一种基于道路环境智能识别的车辆轨迹填充方法与流程

本发明主要涉及智能交通系统中的车辆位置轨迹收集技术，尤其涉及一种基于对道路环境进行智能识别，进而对缺失车辆轨迹进行填充的方法，涵盖了道路环境对单一神经网络模型的效果影响以及网络模型改进的性能提升和兼顾数据采集的便捷性和经济性。

背景技术：

近几十年以来，随着社会经济的快速发展，城市乃至任意道路上的车辆越来越多，因此产生的轨迹数据呈指数式增加。特别是随着移动互联网、各种定位技术以及基于位置服务等技术的飞速发展，车辆轨迹数据因为其重要的社会和应用价值显得越来越重要。近些年，基于车辆轨迹数据的研究越来越多，例如：驾驶员行为调查/分类，行程时间/距离估计，车联网和车辆能量/排放评估等等。车辆的轨迹可以揭示有意义的场景的结构，并推断发生的事件。此外，足够多的车辆轨迹可以帮助生成基础的数字路线图。另一方面，由于移动设备的技术进步设备，大量的车辆轨迹数据可通过移动传感器获得，如配备智能手机(或带有gps模块的移动设备)的车辆。轨迹相关应用的研究取决于数据的可用性和完整性，特别是关于个体驾驶员/车辆行为建模及其应用的研究。然而，移动设备提取数据通常是不完整的，这就需要大规模部署和可靠的数据收集方法。汽车导航系统往往是严重异构的，这使得在大规模部署场景下难以获取轨迹数据，具体来说，没有统一的接口用于各种车型，以便从各种车内导航中检索实用而精确的轨迹数据系统。另外，由于gps信号的阻塞，尤其是在城市环境中gps中断是不可避免的。

现有的研究主要利用的是直接数据融合的优点，在复杂路段上表现并不好。集成数字地图是帮助重建轨迹的一种方式。然而，具备道路信息并及时更新需要大量的部署成本。因此，价格敏感的第三方服务提供商并不喜欢应用这些技术。相反，一个低成本的即插即用设备更适合大规模部署的车辆轨迹收集。同时，在不同道路环境下gps发生中断，传统的单一模型并不能对所有道路都具有很好的适用性。因此，具有道路环境识别并对不同道路建立合适模型的方案有着广阔的前景。

技术实现要素：

为了解决以上技术问题，本发明提出了一种利用即插即用imu传感器及gps接收器采集数据，可以对道路环境进行智能识别，并融合gps数据及imu数据的车辆轨迹填充方法。

本发明提出的技术方案为：

一种基于道路环境智能识别的车辆轨迹填充方法，包括以下步骤：

s1：采集数据，并数据预处理：

在车辆上安装gps接收器和imu传感器，进行轨迹数据采集；

通过imu传感器测量车辆t时刻的加速度数据和角速度数据，以表示在t时刻的车辆运动信息；

通过gps接收器获取车辆的实时经纬度信息st＝(xt,yt)，并对gps位置数据进行预处理，得到预处理gps位置数据后的对应t时刻数据分别表示t时刻车辆的速度，方向角，加速度和角速度；

s2：进行道路环境分类及智能识别；

将道路环境分为三种基本类型：

i)“直线”路段；ii)直角转弯；iii)匝道；

利用采集的imu数据对道路环境进行智能识别；

s3：利用机器学习模型，使用gps信号未丢失时的gps数据和imu数据作为训练集进行训练，得到训练的学习模型；gps丢失时，将gps丢失时的imu数据输入训练的学习模型得到预测的预处理gps位置数据，进而得到车辆行驶轨迹作为填充轨迹。

进一步的改进，所述步骤s1中对gps位置数据进行预处理过程如下：

在t-1时刻和t时刻的gps位置数据st-1＝(xt-1,yt-1)，st＝(xt,yt)，得到两时刻之间的车辆位移dt＝st-st-1；其中，st-1表示车辆在t-1时刻的坐标，xt-1表示在t-1时刻车辆在x轴的坐标，yt-1表示在t-1时刻车辆在y轴的坐标，st表示车辆在t时刻的坐标，xt表示在t时刻车辆在x轴的坐标，yt表示在t时刻车辆在y轴的坐标；

根据dt，计算得到t-1时刻和t时刻的之间车辆的平均速度，记为方向角为令

进一步的改进，所述步骤s2中道路环境智能识别如下：

利用采集的imu数据对道路环境进行智能识别：

1)将路段对应imu测量方向角变化小于20°的视为‘直线’路段；

2)imu测量方向角变化在80°～100°的视为直角转弯；

3)imu测量方向角变化在100°以上的视为匝道路段。

进一步的改进，所述步骤s3中填充轨迹的具体方法如下：

已知:观测的车辆位置轨迹信息

表示车辆在t+1时刻缺失的x轴坐标，表示车辆在t+1时刻缺失的y轴坐标，表示车辆在t+n时刻缺失的x轴坐标，表示车辆在t+n时刻缺失的y轴坐标，n表示gps中断的时间长度；

已知imu预处理信息表示imu在t+n+1时刻测量的车辆加速度，表示imu在t+n+1时刻测量的车辆角速度；

所求:填充缺失轨迹

其中，(xt,yt)表示t时刻真实的车辆位置坐标；在t＝t+1时刻到t＝t+n时刻间，gps发生中断，车辆轨迹缺失；表示预测的t时刻车辆位置坐标。

进一步的改进，包括如下步骤：

1)当得到时gps，利用机器学习模型对t＝1时刻到t＝t时刻的训练得到训练的预测模型；当gps丢失时，利用训练的预测模型预测并更新下一时刻输入数据再次预测；

其中，是在t时刻imu的测量误差，其中，

2)基于imu测量误差和车辆位置之间的关系，通过航位推测的数学计算填充轨迹。

进一步的改进，所述机器学习模型为gru神经网络：

步骤一、对于直线路段和直角转弯路段，使用一个堆叠的gru网络，包括输入层、输出层和两个堆叠的gru层，两个堆叠的gru层中，前一个gru层有128个单元，后一个gru层有64个单元，后一个gru层与输出层之间添加一个全连接层即dense层，神经单元数目与输出大小相同；

步骤二、对于匝道路段，在第另一gru层和dense层之间添加一个nalu层。

进一步的改进，完成轨迹填充的过程如下：

其中，t在gps中断的持续时间t+1,…t+n内，带有符号“^”的变量表示预测值。

进一步的改进，所述gps接收器和imu传感器安装在插接块上，插接块与车辆内的usb插口或点烟器插口可拆卸插接。

本发明的优点：

1.有效地降低了轨迹填充的成本，trajdata,它只依赖于即插即用设备，包括廉价的gps接收器和低成本imu传感器。在车辆上通过gps接收器，可以获得表示实时车辆位置的经纬度信息。imu传感器可以实时测量车辆的三轴姿态角及加速度，特别是车辆行驶方向加速度和水平面的角速度。方案可以将车辆的多源数据进行组合，接口要求也很规范。

2.使用设备执行轨迹收集并不简单。在轨迹收集过程中，开车经过不同路段时，由于城市环境中的路况变化会导致imu测量数据的波动。因此，新收集的数据的基本分布可能对应前一个时刻，引起所谓的非平稳和概念漂移问题。尤其是在gps中断不可避免的城市环境中，这降低了车辆轨迹收集的性能。为了减轻在这个问题上，本发明利用从imu传感器中检索到的角速度信息结合gps中断前车辆的行驶方向，通过累加的方式可以推测出轨迹对应时段的车辆行驶方向变化，进而对轨迹对应的道路环境进行智能识别。

3.为了解决数据融合的问题，本发明是运用了航位推测的思想，通过gps位置数据推出短时间内车辆对应的航向，速度，加速度，角速度，并将它们与imu对应的数据相结合，得出它们的误差波动，通过运用gru神经网络来学习建立轨迹重建模型。当模型建立后，在gps中断时，结合仍然可得到的imu数据进行预测，可以得到重建的轨迹。

4.这里本发明使用的基本学习模型是gru(gatedrecurrentunit，门控递归单元)神经网络模型。

gru(门控递归单元)是lstm的一个变体，它克服了rnn不能很好地处理长期依赖关系的问题。与lstm相比，gru结构更简单，它只有两个门，即更新门和重置门，同时具有参数少，相对容易训练，防止过拟合等优点。同时，gru具有与lstm相似的性能，有时甚至优于lstm的结果。

5.gru还有一个独特的控制机制：它可以学习何时重置过去的隐藏状态并在给定新输入时更新状态。令t时刻的输出隐藏状态为ht，其更新过程如下：

rt＝σ(wxrxt+whrht-1+br)

zt＝σ(wxzxt+whzht-1+bz)

其中，是sigmoid函数；xtrt,zt,分别是输入向量，重置门向量，更新门向量，隐藏状态更新向量；wxr,whr,wxz,whz,均是线性转换矩阵；br,bz,是偏置向量；⊙表示矩阵的乘积。ht表示(t时刻的输出隐藏状态)。

6.在本发明中使用一个堆叠的gru网络，除了输入输出层，它由两个堆叠的gru层组成，其中一个层有128个单元，另一层有64个单元，之后添加一个全连接层(dense层)，神经单元数目与输出大小相同。gru网络结构适用于大多数常见路段，包括直线路段和直角转弯路段。然而，由于匝道的复杂性和其训练集的局限性，以及在匝道路段车辆状态长时间变化，在匝道的imu测量误差是超过了训练集的正常范围。这可以看作是一种异常变化，传统的dnn结构无法解决问题。通过重建基本的算术运算，如加法和乘法，神经算法逻辑单元(nalu)可以解决这样的问题。受此启发，为解决匝道的轨迹填充问题，本发明利用nalu作为附加单元加入我们的轨迹填充模型，以便在训练数值范围的内部和外部获得更好的泛化。具体来说，我们在第二个gru层和全连接层之间添加一个nalu层来解决匝道及复杂道路的序列预测问题。nalu赋予网络强大的外推能力，以应对由不常见的路段如匝道引起的“异常”速度及方向变化。gru-nalu能够理解中期(达到10秒)误差关系，用于预测。网络使用10个时间步长的窗口进行训练，表示过去10秒的观测值，此窗口每秒(1hz)更新一次。考虑到车辆驾驶过程中的短期相关性，即包含在轨迹数据中车辆状态是与最近的轨迹相关的，训练不需要很长的轨迹。在我们的研究中，我们使用20秒的轨迹数据作为训练集，即输入20个轨迹点作为训练数据。当trajdata的采样率设置为1hz时。换句话说，当gps中断时，在每个路段，我们选择gps中断前20秒的数据进行训练，以恢复轨迹位置。由于训练集的大小并不是很大，我们将batch_size设置为全集合。

7.基于imu测量误差和车辆位置之间的关系，通过航位推测的数学计算过程来填充轨迹。实际上，我们通过imu测量误差的预测值间接预测了车辆位移来达到填充轨迹的目的。

在gps中断的持续时间t＝t+1,…t+n，轨迹填充过程可以表示为：

其中，带有符号“^”的变量表示预测值。

8.本发明提出的方案为trajdata。我们进行了真实的道路试验，以验证trajdata的有效性和可靠性。在仅依靠廉价的gps接受器及imu设备的情况下，在一般路段，trajdata的平均位置误差仅数米，即使在车辆行驶时gps中断60s以上的复杂的匝道路段，trajdata的平均位置误差可达到小于15米，证明了trajdata的有效性。

附图说明

图1为本发明轨迹填充方法的框架图；

图2为直线路段示例图；

图3为直角转弯示例图；

图4为匝道路段示例图；

图5为图2直线路段示例的车辆方向角变化图；

图6为图3直角转弯示例的车辆方向角变化图；

图7为图4匝道路段示例的车辆方向角变化图；

图8为六种方法在直线路段的填充轨迹与真实gps轨迹对比；

图9为六种方法在直角弯路段的填充轨迹与真实gps轨迹对比；

图10为六种方法在匝道路段的填充轨迹与真实gps轨迹对比。

具体实施方式

以下结合说明书附图和具体优选的实施例对本发明作进一步描述，但并不因此而限制本发明的保护范围。

如图1所示为本发明轨迹填充方法的框架图，其基本流程为：第一步，通过车载的即插即用设备采集车辆数据，包括车辆位置坐标和车辆移动信息，并对采集的数据进行必要的预处理；第二步，主要利用imu测量的车辆运动信息，对轨迹对应的道路环境进行智能识别；最后，将采集的gps/imu数据融合结合道路环境的识别结果，选择gru的网络或gru-nalu的网络，建立学习模型，填充轨迹。

图2，3，4分别给出了三种道路环境的示例图，三种道路环境是本发明依据日常驾驶的经验及客观路段类型的存在划分的。不同的道路环境有着不同的道路特性，直接反映在车辆的运动信息上，也影响着单一模型的效果，因此本发明通过对道路环境的智能识别，对于不同的道路环境选择不同的模型，可以使得我们的方法效果更好。

图5，6，7分别给出了前面图2,3,4对应的三种道路环境示例的方向角变化图，反映了不同的道路环境有对车辆的运动信息的影响，根据车辆的角速度变化得出的车辆方向角变化，明显地反映了行驶路段的道路状况，因此可以智能的识别道路环境。

本发明提出的方法为trajdata,包括trajdata-g和trajdata-gn,分别对应未加nalu的模型及添加nalu的模型，对比的方法包括dr-imu(利用imu数据直接航位推测的方法),fkf-hge,fis以及rnn四种方法。

trajdata的网络使用10个时间步长的窗口进行训练，表示过去10秒的观测值，此窗口每秒(1hz)更新一次。考虑到车辆驾驶过程中的短期相关性，即包含在轨迹数据中车辆状态是与最近的轨迹相关的，训练不需要很长的轨迹。这里使用gps中断前20秒的轨迹数据作为训练集，即输入20个轨迹点作为训练数据，以恢复轨迹位置。由于训练集的大小并不是很大，我们将batch_size设置为全集合。

图8，9，10中，圆形标记的线条表示试验车辆真实gps行驶轨迹；五角星标记的线条和三角形标记的线条分别表示的是用trajdata-gn和trajdata-g恢复的车辆轨迹；四种对比方法dr-imu、rnn、fis和fkf-he恢复的车辆轨迹分别用五边形、六边形、四角星和正方形标记的线条表示。

图8所示的是六种方法在直线路段的填充轨迹与真实gps轨迹对比，在该路段gps中断的时间为30s。从dr-imu推测的车辆轨迹和真实gps轨迹的对比来看，imu设备在30s的时间里累积误差很大，而fkf-hge、fis、rnn等方法均能恢复良好的直线轨迹。主要的原因是在该路段的gps中断期间，车辆的行驶方向保持稳定，误差主要体现在对加速度的测量，因此这些方法可以很好地工作。而对比比其他方法此外，本发明提出的trajdata-g和trajdata-gn可以更好的预测加速度的误差，可以恢复更加精确的轨迹，几乎与真实的轨迹完全匹配。

图9所示的是六种方法在直角弯路段的填充轨迹与真实gps轨迹对比。在这一路段，gps中断时间是30秒，车辆左转，过程中伴随着车辆的加速/减速。从dr-imu的轨迹可以看出在这一过程中，来自imu的加速度信息不准确，但角速度却较为准确，这是因为转弯的部分时间很短，仅仅数秒，所以dr-imu的轨迹比真实的轨迹短。同时，fkf-hge、fis及rnn方法的效果也不理想，并没有很好的恢复轨迹，而本发明的trajdata-g和trajdata-gn两种方法都可以获得接近真实的轨迹的效果。

图10所示的是六种方法在匝道路段的填充轨迹与真实gps轨迹对比。在这一路段，gps中断时间是66秒，车辆以较低的行驶速度持续长时间的转弯，这显著影响了imu传感器的性能,imu测量误差很大。此外，车辆在匝道上的行驶状态与在进入匝道前路段的行驶状态完全不同，即是说，利用该路段前20秒的车辆状态作为训练集的话，模型很难从训练阶段获得足够的知识，即在gps中断时可能无法学习足够的信息恢复该路段的轨迹。从图10中可以看出dr-imu、fkf-hge、fis及rnn方法的效果都不理想，甚至在其他路段效果很好的trajdata-g也不能很好的恢复轨迹。但是，针对匝道路段的方法trajdata-gn获得了最佳的轨迹填充性能，因为该方法添加了nalu,可以赋予网络强大的外推能力，可以应对训练集信息不足的缺点。

总之，道路试验表明，在直线，直角转弯等路况下，gps中断30秒，trajdata的平均定位误差小于5米，在相对复杂的匝道路段上，gps中断60秒，trajdata的平均定位误差在15米左右。

上述只是本发明的较佳实施例，并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明。任何熟悉本领域的技术人员，在不脱离本发明技术方案范围的情况下，都可利用上述揭示的技术内容对本发明技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均应落在本发明技术方案保护的范围内。