zhanglehes的专栏

动态窗口算法(Dynamic Window Approaches, DWA) 属于局部路径规划算法，能有效避开障碍物。本文主要介绍dwa算法的一种c++实现，源代码库见（而这段时间是否会和障碍物接触会由开销函数来保证。算法还是希望能高速运行。

概要AStar是一种路径规划算法，其思想包含Dijkstra算法和启发式算法。该算法也是通过起点开始，逐步记录能够搜索到的节点，并记录它们离起点的最短距离；同时还会估算搜索到的点离终点的距离。公式G -- 当前节点离起点的距离H – 估算当前节点离终点的距离F = G + H两个队列开启列表 – 当前寻址到的节点，包含GHF三个值，但其值可能会在随后的迭代搜寻中被更新。在每次寻址的过程中，会有新的节点存入开启列表（除非当前节点寻址到的所有节点都已经在开启列表中），也会有一个节点从开启列表移

另一方面，在某些特定的地理条件下（高山、峡谷等），gps定位系统给出的位置信息（统计平均）与实际也可能产生偏差。本文提出了一种纠偏的思路，它基于离线数据挖掘，将全局轨迹匹配的道路与线上服务实时匹配的道路进行比较，挖掘出哪些道路存在位置偏差（或gps偏差），将其补齐后在线上服务中应用，以提升线上匹配的准确性。MM按照匹配的实时性可以分为全局匹配和实时匹配，全局匹配的效果无疑是最优的，但实时匹配的互动性更加。在车载导航等场景需要用到实时匹配。本文的思路就是通过离线的全局匹配，来辅助线上实时匹配的准确性。

个人觉得如果eta时间能比较准确的话，确实是一个好办法）In our map matching algorithm, the states of the HMM are the individual road segments, and the state measurements are the noisy vehicle location measurements. （隐马尔可夫模型的观察变量和隐形状态的定义）通常会认为频率越高，对算法是越友好的。（基于绕路惩罚的转移概率）低频下匹配准确度的变化趋势。

这是我见过对场景定义最清楚的一篇论文了Definition 1 (GPS Log): A GPS log is a collection of GPS points 𝐿 = {𝑝1, 𝑝2,... , 𝑝𝑛} . Each GPS point 𝑝𝑖 ∈ 𝐿 contains latitude 𝑝𝑖 . 𝑙𝑎𝑡, longitude 𝑝𝑖 . 𝑙𝑛𝑔 and timestamp 𝑝𝑖 . 𝑡, as illustrated in the left part of Figure 3. （定义点的集合）

状态值的取值空间：图中所示有五条线段，因此状态空间为{S1,S2,S3,S4,S5}。考虑到map-matching是一个处理连续轨迹点的问题，因此我们可以以当前点的位置坐标出发，一定范围内的link都属于状态空间。有时连续两个gps点的位置差异过大，超过一定范围的点称之为跳点，对于跳点需要过滤掉。{o1,o2,o3,o4,o5,o6,o7,o8}（经纬度，方向，速度等）。转移概率矩阵：这里最主要考虑到的是轨迹的连续性。

一条link包含起点（start_node）和终点（end_node），非极端情况下，这条link所属的分片可以等价于起点所属分片与终点所属分片的并集（最多属于两个分片），这样就将link所属分片的问题转化为点所属分片的问题。遍历每一条link，将start_node和end_node离散化成represent_node1和represent_node2，并利用上述的映射关系，找出对应的分片数，其值就是link对应的分片值。在上图中，link1/2/4均满足之前的假设，只有link3是横跨的3个分片。