CN106289281B - 一种基于三证据ds理论的双模式地图匹配方法 - Google Patents
一种基于三证据ds理论的双模式地图匹配方法 Download PDFInfo
- Publication number
- CN106289281B CN106289281B CN201610556789.8A CN201610556789A CN106289281B CN 106289281 B CN106289281 B CN 106289281B CN 201610556789 A CN201610556789 A CN 201610556789A CN 106289281 B CN106289281 B CN 106289281B
- Authority
- CN
- China
- Prior art keywords
- evidence
- matching
- road
- goes
- similitude
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 239000008186 active pharmaceutical agent Substances 0.000 title claims abstract description 50
- 238000005315 distribution function Methods 0.000 claims abstract description 26
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 238000010200 validation analysis Methods 0.000 claims abstract description 6
- 238000012795 verification Methods 0.000 claims abstract description 4
- 230000004927 fusion Effects 0.000 claims description 16
- 239000000203 mixture Substances 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 25
- 238000004422 calculation algorithm Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 13
- 238000012360 testing method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
- G01C21/30—Map- or contour-matching
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提出一种基于三证据DS理论的双模式地图匹配方法,包括选择匹配模式,执行高精度模式时计算置信区域,并从中筛选出所有候选道路,对于所有候选道路利用三证据DS理论计算对应的概率分配函数值,对所有概率分配函数值按降序排列,从大到小开始进行相似性验证;执行选择验证模式时利用三证据DS理论和相似性对历史结果进行双重验证,包括首先利用三证据DS理论计算出前一匹配道路的概率分配函数值,若不小于所设阈值则转进行相似性验证。本发明所提供的地图匹配方法效果要由于其他地图匹配方法,具有良好的鲁棒性和准确率,还能减少匹配时间。
Description
技术领域
本发明涉及地图匹配技术领域,具体为基于三证据DS理论的双模式地图匹配方法。
背景技术
近年来,随着交通工具和相关技术迅猛发展,人们的出行方式发生了翻天覆地的变化,出行范围变得越来越广。出行不可避免的会使用到地图,纸质地图由于携带不方便,查找困难,信息不全等因素在信息化高度发展的今天逐渐被电子地图淘汰。
与传统纸质地图相比,电子地图有前者无法比拟的优越性,覆盖范围广,信息量大而全,最重要的是配合定位***可实时定位。大多数时候,汽车总是行走的道路上,现有的定位手段包括GPS、网络定位、基站定位等都不能完全精确的给出定位坐标,地图匹配的工作就是将定位结果纠正到正确的道路上,并尽可能靠近汽车当前的准确位置。
参考文献:
黄瑞阳,郭建忠,余慧明,等.基于Silverlight的矢量地图符号模型设计与实践[J].测绘工程,2013(1):7-11;
段荣,赵修斌,庞春雷,等.一种GPS移动基准站精密相对定位新算法[J].四川大学学报(工程科学版),2015,3:018.
常见的地图匹配算法有直接投影法、概率统计算法、拓扑结构算法、相关系数算法、DS证据理论算法等。直接投影法是把定位点垂直投影到最近的道路上,此方法虽然计算量小,但误差较大,实际应用中是在最终确定了正确道路之后用此法确定精确位置。概率统计算法,它的基本思想是根据定位坐标设置一个置信区域,计算误差椭圆,从中提取待匹配的道路节点信息,然后利用定位的方向、速度等信息确定匹配道路。但误差椭圆的计算和道路的筛选会带来巨大的计算量,无法保证***的实时性。拓扑结构算法,此算法是在弧段和弧段之间建立了拓扑关系的基础上进行的,通过对历史匹配信息的综合,分析道路网的拓扑结构,确定匹配路段。由于考虑单一信息,对于较为复杂的道路,此类算法准确率会降低。相关系数算法,是通过计算一段行驶时间内的定位点与数据库中各道路存储结点的相关性系数,选出相关性最高的作为匹配道路。这种算法需要较多的较准确的定位点才能准确匹配,对于多条道路弧线相似的情况,它也不能准确的识别。DS证据理论算法是对所有的候选道路集,选出两条及以上可以证明定位点在该道路上的证据,并构造适当的证据函数,分别对每条道路进行证据融合并计算出基本概率分配函数,函数值最高的即为最佳匹配道路。
参考文献:周成,袁家政,刘宏哲,等.智能交通领域中地图匹配算法研究[J].计算机科学,2015,42(10):1-6;
Bierlaire M,Chen J,Newman J.A probabilistic map matching method forsmartphone GPS data[J].Transportation Research Part C:Emerging Technologies,2013,26:78-98;
李洋,张晓冬,鲍远律.多权值概率论实时地图匹配[J].电子测量与仪器学报,2012,26(2):166-170;
李清泉,胡波,乐阳.一种基于约束的最短路径低频浮动车数据地图匹配算法[J].武汉大学学报:信息科学版,2013,38(7):805G808;
Pink O,Hummel B.A statistical approach to map matching using roadnetwork geometry,topology and vehicular motion constraints[C]//IntelligentTransportation Systems,2008.ITSC 2008.11th International IEEE Conferenceon.IEEE,2008:862-867;
李珂,杨杨,邱雪松.城市汽车导航中一种改进的DS证据理论地图匹配算法[J].测绘学报,2014,43(2):208-220;
曹闻 朱述龙 彭煊 李润生.基于短时预测的地图匹配算法[J].计算机应用,2010,30(11):2910-2913。
此外,还有基于卡尔曼滤波残差的地图匹配算法,用于估算离散时间过程的状态变量,包含对随机噪声的滤波功能,但其模型对噪声的概率分布有较高的要求,GPS误差的均值并不符合此模型;基于模糊逻辑识别的地图匹配算法,其基本思想是将地图每条道路分段线性化成直线段,对每条路段进行模式V识别,并将前面多个识别结果作为后一路段相似性大量函数函数识别权值;基于人工神经网络的地图匹配算法,基于误差反向传播的思想,通过大量数据的学习,使得匹配精度不断提高,对于小量稀疏数据集,这种算法也无能为力。
参考文献:
曾喆,李清泉,邹海翔,等.曲率积分约束的GPS浮动车地图匹配方法[J].测绘学报,2015,44(10):1167-1176;
SU H B,Tang J S,HOU C.A Integrated Map Matching Algorithm Based onFuzzy Theroy for Vehicle Navigation System[C]//Proceedings of IEEEInternational Conference on Computational Intelligence and Security.[S.1.]:IEEE,2006:916-919;
Saeedi S,Paull L,Trentini M,et al.Neural network-based multiple robotsimultaneous localization and mapping[J].Neural Networks,IEEE Transactionson,2011,22(12):2376-2387。
因此,本领域亟待新的实用地图匹配技术方案出现。
发明内容
本发明基于以上研究,对二证据DS理论地图匹配方法进行改进,提出一种三证据DS理论双模式的匹配方法,解决了二证据DS理论中匹配结果不稳定,对平行道路没有区分度,计算量大导致***响应过慢等问题。
本发明提供一种基于三证据DS理论的双模式地图匹配方法,包括以下步骤,
Step1,进行匹配前的准备工作,初始化匹配队列,设置信号量isCenter初始值为false,编制道路节点,建立拓扑关系;转到Step2;
所述信号量isCenter表示当前应选择的匹配模式,若为false,则应选择高精度模式,若为true,则应选择验证模式;
Step2,设通过接收到的定位信息获取第i个定位点di,对di进行有效性判断,若匹配队列为空,则默认di有效,否则根据判断当前定位点与前一定位点的实际距离与理论距离的偏离大小,如果超过则无效,执行Step3,否则有效,转到Step4;
Step3,使用线性插值,***一个定位点di,转到Step12;
Step4,根据信号量isCenter选择当前匹配模式,若为true,则转到Step8执行选择验证模式进行匹配,否则转到Step5执行高精度模式进行匹配;
Step5,计算置信区域,并从中筛选出所有候选道路得到集合s,转到Step6;
Step6,对于所有候选道路si∈s,利用三证据DS理论计算候选道路si对应的概率分配函数值,转到Step7;
Step7,对所有概率分配函数值按降序排列,从大到小开始取得当前si,对si进行相似性验证,若验证通过则保存当前si,然后直接转到Step9,否则取下一个si重复相似性验证;
Step8,利用三证据DS理论和相似性对历史结果进行双重验证,包括首先利用三证据DS理论计算出前一匹配道路s′的概率分配函数值m(s′),若m(s′)小于所设阈值,则转到Step2,否则进行相似性验证,若验证通过则设置匹配结果为s′并转到Step12,否则转到Step2;
Step9,检测是否换道,包括将当前匹配道路si与前一匹配道路s′进行比较,若不相等,则转到Step10,否则设置匹配结果为si并转到Step12;
Step10,若当前已有连续N次匹配道路不一致,则转到Step11,否则转到Step12;N为预设的次数;
Step11,清空匹配队列,设置isCenter为false,转到Step2;
Step12,根据匹配结果,判断di是否处于非路口路段,若是,则设置信号量isCenter为true,否则设为false,转到Step13;
Step13,输出匹配结果,进行收尾工作,将di添加到匹配队列,记录历史信息,历史信息包括前一定位点的坐标、匹配道路和在匹配道路上的匹配点,转到Step2。
而且,Step5中,将误差区域简化为矩形区域,该矩形区域为椭圆的最小包围矩形,设长为X,宽为Y,根据下式计算置信区域,
其中,a,b是椭圆的长半轴和短半轴,是椭圆长半轴与正北方向夹角。
而且,Step6中,基于距离和方向合成得到的证据函数m(B)和历史证据的基本概率分配函数m3(C),根据下式利用三证据DS理论计算出候选道路si对应的概率分配函数值,
其中,m′(Si)表示三证据融合后的概率分配函数,B和C代表候选道路集合中的元素,m(θ)表示距离和方向两个证据融合后的不确定性函数,其函数值等于1-m(Si),m(si)为距离和方向两个证据融合后的概率分配函数,m3(C)为历史证据的基本概率分配函数,m3(θ)为历史证据的不确定性函数。
而且,Step7中,利用下式对当前si进行相似性验证,
其中,x代表经度,y代表纬度,Q表示相似性,Rx和Ry分别是行驶轨迹经度与匹配道路经度和行驶轨迹纬度与匹配道路纬度的相关系数。
而且,Step8,利利用三证据DS理论计算出前一匹配道路s′的概率分配函数值m(s′)时根据式三进行,进行相似性验证时根据式四进行。
而且,Step12中,判断di是否处于非路口路段的实现方式为,设道路分为路口路段和非路口路段,二者之间的界限称为转换节点,假设Ni和Nj是一条道路的两个节点,Pc是当前定位点在此道路上的投影点,Dij是Ni到Nj的长度,Dki是Ni到Pc的长度,Dkj是Nj到Pc的长度,若满足下列公式,则为非路口路段,否则为路口路段
Dki>λDij&&Dkj>λDij (式五)
其中,λ为效率参数,表示路口路段占全部长度的比例。
本发明提出一种基于三证据DS理论的双模式地图匹配方法,为了提高匹配的稳定性、正确率,引入第三个证据-历史证据,并构造出历史证据函数,然后对三个证据进行证据融合,根据融合后的公式计算出各候选道路的概率分配函数值,以此初步确定出匹配道路;为了进一步提高结论的可信度,采用相似性对结论进行验证;考虑到汽车移动的短时平稳性,为提高匹配速度,提出双模式的匹配方法,把一条道路分为两种路段,采用推理式和验证式两种模式进行匹配。根据实验可以看出,本发明所提供的地图匹配方法效果要由于其他地图匹配方法,具有良好的鲁棒性和准确率,也在一定程度上减少了匹配时间。
应用本发明提供的地图匹配方法,可有效提高匹配的精度和稳定性,双模式的匹配方法可以降低计算量,使得***提高响应速度,在计算及存储能力相对较弱的移动端能够发挥较大作用,具有重要的市场价值。
附图说明
图1为本发明实施例的流程图。
图2为本发明实施例的定位接收频率之一下三证据DS理论地图匹配方法与其他两种方法匹配正确率对比图。
图3为本发明实施例的定位接收频率之二下三证据DS理论地图匹配方法与其他两种方法匹配正确率对比图。
图4为本发明实施例的小量数据集三证据DS理论地图匹配方法与其他两种方法完成的时间对比图。
图5为本发明实施例的中量数据集三证据DS理论地图匹配方法与其他两种方法完成的时间对比图。
图6为本发明实施例的大量数据集三证据DS理论地图匹配方法与其他两种方法完成的时间对比图。
具体实施方式
下面结合附图和实施例对本发明技术方案进一步详细说明。
本发明是对地图匹配方法进行研究,提出基于三证据DS理论的双模式地图匹配方法,该方法的实现主要有两个创新点:三证据的融合,双模式的匹配方法。
三证据的融合基于如下公式:
一、置信区域,置信区域是指概率统计理论中计算出误差椭圆内的区域,误差椭圆公式推导如下:
其中,a,b是椭圆的长短半轴,σx和σy分别是经度和纬度的标准差,σxy是协方差,σ0是单位权值的后验方差,可改变它的大小调整置信区域的范围,是椭圆长半轴与正北方向的夹角。由于判断路段是否落在椭圆内需要执行大量的开方运算,所以在实际应用中通常将误差区域简化为矩形区域,该矩形区域为椭圆的最小包围矩形。长X和宽Y的计算公式如下:
这一步是要从矩形区域中筛选出所有候选道路构成样本空间,接下来利用DS理论对样本空间中的每个样本进行证据融合。
二、基本概率分配函数,是DS理论中定量描述结论可信度的公式,基本概率分配函数构造为:
其中,mj(Si)表示证据j对命题“道路Si是匹配道路”的精确信任程度。mj(θ)表示不确定车辆在哪条道路上。fij表示证据函数,用来度量该证据指向某个结论的可信度大小。n表示样本空间的大小,即候选道路的条数。mj(θ)表示不能确定车辆在哪条道路上,其中θ是一个象征意义的符号,表示当前证据的不确定性,无实际值。kj表示证据j的可靠性参数。最后根据DS合成公式,将两个基本概率分配函数合成为一个基本概率分配函数m(si)。
三、三证据DS理论。由于二证据DS证据理论证据过少导致匹配结果不稳定且容易产生误匹配,引入第三个证据--历史证据。历史证据为前一定位点基本概率分配函数的最大值,记历史证函数值为m′(max)。当j=3时,历史证据函数构造为:
其中m(si)为距离和方向两个证据融合后的概率分配函数,若当前计算的候选道路和历史证据为同一条道路,则m′(max)为前一定位点基本概率分配函数的最大值,否则m′(max)为0。分母为所有候选道路对应m(si)的函数值之和。同样根据(6)(7)式得出历史证据的基本概率分配函数m3(C)和历史证据的不确定性函数m3(θ)。再根据DS合成公式将距离和方向合成得到的证据函数m(B)与历史证据的基本概率分配函数m3(C)进行融合,融合后的基本概率公式为:
其中m′(Si)表示三证据融合后的概率分配函数。B和C代表候选道路集合中的元素,m(θ)表示距离和方向两个证据融合后的不确定性函数,其函数值等于1-m(Si)。取B∩C=Si相当于是对于集合中第i条道路Si把其对应的m(Si)和m3(Si)相乘然后对所有的求和,取B∩C=φ表示对于集合中第i条道路Si把所有与其不同的道路对应的m(.)和m3(.)值相乘然后对所有的求和。四、相似指数。指当前匹配队列中的点形成的曲线与道路结点表示的曲线的相似程度。相似指数用于过滤DS证据理论算法计算出的概率分配函数值,筛选出正确道路。x代表经度,y代表纬度。假设用Q表示相似性,其公式如下:
把当前定位点预***到匹配队列,然后用公式(10)对匹配队列中的点与DS证据理论计算得道路的概率分配函数值从大到小进行相似性检验,若通过检验,即相似性大于预设的相似度阈值S,具体实施时本领域技术人员可自行预设阈值。则表示此结论正确,再进行下一步操作。
其中Rx和Ry分别是行驶轨迹经度与匹配道路经度和行驶轨迹纬度与匹配道路纬度的相关系数。首先根据匹配队列中的点和匹配道路生成一个n×4的样本矩阵,n为匹配队列的当前长度。矩阵的列从左到右依次为匹配队列中点的横坐标、纵坐标、候选道路的横坐标、纵坐标。表示如下:
根据样本矩阵计算相关系数Rx、Ry的公式为:
其中为匹配队列中点的横坐标的均值,为候选道路结点横坐标的均值,为匹配队列中点的横坐标的均值,为候选道路结点横坐标的均值。
五、转换节点。算法把道路分为路口路段和非路口路段,二者之间的界限称为转换节点。假设Ni和Nj是一条道路的两个节点,Pc是当前定位点在此道路上的投影点。Dij是Ni到Nj的长度,Dki是Ni到Pc的长度,Dkj是Nj到Pc的长度,若满足下列公式,则为非路口路段,否则为路口路段。
Dki>λDij&&Dkj>λDij (12)
其中λ为效率参数,表示路口路段占全部长度的比例,具体实施时可由本领域技术人员预先通过实验确定最优的参数值。对于路口路段,由于定位误差,根据DS证据推理出的结论可能会发生跳跃。故此路段先进行预匹配,匹配结果稳定下来再对结果进行输出。对于路口路段,由于汽车行驶的短时平稳性,对历史结果进行三证据的融合计算概率分配函数值以及相似性验证,验证通过则输出匹配结果。
本发明中使用匹配队列来存储最近匹配成功的点,队列长度具体实施时可根据本领域技术人员通过实验确定,超过长度按先进先出的原则处理。队列在每条道路的初始匹配阶段为空,即程序一开始,队列为空,之后在匹配过程中若检测到汽车换道,则清空队列。匹配队列的作用有两个,一是记录历史信息,二是根据队列中的点计算与道路结点的相似性。
见附图1所示,实施例的流程包括步骤如下:
Step1,进行匹配前的准备工作,初始化匹配队列,即清空队列,设置队列初始长度为0;设置信号量isCenter初始值为false,信号量表示当前应选择的匹配模式,若为false,则应选择高精度模式,若为true,则应选择验证模式;编制道路节点,建立拓扑关系;转到Step2。
Step2,通过手机接收到的定位信息获取第i个定位点di,具体实施时i的值一般是从开始所有匹配过的定位点数,从1开始计数。对di进行有效性判断,若匹配队列为空,则默认di有效,否则根据速度和时间戳算出在此时间段内能移动的理论距离,判断当前定位点与前一定位点的实际距离与理论距离的偏离大小,如果超过则无效,否则有效。如果有效,则转到Step4,否则执行Step3。
Step3,使用线性插值,***一个定位点di,转到Step12。
Step4,根据信号量isCenter选择当前匹配模式。通常此处的信号量是根据匹配队列中前一定位点的处理过程得到,若di位于队头,即前面没有定位点,则使用其初始值,否则利用在上一次执行Step 12根据公式(12)进行判断计算的结果。若为true,则转到Step8执行选择验证模式进行匹配,否则转到Step5执行高精度模式进行匹配。
Step5,根据公式(4)(5)计算置信区域,并从中筛选出所有候选道路得到集合s,转到Step6。
Step6,对于所有候选道路si∈s,根据公式(9)计算出si对应的概率分配函数值,转到Step7。
Step7,对所有概率分配函数值按降序排列,从大到小开始取得当前si,利用公式(10)对si进行相似性验证,若计算结果大于所设相似度阈值S,即验证通过则保存当前si,然后直接转到Step9,否则取下一个si重复Step7的相似性验证。
道路是以一系列已知的坐标点(道路结点)表示的,为了选出概率分配值靠前并且满足相似性的一条道路,此步骤的相似性验证比较di预***匹配队列后形成的曲线和道路si的曲线。
Step8,利用三证据DS理论和相似性对历史结果进行双重验证。首先利用公式(9)计算出前一匹配道路s′的概率分配函数值m(s′),若m(s′)小于所设阈值,则转到Step2,否则对s′进行相似性验证,即利用公式(10)计算出相似性值Q,若Q大于所设相似度阈值S,则验证通过,设置匹配结果为s′并转到Step12,否则转到Step2。
本步骤的相似性验证比较di预***匹配队列后形成的曲线和道路s′的曲线。计算,将前一匹配道路s′的概率分配函数值m(s′)时,将s′作为Si代入公式(9)计算即可。
概率分配函数值m(s′)的范围是0~1,具体实施时相应阈值可由本领域技术人员自行预设。在实验中统计出的m(s′)匹配成功的平均值在0.7左右,所以实施例中取0.7。
Step9,检测是否换道,即当前匹配道路si与前一匹配道路s′进行比较,若不相等,则转到Step10,否则设置匹配结果为si并转到Step12。
Step10,为避免误判,通过接下来连续N次(具体实施可预设次数,例如三次)返回继续判断,确定最终结果,即若当前已有连续四次匹配道路不一致,则转到Step11,否则转到Step12。
Step11,清空匹配队列,初始化各匹配参数,包括设置匹配队列长度为0,设置isCenter为false,转到Step2。
Step12,根据匹配结果,利用公式(12)判断di是否处于非路口路段,若是,则设置信号量isCenter为true,否则设为false,转到Step13。
Step13,输出匹配结果,进行收尾工作,将di添加到匹配队列,将本次迭代处理的当前di作为下一次迭代的前一定位点,记录历史信息,历史信息包括前一定位点的坐标,匹配道路,在匹配道路上的匹配点,转到Step2。按此持续自动运行,可以实现实时地图匹配。
具体实施时,本领域技术人员可采用软件技术实现自动流程运行。
为了便于本领域技术人员了解本发明技术方案发明效果,在移动平台进行相关实验,结果说明该地图匹配方法效果良好,包括从三个方面进行了实验。
一方面是为了测试引入的第三个证据是否对匹配效果产生影响,对基于二证据DS理论和三证据DS理论的匹配结果进行对比:
二证据DS理论仅对距离和方向两个证据进行融合,得出结论。而并没有综合考虑道路拓扑结构和历史结果,在应对多条平行道路以及其他一些较为复杂的道路状况下,二证据DS理论得出的结论就会出现较大误差和不稳定性。
三证据DS理论加入一个历史证据,并构造出证据函数(8),通过对三个证据的融合,得出最终的基本概率分配函数(9),利用此函数对样本进行可信度计算,由于加入对历史证据的融合,在平行道路以及其他较为复杂道路的匹配过程中,匹配结果受距离与方向的影响会显著降低,多个证据相互平衡可以提高结论的正确率和稳定性。
首先对比了对200多个定位点进行匹配,可以看出,在平行路段的匹配过程中,基于三证据DS理论的匹配结果更稳定,根据统计结果,采用本发明实施例流程三证据匹配成功的点有209个,二证据匹配成功的有191个。
接着对比两种方法在三条平行路况下对八个定位点在各道路上计算的概率分配函数值的对比图,纵坐标表示计算出的概率函数值。
第二方面,另选了两种地图匹配方法与本发明的三证据DS地图匹配方法进行了对比,这两种匹配方法如下:
直接投影匹配方法,仅考虑距离一个因素,所以计算量小,匹配速度快,但对定位经度要求非常高,很容易出错,不适合复杂道路的匹配。
基于拓扑结构的图匹配方法,这种方法考虑道路拓扑结构和相关性两个方面,对数据的密集性要求比较高,不适合匹配误差较大的定位数据。
为了测试本发明方法对不同定位接收频率的数据集的匹配鲁棒性,使用以上两种方法和本发明的三证据DS理论地图匹配方法对不同定位接收频率的数据集进行匹配,匹配正确率统计见附图2、3。由图中可以看出,本发明提出的方法在各种频率的数据集中均表现稳定,比其他方法正确率要高。
第三方面,为测试双模式匹配方法对全局匹配速度的影响,同样使用以上两种方法和本文的三证据DS理论地图匹配方法对不同数量数据集进行匹配时间的统计。统计结果见附图4、5、6。从图中可以看出,在小量数据集中本发明的方法完成时间不占太大优势,但在中量数据集和大量数据集中,因为双模式的切换匹配,使得本发明方法在在匹配时间和增长速度上都由于其他两种方法。
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 (1)
1.一种基于三证据DS理论的双模式地图匹配方法,其特征在于:包括以下步骤,
Step1,进行匹配前的准备工作,初始化匹配队列,设置信号量isCenter初始值为false,编制道路节点,建立拓扑关系;转到Step2;
所述信号量isCenter表示当前应选择的匹配模式,若为false,则应选择高精度模式,若为true,则应选择验证模式;
Step2,设通过接收到的定位信息获取第i个定位点di,对di进行有效性判断,若匹配队列为空,则默认di有效,否则根据判断当前定位点与前一定位点的实际距离与理论距离的偏离大小,如果超过则无效,执行Step3,否则有效,转到Step4;
Step3,使用线性插值,***一个定位点di,转到Step12;
Step4,根据信号量isCenter选择当前匹配模式,若为true,则转到Step8执行选择验证模式进行匹配,否则转到Step5执行高精度模式进行匹配;
Step5,计算置信区域,并从中筛选出所有候选道路得到集合s,转到Step6;
Step5中,将误差区域简化为矩形区域,该矩形区域为椭圆的最小包围矩形,设长为X,宽为Y,根据下式计算置信区域,
其中,a,b是椭圆的长半轴和短半轴,是椭圆长半轴与正北方向夹角;
Step6,对于所有候选道路si∈s,利用三证据DS理论计算候选道路si对应的概率分配函数值,转到Step7;
Step6中,基于距离和方向合成得到的证据函数m(B)和历史证据的基本概率分配函数m3(C),根据下式利用三证据DS理论计算出候选道路si对应的概率分配函数值,
其中,m′(Si)表示三证据融合后的概率分配函数,B和C代表候选道路集合中的元素,m(θ)表示距离和方向两个证据融合后的不确定性函数,其函数值等于1-m(Si),m(si)为距离和方向两个证据融合后的概率分配函数,m3(C)为历史证据的基本概率分配函数,m3(θ)为历史证据的不确定性函数;
Step7,对所有概率分配函数值按降序排列,从大到小开始取得当前si,对si进行相似性验证,若验证通过则保存当前si,然后直接转到Step9,否则取下一个si重复相似性验证;
Step7中,利用下式对当前si进行相似性验证,
其中,x代表经度,y代表纬度,Q表示相似性,Rx和Ry分别是行驶轨迹经度与匹配道路经度和行驶轨迹纬度与匹配道路纬度的相关系数;
Step8,利用三证据DS理论和相似性对历史结果进行双重验证,包括首先利用三证据DS理论计算出前一匹配道路s′的概率分配函数值m(s′),若m(s′)小于所设阈值,则转到Step2,否则进行相似性验证,若验证通过则设置匹配结果为s′并转到Step12,否则转到Step2;其中,利用三证据DS理论计算出前一匹配道路s′的概率分配函数值m(s′)时根据式三进行,进行相似性验证时根据式四进行;Step9,检测是否换道,包括将当前匹配道路si与前一匹配道路s′进行比较,若不相等,则转到Step10,否则设置匹配结果为si并转到Step12;
Step10,若当前已有连续N次匹配道路不一致,则转到Step11,否则转到Step12;N为预设的次数;
Step11,清空匹配队列,设置isCenter为false,转到Step2;
Step12,根据匹配结果,判断di是否处于非路口路段,若是,则设置信号量isCenter为true,否则设为false,转到Step13;
Step12中,判断di是否处于非路口路段的实现方式为,设道路分为路口路段和非路口路段,二者之间的界限称为转换节点,假设Ni和Nj是一条道路的两个节点,Pc是当前定位点在此道路上的投影点,Dij是Ni到Nj的长度,Dki是Ni到Pc的长度,Dkj是Nj到Pc的长度,若满足下列公式,则为非路口路段,否则为路口路段,
Dki>λDij&&Dkj>λDij (式五)
其中,λ为效率参数,表示路口路段占全部长度的比例;
Step13,输出匹配结果,进行收尾工作,将di添加到匹配队列,记录历史信息,历史信息包括前一定位点的坐标、匹配道路和在匹配道路上的匹配点,转到Step2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610556789.8A CN106289281B (zh) | 2016-07-15 | 2016-07-15 | 一种基于三证据ds理论的双模式地图匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610556789.8A CN106289281B (zh) | 2016-07-15 | 2016-07-15 | 一种基于三证据ds理论的双模式地图匹配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106289281A CN106289281A (zh) | 2017-01-04 |
CN106289281B true CN106289281B (zh) | 2019-01-04 |
Family
ID=57651596
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610556789.8A Expired - Fee Related CN106289281B (zh) | 2016-07-15 | 2016-07-15 | 一种基于三证据ds理论的双模式地图匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106289281B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102019208533A1 (de) * | 2019-06-12 | 2020-12-17 | Continental Teves Ag & Co. Ohg | Verfahren zum Erkennen einer Straßenklasse |
CN110285817B (zh) * | 2019-07-12 | 2023-03-21 | 东北电力大学 | 基于自适应d-s证据理论的复杂路网地图匹配方法 |
CN111708857B (zh) * | 2020-06-10 | 2023-10-03 | 北京百度网讯科技有限公司 | 一种高精地图数据的处理方法、装置、设备及存储介质 |
CN113959452B (zh) * | 2021-10-22 | 2024-07-02 | 上海经达信息科技股份有限公司 | 基于城市路网的地图匹配方法、***及终端 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101383090A (zh) * | 2008-10-24 | 2009-03-11 | 北京航空航天大学 | 一种并行路网结构下的浮动车信息处理方法 |
CN104900057A (zh) * | 2015-05-20 | 2015-09-09 | 江苏省交通规划设计院股份有限公司 | 一种城市快速路主辅道的浮动车地图匹配方法 |
CN105444769A (zh) * | 2015-11-26 | 2016-03-30 | 北京百度网讯科技有限公司 | 地图匹配方法及装置 |
CN105676253A (zh) * | 2016-01-15 | 2016-06-15 | 武汉光庭科技有限公司 | 一种自动驾驶中基于城市道路标线地图的纵向定位***及其方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9330136B2 (en) * | 2013-10-08 | 2016-05-03 | Toyota Jidosha Kabushiki Kaisha | System for proving proactive zone information |
-
2016
- 2016-07-15 CN CN201610556789.8A patent/CN106289281B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101383090A (zh) * | 2008-10-24 | 2009-03-11 | 北京航空航天大学 | 一种并行路网结构下的浮动车信息处理方法 |
CN104900057A (zh) * | 2015-05-20 | 2015-09-09 | 江苏省交通规划设计院股份有限公司 | 一种城市快速路主辅道的浮动车地图匹配方法 |
CN105444769A (zh) * | 2015-11-26 | 2016-03-30 | 北京百度网讯科技有限公司 | 地图匹配方法及装置 |
CN105676253A (zh) * | 2016-01-15 | 2016-06-15 | 武汉光庭科技有限公司 | 一种自动驾驶中基于城市道路标线地图的纵向定位***及其方法 |
Non-Patent Citations (2)
Title |
---|
Conflict problems of D-S evidence in multi-sensor information fusion technology;Xuhui Chen,et al;《International Conference on Computer Application and System Modeling. IEEE》;20101231;第314-318页 |
城市汽车导航中一种改进的 D-S证据理论地图匹配算法;李珂等;《测绘学报》;20140228;第43卷(第2期);第208-220页 |
Also Published As
Publication number | Publication date |
---|---|
CN106289281A (zh) | 2017-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106289281B (zh) | 一种基于三证据ds理论的双模式地图匹配方法 | |
Schroedl et al. | Mining GPS traces for map refinement | |
CN105096611B (zh) | 一种道路车辆检测***及方法 | |
CN102102992B (zh) | 基于多级网络划分的匹配道路初筛方法及地图匹配*** | |
Raymond et al. | Map matching with hidden Markov model on sampled road network | |
CN105091889B (zh) | 一种热点路径的确定方法及设备 | |
CN105704652B (zh) | 一种wlan/蓝牙定位中的指纹库采集和优化方法 | |
CN111065893A (zh) | 用于创建精确到车道的道路地图的方法和设备 | |
CN110031011A (zh) | 集成时空邻近与改进权重圆的车载实时地图匹配计算方法 | |
CN109298389A (zh) | 基于多粒子群优化的室内行人组合位姿估计方法 | |
CN114419152B (zh) | 一种基于多维度点云特征的目标检测与跟踪方法及*** | |
CN105424030A (zh) | 基于无线指纹和mems传感器的融合导航装置和方法 | |
CN105957342A (zh) | 基于众包时空大数据的车道级道路测图方法及*** | |
CN111970633A (zh) | 基于WiFi、蓝牙和步行者行航位推算融合的室内定位方法 | |
CN103379619A (zh) | 一种定位方法和*** | |
CN111912416A (zh) | 用于设备定位的方法、装置及设备 | |
CN109283562A (zh) | 一种车联网中车辆三维定位方法及装置 | |
CN103810382B (zh) | 机载分布式多传感器两级数据融合策略选择方法 | |
CN109460539A (zh) | 一种基于简化容积粒子滤波的目标定位方法 | |
CN105928529A (zh) | 一种多证据融合地图匹配算法 | |
CN106469505A (zh) | 一种浮动车轨迹纠偏方法和装置 | |
CN109522385A (zh) | 一种多尺度道路网m-n匹配模式的判定方法 | |
Yang et al. | DeepWiPos: A deep learning-based wireless positioning framework to address fingerprint instability | |
CN107133555A (zh) | 识别8字运动轨迹目标的方法 | |
CN110300385A (zh) | 一种基于自适应粒子滤波的室内定位方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190104 |
|
CF01 | Termination of patent right due to non-payment of annual fee |