基于众包时空大数据的车道级道路测图方法及系统

摘要

本发明提供一种基于众包时空大数据的车道级道路测图方法，包括建立轨迹向量的相似度评估模型，基于融合经验知识的生长聚类方法进行轨迹优选，构建高斯约束混合模型，并使用EM算法求解模型参数；探测车道信息，得到道路路段车道数量初次探测结果；基于道路建设规则，对初次探测结果进行修正；根据修正后的车道数量，根据相邻情况对车道中心线进行修正。本发明降低了获取城市精细道路信息的成本，且探测方法简单、容易实现。

主权项

一种基于众包时空大数据的车道级道路测图方法，其特征在于：包括以下步骤，步骤1，建立轨迹向量的相似度评估模型，设v_a和v_b是两个不同的轨迹向量，所述相似度评价模型如下，${\mathrm{sim}}_{(v_a,v_b)}={\omega }_1{e}^{-{\mathrm{diff}}_{Hd}}+{\omega }_2{e}^{-{\mathrm{diff}}_{\theta ab}}$其中，表示向量之间的相似度值，e为自然底数，ω₁和ω₂分别表示距离因子diff_Hd和角度因子diff_θab的权重值，且ω₁+ω₂＝1；距离因子diff_Hd和角度因子diff_θab分别表示向量v_a和v_b的距离差异和角度差异；步骤2，基于融合经验知识的生长聚类方法进行轨迹优选，包括根据已有的高精度GPS轨迹数据与同步的低精度GPS轨迹数据，确定相似度评价模型的权重值ω₁和ω₂，提取轨迹优选的先验知识，基于众包轨迹数据之间的相似度采用生长聚类方式进行数据优选；步骤3，构建高斯约束混合模型，并使用EM算法求解模型参数；所述高斯约束混合模型定义如下，$p\left(x\right)=\underset{j=1}{\overset{k}{\Sigma }}{\omega }_j\frac{1}{\sqrt{2{\mathrm{\pi \sigma }}^2}}\exp (-\frac{{(x-{\mu }_j)}^2}{2{\sigma }^2})$其中，p(x)表示为高斯约束混合模型的综合概率值，x表示待计算样本值，在进行车道计算时，x代表判断窗口内轨迹点在其纵剖面上垂直投影的纵坐标值；k是高斯成分的数量，每一个高斯成分对应一个车道；ω_j是第j个高斯成分的权重，对应车道的交通流量；参数μ₁…μ_k是每一个高斯成分中轨迹的平均值，等于每个车道的中心线，μ_j表示μ₁…μ_k参数内的任意一个值，j＝1,2,…,k；σ是每一个高斯成分中轨迹的标准差；所述高斯约束混合模型中高斯成分的数量k获取方式为，计算结构风险模型的值，以结构风险模型值最小为原则确定k；步骤4，根据步骤3所得结果，探测车道信息，得到道路路段车道数量初次探测结果；实现方式如下，将处于同一条路段上的所有轨迹作为一个提取单元，设给定一组从交叉口Intersection₁到交叉口Intersection₂的轨迹集合A^T，从轨迹集合A^T的一端开始，构建移动矩形窗口，其中移动矩形窗口的长边平行于当前覆盖所有轨迹的中心线，移动矩形窗口的宽边则垂直于当前覆盖所有轨迹的中心线，矩形窗口长边的中心线垂直于其覆盖的所有轨迹数据的中心线，矩形窗口宽边的中线与其覆盖的轨迹数据的中心线重合；将移动矩形窗口从轨迹集合A^T的一端开始，按照矩形窗口的长边长度开始平移，依次利用高斯约束混合模型来探测每一个矩形窗口内覆盖的路段的车道数量及车道中心线，包括根据移动矩形窗口，将移动矩形窗口内的所有轨迹点投影到矩形窗口的长边中心线上，得到投影后的轨迹数据集X＝(x₁,x₂,…,x_N)，t＝1,2,3，…,N，其中,x_t表示投影后第t个轨迹点的纵坐标值，N为参加投影轨迹点的个数；将轨迹数据集X代入高斯约束混合模型，提取矩形窗口内路段的车道数量和车道中心线；假设从交叉口Intersection₁到交叉口Intersection₂的轨迹集合A^T，矩形窗口一共进行了l次平移，每一次平移确定的车道数量记为Nlane_f,f＝1,2,…,l，作为道路路段车道数量初次探测结果；步骤5，根据步骤4获取的道路路段车道数量初次探测结果，基于道路建设规则，对初次探测结果进行修正；步骤6，根据步骤5得到的修正后的车道数量，根据相邻情况对车道中心线进行修正。