roadrunner

路网数据对于城市中的很多应用，比如车载导航和线路优化等，都非常重要。传统的道路数据采集方法依赖于采集车，消耗大量的人力物力。随着GPS设备的普及，海量轨迹数据在城市里产生，使我们能够用轨迹数据去生成路网。这个问题在近十年中已经有了广泛的研究，但是其中很多方法的精确度（precision）并不高，特别是上下道路，平行道路等地方。由于轨迹数据在城市内并不是均匀分布的，对于那些车辆频繁通行的地方，我们有没有办法进一步提高这些区域路网推测的精确度呢？ 本文将介绍美国麻省理工学院(MIT)与卡塔尔哈马德-本-哈利法大学(HBKU)联合在国际地理信息领域顶会ACM SIGSPATIAL 2018上发表的论文《RoadRunner: Improving the Precision of Road Network Inference from GPS Trajectories》，使得在提高路网推测精确度的同时，不损失覆盖率（或召回率，recall）。本文将路网推测的问题分为两阶段，_先用本文提出的RoadRunner算法在高轨迹密度区域推测出高精确度地图，然后与传统的轨迹推测路网方法结合，_满足召回率的要求。RoadRunner的核心思想是利用每条轨迹的连通性来判断相交的轨迹是行驶在同一条道路上，还是平行的两条路上。 一、问题背景 从轨迹中推测路网是一个非常有挑战的问题

背景 CARLA是Intel公司基于虚幻四引擎开发的自动驾驶仿真器，仿真器作为一个服务器端，用户可以通过CARLA提供的python API进行编程，从仿真器服务端获取自己需要的传感器数据。既然用户平时都是编写客户端的代码，我们又何需去看服务端是如何实现的呢？笔者认为，Intel公司的代码能力是很强的，通过CARLA仿真器源码的阅读，我们可以从使用CARLA的阶段进阶到熟悉并且可以修改CARLA的地图，因为CARLA仿真器也是一年又一年的在更新迭代，也添加了许多新的工具，说明还有许多不足的地方，我们可以通过这个方式成为开源社区贡献者的一员。并且CARLA这样的Server-Client的方式，其实是将仿真器的瓶颈设置在了网络传输的速率之上，因为Server-Client的数据传输依靠的是RPC的传输方式，如果网络带宽跟不上，也就无法进行实时仿真。另外，由于CARLA是基于虚幻引擎编写的，那也就给想要学习虚幻引擎的朋友提供了一个非常好的学习机会，不仅是从游戏制作的角度，更是从仿真器开发制作的角度来看待这款引擎。 CARLA获取和编译 具体可以参考我之前的文章 CARLA中导入RoadRunner建模高精度地图(一) ------ 环境配置篇 ，并且我们通过右键点击Unreal/CarlaUE4/CarlaUE4.uproject->Generate Visual Studio