CN113932801A - 基于众包的辅助驾驶地图实时匹配更新方法 - Google Patents

Abstract

本申请包括众包地图数据采集、数据处理及更新方法，构建众包数据信度评价模型和对模型的评价与验证，对符合信度要求的数据融合采纳，将融合结果更新进地图中，使地图数据更新速度更快、成本更低。辅助驾驶高精度地图的实时匹配将汽车上报的轨迹和事件数据实时地匹配到高精度地图上，提出将汽车报告的数据实时地图匹配的方法，并实现在商业环境下分布式地图匹配；众包数据的信度评价使得系统评价的结果更接近客观实际环境，同时利用深度学习与数学统计模型进行交叉验证，确保信度评价的可靠性；众包地图实时融合更新将信度满足要求的数据更新进地图中,最终得到符合辅助驾驶生产需求的高精地图。

Description

基于众包的辅助驾驶地图实时匹配更新方法

技术领域

本申请涉及一种辅助驾驶地图实时匹配更新方法，特别涉及一种基于众包的辅助驾驶地图实时匹配更新方法，属于地图匹配更新技术领域。

背景技术

智能驾驶及辅助驾驶将成为未来的趋势，正受到前所未有的关注。智能驾驶系统由地图、感知层、决策层和控制层组成，智能驾驶系统的每一层都是一个复杂的系统工程，地图作为智能驾驶技术必须的模块，它的重要性越来越受关注。但地图的更新长期以来都是较缓慢的过程，无法满足智能驾驶对地图实时性要求。当前亟需解决辅助驾驶地图自动更新的关键技术,以提高地图更新的周期和可靠性。

辅助驾驶汽车的感知层由各种传感器组成，传感器包括摄像头、毫米波雷达、激光雷达、导航定位、IMU等，传感器能够帮助汽车感知当前地点的周围环境信息。但传感器具有局限性，比如道路转弯、汽车视线被遮挡、恶劣天气等场景下传感器的性能会下降甚至失去作用，而实时地图却可以弥补传感器的这些局限性。

传感器对于辅助驾驶汽车而言就像是感官，地图则更像是辅助驾驶汽车对前方道路环境的记忆，辅助驾驶汽车利用感官配合记忆重建当前地点周围环境模型会更可靠。在记忆的地图中,当前地点周围环境模型具有不确定性，需要利用感官进行确认重构，形成新的记忆地图，新的地图现势性更强。汽车仅靠自己的记忆地图是无法确认前方道路从上次记录后是否发生变化,这就造成了信息失真和信息孤岛。如果记忆能够共享,就能够很好的解决信息孤岛的问题，保证每辆共享信息的汽车存储的地图与真实环境更接近。与真实环境信息越接近，则地图的现势性越高。现势性较高的地图能够让汽车更大程度的进行预先决策，地图也可以辅助传感器对环境进行感知。地图的现势性是地图提供商的重要竞争力。为了保证数据的可靠性，地图提供商通常靠雇佣专业的外业采集队伍实地采集、验证，这种地图更新的方式较慢。

如今，随着智能驾驶时代的来临，辅助驾驶汽车利用地图进行辅助定位、环境感知和决策时，要求地图具有三高：精度高、准确率高、现势性高。随着移动互联网、车联网和物联网的发展，新的技术出现为生产和更新地图提供了新的可行方法。

传统地图无法满足智能驾驶的精度要求,在准确性和现势性上也有待继续提高。过去，地图提供商利用自己遍布全国的大量外业采集团队定期或不定期的进行测绘、采集，收集原始数据；接着将原始数据交由内业人员作业编辑，检查和发布，形成地图数据；最终将地图数据以多媒体设备为载体分发给客户。这种传统的地图生产流程要保证地图实时性十分困难，由于实时性无法保证，地图制作期间变化的数据又影响了正确性。地图提供商需要以互联网技术为依托提供地图在线服务，采取专业的采集团队加上众包方式进行地图采集更新。专业采集人员主要是对变化周期较长、精度要求较高的数据现场采集验证。众包用户主要是实时发现与所处地点的地图不一致的数据和高频变化的数据。

当前，智能驾驶汽车携带的传感器越来越多，收集到的数据越来越多、越来越精确。传感器获取的数据能够很好的还原真实环境,但传感器具有局限性,这种局限性一时也无法解决。因此还需考虑以传感器和地图结合的方式来重构汽车周边环境。传统的地图生产方式在现势性上无法满足需求。因此考虑带有传感器的汽车参与地图快速自动更新。汽车利用移动网络与地图自动更新系统进行通讯，报告事件信息数据和轨迹。地图自动更新后台系统负责数据接收、处理、匹配、分析、信度评价和融合更新。

众包是随互联网发展而兴起的一种新兴商业模式,是将由机构内部解决问题的方式，转变为依靠外部大众来解决。但这个创新模式，也受制于自身模式所带来的瓶颈，制约众包发展的瓶颈包括准确性、安全性和成本。众包的一个瓶颈在于准确性，非专业人员完成任务和提供成果难以令人信服，特别在许多众包任务无法量化的情况下，评定任务的完成情况，又需要专业的人才来解决。成本是众包另一个瓶颈，众包目的都是为了降低成本、提高效率，本申请研究利用使用者使用设备的附属产生的信息作为输入，使用者的使用成本较低，众包的瓶颈严重制约着众包模式的应用。

综上所述，现有技术的地图匹配更新技术还存在许多不足，本申请的难点和待解决的问题主要集中在以下方面：

第一，现有技术地图的更新长期以来都是较缓慢的过程，无法满足智能驾驶对地图实时性要求，当前亟需解决辅助驾驶地图自动更新的关键技术,以提高地图更新的周期和可靠性，辅助驾驶汽车利用地图进行辅助定位、环境感知和决策时，要求地图具有三高：精度高、准确率高、现势性高，而现有技术的辅助驾驶地图显然无法满足这三点要求，传统的地图生产流程要保证地图实时性十分困难，由于实时性无法保证，地图制作期间变化的数据又影响了正确性，现有技术地图匹配更新的精度、准确率、现势性都无法满足智能驾驶的需要；

第二，现有技术的众包数据地图受制于自身模式所带来的瓶颈，准确性、安全性和成本都无法满足智能驾驶的应用需求，非专业人员完成的地图任务和提供的成果难以令人信服，特别是许多众包地图任务无法量化，成本又是众包地图的另一个瓶颈，现有技术众包地图更新方法的数据采集、数据处理及更新方法都还不够成熟，缺少构建众包数据信度评价模型以及对模型的评价与验证，无法有效的将符合条件的众包数据融合结果更新进地图中，地图数据更新速度慢、成本高，众包的瓶颈严重制约着众包模式地图的应用；

第三，现有技术的地图匹配更新缺少一种能够将事件和汽车轨迹与地图进行匹配的方法，无法将轨迹与高精度地图进行实时匹配,事件与道路网络匹配的准确度低。现有技术的地图匹配更新缺少一种能够实时分析事件数据流信度的方法，无法综合采用历史数据、地图数据和第三方数据进行学习从而改进信度分析模型参数，缺少对众包地图数据质量的准确把关，对地图数据融合的数据拟合、数据精度和经济效益都无法满足辅助驾驶地图实时匹配更新的需要

发明内容

本申请利用专业设备采集的高精度数据和多种精度相对较低众包数据(如出租车轨迹，共享汽车轨迹等)智能的进行辅助驾驶地图道路网络与交通标牌更新，关键技术包括辅助驾驶高精度地图的实时匹配、众包数据的信度评价和众包地图实时融合更新；一是提出并实现一种能够将事件和汽车轨迹与地图进行匹配的方法，该方法的最大特点是轨迹与高精度地图可以进行实时匹配,而且事件与道路网络的匹配准确度高；二是提出并实现一种能够实时分析事件数据流信度的方法，该方法还可以综合采用历史数据、地图数据和第三方数据进行深度学习从而改进信度分析模型参数，并动态调整信度评价模型，使评价结果趋近真实环境。结合数据质量、经济因素和工作效率等对众包多源数据进行处理，可以显著降低数据噪声，使地图实时匹配、信度评价及融合处理结果更加准确，基于众包为辅助驾驶提供地图实时匹配更新支持。

为实现以上技术特征，本申请所采用的技术方法如下：

基于众包的辅助驾驶地图实时匹配更新方法，利用专业设备采集的高精度数据和多种精度相对较低众包数据自动的进行辅助驾驶地图道路网络与交通标牌更新，关键技术包括辅助驾驶高精度地图的实时匹配、众包数据的信度评价和众包地图实时融合更新；

(1)辅助驾驶高精度地图的实时匹配：包括地图实时匹配的框架、高精地图实时匹配方法、分布式地图实时匹配；

将汽车上报的轨迹和事件数据实时地匹配到高精度地图上，本申请的高精度地图相对传统地图除数据精度高，还包括车道线和曲率，坡度和航向信息，利用高精度地图的特性，制定汽车报告到更新后台系统的数据内容，提出将汽车报告的数据实时地图匹配的方法，并实现在商业环境下分布式地图匹配；

(2)众包数据的信度评价：包括信度评价模型解析、建立信度评价模型、构建深度学习模型、模型评价验证与采纳；

对接收到的众包数据的信度水平进行评价，设计一个有效的模型来评价事件的置信度，且模型能够进行动态调整，采用深度学习大量的历史数据来调整模型参数，使得系统评价的结果更接近客观实际环境，同时利用深度学习与数学统计模型进行交叉验证，确保信度评价的可靠性；

(3)众包地图实时融合更新：包括空间几何数据实时拟合、压缩道路几何数据、道路几何数据实时压缩优化方法；

将信度满足要求的数据更新进地图中,包括要素属性更新和路网几何形状更新，针对融合过程中几何形状、拓扑关系、属性不一致问题，首先制定统一标准，将数据规范化，然后进行匹配、聚类和整合；几何形状通过多个相互匹配的形状进行拟合，减少几何形状的误差；然后对拟合的几何形状进行连接，平滑，分割处理，最终得到符合辅助驾驶生产需求的高精地图道路线。

基于众包的辅助驾驶地图实时匹配更新方法，进一步的，地图实时匹配的框架：根据坐标方位点和姿态信息匹配到地图中某个道路线，车载系统将识别的事件信息、事件发生时间及汽车所在的地点和车机的姿态报告给后台系统，后台系统根据事件发生时间、方位、姿态信息，将事件匹配到高精地图道路网络上；

事件实时匹配到高精地图道路网络的步骤为：

第一步，从基础地图数据库中查找事件发生的地点周边图幅的道路线数据；

第二步，在图幅道路数据中，基于距离找出附近的道路线作为候选；

第三步，综合时间、方位、姿态、历史事件进行处理，从候选道路线中找出最合适的道路路段；

最合适指地点最接近，距离a最小且方向夹角γ最小，仰角δ与倾角∈差最小，若道路线的行车方向与事件的方向一致，则认为待匹配的事件有可能发生在该道路上，但行车方向并非唯一判定标准，若待匹配的事件发生时的坡度信息与某道路的仰角和倾角信息一致，待匹配的事件有可能发生在此道路线上；

若某一个待匹配的事件能够匹配到一条道路线上,在事件中提供道路线标识数据，用于后续逻辑处理时与道路线关联，若事件未正确匹配到道路上，事件存储时道路线标识为空值，后台系统保存未匹配的事件数据，用于后续的地图学习，对未匹配的事件数据进行分析，一方面分析新增道路的可行性，另一方面用于对事件报告者的信度分析。

基于众包的辅助驾驶地图实时匹配更新方法，进一步的，高精地图实时匹配方法：设终端报告的轨迹点集合，R＝{q₁,q₂,q₃,…,q_m}，每一个轨迹点q_i包括时间、方位和姿态，高精地图实时匹配过程为：

过程一：给定一条轨迹R＝{q₁,q₂,q₃,…,q_m}，首先将轨迹点连成线段，并计算轨迹点所经过的图幅集合N＝[n₁,n₂,..,n_m]；

过程二：从地图数据库中提取与轨迹点所经过每个图幅相匹配的道路线数据H＝[h_ni1,h_ni2,h_ni3,…,h_niw]；

过程三：求出轨迹点连成的每个线段的缓冲区域，设缓冲区的距离为a，缓冲区距离据实调整，从轨迹点q_i所在图幅n_j中检索出与该点形成的线段缓冲区域空间相交的路段集合H＝[h₁,h₂,h₃,…，h_n]作为候选路段数据；

过程四：根据轨迹点的方向从候选路段集合H＝[h₁,h₂,h3,…,h_n]中过滤掉相反方向的路段H^*＝[h₁ ^*,h₂ ^*,h₃ ^*,…,h_w ^*]；

过程五：采用与每一个位置点q_i为圆心，以半径为t作圆，检索出与其空间相交的道路候选路段H"＝[h₁",h₂",h₃",…,h_w"]；

过程六：通过计算轨迹点q_i与前后点形成的线段与候选路段H"＝[h₁",h₂",h₃",…,h_w"]的距离与夹角，若距离相差较大，选择最小距离作为匹配结果，若距离相差较小,且夹角相差较小,则计算距离与夹角的最小二乘得到最小值作为匹配结果，以轨迹点Q_i为圆心，半径为t的作圆，检索出与圆空间相交的路段有h₁ ^*,h₂ ^*,h₃ ^*,计算出Q_i与各相交路段投影点的距离a_i，计算出以Q_i与前一个点Q_i-1和后一个点Q_i+1为端点的线段的与各路段的夹角α_i，以距离与夹角乘积最小线段作为最终匹配线段。

基于众包的辅助驾驶地图实时匹配更新方法，进一步的，分布式地图实时匹配：采用并行计算提高地图实时匹配处理能力，对地图数据进行分幅处理，再将轨迹也进行相同的分幅方法处理，首先将轨迹匹配到图幅中,然后将不同图幅的匹配工作提交到不同的服务器进行处理；

在将地图数据导入地图更新系统过程中，将地图数据进行分幅处理,分幅方法采取莫顿码13级编码方式，每一个图幅2.5KM*2.5KM，将图幅加载到内存中，建立内存空间索引，加快数据访问检索。

基于众包的辅助驾驶地图实时匹配更新方法，进一步的，信度评价模型解析：信度评价模型对事件的分析解算有排错、过滤出可信信息的机制，引入置信系数，对不同类型的事件有不同的置信系数模型，同一类事件也可使用多种证据综合置信系数评价模型处理，对事件信度产生影响因子包括：

(a)事件次数：同类事件的置信系数与报告次数相关；

(b)时间域：同类事件的置信系数与报告事件发生时间相关，不同类事件与时间域的关联关系曲线不同；

(c)事件来源：根据事件来源的属性，不同来源类型的事件分配不同的置信系数，例如来自交通管理部门的事件信息、交通公告牌的事件信息、采集车报告的事件信息、普通汽车报告的事件信息,置信系数递减；

(d)信用度：事件来源个体所报告事件的置信系数与该来源个体所报告的历史事件库的置信系数记录正相关,拥有良好置信系数记录的来源所报告的事件拥有更高的置信系数，置信系数记录作为权重参数引入到置信系数计算过程；

(e)采信度：事件报告由服务端即时分发到汽车终端，汽车终端对该事件提交是否采信的反馈信息，反馈信息在服务端综合解算得出采信度参数，根据该参数调整该事件的置信系数；

(f)用户行为分析：汽车终端能采集到汽车的状态信息及行为数据，如姿态、速度、航向、路线等，对与报告事件同路段和时段的汽车信息进行统计分析,计算这些行为信息与事件的匹配度,进而调整该事件的置信系数；

(g)历史记录：以路段为单位，对路段的历史事件进行统计分析得出规律,进而对不同路段的不同事件分配不同的基础置信系数，例如对某路段的历史事件进行分析，发现该路段报告交通事故事件的频次较高，那么对于来源于该路段的交通事故事件分配较高的基础置信系数。

基于众包的辅助驾驶地图实时匹配更新方法，进一步的，建立信度评价模型：将多种相互独立信息作为证据进行融合，事件信息的凭证包括：事件次数、时间域、历史数据、事件源、信用度、采信度、用户行为和第三方数据，将这些凭证融合，以评价事件的可信度；

当系统经过一段时间运行后，通过历史数据进行数学解析和深度学习,对汽车的信用度进行评价,通过大量数据分析更准确的评价出每辆车的历史累计信用度，该信用度描述汽车报告事件的可靠性，得到数学模型如式1所示：

其中，L(x)是多因素凭证融合结果，其函数如式2所示：

式2中s为特定条件下某事情发生的概率，如第三方数据报告修路,发生限速变化的概率较大；a为该汽车的累计历史信用度，汽车的信用度与汽车报告事件被采用的次数和总数的比值成正比；w为汽车品牌或者类型的信用度；

(1)特定条件下某事情发生概率的计算：

设事件D发生情形下，某现象E出现，它的计算如3式所示：

P(D|E) 如3

若只有两个事件D和E，它的概率计算如式4所示：

即在出现E的条件下，事件D发生的概率等于事件D、E同时发生的概率与事件E的概率比值；

(2)汽车信用度的计算：

设对汽车u的数据进行分析，它共报告了n次事件，其中n(0≤n≤m)次报告的数据被采用,其信用度是其报告的事件采用次数与报告的事件总次数的比值，其信用度a计算式如5所示：

(3)某类汽车信用度的计算：

通过计算出每辆车的信用度，依据汽车的类型进行聚类，然后求这一类车的平均信用度，其平均信用度w计算式如6所示：

i为某类车的数量。

基于众包的辅助驾驶地图实时匹配更新方法，进一步的，构建深度学习模型：采集监督式深度学习，准备已经标注的数据，用于训练深度学习评价模型，然后采用模型来预测待预测未被标注的数据，在训练深度学习模型时，准备三份数据集：训练集，验证集、测试集；

训练集：构建预测模型；

验证集：评价训练阶段所得模型的性能，为模型参数优化和选择最优模型提供测试平台；采用从上到下、递归的分治方法，选取某个属性作为根结点，将该结点每个可能的属性值作为一个分支，分裂成多个子集，然后在每个分支上重复该过程，直到所有实例有相同分类时停止，属性选取度量是采用信息增益，信息增益等于分裂前分布的信息嫡减去分裂后分布的信息嫡，选取信息增益最大的属性；

测试集：测试集或者之前未遇到的样本评价模型未来可能的性能。

基于众包的辅助驾驶地图实时匹配更新方法，进一步的，模型评价验证与采纳：同时采用验证和交叉验证两种方法测试评价模型性能；

(1)现场验证

首先,将地图原始版本数据U_O分发到采集系统，采集汽车去外业现场进行实地采集验证，并将变化的数据报告给更新系统，更新系统通过分析将变化的数据融合进地图数据库中，采用人工对外业现场采集的图片进行比对，验证变化的信息；

(2)仿真验证

首先在地图中随机挑选一些数据，作为变化的数据A，剩余部分作为基准数据U₀，将这些数据发布给仿真系统，仿真系统将依据A进行随机生成，并加入一定的误差，生成事件报告给更新系统，更新系统对数据进行融合，形成变化的数据集A'，采用A与A'的交集与A的比例作为模型的准确性的评价；

仿真验证过程为：已有一个版本的地图数据，给定版本号为U₁，将U₁拆分为两部分：基准部分U₀和变化部分A,且U₀∩A＝φ；

将U₀与A导入仿真系统中，U₀作为仿真系统基准数据，对于变化部分A，在仿真系统中根据概率规则生成事件方法产生上报事件B(A),变化部分A表示为A＝{δ₁,δ₂,δ₃,…,δ_m}，δ₁,δ₂,δ₃,…,δ_m为发生变化的要素，用B＝(δ_i),i＝1,2,3,…,m表示每一个变化要素的上报事件集合，假设一个变化要素的上报事件有n个，每一次上报事件用b_j＝(δ_i)j＝1,2,3,…,n表示，则B＝(δ_i)＝{b₁(δ_i),b₂(δ_i),b₃(δ_i),…,b_n(δ_i)},i＝1,2,3,…m代表一个变化要素的上报事件的集合,所有变化要素的上报事件的集合表示如式7所示：

再让地图更新系统去学习处理B(A)，采用数学模型g(x)去学习计算上报事件的信度，给定信度ε＝0.99，将上报事件信度不满足g(x)＞0的上报过滤，再根据上报事件信度满足大于0.99的上报事件去发现数据变化并更新，计算得到的更新记为A'＝{δ₁',δ₂',δ₃',…,δ_n'}为更新后的要素，数学模型的评价正确率如式8所示：

同时，计算模型收敛速度，根据g(x)＞0，g(x)如式9所示：

收敛速度即为上报次数n，n越小，则模型收敛速度越快，即最快收敛速度如式10所示：

ε为信度，n_min为最快收敛速度。

基于众包的辅助驾驶地图实时匹配更新方法，进一步的，空间几何数据实时拟合：已知若干离散值{g₁,g₂,…,g_m}确定一个函数，通过调整函数中系数g(α₁,α₂,..α_n)，使得该函数与已知点集的差别最小；

数据处理时将轨迹数据进行分幅处理,每一个图幅内只存放该区域的轨迹数据，先完成图幅内部轨迹数据拟合，再对图幅间进行接边处理，导航定位轨迹点回归于道路中心线，导航定位轨迹点与道路线之间存在线性关系，轨迹点的拟合是一种线性拟合，该线性函数如式11所示：

z′＝d+ez+β 式11

其中d和e是未知的常量通过最小二乘法求得,β表示导航定位轨迹点误差，服从正态分布。

基于众包的辅助驾驶地图实时匹配更新方法，进一步的，道路几何数据实时压缩优化方法：本申请中描述道路几何属性由轨迹拟合，根据人造物体平直的特点，对几何属性进行平滑处理，综合多种条件进行判定，并进行多次拟合平滑，最终得到符合高精地图道路线生产需求的几何形状；

设道路几何属性F＝[q₀,q₁,q₂,…,q_m]，qi为道路几何属性的结点,道路几何数据实时压缩优化方法步骤为：

第1步，当q_i-1与q_i+1距离小于某个值a，且q_i，q_i-1，q_i+1形成的夹角大于某值ε时，ε_i点在整个曲线中突变较大，可能属于噪声，对噪声进行检查，确定噪声后将其过滤掉，噪声确定方法如下：

(1)获取疑似噪声点与其前后点中心点,以将左右两个中心点进行连线；

(2)以中心点连线为基准,求一个距离为t的缓冲区域；

(3)从轨迹数据中找出与缓冲区域相交的轨迹点；

(4)对轨迹点进行再次拟合，形成新的拟合线，找出拟合线的中心点；

(5)将中心点连线的中心点，新的拟合线的中心点及疑似噪声点进行平差；

第2步，当q_i-1与q_i+1距离大于某个值a，且q_i，q_i-1，q_i+1形成的夹角大于某个值ε时，将曲线进行平滑，取q_i与q_i-1和q_i+1的连线的中心点连线的中心点s_i'；

第3步，当q_i-1与q_i+1距离大于某个值a，且q_i，q_i-1，q_i+1形成的夹角小于某个值0时，忽略中间点q_i。

与现有技术相比，本申请的创新点和优势在于：

第一，本申请利用专业设备采集的高精度数据和多种精度相对较低众包数据智能的进行辅助驾驶地图道路网络与交通标牌更新，关键技术包括辅助驾驶高精度地图的实时匹配、众包数据的信度评价和众包地图实时融合更新；一是提出并实现一种能够将事件和汽车轨迹与地图进行匹配的方法，该方法的最大特点是轨迹与高精度地图可以进行实时匹配,而且事件与道路网络的匹配准确度高；二是提出并实现一种能够实时分析事件数据流信度的方法，该方法还可以综合采用历史数据、地图数据和第三方数据进行深度学习从而改进信度分析模型参数，并动态调整信度评价模型，使评价结果趋近真实环境。结合数据质量、经济因素和工作效率等对众包多源数据进行处理，可以显著降低数据噪声，使地图实时匹配、信度评价及融合处理结果更加准确，基于众包为辅助驾驶提供地图实时匹配更新支持；

第二，本申请的众包地图智能更新方法包括数据采集、数据处理及更新方法，构建众包数据信度评价模型以及对模型的评价与验证，对符合信度要求的数据进行融合采纳，将融合结果更新进地图中，使地图数据更新速度更快、成本更低。辅助驾驶高精度地图的实时匹配将汽车上报的轨迹和事件数据实时地匹配到高精度地图上，还包括车道线和曲率，坡度和航向信息，提出将汽车报告的数据实时地图匹配的方法，并实现在商业环境下分布式地图匹配；众包数据的信度评价使得系统评价的结果更接近客观实际环境，同时利用深度学习与数学统计模型进行交叉验证，确保信度评价的可靠性；众包地图实时融合更新将信度满足要求的数据更新进地图中,最终得到符合辅助驾驶生产需求的高精地图道路线；

第三，本申请的方法满足智能驾驶对地图实时性要求，解决了辅助驾驶地图自动更新的关键技术,提高了地图更新的周期和可靠性，智能汽车利用地图进行辅助定位、环境感知和决策时，提供的众包地图精度高、准确率高、现势性高，为辅助驾驶提供强有力的支持，同时，还解决了众包数据地图受制于自身模式所带来的瓶颈，准确性、安全性和成本都有明显优化，能够满足智能驾驶的应用需求，设计的众包地图更新方法的采集、处理及更新方法系统科学，通过构建众包数据信度评价模型以及对模型的评价与验证，有效的将符合条件的众包数据融合结果更新进地图中，地图数据更新速度快、成本低，数据精度和经济效益的大幅提高有助于众包模式地图应用于辅助驾驶之中。

附图说明

图1是辅助驾驶高精地图实时匹配过程示意图。

图2是高精地图实时匹配的圆相交轨迹示意图。

图3是置信系数评价模型的事件信度产生影响因子示意图。

图4是多种相互独立信息作为证据进行融合过程示意图。

图5是模型仿真验证的误差评价过程示意图。

图6是压缩道路几何数据线段连接示意图。

图7是道路几何数据实时压缩优化方法示意图。

图8是本申请高精度轨迹车道拟合效果示意图。

图9是拟合道路网络与传统人工制作道路距离差值计算图。

图10是道路制作成本和效率比较分析示意图。

具体实施方法

下面结合附图，对本申请提供的基于众包的辅助驾驶地图实时匹配更新方法的技术方案进行驶一步的描述，使本领域的技术人员能够更好的理解本申请并能够予以实施。

本申请利用专业设备采集的高精度数据和多种精度相对较低众包数据(如出租车轨迹，共享汽车轨迹等)智能的进行辅助驾驶地图道路网络与交通标牌更新，关键技术包括辅助驾驶高精度地图的实时匹配、众包数据的信度评价和众包地图实时融合更新；

(1)辅助驾驶高精度地图的实时匹配：包括地图实时匹配的框架、高精地图实时匹配方法、分布式地图实时匹配；

将汽车上报的轨迹和事件数据实时地匹配到高精度地图上，本申请的高精度地图相对传统地图除数据精度高，还包括车道线和曲率，坡度和航向信息，利用高精度地图的特性，制定汽车报告到更新后台系统的数据内容，提出将汽车报告的数据实时地图匹配的方法，并实现在商业环境下分布式地图匹配；

(2)众包数据的信度评价：包括信度评价模型解析、建立信度评价模型、构建深度学习模型、模型评价验证与采纳；

对接收到的众包数据的信度水平进行评价，设计一个有效的模型来评价事件的置信度，且模型能够进行动态调整，采用深度学习大量的历史数据来调整模型参数，使得系统评价的结果更接近客观实际环境，同时利用深度学习与数学统计模型进行交叉验证，确保信度评价的可靠性；

(3)众包地图实时融合更新：包括空间几何数据实时拟合、压缩道路几何数据、道路几何数据实时压缩优化方法；

将信度满足要求的数据更新进地图中,包括要素属性更新和路网几何形状更新，针对融合过程中几何形状、拓扑关系、属性不一致问题，首先制定统一标准，将数据规范化，然后进行匹配、聚类和整合；几何形状通过多个相互匹配的形状进行拟合，减少几何形状的误差；然后对拟合的几何形状进行连接，平滑，分割处理，最终得到符合辅助驾驶生产需求的高精地图道路线。

一、辅助驾驶高精度地图的实时匹配

将地理要素与地图道路网络进行配对，解决汽车行驶过程中报告的轨迹和事件数据(包含导航定位地理地点)与高精地图道路网络进行实时匹配。

(一)地图实时匹配的框架

由于导航定位设备有时会出现较大误差，在隧道或者山区甚至会出现信号丢失，电子地图依据外业采集的导航定位数据制作，也存在一定的误差。汽车在行驶过程中，为了能直观显示汽车地点，需要将汽车地点匹配到地图中显示，并根据匹配的地点进行路径规划。定位误差的加大、信号的丢失，都会使地图实时匹配的不准确性增加。本申请实现在各种异常情形下仍能保持较高的地图实时匹配准确率。

根据坐标方位点和姿态信息匹配到地图中某个道路线，车载系统将识别的事件信息、事件发生时间及汽车所在的地点(经度、纬度和海拔)和车机的姿态(航向、仰角和倾角)报告给后台系统，后台系统根据事件发生时间、方位、姿态信息，将事件匹配到高精地图道路网络上。

事件实时匹配到高精地图道路网络的步骤为：

第一步，从基础地图数据库中查找事件发生的地点周边图幅的道路线数据；

第二步，在图幅道路数据中，基于距离找出附近的道路线作为候选；

第三步，综合时间、方位、姿态、历史事件进行处理，从候选道路线中找出最合适的道路路段；

最合适指地点最接近，距离a最小且方向夹角γ最小，仰角δ与倾角∈差最小，若道路线的行车方向与事件的方向一致，则认为待匹配的事件有可能发生在该道路上，但行车方向并非唯一判定标准，若待匹配的事件发生时的坡度信息与某道路的仰角和倾角信息一致，待匹配的事件有可能发生在此道路线上。

若某一个待匹配的事件能够匹配到一条道路线上,在事件中提供道路线标识数据，用于后续逻辑处理时与道路线关联，若事件未正确匹配到道路上，事件存储时道路线标识为空值，后台系统保存未匹配的事件数据，用于后续的地图学习，对未匹配的事件数据进行分析，一方面分析新增道路的可行性，另一方面用于对事件报告者的信度分析。

(二)高精地图实时匹配方法

设终端报告的轨迹点集合，R＝{q₁,q₂,q₃,…,q_m}，每一个轨迹点q_i包括时间，方位(经度，纬度，海拔)和姿态(航向，仰角，倾角)，如图1所示，高精地图实时匹配过程为：

过程一：给定一条轨迹R＝{q₁,q₂,q₃,…,q_m}，首先将轨迹点连成线段，并计算轨迹点所经过的图幅集合N＝[n₁,n₂,..,n_m]；

过程二：从地图数据库中提取与轨迹点所经过每个图幅相匹配的道路线数据H＝[h_ni1,h_ni2,h_ni3,…,h_niw]；

过程三：求出轨迹点连成的每个线段的缓冲区域，设缓冲区的距离为a，缓冲区距离据实调整，从轨迹点q_i所在图幅n_j中检索出与该点形成的线段缓冲区域空间相交的路段集合H＝[h₁,h₂,h₃,…，h_n]作为候选路段数据；

过程四：根据轨迹点的方向从候选路段集合H＝[h₁,h₂,h3,…,h_n]中过滤掉相反方向的路段H^*＝[h₁ ^*,h₂ ^*,h₃ ^*,…,h_w ^*]；

过程五：采用与每一个位置点q_i为圆心，以半径为t作圆，如图2所示，检索出与其空间相交的道路候选路段H"＝[h₁",h₂",h₃",…,h_w"]；

过程六：通过计算轨迹点q_i与前后点形成的线段与候选路段H"＝[h₁",h₂",h₃",…,h_w"]的距离与夹角，若距离相差较大，选择最小距离作为匹配结果，若距离相差较小,且夹角相差较小,则计算距离与夹角的最小二乘得到最小值作为匹配结果，以轨迹点Q_i为圆心，半径为t的作圆，检索出与圆空间相交的路段有h₁ ^*,h₂ ^*,h₃ ^*,计算出Q_i与各相交路段投影点的距离a_i，计算出以Q_i与前一个点Q_i-1和后一个点Q_i+1为端点的线段的与各路段的夹角α_i，以距离与夹角乘积最小线段作为最终匹配线段。

(三)分布式地图实时匹配

由于轨迹数据量非常巨大,为了能快速实现轨迹与地图实时匹配，采用并行计算提高地图实时匹配处理能力，对地图数据进行分幅处理，再将轨迹也进行相同的分幅方法处理，首先将轨迹匹配到图幅中,然后将不同图幅的匹配工作提交到不同的服务器进行处理。

在将地图数据导入地图更新系统过程中，将地图数据进行分幅处理,分幅方法采取莫顿码13级编码方式，每一个图幅2.5KM*2.5KM，将图幅加载到内存中，建立内存空间索引，加快数据访问检索。

实施例中采用32台服务器进行处理，事件数据首先通过莫顿码第2级分幅方式对其所在地点进行编码,根据编码来调度进入特定范围的服务器，然后采用莫顿码第13级分幅方式对事件所在的地点进行编码，将事件地点的莫顿码与地图的莫顿码进行匹配，找出事件所在图幅的道路线数据，最后根据高精地图实时匹配方法进行详细匹配。

二、众包数据的信度评价

目标是找到一个合适的模型来评价事件的置信度，信度评价是对接收到的数据的信度水平进行评价。同一事件的置信度计算过程可用到多种置信度模型综合解算，事件发生的次数，事件发生的时间，事件报告的来源都属于简单置信度模型参数。事件报告者的信用度、事件报告者历史报告数据被采用度、用户行为分析、历史记录等属于深度置信度模型参数。深度信度模型参数以深度学习为支撑，通过对大量样本和采集数据进行统计分析，得出一致性规律，进而分析出合适的深度置信度模型，随着事件数据的积累和对事件数据不断的深入挖掘学习,深度置信度模型不断完善和扩展细分，动态事件更依赖于深度置信度模型，同时动态事件数据也具有更广泛的数据挖掘价值。

采取数学模型与深度学习模型交叉进行验证，两种模型通过各自的机制进行评价，相互佐证，当出现模型评价结果相异时，进行进一步举证。在保证信度评价模型有效的情形下,该模型还要根据历史数据及第三方输入数据进行调整。

(一)信度评价模型解析

信度评价模型对事件的分析解算有排错、过滤出可信信息的机制，引入置信系数，对不同类型的事件有不同的置信系数模型，同一类事件也可使用多种证据综合置信系数评价模型处理，对事件信度产生影响因子如图3所示。

(a)事件次数：同类事件的置信系数与报告次数相关；

(b)时间域：同类事件的置信系数与报告事件发生时间相关，不同类事件与时间域的关联关系曲线不同；

(c)事件来源：根据事件来源的属性，不同来源类型的事件分配不同的置信系数，例如来自交通管理部门的事件信息、交通公告牌的事件信息、采集车报告的事件信息、普通汽车报告的事件信息,置信系数递减；

(d)信用度：事件来源个体所报告事件的置信系数与该来源个体所报告的历史事件库的置信系数记录正相关,拥有良好置信系数记录的来源所报告的事件拥有更高的置信系数，置信系数记录作为权重参数引入到置信系数计算过程；

(e)采信度：事件报告由服务端即时分发到汽车终端，汽车终端对该事件提交是否采信的反馈信息，反馈信息在服务端综合解算得出采信度参数，根据该参数调整该事件的置信系数；

(f)用户行为分析：汽车终端能采集到汽车的状态信息及行为数据，如姿态、速度、航向、路线等，对与报告事件同路段和时段的汽车信息进行统计分析,计算这些行为信息与事件的匹配度,进而调整该事件的置信系数；

(g)历史记录：以路段为单位，对路段的历史事件进行统计分析得出规律,进而对不同路段的不同事件分配不同的基础置信系数，例如对某路段的历史事件进行分析，发现该路段报告交通事故事件的频次较高，那么对于来源于该路段的交通事故事件分配较高的基础置信系数。

(二)建立信度评价模型

假设在系统初始化时，每辆车的信用度都是一样的满分，即每辆车的信用值都为1，所有汽车报告的数据都被认为是正确的，统计事件发生5次时，函数模型得到的值就达到0.99，把这个值定义为汽车报告事件的可信度，当统计事件发生37次时，该事件发生的可信度就达到0.99999999999，前面的假设是一个理想情形，它假设每个设备都不会出错，事实上每辆车都存在误报的可能。汽车误报事件将影响它的信用度，继而影响它提交数据的置信系数，为确保信度评价的可靠性，将多种相互独立信息作为证据进行融合，如图4所示。

事件信息的凭证包括：事件次数、时间域、历史数据、事件源、信用度、采信度、用户行为和第三方数据。将这些凭证融合，以评价事件的可信度。

当系统经过一段时间运行后，通过历史数据进行数学解析和深度学习,对汽车的信用度进行评价,通过大量数据分析更准确的评价出每辆车的历史累计信用度，该信用度描述汽车报告事件的可靠性。得到数学模型如式1所示：

其中，L(x)是多因素凭证融合结果，其函数如式2所示：

式2中s为特定条件下某事情发生的概率，如第三方数据报告修路,发生限速变化的概率较大；a为该汽车的累计历史信用度，汽车的信用度与汽车报告事件被采用的次数和总数的比值成正比；w为汽车品牌或者类型的信用度。

(1)特定条件下某事情发生概率的计算：

设事件D发生情形下，某现象E出现，它的计算如3式所示：

P(D|E) 如3

若只有两个事件D和E，它的概率计算如式4所示：

即在出现E的条件下，事件D发生的概率等于事件D、E同时发生的概率与事件E的概率比值。

(2)汽车信用度的计算：

设对汽车u的数据进行分析，它共报告了n次事件，其中n(0≤n≤m)次报告的数据被采用,其信用度是其报告的事件采用次数与报告的事件总次数的比值，其信用度a计算式如5所示：

(3)某类汽车信用度的计算：

通过计算出每辆车的信用度，依据汽车的类型进行聚类，然后求这一类车的平均信用度，其平均信用度w计算式如6所示：

i为某类车的数量。

(三)构建深度学习模型

采集监督式深度学习，准备已经标注的数据，用于训练深度学习评价模型，然后采用模型来预测待预测未被标注的数据，在训练深度学习模型时，准备三份数据集：训练集，验证集、测试集；

训练集：构建预测模型；

验证集：评价训练阶段所得模型的性能，为模型参数优化和选择最优模型提供测试平台；采用从上到下、递归的分治方法，选取某个属性作为根结点，将该结点每个可能的属性值作为一个分支，分裂成多个子集，然后在每个分支上重复该过程，直到所有实例有相同分类时停止，属性选取度量是采用信息增益，信息增益等于分裂前分布的信息嫡减去分裂后分布的信息嫡，选取信息增益最大的属性；

测试集：测试集或者之前未遇到的样本评价模型未来可能的性能。

(四)模型评价验证与采纳

为了避免过拟合，同时采用验证和交叉验证两种方法测试评价模型性能。

(1)现场验证

首先,将地图原始版本数据U_O分发到采集系统，采集汽车去外业现场进行实地采集验证，并将变化的数据报告给更新系统，更新系统通过分析将变化的数据融合进地图数据库中，采用人工对外业现场采集的图片进行比对，验证变化的信息。

(2)仿真验证

首先在地图中随机挑选一些数据，作为变化的数据A，剩余部分作为基准数据U₀，将这些数据发布给仿真系统，仿真系统将依据A进行随机生成，并加入一定的误差，生成事件报告给更新系统，更新系统对数据进行融合，形成变化的数据集A'，采用A与A'的交集与A的比例作为模型的准确性的评价。

仿真验证过程如图5所示，已有一个版本的地图数据，给定版本号为U₁，将U₁拆分为两部分：基准部分U₀和变化部分A,且U₀∩A＝φ；

将U₀与A导入仿真系统中，U₀作为仿真系统基准数据，对于变化部分A，在仿真系统中根据概率规则生成事件方法产生上报事件B(A),变化部分A表示为A＝{δ₁,δ₂,δ₃,…,δ_m}，δ₁,δ₂,δ₃,…,δ_m为发生变化的要素，用B＝(δ_i),i＝1,2,3,…,m表示每一个变化要素的上报事件集合，假设一个变化要素的上报事件有n个，每一次上报事件用b_j＝(δ_i)j＝1,2,3,…,n表示，则B＝(δ_i)＝{b₁(δ_i),b₂(δ_i),b₃(δ_i),…,b_n(δ_i)},i＝1,2,3,…m代表一个变化要素的上报事件的集合,所有变化要素的上报事件的集合表示如式7所示：

再让地图更新系统去学习处理B(A)，采用数学模型g(x)去学习计算上报事件的信度，给定信度ε＝0.99，将上报事件信度不满足g(x)＞0的上报过滤，再根据上报事件信度满足大于0.99的上报事件去发现数据变化并更新，计算得到的更新记为A'＝{δ₁',δ₂',δ₃',…,δ_n'}为更新后的要素，数学模型的评价正确率如式8所示：

同时，计算模型收敛速度，根据g(x)＞0，g(x)如式9所示：

收敛速度即为上报次数n，n越小，则模型收敛速度越快，即最快收敛速度如式10所示：

ε为信度，n_min为最快收敛速度。

实施例：

假设已有地图数据U₁，将U₁分为基准部分U₀和变化部分A，且

假设变化部分为点D、点E、点S，U₀不包含这三点，即对于U₀，点D、点E、点S是新增加的三点。

在仿真系统中，基于U₀，根据A＝{D,E,S}，让小车发现点D、点E、点S并且上报事件，按照统计规则产生事件方法产生上报事件，并生成一定的误差,将所有的上报事件B(A)上报给地图更新系统。

在地图更新系统中，对B(A)利用数学模型去计算所有的上报事件B(A),过滤信度小于0.99的上报事件,并且对信度大于等于0.99的上报事件进行计算，发现有点D'、点E'、点S'，将发现的点D'、点E'、点S'作为更新A'，模型更新正确率为b，模型的最快收敛速度为如式10所示。

三、众包地图实时融合更新

由于单一汽车传感器的精度和准确率都存在一定的误差,将多台汽车的多个传感器信息融合以降低误差，地图更新系统最终将融合的数据更新进地图基准库中，将原始独立的数据进行拟合，平滑压缩处理，构成地图规格要求的数据，数据更新通过增加、删除、修改操作将新数据替换数据文件或者数据库中与之相对应的旧数据。

(一)空间几何数据实时拟合

已知若干离散值{g₁,g₂,…,g_m}确定一个函数，通过调整函数中系数g(α₁,α₂,..α_n)，使得该函数与已知点集的差别(最小二乘)最小。

数据处理时将轨迹数据进行分幅处理,每一个图幅内只存放该区域的轨迹数据，先完成图幅内部轨迹数据拟合，再对图幅间进行接边处理，导航定位轨迹点回归于道路中心线，导航定位轨迹点与道路线之间存在线性关系，轨迹点的拟合是一种线性拟合，该线性函数如式11所示。

z′＝d+ez+β 式11

其中d和e是未知的常量通过最小二乘法求得,β表示导航定位轨迹点误差，服从正态分布。

(二)压缩道路几何数据

采用数学方法进行线性拟合后对曲线进行连接、平滑、抽稀处理，使得最后形成的线路与现实情形之间误差均匀化、最小化。由于轨迹拟合分段处理，拟合后的线段并不保证相连，为了使拟合后的线段连成一条完整的连通曲线，对拟合后的线段进行连接处理，线段连接如图6所示，图中黑色实线段{d,e,s}是经过数学方法线性拟合得到的线段，经过平滑、抽稀压缩处理后得到连续平直的曲线{d',e',s'}。

数据压缩包括：一是对坐标数据进行抽稀,但不破坏拓扑关系；二是对坐标数据重新进行编码，减少存储空间；三是对线段进行消除锯齿处理，使曲线尽量平滑。

(三)道路几何数据实时压缩优化方法

间隔取点法不能很好的保留几何形状，垂距法能够一定程度保留几何形状，但形状不平滑，需进一步处理，道格拉斯一普克法是一种贪婪方法容易忽略细节。本申请提出一种道路几何数据实时压缩优化方法。

本申请中描述道路几何属性由轨迹拟合，由于数学均方差细微的影响，部分线段会出现锯齿，为消除线段连接时出现的锯齿，根据人造物体平直的特点，对几何属性进行平滑处理，综合多种条件进行判定，并进行多次拟合平滑，最终得到符合高精地图道路线生产需求的几何形状。

设道路几何属性F＝[q₀,q₁,q₂,…,q_m]，qi为道路几何属性的结点,处理方法如图7所示。

道路几何数据实时压缩优化方法步骤为：

第1步，当q_i-1与q_i+1距离小于某个值a，且q_i，q_i-1，q_i+1形成的夹角大于某值ε时，ε_i点在整个曲线中突变较大，可能属于噪声，对噪声进行检查，确定噪声后将其过滤掉，噪声确定方法如下：

(1)获取疑似噪声点与其前后点中心点,以将左右两个中心点进行连线；

(2)以中心点连线为基准,求一个距离为t的缓冲区域；

(3)从轨迹数据中找出与缓冲区域相交的轨迹点；

(4)对轨迹点进行再次拟合，形成新的拟合线，找出拟合线的中心点；

(5)将中心点连线的中心点，新的拟合线的中心点及疑似噪声点进行平差；

第2步，当q_i-1与q_i+1距离大于某个值a，且q_i，q_i-1，q_i+1形成的夹角大于某个值ε时，将曲线进行平滑，取q_i与q_i-1和q_i+1的连线的中心点连线的中心点s_i'；

第3步，当q_i-1与q_i+1距离大于某个值a，且q_i，q_i-1，q_i+1形成的夹角小于某个值0时，忽略中间点q_i。

(四)数据融合效果分析

对地图数据融合的数据拟合、数据精度和经济效益进行分析。

(1)数据精度分析

通过众包轨迹拟合道路每隔100米取一点，将轨迹拟合车道线(如图8所示)与人工制作的道路网络进行距离差值计算,经统计结果如图9所示。

作业员是通过高精度采集车一次采集的点云制作的道路轨迹。众包数据是通过多个互不干扰的汽车进行多次测量,经过融合处理得到，众包数据更能符合驾驶员的驾驶行为习惯。

(2)经济效益和效率分析

人工制作地图更新是通过测绘采集车进行一次外业作业采集到的数据，一次外业采集需要一车采集车，三辆移动测量站车。数据采集完后交付到内业，由内业作业员进行编辑，每个作业员平均每天制作15公里。众包数据更新是通过众包的客户汽车在行驶过程中附加生产的数据，由众包更新系统智能进行预处理，降噪、地图实时匹配和信度评价，然后智能进行融合更新的，数据更新过程无人员参与。

通过图10列出的比较分析得出，通过众包更新数据制作时间和人工成本要低于传统人工制作，特别是在人力成本上，众包节省大量的人力。众包数据智能更新处理时间远小于人工制作道路时间。众包数据通过数据评价模型与拟合方法智能化实现，而人工制作是通过人工手动绘制，因此通过众包数据处理能节省大量时间。若有更多的设备接入系统，系统能够在更短的时间内发现变化并进行更新。

Claims (10)

1.基于众包的辅助驾驶地图实时匹配更新方法，其特征在于，利用专业设备采集的高精度数据和多种精度相对较低众包数据自动的进行辅助驾驶地图道路网络与交通标牌更新，关键技术包括辅助驾驶高精度地图的实时匹配、众包数据的信度评价和众包地图实时融合更新；

(1)辅助驾驶高精度地图的实时匹配：包括地图实时匹配的框架、高精地图实时匹配方法、分布式地图实时匹配；

将汽车上报的轨迹和事件数据实时地匹配到高精度地图上，本申请的高精度地图相对传统地图除数据精度高，还包括车道线和曲率，坡度和航向信息，利用高精度地图的特性，制定汽车报告到更新后台系统的数据内容，提出将汽车报告的数据实时地图匹配的方法，并实现在商业环境下分布式地图匹配；

(2)众包数据的信度评价：包括信度评价模型解析、建立信度评价模型、构建深度学习模型、模型评价验证与采纳；

对接收到的众包数据的信度水平进行评价，设计一个有效的模型来评价事件的置信度，且模型能够进行动态调整，采用深度学习大量的历史数据来调整模型参数，使得系统评价的结果更接近客观实际环境，同时利用深度学习与数学统计模型进行交叉验证，确保信度评价的可靠性；

(3)众包地图实时融合更新：包括空间几何数据实时拟合、压缩道路几何数据、道路几何数据实时压缩优化方法；

将信度满足要求的数据更新进地图中,包括要素属性更新和路网几何形状更新，针对融合过程中几何形状、拓扑关系、属性不一致问题，首先制定统一标准，将数据规范化，然后进行匹配、聚类和整合；几何形状通过多个相互匹配的形状进行拟合，减少几何形状的误差；然后对拟合的几何形状进行连接，平滑，分割处理，最终得到符合辅助驾驶生产需求的高精地图道路线。

2.根据权利要求1所述的基于众包的辅助驾驶地图实时匹配更新方法，其特征在于，地图实时匹配的框架：根据坐标方位点和姿态信息匹配到地图中某个道路线，车载系统将识别的事件信息、事件发生时间及汽车所在的地点和车机的姿态报告给后台系统，后台系统根据事件发生时间、方位、姿态信息，将事件匹配到高精地图道路网络上；

事件实时匹配到高精地图道路网络的步骤为：

第一步，从基础地图数据库中查找事件发生的地点周边图幅的道路线数据；

第二步，在图幅道路数据中，基于距离找出附近的道路线作为候选；

第三步，综合时间、方位、姿态、历史事件进行处理，从候选道路线中找出最合适的道路路段；

最合适指地点最接近，距离a最小且方向夹角γ最小，仰角δ与倾角∈差最小，若道路线的行车方向与事件的方向一致，则认为待匹配的事件有可能发生在该道路上，但行车方向并非唯一判定标准，若待匹配的事件发生时的坡度信息与某道路的仰角和倾角信息一致，待匹配的事件有可能发生在此道路线上；

若某一个待匹配的事件能够匹配到一条道路线上,在事件中提供道路线标识数据，用于后续逻辑处理时与道路线关联，若事件未正确匹配到道路上，事件存储时道路线标识为空值，后台系统保存未匹配的事件数据，用于后续的地图学习，对未匹配的事件数据进行分析，一方面分析新增道路的可行性，另一方面用于对事件报告者的信度分析。

3.根据权利要求1所述的基于众包的辅助驾驶地图实时匹配更新方法，其特征在于，高精地图实时匹配方法：设终端报告的轨迹点集合，R＝{q₁,q₂,q₃,…,q_m}，每一个轨迹点q_i包括时间、方位和姿态，高精地图实时匹配过程为：

过程一：给定一条轨迹R＝{q₁,q₂,q₃,…,q_m}，首先将轨迹点连成线段，并计算轨迹点所经过的图幅集合N＝[n₁,n₂,..,n_m]；

过程二：从地图数据库中提取与轨迹点所经过每个图幅相匹配的道路线数据H＝[h_ni1,h_ni2,h_ni3,…,h_niw]；

过程三：求出轨迹点连成的每个线段的缓冲区域，设缓冲区的距离为a，缓冲区距离据实调整，从轨迹点q_i所在图幅n_j中检索出与该点形成的线段缓冲区域空间相交的路段集合H＝[h₁,h₂,h₃,…，h_n]作为候选路段数据；

过程四：根据轨迹点的方向从候选路段集合H＝[h₁,h₂,h3,…,h_n]中过滤掉相反方向的路段H^*＝[h₁ ^*,h₂ ^*,h₃ ^*,…,h_w ^*]；

过程五：采用与每一个位置点q_i为圆心，以半径为t作圆，检索出与其空间相交的道路候选路段H"＝[h₁",h₂",h₃",…,h_w"]；

过程六：通过计算轨迹点q_i与前后点形成的线段与候选路段H"＝[h₁",h₂",h₃",…,h_w"]的距离与夹角，若距离相差较大，选择最小距离作为匹配结果，若距离相差较小,且夹角相差较小,则计算距离与夹角的最小二乘得到最小值作为匹配结果，以轨迹点Q_i为圆心，半径为t的作圆，检索出与圆空间相交的路段有h₁ ^*,h₂ ^*,h₃ ^*,计算出Q_i与各相交路段投影点的距离a_i，计算出以Q_i与前一个点Q_i-1和后一个点Q_i+1为端点的线段的与各路段的夹角α_i，以距离与夹角乘积最小线段作为最终匹配线段。

4.根据权利要求1所述的基于众包的辅助驾驶地图实时匹配更新方法，其特征在于，分布式地图实时匹配：采用并行计算提高地图实时匹配处理能力，对地图数据进行分幅处理，再将轨迹也进行相同的分幅方法处理，首先将轨迹匹配到图幅中,然后将不同图幅的匹配工作提交到不同的服务器进行处理；

在将地图数据导入地图更新系统过程中，将地图数据进行分幅处理,分幅方法采取莫顿码13级编码方式，每一个图幅2.5KM*2.5KM，将图幅加载到内存中，建立内存空间索引，加快数据访问检索。

5.根据权利要求1所述的基于众包的辅助驾驶地图实时匹配更新方法，其特征在于，信度评价模型解析：信度评价模型对事件的分析解算有排错、过滤出可信信息的机制，引入置信系数，对不同类型的事件有不同的置信系数模型，同一类事件也可使用多种证据综合置信系数评价模型处理，对事件信度产生影响因子包括：

(a)事件次数：同类事件的置信系数与报告次数相关；

(b)时间域：同类事件的置信系数与报告事件发生时间相关，不同类事件与时间域的关联关系曲线不同；

(c)事件来源：根据事件来源的属性，不同来源类型的事件分配不同的置信系数，例如来自交通管理部门的事件信息、交通公告牌的事件信息、采集车报告的事件信息、普通汽车报告的事件信息,置信系数递减；

(d)信用度：事件来源个体所报告事件的置信系数与该来源个体所报告的历史事件库的置信系数记录正相关,拥有良好置信系数记录的来源所报告的事件拥有更高的置信系数，置信系数记录作为权重参数引入到置信系数计算过程；

(e)采信度：事件报告由服务端即时分发到汽车终端，汽车终端对该事件提交是否采信的反馈信息，反馈信息在服务端综合解算得出采信度参数，根据该参数调整该事件的置信系数；

(f)用户行为分析：汽车终端能采集到汽车的状态信息及行为数据，如姿态、速度、航向、路线等，对与报告事件同路段和时段的汽车信息进行统计分析,计算这些行为信息与事件的匹配度,进而调整该事件的置信系数；

(g)历史记录：以路段为单位，对路段的历史事件进行统计分析得出规律,进而对不同路段的不同事件分配不同的基础置信系数，例如对某路段的历史事件进行分析，发现该路段报告交通事故事件的频次较高，那么对于来源于该路段的交通事故事件分配较高的基础置信系数。

6.根据权利要求1所述的基于众包的辅助驾驶地图实时匹配更新方法，其特征在于，建立信度评价模型：将多种相互独立信息作为证据进行融合，事件信息的凭证包括：事件次数、时间域、历史数据、事件源、信用度、采信度、用户行为和第三方数据，将这些凭证融合，以评价事件的可信度；

当系统经过一段时间运行后，通过历史数据进行数学解析和深度学习,对汽车的信用度进行评价,通过大量数据分析更准确的评价出每辆车的历史累计信用度，该信用度描述汽车报告事件的可靠性，得到数学模型如式1所示：

其中，L(x)是多因素凭证融合结果，其函数如式2所示：

式2中s为特定条件下某事情发生的概率，如第三方数据报告修路,发生限速变化的概率较大；a为该汽车的累计历史信用度，汽车的信用度与汽车报告事件被采用的次数和总数的比值成正比；w为汽车品牌或者类型的信用度；

(1)特定条件下某事情发生概率的计算：

设事件D发生情形下，某现象E出现，它的计算如3式所示：

P(D|E) 如3

若只有两个事件D和E，它的概率计算如式4所示：

即在出现E的条件下，事件D发生的概率等于事件D、E同时发生的概率与事件E的概率比值；

(2)汽车信用度的计算：

设对汽车u的数据进行分析，它共报告了n次事件，其中n(0≤n≤m)次报告的数据被采用,其信用度是其报告的事件采用次数与报告的事件总次数的比值，其信用度a计算式如5所示：

(3)某类汽车信用度的计算：

通过计算出每辆车的信用度，依据汽车的类型进行聚类，然后求这一类车的平均信用度，其平均信用度w计算式如6所示：

i为某类车的数量。

7.根据权利要求1所述的基于众包的辅助驾驶地图实时匹配更新方法，其特征在于，构建深度学习模型：采集监督式深度学习，准备已经标注的数据，用于训练深度学习评价模型，然后采用模型来预测待预测未被标注的数据，在训练深度学习模型时，准备三份数据集：训练集，验证集、测试集；

训练集：构建预测模型；

验证集：评价训练阶段所得模型的性能，为模型参数优化和选择最优模型提供测试平台；采用从上到下、递归的分治方法，选取某个属性作为根结点，将该结点每个可能的属性值作为一个分支，分裂成多个子集，然后在每个分支上重复该过程，直到所有实例有相同分类时停止，属性选取度量是采用信息增益，信息增益等于分裂前分布的信息嫡减去分裂后分布的信息嫡，选取信息增益最大的属性；

测试集：测试集或者之前未遇到的样本评价模型未来可能的性能。

8.根据权利要求1所述的基于众包的辅助驾驶地图实时匹配更新方法，其特征在于，模型评价验证与采纳：同时采用验证和交叉验证两种方法测试评价模型性能；

(1)现场验证

首先,将地图原始版本数据U_O分发到采集系统，采集汽车去外业现场进行实地采集验证，并将变化的数据报告给更新系统，更新系统通过分析将变化的数据融合进地图数据库中，采用人工对外业现场采集的图片进行比对，验证变化的信息；

(2)仿真验证

首先在地图中随机挑选一些数据，作为变化的数据A，剩余部分作为基准数据U₀，将这些数据发布给仿真系统，仿真系统将依据A进行随机生成，并加入一定的误差，生成事件报告给更新系统，更新系统对数据进行融合，形成变化的数据集A'，采用A与A'的交集与A的比例作为模型的准确性的评价；

仿真验证过程为：已有一个版本的地图数据，给定版本号为U₁，将U₁拆分为两部分：基准部分U₀和变化部分A,且U₀∩A＝φ；

将U₀与A导入仿真系统中，U₀作为仿真系统基准数据，对于变化部分A，在仿真系统中根据概率规则生成事件方法产生上报事件B(A),变化部分A表示为A＝{δ₁,δ₂,δ₃,…,δ_m}，δ₁,δ₂,δ₃,…,δ_m为发生变化的要素，用B＝(δ_i),i＝1,2,3,…,m表示每一个变化要素的上报事件集合，假设一个变化要素的上报事件有n个，每一次上报事件用b_j＝(δ_i)j＝1,2,3,…,n表示，则B＝(δ_i)＝{b₁(δ_i),b₂(δ_i),b₃(δ_i),…,b_n(δ_i)},i＝1,2,3,…m代表一个变化要素的上报事件的集合,所有变化要素的上报事件的集合表示如式7所示：

再让地图更新系统去学习处理B(A)，采用数学模型g(x)去学习计算上报事件的信度，给定信度ε＝0.99，将上报事件信度不满足g(x)＞0的上报过滤，再根据上报事件信度满足大于0.99的上报事件去发现数据变化并更新，计算得到的更新记为A'＝{δ₁',δ₂',δ₃',…,δ_n'}为更新后的要素，数学模型的评价正确率如式8所示：

同时，计算模型收敛速度，根据g(x)＞0，g(x)如式9所示：

收敛速度即为上报次数n，n越小，则模型收敛速度越快，即最快收敛速度如式10所示：

ε为信度，n_min为最快收敛速度。

9.根据权利要求1所述的基于众包的辅助驾驶地图实时匹配更新方法，其特征在于，空间几何数据实时拟合：已知若干离散值{g₁,g₂,…,g_m}确定一个函数，通过调整函数中系数g(α₁,α₂,..α_n)，使得该函数与已知点集的差别最小；

数据处理时将轨迹数据进行分幅处理,每一个图幅内只存放该区域的轨迹数据，先完成图幅内部轨迹数据拟合，再对图幅间进行接边处理，导航定位轨迹点回归于道路中心线，导航定位轨迹点与道路线之间存在线性关系，轨迹点的拟合是一种线性拟合，该线性函数如式11所示：

z′＝d+ez+β 式11

其中d和e是未知的常量通过最小二乘法求得,β表示导航定位轨迹点误差，服从正态分布。

10.根据权利要求1所述的基于众包的辅助驾驶地图实时匹配更新方法，其特征在于，道路几何数据实时压缩优化方法：本申请中描述道路几何属性由轨迹拟合，根据人造物体平直的特点，对几何属性进行平滑处理，综合多种条件进行判定，并进行多次拟合平滑，最终得到符合高精地图道路线生产需求的几何形状；

设道路几何属性F＝[q₀,q₁,q₂,…,q_m]，qi为道路几何属性的结点,道路几何数据实时压缩优化方法步骤为：

第1步，当q_i-1与q_i+1距离小于某个值a，且q_i，q_i-1，q_i+1形成的夹角大于某值ε时，ε_i点在整个曲线中突变较大，可能属于噪声，对噪声进行检查，确定噪声后将其过滤掉，噪声确定方法如下：

(1)获取疑似噪声点与其前后点中心点,以将左右两个中心点进行连线；

(2)以中心点连线为基准,求一个距离为t的缓冲区域；

(3)从轨迹数据中找出与缓冲区域相交的轨迹点；

(4)对轨迹点进行再次拟合，形成新的拟合线，找出拟合线的中心点；

(5)将中心点连线的中心点，新的拟合线的中心点及疑似噪声点进行平差；

第2步，当q_i-1与q_i+1距离大于某个值a，且q_i，q_i-1，q_i+1形成的夹角大于某个值ε时，将曲线进行平滑，取q_i与q_i-1和q_i+1的连线的中心点连线的中心点s_i'；

第3步，当q_i-1与q_i+1距离大于某个值a，且q_i，q_i-1，q_i+1形成的夹角小于某个值0时，忽略中间点q_i。

Images