CN105957342B - 基于众包时空大数据的车道级道路测图方法及*** - Google Patents
基于众包时空大数据的车道级道路测图方法及*** Download PDFInfo
- Publication number
- CN105957342B CN105957342B CN201610370700.9A CN201610370700A CN105957342B CN 105957342 B CN105957342 B CN 105957342B CN 201610370700 A CN201610370700 A CN 201610370700A CN 105957342 B CN105957342 B CN 105957342B
- Authority
- CN
- China
- Prior art keywords
- lanes
- lane
- track
- rectangular window
- nlane
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种基于众包时空大数据的车道级道路测图方法，包括建立轨迹向量的相似度评估模型，基于融合经验知识的生长聚类方法进行轨迹优选，构建高斯约束混合模型，并使用EM算法求解模型参数；探测车道信息，得到道路路段车道数量初次探测结果；基于道路建设规则，对初次探测结果进行修正；根据修正后的车道数量，根据相邻情况对车道中心线进行修正。本发明降低了获取城市精细道路信息的成本，且探测方法简单、容易实现。
Description
技术领域
本发明涉及众包时空大数据的高精度车道级道路测图，属于地理信息***与智能交通研究领域。
背景技术
高精度道路地图是未来自动驾驶的血液和灵魂，而车道级精细道路信息是构建高精度道路地图的关键组成部分。目前，研究者提出基于视觉方法从高分辨率遥感影像中提取车道线，亦或是利用高精度激光点云数据获取道路细节信息，以及从测量车采集的大量高精度GPS轨迹数据中提取道路路面信息(道路边界线、车道数量、车道中心线)。Rogersetal.(1999)是最早尝试利用时空DGPS(差分全球定位***)轨迹数据提取道路中心线以及车道边界线的研究者之一。随后在Rogers等人研究的基础上，利用时空GPS轨迹数据获取道路信息逐渐发展成为一种端对端的模式。这种端对端模式的道路信息获取可以总结为如下几个过程：首先对DGPS轨迹数据进行优化，然后将DGPS轨迹数据与现有地图数据匹配，样条曲线拟合道路中心线，最后通过聚类方法提取车道信息以及细化交叉口的几何结构。JohnKrumm提出一种脱离原始地图的道路信息获取模式，该模式首先采用轨迹分类和融合方法从大量DGPS轨迹数据中提取道路级别信息，然后利用高斯混合模型从归属于每一条路段的大量轨迹数据中提取车道信息。然而，这些获取车道级精细道路信息的途径都存在数据采集成本高、采集时间长、更新速度慢、数据处理复杂等缺点。
随着传感器技术、无线通信和网络技术的飞速发展，“人人都是传感器”，人们的出行会产生大量时空轨迹大数据，蕴含着丰富的精细道路信息和人类行为活动信息。轨迹数据的采集逐渐由专业部门测量车或者专业人员采集演变为由非专业人士自由自愿的记录其出行轨迹的形式，数据的采集开始转变为众包模式。众包模式下的车载轨迹数据(众包大数据)无疑是目前可以提供车道级道路信息提取的最佳数据源。与现有的出租车数据相比，由众包模式采集的车载轨迹数据属于大数据(大数据是指无法在可承受的时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力来适应海量、高增长率和多样化的信息资产)。目前国内学者唐炉亮等人(2015,2016)提出利用低精度GPS轨迹数据提取城市车道级道路信息，包括车道数量、车道转向、车道中心线，然而如何利用众包大数据，开展车道级精细道路测图是全世界科学家们面临的难题。
发明内容
本发明在以上研究的基础上，提出了一种基于众包时空大数据的高精度车道级道路测图(优质轨迹数据滤选和高精度道路信息提取)的新技术方案。
本发明技术方案提供一种基于众包时空大数据的车道级道路测图方法，包括以下步骤，
步骤1，建立轨迹向量的相似度评估模型，设va和vb是两个不同的轨迹向量，所述相似度评价模型如下，
其中，表示向量之间的相似度值，e为自然底数，ω1和ω2分别表示距离因子diffHd和角度因子diffθab的权重值，且ω1+ω2＝1；距离因子diffHd和角度因子diffθab分别表示向量va和vb的距离差异和角度差异；
步骤2，基于融合经验知识的生长聚类方法进行轨迹优选，包括根据已有的高精度GPS轨迹数据与同步的低精度GPS轨迹数据，确定相似度评价模型的权重值ω1和ω2，提取轨迹优选的先验知识，基于众包轨迹数据之间的相似度采用生长聚类方式进行数据优选；
步骤3，构建高斯约束混合模型，并使用EM算法求解模型参数；所述高斯约束混合模型定义如下，
其中，p(x)表示为高斯约束混合模型的综合概率值，x表示待计算样本值，在进行车道计算时，x代表判断窗口内轨迹点在其纵剖面上垂直投影的纵坐标值；k是高斯成分的数量，每一个高斯成分对应一个车道；ωj是第j个高斯成分的权重，对应车道的交通流量；参数μ1…μk是每一个高斯成分中轨迹的平均值，等于每个车道的中心线，μj表示μ1…μk参数内的任意一个值，j＝1,2,…,k；σ是每一个高斯成分中轨迹的标准差；
所述高斯约束混合模型中高斯成分的数量k获取方式为，计算结构风险模型的值，以结构风险模型值最小为原则确定k；
步骤4，根据步骤3所得结果，探测车道信息，得到道路路段车道数量初次探测结果；实现方式如下，
将处于同一条路段上的所有轨迹作为一个提取单元，设给定一组从交叉口Intersection1到交叉口Intersection2的轨迹集合AT，从轨迹集合AT的一端开始，构建移动矩形窗口，其中移动矩形窗口的长边平行于当前覆盖所有轨迹的中心线，移动矩形窗口的宽边则垂直于当前覆盖所有轨迹的中心线，矩形窗口长边的中心线垂直于其覆盖的所有轨迹数据的中心线，矩形窗口宽边的中线与其覆盖的轨迹数据的中心线重合；
将移动矩形窗口从轨迹集合AT的一端开始，按照矩形窗口的长边长度开始平移，依次利用高斯约束混合模型来探测每一个矩形窗口内覆盖的路段的车道数量及车道中心线，包括根据移动矩形窗口，将移动矩形窗口内的所有轨迹点投影到矩形窗口的长边中心线上，得到投影后的轨迹数据集X＝(x1,x2,…,xN)，t＝1,2,3，…,N，其中,xt表示投影后第t个轨迹点的纵坐标值，N为参加投影轨迹点的个数；将轨迹数据集X代入高斯约束混合模型，提取矩形窗口内路段的车道数量和车道中心线；假设从交叉口Intersection1到交叉口Intersection2的轨迹集合AT，矩形窗口一共进行了l次平移，每一次平移确定的车道数量记为Nlanef,f＝1,2,…,l，作为道路路段车道数量初次探测结果；
步骤5，根据步骤4获取的道路路段车道数量初次探测结果，基于道路建设规则，对初次探测结果进行修正；
步骤6，根据步骤5得到的修正后的车道数量，根据相邻情况对车道中心线进行修正。
而且，步骤5中对初次探测结果进行修正，实现方式如下，
第一步，对于步骤4中某次平移确定的车道数量Nlanef，比较Nlanef+1和Nlanef、Nlanef+2，如果Nlanef和Nlanef+1是不同的，则用Nlanef替换Nlanef+1，f＝1,2,…,l-2；
第二步，根据Nlanef的值和分布对第一步的结果分类，设存在s个类，记为Cg＝<Nlg,ncg>,Nlg是类簇Cg的车道数量，ncg是Nlaneg中属于Cg,g＝1,2,…,s的总数量；
第三步，比较Cg+1和Cg，如果Nlg+1不同于Nlg，且ncg+1<cv，令Cg的Nlg替换Cg+1的Nlg+1，g＝1,2,…,s，完成车道数量结果的最终优化，其中，cv是预设的阈值。
而且，步骤6对车道中心线进行修正，实现方式如下，
设某一段路段La的车道数量被修正，如果La相邻路段Lb和Lc同时满足与La具有相同的车道数量，且修正前与修正后的车道数量并未发生变化，那么就将Lb与Lc的车道中心线连接，得到La最终的车道中心线；如果La相邻路段Lb或者Lc的车道数量修正前与修正后也发生变化，那么就根据La修正前提取的车道中心线位置，计算基于La修正前车道中心线位置推算La路段的道路中心线，按照La修正后车道宽度和车道数量重新确定La修正后的车道中心线位置。
本发明提供一种基于众包时空大数据的车道级道路测图***，包括以下模块，
第一模块，用于建立轨迹向量的相似度评估模型，设va和vb是两个不同的轨迹向量，所述相似度评价模型如下，
其中，表示向量之间的相似度值，e为自然底数，ω1和ω2分别表示距离因子diffHd和角度因子diffθab的权重值，且ω1+ω2＝1；距离因子diffHd和角度因子diffθab分别表示向量va和vb的距离差异和角度差异；
第二模块，用于基于融合经验知识的生长聚类方法进行轨迹优选，包括根据已有的高精度GPS轨迹数据与同步的低精度GPS轨迹数据，确定相似度评价模型的权重值ω1和ω2，提取轨迹优选的先验知识，基于众包轨迹数据之间的相似度采用生长聚类方式进行数据优选；
第三模块，用于构建高斯约束混合模型，并使用EM算法求解模型参数；所述高斯约束混合模型定义如下，
其中，p(x)表示为高斯约束混合模型的综合概率值，x表示待计算样本值，在进行车道计算时，x代表判断窗口内轨迹点在其纵剖面上垂直投影的纵坐标值；k是高斯成分的数量，每一个高斯成分对应一个车道；ωj是第j个高斯成分的权重，对应车道的交通流量；参数μ1…μk是每一个高斯成分中轨迹的平均值，等于每个车道的中心线，μj表示μ1…μk参数内的任意一个值，j＝1,2,…,k；σ是每一个高斯成分中轨迹的标准差；
所述高斯约束混合模型中高斯成分的数量k获取方式为，计算结构风险模型的值，以结构风险模型值最小为原则确定k；
第四模块，用于根据第三模块所得结果，探测车道信息，得到道路路段车道数量初次探测结果；实现方式如下，
将处于同一条路段上的所有轨迹作为一个提取单元，设给定一组从交叉口Intersection1到交叉口Intersection2的轨迹集合AT，从轨迹集合AT的一端开始，构建移动矩形窗口，其中移动矩形窗口的长边平行于当前覆盖所有轨迹的中心线，移动矩形窗口的宽边则垂直于当前覆盖所有轨迹的中心线，矩形窗口长边的中心线垂直于其覆盖的所有轨迹数据的中心线，矩形窗口宽边的中线与其覆盖的轨迹数据的中心线重合；
将移动矩形窗口从轨迹集合AT的一端开始，按照矩形窗口的长边长度开始平移，依次利用高斯约束混合模型来探测每一个矩形窗口内覆盖的路段的车道数量及车道中心线，包括根据移动矩形窗口，将移动矩形窗口内的所有轨迹点投影到矩形窗口的长边中心线上，得到投影后的轨迹数据集X＝(x1,x2,…,xN)，t＝1,2,3，…,N，其中,xt表示投影后第t个轨迹点的纵坐标值，N为参加投影轨迹点的个数；将轨迹数据集X代入高斯约束混合模型，提取矩形窗口内路段的车道数量和车道中心线；假设从交叉口Intersection1到交叉口Intersection2的轨迹集合AT，矩形窗口一共进行了l次平移，每一次平移确定的车道数量记为Nlanef,f＝1,2,…,l，作为道路路段车道数量初次探测结果；
第五模块，用于根据第四模块获取的道路路段车道数量初次探测结果，基于道路建设规则，对初次探测结果进行修正；
第六模块，用于根据第五模块得到的修正后的车道数量，根据相邻情况对车道中心线进行修正。
而且，第五模块中对初次探测结果进行修正，实现方式如下，
第一步，对于第四模块中某次平移确定的车道数量Nlanef，比较Nlanef+1和Nlanef、Nlanef+2，如果Nlanef和Nlanef+1是不同的，则用Nlanef替换Nlanef+1，f＝1,2,…,l-2；
第二步，根据Nlanef的值和分布对第一步的结果分类，设存在s个类，记为Cg＝<Nlg,ncg>,Nlg是类簇Cg的车道数量，ncg是Nlaneg中属于Cg,g＝1,2,…,s的总数量；
第三步，比较Cg+1和Cg，如果Nlg+1不同于Nlg，且ncg+1<cv，令Cg的Nlg替换Cg+1的Nlg+1，g＝1,2,…,s，完成车道数量结果的最终优化，其中，cv是预设的阈值。
而且，第六模块对车道中心线进行修正，实现方式如下，
设某一段路段La的车道数量被修正，如果La相邻路段Lb和Lc同时满足与La具有相同的车道数量，且修正前与修正后的车道数量并未发生变化，那么就将Lb与Lc的车道中心线连接，得到La最终的车道中心线；如果La相邻路段Lb或者Lc的车道数量修正前与修正后也发生变化，那么就根据La修正前提取的车道中心线位置，计算基于La修正前车道中心线位置推算La路段的道路中心线，按照La修正后车道宽度和车道数量重新确定La修正后的车道中心线位置。
本发明构筑了一种众包时空大数据的高精度车道级道路测图技术方案，降低了获取城市精细道路信息的成本，且探测方法简单、容易实现。本发明所提供技术方案包括：首先，通过对比高精度车载GPS轨迹与其同步低精度GPS轨迹数据之间的空间相似度，采用基于经验知识的生长聚类方法，从众包轨迹数据中挑选出定位精度相对较高的数据；其次，构建垂直于轨迹数据的移动窗口；然后，采用优化后的高斯混合模型方法对处于道路路段的所有轨迹进行纵向探测，获取探测窗口内的车道数量；进一步，利用道路建设规则，也即，同一条路段只有在接近交叉口位置会出现增设车道的情况，而路段中间部分车道数量通常保持不变，提出车道数量优化策略，对车道数量信息进行修正；最后，利用修正后的车道数量信息，对已提取的车道中心线进行修正，完成相应路段车道级道路信息的提取。本发明得到的车道数量判断正确率为85％，车道中心线的定位精度在0.35m左右，降低了获取城市精细道路信息的成本，且探测方法简单、容易实现。
附图说明：
图1是本发明实施例的方法流程图；
图2是本发明实施例的轨迹向量相似度示意图；
图3是本发明实施例的基于经验知识的生长聚类示意图；
图4是本发明实施例的基于经验知识的生长聚类方法轨迹优选结果示意图，其中图4a为众包轨迹数据实验区域示意图，图4b轨迹优选结果示意图；
图5是本发明实施例的高斯混合模型及车道中心线位置探测示意图，其中图5a为高斯混合模型优化结果，图5b为车道中心线位置探测结果；
图6是本发明实施例的构建矩形窗口探测车道信息示意图；
图7是本发明实施例的车道数量优化示意图；
图8是本发明实施例的车道数量探测结果示意图；
图9是本发明实施例的车道数量优化结果示意图。
具体实施方式
以下结合附图和实施例详细说明本发明技术方案。
本发明提供一种众包时空大数据的高精度车道级道路测图方法，参见图1，实施例包括如下步骤：
步骤1，建立轨迹向量的相似度评估模型。根据车辆行驶特点，一般驾驶员按照驾驶规则会沿着车道中心线行驶。因此，在不考虑短暂的变车道行为条件下，可以真实刻画驾驶员驾驶轨迹的高精度的轨迹数据通常集中在车道中心线附近，且相邻轨迹之间距离小于车道宽度，轨迹之间的航向角夹角趋近于0°左右。为了评估这种属于同一条车道中心线周围的轨迹之间的相似度，本发明建立了一种新的轨迹向量相似度评估模型，该相似度模型从轨迹向量之间的垂直距离和夹角两方面进行相似度度量，其中轨迹向量是指一条轨迹中由每一个轨迹点及其航向角构成的单位轨迹向量，也即这些轨迹向量的模都相同，且可以随意定义。两个轨迹向量的差异从方向和距离两方面度量。如图2所示，N表示正北方向，va<(xa,ya),(xa+1,ya+1)>和vb<(xb,yb),(xb+1,yb+1)>是两个不同的轨迹向量，矢量va和vb的方位角分别是θa和θb，相似度评价模型如下：
其中，表示向量之间的相似度值，且当相似度值为1时表示两个轨迹向量完全相同，相似度值为0时表示两个轨迹向量完全不相似；e为自然底数；ω1和ω2分别表示距离因子(diffHd)和角度因子(diffθab)的权重值，且ω1+ω2＝1；diffHd和diffθab分别表示向量va和vb的距离差异和角度差异。公式8定义两个轨迹向量的距离差异diffHd，公式9定义了两个轨迹向量的角度差异diffθab：
公式8中的Disconfine由车道的宽度决定，是一个常量，用来约束相同车道上靠近每个车道中心线的GPS轨迹的相似度。Hdab向量va起点到vb起点的垂直距离，计算公式如公式11所示；Hdba是向量vb起点到向量va起点的垂直距离，计算公式如公式12所示；△θ是向量va与向量vb的航向角度差值，其中矢量va和vb的方位角分别是θa和θb，计算公式分别如下：
Δθ＝|θa-θb| 公式10
步骤2，基于融合经验知识的生长聚类方法进行轨迹优选。高精度的轨迹点其轨迹向量之间的相似度值也相对较高。在进行轨迹优选时，首先需要已有的高精度GPS轨迹数据与其同步低精度GPS轨迹数据，提取轨迹优选的先验知识。实施例中，高精度DGPS轨迹和同步的低精度轨迹的精度分别为0.5m和10-15m，采样频率均为1s。按照步骤一建立的相似度估算模型计算低精度轨迹和DGPS轨迹的相似度，进行相似度评价模型权重值确定及经验知识获取。
1)相似度评价模型权重值确定
相似度不仅用于DGPS和低精度GPS数据中提取先验知识，而且还用于众源数据聚类和优选，因此本发明进一步提出使用垂直距离、角度差异与测量误差的相关性来估计ω1和ω2的值。
对于GPS轨迹集合T＝<Trace1,Trace2,…,Traces>，其包含s条GPS轨迹：Trace1,Trace2,…,Traces，轨迹集合T的同步高精度DGPS轨迹表示为DT＝<Dt1,Dt2,…,Dts>，Dt1,Dt2,…,Dts是集合DT内的轨迹数据。轨迹集合DT和轨迹集合T的精度分别是0.5m和10-15m。假设第i条GPS轨迹Tracei＝<p1,p2,…,pn>，p1,p2,…,pn分别表示轨迹Tracei的轨迹点，共有n个轨迹点；Dti＝<rp1,rp2,…,rpn>，rp1,rp2,…,rpn则为轨迹Tracei的同步高精度轨迹Dti的轨迹点；Tracei∈T,Dti∈DT,i＝1,2,…,s。由轨迹Tracei和其同步高精度轨迹Dti内的轨迹点，构成的轨迹向量表示为：Tvi＝<v1,v2,…,vn-1>，v1,v2,…,vn-1分别表示为由轨迹Tracei的轨迹点p1与p2,…,pn-1与pn构成的轨迹向量；Dvi＝<rv1,rv2,…,rvn-1>，rv1,rv2,…,rvn-1分别表示为由轨迹Tracei的同步高精度轨迹Dti轨迹点rp1与rp2,…,rpn-1与rpn构成的轨迹向量。Tvi和Dvi的距离和角度分别表示为：Di＝<d1,d2,…，dn-1>,d1,d2,…，dn-1表示轨迹向量集合Tvi和Dvi内相对应的轨迹向量v1,v2,…,vn-1到rv1,rv2,…,rvn-1的距离；Ai＝<a1,a2,…，an-1>,a1,a2,…，an-1表示轨迹向量集合Tvi和Dvi内相对应的轨迹向量v1,v2,…,vn-1与rv1,rv2,…,rvn-1的角度差异，i＝1,2,…,s。轨迹集合T内所有的轨迹数据的定位误差可以表示为Ei＝<ε1,ε2,…,εn>，其中Ei表示轨迹集合T内的轨迹Tracei所有轨迹点与其对应的同步高精度轨迹Dti的所有轨迹点的空间距离，εj是集合Ei内的任意一个误差值，其中εj＝|pj-rpj|，pj为Tracei内任意一个轨迹点，rpj为pj相对应的高精度轨迹点，i＝1,2,…,s，j＝1,2,…,n。相似度评价模型中，权值ω1和ω2的计算公式分别如下(rDε和rAε分别表示Di和Ei的相关系数，可以基于协方差矩阵估计Ai和Ei的值)：
ω2＝1-ω1 公式14
2)先验知识提取
第一步：按照步骤1提出的向量相似度评价模型及权重值的确定，计算高精度DGPS与其同步低精度GPS之间的相似度，同时通过对比低精度GPS轨迹数据的位置和其同步高精度DGPS数据的位置，计算低精度GPS数据的测量误差；
第二步，根据第一步获得的相似度以及其对应的GPS测量误差，构建归属于同一个GPS轨迹数据的属性描述对，也即(相似度值，GPS测量误差)是某一个轨迹的属性描述对。
第三步，从GPS数据的属性描述对内，按照相似度阈值，也即从相似度值为0.5开始，选择出相似度值大于0.5,大于0.6,大于0.7…,大于0.9的所有GPS数据，并统计属于每一个相似度阈值内所有GPS数据的GPS测量误差，并计算这些GPS测量误差的平均值以及满足这些阈值的数据的个数占总体数据的比例。
第四步，将第三步设定的相似度阈值(如：相似度阈值大于0.5，相似度阈值大于0.6….)定义为：Tsh，h＝1,2,3,4,5；将满足这些阈值的GPS测量误差的平均值定义为Tsh，h＝1,2,3,4,5；将满足阈值的GPS测量误差占总体数据的比例定义为：Perh，h＝1,2,3,4,5；完成先验知识获取。
其中，STh表示满足Tsh的数据集，STh∈T，T是用于经验提取的实验数据的总体数据集，STh的百分比计算公式如下：
Perh表示STh的百分比，N(STh)和N(T)是分别是STh和T轨迹点的数量，STh的计算公式为：
Tεh是Tsh的测量误差，∑ε是STh中所有轨迹点误差的和，h＝1,2,…,5，Tsh,Tεh，Perh记为RSTh＝<Tsh,Tεh,Perh>,RSTh为先验知识集合，作为生长聚类方法的先验知识。
根据提取的先验知识，对相似度评价模型中的距离权值和角度权值进行计算，然后基于众包轨迹数据之间的相似度采用生长聚类方法进行数据优选，其中先验知识内的Tε是聚类的阈值，Per被用于从整个轨迹簇中选取高精度的数据的比例，参见图3(图3中vs表示种子向量，vsn表示与种子向量进行相似度计算的任意一个向量，Cluster1，Cluster2，Cluster3表示通过聚类后得到的几个轨迹向量类簇；图3中(d)部分内的‘Selected data’则表示最终被选取的轨迹数据)，生长聚类方法的主要步骤如下：
第一步：初始化所有的轨迹向量，标记为未聚类；初始化当前类簇的编号(CCL)，记CCL＝1；
第二步：如果存在未聚类的轨迹向量，则从剩余的未聚类轨迹向量中随机选择一个轨迹向量作为种子轨迹向量vs，种子轨迹向量的聚类标记即为CL(vs)，且CL(vs)＝CCL，如图3中(a)部分，进入第三步；如果所有轨迹都已经被聚类，如图3中(c)部分，则进入第五步；
第三步：搜索vs临近的轨迹向量，记为vsn：如果满足Sim(vs,vsn)>Tε，将vs和vsn融合为一个轨迹簇，vsn的聚类标记记为CL(vsn)，且CL(vsn)＝CCL，进入第四步；如果找不到与当前种子向量vs满足相似度阈值的轨迹向量时，令CCL＝CCL+1，返回第二步；(Sim(vs,vsn)是vs和vsn的相似度值，Tε是相似度阈值)
第四步：令轨迹向量vsn作为种子轨迹vs，返回第三步，如图3中(b)部分；
第五步：根据第一步到第四步的运行结果，也即最终的聚类类簇，计算所有类簇内轨迹点数量占参与聚类轨迹点总数的比例，然后对所有的轨迹簇按照其轨迹点数占总体轨迹点数比值大小倒序排列，其中Per表示数据优选的选择度，从第一个类簇的轨迹点比例数开始累积求和直到满足Per，这些参与累积求和的类簇被作为高精度数据优选选取，如图3中(d)部分，选取的实验区域众包轨迹数据如图4a，轨迹优选的结果如图4b。
步骤3，构建高斯约束混合模型，并使用EM算法求解模型参数。在已有的高斯约束混合算法求取车道信息的算法基础上，本发明对其进行了优化。高斯约束混合模型定义如下：
其中，p(x)表示为高斯约束混合模型的综合概率值，x表示待计算样本值(在进行车道计算时，x代表判断窗口内轨迹点在其纵剖面上垂直投影的纵坐标值)；k是高斯成分的数量，也即约束高斯混合模型中高斯峰的个数，代表车道的数量，每一个高斯成分对应一个车道；ω1…ωk是每个成分的权重，对应每个车道的交通流量，其中权重值为正且被标准化，即ωj是第j个高斯成分的权重，ωj>0,j＝1,2,…,k,ω1+ω2+…ωk＝1；参数μ1…μk是每一个高斯成分中轨迹的平均值，等于每个车道的中心线，μj表示μ1…μk参数内的任意一个值，j＝1,2,…,k；σ是每一个高斯成分中轨迹的标准差，并且由于每个车道与邻近车道的宽度通常相同，因此把σ设为一个常数，通常设定为1.75(根据国内道路建设标准，车道宽度一般为3.75m左右，在具体实施过程中，本领域技术人员可以按照所选区域道路建设标准进行重新设定)。使用EM法求解模型参数：θj (m)(ωj (m),μj (m),σ(m)),j＝1,2,…,k，其中m是迭代次数。目前如何利用EM算法求解高斯混合模型的各个参数已经有很多成熟的方法，具体实施过程中，技术人员可以参考现有方法，本发明不予赘述。
高斯约束混合模型的关键是获得高斯成分的数量，也即计算每一个k值对应下，结构风险模型的值，然后从其中选择出结构风险模型值最小时对应的k作为其车道数量。结构风险模型的构建方法如下所示：
k＝min(Rsrm(p(xi|θk))) 公式19
L(xi,p(xi|θk))＝-log(p(xi|θk)) 公式20
公式2中的Rsrm(p(xi|θk))是结构风险模型，L(xi,p(xi|θk))是用于评估适合度的经验风险模型，J(p(xi|θk))是正则项，用于标示模型复杂度，也即表示为：JTSW(p(xi|θk))，λ>0是正则参数，p(xi|θk)表示样本值xi在模型参数θk条件下的高斯概率值，其中模型参数θk可表示为：θk(ωk,μk,σ)，n表示样本的个数，i＝1,2，…,n；计算公式如下：
其中Dw是优化后的轨迹在道路路面的平铺宽度，如图5，图5a内长虚线标示的‘1stGaussian component’表示高斯混合模型的第一个成分，短虚线标示的’2ndGaussiancomponent’表示高斯混合模型的第二个成分；其中位于图5b中的参数μ1、μ2则分别对应为图5a内第一个高斯成分的均值及第二个高斯成分的均值，也即为第一个车道的车道中心线位置和第二个车道的车道中心线位置。(如何获取轨迹在道路路面的平铺宽度目前已经有很多方法提出，具体实施过程中，本领域技术人员可自行选取，本发明不予赘述)，其中k表示可能存在的车道数量，按照目前国内道路建设标准，城市车道数量一般包括两车道，三车道，四车道，五车道，也即k＝2,3,4,5。Δμk是k对应的高斯成分中两个临近高斯峰的平均值μj的变化值，其变化值也反映了探测车道宽度，j＝1,2，…,k。Δμk的计算方法如公式6，公式6内κ、η、γij为基于最大后验估计的EM算法的超参数；x表示样本值(在进行车道计算时，x表示判断窗口内轨迹点在其纵剖面上垂直投影的纵坐标值)；n表示样本数据的个数，ωj+1表示第j+1个高斯成分的权重值，j＝1,2,…,k-1，k为高斯成分数，k＝2,3,4,5；现有研究中已有非常成熟的参数推荐，具体实施时可以参考现有方法案例中给出的数值进行计算，具体不再赘述。
步骤4，根据步骤3所述的优化后的高斯混合模型方法，完成高精度车道级道路测图，实现探测车道信息，得到道路路段车道数量初次探测结果。在具体实施高精度车道级道路测图过程中，利用现有方法将处于同一条路段上的所有轨迹作为一个提取单元(具体如何将同一条路段上的所有轨迹归为一个提取单元，目前已经有很多成熟方法，具体实施过程中本领域技术人员可以参见现有方法，本发明不予赘述)。
假设给定一组从交叉口Intersection1到交叉口Intersection2的轨迹集合AT，从轨迹集合AT的一端开始，构建移动矩形窗口，如图6所示。移动矩形窗口的长度和宽度分别为rh和rw(矩形窗口的长和宽推荐定义为10m和30m，具体实施时本领域技术人员可自行预设取值)，其中移动矩形窗口的长边平行于当前覆盖所有轨迹的中心线，移动矩形窗口的宽边则垂直于当前覆盖所有轨迹的中心线，矩形窗口长边的中心线垂直于其覆盖的所有轨迹数据的中心线，矩形窗口宽边的中线与其覆盖的轨迹数据的中心线重合，如何得到一段轨迹数据的中心线，目前已经有很多方法，具体实施过程中本领域技术人员可以参见现有方法，本发明不予赘述。
实施例进一步提供的优选实现方式如下：
将移动矩形窗口从轨迹集合AT的一端开始，按照矩形窗口的长边长度开始平移，依次利用高斯约束混合模型来探测每一个矩形窗口内覆盖的路段的车道数量及车道中心线。具体方法包括：根据构建好的矩形窗口，将矩形窗口内的所有轨迹点投影到矩形窗口的长边中心线上，得到投影后的轨迹数据集X＝(x1,x2,…,xN)，t＝1,2,3，…,N，其中,xt表示投影后第t个轨迹点的纵坐标值，N为参加投影轨迹点的个数。按照步骤3所述，将轨迹数据集X代入相应计算公式(即公式17所示高斯约束混合模型)，提取矩形窗口内路段的车道数量和车道中心线。假设从交叉口Intersection1到交叉口Intersection2的轨迹集合AT，矩形窗口一共进行了l次平移，每一次平移确定的车道数量记为Nlanef,f＝1,2,…,l，作为道路路段车道数量初次探测结果。
步骤5，根据步骤4获取的道路路段车道数量初次探测结果，基于道路建设规则，提出车道数量优化策略，对初次探测结果进行修正，如图7所示，有路段Part1、Part2、Part3，其中Part1和Part3存在增设车道区域。大多数情况下，在两个交叉口之间的路段总是在靠近交叉口附近处会出现增设车道，而路段中间部分车道数量通常保持不变，因此本发明提出一种优化车道数量提取结果的方法，具体方法如下：
第一步：对于步骤4中某次平移确定的车道数量Nlanef，比较Nlanef+1和Nlanef、Nlanef+2，如果Nlanef和Nlanef+1是不同的，则用Nlanef替换Nlanef+1，f＝1,2,…,l-2。
第二步：根据Nlanef的值和分布对第一步的结果分类，例如如果Nlanee,Nlanee+1,Nlanee+2,…,Nlanee+c的值相同则被分为一类，其中e<l,e+c<l。假设存在s个类，记为Cg＝<Nlg,ncg>,Nlg是类簇Cg的车道数量，ncg是Nlaneg中属于Cg,g＝1,2,…,s的总数量。
第三步：比较Cg+1和Cg，如果Nlg+1不同于Nlg，且ncg+1<cv(cv是一个依赖于道路修建规则的阈值，其修改规则主要体现在城市道路在接近交叉口时，出现增设车道的缓冲区范围，例如：按照当前道路设计规定，车道增设的长度为50m左右，也即从位于交叉口处的路段，其新增车道的长度为50m，因此当车道数量判断的分割段设为10米，本发明推荐将cv设为5，具体实施时本领域技术人员可自行预设取值)，令Cg的Nlg替换Cg+1的Nlg+1，g＝1,2,…,s，完成车道数量结果的最终优化。车道数量探测结果如图8，车道数量探测优化如图9(其中图8的横坐标表示移动窗口进行滑动探测过程中的移动数量，纵坐标则表示每一次滑动探测过程的车道数量探测结果)。
步骤6，根据步骤5得到的修正后的车道数量，对其相对应的车道中心线进行修正。当某一段路段的车道数量被修正后，其对应的车道中心线则采用相邻原则也被修正。具体方法包括：
假设某一段路段La的车道数量被修正，那么寻找La前后相邻路段，如果La相邻路段Lb和Lc同时满足与La具有相同的车道数量，且这些路段修正前与修正后的车道数量并未发生变化，那么就将Lb与Lc的车道中心线连接，得到La最终的车道中心线；如果La相邻路段Lb或者Lc的车道数量修正前与修正后也发生变化，那么就根据La修正前提取的车道中心线位置，计算基于La修正前车道中心线位置推算La路段的道路中心线，(如何根据La修正前车道中心线位置推算La路段的道路中心线，目前已有成熟方法，具体不在赘述)按照La修正后车道宽度和车道数量重新定义La修正后的车道中心线位置，也即从根据La路段的道路中心线开始依次按照车道数量和车道宽度等距离平行于道路中心线得到La修正后每一个车道的车道中心线位置。
基于本发明，可以方便地从GPS轨迹数据中获取待城市道路的车道信息，为未来智能导航及无人驾驶提供基础路网数据。
具体实施时，本发明所提供方法可基于软件技术实现自动运行流程，也可采用模块化方式实现相应***。
本发明提供一种基于众包时空大数据的车道级道路测图***，包括以下模块，
第一模块，用于建立轨迹向量的相似度评估模型，设va和vb是两个不同的轨迹向量，所述相似度评价模型如下，
其中，表示向量之间的相似度值，e为自然底数，ω1和ω2分别表示距离因子diffHd和角度因子diffθab的权重值，且ω1+ω2＝1；距离因子diffHd和角度因子diffθab分别表示向量va和vb的距离差异和角度差异；
第二模块，用于基于融合经验知识的生长聚类方法进行轨迹优选，包括根据已有的高精度GPS轨迹数据与同步的低精度GPS轨迹数据，确定相似度评价模型的权重值ω1和ω2，提取轨迹优选的先验知识，基于众包轨迹数据之间的相似度采用生长聚类方式进行数据优选；
第三模块，用于构建高斯约束混合模型，并使用EM算法求解模型参数；所述高斯约束混合模型定义如下，
其中，p(x)表示为高斯约束混合模型的综合概率值，x表示待计算样本值，在进行车道计算时，x代表判断窗口内轨迹点在其纵剖面上垂直投影的纵坐标值；k是高斯成分的数量，每一个高斯成分对应一个车道；ωj是第j个高斯成分的权重，对应车道的交通流量；参数μ1…μk是每一个高斯成分中轨迹的平均值，等于每个车道的中心线，μj表示μ1…μk参数内的任意一个值，j＝1,2,…,k；σ是每一个高斯成分中轨迹的标准差；
所述高斯约束混合模型中高斯成分的数量k获取方式为，计算结构风险模型的值，以结构风险模型值最小为原则确定k；
第四模块，用于根据第三模块所得结果，探测车道信息，得到道路路段车道数量初次探测结果；实现方式如下，
将处于同一条路段上的所有轨迹作为一个提取单元，设给定一组从交叉口Intersection1到交叉口Intersection2的轨迹集合AT，从轨迹集合AT的一端开始，构建移动矩形窗口，其中移动矩形窗口的长边平行于当前覆盖所有轨迹的中心线，移动矩形窗口的宽边则垂直于当前覆盖所有轨迹的中心线，矩形窗口长边的中心线垂直于其覆盖的所有轨迹数据的中心线，矩形窗口宽边的中线与其覆盖的轨迹数据的中心线重合；
将移动矩形窗口从轨迹集合AT的一端开始，按照矩形窗口的长边长度开始平移，依次利用高斯约束混合模型来探测每一个矩形窗口内覆盖的路段的车道数量及车道中心线，包括根据移动矩形窗口，将移动矩形窗口内的所有轨迹点投影到矩形窗口的长边中心线上，得到投影后的轨迹数据集X＝(x1,x2,…,xN)，t＝1,2,3，…,N，其中,xt表示投影后第t个轨迹点的纵坐标值，N为参加投影轨迹点的个数；将轨迹数据集X代入高斯约束混合模型，提取矩形窗口内路段的车道数量和车道中心线；假设从交叉口Intersection1到交叉口Intersection2的轨迹集合AT，矩形窗口一共进行了l次平移，每一次平移确定的车道数量记为Nlanef,f＝1,2,…,l，作为道路路段车道数量初次探测结果；
第五模块，用于根据第四模块获取的道路路段车道数量初次探测结果，基于道路建设规则，对初次探测结果进行修正；
第六模块，用于根据第五模块得到的修正后的车道数量，根据相邻情况对车道中心线进行修正。
各模块具体实现可参见相应步骤，本发明不予赘述。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或超越所附权利要求书所定义的范围。
Claims (6)
1.一种基于众包时空大数据的车道级道路测图方法，其特征在于：包括以下步骤，
步骤1，建立轨迹向量的相似度评估模型，设va和vb是两个不同的轨迹向量，所述相似度评价模型如下，
<mrow>
<msub>
<mi>sim</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>v</mi>
<mi>a</mi>
</msub>
<mo>,</mo>
<msub>
<mi>v</mi>
<mi>b</mi>
</msub>
<mo>)</mo>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>&omega;</mi>
<mn>1</mn>
</msub>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<msub>
<mi>diff</mi>
<mrow>
<mi>H</mi>
<mi>d</mi>
</mrow>
</msub>
</mrow>
</msup>
<mo>+</mo>
<msub>
<mi>&omega;</mi>
<mn>2</mn>
</msub>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<msub>
<mi>diff</mi>
<mrow>
<mi>&theta;</mi>
<mi>a</mi>
<mi>b</mi>
</mrow>
</msub>
</mrow>
</msup>
</mrow>
其中，表示向量之间的相似度值，e为自然底数，ω1和ω2分别表示距离因子diffHd和角度因子diffθab的权重值，且ω1+ω2＝1；距离因子diffHd和角度因子diffθab分别表示向量va和vb的距离差异和角度差异；
步骤2，基于融合经验知识的生长聚类方法进行轨迹优选，包括根据已有的高精度GPS轨迹数据与同步的低精度GPS轨迹数据，确定相似度评价模型的权重值ω1和ω2，提取轨迹优选的先验知识，基于众包轨迹数据之间的相似度采用生长聚类方式进行数据优选；
步骤3，构建高斯约束混合模型，并使用EM算法求解模型参数；所述高斯约束混合模型定义如下，
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<msub>
<mi>&omega;</mi>
<mi>j</mi>
</msub>
<mfrac>
<mn>1</mn>
<msqrt>
<mrow>
<mn>2</mn>
<msup>
<mi>&pi;&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mfrac>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mrow>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
其中，p(x)表示为高斯约束混合模型的综合概率值，x表示待计算样本值，在进行车道计算时，x代表判断窗口内轨迹点在其纵剖面上垂直投影的纵坐标值；k是高斯成分的数量，每一个高斯成分对应一个车道；ωj是第j个高斯成分的权重，对应车道的交通流量；参数μ1…μk是每一个高斯成分中轨迹的平均值，等于每个车道的中心线，μj表示μ1…μk参数内的任意一个值，j＝1,2,…,k；σ是每一个高斯成分中轨迹的标准差；
所述高斯约束混合模型中高斯成分的数量k获取方式为，计算结构风险模型的值，以结构风险模型值最小为原则确定k；
步骤4，根据步骤3所得结果，探测车道信息，得到道路路段车道数量初次探测结果；实现方式如下，
将处于同一条路段上的所有轨迹作为一个提取单元，设给定一组从交叉口Intersection1到交叉口Intersection2的轨迹集合AT，从轨迹集合AT的一端开始，构建移动矩形窗口，其中移动矩形窗口的长边平行于当前覆盖所有轨迹的中心线，移动矩形窗口的宽边则垂直于当前覆盖所有轨迹的中心线，矩形窗口长边的中心线垂直于其覆盖的所有轨迹数据的中心线，矩形窗口宽边的中线与其覆盖的轨迹数据的中心线重合；
将移动矩形窗口从轨迹集合AT的一端开始，按照矩形窗口的长边长度开始平移，依次利用高斯约束混合模型来探测每一个矩形窗口内覆盖的路段的车道数量及车道中心线，包括根据移动矩形窗口，将移动矩形窗口内的所有轨迹点投影到矩形窗口的长边中心线上，得到投影后的轨迹数据集X＝(x1,x2,…,xN)，其中，x1,x2,…,xN表示投影后第1,2,3，…,N个轨迹点的纵坐标值，N为参加投影轨迹点的个数；将轨迹数据集X代入高斯约束混合模型，提取矩形窗口内路段的车道数量和车道中心线；假设从交叉口Intersection1到交叉口Intersection2的轨迹集合AT，矩形窗口一共进行了l次平移，每一次平移确定的车道数量记为Nlanef,f＝1,2,…,l，作为道路路段车道数量初次探测结果；
步骤5，根据步骤4获取的道路路段车道数量初次探测结果，基于道路建设规则，对初次探测结果进行修正；
步骤6，根据步骤5得到的修正后的车道数量，根据相邻情况对车道中心线进行修正。
2.根据权利要求1所述基于众包时空大数据的车道级道路测图方法，其特征在于：步骤5中对初次探测结果进行修正，实现方式如下，
第一步，对于步骤4中某次平移确定的车道数量Nlanef，比较Nlanef+1和Nlanef、Nlanef+2，如果Nlanef和Nlanef+1是不同的，则用Nlanef替换Nlanef+1，f＝1,2,…,l-2；
第二步，根据Nlanef的值和分布对第一步的结果分类，设存在s个类，记为Cg＝<Nlg,ncg>,Nlg是第g个类簇Cg的车道数量，ncg是各次平移确定的车道数量Nlanef中属于Cg,g＝1,2,…,s的总数量；
第三步，比较第g+1个类簇Cg+1和第g个类簇Cg，如果第g+1个类簇Cg+1的车道数量Nlg+1不同于Nlg，且各次平移确定的车道数量Nlanef属于Cg+1的总数量ncg+1<cv，令Cg的Nlg替换Cg+1的Nlg+1，g＝1,2,…,s，完成车道数量结果的最终优化，其中，cv是预设的阈值。
3.根据权利要求1或2所述基于众包时空大数据的车道级道路测图方法，其特征在于：步骤6对车道中心线进行修正，实现方式如下，
设某一段路段La的车道数量被修正，如果La相邻路段Lb和Lc同时满足与La具有相同的车道数量，且修正前与修正后的车道数量并未发生变化，那么就将Lb与Lc的车道中心线连接，得到La最终的车道中心线；如果La相邻路段Lb或者Lc的车道数量修正前与修正后也发生变化，那么就根据La修正前提取的车道中心线位置，计算基于La修正前车道中心线位置推算La路段的道路中心线，按照La修正后车道宽度和车道数量重新确定La修正后的车道中心线位置。
4.一种基于众包时空大数据的车道级道路测图***，其特征在于：包括以下模块，
第一模块，用于建立轨迹向量的相似度评估模型，设va和vb是两个不同的轨迹向量，所述相似度评价模型如下，
<mrow>
<msub>
<mi>sim</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>v</mi>
<mi>a</mi>
</msub>
<mo>,</mo>
<msub>
<mi>v</mi>
<mi>b</mi>
</msub>
<mo>)</mo>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>&omega;</mi>
<mn>1</mn>
</msub>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<msub>
<mi>diff</mi>
<mrow>
<mi>H</mi>
<mi>d</mi>
</mrow>
</msub>
</mrow>
</msup>
<mo>+</mo>
<msub>
<mi>&omega;</mi>
<mn>2</mn>
</msub>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<msub>
<mi>diff</mi>
<mrow>
<mi>&theta;</mi>
<mi>a</mi>
<mi>b</mi>
</mrow>
</msub>
</mrow>
</msup>
</mrow>
其中，表示向量之间的相似度值，e为自然底数，ω1和ω2分别表示距离因子diffHd和角度因子diffθab的权重值，且ω1+ω2＝1；距离因子diffHd和角度因子diffθab分别表示向量va和vb的距离差异和角度差异；
第二模块，用于基于融合经验知识的生长聚类方法进行轨迹优选，包括根据已有的高精度GPS轨迹数据与同步的低精度GPS轨迹数据，确定相似度评价模型的权重值ω1和ω2，提取轨迹优选的先验知识，基于众包轨迹数据之间的相似度采用生长聚类方式进行数据优选；
第三模块，用于构建高斯约束混合模型，并使用EM算法求解模型参数；所述高斯约束混合模型定义如下，
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<msub>
<mi>&omega;</mi>
<mi>j</mi>
</msub>
<mfrac>
<mn>1</mn>
<msqrt>
<mrow>
<mn>2</mn>
<msup>
<mi>&pi;&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mfrac>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mrow>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
其中，p(x)表示为高斯约束混合模型的综合概率值，x表示待计算样本值，在进行车道计算时，x代表判断窗口内轨迹点在其纵剖面上垂直投影的纵坐标值；k是高斯成分的数量，每一个高斯成分对应一个车道；ωj是第j个高斯成分的权重，对应车道的交通流量；参数μ1…μk是每一个高斯成分中轨迹的平均值，等于每个车道的中心线，μj表示μ1…μk参数内的任意一个值，j＝1,2,…,k；σ是每一个高斯成分中轨迹的标准差；
所述高斯约束混合模型中高斯成分的数量k获取方式为，计算结构风险模型的值，以结构风险模型值最小为原则确定k；
第四模块，用于根据第三模块所得结果，探测车道信息，得到道路路段车道数量初次探测结果；实现方式如下，
将处于同一条路段上的所有轨迹作为一个提取单元，设给定一组从交叉口Intersection1到交叉口Intersection2的轨迹集合AT，从轨迹集合AT的一端开始，构建移动矩形窗口，其中移动矩形窗口的长边平行于当前覆盖所有轨迹的中心线，移动矩形窗口的宽边则垂直于当前覆盖所有轨迹的中心线，矩形窗口长边的中心线垂直于其覆盖的所有轨迹数据的中心线，矩形窗口宽边的中线与其覆盖的轨迹数据的中心线重合；
将移动矩形窗口从轨迹集合AT的一端开始，按照矩形窗口的长边长度开始平移，依次利用高斯约束混合模型来探测每一个矩形窗口内覆盖的路段的车道数量及车道中心线，包括根据移动矩形窗口，将移动矩形窗口内的所有轨迹点投影到矩形窗口的长边中心线上，得到投影后的轨迹数据集X＝(x1,x2,…,xN)，t＝1,2,3，…,N，其中，x1,x2,…,xN表示投影后第1,2,3，…,N个轨迹点的纵坐标值，N为参加投影轨迹点的个数；将轨迹数据集X代入高斯约束混合模型，提取矩形窗口内路段的车道数量和车道中心线；假设从交叉口Intersection1到交叉口Intersection2的轨迹集合AT，矩形窗口一共进行了l次平移，每一次平移确定的车道数量记为Nlanef,f＝1,2,…,l，作为道路路段车道数量初次探测结果；
第五模块，用于根据第四模块获取的道路路段车道数量初次探测结果，基于道路建设规则，对初次探测结果进行修正；
第六模块，用于根据第五模块得到的修正后的车道数量，根据相邻情况对车道中心线进行修正。
5.根据权利要求4所述基于众包时空大数据的车道级道路测图***，其特征在于：第五模块中对初次探测结果进行修正，实现方式如下，
第一步，对于第四模块中某次平移确定的车道数量Nlanef，比较Nlanef+1和Nlanef、Nlanef+2，如果Nlanef和Nlanef+1是不同的，则用Nlanef替换Nlanef+1，f＝1,2,…,l-2；
第二步，根据Nlanef的值和分布对第一步的结果分类，设存在s个类，记为Cg＝<Nlg,ncg>,Nlg是第g个类簇Cg的车道数量，ncg是各次平移确定的车道数量Nlanef中属于Cg,g＝1,2,…,s的总数量；
第三步，比较第g+1个类簇Cg+1和第g个类簇Cg，如果第g+1个类簇Cg+1的车道数量Nlg+1不同于Nlg，且各次平移确定的车道数量Nlanef属于Cg+1的总数量ncg+1<cv，令Cg的Nlg替换Cg+1的Nlg+1，g＝1,2,…,s，完成车道数量结果的最终优化，其中，cv是预设的阈值。
6.根据权利要求4或5所述基于众包时空大数据的车道级道路测图***，其特征在于：第六模块对车道中心线进行修正，实现方式如下，
设某一段路段La的车道数量被修正，如果La相邻路段Lb和Lc同时满足与La具有相同的车道数量，且修正前与修正后的车道数量并未发生变化，那么就将Lb与Lc的车道中心线连接，得到La最终的车道中心线；如果La相邻路段Lb或者Lc的车道数量修正前与修正后也发生变化，那么就根据La修正前提取的车道中心线位置，计算基于La修正前车道中心线位置推算La路段的道路中心线，按照La修正后车道宽度和车道数量重新确定La修正后的车道中心线位置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610370700.9A CN105957342B (zh) | 2016-05-30 | 2016-05-30 | 基于众包时空大数据的车道级道路测图方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610370700.9A CN105957342B (zh) | 2016-05-30 | 2016-05-30 | 基于众包时空大数据的车道级道路测图方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105957342A CN105957342A (zh) | 2016-09-21 |
| CN105957342B true CN105957342B (zh) | 2018-05-29 |
Family
ID=56910078
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610370700.9A Active CN105957342B (zh) | 2016-05-30 | 2016-05-30 | 基于众包时空大数据的车道级道路测图方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105957342B (zh) |
Families Citing this family (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3358302B1 (en) * | 2015-09-30 | 2021-03-31 | Nissan Motor Co., Ltd. | Travel control method and travel control device |
| CN108664016B (zh) | 2017-03-31 | 2020-09-15 | 腾讯科技（深圳）有限公司 | 确定车道中心线的方法及装置 |
| CN109579839B (zh) * | 2017-09-29 | 2020-11-03 | 阿里巴巴（中国）有限公司 | 一种平行路识别方法、平行路相似度确定方法及装置 |
| CN107818577A (zh) * | 2017-10-26 | 2018-03-20 | 滁州学院 | 一种基于混合模型的零件识别与定位方法 |
| CN110443285A (zh) * | 2019-07-16 | 2019-11-12 | 浙江大华技术股份有限公司 | 相似轨迹的确定方法、装置及计算机存储介质 |
| US11195027B2 (en) * | 2019-08-15 | 2021-12-07 | Toyota Motor Engineering And Manufacturing North America, Inc. | Automated crowd sourcing of road environment information |
| CN110728735A (zh) * | 2019-09-17 | 2020-01-24 | 武汉中海庭数据技术有限公司 | 道路级拓扑图层构建方法及*** |
| CN110634291B (zh) * | 2019-09-17 | 2020-12-29 | 武汉中海庭数据技术有限公司 | 基于众包大数据的高精度地图拓扑自动构建方法及*** |
| CN110749329B (zh) * | 2019-10-26 | 2021-08-17 | 武汉中海庭数据技术有限公司 | 一种基于结构化道路的车道级拓扑构建方法及装置 |
| CN111288999B (zh) * | 2020-02-19 | 2021-08-31 | 深圳大学 | 一种基于移动终端的行人路网属性检测方法、装置和设备 |
| CN111341103B (zh) * | 2020-03-03 | 2021-04-27 | 鹏城实验室 | 车道信息提取方法、装置、设备及存储介质 |
| CN111578964B (zh) * | 2020-04-13 | 2022-01-07 | 河北德冠隆电子科技有限公司 | 基于时空轨迹重构高精地图道路信息快速生成***及方法 |
| CN111858801B (zh) * | 2020-06-30 | 2024-03-22 | 北京百度网讯科技有限公司 | 道路信息的挖掘方法、装置、电子设备及存储介质 |
| CN112150804B (zh) * | 2020-08-31 | 2021-10-19 | 中国地质大学（武汉） | 一种基于MaskRCNN算法的城市多类型交叉口识别方法 |
| CN112115817B (zh) * | 2020-09-01 | 2024-06-07 | 国交空间信息技术（北京）有限公司 | 基于深度学习的遥感影像道路轨迹正确性核查方法及装置 |
| CN112308961B (zh) * | 2020-11-05 | 2022-06-10 | 湖南大学 | 基于分层高斯混合模型的机器人快速鲁棒三维重建方法 |
| CN112488217B (zh) * | 2020-12-05 | 2022-07-29 | 武汉中海庭数据技术有限公司 | 斑马线纠正方法、电子装置和存储介质 |
| CN112733078B (zh) * | 2020-12-29 | 2023-10-10 | 武汉中海庭数据技术有限公司 | 众包数据的多道路片段间的多线间的平滑连接方法与装置 |
| CN112683286A (zh) * | 2021-03-16 | 2021-04-20 | 季华实验室 | 拓扑路网地图的建立方法、***、存储介质及电子设备 |
| CN113453157B (zh) * | 2021-08-31 | 2021-11-23 | 浙江宇视科技有限公司 | 一种时空轨迹校准方法、装置、存储介质及电子设备 |
| CN115507874B (zh) * | 2022-06-09 | 2024-03-01 | 广东省智能网联汽车创新中心有限公司 | 一种基于v2x的车道匹配方法及装置 |
| CN115457767B (zh) * | 2022-08-30 | 2023-08-29 | 同济大学 | 一种基于众包机动车轨迹的车道信息提取方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8116968B2 (en) * | 2008-12-23 | 2012-02-14 | National Chiao Tung University | Method for identification of traffic lane boundary |
| CN103903019B (zh) * | 2014-04-11 | 2017-12-15 | 北京工业大学 | 一种多车道车辆轨迹时空图的自动生成方法 |
| US10013508B2 (en) * | 2014-10-07 | 2018-07-03 | Toyota Motor Engineering & Manufacturing North America, Inc. | Joint probabilistic modeling and inference of intersection structure |
| CN104700617B (zh) * | 2015-04-02 | 2016-03-16 | 武汉大学 | 基于低精度gps轨迹数据的高精度车道信息提取方法 |
| CN105138779B (zh) * | 2015-08-31 | 2018-03-27 | 武汉大学 | 车载gps时空轨迹大数据优选方法及*** |
| CN105444770B (zh) * | 2015-12-18 | 2018-05-29 | 上海交通大学 | 基于智能手机的车道级别地图生成和定位方法 |
-
2016
- 2016-05-30 CN CN201610370700.9A patent/CN105957342B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN105957342A (zh) | 2016-09-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105957342B (zh) | 基于众包时空大数据的车道级道路测图方法及*** | |
| US11681746B2 (en) | Structured prediction crosswalk generation | |
| EP3271748B1 (en) | Guided geometry extraction for localization of a device | |
| AU2019201834B2 (en) | Geometric fingerprinting for localization of a device | |
| US10696300B2 (en) | Vehicle tracking | |
| AU2015370581B2 (en) | Localization of a device using multilateration | |
| CN110264721B (zh) | 一种城市交叉口周边车辆轨迹预测方法 | |
| CN109949326B (zh) | 基于背包式三维激光点云数据的建筑物轮廓线提取方法 | |
| EP3238494B1 (en) | Selecting feature geometries for localization of a device | |
| Tang et al. | CLRIC: Collecting lane-based road information via crowdsourcing | |
| KR20190082071A (ko) | 전자 지도를 업데이트하기 위한 방법, 장치 및 컴퓨터 판독 가능한 저장 매체 | |
| EP3237922A2 (en) | Extracting feature geometries for localization of a device | |
| CN114509065B (zh) | 地图构建方法、***、车辆终端、服务器端及存储介质 | |
| Konrad et al. | Localization in digital maps for road course estimation using grid maps | |
| CN106446785A (zh) | 基于双目视觉的可行道路检测方法 | |
| CN111126363B (zh) | 自动驾驶车辆的物体识别方法及装置 | |
| CN113227713A (zh) | 生成用于定位的环境模型的方法和*** | |
| CN112651991B (zh) | 视觉定位方法、装置及计算机*** | |
| US20230025579A1 (en) | High-definition mapping | |
| CN117948963A (zh) | 地图构建方法、装置、设备及存储介质 | |
| Zhang et al. | Construction and Localization of Multi Resolution Map Based on Vision | |
| IL281791B1 (en) | A method to improve orientation using a handheld smartphone with an integral GPS device | |
| CN112651991A (zh) | 视觉定位方法、装置及计算机*** |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |