改進的地圖匹配技術(shù)在車載導(dǎo)航系統(tǒng)中的應(yīng)用

以上述隸屬度函數(shù)為基礎(chǔ)，就可以對候選路段是當(dāng)前車輛所在路段的可能性做出綜合評判。以該可能性作為論域U，其元素u與論域X，Y和Z的笛卡爾乘積集：

　　它的元素(x，y，z)相對應(yīng)，即u與三個因素有關(guān)。因此，在對u進行模糊評判時，因素集可以取為E={X，Y，Z)，評語集可取為F={大，小)，綜合評判按下面的步驟進行：

　　(1) 對u進行單因素評價，然后利用其結(jié)果構(gòu)造表示E與F之間模糊關(guān)系的模糊矩陣。設(shè)對因素X，Y，Z的單因素評價結(jié)果分別為模糊向量R1= [μhh(x)，μhc(x)]，R2=[μdh(y)，μdc(y)]和R3=[μ△dh(z)，μ△dc(z)]，則將以上模糊向量合在一起便得到表示E與F之間模糊關(guān)系的模糊矩陣

　　(2)確定權(quán)向量P=[p1，p2，p3]，其中p1，p2，p3分別表示因素x，y，z在亂中的重要程度，p1+p2+p3=1。

　　(3)作模糊變換Q=P°R，所得模糊向量Q就是被評判對象U在評語集合F上的評判結(jié)果，其2個分量表示候選路段是車輛所在路段的可能性大小的程度。

　　在以上綜合評判算法中，模糊矩陣乘法°采用簡單的加權(quán)平均型算子(，×)以便使結(jié)果兼顧各種因素。由于權(quán)向量的分量之和為1，運算退化為一般的實數(shù)加法，因此算子(，×)也可以改寫成(+，×)。在這種情況下，模糊矩陣的乘法與普通矩陣的乘法完全一樣。

　　有了對候選路段是當(dāng)前車輛行駛路段的可能性的評價，就可以對以候選路段位置為參考進行地圖匹配修正后的定位結(jié)果的可信度做出評價。評判中，應(yīng)考慮到候選路段與前一時刻匹配路段的連通性，為此再引入以下規(guī)則：如果候選路段就是前一時刻匹配路段或者與前一時刻的匹配路段相連通，則利用該候選路段修正定位結(jié)果的可信度高。以修正結(jié)果為評判對象，取評判指標(biāo)矩陣為(Q，Q′)，其中Q是候選路段的可能性評價矩陣，Q′是連通性評價矩陣，當(dāng)候選路段與前一時刻匹配路段有連通關(guān)系時，Q′取為前一時刻匹配路段的可能性評價矩陣，否則以0矩陣取代。取評判權(quán)向量為P′=[p′1，p′2，p′3，p′4]，其分量分別對應(yīng)于Q和Q′的各個分量，且p′1+p′2+p′3+p′4=1。將指標(biāo)矩陣與權(quán)向量相乘，得μ=p′°[Q，Q′]T，稱μ是修正定位結(jié)果的可信度，它為挑選最佳匹配路段提供了明確的依據(jù)。

　　4實驗結(jié)果

　　交叉路口是地圖匹配過程中最易出錯的地方根據(jù)本文提出的改進的地圖匹配算法理論，就交叉路口問題做性能分析，下面分兩種情況討論。

　　第一種情況：車輛直行通過交叉路口，如圖3所示。

軌跡點4，5靠近路段1，但軌跡點1、2、3、4、5擬合所得直線遠遠偏離路段1，靠近路段2，因而軌跡點5會正確匹配到路段2，不會被錯誤地匹配到路段 1。同理，軌跡點4也正確地匹配到路段2。由于考慮了軌跡的連續(xù)性，和基于位置點直接投影算法比起來，本文的算法不容易在交叉點出現(xiàn)匹配錯誤的情形。

　　第二種情況：車輛拐彎通過交叉路口，如圖4所示。

　　軌跡點1、2、3、4、5擬合得到的擬合直線1與路段2的夾角小于30度，點5被匹配到路段2。同理，2、3、4、5、6擬合得到的擬合直線2與路段2的夾角也小于30度，點6被匹配到路段2。從圖上可以看出，點5、6、7、8、9擬合得到的擬合直線5與路段1、2的夾角都大于30度，由算法基本原理可知，9不符合匹配條件，不予匹配。按照同樣方法對其他點一一進行匹配。盡管在交叉路口附近會有少數(shù)的軌跡點不能被匹配，但匹配出來的軌跡能反映車輛的實際行駛軌跡，較好地處理了交叉路口的地圖匹配問題。

　　為驗證文中提出的地圖匹配算法對導(dǎo)航系統(tǒng)定位精度的影響，利用該算法對跑車實測數(shù)據(jù)進行了實驗。匹配結(jié)果表明，絕大多數(shù)(>96％)定位數(shù)據(jù)都能相對準(zhǔn)確地匹配到道路上，匹配后的定位精度得到提高；匹配算法實現(xiàn)了實時，能夠滿足實際需要(1次／s)；在GPS受到一定程度的遮擋時系統(tǒng)能夠正常識別并且匹配。