李 翔，華一新，張 宏，張江水

1. 信息工程大學(xué)地理空間信息學(xué)院，河南 鄭州 450001； 2. 地理信息工程國家重點實驗室，陜西 西安 710000

粗精匹配結(jié)合的矢量道路輔助慣性導(dǎo)航算法

李 翔1,2，華一新1，張 宏1，張江水1

1. 信息工程大學(xué)地理空間信息學(xué)院，河南 鄭州 450001； 2. 地理信息工程國家重點實驗室，陜西 西安 710000

針對無源環(huán)境下無法采用衛(wèi)星導(dǎo)航定位方式對慣性導(dǎo)航系統(tǒng)的累積誤差進(jìn)行修正的問題，提出一種采用高精度的矢量道路數(shù)據(jù)進(jìn)行粗精匹配的導(dǎo)航校正算法。該方法首先通過分析慣導(dǎo)軌跡的特征標(biāo)示點以及外接矩形，剔除明顯的誤匹配道路和冗余道路，獲取待匹配道路集合；進(jìn)而，結(jié)合ICCP算法具有匹配精度較高，匹配結(jié)果較穩(wěn)定的優(yōu)點，完成慣導(dǎo)軌跡位置誤差的補償和校正；最后，根據(jù)匹配方差和歷史匹配軌跡對匹配結(jié)果的準(zhǔn)確性進(jìn)行分析和判斷。仿真實驗結(jié)果表明，該算法能夠提高慣性導(dǎo)航定位誤差的校正精度，減少在復(fù)雜道路交叉口等情況的誤匹配。

粗精匹配；矢量道路；軌跡特征；特征標(biāo)示點；ICCP算法

慣性導(dǎo)航系統(tǒng)(inertial navigation system，INS)是目前導(dǎo)航領(lǐng)域內(nèi)重要的定位方法，具有高度自主性、全參數(shù)導(dǎo)航(可提供載體位置、速度、航向等9維導(dǎo)航參數(shù))、短時導(dǎo)航精度高等眾多優(yōu)勢[1]。但其定位誤差會隨著時間推移而不斷發(fā)散，因此通常需要利用一些其他輔助導(dǎo)航方式引入外部信息，采用相關(guān)算法校正慣性導(dǎo)航系統(tǒng)，從而提高導(dǎo)航的精度[2]。

衛(wèi)星導(dǎo)航定位作為輔助導(dǎo)航手段已被廣泛地應(yīng)用在各個領(lǐng)域，但在遇到高層建筑物、林蔭道或者立交橋時，其信號會受到影響甚至出現(xiàn)中斷現(xiàn)象，使導(dǎo)航定位精度降低[3-4]。此外在戰(zhàn)時或者非常規(guī)條件下，衛(wèi)星信號會受到干擾和屏蔽，嚴(yán)重影響了組合導(dǎo)航系統(tǒng)的正常工作。而運動載體通常行駛在道路上，因此矢量道路也能夠提供準(zhǔn)確的位置信息，且與慣性導(dǎo)航軌跡在空間位置上具有一一對應(yīng)性。矢量數(shù)據(jù)具有無損變換、數(shù)據(jù)量小、空間效率高等優(yōu)勢，所以利用高精度矢量道路的路徑匹配方法可以作為一種輔助導(dǎo)航手段來輔助慣性導(dǎo)航系統(tǒng)[5-6]，有效地解決衛(wèi)星導(dǎo)航定位“盲區(qū)”等無源環(huán)境下的軌跡校正和位置更新問題。

國內(nèi)外關(guān)于路徑匹配方法的研究較為深入和廣泛，但大多是針對衛(wèi)星信號良好環(huán)境下的導(dǎo)航校正，常用的有直接投影法、概率統(tǒng)計法、相關(guān)性算法、最近點迭代法等。直接投影法是利用載體軌跡點在當(dāng)前最近道路的投影點進(jìn)行位置校正，原理簡單，操作方便，但匹配過程存在大量的距離運算，大大降低了匹配效率，遇到平行道路或者復(fù)雜交叉口等特殊道路時，容易出現(xiàn)誤匹配[7-8]。概率統(tǒng)計法是以導(dǎo)航傳感器得到的坐標(biāo)位置為中心設(shè)置誤差置信區(qū)，尋找最優(yōu)待匹配道路的方法[9]。該算法能夠剔除無效和冗余道路，匹配準(zhǔn)確度較高，但卻過度依賴于道路數(shù)據(jù)和導(dǎo)航系統(tǒng)精度，而慣性導(dǎo)航誤差隨時間發(fā)散，會對匹配過程造成干擾[10]。相關(guān)性算法是利用特殊形狀(拐角、交叉等)對行駛軌跡進(jìn)行校正，根據(jù)各個信息參數(shù)的權(quán)值，篩選出與運動載體軌跡相關(guān)性最高的道路作為其真實行駛軌跡[11]。該算法對交叉口和轉(zhuǎn)彎拐角匹配具有良好的效果，但相關(guān)性的定權(quán)問題一般采用經(jīng)驗值，沒有統(tǒng)一的標(biāo)準(zhǔn)和依據(jù)，會對導(dǎo)航結(jié)果造成不良的影響[12]。最近點迭代算法最初來源于圖像配準(zhǔn)，主要是通過反復(fù)剛性變換(旋轉(zhuǎn)和平移)減小匹配對象和目標(biāo)對象間的距離，使得匹配對象盡可能地接近目標(biāo)對象[13-14]。該算法被廣泛應(yīng)用在輔助慣性導(dǎo)航系統(tǒng)中，能夠有效抑制誤差的發(fā)散，且具有較高的精度，但匹配過程中需要保證矢量道路就在慣性導(dǎo)航軌跡附近，若初始誤差較大則迭代時間變長，增加了匹配結(jié)果的不確定，因此該算法更適合于小誤差下的精匹配[15-16]。

基于上述路徑匹配方法的研究成果，本文提出了一種粗精匹配結(jié)合的矢量道路輔助慣性導(dǎo)航算法。算法將路徑匹配過程分為兩個階段：粗匹配階段和精匹配階段。首先，根據(jù)特征標(biāo)示點，利用改進(jìn)的概率統(tǒng)計算法和相關(guān)性算法快速確定待匹配道路集合，并通過粗匹配保證待匹配道路在慣導(dǎo)軌跡點附近；之后，利用最近點迭代算法進(jìn)行精匹配，確定運動載體所處的具體位置以及定位誤差，通過匹配方差以及歷史匹配軌跡的評價比較，輸出最終的匹配結(jié)果，以實現(xiàn)粗精匹配的結(jié)合。最后，本文針對算法的可行性、與其他算法的匹配效果對比以及算法中閾值的選取進(jìn)行了仿真試驗驗證。

1 基于特征標(biāo)示點的粗匹配

粗匹配的目的是快速縮小匹配搜索區(qū)域并確定待匹配的道路點集合，概率統(tǒng)計法能夠縮小搜索范圍，而相關(guān)性算法能夠有效剔除非相關(guān)道路，因此本文結(jié)合概率統(tǒng)計法和相關(guān)性算法的優(yōu)點，提出一種基于特征標(biāo)示點算法進(jìn)行快速粗匹配。

1.1 特征標(biāo)示點的提取

(1) 由于受紅綠燈、交叉口以及轉(zhuǎn)彎離心力的干擾影響，車輛在這些路段行駛時經(jīng)常會出現(xiàn)走走停停的現(xiàn)象，其行駛速度一般低于普通道路的車速[17]，因此這些路段的匹配基礎(chǔ)條件基本一致。

(2) 慣性導(dǎo)航的定位誤差一般分解為沿道路行進(jìn)方向的定位誤差和與道路垂直方向的定位誤差[18-19]。如果只按照軌跡點行進(jìn)方向法線方向?qū)ふ易罱c，將只能獲得與道路垂直方向的定位誤差而無法獲取沿道路方向的定位誤差。如圖1所示，AB為車輛的導(dǎo)航軌跡，但是如果只考慮垂直于道路方向的誤差，將會得到A1B1的匹配結(jié)果，而A2B2才是AB對應(yīng)的真實軌跡，這樣就增大誤差累積。因此在粗匹配算法中主要針對具有轉(zhuǎn)彎特征或者交叉口路段進(jìn)行匹配。

本文采用筆者在文獻(xiàn)[20]中提出的顧及軌跡趨勢變化的特征提取算法，將道路特征按照順序點集合的形式提取出來，并將矢量道路劃分為3種類型：直線道路、彎曲特征道路和交叉路口。圖2是一個小區(qū)域內(nèi)的矢量道路網(wǎng)，從圖中可以看出，矢量道路都是以坐標(biāo)點集的形式進(jìn)行表達(dá)，因此本文設(shè)計的矢量點的數(shù)據(jù)結(jié)構(gòu)見表1，道路類型中0表示的是直線道路點，1表示的是路口交點，2表示的是彎曲特征道路點。方位角是指當(dāng)前點與道路方向后一點之間連線方向與正北方向之間的夾角。

圖1 直線道路與軌跡匹配造成誤差Fig.1 Matching error caused by linear path and track

ID(int型)經(jīng)度坐標(biāo)(double型)緯度坐標(biāo)(double型)高程(double型)方位角(double型)道路類型(int型)0116.25586739.91166249.412000270.0166260125116.82724540.34548455.040000166.373005132116.81972240.566610175.14000013.7607852

圖2 矢量道路網(wǎng)中的幾種道路情況Fig.2 Several conditions in vector road network

根據(jù)上述矢量道路的數(shù)據(jù)結(jié)構(gòu)和幾何形狀特征，本文給出如下定義：

定義1：彎曲道路特征上曲率最大的一點，稱為該道路特征的特征標(biāo)示點；該點切線的法線方向與正北方向的逆時針夾角，稱為該道路特征的曲線開口方向。

定義2：道路的丁字、十字或者更復(fù)雜的相交道路的唯一相交點，稱為該交叉口的特征標(biāo)示點。各道路夾角的角平分線的指向(由頂點向外)與正北方向的逆時針夾角，稱為該路口的開口方向(集合)。

如圖3、圖4所示，紅色點表示當(dāng)前路段的特征標(biāo)示點；彎曲特征道路的開口方向為α，有且只有一個；而路口道路的開口方向集合中元素的數(shù)量由相交道路的數(shù)量確定，可表示為β1、β2、…、βn，可將計算后獲取的開口方向逐一儲存在集合中以備后續(xù)粗匹配使用。

特征標(biāo)示點是彎曲特征道路和道路交叉口的重要控制點，表示著矢量道路網(wǎng)的整體結(jié)構(gòu)。彎曲特征道路反映著道路的形狀起伏和方向變化，是道路網(wǎng)中直線道路之間過渡連接的重要紐帶，而道路交叉口是道路網(wǎng)的交匯點，是行人、車輛的匯合、轉(zhuǎn)向、分流的地方，也是道路網(wǎng)靈活性的關(guān)鍵所在[21]。因此，本文根據(jù)道路交叉口以及彎曲道路的不同情況進(jìn)行了分類，并針對每種類型道路的特征標(biāo)示點進(jìn)行了判斷和提取，其具體步驟方法見表2。

表2 不同類型道路的特征標(biāo)示點的判斷和提取方法

Tab.2 Methods for extracting of the label points of feature in different roads

編號道路名稱特征標(biāo)示點示意圖提取方法1十字路口根據(jù)相交直線道路直接計算出交點坐標(biāo)2“T”字路口根據(jù)相交直線道路直接計算出交點坐標(biāo)3“K”字路口根據(jù)相交直線道路直接計算出交點坐標(biāo),若交點多于一個,取所有交點的經(jīng)緯度平均值作為交點坐標(biāo)4環(huán)島型路口計算環(huán)島內(nèi)所有直線道路延長線的交點并取平均值,或者取環(huán)島環(huán)中心點

續(xù)表2

1.2 待匹配道路點集合的搜索范圍確定

根據(jù)1.1節(jié)提取到的特征標(biāo)示點，以其為中心，作一個邊長為d的正方形，將正方形區(qū)域內(nèi)包含的所有道路矢量點作為待匹配道路點集合存儲起來。以雙向八車道的城市道路為例，按照道路設(shè)計規(guī)范[22]，每個車道寬約為3.5～3.75 m，運動載體在道路交叉口完成轉(zhuǎn)彎動作時，其最大轉(zhuǎn)彎半徑約為20～30 m(考慮到存在綠化帶以及非機(jī)動車道，約6個車道寬)，因此可令正方形的邊長d=60 m，以保證能包含整個道路交叉口或者轉(zhuǎn)彎特征。如圖5、圖6所示，紅色正方形框內(nèi)的道路點集合即為待匹配道路點集合。

按照文獻(xiàn)[20]中提出的顧及軌跡趨勢變化的特征提取算法，亦可將導(dǎo)航軌跡的轉(zhuǎn)彎特征點集合及其特征標(biāo)示點提取出來，并可以計算出軌跡特征所對應(yīng)的最小外接矩形，如圖5，圖6所示，綠色矩形框即為軌跡特征的最小外接矩形?？紤]慣性導(dǎo)航存在一定的累積誤差，需要將提取出的邊界進(jìn)行適當(dāng)?shù)姆糯?。而軌跡特征的搜索范圍大小由組合導(dǎo)航定位誤差橢圓確定[23-24]。

如圖7所示，虛線外界邊框為軌跡特征搜索待匹配道路點集合的區(qū)域大小。

1.3 粗匹配策略

相比交于誤差橢圓相交需要進(jìn)行距離量算，判斷矩形相交只需要進(jìn)行簡單一元計算，其計算量簡化了不少，效率也相對較高。此外，考慮到一些道路曲線形狀的不規(guī)則性，傳統(tǒng)曲線擬合算法存在難以線性化或者曲線的維數(shù)較多等問題，都需要通過大量計算分析才能完成相關(guān)度判斷，一定程度上影響了匹配的效率。因此本文采用搜索矩形區(qū)域相交原則和道路開口方向的相關(guān)性來對待匹配道路點集合進(jìn)行粗匹配，從計算量和判斷方法上進(jìn)一步簡化匹配過程，以提高整體匹配效率。

圖7 軌跡特征搜索區(qū)域Fig.7 Search area of trajectory feature

粗匹配過程大致分為3個步驟：

步驟1：根據(jù)1.2節(jié)的軌跡特征搜索區(qū)域內(nèi)按照矩形相交原則，搜索滿足相交條件的基于特征標(biāo)示點的道路點集合，設(shè)符合條件的基于特征標(biāo)示點的道路點集合數(shù)量為N，則可按照如下規(guī)則進(jìn)行判斷。

規(guī)則1：若N=0，運動載體不在道路上或者存在矢量道路網(wǎng)沒有更新的新增道路，退出當(dāng)前軌跡特征匹配，以當(dāng)前軌跡作為運動載體的當(dāng)前實際位置，并跳至下一個軌跡特征重新進(jìn)行粗匹配判斷。

規(guī)則2：若N=1，該待匹配道路點集合即為軌跡特征對應(yīng)的匹配道路點集合，直接進(jìn)入步驟3。

規(guī)則3：若N>1，存在多個待匹配道路點集合，進(jìn)入步驟2繼續(xù)判斷處理后，再進(jìn)入步驟3。

步驟2：根據(jù)2.1節(jié)中定義的道路開口方向進(jìn)行限差判斷，可設(shè)αP、αQ分別為軌跡特征和道路特征的開口方向，則有

(1)

由于運動載體在行駛過程中，會受到緊急避讓或駕駛員習(xí)慣等因素的影響，因此軌跡和道路的開口方向會有一定差異，本文取最大道路的開口方向限差為Δα=10°。所以，當(dāng)且僅當(dāng)Δα≤10°時，該待匹配道路點集合即是軌跡特征相對應(yīng)的匹配道路點集合。此時，若N=1，該道路即為軌跡對應(yīng)道路點集合，進(jìn)入步驟3完成粗匹配修正；若N>1，也進(jìn)入步驟3完成粗匹配修正，保留這N個道路點集合，通過后續(xù)的精匹配重新對匹配結(jié)果進(jìn)行評價判斷。

步驟3：按照道路特征標(biāo)示點與軌跡特征標(biāo)示點之間的偏差T進(jìn)行粗匹配修正，將軌跡特征點集合按照偏差T整體平移至道路點集合附近，并進(jìn)入精匹配階段。

如圖8、圖9所示，經(jīng)過粗匹配偏差修正后，軌跡特征標(biāo)示點和道路標(biāo)示點重合，軌跡特征點集合基本位于匹配道路的附近，為精匹配尋找最近點提供了有利條件。

圖8 軌跡特征與彎曲道路粗匹配Fig.8 Rough match of trajectory feature and corner

圖9 軌跡特征與路口粗匹配Fig.9 Rough match of trajectory feature and intersection

2 基于最近點迭代算法精匹配

精匹配是要獲取運動載體的行駛軌跡和矢量道路數(shù)據(jù)之間定位誤差，抑制定位誤差的發(fā)散，并按照一定方法將該誤差修正，使行駛軌跡和矢量道路基本吻合。最近點迭代算法完全基于匹配對象間的幾何形狀，具有很高的匹配準(zhǔn)確度，文獻(xiàn)[15—16，25]中都采用該算法作為精匹配算法進(jìn)行輔助導(dǎo)航，且取得了良好的匹配結(jié)果。因此，本文根據(jù)粗匹配的結(jié)果，采用最近點迭代算法進(jìn)行精匹配，從而進(jìn)一步減小并修正導(dǎo)航定位誤差。

最近點迭代算法起初用于圖像配準(zhǔn)，ICCP算法則是該算法的特例，通過搜索最近點、迭代變換，實現(xiàn)匹配對象之間的最優(yōu)匹配，從而修正定位誤差獲取導(dǎo)航位置信息[26]。

2.1 最近點的搜索

一般ICCP算法都是基于等值線匹配單元進(jìn)行最近點搜索和迭代計算，但考慮到行駛軌跡和矢量道路數(shù)據(jù)并沒有明顯的等值線信息，所以需要通過其他有效信息來確定最近點的搜索規(guī)則。文獻(xiàn)[27—28]采用基于法向量的最近點確定思想，在圖像配準(zhǔn)中取得了良好的效果。而慣性導(dǎo)航軌跡能夠提供以航向角為主的較為準(zhǔn)確的姿態(tài)信息，且行駛軌跡和待匹配矢量道路點集合在形狀上具有一定的相似性，為了保證航向角的一致性和軌跡形狀的完整性，本文根據(jù)航向角法線方向來搜索最近點。

由于矢量道路是由一系列坐標(biāo)點集合構(gòu)成，所以可以將矢量道路抽象為首尾端點相接的折線段。每個線段以待匹配道路點集合中相鄰兩個點作為端點，記為{rj,rj+1}。如圖10所示，藍(lán)色點集為軌跡特征點集合，其對應(yīng)的黑色點集為經(jīng)過粗匹配后獲得的待匹配道路特征點集合。記軌跡點A的當(dāng)前航向法線與{rj,rj+1}的交點作為其在道路上的對應(yīng)最近點，記為A0。若該法線與{rj,rj+1}沒有交點，則忽略該軌跡點，繼搜索下一個軌跡點的對應(yīng)最近點；若交點多于1個，則取距離最小的交點作為有效的最近點，其坐標(biāo)記為(xi，yi)。遍歷整個軌跡特征，依次求取各個軌跡點對應(yīng)的最近點，得到最近點集合。

2.2 迭代變換的計算

由2.1節(jié)可知，進(jìn)行精匹配就是要找到一個剛性變換T，使行駛軌跡特征點集合和最近點集合之間的距離最小，以達(dá)到最優(yōu)匹配。其中剛性變換是由兩個平移分量以及一個旋轉(zhuǎn)分量組成的，即

(2)

理論上旋轉(zhuǎn)變換和平移變換是不可交換的，因此必須首先確定兩種變換的先后順序。文獻(xiàn)[29]、文獻(xiàn)[30]在重力和地磁輔助導(dǎo)航中都采用了先旋轉(zhuǎn)變換后平移變換的方法，也有文獻(xiàn)[31]和文獻(xiàn)[32]提出先平移后旋轉(zhuǎn)以及并行運算平移和旋轉(zhuǎn)變換的方法，但其計算量巨大，也未表現(xiàn)出較為突出的匹配效率和性能。因此，本文仍采用先旋轉(zhuǎn)后平移的傳統(tǒng)剛性變換方法。

最近點集合N與經(jīng)過剛性變換后的軌跡特征點集合的距離可表示為

(3)

根據(jù)文獻(xiàn)[33]的計算方法可求解出平移矩陣

(4)

根據(jù)公式(4)的結(jié)果，可以對軌跡特征點集合進(jìn)行一次剛性變換，得到新的軌跡點集合P′，即P′=TP，此時第一次匹配結(jié)束。迭代匹配需要將新的軌跡點集合P′作為初始的點集合繼續(xù)進(jìn)行2.1節(jié)的最近點搜索和本節(jié)的剛性變化，直到T收斂后跳出迭代過程。經(jīng)過最后一次迭代剛性變換后獲得的集合TP即為最終精匹配的匹配結(jié)果。

2.3 迭代結(jié)束條件的確定

迭代匹配算法需要經(jīng)過多次迭代計算才能達(dá)到系統(tǒng)要求,本文通過最小誤差和最優(yōu)迭代次數(shù)兩個指標(biāo)作為判定迭代結(jié)束的條件。考慮到計算機(jī)的內(nèi)存要求以及系統(tǒng)效率，本文取迭代平移30次為迭代上限，超過30次，則匹配修正結(jié)束；此外，當(dāng)軌跡點的逼近程度基本與道路點吻合時，即經(jīng)度或者緯度偏差小于導(dǎo)航允許的基本誤差范圍內(nèi)，也認(rèn)為匹配成功，此時有

(5)

式中，dmax為組合導(dǎo)航的要求的最大誤差，參照一般導(dǎo)航的誤差要求設(shè)置為1.363 51×10-4°(大約15 m)。

如圖11所示，經(jīng)過滿足迭代條件的匹配修正，軌跡點與道路點基本吻合，達(dá)到了導(dǎo)航匹配的要求。

2.4 匹配結(jié)果的分析評價

根據(jù)1.3節(jié)中會出現(xiàn)不止一個待匹配道路點集合的情況，本文采用匹配方差對其進(jìn)行進(jìn)一步的判斷。匹配方差主要描述了通過粗精匹配后得到的行駛軌跡與矢量道路之間的匹配程度，其大小直接反映出匹配結(jié)果的好壞；如果存在多個匹配結(jié)果的情況，可以根據(jù)匹配方差篩選出最優(yōu)匹配結(jié)果。

圖11 迭代匹配的過程Fig.11 Process of iterative matching

匹配方差δ2的一般計算公式為

(6)

(1) 如果特征軌跡點有道路對應(yīng)最近點，則計算迭代變換后該軌跡點與其對應(yīng)最近點的距離平方，記為DIS2；否則，沒有對應(yīng)最近點軌跡點的個數(shù)加1，記沒有對應(yīng)最近點的軌跡點總數(shù)為m。

(7)

那么匹配方差的計算公式可表示為

(8)

式中，n為軌跡特征點集合中軌跡點的總數(shù)；m為未找到對應(yīng)最近點的軌跡點數(shù)。δ2值越小，表示匹配后的軌跡點與真實軌跡點越接近，匹配結(jié)果較好。

2.5 匹配結(jié)果的反饋判斷

由于1.3節(jié)中存在待匹配道路特征點集合個數(shù)N>1的情況，為了保證匹配結(jié)果的正確性，可將2.4節(jié)中的最終匹配結(jié)果暫時緩存起來不進(jìn)行輸出，其匹配規(guī)則如下：

規(guī)則1：若迭代匹配結(jié)束后，有且只有一個δ2最小，則取該道路特征點集合的匹配結(jié)果作為最終結(jié)果。

規(guī)則2：如迭代匹配結(jié)束后，存在不止一個最小且相近的δ2，則進(jìn)入二次反饋判斷。

由于運動載體的行駛軌跡與矢量道路在幾何形狀上具有一定相似性，受文獻(xiàn)[34]的啟發(fā)，本文根據(jù)歷史匹配結(jié)果對后續(xù)的匹配結(jié)果進(jìn)行二次反饋判斷，以獲取準(zhǔn)確度更高的匹配結(jié)果。如圖12所示，二次反饋判斷需要比較兩次匹配的軌跡特征段的特征標(biāo)示點之間距離和兩次對應(yīng)矢量道路的特征標(biāo)示點之間距離是否相近，即

(9)

式中，Δd為距離誤差閾值；d1表示前后兩個行駛軌跡特征標(biāo)示點之間的直線距離；d2表示與行駛軌跡對應(yīng)的前后兩個矢量道路特征標(biāo)示點之間的直線距離。若兩次匹配的特征標(biāo)示點距離之差能夠滿足誤差閾值條件，則認(rèn)為本次匹配無誤，可以輸出匹配結(jié)果作為修正軌跡；若其中一個匹配結(jié)果距離誤差很大，不滿足誤差閾值，則將舍棄該匹配結(jié)果，將誤差較小且滿足距離誤差閾值的作為最終匹配結(jié)果；若所有匹配結(jié)果都不滿足閾值條件，證明出現(xiàn)誤匹配，擴(kuò)大粗匹配的搜索范圍，尋找正確的軌跡點位置，然后再次進(jìn)行相同的精匹配計算，直到匹配結(jié)果滿足閾值條件，如果仍舊沒有找到合適的匹配結(jié)果，則跳出本次匹配，不進(jìn)行修正結(jié)果輸出。

圖12 匹配結(jié)果的反饋判斷Fig.12 Feedback judgment of match results

考慮到道路寬度和車道數(shù)等因素，尤其是寬度較大的道路，本文算法利用矢量道路中心線數(shù)據(jù)進(jìn)行匹配，會對匹配修正結(jié)果造成一定的影響。針對此問題需要，通過結(jié)合矢量道路的自身屬性如車道數(shù)和單車道寬度進(jìn)行誤差判定和修正，其具體判定修正方法為：如果路段右側(cè)車道數(shù)量為奇數(shù)，則選擇中間一條為參考車道，如果為偶數(shù)，則選擇中間靠近中心線一條為參考車道，而后將中心線的軌跡點根據(jù)車道數(shù)和單個車道寬度沿著法線方向平移到參考車道即可完成匹配，如圖13所示。

圖13 道路寬度修正Fig.13 Correction of road width

3 算法整體流程

綜合上述第1、2節(jié)的分析討論，總結(jié)得到本文提出的精粗匹配結(jié)合的矢量道路輔助導(dǎo)航算法的總體流程如圖14所示。

4 算法的試驗與分析

4.1 算法試驗數(shù)據(jù)說明

為了驗證上述算法的可行性，本文將算法用Visual C++ 6.0編程實現(xiàn)，集成到文獻(xiàn)[12]設(shè)計的算法測試系統(tǒng)中。仿真所用的道路數(shù)據(jù)為txt格式的矢量數(shù)據(jù)，2014年實地跑車測量北京市“西五環(huán)晉元橋”路段(如圖15(a)所示)以及密云地區(qū)路段(如圖15(b)所示)，道路數(shù)據(jù)包含直行、平行路段、交叉路口和匝道等城市復(fù)雜道路，能夠全面有效驗證算法的可行性，檢測整體算法的匹配效果。

本文使用的行駛軌跡數(shù)據(jù)為純慣性導(dǎo)航實測軌跡數(shù)據(jù)，行駛過程不開啟衛(wèi)星信號設(shè)備，以便于仿真過程中模擬衛(wèi)星信號干擾或者衛(wèi)星導(dǎo)航“盲區(qū)”情況下的軌跡修正效果。其中平均車速為60 km/h，慣性導(dǎo)航中陀螺常值漂移量為0.05°/h，隨機(jī)漂移量為0.01°/h，加速度計的初始零偏均值取為10-4g，隨機(jī)零偏值為0.5×10-4g，東向、北向和方位失準(zhǔn)角的初始值取為1°[35]。由于導(dǎo)航數(shù)據(jù)軌跡點是差分后得到的結(jié)果，所以暫不考慮由于采樣頻率較低時造成的影響。

圖14 算法整體流程Fig.14 Integrated process of algorithm

本文通過試驗首先對基于精粗匹配算法的導(dǎo)航誤差收斂性進(jìn)行分析，驗證算法的可行性；并與文獻(xiàn)[12]提出的類似算法以及傳統(tǒng)垂直投影算法進(jìn)行對比仿真試驗，驗證算法在匹配精度和穩(wěn)定性上的提高；最后，通過多次試驗確定本文算法提出的各項閾值，證明在當(dāng)前閾值下算法的性能達(dá)到了最優(yōu)。

圖15 試驗數(shù)據(jù)Fig.15 Samples of experimental data

4.2 算法可行性分析

本文算法采用了精粗匹配結(jié)合的方式，匹配采用了多級篩選驗證條件，以進(jìn)一步提高算法的適應(yīng)性、匹配準(zhǔn)確率。結(jié)合各階段獨立匹配過程，本文單獨使用粗匹配算法分別進(jìn)行了仿真試驗，并對不同匹配結(jié)果進(jìn)行計算其匹配標(biāo)準(zhǔn)差，獲得了不同條件下的匹配方差見表3。

表3 匹配結(jié)果的匹配標(biāo)準(zhǔn)差

由表3可知，采用精粗匹配結(jié)合的方法比單獨使用粗匹配具有更好的修正效果，進(jìn)一步縮小了導(dǎo)航過程的誤差。

圖16給出了車輛的實際航跡、行進(jìn)的道路以及經(jīng)過本文算法修正后的匹配軌跡，圖中藍(lán)色軌跡為慣性導(dǎo)航軌跡，可以看出紅色匹配軌跡可較好地定位跟蹤到黑色的矢量道路上。從圖16(b)、圖16(c)局部放大圖可以看出，在完成了多次迭代變換后，匹配軌跡和行進(jìn)道路的形狀基本吻合，即算法達(dá)到了收斂。圖16(b)給出的是一個道路交叉口(丁字路口)的匹配效果圖，通過匹配的結(jié)果可以看出本文算法不但在道路轉(zhuǎn)彎處能夠完成匹配，在復(fù)雜道路交叉口同樣有不錯的匹配效果。圖17表示的是迭代匹配過程中匹配標(biāo)準(zhǔn)差的變化情況，隨著時間的增加，匹配標(biāo)準(zhǔn)差逐漸減小并達(dá)到了收斂。通過以上仿真試驗可以得出本文算法用于矢量道路輔助導(dǎo)航是完全可行的。

圖17 匹配標(biāo)準(zhǔn)差隨時間變化圖Fig.17 Match standard deviation with time

4.3 算法對比試驗

現(xiàn)行熱門的百度地圖、高德地圖等知名導(dǎo)航電子地圖軟件在道路匹配上大多采用由GIS軟件廠商(如ArcInfo或Mapinfo)提供的高級綜合算法，如卡爾曼濾波、模糊邏輯模型、隱式馬爾科夫等[36-37]。本文對北京密云地區(qū)不同路段的5條軌跡分別利用本文算法、直接投影法、文獻(xiàn)[12]算法和高級綜合算法進(jìn)行匹配修正仿真實驗，并分別計算出4種方法的匹配準(zhǔn)確度，其中匹配準(zhǔn)確度的定義如下。

匹配準(zhǔn)確度=正確匹配的軌跡特征點數(shù)量/ 導(dǎo)航軌跡的總特征點數(shù)量

試驗統(tǒng)計結(jié)果如表4所示。

表4 4種算法匹配結(jié)果統(tǒng)計

由表4分析可得，本文算法的平均匹配準(zhǔn)確度可以達(dá)到90.2%，相對于傳統(tǒng)的垂直投影算法和文獻(xiàn)[12]算法有了提高，有效地減少了誤匹配概率。雖然相比較于高級綜合算法在準(zhǔn)確率上有所差距，但本文在粗匹配階段就進(jìn)行了待匹配道路點集合的范圍確定和開口方向篩選，縮短了整體遍歷匹配的時間，同時精匹配階段的二次反饋判斷，將正確匹配的結(jié)果作為有效匹配信息，因此參與匹配的軌跡點越多，準(zhǔn)確率就越高，再次降低了出現(xiàn)誤匹配的概率。而投影算法針對平行路段或者復(fù)雜路段效果往往不佳，文獻(xiàn)[12]算法也考慮了趨勢狀態(tài)，但出現(xiàn)相似路段無法有效地甄別出正確匹配路段。

圖18給出了本文算法與高級綜合算法在試驗數(shù)據(jù)區(qū)域內(nèi)準(zhǔn)確率的柱(線)狀圖比較分析。從整體上看本文算法的匹配準(zhǔn)確率在90%以上，尤其是隨著軌跡點數(shù)量增多，匹配準(zhǔn)確率穩(wěn)定上升。相比較而言，高級綜合算法雖然具有較高的匹配準(zhǔn)確率，隨著軌跡點樣本數(shù)量的增多或者路況的復(fù)雜性增加，出現(xiàn)誤匹配的概率會有所提高。

4.4 算法閾值設(shè)定分析

本文算法中涉及一些閾值的確定，例如1.3節(jié)中的開口方向、2.3節(jié)的迭代次數(shù)以及2.5節(jié)中距離閾值等，它們的取值通常都采用算法原理計算或者理論經(jīng)驗的方法來確定，其試驗結(jié)果往往達(dá)不到最優(yōu)的效果。本文以2.5節(jié)的距離閾值為例，對北京五環(huán)晉元橋地區(qū)5條導(dǎo)航軌跡進(jìn)行了不同閾值下的匹配仿真試驗，分別設(shè)置了不同距離閾值，通過分析最后的誤匹配率和漏匹配率，以確定最優(yōu)閾值。

圖3 路口特征標(biāo)示點及開口方向的定義Fig.3 Label point of feature and open direction in the intersection

圖4 轉(zhuǎn)彎特征標(biāo)示點及開口方向的定義Fig.4 Label point of feature and open direction in the corner

圖5 基于特征標(biāo)示點的交叉口待匹配道路點集合Fig.5 Road point set to be matched in intersection based on label point of feature

圖6 基于特征標(biāo)示點的彎曲特征道路待匹配道路點集合Fig.6 Road point set to be matched in corner based on label point of feature

圖16 算法匹配效果Fig.16 Match results of algorithm

圖18 試驗區(qū)域內(nèi)慣導(dǎo)軌跡匹配結(jié)果比較Fig.18 Match results of INS trajectory in experimental area

圖19給出了本文算法在不同距離閾值下誤匹配率和漏匹配的柱狀比較分析圖。整體上來，當(dāng)Δd=10時，由于判斷距離過小，會將一些正確匹配的結(jié)果通過二次反饋判斷舍棄，造成漏匹配現(xiàn)象；當(dāng)Δd=50時，閾值條件過于寬松，算法會將許多誤匹配結(jié)果一并輸出，因此造成誤匹配率相對較高；當(dāng)Δd=30時，誤匹配率和漏匹配率相對較低并趨于穩(wěn)定，匹配結(jié)果達(dá)到最優(yōu)。綜上所述，取距離閾值為30 m時，算法匹配結(jié)果最佳。

圖19 不同距離閾值下匹配結(jié)果的柱狀示意Fig.19 Histogram of match results with different distance thresholds

5 結(jié) 論

本文提出了一種精粗匹配結(jié)合的矢量道路輔助慣性導(dǎo)航算法，是對構(gòu)建輔助慣性導(dǎo)航算法的一種新的嘗試，能夠有效應(yīng)對擺脫衛(wèi)星信號情況下慣性導(dǎo)航軌跡的校正工作。首先，通過基于特征標(biāo)示點的改進(jìn)概率統(tǒng)計法來確定待匹配矢量道路點集合，并根據(jù)開口方向信息進(jìn)行了篩選判斷，提高了算法的性能效率，完成了粗匹配；其次，按照迭代最近點算法對行駛軌跡進(jìn)行迭代變換完成精匹配，并以匹配方差和距離閾值作為評價標(biāo)準(zhǔn)對匹配結(jié)果進(jìn)行二次反饋判斷，保證了匹配的準(zhǔn)確率。最后，通過仿真試驗驗證了本文算法的可行性，同時與傳統(tǒng)的投影算法、文獻(xiàn)[12]算法以及高級綜合算法進(jìn)行匹配結(jié)果分析比較，并根據(jù)多次試驗確定了算法中相關(guān)閾值最優(yōu)取值。試驗結(jié)果表明，利用本文提出的精粗匹配結(jié)合的矢量道路輔助導(dǎo)航算法能夠在無源環(huán)境下有效修正運動載體的行駛軌跡誤差，給出良好的匹配結(jié)果，并在一定程度提高了匹配的準(zhǔn)確度。但本文算法對矢量道路數(shù)據(jù)的幾何形狀特征要求較高，文中僅對一些道路特征明顯的區(qū)域進(jìn)行匹配和分析，未來的研究應(yīng)該結(jié)合更多輔助導(dǎo)航信息，如里程計、激光雷達(dá)、運動學(xué)模型等，使可供參考的數(shù)據(jù)信息多元化，進(jìn)一步提高定位精度和可靠性。

[1] 宋磊. 基于熵和ICCP的多級地磁輔助慣性導(dǎo)航算法研究[J]. 華北科技學(xué)院學(xué)報, 2014, 11(10): 70-74. SONG Lei. Research on the Multi-level Geomagnetic Match Algorithm Aided Inertial Navigation Based on Entropy/ICCP Algorithm[J]. Journal of North China Institute of Science and Technology,2014,11(10):70-74.

[2] 寇義民. 地磁導(dǎo)航關(guān)鍵技術(shù)研究[D]. 哈爾濱: 哈爾濱工業(yè)大學(xué), 2010. KOU Yimin.Research of Key Technologies in Geomagnetic Navigation[D]. Harbin: Harbin Institute of Technology, 2010.

[3] 李清泉, 黃練. 基于GPS軌跡數(shù)據(jù)的地圖匹配算法[J]. 測繪學(xué)報, 2010, 39(2): 207-212. LI Qingquan, HUANG Lian. A Map Matching Algorithm for GPS Tracking Data[J]. Acta Geodaetica et Cartographica Sinica, 2010, 39(2): 207-212.

[4] 王美玲, 程林. 浮動車地圖匹配算法研究[J]. 測繪學(xué)報, 2012, 41(1): 133-138. WANG Meiling, CHENG Lin. Study on Map-matching Algorithm for Floating Car[J]. Acta Geodaetica et Cartographica Sinica, 2012, 41(1): 133-138.

[5] 孫永榮, 黃斌, 王麗娜, 等. 抗尺度變換的矢量地圖匹配導(dǎo)航方法[J]. 中國慣性技術(shù)學(xué)報, 2013, 21(1): 89-92, 111. SUN Yongrong, HUANG Bin, WANG Lina, et al. Vector Map Matching Navigation Method with Anti-scale Transformation[J]. Journal of Chinese Inertial Technology, 2013, 21(1): 89-92, 111.

[6] 黃斌. 慣性/地磁/地圖組合導(dǎo)航系統(tǒng)研究[D]. 南京: 南京航空航天大學(xué), 2013. HUANG Bin. Research on INS/Geomagnetic/Map Integrated Navigation System[D]. Nanjing: Nanjing University of Aeronautics and Astronautics, 2013.

[7] 郭黎, 李宏偉, 張澤建, 等. 道路網(wǎng)信息投影匹配方法研究[J]. 武漢大學(xué)學(xué)報(信息科學(xué)版), 2013, 38(9): 1113-1117. GUO Li, LI Hongwei, ZHANG Zejian, et al. Geometry Matching Method for Transportation Road Network Data Based on Projection[J]. Geomatics and Information Science of Wuhan University, 2013, 38(9): 1113-1117.

[8] CHAWATHE S S. Segment-based Map Matching[C]∥Proceedings of 2007 IEEE Symposium on Intelligent Vehicles. Istanbul: IEEE, 2007: 1190-1197.

[9] 李洋, 張曉冬, 鮑遠(yuǎn)律. 多權(quán)值概率論實時地圖匹配[J]. 電子測量與儀器學(xué)報, 2012, 26(2): 166-170. LI Yang, ZHANG Xiaodong, BAO Yuanlv. Algorithm on Real-time Map-matching of Multi-weight Probability[J]. Journal of Electronic Measurement and Instrument, 2012, 26(2): 166-170.

[10] 彭飛, 柳重堪, 張其善. 基于代價函數(shù)的組合導(dǎo)航系統(tǒng)地圖匹配算法[J]. 北京航空航天大學(xué)學(xué)報, 2002, 28(3): 261-264. PENG Fei,LIU Zhongkan,ZHANG Qishan.Cost Function Based Map Matching Algorithm for GPS/DR Integrated Navigation Systems[J]. Journal of Beijing University of Aeronautics and Astronautics, 2002, 28(3): 261-264.

[11] BERNOULLI T, KRAMMER M, WALDER U, et al. Improvement of Inertial Sensor Based Indoor Navigation by Video Content Analysis[C]∥Proceedings of 2011 International Conference on Indoor Positioning and Indoor Navigation. Guimaraes: IEEE, 2011: 1-9.

[12] 李翔. 基于路網(wǎng)特征的慣性導(dǎo)航輔助定位算法的研究與實現(xiàn)[D]. 鄭州: 信息工程大學(xué), 2013. LI Xiang. Research and Implementation on Aided Inertial Navigation Positioning Algorithm Based on Road Networks Feature[D]. Zhengzhou: Information Engineering University, 2013.

[13] 王志剛, 邊少鋒. 基于ICCP算法的重力輔助慣性導(dǎo)航[J]. 測繪學(xué)報, 2008, 37(2): 147-151, 157. WANG Zhigang, BIAN Shaofeng. ICCP Algorithm for Gravity Aided Inertial Navigation[J]. Acta Geodaetica et Cartographica Sinica, 2008, 37(2): 147-151, 157.

[14] 劉銳, 張江水, 李翔. 基于路網(wǎng)慣導(dǎo)載體路徑匹配的ICCP算法改進(jìn)[J]. 測繪科學(xué)技術(shù)學(xué)報, 2016, 33(1): 82-87. LIU Rui, ZHANG Jiangshui, LI Xiang. The Research on the Improvement of ICCP Algorithm for the Route-matching of Initial Navigation Vehicles in Road Network[J]. Journal of Geomatics Science and Technology, 2016, 33(1): 82-87.

[15] 趙建虎, 張紅梅, 王愛學(xué), 等. 利用ICCP的水下地磁匹配導(dǎo)航算法[J]. 武漢大學(xué)學(xué)報(信息科學(xué)版), 2010, 35(3): 261-264. ZHAO Jianhu, ZHANG Hongmei, WANG Aixue, et al. Underwater Geomagnetic Navigation Based on ICCP[J]. Geomatics and Information Science of Wuhan University, 2010, 35(3): 261-264.

[16] 諶劍, 張靜遠(yuǎn), 查峰. 一種改進(jìn)ICCP水下地形匹配算法[J]. 華中科技大學(xué)學(xué)報(自然科學(xué)版), 2012, 40(10): 63-67. SHEN Jian, ZHANG Jingyuan, ZHA Feng. Improved ICCP Algorithm for Underwater Terrain Matching Method[J]. Journal of Huazhong University of Science & Technology (Natural Science Edition), 2012, 40(10): 63-67.

[17] OCHIENG W Y, QUDDUS M, NOLAND R B. Map-matching in Complex Urban Road Networks[J]. Brazilian Journal of Cartography, 2003, 55(2): 1-14.

[18] 許建國, 張志利, 周召發(fā). 交互式地圖匹配算法在組合導(dǎo)航中的應(yīng)用[J]. 上海交通大學(xué)學(xué)報, 2013, 47(8): 1323-1328. XU Jianguo, ZHANG Zhili, ZHOU Zhaofa. Application of Interactive Map Matching Algorithm in SINS/Odometer Integrated Navigation[J]. Journal of Shanghai Jiao Tong University, 2013, 47(8): 1323-1328.

[19] 崔留爭. MEMS-SINS/GPS組合導(dǎo)航關(guān)鍵技術(shù)研究[D]. 長春: 中國科學(xué)院大學(xué)(長春光學(xué)精密機(jī)械與物理研究所), 2014. CUI Liuzheng. Research on the Key Technologies of MEMS-SINS/GPS Integration Navigation System[D]. Changchun: Changchun Institute of Optics, Fine Mehcanics and Physics, Chinese Academy of Sciences, 2014.

[20] 李翔, 張江水, 馬健, 等. 顧及軌跡趨勢變化的特征提取算法[J]. 計算機(jī)輔助設(shè)計與圖形學(xué)學(xué)報, 2016, 28(8): 1341-1349. LI Xiang, ZHANG Jiangshui, MA Jian, et al. Feature Extraction Algorithm in Consideration of the Trend Changing of Track[J]. Journal of Computer-Aided Design & Computer Graphics, 2016, 28(8): 1341-1349.

[21] 馬小龍, 李成名, 趙占杰. 道路交叉口自動檢測與基于OpenSceneGraph的三維自動建模方法[J]. 測繪學(xué)報, 2014, 43(10): 1083-1091. DOI:10.13485/j.cnki.11-2089.2014.0158. MA Xiaolong, LI Chengming, ZHAO Zhanjie. Three-dimensional Road Intersection Automatic Inspection and Robotization Modeling Based on OpenSceneGraph[J]. Acta Geodaetica et Cartographica Sinica, 2014, 43(10): 1083-1091. DOI:10.13485/j.cnki.11-2089.2014.0158.

[22] 胡云崗, 陳軍, 趙仁亮, 等. 地圖數(shù)據(jù)縮編更新中道路數(shù)據(jù)匹配方法[J]. 武漢大學(xué)學(xué)報(信息科學(xué)版), 2010, 35(4): 451-456. HU Yungang, CHEN Jun, ZHAO Renliang, et al. Matching of Roads under Different Scales for Updating Map Data[J]. Geomatics and Information Science of Wuhan University, 2010, 35(4): 451-456.

[23] VELAGA N R, QUDDUS M A, BRISTOW A L. Developing an Enhanced Weight-based Topological Map-matching Algorithm for Intelligent Transport Systems[J]. Transportation Research Part C, 2009, 17(6): 672-683.

[24] 盛驟, 謝式千, 潘承毅. 概率論與數(shù)理統(tǒng)計[M]. 4版. 北京: 高等教育出版社, 2008: 161-163. SHENG Zou, XIE Shiqian, PAN Chengyi. Probability Theory and Mathematical Statistics[M]. 4th ed. Beijing: Higher Education Press, 2008: 161-163.

[25] 王志剛, 邊少鋒. 基于ICCP算法的重力輔助慣性導(dǎo)航[J]. 測繪學(xué)報, 2008, 37(2): 147-151, 157. WANG Zhigang, BIAN Shaofeng. ICCP Algorithm for Gravity Aided Inertial Navigation[J]. Acta Geodaetica et Cartographica Sinica, 2008, 37(2): 147-151, 157.

[26] 黃曉穎, 童余德, 邊少鋒. 基于Matcom混合編程的ICCP 算法仿真實現(xiàn)[J]. 測繪科學(xué)技術(shù)學(xué)報, 2011, 28(3): 186-189. HUANG Xiaoying, TONG Yude, BIAN Shaofeng. Implementation for Simulation of ICCP Based on Matcom[J]. Journal of Geomatics Science and Technology, 2011, 28(3): 186-189.

[27] 李世飛, 王平, 沈振康. 迭代最近點算法研究進(jìn)展[J]. 信號處理, 2009, 25(10): 1582-1588. LI Shifei, WANG Ping, SHEN Zhenkang. A Survey of Iterative Closest Point Algorithm[J]. Signal Processing, 2009, 25(10): 1582-1588.

[28] BERNARDINI F,MITTLEMAN J,RUSHMEIER H, et al. The Ball-pivoting Algorithm for Surface Reconstruction[J]. IEEE Transactions on Visualization and Computer Graphics, 1999, 5(4): 349-359.

[29] 張悅. 水下機(jī)器人地磁組合導(dǎo)航中ICCP算法的改進(jìn)[D]. 哈爾濱: 哈爾濱工程大學(xué), 2011. ZHANG Yue. Improvement of ICCP Algorithm in Geomagnetic Integrated Navigation for Underwater Robot[D]. Harbin: Harbin Engineering University, 2011.

[30] 閆利, 崔晨風(fēng), 謝洪. ICCP 算法在重力匹配中的應(yīng)用[J]. 遙感信息, 2009(1): 16-19. YAN Li, CUI Chenfeng, XIE Hong. The Application of ICCP Algorithm to Gravity Matching[J]. Remote Sensing Information, 2009(1): 16-19.

[31] 張紅梅, 趙建虎, 王愛學(xué), 等. 預(yù)平移簡化ICCP匹配算法研究[J]. 武漢大學(xué)學(xué)報(信息科學(xué)版), 2010, 35(12): 1432-1435. ZHANG Hongmei, ZHAO Jianhu, WANG Aixue, et al. Pre-translation Simplified ICCP Algorithm[J]. Geomatics and Information Science of Wuhan University, 2010, 35(12): 1432-1435.

[32] 徐克虎, 沈春林. 地形特征匹配輔助導(dǎo)航方法研究[J]. 東南大學(xué)學(xué)報(自然科學(xué)版), 2000, 30(3): 113-117. XU Kehu, SHEN Chunlin. Study of Terrain Feature Matching Aided Navigation Method[J]. Journal of Southeast University (Natural Science Edition), 2000, 30(3): 113-117.

[33] 劉承香. 水下潛器的地形匹配輔助定位技術(shù)研究[D]. 哈爾濱: 哈爾濱工程大學(xué), 2003. LIU Chengxiang. A Study on Terrain Matching Assistant Positioning Technology for Underwater Vehicle[D]. Harbin: Harbin Engineering University, 2003.

[34] 李強(qiáng), 曹鵬, 繆立新. 針對探測車歷史數(shù)據(jù)的離線地圖匹配算法[J]. 武漢大學(xué)學(xué)報(信息科學(xué)版), 2013, 38(2): 244-247. LI Qiang, CAO Peng, MIAO Lixin. Offline Map-matching for Archived Probe Vehicle Data[J]. Geomatics and Information Science of Wuhan University, 2013, 38(2): 244-247.

[35] 李翔, 張江水, 楊柏欣, 等. 基于航向角變化的趨勢集合軌跡特征劃分算法[J]. 地球信息科學(xué)學(xué)報, 2015, 17(10): 1172-1178. LI Xiang, ZHANG Jiangshui, YANG Baixin, et al. An Extraction Algorithm of Track Features Based on Trend Set of Heading Angle Variable[J]. Journal of Geo-information Science, 2015, 17(10): 1172-1178.

[36] 百度地圖API[EB/OL]. [2017-02-05] http:∥developer.baidu.com/map/index.html.

(責(zé)任編輯：宋啟凡)

Positioning Correction Algorithm of Vector Road Aided Inertial Navigation Based on the Rough/Fine Matching Method

LI Xiang1,2,HUA Yixin1,ZHANG Hong1,ZHANG Jiangshui1

1. Institute of Geospatial Information，Information Engineering University，Zhengzhou 450001，China； 2. State Key Laboratory of Geo-information Engineering，Xi’an 710000，China

In the passive environment, accumulated positioning errors of the inertial navigation system (INS) could not be corrected by satellite navigation and positioning, a rough/fine matching method based on high-precision road data was proposed to adjust the vehicle trajectory data acquired by INS. Firstly, by analyzing the feature label point and its minimum bounding rectangle in inertial trajectory, the obvious error matching road and redundant road could be eliminated and the candidate matching road sets could be captured. Then, with the advantages of high precision and stable matching result, the ICCP algorithm was built to compensate and correct the positioning errors caused by INS. Finally, the matching variance and history matching results could be used to judge whether the matching results were correct. Simulation results illustrated that this method could improve the correction accuracy and reduce the false matching results in the complex road intersections.

rough/fine matching；vector road；trajectory feature；the feature label point；ICCP algorithm

The National Natural Science Foundation of China (Nos.41271450；41471336)；The National Science and Technology Supporting Program (No. 2012BAK12B02)；The Key Laboratory of Geo-information Engineering Fund(No.SKLGIE2015-M-4-4)；The National Key Research and Development Plan(No.2016YFB0502300)

LI Xiang(1987—)，male，PhD，majors in aided positioning technique based on GIS and embedded GIS.

李翔，華一新，張宏，等.粗精匹配結(jié)合的矢量道路輔助慣性導(dǎo)航算法[J].測繪學(xué)報，2017,46(8)：1034-1046.

10.11947/j.AGCS.2017.20160469. LI Xiang, HUA Yixin, ZHANG Hong, et al.Positioning Correction Algorithm of Vector Road Aided Inertial Navigation Based on the Rough/Fine Matching Method[J]. Acta Geodaetica et Cartographica Sinica,2017,46(8):1034-1046. DOI:10.11947/j.AGCS.2017.20160469.

P208

A

1001-1595(2017)08-1034-13

國家自然科學(xué)基金(41271450；41471336)；國家科技支撐計劃(2012BAK12B02)；地理信息工程國家重點實驗室開放基金課題(SKLGIE2015-M-4-4)；國家重點研發(fā)計劃(2016YFB0502300)

2016-09-21

李翔(1987—)，男，博士，研究方向為GIS輔助定位技術(shù)。

E-mail： ryolx13@126.com

修回日期： 2017-07-01