【技术实现步骤摘要】
本专利技术涉及地图匹配的，尤其是指一种时空关联高度感知的地图匹配方法。
技术介绍
1、地图匹配是一种利用地图约束gnss(全球导航卫星系统)数据，将一系列gnss定位点与道路网络相关联的技术。gnss传感器被广泛部署在汽车、智能手机等移动设备上，用于收集运动信息。这些设备积累了大量的轨迹数据，这些数据可以使用地图匹配技术进行预处理，将有关道路网络的语义信息分配给原始数据。广泛应用于城市交通拥堵管理、城市功能区识别、城市建设规划、城市路线规划等各个领域。
2、然而，随着汽车数量的迅速增加，交通基础设施得到了充分的发展，城市道路网络也随之急剧复杂化。世界各地的城市都修建了许多高架和立交道路，以缓解道路上巨大的交通压力。例如，上海有超过622公里的高架道路。因此，在二维地图中，高架道路可能与地面道路重叠。在高架道路的影响下，gnss设备提供的位置信息的精度更低，最大误差可以在15米以上。因此，当车辆在高架和附近道路上行驶时，很难确定其轨迹。这给城市地图匹配的准确性和鲁棒性都带来了很大的问题。在复杂的城市道路场景中，传统的基于gnss采样点和路网结构的地图匹配方法，由于对道路高差的盲目性，很容易导致误匹配。尽管目前已有一些高架道路的检测方法，主要是基于海拔或特征。然而，它们在准确性和鲁棒性方面存在一定的问题。综上，目前亟须一种能够高度感知的地图匹配方法，以解决地图匹配对高度信息的需求。
技术实现思路
1、本专利技术的目的在于解决当前地图匹配算法对于复杂城市道路变化不敏感的问题，
2、为实现上述目的，本专利技术所提供的技术方案为：一种时空关联高度感知的地图匹配方法，包括以下步骤：
3、s1：利用车辆的定位模块采集车辆的位置数据，采集当前时刻车辆的行车记录仪的图像数据，以及部分传感器的传感器数据；并基于不同高度的城市道路场景类型，定义城市道路类型矩阵；
4、s2：将采集到的图像和传感器数据，输入到已完成训练的多模态城市道路场景分类模型中，最终输出当前时刻、当前位置车辆所处道路的城市道路类型矩阵，其中，该多模态城市道路场景分类模型由特征提取、视觉-传感注意力机制以及多模态特征融合三个部分组成；
5、s3：基于采集到的车辆位置信息、当前的地区的路网数据，以及获得的城市道路类型矩阵，寻找候选路段，筛选出符合当前车辆所处的城市道路类型候选路段；
6、s4：基于地图匹配算法与车辆的时空状态，在上述的候选路段中，筛选出最佳匹配路段；
7、s5：对获得的所有最佳匹配路段剔除重复匹配的路段，而后再进行校准操作，得到最终的地图匹配结果。
8、进一步，在步骤s1中，对于车辆的定位模块，指的是全球导航卫星系统，包括北斗卫星导航系统、全球定位系统、格洛纳斯卫星导航系统与伽利略卫星导航系统；对于位置数据，包括车辆的经度与纬度信息；对于部分传感器的传感器数据，包括由速度传感器获得的速度信息、陀螺仪传感器获得的俯仰角和横滚角信息，以及转向传感器获得的横向角信息。
9、按照不同高度的城市道路类型，将其分为四大类：高架道路、匝道、普通城市道路、室内相关道路；其中，普通城市道路包括高架辅路以及高架附近的普通道路；室内相关道路包括隧道以及室内停车场；
10、定义城市道路类型矩阵：
11、pi,rtype＝[pi,high pi,ramp pi,ordinary pi,indoor]
12、式中，pi,rtype为第i个采样点的城市道路类型矩阵；pi,high、pi,ramp、pi,ordinary、pi,indoor分别代表第i个采样点属于高架道路、匝道、普通城市道路与室内相关道路的概率。
13、进一步，在步骤s2中，多模态城市道路场景分类模型为经过大量数据训练过后的多模态神经网络模型，输入为图像数据和传感数据，输出为城市道路类型矩阵，具体如下：
14、s21：对于采集到的图像数据采用预训练的resnet18网络进行特征提取，微调resnet18网络的最后一个平均池化层，输出视觉特征fv：
15、fv＝resnetfine tune(imagei)
16、式中，imagei代表第i个采样点同步采集的图像数据，resnetfine tune代表微调过后的resnet18网络；
17、对于采集到的传感器数据，包括速度、俯仰角、横滚角以及横向角数据，分别采用一个全连接层网络fc与relu函数进行特征提取，输出不同的传感特征：
18、fs,speed＝relu(fc(speedi)
19、fs,pitch＝relu(fc(pitchi)
20、fs,roll＝relu(fc(rolli)
21、fs,lateral＝relu(fc(laterali)
22、式中，speedi、pitchi、rolli、laterali代表第i个采样点同步采集的速度、俯仰角、横滚角、横向角数据；fs,speed、fs,pitch、fs,roll、fs,lateral为对应速度、俯仰角、横滚角、横向角数据的传感特征，后续统一用fs代表；
23、s22：应用提出的视觉-传感注意力机制为不同的传感特征分配不同的权重，该机制使用双线性函数来估计不同传感特征与视觉特征之间的相关度，权重定义如下：
24、ωk∝(fv·uk·fs)
25、式中，uk代表不同传感特征的双线性参数矩阵；ωk代表不同传感特征fs与视觉特征fv经过视觉-传感注意力机制后分配得到的不同的权重；
26、之后，使用加权和来融合所有传感特征，传感融合特征fα定义如下：
27、
28、式中，k为指代不同传感特征的双线性参数矩阵的下标；
29、s23：对于以上产生的视觉特征fv与传感融合特征fα，采用串联策略，拼接为最终的多模态融合特征fc，定义如下：
30、fc＝[fv,fα]
31、式中，[]为串联函数；
32、之后，将多模态融合特征fc送入带有softmax函数的全连接网络fc，获得最终的城市道路类型矩阵pi,rtype，定义如下：
33、pi,rtype＝softmax(fc(fc))
34、式中，全连接网络fc的功能是将多模态融合特征的维度转换到城市道路类型矩阵的维度。
35、进一步，在步骤s3中，筛选符合当前车辆所处的城市道路类型候选路段的具体步骤如下：
36、s31：定义采样点ti与候选路段之间的得分函数定义如下：
37、
38、式中，代表采样点ti与候选路段之间的垂直距离；δ为车辆定位模块的定位误差；e为自然常数；为本文档来自技高网...
【技术保护点】
1.一种时空关联高度感知的地图匹配方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种时空关联高度感知的地图匹配方法，其特征在于，在步骤S1中，对于车辆的定位模块，指的是全球导航卫星系统，包括北斗卫星导航系统、全球定位系统、格洛纳斯卫星导航系统与伽利略卫星导航系统；对于位置数据，包括车辆的经度与纬度信息；对于部分传感器的传感器数据，包括由速度传感器获得的速度信息、陀螺仪传感器获得的俯仰角和横滚角信息，以及转向传感器获得的横向角信息。
3.根据权利要求2所述的一种时空关联高度感知的地图匹配方法，其特征在于，在步骤S2中，多模态城市道路场景分类模型为经过大量数据训练过后的多模态神经网络模型，输入为图像数据和传感数据，输出为城市道路类型矩阵，具体如下：
4.根据权利要求3所述的一种时空关联高度感知的地图匹配方法，其特征在于，在步骤S3中，筛选符合当前车辆所处的城市道路类型候选路段的具体步骤如下：
5.根据权利要求4所述的一种时空关联高度感知的地图匹配方法，其特征在于，在步骤S4中，筛选出最佳匹配路段的步骤如下：
6.
...【技术特征摘要】
1.一种时空关联高度感知的地图匹配方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种时空关联高度感知的地图匹配方法，其特征在于，在步骤s1中，对于车辆的定位模块，指的是全球导航卫星系统，包括北斗卫星导航系统、全球定位系统、格洛纳斯卫星导航系统与伽利略卫星导航系统；对于位置数据，包括车辆的经度与纬度信息；对于部分传感器的传感器数据，包括由速度传感器获得的速度信息、陀螺仪传感器获得的俯仰角和横滚角信息，以及转向传感器获得的横向角信息。
3.根据权利要求2所述的一种时空关联高度感知的地图匹配方法，其特征在于，...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。