行更多轮的经验定位运算），或者减少对于车 载计算机硬件的需求。
[0041] 经验导航部分花费的时间主要在当前经验的所有节点中一个接一个尝试定位匹 配，直到成功为止。因此，对于对于这些节点选择的先后顺序很关键:如果选得好，则很可能 很快找到匹配的节点，改经验定位成功，运算完成;反之，如果选得不好，则有可能浪费大量 运算时间在不必要的节点上。之前一篇提出的节点选择方法是基于节点和当前估计位置之 间的距离，这种方法比随机选择要好得多，但依然有很大的改进空间。本篇提出一种计算节 点成功定位的概率分布，而优先选择最可能成功定位的节点的方法。
[0042] 2总体思路
[0043] 经验描述无人车在一段连续的时间和空间的运动中所经历的影像。时空的连续性 必然延伸到影像中。晴天不会猛然变成雨天再变回晴天，至少在很短的时间内，这种跨越不 太可能。
[0044] 我们将利用这种内在的一致性，建立一套衡量标准。例如，无人车在过去几分钟里 都成功匹配晴天，在寻找下一个候选匹配经验的时候，晴天所产生的经验应当首先加以考 虑。无人车不会去分辨是晴天还是雨天，但是无人车可以根据经验中各个节点的相对位置， 和过往的匹配结果，对一个节点能否匹配做出预判。而这个预判将决定匹配算法执行的先 后次序。
[0045] 这种排序不直接影响匹配的准确性，却能提高效率。
[0046] 这个衡量标准是一个条件概率模型。所谓条件概率，即是已知发生过的某些事件 的情况下，再发生某件事的可能。套用在无人车的情景中，是已知从某处经过，下面可能会 到达某处的可能性。为了计算这个模型，我们需要先验模型和后验模型。
[0047] 2.1先验概率模型
[0048] 在无人车的导航的课题中，稳定代表两个含义，不容易出错和出了错不致于惹出 更大的麻烦。
[0049]从采集到运算，完全不出错不太现实。有效的评估出错可能是达到稳定的第一步。 通过不断累积成功和失败的经验，它能逐渐搭建起一个宏观的模型。之后再需要做决定的 时候，这个模型可以帮助无人车排除一些明显错误的可能选项。
[0050]概率模型在多次运行之后达到稳定状态，甚至可以被当成经验的一部分，补充完 善感知器无法直接告诉无人车的一些"隐含条件"。我们把描述这种固定不变的知识的概率 模型叫做先验模型。具体的说，可以理解成无人车行驶到某处的可能性。
[0051 ] 2.2后验概率模型
[0052]后验概率模型也是一个条件概率。也就是说，它的生成依赖于某些事件的发生。具 体到无人车的问题，我们可以理解为，已知车辆现在的位置，车辆在过去一段时间经过某地 的可能性。
[0053]相对于先验概率模型，后验概率模型是一种自我反省，自我检查。刚才做过的决 定，无论多小心都可能错误，后验概率模型可以帮助无人车认识到出错的可能，从而避免更 进一步误入歧途。
[0054]先验和后验各有侧重点，把它们组合起来使用，就能得到我们需要的排序方法。 [0055]下面的实施例中我们就来详细介绍这个方法。
[0056] 3.详细实现
[0057]假设无人车已经运行一段时间，拥有了一定数量的经验。这个时间可长可短，经验 的数目越多越好。如图2所示的实施例中，每一条经验代表一种天气情况，更为一般的情 形，比如学校门前上学放学时段的交通流量和上课时间的交通流量，或者道路施工等等情 况也适用。为了叙述简便，我们选择天气变化作为统一的案例。
[0058]无人车既然运行了一段时间，那么可以定义一个集合W，我们称为历史集。也就是 最近一段时间曾经被选作可能匹配对象的节点，无论是否成功匹配，统统归入这个集合。同 时无人车还记住每一次匹配的结果，我们用Z来简称。
[0059]无人车在每个时刻，由于地理位置的远近，还可以从所有节点中划出一个候选集 Y，包含所有可能被选中的节点。我们假定，其中必有一个且仅有一个是正解。这个假定有一 定的风险，但是从长远看来没有大问题。毕竟，随着经验的不断积累，新场景出现的可能性 越来越低。我们的衡量标准，简略的说是在历史集已知的假设下，计算各个节点是正解的概 率。由于正解有且仅有一个，这个计算是有意义的。由贝叶斯公式我们可以将这个未知概率 函数分解，完整的数学记法如下：
[0060]
?
[0061]我们看到未知概率(等式左侧)可以分解为两部分。英文likelihood所指的部分是 我们前面提到过的后验概率，prior所指的是先验概率。因此，请看图3所示，为本发明的一 种提高经验导航中节点选择效率的方法流程图，包括如下步骤，S300建立先验概率模型，将 经验库数据代入先验概率模型得到待匹配节点的先验概率;S302建立后验概率模型，将经 验库数据代入后验概率模型得到待匹配节点的后验概率;S304根据所述先验概率和后验概 率得到待匹配节点的匹配效率得分，将得分最高的待匹配节点优先作为经验导航的匹配运 算对象。其中，所述待匹配节点为候选集中挑选出来的节点，所述经验库数据可以包括历史 经验库数据集，也可以包括本次经验导航数据，所谓的历史经验库数据集可以是一辆或多 辆经验导航的匹配数据结果，行驶导航越多，构成的历史经验库数据集就越大，本次经验 导航的数据包括许多已导航匹配的节点，这些已导航的数据匹配结果也可以用于经验库数 据的建立，更适用于当前经验导航中的节点匹配。通过上述方法建立匹配效率得分机制为 待匹配节点进行打分，并以得分进行有效的筛选标准，提高了经验导航中节点的选择效率， 进一步地提高了经验导航的计算效率。
[0062] -些优选的实施例中，可以通过将先验概率和后验概率的积再乘上效率系数得到 待匹配节点的匹配效率得分，上式中的β可以作为某些实施例中的匹配效率系数的倒数。相 比于其他实施例中可以通过分别加权评分的算法来说，相乘得到匹配效率得分符合贝叶斯 推论，更加科学，更好地提高了经验导航中的节点选择效率。
[0063] 下面我们通过3.1及3.2两个实施例分别介绍具体的计算办法。
[0064] 3.1后验概率
[0065] 图2所示，浅色代表成功定位，深色代表定位失败，白色代表尚未定位的点。实线和 虚线分别代表两个不同的经验。由于m的成功定位，经验一的定位成功率很高，因此η 9的成 功率应当大于115的成功率。后验概率描述的就是这种由既成事实可以反推的信息。
[0066] 我们定义：
[0067] θ?, j = p(zj I y = i)
[0068] 也就是已知第i个候选节点被选中，曾经经过第j个节点的概率。这里的第几是相 对于它们各自的集合(Y，w)而言，不是全局标识。
[0069] 它的具体公式如下：
[0070]
[0071 ]其中变量Zi, j代表的是经验库中所有经验从节点j通向候选节点i的次数。参数α， 实际操作中选为1。
[0072] 假设每个节点的定位是独立的，那么通过整个过去集的后验概率如下：
[0073]
[0074]其中我们定义特征函数：
[0075]
[0076]来区别是否经过某地。
[0077] 3.2先验概率
[0078] 先验概率比较直观:已知当前位置，下一步到达某处的概率。
[0079]
[0080] 其中变量1( i，k)代表的经验库中所有经验由节点n_k通过候选节点i的次数。参 数γ实践当中选为1。可以看出，贯穿多个经验的节点先验概率