地图匹配算法综述宣讲培训.pptx

文献综述--地图匹配算法;研究背景;研究背景;GPS 系统总会存在难以避免的误差，误差大致可分为三部分： 1.卫星及其传播途径本身所产生的误差，如卫星钟误差、星历误差以及电离层误差等； 2. 无法测量或不能用校正模型计算的传播延迟误差； 3.是用户接收机固有误差，如内部噪声、通道延迟等。 解决办法： 从软件方面提高车辆行驶路线的精度。这就需要利用地图匹配将车辆的GPS 点数据匹配到车载系统的电子地图的道路网络中，从而准确地提供车辆信息。;地图匹配概念;可见，地图匹配技术的应用必须具备两个前提： （1）用于匹配的数字化地图中的道路位置信息具有较高的精确性；（2）被定位的车辆需在地图中的道路网上行驶。 因此，地图匹配算法可以分为两个相对独立的步骤：一是找到车辆当前正在行驶的道路；二是将车辆当前的定位点投影到道路上[4]。 当前的地图匹配绝大多数都是面对动态实时 GPS 数据的处理，匹配算法按照空间区域关系的算法总的分为两类： 1.确定性地图匹配算法 2.不确定性算法;确定性地图匹配算法;2008 年，国内的张雷元等人改进了这种加权算法[6]，扩大了道路选择范围，并将原有算法的人工赋予权重系数改进为多属性决策计算权重，从而增进了地图匹配的可靠性。2012 年，王敏等人在该算法中加入了速度权重[7]，并在轨迹的转弯点对适量地图交叉路口节点的偏移量做平行四边形，将转弯点附近前后车辆位置点以该平移量的方向平移到路段上，构成平行四边形，这种添加速度权重和动态平行四边形算法的结合完善了计算权重的投影的算法。;不确定性地图匹配算法;2003 年，许志海等人对概率统计算法做了改进[10]，在利用概率统计确定阈值的同时还参考了道路宽度，并在道路匹配操作时，对车辆所处于的不同状态赋予不同的权值。概率统计算法的优点在于不要求车辆总是在道路上。如果接收的数据不在已知的道路网络中，概率统计算法就会反复地比较接收的坐标和偏离道路路段的坐标，并识别车辆匹配的路段[11]。;4.2 模糊逻辑算法 地图匹配设计模糊度的定性决策过程，利用模糊逻辑方法可以解决这一问题。模糊逻辑推论过??包括模糊化、推理机和去模糊化三个部分，利用隶属函数描述与候选道路来定义误差模型。国内，2001 年苏洁等人首先提出了模糊逻辑算法[14]，基本思想是在将地图每条道路分段线性化成直线段的前提下，对每条描述路段进行模式 v 识别，并将前面多条路段的识别结果作为后一路段的相似性大量函数识别权值。 ;1.2006 年 M.A. Quddus 等人[15]提出了有关模糊逻辑地图匹配算法的改进，在算法中输入车辆速度、道路连通性、定位点相对于道路位置等信息，利用这些输入的信息和模糊逻辑规则来提高算法性能。 2.2008 年宋洁等人提出了相对完善的模糊逻辑算法[18]，分别定义方向、距离和速度的隶属函数，分别对函数值进行单因素评价，构造模糊矩阵，计算出模糊向量，确定权向量，权向量的每个维度的值分别表示各个因素的重要程度，最后做模糊变换得到向量作为每个评判因子的权重值。模糊逻辑算法的优点在于其匹配效率高、计算简单、实时性好，并且对不同的路段状况都适用。缺点在于权重系数分配缺乏理论依据，基本上以经验为主要选择标准[12]。;4.3 相关性分析算法 2004 年常菲等人提出了地图匹配的相关性分析算法。相关性算法的基本原理是利用拐角和交叉口或曲线路段的形状特性对定位系统测出的数据进行校正[16]。假设车辆在 t=1,2 k, k=N 的时刻内，定位系统测出的车辆行驶轨迹分别是 S1，S2 ，Sk，对应电子地图有 i 条可能性是路线，并设地图上与导航传感器测出的数据对应轨迹分别为 Li1，Li2，Lik，是 i 组序列。相关性算法是计算出轨迹与 i 组地图数据的相关性系数：;4.4 基于 D-S 证据推理算法 D-S 证据理论有比较强的理论基础，既能处理随机性所导致的不确定性，又能处理模糊性所导致的不确定性，依靠证据的积累，不断缩小假设集，将“不知道”和“不确定”区分开来。在样本空间中定义命题的信任函数（对命题 A 为真的支持度）与似然函数（不反对命题 A 点程度）。然后考虑不同证据的 mass 函数，根据 D-S 合成规则，可以得到一个复合函数，此函数反映了证据对命题 A 的联合支持程度。2008 年谷正气等人对该算法进行了改进[17]，分别在两方面进行了改进：（1）证据权值改进：通过高斯概率密度函数求出证据之间距离以及其支持矩阵，反应对同一物体测量结果的不一致，求得支持矩阵的每个证据的可信度，求得每个证据的权值；（2）决策规则改进：基于Pignistic 概率的决策规则，而非传统的单层决策，以扩大信度差异。;总结： 该算法的优点在于通过推理可以得到唯一正确的