【技术实现步骤摘要】
本申请涉及人工智能领域，更具体地，涉及一种移动设备轨迹的还原方法。
技术介绍
1、随着无人驾驶技术的应用，无人驾驶和人工驾驶的移动设备之间存在大量交互需求和道路资源冲突问题，尤其在道路网络密集、移动设备密集及采样数据丰富的封闭园区(例如，车间、码头和工业园区)中，上述交互需求和道路资源冲突问题更为普遍。通过精确还原移动设备轨迹，以确定移动设备的当前移动状态和可能的移动路线，是无人驾驶技术应用的重要前提。
2、现有移动设备轨迹的还原方法通常基于卫星定位(例如，gps和北斗卫星定位系统)或摄像头定位(例如，视觉测量和车路协同系统)的采样数据，根据采样点与道路的距离计算发射概率，根据道路网络结构计算状态转移概率，并使用隐马尔可夫模型计算匹配道路网络的还原轨迹。一般地，卫星定位受限于定位精度和信号干扰，不可避免的存在定位误差，甚至可能出现因为信号丢失导致的长时间定位数据缺失；摄像头定位受限于摄像头的视野覆盖范围，同样可能出现长时间定位数据缺失。
3、现有移动设备轨迹的还原方法中，一方面，由于不同采样数据源的特性不同，无法综合利用多种采样数据源进行轨迹还原；另一方面，采样数据的定位误差和长时间定位数据缺失严重影响轨迹还原的精确性，尤其在上述道路网络和移动设备密集分布的封闭园区中，影响尤其明显；此外，在移动设备的作业流程中存在大量包括交互记录的作业记录，其中特定时间点的准确定位数据未被现有轨迹还原方法利用。
4、因此，亟需对现有移动设备轨迹的还原方法进行改进，以实现移动设备轨迹的精确还原。
>技术实现思路
1、为了至少部分地解决上述技术问题，本申请提出了一种移动设备轨迹的还原方法。该方法包括以下步骤：
2、基于所述移动设备的定位采样数据，确定采样点集序列，其中，所述采样点集序列中的每个采样点集是同一观测时间的所有采样点的集合；
3、针对每个采样点集中的每个采样点，确定候选点集，以构成针对所述采样点集序列的总候选点集；
4、针对每个候选点集中的候选点，计算该候选点到采样点的发射概率，以确定所述总候选点集中候选点的综合发射概率；
5、针对总候选点集中相邻的候选点，计算状态转移概率；以及
6、基于所述综合发射概率和所述状态转移概率，计算所述移动设备的还原轨迹。
7、优选地，所述定位采样数据来自多个采样数据源，至少包括采样点的经度和纬度数据、采样时间数据和采样数据源的信息，其中，所述采样数据源是gps、车路协同或作业记录中一项。
8、优选地，该方法还包括：
9、判断所述采样点集序列是否为连续序列，并且在所述采样点集序列是非连续序列时，将所述采样点集序列分割为多个连续序列，分别作为新的采样点集序列。
10、优选地，判断采样点集序列是否为连续序列以及分割采样点集序列的规则包括：
11、当采样点集序列中存在所有采样点都无法选取候选点的采样点集时，判断采样点集序列为非连续序列，并以该采样点集作为断裂点分割采样点集序列；
12、从采样点集序列的相邻采样点集中各取一个采样点，当所有采样点组合中距离最短的一组采样点之间的间隔时间大于时间阈值时，判断采样点集序列为非连续序列，并以该相邻采样点集作为断裂点分割采样点集序列；
13、从采样点集序列的相邻采样点集中各取一个采样点，当根据每一采样点组合计算的移动速度均大于速度阈值时，判断采样点集序列为非连续序列，并以该相邻采样点集作为断裂点分割采样点集序列；以及
14、从采样点集序列的相邻采样点集中各取一个采样点，当根据每一采样点组合计算的状态转移概率均小于状态转移概率阈值时，判断采样点集序列为非连续序列，并以该相邻采样点集作为断裂点分割采样点集序列。
15、优选地，当所述采样点集序列分割为多个连续序列时，在所还原出的多段还原轨迹之间，使用最短路径算法补充还原点。
16、优选地，针对每个采样点确定的候选点位于以所述采样点为中心的特定距离范围内。
17、优选地，基于所述发射概率，根据不同数据源的置信度加权计算所述综合发射概率，其中，计算所述发射概率包括：
18、当所述采样点的数据源是gps时，使用下式计算所述发射概率ψ(o∣c)，
19、
20、上式中，o表示所述采样点，c表示所述候选点，σ表示gps误差的标准差，||o―c||表示从所述采样点o至所述候选点c的大圆距离；
21、当所述采样点的数据源是车路协同或作业记录时，使用下式计算所述发射概率ψ(o∣c)，
22、
23、上式中，o表示所述采样点，c表示所述候选点。
24、优选地，使用下式计算相邻候选点之间的状态转移概率p(ct+1∣ct)，
25、
26、上式中，ct表示第t个所述候选点，ct+1表示与ct相邻的第t+1个所述候选点，||ct―ct+1||greatcircle表示从ct至ct+1的大圆距离，||ct―ct+1||route表示从ct至ct+1的路径规划距离。
27、优选地，基于隐马尔可夫模型，使用动态规划计算使所述综合发射概率和所述状态转移概率的乘积达到最大的还原点，以确定概率最大的还原轨迹。
28、优选地，通过方向角滤波器矫正所述还原点，其中，所述方向角滤波器是指识别同一路段中大于转向角阈值的还原点，并重新定位所述还原点至小于转向角阈值的候选点。
29、本申请的移动设备轨迹的还原方法，相比于现有技术中仅使用单一数据源的采样点数据进行轨迹还原，通过分别计算不同数据源采样点的候选点发射概率，并根据不同数据源的置信度计算候选点的综合发射概率，使得本申请的技术方案能够综合利用包括移动设备作业记录的多种数据源的采样点数据进行轨迹还原，提高了轨迹还原的精确度。此外，本申请根据序列分割规则将初始序列分割为连续序列，并在连续序列之间补充还原点，有效改善了采样数据定位误差和长时间定位数据缺失导致的稀疏轨迹采样的还原效果。
30、本申请的其它特征和优点将在随后的具体实施方式部分予以详细说明。
本文档来自技高网...【技术保护点】
1.一种移动设备轨迹的还原方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的移动设备轨迹的还原方法，其特征在于，所述定位采样数据来自多个采样数据源，至少包括采样点的经度和纬度数据、采样时间数据和采样数据源的信息，其中，所述采样数据源是GPS、车路协同或作业记录中一项。
3.根据权利要求1所述的移动设备轨迹的还原方法，其特征在于，该方法还包括：
4.根据权利要求3所述的移动设备轨迹的还原方法，其特征在于，判断采样点集序列是否为连续序列以及分割采样点集序列的规则包括：
5.根据权利要求3所述的移动设备轨迹的还原方法，其特征在于，当所述采样点集序列分割为多个连续序列时，在所还原出的多段还原轨迹之间，使用最短路径算法补充还原点。
6.根据权利要求1所述的移动设备轨迹的还原方法，其特征在于，针对每个采样点确定的候选点位于以所述采样点为中心的特定距离范围内。
7.根据权利要求1所述的移动设备轨迹的还原方法，其特征在于，基于所述发射概率，根据不同数据源的置信度加权计算所述综合发射概率，其中，计算所述发射概率包
8.根据权利要求1所述的移动设备轨迹的还原方法，其特征在于，使用下式计算相邻候选点之间的状态转移概率p(ct+1∣ct)，
9.根据权利要求1所述的移动设备轨迹的还原方法，其特征在于，基于隐马尔可夫模型，使用动态规划计算使所述综合发射概率和所述状态转移概率的乘积达到最大的还原点，以确定概率最大的还原轨迹。
10.根据权利要求1所述的移动设备轨迹的还原方法，其特征在于，通过方向角滤波器矫正所述还原点，其中，所述方向角滤波器是指识别同一路段中大于转向角阈值的还原点，并重新定位所述还原点至小于转向角阈值的候选点。
...【技术特征摘要】
1.一种移动设备轨迹的还原方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的移动设备轨迹的还原方法，其特征在于，所述定位采样数据来自多个采样数据源，至少包括采样点的经度和纬度数据、采样时间数据和采样数据源的信息，其中，所述采样数据源是gps、车路协同或作业记录中一项。
3.根据权利要求1所述的移动设备轨迹的还原方法，其特征在于，该方法还包括：
4.根据权利要求3所述的移动设备轨迹的还原方法，其特征在于，判断采样点集序列是否为连续序列以及分割采样点集序列的规则包括：
5.根据权利要求3所述的移动设备轨迹的还原方法，其特征在于，当所述采样点集序列分割为多个连续序列时，在所还原出的多段还原轨迹之间，使用最短路径算法补充还原点。
6.根据权利要求1所述的移动设备轨迹的还原方法，其特征在于，针对每个采...
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。