车辆行驶道路的识别方法、装置、设备及存储介质与流程

1.本技术涉及地图技术，尤其涉及一种车辆行驶道路的识别方法、装置、设备及存储介质。


背景技术：

2.路网匹配是基于位置服务中的关键预处理步骤，它将全球定位系统(global positioning system，gps)轨迹点匹配到实际路网上，以此为基础对数据进行分析和挖掘，能够辅助解决城市计算中相关问题，如导航出行、物流配送、自动驾驶等。
3.受限于gps定位精度、采样频率的快慢以及匹配算法的优劣等原因，在距离、方向等都相近的主辅路场景下识别效果均不理想，尤其是在当前越来越精细化道路的背景下，主辅路场景越来越多，已严重影响道路匹配的准确性，如何在有限的计算环境下避免因上述原因导致的匹配错误，成为提升匹配效果的研究重点。


技术实现要素：

4.本技术提供一种车辆行驶道路的识别方法、装置、设备及存储介质，用以解决路网匹配准确度低的问题。
5.第一方面，本技术提供一种车辆行驶道路的识别方法，包括：获取车辆的行驶轨迹对应的m个轨迹片段，每个轨迹片段对应的行驶道路片段和地图片段；所述地图片段包括n个地图道路片段；所述m和所述n均为大于或等于1的整数；针对m个轨迹片段的至少一个轨迹片段中每个轨迹片段，确定每个轨迹片段与所述n个地图道路片段之间的距离相匹配的第一概率矩阵，以及，确定所述行驶道路片段与所述n个地图道路片段之间的宽度相匹配的第二概率矩阵；根据所述至少一个轨迹片段的第一概率矩阵和第二概率矩阵，以及基于时序的路网匹配算法，输出车辆行驶道路为主路或辅路的识别结果。
6.第二方面，本技术提供一种车辆行驶道路的识别装置，包括：获取模块，用于获取车辆的行驶轨迹对应的m个轨迹片段，每个轨迹片段对应的行驶道路片段和地图片段；所述地图片段包括n个地图道路片段；所述m和所述n均为大于或等于1的整数；确定模块，用于针对m个轨迹片段的至少一个轨迹片段中每个轨迹片段，确定每个轨迹片段与所述n个地图道路片段之间的距离相匹配的第一概率矩阵，以及，确定所述行驶道路片段与所述n个地图道路片段之间的宽度相匹配的第二概率矩阵；输出模块，用于根据所述至少一个轨迹片段的第一概率矩阵和第二概率矩阵，以及基于时序的路网匹配算法，输出车辆行驶道路为主路或辅路的识别结果。
7.第三方面，本技术提供一种电子设备，包括：处理器，以及与所述处理器通信连接的存储器；所述存储器存储计算机执行指令；所述处理器执行所述存储器存储的计算机执行指令，以实现如第一方面所述的方法。
8.第四方面，本技术提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如第一方面所述的方
法。
9.第五方面，本技术提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面所述的方法。
10.本技术提供的车辆行驶道路的识别方法、装置、设备及存储介质，通过获取车辆的行驶轨迹对应的m个轨迹片段，每个轨迹片段对应的行驶道路片段和地图片段；地图片段包括n个地图道路片段；m和n均为大于或等于1的整数；针对m个轨迹片段的至少一个轨迹片段中每个轨迹片段，确定每个轨迹片段与n个地图道路片段之间的距离相匹配的第一概率矩阵，以及，确定行驶道路片段与n个地图道路片段之间的宽度相匹配的第二概率矩阵；根据至少一个轨迹片段的第一概率矩阵和第二概率矩阵，以及基于时序的路网匹配算法，输出车辆行驶道路为主路或辅路的识别结果。由于在车辆行驶道路的识别过程中增加了道路宽度这一属性特征，而道路宽度能够很好地区分主路和辅路，因此，根据车辆行驶轨迹与地图中道路之间的距离和车辆当前行驶道路与地图中道路之间的宽度进行路网匹配，能够准确地识别出车辆是位于主路还是辅路上，提高路网匹配的准确度。
附图说明
11.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本技术的实施例，并与说明书一起用于解释本技术的原理。
12.图1为本技术实施例提供的应用场景示意图；
13.图2为本技术实施例提供的车辆行驶场景的示意图；
14.图3为本技术实施例提供的车辆行驶道路的识别方法的流程图；
15.图4为本技术实施例提供的等距离切分的示例图；
16.图5为本技术实施例提供的每个轨迹片段对应的行驶道路片段与两个地图道路片段之间的宽度相匹配的概率分布的示例图；
17.图6为本技术实施例提供的车辆行驶道路识别方法的流程图；
18.图7为本技术实施例提供的传感器语义数据和地图数据的示意图；
19.图8为本技术实施例提供的车辆行驶轨迹切分的示例图；
20.图9为本技术实施例提供的根据车辆行驶轨迹构建的隐马尔可夫模型的示例图；
21.图10为本技术实施例提供的车辆行驶道路的识别装置的结构示意图；
22.图11为本技术实施例提供的电子设备的结构示意图。
23.通过上述附图，已示出本技术明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本技术构思的范围，而是通过参考特定实施例为本领域技术人员说明本技术的概念。
具体实施方式
24.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本技术相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本技术的一些方面相一致的装置和方法的例子。
25.图1为本技术实施例提供的应用场景示意图。如图1所示，该应用场景包括移动设
备11和服务器12；移动设备11和服务器12通信连接。可选的，移动设备11可以是安装有位置传感器的车辆、手机、智能可穿戴设备等。服务器12可以是一台服务器，也可以是包括多台服务器的服务器集群，还可以是虚拟化平台或者云计算服务中心。
26.移动设备11在移动过程中，可以通过自身安装的位置传感器，例如gps定位装置采集位置信息并上报至服务器12，该位置信息包括一系列的gps轨迹点。服务器12中存储有地图，例如高精度地图或者普通的导航地图，服务器12根据gps轨迹点和路网匹配算法在地图中进行道路匹配，能够很好地实现对移动设备的定位，进而用于辅助解决导航出行、物流配送和自动驾驶等城市计算中相关问题。然而，受gps定位精度、采样频率的快慢和路网匹配算法的优劣等因素影响，使得在一些场景，例如距离和方向等都相近的主路和辅路，会出现匹配错误的情形。以车辆行驶场景为例，在导航以及路径规划等业务中，需要根据移动设备的gps轨迹，以实时或离线的形式在地图中搜寻正确的路网匹配结果。而在实际中，由于gps定位精度不高，可能会出现定位偏移，这样就会造成匹配结果出错，尤其是在具有主路和辅路等复杂情况的道路场景中，主路和辅路距离很近，就很难准确地识别出车辆是行驶在主路还是辅路上。
27.图2为本技术实施例提供的车辆行驶场景的示意图。如图2所示，长虚线表示车辆行驶轨迹，点状虚线表示辅路，深灰色实线表示实际行驶的主路，浅灰色实线表示周边路网。从图2中可以看出，由于车辆行驶轨迹更靠近辅路，路网匹配算法往往会认为车辆从辅路经过，从而给出错误的匹配结果。
28.针对上述技术问题，本技术的发明人发现，在现实世界中，同一条道路上的主路和辅路具有诸多属性区别，如道路宽度的差异，通常主路会比辅路更宽。在基于时序的路网匹配算法基础上，利用这种道路宽度的差异性特征能够进一步挖掘和识别主辅路。
29.下面以具体地实施例对本技术的技术方案以及本技术的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本技术的实施例进行描述。
30.图3为本技术实施例提供的车辆行驶道路的识别方法的流程图。如图3所示，该车辆行驶道路的识别方法，包括如下步骤：
31.s301、获取车辆的行驶轨迹对应的m个轨迹片段，每个轨迹片段对应的行驶道路片段和地图片段；地图片段包括n个地图道路片段；m为大于或等于2的整数，n为大于或等于1的整数。
32.本实施例的执行主体可以是如图1所示的服务器。
33.在本技术的一个或多个实施例中，可选的，获取车辆的行驶轨迹对应的多个轨迹片段，以及每个轨迹片段对应的地图片段，包括：
34.步骤a1、获取车辆的传感器语义数据和地图数据；传感器语义数据包括车辆的行驶轨迹、车辆当前行驶道路的道路边缘线和车道边缘线；地图数据包括n个地图道路，每个地图道路的道路边缘线和车道边缘线。
35.本步骤中的地图数据可以是高精度地图数据。车辆行驶时，车辆上的传感器采集用于高精度地图更新的传感器语义数据并上报至服务器。传感器语义数据包括标牌、车道线和护栏等地物要素的感知结果和车辆的行驶轨迹，本实施例所需要关注的几类传感器语义数据包括：车辆行驶轨迹(path)、车辆当前行驶道路的道路边缘线(roadboundary，以下
简称rb)和车辆当前行驶车道的车道边缘线(laneboundary，以下简称lb)。其中，车辆的行驶轨迹是车辆在行驶过程中实时记录到的定位点，将诸多定位点按照时序连成线即可得到车辆的行驶轨迹。道路边缘线表征一条道路的边缘轮廓，由左右两侧的两条平行的线状要素组成。车道边缘线则表示一条道路内部每条车道的边缘轮廓，通常也是左右两条平行的线状要素组成，如果一条道路的车道数量多于一个，则会有对应的多条车道边缘线。
36.服务器还存储有地图，用于描述道路信息的静态数据，其包括丰富的道路属性信息。本实施例所需要关注的几类地图数据，包括：道路(linkentity，以下简称link)、道路边缘线(roadboundary，以下简称rb)和车道边缘线(laneboundary，以下简称lb)。link与rb、lb具有一对多关系，即一条道路可以关联多条rb和多条lb标线。
37.步骤a2、将行驶轨迹切分为m个轨迹片段，并确定每个轨迹片段对应的当前行驶道路中的行驶道路片段。
38.服务器在获取到车辆的传感器语义数据时，需要根据预设的切分规则将车辆的行驶轨迹切分为在时序上连续的多个轨迹片段。预设的切分规则应遵循以下原则：切分后的多个轨迹片段之间应当能构成完整的道路接续关系；切分后的轨迹片段的数量不宜过多，以免影响计算性能。可选的，可以根据实际业务需求确定切分规则，切分规则可以包括等距离切分和按照轨迹点坐标进行切分等。图4为本技术实施例提供的等距离切分的示例图。如图4所示，通过对行驶轨迹进行等距离切分，可以得到m个轨迹片段，m为大于或等于2的整数。而按照轨迹点坐标进行切分时，可以根据车辆停留点对行驶轨迹进行切分，即从每个车辆停留点处对行驶轨迹进行切分。
39.可选的，在切分出m个轨迹片段之后，还需要从传感器语义数据中提取每个轨迹片段对应的行驶道路的道路边缘线和/或车道边缘线，以用于后续计算每个轨迹片段对应的行驶道路片段的宽度。可选的，可以按照上述预设的切分规则对道路边缘线和/或车道边缘线进行切分，得到每个轨迹片段对应的行驶道路的道路边缘线和/或车道边缘线。
40.步骤a3、根据预设的切分规则对地图数据进行切分，得到每个轨迹片段对应的地图片段，每个地图片段包括n个地图道路片段。
41.具体的，是按照对车辆的行驶轨迹进行切分时采用的预设的切分规则对地图数据进行同步切分，得到每个轨迹片段对应的地图道路的道路边缘线和/或车道边缘线。在地图数据中，link为虚拟标线，并无实体，然而link具有标识id，代表地图数据中的rb/lb属于哪条地图道路，而相互平行的两条道路边缘线和/或车道边缘线即可确定一条地图道路片段。
42.本步骤是从地图数据中确定每个轨迹片段周围的路网数据，即n个地图道路片段。假设行驶轨迹周围的路网数据包括n个地图道路，则n个地图道路中每个地图道路按照预设的切分规则进行切分后，可以得到m个地图道路片段。举例来说，假设行驶轨迹周围的路网数据包括地图道路1、地图道路2和地图道路3，则针对地图道路1进行切分后，可以得到地图道路1对应的m个地图道路片段，针对地图道路2进行切分后，可以得到地图道路2对应的m个地图道路片段，针对地图道路3进行切分后，可以得到地图道路3对应的m个地图道路片段。而对应同一轨迹片段的地图道路1的地图道路片段、地图道路2的地图道路片段和地图道路3的地图道路片段即为该轨迹片段对应的3个地图道路片段。
43.可选的，在步骤a1之后，还可以包括：从传感器语义数据中过滤掉噪声数据。其中，噪声数据包括前后无关联、长度小于预设长度的线状要素等。
44.s302、针对m个轨迹片段中每个轨迹片段，确定每个轨迹片段与n个地图道路片段之间的距离相匹配的第一概率矩阵，以及，确定行驶道路片段与n个地图道路片段之间的宽度相匹配的第二概率矩阵。
45.本实施例中，每个轨迹片段分别对应有第一概率矩阵和第二概率矩阵。其中，第一概率矩阵中包括该轨迹片段与该轨迹片段对应的n个地图道路片段中每个地图道路片段之间的距离相匹配的第一概率值。即第一概率矩阵中包括n个第一概率值，每个第一概率值表示基于该轨迹片段与n个地图道路片段中其中一个地图道路片段之间的距离确定的二者之间相匹配的程度；第一概率值与二者之间的距离的匹配程度负相关。第一概率矩阵可以理解为是1*n的矩阵。
46.第二概率矩阵中包括行驶道路片段与n个地图道路片段中每个地图道路片段之间的宽度相匹配的第二概率值，每个第二概率值表示基于每个轨迹片段对应的行驶道路片段与n个地图道路片段中其中一个地图道路片段之间的宽度确定的二者之间相匹配的程度；第二概率值与二者之间的宽度的匹配程度正相关。第二概率矩阵可以理解为是1*n的概率矩阵。
47.理论上来说，m个轨迹片段中每个轨迹片段应当分别对应有第一概率矩阵和第二概率矩阵，且m个轨迹片段对应m个第一概率矩阵和m个第二概率矩阵。而在一些特殊情况下，由于rb和lb不可用，无法计算道路宽度，则该轨迹片段不参与计算，因而，此处的m个轨迹片段是从根据预设的切分规则切分的多个轨迹片段中剔除无法参与计算的轨迹片段之后的轨迹片段。
48.s303、根据m个轨迹片段的第一概率矩阵和第二概率矩阵，以及基于时序的路网匹配算法，输出车辆行驶道路为主路或辅路的识别结果。
49.可选的，根据第一概率矩阵、第二概率矩阵和基于时序的路网匹配算法，输出车辆行驶道路为主路或辅路的识别结果，包括：针对m个轨迹片段中每个轨迹片段，根据每个轨迹片段的第一概率矩阵和第二概率矩阵，确定每个轨迹片段的目标概率矩阵；基于隐马尔可夫模型的路网匹配算法，从m个轨迹片段的目标概率矩阵中搜索概率值最大的一条路径，并将搜索的路径对应的地图道路片段组合作为车辆当前行驶道路的匹配结果，以及根据地图数据确定车辆当前行驶道路的匹配结果为主路或辅路。其中，目标概率矩阵中每个位置处的目标概率值为第一概率矩阵中对应位置处的第一概率值与第二概率矩阵中对应位置处的第二概率值之和。举例来说，目标概率矩阵中第1行第1列对应的目标概率值为第一概率矩阵中第1行第1列位置处的第一概率值与第二概率矩阵中第1行第1列位置处的第二概率值之和；而目标概率矩阵中第1行第2列对应的目标概率值为第一概率矩阵中第1行第2列位置处的第一概率值与第二概率矩阵中第1行第2列位置处的第二概率值之和，以此类推，可以得到目标概率矩阵。
50.本实施例通过获取车辆的行驶轨迹对应的m个轨迹片段，每个轨迹片段对应的行驶道路片段和地图片段；地图片段包括n个地图道路片段；m为大于或等于2的整数，n为大于或等于1的整数；针对m个轨迹片段中每个轨迹片段，确定每个轨迹片段与n个地图道路片段之间的距离相匹配的第一概率矩阵，以及，确定行驶道路片段与n个地图道路片段之间的宽度相匹配的第二概率矩阵；根据至少一个轨迹片段的第一概率矩阵和第二概率矩阵，以及基于时序的路网匹配算法，输出车辆行驶道路为主路或辅路的识别结果。由于在车辆行驶
道路的识别过程中增加了道路宽度这一属性特征，而道路宽度能够很好地区分主路和辅路，因此，根据车辆行驶轨迹与地图中道路之间的距离和车辆当前行驶道路与地图中道路之间的宽度进行路网匹配，能够准确地识别出车辆是位于主路还是辅路上，提高路网匹配的准确度。
51.在本技术的一个或多个实施例中，可选的，步骤s302中确定行驶道路片段与n个地图道路片段之间的宽度相匹配的第二概率矩阵，包括：
52.步骤b1、针对m个轨迹片段中每个轨迹片段，根据每个轨迹片段对应的当前行驶道路的道路边缘线或车道边缘线计算每个轨迹片段对应的行驶道路片段的宽度。
53.在道路场景中，道路边缘线通常位于道路两侧，其贴近道路边缘，与道路边缘之间的间隙很小，因此，可以通过道路边缘线之间的距离来确定每个轨迹片段对应的行驶道路片段的宽度。而针对由于道路边缘线缺失或者不连续，导致无法通过道路边缘线来计算行驶道路片段的宽度时，由于道路中还包括车道边缘线，而两条相邻的车道边缘线构成单车道，多个单车道构成一条道路，则根据多个单车道的宽度也可以得到行驶道路片段的宽度。因此，还可以采用车道边缘线计算行驶道路片段的宽度。
54.当然，道路边缘线所反映出的行驶道路片段的准确度相较于车道边缘线而言更高，因此，本实施例还可以分别对传感器语义数据中的道路边缘线和车道边缘线设置优先级，且道路边缘线的优先级大于车道边缘线，并在进行行驶道路宽度计算时，优先使用道路边缘线计算行驶道路片段的宽度，若无法使用道路边缘线计算行驶道路片段的宽度时，使用车道边缘线计算行驶道路片段的宽度。
55.步骤b2、针对n个地图道路片段中每个地图道路片段，根据每个地图道路片段对应的道路边缘线或车道边缘线计算每个地图道路片段的宽度。
56.地图数据中的地图道路通常具有道路宽度的属性，因此，可以直接从地图数据中获取地图道路的宽度，而当地图数据中不包括地图道路的道路宽度时，可以采用行驶道路片段的宽度的计算方式来计算地图道路宽度。采用行驶道路片段的宽度的计算方式来计算地图道路宽度时，具体包括：link中包括实际存在的rb和lb，因此，可以直接使用rb或lb进行地图道路片段的宽度计算。其与根据rb或lb计算行驶道路片段的宽度的具体实施方式类似，具体可以参见根据rb或lb计算行驶道路片段的宽度的具体实施方式的介绍，此处不再赘述。同样地，本实施例还可以分别对地图数据中的道路边缘线和车道边缘线设置优先级，且道路边缘线的优先级大于车道边缘线，并在进行地图道路宽度计算时，优先使用rb进行宽度计算，针对不包含rb的link，由于该类型link中的lb信息也是完整的，因此可以使用lb计算地图道路片段的实际道路宽度。
57.步骤b3、根据每个轨迹片段对应的行驶道路片段的宽度，和每个地图道路片段的宽度，确定每个轨迹片段对应的行驶道路片段与n个地图道路片段中每个地图道路片段之间的宽度相匹配的概率值。
58.进一步的，根据每个轨迹片段对应的行驶道路片段与n个地图道路片段之间的宽度相匹配的n个概率值，得到第二概率矩阵。
59.可选的，步骤b3具体包括：
60.步骤b31、确定每个轨迹片段对应的行驶道路片段的宽度与n个地图道路片段的宽度之间的宽度差。
61.步骤b32、根据每个轨迹片段对应的行驶道路片段的宽度与n个地图道路片段的宽度之间的宽度差，得到每个轨迹片段对应的行驶道路片段与n个地图道路片段中每个地图道路片段之间的宽度相匹配的概率值。
62.其中，步骤b32可以包括如下两种可选的实施方式：
63.在一种可选的实施方式中，若根据每个轨迹片段对应的道路边缘线计算得到每个轨迹片段对应的行驶道路片段的宽度，则根据每个轨迹片段对应的行驶道路片段的宽度与n个地图道路片段的宽度之间的宽度差和高斯函数，计算每个轨迹片段对应的行驶道路片段与n个地图道路片段中每个地图道路片段之间的宽度相匹配的高斯概率分布值。
64.以rb计算行驶道路片段的宽度时，该值是精确值，可以直接用以表示行驶道路片段的真实宽度。则本实施例是以该值与link表示的实际道路片段的宽度之间的差值作为变量，计算行驶道路片段与每条link片段(地图道路片段)的匹配概率值，概率越高则表示该link片段的匹配可能性越高。其中，假设行驶道路片段与link片段的差值的概率分布遵循高斯分布，以普通车道宽度在3-3.5米为基准，考虑不同道路所包含车道数的不同，建立高斯函数公式如下：
[0065][0066]
式(1)中，x为行驶道路片段与link片段的差值；μ表示误差均值，本实施例中可以设μ＝0；δ表示误差标准差，宽度属性属于相对误差属性，本实施例中可以设δ＝5，表示误差标准差为5米；xr表示当前轨迹片段对应的传感器语义数据中测得的行驶道路片段的宽度；xm表示当前轨迹片段对应的地图道路片段的宽度。
[0067]
当m取值为1和2时，则可根据公式(1)计算得到当前轨迹片段对应的行驶道路片段分别与地图道路片段1和地图道路片段2之间的宽度相匹配的概率，当用pm表示二者相匹配的概率时，可以得到如下公式(2)和公式(3)：
[0068][0069]
式(2)中，μ表示误差均值，本实施例中可以设μ＝0；δ表示误差标准差，宽度属性属于相对误差属性，本实施例中可以设δ＝5，表示误差标准差为5米；xr表示当前轨迹片段对应的传感器语义数据中测得的行驶道路片段的宽度；x
m1
表示当前轨迹片段对应的地图道路片段1的宽度。
[0070][0071]
式(3)中，μ表示误差均值，本实施例中可以设μ＝0；δ表示误差标准差，宽度属性属于相对误差属性，本实施例中可以设δ＝5，表示误差标准差为5米；xr表示当前轨迹片段对应的传感器语义数据中测得的行驶道路片段的宽度；x
m2
表示当前轨迹片段对应的地图道路片段2的宽度。
[0072]
图5为本技术实施例提供的每个轨迹片段对应的行驶道路片段与两个地图道路片段之间的宽度相匹配的概率分布的示例图。从图5中可以看出，当前轨迹片段对应的行驶道路片段与地图道路片段之间的宽度服从高斯分布，当前轨迹片段对应的行驶道路片段与地图道路片段之间的宽度越小，则二者相匹配的概率越大，即当前轨迹片段位于地图道路片
段的概率越大；反之，当前轨迹片段对应的行驶道路片段与地图道路片段之间的宽度越大，则二者相匹配的概率越小，即当前轨迹片段位于地图道路片段的概率越小。
[0073]
在另一种可选的实施方式中，若根据每个轨迹片段对应的车道边缘线计算得到每个轨迹片段对应的行驶道路片段的宽度，则根据每个轨迹片段对应的行驶道路片段的宽度与n个地图道路片段的宽度之间的宽度差，设置每个轨迹片段对应的行驶道路片段与n个地图道路片段中每个地图道路片段之间的宽度相匹配的概率值。
[0074]
其中，另一种可选的实施方式中，根据每个轨迹片段对应的行驶道路片段的宽度与n个地图道路片段的宽度之间的宽度差，设置每个轨迹片段对应的行驶道路片段与n个地图道路片段中每个地图道路片段之间的宽度相匹配的概率值，具体包括：
[0075]
若每个轨迹片段对应的行驶道路片段的宽度与每个地图道路片段的宽度之间的宽度差值小于第一预设宽度，则将每个行驶道路片段与n个地图道路片段中每个地图道路片段之间的宽度相匹配的概率值设置为第三概率值。
[0076]
若每个轨迹片段对应的行驶道路片段的宽度与每个地图道路片段的宽度之间的宽度差值大于或等于第一预设宽度且小于第二预设宽度，则将每个行驶道路片段与n个地图道路片段中每个地图道路片段之间的宽度相匹配的概率值设置为第四概率值。
[0077]
若每个轨迹片段对应的行驶道路片段的宽度与每个地图道路片段的宽度之间的宽度差值大于或等于第二预设宽度，则将每个行驶道路片段与n个地图道路片段中每个地图道路片段之间的宽度相匹配的概率值设置为第五概率值；其中，第三概率值、第四概率值和第五概率值依次降低。
[0078]
可选的，根据lb计算行驶道路片段的宽度时，由于该宽度是估计值，需要进一步判定计算得到的行驶道路片段的宽度是否符合要求。由于传感器语义数据中的lb可能存在缺失，因此行驶道路片段的宽度会小于实际道路宽度，而地图数据中的道路宽度通常为实际宽度，因此，可以通过比较行驶道路片段的宽度与地图道路片段的宽度来确定是否采用该行驶道路片段的宽度。当行驶道路片段的宽度大于地图道路片段的宽度时，表示该行驶道路片段与该地图道路片段不匹配，不是路网匹配结果的候选项，可以不对其设置概率值。
[0079]
而当行驶道路片段的宽度小于或等于地图道路片段的宽度时，表示车辆的行驶路线与该地图道路片段可能匹配，属于路网匹配结果的候选项。具体可以根据上述另一种可选的实施方式所介绍的概率设置规则对其设置概率值。下面通过一个示例对概率值的设置进行解释：
[0080]
表1概率设置规则
[0081]
[0082]
表1中第一列表示每个轨迹片段内行驶道路片段与n个地图道路片段中每个地图道路片段之间的宽度差。应理解，此处设置的第三概率值、第四概率值和第五概率值都将作为第一概率矩阵中的第一概率值。
[0083]
在本技术的一个或多个实施例中，可选的，步骤b1具体包括如下步骤：
[0084]
步骤b11、确定每个轨迹片段对应的道路边缘线是否满足第一预设条件，第一预设条件是根据每个轨迹片段对应的道路边缘线的总数量以及每个道路侧的道路边缘线的数量确定的条件。
[0085]
步骤b12、若每个轨迹片段对应的道路边缘线满足第一预设条件，则根据每个轨迹片段对应的道路边缘线确定每个轨迹片段对应的行驶道路片段的宽度。
[0086]
步骤b13、若每个轨迹片段对应的道路边缘线不满足第一预设条件，则确定每个轨迹片段对应的车道边缘线是否满足第二预设条件，第二预设条件是根据每个轨迹片段对应的车道边缘线的总数量确定的条件。
[0087]
步骤b14、若每个轨迹片段对应的车道边缘线满足第二预设条件，则根据每个轨迹片段对应的车道边缘线确定每个轨迹片段的行驶道路片段的宽度。
[0088]
下面结合示例对步骤b1的具体实现过程进行解释说明：
[0089]
图6为本技术实施例提供的车辆行驶道路识别方法的流程图。如图6所示，在步骤s302之前，针对m个轨迹片段中每个轨迹片段，需要确定行驶道路片段的宽度，以及n个地图道路片段中每个地图道路片段的宽度。其中，确定每个轨迹片段对应的行驶道路片段的宽度，包括如下步骤：
[0090]
s601、针对m个轨迹片段中每个轨迹片段，从传感器语义数据的道路边缘线中提取每个轨迹片段对应的道路边缘线。
[0091]
本步骤中提取的条件为每个轨迹片段对应的每条道路边缘线连续，即中间不断开。
[0092]
s602、确定每个轨迹片段对应的道路边缘线的数量是否大于第一预设数量。
[0093]
可选的，第一预设数量可以是1。
[0094]
s603、若每个轨迹片段对应的道路边缘线的数量大于第一预设数量，则确定每个轨迹片段对应的道路每侧的道路边缘线的数量是否分别等于第二预设数量。
[0095]
可选的，第二预设数量可以是1。
[0096]
s604、若每个轨迹片段对应的道路每侧的道路边缘线的数量分别等于第二预设数量，则根据道路两侧的道路边缘线之间的距离，确定每个轨迹片段对应的行驶道路片段的宽度。
[0097]
其中，两条道路边缘线即构成行驶道路片段。可选的，可以基于每个轨迹片段中的轨迹点，计算过每个轨迹点的两条道路边缘线之间的距离，得到多个距离，并取多个距离的平均值，作为该轨迹片段对应的行驶道路片段的宽度。
[0098]
s605、若每个轨迹片段对应的至少任意一侧道路边缘线的数量大于第二预设数量，则在任意一侧的道路边缘线中提取距离道路最近的道路边缘线，并根据距离道路最近的道路边缘线计算道路两侧的道路边缘线之间的距离，得到每个轨迹片段对应的行驶道路片段的宽度。
[0099]
可选的，在提取出每个轨迹片段中的道路边缘线之后，需要对道路边缘线的有效
性进行验证。rb表示道路两侧的边缘线，因此在每个轨迹片段中可以根据rb计算上报道路宽度。理想的情况是上报的传感器语义数据中包含两条rb，同时这两条rb应位于path两侧，其之间的宽度与实际道路宽度比较贴合。但是在实际上报中，由于观测视野等原因，可能会包含其他道路的rb，因此需要对这种情况进行判断，进行有效性判断和过滤后，选择有效的rb作为车辆当前行驶道路的边界，并通过行驶道路片段中多个轨迹点之间的距离计算得到平均距离，以此作为实际的行驶道路片段宽度的近似表达。
[0100]
以上计算是在rb有效的情况下进行计算的。而在一些场景中，会经常出现rb不连续或者不包含rb的情况。针对该种情况，rb则无法作为参考特征，用于计算道路宽度，此时可以引入lb作为参考特征用于计算道路宽度。则在s602之后，本实施例的方法还可以包括如下步骤：
[0101]
s606、若每个轨迹片段对应的道路边缘线的数量小于或等于第一预设数量，则确定每个轨迹片段对应的车道边缘线的数量是否大于第三预设数量；
[0102]
s607、若每个轨迹片段对应的车道边缘线的数量大于第三预设数量，则根据大于第三预设数量的车道边缘线中距离最大的两条车道边缘线之间的距离，得到每个轨迹片段对应的行驶道路片段的宽度。
[0103]
本实施例可以总结为：确定每个轨迹片段对应的道路边缘线的数量是否满足预设条件，预设条件根据每个轨迹片段对应的道路边缘线的总数量以及每个道路侧的道路边缘线的数量确定；若满足，则根据每个轨迹片段对应的道路边缘线确定每个轨迹片段对应的行驶道路片段的宽度；若不满足，则根据每个轨迹片段对应的车道边缘线确定每个轨迹片段的行驶道路片段的宽度。
[0104]
在s606和s607所示的实施例中，lb表示的是车道信息，两条相邻的lb构成单车道，因此通过lb能够计算出车道宽度信息。但是lb计算宽度信息也有缺点，一是传感器语义数据中可能包含了对向车道的lb，对于这种可能性，路网匹配算法可以根据道路特征进行判断，例如相邻的两条实线lb，外侧很有可能属于对向道路，即需要从有效数据中剔除；二是lb由于表达的是车道信息，并且可能数据不够完全，无法通过其来计算整条道路的宽度信息，因此只能够通过lb计算出该轨迹片段中的最少车道数，进而通过车道数来计算能够识别出的道路宽度，作为道路宽度下限值。实现方法为：当rb无法作为参考特征计算行驶道路片段的宽度时，计算出该轨迹片段中path对应的lb，并对lb进行有效性判断，当lb数量小于2时，则不将车道宽度作为主辅路判定条件。当lb数量大于或等于2时，计算出相距最远的lb之间的距离，作为该轨迹片段对应的行驶道路片段的宽度。
[0105]
其中，步骤b2的具体实现方式可以参考步骤b1的具体实现方式的介绍，此处不再赘述。
[0106]
在根据上述实施例计算出每个轨迹片段对应的行驶道路片段与n个地图道路片段之间的宽度相匹配的概率值，和每个轨迹片段对应的行驶道路片段与n个地图道路片段之间的距离相匹配的概率值之后，需要将两种概率值融入路网匹配算法中，即在路网匹配算法中加入上述两种概率值，以提升潜在的正确道路的匹配概率。本实施例的路网匹配算法是基于隐马尔可夫模型来构建的，因此，上述所得到的两种概率值主要应用在隐马尔可夫模型的观测概率提升步骤中。具体的，根据m个轨迹片段的第一概率矩阵和第二概率矩阵，以及基于隐马尔可夫模型的路网匹配算法，输出车辆行驶道路为主路或辅路的识别结果，
可以包括：确定相邻的每两个轨迹片段的状态间转移概率矩阵；根据m个轨迹片段中每个轨迹片段的第一概率矩阵和第二概率矩阵，确定每个轨迹片段的目标概率矩阵；目标概率矩阵是根据第一概率矩阵和第二概率矩阵中相同位置处的概率值之和得到的；根据状态间转移概率矩阵和每个轨迹片段的目标概率矩阵，以及上一轮次对应的匹配概率矩阵，得到每一状态轮次对应的匹配概率矩阵，该匹配概率矩阵中包括轨迹片段与每个地图道路片段相匹配的概率值；根据m个轨迹片段中每个轨迹片段的匹配概率矩阵中的最大概率值对应的地图道路片段的组合对应的道路属性，输出车辆行驶道路为主路或辅路的识别结果，道路属性包括主路或辅路。
[0107]
基于隐马尔可夫模型的路网匹配算法可总结如下：由于移动设备获取到的道路感知数据中，包含较为丰富的道路语义信息，如gps定位数据和地物要素数据。因此，可以将移动设备的行驶轨迹进行分桶，得到一组具有时序关系的状态轮次；其次，在每一状态轮次内，gps定位数据可获取到定位点周围的路网数据，构建出带距离关系的候选结果集；再通过每一状态轮次下的地物要素，计算出当前感知到的道路行驶宽度，并且与地图中的道路宽度做一致性匹配，即能够判断出当前状态轮次下处于候选道路的概率；最终，通过状态轮次在时序上的递进和叠加计算，将最优结果推选出来，达到识别主辅路的目的。
[0108]
下面对路网匹配算法的大致过程进行介绍，路网匹配算法具体包括如下步骤：
[0109]
步骤a、时序状态切分。
[0110]
具体是根据预设的切分规则，将车辆的行驶轨迹进行切分，得到一系列在时间上串行有序的轨迹片段。
[0111]
可选的，可以将每个时序状态转换为隐马尔可夫模型的时间属性。其中，由于每个时序状态反映的也是车辆在时序上的轨迹特点，因此，当时序状态越靠后，则对应的时刻也越晚。假设车辆的行驶轨迹切分为轨迹片段1、2、
…
、n，其对应的时序状态分别为：时序状态1、2、
…
、n，对应到隐马尔可夫模型中，分别为时刻1、时刻2
…
、时刻t，这些时刻1、时刻2
…
、时刻t即为隐马尔可夫模型的状态轮次，其中，t的取值与n的取值相等。每个状态轮次中包括所需要的传感器语义数据和地图片段。
[0112]
可选的，本实施例需要根据车辆的行驶轨迹在地图数据中进行路网匹配，得到相匹配的候选道路；若候选道路的数量为1，则不对主辅路属性进行区分，若候选道路的数量为2，则需要采用本实施例的车辆行驶道路识别方法的步骤进行主辅路识别。
[0113]
在步骤b之前，还需要计算每个状态轮次对应的行驶道路片段的宽度和地图片段内的地图道路片段的宽度。具体的宽度的计算方式可以参见前述实施例的介绍。
[0114]
步骤b、生成每个状态轮次内初始观测向量和状态内观测概率矩阵。
[0115]
在初始的状态轮次中，可以将得到的相关link作为初始观测向量，值为与本状态轮次内path之间的相对距离。
[0116]
在每一个状态轮次内，通过计算path与该状态轮次内的轨迹片段周边一定范围内所有link之间的关系，该关系通过概率的形式表达，概率越高则代表轨迹与link匹配的可能性越高。该概率包括根据测得的距离计算得到的第一概率值，和根据宽度计算得到的第二概率值，第二概率值也称为附加概率值，将附加概率与距离概率融合，可以表示为如下公式(4)：
[0117][0118]
式(4)中，为状态轮次t内行驶道路片段与地图道路片段link的总观测概率；为第一概率值，即基于距离的观测概率；为第二概率值，即基于宽度的观测概率；t代表状态轮次的标识；l代表link的标识；lt代表某个link对应的状态轮次为t；t
l
代表状态轮次t内的标识为l的link。
[0119]
则根据每个状态轮次内行驶道路片段与n个地图道路片段之间的宽度相匹配的概率值，可以得到状态内观测概率矩阵。
[0120]
步骤c、生成状态间转移概率矩阵。
[0121]
在对轨迹进行有序切分后，将具备先后时间关系的状态轮次按序连接，根据link间的通联关系得到上一状态轮次转移至下一状态轮次的所有可能，并设置从上一状态轮次的link组转移到下一状态轮次的link组的概率转移矩阵，得到状态间转移概率矩阵。举例来说，若两条link片段之间不连通，则该两条link片段之间无法转移，对应的转移概率为0，若两条link片段之间连通，则根据实际业务对其设置转移概率，最终得到状态间转移概率矩阵。针对m个状态轮次，可以得到m-1个状态间转移概率矩阵。
[0122]
步骤d、将步骤b、步骤c得到的状态内初始观测向量、状态内观测概率矩阵和状态间转移概率矩阵分别转换为隐马尔可夫模型中的初始概率矩阵、观测概率矩阵和状态转移概率矩阵，并根据如下公式(5)计算得到每一状态轮次内轨迹片段与link相匹配的概率值：
[0123][0124]
式(5)中，t表示隐马尔可夫模型的状态轮次的编号；r表示行驶道路片段；l表示地图道路片段；表示状态轮次t 1内行驶道路片段与link标识为l的地图道路片段之间的相匹配的概率值；表示状态轮次t对应的状态转移概率矩阵，即状态轮次t内行驶道路片段r转移到状态轮次t 1内link标识为l的地图道路片段的概率；表示状态轮次t内行驶道路片段r与地图道路片段l之间的总观测概率，根据公式(4)可计算得到。
[0125]
根据公式(5)可以计算得到每个状态轮次对应的行驶道路片段与地图道路片段相匹配的概率。
[0126]
其中，关于将状态内初始观测向量、状态内概率矩阵和状态间概率矩阵转换为隐马尔可夫模型中的初始概率矩阵、观测概率矩阵和状态转移概率矩阵可参见隐马尔可夫模型的相关技术的介绍，此处不再详细介绍。
[0127]
在隐马尔可夫模型中，由于t时刻的状态轮次内的局部概率已包括之前的所有路径，因此，在计算t 1时刻的状态轮次内的匹配概率值时，只需要根据t时刻的状态轮次内的匹配概率值来计算即可。
[0128]
其中，步骤a至步骤d可以理解为每个状态轮次分别对应一个观测概率矩阵和一个状态转移概率矩阵，根据上一状态轮次的观测概率矩阵和状态转移概率矩阵的乘积，以及与上一状态轮次，能够得到当前状态轮次中行驶道路片段与每个地图道路片段相匹配的概率值。如此，便可以得到每个状态轮次中行驶道路片段与每个地图道路片段相匹配的概率
值。
[0129]
步骤e、采用维特比算法进行遍历，得到一组最优的地图道路片段的组合即为最终结果。
[0130]
具体的，是根据如下公式(6)遍历，得到一组最优的地图道路片段的组合即为最终结果：
[0131][0132]
式(6)中，t为状态轮次，i为状态轮次t内的道路片段的编号；j为上一状态轮次t-1内的道路片段的编号；m为上一状态轮次t-1内的道路片段总数。
[0133]
该公式(6)的含义是表示在状态轮次t，由上一状态轮次t-1中的道路1、2、
……
m转移到状态轮次t中道路i的概率中取最大值，作为当前状态轮次中道路i的最优匹配结果。
[0134]
在每一状态轮次内计算出匹配概率后，择优计算出最大概率值这里按照概率大小选择概率最大值即可。
[0135]
下面结合示例对本技术实施例的实现过程进行介绍，该示例包括如下步骤：
[0136]
步骤1、获取sensor数据(传感器语义数据)和地图数据。
[0137]
其中，传感器语义数据和地图数据的具体内容可以参见步骤s301的介绍。
[0138]
图7为本技术实施例提供的传感器语义数据和地图数据的示意图。如图7所示，sensor数据包括以虚线示出的车辆行驶轨迹，地图数据包括在车辆行驶轨迹附近匹配到的地图道路，例如，以实线示出的并列的主路和辅路。为了方便阅读和理解，图7中省略了标线和标牌等地物要素。
[0139]
步骤2、车辆行驶轨迹切分。
[0140]
图8为本技术实施例提供的车辆行驶轨迹切分的示例图。如图8所示，根据预设的切分规则对车辆行驶轨迹tr进行等距离切分，得到一系列在时间上串行有序的轨迹片段，记为tr＝《t0,t1,t2,t3,t4,t5》，每个轨迹片段可以认为是隐马尔可夫模型的一个时序状态，每个时序状态中包括所需要的传感器语义数据和地图片段，每个时序状态还可以认为是隐马尔可夫模型的一个状态轮次。
[0141]
同时，也需要将传感器语义数据中的rb、lb和地图数据中的link按照预设的切分规则进行切分，得到一组包括轨迹片段、rb片段、lb片段和地图片段的数据组合。
[0142]
步骤3、计算每个状态轮次内行驶道路片段与地图道路片段的宽度。
[0143]
其中，每个状态轮次对应的地图片段内的地图道路片段的宽度如下表2所示：
[0144]
表2每个状态轮次对应的地图片段内的地图道路片段的宽度
[0145][0146]
表2中第一行的每个变量的上标和下标分别表示地图道路片段的编号和状态轮次的编号。该表格中包括6个状态轮次，以第1列和第2列为例，其表示状态轮次0内的地图道路片段0的宽度为12，第2列表示状态轮次1内的地图道路片段1的道路边缘线之间的距离，其
他列类似。
[0147]
其中，每个状态轮次对应的行驶道路片段的宽度如下表3所示：
[0148]
表3每个状态轮次对应的行驶道路片段的宽度
[0149][0150]
表3中第一行的每个变量的上标和下标分别表示行驶道路片段的编号和状态轮次的编号。该表格中包括6个状态轮次，以第1列和第2列为例，其表示状态轮次0内的行驶道路片段0的宽度为12，第2列表示状态轮次1内的行驶道路片段1的道路边缘线之间的距离，其他列类似。
[0151]
进一步的，还需要计算每个状态轮次内主辅路概率，具体如下表4所示：
[0152]
表4每个状态轮次内主辅路概率
[0153][0154]
其中，表4为状态轮次内主辅路概率，是根据表2和表3中的每个状态轮次对应的行驶道路片段的宽度与地图道路片段的宽度计算得到的第二概率矩阵中的概率值。
[0155]
步骤4、计算每个状态轮次内行驶道路片段与地图道路片段相匹配的概率。
[0156]
其中，步骤4具体又可以包括如下子步骤：
[0157]
步骤41、计算每个状态轮次内地图道路片段与轨迹片段相匹配的概率值。
[0158]
图9为本技术实施例提供的根据车辆行驶轨迹构建的隐马尔可夫模型的示例图。如图9所示，车辆行驶轨迹被划分为6个状态轮次，得到6个轨迹片段。其中，每个小黑点代表一个地图道路片段。则根据每个状态轮次内行驶道路片段与地图道路片段之间的距离可以得到每个状态轮次内地图道路片段与轨迹片段之间的距离相匹配的概率值，具体如表5所示：
[0159]
表5每个状态轮次内地图道路片段与轨迹片段之间的距离相匹配的概率值
[0160][0161]
表5中第一行的每个变量的上标和下标分别表示地图道路片段的编号和状态轮次的编号。该表格中包括6个状态轮次，以第1列和第2列为例，其表示状态轮次0内的地图道路片段0为车辆的轨迹片段所在的行驶道路之间的距离相匹配的概率，第2列表示状态轮次1内的地图道路片段1为车辆的轨迹片段所在的行驶道路的概率，其他列类似。
[0162]
其中，表5为根据每个状态轮次内轨迹片段与候选的地图道路片段之间的距离计算得到的第一概率矩阵。其距离越大，概率值越小；反之，距离越小，概率值越大。
[0163]
步骤42、计算6个状态轮次的轮次间状态连接概率。
[0164]
根据表2至表5可以计算得到如下的轮次间状态连接概率：
[0165]
表6状态轮次0到状态轮次1的轮次间状态连接概率
[0166][0167]
表6中，t的上标和下标分别表示状态轮次的编号和地图道路片段的编号，从表6中可以看出从转移到的概率为0.5，其业务含义为车辆在状态轮次0内从地图道路片段0行驶至状态轮次1内的地图道路片段1的概率为0.5；从转移到的概率也为0.5，其业务含义车辆在状态轮次0内从地图道路片段0行驶至状态轮次1内的地图道路片段2的概率为0.5。
[0168]
表7状态轮次1到状态轮次2的轮次间状态连接概率
[0169][0170]
同样地，表7中t的上标和下标分别表示状态轮次的编号和地图道路片段的编号。从表7中可以看出从转移到的概率为0.88，其业务含义为车辆在状态轮次1内从地图道路片段1行驶至状态轮次2内的地图道路片段1的概率为0.88；从转移到的概率为0.12，其业务含义车辆在状态轮次1内从地图道路片段1行驶至状态轮次2内的地图道路片段2的概率为0.12；从转移到的概率为0.12，其业务含义车辆在状态轮次1内从地图道路片段2行驶至状态轮次2内的地图道路片段1的概率为0.1；从转移到的概率为0.9，其业务含义为车辆在状态轮次1内从地图道路片段2行驶至状态轮次2内的地图道路片段2的概率为0.9。
[0171]
由于状态轮次2内包括两条地图道路片段，车辆只可能行驶至地图道路片段1或地图道路片段2，因此，每一行的两个概率值相加之和为1。
[0172]
表8状态轮次2到状态轮次3的轮次间状态连接概率
[0173][0174]
同样地，表8中t的上标和下标分别表示状态轮次的编号和地图道路片段的编号。从表8中可以看出从转移到的概率为1，其业务含义为车辆在状态轮次2内从地图道路片段1行驶至状态轮次3内的地图道路片段1的概率为1；从转移到的概率为1，其业务含义为车辆在状态轮次2内从地图道路片段2行驶至状态轮次3内的地图道路片段1的概率为1。由于状态轮次3内仅包括1条地图道路片段，车辆在状态轮次3内必然只经过这1条地图道路片段，因此，无论是从还是转移到的概率均为1。
[0175]
表9状态轮次3到状态轮次4的轮次间状态连接概率
[0176][0177]
同样地，表9中t的上标和下标分别表示状态轮次的编号和地图道路片段的编号。从表9中可以看出从转移到的概率为1，其业务含义为车辆在状态轮次3内从地图道路片段1行驶至状态轮次4内的地图道路片段1的概率为1。由于状态轮次4内仅包括1条地图道路片段，车辆在状态轮次4内必然只经过这1条地图道路片段，因此，从转移到的概率为1。
[0178]
表10状态轮次4到状态轮次5的轮次间状态连接概率
[0179][0180]
同样地，表10中t的上标和下标分别表示状态轮次的编号和地图道路片段的编号。从表10中可以看出从转移到的概率为1，其业务含义为车辆在状态轮次4内从地图道路片段1行驶至状态轮次5内的地图道路片段1的概率为1。由于状态轮次5内仅包括1条地图道路片段，车辆在状态轮次5内必然只经过这1条地图道路片段，因此，从转移到的概率为1。
[0181]
步骤43、计算每个状态轮次内地图道路片段与轨迹片段相匹配的融合概率值。
[0182]
本步骤根据如下公式(7)计算融合概率值：
[0183][0184]
式(7)中，为时序状态t内行驶道路片段与地图道路片段link的总观测概率；代表表5中示出的每个状态轮次内地图道路片段与轨迹片段相匹配的概率值，即每个状态轮次内行驶道路片段与地图道路片段的距离相匹配的概率值；代表表4中示出的每个状态轮次内主辅路概率，即每个状态轮次内行驶道路片段与地图道路片段的宽度相匹配的概率值。
[0185]
其中，《1.41，0.49，0.99，0.67，1.08，0.8，0.72，0.95》中每一项是根据表4和表5中的概率值相加得到的融合概率值。可以表示为如下表格11：
[0186]
表11每个状态轮次内地图道路片段与轨迹片段相匹配的融合概率值
[0187]
[0188]
步骤5、根据路网匹配算法进行主辅路识别并输出最优道路组合。
[0189]
本步骤是将前面每一状态轮次得到的候选结果集进行串联和过滤，得分最高的作为最优的道路匹配序列。优选过程是倒序输出，首先在全局获取得分最高的匹配道路，标定轮次后逆序寻找跳转连接道路，最终得到一条最优道路组合。具体计算过程如下：
[0190]
将上述6个轮次分别记为c0、c1、c2、c3、c4和c5。
[0191]
状态轮次c0-c1：
[0192][0193][0194]
状态轮次c1-c2：
[0195][0196][0197]
状态轮次c2-c3：
[0198][0199]
状态轮次c3-c4：
[0200][0201]
状态轮次c4-c5：
[0202][0203]
根据以上计算结果，可以得到每两个状态轮次间的概率矩阵，取每两个状态轮次间概率矩阵中的最大值序列《0.495，1.467，2.267，2.987，3.937》，并逆序查找《0.495，1.467，2.267，2.987，3.937》中每一项对应的地图道路片段，即可得到带主辅路属性的最佳序列如下：
[0204][0205]
其中，为起始的地图道路片段。
[0206]
本实施例的车辆行驶道路的识别方法实用性较强，能够根据实际数据及业务特点进行扩展和属性调整，如每一状态轮次步进的步长、基于path探索道路的范围、其他属性的横向扩展等，通过较多的灵活适配和引入，能够实现契合数据和业务的算法模型。
[0207]
本技术实施例具有如下有益效果：
[0208]
(1)解决了现有的路网匹配算法较为单薄，在较复杂路况下无法精准识别的问题，提高了道路识别准确率，加强了算法的可靠性与鲁棒性。
[0209]
(2)通过合理使用path、link、rb、lb等数据，解决了采集数据利用率不足的问题，提高了对数据的利用率，丰富了道路语义的表达。
[0210]
(3)解决了由于数据绝对位置不准确而造成的误差问题，优化了距离计算方式，以
点和线的多维计算代替原有的点和点的距离计算。
[0211]
(4)解决了由于输入数据类型的不同而带来的计算一致性问题，本技术实施例通过在道路识别过程中引入高斯分布计算与阈值限定进行归一化与概率化处理，消除数据原因带来的影响。
[0212]
在上述方法实施例的基础上，图10为本技术实施例提供的车辆行驶道路的识别装置的结构示意图。如图10所示，该装置包括：获取模块101、确定模块102和输出模块103；其中，获取模块101，用于获取车辆的行驶轨迹对应的m个轨迹片段，每个轨迹片段对应的行驶道路片段和地图片段；所述地图片段包括n个地图道路片段；所述m和所述n均为大于或等于1的整数；确定模块102，用于针对m个轨迹片段的至少一个轨迹片段中每个轨迹片段，确定每个轨迹片段与所述n个地图道路片段之间的距离相匹配的第一概率矩阵，以及，确定所述行驶道路片段与所述n个地图道路片段之间的宽度相匹配的第二概率矩阵；输出模块103，用于根据所述至少一个轨迹片段的第一概率矩阵和第二概率矩阵，以及基于时序的路网匹配算法，输出车辆行驶道路为主路或辅路的识别结果。
[0213]
在一些可选的实施例中，所述获取模块101获取车辆的行驶轨迹对应的m个轨迹片段，每个轨迹片段对应的行驶道路片段和地图片段，具体包括：获取所述车辆的传感器语义数据和地图数据；所述传感器语义数据包括车辆的行驶轨迹；所述地图数据包括n个地图道路；将所述行驶轨迹切分为m个轨迹片段，并确定每个轨迹片段对应的当前行驶道路中的行驶道路片段；根据所述地图数据和每个轨迹片段，从所述地图数据中提取每个轨迹片段对应的n个地图道路片段，得到每个轨迹片段对应的所述地图片段。
[0214]
在一些可选的实施例中，所述传感器语义数据还包括车辆当前行驶道路的道路边缘线和车道边缘线，所述地图数据还包括每个地图道路的道路边缘线和车道边缘线；其中，所述确定模块102确定所述行驶道路片段与所述n个地图道路片段之间的宽度相匹配的第二概率矩阵，具体包括：针对至少一个轨迹片段中每个轨迹片段，根据每个轨迹片段对应的当前行驶道路的所述道路边缘线或所述车道边缘线计算每个轨迹片段对应的行驶道路片段的宽度；针对n个地图道路片段中每个地图道路片段，根据每个地图道路片段对应的所述道路边缘线或所述车道边缘线计算每个地图道路片段的宽度；根据每个轨迹片段对应的所述行驶道路片段的宽度，和每个地图道路片段的宽度，确定每个轨迹片段对应的所述行驶道路片段与所述n个地图道路片段中每个地图道路片段之间的宽度相匹配的概率值。
[0215]
在一些可选的实施例中，所述确定模块102根据每个轨迹片段对应的行驶道路片段的宽度，和每个地图道路片段的宽度，确定每个轨迹片段对应的行驶道路片段与n个地图道路片段中每个地图道路片段之间的宽度相匹配的概率值，具体包括：确定每个轨迹片段对应的所述行驶道路片段的宽度与所述n个地图道路片段的宽度之间的宽度差；根据每个轨迹片段对应的所述行驶道路片段的宽度与所述n个地图道路片段的宽度之间的宽度差，得到每个轨迹片段对应的所述行驶道路片段与所述n个地图道路片段中每个地图道路片段之间的宽度相匹配的概率值。
[0216]
在一些可选的实施例中，所述确定模块102根据每个轨迹片段对应的行驶道路片段的宽度与n个地图道路片段的宽度之间的宽度差，得到每个轨迹片段对应的行驶道路片段与n个地图道路片段中每个地图道路片段之间的宽度相匹配的概率值，具体包括：若根据每个轨迹片段对应的所述道路边缘线计算得到每个轨迹片段对应的所述行驶道路片段的
宽度，则根据每个轨迹片段对应的所述行驶道路片段的宽度与所述n个地图道路片段的宽度之间的宽度差和高斯函数，计算每个轨迹片段对应的所述行驶道路片段与所述n个地图道路片段中每个地图道路片段之间的宽度相匹配的高斯概率分布值。
[0217]
在一些可选的实施例中，所述确定模块102根据每个轨迹片段对应的行驶道路片段的宽度与n个地图道路片段的宽度之间的宽度差，得到每个轨迹片段对应的行驶道路片段与n个地图道路片段中每个地图道路片段之间的宽度相匹配的概率值，具体包括：若根据每个轨迹片段对应的所述车道边缘线计算得到每个轨迹片段对应的所述行驶道路片段的宽度，则根据每个轨迹片段对应的所述行驶道路片段的宽度与所述n个地图道路片段的宽度之间的宽度差，设置每个轨迹片段对应的所述行驶道路片段与n个地图道路片段中每个地图道路片段之间的宽度相匹配的概率值。
[0218]
在一些可选的实施例中，所述确定模块102根据每个轨迹片段对应的行驶道路片段的宽度与n个地图道路片段的宽度之间的宽度差，设置每个轨迹片段对应的行驶道路片段与n个地图道路片段中每个地图道路片段之间的宽度相匹配的概率值，具体包括：若每个轨迹片段对应的所述行驶道路片段的宽度与每个地图道路片段的宽度之间的宽度差值小于第一预设宽度，则将每个行驶道路片段与所述n个地图道路片段中每个地图道路片段之间的宽度相匹配的概率值设置为第一概率值；若每个轨迹片段对应的行驶道路片段的宽度与每个地图道路片段的宽度之间的宽度差值大于或等于第一预设宽度且小于第二预设宽度，则将每个行驶道路片段与n个地图道路片段中每个地图道路片段之间的宽度相匹配的概率值设置为第二概率值；若每个轨迹片段对应的所述行驶道路片段的宽度与每个地图道路片段的宽度之间的宽度差值大于或等于第二预设宽度，则将每个行驶道路片段与所述n个地图道路片段中每个地图道路片段之间的宽度相匹配的概率值设置为第三概率值；其中，所述第一概率值、所述第二概率值和所述第三概率值依次降低。
[0219]
在一些可选的实施例中，所述确定模块102针对至少一个轨迹片段中每个轨迹片段，根据每个轨迹片段对应的当前行驶道路的道路边缘线或车道边缘线计算每个轨迹片段对应的行驶道路片段的宽度，具体包括：确定每个轨迹片段对应的所述道路边缘线是否满足第一预设条件，所述第一预设条件是根据每个轨迹片段对应的所述道路边缘线的总数量以及每个道路侧的所述道路边缘线的数量确定的条件；若每个轨迹片段对应的所述道路边缘线满足所述第一预设条件，则根据每个轨迹片段对应的所述道路边缘线确定每个轨迹片段对应的所述行驶道路片段的宽度；若每个轨迹片段对应的所述道路边缘线不满足所述第一预设条件，则确定每个轨迹片段对应的所述车道边缘线是否满足第二预设条件，所述第二预设条件是根据每个轨迹片段对应的所述车道边缘线的总数量确定的条件；若每个轨迹片段对应的所述车道边缘线满足所述第二预设条件，则根据每个轨迹片段对应的所述车道边缘线确定每个轨迹片段的所述行驶道路片段的宽度。
[0220]
在一些可选的实施例中，所述输出模块103根据所述至少一个轨迹片段的第一概率矩阵和第二概率矩阵，以及基于时序的路网匹配算法，输出车辆行驶道路为主路或辅路的识别结果，具体包括：确定相邻的两个轨迹片段之间的轮次状态连接概率矩阵；根据所述至少一个轨迹片段中每个轨迹片段的第一概率矩阵和第二概率矩阵，确定每个轨迹片段的目标概率矩阵；所述目标概率矩阵是根据所述第一概率矩阵和第二概率矩阵中相同位置处的概率之和得到的，且用于表示每个轨迹片段与n个地图道路片段相匹配的概率；根据所述
轮次状态连接概率矩阵和所述每个轨迹片段的目标概率矩阵，确定所述每个轨迹片段的轮次状态转移概率矩阵；根据所述至少一个轨迹片段中每个轨迹片段的轮次状态转移概率矩阵中的最大概率值对应的地图道路片段的组合，输出所述车辆行驶道路为主路或辅路的识别结果。
[0221]
本技术实施例提供的车辆行驶道路的识别装置，可用于执行上述实施例中车辆行驶道路的识别方法的技术方案，其实现原理和技术效果类似，在此不再赘述。
[0222]
需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
[0223]
图11为本技术实施例提供的电子设备的结构示意图。如图11所示，该电子设备可以包括：收发器111、处理器112、存储器113。
[0224]
处理器112执行存储器存储的计算机执行指令，使得处理器112执行上述实施例中的方案。处理器112可以是通用处理器，包括中央处理器cpu、网络处理器(network processor，np)等；还可以是数字信号处理器dsp、专用集成电路asic、现场可编程门阵列fpga或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
[0225]
存储器113通过系统总线与处理器112连接并完成相互间的通信，存储器113用于存储计算机程序指令。
[0226]
收发器111可以用于获取车辆的行驶轨迹对应的m个轨迹片段，每个轨迹片段对应的行驶道路片段和地图片段；地图片段包括n个地图道路片段；m和n均为大于或等于1的整数。
[0227]
系统总线可以是外设部件互连标准(peripheral component interconnect，pci)总线或扩展工业标准结构(extended industry standard architecture，eisa)总线等。系统总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。收发器用于实现数据库访问装置与其他计算机(例如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(random access memory，ram)，也可能还包括非易失性存储器(non-volatile memory)。
[0228]
本技术实施例提供的电子设备，可以是上述实施例的服务器。
[0229]
本技术实施例还提供一种运行指令的芯片，该芯片用于执行上述实施例中车辆行驶道路的识别方法的技术方案。
[0230]
本技术实施例还提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机指令，当该计算机指令在计算机上运行时，使得计算机执行上述实施例中车辆行驶道路的识别方法的技术方案。
[0231]
本技术实施例还提供一种计算机程序产品，该计算机程序产品包括计算机程序，其存储在计算机可读存储介质中，至少一个处理器可以从计算机可读存储介质读取计算机程序，至少一个处理器执行计算机程序时可实现上述实施例中车辆行驶道路的识别方法的
技术方案。
[0232]
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本技术的其它实施方案。本技术旨在涵盖本技术的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本技术的一般性原理并包括本技术未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本技术的真正范围和精神由下面的权利要求书指出。
[0233]
应当理解的是，本技术并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本技术的范围仅由所附的权利要求书来限制。