CN114691809A - 道路轨迹确定方法及装置、电子设备和介质 - Google Patents
道路轨迹确定方法及装置、电子设备和介质 Download PDFInfo
- Publication number
- CN114691809A CN114691809A CN202210333436.7A CN202210333436A CN114691809A CN 114691809 A CN114691809 A CN 114691809A CN 202210333436 A CN202210333436 A CN 202210333436A CN 114691809 A CN114691809 A CN 114691809A
- Authority
- CN
- China
- Prior art keywords
- track
- track point
- distance
- points
- velocity
- 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.)
- Pending
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
- G06F16/20—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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提供了一种道路轨迹确定方法、装置、电子设备、计算机可读存储介质和计算机程序产品,涉及计算机领域,尤其涉及智能交通技术领域。实现方案为:获取多个车辆的第一轨迹点数据,第一轨迹点数据包括该多个车辆在行驶过程中所采集的多个轨迹点,每一个轨迹点包括位置坐标以及相应车辆在该轨迹点的速度信息;确定多个轨迹点中的至少一个轨迹点各自的相邻轨迹点的集合,对于所确定的每一个集合,该集合中的每一个轨迹点与该至少一个轨迹点中的相应轨迹点的距离均不大于预设阈值,该距离根据位置坐标以及速度信息确定;基于所有所确定的相邻轨迹点的集合,确定对多个轨迹点进行聚类后所得到的簇;以及基于所得到的簇确定道路轨迹。
Description
技术领域
本公开涉及计算机领域,尤其涉及智能交通、数据处理技术领域,具体涉及一种道路轨迹确定方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
背景技术
随着城市及城际交通网的发展,日常出行越来越依赖高精度地图。通常,可以采用众包建图的方式对高精度地图进行绘制,在绘制过程中,需要对采集的轨迹点数据进行聚类融合,以拟合确定相应的道路轨迹。
发明内容
本公开提供了一种道路轨迹确定方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
根据本公开的一方面,提供了一种道路轨迹确定方法,包括:获取多个车辆的第一轨迹点数据,其中所述第一轨迹点数据包括所述多个车辆在行驶过程中所采集的多个轨迹点,每一个轨迹点包括位置坐标以及相应车辆在该轨迹点的速度信息;确定所述多个轨迹点中的至少一个轨迹点各自的相邻轨迹点的集合,对于所确定的每一个集合,该集合中的每一个轨迹点与所述至少一个轨迹点中的相应轨迹点的距离均不大于预设阈值,其中,所述距离根据所述位置坐标以及所述速度信息确定;基于所有所确定的相邻轨迹点的集合,确定对所述多个轨迹点进行聚类后所得到的簇;以及基于所得到的簇确定道路轨迹。
根据本公开的另一方面,提供了一种道路轨迹确定装置,包括:获取单元,配置为获取多个车辆的第一轨迹点数据,其中所述第一轨迹点数据包括所述多个车辆在行驶过程中所采集的多个轨迹点,每一个轨迹点包括位置坐标以及相应车辆在该轨迹点的速度信息;第一确定单元,配置为确定所述多个轨迹点中的至少一个轨迹点各自的相邻轨迹点的集合,对于所确定的每一个集合,该集合中的每一个轨迹点与所述至少一个轨迹点中的相应轨迹点的距离均不大于预设阈值,其中,所述距离根据所述位置坐标以及所述速度信息确定;第二确定单元,配置为基于所有所确定的相邻轨迹点的集合,确定对所述多个轨迹点进行聚类后所得到的簇;以及第三确定单元,配置为基于所得到的簇确定道路轨迹。
根据本公开的另一方面,提供了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;存储器存储有可被至少一个处理器执行的指令,该指令被至少一个处理器执行,以使至少一个处理器能够执行本公开所述的方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,该计算机指令用于使计算机执行本公开所述的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,该计算机程序在被处理器执行时实现本公开所述的方法。
根据本公开的一个或多个实施例,在确定轨迹点的相邻轨迹点集合时,将速度信息加入到距离的判定标准中,以更精确地判断该轨迹点相邻的轨迹点,从而提高了点距离计算的合理性。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图示例性地示出了实施例并且构成说明书的一部分,与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的,并不限制权利要求的范围。在所有附图中,相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图;
图2示出了根据本公开的实施例的道路轨迹确定方法的流程图;
图3示出了根据本公开的实施例的基于所得到的簇确定道路轨迹的流程图;
图4示出了根据本公开的实施例的基于多个车辆的轨迹点数据确定道路轨迹的流程图;
图5示出了根据本公开的实施例的对曲线进行聚类的算法示意图;
图6示出了根据本公开的实施例的道路轨迹确定装置的结构框图;以及
图7示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
在本公开中,除非另有说明,否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系,这种术语只是用于将一个元件与另一元件区分开。在一些示例中,第一要素和第二要素可以指向该要素的同一实例,而在某些情况下,基于上下文的描述,它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的,而并非旨在进行限制。除非上下文另外明确地表明,如果不特意限定要素的数量,则该要素可以是一个也可以是多个。此外,本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
下面将结合附图详细描述本公开的实施例。
图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1,该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
在本公开的实施例中,服务器120可以运行使得能够执行基于众包的道路轨迹确定的方法的一个或多个服务或软件应用。
在某些实施例中,服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中,这些服务可以作为基于web的服务或云服务提供,例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。
在图1所示的配置中,服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解,各种不同的系统配置是可能的,其可以与系统100不同。因此,图1是用于实施本文所描述的各种方法的系统的一个示例,并且不旨在进行限制。
用户可以使用客户端设备101、102、103、104、105和/或106来上传采集到的车辆轨迹点数据。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备,但是本领域技术人员将能够理解,本公开可以支持任何数量的客户端设备。
客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备,例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统,例如MICROSOFT Windows、APPLE iOS、类UNIX操作系统、Linux或类Linux操作系统(例如GOOGLE Chrome OS);或包括各种移动操作系统,例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序,例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序,并且可以使用各种通信协议。
网络110可以是本领域技术人员熟知的任何类型的网络,其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例,一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。
服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机,或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中,服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个,包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。
在一些实施方式中,服务器120可以包括一个或多个应用程序,以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序,以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。
在一些实施方式中,服务器120可以为分布式系统的服务器,或者是结合了区块链的服务器。服务器120也可以是云服务器,或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品,以解决传统物理主机与虚拟专用服务器(VPS,Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。
系统100还可以包括一个或多个数据库130。在某些实施例中,这些数据库可以用于存储数据和其他信息。例如,数据库130中的一个或多个可用于存储诸如轨迹点数据信息。数据库130可以驻留在各种位置。例如,由服务器120使用的数据库可以在服务器120本地,或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中,由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
在某些实施例中,数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库,例如键值存储库,对象存储库或由文件系统支持的常规存储库。
图1的系统100可以以各种方式配置和操作,以使得能够应用根据本公开所描述的各种方法和装置。
众包原为互联网概念,指的是一个公司或机构把过去由员工执行的工作任务,以自由自愿的形式外包给非特定的(而且通常是大型的)大众志愿者的做法。而在高精度地图绘制领域中,众包是指将道路信息的采集任务分发给大量的志愿车辆,以基于其行驶数据构建高精度地图。
在众包建图算法中,通过对车辆行驶轨迹点进行聚类,将车辆轨迹点进行聚合,从而对聚合后的轨迹点进行拟合得到相应的道路轨迹。目前的聚类算法中,在直线道路上一般能够很好地聚类得到相应的道路轨迹,但是在弯道或急转弯时聚类效果往往不好,会把不相关的轨迹点聚类到一起,导致道路轨迹拟合效果不好。
因此,根据本公开的实施例,如图2所示,提供了一种道路轨迹确定方法200,包括:获取多个车辆的第一轨迹点数据,第一轨迹点数据包括所述多个车辆在行驶过程中所采集的多个轨迹点,每一个轨迹点包括位置坐标以及相应车辆在该轨迹点的速度信息(步骤210);确定多个轨迹点中的至少一个轨迹点各自的相邻轨迹点的集合,对于所确定的每一个集合,该集合中的每一个轨迹点与该至少一个轨迹点中的相应轨迹点的距离均不大于预设阈值,该距离根据位置坐标以及速度信息确定(步骤220);基于所有所确定的相邻轨迹点的集合,确定对多个轨迹点进行聚类后所得到的簇(步骤230);以及基于所得到的簇确定道路轨迹(步骤240)。
在基于众包的地图数据采集中,通常为用户通过驾驶车辆自身的传感器或所安装的其他数据采集器,收集驾驶过程中的道路数据以上传到云端。云端处理系统对多个车辆采集的数据进行融合,并通过数据聚合的方式提高数据精度,来完成高精地图的制作。示例地,所获取的数据集可以包括500辆出租车或其他汽车近30天内的行驶数据,车辆行驶数据的采样时间间隔例如为1分钟,该采样的行驶数据可以为地理位置数据。通过对该500辆出租车的采集的地理位置数据进行聚类,从而绘制出相应的道路轨迹。
在对车辆轨迹点进行聚类的算法中,通常是基于轨迹点的密度进行聚类。示例地,DBSCAN聚类算法通过将簇定义为密度相连的点的最大集合,能够把具有足够高密度的区域划分为簇,并可在噪声的空间数据库中发现任意形状的聚类。该算法基于空间位置信息,排除低密度区域的轨迹点,将高密度区域的视为有效点。对于直道场景比较简单,聚类算法能够取得较好的聚类效果;但是在弯道、尤其是急弯道上,仅根据空间位置信息去做密度聚类,由于弯道上不同车辆轨迹很容易混淆,会导致聚类出的拟合点集错误排除了很多有用的信息点,且引入了噪声点。基于错误聚类的拟合点进行轨迹拟合,则拟合效果必然会下降。
但是在研究中发现,相邻轨迹点之间的速度信息(例如速度、加速度等)不会急剧变化,距离较远的点的速度和加速度值的差值变化较大。因此,在本公开中,在确定轨迹点的相邻轨迹点集合时,将速度信息加入到距离的判定标准中,以更精确地判断该轨迹点相邻的轨迹点,从而提高了点距离计算的合理性。
可以理解的是,在本公开中的“距离”并非空间意义上的直线距离,而是可以用于表征两个点之间位置、时间关系远近的参数。
根据一些实施例,速度信息包括速度和加速度中的任意一个,所述距离包括第一距离和第二距离,第一距离和第二距离各自对应相应的权重值。第一距离基于该相邻轨迹点集合中的轨迹点的位置坐标与该至少一个轨迹点中的相应轨迹点的位置坐标确定。第二距离基于相邻轨迹点集合中的轨迹点的所述速度和加速度中的所述任意一个与所述相应轨迹点的所述速度和加速度中的所述任意一个确定。
具体地,在一些示例中,该速度信息可以为速度,即可以根据位置坐标以及速度确定两个轨迹点之间的距离。此时,第一距离根据两个轨迹点之间的位置坐标确定,第二距离根据两个轨迹点之间的速度确定。第一距离和第二距离分别对应权重值1和权重2,并通过加权求和形成该距离,权重值1和权重2的和为1。
在一些示例中,该速度信息可以为加速度,即可以根据位置坐标以及加速度确定两个轨迹点之间的距离。此时,第一距离根据两个轨迹点之间的位置坐标确定,第二距离根据两个轨迹点之间的加速度确定。第一距离和第二距离分别对应权重值1和权重2,并通过加权求和形成该距离,权重值1和权重2的和为1。
根据一些实施例,所述速度信息还包括所述速度和加速度中的另外一个,所述距离为所述第一距离、所述第二距离和第三距离的加权求和。第三距离基于该相邻轨迹点集合中的轨迹点的所述速度和加速度中的所述另外一个与所述相应轨迹点的所述速度和加速度中的所述另外一个确定。
具体地,在一些示例中,该速度信息包括速度和加速度,即可以根据位置坐标、速度以及加速度确定两个轨迹点之间的距离。此时,第一距离可以根据两个轨迹点之间的位置坐标确定,第二距离可以根据两个轨迹点之间的速度确定,第三距离可以根据两个轨迹点之间的加速度确定。第一距离、第二距离和第三距离分别对应权重值1、权重2和权重3,并通过加权求和形成该距离,权重值1、权重2以及权重3的和为1。
在一些实施例中,可以基于两个轨迹点之间的欧式距离来获得第一距离。当然,其他距离计算方法也是可能的,例如余弦距离等,在此不作限制。
在一些实施例中,可以基于两个轨迹点的速度之间的平方根来获得第二距离。当然,其他用于确定两个轨迹点的速度变化的方法也是可能的,例如均方误差,在此不作限制。
在一些实施例中,可以基于两个轨迹点的加速度(例如可以为加速度向量)之差的二范数来获得第三距离。当然,其他用于确定两个轨迹点的加速度变化的方法也是可能的,例如均方误差,在此不作限制。
示例地,在基于DBSCAN聚类算法对车辆轨迹点进行聚类的示例中,该距离即为E邻域。则,E邻域半径距离可以定义为:
D=w1*EU(p1,p2)+w2*SQRT[v(p1)-v(p2)]+w2*‖a(p1)-a(p2)‖2
其中,D表示空间两点距离的新定义,EU(p1,p2)表示两轨迹点p1、p2之间的欧式距离,SQRT[v(p1)-v(p2)]代表示两轨迹点的速度之差的平方根,‖a(p1)-a(p2)‖2表示两轨迹点的加速度之差(可使用加速度向量)的二范数,w1、w2、w2为权重因子,且三者之和为1。
以DBSCAN聚类算法对车辆轨迹点进行聚类为例,输入待聚类的轨迹点集合A=(x1,x2,x3,…,xm),邻域参数(∈,MinPts),即所确定的相邻轨迹点集合中的每一个轨迹点与相对应的轨迹点之间的距离均不大于∈,相邻轨迹点集合中的轨迹点数量大于MinPts时该相邻轨迹点集合相对应的轨迹点为核心对象。在步骤1,初始化核心对象集合初始化聚类簇数k=0,初始化未访问轨迹点集合Γ=A,所聚合的簇在步骤2,对于i=1,2,…,m,根据以下步骤找出轨迹点中的所有核心对象:a)通过上述所述的方法计算距离D,找到样本xi的∈-邻域子轨迹点集合(即样本xi的相邻轨迹点集合)N(xi);b)如果子轨迹点集合中的轨迹点个数满足N(xi)≥MinPts,将样本xi加入核心对象集合:Ω=Ω∪{xi}。在步骤3,如果核心对象集合 则算法结束,否则转入步骤4。在步骤4,在核心对象集合Ω中,随机选择一个核心对象o,初始化当前簇的核心对象队列Ωcur={o},初始化类别序号k=k+1,初始化当前簇Ck={o},更新未访问轨迹点集合Γ=Γ-{o}。在步骤5,如果当前簇的核心对象队列则当前聚类簇Ck生成完毕,更新聚合的簇C={C1,C2,…,Ck},更新核心对象集合Ω=Ω-Ck,转入步骤3。否则更新更新核心对象集合Ω=Ω-Ck。在步骤6,在当前簇的核心对象队列Ωcur中取出一个核心对象o′,通过邻域距离阈值∈找出所有的∈-邻域子轨迹点集合N(o′),令Δ=N(o′)∩Γ,更新当前簇Ck=Ck∪Δ,更新未访问轨迹点集合Γ=Γ-Δ,更新Ωcur=Ωcur∪(Δ∩Ω)-o′,转入步骤5。输出结果为:所聚合的簇C={C1,C2,…,Ck}。
在一些实施例中,用于众包建图的车辆往往为很多辆。如上所述,所获取的数据集可以包括500辆出租车或其他汽车近30天内的行驶数据,车辆行驶数据的采样时间间隔例如为1分钟,该采样的行驶数据可以为地理位置数据。这个在获取到该500辆车辆近30天内采集的行驶数据之后,即可进行轨迹点的聚类操作。由于不同车辆不同行驶条件下的速度可能存在较大变化,但在道路一定的情况下,其位置坐标以及加速度进行通常不会急剧变化。因此,根据一些实施例,速度所对应的权重值可以设置为小于加速度以及位置坐标所对应的权重值。从而,降低速度对于计算E邻域半径距离的影响。
根据一些实施例,第一轨迹点数据可以包括车辆标识,即每个轨迹点的数据可以包括位置坐标、速度信息以及标识等信息。因此,确定多个轨迹点中的至少一个轨迹点各自的相邻轨迹点的集合包括:基于车辆标识确定多个车辆中的每一个车辆所对应的轨迹点;以及对于每一个车辆,确定该车辆所对应的轨迹点中的至少一个轨迹点各自的相邻轨迹点地集合。
因此,可以进一步基于每一个车辆所对应的所述相邻轨迹点集合,分别确定对每一个车辆所对应的第二轨迹点数据聚类后所得到的簇。
根据一些实施例,如图3所示,基于所得到的簇确定道路轨迹可以包括:分别对每一个簇中的轨迹点进行第一函数拟合,以确定拟合得到的第一曲线(步骤310);对所有拟合得到的第一曲线进行聚类,以获得多个曲线簇(步骤320);分别对每一个曲线簇进行重采样,以获得每一个曲线簇所对应的多个采样点(步骤330);以及分别对每一个曲线簇所对应的多个采样点进行第二函数拟合,以基于拟合得到的第二曲线确定道路轨迹(步骤340)。
在根据本公开的一个实施例中,如图4所示,获取到多个车辆的行驶轨迹点数据,即车辆1-n的第一轨迹点集合(步骤S401);根据车辆的标识信息(例如ID)获取单个车辆的行驶轨迹点数据,即第二轨迹点集合(步骤S402);通过聚类算法对第二轨迹点集合进行聚类,以获得点簇(步骤S403),其中聚类算法在计算两轨迹点之间的距离时加入速度信息。通过步骤S404多次循环,以获得车辆1-n中的每一个车辆所对应的点簇。针对每一个点簇,进行曲线拟合(步骤S405)。这里可以根据实际场景设计待拟合曲线的参数以及维度(例如一维函数、二维函数或更高维函数等)。从而,对拟合得到的曲线进行聚类,以获得曲线簇(步骤S406)。在获得多个曲线簇之后,对每一个曲线簇中的曲线进行重采样,以获得每个簇所对应的多个采样点(步骤S407)。对每个曲线簇采样得到的点分别进行曲线拟合,以得到相应的道路轨迹(步骤S408)。
可以理解的是,在对所获得多个车辆的行驶轨迹点数据(即第一轨迹点集合)统一进行聚类的实施例中,在获得点簇之后,即可对每一个点簇中的点进行曲线拟合,以得到相应的道路轨迹。
在一些示例中,对所有拟合得到的第一曲线进行聚类可以采用任何合适的聚类算法,包括但不限于DBSCAN算法等。示例地,对拟合得到的曲线进行聚类,可以基于两个曲线之间的相似度确定相应的曲线簇。如图5所示,在确定两个曲线之间的相似度时,可以将两条曲线方程的各个参数以及相应的抽样点的位置坐标分别计算其偏离程度。在图5所示的示例中通过计算差值平方根来确定两条曲线相对应的参数之间的差距、以及通过计算欧式距离来确定两条曲线相对应的抽样点的位置坐标之间的距离,从而通过将各个参数之间的差距以及抽样点的位置坐标之间的距离进行加权求和,以确定该两条曲线之间的接近度。
根据本公开的实施例,如图6所示,还提供了一种道路轨迹确定装置600,包括:获取单元610,配置为获取多个车辆的第一轨迹点数据,其中所述第一轨迹点数据包括所述多个车辆在行驶过程中所采集的多个轨迹点,每一个轨迹点包括位置坐标以及相应车辆在该轨迹点的速度信息;第一确定单元620,配置为确定所述多个轨迹点中的至少一个轨迹点各自的相邻轨迹点的集合,对于所确定的每一个集合,该集合中的每一个轨迹点与所述至少一个轨迹点中的相应轨迹点的距离均不大于预设阈值,其中,所述距离根据所述位置坐标以及所述速度信息确定;第二确定单元630,配置为基于所有所确定的相邻轨迹点的集合,确定对所述多个轨迹点进行聚类后所得到的簇;以及第三确定单元640,配置为基于所得到的簇确定道路轨迹。。
这里,基于众包的道路轨迹确定装置600的上述各单元610~640的操作分别与前面描述的步骤210~240的操作类似,在此不再赘述。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
参考图7,现将描述可以作为本公开的服务器或客户端的电子设备700的结构框图,其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图7所示,电子设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM703中,还可存储电子设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
电子设备700中的多个部件连接至I/O接口705,包括:输入单元706、输出单元707、存储单元708以及通信单元709。输入单元706可以是能向电子设备700输入信息的任何类型的设备,输入单元706可以接收输入的数字或字符信息,以及产生与电子设备的用户设置和/或功能控制有关的键信号输入,并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元707可以是能呈现信息的任何类型的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元708可以包括但不限于磁盘、光盘。通信单元709允许电子设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据,并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组,例如蓝牙TM设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理,例如方法200。例如,在一些实施例中,方法200可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到电子设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的方法200的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法200。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
虽然已经参照附图描述了本公开的实施例或示例,但应理解,上述的方法、系统和设备仅仅是示例性的实施例或示例,本发明的范围并不由这些实施例或示例限制,而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外,可以通过不同于本公开中描述的次序来执行各步骤。进一步地,可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进,在此描述的很多要素可以由本公开之后出现的等同要素进行替换。
Claims (15)
1.一种道路轨迹确定方法,包括:
获取多个车辆的第一轨迹点数据,其中所述第一轨迹点数据包括所述多个车辆在行驶过程中所采集的多个轨迹点,每一个轨迹点包括位置坐标以及相应车辆在该轨迹点的速度信息;
确定所述多个轨迹点中的至少一个轨迹点各自的相邻轨迹点的集合,对于所确定的每一个集合,该集合中的每一个轨迹点与所述至少一个轨迹点中的相应轨迹点的距离均不大于预设阈值,其中,所述距离根据所述位置坐标以及所述速度信息确定;
基于所有所确定的相邻轨迹点的集合,确定对所述多个轨迹点进行聚类后所得到的簇;以及
基于所得到的簇确定道路轨迹。
2.如权利要求1所述的方法,其中,所述速度信息包括速度和加速度中的任意一个,所述距离包括第一距离和第二距离,所述第一距离和第二距离各自对应相应的权重值,其中,
所述第一距离基于该集合中的轨迹点的位置坐标与所述至少一个轨迹点中的相应轨迹点的位置坐标确定;以及
所述第二距离基于该集合中的轨迹点的所述速度和加速度中的所述任意一个与所述相应轨迹点的所述速度和加速度中的所述任意一个确定。
3.如权利要求2所述的方法,其中,所述速度信息还包括所述速度和加速度中的另外一个,所述距离还包括第三距离,所述第三距离对应于相应的权重值,其中,
所述第三距离基于该集合中的轨迹点的所述速度和加速度中的所述另外一个与所述相应轨迹点的所述速度和加速度中的所述另外一个确定。
4.如权利要求3所述的方法,其中,所述速度所对应的权重值小于所述加速度以及所述位置坐标所对应的权重值。
5.如权利要求1所述的方法,其中,所述每一个轨迹点包括相应车辆的车辆标识,其中,
确定所述多个轨迹点中的至少一个轨迹点各自的相邻轨迹点的集合包括:
基于所述车辆标识确定所述多个车辆中的每一个车辆所对应的轨迹点;以及
对于每一个车辆,确定该车辆所对应的轨迹点中的至少一个轨迹点各自的相邻轨迹点地集合。
6.如权利要求5所述的方法,其中,基于所得到的簇确定道路轨迹包括:
分别对每一个簇中的轨迹点进行第一函数拟合,以确定拟合得到的第一曲线;
对所有拟合得到的第一曲线进行聚类,以获得多个曲线簇;
分别对每一个曲线簇进行重采样,以获得每一个曲线簇所对应的多个采样点;以及
分别对每一个曲线簇所对应的多个采样点进行第二函数拟合,以基于拟合得到的第二曲线确定道路轨迹。
7.一种道路轨迹确定装置,包括:
获取单元,配置为获取多个车辆的第一轨迹点数据,其中所述第一轨迹点数据包括所述多个车辆在行驶过程中所采集的多个轨迹点,每一个轨迹点包括位置坐标以及相应车辆在该轨迹点的速度信息;
第一确定单元,配置为确定所述多个轨迹点中的至少一个轨迹点各自的相邻轨迹点的集合,对于所确定的每一个集合,该集合中的每一个轨迹点与所述至少一个轨迹点中的相应轨迹点的距离均不大于预设阈值,其中,所述距离根据所述位置坐标以及所述速度信息确定;
第二确定单元,配置为基于所有所确定的相邻轨迹点的集合,确定对所述多个轨迹点进行聚类后所得到的簇;以及
第三确定单元,配置为基于所得到的簇确定道路轨迹。
8.如权利要求7所述的装置,其中,所述速度信息包括速度和加速度中的任意一个,所述距离包括第一距离和第二距离,所述第一距离和第二距离各自对应相应的权重值,其中,
所述第一距离基于该集合中的轨迹点的位置坐标与所述至少一个轨迹点中的相应轨迹点的位置坐标确定;以及
所述第二距离基于该集合中的轨迹点的所述速度和加速度中的所述任意一个与所述相应轨迹点的所述速度和加速度中的所述任意一个确定。
9.如权利要求8所述的装置,其中,所述速度信息还包括所述速度和加速度中的另外一个,所述距离还包括第三距离,所述第三距离对应于相应的权重值,其中,
所述第三距离基于该集合中的轨迹点的所述速度和加速度中的所述另外一个与所述相应轨迹点的所述速度和加速度中的所述另外一个确定。
10.如权利要求9所述的装置,其中,所述速度所对应的权重值小于所述加速度以及所述位置坐标所对应的权重值。
11.如权利要求7所述的装置,其中,所述每一个轨迹点包括相应车辆的车辆标识,其中,所述第一确定单元包括:
用于基于所述车辆标识确定所述多个车辆中的每一个车辆所对应的轨迹点的单元;以及
用于对于每一个车辆、确定该车辆所对应的轨迹点中的至少一个轨迹点各自的相邻轨迹点地集合的单元。
12.如权利要求11所述的装置,其中,所述第三确定单元包括:
用于分别对每一个簇中的轨迹点进行第一函数拟合、以确定拟合得到的第一曲线的单元;
用于对所有拟合得到的第一曲线进行聚类、以获得多个曲线簇的单元;
用于分别对每一个曲线簇进行重采样、以获得每一个曲线簇所对应的多个采样点的单元;以及
用于分别对每一个曲线簇所对应的多个采样点进行第二函数拟合、以基于拟合得到的第二曲线确定道路轨迹的单元。
13.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的方法。
15.一种计算机程序产品,包括计算机程序,其中,所述计算机程序在被处理器执行时实现权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210333436.7A CN114691809A (zh) | 2022-03-30 | 2022-03-30 | 道路轨迹确定方法及装置、电子设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210333436.7A CN114691809A (zh) | 2022-03-30 | 2022-03-30 | 道路轨迹确定方法及装置、电子设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114691809A true CN114691809A (zh) | 2022-07-01 |
Family
ID=82141997
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210333436.7A Pending CN114691809A (zh) | 2022-03-30 | 2022-03-30 | 道路轨迹确定方法及装置、电子设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114691809A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116958316A (zh) * | 2023-09-19 | 2023-10-27 | 北京集度科技有限公司 | 拓扑图生成方法、装置、计算机设备及存储介质 |
-
2022
- 2022-03-30 CN CN202210333436.7A patent/CN114691809A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116958316A (zh) * | 2023-09-19 | 2023-10-27 | 北京集度科技有限公司 | 拓扑图生成方法、装置、计算机设备及存储介质 |
CN116958316B (zh) * | 2023-09-19 | 2023-12-08 | 北京集度科技有限公司 | 拓扑图生成方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3961579A2 (en) | Target detection method, apparatus, medium and computer program product | |
CN115265559B (zh) | 地图自动生成方法、装置、设备及介质 | |
CN115578433A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN114547223A (zh) | 轨迹预测方法、轨迹预测模型的训练方法及装置 | |
CN114723949A (zh) | 三维场景分割方法和用于训练分割模型的方法 | |
CN115082740A (zh) | 目标检测模型训练方法、目标检测方法、装置、电子设备 | |
CN114691809A (zh) | 道路轨迹确定方法及装置、电子设备和介质 | |
CN115511779B (zh) | 图像检测方法、装置、电子设备和存储介质 | |
CN116432522A (zh) | 一种用于电力走廊的导线模型的结构化建模方法和装置 | |
CN116047558A (zh) | 定位方法及装置 | |
CN115953414A (zh) | 基于语义分割的低矮障碍物检测方法和自动驾驶车辆 | |
CN114742935A (zh) | 处理地图数据的方法、装置、电子设备和介质 | |
CN114491269A (zh) | 出行服务的推荐方法及装置、设备和介质 | |
CN114741623A (zh) | 兴趣点状态确定方法、模型训练方法及装置 | |
CN113920174A (zh) | 点云配准方法、装置、设备、介质和自动驾驶车辆 | |
CN114528365A (zh) | 高速公路停车区域的识别方法及装置、电子设备和介质 | |
CN114494797A (zh) | 用于训练图像检测模型的方法和装置 | |
CN114954654B (zh) | 车辆的方向盘零偏补偿角的计算方法、控制方法及装置 | |
CN115056847B (zh) | 车辆的方向盘零偏补偿角的计算方法、控制方法及装置 | |
CN113704304B (zh) | 路口数据处理方法、路口检索方法及装置 | |
CN115953354A (zh) | 高精地图中用于检测点云数据偏差的方法、设备和介质 | |
CN114660939A (zh) | 对象控制方法及装置、电子设备和存储介质 | |
CN115809364B (zh) | 对象推荐方法和模型训练方法 | |
CN114238794A (zh) | 常驻点识别方法及装置、电子设备和介质 | |
CN114547224A (zh) | 用于确定用户行进轨迹的方法、装置、电子设备、介质 |
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 |