留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

车载POS公路线形特征识别与参数计算

郝雨时 徐爱功 章红平 隋心

郝雨时, 徐爱功, 章红平, 隋心. 车载POS公路线形特征识别与参数计算[J]. 武汉大学学报 ● 信息科学版, 2018, 43(8): 1249-1255. doi: 10.13203/j.whugis20160311
引用本文: 郝雨时, 徐爱功, 章红平, 隋心. 车载POS公路线形特征识别与参数计算[J]. 武汉大学学报 ● 信息科学版, 2018, 43(8): 1249-1255. doi: 10.13203/j.whugis20160311
HAO Yushi, XU Aigong, ZHANG Hongping, SUI Xin. Road Recognition and Calculation of Relevant Parameters with POS[J]. Geomatics and Information Science of Wuhan University, 2018, 43(8): 1249-1255. doi: 10.13203/j.whugis20160311
Citation: HAO Yushi, XU Aigong, ZHANG Hongping, SUI Xin. Road Recognition and Calculation of Relevant Parameters with POS[J]. Geomatics and Information Science of Wuhan University, 2018, 43(8): 1249-1255. doi: 10.13203/j.whugis20160311

车载POS公路线形特征识别与参数计算

doi: 10.13203/j.whugis20160311
基金项目: 

国家重点研发计划 2016YFC0803102

国家863计划 2014AA123101

国家自然科学基金 41501504

辽宁省教育厅创新团队 LT2015013

辽宁省教育厅科学研究 L2013141

地理空间信息工程国家测绘地理信息局重点实验室经费 201522

详细信息
    作者简介:

    郝雨时, 博士生, 主要从事室内外高精度无缝定位研究。1216211827@qq.com

    通讯作者: 徐爱功, 博士, 教授。aigong_xu@lntu.edu.cn
  • 中图分类号: P258

Road Recognition and Calculation of Relevant Parameters with POS

Funds: 

The National Key Research and Development Program of China 2016YFC0803102

the National High Techno-logy Research and Development Program of China(863 Program) 2014AA123101

the National Natural Science Foundation of China 41501504

Liaoning Provincial Department of Education Innovation Team Program LT2015013

Liaoning Provincial Department of Education Science Research Program L2013141

Key Laboratory of Geospatial Information Engineering of National Administration of Surveying, Mapping and Geo-information Program 201522

More Information
    Author Bio:

    HAO Yushi, PhD candidate, specializes in the theories and methods of precision indoor and outdoor seamless positioning. E-mail:1216211827@qq.com

    Corresponding author: XU Aigong, PhD, professor. E-mail:aigong_xu@lntu.edu.cn
图(8)
计量
  • 文章访问数:  847
  • HTML全文浏览量:  39
  • PDF下载量:  237
  • 被引次数: 0
出版历程
  • 收稿日期:  2017-06-27
  • 刊出日期:  2018-08-05

车载POS公路线形特征识别与参数计算

doi: 10.13203/j.whugis20160311
    基金项目:

    国家重点研发计划 2016YFC0803102

    国家863计划 2014AA123101

    国家自然科学基金 41501504

    辽宁省教育厅创新团队 LT2015013

    辽宁省教育厅科学研究 L2013141

    地理空间信息工程国家测绘地理信息局重点实验室经费 201522

    作者简介:

    郝雨时, 博士生, 主要从事室内外高精度无缝定位研究。1216211827@qq.com

    通讯作者: 徐爱功, 博士, 教授。aigong_xu@lntu.edu.cn
  • 中图分类号: P258

摘要: 为了高效获取高质量公路线形参数信息,采用车载定姿定位系统(position orientation system,POS)获取的离散坐标、姿态等信息,通过后处理的方式反演公路线形参数及特征。包括利用均值加速中值滤波平滑的姿态信息分析曲率分布特征,并进行线形特征初步识别、直线和圆曲线线形窗口准确识别与参数计算,利用平差后的直线和圆曲线参数计算缓和曲线参数,最终获得全路段最优化轨迹及线形特征信息。利用该方法处理某公路路段(全程20 km)的车载POS数据,处理结果证明该方法简单高效,具有可行性。

English Abstract

郝雨时, 徐爱功, 章红平, 隋心. 车载POS公路线形特征识别与参数计算[J]. 武汉大学学报 ● 信息科学版, 2018, 43(8): 1249-1255. doi: 10.13203/j.whugis20160311
引用本文: 郝雨时, 徐爱功, 章红平, 隋心. 车载POS公路线形特征识别与参数计算[J]. 武汉大学学报 ● 信息科学版, 2018, 43(8): 1249-1255. doi: 10.13203/j.whugis20160311
HAO Yushi, XU Aigong, ZHANG Hongping, SUI Xin. Road Recognition and Calculation of Relevant Parameters with POS[J]. Geomatics and Information Science of Wuhan University, 2018, 43(8): 1249-1255. doi: 10.13203/j.whugis20160311
Citation: HAO Yushi, XU Aigong, ZHANG Hongping, SUI Xin. Road Recognition and Calculation of Relevant Parameters with POS[J]. Geomatics and Information Science of Wuhan University, 2018, 43(8): 1249-1255. doi: 10.13203/j.whugis20160311
  • 公路线形数据采集与计算是公路普及调查过程中的重要工作。目前国内外对道路线形计算的研究方法主要分为两种。一是以数学模型为基础研究公路设计基本元素的选取组合及线形拟合问题[1];二是结合计算机辅助设计(computer aided design, CAD)技术研究公路设计基本元素的选取组合及线形拟合问题。国外学者倾向于先进行线形特征识别再研究,具有代表性的是Cesar提出的弧长-曲率法、文献[1]提出的斜率法及综合法等。中国学者在国外研究理论的基础上,对道路平面线形进行了深入研究,如童小华等[2]提出基于曲率-弧长、斜率判别法, 分别建立道路曲线基本单元的基本平差模型, 并进一步建立以基本单元组合的道路曲线的联合平差模型,以及分段道路曲线的整体平差模型,整体拟合精度为0.102 m。姚连璧[3]提出基于曲率判别法的方位角法,利用车载GPS获取公路离散坐标,通过方位角法对线形进行识别; 计算直线及圆曲线的重心化参数,并利用平差后的直线及圆曲线参数计算缓和曲线参数;并对3种线形连接处,结合加权平均法和道路设计思路,得到比较精确的道路平面线形几何参数; 将该理论应用于无缓和曲线的情况,所得两段直线精度分别为0.47 m、0.35 m,圆曲线精度为0.17 m。杨轸等[4]认为当拟合曲线$ \int_0^s {{h^2}{\rm{d}}s} $或$ \sum\limits_{i = 1}^n {h_i^2} $最小时得到最佳拟合曲线, 其中h为采样点到拟合曲线的垂距。此外, CAD样条曲线法[5]利用测设里程坐标参数绘制样条曲线,剔除粗差点后,粗略判断基本元素的位置,绘制CAD直线、圆曲线与样条曲线, 通过对比获取拟合曲线参数。

    综上可知,CAD样条法存在较多人为因素干扰,不利于公路线形自动识别与计算理论研究。建立在曲率法、方位角法及综合法基础之上的联合平差法、方位角法及最小二乘法均采用车载GPS数据研究公路线形参数计算方法,相对于传统方法简单有效。但在隧道等复杂环境下,由于卫星信号受遮挡或受多路径影响,且车体无法严格按照中线行驶和车体抖动等原因,计算出的曲率或方位角会有一定程度的波动, 即便选取特定的采样步长计算,也会损失判断精度,不利于线形特征识别与参数计算。

    定位定姿系统(position orientation system,POS)是基于全球导航卫星系统(GNSS) /惯性导航系统(inertial navigation system,INS)组合导航原理的一种定位定姿系统,其组合方式主要分为松组合、紧组合与深组合3种。GNSS的优势是导航定位误差不随时间累积,可提供较高精度的定位、测速及授时信息;INS的优势是不依赖于外部信息,完全独立自主、全天候, 且不存在信号失锁问题,可提供更加丰富的导航信息,短期内载体位置、速度及姿态信息精度较高。将二者组合可实现两种技术的优势互补,能长时间提供精度较高的完整导航参数,包括位置、速度和姿态[6-9]等。本文采用的车载POS坐标与姿态信息由差分GNSS伪距及相位与INS的紧组合处理获得,位置精度可达cm级,航向角精度可达0.001°,俯仰角及横滚角精度可达0.000 5°。较高精度的位置和姿态信息对线形的识别与计算工作有重要意义。

    本文首先采用基于均值的快速中值滤波(mean-based fast median filter,MFM)算法对车载POS采集的航向信息进行平滑,利用平滑后的航向信息结合里程信息粗略识别轨迹线形特征,并对数据分组, 最终生成最优化线形参数计算结果、线形特征识别结果及最优化轨迹。

    • 公路线形识别是公路线形计算的基础。通过线形特征识别,将离散的坐标数据分组,使后期线形参数计算过程具有针对性。

    • 受车体震动及车道偏移等不确定因素影响, 车载POS获取的姿态信息中存在噪声。在信号处理过程中,若有用信号与噪声信号呈现较明显的频谱特征,可以通过设计某种线性滤波器降低信号受噪声污染的影响,常用的有中值滤波和均值滤波[8]。假设噪声模型为:

      $$ {S_i} = \left\{ \begin{array}{l} {{\hat S}_i},\;概率为\;P\\ {{\hat S}_i} + n,概率为\;1 - P \end{array} \right. $$ (1)

      式中,Si为信号输出,$ {{\hat S}_i}$为正常信号输出; n为均值为0、方差为σ2的高斯分布白噪声。其中,概率1-P表示信号受噪声污染的概率,体现了信号受污染程度。若P较大,噪声污染面积较小,表现为颗粒噪声,此时选用常规中值滤波即可较好地剔除奇异点;若P较小甚至趋近于0时,输出信号为有用信号与方差为σ2的零均值高斯白噪声的叠加,此时采用中值滤波输出的信号仍包含噪声,而均值滤波对噪声进行了均值运算,可以降低高斯白噪声影响。

      实际测试过程中并非全路段均受高斯白噪声影响,所以P无法获取。若单纯采用中值滤波或均值滤波, 可能造成滤波后的信号包含白噪声或损害正常信号输出。为了最大程度降低白噪声影响的同时又能有效剔除颗粒噪声, 并克服中值滤波庞大计算量的问题,本文采用MFM算法来平滑航向角。MFM算法平滑航向角步骤如图 1所示。首先,计算滤波子窗口航向角元素集合的元素均值;其次,将航向角元素分为大于等于该均值和小于等于该均值的两个集合;然后,舍弃元素个数少的集合,对元素个数大于滤波子窗口总元素个数一半的集合重复上述过程,直到分解的两个集合的元素个数都小于滤波子窗口总元素个数的一半;最后对得到的两个子集合之一快速排序, 取中间值作为滤波子窗口的航向角元素值[10]

      图  1  MFM算法流程图

      Figure 1.  Flowchart of MFM Algorithm

      MFM算法有下列优势。

      1) MFM算法以滤波子窗口元素均值为界限对元素分类,略去元素较少的部分,随着滤波窗口的增大,算法复杂度随之降低。

      2) MFM算法在对滤波子窗口元素计算均值的过程中基本剔除了高斯白噪声的影响,该平均值接近信号中未受噪声影响的原始值,因此通过MFM算法进行2次排序即可很快找到滤波子窗口中值。

      3) 受颗粒噪声影响的元素在滤波子窗口中表现为极值,在计算滤波子窗口元素均值并以此为界将集合分成两部分的过程中,能很快去除极值点,降低颗粒噪声影响,最终在无颗粒噪声的集合中找到滤波子窗口中值[8]

    • 令曲率随里程变化函数[2]K=F(S), 将曲率随里程积分可得方位角变化,即:

      $$ {\rm{d}}\alpha = \int_0^S {K{\rm{d}}S} $$ (2)

      对于离散形式的航向角信息,利用相邻航向角差值及里程差值即可求取单位里程内的曲率。建立曲率与里程的函数方程[1]为:

      $$ k = as + b $$ (3)

      式中,k为曲率; s为里程。理论上讲,对于直线段, ab等于零;对于圆曲线, a等于0,b不等于0;对于缓和曲线,ab均不等于零,k随里程呈一阶线性变化。

      由于车体不能严格沿中线行驶,存在变道、靠边停车等情况,航向输出与道路航向存在不平行性偏差;通过航向角计算的曲率进行线形特征识别可能会导致线形窗口识别不完整或不同线形窗口间界限模糊,即出现缓和曲线两端包含直线或圆曲线、直线或圆曲线两端包含缓和曲线的情况。图 2为某段圆曲线的初步识别结果,start和end分别为该段圆曲线窗口的首端和末端。可以看出, start端包含了缓和曲线部分,end端以外存在未被识别的圆曲线部分。这种情况不利于线形参数的计算。

      图  2  一段圆曲线的初步识别结果

      Figure 2.  Initial Recognition of One Circle

    • 公路线形主要分直线、圆曲线及缓和曲线3种。本节讨论直线与圆曲线的线形参数计算方法, 通过比较拟合残差与窗口端点采样点间的航向角偏差,更准确地计算线形窗口的大小及位置, 并基于平差后的直线和圆曲线参数计算缓和曲线线形参数。

    • 令某一直线段由n个离散点构成,对应坐标为(xi, yi),直线方程yi=axi+b。则等精度法方程为(BTB) X = BTL,即:

      $$ \left( {\begin{array}{*{20}{c}} {\sum {x_i^2} }&{\sum {{x_i}} }\\ {\sum {{x_i}} }&n \end{array}} \right)\left( {\begin{array}{*{20}{c}} a\\ b \end{array}} \right) = \left( \begin{array}{l} \sum {{x_i}{y_i}} \\ \sum {{y_i}} \end{array} \right) $$ (4)

      解得参数ab

      $$ \mathit{\boldsymbol{X}} = {\left( {\begin{array}{*{20}{c}} a&b \end{array}} \right)^{\rm{T}}} = {\left( {{\mathit{\boldsymbol{B}}^{\rm{T}}}\mathit{\boldsymbol{B}}} \right)^{ - 1}}{\mathit{\boldsymbol{B}}^{\rm{T}}}\mathit{\boldsymbol{L}} $$ (5)

      从而得到拟合直线方程,则该直线段采样点(xi, yi)在拟合直线上的投影(xi0, yi0)及拟合误差errori为:

      $$ \left\{ \begin{array}{l} {x_{i0}} = \frac{{\left( {{x_i} + a{y_i} - ab} \right)}}{{1 + {a^2}}}\\ {y_{i0}} = \frac{{\left( {a{x_i} + {a^2}{y_i} + b} \right)}}{{1 + {a^2}}}\\ {\rm{erro}}{{\rm{r}}_i} = \sqrt {{{\left( {{x_i} - {x_{i0}}} \right)}^2} + {{\left( {{y_i} - {y_{i0}}} \right)}^2}} \end{array} \right. $$ (6)
    • 令某一圆曲线段由n个离散点构成,对应坐标为$ ({x_i}, {y_i}), i = 1, 2 \ldots n$, 则圆曲线方程为$x_i^2 + y_i^2 - 2ax - 2by + {a^2} + {b^2} = {r^2} $,其中圆心坐标为(a, b),曲率半径为r。构建参数为$ a、b、{a^2} + {b^2} + {r^2}$的观测方程BX = L,其中:

      $$ \left\{ \begin{array}{l} \mathit{\boldsymbol{B}} = \left( {\begin{array}{*{20}{c}} {2{x_1}}&{2{y_1}}&{ - 1}\\ {2{x_2}}&{2{y_2}}&{ - 1}\\ \vdots&\vdots&\vdots \\ {2{x_n}}&{2{y_n}}&{ - 1} \end{array}} \right)\\ \mathit{\boldsymbol{L}} = {\left( {x_1^2 + y_1^2x_2^2 + y_2^2 \cdots x_n^2 + y_n^2} \right)^{\rm{T}}}\\ \mathit{\boldsymbol{X}}{\left( {ab{a^2} + {b^2} + {r^2}} \right)^{\rm{T}}} \end{array} \right. $$ (7)

      则构建等精度法方程(BTB) X = BTL,其中:

      $$ {\mathit{\boldsymbol{B}}^{\rm{T}}}\mathit{\boldsymbol{B}} = \left( {\begin{array}{*{20}{c}} {4\sum {x_i^2} }&{4\sum {{x_i}{y_i}} }&{ - 2\sum {{x_i}} }\\ {4\sum {{x_i}{y_i}} }&{4\sum {y_i^2} }&{ - 2\sum {{y_i}} }\\ { - 2\sum {{x_i}} }&{ - 2\sum {{y_i}n} }&{} \end{array}} \right) $$ (8)
      $$ {\mathit{\boldsymbol{B}}^{\rm{T}}}\mathit{\boldsymbol{L}} = \left( \begin{array}{l} 2\sum {{x_i}\left( {x_i^2 + y_i^2} \right)} \\ 2\sum {{y_i}\left( {x_i^2 + y_i^2} \right)} \\ - \sum {\left( {x_i^2 + y_i^2} \right)} \end{array} \right) $$ (9)

      解得参数$ a、b、{a^2} + {b^2} + {r^2}$:

      $$ \mathit{\boldsymbol{X}} = \left( {\begin{array}{*{20}{c}} a\\ b\\ {{a^2} + {b^2} + {r^2}} \end{array}} \right) = {\left( {{\mathit{\boldsymbol{B}}^{\rm{T}}}\mathit{\boldsymbol{B}}} \right)^{ - 1}}{\mathit{\boldsymbol{B}}^{\rm{T}}}\mathit{\boldsymbol{L}} $$ (10)

      从而计算该圆曲线段采样点在拟合圆曲线上的投影(xi0, yi0)及拟合误差errori为:

      $$ \left\{ \begin{array}{l} {x_{i0}} = \left\{ \begin{array}{l} {x_i} - \cos \left( {\arctan \frac{{\Delta y}}{{\Delta x}}} \right){\rm{erro}}{{\rm{r}}_i},\Delta x > 0\\ {x_i} + \cos \left( {\arctan \frac{{\Delta y}}{{\Delta x}}} \right){\rm{erro}}{{\rm{r}}_i},\Delta x < 0 \end{array} \right.\\ {y_{i0}} = \left\{ \begin{array}{l} {y_i} - \cos \left( {\arctan \frac{{\Delta y}}{{\Delta x}}} \right){\rm{erro}}{{\rm{r}}_i},\Delta x > 0\\ {y_i} + \cos \left( {\arctan \frac{{\Delta y}}{{\Delta x}}} \right){\rm{erro}}{{\rm{r}}_i},\Delta x < 0 \end{array} \right.\\ {\rm{erro}}{{\rm{r}}_i} = \sqrt {{{\left( {{x_i} - A} \right)}^2} + {{\left( {{y_i} - B} \right)}^2}} - R \end{array} \right. $$ (11)

      式中,Δy=yiyi0; Δx=xixi0

    • §1中提到,根据曲率分布初步识别结果识别线形,可能会导致线形窗口识别不完整或识别错误。本节讨论如何通过分析拟合中误差的大小控制窗口的大小,比较窗口端点处采样点间航向角偏差, 确定窗口的伸缩方向,最终实现线形识别结果与公路轨迹最大程度的吻合。以直线窗口识别为例,流程如图 3所示。

      图  3  直线窗口识别与计算

      Figure 3.  Recognition and Calculation of Line Windows

      需要说明的是,首先,扩展因子e的作用在于控制窗口的伸缩程度。在窗口扩展之前,e=0。若拟合残差中误差σ < 拟合残差中误差阈值σ0,说明窗口初步识别范围过小,需要扩展,当扩展到σ>σ0时,说明窗口需要缩小,此时e=1,说明窗口至少经过一次扩展。根据图 3可知,当e=2时,说明拟合计算后满足σ < σ0的同时不需要再扩展窗口,线形识别已达到最大程度吻合。然后,通过窗口端点处采样点间方位角偏差选择伸缩方向:直线的曲率近似等于0,采样点间方位角变化较小,因此窗口扩展方向为航向角偏差较小的一端,窗口缩小方向为航向角偏差较大的一端。圆曲线窗口伸缩方向选择方法与直线相反,这是圆曲线与直线窗口识别过程唯一的不同之处。

    • 缓和曲线是以曲线起点建立的局部坐标系建立直角坐标系与曲线长的关系,数学模型复杂。且GNSS/INS组合导航结果以离散形式输出,具有一定局限性,因此无法精确定位直缓点与缓圆点的位置,只能在平差后的直线与圆曲线端点间构造缓和曲线。在完成直线与圆曲线的计算与识别工作后即可筛出缓和曲线部分,根据缓和曲线两端点曲率与里程构造缓和曲线的曲率里程方程k=as+b,其中s是缓和曲线里程,k为缓和曲线曲率,ab分别是曲率里程方程的斜率和截距。再根据采样点曲率占缓和曲线曲率变化比例内插出缓和曲线离散坐标,过程如下。

      令缓和曲线起始端S曲率与里程分别为KSSS,末端E的曲率与里程分别为KESE。解得式(3)的系数ab后,结合采样点里程计算采样点的曲率Ki以及Ki占曲率变化的比例scalei

      $$ {\rm{scal}}{{\rm{e}}_i} = \left( {{K_i} - {K_S}} \right)/\left( {{K_E} - {K_S}} \right) $$ (12)

      令ΔX=XEXS, ΔY=YEYS,(XS, YS)和(XE, YE)分别为缓和曲线起点S与终点E的坐标,则缓和曲线内采样点i的内插坐标为:

      $$ \left( \begin{array}{l} {X_i}\\ {Y_i} \end{array} \right) = \left( \begin{array}{l} {X_S} + \Delta X \cdot {\rm{scal}}{{\rm{e}}_i}\\ {Y_S} + \Delta Y \cdot {\rm{scal}}{{\rm{e}}_i} \end{array} \right) $$ (13)

      为了保证缓和曲线平滑过渡,可以通过增大采样率的方法来加密缓和曲线内插点。

    • 图 4为MFM方法平滑航向角结果与曲率分布特征的初步识别结果, 步长为20 m。以此为参考,结合自编道路线形识别计算程序初步对POS数据进行分组。暂时假定无缓和曲线。

      图  4  航向角平滑结果与初始公路线形的曲率分布

      Figure 4.  Smooth Result of Heading and Initial Curvature Characteristic of Road Line

      根据曲率分布初步识别结果可以较清晰地识别线形特征,拟定直线段初始曲率的绝对值不大于0.02。在0~2 000 m之间的曲率分布存在3处粗差,原因可能是车体靠边停车所致。这类粗差影响会在线形窗口自动识别过程中剔除。

    • 以线形特征初步识别结果为基础,对直线与圆曲线进行拟合误差计算与线形窗口识别,利用平差后的直线与圆曲线参数计算缓和曲线线形参数,最终生成最优拟合轨迹,如图 5所示(比例尺为1:1 000)。并根据线形特征反演轨迹的计算曲率分布,如图 6所示。

      图  5  拟合轨迹

      Figure 5.  Fitting Line

      图  6  计算曲率分布

      Figure 6.  Distribution of Calculated Curvatures

      为了直观展现窗口自动识别过程,取一段圆曲线为例,分别从起始位置变化、末端位置变化、窗口里程大小、窗口拟合中误差4个方面来展示窗口自动识别过程。如图 7所示,随着窗口的首端和末端位置变化,线形窗口大小及拟合中误差不断增大,当拟合中误差大于一定阈值时,窗口会恢复到上次扩展的程度,并记录拟合中误差、窗口间隔的历元数及首末端的位置。此时,该段圆曲线线形窗口识别已实现最大程度吻合。

      图  7  线形窗口自动识别

      Figure 7.  Recognition of Road Line Windows

      计算曲率分布由最终线形特征识别与线形参数结果反演得到,即令直线曲率等于0,圆曲线曲率等于曲率半径的倒数,可以更直观地体现道路线形特征。

    • 根据拟合误差分布,统计直线、圆曲线及缓和曲线的拟合中误差。直线段拟合中误差为±0.610 m,圆曲线段拟合中误差为±0.499 m,缓和曲线段拟合中误差为±0.740 m。如图 8所示,整体轨迹的中误差为±0.573 m,最大拟合偏差为1.417 m,最小拟合偏差为0.021 m。拟合误差呈现出较大的随机性,可以认为这种随机误差主要由车体不能严格按照中线行驶所致。若能让车体严格沿中线行驶,线形参数计算的精度会提高。

      图  8  拟合误差分布

      Figure 8.  Distribution of Fitting Errors

    • 本文讨论了采用车载POS采集的公路离散坐标及姿态信息进行公路线形特征识别与参数计算的方法。首先,基于MFM法平滑方位角,初步识别线形特征,利用最小二乘法对不同线形进行拟合计算;其次,根据拟合中误差大小及线形窗口端点处采样点间方位角偏差,自动调节线形窗口的大小及端点位置,使线形窗口与真实轨迹最大程度上吻合;最终,生成最优道路轨迹、线形特征及参数信息。结果表明,利用POS采集的离散坐标与姿态信息进行道路线形特征识别与参数计算,可以保证数据采集与处理的连续性,处理过程简单高效,且POS提供的姿态信息对更准确的线形特征识别有一定指导意义。对于线形特征的识别,关键在于不同线形间特征点的识别,由于数据的采集及处理均为离散形式,可采用更高采样率的POS系统进行数据采集。对于线形参数计算,针对由车体晃动、摆动等因素导致的车体不能严格按照中线行驶的问题,可考虑不采用POS与车体维持刚体不变的平台结构,以降低拟合残差大小。

参考文献 (10)

目录

    /

    返回文章
    返回