CN117852156B - 一种基于贝叶斯的道路平面线位智能重构的方法及系统 - Google Patents
一种基于贝叶斯的道路平面线位智能重构的方法及系统 Download PDFInfo
- Publication number
- CN117852156B CN117852156B CN202410263314.4A CN202410263314A CN117852156B CN 117852156 B CN117852156 B CN 117852156B CN 202410263314 A CN202410263314 A CN 202410263314A CN 117852156 B CN117852156 B CN 117852156B
- Authority
- CN
- China
- Prior art keywords
- road
- module
- data
- bayesian
- design parameters
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 98
- 238000013461 design Methods 0.000 claims abstract description 93
- 238000005259 measurement Methods 0.000 claims abstract description 46
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000001914 filtration Methods 0.000 claims abstract description 18
- 238000005457 optimization Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 17
- 230000008859 change Effects 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 3
- 206010063385 Intellectualisation Diseases 0.000 abstract 1
- 239000011159 matrix material Substances 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 230000011218 segmentation Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- QERYCTSHXKAMIS-UHFFFAOYSA-M thiophene-2-carboxylate Chemical compound [O-]C(=O)C1=CC=CS1 QERYCTSHXKAMIS-UHFFFAOYSA-M 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Traffic Control Systems (AREA)
Abstract
本申请提供了一种基于贝叶斯的道路平面线位智能重构的方法及系统,涉及计算机技术领域。其中,该方法包括获得道路平面测量的观测数据,并进行预处理,获得预处理后的道路平面测量数据;基于贝叶斯滤波剔除野值,获得剔除野值后的数据;提取两组特征值;对提取的特征值剔除噪声;基于道路设计速度的匹配道路设计规范以及特征值,迭代识别出道路模块;对识别出的道路模块处理,并采用贝叶斯优化,获得优化后的设计参数;基于优化后的设计参数,分段提取道路模块及其对应的设计参数;基于所述道路模块及其对应的设计参数进行道路平面线位重构。本申请解决了相关技术中道路平面线位重构智能化程度低,影响效率和准确性的问题。
Description
技术领域
本申请涉及计算机技术领域,具体而言,本申请涉及一种基于贝叶斯的道路平面线位智能重构的方法及系统。
背景技术
道路的改扩建需要在平面线位的设计参数基础上进行的,因此如何对道路平面的测量数据处理,获得正确的平面设计参数是道路维护和改扩建的难点之一。道路重构不是简单的以原设计线形为基准,而是根据测量数据重构出新的平面线形,满足平面测量数据和道路设计平面规范;
目前的道路平面线位重构需要人工辅助进行对大量的观测数据进行测点分段及调整,线位重构智能化程度低,影响重构效率和准确性;
由上可知,目前道路设计中线位重构智能化程度低的问题仍有待解决。
发明内容
本申请提供了一种基于贝叶斯的道路平面线位智能重构的方法及系统,可以解决相关技术中存在的道路平面线位重构效率和准确性不足的问题。所述技术方案如下:
根据本申请的一个方面,一种基于贝叶斯的道路平面线位智能重构的方法,包括:获得道路平面测量的观测数据,并进行预处理,获得预处理后的道路平面测量数据;基于贝叶斯滤波剔除所述预处理后的道路平面测量数据中的野值,获得剔除野值后的道路平面测量数据;基于不放大误差的前提下提取转角特征值和曲率特征值;对提取的特征值剔除噪声;基于道路设计速度的匹配道路设计规范,基于道路设计规范和剔除的噪声后的特征值,迭代识别出道路模块;对识别出的道路模块处理,获得设计参数、观测数据与设计参数的差值;基于设计参数、观测数据与设计参数的差值,采用贝叶斯优化,获得优化后的设计参数;基于优化后的设计参数,分段提取道路模块及其对应的设计参数;基于所述道路模块及其对应的设计参数进行道路平面线位重构;
根据本申请的一个方面,一种基于贝叶斯的道路平面线位智能重构的系统,包括采集单元,用于采集观测数据;预处理单元,用于数据的预处理;
野值剔除单元,用于预处理数据的野值剔除;特征值提取单元,用于提取两组特征值;特征值去噪单元,用于提取的两组特征值去噪;道路模块识别单元,用于识别道路模块;道路模块参数提取单元,用于提取道路模块的设计参数;计算控制中心,用于优化处理识别和提取过程中不确定问题,计算获得优化后的道路设计参数,并基于优化后的道路设计参数进行重构;以及显示单元和存储单元,分别用于数据显示和存储。
根据本申请的一个方面,一种存储介质,其上存储有计算机可读指令,所述计算机可读指令被一个或多个处理器执行,以实现如上所述的一种基于贝叶斯的道路平面线位智能重构的方法。
本申请提供的技术方案带来的有益效果是:
在上述技术方案中,一种基于贝叶斯的道路平面线位智能重构的方法,包括:获得道路平面测量的观测数据,并进行预处理,获得预处理后的道路平面测量数据;基于贝叶斯滤波剔除所述预处理后的道路平面测量数据中的野值,获得剔除野值后的道路平面测量数据;基于稳健的方法提取两组特征值;对提取的特征值剔除噪声;基于道路设计速度的匹配道路设计规范以及剔除的噪声后的特征值,迭代识别出道路模块;对识别出的道路模块处理,获得设计参数、观测数据与设计参数的差值;基于设计参数、观测数据与设计参数的差值,采用贝叶斯优化,获得优化后的设计参数;基于优化后的设计参数,分段提取道路模块及其对应的设计参数;基于所述道路模块及其对应的设计参数进行道路平面线位重构,从而能够有效地解决相关技术中存在的道路平面线位重构智能化程度低,影响重构效率和准确性不足的问题。
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。显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本申请所涉及的实施例一种基于贝叶斯的道路平面线位智能重构的方法的流程图;
图2是根据一示例性实施例中预处理及特征值提取示意图;
图3是根据一示例性实施例中基于交点法的道路模块设计参数示意图;
图4是根据一示例性实施例示出的野值剔除方法的流程图;
图5是根据一示例性实施例示出道路模块识别的示意图;
图6是根据一示例性实施例示出的贝叶斯优化算法流程图;
图7是根据一示例性实施例示出的基于贝叶斯的道路平面线位智能重构系统的结构框图;
图8是一应用场景中根据一示例性实施例示出的观测数据示意图;
图9是一应用场景中根据一示例性实施例示出的重构示意图;
图10是根据一示例性实施例示出的局部放大的重构示意图;
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能解释为对本申请的限制。
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,本公开的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。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。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
下面是对本申请涉及的几个名词进行的介绍和解释:道路平面线形:线位是指线路的中心线在水平面上的投影,对应三种模块:直线,缓和曲线,圆曲线。平面线位是上述三种线形的组合。
贝叶斯滤波(Bayesianfiltering):一种概率推断的方法,用于估计随时间推移的系统状态。它基于贝叶斯定理和递归贝叶斯估计的概念,通过使用先验概率和观测数据,更新状态的后验概率。常见的贝叶斯滤波算法包括卡尔曼滤波(KalmanFilter)和粒子滤波(ParticleFilter)。卡尔曼滤波适用于线性系统和高斯噪声,粒子滤波则适用于非线性系统和非高斯噪声。
贝叶斯优化[BayesianOptimization]:贝叶斯优化是机器学习参数优化的常用技术之一,参数优化领域的最先进技术,在效率和性能上表现出卓越的大部分参数优化方案都是基于贝叶斯优化理念构建的。贝叶斯利用先验知识来指导搜索过程,从而避免了在搜索过程中浪费时间和资源的情况,可以在较少的迭代次数内找到全局最优解。
道路的改扩建需要在平面线位的设计参数基础上进行的,因此如何对道路平面的测量数据处理,获得正确的平面设计参数是道路维护和改扩建的难点之一。道路重构不是简单的以原设计线形为基准,而是根据测量数据重构出新的平面线形,满足平面测量数据和道路设计平面规范。
改扩建项目不同于新建项目,由于拟合的特殊性,其平面设计指标受到道路设计规范和道路测量数据的双重约束。
平面线形重构方法主要有绳正法,偏角法,以及坐标法。其中绳正法和偏角法是基于渐伸线原理计算测点,效率和质量不高。坐标法相比绳正法和偏角法,具有精度高,计算准确的优点。
坐标法的关键在于能基于测量数据精准的识别每个模块[直线,缓和曲线,圆曲线],然后再分段拟合。下面时一些基于坐标法的平面线形重构的方法:1、传统的测点分段是以曲率为判别依据,人工辅助完成分段。缺点:十分耗时,且最终结果也不够准确2、利用三次样条函数去拟合测量数据,根据样条曲线插值计算的曲率代替直接计算的曲率判别测点归属。缺点:需要人工提供初始分段结果。3、基于霍夫变化对方位角图和正矢图的线元分界进行识别缺点:只适用单曲线的识别,无法应用于线路整体分段的情况。4、基于人为设定阈值的方法进行分段处理的方法缺点:阈值的设定基于道路的等级,测量数据的精度不同,需要人为调整,不具有通用性。
如前所述,目前的道路平面线位重构需要人工辅助对大量的观测数据进行测点分段及调整,线位重构智能化程度低,影响重构效率和准确性;由上可知,目前线位重构智能化程度低的问题仍有待解决;
为此,请参阅图1-10;本申请实施例提供的一种基于贝叶斯的道路平面线位智能重构的方法及系统;
其中:基于贝叶斯的道路平面线位智能重构系统100,包括采集单元101,用于采集观测数据;预处理单元102,用于数据的预处理;
野值剔除单元103,用于预处理数据的野值剔除;
特征值提取单元104,用于提取两组特征值;
特征值去噪单元105,用于提取的两组特征值去噪;
道路模块识别单元106,用于识别道路模块;
道路模块参数提取单元107,用于提取道路模块的设计参数;
计算控制中心108,用于优化处理识别和提取过程中不确定问题,计算获得优化后的道路设计参数,并基于优化后的道路设计参数进行重构;
以及显示单元109和存储单元110,分别用于数据显示和存储;
在一示例性实施例中,采集单元101为数据采集模块,对接GPS接收机或全站仪,采集由GPS接收机或全站仪测量的观测数据;所述两组特征值包括:点位观测线的切向与北向的夹角以及该夹角的变化率;
在一示例性实施例中,所述野值剔除单元103,特征值提取单元104,特征值去噪单元105,道路模块识别单元106,道路模块参数提取单元107以及计算控制中心108包括至少一处理器和存储器用于相应的数据处理与存储;所述处理器可以是CPU(CentralProcessingUnit,中央处理器),通用处理器,DSP(DigitalSignalProcessor,数字信号处理器),ASIC(ApplicationSpecificIntegratedCircuit,专用集成电路),FPGA(FieldProgrammableGateArray,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申请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。存储器可以是ROM(ReadOnlyMemory,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(RandomAccessMemory,随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM(ElectricallyErasableProgrammableReadOnlyMemory,电可擦可编程只读存储器)、CD-ROM(CompactDiscReadOnlyMemory,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指令或代码;
本申请实施例提供了一种基于贝叶斯的道路平面线位智能重构的方法,包括:S1、获得道路平面测量的观测数据,并进行预处理,获得预处理后的道路平面测量数据;S2、基于贝叶斯滤波剔除所述预处理后的道路平面测量数据中的野值,获得剔除野值后的道路平面测量数据;S3、基于不放大误差的前提下提取转角特征值和曲率特征值;对提取的特征值剔除噪声;S4、基于道路设计速度的匹配道路设计规范以及剔除的噪声后的特征值,迭代识别出道路模块;S5、对识别出的道路模块处理,获得设计参数、观测数据与设计参数的差值;S6、基于设计参数、观测数据与设计参数的差值,采用贝叶斯优化,获得优化后的设计参数;S7、基于优化后的设计参数,分段提取道路模块及其对应的设计参数;基于所述道路模块及其对应的设计参数进行道路平面线位重构。
本申请实施例中,平面设计指标受到道路设计规范和道路测量数据的双重约束,基于道路设计规范中《准则》如下表1至表3:
在设计规范中取一般值作为约束条件,由缓和曲线的最小长度给定,则由平曲线最小长度可以得到圆曲线最小长度: ;其中,/>为平曲线的最小长度;/>为缓和曲线的最小长度;
构建模型,通过输入设计速度这一参数,自动匹配到详细的设计规范,便于后续的处理中进行调用。
在一示例性实施例中,所述获得道路平面测量的观测数据,并进行预处理的方法,包括:
采集观测数据,对观测数据沿道路平面线位方向,按次序归集,获得观测数据序列,并对观测数据序列的数据精度归一化调整。
基于贝叶斯滤波剔除所述预处理后的道路平面测量数据中的野值,获得剔除野值后的道路平面测量数据的方法:
针对观测数据,构建基于贝叶斯框架的观测系统的隐参数估计模型;由上一个状态的观测数据,通过隐参数估计模型估算出当前状态的当前估算观测数据;结合当前状态的观测数据,计算当前状态的最优估计;再通过最优估计对隐参数估计模型优化,通过隐参数估计模型修正剔除野值;
具体如下:
采集观测数据,若干观测点P的坐标列为观测数据;观测数据归集为;其中,/>为对应n位置点P的坐标数据;
构建基于贝叶斯框架的观测系统的隐参数模型,并构建该模型的状态矩阵:;/>;其中H为观测矩阵,将状态参数转化为观测;/>为测量误差,/>为系统的观测值;系统的状态预测方程为:/>;其中,F为线性运动模型,测量噪声确定为高斯分布,则:
预测变量协方差矩阵:;
其中,为运动系统的过程噪声矩阵,/>;
增益方程:;其中:Rn是测量噪声矩阵,/>状态更新方程:;
协方差更新矩阵:。
基于隐参数估计模型的野值剔除算法如下:
1、获取当前状态矩阵、协方差矩阵以及测量方程;
2、状态预测和协方差矩阵预测;
3、计算增益系数;
4、进行状态矩阵更新;
5、协方差矩阵更新;
6、计算修正后的测量方程;
7、基于修正后的测量方程,对最优估计进行修正,剔除野值;
在一示例性实施例中,基于贝叶斯滤波剔除所述预处理后的道路平面测量数据中的野值,获得剔除野值后的道路平面测量数据的方法:由上一个状态的估算出当前状态的/>,结合当前状态的实际测量值Zn,得到当前状态的最优估计/>;再通过最优估计的状态得到修正后的当前系统的观测值,若实际测量偏差很大,通过最优估计/>进行修正剔除野值。
在一示例性实施例中,基于不放大误差的前提下提取转角特征值和曲率特征值的方法包括:当前i位置测点P、i-1位置测点P及i+1位置测点P的坐标数据, 以i-1、i及i+1位置测点P确定一构建圆弧C;
计算i位置测点P相对所述构建圆弧C,沿平面线位方向的切线Pt与北向的夹角,该夹角/>为i位置测点P的转角特征值;
计算i+1位置测点的转角特征值与i位置测点的转角特征值的差值,计算该差值与i+1位置测点与i位置测点的距离的比值,该比值为i位置测点的曲率特征值。
例如:由前i位置测点P、i-1位置测点P及i+1位置测点P的坐标数据,确定构建圆弧C的圆心坐标Gi和半径ri;计算公式如下:
;/>;
其中,为所述构建圆弧C上的一点坐标;/>为i位置测点的坐标;/>为i位置测点的转角特征值;/>为i位置测点的曲率特征值;/>为i+1位置测点的转角特征值;/>为i位置测点与i+1位置测点之间的距离;
在一示例性实施例中,对提取的特征值剔除噪声的方法包括:针对所述提取的两组特征值,构建时序数据集合A,对第n个数据A[n];以该数据点为中心,前面N个数据,后面N个数据,共W=2*N+1为滤波窗口;利用A[n]前面的N个数据进行FIR向前和向后预测,并将FIR向前和向后预测过程中边缘处修改为自适应处理,对两组特征值进行降噪处理。
例如:构造零阶和一阶两个预测器:;
其中和/>预测系数:/>;
用零阶和一阶预测器,以数据为中心,分别向前和向后预测,可得到4个估计值:/>;
与原始数值共五个数据,取中间值为/>的值:
;
对处理后的数据进行移动均值处理:;其中,为移动窗口大小。
在一示例性实施例中,基于提取的两组特征值,识别出直线模块、缓和曲线模块和圆曲线模块;直线模块识别方法:通过计算点集角度变化(曲率特征值)在0附近波动,识别出直线模块和缓和曲线模块,通过设定直线段点集角度变化(曲率特征值)的阈值,识别出直线模块;缓和曲线模块识别方法:基于直线模块识别方法,剔除识别出的直线和模块,识别出缓和曲线/>和/>模块;圆曲线/>模块识别方法:通过计算点集角度变化(曲率特征值)在常值附近波动,识别出圆曲线/>模块。
在一示例性实施例中,针对所述识别出的直线模块、缓和曲线模块和圆曲线模块提取道路设计参数,提取方法包括交点法和导线法;采用交点法提取道路设计参数包括交点坐标,圆曲线的半径以及圆曲线两侧缓和曲线的长度;基于所述提取道路设计参数,获得设计参数、观测数据与设计参数的差值。
例如采用交点法提取道路设计参数:
由于缓和曲线的起终点半径连接直线则为常数值,连接圆,则只和圆的半径相关。则影响平面设计参数的设计参数只有:第一直线模块与第二直线模块/>的交点,第一缓和曲线长度/>,圆曲线半径/>,第二缓和曲线长度/>;
其中:为/>坐标,/>为第一缓和曲线/>的长度,/>为圆曲线的半径,/>为第二缓和曲线/>的长度。
所有点集为其中/>是测量点/>的坐标,计算出设计参数,观测数据与重构后的道路平面线位的距离:
;/>是测点与平面线位之间的差值,/>为具体的计算函数,对不同组成模块计算不同;
对于直线模块的处理:在示例性实施例中,具体可采用直线的一般解析式;根据最小二乘法,使得/>最小,(/>)为直线模块的点位坐标;依据/>;计算整理得到/>系数如下:需要说明的是此部分涉及的/>等系数与符号仅仅为直线几何中数学系数和符号,不与其他部分混淆;
利用一般解析式进行交点坐标及其他直线点位坐标的拟合计算;
圆曲线模块:采用一般解析式,/>进行处理;由于圆曲线部分的测量点存在不多的情况,为了保证拟合稳定性,采用Taubin拟合处理,/>;此处(/>)为圆曲线模块上的点位坐标;/>为半径平方常数;需要说明的是此部分涉及的/>等字符仅仅为数学系数以及计算符号,不与其他部分混淆;
;
;
;
;
;
综合上式即可获得系数;进而计算:
圆心坐标
;
需要说明的是设计时,通过鼠标拾取的原始点的误差权重设为密集处理点误差的倍,其中/>进行处理。
缓和曲线模块和/>:
将缓和曲线按回旋线进行处理,对缓和曲线长度进行迭代逼近;对回旋线进行展开处理,整理的坐标公式如下:
;公式近似处理的余项为:;其中为正整数,/>为回旋线长度,/>为回旋线角度;
上述展开的坐标公式可以保证精度,需要说明的是此部分涉及的X,Y,等字符仅仅为数学系数以及计算符号,不与其他部分混淆。
已知圆半径及圆心到直线的距离d,由近似公式:
可得值大致落在/>之间,取/>,则有:
;由/>可得到其对应半径曲率圆心至直线的距离/>,如果/>(已知精度),则终止迭代,否则如/>取/>,反之取重复上述过程。由:/>,即可得到对应的缓和曲线长度/>。
具体识别过程:平面线位由直线,缓和曲线,圆曲线组成,设直线的点集合,缓和曲线的点集合为/>,圆曲线点集合/>,将缓和曲线和圆曲线记为:。整条线路的点集/>;线模块:在中将/>识别出来直线的点集角度变化率在0附近波动,通过计算出直线段的波动范围识别出直线和曲线段。直线段的波动会随着道路等级和测量数据的精度不同,而在不同的范围进行波动。为了能自适应的计算出该波动范围,精准的识别出直线。采用动态迭代计算的方法进行求解。计算流程:由于道路设计规范中,平面半径最大值为/>米,以/>为初始值,1.根据初始的计算出直线的点集/>;2.并且基于道路准则中画线最小长度/>;来确定直线的数目/>3.以一定步长降低/>,为计算参数;更新计算出新的点集/>,和直线数目/>;4.重复[1-2]步,如果不变,则接受阈值,进行下一步迭代。如果/>发生改变,截止迭代计算。通过迭代计算,可以识别出平面线位中的直线部分/>。
缓和曲线模块:基于识别出直线后,由于,只需在将缓和曲线/>识别出来。平面的组成为直线+缓和曲线+圆曲线+缓和曲线+直线,直线段的长度为零的话,则为圆曲线+缓和曲线+圆曲线。由于中包含了完整的直线部分/>。该部分用于处理由于滤波的处理「直线+缓和曲线+圆曲线+缓和曲线+直线]模块在长度为零的直线部分仍然以个位数的数量点集存在/>中,不属于/>部分。该部分用于处理[圆曲线+缓和曲线+圆曲线]部分。
计算流程:1.基于的点集,连续序号的点集为一个组成部分,计算每个组成部分两处端点的曲率变化值;2.沿着端点向着曲率变化值变大的方向进行逐步计算,一直到曲率变化值减小为止,记:/>;3.计算出所有的/>的间断部分两处端点的;4.将集合/>的最小值/>作为阈值,即:;5.基于/>计算出缓和曲线的点集/>,缓和曲线数目/>;6.以一定步长降低/>,更新计算出新的点集/>和缓和曲线数目/>;7.重复[1-2]步,如果/>不变,则接受阈值,进行下一步迭代。如果/>发生改变,截止迭代计算。通过迭代计算,可以识别出平面线位中的缓和曲线部分/>。在识别出/>和/>后,由于,即可得到圆曲线点集,即识别出了平面线位的各个组成。/>
在一示例性实施例中,采用贝叶斯优化处理识别和提取过程中不确定问题,其中贝叶斯优化中概率代理模型选择高斯过程进行计算,策略选择EI策略进行计算,得到优化后的道路设计参数。
由于在上述处理过程中缓和曲线和直线的分界;缓和曲线和圆曲线的分界,并不是十分明显,存在一定不确定性。将每个模块的分界处标记不确定范围和滤波处理的窗口大小一致为[N]。假设分界点识别为第i个测量点,则,则在每个模块的分界点在/>序号测量点之间进行取值。由于第六步计算可以得到对应的设计参数:
以及对应的差值:由第一步获得设计规范;/>在符合设计规范下,最优的设计参数应该使得测量点与重构后的道路平面线位的差值最小:
采用贝叶斯优化处理上述的区间不确定问题,其中贝叶斯优化中概率代理模型选择高斯过程进行计算,策略选择EI策略进行计算。
算法流程如下:
:在/>组的区间中,每个区间随机选择一个点作为分界点,计算出差值/>;Step2:重复第一步2(/>)次,获得/>组的/>值;Step3:采用高斯过程处理/>,计算出概率代理模型;Step4:基于/>策略在/>组的区间中,选择下一组分界点计算出/>添加进原有的/>中,重新采用高斯过程计算出概率代理函数;Step6:重复到最大的迭代次数/>,结束迭代,最后基于/>策略给出分界点即为最优分界点;即可得到最优的分段点,从而得到了最优平面设计参数;
基于所述道路模块及其对应的设计参数即可进行道路平面线位重构;在一应用场景下,请参阅图8-10,图8为观测数据图,图9为重构示意图;图9中红色为直线模块,绿色为缓和曲线模块,蓝色为圆曲线模块,图10为局部放大示意图。
此外,本申请实施例中提供了一种存储介质,该存储介质上存储有计算机可读指令,所述计算机可读指令被一个或多个处理器执行,以实现如上所述的一种基于贝叶斯的道路平面线位智能重构的方法。
本申请实施例中提供了一种计算机程序产品,计算机程序产品包括计算机可读指令,计算机可读指令存储在存储介质中,电子设备的一个或多个处理器从存储介质读取计算机可读指令,加载并执行该计算机可读指令,使得电子设备实现如上所述的一种基于贝叶斯的道路平面线位智能重构的方法。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述仅是本申请的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (8)
1.一种基于贝叶斯的道路平面线位智能重构的方法,其特征在于,包括:获得道路平面测量的观测数据,并进行预处理,获得预处理后的道路平面测量数据;基于贝叶斯滤波剔除所述预处理后的道路平面测量数据中的野值,获得剔除野值后的道路平面测量数据;基于不放大误差的前提下提取转角特征值和曲率特征值;对提取的特征值剔除噪声;基于道路设计速度的匹配道路设计规范以及剔除的噪声后的特征值,迭代识别出道路模块;对识别出的道路模块处理,提取道路设计参数;基于提取道路设计参数,采用贝叶斯优化,获得优化后的设计参数;基于优化后的设计参数,进行道路平面线位重构;
基于不放大误差的前提下提取转角特征值和曲率特征值的方法包括:当前i位置测点、i-1位置测点及i+1位置测点的坐标数据,以i-1、i及i+1位置测点构建圆弧;
计算i位置测点相对所述构建圆弧,沿平面线位方向的切线与北向的夹角,该夹角为i位置测点的转角特征值;
计算i+1位置测点的转角特征值与i位置测点的转角特征值的差值,计算该差值与i+1位置测点与i位置测点的距离的比值,该比值为i位置测点的曲率特征值;
采用贝叶斯优化处理识别和提取过程中不确定问题,其中贝叶斯优化中概率代理模型选择高斯过程进行计算,策略选择EI策略进行计算,得到优化后的道路设计参数。
2.如权利要求1所述的方法,其特征在于,所述获得道路平面测量的观测数据,并进行预处理的方法,包括:
采集观测数据,对观测数据沿道路平面线位方向,按次序归集,获得观测数据序列,并对观测数据序列的数据精度归一化调整。
3.如权利要求1所述的方法,其特征在于,基于贝叶斯滤波剔除所述预处理后的道路平面测量数据中的野值,获得剔除野值后的道路平面测量数据的方法:
针对观测数据,构建基于贝叶斯框架的观测系统的隐参数估计模型;由上一个状态的观测数据,通过隐参数估计模型估算出当前状态的当前估算观测数据;结合当前状态的观测数据,计算当前状态的最优估计;再通过最优估计对隐参数估计模型优化,通过隐参数估计模型修正剔除野值。
4.如权利要求1所述的方法,其特征在于,对提取的特征值剔除噪声的方法包括:针对所述提取的两组特征值,构建时序数据集合A,对第n个数据A[n];以该数据点为中心,前面N个数据,后面N个数据,共W=2*N+1为滤波窗口;利用前面的N个数据进行FIR向前和向后预测,并将FIR向前和向后预测过程中边缘处修改为自适应处理,对两组特征值进行降噪处理。
5.如权利要求4所述的方法,其特征在于,基于提取的两组特征值,识别出直线模块、缓和曲线模块和圆曲线模块;直线模块识别方法:通过计算点集角度变化在0附近波动,识别出直线模块和缓和曲线模块,通过设定直线段点集角度变化的阈值,识别出直线模块;
缓和曲线模块识别方法:基于直线模块识别方法,剔除识别出的直线模块,识别出缓和曲线模块;
圆曲线模块识别方法:通过计算点集角度变化在常值附近波动,识别出圆曲线模块。
6.如权利要求5所述的方法,其特征在于,针对所述识别出的直线模块、缓和曲线模块和圆曲线模块提取道路设计参数,提取方法包括交点法和导线法;采用交点法提取道路设计参数包括交点坐标,圆曲线的半径以及圆曲线两侧缓和曲线的长度。
7.基于贝叶斯的道路平面线位智能重构的系统,其基于如权利要求1-6任一项的所述一种基于贝叶斯的道路平面线位智能重构的方法实现,其特征在于,包括:
采集单元,用于采集观测数据;预处理单元,用于数据的预处理;野值剔除单元,用于预处理数据的野值剔除;特征值提取单元,用于提取两组特征值;特征值去噪单元,用于提取的两组特征值去噪;道路模块识别单元,用于识别道路模块;道路模块参数提取单元,用于提取道路模块的设计参数;计算控制中心,用于优化处理识别和提取过程中不确定问题,计算获得优化后的道路设计参数,分段提取道路模块及其对应的设计参数;基于所述分段提取道路模块及其对应的设计参数进行重构;以及显示单元和存储单元,分别用于数据显示和存储。
8.一种存储介质,其上存储有计算机可读指令,其特征在于,所述计算机可读指令被一个或多个处理器执行,以实现如权利要求1至6中任一项所述的基于贝叶斯的道路平面线位智能重构的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410263314.4A CN117852156B (zh) | 2024-03-08 | 2024-03-08 | 一种基于贝叶斯的道路平面线位智能重构的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410263314.4A CN117852156B (zh) | 2024-03-08 | 2024-03-08 | 一种基于贝叶斯的道路平面线位智能重构的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117852156A CN117852156A (zh) | 2024-04-09 |
CN117852156B true CN117852156B (zh) | 2024-05-17 |
Family
ID=90543727
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410263314.4A Active CN117852156B (zh) | 2024-03-08 | 2024-03-08 | 一种基于贝叶斯的道路平面线位智能重构的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117852156B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005062984A2 (en) * | 2003-12-24 | 2005-07-14 | Automotive Systems Laboratory, Inc. | Road curvature estimation system |
US9081385B1 (en) * | 2012-12-21 | 2015-07-14 | Google Inc. | Lane boundary detection using images |
CN106204572A (zh) * | 2016-07-06 | 2016-12-07 | 合肥工业大学 | 基于场景深度映射的道路目标深度估计方法 |
CN110232226A (zh) * | 2019-05-28 | 2019-09-13 | 北京交通大学 | 铁路桥上线路平面线形重构设计方法 |
CN111815806A (zh) * | 2020-07-10 | 2020-10-23 | 中国人民解放军空军工程大学 | 一种基于野值剔除和特征提取的飞参数据预处理方法 |
CN112883474A (zh) * | 2021-03-02 | 2021-06-01 | 中南大学 | 一种既有轨道线路智能改建的布设方法、系统、终端及可读存储介质 |
CN113919021A (zh) * | 2021-12-13 | 2022-01-11 | 中铁第五勘察设计院集团有限公司 | 一种既有铁路车站股道线位重构方法及系统 |
CN114111768A (zh) * | 2021-10-29 | 2022-03-01 | 北京自动化控制设备研究所 | 一种基于偏角异常补偿的轨道线型拟合方法 |
CN114329749A (zh) * | 2022-03-14 | 2022-04-12 | 武汉比邻工程技术有限公司 | 一种既有铁路平纵一体化辅助优化设计的方法 |
CN115017767A (zh) * | 2022-06-02 | 2022-09-06 | 厦门大学 | 基于贝叶斯正则化的桥梁影响线识别与不确定性量化方法 |
CN115374498A (zh) * | 2022-10-24 | 2022-11-22 | 北京理工大学 | 一种考虑道路属性特征参数的道路场景重构方法及系统 |
CN115857495A (zh) * | 2022-11-28 | 2023-03-28 | 北方工业大学 | 一种曲线道路环境下基于三维点云的车辆运动状态估计方法 |
CN116150853A (zh) * | 2023-02-28 | 2023-05-23 | 中铁第一勘察设计院集团有限公司 | 单线既有铁路重构平纵协同处理方法 |
CN116150928A (zh) * | 2023-04-14 | 2023-05-23 | 江苏狄诺尼信息技术有限责任公司 | 基于蒙特卡洛模拟的道路纵断面智能生成优化的方法 |
CN117423000A (zh) * | 2023-12-14 | 2024-01-19 | 江苏狄诺尼信息技术有限责任公司 | 一种基于mars的道路纵断面线形智能重构的方法 |
WO2024018448A2 (en) * | 2022-07-19 | 2024-01-25 | Make My Day Ltd. | A method and apparatus for planning an electric car trip |
-
2024
- 2024-03-08 CN CN202410263314.4A patent/CN117852156B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005062984A2 (en) * | 2003-12-24 | 2005-07-14 | Automotive Systems Laboratory, Inc. | Road curvature estimation system |
US9081385B1 (en) * | 2012-12-21 | 2015-07-14 | Google Inc. | Lane boundary detection using images |
CN106204572A (zh) * | 2016-07-06 | 2016-12-07 | 合肥工业大学 | 基于场景深度映射的道路目标深度估计方法 |
CN110232226A (zh) * | 2019-05-28 | 2019-09-13 | 北京交通大学 | 铁路桥上线路平面线形重构设计方法 |
CN111815806A (zh) * | 2020-07-10 | 2020-10-23 | 中国人民解放军空军工程大学 | 一种基于野值剔除和特征提取的飞参数据预处理方法 |
CN112883474A (zh) * | 2021-03-02 | 2021-06-01 | 中南大学 | 一种既有轨道线路智能改建的布设方法、系统、终端及可读存储介质 |
CN114111768A (zh) * | 2021-10-29 | 2022-03-01 | 北京自动化控制设备研究所 | 一种基于偏角异常补偿的轨道线型拟合方法 |
CN113919021A (zh) * | 2021-12-13 | 2022-01-11 | 中铁第五勘察设计院集团有限公司 | 一种既有铁路车站股道线位重构方法及系统 |
CN114329749A (zh) * | 2022-03-14 | 2022-04-12 | 武汉比邻工程技术有限公司 | 一种既有铁路平纵一体化辅助优化设计的方法 |
CN115017767A (zh) * | 2022-06-02 | 2022-09-06 | 厦门大学 | 基于贝叶斯正则化的桥梁影响线识别与不确定性量化方法 |
WO2024018448A2 (en) * | 2022-07-19 | 2024-01-25 | Make My Day Ltd. | A method and apparatus for planning an electric car trip |
CN115374498A (zh) * | 2022-10-24 | 2022-11-22 | 北京理工大学 | 一种考虑道路属性特征参数的道路场景重构方法及系统 |
CN115857495A (zh) * | 2022-11-28 | 2023-03-28 | 北方工业大学 | 一种曲线道路环境下基于三维点云的车辆运动状态估计方法 |
CN116150853A (zh) * | 2023-02-28 | 2023-05-23 | 中铁第一勘察设计院集团有限公司 | 单线既有铁路重构平纵协同处理方法 |
CN116150928A (zh) * | 2023-04-14 | 2023-05-23 | 江苏狄诺尼信息技术有限责任公司 | 基于蒙特卡洛模拟的道路纵断面智能生成优化的方法 |
CN117423000A (zh) * | 2023-12-14 | 2024-01-19 | 江苏狄诺尼信息技术有限责任公司 | 一种基于mars的道路纵断面线形智能重构的方法 |
Non-Patent Citations (1)
Title |
---|
道路线形自动识别方法研究;李会英;《中国优秀硕士学位论文数据库 工程科技Ⅱ辑》;20120115;摘要 * |
Also Published As
Publication number | Publication date |
---|---|
CN117852156A (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108388896B (zh) | 一种基于动态时序卷积神经网络的车牌识别方法 | |
CN110599539B (zh) | 一种结构光条纹图像的条纹中心提取方法 | |
CN102609904A (zh) | 双变量非局部平均滤波x射线图像消噪方法 | |
CN102135606B (zh) | 一种基于knn分类算法的mr图像灰度不均匀性校正分割方法 | |
CN104867130A (zh) | 一种基于裂纹图像子区灰度均值的自适应分割方法 | |
CN116243097B (zh) | 基于大数据的电能质量检测方法 | |
CN111311651B (zh) | 点云配准方法和装置 | |
CN108921170B (zh) | 一种有效的图像噪声检测和去噪方法及系统 | |
CN106340010A (zh) | 一种基于二阶轮廓差分的角点检测方法 | |
CN111445511B (zh) | 一种图像中圆的检测方法 | |
US7529651B2 (en) | Accurate linear parameter estimation with noisy inputs | |
CN110688440B (zh) | 一种适用于子地图重叠部分较少的地图融合方法 | |
CN109584207B (zh) | 一种测量高密度柔性印制基板线宽或线距最小距离的方法 | |
CN109191503B (zh) | 基于条件随机场的遥感影像变化检测方法及系统 | |
CN117852156B (zh) | 一种基于贝叶斯的道路平面线位智能重构的方法及系统 | |
CN112446353B (zh) | 基于深度卷积神经网络的视频图像道线检测方法 | |
CN112085759B (zh) | 一种基于大数据的直线拟合方法及装置 | |
CN102314687B (zh) | 一种红外序列图像中的小目标检测方法 | |
CN110738621B (zh) | 线性结构滤波方法、装置、设备和存储介质 | |
CN109697474B (zh) | 基于迭代贝叶斯的合成孔径雷达影像变化检测方法 | |
CN116543259A (zh) | 一种深度分类网络噪声标签建模与纠正方法、系统及存储介质 | |
CN114092906A (zh) | 一种车道线分段拟合方法、系统、电子设备及存储介质 | |
CN113781515A (zh) | 细胞图像分割方法、装置和计算机可读存储介质 | |
CN112988732A (zh) | 一种观测数据中异常值的处理方法 | |
CN117788570B (zh) | 一种基于机器视觉的斗轮机定位方法及系统 |
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 |