CN109154938B - 使用离散非踪迹定位数据将数字图中的实体分类 - Google Patents

使用离散非踪迹定位数据将数字图中的实体分类 Download PDF

Info

Publication number
CN109154938B
CN109154938B CN201780030792.9A CN201780030792A CN109154938B CN 109154938 B CN109154938 B CN 109154938B CN 201780030792 A CN201780030792 A CN 201780030792A CN 109154938 B CN109154938 B CN 109154938B
Authority
CN
China
Prior art keywords
block
tile
map
records
tiles
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
Application number
CN201780030792.9A
Other languages
English (en)
Other versions
CN109154938A (zh
Inventor
D·L·拉奇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Microsoft Technology Licensing LLC
Original Assignee
Microsoft Technology Licensing LLC
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 Microsoft Technology Licensing LLC filed Critical Microsoft Technology Licensing LLC
Publication of CN109154938A publication Critical patent/CN109154938A/zh
Application granted granted Critical
Publication of CN109154938B publication Critical patent/CN109154938B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3863—Structures of map data
    • G01C21/387—Organisation of map data, e.g. version management or database structures
    • G01C21/3881—Tile-based structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • 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
    • G01C21/3804—Creation or updating of map data
    • G01C21/3807—Creation or updating of map data characterised by the type of data
    • G01C21/3815—Road data
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/13—Receivers

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Navigation (AREA)
  • Traffic Control Systems (AREA)

Abstract

在本文中公开了用于增强数字地图的实体分类操作的***、方法、和软件。在实现中，实体分类***将覆盖地图的网格中的多个区块与由在地图表示的区域中操作的设备所产生的离散定位记录相关联。针对网格中的兴趣区域中的每个区块，***基于与该区块相关联的离散定位记录的子集来产生标量表征。***接着执行基于区块的标量表征和兴趣区域中的其他区块的标量表征来对作为一类实体(例如，道路、商业场所、或者住宅)的每个区块执行二元分类。

Description

使用离散非踪迹定位数据将数字图中的实体分类
背景技术
数字地图已经变成现代生活的不可缺少的工具，其允许人们快速且容易地导航至其目的地、找到兴趣地点、并且以其他方式探索其周围环境。尽管有时被认为是理所当然的，但需要大量高级技术和人工努力来随时间构建、辅助、和维护地图。
在一些场景中利用特殊装备的车辆来在记录街道细节时经过道路。然而，难以仅通过驾驶经过每条街道来跟上道路改变，此外这还是消耗时间且昂贵的努力。在其他情况下利用航空成像，但也关于保持现状以及捕获道路的方向、速度、控制、和约束方面具有限制。
已经使用了全球定位***(GPS)踪迹(trace)来克服上文提及的挑战，但这伴随其自己的挑战的发生。例如，需要多个GPS点来建立给定的踪迹，其限制了这样的踪迹的匿名性。匿名性的缺少影响用户限制其可用性，这进而降低其作为用于推断地图中存在的道路及其细节的资源的效用。
发明内容
在本文中公开了对数字地图的创建、辅助、和维护进行改进的技术。在实现中，实体分类***将覆盖地图的网格中的多个区块(tile)与由在地图表示的区域中操作的设备所产生的离散定位记录相关联。针对网格中的兴趣区域中的每个区块，***基于与该区块相关联的离散定位记录的子集来产生标量表征。接着，***基于区块的标量表征和兴趣区域中的其他区块的标量表征来执行将每个区块二元分类为一类实体(例如，道路、商业场所、或者住宅)。
提供了前述发明内容以用简化的形式引入在以下的具体实施方式中进一步描述的概念的选择。可以理解的是，该发明内容不旨在标识所要求保护的主题的关键特征或重要特征，也不旨在用来限制所要求保护的主题的范围。
附图说明
参考以下附图可以更好地理解本公开的许多方面。尽管几个实现是结合这些附图描述的，但是本公开不限于在本文中所公开的实现。相反，目的在于覆盖所有替代物、修改、和等同物。
图1示出了数字地图的增强的分类技术的实现中的操作架构。
图2示出了实现中的分类过程。
图3示出了实现中的操作场景。
图4示出了实现中的离散化记录。
图5示出了实现中的另一分类过程。
图6示出了实现中的另一分类过程。
图7示出了一种计算***，其适合于实现在本文中所公开的针对数字地图的增强的分类技术，该技术包括在附图中所示出以及在以下具体实施方式中讨论的应用、架构、元件、过程、以及操作场景和序列中的任何一个。
具体实施方式
在本文中公开了允许从离散的定位数据中识别数字地图中的实体(例如，道路、商业场所、和住宅)的分类技术。在一些示例中，所述数据包括从在地图中表示的区域中操作的设备所收集的匿名的非踪迹全球定位卫星(GPS)数据。所述设备可以包括例如移动电话、专用位置设备、嵌入在车辆中的装备、或者能够报告定位数据的任何其他设备。
实体分类***利用基于区块的方法来识别地图中的实体，例如道路、商业场所、和住宅。基于区块的方法在地图上的网格方面对地图进行考虑，所述网格是以经度和纬度来定义的。离散定位数据可以被绘制在地图上以使得每个数据点可以在给定的区块内被视觉地表示。基于区块的方法接着需要对每个区块的标量表征进行分析，所述标量表征是从与每个区块相关联的离散定位数据产生的。与给定的区块相关联的其他区块的标量表征也在分析中被考虑。
接着基于每个区块以及与其相关联的其他区块的标量表征来针对该区块执行二元分类。例如，实体分类***将区块分类为属于道路(或不属于)、商业场所(或不属于)、或者住宅(或不属于)。也可以执行第二层分类以确定给定区块的子特性。有可能进行分类的区块的其他特性包括道路的几何形状和连通性、行进的方向、速度限制、转弯约束、交通模式、海拔高度、以及地点的突出特性的流行度。
在一些实现中，区块的标量表征是作为对分类器模型的输入而提供的特征向量。分类器模型可以使用机器学***均速度、速度的方差、平均去向(heading)、以及针对区块的去向的方差。可以领会的是，在机器学习技术的上下文中的特征是被观察的现象的个体可测量的属性，前述统计信息是这样的特征的示例。
还可以在用于在地图中的改变被分类之后发现它们的异常检测的上下文中利用所述特征向量。例如，所述特征向量可以被输入至异常检测算法以检测道路关闭、土地关闭、异常交通模式、新的商业场所、商业场所关闭、以及热门地点。在一个场景中，新的数据被聚合并且在各种分辨率(场地大小、邻域大小、城市大小等)与给定区域的历史模型进行比较。使用多种异常检测技术中的任何一种来识别在历史模型与新的数据之间具有最大差异的区域，所述技术例如余弦相似度、Jaccard相似度、以及高斯判别分析。差别大于阈值量的区域针对新的分类分析而被标记。
在聚合中，使用上文所描述的基于区块的方法对区块的分类允许从离散的、匿名的定位数据中发现道路和其他地图实体。该技术的各种技术效果是对否则由现有技术分类过程所需要的人工努力的降低。非踪迹数据是有效地匿名的并且更加容易相对于踪迹数据来处理，这是因为非踪迹数据可以被独立地对待。另外，在由地图所覆盖的区域中产生的新的道路、道路的改变、以及其他物理变化可以被更加容易地发现并制图，而不需要驾驶物理道路或者拍摄航空照片，这两者都是资源密集的努力。
图1示出了增强的分类技术的实现中的操作架构100。操作架构100包括实体分类***101，其在对数字地图中的实体进行分类的上下文中采用分类过程200。GPS记录103作为对实体分类***101的输入而被提供，如同训练记录105一样。实体分类***101输出已经经由分类过程200被更新的地图121。实体分类***101和分类过程200可以使用任何一个或多个合适的计算***(物理的和/或虚拟的)来实现，图7中的计算***701对所述一个或多个计算***进行了代表。
GPS记录103代表离散定位记录，其可以由移动电话、全球定位设备、嵌入式车辆装备、或者能够报告这样的信息的任何其他合适的设备来报告。设备111和设备113、以及记录112和记录114分别代表这样的设备和记录。
***参考图2中的步骤，在操作时，实体分类***101将GPS记录与相对于地图覆盖的网格125中的区块相关联，所述地图被更新、从头产生、或者以其他方式被处理(步骤201)。GPS记录可以被可视化为地图121上的点123。
与给定的区块相关联的记录的数量可以不同，并且区块自身的大小可以不同。例如，可以通过改变以用于给定区块的定位数据的历史窗口的大小来使得记录的数量不同。一个月的窗口将产生一组数据，而三个月的窗口将产生更多数据，等等。回到多久的过去以包括定位数据可以基于期望的精确等级、期望的速度等级、或者一些其他可配置的设置而不同。
与区块相对应的地面上的区域的大小也可以不同并且可以取决于地图的粒度。例如，区块可以被设置为对应于地面上的3米乘3米的区域。可以执行对区块与地面的对应性的调节以增加精确度、增加速度、或者实现一些其他性能目标。
接下来，实体分类***101从与地图121中的每个区块相关联的GPS记录产生每个区块的标量表征(步骤203)。标量表征可以包括例如与区块相关联的记录的数量、区块的平均位置、区块的平均速度、平均去向、以及平均精确度。
实体分类***101接着使用区块的标量表征和其他区块的标量表征作为输入来执行将区块二元分类为道路或一些其他类型的实体(步骤205)。在简要的示例中，区块的标量表征和其他区块的标量表征可以与其实体分类已知的经标记的区块的标量表征进行比较。
图3示出了实体分类***的特征和功能的另一示例中的操作场景300。在操作场景300中，地图301包括一组离散定位点的可视化303。所述点可以从匿名的非踪迹GPS记录中得出，并且根据其经度和纬度被绘制在地图301中。
可以在地图301中选择兴趣区域305以供分类分析。兴趣区域305的放大的视图306包括关于该兴趣区域而覆盖的网格。所述网格包括根据x轴上的a-i和y轴上的1-7而定义的区块。实体分类***产生对兴趣区域305中的每个区块的标量表征。标量表征方面的差别以区块中的不同填充模式而被视觉地表示。
每个区块可以基于其标量表征以及针对至少一个其他区块的至少一个其他标量表征而被分类。在该示例中，可以使用围绕给定区块的其他区块来将该给定区块分类。例如，如果区块f4在被分类，则其标量表征以及针对区块e3-5、f3、f5和g3-5的标量表征将被考虑。如果区块e3在被分类，则其标量表征和针对区块d2-4、e2、e4和f2-f4的标量表征将充当对分类器的输入。
一旦地图中的实体已经被识别和/或更新，则可以产生所述实体的可视化。在该简化的示例中，可视化307表示已经由实体分类***从匿名的非踪迹GPS数据中识别的道路。应当领会的是，区块c2和f6中的数据点不被分类为道路，并且由此，在可视化307中的该空间中不存在道路。
图4示出了GPS记录400，其可以充当用于产生区块的标量表征的基础。GPS记录400指示定位信息，例如时间、经度和纬度、X和Y坐标、海拔高度、速度、去向、以及精确度、此外还有其他信息。这样的信息可以针对地图中的每个区块而被聚合，并且被处理以产生该区块的标量表征。例如，数十、数百、数千、或者甚至更多个体记录可以与给定的区块相关联。接着，可以从对该区块的所有记录的分析中得出该区块的标量表征。平均速度、平均去向、方差、以及其他信息可以从所有区块中被计算并且用于描述该区块。
在一些实现中，针对区块的标量表征是特征向量并且该特征向量中的每个值可以被认为是区块的特征。特征向量接着可以充当对分类器引擎的输入，所述分类器引擎能够确定区块是否是道路、商业场所、住宅、或一些其他类型的地图实体的一部分。
可以采用机器学习技术、使用地图中的实体针对其是已知的地图信息来训练分类器引擎。机器学习算法从训练数据产生一个或多个模型，接着可以应用所述模型来分类(或者重新分类)地图中的实体。
图5示出了在实现中可以由实体分类***采用的分类过程500。实体分类***首先将传感器数据离散化(步骤501)。接着，传感器数据被聚合(步骤503)，这意味着个体的数据点可以与地图中的具体区块相关联。定义地图的网格中的每个区块将因此具有与其相关联的一组离散的定位记录点。特征从针对每个区块的传感器数据被计算，并且用于构建充当对分类器模型的输入的特征向量(步骤505)。
同时，训练数据被标记(步骤507)并且用于训练分类器模块(步骤509)。例如，针对区块的实体类型已知的区块而产生特征向量。已知的特征向量接着成为用于评估已知区块的模型的一部分。已知的区块接着由分类引擎根据从训练数据所建立(513)的分类模型而被分类(511)。在一些实现中，新识别的区块也可以充当训练数据。
一旦兴趣区域中的区块已经被分类，则一个或多个地图可以被更新以反映所述多个区块中的每个区块的类型。例如，区块可以被分类为道路，并且其表征在地图数据库中被更新。最终，经更新的地图由人们在地面上使用以进行导航、找到兴趣地点，等等。
图6示出了实现中的另一分类过程600。在操作中，实体分类***接收对原始记录602的上传。原始记录可以是例如匿名的非追踪GPS数据，其是由部署在智能电话、个人GPS设备、车辆等中的GPS设备在一段时间内产生的。
原始记录602被清理(步骤603)以产生干净记录604，其接着以XML每日发布(步骤605)。每日XML记录606作为输入被提供至GPS提取功能(步骤607)，其从每日XML记录606中提取具体的数据片段以产生离散化的数据流608。可以使用替代或附加于XML的其他协议。
离散化的数据流基于每区块的基础、关于覆盖特定于给定记录的区域的一个或多个地图而被聚合(步骤609)。经聚合的区块610在该步骤中被产生，其提供对平滑步骤(步骤611)的输入。所述平滑产生经平滑的区块612，其被输入至几个接下来的步骤。
在一个路径中，相邻的区块彼此连结(步骤613)，并且特征向量615被产生。特征向量615被输入至训练步骤和匿名检测步骤。
参考回经平滑的区块612，它们用于生成*.ply文件(步骤621)。*.ply文件623被提供为输入以在多边形查看器中查看。经平滑的区块612也被处理以生成比特图(步骤631)。比特图633可以在比特图查看器中被查看(步骤635)。这些步骤是可选的，并且可以出于展示和排除故障的目的是有用的。
在一些实现中，经平滑的区块612也可以用于连结道路(步骤641)，在该情况下，经平滑的区块612成为经标记的区块643。经标记的区块643被处理以产生训练数据(步骤645)。训练数据647作为输入而被提供至用于训练分类器模型的机器学习***(步骤649)。
分类器模型可以包括道路分类器651、属性分类器653、商业分类器655、以及住宅分类器657。附加于或代替在本文中所包括的分类器的其他分类器是可能的。分类器被应用于数据以将地图内的实体分类为例如道路、属性、商业场所、住宅(步骤661)。接着，使用分类663来产生地图更新685。
除了作为输入被提供以对实体进行分类，特征向量615还可以作为用于更新分类器模型(步骤671)的输入而被提供，并且作为用于检测异常(步骤675)的输入被提供。历史模型673可以针对特征向量615而被处理，以随着时间检测改变681并且检测故障677。匿名检测可以作为对调节过程683的输入而被提供，其可以提供对由分类663所驱动的地图更新685的调节性影响。
图7示出了计算***701，其表示其中可以实现在本文中所公开的各种应用、服务、场景、和过程的任何***或***的集合。计算***701的示例包括但不限于服务器计算机、机架服务器、台式计算机、或者适合于实行在本文中所描述的分类操作的任何其他类型的计算***。在对地图实体进行分类的上下文中，这样的***可以采用一个或多个虚拟机、容器、或者任何其他类型的虚拟计算资源。
计算***701可以被实现为单个装置、***、或设备，或者可以以分布式方式被实现为多个装置、***、或设备。计算***701包括但不限于处理***702、存储***703、软件705、通信接口***707、以及用户接口***709。处理***702可操作地与存储***703、通信接口***707、以及用户接口***709相耦合。
处理***702从存储***703加载并执行软件705。软件705包括分类过程706，其表示关于先前图1-6所讨论的包括分类过程200、500、和600在内的过程。当由处理***702执行以增强分类操作时，软件705引导处理***702至少针对先前实现中所讨论的各种过程、操作场景和序列而如在本文中所描述的那样操作。计算***701可以可选地包括为了简明起见而没有讨论的额外设备、特征、或功能。
仍然参考图7，处理***702可以包括微处理器以及从存储***703取回软件705并执行软件705的其他电路。处理***702可以在单个处理设备内实现，但是也可以跨在执行程序指令时协作的多个处理设备或子***而分布。处理***702的示例包括通用中央处理单元、专用处理器、和逻辑器件，以及任何其他类型的处理设备、其组合或变型。
存储***703可以包括可以由处理***702读取并且能够存储软件705的任何计算机可读存储介质。存储***703可以包括以任何用于存储信息(例如，计算机可读指令、数据结构、程序模块、或其他数据)的方法或技术实现的易失性和非易失性、可移动和不可移动介质。存储介质的示例包括随机存取存储器、只读存储器、磁盘、光盘、闪速存储器、虚拟存储器和非虚拟存储器、盒式磁带、磁带、磁盘存储器或其他磁存储设备、或者任何其他合适的存储介质。计算机可读存储介质无论如何都不是传播信号。
除了计算机可读存储介质以外，在一些实现中，存储***703还可以包括软件705中的至少一些软件可以内部地或外部地通过其传送的计算机可读通信介质。存储***703可以被实现为单个存储设备，但也可以跨位于同一位置或相对于彼此分布的多个存储设备或子***来实现。存储***703可以包括能够与处理***702或者可能的其他***进行通信的额外的元件，例如控制器。
可以以程序指令来实现软件705，并且当由处理***702执行时，所述软件705引导处理***702如关于在本文中所示出的各种操作性场景、顺序、和过程所描述的那样操作。例如，软件705可以包括用于实现对数字地图的增强的实体分类的程序指令。
特别地，程序指令可以包括协作或以其他方式进行交互以实行在本文中所描述的各种处理和操作场景的各种组件或模块。可以以经编译或经解译的指令或者以指令的一些其他变型或组合来实施各种组件或模块。可以以同步或非同步的方式、顺序地或并行地、在单线程的环境中或在多线程的环境中、或者根据任何其他合适的执行范例、变型、或其组合来执行各种组件或模块。软件705可以包括除了分类过程706或者包括分类过程706的额外的过程、程序、或组件，例如操作***软件、虚拟机软件、或其他应用软件。软件705也可以包括固件或者可以由处理***702执行的一些其他形式的机器可读处理指令。
通常而言，当被加载到处理***702中并被执行时，软件705可以将合适的装置、***、或设备(其由计算***701所表示)全部从通用计算***转换成专用计算***，所述专用计算***被定制为增强实体分类操作。事实上，将软件705编码在存储***703上可以转换存储***703的物理结构。物理结构的具体的转换可以取决于该说明书的不同的实现中的各种因素。这样的因素的示例包括但不限于：用于实现存储***703的存储介质的技术和计算机存储介质被表征为主要存储还是次要存储，以及其他因素。
例如，如果计算机可读存储介质被实现为基于半导体的存储器，则当程序指令被编码在其中时，软件705可以转换半导体存储器的物理状态，例如，通过转换晶体管、电容器、或构成半导体存储器的其他分立电路器件的状态。可以关于磁或光介质而发生类似的转换。物理介质的其他转换是可能的而不脱离本说明的范围，其中，仅仅为了促进本讨论而提供了前述的示例。
通信接口***707可以包括支持通过通信网络(未示出)与其他计算***(未示出)进行通信的通信连接和通信设备。共同支持***间通信的连接的示例可以包括：网络接口卡、天线、功率放大器、RF电路、收发机、以及其他通信电路。连接和设备可以通过通信介质来进行通信以与其他计算***或***的网络交换通信，所述通信介质例如金属、玻璃、空气、或任何合适的通信介质。前述的介质、连接、和设备是公知的并且不需要在这里详细讨论。
用户接口***709可以包括：键盘、鼠标、语音输入设备、用于从用户接收触摸输入的触摸输入设备、用于检测用户的非触摸手势和其他运动的运动输入设备、和能够从用户接收用户输入的其他类似的输入设备和相关联的处理元件。在用户接口***709中还可以包括诸如显示器、扬声器、触觉设备、和其他类型的输出设备之类的输出设备。在一些情况下，可以将输入和输出组合在单个设备中，例如能够显示图像并且能够接收触摸手势的显示器。前述的用户输入设备和输出设备是在本领域中公知的并且不需要在这里详细讨论。
用户接口***709还可以包括可以由处理***702执行的、支持在上文中所讨论的各种用户输入和输出设备的相关联的用户界面软件。独立地或彼此并且与硬件元件和软件元件相结合地，用户界面软件和用户界面设备可以支持图形用户界面、自然用户界面、或任何其他类型的用户界面。
计算***701与任何其他计算***(未示出)之间的通信可以通过通信网络或多个通信网络并且根据各种通信协议、协议的组合、或其变型来进行。示例包括：内联网、互联网、局域网、广域网、无线网络、有线网络、虚拟网络、软件定义的网络、数据中心总线、计算背板、或任何其他类型的网络、网络的组合、或其变型。前述的通信网络和协议是公知的并且不需要在这里详细讨论。然而，可以使用的一些通信协议包括但不限于：互联网协议(IP、IPv4、IPv6等)、传输控制协议(TCP)、和用户数据报协议(UDP)、以及任何其他合适的通信协议、其变型或组合。
某些发明方面可以从以上公开中领会到，以下给出其各种示例：
示例1.一种用于自动地识别数字地图中的道路的方法，包括：将覆盖地图的网格中的多个区块与离散定位记录相关联，所述离散定位记录是由在所述地图中表示的区域中操作的移动设备所产生的；产生所述网格中的兴趣区域中的每个区块的标量表征，所述产生是基于与所述区块相关联的所述离散定位记录的子集的；以及针对所述兴趣区域中的所述多个区块中的每个区块，至少部分基于针对所述区块所产生的标量表征和针对所述兴趣区域中的其他区块所产生的其他标量表征来执行将所述区块二元分类为道路。
示例2.根据示例1所述的方法，其中，所述兴趣区域中的每个区块的标量表征包括具有特征的特征向量，并且其中，产生所述标量表征包括：从包括在所述离散定位记录中的数据推导所述特征；以及从所述特征构建所述特征向量。
示例3.根据示例1-2所述的方法，其中，执行对所述区块的所述二元分类包括将针对所述区块的特征向量和针对所述其他区块的其他特征向量作为输入提交至二元分类器。
示例4.根据示例1-3所述的方法，其中，所述其他区块包括所述兴趣区域中的所述多个区块中围绕所述网格中的所述区块的子集。
示例5.根据示例1-4所述的方法，其中，针对所述区块的所述标量表征包括关于与所述区块相关联的所述离散定位记录的子集的统计信息。
示例6.根据示例1-5所述的方法，其中，所述统计信息包括：记录的数量、平均速度、速度的方差、平均去向、去向的方差、以及每个统计信息的协方差。
示例7.根据示例1-6所述的方法，其中，所述离散定位记录包括非踪迹全球定位***(GPS)记录。
示例8.一种计算装置，包括：一个或多个计算机可读存储介质；处理***，其与所述一个或多个计算机可读存储介质可操作地耦合；以及存储在所述一个或多个计算机可读存储介质上、以用于自动地识别数字地图中的道路的程序指令，所述程序指令当由所述处理***执行时，引导所述处理***至少执行以下操作：将覆盖地图的网格中的多个区块与离散定位记录相关联，所述离散定位记录是由在所述地图中表示的区域中操作的移动设备所产生的；产生所述网格中的兴趣区域中的每个区块的标量表征，所述产生是基于与所述区块相关联的所述离散定位记录的子集的；以及针对所述兴趣区域中的所述多个区块中的每个区块，至少部分基于针对所述区块所产生的标量表征和针对所述兴趣区域中的其他区块所产生的其他标量表征来执行将所述区块二元分类为道路。
示例9.根据示例8所述的计算装置，其中，所述兴趣区域中的每个区块的标量表征包括具有特征的特征向量，并且其中，产生所述标量表征包括：从包括在所述离散定位记录中的数据推导所述特征；以及从所述特征构建所述特征向量。
示例10.根据示例8-9所述的计算装置，其中，为了执行对所述区块的二元分类，所述程序指令引导所述处理***提交针对所述区块的特征向量以及针对所述其他区块的其他特征向量作为对二元分类器的输入。
示例11.根据示例8-10所述的计算装置，其中，所述其他区块包括所述兴趣区域中的所述多个区块中围绕所述网格中的所述区块的子集。
示例12.根据示例8-11所述的计算装置，其中，针对所述区块的所述标量表征包括关于与所述区块相关联的所述离散定位记录的子集的统计信息。
示例13.根据示例8-12所述的计算装置，其中，所述统计信息包括：记录的数量、平均速度、速度的方差、平均去向、去向的方差、以及每个统计信息的协方差。
示例14.根据示例8-13所述的计算装置，其中，所述离散定位记录包括非踪迹全球定位***(GPS)记录。
示例15.一种用于自动地识别数字地图中的地图特征的方法，包括：将覆盖地图的网格中的多个区块与离散定位记录相关联，所述离散定位记录是由在所述地图中表示的区域中操作的移动设备所产生的；产生所述网格中的兴趣区域中的每个区块的标量表征，所述产生是基于与所述区块相关联的所述离散定位记录的子集的；以及针对所述兴趣区域中的所述多个区块中的每个区块，至少部分基于针对所述区块所产生的标量表征和针对所述兴趣区域中的其他区块所产生的其他标量表征来执行将所述区块二元分类为道路。
示例16.根据示例15所述的方法，其中，所述兴趣区域中的每个区块的标量表征包括具有特征的特征向量，并且其中，产生所述标量表征包括：从包括在所述离散定位记录中的数据推导所述特征；以及从所述特征构建所述特征向量。
示例17.根据示例15-16所述的方法，其中，所述多个可能的地图特征包括道路、商业场所、和住宅。
示例18.根据示例15-17所述的方法，其中，针对所述区块的所述标量表征包括关于与所述区块相关联的所述离散定位记录的子集的统计信息。
示例19.根据示例15-18所述的方法，其中，所述统计信息包括记录的数量、平均速度、速度的方差、平均去向、以及去向的方差。
示例20.根据示例15-19所述的方法，其中，所述离散定位记录包括非踪迹全球定位***(GPS)记录。
在附图中所提供的功能块图、操作场景和序列、以及流程图代表用于执行本公开的新颖的方面的示例性***、环境、和方法。尽管出于简化说明的目的，在本文中所包括的方法可以是以功能图、操作场景或序列、或流程图的形式的，并且可以被描述为一系列操作，但应当理解和领会的是，所述方法不受操作的顺序的限制，这是因为与此对应，一些操作可以以与在本文中所示出和描述的其他操作不同的顺序和/或同时进行。例如，本领域技术人员将理解并领会的是，方法可以可替代地被表示为一系列的相关的状态或事件，例如在状态图中。此外，不是在方法中所示出的所有的操作都针对新颖的实现而被需要。
所包括的描述和图描绘了具体的实现以教导本领域技术人员如何制作和使用最佳选项。出于教导发明性原理的目的，已经简化或省略了一些传统的方面。本领域技术人员将从落在本发明的范围内的这些实现中理解变型。本领域技术人员还将理解的是，可以以各种方法组合在上文中所描述的特征以形成多个实现。作为结果，本发明不限于在上文中所描述的具体的实现，而是仅由示例及其等价物来限制。

Claims (14)

1.一种用于自动地识别数字地图中的道路的方法，包括：
将覆盖地图的网格中的多个区块与离散定位记录相关联，所述离散定位记录是由在所述地图中表示的区域中操作的移动设备所产生的；
产生所述网格中的兴趣区域中的每个区块的特征向量，所述产生是基于与所述区块相关联的所述离散定位记录的子集的；以及
针对所述兴趣区域中的所述多个区块中的每个区块，至少部分基于针对所述区块所产生的特征向量和针对所述兴趣区域中的其他区块所产生的其他特征向量来执行将所述区块二元分类为道路；以及
基于所述二元分类指示所述区块为道路来产生地图更新。
2.根据权利要求1所述的方法，其中，产生所述特征向量包括：
从包括在所述离散定位记录中的数据推导所述特征；以及
从所述特征构建所述特征向量。
3.根据权利要求2所述的方法，其中，执行对所述区块的所述二元分类包括将针对所述区块的特征向量和针对所述其他区块的其他特征向量作为输入提交至二元分类器。
4.根据权利要求3所述的方法，其中，所述其他区块包括所述兴趣区域中的所述多个区块中围绕所述网格中的所述区块的子集。
5.根据权利要求4所述的方法，其中，针对所述区块的所述特征向量包括关于与所述区块相关联的所述离散定位记录的所述子集的统计信息。
6.根据权利要求5所述的方法，其中，所述统计信息包括：记录的数量、平均速度、速度的方差、平均去向、去向的方差、以及所述统计信息中的每个统计信息的协方差。
7.根据权利要求6所述的方法，其中，所述离散定位记录包括非踪迹全球定位***(GPS)记录。
8.一种计算装置，包括：
一个或多个计算机可读存储介质；
处理***，其与所述一个或多个计算机可读存储介质可操作地耦合；以及
存储在所述一个或多个计算机可读存储介质上、以用于自动地识别数字地图中的道路的程序指令，所述程序指令当由所述处理***执行时，引导所述处理***至少执行以下操作：
将覆盖地图的网格中的多个区块与离散定位记录相关联，所述离散定位记录是由在所述地图中表示的区域中操作的移动设备所产生的；
产生所述网格中的兴趣区域中的每个区块的特征向量，所述产生是基于与所述区块相关联的所述离散定位记录的子集的；以及
针对所述兴趣区域中的所述多个区块中的每个区块，至少部分基于针对所述区块所产生的特征向量和针对所述兴趣区域中的其他区块所产生的其他特征向量来执行将所述区块二元分类为道路；以及
基于所述二元分类指示所述区块为道路来产生地图更新。
9.根据权利要求8所述的计算装置，其中，为了产生所述特征向量，所述程序指令引导所述处理***：
从包括在所述离散定位记录中的数据推导所述特征；以及
从所述特征构建所述特征向量。
10.根据权利要求9所述的计算装置，其中，为了执行对所述区块的所述二元分类，所述程序指令引导所述处理***将针对所述区块的特征向量和针对所述其他区块的其他特征向量作为输入提交至二元分类器。
11.根据权利要求10所述的计算装置，其中，所述其他区块包括所述兴趣区域中的所述多个区块中围绕所述网格中的所述区块的子集。
12.根据权利要求11所述的计算装置，其中，针对所述区块的所述特征向量包括关于与所述区块相关联的所述离散定位记录的所述子集的统计信息。
13.根据权利要求12所述的计算装置，其中，所述统计信息包括：记录的数量、平均速度、速度的方差、平均去向、以及去向的方差。
14.根据权利要求13所述的计算装置，其中，所述离散定位记录包括非踪迹全球定位***(GPS)记录。
CN201780030792.9A 2016-05-19 2017-05-15 使用离散非踪迹定位数据将数字图中的实体分类 Active CN109154938B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US15/159,124 US11255678B2 (en) 2016-05-19 2016-05-19 Classifying entities in digital maps using discrete non-trace positioning data
US15/159,124 2016-05-19
PCT/US2017/032576 WO2017200889A1 (en) 2016-05-19 2017-05-15 Classifying entities in digital maps using discrete non-trace positioning data

Publications (2)

Publication Number Publication Date
CN109154938A CN109154938A (zh) 2019-01-04
CN109154938B true CN109154938B (zh) 2021-11-09

Family

ID=58772654

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780030792.9A Active CN109154938B (zh) 2016-05-19 2017-05-15 使用离散非踪迹定位数据将数字图中的实体分类

Country Status (4)

Country Link
US (1) US11255678B2 (zh)
EP (1) EP3443482B1 (zh)
CN (1) CN109154938B (zh)
WO (1) WO2017200889A1 (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11255678B2 (en) * 2016-05-19 2022-02-22 Microsoft Technology Licensing, Llc Classifying entities in digital maps using discrete non-trace positioning data
CN110211204B (zh) * 2018-03-06 2022-07-26 腾讯科技（深圳）有限公司 一种确定道路任务包的方法、装置及存储介质
US10460495B1 (en) 2018-05-23 2019-10-29 Mapbox, Inc. Efficient label insertion and collision handling
US10489954B1 (en) * 2018-05-23 2019-11-26 Mapbox, Inc. Efficient duplicate label handling
EP3722753A1 (en) * 2019-04-10 2020-10-14 SAFEmine AG Gnss-based map generation
US11946769B2 (en) * 2020-11-20 2024-04-02 Here Global B.V. Method, apparatus, and system for identifying special areas and cleaning-up map data
US11657625B2 (en) * 2020-12-18 2023-05-23 Toyota Research Institue, Inc. System and method for determining implicit lane boundaries

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102436678A (zh) * 2010-09-29 2012-05-02 比亚迪股份有限公司 一种三维道路模型生成方法及***
US8730258B1 (en) * 2011-06-30 2014-05-20 Google Inc. Anti-aliasing of straight lines within a map image
CN104807468A (zh) * 2014-11-13 2015-07-29 厦门大学 一种多目的地地图的自动简化及布局优化方法和***

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5948040A (en) * 1994-06-24 1999-09-07 Delorme Publishing Co. Travel reservation information and planning system
US6198431B1 (en) 1998-08-27 2001-03-06 Maptrek Llc Compact GPS tracker and customized mapping system
US6385539B1 (en) 1999-08-13 2002-05-07 Daimlerchrysler Ag Method and system for autonomously developing or augmenting geographical databases by mining uncoordinated probe data
US6975939B2 (en) 2002-07-29 2005-12-13 The United States Of America As Represented By The Secretary Of The Army Mapping patterns of movement based on the aggregation of spatial information contained in wireless transmissions
CN100388274C (zh) 2003-12-05 2008-05-14 英业达股份有限公司 电子地图制作***及其方法
JP4858197B2 (ja) 2007-01-31 2012-01-18 ソニー株式会社 情報処理装置、画像表示装置、情報処理システム、情報処理方法およびプログラム
US8612136B2 (en) 2008-08-27 2013-12-17 Waze Mobile Ltd. System and method for road map creation
US20100211960A1 (en) 2009-02-17 2010-08-19 Google Inc. Characterizing User Information
JP5511060B2 (ja) * 2010-03-23 2014-06-04 アイシン・エィ・ダブリュ株式会社 地図更新データ供給装置及び地図更新データ供給プログラム
US8340685B2 (en) 2010-08-25 2012-12-25 The Nielsen Company (Us), Llc Methods, systems and apparatus to generate market segmentation data with anonymous location data
CN102183259B (zh) 2011-03-17 2014-07-23 武汉光庭信息技术有限公司 基于电子地图道路特征识别的导航方法
US8521128B1 (en) 2011-12-09 2013-08-27 Google Inc. Method, system, and computer program product for obtaining crowd-sourced location information
US9756172B2 (en) * 2012-06-05 2017-09-05 Apple Inc. Methods and apparatus for determining environmental factors to modify hardware or system operation
US9245360B2 (en) 2012-06-21 2016-01-26 Google Inc. Computing devices and methods for deterministically placing geometric shapes within geographic maps
DE102012023481A1 (de) * 2012-10-30 2014-04-30 Volkswagen Aktiengesellschaft Vorrichtung, Verfahren und Computerprogramm zur räumlichen Darstellung eines digitalen Kartenausschnitts
US8849308B2 (en) * 2012-11-21 2014-09-30 Apple Inc. Tiling of map data
US9443326B2 (en) 2013-12-10 2016-09-13 Microsoft Technology Licensing, Llc Semantic place labels
WO2015150855A1 (en) 2014-04-04 2015-10-08 Basalamah Anas M A method and system for crowd sensing to be used for automatic semantic identification
US9842282B2 (en) * 2015-05-22 2017-12-12 Here Global B.V. Method and apparatus for classifying objects and clutter removal of some three-dimensional images of the objects in a presentation
US11255678B2 (en) * 2016-05-19 2022-02-22 Microsoft Technology Licensing, Llc Classifying entities in digital maps using discrete non-trace positioning data

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102436678A (zh) * 2010-09-29 2012-05-02 比亚迪股份有限公司 一种三维道路模型生成方法及***
US8730258B1 (en) * 2011-06-30 2014-05-20 Google Inc. Anti-aliasing of straight lines within a map image
CN104807468A (zh) * 2014-11-13 2015-07-29 厦门大学 一种多目的地地图的自动简化及布局优化方法和***

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"A method of digital map construction with road feature extraction using 2-dimensional laser range finder";Kyungjae Ahn;Taekgyu Lee;Yeonsik Kang;《2015 15th International Conference on Control, Automation and Systems (ICCAS)》;20151228;全文 *
"基于电子地图道路特征识别的导航方法";朱敦尧; 苏晓聪;《科技成果》;20140723;全文 *
"彩色数字栅格地图中道路识别与提取";寇曼曼;王勤忠;谭同德;《计算机工程》;20120705;第38卷(第13期);全文 *

Also Published As

Publication number Publication date
US20170336215A1 (en) 2017-11-23
CN109154938A (zh) 2019-01-04
EP3443482B1 (en) 2020-12-09
US11255678B2 (en) 2022-02-22
WO2017200889A1 (en) 2017-11-23
EP3443482A1 (en) 2019-02-20

Similar Documents

Publication Publication Date Title
CN109154938B (zh) 使用离散非踪迹定位数据将数字图中的实体分类
CN110879959B (zh) 生成数据集的方法及装置、利用其的测试方法及测试装置
US20220032933A1 (en) Systems and methods for generating a task offloading strategy for a vehicular edge-computing environment
US11314989B2 (en) Training a generative model and a discriminative model
JP2018097807A (ja) 学習装置
KR20170136588A (ko) 공간 트랜스포머 모듈들
US10244060B2 (en) Determining seeds for targeted notifications through online social networks in conjunction with user mobility data
JP7273129B2 (ja) 車線検出方法、装置、電子機器、記憶媒体及び車両
US20160364472A1 (en) Functional space-time trajectory clustering
US10972862B2 (en) Visitor insights based on hyper-locating places-of-interest
CN110879960B (zh) 生成卷积神经网络学习用图像数据集的方法及计算装置
CN111488873B (zh) 一种基于弱监督学习的字符级场景文字检测方法和装置
JP7218754B2 (ja) 空き家判定装置、空き家判定方法およびプログラム
JP6612486B1 (ja) 学習装置、分類装置、学習方法、分類方法、学習プログラム、及び分類プログラム
JP2023015165A (ja) ホログラフィー量子力学シミュレーション
Liu et al. Towards vehicle-to-everything autonomous driving: A survey on collaborative perception
Chattaraj et al. Semi-automated object-based landform classification modelling in a part of the Deccan Plateau of central India
Ghani et al. Accuracy Assessment of Urban Growth Pattern Classification Methods Using Confusion Matrix and ROC Analysis
CN116758360B (zh) 土地空间用途管理方法及其***
Yin et al. Multimodal fusion of satellite images and crowdsourced GPS traces for robust road attribute detection
CN110321854B (zh) 用于检测目标对象的方法和装置
Zhang et al. Lateral distance detection model based on convolutional neural network
US11449769B2 (en) Cognitive analytics for graphical legacy documents
JP6800901B2 (ja) 物体領域識別装置、物体領域識別方法およびプログラム
CN113808142B (zh) 一种地面标识的识别方法、装置、电子设备

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