本技術(shù)涉及智能交通信息，尤其涉及一種基于軌跡的車道路網(wǎng)增量生成方法、裝置、電子設(shè)備及存儲(chǔ)介質(zhì)。

背景技術(shù)：

1、高精地圖因自動(dòng)駕駛技術(shù)需求而誕生，作為自動(dòng)駕駛汽車先驗(yàn)的知識(shí)庫(kù)與空間基準(zhǔn)，其提供了高精度、高豐富度、高動(dòng)態(tài)性與高可靠性的數(shù)據(jù)服務(wù)。然而，國(guó)內(nèi)公路里程長(zhǎng)，更新頻繁，依賴高度集成但數(shù)量有限的移動(dòng)測(cè)量系統(tǒng)難以實(shí)現(xiàn)高精地圖對(duì)上述道路的全覆蓋與高頻更新，制約了其在自動(dòng)駕駛領(lǐng)域的全面落地與應(yīng)用。眾包為高精地圖構(gòu)建提供了一種通過(guò)群智感知解決上述問(wèn)題的新模式。眾包模式基于城市交通系統(tǒng)中無(wú)處不在的移動(dòng)感知終端，不依賴專業(yè)的移動(dòng)測(cè)量系統(tǒng)，具有成本低、空間覆蓋廣、更新及時(shí)等特點(diǎn)。

2、車載軌跡數(shù)據(jù)從空間位置、時(shí)間、移動(dòng)模式等維度記錄了車輛與城市交通路網(wǎng)的交互活動(dòng)。車輛作為一種與城市交通系統(tǒng)交互最頻繁的“傳感器”，形成的軌跡數(shù)據(jù)覆蓋面廣、重訪率高且具有時(shí)效性，同時(shí)高頻、高精的定位技術(shù)為基于眾包軌跡提取車道級(jí)路網(wǎng)信息提供了數(shù)據(jù)支持。對(duì)于實(shí)時(shí)、海量軌跡數(shù)據(jù)的分析與挖掘任務(wù)，分布式處理、流式計(jì)算、大數(shù)據(jù)分析、深度學(xué)習(xí)等提供了技術(shù)支撐。

3、現(xiàn)有基于眾包軌跡數(shù)據(jù)的車道級(jí)路網(wǎng)提取方法可以分為兩種，一種是基于?概率分布方法從大量軌跡樣本中提取車道中心點(diǎn)再擬合為車道中心線，此種計(jì)算開(kāi)銷大且依賴于大量樣本數(shù)據(jù)，另一種是基于聚類方法適用于車道幾何信息的提取與更新，對(duì)數(shù)據(jù)樣本采樣頻率與精度要求較高，這兩種方法提取的路網(wǎng)連接關(guān)系不夠準(zhǔn)確，也無(wú)法滿足地圖及時(shí)更新的要求。

技術(shù)實(shí)現(xiàn)思路

1、本技術(shù)實(shí)施例提供一種基于軌跡的車道路網(wǎng)增量生成方法、裝置、電子設(shè)備及存儲(chǔ)介質(zhì)，能夠提高路網(wǎng)增量生成的精確度。

2、本技術(shù)實(shí)施例提供了一種基于軌跡的車道路網(wǎng)增量生成方法，包括：

3、獲取原始軌跡序列，對(duì)所述原始軌跡序列進(jìn)行預(yù)處理；

4、計(jì)算所述預(yù)處理后的軌跡序列的運(yùn)動(dòng)特征，并提取所述預(yù)處理后的軌跡序列的幾何特征，基于所述運(yùn)動(dòng)特征與所述幾何特征進(jìn)行隨機(jī)變道軌跡檢測(cè)，得到優(yōu)選子軌跡序列；

5、獲取路網(wǎng)數(shù)據(jù)；

6、計(jì)算所述路網(wǎng)數(shù)據(jù)中的路徑與所述優(yōu)選子軌跡序列對(duì)應(yīng)點(diǎn)的單次位移值，基于所述單次位移值移動(dòng)所述優(yōu)選子軌跡序列的軌跡點(diǎn)，以對(duì)所述優(yōu)選子軌跡序列聚類；

7、對(duì)所述路網(wǎng)數(shù)據(jù)與聚類后的所述優(yōu)選子軌跡序列進(jìn)行匹配，得到匹配的第一子軌跡序列以及未匹配的第二子軌跡序列；

8、基于所述第二子軌跡序列進(jìn)行插入路段的構(gòu)建，以生成新車道，并更新所述第一子軌跡序列對(duì)應(yīng)的路徑的權(quán)重。

9、進(jìn)一步地，上述基于軌跡的車道路網(wǎng)增量生成方法，其中，所述對(duì)所述原始軌跡序列進(jìn)行預(yù)處理，包括：對(duì)所述原始軌跡序列進(jìn)行軌跡清洗；

10、對(duì)所述原始軌跡序列進(jìn)行軌跡清洗包括：

11、獲取原始軌跡序列對(duì)應(yīng)的方向角序列；

12、根據(jù)所述原始軌跡序列計(jì)算對(duì)應(yīng)的航向角序列，基于所述方向角序列與所述航向角序列計(jì)算角度差值，將所述角度差值超過(guò)預(yù)設(shè)的角度閾值的軌跡序列剔除；

13、根據(jù)所述原始軌跡序列計(jì)算對(duì)應(yīng)的速度序列，將速度超過(guò)預(yù)設(shè)的速度閾值的軌跡序列剔除。

14、進(jìn)一步地，上述基于軌跡的車道路網(wǎng)增量生成方法，其中，所述幾何特征包括道路形狀描述子，計(jì)算所述預(yù)處理后的軌跡序列的幾何特征，包括：

15、找到每段軌跡序列的軌跡中心點(diǎn)；

16、在以軌跡中心點(diǎn)為圓心，以r為半徑的范圍內(nèi)遍歷軌跡點(diǎn)，并計(jì)算相對(duì)角度與距離；

17、將所述距離按照預(yù)設(shè)角度與預(yù)設(shè)長(zhǎng)度r/3進(jìn)行分區(qū)，形成若干個(gè)分區(qū)區(qū)間；

18、計(jì)算落入各個(gè)所述分區(qū)區(qū)間的軌跡點(diǎn)的數(shù)量，基于所述數(shù)量對(duì)所述分區(qū)區(qū)間進(jìn)行編碼，以得到道路形狀描述子。

19、進(jìn)一步地，上述基于軌跡的車道路網(wǎng)增量生成方法，其中，所述運(yùn)動(dòng)特征至少包括累計(jì)航向角變化量、起點(diǎn)-終點(diǎn)航向角變化量與角速度變化量，所述幾何特征至少包括道路形狀描述子、軌跡序列兩端到道路邊界的距離與軌跡序列相對(duì)道路中心線的橫向位移；

20、計(jì)算所述預(yù)處理后的軌跡序列的運(yùn)動(dòng)特征，并提取所述預(yù)處理后的軌跡序列的幾何特征，基于所述運(yùn)動(dòng)特征與所述幾何特征進(jìn)行變道軌跡檢測(cè)，得到優(yōu)選子軌跡序列，包括：

21、將所述累計(jì)航向角變化量、所述起點(diǎn)-終點(diǎn)航向角變化量、所述角速度變化量，所述道路形狀描述子、所述軌跡序列兩端到道路邊界的距離以及所述軌跡序列相對(duì)道路中心線的橫向位移輸入到向量機(jī)中進(jìn)行二分類，剔除隨機(jī)變道軌跡，得到優(yōu)選子軌跡序列。

22、進(jìn)一步地，上述基于軌跡的車道路網(wǎng)增量生成方法，其中，計(jì)算所述路網(wǎng)數(shù)據(jù)中的路徑與所述優(yōu)選子軌跡序列對(duì)應(yīng)點(diǎn)的單次位移值，基于所述單次位移值移動(dòng)所述優(yōu)選子軌跡序列的軌跡點(diǎn)，以對(duì)所述優(yōu)選子軌跡序列聚類，包括：

23、計(jì)算優(yōu)選子軌跡序列中的軌跡點(diǎn)、所述軌跡點(diǎn)的周圍區(qū)域內(nèi)的軌跡點(diǎn)相對(duì)于所述對(duì)應(yīng)的路網(wǎng)數(shù)據(jù)中的路徑中對(duì)應(yīng)點(diǎn)的位移差值與方向差值；

24、基于所述位移差值與所述方向差值計(jì)算單次位移值；

25、根據(jù)所述單次位移值移動(dòng)所述優(yōu)選子軌跡序列中所有的軌跡點(diǎn)，以對(duì)所述優(yōu)選子軌跡序列聚類。

26、進(jìn)一步地，上述基于軌跡的車道路網(wǎng)增量生成方法，其中，所述對(duì)所述路網(wǎng)數(shù)據(jù)與聚類后的所述優(yōu)選子軌跡序列進(jìn)行匹配，得到匹配的第一子軌跡序列以及未匹配的第二子軌跡序列，包括：

27、構(gòu)建隱馬爾科夫模型，遍歷聚類后的優(yōu)選子軌跡序列，將軌跡點(diǎn)視為觀測(cè)值，真實(shí)位置或真實(shí)路段視為隱狀態(tài)；

28、通過(guò)下式計(jì)算聚類后的所述優(yōu)選子軌跡序列中的軌跡點(diǎn)到所述路網(wǎng)數(shù)據(jù)中的路徑的觀測(cè)轉(zhuǎn)移概率：

29、

30、其中，為軌跡點(diǎn)到路徑上的投影距離，為觀測(cè)誤差，exp為指數(shù)函數(shù)，表示軌跡點(diǎn)到路徑上的投影點(diǎn)；

31、通過(guò)下式計(jì)算所述路網(wǎng)數(shù)據(jù)中的路徑間的轉(zhuǎn)移概率：

32、

33、其中，

34、其中，是帶深度的有向圖廣度優(yōu)先搜索算法，代表搜索路網(wǎng)節(jié)點(diǎn)的深度；

35、求解最優(yōu)序列：

36、初始化：

37、遞推得到：

38、

39、其中，,為觀測(cè)序列長(zhǎng)度，s為觀測(cè)對(duì)象，代表前個(gè)最終狀態(tài)為的觀測(cè)結(jié)果最有可能對(duì)應(yīng)的狀態(tài)序列的概率，為第一個(gè)節(jié)點(diǎn)的觀測(cè)結(jié)果到匹配序列的概率矩陣，為匹配序列中各對(duì)象間的概率轉(zhuǎn)移矩陣，為前個(gè)最終狀態(tài)為的觀測(cè)結(jié)果最有可能對(duì)應(yīng)的狀態(tài)序列的概率，為第t個(gè)節(jié)點(diǎn)的觀測(cè)結(jié)果到匹配序列的概率矩陣；

40、通過(guò)下式計(jì)算得到第一子軌跡序列{}：

41、

42、其中，為對(duì)函數(shù)求參數(shù)。

43、根據(jù)聚類后的所述優(yōu)選子軌跡序列與匹配的所述第一子軌跡序列，得到未匹配的第二子軌跡序列。

44、進(jìn)一步地，上述基于軌跡的車道路網(wǎng)增量生成方法，其中，基于所述第二子軌跡序列進(jìn)行插入路段的構(gòu)建，以生成新車道，并更新所述第一子軌跡序列對(duì)應(yīng)的路徑的權(quán)重，包括：

45、對(duì)所述路網(wǎng)數(shù)據(jù)的路徑進(jìn)行無(wú)向圖的帶深度的廣度優(yōu)先搜索算法求解；

46、若所述求解的結(jié)果為0，則將所述第二子軌跡序列的前后端點(diǎn)匹配到所述路網(wǎng)數(shù)據(jù)的路徑上，進(jìn)行插入路段的構(gòu)建，以生成新車道；

47、若所述求解的結(jié)果不為0，且不滿足匹配條件時(shí)，則將所述第二子軌跡序列插入所述路網(wǎng)數(shù)據(jù)對(duì)應(yīng)的圖結(jié)構(gòu)數(shù)據(jù)中；

48、更新所述第一子軌跡序列對(duì)應(yīng)的路徑的權(quán)重。

49、本技術(shù)實(shí)施例還提供了一種基于軌跡的車道路網(wǎng)增量生成裝置，包括：

50、第一獲取模塊，用于獲取原始軌跡序列；

51、預(yù)處理模塊，用于對(duì)所述原始軌跡序列進(jìn)行預(yù)處理；

52、隨機(jī)變道軌跡檢測(cè)模塊，用于提取所述預(yù)處理后的軌跡序列的運(yùn)動(dòng)特征，并計(jì)算所述預(yù)處理后的軌跡序列的幾何特征，基于所述運(yùn)動(dòng)特征與所述幾何特征進(jìn)行隨機(jī)變道軌跡檢測(cè)，得到優(yōu)選子軌跡序列；

53、第二獲取模塊，用于獲取路網(wǎng)數(shù)據(jù)；

54、聚類模塊，用于計(jì)算所述路網(wǎng)數(shù)據(jù)中的路徑與所述優(yōu)選子軌跡序列對(duì)應(yīng)點(diǎn)的單次位移值，基于所述單次位移值移動(dòng)所述優(yōu)選子軌跡序列的軌跡點(diǎn)，以對(duì)所述優(yōu)選子軌跡序列聚類；

55、匹配模塊，用于對(duì)所述路網(wǎng)數(shù)據(jù)與聚類后的所述優(yōu)選子軌跡序列進(jìn)行匹配，得到匹配的第一子軌跡序列以及未匹配的第二子軌跡序列；

56、車道構(gòu)建與權(quán)重更新模塊，用于基于所述第二子軌跡序列進(jìn)行插入路段的構(gòu)建，以生成新車道，并更新所述第一子軌跡序列對(duì)應(yīng)的路徑的權(quán)重。

57、本技術(shù)實(shí)施例還提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)中存儲(chǔ)有多條指令，所述指令適于由處理器加載以執(zhí)行上述任一項(xiàng)基于軌跡的車道路網(wǎng)增量生成方法。

58、本技術(shù)實(shí)施例還提供了一種電子設(shè)備，包括處理器和存儲(chǔ)器，所述處理器與所述存儲(chǔ)器電性連接，所述存儲(chǔ)器用于存儲(chǔ)指令和數(shù)據(jù)，所述處理器用于上述任一項(xiàng)所述的基于軌跡的車道路網(wǎng)增量生成方法中的步驟。

59、本技術(shù)提供的基于軌跡的車道路網(wǎng)增量生成方法、裝置、電子設(shè)備及存儲(chǔ)介質(zhì)，本技術(shù)通過(guò)隨機(jī)變道軌跡檢測(cè)提取優(yōu)選子軌跡序列，對(duì)優(yōu)選子軌跡序列和路網(wǎng)數(shù)據(jù)中的路徑進(jìn)行匹配并聚類，得到未匹配的第二字軌跡序列，通過(guò)第二字軌跡序列進(jìn)行插入路段的構(gòu)建，實(shí)現(xiàn)了新車道的生成。本技術(shù)實(shí)施例增強(qiáng)了軌跡與路網(wǎng)之間的聯(lián)系，提高了路網(wǎng)增量生成的精確度，能夠及時(shí)更新地圖。