Upload
others
View
1
Download
0
Embed Size (px)
Citation preview
Bachelor-Kolloquium
An algorithm for map matchingon incomplete road databases
Benedikt Budig
Betreuer:Prof. Dr. Alexander WolffDr. Jan-Henrik Haunert
Teil I: Ein Algorithmus für
off-line map matching
Was ist map matching?
Das Problem, zu einer gegebenen Folge von Positionspunkten ...
Was ist map matching?
Das Problem, zu einer gegebenen Folge von Positionspunkten ...
... auf einer Straßenkarte den zurückgelegten Weg zu rekonstruieren.
Was ist map matching?
Das Problem, zu einer gegebenen Folge von Positionspunkten ...
p1GPS
p2GPSp3GPS
p4GPS
p5GPS
p6GPS
p7GPS
GPS-Punkte
... auf einer Straßenkarte den zurückgelegten Weg zu rekonstruieren.
Was ist map matching?
Das Problem, zu einer gegebenen Folge von Positionspunkten ...
p1GPS
p2GPSp3GPS
p4GPS
p5GPS
p6GPS
p7GPS
GPS-Trajektorie
... auf einer Straßenkarte den zurückgelegten Weg zu rekonstruieren.
Was ist map matching?
Das Problem, zu einer gegebenen Folge von Positionspunkten ...
... auf einer Straßenkarte den zurückgelegten Weg zu rekonstruieren.
Was ist map matching?
Das Problem, zu einer gegebenen Folge von Positionspunkten ...
... auf einer Straßenkarte den zurückgelegten Weg zu rekonstruieren.
StraßenknotenStraßensegment
Was ist map matching?
Das Problem, zu einer gegebenen Folge von Positionspunkten ...
... auf einer Straßenkarte den zurückgelegten Weg zu rekonstruieren.
Welcher ist der benutze Weg?
Was ist map matching?
Das Problem, zu einer gegebenen Folge von Positionspunkten ...
... auf einer Straßenkarte den zurückgelegten Weg zu rekonstruieren.
Welcher ist der benutze Weg? map matching!
Einsatz-Szenarien
Einsatz-Szenarien
Einsatz-Szenarien
Bildquelle: navi-test-portal.de, abendblatt.de
Einsatz-Szenarien
on-line matching
Bildquelle: navi-test-portal.de, abendblatt.de
Einsatz-Szenarien
on-line matching• Trajektorie wächst
Bildquelle: navi-test-portal.de, abendblatt.de
Einsatz-Szenarien
on-line matching• Trajektorie wächst• Echtzeit-Geschwindigkeit
Bildquelle: navi-test-portal.de, abendblatt.de
Einsatz-Szenarien
on-line matching off-line matching• Trajektorie wächst• Echtzeit-Geschwindigkeit
Bildquelle: navi-test-portal.de, abendblatt.de
Einsatz-Szenarien
on-line matching off-line matching• Trajektorie wächst• Echtzeit-Geschwindigkeit
Bildquelle: navi-test-portal.de, abendblatt.de
Einsatz-Szenarien
on-line matching off-line matching• Trajektorie wächst• Echtzeit-Geschwindigkeit
Bildquelle: navi-test-portal.de, abendblatt.de Bildquelle: instants-de-chine.net, Lou09
Einsatz-Szenarien
on-line matching off-line matching• Trajektorie wächst• Echtzeit-Geschwindigkeit
• Trajektorie komplett
Bildquelle: navi-test-portal.de, abendblatt.de Bildquelle: instants-de-chine.net, Lou09
Einsatz-Szenarien
on-line matching off-line matching• Trajektorie wächst• Echtzeit-Geschwindigkeit
• Trajektorie komplett• möglichst schnell
Bildquelle: navi-test-portal.de, abendblatt.de Bildquelle: instants-de-chine.net, Lou09
Einsatz-Szenarien
Matching auf unvollständigem Kartenmaterial
Einsatz-Szenarien
Matching auf unvollständigem Kartenmaterial
Einsatz-Szenarien
Matching auf unvollständigem Kartenmaterial
Einsatz-Szenarien
Matching auf unvollständigem Kartenmaterial
Einsatz-Szenarien
Matching auf unvollständigem Kartenmaterial
Einsatz-Szenarien
Matching auf unvollständigem Kartenmaterial
Einsatz-Szenarien
Matching auf unvollständigem KartenmaterialErkennung fehlenderStraßensegmente
Einsatz-Szenarien
Matching auf unvollständigem KartenmaterialErkennung fehlenderStraßensegmente
Einsatz-Szenarien
Matching auf unvollständigem KartenmaterialErkennung fehlenderStraßensegmente
Bildquelle: gpsmagazine.com, auto-bild.de
Einsatz-Szenarien
Matching auf unvollständigem KartenmaterialErkennung fehlenderStraßensegmente
• Relevanz für off-lineund on-line matching
Bildquelle: gpsmagazine.com, auto-bild.de
Einsatz-Szenarien
Matching auf unvollständigem KartenmaterialErkennung fehlenderStraßensegmente
• Relevanz für off-lineund on-line matching
• GeringereFehleranfälligkeit
Bildquelle: gpsmagazine.com, auto-bild.de
Einsatz-Szenarien
Matching auf unvollständigem KartenmaterialErkennung fehlenderStraßensegmente
• Relevanz für off-lineund on-line matching
• GeringereFehleranfälligkeit
• Konstruktion vonKartenmaterial möglich
Bildquelle: gpsmagazine.com, auto-bild.de
Verwandte Arbeiten
on-line matching• Trajektorie wächst• Echtzeit-Geschwindigkeit
Bildquelle: navi-test-portal.de, abendblatt.de
Verwandte Arbeiten
on-line matching• Trajektorie wächst• Echtzeit-Geschwindigkeit
Bildquelle: navi-test-portal.de, abendblatt.de
Wenk et al. (2006): Fréchet-Distanz undFehlerschätzung
Verwandte Arbeiten
on-line matching• Trajektorie wächst• Echtzeit-Geschwindigkeit
Bildquelle: navi-test-portal.de, abendblatt.de
Wenk et al. (2006):
Chawate (2007): Straßensegmente alsFolge von Wegpunkten
Fréchet-Distanz undFehlerschätzung
Verwandte Arbeiten
off-line matching• Trajektorie komplett• möglichst schnell
Bildquelle: instants-de-chine.net, Lou09
Verwandte Arbeiten
off-line matching• Trajektorie komplett• möglichst schnell
Bildquelle: instants-de-chine.net, Lou09
Chen et al. (2011): Fréchet-Distanz
Verwandte Arbeiten
off-line matching• Trajektorie komplett• möglichst schnell
Bildquelle: instants-de-chine.net, Lou09
Chen et al. (2011): Fréchet-Distanz
Marchal et al. (2005): Kandidaten-Pfade
Verwandte Arbeiten
off-line matching• Trajektorie komplett• möglichst schnell
Bildquelle: instants-de-chine.net, Lou09
Chen et al. (2011): Fréchet-Distanz
Marchal et al. (2005):
Lou et al. (2009):
Kandidaten-Pfade
Kandidaten-Punkteund dynamischesProgrammieren
Verwandte Arbeiten
off-line matching• Trajektorie komplett• möglichst schnell
Bildquelle: instants-de-chine.net, Lou09
Chen et al. (2011): Fréchet-Distanz
Marchal et al. (2005):
Lou et al. (2009):
Eisner et al. (2011): Verbesserungen zuLou et al. (2009)
Kandidaten-Pfade
Kandidaten-Punkteund dynamischesProgrammieren
Verwandte Arbeiten
off-line matching• Trajektorie komplett• möglichst schnell
Bildquelle: instants-de-chine.net, Lou09
Chen et al. (2011): Fréchet-Distanz
Marchal et al. (2005):
Lou et al. (2009):
Eisner et al. (2011): Verbesserungen zuLou et al. (2009)
Kandidaten-Pfade
Kandidaten-Punkteund dynamischesProgrammieren
Verwandte Arbeiten
Matching auf unvollständigem Kartenmaterial
Bildquelle: gpsmagazine.com, auto-bild.de
Verwandte Arbeiten
Matching auf unvollständigem Kartenmaterial
Pyo et al. (2001):
on-line matching,probabilistischer Ansatz
Bildquelle: gpsmagazine.com, auto-bild.de
Verwandte Arbeiten
Matching auf unvollständigem Kartenmaterial
Pyo et al. (2001):
Pereira et al. (2009):
on-line matching,probabilistischer Ansatz
off-line matching,Marchals Algorithmus erweitertzum genetischen GEMMA
Bildquelle: gpsmagazine.com, auto-bild.de
Der Algorithmus von Lou et al. (2009)
Der Algorithmus von Lou et al. (2009)
Straßenkarte
GPS-Punkte
Der Algorithmus von Lou et al. (2009)
Straßenkarte
GPS-Punkte
Input parsen
Straßen-graph
GPS-Trajektorie
Der Algorithmus von Lou et al. (2009)
Straßenkarte
GPS-Punkte
Input parsen
Straßen-graph
GPS-Trajektorie
Kandidatenpunkte
Kandidatenberechnen
Kandidaten-Mengen
Der Algorithmus von Lou et al. (2009)
Straßenkarte
GPS-Punkte
Input parsen
Straßen-graph
GPS-Trajektorie
Kandidatenpunkte
Kandidatenberechnen
Kandidaten-Mengen
Qualitätsanalyse
Beobacht.-Wahrsch.
Übergangs-Wahrsch.
Der Algorithmus von Lou et al. (2009)
Straßenkarte
GPS-Punkte
Input parsen
Straßen-graph
GPS-Trajektorie
Kandidatenpunkte
Kandidatenberechnen
Kandidaten-Mengen
Qualitätsanalyse
Beobacht.-Wahrsch.
Übergangs-Wahrsch.
Optimierung
Kandidaten-Graph
besten Pfadsuchen
Der Algorithmus von Lou et al. (2009)
Straßenkarte
GPS-Punkte
Pfad
Input parsen
Straßen-graph
GPS-Trajektorie
Kandidatenpunkte
Kandidatenberechnen
Kandidaten-Mengen
Qualitätsanalyse
Beobacht.-Wahrsch.
Übergangs-Wahrsch.
Optimierung
Kandidaten-Graph
besten Pfadsuchen
Der Algorithmus von Lou et al. (2009)
Straßenkarte
GPS-Punkte
Pfad
Input parsen
Straßen-graph
GPS-Trajektorie
Kandidatenpunkte
Kandidatenberechnen
Kandidaten-Mengen
Qualitätsanalyse
Beobacht.-Wahrsch.
Übergangs-Wahrsch.
Optimierung
Kandidaten-Graph
besten Pfadsuchen
Vorteile für Weiterentwicklung:
Der Algorithmus von Lou et al. (2009)
Straßenkarte
GPS-Punkte
Pfad
Input parsen
Straßen-graph
GPS-Trajektorie
Kandidatenpunkte
Kandidatenberechnen
Kandidaten-Mengen
Qualitätsanalyse
Beobacht.-Wahrsch.
Übergangs-Wahrsch.
Optimierung
Kandidaten-Graph
besten Pfadsuchen
Vorteile für Weiterentwicklung:• Modulare Grundstruktur
Der Algorithmus von Lou et al. (2009)
Straßenkarte
GPS-Punkte
Pfad
Input parsen
Straßen-graph
GPS-Trajektorie
Kandidatenpunkte
Kandidatenberechnen
Kandidaten-Mengen
Qualitätsanalyse
Beobacht.-Wahrsch.
Übergangs-Wahrsch.
Optimierung
Kandidaten-Graph
besten Pfadsuchen
Vorteile für Weiterentwicklung:• Modulare Grundstruktur• Einbettung weiterer Qualitätskriterien möglich
Kandidatenpunkte
Kandidatenpunkte
... sind Punkte auf Straßensegmenten, die mögliche Matching-Kandidaten für einen GPS-Punkt sind.
Kandidatenpunkte
... sind Punkte auf Straßensegmenten, die mögliche Matching-Kandidaten für einen GPS-Punkt sind.
Finde zu jedem GPS-Punkt eine Menge möglicher Kandidatenpunkte!Problem:
Kandidatenpunkte
... sind Punkte auf Straßensegmenten, die mögliche Matching-Kandidaten für einen GPS-Punkt sind.
Finde zu jedem GPS-Punkt eine Menge möglicher Kandidatenpunkte!Problem:
pGPS
Kandidatenpunkte
... sind Punkte auf Straßensegmenten, die mögliche Matching-Kandidaten für einen GPS-Punkt sind.
Finde zu jedem GPS-Punkt eine Menge möglicher Kandidatenpunkte!Problem:
pGPS
1. Suche nach Straßensegmen-ten innerhalb von r
r
Kandidatenpunkte
... sind Punkte auf Straßensegmenten, die mögliche Matching-Kandidaten für einen GPS-Punkt sind.
Finde zu jedem GPS-Punkt eine Menge möglicher Kandidatenpunkte!Problem:
pGPS
1. Suche nach Straßensegmen-ten innerhalb von r
r
Kandidatenpunkte
... sind Punkte auf Straßensegmenten, die mögliche Matching-Kandidaten für einen GPS-Punkt sind.
Finde zu jedem GPS-Punkt eine Menge möglicher Kandidatenpunkte!Problem:
pGPS
1. Suche nach Straßensegmen-ten innerhalb von r
2. Senkrechte Projektion, umjeweils den Punkt mit ge-ringstem Abstand zu finden
Kandidatenpunkte
... sind Punkte auf Straßensegmenten, die mögliche Matching-Kandidaten für einen GPS-Punkt sind.
Finde zu jedem GPS-Punkt eine Menge möglicher Kandidatenpunkte!Problem:
pGPS
1. Suche nach Straßensegmen-ten innerhalb von r
2. Senkrechte Projektion, umjeweils den Punkt mit ge-ringstem Abstand zu finden
Kandidatenpunkte
... sind Punkte auf Straßensegmenten, die mögliche Matching-Kandidaten für einen GPS-Punkt sind.
Finde zu jedem GPS-Punkt eine Menge möglicher Kandidatenpunkte!Problem:
pGPS
1. Suche nach Straßensegmen-ten innerhalb von r
2. Senkrechte Projektion, umjeweils den Punkt mit ge-ringstem Abstand zu finden
c1·
Kandidatenpunkte
... sind Punkte auf Straßensegmenten, die mögliche Matching-Kandidaten für einen GPS-Punkt sind.
Finde zu jedem GPS-Punkt eine Menge möglicher Kandidatenpunkte!Problem:
pGPS
1. Suche nach Straßensegmen-ten innerhalb von r
2. Senkrechte Projektion, umjeweils den Punkt mit ge-ringstem Abstand zu finden
c1·
Kandidatenpunkte
... sind Punkte auf Straßensegmenten, die mögliche Matching-Kandidaten für einen GPS-Punkt sind.
Finde zu jedem GPS-Punkt eine Menge möglicher Kandidatenpunkte!Problem:
pGPS
1. Suche nach Straßensegmen-ten innerhalb von r
2. Senkrechte Projektion, umjeweils den Punkt mit ge-ringstem Abstand zu finden
c1·
c2·
Kandidatenpunkte
... sind Punkte auf Straßensegmenten, die mögliche Matching-Kandidaten für einen GPS-Punkt sind.
Finde zu jedem GPS-Punkt eine Menge möglicher Kandidatenpunkte!Problem:
pGPS
1. Suche nach Straßensegmen-ten innerhalb von r
2. Senkrechte Projektion, umjeweils den Punkt mit ge-ringstem Abstand zu finden
c1·
c2·
Kandidatenpunkte
... sind Punkte auf Straßensegmenten, die mögliche Matching-Kandidaten für einen GPS-Punkt sind.
Finde zu jedem GPS-Punkt eine Menge möglicher Kandidatenpunkte!Problem:
pGPS
1. Suche nach Straßensegmen-ten innerhalb von r
2. Senkrechte Projektion, umjeweils den Punkt mit ge-ringstem Abstand zu finden
c1·
c2·
c3
Kandidatenpunkte
... sind Punkte auf Straßensegmenten, die mögliche Matching-Kandidaten für einen GPS-Punkt sind.
Finde zu jedem GPS-Punkt eine Menge möglicher Kandidatenpunkte!Problem:
pGPS
1. Suche nach Straßensegmen-ten innerhalb von r
2. Senkrechte Projektion, umjeweils den Punkt mit ge-ringstem Abstand zu finden
c1·
c2·
c3
3. Die Menge {c1, c2, c3} bildetdie Kandidatenmenge Cfür pGPS
Qualitätsanalyse
Qualitätsanalyse
Aus allen Kandidatenmengen muss je ein Punkt gewählt werden, so-dass der Pfad entlang der Punkte bestmöglich zur Trajektorie passt.
Qualitätsanalyse
Aus allen Kandidatenmengen muss je ein Punkt gewählt werden, so-dass der Pfad entlang der Punkte bestmöglich zur Trajektorie passt.
Problem:
Qualitätsanalyse
Aus allen Kandidatenmengen muss je ein Punkt gewählt werden, so-dass der Pfad entlang der Punkte bestmöglich zur Trajektorie passt.
Problem: Was heißt”bestmöglich”?
Qualitätsanalyse
Aus allen Kandidatenmengen muss je ein Punkt gewählt werden, so-dass der Pfad entlang der Punkte bestmöglich zur Trajektorie passt.
Problem: Was heißt”bestmöglich”?
Analyse der Qualität von Kandidatenpunkten...
Qualitätsanalyse
Aus allen Kandidatenmengen muss je ein Punkt gewählt werden, so-dass der Pfad entlang der Punkte bestmöglich zur Trajektorie passt.
Problem: Was heißt”bestmöglich”?
Analyse der Qualität von Kandidatenpunkten...mittels Beobachtungswahrscheinlichkeit
Qualitätsanalyse
Aus allen Kandidatenmengen muss je ein Punkt gewählt werden, so-dass der Pfad entlang der Punkte bestmöglich zur Trajektorie passt.
Problem: Was heißt”bestmöglich”?
Analyse der Qualität von Kandidatenpunkten...mittels Beobachtungswahrscheinlichkeit
N(cij) =1√2πσ
e−(xij−µ)
2
2σ2
Normalverteilung:
Qualitätsanalyse
Aus allen Kandidatenmengen muss je ein Punkt gewählt werden, so-dass der Pfad entlang der Punkte bestmöglich zur Trajektorie passt.
Problem: Was heißt”bestmöglich”?
Analyse der Qualität von Kandidatenpunkten...mittels Beobachtungswahrscheinlichkeit
N(cij) =1√2πσ
e−(xij−µ)
2
2σ2
• xij = dist(cij , pjGPS)• Erwartungswert µ = 0• Standardabweichung σ = 20m
Normalverteilung:
Qualitätsanalyse
Aus allen Kandidatenmengen muss je ein Punkt gewählt werden, so-dass der Pfad entlang der Punkte bestmöglich zur Trajektorie passt.
Problem: Was heißt”bestmöglich”?
Analyse der Qualität von Kandidatenpunkten...mittels Beobachtungswahrscheinlichkeit
N(cij) =1√2πσ
e−(xij−µ)
2
2σ2
• xij = dist(cij , pjGPS)• Erwartungswert µ = 0• Standardabweichung σ = 20m
Normalverteilung:
Euklidscher Abstand
Qualitätsanalyse
Aus allen Kandidatenmengen muss je ein Punkt gewählt werden, so-dass der Pfad entlang der Punkte bestmöglich zur Trajektorie passt.
Problem: Was heißt”bestmöglich”?
Analyse der Qualität von Kandidatenpunkten...mittels Beobachtungswahrscheinlichkeit
N(cij) =1√2πσ
e−(xij−µ)
2
2σ2
• xij = dist(cij , pjGPS)• Erwartungswert µ = 0• Standardabweichung σ = 20m
Normalverteilung:
Euklidscher Abstand
empirischer Wert
Qualitätsanalyse
Aus allen Kandidatenmengen muss je ein Punkt gewählt werden, so-dass der Pfad entlang der Punkte bestmöglich zur Trajektorie passt.
Problem: Was heißt”bestmöglich”?
Analyse der Qualität von Kandidatenpunkten...mittels Beobachtungswahrscheinlichkeit
...und der Verbindungen zwischen aufeinanderfolgenden
Qualitätsanalyse
Aus allen Kandidatenmengen muss je ein Punkt gewählt werden, so-dass der Pfad entlang der Punkte bestmöglich zur Trajektorie passt.
Problem: Was heißt”bestmöglich”?
Analyse der Qualität von Kandidatenpunkten...mittels Beobachtungswahrscheinlichkeit
...und der Verbindungen zwischen aufeinanderfolgenden
mittels Übergangswahrscheinlichkeit
Qualitätsanalyse
Aus allen Kandidatenmengen muss je ein Punkt gewählt werden, so-dass der Pfad entlang der Punkte bestmöglich zur Trajektorie passt.
Problem: Was heißt”bestmöglich”?
Analyse der Qualität von Kandidatenpunkten...mittels Beobachtungswahrscheinlichkeit
...und der Verbindungen zwischen aufeinanderfolgenden
mittels Übergangswahrscheinlichkeit
V (ci−1j → cik) =d(i−1)→i
w(j,i−1)→(k,i)
Qualitätsanalyse
Aus allen Kandidatenmengen muss je ein Punkt gewählt werden, so-dass der Pfad entlang der Punkte bestmöglich zur Trajektorie passt.
Problem: Was heißt”bestmöglich”?
Analyse der Qualität von Kandidatenpunkten...mittels Beobachtungswahrscheinlichkeit
...und der Verbindungen zwischen aufeinanderfolgenden
mittels Übergangswahrscheinlichkeit
V (ci−1j → cik) =d(i−1)→i
w(j,i−1)→(k,i)• d(i−1)→i = dist(pi−1GPS, p
iGPS)
• w(j,i−1)→(k,i): Länge deskürzesten Pfads zwischenci−1j und c
ik
Qualitätsanalyse
Aus allen Kandidatenmengen muss je ein Punkt gewählt werden, so-dass der Pfad entlang der Punkte bestmöglich zur Trajektorie passt.
Problem: Was heißt”bestmöglich”?
Analyse der Qualität von Kandidatenpunkten...mittels Beobachtungswahrscheinlichkeit
...und der Verbindungen zwischen aufeinanderfolgenden
mittels Übergangswahrscheinlichkeit
V (ci−1j → cik) =d(i−1)→i
w(j,i−1)→(k,i)• d(i−1)→i = dist(pi−1GPS, p
iGPS)
• w(j,i−1)→(k,i): Länge deskürzesten Pfads zwischenci−1j und c
ik
Euklidscher Abstand
Qualitätsanalyse
Aus allen Kandidatenmengen muss je ein Punkt gewählt werden, so-dass der Pfad entlang der Punkte bestmöglich zur Trajektorie passt.
Problem: Was heißt”bestmöglich”?
Analyse der Qualität von Kandidatenpunkten...mittels Beobachtungswahrscheinlichkeit
...und der Verbindungen zwischen aufeinanderfolgenden
mittels Übergangswahrscheinlichkeit
V (ci−1j → cik) =d(i−1)→i
w(j,i−1)→(k,i)• d(i−1)→i = dist(pi−1GPS, p
iGPS)
• w(j,i−1)→(k,i): Länge deskürzesten Pfads zwischenci−1j und c
ik
Euklidscher Abstand
Dijkstra
Optimierung
Aus allen Kandidatenmengen muss je ein Punkt gewählt werden, so-dass der Pfad entlang der Punkte bestmöglich zur Trajektorie passt.
Optimierung
Aus allen Kandidatenmengen muss je ein Punkt gewählt werden, so-dass der Pfad entlang der Punkte bestmöglich zur Trajektorie passt.
Also:
Optimierung
Aus allen Kandidatenmengen muss je ein Punkt gewählt werden, so-dass der Pfad entlang der Punkte bestmöglich zur Trajektorie passt.
c1 → c2 → · · · → cnAlso:
Optimierung
Aus allen Kandidatenmengen muss je ein Punkt gewählt werden, so-dass der Pfad entlang der Punkte bestmöglich zur Trajektorie passt.
c1 → c2 → · · · → cn mit ci ∈ CiAlso:
Optimierung
Aus allen Kandidatenmengen muss je ein Punkt gewählt werden, so-dass der Pfad entlang der Punkte bestmöglich zur Trajektorie passt.
c1 → c2 → · · · → cn mit ci ∈ Ci sodassN(c1) ·V (c1 → c2) ·N(c2) · ... ·N(cn−1) ·V (cn−1 → cn) ·N(cn)
Also:
Optimierung
Aus allen Kandidatenmengen muss je ein Punkt gewählt werden, so-dass der Pfad entlang der Punkte bestmöglich zur Trajektorie passt.
c1 → c2 → · · · → cn mit ci ∈ Ci sodassN(c1) ·V (c1 → c2) ·N(c2) · ... ·N(cn−1) ·V (cn−1 → cn) ·N(cn)maximal ist.
Also:
Optimierung
Aus allen Kandidatenmengen muss je ein Punkt gewählt werden, so-dass der Pfad entlang der Punkte bestmöglich zur Trajektorie passt.
c1 → c2 → · · · → cn mit ci ∈ Ci sodassN(c1) ·V (c1 → c2) ·N(c2) · ... ·N(cn−1) ·V (cn−1 → cn) ·N(cn)maximal ist.
Also:
p1GPS
c11
·c12·
c13
Optimierung
Aus allen Kandidatenmengen muss je ein Punkt gewählt werden, so-dass der Pfad entlang der Punkte bestmöglich zur Trajektorie passt.
c1 → c2 → · · · → cn mit ci ∈ Ci sodassN(c1) ·V (c1 → c2) ·N(c2) · ... ·N(cn−1) ·V (cn−1 → cn) ·N(cn)maximal ist.
Also:
c11
c12
c13 p1GPS
c11
·c12·
c13
Optimierung
Aus allen Kandidatenmengen muss je ein Punkt gewählt werden, so-dass der Pfad entlang der Punkte bestmöglich zur Trajektorie passt.
c1 → c2 → · · · → cn mit ci ∈ Ci sodassN(c1) ·V (c1 → c2) ·N(c2) · ... ·N(cn−1) ·V (cn−1 → cn) ·N(cn)maximal ist.
Also:
c11
c12
c13
c21
c22
c23
c24
c25
Optimierung
Aus allen Kandidatenmengen muss je ein Punkt gewählt werden, so-dass der Pfad entlang der Punkte bestmöglich zur Trajektorie passt.
c1 → c2 → · · · → cn mit ci ∈ Ci sodassN(c1) ·V (c1 → c2) ·N(c2) · ... ·N(cn−1) ·V (cn−1 → cn) ·N(cn)maximal ist.
Also:
c11
c12
c13
c21
c22
c23
c24
c25
...
...
...
...
...
Optimierung
Aus allen Kandidatenmengen muss je ein Punkt gewählt werden, so-dass der Pfad entlang der Punkte bestmöglich zur Trajektorie passt.
c1 → c2 → · · · → cn mit ci ∈ Ci sodassN(c1) ·V (c1 → c2) ·N(c2) · ... ·N(cn−1) ·V (cn−1 → cn) ·N(cn)maximal ist.
Also:
c11
c12
c13
c21
c22
c23
c24
c25
cn1
cn2
cn3
cn4
...
...
...
...
...
Optimierung
Aus allen Kandidatenmengen muss je ein Punkt gewählt werden, so-dass der Pfad entlang der Punkte bestmöglich zur Trajektorie passt.
c1 → c2 → · · · → cn mit ci ∈ Ci sodassN(c1) ·V (c1 → c2) ·N(c2) · ... ·N(cn−1) ·V (cn−1 → cn) ·N(cn)maximal ist.
Also:
c11
c12
c13
c21
c22
c23
c24
c25
cn1
cn2
cn3
cn4
...
...
...
...
...
Optimierung
Aus allen Kandidatenmengen muss je ein Punkt gewählt werden, so-dass der Pfad entlang der Punkte bestmöglich zur Trajektorie passt.
c1 → c2 → · · · → cn mit ci ∈ Ci sodassN(c1) ·V (c1 → c2) ·N(c2) · ... ·N(cn−1) ·V (cn−1 → cn) ·N(cn)maximal ist.
Also:
...
...
...
...
...
...
...
...
...
c11
c12
c13
c21
c22
c23
c24
c25
cn1
cn2
cn3
cn4
...
...
...
...
...
Optimierung
Aus allen Kandidatenmengen muss je ein Punkt gewählt werden, so-dass der Pfad entlang der Punkte bestmöglich zur Trajektorie passt.
c1 → c2 → · · · → cn mit ci ∈ Ci sodassN(c1) ·V (c1 → c2) ·N(c2) · ... ·N(cn−1) ·V (cn−1 → cn) ·N(cn)maximal ist.
Also:
...
...
...
...
...
...
...
...
...
pstart pend
c11
c12
c13
c21
c22
c23
c24
c25
cn1
cn2
cn3
cn4
...
...
...
...
...
Optimierung
Aus allen Kandidatenmengen muss je ein Punkt gewählt werden, so-dass der Pfad entlang der Punkte bestmöglich zur Trajektorie passt.
c1 → c2 → · · · → cn mit ci ∈ Ci sodassN(c1) ·V (c1 → c2) ·N(c2) · ... ·N(cn−1) ·V (cn−1 → cn) ·N(cn)maximal ist.
Also:
...
...
...
...
...
...
...
...
...
pstart pend
c11
c12
c13
c21
c22
c23
c24
c25
cn1
cn2
cn3
cn4
...
...
...
...
...
N(c11) ·V (c11 → c
21)
Optimierung
Aus allen Kandidatenmengen muss je ein Punkt gewählt werden, so-dass der Pfad entlang der Punkte bestmöglich zur Trajektorie passt.
c1 → c2 → · · · → cn mit ci ∈ Ci sodassN(c1) ·V (c1 → c2) ·N(c2) · ... ·N(cn−1) ·V (cn−1 → cn) ·N(cn)maximal ist.
Also:
...
...
...
...
...
...
...
...
...
pstart pend
c11
c12
c13
c21
c22
c23
c24
c25
cn1
cn2
cn3
cn4
...
...
...
...
...
N(c11) ·V (c11 → c
21)
Suche optimalen Weg: dynamisches Programmieren
Teil II: Verbesserung des Algorithmus’
Normalisierung der Übergangs-WSK
Normalisierung der Übergangs-WSK
Lou et al. (2009) definierten die Übergangswahrscheinlichkeit als
Normalisierung der Übergangs-WSK
V (ci−1j → cik) =d(i−1)→i
w(j,i−1)→(k,i)• d(i−1)→i = dist(pi−1GPS, p
iGPS)
• w(j,i−1)→(k,i): Länge deskürzesten Pfads zwischenci−1j und c
ik
Lou et al. (2009) definierten die Übergangswahrscheinlichkeit als
Normalisierung der Übergangs-WSK
V (ci−1j → cik) =d(i−1)→i
w(j,i−1)→(k,i)• d(i−1)→i = dist(pi−1GPS, p
iGPS)
• w(j,i−1)→(k,i): Länge deskürzesten Pfads zwischenci−1j und c
ik
Lou et al. (2009) definierten die Übergangswahrscheinlichkeit als
Problem:
Normalisierung der Übergangs-WSK
V (ci−1j → cik) =d(i−1)→i
w(j,i−1)→(k,i)• d(i−1)→i = dist(pi−1GPS, p
iGPS)
• w(j,i−1)→(k,i): Länge deskürzesten Pfads zwischenci−1j und c
ik
Lou et al. (2009) definierten die Übergangswahrscheinlichkeit als
Problem:
pi−1GPSpiGPS
Normalisierung der Übergangs-WSK
V (ci−1j → cik) =d(i−1)→i
w(j,i−1)→(k,i)• d(i−1)→i = dist(pi−1GPS, p
iGPS)
• w(j,i−1)→(k,i): Länge deskürzesten Pfads zwischenci−1j und c
ik
Lou et al. (2009) definierten die Übergangswahrscheinlichkeit als
Problem:
pi−1GPSpiGPS
ci−1j cik
Normalisierung der Übergangs-WSK
V (ci−1j → cik) =d(i−1)→i
w(j,i−1)→(k,i)• d(i−1)→i = dist(pi−1GPS, p
iGPS)
• w(j,i−1)→(k,i): Länge deskürzesten Pfads zwischenci−1j und c
ik
Lou et al. (2009) definierten die Übergangswahrscheinlichkeit als
Problem:
pi−1GPSpiGPS
ci−1j cik
d
w
Normalisierung der Übergangs-WSK
V (ci−1j → cik) =d(i−1)→i
w(j,i−1)→(k,i)• d(i−1)→i = dist(pi−1GPS, p
iGPS)
• w(j,i−1)→(k,i): Länge deskürzesten Pfads zwischenci−1j und c
ik
Lou et al. (2009) definierten die Übergangswahrscheinlichkeit als
Problem:
pi−1GPSpiGPS
ci−1j cik
d
w
d > w
Normalisierung der Übergangs-WSK
V (ci−1j → cik) =d(i−1)→i
w(j,i−1)→(k,i)• d(i−1)→i = dist(pi−1GPS, p
iGPS)
• w(j,i−1)→(k,i): Länge deskürzesten Pfads zwischenci−1j und c
ik
Lou et al. (2009) definierten die Übergangswahrscheinlichkeit als
Problem: d > w
Neue Definition der Übergangswahrscheinlichkeit:
Normalisierung der Übergangs-WSK
V (ci−1j → cik) =d(i−1)→i
w(j,i−1)→(k,i)• d(i−1)→i = dist(pi−1GPS, p
iGPS)
• w(j,i−1)→(k,i): Länge deskürzesten Pfads zwischenci−1j und c
ik
Lou et al. (2009) definierten die Übergangswahrscheinlichkeit als
Problem: d > w
Neue Definition der Übergangswahrscheinlichkeit:
V (ci−1j → cik) =min{d(i−1)→i,w(j,i−1)→(k,i)}max{d(i−1)→i,w(j,i−1)→(k,i)}
Normalisierung der Übergangs-WSK
V (ci−1j → cik) =d(i−1)→i
w(j,i−1)→(k,i)• d(i−1)→i = dist(pi−1GPS, p
iGPS)
• w(j,i−1)→(k,i): Länge deskürzesten Pfads zwischenci−1j und c
ik
Lou et al. (2009) definierten die Übergangswahrscheinlichkeit als
Problem: d > w
Neue Definition der Übergangswahrscheinlichkeit:
V (ci−1j → cik) =min{d(i−1)→i,w(j,i−1)→(k,i)}max{d(i−1)→i,w(j,i−1)→(k,i)}
Normierung von V
Verhindern von Schleifen
Verhindern von Schleifen
Beispiel:
Verhindern von Schleifen
Beispiel:
p1GPS
p2GPS
p3GPS
p4GPS
p5GPS
p6GPS
Verhindern von Schleifen
Beispiel:
p1GPS
p2GPS
p3GPS
p4GPS
p5GPS
p6GPS
c1
c2
c3
c4
c5
c6
Verhindern von Schleifen
Beispiel:
p1GPS
p2GPS
p3GPS
p4GPS
p5GPS
p6GPS
c1
c2
c3
c4
c5
c6
Verhindern von Schleifen
Beispiel:
p1GPS
p2GPS
p3GPS
p4GPS
p5GPS
p6GPS
c1
c2
c3
c4
c5
c6
Verhindern von Schleifen
Beispiel:
p1GPS
p2GPS
p3GPS
p4GPS
p5GPS
p6GPS
c1
c2
c3
c4
c5
c6
Verhindern von Schleifen
Beispiel:
p1GPS
p2GPS
p3GPS
p4GPS
p5GPS
p6GPS
c1
c2
c3
c4
c5
c6
Verhindern von Schleifen
Beispiel:
p1GPS
p2GPS
p3GPS
p4GPS
p5GPS
p6GPS
c1
c2
c3
c4
c5
c6
Fehlerhaftes Matching einer Schleife
Verhindern von Schleifen
Lösung: Einführung der Richtungswahrscheinlichkeit
Verhindern von Schleifen
Lösung: Einführung der Richtungswahrscheinlichkeit
pi−1GPS
piGPS
ci−1j
cik
Verhindern von Schleifen
Lösung: Einführung der Richtungswahrscheinlichkeit
27◦
pi−1GPS
piGPS
ci−1j
cik
Verhindern von Schleifen
Lösung: Einführung der Richtungswahrscheinlichkeit
D(ci−1j → cik) = 180◦−α
180◦• α : Winkelabwichung
zwischen den Vektorenci−1j → c
ik und p
i−1GPS → p
iGPS
• D = 1, falls einer derVektoren die Länge 0 hat
27◦
pi−1GPS
piGPS
ci−1j
cik
Verhindern von Schleifen
Lösung: Einführung der Richtungswahrscheinlichkeit
D(ci−1j → cik) = 180◦−α
180◦• α : Winkelabwichung
zwischen den Vektorenci−1j → c
ik und p
i−1GPS → p
iGPS
• D = 1, falls einer derVektoren die Länge 0 hat
27◦
pi−1GPS
piGPS
ci−1j
cik
Erhebliche Verbesserung der Matching-Ergebnisse
Teil III: Erweiterungen für
unvollständiges Kartenmaterial
Erweiterungen für unvollst. Kartenmaterial
Erweiterungen für unvollst. Kartenmaterial
Wozu eigentlich?
Erweiterungen für unvollst. Kartenmaterial
Wozu eigentlich?1. Genauere Fußgängernavigation
Erweiterungen für unvollst. Kartenmaterial
Wozu eigentlich?1. Genauere Fußgängernavigation
10m
Erweiterungen für unvollst. Kartenmaterial
Wozu eigentlich?1. Genauere Fußgängernavigation
Erweiterungen für unvollst. Kartenmaterial
Wozu eigentlich?1. Genauere Fußgängernavigation
Routen abseits vom (Fahrzeug-)Straßennetz werden erkannt
Erweiterungen für unvollst. Kartenmaterial
Wozu eigentlich?1. Genauere Fußgängernavigation
Routen abseits vom (Fahrzeug-)Straßennetz werden erkannt
2. Kompensation fehlender Verbindungen
Erweiterungen für unvollst. Kartenmaterial
Wozu eigentlich?1. Genauere Fußgängernavigation
Routen abseits vom (Fahrzeug-)Straßennetz werden erkannt
2. Kompensation fehlender Verbindungen
Erweiterungen für unvollst. Kartenmaterial
Wozu eigentlich?1. Genauere Fußgängernavigation
Routen abseits vom (Fahrzeug-)Straßennetz werden erkannt
2. Kompensation fehlender Verbindungen
Bildquelle: stbawm.bayern.de
Erweiterungen für unvollst. Kartenmaterial
Wozu eigentlich?1. Genauere Fußgängernavigation
Routen abseits vom (Fahrzeug-)Straßennetz werden erkannt
2. Kompensation fehlender Verbindungen
Bewegungen über noch nichterfasste Straßen werden überbrückt
Bildquelle: stbawm.bayern.de
Erweiterungen für unvollst. Kartenmaterial
Wozu eigentlich?1. Genauere Fußgängernavigation
Routen abseits vom (Fahrzeug-)Straßennetz werden erkannt
2. Kompensation fehlender Verbindungen
Bewegungen über noch nichterfasste Straßen werden überbrückt
Bildquelle: stbawm.bayern.de
3. Erfassung tatsächlicher Off-Road Bewegungen
Erweiterungen für unvollst. Kartenmaterial
Wozu eigentlich?1. Genauere Fußgängernavigation
Routen abseits vom (Fahrzeug-)Straßennetz werden erkannt
2. Kompensation fehlender Verbindungen
Bewegungen über noch nichterfasste Straßen werden überbrückt
Bildquelle: stbawm.bayern.de
3. Erfassung tatsächlicher Off-Road Bewegungen
Pfade außerhalb der befestigten Straßen (z.B. Trampelpfade,Wiesen, Feldwege, etc.) werden erfasst
Off-Road-Punkte
Off-Road-Punkte
Zusätzlich zu den Kandidatenpunkten auf dem Straßennetz...
Off-Road-Punkte
p1GPS
c11
c12
c13
Zusätzlich zu den Kandidatenpunkten auf dem Straßennetz...
Off-Road-Punkte
p1GPS
c11
c12
c13
Zusätzlich zu den Kandidatenpunkten auf dem Straßennetz......sollen die GPS-Punkte selbst in Betracht gezogen werden.
Off-Road-Punkt
Off-Road-Punkte
p1GPS
c11
c12
c13
Zusätzlich zu den Kandidatenpunkten auf dem Straßennetz......sollen die GPS-Punkte selbst in Betracht gezogen werden.
Problem:
Off-Road-Punkte
p1GPS
c11
c12
c13
Zusätzlich zu den Kandidatenpunkten auf dem Straßennetz......sollen die GPS-Punkte selbst in Betracht gezogen werden.
Problem:p1GPS ist überdas Straßennetzunerreichbar!
Off-Road-Punkte
p1GPS
c11
c12
c13
Zusätzlich zu den Kandidatenpunkten auf dem Straßennetz......sollen die GPS-Punkte selbst in Betracht gezogen werden.
p0GPS
p2GPS
Problem:p1GPS ist überdas Straßennetzunerreichbar!
Off-Road-Punkte
p1GPS
c11
c12
c13
Zusätzlich zu den Kandidatenpunkten auf dem Straßennetz......sollen die GPS-Punkte selbst in Betracht gezogen werden.
p0GPS
p2GPS
Problem:p1GPS ist überdas Straßennetzunerreichbar!
c21
c01
Off-Road-Punkte
p1GPS
c11
c12
c13
Zusätzlich zu den Kandidatenpunkten auf dem Straßennetz......sollen die GPS-Punkte selbst in Betracht gezogen werden.
p0GPS
p2GPS
Problem:p1GPS ist überdas Straßennetzunerreichbar!
c21
c01
Off-Road-Punkte
p1GPS
c11
c12
c13
Zusätzlich zu den Kandidatenpunkten auf dem Straßennetz......sollen die GPS-Punkte selbst in Betracht gezogen werden.
p0GPS
p2GPS
Problem:p1GPS ist überdas Straßennetzunerreichbar!
c21
c01Lösung:
Off-Road-Punkte
p1GPS
c11
c12
c13
Zusätzlich zu den Kandidatenpunkten auf dem Straßennetz......sollen die GPS-Punkte selbst in Betracht gezogen werden.
p0GPS
p2GPS
Problem:p1GPS ist überdas Straßennetzunerreichbar!
c21
c01Lösung:
Verbinde die GPS-Kandidatenmit den Kandidaten derVorgänger und Nachfolger
Off-Road-Punkte
p1GPS
c11
c12
c13
Zusätzlich zu den Kandidatenpunkten auf dem Straßennetz......sollen die GPS-Punkte selbst in Betracht gezogen werden.
p0GPS
p2GPS
Problem:p1GPS ist überdas Straßennetzunerreichbar!
c21
c01Lösung:
Verbinde die GPS-Kandidatenmit den Kandidaten derVorgänger und Nachfolger
Off-Road-Punkte
p1GPS
c11
c12
c13
Zusätzlich zu den Kandidatenpunkten auf dem Straßennetz......sollen die GPS-Punkte selbst in Betracht gezogen werden.
p0GPS
p2GPS
Problem:p1GPS ist überdas Straßennetzunerreichbar!
c21
c01Lösung:
Verbinde die GPS-Kandidatenmit den Kandidaten derVorgänger und Nachfolger
Off-Road-Punkte
p1GPS
c11
c12
c13
Zusätzlich zu den Kandidatenpunkten auf dem Straßennetz......sollen die GPS-Punkte selbst in Betracht gezogen werden.
p0GPS
p2GPS
Problem:p1GPS ist überdas Straßennetzunerreichbar!
c21
c01Lösung:
Verbinde die GPS-Kandidatenmit den Kandidaten derVorgänger und Nachfolger
Off-Road-Segment
Qualitätsanalyse von Off-Road-Segmenten
Qualitätsanalyse von Off-Road-Segmenten
Wie können Off-Road-Punkte und -Segmente bezüglich ihrerMatching-Qualität bewertet werden?
Qualitätsanalyse von Off-Road-Segmenten
Wie können Off-Road-Punkte und -Segmente bezüglich ihrerMatching-Qualität bewertet werden?
p1GPS
c11
c12
c13
p0GPS
p2GPS
c21
c01
Qualitätsanalyse von Off-Road-Segmenten
Wie können Off-Road-Punkte und -Segmente bezüglich ihrerMatching-Qualität bewertet werden?
p1GPS
c11
c12
c13
p0GPS
p2GPS
c21
c01
Beobachtungs-wahrscheinlichkeit
Qualitätsanalyse von Off-Road-Segmenten
Wie können Off-Road-Punkte und -Segmente bezüglich ihrerMatching-Qualität bewertet werden?
p1GPS
c11
c12
c13
p0GPS
p2GPS
c21
c01
Beobachtungs-wahrscheinlichkeit
Qualitätsanalyse von Off-Road-Segmenten
Wie können Off-Road-Punkte und -Segmente bezüglich ihrerMatching-Qualität bewertet werden?
p1GPS
c11
c12
c13
p0GPS
p2GPS
c21
c01
Beobachtungs-wahrscheinlichkeit
Übergangs-wahrscheinlichkeit
Qualitätsanalyse von Off-Road-Segmenten
Wie können Off-Road-Punkte und -Segmente bezüglich ihrerMatching-Qualität bewertet werden?
p1GPS
c11
c12
c13
p0GPS
p2GPS
c21
c01
Beobachtungs-wahrscheinlichkeit
Übergangs-wahrscheinlichkeit
Qualitätsanalyse von Off-Road-Segmenten
Wie können Off-Road-Punkte und -Segmente bezüglich ihrerMatching-Qualität bewertet werden?
p1GPS
c11
c12
c13
p0GPS
p2GPS
c21
c01
Beobachtungs-wahrscheinlichkeit
Übergangs-wahrscheinlichkeit
Richtungs-wahrscheinlichkeit
Qualitätsanalyse von Off-Road-Segmenten
Wie können Off-Road-Punkte und -Segmente bezüglich ihrerMatching-Qualität bewertet werden?
p1GPS
c11
c12
c13
p0GPS
p2GPS
c21
c01
Beobachtungs-wahrscheinlichkeit
Übergangs-wahrscheinlichkeit
Richtungs-wahrscheinlichkeit
Qualitätsanalyse von Off-Road-Segmenten
Wie können Off-Road-Punkte und -Segmente bezüglich ihrerMatching-Qualität bewertet werden?
p1GPS
c11
c12
c13
p0GPS
p2GPS
c21
c01
Beobachtungs-wahrscheinlichkeit
Übergangs-wahrscheinlichkeit
Richtungs-wahrscheinlichkeit
Zusätzlich:Strafen fürs Benutzen vonOff-Road-Segmenten
Qualitätsanalyse von Off-Road-Segmenten
Wie können Off-Road-Punkte und -Segmente bezüglich ihrerMatching-Qualität bewertet werden?
p1GPS
c11
c12
c13
p0GPS
p2GPS
c21
c01
Beobachtungs-wahrscheinlichkeit
Übergangs-wahrscheinlichkeit
Richtungs-wahrscheinlichkeit
Zusätzlich:Strafen fürs Benutzen vonOff-Road-Segmenten
PuresOff-Road
Qualitätsanalyse von Off-Road-Segmenten
Wie können Off-Road-Punkte und -Segmente bezüglich ihrerMatching-Qualität bewertet werden?
p1GPS
c11
c12
c13
p0GPS
p2GPS
c21
c01
Beobachtungs-wahrscheinlichkeit
Übergangs-wahrscheinlichkeit
Richtungs-wahrscheinlichkeit
Zusätzlich:Strafen fürs Benutzen vonOff-Road-Segmenten
Straßeverlassend
Qualitätsanalyse von Off-Road-Segmenten
Wie können Off-Road-Punkte und -Segmente bezüglich ihrerMatching-Qualität bewertet werden?
p1GPS
c11
c12
c13
p0GPS
p2GPS
c21
c01
Beobachtungs-wahrscheinlichkeit
Übergangs-wahrscheinlichkeit
Richtungs-wahrscheinlichkeit
Zusätzlich:Strafen fürs Benutzen vonOff-Road-Segmenten
Straßebetretend
Erweiterter Kandidatengraph
Erweiterter Kandidatengraph
Die Off-Road-Punkte und -Segmente werden im Kandidaten-graph repräsentiert:
Erweiterter Kandidatengraph
...
...
...
...
...
...
...
...
...
pstart pend
c21
c22
c23
c24
c25
cn1
cn2
cn3
cn4
Die Off-Road-Punkte und -Segmente werden im Kandidaten-graph repräsentiert:
c13
c12
c11
...
...
...
...
...
Erweiterter Kandidatengraph
...
...
...
...
...
...
...
...
...
pstart pend
c21
c22
c23
c24
c25
cn1
cn2
cn3
cn4
Die Off-Road-Punkte und -Segmente werden im Kandidaten-graph repräsentiert:
c13
c12
c11
...
...
...
...
...
Erweiterter Kandidatengraph
...
...
...
...
...
...
...
...
...
pstart pend
c21
c22
c23
c24
c25
cn1
cn2
cn3
cn4
Die Off-Road-Punkte und -Segmente werden im Kandidaten-graph repräsentiert:
c13
c12
c11
...
...
...
...
...
c1GPS c2GPS c
3GPS c
4GPS
Erweiterter Kandidatengraph
...
...
...
...
...
...
...
...
...
pstart pend
c21
c22
c23
c24
c25
cn1
cn2
cn3
cn4
Die Off-Road-Punkte und -Segmente werden im Kandidaten-graph repräsentiert:
c13
c12
c11
...
...
...
...
...
c1GPS c2GPS c
3GPS c
4GPS
Erweiterter Kandidatengraph
...
...
...
...
...
...
...
...
...
pstart pend
c21
c22
c23
c24
c25
cn1
cn2
cn3
cn4
Die Off-Road-Punkte und -Segmente werden im Kandidaten-graph repräsentiert:
c13
c12
c11
...
...
...
...
...
c1GPS c2GPS c
3GPS c
4GPS
Aber:
Erweiterter Kandidatengraph
...
...
...
...
...
...
...
...
...
pstart pend
c21
c22
c23
c24
c25
cn1
cn2
cn3
cn4
Die Off-Road-Punkte und -Segmente werden im Kandidaten-graph repräsentiert:
c13
c12
c11
...
...
...
...
...
c1GPS c2GPS c
3GPS c
4GPS
Aber: Keine Veränderung der Grundstruktur des Graphen
Erweiterter Kandidatengraph
...
...
...
...
...
...
...
...
...
pstart pend
c21
c22
c23
c24
c25
cn1
cn2
cn3
cn4
Die Off-Road-Punkte und -Segmente werden im Kandidaten-graph repräsentiert:
c13
c12
c11
...
...
...
...
...
c1GPS c2GPS c
3GPS c
4GPS
Aber: Keine Veränderung der Grundstruktur des GraphenSelbe Optimierungsmethode wie im Basissystem
Teil IV: Evaluation und Ausblick
Matching-Qualität bei versch. Bedingungen
Matching-Qualität bei versch. Bedingungen
Das vorgestellte System verbessert die Matching-Qualität inAbhängigkeit von der Sampling-Rate auf unterschiedliche Weise.
Matching-Qualität bei versch. Bedingungen
Das vorgestellte System verbessert die Matching-Qualität inAbhängigkeit von der Sampling-Rate auf unterschiedliche Weise.
Sampling-Rate Qualitätsverbesserung
Matching-Qualität bei versch. Bedingungen
Das vorgestellte System verbessert die Matching-Qualität inAbhängigkeit von der Sampling-Rate auf unterschiedliche Weise.
Sampling-Rate Qualitätsverbesserung
niedrig (1/100 s) keine
Matching-Qualität bei versch. Bedingungen
Das vorgestellte System verbessert die Matching-Qualität inAbhängigkeit von der Sampling-Rate auf unterschiedliche Weise.
Sampling-Rate Qualitätsverbesserung
niedrig (1/100 s)
mittel (1/10 s)
keine
besser bei fehlenden neuralgischen Segmenten
Matching-Qualität bei versch. Bedingungen
Das vorgestellte System verbessert die Matching-Qualität inAbhängigkeit von der Sampling-Rate auf unterschiedliche Weise.
Sampling-Rate Qualitätsverbesserung
niedrig (1/100 s)
mittel (1/10 s)
keine
besser bei fehlenden neuralgischen Segmenten
?
Matching-Qualität bei versch. Bedingungen
Das vorgestellte System verbessert die Matching-Qualität inAbhängigkeit von der Sampling-Rate auf unterschiedliche Weise.
Sampling-Rate Qualitätsverbesserung
niedrig (1/100 s)
mittel (1/10 s)
keine
besser bei fehlenden neuralgischen Segmenten
?
p1GPS
p2GPS
p3GPS
p4GPS
p5GPS
c2
c1
c4
c5
c3
Segment vorhanden
Matching-Qualität bei versch. Bedingungen
Das vorgestellte System verbessert die Matching-Qualität inAbhängigkeit von der Sampling-Rate auf unterschiedliche Weise.
Sampling-Rate Qualitätsverbesserung
niedrig (1/100 s)
mittel (1/10 s)
keine
besser bei fehlenden neuralgischen Segmenten
?
p1GPS
p2GPS
p3GPS
p4GPS
p5GPS
c2
c1
c4
c5
p1GPS
p2GPS
p3GPS
p4GPS
p5GPS
c2
c1
c4
c5
c3 c3
Segment vorhanden Segment umgangen
Matching-Qualität bei versch. Bedingungen
Das vorgestellte System verbessert die Matching-Qualität inAbhängigkeit von der Sampling-Rate auf unterschiedliche Weise.
Sampling-Rate Qualitätsverbesserung
niedrig (1/100 s)
mittel (1/10 s)
keine
besser bei fehlenden neuralgischen Segmenten
?
p1GPS
p2GPS
p3GPS
p4GPS
p5GPS
c3
c2
c5
c6
p1GPS
p2GPS
p3GPS
p4GPS
p5GPS
c2
c1
c4
c5
p1GPS
p2GPS
p3GPS
p4GPS
p5GPS
c2
c1
c4
c5
c3 c3
Segment vorhanden Segment umgangen Segment überbrückt
Matching-Qualität bei versch. Bedingungen
Das vorgestellte System verbessert die Matching-Qualität inAbhängigkeit von der Sampling-Rate auf unterschiedliche Weise.
Sampling-Rate Qualitätsverbesserung
niedrig (1/100 s)
mittel (1/10 s)
keine
besser bei fehlenden neuralgischen Segmenten
?
Segment vorhanden Segment umgangen Segment überbrückt
Matching-Qualität bei versch. Bedingungen
Das vorgestellte System verbessert die Matching-Qualität inAbhängigkeit von der Sampling-Rate auf unterschiedliche Weise.
Sampling-Rate Qualitätsverbesserung
niedrig (1/100 s)
mittel (1/10 s)
keine
besser bei fehlenden neuralgischen Segmenten
Matching-Qualität bei versch. Bedingungen
Das vorgestellte System verbessert die Matching-Qualität inAbhängigkeit von der Sampling-Rate auf unterschiedliche Weise.
Sampling-Rate Qualitätsverbesserung
niedrig (1/100 s)
mittel (1/10 s)
hoch (1/1 s)
keine
besser bei fehlenden neuralgischen Segmenten
Off-Road-Bewegungen, beliebige fehlende Segmente
Matching-Qualität bei versch. Bedingungen
Das vorgestellte System verbessert die Matching-Qualität inAbhängigkeit von der Sampling-Rate auf unterschiedliche Weise.
Sampling-Rate Qualitätsverbesserung
niedrig (1/100 s)
mittel (1/10 s)
hoch (1/1 s)
keine
besser bei fehlenden neuralgischen Segmenten
Off-Road-Bewegungen, beliebige fehlende Segmente
bei weitestgehend vollständigem Kartenmaterial.
Matching-Qualität bei versch. Bedingungen
Das vorgestellte System verbessert die Matching-Qualität inAbhängigkeit von der Sampling-Rate auf unterschiedliche Weise.
Sampling-Rate Qualitätsverbesserung
niedrig (1/100 s)
mittel (1/10 s)
hoch (1/1 s)
keine
besser bei fehlenden neuralgischen Segmenten
Off-Road-Bewegungen, beliebige fehlende Segmente
bei weitestgehend vollständigem Kartenmaterial.
Wie verhält sich das System, wenn größere Teile des Kartenma-terials fehlen?
Verhalten auf unvollständigen Karten
Verhalten auf unvollständigen Karten
Kartenintegrität 100%Basis-System
Verhalten auf unvollständigen Karten
Kartenintegrität 100%Basis-System
Kartenintegrität 50%Basis-System
Verhalten auf unvollständigen Karten
Kartenintegrität 100%Basis-System
Kartenintegrität 50%Basis-System
Kartenintegrität 50%Off-Road-System
Verhalten auf unvollständigen Karten
Größere Testbasis benötigt!
Verhalten auf unvollständigen Karten
Randomisierte Tests
Größere Testbasis benötigt!
Verhalten auf unvollständigen Karten
Randomisierte Tests
Größere Testbasis benötigt!
• Basis- und Off-Road-System
Verhalten auf unvollständigen Karten
Randomisierte Tests
Größere Testbasis benötigt!
• Basis- und Off-Road-System• 1200 zufällige Testkarten
Verhalten auf unvollständigen Karten
Randomisierte Tests
Größere Testbasis benötigt!
• Basis- und Off-Road-System• 1200 zufällige Testkarten• Integrität zwischen 25% - 100%
Verhalten auf unvollständigen Karten
Randomisierte Tests
Größere Testbasis benötigt!
• Basis- und Off-Road-System• 1200 zufällige Testkarten• Integrität zwischen 25% - 100%
Resultate
Verhalten auf unvollständigen Karten
Randomisierte Tests
Größere Testbasis benötigt!
• Basis- und Off-Road-System• 1200 zufällige Testkarten• Integrität zwischen 25% - 100%
Resultatebei fallender Integrität:
Verhalten auf unvollständigen Karten
Randomisierte Tests
Größere Testbasis benötigt!
• Basis- und Off-Road-System• 1200 zufällige Testkarten• Integrität zwischen 25% - 100%
Resultatebei fallender Integrität:
• Basis-System ermittelt starkabweichende Pfade
Verhalten auf unvollständigen Karten
Randomisierte Tests
Größere Testbasis benötigt!
• Basis- und Off-Road-System• 1200 zufällige Testkarten• Integrität zwischen 25% - 100%
Resultatebei fallender Integrität:
• Off-Road-System konvergiertgegen Trajektorie
• Basis-System ermittelt starkabweichende Pfade
Laufzeitanalyse
Laufzeitanalyse
Keine Veränderung der Komplexität im Vergleich zum Basis-System von Lou et al. (2009).
Laufzeitanalyse
Keine Veränderung der Komplexität im Vergleich zum Basis-System von Lou et al. (2009).
Sei
Laufzeitanalyse
Keine Veränderung der Komplexität im Vergleich zum Basis-System von Lou et al. (2009).
Sei n Anzahl GPS-Punkte
Laufzeitanalyse
Keine Veränderung der Komplexität im Vergleich zum Basis-System von Lou et al. (2009).
Sei n Anzahl GPS-Punktem Anzahl Straßensegmente
Laufzeitanalyse
Keine Veränderung der Komplexität im Vergleich zum Basis-System von Lou et al. (2009).
Sei n Anzahl GPS-Punktem Anzahl Straßensegmente
N Anzahl Straßenknoten
Laufzeitanalyse
Keine Veränderung der Komplexität im Vergleich zum Basis-System von Lou et al. (2009).
Sei n Anzahl GPS-Punktem Anzahl Straßensegmente
N Anzahl Straßenknoten
k max. Größe der Kandidatenmenge
Laufzeitanalyse
Keine Veränderung der Komplexität im Vergleich zum Basis-System von Lou et al. (2009).
Sei n Anzahl GPS-Punktem Anzahl Straßensegmente
N Anzahl Straßenknoten
k max. Größe der Kandidatenmenge
Asymptotische Laufzeit
Laufzeitanalyse
Keine Veränderung der Komplexität im Vergleich zum Basis-System von Lou et al. (2009).
Sei n Anzahl GPS-Punktem Anzahl Straßensegmente
N Anzahl Straßenknoten
k max. Größe der Kandidatenmenge
Asymptotische Laufzeit
Verbindungen zwischen Kandidaten:
Laufzeitanalyse
Keine Veränderung der Komplexität im Vergleich zum Basis-System von Lou et al. (2009).
Sei n Anzahl GPS-Punktem Anzahl Straßensegmente
N Anzahl Straßenknoten
k max. Größe der Kandidatenmenge
Asymptotische Laufzeit
Verbindungen zwischen Kandidaten: (n− 1) · k2
Laufzeitanalyse
Keine Veränderung der Komplexität im Vergleich zum Basis-System von Lou et al. (2009).
Sei n Anzahl GPS-Punktem Anzahl Straßensegmente
N Anzahl Straßenknoten
k max. Größe der Kandidatenmenge
Asymptotische Laufzeit
Verbindungen zwischen Kandidaten: (n− 1) · k2
Berechung der Übergangswahrsch.:
Laufzeitanalyse
Keine Veränderung der Komplexität im Vergleich zum Basis-System von Lou et al. (2009).
Sei n Anzahl GPS-Punktem Anzahl Straßensegmente
N Anzahl Straßenknoten
k max. Größe der Kandidatenmenge
Asymptotische Laufzeit
Verbindungen zwischen Kandidaten: (n− 1) · k2
Berechung der Übergangswahrsch.: O(n·k2 ·(m+N logN))
Laufzeitanalyse
Keine Veränderung der Komplexität im Vergleich zum Basis-System von Lou et al. (2009).
Sei n Anzahl GPS-Punktem Anzahl Straßensegmente
N Anzahl Straßenknoten
k max. Größe der Kandidatenmenge
Asymptotische Laufzeit
Verbindungen zwischen Kandidaten: (n− 1) · k2
Berechung der Übergangswahrsch.: O(n·k2 ·(m+N logN))
Laufzeitanalyse
Keine Veränderung der Komplexität im Vergleich zum Basis-System von Lou et al. (2009).
Sei n Anzahl GPS-Punktem Anzahl Straßensegmente
N Anzahl Straßenknoten
k max. Größe der Kandidatenmenge
Asymptotische Laufzeit
Verbindungen zwischen Kandidaten: (n− 1) · k2
Berechung der Übergangswahrsch.: O(n·k2 ·(m+N logN))
Dijkstra
Laufzeitanalyse
Keine Veränderung der Komplexität im Vergleich zum Basis-System von Lou et al. (2009).
Sei n Anzahl GPS-Punktem Anzahl Straßensegmente
N Anzahl Straßenknoten
k max. Größe der Kandidatenmenge
Asymptotische Laufzeit
Verbindungen zwischen Kandidaten: (n− 1) · k2
Berechung der Übergangswahrsch.: O(n·k2 ·(m+N logN))
Suche nach optimalem Pfad (Lou09):
Laufzeitanalyse
Keine Veränderung der Komplexität im Vergleich zum Basis-System von Lou et al. (2009).
Sei n Anzahl GPS-Punktem Anzahl Straßensegmente
N Anzahl Straßenknoten
k max. Größe der Kandidatenmenge
Asymptotische Laufzeit
Verbindungen zwischen Kandidaten: (n− 1) · k2
Berechung der Übergangswahrsch.: O(n·k2 ·(m+N logN))
Suche nach optimalem Pfad (Lou09): O(n · k2)
Laufzeitanalyse
Keine Veränderung der Komplexität im Vergleich zum Basis-System von Lou et al. (2009).
Sei n Anzahl GPS-Punktem Anzahl Straßensegmente
N Anzahl Straßenknoten
k max. Größe der Kandidatenmenge
Asymptotische Laufzeit
Verbindungen zwischen Kandidaten: (n− 1) · k2
Berechung der Übergangswahrsch.: O(n·k2 ·(m+N logN))
Suche nach optimalem Pfad (Lou09): O(n · k2)O(n·k2 ·(m+N logN))
Laufzeitanalyse
Keine Veränderung der Komplexität im Vergleich zum Basis-System von Lou et al. (2009).
Sei n Anzahl GPS-Punktem Anzahl Straßensegmente
N Anzahl Straßenknoten
k max. Größe der Kandidatenmenge
Asymptotische Laufzeit
Verbindungen zwischen Kandidaten: (n− 1) · k2
Berechung der Übergangswahrsch.: O(n·k2 ·(m+N logN))
Suche nach optimalem Pfad (Lou09): O(n · k2)O(n·k2 ·(m+N logN))
k ist in der Praxis klein
Laufzeitanalyse
Keine Veränderung der Komplexität im Vergleich zum Basis-System von Lou et al. (2009).
Sei n Anzahl GPS-Punktem Anzahl Straßensegmente
N Anzahl Straßenknoten
k max. Größe der Kandidatenmenge
Asymptotische Laufzeit
Verbindungen zwischen Kandidaten: (n− 1) · k2
Berechung der Übergangswahrsch.: O(n·k2 ·(m+N logN))
Suche nach optimalem Pfad (Lou09): O(n · k2)O(n·k2 ·(m+N logN))
k ist in der Praxis klein O(n · (m+N logN))
Ausblick
Ausblick
Weitere Verbesserung des Systems
Ausblick
Weitere Verbesserung des Systems
• Verfeinerter Ansatz für die Richtungswahrscheinlichkeit
Ausblick
Weitere Verbesserung des Systems
• Verfeinerter Ansatz für die Richtungswahrscheinlichkeit• Berücksichtigung der delution of precision der GPS-Punkte
Ausblick
Weitere Verbesserung des Systems
• Verfeinerter Ansatz für die Richtungswahrscheinlichkeit• Berücksichtigung der delution of precision der GPS-Punkte
Innovative Einsatzmöglichkeiten
Ausblick
Weitere Verbesserung des Systems
• Verfeinerter Ansatz für die Richtungswahrscheinlichkeit• Berücksichtigung der delution of precision der GPS-Punkte
Innovative Einsatzmöglichkeiten
• Fußgängernavigation
Ausblick
Weitere Verbesserung des Systems
• Verfeinerter Ansatz für die Richtungswahrscheinlichkeit• Berücksichtigung der delution of precision der GPS-Punkte
Innovative Einsatzmöglichkeiten
• Fußgängernavigation• Kartenerstellung z.B. durch Community
Ausblick
Weitere Verbesserung des Systems
• Verfeinerter Ansatz für die Richtungswahrscheinlichkeit• Berücksichtigung der delution of precision der GPS-Punkte
Innovative Einsatzmöglichkeiten
• Fußgängernavigation• Kartenerstellung z.B. durch Community
Pereira et al. (2009): YouTrace
Fragen und Diskussion
Titel