CN114064940B - 基于超赋值语义的模糊位置描述定位方法 - Google Patents
基于超赋值语义的模糊位置描述定位方法 Download PDFInfo
- Publication number
- CN114064940B CN114064940B CN202111336087.6A CN202111336087A CN114064940B CN 114064940 B CN114064940 B CN 114064940B CN 202111336087 A CN202111336087 A CN 202111336087A CN 114064940 B CN114064940 B CN 114064940B
- Authority
- CN
- China
- Prior art keywords
- context
- dir
- dis
- spatial
- representing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/38—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/387—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Automation & Control Theory (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Library & Information Science (AREA)
- Computational Mathematics (AREA)
- Biomedical Technology (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于超赋值语义的模糊位置描述定位方法,该方法包括单一空间断言的定位方法和复合空间断言的定位方法,具体包括:步骤1:单一空间断言的定位框架,定位方法的目的在于建立模糊位置描述与现实空间位置的映射关系,当位置描述中只存在一组参照物、目标物及其空间关系时,本发明将其定义为单一空间断言。步骤2:基于上下文的观察值阈值计算。步骤3:不同上下文间的阈值对比与转换。本发明有效解决了不同语境中位置描述模糊性差异显著而难以定位问题,适应于互联网+时代背景下文本描述中空间位置存在模糊性情况,满足大数据时代位置服务向智能化转型的迫切需求。通过多个空间断言上下文的超赋值较为准确地获得目标物的空间定位。
Description
技术领域
本发明提出了一种提出一种基于超赋值语义的定位方法,属于大数据技术领域。
背景技术
位置是空间众多特征维度中一项基础且重要的特征,认知空间位置能够回答地理学六大问题中“在哪里”的问题,并为地理学其它问题的答案提供空间参照。位置描述是人类空间认知的自然语言表达,用于阐述不同空间实体间的分布差异,使得人类和现实环境产生相互作用。由于自然语言是人类社会信息传递第一性的、最基本的手段,位置描述是人类交流中传递空间位置信息的重要媒介。现阶段,人工智能引发的变革正在向各行各业蔓延。环境、人、机器之间的相互感知也向着便捷、智能、便于人们使用的方向发展,自然语言成为消除人与机器之间交互障碍的重要途径。在当前大数据时代背景下,通过语音或者文本进行自然语言交互式的位置服务(Location Based Services,LBS)已经成为趋势,以促进下一代地理信息平台向智能、泛在发展的整体转型。
位置描述以定性或半定量的方式存在,虽然提供了丰富的定位线索,但普遍具有模糊性。这种模糊性既包括空间对象本身,也包括个体空间认知上的差异,以及自然语言的描述方式。目前,对于位置描述的模糊性研究主要采用二值逻辑建模和模糊逻辑(fuzzylogic)的方法。典型的二值逻辑建模包括锥型模型、方向矩阵模型、基于Voronoi图的模型、细节方向关系表达模型等,依据模型结构将空间区域硬性地划分为几个区域。在客观世界中,空间在相邻方向的过渡是连续的、平滑的。若采用“非此即彼”的建模方式,则不同结果集合之间的过渡是跳跃的、不平滑的,用精确的方法描述和处理不确定性往往造成信息损失。模糊逻辑通过隶属度函数解释空间上每一点隶属于模糊位置的程度,通常隶属度函数(Membership Function,MF)都是二维的。在确定一个空间位置的隶属度函数时,还需要借助认知实验、地理信息检索、遥感影像分类等方法。由于模糊逻辑是线序的,每个隶属度赋值之间都可以比较大小,但是不适用于解释多维模糊性问题。
超赋值语义是哲学领域一种用来解释“模糊性”问题的非二值逻辑,其核心思想在于对难以判断真实性的含糊表达,引入真、假以外不定值进行模糊性解释。例如,公园距离广场近,在某些情况下为真,在另外一些情况下为假,则“距离近”是一个可真可假的边界例子。超赋值语义能够比较精细且符合直观的刻画不定和确定的真、假之间的关系,同时在一定程度上保持经典逻辑。相较于模糊性问题的其它解法,超赋值语义更容易让人理解和接受。本文借鉴超赋值语义的理论方法,依据位置描述构建空间定位模型,以有效地处理自然语言中空间位置信息的模糊性现象,正确理解不同场景中人们对于空间位置的认知。
发明内容
本发明目的在于针对上述现有技术的不足,提出了一种基于超赋值语义的模糊位置描述定位方法,该方法有效地解决了不同语境中位置描述模糊性差异显著而难以定位的问题,适应于互联网+时代背景下文本描述中空间位置存在模糊性的情况,满足大数据时代位置服务向智能化转型的迫切需求。
本发明解决其技术问题所采取的技术方案是,一种基于超赋值语义的模糊位置描述定位方法,该方法主要包括两个部分:单一空间断言的定位方法和复合空间断言的定位方法。其主要步骤包括如下:
步骤1:单一空间断言的定位框架
定位方法的目的在于建立模糊位置描述与现实空间位置的映射关系,当位置描述中只存在一组参照物、目标物及其空间关系时,本发明将其定义为单一空间断言。目标物的单一空间断言(Vo)中包含了参照物描述(Vr)、距离关系描述(Vdis)和方向关系描述(Vdir),Vo是Vr、Vdis和Vdir相互组合达到的效果,模糊Vo的精确化依赖于上下文c。利用形式化的方式可以定义为:
n(c)=n(cr)∩n(cdis)∩n(cdir) (2)
式中,o表示目标物;c表示上下文;L(o)表示目标物o在现实空间中的位置; V(o,c)表示在o的位置具有含糊谓词的上下文c的空间断言;range(o)函数表示 o所在位置的空间范围;n(c)表示上下文c表达出的位置;cr表示参照物r的上下文; cdis表示距离关系的上下文;cdir表示方向关系的上下文;∧表示由左侧扩展到右侧;表示左侧值在右侧的范围内;∩表示左右侧的条件需要同时满足;/>表示左侧内容的判断通过右侧方法实现。
当上下文c表达出的位置n(c)在o的range内,V(o,c)为真。而判断V(o,c) 是否为真的关键,则需要对Vr、Vdis和Vdir分别进行精确化。
步骤1-1:建立模糊空间对象模型:
位置描述中表达空间对象的模糊谓词通常是对象名称或代称,体现出空间对象的类型。相对于目标物,参照物在位置描述的使用者之间应该是相对熟悉、具有代表性的空间对象。因此,位置描述的使用者能够大致掌握参照物的空间位置的存在范围,但是受制于空间认知的能力仍然存在一定模糊性。模糊Vr的精确化都依赖于上下文cr,利用形式化的方式可以定义为:
式中,r表示参照物;L(r)表示参照物r在现实空间中的位置;V(r,cr)表示在r的位置中包括具有含糊谓词的上下文cr的空间断言。range(r)函数表示r所在位置的范围;n(cr)表示上下文cr表达出的位置;∧表示由左侧扩展到右侧;表示左侧值在右侧的范围内;表示左侧内容的判断通过右侧方法实现。
当上下文cr表达出的位置n(cr)在r的range内,V(r,cr)为真。以参照物“A 商店(mall)”为例,V(r,cr)精确化的主要规则定义如下:
式中,表示任取一个认知位置;/>表示任取一个真实空间位置;/>表示任取一个包含参照物r的上下文;map(x,y)表示将位置描述中认知的位置x映射到真实空间位置y;Δsld表示量测不同位置间的距离;in()函数表示将上下文映射为数值;/>表示左侧值在右侧的范围内;/>表示左侧内容的判断通过右侧方法实现。(说明: mall(x,y,cr)的含义为将商店(mall)上下文里的x映射到y)
参照物规则为mall(x,y,cr)提供了充要条件。必要条件表明,如果认知位置x在一个给定上下文cr中与真实位置y匹配(x在y的范围内),那么在这个上下文cr中, x与y之间的距离必须属于某个阈值in。充分条件表明,如果在一个给定上下文cr中,x与y之间的距离属于某个阈值in,那么x与y在给定的上下文cr中相匹配。然而, in(cr)的阈值并没有被明确的设定,因为还受到观察值的约束。
步骤1-2:建立模糊距离关系模型:
位置描述中表达距离关系的模糊谓词有很多,“很远”、“较近”等都具有模糊性。模糊 Vdis的精确化依赖于上下文cdis,利用形式化的方式可以定义为:
式中,dis表示模糊距离关系;R(dis)表示现实空间中的空间关系;
cdis表示在dis的位置描述中包括具有含糊谓词的上下文;V(dis,cdis)表示在dis中包括具有含糊谓词的上下文cdis的空间断言;val()函数表示参照物和目标物之间的距离; n(cdis)表示上下文cdis表达出的距离;∧表示由左侧扩展到右侧;表示左侧内容的判断通过右侧方法实现。
当上下文cdis表达出的距离n(cdis)在val内,V(dis,cdis)为真。为便于阐述选择“近”作为示例(其中,),V(dis,cdis)精确化的主要规则定义如下:
式中,r表示参照对象;o表示目标对象;表示任取一个参照对象;/>表示任取一个目标对象;/>表示任取含有位置距离描述的上下文;geo(o)函数表示将空间对象o映射到空间位置;Δsld不同位置间的距离;low()函数表示将上下文映射为数值;/>表示左侧内容的判断通过右侧方法实现。(说明:near(r,o,cdis)表示根据目标对象与参照对象的位置距离描述确定为两对象的距离关系“近”)
距离规则为near(r,o,cdis)提供了充要条件。必要条件表明,如果两个对象在一个给定上下文中离对方“近”,那么在这个上下文中,与对象相关的几何体之间的距离必须低于某个阀值low。充分条件表明,如果在一个给定上下文中,两个对象的几何体之间的距离低于某个阀值low,那么这两个对象在给定的上下文中,这两个对象离对方“近”。 low(cdis)同样受到观察值的约束。
步骤1-3:建立模糊方向关系模型:
位置描述中表达方向关系的模糊谓词也有很多,“东边”、“左侧”等都具有模糊性。模糊Vdir的精确化依赖于上下文cdir,利用形式化的方式可以定义为:
式中,dir表示模糊方向关系;R(dir)是现实空间中的空间关系;cdir表示在dir的位置描述中包括具有含糊谓词的上下文;V(dir,cdir)表示在dir中包括具有含糊谓词的上下文cdir的空间断言;exp()函数表示参照物和目标物之间的方位;n(cdir)表示上下文cdir表达出的方位;∧表示由左侧扩展到右侧;表示左侧值在右侧的范围内;/>表示左侧内容的判断通过右侧方法实现。
当上下文cdir表达出的方位n(cdir)在exp内,V(dir,cdir)为真。为便于阐述选择“西”作为示例,V(dir,cdir)精确化的主要规则定义如下:
式中,r表示参照对象;o表示目标对象;表示任取一个参照对象;/>表示任取一个目标对象;/>表示任取含有位置方向描述的上下文;ang(r,o)函数将空间对象 r,o映射到直角坐标系中;Δdeg表示量测目标物相对参照物的方位角度;in()函数表示将上下文映射为数值;/>表示左侧值在右侧的范围内;/>表示左侧内容的判断通过右侧方法实现。(说明:west(r,o,cdir)表示根据目标对象与参照对象的位置方向描述确定两对象的方向关系“西”)
方向规则为west(r,o,cdir)提供了充要条件。必要条件表明,如果目标物在一个给定上下文中位于参照物“西”,那么在这个上下文中,目标物对于参照物的方位角必须属于某个阀值in。充分条件表明,如果在一个给定上下文中,目标物对于参照物的方位角属于某个阀值in,那么这两个对象在给定的上下文中,目标物在参照物“西”。in(cdir)同样受到观察值的约束。
步骤2:基于上下文的观察值阈值计算
定位模型中的阈值设定需要依据观察值的结果,而观察视角来源于上下文。具体步骤如下:
步骤2-1:计算模糊空间对象的阈值:
假设上下文c1=“XX省XX市”,c2=“阿姨昨天去过的商场东门”,c3=“上小学表弟旅行计划里的动物园”,相应的观察值各异。对于不同的空间对象,将观察值做如下排列:
city(x1,y1,c1)/mall(x2,y2,c2)/zoo(x3,y3,c3)... (9)
式中,x表示认知的位置;y表示真实空间的位置;city(x1,y1,c1)表示将城市(city)上下文c1里的x1映射到y1;mall(x2,y2,c2)的含义将商店(mall)上下文 c2里的x2映射到y2;zoo(x3,y3,c3)表示动物园(zoo)上下文c3里的x3映射到 y3。
基于以上观察值的集合,
in(c1)=(a,b),in(c2)={(a1,b1),(a2,b2),(a1,b1)},
in(c3)={(a1,b1),(a2,b2),...,(an,bn)...,(a1,b1)}。这些阈值的设定受到对象类型、认知尺度、认知能力、熟悉程度和修饰词语等多方面的影响。
步骤2-2:计算模糊距离关系的阈值:
在上下文c1=“10分钟散步”,c2=“5分钟雨中的全速跑”,c3=“短时间的自行车骑行”中,距离关系的观察值差异显著。对于参照物r和目标物o,将观察值做如下排列:
near(r1,o1,c1)/near(r2,o2,c2)/near(r3,o3,c3)... (10)
式中,r表示参照对象;o表示目标对象;c表示上下文;near(r1,o1,c1)表示根据目标对象o1与参照对象r1的位置距离描述上下文c1确定两对象的距离关系; near(r2,o2,c2)表示根据目标对象o2与参照对象r2的位置距离描述上下文c2确定两对象的距离关系;near(r3,o3,c3)表示根据目标对象o3与参照对象r3的位置距离描述上下文c3确定两对象的距离关系。基于这样的观察值的集合,保守的阈值设定可会是low(c1)=240m,low(c2)=750m,low(c3)=800m。距离关系阈值的设定受到移动方式、地形环境、通达程度、天气状态和修饰词语等多方面的影响。
步骤2-3:计算模糊距离关系的阈值:
在上下文c1=“东边”,c2=“东北方”,c3=“10点钟方向”中,方向关系的观察值差异显著。对于参照物r和目标物o,将观察值做如下排列:
east(r1,o1,c1)/northeast(r2,o2,c2)/tenclock(r3,o3,c3)... (11)
式中,r表示参照对象;o表示目标对象;c表示上下文;east(r1,o1,c1)表示根据目标对象o1与参照对象r1的位置方向描述上下文c1确定两对象的方向关系; northeast(r2,o2,c2)表示根据目标对象o2与参照对象r2的位置方向描述上下文c2确定两对象的方向关系;tenclock(r3,o3,c3)表示根据目标对象o3与参照对象r3的位置方向描述上下文c3确定两对象的方向关系。
基于这样的观察值的集合,阈值设定可能会是in(c1)=[-45°,45°), in(c2)=[22.5°,67.5°),in(c3)=[300°,330°)。方向关系阈值的设定受到认知维度、距离远近和修饰词语等多方面的影响。
步骤3:不同上下文间的阈值对比与转换
空间对象、距离关系和方向关系的定位模型中都包含上下文参数,例如: mall(x,y,c)、near(r,o,c)、east(r,o,c)。定义一个谓词ist(p,c)(表示“是否为真”)来记录一个特定上下文c中的命题p∈P,可以将上述模型涉及的各类谓词转换为ist(商场,c1),ist(跑步,c2),ist(自行车,c3),等。需要说明的是,若上下文ci并没有关于“下雨”的声明,那么ist(下雨,ci)或者/>都不会被断言。对于相同类型的谓词(如同属于距离关系中的移动方式),在获得相关谓词在所依赖上下文中的观察值后,能够计算不同上下文间的关系。
步骤3-1:计算相等性(ci≈cj):如果两个上下文ci和cj在观察值上一致,那么它们就很可能相等,记为(ci≈cj)。在上面的例子中,c2!≈c3。
步骤3-3:计算辨识性(ci<cj):以谓词“近”为例,如果所有在ci中是“近”在 cj中也是“近”,那么ci至少具有cj一样的辨识度(记为ci≤cj)。如果ci≤cj,但不是cj≤ci,那么就说具有更强的辨识度(记为ci<cj)。在上面的例子中,有 c2<c3。
步骤4:复合空间断言的定位模型
多项单一空间断言共同组合成为复合空间断言,单一空间断言是复合空间断言的基本组成。通过表达目标物之于多个参照物的相对位置,更加细致地描述出目标物位置的分布范围。
目标物的复合空间断言Vo分别包含多项参照物与目标物的空间关系,每个参照物的空间断言都涉及上下文ci。ci中都涵盖了参照物描述Vr,i距离关系描述Vdis,i和方向关系描述Vdir,i,模糊的Vr,i、Vdis,i和Vdir,i的精确化都依赖于上下文ci。利用形式化的方式可以定义为:
n(c)=n(c1)∩n(c2)∩...∩n(ci) (2)
n(ci)=n(cr,i)∩n(cdis,i)∩n(cdir,i) (3)
式中,o表示目标对象;c表示上下文;L(o)表示目标对象o在现实空间中的位置;c表示上下文;V(o,c)表示在o的位置描述中包括具有含糊谓词的上下文ci的空间断言。range(o)函数表示o所在位置的范围;n(c)表示上下文c表达出的位置;∧表示由左侧扩展到右侧;表示左侧值在右侧的范围内;∩表示左右侧的条件需要同时满足;/>表示左侧内容的判断通过右侧方法实现。(说明,相关参数和函数的定义同单一空间断言的定位模型。)
对于复合空间断言的精确化,首先将复合空间断言拆分为多项单一空间断言。其次,利用单一空间断言的精确化方法,分别进行定位。最后,将各项单一空间断言的定位结果进行叠加,其交集为最终的定位结果。
有益效果:
1、本发明有效地解决了不同语境中位置描述模糊性差异显著而难以定位的问题,适应于互联网+时代背景下文本描述中空间位置存在模糊性的情况,满足大数据时代位置服务向智能化转型的迫切需求。
2、本发明通过多个空间断言上下文的超赋值较为准确地获得目标物的空间定位。
附图说明
图1为本发明的方法流程图。
图2为本发明的步行街的平面图。
图3为本发明单一空间断言的位置描述文本示意图。
图4为实际位置分布与观察值阈值的对比示意图。
图5为本发明复合空间断言的位置描述文本示意图。
图6为本发明候选位置区域示意图。
图7为基于超赋值的空间定位示意图。
具体实施方式
下面结合说明书附图对本发明作进一步详细描述。
如图1所示,一种基于超赋值语义的模糊位置描述定位方法,该方法主要包括两个部分:单一空间断言的定位方法和复合空间断言的定位方法。其主要步骤包括如下:
步骤1:单一空间断言的定位框架
定位方法的目的在于建立模糊位置描述与现实空间位置的映射关系,当位置描述中只存在一组参照物、目标物及其空间关系时,本发明将其定义为单一空间断言。目标物的单一空间断言(Vo)中包含了参照物描述(Vr)、距离关系描述(Vdis)和方向关系描述(Vdir),Vo是Vr、Vdis和Vdir相互组合达到的效果,模糊Vo的精确化依赖于上下文c。利用形式化的方式可以定义为:
n(c)=n(cr)∩n(cdis)∩n(cdir) (2)
式中,o表示目标物;c表示上下文;L(o)表示目标物o在现实空间中的位置;V(o,c)表示在o的位置具有含糊谓词的上下文c的空间断言;range(o)函数表示o所在位置的空间范围;n(c)表示上下文c表达出的位置;cr表示参照物r的上下文;cdis表示距离关系的上下文;cdir表示方向关系的上下文;∧表示由左侧扩展到右侧;表示左侧值在右侧的范围内;∩表示左右侧的条件需要同时满足;/>表示左侧内容的判断通过右侧方法实现。
当上下文c表达出的位置n(c)在o的range内,V(o,c)为真。而判断V(o,c) 是否为真的关键,则需要对Vr、Vdis和Vdir分别进行精确化。
步骤1-1:建立模糊空间对象模型:
位置描述中表达空间对象的模糊谓词通常是对象名称或代称,体现出空间对象的类型。相对于目标物,参照物在位置描述的使用者之间应该是相对熟悉、具有代表性的空间对象。因此,位置描述的使用者能够大致掌握参照物的空间位置的存在范围,但是受制于空间认知的能力仍然存在一定模糊性。模糊Vr的精确化都依赖于上下文cr,利用形式化的方式可以定义为:
式中,r表示参照物;L(r)表示参照物r在现实空间中的位置;V(r,cr)表示在r的位置中包括具有含糊谓词的上下文cr的空间断言。range(r)函数表示r所在位置的范围;n(cr)表示上下文cr表达出的位置;∧表示由左侧扩展到右侧;表示左侧值在右侧的范围内;表示左侧内容的判断通过右侧方法实现。
当上下文cr表达出的位置n(cr)在r的range内,V(r,cr)为真。以参照物“A 商店(mall)”为例,V(r,cr)精确化的主要规则定义如下:
式中,表示任取一个认知位置;/>表示任取一个真实空间位置;/>表示任取一个包含参照物r的上下文;map(x,y)表示将位置描述中认知的位置x映射到真实空间位置y;Δsld表示量测不同位置间的距离;in()函数表示将上下文映射为数值;/>表示左侧值在右侧的范围内;/>表示左侧内容的判断通过右侧方法实现。(说明: mall(x,y,cr)的含义为将商店(mall)上下文里的x映射到y)
参照物规则为mall(x,y,cr)提供了充要条件。必要条件表明,如果认知位置x在一个给定上下文cr中与真实位置y匹配(x在y的范围内),那么在这个上下文cr中, x与y之间的距离必须属于某个阈值in。充分条件表明,如果在一个给定上下文cr中, x与y之间的距离属于某个阈值in,那么x与y在给定的上下文cr中相匹配。然而,in(cr)的阈值并没有被明确的设定,因为还受到观察值的约束。
步骤1-2:建立模糊距离关系模型:
位置描述中表达距离关系的模糊谓词有很多,“很远”、“较近”等都具有模糊性。模糊 Vdis的精确化依赖于上下文cdis,利用形式化的方式可以定义为:
式中,dis表示模糊距离关系;R(dis)表示现实空间中的空间关系;
cdis表示在dis的位置描述中包括具有含糊谓词的上下文;V(dis,cdis)表示在dis中包括具有含糊谓词的上下文cdis的空间断言;val()函数表示参照物和目标物之间的距离; n(cdis)表示上下文cdis表达出的距离;∧表示由左侧扩展到右侧;表示左侧内容的判断通过右侧方法实现。
当上下文cdis表达出的距离n(cdis)在val内,V(dis,cdis)为真。为便于阐述选择“近”作为示例(其中,),V(dis,cdis)精确化的主要规则定义如下:
式中,r表示参照对象;o表示目标对象;表示任取一个参照对象;/>表示任取一个目标对象;/>表示任取含有位置距离描述的上下文;geo(o)函数表示将空间对象o映射到空间位置;Δsld不同位置间的距离;low()函数表示将上下文映射为数值;/>表示左侧内容的判断通过右侧方法实现。(说明:near(r,o,cdis)表示根据目标对象与参照对象的位置距离描述确定为两对象的距离关系“近”)
距离规则为near(r,o,cdis)提供了充要条件。必要条件表明,如果两个对象在一个给定上下文中离对方“近”,那么在这个上下文中,与对象相关的几何体之间的距离必须低于某个阀值low。充分条件表明,如果在一个给定上下文中,两个对象的几何体之间的距离低于某个阀值low,那么这两个对象在给定的上下文中,这两个对象离对方“近”。low(cdis)同样受到观察值的约束。
步骤1-3:建立模糊方向关系模型:
位置描述中表达方向关系的模糊谓词也有很多,“东边”、“左侧”等都具有模糊性。模糊Vdir的精确化依赖于上下文cdir,利用形式化的方式可以定义为:
式中,dir表示模糊方向关系;R(dir)是现实空间中的空间关系;cdir表示在dir的位置描述中包括具有含糊谓词的上下文;V(dir,cdir)表示在dir中包括具有含糊谓词的上下文cdir的空间断言;exp()函数表示参照物和目标物之间的方位;n(cdir)表示上下文cdir表达出的方位;∧表示由左侧扩展到右侧;表示左侧值在右侧的范围内;/>表示左侧内容的判断通过右侧方法实现。
当上下文cdir表达出的方位n(cdir)在exp内,V(dir,cdir)为真。为便于阐述选择“西”作为示例,V(dir,cdir)精确化的主要规则定义如下:
式中,r表示参照对象;o表示目标对象;表示任取一个参照对象;/>表示任取一个目标对象;/>表示任取含有位置方向描述的上下文;ang(r,o)函数将空间对象 r,o映射到直角坐标系中;Δdeg表示量测目标物相对参照物的方位角度;in()函数表示将上下文映射为数值;/>表示左侧值在右侧的范围内;/>表示左侧内容的判断通过右侧方法实现。(说明:west(r,o,cdir)表示根据目标对象与参照对象的位置方向描述确定两对象的方向关系“西”)
方向规则为west(r,o,cdir)提供了充要条件。必要条件表明,如果目标物在一个给定上下文中位于参照物“西”,那么在这个上下文中,目标物对于参照物的方位角必须属于某个阀值in。充分条件表明,如果在一个给定上下文中,目标物对于参照物的方位角属于某个阀值in,那么这两个对象在给定的上下文中,目标物在参照物“西”。in(cdir)同样受到观察值的约束。
步骤2:基于上下文的观察值阈值计算
定位模型中的阈值设定需要依据观察值的结果,而观察视角来源于上下文。具体步骤如下:
步骤2-1:计算模糊空间对象的阈值:
假设上下文c1=“XX省XX市”,c2=“阿姨昨天去过的商场东门”,c3=“上小学表弟旅行计划里的动物园”,相应的观察值各异。对于不同的空间对象,将观察值做如下排列:
city(x1,y1,c1)/mall(x2,y2,c2)/zoo(x3,y3,c3)... (9)
式中,x表示认知的位置;y表示真实空间的位置;city(x1,y1,c1)表示将城市(city)上下文c1里的x1映射到y1;mall(x2,y2,c2)的含义将商店(mall)上下文 c2里的x2映射到y2;zoo(x3,y3,c3)表示动物园(zoo)上下文c3里的x3映射到 y3。
基于以上观察值的集合,
in(c1)=(a,b),in(c2)={(a1,b1),(a2,b2),(a1,b1)},
in(c3)={(a1,b1),(a2,b2),...,(an,bn)...,(a1,b1)}。这些阈值的设定受到对象类型、认知尺度、认知能力、熟悉程度和修饰词语等多方面的影响。
步骤2-2:计算模糊距离关系的阈值:
在上下文c1=“10分钟散步”,c2=“5分钟雨中的全速跑”,c3=“短时间的自行车骑行”中,距离关系的观察值差异显著。对于参照物r和目标物o,将观察值做如下排列:
near(r1,o1,c1)/near(r2,o2,c2)/near(r3,o3,c3)... (10)
式中,r表示参照对象;o表示目标对象;c表示上下文;near(r1,o1,c1)表示根据目标对象o1与参照对象r1的位置距离描述上下文c1确定两对象的距离关系; near(r2,o2,c2)表示根据目标对象o2与参照对象r2的位置距离描述上下文c2确定两对象的距离关系;near(r3,o3,c3)表示根据目标对象o3与参照对象r3的位置距离描述上下文c3确定两对象的距离关系。基于这样的观察值的集合,保守的阈值设定可会是low(c1)=240m,low(c2)=750m,low(c3)=800m。距离关系阈值的设定受到移动方式、地形环境、通达程度、天气状态和修饰词语等多方面的影响。
步骤2-3:计算模糊距离关系的阈值:
在上下文c1=“东边”,c2=“东北方”,c3=“10点钟方向”中,方向关系的观察值差异显著。对于参照物r和目标物o,将观察值做如下排列:
east(r1,o1,c1)/northeast(r2,o2,c2)/tenclock(r3,o3,c3)... (11)
式中,r表示参照对象;o表示目标对象;c表示上下文;east(r1,o1,c1)表示根据目标对象o1与参照对象r1的位置方向描述上下文c1确定两对象的方向关系; northeast(r2,o2,c2)表示根据目标对象o2与参照对象r2的位置方向描述上下文c2确定两对象的方向关系;tenclock(r3,o3,c3)表示根据目标对象o3与参照对象r3的位置方向描述上下文c3确定两对象的方向关系。
基于这样的观察值的集合,阈值设定可能会是in(c1)=[-45°,45°), in(c2)=[22.5°,67.5°),in(c3)=[300°,330°)。方向关系阈值的设定受到认知维度、距离远近和修饰词语等多方面的影响。
步骤3:不同上下文间的阈值对比与转换
空间对象、距离关系和方向关系的定位模型中都包含上下文参数,例如: mall(x,y,c)、near(r,o,c)、east(r,o,c)。定义一个谓词ist(p,c)(表示“是否为真”)来记录一个特定上下文c中的命题p∈P,可以将上述模型涉及的各类谓词转换为
ist(商场,c1),ist(跑步,c2),ist(自行车,c3),等。需要说明的是,若上下文ci并没有关于“下雨”的声明,那么ist(下雨,ci)或者/>都不会被断言。对于相同类型的谓词(如同属于距离关系中的移动方式),在获得相关谓词在所依赖上下文中的观察值后,能够计算不同上下文间的关系。
步骤3-1:计算相等性(ci≈cj):如果两个上下文ci和cj在观察值上一致,那么它们就很可能相等,记为(ci≈cj)。在上面的例子中,c2!≈c3。
步骤3-3:计算辨识性(ci<cj):以谓词“近”为例,如果所有在ci中是“近”在 cj中也是“近”,那么ci至少具有cj一样的辨识度(记为ci≤cj)。如果ci≤cj,但不是cj≤ci,那么就说具有更强的辨识度(记为ci<cj)。在上面的例子中,有 c2<c3。
步骤4:复合空间断言的定位模型
多项单一空间断言共同组合成为复合空间断言,单一空间断言是复合空间断言的基本组成。通过表达目标物之于多个参照物的相对位置,更加细致地描述出目标物位置的分布范围。
目标物的复合空间断言Vo分别包含多项参照物与目标物的空间关系,每个参照物的空间断言都涉及上下文ci。ci中都涵盖了参照物描述Vr,i距离关系描述Vdis,i和方向关系描述Vdir,i,模糊的Vr,i、Vdis,i和Vdir,i的精确化都依赖于上下文ci。利用形式化的方式可以定义为:
n(c)=n(c1)∩n(c2)∩...∩n(ci) (2)
n(ci)=n(cr,i)∩n(cdis,i)∩n(cdir,i) (3)
式中,o表示目标对象;c表示上下文;L(o)表示目标对象o在现实空间中的位置;c表示上下文;V(o,c)表示在o的位置描述中包括具有含糊谓词的上下文ci的空间断言。range(o)函数表示o所在位置的范围;n(c)表示上下文c表达出的位置;∧表示由左侧扩展到右侧;表示左侧值在右侧的范围内;∩表示左右侧的条件需要同时满足;/>表示左侧内容的判断通过右侧方法实现。(说明,相关参数和函数的定义同单一空间断言的定位模型。)
对于复合空间断言的精确化,首先将复合空间断言拆分为多项单一空间断言。其次,利用单一空间断言的精确化方法,分别进行定位。最后,将各项单一空间断言的定位结果进行叠加,其交集为最终的定位结果。
如图2所示,本发明通过收集到单一空间断言的位置描述文本,该用户想知道去NJ路上的哪间XXX(某品牌的餐饮店)是距离近的。问答系统从移动方式、天气状况、通达程度等多方面进行距离关系特征的提问,上下文中包含该用户对于模糊谓词“近”不同维度的认知。分别对空间断言的上下文进行超赋值,以筛选出符合位置特征的XXX(某品牌的餐饮店)店面。
如图3所示,在这段单一空间断言的上下文中,参照物为NJ东路地铁站,目标物为XXX(某品牌的餐饮店)店面,空间关系涉及距离关系,而方向关系是被忽略的。因此,定位的依据在于对地铁站和店面间的距离关系进行精确化。在移动方式方面,校园中可以选择步行和自行车两种。当步行时,用户对于“近”的认知是不能超过10分钟;当自行车出行时,用户对于“近”的认知是不能超过5分钟。然而,出行方式的选择还受到天气状况的影响。当天天气晴好,自行车出行和步行都可以。但是由于步行街的限制,只能选择步行前往。在通达程度方面,地铁站与店面间都有道路联通。对上下文内容进行超赋值,并且依据观察值阈值设置距离关系取舍点,如表1。
表1距离关系取舍点阈值
将地铁站与XXX(某品牌的餐饮店)店面的实际位置分布与观察值阈值进行对比。店面A、B和C都有道路与地铁站联通,其中店面A和B分别距离地铁站211米和668米,店面C距离地铁站913。店面A和B的距离符合阈值①,店面C的距离符合阈值③。然而由于出行方式的限制,地铁站-店面C之间只能选择步行,此时则与阈值①-④都不符合。因此,店面A和B是距离近的XXX(某品牌的餐饮店)。
(3)基于复合空间断言的定位结果
如图4所示,通过收集到复合空间断言的位置描述文本,该用户想知道NJ路步行街区中SJ广场在什么位置。数据问答系统从不同参照物及其空间关系等多方面进行提问,上下文中包含该用户对于模糊谓词“SJ广场”不同维度的认知。分别对多个空间断言的上下文进行超赋值,以确定世纪广场的空间位置分布。
如图5所示,在这段复合空间断言的上下文中,参照物为HB路路口、YG商厦和HL宾馆,目标物都是SJ广场,空间关系涉及距离关系和方向关系。定位的依据在于对体育馆和不同参照物间的空间关系进行精确化。(1)SJ广场在湖北路路口以东,距离很近。空间断言中涉及“东”和“近”两个模糊谓词。其中,单独使用“东”表明用户划分空间方位的数量为4,由于目标物与参照物距离近,方位角判断是精准的;“近”的精确化可以参照4.1 章节,同样考虑移动方式、天气状况、通达程度等多方面因素。(2)SJ广场在YG商厦的对面。用户对于“对面”的认知是隔着一条道路,在可视范围内。在设定观察值阈值时, YG商厦临近的道路,SJ广场的位置在道路的另一侧,并且临近道路50m以内。(3)SJ广场不经过HL宾馆。由于沿着NJ路前进,行径方向为自西向东。不经过表明SJ广场在HL 宾馆以西,依然将空间方位划分为4方位。对上下文内容进行超赋值,并且依据观察值阈值设置距离关系取舍点,如表。
表2 HB路路口
表3 YG商厦
Note:0所在侧,1另一侧
表4 HL宾馆
依据参照物的实际位置分布及其观察值阈值分别划定候选位置区域。HB路路口的[45°,-45°)角度为“东”,设置为候选定位a;与HB路路口有道路相连,且走路不超过5min的距离为“近”,道路两侧区域设置为候选定位b。YG商厦相邻的道路有3条,分别将3条道路另一侧的区域设置为候选定位c。HL宾馆的[135°,225°)角度为“南”,设置为候选定位d。
如图6和图7所示,本发明将多条空间断言中推断出的候选位置a-d叠加,获得重合区域D。因此,D是SJ广场在当前空间断言中描述的位置。与真实的SJ广场位置G相比, D基本包含于G中,整体上D处于G的西北侧部分。这是由于空间断言在选择参照物时,从西侧、北侧和东侧3面阐述了空间关系,而南侧的空间关系缺失,使得南侧的超赋值结果缺乏精确化。总体而言,通过多个空间断言上下文的超赋值较为准确地获得目标物的空间定位。
Claims (1)
1.一种基于超赋值语义的模糊位置描述定位方法,其特征在于,所述方法包括如下步骤:
步骤1:单一空间断言的定位模型;
当位置描述中只存在一组参照物、目标物及其空间关系时,将其定义为单一空间断言,目标物的单一空间断言Vo中包含了参照物描述Vr、距离关系描述Vdis和方向关系描述Vdir,Vo是Vr、Vdis和Vdir相互组合达到的效果,模糊Vo的精确化依赖于上下文c,利用形式化的方式能够定义为:
n(c)=n(cr)∩n(cdis)∩n(cdir) (2)
式中,o表示目标物;c表示上下文;L(o)表示目标物o在现实空间中的位置;V(o,c)表示在o的位置具有含糊谓词的上下文c的空间断言;range(o)函数表示o所在位置的空间范围;n(c)表示上下文c表达出的位置;cr表示参照物r的上下文;cdis表示距离关系的上下文;cdir表示方向关系的上下文;∧表示由左侧扩展到右侧;表示左侧值在右侧的范围内;∩表示左右侧的条件需要同时满足;/>表示左侧内容的判断通过右侧方法实现;
当c表达出的位置n(c)在o的range内,V(o,c)为真,而判断V(o,c)是否为真的关键,则需要对Vr、Vdis和Vdir分别进行精确化,包括:
步骤1-1:建立模糊空间对象模型:
位置描述中表达空间对象的模糊谓词是对象名称或代称,体现出空间对象的类型,相对于目标物,参照物在位置描述的使用者之间应该是相对熟悉和具有代表性的空间对象,因此,位置描述的使用者能够大致掌握参照物的空间位置的存在范围,但是受制于空间认知的能力仍然存在一定模糊性,模糊Vr的精确化都依赖于上下文cr,利用形式化的方式能够定义为:
式中,r表示参照物;L(r)表示参照物r在现实空间中的位置;V(r,cr)表示在r的位置中包括具有含糊谓词的上下文cr的空间断言,range(r)函数表示r所在位置的范围;n(cr)表示上下文cr表达出的位置;∧表示由左侧扩展到右侧;表示左侧值在右侧的范围内;/>表示左侧内容的判断通过右侧方法实现;
式中,表示任取一个认知位置,/>表示任取一个真实空间位置,/>表示任取一个包含参照物r的上下文,map(x,y)表示将位置描述中认知的位置x映射到真实空间位置y,Δsld表示量测不同位置间的距离,in()函数表示将上下文映射为数值,/>表示左侧值在右侧的范围内,/>表示左侧内容的判断通过右侧方法实现;
参照物规则为mall(x,y,cr)提供了充要条件,必要条件表明,如果认知位置x在一个给定上下文cr中与真实位置y匹配,x在y的范围内,那么在这个上下文cr中,x与y之间的距离必须属于某个阈值in,充分条件表明,如果在一个给定上下文cr中,x与y之间的距离属于某个阈值in,那么x与y在给定的上下文cr中相匹配,然而,in(cr)的阈值并没有被明确的设定,因为还受到观察值的约束;
步骤1-2:建立模糊距离关系模型:
位置描述中表达距离关系的模糊谓词有很多,“很远”、“较近”都具有模糊性,模糊Vdis的精确化依赖于上下文cdis,利用形式化的方式能够定义为:
式中,dis表示模糊距离关系;R(dis)表示现实空间中的空间关系;cdis表示在dis的位置描述中包括具有含糊谓词的上下文,V(dis,cdis)表示在dis中包括具有含糊谓词的上下文cdis的空间断言,val()函数表示参照物和目标物之间的距离,n(cdis)表示上下文cdis表达出的距离,∧表示由左侧扩展到右侧,表示左侧内容的判断通过右侧方法实现;
当cdis表达出的距离n(cdis)在val内,V(dis,cdis)为真,V(dis,cdis)精确化的规则定义包括:
式中,r表示参照物,o表示目标物,表示任取一个参照物,/>表示任取一个目标物,表示任取含有位置距离描述的上下文,geo(o)函数表示将空间对象o映射到空间位置,Δsld不同位置间的距离,low()函数表示将上下文映射为数值,/>表示左侧内容的判断通过右侧方法实现,near(r,o,cdis)表示根据目标物与参照物的位置距离描述确定为两对象的距离关系“近”;
距离规则为near(r,o,cdis)提供了充要条件,必要条件表明,如果两个对象在一个给定上下文中离对方“近”,那么在这个上下文中,与对象相关的几何体之间的距离必须低于某个阈值low,如果在一个给定上下文中,两个对象的几何体之间的距离低于某个阈值low,那么这两个对象在给定的上下文中,这两个对象离对方“近”,low(cdis)同样受到观察值的约束;
步骤1-3:建立模糊方向关系模型:
位置描述中表达方向关系的模糊谓词也有很多,“东边”、“左侧”都具有模糊性,模糊Vdir的精确化依赖于上下文cdir,利用形式化的方式能够定义为:
式中,dir表示模糊方向关系;R(dir)是现实空间中的空间关系,cdir表示在dir的位置描述中包括具有含糊谓词的上下文,V(dir,cdir)表示在dir中包括具有含糊谓词的上下文cdir的空间断言,exp()函数表示参照物和目标物之间的方位,n(cdir)表示上下文cdir表达出的方位,∧表示由左侧扩展到右侧,表示左侧值在右侧的范围内,/>表示左侧内容的判断通过右侧方法实现;
当cdir表达出的方位n(cdir)在exp内,V(dir,cdir)为真,V(dir,cdir)精确化的主要规则定义如下:
式中,r表示参照物,o表示目标物,表示任取一个参照物,/>表示任取一个目标物,表示任取含有位置方向描述的上下文,ang(r,o)函数将空间对象r,o映射到直角坐标系中,Δdeg表示量测目标物相对参照物的方位角度,in()函数表示将上下文映射为数值,/>表示左侧值在右侧的范围内,/>表示左侧内容的判断通过右侧方法实现,west(r,o,cdir)表示根据目标物与参照物的位置方向描述确定两对象的方向关系“西”;
方向规则为west(r,o,cdir)提供了充要条件,如果目标物在一个给定上下文中位于参照物“西”,那么在这个上下文中,目标物对于参照物的方位角必须属于某个阈值in,充分条件表明,如果在一个给定上下文中,目标物对于参照物的方位角属于某个阈值in,那么这两个对象在给定的上下文中,目标物在参照物“西”,in(cdir)同样受到观察值的约束;
步骤2:基于上下文的观察值阈值计算;
定位模型中的阈值设定需要依据观察值的结果,而观察视角来源于上下文;
步骤3:不同上下文间的阈值对比与转换,包括:
步骤3-1:计算相等性ci≈cj:如果两个上下文ci和cj在观察值上一致,那么它们就很可能相等,记为ci≈cj;
步骤3-3:计算辨识性ci<cj:如果所有在ci中是“近”在cj中也是“近”,那么ci至少具有cj一样的辨识度记为ci≤cj,如果ci≤cj,但不是cj≤ci,那么就说具有更强的辨识度,记为ci<cj;
步骤4:复合空间断言的定位模型;
多项单一空间断言共同组合成为复合空间断言,单一空间断言是复合空间断言的基本组成,通过表达目标物之于多个参照物的相对位置,更加细致地描述出目标物位置的分布范围;
目标物的复合空间断言V1分别包含多项参照物与目标物的空间关系,每个参照物的空间断言都涉及上下文ci,ci中都涵盖了参照物描述Vr,i距离关系描述Vdis,i和方向关系描述Vdir,i,模糊的Vr,i、Vdis,i和Vdir,i的精确化都依赖于上下文ci,利用形式化的方式能够定义为:
n(c)=n(c1)∩n(c2)∩…∩n(ci) (4)
n(ci)=n(cr,i)∩n(cdis,i)∩n(cdir,i) (5)
式中,o表示目标物;c表示上下文;L(o)表示目标物o在现实空间中的位置,c表示上下文;V(o,c)表示在o的位置描述中包括具有含糊谓词的上下文ci的空间断言,range(o)函数表示o所在位置的范围,n(c)表示上下文c表达出的位置,∧表示由左侧扩展到右侧,表示左侧值在右侧的范围内,∩表示左右侧的条件需要同时满足,/>表示左侧内容的判断通过右侧方法实现;
对于复合空间断言的精确化,首先将复合空间断言拆分为多项单一空间断言,其次,利用单一空间断言的精确化方法,分别进行定位,最后,将各项单一空间断言的定位结果进行叠加,其交集为最终的定位结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111336087.6A CN114064940B (zh) | 2021-11-12 | 2021-11-12 | 基于超赋值语义的模糊位置描述定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111336087.6A CN114064940B (zh) | 2021-11-12 | 2021-11-12 | 基于超赋值语义的模糊位置描述定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114064940A CN114064940A (zh) | 2022-02-18 |
CN114064940B true CN114064940B (zh) | 2023-07-11 |
Family
ID=80275098
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111336087.6A Active CN114064940B (zh) | 2021-11-12 | 2021-11-12 | 基于超赋值语义的模糊位置描述定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114064940B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110990594A (zh) * | 2019-11-29 | 2020-04-10 | 华中科技大学 | 一种基于自然语言交互的机器人空间认知方法及系统 |
CN112364545A (zh) * | 2020-11-30 | 2021-02-12 | 南京师范大学 | 台风事件信息形式化表达方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040267720A1 (en) * | 2003-06-27 | 2004-12-30 | Peiya Liu | Query system for structured multimedia content retrieval |
-
2021
- 2021-11-12 CN CN202111336087.6A patent/CN114064940B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110990594A (zh) * | 2019-11-29 | 2020-04-10 | 华中科技大学 | 一种基于自然语言交互的机器人空间认知方法及系统 |
CN112364545A (zh) * | 2020-11-30 | 2021-02-12 | 南京师范大学 | 台风事件信息形式化表达方法 |
Non-Patent Citations (2)
Title |
---|
"Positioning Localities for Vague Spatial Location Description: A Supervaluation Semantics Approach";Peng Ye, Xueying Zhang, Chunju Zhang and Yulong Dang;《https://doi.org/10.3390/ijgi11010068》;全文 * |
"地理空间关系描述的句法模式识别";朱少楠,张雪英,张春菊;《Proceeding 2011 International Conference on Software Engineering and Multimedia Communication》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114064940A (zh) | 2022-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | Automatic road extraction from high-resolution remote sensing images using a method based on densely connected spatial feature-enhanced pyramid | |
CN106802954A (zh) | 无人车语义地图模型构建方法及其在无人车上的应用方法 | |
Clementini | Directional relations and frames of reference | |
CN105788274A (zh) | 基于时空轨迹大数据的城市交叉口车道级结构提取方法 | |
CN109976332A (zh) | 一种用于无人驾驶的高精度地图模型及自主导航系统 | |
CN110389995B (zh) | 车道信息检测方法、装置、设备和介质 | |
CN109256028A (zh) | 一种用于无人驾驶的高精度路网自动生成的方法 | |
CN114238542A (zh) | 多源交通gis路网多层级实时融合更新方法 | |
CN116518960B (zh) | 路网更新方法、装置、电子设备和存储介质 | |
CN105117494B (zh) | 模糊语境中的空间实体映射方法 | |
CN109101743A (zh) | 一种高精度路网模型的构建方法 | |
CN115129719B (zh) | 一种基于知识图谱的定性位置空间范围构建方法 | |
Huang et al. | Mining crowdsourced trajectory and geo‐tagged data for spatial‐semantic road map construction | |
Fu et al. | Density adaptive approach for generating road network from GPS trajectories | |
CN112364890B (zh) | 利用出租车轨迹制作城市可导航路网的交叉口引导方法 | |
CN114064940B (zh) | 基于超赋值语义的模糊位置描述定位方法 | |
Tortora et al. | PyTrack: A Map-Matching-Based Python Toolbox for Vehicle Trajectory Reconstruction | |
Wang et al. | Image semantic segmentation method based on deep fusion network and conditional random field | |
CN115878737B (zh) | 一种基于路网数据的交叉口提取及拓扑结构描述方法 | |
Favreau et al. | What are intersections for pedestrian users? | |
Huang et al. | Complex road intersection modelling based on low-frequency GPS track data | |
Wang et al. | Indoors positioning based on spatial relationships in locality description | |
Yang et al. | The research on real-time map-matching algorithm | |
Fan et al. | Lane‐Level Road Map Construction considering Vehicle Lane‐Changing Behavior | |
Wu et al. | AI-Based Design Research on Visual Interaction Design for Virtual Navigation of Cultural Attractions |
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 |