CN113167590A - 用于地图匹配的系统和方法 - Google Patents
用于地图匹配的系统和方法 Download PDFInfo
- Publication number
- CN113167590A CN113167590A CN201980077367.4A CN201980077367A CN113167590A CN 113167590 A CN113167590 A CN 113167590A CN 201980077367 A CN201980077367 A CN 201980077367A CN 113167590 A CN113167590 A CN 113167590A
- Authority
- CN
- China
- Prior art keywords
- link
- matching
- location
- determining
- probability
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 49
- 230000007704 transition Effects 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 description 33
- 230000008901 benefit Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000002123 temporal effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010010099 Combined immunodeficiency Diseases 0.000 description 1
- YTAHJIFKAKIKAV-XNMGPUDCSA-N [(1R)-3-morpholin-4-yl-1-phenylpropyl] N-[(3S)-2-oxo-5-phenyl-1,3-dihydro-1,4-benzodiazepin-3-yl]carbamate Chemical compound O=C1[C@H](N=C(C2=C(N1)C=CC=C2)C1=CC=CC=C1)NC(O[C@H](CCN1CCOCC1)C1=CC=CC=C1)=O YTAHJIFKAKIKAV-XNMGPUDCSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000001360 collision-induced dissociation Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
- G01C21/30—Map- or contour-matching
-
- 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
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Navigation (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明涉及一种用于确定地图匹配置信度的方法。该方法包括检测轨迹;检测网络数据,其包括网络的多个链路;检测一个或多个数据对,所述一个或多个数据对中的每个数据对包括:所述多个链路中的一个链路和一个时间窗,其检测至少一部分轨迹;对于所述一个或多个数据对中的每个数据对,基于最大后验概率的确定借助修改的前向算法的确定来确定相应数据对的链路的地图匹配置信度,其中,地图匹配置信度用于说明相应链路在相应时间窗内牵涉到所述轨迹的概率。本公开还涉及用于执行根据本发明方法的系统以及包括该系统的车辆。
Description
技术领域
本公开涉及用于计算地图匹配置信度的系统和方法。本公开尤其是涉及用于在机动车中使用地图数据时计算地图匹配置信度的系统和方法。
背景技术
在现有技术中,用于将GPS位置序列映射到地图数据上的地图匹配方法是已知的,所述地图匹配方法应相对提高例如将车辆位置映射到相应的道路连接上的准确度。因此,地图匹配通常涉及将GPS位置序列映射到道路网络上。在此为每个GPS位置确定车辆在哪条道路上行驶。
例如在Newson,Paul,and John Krumm:"Hidden Markov map Matching throughnoise and sparseness."(通过噪音和稀疏性进行隐马尔可夫地图匹配),Proceedings of17th ACM SIGSPATIAL international conference on advances in geographicInformation Systems(第17届ACM SIGSPATIAL国际地理信息系统进展会议论文集),ACM,2009中所描述的,道路网络可被建模为图形,所述图形可包括有向边和无向边。与Newson和Krumm的公开相反,有向边不一定意味着单向道路,因为能沿双向行驶的道路也可被建模为两条有向边。每条边具有对其几何结构的描述,例如被描述为折线(即由若干段组成的线)。地图制造商以不同的建模提供不同格式的地图。在某些建模中,链路(Links)可能只在交叉点或者说交叉路口处结束或者只存在有向边。但上述建模代表最一般的情况。
Newson和Krumm描述了一种基于隐马尔可夫模型(HMM)的地图匹配方法。该方法借助维特比算法来计算车辆驶过的最可能的链路序列或者说顺序。在此每个GPS位置都映射到一个所谓的匹配项,即链路和链路上的位置(简称<链路,链路上的位置>)的组合。链路上的位置例如可以是分数,即0到1之间的数字。
然而,除了将GPS位置映射到道路网络外,Newson和Krumm的HMM地图匹配不计算GPS位置实际位于匹配链路上的置信度。地图匹配置信度(Map Matching Konfidenz)例如可用来决定是否应将已识别的危险情况传送到其它车辆。
例如US5,774,824文件描述了一种用于监测车辆状态特征,包括车辆在地图路线上的位置的地图匹配导航系统。该地图匹配导航系统可在固定模式下运行,在所述固定模式中地图路线由用户输入,或者在灵活模式下运行,在所述灵活模式中地图匹配导航系统从相应于车辆位置的多个测量点确定地图路线。另外,地图匹配导航系统还以增加的置信水平更新车辆在地图路线上的多个位置处的方位,其中车辆方位是已知的。
该文件描述了一种传统的地图匹配方法并且因此可被看作是Newson和Krumm方法的一种可能的替代方案。在该方法中计算针对路线备选方案的概率/置信度,但只是为了选择具有高置信度的路段来进行地图匹配(类似于Newson和Krumm方法)。并不计算在时间窗内驶过路段的置信度。
一般来说,局部危险、如事故或路面结冰可通过车辆传感器(如安全气囊、车辆动态传感器)识别并通过后端连接传送到其它车辆。为此车辆将GPS位置序列(如检测到危险情况之前的10个GPS位置和之后的10个GPS位置)传送到后端。在后端中,该位置序列被地图匹配器映射到道路网路上。代替仅一个GPS位置而传输多个GPS位置有助于提高地图匹配的准确度。借助地图匹配可确定局部危险在道路上的确切位置并以尽可能准确的危险位置说明向其它车辆发出警告。
可能存在如下情况,在所述情况中无法从GPS的位置序列中明确地确定危险的确切位置,尤其是具有危险的道路链路。如果将局部危险定位在相邻的、错误的道路上并将这个错误的位置传送到其它车辆,这导致危险的位置错误地显示在后续的车辆中。进一步的后果可能是一些车辆被警告有与它们无关的危险(所谓的错报),并且一些车辆没有被警告危险,即使这些危险与它们有关(所谓的漏报)。
尤其是可通过地图匹配置信度减少错报。现有技术没有研究现有的地图匹配算法没有计算针对地图匹配结果的置信度,尤其是不计算链路被驶过的概率。
因此,存在用于计算地图匹配置信度的系统和方法的需要,以提供更好的准确度和可靠性。
与专注于车辆中的在线地图匹配的已知方法相比,本文公开的系统和方法侧重于后端中的离线地图匹配。与在线地图匹配相比,离线地图匹配可使用整个GPS轨迹,这尤其是不仅引起针对地图匹配的更好结果而且引起针对置信度计算方面的更好结果。此外,本文公开的系统和方法也能适用于车辆中的在线地图匹配。
在此可区分两种类型的离线地图匹配,即较长的行驶路段或整个行程的地图匹配(所谓的轨迹地图匹配)和短行驶路段的地图匹配(如10或20个位置,即所谓的迷你轨迹地图匹配)。
迷你轨迹地图匹配结合了离线地图匹配(通过在待匹配位置之前和之后的附加位置实现更高的准确度)和在线地图匹配(人们能及时获得结果而不必等到行程结束)的优点。与整个行程的地图匹配相比,可能出现的准确度下降通常只是微不足道的,因为一个事件前后的例如10个位置足以用于处理。
在非时间关键性的应用中,例如可考虑事件之前的10个位置和之后的10个位置。在时间关键性的应用中,例如仅考虑事件之前的10个位置。因此,通常不会期望比在线地图匹配更高的准确度。
根据本公开的系统和方法主要关注轨迹地图匹配和迷你轨迹地图匹配。
上述所有三种类型的匹配(即轨迹、迷你轨迹和在线地图匹配)既可在车辆中也可在后端中执行,在后端中优选使用用于整个行程的离线地图匹配以及迷你轨迹匹配。相反,在车辆中优选使用在线地图匹配。
发明内容
本公开的任务是提供用于计算地图匹配置信度的系统和方法,所述系统和方法避免了上述一个或多个缺点和/或实现了一个或多个所述的优点。
本公开的任务尤其是提供用于计算地图匹配置信度的系统和方法,它们提供更好的准确度和可靠性。
根据本发明,尤其是通过为匹配的链路、如识别到局部危险的链路选择适合的最小置信度可减少车辆被警告有危险的情况的次数,尽管这些危险与它们无关(所谓的错报)。
然而,本公开的计算地图匹配置信度的优点不仅在于局部危险警告的定位。许多使用地图匹配器的应用也可从地图匹配置信度中获得好处。地图匹配应用的其它示例包括:。
-从GPS轨迹中提取交通流信息。
-将通过传感器识别的或通过用户报告的属性(如识别的交通标志)分配到道路链路上。
-从GPS轨迹中自动推导交通规则(如禁止左转)。
基于HMM的地图匹配器使用道路网络的拓扑和几何结构以及GPS位置的整个序列来确定最可能的链路顺序。本文公开的用于计算地图匹配置信度的系统和方法因此以基于HMM的地图匹配的进一步扩展为基础。
上述任务通过根据权利要求1的方法和根据权利要求9的系统以及由根据权利要求10的包括所述系统的车辆来解决。有利的扩展方案产生于相应从属权利要求。本发明的其它细节、特征和优点也来自于下述说明。
在根据本公开实施方式的第一方面中公开了一种用于计算地图匹配置信度的方法。该方法包括:检测轨迹;检测网络数据,其包括网络的多个链路;检测一个或多个数据对,所述一个或多个数据对中的每个数据对包括:所述多个链路中的一个链路(l);和一个时间窗(w),其检测至少一部分轨迹。该方法还包括,对于所述一个或多个数据对中的每个数据对,基于最大后验概率的确定或借助修改的前向算法的确定来确定相应数据对的链路(l)的地图匹配置信度(c(l,w)),其中,地图匹配置信度构造用于说明相应链路(l)在相应时间窗(w)内牵涉或者说关联到所述轨迹的概率。
在根据前述第一方面的第二方面中,所述轨迹包含多个位置说明。所述多个位置说明中的每个位置说明包括:GPS位置和时间戳。
在根据前述第二方面的第三方面中,所述方法还包括:为每个位置说明确定一个或多个匹配候选对象,优选以包括数据对的链路(l)和该链路(l)上的位置的对的形式;基于位置说明与匹配候选对象的链路(l)的距离为每个位置说明的所述一个或多个匹配候选对象中的每一个匹配候选对象确定观测概率;并且为所述一个或多个匹配候选对象中的每一个确定相对于第一位置说明(P1)和与第一位置说明相邻的第二位置说明(P2)的成对的转移概率,其中,确定从第一位置说明的每个匹配候选对象到第二位置说明的每个匹配候选对象的转移概率。
在根据前述第二或三方面中任一方面的第四方面中,所述方法还包括基于以下内容确定所述一个或多个数据对的每个时间窗(w):整个轨迹,如果轨迹不超过预定持续时间,优选所述预定持续时间小于60秒、更优选小于30秒;参考位置说明之前的n个位置说明和参考位置说明之后的k个位置说明之间的间隔,优选n、k小于10;参考位置说明之前和之后的时间间隔,优选该时间间隔小于30秒、更优选小于15秒;或者位置说明和相应数据对的相应链路(l)之间的关系,位置说明与相应链路(l)的关系通过如下方式定义:相应链路(l)是针对该位置说明的候选对象。
在根据前述第一至四方面中任一方面结合第三方面的第五方面中,确定最大后验概率包括:基于相应观测概率和相应转移概率为数据对的每个链路(l)确定相应后验概率;并且基于在相应时间窗(w)中位于链路(l)上的所有匹配候选对象的所有后验概率中的最大值确定最大后验概率;优选在此借助前向后向算法确定最大后验概率。
在根据前述第一至五方面中任一方面的第六方面中,借助修改的前向算法的确定包括:对于数据对的每个链路(l)和每个时间窗(w)确定该链路(l)是否分别在相邻的相关GPS位置的两个匹配候选对象之间在该时间窗(w)内肯定被驶过或可能被驶过;或者对于数据对的每个链路(l)和每个时间窗(w)确定该链路(l)分别在相邻的相关GPS位置的两个匹配候选对象之间在时间窗(w)内被驶过的概率;并且通过使用观测概率和转移概率对于数据对的每个链路(l)和每个时间窗(w)确定该链路(l)在该时间窗(w)内已被驶过的概率;优选借助修改的前向算法。
在根据前述第一至六方面中任一方面的第七方面中,所述网络的多个链路中的一个或多个链路将网络的多个节点中的一个或多个节点相互连接。所述网络优选描绘交通网络。进一步优选所述多个链路中的每一个代表交通路径的一段和/或所述多个节点中的每一个代表交通路径的一个交叉点。
在根据前述第一至七方面中任一方面结合第三方面的第八方面中,所述多个位置说明中的每个位置说明还包括GPS定向或者GPS前进方向并且确定一个或多个匹配候选对象包括:为每个位置说明以包括数据对的链路(l)、链路(l)上的位置和沿链路(l)的方向的三元组的方式确定所述一个或多个匹配候选对象。
在根据前述第一至八方面中任一方面结合第三方面的第九方面中,所述方法还包括:为每个位置信息确定附加匹配候选对象,该附加匹配候选对象不在网络的所述多个链路的一个链路(l)上;基于匹配候选对象的位置说明的距离,为每个位置说明的附加匹配候选对象确定观测概率;并且为附加匹配候选对象确定相对于第一位置说明(P1)和第二位置说明(P2)的成对的转移概率,其中,确定从第一位置说明的附加匹配候选对象到第二位置说明的每个匹配候选对象的转移概率。
在第十方面中公开了一种用于确定地图匹配置信度的系统。该系统包括控制单元,其构造用于执行根据本公开实施方式的、尤其是根据前述第一至九方面中任一方面的方法。
在第十一方面中公开了一种车辆。该车辆包括根据本公开实施方式的、尤其是根据前述第十方面的、用于确定地图匹配置信度的系统。
附图说明
本公开的实施例在附图中示出并且在下面更详细地描述。除非另有说明,否则以下相同或相同作用的元件使用相同的附图标记。附图如下:
图1示意性示出根据本公开实施方式的系统的结构;
图2和3根据被划分为多个链路的道路拓扑示意性示出GPS位置如何匹配到链路上且含有残余不确定性;
图4示意性示出被划分为多个链路的道路;
图5示意性示出被划分为多个链路的、具有分支的道路;
图6根据被划分为多个链路的道路示意性示出如何将针对一个链路的高置信度转移到其它链路上;
图7根据被划分为多个链路的道路示意性示出链路置信度如何与检测到的GPS位置的数量相关;和
图8示出根据本公开实施方式的方法的流程图。
具体实施方式
图1示意性示出用于车辆80中的根据本公开实施方式的系统100的结构。该系统可基本上在车辆80的控制单元120上和/或在后端组件150(如一个或多个后端服务器)上实施。除了控制单元120之外,车辆80还包括通信单元130和用户界面110,该通信单元构造用于与车辆80外部的组件(如移动终端设备70和后端150)进行数据通信。
用户界面110包括一个或多个多模式用户界面,尤其是构造用于操作车辆80的用户界面(如导航、信息娱乐、车辆设置)。用户界面110允许例如通过图形用户表面(如触摸屏)、通过车辆80的传统操作元件(如按钮、开关、iDrive控制器)、通过语音控制等多模式地检测用户60(图1中未示出)的输入。用户界面110还允许例如通过图形显示元件(如触摸屏、平视显示器、仪表盘、中央信息显示器或者说CID)、通过触觉元件(如方向盘或座椅部件的振动)、通过存在于车辆中的扬声器系统(如信息娱乐系统)的语音输出或声音信号发射器(如锣、蜂鸣器)等向用户60多模式地输出信息。用户界面110可基于相应的配置数据实现图形用户界面,在其中显示显示元件和操作元件,它们可由用户60使用来操作车辆80。附加或替代地,用户界面可包含(其它)显示和操作元件、如开关、按钮和显示器。
通过通信单元130,控制器120可与外部的组件和服务进行数据通信并且因此例如与后端服务器和/或后端服务150进行通信。替代或附加地,控制器120可通过通信接口130与例如安装在用户60移动终端设备70上的应用进行数据通信并且因此通过移动终端设备70接收用户60的输入或者使用没有直接实现在控制器上或以其它方式受支持的应用。与移动终端设备70的连接例如可通过常用接口(如有线、蓝牙、WiFi)建立。
此外,系统100可包括在车辆80外部的后端组件150或基础设施,其提供一个或多个资源(如服务器、服务)。后端组件150可与车辆80的控制器120进行临时或永久的数据通信140。优选,仅困难地或无法由车辆80中的控制器120执行的资源密集型处理步骤可外移给外部后端组件150。在此也可考虑有关计算能力、存储容量、可用带宽、与外部数据源的连接等方面的可能要求。
在一些应用情况下,出于数据保护法的原因,使用后端或由后端处理可能是不利的。对此的一个例子是对事件的个性化学习,如由驾驶员在相同地点激活驾驶员辅助或信息娱乐功能。例如在特定的十字路口或入口使用所谓的“侧视”功能(Side-View)。“侧视”功能允许由驾驶员借助存在于车辆前部的侧向定向的摄像头在入口或出口、停车位等处对横向交通进行视觉检测。激活或使用该功能尤其是能非常精确地定位入口或十字路口和交叉点。
对于这种应用可规定,借助车辆中的迷你轨迹匹配(Mini-Trace Matching)将侧视激活的GPS位置与一个链路匹配并且在稍后借助在线地图匹配确定驾驶员是否位于相应链路上或驶向该链路。
在当前假定用户位于车辆80中并且正行驶一条包括多个链路、即路线的多个部分或路段的路线。车辆中的应用在此是示例性的并且本文公开的系统和方法可用于任何类型的导航、如步行、骑行、公共交通、单车辙或多车辙的机动车、水运工具或飞机等。因此,用户或其车辆沿GPS轨迹移动,该GPS轨迹包括在路线的走向上到达的多个GPS位置。GPS位置的数量、它们之间的间隔或距离及其精度可能会有波动。于是,将检测到的GPS位置分配给路线的一个或多个链路,地图匹配置信度与此相关。
除了将GPS位置分配给链路之外,地图匹配还可用于确定车辆驶过的所有链路的序列或者说顺序。这在GPS位置之间的时间/空间距离较大的GPS轨迹中尤其重要。因此,在一些实施方式中规定,在各个匹配之间确定最快路线。当GPS位置之间的距离如此之大,以至于不一定能唯一地确定中间驶过的链路时,这特别有利。在这种情况下,最快(或最短、或根据其它标准优化的)路线的确定能确定最有可能驶过的一个或多个链路。
在本公开的范围中,假设对于一个或多个链路可存在关于特征、尤其是关于危险情况或其它重要事件的附加信息,从而需要将特征尽可能精确地分配给各个链路。在此尤其是关注将一GPS位置分配给一个或多个链路的高度可靠性。局部危险警告方面的应用主要包括两个问题。一方面,必须将由车辆识别的事件(如危险)与正确的链路匹配。另一方面,必须将由(其它)车辆的相应当前位置与正确的链路匹配,从而可在必要时警告其它车辆位于其路线上的事件。
为了使针对预测性危险警告的应用发挥作用,必须以足够的准确度解决至少上述两个问题,在这两个问题中置信度计算是有用的。如果不应仅在地图上粗略地显示可能的危险,则这一点尤其必要。在后一种情况下,由于地图的空间分辨率不足以及缺乏用户随后的解释,准确的定位并非过度重要。此外,还可想到计算车辆从其当前匹配的位置绕过危险地点的附加概率或置信度(必要时考虑到计划的路线和道路拓扑)。然后,可将该附加概率用于信息的进一步处理并最终用于危险警告。在特定应用的情况下,例如如果信息不由车辆检测,而是已经以足够的准确度显示在车辆地图中(例如具有第三方内容的预警摄像机(Blitzerwarner)),则可集中在第二个问题上(危险警告)。
图2和3借助其道路被分成多个链路60-1、60-2、60-5、60-6、60-3(后者仅在图3中)的道路拓扑50示意性示出GPS位置70-1、70-2、70-3与链路60-1、60-2、60-5、60-6、60-3(后者仅在图3中)的匹配如何包含残余不确定性。图2示出这样的情况,在其中对于所有三个GPS位置70-1、70-2、70-3在考虑道路拓扑和几何结构的情况下不能以高确定性确定它们应与哪个链路60-1、60-2或60-5、60-6匹配。因此,匹配的位置80-1、80-2、80-3应具有低的地图匹配置信度,在该示例中给出60%(或0.6)的链路置信度。
图3示出,当该示例扩展了另一GPS位置70-4和另一匹配的位置80-4(图3中的右下方)时,情况对于所有其它GPS位置70-1、70-2、70-3发生变化。由于GPS位置70-4可以大概率被分配给链路60-3(参照匹配的位置80-4),因此所有其它GPS位置70-1、70-2、70-3也可以高置信度被分配给匹配的链路60-1、60-2(参见匹配的位置80-1、80-2、80-3)。
地图匹配置信度的目的是针对给定的GPS轨迹计算在给定的时间窗w中驶过链路l的概率。由于地图匹配置信度根据定义涉及特定链路,因此在下面也将其称为链路置信度。
链路l例如可以是通过地图匹配分配给一个事件、如检测到的路面结冰(参见“危险情况”)的链路,这可通过如下方式实现,即,针对所述事件存在一个匹配于一个链路的GPS位置。但通常仅知道事件发生的时间戳并且事件的链路必须通过相邻GPS位置的匹配链路并且必要时通过计算这些链路之间的路线来确定。
使用时间窗w代替时间点是有意义的,因为在某些情况下这样可增加针对链路的置信度。
图4示意性示出道路50,其被划分为多个链路60-1、60-2。此外,平均GPS位置70-2恰好位于两个相邻链路60-1、60-2之间的边界处。在此情况下,两个链路60-1、60-2在平均GPS位置时间点的链路置信度为50%,因为两个链路以同样程度被视为候选对象。但在所有三个GPS位置70-1、70-2、70-3上观测,两个链路60-1、60-2的链路置信度将是100%,因为两个链路60-1、60-2肯定被驶过。所述链路肯定被驶过,因为对于第一和最后一个GPS位置仅一个链路落入考虑(如不考虑路外匹配(Off-Road Matches),见下文)。关于如何计算各个置信度的确切规则将在下文中详细说明。所述示例中的置信度首先仅用于示例性说明该方法。
图5示意性示出被划分为多个链路60-1、60-2、60-3的、具有分支的道路50。GPS位置70-1、70-2、70-3类似于图4中的GPS位置示出。位置80-1、80-2、80-3与道路50的链路60-1、60-2匹配。在一些地图建模中,仅存在具有两条以上相邻边的节点,即链路可能仅在交叉处结束。但在时间窗上的置信度计算也可在这些地图建模中在特定情况下增加置信度,如图5所示。在此,在GPS平均位置的时间点上,链路60-2(右)的链路置信度仅略高于50%。但在所有三个GPS位置70-1、70-2、70-3上观测时,链路60-1(左)和链路60-2(右)的链路置信度为100%。
对于能如何选择时间窗有多种替代方案。
1.在短的GPS轨迹(如20秒)中作为时间窗可选择整个GPS轨迹。相反,在长的GPS轨迹中缩小时间窗是有意义的,因为关注何时驶过链路。
2.可通过在两个GPS位置之间的间隔、如通过在第三GPS位置和第五GPS位置之间的时间窗来定义时间窗。如果要为所有匹配的GPS位置计算链路置信度,则时间窗例如可包含匹配的GPS位置之前和之后的各k个位置。因此,在GPS轨迹的开始和结束时所述时间窗包含相应减少的GPS位置。
3.可在时间上相对于特定时间点来定义时间窗,例如在检测到局部危险之前5秒到之后5秒。但这点的前提是GPS位置具有时间戳并要求估算时间窗开始/结束时在道路上的位置。位置估算可通过在时间窗的开始/结束时借助内插相邻的GPS位置来产生其它GPS位置进行。下面参考第二实施方式说明针对时间窗的开始或结束的改进的位置估算。但改进的方法仅可适用于修改的前向算法。
4.时间窗可通过如下方式确定,即,在匹配的链路中在一个GPS位置处开始并且从那里沿着GPS轨迹向前和向后移动直到该链路不再是候选链路。这也可与前两种方法相结合,以便附加地限定时间窗。
本文公开的算法首先从输入数据计算其它数据,然后可基于此用两种替代方法(参照下面描述的第一和第二实施方式)计算置信度。
对于置信度计算所需的输入数据是:
-包括n个GPS位置的GPS轨迹。可选地,可为每个GPS位置设置时间戳和/或GPS定向。
-一列<li,wi>对,其中li是要为其计算链路置信度的链路,wi是相配的时间窗。
然后对于所有li计算链路置信度。
在实践中,通常仅为匹配的链路计算链路置信度。以识别局部危险为例,链路置信度计算甚至只需针对局部危险的匹配链路。
首先,从输入数据以及数字地图的数据计算其它数据:
-对于每个GPS位置计算匹配候选对象的集合。候选对象(类似于Newson和Krumm)被定义为<链路,链路上的位置>对。可通过将从GPS位置出发的垂线落到在一个半径范围内(如100m)的所有链路来计算候选对象(类似于Newson和Krumm)。但也可为每个链路生成多个候选对象,这以计算量为代价提高了地图匹配精度。在该变型方案中,在时间窗上计算链路置信度更加重要,因为对于每个GPS位置100%的总置信度否则会被分配到更多候选对象上(见上文)。每个链路的多个候选对象的可选计算是相对于Newson和Krumm方法的扩展。
-对于一个GPS位置的所有候选对象计算观测概率,例如在考虑GPS位置和候选对象之间的距离的情况下(类似于Newson和Krumm)。此外,还可考虑输入定向和链路定向之间的定向差,例如通过假设针对定向差的正态分布。这也是相对于Newson和Krumm方法的扩展。
-对于相邻GPS位置P1和P2的所有候选对象成对地计算从P1的每个候选对象到P2的每个候选对象的转移概率,例如在考虑两个候选对象之间的最短或最快路线的长度或时间的情况下。这可类似于Newson和Krumm方法或以修改的方式来进行。Newson和Krumm使用指数分布来计算转移概率。与此不同,在根据本公开的地图匹配中,转移概率可选择性地(附加地)基于正态分布来计算。根据待匹配的数据(GPS位置的精度和GPS位置之间的时间间隔),该方法可被详细优化。在实践中,这可能需要为待匹配数据调整待使用分布的参数。一般来说,对于隐马尔可夫模型内的地图匹配应用在如何精确计算转移概率和观测概率方面存在一定的余地。该余地可相应地用于优化。
基于HMM的地图匹配算法也类似于Newson和Krumm需要这些数据并通过地图匹配算法计算它们。置信度计算在真正的地图匹配之后进行并且基于所描述的由地图匹配算法计算的观测概率和转移概率。但置信度计算也可在没有地图匹配算法的情况下执行,例如对所有候选对象进行计算。
第一实施方式基于最大后验概率。
首先,借助上述观测概率和转移概率使用前向-后向算法计算所有候选链路li的后验概率。前向-后向算法例如在Stuart Russell,Peter Norvig:“ArtificialIntelligence A Modem Approach 3rd Edition”,新泽西州上萨德尔河,皮尔森教育/Prentice-Hall,(2010)中被描述。
作为第一GPS位置候选对象的初始分布有意义的是假设离散的均匀分布,即每个候选对象具有相同的先验概率。作为替代方案,类似于Newson和Krumm,可将第一GPS位置的观测概率用作初始分布。但仍必须将观测概率归一化。两种替代方案在数学上是等效的。
针对时间窗wi的链路置信度由关于在时间窗wi中位于链路li上的所有候选对象的后验概率的最大值得出。
图6借助被划分成多个链路60-1、60-2、60-3的道路50示意性说明可以如何将针对一个链路60-2的高置信度传递到其它链路60-1和60-3。使用前向-后向算法可将整个GPS轨迹的所有GPS位置纳入后验概率的计算中。因此,如图6所示,一个链路、在本示例为链路60-2的高置信度也可传递到其它链路、在本示例中为60-1和60-3。
在图6所示的示例中,时间窗w包括所有三个GPS位置70-1、70-2、70-3,针对第二链路60-2的链路置信度是max{0.52,1,0.52}=1(或者说100%)。例如如果在第一GPS位置70-1处检测到一个事件,则该事件可以100%置信度被定位在第二链路60-2的起点。这是基于第二链路60-2在时间窗w中以100%的概率被驶过,即使仅以52%确定这恰好在第一GPS位置70-1的时间点发生。
图7借助被划分成多个链路60-1、60-2、60-3的道路50示意性说明对于一个链路60-2的置信度如何与检测到的GPS位置的数量相关。当每个链路(在本示例中为60-2)有多个GPS位置(如70-1、70-2和70-3)时,第一实施方式的基于最大后验概率的方法效果好。对于GPS位置之间有较大的时间或空间距离的GPS轨迹而言,存在这样的问题,即在GPS位置靠近节点时置信度会不希望地降低。在图7所示的示例中,第二链路60-2的链路置信度只有52%,尽管第二链路60-2肯定被驶过。
与下面描述的第二实施方式相比,根据上面描述的第一实施方式的方法和系统在特别有效的计算方面具有优势,尤其是在要为GPS轨迹计算大量的链路置信度的情况下。
第二实施方式基于修改的前向算法。与第一实施方式相比,第二实施方式在计算精度方面具有优势,尤其是在GPS轨迹在GPS位置之间具有较大的时间或空间距离的情况下。
根据第二实施方式,使用前向算法的修改形式来计算针对链路li和时间窗w的链路置信度c(l;w)。为此适用以下定义:
-t=1..n是连续编号的GPS位置(=时间步)。
-xt是时间步t中的状态(隐藏状态)。针对这个时间步中的所有候选对象都可被视为状态(参见第三章)。
-yt是时间步t中的观测值,即GPS位置和可能的车辆定向。
-下面将时间窗定义为w=(s;e),其中s是时间窗的第一GPS位置并且e是最后一个GPS位置。下面考虑相对于特定时间点定义时间窗的情况,例如识别一个事件之前5秒到之后5秒。
链路置信度c(l;w)被定义为在给定轨迹的所有GPS位置的情况下链路l在时间窗w=(s;e)中被驶过的概率:
原则上,c(l;w)通过反概率计算:
为了进一步推导计算,我们首先考虑时间窗w覆盖整个GPS轨迹的情况,即w=(0;n)。下面将讨论一般情况w=(s;e)。
类似于前向算法,该算法对于每个时间步t=1..n和相应时间步的每个候选对象xt迭代地计算概率(联合概率)
这是在时间步t中处于状态xt,直到时间步t没有驶过链路l和直到时间步t观测到记录的GPS位置的概率。
可根据以下推导迭代地计算αt(xt):根据总概率定律从等式(3)得到:
通过使用链式法则得到(注意:从下至上读取公式):
这相应于将链式法则应用于推导前向算法,其附加条件是直到时间步t时没有驶过链路l。
为了简化上面的公式,我们使用HMM假设,即yt仅取决于xt并且xt仅取决于xt-1。我们还假设:
即,链路l是否从xt-1向xt被驶过与l之前是否被驶过以及之前被观测的GPS位置无关。从这些假设得到:
在此p(yt|xt)是观测概率并且p(xt|xt-1)是转移概率,它们预先通过地图匹配算法计算或独立计算(如上所述)。
在此应注意,xt-1和xt之间的实际路径并不已知并且使用候选对象之间的最短/最快路线会导致链路置信度的近似。因此,对于某些应用来说,使用下限对链路置信度进行保守计算更为适合。这可如下计算:
在此还可考虑xt-1到xt之间的哪些路线在假设的最大速度下是可能的。
一个更容易计算,但不那么严格的下限是
初始值α1(x1)可根据等式(3)如下计算。在此可假设x1是平均分布的(也参见第一实施方式)。
那么,对于时间窗w0=(1;n)的链路置信度由以下公式得出
p(y1:n)的计算可通过常规前向算法完成并且在计算多个链路置信度时只需进行一次。
关于计算中的数值稳定性,应注意,随着迭代次数的增加,αt(xt)变得非常小。因此,一种替代方法是使用对数概率。另一种替代方法是在每一步中计算即使因此最后省略了p(y1:n)的计算,这也构成更高的计算耗费。
下文说明对于一般时间窗w=(s;e)的链路置信度的计算,其中s是时间窗的第一GPS位置并且e是最后一个GPS位置。这涵盖了时间窗的第二和第四个定义(见上文)。
计算分3个阶段进行,时间窗之前、期间和之后各一个阶段。在此仅需要在时间窗期间的阶段中检查是否驶过链路l。一个阶段的结果用作下一个阶段的起始值。在第一阶段中,使用常规前向算法计算αs(xs)=p(xs,y1:s)。在第二阶段中,使用上述修改的前向算法计算最后,在第三阶段中,再次使用常规前向算法计算链路置信度c(l;w)类似于等式(12)由下述公式得出:
当计算具有不同时间窗w1=(s1;e1),...,wm=(sm;em)的m个链路置信度时,对于所有时间窗只需计算一次第一阶段。在此使用常规前向算法对于t=1,...,max(s1,...,sm)计算αt(xt)。
如果相对于特定时间点来定义时间窗,例如在识别一个事件之前5秒到之后5秒(见上文,时间窗的第三个定义),那么必须针对时间窗的起点/终点位于xt-1和xt之间的情况调整的计算。因此,可通过沿最短/最快路线(7)、可能的路线(8)和沿历史行程(10)估算时间窗开始/结束时的位置来调整等式(7)、(8)和(10)。相反,在等式(9)中对置信度的保守估算中,检查xt或xt-1(根据哪个状态位于时间窗中)是否位于链路l上。
图8示出根据本公开实施方式的方法200的流程图。方法200开始于步骤201。
在步骤202中,检测轨迹。轨迹优选包含多个位置说明,所述多个位置说明中的每个位置说明进一步优选包括GPS位置(如70-1、70-2、70-3;参见附图)和时间戳。
在步骤204中,检测包括网络的多个链路的网络数据。网络优选包括将多个节点相互连接的多个链路l(如60-1、60-2、60-3;参见附图)。所述网络可以已知的方式被建模为图形(见上文)。
在步骤206中,检测一个或多个数据对。所述一个或多个数据对中的每个数据对包括多个链路中的一个链路l和一个时间窗w,所述时间窗检测至少一部分轨迹。轨迹的检测随时间进行,从而轨迹的至少一个、优选多个位置数据必须位于时间窗w内(即在时间窗w内被检测)。
在步骤208中,对于所述一个或多个数据对中的每个数据对确定相应数据对的链路l的地图匹配置信度c(l,w)。这基于最大后验概率的确定(参见步骤210a;描述见上文)或者基于借助修改的前向算法的确定(参见步骤210b;描述见上文)。地图匹配置信度构造用于说明相应链路l在相应时间窗w内牵涉到所述轨迹的概率。该方法200在步骤212结束。
本文公开的用于置信度计算的系统和方法原则上可与任何(也包括非基于HMM的)算法结合使用,因为置信度的计算应独立于所使用的算法。即使在使用HMM时,也可采用不同的算法、如维特比算法(参见Newson和Krumm)、前向-后向算法或前向算法。前向算法例如也在Russell和Norvig(见上文)中被描述。用于计算地图匹配置信度的方法也可应用于地图匹配方法,所述地图匹配方法取代观测和转移概率而计算相应分数(或评估值),所述分数可归一化为0和1之间的值(例如伪概率或拟概率)。
也可在没有地图匹配算法的情况下使用置信度计算,例如对于一个时间窗内的所有GPS位置的所有候选对象。然后选择链路置信度最高的链路l。在识别局部危险的示例中,将选择具有最大置信度的候选对象。在地图匹配中,原则上也可选择不在链路l上的候选对象并且因此其置信度比链路l低。因此这种方法的优点是总是能达到最高可能的置信度。
在优选实施方式中,可考虑链路方向。地图匹配置信度的定义可考虑链路方向,即链路置信度被定义为对于给定的GPS轨迹链路l在时间窗w内沿一个方向被驶过的概率。当链路在哪个方向上被驶过很重要时,该建模有意义的。链路方向与一些局部危险(如危险的交通拥堵终点)有关,但与其它危险(如大雨或大雾)无关。
为了在置信度计算中考虑链路方向,在生成候选对象时必须为链路的每个可能的行驶方向生成一个候选对象。候选对象如上所述被定义为三元组<链路ID,链路上的位置,方向>。但除了通过考虑方向增加候选对象的数量的事实之外,通过上述前向-后向或修改的前向算法对链路置信度的进一步计算没有改变。
链路方向的考虑也可用于地图匹配本身。在地图匹配中这种建模具有附加优点,即可通过减小的转移概率来考虑对一个链路上U形转弯或类似操纵的惩罚。为地图匹配纳入方向是相对于Newson和Krumm的公开的扩展。
在优选实施方式中,置信度计算设置用于在线地图匹配。在在线地图匹配时,车辆的GPS位置连续地并且基本上与输入同时被处理(例如作为GPS位置的流或数据流)。这意味着,每个输入的GPS位置基本上被即时处理,而不知后续的GPS位置。适宜的是,使用前向算法或维特比算法用于在线地图匹配直到最后输入或者说当前的GPS位置。当使用维特比算法用于在线地图匹配时必须注意,过去的GPS位置的最可能路径可通过进一步的GPS位置的附加信息而改变。由此可导致“跳跃”或事后进行改变的数据。
链路置信度也可在线计算,以便计算针对当前匹配的置信度。在通过最大后验概率的方法中(参见第一实施方式),代替前向-后向算法使用前向算法。于是,针对时间窗wi的链路置信度li也由关于在时间窗wi中位于链路li上的所有候选对象的后验概率的最大值得出。在此应注意,时间窗不能包括未来的GPS位置并且后验概率是前向算法的结果,而不是前向-后向算法的结果。
修改的前向算法(参见第二实施方式)原则上也可用于在线置信度计算。在此第一阶段可连续计算。由于通常尚不知道应为其计算链路置信度的链路(其通过在线地图匹配确定),必须对在每个进一步的GPS位置处再次在时间窗长度上执行第二阶段(除非匹配的链路保持不变)。在时间窗较大时,这可意味着大量的计算耗费。由于时间窗仅延伸到当前的GPS位置并且未来的GPS位置未知,因此省略第三阶段。
在优选实施方式中,如果应为较小的路段计算车辆是否已驶过该路段,则可将链路(进一步)划分。这例如可在局部危险警告中用来确定局部危险是否位于限定的路段上、如十字路口或隧道内。由此可在位置方面进一步精确危险警告。
在优选实施方式中,可规定置信度计算的加速。如果对于一个较长的GPS轨迹(例如1小时)只要计算一个或几个链路置信度,则可加速置信度计算,其方式是:对于每个待计算的链路置信度仅处理整个GPS轨迹的一部分,而放弃其余的GPS位置(这相当于上文所述的迷你轨迹地图匹配)。因此,处理后的GPS轨迹部分可基本上包含时间窗以及可选的时间窗之前和/或之后的其它GPS位置。由于距离事件较远的GPS位置对事件的匹配链路的链路置信度没有影响或影响很小,因此计算出的置信度不会不准确或仅略微不准确。因此,对于城市市区内的链路置信度与同一行程中在城市以外记录的GPS位置无关。所述方法可用于根据第一和第二实施方式的两种用于置信度计算方法。
此外,对于地图匹配,例如到匹配链路的距离通常可用于可信度检查。因此,如果匹配位置与原始位置的距离大于特定值、如10米,则可放弃对特定位置的匹配。可以同样的方式检查匹配定向(即定向或方向)与车辆定向的可信度(如最大绝对定向差=90°)。
在一些实施方式中,置信度计算可扩展到所谓的路外匹配,其无需定位在存在于地图数据中的链路上,而是可位于道路之外,因此可能位于“路外”(“off-road”)(参见DE102017213983)。路外匹配原则在于分别以一个路外候选对象来扩展在一个GPS位置的候选对象集合。然后,置信度计算意义上的观测和转移概率的计算必须相应地为路外候选对象进行扩展。尤其是对于计算转移概率而言至少需要附加地考虑下述情况:从路上到路外、从路外到路外、从路外到路上。置信度计算的相应调整遵循路外匹配的特殊建模和所基于的计算基础。
这些可信度检查的一个优点是可由此识别数字地图中的错误。例如如果新建的道路还没有记录在数字地图中,则这可通过匹配位置到原始位置的距离来识别。但这些可信度检查仅考虑GPS位置和匹配的链路,即不考虑其它链路。
尽管已经通过优选实施例对本发明进行了更详细的说明和解释,但本发明不受公开示例的限制并且本领域技术人员可从中得出其它变型,而不脱离本发明的保护范围。因此清楚的是,存在多种变型可能性。同样清楚的是,示例性提到的实施方式实际上仅表示示例,其不应以任何方式被理解为对本发明的保护范围、应用可能性或设计的限制。相反,上述说明和附图说明使本领域技术人员能够具体地实施示例性实施方式,由此,本领域技术人员在了解所公开的发明构思的情况下可做出各种改变,例如关于在一种示例性实施方式中提到的各个元件的功能或布置,而无需离开由权利要求及其法律等效物、如说明书中的进一步说明定义的保护范围。
Claims (11)
1.用于确定地图匹配置信度的方法(200),该方法(200)包括:
检测(202)轨迹;
检测(204)网络数据,所述网络数据包括网络的多个链路;
检测(206)一个或多个数据对,所述一个或多个数据对中的每个数据对包括:
-所述多个链路中的一个链路(l);和
-一个时间窗(w),其检测至少一部分所述轨迹;
对于所述一个或多个数据对中的每个数据对,基于对最大后验概率的确定(210a)或基于借助修改的前向算法的确定(210b)来确定(208)相应数据对的链路(l)的地图匹配置信度(c(l,w)),其中,地图匹配置信度被构造用于说明相应链路(l)在相应时间窗(w)内牵涉到所述轨迹的概率。
2.根据前述权利要求1所述的方法(200),其中,所述轨迹包含多个位置说明,所述多个位置说明中的每个位置说明包括:GPS位置和时间戳。
3.根据前述权利要求2所述的方法(200),还包括:
-为每个位置说明确定(207)一个或多个匹配候选对象,优选以包括数据对的链路(l)和该链路(l)上的位置的对的形式的匹配候选对象;
-基于位置说明与匹配候选对象的链路(l)的距离为每个位置说明的所述一个或多个匹配候选对象中的每一个匹配候选对象确定观测概率;并且
-为所述一个或多个匹配候选对象中的每一个匹配候选对象确定相对于第一位置说明(P1)和与第一位置说明相邻的第二位置说明(P2)的成对的转移概率,其中,确定从第一位置说明的每个匹配候选对象到第二位置说明的每个匹配候选对象的转移概率。
4.根据前述权利要求2或3中任一项所述的方法(200),还包括基于以下内容确定所述一个或多个数据对的每个时间窗(w):
-整个所述轨迹,如果所述轨迹不超过预定持续时间的话,优选所述预定持续时间小于60秒、更优选小于30秒;
-参考位置说明之前的n个位置说明和参考位置说明之后的k个位置说明之间的间隔,优选n、k小于10;
-参考位置说明之前和之后的时间间隔,优选该时间间隔小于30秒、更优选小于15秒;或者
-位置说明和相应数据对的相应链路(l)之间的关系,位置说明与相应链路(l)的关系通过如下方式定义:相应链路(l)是针对该位置说明的候选对象。
5.根据前述权利要求1至4中任一项和根据权利要求3所述的方法(200),其中,确定(210a)最大后验概率包括:
基于相应观测概率和相应转移概率为数据对的每个链路(l)确定相应后验概率;并且
基于在相应时间窗(w)中位于链路(l)上的所有匹配候选对象的所有后验概率中的最大值确定最大后验概率;优选在此借助前向后向算法确定最大后验概率。
6.根据前述权利要求1至5中任一项所述的方法(200),其中,借助修改的前向算法的确定(210b)包括:
对于数据对的每个链路(l)和每个时间窗(w)确定该链路(l)(l)是否分别在相邻的相关GPS位置的两个匹配候选对象之间在该时间窗(w)内肯定被驶过或可能被驶过;或者
对于数据对的每个链路(l)和每个时间窗(w)确定该链路(l)分别在相邻的相关GPS位置的两个匹配候选对象之间在该时间窗(w)内被驶过的概率;并且
通过使用观测概率和转移概率对于数据对的每个链路(l)和每个时间窗(w)确定该链路(l)在该时间窗(w)内已被驶过的概率;优选借助修改的前向算法来确定。
7.根据前述权利要求1至6中任一项的方法(200),其中,所述网络的多个链路中的一个或多个链路将网络的多个节点中的一个或多个节点相互连接,所述网络优选描绘交通网络,进一步优选所述多个链路中的每一个链路代表交通路径的一段和/或所述多个节点中的每一个节点代表交通路径的一个交叉点。
8.根据前述权利要求1至7中任一项结合权利要求3所述的方法(200),其中,所述多个位置说明中的每个位置说明还包括GPS定向并且确定(207)一个或多个匹配候选对象包括:
为每个位置说明以包括数据对的链路(l)、链路(l)上的位置和沿链路(l)的方向的三元组的方式确定(207)所述一个或多个匹配候选对象。
9.根据前述权利要求1至8中任一项结合权利要求3所述的方法(200),还包括:
-为每个位置信息确定(207)附加匹配候选对象,该附加匹配候选对象不在网络的所述多个链路的一个链路(l)上;
-基于匹配候选对象的位置说明的距离,为每个位置说明的附加匹配候选对象确定观测概率;并且
-为附加匹配候选对象确定相对于第一位置说明(P1)和第二位置说明(P2)的成对的转移概率,其中,确定从第一位置说明的附加匹配候选对象到第二位置说明的每个匹配候选对象的转移概率。
10.用于确定地图匹配置信度的系统(100),该系统(100)包括构造用于执行根据前述权利要求1至9中任一项的方法(200)的控制单元。
11.车辆(80),包括根据前述权利要求10所述的用于确定地图匹配置信度的系统(100)。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102018130457.9A DE102018130457B4 (de) | 2018-11-30 | 2018-11-30 | System und Verfahren für Map Matching |
DE102018130457.9 | 2018-11-30 | ||
PCT/EP2019/082993 WO2020109516A1 (de) | 2018-11-30 | 2019-11-28 | Systeme und verfahren für map matching |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113167590A true CN113167590A (zh) | 2021-07-23 |
CN113167590B CN113167590B (zh) | 2024-05-14 |
Family
ID=68806723
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980077367.4A Active CN113167590B (zh) | 2018-11-30 | 2019-11-28 | 用于地图匹配的系统和方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20220011118A1 (zh) |
CN (1) | CN113167590B (zh) |
DE (1) | DE102018130457B4 (zh) |
WO (1) | WO2020109516A1 (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102020101445A1 (de) * | 2020-01-22 | 2021-07-22 | Bayerische Motoren Werke Aktiengesellschaft | Bestimmen einer Route auf einer Karte |
DE102020102752A1 (de) | 2020-02-04 | 2021-08-05 | Bayerische Motoren Werke Aktiengesellschaft | Bewertung einer Routenbestimmung |
DE102020120667A1 (de) * | 2020-08-05 | 2022-02-10 | Bayerische Motoren Werke Aktiengesellschaft | System und Verfahren zum Map Matching von GNSS-Positionen eines Fahrzeugs |
US11531118B2 (en) * | 2020-09-01 | 2022-12-20 | Google Llc | GNSS signal modeling |
CN112033418B (zh) * | 2020-09-15 | 2023-05-12 | 四川大学 | 一种离线地图匹配方法 |
US20230080319A1 (en) * | 2021-09-15 | 2023-03-16 | Here Global B.V. | Method, apparatus, and system for aggregating a route based on high-resolution sampling |
US20230082960A1 (en) * | 2021-09-15 | 2023-03-16 | Geotab Inc. | Snap to road, popular routes, popular stops, predicting roadway speed, and contiguous region identification |
CN114526739B (zh) * | 2022-01-25 | 2024-05-07 | 中南大学 | 移动机器人室内重定位方法、计算机装置及产品 |
CN115144880A (zh) * | 2022-06-28 | 2022-10-04 | 平安银行股份有限公司 | 一种道路匹配方法、设备和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0555348A1 (en) * | 1990-11-01 | 1993-08-18 | Chirp Corporation | Optimal demodulator using maximum a posteriori probability estimation |
US5774824A (en) * | 1995-08-24 | 1998-06-30 | The Penn State Research Foundation | Map-matching navigation system |
EP1225424A2 (de) * | 2001-01-18 | 2002-07-24 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zur Fahrdynamikregelung |
KR20020091389A (ko) * | 2001-05-30 | 2002-12-06 | 주식회사 네비콤 | 위성항법장치/추측항법장치 통합시스템과 다중가설기법을이용한 지도매칭방법 |
KR20130106106A (ko) * | 2012-03-19 | 2013-09-27 | 현대모비스 주식회사 | 3차원 위치 판정 장치 및 방법 |
CN106960568A (zh) * | 2015-12-17 | 2017-07-18 | 国际商业机器公司 | 产生基于不确定性的交通拥堵指数的方法、介质和系统 |
WO2018122806A1 (zh) * | 2016-12-30 | 2018-07-05 | 同济大学 | 一种基于行程时间分布的多模态交通异常检测方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US824A (en) | 1838-07-09 | Construction of steam-engines | ||
US5774A (en) | 1848-09-19 | Steam-hammer | ||
JP2008014666A (ja) * | 2006-07-03 | 2008-01-24 | Nec Corp | マップマッチングに適するリンク設定システム、その方法およびプログラム |
US8645061B2 (en) * | 2010-06-16 | 2014-02-04 | Microsoft Corporation | Probabilistic map matching from a plurality of observational and contextual factors |
US10209082B2 (en) * | 2016-05-05 | 2019-02-19 | Here Global B.V. | Method and apparatus for matching probe points to road segments utilizing a trajectory identifier |
US10145691B2 (en) * | 2016-05-18 | 2018-12-04 | Here Global B.V. | Ambiguity map match rating |
WO2019007437A1 (en) * | 2017-07-07 | 2019-01-10 | Beijing Didi Infinity Technology And Development Co., Ltd. | SYSTEMS AND METHODS FOR DETERMINING POSITION OF MOBILE DEVICE |
DE102017213983A1 (de) | 2017-08-10 | 2019-02-14 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zum Verifizieren einer Straßenkarte sowie Servervorrichtung |
US10415984B2 (en) * | 2017-12-29 | 2019-09-17 | Uber Technologies, Inc. | Measuring the accuracy of map matched trajectories |
-
2018
- 2018-11-30 DE DE102018130457.9A patent/DE102018130457B4/de active Active
-
2019
- 2019-11-28 US US17/295,968 patent/US20220011118A1/en active Pending
- 2019-11-28 CN CN201980077367.4A patent/CN113167590B/zh active Active
- 2019-11-28 WO PCT/EP2019/082993 patent/WO2020109516A1/de active Application Filing
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0555348A1 (en) * | 1990-11-01 | 1993-08-18 | Chirp Corporation | Optimal demodulator using maximum a posteriori probability estimation |
US5774824A (en) * | 1995-08-24 | 1998-06-30 | The Penn State Research Foundation | Map-matching navigation system |
EP1225424A2 (de) * | 2001-01-18 | 2002-07-24 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zur Fahrdynamikregelung |
KR20020091389A (ko) * | 2001-05-30 | 2002-12-06 | 주식회사 네비콤 | 위성항법장치/추측항법장치 통합시스템과 다중가설기법을이용한 지도매칭방법 |
KR20130106106A (ko) * | 2012-03-19 | 2013-09-27 | 현대모비스 주식회사 | 3차원 위치 판정 장치 및 방법 |
CN106960568A (zh) * | 2015-12-17 | 2017-07-18 | 国际商业机器公司 | 产生基于不确定性的交通拥堵指数的方法、介质和系统 |
WO2018122806A1 (zh) * | 2016-12-30 | 2018-07-05 | 同济大学 | 一种基于行程时间分布的多模态交通异常检测方法 |
Non-Patent Citations (1)
Title |
---|
AHMED SELLOUM, DAVID B´ETAILLE, ERIC LE CARPENTIER AND FRANC¸OIS PEYRET: "《Robustification_of_a_map_aided_location_process_using_road_direction》", 2010 13TH INTERNATIONAL IEEE ANNUAL CONFERENCE ON INTELLIGENT TRANSPORTATION SYSTEMS MADEIRA ISLAND, PORTUGAL, SEPTEMBER 19-22, 2010 * |
Also Published As
Publication number | Publication date |
---|---|
WO2020109516A1 (de) | 2020-06-04 |
DE102018130457B4 (de) | 2021-03-25 |
US20220011118A1 (en) | 2022-01-13 |
DE102018130457A1 (de) | 2020-06-04 |
CN113167590B (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113167590B (zh) | 用于地图匹配的系统和方法 | |
EP3358303B1 (en) | An apparatus and associated methods for use in updating map data | |
EP2054699B1 (en) | Rerouting in vehicle navigation systems | |
US9851215B2 (en) | Navigation system with geographic familiarity mechanism and method of operation thereof | |
JP4950494B2 (ja) | 走行車線推定装置及び走行車線推定方法 | |
CN109785667A (zh) | 车道偏离识别方法、装置、设备和存储介质 | |
CN108255170A (zh) | 动态地调整自动驾驶车辆的速度控制率的方法 | |
CN112050817A (zh) | 车道级地图匹配 | |
EP3009798B1 (en) | Providing alternative road navigation instructions for drivers on unfamiliar roads | |
EP1477770B1 (en) | Method to assist off-road navigation and corresponding navigation system | |
JP2005098853A (ja) | 地図データ更新方法および地図データ更新装置 | |
EP3627110B1 (en) | Method for planning trajectory of vehicle | |
CN112149487A (zh) | 一种用于自动驾驶的用于训练神经网络对象检测模型的用于确定锚框的方法 | |
US20200057451A1 (en) | Method for producing an autonomous navigation map for a vehicle | |
JP4875509B2 (ja) | ナビゲーション装置及びナビゲーション方法 | |
JP2021113816A (ja) | 出力装置、制御方法、プログラム及び記憶媒体 | |
JP2010091363A (ja) | ナビゲーション装置、ルート案内方法 | |
JP5026237B2 (ja) | ナビゲーション装置 | |
JP2010221962A (ja) | 運転行動推定装置 | |
JP2007333652A (ja) | 測位装置、ナビゲーションシステム | |
US20220204041A1 (en) | Vehicle and Method of Controlling Cut-In Response | |
CN114802250A (zh) | 数据处理方法、装置、设备、自动驾驶车辆及介质 | |
JP5203747B2 (ja) | ナビゲーション装置 | |
JP4678695B2 (ja) | ナビサーバ | |
JP2010140186A (ja) | 経路推定装置及び運転支援装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |