CN113959452A - 基于城市路网的地图匹配方法、系统及终端 - Google Patents
基于城市路网的地图匹配方法、系统及终端 Download PDFInfo
- Publication number
- CN113959452A CN113959452A CN202111235200.1A CN202111235200A CN113959452A CN 113959452 A CN113959452 A CN 113959452A CN 202111235200 A CN202111235200 A CN 202111235200A CN 113959452 A CN113959452 A CN 113959452A
- Authority
- CN
- China
- Prior art keywords
- road
- candidate
- information
- probability
- point information
- 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 58
- 238000004364 calculation method Methods 0.000 claims description 38
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 abstract description 69
- 238000004904 shortening Methods 0.000 abstract 1
- 238000012545 processing Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 230000003044 adaptive effect Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000029305 taxis Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007704 transition 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
- G01C21/26—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
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Navigation (AREA)
Abstract
本发明提供一种基于城市路网的地图匹配方法、系统及终端,所述方法包括以下步骤:获取目标车辆的位置信息,根据所述位置信息获取至少两个时刻的定位点信息;根据两个时刻的所述定位点信息补全所述位置信息中的缺失定位点信息;获取参考地图中的道路信息,根据所述缺失定位点信息和所述位置信息在所述道路信息中确定所述目标车辆的候选道路集合;计算所述候选道路集合中的候选道路的候选概率,根据所述候选概率在所述候选道路集合中确定所述目标车辆的目标道路,大大提高了路网匹配的准确度的同时,也缩短了单点匹配时间,提高了地图匹配算法性能。
Description
技术领域
本发明属于智能出行技术领域,特别是涉及一种基于城市路网的地图匹配方法、系统及终端。
背景技术
智慧交通有关的应用都是基于轨迹的,其核心是对道路上车辆的GPS轨迹数据进行精确定位,即地图匹配。典型的GPS轨迹是一系列顺序的轨迹点。每个GPS点由纬度、经度和时间戳信息组成。但是由于GPS自身的局限性,GPS数据的采样和计算过程以及定位数据的接收和返回的过程都有可能出现误差,进而导致不准确的GPS数据。因此,需要对原始数据进行处理,然后在路网上使用,也就是地图匹配。地图匹配算法的输入应该是GPS点标记的位置信息、道路网的邻接信息以及车辆的其他行驶信息。而关键问题是如何通过综合各方面信息快速准确地推断出车辆的行驶路线。
地图匹配算法主要包括:基于几何的地图匹配算法、拓扑地图匹配算法、概率地图匹配算法以及其他地图匹配算法比如机器学习匹配算法、卡尔曼滤波匹配算法、模糊逻辑模型匹配算法和隐马尔科夫模型(HMM)的地图匹配算法等。这些先进的匹配算法,虽然准确率较高,但是针对低频采样数据,准确性明显下降。其中基于隐马尔科夫模型(HMM)的地图匹配算法,对于处理离线的高频采样的行驶数据,虽然具有较高的匹配准确率,但是在线路网匹配,匹配精准率具有局限性。在线地图匹配算法中最常用的是基于时间窗口的地图匹配算法,由于推断的延迟,影响了立即更新输出。在线地图匹配算法近期的研究包括,Mohamed等提出了基于隐马尔科夫模型的在线地图匹配算法(Novel incremental hiddenmarkov model(HMM)-based map matching algorithm,OHMM),此算法利用机器学习方法进行概率转移矩阵的计算,同时考虑了道路的限速和路宽信息,进行观测概率矩阵的计算,地图匹配的过程利用了维特比算法;Hou等提出了INC-RB算法,该算法是基于增量推理和回溯策略的地图匹配算法;郑诗晨等提出的基于粒子滤波的在线行车轨迹路网匹配方法是基于粒子滤波(Particle Filter,PF)理论进行了行车轨迹与道路网络之间的匹配,虽然解决了传统的轨迹—路网匹配方法的以全局或局部寻优的方式建立轨迹—路网匹配关系存在的影响时空数据匹配计算的相对独立性的问题,但是准确率只有85%左右,并且当研究区域较大时,实时运算能力较差,效率较低;陈良健等提出了一种基于GRU模型的在线路网匹配算法,虽然不需要通过对路网建立索引和搜索多条候选路径,地图匹配过程可以加快,但是没有考虑速度和方向信息,算法的匹配精确性较低,出现匹配错误的情况;黄振锋等提出了一种改进的曲线拟合算法,算法虽然考虑了移动对象的速度以及道路的限速等因素,具有较高的匹配准确率和计算效率,但是在城市复杂路网的真实情景下,算法的容错性、稳定性以及效率不高;滕志军等提出了基于D-S证据理论的自适应地图匹配算法,虽然改进了传统传统D-S证据理论地图匹配算法的准确率低的问题,但是当候选区域存在多条候选路段时,算法的效率和准确率均会受其影响,算法性能降低。
目前现有的地图匹配算法存在的问题是,即使算法的匹配准确率较高,在城市复杂路网的实际应用场景中,或者当轨迹数据急剧增加时,往往算法效率较低,而对于算法效率较高的匹配算法,由于没有考虑车辆角度、速度和方向角等因素,算法的匹配准确性又具有一定的局限性。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种基于城市路网的地图匹配方法、系统及终端,用于解决现有技术中车辆定位道路匹配不准确的问题。
为实现上述目的及其他相关目的,本发明提供一种基于城市路网的地图匹配方法,包括以下步骤:获取目标车辆的位置信息,根据所述位置信息获取至少两个时刻的定位点信息;根据两个时刻的所述定位点信息补全所述位置信息中的缺失定位点信息;获取参考地图中的道路信息,根据所述缺失定位点信息和所述位置信息在所述道路信息中确定所述目标车辆的候选道路集合;计算所述候选道路集合中的候选道路的候选概率,根据所述候选概率在所述候选道路集合中确定所述目标车辆的目标道路。
于本发明的一实施例中,所述根据两个时刻的所述定位点信息补全所述位置信息中的缺失定位点信息包括以下步骤:根据第一时刻的所述定位点信息获取所述目标车辆的第一时刻坐标、第一时刻速度和第一时刻方向角,根据第二时刻的所述定位点信息获取所述目标车辆的第二时刻方向角;其中,所述第二时刻在所述第一时刻之前;所述第一时刻方向角和所述第二时刻方向角分别为所述目标车辆在第一时刻、第二时刻的行驶方向与正北方向的夹角;根据所述第一时刻坐标、第一时刻速度、第一时刻方向角和第二时刻方向角计算出所述缺失定位点信息。
于本发明的一实施例中,所述缺失定位点信息的计算满足如下公式:
于本发明的一实施例中,所述根据所述缺失定位点信息和所述位置信息在所述道路信息中确定所述目标车辆的候选道路集合包括以下步骤:根据所述确实定位点信息和所述位置信息确定所述目标车辆的经度标准差、纬度标准差和经纬度之间的经纬协方差;根据所述经度标准差、所述纬度标准差和所述经纬协方差计算获取误差椭圆的长半轴、短半轴和长轴夹角,所述长轴夹角为所述长半轴与正北方向的夹角;获取椭圆圆心位置,并根据所述长半轴、所述短半轴和所述长轴夹角在所述道路信息中确定所述误差椭圆的范围大小;在所述误差椭圆的范围中挑选出候选道路组成候选道路集合。
于本发明的一实施例中,所述在所述误差椭圆的范围中挑选出候选道路组成候选道路集合包括以下步骤:将所述位置信息中定位点的坐标作为所述椭圆圆心位置得到所述误差椭圆;将位于所述误差椭圆内部的道路作为所述候选道路,将获得的所述候选道路作为所述候选道路集合。
于本发明的一实施例中,所述长半轴满足如下计算公式:
所述短半轴满足如下计算公式:
所述长轴夹角满足如下计算公式:
于本发明的一实施例中,所述计算所述候选道路集合中的候选道路的候选概率包括以下步骤:根据所述位置信息计算所述目标车辆在候选道路集合中的候选道路的投影距离概率、车辆道路夹角概率和车辆高程概率;根据所述投影距离概率、所述车辆道路夹角概率和所述车辆高程概率,以及权重系数,计算出所述候选道路的候选概率;所述根据所述候选概率在所述候选道路集合中确定所述目标车辆的目标道路包括以下步骤:在所有的所述候选道路集合的候选概率中,选择最大的候选概率对应的候选道路作为目标道路。
于本发明的一实施例中,在根据所述位置信息获取至少两个时刻的定位点信息之前,所述方法还包括:根据定位的误差和目标车辆的最大偏移去除所述位置信息中的异常定位点。
本发明提供一种基于城市路网的地图匹配系统,包括获取模块、补全模块、候选道路计算模块及目标道路计算模块;所述获取模块用于获取目标车辆的位置信息,根据所述位置信息获取至少两个时刻的定位点信息;所述补全模块用于根据两个时刻的所述定位点信息补全所述位置信息中的缺失定位点信息;所述候选道路计算模块用于获取参考地图中的道路信息,根据所述缺失定位点信息和所述位置信息在所述道路信息中确定所述目标车辆的候选道路集合;所述目标道路计算模块用于计算所述候选道路集合中的候选道路的候选概率,根据所述候选概率在所述候选道路集合中确定所述目标车辆的目标道路。
本发明提供一种终端,包括:处理器及存储器;所述存储器用于存储计算机程序;所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行上述的基于城市路网的地图匹配方法。
如上所述,本发明所述的基于城市路网的地图匹配方法、系统及终端,具有以下有益效果:
与现有技术相比,本发明将道路分为平行道路、交叉道路、高架道路以及组合道路四种类型,针对不同的道路类型,自适应调整权重参数,结合距离、方向以及高程的基本概率构造函数,计算候选道路概率,选择概率值最大的候选道路为最终实际道路,分别与基于GRU模型的路网匹配算法、复杂环境下的精确的实时地图匹配中提出的OHMM算法、基于低频采样GPS数据还原行驶路线的快速在线地图匹配算法研究中提出的INC-RB算法在匹配准确率和单点匹配时间进行比较,匹配准确率可提高4%左右,单点匹配时间缩短1.5ms左右,大大提高了路网匹配的准确度的同时,也缩短了单点匹配时间,提高了地图匹配算法性能,解决了复杂路网下的匹配难的问题,实现了城市复杂路网背景下的精准和快速地图匹配。
附图说明
图1显示为本发明的基于城市路网的地图匹配方法于一实施例中的流程图。
图2显示为本发明的补全缺失定位点信息于一实施例中的流程图。
图3显示为本发明的根据缺失定位点信息和位置信息在道路信息中确定目标车辆的候选道路集合于一实施例中的流程图。
图4显示为本发明的在误差椭圆的范围中挑选出候选道路组成候选道路集合于一实施例中的流程图。
图5显示为本发明的计算候选道路集合中的候选道路的候选概率于一实施例中的流程图。
图6显示为本发明的投影距离的计算示意图。
图7显示为本发明的车辆道路夹角的计算示意图。
图8显示为本发明的目标车辆的位置信息的采集结果示意图。
图9显示为本发明的基于城市路网的地图匹配方法与现有算法的匹配准确率于一实施例中的对比示意图。
图10至图13分别显示为在两条、三条、四条及五条候选道路,本发明的基于城市路网的地图匹配方法与现有算法的匹配时间计算对比示意图。
图14显示为本发明的基于城市路网的地图匹配系统于一实施例中的结构示意图。
具体实施方式
以下通过特定的具体实施例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
本发明的基于城市路网的地图匹配方法、系统及终端,大大提高了路网匹配的准确度的同时,也缩短了单点匹配时间,提高了地图匹配算法性能,解决了复杂路网下的匹配难的问题,实现了城市复杂路网背景下的精准和快速地图匹配。
如图1所示,于一实施例中,本发明的一种基于城市路网的地图匹配方法,包括以下步骤:
S101、获取目标车辆的位置信息,根据所述位置信息获取至少两个时刻的定位点信息。
具体地,通过获取至少两个时刻的定位点信息,以便于后续根据所述定位点信息来位置信息中确实的定位点坐标,以便于对所述目标车辆进行准确定位。
于一些实施例中,在根据所述位置信息获取至少两个时刻的定位点信息之前,所述方法还包括以下步骤:根据定位的误差和目标车辆的最大偏移去除所述位置信息中的异常定位点。
由于定位误差的存在,在所述位置信息中可能会存在一些异常的定位点,通过定位的误差和目标车辆的最大偏移取出位置信息中的异常定位点,以去除所述位置信中的异常定位点,从而在后续地图匹配的过程中,提高匹配结果的准确性。
具体地,根据所述目标车辆的位置信息中的定位误差和车辆的最大偏移来确定距离的最大值,将大于距离最大值的定位点作为异常定位点去除,其中所述距离最大值也称为距离阈值Rmax,其计算过程满足如下公式:
Rmax=(Vrmax+Vs)*δt+r
其中Vrmax为道路最大限速,Vs为瞬时速度误差,δt为车辆定位信息采样间隔时间,r为置信水平一定下的定位数据的误差半径,即确定了误差水平的条件下的误差半径,即在得到目标车辆的位置信息时,根据所述误差半径,所述目标车辆的可能位置即为以r为半径、当前获得的位置信息为圆心的圆内部。
具体进行判断时,如果所述位置信息中的定位点到道路的距离超过距离阈值Rmax,则判断此定位点为异常定位点,将此定位点去除,反之,则保留此定位点,从而完成对位置信息中定位点的筛选过程。
S102、根据两个时刻的所述定位点信息补全所述位置信息中的缺失定位点信息。
于一实施例中,所述根据两个时刻的所述定位点信息补全所述位置信息中的缺失定位点信息,包括以下步骤:
一、根据第一时刻的所述定位点信息获取所述目标车辆的第一时刻坐标、第一时刻速度和第一时刻方向角,根据第二时刻的所述定位点信息获取所述目标车辆的第二时刻方向角,其中所述第二时刻在所述第一时刻之前,其中,所述第一时刻方向角和所述第二时刻方向角分别为所述目标车辆在第一时刻、第二时刻的行驶方向与正北方向的夹角。
二、根据所述第一时刻坐标、第一时刻速度、第一时刻方向角和第二时刻方向角计算出所述缺失定位点信息。
进一步地,本实施例采用插值算法补全定位点坐标,具体的补全过程如图2所示。
于一实施例中,所述缺失定位点信息的计算满足如下公式:
xi=xi-1+vi-1*δt*sin[(φi-1-φi-2)+φi-1]
yi=yi-1+vi-1*δt*cos[(φi-1-φi-2)+φi-1]
其中,(xi,yi)为所述缺失定位点信息的坐标,(xi-1,yi-1)为第一时刻坐标,φi-1为第一时刻方向角,φi-2分别为第二时刻方向角,i为正整数。
S103、获取参考地图中的道路信息,根据所述缺失定位点信息和所述位置信息在所述道路信息中确定所述目标车辆的候选道路集合。
在上述过程中,所述参考地图中的道路信息是直接从网上下载的开源地图,为进一步完善地图的完整性,对照现有地图,对下载的开源地图进行检测和补全,比如高德地图,从而得到参考地图,以保证后续进行地图匹配的时候的准确性,由于开源地图的检测和补全的过程为现有技术的内容,此处不再赘述。
如图3所示,于一实施例中,所述根据所述缺失定位点信息和所述位置信息在所述道路信息中确定所述目标车辆的候选道路集合包括如下步骤:
S301、根据所述确实定位点信息和所述位置信息确定所述目标车辆的经度标准差、纬度标准差和经纬度之间的经纬协方差;
S302、根据所述经度标准差、所述纬度标准差和所述经纬协方差计算获取误差椭圆的长半轴、短半轴和长轴夹角,所述长轴夹角为所述长半轴与正北方向的夹角;
S303、获取椭圆圆心位置,并根据所述长半轴、所述短半轴和所述长轴夹角在所述道路信息中确定所述误差椭圆的范围大小;
S304、在所述误差椭圆的范围中挑选出候选道路组成候选道路集合。
通过上述方法,在获取了参考地图中的道路信息之后,根据经过补全之后的位置信息在所述道路芯中确定所述目标车辆的候选道路集合,以便于后续根据选出的候选道路集合选出概率最大的候选道路,以提高地图匹配的准确性。
如图4所示,于一实施例中,所述步骤S304、在所述误差椭圆的范围中挑选出候选道路组成候选道路集合包括如下步骤:
S401、将所述位置信息中定位点的坐标作为所述椭圆圆心位置得到所述误差椭圆;
S402、将位于所述误差椭圆内部的道路作为所述候选道路,将获得的所述候选道路作为所述候选道路集合。
在根据上述公式计算出的误差椭圆的长半轴、短半轴和长轴夹角之后,根据获取的椭圆圆心位置,即可确定误差椭圆的准确位置,之后根据目标车辆的位置信息,将落在误差椭圆中的道路作为候选道路,就可以在所述误差椭圆中挑选出多个候选道路作为候选道路结合。
在进一步的实施例中,为了减少匹配时间,将误差椭圆简化为误差圆,将位置信息中定位点的坐标(xi,yi)作为误差圆的圆心,同时根据误差椭圆的长半轴、短半轴和长轴夹角计算误差圆半径M,以确定所述误差圆的准确位置。
所述误差圆的半径计算满足如下公式:
在计算出所述误差圆的半径M之后,之后根据误差圆的半径M和误差圆的圆心位置坐标(xi,yi)即可得到误差圆的准确位置,将落在误差圆内部的道路作为候选道路Ri,所有的候选路段组合在一起组成定位点的候选道路集合R,R为全部候选匹配道路集合,R={R1,R2,...,Ri,...Rn|i=1,2,...,n},n和i均为正整数。
S104、计算所述候选道路集合中的候选道路的候选概率,根据所述候选概率在所述候选道路集合中确定所述目标车辆的目标道路。
如图5所示,于一实施例中,所述计算所述候选道路集合中的候选道路的候选概率,包括以下骤:
S501、根据所述位置信息计算所述目标车辆在候选道路集合中的候选道路的投影距离概率、车辆道路夹角概率和车辆高程概率。
其中,所述投影距离概率指的是投影距离的概率,所述投影距离指的是所述目标车辆的定位点到道路的投影距离,当定位点到道路的投影距离越小,则表示所述定位点在该道路的可能性就越大。
如图6所示,于一实施例中,所述投影距离的计算方式有两种:
(1)当定位点S1(x,y)与路段PQ之间的垂直连线与路段PQ之间的交点落在线段PQ上时,定位点S1到路段PQ的最短距离为d1,计算式为:
(2)定位点S2到路段PQ的投影在路段PQ的延长线上,S2到路段PQ的最短距离为d2,其计算式为:
其中,P点的坐标为(x1,y1),Q点的坐标为(x2,y2),P点与S2的距离小于Q点与S1的距离。
进一步的,由于所述候选道路集合为R={R1,R2,...,Ri,...Rn|i=1,2,...,n},则投影距离概率的计算公式P1(Ri)满足如下:
式中:λ为误差圆半径M与定位点到候选路段Ri的投影距离di之比。
车辆道路夹角是车辆位于交叉路口或者周围多条候选道路的情况下,对车辆进行准确定位的一个重要标准。假设车辆方向与道路方向的夹角为θi,如图7所示。假设Q点的坐标为(x,y),O为坐标原点,坐标为(0,0),那么道路上的路段OQ与北方方向夹角γi可以计算公式为:
如果x=0,y<0,那么γi=π,如果x=0,y>0,那么γi=0,由此可以推导出θi计算公式为
假设从误差圆中获取的候选道路集合为D={R1,R2,···,Ri,···,Rn|i=1,2,···,n},那么车辆道路夹角概率P2(Ri)的计算公式为
由于城市复杂道路还包括高架路段,城市高架路错综复杂,尤其是分叉口比较多的路段是地图匹配中最为复杂的情况。除了投影距离、方向和车速等指标外,还需要考虑高程信息。
假设待匹配点的高程为h,路网的高程为Hi,那么高程的概率P3(Ri)计算式为
通过上述公式计算出候选道路集合中候选道路的候选道路的投影距离概率、车辆道路夹角概率和车辆高程概率,以便于后续计算出每条候选道路的概率。
S502、根据所述投影距离概率、所述车辆道路夹角概率和所述车辆高程概率,以及权重系数,计算出所述候选道路的候选概率。
在计算了投影距离概率、所述车辆道路夹角概率和所述车辆高程概率后,对于非高架路段,采用距离方向结合的方式计算候选路段的综合概率,针对高架路段,采用距离、方向和高程结合的方式计算路段的综合概率。对于非高架路,候选路段的综合概率计算为:
p0=μ1p1p2+μ2p1p2+μ3p1p2+μ4p1p2;
其中,p1表示当前候选道路的投影距离概率,p2表示当前候选道路的车辆道路夹角概率。对于高架路,加入了高程信息,候选路段的综合概率计算式为:
p0=μ1p1p2+μ2p1p2+μ3p1p2+μ4p1p2+μ5p1p3;
其中,p1表示当前候选道路的投影距离概率,p2表示当前候选道路的车辆道路夹角概率,p3表示当前候选道路的车辆道路夹角概率。
在上述计算公式中,μ1、μ2、μ3、μ4、μ5均表示权重系数,所述权重系数为预设值,可根据不同的场景进行调整。
进一步地,在计算出候选道路的候选概率之后,在所有的所述候选道路集合的候选概率中,选择最大的候选概率对应的候选道路作为目标道路。
为了进一步对本方案的方法进行说明,结合现有的算法进行说明。
如图8所示,基于本发明的方法,采用从2000多辆常州市出租车中采集的实时定位信息对本发明公开的自适应投影匹配算法进行实验验证,每辆车的位置、方向和速度信息均是通过车辆车载终端的定位设备获取,采样时间间隔为10s。由图8可以看出:车辆的每一个定位点都能很好地匹配到道路上,在交叉路口也具有极高的匹配准确率。
如图9所示,将自适应投影地图匹配方法,分别与最新提出的基于GRU模型的路网匹配算法、复杂环境下的精确的实时地图匹配中提出的OHMM算法、基于低频采样GPS数据还原行驶路线的快速在线地图匹配算法研究中提出的INC-RB算法在匹配准确率和单点匹配时间进行比较。对上述四种算法进行匹配准确率的对比如图9所示。在平行路段,自适应投影地图匹配算法和INC-RB算法匹配准确率最高,原因在于待匹配点到道路的投影距离在平行道路的情况下是最重要的参考指标,待匹配点到平行道路中的哪条道路的投影距离越近,越有可能位于该道路。在交叉路段的情况下,本发明方法的匹配准确率约为97%,匹配准确率最高,由于自适应投影匹配算法,在交叉路段的情形下,同时考虑了投影距离和方向角两个个变量进行了候选道路概率的计算,车辆在交叉路口的定位不会只根据投影距离最近的原则进行路网匹配。而OHMM算法是通过计算实际观测概率和计算转移概率相结合的方式计算候选道路的最终匹配概率,在复杂交叉路口的实际应用场景下,准确率受到一定程序的影响。在组合路段下,匹配算法准确率最高,自适应投影算法主要是针对不同路段得出的一种计算方法,根据不同的道路类型,选择不同的权重系数和变量计算候选道路的概率,最适用于组合路段的情况,因此本发明的方法在组合路段情形下匹配准确率最高。
如图10-图13所示,对匹配方法的评价,除了计算四种不同算法的匹配准确率之外,还分别计算了四种算法的单点匹配时间,单点匹配时间是指将待匹配点匹配到确定路段所用的平均时间,图10-图13分别为四种方法在两条、三条、四条及五条候选道路下的匹配时间。由图7可以得出:当候选道路为两条时,本发明的方法匹配时间为3.8ms;当候选道路为五条时,匹配时间约为5.5ms;随着候选道路的增加,四种算法的单点匹配时间虽然均有所增加,但是本发明的方法的单点匹配时间均低于其他三种算法,单点匹配时间大约可以降低1.5ms,具有较好的实时性,在提高地图道路匹配准确性的同时,能够有效减少匹配时间。
如图14所示,于一实施例中,本发明还公开了一种基于城市路网的地图匹配系统包括获取模块1401、补全模块1402、候选道路计算模块1403及目标道路计算模块1404。
所述获取模块1401用于获取目标车辆的位置信息,根据所述位置信息获取至少两个时刻的定位点信息;
所述补全模块1402用于根据两个时刻的所述定位点信息补全所述位置信息中的缺失定位点信息;
所述候选道路计算模块1403用于获取参考地图中的道路信息,根据所述缺失定位点信息和所述位置信息在所述道路信息中确定所述目标车辆的候选道路集合;
所述目标道路计算模块1404用于计算所述候选道路集合中的候选道路的候选概率,根据所述候选概率在所述候选道路集合中确定所述目标车辆的目标道路
需要说明的是,基于城市路网的地图匹配系统的工作原理与上述基于城市路网的地图匹配方法的工作原理相同,故在此不再赘述。
需要说明的是,应理解以上系统的各个模块的划分仅仅是一种逻辑功能的划分,实际实现时可以全部或部分集成到一个物理实体上,也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现;也可以全部以硬件的形式实现;还可以部分模块通过处理元件调用软件的形式实现,部分模块通过硬件的形式实现。例如,x模块可以为单独设立的处理元件,也可以集成在上述系统的某一个芯片中实现,此外,也可以以程序代码的形式存储于上述系统的存储器中,由上述系统的某一个处理元件调用并执行以上x模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起,也可以独立实现。这里所述的处理元件可以是一种集成电路,具有信号的处理能力。在实现过程中,上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如,以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific Integrated Circuit,简称ASIC),或,一个或多个数字信号处理器(Digital Signal Processor,简称DSP),或,一个或者多个现场可编程门阵列(Field Programmable Gate Array,简称FPGA)等。再如,当以上某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,例如中央处理器(Central Processing Unit,简称CPU)或其它可以调用程序代码的处理器。再如,这些模块可以集成在一起,以片上系统(System-On-a-Chip,简称SOC)的形式实现。
本发明的终端包括处理器及存储器。
所述存储器用于存储计算机程序;优选地,所述存储器包括:ROM、RAM、磁碟、U盘、存储卡或者光盘等各种可以存储程序代码的介质。
所述处理器与所述存储器相连,用于执行所述存储器存储的计算机程序,以使所述终端执行上述的基于城市路网的地图匹配方法。
优选地,所述处理器可以是通用处理器,包括中央处理器(Central ProcessingUnit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processor,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
需要说明的是,本发明的基于城市路网的地图匹配系统可以实现本发明的基于城市路网的地图匹配方法,但本发明的基于城市路网的地图匹配方法的实现装置包括但不限于本实施例列举的基于城市路网的地图匹配系统的结构,凡是根据本发明的原理所做的现有技术的结构变形和替换,都包括在本发明的保护范围内。
综上所述,本发明的基于城市路网的地图匹配方法、系统及终端,将道路分为平行道路、交叉道路、高架道路以及组合道路四种类型,针对不同的道路类型,自适应调整权重参数,结合距离、方向以及高程的基本概率构造函数,计算候选道路概率,选择概率值最大的候选道路为最终实际道路,分别与基于GRU模型的路网匹配算法、复杂环境下的精确的实时地图匹配中提出的OHMM算法、基于低频采样GPS数据还原行驶路线的快速在线地图匹配算法研究中提出的INC-RB算法在匹配准确率和单点匹配时间进行比较,匹配准确率可提高4%左右,单点匹配时间缩短1.5ms左右,大大提高了路网匹配的准确度的同时,也缩短了单点匹配时间,提高了地图匹配算法性能,解决了复杂路网下的匹配难的问题,实现了城市复杂路网背景下的精准和快速地图匹配;所以,本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种基于城市路网的地图匹配方法,其特征在于,包括以下步骤:
获取目标车辆的位置信息,根据所述位置信息获取至少两个时刻的定位点信息;
根据两个时刻的所述定位点信息补全所述位置信息中的缺失定位点信息;
获取参考地图中的道路信息,根据所述缺失定位点信息和所述位置信息在所述道路信息中确定所述目标车辆的候选道路集合;
计算所述候选道路集合中的候选道路的候选概率,根据所述候选概率在所述候选道路集合中确定所述目标车辆的目标道路。
2.根据权利要求1所述的基于城市路网的地图匹配方法,其特征在于,所述根据两个时刻的所述定位点信息补全所述位置信息中的缺失定位点信息包括以下步骤:
根据第一时刻的所述定位点信息获取所述目标车辆的第一时刻坐标、第一时刻速度和第一时刻方向角,根据第二时刻的所述定位点信息获取所述目标车辆的第二时刻方向角;其中,所述第二时刻在所述第一时刻之前;所述第一时刻方向角和所述第二时刻方向角分别为所述目标车辆在第一时刻、第二时刻的行驶方向与正北方向的夹角;
根据所述第一时刻坐标、第一时刻速度、第一时刻方向角和第二时刻方向角计算出所述缺失定位点信息。
4.根据权利要求3所述的基于城市路网的地图匹配方法,其特征在于,所述根据所述缺失定位点信息和所述位置信息在所述道路信息中确定所述目标车辆的候选道路集合包括以下步骤:
根据所述确实定位点信息和所述位置信息确定所述目标车辆的经度标准差、纬度标准差和经纬度之间的经纬协方差;
根据所述经度标准差、所述纬度标准差和所述经纬协方差计算获取误差椭圆的长半轴、短半轴和长轴夹角,所述长轴夹角为所述长半轴与正北方向的夹角;
获取椭圆圆心位置,并根据所述长半轴、所述短半轴和所述长轴夹角在所述道路信息中确定所述误差椭圆的范围大小;
在所述误差椭圆的范围中挑选出候选道路组成候选道路集合。
5.根据权利要求4所述的基于城市路网的地图匹配方法,其特征在于,所述在所述误差椭圆的范围中挑选出候选道路组成候选道路集合包括以下步骤:
将所述位置信息中定位点的坐标作为所述椭圆圆心位置得到所述误差椭圆;
将位于所述误差椭圆内部的道路作为所述候选道路,将获得的所述候选道路作为所述候选道路集合。
7.根据权利要求1所述的基于城市路网的地图匹配方法,其特征在于,所述计算所述候选道路集合中的候选道路的候选概率包括以下步骤:
根据所述位置信息计算所述目标车辆在候选道路集合中的候选道路的投影距离概率、车辆道路夹角概率和车辆高程概率;
根据所述投影距离概率、所述车辆道路夹角概率和所述车辆高程概率,以及权重系数,计算出所述候选道路的候选概率;
所述根据所述候选概率在所述候选道路集合中确定所述目标车辆的目标道路包括以下步骤:在所有的所述候选道路集合的候选概率中,选择最大的候选概率对应的候选道路作为目标道路。
8.根据权利要求1所述的基于城市路网的地图匹配方法,其特征在于,在根据所述位置信息获取至少两个时刻的定位点信息之前,所述方法还包括:根据定位的误差和目标车辆的最大偏移去除所述位置信息中的异常定位点。
9.一种基于城市路网的地图匹配系统,其特征在于,包括:获取模块、补全模块、候选道路计算模块及目标道路计算模块;
所述获取模块用于获取目标车辆的位置信息,根据所述位置信息获取至少两个时刻的定位点信息;
所述补全模块用于根据两个时刻的所述定位点信息补全所述位置信息中的缺失定位点信息;
所述候选道路计算模块用于获取参考地图中的道路信息,根据所述缺失定位点信息和所述位置信息在所述道路信息中确定所述目标车辆的候选道路集合;
所述目标道路计算模块用于计算所述候选道路集合中的候选道路的候选概率,根据所述候选概率在所述候选道路集合中确定所述目标车辆的目标道路。
10.一种终端,其特征在于,包括:处理器及存储器;
所述存储器用于存储计算机程序;
所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行权利要求1至8中任一项所述的基于城市路网的地图匹配方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111235200.1A CN113959452B (zh) | 2021-10-22 | 2021-10-22 | 基于城市路网的地图匹配方法、系统及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111235200.1A CN113959452B (zh) | 2021-10-22 | 2021-10-22 | 基于城市路网的地图匹配方法、系统及终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113959452A true CN113959452A (zh) | 2022-01-21 |
CN113959452B CN113959452B (zh) | 2024-07-02 |
Family
ID=79466426
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111235200.1A Active CN113959452B (zh) | 2021-10-22 | 2021-10-22 | 基于城市路网的地图匹配方法、系统及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113959452B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115824234A (zh) * | 2023-02-23 | 2023-03-21 | 智道网联科技(北京)有限公司 | 地图匹配方法、装置及电子设备 |
CN116539036A (zh) * | 2023-03-13 | 2023-08-04 | 苏州科技大学 | 车辆位置确定方法、车辆轨迹补偿方法、电子设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101696886A (zh) * | 2009-10-29 | 2010-04-21 | 哈尔滨工业大学 | 一种在gps盲区内的电子地图辅助惯性导航方法 |
CN104900057A (zh) * | 2015-05-20 | 2015-09-09 | 江苏省交通规划设计院股份有限公司 | 一种城市快速路主辅道的浮动车地图匹配方法 |
CN105628033A (zh) * | 2016-02-26 | 2016-06-01 | 广西鑫朗通信技术有限公司 | 一种基于道路连通关系的地图匹配方法 |
CN105928529A (zh) * | 2016-04-18 | 2016-09-07 | 中国有色金属长沙勘察设计研究院有限公司 | 一种多证据融合地图匹配算法 |
CN106289281A (zh) * | 2016-07-15 | 2017-01-04 | 武汉科技大学 | 一种基于三证据ds理论的双模式地图匹配方法 |
CN109405839A (zh) * | 2018-10-23 | 2019-03-01 | 南京林业大学 | 一种基于多路径的交通网络离线地图匹配算法 |
US20190204096A1 (en) * | 2017-12-29 | 2019-07-04 | Uber Technologies, Inc. | Measuring the accuracy of map matched trajectories |
CN110285817A (zh) * | 2019-07-12 | 2019-09-27 | 东北电力大学 | 基于自适应d-s证据理论的复杂路网地图匹配方法 |
US10533862B1 (en) * | 2018-11-28 | 2020-01-14 | Uber Technologies, Inc. | Biasing map matched trajectories based on planned route information |
CN111189459A (zh) * | 2020-01-10 | 2020-05-22 | 成都信息工程大学 | 一种定位信息与道路匹配的方法和装置 |
-
2021
- 2021-10-22 CN CN202111235200.1A patent/CN113959452B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101696886A (zh) * | 2009-10-29 | 2010-04-21 | 哈尔滨工业大学 | 一种在gps盲区内的电子地图辅助惯性导航方法 |
CN104900057A (zh) * | 2015-05-20 | 2015-09-09 | 江苏省交通规划设计院股份有限公司 | 一种城市快速路主辅道的浮动车地图匹配方法 |
CN105628033A (zh) * | 2016-02-26 | 2016-06-01 | 广西鑫朗通信技术有限公司 | 一种基于道路连通关系的地图匹配方法 |
CN105928529A (zh) * | 2016-04-18 | 2016-09-07 | 中国有色金属长沙勘察设计研究院有限公司 | 一种多证据融合地图匹配算法 |
CN106289281A (zh) * | 2016-07-15 | 2017-01-04 | 武汉科技大学 | 一种基于三证据ds理论的双模式地图匹配方法 |
US20190204096A1 (en) * | 2017-12-29 | 2019-07-04 | Uber Technologies, Inc. | Measuring the accuracy of map matched trajectories |
CN109405839A (zh) * | 2018-10-23 | 2019-03-01 | 南京林业大学 | 一种基于多路径的交通网络离线地图匹配算法 |
US10533862B1 (en) * | 2018-11-28 | 2020-01-14 | Uber Technologies, Inc. | Biasing map matched trajectories based on planned route information |
CN110285817A (zh) * | 2019-07-12 | 2019-09-27 | 东北电力大学 | 基于自适应d-s证据理论的复杂路网地图匹配方法 |
CN111189459A (zh) * | 2020-01-10 | 2020-05-22 | 成都信息工程大学 | 一种定位信息与道路匹配的方法和装置 |
Non-Patent Citations (1)
Title |
---|
滕志军: "复杂路网的自适应D⁃S证据理论地图匹配算法", 《吉林大学学报(工学版)》, vol. 51, no. 2, pages 525 - 529 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115824234A (zh) * | 2023-02-23 | 2023-03-21 | 智道网联科技(北京)有限公司 | 地图匹配方法、装置及电子设备 |
CN116539036A (zh) * | 2023-03-13 | 2023-08-04 | 苏州科技大学 | 车辆位置确定方法、车辆轨迹补偿方法、电子设备 |
CN116539036B (zh) * | 2023-03-13 | 2024-02-02 | 苏州科技大学 | 车辆位置确定方法、车辆轨迹补偿方法、电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113959452B (zh) | 2024-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109459045B (zh) | 一种针对低频gps轨迹的改进交互式投票匹配方法 | |
CN106781478B (zh) | 一种基于lte信令数据的轨迹跟踪方法 | |
CN113959452A (zh) | 基于城市路网的地图匹配方法、系统及终端 | |
CN110285817B (zh) | 基于自适应d-s证据理论的复杂路网地图匹配方法 | |
CN107328423B (zh) | 基于地图数据的弯道识别方法及其系统 | |
CN113932821B (zh) | 基于连续窗口平均方向特征的轨迹地图匹配方法 | |
CN111694032A (zh) | 一种基于聚类的大规模轨迹数据的快速地图匹配方法 | |
CN111189459A (zh) | 一种定位信息与道路匹配的方法和装置 | |
CN115265555B (zh) | 基于隐马尔科夫的多噪声感知的地图匹配校正方法及系统 | |
CN109033239B (zh) | 一种基于最小二乘优化的路网结构生成方法 | |
CN111060112A (zh) | 基于方向角的车辆轨迹地图匹配方法及系统 | |
CN113295173B (zh) | 环形路段的地图匹配方法 | |
CN114137562B (zh) | 一种基于改进全局最邻近的多目标跟踪方法 | |
CN114973195A (zh) | 基于多信息融合的车辆追踪方法、装置及系统 | |
CN106289281A (zh) | 一种基于三证据ds理论的双模式地图匹配方法 | |
CN112699575A (zh) | 一种虚拟车辆测试平台中相对位置测算方法及系统 | |
CN116958316A (zh) | 拓扑图生成方法、装置、计算机设备及存储介质 | |
CN117152958A (zh) | 一种车辆轨迹识别方法、装置、识别设备及可读存储介质 | |
WO2012041732A1 (en) | A method and means for acquiring path information on the basis of mobile terminal handover information | |
CN114705200A (zh) | 一种基于路径增量的高采样率轨迹地图匹配方法 | |
CN113487858A (zh) | 一种面向路网数据的异常轨迹检测方法 | |
Lü et al. | A heuristic path-estimating algorithm for large-scale real-time traffic information calculating | |
CN114462609A (zh) | 一种基于隐马尔可夫模型的浮动车数据轨迹还原方法 | |
CN110727749A (zh) | 一种自适应候选路段搜索方法 | |
CN108763817B (zh) | 一种基于最小二乘法建模的电力地下管网匹配方法 |
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 |