CN117152958A - 一种车辆轨迹识别方法、装置、识别设备及可读存储介质 - Google Patents
一种车辆轨迹识别方法、装置、识别设备及可读存储介质 Download PDFInfo
- Publication number
- CN117152958A CN117152958A CN202311167755.6A CN202311167755A CN117152958A CN 117152958 A CN117152958 A CN 117152958A CN 202311167755 A CN202311167755 A CN 202311167755A CN 117152958 A CN117152958 A CN 117152958A
- Authority
- CN
- China
- Prior art keywords
- track
- time
- target
- lane
- point
- 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 83
- 230000008859 change Effects 0.000 claims abstract description 89
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 230000001502 supplementing effect Effects 0.000 claims abstract description 13
- 230000001133 acceleration Effects 0.000 claims description 144
- 238000012216 screening Methods 0.000 claims description 34
- 230000033001 locomotion Effects 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 10
- 239000013589 supplement Substances 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000002360 preparation method Methods 0.000 description 31
- 230000008569 process Effects 0.000 description 27
- 230000006399 behavior Effects 0.000 description 13
- 230000028838 turning behavior Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000007704 transition Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 230000006798 recombination Effects 0.000 description 2
- 238000005215 recombination Methods 0.000 description 2
- 241000760358 Enodes Species 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005294 ferromagnetic effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种车辆轨迹识别方法、装置、识别设备及可读存储介质，涉及车辆网技术领域，其中，该方法包括：获取目标车辆在目标时间段内对应的第一轨迹数据；基于隐马尔可夫模型的地图匹配算法，对所述第一轨迹数据进行修正和补充，获得第二轨迹数据，其中，所述第二轨迹数据包括至少一个轨迹点对应的车辆信息和车道信息；根据每一所述轨迹点对应的车道信息中的车道限速，获取每一所述轨迹点对应的至少一个阈值；根据所述轨迹点对应的车辆信息、所述车道信息和所述阈值，对所述第二轨迹数据进行轨迹识别，获得目标轨迹，所述目标轨迹包括：转弯轨迹和/或变道轨迹。本发明的方案解决了相关技术难以准确识别车辆的变道轨迹和转弯轨迹的问题。
Description
技术领域
本发明涉及车辆网技术领域，尤其涉及一种车辆轨迹识别方法、装置、识别设备及可读存储介质。
背景技术
变道是道路交通中最常见的驾驶行为之一，同时也是主要的交通事故诱因之一，而通过研究车辆转弯的运动轨迹，可以使设计者能够采用更加合理的设计参数，保证车辆的转弯的顺畅性，提高车辆通行效率，减少交通事故发生几率。因此，研究车辆变道和转弯非常有必要性。
目前，基于机器视觉的车辆变道、转弯识别方式是最常用的方式，该方式虽然可以在没有道路标识的道路上使用，但极易被其他车辆或行人干扰，而且，该方法易受环境和天气的影响，在光线不充足的工况下，判别误差较大甚至失效，且若考虑道路曲率，车道线模糊等因素并进行处理，往往导致图像处理工作计算量大，实时性不足。
发明内容
本发明提供一种车辆轨迹识别方法、装置、识别设备及可读存储介质，解决了相关技术难以准确识别车辆的变道轨迹和转弯轨迹的问题。
第一方面，本发明的实施例提供一种车辆轨迹识别方法，包括：
获取目标车辆在目标时间段内对应的第一轨迹数据；
基于隐马尔可夫模型的地图匹配算法，对所述第一轨迹数据进行修正和补充，获得第二轨迹数据，其中，所述第二轨迹数据包括至少一个轨迹点对应的车辆信息和车道信息；
根据每一所述轨迹点对应的车道信息中的车道限速，获取每一所述轨迹点对应的至少一个阈值；
根据所述轨迹点对应的车辆信息、所述车道信息和所述阈值，对所述第二轨迹数据进行轨迹识别，获得目标轨迹，所述目标轨迹包括：转弯轨迹和/或变道轨迹。
第二方面，本发明的实施例提供一种车辆轨迹识别装置，包括：
轨迹获取模块，用于获取目标车辆在目标时间段内对应的第一轨迹数据；
地图匹配模块，用于基于隐马尔可夫模型的地图匹配算法，对所述第一轨迹数据进行修正和补充，获得第二轨迹数据，其中，所述第二轨迹数据包括至少一个轨迹点对应的车辆信息和车道信息；
阈值获取模块，用于根据每一所述轨迹点对应的车道信息中的车道限速，获取每一所述轨迹点对应的至少一个阈值；
轨迹识别模块，用于根据所述轨迹点对应的车辆信息、所述车道信息和所述阈值，对所述第二轨迹数据进行轨迹识别，获得目标轨迹，所述目标轨迹包括：转弯轨迹和/或变道轨迹。
第三方面，本发明的实施例提供一种识别设备，包括：收发机、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的车辆轨迹识别方法的步骤。
第四方面，本发明的实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所述的车辆轨迹识别方法的步骤。
本发明的上述技术方案的有益效果是：
本发明的实施例，通过获取目标车辆在目标时间段内对应的第一轨迹数据，可以基于隐马尔可夫模型的地图匹配算法，对第一轨迹数据进行修正和补充，从而获得第二轨迹数据，第二轨迹数据包括至少一个轨迹点对应的车辆信息和车道信息，进而可以根据每一轨迹点对应的车道信息中的车道限速，获取每一轨迹点对应的至少一个阈值，之后根据轨迹点对应的车辆信息、车道信息和阈值，对第二轨迹数据进行轨迹识别，获得转弯轨迹和/或变道轨迹。如此，先对轨迹数据进行修复和补充，再基于修复和补充后的轨迹数据进行轨迹识别，能够有效提高轨迹识别的效率和准确性，而且，针对不同车道限速的道路(例如城市道路和高速道路)设计了不同的阈值，能够进一步提高轨迹识别的准确性。
附图说明
图1表示本发明实施例的变道过程示意图；
图2表示本发明实施例的车辆轨迹识别方法的流程图之一；
图3表示本发明实施例的车辆轨迹识别方法的流程图之二；
图4表示本发明实施例的轨迹更新示意图；
图5表示本发明实施例的车辆轨迹识别装置的结构框图；
图6表示本发明实施例的识别设备的结构框图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。在下面的描述中，提供诸如具体的配置和组件的特定细节仅仅是为了帮助全面理解本发明的实施例。因此，本领域技术人员应该清楚，可以对这里描述的实施例进行各种改变和修改而不脱离本发明的范围和精神。另外，为了清楚和简洁，省略了对已知功能和构造的描述。
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。
在本发明的各种实施例中，应理解，下述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
另外，本文中术语“系统”和“网络”在本文中常可互换使用。
在本申请所提供的实施例中，应理解，“与A相应的B”表示B与A相关联，根据A可以确定B。但还应理解，根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其它信息确定B。
本发明实施例中，接入网的形式不限，可以是包括宏基站(Macro Base Station)、微基站(Pico Base Station)、Node B(3G移动基站的称呼)、增强型基站(eNB)、家庭增强型基站(Femto eNB或Home eNode B或Home eNB或HeNB)、中继站、接入点、RRU(Remote RadioUnit，远端射频模块)、RRH(Remote Radio Head，射频拉远头)等的接入网。用户终端可以是移动电话(或手机)，或者其他能够发送或接收无线信号的设备，包括用户设备、个人数字助理(PDA)、无线调制解调器、无线通信装置、手持装置、膝上型计算机、无绳电话、无线本地回路(WLL)站、能够将移动信号转换为WiFi信号的CPE(Customer Premise Equipment，客户终端)或移动智能热点、智能家电、或其他不通过人的操作就能自发与移动通信网络通信的设备等。
下面首先对相关技术进行介绍。
(一)关于变道
一般情况下，变道过程可以分为如图1所示的三个阶段：准备阶段、越道阶段和调整阶段。
准备阶段：驾驶员做出变道决定后，继续在原车道上行驶一段，并尝试建立侧向速度。在此过程中，驾驶员通过加速或者减速来调整与目的车道上车辆的纵向间距；在横向方向，驾驶员建立起侧向速度，并向目的车道靠近。此过程主要是为越道阶段做准备，一方面为了创造合适的变道执行窗口，另一方面则是为了提示周围车辆该车辆即将执行变道行为。
越道阶段：在准备阶段完成后，紧跟着越道阶段。越道阶段的特点是会形成一个“S”形轨迹。该阶段开始时伴随着明显的侧向加速度运动，当车辆越过车道线后则会有明显的侧向减速度运动，所以过程中侧向速度变化剧烈。同时，为了保证变道安全，驾驶员通常会采用纵向加速或者减速的方法来调整与目的车道上车辆的距离，故纵向速度也会有一定程度的波动。
调整阶段：调整阶段是变道的最后一个阶段。车辆变换到目的车道后，根据前车的运行状态，采取纵向加速或者减速来与引导车辆保持安全距离。另外，驾驶员会对车辆转角进行微调，来补偿由前一阶段车辆侧向运动导致的横向位置偏移，同时保持车辆的侧向稳定性。最终，车辆的侧向速度将接近于零。
车辆变道的判别主要通过以下几种方式实现：基于机器视觉的方式、基于磁引导的方式和基于高精度全球定位系统(Global Positioning System，GPS)/捷联惯导系统(Strapdown inertial navigation system，SINS)的方式等。其中，机器视觉是当前最常用的方式，目前商业化使用的车道偏离预警系统都是基于机器视觉，按照传感器的安装方式可分为俯视系统和前视系统；基于磁引导的方式需对现有道路进行改造，在道路下埋设铁磁体标记；基于高精度GPS/SINS的方法需利用昂贵的高精度的GPS获取车辆准确位置，然后在此基础上对车辆轨迹做变道分析。
然而，基于机器视觉的车辆变道识别方式虽然可以在没有道路标识的道路上使用，但极易被其他车辆或行人干扰。同时，该方法易受环境、天气影响，在光线不充足的工况下，判别误差较大甚至失效，且若考虑道路曲率，车道线模糊等因素并进行处理，往往导致图像处理工作计算量大，实时性不足；基于高精度GPS/SINS的方法需利用昂贵的高精度的GPS获取车辆准确位置，在对弯道行驶的车辆变道的预测和识别上存在较大误差。
(二)关于转弯
通常，车辆转弯可以分为以下三个阶段：准备阶段，驾驶员在行驶到路口或弯道前会提前减速，为转弯做准备；转弯阶段，车辆的全部车轮绕一个瞬时中心点做圆周运动，角速度和横向加速度先增大后减小；调整阶段，驾驶员纵向加速，恢复到正常行驶状态时的速度，角速度降为零。
车辆转弯的判别方法主要包括以下方式：基于机器视觉的方式、基于GPS数据的方式和基于高精道路的方式。其中，基于机器视觉的方式与车辆变道轨迹识别类似，都是基于具有道路标识的结构化道路，使用视频传感器上传的数据进行图像识别，该方法的缺点与上述所述基于机器视觉的车辆变道识别方法相同；基于GPS数据的方式往往使用速度、航向角等方式对车辆轨迹进行转弯轨迹识别，该方法依赖于车载的GPS设备和OBU设备，轨迹识别的准确性高度依赖于设备上报数据的准确性；基于高精地图的方式依赖于车辆所在道路的高精度地图，通过高精地图上的转弯标识进行判断，该方法具有较高的空间复杂度，往往会消耗较大的内存空间。
具体地，本发明的实施例提供了一种车辆轨迹识别方法、装置、识别设备及可读存储介质，解决了相关技术难以准确识别车辆的变道轨迹和转弯轨迹的问题。
第一实施例
如图2所示，本发明的实施例提供了一种车辆轨迹识别方法，具体包括以下步骤：
步骤21：获取目标车辆在目标时间段内对应的第一轨迹数据。
这里，步骤21具体可以包括：获取目标车辆在目标时间段内对应的原始轨迹数据，并对所述原始轨迹数据进行数据清洗，获得所述目标车辆在目标时间段内对应的第一轨迹数据。如此，通过对原始轨迹数据进行数据清洗(也就是数据预处理)，可以将原始轨迹数据中的轨迹异常点剔除，获得第一轨迹数据。
在一些可选示例中，可以通过获取GPS设备上报的GPS数据，构建初始轨迹数据集合(也即原始轨迹数据)。原始GPS数据通常包括以下字段：时间戳(timeStamp)、车辆ID(vehicleId)、经度(longitude)、纬度(latitude)、速度(speed)、航向角(heading)、纵向加速度(longAccel)、横向加速度(latAccel)、车型(type)，高程信息(ele)。其中，高程信息代表车辆的海拔，航向角为车辆运动方向与正北方向的顺时针夹角，纵向加速度为车辆行驶方向的加速度，横向加速度代表与行驶方向垂直的加速度。
需要说明的是，由于车辆绑定的GPS设备易受到网络环境、天气因素等的影响，上报频率往往不稳定，GPS设备上报的原始数据呈现出离散化的特点，且包含大量冗余点脏数据，原始数据不能正确反应车辆行驶轨迹，因此，在进行驾驶行为评价之前，需要通过数据清洗，将这类异常数据进行剔除。具体的，可以将以下数据剔除：在GPS设备开机时，由于信号不稳定，会产生若干偏移较大的孤立点(即孤立的轨迹点)，该部分孤立点无法反映车辆的行驶轨迹，也无法依赖于历史数据对该部分数据进行纠偏，故将该部分数据进行剔除；当轨迹长度小于10时，该轨迹数据也难以正确反映移动特征，故将该部分数据进行剔除。
步骤22：基于隐马尔可夫模型的地图匹配算法，对所述第一轨迹数据进行修正和补充，获得第二轨迹数据，其中，所述第二轨迹数据包括至少一个轨迹点对应的车辆信息和车道信息。
由于原始轨迹数据准确性不高，在步骤21之后，可以进一步基于隐马尔柯夫模型的地图匹配算法将车辆轨迹与地图进行匹配，以对目标车辆的真实运动轨迹进行还原，也就是对第一轨迹数据进行修正和补充，获得第二轨迹数据。经过步骤22后，所获得的第二轨迹数据中已具备车道信息，为后续转弯和变道行为识别做了基础准备。
步骤23：根据每一所述轨迹点对应的车道信息中的车道限速，获取每一所述轨迹点对应的至少一个阈值。
需要说明的是，本发明实施例可以预先建立阈值标准，针对不同车道限速的道路，设置不同的阈值。比如，根据城市道路和高速道路不同的路况特点和驾驶要求(车道限速)，在轨迹(变道/转弯)识别算法中设置了不同的阈值标准作为判断依据，这样，能够使得该轨迹识别算法更具有针对性，从而提高轨迹识别的准确性。
步骤24：根据所述轨迹点对应的车辆信息、所述车道信息和所述阈值，对所述第二轨迹数据进行轨迹识别，获得目标轨迹，所述目标轨迹包括：转弯轨迹和/或变道轨迹。
该实施例中，通过获取目标车辆在目标时间段内对应的第一轨迹数据，可以基于隐马尔可夫模型的地图匹配算法，对第一轨迹数据进行修正和补充，从而获得第二轨迹数据，第二轨迹数据包括至少一个轨迹点对应的车辆信息和车道信息，进而可以根据每一轨迹点对应的车道信息中的车道限速，获取每一轨迹点对应的至少一个阈值，之后根据轨迹点对应的车辆信息、车道信息和阈值，对第二轨迹数据进行轨迹识别，获得转弯轨迹和/或变道轨迹。如此，先对轨迹数据进行修复和补充，再基于修复和补充后的轨迹数据进行轨迹识别，能够有效提高轨迹识别的效率和准确性，而且，针对不同车道限速的道路(例如城市道路和高速道路)设计了不同的阈值，能够进一步提高轨迹识别的准确性。
需要说明的是，GPS设备无法识别车辆的转弯和变道行为，因此车辆原始轨迹数据中，并未标注车辆的变道轨迹或转弯轨迹，而车辆转弯和变道过程相对直行来说，往往更容易发生危险驾驶行为，是需要重点关注的运动轨迹。通过本发明实施例的车辆轨迹识别方法，能够从众多轨迹数据中，准确识别出转弯轨迹和变道轨迹。
如图3所示，在本发明一具体实施例中，轨迹识别过程如下：
S31，输入目标车辆的车辆ID、时间范围(即目标时间段)；
S32，根据车辆ID和目标时间段，查询目标车辆上报的GPS数据(原始轨迹数据)；
S33，对原始轨迹数据进行数据预处理，得到第一轨迹数据；
S34，使用基于HMM的地图匹配算法将车辆轨迹(即第一轨迹数据)与路网进行匹配，得到第二轨迹数据；
S35，变道轨迹识别；
S36，转弯轨迹识别；
可以理解的是，S35和S36之间的执行顺序并不以此为限，还可以一起执行，也可以先执行S36再执行S35，也可以只执行其中一项。
S37，输出轨迹识别得到的变道轨迹和/或转弯轨迹。
下面，对如何对所述第二轨迹数据进行轨迹识别进行具体说明。
(一)针对转弯轨迹识别，分析转弯过程中三个阶段的特征如下：
(1)准备阶段的特征包括：
纵向减速；
横向速度变大。
(2)转弯阶段的特征包括：
在弯曲的道路上行驶时，转弯前后车道编号不会发生改变；
转弯前后航向角差距较大；
转弯过程中的角速度连续变化；
转弯过程中纵向速度不变或者减小。
(3)调整阶段的特征包括：
角速度降为零；
纵向加速，车速恢复到转弯前的水平。
下面，先根据转弯阶段特征识别出转弯阶段的转弯轨迹。
在一些实施例中，所述车辆信息包括：时间戳、角速度以及第一信息，所述第一信息包括：航向角和/或纵向加速度，所述车道信息还包括车道编号，所述阈值包括：第一航向角阈值和第一加速度阈值，在所述目标轨迹包括所述转弯轨迹的情况下，所述根据所述轨迹点对应的车辆信息、所述车道信息和所述阈值，对所述第二轨迹数据进行轨迹识别，获得目标轨迹，包括：
步骤1，从所述第二轨迹数据中，筛选出所述角速度大于零的至少一个第一轨迹点；
步骤2，根据所述第一轨迹点对应的第一时间戳，从所述第二轨迹数据中，筛选出位于第一时间范围内的轨迹点，形成第一轨迹点集合，其中，所述第一时间范围的第一开始时间和第一结束时间与所述第一时间戳之间的间隔时长均为第一时长；
步骤3，从所述第一轨迹点集合中，筛选出至少一段第三轨迹数据，所述第三轨迹数据中的任意两个相邻的轨迹点之间的角速度变化量小于预设值；
步骤4，将满足第一预设条件的第三轨迹数据确定为所述转弯轨迹中的第一目标转弯轨迹；
其中，所述第一预设条件包括以下至少一项：
(1)所述第三轨迹数据中第一个轨迹点与最后一个轨迹点之间的航向角变化量大于所述第一航向角阈值；
(2)所述第三轨迹数据中每一个轨迹点的纵向加速度均小于所述第一加速度阈值；
(3)所述第一个轨迹点对应的车道编号与所述最后一个轨迹点对应的车道编号相同。
该实施例中，第一目标转弯轨迹即为转弯阶段的转弯轨迹。
然后，再根据准备阶段和调整阶段特征前后回溯识别出准备阶段和调整阶段的转弯轨迹。
可选地，所述车辆信息还包括：横向加速度，所述阈值还包括第二加速度阈值，在所述将满足第一预设条件的第三轨迹数据确定为所述转弯轨迹中的第一目标转弯轨迹之后，所述方法还包括以下至少一项：
(1)从所述第二轨迹数据中，筛选出位于第二时间范围内，且满足第二预设条件的至少一个第一目标轨迹点，并将所述至少一个第一目标轨迹点确定为所述转弯轨迹中的第二目标转弯轨迹，其中，所述第二时间范围的第二结束时间与所述第一开始时间相同，且所述第二时间范围的第二开始时间与所述第二结束时间之间的间隔时长为第二时长，所述第二预设条件包括：所述纵向加速度小于零，和/或所述横向加速度大于零；
(2)从所述第二轨迹数据中，筛选出位于第三时间范围内，且所述角速度为零，且纵向加速度大于所述第二加速度阈值的至少一个第二目标轨迹点，并将所述至少一个第二目标轨迹点确定为所述转弯轨迹中的第三目标转弯轨迹，其中，所述第三时间范围的第三开始时间与所述第一结束时间相同，且所述第三时间范围的第三结束时间与所述第三结束时间之间的间隔时长为第三时长。
该实施例中，第二目标转弯轨迹即为准备阶段的转弯轨迹，第三目标转弯轨迹调整阶段的转弯轨迹。
根据以上特点，本发明实施例中的车辆转弯轨迹识别算法如下：
输入：修正后的车辆轨迹(即第二轨迹数据)，各个阶段(即准备阶段、转弯阶段和调整阶段)的时间窗口阈值(例如表1中的准备阶段时间窗口Tpreparatory、转弯阶段时间窗口Tbypass、调整阶段时间窗口Tadjustment)，以及作为判断依据的变化阈值(例如第一航向角阈值、第一加速度阈值、第二加速度阈值)。
输出：转弯各个阶段的转弯轨迹集合。
Step1：遍历轨迹点集合(即第二轨迹数据)，筛选出角速度大于0的轨迹点(即第一轨迹点)，并根据第一轨迹点对应的第一时间戳，获取第一轨迹点前后指定时间范围内(也就是第一时间范围内，这里，第一时间范围可根据转弯阶段时间窗口Tbypass确定)的轨迹数据，得到可能发生转弯的轨迹为PL(也就是第一轨迹点集合)，转为Step2；
Step2：遍历第一轨迹点集合PL，判断角速度连续变化的轨迹数据(即第三轨迹数据，第三轨迹数据中的任意两个相邻的轨迹点之间的角速度变化量小于预设值)，并判断第三轨迹数据中第一个轨迹点与最后一个轨迹点之间的航向角差异(也即航向角变化量)是否达到第一航向角阈值Th1，转为Step3；
Step3：若达到第一航向角阈值Th1，则判断该过程中每一个轨迹点的纵向速度变化量(也就是纵向加速度)是否小于第一加速度阈值Tspeed，且车道编号是否不变，若满足以上两个条件，则认为该第三轨迹数据为转弯过程中转弯阶段的轨迹数据(也即第一目标转弯轨迹)，转为Step4；
Step4：从所述第二轨迹数据中，取转弯轨迹(也即第一目标转弯轨迹)前一段时间内(即第二时间范围内，这里，第二时间范围可根据准备阶段时间窗口Tpreparatory确定)的轨迹数据，获取纵向加速度小于零且横向加速度大于零的轨迹数据，该部分数据为转弯过程中准备阶段的轨迹数据(即第二目标转弯轨迹)，转为Step5；
Step5：从所述第二轨迹数据中，取转弯轨迹(也即第一目标转弯轨迹)后一段时间内(即第三时间范围内，这里，第三时间范围可根据调整阶段时间窗口Tadjustment确定)的轨迹数据，获取角速度为零且纵向加速度大于第二加速度阈值的数据，该部分数据为转弯过程中调整阶段的轨迹数据(即第三目标转弯轨迹)，转为Step6；
Step6：算法结束。
其中，准备阶段的第二时间范围为：[第二开始时间，第二结束时间]，准备阶段持续第二时长(即准备阶段时间窗口Tpreparatory)；
转弯阶段的第一时间范围为：[第一开始时间，第一结束时间]，转弯阶段的的持续时长为转弯阶段时间窗口Tbypass；
调整阶段的第三时间范围为：[第三开始时间，第三结束时间]，调整阶段持续第三时长(即调整阶段时间窗口Tadjustment)。
需要说明的是，第二结束时间与第一开始时间相同，第一结束时间与第三开始时间相同。
上述转弯轨迹识别算法的伪代码表示如下：
输入：修正后的车辆轨迹数据(即第二轨迹数据)X′＝(x′1,x′2,...x′M)，第一航向角阈值Th1。
输出：转弯轨迹集合BL＝{L1,L2,…,LN}，其中Ln＝(li1,li2,…,lin)，lin代表转弯轨迹集合中的轨迹点。
//初始化角速度集合W＝{}，转弯轨迹集合BL＝{}，遍历轨迹点集合。
for(i＝1；i<M；i++)
//计算每个时刻的角速度，
W.append(ωi)
//遍历角速度集合W，筛选角速度大于0的轨迹点，并获取前后指定时间范围内的数据，记录可能发生转弯的轨迹为PL＝{p1,p2,…,pQ}。
T＝Tpreparatory+Tadjustment
for(i＝1；i<Q；i++)
if(ωi>0)
PL.append([x′i-T,x′i-T+1,…,x′i])
lenPL＝len(PL)
//遍历可能发生转弯的轨迹数据，根据角速度连续变化的轨迹数据的第一个轨迹点与最后一个轨迹点的航向角差异判断是否发生转弯行为。判断该过程中的纵向速度变化量是否小于阈值Tspeed且车道编号是否不变。
在城市道路中，转弯行为往往是车辆左转、右转或者掉头，车辆转弯前后航向角差距较大，而高速道路中的弯道较大，弯道半径不小于500米，转弯前后航向角差距较小；由于城市道路限速低，高速道路限速高，因此城市道路提速时，纵向加速度小，横向加速度大，而高速道路的提速时间短，纵向加速度大，横向加速度低；城市道路转弯时，往往要存在观察行人、周围车辆等行为，因此耗时较长，而高速道路不存在路口，故转弯时间较短。根据以上特性，对具有不同车道限速的道路，设置不同的阈值，如表1所示。
表1
上述实施例中，针对转弯行为的三个阶段：准备阶段、转弯阶段和调整阶段的行为特点分别转弯轨迹识别策略：首先根据角速度的变化，识别可能存在转弯行为的轨迹，然后再基于车道编号、航向角、角速度和纵向加速度的变化进一步识别出真实的转弯轨迹(即第一目标转弯轨迹)，最后基于准备阶段和调整阶段的特点前后回溯识别这两个阶段的轨迹数据(即第二目标转弯轨迹、第三目标转弯轨迹)。
(二)针对变道轨迹识别，分析变道过程中三个阶段的特征如下：
(1)准备阶段的特征包括：
纵向加速或者减速；
横向开始加速，向目的车道靠近。
(2)越道阶段的特征包括：
越道前后车道编号发生改变；
在考虑车道弯曲程度的前提下，越道前后航向角差距较小；
横向运动距离不超过车道宽度；
越道前后横向加速度呈现先增大后减小的效果。
(3)调整阶段的特征包括：
纵向加速或者减速；
横向加速度趋于0。
通过以上分析发现，车辆变道轨迹特征与车辆转弯轨迹特征有较多共同点，例如，都存在角速度、航向角和纵向横向加速度的变化。但是，二者仍存在一些不同点，例如，转弯时前后航向角变化差距较大，最大值会达到90度，而且，在非路口的道路中，出于行驶安全的考虑，在转弯过程中，通常不会发生变道行为，因此，车辆在弯曲的道路上行驶时，车道编号一般不会发生变化。
下面，对如何根据越道阶段特征识别出越道阶段的越道轨迹进行说明。
在一些实施例中，所述车辆信息包括：时间戳和第二信息，所述第二信息包括：航向角和/或横向加速度，所述车道信息还包括车道编号，所述阈值包括：第二航向角阈值和第三加速度阈值，在所述目标轨迹包括所述变道轨迹的情况下，所述根据所述轨迹点对应的车辆信息、所述车道信息和所述阈值，对所述第二轨迹数据进行轨迹识别，获得目标轨迹，包括：
步骤1，从所述第二轨迹数据中，获取所述车道编号不同的至少一对相邻轨迹点，每对所述相邻轨迹点包括第二轨迹点和第三轨迹点；
步骤2，筛选出满足第三预设条件的至少一对所述相邻轨迹点；
步骤3，根据所述相邻轨迹点中第二轨迹点对应的第二时间戳和第三轨迹点对应的第三时间戳，获取位于第四时间范围内的轨迹点，并将所述第四时间范围内的轨迹点确定为所述变道轨迹中的第一目标变道轨迹，其中，所述第四时间范围的第四开始时间与所述第二时间戳之间的间隔时长为第四时长，所述第四时间范围的第四结束时间与所述第三时间戳之间的间隔时长为第五时长；
其中，所述第三预设条件包括以下至少一项：
(1)所述第二轨迹点和所述第三轨迹点之间的航向角变化量小于所述第二航向角阈值；
(2)所述第二轨迹点和所述第三轨迹点之间的横向移动距离小于或等于所述第二轨迹点对应的车道信息中的车道宽度，所述横向移动距离根据所述第二轨迹点对应的横向加速度与目标时长确定，所述目标时长为所述第二轨迹点和所述第三轨迹点之间的间隔时长；
(3)所述第二轨迹点和所述第三轨迹点之间的横向加速度变化量大于所述第三加速度阈值。
该实施例中，第一目标变道轨迹即为越道阶段的越道轨迹。
然后，再根据准备阶段和调整阶段特征前后回溯识别出准备阶段和调整阶段的越道轨迹。
可选地，所述车辆信息还包括：横向加速度和纵向加速度，所述阈值还包括：第四加速度阈值和第五加速度阈值，在所述将所述第四时间范围内的轨迹点确定为所述变道轨迹中的第一目标变道轨迹之后，所述方法还包括以下至少一项：
(1)从所述第二轨迹数据中，筛选出位于第五时间范围内，且满足第三预设条件的第三目标轨迹点，并将位于第六时间范围内的第二轨迹数据确定为所述变道轨迹中的第二目标变道轨迹，其中，所述第五时间范围的第五结束时间与所述第四开始时间相同，且所述第五时间范围的第五开始时间与所述第五结束时间之间的间隔时长为第五时长，所述第六时间范围的第六开始时间与所述第三目标轨迹点对应的时间戳相同，且所述第六时间范围的第六结束时间与所述第四开始时间相同；
(2)从所述第二轨迹数据中，筛选出位于第七时间范围内，且所述纵向加速度的绝对值小于所述第四加速度阈值的第四目标轨迹点，并将位于第八时间范围内的第二轨迹数据确定为所述变道轨迹中的第三目标变道轨迹，其中，所述第七时间范围的第七开始时间与所述第四结束时间相同，且所述第七时间范围的第七结束时间与所述第七开始时间之间的间隔时长为第六时长，所述第八时间范围的开始时间与所述第四结束时间相同，且所述第八时间范围的结束时间与所述第四目标轨迹点对应的时间戳相同；
其中，所述第三预设条件包括以下至少一项：
所述纵向加速度的绝对值小于所述第四加速度阈值；
与相邻的轨迹点之间的横向加速度变化量小于所述第五加速度阈值。
该实施例中，第二目标变道轨迹即为准备阶段的越道轨迹，第三目标变道轨迹调整阶段的越道轨迹。
上述实施例中，先根据越道阶段特征识别出越道阶段的越道轨迹，然后再根据准备阶段和调整阶段特征前后回溯识别出准备阶段和调整阶段的越道轨迹。其中，车辆变道行为识别算法如下：
输入：修正后的车辆轨迹(即第二轨迹数据)，各个阶段(即准备阶段、越道阶段和调整阶段)的时间窗口阈值(例如表2中的准备阶段时间窗口Tpreparatory、越道阶段时间窗口Tbypass、调整阶段时间窗口Tadjustment)，以及作为判断依据的变化阈值(例如第二航向角阈值、第三加速度阈值、第四加速度阈值、第五加速度阈值)。
输出：变道各个阶段的变道轨迹集合。
Step1：循环遍历修正后的轨迹集合(即第二轨迹数据)，若相邻两个时间点的轨迹点的车道编号发生变化，则转为step2；
Step2：取车道变化前后一定时间范围内(即第四时间范围内，这里，第四时间范围可根据越道阶段时间窗口Tbypass确定)的轨迹数据，若前后航向角差异(即航向角变化量)小于第二航向角阈值Th，横向移动距离不超过车道宽度且前后横向加速度差值大于第三加速度阈值Td，则认为该时间范围内的轨迹数据为车辆变道过程中越道阶段的轨迹数据(即第一目标变道轨迹)，转为Step3；
Step3：从所述第二轨迹数据中，取越道轨迹前一定时间范围内(即第五时间范围内，这里，第五时间范围可根据准备阶段时间窗口Tpreparatory确定)的轨迹数据，若某一时间点的轨迹点的纵向加速度的绝对值小于第四加速度阈值TlongAccel，或者前后两个时刻的轨迹点之间的(也即与相邻的轨迹点之间的)横向加速度差值(即横向加速度变化量)小于第五加速度阈值TlatAccel，则认为该时间点的轨迹点为第三目标轨迹点，该时间点(也就是第三目标轨迹点的时间戳)是准备阶段的开始时刻(即第六时间范围的第六开始时间)，从该时刻到越道开始时刻(即第四时间范围的第四结束时间，也即第六时间范围的第六结束时间)的轨迹为车辆变道过程中准备阶段的轨迹数据(即第二目标变道轨迹)，转为Step4；
Step4：从所述第二轨迹数据中，取越道轨迹后一定时间范围内(即第七时间范围内，这里，第七时间范围可根据调整阶段时间窗口Tadjustment确定)的轨迹数据，若某一时间点的纵向加速度的绝对值小于第四加速度阈值TlongAccel，则认为该时刻是调整阶段的结束时刻(也即第七时间范围的第七结束时间)，从越道结束时刻到该时刻的轨迹为车辆变道过程中调整阶段的轨迹数据(即第三目标变道轨迹)，转为Step5；
Step5：算法终止。
上述变道轨迹识别算法的伪代码表示如下：
输入：修正后的车辆轨迹数据(即第二轨迹数据)X′＝(x′1,x′2,…x′M)，第二航向角阈值Th2，横向运动距离变化阈值Td(即第三加速度阈值)，横向加速度变化阈值TlatAccel，纵向加速度变化阈值TlongAccel，准备阶段时间窗口Tpreparatory、越道阶段时间窗口Tbypass、调整阶段时间窗口Tadjustment。
输出：变道轨迹集合CL＝{L1,L2,…,LN},其中Ln＝(li1,li2,…,lin)，代表变道轨迹集合。
上述算法中的h(x'i,x'i+1)代表两个时刻轨迹点经纬度所对应航向角的变化量，longAcceli表示i时刻的纵向加速度，latAcceli表示i时刻的横向加速度，Δheadingi代表车辆在i时刻的航向角变化量，d(x'1,x'2,…,x't)代表t时刻内车辆的横向运动距离，Δt表示上报时间间隔。计算公式如下所示：
Δheadingi＝headingi-headingi-1
车辆变道与转弯行为的特征在城市道路和高速道路上有所区别。城市道路限速较低，变道过程所用的时间较长，在准备变道时，往往会提前10-20秒打转向灯；而在高速道路中，车辆速度较高，变道行为往往在1-2秒内即可完成。对于城市道路，变道时间较长，车辆行驶较为缓慢，在变道前会提前20秒左右打转向灯后再变道。因此需要针对以上不同路况的特征，设置不同的变道识别阈值，将阈值设置如表2所示。
表2
上述实施例中，针对变道行为的三个阶段：准备阶段、越道阶段和调整阶段的行为特点设计了变道轨迹识别策略：首先基于车道编号的变化，识别出越道时刻的轨迹点，然后基于航向角、横向加速度和横向移动距离来识别出完整的越道轨迹(即第一目标变道轨迹)，最后基于准备阶段和调整阶段的特点前后回溯识别这两个阶段的轨迹数据(即第二目标变道轨迹、第三目标变道轨迹)。
如此，基于变道和转弯的阶段特征，进行基于数理统计的变道和转弯轨迹识别，与基于机器视觉的识别方法相比，识别效率较高，具有较高的实时性。
在一些具体实施例中，所述基于隐马尔可夫模型的地图匹配算法，对所述第一轨迹数据进行修正和补充，获得第二轨迹数据，包括：
基于隐马尔可夫模型的地图匹配算法，将所述第一轨迹数据与目标地图数据进行匹配，以对所述第一轨迹数据中的每个轨迹点进行修正，得到所述至少一个轨迹点；
获取所述至少一个轨迹点对应的车辆信息和车道信息补充至所述第一轨迹数据中；
将经过修正和补充的第一轨迹数据确定为所述第二轨迹数据。
需要说明的是，目前GPS设备上报的原始轨迹数据中，轨迹点的经纬度与车道有一定误差，存在准确性不高的问题，且GPS设备上报的轨迹数据中无车道信息。本发明实施例为了精确还原车辆的运动过程，基于隐马尔可夫模型将预处理(数据清洗)后的车辆轨迹数据(即第一轨迹数据)映射到车道级别的路网中。其中，路网数据由一系列的包含坐标及车道信息的坐标点组成，路网数据字段如表3所示。
表3：高精度路网数据字段
如图4所示，虚线表示原始的采样轨迹点，实线表示更新后的轨迹。基于隐马尔可夫模型的地图匹配算法进行轨迹更新时，具体算法的伪代码表示如下：
输入：轨迹数据X＝(x1,x2,…,xN)，高精地图数据为Q＝(q1,q2,…qK)
输出：修正后的轨迹(即第二轨迹数据)X′＝(x′1,x′2,…,x′M)
令JointP{}表示当前的联合概率，Prev{}为当前状态的前一个状态
对于t时刻的轨迹点xt与路网坐标点qt,i，计算基于距离的观测概率的公式为：
其中，σ表示测量数据的标准差，f(xt,qt,i)表示候选点与轨迹点之间的距离。
这里，f(xt,qt,i)具体可以通过公式：计算获得。
其中，Δele(xt,qt,i)表示候选点与轨迹点之间的高程距离(可根据高程信息确定)，Δg(xt,qt,i)表示候选点与轨迹点的地球表面距离。
转移概率是指从t时刻候选点到t+1时刻候选点的转移概率，转移概率可以通过公式计算获得。
其中，vt表示t时刻的轨迹点的速度，avg(vt-1,vt)表示相邻时刻轨迹点速度的均值，d(qt-1,qt)表示t-1时刻的候选点与t时刻候选点之间的路径距离。
需要说明的时，车辆的移动距离和路径距离之间的差值越小，其转移概率越大。
经过上述路网匹配后，可以将车辆运动轨迹映射到路网数据中，且每个轨迹点都包含了车道编号、车道限速等等车道信息，作为一可选实施例，具体数据字段如表4所示。
表4：轨迹修复后的数据字段
本发明实施例中，使用基于隐马尔科夫模型的地图匹配算法，将车辆轨迹与地图进行匹配，实现车辆轨迹的初步修复；在车辆轨迹修复的基础上，针对不同车道限速的道路(例如城市道路和高速道路)设计了不同的变道和转弯识别策略；其中，针对变道行为，从车道宽度、车道编号等路况维度，角速度变化趋势时间纬度两个方面进行变道轨迹识别；针对转弯行为，根据角速度初步筛选可能发生转弯行为的轨迹数据，然后利用轨迹前后航向角差距来进一步识别转弯轨迹。如此，基于车辆修复轨迹进行转弯与变道轨迹识别，提高了轨迹识别的准确性。
第二实施例
如图5所示，本发明实施例提供一种车辆轨迹识别装置500，包括：
轨迹获取模块501，用于获取目标车辆在目标时间段内对应的第一轨迹数据；
地图匹配模块502，用于基于隐马尔可夫模型的地图匹配算法，对所述第一轨迹数据进行修正和补充，获得第二轨迹数据，其中，所述第二轨迹数据包括至少一个轨迹点对应的车辆信息和车道信息；
阈值获取模块503，用于根据每一所述轨迹点对应的车道信息中的车道限速，获取每一所述轨迹点对应的至少一个阈值；
轨迹识别模块504，用于根据所述轨迹点对应的车辆信息、所述车道信息和所述阈值，对所述第二轨迹数据进行轨迹识别，获得目标轨迹，所述目标轨迹包括：转弯轨迹和/或变道轨迹。
该实施例中，通过获取目标车辆在目标时间段内对应的第一轨迹数据，可以基于隐马尔可夫模型的地图匹配算法，对第一轨迹数据进行修正和补充，从而获得第二轨迹数据，第二轨迹数据包括至少一个轨迹点对应的车辆信息和车道信息，进而可以根据每一轨迹点对应的车道信息中的车道限速，获取每一轨迹点对应的至少一个阈值，之后根据轨迹点对应的车辆信息、车道信息和阈值，对第二轨迹数据进行轨迹识别，获得转弯轨迹和/或变道轨迹。如此，先对轨迹数据进行修复和补充，再基于修复和补充后的轨迹数据进行轨迹识别，能够有效提高轨迹识别的效率和准确性，而且，针对不同车道限速的道路(例如城市道路和高速道路)设计了不同的阈值，能够进一步提高轨迹识别的准确性。
可选地，所述车辆信息包括：时间戳、角速度以及第一信息，所述第一信息包括：航向角和/或纵向加速度，所述车道信息还包括车道编号，所述阈值包括：第一航向角阈值和第一加速度阈值，在所述目标轨迹包括所述转弯轨迹的情况下，所述轨迹识别模块504包括：
第一筛选子模块，用于从所述第二轨迹数据中，筛选出所述角速度大于零的至少一个第一轨迹点；
第二筛选子模块，用于根据所述第一轨迹点对应的第一时间戳，从所述第二轨迹数据中，筛选出位于第一时间范围内的轨迹点，形成第一轨迹点集合，其中，所述第一时间范围的第一开始时间和第一结束时间与所述第一时间戳之间的间隔时长均为第一时长；
第三筛选子模块，用于从所述第一轨迹点集合中，筛选出至少一段第三轨迹数据，所述第三轨迹数据中的任意两个相邻的轨迹点之间的角速度变化量小于预设值；
第一处理子模块，用于将满足第一预设条件的第三轨迹数据确定为所述转弯轨迹中的第一目标转弯轨迹；
其中，所述第一预设条件包括以下至少一项：
所述第三轨迹数据中第一个轨迹点与最后一个轨迹点之间的航向角变化量大于所述第一航向角阈值；
所述第三轨迹数据中每一个轨迹点的纵向加速度均小于所述第一加速度阈值；
所述第一个轨迹点对应的车道编号与所述最后一个轨迹点对应的车道编号相同。
可选地，所述车辆信息还包括：横向加速度，所述阈值还包括第二加速度阈值，所述轨迹识别模块504还包括：
第一识别子模块，用于从所述第二轨迹数据中，筛选出位于第二时间范围内，且满足第二预设条件的至少一个第一目标轨迹点，并将所述至少一个第一目标轨迹点确定为所述转弯轨迹中的第二目标转弯轨迹，其中，所述第二时间范围的第二结束时间与所述第一开始时间相同，且所述第二时间范围的第二开始时间与所述第二结束时间之间的间隔时长为第二时长，所述第二预设条件包括：所述纵向加速度小于零，和/或所述横向加速度大于零；
第二识别子模块，用于从所述第二轨迹数据中，筛选出位于第三时间范围内，且所述角速度为零，且纵向加速度大于所述第二加速度阈值的至少一个第二目标轨迹点，并将所述至少一个第二目标轨迹点确定为所述转弯轨迹中的第三目标转弯轨迹，其中，所述第三时间范围的第三开始时间与所述第一结束时间相同，且所述第三时间范围的第三结束时间与所述第三结束时间之间的间隔时长为第三时长。
可选地，所述车辆信息包括：时间戳和第二信息，所述第二信息包括：航向角和/或横向加速度，所述车道信息还包括车道编号，所述阈值包括：第二航向角阈值和第三加速度阈值，在所述目标轨迹包括所述变道轨迹的情况下，所述轨迹识别模块504包括：
轨迹获取子模块，用于从所述第二轨迹数据中，获取所述车道编号不同的至少一对相邻轨迹点，每对所述相邻轨迹点包括第二轨迹点和第三轨迹点；
第四筛选子模块，用于筛选出满足第三预设条件的至少一对所述相邻轨迹点；
第二处理子模块，用于根据所述相邻轨迹点中第二轨迹点对应的第二时间戳和第三轨迹点对应的第三时间戳，获取位于第四时间范围内的轨迹点，并将所述第四时间范围内的轨迹点确定为所述变道轨迹中的第一目标变道轨迹，其中，所述第四时间范围的第四开始时间与所述第二时间戳之间的间隔时长为第四时长，所述第四时间范围的第四结束时间与所述第三时间戳之间的间隔时长为第五时长；
其中，所述第三预设条件包括以下至少一项：
所述第二轨迹点和所述第三轨迹点之间的航向角变化量小于所述第二航向角阈值；
所述第二轨迹点和所述第三轨迹点之间的横向移动距离小于或等于所述第二轨迹点对应的车道信息中的车道宽度，所述横向移动距离根据所述第二轨迹点对应的横向加速度与目标时长确定，所述目标时长为所述第二轨迹点和所述第三轨迹点之间的间隔时长；
所述第二轨迹点和所述第三轨迹点之间的横向加速度变化量大于所述第三加速度阈值。
可选地，所述车辆信息还包括：横向加速度和纵向加速度，所述阈值还包括：第四加速度阈值和第五加速度阈值，在所述将所述第四时间范围内的轨迹点确定为所述变道轨迹中的第一目标变道轨迹之后，所述方法还包括以下至少一项：
第三识别子模块，用于从所述第二轨迹数据中，筛选出位于第五时间范围内，且满足第三预设条件的第三目标轨迹点，并将位于第六时间范围内的第二轨迹数据确定为所述变道轨迹中的第二目标变道轨迹，其中，所述第五时间范围的第五结束时间与所述第四开始时间相同，且所述第五时间范围的第五开始时间与所述第五结束时间之间的间隔时长为第五时长，所述第六时间范围的第六开始时间与所述第三目标轨迹点对应的时间戳相同，且所述第六时间范围的第六结束时间与所述第四开始时间相同；
第四识别子模块，用于从所述第二轨迹数据中，筛选出位于第七时间范围内，且所述纵向加速度的绝对值小于所述第四加速度阈值的第四目标轨迹点，并将位于第八时间范围内的第二轨迹数据确定为所述变道轨迹中的第三目标变道轨迹，其中，所述第七时间范围的第七开始时间与所述第四结束时间相同，且所述第七时间范围的第七结束时间与所述第七开始时间之间的间隔时长为第六时长，所述第八时间范围的开始时间与所述第四结束时间相同，且所述第八时间范围的结束时间与所述第四目标轨迹点对应的时间戳相同；
其中，所述第三预设条件包括以下至少一项：
所述纵向加速度的绝对值小于所述第四加速度阈值；
与相邻的轨迹点之间的横向加速度变化量小于所述第五加速度阈值。
可选地，所述地图匹配模块502包括：
轨迹修正子模块，用于基于隐马尔可夫模型的地图匹配算法，将所述第一轨迹数据与目标地图数据进行匹配，以对所述第一轨迹数据中的每个轨迹点进行修正，得到所述至少一个轨迹点；
信息补充子模块，用于获取所述至少一个轨迹点对应的车辆信息和车道信息补充至所述第一轨迹数据中；
轨迹更新子模块，用于将经过修正和补充的第一轨迹数据确定为所述第二轨迹数据。
本发明的第二实施例是与上述第一实施例的方法对应的，上述第一实施例中的所有实现手段均适用于该车辆轨迹识别装置的实施例中，也能达到相同的技术效果。
第三实施例
为了更好的实现上述目的，如图6所示，本发明的第三实施例还提供了一种识别设备，包括：
处理器600；以及通过总线接口与所述处理器600相连接的存储器620，所述存储器620用于存储所述处理器600在执行操作时所使用的程序和数据，处理器600调用并执行所述存储器620中所存储的程序和数据。
其中，收发机610与总线接口连接，用于在处理器600的控制下接收和发送数据；处理器600用于读取存储器620中的程序执行以下步骤：
获取目标车辆在目标时间段内对应的第一轨迹数据；
基于隐马尔可夫模型的地图匹配算法，对所述第一轨迹数据进行修正和补充，获得第二轨迹数据，其中，所述第二轨迹数据包括至少一个轨迹点对应的车辆信息和车道信息；
根据每一所述轨迹点对应的车道信息中的车道限速，获取每一所述轨迹点对应的至少一个阈值；
根据所述轨迹点对应的车辆信息、所述车道信息和所述阈值，对所述第二轨迹数据进行轨迹识别，获得目标轨迹，所述目标轨迹包括：转弯轨迹和/或变道轨迹。
该实施例中，通过获取目标车辆在目标时间段内对应的第一轨迹数据，可以基于隐马尔可夫模型的地图匹配算法，对第一轨迹数据进行修正和补充，从而获得第二轨迹数据，第二轨迹数据包括至少一个轨迹点对应的车辆信息和车道信息，进而可以根据每一轨迹点对应的车道信息中的车道限速，获取每一轨迹点对应的至少一个阈值，之后根据轨迹点对应的车辆信息、车道信息和阈值，对第二轨迹数据进行轨迹识别，获得转弯轨迹和/或变道轨迹。如此，先对轨迹数据进行修复和补充，再基于修复和补充后的轨迹数据进行轨迹识别，能够有效提高轨迹识别的效率和准确性，而且，针对不同车道限速的道路(例如城市道路和高速道路)设计了不同的阈值，能够进一步提高轨迹识别的准确性。
其中，在图6中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器600代表的一个或多个处理器和存储器620代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。收发机610可以是多个元件，即包括发送机和收发机，提供用于在传输介质上与各种其他装置通信的单元。针对不同的终端，用户接口630还可以是能够外接内接需要设备的接口，连接的设备包括但不限于小键盘、显示器、扬声器、麦克风、操纵杆等。处理器600负责管理总线架构和通常的处理，存储器620可以存储处理器600在执行操作时所使用的数据。
可选地，所述车辆信息包括：时间戳、角速度以及第一信息，所述第一信息包括：航向角和/或纵向加速度，所述车道信息还包括车道编号，所述阈值包括：第一航向角阈值和第一加速度阈值，在所述目标轨迹包括所述转弯轨迹的情况下，所述处理器600在根据所述轨迹点对应的车辆信息、所述车道信息和所述阈值，对所述第二轨迹数据进行轨迹识别，获得目标轨迹时，具体用于：
从所述第二轨迹数据中，筛选出所述角速度大于零的至少一个第一轨迹点；
根据所述第一轨迹点对应的第一时间戳，从所述第二轨迹数据中，筛选出位于第一时间范围内的轨迹点，形成第一轨迹点集合，其中，所述第一时间范围的第一开始时间和第一结束时间与所述第一时间戳之间的间隔时长均为第一时长；
从所述第一轨迹点集合中，筛选出至少一段第三轨迹数据，所述第三轨迹数据中的任意两个相邻的轨迹点之间的角速度变化量小于预设值；
将满足第一预设条件的第三轨迹数据确定为所述转弯轨迹中的第一目标转弯轨迹；
其中，所述第一预设条件包括以下至少一项：
所述第三轨迹数据中第一个轨迹点与最后一个轨迹点之间的航向角变化量大于所述第一航向角阈值；
所述第三轨迹数据中每一个轨迹点的纵向加速度均小于所述第一加速度阈值；
所述第一个轨迹点对应的车道编号与所述最后一个轨迹点对应的车道编号相同。
可选地，所述车辆信息还包括：横向加速度，所述阈值还包括第二加速度阈值，在所述将满足第一预设条件的第三轨迹数据确定为所述转弯轨迹中的第一目标转弯轨迹之后，所述处理器600还用于执行以下至少一项：
从所述第二轨迹数据中，筛选出位于第二时间范围内，且满足第二预设条件的至少一个第一目标轨迹点，并将所述至少一个第一目标轨迹点确定为所述转弯轨迹中的第二目标转弯轨迹，其中，所述第二时间范围的第二结束时间与所述第一开始时间相同，且所述第二时间范围的第二开始时间与所述第二结束时间之间的间隔时长为第二时长，所述第二预设条件包括：所述纵向加速度小于零，和/或所述横向加速度大于零；
从所述第二轨迹数据中，筛选出位于第三时间范围内，且所述角速度为零，且纵向加速度大于所述第二加速度阈值的至少一个第二目标轨迹点，并将所述至少一个第二目标轨迹点确定为所述转弯轨迹中的第三目标转弯轨迹，其中，所述第三时间范围的第三开始时间与所述第一结束时间相同，且所述第三时间范围的第三结束时间与所述第三结束时间之间的间隔时长为第三时长。
可选地，所述车辆信息包括：时间戳和第二信息，所述第二信息包括：航向角和/或横向加速度，所述车道信息还包括车道编号，所述阈值包括：第二航向角阈值和第三加速度阈值，在所述目标轨迹包括所述变道轨迹的情况下，所述处理器600在根据所述轨迹点对应的车辆信息、所述车道信息和所述阈值，对所述第二轨迹数据进行轨迹识别，获得目标轨迹时，具体用于：
从所述第二轨迹数据中，获取所述车道编号不同的至少一对相邻轨迹点，每对所述相邻轨迹点包括第二轨迹点和第三轨迹点；
筛选出满足第三预设条件的至少一对所述相邻轨迹点；
根据所述相邻轨迹点中第二轨迹点对应的第二时间戳和第三轨迹点对应的第三时间戳，获取位于第四时间范围内的轨迹点，并将所述第四时间范围内的轨迹点确定为所述变道轨迹中的第一目标变道轨迹，其中，所述第四时间范围的第四开始时间与所述第二时间戳之间的间隔时长为第四时长，所述第四时间范围的第四结束时间与所述第三时间戳之间的间隔时长为第五时长；
其中，所述第三预设条件包括以下至少一项：
所述第二轨迹点和所述第三轨迹点之间的航向角变化量小于所述第二航向角阈值；
所述第二轨迹点和所述第三轨迹点之间的横向移动距离小于或等于所述第二轨迹点对应的车道信息中的车道宽度，所述横向移动距离根据所述第二轨迹点对应的横向加速度与目标时长确定，所述目标时长为所述第二轨迹点和所述第三轨迹点之间的间隔时长；
所述第二轨迹点和所述第三轨迹点之间的横向加速度变化量大于所述第三加速度阈值。
可选地，所述车辆信息还包括：横向加速度和纵向加速度，所述阈值还包括：第四加速度阈值和第五加速度阈值，在所述将所述第四时间范围内的轨迹点确定为所述变道轨迹中的第一目标变道轨迹之后，所述处理器600还用于执行以下至少一项：
从所述第二轨迹数据中，筛选出位于第五时间范围内，且满足第三预设条件的第三目标轨迹点，并将位于第六时间范围内的第二轨迹数据确定为所述变道轨迹中的第二目标变道轨迹，其中，所述第五时间范围的第五结束时间与所述第四开始时间相同，且所述第五时间范围的第五开始时间与所述第五结束时间之间的间隔时长为第五时长，所述第六时间范围的第六开始时间与所述第三目标轨迹点对应的时间戳相同，且所述第六时间范围的第六结束时间与所述第四开始时间相同；
从所述第二轨迹数据中，筛选出位于第七时间范围内，且所述纵向加速度的绝对值小于所述第四加速度阈值的第四目标轨迹点，并将位于第八时间范围内的第二轨迹数据确定为所述变道轨迹中的第三目标变道轨迹，其中，所述第七时间范围的第七开始时间与所述第四结束时间相同，且所述第七时间范围的第七结束时间与所述第七开始时间之间的间隔时长为第六时长，所述第八时间范围的开始时间与所述第四结束时间相同，且所述第八时间范围的结束时间与所述第四目标轨迹点对应的时间戳相同；
其中，所述第三预设条件包括以下至少一项：
所述纵向加速度的绝对值小于所述第四加速度阈值；
与相邻的轨迹点之间的横向加速度变化量小于所述第五加速度阈值。
可选地，所述处理器600在基于隐马尔可夫模型的地图匹配算法，对所述第一轨迹数据进行修正和补充，获得第二轨迹数据时，具体用于：
基于隐马尔可夫模型的地图匹配算法，将所述第一轨迹数据与目标地图数据进行匹配，以对所述第一轨迹数据中的每个轨迹点进行修正，得到所述至少一个轨迹点；
获取所述至少一个轨迹点对应的车辆信息和车道信息补充至所述第一轨迹数据中；
将经过修正和补充的第一轨迹数据确定为所述第二轨迹数据。
在此需要说明的是，本发明实施例提供的上述移动终端，能够实现上述应用于移动终端的车辆轨迹识别方法实施例所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
本领域技术人员可以理解，实现上述实施例的全部或者部分步骤可以通过硬件来完成，也可以通过计算机程序来指示相关的硬件来完成，所述计算机程序包括执行上述方法的部分或者全部步骤的指令；且该计算机程序可以存储于一可读存储介质中，存储介质可以是任何形式的存储介质。
另外，本发明具体实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述的第一实施例中的方法的步骤。且能达到相同的技术效果，为避免重复，这里不再赘述。
此外，需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行，某些步骤可以并行或彼此独立地执行。对本领域的普通技术人员而言，能够理解本发明的方法和装置的全部或者任何步骤或者部件，可以在任何计算装置(包括处理器、存储介质等)或者计算装置的网络中，以硬件、固件、软件或者它们的组合加以实现，这是本领域普通技术人员在阅读了本发明的说明的情况下运用他们的基本编程技能就能实现的。
因此，本发明的目的还可以通过在任何计算装置上运行一个程序或者一组程序来实现。所述计算装置可以是公知的通用装置。因此，本发明的目的也可以仅仅通过提供包含实现所述方法或者装置的程序代码的程序产品来实现。也就是说，这样的程序产品也构成本发明，并且存储有这样的程序产品的存储介质也构成本发明。显然，所述存储介质可以是任何公知的存储介质或者将来所开发出来的任何存储介质。还需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行。某些步骤可以并行或彼此独立地执行。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (9)
1.一种车辆轨迹识别方法，其特征在于，包括：
获取目标车辆在目标时间段内对应的第一轨迹数据；
基于隐马尔可夫模型的地图匹配算法，对所述第一轨迹数据进行修正和补充，获得第二轨迹数据，其中，所述第二轨迹数据包括至少一个轨迹点对应的车辆信息和车道信息；
根据每一所述轨迹点对应的车道信息中的车道限速，获取每一所述轨迹点对应的至少一个阈值；
根据所述轨迹点对应的车辆信息、所述车道信息和所述阈值，对所述第二轨迹数据进行轨迹识别，获得目标轨迹，所述目标轨迹包括：转弯轨迹和/或变道轨迹。
2.根据权利要求1所述的方法，其特征在于，所述车辆信息包括：时间戳、角速度以及第一信息，所述第一信息包括：航向角和/或纵向加速度，所述车道信息还包括车道编号，所述阈值包括：第一航向角阈值和第一加速度阈值，在所述目标轨迹包括所述转弯轨迹的情况下，所述根据所述轨迹点对应的车辆信息、所述车道信息和所述阈值，对所述第二轨迹数据进行轨迹识别，获得目标轨迹，包括：
从所述第二轨迹数据中，筛选出所述角速度大于零的至少一个第一轨迹点；
根据所述第一轨迹点对应的第一时间戳，从所述第二轨迹数据中，筛选出位于第一时间范围内的轨迹点，形成第一轨迹点集合，其中，所述第一时间范围的第一开始时间和第一结束时间与所述第一时间戳之间的间隔时长均为第一时长；
从所述第一轨迹点集合中，筛选出至少一段第三轨迹数据，所述第三轨迹数据中的任意两个相邻的轨迹点之间的角速度变化量小于预设值；
将满足第一预设条件的第三轨迹数据确定为所述转弯轨迹中的第一目标转弯轨迹；
其中，所述第一预设条件包括以下至少一项：
所述第三轨迹数据中第一个轨迹点与最后一个轨迹点之间的航向角变化量大于所述第一航向角阈值；
所述第三轨迹数据中每一个轨迹点的纵向加速度均小于所述第一加速度阈值；
所述第一个轨迹点对应的车道编号与所述最后一个轨迹点对应的车道编号相同。
3.根据权利要求2所述的方法，其特征在于，所述车辆信息还包括：横向加速度，所述阈值还包括第二加速度阈值，在所述将满足第一预设条件的第三轨迹数据确定为所述转弯轨迹中的第一目标转弯轨迹之后，所述方法还包括以下至少一项：
从所述第二轨迹数据中，筛选出位于第二时间范围内，且满足第二预设条件的至少一个第一目标轨迹点，并将所述至少一个第一目标轨迹点确定为所述转弯轨迹中的第二目标转弯轨迹，其中，所述第二时间范围的第二结束时间与所述第一开始时间相同，且所述第二时间范围的第二开始时间与所述第二结束时间之间的间隔时长为第二时长，所述第二预设条件包括：所述纵向加速度小于零，和/或所述横向加速度大于零；
从所述第二轨迹数据中，筛选出位于第三时间范围内，且所述角速度为零，且纵向加速度大于所述第二加速度阈值的至少一个第二目标轨迹点，并将所述至少一个第二目标轨迹点确定为所述转弯轨迹中的第三目标转弯轨迹，其中，所述第三时间范围的第三开始时间与所述第一结束时间相同，且所述第三时间范围的第三结束时间与所述第三结束时间之间的间隔时长为第三时长。
4.根据权利要求1所述的方法，其特征在于，所述车辆信息包括：时间戳和第二信息，所述第二信息包括：航向角和/或横向加速度，所述车道信息还包括车道编号，所述阈值包括：第二航向角阈值和第三加速度阈值，在所述目标轨迹包括所述变道轨迹的情况下，所述根据所述轨迹点对应的车辆信息、所述车道信息和所述阈值，对所述第二轨迹数据进行轨迹识别，获得目标轨迹，包括：
从所述第二轨迹数据中，获取所述车道编号不同的至少一对相邻轨迹点，每对所述相邻轨迹点包括第二轨迹点和第三轨迹点；
筛选出满足第三预设条件的至少一对所述相邻轨迹点；
根据所述相邻轨迹点中第二轨迹点对应的第二时间戳和第三轨迹点对应的第三时间戳，获取位于第四时间范围内的轨迹点，并将所述第四时间范围内的轨迹点确定为所述变道轨迹中的第一目标变道轨迹，其中，所述第四时间范围的第四开始时间与所述第二时间戳之间的间隔时长为第四时长，所述第四时间范围的第四结束时间与所述第三时间戳之间的间隔时长为第五时长；
其中，所述第三预设条件包括以下至少一项：
所述第二轨迹点和所述第三轨迹点之间的航向角变化量小于所述第二航向角阈值；
所述第二轨迹点和所述第三轨迹点之间的横向移动距离小于或等于所述第二轨迹点对应的车道信息中的车道宽度，所述横向移动距离根据所述第二轨迹点对应的横向加速度与目标时长确定，所述目标时长为所述第二轨迹点和所述第三轨迹点之间的间隔时长；
所述第二轨迹点和所述第三轨迹点之间的横向加速度变化量大于所述第三加速度阈值。
5.根据权利要求4所述的方法，其特征在于，所述车辆信息还包括：横向加速度和纵向加速度，所述阈值还包括：第四加速度阈值和第五加速度阈值，在所述将所述第四时间范围内的轨迹点确定为所述变道轨迹中的第一目标变道轨迹之后，所述方法还包括以下至少一项：
从所述第二轨迹数据中，筛选出位于第五时间范围内，且满足第三预设条件的第三目标轨迹点，并将位于第六时间范围内的第二轨迹数据确定为所述变道轨迹中的第二目标变道轨迹，其中，所述第五时间范围的第五结束时间与所述第四开始时间相同，且所述第五时间范围的第五开始时间与所述第五结束时间之间的间隔时长为第五时长，所述第六时间范围的第六开始时间与所述第三目标轨迹点对应的时间戳相同，且所述第六时间范围的第六结束时间与所述第四开始时间相同；
从所述第二轨迹数据中，筛选出位于第七时间范围内，且所述纵向加速度的绝对值小于所述第四加速度阈值的第四目标轨迹点，并将位于第八时间范围内的第二轨迹数据确定为所述变道轨迹中的第三目标变道轨迹，其中，所述第七时间范围的第七开始时间与所述第四结束时间相同，且所述第七时间范围的第七结束时间与所述第七开始时间之间的间隔时长为第六时长，所述第八时间范围的开始时间与所述第四结束时间相同，且所述第八时间范围的结束时间与所述第四目标轨迹点对应的时间戳相同；
其中，所述第三预设条件包括以下至少一项：
所述纵向加速度的绝对值小于所述第四加速度阈值；
与相邻的轨迹点之间的横向加速度变化量小于所述第五加速度阈值。
6.根据权利要求1所述的方法，其特征在于，所述基于隐马尔可夫模型的地图匹配算法，对所述第一轨迹数据进行修正和补充，获得第二轨迹数据，包括：
基于隐马尔可夫模型的地图匹配算法，将所述第一轨迹数据与目标地图数据进行匹配，以对所述第一轨迹数据中的每个轨迹点进行修正，得到所述至少一个轨迹点；
获取所述至少一个轨迹点对应的车辆信息和车道信息补充至所述第一轨迹数据中；
将经过修正和补充的第一轨迹数据确定为所述第二轨迹数据。
7.一种车辆轨迹识别装置，其特征在于，包括：
轨迹获取模块，用于获取目标车辆在目标时间段内对应的第一轨迹数据；
地图匹配模块，用于基于隐马尔可夫模型的地图匹配算法，对所述第一轨迹数据进行修正和补充，获得第二轨迹数据，其中，所述第二轨迹数据包括至少一个轨迹点对应的车辆信息和车道信息；
阈值获取模块，用于根据每一所述轨迹点对应的车道信息中的车道限速，获取每一所述轨迹点对应的至少一个阈值；
轨迹识别模块，用于根据所述轨迹点对应的车辆信息、所述车道信息和所述阈值，对所述第二轨迹数据进行轨迹识别，获得目标轨迹，所述目标轨迹包括：转弯轨迹和/或变道轨迹。
8.一种识别设备，包括：收发机、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述的车辆轨迹识别方法的步骤。
9.一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，该计算机程序被处理器执行时实现如权利要求1至6中任一项所述的车辆轨迹识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311167755.6A CN117152958A (zh) | 2023-09-11 | 2023-09-11 | 一种车辆轨迹识别方法、装置、识别设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311167755.6A CN117152958A (zh) | 2023-09-11 | 2023-09-11 | 一种车辆轨迹识别方法、装置、识别设备及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117152958A true CN117152958A (zh) | 2023-12-01 |
Family
ID=88911805
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311167755.6A Pending CN117152958A (zh) | 2023-09-11 | 2023-09-11 | 一种车辆轨迹识别方法、装置、识别设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117152958A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117727196A (zh) * | 2024-02-18 | 2024-03-19 | 山东高速信息集团有限公司 | 一种基于车辆定位轨迹的交通控制方法 |
-
2023
- 2023-09-11 CN CN202311167755.6A patent/CN117152958A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117727196A (zh) * | 2024-02-18 | 2024-03-19 | 山东高速信息集团有限公司 | 一种基于车辆定位轨迹的交通控制方法 |
| CN117727196B (zh) * | 2024-02-18 | 2024-04-26 | 山东高速信息集团有限公司 | 一种基于车辆定位轨迹的交通控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109747659B (zh) | 车辆驾驶的控制方法和装置 | |
| CN107850453B (zh) | 匹配道路数据对象以更新精确道路数据库的系统和方法 | |
| CN107850672B (zh) | 用于精确车辆定位的系统和方法 | |
| CN106969764B (zh) | 一种道路匹配方法、装置及车载地图采集系统 | |
| Obradovic et al. | Fusion of sensor data in Siemens car navigation system | |
| CN115658829A (zh) | 车辆以及用于车辆的方法 | |
| WO2020125686A1 (zh) | 实时相对地图的生成方法，智能驾驶设备以及计算机存储介质 | |
| US20090138188A1 (en) | Method, device and system for modeling a road network graph | |
| JP2010086544A (ja) | 最新運転者支援システムのための幾何学形状の作成 | |
| CN108171967B (zh) | 一种交通控制方法及装置 | |
| CN103954275A (zh) | 基于车道线检测和gis地图信息开发的视觉导航方法 | |
| CN112747755B (zh) | 道路线确定方法、装置、可读存储介质及地图更新系统 | |
| CN114080537B (zh) | 收集与可导航网络有关的用户贡献数据 | |
| CN114323050B (zh) | 车辆定位方法、装置和电子设备 | |
| CN117152958A (zh) | 一种车辆轨迹识别方法、装置、识别设备及可读存储介质 | |
| WO2022083487A1 (zh) | 生成高精度地图的方法、装置和计算机可读存储介质 | |
| CN101408434B (zh) | 移动终端零位漂移双模定位和单模定位方法 | |
| CN104422452A (zh) | 一种导航引导路线的制作方法、装置及电子设备 | |
| CN111060112A (zh) | 基于方向角的车辆轨迹地图匹配方法及系统 | |
| CN105096590A (zh) | 交通信息生成方法和交通信息生成设备 | |
| CN116424336A (zh) | 一种轨迹预测方法、装置及车联网设备 | |
| CN114299712A (zh) | 一种数据处理方法、装置、设备以及可读存储介质 | |
| CN112578781A (zh) | 数据处理方法、装置、芯片系统及介质 | |
| CN115683124A (zh) | 确定行驶轨迹的方法 | |
| JP2019158701A (ja) | 特徴点生成方法 |
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 |