車輛導(dǎo)航系統(tǒng)中地圖匹配算法的研究及應(yīng)用.pdf

1、車輛導(dǎo)航定位技術(shù)是智能交通系統(tǒng)中的一項關(guān)鍵性技術(shù)，而地圖匹配能夠?qū)④囕v定位信息與路網(wǎng)電子地圖相結(jié)合，是車輛導(dǎo)航系統(tǒng)中重要的組成部分。針對城市道路網(wǎng)密集且高程變化較大，從而引發(fā)地圖匹配精度不高的問題，本論文采用不同算法和模型組合，從以下幾個方面著重對提高地圖匹配精度進行了深入研究： 為了解決城市道路網(wǎng)密集、高架橋引發(fā)高程變化使地圖匹配精度不高的問題，提出一種能夠?qū)崿F(xiàn)定性概念與定量數(shù)值之間不確定性轉(zhuǎn)換的云模型地圖匹配算法。該算法通過

2、建立云規(guī)則和進行基于云模型的不確定性推理，并結(jié)合高程輔助方法來構(gòu)筑地圖匹配模型。云模型可以將定性概念的模糊性與隨機性集成到一起，克服了基于模糊邏輯地圖匹配算法中隸屬度的確定帶有主觀色彩的不足。 為克服上述算法只使用當前定位點信息，使得匹配信息不足的缺點，提出基于當前定位點信息和歷史軌跡信息的智能地圖匹配算法。該算法通過引入平均Frechet距離，定義兩條軌跡曲線間的距離，設(shè)計了基于云控制器的地圖匹配算法，給出可信度P作為地圖匹配

3、效果的評價指標。該算法不僅能夠在出現(xiàn)匹配錯誤時為使用者提供警告信息，而且還能提供一種迅速從錯誤中調(diào)整恢復(fù)的方法。仿真試驗表明，該算法總體匹配精度要優(yōu)于當前定位點匹配精度。 為了提高匹配算法的自適應(yīng)性，在Sinn Kim和Jong Hwan Kim提出的算法的基礎(chǔ)上，充分考慮了歷史信息對地圖匹配的影響和歷史軌跡曲線的連續(xù)性，引入Frechet距離準則方法來定義曲線間的距離，達到曲線匹配的目的；由于參考了歷史信息，因此增加了輸入變量

4、，從而也增加了模糊規(guī)則數(shù)量。為減少由于規(guī)則的增加對算法運行效率的影響，本文采用分層模糊控制技術(shù)，設(shè)計基于Frechet距離準則和分層模糊控制技術(shù)的地圖匹配算法。由于采用了分層模糊控制的思想和改進算法的學習律，因此需要利用前一時刻定位誤差對于每一層輸出變量的隸屬函數(shù)中心值進行修正，從而達到對當前定位點的C-Measure值進行調(diào)整的目的。改進后的算法能從整體上把握車輛行駛的軌跡曲線，進一步提高了C-Measure算法的匹配適應(yīng)性。