李颖等：智能交通场景下的地图匹配技术综述

学术 2024-12-23 11:34 陕西

点击蓝字

关注我们

► ►

智能交通场景下的地图匹配技术综述

李颖，费怡瑄，安毅生，刘洋

摘要

为推动地图匹配技术的发展,从匹配方法角度深入研究地图匹配算法并分类阐述原理、特点及应用场景,全面介绍了现有地图匹配数据集,总结了地图匹配在智能交通领域的应用场景,提出了地图匹配技术未来的研究方向。研究结果表明: GPS数据的准确性和完整性可能会因多种因素而受到影响,导致轨迹数据变得稀疏,稀疏的GPS轨迹会导致车辆的实际行驶路径无法被准确还原,增加地图匹配的不确定性;车道级匹配需求因智能交通系统的发展、自动驾驶技术的兴起和城市交通网络的日益复杂等因素而日益迫切;未来地图匹配技术的研究方向主要集中在两方面对于稀疏轨迹的地图匹配技术,需聚焦数据插值技术,提高轨迹的连续性,运用多传感器数据融合技术,增强定位的准确性和可靠性,应用深度学习技术,提高匹配算法的智能水平:对于车道级的地图匹配技术,重点在于整合高精度地图数据和实时交通信息,提供更准确的道路特征和交通状况信息,优化深度学习模型,识别复杂的交通模式和道路特征,开发适应动态交通环境的算法,提高算法的稳定性和适应性:这些研究方向将有助于提高地图匹配技术的准确性、可靠性和实时性,为智能交通系统和自动驾驶技术提供更有力的支持。

引言

随着车载导航和移动设备的普及，对实时、准确位置信息的需求不断增加。地图匹配技术作为车辆位置确定和路径规划的关键环节，变得愈加重要。其核心目标是将来自全球定位系统（GPS）的轨迹数据与地图数据相匹配，确定车辆当前位置及所处的道路。然而，地图匹配的准确性受到城市环境中高楼、隧道和桥梁等结构物对GPS信号的干扰影响，以及GPS设备的固有误差、信号丢失和轨迹数据不规则性等因素的挑战。

为了应对这些挑战，研究者们不断探索各种地图匹配算法，从传统的基于几何的方法到目前新兴的深度学习技术。地图匹配算法的不断创新和发展，不仅推动了学术研究的进步，也为实际应用提供了坚实的技术支撑。

本文全面综述了地图匹配技术的发展现状与应用前景，系统分类与分析了深度学习等先进技术的最新进展，为研究者提供深入理解与参考。此外，总结了现有地图匹配数据集，以助于研究者获取宝贵资源，并分析了该技术在多样化应用场景中的价值。文章还探讨了地图匹配领域面临的挑战与未来研究趋势，旨在推动该领域的持续发展与创新。总体而言，本文通过综合分析地图匹配技术的各个方面，为研究者提供全面指导，促进其进一步发展与广泛应用。

地图匹配的基本原理概述

1.1 地图匹配的基本原理与框架

地图匹配框架图如图1所示。其中算法流程主要涉及三个环节：特征提取、匹配和评估。

图1 地图匹配框架

1.2 地图匹配的研究方法

表1 各类地图匹配算法简介

传统地图匹配算法

2.1 基于几何的地图匹配算法

在点到点匹配中，GPS轨迹点将被映射到道路网络上最接近的节点或形状点上，如图2所示。Bernstein等用欧几里得几何距离的概念作为标准，使用点到点的方法进行地图匹配。

图2 点到点匹配

在点到线匹配的过程中，首先会将轨迹点作为起点，向每一条道路段做垂直投影，会选出那个具有最小投影距离的道路段，把它视为匹配的路段，如图3所示。White等使用点到线的地图匹配方法将用户的估计位置与地图上的街道网络相匹配。

图3 点到线的匹配

线到线匹配是在点到点匹配的基础上进一步发展而来的方法，通过对比轨迹点所在的曲线与路段曲线的相似度，来确定匹配的路段，如图4所示。Chen等提出了一种基于弗雷歇距离的近似计算匹配算法，可在近线性时间内处理曲线，并通过简化输入曲线扩展结果。

图4 线到线的匹配

2.2 基于拓扑关系的地图匹配算法

简单拓扑关系匹配算法通过限制候选路段选择，仅选取与历史轨迹拓扑结构一致的道路段。如图5所示，对于原始GPS点，几何匹配算法匹配到路段最近点（1号路径），而简单拓扑关系匹配则综合考虑距离和路网特征信息，匹配到更合适的2号路径，从而提高匹配效率。Blazquez等运用这种方法，综合考虑道路网络拓扑特征和转弯限制，精确计算最优行驶路径。

图5 基于几何和基于简单拓扑关系匹配算法对比

加权拓扑关系匹配算法考虑了图的拓扑结构和几何特性。该方法首先对轨迹方向、GPS点到道路的距离及相关性进行加权计算，得到各路段的权重，并选择权重最大的路段进行匹配。如图6所示，在一个简单的道路网络中，假设有三条道路（1号、2号、3号），根据距离和方向计算权重。尽管道路1离GPS点最近，但因方向相反，其权重可能降低；道路2虽然距离稍远，但方向一致，权重可能提高；道路3即使方向一致，但因距离最远，其权重可能降低。最终，通过比较权重，选择权重最大的道路作为匹配道路，通常可能选择道路2。Quddus等运用这种算法，结合车辆状态的加权平均值和外部传感器数据，确定车辆在路段上的实际位置。

图6 加权拓扑关系匹配算法

基于优化算法的地图匹配算法

3.1 基于遗传算法的地图匹配算法

基于遗传算法的地图匹配算法模拟自然进化，通过选择、交叉和变异机制优化车辆或移动物体的地图位置匹配。该算法维护一个个体群体，每个个体代表可能的位置或轨迹，适应度评估匹配程度。如图7所示，为该算法的流程图。Nikolić等利用多目标遗传优化算法，将动态时间规整（DTW）技术应用于计算记录轨迹与观察路线之间的几何相似性，同时采用动态规划方法来加速遗传算法中适应度函数的计算，从而有效处理低频GPS数据。

图7 基于遗传优化算法的地图匹配算法流程

3.2 基于蚁群算法的地图匹配算法

蚁群算法在地图匹配中通过模拟蚂蚁寻找食物的路径优化行为，寻找最佳道路网络匹配路径。如图8所示，算法初始化一群虚拟蚂蚁，在道路网络中根据设定规则（如路径长度、交通状况）搜索，留下信息素标记优选路径。迭代过程中，信息素积累导向最优匹配路径，最终确定GPS轨迹点与道路网络的匹配。王跃钢等提出了一种基于自适应混沌蚁群径向分析的实时重力辅助导航匹配算法，该算法改进了连续域蚁群算法，引入自适应调整信息素和混沌处理策略，提高了搜索效率、匹配率和抗噪性能。

图８基于蚁群算法的地图匹配算法流程

基于逻辑和推理的地图匹配算法

4.1 基于模糊逻辑的地图匹配算法

基于模糊逻辑的地图匹配算法通过模糊规则解决GPS数据与道路网络匹配中的不确定性和模糊性问题。算法根据GPS特征（如位置、速度、方向）和道路属性（如类型、交通流量）评估匹配程度，生成匹配得分，并选择得分最高的道路段作为最终匹配结果。如图9所示，是基于模糊逻辑的地图匹配算法的流程图。Fu等利用模糊逻辑模型评估GPS位置与候选道路的距离和角度差异来确定车辆位置。

图9 基于模糊逻辑的地图匹配算法流程

4.2 基于D-S证据理论的地图匹配算法

基于D-S证据理论的地图匹配算法通过整合多个信息源（如GPS数据、车辆动态数据和道路特性），有效处理不确定性和不完全信息，提高匹配的精确性和可靠性。该算法通过增强决策过程中的置信水平，精准判断车辆最可能的位置，如图10所示。Nassreddine等应用D-S证据理论，将区间数据与矩形道路图相结合，这种匹配算法在处理路段交叉口时输出稳定。

图10 基于D-S证据理论的地图匹配算法流程

基于概率统计地图匹配算法

5.1 传统基于概率决策的地图匹配方法

传统的概率决策地图匹配方法通过构建基于位置数据不确定性的概率模型来匹配GPS轨迹点与道路网络。如图11所示，首先为每个GPS点设定置信区域（如椭圆形或矩形），反映GPS误差。然后计算GPS点到各可能位置的距离并估算概率值，表示GPS点与道路网络的相似度。最终选择概率值最高的路径作为匹配结果。Quddus等提出了传统概率匹配算法。

图11 传统基于概率决策规则的地图匹配算法

5.2 基于滤波器的地图匹配算法

5.2.1基于卡尔曼滤波器的地图匹配算法

基于卡尔曼滤波器的地图匹配算法结合卡尔曼滤波器的状态估计和地图匹配，提升动态环境中的位置估计准确性。如图12所示，首先，定义系统状态变量并建立状态转移模型，通过测量模型关联传感器数据与状态进行更新。通过预测和更新步骤融合传感器数据和系统模型，最终将估计位置与地图数据比对，纠正误差。该方法适用于线性动态模型和高斯分布系统。Obradovic等使用基于卡尔曼滤波器的地图匹配算法，旨在重建汽车轨迹并结合航位推算进行动态比较。

图12 基于卡尔曼滤波器的地图匹配算法流程

5.2.2 基于粒子滤波器的地图匹配算法

基于粒子滤波器的地图匹配算法通过模拟随机样本（粒子）来提升车辆定位精度。粒子权重反映其与观测数据的匹配度。算法包括粒子初始化、运动预测、观测更新和重采样，以集中粒子在最可能位置区域，并通过权重估算车辆当前位置，从而动态提高匹配准确性，适应复杂环境。如图13所示。Yu等采用基于粒子滤波的多重权重更新方法，通过更细粒度表示匹配概率，并利用地图信息更新这些位置的概率，显著提高了定位精度。

图13 基于粒子滤波器的地图匹配算法流程

5.3 基于HMM的地图匹配算法

在HMM地图匹配算法中，基于GPS点的时空信息计算初始状态概率和观测概率，逐步求解转移状态概率。通过计算轨迹路径的联合概率，选择最大联合概率路径作为真实行驶路径。常用Viterbi算法进行动态规划，计算转移和观测概率的乘积，选取最大乘积路径为最优路径。HMM的匹配过程如图14所示。

图14 HMM的匹配过程

如表2所示，对基于HMM的地图匹配方法进行了比较分析，旨在评估和对比不同文献中提出的基于HMM的匹配方法的性能。为未来的研究和实际应用提供指导。基于HMM的匹配算法因其在处理GPS数据不确定性和轨迹顺序性方面的优势，已成为车辆定位技术的广泛应用方法。

表2 基于HMM的地图匹配算法比较

5.4 基于扩展HMM地图匹配算法

为了适应更复杂的路网环境并提高匹配精度，研究者们提出了基于扩展隐马尔可夫模型的地图匹配算法。扩展HMM在传统HMM的基础上融入了时间、空间和方向等多维度信息，例如通过考虑车辆的速度、行驶方向和路网详细属性。

时空地图匹配（STMM）算法通过分析轨迹数据中的时空关系，综合考虑点的位置坐标以及相邻时刻的信息，以更精确地确定轨迹点在地图上的匹配位置。空间-时间-方向匹配（STDM）算法是一种结合空间-时间-方向信息的地图匹配方法。