CN114088101A - 基于隐马尔可夫模型的已匹配定位点的矫正方法 - Google Patents
基于隐马尔可夫模型的已匹配定位点的矫正方法 Download PDFInfo
- Publication number
- CN114088101A CN114088101A CN202210039774.XA CN202210039774A CN114088101A CN 114088101 A CN114088101 A CN 114088101A CN 202210039774 A CN202210039774 A CN 202210039774A CN 114088101 A CN114088101 A CN 114088101A
- Authority
- CN
- China
- Prior art keywords
- point
- candidate
- road
- current
- positioning
- 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
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
- G01C21/20—Instruments for performing navigational calculations
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
本发明提供了一种基于隐马尔可夫模型的已匹配定位点的矫正方法，属于地图定位领域。所述矫正方法，基于路网获得定位点P(i)，查找路网数据库中P(i)所在的区域范围及匹配半径r下的候选道路集C；C为空且无P(i‑1)或已存在但未矫正，或C不空但无P(i‑1)，直接返回P(i)；C为空P(i‑1)存在且已矫正，对定位点缩放以矫正；C不空且P(i‑1)已矫正，计算P(i)与P(i‑1)之间的距离
，将P(i)垂直向最近的候选道路平移
至G点，判断P(i)′点是否在线段GP(i)上并分别矫正；C不空且P(i‑1)未矫正，计算转移概率矩阵、观测概率矩阵，计算出概率乘积最大的候选道路并矫正。本发明实现了连续定位，得出完整的行进路线，提高了定位的准确性及精度。
Description
技术领域
本发明属于地图匹配及定位领域，具体涉及一种基于隐马尔可夫模型的已匹配定位点的矫正方法。
背景技术
在地图导航中，需要通过定位方式对定位点进行匹配。当采用定位系统进行定位时，尤其对于内部道路，例如工厂等，为了对内部物流进行精准分配，需要对定位点位置进行精准定位，以获得非常精确的定位坐标。
现有技术中，基于传统定位系统的地图匹配算法在低频轨迹数据集下，存在地图匹配不准确的缺点；同时，当行人或车辆进出道路的可匹配范围时，会使得定位点定位结果不连续，定位效果差。
发明内容
鉴于现有技术中的上述缺陷或不足，本发明旨在提供一种基于隐马尔可夫模型的已匹配定位点的矫正方法，以提高定位点的定位精度，使得在低频轨迹数据集下也可以获得准确的定位点；同时，当待定位的人或车辆进出可匹配范围时，依然实现连续定位，提高定位效果。
为了实现上述目的，本发明实施例采用如下技术方案：
一种基于隐马尔可夫模型的已匹配定位点的矫正方法，包括如下步骤：
步骤S01，基于已构建的路网，获得待定位对象当前时刻i已匹配的当前定位点P(i)及坐标；
步骤S02，根据当前定位点P(i)的坐标，从路网数据库中查找当前P(i)所在的区域范围；
步骤S03，预设匹配半径r，并根据当前定位点P(i)及匹配半径r，从路网数据库中查找出所述区域范围内所有可能的候选道路集C；
步骤S04，判断道路候选集C是否为空，若为空进入步骤S05，否则进入步骤S11；
步骤S05，判断待定位对象上一时刻i-1的定位点P(i-1)是否存在且已进行矫正；若不存在P(i-1)或已存在但没有被矫正，则进入步骤S10；若存在P(i-1)且已进行矫正，则执行步骤S06；
步骤S06，计算待定位对象当前定位点P(i)与上一时刻定位点P(i-1)之间的距离
，并求解P(i)在除自身所在道路以外的最近道路上的垂直交点P(i)′；所述最近道路，是指P(i)点到道路垂直距离最短的道路；
步骤S07，设待定位对象的累计矫正值为sum_d，将
累加入sum_d中；
步骤S08，判断累计矫正值sum_d是否大于预设匹配半径r；若否，执行步骤S09；若是，执行步骤S10；
步骤S09，将P(i)′向P(i)方向平移距离sum_d，记为G，将P(i)矫正到G上，完成矫正；
步骤S10，直接返回当前定位点P(i)，不对其进行矫正，同时将累计矫正值sum_d置为0，结束矫正；
步骤S11，判断待定位对象上一时刻i-1的定位点P(i-1)是否存在且已进行矫正；若不存在P(i-1)，则执行步骤S10；若存在P(i-1)且已进行矫正，则执行步骤S12；若存在P(i-1)但没有被矫正，则转入步骤S16；
步骤S12，计算待定位对象当前定位点P(i)与上一时刻定位点P(i-1)之间的距离
，将P(i)垂直向最近的候选道路平移
，记为G点；所述最近的候选道路是指所有候选道路中与P(i)点垂直距离最短的候选道路；
步骤S13，由P(i)向最近的候选道路做垂线相交于候选点P(i)′；判断P(i)′点是否在线段GP(i)上；若是，则执行步骤S14；若否，执行步骤S15；
步骤S14，将P(i)直接矫正到候选点P(i)′上，完成矫正；
步骤S15，将P(i)矫正到G上，完成矫正；
步骤S16，获取候选道路集C中的候选道路个数为n；从P(i)向候选道路集C中各个候选道路作垂线，得到N个当前候选点，N个当前候选点对应时刻i；N个当前候选点对应有N个i-1时刻的上一时刻候选点；
步骤S17，根据当前定位点P(i)、上一时刻定位点P(i-1)、N个当前候选点及N个i-1时刻的上一时刻候选点，计算转移概率矩阵；
步骤S18，分别计算定位点P(i)到N个当前候选点的距离，考虑距离因素对观测概率的影响，得到第一观测概率矩阵；
步骤S19，计算待定位对象当前定位点P(i)与上一时刻定位点P(i-1)连线方向与任意候选道路k方向的夹角，考虑方向因素对观测概率的影响，得到第二观测概率矩阵；
步骤S20，根据第一观测概率矩阵及第二观测概率矩阵，得到观测概率矩阵；
步骤S21，根据计算的转移概率矩阵及观测概率矩阵计算出概率乘积最大的候选道路，并将定位点矫正到该道路的当前候选点上，完成矫正。
作为本发明的一个优选实施例，所述路网中至少包含两个区域，不同区域具有不同的id；步骤S2中查找当前定位点所在区域的id，后续步骤在当前id的区域内执行。
作为本发明的一个优选实施例，所述步骤S17计算转移概率矩阵具体为：
计算待定位对象当前定位点P(i)与上一时刻定位点P(i-1)之间的距离
；计算上一时刻候选点与当前候选点间的最短距离，设具有最短距离的上一时刻候选点位于候选道路q上，当前候选点位于候选道路s上，最短距离为w(i-1,q)→(i,s)，根据公式(1)计算转移概率矩阵
：
式(1)中， 
为时刻i、候选道路s上的当前候选点， 
为i-1时刻、候选道路q上的上一时刻候选点；
为当前时刻i的定位点与上一时刻i-1定位点之间的空间距离。
作为本发明的一个优选实施例，所述步骤S18中第一观测概率矩阵，如公式（2）所示：
式(2)中，Pd表示距离因素d的概率值； 
表示i时刻在距离因素d的影响下，标签在候选道路k上时定位点pi能被观测到的概率； 
为定位点到当前候选点之间的垂直距离；σ为定位误差； 
为i时刻定位点Pi在任意候选道路k上的当前候选点。
作为本发明的一个优选实施例，所述步骤S19中第二观测概率矩阵，如公式（3）所示：
式(3)中， 
表示方向因素
的概率值； 
表示i时刻在方向因素
的影响下，标签在候选道路k上时定位点pi能被观测到的概率； 
为i时刻的定位点P(i)与上一时刻定位点P(i-1)的连线方向与候选道路k方向的夹角。
作为本发明的一个优选实施例，所述步骤S20中观测概率矩阵，如式（4）所示：
式(4)中， 
表示i时刻在方向因素和距离因素的影响下，标签在候选道路k上时定位点pi能被观测到的概率；vi为i时刻待定位对象的速度，vmax为待定位对象的最大移动速度。
本发明具有如下有益效果：
本发明实施例所提供的基于隐马尔可夫模型的已匹配定位点的矫正方法，通过分别引入道路网与定位点的方向信息改善观测概率矩阵，对已经匹配的定位点进行矫正，进而提高定位点的匹配精度；同时，当待定位对象的定位点进出道路的可匹配区域时，不对其直接矫正到候选点上，而是对其坐标进行缩放，逐步矫正到候选点上，从而实现连续定位，得出完整的行进路线，提高定位的准确性及定位效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。
图1是本发明实施例的基于隐马尔可夫模型的已匹配定位点的矫正方法流程图。
具体实施方式
本申请发明人在发现上述问题后，对现有的定位方法及隐马尔可夫模型进行了细致研究。研究发现，基于隐马尔可夫模型进行定位点计算时，以行驶在预定匹配区域道路上的车辆定位为例，假设司机选择最短路径行驶，使用相邻轨迹点对应的候选路段间的最短路径距离计算转移概率，路径长度越小，转移概率越大。该算法基于轨迹点至候选路段的距离建立正态分布来计算观测概率，最后使用维特比算法计算出实际路网序列，从而进行定位点的计算。但是采用上述方法进行地图匹配计算定位点时，算法在低频轨迹数据集下，地图匹配不准确；同时，当人或车辆进出道路的可匹配范围时，会使得定位点不连续，定位显示效果差。
应注意的是，以上现有技术中的方案所存在的缺陷，均是发明人在经过实践并仔细研究后得出的结果，因此，上述问题的发现过程以及下文中本发明实施例针对上述问题所提出的解决方案，都应该是发明人在本发明过程中对本发明做出的贡献。
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征也可以相互组合。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。在本发明的描述中，术语“第一”、“第二”、“第三”、“第四”等仅用于区分描述，而不能理解为只是或暗示相对重要性。
经过上述深入分析后，本申请提出了一种基于隐马尔可夫模型的已匹配定位点的矫正方法，通过分别引入道路网与轨迹点的方向信息改善观测概率矩阵，进而提高定位点正确匹配的精度；同时，当设备的定位点第一次进出道路的可匹配区域时，不对其直接矫正到候选点上，而是对其坐标进行缩放，再逐步矫正到候选点上，使得设备的定位点连续，从而提高定位精度及准确度。
参见图1，本申请实施例所述基于隐马尔可夫模型的已匹配定位点的矫正方法包括如下步骤：
步骤S01，基于已构建的路网，获得待定位对象当前时刻i已匹配的当前定位点P(i)及坐标；其中，所述路网中至少包含两个区域，不同区域具有不同的id。
本步骤中，所述路网是根据需要进行定位区域的实际道路建立的，所述路网对应建立有相应的路网数据库。在所述路网数据库中，通常情况下按实际道路情况对路网进行分区，并对不同区域赋予相应的可识别标识，如编号或id。本步骤中所匹配的当前定位点P(i)及坐标，是通过其他定位系统得到的，本实施例对其他系统已匹配出的定位点进行矫正。
步骤S02，根据当前定位点P(i)的坐标，从路网数据库中查找当前P(i)所在的区域id。
步骤S03，预设匹配半径r，并根据当前定位点P(i)、所在的区域id以及匹配半径r，从路网数据库中查找出所有可能的候选道路集C。
步骤S04，判断道路候选集C是否为空，若为空进入步骤S05，否则进入步骤S11。
本步骤中，判断道路候选集C是否为空，若道路候选集为空，表明该定位点距离道路较远，当前预设匹配半径r下无可候选道路；若不为空，则当前预设匹配半径r下存在可候选道路。
步骤S05，判断待定位对象上一时刻i-1的定位点P(i-1)是否存在且已进行矫正；若不存在P(i-1)或已存在但没有被矫正，则进入步骤S10；若存在P(i-1)且已进行矫正，则执行步骤S06。
步骤S06，计算待定位对象当前定位点P(i)与上一时刻定位点P(i-1)之间的距离
，并求解P(i)在除自身所在道路以外的最近道路上的垂直交点P(i)′。
本步骤中，所述最近道路，是指P(i)点到道路垂直距离最短的道路。
步骤S07，待定位对象的累计矫正值为sum_d，将
累加入sum_d中。
步骤S08，判断累计矫正值sum_d是否大于预设匹配半径r；若否，执行步骤S09；若是，执行步骤S10。
步骤S09，将P(i)′向P(i)方向平移距离sum_d，记为G，将P(i)矫正到G上，完成矫正。
步骤S10，直接返回当前定位点P(i)，不对其进行矫正，同时将累计矫正值sum_d置为0，结束矫正。
步骤S11，判断待定位对象上一时刻i-1的定位点P(i-1)是否存在且已进行矫正；若存在P(i-1)且已进行矫正，则执行步骤S12；若不存在P(i-1)，则执行步骤S10；若存在P(i-1)但没有被矫正，则转入步骤S16。
步骤S12，计算待定位对象当前定位点P(i)与上一时刻定位点P(i-1)之间的距离
，将P(i)垂直向最近的候选道路平移
，记为G点。
本步骤中，所述最近的候选道路是指所有候选道路中与P(i)点垂直距离最短的候选道路。
步骤S13，由P(i)向最近的候选道路做垂线相交于候选点P(i)′；判断P(i)′点是否在线段GP(i)上；若是，则执行步骤S14；若否，执行步骤S15。
本步骤中，所述候选点，为定位点与候选道路的垂直交点。本申请中所有候选点均采用上述概念。
步骤S14，将P(i)直接矫正到候选点P(i)′上，完成矫正。
步骤S15，将P(i)矫正到G上，完成矫正。
步骤S16，获取候选道路集C中的候选道路个数为n；从P(i)向候选道路集C中各个候选道路作垂线，得到N个当前候选点，N个当前候选点对应i时刻；N个i候选点对应有N个i-1时刻的上一时刻候选点。
步骤S17，计算待定位对象当前定位点P(i)与上一时刻定位点P(i-1)之间的距离
；计算相邻时刻之间候选点的最短距离，即上一时刻候选点与当前候选点间的最短距离，设具有最短距离的上一时刻候选点位于q候选道路上，当前候选点位于s候选道路上，最短距离为w(i-1,q)→(i,s)，根据公式(1)计算转移概率矩阵
：
式(1)中， 
为i时刻s候选道路上的当前候选点， 
为i-1时刻q候选道路上的上一时刻候选点；s和q可能为相同候选道路，也可能为不同候选道路；
：为i-1时刻与i时刻当前定位点与上一时刻定位点之间的空间距离；为i-1时刻q路段上的上一时刻候选点到i时刻s路段上的当前候选点之间的最短距离。
步骤S18，分别计算定位点P(i)到N个当前候选点的距离，考虑距离因素对观测概率的影响，得到第一观测概率矩阵如公式（2）所示：
式(2)中，Pd表示距离因素d的概率值； 
表示i时刻在距离因素d的影响下，标签在候选道路k上时定位点pi能被观测到的概率； 
为定位点到当前候选点之间的垂直距离；σ为定位误差； 
为i时刻定位点Pi在任意候选道路k上的当前候选点；
步骤S19，计算待定位对象当前定位点P(i)与上一时刻定位点P(i-1)连线方向与任意候选道路方向的夹角，考虑方向因素对观测概率的影响，得到第二观测概率矩阵如公式（3）所示：
式(3)中， 
表示角度因素或方向因素
的概率值； 
表示i时刻在方向因素
的影响下，标签在候选道路k上时定位点pi能被观测到的概率； 
为i时刻的定位点与上一时刻定位点的连线方向与候选道路k方向的夹角。
步骤S20，根据第一观测概率矩阵及第二观测概率矩阵，得到观测概率矩阵如式（4）所示：
式(4)中，vi为i时刻待定位对象的速度，vmax为待定位对象的最大移动速度；
表示i时刻在距离因素d和方向因素
的共同影响下，标签在候选道路k上时定位点pi能被观测到的概率。
步骤S21，根据计算的转移概率矩阵及观测概率矩阵计算出概率乘积最大的候选道路，并将定位点矫正到该道路的当前候选点上，完成矫正。
本步骤中，所述计算出概率最大的候选道路，采用维特比算法进行计算。通过维特比算法找到概率值乘积最大时对应的隐马尔可夫链，即从候选道路集合中找到当前时刻对应的候选道路。
由以上技术方案可以看出，本发明实施例所述的基于隐马尔可夫模型的已匹配定位点的矫正方法，通过分别引入道路网与定位点的方向信息改善观测概率矩阵，对已经匹配的定位点进行矫正，进而提高定位点的匹配精度；同时，当待定位对象的定位点进出道路的可匹配区域时，不对其直接矫正到候选点上，而是对其坐标进行缩放，逐步矫正到候选点上，从而实现连续定位，得出完整的行进路线，提高了定位的准确性、精度及定位效果。
以上描述仅为本发明的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本发明中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本发明中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (6)
1.一种基于隐马尔可夫模型的已匹配定位点的矫正方法，其特征在于，包括如下步骤：
步骤S01，基于已构建的路网，获得待定位对象当前时刻i已匹配的当前定位点P(i)及坐标；
步骤S02，根据当前定位点P(i)的坐标，从路网数据库中查找当前P(i)所在的区域范围；
步骤S03，预设匹配半径r，并根据当前定位点P(i)及匹配半径r，从路网数据库中查找出所述区域范围内所有可能的候选道路集C；
步骤S04，判断道路候选集C是否为空，若为空进入步骤S05，否则进入步骤S11；
步骤S05，判断待定位对象上一时刻i-1的定位点P(i-1)是否存在且已进行矫正；若不存在P(i-1)或已存在但没有被矫正，则进入步骤S10；若存在P(i-1)且已进行矫正，则执行步骤S06；
步骤S06，计算待定位对象当前定位点P(i)与上一时刻定位点P(i-1)之间的距离
，并求解P(i)在除自身所在道路以外的最近道路上的垂直交点P(i)′；所述最近道路，是指P(i)点到道路垂直距离最短的道路；
步骤S07，设待定位对象的累计矫正值为sum_d，将
累加入sum_d中；
步骤S08，判断累计矫正值sum_d是否大于预设的匹配半径r；若否，执行步骤S09；若是，执行步骤S10；
步骤S09，将P(i)′向P(i)方向平移距离sum_d，记为G，将P(i)矫正到G上，完成矫正；
步骤S10，直接返回当前定位点P(i)，不对其进行矫正，同时将累计矫正值sum_d置为0，结束矫正；
步骤S11，判断待定位对象上一时刻i-1的定位点P(i-1)是否存在且已进行矫正；若不存在P(i-1)，则执行步骤S10；若存在P(i-1)且已进行矫正，则执行步骤S12；若存在P(i-1)但没有被矫正，则转入步骤S16；
步骤S12，计算待定位对象当前定位点P(i)与上一时刻定位点P(i-1)之间的距离
，将P(i)垂直向最近的候选道路平移
，记为G点；所述最近的候选道路是指所有候选道路中与P(i)点垂直距离最短的候选道路；
步骤S13，由P(i)向最近的候选道路做垂线相交于候选点P(i)′；判断P(i)′点是否在线段GP(i)上；若是，则执行步骤S14；若否，执行步骤S15；
步骤S14，将P(i)直接矫正到候选点P(i)′上，完成矫正；
步骤S15，将P(i)矫正到G上，完成矫正；
步骤S16，获取候选道路集C中的候选道路个数为n；从P(i)向候选道路集C中各个候选道路作垂线，得到N个当前候选点，N个当前候选点对应时刻i；N个当前候选点对应有N个i-1时刻的上一时刻候选点；
步骤S17，根据当前定位点P(i)、上一时刻定位点P(i-1)、N个当前候选点及N个i-1时刻的上一时刻候选点，计算转移概率矩阵；
步骤S18，分别计算定位点P(i)到N个当前候选点的距离，考虑距离因素对观测概率的影响，得到第一观测概率矩阵；
步骤S19，计算待定位对象当前定位点P(i)与上一时刻定位点P(i-1)连线方向与任意候选道路k方向的夹角，考虑方向因素对观测概率的影响，得到第二观测概率矩阵；
步骤S20，根据第一观测概率矩阵及第二观测概率矩阵，得到观测概率矩阵；
步骤S21，根据计算的转移概率矩阵及观测概率矩阵计算出概率乘积最大的候选道路，并将定位点矫正到该道路的当前候选点上，完成矫正。
2.根据权利要求1所述的已匹配定位点的矫正方法，其特征在于，所述路网中至少包含两个区域，不同区域具有不同的id；步骤S2中查找当前定位点所在区域的id，后续步骤在当前id的区域内执行。
3.根据权利要求1或2所述的已匹配定位点的矫正方法，其特征在于，所述步骤S17计算转移概率矩阵具体为：
计算待定位对象当前定位点P(i)与上一时刻定位点P(i-1)之间的距离
；计算上一时刻候选点与当前候选点间的最短距离，设具有最短距离的上一时刻候选点位于候选道路q上，当前候选点位于候选道路s上，最短距离为w(i-1,q)→(i,s)，根据公式(1)计算转移概率矩阵
：
式(1)中， 
为时刻i、候选道路s上的当前候选点，
为i-1时刻、候选道路q上的上一时刻候选点； 
为当前时刻i的定位点与上一时刻i-1定位点之间的空间距离。
4.根据权利要求3所述的已匹配定位点的矫正方法，其特征在于，所述步骤S18中第一观测概率矩阵，如公式（2）所示：
式(2)中，Pd表示距离因素d的概率值；
表示i时刻在距离因素d的影响下，标签在候选道路k上时定位点pi能被观测到的概率；
为定位点到当前候选点之间的垂直距离；σ为定位误差； 
为i时刻定位点Pi在任意候选道路k上的当前候选点。
5.根据权利要求4所述的已匹配定位点的矫正方法，其特征在于，所述步骤S19中第二观测概率矩阵，如公式（3）所示：
式(3)中，
表示方向因素
的概率值；
表示i时刻在方向因素
的影响下，标签在候选道路k上时定位点pi能被观测到的概率； 
为i时刻的定位点P(i)与上一时刻定位点P(i-1)的连线方向与候选道路k方向的夹角。
6.根据权利要求5所述的已匹配定位点的矫正方法，其特征在于，所述步骤S20中观测概率矩阵，如式（4）所示：
式(4)中，
表示i时刻在方向因素和距离因素的共同影响下，标签在候选道路k上时定位点pi能被观测到的概率；vi为i时刻待定位对象的速度，vmax为待定位对象的最大移动速度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210039774.XA CN114088101B (zh) | 2022-01-14 | 2022-01-14 | 基于隐马尔可夫模型的已匹配定位点的矫正方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210039774.XA CN114088101B (zh) | 2022-01-14 | 2022-01-14 | 基于隐马尔可夫模型的已匹配定位点的矫正方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114088101A true CN114088101A (zh) | 2022-02-25 |
| CN114088101B CN114088101B (zh) | 2022-06-10 |
Family
ID=80308794
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210039774.XA Active CN114088101B (zh) | 2022-01-14 | 2022-01-14 | 基于隐马尔可夫模型的已匹配定位点的矫正方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114088101B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2664894A2 (en) * | 2012-05-17 | 2013-11-20 | Clarion Co., Ltd. | Navigation apparatus |
| CN104900059A (zh) * | 2015-05-26 | 2015-09-09 | 大连理工大学 | 一种利用隐马尔可夫地图匹配算法增强手机基站定位精度的方法 |
| CN109059939A (zh) * | 2018-06-27 | 2018-12-21 | 湖南智慧畅行交通科技有限公司 | 基于隐马尔科夫模型的地图匹配算法 |
| CN109920250A (zh) * | 2019-05-10 | 2019-06-21 | 李天学 | 动态预测城市道路智能交通管理方法 |
| US20190204096A1 (en) * | 2017-12-29 | 2019-07-04 | Uber Technologies, Inc. | Measuring the accuracy of map matched trajectories |
| CN110260870A (zh) * | 2019-07-18 | 2019-09-20 | 北京百度网讯科技有限公司 | 基于隐马尔可夫模型的地图匹配方法、装置、设备和介质 |
| CN110672093A (zh) * | 2019-08-23 | 2020-01-10 | 华清科盛(北京)信息技术有限公司 | 一种基于uwb与惯导融合的车载导航定位方法 |
| CN110736471A (zh) * | 2019-09-24 | 2020-01-31 | 武汉大学 | 基于隐马尔可夫模型的低频浮动车轨迹数据路网匹配方法 |
| CN111343585A (zh) * | 2020-02-28 | 2020-06-26 | 重庆邮电大学 | 一种基于隐马尔可夫模型的移动用户轨迹地图匹配方法 |
| CN112035591A (zh) * | 2020-09-07 | 2020-12-04 | 腾讯科技（深圳）有限公司 | 一种路网匹配方法、装置、设备和存储介质 |
| CN112632202A (zh) * | 2020-12-18 | 2021-04-09 | 东南大学 | 一种基于高阶隐马尔可夫模型的动态地图匹配方法 |
| CN113701761A (zh) * | 2021-10-28 | 2021-11-26 | 华清科盛(北京)信息技术有限公司 | 一种内部道路路径规划方法及系统 |
| WO2021251900A1 (en) * | 2020-06-08 | 2021-12-16 | Grabtaxi Holdings Pte. Ltd | Method for real-time position estimate correction of a movable object |
-
2022
- 2022-01-14 CN CN202210039774.XA patent/CN114088101B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2664894A2 (en) * | 2012-05-17 | 2013-11-20 | Clarion Co., Ltd. | Navigation apparatus |
| CN104900059A (zh) * | 2015-05-26 | 2015-09-09 | 大连理工大学 | 一种利用隐马尔可夫地图匹配算法增强手机基站定位精度的方法 |
| US20190204096A1 (en) * | 2017-12-29 | 2019-07-04 | Uber Technologies, Inc. | Measuring the accuracy of map matched trajectories |
| CN109059939A (zh) * | 2018-06-27 | 2018-12-21 | 湖南智慧畅行交通科技有限公司 | 基于隐马尔科夫模型的地图匹配算法 |
| CN109920250A (zh) * | 2019-05-10 | 2019-06-21 | 李天学 | 动态预测城市道路智能交通管理方法 |
| CN110260870A (zh) * | 2019-07-18 | 2019-09-20 | 北京百度网讯科技有限公司 | 基于隐马尔可夫模型的地图匹配方法、装置、设备和介质 |
| CN110672093A (zh) * | 2019-08-23 | 2020-01-10 | 华清科盛(北京)信息技术有限公司 | 一种基于uwb与惯导融合的车载导航定位方法 |
| CN110736471A (zh) * | 2019-09-24 | 2020-01-31 | 武汉大学 | 基于隐马尔可夫模型的低频浮动车轨迹数据路网匹配方法 |
| CN111343585A (zh) * | 2020-02-28 | 2020-06-26 | 重庆邮电大学 | 一种基于隐马尔可夫模型的移动用户轨迹地图匹配方法 |
| WO2021251900A1 (en) * | 2020-06-08 | 2021-12-16 | Grabtaxi Holdings Pte. Ltd | Method for real-time position estimate correction of a movable object |
| CN112035591A (zh) * | 2020-09-07 | 2020-12-04 | 腾讯科技（深圳）有限公司 | 一种路网匹配方法、装置、设备和存储介质 |
| CN112632202A (zh) * | 2020-12-18 | 2021-04-09 | 东南大学 | 一种基于高阶隐马尔可夫模型的动态地图匹配方法 |
| CN113701761A (zh) * | 2021-10-28 | 2021-11-26 | 华清科盛(北京)信息技术有限公司 | 一种内部道路路径规划方法及系统 |
Non-Patent Citations (5)
| Title |
|---|
| AN LUO等: "Enhanced Map-Matching Algorithm with a Hidden Markov Model for Mobile Phone Positioning", 《ISPRS INTERNATIONAL JOURNAL OF GEO-INFORMATION》 * |
| M.E.SARGIN等: "Iterative decoding of two-dimensional hidden Markov models", 《2008 15TH IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING》 * |
| 吉宏梅: "基于隐马尔可夫模型的路网匹配算法研究", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
| 王超: "基于移动数据的驻留点识别与出行轨迹提取", 《中国优秀博硕士学位论文全文数据库(硕士)》 * |
| 赵震等: "基于隐马尔可夫模型和支持向量机的地图匹配算法", 《起重运输机械》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114088101B (zh) | 2022-06-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Quddus et al. | Shortest path and vehicle trajectory aided map-matching for low frequency GPS data | |
| JP2778374B2 (ja) | 車両用ナビゲーション装置 | |
| CN106855415A (zh) | 地图匹配方法和系统 | |
| Li et al. | Lane-level map-matching with integrity on high-definition maps | |
| CN108536704B (zh) | 一种轨迹查询方法、系统及装置 | |
| WO2002088634A1 (fr) | Procede de transfert d'informations de position sur une carte numerique | |
| CN109085631B (zh) | 基于卫星定位的岔区列车股道加权识别方法 | |
| CN106403979A (zh) | 一种车辆导航位置偏移判定方法 | |
| CN108279016A (zh) | Had地图的平滑处理方法和装置、导航系统及自动驾驶系统 | |
| CN107917716B (zh) | 固定线路导航方法、装置、终端及计算机可读存储介质 | |
| JP2008020604A (ja) | 道路地図作成プログラム、地図作成装置及び位置表示システム | |
| CN114088101B (zh) | 基于隐马尔可夫模型的已匹配定位点的矫正方法 | |
| CN101644582B (zh) | 导航电子地图的差分方法、匹配方法和装置 | |
| CN114116927A (zh) | 环岛道路识别方法、装置、电子设备及存储介质 | |
| CN111556432B (zh) | 一种基于地图信息筛选匹配的众包指纹库构建方法 | |
| CN115951379B (zh) | 基于gnss系统的厘米级定位纠偏方法 | |
| Xi et al. | Map matching algorithm and its application | |
| CN115311853B (zh) | 一种基于众包地图的轨迹数据识别道路标志的方法及系统 | |
| CN112857375A (zh) | 一种道路匹配方法、装置和系统 | |
| KR20190038740A (ko) | 역 추적 맵 매칭을 이용한 맵 매칭 방법 | |
| CN114674335B (zh) | 一种最优目标链路的匹配方法 | |
| CN114283397A (zh) | 全局重定位方法、装置、设备及存储介质 | |
| Bogdoll et al. | DLCSS: Dynamic Longest Common Subsequences | |
| JP7203985B2 (ja) | センサ情報処理装置 | |
| CN109218970A (zh) | 一种定位信息的修正方法 |
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 | ||
| GR01 | Patent grant | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20220225 Assignee: Zhongguancun Technology Leasing Co.,Ltd. Assignor: TECHBLOOM (BEIJING) INFORMATION TECHNOLOGY CO.,LTD. Contract record no.: X2022980021215 Denomination of invention: Correction Method of Matched Positioning Points Based on Hidden Markov Model Granted publication date: 20220610 License type: Exclusive License Record date: 20221108 |
|
| EE01 | Entry into force of recordation of patent licensing contract | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Correction Method of Matched Positioning Points Based on Hidden Markov Model Effective date of registration: 20221109 Granted publication date: 20220610 Pledgee: Zhongguancun Technology Leasing Co.,Ltd. Pledgor: TECHBLOOM (BEIJING) INFORMATION TECHNOLOGY CO.,LTD. Registration number: Y2022980021293 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right |