【技术实现步骤摘要】
本专利技术属于智能导航，尤其涉及一种基于多源数据的汽车导航方法。
技术介绍
1、随着全球汽车数量的不断增长，公路交通呈现出车流密集化和驾驶员非职业化的特点，如何有效引导交通，为驾驶人员提供合理经济的驾驶路线具有很重要的意义，而通过对当前应用比较广泛的一些导航系统调研发现，它们大多是基于最短路径的方法为用户提供导航服务，这种导航系统操作简单，能够快速地为用户选择行程路线，但随着交通环境越来越复杂，往往最短的路径并非最经济的路径。
2、同时，目前的汽车导航数据的更新可能会滞后于实际道路情况的变化，例如新修的道路、道路封闭或者交通限制等。因此，导航系统可能会提供过时的路线指导，导致用户选择的路线不够准确或者不够高效。现有目标检测模型通常采用静态神经网络，该网络对整个视野均匀检测，忽略了车辆行驶过程中对感知区域的倾向性，导致无法实现导航系统的自适应性。
技术实现思路
1、为解决上述技术问题，本专利技术提出了一种基于多源数据的汽车导航方法，以解决上述现有技术存在的问题。
2、为实现上述目的，本专利技术提供了一种基于多源数据的汽车导航方法，包括：
3、实时获取导航信息，并通过深度摄像机获取路段图像信息；
4、将所述导航信息和路段图像信息进行融合，并转化为向量信息；
5、将所述向量信息输入至道路资源预测模型中进行计算，获得道路预测结果，基于长短时记忆网络和卷积神经网络构建为多模态神经网络模型、且通过样本集对所述多模态神经网络模型进行训练
6、将所述道路预测结果输入至决策树模型中进行计算，生成最优路径解，基于所述最优路径解规划汽车导航路线。
7、优选的，实时获取导航信息，并通过深度摄像机获取路段图像信息的过程包括：
8、接收来自卫星的定位和时间信息，并通过惯性测量单元获取车辆自身的惯性信息；
9、将所述卫星的定位和时间信息以及车辆自身的惯性信息进行处理，获得所述导航信息；
10、通过激光雷达、超声波传感器和深度摄像机获取所述路段图像信息。
11、优选的，所述惯性信息包括加速度信息、角速度信息、磁场信息、重力信息和碰撞距离信息；
12、所述碰撞距离信息基于对应三维方向的权重、碰撞点的坐标和车辆几何坐标获得。
13、优选的，将所述卫星的定位和时间信息以及车辆自身的惯性信息进行处理，获得所述导航信息的过程包括：
14、对所述卫星的定位和时间信息进行异常检查并对异常数据进行清洗，然后基于所述时间信息对所述卫星的定位进行标签生成，获得卫星数据处理信息；
15、基于时间轴、路径损耗和大气吸收因素对所述车辆自身的惯性信息进行处理，获得惯性处理信息；
16、将所述卫星数据处理信息和所述惯性处理信息进行合并，获得所述导航信息。
17、优选的，将所述导航信息和路段图像信息进行融合，并转化为向量信息的过程包括：
18、将所述导航信息转化为数据向量信息；
19、通过巴特沃斯低通滤波器对所述路段图像信息进行平滑处理，获得滤波后数据；
20、构建注意力机制模块，将所述滤波后数据输入至所述注意力机制模块汇总进行处理，获得所述路段图像信息在时空上的特征映射；
21、基于saverelu激活函数对所述路段图像信息在时空上的特征映射进行处理，得到图像时序权值向量；
22、将所述数据向量信息和所述图像时序权值向量进行融合，获得所述向量信息。
23、优选的，所述获得道路预测结果的过程包括：
24、将所述向量信息输入至所述道路资源预测模型中进行计算，得到时序特征向量和空间特征向量；
25、将所述时序特征向量进行矩阵重塑得到与所述空间特征向量维度相同的信息特征向量；
26、将所述空间特征向量和所述信息特征向量进行特征向量拼接得到深度融合特征向量；
27、将所述深度融合特征向量输入全连接层进行回归分析得到所述道路预测结果。
28、优选的，通过所述道路资源预测模型的长短时记忆网络生成所述时序特征向量；
29、通过所述道路资源预测模型的卷积神经网络生成所述空间特征向量。
30、优选的，所述卷积神经网络包括组合注意力模块，所述组合注意力模块包括通道注意力单元和空间注意力单元；
31、通过所述卷积神经网络生成所述空间特征向量的过程包括：
32、所述空间注意力单元对所述向量信息进行卷积处理得到在时间信息上的特征映射，获得时间权值向量；
33、同时，所述空间注意力单元对所述向量信息进行特征信息编码，得到局部时序信息段之间的特征信息；
34、将所述时间权值向量和所述局部时序信息段之间的特征信息相乘得到第一校准特征图；
35、基于残差方法将所述第一校准特征图和向量信息进行相加得到空间注意力单元特征图；
36、将所述空间注意力单元特征图输入所述通道注意力单元后，分别经所述通道注意力单元的平均池化层和最大池化层得到全局平均特征向量和全局最大值特征向量；
37、基于所述全局平均特征向量和全局最大值特征向量得到通道注意力特征图；
38、将所述空间注意力单元特征图和通道注意力特征图相乘得到第二校准特征图；
39、基于残差方法将所述第二校准特征图和所述空间注意力单元特征图相加得到优化特征图；
40、基于所述优化特征图得到局部特征向量，对所述局部特征向量进行融合，生成所述空间特征向量。
41、优选的，所述构建决策树模型的过程包括：
42、将汽车导航问题转化为优化问题，基于所述优化问题生成问题空间；
43、将决策树中的每个节点视为所述问题空间的解；
44、将蚁群算法中的信息素作为所述问题空间的解的质量度量，初始化信息素；
45、基于信息素水平和基尼指数选择决策树节点，更新信息素；
46、基于蚁群算法进行路径选择和信息素水平的更新，直至满足停止条件时，停止算法，获得所述决策树模型。
47、优选的，将所述道路预测结果输入至所述决策树模型中进行计算，生成最优路径解的过程包括：
48、获取用户需求，将所述用户需求作为硬标签反馈至所述道路预测结果中，获得用户需求路径；
49、将所述用户需求路径输入至所述决策树模型中进行计算，获得所述最优路径解。
50、与现有技术相比，本专利技术具有如下优点和技术效果：
51、本专利技术中，道路资源预测模型和决策树可以有效地融合多种数据源，如图像、传感器数据和地图信息。可以提供更全面、准确的导航决策，同时，神经网络和决策树都具有良好的非线性建模能力。神经网络能够学习复杂的数据关系和模式，而决策树能够处理非线性特征并进行决策分支。这使得导航系统能够更好地适应复杂的交通环境和道本文档来自技高网...
【技术保护点】
1.一种基于多源数据的汽车导航方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多源数据的汽车导航方法，其特征在于，实时获取导航信息，并通过深度摄像机获取路段图像信息的过程包括：
3.根据权利要求2所述的基于多源数据的汽车导航方法，其特征在于，所述惯性信息包括加速度信息、角速度信息、磁场信息、重力信息和碰撞距离信息；
4.根据权利要求2所述的基于多源数据的汽车导航方法，其特征在于，将所述卫星的定位和时间信息以及车辆自身的惯性信息进行处理，获得所述导航信息的过程包括：
5.根据权利要求1所述的基于多源数据的汽车导航方法，其特征在于，将所述导航信息和路段图像信息进行融合，并转化为向量信息的过程包括：
6.根据权利要求1所述的基于多源数据的汽车导航方法，其特征在于，所述获得道路预测结果的过程包括：
7.根据权利要求6所述的基于多源数据的汽车导航方法，其特征在于，通过所述道路资源预测模型的长短时记忆网络生成所述时序特征向量；
8.根据权利要求7所述的基于多源数据的汽车导航方法，其特征在于，所述
9.根据权利要求7所述的基于多源数据的汽车导航方法，其特征在于，所述构建决策树模型的过程包括：
10.根据权利要求1所述的基于多源数据的汽车导航方法，其特征在于，将所述道路预测结果输入至所述决策树模型中进行计算，生成最优路径解的过程包括：
...【技术特征摘要】
1.一种基于多源数据的汽车导航方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多源数据的汽车导航方法，其特征在于，实时获取导航信息，并通过深度摄像机获取路段图像信息的过程包括：
3.根据权利要求2所述的基于多源数据的汽车导航方法，其特征在于，所述惯性信息包括加速度信息、角速度信息、磁场信息、重力信息和碰撞距离信息；
4.根据权利要求2所述的基于多源数据的汽车导航方法，其特征在于，将所述卫星的定位和时间信息以及车辆自身的惯性信息进行处理，获得所述导航信息的过程包括：
5.根据权利要求1所述的基于多源数据的汽车导航方法，其特征在于，将所述导航信息和路段图像信息进行融合，并转化为向量信息的过程包括：
<...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。