CN106988588A - 基于二维运动轨迹的停车位楼层识别方法 - Google Patents
基于二维运动轨迹的停车位楼层识别方法 Download PDFInfo
- Publication number
- CN106988588A CN106988588A CN201611139311.1A CN201611139311A CN106988588A CN 106988588 A CN106988588 A CN 106988588A CN 201611139311 A CN201611139311 A CN 201611139311A CN 106988588 A CN106988588 A CN 106988588A
- Authority
- CN
- China
- Prior art keywords
- path
- floor
- dimensional motion
- vehicle
- motion track
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012545 processing Methods 0.000 claims description 23
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000000151 deposition Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- PCTMTFRHKVHKIS-BMFZQQSSSA-N (1s,3r,4e,6e,8e,10e,12e,14e,16e,18s,19r,20r,21s,25r,27r,30r,31r,33s,35r,37s,38r)-3-[(2r,3s,4s,5s,6r)-4-amino-3,5-dihydroxy-6-methyloxan-2-yl]oxy-19,25,27,30,31,33,35,37-octahydroxy-18,20,21-trimethyl-23-oxo-22,39-dioxabicyclo[33.3.1]nonatriaconta-4,6,8,10 Chemical compound C1C=C2C[C@@H](OS(O)(=O)=O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2.O[C@H]1[C@@H](N)[C@H](O)[C@@H](C)O[C@H]1O[C@H]1/C=C/C=C/C=C/C=C/C=C/C=C/C=C/[C@H](C)[C@@H](O)[C@@H](C)[C@H](C)OC(=O)C[C@H](O)C[C@H](O)CC[C@@H](O)[C@H](O)C[C@H](O)C[C@](O)(C[C@H](O)[C@H]2C(O)=O)O[C@H]2C1 PCTMTFRHKVHKIS-BMFZQQSSSA-N 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- E—FIXED CONSTRUCTIONS
- E04—BUILDING
- E04H—BUILDINGS OR LIKE STRUCTURES FOR PARTICULAR PURPOSES; SWIMMING OR SPLASH BATHS OR POOLS; MASTS; FENCING; TENTS OR CANOPIES, IN GENERAL
- E04H6/00—Buildings for parking cars, rolling-stock, aircraft, vessels or like vehicles, e.g. garages
- E04H6/42—Devices or arrangements peculiar to garages, not covered elsewhere, e.g. securing devices, safety devices, monitoring and operating schemes; centering devices
- E04H6/422—Automatically operated car-parks
- E04H6/424—Positioning devices
Landscapes
- Engineering & Computer Science (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明涉及一种停车位楼层识别方法,具体涉及一种基于二维运动轨迹的停车位楼层识别方法。为了解决在室内多楼层停车库场景中,无法通过GPS等定位技术识别海拔和楼层的问题,本发明提供的停车位楼层识别方法包括下列步骤:获取目标车辆的二维运动轨迹;解析所述二维运动轨迹中包含的全部通道路径,且所述全部通道路径的任意通道路径允许所述目标车辆在不同楼层之间穿梭;根据所述全部通道路径,识别所述目标车辆所在的目标楼层。本发明仅通过对大量的车辆二维运动轨迹进行分析,得出各楼层之间的通道路径,进而根据目标车辆二维运动轨迹计算出目标车辆所在楼层。
Description
技术领域
本发明涉及一种停车位楼层识别方法,具体涉及一种基于二维运动轨迹的停车位楼层识别方法。
背景技术
随着O2O服务的兴起,越来越多的与车辆相关的个性化服务被引入到市场,比如上门租车、代客洗车、代客保养维护等。衡量这些O2O服务的标准主要有两个:一是效果,二是效率。除了服务本身的效率之外,能否快速找到用户的车辆也是提高整体服务效率的重要环节和必要前提。在传统的服务中,通常需要用户手动输入车辆所在的位置,个别情形下会借助于可以实现车辆粗定位的GPS信息。然而在很多室内场景中,尤其是复杂的室内多楼层停车库中,GPS等定位技术手段并不能有效地帮助定位车辆的精确位置,尤其是GPS无法支持停车位所在楼层的识别,从而导致在多楼层停车库场景中寻车时间的显著增加。
目前获取楼层或高度信息的技术方案主要包括两类:一类是依靠大气传感器等传感技术测算气压变化,从而推算海拔的变化。不过由于这类方案的精度直接依赖于传感器的精度和测量地的原始海拔位置,几十米的误差换算成楼层就可能差了很多层,误差导致错误的可能性极大。另一类是在停车库中广布车辆识别装置,通过车辆识别装置来识别车辆的最终停放位置,以及以预先对每个停放位置所在楼层的建模作为识别方法。该类方案虽然精度比较高,但是建设成本也较高,且不同供应商可能有不同的解决方案,标准性和互通较差。
因此,本领域需要一种新的方法来解决上述问题。
发明内容
为了解决现有技术中的上述问题,即为了解决在室内多楼层停车库场景中,无法通过GPS等定位技术识别海拔和楼层的问题,本发明提供了一种基于二维运动轨迹的停车位楼层识别方法。该方法包括下列步骤:获取目标车辆的二维运动轨迹;解析所述二维运动轨迹中包含的全部通道路径,且所述全部通道路径的任意通道路径允许所述目标车辆在不同楼层之间穿梭;根据所述全部通道路径,识别所述目标车辆所在的目标楼层。
在上述方法中,所述的“解析所述二维运动轨迹中包含的全部通道路径”包括下列步骤:对所述二维运动轨迹按照设定的方式进行规范化处理,将所述二维运动轨迹分解,得到第一路径集;将所述第一路径集与预设的第二路径集中的通道路径进行比对,从而找寻出所述二维运动轨迹中包含的所述全部通道路径。
在上述方法中,所述“第二路径集中的通道路径”的获取方法包括:获取样本的车辆二维运动轨迹,并对该车辆二维运动轨迹进行所述规范化处理;获取规范化后无重叠的车辆二维运动轨迹;基于所述无重叠的车辆二维运动轨迹,得出第二路径集,该第二路径集至少包含能够允许车辆到达不同楼层的所有通道路径;
在上述方法中,所述的“对该车辆二维运动轨迹进行规范化”包括下列步骤:将获取的车辆二维运动轨迹分解为直线段和曲线段;以分解后的所述直线段为中轴,形成具有设定宽度的矩形路径;以分解后的所述曲线段为中轴,形成具有设定宽度的扇形路径。
在上述方法中,所述的“获取规范化后无重叠的车辆二维运动轨迹”包括:当所述矩形路径或所述扇形路径的重叠度超过预定值,且该矩形路径或扇形路径的方向一致时,则所述车辆二维运动轨迹重叠,将所述重叠的车辆二维运动轨迹删除。
在上述方法中,所述的“基于所述无重叠的规范化处理的车辆二维运动轨迹,得出第二路径集,该第二路径集至少包含能够允许车辆到达不同楼层的所有通道路径”包括:
S1、将车辆二维运动轨迹中停在第一楼层的规范化后无重叠的车辆二维运动轨迹汇集成集合A;
S2、将经过第一楼层到达第二楼层的规范化后无重叠的车辆二维运动轨迹汇集成集合B;
S3、在所述集合B中去除与所述集合A中相同的元素,得到集合C;
S4、所述集合C中出现频率最高的矩形路径或扇形路径即为所述第一楼层和所述第二楼层之间的第一个第一通道路径。
在上述方法中,S4之后,该方法还包括:
S5、去除集合B中包含所述第一个第一通道路径的规范化后无重叠的二维运动轨迹以及与集合A相同的元素,得到集合C1,如果集合C1为空集,则所述第一楼层和所述第二楼层之间只有所述第一个第一通道路径;否则,对C1重复步骤S4,得到所述第一楼层和所述第二楼层之间的第二个第一通道路径;
S6、重复步骤S5,直至得到集合Cn为空集,从而得到所述第一楼层和所述第二楼层之间的所有第一通道路径,将该所有第一通道路径汇集至所述第二路径集中。
在上述方法中,所述的“基于所述无重叠的规范化处理的车辆二维运动轨迹,得出第二路径集,该第二路径集至少包含能够允许车辆到达不同楼层的所有通道路径”进一步还包括:对于任意第一楼层和第二楼层,重复步骤S1-S6,得到停车库的各楼层之间的全部通道路径,并将该全部通道路径汇集成所述第二路径集。
在上述方法中,当所述第一楼层是进入停车库的第一个停车楼层时,在S6之后,所述方法还包括:
S7、在第二楼层中去除所有第一通道路径及所有第一通道路径前的路径,将得到的二维运动轨迹汇集成集合A1。
S8、在第三楼层中去除所有第一通道路径及所有第一通道路径前的路径,将得到的二维运动轨迹汇集成集合B1。
S9、基于得到的集合A1和B1,重复步骤S3-S6,得到第二楼层和第三楼层的所有第二通道路径,将该所有第二通道路径汇集至所述第二路径集。
S10、重复步骤S7-S9,从而依次得到包含所有相邻楼层之间的通道路径的第二路径集。
在上述方法的优选实施方式中,所述方法还包括:将获取的所述目标车辆的二维运动轨迹以及所述第一路径集与所述第二路径集进行验证的过程数据进行存储,并根据存储的数据进行自学习反馈。
综上所述,本发明不依赖于停车库自检的监测网络,也不依赖于高精度的压力传感器技术,仅通过对大量的车辆二维运动轨迹进行分析,得出包含停车库全部通道路径的第二路径集,然后通过对目标车辆的二维运动轨迹进行规范化处理,将得到的第一路径集与第二路径集进行比对,找寻出第一路径集中包含的通道路径,即可判断出该车辆最终停放的目标楼层。
附图说明
图1A是对车辆的二维运动轨迹进行规范化处理后将直线段绘制为矩形路径的分解示意图;
图1B是对车辆的二维运动轨迹进行规范化处理将的曲线段绘制为扇形路径的分解示意图;
图2是本发明中获取不同楼层之间的通道路径的流程示意图;
图3是规范化处理后的车辆二维运动轨迹的分解示意图。
具体实施方式
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非旨在限制本发明的保护范围。
本发明的基于二维运动轨迹的停车位楼层识别方法主要包括以下步骤:获取目标车辆的二维运动轨迹;解析二维运动轨迹中包含的全部通道路径,且该全部通道路径的任意通道路径允许目标车辆在不同楼层之间穿梭;根据全部通道路径,识别目标车辆所在的目标楼层。具体而言,可以通过任意合理的方式获取车辆在停车库内的二维运动轨迹,如通过各种成熟的惯性导航技术等,在此不对二维运动轨迹的获取方法本身进行阐述,本实施例中的方法是基于已获取的二维运动轨迹的基础上进行的。
在对目标车辆的二维运动轨迹中包含的全部通道路径进行解析时,首先对二维运动轨迹按照设定的方式进行规范化处理,将二维运动轨迹分解,得到第一路径集,然后将第一路径集与预设的第二路径集中的通道路径进行比对,从而找寻出二维运动轨迹中包含的全部通道路径。其中,预设的第二路径集中的通道路径包括停车库中各楼层之间的全部通道路径,关于如何获取各楼层之间的全部通道路径后文中有详细说明。下面详细说明对二维运动轨迹按照设定的方式进行规范化处理的步骤。
在本实施例中,以轨迹起始点(即停车库入口)作为原点,对于每一条连续的二维运动轨迹数据进行分解和标记。需要说明的是,由于中国为左舵国家,因此,本实施例中以车身左侧为基准绘制轨迹。将获得的二维运动轨迹分解为直线段和曲线段。直线段表示车辆连续以直线行驶的轨迹,曲线段表示车辆连续以曲线行驶的轨迹且转角小于360°,临时转弯轨迹(转角小于180°)使用直线段的相交表示,即截弯取直。将二维运动轨迹分解为直线段和曲线段后,以每一个直线段中轴绘制宽度为6米的矩形;以每一个曲线段为中轴绘制宽度为6米的扇形。参照图1A,图1A是规范化后的二维运动轨迹示意图。如图1A所示,原始路径ABCD规范化后为线段为AE+ED,并以AE和ED为中轴绘制宽度为6米的矩形。图1B示出了以曲线段为中轴绘制宽度为6米的扇形。需要说明的是,由于常见的停车库双车道的宽度为6米,因此,本实施例中以6米宽绘制矩形或扇形,该具体宽度并不用于限制本发明,本领域技术人员还可以根据实际情况设定其他合适的宽度。
按照上述步骤对目标车辆的二维运动轨迹进行规范化处理后,得到第一路径集。下面对第二路径集中的所有通道路径的获取方法进行详细说明。
基于已获取的车辆二维运动轨迹,并对车辆二维运动轨迹进行规范化处理;然后获取规范化处理后无重叠的的车辆二维运动轨迹;最后基于所获取的轨迹,得出第二路径集,该第二路径集至少包含能够允许车辆到达不同楼层的所有通道路径。
具体而言,对车辆二维运动轨迹进行规范化处理的方式同样按照上述步骤处理。在车辆二维运动轨迹进行规范化处理的基础上,获取规范化后无重叠的车辆二维运动轨迹时,当矩形路径或扇形路径的重叠度超过预定值,且该矩形路径或扇形路径的方向一致时,则车辆二维运动轨迹重叠,将重叠的车辆二维运动轨迹删除,即排除使用该轨迹。如在一种可能的实施方式中,如果车辆二维运动轨迹中的任意矩形或扇形区有超过50%的面积彼此重叠且方向相同,则可以认为车辆二维运动轨迹重叠,此时删除包含该重叠部分的整个二维运动轨迹。本领域技术人员容易理解的是,二维平面上重复行驶的路径可能对应着三维空间中不同平面的路径,也可能只是车辆在同一平面的往返寻找车位行为;而二维平面上无重复行驶的路径则一定对应着三维空间中不同平面的无重复路径。当路径样本足够多的情况下,同一层的二维无重叠路径线段的集合即可有效等同于这一层所以可能的行车路线。
基于所获取的规范化后无重叠的车辆二维运动轨迹,得出第二路径集的步骤参照图2。如图2所示,获取不同楼层之间所有通道路径的方法主要包括以下步骤:
S1、将车辆二维运动轨迹中停在第一层楼的规范化后无重叠的车辆二维运动轨迹汇集成集合A。
S2、将经过第一楼层到达第二楼层的规范化后无重叠的车辆二维运动轨迹汇集成集合B。
S3、在集合B中去除与集合A中相同的元素,得到集合C。
S4、集合C中出现频率最高的矩形路径或扇形路径即为第一楼层和第二楼层之间的第一个第一通道路径。
S5、去除集合B中包含第一个第一通道路径的规范化后无重叠的二维运动轨迹以及与集合A相同的元素,得到集合C1,如果集合C1为空集,则第一楼层和第二楼层之间只有第一个第一通道路径;否则,对C1重复步骤S4,即,在C1中出现频率最高的矩形路径或扇形路径即为第一楼层和第二楼层之间的第二个第一通道路径。
S6、重复步骤S5,直至得到集合Cn为空集,从而得到第一楼层和第二楼层之间的第一通道路径,将该所有第一通道路径汇集至第二路径集中。
对于任意第一楼层和第二楼层,重复步骤S1-S6,得到停车库的各楼层之间的全部通道路径,并将该全部通道路径汇集成所述第二路径集。其中,当第一楼层不是进入停车库的第一个停车楼层时,将车辆二维运动轨迹中停在第一楼层的规范化后无重叠的车辆二维运动轨迹汇集成集合A的方法为:去除目标车辆从进入停车库的第一个停车楼层到该第一楼层之间前的所有二维运动轨迹,得到只在第一楼层出现的目标车辆的二维运动轨迹。
在一种优选地实施方式中,当第一楼层是进入停车库的第一个停车楼层时,在S6之后,还包括:
S7、在第二楼层中去除所有第一通道路径及第一通道路径前的路径,将得到的二维运动轨迹汇集成集合A1;
S8、在第三楼层中去除所有第一通道路径及所有第一通道路径前的路径,将得到的二维运动轨迹汇集成集合B1;
S9、基于得到的集合A1和B1,重复步骤S3-S6,得到第二楼层和第三楼层的所有第二通道路径,将该所有第二通道路径汇集至第二路径集中;
S10、重复步骤S7-S9,从而依次得到包含所有相邻楼层之间的通道路径的第二路径集。
需要说明的是,该第一楼层是指车辆进入停车库后第一个能够停车的楼层,而第二楼层可以是第一楼层的上一层,也可以是第一楼层的下一层,比如当停车库为地下停车库(如三层结构的地下停车库)时,车辆进入停车库后的第一楼层实际上为整个停车库最顶层,而第二楼层为第一楼层的下一层,第三楼层为第二楼层的下一层。这种情形下,上述步骤S1-S10也同样适用。此外,相邻楼层是指由任意一个通道路径连接的两个楼层。也就是说,只要车辆能够从一个楼层只沿其中一个通道路径驶入另一个楼层,则视为该两个楼层为相邻楼层。下面举例说明本实施例中计算相邻楼层之间的通道路径的集合算法。
图3是规范化处理后的车辆二维运动轨迹示意图。如图3所示,假如车辆在停车库第一楼层的无重叠轨迹有两条,规范化处理后分别为AB+BC+CD和AB+BE+ED;车辆在第二楼层的无重叠轨迹有三条,规范化处理后分别为AB+BF+FG+GH、AB+BF+FI+IH和AB+BF+FG+GI。在S1中,得到集合A(AB,BC,CD,BE,ED),在S2中,得到集合B(AB/3,BF/3,FG/2,GH,FI,IH,GI),其中/n表示出现频率为n。在S3中,则得到集合C(BF/3,FG/2,GH,FI,IH,FG,GI),在S4中,出现频率最高的路径BF即为起始层和上一层之间的第一个第一通道路径。在S5中,去除集合C中包含BF的二维运动轨迹,得到集合C1,可知C1为空集,因此迭代终止,BF即为起始层到起始层上一层的唯一的第一通道路径。按照上述集合算法,最终得出各个楼层之间的全部通道路径,并汇集到第二路径集中。
本发明的方法不依赖外部的信息***,只依据车辆自身的二维运动轨迹来计算车辆停放的楼层,并且本发明还具有自学习和正反馈功能。具体地,随着本方法的不断应用,收集的车辆二维运动轨迹不仅可以帮助验证结果,还可作为学习数据进一步帮助提升结果的精确度。而新增的目标车辆的二维运动轨迹数据将不断提供对第二路径集的验证和补充,从而形成一种可以通过大数据进行自学习的机器学习算法,并能够不断根据新的数据进行正向反馈和完善。
综上所述,将第一路径集和第二路径集进行比对,找寻出目标车辆二维运动轨迹中包含的全部通道路径,然后根据找寻出的全部通道路径,识别目标车辆所在的目标楼层。举例而言,当目标车辆的二维运动轨迹中没有包含通道路径,则显然该目标车辆位于起始层;通常情况下,比如当目标车辆的二维运动轨迹中包含的相邻楼层之间的通道路径的数量为三个,则说明目标车辆停在第四楼层。还需要说明的是,当车辆进入第一楼层后,既存在向上的通道路径,又存在向下的通道路径,此时根据目标车辆的二维运动轨迹中包含通道路径的数量以及方向来判断实际停放的楼层。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (10)
1.一种基于二维运动轨迹的停车位楼层识别方法,其特征在于,该方法包括下列步骤:
获取目标车辆的二维运动轨迹;
解析所述二维运动轨迹中包含的全部通道路径,且所述全部通道路径的任意通道路径允许所述目标车辆在不同楼层之间穿梭;
根据所述全部通道路径,识别所述目标车辆所在的目标楼层。
2.根据权利要求1所述的方法,其特征在于,所述的“解析所述二维运动轨迹中包含的全部通道路径”包括下列步骤:
对所述二维运动轨迹按照设定的方式进行规范化处理,将所述二维运动轨迹分解,得到第一路径集;
将所述第一路径集与预设的第二路径集中的通道路径进行比对,从而找寻出所述二维运动轨迹中包含的所述全部通道路径。
3.根据权利要求2所述的方法,其特征在于,所述“第二路径集中的通道路径”的获取方法包括:
获取样本的车辆二维运动轨迹,并对该车辆二维运动轨迹进行所述规范化处理;
获取规范化后无重叠的车辆二维运动轨迹;
基于所述无重叠的车辆二维运动轨迹,得出第二路径集,该第二路径集至少包含能够允许车辆到达不同楼层的所有通道路径。
4.根据权利要求3所述的方法,其特征在于,所述的“对该车辆二维运动轨迹进行规范化”包括下列步骤:
将获取的车辆二维运动轨迹分解为直线段和曲线段;
以分解后的所述直线段为中轴,形成具有设定宽度的矩形路径;
以分解后的所述曲线段为中轴,形成具有设定宽度的扇形路径。
5.根据权利要求4所述的方法,其特征在于,所述的“获取规范化后无重叠的车辆二维运动轨迹”包括:
当所述矩形路径或所述扇形路径的重叠度超过预定值,且该矩形路径或扇形路径的方向一致时,则所述车辆二维运动轨迹重叠,将重叠的所述车辆二维运动轨迹删除。
6.根据权利要求5所述的方法,其特征在于,所述的“基于所述无重叠的规范化处理的车辆二维运动轨迹,得出第二路径集,该第二路径集至少包含能够允许车辆到达不同楼层的所有通道路径”进一步包括:
S1、将车辆二维运动轨迹中处于第一楼层的规范化后无重叠的车辆二维运动轨迹汇集成集合A;
S2、将经过第一楼层到达第二楼层的规范化后无重叠的车辆二维运动轨迹汇集成集合B;
S3、在所述集合B中去除与所述集合A中相同的元素,得到集合C;
S4、所述集合C中出现频率最高的矩形路径或扇形路径即为所述第一楼层和所述第二楼层之间的第一个第一通道路径。
7.根据权利要求6所述的方法,其特征在于,在S4之后,所述方法还包括:
S5、去除所述集合B中包含所述第一个第一通道路径的规范化后无重叠的二维运动轨迹以及与所述集合A相同的元素,得到集合C1,如果集合C1为空集,则所述第一楼层和所述第二楼层之间只有所述第一个第一通道路径;
否则,对C1重复步骤S4,得到所述第一楼层和所述第二楼层之间的第二个第一通道路径;
S6、重复步骤S5,直至得到集合Cn为空集,从而得到所述第一楼层和所述第二楼层之间的所有第一通道路径,将该所有第一通道路径汇集至所述第二路径集中。
8.根据权利要求7所述的方法,其特征在于,所述的“基于所述无重叠的规范化处理的车辆二维运动轨迹,得出第二路径集,该第二路径集至少包含能够允许车辆到达不同楼层的所有通道路径”进一步还包括:
对于任意第一楼层和第二楼层,重复步骤S1-S6,得到停车库的各楼层之间的全部通道路径,并将该全部通道路径汇集成所述第二路径集。
9.根据权利要求8所述的方法,其特征在于,在所述第一楼层为车辆进入停车库后能够到达的第一个停车楼层,且所述通道路径允许车辆在相邻的不同楼层之间穿梭的情形下,在S6之后,所述方法还包括:
S7、在与所述第一楼层相邻的第二楼层中去除所有第一通道路径及所有第一通道路径前的路径,将得到的二维运动轨迹汇集成集合A1;
S8、在与所述第二楼层相邻的第三楼层中去除所有第一通道路径及所有第一通道路径前的路径,将得到的二维运动轨迹汇集成集合B1;
S9、基于得到的集合A1和B1,重复步骤S3-S6,得到第二楼层和第三楼层的所有第二通道路径,将该所有第二通道路径汇集至所述第二路径集中;
S10、重复步骤S7-S9,依次得到包含所有通道路径的第二路径集。
10.根据权利要求2至9所述的方法,其特征在于,所述方法还包括:将获取的所述目标车辆的二维运动轨迹以及所述第一路径集与所述第二路径集进行验证的过程数据进行存储,并根据存储的数据进行自学习反馈。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611139311.1A CN106988588B (zh) | 2016-12-12 | 2016-12-12 | 基于二维运动轨迹的停车位楼层识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611139311.1A CN106988588B (zh) | 2016-12-12 | 2016-12-12 | 基于二维运动轨迹的停车位楼层识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106988588A true CN106988588A (zh) | 2017-07-28 |
CN106988588B CN106988588B (zh) | 2019-07-26 |
Family
ID=59413774
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611139311.1A Active CN106988588B (zh) | 2016-12-12 | 2016-12-12 | 基于二维运动轨迹的停车位楼层识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106988588B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112733436A (zh) * | 2020-12-29 | 2021-04-30 | 久融新能源科技有限公司 | 一种基于二维运动导引的充电及停车位识别方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080262721A1 (en) * | 2007-04-17 | 2008-10-23 | Hitachi, Ltd. | Map generation system and map generation method by using GPS tracks |
CN103267526A (zh) * | 2013-05-24 | 2013-08-28 | 北京邮电大学 | 一种室内导航方法及*** |
CN103294775A (zh) * | 2013-05-10 | 2013-09-11 | 苏州祥益网络科技有限公司 | 基于地理时空约束的警务云图像识别车辆管控*** |
CN104282151A (zh) * | 2014-09-30 | 2015-01-14 | 北京交通发展研究中心 | 基于高频卫星定位数据的实时浮动车路径匹配方法 |
CN104833362A (zh) * | 2015-05-18 | 2015-08-12 | 山东省计算中心(国家超级计算济南中心) | 基于百度地图的线路固定车辆定位及行驶路径生成方法 |
CN104990551A (zh) * | 2015-06-19 | 2015-10-21 | 中国人民解放军国防科学技术大学 | 一种基于轨迹提取的室内外联合导航方法与*** |
CN105679021A (zh) * | 2016-02-02 | 2016-06-15 | 重庆云途交通科技有限公司 | 基于交通大数据的行程时间融合预测及查询方法 |
CN106017476A (zh) * | 2016-07-12 | 2016-10-12 | 中国地质大学(武汉) | 一种生成室内定位导航图模型的方法 |
-
2016
- 2016-12-12 CN CN201611139311.1A patent/CN106988588B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080262721A1 (en) * | 2007-04-17 | 2008-10-23 | Hitachi, Ltd. | Map generation system and map generation method by using GPS tracks |
CN103294775A (zh) * | 2013-05-10 | 2013-09-11 | 苏州祥益网络科技有限公司 | 基于地理时空约束的警务云图像识别车辆管控*** |
CN103267526A (zh) * | 2013-05-24 | 2013-08-28 | 北京邮电大学 | 一种室内导航方法及*** |
CN104282151A (zh) * | 2014-09-30 | 2015-01-14 | 北京交通发展研究中心 | 基于高频卫星定位数据的实时浮动车路径匹配方法 |
CN104833362A (zh) * | 2015-05-18 | 2015-08-12 | 山东省计算中心(国家超级计算济南中心) | 基于百度地图的线路固定车辆定位及行驶路径生成方法 |
CN104990551A (zh) * | 2015-06-19 | 2015-10-21 | 中国人民解放军国防科学技术大学 | 一种基于轨迹提取的室内外联合导航方法与*** |
CN105679021A (zh) * | 2016-02-02 | 2016-06-15 | 重庆云途交通科技有限公司 | 基于交通大数据的行程时间融合预测及查询方法 |
CN106017476A (zh) * | 2016-07-12 | 2016-10-12 | 中国地质大学(武汉) | 一种生成室内定位导航图模型的方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112733436A (zh) * | 2020-12-29 | 2021-04-30 | 久融新能源科技有限公司 | 一种基于二维运动导引的充电及停车位识别方法 |
CN112733436B (zh) * | 2020-12-29 | 2023-11-28 | 久融新能源科技有限公司 | 一种基于二维运动导引的充电及停车位识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106988588B (zh) | 2019-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10809073B2 (en) | Local window-based 2D occupancy grids for localization of autonomous vehicles | |
CN104574967B (zh) | 一种基于北斗的城市大面积路网交通感知方法 | |
US9978274B2 (en) | Negative image for sign placement detection | |
CN109584553B (zh) | 一种基于时空信息的路段关联度缺失补全方法 | |
CN103038605B (zh) | 数字地图中的用于障碍物穿越的位置检测、时间表及行进时间估计 | |
CN106710208A (zh) | 交通状态的获取方法及装置 | |
US11287267B2 (en) | Maplets for maintaining and updating a self-healing high definition map | |
EP3708960A1 (en) | Maplets for maintaining and updating a self-healing high definition map | |
CN106017476A (zh) | 一种生成室内定位导航图模型的方法 | |
US20200292326A1 (en) | Maplets for maintaining and updating a self-healing high definition map | |
CN106251628A (zh) | 一种确定机动车的交通出行量的方法及装置 | |
CN106988588B (zh) | 基于二维运动轨迹的停车位楼层识别方法 | |
CN113706875A (zh) | 一种道路功能研判方法 | |
CN105023230B (zh) | 一种基于arcgis的轨道站点客流吸引范围界定方法 | |
CN114898571A (zh) | 一种基于etc大数据的高速公路全路段车速测量方法 | |
US20200292324A1 (en) | Maplets for maintaining and updating a self-healing high definition map | |
CN101750082A (zh) | 基于决策圈的路段识别匹配方法 | |
CN113532418A (zh) | 一种停车场地图单车采集方法 | |
CN1873721A (zh) | 一种可用于地面道路网交通状况测定的方法和*** | |
US11280622B2 (en) | Maplets for maintaining and updating a self-healing high definition map | |
US11255680B2 (en) | Maplets for maintaining and updating a self-healing high definition map | |
CN109633716B (zh) | 基于gps的城市配送车辆出行链及其特征识别方法与设备 | |
CN114842661B (zh) | 一种管理室内地图通行路段实时状态的方法和*** | |
CN114663992B (zh) | 一种多源数据融合高速公路门架定位方法 | |
US20200292330A1 (en) | Maplets for maintaining and updating a self-healing high definition map |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20200901 Address after: Susong Road West and Shenzhen Road North, Hefei Economic and Technological Development Zone, Anhui Province Patentee after: Weilai (Anhui) Holding Co., Ltd Address before: Room 502, Bank of America Center, Cecil Harcourt Road, central, Hongkong, China, 12 Patentee before: NIO NEXTEV Ltd. |