黃 鶴，陳志鋒，衣鵬軍

(1.北京建筑大學(xué)測(cè)繪與城市空間信息學(xué)院，北京 102616；2.未來(lái)城市設(shè)計(jì)北京市高精尖創(chuàng)新中心，北京102616)

隨著汽車導(dǎo)航技術(shù)的不斷發(fā)展，自動(dòng)駕駛技術(shù)成為研究熱點(diǎn),但就現(xiàn)階段而言，自動(dòng)駕駛處于試驗(yàn)研究階段，技術(shù)上需要可靠性與穩(wěn)定性的突破，政策上需要相關(guān)法律與標(biāo)準(zhǔn)的跟進(jìn)，甚至基礎(chǔ)設(shè)施也需要相應(yīng)的投入。目前，ADAS(高級(jí)駕駛輔助系統(tǒng))是汽車技術(shù)由機(jī)械化向智能化轉(zhuǎn)變的重要條件。在最新的ADAS研究報(bào)告中，ADAS的功能方案和具體試驗(yàn)已經(jīng)非常成熟。在《中國(guó)制造2025》中，也已經(jīng)明確給出了ADAS相關(guān)內(nèi)容標(biāo)準(zhǔn)和框架，說(shuō)明目前國(guó)家在ADAS方面已經(jīng)有了較為明確的方向、標(biāo)準(zhǔn)及術(shù)語(yǔ)定義。ADAS中最重要的是地圖數(shù)據(jù)中高程信息的引入，ADAS導(dǎo)航地圖作為ADAS重要的先驗(yàn)信息，除傳統(tǒng)的平面坐標(biāo)信息之外，同時(shí)為車輛提供道路的曲率、坡度等重要信息。高程作為ADAS數(shù)據(jù)中一個(gè)關(guān)鍵要素對(duì)ADAS決策和駕駛中的人機(jī)交互具有十分重要的輔助作用[1]。

目前ADAS高精度導(dǎo)航地圖數(shù)據(jù)的采集基本依賴于移動(dòng)道路測(cè)量系統(tǒng)，該系統(tǒng)集成了傳感器集、GNSS、INS系統(tǒng)等，采集方式按照精度的不同主要分為3種，包括基于MMS(GPS/IMU+激光掃描儀，經(jīng)驗(yàn)精度0.1～1.0 m)、基于MMS(GPS/IMU或第三方供應(yīng)商，經(jīng)驗(yàn)精度0.5～5.0 m)、基于SRTM3 DEM(柵格分辨率90 m)。其中實(shí)采數(shù)據(jù)采集的是具有一定距離間隔的點(diǎn)(形狀點(diǎn))的坐標(biāo)和高程信息[2]。將這些點(diǎn)的信息擴(kuò)展成彼此獨(dú)立的線幾何信息，一定數(shù)量的點(diǎn)構(gòu)成的線幾何就成為ADAS數(shù)據(jù)中LANE的基本單位LINK，LINK端點(diǎn)區(qū)別于形狀點(diǎn)，定義為NODE。顯然，符合實(shí)際的LINK之間的高程應(yīng)該是連續(xù)的。但是由于數(shù)據(jù)采集的環(huán)境、采集設(shè)備的參數(shù)、人員、時(shí)間等一系列不可預(yù)知因素的存在，以及數(shù)據(jù)采集完成后內(nèi)業(yè)人員對(duì)數(shù)據(jù)進(jìn)行的后處理過(guò)程中不可避免的數(shù)據(jù)篩選和處理過(guò)程等，這些因素都造成ADAS數(shù)據(jù)中實(shí)際LINK間的節(jié)點(diǎn)(NODE點(diǎn))在不同的LINK上具有不同的高程值。對(duì)整個(gè)ADAS數(shù)據(jù)而言，該問(wèn)題的存在使整個(gè)ADAS數(shù)據(jù)中的道路線具有了高程突變現(xiàn)象。在傳統(tǒng)導(dǎo)航地圖主導(dǎo)的電子導(dǎo)航時(shí)代，由于地圖數(shù)據(jù)中不存在高程信息，因此不存在該問(wèn)題。但是在ADAS高精度導(dǎo)航地圖領(lǐng)域，高程作為重要的決策和人機(jī)交互參考信息而存在，數(shù)據(jù)中的高程異常問(wèn)題需進(jìn)行后處理糾正。鑒于ADAS對(duì)地圖信息有著極高的實(shí)際符合性要求，高程異常的糾正過(guò)程并非簡(jiǎn)單的LINK二次“搭接”，而是要在滿足整體合理性的基礎(chǔ)上做到高度的實(shí)際符合性，即調(diào)整后的數(shù)據(jù)應(yīng)該符合實(shí)際道路信息。同時(shí)對(duì)原始數(shù)據(jù)改動(dòng)應(yīng)該限定在一定的閾值之內(nèi)。

針對(duì)上述問(wèn)題，基于水準(zhǔn)網(wǎng)平差的基本思想，探索相應(yīng)算法，修正ADAS高精度導(dǎo)航地圖中的高程異常，以解決ADAS數(shù)據(jù)中的高程不連續(xù)問(wèn)題。本文主要對(duì)如何一次統(tǒng)一ADAS高精度導(dǎo)航地圖中的高程異常問(wèn)題中的控制層處理問(wèn)題進(jìn)行論述。文中高程異常指LINK間同名NODE點(diǎn)的多值性問(wèn)題。

由于高程信息涉及國(guó)家安全問(wèn)題，因此本文中所涉及的高程數(shù)據(jù)均是算法加密后數(shù)據(jù)。

1 ADAS數(shù)據(jù)結(jié)構(gòu)及高程異常問(wèn)題

現(xiàn)實(shí)世界的道路是由線幾何表示的，在ADAS數(shù)據(jù)中線幾何是由各個(gè)獨(dú)立的LINK連接而成。LINK表示現(xiàn)實(shí)道路的形狀，每一條LINK都有一個(gè)唯一編號(hào)，并有1個(gè)起始NODE、1個(gè)終點(diǎn)NODE，以及數(shù)目不等的具有一定密度間隔(一般為5 m)的形狀點(diǎn)。當(dāng)幾條LINK相交時(shí)，會(huì)共用同一個(gè)NODE。每一個(gè)NODE有一個(gè)唯一編號(hào)。LINK通過(guò)NODE點(diǎn)和形狀點(diǎn)經(jīng)度、緯度、絕對(duì)高程來(lái)表達(dá)三維特征，如圖1所示。

圖1 ADAS數(shù)據(jù)組織結(jié)構(gòu)示意圖

在地理信息產(chǎn)業(yè)領(lǐng)域，非等精度數(shù)據(jù)問(wèn)題由來(lái)已久，目前行業(yè)內(nèi)并沒(méi)有數(shù)據(jù)質(zhì)量評(píng)定的統(tǒng)一標(biāo)準(zhǔn)[3]。此外設(shè)備不同及測(cè)量單元和環(huán)境的影響還將會(huì)給每段LINK帶來(lái)不同的系統(tǒng)誤差。理論上，在一個(gè)LINK塊內(nèi)，數(shù)據(jù)中包含的系統(tǒng)誤差是穩(wěn)定的，精度也具有相同的性質(zhì)。如圖2所示，大量的實(shí)采數(shù)據(jù)已經(jīng)證明上述結(jié)論。以上這些主要因素導(dǎo)致ADAS數(shù)據(jù)中LINK間高程不連續(xù)的問(wèn)題，即同一區(qū)域高程存在差異且道路交叉點(diǎn)處的同一NODE高程存在多值性。由于該系統(tǒng)誤差具有穩(wěn)定性，且數(shù)據(jù)具有較好的相對(duì)精度[4]，因此LINK內(nèi)的坡度變化與現(xiàn)實(shí)情況具有高度的符合性。

圖2 ADAS數(shù)據(jù)中的LINK高程趨勢(shì)變化

2 解決思路

由于需要處理的道路數(shù)據(jù)屬于多源、非等精度觀測(cè)數(shù)據(jù)，因此將數(shù)據(jù)分為5個(gè)等級(jí)，按照分級(jí)布設(shè)、逐級(jí)控制，先整體、后局部的原則，分級(jí)控制，先全國(guó)、后分省分區(qū)域，如圖3所示。由于高速公路在觀測(cè)條件、連續(xù)性及數(shù)據(jù)的完整性方面較其他等級(jí)道路具有的優(yōu)勢(shì)，以高速公路作為控制的最高級(jí)。考慮ADAS中道路的曲率、坡度等信息是重要的基礎(chǔ)信息，因此在進(jìn)行數(shù)據(jù)整體調(diào)整的過(guò)程中，優(yōu)先考慮坡度信息，將坡度的變化嚴(yán)格控制在一定的閾值之內(nèi)。ADAS數(shù)據(jù)中的非實(shí)采低精度數(shù)據(jù)對(duì)坡度無(wú)要求。與一般測(cè)繪意義上的最優(yōu)估計(jì)不同，ADAS數(shù)據(jù)處理整個(gè)過(guò)程并非為了提高精度，而是主要保證整體符合性與整體合理性，同時(shí)盡量降低對(duì)原始數(shù)據(jù)的改動(dòng)。

圖3 ADAS數(shù)據(jù)處理逐級(jí)控制

根據(jù)逐級(jí)控制的思路，首級(jí)控制為次級(jí)道路提供了必要的控制參考，建立了ADAS數(shù)據(jù)高程控制框架。對(duì)于首級(jí)控制借鑒大型水準(zhǔn)網(wǎng)平差方法，結(jié)合本問(wèn)題的特點(diǎn)，采用整體最優(yōu)估計(jì)思想處理高速數(shù)據(jù)?？紤]ADAS數(shù)據(jù)的具體特點(diǎn)，為將ADAS高精度導(dǎo)航地圖中的線幾何抽象為水準(zhǔn)網(wǎng)中的水準(zhǔn)線路，在數(shù)據(jù)處理前建立了3個(gè)新的概念，即VISCOSITY(量化NODE點(diǎn)與LINK關(guān)聯(lián)度參數(shù))、EFFECTIVE_NODE、EDGE，如圖4所示。數(shù)據(jù)預(yù)處理過(guò)程的首要工作是計(jì)算ADAS導(dǎo)航數(shù)據(jù)中的點(diǎn)—線拓?fù)潢P(guān)系，基于該拓?fù)潢P(guān)系計(jì)算全部NODE點(diǎn)的黏度參數(shù)，基于VISCOSITY參數(shù)信息提取NODE點(diǎn)中VISCOSITY參數(shù)≥3的NODE點(diǎn)，并定義為EFFECTIVE_NODE，EFFECTIVE_NODE之間的連接關(guān)系為EDGE。

圖4 EDGE與EFFECTIVE_NODE的定義

通過(guò)對(duì)問(wèn)題的抽象，借鑒水準(zhǔn)網(wǎng)平差中的整體最優(yōu)估計(jì)基本思想，綜合本文的實(shí)際需求綜合處理ADAS數(shù)據(jù)中的高程異常問(wèn)題。將方案基本過(guò)程模塊化，主要過(guò)程如圖5所示。

圖5 ADAS頂層控制處理流程

2.1 數(shù)據(jù)預(yù)處理

提取作為控制的高等級(jí)數(shù)據(jù)，首先計(jì)算NODE點(diǎn)與LINK的完整拓?fù)潢P(guān)系，基于拓?fù)潢P(guān)系計(jì)算NODE點(diǎn)VISCOSITY參數(shù)，作為篩選EFFECTIVE_NODE的依據(jù)，EFFECTIVE_NODE篩選完成后，建立EFFECTIVE_NODE之間的全部連接(EDGE)。記錄每條連接及連接內(nèi)部的LINK集合，按照EDGE建立的方向記錄EDGE的起點(diǎn)和重點(diǎn)NODE編號(hào)，同時(shí)按照樹(shù)形生長(zhǎng)方向計(jì)算EDGE的高差，高差計(jì)算算法如圖6所示，將每個(gè)EDGE的第一條LINK作為基準(zhǔn)LINK，其后的LINK依次接合到上一LINK的公共NODE點(diǎn)上，同時(shí)計(jì)算LINK內(nèi)NODE點(diǎn)的新高程值，依次進(jìn)行，直至訪問(wèn)到EFFECTIVE_NODE時(shí)結(jié)束。完成全部EDGE信息的計(jì)算后就將原始的ADAS數(shù)據(jù)抽象為準(zhǔn)水準(zhǔn)網(wǎng)的數(shù)據(jù)結(jié)構(gòu)。

圖6 EDGE高差計(jì)算算法

考慮建立EFFECTIVE_NODE與EDGE的過(guò)程中，可能會(huì)出現(xiàn)附和路線連接，如圖7所示，在記錄EDGE時(shí)以EDGE路線的距離作為判斷依據(jù)，自動(dòng)記錄較短EDGE。

圖7 局部附和線路示意圖

2.2 獨(dú)立閉合環(huán)高效搜索

對(duì)于獨(dú)立閉合環(huán)的搜索，采用基于生成樹(shù)-余樹(shù)的閉合環(huán)搜索算法[5]，該算法能夠穩(wěn)定地搜索出全部獨(dú)立閉合環(huán)，但是計(jì)算量會(huì)隨著搜到的最小獨(dú)立閉合環(huán)數(shù)量的增多而急劇增加，對(duì)于網(wǎng)結(jié)構(gòu)不是非常復(fù)雜，網(wǎng)內(nèi)閉合環(huán)數(shù)目不是十分龐大的對(duì)象其計(jì)算量是可以接受的。對(duì)于ADAS數(shù)據(jù)，由于形成閉合環(huán)的數(shù)目十分龐大，因此搜索效率是必須考慮的問(wèn)題。在生成樹(shù)-余樹(shù)搜索算法的基礎(chǔ)上，對(duì)算法進(jìn)行優(yōu)化，盡量減小搜索時(shí)間。利用網(wǎng)形信息構(gòu)建最優(yōu)樹(shù)模型，同時(shí)得到余枝信息，然后以余枝為基礎(chǔ)條件，可穩(wěn)定地搜索出所有最小獨(dú)立閉合環(huán)[6]。

閉合環(huán)數(shù)目個(gè)數(shù)的確定規(guī)則如下：所有的閉合環(huán)中邊數(shù)最少的環(huán)是三邊形，對(duì)于由n個(gè)點(diǎn)、m條獨(dú)立觀測(cè)邊構(gòu)成的網(wǎng)(附和路線和支路線在前期數(shù)據(jù)處理過(guò)程中已經(jīng)剔除)，其必要觀測(cè)數(shù)為n-1，多余觀測(cè)數(shù)為n-m+1，因此對(duì)于任意網(wǎng)內(nèi)的獨(dú)立閉合環(huán)的個(gè)數(shù)為n-m+1[7]。

基于生成樹(shù)-余樹(shù)的閉合環(huán)搜索算法的基本思路為：從網(wǎng)中某一結(jié)點(diǎn)開(kāi)始，建立樹(shù)型結(jié)構(gòu)，余枝數(shù)為獨(dú)立閉合環(huán)個(gè)數(shù)r。將每條余枝分別加到樹(shù)上，即可生成一組閉合環(huán)，每個(gè)閉合環(huán)都至少包含一條不屬于其他環(huán)的余枝(邊)，因而這一組閉合環(huán)是相互獨(dú)立的。但生成的閉合環(huán)因樹(shù)型結(jié)構(gòu)生成的方法和添加余枝的次序不同而不同，因而得到的閉合環(huán)不一定是最小閉合環(huán)。

為了保證每條余枝都能生成一個(gè)最小環(huán)，余枝加到樹(shù)上的順序及構(gòu)成環(huán)的策略應(yīng)該有所考慮。首先嘗試把所有余枝加到樹(shù)上，計(jì)算出每條余枝生成環(huán)的邊數(shù)，選出其中邊數(shù)最小的環(huán)為一個(gè)最小環(huán)，相應(yīng)的余枝優(yōu)先加到樹(shù)上，樹(shù)上添加余枝后生成的樹(shù)稱為當(dāng)前樹(shù)。然后，在其他余枝中分別找出每條余枝兩個(gè)端點(diǎn)在當(dāng)前樹(shù)中的最短路徑，計(jì)算構(gòu)成環(huán)的邊數(shù)，邊數(shù)最少(距離最短)的環(huán)就是最小環(huán)，相應(yīng)的余枝加到當(dāng)前樹(shù)中。經(jīng)過(guò)有限次循環(huán)后即可找到一組r個(gè)獨(dú)立的最小環(huán)?；谠撍惴ǖ母倪M(jìn)思路是將抽象形成的網(wǎng)(連通圖)進(jìn)行合理的碎化處理，由于在碎化過(guò)程中切割是沿著連通圖連接關(guān)系進(jìn)行的，因此在這個(gè)過(guò)程中避免了數(shù)據(jù)損失。

2.3 網(wǎng)調(diào)整參數(shù)的最優(yōu)估計(jì)

ADAS高精度地圖數(shù)據(jù)在經(jīng)過(guò)抽象之后，形成了以EDGE連接EFFECTIVE_NODE的網(wǎng)絡(luò)結(jié)構(gòu)，此時(shí)數(shù)據(jù)的高程信息依然是離散的，相互關(guān)聯(lián)的LINK之間不連續(xù)。此時(shí)的最優(yōu)估計(jì)是直接針對(duì)EDGE高差的。通過(guò)對(duì)EDGE高差的整體微調(diào)，使整個(gè)網(wǎng)內(nèi)的所有EFFECTIVE_NODE之間的相對(duì)高差完全合理，即給定一定數(shù)量的已知高程信息，通過(guò)不同的路徑推算某個(gè)EFFECTIVE_NODE的高程不會(huì)出現(xiàn)沖突，即為整體合理性。此處的平差側(cè)重點(diǎn)不再為了提高整個(gè)網(wǎng)的數(shù)據(jù)精度，而在于使ADAS一級(jí)路網(wǎng)首先滿足整體合理性。這也是后續(xù)分配閉合差進(jìn)行各級(jí)數(shù)據(jù)微調(diào)的前提和基礎(chǔ)。

ADAS數(shù)據(jù)采集過(guò)程雖然在一定程度上排除了人為干擾，但是GNSS+INS的采集方式卻不可避免地受到環(huán)境影響，如進(jìn)出隧道附近的數(shù)據(jù)會(huì)明顯產(chǎn)生一定程度的漂移。從采集到的數(shù)據(jù)所反映的實(shí)際來(lái)看，在極個(gè)別情況下這種誤差會(huì)達(dá)到十米級(jí)。顯然這樣的誤差將給純粹依賴最小二乘的平差帶來(lái)十分不利的影響，如何探測(cè)該誤差或?qū)⒃撜`差的影響降到最低是必須要考慮的問(wèn)題。目前對(duì)于消除粗差的研究相對(duì)成熟[8-9]，對(duì)于粗差處理和最優(yōu)估計(jì)理論已有很多成熟的研究[10-14]，已有消除或減弱誤差的方法一般分為兩種思路。一類是通過(guò)統(tǒng)計(jì)學(xué)原理對(duì)粗差進(jìn)行探測(cè)定位并加以消除，這方面的研究以文獻(xiàn)[15]的粗差探測(cè)法為代表。另一類是通過(guò)平衡數(shù)據(jù)來(lái)源的權(quán)重來(lái)最大限度地降低或減弱粗差對(duì)估值的影響，這種方法不對(duì)粗差進(jìn)行定位和消除，因此估值方法選擇尤為重要(如L1范數(shù)最小估計(jì)、M估計(jì)等)。李德仁院士于1984年提出的選權(quán)迭代法是該方向一種重要的方法[16]。

由本文討論的問(wèn)題出發(fā)，在獲取已知數(shù)據(jù)的同時(shí)獲得了道路的等級(jí)和道路形態(tài)信息，通過(guò)這些信息可以大致反映觀測(cè)值的精度水平，也就是說(shuō)，本問(wèn)題在平差計(jì)算前一定程度上相當(dāng)于獲得了觀測(cè)值的先驗(yàn)精度信息。因此，本問(wèn)題更適合第二類抗粗差方法。

如何將道路形態(tài)信息通過(guò)一定的數(shù)學(xué)法則映射成為觀測(cè)值的先驗(yàn)權(quán)問(wèn)題需要進(jìn)行多次試驗(yàn)，不斷優(yōu)化。

為控制調(diào)整后的整體網(wǎng)形與實(shí)際路網(wǎng)相符合，采用附有限制條件的約束平差，在有條件方程形成的方程組下，加入由一定量已知點(diǎn)所形成的附和路線約束方程作為約束整體解算，從而使解算后的網(wǎng)形盡量貼合實(shí)際情況。

關(guān)于定權(quán)問(wèn)題，必須指出的是，ADAS的數(shù)據(jù)采集方式依賴移動(dòng)道路測(cè)量系統(tǒng)，移動(dòng)道路測(cè)量系統(tǒng)獲取的ADAS地圖數(shù)據(jù)的最小數(shù)據(jù)單位為點(diǎn)的位置信息，以GNSS方式獲取的數(shù)據(jù)在單個(gè)點(diǎn)的位置上沒(méi)有誤差累計(jì)，因此，EDGE的長(zhǎng)度與EDGE的高差沒(méi)有直接聯(lián)系。在當(dāng)前不考慮GNSS采集環(huán)境差異的情況下，LINK與EDGE的高差信息均是獨(dú)立的，因此建立在EDGE層級(jí)上的最優(yōu)估計(jì)確立采用單位權(quán)處理。

2.4 數(shù)據(jù)重建

數(shù)據(jù)重建過(guò)程分為4個(gè)部分，分別為閉合差分配、LINK重建、EDGE重建和網(wǎng)重建，各部分之間依次進(jìn)行。參數(shù)估計(jì)后獲得的改正數(shù)是對(duì)EDGE的改正數(shù)。已經(jīng)論證，ADAS的數(shù)據(jù)采集方式所獲取數(shù)據(jù)的最小單位為形狀點(diǎn)。由于ADAS數(shù)據(jù)中的LINK長(zhǎng)度不一，為避免在分配改正數(shù)時(shí)，某一LINK上形狀點(diǎn)的高程改動(dòng)幅度過(guò)大，影響實(shí)采的坡度信息，在閉合差分配時(shí)采用按長(zhǎng)度定權(quán)的分配方式。根據(jù)式(1)計(jì)算同一LINK上各點(diǎn)的改正數(shù)，將改正數(shù)合理分配到每一個(gè)形狀點(diǎn)上，如圖8所示，從而保證坡度信息的準(zhǔn)確性，同時(shí)將數(shù)據(jù)調(diào)整的幅度控制在一定的閾值之內(nèi)。

圖8 LINK重建

將各個(gè)EDGE上的改正數(shù)按照以上規(guī)則分配后得到每段LINK的改正參數(shù)，對(duì)每一段LINK進(jìn)行數(shù)據(jù)微調(diào)，微調(diào)方向基于數(shù)據(jù)預(yù)處理中的EDGE生長(zhǎng)方向。各形狀點(diǎn)的微調(diào)計(jì)算公式如下

vvi=(n-1)·vi

(1)

在完成對(duì)LINK數(shù)據(jù)的重建后，需要以EDGE為單位對(duì)EDGE進(jìn)行重建，目的是將EDGE連接成為連續(xù)的線幾何曲線，從而為后續(xù)對(duì)全部的EDGE賦予絕對(duì)高程信息作數(shù)據(jù)準(zhǔn)備。

EDGE重建的過(guò)程與求EDGE高差的過(guò)程類似，對(duì)于所有的EDGE逐條處理，按照EDGE生長(zhǎng)方向依次將LINK接合在相鄰LINK的同名NODE點(diǎn)上，在此過(guò)程中對(duì)LINK內(nèi)的形狀點(diǎn)的高程作二次校正。

EDGE重建完成后，結(jié)合給定的起算數(shù)據(jù)進(jìn)行網(wǎng)重建，網(wǎng)重建的已知起算數(shù)據(jù)為約束平差中具有實(shí)際高程值的已知NODE點(diǎn)。此時(shí)選取一個(gè)起算點(diǎn)，向四周擴(kuò)展，即可將具有準(zhǔn)確相對(duì)高程關(guān)系的EDGE數(shù)據(jù)賦值以絕對(duì)高程。此時(shí)已經(jīng)完成了對(duì)控制層的高程異常處理。

3 試驗(yàn)及結(jié)果分析

數(shù)據(jù)處理結(jié)果中，本文抽取北京地區(qū)的數(shù)據(jù)為例進(jìn)行試驗(yàn)結(jié)果的介紹。北京地區(qū)FC=1(Function Class)總計(jì)396 606條數(shù)據(jù)記錄，經(jīng)過(guò)數(shù)據(jù)預(yù)處理獲取有效EDGE記錄412條，篩選得到的關(guān)鍵NODE節(jié)點(diǎn)282個(gè)，相關(guān)LINK總計(jì)6874條?；诔橄笮纬傻腅DGE總計(jì)搜索計(jì)算得到閉合環(huán)131個(gè)，閉合環(huán)邊數(shù)最大為13。在整體最優(yōu)化估計(jì)處理結(jié)果中，EDGE改正數(shù)最大為2.156 m，最小為0.000 724 813 9 m，EDGE改正數(shù)均方差為0.147 5 m，平均單個(gè)形狀點(diǎn)的改正幅度為毫米級(jí)。

高差驗(yàn)證方面，本文隨機(jī)抽取了京津冀地區(qū)的S10線河北易縣至淶源縣段，該段線路在數(shù)據(jù)預(yù)處理后對(duì)應(yīng)的EDGE編號(hào)及直線總計(jì)82.533 km，線路總計(jì)101.135 km。編號(hào)為1490和925的EDGE分別為該線路的上行線和下行線。EDGE信息和程序計(jì)算得到的線路高差見(jiàn)表1。

表1 相關(guān)EGDE信息表 m

在谷歌地球中標(biāo)記該線路的端點(diǎn)坐標(biāo)，如圖9所示。記錄線路和對(duì)應(yīng)大地坐標(biāo)，計(jì)算兩端點(diǎn)的相對(duì)大地高差為813.278 m，證明本文方案中的高差計(jì)算算法嚴(yán)謹(jǐn)可靠。

圖9 線路示意圖

由于大區(qū)域范圍數(shù)據(jù)量龐大，難以直觀展示，因此截取數(shù)據(jù)中天津北部的處理結(jié)果進(jìn)行展示。經(jīng)過(guò)驗(yàn)證，該算法可以快速進(jìn)行數(shù)據(jù)處理，實(shí)現(xiàn)對(duì)數(shù)據(jù)中高程異常的修正，如圖10—圖12所示。

圖10 試驗(yàn)數(shù)據(jù)區(qū)塊(天津北部)

圖11 處理前數(shù)據(jù)

圖12 處理后數(shù)據(jù)

對(duì)單個(gè)閉合環(huán)進(jìn)行隨機(jī)取樣抽檢可以優(yōu)先檢測(cè)整體合理性與實(shí)際符合性。通過(guò)隨機(jī)提取閉合環(huán)號(hào)，提取了部分閉合環(huán)進(jìn)行單環(huán)展示，閉合環(huán)號(hào)編號(hào)為6的閉合環(huán)數(shù)據(jù)處理前的LINK在空間內(nèi)的展示如圖13所示，處理后效果如圖14所示。

圖13 處理前單個(gè)閉合環(huán)空間展示

圖14 處理后單個(gè)閉合環(huán)空間展示

該方法對(duì)原始坡度信息的改動(dòng)是微小的。圖15所示為隨機(jī)完整閉合環(huán)線路，通過(guò)處理前后的剖面圖可以明顯地反映坡度的變化情況，這一點(diǎn)在坡面圖上也可以得到很好的反映。

圖15 處理前后符合度與改動(dòng)幅度展示

4 結(jié) 語(yǔ)

在ADAS高精度導(dǎo)航地圖數(shù)據(jù)高程異常優(yōu)化改正運(yùn)算結(jié)果中隨機(jī)選取其中任意閉合環(huán)進(jìn)行質(zhì)量檢查，結(jié)果符合預(yù)期，證明該算法可以實(shí)現(xiàn)對(duì)ADAS高精度導(dǎo)航地圖中的高程異常問(wèn)題的處理，具有整體符合性好、數(shù)據(jù)改動(dòng)幅度小、整體合理的優(yōu)點(diǎn)。通過(guò)逐級(jí)控制完成控制層的數(shù)據(jù)處理后，基于各級(jí)控制形成的控制網(wǎng)絡(luò)，按照具體數(shù)據(jù)等級(jí)的處理要求將非控制數(shù)據(jù)按照一定的算法規(guī)則接合在控制網(wǎng)內(nèi)，從而實(shí)現(xiàn)對(duì)ADAS高精度導(dǎo)航地圖的全面高程異常修正。

在下一步的工作中，筆者將對(duì)ADAS數(shù)據(jù)中可能存在的其他問(wèn)題進(jìn)行進(jìn)一步分析，如基于DEM數(shù)據(jù)附加實(shí)采數(shù)據(jù)約束的擬合方法、道路雙線的約束方法、獨(dú)立異常網(wǎng)絡(luò)的探測(cè)、大型復(fù)雜三維網(wǎng)絡(luò)的連通圖表達(dá)、大型連通圖的閉合環(huán)高速搜索算法等。