[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

说明书

本发明公开了一种基于视觉的隐马尔科夫模型的车道级地图匹配方法，通过车道检测提供的视觉信息对隐马尔可夫模型（HMM）建模实现车道级地图匹配，提高了车辆的定位精度。其思路是利用视觉信息重新定义隐马尔科夫模型发射概率和转移概率，实现车道级地图匹配。该算法首先通过视觉传感器获取车辆在当前道路上的相对位置，然后融入视觉定位信息对GPS信号进行建模。本发明可以利用低成本的传感器实现车道级定位精度。

技术领域

本发明属于导航定位领域，具体涉及一种基于视觉的隐马尔科夫模型的车道级地图匹配方法。

背景技术

在人工智能发展迅猛的今天，无人驾驶技术作为人工智能的一个典型应用在学术界与工业界的备受关注，已经成为了当下的热点之一。高精度、稳健、持续的车辆定位技术是实现无人驾驶、车联网等前沿技术和日常车辆诱导与监控的必要前提。目前多车道地图匹配的算法大多使用高精度传感器来实现，但在位置信息误差较大的情况下，还是难以实现车道级定位精度。

因此，研究一种融合视觉信息的多车道地图匹配框架具有重要意义。

发明内容

为解决上述问题，本发明公开了一种基于视觉的隐马尔科夫模型的车道级地图匹配方法，用于实现车辆车道级定位，提高车辆在行驶过程中的定位精度。

为达到上述目的，本发明的技术方案如下：

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。

进一步的，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。

进一步的，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。