結(jié)合行駛場景語義的軌跡-路網(wǎng)實(shí)時(shí)匹配方法

傅 琛，黃升鈳，湯 焱，吳杭彬,3，劉 春,3，姚連璧,3，黃 煒

1. 同濟(jì)大學(xué)測繪與地理信息學(xué)院，上海 200092； 2. 北京大學(xué)地球與空間科學(xué)學(xué)院，北京100871； 3. 同濟(jì)大學(xué)城市交通研究院，上海 200092

近年來，隨著各種感知技術(shù)與傳感器設(shè)備的發(fā)展，自動(dòng)駕駛技術(shù)成為新的研究熱點(diǎn)。自動(dòng)駕駛過程中，實(shí)時(shí)地圖匹配技術(shù)在車輛定位、路線規(guī)劃、實(shí)時(shí)導(dǎo)航、路況上報(bào)與更新、駕駛決策等過程中起到了重要的作用[1]。

地圖匹配技術(shù)(map matching)是指將單個(gè)或系列GNSS點(diǎn)與地圖匹配的過程，其本質(zhì)是利用地圖對(duì)GNSS數(shù)據(jù)進(jìn)行約束。在實(shí)時(shí)導(dǎo)航、軌跡數(shù)據(jù)分析等領(lǐng)域中，地圖匹配作為數(shù)據(jù)分析的前期處理流程，為原始數(shù)據(jù)賦予路網(wǎng)語義信息，并為路徑規(guī)劃、交通分析、軌跡分析等技術(shù)提供基礎(chǔ)數(shù)據(jù)[2]。

針對(duì)不同特性的GNSS數(shù)據(jù)與地圖數(shù)據(jù)，學(xué)者們提出了多種地圖匹配算法和多種地圖匹配算法分類體系。文獻(xiàn)[3]對(duì)2007年以前已有的地圖匹配算法進(jìn)行了回顧，將地圖匹配算法分為基于幾何的算法、基于拓?fù)涞乃惴ā⒒诟怕实乃惴ㄅc使用先進(jìn)技術(shù)的算法。文獻(xiàn)[4]根據(jù)地圖匹配算法的時(shí)效性將地圖匹配算法分為在線匹配算法[5-8]與離線匹配算法[9-12]。在線匹配算法(又稱局部匹配)需要實(shí)時(shí)或在較短時(shí)間內(nèi)根據(jù)當(dāng)前定位點(diǎn)數(shù)據(jù)或結(jié)合歷史匹配結(jié)果，將當(dāng)前點(diǎn)捕捉至地圖上[13]；而離線匹配(又稱全局匹配)是在已知完整軌跡的情況下對(duì)軌跡進(jìn)行整體匹配[12,14-17]。應(yīng)用于導(dǎo)航和自動(dòng)駕駛的地圖匹配算法需要在短時(shí)間內(nèi)確定車輛位置，因此需要在線匹配算法。引入隱馬爾可夫模型[18]、模糊匹配理論[19]等先進(jìn)方法的在線匹配算法在處理采樣頻率較低的軌跡時(shí)占有優(yōu)勢，但通常計(jì)算復(fù)雜度較高[4]、存在一定的延時(shí)，難以適用于硬件處理能力有限、對(duì)實(shí)時(shí)性要求高的場景。

隨著城市不斷建設(shè)完善、電子地圖技術(shù)不斷發(fā)展，城市電子地圖越來越復(fù)雜，尤其是在城市主干道、高架快速路等路段，在三維空間中不同高度的道路在平面地圖上重疊、交織，單一采樣點(diǎn)搜索到的備選路段數(shù)量快速上升。當(dāng)前對(duì)地圖匹配技術(shù)的研究中，針對(duì)高架沿途路段匹配問題的研究較少，文獻(xiàn)[19]利用出租車數(shù)據(jù)中的特定字段，如載客、載客狀態(tài)變化等屬性，結(jié)合車輛的行駛速度與行駛模式，通過模糊推理系統(tǒng)推斷車輛是否在高架上。而實(shí)際情況可能不滿足假設(shè)的某些條件要求(如在高架堵車時(shí)，高架上車輛也會(huì)出現(xiàn)走走停停的模式)，從而造成錯(cuò)誤匹配。

駕駛過程中拍攝的圖像蘊(yùn)含著豐富的信息，隨著圖像采集設(shè)備的普及和成本的降低，部分研究開始使用駕駛過程中拍攝的圖像作為GNSS軌跡數(shù)據(jù)的補(bǔ)充。目前此類研究通常將圖像用于車道線識(shí)別，結(jié)合車道級(jí)高精度地圖實(shí)現(xiàn)在單一道路內(nèi)部的車道匹配和相對(duì)定位，而非作用于軌跡與不同道路間的匹配。文獻(xiàn)[20]對(duì)手機(jī)拍攝的圖像進(jìn)行逆透視變換和Hough變換提取車道線，并結(jié)合車輛行駛方向確定行駛車道。文獻(xiàn)[21]同時(shí)使用圖像提取的車道線和拓?fù)淦ヅ浞ǚ謩e進(jìn)行車道級(jí)地圖匹配，最終使用擴(kuò)展卡爾曼濾波將兩種匹配結(jié)果與GNSS軌跡、航位推算結(jié)果進(jìn)行融合，提高了車道級(jí)相對(duì)定位精度。

綜上所述，現(xiàn)有的普通在線匹配算法在高架、立交等復(fù)雜區(qū)域容易出現(xiàn)誤匹配的現(xiàn)象，而結(jié)合圖像進(jìn)行復(fù)雜道路場景下道路級(jí)軌跡匹配的研究較少。針對(duì)這一問題，本文利用與行車軌跡同步采集的系列行車記錄圖像，提出了一種結(jié)合行駛場景分類的地圖匹配技術(shù)，利用圖像確定車輛與高架道路的關(guān)系，進(jìn)而提高在線匹配算法在高架路段的匹配正確率。

1 結(jié)合行駛場景分類的軌跡-路網(wǎng)實(shí)時(shí)匹配方法(DSCMM)

1.1 數(shù)據(jù)定義

本文使用的軌跡-相片數(shù)據(jù)來源于自帶定位功能的行車記錄設(shè)備或無人駕駛車。在車輛行駛過程中，按照一定采樣頻率對(duì)車輛位置進(jìn)行定位，在定位的同時(shí)保存相應(yīng)的視頻幀圖像，作為屬性數(shù)據(jù)附加在定位點(diǎn)上，得到一組軌跡-相片數(shù)據(jù)。相關(guān)定義如下。

定義1：采樣點(diǎn)p

p={timestamp,lon,lat,speed,direction,image}

單個(gè)采樣點(diǎn)是由單臺(tái)設(shè)備使用其定位模塊獲取車輛當(dāng)前位置信息，并同步記錄當(dāng)前時(shí)刻視頻圖像得到的一組數(shù)據(jù)集合。其中，timestamp代表采樣點(diǎn)的時(shí)間戳，(lon,lat)代表車輛所處經(jīng)緯度，speed代表GNSS設(shè)備采集的采樣點(diǎn)車速，direction代表車輛行駛方向的方位角，image代表與當(dāng)前采樣點(diǎn)同步采集的行車記錄圖像。

定義2：車輛軌跡T

T={p1,p2,…,pn}

車輛軌跡T是指由同一車輛按照一定時(shí)間間隔連續(xù)采樣得到的一組順序排列的采樣點(diǎn)集合。n表示軌跡點(diǎn)的個(gè)數(shù)。

定義3：城市道路網(wǎng)絡(luò)G

G=(Node,Seg)

城市道路網(wǎng)絡(luò)G為由節(jié)點(diǎn)與路段構(gòu)成的有向圖，其中，Node表示兩條道路的交點(diǎn)，在節(jié)點(diǎn)處，車輛可以在相鄰道路內(nèi)按照轉(zhuǎn)向規(guī)則進(jìn)行轉(zhuǎn)移；Seg表示路段，是指兩個(gè)節(jié)點(diǎn)之間表示道路中心線的單向或雙向線段，一條道路由多個(gè)路段組成。各路段具有相應(yīng)的道路類別屬性。

定義4：候選路段集C

C=(Seg1,Seg2,…,Segm)

候選路段集C表示當(dāng)前待匹配點(diǎn)p的候選路段集合。m代表集合中的路段數(shù)量。

定義5：最佳匹配路段M

對(duì)當(dāng)前采樣點(diǎn)的備選路段集C，以匹配指標(biāo)得分最高的路段Segj作為最佳匹配路段M。

定義6：行駛場景定義

行駛場景指車輛行駛過程中所處的道路環(huán)境，考慮到地圖匹配的難點(diǎn)所在，本文將車輛行駛場景分為城市快速道路、普通道路、室內(nèi)道路(隧道、地下停車場等)3類。圖1給出了3種類型典型場景的圖像。

圖1 各行駛場景行車記錄圖像Fig.1 Images of each driving scene

1.2 結(jié)合行駛場景分類的軌跡-路網(wǎng)實(shí)時(shí)匹配方法框架(DSCMM)

本文提出的結(jié)合行駛場景分類的軌跡-路網(wǎng)實(shí)時(shí)匹配方法(a real-time map matching method for road network using driving scenario classification，DSCMM算法)(圖2)，將車輛或設(shè)備實(shí)時(shí)采集的圖像所獲得的場景語義信息加入匹配過程，提高行駛車輛位于城市快速路、普通道路、室內(nèi)道路等場景時(shí)實(shí)時(shí)地圖匹配的精度。

圖2 算法流程Fig.2 The workflow of map-matching algorithm

算法包括候選路段搜索、行駛場景分類和地圖匹配計(jì)算等3個(gè)步驟。輸入采樣點(diǎn)后，在路網(wǎng)數(shù)據(jù)內(nèi)搜索候選路段集；當(dāng)車輛處于復(fù)雜道路區(qū)域時(shí)，利用訓(xùn)練好的行駛場景分類模型對(duì)圖像進(jìn)行分類，計(jì)算圖像屬于各類行駛場景的概率；計(jì)算當(dāng)前采樣點(diǎn)候選路段集中每一條路段各相應(yīng)指標(biāo)得分，綜合評(píng)價(jià)該路段得分，取其中得分最高的路段作為當(dāng)前采樣點(diǎn)的匹配結(jié)果，完成單個(gè)采樣點(diǎn)的匹配。

1.3 候選路段集搜索

GNSS設(shè)備采集的采樣點(diǎn)存在定位誤差，且路網(wǎng)中的路段表示的是道路行駛方向的中心線，在實(shí)際行車過程中，行駛車道與道路中心線之間存在一定偏差。因此，對(duì)當(dāng)前采樣點(diǎn)pi，設(shè)置一定閾值d構(gòu)建緩沖區(qū)，與緩沖區(qū)相交道路將會(huì)被識(shí)別為當(dāng)前采樣點(diǎn)pi的候選路段集Ci。地圖匹配的目的，就是從Ci集合中選擇最合適的匹配結(jié)果。

當(dāng)候選集合Ci中只有一類道路時(shí)，現(xiàn)有算法已經(jīng)能完成地圖匹配，不需要進(jìn)行分類。而當(dāng)Ci中存在不同類型的道路時(shí)(如快速路與普通道路)，傳統(tǒng)的地圖匹配方法存在困難，因此需要借助軌跡點(diǎn)的視頻圖像數(shù)據(jù)進(jìn)行場景分類，提高匹配精度。

1.4 行駛場景分類

本文采用支持向量機(jī)完成行駛場景的分類。支持向量機(jī)(support vector machine，SVM)是文獻(xiàn)[22]提出的一種機(jī)器學(xué)習(xí)模型，其本質(zhì)為構(gòu)造能正確劃分?jǐn)?shù)據(jù)集且?guī)缀伍g隔最大的超平面。針對(duì)非線性分類問題，SVM將樣本映射到高維線性特征空間，從而轉(zhuǎn)化為線性可分問題進(jìn)行求解[23]。利用支持向量機(jī)對(duì)圖像進(jìn)行分類，實(shí)際上是將圖像每一像素當(dāng)作一個(gè)特征值，利用支持向量機(jī)對(duì)不同類別圖像的特征進(jìn)行分類訓(xùn)練，獲得當(dāng)前樣本下最佳分類超平面，并利用該分類結(jié)果對(duì)輸入圖像進(jìn)行預(yù)測，獲得其對(duì)應(yīng)的分類。SVM模型進(jìn)行預(yù)測的時(shí)間復(fù)雜度為O(M·S)，其中M與核函數(shù)相關(guān)，S為支持向量數(shù)[24]。

在行車軌跡的對(duì)應(yīng)圖像中，當(dāng)車輛在高架下方行駛時(shí)，天空會(huì)被高架橋遮擋；在高架或高速上行駛時(shí)，多數(shù)情況下不會(huì)受到遮擋，且畫面內(nèi)容與普通道路區(qū)別較大；而隧道(包括地下停車場等)內(nèi)的圖像也與其他場景的圖像存在較大區(qū)別。基于各類場景的特點(diǎn)，這些場景存在較大的可分性，本文基于與采樣點(diǎn)pi對(duì)應(yīng)的圖像image，利用SVM支持向量機(jī)對(duì)圖像進(jìn)行分類，將行駛場景分為快速路(包括高架快速路和高速公路)、普通道路(包含高架輔道及高架附近普通道路場景)、室內(nèi)(包括隧道、地下停車場等)3種場景。利用SVM模型對(duì)圖像進(jìn)行預(yù)測，得到輸入圖像屬于各類別的概率P

(1)

1.5 地圖匹配指標(biāo)計(jì)算

本文提出的結(jié)合行駛場景分類的軌跡-路網(wǎng)實(shí)時(shí)匹配方法綜合考慮了駕駛過程中的場景語義信息、車輛行駛方向信息、距離指標(biāo)、鄰接指標(biāo)等，通過不同指標(biāo)的綜合運(yùn)算，確定候選路段集中各路段的匹配概率。

1.5.1 行駛場景指標(biāo)

(2)

式中，i表示第i個(gè)采樣點(diǎn)；Pi,express、Pi,normal、Pi,indoor分別表示當(dāng)前圖片為快速道路、普通道路和室內(nèi)道路的概率。

(3)

例如，假設(shè)當(dāng)前點(diǎn)Pi對(duì)應(yīng)圖像的分類結(jié)果為Pi,express=0.95，Pi,normal=0.03，Pi,indoor=0.02。若某候選路段為城市快速路，則其行駛場景指標(biāo)為0.95；若另一候選路段為普通道路，則其行駛場景指標(biāo)為0.03。

1.5.2 方向指標(biāo)

(4)

圖3 方向指標(biāo)Fig.3 Schematic diagram of direction index

式中，αj表示當(dāng)前采樣點(diǎn)pi的車輛行駛方向與備選路段集Ci中第j條路段首尾方向之間的夾角，當(dāng)備選路段為雙向道路時(shí)，使用兩個(gè)方向中的較小角度作為兩個(gè)方向的夾角。使用指數(shù)函數(shù)降低大角度備選路段的匹配可能性，并增加對(duì)小角度區(qū)域的容忍性。k為縮放因子(k>0)，用于控制方向指標(biāo)在最終得分中的影響力。

1.5.3 距離指標(biāo)

采用零均值的高斯分布的概率密度函數(shù)[25]作為距離指標(biāo)，對(duì)候選路段是采樣點(diǎn)真實(shí)匹配路段的概率進(jìn)行評(píng)估

(5)

1.5.4 鄰接指標(biāo)

鄰接指標(biāo)是指對(duì)當(dāng)前采樣點(diǎn)pi的第j條備選路段，若該備選路段與上一采樣點(diǎn)pi-1的最終匹配路段Mi-1共享至少一個(gè)節(jié)點(diǎn)(Node)，則認(rèn)為該路段與上一采樣點(diǎn)的匹配路段鄰接，即該路段可能與上一采樣點(diǎn)的匹配路段直接連接，或?yàn)橥宦范?。鄰接指?biāo)函數(shù)定義為

(6)

自動(dòng)駕駛車或行車記錄設(shè)備一般以高頻率采樣得到數(shù)據(jù)，因此采樣點(diǎn)之間距離近，采用鄰接指標(biāo)可以提高匹配正確率，同時(shí)也避免了使用最短路徑算法產(chǎn)生的計(jì)算量。

1.5.5 最優(yōu)匹配選擇

假設(shè)以上各指標(biāo)之間相互獨(dú)立，用聯(lián)合概率計(jì)算當(dāng)前采樣點(diǎn)pi的候選路段Ci中，第j條候選路段Segj是真實(shí)匹配路段的概率，則各路段的最終得分的計(jì)算方法為

(7)

遍歷候選路段集Ci中的各路段得分，將得分最高的路段作為最優(yōu)匹配結(jié)果。

2 試驗(yàn)與分析

2.1 試驗(yàn)數(shù)據(jù)

使用3組位于上海市的行車軌跡和OpenStreetMap數(shù)據(jù)進(jìn)行試驗(yàn)，具體信息見圖4和表1。軌跡1和軌跡2為正常條件下采集的數(shù)據(jù)，天氣狀況好，光照適宜，圖像清晰；軌跡3則在早晨5～6點(diǎn)采集，光照較弱，天氣狀況差，全程降雨且部分路段為大暴雨，能見度較差。軌跡1～3途經(jīng)上海內(nèi)環(huán)高架、中環(huán)高架、逸仙高架、滬嘉高速、京滬高速、滬昆高速等城市快速路和高速路及其附近普通道路，以及大柏樹立交、邯鄲路地道、外環(huán)立交、莘莊立交、共和新路立交等復(fù)雜道路區(qū)域。

圖4 試驗(yàn)軌跡Fig.4 Trajectories used in the experiment

表1 試驗(yàn)數(shù)據(jù)情況

使用3條試驗(yàn)軌跡的圖像和部分零散圖像構(gòu)建行駛場景分類數(shù)據(jù)集，通過人工判斷標(biāo)注每張圖像的行駛場景類別。數(shù)據(jù)集包含各類場景圖像共7801張，其中城市快速道路5980張，普通道路1031張，室內(nèi)道路790張。數(shù)據(jù)集中包含了不同清晰度、不同天氣(晴朗、小雨、中雨、暴雨)拍攝的圖像。

2.2 對(duì)比方法及評(píng)價(jià)指標(biāo)

本文選取了3種在線匹配算法進(jìn)行對(duì)比：

(1) 最短距離地圖匹配方法[13](簡稱point-to-curve算法)。該算法只使用距離指標(biāo)，將與采樣點(diǎn)最近的路段作為匹配結(jié)果。

(2) 局部增量算法[26](簡稱Incremental算法)。該算法使用距離和角度差加權(quán)計(jì)算候選路段的相似度，采用一種前瞻規(guī)劃算法計(jì)算沿所有候選路段前進(jìn)k步之后的總相似度，從中選出相似度最高的作為匹配結(jié)果。

(3) 在線隱馬爾可夫匹配法[18](簡稱OHMM算法)。隱馬爾可夫模型被廣泛應(yīng)用于地圖匹配算法中，該類算法核心是將每個(gè)采樣點(diǎn)的備選路段作為整條軌跡中的一個(gè)狀態(tài)，通過計(jì)算輸出概率與相鄰狀態(tài)之間的轉(zhuǎn)移概率，輸出全局可能性最高的路徑。

地圖匹配領(lǐng)域常用匹配率[27]、召回率、精確率[28-29]作為評(píng)價(jià)指標(biāo)。

其中，匹配率是指在所有匹配結(jié)果中，匹配正確的采樣點(diǎn)數(shù)占總采樣點(diǎn)數(shù)的比例，計(jì)算公式見式(8)。匹配率越高，說明錯(cuò)誤匹配的點(diǎn)越少，匹配方法越有效。受GNSS定位精度影響，采樣點(diǎn)在路段交點(diǎn)附近時(shí)較難判斷車輛真實(shí)行駛的路段，本文采用以下標(biāo)準(zhǔn)判斷采樣點(diǎn)是否匹配正確：

(1) 對(duì)任一采樣點(diǎn)p，經(jīng)過匹配計(jì)算后當(dāng)其匹配路段屬于該軌跡真實(shí)路段集時(shí)，認(rèn)為該采樣點(diǎn)匹配正確。

(2) 對(duì)于OHMM、Incremental等采用滑動(dòng)時(shí)間窗口的地圖匹配算法，其匹配結(jié)果是一段匹配路段集，因此在對(duì)比這兩種方法時(shí)，本文使用point-to-curve法將滑動(dòng)時(shí)間窗口內(nèi)的各采樣點(diǎn)匹配到匹配路段集上，采用(1)指標(biāo)判斷該采樣點(diǎn)匹配正確情況。

(8)

召回率和精確率計(jì)算公式分別為

(9)

(10)

召回率越高，匹配結(jié)果中真實(shí)路徑的長度越長，算法對(duì)真實(shí)路徑的重建效果越好，匹配結(jié)果中漏匹配路段越短；精確率則衡量算法匹配結(jié)果中誤匹配的比例，精確率越高，匹配結(jié)果中誤匹配的路段越短。

2.3 試驗(yàn)參數(shù)設(shè)置

在本文中，各計(jì)算過程使用的參數(shù)設(shè)置如下：

Incremental算法的參數(shù)為：μd=10,a=0.17,nd=1.4,μα=10,nα=3，其中除nα外均為原文推薦參數(shù)。

為了保證實(shí)現(xiàn)在線算法，OHMM算法中最大滑動(dòng)窗口尺寸設(shè)置為5，并使用A*最短路徑算法計(jì)算轉(zhuǎn)移概率。

同時(shí)，為比較相關(guān)算法在不同采樣頻率下的匹配性能，本文逐步提高采樣間隔至15秒，利用2.2節(jié)提出的指標(biāo)對(duì)比各種相關(guān)算法。由于各算法均未開源，本文按照文獻(xiàn)內(nèi)的算法描述實(shí)現(xiàn)了相應(yīng)算法。

使用開源機(jī)器學(xué)習(xí)庫scikit-learn[30]訓(xùn)練行駛場景SVM分類模型，其中核函數(shù)使用多項(xiàng)式核函數(shù)(poly核函數(shù))，為了計(jì)算各分類概率，probability參數(shù)設(shè)為True。使用行駛場景數(shù)據(jù)集60%的圖像進(jìn)行訓(xùn)練，其余圖像進(jìn)行測試。SVM模型訓(xùn)練和預(yù)測的速度受到特征維度的影響，為了加快速度，在試驗(yàn)中將原始大小為1920×1080像素的圖像統(tǒng)一縮小為192×108像素并轉(zhuǎn)換為8 bit灰度圖像。本文使用SVM模型輸出圖像對(duì)應(yīng)不同類別的概率，時(shí)間復(fù)雜度略高于僅輸出分類結(jié)果，但通過試驗(yàn)其速度仍在可接受范圍內(nèi)。

2.4 試驗(yàn)結(jié)果與分析

2.4.1 行駛場景分類效果

利用行駛場景分類數(shù)據(jù)集中的訓(xùn)練集訓(xùn)練SVM模型，在測試集上進(jìn)行測試，得到的五折交叉驗(yàn)證平均分類準(zhǔn)確率為98.0%，測試集混淆矩陣與各類別召回率、精確率計(jì)算結(jié)果如下。

表2 行駛場景分類的混淆矩陣與召回率、精確率計(jì)算結(jié)果

2.4.2 不同方法的匹配結(jié)果對(duì)比

將本文方法與3種對(duì)比方法分別作用于3條軌跡，并對(duì)比在不同采樣間隔下的試驗(yàn)結(jié)果(見圖5和表3)。其中，實(shí)線代表本文方法，其余線型代表其他3種對(duì)比方法。橫軸的采樣間隔代表將原始的數(shù)據(jù)按不同的間隔(2～15 s)采樣。

表3 4種算法匹配精度

圖5 3段軌跡試驗(yàn)結(jié)果Fig.5 The experiment result of all trajectories

在原始采樣間隔1 s的情況下，本文算法匹配率達(dá)96.68%，召回率達(dá)99.47%，精確率達(dá)到90.59%，表明在實(shí)時(shí)匹配的情況下，本文算法可以保證較高匹配正確率，且能較完整地恢復(fù)行駛軌跡，漏匹配的現(xiàn)象不明顯；匹配出的路段中，誤匹配的情況較少。

隨著采樣間隔的增加，采樣點(diǎn)之間的距離增大，本文算法的匹配率與精確率受到的影響較小(匹配率從96.68%至97.17%，精確率從90.59%至95.04%)，召回率有所下降(從99.47%至90.86%)，這是因?yàn)楸疚乃惴ㄖ猾@取與采樣點(diǎn)對(duì)應(yīng)的匹配路段，隨著采樣點(diǎn)之間的距離增大，可能會(huì)出現(xiàn)跳過某些中間路段的情況[31]，因此召回率會(huì)有所下降。

在軌跡2中，本文算法在召回率這一指標(biāo)上弱于OHMM算法。召回率表示正確匹配路段長度占整個(gè)軌跡所有路段長度的比例，由于本文算法僅針對(duì)單點(diǎn)進(jìn)行匹配，當(dāng)時(shí)間間隔增大時(shí)，本文算法會(huì)跳過部分路段，因?yàn)檫@些路段上沒有對(duì)應(yīng)的采樣點(diǎn)。而OHMM使用隱馬爾可夫模型，基于路網(wǎng)拓?fù)溆?jì)算轉(zhuǎn)移概率從而恢復(fù)車輛途經(jīng)的路段，匹配結(jié)果連續(xù)性更強(qiáng)但可能出現(xiàn)“繞路”的現(xiàn)象，漏匹配較少而錯(cuò)匹配較多，因此OHMM表現(xiàn)出召回率較高而精確率低的特點(diǎn)。

本文方法與其他3種算法的匹配精度都會(huì)隨著采樣間隔的增大而受到影響，但本文算法在采樣間隔增大后，仍保持較高水平。表3為4種算法在3條軌跡1～15 s采樣間隔的平均精度統(tǒng)計(jì)結(jié)果。本文算法在1～15 s的采樣間隔下平均匹配率為96.86%，平均召回率為97.17%，在4種算法中平均匹配精度最高。

2.4.3 不同算法在復(fù)雜路段的比較

在傳統(tǒng)算法中，高架的上下匝道與立交等復(fù)雜區(qū)域是容易匹配錯(cuò)誤的地方，因此，選擇軌跡1與軌跡2中經(jīng)過的復(fù)雜區(qū)域進(jìn)行對(duì)比，如圖6、圖7所示。

圖6 采樣間隔為2 s情況下4種算法在復(fù)雜路口的匹配表現(xiàn)Fig.6 The matching performance of the four algorithms with overpass (sampling interval=2 s)

在復(fù)雜路口與高架道路區(qū)域，本文算法能夠較好區(qū)分高架道路與平行地面道路，從而在復(fù)雜路口與高架道路區(qū)域?qū)崿F(xiàn)較好匹配；而其他算法都有出現(xiàn)不同程度的誤匹配與漏匹配現(xiàn)象。

2.4.4 不同算法的計(jì)算性能對(duì)比

對(duì)所使用的4種實(shí)時(shí)匹配算法進(jìn)行了計(jì)算性能上的對(duì)比，采用單點(diǎn)匹配耗時(shí)、平均延時(shí)、內(nèi)存消耗量等指標(biāo)衡量不同算法的計(jì)算性能，結(jié)果見表4—表5。

在匹配效率方面，本文算法對(duì)每個(gè)采樣點(diǎn)實(shí)時(shí)匹配，不存在匹配延遲現(xiàn)象，而OHMM與Incremental算法都有較大的延遲，延遲的長度與最大滑動(dòng)窗口的尺寸以及采樣頻率有關(guān)。在單點(diǎn)匹配時(shí)間方面，由于DSCMM算法不涉及復(fù)雜的網(wǎng)絡(luò)計(jì)算，匹配速度較快，單點(diǎn)匹配耗時(shí)小于100 ms，雖略慢于point-to-curve算法，但差異較小；DSCMM中的圖像分類過程也未對(duì)匹配效率產(chǎn)生明顯影響。

在內(nèi)存占用量上，4種算法占用內(nèi)存差異較小(表6)。OHMM算法由于在最短路徑計(jì)算過程中涉及對(duì)圖的存儲(chǔ)與計(jì)算，需要占用更大的內(nèi)存空間。由此可見，本文算法雖然引入圖像進(jìn)行地圖匹配，內(nèi)存占用并未明顯增加，適合用于移動(dòng)端開發(fā)。

圖7 采樣間隔為2 s情況下4種算法在高架道路區(qū)域的匹配表現(xiàn)Fig.7 The matching performance of the four algorithms with elevated road (sampling interval=2 s)

表4 1～15 s采樣間隔下平均單點(diǎn)匹配耗時(shí)表

表5 1～15 s采樣間隔下平均延時(shí)表

表6 內(nèi)存占用量對(duì)比

3 結(jié) 論

地圖匹配在自動(dòng)駕駛、智能交通等領(lǐng)域應(yīng)用廣泛。傳統(tǒng)的地圖匹配算法在高架、立交等場景容易產(chǎn)生誤匹配，從而對(duì)自動(dòng)駕駛、智能交通造成影響。本文借助帶有圖像的軌跡數(shù)據(jù)，提出將圖像提取的行駛場景類別信息加入地圖匹配的技術(shù)思路，進(jìn)一步提出采用行駛場景、距離、方向和鄰接等四個(gè)指標(biāo)，計(jì)算采樣點(diǎn)與候選路段的匹配概率，從而獲得最佳匹配結(jié)果。

從試驗(yàn)結(jié)果看，本文提出的DSCMM算法在1～15 s的采樣間隔下都保持較好的匹配精度與匹配穩(wěn)定性，整體性能優(yōu)于現(xiàn)有的算法；同時(shí)算法計(jì)算耗時(shí)短，內(nèi)存占用較少，適合在移動(dòng)端實(shí)現(xiàn)在線計(jì)算。因此，本文算法在復(fù)雜城市路網(wǎng)(尤其是高架路網(wǎng)區(qū)域)能實(shí)現(xiàn)較好的在線匹配效果，在未來可以應(yīng)用于實(shí)時(shí)車輛定位與實(shí)時(shí)軌跡追蹤，為自動(dòng)駕駛提供服務(wù)。

本文算法在高架匝道出入口處有時(shí)也會(huì)出現(xiàn)誤匹配。這是由于本文算法引入的行駛場景尚未涵蓋上下匝道場景，因此針對(duì)此類場景還需借助更多的圖像樣本完成場景識(shí)別。在本文算法實(shí)現(xiàn)的道路級(jí)地圖匹配基礎(chǔ)上，還可以進(jìn)一步發(fā)掘序列圖像的作用，通過識(shí)別前方車輛、單目測距實(shí)現(xiàn)交通路況監(jiān)測。目前已有研究使用單目相機(jī)拍攝的行駛場景圖像提取車道線，結(jié)合高精度地圖進(jìn)行車道級(jí)定位，本文算法可以與相關(guān)研究結(jié)合，提供更好的道路級(jí)定位基礎(chǔ)。單目相機(jī)采集的圖像存在一定的局限性，例如單向4、5車道的場景下由于視角有限邊界車道線較難識(shí)別；前方車輛對(duì)車道線形成遮擋等。如何融合多傳感器，提供快速準(zhǔn)確、低成本、多場景適用的高精度匹配結(jié)果是未來的研究方向。

致謝：感謝弈人(上海)科技有限公司、弈人數(shù)據(jù)開放平臺(tái)(1Rendata)為本文研究提供數(shù)據(jù)。