CN115311867B - 隧道场景的定位方法、装置、计算机设备、存储介质 - Google Patents
隧道场景的定位方法、装置、计算机设备、存储介质 Download PDFInfo
- Publication number
- CN115311867B CN115311867B CN202211240259.4A CN202211240259A CN115311867B CN 115311867 B CN115311867 B CN 115311867B CN 202211240259 A CN202211240259 A CN 202211240259A CN 115311867 B CN115311867 B CN 115311867B
- Authority
- CN
- China
- Prior art keywords
- illumination
- tunnel
- data
- characteristic
- target
- 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
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- 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
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/048—Detecting movement of traffic to be counted or controlled with provision for compensation of environmental or other condition, e.g. snow, vehicle stopped at detector
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
- G08G1/0969—Systems involving transmission of navigation instructions to the vehicle having a display in the form of a map
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Automation & Control Theory (AREA)
- Circuit Arrangement For Electric Light Sources In General (AREA)
- Navigation (AREA)
Abstract
本申请涉及一种隧道场景的定位方法、装置、计算机设备、存储介质。所述方法可应用于电子地图、智能交通、自动驾驶和定位等场景,所述方法包括:获取目标车辆在行驶过程中采集的光照数据;从所述光照数据中提取光照特征和光照变化特征;确定所述光照数据和光照模板数据之间的关联特征;对所述光照特征、所述光照变化特征以及所述关联特征之间的融合特征进行分类处理,得到分类结果;当所述分类结果表示所述目标车辆驶入或驶出目标隧道时,基于所述分类结果确定所述目标车辆的定位点。采用本方法能够有效提高行车导航定位数据准确性。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种隧道场景的定位方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着计算机技术以及互联网技术的发展,智能驾驶在不同业务场景的应用落地,使得智能驾驶广受大众关注。由于各种特殊的道路状况层出不穷,因此在车辆行驶时,需要提供实时的定位导航服务。
然而,目前的行车导航方式中,车辆在隧道内或隧道附近行驶时,由于导航定位的信号容易受到遮挡发生中断,使得移动终端无法完成定位,容易导致得到的行车导航定位数据的准确性较低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够有效提高行车导航定位数据准确性的隧道场景的定位方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种隧道场景的定位方法。所述方法包括:获取目标车辆在行驶过程中采集的光照数据;从所述光照数据中提取光照特征和光照变化特征;确定所述光照数据和光照模板数据之间的关联特征;对所述光照特征、所述光照变化特征以及所述关联特征之间的融合特征进行分类处理,得到分类结果;当所述分类结果表示所述目标车辆驶入或驶出目标隧道时,基于所述分类结果确定所述目标车辆的定位点。
第二方面,本申请还提供了一种行车导航装置。所述装置包括:获取模块,用于获取目标车辆在行驶过程中采集的光照数据;提取模块,用于从所述光照数据中提取光照特征和光照变化特征;确定模块,用于确定所述光照数据和光照模板数据之间的关联特征;处理模块,用于对所述光照特征、所述光照变化特征以及所述关联特征之间的融合特征进行分类处理,得到分类结果;所述确定模块还用于当所述分类结果表示所述目标车辆驶入或驶出目标隧道时,基于所述分类结果确定所述目标车辆的定位点。
在一个实施例中,所述装置还包括:匹配模块和触发模块。获取模块还用于获取所述目标车辆的定位数据;匹配模块,用于将所述定位数据与地图中的路网数据进行匹配,得到路网匹配结果;触发模块,用于当所述路网匹配结果表示所述定位数据与所述目标隧道之间的距离满足预设距离条件时,触发光照判定事件;获取模块还用于响应于所述光照判定事件,获取目标车辆在行驶过程中采集的光照数据。
在一个实施例中,所述装置还包括:融合模块、评分模块和选取模块。融合模块,用于将所述光照特征、所述光照变化特征和所述关联特征融合,得到融合特征;处理模块还用于通过决策树模型中的各子决策树对所述融合特征进行决策处理,得到各所述子决策树的决策结果;评分模块,用于对各所述子决策树的决策结果进行评分,得到对应的评分值;选取模块,用于在各所述子决策树的决策结果中,选取所述评分值满足预设评分条件时的所述决策结果作为所述分类结果。
在一个实施例中,所述装置还包括:分类模块,用于对各所述子决策树的决策结果进行分类,得到至少两类决策结果;确定模块还用于确定所述至少两类决策结果中各类决策结果的数量;评分模块还用于基于所述数量对所述各类决策结果进行评分,得到所述各类决策结果对应的评分值。
在一个实施例中,获取模块还用于获取外部输入的隧道外光照特征;融合模块还用于将所述光照特征、所述光照变化特征、所述关联特征和所述隧道外光照特征进行融合,得到融合特征。
在一个实施例中,提取模块还用于在所述光照序列中,基于滑动窗口提取时域特征和频域特征,并将提取的所述时域特征和频域特征作为所述光照特征;从所述光照序列中提取目标窗口的光照变化率;将所述光照变化率的时域特征和频域特征作为所述光照变化特征。
在一个实施例中,选取模块还用于从所述光照序列中选取目标窗口内的光照数据;处理模块还用于对所述目标窗口内的光照数据进行差分处理,得到光照变化率;提取模块还用于提取所述光照变化率的时域特征和频域特征,并将提取的所述时域特征和频域特征作为所述光照变化特征。
在一个实施例中,获取模块还用于获取目标车辆在未驶入所述目标隧道的过程中采集的光照数据;或者,当所述分类结果表示所述目标车辆驶入所述目标隧道时,获取所述目标隧道外的光照强度阈值;确定模块还用于基于所述光照强度阈值,确定光照传感器的光照数据量级;获取模块还用于在所述目标车辆驶入所述目标隧道的过程中,获取所述光照传感器按照所述光照数据量级采集的光照数据。
在一个实施例中,所述装置还包括:训练模块。获取模块还用于获取样本车辆行驶过程中采集的光照数据样本;训练模块,用于将所述光照数据样本和所述光照数据样本的标签作为训练集,并基于所述训练集对所述决策树模型进行训练。
在一个实施例中,所述装置还包括:标记模块,用于响应于在路测应用界面中对入隧道控件的触发操作,对所述样本车辆驶入样本隧道时采集的光照数据样本进行标记,得到所述第一标签;响应于在所述路测应用界面中对出隧道控件的触发操作,对所述样本车辆驶出所述样本隧道时采集的光照数据样本进行标记,得到所述第二标签。
在一个实施例中,获取模块还用于获取所述目标车辆在行驶过程中采集的车道线信息;确定模块还用于确定所述车道线信息中的车道线类型与地图数据中不同指定区域的车道线类型之间的第一匹配分值;处理模块还用于对所述车道线信息中的车道线参数与所述地图数据中不同指定区域的车道线参数进行匹配处理,得到第二匹配分值;确定模块还用于基于所述第一匹配分值和所述第二匹配分值,确定所述目标车辆所处的车道。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:获取目标车辆在行驶过程中采集的光照数据;从所述光照数据中提取光照特征和光照变化特征;确定所述光照数据和光照模板数据之间的关联特征;对所述光照特征、所述光照变化特征以及所述关联特征之间的融合特征进行分类处理,得到分类结果;当所述分类结果表示所述目标车辆驶入或驶出目标隧道时,基于所述分类结果确定所述目标车辆的定位点。
第四方面,本申请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,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:获取目标车辆在行驶过程中采集的光照数据;从所述光照数据中提取光照特征和光照变化特征;确定所述光照数据和光照模板数据之间的关联特征;对所述光照特征、所述光照变化特征以及所述关联特征之间的融合特征进行分类处理,得到分类结果;当所述分类结果表示所述目标车辆驶入或驶出目标隧道时,基于所述分类结果确定所述目标车辆的定位点。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:获取目标车辆在行驶过程中采集的光照数据;从所述光照数据中提取光照特征和光照变化特征;确定所述光照数据和光照模板数据之间的关联特征;对所述光照特征、所述光照变化特征以及所述关联特征之间的融合特征进行分类处理,得到分类结果;当所述分类结果表示所述目标车辆驶入或驶出目标隧道时,基于所述分类结果确定所述目标车辆的定位点。
上述隧道场景的定位方法、装置、计算机设备、存储介质和计算机程序产品,通过获取目标车辆在行驶过程中采集的光照数据;从光照数据中提取光照特征和光照变化特征,并确定光照数据和光照模板数据之间的关联特征;对光照特征、光照变化特征以及关联特征之间的融合特征进行分类处理,得到分类结果;当分类结果表示目标车辆驶入或驶出目标隧道时,基于分类结果确定目标车辆的定位点。由于光照数据可以反映隧道内外的环境光照的差异,故可以通过获取目标车辆在驶入目标隧道过程中采集的光照数据,并从光照数据中提取光照特征和光照变化特征,同时确定光照数据和光照模板数据之间的关联特征,并对光照特征、光照变化特征以及关联特征之间的融合特征进行分类处理,当分类结果表示目标车辆驶出目标隧道时,则可以将这个结果传递给地图,使得地图可以基于该分类结果快速准确的确定目标车辆当前行驶的定位点;或者,当目标车辆行驶在目标隧道附近,导航定位的信号受到遮挡发生中断,使得移动终端无法完成定位时,也可以通过获取目标车辆在未驶入目标隧道过程中采集的光照数据,并从光照数据中提取光照特征和光照变化特征,同时确定光照数据和光照模板数据之间的关联特征,并对光照特征、光照变化特征以及关联特征之间的融合特征进行分类处理,当分类结果表示目标车辆驶入目标隧道时,则可以将这个结果传递给地图,使得地图可以基于该分类结果快速准确的确定目标车辆当前行驶的定位点,避免了出现进出隧道检测错误的情况,有效提高了进出隧道检测的准确性,使得能够得到更为准确的行车导航定位数据,进而提高了行车导航定位数据准确性。
附图说明
图1为一个实施例中隧道场景的定位方法的应用环境图;
图2为一个实施例中隧道场景的定位方法的流程示意图;
图3为一个实施例中理想情况下出隧道的光照表现示意图;
图4为一个实施例中决策树模型预测过程的流程示意图;
图5为一个实施例中简易决策树分类模型预测过程的流程示意图;
图6为一个实施例中模型训练的流程示意图;
图7为一个实施例中路测应用界面的示意图;
图8为一个实施例中对目标车辆的位置信息进行投影得到道路横截面的示意图;
图9为一个实施例中目标车辆驶出目标隧道时的车道级定位示意图;
图10为一个实施例中光照判断出隧道算法的整体流程示意图;
图11为一个实施例中光照判断出隧道算法流程的示意图;
图12为一个实施例中路测轨迹示意图;
图13为一个实施例中行车导航装置的结构框图;
图14为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
智能交通系统(Intelligent Traffic System,ITS)又称智能运输系统(Intelligent Transportation System),是将先进的科学技术(信息技术、计算机技术、数据通信技术、传感器技术、电子控制技术、自动控制理论、运筹学、人工智能等)有效地综合运用于交通运输、服务控制和车辆制造,加强车辆、道路、使用者三者之间的联系,从而形成一种保障安全、提高效率、改善环境、节约能源的综合运输系统。或者;
智能车路协同系统(Intelligent Vehicle Infrastructure CooperativeSystems,IVICS),简称车路协同系统,是智能交通系统(ITS)的一个发展方向。车路协同系统是采用先进的无线通信和新一代互联网等技术,全方位实施车车、车路动态实时信息交互,并在全时空动态交通信息采集与融合的基础上开展车辆主动安全控制和道路协同管理,充分实现人车路的有效协同,保证交通安全,提高通行效率,从而形成的安全、高效和环保的道路交通系统。
计算机视觉技术(Computer Vision,CV)计算机视觉是一门研究如何使机器“看”的科学,更进一步的说,就是指用摄影机和电脑代替人眼对目标进行识别、记录和测量等机器视觉,并进一步做图形处理,使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科,计算机视觉研究相关的理论和技术,试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、OCR、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D技术、虚拟现实、增强现实、同步定位与地图构建、自动驾驶、智慧交通等技术,还包括常见的人脸识别、指纹识别等生物特征识别技术。
随着人工智能技术研究和进步,人工智能技术在多个领域展开研究和应用,例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服、车联网、自动驾驶、智慧交通等,相信随着技术的发展,人工智能技术将在更多的领域得到应用,并发挥越来越重要的价值。
机器学习(Machine Learning, ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
本申请实施例提供的隧道场景的定位方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他服务器上。终端102可以从本地数据库中获取光照模板数据,终端102也可以从服务器104获取光照模板数据,终端102响应于光照判定事件,获取目标车辆在行驶过程中采集的光照数据,并从光照数据中提取光照特征和光照变化特征;进一步的,终端102可以确定光照数据和光照模板数据之间的关联特征,并对光照特征、光照变化特征以及关联特征之间的融合特征进行分类处理,得到分类结果;当分类结果表示目标车辆驶入或驶出目标隧道时,终端102基于该分类结果确定目标车辆的定位点。
其中,终端102可以但不限于是各种台式计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。
服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。可以理解,本申请实施例提供的服务器104也可以是区块链系统中的服务节点,该区块链系统中的各服务节点之间形成组成点对点(P2P,Peer To Peer)网络,P2P协议是一个运行在传输控制协议(TCP,Transmission Control Protocol)协议之上的应用层协议。
在一个实施例中,如图2所示,提供了一种隧道场景的定位方法,以该方法应用于图1中的终端为例进行说明,包括以下步骤:
步骤202,获取目标车辆在行驶过程中采集的光照数据。
其中,目标车辆是指行驶在道路中的某个车辆,例如,行驶在道路A中的车辆1、车辆2以及车辆3均可作为目标车辆。本申请实施例中的目标车辆可以为行驶在道路中的任意车辆,车辆中的驾驶人员可以使用移动终端进行行车导航,移动终端中安装有摄像头和光照传感器。
光照传感器是指利用光敏元件随光照强度输出电流、电压变化的原理,计算出周围环境的光照强度。
隧道是埋置于地层内的工程建筑物,是人类利用地下空间的一种形式。本申请中的隧道可以为交通隧道,当用户使用地图进行导航时,地图中会显示当前行驶道路的道路名称和道路属性,例如,道路属性可以是高速、隧道等。目标隧道是指在使用地图进行导航时,地图中显示的前方行驶路线中所需要通过的隧道,例如,在定位点A与定位点B之间有一段行驶道路为隧道,该隧道的标识为凤凰山隧道1123。
光照数据是指通过光照传感器采集的用于表示光照强度的数据,不同时刻的光照数据所表示的光照强度存在差异。本申请中目标车辆在行驶过程中采集的光照数据可以包括:目标车辆在未驶入目标隧道的过程中采集的光照数据;或者,目标车辆在驶入目标隧道的过程中采集的光照数据。
本申请中的终端可以为移动终端,移动终端或者叫移动通信终端是指可以在移动中使用的计算机设备,包括手机、笔记本、平板电脑、POS机以及车载电脑等。大部分情况下移动终端是指手机,或者具有多种应用功能的智能手机和平板电脑。随着集成电路技术的飞速发展,移动终端的处理能力已经拥有了强大的处理能力,移动终端正在从简单的通话工具变为一个综合信息处理平台。本申请中的移动终端也拥有非常丰富的通信方式,即可通过GSM、CDMA、WCDMA、EDGE、4G等无线运营网通讯,也可以通过无线局域网、蓝牙和红外进行通信。另外,本申请中的移动终端集成有全球卫星导航系统定位芯片,用于处理卫星信号以及进行精准定位,可以用于位置定位服务,本申请中的移动终端包含有卫星定位设备。
具体地,用户可以通过触发操作,启动终端中的地图应用程序或者地图软件进行行车导航,当用户使用地图应用程序进行导航时,终端可以在屏幕中实时显示当前行车导航的导航界面,同时,当用户启动终端中的地图应用程序或者地图软件进行行车导航时,终端中内置的光照传感器可以在目标车辆行驶的过程中,实时的采集行驶过程中的光照数据。
以终端为智能手机为例进行说明。当用户使用智能手机中的地图应用程序进行导航时,智能手机可以在屏幕中实时显示当前行车导航的导航界面,并通过定位芯片或者定位模块获取到当前智能手机的定位信息,即智能手机带有的GPS功能可以获取到当前智能手机的GPS定位点。同时,地图的底图数据包含路网信息,因此,智能手机可以通过预设吸附算法,计算出当前智能手机的GPS定位点是否在隧道附近。当智能手机检测到目标车辆即将进入隧道时,触发光照判定事件,智能手机可以获取目标车辆在未驶入目标隧道的过程中采集的光照数据;或者,智能手机也可以获取目标车辆在驶入目标隧道过程中光照传感器采集的光照数据。
其中,光照判定事件是指通过光照强度变化来确定车辆是否驶入或者驶出目标隧道。本申请实施例中可以通过光线传感器检测到不同环境下的光照强度变化,由于在非隧道场景下受到楼宇、树木的遮挡,光照强度也会发生变化,此时如果仅采用光照强度变化判定为隧道场景,容易产生异常点,因此,本申请实施例中,可以通过将路网信息和光线传感器检测的光照数据结合起来,进行异常点过滤,可以有效的避免进出隧道检测错误的情况发生。
此外,在某些场景下,当目标车辆行驶在目标隧道附近,导航定位的信号受到遮挡发生中断,使得移动终端无法完成定位时,也可以通过获取目标车辆在未驶入目标隧道过程中采集的光照数据,并基于采集所得的光照数据的光照强度变化来确定目标车辆是否驶入目标隧道,当确定目标车辆驶入目标隧道时,可以直接将目标隧道进口处的坐标信息作为目标车辆当前的定位点。
举个例子,假设用户A通过触发操作,启动移动终端A中的地图应用程序进行行车导航,当用户A启动移动终端A中的地图应用程序进行行车导航时,会触发移动终端A中内置的光照传感器实时采集目标车辆A在行驶过程中的光照数据。在目标车辆A行驶过程中,移动终端A可以通过GPS功能获取到当前移动终端A的定位点,并将定位点与地图中的路网数据进行匹配,得到对应的路网匹配结果。移动终端A可以根据路网匹配结果,判断是否触发光照判定事件。
当路网匹配结果表示目标车辆A即将驶入目标隧道A2时,例如,当路网匹配结果表示目标车辆A的定位点与目标隧道A2之间的距离为150m时,表示目标车辆A即将驶入目标隧道A2,则触发光照判定事件,移动终端A可以获取目标车辆A在未驶入目标隧道A2的过程中采集的光照数据,比如移动终端A可以获取目标车辆A在未驶入目标隧道A2之前的150m过程中采集的光照数据,后续移动终端A可以通过光照强度变化来确定目标车辆A是否驶入该目标隧道A2;
进一步的,移动终端A还可以获取目标车辆A在驶入目标隧道A2的过程中采集的光照数据,后续移动终端A可以通过光照强度变化来确定目标车辆A是否驶出该目标隧道A2。
此外,当路网匹配结果表示目标车辆A行驶在普通类型的道路中时,则不会触发光照判定事件,只是通过光照传感器继续采集目标车辆A在行驶过程中的光照数据。
可以理解,本申请中将定位点与地图中的路网数据进行匹配时,采用的算法包括但不限于是预设吸附算法,也可以是地图自带的路网匹配算法,还可以是自定义的其他算法,在这里不做具体限定。
步骤204,从光照数据中提取光照特征和光照变化特征。
其中,光照特征是指从光照数据中提取的多维特征,即从光照数据中提取所得的多维特征为光照特征,例如,光照特征包括从光照数据中提取的时域特征和频域特征,例如,光照特征可以包括均值、方差、谱密度等特征。
光照变化特征是指提取光照变换率中的多维特征,即从光照变换率中提取所得的多维特征为光照变化特征,例如,光照变化特征包括从光照变换率中提取的时域特征和频域特征。例如,光照变化特征可以包括均值、方差、谱密度等特征。
光照变化率是指对目标窗口内光照数据的前后历元进行差分,求解得到光照在该目标窗口内的变化率,即为光照变化率。
具体地,当终端根据路网匹配结果,触发光照判定事件,并获取目标车辆在行驶过程中采集的光照数据之后,终端可以从获取到的光照数据中提取光照特征和光照变化特征。由于光照数据是光照传感器在目标车辆行驶过程中采集的不同时刻的光照数据所得的光照序列,因此,终端可以从获取到光照序列中提取时域特征和频域特征,以得到对应的光照特征。
进一步的,终端可以从光照序列中选取某一个窗口内的光照数据,并对该窗口内的光照数据进行差分处理,即可得到光照在该窗口内的光照变化率;终端可以提取差分处理所得的光照变化率中的时域特征和频域特征,以得到对应的光照变化特征。
举个例子,假设终端根据路网匹配结果,触发光照判定事件,并获取到目标车辆在驶入目标隧道过程中采集的光照序列为光照序列A,终端可以从光照序列A中提取时域特征和频域特征,得到对应的光照特征A。假设光照序列A中有150个点,则终端在计算滑动平均数时,如果是50个点求一次平均值,那么这个窗口的数值就是50,窗口的数值越大,那么数值就会更加平滑,但是光照传感器的变化特点也会削弱,所以这个值也不是越大越好,主要是为了剔除传感器的异常点。即终端可以从滑动窗口中提取整个光照序列A的时域特征和频域特征,并将提取的所得的时域特征和频域特征作为光照特征A。
进一步的,终端可以从滑动窗口的光照序列A中,选取一个窗口的光照数据,例如,终端选取窗口1中的50个点,并对该窗口1内的光照数据前后历元进行差分计算,求解得到光照在该窗口1内的光照变化率为S之后,终端可以提取差分计算所得的光照变化率S的相关时域特征和频域特征,并将提取的所得的时域特征和频域特征作为光照变化特征S。
步骤206,确定光照数据和光照模板数据之间的关联特征。
其中,光照模板数据是指用于表示出隧道光照数据变化的模版,例如,如图3所示,为理想情况下出隧道的光照表现示意图。如图3中(1)所示为白天出隧道的光照模板数据,如图3中(2)所示为夜晚出隧道的光照模板数据。
关联特征是指用于表示光照数据和光照模板数据之间的相似度的特征,例如,关联特征可以包括光照数据和光照模板数据之间的相似值,相似值可以用光照数据和光照模板数据之间的距离值表示,该距离值可以为归整路径距离。
具体地,终端从光照数据中提取光照特征和光照变化特征之后,终端还可以确定光照数据和光照模板数据之间的关联特征,例如,终端可以基于DTW(Dynamic TimeWarping)动态时间规整算法,计算光照数据和各个光照模板数据之间的距离值,并将所得的相似度最高的距离值作为光照数据和光照模板数据之间的关联特征。即该距离值可以作为用来描述向量相似度的评价指标,该指标对于分类问题有较好的区分性,因此,本申请实施例中终端专门计算出距离值并扩维到最终输入模型的特征向量中,以此来提高识别的准确率。
其中,DTW(Dynamic Time Warping)动态时间规整算法,是一种计算2个时间序列,尤其是不同长度序列相似度的一种动态规划算法,一般用于时序向量的匹配。
在理想情况下,对于出隧道时的一个光照窗口内的数值情况会如图3所示,白天的时候隧道内光线暗,出隧道时环境突然变亮,光照数值极速加大;夜晚情况则正相反。如何区分白天和黑夜,终端可以通过传入的隧道外光照阈值这个参数来确定。可以理解,在理想情况下,对于进隧道时的一个光照窗口内的数值情况,会与如图3所示的情况相反,白天的时候隧道内光线暗,进隧道时环境突然变暗,光照数值极速减小;夜晚情况则正相反。
在实际情况中,由于出隧道这一瞬间的变化会各种各样,本申请实施例中也不能把所有的出隧道的模版全部穷尽,因此,本申请中将DTW算法计算所得的光照数据与光照模版数据之间的距离值当作部分特征使用。
可以理解,本申请中确定光照数据和光照模板数据之间的关联特征的方式包括但不限于是采用DTW算法进行计算的方式,还可以为其他方式,这里不做具体限定。
步骤208,对光照特征、光照变化特征以及关联特征之间的融合特征进行分类处理,得到分类结果。
其中,融合特征是指将不同的特征进行融合后所得的特征,例如,本申请中将光照特征、光照变化特征以及关联特征进行融合后,得到的特征即为融合特征。
分类结果是指将融合特征输入分类模型中,经过分类模型的处理,输出的结果即为分类结果。例如,本申请中的分类结果可以包括两种类型的结果,一种是表示出隧道的结果,另一种是表示未出隧道的结果。再比如,本申请中的分类结果可以包括两种类型的结果,一种是表示进隧道的结果,另一种是表示未进入隧道的结果。
具体地,终端确定光照数据和光照模板数据之间的关联特征之后,终端可以将光照特征、光照变化特征以及关联特征进行融合,即可得到融合后的融合特征;进一步的,终端可以通过分类模型,对光照特征、光照变化特征以及关联特征之间的融合特征进行分类处理,该分类模型输出的结果即为最终得到的分类结果。
举个例子,终端确定光照序列A和光照模板数据之间的关联特征F之后,终端可以将光照特征A、光照变化特征S以及关联特征F进行融合,以得到融合后的融合特征M;进一步的,终端可以通过决策树模型,对光照特征A、光照变化特征S以及关联特征F之间的融合特征M进行分类处理,即将融合特征M输入训练好的决策树模型中,经过决策树模型的处理后,输出的结果即为最终的分类结果。
可以理解,本申请中的分类模型包括但不限于是决策树模型,还可以为其他类型的模型,例如,本申请中的分类模型可以用深度模型或者其他机器学习模型代替。
步骤210,当分类结果表示目标车辆驶入或驶出目标隧道时,基于分类结果确定目标车辆的定位点。
其中,地图是指电子地图,电子地图即数字地图(Electronic map),是利用计算机技术,以数字方式存储和查阅的地图。电子地图可以包括精度不同的电子地图,例如,本申请中的地图包括但不限于是HD地图或SD地图。
HD地图(High Definition)是指一种能提供车道级别信息的地图数据,主要面向自动驾驶和辅助驾驶,精度可达厘米级别。HD 地图数据能够提供道路形状、道路标志物位置、车道线方向和位置、交通信号灯位置等信息。
SD地图(Street Directory Map)是一种道路级别的导航地图,主要应用于导航、路径规划等场景,主要提供的信息包括道路形状、长度、坡度等信息。
定位点是指目标车辆的GPS定位点信息,定位点信息可以包括在不同坐标系下目标车辆的坐标信息,例如,目标车辆的定位点信息可以包括经度值和纬度值,比如定位点的坐标为:(东经40度,北纬30度)。
具体地,终端对光照特征、光照变化特征以及关联特征之间的融合特征进行分类处理,得到分类结果之后,当分类结果表示目标车辆驶出目标隧道时,终端可以将该分类结果传输至地图,以使地图基于该分类结果确定目标车辆的定位点。即当终端通过训练好的分类模型对光照特征、光照变化特征以及关联特征之间的融合特征进行分类处理,当输出的分类结果表示目标车辆驶出目标隧道时,终端可以将该分类结果传输至地图,以使地图基于该分类结果,赋予目标车辆对应的坐标值,即终端可以将目标隧道出口位置处的坐标值作为目标车辆出隧道时的定位点。或者,当分类结果表示目标车辆驶入目标隧道时,终端可以将该分类结果传输至地图,以使地图基于该分类结果,赋予目标车辆对应的坐标值,即终端可以将目标隧道进口位置处的坐标值作为目标车辆进入隧道时的定位点。
举个例子,本申请实施例中提供的方法可应用于检测车辆驶入隧道的场景,也可以应用于检测车辆驶出隧道的场景,例如,在场景1中,假设终端通过训练好的分类模型对光照特征、光照变化特征以及关联特征之间的融合特征进行分类处理,输出的分类结果表示目标车辆A驶出目标隧道A21时,终端可以将该分类结果传输至地图,以使地图基于该分类结果,将目标隧道A21出口位置处的坐标值作为目标车辆A当前定位点的坐标值,并在地图界面中位于目标隧道A21的出口位置处显示目标车辆A的定位点图标;在场景2中,假设终端通过训练好的分类模型对光照特征、光照变化特征以及关联特征之间的融合特征进行分类处理,输出的分类结果表示目标车辆A驶入目标隧道A21时,终端可以将该分类结果传输至地图,以使地图基于该分类结果,将目标隧道A21进口位置处的坐标值作为目标车辆A当前定位点的坐标值,并在地图界面中位于目标隧道A21的进口位置处显示目标车辆A的定位点图标。
本实施例中,通过获取目标车辆在驶入目标隧道过程中采集的光照数据;从光照数据中提取光照特征和光照变化特征,并确定光照数据和光照模板数据之间的关联特征;对光照特征、光照变化特征以及关联特征之间的融合特征进行分类处理,得到分类结果;当分类结果表示目标车辆驶出目标隧道时,将分类结果传输至地图,以使地图基于分类结果确定目标车辆的定位点。由于光照数据可以反映隧道内外的环境光照的差异,故可以通过获取目标车辆在驶入目标隧道过程中采集的光照数据,并从光照数据中提取光照特征和光照变化特征,同时确定光照数据和光照模板数据之间的关联特征,并对光照特征、光照变化特征以及关联特征之间的融合特征进行分类处理,当分类结果表示目标车辆驶出目标隧道时,则可以将这个结果传递给地图,使得地图可以基于该分类结果快速准确的确定目标车辆当前行驶的定位点;或者,当目标车辆行驶在目标隧道附近,导航定位的信号受到遮挡发生中断,使得移动终端无法完成定位时,也可以通过获取目标车辆在未驶入目标隧道过程中采集的光照数据,并从光照数据中提取光照特征和光照变化特征,同时确定光照数据和光照模板数据之间的关联特征,并对光照特征、光照变化特征以及关联特征之间的融合特征进行分类处理,当分类结果表示目标车辆驶入目标隧道时,则可以将这个结果传递给地图,使得地图可以基于该分类结果快速准确的确定目标车辆当前行驶的定位点,避免了出现进出隧道检测错误的情况,有效提高了进出隧道检测的准确性,使得能够得到更为准确的行车导航定位数据,进而提高了行车导航定位数据准确性。
在一个实施例中,获取目标车辆在行驶过程中采集的光照数据之前,该方法还包括:
获取目标车辆的定位数据;
将定位数据与地图中的路网数据进行匹配,得到路网匹配结果;
当路网匹配结果表示定位数据与目标隧道之间的距离满足预设距离条件时,触发光照判定事件;
获取目标车辆在行驶过程中采集的光照数据,包括:
响应于光照判定事件,获取目标车辆在行驶过程中采集的光照数据。
其中,定位数据是指导航定位数据,例如,定位数据可以是全球导航定位数据即GNSS定位数据,全球卫星导航系统也叫全球导航卫星系统(Global Navigation SatelliteSystem,GNSS),是能在地球表面或近地空间的任何地点为用户提供全天候的三维坐标和速度以及时间信息的空基无线电导航定位系统。定位数据也可以是从GPS 设备获取到的,本申请中定位数据可以是一个定位点,包括时间戳、有效的经度信息、纬度信息以及航向角信息。
路网数据包括标清路网数据和高清路网数据,例如,二维SD路网数据,本申请实施例中的路网数据可以是用于车辆导航的、上下行分离的、使用相对压盖关系体现道路层级关系的矢量路网数据。
预设距离条件是指预先设置好的距离条件,例如,本申请中的预设距离条件可以为:小于或者等于150米。
光照判定事件是指通过光照强度变化来判定车辆是否驶入或者驶出目标隧道。可以预先设置好触发光照判定事件的条件或者策略。
具体的,当用户使用终端中的地图软件进行导航时,终端可以通过内置的GPS模块获取到目标车辆实时的定位数据,并将获取到的定位数据与地图中的路网数据进行匹配,即可得到对应的路网匹配结果;当路网匹配结果表示定位数据与目标隧道之间的距离满足预设距离条件时,触发光照判定事件;进一步的,终端响应于被触发的光照判定事件,获取目标车辆在行驶过程中采集的光照数据;即当光照判定事件用于对目标车辆是否驶入隧道进行判定时,可以获取目标车辆在未驶入目标隧道过程中采集的光照数据;或者,当光照判定事件用于对目标车辆是否驶出隧道进行判定时,则可以获取目标车辆在驶入目标隧道过程中采集的光照数据。
举个例子,当用户使用终端中的地图软件A进行导航时,终端可以通过内置的GPS芯片获取到目标车辆A在行驶过程中的实时定位点,并将获取到的定位点与地图中的路网数据进行匹配,即终端可以基于预设吸附算法或者地图自带的路网匹配算法,计算出定位点与目标隧道之间的距离值,假设终端获取到目标车辆A当前的定位点为点A,并基于预设吸附算法或者地图自带的路网匹配算法,计算出点A与前方待行驶的路线中的目标隧道A21之间的距离值L=150米,假设预设距离条件为:小于或者等于150米,由于L=150米满足预设距离条件,则会触发光照判定事件,终端响应于被触发的光照判定事件,获取目标车辆A在未驶入目标隧道A21过程中采集的光照数据,或者,获取目标车辆A在驶入目标隧道A21过程中采集的光照数据。例如,当光照判定事件用于对目标车辆A是否驶入目标隧道A21进行判定时,可以获取目标车辆A在还未驶入目标隧道A21所行驶的150米距离中采集的光照数据,以使后续终端可以基于获取到光照数据来判定目标车辆A是否驶入目标隧道A21;当光照判定事件用于对目标车辆A是否驶出目标隧道A21进行判定时,则可以获取目标车辆A在驶入目标隧道A21过程中采集的光照数据,以使后续终端可以基于获取到光照数据来判定目标车辆A是否驶出目标隧道A21。
在传统的行车导航方式中,高楼和玻璃幕墙会带来严重的多路径效应,隧道、天桥、树荫等使得卫星信号受到遮挡或者发生中断,从而导致定位信号带有严重的多路径误差和非视距误差,并且容易出现频繁的失锁和周跳,大大削弱了 GNSS 的定位性能,尤其在隧道内无法接收到卫星信号,使得终端在隧道中无法完成定位,而本实施例中,为了避免出现进出隧道检测错误的情况,将路网信息和光线传感器采集的光照数据结合起来,进行异常点过滤,能够得到更加准确的行车导航定位数据。
在一个实施例中,步骤208具体可以包括:将光照特征、光照变化特征和关联特征融合,得到融合特征;通过决策树模型中的各子决策树对融合特征进行决策处理,得到各子决策树的决策结果;对各子决策树的决策结果进行评分,得到对应的评分值;在各子决策树的决策结果中,选取评分值满足预设评分条件时的决策结果作为分类结果。
其中,决策树模型是指一种机器学习模型,例如,本申请中的决策树模型可以为随机森林模型。
决策结果是指决策树模型中的各个子决策树输出的分类结果,例如,决策树模型中包含3个子决策树分别为子决策树1、子决策树2和子决策树3,假设子决策树1输出的决策结果为类别1,子决策树2输出的决策结果为类别1,子决策树3输出的决策结果为类别2,即可得到3个决策结果。
预设评分条件是指预先设置的评分条件,例如,本申请中的预设评分条件可以为:选取评分值中的最大值。
具体的,终端可以将光照特征、光照变化特征和关联特征进行融合,得到融合特征,并通过预先训练好的决策树模型中的各子决策树对融合特征进行决策处理,得到各子决策树对应的决策结果;进一步的,终端可以对各子决策树的决策结果进行评分,得到对应的评分值,终端可以在各子决策树的决策结果中,选取评分值中的最大值所对应的决策结果作为最终输出的分类结果。
举个例子,如图4所示,为决策树模型预测过程的流程示意图。图4中的特征向量即为融合特征,即终端可以将光照特征、光照变化特征和关联特征之间的融合特征向量输入如图4所示的决策树模型中,通过决策树模型处理后,输出得到预测的分类结果。其中,图4中的每棵子树均为决策树,将融合特征向量流入决策树以后,会从树根开始进行一系列阈值判断,根据不同特征的取值,最终到达叶子结点,叶子结点代表所属于的类别结果。
即终端可以将融合特征向量分别输入n个训练好的子树中,每颗子树的预测是互相独立的,每棵子树都可以输出一个类别结果,对所有子树输出的类别结果进行汇总评分,例如,评分策略为统计每种类别结果的个数,并选取个数最大的类别结果作为最终输出的分类结果,即终端对所有子树输出的类别结果进行汇总评分,选取评分值最高的类别结果作为最终输出的分类结果。
由于实际算法中一棵树的结果和特征较为复杂,这里举一个简单的例子。如图5所示,为简易决策树分类模型预测过程的流程示意图。假设该决策树分类模型可以处理一个存在3个特征f1、f2、f3的分类问题。假设三个特征的取值分别为f1=2、f2=5、f3=10,则从树根出发,根据树的非叶子结点的判断条件,最终到达类别2的叶子结点,即为该子树的分类结果。计算过程如图5所示,计算路径为图5中的虚线箭头所示。
本实施例中,通过预先训练好的决策树模型中的各子决策树对融合特征进行决策处理,可以得到各子决策树对应的决策结果,并通过对各子决策树的决策结果进行评分的方式,从多个决策结果中选取评分值中的最大值所对应的决策结果作为最终输出的分类结果,能够得到更为准确的分类结果。
在其中一个实施例中,对各子决策树的决策结果进行评分,得到对应的评分值的步骤,包括:
对各子决策树的决策结果进行分类,得到至少两类决策结果;
确定至少两类决策结果中各类决策结果的数量;
基于数量对各类决策结果进行评分,得到各类决策结果对应的评分值。
具体的,终端将光照特征、光照变化特征和关联特征进行融合,得到融合特征,并通过决策树模型中的各子决策树对融合特征进行决策处理,得到各个子决策树的决策结果之后,终端可以对各子决策树的决策结果进行分类,得到至少两类决策结果,并确定至少两类决策结果中各类决策结果的数量;终端可以基于所确定的数量对各类决策结果进行评分,以得到各类决策结果对应的评分值。
举个例子,假设决策树模型A中包含3个子决策树,分别为子决策树1、子决策树2和子决策树3,假设子决策树1输出的决策结果为类别1,子决策树2输出的决策结果为类别1,子决策树3输出的决策结果为类别2,即本实施例中决策树模型A所处理的分类问题为二分类问题,在终端对上述3个子决策树的决策结果进行评分时,终端可以对各个子决策树的决策结果进行分类,得到两类决策结果,并确定两类决策结果中每类决策结果的数量,即终端可以统计每种决策结果的数量,并基于每种决策结果的数量对各类决策结果进行评分,即决策结果为类别1时对应的评分值2/3,决策结果为类别2时对应的评分值为1/3。
或者,终端可以统计每种决策结果的数量,并将每种决策结果的数量直接作为评分值,由于类别1对应的数量为2,则决策结果为类别1时对应的评分值为2;由于类别2对应的数量为1,则决策结果为类别2时对应的评分值为1。
后续终端可以在各个子决策树的决策结果中,选取评分值中的最大值所对应的决策结果作为分类结果,即终端可以选取评分值为2或者2/3时所对应的决策结果即类别1作为最终的分类结果。由此使得,通过采用不同的评分策略,对多个弱分类器即决策树的决策结果进行打分,使得最终输出的预测结果更加准确。
在其中一个实施例中,将光照特征、光照变化特征和关联特征融合,得到融合特征的步骤,包括:
获取外部输入的隧道外光照特征;
将光照特征、光照变化特征、关联特征和隧道外光照特征进行融合,得到融合特征。
其中,隧道外光照特征可以为外部输入的隧道外的光照强度值,例如,白天时隧道外的光照强度值为305,夜晚时隧道外的光照强度值为105。
具体的,终端可以获取外部输入的隧道外光照特征,并将光照特征、光照变化特征、关联特征和隧道外光照特征进行融合,以得到融合后的融合特征。例如,当前时刻外部输入的隧道外光照强度值为305,则终端可以将隧道外光照强度值为305、光照特征A、光照变化特征S以及关联特征F进行融合,得到融合后的融合特征,并将融合后的融合特征输入训练好的分类模型中,例如,终端可以将隧道外光照强度值为305、光照特征A、光照变化特征S以及关联特征F之间的融合特征向量输入如图4所示的决策树模型中,通过决策树模型处理后,输出得到预测的分类结果。
此外,当光照判定事件用于对目标车辆是否驶入隧道进行判定时,终端获取目标车辆在未驶入目标隧道过程中采集的光照数据之后,终端可以从获取的光照数据中提取光照特征和光照变化特征,并确定光照数据和光照模板数据之间的关联特征;此时,终端也可以获取外部输入的隧道内光照特征,并将光照特征、光照变化特征、关联特征和隧道内光照特征进行融合,得到融合特征。例如,终端可以将隧道内光照强度值85、光照特征A1、光照变化特征S1以及关联特征F1之间的融合特征向量输入如图4所示的决策树模型中,通过决策树模型处理后,输出得到预测的分类结果,该分类结果可以包括两种类型的结果,一种是表示进隧道的结果,另一种是表示未进入隧道的结果。由此使得,通过将不同维度的评价指标扩维到融合特征向量中,以此来提高识别结果的准确率,使得最终输出的分类结果更加准确。
在一个实施例中,光照数据是在不同时间进行光照采集所得的光照序列;步骤204具体可以包括:在光照序列中,基于滑动窗口提取时域特征和频域特征,并将提取的时域特征和频域特征作为光照特征;从光照序列中确定目标窗口的光照变化率;将光照变化率的时域特征和频域特征作为光照变化特征。
具体的,由于光照数据是在不同时间通过光照传感器进行光照采集所得的光照序列,因此,终端获取目标车辆在行驶过程中采集的光照序列之后,终端可以基于滑动窗口提取光照序列的时域特征和频域特征,并将提取的时域特征和频域特征作为光照特征;进一步的,终端可以从光照序列中提取目标窗口内光照数据的光照变化率,并将光照变化率的时域特征和频域特征作为光照变化特征。
举个例子,假设终端获取的目标车辆在驶入目标隧道过程中采集的光照序列A中包含150个点,在计算滑动平均数时,假设一个窗口内有50个点,则终端可以基于滑动窗口提取整个光照序列A的时域特征和频域特征,并将提取的时域特征和频域特征作为光照特征;进一步的,终端可以从光照序列A的滑动窗口中,选取一个窗口作为目标窗口,计算目标窗口内光照数据的光照变化率,即计算目标窗口内50个点的光照变化率,并将光照变化率的时域特征和频域特征作为光照变化特征。例如,在理想情况下,出隧道时的一个光照窗口内的数值情况可以如图3所示,如图3中(1)所示为白天出隧道时的一个光照窗口内的数值情况,如图3中(2)所示为夜晚出隧道时的一个光照窗口内的数值情况。
本实施例中,通过提取光照数据的光照特征和光照变化特征,以使得后续处理流程中可以将不同维度的特征融合至一个完整的特征向量中,以此来提高识别结果的准确率,使得最终输出的分类结果更加准确。
在其中一个实施例中,从光照序列中提取目标窗口的光照变化率的步骤,包括:
从光照序列中选取目标窗口内的光照数据;
对目标窗口内的光照数据进行差分处理,得到光照变化率;
将光照变化率的时域特征和频域特征作为光照变化特征的步骤,包括:
提取光照变化率的时域特征和频域特征,并将提取的时域特征和频域特征作为光照变化特征。
具体的,终端可以从光照序列A的滑动窗口中,选取一个窗口作为目标窗口,并计算目标窗口内光照数据的光照变化率,即终端可以对目标窗口内的光照数据前后历元进行差分处理,即可得到光照变化率,前后历元是指前后两个时刻。进一步的,终端可以提取所得的光照变化率的时域特征和频域特征,并将提取的时域特征和频域特征作为光照变化特征。其中,终端提取的时域特征可以包括但不限于是均值、方差、标准差等;终端提取光照变化率的频域特征时,终端可以先对窗口内的光照数据进行快速傅里叶变换,即可得到光照数据在频域中的表达,接下来终端可以提取频域中的特征,比如谱密度、最大峰值对应频率等。由此使得,通过计算光照数据的光照变化率,并将光照变化率的相关时域、频域特征作为融合特征中的一部分,使得最终输入分类模型中的融合特征具有更丰富的信息,能够有效提高识别结果的准确率,使得最终输出的分类结果更加准确。
在一个实施例中,步骤202具体可以包括:获取目标车辆在未驶入目标隧道的过程中采集的光照数据;或者,当分类结果表示目标车辆驶入目标隧道时,获取目标隧道外的光照强度阈值;基于光照强度阈值,确定光照传感器的光照数据量级;在目标车辆驶入目标隧道的过程中,获取光照传感器按照光照数据量级采集的光照数据。
具体的,终端响应于光照判定事件,获取目标车辆在行驶过程中采集的光照数据时,当光照判定事件用于对目标车辆是否驶入隧道进行判定时,可以获取目标车辆在未驶入目标隧道过程中采集的光照数据;当光照判定事件用于对目标车辆是否驶出隧道进行判定时,即当分类结果表示目标车辆驶入目标隧道时,终端可以获取目标车辆在驶入目标隧道过程中采集的光照数据时,终端可以获取目标隧道外的光照强度阈值,并基于光照强度阈值,确定光照传感器的光照数据量级,以使得在目标车辆驶入目标隧道的过程中,终端可以获取光照传感器按照光照数据量级采集的光照数据。此外,由于不同手机光敏器件不同,得到的光照传感器的数据有几百到几万不等,那么变化率也有较大的差别。为了解决这个问题,机器学习部分采用在线学习的方式,当用户开启行车导航时就会自动采集光照传感器的数据,并对这些数据进行学习,找到白天或者夜晚的光照传感器模型,当用户出隧道时,光照强度变化明显,可以检测出出隧道这一场景,并将这个结果传递给地图,使得地图可以快速准确的确定目标车辆当前行驶的定位点,避免了出现进出隧道检测错误的情况,有效提高了进出隧道检测的准确性,能够得到更为准确的行车导航定位数据,进而提高了行车导航定位数据准确性。
在一个实施例中,分类结果是通过决策树模型进行分类处理所得的;获取目标车辆在行驶过程中采集的光照数据之前,所述方法还包括:
获取样本车辆行驶过程中采集的光照数据样本;
将光照数据样本和光照数据样本的标签作为训练集,并基于训练集对决策树模型进行训练。
具体的,终端可以获取样本车辆行驶过程中采集的光照数据样本,并对获取的光照数据样本进行标注,得到光照数据样本的标签;进一步的,终端可以将光照数据样本和光照数据样本的标签作为训练集,并基于训练集对决策树模型进行训练。
例如,如图6所示,为模型训练的流程示意图。图6中的原始数据即为终端获取的样本车辆行驶过程中采集的光照数据样本,终端可以对光照数据样本进行特征提取,得到样本特征向量;同时,终端可以对光照数据样本进行真值标注,得到光照数据样本的分类标签,终端将样本特征向量和分类标签输入初始决策树模型进行训练,直到确定最优的参数时停止训练,并将训练得到决策树模型作为最终使用的分类模型。其中,标注真值可以是由测试人员在采集数据时通过手工标注的,也可以是测试人员通过标注软件进行标注的。由此使得,可以利用训练好的分类模型,对光照特征、光照变化特征以及关联特征之间的融合特征进行分类处理,得到更为准确的分类结果,即更加快速准确的确定目标车辆是否驶入或者驶出隧道,避免了出现进出隧道检测错误的情况,有效提高了进出隧道识别的准确性。
在一个实施例中,标签包括第一标签和第二标签;所述方法还包括:
响应于在路测应用界面中对入隧道控件的触发操作,对样本车辆驶入样本隧道时采集的光照数据样本进行标记,得到第一标签;
响应于在路测应用界面中对出隧道控件的触发操作,对样本车辆驶出样本隧道时采集的光照数据样本进行标记,得到第二标签。
具体的,如图7所示,为路测应用界面的示意图。图7中显示的“进入隧道”按钮可以作为入隧道控件,即当样本车辆驶入样本隧道时,测试人员可以点击如图7中所示的“进入隧道”按钮,则终端响应于测试人员在路测应用界面中对入隧道控件即“进入隧道”按钮的触发操作,终端对样本车辆驶入样本隧道时采集的光照数据样本进行标记,即可得到第一标签;同时,当测试人员点击如图7中所示的“进入隧道”按钮后,图7中所示的“进入隧道”按钮会变更显示为“驶出隧道”按钮,则当样本车辆驶出样本隧道时,测试人员可以点击如图7中所示的“驶出隧道”按钮,则终端响应于测试人员在路测应用界面中对出隧道控件即“驶出隧道”按钮的触发操作,对样本车辆驶出样本隧道时采集的光照数据样本进行标记,得到第二标签。由此使得,可以实现快速准确的对样本车辆驶入、驶出样本隧道时采集的光照数据样本进行标记,提高了分类模型训练的效率。
在一个实施例中,所述方法还包括:
获取目标车辆在行驶过程中采集的车道线信息;
确定车道线信息中的车道线类型与地图数据中不同指定区域的车道线类型之间的第一匹配分值;
对车道线信息中的车道线参数与地图数据中不同指定区域的车道线参数进行匹配处理,得到第二匹配分值;
基于第一匹配分值和第二匹配分值,确定目标车辆所处的车道。
其中,车道线信息是指车辆在行驶过程中采集的关于车道线的信息,例如,车道线信息可以包括:车道线类型和其他的车道线参数。
车道线类型是指车道线的类型,包括但不限于:实线、虚线、双线、道路边缘线以及其他车道线。需要指出的是,在视觉观测时,护栏可能会被识别成车道线,因此护栏也可以作为一种特殊的车道线类型。
车道线参数可以包括车道线截距、车道线颜色或车道线一次项(即车道线斜率)中的至少一种参数;此外,车道线参数还可以包括车道线条数、置信度以及其他信息。车道线条数可以指车道线的条数,例如,目标车辆内置的摄像头在拍摄车道线信息时,拍摄到的车道线条数通常为4~6条。
置信度用于表示车道线信息的可信程度。可以理解,本申请中的车道线信息可以由目标车辆中内置的摄像头采集得到,也可以由目标车辆内置的传感器采集得到,由摄像头采集的车道线信息可称为视觉车道线信息,传感器可以是安装在目标车辆上的雷达。
地图数据可以指高精地图(High Definition Map)的地图数据,包括:车道线信息、高精度的坐标、坡度、曲率、航向以及高程等信息。地图数据中的车道线信息也可称为地图车道线信息。
指定区域可以是假设目标车辆处于目标道路的其中一个车道时,目标车辆的视场区域,即目标车辆在该车道上行驶时传感器所能感知到的区域。在每个指定区域内,横向可以包含至少一个车道,如1~5个车道,纵向可以包含摄像头在车辆的固定高度和角度下的有效观测距离,如5~70m(米)。
第一匹配分值是指目标车辆处于某个车道时各车道线类型之间的匹配分值,可以用来衡量目标车辆处于该车道的可能性。
第二匹配分值是指目标车辆处于某个车道时各车道线参数之间的匹配分值,可以用来衡量目标车辆处于该车道的可能性。由于车道线参数可以包括车道线截距、车道线颜色或车道线斜率中的至少一种参数,因此第二匹配分值可以包括颜色匹配分值、截距匹配分值或斜率匹配分值中的至少一种分值。
具体的,当分类模型输出的分类结果表示目标车辆驶入或驶出目标隧道时,终端将该分类结果传输至地图之后,终端可以获取目标车辆在行驶过程中通过摄像头采集的车道线信息,并确定车道线信息中的车道线类型与地图数据中不同指定区域的车道线类型之间的第一匹配分值;进一步的,终端可以对车道线信息中的车道线参数与地图数据中不同指定区域的车道线参数进行匹配处理,得到第二匹配分值;终端对第一匹配分值和第二匹配分值进行加权求和,得到用于表示目标车辆处于不同候选车道的得分值,并将满足得分条件的得分值对应的候选车道,作为目标车辆所处的车道。
举个例子,终端获取目标车辆在行驶过程中通过摄像头采集的车道线信息之后,终端可以确定车道线信息中的车道线类型与地图数据中不同指定区域的车道线类型之间的第一匹配分值。如图8所示,为对目标车辆的位置信息进行投影得到道路横截面的示意图。图8中左侧第一条垂直的虚线为目标车辆当前位置所在的道路横截面,即目标车辆在目标道路上的投影线,每个焦点即为投影点;第二和第三条垂直的虚线为车辆前方10m和20m的道路横截面。终端可以假设目标车辆处于图8所示的车道1,则指定区域可以是车道1~2以及车辆前方5~30m的区域,从而在计算第一匹配分值时,可以将视觉观测的车道线类型与地图数据中的该指定区域内的车道线类型进行匹配计算,如视觉观测的车辆前方10m处的车道线类型与地图数据中的车辆前方10m处的车道线类型进行匹配计算,从而得到车辆前方10m处的车道线类型之间的第一匹配分值,依次类推,可以计算出20~30m处的车道线类型之间的第一匹配分值。需要指出的是,靠近车辆的车道线类型的置信度较大,如车辆前方10m处的车道线类型的置信度大于车辆前方20m和30m处的车道线类型。
进一步的,在计算第二匹配分值时,终端可以先假设车辆处于某个车道(不妨设为车道1),从而得到车辆在车道1时的指定区域,然后计算车道线信息中的车道线参数与车辆在车道1时的指定区域的车道线参数之间的匹配性,得到表示车辆处于车道1时各车道线参数之间的第二匹配分值;依此类推,可以计算出车辆处于其他车道时各车道线参数之间的第二匹配分值,具体地计算方式可参考上述第一匹配分值的计算过程。指定区域可以包括车辆前方5~40m的区域。需要指出的是,靠近车辆的车道线参数的置信度较大,如车辆前方10m处的车道线参数的置信度大于车辆前方20m和30m处的车道线参数的置信度。终端对计算得到的第一匹配分值和第二匹配分值进行加权求和,得到用于表示目标车辆处于不同候选车道的得分值,并将满足得分条件的得分值对应的候选车道,作为目标车辆所处的车道;进一步的,如图9所示,为目标车辆驶出目标隧道时的车道级定位示意图。在如图9所示导航界面中,终端可以将目标车辆的定位点图标显示在对应的车道中,即如图9中所示的目标车辆的定位点图标显示在第二个车道中。由此使得,可以准确且高效地实现目标车辆进出隧道时的车道级定位,得到更为准确的行车导航定位数据,为用户带来更好导航体验。
本申请还提供一种应用场景,该应用场景应用上述的隧道场景的定位方法。具体地,该隧道场景的定位方法在该应用场景的应用如下:
当用户需要使用导航系统进行实时的行车路线指引时,可以采用上述的隧道场景的定位方法,即用户登录移动终端中的导航系统之后,移动终端响应于光照判定事件,获取目标车辆在驶入目标隧道过程中采集的光照数据,从光照数据中提取光照特征和光照变化特征,并确定光照数据和光照模板数据之间的关联特征;进一步的,移动终端可以对光照特征、光照变化特征以及关联特征之间的融合特征进行分类处理,得到分类结果;当分类结果表示目标车辆驶出目标隧道时,移动终端将分类结果传输至地图,以使地图基于分类结果确定目标车辆的定位点。其中,移动终端中的导航系统可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
本申请实施例提供的方法,可以应用于行车导航中隧道进出口的定位场景中。以下以隧道进出口定位场景为例,对本申请实施例提供的隧道场景的定位方法进行说明。
城市的复杂环境向导航定位系统发起了严峻的挑战:高楼和玻璃幕墙会带来严重的多路径效应,隧道、天桥、树荫等使得信号受到遮挡、发生中断,从而导致 GNSS 信号带有严重的多路径误差和非视距误差,并且容易出现频繁的失锁和周跳,大大削弱了 GNSS 的定位性能。即隧道内无卫星信号,手机等移动终端无法完成定位,因此传统方式中,在隧道内利用速度和航向角进行递推,速度采用进隧道前的车速,并对这个值做一些平滑处理,航向角可以采用道路的航向角或者移动终端自身计算的航向角。但当隧道长度过长时,隧道推算会越来越不准确,容易导致得到的行车导航定位数据的准确性较低,即当用户使用地图进行导航时,车辆已经驶出出隧道,但是车辆的定位点仍显示在隧道内,严重影响了地图的导航体验。
为了解决上述问题,针对传统方式中的不足和缺点,本申请提供了一种判断移动终端是否在隧道中的方法来提升导航驾驶体验,主要包括:
1. 利用机器学习的方法对光照传感器在隧道内外的光照数值进行学习;
2. 为了避免出现进出隧道检测错误的情况,将路网信息和光线传感器采集的光照数据结合起来,进行异常点过滤;
即本申请通过利用光线传感器采集的光照数据和路网信息,可以解决的问题包括:
1. 在移动终端出隧道时,会根据光照强度变化快速检测,计算灵敏度小于1秒;
2. 由于将光线传感器采集的光照数据与路网信息进行结合,判断出隧道准确率达到95%以上。
在产品侧,本申请实施例中提供的方法会可以作为内置算法应用于各类地图中,或者应用于各类导航软件和系统中。
在技术侧,如图10所示,为光照判断出隧道算法的整体流程示意图。
图10中的GPS数据是指获取的GPS定位数据,例如,智能手机带有的GPS功能可以获取到当前手机的GPS定位点。移动终端可以是驾驶者使用的用于开启行车导航的设备,同时,地图的底图数据包含路网信息,则移动终端可以通过吸附算法或者地图自带的路网匹配算法,判断当前车辆所行驶的位置是否在隧道附近,通过这个方式可以判断当前用户是否行驶在隧道附近。即终端将当前车辆所行驶的GPS定位位置与地图的底图数据中的路网信息进行匹配,得到对应的路网匹配结果,并基于读取到路网匹配结果,来判断是否启动光照判定策略。
当移动终端检测到当前车辆即将进入隧道时,即路网匹配结果表示当前车辆即将进入隧道,则触发开启光线传感器判定事件,例如,当移动终端检测当前车辆即将进入隧道时(一般定义为隧道前150m),开启光照传感器进出隧道判定事件。光线传感器可以检测到不同环境下的光照强度变化,在非隧道场景下受到楼宇、树木的遮挡,光照强度都会发生变化,此时如果判断为隧道场景肯定是异常点,因此,本申请实施例中通过结合路网数据可以有效的避免上述判断错误的情况发生。
当用户使用地图进行导航时,导航界面中会显示当前行驶的道路名,并且这个道路名会包含当前的道路属性,例如,道路属性可以包括高速、隧道等。如果车辆是行驶在普通类型的道路中,移动终端只是采集当前光照传感器的数值,而不做判定,即若车辆行驶在普通类型的道路中,则不会触发开启光线传感器判定事件。
此外,由于手机光敏器件不同,得到的光照传感器的数据有几百到几万不等,那么光照变化率也有较大的差别。为了解决这个问题,图10中所示的机器学习部分采用在线学习的方式,即当用户开启导航时,移动终端就会自动采集光照传感器的数据,并对这些数据进行学习,找到白天或者夜晚的光照传感器模型,当用户驾驶车辆驶出隧道时,光照强度变化明显,则移动终端可以检测出出隧道这一场景,并将这个结果传递给地图,以使得地图基于传递的结果确定车辆的定位点。
本申请实施例中采用机器学习的算法,如图11所示,为光照判断出隧道算法流程的示意图。即光照部分的整体算法流程如图11中所示。手机上的光照传感器可以对周围环境的光照情况进行反应,则手机终端可以利用隧道内外的环境光照的差异对出隧道进行判断。具体的实现方法如图11所示,图11中的整个算法流程分为以下几个部分:
1. 求解光照变化率
首先,手机终端可以选取一个窗口的光照数据,并对该光照数据前后历元进行差分,求解光照在该窗口内的光照变化率。
其中,前后历元是指前后两个时刻。窗口是指在计算滑动平均数时,所取的点数。如果是50个点求一次平均值,那么这个窗口就是50,窗口的数值越大,那么数值就会更加平滑,但是光照传感器的变化特点也会削弱。所以这个值也不是越大越好,主要是为了剔除传感器异常点。
2. DTW算法
DTW(Dynamic Time Warping)动态时间规整算法,是一种计算2个时间序列尤其是不同长度序列相似度的一种动态规划算法,一般用于时序向量的匹配。
在理想情况下,对于出隧道时的一个光照窗口内的数值情况会如图3所示,白天的时候隧道内光线暗,出隧道时,环境突然变亮,光照数值极速加大;夜晚情况则正相反。如何区分白天黑夜,需要通过传入的隧道外光照阈值这个参数来确定。
但是在实际情况中,出隧道这一瞬间的变化会各种各样,不能把所有的出隧道模版全部穷尽,因此,DTW算法得到的当前光照数据与模版数据之间的距离值仅仅当作部分特征进行利用。DTW是一种用来描述向量相似度的评价指标,因为该指标对于本申请中的分类问题有较好的区分性,因此,本申请实施例中终端专门计算出相关特征并扩维到特征向量中,以此来提高识别的准确率。
3. 提取特征
终端提取滑窗中的光照序列的时域、频域的多维特征,包括但不限于均值、方差、谱密度等特征;
同时,终端提取第1节中计算的光照变化率的相关的时域、频域的特征,包括但不限于均值、方差、谱密度等特征。
其中,终端提取的时域特征:比如均值、方差、标准差等;终端提取频域特征时,先对窗口数据进行快速傅里叶变换,就可以得到数据在频域中的表达,接下来终端提取频域中的特征,比如谱密度、最大峰值对应频率等。
4.特征向量合成
终端可以将第3节中提取的两种特征向量进行拼接,并添加第2节中DTW算法得到的相关特征以及从外部输入的隧道外光照强度这一特征,合成一个完整的特征向量。
5. 模型分类
本部分算法采用机器学习的分类算法,具体算法可以为随机森林。该算法通过对多个弱分类器(决策树)进行打分,并基于打分结果来确定最终输出的预测结果。
5.1模型训练
模型训练流程如所有的机器学习模型训练过程相似,如图6所示。特征提取按照第3节中描述的方式获取特征向量,标注真值是由测试人员采集数据时手动记录的。在训练过程中,各个决策树、决策树与整个随机森林的关系都训练好了。
例如,如图7所示,为路测应用界面的示意图。本申请实施例中使用的标注平台或标注软件的界面示意图可以如图中所示。图中的展示的这个UI界面可以看到当前卫星颗数、卫星分布、光照传感器数值,还可以用于采集数据和实地路测等。在进行标注时,即当用户驾驶车辆驶入隧道时,在终端显示的如图所示的界面中,用户可以点击图中右边的按钮,可以人工记录一个标签,表示进入隧道。同时当用户驾驶车辆驶出隧道时,用户可以再点击一下右边的这个按钮,这样也会记录一个标签。这个标注应用程序即app可以作为标注平台,可以记录大量的数据,包含光照强度值、进出标签等。这样会进行一个在线的模型训练,基于大量的数据和人工标注的结果计算出模版。
5.2模型预测
模型预测流程如图4所示,终端将第4节中合成得到的特征向量分别输入若干训练好的决策树,每颗子树的预测是互相独立的,每棵子树都可以输出一个类别结果,终端对所有子树的输出类别进行汇总打分,最终输出分类结果。例如,最简单的打分策略就是统计每种类别结果的个数。
每棵子树均为决策树,终端将特征向量数据流入决策树以后,会从树根开始进行一系列阈值判断,根据不同特征的取值,最终到达叶子结点,即叶子结点中的类别结果代表特征所属的类别。
由于实际算法中一棵树的结果和特征较为复杂,这里举一个简单的例子介绍。假设一个存在3个特征f1、f2、f3的分类问题。假设三个特征的取值分别为f1=2、f2=5、f3=10,则从树根出发,根据树的非叶子结点的判断条件,最终到达类别2的叶子结点,即为该子树的分类结果。计算过程如图5所示,计算路径为虚线所示。
本申请实施例中提供的方法所产生的有益效果包括:
本申请实施例提供的方法在隧道进出检测的判断准确率达到95%以上,判断时间延迟小于1s,有效提高了行车导航定位数据准确性,给用户带来更好的行车导航体验。
如图12所示,为路测轨迹示意图。图中加粗的黑色点表示定位点,无定位点的地方为隧道。实验数据:打开光照传感器app后点击开始采集,实验地点是从北京东软技术中心-八达岭隧道,中间途径7次隧道,连续两天进行测试,共计14次出隧道检测,均检测出来,检测准确率100%。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的隧道场景的定位方法的行车导航装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个行车导航装置实施例中的具体限定可以参见上文中对于隧道场景的定位方法的限定,在此不再赘述。
在一个实施例中,如图13所示,提供了一种隧道场景的定位装置,包括:获取模块1302、提取模块1304、确定模块1306和处理模块1308,其中:
获取模块1302,用于获取目标车辆在行驶过程中采集的光照数据。
提取模块1304,用于从光照数据中提取光照特征和光照变化特征。
确定模块1306,用于确定光照数据和光照模板数据之间的关联特征。
处理模块1308,用于对光照特征、光照变化特征以及关联特征之间的融合特征进行分类处理,得到分类结果。
所述确定模块1306还用于当分类结果表示目标车辆驶入或驶出目标隧道时,基于分类结果确定目标车辆的定位点。
在一个实施例中,所述装置还包括:匹配模块和触发模块。获取模块还用于获取所述目标车辆的定位数据;匹配模块,用于将所述定位数据与地图中的路网数据进行匹配,得到路网匹配结果;触发模块,用于当所述路网匹配结果表示所述定位数据与所述目标隧道之间的距离满足预设距离条件时,触发光照判定事件;获取模块还用于响应于所述光照判定事件,获取目标车辆在行驶过程中采集的光照数据。
在一个实施例中,所述装置还包括:融合模块、评分模块和选取模块。融合模块,用于将所述光照特征、所述光照变化特征和所述关联特征融合,得到融合特征;处理模块还用于通过决策树模型中的各子决策树对所述融合特征进行决策处理,得到各所述子决策树的决策结果;评分模块,用于对各所述子决策树的决策结果进行评分,得到对应的评分值;选取模块,用于在各所述子决策树的决策结果中,选取所述评分值满足预设评分条件时的所述决策结果作为所述分类结果。
在一个实施例中,所述装置还包括:分类模块,用于对各所述子决策树的决策结果进行分类,得到至少两类决策结果;确定模块还用于确定所述至少两类决策结果中各类决策结果的数量;评分模块还用于基于所述数量对所述各类决策结果进行评分,得到所述各类决策结果对应的评分值。
在一个实施例中,获取模块还用于获取外部输入的隧道外光照特征;融合模块还用于将所述光照特征、所述光照变化特征、所述关联特征和所述隧道外光照特征进行融合,得到融合特征。
在一个实施例中,提取模块还用于在所述光照序列中,基于滑动窗口提取时域特征和频域特征,并将提取的所述时域特征和频域特征作为所述光照特征;从所述光照序列中提取目标窗口的光照变化率;将所述光照变化率的时域特征和频域特征作为所述光照变化特征。
在一个实施例中,选取模块还用于从所述光照序列中选取目标窗口内的光照数据;处理模块还用于对所述目标窗口内的光照数据进行差分处理,得到光照变化率;提取模块还用于提取所述光照变化率的时域特征和频域特征,并将提取的所述时域特征和频域特征作为所述光照变化特征。
在一个实施例中,获取模块还用于获取目标车辆在未驶入所述目标隧道的过程中采集的光照数据;或者,当所述分类结果表示所述目标车辆驶入所述目标隧道时,获取所述目标隧道外的光照强度阈值;确定模块还用于基于所述光照强度阈值,确定光照传感器的光照数据量级;获取模块还用于在所述目标车辆驶入所述目标隧道的过程中,获取所述光照传感器按照所述光照数据量级采集的光照数据。
在一个实施例中,所述装置还包括:训练模块。获取模块还用于获取样本车辆行驶过程中采集的光照数据样本;训练模块,用于将所述光照数据样本和所述光照数据样本的标签作为训练集,并基于所述训练集对所述决策树模型进行训练。
在一个实施例中,所述装置还包括:标记模块,用于响应于在路测应用界面中对入隧道控件的触发操作,对所述样本车辆驶入样本隧道时采集的光照数据样本进行标记,得到所述第一标签;响应于在所述路测应用界面中对出隧道控件的触发操作,对所述样本车辆驶出所述样本隧道时采集的光照数据样本进行标记,得到所述第二标签。
在一个实施例中,获取模块还用于获取所述目标车辆在行驶过程中采集的车道线信息;确定模块还用于确定所述车道线信息中的车道线类型与地图数据中不同指定区域的车道线类型之间的第一匹配分值;处理模块还用于对所述车道线信息中的车道线参数与所述地图数据中不同指定区域的车道线参数进行匹配处理,得到第二匹配分值;确定模块还用于基于所述第一匹配分值和所述第二匹配分值,确定所述目标车辆所处的车道。
上述隧道场景的定位装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图14所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种隧道场景的定位方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置,显示屏可以是液晶显示屏或电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图14中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (22)
1.一种隧道场景的定位方法,其特征在于,所述方法包括:
获取目标车辆在行驶过程中采集的光照数据;
从所述光照数据中提取光照特征和光照变化特征;
确定所述光照数据和光照模板数据之间的关联特征;
对所述光照特征、所述光照变化特征以及所述关联特征之间的融合特征进行分类处理,得到分类结果,包括:将所述光照特征、所述光照变化特征和所述关联特征融合,得到融合特征;通过决策树模型中的各子决策树对所述融合特征进行决策处理,得到各所述子决策树的决策结果;对各所述子决策树的决策结果进行评分,得到对应的评分值;在各所述子决策树的决策结果中,选取所述评分值满足预设评分条件时的所述决策结果作为所述分类结果;
当所述分类结果表示所述目标车辆驶入或驶出目标隧道时,基于所述分类结果确定所述目标车辆的定位点。
2.根据权利要求1所述的方法,其特征在于,所述获取目标车辆在行驶过程中采集的光照数据之前,所述方法还包括:
获取所述目标车辆的定位数据;
将所述定位数据与地图中的路网数据进行匹配,得到路网匹配结果;
当所述路网匹配结果表示所述定位数据与所述目标隧道之间的距离满足预设距离条件时,触发光照判定事件;
所述获取目标车辆在行驶过程中采集的光照数据,包括:
响应于所述光照判定事件,获取目标车辆在行驶过程中采集的光照数据。
3.根据权利要求1所述的方法,其特征在于,所述对各所述子决策树的决策结果进行评分,得到对应的评分值,包括:
对各所述子决策树的决策结果进行分类,得到至少两类决策结果;
确定所述至少两类决策结果中各类决策结果的数量;
基于所述数量对所述各类决策结果进行评分,得到所述各类决策结果对应的评分值。
4.根据权利要求1所述的方法,其特征在于,所述将所述光照特征、所述光照变化特征和所述关联特征融合,得到融合特征,包括:
获取外部输入的隧道外光照特征;
将所述光照特征、所述光照变化特征、所述关联特征和所述隧道外光照特征进行融合,得到融合特征。
5.根据权利要求1所述的方法,其特征在于,所述光照数据是在不同时间进行光照采集所得的光照序列;所述从所述光照数据中提取光照特征和光照变化特征,包括:
在所述光照序列中,基于滑动窗口提取时域特征和频域特征,并将提取的所述时域特征和频域特征作为所述光照特征;
从所述光照序列中提取目标窗口的光照变化率;
将所述光照变化率的时域特征和频域特征作为所述光照变化特征。
6.根据权利要求5所述的方法,其特征在于,所述从所述光照序列中提取目标窗口的光照变化率,包括:
从所述光照序列中选取目标窗口内的光照数据;
对所述目标窗口内的光照数据进行差分处理,得到光照变化率;
所述将所述光照变化率的时域特征和频域特征作为所述光照变化特征,包括:
提取所述光照变化率的时域特征和频域特征,并将提取的所述时域特征和频域特征作为所述光照变化特征。
7.根据权利要求1所述的方法,其特征在于,所述获取目标车辆在行驶过程中采集的光照数据包括:
获取目标车辆在未驶入所述目标隧道的过程中采集的光照数据;或者,
当所述分类结果表示所述目标车辆驶入所述目标隧道时,获取所述目标隧道外的光照强度阈值;基于所述光照强度阈值,确定光照传感器的光照数据量级;在所述目标车辆驶入所述目标隧道的过程中,获取所述光照传感器按照所述光照数据量级采集的光照数据。
8.根据权利要求1所述的方法,其特征在于,所述分类结果是通过决策树模型进行分类处理所得的;所述获取目标车辆在行驶过程中采集的光照数据之前,所述方法还包括:
获取样本车辆行驶过程中采集的光照数据样本;
将所述光照数据样本和所述光照数据样本的标签作为训练集,并基于所述训练集对所述决策树模型进行训练。
9.根据权利要求8所述的方法,其特征在于,所述标签包括第一标签和第二标签;所述方法还包括:
响应于在路测应用界面中对入隧道控件的触发操作,对所述样本车辆驶入样本隧道时采集的光照数据样本进行标记,得到所述第一标签;
响应于在所述路测应用界面中对出隧道控件的触发操作,对所述样本车辆驶出所述样本隧道时采集的光照数据样本进行标记,得到所述第二标签。
10.根据权利要求1至9任一项所述的方法,其特征在于,所述方法还包括:
获取所述目标车辆在行驶过程中采集的车道线信息;
确定所述车道线信息中的车道线类型与地图数据中不同指定区域的车道线类型之间的第一匹配分值;
对所述车道线信息中的车道线参数与所述地图数据中不同指定区域的车道线参数进行匹配处理,得到第二匹配分值;
基于所述第一匹配分值和所述第二匹配分值,确定所述目标车辆所处的车道。
11.一种隧道场景的定位装置,其特征在于,所述装置包括:
获取模块,用于获取目标车辆在行驶过程中采集的光照数据;
提取模块,用于从所述光照数据中提取光照特征和光照变化特征;
确定模块,用于确定所述光照数据和光照模板数据之间的关联特征;
处理模块,用于对所述光照特征、所述光照变化特征以及所述关联特征之间的融合特征进行分类处理,得到分类结果;
所述确定模块还用于当所述分类结果表示所述目标车辆驶入或驶出目标隧道时,基于所述分类结果确定所述目标车辆的定位点;
所述装置还包括:融合模块、评分模块和选取模块;融合模块,用于将所述光照特征、所述光照变化特征和所述关联特征融合,得到融合特征;处理模块还用于通过决策树模型中的各子决策树对所述融合特征进行决策处理,得到各所述子决策树的决策结果;评分模块,用于对各所述子决策树的决策结果进行评分,得到对应的评分值;选取模块,用于在各所述子决策树的决策结果中,选取所述评分值满足预设评分条件时的所述决策结果作为所述分类结果。
12.根据权利要求11所述的隧道场景的定位装置,其特征在于,所述装置还包括:匹配模块和触发模块;获取模块还用于获取所述目标车辆的定位数据;匹配模块,用于将所述定位数据与地图中的路网数据进行匹配,得到路网匹配结果;触发模块,用于当所述路网匹配结果表示所述定位数据与所述目标隧道之间的距离满足预设距离条件时,触发光照判定事件;获取模块还用于响应于所述光照判定事件,获取目标车辆在行驶过程中采集的光照数据。
13.根据权利要求11所述的隧道场景的定位装置,其特征在于,所述装置还包括:分类模块,用于对各所述子决策树的决策结果进行分类,得到至少两类决策结果;确定模块还用于确定所述至少两类决策结果中各类决策结果的数量;评分模块还用于基于所述数量对所述各类决策结果进行评分,得到所述各类决策结果对应的评分值。
14.根据权利要求11所述的隧道场景的定位装置,其特征在于,获取模块还用于获取外部输入的隧道外光照特征;融合模块还用于将所述光照特征、所述光照变化特征、所述关联特征和所述隧道外光照特征进行融合,得到融合特征。
15.根据权利要求11所述的隧道场景的定位装置,其特征在于,所述光照数据是在不同时间进行光照采集所得的光照序列;提取模块还用于在所述光照序列中,基于滑动窗口提取时域特征和频域特征,并将提取的所述时域特征和频域特征作为所述光照特征;从所述光照序列中提取目标窗口的光照变化率;将所述光照变化率的时域特征和频域特征作为所述光照变化特征。
16.根据权利要求15所述的隧道场景的定位装置,其特征在于,选取模块还用于从所述光照序列中选取目标窗口内的光照数据;处理模块还用于对所述目标窗口内的光照数据进行差分处理,得到光照变化率;提取模块还用于提取所述光照变化率的时域特征和频域特征,并将提取的所述时域特征和频域特征作为所述光照变化特征。
17.根据权利要求11所述的隧道场景的定位装置,其特征在于,获取模块还用于获取目标车辆在未驶入所述目标隧道的过程中采集的光照数据;或者,当所述分类结果表示所述目标车辆驶入所述目标隧道时,获取所述目标隧道外的光照强度阈值;确定模块还用于基于所述光照强度阈值,确定光照传感器的光照数据量级;获取模块还用于在所述目标车辆驶入所述目标隧道的过程中,获取所述光照传感器按照所述光照数据量级采集的光照数据。
18.根据权利要求11所述的隧道场景的定位装置,其特征在于,所述装置还包括:训练模块;获取模块还用于获取样本车辆行驶过程中采集的光照数据样本;训练模块,用于将所述光照数据样本和所述光照数据样本的标签作为训练集,并基于所述训练集对所述决策树模型进行训练。
19.根据权利要求18所述的隧道场景的定位装置,其特征在于,所述标签包括第一标签和第二标签;所述装置还包括:标记模块,用于响应于在路测应用界面中对入隧道控件的触发操作,对所述样本车辆驶入样本隧道时采集的光照数据样本进行标记,得到所述第一标签;响应于在所述路测应用界面中对出隧道控件的触发操作,对所述样本车辆驶出所述样本隧道时采集的光照数据样本进行标记,得到所述第二标签。
20.根据权利要求11至19任一项所述的隧道场景的定位装置,其特征在于,获取模块还用于获取所述目标车辆在行驶过程中采集的车道线信息;确定模块还用于确定所述车道线信息中的车道线类型与地图数据中不同指定区域的车道线类型之间的第一匹配分值;处理模块还用于对所述车道线信息中的车道线参数与所述地图数据中不同指定区域的车道线参数进行匹配处理,得到第二匹配分值;确定模块还用于基于所述第一匹配分值和所述第二匹配分值,确定所述目标车辆所处的车道。
21.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至10中任一项所述的方法的步骤。
22.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至10中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211240259.4A CN115311867B (zh) | 2022-10-11 | 2022-10-11 | 隧道场景的定位方法、装置、计算机设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211240259.4A CN115311867B (zh) | 2022-10-11 | 2022-10-11 | 隧道场景的定位方法、装置、计算机设备、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115311867A CN115311867A (zh) | 2022-11-08 |
CN115311867B true CN115311867B (zh) | 2023-01-10 |
Family
ID=83867909
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211240259.4A Active CN115311867B (zh) | 2022-10-11 | 2022-10-11 | 隧道场景的定位方法、装置、计算机设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115311867B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106908779A (zh) * | 2017-03-20 | 2017-06-30 | 中国科学院光电研究院 | 一种基于光强信号匹配的隧道内光感测距与定位装置 |
CN109309792A (zh) * | 2017-07-26 | 2019-02-05 | 比亚迪股份有限公司 | 车载摄像头的图像处理方法、装置及车辆 |
CN110164164A (zh) * | 2019-04-03 | 2019-08-23 | 浙江工业大学之江学院 | 利用摄像头拍摄功能增强手机导航软件识别复杂道路精准度的方法 |
CN110618434A (zh) * | 2019-10-30 | 2019-12-27 | 北京航空航天大学 | 一种基于激光雷达的隧道内定位系统及其定位方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3236210B1 (en) * | 2016-04-20 | 2020-08-05 | Honda Research Institute Europe GmbH | Navigation system and method for error correction |
US11951992B2 (en) * | 2021-01-05 | 2024-04-09 | Guangzhou Automobile Group Co., Ltd. | Vehicle positioning method and apparatus, storage medium, and electronic device |
-
2022
- 2022-10-11 CN CN202211240259.4A patent/CN115311867B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106908779A (zh) * | 2017-03-20 | 2017-06-30 | 中国科学院光电研究院 | 一种基于光强信号匹配的隧道内光感测距与定位装置 |
CN109309792A (zh) * | 2017-07-26 | 2019-02-05 | 比亚迪股份有限公司 | 车载摄像头的图像处理方法、装置及车辆 |
CN110164164A (zh) * | 2019-04-03 | 2019-08-23 | 浙江工业大学之江学院 | 利用摄像头拍摄功能增强手机导航软件识别复杂道路精准度的方法 |
CN110618434A (zh) * | 2019-10-30 | 2019-12-27 | 北京航空航天大学 | 一种基于激光雷达的隧道内定位系统及其定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115311867A (zh) | 2022-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Maddern et al. | 1 year, 1000 km: The oxford robotcar dataset | |
Geiger et al. | Vision meets robotics: The kitti dataset | |
Huang et al. | Deep learning driven visual path prediction from a single image | |
Yang et al. | Automatic change detection in lane-level road networks using GPS trajectories | |
Tian et al. | Dynamic crosswalk scene understanding for the visually impaired | |
CN114998744B (zh) | 基于运动与视觉双特征融合的农机轨迹田路分割方法及装置 | |
CN114518122A (zh) | 行车导航方法、装置、计算机设备、存储介质和计算机程序产品 | |
Cheng et al. | Recognizing road from satellite images by structured neural network | |
Panphattarasap et al. | Automated map reading: image based localisation in 2-D maps using binary semantic descriptors | |
Li et al. | Multi-view crowd congestion monitoring system based on an ensemble of convolutional neural network classifiers | |
Jamonnak et al. | Geo-context aware study of vision-based autonomous driving models and spatial video data | |
Minnikhanov et al. | Detection of traffic anomalies for a safety system of smart city | |
Ji et al. | Validation of global airport spatial locations from open databases using deep learning for runway detection | |
Balaska et al. | Self-localization based on terrestrial and satellite semantics | |
Bastani et al. | Inferring and improving street maps with data-driven automation | |
Yuan et al. | A novel approach to image-sequence-based mobile robot place recognition | |
Wang et al. | Critical areas detection and vehicle speed estimation system towards intersection-related driving behavior analysis | |
CN115203352B (zh) | 车道级定位方法、装置、计算机设备和存储介质 | |
CN115311867B (zh) | 隧道场景的定位方法、装置、计算机设备、存储介质 | |
Zheng et al. | Exploring OpenStreetMap availability for driving environment understanding | |
CN114356931A (zh) | 数据处理方法、装置、存储介质、处理器及电子装置 | |
Bag | Deep learning localization for self-driving cars | |
Wu et al. | Online map-matching assisted by object-based classification of driving scenario | |
de Mesquita et al. | Street pavement classification based on navigation through street view imagery | |
US20210200237A1 (en) | Feature coverage analysis |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40075664 Country of ref document: HK |