search

Hansoluo / track-code

MIT License
0 stars 0 forks source link

Lyft MPF 跟踪算法 #3

Open Hansoluo opened 4 years ago

Hansoluo commented 4 years ago

背景

~ 阐述 记录/问题/事件/... 发生的背景

网约车的核心在于 车辆调度, 里面的核心技术是 实时地图匹配 匹配是 网约车 和 用户之间的匹配, 也可以是骑手和用户之间的匹配 找到一个最优的路径规划 有点像地图导航

首先是定位, 再是寻找路径 路径规划 有点像机器人的路径规划, 但是那种比较简单, 一个格子一个格子计算的那种 定位一般采用 GPS, 但是往往存在误差

为了从这些原始数据中得到一个更清晰的图像，我们运行一个算法，输入原始位置并返回道路网中更准确的位置。这个过程称为地图匹配（map-matching）

原始的GPS是有偏差的,因此需要 地图匹配: 匹配原始GPS的位置到道路网路段，以产生一个车辆路线的估计。

地图匹配有两个作用:

  1. 在行程结束时，计算司机所行驶的路程以计算车费
  2. 为 ETA 团队( 预计到达时间 )实时地提供准确的位置，做出高效的调度决定，并在乘客的app上显示司机的车。

差的地图匹配位置会导致不准确的预计到达时间（ETAs），然后导致错误的调度决策并令司机和乘客失望。因此，地图匹配直接影响 Lyft 的市场，并对用户体验产生重要影响。

地图匹配的挑战

  1. 在城市峡谷(街道被高楼包围)、层叠的道路或隧道下面，通过手机收集的位置数据会变噪音很大
  2. 缺乏ground truth: 我们实际上不知道司机开车时的真实位置，我们必须找到代理来评估模型的准确性
  3. 依赖于道路网数据的质量

两种方法

  1. HMM模型预测状态序列, 生成候选点
  2. UKF 卡尔曼滤波器

我的理解, 就是一个 轨迹预测和跟踪问题

解决追踪遮挡的关键在于 路径预测, 再自动修正 卡尔曼滤波器的 缺点在于 它只能处理 线性问题, 而现实中 多是 非线性问题

分析

~ 先给出自己的态度以及尝试

方案

~ 给出可以追踪进展的行为追踪顺序

记录

~ 原始数据/过程/现象/...收集

Hansoluo commented 4 years ago

Lyft CPR2020

Perception 感知

Planning 规划

SLAM 同步定位与地图构建

Simultaneous localization and mapping

仿真建模

数据集

The dataset contains 1,000 scenes of 20 seconds each, with data from 6 cameras, 5 radars and 1 lidar, paired with human annotations and semantic maps. The database is aimed to support development of multi-modal perception and tracking systems.

网约车调度

通过车辆调度，可以根据客户的呼叫顺序以及车辆距离每个客户的接车地点来匹配车辆。