可经由在客户端设备12上执行的web浏览器访问,以作为在客户端设备12上执行的另一软件应用的插件或扩展等。导航应用14一般可以针对不同的相应操作系统以提供不同的版本。例如,客户端设备12的制造商可以提供包括用于AndroidTM平台的导航应用12的软件开发工具包(SDK)、用于iOSTM平台的另一SDK等。
在一些实现方式中,路面类型选路服务器60包括一个或多个处理器62和存储器64。存储器64可以是有形的非暂时性存储器,并且可以包括任何类型的合适的存储器模块,包括随机访问存储器(RAM)、只读存储器(ROM)、闪存、其他类型的持久性存储器等。存储器64存储可在处理器62上执行的指令,处理器62构成路面类型选路引擎68,路面类型选路引擎68可以至少部分地基于沿着路线的路段的路面类型来生成用于从起始位置导航到目的地位置的路线。路面类型选路引擎68还可以生成路线集,每条路线用于从起始位置导航到目的地位置,并且根据每条路线上的路段的路面类型、穿越每个路段的估计时间段(例如基于每个路段上的交通量)、包括每条路线中的路段的地理区域中的当前或最近天气状况、穿越路线的车辆类型等对该路线集进行排名。路面类型选路引擎68可以以排名顺序提供对路线或路线集的指示,以供客户端设备12的数字导航模块44显示。
路面类型选路引擎68和数字导航模块44可以作为路面类型选路系统的组件操作。可替代地,路面类型选路系统可以仅包括服务器侧组件,并且简单地向数字导航模块44提供指令以显示用于沿着路线从起始位置行进到目的地位置的(多个)导航方向集。换句话说,可以对数字导航模块44透明地实现这些实施例中的路面类型选路技术。作为另一替代方案,可以在数字导航模块44中实现路面类型选路引擎68的整个功能。
为简单起见,图1仅将路面类型选路服务器60示出为服务器的一个实例。然而,根据一些实现方式的路面类型选路服务器60包括一个或多个服务器设备的组,每个服务器设备配备有一个或多个处理器并且能够独立于其他服务器设备操作。在这样的组中操作的服务器设备可以以分布式方式单独地(例如,基于可用性)处理来自客户端设备12的请求,或者根据任何其他合适的技术来处理,在分布式方式中,与处理请求相关联的一个操作在一个服务器设备上执行,而与处理相同请求相关联的另一操作在另一服务器设备上执行。出于本讨论的目的,术语“服务器设备”可以指代单独的服务器设备、或者两个或更多个服务器设备的组。
在操作中,在客户端设备12中操作的数字导航模块44接收数据并将数据发送到路面类型选路服务器60。因此,在一个示例中,客户端设备12可以向(在路面类型选路服务器60中实现的)路面类型选路引擎68发送通信,以请求从起始位置到目的地位置的导航方向。
因此,路面类型选路引擎68可以获得包括起始位置和目的地位置的地理区域的路面类型数据。更具体地,在一些实现方式中,路面类型选路引擎68使用机器学习技术获得地理区域的路面类型数据。例如,路面类型选路引擎68可以获得包括路面的地理区域的空中或卫星图像作为训练机器学习模型的训练数据,其中路面的路面类型是已知的。在一些实现方式中,每个空中或卫星图像包括具有单个路面类型(例如,砾石道路)的单个路段,该单个路面类型可以用作该特定路面类型的模板对象。单个路段的空中或卫星图像可以用其相应的路面类型的指示来标记。在其他实现方式中,空中或卫星图像可以包括具有多个路面类型的多个路段。具有多个路段的空中或卫星图像可以用空中或卫星图像内的相应的路段的路面类型和位置的指示来标记。
在任何情况下,路面类型选路引擎68识别空中或卫星图像内的一个或多个模板对象(例如,路段)的特征。模板对象的特征可以包括模板对象的边缘的几何形状、模板对象内的RGB像素值或颜色、模板对象内的相邻位置处的RGB像素值的变化、模板对象与另一模板对象的交点(该位置处模板对象看起来彼此交叉(例如,指示桥梁下穿通道))等。可以通过检测模板对象内的稳定区域来识别这些特征,稳定区域是可检测的,而不管模糊、运动、失真、定向、照明、缩放、和/或相机视角中的其他变化。可以使用尺度不变特征变换(SIFT)、加速鲁棒特征(SURF)、快速视网膜关键点(FREAK)、二进制鲁棒不变可缩放关键点(BRISK)或任何其他合适的计算机视觉技术从对象提取稳定区域。在一些实施例中,关键点可以位于对象的高对比度区域处,诸如对象内的边缘。可以在关键点周围形成边界框,并且由边界框创建的对象的部分可以是特征。
可以基于与不同的路面类型(诸如泥土、沥青、混凝土、草、砾石、砖、鹅卵石、桥梁下穿通道等)相对应的模板对象的特征来生成机器学习模型。在其他实现方式中,路面类型可以是铺砌的或未铺砌的,或者可以包括对铺砌的或未铺砌的指示两者、以及对来自路面类型(诸如泥土、沥青、混凝土、草、砾石、砖、鹅卵石、和桥梁下穿通道)集中的特定路面类型的指示。机器学习模型可以包括路面的每种类型的特征集,诸如沥青道路的第一特征集、泥土道路的第二特征集、混凝土道路的第三特征集、草的第四特征集、砾石道路的第五特征集、砖块道路的第六特征集、鹅卵石道路的第七特征集、以及桥梁下穿通道的第八特征集等。例如,可以将路段的颜色与路段的宽度、路段的颜色梯度、和/或路段的其他视觉特征一起存储为模板特征。
然后,对于具有未知路面类型的路段的地理区域,路面类型选路引擎68可以获得该地理区域的空中或卫星图像,并且可以使用如上所述的类似技术来识别空中或卫星图像内的一个或多个对象(例如,路段)的特征。路面类型选路引擎68可以使用图像分类和/或机器学习技术来比较对空中或卫星图像内的对象所识别出的特征。机器学习技术可以包括线性回归、多项式回归、逻辑回归、随机森林、增强、最近邻、贝叶斯网络、神经网络、支持向量机或任何其他合适的机器学习技术。可以将来自机器学习模型的模板特征中的每一个与对象的特征进行比较。
在一些实施例中,可以使用最近邻算法将模板特征与对象的特征进行比较。最近邻算法可以通过创建特征的数字表示来识别最接近对象的特征的模板特征,以生成特征向量,诸如,例如路段的像素宽度和高度、路段的RGB像素值、路段内的颜色梯度、路段与另一路段的交叉点(该位置处路段看起来彼此交叉(例如,指示桥梁下穿通道))。可以将对象的特征或特征向量的数字表示与模板对象的特征向量进行比较,以确定对象的特征与每个模板对象之间的向量距离。然后,路面类型选路引擎68可以基于对象的特征与表示特定路面类型的模板对象的特征之间的相似性量或最近邻算法中的向量距离,来确定对象的路面类型。例如,如果最接近的模板对象表示草表面,则该对象被识别为草。在另一示例中,如果最接近的模板对象表示沥青表面,则该对象被识别为沥青道路。
当路面类型选路引擎68通过将空中或卫星图像内的对象的特征应用于机器学习模型来识别地理区域的空中或卫星图像内的对象的路面类型时,路面类型选路引擎68可以将空中或卫星图像内的路段的路面类型和/或位置的指示存储在数据库80中。以这种方式,当用户随后请求包括路段的地理区域内的导航方向时,可以从数据库80检索路面的路面类型。
在其他实现方式中,对于每个路段识别路面类型,并将路面类型存储在数据库80中,以在用户请求导航方向时进行检索。在其他实现方式中,路段中的一些的路面类型存储在数据库80中。当用户请求地理区域内的导航方向时,路面类型选路引擎68向数据库80查询地理区域内的路段的路面类型。如果数据库80不包括地理区域内的路段的路面类型,则路面类型选路引擎68获得地理区域的空中或卫星图像,识别空中或卫星图像内的对象及其视觉特征,并将每个对象的视觉特征应用于机器学习模型以识别与对象相对应的路面类型。然后,路面类型选路引擎68将空中或卫星图像内的路段的路面类型和/或位置的指示存储在数据库80中。
在任何情况下,路面类型选路引擎68通过将来自包括起始位置和目的地位置的地理区域的空中或卫星图像的视觉特征应用于机器学习模型、或者通过从数据库80检索该地理区域的路面类型数据来获得该地理区域的路面类型数据。这将在下面参考图2和图3更详细地描述。路面类型数据可以包括地理区域内的路面类型的指示、和/或地理区域内具有相应的路面类型的每个路段的位置的指示。位置可以是地理区域的光栅图像(诸如空中或卫星图像)内的像素位置。
在一些实现方式中,如上所述,路面类型选路引擎68检索向量图形格式的地理区域的地图数据。路面类型数据可以是光栅格式,因此,路面类型选路引擎68可以将路面类型数据转换为向量图形格式,以将地图数据内的路段与路面类型数据内的路段进行比较,从而识别地图数据内的路段的路面类型。为了将路面类型数据从光栅格式转换为向量图形格式,路面类型选路引擎68可以将地理区域的每个空中或卫星图像分类为与相组合以表示世界的多个缩放级别的地图图块集中的特定地图图块相对应。然后,在每个地图图块内,道路表面类型选路引擎68可以使用平移向量、通过应用于光栅数据和向量图形数据的子集的最小二乘优化来近似光栅数据与向量图形数据之间的位移。然后,路面类型选路引擎68将平移向量应用于路面类型数据内的光栅格式的路段,以将路段的位置转换为向量图形格式。一旦路段的位置被转换为向量图形格式,路面类型选路引擎68就可以将地图数据内的匹配位置处的路段识别为来自路面类型数据的经转换的路段,并且可以基于匹配位置处的经转换的路段的路面类型来确定地图数据内的路段的路面类型。
除了识别包括起始位置和目的地位置的地理区域内的路段的路面类型之外,路面类型选路引擎68还识别用于从起始位置导航到目的地位置的候选路线集。候选路线可以包括若干路段,并且路面类型选路引擎68可以获得穿越每个候选路线和/或每个候选路线上的每个路段的估计时间段。例如,路面类型选路引擎68可以从导航服务器22、从示意图和卫星数据库30、和/或从交通数据库36获得候选路线集和穿越候选路线的估计时间段。
对于每个候选路线,路面类型选路引擎68识别候选路线内的路段的路面类型。然后,路面类型选路引擎68基于路段的路面类型和穿越路段的估计时间段来向每个路段分配分数。在一些实现方式中,路面类型选路引擎68获得包括起始位置和目的地位置的地理区域的当前天气状况和/或特定时间间隔(例如,前一周)内的天气状况。被分配给路段的分数还可以基于地理区域中的当前天气状况或特定时间间隔内的天气状况。
路面类型选路引擎68可以基于穿越路段的估计时间段来向路段分配时间分数。时间分数可以与穿越路段的估计时间段成比例,使得较短的估计时间段具有较低的分数。路面类型选路引擎68还可以基于路段的路面类型向路段分配路面类型分数。可以向铺砌路段(诸如沥青或混凝土)分配比未铺砌路段(诸如泥土、砾石和草)更低的分数。此外,可以向沥青或混凝土路段分配比鹅卵石或砖路段更低的分数。
此外,路面类型选路引擎68可以基于地理区域中的当前或最近天气状况向路段分配天气分数。天气分数还可以考虑路面类型。例如,可以向最近经历过雨的区域中的泥土道路分配比最近经历过雨的区域中的混凝土道路更低的分数。在另一示例中,在强风期间,可以向砾石道路分配比沥青道路更低的分数。在又一示例中,在阈值量的降水或洪水之后,可以向混凝土道路分配比桥梁下穿通道更低的分数。即使地理区域中的降水量小于阈值量,桥梁下穿通道也可以是可能积水的区域。因此,如果存在雾、云或雨,则可以为桥梁下穿通道分配比具有其他路面类型的路段更高的分数,使得可以选择具有不太可能积水的路段的路线。
此外,路面类型选路引擎68可以基于地理区域内的路段的路面类型的稀缺性来向路段分配稀缺性分数。例如,如果路段是泥土道路,但是地理区域中的路段中的每一个的大部分都是泥土道路,则其稀缺分数可能低于作为地理区域中的唯一泥土道路的路段的稀缺分数。此外,路面类型选路引擎68可以基于路段的路面类型将根据车辆的类型影响车辆的性能的量来向路段分配车辆类型分数。然后,路面类型选路引擎68可以以任何合适的方式聚合或组合路段的分数,以生成路段的总分数。路面类型选路引擎还可以以任何合适的方式聚合或组合路段的总分数,以生成候选路线的总分数。
然后,路面类型选路引擎68可以根据候选路线的总分数对候选路线进行排名,并选择具有最低总分数的候选路线作为要提供给用户的路线。然后,路面类型选路引擎68发送导航方向集以呈现在客户端设备12上,用于经由所选路线从起始位置导航到目的地位置。
在其他实现方式中,路面类型选路引擎68以根据相应的总分数而排名的顺序来向客户端设备12提供对候选路线中的每一个的指示。以这种方式,用户可以选择候选路线中的一个以用于导航到目的地位置。路面类型选路引擎68可以向客户端设备12提供针对候选路线、或具有特定路面类型的所选路线(诸如未铺砌的道路、或总分数低于阈值分数的路段)的提醒。
图2示出了地理区域的示例空中或卫星图像200。路面类型选路引擎68可以响应于接收到对从地理区域内的起始位置到目的地位置的导航方向的请求而获得空中或卫星图像200。地理区域可以对应于相组合以表示世界的多个缩放级别的地图图块集中的特定缩放级别的地图图块。例如,路面类型选路引擎68可以从示意图和卫星数据库30获得空中或卫星图像200。然后,路面类型选路引擎68可以分析空中或卫星图像200,以识别空中或卫星图像200内的路段及其相应的路面类型。更具体地,路面类型选路引擎68可以识别空中或卫星图像200内与路段相对应的对象,并且可以识别对象的视觉特征。对于每个对象,路面类型选路引擎68可以将对象的视觉特征集应用于机器学习模型,以识别对象的路面类型。例如,机器学习模型可以包括与不同的路面类型相对应的若干模板对象。路面类型选路引擎68可以将对象的特征向量与模板对象中的每一个的特征向量进行比较,并且可以将具有到对象的最小向量距离的模板对象的路面类型识别为对象的路面类型。
图3示出了示例图像300,该示例图像300包括图2的地理区域的示例空中或卫星图像200,并被注释有对地理区域内的路段的路面类型的指示。可以在将地理区域的空中或卫星图像200内的对象的视觉特征应用于机器学习模型之后生成示例图像300。在示例图像300中,第一路段集302-306被注释有指示第一路段集302-306的路面类型是沥青的第一类型的注释。例如,可以将路段302的特征向量与具有不同路面类型的若干模板对象的模板特征向量进行比较。路段302的特征向量可以具有与和沥青道路相对应的模板对象的模板特征向量间的最小向量距离。附加路段308被注释有指示附加路段308的路面类型是草的第二类型的注释。例如,可以将路段308的特征向量与具有不同路面类型的若干模板对象的模板特征向量进行比较。路段308的特征向量可以具有与和草表面相对应的模板对象的模板特征向量间的最小向量距离。然后,路面类型选路引擎68可以将路面类型及其相应的位置的指示存储在数据库80中。
为了选择用于从起始位置导航到目的地位置的路线,路面类型选路引擎68可以从导航服务器22接收候选路线集,其中候选路线中的每一个都可以用于从起始位置导航到目的地位置。除了接收候选路线集以外,路面类型选路引擎68获得包括起始位置和目的地位置的地理区域内的路段的指示以及每个路段的特性。每个路段的特性可以包括路段的路面类型、基于路段的长度和/或当前交通数据穿越路段所需要的估计时间段、包括路段的地理区域内的当前天气状况和/或在接收到请求前的特定时间间隔内或预定时间段(例如,前一周、前N天等)内的天气状况、基于地理区域内的路段的路面类型的路段的稀缺性度量,以及/或基于路段的路面类型根据车辆的类型而将影响车辆的性能的量的车辆类型度量。
可以从数据库80或者通过将包括路段的地理区域的空中或卫星图像应用于机器学习模型来获得路段的路面类型。可以从导航服务器22获得穿越路段的估计时间段,并且可以从天气数据库38获得当前天气状况或特定时间间隔内的天气状况。
路面类型选路引擎68可以基于当前天气状况或特定时间间隔内的天气状况、以及路段的路面类型来生成路段的天气度量。在一些实现方式中,路面类型选路引擎68可以存储路面类型和天气状况(例如,雨、雪、雨夹雪、冰、冰雹、雾、大风、洪水、降水量阈值等)的数据表,该数据表包括数据表中的路面类型和天气状况的每个组合的天气度量。数据表可以包括与最近经历过雨的区域中的泥土道路相比、最近经历过雨的区域中的混凝土道路的更低的天气度量。在另一示例中,数据表可以包括在大风期间,与砾石道路相比、沥青道路的更低的天气度量。在又一示例中,在阈值量的降水(例如,在前N天内所累积的)或洪水之后,可以向混凝土道路分配比桥梁下穿通道更低的分数。
此外,路面类型选路引擎68可以基于路段的路面类型和地理区域内的路段的路面类型、或路段的阈值半径(例如,10km)内的路段的路面类型来生成路段的稀缺性度量。稀缺性度量可以被确定为地理区域内、或具有相同路面类型的路段的阈值半径内的路段的比例函数。和具有与地理区域中的其他路段的路面类型相同的路面类型的路段相比,具有与地理区域中的其他路面类型不同的路面类型的路段具有更高的稀缺性度量。
路面类型选路引擎68可以根据对导航方向的请求来获得用于从起始位置导航到目的地位置的车辆的类型。例如,用户可以在请求导航方向时输入车辆类型。在其他实现方式中,诸如当客户端设备12通信地耦合到车辆的车辆头部单元时,客户端设备12可以与车辆头部单元通信以获得车辆类型,并且可以向路面类型选路引擎68提供对车辆类型的指示。例如,车辆类型可以是运动型多用途车辆、轿车、具有全轮驱动或四轮驱动的车辆、智能汽车、紧凑型汽车、卡车、皮卡车等。然后,路面类型选路引擎68可以基于路段的路面类型根据车辆的类型而将影响车辆的性能的量来生成路段的车辆类型度量。例如,路面类型选路引擎68可以存储路面类型和车辆类型的数据表,该数据表包括数据表中的路面类型和车辆类型的每个组合的车辆类型度量。该数据表可以包括与在泥土道路上的智能汽车相比、泥土道路上的皮卡车的更低的车辆类型度量,因为皮卡车比智能汽车更不可能卡在泥土道路上的泥浆中。
然后,路面类型选路引擎68可以基于路段的特性向每个路段分配总分数或度量。例如,对于特定路段,路面类型选路引擎68可以以任何合适的方式聚合或组合基于穿越路段的估计时间段的路段的时间分数、基于路段的路面类型的路段的路面类型分数、基于地理区域中的当前或最近天气状况和/或路面类型的路段的天气度量、路段的稀缺性度量以及路段的车辆类型度量,以生成路段的总分数。
然后,路面类型选路引擎68可以使用寻路算法来选择用于从起始位置导航到目的地位置的路线,在该算法中为每个路段分配了与路段的总分数相对应的权重。在一些实现方式中,路面类型选路引擎68使用地理区域中的路段及其相应的权重遍历从起始位置到目的地位置的每条路径或候选路径,以识别具有最低组合权重的路径或路线。在其他实现方式中,路面类型选路引擎68使用地理区域中的路段及其相应的权重遍历从起始位置到目的地位置的每条路径或候选路径,以识别具有最低组合权重的阈值数量(例如,五条)的路径或路线,用于以根据组合权重而排名的顺序呈现所识别的路线。在又一其他实现方式中,路面类型选路引擎68从导航服务器22获得候选路线集。然后路面类型选路引擎68使用候选路线上的路段和其相应的权重遍历每个从起始位置到目的地位置的候选路线,以识别候选路线集中具有最低组合权重的路线。
例如,从起始位置开始,地理区域中的路段中的每一个都包括在候选路段集中。路面类型选路引擎68可以识别连接到起始位置、具有最低权重(例如,具有最低总分数)的路段,并且可以从候选路段集中移除所识别的路段。接着,路面类型选路引擎68识别候选路段集中剩余路段中连接到先前识别出的路段且具有最低权重的路段,并从候选路段集中移除所识别的路段。重复该过程,直到到达目的地位置。当到达目的地位置时,路面类型选路引擎68将所识别的路段集识别为候选路线。
然后,针对在第一次迭代中未被选择的路段重复该过程。在第二次迭代中,路面类型选路引擎68识别包括从起始位置穿越到目的地位置的第二路段集的第二候选路线。在路面类型选路引擎68已经选择了路段中的每一个之后,该过程完成。然后,路面类型选路引擎68比较候选路线并选择具有最低组合权重的候选路线作为路线。
图4示出了包括起始位置404和目的地位置406并具有路段O、P、S、T、U、V和W的地理区域402的示例显示400。路面类型选路引擎68可以分析路段以识别从起始位置404到目的地位置406的一条或多条路线。每个路段被分配与路段的总分数相对应的权重。总分数可以基于穿越路段的估计时间段、路段的路面类型、路段的天气度量、路段的稀缺性度量和/或路段的车辆类型度量的任何合适的组合。
例如,路段O可以基于5分钟的穿越路段O的估计时间段以及铺砌路面类型的路面类型分数1,具有与5的总分数相对应的5的权重。路段P可以基于6分钟的穿越路段P的估计时间段以及未铺砌路面类型的路面类型分数1.5,具有与9的总分数相对应的9的权重。路段S可以基于2分钟的穿越路段S的估计时间段以及铺砌路面类型的路面类型分数1,具有与2的总分数相对应的2的权重。路段T基于1.5分钟的穿越路段T的估计时间段以及铺砌路面类型的路面类型分数1,具有与1.5的总分数相对应的1.5的权重。路段U基于1分钟的穿越路段U的估计时间段以及泥土路面类型的路面类型分数2,具有2的权重。路段V和W基于0.5分钟的穿越路段V和W的估计时间段以及铺砌路面类型的路面类型分数1,具有与0.5的总分数相对应的0.5的权重。
因此,路面类型选路引擎68可以确定,对于包括路段O、S、T和V的候选路线组合权重是最低的。包括路段O、S、T和V的候选路线的组合权重是9,而包括路段O、S、U和W的候选路线的组合权重是9.5。即使穿越路段O、S、T和V的组合估计时间段(9分钟)高于穿越路段O、S、U和W的组合估计时间段(8.5分钟)也是如此,因为路段U的泥土路面类型增加了路段U的总分数。
尽管示例显示400中的示例路段O、P、S、T、U、V和W具有基于穿越路段的估计时间段和路面类型的权重,但是这仅是为了便于说明的一个示例。每个路段的权重还可以基于如上所述的路段的天气度量、路段的稀缺性度量、以及路段的车辆类型度量或者路段的任何其他合适的度量。此外,在示例显示400中,路段U是唯一具有泥土路面类型的路段。因此,例如,路段U的稀缺性度量可以比路段中的若干个都具有泥土路面类型的情况下的稀缺性度量(例如,0.5)更高(例如,1)。如果路段中的若干个都具有泥土路面类型,则稀缺性度量与路面类型度量以及穿越路段U的估计时间段的组合可以导致总分数和相应的权重小于1.5,并且可以使得包括路段O、S、U和W的候选路线具有最低组合权重。
在从具有最低组合权重的候选路线集中选择路线、或者从具有最低组合权重的候选路线集中选择阈值数量的路线之后,路面类型选路引擎68可以向客户端设备12提供用于沿着所选路线从起始位置行进到目的地位置的导航方向集。路面类型选路引擎68还可以向客户端设备12提供针对沿着路线具有特定路面类型的路段(诸如未铺砌的路段,或具有泥土、草、砾石、砖、鹅卵石、或桥梁下穿通道路面类型的路段)的提醒。
在一些实现方式中,路面类型选路引擎68可以接收对用户沿着所选路线的当前位置的指示。路面类型选路引擎68可以继续(例如,周期性地或连续地)接收地理区域或第二地理区域内的更新的天气状况,地理区域包括起始位置和目的地位置,第二地理区域包括用户的当前位置和目的地位置、并且至少部分地包括所选路线和/或候选路线集。当地理区域内的天气状况改变(例如,从晴朗到下雪)时,路面类型选路引擎68可以基于更新的天气状况重新评估用户沿着所选路线尚未穿越的路段。如果路段中的一个的总分数增加超过阈值量,或者更新的候选路线基于更新的天气状况具有较低的组合分数,则路面类型选路引擎68可以提供导航方向替代集,以用于沿着更新的路线从用户的当前位置行进到目的地位置。然后,客户端设备12中的数字导航模块44可以根据导航方向替代集重新为用户选路。
此外,路面类型选路引擎68可以向客户端设备12提供用于沿着替代路线从起始位置行进到目的地位置的导航方向替代集,其中替代路线不包括任何未铺砌路段或具有泥土、草、砾石、砖、鹅卵石、或桥梁下穿通道路面类型的路段。以这种方式,用户可以选择客户端设备12上的用户控件,以选择不包括未铺砌路段或具有泥土、草、砾石、砖、鹅卵石、或桥梁下穿通道路面类型的路段的替代路线。在其他实现方式中,导航方向替代集可以包括与所选路线上的路段相比更少的未铺砌路段,或者包括更少的具有泥土、草、砾石、砖、鹅卵石、或桥梁下穿通道路面类型的路段。当不存在具有较少未铺砌路段或较少具有泥土、草、砾石、砖、鹅卵石、或桥下通道路面类型的路段的导航方向替代集时,道路表面类型选路引擎68可以向客户端设备12提供指示不存在合适的替代方案的提醒。
图5A示出了可以在客户端设备12上呈现的示例导航显示500。示例导航显示500包括对从起始位置502到目的地位置512的路线516的指示,并且包括指示路段之一的路面类型的提醒518。路线516可以由路面类型选路引擎68使用上述技术从候选路线集中选择。尽管路线516可以具有候选路线集的最低组合权重,但是路线516包括未铺砌路段。因此,示例导航显示500呈现指示路线516上存在未铺砌路段的提醒518。示例导航显示500可以呈现用户控件,用于选择不包括未铺砌路段中的至少一个的导航方向替代集。然后,用户可以从一个或若干个导航方向替代集中进行选择,以经由用户控件(诸如向左或向右滑动)沿着不同的替代路线从起始位置502行进到目的地位置512。导航方向替代集可以具有比路线516上的路段更少的未铺砌路段,或者更少的具有泥土、草、砾石、砖、鹅卵石、或桥梁下穿通道路面类型的路段。
此外,导航显示500可以通过在沿着路线516的未铺砌的或具有泥土、草、砾石、砖、鹅卵石、或桥梁下穿通道路面类型的路段上叠加颜色或阴影(与沿着路线516的其他路段上所叠加的颜色或阴影不同),来突出显示沿着路线516的未铺砌的或具有泥土、草、砾石、砖、鹅卵石、或桥梁下穿通道路面类型的路段。例如,沿着路线516的路段可以在导航显示500上默认地用蓝色突出显示。沿着路线516的未铺砌的或具有泥土、草、砾石、砖、鹅卵石、或桥梁下穿通道路面类型的路段的子集可以在导航显示500上用棕色突出显示。当用户正在选择沿着路线516从起始位置行进到目的地位置的导航方向集时,用户可以经由诸如滑动手势的用户控件来查看导航方向替代集和沿着替代路线的路段的路面类型的指示,以选择特定路线。
提醒518还可以包括用于识别路线516上(诸如在州街和北大道之间的主街道上)的未铺砌路段的描述。此外,提醒518可以包括通过在具有未铺砌路段的路线上而不是在没有未铺砌路段的替代路线上行驶而节省的时间量的指示。此外,提醒518可以包括关于天气状况和/或天气状况如何基于特定路段的相应路面类型影响该路段的警告。例如,提醒518可以解释预计在接下来的15分钟内开始暴风雨,并且可以解释避开在暴风雨期间可能变成泥浆的泥土道路是特别重要的。在另一示例中,提醒518可以指示在路线516上存在桥梁下穿通道路段,并且可以识别桥梁下穿通道路段的位置。以这种方式,如果用户正在驾驶不能在桥梁下穿通道路段上行驶的卡车,则用户可以选择替代路线。
除了呈现单个导航方向集之外,数字导航模块44还可以呈现指示用于沿着从起始位置到目的地位置的不同路线行进的多个导航方向集的导航显示,以供用户经由用户控件进行选择。图5B示出了另一示例导航显示550,其指示从起始位置到目的地位置的若干路线552-556以供用户从中选择,这些路线以排名的顺序呈现。例如,响应于对从落基山国家公园到英里高(Mile High)体育场的导航方向的请求,路面类型选路引擎68可以从具有最低组合权重的候选路线集中选择阈值数量的路线(例如,3条),并且可以按照组合权重的顺序对阈值数量的路线进行排名,其中具有最低组合权重的路线可以排名最高。然后,路面类型选路引擎68可以向数字导航模块44提供包括对所选路线的指示的导航方向集,以呈现在导航显示550上。路线552-556的每个指示包括对沿着路线的路段的描述(例如,经过US-36E和I-25S)、对穿越路线的估计时间段的指示和/或对沿着路线的路段的路面类型的描述(例如,现在最快的路线,包括未铺砌的道路)。
在导航显示550中,排名最高的路线552不具有从落基山国家公园行进到英里高体育场的最短估计时间段。相反,排名第二高的路线554具有从落基山国家公园行进到英里高体育场的最短估计时间段,但包括未铺砌的道路。因此,尽管具有较短的估计穿越时间段,但排名第二高的路线554的组合分数/权重超过排名最高的路线552的组合分数/权重。
响应于用户经由用户控件(诸如触摸选择或点击路线552-556的指示中的一个)对路线552-556的指示中的一个进行选择,导航显示550可以在地图视图560内呈现所选路线的指示。例如,导航显示550可以在地图视图560内突出显示所选择的路线。在示例导航显示550中,在地图视图560中选择并突出显示排名最高的路线552。
图6示出了用于根据路段的路面类型生成导航方向集的示例方法600,例如,该示例方法可以在网络服务器(诸如路面类型选路服务器60)上实现。该方法可以以存储在计算机可读存储器上、并且可以在路面类型选路服务器60的一个或多个处理器上执行的指令集来实现。例如,该方法可以由路面类型选路引擎68实现。
在框602处,接收对从起始位置到目的地位置的导航方向的请求。该请求还可以包括行进到目的地位置的车辆的类型。
然后,路面类型选路服务器60识别用于从起始位置导航到目的地位置的候选路线集(框604)。每个候选路线可以包括若干路段。在一些实现方式中,路面类型选路服务器60向导航服务器22提供起始位置和目的地位置,并从导航服务器22接收候选路线集。在其他实现方式中,路面类型选路服务器60从示意图和卫星数据库30中检索包括起始位置和目的地位置的地理区域的地图数据,并将候选路线识别为地理区域内的从起始位置穿越到目的地位置的路段集。
然后,在框606处,路面类型选路服务器60确定候选路线集内的每个路段的路面类型。例如,路面类型选路服务器60可以从数据库80获得路段的路面类型。如果数据库80不具有路段的路面类型,则路面类型选路服务器60可以获得包括路段的地理区域的空中或卫星图像。然后,路面类型选路服务器60可以将地理区域的空中或卫星图像内的路段识别为对象,并且可以识别该对象的视觉特征。路面类型选路服务器60可以将对象的视觉特征集应用于机器学习模型,以识别对象的路面类型。例如,机器学习模型可以包括与不同的路面类型相对应的若干模板对象。路面类型选路服务器60可以将对象的特征向量与模板对象中的每一个的特征向量进行比较,并且可以将具有到对象的最小向量距离的模板对象的路面类型识别为对象的路面类型。
路面类型选路服务器60还可以确定包括候选路线的地理区域的天气状况(框608)。天气状况可以是地理区域的当前天气状况和/或在接收到请求之前的特定时间间隔或预定时间段(例如,前一周)内的天气状况。例如,路面类型选路服务器60可以从天气数据库38获得天气状况。除了获得路面类型和天气状况之外,路面类型选路服务器60还可以获得穿越候选路线集中的每个路段的估计时间段。
然后,路面类型选路服务器60可以向候选路线中的每个路段分配总分数(框610)。总分数可以基于以下各项的任何合适的组合:基于穿越路段的估计时间段的路段的时间分数、基于路段的路面类型的路段的路面类型分数、基于地理区域的当前或最近天气状况和/或路面类型的路段的天气度量、路段的稀缺性度量,以及路段的车辆类型度量。
路面类型选路服务器60可以基于包括路段的地理区域内的当前天气状况或特定时间间隔内的天气状况、以及路段的路面类型来生成路段的天气度量。在一些实现方式中,路面类型选路服务器60可以存储路面类型和天气状况(例如,雨、雪、雨夹雪、冰、冰雹、雾、大风等)的数据表,该数据表包括数据表中的路面类型和天气状况的每个组合的天气度量。该数据表可以包括与最近经历过雨的区域中的泥土道路相比、最近经历过雨的区域中的混泥土道路的更低的天气度量。
路面类型选路服务器60可以基于路段的路面类型和地理区域内的路段的路面类型、或路段的阈值半径(例如,10km)内的路段的路面类型来生成路段的稀缺性度量。稀缺性度量可以被确定为地理区域内、或具有相同的路面类型的路段的阈值半径内的路段的比例函数。和具有与地理区域中的其他路段的路面类型相同的路面类型的路段相比,具有与地理区域中的其他路面类型不同的路面类型的路段具有更高的稀缺性度量。
路面类型选路服务器60可以基于路段的路面类型根据车辆的类型而将影响车辆的性能的量来生成路段的车辆类型度量。例如,路面类型选路服务器60可以存储路面类型和车辆类型的数据表,该数据表包括数据表中的路面类型和车辆类型的每个组合的车辆类型度量。该数据表可以包括与在泥土道路上的智能汽车相比、泥土道路上的皮卡车的更低的车辆类型度量,因为皮卡车比智能汽车更不可能卡在泥土道路上的泥浆中。
路面类型选路服务器60可以以任何合适的方式组合分数以生成路段的总分数。然后,路面类型选路服务器60可以使用该总分数作为用于执行最小成本路径分析、以识别候选路线集中具有最低组合权重的路线的权重。
在框612处,路面类型选路服务器60确定是否已经将总分数分配给候选路线中的每一个上的路段中的每一个。如果候选路线之一上的路段尚未被分配总分数,则路面类型选路服务器60继续向该路段分配分数(框610)。否则,路面类型选路服务器60根据路段的总分数从候选路线集中选择路线(框614)。例如,路面类型选路服务器60可以选择具有最低组合权重的路线,其中向沿着路线的每个路段被分配了与路段的总分数相对应的权重。
然后,在框616处,路面类型选路服务器60向客户端设备12提供用于经由所选路线从起始位置导航到目的地位置的导航方向集。然后,客户端设备12可以在导航显示(诸如图5A所示的导航显示500)上呈现对所选路线的指示。
图7示出了用于根据路段的路面类型呈现导航方向集的示例方法700,例如,该示例方法可以在客户端设备(诸如客户端设备12)上实现。该方法可以以存储在计算机可读存储器上、并且可在客户端设备12的一个或多个处理器上执行的指令集来实现。例如,该方法可以由数字导航模块44实现。
在框702处,客户端设备12将对从起始位置到目的地位置的导航方向的请求发送到服务器设备,诸如路面类型选路服务器60。该请求可以包括行进到目的地位置的车辆的类型。
然后,在框704处,客户端设备12接收用于沿着路线导航到目的地位置的导航方向集。可以基于路线上的路段的路面类型、包括候选路线的地理区域中的天气状况、路线上的路段的路面类型的稀缺性、车辆类型、穿越道路上的每个路段的估计时间段等从候选路线集中选择路线。在其他实现方式中,客户端设备12可以接收用于沿着不同路线导航到目的地位置的若干个导航方向集。
在框706处,客户端设备12接收指示路线上的路段的路面类型的提醒。提醒可以针对具有特定路面类型的路段,诸如未铺砌路段或具有泥土、草、砾石、砖、鹅卵石、或桥梁下穿通道路面类型的路段。提醒还可以包括用于识别路线上(诸如在州街和北大道之间的主街道上)的未铺砌路段的描述。此外,提醒可以包括通过在具有未铺砌路段的路线上而不是在没有未铺砌路段的替代路线上行进而节省的时间量的指示。此外,提醒可以包括关于天气状况和/或天气状况如何基于特定路段的相应路面类型影响该路段的警告。例如,提醒可以解释预计在接下来的15分钟内开始暴风雨,并且可以解释避开在暴风雨期间可能变成泥浆的泥土道路是特别重要的。
然后,在框708处,客户端设备12在用户界面58上(诸如在导航显示上)呈现导航方向集和提醒。可以通过突出显示导航显示上与导航方向集相对应的路线上的路段来呈现导航方向集。此外,导航显示可以通过在未铺砌的或具有泥土、草、砾石、砖、鹅卵石、或桥梁下穿通道路面类型的路段上叠加颜色或阴影(不同于沿着路线的其他路段上所叠加的颜色或阴影),来突出显示沿着路线的未铺砌的或具有泥土、草、砾石、砖、鹅卵石、或桥梁下穿通道路面类型的路段。例如,沿着路线的路段可以在导航显示上默认地用蓝色突出显示。沿着路线的未铺砌的或具有泥土、草、砾石、砖、鹅卵石、或桥梁下穿通道路面类型的路段的子集可以在导航显示上用棕色突出显示。
除了呈现单个导航方向集之外,客户端设备12还可以呈现具有对多个导航方向集的指示的导航显示,用于沿着从起始位置到目的地位置的不同路线行进,以供用户经由用户控件进行选择。对不同路线的指示可以以排名的顺序呈现在导航显示上。例如,具有至少一个未铺砌路段的第一路线的第一导航方向集可以排名在没有未铺砌路段的第二路线的第二导航方向集之下。在另一示例中,穿越第一导航方向集的估计时间段可以短于穿越第二导航方向集的估计时间段,但是由于第一路线上的(多个)未铺砌路段,第一导航方向集的排名可以低于第二导航方向集。
其他考虑
以下附加考虑适用于前述讨论。在整个说明书中,多个实例可以实现被描述为单个实例的组件、操作或结构。尽管一个或多个方法的各个操作被示出和描述为单独的操作,但是各个操作中的一个或多个可以同时执行,并且不需要以所示的顺序执行操作。在示例配置中作为单独组件呈现的结构和功能可以被实现为组合的结构或组件。类似地,作为单个组件呈现的结构和功能可以被实现为单独的组件。这些和其他变化、修改、添加、和改进都落入本公开的主题的范围内。
此外,某些实施例在本文中被描述为包括逻辑或多个组件、模块或机制。模块可以构成软件模块(例如,存储在机器可读介质上的代码)或硬件模块。硬件模块是能够执行某些操作的有形单元,并且可以以某种方式被配置或布置。在示例实施例中,一个或多个计算机系统(例如,独立环境、客户端或服务器计算机系统)或计算机系统的一个或多个硬件模块(例如,处理器或处理器组)可以由软件(例如,应用或应用部分)配置为硬件模块,硬件模块操作以执行如本文所述的某些操作。
在各种实施例中,硬件模块可以机械地或电子地实现。例如,硬件模块可以包括被永久配置为执行某些操作的专用电路或逻辑(例如,作为专用处理器,诸如现场可编程门阵列(FPGA)或专用集成电路(ASIC))。硬件模块还可以包括由软件临时配置以执行某些操作的可编程逻辑或电路(例如,包含在通用处理器或其他可编程处理器内)。应当理解,在专用和永久配置的电路中、或在临时配置的电路(例如,由软件配置)中机械地实现硬件模块的决定,可以由成本和时间考虑来驱动。
因此,术语“硬件”应当被理解为包含有形实体,是物理上构造的、被永久配置(例如,硬连线)或临时配置(例如,编程)为以某种方式操作或执行本文所述的某些操作的实体。考虑硬件模块被临时配置(例如,编程)的实施例,硬件模块中的每一个不需要在任何一个时刻被配置或实例化。例如,在硬件模块包括使用软件配置的通用处理器的情况下,通用处理器可以在不同时间被配置为相应不同的硬件模块。因此,软件可以配置处理器,例如,以在一个时刻构成特定的硬件模块,并在不同的时刻构成不同的硬件模块。
硬件和软件模块可以向其他硬件和/或软件模块提供信息,并从其他硬件和/或软件模块接收信息。因此,所描述的硬件模块可以被视为通信地耦合。在同时存在多个这样的硬件或软件模块的情况下,可以通过连接硬件或软件模块的信号传输(例如,通过适当的电路和总线)来实现通信。在不同时间配置或实例化多个硬件模块或软件的实施例中,例如,可以通过存储和检索多个硬件或软件模块可访问的存储器结构中的信息,来实现这样的硬件或软件模块之间的通信。例如,一个硬件或软件模块可以执行操作,并将该操作的输出存储在与其通信耦合的存储器设备中。然后,另外的硬件或软件模块可以在稍后的时间访问存储器设备以检索和处理所存储的输出。硬件和软件模块还可以发起与输入或输出设备的通信,并且可以对资源(例如,信息集合)进行操作。
本文所描述的示例方法的各种操作可以至少部分地由被临时配置(例如,通过软件)或永久配置为执行相关操作的一个或多个处理器来执行。无论是临时配置还是永久配置,这样的处理器可以构成由处理器实现的模块,处理器实现的模块操作以执行一个或多个操作或功能。在一些示例实施例中,本文所提及的模块可以包括由处理器实现的模块。
类似地,本文所描述的方法或例程可以至少部分地由处理器实现。例如,方法的至少一些操作可以由一个或多个处理器或由处理器实现的硬件模块执行。某些操作的执行可以分布在一个或多个处理器中,不仅驻留在单个机器内,而且被部署在多个机器上。在一些示例实施例中,一个或多个处理器可以位于单个位置(例如,在家庭环境、办公室环境内、或作为服务器群),而在其他实施例中,处理器可以分布在多个位置上。
一个或多个处理器还可以操作以支持在“云计算”环境中或作为SaaS的相关操作的执行。例如,如上所述,操作中的至少一些可以由计算机组(作为包括处理器的机器的示例)执行,这些操作可经由网络(例如,互联网)并且经由一个或多个适当的接口(例如,API)访问。
某些操作的执行可以分布在一个或多个处理器中,不仅驻留在单个机器内,而且被部署在多个机器上。在一些示例实施例中,一个或多个处理器或由处理器实现的模块可以位于单个地理位置(例如,在家庭环境、办公室环境、或服务器群内)。在其他示例实施例中,一个或多个处理器或由处理器实现的模块可以分布在多个地理位置上。
根据对作为比特或二进制数字信号存储在机器存储器(例如,计算机存储器)内的数据的操作的算法或符号表示,来呈现本说明书的一些部分。这些算法或符号表示是数据处理领域的普通技术人员用来将他们的工作实质传达给本领域其他技术人员的技术示例。如本文所使用的,“算法”或“例程”是导致期望结果的操作或类似处理的自相容序列。在该上下文中,算法、例程和操作涉及对物理量的物理操纵。通常但不一定,这样的量可以采取能够由机器存储、访问、传输、组合、比较或以其他方式操纵的电信号、磁信号、或光信号的形式。有时,主要出于通用的原因,使用诸如“数据”、“内容”、“比特”、“值”、“元素”、“符号”、“字符”、“术语”、“数字”等词语来指代这样的信号是方便的。然而,这些词语仅是方便的标签,并且将与适当的物理量相关联。
除非另有特别说明,否则本文中使用诸如“处理”、“计算”、“运算”、“确定”、“呈现”、“显示”等词语的讨论可以指机器(例如,计算机)的动作或过程,该机器操纵或变换在一个或多个存储器(例如,易失性存储器、非易失性存储器或其组合)、寄存器或接收、存储、发送或显示信息的其他机器组件内被表示为物理(例如,电、磁、或光学)量的数据。
如本文所使用的,对“一个实施例”或“实施例”的任何引用意味着结合该实施例描述的特定元件、特征、结构、或特性包括在至少一个实施例中。在说明书中各处出现的短语“在一个实施例中”不一定都指代相同的实施例。
可以使用表达“耦合”和“连接”及其派生词来描述一些实施例。例如,可以使用术语“耦合”来描述一些实施例,以指示两个或更多个元件直接物理或电接触。然而,术语“耦合”还可以表示两个或更多个元件彼此不直接接触,但仍然彼此协作或交互。实施例不限于此上下文。
如本文所使用的,术语“包括”、“包含”、“具有”或其任何其他变型,旨在涵盖非排他性的包含。例如,包括元素列表的过程、方法、物品、或装置不一定仅限于那些元素,而是可以包括未明确列出的或这种过程、方法、物品、或装置固有的其他元素。此外,除非有相反的明确说明,否则“或”是指包含性的或而不是排他性的或。例如,条件A或B由以下中的任何一个满足:A为真(或存在)且B为假(或不存在),A为假(或不存在)且B为真(或存在),以及A和B两者都为真(或存在)。
此外,使用“一”或“一个”来描述本文实施例的元件和组件。这样做仅是为了方便并且给出描述的一般意义。该描述应被理解为包括一个或至少一个,并且单数也包括复数,除非明显另有其他含义。
在阅读本公开时,本领域技术人员将理解通过本文所公开的原理、根据的路面类型生成导航方向的另外的替代结构和功能设计。因此,尽管已经示出和描述了特定的实施例和应用,但是应当理解,所公开的实施例不限于本文所公开的精确构造和组件。在不脱离所附权利要求中限定的精神和范围的情况下,对本领域技术人员显而易见的是,可以对本文公开的方法和装置的布置、操作和细节进行各种修改、改变和变化。
Claims (20)
1.一种用于根据路段的路面类型生成导航方向集的方法,所述方法包括:
在一个或多个处理器处接收对车辆从起始位置到目的地位置的导航方向的请求;
由一个或多个处理器识别用于从所述起始位置导航到所述目的地位置的候选路线集;
对于所述候选路线集中的每个候选路线内的每个路段,由一个或多个处理器确定所述路段的路面类型;
由一个或多个处理器至少部分地基于每个候选路线内的所述路段的路面类型,从所述候选路线集中选择路线;以及
由一个或多个处理器提供导航方向集以在客户端设备上呈现,所述导航方向集用于经由所选路线从所述起始位置导航到所述目的地位置。
2.根据权利要求1所述的方法,还包括:
由一个或多个处理器获得至少部分地包括候选路线的地理区域中的天气状况;并且
其中,从所述候选路线集中选择所述路线包括:由一个或多个处理器进一步基于所述地理区域中的天气状况来选择所述路线。
3.根据权利要求2所述的方法,其中:
由一个或多个处理器获得所述地理区域中的天气状况包括:获得所述地理区域中、在接收到所述请求之前的预定时间段内的天气状况。
4.根据权利要求2或3所述的方法,还包括:
对于所述候选路线集中的每个候选路线内的每个路段,由一个或多个处理器确定所述路段是否包括可能积水的区域;
其中,由一个或多个处理器从所述候选路线集中选择所述路线包括:进一步基于哪些路段被确定为包括可能积水的区域来选择所述路线。
5.根据前述权利要求中任一项所述的方法,还包括:
由一个或多个处理器获得关于车辆的类型的信息;以及
其中,从所述候选路线集中选择所述路线包括:由一个或多个处理器进一步基于车辆类型来选择所述路线。
6.根据前述权利要求中任一项所述的方法,还包括,在提供用于在客户端设备上呈现的所述导航方向集之后:
由一个或多个处理器获得至少部分地包括所述候选路线的第二地理区域中的天气状况;
由一个或多个处理器至少基于(i)每个候选路线内的所述路段的路面类型和(ii)所述第二地理区域中的天气状况,来选择从车辆的当前位置到所述目的地位置的更新后的路线;以及
由一个或多个处理器提供更新后的导航方向集以呈现在客户端设备上,所述更新后的导航方向集用于经由所选更新后的路线从车辆的所述当前位置导航到所述目的地位置。
7.根据前述权利要求中任一项所述的方法,其中,由一个或多个处理器至少部分地基于每个候选路线内的所述路段的路面类型来从所述候选路线集中选择路线包括:
对于每个候选路线:
由一个或多个处理器至少部分地基于所述路段的路面类型向所述候选路线内的每个路段分配分数;
由一个或多个处理器组合所述候选路线内的每个路段的分数以生成总分数;以及
由一个或多个处理器根据每个相应候选路线的所述总分数从所述候选路线集中选择所述路线。
8.根据权利要求7所述的方法,其中,向每个路段分配分数包括:
由一个或多个处理器至少部分地基于所述路段的路面类型和所述地理区域中的天气状况,向所述候选路线内的每个路段分配分数。
9.根据权利要求7或权利要求8所述的方法,其中,向每个路段分配分数包括:
由一个或多个处理器基于穿越所述路段的估计时间量,向所述候选路线内的每个路段分配分数;以及
由一个或多个处理器基于所述路段的路面类型,调整每个路段的所述分数。
10.根据前述权利要求中任一项所述的方法,还包括:
由一个或多个处理器使用(i)路段的多个图像和(ii)对路段的所述多个图像中的每一个的路面类型的指示,训练用于识别路段的路面类型的机器学习模型,
其中,确定所述候选路线集中的每个候选路线内的每个路段的道路的路面类型包括:
由一个或多个处理器获得包括所述起始位置和所述目的地位置的地理区域的图像;
由一个或多个处理器从所述地理区域的图像中识别视觉特征集;以及
由一个或多个处理器将所述视觉特征集应用于所述机器学习模型,以识别所述地理区域内的一个或多个路面类型和所述路面类型的相应的位置。
11.根据权利要求10所述的方法,其中,在所述地理区域的地图显示内提供所述导航方向集,所述地图显示用向量图形数据表示,并且所述方法还包括:
由一个或多个处理器生成所述地理区域的光栅图像,所述地理区域的光栅图像注释有在所述相应的位置处所识别的路面类型;
由一个或多个处理器将所述光栅图像内的所述路面类型的相应的位置转换为向量图形数据;以及
由一个或多个处理器将转换后的位置与所述地图显示进行比较,以识别与所述地理区域内的每个路面类型相对应的路段,所述转换后的位置用向量图形数据表示。
12.根据权利要求10所述的方法,其中,所确定的路面类型是以下中的至少一个:泥土、沥青、混凝土、草、砾石、砖、鹅卵石或桥梁下穿通道。
13.一种用于根据路段的路面类型生成导航方向集的计算设备,所述计算设备包括:
一个或多个处理器;以及
非暂时性计算机可读存储器,耦合到所述一个或多个处理器并且在其上存储指令,当由所述一个或多个处理器执行时,所述指令使得所述计算设备:
接收对车辆从起始位置到目的地位置的导航方向的请求;
识别用于从所述起始位置导航到所述目的地位置的候选路线集;
对于所述候选路线集中的每个候选路线内的每个路段,确定所述路段的路面类型;
至少部分地基于每个候选路线内的所述路段的路面类型,从所述候选路线集中选择路线;以及
提供用于经由所选路线从所述起始位置导航到所述目的地位置的导航方向集。
14.根据权利要求13所述的计算设备,其中,所述指令还使得所述计算设备:
获得至少部分地包括候选路线的地理区域中的天气状况;以及
基于(i)每个候选路线内的所述路段的路面类型和(ii)所述地理区域内的天气状况,从所述候选路线集中选择所述路线。
15.一种用于根据路段的路面类型呈现导航方向集的客户端设备,所述客户端设备包括:
用户界面;
一个或多个处理器;以及
非暂时性计算机可读存储器,耦合到所述一个或多个处理器并且在其上存储指令,当由所述一个或多个处理器执行时,所述指令使得所述客户端设备:
发送对车辆从起始位置到目的地位置的导航方向的请求;
接收用于沿着从所述起始位置到所述目的地位置的路线导航的导航方向集,所述路线包括多个路段;
对于所述多个路段中的至少一个路段,接收指示所述至少一个路段的路面类型的提醒;以及
经由所述用户界面呈现所述导航方向集和指示所述至少一个路段的路面类型的所述提醒。
16.根据权利要求15所述的客户端设备,其中,所述提醒指示所述至少一个路段是未铺砌的。
17.根据权利要求16所述的客户端设备,其中,所述指令还使得所述客户端设备:
经由所述用户界面呈现用户控件,所述用户控件用于选择不包括未铺砌路段的导航方向替代集。
18.根据权利要求16或权利要求17所述的客户端设备,其中,所述指令还使得所述客户端设备:
接收多个导航方向集,每个导航方向集用于对从所述起始位置到所述目的地位置的不同的路线进行导航;以及
经由所述用户界面、以排名的顺序呈现对所述多个导航方向集的指示,其中,具有至少一个未铺砌路段的第一导航方向集的排名低于第二导航方向集。
19.根据权利要求18所述的客户端设备,其中,所述指令还使得所述客户端设备:
对于所述多个导航方向集中的每一个,经由所述用户界面呈现对穿越相应路线的估计时间段的指示,其中,所述第一导航方向集具有比所述第二导航方向集更短的估计时间段。
20.根据权利要求15-19中任一项所述的客户端设备,其中,指示所述至少一个路段的路面类型的所述提醒是响应于包括所述至少一个路段的地理区域中的天气状况而被接收的。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/US2019/056194 WO2021076099A1 (en) | 2019-10-15 | 2019-10-15 | Weather and road surface type-based navigation directions |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113015887A true CN113015887A (zh) | 2021-06-22 |
Family
ID=68470614
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980044446.5A Pending CN113015887A (zh) | 2019-10-15 | 2019-10-15 | 基于天气和路面类型的导航方向 |
Country Status (4)
Country | Link |
---|---|
US (2) | US11867519B2 (zh) |
EP (1) | EP3931530A1 (zh) |
CN (1) | CN113015887A (zh) |
WO (1) | WO2021076099A1 (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10531227B2 (en) * | 2016-10-19 | 2020-01-07 | Google Llc | Time-delimited action suggestion system |
US11725955B2 (en) * | 2021-03-01 | 2023-08-15 | Mitre Corporation | Method and system for dynamically navigating routes according to safety-related risk profiles |
KR20230068116A (ko) * | 2021-11-10 | 2023-05-17 | 현대자동차주식회사 | 전자 장치 및 그 제어 방법. |
CN114719880B (zh) * | 2022-06-01 | 2022-09-23 | 阿里巴巴(中国)有限公司 | 模型训练方法、装置及电子设备 |
CN114719881B (zh) * | 2022-06-09 | 2022-08-23 | 环球数科集团有限公司 | 一种应用卫星定位的无路径导航算法与系统 |
CN117437608A (zh) * | 2023-11-16 | 2024-01-23 | 元橡科技(北京)有限公司 | 一种全地形路面类型识别方法及系统 |
Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005084064A (ja) * | 2003-09-04 | 2005-03-31 | Denso Corp | 地図表示装置、補正表示方法および記憶媒体 |
US20100036599A1 (en) * | 2008-08-11 | 2010-02-11 | RM Acquisition, LLC d/b/a/ Rand McNally | Safest transportation routing |
CN102538811A (zh) * | 2010-11-30 | 2012-07-04 | 通用汽车环球科技运作有限责任公司 | 用于基于安全因素来规划车辆路线的系统和方法 |
CN102759362A (zh) * | 2011-04-29 | 2012-10-31 | 昆达电脑科技(昆山)有限公司 | 导航系统及其路径规划方法 |
CN104596531A (zh) * | 2014-05-28 | 2015-05-06 | 腾讯科技(深圳)有限公司 | 一种导航路线的生成方法、装置及服务器 |
US20160061620A1 (en) * | 2014-08-29 | 2016-03-03 | Mapquest, Inc. | Systems and methods for electronic display of various conditions along a navigation route |
WO2016135561A1 (en) * | 2015-02-27 | 2016-09-01 | Caring Community Sa | Method and apparatus for determining a safest route within a transportation network |
CN106778551A (zh) * | 2016-11-30 | 2017-05-31 | 南京理工大学 | 一种高速路段及城市道路车道线识别方法 |
CN107067781A (zh) * | 2017-04-07 | 2017-08-18 | 叶昊 | 一种用于先进驾驶辅助系统应用的gis道路黑点地图生成方法 |
US20170263120A1 (en) * | 2012-06-07 | 2017-09-14 | Zoll Medical Corporation | Vehicle safety and driver condition monitoring, and geographic information based road safety systems |
WO2017176550A1 (en) * | 2016-04-05 | 2017-10-12 | Pcms Holdings, Inc. | Method and system for autonomous vehicle sensor assisted selection of route with respect to dynamic route conditions |
CN107464401A (zh) * | 2016-06-02 | 2017-12-12 | 深圳富泰宏精密工业有限公司 | 电子装置、提示方法 |
CN107590479A (zh) * | 2017-09-26 | 2018-01-16 | 京东方科技集团股份有限公司 | 一种道路分析处理方法及装置 |
US20180107216A1 (en) * | 2016-10-19 | 2018-04-19 | Here Global B.V. | Segment activity planning based on route characteristics |
CN108765404A (zh) * | 2018-05-31 | 2018-11-06 | 南京行者易智能交通科技有限公司 | 一种基于深度学习图像分类的道路破损检测方法及装置 |
CN109073404A (zh) * | 2016-05-02 | 2018-12-21 | 谷歌有限责任公司 | 用于基于地标和实时图像生成导航方向的系统和方法 |
CN109146849A (zh) * | 2018-07-26 | 2019-01-04 | 昆明理工大学 | 一种基于卷积神经网络和图像识别的路面裂缝检测方法 |
CN109146859A (zh) * | 2018-08-03 | 2019-01-04 | 深圳万智联合科技有限公司 | 一种基于机器视觉的路面裂缝检测系统 |
CN109716068A (zh) * | 2016-09-16 | 2019-05-03 | 英特尔Ip公司 | 基于车辆尺寸的导航 |
CN109891195A (zh) * | 2016-10-26 | 2019-06-14 | 谷歌有限责任公司 | 用于在初始导航中使用视觉地标的系统和方法 |
CN109993082A (zh) * | 2019-03-20 | 2019-07-09 | 上海理工大学 | 卷积神经网络道路场景分类与道路分割方法 |
CN110189317A (zh) * | 2019-05-30 | 2019-08-30 | 上海卡罗网络科技有限公司 | 一种基于深度学习的道路影像智能采集和识别方法 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6553308B1 (en) | 1999-04-29 | 2003-04-22 | Donnelly Corporation | Vehicle-based navigation system with smart map filtering, portable unit home-base registration and multiple navigation system preferential use |
WO2007088859A1 (ja) | 2006-02-01 | 2007-08-09 | Pioneer Corporation | 路面状況判断装置、経路探索装置、位置設定装置、路面状況判断方法、経路探索方法、位置設定方法、プログラムおよび記録媒体 |
KR20070091471A (ko) | 2006-03-06 | 2007-09-11 | 주식회사 현대오토넷 | 네비게이션 시스템의 교차점 인식방법 |
CA2726146A1 (en) | 2008-06-25 | 2009-12-30 | Tomtom International B.V. | Navigation apparatus and method of detection that a parking facility is sought |
US9418554B2 (en) * | 2014-08-07 | 2016-08-16 | Verizon Patent And Licensing Inc. | Method and system for determining road conditions based on driver data |
JP5776546B2 (ja) * | 2011-12-28 | 2015-09-09 | 富士通株式会社 | 路面調査プログラム及び路面調査装置 |
DE102012101085A1 (de) * | 2012-02-10 | 2013-08-14 | Conti Temic Microelectronic Gmbh | Bestimmung einer Beschaffenheit einer Fahrbahnoberfläche mittels einer 3D-Kamera |
US20140071240A1 (en) | 2012-09-11 | 2014-03-13 | Automotive Research & Testing Center | Free space detection system and method for a vehicle using stereo vision |
CN103679127B (zh) | 2012-09-24 | 2017-08-04 | 株式会社理光 | 检测道路路面的可行驶区域的方法和装置 |
DE102012112724A1 (de) * | 2012-12-20 | 2014-06-26 | Continental Teves Ag & Co. Ohg | Verfahren zur Bestimmung eines Fahrbahnzustands aus Umfeldsensordaten |
CA2892987C (en) | 2014-03-19 | 2017-10-24 | Komatsu Ltd. | Road surface condition determining method, road surface condition outputting method, road surface condition determining device and road surface condition output equipment |
JP6156400B2 (ja) | 2015-02-09 | 2017-07-05 | トヨタ自動車株式会社 | 走行路面検出装置及び走行路面検出方法 |
EP3734504A1 (en) | 2015-02-10 | 2020-11-04 | Mobileye Vision Technologies Ltd. | Sparse map for autonomous vehicle navigation |
US10119827B2 (en) * | 2015-12-10 | 2018-11-06 | Uber Technologies, Inc. | Planning trips on a road network using traction information for the road network |
WO2018132605A1 (en) * | 2017-01-12 | 2018-07-19 | Mobileye Vision Technologies Ltd. | Determining a road surface characteristic |
-
2019
- 2019-10-15 EP EP19798772.0A patent/EP3931530A1/en active Pending
- 2019-10-15 CN CN201980044446.5A patent/CN113015887A/zh active Pending
- 2019-10-15 US US17/047,648 patent/US11867519B2/en active Active
- 2019-10-15 WO PCT/US2019/056194 patent/WO2021076099A1/en unknown
-
2023
- 2023-11-29 US US18/522,519 patent/US20240094014A1/en active Pending
Patent Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005084064A (ja) * | 2003-09-04 | 2005-03-31 | Denso Corp | 地図表示装置、補正表示方法および記憶媒体 |
US20100036599A1 (en) * | 2008-08-11 | 2010-02-11 | RM Acquisition, LLC d/b/a/ Rand McNally | Safest transportation routing |
CN102538811A (zh) * | 2010-11-30 | 2012-07-04 | 通用汽车环球科技运作有限责任公司 | 用于基于安全因素来规划车辆路线的系统和方法 |
CN102759362A (zh) * | 2011-04-29 | 2012-10-31 | 昆达电脑科技(昆山)有限公司 | 导航系统及其路径规划方法 |
US20170263120A1 (en) * | 2012-06-07 | 2017-09-14 | Zoll Medical Corporation | Vehicle safety and driver condition monitoring, and geographic information based road safety systems |
CN104596531A (zh) * | 2014-05-28 | 2015-05-06 | 腾讯科技(深圳)有限公司 | 一种导航路线的生成方法、装置及服务器 |
US20160061620A1 (en) * | 2014-08-29 | 2016-03-03 | Mapquest, Inc. | Systems and methods for electronic display of various conditions along a navigation route |
WO2016135561A1 (en) * | 2015-02-27 | 2016-09-01 | Caring Community Sa | Method and apparatus for determining a safest route within a transportation network |
WO2017176550A1 (en) * | 2016-04-05 | 2017-10-12 | Pcms Holdings, Inc. | Method and system for autonomous vehicle sensor assisted selection of route with respect to dynamic route conditions |
CN109073404A (zh) * | 2016-05-02 | 2018-12-21 | 谷歌有限责任公司 | 用于基于地标和实时图像生成导航方向的系统和方法 |
CN107464401A (zh) * | 2016-06-02 | 2017-12-12 | 深圳富泰宏精密工业有限公司 | 电子装置、提示方法 |
CN109716068A (zh) * | 2016-09-16 | 2019-05-03 | 英特尔Ip公司 | 基于车辆尺寸的导航 |
US20180107216A1 (en) * | 2016-10-19 | 2018-04-19 | Here Global B.V. | Segment activity planning based on route characteristics |
CN109891195A (zh) * | 2016-10-26 | 2019-06-14 | 谷歌有限责任公司 | 用于在初始导航中使用视觉地标的系统和方法 |
CN106778551A (zh) * | 2016-11-30 | 2017-05-31 | 南京理工大学 | 一种高速路段及城市道路车道线识别方法 |
CN107067781A (zh) * | 2017-04-07 | 2017-08-18 | 叶昊 | 一种用于先进驾驶辅助系统应用的gis道路黑点地图生成方法 |
CN107590479A (zh) * | 2017-09-26 | 2018-01-16 | 京东方科技集团股份有限公司 | 一种道路分析处理方法及装置 |
CN108765404A (zh) * | 2018-05-31 | 2018-11-06 | 南京行者易智能交通科技有限公司 | 一种基于深度学习图像分类的道路破损检测方法及装置 |
CN109146849A (zh) * | 2018-07-26 | 2019-01-04 | 昆明理工大学 | 一种基于卷积神经网络和图像识别的路面裂缝检测方法 |
CN109146859A (zh) * | 2018-08-03 | 2019-01-04 | 深圳万智联合科技有限公司 | 一种基于机器视觉的路面裂缝检测系统 |
CN109993082A (zh) * | 2019-03-20 | 2019-07-09 | 上海理工大学 | 卷积神经网络道路场景分类与道路分割方法 |
CN110189317A (zh) * | 2019-05-30 | 2019-08-30 | 上海卡罗网络科技有限公司 | 一种基于深度学习的道路影像智能采集和识别方法 |
Non-Patent Citations (4)
Title |
---|
段瑗, 李春书, 闫尧: "基于支持向量机的路面图像分类方法", 河北农业大学学报, vol. 39, no. 6, pages 124 - 129 * |
王世峰;都凯悦;孟颖;王锐;: "基于机器学习的车辆路面类型识别技术研究", 兵工学报, no. 08, pages 1642 - 1648 * |
王超;王欢;赵春霞;: "基于形状先验和在线鉴别性分析的道路检测", 北京理工大学学报, no. 12, pages 1257 - 1261 * |
陈少幸;张肖宁;徐全亮;孟书涛;: "沥青混凝土路面光栅应变传感器的试验研究", 传感技术学报, no. 02, pages 396 - 398 * |
Also Published As
Publication number | Publication date |
---|---|
US20240094014A1 (en) | 2024-03-21 |
US11867519B2 (en) | 2024-01-09 |
WO2021076099A1 (en) | 2021-04-22 |
US20230127182A1 (en) | 2023-04-27 |
EP3931530A1 (en) | 2022-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11867519B2 (en) | Weather and road surface type-based navigation directions | |
US10331957B2 (en) | Method, apparatus, and system for vanishing point/horizon estimation using lane models | |
KR102115109B1 (ko) | 인터랙티브 텔레매틱스 시스템 | |
RU2640660C2 (ru) | Картографическая система транспортного средства | |
CN110832417A (zh) | 使用高清地图为自主车辆生成路线 | |
US11448516B2 (en) | Scenic route-based navigation directions | |
WO2014139821A1 (en) | Automatic driving route planning application | |
US11023747B2 (en) | Method, apparatus, and system for detecting degraded ground paint in an image | |
US20150260532A1 (en) | Systems and methods for updating map information using local driver input | |
WO2020263214A1 (en) | Phantom traffic jam detection and avoidance | |
US20210164787A1 (en) | System and method for generating map data of a region | |
CN112639766A (zh) | 改善离线地图数据可用性 | |
EP4273501A1 (en) | Method, apparatus, and computer program product for map data generation from probe data imagery | |
JP6238738B2 (ja) | 経路探索装置及びその方法、並びに経路を探索するためのコンピュータプログラム及びコンピュータプログラムを記録した記録媒体 | |
JP6912859B2 (ja) | 地図更新装置、地図更新方法、コンピュータプログラム及びコンピュータプログラムを記録した記録媒体 | |
US11697432B2 (en) | Method, apparatus and computer program product for creating hazard probability boundaries with confidence bands | |
US11614339B2 (en) | Information processing device and recording medium | |
JP2013050411A (ja) | 自車位置認識システム、自車位置認識プログラム、及び自車位置認識方法 | |
JP2023537959A (ja) | ナビゲーション案内プレビュー | |
CN113574520A (zh) | 基于用户上下文的瓦片的动态生成和建议 | |
JP2020135266A (ja) | ナビゲーション支援サーバー及びナビゲーション支援システム | |
US20220375107A1 (en) | Method, apparatus, and computer program product for ensuring continuity of features between spatially partitioned maps | |
JP6238715B2 (ja) | 経路探索装置及びその方法、並びに経路を探索するためのコンピュータプログラム及びコンピュータプログラムを記録した記録媒体 | |
US20230358566A1 (en) | Method, apparatus, and computer program product for map geometry generation based on object detection | |
US11624629B2 (en) | Method, apparatus, and computer program product for generating parking lot geometry |
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 |