一种地图匹配方法、装置和设备与流程

1.本发明涉及车联网技术领域，特别涉及一种地图匹配方法、装置和设备。


背景技术：

2.基于车联网的车路协同系统是未来发展智能交通的重要应用，不仅可以提高交通的安全驾驶和通信效率，减少特殊路段或特殊时段的交通拥堵、交通事故，还可以赋能自动驾驶和智慧城市，让交通更加智慧安全。车联网环境下，不仅可以获取传统检测器所能采集到基本的信息外，还可以通过车路通信方式获取形式更新、种类更多、精度更高的车路相关信息。一直以来，传统车辆导航的定位精度一般较低，民用的车载全球定位系统(global positioning system，gps)定位器正常无干扰的情况下，误差通常在10米-20米以内，当车辆处于城市峡谷、地下车库、隧道等有干扰的环境下，车载gps定位器会出现更大的误差，因此，传统的gps导航是无法提供准确的地图匹配结果，从而无法提供更准确的通行建议。所以如何充分发挥车联万物(vehicle to everything，v2x)的技术优势，提供更准确的地图匹配结果，给驾驶员提供更准确的导航建议成为目前热点研究问题。
3.地图匹配(map matching)是指如何将记录的地理坐标匹配到现实世界的逻辑模型上，将车辆的有序gps位置关联到电子路网上，将gps坐标下的位置采样序列转换为路网坐标序列的过程。
4.v2x是车与外界进行信息交换的一种通信方式，包括车与车之间的直接通信(vehicle to vehicle，v2v)、车与行人的通信(vehicle to pedestrian，v2p)、车与道路基础设施通信(vehicle to infrastructure，v2i)和车通过移动网络与云端进行通信(vehicle to network，v2n)。v2x是未来智能交通系统的关键技术，通过v2x技术，可以有效获得实时路况信息、道路信息、行人信息等一系列交通信息，从而提高驾驶安全性，减少拥堵，提高通行效率。
5.现有的基于v2x技术的地图匹配方法往往考虑使用比较全面的信息，通常将整个车辆轨迹与道路网相匹配，考虑车辆位置点的前辈和后继者，当车辆位置更新频率低且有一定噪声干扰的情况下，地图匹配方法也会采用概率算法，概率算法通过考虑gps位置点的概率，对gps位置点的噪声作了明确的范围划分，并通过道路网考虑多种可能的路径以找到最佳的匹配路径，但是现有的基于v2x技术的地图匹配方法中，仍然具有车辆的位置误差大，地图匹配准确度低的问题。


技术实现要素：

6.本发明实施例提供一种地图匹配方法、装置和设备，用以解决现有的地图匹配方法中，车辆位置误差大，地图匹配准确度低的问题。
7.为了解决上述技术问题，本发明实施例提供如下技术方案：
8.本发明实施例提供一种地图匹配方法，包括：
9.利用预设的卡尔曼滤波模型对获取的车辆状态数据中的车辆位置数据进行滤波
处理，得到车辆的历史轨迹点位置数据；
10.根据所述历史轨迹点位置数据，生成车辆轨迹拟合曲线；
11.根据路侧单元rsu广播的地图信息，生成多条道路的道路拟合曲线以及每条道路中每个车道的车道拟合曲线；
12.根据所述车辆轨迹拟合曲线、所述多条道路的道路拟合曲线和所述每个车道的车道拟合曲线，得到所述车辆的地图匹配结果。
13.本发明实施例还提供一种地图匹配装置，包括：
14.第一处理模块，用于利用预设的卡尔曼滤波模型对获取的车辆状态数据中的车辆位置数据进行滤波处理，得到车辆的历史轨迹点位置数据；
15.第一曲线生成模块，用于根据所述历史轨迹点位置数据，生成车辆轨迹拟合曲线；
16.第二曲线生成模块，用于根据路侧单元rsu广播的地图信息，生成多条道路的道路拟合曲线以及每条道路中每个车道的车道拟合曲线；
17.第二处理模块，用于根据所述车辆轨迹拟合曲线、所述多条道路的道路拟合曲线和所述每个车道的车道拟合曲线，得到所述车辆的地图匹配结果。
18.本发明实施例还提供一种地图匹配设备，包括：处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现如上中任一项所述的地图匹配方法。
19.本发明实施例还提供一种可读存储介质，所述可读存储介质上存储有程序，所述程序被处理器执行时实现如上中任一项所述的地图匹配方法中的步骤。
20.本发明的有益效果是：
21.本发明方案，利用预设的卡尔曼滤波模型对获取的车辆状态数据中的车辆位置数据进行滤波处理，得到车辆的历史轨迹点位置数据，即通过卡尔曼滤波算法对车辆位置数据进行滤波处理，增加车辆位置数据的稳定性和可靠性，减少车辆位置误差，根据所述历史轨迹点位置数据，生成车辆轨迹拟合曲线，根据路侧单元rsu广播的地图信息，生成多条道路的道路拟合曲线以及每条道路中每个车道的车道拟合曲线，根据所述车辆轨迹拟合曲线、所述多条道路的道路拟合曲线和所述每个车道的车道拟合曲线，得到所述车辆的地图匹配结果，提高地图匹配的准确性。
附图说明
22.图1表示本发明实施例提供的地图匹配方法的流程图；
23.图2表示本发明实施例提供的车辆位置前后变化示意图；
24.图3表示本发明实施例提供的地图匹配装置的结构示意图；
25.图4表示本发明实施例提供的地图匹配设备的结构示意图。
具体实施方式
26.为使本发明的目的、技术方案和优点更加清楚，下面将结合附图及具体实施例对本发明进行详细描述。
27.本发明针对现有的地图匹配方法中，车辆位置误差大，地图匹配准确度低的问题，提供一种地图匹配方法、装置和设备。
28.如图1所示，本发明实施例提供一种地图匹配方法，包括：
29.步骤101：利用预设的卡尔曼滤波模型对获取的车辆状态数据中的车辆位置数据进行滤波处理，得到车辆的历史轨迹点位置数据。
30.本发明实施例提供一种地图匹配系统，包括位于车辆内部的车载单元(on board unit，obu)，位于道路一侧的路侧单元(road side unit，rsu)。其中，路侧单元rsu主要负责广播地图(map)道路信息，车载单元obu主要负责车辆状态信息(即车辆状态数据)的获取、数据处理以及地图匹配。
31.上述的map道路信息，由路侧单元rsu广播，向车辆传递局部区域的地图信息，局部区域的地图信息包括局部区域的路口信息node、道路路段信息link、车道信息lane，以及道路之间的连接关系等。
32.进一步地，车载单元obu至少包括定位模块、信息处理模块和地图匹配模块。
33.在本步骤中，车载单元obu的定位模块实时获取车辆状态信息，并向车载单元obu的信息处理模块提供车辆状态信息，信息处理模块利用预设的卡尔曼滤波模型对车辆状态信息中的车辆位置数据进行卡尔曼滤波处理，得到车辆历史轨迹点位置数据。
34.由于车载地图匹配导航精度较低，很难提供准确的业务应用，本发明实施例采用卡尔曼滤波算法对车辆位置数据进行卡尔曼滤波处理，增加车辆位置数据的准确性和可靠性。
35.步骤102：根据所述历史轨迹点位置数据，生成车辆轨迹拟合曲线。
36.在本步骤中，车载单元obu的信息处理模块根据步骤101中生成的历史轨迹点位置数据，利用最小二乘法，将历史轨迹点位置数据拟合成一条三次曲线，即车辆轨迹拟合曲线。
37.步骤103：根据路侧单元rsu广播的地图信息，生成多条道路的道路拟合曲线以及每条道路中每个车道的车道拟合曲线。
38.在本步骤中，车载单元obu的信息处理模块实时获取路侧单元rsu广播的map道路信息，obu对接收到的map道路信息进行处理，通过最小二乘法将map道路信息中的道路路段信息(link)拟合成道路拟合曲线，将每条link下包含的所有车道信息(lane)通过最小二乘法拟合生成车道拟合曲线，形成曲线集合。
39.需要说明的是，link为有方向的道路路段信息，lane为有方向的车道信息。
40.步骤104：根据所述车辆轨迹拟合曲线、所述多条道路的道路拟合曲线和所述每个车道的车道拟合曲线，得到所述车辆的地图匹配结果。
41.在本步骤中，车载单元obu的地图匹配模块将车辆拟合曲线与曲线集合中的每条道路的道路拟合曲线和每个车道的车道拟合曲线进行相似度对比，将相似度最高的道路拟合曲线和车辆拟合曲线作为该车辆的地图匹配结果。
42.本发明实施例，利用卡尔曼滤波算法对车辆位置数据进行卡尔曼滤波处理，增加车辆位置的稳定性和可靠性，结合v2x技术实时获取道路的高精度地图信息，将车辆位置准确定位到交通流中，增强导航应用，提高通行效率和驾驶安全。
43.可选地，所述利用预设的卡尔曼滤波模型对获取的车辆状态数据中的车辆位置数据进行滤波处理，得到车辆的历史轨迹点位置数据，包括：
44.根据所述预设的卡尔曼滤波模型和所述车辆状态数据，得到与所述车辆位置数据
对应的车辆最优估计位置数据；
45.根据所述车辆最优估计位置数据和所述车辆位置数据，得到所述车辆位置数据中的跳变点位置数据和非跳变点位置数据；
46.将所述非跳变点位置数据和所述跳变点位置数据对应的车辆最优估计位置数据作为所述车辆的历史轨迹点位置数据。
47.在信息处理模块利用预设的卡尔曼滤波模型对获取的车辆位置数据进行卡尔曼滤波处理时，首先利用预设的卡尔曼滤波模型预测车辆最优估计位置数据，之后，根据车辆最优估计位置数据判断实时观测值(即车辆位置数据)是否发生跳变，也就是根据车辆最优估计位置数据和车辆位置数据，得到车辆位置数据中的跳变点位置数据和非跳变点位置数据，如果是跳变点位置数据，则认为该实时观测的车辆位置数据不可靠可以舍弃(被过滤掉)，转而需要使用车辆最优估计位置数据作为车辆的历史轨迹点位置数据，如果是非跳变点位置数据，若认为该实时观测的车辆位置数据未发生跳变，则将非跳变点位置数据作为车辆的历史轨迹点位置数据，保存到历史轨迹上，并将该实时观测的车辆位置数据赋值给车辆最优估计位置数据，即将非跳变点位置数据和跳变点位置数据对应的车辆最优估计位置数据作为车辆历史轨迹点位置数据，即车辆历史轨迹点位置数据包括非跳变点位置数据和跳变点位置数据对应的车辆最优估计位置数据。
48.下面具体说明利用预设的卡尔曼滤波模型预测车辆最优估计位置数据的过程：
49.可选地，所述根据所述预设的卡尔曼滤波模型和所述车辆状态数据，得到与所述车辆位置数据对应的车辆最优估计位置数据，包括：
50.根据第一时刻的车辆状态数据和第二时刻的车辆状态数据，确定所述预设的卡尔曼滤波模型中所述第二时刻的状态转换矩阵、映射矩阵和所述第一时刻的状态观测矩阵；所述映射矩阵为所述预设的卡尔曼滤波模型中的控制输入矩阵将所述第二时刻的车辆状态数据映射到状态向量上的矩阵；
51.根据所述第二时刻的车辆最优状态数据、所述第二时刻的状态转换矩阵和所述第二时刻的映射矩阵，得到所述第一时刻的车辆预测状态数据；
52.根据所述第二时刻的协方差矩阵、所述第二时刻的状态转换矩阵和所述预设的卡尔曼滤波模型中预设的预测过程噪声向量，得到所述第一时刻的预测估计协方差矩阵；
53.根据所述第一时刻的车辆状态数据、所述第一时刻的车辆预测状态数据、所述第一时刻的状态观测矩阵和所述第一时刻的预测估计协方差矩阵，确定所述第一时刻的车辆最优状态数据，所述第一时刻的车辆最优状态数据包括所述第一时刻的车辆位置数据对应的所述第一时刻的车辆最优估计位置数据；
54.其中，所述第一时刻的车辆状态数据为除首个时刻的车辆状态数据之外的任一时刻的车辆状态数据；
55.所述第二时刻的车辆最优状态数据为所述第二时刻的车辆状态数据，或，所述第二时刻的车辆最优状态数据是根据所述第二时刻的车辆状态数据、所述第二时刻的车辆预测状态数据、所述第二时刻的状态观测矩阵和所述第二时刻的预测估计协方差矩阵确定的；
56.所述第二时刻为所述第一时刻之前一个时刻；
57.所述第一时刻的车辆位置数据为所述车辆位置数据中，除首个时刻的车辆位置数
据之外的任一时刻的车辆位置数据；
58.所述第二时刻的协方差矩阵为预先设定的协方差矩阵，或，所述第二时刻的协方差矩阵是根据第三时刻的协方差矩阵、所述第三时刻的状态转换矩阵和所述预设的卡尔曼滤波模型中预设的预测过程噪声向量得到的；
59.所述第三时刻为所述第二时刻之前的一个时刻。
60.信息处理模块获取车辆状态数据后，进入预设的卡尔曼滤波模型处理，即进入卡尔曼滤波器进行处理，卡尔曼滤波器分为两个阶段来完成当前位置预测和校验，即预测阶段和更新阶段，在预测阶段，根据第一时刻的车辆状态数据和第一时刻之前的一个时刻(第二时刻)的车辆状态数据，得到第二时刻的状态转换矩阵a、映射矩阵和观测矩阵h，预设的卡尔曼滤波模型中的控制输入矩阵b可以将运动测量值u
t
的作用映射到状态向量上，即映射矩阵，其中，第二时刻的运动状态数据包括运动测量值u
t
。利用第二时刻的状态转换矩阵a、映射矩阵b将第二时刻的车辆状态数据进一步向前预测，得到第一时刻的车辆预测状态数据。
61.在更新阶段，利用第二时刻的协方差矩阵p
t-1
、第二时刻的状态转换矩阵a和是预测过程噪声向量q，得到第一时刻的预测估计协方差矩阵p
′
t
，其中，在第二时刻为首个时刻的情况下，第二时刻的协方差矩阵p
′
t
为预先设定的协方差矩阵，或者，在第二时刻不为首个时刻的情况下，第二时刻的协方差矩阵是根据第三时刻的状态转换矩阵和预测过程噪声向量预测得到的。再根据第一时刻的车辆状态数据第一时刻的车辆预测状态数据、第一时刻的状态观测矩阵和第一时刻的预测估计协方差矩阵，得到第一时刻的车辆最优估计位置数据。
62.进一步地，所述车辆状态数据包括车辆速度、车辆航向角、车辆横摆角速度和所述车辆位置点的数据；
63.所述根据第一时刻的车辆状态数据和第二时刻的车辆状态数据，确定所述预设的卡尔曼滤波模型中所述第二时刻的状态转换矩阵、映射矩阵和第一时刻的状态观测矩阵，包括：
64.在所述第二时刻的车辆横摆角速度不等于0的情况下，根据所述第一时刻的车辆位置数据、所述第一时刻的车辆航向角、所述第二时刻的车辆位置数据、所述第二时刻的车辆航向角、所述第二时刻的车辆速度和所述第二时刻的车辆横摆角速度，得到所述预设的卡尔曼滤波模型中所述第二时刻的状态转换矩阵、映射矩阵和第一时刻的状态观测矩阵；
65.在所述第二时刻的车辆横摆角速度等于0的情况下，根据所述第一时刻的车辆位置数据、所述第一时刻的车辆航向角、所述第二时刻的车辆位置数据、所述第二时刻的车辆航向角和所述第二时刻的车辆速度，得到所述预设的卡尔曼滤波模型中所述第二时刻的状态转换矩阵、映射矩阵和第一时刻的状态观测矩阵。
66.本发明实施例中，获取的车辆状态数据包括(longitude(经度)、latitude(纬度)、speed(速度)、ψ(航向角)、w(横摆角速度))，其中，longitude(经度)，latitude(纬度)为车辆位置点的数据。
67.卡尔曼滤波处理中的相关参数如下：
68.车辆位置数据的经纬度longitude、latitude通过墨卡托投影坐标转换可以得到在墨卡托坐标系下的(x，y)坐标点，即x(墨卡托坐标系下的x轴坐标)，y(墨卡托坐标系下的
y轴坐标)，在此基础上建立模型如下：
69.请参阅图2，图2为车辆位置前后变化示意图，根据速度speed、航向角ψ、x位置、y位置、横摆角速度w可以得出上一时刻(第二时刻)t-1的车辆位置和下一时刻(第一时刻)t的车辆位置之间的关系：
70.当上一时刻(第二时刻)的车辆横摆角速度w
t-1
不等于0时：
71.x
t
＝x
t-1
(sin(ψ
t-1
w
t-1
*dt)-sin(ψ
t-1
))speed
t-1
/w
t-1
72.y
t
＝y
t-1
(cos(ψ
t-1
)-cos(ψ
t-1
w
t-1
*dt))speed
t-1
/w
t-1
73.其中，x
t
表示第一时刻的车辆经度位置在墨卡托坐标系下的x轴坐标，x
t-1
表示第二时刻的车辆经度位置在墨卡托坐标系下的x轴坐标，ψ
t-1
表示第二时刻的车辆的航向角，w
t-1
表示第二时刻的车辆的横摆角速度，speed
t-1
表示第二时刻的车辆的速度，y
t
表示第一时刻的车辆纬度位置在墨卡托坐标系下的y轴坐标，y
t-1
表示第二时刻的车辆纬度位置在墨卡托坐标系下的y轴坐标。
74.在此基础上，可以建立状态转换模型：
[0075][0076]
其中，ψ
t
表示第一时刻的车辆的航向角。
[0077]
因此，第二时刻的状态转换矩阵a为：
[0078][0079]
映射矩阵b*u
t
为：
[0080][0081]
第一时刻的状态观测矩阵h为：
[0082][0083]
在上一时刻(第二时刻)的车辆横摆角速度w
t-1
等于0时：
[0084]
x
t
＝x
t-1
speed
t-1
*dt*cos(ψ
t-1
)
[0085]yt
＝y
t-1
speed
t-1
*dt*sin(ψ
t-1
)
[0086]
其中，x
t
表示第一时刻的车辆经度位置在墨卡托坐标系下的x轴坐标，x
t-1
表示第二时刻的车辆经度位置在墨卡托坐标系下的x轴坐标，ψ
t-1
表示第二时刻的车辆的航向角，speed
t-1
表示第二时刻的车辆的速度，y
t
表示第一时刻的车辆纬度位置在墨卡托坐标系下的y轴坐标，y
t-1
表示第二时刻的车辆纬度位置在墨卡托坐标系下的y轴坐标。
[0087]
在此基础上，可以建立状态转换模型：
[0088][0089]
其中，ψ
t
表示第一时刻的车辆的航向角。
[0090]
因此，第二时刻的状态转换矩阵a为：
[0091][0092]
第二时刻的映射矩阵b*u
t
为：
[0093][0094]
第一时刻的状态观测矩阵h为：
[0095][0096]
需要说明的是，预测过程噪声向量q和观测噪声向量r需要进行标定，可在测试优化效果时进行确定。
[0097]
进一步地，所述根据所述第一时刻的车辆状态数据、所述第一时刻的车辆预测状态数据、所述第一时刻的状态观测矩阵和所述第一时刻的预测估计协方差矩阵，确定所述第一时刻的车辆最优状态数据，包括：
[0098]
根据所述第一时刻的车辆状态数据、所述第一时刻的车辆预测状态数据和所述第一时刻的状态观测矩阵，得到所述第一时刻的测量余量；
[0099]
根据所述第一时刻的预测估计协方差矩、所述第一时刻的状态观测矩阵和所述预设的卡尔曼滤波模型中预设的观测噪声向量，得到所述第一时刻的最优卡尔曼增量；
[0100]
根据所述第一时刻的车辆预测状态数据、所述第一时刻的测量余量和所述第一时刻的最优卡尔曼增量，得到所述第一时刻的车辆最优状态数据；所述第一时刻的车辆最优状态数据包括所述第一时刻的车辆最优估计位置数据。
[0101]
在确定第二时刻的状态转换矩阵、映射矩阵和第一时刻的状态观测矩阵之后，卡尔曼滤波处理如下：
[0102]
首先进行说明如下：
[0103]
表示在时刻(第一时刻)t的测量值(车辆状态数据)，即从定位模块获取的车辆位置和航向角，x
t
是t时刻车辆经度位置在墨卡托坐标系下的x轴坐标点，y
t
是t时刻车辆纬度位置在墨卡托坐标系下的y轴坐标点，speed
t
是t时刻的速度，ψ
t
是t时刻的航向角；
[0104]
表示在时刻(第一时刻)t的状态估计量(车辆预测状态数据)，为先验估计，即根据(t-1)时刻(第二时刻)以及之前的车辆历史轨迹点位置数据所做出的状态估计；
[0105]
表示在时刻(第一时刻)t的最优状态估计量(车辆最优估计位置数据)，为后验估计，即根据当前时刻t以及车辆历史轨迹点位置数据所做出的最优状态估计；
[0106]
p
t
表示在时刻(第一时刻)t的协方差矩阵。
[0107]
预测阶段，在该阶段，信息处理模块根据车辆上一时刻(第二时刻)的车辆位置点
数据对应的最优估计量(车辆最优估计位置数据)，计算出下一个时刻(第二时刻)的状态估计值(车辆最优估计位置数据)。
[0108]
首先计算出以下两个变量：
[0109]
计算第一时刻的测量余量(残余)公式如下：
[0110][0111]
其中，表示第一时刻的车辆状态数据，h表示第一时刻的状态观测矩阵，表示第一时刻的车辆预测状态数据。
[0112]
第一时刻的预测估计协方差矩阵p
′
t
的计算公式如下：
[0113]
p
′
t
＝ap
t-1at
q
[0114]
其中，p
t-1
表示第二时刻的协方差矩阵，a表示第二时刻的状态转换矩阵，q表预测过程噪声向量。
[0115]
计算第一时刻的最优卡尔曼增量k
t
，公式如下：
[0116]kt
＝p
′
tht
(hp
′
tht
r)-1
[0117]
其中，p
′
t
表示第一时刻的预测估计协方差矩，h表示第一时刻的状态观测矩阵，r表示预设的卡尔曼滤波模型中预设的观测噪声向量。
[0118]
预测阶段的上一时刻状态的进一步向前预测，公式如下：
[0119][0120]
其中，表示第一时刻的车辆预测状态数据，a表示第二时刻的状态转换矩阵，表示第二时刻的车辆最优状态数据，b*u
t-1
表示映射矩阵。更新阶段，在该阶段，信息处理模块根据测量值来更新最优卡尔曼增量，计算出后验估计。
[0121]
使用测量残余(第一时刻的测量余量)和第一时刻的最优卡尔曼增量来更新，即给出一个最优估计量。
[0122][0123]
其中，表示第一时刻的车辆最优状态数据，表示第一时刻的车辆预测状态数据，k
t
表示第一时刻的最优卡尔曼增量，表示第一时刻的测量余量。
[0124]
第一时刻的车辆最优状态数据中包括第一时刻的车辆经维度位置在墨卡托坐标系下的坐标。
[0125]
进一步地，所述根据所述第一时刻的车辆预测状态数据、所述第一时刻的测量余
量和所述第一时刻的最优卡尔曼增量，得到所述第一时刻的车辆最优状态数据之后，所述方法还包括：
[0126]
根据所述预设的卡尔曼滤波模型中预设的单元矩阵、所述第一时刻的最优卡尔曼增量、所述第一时刻的状态观测矩阵和所述第一时刻的预测估计协方差矩阵，得到所述第一时刻的协方差矩阵。
[0127]
在得到第一时刻的车辆最优状态数据之后，按照如下公式更新第一时刻的协方差矩阵：
[0128]
p
t
＝(i-k
t
h)p
′
t
[0129]
其中，p
t
表示第一时刻的协方差矩阵，i表示单元矩阵，k
t
表示第一时刻的最优卡尔曼增量，h表示第一时刻的状态观测矩阵，p
′
t
表示第一时刻的预测估计协方差矩阵。
[0130]
下面具体说明根据车辆最优估计位置数据和车辆位置数据，得到车辆位置数据中的跳变点位置数据和非跳变点位置数据的过程：
[0131]
可选地，所述根据所述车辆最优估计位置数据和所述车辆位置数据，得到所述车辆位置数据中的跳变点位置数据和非跳变点位置数据，包括：
[0132]
根据所述车辆最优估计位置数据和所述车辆位置数据，得到所述车辆最优估计位置与所述车辆位置数据之间的距离；
[0133]
在所述车辆最优估计位置与所述车辆位置数据之间的距离大于预设距离的情况下，确定所述车辆位置数据为所述跳变点位置数据；
[0134]
在所述车辆最优估计位置与所述车辆位置数据之间的距离小于或等于预设距离的情况下，确定所述车辆位置数据为所述跳变点位置数据。
[0135]
判断车辆位置数据是否发生跳变，计算位置观测值(车辆位置数据)与最优状态估计量(车辆最优估计位置数据)之间的距离差值deltadis(车辆最优估计位置与车辆位置数据之间的距离)，计算公式如下：
[0136][0137]
其中，(x
t
，y
t
)表示车辆位置数据的坐标，表示车辆最优估计位置数据的坐标。
[0138]
优选地，设定车辆最优估计位置与车辆位置数据之间的预设距离threshold为5米，该预设距离可根据定位系统进行标定，若deltadis》threshold则认为观测值(车辆位置数据)不可靠并舍弃，转而使用(车辆最优估计位置数据)，若deltadis≤threshold则认为观测值(车辆位置数据)可靠未发生跳变，将位置观测值(车辆位置数据)赋值给最优状态估计量(车辆最优估计位置数据)，即：
[0139][0140]
即在预测阶段和更新阶段完成后，将会得到下一时刻的车辆最优状态数据，因为该车辆最优状态数据，考虑到了测量的不确定性和白噪声等因素，所以在下一个迭代预测步骤中将使用该时刻的车辆最优状态数据。
[0141]
综上，信息处理模块依据车辆状态数据，对车辆状态数据中的车辆位置点数据进
行卡尔曼滤波处理，当车辆位置点数据发生跳变时，该位置点数据将会被过滤掉，转而使用卡尔曼滤波模型预测的位置点数据作为车辆的当前位置点数据，并作为车辆的历史轨迹点位置数据进行保存。
[0142]
可选地，所述根据所述历史轨迹点位置数据，生成车辆轨迹拟合曲线，包括：
[0143]
根据所述历史轨迹点位置数据，生成车辆轨迹初始拟合曲线和所述历史轨迹点位置数据的误差平方和；
[0144]
根据所述车辆轨迹初始拟合曲线和所述历史轨迹点位置数据的误差平方和，得到所述车辆轨迹拟合曲线。
[0145]
在信息处理模块得到车辆的历史轨迹点位置数据后，信息处理模块利用最小二乘法将历史轨迹点位置数据拟合成一条三次拟合曲线f
vehicle
，即车辆轨迹拟合曲线。
[0146]
具体地，通过卡尔曼滤波模型和车辆位置点数据可以得到车辆的历史轨迹点位置数据集合vechilepos
t
(x
t
，y
t
)(t＝1,2,3,4
…
n)，假设符合历史轨迹的最优三次拟合曲线(车辆轨迹初始拟合曲线)为：
[0147][0148]
其中，a、b、c、d分别为系数。
[0149]
针对车辆的历史轨迹点位置数据集合内的数据点的误差平方和为：
[0150][0151]
其中，s表示历史轨迹点位置数据集合内的数据点的误差平方和，f(x
t
)表示历史轨迹点位置数据集合内的数据点，y
t
表示历史轨迹点位置数据集合内的数据点的均值。
[0152]
最小二乘法认为，最优函数的各项系数应使得误差平方和s取得极小值。对于最优函数，其误差误差平方和s分别对系数a,b,c,d进行偏导可得到如下公式：
[0153][0154]
将历史轨迹点位置数据内的数据点带入上式，对上式进行求解，即可得到系数a,b,c,d，从而得出车辆最优历史轨迹三次拟合曲线(车辆轨迹拟合曲线)f
ve
hicle。
[0155]
可选地，所述地图信息包括多条道路的中心点坐标数据和每条道路中每个车道的中心点坐标数据；
[0156]
所述根据路侧单元rsu广播的地图信息，生成多条道路的道路拟合曲线以及每条道路中每个车道的车道拟合曲线，包括：
[0157]
根据多条道路中每条道路的中心点坐标数据，生成每条道路的道路初始拟合曲线和每条道路的中心点坐标数据的误差平方和；
[0158]
根据所述每条道路的道路初始拟合曲线和对应的所述每条道路的中心点坐标数据的误差平方和，得到多条道路的道路拟合曲线中的每条道路的道路拟合曲线；
[0159]
根据每条道路中每个车道的中心点坐标数据，生成每个车道的车道初始拟合曲线和每个车道的中心点坐标数据的误差平方和；
[0160]
根据所述每个车道的车道初始拟合曲线和对应的所述每个车道的中心点坐标数据的误差平方和，得到每个车道的车道拟合曲线。
[0161]
车载单元obu实时获取路侧单元rsu广播的地图(map)信息，map信息中包括多条道路的中心点坐标数据和每条道路中每个车道的中心点坐标数据，obu中的信息处理模块对接收到的map信息进行处理，得到每条道路的道路拟合曲线和每个车道的车道拟合曲线。
[0162]
在本发明实施例中，通过最小二乘法，将每条道路(link)中心点坐标数据拟合生成三次曲线集合：f
link
(linkidi)(i＝1,2,3,4
…
n)，该三次曲线集合包括每条道路的道路拟合曲线，i表示每条道路的编号，其中linkidi表示道路中不同方向的link的身份标识(identity document，id)。对每条link下包含的所有车道(lane)中心点坐标数据，通过最小二乘法拟合生成三次曲线集合f
lane
(linkidi,laneidj)(i＝1,2,3,4
…
n,j＝1,2,3,4
…
n)，该三次曲线集合包括每条道路中的每个车道的车道拟合曲线，i表示每条道路的编号，j表示每条车道的车道编号，linkidi表示道路中不同方向的link的id，laneidj表示属于道路linkidi中的某个车道lane的id。
[0163]
请参阅上述的生成车辆轨迹拟合曲线的过程，根据多条道路中每条道路的中心点坐标数据，生成每条道路的道路初始拟合曲线和每条道路的中心点坐标数据的误差平方和，将map信息中的link中心点坐标数据带入对应的偏导公式，即可分别得到每条link的道路拟合曲线集合f
link
(linkidi)(i＝1,2,3,4
…
n)，根据每条道路中每个车道的中心点坐标数据，生成每条车道的车道初始拟合曲线和每个车道的中心点坐标数据的误差平方和，将map信息中的道路中心点坐标数据带入对应的偏导公式，即可分别得到每条link中的每条lane的车道拟合曲线集合f
lane
(linkidi,laneidj)(i＝1,2,3,4
…
n,j＝1,2,3,4
…
n)，其中linkidi表示道路中不同方向的link的id，laneidj表示属于道路linkidi中的某个车道lane的id。
[0164]
可选地，所述根据所述车辆轨迹拟合曲线、所述多条道路的道路拟合曲线和所述每个车道的车道拟合曲线，得到所述车辆的地图匹配结果，包括：
[0165]
利用预设的弗朗明歇距离算法，得到所述车辆拟合曲线与所述每条道路的道路拟合曲线之间的第一相似度；
[0166]
选取所述第一相似度最大的道路拟合曲线对应的道路为目标道路；
[0167]
利用所述预设的弗朗明歇距离算法，得到所述车辆拟合曲线与所述目标道路中每条车道的车道拟合曲线之间的第二相似度；
[0168]
选取所述第二相似度最大的车道拟合曲线对应的车道为目标车道；
[0169]
将所述目标道路和所述目标车道作为所述车辆的地图匹配结果。
[0170]
本发明实施例中，obu的地图匹配模块通过弗朗明歇距离(frechet distance)算法，计算车辆轨迹拟合曲线f
vehicle
和道路曲线集合f
link
(包括每条道路的道路拟合曲线和每
条道路中每条车道的车道拟合曲线)中每条曲线的相似度，相似度最高的道路拟合曲线即为车辆所在的link的道路拟合曲线，并记录该link的linkidi，该link即为目标道路，随后再将车辆轨迹拟合曲线f
vehicle
和对应linkidi下的每条车道的车道拟合曲线集合f
lane
进行相似度计算，相似度得分最该车道拟合曲线的laneidj即为目标车道，将目标道路和目标车道作为该车辆的地图匹配的结果。
[0171]
具体地，将车辆的车辆轨迹拟合曲线f
vehicle
分别与link中心线的三次拟合曲线f
link
(道路拟合曲线)带入弗朗明歇距离(frechet distance)算法库中进行计算，得到相似度返回值，比较相似度返回值最大的，即为最相近的道路的linkidi，该道路为目标道路；
[0172]
从最相近的道路的linkidi中提取lane中心线的三次拟合曲线f
lane
(车道拟合曲线)，并和车辆轨迹拟合曲线f
vehicle
带入弗朗明歇距离(frechet distance)算法库中进行计算，得到相似度返回值，比较相似度返回值最大的，即为最相近的车道的laneidj，该车道为目标车道；
[0173]
进一步的，所述的地图匹配结果如下：
[0174]
通过相似度计算后，最后输出地图匹配结果为[linkidi,lanej]，用于上层业务应用，例如导航、绿波车速引导、闯红灯预警作进一步的逻辑开发。
[0175]
本发明实施例提供的地图匹配方法，使用卡尔曼滤波模型对车辆位置点数据进行预测筛选，降低因环境干扰导致的位置误差，从而提供可靠稳定的车辆历史轨迹，通过v2x技术获取车辆周围的道路信息和车道信息，使用曲线拟合算法将离散的道路车道信息拟合形成连续的交通流信息，增加道路、车道、路口等信息的可识别度，同时将车辆的离散历史轨迹拟合生成连续的轨迹，最终考虑车辆和道路的整体轨迹趋势，结合轨迹相似度算法，在复杂路网环境下的提高地图匹配的准确度，即结合v2x技术实时获取道路的高精度地图信息，将车辆位置准确定位到交通流中，增强导航应用，提高通行效率和驾驶安全。
[0176]
本发明实施例中，通过拟合算法将车辆的离散历史轨迹和道路的离散车道信息拟合生成了三次曲线，可以减小车辆位置误差，增强车辆轨迹和交通车道流轨迹整体趋势，更准确表征出车辆和道路的位置关系，并针对车辆轨迹和道路交通流轨迹进行了轨迹相似度匹配，通过比对匹配度得分得出最优的车辆行驶道路轨迹，相较于点和直线的几何道路匹配，进一步提高了地图匹配的准确度。
[0177]
本发明实施例提供的地图匹配方法不需要云端后台参与计算与信息处理，方法简单，成本较低。
[0178]
如图3所示，本发明实施例还提供一种地图匹配装置，包括：
[0179]
第一处理模块301，用于利用预设的卡尔曼滤波模型对获取的车辆状态数据中的车辆位置数据进行滤波处理，得到车辆的历史轨迹点位置数据；
[0180]
第一曲线生成模块302，用于根据所述历史轨迹点位置数据，生成车辆轨迹拟合曲线；
[0181]
第二曲线生成模块303，用于根据路侧单元rsu广播的地图信息，生成多条道路的道路拟合曲线以及每条道路中每个车道的车道拟合曲线；
[0182]
第二处理模块304，用于根据所述车辆轨迹拟合曲线、所述多条道路的道路拟合曲线和所述每个车道的车道拟合曲线，得到所述车辆的地图匹配结果。
[0183]
可选地，所述第一处理模块301，包括：
[0184]
第一处理子模块，用于根据所述预设的卡尔曼滤波模型和所述车辆状态数据，得到与所述车辆位置数据对应的车辆最优估计位置数据；
[0185]
第二处理子模块，用于根据所述车辆最优估计位置数据和所述车辆位置数据，得到所述车辆位置数据中的跳变点位置数据和非跳变点位置数据；
[0186]
第三处理子模块，用于将所述非跳变点位置数据和所述跳变点位置数据对应的车辆最优估计位置数据作为所述车辆的历史轨迹点位置数据。
[0187]
可选地，所述第一处理子模块，包括：
[0188]
第一确定单元，用于根据第一时刻的车辆状态数据和第二时刻的车辆状态数据，确定所述预设的卡尔曼滤波模型中所述第二时刻的状态转换矩阵、映射矩阵和所述第一时刻的状态观测矩阵；所述映射矩阵为所述预设的卡尔曼滤波模型中的控制输入矩阵将所述第二时刻的车辆状态数据映射到状态向量上的矩阵；
[0189]
第一处理单元，用于根据所述第二时刻的车辆最优状态数据、所述第二时刻的状态转换矩阵和所述第二时刻的映射矩阵，得到所述第一时刻的车辆预测状态数据；
[0190]
第二处理单元，用于根据所述第二时刻的协方差矩阵、所述第二时刻的状态转换矩阵和所述预设的卡尔曼滤波模型中预设的预测过程噪声向量，得到所述第一时刻的预测估计协方差矩阵；
[0191]
第二确定单元，用于根据所述第一时刻的车辆状态数据、所述第一时刻的车辆预测状态数据、所述第一时刻的状态观测矩阵和所述第一时刻的预测估计协方差矩阵，确定所述第一时刻的车辆最优状态数据，所述第一时刻的车辆最优状态数据包括所述第一时刻的车辆位置数据对应的所述第一时刻的车辆最优估计位置数据；
[0192]
其中，所述第一时刻的车辆状态数据为除首个时刻的车辆状态数据之外的任一时刻的车辆状态数据；
[0193]
所述第二时刻的车辆最优状态数据为所述第二时刻的车辆状态数据，或，所述第二时刻的车辆最优状态数据是根据所述第二时刻的车辆状态数据、所述第二时刻的车辆预测状态数据、所述第二时刻的状态观测矩阵和所述第二时刻的预测估计协方差矩阵确定的；
[0194]
所述第二时刻为所述第一时刻之前一个时刻；
[0195]
所述第一时刻的车辆位置数据为所述车辆位置数据中，除首个时刻的车辆位置数据之外的任一时刻的车辆位置数据；
[0196]
所述第二时刻的协方差矩阵为预先设定的协方差矩阵，或，所述第二时刻的协方差矩阵是根据第三时刻的协方差矩阵、所述第三时刻的状态转换矩阵和所述预设的卡尔曼滤波模型中预设的预测过程噪声向量得到的；
[0197]
所述第三时刻为所述第二时刻之前的一个时刻。
[0198]
可选地，所述车辆状态数据包括车辆速度、车辆航向角、车辆横摆角速度和所述车辆位置点的数据；
[0199]
所述第一确定单元，具体用于：
[0200]
在所述第二时刻的车辆横摆角速度不等于0的情况下，根据所述第一时刻的车辆位置数据、所述第一时刻的车辆航向角、所述第二时刻的车辆位置数据、所述第二时刻的车辆航向角、所述第二时刻的车辆速度和所述第二时刻的车辆横摆角速度，得到所述预设的
卡尔曼滤波模型中所述第二时刻的状态转换矩阵、映射矩阵和第一时刻的状态观测矩阵；
[0201]
在所述第二时刻的车辆横摆角速度等于0的情况下，根据所述第一时刻的车辆位置数据、所述第一时刻的车辆航向角、所述第二时刻的车辆位置数据、所述第二时刻的车辆航向角和所述第二时刻的车辆速度，得到所述预设的卡尔曼滤波模型中所述第二时刻的状态转换矩阵、映射矩阵和第一时刻的状态观测矩阵。
[0202]
可选地，所述第二确定单元，具体用于：
[0203]
根据所述第一时刻的车辆状态数据、所述第一时刻的车辆预测状态数据和所述第一时刻的状态观测矩阵，得到所述第一时刻的测量余量；
[0204]
根据所述第一时刻的预测估计协方差矩、所述第一时刻的状态观测矩阵和所述预设的卡尔曼滤波模型中预设的观测噪声向量，得到所述第一时刻的最优卡尔曼增量；
[0205]
根据所述第一时刻的车辆预测状态数据、所述第一时刻的测量余量和所述第一时刻的最优卡尔曼增量，得到所述第一时刻的车辆最优状态数据。
[0206]
可选地，所述第二确定单元，还具体用于：
[0207]
根据所述预设的卡尔曼滤波模型中预设的单元矩阵、所述第一时刻的最优卡尔曼增量、所述第一时刻的状态观测矩阵和所述第一时刻的预测估计协方差矩阵，得到所述第一时刻的协方差矩阵。
[0208]
可选地，所述第二处理子模块，包括：
[0209]
第三处理单元，用于根据所述车辆最优估计位置数据和所述车辆位置数据，得到所述车辆最优估计位置与所述车辆位置数据之间的距离；
[0210]
第三确定单元，用于在所述车辆最优估计位置与所述车辆位置数据之间的距离大于预设距离的情况下，确定所述车辆位置数据为所述跳变点位置数据；
[0211]
第四确定单元，用于在所述车辆最优估计位置与所述车辆位置数据之间的距离小于或等于预设距离的情况下，确定所述车辆位置数据为所述跳变点位置数据。
[0212]
可选地，所述第一曲线生成模块302，包括：
[0213]
第一生成单元，用于根据所述历史轨迹点位置数据，生成车辆轨迹初始拟合曲线和所述历史轨迹点位置数据的误差平方和；
[0214]
第四处理单元，用于根据所述车辆轨迹初始拟合曲线和所述历史轨迹点位置数据的误差平方和，得到所述车辆轨迹拟合曲线。
[0215]
可选地，所述地图信息包括多条道路的中心点坐标数据和每条道路中每个车道的中心点坐标数据；
[0216]
所述第二曲线生成模块303，包括：
[0217]
第二生成单元，用于根据多条道路中每条道路的中心点坐标数据，生成每条道路的道路初始拟合曲线和每条道路的中心点坐标数据的误差平方和；
[0218]
第五处理单元，用于根据所述每条道路的道路初始拟合曲线和对应的所述每条道路的中心点坐标数据的误差平方和，得到多条道路的道路拟合曲线中的每条道路的道路拟合曲线；
[0219]
第三生成单元，用于根据每条道路中每个车道的中心点坐标数据，生成每个车道的车道初始拟合曲线和每个车道的中心点坐标数据的误差平方和；
[0220]
第六处理单元，用于根据所述每个车道的车道初始拟合曲线和对应的所述每个车
道的中心点坐标数据的误差平方和，得到每个车道的车道拟合曲线。
[0221]
可选地，所述第二处理模块304，包括：
[0222]
第七处理单元，用于利用预设的弗朗明歇距离算法，得到所述车辆拟合曲线与所述每条道路的道路拟合曲线之间的第一相似度；
[0223]
第一选取单元，用于选取所述第一相似度最大的道路拟合曲线对应的道路为目标道路；
[0224]
第八处理单元，用于利用所述预设的弗朗明歇距离算法，得到所述车辆拟合曲线与所述目标道路中每条车道的车道拟合曲线之间的第二相似度；
[0225]
第二选取单元，用于选取所述第二相似度最大的车道拟合曲线对应的车道为目标车道；
[0226]
第九处理单元，用于将所述目标道路和所述目标车道作为所述车辆的地图匹配结果。
[0227]
需要说明的是，本发明实施例提供的地图匹配装置是能够执行上述的地图匹配方法的装置，则上述的地图匹配方法的所有实施例均适用于该装置，且能够达到相同或者相似的技术效果。
[0228]
如图4所示，本发明实施例还提供一种地图匹配设备，包括：处理器400；以及通过总线接口与所述处理器400相连接的存储器410，所述存储器410用于存储所述处理器400在执行操作时所使用的程序和数据，所述处理器400调用并执行所述存储器410中所存储的程序和数据。
[0229]
其中，所述地图匹配设备还包括收发机420，所述收发机420与总线接口连接，用于在所述处理器400的控制下接收和发送数据；
[0230]
具体地，所述处理器400执行下列过程：
[0231]
利用预设的卡尔曼滤波模型对获取的车辆状态数据中的车辆位置数据进行滤波处理，得到车辆的历史轨迹点位置数据；
[0232]
根据所述历史轨迹点位置数据，生成车辆轨迹拟合曲线；
[0233]
根据路侧单元rsu广播的地图信息，生成多条道路的道路拟合曲线以及每条道路中每个车道的车道拟合曲线；
[0234]
根据所述车辆轨迹拟合曲线、所述多条道路的道路拟合曲线和所述每个车道的车道拟合曲线，得到所述车辆的地图匹配结果。
[0235]
可选地，所述处理器400，用于：
[0236]
根据所述预设的卡尔曼滤波模型和所述车辆状态数据，得到与所述车辆位置数据对应的车辆最优估计位置数据；
[0237]
根据所述车辆最优估计位置数据和所述车辆位置数据，得到所述车辆位置数据中的跳变点位置数据和非跳变点位置数据；
[0238]
将所述非跳变点位置数据和所述跳变点位置数据对应的车辆最优估计位置数据作为所述车辆的历史轨迹点位置数据。
[0239]
可选地，所述处理器400，具体用于：
[0240]
根据第一时刻的车辆状态数据和第二时刻的车辆状态数据，确定所述预设的卡尔曼滤波模型中所述第二时刻的状态转换矩阵、映射矩阵和所述第一时刻的状态观测矩阵；
所述映射矩阵为所述预设的卡尔曼滤波模型中的控制输入矩阵将所述第二时刻的车辆状态数据映射到状态向量上的矩阵；
[0241]
根据所述第二时刻的车辆最优状态数据、所述第二时刻的状态转换矩阵和所述第二时刻的映射矩阵，得到所述第一时刻的车辆预测状态数据；
[0242]
根据所述第二时刻的协方差矩阵、所述第二时刻的状态转换矩阵和所述预设的卡尔曼滤波模型中预设的预测过程噪声向量，得到所述第一时刻的预测估计协方差矩阵；
[0243]
根据所述第一时刻的车辆状态数据、所述第一时刻的车辆预测状态数据、所述第一时刻的状态观测矩阵和所述第一时刻的预测估计协方差矩阵，确定所述第一时刻的车辆最优状态数据，所述第一时刻的车辆最优状态数据包括所述第一时刻的车辆位置数据对应的所述第一时刻的车辆最优估计位置数据；
[0244]
其中，所述第一时刻的车辆状态数据为除首个时刻的车辆状态数据之外的任一时刻的车辆状态数据；
[0245]
所述第二时刻的车辆最优状态数据为所述第二时刻的车辆状态数据，或，所述第二时刻的车辆最优状态数据是根据所述第二时刻的车辆状态数据、所述第二时刻的车辆预测状态数据、所述第二时刻的状态观测矩阵和所述第二时刻的预测估计协方差矩阵确定的；
[0246]
所述第二时刻为所述第一时刻之前一个时刻；
[0247]
所述第一时刻的车辆位置数据为所述车辆位置数据中，除首个时刻的车辆位置数据之外的任一时刻的车辆位置数据；
[0248]
所述第二时刻的协方差矩阵为预先设定的协方差矩阵，或，所述第二时刻的协方差矩阵是根据第三时刻的协方差矩阵、所述第三时刻的状态转换矩阵和所述预设的卡尔曼滤波模型中预设的预测过程噪声向量得到的；
[0249]
所述第三时刻为所述第二时刻之前的一个时刻。
[0250]
可选地，所述车辆状态数据包括车辆速度、车辆航向角、车辆横摆角速度和所述车辆位置点的数据；
[0251]
所述处理器400，具体用于：
[0252]
在所述第二时刻的车辆横摆角速度不等于0的情况下，根据所述第一时刻的车辆位置数据、所述第一时刻的车辆航向角、所述第二时刻的车辆位置数据、所述第二时刻的车辆航向角、所述第二时刻的车辆速度和所述第二时刻的车辆横摆角速度，得到所述预设的卡尔曼滤波模型中所述第二时刻的状态转换矩阵、映射矩阵和第一时刻的状态观测矩阵；
[0253]
在所述第二时刻的车辆横摆角速度等于0的情况下，根据所述第一时刻的车辆位置数据、所述第一时刻的车辆航向角、所述第二时刻的车辆位置数据、所述第二时刻的车辆航向角和所述第二时刻的车辆速度，得到所述预设的卡尔曼滤波模型中所述第二时刻的状态转换矩阵、映射矩阵和第一时刻的状态观测矩阵。
[0254]
可选地，所述处理器400，具体用于：
[0255]
根据所述第一时刻的车辆状态数据、所述第一时刻的车辆预测状态数据和所述第一时刻的状态观测矩阵，得到所述第一时刻的测量余量；
[0256]
根据所述第一时刻的预测估计协方差矩、所述第一时刻的状态观测矩阵和所述预设的卡尔曼滤波模型中预设的观测噪声向量，得到所述第一时刻的最优卡尔曼增量；
[0257]
根据所述第一时刻的车辆预测状态数据、所述第一时刻的测量余量和所述第一时刻的最优卡尔曼增量，得到所述第一时刻的车辆最优状态数据。
[0258]
可选地，所述处理器400，还具体用于：
[0259]
根据所述预设的卡尔曼滤波模型中预设的单元矩阵、所述第一时刻的最优卡尔曼增量、所述第一时刻的状态观测矩阵和所述第一时刻的预测估计协方差矩阵，得到所述第一时刻的协方差矩阵。
[0260]
可选地，所述处理器400，具体用于：
[0261]
根据所述车辆最优估计位置数据和所述车辆位置数据，得到所述车辆最优估计位置与所述车辆位置数据之间的距离；
[0262]
在所述车辆最优估计位置与所述车辆位置数据之间的距离大于预设距离的情况下，确定所述车辆位置数据为所述跳变点位置数据；
[0263]
在所述车辆最优估计位置与所述车辆位置数据之间的距离小于或等于预设距离的情况下，确定所述车辆位置数据为所述跳变点位置数据。
[0264]
可选地，所述处理器400，具体用于：
[0265]
根据所述历史轨迹点位置数据，生成车辆轨迹初始拟合曲线和所述历史轨迹点位置数据的误差平方和；
[0266]
根据所述车辆轨迹初始拟合曲线和所述历史轨迹点位置数据的误差平方和，得到所述车辆轨迹拟合曲线。
[0267]
可选地，所述地图信息包括多条道路的中心点坐标数据和每条道路中每个车道的中心点坐标数据；
[0268]
所述处理器400，用于：
[0269]
根据多条道路中每条道路的中心点坐标数据，生成每条道路的道路初始拟合曲线和每条道路的中心点坐标数据的误差平方和；
[0270]
根据所述每条道路的道路初始拟合曲线和对应的所述每条道路的中心点坐标数据的误差平方和，得到多条道路的道路拟合曲线中的每条道路的道路拟合曲线；
[0271]
根据每条道路中每个车道的中心点坐标数据，生成每个车道的车道初始拟合曲线和每个车道的中心点坐标数据的误差平方和；
[0272]
根据所述每个车道的车道初始拟合曲线和对应的所述每个车道的中心点坐标数据的误差平方和，得到每个车道的车道拟合曲线。
[0273]
可选地，所述处理器400，用于：
[0274]
利用预设的弗朗明歇距离算法，得到所述车辆拟合曲线与所述每条道路的道路拟合曲线之间的第一相似度；
[0275]
选取所述第一相似度最大的道路拟合曲线对应的道路为目标道路；
[0276]
利用所述预设的弗朗明歇距离算法，得到所述车辆拟合曲线与所述目标道路中每条车道的车道拟合曲线之间的第二相似度；
[0277]
选取所述第二相似度最大的车道拟合曲线对应的车道为目标车道；
[0278]
将所述目标道路和所述目标车道作为所述车辆的地图匹配结果。
[0279]
其中，在图4中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器400代表的一个或多个处理器和存储器410代表的存储器的各种电路链接在一起。总线架构还
可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供用户接口430。收发机420可以是多个元件，即包括发送机和接收机，提供用于在传输介质上与各种其他装置通信的单元。处理器400负责管理总线架构和通常的处理，存储器410可以存储处理器400在执行操作时所使用的数据。
[0280]
本领域技术人员可以理解，实现上述实施例的全部或者部分步骤可以通过硬件来完成，也可以通过计算机程序来指示相关的硬件来完成，所述计算机程序包括执行上述方法的部分或者全部步骤的指令；且该计算机程序可以存储于一可读存储介质中，存储介质可以是任何形式的存储介质。
[0281]
另外，本发明实施例还提供一种计算机可读存储介质，可读存储介质上存储有程序，该程序被处理器执行时实现如上所述的地图匹配方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，该计算机可读存储介质，如只读存储器(read-only memory，简称rom)、随机存取存储器(random access memory，简称ram)、磁碟或者光盘等。
[0282]
此外，需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序或按时间顺序执行，但是并不需要一定按照时间顺序执行，某些步骤可以并行或彼此独立地执行。对本领域的普通技术人员而言，能够理解本发明的方法和装置的全部或者任何步骤或者部件，可以在任何计算装置(包括处理器、存储介质等)或者计算装置的网络中，以硬件、固件、软件或者它们的组合加以实现，这是本领域普通技术人员在阅读了本发明的说明的情况下运用他们的基本编程技能就能实现的。
[0283]
因此，本发明的目的还可以通过在任何计算装置上运行一个程序或者一组程序来实现。所述计算装置可以是公知的通用装置。因此，本发明的目的也可以仅仅通过提供包含实现所述方法或者装置的程序代码的程序产品来实现。也就是说，这样的程序产品也构成本发明，并且存储有这样的程序产品的存储介质也能构成本发明。显然，所述存储介质可以是任何公知的存储介质或者将来所开发出来的任何存储介质。
[0284]
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0285]
以上所述是本技术的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本技术所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本技术的保护范围。