CN115585816B - 车道级地图匹配方法和装置 - Google Patents
车道级地图匹配方法和装置 Download PDFInfo
- Publication number
- CN115585816B CN115585816B CN202211469907.3A CN202211469907A CN115585816B CN 115585816 B CN115585816 B CN 115585816B CN 202211469907 A CN202211469907 A CN 202211469907A CN 115585816 B CN115585816 B CN 115585816B
- Authority
- CN
- China
- Prior art keywords
- lane
- observation
- probability
- road
- level
- 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
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
- G01C21/26—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)
- Traffic Control Systems (AREA)
Abstract
本公开提供了一种车道级地图匹配方法和装置,涉及计算机技术和数据处理技术,具体涉及高精地图技术,可以应用于自动驾驶、自主泊车和智能交通。具体实现方案为:获取车辆行驶于预设高精路网的观测序列,预设高精路网包括多个路段,每一路段包括车道组,车道组包括多条车道,获取观测序列中两个相邻观测点的切换类型,切换类型用于表征两个相邻观测点是否为同一车道组的观测点,采样与切换类型对应的计算方法,计算得到两个相邻观测点之间的转移概率,并根据转移概率和获取到的发射概率,确定与观测序列匹配的目标车道级路径,不同的切换类型对应的计算方法不同,实现了车道级地图匹配。
Description
技术领域
本公开涉及计算机技术和数据处理技术,具体涉及高精地图技术,可以应用于自动驾驶、自主泊车和智能交通,尤其涉及一种车道级地图匹配方法和装置。
背景技术
隐马尔科夫模型被广泛地应用于各个领域,如隐马尔科夫模型可以被应用于语音识别和光学字符识别领域,隐马尔科夫模型也可以被应用于机器翻译领域,隐马尔科夫模型也可以被应用于地图匹配领域。
当隐马尔科夫模型被应用于地图匹配领域时,可以基于当隐马尔科夫模型的主要流程:1)寻找候选路网点;2)计算发射概率和转移概率;3)计算结果实现的为道路级的地图匹配。
发明内容
本公开提供了一种车道级地图匹配方法和装置,用于实现车道级的地图匹配。
根据本公开的第一方面,提供了一种车道级地图匹配方法,包括:
获取车辆行驶于预设高精路网的观测序列,其中,所述预设高精路网包括多个路段,每一路段包括车道组,车道组包括多条车道;
获取所述观测序列中两个相邻观测点的切换类型,其中,所述切换类型用于表征所述两个相邻观测点是否为同一车道组的观测点;
采样与所述切换类型对应的计算方法,计算得到所述两个相邻观测点之间的转移概率,并根据所述转移概率和获取到的发射概率,确定与所述观测序列匹配的目标车道级路径,其中,不同的切换类型对应的计算方法不同。
根据本公开的第二方面,提供了一种车道级地图匹配装置,包括:
第一获取单元,用于获取车辆行驶于预设高精路网的观测序列,其中,所述预设高精路网包括多个路段,每一路段包括车道组,车道组包括多条车道;
第二获取单元,用于获取所述观测序列中两个相邻观测点的切换类型,其中,所述切换类型用于表征所述两个相邻观测点是否为同一车道组的观测点;
计算单元,用于采样与所述切换类型对应的计算方法,计算得到所述两个相邻观测点之间的转移概率;
第一确定单元,用于根据所述转移概率和获取到的发射概率,确定与所述观测序列匹配的目标车道级路径,其中,不同的切换类型对应的计算方法不同。
根据本公开的第三方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行第一方面所述的方法。
根据本公开的第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据第一方面所述的方法。
根据本公开的第五方面,提供了一种计算机程序产品,所述计算机程序产品包括:计算机程序,所述计算机程序存储在可读存储介质中,电子设备的至少一个处理器可以从所述可读存储介质读取所述计算机程序,所述至少一个处理器执行所述计算机程序使得电子设备执行第一方面所述的方法。
本公开提供的车道级地图匹配方法和装置,包括:获取车辆行驶于预设高精路网的观测序列,其中,预设高精路网包括多个路段,每一路段包括车道组,车道组包括多条车道,获取观测序列中两个相邻观测点的切换类型,其中,切换类型用于表征两个相邻观测点是否为同一车道组的观测点,采样与切换类型对应的计算方法,计算得到两个相邻观测点之间的转移概率,并根据转移概率和获取到的发射概率,确定与观测序列匹配的目标车道级路径,其中,不同的切换类型对应的计算方法不同,通过结合预设高精路网确定两个相邻观测点的切换类型,以采用与切换类型对应的计算方法计算得到两个相邻观测点之间的转移概率,并结合转移概率和获取到的发射概率确定目标车道级路径的技术特征,实现了车道级地图匹配,从而提高了地图匹配的准确性和可靠性。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开第一实施例的示意图;
图2是根据本公开的预设普精路网和预设高精路网的示意图;
图3是根据本公开第二实施例的示意图;
图4是根据本公开的道路级地图匹配的实现、以及车道级地图匹配的实现的比对示意图;
图5是根据本公开第三实施例的示意图;
图6是根据本公开第四实施例的示意图;
图7是根据本公开第五实施例的示意图;
图8是本公开实施例的车道级地图匹配方法的原理示意图;
图9是根据本公开的道路级匹配结果、以及目标车道级路径的比对示意图;
图10是根据本公开的车道级地图匹配方法的服务***的示意图;
图11是根据本公开第六实施例的示意图;
图12是根据本公开第七实施例的示意图;
图13是根据本公开第八实施例的示意图;
图14是用来实现本公开实施例的车道级地图匹配方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
为便于读者对本公开地理解,现对本公开的至少部分技术术语进行阐述如下:
路网,是指在一定区域内,由各种道路组成的相互联络、交织成网状分布的道路***。
隐马尔科夫模型(Hidden Markov Model,HMM),隐马尔科夫模型被广泛地应用于各个领域,如隐马尔科夫模型可以被应用于语音识别和光学字符识别领域,隐马尔科夫模型也可以被应用于机器翻译领域,隐马尔科夫模型也可以被应用于地图匹配领域。
示例性的,当隐马尔科夫模型用于地图匹配领域时,隐马尔科夫模型可以理解为用于确定观测序列的匹配路径(也可以称为观测路径)的模型,即隐马尔科夫模型的输入为观测序列,输出为匹配路径。
其中,观测序列为采样点序列,如观测序列为车辆行驶于道路的全球定位***(Global Positioning System,GPS)采样点的序列,也可以称为轨迹数据。
示例性的,车辆上部署有全球定位***,当车辆行驶与道路时,全球定位***可以对车辆的位置进行采样,得到采样点,由于车辆行驶为持续性的,即在时间上具有时序性,因此,通过采样可以得到包括多个采样点的采样点序列(即观测序列)。
隐马尔科夫模型的主要流程可以分为三步,分别为:1)寻找候选路网点;2)计算发射概率和转移概率;3)计算结果。
关于寻找候选路网点地描述如下:
寻找候选路网点,是指针对观测序列中的每一观测点,在路网中,确定距离该观测点预设距离范围内的路段,计算确定出的路段上距离该观测点最近的位置,确定出的路段上的该位置的点即为候选路网点。
其中,候选路网点的数量至少为一个,即候选路网点的数量可能为一个,也可能为多个。预设距离范围可以基于需求、历史记录、以及试验等方式确定,本实施例不做限定,如预设距离范围可以为50米。
例如,针对匹配精度相对较高的匹配场景,预设距离范围可以设置为相对较小的值;反之,针对匹配精度相对较低的匹配场景,预设距离范围可以设置为相对较大的值。
计算发射概率地描述如下:
发射概率也可以称为放射概率,是指观测序列对应在路段上的概率。计算发射概率的方法包括:针对每一观测点,计算得到该观测点与候选路网点之间的距离(可以称为距离因子)、角度(可以称为角度因子),根据距离因子和角度因子计算得到发射概率(该发射概率可以理解为该观测点为候选路网点所处的路段的点的概率)。
计算转移概率地描述如下:
转移概率,是指车辆从一个路段行驶至另一个路段的概率,如车辆从观测序列中的两个相邻观测点中的一个观测点所处的路段,行驶至两个相邻观测点中的另一个观测点所处的路段的概率。
示例性的,两个相邻观测点为第一观测点和第二观测点,第一观测点所处的路段为第一路段,第二观测点所处的路段为第二路段,车辆从第一路段行驶至第二路段的概率可以称为转移概率。其中,第一路段和第二路段可以为相同的路段,也可以为不同的路段。
计算转移概率的方法包括:针对上一观测点的候选路网点集合、与当前观测点的候选路网点集合中的每一组候选点,根据该组候选点之间的距离和路程计算得到该组候选点之间的转移概率。
计算结果地描述如下:
在计算得到发射概率和转移概率后,结合发射概率和转移概率计算得到维特比概率,如通过维特比(Viterbi)算法得到与观测序列对应的最优的道路级路径。
然而,结合上述分析可知,当隐马尔科夫模型被应用于地图匹配领域时,基于隐马尔科夫模型计算得到的与观测序列对应的路径是道路级路径。也就是说,在上述实施例,基于隐马尔科夫模型只能实现道路级地图匹配。
然而,随着自动驾驶技术的发展,以及用户对驾驶安全和驾驶精度的要求不断提升,道路级地图匹配已经无法满足地图匹配需求,如何实现车道级地图匹配成了亟待解决的问题。
为了实现车道级地图匹配,本公开提供了基于创造性劳动后的技术构思:预先编译得到高精路网,高精路网为车道级的路网,高精路网包括多个路段,每一路段包括车道组(如一个路段为一个车道组),一个车道组包括多条车道,基于高精路网对转移概率和/或发射概率的计算方式进行调整,以实现车道级地图匹配。
基于上述技术构思,本公开提供一种车道级地图匹配方法和装置,涉及计算机技术和数据处理技术,具体涉及高精地图技术,可以应用于自动驾驶、自主泊车和智能交通,以达到车道级的地图匹配。
图1是根据本公开第一实施例的示意图,如图1所示,本公开实施例的车道级地图匹配方法包括:
S101:获取车辆行驶于预设高精路网的观测序列。
其中,预设高精路网包括多个路段,每一路段包括车道组,车道组包括多条车道。
示例性地,本实施例的执行主体可以为车道级地图匹配装置(下文简称匹配装置),匹配装置可以为服务器,也可以为路侧设备,也可以为终端设备,也可以为处理器,还可以为芯片,等等,本实施例不做限定。
其中,路侧设备例如有计算功能的路侧感知设备、与路侧感知设备相连接的路侧计算设备,在智能交通车路协同的***架构中,路侧设备包括路侧感知设备和路侧计算设备,路侧感知设备(例如路侧相机)连接到路侧计算设备(例如路侧计算单元RSCU),路侧计算设备连接到服务器,服务器可以通过各种方式与自动驾驶或辅助驾驶车辆通信;或者,路侧感知设备自身包括计算功能,则路侧感知设备直接连接到服务器。以上连接可以是有线或是无线。
若匹配装置为服务器,则服务器可以为本地服务器和云端服务器,服务器可以为云控平台、车路协同管理平台、中心子***、边缘计算平台、云计算平台等,服务器可以为独立的服务器,也可以为服务器集群,等等,此处不再一一列举。
预设高精路网可以为预先对路网编译得到的车道级路网。示例性的,结合上述分析可知,路网通常为道路级路网,本实施例为了实现车道级地图匹配,可以预先对道路级路网进行编译,得到车道级路网(即预设高精路网)。
示例性的,如图2所示,预设高精路网包括4个路段,每一路段包括车道组,相应的,4个路段对应的车道组为如图2所示的A、B、C、D。车道组包括多条车道,如图2中所示的车道组A包括A1、A2、A3、A4,4条车道组;车道组B包括B1、B2、B3、B4,4条车道组;车道组C包括C1、C2、C3、C4,4条车道组;车道组D包括D1、D2、D3、D4,4条车道组。
应该理解的是,图2只是用于示范性地说明,预设高精路网可能包括的路段数量、车道组数量、以及车道组内的车道数量,而不能理解为对预设高精路网的内容的限定。
同理,本实施例对观测序列中的观测点的数量不做限定。例如,观测序列中可以包括15个观测点,分别为如图2中所示的1、2直至15。
S102:获取观测序列中两个相邻观测点的切换类型。其中,切换类型用于表征两个相邻观测点是否为同一车道组的观测点。
示例性的,观测序列中包括多个观测点,位置相邻的两个观测点可以称为两个相邻观测点。
如图2所示,观测点1与观测点2为位置相邻的两个观测点,则可以将观测点1与观测点2称为两个相邻观测点,以此类推,可以将观测点14和观测点15称为两个相邻观测点。
相应的,切换类型可以理解为两个相邻观测点是同一车道组的两个观测点,或者,两个相邻观测点不是同一车道组的两个观测点。
例如,观测点2和观测点3为两个相邻观测点,观测点2为车道A1的观测点,车道A1为车道组A中的车道,观测点3为车道A1的观测点,车道A1为车道组A中的车道,因此,观测点2和观测点3均为车道组A中的观测点,则可以将观测点2和观测点3的切换类型确定为:切换类型表征观测点2和观测点3为同一车道组的观测点。
又如,观测点5和观测点6为两个相邻观测点,观测点5为车道A1的观测点,车道A1为车道组A中的车道,观测点6为车道B2的观测点,车道B2为车道组B中的车道,因此,观测点5和观测点6为不同车道组中的观测点,则可以将观测点5和观测点6的切换类型确定为:切换类型表征观测点5和观测点6不是同一车道组的观测点,即为切换类型表征观测点5和观测点6为不同车道组的观测点。
关于获取观测序列可以采用下述示例实现:
一个示例中,匹配装置可以与轨迹数据采集装置连接,并接收由轨迹数据采集装置发送的图像。其中,轨迹数据采集装置可以为车辆,也可以与车辆通信连接的其他装置。
另一个示例中,匹配装置可以提供载入轨迹数据的工具,用户可以通过该载入轨迹数据的工具将观测序列传输至匹配装置。
其中,载入轨迹数据的工具可以为用于与外接设备连接的接口,如用于与其他存储设备连接的接口,通过该接口获取外接设备传输的轨迹数据;载入轨迹数据的工具也可以为显示装置,如匹配装置可以在显示装置上输入载入轨迹数据功能的界面,用户可以通过该界面将观测序列导入至匹配装置,匹配装置获取导入的观测序列。
S103:采样与切换类型对应的计算方法,计算得到两个相邻观测点之间的转移概率,并根据转移概率和获取到的发射概率,确定与观测序列匹配的目标车道级路径。其中,不同的切换类型对应的计算方法不同。
结合上述分析,切换类型可能表征两个相邻观测点为同一车道组的观测点,也可能表征两个相邻观测点不是同一车道组的观测点。
在相关技术中,地图匹配为道路级地图匹配,在计算不同的两个相邻观测点之间的转移概率时,采用的计算方法相同,而在本实施例中,通过结合预设高精路网确定两个相邻观测点之间的切换类型,以针对不同的切换类型采用不同的计算方法实现转移概率的计算,以实现车道级地图匹配。
本实施例对不同切换类型各自对应的计算方法不做限定,如可以基于不同切换类型的特征确定各自对应的计算方法,也可以基于试验的方式确定与不同切换类型各自对对应的能够实现车道级地图匹配的计算方法,等等,此处不再一一列举。
在计算得到转移概率之后,可以结合转移概率和获取到的发射概率,确定得到目标车道级路径。
本实施例对具体结合转移概率和获取到的发射概率,确定得到目标车道级路径的方式不做限定。示例性的,结合上述示例,可以结合转移概率和获取到的发射概率计算维特比概率,以基于维特比概率确定目标车道级路径。
同理,本实施例对获取发射概率的方式不做限定,如可以如上所述的实施例所述的方法计算得到发射概率。
基于上述分析可知,本公开提供了一种车道级地图匹配方法,该方法包括:获取车辆行驶于预设高精路网的观测序列,其中,预设高精路网包括多个路段,每一路段包括车道组,车道组包括多条车道,获取观测序列中两个相邻观测点的切换类型,其中,切换类型用于表征两个相邻观测点是否为同一车道组的观测点,采样与切换类型对应的计算方法,计算得到两个相邻观测点之间的转移概率,并根据转移概率和获取到的发射概率,确定与观测序列匹配的目标车道级路径,其中,不同的切换类型对应的计算方法不同,在本实施例中,通过结合预设高精路网确定两个相邻观测点的切换类型,以采用与切换类型对应的计算方法计算得到两个相邻观测点之间的转移概率,并结合转移概率和获取到的发射概率确定目标车道级路径的技术特征,实现了车道级地图匹配,从而提高了地图匹配的准确性和可靠性。
也就是说,通过本公开实施例提供的车道级地图匹配方法,可以实现车道级的地图匹配,以基于车辆的行驶轨迹相对准确地确定,车辆行驶的道路以及该道路的车道。
相应的,在车辆导航的应用中,可以采用本实施例的车道级地图匹配方法,以为用户提供车道级的引导、车道级的路况、车道级的路线规划、以及车道级的事故挖掘能力,提高用户的导航体验。
为了便于读者更加深刻地理解,本公开改进转移概率的原理,现结合图3对本公开实施例的车道级地图匹配方法进行详细阐述。
其中,图3是根据本公开第二实施例的示意图,如图3所示,本公开实施例的车道级地图匹配方法包括:
S301:获取车辆行驶于预设高精路网的观测序列。
其中,预设高精路网包括多个路段,每一路段包括车道组,车道组包括多条车道。
应该理解的是,为了避免繁琐地陈述,关于本实施例与上述实施例中相同的技术特征,本实施例不再赘述。
示例性的,关于S301的实现原理,可以参阅S101,此处不再赘述。
S302:获取观测序列中两个相邻观测点的切换类型。
其中,切换类型用于表征两个相邻观测点是否为同一车道组的观测点。
示例性的,关于S302的实现原理,可以参阅S102,此处不再赘述。
S303:若切换类型表征两个相邻观测点为同一车道组的观测点,则获取两个相邻观测点之间的距离、两个相邻观测点之间的路程、以及两个相邻观测点之间的惩罚系数。
其中,惩罚系数是基于车辆在两个相邻观测点所处的车道之间的通行关系确定的。
结合上述实施例可知,在相关技术中,可以基于距离和路程计算得到转移转移概率,但在本实施例中,引入了惩罚系数的技术特征,以通过结合惩罚系数计算得到转移概率。
关于本实施例获取距离和路程的方式,本实施例不做限定。如可以基于两个相邻观测点的坐标计算得到距离,可以基于车辆从两个相邻观测点中的一个观测点行驶至另一个观测点的行驶长度确定路程。
车道之间的通行关系可以理解为车道之间是否可以通行的关系,如车辆是否可以从一个车道行驶至另一个车道。
相应的,车道之间的通行关系可以包括两种,一种为车道之间可以通行,如车辆可以从一个车道行驶至另一个车道,另一种为车道之间不可以通行,如车辆不可以从一个车道行驶至另一个车道。
在本实施例中,通过结合车辆在两个相邻观测点所处的车道之间的通行关系确定惩罚系数,以使得惩罚系数强关联于车道之间的通行关系。
示例性的,结合上述示例,观测点2和观测点3为同一车道组的观测点,则可以基于车辆在观测点2和观测点3各自所处的车道之间的通行关系,确定观测点2和观测点3之间的惩罚系数。
相应的,观测点2和观测点3均为车道A1中的观测点,因此,可以基于车辆在车道A1中通行关系,确定观测点2和观测点3之间的惩罚系数。
又如,观测点5和观测点6不是同一车道组的观测点,则可以基于车辆在观测点5和观测点6各自所处的车道之间的通行关系,确定观测点5和观测点6之间的惩罚系数。
相应的,观测点5为车道A1的观测点,观测点6为车道B2的观测点,则可以车辆在车道A1和车道B2之间的通行关系,确定观测点5和观测点6之间的惩罚系数。
S304:根据距离、路程、以及惩罚系数中的一个或者多个,计算得到转移概率。
示例性的,在一些实施例中,可以根据距离和路程计算得到转移概率。在另一些实施例中,也可以根据距离、路程以及惩罚系数,计算得到转移概率。
在本实施例中,由于结合了车辆在两个相邻观测点所处的车道之间的通行关系确定惩罚系数,因此,可以使得惩罚系数强关联于车道之间的通行关系,从而使得转移概率与车道之间的通行关系强相关,从而提高转移概率与现实场景中车辆是否可以在车道之间通行贴合,从而提高转移概率的有效性和可靠性。
在一些实施例中,若通行关系表征,车辆可以在两个相邻观测点所处的车道之间转移通行,则惩罚系数为1。
若通行关系表征,车辆不可以在两个相邻观测点所处的车道之间转移通行,则惩罚系数为0。
应该理解的是,本实施例中的惩罚系数为1是指惩罚系数为1或者接近为1(即可以有一定的合理误差)。惩罚系数为0是指惩罚系数为0或者接近为0(即可以有一定的合理误差)。
示例性的,若车辆可以从两个相邻观测点中的一个观测点所处的车道,行驶至两个相邻观测点中的另一个观测点所处的车道(即若通行关系表征,车辆可以在两个相邻观测点所处的车道之间转移通行),则两个相邻观测点的惩罚系数接近于1,以使得基于惩罚系数计算的转移概率相对可以基于距离和路程确定。
若车辆不可以从两个相邻观测点中的一个观测点所处的车道,行驶至连个相邻观测点中的另一个观测点所处的车道(即若通行关系表征,车辆不可以在两个相邻观测点所处的车道之间转移通行),则两个相邻观测点的惩罚系数接近于0,以使得基于惩罚系数计算的转移概率接近于0。
示例性的,如图2所示,观测点4为车道A1的观测点,观测点5为车道A2的观测点,观测点4与观测点5之间的车道线为实线,即在实际道路场景中,车辆无法从车道A1行驶至车道A2,若不引入惩罚系数,则计算得到的观测点4与观测点5之间转移概率会比较大,则可能将目标车道级路径确定为包括车道A2的路径,但在实际道路场景中,车辆的行驶路径不可能从车道A1行驶至车道A2,因此,若不引入惩罚系数,则确定出的目标车道级路径的准确性相对会比较低。
而在本实施例中,通过引入惩罚系数,由于惩罚系数是基于通行关系确定的,则在通行关系表征车辆无法从车道A1行驶至车道A2时,惩罚系数接近于0,则计算得到的转移概率也接近于0,则目标车道路径中大概率不会包括车道A2,从而可以使得目标车道路径具有较高的有效性和可靠性。
因此,由于若车辆不可以从两个相邻观测点中的一个观测点所处的车道,行驶至两个相邻观测点中的另一个观测点所处的车道,通过计算得到接近于0的转移概率,可以避免基于转移概率确定车辆无法正常通行的目标车道级路径,从而提高了车道级地图匹配的有效性和可靠性。
示例性的,通行关系(也可以称为路网约束)可以在网络编译的过程中确定。例如,在编译路网时,可以获取路网中的车道线,车道线可以通过虚线和实线表示,且一般而言,虚线用于表征两个车道之间可以通行,实线用于表征两个车道之间不可以通行。
因此,可以将通过虚线表示的车道线对应的两条车道之间的通行关系确定为:车辆不可以在该两条车道间进行转移,即车辆不可以从两条车道中的一条车道行驶至两条车道中的另一条车道;将通过实线表示的车道线对应的两条车道之间的通行关系确定为:车辆可以在该两条车道间进行转移,即车辆可以从两条车道中的一条车道行驶至两条车道中的另一条车道。
在另一些实施例中,还可以结合切换频率计算得到转移概率。
示例性的,S303可以替换为:若切换类型表征两个相邻观测点为同一车道组的观测点,则获取两个相邻观测点之间的距离、两个相邻观测点之间的路程、两个相邻观测点之间的惩罚系数、以及车辆在同一车道组的切换频率。其中,惩罚系数是基于车辆在两个相邻观测点所处的车道之间的通行关系确定的。
相应的,S304可以替换为:根据距离、路程、以及惩罚系数中的一个或者多个,以及切换频率,计算得到转移概率。
示例性的,在一些实施例中,可以根据距离、路程和切换频率计算得到转移概率。在另一些实施例中,也可以根据距离、路程、惩罚系数、切换频率,计算得到转移概率。
其中,切换频率可以理解为车辆在同一车道组内的切换的频率,如车辆在同一车道组内的不同车道之间的切换的频率。
在本实施例中,通过结合切换频率计算得到转移概率,相当于考虑了车辆行驶的稳定性和安全性等特征计算得到转移概率,从而进一步提高了转移概率的有效性和可靠性。
在一些实施例中,根据切换频率、距离、路程、以及惩罚系数,计算得到转移概率,可以包括如下步骤:
第一步骤:根据切换频率对惩罚系数进行调整,得到调整后的惩罚系数。其中,切换频率越大,惩罚系数越接近于0。
相对而言,考虑到车辆行驶的安全性和稳定性,车辆在同一车道组的切换相对不会太频繁,因此,在本实施例中,通过结合切换频率对惩罚系数进行调整,以便切换频率较大时,将惩罚系数调整为越接近为0的值,以使得惩罚系数与车辆的安全性和稳定性关联,从而提高调整后的惩罚系数的准确性和可靠性。
第二步骤:根据距离、路程、以及根据调整后的惩罚系数,计算得到转移概率。
在本实施例中,由于调整后的惩罚系数与车辆的安全性和稳定性关联,具有较高的准确性和可靠性,因此,当结合调整后的惩罚系数计算得到的转移概率具有较高的准确性和可靠性。
S305:若切换类型表征两个相邻观测点不是同一车道组的观测点,则获取两个相邻观测点之间的距离、两个相邻观测点之间的路程。
同理,关于S305的实现原理,可以参阅S303中的部分实现原理,如S303获取距离和路程的实现原理,此处不再赘述。
S306:根据距离和路程计算得到转移概率。
关于S306的实现原理,可以参见上述实施例中关于隐马尔科夫模型的主要流程中的3)计算结果的实现原理,此处不再赘述。
结合S302-306可知,本实施例中计算转移概率的原理可以理解为:
判断两个相邻观测点是否为同一车道组的观测点,如果是(即两个相邻观测点是同一车道组的观测点),则获取两个相邻观测点之间的距离、两个相邻观测点之间的路程、以及两个相邻观测点之间的惩罚系数,以基于距离、路程、以及惩罚系数计算得到两个相邻观测点之间的转移概率。
反之,如果否(即两个相邻观测点不是同一车道组的观测点),则获取两个相邻观测点之间的距离、两个相邻观测点之间的路程,以基于距离和路程计算得到两个相邻观测点之间的转移概率。
而结合上述实施例中对隐马尔科夫模型的主要流程地阐述可知,在相关技术中,转移概率是直接基于距离和路程计算得到的,而本实施例中,是结合惩罚系数,甚至在惩罚系数的基础上还可以结合切换频率实现转移概率的计算,而惩罚系数与通行关系强相关,切换频率与车辆的行驶的安全性和可靠性等特征强相关,因此,通过本实施例如图3所示的实施例的方案,可以提高转移概率的准确性、有效性、以及可靠性,进而当结合转移概率确定目标车道级路径时,可以使得目标车道级路径具有较高的准确性、有效性、以及可靠性。
S307:根据转移概率和获取到的发射概率,确定与观测序列匹配的目标车道级路径。
上述实施例从改进转移概率的原理,对本实施例的车道级地图匹配方法进行了阐述。且如图4所示,相对于道路级地图匹配中,基于距离和路程计算得到转移概率的原理,在本实施例的车道级地图匹配中,可以通过多种方式实现转移概率的计算,如:
一种方式为基于距离和路程计算得到转移概率;另一个方式为基于距离、路程、以及惩罚系数计算得到转移概率;还一种方式为基于切换频率、距离、路程、以及惩罚系数计算得到转移概率。
在另一些实施例中,本公开还提供了基于改进发射概率的原理实现的车道级地图匹配方法。为便于读者理解,现结合图5,从改进发射概率的原理,对本公开的车道级地图匹配方法进行阐述如下。
其中,图5是根据本公开第三实施例的示意图,如图5所示,本公开实施例的车道级地图匹配方法包括:
S501:获取车辆行驶于预设高精路网的观测序列。
其中,预设高精路网包括多个路段,每一路段包括车道组,车道组包括多条车道。
同理,为了避免繁琐地陈述,关于本实施例与上述实施例中相同的技术特征,本实施例不再赘述。
示例性的,关于S501的实现原理,可以参阅S101,此处不再赘述。
S502:获取观测序列与每一车道之间的距离因子、角度因子,获取预设的每一车道的属性因子。
其中,每一车道的属性因子用于表征车辆在该车道上行驶的合适程度。
示例性的,车辆在不同的车道上行驶的合适程度可能不同,如针对应急车道,相对而言,车辆不会轻易行驶于应急车道,则可以确定车辆在应急车道上行驶的适合程度较低。
同理,关于本实施例获取距离因子和角度因子的方式不做限定,如可以采用上述相关技术中方式获取距离因子和角度因子。
S503:根据获取到的距离因子、角度因子、属性因子,确定观测序列与每一车道之间的发射概率。
结合上述分析可知,每一车道具有属性因子,每一车道的属性因子用于表征车辆在该车道上行驶的合适程度,即属性因子是基于车辆实际场景中车辆的行驶特征确定的,因此,在本实施例中,通过结合属性因子确定发射概率,可以使得发射概率与车辆的行驶特征高度贴合,提高发射概率的准确性和可靠性。
S504:根据各发射概率、获取到的转移概率,确定与观测序列匹配的目标车道级路径。
示例性的,在一些实施例中,可以采样如相关技术中计算转移概率的方式获取转移概率,在另一些实施例中,也可以采用如上第一实施例或第二实施例所述的方式获取转移概率,本实施例不做限定。
相应的,关于结合发射概率和转移概率确定与观测序列匹配的目标车道级路径的方式,本实施例不做限定,如也可以采用相关技术中的方式实现(如隐马尔科夫模型的主要流程中的3)计算结果)。
上述实施例从改进发射概率的原理,对本实施例的车道级地图匹配方法进行了阐述。且如图4所示,相对于道路级地图匹配中,基于距离因子和角度因子计算得到发射概率的原理,在本实施例的车道级地图匹配中,可以结合距离因子、角度因子、以及属性因子计算得到发射概率。
值得说明的是,在一些实施例中,上述第一实施例、第二实施例、第三实施例,可以为如上所述的独立实施例,在另一些实施例中,也可以将上述三个实施例中的部分实施例组合,得到新的实施例,也可以将上述三个实施例中的部分技术特征组合,得到新的实施例,也可以在任意实施例的基础上,增加或删减部分技术特征,得到新的实施例,等等,本实施例不做限定。
例如,可以结合第一实施例和第三实施例,得到新的实施例,也可以结合第二实施例和第三实施例,得到新的实施例。
结合上述分析可知,第一实施例和第二实施例为对转移概率的改进而实现的车道级地图匹配,第三实施例为对发射概率的改进而实现的车道级地图匹配方法。
因此,若将第一实施例和第三实施例结合,或者将第二实施例和第三实施例结合,车道级匹配方法可以理解为既对发射概率进行了改进,也对转移概率进行了改进的车道级匹配方法。
结合上述分析可知,在隐马尔科夫模型的主要流程的3)计算结果,可以通过计算维特比概率的方式实现,相应的,在还一些实施例中,本公开还提供了基于改进维特比概率的原理实现的车道级地图匹配方法。
为便于读者理解,现结合图6,从改进维特比概率的原理,对本公开的车道级地图匹配方法进行阐述如下。其中,图6是根据本公开第四实施例的示意图,如图6所示,本公开实施例的车道级地图匹配方法包括:
S601:获取车辆行驶于预设高精路网的观测序列。
其中,预设高精路网包括多个路段,每一路段包括车道组,车道组包括多条车道。
同理,为了避免繁琐地陈述,关于本实施例与上述实施例中相同的技术特征,本实施例不再赘述。
示例性的,关于S601的实现原理,可以参阅S101,此处不再赘述。
S602:计算得到观测序列对应的发射概率和转移概率。
其中,发射概率为车道级发射概率,转移概率为车道级转移概率。
示例性的,车道级发射概率可以理解为观测序列对应在附近车道上的概率。车道级转移概率可以理解为车辆从两个相邻观测点中的一个观测点所处的车道,行驶至两个相邻观测点中另一个观测点所处的车道的概率。
本实施例对计算得到发射概率和转移概率的原理不做限定。如在计算发射概率时,可以结合距离因子和角度因子计算得到,也可以结合距离因子、角度因子、以及属性因子计算得到。具体实现原理可以参阅上述实施例,此处不再赘述。
如在计算转移概率时,可以结合距离和路程计算得到,也可以结合距离、路程、以及惩罚系数计算得到。具体实现原理可以参阅上述实施例,此处不再赘述。
S603:根据转移概率和发射概率,计算得到与获取到的观测序列匹配的各候选车道级路径各自对应的维特比概率。
本实施例对获取各候选车道级路径的方式不做限定,且对计算各候选车道级路径各自对应的维特比概率的方式不做限定。
例如,可以采用如隐马尔科夫模型的主要流程中的1)寻找候选路网点,获取候选路网点,并基于候选路网点确定各候选车道级路径。
相应的,可以采用如隐马尔科夫模型的主要流程中的3)计算结果,计算得到各候选车道级路径各自对应的维特比概率。
S605:从各维特比概率中,依次剔除满足预设条件的维特比概率。
其中,预设条件包括:当前的维特比概率为最大维特比概率、计算得到当前的维特比概率的转移概率大于预设第一阈值、计算得到当前的维特比概率的发射概率小于预设第二阈值。
同理,关于预设第一阈值和预设第二阈值,本实施例不做限定,可以基于需求、历史记录、以及试验等方式确定。
该步骤可以理解为,若计算得到最大维特比概率的转移概率较大,但计算得到该维特比概率的发射概率较小,则将该维特比概率剔除。
示例性的,针对各维特比概率中的最大维特比概率,判断用于计算得到该最大维特比概率的转移概率是否大于预设第一阈值、以及判断用于计算得到该最大维特比概率的发射概率是否小于预设第二阈值,若用于计算得到该最大维特比概率的转移概率大于预设第一阈值,且用于计算得到该最大维特比概率的发射概率是否小于预设第二阈值,则将该最大维特比概率从各维特比概率中剔除,针对剔除后的各维特比概率,再确定是否需要对剔除后的各维特比概率中的最大维特比概率进行剔除处理,以此类推,此处不再一一列举。
应该理解的是,本实施例对预设条件中的:计算得到当前的维特比概率的转移概率大于预设第一阈值、计算得到当前的维特比概率的发射概率小于预设第二阈值判断顺序不做限定,如在确定出当前的最大维特比概率之后,可以先判断用于计算得到该最大维特比概率的转移概率是否大于预设第一阈值,若是,则继续判断用于计算得到该最大维特比概率的发射概率是否小于预设第二阈值,若是,则将该最大维特比概率剔除。
又如,也可以在确定出当前的最大维特比概率之后,先判断用于计算得到该最大维特比概率的发射概率是否小于预设第二阈值,若是,则继续判断用于计算得到该最大维特比概率的转移概率是否大于预设第一阈值,若是,则将该最大维特比概率剔除。
再如,还可以在确定出当前的最大维特比概率之后,分别判断用于计算得到该最大维特比概率的转移概率是否大于预设第一阈值、用于计算得到该最大维特比概率的发射概率是否小于预设第二阈值,若二者的判断结果均为是,则将该最大维特比概率剔除。
结合上述分析可知,发射概率可以理解为观测序列对应在附近车道上的概率,转移概率可以理解为车辆从两个相邻观测点中的一个观测点所处的车道,行驶至两个相邻观测点中的另一个观测点所处的车道的概率。因此,如果计算得到最大维特比概率的转移概率很大,但发射概率很小,则很有可能该最大维特比概率是因误差等原因而计算得到。
所以,在本实施例中,通过从各维特比概率中,依次剔除基于较大的转移概率和较小的发射概率计算得到最大维特比概率,可以去除误差可能性较高的最大维特比概率,从而使得剔除了满足预设条件的维特比概率中,各维特比概率的准确性和可靠性。
S605:从剔除了满足预设条件的维特比概率中,选取最大维特比概率,并将选取到的最大维特比概率对应的候选车道级路径确定为目标车道级路径。
由于剔除了满足预设条件的维特比概率中的各维特比具有较高的准确性和可靠性,因此,当从剔除了满足预设条件的维特比概率中,选取最大维特比概率,以基于该最大维特比概率确定目标车道级路径时,可以提高目标车道级路径的准确性和可靠性,即可以提高车道级地图匹配的准确性和可靠性。
上述实施例从改进维特比概率的原理,对本实施例的车道级地图匹配方法进行了阐述。且如图4所示,相对于道路级地图匹配中,基于最大维特比概率确定道路级路径的原理,在本实施例的车道级地图匹配中,可以剔除满足预设条件的维特比概率,得到剔除后的维特比概率,并基于剔除后的维特比概率中的最大维特比概率确定目标车道级路径。
同理,第四实施例可以为独立的实施例,也可以与上述第一实施例、第二实施例、第三实施例中的至少一个实施例组合,得到新的实施例。
例如,第四实施例可以与第一实施例组合,得到新的实施例,且该实施例为结合了改进转移概率的原理和改进维特比概率的原理的实施例。
又如,第四实施例可以与第三实施例组合,得到新的实施例,且该实施例为结合了改进发射概率的原理和改进维特比概率的原理的实施例。
再如,第四实施例可以与第一实施例和第三实施例组合,得到新的实施例,且该实施例为结合了改进转移概率的原理、改进发射概率的原理、改进维特比概率的原理的实施例。
应该理解的是,上述示例只是用于示范性地说明,第四实施例与第一实施例至第三实施例之间的可能的组合方式,而不能理解为对组合方式的限定。
结合上述分析可知,上述第一实施例至第四实施例的四个实施例,可以理解为结合预设高精地图实现的车道级地图匹配方法。在另一些实施例中,还可以结合预设高精路网和预设普精路网实现的车道级地图匹配方法。
为便于读者理解,现结合图7,对结合预设高精路网和预设普精路网实现的车道级地图匹配方法进行阐述如下。其中,图7是根据本公开第五实施例的示意图,如图7所示,本公开实施例的车道级地图匹配方法包括:
S701:获取车辆行驶于预设高精路网的观测序列。
其中,预设高精路网包括多个路段,每一路段包括车道组,车道组包括多条车道。
同理,为了避免繁琐地陈述,关于本实施例与上述实施例中相同的技术特征,本实施例不再赘述。
示例性的,关于S701的实现原理,可以参阅S101,此处不再赘述。
在一些实施例中,观测序列为高精轨迹数据,在另一些实施例中,观测序列也可以为非高精轨迹数据(也可以称为普精轨迹数据)。
示例性的,通过挖掘优质的非高精轨迹数据,以解决车道级地图匹配的覆盖率相对较小的问题,从而车道级地图匹配的覆盖率。
其中,优质可以理解为基于用户的驾车行为确定的,如可以选取驾车行为相对较为平稳、安全系数较大的用户的非高精轨迹数据作为观测序列。
S702:获取观测序列中两个相邻观测点的切换类型。
其中,切换类型用于表征两个相邻观测点是否为同一车道组的观测点。
示例性的,关于S702的实现原理,可以参阅S101,此处不再赘述。
S703:采样与切换类型对应的计算方法,计算得到两个相邻观测点之间的转移概率,并根据转移概率和获取到的发射概率,确定与观测序列匹配的目标车道级路径。
其中,不同的切换类型对应的计算方法不同。
示例性的,关于S703的实现原理,可以参阅S103,此处不再赘述。
S704:根据与预设高精路网对应的预设普精路网,匹配得到与观测序列对应的道路级匹配结果。
其中,预设普精路网包括多个路段。
示例性的,为了便于区分和描述,我们可以将预先编译的道路级路网称为预设普精路网,将预先编译的车道路路网称为预设高精路网。预设高精路网与预设普精路网具有对应关系,对应关系可以理解为预设高精路网与预设普精路网为对相同路网的不同表达方式,预设高精路网为对相同路网的车道级的表达,预设普精路网为对相同路网的道路级表达。
如图2所示,预设普精路网包括多个路段,分别为如图2中所示的X、Y、Z。其中,路段X所表达的现实场景中的道路、与车道组A的所表达的现实场景中的道路、以及车道组B所表达的现实场景道路中的部分道路,为现实场景中相同的道路,以此类推,此处不再一一列举。
在一些实施例中,可以在路网编译的过程中确定预设普精路网的路段与预设高精路网的车道组之间的对应关系。
本实施例对匹配得到与观测序列对应的道路级匹配结果,可以参见如隐马尔科夫模型应用于地图匹配领域时的原理。
S705:根据道路级匹配结果和目标车道级路径,确定与观测序列匹配的目标匹配结果。
在本实施例中,结合两个维度的匹配结果确定与观测序列的最终匹配结果,一个维度为预设高精路网维度,匹配结果为目标车道级路径,另一个维度为预设普精路网维度,匹配结果为道路级匹配结果,最终匹配结果为目标匹配结果。
值得说明的是,尽管相对与道路级的匹配结果而言,车道级的匹配结果精度更高,可以确定观测序列对应的车道级的路径,但是,采用本实施例的结合两个维度的匹配结果确定与观测序列的最终匹配结果的技术方案,可以尽可能避免车道级匹配的误差、观测序列中的观测点的漂移、路网中的道路缺失等弊端,进一步提高地图匹配的有效性和可靠性。
在一些实施例中,S705可以包括如下步骤:
第一步骤:确定观测序列中的每一观测点的兼容属性。
第二步骤:若每一观测点的兼容属性表征该观测点在目标车道级路径的车道,位于该观测点在道路级匹配结果的路段,则将目标车道级路径确定为目标匹配结果。
第三步骤:若任意观测点的兼容属性表征该观测点在目标车道级路径的车道,没有位于该观测点在道路级匹配结果的路段,则将目标车道级路径中的任意观测点对应的部分路径替换为任意观测点的道路级匹配结果,得到目标匹配结果。
应该理解的是,第二步骤和第三步骤之间并没有必然的先后顺序的逻辑,只是为了便于描述和理解,将不同内容的兼容属性的处理方式划分为两个步骤。
示例性的,结合图8(图8是本公开实施例的车道级地图匹配方法的原理示意图)可知,本实施例的实现原理可以理解为:
基于预设普精路网进行道路级匹配,得到观测序列的道路级匹配结果。
基于预设高精路网进行车道级匹配,得到观测序列的目标车道级路径。
同点判断是否兼容,若是,则采用目标车道级路径,若否,则采用道路级匹配结果。
示例性的,针对每一观测点,判断该观测点在目标车道级路径的车道,是否位于该观测点在道路级匹配结果的路段,如果是,则说明目标车道级路径并没有偏离路段,具有较高的有效性和可靠性,因此,将目标车道级路径确定为目标匹配结果。
反之,如果不是(即该观测点在目标车道级路径的车道,没有位于该观测点在道路级匹配结果的路段),则说明目标车道级路径中的该观测点对应的部分车道偏离路段,则将目标车道级路径中的该观测点对应的车道,替换为道路级匹配结果中该观测点对应的路段,从而得到目标匹配结果。
示例性的,如图9所示,观测序列中包括1至15个观测点。
基于预设普精路网确定的道路级匹配结果表征了观测序列中的各观测点各自对应的路段,如图9所示的:观测点1至观测点6对应的路段为路段X,观测点7至观测点9对应的路段为路段Y,观测点10至观测点15对应的路段为路段Z。
基于预设高精路网确定的目标车道级路径表征了观测序列中的各观测点各自对应的车道,如图9所示的:观测点2至观测点5对应的车道为A1,观测点6至观测点8对应的车道为B2,观测点9至观测点11对应的车道为车道C3,观测点12至观测点14对应的车道为D3。
相应的,结合上述兼容属性可知,如图9所示的每一观测点在目标车道级路径的车道,均位于该观测点在道路级匹配结果的路段,因此,可以将目标车道级路径确定为目标匹配结果。
在本实施例中,通过结合车道级匹配和道路级匹配,确定观测序列的目标匹配结果,可以提高匹配的多元性和丰富性,从而提高了目标匹配结果的准确性、可靠性、以及有效性。
同理,本实施例可以与上述至少一个其他实施例组合得到新的实施例,本实施例不做限定。
上述任一实施例中所述的车道级地图匹配方法,可以应用于如图10所示的服务***。其中,图10是根据本公开的车道级地图匹配方法的服务***的示意图,如图10所示,服务***包括:
轨迹接收代理服务器(nginx-its-ugc),用于接收轨迹数据。
用户生成服务服务-高精定位服务(ugc-server-high precision service(hps))层,用于接入高精轨迹数据。
用户生成内容服务(ugc -server)层,用于接入轨迹数据,按照传输协议对接入的轨迹数据进行拆包、解析,差分获取轨迹数据中的轨迹点的坐标、时间戳、速度等。
其中,用户生成内容服务层可以包括三个模块,如普精模块,用于接入普精轨迹数据,高精模块,用于接入高精轨迹数据,文本模块,用于接入文本轨迹数据。
示例性的,结合上述分析可知,在一些实施例中,用户生成内容服务层也可以接入普精轨迹数据,如优质的非高精轨迹数据。
轨迹数据分发层(Gps-transfer),用于获取高精轨迹数据和普精轨迹数据,并将高精轨迹数据和普精轨迹数据发送至各自对应的区域的服务器。
高精地图匹配服务端(map-match-server(mms)-hps),用于将由轨迹数据分发层传输的高精轨迹数据,与预先编译好的路网进行匹配,输出高精轨迹数据可能的车道级序列。
示例性的,高精地图匹配服务端的输入为如上述实施例中的观测序列,高精地图匹配服务端可以执行如上任意实施例所述的车道级地图匹配方法,得到车道级序列,车道级序列为目标车道级路径。
高精地图匹配数据库(map-match-data-base(mmdb)-hps),将由高精地图匹配服务端传输的车道级序列进行后处理,得到后处理后的道路序列。其中,后处理可以包括合并、前验修正替换等。
生产者(producer)模块,用于将由高精地图匹配数据库传输的后处理后的道路序列写入至分布式发布订阅消息***(kafka),如写入至发布订阅消息***中的生产者-消费者模型(producer-consumer)。
远程过程调用(remote procedure call,rpc)模块,用于将由高精地图匹配数据库传输的后处理后的道路序列传输给其他应用。
地图匹配服务(map-match-server),用于将轨迹数据分发层传输高精轨迹数据进行匹配,得到道路级序列。
示例性的,地图匹配服务的输入为如上述实施例中的观测序列,地图匹配服务对观测序列进行道路级匹配,得到道路级匹配结果(如道路级序列)。
地图匹配数据库(mmdb),用于对道路级序列进行后处理。同理,后处理可以包括合并、前验修正替换等。
应该理解的是,图10只是用于示范性地说明,可能用于实现本公开的车道级地图匹配的服务***,而不能理解为对服务***的内容的限定。例如,在另一些实施例中,可以适应性减少图10中的组件,也可以在图10中增减新的组件。
示例性的,结合上述分析可知,若结合道路级匹配和车道级匹配,确定与观测序列对应的目标匹配结果,则可以在如图10所示的服务***中添加合并模块,以执行如上实施例中所述的根据道路级匹配结果和目标车道级路径,确定与观测序列匹配的目标匹配结果的原理。
图11是根据本公开第六实施例的示意图,如图11所示,本公开实施例的车道级地图匹配装置1100包括:
第一获取单元1101,用于获取车辆行驶于预设高精路网的观测序列,其中,所述预设高精路网包括多个路段,每一路段包括车道组,车道组包括多条车道。
第二获取单元1102,用于获取所述观测序列中两个相邻观测点的切换类型,其中,所述切换类型用于表征所述两个相邻观测点是否为同一车道组的观测点。
计算单元1103,用于采样与所述切换类型对应的计算方法,计算得到所述两个相邻观测点之间的转移概率。
第一确定单元1104,用于根据所述转移概率和获取到的发射概率,确定与所述观测序列匹配的目标车道级路径,其中,不同的切换类型对应的计算方法不同。
图12是根据本公开第七实施例的示意图,如图12所示,本公开实施例的车道级地图匹配装置1200包括:
第一获取单元1201,用于获取车辆行驶于预设高精路网的观测序列,其中,所述预设高精路网包括多个路段,每一路段包括车道组,车道组包括多条车道。
第二获取单元1202,用于获取所述观测序列中两个相邻观测点的切换类型,其中,所述切换类型用于表征所述两个相邻观测点是否为同一车道组的观测点。
计算单元1203,用于采样与所述切换类型对应的计算方法,计算得到所述两个相邻观测点之间的转移概率。
结合图12可知,在一些实施例中,计算单元1203,包括:
第一获取子单元12031,用于若所述切换类型表征所述两个相邻观测点为同一车道组的观测点,则获取所述两个相邻观测点之间的距离、所述两个相邻观测点之间的路程、以及所述两个相邻观测点之间的惩罚系数,其中,所述惩罚系数是基于所述车辆在所述两个相邻观测点所处的车道之间的通行关系确定的。
第一计算子单元12032,用于根据所述距离、所述路程、以及所述惩罚系数中的一个或者多个,计算得到所述转移概率。
在一些实施例中,若所述通行关系表征,所述车辆可以在所述两个相邻观测点所处的车道之间转移通行,则所述惩罚系数为1。
若所述通行关系表征,所述车辆不可以在所述两个相邻观测点所处的车道之间转移通行,则所述惩罚系数为0。
结合图12可知,在另一些实施例中,若所述切换类型表征所述两个相邻观测点为同一车道组的观测点,所述计算单元1203还包括:
第二获取子单元12033,用于获取所述车辆在所述同一车道组的切换频率。
以及,所述第一计算子单元12032用于,根据所述距离、所述路程、以及所述惩罚系数中的一个或者多个,以及所述切换频率,计算得到所述转移概率。
在一些实施例中,第一计算子单元12032,包括:
调整模块,用于根据所述切换频率对所述惩罚系数进行调整,得到调整后的惩罚系数,其中,所述切换频率越大,所述惩罚系数越为0。
计算模块,用于根据所述距离、所述路程、以及根据所述调整后的惩罚系数,计算得到所述转移概率。
结合图12可知,在另一些实施例中,计算单元1203还包括:
第三获取子单元12034,用于若所述切换类型表征所述两个相邻观测点不是同一车道组的观测点,则获取所述两个相邻观测点之间的距离、所述两个相邻观测点之间的路程。
第二计算子单元12035,用于根据所述距离和所述路程计算得到所述转移概率。
第一确定单元1204,用于根据所述转移概率和获取到的发射概率,确定与所述观测序列匹配的目标车道级路径,其中,不同的切换类型对应的计算方法不同。
在一些实施例中,结合图12可知,第一确定单元1204,包括:
第三计算子单元12041,用于根据所述转移概率和获取到的发射概率,计算得到与获取到的所述观测序列匹配的各候选车道级路径各自对应的维特比概率。
剔除子单元12042,用于从各维特比概率中,依次剔除满足预设条件的维特比概率,其中,所述预设条件包括:当前的维特比概率为最大维特比概率、计算得到当前的维特比概率的转移概率大于预设第一阈值、计算得到当前的维特比概率的发射概率小于预设第二阈值。
选取子单元12043,用于从剔除了满足所述预设条件的维特比概率中,选取最大维特比概率。
第一确定子单元12044,用于将选取到的最大的维特比概率对应的候选车道级路径确定为所述目标车道级路径。
在一些实施例中,结合图12可知,车道级地图匹配装置1200还包括:
第三获取单元1205,用于获取所述观测序列与每一车道之间的距离因子、角度因子,获取预设的每一车道的属性因子,其中,每一车道的属性因子用于表征所述车辆在该车道上行驶的合适程度。
第二确定单元1206,用于根据获取到的距离因子、角度因子、属性因子,确定所述观测序列与每一车道之间的发射概率,其中,所述获取到的发射概率包括所述观测序列与每一车道之间的发射概率。
在一些实施例中,结合图12可知,车道级地图匹配装置1200还包括:
匹配单元1207,用于根据与所述预设高精路网对应的预设普精路网,匹配得到与所述观测序列对应的道路级匹配结果,其中,所述预设普精路网包括多个路段。
第三确定单元1208,用于根据所述道路级匹配结果和所述目标车道级路径,确定与所述观测序列匹配的目标匹配结果。
在一些实施例中,结合图12可知,第三确定单元1208,包括:
第二确定子单元12081,用于确定所述观测序列中的每一观测点的兼容属性。
第三确定子单元12082,用于若每一观测点的兼容属性表征该观测点在所述目标车道级路径的车道,位于该观测点在所述道路级匹配结果的路段,则将所述目标车道级路径确定为所述目标匹配结果。
替换子单元12083,用于若任意观测点的兼容属性表征该观测点在所述目标车道级路径的车道,没有位于该观测点在所述道路级匹配结果的路段,则将所述目标车道级路径中的任意观测点对应的部分路径替换为所述任意观测点的道路级匹配结果,得到所述目标匹配结果。
图13是根据本公开第八实施例的示意图,如图13所示,本公开中的电子设备1300可以包括:处理器1301和存储器1302。
存储器1302,用于存储程序;存储器1302,可以包括易失性存储器(英文:volatilememory),例如随机存取存储器(英文:random-access memory,缩写:RAM),如静态随机存取存储器(英文:static random-access memory,缩写:SRAM),双倍数据率同步动态随机存取存储器(英文:Double Data Rate Synchronous Dynamic Random Access Memory,缩写:DDR SDRAM)等;存储器也可以包括非易失性存储器(英文:non-volatile memory),例如快闪存储器(英文:flash memory)。存储器1302用于存储计算机程序(如实现上述方法的应用程序、功能模块等)、计算机指令等,上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器1302中。并且上述的计算机程序、计算机指令、数据等可以被处理器1301调用。
上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器1302中。并且上述的计算机程序、计算机指据等可以被处理器1301调用。
处理器1301,用于执行存储器1302存储的计算机程序,以实现上述实施例涉及的方法中的各个步骤。
具体可以参见前面方法实施例中的相关描述。
处理器1301和存储器1302可以是独立结构,也可以是集成在一起的集成结构。当处理器1301和存储器1302是独立结构时,存储器1302、处理器1301可以通过总线1303耦合连接。
本实施例的电子设备可以执行上述方法中的技术方案,其具体实现过程和技术原理相同,此处不再赘述。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
根据本公开的实施例,本公开还提供了一种计算机程序产品,计算机程序产品包括:计算机程序,计算机程序存储在可读存储介质中,电子设备的至少一个处理器可以从可读存储介质读取计算机程序,至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。
图14示出了可以用来实施本公开的实施例的示例电子设备1400的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字助理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图14所示,设备1400包括计算单元1401,其可以根据存储在只读存储器(ROM)1402中的计算机程序或者从存储单元1408加载到随机访问存储器(RAM)1403中的计算机程序,来执行各种适当的动作和处理。在RAM 1403中,还可存储设备1400操作所需的各种程序和数据。计算单元1401、ROM 1402以及RAM 1403通过总线1404彼此相连。输入/输出(I/O)接口1405也连接至总线1404。
设备1400中的多个部件连接至I/O接口1405,包括:输入单元1406,例如键盘、鼠标等;输出单元1407,例如各种类型的显示器、扬声器等;存储单元1408,例如磁盘、光盘等;以及通信单元1409,例如网卡、调制解调器、无线通信收发机等。通信单元1409允许设备1400通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元1401可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1401的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1401执行上文所描述的各个方法和处理,例如车道级地图匹配方法。例如,在一些实施例中,车道级地图匹配方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元1408。在一些实施例中,计算机程序的部分或者全部可以经由ROM 1402和/或通信单元1409而被载入和/或安装到设备1400上。当计算机程序加载到RAM 1403并由计算单元1401执行时,可以执行上文描述的车道级地图匹配方法的一个或多个步骤。备选地,在其他实施例中,计算单元1401可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行车道级地图匹配方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称 "VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式***的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (16)
1.一种车道级地图匹配方法,其特征在于,包括:
获取车辆行驶于预设高精路网的观测序列,其中,所述预设高精路网包括多个路段,每一路段包括车道组,车道组包括多条车道;
获取所述观测序列中两个相邻观测点的切换类型,其中,所述切换类型用于表征所述两个相邻观测点是否为同一车道组的观测点;
采样与所述切换类型对应的计算方法,计算得到所述两个相邻观测点之间的转移概率,并根据所述转移概率和获取到的发射概率,确定与所述观测序列匹配的目标车道级路径,其中,不同的切换类型对应的计算方法不同;
所述采样与所述切换类型对应的计算方法,计算得到所述两个相邻观测点之间的转移概率,包括:
若所述切换类型表征所述两个相邻观测点为同一车道组的观测点,则获取所述两个相邻观测点之间的距离、所述两个相邻观测点之间的路程、以及所述两个相邻观测点之间的惩罚系数,其中,所述惩罚系数是基于所述车辆在所述两个相邻观测点所处的车道之间的通行关系确定的;以及,获取所述车辆在所述同一车道组的切换频率;
根据所述切换频率对所述惩罚系数进行调整,得到调整后的惩罚系数,其中,所述切换频率越大,所述惩罚系数越接近于0;
根据所述距离、所述路程、以及根据所述调整后的惩罚系数,计算得到所述转移概率。
2.根据权利要求1所述的方法,其特征在于,若所述通行关系表征所述车辆可以在所述两个相邻观测点所处的车道之间转移通行,则所述惩罚系数为1;
若所述通行关系表征所述车辆不可以在所述两个相邻观测点所处的车道之间转移通行,则所述惩罚系数为0。
3.根据权利要求1所述的方法,其特征在于,所述采样与所述切换类型对应的计算方法,计算得到所述两个相邻观测点之间的转移概率,包括:
若所述切换类型表征所述两个相邻观测点不是同一车道组的观测点,则获取所述两个相邻观测点之间的距离、所述两个相邻观测点之间的路程;
根据所述距离和所述路程计算得到所述转移概率。
4.根据权利要求1所述的方法,其特征在于,还包括:
获取所述观测序列与每一车道之间的距离因子、角度因子,获取预设的每一车道的属性因子,其中,每一车道的属性因子用于表征所述车辆在该车道上行驶的合适程度;
根据获取到的距离因子、角度因子、属性因子,确定所述观测序列与每一车道之间的发射概率,其中,所述获取到的发射概率包括所述观测序列与每一车道之间的发射概率。
5.根据权利要求1所述的方法,其特征在于,所述根据所述转移概率和获取到的发射概率,确定与所述观测序列匹配的目标车道级路径,包括:
根据所述转移概率和获取到的发射概率,计算得到与获取到的所述观测序列匹配的各候选车道级路径各自对应的维特比概率;
从各维特比概率中,依次剔除满足预设条件的维特比概率,其中,所述预设条件包括:当前的维特比概率为最大维特比概率、计算得到当前的维特比概率的转移概率大于预设第一阈值、计算得到当前的维特比概率的发射概率小于预设第二阈值;
从剔除了满足所述预设条件的维特比概率中,选取最大维特比概率,并将选取到的最大的维特比概率对应的候选车道级路径确定为所述目标车道级路径。
6.根据权利要求1-5中任一项所述的方法,其特征在于,还包括:
根据与所述预设高精路网对应的预设普精路网,匹配得到与所述观测序列对应的道路级匹配结果,其中,所述预设普精路网包括多个路段;
根据所述道路级匹配结果和所述目标车道级路径,确定与所述观测序列匹配的目标匹配结果。
7.根据权利要求6所述的方法,其特征在于,所述根据所述道路级匹配结果和所述目标车道级路径,确定与所述观测序列匹配的目标匹配结果,包括:
确定所述观测序列中的每一观测点的兼容属性;
若每一观测点的兼容属性表征该观测点在所述目标车道级路径的车道,位于该观测点在所述道路级匹配结果的路段,则将所述目标车道级路径确定为所述目标匹配结果;
若任意观测点的兼容属性表征该观测点在所述目标车道级路径的车道,没有位于该观测点在所述道路级匹配结果的路段,则将所述目标车道级路径中的任意观测点对应的部分路径替换为所述任意观测点的道路级匹配结果,得到所述目标匹配结果。
8.一种车道级地图匹配装置,其特征在于,包括:
第一获取单元,用于获取车辆行驶于预设高精路网的观测序列,其中,所述预设高精路网包括多个路段,每一路段包括车道组,车道组包括多条车道;
第二获取单元,用于获取所述观测序列中两个相邻观测点的切换类型,其中,所述切换类型用于表征所述两个相邻观测点是否为同一车道组的观测点;
计算单元,用于采样与所述切换类型对应的计算方法,计算得到所述两个相邻观测点之间的转移概率;
第一确定单元,用于根据所述转移概率和获取到的发射概率,确定与所述观测序列匹配的目标车道级路径,其中,不同的切换类型对应的计算方法不同;
所述计算单元,包括:
第一获取子单元,用于若所述切换类型表征所述两个相邻观测点为同一车道组的观测点,则获取所述两个相邻观测点之间的距离、所述两个相邻观测点之间的路程、以及所述两个相邻观测点之间的惩罚系数,其中,所述惩罚系数是基于所述车辆在所述两个相邻观测点所处的车道之间的通行关系确定的;
第一计算子单元,用于根据所述距离、所述路程、以及所述惩罚系数中的一个或者多个,计算得到所述转移概率;
若所述切换类型表征所述两个相邻观测点为同一车道组的观测点,所述计算单元还包括:
第二获取子单元,用于获取所述车辆在所述同一车道组的切换频率;
以及,所述第一计算子单元用于,根据所述距离、所述路程、以及所述惩罚系数中的一个或者多个,以及所述切换频率,计算得到所述转移概率;
所述第一计算子单元,包括:
调整模块,用于根据所述切换频率对所述惩罚系数进行调整,得到调整后的惩罚系数,其中,所述切换频率越大,所述惩罚系数越接近于0;
计算模块,用于根据所述距离、所述路程、以及根据所述调整后的惩罚系数,计算得到所述转移概率。
9.根据权利要求8所述的装置,其特征在于,若所述通行关系表征所述车辆可以在所述两个相邻观测点所处的车道之间转移通行,则所述惩罚系数为1;
若所述通行关系表征所述车辆不可以在所述两个相邻观测点所处的车道之间转移通行,则所述惩罚系数为0。
10.根据权利要求8所述的装置,其特征在于,所述计算单元,包括:
第三获取子单元,用于若所述切换类型表征所述两个相邻观测点不是同一车道组的观测点,则获取所述两个相邻观测点之间的距离、所述两个相邻观测点之间的路程;
第二计算子单元,用于根据所述距离和所述路程计算得到所述转移概率。
11.根据权利要求8所述的装置,其特征在于,还包括:
第三获取单元,用于获取所述观测序列与每一车道之间的距离因子、角度因子,获取预设的每一车道的属性因子,其中,每一车道的属性因子用于表征所述车辆在该车道上行驶的合适程度;
第二确定单元,用于根据获取到的距离因子、角度因子、属性因子,确定所述观测序列与每一车道之间的发射概率,其中,所述获取到的发射概率包括所述观测序列与每一车道之间的发射概率。
12.根据权利要求8所述的装置,其特征在于,所述第一确定单元,包括:
第三计算子单元,用于根据所述转移概率和获取到的发射概率,计算得到与获取到的所述观测序列匹配的各候选车道级路径各自对应的维特比概率;
剔除子单元,用于从各维特比概率中,依次剔除满足预设条件的维特比概率,其中,所述预设条件包括:当前的维特比概率为最大维特比概率、计算得到当前的维特比概率的转移概率大于预设第一阈值、计算得到当前的维特比概率的发射概率小于预设第二阈值;
选取子单元,用于从剔除了满足所述预设条件的维特比概率中,选取最大维特比概率;
第一确定子单元,用于将选取到的最大的维特比概率对应的候选车道级路径确定为所述目标车道级路径。
13.根据权利要求8-12中任一项所述的装置,其特征在于,还包括:
匹配单元,用于根据与所述预设高精路网对应的预设普精路网,匹配得到与所述观测序列对应的道路级匹配结果,其中,所述预设普精路网包括多个路段;
第三确定单元,用于根据所述道路级匹配结果和所述目标车道级路径,确定与所述观测序列匹配的目标匹配结果。
14.根据权利要求13所述的装置,其特征在于,所述第三确定单元,包括:
第二确定子单元,用于确定所述观测序列中的每一观测点的兼容属性;
第三确定子单元,用于若每一观测点的兼容属性表征该观测点在所述目标车道级路径的车道,位于该观测点在所述道路级匹配结果的路段,则将所述目标车道级路径确定为所述目标匹配结果;
替换子单元,用于若任意观测点的兼容属性表征该观测点在所述目标车道级路径的车道,没有位于该观测点在所述道路级匹配结果的路段,则将所述目标车道级路径中的任意观测点对应的部分路径替换为所述任意观测点的道路级匹配结果,得到所述目标匹配结果。
15. 一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211469907.3A CN115585816B (zh) | 2022-11-23 | 2022-11-23 | 车道级地图匹配方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211469907.3A CN115585816B (zh) | 2022-11-23 | 2022-11-23 | 车道级地图匹配方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115585816A CN115585816A (zh) | 2023-01-10 |
CN115585816B true CN115585816B (zh) | 2023-03-21 |
Family
ID=84783289
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211469907.3A Active CN115585816B (zh) | 2022-11-23 | 2022-11-23 | 车道级地图匹配方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115585816B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116086469B (zh) * | 2023-01-16 | 2023-10-24 | 禾多科技(北京)有限公司 | 一种车道定位方法及装置 |
CN116007638B (zh) * | 2023-03-24 | 2023-05-30 | 北京集度科技有限公司 | 车辆轨迹地图匹配方法、装置、电子设备及车辆 |
CN116625384B (zh) * | 2023-07-21 | 2023-11-10 | 蘑菇车联信息科技有限公司 | 一种数据关联方法、装置及电子设备 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111380538B (zh) * | 2018-12-28 | 2023-01-24 | 沈阳美行科技股份有限公司 | 一种车辆定位方法、导航方法及相关装置 |
CN109872533B (zh) * | 2019-02-21 | 2020-12-04 | 弈人(上海)科技有限公司 | 一种基于空间数据的车道级实时交通情报处理方法 |
KR20210077043A (ko) * | 2019-12-16 | 2021-06-25 | 현대자동차주식회사 | 주행 차로 판단 장치 및 그의 주행 차로 판단 방법 |
CN114299464A (zh) * | 2021-08-11 | 2022-04-08 | 腾讯科技(深圳)有限公司 | 车道定位方法、装置及设备 |
CN114332822A (zh) * | 2021-12-31 | 2022-04-12 | 北京百度网讯科技有限公司 | 确定车道组类型的方法、装置及电子设备 |
CN114993325A (zh) * | 2022-02-28 | 2022-09-02 | 浙江吉利控股集团有限公司 | 一种车辆gps地图道路匹配方法、装置及存储介质 |
-
2022
- 2022-11-23 CN CN202211469907.3A patent/CN115585816B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115585816A (zh) | 2023-01-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115585816B (zh) | 车道级地图匹配方法和装置 | |
CN110260870B (zh) | 基于隐马尔可夫模型的地图匹配方法、装置、设备和介质 | |
US9494694B1 (en) | Method and apparatus of road location inference for moving object | |
CN107690568B (zh) | 基于频率的通行行程表征 | |
CN110426050B (zh) | 地图匹配纠正方法、装置、设备和存储介质 | |
CN112001986A (zh) | 虚拟车道的生成方法、装置以及电子设备和存储介质 | |
KR102509814B1 (ko) | 교통 검문소를 결정하는 방법, 시스템, 전자 기기 및 매체 | |
CN111985662A (zh) | 网络约车方法、装置、电子设备和存储介质 | |
CN113190768A (zh) | 路径处理方法及装置 | |
CN114090642A (zh) | 地图路网匹配方法、装置、设备和介质 | |
Zhang et al. | Vehicle positioning system with multi‐hypothesis map matching and robust feedback<? show [AQ ID= Q1]?> | |
CN114625744A (zh) | 电子地图的更新方法和装置 | |
CN114543829A (zh) | 模型训练方法、导航轨迹的推荐方法、装置及车辆 | |
CN113276888B (zh) | 基于自动驾驶的乘车方法、装置、设备和存储介质 | |
CN114440905B (zh) | 中间图层的构建方法、装置、电子设备及存储介质 | |
CN113706857A (zh) | 道路通行性的确定方法、装置、设备及存储介质 | |
CN114689074B (zh) | 信息处理方法和导航方法 | |
CN112735130B (zh) | 交通数据的处理方法、装置、电子设备和介质 | |
CN113449687B (zh) | 兴趣点出入口的识别方法、装置及电子设备 | |
CN109270566A (zh) | 导航方法、导航效果测试方法、装置、设备和介质 | |
CN114659537A (zh) | 导航起点道路确定方法、装置、设备及存储介质 | |
CN114689061A (zh) | 自动驾驶设备的导航路线处理方法、装置及电子设备 | |
US20220026227A1 (en) | Navigation route determination method, device, and storage medium | |
CN113008246A (zh) | 地图匹配方法和装置 | |
CN115507866B (zh) | 地图数据的处理方法、装置、电子设备和介质 |
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 |