CN114490900B - 一种多车次轨迹数据融合方法、装置、设备及存储介质 - Google Patents
一种多车次轨迹数据融合方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114490900B CN114490900B CN202111629346.4A CN202111629346A CN114490900B CN 114490900 B CN114490900 B CN 114490900B CN 202111629346 A CN202111629346 A CN 202111629346A CN 114490900 B CN114490900 B CN 114490900B
- Authority
- CN
- China
- Prior art keywords
- track
- data
- fusion
- target
- vehicle
- 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
- 238000007500 overflow downdraw method Methods 0.000 title claims description 21
- 230000004927 fusion Effects 0.000 claims abstract description 334
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 10
- 238000013507 mapping Methods 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请实施例公开了一种多车次轨迹数据融合方法、装置、设备及存储介质，该方法包括：基于单车次轨迹与几何路网的匹配关系，对单车次轨迹进行处理，获得第一单车次轨迹对应的第一轨迹融合数据以及第二单车次轨迹对应的第二轨迹融合数据；基于第一轨迹融合数据，将第二轨迹融合数据进行反距离加权融合，获得目标融合数据；将目标融合数据与第一轨迹融合数据进行基于观察次数的加权融合，获得目标轨迹数据。因此，采用本申请的上述方法，对多车次轨迹数据基于观察次数和权重与距离成反比进行加权融合，自动获得高精度的轨迹数据，进而规划出更加合理的轨迹。
Description
技术领域
本申请涉及数据处理技术领域，更具体地，涉及一种多车次轨迹数据融合方法、装置、设备及存储介质。
背景技术
在自动驾驶系统中，定位导航是非常重要的功能之一。但是，在某些场景下，依靠地图中的信息进行轨迹规划远远不够。所以，相关技术中提出了对多车次轨迹数据进行融合，得到融合轨迹线的解决方案。目前，主流的解决方案大都采取的是主曲线或者K分段主曲线的方案，不过这些方案比较适合高速或部分城市道路，对于停车场等复杂场景适配不是很好。因此，相关技术中，存在对停车场等复杂场景的移动轨迹规划不合理的问题。
发明内容
本申请提出了一种多车次轨迹数据融合方法、装置、设备及存储介质，以改善上述问题。
第一方面，本申请实施例提供了一种多车次轨迹数据融合方法，该方法包括：基于单车次轨迹与几何路网的匹配关系，对单车次轨迹进行处理，获得第一单车次轨迹对应的第一轨迹融合数据以及第二单车次轨迹对应的第二轨迹融合数据；基于所述第一轨迹融合数据，将所述第二轨迹融合数据进行反距离加权融合，获得目标融合数据；将所述目标融合数据与所述第一轨迹融合数据进行基于观察次数的加权融合，获得目标轨迹数据。
第二方面，本申请实施例还提供了一种多车次轨迹数据融合装置，该装置包括：轨迹数据获取单元、融合数据获取单元以及目标轨迹获取单元。其中，轨迹数据获取单元，用于基于单车次轨迹与几何路网的匹配关系，对单车次轨迹进行处理，获得第一单车次轨迹对应的第一轨迹融合数据以及第二单车次轨迹对应的第二轨迹融合数据；融合数据获取单元，用于基于所述第一轨迹融合数据，将所述第二轨迹融合数据进行反距离加权融合，获得目标融合数据；目标轨迹获取单元，用于将所述目标融合数据与所述第一轨迹融合数据进行基于观察次数的加权融合，获得目标轨迹数据。
第三方面，本申请实施例还提供了一种电子设备，包括：一个或多个处理器、存储器以及一个或多个应用程序。其中，所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序配置执行以实现如上述第一方面所述的方法。
第四方面，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有程序代码，所述程序代码可被处理器调用执行如上述第一方面所述的方法。
本申请提供的技术方案，通过基于单车次轨迹与几何路网的匹配关系，对单车次轨迹进行处理，获得第一单车次轨迹对应的第一轨迹融合数据以及第二单车次轨迹对应的第二轨迹融合数据；基于所述第一轨迹融合数据，将所述第二轨迹融合数据进行反距离加权融合，获得目标融合数据；将所述目标融合数据与所述第一轨迹融合数据进行基于观察次数的加权融合，获得目标轨迹数据。因此，采用本申请的上述方法，对多车次轨迹数据基于观察次数以及权重与距离成反比进行加权融合，自动获得高精度的目标轨迹数据，进而根据目标轨迹数据规划出更加合理的轨迹。
附图说明
为了更清楚地说明本申请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申请的一些实施例，对于本领域技术人员来讲，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的附图。
图1示出了本申请一实施例提供的一种多车次轨迹数据融合方法的应用场景示意图；
图2示出了本申请一实施例提供的一种多车次轨迹数据融合方法的流程示意图；
图3示出了本申请一实施例提供的一种多车次轨迹数据融合方法中目标轨迹与几何路网匹配的示意图；
图4示出了本申请一实施例提供的一种多车次轨迹数据融合方法采用角平分线的方式对目标轨迹的进行切分的示意图；
图5示出了本申请一实施例提供的一种多车次轨迹数据融合方法同一行进路段对应的多车次轨迹的示意图；
图6示出了本申请一实施例提供的一种多车次轨迹数据融合方法中目标融合数据的示意图；
图7示出了本申请一实施例提供的一种多车次轨迹数据融合方法中反距离加权获得目标融合数据的示意图；
图8示出了本申请一实施例提供的一种多车次轨迹数据融合方法中轨迹观察次数的示意图；
图9示出了本申请另一实施例提供的一种多车次轨迹数据融合方法的流程示意图；
图10示出了本申请一实施例提供的一种多车次轨迹数据融合装置的结构框图；
图11示出了本申请一实施例提供的一种电子设备的结构框图；
图12示出了本申请一实施例提供的一种计算机可读存储介质的结构框图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本申请将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本申请的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本申请的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
目前，无人驾驶汽车经过多年的技术沉淀之后，在当前的大数据、物联网时代获得了更多的关注，无人驾驶目前也被广泛地认为是未来人工智能产品实现大面积落地应用的突破口，所以当前不少科技公司都陆续布局了无人驾驶领域。其中，高精度地图在实现高安全、高可靠的无人驾驶系统中具有举足轻重的地位，在自动驾驶系统中高精度地图对定位导航非常关键，依靠地图中的信息对无人驾驶进行轨迹规划远远不够。
相关技术中，已出现利用GPS轨迹数据进行道路数据更新规划的技术，但是在GPS信号较弱的场景中，该方法存在数据融合误差大，更新或规划的道路数据不准确的情况。近年来，汽车行业出现了对多车次轨迹数据进行融合，得到融合轨迹进而对无人驾驶进行轨迹规划的技术。其中，通过多车次轨迹数据进行融合，得到融合轨迹线的主流方案大都采取的是主曲线或者K分段主曲线的方案。但是，主曲线方案无法解决转圈问题，而停车场存在很多类似情况；同样的，K分段主曲线方案，在停车场场景下，会存在K值较大、分段较多、不同轨迹不同分段等问题。因此，通过主流方案对多车次轨迹数据进行融合，得到融合轨迹线对于停车场等复杂场景中轨迹规划的适配不是很好。所以，相关技术中，存在停车场等复杂场景的轨迹规划不合理的问题。
为了缓解上述问题，本申请的发明人提出了本申请实施例提供的一种多车次轨迹数据融合方法、装置、设备及存储介质。通过基于单车次轨迹与几何路网的匹配关系，对单车次轨迹进行处理，获得第一单车次轨迹对应的第一轨迹融合数据以及第二单车次轨迹对应的第二轨迹融合数据；基于所述第一轨迹融合数据，将所述第二轨迹融合数据进行反距离加权融合，获得目标融合数据；将所述目标融合数据与所述第一轨迹融合数据进行基于观察次数的加权融合，获得目标轨迹数据。因此，采用本申请的上述方法，对多车次轨迹数据基于观察次数、权重与距离成反比进行加权融合，自动获得高精度的目标轨迹数据，进而根据目标轨迹数据获得更加合理的轨迹规划。
下面将结合附图具体描述本申请的各实施例。
图1是根据本申请一实施例示出的应用场景的示意图，如图1所示，该应用场景包括移动设备10和通过网络与移动设备10通信连接的服务器20，网络可以是广域网或者局域网，或者是二者的组合。移动设备10可以是各类车辆、移动机器人或任意具有采集自身移动轨迹的功能的设备。图1中仅示出了移动设备10为车辆的示意图。
车辆用于对行车轨迹进行点云数据采集，得到多车次轨迹，并发送至服务器。服务器可以在获取到多车次轨迹后，基于单车次轨迹与几何路网的匹配关系，对单车次轨迹进行处理，获得第一单车次轨迹对应的第一轨迹融合数据以及第二单车次轨迹对应的第二轨迹融合数据；基于所述第一轨迹融合数据，将所述第二轨迹融合数据进行反距离加权融合，获得目标融合数据；将所述目标融合数据与所述第一轨迹融合数据进行基于观察次数的加权融合，获得目标轨迹数据。服务器还可以在获得目标轨迹数据之后，向车辆反馈目标轨迹数据。以使车辆根据该目标轨迹数据进行车辆行驶轨迹规划，进而使得车辆自动驾驶系统对车辆轨迹的规划更加安全合理。
应当理解，车辆还可以在获得行车轨迹之后，根据行车轨迹的数据获得目标轨迹数据，也即移动设备可以执行上述服务器中的多车次轨迹数据融合方法的步骤。
请参阅图2，本申请一实施例提供了一种多车次轨迹数据融合方法，本实施例描述的是终端设备侧的步骤流程，所述方法可以包括步骤S110至步骤S130。
步骤S110：基于单车次轨迹与几何路网的匹配关系，对单车次轨迹进行处理，获得第一单车次轨迹对应的第一轨迹融合数据以及第二单车次轨迹对应的第二轨迹融合数据。
在本申请实施例中，基于单车次轨迹与几何路网的匹配关系，对单车次轨迹进行处理可以是，获取单车次轨迹；对所述单车次轨迹进行预处理，获得目标轨迹；将所述目标轨迹与几何路网匹配，获得所述目标轨迹与所述几何路网的匹配链接关系，所述匹配链接关系包括所述目标轨迹在所述几何路网上的行进路段以及链接节点；根据所述匹配链接关系，切分所述目标轨迹，获得轨迹融合数据。
在一些实施方式中，获取单车次轨迹的方式可以是，终端设备获取多车次轨迹后，对多车次轨迹分析获得单车次轨迹。其中，终端设备可以是通过无线通信技术(如WIFI、蓝牙、ZigbEE技术)从相关联的云端或电子设备获取多车次轨迹，也可以是终端设备通过串口通信接口从相关联的电子设备获取多车次轨迹，还可以是从终端设备的存储单元获取多车次轨迹。
在另一些实施方式中，获取单车次轨迹的方式可以是，终端设备通过无线通信技术(如WIFI、蓝牙、ZigbEE技术)从相关联的云端或电子设备获取的，也可以是终端设备通过串口通信接口从相关联的电子设备获取的，还可以是从终端设备的存储单元获取的。如，终端设备通过WIFI技术获取相关联的云端中存储的通过激光雷达采集的单车次轨迹的点云数据；终端设备通过SPI获取相关联的车辆通过视觉传感器采集的该车辆的轨迹数据。
其中，所述几何路网可以是预先存储在终端设备的存储单元的，也可以是终端设备通过无线通信技术从相关联的云端或电子设备获取的，还可以是终端设备通过串口通信接口从相关联的电子设备获得的。具体地，几何路网可以是高速公路、城市道路、各类停车场等各类道路的几何路网。
在本申请一种可选的实施例中，考虑到单车次轨迹中一位置冗余的轨迹点会加大该位置轨迹数据的权重，对所述单车次轨迹进行预处理，获得目标轨迹，可以是删除所述单车次轨迹中的中途停车轨迹点、中途倒车轨迹点、停车进车位段轨迹点，获得所述目标轨迹，以删除对轨迹融合无意义的轨迹数据，避免同一位置轨迹数据的权重被冗余的轨迹点加大，减小轨迹融合结果的误差。
应当理解，中途停车轨迹点、中途倒车轨迹点、停车进车位段轨迹点可以通过终端设备数据分析得到。
所述将所述目标轨迹与几何路网匹配，获得所述目标轨迹与所述几何路网的匹配链接关系，可以是，若所述目标轨迹上的轨迹点到所述几何路网的最短距离小于预设距离阈值，所述目标轨迹与所述几何路网匹配，获得所述目标轨迹在所述几何路网上的行进路段以及链接节点。
其中，预设距离阈值可以是预先存储在终端设备中的，也可以是通过无线通信技术从相关联的云端或电子设备获得的，还可以是通过串口通信接口从相关联的电子设备获得的；预设距离阈值可以是用户自主设定的，也可以是通过第三方实验数据获得的。
所述匹配链接关系包括所述目标轨迹在所述几何路网上的行进路段以及链接节点。具体地，所述目标轨迹在所述几何路网上的行进路段，即基于目标轨迹上轨迹点的行进顺序，目标轨迹依次对应在的几何路网的路段；所述目标轨迹在所述几何路网上的链接节点，即目标轨迹依次对应在的几何路网的路段之间的路网节点。
示例性的，请参阅图3，图3为目标轨迹与几何路网匹配的示意图。假设预设距离阈值为20米是通过第三方实验数据获得的预先存储在终端设备的存储单元；曲线MN为对单车次轨迹进行预处理后，获得的目标轨迹；折线A→B→C→D→E→F→G→H为与所述目标轨迹匹配的几何路网。其中，目标轨迹曲线MN上的轨迹点的行进顺序为M→N；目标轨迹曲线MN上的轨迹点到几何路网A→B→C→D→E→F→G→H的最短距离都小于预设距离阈值20米，则目标轨迹曲线MN与几何路网A→B→C→D→E→F→G→H匹配。所述目标轨迹在所述几何路网上的行进路段为：路段AB→路段BC→路段CD→路段DE→路段EF→路段FG→路段HG；所述目标轨迹在所述几何路网上的链接节点为：路网节点A、路网节点B、路网节点C、路网节点D、路网节点E、路网节点F、路网节点G以及路网节点H。
在一些实施方式中，所述根据所述匹配链接关系，切分所述目标轨迹，获得轨迹融合数据，可以是根据所述目标轨迹在所述几何路网上的链接节点，采用角平分线的方式，或者采用垂直切分的方式，对所述目标轨迹进行切分，获得所述目标轨迹在所述几何路网上的行进路段的轨迹融合数据。
在另一些实施方式中，所述根据所述匹配链接关系，切分所述目标轨迹，获得轨迹融合数据，可以是根据所述目标轨迹在所述几何路网上的链接节点，选取三个连续的链接节点连线形成目标三角形；根据目标轨迹上轨迹点的进行顺序，选取所述三个链接节点中的行进顺序中间的轨迹点作为该目标三角形的目标顶点；采用过该目标顶点的该目标三角形的中线、垂线、角平分线等方式对所述目标轨迹的进行切分，获得所述目标轨迹在所述几何路网上的行进路段的轨迹融合数据。
在本申请的一种可选的实施方式中，考虑到，保证轨迹切分的一致性与完整性，以及后续计算目标轨迹的轨迹点到几何路网距离时，映射目标轨迹的轨迹点到对应行进路段操作的数据的有序性，可以根据所述目标轨迹在所述几何路网上的链接节点，采用角平分线的方式对所述目标轨迹的进行切分，以使目标轨迹所有的轨迹点，分别归于进行切分的角平分线的左侧或右侧。即，每次选取连续3个链接节点组成的角的角平分线对目标轨迹进行轨迹切分，角平分线左侧的目标轨迹对应切分到该角平分线左侧的行进路段，角平分线右侧的目标轨迹对应切分到该角平分线右侧的行进路段。
具体的，轨迹融合数据可以包括切分目标轨迹后，获得的多个目标轨迹段、各目标轨迹段上的轨迹点、各目标轨迹段对应的几何路网上的行进路段。
示例性的，请参阅图4，图4示出了采用角平分线的方式对目标轨迹的进行切分的示意图。其中，目标轨迹(轨迹1或者轨迹2)在几何路网A→B→C上的行进路段为路段AB和路段BC；目标轨迹(轨迹1或者轨迹2)在几何路网A→B→C上的链接节点为几何路网A→B→C上的路网节点A、路网节点B以及路网节点C，如图4所示。选取连续3个链接节点(路网节点A、路网节点B以及路网节点C)组成的∠1的角平分线对目标轨迹(轨迹1或者轨迹2)进行轨迹切分，该角平分线左侧的目标轨迹对应切分到该角平分线左侧的行进路段AB，该角平分线右侧的目标轨迹对应切分到该角平分线右侧的行进路段BC。
在本申请实施例中，第一单车次轨迹、第二单车次轨迹可以为轨迹数据相同的单车次行车轨迹，也可以是轨迹数据不同的单车次行车轨迹。其中，轨迹数据可以包括轨迹的形状、轨迹上各轨迹点位置以及轨迹对应的几何路网的位置。
具体地，第一单车轨迹、第二单车次轨迹可以是不同车型的车辆在高速公路、城市道路、各类停车场等场景下的单车次轨迹；第一单车轨迹、第二单车次轨迹可以是同一车辆或同一车型的车辆在同一场景下行驶的单车次轨迹，也可以是不同车辆或不同车型的车辆在同一场景下行驶的单车次轨迹，在此不作限定。
在一些实施方式中，第一单车次轨迹、第二单车次轨迹可以为各类的移动机器人的单次移动轨迹。具体地，第一单车轨迹、第二单车次轨迹可以是同一移动机器人或同一类型的移动机器人在同一场景下行动的单次行动轨迹，也可以是不同移动机器人或不同类型的移动机器人在同一场景下行动的单次行动轨迹。其中，终端设备获取第一单车次轨迹、第二单车次轨迹的方式可以相同也可以不同。
第一单车次轨迹对应的第一轨迹融合数据获得的过程可以是：对第一单车次轨迹进行预处理，获得第一目标轨迹；将所述第一目标轨迹与几何路网匹配，获得所述第一目标轨迹与所述几何路网的第一匹配链接关系，所述第一匹配链接关系包括所述第一目标轨迹在所述几何路网上的行进路段以及链接节点；根据所述第一匹配链接关系，切分所述第一目标轨迹，获得第一轨迹融合数据。即对第一单车次轨迹进行预处理后，获得的预处理后分段的第一单车次轨迹。
同样的，第二单车次轨迹对应的第二轨迹融合数据获得的过程可以是：对第二单车次轨迹进行预处理，获得第二目标轨迹；将所述第二目标轨迹与几何路网匹配，获得所述第二目标轨迹与所述几何路网的第二匹配链接关系，所述第二匹配链接关系包括所述第二目标轨迹在所述几何路网上的行进路段以及链接节点；根据所述第二匹配链接关系，切分所述第二目标轨迹，获得第二轨迹融合数据。即对第二单车次轨迹进行预处理后，获得的预处理后分段的第二单车次轨迹。
需要说明的是，切分所述第一目标轨迹和切分所述第二目标轨迹的切分方式相同；所述第一目标轨迹与所述第二目标轨迹的行进方向相同；所述第一轨迹融合数据包括对所述第一目标轨迹切分后，获得的对应所述几何路网不同行进路段的多个第一目标轨迹段，所述第二轨迹融合数据包括对所述第二目标轨迹切分后，获得的对应所述几何路网不同行进路段的多个第二目标轨迹段。
步骤S120：基于所述第一轨迹融合数据，将所述第二轨迹融合数据进行反距离加权融合，获得目标融合数据。
在本申请实施例中，考虑到，基于第一轨迹融合数据对应的所述几何路网的行进路段获得的该行进路段对应的第二轨迹融合数据与该第一轨迹融合数据不完全重合，存在偏差。如，请参阅图5，其示出了本申请一实施例中同一行进路段对应的多车次轨迹的示意图。其中，轨迹1中的轨迹点B1与轨迹2中的轨迹点B2在对应行进路段上的映射不是重合的，轨迹1中的轨迹点C1与轨迹2的轨迹点C2以及轨迹3的轨迹点C3在对应行进路段上的映射都不是重合的。同时考虑到两点之间距离越近，对轨迹数据的融合结果影响越大，因此，可以基于所述第一轨迹融合数据，将所述第二轨迹融合数据进行反距离加权融合，获得目标融合数据，以减小第二轨迹融合数据与第一轨迹融合数据的在对应行进路段上映射的偏差。
具体地，所述基于所述第一轨迹融合数据，将所述第二轨迹融合数据进行反距离加权融合，获得目标融合数据，可以是基于所述第一轨迹融合数据对应的所述几何路网的行进路段，获得该行进路段对应的第二轨迹融合数据；基于所述第一轨迹融合数据将所述第二轨迹融合数据进行反距离加权融合，获得目标融合数据。其中，目标融合数据可以包括第一轨迹融合数据将所述第二轨迹融合数据进行反距离加权融合获得的轨迹点的位置、该轨迹点对应的几何路网信息等数据。
示例性的，请参阅图6。第一轨迹融合数据对应的几何路网的行进路段为路段AB，基于第一轨迹融合数据对应的所述几何路网的行进路段AB，获得行进路段AB对应的第二轨迹融合数据，如图6所示。其中，所述基于所述第一轨迹融合数据将所述第二轨迹融合数据进行反距离加权融合，获得目标融合数据，可以是针对第一轨迹融合数据的一轨迹点，对所述第二轨迹融合数据中距离该轨迹点最近的两个轨迹点进行反距离加权融合，获得该轨迹点对应的目标融合数据。如，针对第一轨迹融合数据中的轨迹点A1，对第二轨迹融合数据中距离轨迹点A1最近的两个轨迹点(轨迹点B1、轨迹点B2)进行反距离加权，获得该轨迹点A1对应的目标融合数据(轨迹点B3)。
请参阅图7，在本申请的一种可选的实施方式中，对两个轨迹点反距离加权的计算方式可以是，针对第一轨迹融合数据中的轨迹点a，对第二轨迹融合数据中距离轨迹点a最近的两个轨迹点(轨迹点b和轨迹点c)，用虚线连接轨迹点b和轨迹点c，过轨迹点a作虚线bc的垂线，获得该垂线与虚线bc的交点m、轨迹点b到轨迹点m之间的距离d1以及轨迹点c到轨迹点m之间的距离d2，根据反距离权重加权计算公式：
W1＝(1/d1)/(1/d1+1/d2)；
W2＝(1/d2)/(1/d1+1/d2)；
获得轨迹点b的权重W1和轨迹点c的权重W2，根据轨迹点b的位置、轨迹点c的位置、轨迹点b的权重W1以及轨迹点c的权重W2，根据目标融合数据计算公式：目标融合数据＝轨迹点b的位置×轨迹点b的权重W1+轨迹点c的位置×轨迹点c的权重W2，获得轨迹点a对应的目标融合数据轨迹点B3的位置。
步骤S130：将所述目标融合数据与所述第一轨迹融合数据进行基于观察次数的加权融合，获得目标轨迹数据。
在本申请实施例中，所述将所述目标融合数据与所述第一轨迹融合数据进行基于观察次数的加权融合，获得目标轨迹数据，可以是计算所述目标融合数据中的目标轨迹点到所述几何路网的第一距离；计算所述第一轨迹融合数据中的第一轨迹点到所述几何路网的第二距离；根据所述第一距离、第二距离、第一轨迹融合数据的观察次数以及目标融合数据的观察次数，对所述目标融合数据与所述第一轨迹融合数据进行加权融合，获得目标轨迹数据。
在本申请实施例中，所述观察次数可以是针对多车次轨迹对应的几何路网上的某一点，获得多车次轨迹经过该点的次数以及该点对应的轨迹融合的权数。示例性的，请参阅图8，针对多车次轨迹对应的几何路网M→N上的点A，获得多车次轨迹经过点A的次数(轨迹点A1)为1，A点的权数为1；针对多车次轨迹对应的几何路网上的点B，获得多车次轨迹经过点B的次数(轨迹点B1、轨迹点B2)为2，B点的权数为2；针对多车次轨迹对应的几何路网上的点C，获得多车次轨迹经过点C的次数(轨迹点C1、轨迹点C2、轨迹点C3)为3，C点的权数为3。
示例性的，请再次参阅图6。假设第一轨迹融合数据的观察次数为1，第二轨迹融和数据的观察次数为1，获得几何路网上点C的权重为2；第一轨迹融合数据的第一轨迹点A1基于几何路网上点C的观察次数的权重为1/2，目标融合数据的目标轨迹点B3基于几何路网上点C的观察次数的权重为1/2。将所述目标融合数据与所述第一轨迹融合数据进行基于观察次数的加权融合，获得目标轨迹数据，可以是计算所述目标融合数据中的目标轨迹点B3到所述几何路网AB段的第一距离(点B3与点C之间的距离)，计算所述第一轨迹融合数据中的第一轨迹点A1到所述几何路网AB段的第二距离(点A1与点C之间的距离)；根据所述第一距离、第二距离、第一轨迹融合数据的观察次数以及目标融合数据的观察次数，对所述目标融合数据与所述第一轨迹融合数据进行加权融合，获得目标轨迹数据，可以是利用目标轨迹数据计算公式：目标轨迹数据＝第一距离×1/2×第一轨迹融合数据+第二距离×1/2×第二轨迹融合数据，获得目标轨迹数据。
作为一种实施方式，所述第一轨迹融合数据对应的观察次数等于1时，即第一轨迹融合数据为单车次轨迹融合的数据；所述第二轨迹融合数据对应的观察次数等于1时，即第二轨迹融合数据为单车次轨迹融合的数据。
作为另一种实施方式，所述第一轨迹融合数据对应的观察次数大于或等于2时，即第一轨迹融合数据为多车次轨迹融合的数据；所述第二轨迹融合数据对应的观察次数大于或等于2时，即第二轨迹融合数据为多车次轨迹融合的数据。
本申请的技术方案，通过基于单车次轨迹与几何路网的匹配关系，对单车次轨迹进行处理，获得第一单车次轨迹对应的第一轨迹融合数据以及第二单车次轨迹对应的第二轨迹融合数据；基于所述第一轨迹融合数据，将所述第二轨迹融合数据进行反距离加权融合，获得目标融合数据；将所述目标融合数据与所述第一轨迹融合数据进行基于观察次数的加权融合，获得目标轨迹数据。因此，采用本申请的上述方法，对第一单车次轨迹数据和第二单车次轨迹数据基于观察次数、反距离加权的加权方式，进行轨迹数据融合，自动获得高精度的目标轨迹数据，以根据目标轨迹数据规划出更加合理的轨迹。
请参阅图9，本申请另一实施例提供了一种多车次轨迹数据融合方法，本实施例描述的是终端设备侧的步骤，所述方法可以包括步骤S210至步骤S240。
步骤S210：基于单车次轨迹与几何路网的匹配关系，对单车次轨迹进行处理，获得第一单车次轨迹对应的第一轨迹融合数据以及第二单车次轨迹对应的第二轨迹融合数据。
步骤S220：基于所述第一轨迹融合数据，将所述第二轨迹融合数据进行反距离加权融合，获得目标融合数据。
步骤S230：将所述目标融合数据与所述第一轨迹融合数据进行基于观察次数的加权融合，获得目标轨迹数据。
关于步骤S210至步骤S230的具体描述请参阅前文对步骤S110至步骤S130的描述，此处不作一一赘述。
步骤S240：若基于单车次轨迹与几何路网的匹配关系，对单车次轨迹进行处理，获得第三单车次轨迹对应的第三轨迹融合数据，则将所述目标轨迹数据作为新的第一轨迹融合数据，以及将所述第三轨迹融合数据作为新的第二轨迹融合数据，并返回执行基于所述第一轨迹融合数据，将所述第二轨迹融合数据进行反距离加权融合，获得目标融合数据的步骤。
在本申请实施例中，终端设备基于单车次轨迹与几何路网的匹配关系，对单车次轨迹进行处理，获得第三单车次轨迹对应的第三轨迹融合数据。其中，所述第三次轨迹与所述第一单车次轨迹以及第二单车次轨迹的行进方向相同，终端设备获取第三单车次轨迹方式可以与获取第一单车次轨迹或者第二单车次轨迹的方式相同，也可以不同；所述第三次轨迹可以与第一单车次轨迹的轨迹数据，或第二单车次轨迹的轨迹数据相同，也可以不同。
具体地，基于单车次轨迹与几何路网的关系，对单车次轨迹进行处理，获得单车次轨迹对应的第三轨迹融合数据的具体描述请参阅前文对步骤S110的具体描述，此处不作一一赘述。
其中，若基于单车次轨迹与几何路网的匹配关系，对单车次轨迹进行处理，获得第三单车次轨迹对应的第三轨迹融合数据，则将所述目标轨迹数据作为新的第一轨迹融合数据，其中，该第一轨迹融合数据的观察次数，即为第一单车次轨迹和第二单车次轨迹的观察次数的和。
应当理解，在本申请实施例中，终端设备基于单车次轨迹与几何路网匹配关系，对单车次轨迹进行处理，还可以获得第四次单车次轨迹对应的第四轨迹融合数据、第五次单车次轨迹对应的第五轨迹融合数据以及第N次单车次轨迹对应的第N轨迹融合数据。若终端设备基于单车次轨迹与几何路网匹配关系，对单车次轨迹进行处理，获得第N次单车次轨迹对应的第N次轨迹融合数据则将第(N-1)次轨迹对应的第(N-1)次轨迹融合数据作为第二轨迹融合数据获得的目标轨迹数据作为第一轨迹融合数据，以及将第N次轨迹对应的第N次轨迹融合数据作为第二轨迹融合数据，获得目标融合数据。其中，所述第一轨迹融合数据的观察次数，即获得第一轨迹融合数据的多车次轨迹数据的观察次数的和。
请再次参阅图6，假设第一轨迹融合数据为第一单车次轨迹与第二单车次轨迹根据本申请实施例提出的一种多车次轨迹数据融合方法融合获得的目标轨迹数据。其中，第一单车次轨迹的观察次数为1、第二单车次轨迹的观察次数为2，则如图6所示的第一轨迹融合数据的观察次数为2；第二轨迹融合数据即为终端设备基于单车次轨迹与几何路网的匹配关系，对单车次轨迹进行处理，获得第三单车次轨迹对应的第三轨迹融合数据，该第三轨迹融合数据的观察次数为1，即如图6所示的第二轨迹融合数据的观察次数为1；获得几何路网上点C的权重为3。第一轨迹融合数据的第一轨迹点A1基于几何路网上点C的观察次数的权重为2/3，目标融合数据的目标轨迹点B3基于几何路网上点C的观察次数的权重为1/3。将所述目标融合数据与所述第一轨迹融合数据进行基于观察次数的加权融合，获得目标轨迹数据，可以是计算所述目标融合数据中的目标轨迹点B3到所述几何路网AB段的第一距离(点B3与点C之间的距离)，计算所述第一轨迹融合数据中的第一轨迹点A1到所述几何路网AB段的第二距离(点A1与点C之间的距离)；根据所述第一距离、第二距离、第一轨迹融合数据的观察次数以及目标融合数据的观察次数，对所述目标融合数据与所述第一轨迹融合数据进行加权融合，获得目标轨迹数据，可以是利用目标轨迹数据计算公式：目标轨迹数据＝第一距离×1/3×第一轨迹融合数据+第二距离×1/3×第二轨迹融合数据，获得目标轨迹数据。
本申请的技术方案，通过基于单车次轨迹与几何路网的匹配关系，对单车次轨迹进行处理，获得第一单车次轨迹对应的第一轨迹融合数据以及第二单车次轨迹对应的第二轨迹融合数据；基于所述第一轨迹融合数据，将所述第二轨迹融合数据进行反距离加权融合，获得目标融合数据；将所述目标融合数据与所述第一轨迹融合数据进行基于观察次数的加权融合，获得目标轨迹数据；若基于单车次轨迹与几何路网的匹配关系，对单车次轨迹进行处理，获得第三单车次轨迹对应的第三轨迹融合数据，则将所述目标轨迹数据作为新的第一轨迹融合数据，以及将所述第三轨迹融合数据作为新的第二轨迹融合数据，并返回执行基于所述第一轨迹融合数据，将所述第二轨迹融合数据进行反距离加权融合，获得目标融合数据的步骤。因此，采用本申请的技术方法，对多车次轨迹数据基于观察次数和反距离加权的加权方式，进行多车次轨迹数据融合，自动获得高精度的目标轨迹数据，以根据目标轨迹数据规划出更加合理的轨迹。
请参阅图10，其示出了本申请一实施例提供的一种多车次轨迹数据融合装置，所述装置300包括：轨迹数据获取单元310、融合数据获取单元320以及目标轨迹获取单元330。其中，轨迹数据获取单元310，用于基于单车次轨迹与几何路网的匹配关系，对单车次轨迹进行处理，获得第一单车次轨迹对应的第一轨迹融合数据以及第二单车次轨迹对应的第二轨迹融合数据；融合数据获取单元320，用于基于所述第一轨迹融合数据，将所述第二轨迹融合数据进行反距离加权融合，获得目标融合数据；目标轨迹获取单元330，用于将所述目标融合数据与所述第一轨迹融合数据进行基于观察次数的加权融合，获得目标轨迹数据。
作为一种实施方式，轨迹数据获取单元310获取第一单车次轨迹、第二单车次轨迹；删除第一单车次轨迹和第二单车次轨迹中的途停车轨迹点、中途倒车轨迹点、停车进车位段轨迹点，获得第一单车次轨迹的目标轨迹和第二单车次轨迹的目标轨迹；若目标轨迹上的轨迹点到几何路网的最短距离小于预设距离阈值，目标轨迹与所述几何路网匹配，获得目标轨迹在所述几何路网上的行进路段以及链接节点；根据目标轨迹在所述几何路网上的链接节点，采用角平分线的方式对目标轨迹的进行切分，获得第一单车次轨迹对应的第一轨迹融合数据以及第二单车次轨迹对应的第二轨迹融合数据。
融合数据获取单元320基于第一轨迹融合数据对应的几何路网的行进路段，获得该行进路段对应的第二轨迹融合数据；基于第一轨迹融合数据将所述第二轨迹融合数据进行反距离加权融合，获得目标融合数据。
目标轨迹获取单元330，计算目标融合数据中的目标轨迹点到几何路网的第一距离；计算第一轨迹融合数据中的第一轨迹点到所述几何路网的第二距离；根据第一距离、第二距离、第一轨迹融合数据的观察次数以及目标融合数据的观察次数，对目标融合数据与所述第一轨迹融合数据进行加权融合，获得目标轨迹数据。
需要说明的是，本说明书的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。对于方法实施例中的所描述的任意的处理方式，在装置实施例中均可以通过相应的处理模块实现，装置实施例中不再一一赘述。
请参阅图11，基于上述的一种多车次轨迹数据融合方法，本申请还提供了另一种包括可以执行前述一种多车次轨迹数据融合方法的电子设备400，电子设备400还包括一个或多个处理器410、存储器420以及一个或多个应用程序。其中，该存储器420中存储有可以执行前述实施例中内容的程序，而处理器410可以执行该存储器420中存储的程序。其中，电子设备400可以是车辆、智能手机、智能机器人、平板电脑、个人计算机等。
其中，处理器410可以包括一个或者多个用于处理数据的核以及消息矩阵单元。处理器410利用各种接口和线路连接整个电子设备内的各个部分，通过运行或执行存储在存储器420内的指令、程序、代码集或指令集，以及调用存储在存储器420内的数据，执行电子设备400的各种功能和处理数据。可选地，处理器410可以采用数字信号处理(DigitalSignal Processing，DSP)、现场可编程门阵列(Field－Programmable GateArray，FPGA)、可编程逻辑阵列(Programmable Logic Array，PLA)中的至少一种硬件形式来实现。处理器410可集成中央处理器(Central Processing Unit，CPU)、图像处理器(Graphics ProcessingUnit，GPU)和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器中，单独通过一块通信芯片进行实现。
存储器420可以包括随机存储器(Random Access Memory，RAM)，也可以包括只读存储器(Read-Only Memory)。存储器420可用于存储指令、程序、代码、代码集或指令集。存储器420可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于实现至少一个功能的指令(比如获取单车次轨迹等)、用于实现下述各个方法实施例的指令等。存储数据区还可以存储终端在使用中所创建的数据(比如第一轨迹融合数据、第二轨迹融合数据、目标融合数据)等。
请参阅图12，其示出了本申请实施例提供的一种计算机可读存储介质500的结构框图。该计算机可读存储介质500中存储有程序代码510，所述程序代码510可被处理器调用执行上述方法实施例中所描述的方法。
计算机可读存储介质500可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。可选地，计算机可读存储介质500包括非易失性计算机可读介质(non-transitory computer-readable storage medium)。计算机可读存储介质500具有执行上述方法中的任何方法步骤的程序代码510的存储空间。这些程序代码510可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。程序代码可以例如以适当形式进行压缩。
最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不驱使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (11)
1.一种多车次轨迹数据融合方法，其特征在于，所述方法包括：
基于单车次轨迹与几何路网的匹配关系，对单车次轨迹进行处理，获得第一单车次轨迹对应的第一轨迹融合数据以及第二单车次轨迹对应的第二轨迹融合数据，其中，所述第一轨迹融合数据为对所述第一单车次轨迹切分后，获得的对应所述几何路网不同行进路段的多个轨迹段，所述第二轨迹融合数据为对所述第二单车次轨迹切分后，获得的对应所述几何路网不同行进路段的多个轨迹段；
基于所述第一轨迹融合数据，将所述第二轨迹融合数据进行反距离加权融合，获得目标融合数据，其中，所述目标融合数据包括基于所述第一轨迹融合数据将所述第二轨迹融合数据进行反距离加权融合获得的轨迹点的位置；
将所述目标融合数据与所述第一轨迹融合数据进行基于观察次数的加权融合，获得目标轨迹数据，其中，所述观察次数为针对多车次轨迹对应的几何路网上的某一点，获得的所述多车次轨迹经过该点的次数，所述目标轨迹数据为将多车次轨迹融合获得的数据。
2.根据权利要求1所述的多车次轨迹数据融合方法，其特征在于，所述方法还包括：
若基于单车次轨迹与几何路网的匹配关系，对单车次轨迹进行处理，获得第三单车次轨迹对应的第三轨迹融合数据，则将所述目标轨迹数据作为新的第一轨迹融合数据，以及将所述第三轨迹融合数据作为新的第二轨迹融合数据，并返回执行基于所述第一轨迹融合数据，将所述第二轨迹融合数据进行反距离加权融合，获得目标融合数据的步骤。
3.根据权利要求1所述的多车次轨迹数据融合方法，其特征在于，所述基于单车次轨迹与几何路网的匹配关系，对单车次轨迹进行处理，包括：
获取单车次轨迹；
对所述单车次轨迹进行预处理，获得目标轨迹，其中，所述目标轨迹为所述单车次轨迹的数据；
将所述目标轨迹与几何路网匹配，获得所述目标轨迹与所述几何路网的匹配链接关系，所述匹配链接关系包括所述目标轨迹在所述几何路网上的行进路段以及链接节点；
根据所述匹配链接关系，切分所述目标轨迹，获得轨迹融合数据。
4.根据权利要求3所述的多车次轨迹数据融合方法，其特征在于，所述对所述单车次轨迹进行预处理，获得目标轨迹，包括：
删除所述单车次轨迹中的中途停车轨迹点、中途倒车轨迹点、停车进车位段轨迹点，获得所述目标轨迹。
5.根据权利要求3所述的多车次轨迹数据融合方法，其特征在于，所述将所述目标轨迹与几何路网匹配，获得所述目标轨迹与所述几何路网的匹配链接关系，包括：
若所述目标轨迹上的轨迹点到所述几何路网的最短距离小于预设距离阈值，所述目标轨迹与所述几何路网匹配，获得所述目标轨迹在所述几何路网上的行进路段以及链接节点。
6.根据权利要求5所述的多车次轨迹数据融合方法，其特征在于，所述根据所述匹配链接关系，切分所述目标轨迹，获得轨迹融合数据，包括：
根据所述目标轨迹在所述几何路网上的链接节点，采用角平分线的方式对所述目标轨迹的进行切分，获得所述目标轨迹在所述几何路网上的行进路段的轨迹融合数据。
7.根据权利要求6所述的多车次轨迹数据融合方法，其特征在于，所述基于所述第一轨迹融合数据，将所述第二轨迹融合数据进行反距离加权融合，获得目标融合数据，包括：
基于所述第一轨迹融合数据对应的所述几何路网的行进路段，获得该行进路段对应的第二轨迹融合数据；
基于所述第一轨迹融合数据将所述第二轨迹融合数据进行反距离加权融合，获得目标融合数据。
8.根据权利要求7所述的多车次轨迹数据融合方法，其特征在于，所述将所述目标融合数据与所述第一轨迹融合数据进行基于观察次数的加权融合，获得目标轨迹数据，包括：
计算所述目标融合数据中的目标轨迹点到所述几何路网的第一距离；
计算所述第一轨迹融合数据中的第一轨迹点到所述几何路网的第二距离；
根据所述第一距离、第二距离、第一轨迹融合数据的观察次数以及目标融合数据的观察次数，对所述目标融合数据与所述第一轨迹融合数据进行加权融合，获得目标轨迹数据。
9.一种多车次轨迹数据融合装置，其特征在于，所述装置包括：
轨迹数据获取单元，用于基于单车次轨迹与几何路网的匹配关系，对单车次轨迹进行处理，获得第一单车次轨迹对应的第一轨迹融合数据以及第二单车次轨迹对应的第二轨迹融合数据，其中，所述第一轨迹融合数据为对所述第一单车次轨迹切分后，获得的对应所述几何路网不同行进路段的多个轨迹段，所述第二轨迹融合数据为对所述第二单车次轨迹切分后，获得的对应所述几何路网不同行进路段的多个轨迹段；
融合数据获取单元，用于基于所述第一轨迹融合数据，将所述第二轨迹融合数据进行反距离加权融合，获得目标融合数据，其中，所述目标融合数据包括基于所述第一轨迹融合数据将所述第二轨迹融合数据进行反距离加权融合获得的轨迹点的位置；
目标轨迹获取单元，用于将所述目标融合数据与所述第一轨迹融合数据进行基于观察次数的加权融合，获得目标轨迹数据，其中，所述观察次数为针对多车次轨迹对应的几何路网上的某一点，获得的所述多车次轨迹经过该点的次数，所述目标轨迹数据为将多车次轨迹融合获得的数据。
10.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器；
一个或多个应用程序，其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序配置用于执行如权利要求1-8任一项所述的方法。
11.一种计算机可读取存储介质，其特征在于，所述计算机可读取存储介质中存储有程序代码，所述程序代码可被处理器调用执行如权利要求1-8任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111629346.4A CN114490900B (zh) | 2021-12-28 | 2021-12-28 | 一种多车次轨迹数据融合方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111629346.4A CN114490900B (zh) | 2021-12-28 | 2021-12-28 | 一种多车次轨迹数据融合方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114490900A CN114490900A (zh) | 2022-05-13 |
| CN114490900B true CN114490900B (zh) | 2022-10-14 |
Family
ID=81496550
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111629346.4A Active CN114490900B (zh) | 2021-12-28 | 2021-12-28 | 一种多车次轨迹数据融合方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114490900B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106840176A (zh) * | 2016-12-28 | 2017-06-13 | 济宁中科先进技术研究院有限公司 | Gps时空数据增量路网实时更新和轨迹匹配系统 |
| CN110275194A (zh) * | 2018-03-14 | 2019-09-24 | 北京嘀嘀无限科技发展有限公司 | 一种车辆轨迹矫正方法和系统 |
| CN110648529A (zh) * | 2019-09-16 | 2020-01-03 | 腾讯大地通途（北京）科技有限公司 | 一种车辆行驶轨迹的渲染方法、装置、设备及存储介质 |
| CN111177297A (zh) * | 2019-12-31 | 2020-05-19 | 信阳师范学院 | 一种基于视频和gis的动态目标速度计算优化方法 |
| EP3671272A1 (en) * | 2018-12-20 | 2020-06-24 | Veoneer Sweden AB | Vehicle sensor fusion based on fuzzy sets |
| CN111581306A (zh) * | 2019-02-15 | 2020-08-25 | 阿里巴巴集团控股有限公司 | 一种行车轨迹模拟方法及装置 |
| CN112084289A (zh) * | 2020-09-18 | 2020-12-15 | 湖北亿咖通科技有限公司 | 一种轨迹融合方法及装置 |
| CN112270833A (zh) * | 2020-10-27 | 2021-01-26 | 智慧足迹数据科技有限公司 | 一种轨迹拟合方法、装置、电子设备和存储介质 |
| CN113104041A (zh) * | 2021-05-08 | 2021-07-13 | 地平线(上海)人工智能技术有限公司 | 行车轨迹预测方法、装置、电子设备及存储介质 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8812226B2 (en) * | 2009-01-26 | 2014-08-19 | GM Global Technology Operations LLC | Multiobject fusion module for collision preparation system |
| CN111914664A (zh) * | 2020-07-06 | 2020-11-10 | 同济大学 | 基于重识别的车辆多目标检测和轨迹跟踪方法 |
| CN113420805B (zh) * | 2021-06-21 | 2022-11-29 | 车路通科技(成都)有限公司 | 视频和雷达的动态轨迹图像融合方法、装置、设备及介质 |
-
2021
- 2021-12-28 CN CN202111629346.4A patent/CN114490900B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106840176A (zh) * | 2016-12-28 | 2017-06-13 | 济宁中科先进技术研究院有限公司 | Gps时空数据增量路网实时更新和轨迹匹配系统 |
| CN110275194A (zh) * | 2018-03-14 | 2019-09-24 | 北京嘀嘀无限科技发展有限公司 | 一种车辆轨迹矫正方法和系统 |
| EP3671272A1 (en) * | 2018-12-20 | 2020-06-24 | Veoneer Sweden AB | Vehicle sensor fusion based on fuzzy sets |
| CN111581306A (zh) * | 2019-02-15 | 2020-08-25 | 阿里巴巴集团控股有限公司 | 一种行车轨迹模拟方法及装置 |
| CN110648529A (zh) * | 2019-09-16 | 2020-01-03 | 腾讯大地通途（北京）科技有限公司 | 一种车辆行驶轨迹的渲染方法、装置、设备及存储介质 |
| CN111177297A (zh) * | 2019-12-31 | 2020-05-19 | 信阳师范学院 | 一种基于视频和gis的动态目标速度计算优化方法 |
| CN112084289A (zh) * | 2020-09-18 | 2020-12-15 | 湖北亿咖通科技有限公司 | 一种轨迹融合方法及装置 |
| CN112270833A (zh) * | 2020-10-27 | 2021-01-26 | 智慧足迹数据科技有限公司 | 一种轨迹拟合方法、装置、电子设备和存储介质 |
| CN113104041A (zh) * | 2021-05-08 | 2021-07-13 | 地平线(上海)人工智能技术有限公司 | 行车轨迹预测方法、装置、电子设备及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| Realtime Vehicle and Pedestrian Tracking for Didi Udacity Self-Driving Car Challenge;Alexander Buyval 等;《2018 IEEE International Conference on Robotics and Automation (ICRA)》;20180913;1287-1292 * |
| 利用轨迹数据进行道路网更新及轨迹融合;黄窈蕙等;《测绘通报》;20180825(第08期);127-131 * |
| 基于三次B样条曲线拟合的主车轨迹预测算法的研究;邓琬云 等;《汽车与驾驶维修(维修版)》;20211110(第11期);29-31 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114490900A (zh) | 2022-05-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108519094B (zh) | 局部路径规划方法及云处理端 | |
| CN110160541B (zh) | 运动轨迹的重构方法和装置、存储介质、电子装置 | |
| CN112212874B (zh) | 车辆轨迹预测方法、装置、电子设备及计算机可读介质 | |
| CN110648529B (zh) | 一种车辆行驶轨迹的渲染方法、装置、设备及存储介质 | |
| CN112001986B (zh) | 虚拟车道的生成方法、装置以及电子设备和存储介质 | |
| CN111422204B (zh) | 自动驾驶车辆通行判定方法及相关设备 | |
| CN109885058B (zh) | 行车轨迹规划方法、装置、电子设备及存储介质 | |
| CN111177934B (zh) | 参考路径规划的方法、设备和存储介质 | |
| CN114212110B (zh) | 障碍物轨迹预测方法、装置、电子设备及存储介质 | |
| Coelho et al. | A review of end-to-end autonomous driving in urban environments | |
| Saxena et al. | Multiagent sensor fusion for connected & autonomous vehicles to enhance navigation safety | |
| CN114664094B (zh) | 一种车辆轨迹预测方法、装置、芯片、终端和计算机设备 | |
| CN110472000B (zh) | 路网线路确定方法、装置、电子设备及存储介质 | |
| CN114638103A (zh) | 自动驾驶联合仿真方法、装置、计算机设备及存储介质 | |
| CN112633812B (zh) | 货运车辆的轨迹分段方法、装置、设备及存储介质 | |
| CN114490900B (zh) | 一种多车次轨迹数据融合方法、装置、设备及存储介质 | |
| CN116399364B (zh) | 车辆行驶路网生成方法、装置、芯片、终端、设备和介质 | |
| CN115657684A (zh) | 车辆路径信息生成方法、装置、设备和计算机可读介质 | |
| CN115761702A (zh) | 车辆轨迹生成方法、装置、电子设备和计算机可读介质 | |
| CN115583254A (zh) | 路径规划方法、装置、设备以及自动驾驶车辆 | |
| CN116424336A (zh) | 一种轨迹预测方法、装置及车联网设备 | |
| CN105701555A (zh) | 用于划分路网的方法和系统 | |
| CN113313654A (zh) | 激光点云滤波去噪方法、系统、设备及存储介质 | |
| CN114281915B (zh) | 一种生成几何路网的方法、装置、设备及存储介质 | |
| CN115294764B (zh) | 人行横道区域确定方法、装置、设备及自动驾驶车辆 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240305 Address after: 510000 No.8 Songgang street, Cencun, Tianhe District, Guangzhou City, Guangdong Province Patentee after: GUANGZHOU XIAOPENG MOTORS TECHNOLOGY Co.,Ltd. Country or region after: China Address before: Room 46, room 406, No.1, Yichuang street, Zhongxin knowledge city, Huangpu District, Guangzhou City, Guangdong Province Patentee before: Guangzhou Xiaopeng Automatic Driving Technology Co.,Ltd. Country or region before: China |