WO2020109516A1 - Systeme und verfahren für map matching - Google Patents

Systeme und verfahren für map matching Download PDF

Info

Publication number
WO2020109516A1
WO2020109516A1 PCT/EP2019/082993 EP2019082993W WO2020109516A1 WO 2020109516 A1 WO2020109516 A1 WO 2020109516A1 EP 2019082993 W EP2019082993 W EP 2019082993W WO 2020109516 A1 WO2020109516 A1 WO 2020109516A1
Authority
WO
WIPO (PCT)
Prior art keywords
link
matching
confidence
probability
time window
Prior art date
Application number
PCT/EP2019/082993
Other languages
English (en)
French (fr)
Inventor
Bastian BEGGEL
Stefan Holder
Original Assignee
Bayerische Motoren Werke Aktiengesellschaft
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Bayerische Motoren Werke Aktiengesellschaft filed Critical Bayerische Motoren Werke Aktiengesellschaft
Priority to US17/295,968 priority Critical patent/US20220011118A1/en
Priority to CN201980077367.4A priority patent/CN113167590B/zh
Publication of WO2020109516A1 publication Critical patent/WO2020109516A1/de

Links

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
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks

Definitions

  • the disclosure relates to systems and methods for computing a map matching confidence.
  • the disclosure relates in particular to systems and methods for calculating a map matching confidence when using map data in motor vehicles.
  • Map matching methods for mapping a sequence of GPS positions onto map data are known from the prior art, which are intended to relatively improve the accuracy of the mapping, for example of positions of a vehicle on corresponding road connections.
  • map matching a sequence of GPS positions is typically mapped onto a road network. For each GPS position, the road on which the vehicle was driving is determined.
  • a road network for example as described in Newson, Paul, and John Krumm: "Hidden Markov map Matching through noise and sparseness.”, Proceedings of the 17th ACM SIGSPATIAL international Conference on advances in geographic Information Systems, ACM, 2009, as a graph can be modeled, which can consist of both directed and undirected edges.
  • a directed edge does not necessarily mean a one-way street, since streets that can be driven in both directions can also be modeled as two directed edges.
  • Each edge has a description of its geometry, for example as a polyline (i.e. as a line that is composed of several segments). Card manufacturers offer cards in different formats with different models. In some models, links can only end at intersections or there are only directed edges. However, the above modeling is the most general case.
  • HMM Hidden Markov Model
  • Newson and Krumm's HMM map matching does not calculate a confidence measure that the GPS positions are actually on the matched links.
  • a map matching confidence can e.g. used to decide whether a recognized dangerous situation should be passed on to other vehicles.
  • U.S. publication For example, 5,774,824 describes a map adaptation navigation system for monitoring vehicle condition properties, including the location of a vehicle on a map route.
  • the map adjustment navigation system can operate in a fixed mode in which the map route is entered by a user or in a flexible mode in which the map adjustment navigation system determines the map route from a plurality of measured points corresponding to the location of the vehicle.
  • the map adaptation navigation system additionally updates the location of the vehicle at a plurality of positions on the map route, the vehicle location being known, with an increased level of confidence.
  • the publication describes a conventional map matching method and can therefore be regarded as a possible alternative to the method by Newson and Krumm. Probabilities / confidence for route alternatives are calculated within the procedure, but only to select route sections with high confidence for the purpose of map matching (analogous to Newson and Krumm). A confidence that a route section has been traveled within a time window is not calculated.
  • local dangers such as accidents or ice icy
  • vehicle sensors eg airbag, vehicle dynamics sensors
  • the vehicles transmit a sequence of GPS positions (eg 10 GPS positions before and 10 GPS positions after the detection of a dangerous situation) to the backend.
  • this sequence of positions is mapped onto the road network by a map matcher.
  • the transmission of several GPS positions instead of just one GPS position serves to improve the accuracy of map matching.
  • map matching the exact position of the local danger on the road is determined and other vehicles are warned with the most accurate possible position information of the danger.
  • offline map matching in the back end is in the foreground in the systems and methods disclosed here.
  • the latter can use the entire GPS trajectory, which in particular leads to better results for both map matching and confidence calculation.
  • the systems and methods disclosed here can also be used for online map matching in the vehicle.
  • Map matching of longer trip sections or complete trips maps to short trip sections (e.g. 10 or 20 positions, so-called mini-trace map matching).
  • Mini-Trace Map Matching combines the advantages of offline map matching (higher accuracy thanks to additional positions before and after a position to be matched) and online map matching (you get results in a timely manner and do not have to wait until the end of the journey).
  • a possible deterioration in accuracy compared to map matching Complete journeys are typically only insignificant, since, for example, 10 positions before and after an event are sufficient for processing.
  • the systems and methods according to the present disclosure are essentially directed to trace map matching and mini trace map matching.
  • All three of the aforementioned types of matching can be carried out both in the vehicle and in the backend, whereby offline map matching is preferably used for complete trips and mini-trace matching in the backend.
  • offline map matching is preferably used for complete trips and mini-trace matching in the backend.
  • online map matching is preferably used in the vehicle.
  • the advantages of the present disclosure of calculating a map matching confidence lie not only in the localization of local hazard warnings.
  • many applications that use a map matcher can take advantage of map matching confidence.
  • Other examples of map matching applications are: The extraction of traffic flow information from GPS tajectors
  • HMM-based Map Matcher uses the topology and geometry of the road network as well as the entire sequence of GPS positions to determine the most likely sequence of links. The systems and methods disclosed here for calculating the map matching confidence are therefore based on a further development of the HMM-based map matching.
  • a method for calculating a map matching confidence includes: acquiring a trajectory; Capturing network data including a plurality of links of a network; Acquiring one or more data pairs, each of the one or more data pairs including: one link (1) from the plurality of links; and a time window (w) that captures at least part of the trajectory.
  • the method further comprises determining, for each of the one or more data pairs, a map matching confidence (c (l, w)) for the link (1) of the respective data pair based on: determining a maximum a posteriori probability; or ascertaining by means of a modified forward algorithm, the map matching confidence being configured to indicate a probability that the respective link (1) was affected by the trajectory within the respective time window (w).
  • a map matching confidence c (l, w)
  • the trajectory contains a large number of position details.
  • Each position specification of the multitude of position specifications includes: a GPS position and a time stamp.
  • the method further comprises determining: one or more matching candidates for each position indication, preferably in the form of a pair from the link (1) of a data pair and a position on the link (1) ; an observation probability for each of the one or more matching candidates of each position based on a distance of the position from the link (1) of the matching candidate; and a pairwise transition probability for each of the one or more matching candidates with respect to a first position specification (PI) and a second position specification (P2) adjacent to the first position specification, the transition probability of each matching candidate moving from the first position specification to each matching Candidate is determined by the second position.
  • PI first position specification
  • P2 second position specification
  • the method further comprises determining each time window (w) of the one or more data pairs based on: the entire trajectory if the trajectory does not exceed a predetermined duration, preferably the predetermined duration being less is less than 60 seconds, more preferably less than 30 seconds; on an interval between n position information before and k position information after a reference position information, preferably n, k being less than 10; on a time interval before and after a reference position, preferably the time interval being less than 30 seconds, more preferably less than 15 seconds; or a relationship between a position specification and the corresponding link (1) of the respective data pair, the ratio of the position specification to the corresponding link (1) being defined in that the corresponding link (1) is a candidate for the position specification.
  • determining a maximum a posteriori probability comprises: determining a respective a posteriori probability for each link (1) of a data pair based on the respective observation probability and the respective one Probability of transition; and determining the maximum a-posteriori probability based on the maximum of all a-posteriori probabilities of all matching candidates which lie on the link (1) in the respective time window (w); preferably wherein the maximum a posteriori probability is determined using a forward-backward algorithm.
  • determining using a modified forward algorithm comprises: determining for each link (1) and each time window (w) of a data pair whether the link (1) is in each case adjacent between two matching candidates associated GPS positions were or could be driven safely within the time window (w); or determining a probability for each link (1) and each time window (w) of a data pair that the link (1) was traveled on between two matching candidates of adjacent associated GPS positions within the time window (w); and determining a probability for each link (1) and each time window (w) of a data pair whether the link (1) was traveled on within the time window (w) using observation probabilities and transition probabilities; preferably using a modified forward algorithm.
  • one or more links of the plurality of links of the network connect one or more nodes of a plurality of nodes of the network to one another.
  • the network preferably maps a traffic network. Further preferably, each of the plurality of links represents a segment of a traffic route and / or each of the plurality of nodes represents an intersection of traffic routes.
  • each position specification of the plurality of position specifications further includes GPS heading and determining one or more matching candidates comprises: determining the one or more matching candidates for each position specification in the form of a triple from the link (1) of a data pair, a position on the link (1) and a direction along the link (1).
  • the method further comprises: determining an additional matching candidate for each position indication, the additional matching candidate not being located on one link (1) of the plurality located from the left of the network; an observation probability for the additional matching candidate of each position based on a distance of the position of the matching candidate; and a pairwise transition probability for the additional matching candidate with respect to the first position specification (PI) and the second position specification (P2), the transition probability being determined by the additional matching Candidates from the first position specification to each matching candidate is determined from the second position specification.
  • PI first position specification
  • P2 second position specification
  • a system for determining a map matching confidence comprises a control unit that is configured to carry out the method according to embodiments of the present disclosure, in particular according to one of the preceding aspects 1 to 9.
  • a vehicle is specified in an eleventh aspect.
  • the vehicle includes a system for determining a map matching confidence according to embodiments of the present disclosure, in particular according to the preceding aspect 10. Brief description of the drawings
  • FIG. 1 schematically shows the structure of a system according to embodiments of the present disclosure
  • FIGS. 2 and 3 schematically illustrate, using a street topology that is divided into several links, how a matching of GPS positions to links includes a residual uncertainty
  • FIG. 4 schematically illustrates a road that is divided into several links
  • FIG. 5 schematically illustrates a road with a branch that is divided into several links
  • FIG. 6 schematically illustrates, using a street that is divided into several links, how a high confidence for a link can be transferred to other links;
  • FIG. 7 schematically illustrates, based on a road that is divided into several links, how a confidence for a link depends on the number of GPS positions recorded
  • FIG. 8 shows a flow diagram of a method according to embodiments of the present disclosure.
  • FIG. 1 schematically shows the structure of a system 100 according to embodiments of the present disclosure for use in a vehicle 80.
  • the system can essentially be on a control unit 120 of the vehicle 80 and / or on a back-end component 150 (for example a back-end server or back-end Services).
  • the vehicle 80 further comprises a communication unit 130, which is configured for data communication with components external to the vehicle 80 (e.g. mobile terminals 70 and backend 150), and a user interface 110.
  • the user interface 110 includes one or more multimodal user interfaces, in particular user interfaces that are configured for the operation of the vehicle 80 (e.g. navigation, infotainment, vehicle settings).
  • the user interface 110 enables the multimodal acquisition of inputs by a user 60 (not shown in FIG. 1), for example via a graphical user interface (eg touchscreen), via classic control elements of the vehicle 80 (eg buttons, switches, iDrive controllers), by voice control and the like more.
  • the user interface 110 further enables the multimodal output of information to a user 60, for example via a graphic display element (e.g. touchscreen, head-up display, instrument cluster, central information display or CID), via tactile elements (e.g.
  • the user interface 110 can implement a graphical user interface based on corresponding configuration data, in which display elements and operating elements are displayed which can be used by the user 60 for operating the vehicle 80. Additionally or alternatively, the user interface can contain (further) display and operating elements, for example switches, buttons and displays.
  • the control unit 120 can enter into data communication with external components and services and thus communicate with back-end servers and / or back-end services 150, for example.
  • the control device 120 can enter into data communication via the communication interface 130 with apps that are installed, for example, on a mobile terminal device 70 of a user 60 and thus receive inputs from the user 60 via the mobile terminal device 70 or Use applications that are not directly implemented on the control unit or are otherwise supported.
  • a connection to mobile end devices 70 can be established, for example, by common interfaces (eg wired, Bluetooth, WiFi).
  • the system 100 can have a backend component 150 or infrastructure external to the vehicle 80, which provides one or more resources (e.g. servers, services).
  • the backend component 150 can be in data communication 140 temporarily or permanently with the control unit 120 of the vehicle 80. Resource-intensive processing steps can preferably be outsourced to the external back-end component 150, which could be carried out by the control unit 120 in the vehicle 80 only with difficulty or not at all.
  • any requirements regarding computing power, storage capacity, available bandwidth, connection to external data sources and the like can also be taken into account.
  • the use of a backend or the processing by a backend can be disadvantageous for data protection reasons.
  • An example of this is the personalized femen of events such as the activation of driver assistance or infotainment functions by the driver in the same place.
  • An example of this would be the use of the so-called "side view” function at a specific intersection or junction.
  • the "Side-View” function allows the cross-traffic at junctions or exits, parking spaces and the like to be recorded visually by the driver using cameras in the front of the vehicle that are aligned to the side. Activating or using this function in particular allows a very precise focalization of junctions or intersections and crossing points.
  • the user is in a vehicle 80 and is traveling on a route which contains a large number of finks, ie parts or segments of the route.
  • the application in the vehicle is exemplary and the systems and methods disclosed in the present case on any type of navigation, for example on foot, by bicycle, by public transport, by one or more lane motor vehicles, Watercraft, or aircraft and the like more possible.
  • the user or his vehicle accordingly move along a GPS trajectory that contains a large number of GPS positions that are reached over the course of a route.
  • the number of GPS positions, the intervals or distances between them and their accuracy can fluctuate.
  • map matching can also be used to determine the sequence of all links over which a vehicle has driven. This is particularly relevant for GPS trajectories with large temporal / spatial distances between the GPS positions. In some embodiments, provision is therefore made to determine the fastest route between individual matches. This is particularly advantageous if there is such a large distance between GPS positions that the links traversed between them cannot necessarily be clearly determined. In such cases, the determination of the fastest (or shortest, or a route optimized according to other criteria) allows the link or links to be determined which are most likely to be traveled.
  • FIGS. 2 and 3 schematically illustrate using a street topology 50, the streets of which are divided into a plurality of links 60-1, 60-2, 60-5, 60-6, 60-3 (the latter only in FIG. 3), such as a matching of GPS positions 70-1, 70-2, 70-3 on links 60-1, 60-2, 60-5, 60-6, 60-3 (the latter only in Figure 3) contains a residual uncertainty.
  • Figure 2 shows a situation in which for all three GPS positions 70-1, 70-2, 70-3, taking into account the road topology and geometry, it is not possible to determine with a high degree of certainty to which link 60-1, 60-2 or 60-5, 60-6 these should be matched.
  • the matched positions 80-1, 80-2, 80-3 should have a low map matching confidence, in the example a link confidence of 60% (or 0.6) is given.
  • FIG. 3 shows that if this example is expanded by a further GPS position 70-4 and a further matched position 80-4 (bottom right in FIG. 3), the situation changes for all other GPS positions 70-1, 70-2, 70-3. Since the GPS position 70-4 can be assigned to a link 60-3 with a high probability (cf. matched position 80-4), all other GPS positions 70-1, 70-2, 70-3 can also with high confidence matched links 60-1, 60-2 (see matched positions 80-1, 80-2, 80-3).
  • the aim of the map matching confidence is to calculate the probability that a link 1 was traveled on in a given time window w for a given GPS trajectory. Since the map matching confidence refers to a specific link according to this definition, this is also referred to as link confidence in the following.
  • Link 1 can be, for example, the link that was assigned to an event, for example a detected ice smoothness (cf. “dangerous situation”) by map matching. This can happen because there is a GPS position for the event that has been matched to a link. Often, however, only the time stamp for the occurrence of the event is known and the link of the event must be determined by the matched links of the neighboring GPS positions and, if appropriate, by calculating a route between these links.
  • an event for example a detected ice smoothness (cf. “dangerous situation”) by map matching. This can happen because there is a GPS position for the event that has been matched to a link. Often, however, only the time stamp for the occurrence of the event is known and the link of the event must be determined by the matched links of the neighboring GPS positions and, if appropriate, by calculating a route between these links.
  • Ligur 4 schematically illustrates a street 50 that is divided into several links 60-1, 60-2. Furthermore, the middle GPS position 70-2 is located exactly on the border between two adjacent links 60-1, 60-2. In this case, both links 60-1, 60-2 would have a link confidence of 50% at the time of the middle GPS position, since both links are equally good candidates. Viewed across all three GPS positions 70-1, 70-2, 70-3, however, the link confidence for both links 60-1, 60-2 would be 100%, since both links 60-1, 60-2 are secure were driven on. The links were driven safely because only one link comes into question for the first and last GPS position (if off-road matches are not taken into account, see below). The exact rule on how to calculate each confidence is detailed below. The confidences in the examples initially serve only to illustrate the method by way of example.
  • Ligur 5 schematically illustrates a road 50 with a branch that is divided into several links 60-1, 60-2, 60-3.
  • GPS positions 70-1, 70-2, 70-3 are shown in the same way as the GPS positions in Ligur 4.
  • Positions 80-1, 80-2, 80-3 are matched to links 60-1, 60-2 of road 50.
  • Some map models only have nodes with more than two adjacent edges, i.e. Links can only end at intersections. However, the confidence calculation over time windows can also increase the confidence in certain situations with these map models, as shown in Ligur 5.
  • the link confidence for link 60-2 (right) at the time of the middle GPS position is only slightly greater than 50%. Viewed across all three GPS positions 70-1, 70-2, 70-3, however, the link confidence for Link 60-1 (left) and Link 60-2 (right) is 100%.
  • the time window can be defined by the interval between two GPS positions, for example by the time window between the third and fifth GPS positions. If the link confidence is to be calculated for all GPS positions made, the time window can e.g. include k positions before and after the GPS position. At the beginning and at the end of the GPS trajectory, the time window then contains fewer GPS positions.
  • the time window can be defined in time relative to a certain point in time, e.g. 5 s before to 5 s after detection of a local danger.
  • the position can be estimated by generating further GPS positions at the beginning / end of the time window by interpolating the neighboring GPS positions.
  • the time window can be determined by starting at the matched link at a GPS position and going forward and backward in the GPS trajectory until the link is no longer a candidate. This can also be combined with the two previous methods to further limit the time window.
  • the algorithm disclosed here first calculates further data based on input data, and then the confidence can be calculated using two alternative approaches (cf. first and second embodiments described below).
  • the GPS trajectory consisting of n GPS positions.
  • a time stamp and / or a GPS heading can be provided for each GPS position.
  • link confidence is then calculated for all h.
  • link confidence is often only calculated for the matched links. For the example of the detection of local threats, the calculation of the link confidence would even be sufficient only for the matched link of the local hazard.
  • a lot of matching candidates are calculated for each GPS position.
  • a candidate like Newson and Krumm
  • Candidates can be calculated (similar to Newson and Krumm) by plumbing the plumb from the GPS position to all links in a radius (e.g. 100 m).
  • a radius e.g. 100 m.
  • the calculation of the link confidence over a time window becomes more important with this variant, since the overall confidence of 100% for each GPS position would otherwise be divided among even more candidates (see above).
  • the optional calculation of several candidates per link is an extension of the Newson and Krumm method.
  • An observation probability is calculated for all candidates of a GPS position, e.g. taking into account the distance between GPS position and candidate (analogous to Newson and Krumm).
  • the heading difference between input heading and heading of the link can also be taken into account, e.g. by assuming a normal distribution for the heading difference. This is also an extension of the Newson and Krumm method.
  • a transition probability from each candidate from PI to each candidate from P2 is calculated in pairs, for example taking into account the length or time on the shortest or fastest route between the two candidates.
  • This can be done analogously to Newson and Krumm or in a modified manner. Newson and Krumm use an exponential distribution to calculate the transition probabilities. In deviation from this, transition probabilities can optionally (additionally) be calculated based on normal distributions in the map matcher according to the present disclosure.
  • the approach can be optimized in detail. In practice, this may require that the parameters of the distribution to be used be adjusted for the data to be matched.
  • there is generally a certain scope within the Hidden Markov model as to how exactly transition and observation probabilities are calculated. This scope can be used accordingly for optimizations.
  • This data is also required for an HMM-based map matching algorithm analogous to Newson and Krumm and is calculated by the map matching algorithm.
  • the confidence calculation takes place after the actual map matching and is based on the observation and transition probabilities described by the map matching algorithm. However, it is also possible to carry out the confidence calculation without the map matching algorithm, for example for all candidates.
  • a first embodiment is based on a maximum a posteriori probability.
  • the forward-backward algorithm is used to calculate the a posteriori probabilities of all candidate links h with the aid of the observation and transition probabilities described above.
  • the forward-backward algorithm is described, for example, in Stuart Russell, Peter Norvig: "Artificial Intelligence A Modem Approach 3rd Edition", Upper Saddle River, New Jersey, Pearson Education / Prentice-Hall, (2010).
  • the observation probabilities for the first GPS position can be used as the initial distribution. However, the observation probabilities then still have to be standardized. Both alternatives are mathematically equivalent.
  • the link confidence /, ⁇ for the time window Wi then results from the maximum of the a posteriori probabilities over all candidates that lie on the link /, ⁇ in the time window Wi.
  • FIG. 6 schematically illustrates, using a road 50, which is divided into a plurality of links 60-1, 60-2, 60-3, how high confidence for a link 60-2 on other links 60-1 and 60-3 can be transferred.
  • the use of the forward-backward algorithm enables all GPS positions of the entire GPS trajectory to be included in the calculation of the a posteriori probabilities.
  • a high confidence for a link, in the example link 60-2 can also be transferred to other links, in the example 60-1 and 60-3.
  • FIG. 7 schematically illustrates, using a road 50, which is divided into a plurality of links 60-1, 60-2, 60-3, how a confidence for a link 60-2 depends on the number of GPS positions recorded.
  • the approach of the first embodiment based on a maximum a posteriori probability, works well when there are multiple GPS positions (in the example 70-1, 70-2 and 70-3) per link (in the example 60-2) .
  • the link confidence for the second link 60-2 in the example illustrated in FIG. 7 is only 52%, although the second link 60-2 was surely passed over.
  • Methods and systems according to the first embodiment described above also compared to the second embodiment described below, provide advantages with regard to a particularly efficient calculation, in particular if a large number of link confidence points for a GPS trajectory are to be calculated.
  • a second embodiment is based on a modified forward algorithm.
  • the second embodiment allows advantages in terms of the precision of the calculations, in particular in the case of GPS trajectories with large temporal or spatial distances between the GPS positions.
  • the link confidence c (l; w) for a link / and a time window w is calculated using a modified form of the forward algorithm.
  • the random variable L is the set of links that were traversed between time step i and time step j. These also include the links between the respective candidates, which can be determined, for example, by using the shortest or fastest routes between the candidates.
  • the time window is defined relative to a particular point in time, e.g. 5 s before to 5 s after the detection of an event.
  • the calculation is carried out in 3 phases, one phase before, during and after the time window. It is only necessary to check in the phase during the time window whether the link / was run over. The results of one phase are used as starting values for the next phase.
  • the a e (x e ) p ⁇ x e , l L e s ⁇ yi e ) are calculated using the modified forward algorithm described above.
  • equations (7), (8) and (10) can be adjusted in that the position at the beginning / end of the time window along the shortest / fastest route (7), the possible routes (8) and along the historical journeys (10 ) is estimated.
  • FIG. 8 shows a flowchart of a method 200 in accordance with embodiments of the present disclosure.
  • the method 200 begins at step 201.
  • a trajectory is acquired.
  • the trajectory preferably contains a multiplicity of position details, each position specification of the multiplicity of position details further preferably including a GPS position (e.g. 70-1, 70-2, 70-3; see figures) and a time stamp.
  • step 204 network data including a plurality of links of a network are recorded.
  • a network preferably consists of a multiplicity of links 1 (e.g. 60-1, 60-2, 60-3; see figures) which interconnect a multiplicity of nodes.
  • the network can be modeled in a known manner as a graph (see above).
  • step 206 one or more data pairs are acquired.
  • Each of the one or more data pairs contains a link 1 from the plurality of links and a time window w that captures at least part of the trajectory.
  • the trajectory is recorded in time, so that at least one, preferably more, position data of the trajectory must lie within the time window w (i.e. were recorded within the time window w).
  • a map matching confidence c (l, w) for link 1 of the respective data pair is determined for each of the one or more data pairs. This is based either on discovery (cf. step 210a; description see above) of a maximum a posteriori probability or on determination (cf. step 210b; description see above) by means of a modified forward algorithm.
  • the map matching confidence is configured to indicate a probability that the respective link 1 was affected by the trajectory within the respective time window w.
  • the systems and methods for confidence calculation disclosed here can in principle be used in conjunction with any (also not HMM-based) algorithms, since a confidence should be calculated independently of the algorithm used.
  • HMM various algorithms are possible, for example the Viterbi algorithm (cf. Newson and Krumm), the forward-backward algorithm or the forward algorithm.
  • the forward algorithm is also described, for example, in Russell and Norvig (see above).
  • the method for calculating the map matching confidence can also be applied to map matching methods, which instead of observation and transition probabilities calculate corresponding scores (or ratings), which can be normalized to values between 0 and 1 (eg pseudo probabilities) .
  • Link 1 is then selected for which the link confidence is greatest.
  • the candidate with the greatest confidence would be selected.
  • a candidate could be selected for map matching who is not on link 1 and therefore has a lower confidence than link 1. Therefore, this procedure has the advantage that the highest possible confidence is always achieved.
  • the link direction can be taken into account.
  • the definition of the map matching confidence can take the link direction into account, ie the link confidence is defined as the probability that a link 1 was traveled in one direction within a time window w for a given GPS trajectory. This modeling is useful if it is important in which direction a link was traveled.
  • the link direction is relevant for some local dangers (e.g. dangerous traffic jam end), but not for others (e.g. heavy rain or fog).
  • a candidate In order to take the link direction into account for the confidence calculation, a candidate must be generated for each possible driving direction of a link when generating candidates. A candidate is then, as described above, defined as a triple ⁇ link ID, position on link, direction>.
  • the further calculation of the link confidence by the forward backward or modified forward algorithm described above does not change except for the fact that the number of candidates is increased by taking the direction into account.
  • the calculation of a confidence for online map matching is provided.
  • the GPS positions of a vehicle are processed continuously and essentially at the same time as they are received (e.g. as a stream or data stream from GPS positions). This means that every incoming GPS position is processed essentially immediately, without knowledge of subsequent GPS positions. It is advisable to use the forward algorithm or the Viterbi algorithm up to the last received or current GPS position for online map matching.
  • the Viterbi algorithm for online map matching, it must be noted that the most likely path for past GPS positions can change due to the additional information of further GPS positions. This can lead to "jumps" or subsequently changing data.
  • the link confidence can also be calculated online to calculate a confidence for the current matching.
  • the forward algorithm is used instead of the forward-backward algorithm.
  • the link confidence U for the time window Wi then also results from the maximum of the a posteriori probabilities over all candidates that are on the link /, ⁇ in the time window Wi. It should be noted that the time window cannot contain future GPS positions and that the posteriori Probabilities represent the results of the forward algorithm instead of the forward-backward algorithm.
  • the modified forward algorithm (cf. second embodiment) can also be used for an online confidence calculation.
  • the first phase can be calculated continuously. As the finches for which the finch confidence is to be calculated are usually not yet known (these are determined by online map matching), the second phase must be carried out again over the catches of the time window for each additional GPS position (except, the matched finch remains the same). In the case of larger time windows, this can mean a considerable computing effort.
  • the third phase does not apply because the time window only extends to the current GPS position and future GPS positions are not known.
  • the finches can be (further) subdivided into segments if it is to be calculated for a smaller section of road whether the vehicle has driven on them.
  • an acceleration of the confidence calculation can be provided. If only one or a few Fink confidence is to be calculated for a longer GPS trajectory (e.g. 1 h), the confidence calculation can be accelerated by processing only a part of the entire GPS trajectory for each Fink confidence, while the other GPS positions are discarded (this corresponds to the mini trace map matching described above).
  • the processed part of the GPS trajectory can then essentially contain the time window and optionally further GPS positions before and / or after the time window. Since GPS positions that are far from an event have little or no influence on the finch confidence for the matched finch of the event, the calculated confidence is not or only slightly less precise.
  • the confidence for a finch in the inner city area of a city is independent of GPS positions that were recorded during the same trip outside the city.
  • the distance to the link made could generally be used for the purpose of plausibility checking.
  • the matching for a certain position can be rejected if the distance from the matched position to the original position is greater than a certain value, eg 10 m.
  • the matched heading ie the orientation or direction
  • the confidence calculation can be extended to so-called off-road matches, which do not have to be positioned on the links present in the map data, but rather are located off a street, and can therefore be “off-road” (cf. DE 10 2017 213 983 ).
  • the principle of off-road matches is to add one off-road candidate to the number of candidates for a GPS position.
  • the calculation of the observation and transition probabilities in terms of the confidence calculation must then be expanded accordingly for off-road candidates. In particular, at least the following cases must also be taken into account for the calculation of the transition probabilities: on-road to off-road, off-road to off-road and off-road to on-road.
  • a corresponding adjustment of the confidence calculation follows the specific modeling of the off-road matches and the underlying calculation bases.
  • this plausibility check can be used to identify errors in the digital map. If e.g. a newly built road is not yet recorded on the digital map, then this can be recognized by the distance of the matched position from the original position. However, these plausibility checks only take into account the GPS position and the matched link, i.e. further links are not considered.

Abstract

Die vorliegende Offenbarung betrifft ein Verfahren zur Ermittlung einer Map Matching Konfidenz. Das Verfahren umfasst Erfassen einer Trajektorie; Erfassen von Netzdaten beinhaltend eine Vielzahl von Links eines Netzes; Erfassen eines oder mehrerer Datenpaare, wobei jedes der ein oder mehreren Datenpaare enthält: einen Link aus der Vielzahl von Links und ein Zeitfenster, dass zumindest einen Teil der Trajektorie erfasst; Ermitteln, für jedes der ein oder mehreren Datenpaare, einer Map Matching Konfidenz für den Link des jeweiligen Datenpaares basierend auf: Ermitteln einer maximalen a-posteriori Wahrscheinlichkeit; oder Ermitteln mittels eines modifizierten Forward-Algorithmus, wobei die Map Matching Konfidenz konfiguriert ist, eine Wahrscheinlichkeit anzugeben, dass der jeweilige Link innerhalb des jeweiligen Zeitfensters von der Trajektorie tangiert wurde. Weiter betrifft die vorliegende Offenbarung ein System, das zur Ausführung des erfindungsgemäßen Verfahrens konfiguriert ist, und ein Fahrzeug, das das System umfasst.

Description

Systeme und Verfahren
für Map Matching
Die Offenbarung betrifft Systeme und Verfahren zur Berechnung einer Map Matching Konfidenz. Die Offenbarung betrifft insbesondere Systeme und Verfahren zur Berechnung einer Map Matching Konfidenz bei Nutzung von Kartendaten in Kraftfahrzeugen.
Stand der Technik
Im Stand der Technik sind Map Matching Verfahren zur Abbildung einer Sequenz von GPS- Positionen auf Kartendaten bekannt, die eine Genauigkeit der Abbildung, beispielsweise von Positionen eines Fahrzeugs auf entsprechende Straßenverbindungen, relativ verbessern sollen. Beim Map Matching wird also typischerweise eine Sequenz von GPS-Positionen auf ein Straßennetz abgebildet. Dabei wird für jede GPS-Position ermittelt, auf welcher Straße das Fahrzeug gefahren ist.
Ein Straßennetz kann, beispielsweise wie in Newson, Paul, und John Krumm: "Hidden Markov map Matching through noise and sparseness.", Proceedings of the 17th ACM SIGSPATIAL international Conference on advances in geographic Information Systems, ACM, 2009, beschrieben, als Graph modelliert werden, der sowohl aus gerichteten als auch aus ungerichteten Kanten bestehen kann. Im Gegensatz zu der Veröffentlichung von Newson und Krumm muss eine gerichtete Kante nicht zwangsweise eine Einbahnstraße bedeuten, da Straßen, die in beide Richtungen befahrbar sind, auch als zwei gerichtete Kanten modelliert werden können. Jede Kante hat eine Beschreibung ihrer Geometrie, beispielsweise als Polyline (d.h. als Linie, die aus mehreren Segmenten zusammengesetzt ist). Kartenhersteller bieten Karten in unterschiedlichen Formaten mit unterschiedlichen Modellierungen an. So können in manchen Modellierungen Links nur an Kreuzungen enden oder es gibt nur gerichtete Kanten. Die vorgenannte Modellierung stellt jedoch den allgemeinsten Fall dar.
Newson und Krumm beschreiben ein Map Matching Verfahren auf Basis des Hidden Markov Modells (HMM). Dieses Verfahren berechnet die wahrscheinlichste Sequenz von Links über die das Fahrzeug gefahren ist mit Hilfe des Viterbi- Algorithmus. Dabei wird jede GPS- Position auf ein so genanntes Matching, der Kombination aus Link und Position auf dem Link (kurz <Link, Position auf Link>) abgebildet. Die Position auf einem Link kann z.B. als Bruchteil, d.h. als Zahl zwischen 0 und 1 erfolgen.
Neben der Abbildung von GPS-Positionen auf das Straßennetz berechnet das HMM-Map Matching von Newson und Krumm jedoch kein Konfidenzmaß dafür, dass sich die GPS- Positionen tatsächlich auf den gematchten Links befinden. Eine Map Matching Konfidenz kann z.B. dafür genutzt werden zu entscheiden, ob eine erkannte Gefahrensituation an andere Fahrzeuge weitergegeben werden soll.
Die Druckschrift U.S. 5,774, 824 beschreibt beispielsweise ein Kartenanpassungs- Navigationssystem zum Überwachen von Fahrzeugzustandseigenschaften, einschließlich des Ortes eines Fahrzeugs auf einer Kartenroute. Das Kartenanpassungs-Navigationssystem kann in einem festen Modus arbeiten, in dem die Kartenroute von einem Benutzer eingegeben wird, oder in einem flexiblen Modus, in dem das Kartenanpassungsnavigationssystem die Kartenroute aus einer Vielzahl von gemessenen Punkten bestimmt, die dem Ort des Fahrzeugs entsprechen. Das Kartenanpassungsnavigationssystem aktualisiert zusätzlich den Ort des Fahrzeugs an einer Vielzahl von Positionen auf der Kartenroute, wobei der Fahrzeugstandort bekannt ist, mit einem erhöhten Vertrauensniveau.
Die Druckschrift beschreibt ein konventionelles Map Matching Verfahren und kann damit als eine mögliche Alternative zum Verfahren von Newson und Krumm angesehen werden. Innerhalb des Verfahrens werden Wahrscheinlichkeiten/Konfidenzen für Routenaltemativen berechnet, allerdings nur um Routenabschnitte mit hoher Konfidenz für den Zweck des Map Matchings auszuwählen (analog zu Newson und Krumm). Eine Konfidenz dafür, dass ein Routenabschnitt innerhalb eines Zeitfensters befahren wurde, wird nicht berechnet.
Generell können lokale Gefahren, beispielsweise Unfälle oder Eisglätte, über Fahrzeugsensorik (z.B. Airbag, Fahrdynamiksensoren) erkannt und über eine Backend- Verbindung an andere Fahrzeuge übermittelt werden. Dazu übermitteln die Fahrzeuge eine Sequenz von GPS-Positionen (z.B. 10 GPS-Positionen vor und 10 GPS-Positionen nach der Detektion einer Gefahrensituation) an das Backend. Im Backend wird diese Sequenz von Positionen durch einen Map Matcher auf das Straßennetz abgebildet. Die Übertragung von mehreren GPS-Positionen statt nur von einer GPS-Position dient dazu, die Genauigkeit des Map Matchings zu verbessern. Mit Hilfe des Map Matchings kann so die genaue Position der lokalen Gefahr auf der Straße bestimmt und andere Fahrzeuge mit einer möglichst genauen Positionsangabe der Gefahr gewarnt werden.
Es kann Fälle geben, in denen sich die genaue Position der Gefahr, insbesondere der Straßenlink mit der Gefahr, nicht eindeutig aus der Sequenz der GPS-Positionen bestimmen lässt. Wird die lokale Gefahr auf eine benachbarte, falsche Straße verortet und mit dieser falschen Position an weitere Fahrzeuge übertragen, führt dies dazu, dass die Position der Gefahr in nachfolgenden Fahrzeugen falsch angezeigt wird. Weitere Konsequenzen können sein, dass Fahrzeuge vor Gefahren gewarnt werden, die für sie nicht relevant sind (sog. False Positives), und dass Fahrzeuge vor Gefahren nicht gewarnt werden, obwohl diese für sie relevant sind (sog. False Negatives).
Insbesondere False Positives lassen sich durch eine Map Matching Konfidenz reduzieren. Im Stand der Technik wird nicht darauf eingegangen, dass existierende Map Matching- Algorithmen keine Konfidenz für das Map Matching-Ergebnis berechnen, insbesondere nicht mit welcher Wahrscheinlichkeit ein Fink durchfahren wurde.
Es besteht somit Bedarf an Systemen und Verfahren zur Berechnung einer Map Matching Konfidenz, die eine verbesserte Genauigkeit und Verlässlichkeit bereitstellen.
Im Gegensatz zu bekannten Verfahren, die auf Online Map Matching im Fahrzeug gerichtet sind, steht bei den vorliegend offenbarten Systemen und Verfahren Offline Map Matching im Backend im Vordergrund. Fetzteres kann im Gegensatz zum Online Map Matching die gesamte GPS-Trajektorie verwenden, was insbesondere zu besseren Resultaten sowohl für das Map Matching als auch für die Konfidenzberechnung führt. Weiter sind die vorliegend offenbarten Systeme und Verfahren auch für Online Map Matching im Fahrzeug anwendbar.
Hierbei können zwei Arten des Offline Map Matchings unterschieden werden. Map Matching von längeren Fahrtabschnitten oder von vollständigen Fahrten (sog. Trace Map Matching) und Map Matching von kurzen Fahrtabschnitten (z.B. 10 oder 20 Positionen, sog. Mini -Trace Map Matching).
Das Mini-Trace Map Matching verbindet die Vorteile des Offline Map Matchings (höhere Genauigkeit durch zusätzliche Positionen vor und nach einer zu matchenden Position) und des Online Map Matchings (man erhält zeitnah Ergebnisse und muss nicht bis zum Ende der Fahrt warten). Eine eventuelle Verschlechterung der Genauigkeit gegenüber dem Map Matching vollständiger Fahrten ist typischerweise nur unwesentlich, da beispielsweise 10 Positionen vor und nach einem Ereignis für die Verarbeitung ausreichend sind.
Bei nicht zeitkritischen Anwendungen ist es möglich, beispielsweise 10 Positionen vor und 10 Positionen nach einem Ereignis zu betrachten. Bei zeitkritischen Anwendungen würden beispielsweise nur 10 Positionen vor einem Ereignis in Betrachtung gezogen. Eine verbesserte Genauigkeit gegenüber dem Online Map Matching ist dann typischerweise nicht zu erwarten.
Die Systeme und Verfahren gemäß der vorliegenden Offenbarung sind im Wesentlichen auf das Trace Map Matching und das Mini-Trace Map Matching gerichtet.
Alle drei der vorgenannten Matching Arten (d.h. Trace, Mini-Trace und Online Map Matching) können sowohl im Fahrzeug als auch im Backend durchgeführt werden, wobei im Backend vorzugsweise Offline Map Matching für vollständige Fahrten sowie Mini-Trace Matching verwendet wird. Im Fahrzeug hingegen kommt vorzugsweise Online Map Matching zur Anwendung.
Offenbarung der Erfindung Es ist eine Aufgabe der vorliegenden Offenbarung, Systeme und Verfahren zur Berechnung einer Map Matching Konfidenz bereitzustellen, die einen oder mehrere der vorgenannten Nachteile vermeiden und/oder einen oder mehrere der beschriebenen Vorteile ermöglichen.
Es ist insbesondere Aufgabe der vorliegenden Offenbarung, Systeme und Verfahren zur Berechnung einer Map Matching Konfidenz bereitzustellen, die die eine verbesserte Genauigkeit und Verlässlichkeit bieten.
Insbesondere durch Wahl einer geeigneten Mindestkonfidenz für einen gematchten Link, beispielsweise von einer erkannten lokalen Gefahr, lässt sich erfindungsgemäß so die Anzahl von Fällen reduzieren, in denen Fahrzeuge vor Gefahren gewarnt werden, obwohl diese für sie nicht relevant sind (sog. False Positives). Die Vorteile der vorliegenden Offenbarung der Berechnung einer Map Matching-Konfidenz liegen jedoch nicht nur bei der Lokalisierung von lokalen Gefahrenwamungen. So können viele Anwendungen, die einen Map Matcher verwenden, Vorteile aus einer Map Matching- Konfidenz ziehen. Weitere Beispiele für Map Matching- Anwendungen sind: Die Extraktion von Verkehrsflussinformationen aus GPS-Tajektorien
Die Zuordnung von Attributen, die durch Sensorik erkannt oder durch Benutzer gemeldet wurden, zu Straßenlinks (z.B. erkannte Verkehrsschilder)
Das automatisierte Ableiten von Verkehrsregeln (z.B. Linksabbiegeverbot) aus GPS- Trajektorien
HMM -basierte Map Matcher verwendet die Topologie und Geometrie des Straßennetzes sowie die gesamte Sequenz der GPS-Positionen um die wahrscheinlichste Sequenz von Links zu bestimmen. Die vorliegend offenbarten Systeme und Verfahren zur Berechnung der Map Matching Konfidenz basieren daher auf einer Weiterentwicklung des HMM -basierten Map Matchings.
Die vorgenannte Aufgabe wird durch ein Verfahren nach Anspruch 1 und durch ein System nach Anspruch 9 sowie durch ein das System enthaltende Fahrzeug nach Anspruch 10 gelöst. Vorteilhafte Weiterbildungen ergeben sich aus den jeweiligen Unteransprüchen. Weitere Einzelheiten, Merkmale und Vorteile der Erfindung ergeben sich auch aus der nachfolgenden Beschreibung.
In einem ersten Aspekt gemäß Ausführungsformen der vorliegenden Offenbarung ist ein Verfahren zur Berechnung einer Map Matching Konfidenz angegeben. Das Verfahren umfasst: Erfassen einer Trajektorie; Erfassen von Netzdaten beinhaltend eine Vielzahl von Links eines Netzes; Erfassen eines oder mehrerer Datenpaare, wobei jedes der ein oder mehreren Datenpaare enthält: einen Link (1) aus der Vielzahl von Links; und ein Zeitfenster (w), dass zumindest einen Teil der Trajektorie erfasst. Das Verfahren umfasst weiter Ermitteln, für jedes der ein oder mehreren Datenpaare, einer Map Matching Konfidenz (c(l,w)) für den Link (1) des jeweiligen Datenpaares basierend auf: Ermitteln einer maximalen a-posteriori Wahrscheinlichkeit; oder Ermitteln mittels eines modifizierten Forward- Algorithmus, wobei die Map Matching Konfidenz konfiguriert ist, eine Wahrscheinlichkeit anzugeben, dass der jeweilige Link (1) innerhalb des jeweiligen Zeitfensters (w) von der Trajektorie tangiert wurde.
In einem zweiten Aspekt nach dem vorhergehenden Aspekt 1 beinhaltet die Trajektorie eine Vielzahl von Positionsangaben. Jede Positionsangabe der Vielzahl von Positionsangaben beinhaltet: eine GPS-Position und einen Zeitstempel. In einem dritten Aspekt nach dem vorhergehenden Aspekt 2, umfasst das Verfahren weiter Ermitteln von: ein oder mehreren Matching-Kandidaten für jede Positionsangabe, vorzugsweise in Form von einem Paar aus dem Link (1) eines Datenpaares und einer Position auf dem Link (1); einer Beobachtungswahrscheinlichkeit für jeden der ein oder mehreren Matching-Kandidaten jeder Positionsangabe basierend auf einer Entfernung der Positionsangabe vom Link (1) des Matching-Kandidaten; und einer paarweisen Übergangswahrscheinlichkeit für jeden der ein oder mehreren Matching-Kandidaten in Bezug auf eine erste Positionsangabe (PI) und eine zur ersten Positionsangabe benachbarte zweite Positionsangabe (P2), wobei die Übergangswahrscheinlichkeit von jedem Matching- Kandidaten von der ersten Positionsangabe zu jedem Matching-Kandidaten von der zweiten Positionsangabe ermittelt wird.
In einem vierten Aspekt nach einem der vorhergehenden Aspekte 2 oder 3, umfasst das Verfahren weiter Bestimmen jedes Zeitfensters (w) der ein oder mehreren Datenpaare basierend auf: der gesamten Trajektorie, falls die Trajektorie eine vorbestimmte Dauer nicht überschreitet, vorzugsweise wobei die vorbestimmte Dauer weniger als 60 Sekunden, weiter vorzugsweise weniger als 30 Sekunden, beträgt; auf einem Intervall zwischen n Positionsangaben vor und k Positionsangaben nach einer Referenzpositionsangabe, vorzugsweise wobei n, k weniger als 10 betragen; auf einem Zeitintervall vor und nach einer Referenzpositionsangabe, vorzugsweise wobei das Zeitintervall weniger als 30 Sekunden, weiter vorzugsweise weniger als 15 Sekunden beträgt; oder einem Verhältnis zwischen einer Positionsangabe und dem entsprechenden Link (1) des jeweiligen Datenpaares, wobei das Verhältnis der Positionsangabe zum entsprechenden Link (1) dadurch definiert ist, dass der entsprechende Link (1) ein Kandidat für die Positionsangabe ist.
In einem fünften Aspekt nach einem der vorhergehenden Aspekte 1 bis 4 in Verbindung mit Aspekt 3, umfasst Ermitteln einer maximalen a-posteriori Wahrscheinlichkeit: Ermitteln einer jeweiligen a-posteriori Wahrscheinlichkeit für jeden Link (1) eines Datenpaares basierend auf der jeweiligen Beobachtungswahrscheinlichkeit und der jeweiligen Übergangswahrscheinlichkeit; und Ermitteln der maximalen a-posteriori Wahrscheinlichkeit basierend auf dem Maximum aller a-posteriori Wahrscheinlichkeiten aller Matching- Kandidaten, die im jeweiligen Zeitfenster (w) auf dem Link (1) liegen; vorzugsweise wobei Ermitteln der maximalen a-posteriori Wahrscheinlichkeit mittels Forward-Backward Algorithmus erfolgt. In einem sechsten Aspekt nach einem der vorhergehenden Aspekte 1 bis 5 umfasst Ermitteln mittels eines modifizierten Forward- Algorithmus: Ermitteln für jeden Link (1) und jedes Zeitfenster (w) eines Datenpaares, ob der Link (1) jeweils zwischen zwei Matching- Kandidaten benachbarter zugehöriger GPS-Positionen innerhalb des Zeitfensters (w) sicher befahren wurde oder befahren werden konnte; oder Ermitteln einer Wahrscheinlichkeit für jeden Link (1) und jedes Zeitfenster (w) eines Datenpaares, dass der Link (1) jeweils zwischen zwei Matching-Kandidaten benachbarter zugehöriger GPS-Positionen innerhalb des Zeitfensters (w) befahren wurde; und Ermitteln einer Wahrscheinlichkeit für jeden Link (1) und jedes Zeitfenster (w) eines Datenpaares, ob der Link (1) innerhalb des Zeitfensters (w) befahren wurde unter Verwendung von Beobachtungswahrscheinlichkeiten und Übergangswahrscheinlichkeiten; vorzugsweise mittels eines modifizierten Forward- Algorithmus.
In einem siebten Aspekt nach einem der vorhergehenden Aspekte 1 bis 6 verbinden ein oder mehrere Links der Vielzahl von Links des Netzes ein oder mehrere Knoten einer Vielzahl von Knoten des Netzes mit einander. Das Netz bildet vorzugsweise ein Verkehrsnetz ab. Weiter vorzugsweise repräsentiert jeder der Vielzahl von Links ein Segment eines Verkehrsweges und/oder jeder der Vielzahl von Knoten einen Kreuzungspunkt von Verkehrswegen.
In einem achten Aspekt nach einem der vorhergehenden Aspekte 1 bis 7 in Verbindung mit Aspekt 3, beinhaltet jede Positionsangabe der Vielzahl von Positionsangaben weiter ein GPS- Heading und Ermitteln von ein oder mehreren Matching-Kandidaten umfasst: Ermitteln der ein oder mehreren Matching-Kandidaten für jede Positionsangabe in Form von einem Tripel aus dem Link (1) eines Datenpaares, einer Position auf dem Link (1) und einer Richtung entlang des Links (1).
In einem neunten Aspekt nach einem der vorhergehenden Aspekte 1 bis 8 in Verbindung mit Aspekt 3, umfasst das Verfahren weiter: Ermitteln von einem zusätzlichen Matching- Kandidaten für jede Positionsangabe, wobei der zusätzliche Matching-Kandidat sich nicht auf einem Link (1) der Vielzahl von Links des Netzes befindet; einer Beobachtungswahrscheinlichkeit für den zusätzlichen Matching-Kandidaten jeder Positionsangabe basierend auf einer Entfernung der Positionsangabe des Matching- Kandidaten; und einer paarweisen Übergangswahrscheinlichkeit für den zusätzlichen Matching-Kandidaten in Bezug auf die erste Positionsangabe (PI) und die zweite Positionsangabe (P2), wobei die Übergangswahrscheinlichkeit vom zusätzlichen Matching- Kandidaten von der ersten Positionsangabe zu jedem Matching-Kandidaten von der zweiten Positionsangabe ermittelt wird.
In einem zehnten Aspekt ist ein System zur Ermittlung einer Map Matching-Konfidenz angegeben. Das System umfasst eine Steuereinheit, die konfiguriert ist zur Ausführung des Verfahrens gemäß Aus führungs formen der vorliegenden Offenbarung, insbesondere nach einem der vorhergehenden Aspekte 1 bis 9.
In einem elften Aspekt ist ein Fahrzeug angegeben. Das Fahrzeug umfasst ein System zur Ermittlung einer Map Matching-Konfidenz gemäß Ausführungsformen der vorliegenden Offenbarung, insbesondere nach dem vorhergehenden Aspekt 10. Kurze Beschreibung der Zeichnungen
Ausführungsbeispiele der Offenbarung sind in den Figuren dargestellt und werden im Folgenden näher beschrieben. Dabei werden im Folgenden, sofern nicht anders vermerkt, für gleiche und gleichwirkende Elemente dieselben Bezugszeichen verwendet.
Figur 1 zeigt schematisch den Aufbau eines Systems gemäß Ausführungsformen der vorliegenden Offenbarung;
Figuren 2 und 3 illustrieren schematisch anhand einer Straßentopologie, die in mehrere Links aufgeteilt ist, wie ein Matching von GPS -Positionen auf Links eine Restunsicherheit beinhaltet;
Figur 4 illustriert schematisch eine Straße, die in mehrere Links aufgeteilt ist; Figur 5 illustriert schematisch eine Straße mit einer Verzweigung, die in mehrere Links aufgeteilt ist;
Figur 6 illustriert schematisch anhand einer Straße, die in mehrere Links aufgeteilt ist, wie eine hohe Konfidenz für einen Link auf andere Links übertragen werden kann;
Figur 7 illustriert schematisch anhand einer Straße, die in mehrere Links aufgeteilt ist, wie eine Konfidenz für einen Link von der Anzahl erfasster GPS-Positionen abhängt; und
Figur 8 zeigt ein Flussdiagramm eines Verfahrens gemäß Ausführungsformen der vorliegenden Offenbarung. Ausführungsformen der Offenbarung
Figur 1 zeigt schematisch den Aufbau eines Systems 100 gemäß Ausführungsformen der vorliegenden Offenbarung zur Anwendung in einem Fahrzeug 80. Das System kann im Wesentlichen auf einer Steuereinheit 120 des Fahrzeugs 80 und/oder auf einer Backend- Komponente 150 (z.B. Backend-Server bzw. Backend-Services) ausgeführt werden. Das Fahrzeug 80 umfasst neben der Steuereinheit 120 weiter eine Kommunikationseinheit 130, die zur Datenkommunikation mit zum Fahrzeug 80 externen Komponenten (z.B. mobile Endgeräte 70 und Backend 150) konfiguriert ist, und eine Benutzerschnittstelle 110.
Die Benutzerschnittstelle 110 beinhaltet eine oder mehrere multimodale Benutzerschnittstellen, insbesondere Benutzerschnittstellen, die für die Bedienung des Fahrzeugs 80 konfiguriert sind (z.B. Navigation, Infotainment, Fahrzeugeinstellungen). Die Benutzerschnittstelle 110 ermöglicht die multimodale Erfassung von Eingaben eines Nutzers 60 (nicht in Figur 1 dargestellt), beispielsweise über eine grafische Benutzeroberfläche (z.B. Touchscreen), über klassische Bedienelemente des Fahrzeugs 80 (z.B. Knöpfe, Schalter, iDrive Controller), per Sprachsteuerung und dergleichen mehr. Die Benutzerschnittstelle 110 ermöglicht weiter die multimodale Ausgabe von Informationen an einen Nutzer 60, beispielsweise über eine grafische Anzeigeelemente (z.B. Touchscreen, Head-Up Display, Instrumentenkombi, zentrales Informationsdisplay bzw. CID), über taktile Elemente (z.B. Vibration des Lenkrads oder von Teilen des Sitzes), per Sprachausgabe über eine im Fahrzeug vorhandene Lautsprecheranlage (z.B. Infotainmentsystem) oder akustische Signalgeber (z.B. Gong, Piepser) und dergleichen mehr. Die Benutzerschnittstelle kann 110 basierend auf entsprechenden Konfigurationsdaten eine grafische Benutzerschnittstelle implementieren, in der Anzeigeelemente und Bedienungselemente dargestellt werden, die vom Nutzer 60 für die Bedienung des Fahrzeugs 80 genutzt werden können. Zusätzlich bzw. alternativ kann die Benutzerschnittstelle (weitere) Anzeige- und Bedienelemente beinhalten, beispielsweise Schalter, Knöpfe und Anzeigen.
Über die Kommunikationseinheit 130 kann das Steuergerät 120 mit externen Komponenten und Diensten in Datenkommunikation treten und so beispielsweise mit Backend Servern und/oder Backend Services 150 kommunizieren. Alternativ oder zusätzlich kann das Steuergerät 120 über die Kommunikationsschnittstelle 130 mit Apps, die beispielsweise auf einem mobilen Endgerät 70 eines Nutzers 60 installiert sind, in Datenkommunikation treten und so Eingaben vom Nutzer 60 über das mobile Endgerät 70 entgegen nehmen oder Anwendungen nutzen, die auf dem Steuergerät nicht direkt implementiert sind oder anderweitig unterstützt werden. Eine Verbindung mit mobilen Endgeräten 70 kann beispielsweise durch gängige Schnittstellen (z.B. Kabelgebunden, Bluetooth, WiFi) erfolgen.
Weiter kann das System 100 eine zum Fahrzeug 80 externe Backend Komponente 150 oder Infrastruktur aufweisen, die ein oder mehrere Ressourcen (z.B. Server, Dienste/Services) bereitstellt. Die Backend Komponente 150 kann zeitweise oder dauerhaft mit dem Steuergerät 120 des Fahrzeugs 80 in Datenkommunikation 140 stehen. Vorzugsweise können ressourcenintensive Verarbeitungsschritte an die externe Backend Komponente 150 ausgelagert werden, die durch die Steuereinheit 120 im Fahrzeug 80 nur schwer oder gar nicht vorgenommen werden könnten. Hierbei kann auch auf eventuelle Anforderungen bzgl. Rechenleistung, Speicherleistung, verfügbarer Bandbreite, Anbindung an externe Datenquellen und dergleichen mehr, Rücksicht genommen werden.
In einigen Anwendungsfällen kann die Verwendung eines Backends bzw. die Verarbeitung durch ein Backend aus datenschutzrechtlichen Gründen nachteilig sein. Ein Beispiel dafür ist das personalisierte Femen von Ereignissen wie die Aktivierung von Fahrerassistenz- oder Infotainment-Funktionen durch den Fahrer an gleichen Orten. Ein Beispiel hierfür wäre die Verwendung der sogenannten„Side-View“ Funktion an einer bestimmten Kreuzung oder Einmündung. Die„Side-View“ Funktion erlaubt eine visuelle Erfassung des Querverkehrs an Einmündungen bzw. Ausfahrten, Parklücken und dergleichen mehr durch den Fahrer mittels in der Front des Fahrzeug vorhandenen Kameras, die seitlich ausgerichtet sind. Eine Aktivierung bzw. Nutzung dieser Funktion erlaubt insbesondere eine sehr genaue Fokalisierung von Einmündungen bzw. Kreuzungen und Kreuzungspunkten.
Für solche Anwendungen kann vorgesehen sein, die GPS-Position der Side-View Aktivierungen mit Mini-Trace Matching im Fahrzeug auf einen Fink zu matchen und später mit Online Map Matching festzustellen ob sich der Fahrer auf dem entsprechenden Fink befindet bzw. auf diesen zufährt.
Vorliegend wird davon ausgegangen, dass der Nutzer sich in einem Fahrzeug 80 befindet und eine Route befährt, die eine Vielzahl von Finks, d.h. Teile oder Segmente der Route beinhaltet. Hierbei ist die Anwendung im Fahrzeug beispielhaft und die vorliegend offenbarten Systeme und Verfahren auf jede Art der Navigation, beispielsweise zu Fuß, mit dem Fahrrad, mit öffentlichen Verkehrsmitteln, mit ein oder mehrspurigen Kraftfahrzeugen, Wasserfahrzeugen, oder Luftfahrzeugen und dergleichen mehr möglich. Der Nutzer bzw. sein Fahrzeug bewegen sich demnach entlang einer GPS-Trajektorie, die eine Vielzahl von GPS- Positionen beinhaltet, die über den Verlauf einer Route erreicht werden. Hierbei kann die Anzahl der GPS -Positionen, die Intervalle bzw. Abstände dazwischen, und deren Genauigkeit schwanken. Es erfolgt dann eine Zuordnung von erfassten GPS-Positionen zu einem oder mehreren Links der Route, wofür die Map Matching Konfidenz relevant ist.
Zusätzlich zur Zuordnung von GPS-Positionen zu Links kann Map Matching auch dazu verwendet werden um die Sequenz aller Links zu bestimmen, über die ein Lahrzeug gefahren ist. Das ist insbesondere bei GPS-Trajektorien mit großen zeitlichen/räumlichen Abständen zwischen den GPS-Positionen relevant. In einigen Ausführungsformen ist daher vorgesehen, zwischen einzelnen Matchings die schnellste Route zu ermitteln. Dies ist insbesondere dann von Vorteil, wenn zwischen GPS-Positionen ein derart großer Abstand besteht, dass die dazwischen befahrenen Links nicht notwendigerweise eindeutig ermittelbar sind. Die Ermittlung der schnellsten (bzw. kürzesten, oder einer nach anderen Kriterien optimierten) Route erlaubt in solchen Lällen, den oder die Links zu ermitteln, die der größten Wahrscheinlichkeit nach befahren wurden.
Im Kontext der vorliegenden Offenbarung wird angenommen, dass zu einem oder mehreren Links Zusatzinformationen über Merkmale vorliegen können, insbesondere über Gefahrensituationen oder andere wichtige Ereignisse, sodass eine möglichst präzise Zuordnung der Merkmale zu einzelnen Links notwendig ist bzw. wird. Hierbei ist insbesondere eine hohe Verlässlichkeit der Zuordnung einer GPS-Position zu einem oder mehreren Links von Interesse. Die Anwendung im Hinblick auf lokale Gefahrenwamung beinhaltet im Wesentlichen zwei Probleme. Zum Einen müssen von Lahrzeugen erkannte Ereignisse (z.B. Gefahren) auf die korrekten Links gematcht werden. Zum anderen muss die jeweilige aktuelle Position von (anderen) Lahrzeugen auf die korrekten Links gematcht werden, sodass diese dann gegebenenfalls vor Ereignissen, die auf deren Route liegen, gewarnt werden können.
Damit die Anwendung für vorausschauende Gefahrenwamung funktioniert, müssen zumindest diese beiden vorgenannten Probleme mit hinreichender Genauigkeit gelöst werden, wobei die Konfidenzberechnung bei beiden Problemen nützlich ist. Dies ist insbesondere dann vonnöten, wenn eventuelle Gefahren nicht nur grob auf einer Karte angezeigt werden sollen. Im letztgenannten Pall wäre eine genaue Lokalisierung nicht übermäßig wichtig, aufgrund der mangelnden räumlichen Auflösung der Karte und der nachfolgenden Interpretation des Nutzers. Darüber hinaus wäre es denkbar, eine zusätzliche Wahrscheinlichkeit bzw. Konfidenz dafür zu berechnen, dass das Fahrzeug von seiner aktuell gematchten Position an der Gefahrenstelle vorbeifahren wird (ggf. unter Berücksichtigung einer geplanten Route und der Straßentopologie). Diese zusätzliche Wahrscheinlichkeit könnte dann zur weiteren Verarbeitung der Informationen und letztlich für die Gefahrenwamung verwendet werden. Im Falle von bestimmten Anwendungen, beispielsweise wenn die Information nicht von Fahrzeugen detektiert wird, sondern bereits mit ausreichender Genauigkeit in der Karte im Fahrzeug vorliegt (z.B. Blitzerwamer mit 3rd Party Content), ist es möglich, sich auf das zweite Problem (Gefahrenwamung) zu konzentrieren.
Die Figuren 2 und 3 illustrieren schematisch anhand einer Straßentopologie 50, deren Straßen in mehrere Links 60-1, 60-2, 60-5, 60-6, 60-3 (letzterer nur in Figur 3) aufgeteilt sind, wie ein Matching von GPS -Positionen 70-1, 70-2, 70-3 auf Links 60-1, 60-2, 60-5, 60-6, 60-3 (letzterer nur in Figur 3) eine Restunsicherheit beinhaltet. Figur 2 zeigt eine Situation, in der für alle drei GPS-Positionen 70-1, 70-2, 70-3 unter Berücksichtigung der Straßentopologie und -geometrie nicht mit hoher Sicherheit bestimmt werden kann auf welchen Link 60-1, 60-2 bzw. 60-5, 60-6 diese gematcht werden sollten. In der Konsequenz sollten die gematchten Positionen 80-1, 80-2, 80-3 eine niedrige Map Matching Konfidenz haben, im Beispiel ist eine Link-Konfidenz von 60% (oder 0.6) angegeben.
Figur 3 zeigt, dass wenn dieses Beispiel um eine weitere GPS-Position 70-4 und eine weitere gematchte Position 80-4 erweitert wird (rechts unten in Figur 3), dann ändert sich die Situation für alle anderen GPS-Positionen 70-1, 70-2, 70-3. Da die GPS-Position 70-4 mit großer Wahrscheinlichkeit einem Link 60-3 zugeordnet werden kann (vgl. gematchte Position 80-4), können auch alle anderen GPS-Positionen 70-1, 70-2, 70-3 mit hoher Konfidenz den gematchten Links 60-1, 60-2 zugeordnet werden (vgl. gematchte Positionen 80-1, 80-2, 80-3).
Das Ziel der Map Matching-Konfidenz ist die Berechnung der Wahrscheinlichkeit, dass für eine gegebene GPS-Trajektorie ein Link 1 in einem gegebenen Zeitfenster w befahren wurde. Da sich die Map Matching-Konfidenz nach dieser Definition auf einen bestimmten Link bezieht, wird diese im Folgenden auch als Link-Konfidenz bezeichnet.
Der Link 1 kann beispielsweise der Link sein, der durch das Map Matching einem Ereignis, beispielsweise eine erfasste Eisglätte (vgl.„Gefahrensituation“), zugeordnet wurde. Dies kann dadurch geschehen, dass es zu dem Ereignis eine GPS-Position gibt, die auf einen Link gematcht wurde. Häufig ist aber nur der Zeitstempel für das Eintreten des Ereignisses bekannt und der Link des Ereignisses muss durch die gematchten Links der benachbarten GPS- Positionen und ggf. durch Berechnung einer Route zwischen diesen Links bestimmt werden.
Die Verwendung eines Zeitfensters w statt eines Zeitpunkts ist sinnvoll, da die Konfidenz für einen Link in manchen Situationen so erhöht werden kann.
Ligur 4 illustriert schematisch eine Straße 50, die in mehrere Links 60-1, 60-2 aufgeteilt ist. Weiterhin befindet sich die mittlere GPS-Position 70-2 genau an der Grenze zwischen zwei benachbarten Links 60-1, 60-2. In diesem Lall hätten beide Links 60-1, 60-2 zum Zeitpunkt der mittleren GPS-Position eine Link-Konfidenz von 50%, da beide Links gleichermaßen gut als Kandidaten in Lrage kommen. Über alle drei GPS-Positionen 70-1, 70-2, 70-3 betrachtet, wäre jedoch die Link-Konfidenz für beide Links 60-1, 60-2 bei 100%, da beide Links 60-1, 60-2 sicher befahren wurden. Die Links wurden deshalb sicher befahren, da für die erste und letzte GPS-Position nur ein Link in Lrage kommt (wenn Off-Road-Matches nicht berücksichtigt werden, siehe unten). Die genaue Vorschrift, wie die einzelnen Konfidenzen zu berechnen sind, wird unten genauer dargelegt. Die Konfidenzen in den Beispielen dienen zunächst nur zur beispielhaften Veranschaulichung des Verfahrens.
Ligur 5 illustriert schematisch eine Straße 50 mit einer Verzweigung, die in mehrere Links 60-1, 60-2, 60-3 aufgeteilt ist. GPS-Positionen 70-1, 70-2, 70-3 sind analog den GPS- Positionen in Ligur 4 dargestellt. Positionen 80-1, 80-2, 80-3 werden auf die Links 60-1, 60-2 der Straße 50 gematcht. Bei manchen Kartenmodellierungen gibt es nur Knoten mit mehr als zwei anliegenden Kanten, d.h. Links können nur an Kreuzungen enden. Die Konfidenzberechnung über Zeitfenster kann jedoch auch bei diesen Kartenmodellierungen die Konfidenz in bestimmten Situationen erhöhen, wie in Ligur 5 dargestellt ist. Hier ist die Link- Konfidenz für Link 60-2 (rechts) zum Zeitpunkt der mittleren GPS-Position nur knapp größer als 50%. Über alle drei GPS-Positionen 70-1, 70-2, 70-3 betrachtet, ist die Link-Konfidenz für Link 60-1 (links) und Link 60-2 (rechts) jedoch 100%.
Es gibt mehrere Alternativen dafür, wie die Wahl des Zeitfensters erfolgen kann.
1. Bei kurzen GPS-Trajektorien (z.B. 20 Sekunden) kann als Zeitfenster die gesamte GPS-Trajektorie gewählt werden. Bei langen GPS-Trajektorien ist dagegen die Einengung des Zeitfensters sinnvoll, da es von Interesse ist, wann ein Link durchfahren wurde.
2. Das Zeitfenster kann durch das Intervall zwischen zwei GPS-Positionen definiert werden, beispielsweise durch das Zeitfenster zwischen der dritten und der fünften GPS-Position. Soll die Link-Konfidenz für alle gemachten GPS-Positionen berechnet werden, kann das Zeitfenster z.B. jeweils k Positionen vor und nach der gemachten GPS-Position umfassen. Am Anfang und am Ende der GPS-Trajektorie enthält das Zeitfenster dann entsprechend weniger GPS-Positionen.
3. Das Zeitfenster kann zeitlich relativ zu einem bestimmten Zeitpunkt definiert werden, z.B. 5 s vor bis 5 s nach dem Erkennen einer lokalen Gefahr. Dies setzt jedoch voraus, dass die GPS-Positionen Zeitstempel haben und erfordert, dass die Position auf der Straße zu Beginn/Ende des Zeitfensters geschätzt wird. Die Positionsschätzung kann durch Erzeugen weiterer GPS-Positionen zu Beginn/Ende des Zeitfensters durch Interpolation der benachbarten GPS-Positionen erfolgen. Eine verbesserte Positionsschätzung für Beginn bzw. Ende des Zeitfensters ist nachstehend in Bezug auf die zweite Ausführungsform beschrieben. Die verbesserte Methode ist jedoch nur für den modifizierten Forward- Algorithmus anwendbar.
4. Das Zeitfenster kann dadurch bestimmt werden, indem beim gematchten Link an einer GPS-Position gestartet und von dort solange vorwärts und rückwärts in der GPS- Trajektorie gegangen wird, bis der Link kein Kandidat mehr ist. Dies kann auch mit den beiden vorhergehenden Methoden kombiniert werden, um das Zeitfenster zusätzlich zu begrenzen.
Der vorliegend offenbarte Algorithmus berechnet aus Inputdaten zunächst weitere Daten basierend darauf kann dann mit zwei alternativen Ansätzen (vgl. nachstehend beschriebene erste und zweite Ausführungsformen) die Konfidenz berechnet werden.
Als Eingabedaten für die Konfidenzberechnung werden benötigt:
• Die GPS-Trajektorie bestehend aus n GPS-Positionen. Optional kann für jede GPS- Position ein Zeitstempel und/oder ein GPS-Heading vorgesehen sein.
• Eine Liste von <U, Wi> Paaren wobei h die Links sind für die die Link-Konfidenz berechnet werden soll und Wi die zugehörigen Zeitfenster.
Die Link-Konfidenz wird dann für alle h berechnet. In der Praxis wird die Link-Konfidenz häufig nur für die gematchten Links berechnet. Für das Beispiel der Erkennung von lokalen Gefahren wäre die Berechnung der Link-Konfidenz sogar nur für den gematchten Link der lokalen Gefahr ausreichend.
Zunächst werden aus den Eingabedaten sowie aus den Daten der digitalen Karte weitere Daten berechnet:
• Lür jede GPS -Position wird eine Menge von Matching-Kandidaten berechnet. Ein Kandidat ist (analog zu Newson und Krumm) als das Paar <Link, Position auf Link> definiert. Kandidaten können (analog zu Newson und Krumm) berechnet werden, indem das Lot von der GPS-Position auf alle Links in einem Umkreis (z.B. 100 m) gefällt wird. Es ist aber auch möglich, mehrere Kandidaten pro Link zu generieren, was die Map Matching-Genauigkeit zu Lasten des Rechenaufwands erhöht. Die Berechnung der Link-Konfidenz über ein Zeitfenster wird bei dieser Variante wichtiger, da sich für jede GPS-Position die Gesamtkonfidenz von 100% sonst über noch mehr Kandidaten aufteilen würde (siehe oben). Die optionale Berechnung von mehreren Kandidaten pro Link stellt eine Erweiterung gegenüber dem Verfahren von Newson und Krumm dar.
• Lür alle Kandidaten einer GPS-Position wird eine Beobachtungswahrscheinlichkeit berechnet, z.B. unter Berücksichtigung der Entfernung zwischen GPS-Position und Kandidat (analog zu Newson und Krumm). Es kann außerdem die Heading-Differenz zwischen Input-Heading und Heading des Links berücksichtigt werden, z.B. indem eine Normalverteilung für die Heading-Differenz angenommen wird. Dies stellt ebenfalls eine Erweiterung gegenüber dem Verfahren von Newson und Krumm dar.
• Lür alle Kandidaten von benachbarten GPS -Positionen PI und P2 wird paarweise eine Übergangswahrscheinlichkeit von jedem Kandidaten von PI zu jedem Kandidaten von P2 berechnet, z.B. unter Berücksichtigung der Länge oder Zeit auf der kürzesten oder schnellsten Route zwischen beiden Kandidaten. Dies kann analog zu Newson und Krumm oder in modifizierter Weise erfolgen. Newson und Krumm verwenden eine Exponentialverteilung zur Berechnung der Übergangswahrscheinlichkeiten. Abweichend davon können beim Map Matcher gemäß der vorliegenden Offenbarung Übergangswahrscheinlichkeiten optional (zusätzlich) basierend auf Normalverteilungen berechnet werden. Je nach den zu matchenden Daten (Genauigkeit der GPS-Positionen und zeitliche Abstände zwischen den GPS- Positionen) kann der Ansatz im Detail optimiert werden. Dies kann in der Praxis erfordern, dass die Parameter der zu verwendenden Verteilung für die zu matchenden Daten justiert werden. Generell besteht für Map Matching Anwendungen innerhalb des Hidden Markov Modells ein gewisser Spielraum, wie genau Übergangs- und Beobachtungswahrscheinlichkeiten berechnet werden. Dieser Spielraum kann für Optimierungen entsprechend genutzt werden.
Diese Daten werden auch für einen HMM-basierten Map Matching-Algorithmus analog zu Newson und Krumm benötigt und durch den Map Matching-Algorithmus berechnet. Die Konfidenz -Berechnung erfolgt nach dem eigentlichen Map Matching und baut auf den vom Map Matching-Algorithmus berechneten beschriebenen Beobachtungs- und Übergangswahrscheinlichkeiten auf. Es ist jedoch auch möglich, die Konfidenzberechnung ohne den Map Matching-Algorithmus auszuführen, beispielsweise für alle Kandidaten.
Eine erste Ausführungsform basiert auf einer maximalen a-posteriori- Wahrscheinlichkeit.
Zunächst werden mit dem Forward-Backward Algorithmus die A-posteriori- Wahrscheinlichkeiten aller Kandidaten-Links h mit Hilfe der vorstehend beschriebenen Beobachtungs- und Übergangswahrscheinlichkeiten berechnet. Der Forward-Backward Algorithmus ist beispielsweise in Stuart Russell, Peter Norvig: „Artificial Intelligence A Modem Approach 3rd Edition“, Upper Saddle River, New Jersey, Pearson Education/Prentice-Hall, (2010), beschrieben.
Als Anfangsverteilung für die Kandidaten der ersten GPS-Position ist es sinnvoll, eine diskrete Gleichverteilung anzunehmen, d.h. jeder Kandidat hat die gleiche A-priori Wahrscheinlichkeit. Alternativ können analog zu Newson und Krumm die Beobachtungswahrscheinlichkeiten für die erste GPS-Position als Anfangsverteilung verwendet werden. Allerdings müssen die Beobachtungswahrscheinlichkeiten dann noch normiert werden. Beide Alternativen sind mathematisch äquivalent.
Die Link-Konfidenz /,· für das Zeitfenster Wi ergibt sich dann aus dem Maximum der A- posteriori- Wahrscheinlichkeiten über alle Kandidaten, die im Zeitfenster Wi auf dem Link /,· liegen.
Figur 6 illustriert schematisch anhand einer Straße 50, die in mehrere Links 60-1, 60-2, 60-3 aufgeteilt ist, wie eine hohe Konfidenz für einen Link 60-2 auf andere Links 60-1 und 60-3 übertragen werden kann. Die Verwendung des Forward-Backward Algorithmus ermöglicht, dass alle GPS-Positionen der gesamten GPS-Trajektorie in die Berechnung der A-posteriori- Wahrscheinlichkeiten einfließen. Damit kann, wie in Figur 6 dargestellt, eine hohe Konfidenz für einen Link, im Beispiel Link 60-2, auch auf andere Links, im Beispiel 60-1 und 60-3, übertragen werden.
Im in Figur 6 illustrierten Beispiel umfasst das Zeitfenster w alle drei GPS-Positionen 70-1, 70-2, 70-3 und die die Link-Konfidenz für den zweiten Link 60-2 ist max{ 0.52, 1, 0.52} = 1 (bzw. 100%). Wurde beispielsweise an der ersten GPS-Position 70-1 ein Ereignis erkannt, dann kann dieses Ereignis mit einer Konfidenz von 100% auf den Anfang des zweiten Links 60-2 verortet werden. Dies beruht darauf, dass der zweite Link 60-2 mit einer
Wahrscheinlichkeit von 100% im Zeitfenster w überfahren wurde, auch wenn nur zu 52% sicher ist, dass dies genau zum Zeitpunkt der ersten GPS-Position 70-1 passierte.
Figur 7 illustriert schematisch anhand einer Straße 50, die in mehrere Links 60-1, 60-2, 60-3 aufgeteilt ist, wie eine Konfidenz für einen Link 60-2 von der Anzahl erfasster GPS- Positionen abhängt. Der Ansatz der ersten Ausführungsform, basierend auf einer maximalen a-posteriori-Wahrscheinlichkeit, funktioniert gut, wenn es mehrere GPS-Positionen (im Beispiel 70-1, 70-2 und 70-3) pro Link (im Beispiel 60-2) gibt. Bei GPS-Trajektorien mit großen zeitlichen bzw. räumlichen Abständen zwischen den GPS-Positionen besteht das Problem, dass bei GPS-Positionen in der Nähe von Knoten die Konfidenz in unerwünschter Weise reduziert wird. So ist die Link-Konfidenz für den zweiten Link 60-2 im in Figur 7 illustrierten Beispiel nur 52%, obwohl der zweite Link 60-2 sicher überfahren wurde.
Verfahren und Systeme gemäß der vorstehend beschriebenen ersten Ausführungsform stellen, auch im Vergleich zur im Folgenden beschriebenen zweiten Ausführungsform, Vorteile hinsichtlich einer besonders effizienten Berechnung bereit, insbesondere wenn eine Vielzahl von Link-Konfidenzen für eine GPS-Trajektorie berechnet werden soll.
Eine zweite Ausführungsform basiert auf einem modifizierten Forward- Algorithmus. Die zweite Ausführungsform erlaubt im Vergleich zur ersten Ausführungsform Vorteile hinsichtlich der Präzision der Berechnungen, insbesondere bei GPS-Trajektorien mit großen zeitlichen bzw. räumlichen Abständen zwischen den GPS-Positionen. Gemäß der zweiten Ausführungsform wird die Link-Konfidenz c(l;w) für einen Link / und ein Zeitfenster w mit einer modifizierten Form des Forward-Algorithmus berechnet. Hierzu gelten folgende Definitionen:
• t=l..n ist die fortlaufend nummerierte GPS-Position (= der Zeitschritt)
• xt ist der Zustand (hidden state) im Zeitschritt t. Als Zustand kommen alle Kandidaten für diesen Zeitschritt in Frage (siehe Kapitel 3).
• yt ist die Beobachtung, d.h. die GPS-Position und ggf das Fahrzeug -Heading, im Zeitschritt t.
• Die Zufallsvariable L[ ist die Menge der Links, die zwischen Zeitschritt i und Zeitschritt j durchfahren wurden. Diese beinhalten auch die Links zwischen den jeweiligen Kandidaten, die beispielsweise durch kürzeste oder schnellste Routen zwischen den Kandidaten ermittelt werden können.
• Das Zeitfenster ist im Folgenden als w=(s;e) definiert, wobei 5 die erste und e die letzte GPS-Position des Zeitfensters ist. Es wird nachstehend der Fall betrachtet, dass das Zeitfenster relativ zu einem bestimmten Zeitpunkt definiert ist, z.B. 5 s vor bis 5 s nach dem Erkennen eines Ereignisses.
Die Link-Konfidenz c(l;w) ist definiert als die Wahrscheinlichkeit, dass der Link / im Zeitfenster w=(s;e) überfahren wurde, gegeben alle GPS-Positionen der Trajektorie:
Figure imgf000020_0001
Prinzipiell wird c(l;w) über die Gegenwahrscheinlichkeit berechnet:
Figure imgf000020_0002
Für die weitere Herleitung der Berechnung betrachten wir zunächst den Fall, dass das Zeitfenster w die gesamte GPS-Trajektorie umfasst, d.h. w=(0;n). Nachstehend wird auf den allgemeinen Fall w=(s;e) eingegangen.
Analog zum Forward- Algorithmus berechnet der Algorithmus iterativ für jeden Zeitschritt t=l..n und jeden Kandidat xt des jeweiligen Zeitschritts die Wahrscheinlichkeit (Joint Probability)
Figure imgf000021_0001
Dies ist die Wahrscheinlichkeit im Zeitschritt t im Zustand xt zu sein, den Link / bis zum Zeitschritt t nicht durchfahren zu haben und die aufgezeichneten GPS -Positionen bis zum Zeitschritt t beobachtet zu haben.
Die Berechnung der cct(xt) kann nach folgender Herleitung iterativ erfolgen: Aus Gleichung (3) ergibt sich nach dem Gesetz der totalen Wahrscheinlichkeit:
Figure imgf000021_0002
Durch Anwendung der Chain Rule ergibt sich (Hinweis: hierbei wird die Formel von unten nach oben gelesen)
Figure imgf000021_0003
Dies entspricht dem Anwenden der Chain Rule zur Herleitung des Forward- Algorithmus mit der zusätzlichen Bedingung, dass der Link / bis zum Zeitschritt t nicht durchfahren wurde. Um die obige Formel zu vereinfachen, nutzen wir die HMM -Annahmen, dass v, nur von xt abhängt und xt nur von x,x abhängt. Weiterhin nehmen wir an, dass
Figure imgf000021_0004
d.h. ob der Link / von x,x nach x, durchfahren wurde, ist unabhängig davon, ob / zuvor durchfahren wurde und welche GPS-Positionen zuvor beobachtet wurden. Aus diesen Annahmen folgt
Figure imgf000021_0005
Dabei sind p(yt|xt) die Beobachtungswahrscheinlichkeiten und p(Xf |Xt-i) die Übergangswahrscheinlichkeiten, die zuvor durch den Map Matching-Algorithmus oder eigenständig berechnet werden (wie vorstehend beschrieben).
Weiterhin ist p(l g
Figure imgf000022_0001
|xt, xt~i) die Wahrscheinlichkeit, dass / nicht zwischen xt-i und x, befahren wurde. Diese Wahrscheinlichkeit kann wie folgt berechnet werden, wobei aus Gründen der Lesbarkeit die Gegenwahrscheinlichkeit p(l E Lt t-1\xt, xt-1) = 1—
Figure imgf000022_0004
Dabei ist zu beachten, dass der tatsächliche Pfad zwischen x,-/ und x, nicht bekannt ist und die Verwendung der kürzesten/schnellsten Route zwischen den Kandidaten zu einer Approximation der Link-Konfidenz führt. Für manche Anwendungen ist daher eine konservative Berechnung der Link-Konfidenz durch eine untere Schranke sinnvoller. Diese kann wie folgt berechnet werden: wenn alle Routen, die es von xt-i zu x, gibt, durch / führen (8)
Figure imgf000022_0002
sonst Dabei kann zusätzlich berücksichtigt werden, welche Routen zwischen xt-i zu xt mit einer angenommenen Höchstgeschwindigkeit überhaupt möglich sind.
Eine leichter zu berechnende, jedoch weniger enge, untere Schranke ist wenn xt-i oder xt auf / hegen
p(l (9) sonst
Figure imgf000022_0003
Eine weitere Möglichkeit ist die Wahrscheinlichkeit aus GPS-Trajektorien historischer Fahrten zu ermitteln, d.h. p(l £ Lt t-1 \xt, xt-!) ergibt sich aus
Anzahl der Fahrten über xt-i und xt , bei denen Link l überfahren wurde
(10) Anzahl der Fahrten über xt-i und xt Die Startwerte ^i( i) können nach Gleichung (3) wie folgt berechnet werden. Dabei können die L7 als gleichverteilt angenommen werden (vgl. auch die erste Ausführungsform).
Figure imgf000023_0001
Die Link-Konfidenz für das Zeitfenster wo=(l;n) ergibt sich dann aus
Figure imgf000023_0002
Die Berechnung von p(yi:n) kann durch den normalen Forward-Algorithmus erfolgen und muss bei der Berechnung mehrerer Link-Konfidenzen nur einmal erfolgen.
Im Hinblick auf die numerische Stabilität bei der Berechnung ist zu beachten, dass die at(xt) mit zunehmenden Iterationen sehr klein werden. Eine Alternative ist daher mit logarithmischen Wahrscheinlichkeiten zu arbeiten. Eine andere Alternative besteht darin p(xt, l g L \y- -t) in jedem Schritt zu berechnen. Auch wenn damit die Berechnung von p(yi:n) am Schluss entfällt, stellt dies einen höheren Rechenaufwand dar.
Im Folgenden ist die Berechnung der Link-Konfidenz für allgemeine Zeitfenster w=(s;e) beschrieben, wobei 5 ist die erste und e ist die letzte GPS -Position des Zeitfensters ist. Dies deckt die 2. und die 4. Definition von Zeitfenstem (siehe oben) ab.
Die Berechnung erfolgt in 3 Phasen, jeweils eine Phase vor, während und nach dem Zeitfenster. Dabei muss nur in der Phase während des Zeitfensters überprüft werden, ob der Link / überfahren wurde. Die Ergebnisse einer Phase werden als Startwerte für die nächste Phase genutzt. In der ersten Phase werden die <zs(xs) = p(xs, JAs) mit dem normalen Forward- Algorithmus berechnet. In der zweiten Phase werden die ae(xe) = p{xe, l Le s\yi e) mit dem oben beschriebenen modifizierten Forward-Algorithmus berechnet. In der dritten Phase werden schließlich die ah(ch) = p(xn, l g kf | i;n) wieder mit dem normalen Forward-Algorithmus berechnet. Die Link-Konfidenz c(l;w) ergibt sich analog zu Gleichung (12) dann aus
Figure imgf000023_0003
Bei der Berechnung von m Link-Konfidenzen mit unterschiedlichen Zeitfenstem w1 = (S-L; e- , , wm = (sm; em) braucht die erste Phase für alle Zeitfenster nur einmal berechnet zu werden. Dabei werden die cct(xt) für t = 1, ... , max(s1, ... , sm) mit dem normalen Forward-Algorithmus berechnet.
Für den Fall, dass das Zeitfenster relativ zu einem bestimmten Zeitpunkt definiert ist, z.B. 5 Sekunden vor bis 5 Sekunden nach dem Erkennen eines Ereignis (siehe oben, 3. Definition von Zeitfenstem), so muss die Berechnung von p(l g Lt t-1\xt, xt-1) für die Fälle angepasst werden, in denen Beginn/Ende des Zeitfensters zwischen xt-i und xt liegt. So können die Gleichungen (7), (8) und (10) angepasst werden, indem die Position zum Beginn/Ende des Zeitfensters entlang der kürzesten/schnellsten Route (7), der möglichen Routen (8) und entlang der historischen Fahrten (10) geschätzt wird. Bei der konservativen Abschätzung der Konfidenz in Gleichung (9) wird dagegen entweder für et oder xt-i (je nachdem welcher Zustand im Zeitfenster liegt) geprüft, ob diese auf dem Link / liegen.
Figur 8 zeigt ein Flussdiagramm eines Verfahrens 200 gemäß Aus fühmngs formen der vorliegenden Offenbarung. Das Verfahren 200 beginnt bei Schritt 201.
In Schritt 202 wird eine Trajektorie erfasst. Die Trajektorie beinhaltet vorzugsweise eine Vielzahl von Positionsangaben, wobei jede Positionsangabe der Vielzahl von Positionsangaben weiter vorzugsweise eine GPS-Position (z.B. 70-1, 70-2, 70-3; siehe Figuren) und einen Zeitstempel beinhaltet.
In Schritt 204 werden Netzdaten beinhaltend eine Vielzahl von Links eines Netzes erfasst. Ein Netz besteht vorzugsweise aus einer Vielzahl von Links 1 (z.B. 60-1, 60-2, 60-3; siehe Figuren), die eine Vielzahl von Knoten miteinander verbindet. Das Netz kann in bekannter Weise als Graph modelliert werden (siehe oben).
In Schritt 206 werden ein oder mehrere Datenpaare erfasst. Jedes der ein oder mehreren Datenpaare enthält einen Link 1 aus der Vielzahl von Links und ein Zeitfenster w, dass zumindest einen Teil der Trajektorie erfasst. Die Erfassung der Trajektorie erfolgt zeitlich, sodass zumindest eine, vorzugsweise mehrere, Positionsdaten der Trajektorie innerhalb des Zeitfensters w liegen müssen (d.h. innerhalb des Zeitfensters w erfasst wurden).
In Schritt 208 wird für jedes der ein oder mehreren Datenpaare eine Map Matching Konfidenz c(l, w) für den Link 1 des jeweiligen Datenpaares ermittelt. Dies basiert entweder auf Ermitteln (vgl. Schritt 210a; Beschreibung siehe oben) einer maximalen a-posteriori Wahrscheinlichkeit oder auf Ermitteln (vgl. Schritt 210b; Beschreibung siehe oben) mittels eines modifizierten Forward-Algorithmus. Die Map Matching Konfidenz ist konfiguriert, eine Wahrscheinlichkeit anzugeben, dass der jeweilige Link 1 innerhalb des jeweiligen Zeitfensters w von der Trajektorie tangiert wurde. Das Verfahren 200 endet bei Schritt 212.
Die vorliegend offenbarten Systeme und Verfahren zur Konfidenzberechnung können prinzipiell im Zusammenspiel mit beliebigen (auch nicht HMM-basierten) Algorithmen angewendet werden, da unabhängig vom verwendeten Algorithmus eine Konfidenz berechnet werden soll. Selbst bei der Verwendung eines HMM sind verschiedene Algorithmen möglich, beispielsweise der Viterbi- Algorithmus (vgl. Newson und Krumm), der Forward-Backward Algorithmus oder der Forward- Algorithmus. Der Forward-Algorithmus ist ebenfalls beispielsweise in Russell und Norvig (siehe oben) beschrieben. Das Verfahren zur Berechnung der Map Matching-Konfidenz lässt sich auch auf Map Matching- Verfahren anwenden, die statt Beobachtungs- und Übergangswahrscheinlichkeiten entsprechende Scores (bzw. Bewertungen) berechnen, welche sich auf Werte zwischen 0 und 1 (z.B. Pseudo- Wahrscheinlichkeiten) normieren lassen.
Es ist auch möglich, die Konfidenzberechnung ohne einen Map Matching-Algorithmus zu verwenden, beispielsweise für alle Kandidaten aller GPS-Positionen innerhalb eines Zeitfensters. Es wird dann der Link 1 ausgewählt für den die Link-Konfidenz am größten ist. Beim Beispiel der Erkennung von lokalen Gefahren würde so der Kandidat mit der größten Konfidenz ausgewählt werden. Beim Map Matching könnte prinzipiell auch ein Kandidat ausgewählt werden könnte, der nicht auf dem Link 1 liegt und daher eine geringere Konfidenz als Link 1 hat. Daher hat dieses Verfahren den Vorteil, dass immer die höchstmögliche Konfidenz erreicht wird.
In bevorzugten Ausgestaltungen kann eine Berücksichtigung der Link-Richtung erfolgen. Die Definition der Map Matching-Konfidenz kann die Link-Richtung berücksichtigt werden, d.h. die Link-Konfidenz ist definiert als die Wahrscheinlichkeit, dass für eine gegebene GPS- Trajektorie ein Link 1 in einer Richtung innerhalb eines Zeitfenster w befahren wurde. Diese Modellierung ist sinnvoll, wenn es darauf ankommt, in welche Richtung ein Link befahren wurde. So ist die Link-Richtung für einige lokalen Gefahren relevant (z.B. gefährliches Stauende), für andere jedoch nicht (z.B. Starkregen oder Nebel). Um die Link-Richtung für die Konfidenzberechnung zu berücksichtigen, muss bei der Generierung von Kandidaten für jede mögliche Befahrungsrichtung eines Links ein Kandidat erzeugt werden. Ein Kandidat ist dann, wie vorstehend beschrieben, definiert als ein Tripel <Link ID, Position auf Link, Richtung>. Die weitere Berechnung der Link-Konfidenz durch den vorstehend beschriebenen Forward-Backward bzw. modifizierten Forward-Algorithmus ändert sich dadurch jedoch nicht bis auf die Tatsache, dass die Anzahl der Kandidaten durch die Berücksichtigung der Richtung erhöht wird.
Die Berücksichtigung der Link-Richtung ist auch für das Map Matching selbst anwendbar. Beim Map Matching hat diese Modellierung den zusätzlichen Vorteil, dass Penalities für U- Tums oder ähnliche Manöver auf einem Link durch verringerte Übergangswahrscheinlichkeiten berücksichtigt werden können. Die Aufnahme der Richtung für das Map Matching stellt eine Erweiterung gegenüber der Offenbarung von Newson und Krumm dar.
In bevorzugten Ausgestaltungen ist die Berechnung einer Konfidenz für Online-Map Matching vorgesehen. Beim Online-Map Matching werden die GPS-Positionen eines Fahrzeugs kontinuierlich und im Wesentlichen zeitgleich zum Eingang verarbeitet (z.B. als Stream bzw. Datenstrom von GPS-Positionen). Das bedeutet, dass jede eingehende GPS- Position im Wesentlichen sofort verarbeitet wird, ohne Kenntnis von nachfolgenden GPS- Positionen. Es bietet sich an, den Forward-Algorithmus oder den Viterbi- Algorithmus bis zur letzteingegangenen bzw. aktuellen GPS-Position für das Online Map Matching anzuwenden. Beim Einsatz des Viterbi- Algorithmus für Online Map Matching muss beachtet werden, dass sich der wahrscheinlichste Pfad für vergangene GPS-Positionen durch die zusätzliche Information weiterer GPS-Positionen ändern kann. Dadurch kann es zu„Sprüngen“ bzw. sich nachträglich ändernden Daten kommen.
Die Link-Konfidenz kann ebenfalls online berechnet werden, um eine Konfidenz für das aktuelle Matching zu berechnen. Beim Ansatz über die maximale A-posteriori Wahrscheinlichkeit (vgl. erste Ausführungsform) wird statt des Forward-Backward Algorithmus der Forward-Algorithmus eingesetzt. Die Link-Konfidenz U für das Zeitfenster Wi ergibt sich dann ebenfalls aus dem Maximum der A-posteriori- Wahrscheinlichkeiten über alle Kandidaten, die im Zeitfenster Wi auf dem Link /,· liegen. Dabei ist zu beachten, dass das Zeitfenster keine zukünftigen GPS-Positionen beinhalten kann und dass die Aposteriori- Wahrscheinlichkeiten die Ergebnisse des Forward- Algorithmus statt des Forward-Backward- Algorithmus darstellen.
Der modifizierte Forward- Algorithmus (vgl. zweite Ausführungsform) kann prinzipiell auch für eine Online-Konfidenz-Berechnung verwendet werden. Dabei kann die erste Phase fortlaufend berechnet werden. Da die Finks normalerweise noch nicht bekannt sind, für die die Fink-Konfidenz berechnet werden soll (diese werden durch Online-Map Matching ermittelt), muss die zweite Phase bei jeder weiteren GPS-Position erneut über die Fänge des Zeitfensters ausgeführt werden (außer, der gematchte Fink bleibt gleich). Dies kann bei größeren Zeitfenstem einen erheblichen Rechenaufwand bedeuten. Die dritte Phase entfällt, da das Zeitfenster lediglich bis zur aktuellen GPS-Position reicht und zukünftige GPS- Positionen nicht bekannt sind.
In bevorzugten Ausgestaltungen kann eine (weitere) Unterteilung der Finks in Segmente erfolgen, falls für einen kleineren Straßenabschnitt berechnet werden soll, ob das Fahrzeug diesen befahren hat. Dies könnte beispielsweise bei lokalen Gefahrenwamungen verwendet werden, um zu entscheiden, ob sich die lokale Gefahr auf einem eingegrenzten Straßenabschnitt wie z.B. auf einer Kreuzung oder innerhalb eines Tunnels befindet. Damit kann eine Gefahrenwamung örtlich noch weiter präzisiert werden.
In bevorzugten Ausgestaltungen kann eine Beschleunigung der Konfidenzberechnung vorgesehen sein. Soll für eine längere GPS-Trajektorie (z.B. 1 h) nur eine oder wenige Fink- Konfidenzen berechnet werden, so kann die Konfidenzberechnung beschleunigt werden, indem für jede zu berechnende Fink-Konfidenz nur ein Teil der gesamten GPS-Trajektorie verarbeitet wird, während die übrigen GPS-Positionen verworfen werden (dies entspricht dem oben beschriebenen Mini-Trace Map Matching). Der verarbeitete Teil der GPS-Trajektorie kann dann im Wesentlichen das Zeitfenster und optional noch weitere GPS-Positionen vor und/oder nach dem Zeitfenster enthalten. Da GPS-Positionen, die weit entfernt von einem Ereignis sind, keinen oder nur einen geringen Einfluss auf die Fink-Konfidenz für den gematchten Fink des Ereignisses haben, wird die berechnete Konfidenz nicht oder nur unwesentlich ungenauer. So ist die Konfidenz für einen Fink im Innenstadtbereich einer Stadt unabhängig von GPS-Positionen, die während derselben Fahrt außerhalb von der Stadt aufgezeichnet wurden. Diese Methode ist für beide Ansätze gemäß der ersten und zweiten Ausführungsformen zur Konfidenzberechnung anwendbar. Weiter könnte für das Map Matching generell beispielsweise der Abstand zum gemachten Link zum Zweck einer Plausibilisierung genutzt werden. So kann das Matching für eine bestimmte Position verworfen werden, wenn die Entfernung der gematchten Position zur Originalposition größer als ein bestimmter Wert ist, z.B. 10 m. In gleicher Weise kann man das gematchte Heading (d.h. die Orientierung bzw. Richtung) mit dem Fahrzeugheading plausibilisieren (z.B. max. absolute Headingdifferenz = 90°).
In manchen Ausführungsformen kann die Konfidenzberechnung auf sog. Off-Road Matches ausgedehnt werden, die nicht auf in den Kartendaten vorhandenen Links positioniert sein müssen, sondern sich abseits einer Straße, daher„off-road“ befinden können (vgl. DE 10 2017 213 983). Das Prinzip der Off-Road-Matches besteht darin, die Menge an Kandidaten zu einer GPS-Position jeweils um einen Off-Road-Kandidaten zu erweitern. Die Berechnung der Beobachtungs- und Übergangswahrscheinlichkeiten im Sinne der Konfidenzberechnung muss dann entsprechend für Off-Road-Kandidaten erweitert werden. Insbesondere müssen für die Berechnung der Übergangswahrscheinlichkeiten zumindest folgende Fälle zusätzlich berücksichtigt werden: On-Road zur Off-Road, Off-Road zu Off-Road und Off-Road zu On- Road. Eine entsprechende Anpassung der Konfidenzberechnung folgt der spezifischen Modellierung der Off-Road Matches und den zugrunde liegenden Berechnungsgrundlagen.
Ein Vorteil dieser Plausibilisierungen ist, dass damit Fehler in der digitalen Karte erkannt werden können. Wenn z.B. eine neu gebaute Straße noch nicht in der digitalen Karte verzeichnet ist, dann kann dies über die Entfernung der gematchten Position zur Originalposition erkannt werden. Diese Plausibilisierungen berücksichtigen jedoch nur die GPS-Position und den gematchten Link, d.h. weitere Links werden nicht berücksichtigt.
Obwohl die Erfindung im Detail durch bevorzugte Ausführungsbeispiele näher illustriert und erläutert wurde, so ist die Erfindung nicht durch die offenbarten Beispiele eingeschränkt und andere Variationen können vom Fachmann hieraus abgeleitet werden, ohne den Schutzumfang der Erfindung zu verlassen. Es ist daher klar, dass eine Vielzahl von Variationsmöglichkeiten existiert. Es ist ebenfalls klar, dass beispielhaft genannte Ausführungsformen wirklich nur Beispiele darstellen, die nicht in irgendeiner Weise als Begrenzung etwa des Schutzbereichs, der Anwendungsmöglichkeiten oder der Konfiguration der Erfindung aufzufassen sind. Vielmehr versetzen die vorhergehende Beschreibung und die Figurenbeschreibung den Fachmann in die Lage, die beispielhaften Ausführungsformen konkret umzusetzen, wobei der Fachmann in Kenntnis des offenbarten Erfindungsgedankens vielfältige Änderungen beispielsweise hinsichtlich der Funktion oder der Anordnung einzelner, in einer beispielhaften Ausfuhrungsform genannter Elemente vornehmen kann, ohne den Schutzbereich zu verlassen, der durch die Ansprüche und deren rechtliche Entsprechungen, wie etwa weitergehenden Erläuterungen in der Beschreibung, definiert wird.

Claims

Patentansprüche
1. Verfahren (200) zur Ermittlung einer Map Matching Konfidenz, das Verfahren (200) umfassend:
Erfassen (202) einer Trajektorie;
Erfassen (204) von Netzdaten beinhaltend eine Vielzahl von Links eines Netzes; Erfassen (206) eines oder mehrerer Datenpaare, wobei jedes der ein oder mehreren Datenpaare enthält:
- einen Link (1) aus der Vielzahl von Links; und
- ein Zeitfenster (w), dass zumindest einen Teil der Trajektorie erfasst;
Ermitteln (208), für jedes der ein oder mehreren Datenpaare, einer Map Matching Konfidenz (c(l,w)) für den Link (1) des jeweiligen Datenpaares basierend auf:
- Ermitteln (210a) einer maximalen a-posteriori Wahrscheinlichkeit; oder
- Ermitteln (210b) mittels eines modifizierten Forward- Algorithmus, wobei die Map Matching Konfidenz konfiguriert ist, eine Wahrscheinlichkeit anzugeben, dass der jeweilige Link (1) innerhalb des jeweiligen Zeitfensters (w) von der Trajektorie tangiert wurde.
2. Verfahren (200) nach dem vorhergehenden Anspruch 1, wobei die Trajektorie eine Vielzahl von Positionsangaben beinhaltet, wobei jede Positionsangabe der Vielzahl von Positionsangaben beinhaltet: eine GPS-Position und einen Zeitstempel.
3. Verfahren (200) nach dem vorhergehenden Anspruch 2, weiter umfassend:
Ermitteln (207) von:
- ein oder mehreren Matching-Kandidaten für jede Positionsangabe, vorzugsweise in Form von einem Paar aus dem Link (1) eines Datenpaares und einer Position auf dem Link (1);
- einer Beobachtungswahrscheinlichkeit für jeden der ein oder mehreren Matching- Kandidaten jeder Positionsangabe basierend auf einer Entfernung der Positionsangabe vom Link (1) des Matching-Kandidaten; und
- einer paarweisen Übergangswahrscheinlichkeit für jeden der ein oder mehreren Matching-Kandidaten in Bezug auf eine erste Positionsangabe (PI) und eine zur ersten Positionsangabe benachbarte zweite Positionsangabe (P2), wobei die
Übergangswahrscheinlichkeit von jedem Matching-Kandidaten von der ersten Positionsangabe zu jedem Matching-Kandidaten von der zweiten Positionsangabe ermittelt wird.
4. Verfahren (200) nach einem der vorhergehenden Ansprüche 2 oder 3, weiter
umfassend Bestimmen jedes Zeitfensters (w) der ein oder mehreren Datenpaare basierend auf:
- der gesamten Trajektorie, falls die Trajektorie eine vorbestimmte Dauer nicht überschreitet, vorzugsweise wobei die vorbestimmte Dauer weniger als 60 Sekunden, weiter vorzugsweise weniger als 30 Sekunden, beträgt;
- auf einem Intervall zwischen n Positionsangaben vor und k Positionsangaben nach einer Referenzpositionsangabe, vorzugsweise wobei n, k weniger als 10 betragen;
- auf einem Zeitintervall vor und nach einer Referenzpositionsangabe, vorzugsweise wobei das Zeitintervall weniger als 30 Sekunden, weiter vorzugsweise weniger als 15 Sekunden beträgt; oder
- einem Verhältnis zwischen einer Positionsangabe und dem entsprechenden Link (1) des jeweiligen Datenpaares, wobei das Verhältnis der Positionsangabe zum entsprechenden Link (1) dadurch definiert ist, dass der entsprechende Link (1) ein Kandidat für die Positionsangabe ist.
5. Verfahren (200) nach einem der vorhergehenden Ansprüche 1 bis 4 und Anspruch 3, wobei Ermitteln (210a) einer maximalen a-posteriori Wahrscheinlichkeit umfasst: Ermitteln einer jeweiligen a-posteriori Wahrscheinlichkeit für jeden Link (1) eines Datenpaares basierend auf der jeweiligen Beobachtungswahrscheinlichkeit und der jeweiligen Übergangswahrscheinlichkeit; und
Ermitteln der maximalen a-posteriori Wahrscheinlichkeit basierend auf dem
Maximum aller a-posteriori Wahrscheinlichkeiten aller Matching-Kandidaten, die im jeweiligen Zeitfenster (w) auf dem Link (1) liegen; vorzugsweise wobei Ermitteln der maximalen a-posteriori Wahrscheinlichkeit mittels Forward-Backward Algorithmus erfolgt.
6. Verfahren (200) nach einem der vorhergehenden Ansprüche 1 bis 5, wobei Ermitteln (210b) mittels eines modifizierten Forward-Algorithmus umfasst:
Ermitteln für jeden Link (1) und jedes Zeitfenster (w) eines Datenpaares, ob der Link (1) jeweils zwischen zwei Matching-Kandidaten benachbarter zugehöriger GPS- Positionen innerhalb des Zeitfensters (w) sicher befahren wurde oder befahren werden konnte; oder
Ermitteln einer Wahrscheinlichkeit für jeden Link (1) und jedes Zeitfenster (w) eines Datenpaares, dass der Link (1) jeweils zwischen zwei Matching-Kandidaten benachbarter zugehöriger GPS-Positionen innerhalb des Zeitfensters (w) befahren wurde; und
Ermitteln einer Wahrscheinlichkeit für jeden Link (1) und jedes Zeitfenster (w) eines Datenpaares, ob der Link (1) innerhalb des Zeitfensters (w) befahren wurde unter Verwendung von Beobachtungswahrscheinlichkeiten und
Übergangswahrscheinlichkeiten; vorzugsweise mittels eines modifizierten Lorward- Algorithmus.
7. Verfahren (200) nach einem der vorhergehenden Ansprüche 1 bis 6, wobei ein oder mehrere Links der Vielzahl von Links des Netzes ein oder mehrere Knoten einer Vielzahl von Knoten des Netzes mit einander verbinden, vorzugsweise wobei das Netz ein Verkehrsnetz abbildet, weiter vorzugsweise wobei jeder der Vielzahl von Links ein Segment eines Verkehrsweges repräsentiert und/oder jeder der Vielzahl von Knoten einen Kreuzungspunkt von Verkehrswegen repräsentiert.
8. Verfahren (200) nach einem der vorhergehenden Ansprüche 1 bis 7 in Verbindung mit Anspruch 3, wobei jede Positionsangabe der Vielzahl von Positionsangaben weiter ein GPS-Heading beinhaltet und Ermitteln (207) von ein oder mehreren Matching- Kandidaten umfasst:
Ermitteln (207) der ein oder mehreren Matching-Kandidaten für jede Positionsangabe in Lorm von einem Tripel aus dem Link (1) eines Datenpaares, einer Position auf dem Link (1) und einer Richtung entlang des Links (1).
9. Verfahren (200) nach einem der vorhergehenden Ansprüche 1 bis 8 in Verbindung mit Anspruch 3, weiter umfassend:
Ermitteln (207) von:
- einem zusätzlichen Matching-Kandidaten für jede Positionsangabe, wobei der zusätzliche Matching-Kandidat sich nicht auf einem Link (1) der Vielzahl von Links des Netzes befindet;
- einer Beobachtungswahrscheinlichkeit für den zusätzlichen Matching-Kandidaten jeder Positionsangabe basierend auf einer Entfernung der Positionsangabe des Matching-Kandidaten; und - einer paarweisen Übergangswahrscheinlichkeit für den zusätzlichen Matching- Kandidaten in Bezug auf die erste Positionsangabe (PI) und die zweite
Positionsangabe (P2), wobei die Übergangswahrscheinlichkeit vom zusätzlichen Matching-Kandidaten von der ersten Positionsangabe zu jedem Matching-Kandidaten von der zweiten Positionsangabe ermittelt wird.
10. System (100) zur Ermittlung einer Map Matching-Konfidenz, das System (100) umfassend eine Steuereinheit, die konfiguriert ist zur Ausführung des Verfahrens (200) nach einem der vorhergehenden Ansprüche 1 bis 9.
11. Fahrzeug (80), umfassend ein System (100) zur Ermittlung einer Map Matching- Konfidenz nach dem vorhergehenden Anspruch 10.
PCT/EP2019/082993 2018-11-30 2019-11-28 Systeme und verfahren für map matching WO2020109516A1 (de)

Priority Applications (2)

Application Number Priority Date Filing Date Title
US17/295,968 US20220011118A1 (en) 2018-11-30 2019-11-28 Systems and Methods for Map Matching
CN201980077367.4A CN113167590B (zh) 2018-11-30 2019-11-28 用于地图匹配的系统和方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102018130457.9 2018-11-30
DE102018130457.9A DE102018130457B4 (de) 2018-11-30 2018-11-30 System und Verfahren für Map Matching

Publications (1)

Publication Number Publication Date
WO2020109516A1 true WO2020109516A1 (de) 2020-06-04

Family

ID=68806723

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2019/082993 WO2020109516A1 (de) 2018-11-30 2019-11-28 Systeme und verfahren für map matching

Country Status (3)

Country Link
US (1) US20220011118A1 (de)
DE (1) DE102018130457B4 (de)
WO (1) WO2020109516A1 (de)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022028811A1 (de) * 2020-08-05 2022-02-10 Bayerische Motoren Werke Aktiengesellschaft System und verfahren zum map matching von gnss-positionen eines fahrzeugs
CN114526739A (zh) * 2022-01-25 2022-05-24 中南大学 移动机器人室内重定位方法、计算机装置及产品
US11598881B2 (en) * 2020-09-01 2023-03-07 Google Llc GNSS signal modeling
EP4152292A3 (de) * 2021-09-15 2023-04-26 GEOTAB Inc. Schnappen auf strasse, öffentliche routen, öffentliche haltestellen, vorhersage der strassengeschwindigkeit und identifizierung zusammenhängender regionen

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102020101445A1 (de) * 2020-01-22 2021-07-22 Bayerische Motoren Werke Aktiengesellschaft Bestimmen einer Route auf einer Karte
DE102020102752A1 (de) 2020-02-04 2021-08-05 Bayerische Motoren Werke Aktiengesellschaft Bewertung einer Routenbestimmung
CN112033418B (zh) * 2020-09-15 2023-05-12 四川大学 一种离线地图匹配方法
US20230080319A1 (en) * 2021-09-15 2023-03-16 Here Global B.V. Method, apparatus, and system for aggregating a route based on high-resolution sampling
CN115144880A (zh) * 2022-06-28 2022-10-04 平安银行股份有限公司 一种道路匹配方法、设备和存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5774824A (en) 1995-08-24 1998-06-30 The Penn State Research Foundation Map-matching navigation system
US20170322035A1 (en) * 2016-05-05 2017-11-09 Here Global B.V. Method and apparatus for matching probe points to road segments utilizing a trajectory identifier
DE102017213983A1 (de) 2017-08-10 2019-02-14 Bayerische Motoren Werke Aktiengesellschaft Verfahren zum Verifizieren einer Straßenkarte sowie Servervorrichtung

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US824A (en) 1838-07-09 Construction of steam-engines
US5774A (en) 1848-09-19 Steam-hammer
JP2008014666A (ja) * 2006-07-03 2008-01-24 Nec Corp マップマッチングに適するリンク設定システム、その方法およびプログラム
US8645061B2 (en) * 2010-06-16 2014-02-04 Microsoft Corporation Probabilistic map matching from a plurality of observational and contextual factors
US10145691B2 (en) * 2016-05-18 2018-12-04 Here Global B.V. Ambiguity map match rating
WO2019007437A1 (en) * 2017-07-07 2019-01-10 Beijing Didi Infinity Technology And Development Co., Ltd. SYSTEMS AND METHODS FOR DETERMINING POSITION OF MOBILE DEVICE

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5774824A (en) 1995-08-24 1998-06-30 The Penn State Research Foundation Map-matching navigation system
US20170322035A1 (en) * 2016-05-05 2017-11-09 Here Global B.V. Method and apparatus for matching probe points to road segments utilizing a trajectory identifier
DE102017213983A1 (de) 2017-08-10 2019-02-14 Bayerische Motoren Werke Aktiengesellschaft Verfahren zum Verifizieren einer Straßenkarte sowie Servervorrichtung

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
NEWSON, PAULJOHN KRUMM: "Proceedings of the 17th ACM SIGSPATIAL international conference on advances in geographic information systems", 2009, ACM, article "Hidden Markov map Matching through noise and sparseness"
SELLOUM A ET AL: "Robustification of a map aided location process using road direction", INTELLIGENT TRANSPORTATION SYSTEMS (ITSC), 2010 13TH INTERNATIONAL IEEE CONFERENCE ON, IEEE, PISCATAWAY, NJ, USA, 19 September 2010 (2010-09-19), pages 1504 - 1510, XP031792734, ISBN: 978-1-4244-7657-2 *
STUART RUSSELLPETER NORVIG: "Artificial Intelligence A Modern Approach", 2010, PEARSON EDUCATION/PRENTICE-HALL

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022028811A1 (de) * 2020-08-05 2022-02-10 Bayerische Motoren Werke Aktiengesellschaft System und verfahren zum map matching von gnss-positionen eines fahrzeugs
US11598881B2 (en) * 2020-09-01 2023-03-07 Google Llc GNSS signal modeling
EP4152292A3 (de) * 2021-09-15 2023-04-26 GEOTAB Inc. Schnappen auf strasse, öffentliche routen, öffentliche haltestellen, vorhersage der strassengeschwindigkeit und identifizierung zusammenhängender regionen
CN114526739A (zh) * 2022-01-25 2022-05-24 中南大学 移动机器人室内重定位方法、计算机装置及产品
CN114526739B (zh) * 2022-01-25 2024-05-07 中南大学 移动机器人室内重定位方法、计算机装置及产品

Also Published As

Publication number Publication date
DE102018130457B4 (de) 2021-03-25
CN113167590A (zh) 2021-07-23
US20220011118A1 (en) 2022-01-13
DE102018130457A1 (de) 2020-06-04

Similar Documents

Publication Publication Date Title
DE102018130457B4 (de) System und Verfahren für Map Matching
EP3271231B1 (de) Verfahren und vorrichtung zum überwachen einer von einem fahrzeug abzufahrenden soll-trajektorie auf kollisionsfreiheit
DE102018102513A1 (de) Fahrzeugkommunikationssystem und Fahrzeugsteuerungsvorrichtung
EP3491339B1 (de) Verfahren, vorrichtung und computerlesbares speichermedium mit instruktionen zur bestimmung der lateralen position eines fahrzeuges relativ zu den fahrstreifen einer fahrbahn
DE102013005362A1 (de) Verfahren zur Analyse einer Verkehrssituation
DE102016112859A1 (de) Navigationsvorrichtung für ein autonom fahrendes Fahrzeug
EP1300652A2 (de) Verfahren und Anordnung zur Ermittlung eines Kartenfahrwegs in einer Karte, welcher einem tatsächlich zurückgelegten Fahrweg entspricht
DE102014205953A1 (de) Verfahren zur Analyse einer Verkehrsumfeldsituation eines Fahrzeugs
DE102012009297A1 (de) Verfahren zur Unterstützung eines Fahrers beim Führen eines Fahrzeugs
DE102012005272A1 (de) Verfahren zur Ermittlung einer Gefahrenwahrscheinlichkeit und Verwendung des Verfahrens
DE102011078946A1 (de) Verfahren und Anordnung zum Bestimmen eines am ehesten wahrscheinlichen Fahrpfads eines Fahrzeugs
DE102012004625A1 (de) Verfahren und Vorrichtung zur Aktualisierung und Anpassung von Karteninformationen in einem Navigationssystem
DE102019116380A1 (de) Vorrichtung und Verfahren zum Steuern eines Fahrens eines Fahrzeugs
DE102019121513A1 (de) Automatische Fahrassistenzvorrichtung
DE102015010542A1 (de) Verfahren zur Erzeugung einer digitalen Umgebungskarte
DE102015015277A1 (de) Technik zum automatisierten Anhalten eines Fahrzeugs in einem Zielbereich
WO2019233719A1 (de) Verfahren und vorrichtung zum unterstützen eines fahrers in einem fahrzeug
DE102019126446A1 (de) Fahrzeugsteuerungsvorrichtung
DE102014212336A1 (de) Verfahren zum Verarbeiten von Messdaten eines Fahrzeuges zur Bestimmung des Beginns einer Parkplatzsuche und Computerprogrammprodukt
DE102017215316A1 (de) Verfahren zum Unterstützen eines Benutzers beim Betreiben eines Kraftfahrzeugs im Anhängerbetrieb, Fahrerassistenzeinrichtung, und Kraftfahrzeug
WO2016034333A1 (de) Verfahren zum verarbeiten von messdaten eines fahrzeuges zur bestimmung des beginns eines parksuchverkehrs und computerprogrammprodukt
DE112018005756T5 (de) Fahrzeugsteuerungssystem und Fahrzeugsteuerungsprogramm
EP4172564A1 (de) Ermitteln einer ausgangsposition eines fahrzeugs für eine lokalisierung
DE102021202778A1 (de) Verfahren und System zum Bearbeiten einer digitalen Sicherheitskarte für den Straßenverkehr
DE102020118640A1 (de) Verfahren und Fahrzeugsystem zur Ermittlung eines Fahr-Korridors für ein Fahrzeug

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19816232

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19816232

Country of ref document: EP

Kind code of ref document: A1