CN116972860A - 偏航识别方法、装置、电子设备及存储介质 - Google Patents
偏航识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116972860A CN116972860A CN202310073898.4A CN202310073898A CN116972860A CN 116972860 A CN116972860 A CN 116972860A CN 202310073898 A CN202310073898 A CN 202310073898A CN 116972860 A CN116972860 A CN 116972860A
- Authority
- CN
- China
- Prior art keywords
- road
- navigation
- parameter
- fingerprint
- yaw
- 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
- 238000000034 method Methods 0.000 title claims abstract description 84
- 238000001514 detection method Methods 0.000 claims abstract description 156
- 230000004044 response Effects 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims description 85
- 238000004590 computer program Methods 0.000 claims description 19
- 230000015654 memory Effects 0.000 claims description 17
- 238000007418 data mining Methods 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 13
- 238000013145 classification model Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 37
- 239000013598 vector Substances 0.000 description 21
- 238000010586 diagram Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 15
- 238000004891 communication Methods 0.000 description 14
- 238000005065 mining Methods 0.000 description 14
- 238000013473 artificial intelligence Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 230000001960 triggered effect Effects 0.000 description 9
- 238000010276 construction Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000003993 interaction Effects 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 4
- 238000013500 data storage Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000009412 basement excavation Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000010992 reflux Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—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
- 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
- G01C21/34—Route searching; Route guidance
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
- G01C21/3415—Dynamic re-routing, e.g. recalculating the route when the user deviates from calculated route or after detecting real-time traffic data or accidents
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Automation & Control Theory (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Navigation (AREA)
Abstract
本申请实施例提供了一种偏航识别方法、装置、电子设备及存储介质,可涉及地图、交通、导航和云技术等领域。该方法包括:响应于满足导航路线获取条件,获取导航路线以及该路线的各关联道路的道路指纹,一条道路的道路指纹是根据该条道路的多个历史导航轨迹数据确定的、包括该条道路上至少一个导航参数的参考特征;响应于满足偏航检测条件,获取车辆在当前时段的各导航参数的第二参数值、以及各关联道路中当前导航位置所关联的各第一道路的道路指纹;根据当前时段的各导航参数的参数值、以及各第一道路的道路指纹,预测车辆所在的目标道路;根据目标道路是否属于导航路线,确定车辆是否发生偏航。基于该方法,可有效提高偏航检测的准确性。
Description
技术领域
本申请属于计算机技术领域,可涉及地图、导航和云技术等领域,具体而言,本申请涉及一种偏航识别方法、装置、电子设备及存储介质。
背景技术
随着计算机技术和通信技术的快速发展,导航已经广泛地应用于人们的日常生活中,为人们的出行提供了巨大的便利。导航主要是根据用户设定的起点和终点为用户规划并提供导航路线,以引导用户达到终点。
在导航应用中,为了保证导航的准确性,在导航是需要检测用户当前位置是否偏离了导航路线即需要进行偏航识别,以在确定发生偏航时及时对用户进行提醒,还需要重新规划导航路线。目前的偏航识别相关技术中,偏航识别大多是依据大量的路网数据,采用复杂的算法模型进行偏航识别,到由于定位场景中环境是复杂多变的,路网数据也可能存在一些错误,因此,目前的偏航识别准确性不够理想、有待改进。
发明内容
本申请实施例的目的旨在提供一种能够有效提高偏航检测结果的偏航识别方法、装置、电子设备及存储介质。为实现该目的,本申请实施例提供的技术方案如下:
一方面,本申请实施例提供了一种偏航识别方法,该方法包括:
响应于满足导航路线获取条件,获取导航路线以及所述导航路线的各关联道路的道路指纹,一条道路的道路指纹是根据该条道路的多个历史导航轨迹数据确定的,一条道路的道路指纹包括该条道路上至少一个导航参数的参考特征;
响应于满足偏航检测条件,获取被导航对象在当前时段的各所述导航参数的参数值、以及所述各关联道路中当前导航位置所关联的各第一道路的道路指纹;
根据所述当前时段的各所述导航参数的第二参数值、以及各所述第一道路的道路指纹,预测所述各第一道路中所述被导航对象所在的目标道路;
根据所述目标道路是否属于所述导航路线,确定所述被导航对象是否发生偏航。
其中,一条道路上的一个历史导航轨迹数据包括该条道路上的至少一个导航参数的第一参数值,一条道路的道路指纹包括该条道路上各所述导航参数的参考特征,一条道路上的一个导航参数的参考特征是基于该道路上的多个历史导航轨迹数据中该导航参数的第一参考值进行数据挖掘得到的。
可选的,一条道路上的一个导航参数的参考特征包括以下至少一项:
该条道路上该导航参数的标准参数值,所述标准参数值是根据该道路上的多个历史导航轨迹数据中该导航参数的第一参数值确定的,如多个第一参考值的均值;
该道路上的多个历史导航轨迹数据中该导航参数的第一参数值的概率分布特征。
另一方面,本申请实施例提供了一种偏航识别装置,该装置包括:
源数据获取模块,用于在满足导航路线获取条件的情况下,获取导航路线以及所述导航路线的各关联道路的道路指纹,一条道路的道路指纹是根据该条道路的多个历史导航轨迹数据确定的,一条道路的道路指纹包括该条道路上至少一个导航参数的参考特征;
偏航检测数据获取模块,用于在满足偏航检测条件的情况下,获取被导航对象在当前时段的各所述导航参数的第二参数值、以及所述各关联道路中与当前导航位置关联的各第一道路的道路指纹;
偏航检测模块,用于根据所述当前时段的各所述导航参数的第二参数值、以及各所述第一道路的道路指纹,预测所述各第一道路中所述被导航对象所在的目标道路,根据所述目标道路是否属于所述导航路线,确定所述被导航对象是否发生偏航。
可选的,所述满足偏航检测条件包括所述被导航对象经过交叉路口,所述各第一道路包括所述被导航对象进入所述交叉路口前所在的第二道路、以及通过所述交叉路口与所述第二道路所连通的各第三道路;偏航检测模块在预测所述各第一道路中所述被导航对象所在的目标道路时可以用于:
根据所述当前时段的各所述导航参数的第二参数值、以及各所述第一道路的道路指纹,通过训练好的偏航检测模型预测所述被导航对象在各所述第三道路上的概率;
根据各所述第三道路对应的概率,确定各所述第三道路中所述被导航对象所在的目标道路。
可选的,偏航检测模块可以用于:
对于每条所述第一道路,根据所述当前时段的各所述导航参数的第二参数值和该第一道路的道路指纹,确定所述被导航对象与该第一道路在各所述导航参数上的相似性;
基于所述当前时段的各所述导航参数的第二参数值、以及所述被导航对象与各所述第一道路在各所述导航参数上的相似性,得到所述偏航检测模型的输入特征;
基于所述输入特征,通过所述训练好的偏航检测模型,预测所述被导航对象在各所述第三道路上的概率。
可选的,一条道路上的一个所述导航参数的参考特征包括:该条道路的多个历史导航轨迹数据中该导航参数的第一参数值的概率分布特征,对于每条所述第一道路,所述被导航对象与该第一道路在各所述导航参数上的相似性是通过以下方式得到的:
对于每个所述导航参数,根据该第一道路上该导航参数对应的概率分布特征,确定该导航参数的第二参数值的出现概率,将所述出现概率确定为所述被导航对象与该第一道路在该导航参数的相似性。
可选的,所述当前时段的各所述导航参数的第二参数值包括属于所述当前时段的各个导航定位点的各所述导航参数的参数值;对于每条所述第一道路,偏航检测模块在根据所述当前时段的各所述导航参数的第二参数值和该第一道路的道路指纹,确定所述被导航对象与该第一道路在各所述导航参数上的相似性时可以用于:
对于属于所述当前时段的每个导航定位点,根据该导航定位点的各所述导航参数的参数值和该第一道路的道路指纹,确定所述被导航对象在该导航定位点与该第一道路在各导航参数的相似性;
其中,所述输入特征包括所述当前时段的各所述导航参数的第二参数值、以及所述被导航对象在每个所述导航定位点与每条所述第一道路在各所述导航参数上的相似性。
可选的,一条道路的一个历史导航轨迹数据包括该条道路上的多个导航定位点的各所述导航参数的参数值,该道路上的一个所述导航参数的参考特征包括该条道路的多个历史导航轨迹数据中该导航参数的第一参数值的概率分布特征;对于属于所述当前时段的每个导航定位点,偏航检测模块在根据该导航定位点的各所述导航参数的参数值和该第一道路的道路指纹,确定所述被导航对象在该导航定位点与该第一道路在各导航参数的相似性时可以用于:
对于每个所述导航参数,根据该第一道路上该导航参数对应的概率分布特征,确定该导航定位点的该导航参数的第二参数值的出现概率,将所述出现概率确定所述被导航对象在该导航定位点与该第一道路在该导航参数的相似性。
可选的,所述训练好的偏航检测模型为二分类模型,若所述各第三道路的道路数量大于2条,偏航检测模块在通过训练好的偏航检测模型预测所述被导航对象在各所述第三道路上的概率时可以用于:
对于所述各第三道路中的每两条道路的每个组合,根据所述当前时段的各所述导航参数的第二参数值、所述第二道路的道路指纹、以及该组合中两条道路的道路指纹,通过训练好的偏航检测模型预测所述被导航对象在该组合中的两条道路上的概率。
可选的,所述装置部署在用户终端中,偏航检测模块在确定各所述第三道路中所述被导航对象所在的目标道路时可以用于:
根据各所述第三道路对应的概率和概率阈值,确定各所述第三道路中所述被导航对象所在的目标道路;
其中,所述概率阈值是从服务器获取到的,所述概率阈值是所述服务器根据所述用户终端对应的导航质量确定的。
可选的,所述用户终端对应的导航质量由所述服务器通过以下方式确定的:
获取所述用户终端对应的历史导航数据;
根据所述用户终端对应的历史导航数据,确定所述用户终端对应的偏航检测结果评估指标,所述评估指标包括误偏航率或偏航检测平均响应时间中的至少一项;
根据所述评估指标确定所述用户终端对应的导航质量。
可选的,所述装置还包括数据回流模块,该模块用于:
响应于所述用户终端的当前次导航结束,将当前次导航的导航数据发送给所述服务器,以使所述服务器根据当前次导航的导航数据对所述用户终端对应的概率阈值进行更新。
可选的,所述偏航检测模型是通过以下方式训练得到的:
获取训练样本集,所述训练样本集包括多个带有标签的训练样本,每个所述训练样本包括一个被导航对象经由一个交叉路口时的设定时段内的各所述导航参数的第三参数值、该被导航对象经过该交叉路口前所在的第四道路的道路指纹、以及通过该交叉路口与所述第四道路所连通的各第五道路的指纹特征,每个所述训练样本的标签表征了在该训练样本对应的各第五道路中被导航对象经过交叉路口后真正所进入的道路;
基于所述训练样本集对待训练的偏航检测模型进行迭代训练,直至模型的训练损失满足训练结束条件,得到训练好的偏航检测模型,其中,所述训练损失表征了各所述训练样本的标签和模型预测结果之间的差异,一个所述训练样本的模型预测结果包括通过所述待训练的偏航检测模型预测出的被导航对象在各所述第五道路上的概率。
可选的,所述源数据获取模块可以用于:
响应于满足导航路线获取条件,向服务器发送导航路线获取请求;
接收所述服务器发送的导航路线以及所述导航路线的各关联道路的道路指纹,其中,所述导航路线的各关联道路的道路指纹是由所述服务器通过以下方式确定的:
确定所述导航路线的各关联道路;
从道路指纹库中获取所述各关联道路的道路指纹,所述道路指纹库中包括路网中各道路的道路指纹;其中,所述道路指纹库是由所述服务器通过以下方式构建得到的:
获取多个被导航对象的多个历史导航数据,每个所述历史导航数据包括一个被导航对象的历史导航路线、以及该历史导航路线的导航轨迹数据;
对于每个所述历史导航路线,确定该历史导航路线的导航轨迹数据中属于该历史导航路线所包含的每个道路的历史导航轨迹数据;
对于所述多个历史导航数据中所包括的每个道路,根据属于该道路的所有历史导航轨迹数据,确定该道路的道路指纹。
可选的,所述历史导航路线的导航轨迹数据包括多个导航定位点的各所述导航参数的第一参数值;对于所述多个历史导航数据中所包括的每个道路,该道路的道路指纹是通过以下方式得到的:
对于每个所述导航参数,确定属于该道路的所有历史导航轨迹数据中的该导航参数的参数值,的概率分布特征,将所述概率分布特征作为该条道路上该导航参数的参考特征。
可选的,一条道路的道路指纹包括至少一条子路段的道路指纹,其中,各所述子路段是根据道路曲率对该道路进行分段得到的,一条子路段的道路指纹包括该条子路段上至少一个导航参数的参考特征;偏航检测模块在预测所述各第一道路中所述被导航对象所在的目标道路时可以用于:
若各所述第一道路中存在包含至少两条子路段的道路,对于该道路中的每条子路段,基于该子路段的道路指纹和所述当前时段的各导航参数的第二参数值,确定被导航对象与该子路段在各导航参数上的相似度;基于该道路的各条子路段对应的相似度,从该道路的各条子路段中确定出该条道路的目标路段;
根据所述当前时段的各所述导航参数的第二参数值、各所述第一道路的目标指纹,预测所述各第一道路中所述被导航对象所在的目标道路,其中,包括一条子路段的第一道路的目标指纹为该第一道路的道路指纹,包括至少两条子路段的第一道路的目标指纹为该条道路的目标路段的道路指纹。
可选的,所述满足导航路线获取条件包括以下任一项:
获取到导航请求;满足导航路线切换条件;确定车辆发生偏航。
可选的,所述至少一个导航参数包括以下任一项:
导航定位点的位置信息、方向、速度、高度或定位精度。
本申请实施例还提供了一种电子设备,该电子设备包括存储器和处理器,存储器中存储有计算机程序,处理器执行该计算机程序以实现本申请任一可选实施例中提供的方法。
另一方面,本申请实施例还提供了一种计算机可读存储介质,该存储介质中存储有计算机程序,该计算机程序被处理器执行时实现本申请任一可选实施例中提供的方法。
另一方面,本申请实施例还提供了一种计算机程序产品,该计算机产品包括计算机程序,该计算机程序被处理器执行时实现本申请任一可选实施例中提供的方法。
本申请实施例提供的技术方案带来的有益效果如下:
本申请实施例提供的偏航识别方法,在进行偏航识别时,是利用当前导航路线的各关联道路的道路指纹与当前时段的导航参数的实时参数值来实现的,由于道路的道路指纹是根据道路上的实际真实的历史导航轨迹数据挖掘出的导航参数的参考特征,一条道路的道路指纹能够表征该条道路上的各个导航参数的参数值的真实情况,因此基于本申请实施例提供的方法得到的偏航识别结果具有更高的准确率,且该方法是基于道路指纹实现,而不过于依赖地图路网数据,因此可以弥补因地图路网数据中的错误所导致的偏航识别错误的情况,能够更好的满足实际应用需求,提升用户的使用感知。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对本申请实施例描述中所需要使用的附图作简单地介绍。
图1为本申请实施例提供的一种偏航识别方法的流程示意图;
图2为本申请实施例提供的一种导航路线的关联道路的示意图;
图3为本申请实施例提供的一种偏航识别方法的实施环境的系统结构示意图;
图4为本申请实施例所适用的一种可选的实施环境的结构示意图;
图5本申请实施例提供的一种端云一体化的偏航识别系统的架构图;
图6为本公开实施例提供的一种通过数据清洗获取样本数据的示意图;
图7为本申请实施例提供的一种偏航识别装置的结构示意图;
图8为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面结合本申请中的附图描述本申请的实施例。应理解,下面结合附图所阐述的实施方式,是用于解释本申请实施例的技术方案的示例性描述,对本申请实施例的技术方案不构成限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本申请实施例所使用的术语“包括”以及“包含”是指相应特征可以实现为所呈现的特征、信息、数据、步骤、操作、元件和/或组件,但不排除实现为本技术领域所支持其他特征、信息、数据、步骤、操作、元件、组件和/或它们的组合等。应该理解,当我们称一个元件被“连接”或“耦接”到另一元件时,该一个元件可以直接连接或耦接到另一元件,也可以指该一个元件和另一元件通过中间元件建立连接关系。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的术语“和/或”指示该术语所限定的项目中的至少一个,例如“A和/或B”可以实现为“A”,或者实现为“B”,或者实现为“A和B”。在描述多个(两个或两个以上)项目时,如果没有明确限定多个项目之间的关系,这多个项目之间可以是指多个项目中的一个、多个或者全部,例如,对于“参数A包括A1、A2、A3”的描述,可以实现为参数A包括A1或A2或A3,还可以实现为参数A包括参数A1、A2、A3这三项中的至少两项。
本申请实施例提供了一种偏航识别方法、装置、电子设备及存储介质,该方法可以主要依靠道路上的真实历史导航轨迹数据挖掘出的指纹数据来实现偏航检测,可以有效提高偏航检测的准确率,该方法并不过于依赖地图路网数据,因此对一些存在错误的地图路网数据具有一定的容忍性,能够适用于各种道路环境下的偏航检测,可更高的满足实际应用需求,提升用户使用感知。
可选的,本申请实施例提供的方法可涉及人工智能(Artificial Intelligence,AI)技术,可基于人工智能技术实现,比如,偏航检测结果的确定可以通过训练好的神经网络模型(即偏航检测模型)实现,其中,该训练好的神经网络模型可以基于训练样本集,采用机器学习(Machine Learning,ML)的方式训练得到的。
人工智能是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习、自动驾驶、智慧交通等几大方向。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。
可选的,本申请实施例提供的方案可涉及云技术,例如,本申请实施例中的服务器可以是云服务器即云端,其中所涉及的数据处理可基于云技术实现,如指纹数据库的构建可以采用云技术实现,实施例中所涉及的数据存储可以采用云存储的方案。
其中,云技术(Cloud technology)基于云计算商业模式应用的网络技术、信息技术、整合技术、管理平台技术、应用技术等的总称,可以组成资源池,按需所用,灵活便利。云计算技术将变成重要支撑。而云存储(cloud storage)是在云计算概念上延伸和发展出来的一个新的概念,分布式云存储系统(以下简称存储系统)是指通过集群应用、网格技术以及分布存储文件系统等功能,将网络中大量各种不同类型的存储设备(存储设备也称之为存储节点)通过应用软件或应用接口集合起来协同工作,共同对外提供数据存储和业务访问功能的一个存储系统。
本申请实施例提供的方案可涉及交通领域,如可应用于智能车路协同系统(Intelligent Vehicle Infrastructure Cooperative Systems,IVICS),简称车路协同系统,实现导航过程中的偏航自动化检测。IVICS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。
为了更好的理解和说明本申请实施例提供的方案,下面先对本申请实施例中所涉及的一些技术用语进行解释和说明。
道路指纹:来源WIFI(无线局域网技术)指纹定位中的指纹,表示一个位置的信号、环境等各种因素理论上可以和该位置一一对应的特征向量。WIFI定位中,移动终端将收集到的各个不同WIFI信号源在该点的信号强度数据进行特征计算,来标志当前的指纹特征。本申请实施例中的道路指纹可以采用历史用户的GPS信号数据,用高程、方向、道路横向偏移分布等标识该道路位置的特征。
偏航识别:又称偏航计算或偏航判断,指的是导航系统判断用户终端的位置是否已经偏离了规划的导航路线,若经过偏航识别确认偏航则向导航服务器请求更新导航路线。
误偏航:偏航识别错误称之为误偏航,即表示用户没有发生偏航但识别成用户偏航。偏航识别需要非常高的实时性,因为对于驾车导航一秒的延迟就是几十米的偏航距离。因此大多数的偏航识别系统需要集成在端上进行判定。
端云一体化:“端”指用户所使用的前端侧(用户终端,如智能手机、车载终端等),“云”指给用户提供服务的云端侧(云服务器)。前端的优势在于可以第一时间对用户侧进行反馈,具有即时性。另外不同用户的终端具有差异性,前端侧可以结合其个性进行相应的调整。云端的优势在于可以对接大数据挖掘分析,可以通过海量的用户数据,挖掘共性的特征。因此端云一体化是一种共性的挖掘和个性的调整相结合的一种系统架构。
下面通过对几个实施例的描述,对本申请实施例的技术方案以及本申请的技术方案产生的技术效果进行说明。需要指出的是,下述实施方式之间可以相互参考、借鉴或结合,对于不同实施方式中相同的术语、相似的特征以及相似的实施步骤等,不再重复描述。
需要说明的是,在本申请的可选实施例中,所涉及到的对象信息(用户的导航数据等)等相关的数据,当本申请中的实施例运用到具体产品或技术中时,需要获得对象许可或者同意,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。也就是说,本申请实施例中如果涉及到与对象有关的数据,需要经由对象授权同意、相关部门授权同意、且符合国家和地区的相关法律法规和标准的情况下获取的。实施例中如涉及个人信息,所有个人信息的获取需要获得个人的同意,如涉及到敏感信息,需要征得信息主体的单独同意,实施例也是需要在对象授权同意的情况下实施。
图1示出了本申请实施例提供的一种偏航识别方法的流程示意图,其中,该方法可以由任意计算机设备执行,如用户终端或服务器,可选的,该方法可以由用户终端(可称为前端)执行,具体的,前端可以与服务器交互实现。
其中,上述服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云计算服务的云服务器(可称为云端)。终端(也可以称为用户终端或用户设备)可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能语音交互设备(例如智能音箱)、可穿戴电子设备(例如智能手表)、车载终端、智能家电(例如智能电视)、AR/VR设备等,但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接,本申请在此不做限制。
如图1所示,本申请实施例提供的偏航识别方法可以包括以下步骤S110至步骤S140。
步骤S110:响应于满足导航路线获取条件,获取导航路线以及该导航路线的各关联道路的道路指纹。
其中,满足导航路线获取条件可以是由用户触发的,也可以是在用户终端的当前导航情况满足设定情况是由终端设备自动触发的。对于导航路线获取条件,本公开实施例不做唯一限定,可以根据实际应用需求配置。
可选的,上述满足导航路线获取条件包括以下任一项:
获取到导航请求;满足导航路线切换条件;确定被导航对象发生偏航。
其中,获取到导航请求,是指用户触发了的导航请求,比如,用户在地图类应用程序的用户界面中输入了导航起点和终点之后所触发的导航路线获取操作。满足导航路线切换条件说明用户当前的导航路线需要切换至新的路线,导航路线切换条件可以根据应用需求配置,本申请实施例不做限定。
被导航对象发生偏航是指被导航对象在根据导航路线行进的过程中,检测到被导航对象未按照导航路线行进,即偏离了导航路线,此时可以提醒用户发生了偏航,可选的,此时可以重新规划导航路线即确定新的导航路线。可选的,在实际应用中,用户终端在发起导航请求即向导航服务器请求导航路线时,导航服务器通常会向用户终端发送从起点到终点的多条候选路线,多条路线中用户当前采用的可称为当前的导航路线,其他路线可以称为伴随路线,用户终端在检测到发生偏航时,如果是偏航到伴随路线,用户终端可以将当前导航路线切换至伴随路线,如果不是偏航到伴随路线,用户终端可以将用户终端当前的位置信息发送给导航服务器,请求服务器重新规划路线,并从服务器获取到新的导航路线,当然,如果用户终端在请求路线时,所请求到的路线只有一条,在检测到偏航时,用户终端可以直接从服务器获取新的导航路线。其中,被导航对象可以是用户,实际上具体可以是用户(如步行导航)或者是用户的车辆,为了描述方便,下文的一些实施例中被导航对象将以车辆为例进行描述,其中,用户可以通过其用户终端为车辆进行导航,用户终端可以是用户的智能手机、也可以是车辆上具有导航功能的车载终端或者是其他类型的终端设备等。
导航路线即导航服务器为被导航对象提供的从起点到终点的行进路线。在满足导航路线获取条件时,用户终端可以向导航服务器发送导航路线获取请求,由前文描述可知,在实际应用中,导航服务器在获取到导航路线获取请求之后,可以向用户终端提供一条或多条候选路线,其中,服务器可以根据后台配置将其中一条路线指定为当前的导航路线,或者是将多条路线提供给用户,由用户选择当前所采用的导航路线。
本申请实施例中,上述响应于满足导航路线获取条件获取的导航路线是指用户当前所使用的导航路线,一条导航路线可以包括从起点到终点的至少一条道路,其中,这里的道路可以采用导航系统中道路模型的基本单位,一条道路即一个路段,也就是一段道路(link)。一条导航路线的各关联道路是指与该导航路线有关的各条道路,包括该条路线所包含的各条道路、以及与该条路线所包含的道路存在关联的道路,比如,该条路线上经过的各个路口所连通的各条道路。其中,一条导航路线的各关联道路可以根据路网中的道路拓扑结构确定。
作为一个示例,图2是一条导航路线的部分线路的示意图,其中,道路S1、S2和S3是该导航路线上的道路,道路S4不是导航路线上的道路,但是道路S2、S3和S4是通过交叉路口Al连通的,这三条道路在道路拓扑结构上具有连通关系的道路,因此,道路S4也属于该导航路线的关联道路。
本公开实施例中,一条道路的道路指纹包括该条道路上至少一个导航参数的参考特征,也就是该条道路上的共性特征信息,其中,一条道路的道路指纹可以是根据该条道路的多个历史导航轨迹数据确定的,在实际应用中,可以获取海量的被导航用户的真实导航数据,通过对海量的真实导航数据进行数据挖掘来获取到每条道路上的共性信息作为道路的指纹,从而构建出包含路网中各条道路的道路指纹的道路指纹库。由于每条道路的道路指纹都是依据该条道路上的大量真实导航数据挖掘得到的,因此,道路指纹能够但反映出大量用户在每条道路上的共性表现,相比于路网数据,道路指纹能够更加真实、准确的表征道路的特征。
本申请实施例中,一条道路上的一个历史导航轨迹数据包括该条道路上的至少一个导航参数的第一参数值(也就是历史轨迹数据中的导航参数的值,如导航位置、方向等),一条道路的道路指纹包括该条道路上各所述导航参数的参考特征,一条道路上的一个导航参数的参考特征是基于该道路上的多个历史导航轨迹数据中该导航参数的第一参考值进行数据挖掘得到的,可以表征该条道路上该导航参数的参数值的出现情况,可以作为该道路对应于该导航参数的基准特征。
可选的,一条道路上的一个导航参数的参考特征包括以下至少一项:
该条道路上该导航参数的标准参数值(也可称为基准参数值、基准值或参考值),或者,该道路上的多个历史导航轨迹数据中该导航参数的第一参数值的概率分布特征。
其中,上述标准参数值是根据该道路上的多个历史导航轨迹数据中该导航参数的第一参数值确定的,如多个历史导航轨迹数据中该导航参数的各个第一参考值融合参数值,如均值或者是将多个第一参考值进行异常值过滤后的各第一参考值的均值或其他特征值。
其中,上述至少一个导航参数可以包括导航定位系统中常用的一个或多个导航参数,也就是导航定位系统的输出参数中的一个或多个。可选的,上述至少一个导航参数可以包括以下任一项:
导航定位点的位置信息、方向、速度、高度或定位精度。
对于任一导航参数,一条道路上该导航参数的参考特征是基于该条道路上的大量历史导航轨迹数据中该导航参数的参数值即上述第一参考值确定的,是该道路上该导航参数的共性特征。比如,对于导航定位点的位置信息,该导航参数的参数值可以包括导航定位点的经纬度坐标,一条道路上该导航参数的参考特征则是基于该条道路上大量导航定位点的经纬度坐标进行数据挖掘得到的,可选的,该导航参数的参考特征可以是经纬度坐标的参考值(即该条道路上的定位坐标的基准值)或分布特征(如高斯分布特征),也可以是该条道路上的定位点的道路横向偏移的参考值或分布特征,比如,可以在一条道路上的大量导航定位点的经纬度坐标计算各定位点相对于该条道路纵向的道路中心线的偏移值(也就是横向偏移),根据大量定位点对应的偏移进行统计分析,可以得到该条道路上定位点的横向偏移的高斯分布特征,如横向偏移的均值和方差,可以将该高斯分布特征作为该条道路上该导航参数的参考特征。同样的,对于其他导航参数所对应的大量导航定位点的参数值进行数据挖掘,得到各导航参数的参考特征。在进行偏航检测时,可以将道路的道路指纹作为基准特征来判断被导航对象是否发生了偏航,即偏离了导航路线。
可选的,在实际应用中,服务器在向用户终端提供多条候选导航路线上,可以将各条候选路线的关联道路的相关信息都提供给用户终端,这样不论用户最终所采用的是哪条导航路线,都可以方便的获知该条导航路线的各关联道路的道路指纹。
作为一可选方案,上述响应于满足导航路线获取条件,获取导航路线以及导航路线的各关联道路的道路指纹,可以包括:
响应于满足导航路线获取条件,向服务器发送导航路线获取请求;
接收服务器发送的导航路线以及导航路线的各关联道路的道路指纹,其中,导航路线的各关联道路的道路指纹是由服务器通过以下方式确定的:
确定导航路线的各关联道路;
从道路指纹库中获取各关联道路的道路指纹,该道路指纹库中包括路网中各道路的道路指纹;其中,该道路指纹库可以是由服务器通过以下方式构建得到的:
获取多个被导航对象的多个历史导航数据,每个所述历史导航数据包括一个被导航对象的历史导航路线、以及该历史导航路线的导航轨迹数据;
对于每个所述历史导航路线,确定该历史导航路线的导航轨迹数据中属于该历史导航路线所包含的每个道路的历史导航轨迹数据;
对于所述多个历史导航数据中所包括的每个道路,根据属于该道路的所有历史导航轨迹数据,确定该道路的道路指纹。
本申请实施例在实施实施时,为用户提供导航服务的服务器(可称为导航服务器)和提供偏航检测服务的服务器(可称为偏航服务器)可以是同一个服务器,也可以是不同的服务器。即上述服务器可以是一个,也可以是两个,比如,导航服务器和偏航服务器可以是不同的服务器,那么导航路线则由导航服务器提供,可选的,导航服务器为用户提供的每条导航路线都可以有唯一的路线标识,用户终端在获取到导航服务器提供的导航路线之后,可以将导航路线的路线标识提供给偏航服务器,偏航服务器可以根据路线标识从导航服务器获知该路线标识对应的导航路线的关联道路,导航服务器可以从道路指纹库中将各关联道路的道路指纹提供该用户终端,用于偏航检测。即偏航服务器在偏航检测服务中可以用于向用户终端提供道路指纹数据,以使终端根据接收到的道路指纹数据进行偏航检测。
本申请实施例,道路指纹库可以存储有路网中所包含的各条道路的道路指纹,对于道路指纹库中的数据存储方式本申请实施例不做限定,比如,道路指纹库中可以存储有各条道路的道路标识(link ID)以及与每个道路标识所对应的道路指纹,偏航服务器根据导航路线获知导航路线的各关联道路(即各关联道路的道路标识)之后,则可以从指纹数据库中读取这些道路标识对应的指纹数据,并将这些道路标识以及对应的指纹数据打包发送给用户终端。
为了构建指纹数据库,服务器(如云端)可以获取大量的被导航对象(如车辆)的历史导航数据,并通过对大量数据进行数据挖掘,得到各条道路的道路指纹。其中,一个历史导航数据是指一个被导航对象的一次导航过程的导航路线以及该导航路线对应的导航轨迹数据,基于大量的历史导航数据可以得到属于每条道路的多个导航轨迹数据,从而可以基于每条道路上的多个导航轨迹数据,挖掘出该道路的道路指纹。
在实际应用中,在用户授权同意的情况下,用户终端每次导航结束时,可以将用户的导航数据回传给服务器,服务器可以基于大量用户终端所回传的导航数据挖掘出各个道路的道路指纹,还可以根据不断获取的新的导航数据对道路指纹库中的道路指纹进行更新,如增加指纹数据库中没有的道路的指纹数据,或者更新道路指纹库中已有的道路的道路指纹。
本申请实施例中,一条历史导航路线的导航轨迹数据可以包括多个导航定位点的各导航参数的第一参数值,对于上述多个历史导航数据中所包括的每个道路,上述根据属于该道路的所有历史导航轨迹数据,确定该道路的道路指纹,包括:
对于每个导航参数,确定属于该道路的所有导航轨迹数据中的该导航参数的第一参数值的概率分布特征,将概率分布特征作为该条道路上该导航参数的参考特征。
可选的,概率分布特征可以采用高斯分布特征,如均值或方差中的至少一个。对于每条道路,在从大量的历史导航轨迹数据中确定出属于该条道路的所有导航轨迹数据之后,即可得知在每个导航参数在该条道路上大量真实的第一参数值,那么对于每个导航参数,则可以根据该导航参数在该条道路上的大量第一参数值,通过数据挖掘,分析得到该导航参数的参数值在该条道路上的分布特征,可以将该分布特征作为该导航参数在该条道路上的参考特征。
作为一个示例,假设大量的历史导航数据中包括车辆1的一次导航的导航路线a1和对应的历史导航轨迹数据b1,车辆2的一次导航的导航路线a2和对应的历史导航轨迹数据b2,车辆3的一次导航的导航路线a3和对应的历史导航轨迹数据b3,其中,导航路线a1包括道路s1、s2和s3,导航路线a2包括道路s1、s2和s4,导航路线a3包括道路s3和s4,每个历史导航轨迹数据都包含多个导航定位点(可称为GPS点)的各导航参数的参数值,如每个定位点的位置、方向和高度这三个导航参数的参数值,如定位点的经纬度坐标,方向角的大小和高度值。由于每个导航点的位置是知道的,每条道路的位置信息也是可以获知的(如可以从路网数据中获知),因此,可以根据定位点的经纬度坐标和导航录像上的各条道路的位置信息,确定出每个定位点应该是归属于哪条道路上,对于上述示例,根据导航路线a1和a2可以得到归属在道路s1的多个导航轨迹数据(也就是导航路线a1和a2中属于/附着于道路s1上的导航轨迹数据),根据导航路线a1和a2可以得到归属在道路s2的多个导航轨迹数据,根据导航路线a1和a3可以得到归属在道路s3的多个导航轨迹数据,根据导航路线a2和a3可以得到归属在道路s4的多个导航轨迹数据。采用上述方式从海量历史导航数据中则可以确定出每条道路上的大量导航轨迹数据,从而可以从中挖掘出每个导航参数在每条道路上的参考特征,一条道路的道路指纹可以包括各导航参数在该条道路上的参考特征。
步骤S120:响应于满足偏航检测条件,获取被导航对象在当前时段的各导航参数的第二参数值、以及上述各关联道路中当前导航位置所关联的各第一道路的道路指纹。
步骤S130:根据当前时段的各导航参数的第二参数值、以及各第一道路的道路指纹,预测上述各第一道路中被导航对象所在的目标道路。
步骤S140:根据目标道路是否属于导航路线,确定被导航对象是否发生偏航。
其中,偏航检测条件是指触发执行偏航识别的条件,该条件可以根据实际应用需求配置。可选的,偏航检测条件可以是按照预设的时间间隔进行偏航检测,此时满足偏航检测条件则是每隔一定时间间隔满足条件。可选的,满足偏航检测条件包括被导航对象经过交叉路口,此时,每当用户行驶至交叉路口时,可以触发偏航检测过程,即获取被导航对象在当前时段的各导航参数的参数值、以及当前导航路线的各关联道路中当前导航位置所关联的各第一道路,具体的,该各第一道路包括车辆进入交叉路口前所在的第二道路、以及通过该交叉路口与第二道路所连通的各第三道路,也就是当前交叉路口所连通的各link。其中,对于一个路口而言,第二道路可以称为入link,即进入路口的道路,第三道路可以称为出link,即经过入口后所能够驶入的道路,一个路口所连通的道路的数量为至少两个,本申请实施例中,交叉路口所连通的第三道路的数量为至少两条,即交叉路口可以是二叉路口,也可以是多叉路口,如三叉路口。对于二叉路口而言,与入link所连通的出link为两条,以被导航对象的前进方向为基准,两条出link可以分别称为左侧出link和右侧出link。
本公开实施例中,上述当前时段可以是指被导航对象经过交叉路口前后的一段时间,该当前时段的具体时长可以根据应用需求配置和调整。可选的,该当前时段可以包括基准时间、基准时间之前的第一时段和基准时间之后的第二时段,其中,基准时间为被导航对象经过交叉路口的时间。其中,第一时段和第二时段的时长可以相等,也可以不等,例如,当前时段可以是车辆经过交叉路口前后连续的10秒的时长,如当前时段可以是从车辆经过路口前的前3秒开始算起得了连续10秒的时间。相应的,被导航对象在当前时段的各导航参数的第二参数值包括属于该当前时段的各导航定位点的各导航参数的第二参数值,相对于第一参数值(历史导航参数值),第二参数值是被导航对象实时行进过程中的导航参数值,也可以称为实时导航参数值,也就是在当前时段的这段时间内导航定位系统所输出的各个定位点的参数的数值,例如,当前时段的时长为10秒,导航参数为6个,导航定位系统每隔1秒输出一个导航定位点的各导航参数的参数值,那么当前时段的各导航参数的第二参数值则包括10×6个参数值。
由于上述各第一道路是被导航对象在经过交叉路口前后的所关联的各条道路,而一条第一道路的指纹特征是基于真实的历史导航数据所挖掘出的能够代表该第一道路上各导航参数的共性特征,因此,在获取到被导航对象在当前时段的各导航参数的第二参数值之后,可以基于这些参数值和当前所关联的各第一道路的指纹特征,预测各第一道路中被导航对象当前所在的目标道路。可选的,可以将各第一道路的指纹特征作为基准特征,基于当前时段的各导航参数的参数值和该基准特征之间的相似性来预测被导航对象当前所在的目标道路,也就是上述各第三道路(出link)中被导航对象所走的道路。如果预测出的目标道路不是当前导航路线上的道路,即偏离了导航路线,则可以判定被导航对象发生了偏航,如果目标道路是导航路线上的道路,则确定未发生偏航。
如图2所示的示例中,在车辆经过路口A之后,如果预测出车辆所在的目标道路是道路S4,但S4并非导航路线上的路段,此时确定发生了偏航。可选的,在确定发生偏航时,可以通过用户终端向提示用户当前发生了偏航,还可以触发重新规划导航路线的逻辑,如将当前发生偏航的位置信息、移动的方向、速度、目的地等相关信息上传给导航服务器,从服务器获取新的导航路线。
可选的,上述满足偏航检测条件包括被导航对象经过交叉路口,上述根据当前时段的各导航参数的第二参数值、以及各第一道路的道路指纹,预测各第一道路中被导航对象所在的目标道路,可以包括:
根据当前时段的各导航参数的第二参数值、以及各第一道路的道路指纹,预测(如通过训练好的偏航检测模型预测)被导航对象在各第三道路上的概率;
根据各第三道路对应的概率,确定各第三道路中被导航对象所在的目标道路。
其中,训练好的偏航检测模型是基于训练样本集对神经网络模型不断进行训练得到的。对于神经网络模型的具体模型架构本申请实施例不做限定,可选的,可以是基于卷积神经网络的模型,也可以是基于RNN(Recurrent Neural Network,循环神经网络)的模型,如LSTM(Long Short-Term Memory,长短期记忆网络)的模型。可选的,上述当前时段的各导航参数的第二参数值可以包括多个时间上连续的导航定位点的导航参数的参数值,是一个时间序列,因此,偏航检测模型可以采用时间序列检测模型,如上述基于RNN的模型。
作为一可选方案,上述训练好的偏航检测模型为二分类模型,若各第三道路的道路数量大于两条,上述根据当前时段的各导航参数的第二参数值、以及各第一道路的道路指纹,通过训练好的偏航检测模型预测被导航对象在各所述第三道路上的概率,可以包括:
对于各第三道路中的每两条道路的每个组合,根据当前时段的各导航参数的第二参数值、第二道路的道路指纹、以及该组合中两条道路的道路指纹,通过训练好的偏航检测模型预测被导航对象在该组合中的两条道路上的概率。
可以理解的是,如果交叉路口所连通的出link为两条,可以基于当前时段的各导航参数的第二参数值、入link的道路指纹以及两条出link的道路指纹,通过训练好的偏航检测模型直接预测两条出link的概率,如果交叉路口所连通的出link为三条或三条以上时,可以将多条出link两两组合,通过二类模型分别预测每个组合中两条出link的概率。比如,出link有三条,记为S1、S2和S3,组合则包括S1和S2的组合、S1和S3的组合、以及S2和S3的组合,通过模型进行三次预测,得到每个组合中两条道路各自对应的概率,此时,每条出link对应的概率可以有多个。
在通过训练好的偏航检测模型预测出各条出link的概率之后,则可以根据概率确定出多条出link中被导航对象所在的目标道路,进而根据目标道路和导航路线识别出被导航对象是否发生偏航。
本申请实施例中,偏航检测模型的输出是被导航对象在各条道路上的概率,也就是各条道路是目标道路的可能性,对于模型的输入本申请实施例不做唯一限定,可选的,偏航检测模型的输入可以包括当前时段的各导航参数的第二参数值以及各第一道路的道路指纹,也可以是对当前时段的各导航参数的第二参数值以及各第一道路的道路指纹进行一定处理后得到的输入数据。本申请实施例中,在通过对神经网络模型进行训练得到偏航检测模型时,可以采用有监督的训练方式,即训练样本是带有标注标签的样本,一个样本的标签可以表征样本所对应的真实目标道路,也就是样本数据对应的被导航对象(样本被导航对象)真正所行驶在的道路。模型训练过程中和采用训练好的模型预测各条出link的概率时,模型的输入数据形式和输出数据形式是相同的,只不过训练时模型的输入是样本数据且该样本数据的标签是已知的,可以根据模型的预测结果和真值(即标签)来对模型参数进行优化调整,而采用训练好的模型预测各条出link的概率时模型的输入是基于当前被导航对象的当前时段的各导航参数的参数值以及各第一道路的道路指纹得到的输入。
作为一可选方案,上述根据当前时段的各导航参数的第二参数值、以及各第一道路的道路指纹,预测被导航对象在各第三道路上的概率,可以包括:
对于每条第一道路,根据当前时段的各导航参数的第二参数值和该第一道路的道路指纹,确定被导航对象与该第一道路在各导航参数上的相似性;
基于当前时段的各导航参数的第二参数值、以及被导航对象与各第一道路在各导航参数上的相似性,预测被导航对象在各第三道路上的概率。
可选的,可以基于当前时段的各导航参数的第二参数值、以及被导航对象与各第一道路在各导航参数上的相似性,得到偏航检测模型的输入特征;基于输入特征,通过训练好的偏航检测模型,预测被导航对象在各第三道路上的概率。
该方案中,偏航检测模型的输入特征可以包括当前时段的各导航参数的第二参数值、被导航对象与入link和各条出link中每条link在每个导航参数上的相似性即匹配度,比如,与入link连通的出link有两条,对于每条link,可以根据当前时段的每个导航参数的第二参数值和该link的道路指纹,确定被导航对象与该link在每个导航参数上的相似性,例如,导航参数有5个,每条link则对应有5个导航参数上的相似性。
由前文的描述可知,上述当前时段的各导航参数的第二参数值可以包括属于当前时段的各个导航定位点的各导航参数的第二参数值,此时,对于每条第一道路,上述根据当前时段的各导航参数的第二参数值和该第一道路的道路指纹,确定被导航对象与该第一道路在各导航参数上的相似性,可以包括:
对于属于当前时段的每个导航定位点,根据该导航定位点的各导航参数的第二参数值和该第一道路的道路指纹,确定被导航对象在该导航定位点与该第一道路在各导航参数的相似性;
其中,输入特征包括当前时段的各导航参数的第二参数值、以及被导航对象在每个导航定位点与每条第一道路在各导航参数上的相似性。
也就是说,可以分别计算每个导航定位点在各个导航参数上所对应的相似性,将各个导航点在各个导航参数上的相似性和当前时段的各导航参数的参数值作为偏航检测模型的输入。
作为一个示例,假设当前时段的各导航参数的第二参数值包括10个导航定位点的各导航参数的参数值,导航参数共5个,其中包括导航定位点的位置,位置的取值可以是经度坐标和维度坐标,其他各导航参数的取值为一个数值,那么一个导航定位点的参数值有6个数值,10个导航定位点的参数值的数量则为10*6个,导航定位点的位置可以当作一个导航参数,那么对于每个导航定位点,可以基于该点的一个导航参数的参数值和一条第一道路上该导航参数的参考特征,计算出在该定位点上被导航对象与该条道路在该导航参数上的相似性,在每个定位点上每条道路则对应有5个相似性,如果出link有两条,那么每个导航定位点在两条出link和一条入link则对应有15个相似性,加上每个导航定位点的6个参数值,该示例中的模型的输入特征即特征向量则包括10*21个特征值,将该特征向量输入到偏航检测模型中,预测得到两条出link各自对应的概率。
可选的,一条道路上的一个导航参数的参考特征包括该条道路的多个历史导航轨迹数据中该导航参数的第一参数值的概率分布特征;对于每条第一道路,上述根据当前时段的各导航参数的第二参数值和该第一道路的道路指纹,确定被导航对象与该第一道路在各所述导航参数上的相似性,包括:
对于每个导航参数,根据该第一道路上该导航参数对应的概率分布特征,确定该导航参数的第二参数值的出现概率,将出现概率确定为被导航对象与该第一道路在该导航参数的相似性。
可选的,一条道路的一个历史导航轨迹数据包括该条道路上的多个导航定位点的各导航参数的第一参数值,该道路上的一个导航参数的参考特征可以包括该条道路的多个历史导航轨迹数据中该导航参数的第一参数值的概率分布特征;对于属于当前时段的每个导航定位点,上述根据该导航定位点的各导航参数的第二参数值和该第一道路的道路指纹,确定被导航对象在该导航定位点与该第一道路在各导航参数的相似性,可以包括:
对于每个导航参数,根据该第一道路上该导航参数的概率分布特征,确定该导航定位点的该导航参数的第二参数值的出现概率,将出现概率确定被导航对象在该导航定位点与该第一道路在该导航参数的相似性。
可选的,概率分布特征可以是高斯分布特征,可以包括均值和方差。在计算上述相似性时,对于每个导航参数,可以根据高斯分布的均值和方差,计算出每个导航定位点的该导航参数的第二参数值在该高斯分布中的发生概率即上述出现概率,也就是该第二参数值对应于该高斯分布的概率密度。
本申请的可选实施例中,一条道路的道路指纹可以包括至少一条子路段的道路指纹,其中,各子路段是根据道路曲率对该道路进行分段得到的,一条子路段的道路指纹包括该条子路段上至少一个导航参数的参考特征;该方案中,上述根据当前时段的各导航参数的第二参数值、以及各第一道路的道路指纹,预测各第一道路中被导航对象所在的目标道路,可以包括:
若各第一道路中存在包含至少两条子路段的道路,对于该道路中的每条子路段,基于该子路段的道路指纹和当前时段的各导航参数的第二参数值,确定所述被导航对象与该条子路段在各导航参数上的相似度;基于该道路的各条子路段对应的相似度,从该道路的各条子路段中确定出该条道路的目标路段;
根据当前时段的各导航参数的第二参数值、各第一道路的目标指纹,预测各第一道路中被导航对象所在的目标道路,其中,包括一条子路段的第一道路的目标指纹为该第一道路的道路指纹,包括至少两条子路段的第一道路的目标指纹为该条道路的目标路段的道路指纹。
也就是说,一条道路可以包括一条或多条子路段,如果一个道路比较曲完全,该道路的道路曲率相差较大,则可以将该道路按照曲率划分为多条子路段,每条子路段可以近似为一条直线,即曲率较小,如可以根据预设曲率阈值判断是否需要对道路进行分段,如果道路曲率大于阈值,可以将道路进行分段,如果曲率较小则可以不分段,即一条道路也可以只一个子路段。
如果一条道路a包括至少两条子路段,可以将每条子路段当作一个link,根据该子路段上的历史导航轨迹数据得到该子路段上的各导航参数的参数值,此时该条道路a则包括多个子路段对应的各导航参数的参数值。为了提高偏航检测准确性,对于包括多条子路段的道路,可以通过计算该道路的各条子路段的参考特征中与当前时段的各导航参数的参数值之间的匹配度,将匹配度最高的子路段的参考特征用于偏航检测,即被导航对象所在目标道路的确定。可选的,匹配度即相似度可以采用前文中所提供的计算被导航对象在各导航参数上与道路之间的相似性的计算方式,该方案中,对于包含多条子路段的道路,可以基于每条子路段的每个导航参数的参考特征与当前时段的该导航参数的参数值,计算被导航对象与该条子路段之间的相似性,可以结合每条子路段所对应的各个导航参数的各个相似性,从多条子路段中确定出目标路段,例如,可以根据一条子路段对应于各个导航参数的多个相似性,确定出该条子路段的融合相似性,可以将各条子路段中融合相似性最高的子路段确定为目标路段。
本申请实施例中,上述偏航检测模型是通过以下方式训练得到的:
获取训练样本集,训练样本集包括多个带有标签的训练样本,每个训练样本包括一个被导航对象经由一个交叉路口时的设定时段内的各导航参数的第三参数值、该被导航对象经过该交叉路口前所在的第四道路的道路指纹、以及通过该交叉路口与第四道路所连通的各第五道路的指纹特征,每个训练样本的标签表征了在该训练样本对应的各第五道路中被导航对象经过交叉路口后真正所进入的道路;
基于训练样本集对待训练的偏航检测模型进行迭代训练,直至模型的训练损失满足训练结束条件,得到训练好的偏航检测模型,其中,训练损失表征了各训练样本的标签和模型预测结果之间的差异,一个训练样本的模型预测结果包括通过待训练的偏航检测模型预测出的被导航对象在各第五道路上的概率。
其中,上述第四道路是指训练样本中的入link,第五道路是训练样本中的出link。在训练过程中,模型的输入特征与采用训练好的模型进行偏航检测时的输入特征的数据样式是相同的,如每个训练样本对应的模型输入特征可以是前文示例中的10×21的特征向量,对于样本而言,该特征向量的特征值是根据训练样本中设定时段的各导航定位点的各导航参数的参数值、以及样本中的入link和各条出link的指纹特征计算得到的。一个训练样本的标签表征了该样本所对应的真实目标道路,那么在通过模型预测出样本中各条出link的概率之后,可以根据各个训练样本的模型预测结果和标签所对应的真实目标道路之间的偏差,计算出模型的训练损失。比如,一个样本的标签可以是一个向量,向量的维度定于该样本中包含的出link的数量,每个维度的特征值为一个概率值,如真实目标道路对应的概率值可以是1,其他出link的概率值可以是0,模型的预测结果也可以是一个概率向量,其中包括各条出link的预测概率,根据各训练样本的标签向量和预测的概率向量之间的差异,可以计算出训练损失。其中,对于模型的训练损失函数具体采用案中损失函数本申请实施例不做限定。
在通过训练好的偏航检测模型预测出各条出link的概率之后,则可以确定出被导航对象所在的目标道路,进而根据目标道路和导航路线识别出被导航对象是否发生偏航。可选的,在预测出link各条道路对应的概率之后,可以将每条出link的概率与概率阈值进行比较来判定是否发生了偏航。
本申请实施例中,上述概率阈值可以是预先配置好的。为了进一步提高偏航检测准确性,作为一可选方案,偏航识别方法可以是由用户终端执行的,上述根据各第三道路对应的概率,确定各第三道路中所述被导航对象所在的目标道路,可以包括:
根据各第三道路对应的概率和概率阈值,确定各第三道路中所述被导航对象所在的目标道路;
其中,概率阈值是从服务器获取到的,概率阈值是服务器根据用户终端对应的导航质量确定的。
其中,如果出link(即第三道路)对应的概率大于或等于概率阈值,可以认为该出link为被导航对象所在的目标道路。其中,如果一条出link对应的概率有多个,可以将每个概率分别与概率阈值比较,若多个概率中有一个概率大于或等于概率阈值,可以判定该出link为目标道路。可选的,在实际应用中,如果所有出link的概率均小于概率阈值,可以不进行偏航判定,或者也可以认为没有发生偏航。
本申请提供的该可选方案中,服务器可以为每个用户终端维护一个导航质量评估数据表,该表中可以维护有各个用户近期导航(可以是设定时段内,如最近10天或者最近一个月)的体验质量,对于导航质量的确定方式本申请不做限定,可选的,可以采用现有技术实现。一个用户终端对应的导航质量越高,表示该终端的用户对近期的导航体验越满意。对于每个用户终端,可以根据其导航质量动态更新/确定该终端对应的概率阈值,可选的,导航质量和概率阈值可以成负相关,即导航质量越高概率阈值可以相对越低。在实际实施时,可以预配置概率阈值的调整策略,该调整策略与导航质量关联,那么在用户终端对应的导航质量发生变化或者变化超过一定阈值时,则可以更新该终端对应的概率阈值,并将更新后的概率阈值提供给用户终端,用于后续的偏航检测。
上述导航质量是用于确定偏航检测的概率阈值的,因此,导航质量也可称为偏航检测质量,该质量可以反映用户终端所对应的偏航检测结果的好坏,如准确度或偏航检测响应时间等。
作为一可选方案,用户终端对应的导航质量可以由服务器通过以下方式确定的:
获取该用户终端对应的历史导航数据;
根据该用户终端对应的历史导航数据,确定用户终端对应的偏航检测结果评估指标,该评估指标包括误偏航率或偏航检测平均响应时间中的至少一项;
根据评估指标确定用户终端对应的导航质量;
该可选方案中,用户终端对应的历史导航数据可以包括以当前时间为基准,最近预设时段(如1个月)内该用户终端的所有历史导航数据,该方案中的历史导航数据除了包括导航路线和对应的导航轨迹数据之外,还包括每次导航中所涉及的与偏航检测有关的数据,如每次偏航检测的响应时间和偏航检测结果(是否发生偏航),服务器在获取到一个用户终端一定时段内的历史导航数据之后,可以通过对导航数据进行分析,计算出最近时段内该用户终端对应的偏航检测平均响应时间以及误偏航率,进而可以根据偏航检测平均响应时间或误偏航率中的至少一项,计算出该用户终端的导航质量,比如,可以对两个指标进行融合,得到导航质量。可选的,误偏航率可以具有较大的权重,即对导航质量可以具有更大的影响力,误偏航率越高说明偏航检测结果越差,导航质量会降低。对于上述根据偏航检测结果评估指标确定导航质量的具体方式本申请实施例也不做唯一限定。
本申请的可选实施例中,该偏航识别方法还可以包括:
响应于用户终端的当前次导航结束,将当前次导航的导航数据发送给服务器,以使服务器根据当前次导航的导航数据对用户终端对应的概率阈值进行更新。
用户终端通过将每次导航结束后的导航数据提供给服务器,使得服务器可以根据该用户终端最新的一定时段内的历史导航数据对该终端对应的概率阈值进行动态更新。
本申请实施例提供的偏航识别方法,理论上可以适用于各种导航场景中的偏航识别,可以包括但不限于车辆导航场景(如驾车导航场景、打车出行中的导航场景,还可以是骑行导航场景)。为了更好的理解和说明本申请实施例提供的方案及其实用性,下面结合车辆导航场景对本申请的可选方案进行说明,该场景实施例中,用户终端即终端设备可以是车辆的车载终端,也可以是用户的智能手机或其他终端。
图3示出了本场景实施例中的一种实施环境的系统结构示意图,如图3所示,该系统结构可以包括终端设备101和服务器102,终端设备101和服务器之间通过网络通信连接。其中,服务器102可以是一个也可以是多个,服务器102可以为终端设备101提供导航服务和偏航检测服务。图4示出了图3的一种可选的系统架构图,如图4所示,服务器102可以包括导航服务器103和偏航服务器104,导航服务器103为终端设备101提供导航服务,偏航服务器104为终端设备提供偏航检测服务。
本场景实施例中,服务器102可以采用云服务器,如偏航服务器104可以是云服务器,可称为云端,终端设备101可以称为前端,前端可以与云端通过网络进行通信交互,通过执行本申请实施例提供的方法在前端侧实现偏航检测。在基于云技术实现本申请提供的方案时,基于本申请提供的方案所实现的偏航识别系统可称为端云一体化的偏航识别系统,该系统可以承载了一个基于深度学习的偏航检测方法,图5示出了本场景实施例中提供的一种端云一体化的偏航识别系统的架构图,该端云一体化系统可以包括数据回流模块即轨迹数据回流模块51、离线挖掘模块即离线轨迹挖掘模块52、数据下发53、偏航检测54和参数自适应调整模块55,下面结合图4和图5,对本场景实施例的偏航识别系统的各部分以及基于该系统的偏航识别流程进行说明。
1.数据回流模块
数据回流模块51部署在前端即用户终端上,其主要的目的是将导航的GPS轨迹数据和行驶的路线信息(即导航路线信息,可以包括导航路线所包含的各道路的标签信息,如道路标识,还可以包括导航过程中的偏航识别信息,如是否识别到发生了偏航,在哪里发生了偏航等)通过网络回流给云端以进行后续相关的数据挖掘。数据回流模块可以不需要很高的实时性,所以不会影响用户在导航过程中的性能占用。在用户发起驾车导航的起始,可以触发数据回流模块,用户结束导航后,可以在特定的网络状态(如用户处于wifi的环境中)在用户授权同意的情况下回流导航轨迹数据和行驶的路线信息到云端进行存储,如图5所示,可以将从大量用户终端获取到的海量导航行驶的路线信息和导航轨迹数据(即大量的历史导航数据)存储在云端的轨迹数据库中。
2.离线挖掘模块
离线挖掘模块52部署在云端上,其主要的目的是挖掘驾车导航用户在各个道路主体的定位分布,以用来表达各个道路上的用户的共性特征,建立道路指纹库,即云端根据海量的数据回流,离线挖掘用户在每条道路上的共性的特征信息作为道路指纹,建立道路指纹库。
离线挖掘过程可以先对导航轨迹数据进行提取清洗,筛选可以和导航规划路线完全匹配上的导航轨迹,即过滤掉不符合要求的导航数据,数据清洗方式本申请实施例不做限定,可以采用现有技术实现,如可以采用基于隐马尔可夫模型(HMM,Hidden MarkovModel)的轨迹数据清洗方法,可以通过将实际轨迹(导航轨迹数据)和规划路线(导航路线)进行相似度估计,将规划路线和轨迹数据不匹配的导航数据剔除。之后,可以将GPS点(即导航轨迹数据中的导航定位点)和规划路线上的道路进行绑路,以确定每个GPS点的道路真值标签(即每个GPS点属于哪条道路)。使用导航数据得到的GPS的真值的可靠性和质量可以得到很好的保证。
通过将海量历史导航数据中的各个GPS点和其所属的道路进行绑定之后,即可获取到每条道路上的大量历史轨迹数据,即导航数据中属于该条道路的大量GPS点的导航参数的参数值,之后根据大数据挖掘方法,如可以采用MapReduce(一种编程模型,可用于大规模数据集的并行运算)的离线处理流程,将处理过的历史导航数据进行挖掘计算,给现有的路网数据计算出其导航指纹特征,即路网数据中各条道路的道路指纹,该特征可以很好的标识一个正常定位的用户GPS在该道路上的特征。
作为一可选方案,导航参数可以每个GPS点对应的经纬度坐标、方向、速度、高度、精度共6维的原始信息,其中,经纬度坐标包括两个经度和纬度2个维度的信息,经纬度坐标可以当作一个导航参数即位置,该参数有两个参数值。上述数据挖掘可以根据从历史导航数据中得到的每条道路上每个导航参数的大量参数值,对每条道路上每个导航参数的高斯分布特征的挖掘,将一条道路上一个导航参数的高斯分布特征(如均值和方差)作为该条道路上该导航参数的参考特征(也可称为基准特征值)进行挖掘。可选的,对于经纬度坐标这一导航参数,可以先根据GPS点的经纬度坐标计算出GPS点相对于道路的横向偏移,将每条道路上大量GPS点对应的横向偏移的高斯分布特征作为经纬度坐标这一参数的参考特征。对于其他任一导航参数,可以将每条道路上大量GPS点的该导航参数的参数值的高斯分布特征作为该导航参数的参考特征。
通过离线挖掘,可以构建得到包含大量道路的道路指纹的指纹数据库。可以理解的是,在实际应用中,轨迹数据库中的数据是不断更新的,因此指纹数据库中的数据也是可以进行更新的,比如可以按照预设的周期根据轨迹数据库中的历史轨迹数据对指纹数据库进行更新。
3.数据下发模块
数据下发模块53部署在云端上,在用户每次发起导航时,上传给云端其所要经过的导航路线,云端根据导航路线从道路指纹库中提取其路线所经过的区域的道路指纹数据(即当前导航路线所关联的各道路的道路指纹),打包之后进行下发,用户在触发导航操作或者每次切换新路线或者偏航重新规划路线后,都可以触发一次新的请求获取数据。这个过程可以不对下载的时间和网络时延有严格要求,一个用户在一天的导航过程中对云端的请求次数也平均只有数次。因此极大降低了对云端的性能要求。
4.偏航检测模块
偏航检测模块54部署在前端上。整个偏航检测的过程可以无需网络过程的参与,可以完全基于导航起始获取的道路指纹数据,结合端上的偏航检测算法在路口处触发对偏航的检测。由于道路指纹已经从大量的用户历史轨迹中挖掘了很多路口的特征,因此端上部署的偏航检测算法,可以将特征空间大大缩小,降低特征空间的复杂度,模型还可以训练到更好的效果。偏航检测模块的阈值参数由云端进行控制,这个控制细化到每个用户。用户在行驶路口时,前端可以根据已下发的指纹数据,应用偏航检测算法进行实时的偏航检测,如果检测发生了偏航,则可以提示用户已发生偏航并触发重新规划路线逻辑。
5.参数调整模块
参数调整模块55部署在云端上。云端会为每个用户维护一个导航质量评估数据表,会维护用户近期导航的体验质量,可以包括平均偏航响应时间和误偏航率这两个指标。根据这两个指标可以设计一个质量分数。每次用户导航结束后,可以通过数据回流模块上传的信息会更新该用户在云端的这两个状态,并且计算质量分数是否出现上升还是下降,根据导航质量的变化可以更新用户对应的用于偏航检测的概率阈值。
可选的,如果一个用户对应的质量分数下降,可以进行以下决策:如果是误偏航率上升,则严格调整偏航检测模型的阈值,如果平均偏航响应时间上升,则放宽偏航检测模型的阈值。参数调整模块实现了用户的自适应的效果,如果用户的设备质量较差,容易发生误偏航,则自适应调整为偏航响应时间偏高(如调高概率阈值),但误偏航的比例很低。反之,如果用户的设备质量较好,不容易出现误偏航,则可以自适应调整为偏航响应更灵敏(如调小概率阈值),体验更好。
基于参数调整模块,一个用户在每次导航结束后,云端会根据偏航响应的速度和是否产生误偏航,动态调整该用户的参数和阈值。信号质量较好的用户终端参数会调整的更灵敏,以获得更快的响应速度。反之信号质量偏差的用户终端参数会调整的更保守,以尽可能确保不产生误偏航,在用户对应的概率阈值发生更新时,云端将更新后的阈值发送给用户终端,用于后续的偏航识别。
下面对偏航检测模块54的工作流程进行进一步说明。
如图4所示,用户终端即终端设备101从导航服务器103获取到导航路线之后,可以基于导航路线从偏航服务器104获取到该导航路线的各关联道路的道路指纹,偏航检测模块54可以基于实时的导航数据和获取到的各关联道路的道路指纹在车辆经由交叉路口(下面以二叉路口为例)时启动偏航检测。其中用户终端中部署有训练好的偏航检测模型,可选的该模型可以有专门的训练服务器基于训练样本机集对神经网络模型进行训练得到,训练好的模型可以由偏航服务器推送到用户终端,偏航检测模块可以基于偏航检测模型进行车辆的偏航检测。可选的,偏航检测流程可以包括数据清洗、特征构建、模型训练和偏航识别四个部分,其中,数据清洗、特征构建和模型训练可以由云端或专门的训练服务器执行,偏航识别由用户终端执行。下面对这四个部分分别进行说明。
1.数据清洗
数据清洗是根据用户回流的轨迹数据和标签,提取行驶二叉路口的轨迹数据和匹配道路真值标签(样本的标签,即行驶过二叉路口之后真正驶入的出link)以及挖掘的岔路口的道路指纹信息。根据回流的轨迹数据去做清洗,可以选择经过二叉路口的非低速的轨迹数据作为数据集,用于构建训练样本集。设轨迹数量是M,也就训练样本的数量,样本的标签是个二分类标签,二叉路的逻辑左侧的路为0,逻辑右侧的路为1,即二叉路口所连通的两个出link的标签分别是0和1。本场景实施例中,一个样本可以包括导航轨迹在分歧点(路口)前3秒后7秒共10秒的时间序列,每个GPS点存下经纬度坐标和方向、速度、高度、精度共6维的原始信息,即一个被导航对象经由一个交叉路口时的设定时段内的各所述导航参数的参数值,M条轨迹可以得到M×10×6的数据集,以及M×1的标签集。
作为一个示例,图6中示出了一条导航轨迹的示意图,如图6所示,一条导航轨迹数据可以包括多个GPS点,每个GPS点对应有上述6个参数值,该示意图中二岔路口的入link为R1,出link为R2和R3,上述数据集中的一条数据包括基于用户回流的导航数据得到的车辆经由一个路口前后10秒的10个GPS点的导航参数的参数值。该示意图中每条link上的矩形框代表link的道路指纹,从图中也可以看出,R1和R3是比较平直的道路,道路可以无需进行子路段的划分,即R1和R3可以包含一个子路段,R1和R3的道路指纹包括各个导航参数的一个参考特征,而R2是比较弯曲的道路,根据道路曲率可以将该道路划分为多个子路段,R2在每个导航参数上的参考特征由多个,即R2的大路指纹包括各个子路段的道路指纹。
2.特征构建
该步骤是根据已挖掘的道路指纹库,去计算每个GPS点的6维的原始信息和二叉路口的三条路(入link和两条出link)的分别的相似值作为特征向量,即计算每个GPS点的各导航参数的第二参数值和参考特征的相似性。
具体的,可以在路口的分歧点划定一个参考的时间窗口,时间窗口的每个点(GPS点)计算跟入边(入link)和两个出边(出link)的相似度,构建一个时间序列的向量作为特征向量。道路指纹库中有位置(经纬度坐标)、高度、精度、方向(方向角)和速度的大量历史用户的共性分布。因此,通过用户当前的GPS经纬度可以计算位置相似性,通过高度、精度、方向和速度速计算各自的相似性。其中,对于位置相似性,可以先计算当前的GPS经纬度与道路中心线的横向偏移,根据该横向偏移和位置的参考特征(如横向偏移的高斯分布特征)计算得到位置相似性,其他各参数可以根据当前的GPS点的参数值和各参数的特征计算得到。其中,对于每个GPS点,入link和左右两条出link各5维的特征,总共15维的特征,再加上原始6维的特征总共21维的特征向量,得到M×10×21的数据集,即M个训练样本,每个样本的模型输入特征包括10×21个特征值。每个GPS点的特征构建的特征表如下表所示,表中的个体特征一列是GPS点的6维原始信息。
3.模型训练
每个特征向量(即样本的模型输入特征)的标签是个二分类的标签,可以基于带有标签的M个特征向量训练深度学习模型,学习的模型即偏航检测模型部署在用户端上进行实时检测。
可选的,在模型训练时,上述M×10×21数据集可以划分训练集和测试集后,深度学习模型可以采用LSTM模型或其他的时间序列检测模型,例如RNN模型。其中,模型可以前端的性能要求下,调整模型的复杂度,得到可以轻量化部署到前端上的偏航检测模型。
4.偏航识别
在导航场景应用中,基于已知的规划路线即导航路线,可以在导航起始从偏航服务器请求路线上经过区域的道路指纹数据,即导航路线的各关联道路的道路指纹,前端从服务器下载指纹数据完成后,可以对规划路线上的每个路口载入离线挖掘的道路指纹(即各关联道路中与路口关联的各第一道路的道路指纹,也就是入link和各条出link的道路指纹)。当用户在每次行驶至二叉路口时,前端可以采用上述特征构建方式进行相同的特征构建,如车辆经过路口前的前3秒以及之后7秒共10秒的GPS点的导航参数的第二参数值,根据这些参数值和路口的入link和各条出link上导航参数的参考特征,预算相似性,得到一个10×21的特征向量,也就是模型的输入特征,将该特征向量输入到偏航检测模型中,根据模型的输出结果检测用户是否偏航。
具体的,将特征向量输入到偏航检测模型,模型可以输出两条出link分别对应的匹配概率值,根据两条出link对应的该概率值和概率阈值,可以判定车辆当前是否发生了偏航,如果有一条出link的概率值大于概率阈值(如0.9),可以判定该link为车辆所在的目标道路,如果该条道路是规划路线上的道路,则没有发生偏航,否则发生偏航。可选的,用户如果GPS质量较差时,两条路的概率都偏低时(小于概率阈值)可以不进行路口处的偏航识别。这个概率阈值可以由云端控制并可以动态更新。
在实际应用中,当用户行驶至三叉路口时,对三叉路口的入link和多条出link中的每两条路构造特征进行判定,进行三次判定来进行偏航识别。如果某条路的概率值超过了概率阈值,并且和用户规划路线的路不一致,则判定用户发生了偏航,触发端上偏航的逻辑,如提升用户发生偏航,触发导航路线的重新规划等。
本申请实施例提供的偏航识别方案可以在不依赖人工标注和其它传感器设备的前提下,设计了一种完全闭环的端云一体化的偏航识别系统,提供了一个基于深度学习的轻量且高普适性和高可靠性的路口偏航识别方法。终端设备可以在较低的计算复杂度和性能开销的情况下,利用发起导航时获得的道路指纹数据,信号质量较差的终端可以进行保守但准确的偏航识别,信号质量较好的终端可以进行灵敏且准确的偏航识别。本申请实施例提供的方法具有很好的普适性和鲁棒性。该方案可以很好的优化地图导航体验,具体的,该方案可以适配市场上不同型号的终端设备,适配全国复杂的路口形状进行高准确率的偏航识别,端云一体化的系统架构可以大幅减轻端上的性能开销,同时保证了较好的实时性,由于该主要依靠用户回流的轨迹挖掘的指纹特征,并不过于依赖地图路网数据,因此对于很多地图路网错误的路口具有一定的容忍性,导航道路指纹可以弥补因地图数据错误导致的误偏航。
本申请实施例的方案进行了大数据离线挖掘建立了道路指纹库,道路指纹和路口场景强相关,反应的是大量用户在路口的共性的表现,因此对于困难的特殊场景有较高的准确率。从性能表现上,将路口特征相关的重量的特征挖掘数据放至云端,移动终端可以在导航或者其他定位场景中提前获取道路指纹数据进行缓存。端上采用复杂度较低的轻量模型在本地进行更高准确度的偏航检测识别,同时保证了实时性和更低的性能开销。
在实际应用中,如果可以获取到车道级的海量历史导航数据,还可以构建车道级的指纹数据,即每个车道的车道指纹,可以实现车道级的偏航检测,比如,在满足一定条件时,可以根据车辆当前时段的各导航参数的参数值、以及当前所行驶在的道路包含的各车道的指纹特征,预测车联所在的目标车道,根据该车道是否在导航路线上判断是否发生了偏航。
基于与本申请实施例提供的偏航识别方法相同的原理,本申请实施例提供了一种偏航识别装置,如图7所示,该偏航识别装置100可以包括源数据获取模块110、偏航检测数据获取模块120和偏航检测模块130。
源数据获取模块110,用于在满足导航路线获取条件的情况下,获取导航路线以及导航路线的各关联道路的道路指纹,一条道路的道路指纹是根据该条道路的多个历史导航轨迹数据确定的,,一条道路上的一个历史导航轨迹数据包括该条道路上的至少一个导航参数的第一参数值,一条道路的道路指纹包括该条道路上至少一个导航参数的参考特征,一个导航参数的参考特征是基于多个导航历史轨迹数据中该导航参数的第一参数值进行数据挖掘得到的;
偏航检测数据获取模块120,用于在满足偏航检测条件的情况下,获取被导航对象在当前时段的各导航参数的第二参数值、以及各关联道路中与当前导航位置关联的各第一道路的道路指纹;
偏航检测模块130,用于根据当前时段的各导航参数的第二参数值、以及各第一道路的道路指纹,预测各第一道路中被导航对象所在的目标道路,根据目标道路是否属于导航路线,确定被导航对象是否发生偏航。
可选的,满足偏航检测条件包括被导航对象经过交叉路口,各第一道路包括被导航对象进入交叉路口前所在的第二道路、以及通过交叉路口与第二道路所连通的各第三道路;偏航检测模块在预测各第一道路中被导航对象所在的目标道路时可以用于:
根据当前时段的各导航参数的第二参数值、以及各第一道路的道路指纹,通过训练好的偏航检测模型预测被导航对象在各第三道路上的概率;
根据各第三道路对应的概率,确定各第三道路中被导航对象所在的目标道路。
可选的,偏航检测模块可以用于:
对于每条第一道路,根据当前时段的各导航参数的第二参数值和该第一道路的道路指纹,确定被导航对象与该第一道路在各导航参数上的相似性;
基于当前时段的各导航参数的第二参数值、以及被导航对象与各第一道路在各导航参数上的相似性,得到偏航检测模型的输入特征;
基于输入特征,通过训练好的偏航检测模型,预测车辆在各第三道路上的概率。
可选的,当前时段的各导航参数的第二参数值包括属于当前时段的各个导航定位点的各导航参数的第二参数值;对于每条第一道路,偏航检测模块在根据当前时段的各导航参数的第二参数值和该第一道路的道路指纹,确定被导航对象与该第一道路在各导航参数上的相似性时可以用于:
对于属于当前时段的每个导航定位点,根据该导航定位点的各导航参数的第二参数值和该第一道路的道路指纹,确定被导航对象在该导航定位点与该第一道路在各导航参数的相似性;
其中,输入特征包括当前时段的各导航参数的第二参数值、以及被导航对象在每个导航定位点与每条第一道路在各导航参数上的相似性。
可选的,一条道路上的一个导航参数的参考特征包括:该条道路的多个历史导航轨迹数据中该导航参数的第一参数值的概率分布特征;对于每条第一道路,被导航对象与该第一道路在各导航参数上的相似性是通过以下方式得到的:
对于每个导航参数,根据该第一道路上该导航参数对应的概率分布特征,确定该导航参数的第二参数值的出现概率,将该出现概率确定为被导航对象与该第一道路在该导航参数的相似性。
可选的,一条道路的一个历史导航轨迹数据包括该条道路上的多个导航定位点的各导航参数的参数值。
可选的,一条道路上的一个导航参数的参考特征包括该条道路的多个历史导航轨迹数据中该导航参数的第一参数值的概率分布特征;对于属于当前时段的每个导航定位点,偏航检测模块在根据该导航定位点的各导航参数的第二参数值和该第一道路的道路指纹,确定被导航对象在该导航定位点与该第一道路在各导航参数的相似性时可以用于:
对于每个导航参数,根据该第一道路上该导航参数的概率分布特征,确定该导航定位点的该导航参数的第二参数值的出现概率,将该出现概率确定被导航对象在该导航定位点与该第一道路在该导航参数的相似性。
可选的,训练好的偏航检测模型为二分类模型,若各第三道路的道路数量大于2条,偏航检测模块在通过训练好的偏航检测模型预测被导航对象在各第三道路上的概率时可以用于:
对于各第三道路中的每两条道路的每个组合,根据当前时段的各导航参数的第二参数值、第二道路的道路指纹、以及该组合中两条道路的道路指纹,通过训练好的偏航检测模型预测被导航对象在该组合中的两条道路上的概率。
可选的,该装置部署在用户终端中,偏航检测模块在确定各第三道路中被导航对象所在的目标道路时可以用于:
根据各第三道路对应的概率和概率阈值,确定各第三道路中被导航对象所在的目标道路;
其中,概率阈值是从服务器获取到的,概率阈值是服务器根据用户终端对应的导航质量确定的。
可选的,用户终端对应的导航质量由服务器通过以下方式确定的:
获取用户终端对应的历史导航数据;
根据用户终端对应的历史导航数据,确定用户终端对应的偏航检测结果评估指标,评估指标包括误偏航率或偏航检测平均响应时间中的至少一项;
根据评估指标确定用户终端对应的导航质量。
可选的,该装置还包括数据回流模块,该模块用于:
响应于用户终端的当前次导航结束,将当前次导航的导航数据发送给服务器,以使服务器根据当前次导航的导航数据对用户终端对应的概率阈值进行更新。
可选的,偏航检测模型是通过以下方式训练得到的:
获取训练样本集,训练样本集包括多个带有标签的训练样本,每个训练样本包括一个被导航对象经由一个交叉路口时的设定时段内的各导航参数的第三参数值、该被导航对象经过该交叉路口前所在的第四道路的道路指纹、以及通过该交叉路口与第四道路所连通的各第五道路的指纹特征,每个训练样本的标签表征了在该训练样本对应的各第五道路中被导航对象经过交叉路口后真正所进入的道路;
基于训练样本集对待训练的偏航检测模型进行迭代训练,直至模型的训练损失满足训练结束条件,得到训练好的偏航检测模型,其中,训练损失表征了各训练样本的标签和模型预测结果之间的差异,一个训练样本的模型预测结果包括通过待训练的偏航检测模型预测出的被导航对象在各第五道路上的概率。
可选的,源数据获取模块可以用于:
响应于满足导航路线获取条件,向服务器发送导航路线获取请求;
接收服务器发送的导航路线以及导航路线的各关联道路的道路指纹,其中,导航路线的各关联道路的道路指纹是由服务器通过以下方式确定的:
确定导航路线的各关联道路;
从道路指纹库中获取各关联道路的道路指纹,道路指纹库中包括路网中各道路的道路指纹;其中,道路指纹库是由服务器通过以下方式构建得到的:
获取多个被导航对象的多个历史导航数据,每个历史导航数据包括一个被导航对象的历史导航路线、以及该历史导航路线的导航轨迹数据;
对于每个历史导航路线,确定该历史导航路线的导航轨迹数据中属于该历史导航路线所包含的每个道路的历史导航轨迹数据;
对于多个历史导航数据中所包括的每个道路,根据属于该道路的所有历史导航轨迹数据,确定该道路的道路指纹。
可选的,历史导航路线的导航轨迹数据包括多个导航定位点的各导航参数的第一参数值;对于多个历史导航数据中所包括的每个道路,该道路的道路指纹是通过以下方式得到的:
对于每个导航参数,确定属于该道路的所有导航轨迹数据中的该导航参数的第一参数值的概率分布特征,将该概率分布特征作为该条道路上该导航参数的参考特征。
可选的,一条道路的道路指纹包括至少一条子路段的道路指纹,其中,各子路段是根据道路曲率对该道路进行分段得到的,一条子路段的道路指纹包括该条子路段上至少一个导航参数的参考特征;偏航检测模块在预测各第一道路中被导航对象所在的目标道路时可以用于:
若各第一道路中存在包含至少两条子路段的道路,对于该道路中的每条子路段,基于该子路段的道路指纹和当前时段的各导航参数的第二参数值,确定被导航对象与该子路段在各导航参数上的相似度;基于该道路的各条子路段对应的相似度,从该道路的各条子路段中确定出该条道路的目标路段;
根据当前时段的各导航参数的第二参数值、各第一道路的目标指纹,预测各第一道路中被导航对象所在的目标道路,其中,包括一条子路段的第一道路的目标指纹为该第一道路的道路指纹,包括至少两条子路段的第一道路的目标指纹为该条道路的目标路段的道路指纹。
本申请实施例的装置可执行本申请实施例所提供的方法,其实现原理相类似,本申请各实施例的装置中的各模块所执行的动作是与本申请各实施例的方法中的步骤相对应的,对于装置的各模块的详细功能描述具体可以参见前文中所示的对应方法中的描述,此处不再赘述。
本申请实施例中提供了一种电子设备,包括存储器、处理器及存储在存储器上的计算机程序,该处理器执行存储器中存储的计算机程序时可实现本申请任一可选实施例中的方法。
图8示出了本发明实施例所适用的一种电子设备的结构示意图,如图8所示,该电子设备可以为服务器或者用户终端,该电子设备可以用于实施本发明任一实施例中提供的方法。
如图8中所示,该电子设备2000主要可以包括至少一个处理器2001(图8中示出了一个)、存储器2002、通信模块2003和输入/输出接口2004等组件,可选的,各组件之间可以通过总线2005实现连接通信。需要说明的是,图8中示出的该电子设备2000的结构只是示意性的,并不构成对本申请实施例提供的方法所适用的电子设备的限定。
其中,存储器2002可以用于存储操作系统和应用程序等,应用程序可以包括在被处理器2001调用时实现本发明实施例所示方法的计算机程序,还可以包括用于实现其他功能或服务的程序。存储器2002可以是ROM(Read Only Memory,只读存储器)或可存储静态信息和指令的其他类型的静态存储设备,RAM(Random Access Memory,随机存取存储器)或者可存储信息和计算机程序的其他类型的动态存储设备,也可以是EEPROM(ElectricallyErasable Programmable Read Only Memory,电可擦可编程只读存储器)、CD-ROM(CompactDisc Read Only Memory,只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
处理器2001通过总线2005与存储器2002连接,通过调用存储器2002中所存储的应用程序实现相应的功能。其中,处理器2001可以是CPU(Central Processing Unit,中央处理器),通用处理器,DSP(Digital Signal Processor,数据信号处理器),ASIC(Application Specific Integrated Circuit,专用集成电路),FPGA(FieldProgrammable Gate Array,现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合,其可以实现或执行结合本发明公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器2001也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
电子设备2000可以通过通信模块2003(可以包括但不限于网络接口等组件)连接到网络,以通过网络与其它设备(如用户终端或服务器等)的通信,实现数据的交互,如向其他设备发送数据或从其他设备接收数据。其中,通信模块2003可以包括有线网络接口和/或无线网络接口等,即通信模块可以包括有线通信模块或无线通信模块中的至少一项。
电子设备2000可以通过输入/输出接口2004可以连接所需要的输入/输出设备,如键盘、显示设备等,电子设备200自身可以具有显示设备,还可以通过接口2004外接其他显示设备。可选的,通过该接口2004还可以连接存储装置,如硬盘等,以可以将电子设备2000中的数据存储到存储装置中,或者读取存储装置中的数据,还可以将存储装置中的数据存储到存储器2002中。可以理解的,输入/输出接口2004可以是有线接口,也可以是无线接口。根据实际应用场景的不同,与输入/输出接口2004连接的设备,可以是电子设备2000的组成部分,也可以是在需要时与电子设备2000连接的外接设备。
用于连接各组件的总线2005可以包括一通路,在上述组件之间传送信息。总线2005可以是PCI(Peripheral Component Interconnect,外设部件互连标准)总线或EISA(Extended Industry Standard Architecture,扩展工业标准结构)总线等。根据功能的不同,总线2005可以分为地址总线、数据总线、控制总线等。
可选的,对于本发明实施例所提供的方案而言,存储器2002可以用于存储执行本发明方案的计算机程序,并由处理器2001来运行,处理器2001运行该计算机程序时实现本发明实施例提供的方法或装置的动作。
基于与本申请实施例提供的方法相同的原理,本申请实施例提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时可实现前述方法实施例的相应内容。
本申请实施例还提供了一种计算机程序产品,该产品包括计算机程序,该计算机程序被处理器执行时可实现前述方法实施例的相应内容。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”、“1”、“2”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除图示或文字描述以外的顺序实施。
应该理解的是,虽然本申请实施例的流程图中通过箭头指示各个操作步骤,但是这些步骤的实施顺序并不受限于箭头所指示的顺序。除非本文中有明确的说明,否则在本申请实施例的一些实施场景中,各流程图中的实施步骤可以按照需求以其他的顺序执行。此外,各流程图中的部分或全部步骤基于实际的实施场景,可以包括多个子步骤或者多个阶段。这些子步骤或者阶段中的部分或全部可以在同一时刻被执行,这些子步骤或者阶段中的每个子步骤或者阶段也可以分别在不同的时刻被执行。在执行时刻不同的场景下,这些子步骤或者阶段的执行顺序可以根据需求灵活配置,本申请实施例对此不限制。
以上所述仅是本申请部分实施场景的可选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请的方案技术构思的前提下,采用基于本申请技术思想的其他类似实施手段,同样属于本申请实施例的保护范畴。
Claims (15)
1.一种偏航识别方法,其特征在于,所述方法包括:
响应于满足导航路线获取条件,获取导航路线以及所述导航路线的各关联道路的道路指纹,一条道路的道路指纹是根据该条道路的多个历史导航轨迹数据确定的,一条道路上的一个历史导航轨迹数据包括该条道路上的至少一个导航参数的第一参数值,一条道路的道路指纹包括该条道路上各所述导航参数的参考特征,一个所述导航参数的参考特征是基于多个导航历史轨迹数据中该导航参数的第一参数值进行数据挖掘得到的;
响应于满足偏航检测条件,获取被导航对象在当前时段的各所述导航参数的第二参数值、以及所述各关联道路中与当前导航位置关联的各第一道路的道路指纹;
根据所述当前时段的各所述导航参数的第二参数值、以及各所述第一道路的道路指纹,预测所述各第一道路中所述被导航对象所在的目标道路;
根据所述目标道路是否属于所述导航路线,确定所述被导航对象是否发生偏航。
2.根据权利要求1所述的方法,其特征在于,所述满足偏航检测条件包括所述被导航对象经过交叉路口,所述各第一道路包括所述被导航对象进入所述交叉路口前所在的第二道路、以及通过所述交叉路口与所述第二道路所连通的各第三道路;
所述根据所述当前时段的各所述导航参数的第二参数值、以及各所述第一道路的道路指纹,预测所述各第一道路中所述被导航对象所在的目标道路,包括:
根据所述当前时段的各所述导航参数的第二参数值、以及各所述第一道路的道路指纹,通过训练好的偏航检测模型预测所述被导航对象在各所述第三道路上的概率;
根据各所述第三道路对应的概率,确定各所述第三道路中所述被导航对象所在的目标道路。
3.根据权利要求2所述的方法,其特征在于,所述根据所述当前时段的各所述导航参数的第二参数值、以及各所述第一道路的道路指纹,通过训练好的偏航检测模型预测所述被导航对象在各所述第三道路上的概率,包括:
对于每条所述第一道路,根据所述当前时段的各所述导航参数的第二参数值和该第一道路的道路指纹,确定所述被导航对象与该第一道路在各所述导航参数上的相似性;
基于所述当前时段的各所述导航参数的第二参数值、以及所述被导航对象与各所述第一道路在各所述导航参数上的相似性,得到所述偏航检测模型的输入特征;
基于所述输入特征,通过所述训练好的偏航检测模型,预测所述被导航对象在各所述第三道路上的概率。
4.根据权利要求3所述的方法,其特征在于,所述当前时段的各所述导航参数的第二参数值包括属于所述当前时段的各个导航定位点的各所述导航参数的第二参数值;
对于每条所述第一道路,所述根据所述当前时段的各所述导航参数的第二参数值和该第一道路的道路指纹,确定所述被导航对象与该第一道路在各所述导航参数上的相似性,包括:
对于属于所述当前时段的每个导航定位点,根据该导航定位点的各所述导航参数的第二参数值和该第一道路的道路指纹,确定所述被导航对象在该导航定位点与该第一道路在各导航参数的相似性;
其中,所述输入特征包括所述当前时段的各所述导航参数的第二参数值、以及所述被导航对象在每个所述导航定位点与每条所述第一道路在各所述导航参数上的相似性。
5.根据权利要求3所述的方法,其特征在于,一条道路上的一个所述导航参数的参考特征包括:该条道路的多个历史导航轨迹数据中该导航参数的第一参数值的概率分布特征;
对于每条所述第一道路,所述根据所述当前时段的各所述导航参数的第二参数值和该第一道路的道路指纹,确定所述被导航对象与该第一道路在各所述导航参数上的相似性,包括:
对于每个所述导航参数,根据该第一道路上该导航参数对应的概率分布特征,确定该导航参数的第二参数值的出现概率,将所述出现概率确定为所述被导航对象与该第一道路在该导航参数的相似性。
6.根据权利要求2所述的方法,其特征在于,所述训练好的偏航检测模型为二分类模型,若所述各第三道路的道路数量大于2条,所述根据所述当前时段的各所述导航参数的第二参数值、以及各所述第一道路的道路指纹,通过训练好的偏航检测模型预测所述被导航对象在各所述第三道路上的概率,包括:
对于所述各第三道路中的每两条道路的每个组合,根据所述当前时段的各所述导航参数的第二参数值、所述第二道路的道路指纹、以及该组合中两条道路的道路指纹,通过训练好的偏航检测模型预测所述被导航对象在该组合中的两条道路上的概率。
7.根据权利要求2至6中任一项所述的方法,其特征在于,所述方法是由用户终端执行的,所述根据各所述第三道路对应的概率,确定各所述第三道路中所述被导航对象所在的目标道路,包括:
根据各所述第三道路对应的概率和概率阈值,确定各所述第三道路中所述被导航对象所在的目标道路;
其中,所述概率阈值是从服务器获取到的,所述概率阈值是所述服务器根据所述用户终端对应的导航质量确定的。
8.根据权利要求7所述的方法,其特征在于,所述用户终端对应的导航质量由所述服务器通过以下方式确定的:
获取所述用户终端对应的历史导航数据;
根据所述用户终端对应的历史导航数据,确定所述用户终端对应的偏航检测结果评估指标,所述评估指标包括误偏航率或偏航检测平均响应时间中的至少一项;
根据所述评估指标确定所述用户终端对应的导航质量;
所述方法还包括:
响应于所述用户终端的当前次导航结束,将当前次导航的导航数据发送给所述服务器,以使所述服务器根据当前次导航的导航数据对所述用户终端对应的概率阈值进行更新。
9.根据权利要求2至6中任一项所述的方法,其特征在于,所述偏航检测模型是通过以下方式训练得到的:
获取训练样本集,所述训练样本集包括多个带有标签的训练样本,每个所述训练样本包括一个被导航对象经由一个交叉路口时的设定时段内的各所述导航参数的第三参数值、该被导航对象经过该交叉路口前所在的第四道路的道路指纹、以及通过该交叉路口与所述第四道路所连通的各第五道路的指纹特征,每个所述训练样本的标签表征了在该训练样本对应的各第五道路中被导航对象经过交叉路口后真正所进入的道路;
基于所述训练样本集对待训练的偏航检测模型进行迭代训练,直至模型的训练损失满足训练结束条件,得到训练好的偏航检测模型,其中,所述训练损失表征了各所述训练样本的标签和模型预测结果之间的差异,一个所述训练样本的模型预测结果包括通过所述待训练的偏航检测模型预测出的被导航对象在各所述第五道路上的概率。
10.根据权利要求1所述的方法,其特征在于,所述响应于满足导航路线获取条件,获取导航路线以及所述导航路线的各关联道路的道路指纹,包括:
响应于满足导航路线获取条件,向服务器发送导航路线获取请求;
接收所述服务器发送的导航路线以及所述导航路线的各关联道路的道路指纹,其中,所述导航路线的各关联道路的道路指纹是由所述服务器通过以下方式确定的:
确定所述导航路线的各关联道路;
从道路指纹库中获取所述各关联道路的道路指纹,所述道路指纹库中包括路网中各道路的道路指纹;其中,所述道路指纹库是由所述服务器通过以下方式构建得到的:
获取多个被导航对象的多个历史导航数据,每个所述历史导航数据包括一个被导航对象的历史导航路线、以及该历史导航路线的导航轨迹数据;
对于每个所述历史导航路线,确定该历史导航路线的导航轨迹数据中属于该历史导航路线所包含的每个道路的历史导航轨迹数据;
对于所述多个历史导航数据中所包括的每个道路,根据属于该道路的所有历史导航轨迹数据,确定该道路的道路指纹。
11.根据权利要求10所述的方法,所述历史导航路线的导航轨迹数据包括多个导航定位点的各所述导航参数的第一参数值;
对于所述多个历史导航数据中所包括的每个道路,所述根据属于该道路的所有历史导航轨迹数据,确定该道路的道路指纹,包括:
对于每个所述导航参数,确定属于该道路的所有历史导航轨迹数据中的该导航参数的第一参数值的概率分布特征,将所述概率分布特征作为该条道路上该导航参数的参考特征。
12.根据权利要求1至6以及10至11任一项所述的方法,其特征在于,一条道路的道路指纹包括至少一条子路段的道路指纹,其中,各所述子路段是根据道路曲率对该道路进行分段得到的,一条子路段的道路指纹包括该条子路段上至少一个导航参数的参考特征;
所述根据所述当前时段的各所述导航参数的第二参数值、以及各所述第一道路的道路指纹,预测所述各第一道路中所述被导航对象所在的目标道路,包括:
若各所述第一道路中存在包含至少两条子路段的道路,对于该道路中的每条子路段,基于该子路段的道路指纹和所述当前时段的各导航参数的第二参数值,确定被导航对象与该子路段在各导航参数上的相似度;基于该道路的各条子路段对应的相似度,从该道路的各条子路段中确定出该条道路的目标路段;
根据所述当前时段的各所述导航参数的第二参数值、各所述第一道路的目标指纹,预测所述各第一道路中所述被导航对象所在的目标道路,其中,包括一条子路段的第一道路的目标指纹为该第一道路的道路指纹,包括至少两条子路段的第一道路的目标指纹为该条道路的目标路段的道路指纹。
13.一种偏航识别装置,其特征在于,所述装置包括:
源数据获取模块,用于在满足导航路线获取条件的情况下,获取导航路线以及所述导航路线的各关联道路的道路指纹,一条道路的道路指纹是根据该条道路的多个历史导航轨迹数据确定的,一条道路上的一个历史导航轨迹数据包括该条道路上的至少一个导航参数的第一参数值,一条道路的道路指纹包括在该条道路上各所述导航参数的参考特征,一个所述导航参数的参考特征是基于多个导航历史轨迹数据中该导航参数的第一参数值进行数据挖掘得到的;
偏航检测数据获取模块,用于在满足偏航检测条件的情况下,获取被导航对象在当前时段的各所述导航参数的第二参数值、以及所述各关联道路中与当前导航位置关联的各第一道路的道路指纹;
偏航检测模块,用于根据所述当前时段的各所述导航参数的第二参数值、以及各所述第一道路的道路指纹,预测所述各第一道路中所述被导航对象所在的目标道路,根据所述目标道路是否属于所述导航路线,确定所述被导航对象是否发生偏航。
14.一种电子设备,其特征在于,所述电子设备包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序以实现权利要求1至12任一项所述的方法。
15.一种计算机可读存储介质,其特征在于,所述存储介质中存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1至12任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310073898.4A CN116972860A (zh) | 2023-01-13 | 2023-01-13 | 偏航识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310073898.4A CN116972860A (zh) | 2023-01-13 | 2023-01-13 | 偏航识别方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116972860A true CN116972860A (zh) | 2023-10-31 |
Family
ID=88480338
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310073898.4A Pending CN116972860A (zh) | 2023-01-13 | 2023-01-13 | 偏航识别方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116972860A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117537842A (zh) * | 2024-01-10 | 2024-02-09 | 深圳依时货拉拉科技有限公司 | 路线偏航识别方法、装置、计算机可读存储介质及设备 |
-
2023
- 2023-01-13 CN CN202310073898.4A patent/CN116972860A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117537842A (zh) * | 2024-01-10 | 2024-02-09 | 深圳依时货拉拉科技有限公司 | 路线偏航识别方法、装置、计算机可读存储介质及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yu et al. | Deep learning-based traffic safety solution for a mixture of autonomous and manual vehicles in a 5G-enabled intelligent transportation system | |
CN112099496B (zh) | 一种自动驾驶训练方法、装置、设备及介质 | |
CN110796856B (zh) | 车辆变道意图预测方法及变道意图预测网络的训练方法 | |
CN108528458B (zh) | 用于车辆尺寸预测的系统和方法 | |
Fernando et al. | Deep inverse reinforcement learning for behavior prediction in autonomous driving: Accurate forecasts of vehicle motion | |
CN109766777B (zh) | 异常轨迹的检测方法、装置、存储介质及电子设备 | |
CN110785719A (zh) | 在自动驾驶车辆中用于经由交叉时态验证的即时物体标记的方法和系统 | |
CN110400490A (zh) | 轨迹预测方法和装置 | |
CN110869559A (zh) | 用于自动驾驶车辆中的集成的全局式与分布式学习的方法和系统 | |
CN110753953A (zh) | 用于自动驾驶车辆中经由交叉模态验证的以物体为中心的立体视觉的方法和系统 | |
CN112562328B (zh) | 一种车辆行为预测方法及装置 | |
CN112734808B (zh) | 一种车辆行驶环境下易受伤害道路使用者的轨迹预测方法 | |
CN104819726A (zh) | 导航数据处理方法、装置及导航终端 | |
Wei et al. | Survey of connected automated vehicle perception mode: from autonomy to interaction | |
CN110598917B (zh) | 一种基于路径轨迹的目的地预测方法、系统及存储介质 | |
CN112815948B (zh) | 识别偏航模式的方法、装置、计算机设备和存储介质 | |
US11875680B2 (en) | Systems and methods for augmenting perception data with supplemental information | |
Liu et al. | A novel method for predicting vehicle state in internet of vehicles | |
CN116972860A (zh) | 偏航识别方法、装置、电子设备及存储介质 | |
CN113159403A (zh) | 路口行人轨迹预测的方法及装置 | |
CN115339453A (zh) | 车辆换道决策信息生成方法、装置、设备和计算机介质 | |
Selvaraj et al. | Edge learning of vehicular trajectories at regulated intersections | |
CN115675528A (zh) | 基于相似场景挖掘的自动驾驶方法和车辆 | |
CN116052469A (zh) | 一种基于车路协同轨迹预测的车辆碰撞预警方法 | |
CN112380314B (zh) | 路网信息的处理方法和装置、存储介质及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |