基于改进HMM纠偏算法的露天矿车辆高精度定位方法

阮顺领, 李孟, 顾清华, 卢才武

阮顺领, 李孟, 顾清华, 等. 基于改进HMM纠偏算法的露天矿车辆高精度定位方法[J]. 矿业科学学报, 2023, 8(3): 381-389. DOI: 10.19606/j.cnki.jmst.2023.03.011
引用本文: 阮顺领, 李孟, 顾清华, 等. 基于改进HMM纠偏算法的露天矿车辆高精度定位方法[J]. 矿业科学学报, 2023, 8(3): 381-389. DOI: 10.19606/j.cnki.jmst.2023.03.011
Ruan Shunling, Li Meng, Gu Qinghua, et al. A high-precision positioning method for open-pit mine vehicles based on improved HMM deviation correction algorithm[J]. Journal of Mining Science and Technology, 2023, 8(3): 381-389. DOI: 10.19606/j.cnki.jmst.2023.03.011
Citation: Ruan Shunling, Li Meng, Gu Qinghua, et al. A high-precision positioning method for open-pit mine vehicles based on improved HMM deviation correction algorithm[J]. Journal of Mining Science and Technology, 2023, 8(3): 381-389. DOI: 10.19606/j.cnki.jmst.2023.03.011

基于改进HMM纠偏算法的露天矿车辆高精度定位方法

基金项目: 

国家自然科学基金 52074205

陕西省自然科学基础研究计划 2022JM-201

详细信息
    作者简介:

    阮顺领(1983—),男,河南周口人,博士,副教授,主要从事露天矿智能感知与决策等方面的研究工作。Tel: 13468766615,E-mail: ruanshunling@163.com

  • 中图分类号: TD57

A high-precision positioning method for open-pit mine vehicles based on improved HMM deviation correction algorithm

  • 摘要: 针对露天矿区复杂路网背景下容易出现车辆定位偏差,严重影响生产车辆路径规划和智能调度的问题,提出了一种基于改进隐马尔可夫模型的露天矿车辆高精度定位纠偏方法。通过对构建的露天矿复杂路网地图进行路段裁剪处理以及对矿车定位轨迹数据清洗、密度稀疏化和分段处理等,建立缓冲区搜索轨迹候选路段点,从而提高复杂路网下矿车定位纠偏效率;通过计算矿车定位观测概率和转移概率建立定位纠偏HMM优化模型,并结合Viterbi算法计算最优纠偏结果,实现对露天矿车的高精度定位纠偏。研究结果表明,该方法纠偏效果优于原始HMM定位纠偏方法,纠偏准确率可达到89.2 %,平均纠偏时间仅需0.055 s,能够实现对复杂背景下露天矿车辆定位坐标的有效纠偏。
    Abstract: Vehicle location deviation could easily occur in complex road network of open-pit mines, which seriously affect production vehicle route planning and intelligent scheduling.In this light, this study proposed a method for high-precision positioning and rectification of open pit minecars based on an improved HMM(Hiddden Markov Model).Specifically, this study clipped the road section by the complex road network map of the constructed open-pit mine, and cleaned the positioning trajectory data of the minecart, whose density was sparsed and segmented; a buffer zone was established to search for candidate road points of the trajectory, so as to improve the efficiency of the minecart positioning and correction under the complex road network; the HMM optimization model of positioning deviation correction was established by calculating the positioning observation probability and transition probability of the minecart.The optimal deviation correctionwas conducted in combination with the Viterbi algorithm to achieve high-precision positioning and deviation correction of the open-pit minecart.Results indicate that the method produces a better correction effect than the original HMM positioning correction method, the correction accuracy can reach 89.2 %, and the average correction time is only 0.055 s.This could effectively correct the positioning coordinates of open-pit mine vehicles under complex backgrounds.
  • 露天矿车的高精度定位是矿山生产车辆进行动态路径规划以及生产任务调度的重要基础[1-3]。矿区道路网状交织复杂,定位精度会受到矿山地形干扰,在路网交叉复杂路段,定位接收器也会存在系统误差[4],进而导致在非结构化的露天矿道路上总会出现车载定位系统[5]数据偏差的情况,采集到的矿车定位信息可能会偏离其实际所在的道路位置,无法准确反映矿车真实的驾驶路径、满足矿车高精度定位的要求,也无法为矿车路径规划和智能调度提供精准的定位数据[6]。为了获得高精度的矿车轨迹定位信息,必须对露天矿车进行定位纠偏,从具有经纬度误差的定位数据中重构露天矿车真实的行驶路径。

    传统的定位纠偏算法依据道路之间的几何与拓扑结构关系[7-8]。如谢博晖等[9]考虑了路段的形状和连通性,降低了定位误差和采样率的影响,但是针对露天矿区的道路形状不规则、路网交叉复杂的情况,这类算法还需要进一步调整和完善。目前定位纠偏的统一框架是地图匹配,通过构建不同的算法模型实现车辆的高精度定位[10-14]。如樊娜等[15]综合道路的各方面情况以及车辆的定位信息变化特征,对不同影响因素设立其相应的动态权值系数,并加权求和以此为复杂的城市路网进行定位纠偏。滕志军等[16]基于D-S证据理论,不考虑车辆的历史信息,一个定位坐标点纠偏错误并不会影响下一个点的纠偏效果,然而对于路段密集的区域还需要考虑道路因素对车辆定位坐标纠偏的影响。李卫东等[17]基于曲线拟合的匹配算法,通过对定位轨迹点进行样条曲线和最小二乘曲线拟合方向线路,但针对复杂路段情况需要进一步完善使得拟合效果达到最优。Xu等[18]利用卡尔曼滤波在一定程度上提高了车辆动态定位结果的准确性,但针对露天矿车大量重复轨迹定位坐标的纠偏,该算法需要更加充分地考虑车辆定位坐标与周围路网之间的联系。Jagadeesh等[19]基于隐马尔可夫模型(Hiddden Markov Model,HMM)的定位纠偏方法应用最广泛,其不仅结合了道路的连通性,还结合了定位坐标点之间的相互关系,将每个轨迹点的候选路段表示为马尔科夫链中的隐藏状态,定位轨迹信息为观测状态,通过计算相邻定位坐标点的转移概率和每个点的观测概率,预测最终的纠偏路段。

    以上研究大部分在定位纠偏上取得了一定效果,但在露天矿区复杂路网背景下尚不能完全满足实际应用要求。本文考虑露天矿道路的复杂性,结合矿车待纠偏定位坐标点的历史信息,提出了一种基于改进隐马尔可夫模型的露天矿车高精度定位纠偏方法。该方法在路网匹配时对缓冲区以外的露天矿道路进行裁剪处理,并将矿车的定位轨迹进行数据清洗、密度稀疏化和分段等操作,在纠偏过程中综合考虑定位距离因素和车辆行驶方向因素,最终实现露天矿区复杂路网背景下矿车的高精度定位。

    对于露天矿复杂路网背景,在纠偏之前需要对路网数据进行裁剪处理,对定位轨迹进行数据清洗、密度稀疏化以及分段等处理。对于每一个待纠偏的定位轨迹点,建立以定位坐标点为圆心、以设定的点到路段的距离阈值为半径的圆形缓冲区,以此搜索候选路段点。通过定位观测点与其真实路网上的隐藏点建立定位纠偏HMM优化模型,求解观测概率和初始状态概率,并综合考虑定位距离因素和车辆行驶方向因素求解转移概率,利用Viterbi算法求解模型确定最优的纠偏轨迹序列,再将定位坐标点向其对应的候选路段点做垂直投影,得到最终的定位纠偏结果。露天矿区复杂路网背景下车辆高精度定位纠偏模型总体架构如图 1所示。

    图  1  露天矿车高精度定位纠偏模型总体架构
    Figure  1.  Overall architecture of high precision positioning correction model for open-pit mine truck

    露天矿车定位纠偏实际就是依据算法模型对车辆定位显示位置进行修正,从而显示出车辆在实际路网中的位置[20]。假设车辆定位轨迹tr=p1p2→…→p7和路网G,定位纠偏时将tr转化成G中的路段序列e1e2→…→e7,如图 2所示。

    图  2  定位纠偏示例
    Figure  2.  Example of positioning correction

    在HMM模型中可对具有隐藏状态和可观测状态的序列进行建模[21],如图 3所示,隐藏状态序列为I=i1i2,…,ik,观测序列为O=o1o2,…,ok。观测概率即为隐藏状态生成对应的观测状态的概率;初始状态概率即为观测序列中第一个状态的观测概率;转移概率为当前的状态转移到下一状态的概率[22]

    图  3  隐马尔可夫模型
    Figure  3.  Hidden Markov model

    基于HMM的定位纠偏方法即是给定一个算法模型和某个特定的定位坐标观测序列,求出最可能产生这个观测序列的真实轨迹。将此模型应用在露天矿车高精度定位纠偏中时,模型中的每个定义对应的实际含义见表 1

    表  1  参数对应表
    Table  1.  Parameter correspondence table
    参数 公式 本文参数的含义
    隐藏状态Q Q={q1q2,…,qN},N为隐藏状态数量 露天矿车实际所在的道路位置信息
    可观测状态V V={v1v2,…,vM},M为观测状态数量 定位系统终端接收到的露天矿车定位信息
    状态转移序列A A=[aij]N×Naij=P(it+1=qj|it=qi)为状态qi转移到状态qj的概率 露天矿车前后两个定位坐标点与其对应的车辆实际道路位置点之间的关系越接近,转移概率就越大
    状态观测序列B B=[aij]N×Mbij=P(ot=vj|it=qi)为状态qi生成观测值vj的概率 定位坐标点距离候选路段越近,观测概率就越大
    初始状态概率向量τ τi=P(i1=qi),$\sum_\limits{i=1}^N \boldsymbol{\tau}_i=1$ 露天矿车某段轨迹初始位置点的概率,即该定位坐标点的观测概率
    下载: 导出CSV 
    | 显示表格

    本文定义相关术语及符号如下:

    (1) 矿车定位坐标点p:露天矿车的定位系统终端所显示的位置信息,可表示为

    $$ p=[\mathrm{id}, t, \text { lat }, \text { lon }, v, f] $$ (1)

    式中,id为矿车的唯一标识;t为时间戳;lat为矿车的纬度;lon为矿车的经度;v为矿车当时行驶的速度;f为方向。

    (2) 矿车轨迹T:在某一段时间内按顺序收集的同一辆矿车的定位坐标点序列,可表示为

    $$ \begin{gathered} T=p^1 \rightarrow p^2 \rightarrow \cdots \rightarrow p^i \rightarrow \cdots \rightarrow p^k \\ p^i t<p^{i+1} t, 1 \leqslant i \leqslant k \end{gathered} $$ (2)

    式中,k为轨迹中所包含的露天矿车定位坐标点的数量。

    (3) 矿车待纠偏轨迹Tij:露天矿车轨迹中的一部分连续片段,即T的子轨迹,记为

    $$ T_{i, j}=p^i \rightarrow \cdots \rightarrow p^j, 1 \leqslant i \leqslant j \leqslant k $$

    (4) 露天矿路网:露天矿路网可以表示为一个有向图G={VE}。其中,顶点vV为露天矿中某一个路段的起点或终点;有向边eE对应露天矿中某一条路段,可表示为

    $$ e=[\mathrm{idr}, \text { start }, \text { end }, \mathrm{len}] $$ (3)

    式中,idr为路段的唯一标识号;start为路段的起始点;end为路段的结束点;len为该路段的长度。

    (5) 矿车定位坐标点的候选路段集ECi:已知露天矿车定位坐标点pi和露天矿路网G={VE},piG上的候选路段集可表示为

    $$ E_C^i=\left\{e \mid l\left(p^i, e\right)<r, e \in E\right\} $$ (4)

    式中,l(pie)为pie的最短距离;r为指定距离阈值。

    (6) 矿车定位坐标点的候选点集Ci:矿车待纠偏定位坐标点距离其候选路段最近的位置点。第ξ个候选路段eξiECi对应的候选点为cξi,1≤ξψψ为待纠偏定位坐标点候选路段的数量。矿车定位坐标点pi的所有候选点构成的集合称为候选点集Ci

    (7) 矿车定位纠偏后的轨迹TT:露天矿车辆轨迹经纠偏之后的轨迹,记为

    $$ T_T=s^i \rightarrow \cdots \rightarrow s^j, 1 \leqslant i \leqslant j \leqslant k $$

    由于定位信号会受到各种因素的影响,矿车的定位轨迹数据可能出现重复或者异常现象[23-25]。因此,在矿车定位轨迹纠偏之前,需要进行轨迹数据清洗、轨迹密度稀疏化和轨迹分段等处理。

    (1) 轨迹数据清洗:①去除冗余点。矿车的定位设备信号不稳定,会导致重复接收矿车的定位信息、矿车突然停止或者以非常低的速度行驶,造成定位轨迹数据前后信息基本一致,这些都属于冗余数据。通过对比轨迹序列中连续相邻的定位坐标点信息,合并位置相同的数据。②去除漂移点。当矿车的驾驶速度过快时,会产生超越露天矿区道路范围内的定位坐标点,这些点就是漂移数据[26]。通过设立速度阈值对露天矿车速度大于阈值的定位坐标点数据进行剔除,本文依据露天矿干线道路运输限速情况设定速度阈值为32 km/h。

    (2) 轨迹密度稀疏化:由于露天矿车运输矿石的行驶路线在一定时间内是固定不变的,车辆定位坐标点会大量堆叠到此路线上,因此需要对定位轨迹点进行抽稀,以降低轨迹密度。具体操作是,将轨迹序列中两个连续定位坐标点之间的距离进行测量,设定一个最小距离限值,如果测量的距离小于限值,则删除两个连续定位坐标点之间的第二个点;重复以上操作,直到所有两个连续定位坐标点之间的距离不小于限值。基于矿区生产实际情况并且经过实验测试后,本文设定前后两个定位坐标点之间的最小距离限制为5 m,其表达式如下:

    $$ \begin{gathered} S=2 \mathit\Omega \arcsin \sqrt{\sin ^2 \frac{a}{2}+\cos \left(\text { lat }_i\right) \cos \left(\text { lat }_j\right) \sin ^2 \frac{b}{2}} \geqslant 0.005 \mathrm{~km} \\ \mathit\Omega=\sqrt{(6\;378 \cos \theta)^2+(6\;357 \sin \theta)^2} \\ a=\text { lat }_i-\text { lat }_j, b=\operatorname{lon}_i-\operatorname{lon}_j, 1 \leqslant i \leqslant j \leqslant k \end{gathered} $$ (5)

    式中,S为两个连续定位坐标点之间的距离;(lati,loni)为前一个点的经纬度;(latj,lonj)为后一个点的经纬度;Ω为露天矿区到地球质心的距离;6 378为赤道半径,km;6 357为极半径,km;θ为该露天矿区的经度,本文取33°。

    (3) 轨迹分段:指将一条长的轨迹分解成多条短的子轨迹。本文通过时间信息对矿车轨迹进行分段。当在规定时间范围内对矿车的轨迹进行分段时,能尽量避免轨迹定位信息重复出现在同一条道路上。经过多次试验后设定矿车每20 min就对轨迹进行分段处理,示例如图 4所示。

    图  4  轨迹分段示例
    Figure  4.  Example of trajectory segmentation

    在定位纠偏过程中,对距离待纠偏轨迹点超过一定阈值的路段进行舍弃,既不影响定位纠偏准确率,又能提高纠偏效率。因此,建立以定位坐标点为圆心,以固定距离阈值为半径的圆形缓冲区,与该区域相交的路段为待纠偏轨迹点的候选路段,每条路段上最靠近圆心的点为候选点,该区域以外的路段在定位坐标点进行计算时不会产生影响,可直接对其进行裁剪处理。设定位坐标点pi为当前待纠偏的定位轨迹点,以该点为圆心,半径r的圆形缓冲区内的路段e1ie2ie3ie4i为其候选路段,区域外被裁剪的路段不在考虑范围,将定位坐标点pi投影到其对应的候选路段上,得到候选点c1ic2ic3ic4i,如图 5所示。一般来说,每个点的候选路段数量不固定,缓冲区的半径是一个经验值,与定位误差成正比,根据现场实际工况,本文设定缓冲区半径r=20 m。

    图  5  候选路段点搜索
    Figure  5.  Search for candidate road segment points

    矿车的定位轨迹序列为观测序列,定位坐标点的候选路段点为隐藏序列,通过建立定位纠偏HMM优化模型,计算矿车定位坐标点初始状态概率、观测概率和转移概率。

    矿车定位坐标候选点代表其真实所在位置的概率就是观测概率,定位坐标点距离候选路段越近,其观测概率就越大,反之越小。定位观测点与候选路段之间的距离概率服从正态分布,观测概率N(cξi)的计算如下:

    $$ \begin{aligned} & N\left(c_{\xi}^i\right)=\frac{1}{\sqrt{2 \pi} \sigma} \mathrm{e}^{-\frac{\left(x_{\xi}^i-\mu\right)^2}{2 \sigma^2}} \\ & x_{\xi}^i=\operatorname{dist}\left(c_{\xi}^i, p^i\right) \end{aligned} $$ (6)

    式中,xξi为定位坐标点pi与其对应的候选点cξi之间的欧几里得距离;μ为平均值,取0;σ为标准差,取20 m。

    矿车定位轨迹坐标点序列中第一个定位坐标点的观测概率为初始状态概率。

    转移概率指的是从t-1时刻pi-1的候选点cξi-1i-1转移到t时刻pi的候选点cξii的概率。原始的HMM定位纠偏算法在计算转移概率时,只考虑定位坐标点之间的距离,对于露天矿车来说,结合定位距离因素和车辆行驶方向因素计算转移概率,更能充分考虑车辆行驶的历史信息,使得定位纠偏的精度更高。

    定位距离因素代表露天矿真实路网上前后两个车辆位置点之间距离与对应的前后两个定位观测点之间距离的关系,如图 6所示。图中dw的值越接近,转移概率就越大。考虑该因素的计算式如下:

    $$ {M_D}\left( {c_{{\xi _{i - 1}}}^{i - 1} \to c_{{\xi _i}}^i} \right) = \frac{{\min \left\{ {{d_{(i - 1) \to i}},{w_{\left( {{\xi _{i - 1}},i - 1} \right) \to \left( {{\xi _i},i} \right)}}} \right\}}}{{\max \left\{ {{d_{(i - 1) \to i}},{w_{\left( {{\xi _{i - }},i - 1} \right) \to \left( {{\xi _i},i} \right)}}} \right\}}}$$ (7)
    图  6  定位距离因素
    Figure  6.  Positioning distance factor

    式中,d(i-1)→i为定位坐标点pi与其前一个定位坐标点pi-1之间的欧几里得距离;w(ξi-1i-1)→(ξii)为真实路段中cξi-1i-1cξii之间最短路径的长度。

    车辆行驶方向因素代表从候选点cξi-1i-1到下一个候选点cξi的线段与对应的定位轨迹点的线段之间的角度偏差,如图 7所示。角度偏差α越小,转移概率越大。考虑该因素的计算式如下:

    $$ M_V\left(c_{\xi_{i-1}}^{i-1} \rightarrow c_{\xi_i}^i\right)=\frac{180^{\circ}-\alpha}{180^{\circ}} $$ (8)
    图  7  车辆行驶方向因素
    Figure  7.  Vehicle driving direction factor

    式中,αcξi-1i-1cξiipi-1pi之间的角度偏差。

    定位距离因素和车辆行驶方向因素两者关系相互独立,则最终转移概率M(cξi-1i-1cξii)的计算如式(9)所示。

    $$ M\left(c_{\xi_{i-1}}^{i-1} \rightarrow c_{\xi_i}^i\right)=M_D\left(c_{\xi_{i-1}}^{i-1} \rightarrow c_{\xi_i}^i\right) M_V\left(c_{\xi_{i-1}}^{i-1} \rightarrow c_{\xi_i}^i\right) $$ (9)

    基于露天矿车待纠偏轨迹序列与其候选点之间的关系建立的定位纠偏HMM优化模型,采用Viterbi算法求解,以此得到最优定位纠偏路径。结合上文的初始状态概率、观测概率和转移概率,最优纠偏序列s1s2,…,sk的概率计算:

    $$ P\left(s^i\right)=\max _\limits{1 \leqslant j \leqslant k}\left[P\left(s^{i-1}\right) M\left(c_{\xi_{i-1}}^{i-1} \rightarrow c_{\xi_i}^i\right)\right] N\left(c_{\xi}^i\right) $$ (10)

    Viterbi算法利用动态规划思想来求解最优路径,基本步骤:

    (1) 初始化局部状态,即求解待纠偏矿车轨迹点的初始状态概率。

    (2) 按序列遍历所有待纠偏矿车轨迹点,对于每一个定位坐标点,找到其对应的所有候选路段点,并结合前一个定位坐标点的候选路段点,利用式(11)计算矿车当前定位坐标点的所有候选路段点的概率。

    $$ P\left(c_{\xi_i}^i\right)=P\left(c_{\xi_{i-1}}^{i-1}\right) M\left(c_{\xi_{i-1}}^{i-1} \rightarrow c_{\xi_i}^i\right) N\left(c_{\xi}^i\right) $$ (11)

    (3) 所有矿车待纠偏轨迹点的概率计算结束之后,概率最大的候选路段点作为纠偏后定位坐标点。回溯查找对应的前一个定位坐标点的候选路段点,直到回溯到矿车轨迹最初的定位坐标点,此时的结果即是最优纠偏轨迹序列。

    本实验通过无人机于2022年5月对河南洛阳某露天矿区进行倾斜摄影,利用Agisoft Photoscan对该露天矿进行建模,导出TIFF格式的数字高程模型,将其进一步修复后导入GIS平台中,通过坐标转换工具将坐标系转换成与定位点坐标系一致的WGS84坐标系,并对矿区内的主干道路以及新增的临时道路进行矢量标注,最终形成整个露天矿区的路网(图 8)。

    图  8  露天矿区路网
    Figure  8.  Road network map of open-pit mining area

    本实验记录共12 074个定位轨迹点数,为减少纠偏过程的计算量并提高纠偏的计算效率,需要对轨迹数据进行数据预处理(图 9)。其中,图 9(b)中数据清洗后的轨迹点数为10 383个,图 9(c)中轨迹密度稀疏化后的轨迹点数为2 430个,图 9(d)为2022年7月6日08:00~08:20的一条轨迹路段,此段轨迹点数为116个。

    图  9  定位轨迹数据预处理
    Figure  9.  Data preprocessing of positioning trajectory

    河南洛阳某露天矿区的车载定位系统使用的是单点定位模式,定位精度通常小于2.5 m,但发生漂移时定位精度衰变约10 m。基于本文提出的改进HMM纠偏方法可将定位精度提升至厘米级。部分纠偏实验结果如图 10所示,橙色线为露天矿路网,蓝色点为矿车待纠偏轨迹点,绿色虚线为最终的定位纠偏结果。该方法在不同结构路段中都具有较好的定位纠偏效果。其中,图 10(b)为2022年7月6日08:00~08:20的一条定位轨迹序列的纠偏结果,该轨迹中与车辆实际路段的最大偏差距离为11.210 m,纠偏后与实际位置的距离为0.066 m,此定位结果与车辆实际所在路段位置几乎一致。不同路段下,纠偏前后的定位精度见表 2

    图  10  露天矿车高精度定位纠偏结果
    Figure  10.  High precision positioning correction results of open-pit mine truck
    表  2  不同路段下纠偏前后的定位精度
    Table  2.  Positioning accuracy before and after the correction of deflection under different road sections
    路段结构 平均定位精度/m 该方法纠偏后定位精度/m
    平行路段 6.465 0.049
    人字形路段 7.261 0.024
    十字形路段 6.674 0.082
    几字形路段 6.213 0.008
    下载: 导出CSV 
    | 显示表格

    为了验证本文提出的露天矿车高精度定位纠偏方法的纠偏效果和模型性能,将本文方法与原始的HMM定位纠偏方法在纠偏准确率与纠偏效率上进行对比分析。

    纠偏准确率(AC)是指正确纠偏的轨迹定位坐标点数量与轨迹点总量的比值,其计算如下:

    $$ A C=\frac{T}{N} $$ (12)

    式中,T为正确纠偏到真实路段上的轨迹点数量;N为待纠偏的轨迹点总量。

    本文选取经过预处理后的2 430个矿车轨迹定位坐标点进行实验,对两种方法纠偏的准确率进行比较,结果见表 3,可见本文方法纠偏效果更好,准确率达到了89.2 %。

    表  3  纠偏准确率对比
    Table  3.  Comparison of aorrection cccuracy
    定位纠偏方法 轨迹点总数N/个 正确纠偏轨迹点数T/个 纠偏准确率AC/%
    原始HMM定位纠偏方法 2 430 1 927 79.3
    本文方法 2 430 2 168 89.2
    下载: 导出CSV 
    | 显示表格

    本文还选取待纠偏定位轨迹点数量分别为18,36,47,66,82,101,116的轨迹进行实验,充分对比原始HMM定位纠偏方法与本文方法的纠偏准确率。如图 11所示,经过改进之后的方法整体比原始HMM定位纠偏方法纠偏准确率更高。

    图  11  原始HMM与本文方法纠偏准确率对比
    Figure  11.  Comparison of correction accuracy between original HMM and proposed method

    高精度定位纠偏操作是矿车的路径规划与智能调度的重要基础,纠偏效率是必须要考虑的因素。本文选取待纠偏定位轨迹数量分别为18,36,47,66,82,101,116的轨迹,对比原始HMM定位纠偏与本文方法定位纠偏的效率。如图 12所示,随着轨迹点数的增加,两种方法的纠偏时间都有所增加,但是本文方法的纠偏效率一直优于原始HMM定位纠偏方法,其中待纠偏轨迹点数是116,原始HMM定位纠偏方法纠偏时间为0.510 s,而本文方法纠偏时间为0.086 s。对于整体实验平均纠偏时间而言,原始HMM定位纠偏方法纠偏时间为0.432 s,本文所提方法纠偏时间为0.055 s,平均纠偏时间提高了0.377 s。

    图  12  原始HMM与本文方法纠偏时间对比
    Figure  12.  Comparison of correction time between original HMM and proposed method

    本文针对露天矿区车辆定位偏离的问题,提出了基于改进HMM的露天矿车高精度定位纠偏方法。该方法可依据矿车轨迹定位坐标点的历史定位信息,有效地将车辆偏离的定位坐标点纠偏到其实际所在的道路上。同时,针对露天矿的复杂路网背景,能够在自建矿区真实路网地图的基础上,通过算法模型高效地实现矿车的高精度定位纠偏。

    实验结果表明,定位纠偏HMM优化模型纠偏准确率达到89.2 %,相比原始HMM定位纠偏方法提升了9.9个百分点,使得单点定位模式下的定位精度达到厘米级,并且平均纠偏时间仅需0.055 s。

    针对露天矿车的高精度定位纠偏任务,本文方法只考虑了待纠偏露天矿车定位坐标点的前一个定位信息点,对于复杂的露天矿车行驶轨迹,充分考虑历史定位信息可以更好地提升定位纠偏精度,这也是下一步露天矿车高精度定位纠偏所要改进的地方。

  • 图  1   露天矿车高精度定位纠偏模型总体架构

    Figure  1.   Overall architecture of high precision positioning correction model for open-pit mine truck

    图  2   定位纠偏示例

    Figure  2.   Example of positioning correction

    图  3   隐马尔可夫模型

    Figure  3.   Hidden Markov model

    图  4   轨迹分段示例

    Figure  4.   Example of trajectory segmentation

    图  5   候选路段点搜索

    Figure  5.   Search for candidate road segment points

    图  6   定位距离因素

    Figure  6.   Positioning distance factor

    图  7   车辆行驶方向因素

    Figure  7.   Vehicle driving direction factor

    图  8   露天矿区路网

    Figure  8.   Road network map of open-pit mining area

    图  9   定位轨迹数据预处理

    Figure  9.   Data preprocessing of positioning trajectory

    图  10   露天矿车高精度定位纠偏结果

    Figure  10.   High precision positioning correction results of open-pit mine truck

    图  11   原始HMM与本文方法纠偏准确率对比

    Figure  11.   Comparison of correction accuracy between original HMM and proposed method

    图  12   原始HMM与本文方法纠偏时间对比

    Figure  12.   Comparison of correction time between original HMM and proposed method

    表  1   参数对应表

    Table  1   Parameter correspondence table

    参数 公式 本文参数的含义
    隐藏状态Q Q={q1q2,…,qN},N为隐藏状态数量 露天矿车实际所在的道路位置信息
    可观测状态V V={v1v2,…,vM},M为观测状态数量 定位系统终端接收到的露天矿车定位信息
    状态转移序列A A=[aij]N×Naij=P(it+1=qj|it=qi)为状态qi转移到状态qj的概率 露天矿车前后两个定位坐标点与其对应的车辆实际道路位置点之间的关系越接近,转移概率就越大
    状态观测序列B B=[aij]N×Mbij=P(ot=vj|it=qi)为状态qi生成观测值vj的概率 定位坐标点距离候选路段越近,观测概率就越大
    初始状态概率向量τ τi=P(i1=qi),$\sum_\limits{i=1}^N \boldsymbol{\tau}_i=1$ 露天矿车某段轨迹初始位置点的概率,即该定位坐标点的观测概率
    下载: 导出CSV

    表  2   不同路段下纠偏前后的定位精度

    Table  2   Positioning accuracy before and after the correction of deflection under different road sections

    路段结构 平均定位精度/m 该方法纠偏后定位精度/m
    平行路段 6.465 0.049
    人字形路段 7.261 0.024
    十字形路段 6.674 0.082
    几字形路段 6.213 0.008
    下载: 导出CSV

    表  3   纠偏准确率对比

    Table  3   Comparison of aorrection cccuracy

    定位纠偏方法 轨迹点总数N/个 正确纠偏轨迹点数T/个 纠偏准确率AC/%
    原始HMM定位纠偏方法 2 430 1 927 79.3
    本文方法 2 430 2 168 89.2
    下载: 导出CSV
  • [1] 李学现, 顾清华, 阮顺领, 等. 考虑能耗动态变化的露天矿卡车运输最优路径规划[J]. 煤炭学报, 2021, 46(S1): 590-600. DOI: 10.13225/j.cnki.jccs.xr20.1687

    Li Xuexian, Gu Qinghua, Ruan Shunling, et al. Optimal transportation path planning of truck in open-pit mine under dynamic energy consumption[J]. Journal of China Coal Society, 2021, 46(S1): 590-600. DOI: 10.13225/j.cnki.jccs.xr20.1687

    [2] 程平, 李晓光, 顾清华, 等. 露天矿新能源纯电动卡车的智能调度优化及应用[J/OL]. 金属矿山: 1-11[2022-12-24]. http://kns.cnki.net/kcms/detail/34.1055.TD.20211223.1738.002.html.
    [3]

    Husam K Salih Juboori Mohanad F Jwaid. Vehicles for open-pit mining with smart scheduling system for transportation based on 5G[J]. Turkish Journal of Computer and Mathematics Education: TURCOMAT, 2021, 12(5): 827-835. DOI: 10.17762/turcomat.v12i5.1490

    [4]

    Wang B Y, Han Y, Wang S Y, et al. A review of intelligent connected vehicle cooperative driving development[J]. Mathematics, 2022, 10(19): 3635. DOI: 10.3390/math10193635

    [5] 李星星, 张伟, 袁勇强, 等. GNSS卫星精密定轨综述: 现状、挑战与机遇[J]. 测绘学报, 2022, 51(7): 1271-1293. https://www.cnki.com.cn/Article/CJFDTOTAL-CHXB202207017.htm

    Li Xingxing, Zhang Wei, Yuan Yongqiang, et al. Review of GNSS precise orbit determination: status, challenges, and opportunities[J]. Acta Geodaetica et Cartographica Sinica, 2022, 51(7): 1271-1293. https://www.cnki.com.cn/Article/CJFDTOTAL-CHXB202207017.htm

    [6]

    Dong L J, Sun D Y, Han G J, et al. Velocity-free localization of autonomous driverless vehicles in underground intelligent mines[J]. IEEE Transactions on Vehicular Technology, 2020, 69(9): 9292-9303. DOI: 10.1109/TVT.2020.2970842

    [7] 朱递, 刘瑜. 一种路网拓扑约束下的增量型地图匹配算法[J]. 武汉大学学报: 信息科学版, 2017, 42(1): 77-83. https://www.cnki.com.cn/Article/CJFDTOTAL-WHCH201701012.htm

    Zhu Di, Liu Yu. An incremental map-matching method based on road network topology[J]. Geomatics and Information Science of Wuhan University, 2017, 42(1): 77-83. https://www.cnki.com.cn/Article/CJFDTOTAL-WHCH201701012.htm

    [8] 唐炉亮, 靳晨, 杨雪, 等. 基于GPS时空轨迹的路网拓扑自动变化检测[J]. 武汉大学学报: 信息科学版, 2017, 42(10): 1381-1386. https://www.cnki.com.cn/Article/CJFDTOTAL-WHCH201710006.htm

    Tang Luliang, Jin Chen, Yang Xue, et al. Road network topology automatic change detection based on GPS spatio-temporal trajectories[J]. Geomatics and Information Science of Wuhan University, 2017, 42(10): 1381-1386. https://www.cnki.com.cn/Article/CJFDTOTAL-WHCH201710006.htm

    [9] 谢博晖, 吴健平. GPS轨迹数据纠偏方法研究[J]. 计算机技术与发展, 2012, 22(7): 223-226. https://www.cnki.com.cn/Article/CJFDTOTAL-WJFZ201207064.htm

    Xie Bohui, Wu Jianping. Research of map matching method for GPS tracking data[J]. Computer Technology and Development, 2012, 22(7): 223-226. https://www.cnki.com.cn/Article/CJFDTOTAL-WJFZ201207064.htm

    [10] 王浩岩, 刘远刚, 李少华, 等. GNSS高采样率路径增量地图匹配方法[J/OL]. 测绘学报: 1-15(2022-08-22)[2022-08-22]. http://kns.cnki.net/kcms/detail/11.2089.P.20220622.1739.002.html.
    [11]

    Huang Z F, Qiao S J, Han N, et al. Survey on vehicle map matching techniques[J]. CAAI Transactions on Intelligence Technology, 2021, 6(1): 55-71. DOI: 10.1049/cit2.12030

    [12]

    Chao P F, Hua W, Zhou X F. Trajectories know where map is wrong: an iterative framework for map-trajectory co-optimisation[J]. World Wide Web, 2020, 23(1): 47-73. DOI: 10.1007/s11280-019-00721-w

    [13]

    Jiang L L, Chen C X, Chen C, et al. From driving trajectories to driving paths: a survey on map-matching Algorithms[J]. CCF Transactions on Pervasive Computing and Interaction, 2022, 4(3): 252-267. DOI: 10.1007/s42486-022-00101-w

    [14] 于娟, 杨琼, 鲁剑锋, 等. 高级地图匹配算法: 研究现状和趋势[J]. 电子学报, 2021, 49(9): 1818-1829. https://www.cnki.com.cn/Article/CJFDTOTAL-DZXU202109019.htm

    Yu Juan, Yang Qiong, Lu Jianfeng, et al. Advanced map matching algorithms: a survey and trends[J]. Acta Electronica Sinica, 2021, 49(9): 1818-1829. https://www.cnki.com.cn/Article/CJFDTOTAL-DZXU202109019.htm

    [15] 樊娜, 尉青青, 康军, 等. 基于动态加权的城市路网地图匹配算法[J]. 测控技术, 2018, 37(1): 154-158. https://www.cnki.com.cn/Article/CJFDTOTAL-IKJS201801036.htm

    Fan Na, Yu Qingqing, Kang Jun, et al. Map matching algorithm for urban road network based on dynamic weight[J]. Measurement & Control Technology, 2018, 37(1): 154-158. https://www.cnki.com.cn/Article/CJFDTOTAL-IKJS201801036.htm

    [16] 滕志军, 张宇, 李昊天, 等. 复杂路网的自适应D-S证据理论地图匹配算法[J]. 吉林大学学报: 工学版, 2021, 51(2): 524-530. https://www.cnki.com.cn/Article/CJFDTOTAL-JLGY202102016.htm

    Teng Zhijun, Zhang Yu, Li Haotian, et al. Adaptive D-S evidence theory map matching algorithm of complex road network[J]. Journal of Jilin University: Engineering and Technology Edition, 2021, 51(2): 524-530. https://www.cnki.com.cn/Article/CJFDTOTAL-JLGY202102016.htm

    [17] 李卫东, 侯丽虹. 基于三次B样条曲线拟合的列车定位方法研究[J]. 控制工程, 2017, 24(1): 135-140. https://www.cnki.com.cn/Article/CJFDTOTAL-JZDF201701024.htm

    Li Weidong, Hou Lihong. A study on the train positioning method based on cubic B-spline curve fitting[J]. Control Engineering of China, 2017, 24(1): 135-140. https://www.cnki.com.cn/Article/CJFDTOTAL-JZDF201701024.htm

    [18]

    Xu H, Liu H C, Tan C W, et al. Development and application of an enhanced Kalman filter and global positioning system error-correction approach for improved map-matching[J]. Journal of Intelligent Transportation Systems, 2010, 14(1): 27-36.

    [19]

    Jagadeesh G R, Srikanthan T. Online map-matching of noisy and sparse location data with hidden Markov and route choice models[J]. IEEE Transactions on Intelligent Transportation Systems, 2017, 18(9): 2423-2434.

    [20] 吉晓冬, 瞿圆媛, 符世琛, 等. 基于SVD-Unscented卡尔曼滤波的掘进机行进调度纠偏研究[J]. 矿业科学学报, 2022, 7(3): 354-363. DOI: 10.19606/j.cnki.jmst.2022.03.010

    Ji Xiaodong, Qu Yuanyuan, Fu Shichen, et al. Path tracking of mining boom road-header using SVD-Unscented Kalman Filtering[J]. Journal of Mining Science and Technology, 2022, 7(3): 354-363. DOI: 10.19606/j.cnki.jmst.2022.03.010

    [21]

    Grewal J K, Krzywinski M, Altman N. Markov models—hidden Markov models[J]. Nature Methods, 2019, 16(9): 795-796.

    [22] 王勇, 周松, 邢策梅. HMM的地名地址时空数据引擎构建方法[J]. 测绘科学, 2020, 45(10): 161-167. https://www.cnki.com.cn/Article/CJFDTOTAL-CHKD202010024.htm

    Wang Yong, Zhou Song, Xing Cemei. The address spatiotemporal data engine building method based on HMM[J]. Science of Surveying and Mapping, 2020, 45(10): 161-167. https://www.cnki.com.cn/Article/CJFDTOTAL-CHKD202010024.htm

    [23] 曹士龙, 刘根友, 王生亮, 等. GPS超长基线解算的误差特性与精度分析[J]. 武汉大学学报: 信息科学版, 2023, 48(2): 260-267. https://www.cnki.com.cn/Article/CJFDTOTAL-WHCH202302009.htm

    Cao Shilong, Liu Genyou, Wang Shengliang, et al. Bias characteristics and accuracy analysis of GPS ultra long baseline solution[J]. Geomatics and Information Science of Wuhan University, 2023, 48(2): 260-267. https://www.cnki.com.cn/Article/CJFDTOTAL-WHCH202302009.htm

    [24]

    Li C L, Fu Y C, Yu F R, et al. Vehicle position correction: a vehicular blockchain networks-based GPS error sharing framework[J]. IEEE Transactions on Intelligent Transportation Systems, 2021, 22(2): 898-912.

    [25] 陈伟, 杜路遥, 孔海洋, 等. 面向智能网联汽车定位的协同地图匹配算法[J]. 交通信息与安全, 2021, 39(6): 162-171. https://www.cnki.com.cn/Article/CJFDTOTAL-JTJS202106019.htm

    Chen Wei, Du Luyao, Kong Haiyang, et al. A cooperative map matching algorithm for intelligent and connected vehicle positioning[J]. Journal of Transport Information and Safety, 2021, 39(6): 162-171. https://www.cnki.com.cn/Article/CJFDTOTAL-JTJS202106019.htm

    [26] 刘子政, 李默颖, 黄长青, 等. 顾及速度约束的基于时间序列GPS漂移数据处理方法[J]. 测绘地理信息, 2017, 42(1): 14-18. https://www.cnki.com.cn/Article/CJFDTOTAL-CHXG201701004.htm

    Liu Zizheng, Li Moying, Huang Changqing, et al. GPS trajectory data drift processing method based on time series considering velocity constraints[J]. Journal of Geomatics, 2017, 42(1): 14-18. https://www.cnki.com.cn/Article/CJFDTOTAL-CHXG201701004.htm

  • 期刊类型引用(3)

    1. 贾宝珊,李允朋,潘瑾. 基于高精准定位技术的露天矿铲装设备安全管控. 铀矿冶. 2025(01): 101-108 . 百度学术
    2. 张君,李万业,郭家华,李京凯,贺欣悦,武仲斌. 钻锚机器人机械臂轨迹规划方法研究. 矿业科学学报. 2024(05): 807-816 . 本站查看
    3. 岳欢. 基于GSP算法和增强现实技术的景观交互系统设计. 自动化与仪器仪表. 2023(12): 109-113+118 . 百度学术

    其他类型引用(3)

图(12)  /  表(3)
计量
  • 文章访问数:  249
  • HTML全文浏览量:  51
  • PDF下载量:  20
  • 被引次数: 6
出版历程
  • 收稿日期:  2022-10-26
  • 修回日期:  2022-12-11
  • 网络出版日期:  2023-05-09
  • 刊出日期:  2023-06-29

目录

/

返回文章
返回