[论文解读] Map matching when the map is wrong: Efficient vehicle tracking on- and off-road for map learning

Jamie Murphy, Yuanyuan Pao+1 more|arXiv (Cornell University)|Sep 25, 2018

Automated Road and Building Extraction参考文献 26被引用 4

一句话总结

本文提出了一种半交互式多模型（sIMM）滤波器，将道路地图匹配与非道路自由空间跟踪统一，以在地图存在错误或遗漏时提升轨迹精度。通过允许基于隐马尔可夫模型（HMM）的道路跟踪在违反地图约束时回退至闭式非道路滤波器，该方法实现了鲁棒的实时车辆跟踪，并能检测地图错误，如缺失道路、错误的转弯限制以及方向错误的一条路。

ABSTRACT

Given a sequence of possibly sparse and noisy GPS traces and a map of the road network, map matching algorithms can infer the most accurate trajectory on the road network. However, if the road network is wrong (for example due to missing or incorrectly mapped roads, missing parking lots, misdirected turn restrictions or misdirected one-way streets) standard map matching algorithms fail to reconstruct the correct trajectory. In this paper, an algorithm to tracking vehicles able to move both on and off the known road network is formulated. It efficiently unifies existing hidden Markov model (HMM) approaches for map matching and standard free-space tracking methods (e.g. Kalman smoothing) in a principled way. The algorithm is a form of interacting multiple model (IMM) filter subject to an additional assumption on the type of model interaction permitted, termed here as semi-interacting multiple model (sIMM) filter. A forward filter (suitable for real-time tracking) and backward MAP sampling step (suitable for MAP trajectory inference and map matching) are described. The framework set out here is agnostic to the specific tracking models used, and makes clear how to replace these components with others of a similar type. In addition to avoiding generating misleading map matching trajectories, this algorithm can be applied to learn map features by detecting unmapped or incorrectly mapped roads and parking lots, incorrectly mapped turn restrictions and road directions.

研究动机与目标

• 解决标准地图匹配算法的关键局限性，即当道路地图存在错误或遗漏时，其会失效或产生错误轨迹。
• 在GPS轨迹因地图不准确而偏离已知道路网络的场景下，实现精确的车辆跟踪。
• 开发一种可扩展的实时跟踪系统，利用大规模GPS数据检测并学习地图错误。
• 提供一个原则性框架，统一基于HMM的道路地图匹配与非道路自由空间跟踪，以提升鲁棒性。
• 通过识别一致的非道路轨迹模式，实现地图学习，以指示缺失或错误的地图特征。

提出的方法

• 提出一种半交互式多模型（sIMM）滤波器，结合基于HMM的道路隐藏马尔可夫模型（HMM）跟踪与闭式非道路跟踪器，当道路约束被违反时可回退至非道路运动模型。
• 采用前向滤波实现实时跟踪，实现对车辆轨迹在道路与非道路状态之间切换的高效在线估计。
• 采用后向MAP采样步骤以计算最大后验概率（MAP）轨迹，通过整合未来观测提升精度。
• 引入模型交互约束，通过允许非道路滤波器独立运行，同时使道路跟踪可回退至非道路模型，避免完整IMM的复杂度。
• 设计模块化框架，支持可互换的道路HMM跟踪器与非道路自由空间滤波器，而无需更改核心推理逻辑。
• 利用轨迹一致性和几何约束检测地图错误，如缺失道路、错误的转弯限制以及方向错误的一条路。

实验结果

研究问题

• RQ1 如何在不降低跟踪精度的前提下，使地图匹配对不完整或错误的道路网络地图具有鲁棒性？
• RQ2 统一框架能否高效实现实时结合基于HMM的道路地图匹配与非道路自由空间跟踪？
• RQ3 系统检测到的非道路轨迹段在多大程度上可指示地图错误，如缺失道路或错误的转弯限制？
• RQ4 在地图错误条件下，sIMM滤波器在运行时间和精度方面与标准HMM地图匹配相比表现如何？
• RQ5 能否利用大规模GPS轨迹自动检测并建议修正地图错误？

主要发现

• 即使地图中存在缺失道路、错误的转弯限制或方向错误的一条路，sIMM滤波器仍能实现鲁棒的轨迹估计，避免了标准地图匹配产生的错误道路轨迹。
• 通过识别多个GPS轨迹中一致的非道路轨迹模式，该方法以高置信度检测到地图错误，例如在本应有道路的区域中反复出现非道路运动。
• 在旧金山普雷西迪奥地区，系统检测到大量非道路轨迹，对应于2018年1月OSM地图中尚未收录的一条新建道路，后经卫星图像确认。
• sIMM轨迹生成的运行时间比标准HMM地图匹配慢两到四倍，但该开销对网络规模应用可接受，且有望通过进一步优化改善。
• 该框架通过识别重复出现的非道路运动模式，可实现地图学习，以指示地图不准确之处，如缺失的停车场或方向错误的道路。
• 当地图不完整或错误时，系统能成功重建比标准地图匹配更精确的轨迹，尤其在未绘制或分类错误的基础设施区域表现更优。