基于車輛軌跡數據的車道幾何和拓撲信息生成方法

（EXTRACTING LANE GEOMETRY AND TOPOLOGY INFORMATION FROM VEHICLE FLEET TRAJECTORIES IN COMPLEX URBAN SCENARIOS USING A REVERSIBLE JUMP MCMC METHOD）

高度自動駕駛（HAD）技術的實現不僅需要高空間精度的地圖，而且還需要實際情況的信息。目前大多使用小型高度專業化的測量車輛來生成這樣的地圖。盡管如此，為了實現全市乃至全國范圍內的覆蓋，基于龐大的車隊數據自動化地圖更新機制的研究變得十分重要，因為只有使用這種方法才能獲得高度頻繁的測量。此外，與少數專用的高精度測量技術相比，處理不精確的質量數據也需要高度的自動化。因此，本文提出了一種從車輛軌跡數據（GPS或其他傳感器）生成車道精確的道路網絡地圖的方法。而且該方法允許利用聯接的車隊來生成HAD地圖。所提出的方法通過生成車道模型的基本構建模塊，并且使用可逆跳躍馬爾可夫鏈蒙特卡羅方法來辨識模型參數。該方法適用于具有挑戰性的城市真實環境中不同軌跡精度水平的情況。

本文提出的從車隊運動數據中推導車道精度圖的新方法的工作原理為，在公開可用的道路網絡圖上，將包含道路和交叉口的道路模型作為參數化區塊進行初始化。然后使用可逆跳馬爾可夫鏈蒙特卡羅方法對道路模型進行優化和導出，以探索模型的參數空間從而找到輸入數據和模型之間最好的匹配。通過相關試驗得出，所記錄的車輛軌跡數據在三個不同的精度水平的總平均位置誤差分別為1.65米、1.19米和0.20米。本文還將該方法與基于LIDAR的地面真實地圖進行評估比較，對比較結果進行定性和定量分析，都表明了該方法用于ADAS實際應用的巨大潛力。目前，一條道路模型包括不變的街區和可變連接區塊兩方面信息，這使得它很難適應實際情況。未來的研究工作，將計劃擴展塊模型目錄的選項以便能夠涵蓋各種實際情況。此外，該方法將被擴展為能夠導出關于道路標記類型的數據信息。