现有的全球定位系统(GPS)仅能够提供道路级别的定位信息,而详细的车道级别道路信息是通向未来无人汽车技术的重要基础。在已有的研究中,车道级别的定位系统大多使用了昂贵的专用设备,如激光雷达等,不利于系统的普及。近年来,利用图像识别技术进行车道定位的方法开始出现,通过在车辆前方加装摄像头对图像进行分析,寻找出车道的位置。但这种方法容易受到其他因素的影响,如光照不足、道路老化、道路标识模糊等等。因此,设计出一种精确、实时、易于普及,并且能够克服上述缺陷的车道级别定位系统,无疑会促进智能交通的领域的进一步发展。随着科技的进步,现今的智能手机中集成了多种不同的传感器,如GPS、加速传感器、方向传感器等,直接利用智能手机进行车道识别更加有利于系统普及和用户接受。本文提出了一种利用手机内置传感器进行车道定位的系统,仅使用手机内置的传感器,如加速度传感器、方向传感器、GPS等,实现车辆定位数据的修正、车辆动作检测等功能。这些数据上传到服务器后,能够利用本系统中的聚类算法进行车辆的初始定位和地图的自动生成。根据初始车道位置,可以仅根据变道动作的识别进行离线的车道定位,降低对移动网络的依赖。通过结合早已普及的智能手机,使得本系统能够大大降低车道定位装置的门槛。此外,传感器直接接收和分析数据,可以避免利用图像识别技术时会受到的光照、道路标记等因素的影响。本系统首先利用IMM多模型交互的方式,建立了两种车辆模型,纳入了速度与加速度数据,以提高GPS数据的稳定性和准确度。通过分析方向传感器和加速度传感器的数据,并基于SVM分类提出了车辆动作检测算法,用以识别转弯、变道等动作,并可以在得知车道初始位置的情况下,利用变道动作的识别实现离线的车道定位。通过提出的约束型K-means聚类算法,将车辆的变道转弯信息加入聚类条件中,提升了聚类的准确性的同时降低了计算复杂度,并依靠该算法提出了车道地图的自动生成和初始车道位置的定位方法。本文还设计了一种鼓励用户上传数据的激励机制,根据用户上传GPS数据的价值来进行相应的奖励分配,在满足用户利益需求的同时最大化系统收集数据的价值。通过实验,我们分别测试了系统各模块的性能,并证明了本系统的车道定位的精确度达到95%以上。