[发明专利]一种基于视觉的隐马尔科夫模型的车道级地图匹配方法

权利要求书

1.一种基于视觉的隐马尔科夫模型的车道级地图匹配方法，包括如下步骤：

(1)根据隐马尔科夫模型对地图匹配算法进行建模；

(2)利用视觉信息定义隐马尔科夫模型的发射概率，同时融合车辆GPS位置信息、航向信息和视觉信息得到模型整体发射概率；

(3)使用视觉信息对隐马尔科夫模型的转移概率进行建模，同时计算采样点之间的欧式距离和最短路径定义整体转移概率。

2.根据权利要求1所述的一种基于视觉的隐马尔科夫模型的车道级地图匹配方法，其特征在于，所述步骤(1)中根据隐马尔科夫模型对地图匹配算法进行建模，具体步骤为：

(1.1)定义模型的可观测状态，GPS信号接收机主要采集的是经纬度信息，将其定义为y_k；y_k是一个独立的随机观测序列；

(1.2)定义模型的隐藏状态，车辆实际行驶的路段，每个可观测状态实际可对应多个隐藏状态，将其定义x_k；

(1.3)定义模型发射概率，表示在隐藏状态为x_k的条件下，观测状态为y_k的概率；在地图匹配中，每个GPS采样点均有观测状态和隐藏状态，而每个隐藏状态对应的观测状态的概率称为发射概率，其值取决于GPS采样点与路网对应路段距离和行驶方向与路段的相似度，距离越近或者相似度越高那么概率就会越大，具体表示为：

其中为具体发射概率影响因子。

(1.4)定义模型转移概率，在时刻k，车辆从路网中的一个位置转移到另一个位置的概率称为地图匹配中HMM的转移概率，具体表示为：

T(i,j)＝P(x_k+1＝j|x_k＝i),i,j＝1,2,...,N

其中P为具体转移概率影响因子。

3.根据权利要求1所述的一种基于视觉的隐马尔科夫模型的车道级地图匹配方法，其特征在于，所述步骤(2)中，利用视觉信息定义隐马尔科夫模型的发射概率，同时融合车辆GPS位置信息、航向信息和视觉信息得到模型整体发射概率，具体步骤为：

(2.1)在得到GPS采样点的候选路段后，为每个路段分配距离上的转移概率可以近似看作期望为零的高斯函数，定义为：

其中d为采样点的经纬度坐标至每个路段的垂直距离，σ为GPS误差大小，e为自然对数的底数；

(2.2)通过航向角信息判定每个路段航向信息的观测概率；因此可以根据航向角引入航向调整系数，定义为：

其中为隐藏状态的x_k路段的航向角，为采样点的航向角；

(2.3)通过车道检测获取到车辆正在第i(i≤n)条车道上行驶，充分考虑到检测误差的问题，推断在真实场景下p_yi的概率最大，其他车道的可能性随着车道编号的增加或减小概率依次减小；这种不确定性可以用概率的形式进行描述；

其中，i表示路网第i车道，总数为n，m表示通过车辆摄像头采集道路信息获取的车辆行驶的车道id，j为遍历每条车道的发射概率，∈为常数，设为0.4，用于控制每条车道的发射概率；

(2.4)整体发射概率由各个因子的乘积组成，因此隐藏状态为x_k的条件下，观测状态为y_k的概率为：

4.根据权利要求1所述的一种基于视觉的隐马尔科夫模型的车道级地图匹配方法，其特征在于，所述步骤(3)中，使用视觉信息对隐马尔科夫模型的转移概率进行建模，同时计算采样点之间的欧式距离和最短路径定义整体转移概率，具体步骤为：

(3.2)构造欧式距离和最短路径转移概率，定义为：

其中，为两点之间的最短路径，为每个候选路段候选点之间的欧式距离，min和max表示取两采样点之间距离最小值和最大值；

(3.2)利用车道切换状态定义转移概率，视觉信息转移概率定义为：

式中视觉信息发射概率，pre表示前一时刻的车道切换状态，cur为当前时刻状态，δ设置为0.8，num为车道总数；

(3.3)整体转移概率为：

T(x_k+1＝j|x_k＝i)＝T_d*T_v

最后使用Viterbi算法进行求解，获取采样点在路网中的位置。