基于样条函数的轨迹重建方法比较研究：不同自动车辆位置数据密度下的综合分析
机器人学
2025-09-03 v1
摘要
自动车辆位置（AVL）数据提供了关于公交动态的洞察，但由于更新频率不一致常常限制其效用， necessitating 轨迹重建。本研究使用来自德州奥斯汉的高分辨率AVL数据，对13种轨迹重建方法（包括若干新方法）进行评估。我们考察了四个关键因素——速度、位置、平滑和数据密度——对重建性能的相互作用。本研究的关键贡献之一是跨稀疏和密集数据集评估这些方法，提供关于准确性与资源分配之间权衡的见解。我们的评估框架结合了位置和速度的传统数学误差度量，以及实际考虑因素（例如，将速度和加速度与停止状态、减速度和速度波动性保持一致）。此外，我们提供了关于每种方法在计算现实指标方面的相对价值的见解。我们的发现表明，速度感知方法在整体上一致优于仅基于位置的方法。有趣的是，我们发现平滑方法在复杂拥堵的城市环境中可能整体性能下降，尽管强制单调性仍然至关重要。速度受限的 Hermite 插值与单调性强制（VCHIP-ME）yield 最佳结果，在高准确性和计算效率之间提供了平衡。其最小的开销使其适用于历史分析和实时应用程序，结合密集数据集可提供显著的预测能力。这一发现为实施轨迹重建系统的研究者和实践者提供了实用指导，并强调了为改进分析投资更高频率AVL数据收集的重要性。
引用
@article{arxiv.2509.00119,
title = {A Comparative Study of Spline-Based Trajectory Reconstruction Methods Across Varying Automatic Vehicle Location Data Densities},
author = {Jake Robbennolt and Sirajum Munira and Stephen D. Boyles},
journal= {arXiv preprint arXiv:2509.00119},
year = {2025}
}