车载GPS地图匹配算法研究背景意义及现状
车载GPS地图匹配算法研究背景意义及现状
1研究背景及意义 (1)
2 国内外研究现状分析 (2)
3常见地图匹配算法分析 (3)
1研究背景及意义
当今社会，机动车数量迅猛增长，从而导致交通流量过快增长与有限的道路设施之间的矛盾激增，交通堵塞严重。如何的减少拥堵，有效地进行交通疏导，合理的利用有限的交通设施是当前亟待解决的难题，发展智能交通（ITS）是解决这些问题的有效方法。随着GPS(Global Positioning System)卫星定位技术和通信技术的日趋成熟，基于GPS的自动定位在智能交通系统中显示出其巨大的技术、经济和社会效益，基于GPS的自动定位关键技术是地图匹配技术。地图匹配(Map matching,简称MM)是一种基于软件技术的定位修正方法。地图匹配基于两个前提：
首先，车辆总是行驶在道路上；
其次，电子地图道路数据精度应高于浮动车车载导航系统的位置估计精度。
当上述条件满足时，将定位信息与道路信息进行比较，通过一定的匹配过程，确定出车辆最可能的行驶路段及车辆在此路段中最可能的位置。地图匹配算法的实现与电子地图有着密切的关系，电子地图必须具有正确的路网拓扑结构和足够高的精度才能完成地图匹配。地图匹配技术在ITS中的应用可以总结为以下三个方面：
①用于地图显示。地图匹配在ITS中最基本的应用是实现被跟踪车辆在电子地图上的显示。由于各种定位技术存在不同程度的定位误差，造成了车辆的定位点通常没有落在道路上。而ITS的大部分信息都要通过电子地图来显示，因此，必须通过地图匹配算法将车辆匹配到其正在行驶的道路上。
②用于提高定位精度。由于高楼和高架桥阻挡接收机的信号等因素的影响，GPS有时无法提供足够的定位精度。航位推算可以实现车辆的自主导航，但需要车辆初始位置的输入，而且惯性期间的漂移误差和标定误差将使累积误差随时间而增大。此时可以利用地图匹配算法来改善定位精度，高精度的电子地图可用于修正定位估计的误差。
③用于终端用户路径引导等应用。路径引导是帮助驾驶员沿预定的路线行驶从而顺利达到目的地的过程。为此，必须由地图匹配模块为路径引导模块提供当前车辆的准确位置，路径引导模块与地图信息相结合产生适当的实时驾驶指
令，引导车辆到达目的地。
由于地图匹配算法的研究具有很强的实用价值，在ITS中具有重要作用，因此，研究低成本，高效率和高精度的地图匹配算法具有重要的理论和实际意义。
2 国内外研究现状分析
①基于卡尔曼滤波的地图匹配算法
韩国Seoul Nat 大学的Wuk Kim、Gyu-In Jee 和JangGyu Lee (2000) 为解决白噪声和偏移误差干扰的而造成定位的低精度和在道路交叉口处道路的选择模糊问题，提出了一种新算法，该算法以重大偏倚作为主要的误差，校正车辆的位置，此算法可以认为是由一种基于重大偏倚误差的模型和卡尔曼滤波器组成，该算法已经在GPS导航系统中得到了实际的应用。
意大利的Tiano,A.、Zirilli,A.和Pizzocchero,F. 在2001年研究了一种可用于整合导航系统的新算法，来对各种海上、地上的交通工具例如船舶与汽车进行精确地位置估算。该算法结合了神经模糊卡尔曼滤波与地图匹配算法，目的是改进GPS与传感器（例如陀螺仪）结合的实时地图匹配系统。通过实验结果，可以看出该系统在通常交通状况下，车辆的位置定位准确度较高。
美国学者Hao Xu, Chin-woo Tan, Yuanlu Bao 在2008年研究一种基于卡尔曼滤波和GPS误差校正的地图匹配改进算法。其通过对对GPS误差分析的可知，GPS在两个垂直方向上的分量被加进数据空间作为数据变量，构成新的卡尔曼滤波器模型。同时，根据浮动车转弯后的信息和行驶轨迹可以得到沿道路方向上的GPS误差。改进的卡尔曼滤波算法和搜索行驶轨迹GPS误差的算法相结合，得到了一个新的改进的算法。该算法处理误差十分的有效，该误差包括沿道路方向和垂直于道路方向的偏移误差和白噪声误差。通过实验研究可知，该算法模型是非常有效。结果显示，该算法有助于提高浮动车导航系统的精度。
②航位推算地图匹配算法
法国的Renault,s 和Meizel,D. (2006) 提出了一种在复杂城市环境中解决车辆定位问题的地图匹配算法。此算法利用GPS数据和航位推算系统，并结合了改进的卡尔曼滤波器使用精确地GIS电子地图，采用点集合搜索和椭圆算法，在一定程度上提高了匹配精度和匹配效率。
③权重地图匹配算法
美国芝加哥的Huabei Yin 和Wolfson,O.在2004年提出了一种基于权重的地图匹配算法，该算法通过把一个移动对象在3D时空中的运动轨迹即一个(x,y,t) 坐标—时间序列匹配到精确地GIS电子地图的道路上，并通过实验验证，根据GPS取样的时间间隔，平均能达到94%的正确率。
湖南大学的胡林、古正气等(2008年)研究了基于权值D-S证据理论的地图匹
配算法。该算法对传统的D-S证据理论进行了改进，解决了证据的可信度问题。该算法首先根据证据的局部决策算出局部决策值，构造整个系统的支持矩阵，并求出支持矩阵的特征向量，并以此作为各个证据的可信度，然后把可信度作为各个证据的权值，以此修正D-S证据的融合算法，使新的组合理论规则能够有效的处理证据中的冲突信息；然后结合当前城市道路网日益复杂的实际特点，把基于权值的D-S证据理论应用于地图匹配中。
公安部交通管理科学研究所的张雷元、徐棱、刘小明（2009年）提出的改进的要素加权算法。其原理是综合地图匹配中的道路几何信息、GPS历史信息、GPS导航方向信息以及道路拓扑信息，计算候选路段的匹配权重，然后通过综合比较权重，采用圈中最高的路作为匹配路段。
④几何的地图匹配算法
北京理工大学的周培德、付梦印（2004年）提出了基于计算几何的地图匹配方法，就是采用不断计算GPS信号点是否构成凸壳，并判断道路是否穿越该凸壳来确定定位信号点的匹配道路。
⑤基于云模型的地图匹配算法
山东理工大学唐进军、曹凯（2007年）提出基于云模型不确定性推理的地图匹配算法。该算法的关键是提出一种能够实现定性概念与定量数值之间不确定性转换的云模型。通过建立云规则，和进行基于云模型的不确定性推理，并结合高程辅助方法来构筑地图匹配模型。
⑥基于路网拓扑结构的地图匹配算法
重庆大学孙棣华等（2008年）针对MapInfo数据格式电子地图不具备拓扑结构，且现有拓扑结构构建算法精度低、效率差等不足，提出在路网拓扑结构构建前，应用缓冲区分析技术和计算区域质点等预处理方法，对原始路网不规则的关系进行分类和道路信息补充，以此为基础创建道路段和节点图层，建立路网拓扑关系。实验结果表明，该算法构建精度和效率明显提高。
3常见地图匹配算法分析
地图匹配算法包括路段选择算法和具体位置识别算法，现有的路段选择的地图匹配方法主要分为两大类：以降噪技术为主的地图匹配算法和以选路为基础的地图匹配算法。
以降噪为基础的地图匹配算法主要思想是通过软件技术，利用恰当的数学手段如卡尔曼滤波等降低GPS信号的噪声，以提高匹配精度。但是现有降噪技术为指导思想的地图匹配算法并不是特别的适合于工程应用中。
以选路为基础的地图匹配算法也可以分为两类：只运用路网几何信息的算法
和将路网几何信息与路网拓扑性质相结合的算法。
只运用路网几何信息的地图匹配算法主要有：点到点、点到线、线到线的匹配算法。此类算法，实现比较简单，计算量小，前期的处理工作量少，易于实现，缺点是在匹配时只利用了路网的几何信息，没有利用路网的拓扑结构信息，使其受定位误差及地图精度影响较大，稳定性不佳，容易产生振荡，极易发生匹配错误。
将路网几何信息和路网拓扑结构信息相结合的地图匹配算法是现在的主流研究方向，可细分为以下几类：
①改进的算法有改进的点到线、线到线的匹配算法。此类算法充分利用了拓扑信息即路网的连通性，增加了起点和终点的信息。如果前一时刻的匹配可信，那么就应用拓扑信息匹配后续定位点。但是，一个错误的匹配会导致一系列的误匹配。
②传统的地图匹配方法有概率统计算法、相关性算法和基于模糊逻辑的地图匹配算法。传统的地图匹配算法在曲线和折线路段时，效果最好，但权重的不好选取。
③基于模式识别的匹配方法，包括基于神经网络和数据融合的方法(D-S数据论证)。
④基于代价函数的地图匹配算法
以上二类算法，精度高，对于特地区域的地图匹配效果明显，但由于计算量大，实现非常复杂，同时实时性很差。
目前将车辆匹配到路段上具体位置的匹配算法主要以下三种：
①垂直投影法：将定位点垂直投影到当前行驶的路段上，投影点即为匹配点。这种方法逻辑简单、速度快、实时性好、所需内存空间少，通过投影使车辆定位数据仅残留定位误差在车辆前进路线上的径向分量，从而极大地改善系统的定位精度；但在道路密集、道路形状复杂和交叉路口等情况下，匹配准确率较低。
②MAP算法：利用极大验后估计(MAP)模型来匹配车辆在道路上的位置，当模型描述的运动简单(如：直线运动)时，这种算法效果很好，但在多数情况下，车辆运动由路网决定，使建模困难，计算相当复杂。
③最优估计算法：通过航位推算和垂直投影两种算法的加权平均值来确定车辆在当前道路的位置。与单独使用前两种算法相比，算法在道路方向的误差更小，但对定位信息的要求较高，需要较准确的速度、方向信息。