CN116007638B - 车辆轨迹地图匹配方法、装置、电子设备及车辆 - Google Patents

车辆轨迹地图匹配方法、装置、电子设备及车辆 Download PDF

Info

Publication number
CN116007638B
CN116007638B CN202310298234.8A CN202310298234A CN116007638B CN 116007638 B CN116007638 B CN 116007638B CN 202310298234 A CN202310298234 A CN 202310298234A CN 116007638 B CN116007638 B CN 116007638B
Authority
CN
China
Prior art keywords
target
observation probability
probability value
road
candidate road
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
Application number
CN202310298234.8A
Other languages
English (en)
Other versions
CN116007638A (zh
Inventor
丁帅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jidu Technology Co Ltd
Original Assignee
Beijing Jidu Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Jidu Technology Co Ltd filed Critical Beijing Jidu Technology Co Ltd
Priority to CN202310298234.8A priority Critical patent/CN116007638B/zh
Publication of CN116007638A publication Critical patent/CN116007638A/zh
Application granted granted Critical
Publication of CN116007638B publication Critical patent/CN116007638B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Navigation (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供了一种车辆轨迹地图匹配方法、装置、电子设备及车辆，涉及车辆技术领域。其中，所述方法包括：获取地图数据中车辆的目标轨迹点对应的多个候选路段，并获取所述目标轨迹点对应的图像数据的语义信息；确定目标候选路段对应的空间位置观测概率值，并确定所述语义信息指示的道路元素的道路元素观测概率值；基于所述目标候选路段对应的空间位置观测概率值及所述道路元素观测概率值确定所述目标候选路段对应的总观测概率值；基于所述目标候选路段对应的总观测概率值确定车辆轨迹的地图匹配结果。本申请能够提高地图匹配定位的鲁棒性和准确性。

Description

车辆轨迹地图匹配方法、装置、电子设备及车辆
技术领域
本申请涉及车辆技术领域，尤其涉及一种车辆轨迹地图匹配方法、装置、电子设备及车辆。
背景技术
地图匹配（Map Matching）定位技术是指将自动驾驶汽车行驶轨迹的传感器采样数据序列(如经纬度等)与地图路网匹配的过程。地图匹配定位技术将汽车定位信息与地图提供的道路位置信息进行比较，并采用适当算法确定汽车当前的行驶路段，校正定位误差，并为自动驾驶路径规划提供可靠依据。
相关技术中，将车辆行使轨迹中采样到的全球定位系统 (Global PositioningSystem，GPS)信号作为观测序列，将地图里的各个候选路段作为状态，并假设GPS信号噪声符合高斯分布以此来定义候选路段的观测概率，根据观测概率和状态转移概率建立出隐式马尔科夫模型进行地图匹配。然而，仅用GPS信号作为观测信号，导致地图匹配结果受GPS信号噪声影响较大，地图匹配定位的鲁棒性较差。
发明内容
本申请提供了一种车辆轨迹地图匹配方法、装置、电子设备及车辆。
根据本申请的第一方面，提供了一种车辆轨迹地图匹配方法，所述方法包括：
获取地图数据中车辆的目标轨迹点对应的多个候选路段，并获取所述目标轨迹点对应的图像数据的语义信息，所述图像数据为所述车辆的车载摄像头拍摄的图像数据，所述语义信息用于指示所述车载摄像头观测到的道路元素；
确定目标候选路段对应的空间位置观测概率值，并确定所述语义信息指示的道路元素的道路元素观测概率值，所述目标候选路段为所述多个候选路段中的任意一个候选路段，所述空间位置观测概率值用于指示在空间位置维度上所述目标轨迹点位于所述目标候选路段的概率值，所述道路元素观测概率值用于指示在道路元素维度上所述目标轨迹点位于所述目标候选路段的概率值；
基于所述目标候选路段对应的空间位置观测概率值及所述道路元素观测概率值确定所述目标候选路段对应的总观测概率值；
基于所述目标候选路段对应的总观测概率值确定车辆轨迹的地图匹配结果。
根据本申请的第二方面，提供了一种车辆轨迹地图匹配装置，所述装置包括：
获取模块，用于获取地图数据中车辆的目标轨迹点对应的多个候选路段，并获取所述目标轨迹点对应的图像数据的语义信息，所述图像数据为所述车辆的车载摄像头拍摄的图像数据，所述语义信息用于指示所述车载摄像头观测到的道路元素；
第一确定模块，用于确定目标候选路段对应的空间位置观测概率值，并确定所述语义信息指示的道路元素的道路元素观测概率值，所述目标候选路段为所述多个候选路段中的任意一个候选路段，所述空间位置观测概率值用于指示在空间位置维度上所述目标轨迹点位于所述目标候选路段的概率值，所述道路元素观测概率值用于指示在道路元素维度上所述目标轨迹点位于所述目标候选路段的概率值；
第二确定模块，用于基于所述目标候选路段对应的空间位置观测概率值及所述道路元素观测概率值确定所述目标候选路段对应的总观测概率值；
第三确定模块，用于基于所述目标候选路段对应的总观测概率值确定车辆轨迹的地图匹配结果。
根据本申请的第三方面，提供了一种电子设备，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本申请的第一方面所述的方法。
根据本申请的第四方面，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，其中，所述计算机指令用于使所述计算机执行本申请的第一方面所述的方法。
根据本申请的第五方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本申请的第一方面所述的方法。
根据本申请的第六方面，提供了一种车辆，被配置为执行本申请的第一方面所述的方法。
在本申请实施例中，获取地图数据中车辆的目标轨迹点对应的多个候选路段，并获取所述目标轨迹点对应的图像数据的语义信息；确定目标候选路段对应的空间位置观测概率值，并确定所述语义信息指示的道路元素的道路元素观测概率值；基于所述目标候选路段对应的空间位置观测概率值及所述道路元素观测概率值确定所述目标候选路段对应的总观测概率值；基于所述目标候选路段对应的总观测概率值确定车辆轨迹的地图匹配结果。这样，通过将车辆的车载摄像头拍摄的图像数据的语义信息结合空间位置观测概率值确定各个候选路段对应的总观测概率值，能够提高地图匹配定位的鲁棒性，且能够提高地图匹配定位的准确性。
附图说明
图1是本申请实施例提供的一种车辆轨迹地图匹配方法的流程示意图；
图2是本申请实施例提供的一种地图示意图；
图3是本申请实施例提供的一种车辆轨迹地图匹配装置的结构示意图；
图4是本申请实施例提供的一种电子设备的结构示意图；
图5是本申请实施例提供的一种车辆的结构示意图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请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，而不会背离本申请的范围和精神。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。
请参见图1，图1是本申请实施例提供的一种车辆轨迹地图匹配方法的流程图。本申请实施例的车辆轨迹地图匹配方法可以由车辆执行，具体可以由车辆的车机执行，也可以由车辆的相关控制器执行，例如专用于车辆控制的控制器执行，具体可根据实际情况确定。为方便理解，本申请实施例中以车机执行为例，对该车辆轨迹地图匹配方法进行说明，并不作具体限定。
如图1所示，车辆轨迹地图匹配方法包括以下步骤：
步骤101、获取地图数据中车辆的目标轨迹点对应的多个候选路段，并获取所述目标轨迹点对应的图像数据的语义信息，所述图像数据为所述车辆的车载摄像头拍摄的图像数据，所述语义信息用于指示所述车载摄像头观测到的道路元素。
其中，该地图数据可以为标准地图的地图数据，或者可以为高精地图的地图数据，或者可以为其他类型的地图的地图数据，本实施例对此不进行限定。地图可以是以节点和边的方式存储的有向图，每条边表示一个路段。车辆的目标轨迹点可以为车辆行使轨迹上的任意一个点。车辆的每个GPS信号可以对应一个车辆轨迹点，目标轨迹点可以是车辆的任意一个GPS信号对应的车辆轨迹点。
一种实施方式中，对于目标轨迹点，以目标轨迹点为中心，以一定范围为半径，在地图中查询该范围内的所有路段作为目标轨迹点对应的多个候选路段。该一定范围可以为预设范围，例如200米内，或者500米内，或者1000米内，等等，本实施例对此不进行限定。
相关技术中，基于隐式马尔科夫模型（HMM模型）的地图匹配技术中，将车辆行使轨迹中采样到的GPS信号作为观测序列，将地图里的各个候选路段作为状态，并假设GPS信号噪声符合高斯分布以此来定义候选路段的观测概率。该技术通过数据统计分析指出两个候选路段的状态转移概率符合该两个采样点的GPS距离与其候选路段距离之间的差值的指数分布。再根据观测概率和状态转移概率建立出隐式马尔科夫模型，通过维特比算法来计算出在当前观测序列下概率最大的状态序列，作为最可能的车辆行使轨迹。
本申请实施例中，将车载图像中观测到的语义信息与GPS信号相结合得到更合理的观测概率，能够提高地图匹配的准确性和鲁棒性。
另外，可以通过神经网络模型对车载摄像头拍摄的图像数据进行识别得到语义信息。示例地，可以通过卷积神经网络对车载摄像头拍摄的图像数据进行识别得到语义信息。该语义信息可以用于指示车道线、道路边线、地面箭头线、斑马线及交通信号灯等。
步骤102、确定目标候选路段对应的空间位置观测概率值，并确定所述语义信息指示的道路元素的道路元素观测概率值，所述目标候选路段为所述多个候选路段中的任意一个候选路段，所述空间位置观测概率值用于指示在空间位置维度上所述目标轨迹点位于所述目标候选路段的概率值，所述道路元素观测概率值用于指示在道路元素维度上所述目标轨迹点位于所述目标候选路段的概率值。
其中，目标候选路段对应的空间位置观测概率值，可以是，目标候选路段相对于目标轨迹点的空间位置观测概率值。所述语义信息指示的道路元素的道路元素观测概率值可以是目标候选路段相对于目标轨迹点的道路元素观测概率值。
另外，可以确定目标候选路段对应的距离观测概率值，所述距离观测概率值用于指示在最短距离维度上所述目标轨迹点位于所述目标候选路段的概率值，所述最短距离为所述目标轨迹点至所述目标候选路段的最短距离；可以基于所述目标候选路段对应的距离观测概率值确定目标候选路段对应的空间位置观测概率值。
步骤103、基于所述目标候选路段对应的空间位置观测概率值及所述道路元素观测概率值确定所述目标候选路段对应的总观测概率值。
其中，所述基于所述目标候选路段对应的空间位置观测概率值及所述道路元素观测概率值确定所述目标候选路段对应的总观测概率值，可以包括：在匹配高精地图的情况下，基于所述目标候选路段对应的空间位置观测概率值及所述道路元素观测概率值确定所述目标候选路段对应的总观测概率值；所述方法还可以包括：在匹配标准地图的情况下，基于所述目标候选路段对应的空间位置观测概率值确定所述目标候选路段对应的总观测概率值。
步骤104、基于所述目标候选路段对应的总观测概率值确定车辆轨迹的地图匹配结果。
其中，可以基于所述目标候选路段对应的总观测概率值及目标候选点对应的状态转移概率值采用维特比算法确定所述目标轨迹点位于所述目标候选路段的最大概率值，所述目标候选点为所述目标候选路段上距离所述目标轨迹点最近的点，基于所述多个候选路段对应的所述最大概率值确定车辆轨迹的地图匹配结果；或者，可以基于所述目标候选路段对应的总观测概率值及目标候选点对应的状态转移概率值采用维特比算法确定所述目标轨迹点位于所述目标候选路段的最大概率值，所述目标候选点为所述目标候选路段上距离所述目标轨迹点最近的点，在所述多个候选路段对应的所述最大概率值均小于第三预设值的情况下，对所述多个候选路段对应的所述最大概率值进行归一化处理，基于归一化处理后的所述多个候选路段对应的所述最大概率值确定车辆轨迹的地图匹配结果。
在本申请实施例中，获取地图数据中车辆的目标轨迹点对应的多个候选路段，并获取所述目标轨迹点对应的图像数据的语义信息；确定目标候选路段对应的空间位置观测概率值，并确定所述语义信息指示的道路元素的道路元素观测概率值；基于所述目标候选路段对应的空间位置观测概率值及所述道路元素观测概率值确定所述目标候选路段对应的总观测概率值；基于所述目标候选路段对应的总观测概率值确定车辆轨迹的地图匹配结果。这样，通过将车辆的车载摄像头拍摄的图像数据的语义信息结合空间位置观测概率值确定各个候选路段对应的总观测概率值，能够提高地图匹配定位的鲁棒性，且能够提高地图匹配定位的准确性。
可选地，在匹配高精地图的情况下，所述目标候选路段对应的总观测概率值基于所述目标候选路段对应的空间位置观测概率值及所述道路元素观测概率值的乘积确定；
和/或
在匹配标准地图的情况下，所述目标候选路段对应的总观测概率值为所述目标候选路段对应的空间位置观测概率值。
其中，所述语义信息指示的道路元素可以包括多个道路元素。所述道路元素观测概率值可以包括所述多个道路元素的道路元素观测概率值。在匹配高精地图的情况下，所述目标候选路段对应的总观测概率值可以为所述多个道路元素的道路元素观测概率值与所述目标候选路段对应的空间位置观测概率值的乘积；或者，所述目标候选路段对应的总观测概率值可以为所述多个道路元素的道路元素观测概率值、所述目标候选路段对应的空间位置观测概率值及预设系数的乘积。
一种实施方式中，所述道路元素包括车道线，地面导向标识及交通信号灯。所述多个道路元素的道路元素观测概率值包括车道线观测概率值，地面导向标识观测概率值及交通信号灯观测概率值。所述目标候选路段对应的总观测概率值可以为：第一乘积、第二乘积、第三乘积与第四乘积的乘积，第一乘积为第一系数与目标候选路段对应的空间位置观测概率值的乘积，第二乘积为第二系数与车道线观测概率值的乘积，第三乘积为第三系数与地面导向标识观测概率值的乘积，第四乘积为第四系数与交通信号灯观测概率值的乘积。第一系数、第二系数、第三系数和第四系数的和值可以为1。
该实施方式中，在匹配高精地图的情况下，所述目标候选路段对应的总观测概率值基于所述目标候选路段对应的空间位置观测概率值及所述道路元素观测概率值的乘积确定；和/或在匹配标准地图的情况下，所述目标候选路段对应的总观测概率值为所述目标候选路段对应的空间位置观测概率值。这样，能够区分匹配对象为高精地图或标准地图确定各个候选路段对应的空间位置观测概率值，使得本申请实施例的车辆轨迹地图匹配方法能够不仅适用于标准地图，还适用于高精地图。
可选地，所述语义信息指示的道路元素包括目标道路元素，所述确定所述语义信息指示的道路元素的道路元素观测概率值，包括：
确定第一值，所述第一值为第一最小值与第一最大值之间的比值，所述第一最小值为第一数量值与第二数量值中的最小值，所述第一最大值为第一数量值与第二数量值中的最大值，所述第一数量值为所述车载摄像头观测到的所述目标道路元素的数量值，所述第二数量值为所述目标候选路段上所述目标道路元素的数量值；
确定第二值，其中，在第一类型信息指示的道路元素类型与第二类型信息指示的道路元素类型相同的情况下，所述第二值为第一预设值，在所述第一类型信息指示的道路元素类型与所述第二类型信息指示的道路元素类型不相同的情况下，所述第二值为第二预设值，所述第一预设值大于所述第二预设值，所述第一类型信息为所述车载摄像头观测到的所述目标道路元素的类型信息，所述第二类型信息为所述目标候选路段上所述目标道路元素的类型信息；
基于所述第一值和所述第二值确定所述目标道路元素的道路元素观测概率值。
其中，若车载图像指示无目标道路元素，且候选路段上无目标道路元素，则可以将目标道路元素的道路元素观测概率值置为1；若车载图像指示存在目标道路元素，或候选路段上存在目标道路元素，则可以基于所述第一值和所述第二值确定所述目标道路元素的道路元素观测概率值。
另外，所述目标道路元素的道路元素观测概率值可以为所述第一值和所述第二值的乘积，或者所述目标道路元素的道路元素观测概率值可以为所述第一值和所述第二值的乘积与预设系数的乘积，该预设系数可以根据地图匹配的实际需求设置。
另外，目标道路元素可以为车道线，地面导向标识，或者交通信号灯。示例地，目标道路元素可以为车道线，第一数量值可以为所述车载摄像头观测到的车道线数量，第二数量值可以为目标候选路段上的车道线数量，第一类型信息可以为所述车载摄像头观测到的车道线类型信息，所述第二类型信息可以为所述目标候选路段上的车道线的类型信息；示例地，目标道路元素可以为地面导向标识，第一数量值可以为所述车载摄像头观测到的地面导向标识数量，第二数量值可以为目标候选路段上的地面导向标识数量，第一类型信息可以为所述车载摄像头观测到的地面导向标识的类型信息，所述第二类型信息可以为所述目标候选路段上的地面导向标识的类型信息；示例地，目标道路元素可以为交通信号灯，第一数量值可以为所述车载摄像头观测到的交通信号灯数量，第二数量值可以为目标候选路段上的交通信号灯数量，第一类型信息可以为所述车载摄像头观测到的交通信号灯的类型信息，所述第二类型信息可以为所述目标候选路段上的交通信号灯的类型信息。
该实施方式中，通过车载摄像头观测到的所述目标道路元素的数量值及所述目标候选路段上所述目标道路元素的数量值，以及车载摄像头观测到的所述目标道路元素的类型信息及目标候选路段上所述目标道路元素的类型信息共同确定目标道路元素的道路元素观测概率值，能够较为准确地确定在道路元素维度上所述目标轨迹点位于所述目标候选路段的概率。
可选地，所述道路元素包括如下至少一项：
车道线，地面导向标识，交通信号灯。
其中，地面导向标识可以包括地面箭头线或其他可用于地面导向的标识。
该实施方式中，道路元素包括如下至少一项：车道线标识，地面导向标识，交通信号灯。由于车道线标识，地面导向标识及交通信号灯均能够较好地体现道路特征，从而结合道路元素进行地图匹配，能够提高地图匹配定位的鲁棒性，且能够提高地图匹配定位的准确性。
可选地，所述确定目标候选路段对应的空间位置观测概率值，包括：
确定目标候选路段对应的距离观测概率值，所述距离观测概率值用于指示在最短距离维度上所述目标轨迹点位于所述目标候选路段的概率值，所述最短距离为所述目标轨迹点至所述目标候选路段的最短距离；
基于所述目标候选路段对应的距离观测概率值确定目标候选路段对应的空间位置观测概率值。
其中，目标候选路段对应的距离观测概率值可以为目标候选路段相对于目标轨迹点的距离观测概率值。目标候选路段对应的空间位置观测概率值可以为目标候选路段对应的距离观测概率值；或者，在基于所述车载摄像头拍摄的图像数据预测所述目标轨迹点位于第一候选路段或第二候选路段的情况下，基于目标候选路段为第一候选路段或第二候选路段，及目标候选路段对应的距离观测概率值确定目标候选路段对应的空间位置观测概率值；在基于所述车载摄像头拍摄的图像数据确定所述车辆的行驶路段为主路或辅路的情况下，基于目标候选路段为主路或辅路，及目标候选路段对应的距离观测概率值确定目标候选路段对应的空间位置观测概率值；在基于所述车载摄像头拍摄的图像数据预测所述目标轨迹点不是位于第一候选路段或第二候选路段，且基于所述车载摄像头拍摄的图像数据确定所述车辆的行驶路段不为主路或辅路的情况下，目标候选路段对应的空间位置观测概率值可以为目标候选路段对应的距离观测概率值。所述第一候选路段为在所述车辆的行驶方向上位于交叉路口之前的候选路段，所述第二候选路段为在所述车辆的行驶方向上位于交叉路口之后的候选路段。
一种实施方式中，可以认为车辆轨迹点与其候选路段上的候选点之间的距离服从高斯分布，候选点为候选路段上距离目标轨迹点最近的点，候选路段对应的距离观测概率值可以是候选路段相对于目标轨迹点的距离观测概率，候选路段对应的距离观测概率值可以如下计算：
Figure SMS_1
;
其中，
Figure SMS_2
表示第i个车辆轨迹点的第j个候选路段上的候选点，
Figure SMS_3
表示第i个车辆轨迹点与候选点
Figure SMS_4
之间的距离，
Figure SMS_5
和
Figure SMS_6
分别表示距离的均值和标准差，
Figure SMS_7
表示第j个候选路段相对于第i个车辆轨迹点的距离观测概率。
该实施方式中，确定目标候选路段对应的距离观测概率值，基于所述目标候选路段对应的距离观测概率值确定目标候选路段对应的空间位置观测概率值，从而能够基于空间位置观测概率值确定各个候选路段对应的总观测概率值。
可选地，在基于所述车载摄像头拍摄的图像数据预测所述目标轨迹点位于第一候选路段的情况下，若所述目标候选路段为所述第一候选路段，则所述目标候选路段对应的空间位置观测概率值为第一权重与所述目标候选路段对应的距离观测概率值的乘积；若所述目标候选路段为第二候选路段，则所述目标候选路段对应的空间位置观测概率值为第二权重与所述目标候选路段对应的距离观测概率值的乘积；
和/或
在基于所述车载摄像头拍摄的图像数据预测所述目标轨迹点位于第二候选路段的情况下，若所述目标候选路段为第一候选路段，则所述目标候选路段对应的空间位置观测概率值为所述第二权重与所述目标候选路段对应的距离观测概率值的乘积；若所述目标候选路段为所述第二候选路段，则所述目标候选路段对应的空间位置观测概率值为所述第一权重与所述目标候选路段对应的距离观测概率值的乘积；
其中，所述第一候选路段为在所述车辆的行驶方向上位于交叉路口之前的候选路段，所述第二候选路段为在所述车辆的行驶方向上位于交叉路口之后的候选路段，所述第一权重大于所述第二权重。
其中，可以在目标轨迹点与交叉路口之间的距离小于预设距离，且基于所述车载摄像头拍摄的图像数据判断斑马线位于车辆前方的情况下，预测所述目标轨迹点位于第一候选路段，该预设距离可以根据实际情况设置，示例地，可以设置为1米，3米或5米；在目标轨迹点与交叉路口之间的距离小于预设距离，且基于所述车载摄像头拍摄的图像数据判断斑马线位于车辆后方或不存在斑马线的情况下，预测所述目标轨迹点位于第二候选路段。
另外，第一权重和第二权重的和值可以为1。示例地，第一权重可以设置为0.9，第二权重可以设置为0.1；或者第一权重可以设置为0.8，第二权重可以设置为0.2；第一权重可以设置为0.7，第二权重可以设置为0.3；等等，本实施例对第一权重和第二权重的具体取值不进行限定。
该实施方式中，基于所述车载摄像头拍摄的图像数据预测所述目标轨迹点位于第一候选路段或第二候选路段，基于不同的预测结果以及候选路段是在所述车辆的行驶方向上位于交叉路口之前的候选路段或是在所述车辆的行驶方向上位于交叉路口之后的候选路段，确定各个候选路段对应的空间位置观测概率值，能够结合车辆的车载摄像头拍摄的图像数据较为准确地确定各个候选路段对应的空间位置观测概率值。
可选地，在基于所述车载摄像头拍摄的图像数据确定所述车辆的行驶路段为主路的情况下，若所述目标候选路段为主路，则所述目标候选路段对应的空间位置观测概率值为第三权重与所述目标候选路段对应的距离观测概率值的乘积；若所述目标候选路段为辅路，则所述目标候选路段对应的空间位置观测概率值为第四权重与所述目标候选路段对应的距离观测概率值的乘积；
和/或
在基于所述车载摄像头拍摄的图像数据确定所述车辆的行驶路段为辅路的情况下，若所述目标候选路段为主路，则所述目标候选路段对应的空间位置观测概率值为所述第四权重与所述目标候选路段对应的距离观测概率值的乘积；若所述目标候选路段为辅路，则所述目标候选路段对应的空间位置观测概率值为所述第三权重与所述目标候选路段对应的距离观测概率值的乘积；
其中，所述第三权重大于所述第四权重。
其中，可以在目标轨迹点与主路或辅路之间的距离小于预设距离的情况下，基于所述车载摄像头拍摄的图像数据预测车辆的行驶路段为主路或辅路，该预设距离可以根据实际情况设置，示例地，可以设置为1米，3米或5米。可以根据车载摄像头拍摄的图像数据中的道路宽度或道路标识等预测车辆的行驶路段为主路或辅路。
另外，第三权重和第四权重的和值可以为1。示例地，第三权重可以设置为0.9，第四权重可以设置为0.1；或者第三权重可以设置为0.8，第四权重可以设置为0.2；第三权重可以设置为0.7，第四权重可以设置为0.3；等等，本实施例对第三权重和第四权重的具体取值不进行限定。
该实施方式中，基于车载摄像头拍摄的图像数据确定所述车辆的行驶路段为主路或辅路，基于确定结果以及候选路段为主路或辅路确定各个候选路段对应的空间位置观测概率值，能够结合车辆的车载摄像头拍摄的图像数据较为准确地确定各个候选路段对应的空间位置观测概率值。
可选地，所述基于所述目标候选路段对应的总观测概率值确定车辆轨迹的地图匹配结果，包括：
基于所述目标候选路段对应的总观测概率值及目标候选点对应的状态转移概率值采用维特比算法确定所述目标轨迹点位于所述目标候选路段的最大概率值，所述目标候选点为所述目标候选路段上距离所述目标轨迹点最近的点；
在所述多个候选路段对应的所述最大概率值均小于第三预设值的情况下，对所述多个候选路段对应的所述最大概率值进行归一化处理；
基于归一化处理后的所述多个候选路段对应的所述最大概率值确定车辆轨迹的地图匹配结果。
需要说明的是，维特比算法通过不断的累乘观测概率和状态转移概率并选取最大概率，而由于观测概率和状态转移概率都是小于1的值，当车辆轨迹点较多时，会导致随着状态转移过程累乘概率值无限趋近于0，而受限于PC端浮点数的精度问题，无限趋近于0的概率值都会变成0去存储，进而无法区分最大概率值。该实施方式中在累乘到某一个轨迹点的候选路段时，如果此时所有候选路段中的最大概率小于1e-10，则将此时该轨迹点的所有候选路段的概率值进行归一化处理，然后继续进行状态转移求解，最后将累乘概率最大的车辆候选路径作为车辆轨迹地图匹配的结果。
该实施方式中，在所述多个候选路段对应的所述最大概率值均小于第三预设值的情况下，对所述多个候选路段对应的所述最大概率值进行归一化处理，基于归一化处理后的所述多个候选路段对应的所述最大概率值确定车辆轨迹的地图匹配结果，从而实现对维特比（Viterbi）算法进行改进，通过将累乘概率值进行归一化处理策略，使其可以避免累乘概率值无限趋近于零的情况，从而可以进一步提高地图匹配定位的准确性。
作为一种具体的实施例，车辆轨迹地图匹配方法包括如下步骤：
（1）：根据现有的地图和车辆行使轨迹，获取地图中轨迹点对应的候选路段信息，并通过卷积神经网络获取车载摄像头拍摄的图像上的语义信息。具体可细分为以下几个步骤：
（1.1）：准备地图数据；
假定地图是以节点和边的方式存储的有向图，每条边表示一个路段。
（1.2）：获取轨迹点对应的候选路段；
车辆每个GPS信号对应一个车辆原始轨迹点
Figure SMS_8
（也可描述为车辆轨迹点
Figure SMS_9
），对于每一个车辆原始轨迹点
Figure SMS_10
，以当前轨迹点（即车辆轨迹点
Figure SMS_11
）为中心，以一定范围为半径，在地图中查询该范围内的所有路段作为当前轨迹点的候选路段。对于每一条候选路段，将候选路段上距离当前轨迹点最近的点定义为该候选路段上的候选点。轨迹点
Figure SMS_12
为第i个轨迹点，i为正整数。
（1.3）：获取车载摄像头拍摄的图像的语义信息；
车载摄像头拍摄的图像可以简述为车载图像。车辆在每个轨迹点上均有相对应的车载图像，通过卷积神经网络对车载图像进行识别，可识别得到车载图像的语义信息，该语义信息可以用于指示车道线、道路边线、地面箭头线、斑马线及交通信号灯等，识别得到的语义信息可作为该车载图像的观测信息。
（2）：根据车载图像上观测到的语义信息和车辆GPS信号计算观测概率以及状态转移概率，并根据地图为标准地图或高精地图分别执行不同的观测概率计算。具体的，计算观测概率；判断地图是否是高精地图；若是，则分别计算车道线观测概率、地面箭头线观测概率及交通信号灯观测概率，再计算空间位置观测概率；若否，则直接计算空间位置观测概率。可细分为以下几个步骤：
（2.1）：假如地图是标准地图，每条路段仅对应存储有空间位置信息, 则具体计算步骤如下：
（2.1.1）：计算候选路段相对于车辆轨迹点的空间位置观测概率；
假设车辆轨迹点与其候选路段上的候选点之间的距离服从高斯分布，则候选路段相对于车辆轨迹点的距离观测概率计算如下：
Figure SMS_13
;
其中，
Figure SMS_14
表示第i个原始轨迹点的第j个候选路段上的候选点，
Figure SMS_15
表示第i个原始轨迹点与候选点
Figure SMS_16
之间的距离，
Figure SMS_17
和
Figure SMS_18
分别表示距离的均值和标准差，
Figure SMS_19
表示第j个候选路段相对于第i个车辆轨迹点的距离观测概率。
另外，如下两种情况下计算候选路段相对于车辆轨迹点的空间位置观测概率的方式如下：
情况1：若车辆的某个轨迹点是在一个路口附近，示例地，如图2中的轨迹点
Figure SMS_20
，并且通过车载图像观测到路口处的斑马线是位于车辆前方，则可以认为该轨迹点大概率是位于未过路口的候选路段上，如图2中路段a，而不是位于已过路口的候选路段上，如图2中路段b。
Figure SMS_21
，
Figure SMS_22
，
Figure SMS_23
，
Figure SMS_24
分别代表不同的车辆轨迹点，a，b，c，d分别为不同的候选路段。空间位置观测概率计算如下：
Figure SMS_25
;
若车辆的某个轨迹点是在一个路口附近，且通过车载图像未观测到路口处的斑马线是位于车辆前方，则可以认为该轨迹点大概率是位于已过路口的候选路段上，空间位置观测概率计算如下：
Figure SMS_26
;
其中，
Figure SMS_28
为候选路段a相对于车辆轨迹点
Figure SMS_32
的空间位置观测概率，
Figure SMS_33
为候选路段b相对于车辆轨迹点
Figure SMS_27
的空间位置观测概率，
Figure SMS_30
为候选路段a相对于车辆轨迹点
Figure SMS_31
的距离观测概率，
Figure SMS_34
为表示候选路段b相对于车辆轨迹点
Figure SMS_29
的距离观测概率。
情况2：若车辆的某个轨迹点附近有主路和辅路，如图2中轨迹点
Figure SMS_35
和候选路段c、d，则可以根据车载图像的观测信息判断当前行驶路段是主路还是辅路，若根据观测信息判断为主路，则空间位置观测概率计算如下：
Figure SMS_36
;
若根据观测信息判断为辅路，则空间位置观测概率计算如下：
Figure SMS_37
；
其中，
Figure SMS_38
为候选路段c相对于车辆轨迹点
Figure SMS_41
的空间位置观测概率，
Figure SMS_43
为候选路段d相对于车辆轨迹点
Figure SMS_40
的空间位置观测概率，
Figure SMS_42
为候选路段c相对于车辆轨迹点
Figure SMS_44
的距离观测概率，
Figure SMS_45
为候选路段d相对于车辆轨迹点
Figure SMS_39
的距离观测概率。
需要说明的是，若车辆轨迹点不属于情况1和情况2，则候选路段相对于车辆轨迹点的空间位置观测概率等于其距离观测概率:
Figure SMS_46
;
其中，
Figure SMS_47
为候选路段j相对于车辆轨迹点
Figure SMS_48
的空间位置观测概率。
（2.1.2）：计算候选点之间的状态转移概率；
候选点
Figure SMS_49
到候选点
Figure SMS_50
的状态转移概率的计算方式如下：
Figure SMS_51
;
其中，
Figure SMS_53
表示车辆轨迹点
Figure SMS_60
与
Figure SMS_64
之间的直线距离，
Figure SMS_55
表示第i个车辆轨迹点
Figure SMS_57
的第s个候选点，
Figure SMS_62
表示第i+1个车辆轨迹点
Figure SMS_63
的第t个候选点；
Figure SMS_54
表示候选点
Figure SMS_56
和候选点
Figure SMS_58
之间的最短路径距离；min和max分别为求取最小值、最大值的函数；
Figure SMS_61
为候选点
Figure SMS_52
到候选点
Figure SMS_59
的状态转移概率。
（2.2）：若地图是高精地图，每条路段不仅对应存储有空间位置信息，还存储有该路段上的语义信息，例如用于指示车道线、地面箭头线、交通信号灯等的语义信息，则在如步骤（2.1）中计算候选路段相对于车辆轨迹点的空间位置观测概率和候选点之间的状态转移概率之外，还将车载图像的语义信息与其候选路段的语义信息进行对比并计算出各个语义元素的观测概率。具体可细分为以下几个步骤：
（2.2.1）：计算车辆轨迹点的车道线观测概率；
若车载图像指示无车道线，且候选路段上无车道线，则可以将车道线观测概率置为1 (
Figure SMS_65
)；否则计算车道线观测概率如下：
Figure SMS_66
;
Figure SMS_67
;
Figure SMS_68
;
其中，
Figure SMS_70
为从车辆轨迹点
Figure SMS_73
的车载图像上观测到的车道线数量，
Figure SMS_77
为车辆轨迹点
Figure SMS_71
对应的第j个候选路段上的车道线数量，
Figure SMS_74
为从车辆轨迹点
Figure SMS_78
的车载图像上观测到的车道线类型，
Figure SMS_81
为车辆轨迹点
Figure SMS_69
对应的第j个候选路段上的车道线类型。
Figure SMS_75
为候选路段j相对于车辆轨迹点
Figure SMS_80
的车道线数量观测概率，
Figure SMS_82
为候选路段j相对于车辆轨迹点
Figure SMS_72
的车道线类型观测概率，
Figure SMS_76
为候选路段j相对于车辆轨迹点
Figure SMS_79
的车道线观测概率。
（2.2.2）：计算车辆轨迹点的交通信号灯观测概率；
若车载图像指示无交通信号灯，且候选路段上无交通信号灯，则可以将交通信号灯观测概率置为1 (
Figure SMS_83
1); 否则计算交通信号灯观测概率如下：
Figure SMS_84
;
Figure SMS_85
;
Figure SMS_86
;
其中，
Figure SMS_88
为从车辆轨迹点
Figure SMS_91
的车载图像上观测到的交通信号灯数量，
Figure SMS_99
为车辆轨迹点
Figure SMS_90
对应的第j个候选路段上的交通信号灯数量，
Figure SMS_92
为从车辆轨迹点
Figure SMS_95
的车载图像上观测到的交通信号灯类型，
Figure SMS_98
为车辆轨迹点
Figure SMS_87
对应的第j个候选路段上的交通信号灯类型。
Figure SMS_96
为候选路段j相对于车辆轨迹点
Figure SMS_97
的交通信号灯数量观测概率，
Figure SMS_100
为候选路段j相对于车辆轨迹点
Figure SMS_89
的交通信号灯类型观测概率，
Figure SMS_93
为候选路段j相对于车辆轨迹点
Figure SMS_94
的交通信号灯观测概率。
（2.2.3）：计算车辆轨迹点的地面箭头线观测概率；
若车载图像指示无地面箭头线，且候选路段上无地面箭头线，则可以将地面箭头线观测概率置为1 (
Figure SMS_101
1)；否则计算地面箭头线观测概率如下：
Figure SMS_102
;
Figure SMS_103
;
Figure SMS_104
;
其中，
Figure SMS_106
为从车辆轨迹点
Figure SMS_116
的车载图像上观测到的地面箭头线数量，
Figure SMS_118
为车辆轨迹点
Figure SMS_107
对应的第j个候选路段上的地面箭头线数量，
Figure SMS_110
为从车辆轨迹点
Figure SMS_115
的车载图像上观测到的地面箭头线类型，
Figure SMS_117
为车辆轨迹点
Figure SMS_105
对应的第j个候选路段上的地面箭头线类型。
Figure SMS_109
为候选路段j相对于车辆轨迹点
Figure SMS_112
的地面箭头线数量观测概率，
Figure SMS_113
为候选路段j相对于车辆轨迹点
Figure SMS_108
的地面箭头线类型观测概率，
Figure SMS_111
为候选路段j相对于车辆轨迹点
Figure SMS_114
的地面箭头线观测概率。
（3）：建立总的观测概率矩阵，并通过改进维特比算法求解出最可能的车辆候选轨迹。具体可细分为以下几个步骤：
（3.1）：计算候选路段的总观测概率；
针对标准地图，轨迹点
Figure SMS_119
对应的候选路段j的总观测概率等于其空间位置观测概率：
Figure SMS_120
;
针对高精地图，每个候选路段的总观测概率为步骤（2.2）中各个观测概率（车道线观测概率、交通信号灯观测概率及地面箭头线观测概率）与其空间位置观测概率的乘积，计算公式如下：
Figure SMS_121
;
其中
Figure SMS_122
、
Figure SMS_123
、
Figure SMS_124
、
Figure SMS_125
为权重系数，满足
Figure SMS_126
。
（3.2）：总状态转移概率计算如步骤（2.12）中的
Figure SMS_127
。
（3.3）：通过改进维特比(Viterbi)算法求解最可能的车辆候选轨迹；
其中，维特比算法是一种动态规划算法，该算法的状态转移方程如下：
Figure SMS_128
;
Figure SMS_129
;
其中，N为候选路段的个数，
Figure SMS_130
为在当前轨迹点
Figure SMS_131
位于其对应的第j个候选路段时的最大概率，
Figure SMS_132
为前一个轨迹点
Figure SMS_133
位于其对应的第s个候选路段时的最大概率，
Figure SMS_134
为
Figure SMS_135
取最大概率时前一个轨迹点所位于的候选路段。现有的维特比算法需要不断的累乘观测概率和状态转移概率并选取最大概率，而由于观测概率和状态转移概率都是小于1的值，当车辆原始轨迹点较多时，会导致随着状态转移过程累乘概率值无限趋近于0，而受限于PC端浮点数的精度问题，无限趋近于0的概率值都会变成0去存储，进而无法区分最大概率值。本申请实施例中，在累乘到某一个轨迹点的候选路段时，如果此时所有候选路段中的最大概率小于1e-10，则将此时该轨迹点的所有候选路段的概率值进行归一化处理，然后继续进行状态转移求解，最后将累乘概率最大的车辆候选路径（由此时每个轨迹点所对应的候选路段组成），作为车辆轨迹地图匹配的结果。
在本申请实施例中，准备地图数据；遍历所有车辆轨迹点，对于每一个车辆轨迹点，获取地图里对应的候选路段；计算候选路段的状态转移概率，并针对每一个（轨迹点，候选路段）匹配对，计算其观测概率；通过改进的维特比算法求解最可能的车辆候选轨迹，能够提高地图匹配定位的准确性和鲁棒性。
本申请实施例中，将GPS信号数据和车载图像中的语义信息一起融合进HMM模型的观测概率的计算里，并且针对标准地图和高精地图分别提出了不同的观测概率的计算方式，能够提高地图匹配定位的准确性和鲁棒性。
参见图3，图3是本申请实施例提供的车辆轨迹地图匹配装置的结构图。
如图3所示，车辆轨迹地图匹配装置300包括：
获取模块301，用于获取地图数据中车辆的目标轨迹点对应的多个候选路段，并获取所述目标轨迹点对应的图像数据的语义信息，所述图像数据为所述车辆的车载摄像头拍摄的图像数据，所述语义信息用于指示所述车载摄像头观测到的道路元素；
第一确定模块302，用于确定目标候选路段对应的空间位置观测概率值，并确定所述语义信息指示的道路元素的道路元素观测概率值，所述目标候选路段为所述多个候选路段中的任意一个候选路段，所述空间位置观测概率值用于指示在空间位置维度上所述目标轨迹点位于所述目标候选路段的概率值，所述道路元素观测概率值用于指示在道路元素维度上所述目标轨迹点位于所述目标候选路段的概率值；
第二确定模块303，用于基于所述目标候选路段对应的空间位置观测概率值及所述道路元素观测概率值确定所述目标候选路段对应的总观测概率值；
第三确定模块304，用于基于所述目标候选路段对应的总观测概率值确定车辆轨迹的地图匹配结果。
可选地，在匹配高精地图的情况下，所述目标候选路段对应的总观测概率值基于所述目标候选路段对应的空间位置观测概率值及所述道路元素观测概率值的乘积确定；
和/或
在匹配标准地图的情况下，所述目标候选路段对应的总观测概率值为所述目标候选路段对应的空间位置观测概率值。
可选地，所述语义信息指示的道路元素包括目标道路元素，所述第一确定模块具体用于：
确定第一值，所述第一值为第一最小值与第一最大值之间的比值，所述第一最小值为第一数量值与第二数量值中的最小值，所述第一最大值为第一数量值与第二数量值中的最大值，所述第一数量值为所述车载摄像头观测到的所述目标道路元素的数量值，所述第二数量值为所述目标候选路段上所述目标道路元素的数量值；
确定第二值，其中，在第一类型信息指示的道路元素类型与第二类型信息指示的道路元素类型相同的情况下，所述第二值为第一预设值，在所述第一类型信息指示的道路元素类型与所述第二类型信息指示的道路元素类型不相同的情况下，所述第二值为第二预设值，所述第一预设值大于所述第二预设值，所述第一类型信息为所述车载摄像头观测到的所述目标道路元素的类型信息，所述第二类型信息为所述目标候选路段上所述目标道路元素的类型信息；
基于所述第一值和所述第二值确定所述目标道路元素的道路元素观测概率值。
可选地，所述道路元素包括如下至少一项：
车道线，地面导向标识，交通信号灯。
可选地，所述第一确定模块具体用于：
确定目标候选路段对应的距离观测概率值，所述距离观测概率值用于指示在最短距离维度上所述目标轨迹点位于所述目标候选路段的概率值，所述最短距离为所述目标轨迹点至所述目标候选路段的最短距离；
基于所述目标候选路段对应的距离观测概率值确定目标候选路段对应的空间位置观测概率值。
可选地，在基于所述车载摄像头拍摄的图像数据预测所述目标轨迹点位于第一候选路段的情况下，若所述目标候选路段为所述第一候选路段，则所述目标候选路段对应的空间位置观测概率值为第一权重与所述目标候选路段对应的距离观测概率值的乘积；若所述目标候选路段为第二候选路段，则所述目标候选路段对应的空间位置观测概率值为第二权重与所述目标候选路段对应的距离观测概率值的乘积；
和/或
在基于所述车载摄像头拍摄的图像数据预测所述目标轨迹点位于第二候选路段的情况下，若所述目标候选路段为第一候选路段，则所述目标候选路段对应的空间位置观测概率值为所述第二权重与所述目标候选路段对应的距离观测概率值的乘积；若所述目标候选路段为所述第二候选路段，则所述目标候选路段对应的空间位置观测概率值为所述第一权重与所述目标候选路段对应的距离观测概率值的乘积；
其中，所述第一候选路段为在所述车辆的行驶方向上位于交叉路口之前的候选路段，所述第二候选路段为在所述车辆的行驶方向上位于交叉路口之后的候选路段，所述第一权重大于所述第二权重。
可选地，在基于所述车载摄像头拍摄的图像数据确定所述车辆的行驶路段为主路的情况下，若所述目标候选路段为主路，则所述目标候选路段对应的空间位置观测概率值为第三权重与所述目标候选路段对应的距离观测概率值的乘积；若所述目标候选路段为辅路，则所述目标候选路段对应的空间位置观测概率值为第四权重与所述目标候选路段对应的距离观测概率值的乘积；
和/或
在基于所述车载摄像头拍摄的图像数据确定所述车辆的行驶路段为辅路的情况下，若所述目标候选路段为主路，则所述目标候选路段对应的空间位置观测概率值为所述第四权重与所述目标候选路段对应的距离观测概率值的乘积；若所述目标候选路段为辅路，则所述目标候选路段对应的空间位置观测概率值为所述第三权重与所述目标候选路段对应的距离观测概率值的乘积；
其中，所述第三权重大于所述第四权重。
可选地，所述第三确定模块具体用于：
基于所述目标候选路段对应的总观测概率值及目标候选点对应的状态转移概率值采用维特比算法确定所述目标轨迹点位于所述目标候选路段的最大概率值，所述目标候选点为所述目标候选路段上距离所述目标轨迹点最近的点；
在所述多个候选路段对应的所述最大概率值均小于第三预设值的情况下，对所述多个候选路段对应的所述最大概率值进行归一化处理；
基于归一化处理后的所述多个候选路段对应的所述最大概率值确定车辆轨迹的地图匹配结果。
车辆轨迹地图匹配装置300能够实现上述方法实施例的各个过程，以及达到相同的有益效果，为避免重复，这里不再赘述。
本申请的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
根据本申请的实施例，本申请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。
图4示出了可以用来实施本申请的实施例的示例电子设备400的示意性框图。电子设备旨在表示各种形式的数字计算机，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/或者要求的本申请的实现。
如图4所示，电子设备400包括计算单元401，其可以根据存储在只读存储器（ROM）402中的计算机程序或者从存储单元408加载到随机访问存储器（RAM）403中的计算机程序，来执行各种适当的动作和处理。在RAM 403中，还可存储电子设备400操作所需的各种程序和数据。计算单元401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出（I/O）接口405也连接至总线404。
电子设备400中的多个部件连接至I/O接口405，包括：输入单元406，例如键盘、鼠标等；输出单元407，例如各种类型的显示器、扬声器等；存储单元408，例如磁盘、光盘等；以及通信单元409，例如网卡、调制解调器、无线通信收发机等。通信单元409允许电子设备400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。
计算单元401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401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401执行上文所描述的各个方法和处理，例如车辆轨迹地图匹配方法。例如，在一些实施例中，车辆轨迹地图匹配方法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408。在一些实施例中，计算机程序的部分或者全部可以经由ROM 402和/或通信单元409而被载入和/或安装到电子设备400上。当计算机程序加载到RAM 403并由计算单元401执行时，可以执行上文描述的车辆轨迹地图匹配方法的一个或多个步骤。备选地，在其他实施例中，计算单元401可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行车辆轨迹地图匹配方法。
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、现场可编程门阵列（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。
用于实施本申请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。
在本申请的上下文中，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存储介质。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执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
根据本申请的实施例，本申请还提供了一种车辆，其被配置为执行本申请实施例提供的车辆轨迹地图匹配方法，可选地，如图5所示，该车辆500可以包括计算单元501、ROM502、RAM503、总线504、I/O接口505、输入单元506、输出单元507、存储单元508和通信单元509。上述各部分的具体实施方式可以参照上述实施例中对电子设备的各部分的说明，为避免重复，在此不再赘述。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (11)

1.一种车辆轨迹地图匹配方法，其特征在于，所述方法包括：
获取地图数据中车辆的目标轨迹点对应的多个候选路段，并获取所述目标轨迹点对应的图像数据的语义信息，所述图像数据为所述车辆的车载摄像头拍摄的图像数据，所述语义信息用于指示所述车载摄像头观测到的道路元素；
确定目标候选路段对应的空间位置观测概率值，并确定所述语义信息指示的道路元素的道路元素观测概率值，所述目标候选路段为所述多个候选路段中的任意一个候选路段，所述空间位置观测概率值用于指示在空间位置维度上所述目标轨迹点位于所述目标候选路段的概率值，所述道路元素观测概率值用于指示在道路元素维度上所述目标轨迹点位于所述目标候选路段的概率值；
基于所述目标候选路段对应的空间位置观测概率值及所述道路元素观测概率值确定所述目标候选路段对应的总观测概率值；
基于所述目标候选路段对应的总观测概率值确定车辆轨迹的地图匹配结果；
其中，所述语义信息指示的道路元素包括目标道路元素，所述确定所述语义信息指示的道路元素的道路元素观测概率值，包括：
确定第一值，所述第一值为第一最小值与第一最大值之间的比值，所述第一最小值为第一数量值与第二数量值中的最小值，所述第一最大值为第一数量值与第二数量值中的最大值，所述第一数量值为所述车载摄像头观测到的所述目标道路元素的数量值，所述第二数量值为所述目标候选路段上所述目标道路元素的数量值；
确定第二值，其中，在第一类型信息指示的道路元素类型与第二类型信息指示的道路元素类型相同的情况下，所述第二值为第一预设值，在所述第一类型信息指示的道路元素类型与所述第二类型信息指示的道路元素类型不相同的情况下，所述第二值为第二预设值，所述第一预设值大于所述第二预设值，所述第一类型信息为所述车载摄像头观测到的所述目标道路元素的类型信息，所述第二类型信息为所述目标候选路段上所述目标道路元素的类型信息；
基于所述第一值和所述第二值确定所述目标道路元素的道路元素观测概率值。
2.根据权利要求1所述的方法，其特征在于，在匹配高精地图的情况下，所述目标候选路段对应的总观测概率值基于所述目标候选路段对应的空间位置观测概率值及所述道路元素观测概率值的乘积确定；
和/或
在匹配标准地图的情况下，所述目标候选路段对应的总观测概率值为所述目标候选路段对应的空间位置观测概率值。
3.根据权利要求1-2中任一项所述的方法，其特征在于，所述道路元素包括如下至少一项：
车道线，地面导向标识，交通信号灯。
4.根据权利要求1所述的方法，其特征在于，所述确定目标候选路段对应的空间位置观测概率值，包括：
确定目标候选路段对应的距离观测概率值，所述距离观测概率值用于指示在最短距离维度上所述目标轨迹点位于所述目标候选路段的概率值，所述最短距离为所述目标轨迹点至所述目标候选路段的最短距离；
基于所述目标候选路段对应的距离观测概率值确定目标候选路段对应的空间位置观测概率值。
5.根据权利要求4所述的方法，其特征在于，在基于所述车载摄像头拍摄的图像数据预测所述目标轨迹点位于第一候选路段的情况下，若所述目标候选路段为所述第一候选路段，则所述目标候选路段对应的空间位置观测概率值为第一权重与所述目标候选路段对应的距离观测概率值的乘积；若所述目标候选路段为第二候选路段，则所述目标候选路段对应的空间位置观测概率值为第二权重与所述目标候选路段对应的距离观测概率值的乘积；
和/或
在基于所述车载摄像头拍摄的图像数据预测所述目标轨迹点位于第二候选路段的情况下，若所述目标候选路段为第一候选路段，则所述目标候选路段对应的空间位置观测概率值为所述第二权重与所述目标候选路段对应的距离观测概率值的乘积；若所述目标候选路段为所述第二候选路段，则所述目标候选路段对应的空间位置观测概率值为所述第一权重与所述目标候选路段对应的距离观测概率值的乘积；
其中，所述第一候选路段为在所述车辆的行驶方向上位于交叉路口之前的候选路段，所述第二候选路段为在所述车辆的行驶方向上位于交叉路口之后的候选路段，所述第一权重大于所述第二权重。
6.根据权利要求4所述的方法，其特征在于，在基于所述车载摄像头拍摄的图像数据确定所述车辆的行驶路段为主路的情况下，若所述目标候选路段为主路，则所述目标候选路段对应的空间位置观测概率值为第三权重与所述目标候选路段对应的距离观测概率值的乘积；若所述目标候选路段为辅路，则所述目标候选路段对应的空间位置观测概率值为第四权重与所述目标候选路段对应的距离观测概率值的乘积；
和/或
在基于所述车载摄像头拍摄的图像数据确定所述车辆的行驶路段为辅路的情况下，若所述目标候选路段为主路，则所述目标候选路段对应的空间位置观测概率值为所述第四权重与所述目标候选路段对应的距离观测概率值的乘积；若所述目标候选路段为辅路，则所述目标候选路段对应的空间位置观测概率值为所述第三权重与所述目标候选路段对应的距离观测概率值的乘积；
其中，所述第三权重大于所述第四权重。
7.根据权利要求1所述的方法，其特征在于，所述基于所述目标候选路段对应的总观测概率值确定车辆轨迹的地图匹配结果，包括：
基于所述目标候选路段对应的总观测概率值及目标候选点对应的状态转移概率值采用维特比算法确定所述目标轨迹点位于所述目标候选路段的最大概率值，所述目标候选点为所述目标候选路段上距离所述目标轨迹点最近的点；
在所述多个候选路段对应的所述最大概率值均小于第三预设值的情况下，对所述多个候选路段对应的所述最大概率值进行归一化处理；
基于归一化处理后的所述多个候选路段对应的所述最大概率值确定车辆轨迹的地图匹配结果。
8.一种车辆轨迹地图匹配装置，其特征在于，所述装置包括：
获取模块，用于获取地图数据中车辆的目标轨迹点对应的多个候选路段，并获取所述目标轨迹点对应的图像数据的语义信息，所述图像数据为所述车辆的车载摄像头拍摄的图像数据，所述语义信息用于指示所述车载摄像头观测到的道路元素；
第一确定模块，用于确定目标候选路段对应的空间位置观测概率值，并确定所述语义信息指示的道路元素的道路元素观测概率值，所述目标候选路段为所述多个候选路段中的任意一个候选路段，所述空间位置观测概率值用于指示在空间位置维度上所述目标轨迹点位于所述目标候选路段的概率值，所述道路元素观测概率值用于指示在道路元素维度上所述目标轨迹点位于所述目标候选路段的概率值；
第二确定模块，用于基于所述目标候选路段对应的空间位置观测概率值及所述道路元素观测概率值确定所述目标候选路段对应的总观测概率值；
第三确定模块，用于基于所述目标候选路段对应的总观测概率值确定车辆轨迹的地图匹配结果；
其中，所述语义信息指示的道路元素包括目标道路元素，所述第一确定模块具体用于：
确定第一值，所述第一值为第一最小值与第一最大值之间的比值，所述第一最小值为第一数量值与第二数量值中的最小值，所述第一最大值为第一数量值与第二数量值中的最大值，所述第一数量值为所述车载摄像头观测到的所述目标道路元素的数量值，所述第二数量值为所述目标候选路段上所述目标道路元素的数量值；
确定第二值，其中，在第一类型信息指示的道路元素类型与第二类型信息指示的道路元素类型相同的情况下，所述第二值为第一预设值，在所述第一类型信息指示的道路元素类型与所述第二类型信息指示的道路元素类型不相同的情况下，所述第二值为第二预设值，所述第一预设值大于所述第二预设值，所述第一类型信息为所述车载摄像头观测到的所述目标道路元素的类型信息，所述第二类型信息为所述目标候选路段上所述目标道路元素的类型信息；
基于所述第一值和所述第二值确定所述目标道路元素的道路元素观测概率值。
9.一种电子设备，其特征在于，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1-7中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法。
11.一种车辆，其特征在于，被配置为执行如权利要求1-7中任一项所述的方法。
CN202310298234.8A 2023-03-24 2023-03-24 车辆轨迹地图匹配方法、装置、电子设备及车辆 Active CN116007638B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310298234.8A CN116007638B (zh) 2023-03-24 2023-03-24 车辆轨迹地图匹配方法、装置、电子设备及车辆

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310298234.8A CN116007638B (zh) 2023-03-24 2023-03-24 车辆轨迹地图匹配方法、装置、电子设备及车辆

Publications (2)

Publication Number Publication Date
CN116007638A CN116007638A (zh) 2023-04-25
CN116007638B true CN116007638B (zh) 2023-05-30

Family

ID=86035872

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310298234.8A Active CN116007638B (zh) 2023-03-24 2023-03-24 车辆轨迹地图匹配方法、装置、电子设备及车辆

Country Status (1)

Country Link
CN (1) CN116007638B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117808873B (zh) * 2024-03-01 2024-05-14 腾讯科技（深圳）有限公司 冗余道路检测方法、装置、电子设备及存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112884837A (zh) * 2021-03-16 2021-06-01 百度在线网络技术（北京）有限公司 道路定位方法、装置、设备及存储介质

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105444769B (zh) * 2015-11-26 2019-07-23 北京百度网讯科技有限公司 地图匹配方法及装置
CN111242148A (zh) * 2018-11-28 2020-06-05 北京嘀嘀无限科技发展有限公司 用于地图绑定的人工智能系统和方法
CN113191550B (zh) * 2021-04-29 2024-04-09 北京百度网讯科技有限公司 地图匹配方法及装置
CN113916242B (zh) * 2021-12-14 2022-03-25 腾讯科技（深圳）有限公司 车道定位方法和装置、存储介质及电子设备
CN114563005A (zh) * 2022-03-01 2022-05-31 小米汽车科技有限公司 道路定位方法、装置、设备、车辆及存储介质
CN114964272A (zh) * 2022-05-07 2022-08-30 武汉大学 一种融合车载图像语义的车辆轨迹地图匹配方法
CN115585816B (zh) * 2022-11-23 2023-03-21 北京百度网讯科技有限公司 车道级地图匹配方法和装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112884837A (zh) * 2021-03-16 2021-06-01 百度在线网络技术（北京）有限公司 道路定位方法、装置、设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
An Approach to Vehicle Trajectory Prediction Using Automatically Generated Traffic Maps;Jannik Quehl等;《2018 IEEE Intelligent Vehicles Symposium (IV)》;第544-549页 *

Also Published As

Publication number Publication date
CN116007638A (zh) 2023-04-25

Similar Documents

Publication Publication Date Title
CN110260870B (zh) 基于隐马尔可夫模型的地图匹配方法、装置、设备和介质
US20210302585A1 (en) Smart navigation method and system based on topological map
CN108279016B (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
CN112560680A (zh) 车道线处理方法、装置、电子设备及存储介质
CN111386559A (zh) 一种路口是否存在目标道路设施的判断方法及系统
CN112883236B (zh) 一种地图更新方法、装置、电子设备及存储介质
CN115585816B (zh) 车道级地图匹配方法和装置
CN116007638B (zh) 车辆轨迹地图匹配方法、装置、电子设备及车辆
CN113835102B (zh) 车道线生成方法和装置
CN112580571A (zh) 车辆行驶的控制方法、装置及电子设备
CN110018503B (zh) 车辆的定位方法及定位系统
CN115761702A (zh) 车辆轨迹生成方法、装置、电子设备和计算机可读介质
CN115060249A (zh) 电子地图的构建方法、装置、设备和介质
CN112926630B (zh) 路线规划方法、装置、电子设备以及计算机可读介质
CN113449687B (zh) 兴趣点出入口的识别方法、装置及电子设备
CN113139139B (zh) 用于确定上车点的方法、装置、电子设备和介质
CN111858817B (zh) 一种用于稀疏轨迹的BiLSTM-CRF路径推断方法
CN115512336B (zh) 基于路灯光源的车辆定位方法、装置和电子设备
CN117128950A (zh) 一种点云地图构建方法、装置、电子设备和存储介质
CN114998863B (zh) 目标道路识别方法、装置、电子设备以及存储介质
CN113450794B (zh) 导航播报的检测方法、装置、电子设备和介质
CN112735130B (zh) 交通数据的处理方法、装置、电子设备和介质
CN114659537A (zh) 导航起点道路确定方法、装置、设备及存储介质
CN115062240A (zh) 一种停车场排序方法、装置、电子设备和存储介质
CN113008246A (zh) 地图匹配方法和装置

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