基于深度学习的车辆轨迹重构算法研究

摘要

车辆导航定位技术作为智能交通系统的关键技术之一，许多ITS应用程序和基于位置的服务(LBS)都需要使用有关车辆位置的信息。全球定位系统(GPS)运动相对定位技术作为一种高精度的定位方法被广泛应用于车辆位置定位。但传统的GPS纯运动相对定位技术在某些约束的城市道路环境，如高楼林立的路段、茂密的树林环绕的路段和隧道等，由于卫星信号被遮挡，往往会无法准确定位甚至失去定位能力，不能为车辆提供可靠、准确的定位，导致车辆轨迹的缺失。因此，如何保证在复杂的城市道路环境下，获取准确，高质量的车辆位置信息是当前亟需解决的问题。　　本文基于GPS/OBD组合导航系统实现多源信息融合，研究复杂的城市交通环境下的车辆轨迹重构算法，本文主要工作包括：　　首先，根据大规模实用轨迹收集的背景，采用了一种新颖的GPS/OBD组合导航系统,利用廉价的GPS模块和低成本的OBD读取器完成轨迹数据的采集，阐述了轨迹重构的基本思想和车辆轨迹重构的误差来源，并介绍了几种传统的车辆轨迹重构算法及其特点。　　其次，针对不同的城市道路交通情况带来的轨迹重构挑战，提出了一种基于GRU神经网络的车辆轨迹重构算法—DR-GRU/GRU-NALU,通过将神经算术逻辑单元(NALU)整合到我们的轨迹重构算法中，使得该算法能够适应城市不同路段的要求，尤其是能够很好的应对立交桥等复杂路段的挑战。真实道路测试的实验结果证明了该方法的有效性和可靠性，即使在连续转弯和加速/减速驾驶，导致方向和速度频繁变化的GPS失效60秒以上的复杂立交桥路段，该算法也能够将平均位置误差控制在15米左右。　　最后，针对现有算法无法很好解决GPS中后期位置误差累积的情况，提出了一种基于RNN网络的双向加权轨迹重构算法—Bi-DR-RNN/RNN-NALU。通过在两个方向分别重构轨迹，经过加权重构新的车辆轨迹来降低重构轨迹末端的累积误差。实验证明，本算法有效降低了轨迹末端的位置误差，并提高了轨迹的整体精度。　　本文主要运用python编程语言实现数据的处理和算法的实现，并通过GoogleEarth对重构轨迹进行可视化展示，为衡量轨迹重构算法的性能提供了一种简单且直观的评价标准。

目录

声明

目 录

第 1 章 绪论

1.1 研究背景及意义

1.2.1 车辆导航定位

1.2.2 轨迹重构

1.3 本文工作

1.4 本文结构

第2章车辆轨迹重构的相关理论

2.1 GPS/ OBD 组合导航系统

2.2 车辆轨迹重构的基本思想

2.3 影响车辆轨迹重构误差的因素

2.4.1 神经网络

2.4.2 支持向量机

2.4.3 高斯过程回归

2.5小结

第3章一种基于 GRU 神经网络的轨迹重构算法

3.1 引言

3.2.1 问题概述

3.2.2 路段分类与识别

3.2.3 GRU 网络和 NALU 单元

3.2.4 DR-GRU/GRU-NALU 算法原理

3.3 实验流程和细节

3.3.1实验数据介绍

3.3.2 实验模型的流程及细节

3.4 实验结果及分析

3.4.1 实验的方法

3.4.2 道路测试及结果分析

3.5 小结

第4章一种新的基于 RNN 神经网络的轨迹重构算法

4.1 引言

4.2基于Bi-DR-RNN/RNN-NALU算法的基本概念及原理

4.2.1 RNN 网络

4.2.2 Bi-DR-RNN/RNN-NALU 算法原理

4.3实验的流程和细节

4.4实验结果及分析

4.4.1 实验的方法

4.4.2 道路测试及结果分析

4.5小结

结 论

参考文献

致谢