張新崗，韓勇強(qiáng)，謝志超，張路成，黃吳淼

（北京理工大學(xué)自動(dòng)化學(xué)院，北京 100081）

1 引 言

慣性導(dǎo)航系統(tǒng)（Inertial Navigation System，INS）憑借其完全自主、高穩(wěn)定性、大帶寬和導(dǎo)航信息豐富等優(yōu)勢(shì)，在陸用移動(dòng)平臺(tái)的導(dǎo)航領(lǐng)域占據(jù)著重要地位。但慣性導(dǎo)航存在定位誤差隨時(shí)間積累的問(wèn)題，當(dāng)引入其他方法對(duì)其進(jìn)行輔助校正時(shí)，其可在保持獨(dú)立連續(xù)制導(dǎo)的同時(shí)，準(zhǔn)確地進(jìn)行定位。常用的方法有全球定位系統(tǒng)、里程計(jì)技術(shù)、航位推算及地圖匹配技術(shù)等。近年來(lái)，隨著定位技術(shù)和位置服務(wù)應(yīng)用的發(fā)展，高精度電子地圖的精度達(dá)到厘米級(jí)。地圖匹配技術(shù)的研究不斷推進(jìn)，且其作為一種軟件技術(shù)，不需要添加新硬件，在低成本的同時(shí)可以有效地抑制慣性導(dǎo)航的誤差發(fā)散。利用地圖匹配技術(shù)輔助慣性導(dǎo)航已經(jīng)成為當(dāng)前研究的熱點(diǎn)問(wèn)題。

針對(duì)這一問(wèn)題，國(guó)內(nèi)外學(xué)者相繼提出了許多地圖匹配算法[1]。地圖匹配的種類(lèi)可分為幾何特征匹配[2]、概率統(tǒng)計(jì)[3]、權(quán)重算法[4]、D-S 證據(jù)推理[5]、貝葉斯[6]以及高級(jí)地圖匹配[7]等。但是上述方法主要對(duì)全球定位系統(tǒng)（Global Position System,GPS）數(shù)據(jù)進(jìn)行處理，與INS 結(jié)合的方法較少。鄧志紅等[8]根據(jù)慣導(dǎo)輸出的信息引入“平移向量”的概念，使用了改進(jìn)的投影匹配法對(duì)INS 誤差進(jìn)行修正；李磊磊等[9]使用多種不同的地圖匹配算法，對(duì)慣導(dǎo)提供的導(dǎo)航信息和車(chē)輛行駛的道路進(jìn)行對(duì)比，根據(jù)不同的道路情景選擇不同的匹配算法，但是該方法對(duì)于道路特征的劃分有著嚴(yán)格的要求，較為復(fù)雜的地段匹配效果不高；劉峰等[10]采用道路的幾何特征對(duì)慣導(dǎo)軌跡進(jìn)行修正，放棄了點(diǎn)到線(xiàn)式的點(diǎn)匹配方法，全程采用線(xiàn)到線(xiàn)式的段匹配法，計(jì)算量較大，匹配實(shí)時(shí)性不高；Han 等[11]則采用了點(diǎn)匹配方法，且結(jié)合光欄法對(duì)軌跡路線(xiàn)進(jìn)行了壓縮，匹配速度有較大的提升，但是匹配效果不佳，容易出現(xiàn)“野點(diǎn)”，匹配錯(cuò)誤率較高。

不同于GPS 數(shù)據(jù)，車(chē)輛在使用INS 導(dǎo)航時(shí)，短時(shí)間內(nèi)慣性導(dǎo)航的軌跡往往為一段連續(xù)平滑的曲線(xiàn)，且軌跡與實(shí)際路線(xiàn)的一致性較高。根據(jù)這一特點(diǎn)，本文設(shè)計(jì)了一種“點(diǎn)段”結(jié)合的地圖匹配方法：在道路特征不明顯的路段使用點(diǎn)匹配，既能保證較高的精度，又能降低計(jì)算量，提高算法效率；在岔路或者復(fù)雜路段引入“裁決系統(tǒng)”，充分利用歷史匹配信息，對(duì)相似的匹配路徑進(jìn)行段對(duì)比，既能夠彌補(bǔ)點(diǎn)匹配容易出現(xiàn)誤匹配的缺陷，同時(shí)又降低了整體的計(jì)算量，在保證實(shí)時(shí)性的同時(shí)有著更強(qiáng)的魯棒性。

2 算法

2.1 基于Light-Barrier 法的特征點(diǎn)檢測(cè)

電子地圖中的路網(wǎng)信息是通過(guò)連續(xù)的折線(xiàn)近似為道路曲線(xiàn)，采樣點(diǎn)一定程度上可以表征路網(wǎng)的幾何形狀：在直線(xiàn)路線(xiàn)中，采樣點(diǎn)分布較為稀疏；而在轉(zhuǎn)彎，岔路等復(fù)雜路線(xiàn)中，采樣點(diǎn)分布較為密集。在這種情況下，路段的幾何特征較為明顯。在對(duì)定位軌跡和路網(wǎng)對(duì)比前，可以在盡可能保證原有軌跡特征沒(méi)有過(guò)多改變的同時(shí)，對(duì)定位軌跡進(jìn)行數(shù)據(jù)壓縮。本文采用Light-Barrier 法[11]檢測(cè)慣導(dǎo)軌跡中的特征點(diǎn)，其反映了軌跡局部的變化特征，可以在維持曲線(xiàn)本身形狀的同時(shí)壓縮大量數(shù)據(jù)，降低計(jì)算量，保證算法實(shí)時(shí)性。Light-Barrier 原理如圖1 所示，假設(shè)p1p2～pn為某路線(xiàn)軌跡上的采樣點(diǎn)，特征點(diǎn)的具體的識(shí)別過(guò)程如下。

圖1 Light-Barrier 法原理圖Fig. 1 Schematic diagram of the Light-Barrier

（1）確定光欄的閾值d，連接p1p2，過(guò)p2作該線(xiàn)段的垂線(xiàn)，在垂線(xiàn)上取兩個(gè)點(diǎn)，記為a1和a2，滿(mǎn)足a1p2=a2p2=d/2，以p1作為頂點(diǎn)，p1a1、p1a2分別作為兩條邊，形成的扇形區(qū)域稱(chēng)為光欄。

（2）判斷下一個(gè)點(diǎn)p3是否存在于該扇形區(qū)域內(nèi)。p3處于該光欄內(nèi)，則舍去p2。再連接p1p3，過(guò)p3作線(xiàn)段p1p3的垂線(xiàn)，這條垂線(xiàn)和第一步中定義的光欄交于c1和c2。再在這條垂線(xiàn)上取兩個(gè)點(diǎn)，記為b1和b2，滿(mǎn)足b1p3=b2p3=d/2。從b1、c1和b2、c2中分別選擇距離p3最近的兩個(gè)點(diǎn)（圖中選擇的是b1、c2）定義為新光欄。

（3）重復(fù)步驟（2），當(dāng)有采樣點(diǎn)位于定義的光欄外時(shí)，進(jìn)行步驟（4）。

（4）當(dāng)采樣點(diǎn)位于光欄外，如圖中的p4點(diǎn)，此時(shí)將把p3點(diǎn)作為特征點(diǎn)進(jìn)行保留，并且將p3作為新的起點(diǎn)，重復(fù)步驟（1）～（3）。

2.2 原始INS 軌跡的收束校正

雖然隨著時(shí)間的增加，車(chē)輛裝載慣性導(dǎo)航系統(tǒng)的導(dǎo)航位置會(huì)出現(xiàn)偏差，但是它輸出的位置仍然是連續(xù)變化的。因此，可以通過(guò)匹配點(diǎn)和特征點(diǎn)以及導(dǎo)航初始點(diǎn)對(duì)INS 輸出的位置進(jìn)行收束校正處理，收束后的位置會(huì)更偏向于車(chē)輛的真實(shí)位置，從而可以極大地縮小候選道路的搜索范圍，提高效率。

INS 的軌跡、匹配點(diǎn)和初始點(diǎn)的位置關(guān)系可以用旋轉(zhuǎn)參數(shù)φ和拉伸參數(shù)λ表示，其中旋轉(zhuǎn)參數(shù)φ可用方向夾角[7]進(jìn)行求取，如圖2 所示。慣導(dǎo)軌跡與路網(wǎng)道路與北向夾角可分別表示為1φ、2φ，拉伸參數(shù)λ可用軌跡點(diǎn)、匹配點(diǎn)分別與初始點(diǎn)間的歐式距離dP0P1、dP0P1'的比值求取

圖2 INS 軌跡收束Fig. 2 Bundle of INS trajectories

由慣導(dǎo)軌跡點(diǎn)的原始北向角0α以及與起始點(diǎn)的原始距離0D推算收束校正后的待匹配點(diǎn)的北向角α及距離D

進(jìn)而可推導(dǎo)待匹配點(diǎn)所在經(jīng)度和緯度方向上的長(zhǎng)度為

進(jìn)一步推導(dǎo)待匹配點(diǎn)所在緯度的緯度圈半徑，如圖3 所示。a

圖3 緯度圈半徑計(jì)算Fig. 3 Latitude circle radius calculation

R代表長(zhǎng)軸（赤道）半徑，bR表短軸半徑，PI代表圓周率，由于地球是一個(gè)近似球體，假設(shè)初始點(diǎn)緯度為L(zhǎng)a0t，經(jīng)度為L(zhǎng)o0n，則球半徑的長(zhǎng)度cE及緯度圈的半徑dE為

根據(jù)以上求得的球半徑和緯度圈半徑，可以進(jìn)一步推導(dǎo)經(jīng)度跨度和緯度跨度，進(jìn)而求出收束校正后的經(jīng)緯度坐標(biāo)

2.3 候選道路的搜索

電子矢量地圖中的道路紛繁復(fù)雜，搜索道路的基本思路是：確定車(chē)輛當(dāng)前的定位點(diǎn)，在能夠確保正確道路在搜索范圍內(nèi)的同時(shí)，盡可能地減少候選道路的數(shù)量，在后續(xù)對(duì)比時(shí)提高匹配效率。以收束校正后的待匹配點(diǎn)作為搜索中心，構(gòu)建搜索圈。如圖4 所示，搜索半徑初始值R0= 50 m ，將搜索圈中包含的所有道路編號(hào)及方向進(jìn)行保存。若搜索圈內(nèi)沒(méi)有道路，逐次增加搜索半徑ΔR= 30 m 。擴(kuò)大半徑兩次后若仍沒(méi)有道路，則等待下一個(gè)INS 信息重新搜索。搜索圈半徑設(shè)計(jì)為

圖4 候選道路示意圖Fig. 4 Schematic diagram of candidate roads

在預(yù)定的范圍內(nèi)將所有路徑搜索后，需對(duì)搜索到的道路進(jìn)行進(jìn)一步篩選，選出車(chē)輛最有可能在的道路。影響候選道路選擇的因素主要有以下兩個(gè)。

（1）待匹配點(diǎn)的航向與N條道路方向的夾角βi(i=1,2,3, …,N)。如圖5 所示，計(jì)算航向角與道路方向夾角的公式為

圖5 航向角與道路方向夾角Fig. 5 Angle between Heading and road position

式(7)中，Ha為待匹配點(diǎn)的航向角，ir為對(duì)應(yīng)第i條道路，而ih代表第i條道路的方向，定義iβ為航向角與道路平移向量的夾角。

在預(yù)定的范圍內(nèi)搜索出所有路徑后，可將定位路線(xiàn)和行駛路線(xiàn)航向角相差過(guò)大的道路，縮小候選道路范圍，如圖4 所示，路線(xiàn)1r和8r為選擇出的候選道路。在此基礎(chǔ)上，為了保證候選道路中包含正確路徑，對(duì)剩余道路的兩端分別進(jìn)行延伸擴(kuò)展，延伸距離以特征點(diǎn)間距為參考進(jìn)行自適應(yīng)調(diào)整，特征點(diǎn)密集時(shí)距離縮小，特征點(diǎn)稀疏時(shí)距離延長(zhǎng)。

（2）待匹配點(diǎn)與N條候選道路的投影距離δi(i=1,2,3, …,N)。通過(guò)βi確定道路方向基本正確的候選道路后，計(jì)算垂直投影待匹配點(diǎn)與候選道路的投影距離δi，如圖6 所示。針對(duì)待匹配點(diǎn)與道路可能會(huì)出現(xiàn)的 3 種情況用點(diǎn)線(xiàn)相關(guān)度進(jìn)行區(qū)分處理。如圖7 所示，假設(shè)定位點(diǎn)P坐標(biāo)為（x,y），AB路線(xiàn)的兩個(gè)首尾點(diǎn)的坐標(biāo)分別記為A(x1,y1),B(x2,y2)，那么點(diǎn)P和路線(xiàn)AB的點(diǎn)線(xiàn)相關(guān)度[12]表達(dá)式為

圖6 垂直投影Fig. 6 Vertical projection

圖7 點(diǎn)線(xiàn)相關(guān)度Fig. 7 Correlation between points and lines

2.4 候選道路加權(quán)選擇

在求得候選道路的投影距離iδ與道路夾角iβ后，使用零均值的高斯分布概率密度函數(shù)來(lái)表征兩個(gè)因素對(duì)于候選道路準(zhǔn)確程度的價(jià)值[13]，其公式為

此外，考慮到定位軌跡與路網(wǎng)路線(xiàn)的一致性較高的特點(diǎn)，通過(guò)判斷INS 軌跡與路網(wǎng)的相關(guān)性來(lái)對(duì)候選道路進(jìn)行加權(quán)處理。設(shè)車(chē)載導(dǎo)航輸出的軌跡為W= [w1,w2, … ,wk]，其中wk包含每個(gè)點(diǎn)的經(jīng)緯度，即wk=（Lon k,Latk），候選道路為ri(i=1,2, …,N)，則軌跡與路網(wǎng)的相關(guān)性系數(shù)為

式中，k為采樣點(diǎn)序號(hào)，σW,σri分別為軌跡序列W和路網(wǎng)序列ri(k)的標(biāo)準(zhǔn)差。p(εi)的值越大代表兩條軌跡的相關(guān)性越強(qiáng)，車(chē)輛更可能在該道路上行駛。

最終，計(jì)算各候選道路的匹配加權(quán)值

式中，Γi為第i條道路的加權(quán)值，ρ1,ρ2,ρ3分別為距離和夾角以及相關(guān)性的權(quán)值系數(shù)，可以根據(jù)待匹配點(diǎn)所在的路網(wǎng)結(jié)構(gòu)的復(fù)雜程度進(jìn)行動(dòng)態(tài)調(diào)整：在路網(wǎng)較為單一，搜索圈內(nèi)確定的候選道路較少且平行路段（道路方向角變化程度?。┹^多時(shí)，取ρ1=0.45,ρ2=0.25,ρ3=0.3；而當(dāng)路網(wǎng)復(fù)雜，候選道路數(shù)量較多且路段中有較多彎路（道路方向角變化程度較大）時(shí)，取ρ1=0.2,ρ2=0.5,ρ3=0.3。Γ值越大，代表車(chē)輛位于該道路上的可能性更高。

由此，在匹配的過(guò)程中，計(jì)算出N條符合條件的候選道路的匹配權(quán)值Γi(i= 1,2, …,N)，然后找出最大權(quán)值Γmax與次大權(quán)值Γslv[14]。將Γmax與設(shè)定的閾值Uth1和Uth2進(jìn)行比較，（其中，Uth1為判斷路段可信度所設(shè)計(jì)的閾值，Uth2為判斷兩條路段是否相近匹配所設(shè)計(jì)的閾值，取Uth1=0.85，Uth2=0.15）。若Γmax≥Uth1且Γmax-Γslv＞Uth2，證明權(quán)值Γmax對(duì)應(yīng)的道路為最佳匹配道路，將Γmax對(duì)應(yīng)的路段作為當(dāng)前定位點(diǎn)的匹配路段，相應(yīng)的投影點(diǎn)作為最終的匹配位置。

2.5 裁決系統(tǒng)

車(chē)輛在行駛到兩條或多條道路匯集的岔路口時(shí)，存在Γmax-Γslv＜Uth2的情景，這極易導(dǎo)致部分定位點(diǎn)出現(xiàn)錯(cuò)誤匹配，此時(shí)單獨(dú)的點(diǎn)匹配的方式已經(jīng)不再適用。如圖8 所示，車(chē)輛在R1道路上行駛，在經(jīng)過(guò)岔路口時(shí)，由于曲率較小，在岔口附近的兩條路相似度較高，出現(xiàn)了先投影到R2道路上（圖中所示的紅色點(diǎn)為錯(cuò)誤匹配點(diǎn)，理論匹配點(diǎn)應(yīng)為藍(lán)色虛點(diǎn)），后續(xù)又再次回到R1道路上的情況。

圖8 岔路錯(cuò)誤匹配Fig. 8 False matching at a fork in the road

為了解決這個(gè)問(wèn)題，本文引入“裁決系統(tǒng)”，對(duì)兩條相似程度較高的路線(xiàn)通過(guò)段匹配的方式進(jìn)行進(jìn)一步裁決，確定最合適的道路。本文使用Fréchet 距離[15]對(duì)道路進(jìn)行裁決判斷，如圖9 所示，兩條曲線(xiàn)通過(guò)判斷Fréchet 距離的大小來(lái)判斷相似性。Fréchet 距離越小，代表兩條路線(xiàn)的相似性越高，取最小的候選道路為最終的匹配路段。

圖9 Fréchet 距離Fig. 9 Fréchet distance

規(guī)則：當(dāng)采樣點(diǎn)到達(dá)岔路交界處時(shí)，進(jìn)入裁決系統(tǒng)，開(kāi)始記錄后續(xù)車(chē)載導(dǎo)航的輸出軌跡A與候選路徑Bi(i= 1,2)，每次采樣的離散遍歷區(qū)間為［ 0,1］ ，得到離散的采樣點(diǎn)，分別記為A(μ(t)),Bi(η(t))，對(duì)于路徑A和Bi的Fréchet 距離定義為

通過(guò)計(jì)算，得到軌跡A與候選道路iB的Fréchet 距離，選擇相對(duì)Fréchet 距離較小的候選道路作為匹配路段，將所有的軌跡點(diǎn)直接投影到該匹配路段上后，退出裁決系統(tǒng)。由此，在遇到相似路段時(shí)，可以在不增加過(guò)多計(jì)算量的同時(shí)，提高匹配準(zhǔn)確度。

2.6 匹配過(guò)程

車(chē)載導(dǎo)航行駛過(guò)程中輸出INS 信息，由設(shè)備接收后首先對(duì)原始軌跡進(jìn)行收束校正處理，得到接近真實(shí)位置的待匹配點(diǎn)。通過(guò)Light-Barrier 對(duì)軌跡進(jìn)行特征點(diǎn)選擇，若為特征點(diǎn)，在投影后更新旋轉(zhuǎn)參數(shù)φ和拉伸參數(shù)λ；非特征點(diǎn)根據(jù)上一次投影后的點(diǎn)確定下一個(gè)待匹配點(diǎn)。在確定待匹配點(diǎn)后進(jìn)行道路搜索，并計(jì)算投影距離、夾角及相關(guān)性等匹配參數(shù)，根據(jù)加權(quán)公式得到每條道路的加權(quán)值Γi，通過(guò)設(shè)定的閾值判斷該道路是否可以作為最佳匹配道路。遇到兩條道路極為相似的情況，采用裁決系統(tǒng)對(duì)道路進(jìn)行進(jìn)一步判斷，提高道路匹配的準(zhǔn)確度，匹配過(guò)程如圖10 所示。

圖10 匹配過(guò)程流程圖Fig. 10 Flow chart of matching process

3 仿真結(jié)果及分析

為了檢驗(yàn)該方法對(duì)慣性導(dǎo)航累積誤差的抑制效果和投影準(zhǔn)確情況，在北京部分地區(qū)進(jìn)行了跑車(chē)試驗(yàn)。試驗(yàn)車(chē)搭載某型號(hào)激光陀螺雙軸轉(zhuǎn)位捷聯(lián)慣性導(dǎo)航系統(tǒng)（Strap-down Inertial Navigation System, SINS），陀螺儀與加速度計(jì)參數(shù)如表1 所示。實(shí)驗(yàn)路線(xiàn)為三環(huán)內(nèi)北京理工大學(xué)6 號(hào)樓至六環(huán)的北清路的往返路線(xiàn)，全長(zhǎng)約 55 km，耗時(shí)約1.2 h，平均速度約50 km/h，采樣數(shù)據(jù)點(diǎn)接近4400，以隨車(chē) GPS 輸出的位置作為車(chē)輛所處的真實(shí)參考位置。采用MapInfo 格式的北京市電子地圖，使用MapX4.5 平臺(tái)插件進(jìn)行算法測(cè)試。

表1 慣導(dǎo)系統(tǒng)參數(shù)Table 1 Inertial navigation system parameters

3.1 全程路段分析

將車(chē)輛行駛?cè)痰腎NS 軌跡（紅色）與匹配后的軌跡（藍(lán)色）進(jìn)行對(duì)比，如圖11 所示，隨著時(shí)間的增加，INS 軌跡已經(jīng)逐漸偏離正確的行駛道路，經(jīng)過(guò)算法校正后的軌跡基本符合實(shí)際運(yùn)行路線(xiàn)。隨著時(shí)間推移，慣性導(dǎo)航的誤差逐漸發(fā)散，而匹配誤差呈現(xiàn)上下浮動(dòng)的現(xiàn)象，如圖12 所示，整體誤差都保持在15 m 左右。

圖11 全程路段匹配圖Fig. 11 Whole road section matching map

數(shù)據(jù)處理結(jié)果如表2 所示：慣性導(dǎo)航的平均誤差值遠(yuǎn)遠(yuǎn)高于匹配誤差，并且匹配誤差的標(biāo)準(zhǔn)差遠(yuǎn)遠(yuǎn)低于慣性導(dǎo)航誤差，說(shuō)明經(jīng)過(guò)地圖匹配算法校正后，慣性導(dǎo)航的累積誤差被極大地抑制并維持在較小的誤差范圍內(nèi)，證明該算法的穩(wěn)定性良好，對(duì)慣性導(dǎo)航信息能夠?qū)崿F(xiàn)實(shí)時(shí)地補(bǔ)償修正。

表2 誤差對(duì)比Table 2 Error comparison

3.2 特殊路段分析

如圖13 所示，校正后的轉(zhuǎn)彎路線(xiàn)和地圖數(shù)據(jù)十分契合，反觀慣性導(dǎo)航的軌跡，已經(jīng)偏離正確路線(xiàn)較遠(yuǎn)。車(chē)輛運(yùn)行到復(fù)雜路段時(shí)，慣性導(dǎo)航軌跡已經(jīng)嚴(yán)重偏離正確路線(xiàn)，而經(jīng)過(guò)算法改良后可以準(zhǔn)確地找到所在道路。圖14 給出了裁決系統(tǒng)的成功應(yīng)用場(chǎng)景，圖中顯示車(chē)輛在進(jìn)入岔路時(shí)出現(xiàn)了誤匹配，但是經(jīng)過(guò)裁決系統(tǒng)后成功投影回正確的道路上，證明了裁決系統(tǒng)在解決相似道路投影錯(cuò)誤的問(wèn)題上有較好的效果，體現(xiàn)了該方法具有較強(qiáng)的魯棒性。

圖13 轉(zhuǎn)彎路段（左）及復(fù)雜路段（右）匹配圖Fig. 13 Turning section (left) and complex road section (right) matching map

圖14 裁決系統(tǒng)應(yīng)用場(chǎng)景Fig. 14 Application scenario of adjudication system

跑車(chē)試驗(yàn)證明，該算法可以有效地適應(yīng)不同類(lèi)型的道路，抑制慣性導(dǎo)航系統(tǒng)的誤差發(fā)散，具有較高的匹配精度。

4 結(jié) 論

隨著高精度電子地圖研究的蓬勃發(fā)展，地圖匹配作為一種軟件手段，可有效輔助陸用慣性導(dǎo)航系統(tǒng)實(shí)現(xiàn)長(zhǎng)時(shí)間大范圍、衛(wèi)星拒止環(huán)境下高精度自主精確定位定向。本文設(shè)計(jì)了一種點(diǎn)段復(fù)合匹配的地圖匹配方法，通過(guò)實(shí)際車(chē)載實(shí)驗(yàn)證明，該方法在保持導(dǎo)航系統(tǒng)自主性的同時(shí)，能夠有效地抑制慣性導(dǎo)航誤差的發(fā)散，對(duì)慣性導(dǎo)航產(chǎn)生的漂移誤差有較好的補(bǔ)償修正效果。當(dāng)前的地圖匹配領(lǐng)域研究多集中在矢量道路平面幾何特征層面，對(duì)三維特征、拓?fù)潢P(guān)系、人工智能等方面的研究較少。在后續(xù)研究中，可綜合考慮地圖構(gòu)成、行駛規(guī)則等多維度匹配方法以進(jìn)一步提高地圖匹配的準(zhǔn)確性。