CN105758410A - 基于A‐Star 算法的快速路径规划混合方法 - Google Patents

Abstract

本发明公开了中一种基于A‐Star算法的快速路径规划混合方法，包括如下步骤：S1：将目标地图划分成多个等尺寸的地图块；计算并存储每个地图块中全部的邻接点和节点之间的最短路径，其中邻接点表示道路与地图块边界的交点，节点为道路的起始点或交叉点；S2：事件到来时，判断受到事件影响的地图块中的受影响路段，重新计算所述受影响路段所涉及的每个地图块中全部邻接点和节点之间排除所述受影响路段后的最短路径；S3：基于A‐Star算法，选择起点至终点经过的各地图块，连接各地图块中的排除所述受影响路段后的最短路径，形成多条备选路径；多条备选路径中时间代价最小的即为最优路径。

Description

基于A‐Star 算法的快速路径规划混合方法

技术领域

本发明公开了一种路径规划混合方法，尤其涉及一种基于Astar算法和等尺寸地图块划分的快速路径规划混合方法。涉及专利分类号G01测量；测试G01C测量距离、水准或者方位；勘测；导航；陀螺仪；摄影测量学或视频测量学G01C21/00导航；不包含在G01C1/00至G01C19/00组中的导航仪器G01C21/26专用于道路网络的导航G01C21/34路径搜索；路径导引。

背景技术

车辆导航系统是指采用一定的定位与导航技术，使得车辆在行驶过程中，实时显示车辆的物理位置，规划车辆从起点到终点的最佳行驶路线,并引导车辆按最佳路径行驶。路径规划是基于城市道路网地图，在车辆行驶前或行驶中规划最佳行驶路径的过程。为满足实际要求,路径规划应具有快速性和最佳性。

以动态导航算法为基础的动态路径规划技术是导航系统的核心之一。其中主要是研究动态最优路径算法。动态最佳路径是要找到一条考虑实时交通情况的“最佳路径”，使得从起点到达终点耗费总和最优。传统的最佳路径的经典算法有Dijkstra算法，该算法是基于图论中的网络模型，在求解时有可能并准备搜索所有的网络节点，但是在地图规模较大，城市道路网节点数较多的情况下，该算法花费时间长，求解效率低，很难满足实际路径动态规划快速性的要求；另一种静态路网中求解最短路径最有效的方法是A‐Star算法，A‐Star算法是一种典型的启发式搜索算法，通过选择合适的估价函数，指导搜索朝着最有希望的方向前进,，算法到达目标节点即停止搜索，以求得最优解。但是如果A‐Star算法搜索空间较大，实体的形状不规则，搜索时会扩展大量的冗余节点，占用的时间耗费同样会非常巨大。

发明内容

本发明针对以上问题，提出的一种基于A‐Star算法的快速路径规划混合方法，包括如下步骤：

S1：将目标地图划分成多个等尺寸的地图块；计算并存储每个地图块中全部的邻接点和节点之间的最短路径，其中邻接点表示道路与地图块边界的交点，节点为道路的起始点或交叉点；

S2：事件到来时，判断受到事件影响的地图块中的受影响路段，重新计算所述受影响路段所涉及的每个地图块中全部邻接点和节点之间排除所述受影响路段后的最短路径；

S3：基于A‐Star算法，选择起点至终点经过的各地图块，连接各地图块中的排除所述受影响路段后的最短路径，形成多条备选路径；多条备选路径中时间代价最小的即为最优路径。

作为优选的实施方式，“将目标地图划分成多个等尺寸的地图块”具体包括如下步骤：

—利用经纬度对地图进行分割分块，地图分块为地图中任意相邻的两条分割线与任意相邻的两条分割危险所围成的区域；

t_i(i∈Z，且0≤i≤n)为第i条分割纬线的维度，其中t₀＝‐85°，t_n＝85°；

g_j(j∈Z，且0≤i≤n)为第j条分割警衔的精度，其中g₀＝‐180°，g_m＝180°；

有t_i+1-t_i＝T，其中T＝(t_n-t₀)/n＝170°/n；

有g_j+1-g_j＝G，其中G＝(g_m-g₀)/m＝360°/m。

更进一步的，所述的每个地图块具有与经纬度对应的命名，命名规则如下。

CD＝int(t_i-60)

作为优选的实施方式，所述的步骤S2具体为：

若C(n)+f(n，m)＜C(m)，则为C(m)赋值为C(n)+f(n，m)；

上式表示起点到目标点m的时间代价C(m)大于起点经中间点n至目标点m的时间代价C(n)+f(n，m)，C(n)为起点至中间点n的时间代价，f(n，m)为中间点n到m的时间代价；

更进一步的，所述步骤S3中选择时间代价最小路径的方法如下：

—将计算得出的C(n)代入估值函数f(n)＝C(n)+g(n)，计算估值函数的最优解作为最佳路径；

其中g(n)为n点到目标节点的估计时间代价，该估计时间代价为：

$f\left(n\right)=C\left(n\right)+\frac{\sqrt{{(dx-nx)}^2-{(dy-ny)}^2}}{\stackrel{\‾}{V}}$

式中，dx、dy为目的地m在其所在地图块上的坐标，nx，ny为中间点n在地图块上的坐标；为根据所述事件测算的受影响路段的平均速度；

若C(n)+f(n，m)+g(m)＜C(m)，则F(m)＝C(n)+f(n,m)+g(m),F(m)为最佳路径。

本专利针对矢量化的城市道路网图进行合理化的分块设计，并利用分块地图的特点，提出一种基于A‐Star的快速求解最短路径的混合算法。该算法搜索空间小，搜索速度快，经实验验证，效率明显提高。同时，在求解路径过程中，考虑到实时交通信息的影响，更适用于车辆导航系统。

附图说明

为了更清楚的说明本发明的实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做一简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的整体流程图

图2为本发明的快速路径规划混合算法流程图

图3为实施例1中混合算法与传统算法响应时间对比示意图

图4为实施例2中混合算法与传统算法拓展点数n乘以logn的对比示意图

图5为本发明实施例的效果验证列表。

具体实施方式

为使本发明的实施例的目的、技术方案和优点更加清楚，下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚完整的描述：

如图1‐5所示：一种基于A‐Star算法的快速路径规划混合方法，主要包括如下步骤：

首先，将目标地图按经纬线划分成多个等尺寸的地图块，每个地图块即为经纬线围成的区域。

t_i(i∈Z，且0≤i≤n)为第i条分割纬线的维度，其中t₀＝‐85°，t_n＝85°；

g_j(j∈Z，且0≤i≤n)为第j条分割警衔的精度，其中g₀＝‐180°，g_m＝180°；

t_i和g_j代表经纬线。

有t_i+1-t_i＝T，其中T＝(t_n-t₀)/n＝170°/n；

有g_j+1-g_j＝G，其中G＝(g_m-g₀)/m＝360°/m。

根据和两个表达式，根据T和G的取值，结合地图尺寸，即可计算出当前地图能够划分成地图块的数量。

在本发明的实施例中，使用辽宁省基础地理数据地图。根据辽宁省经纬度范围，纬度为1/12°，经度为1/8°。划分后，每个地图图块的范围大约为9.25*9.25km²。在该地图中包括地图图块数为1588个。

所述的每个地图块具有与经纬度对应的命名，命名包含6位数字，具体的命名规则如下。

CD＝int(t_i-60)

然后根据数据统计全部地图块中的节点数和邻接点数，已经连接节点和邻接点的路段和每个节点到其它节点和邻接点的最短距离，存储在存储单元中，共后续运算使用。

统计后，实施例中的节点数为152411，邻接点为10492，路段为188907个。实时交通信息，即前述事件，根据沈阳市等几大城市的交通信息模拟动态生成。

事件到来时，判断受到事件影响的地图块中的受影响路段，重新计算所述受影响路段所涉及的每个地图块中全部邻接点和节点之间排除所述受影响路段后的最短路径。

在本实施例中，着重考虑根据路段平均速度计算得出的时间作为主要的代价对最佳路径进行选择。

若C(n)+f(n，m)＜C(m)，则为C(m)赋值为C(n)+f(n，m)；

上式表示起点到目标点m的时间代价C(m)大于起点经中间点n至目标点m的时间代价C(n)+f(n，m)，C(n)为起点至中间点n的时间代价，f(n，m)为中间点n到m的时间代价；

则将起点到目标点m的路径替换为起点经中间点n至终点m。

最后，选择起点至终点经过的各地图块，连接各地图块中的排除所述受影响路段后的最短路径，形成多条备选路径；多条备选路径中时间代价最小的即为最优路径。

将计算得出的C(n)代入估值函数f(n)＝C(n)+g(n)，计算估值函数的最优解作为最佳路径；

其中g(n)为n点到目标节点的估计时间代价，该估计时间代价为：

$f\left(n\right)=C\left(n\right)+\frac{\sqrt{{(dx-nx)}^2-{(dy-ny)}^2}}{\stackrel{\‾}{V}}$

式中，dx、dy为目的地m在其所在地图块上的坐标，nx，ny为中间点n在地图块上的坐标；为根据所述事件测算的受影响路段的平均速度；

若C(n)+f(n，m)+g(m)＜C(m)，则F(m)＝C(n)+f(n,m)+g(m),F(m)为最佳路径。

作为优选的实施方式建立最佳，如图2所示：将起点放入堆中，该堆内存储初始地图块(起点所在地图块中)中的全部的道路节点和邻接点以及其它地图块的邻接点。此时，非起点所在的各地图块的最短路径已经计算得出并处于存储待选状态，故可以不用计算每个地图块中的节点(道路的起始点和交叉点)。

取堆顶至节点P，判定节点P是否为选定的终点，若为终点，即可回溯得到整条路径，即最佳路径。若P点不是终点，则判定P是否为地图块之间的邻接点，如果是邻接点，则以与存储的当前地图块中预存线路为边查找与P相邻的邻接点；如果不是邻接点，则以路段为边查找与P相邻的点，然后根据松弛条件若C(n)+f(n，m)+g(m)＜C(m)，则F(m)＝C(n)+f(n,m)+g(m)调整堆。

实验过程中，任意选取起止点进行测试，导航结果与Google地图进行对比，路径计算结果基本准确。结果如图5所示。为了验证该算法的效率，选取导航距离约为5km、10km、15km、30km、50km、100km等6组测试数据，针对每组输入数据重复计算1000次，统计程序的平均响应时间，以及拓展点的个数。统计结果如表2所示。

表2

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种基于A‐Star算法的快速路径规划混合方法，其特征在于具有如下步骤：

S1：将目标地图划分成多个等尺寸的地图块；计算并存储每个地图块中全部的邻接点和节点之间的最短路径，其中邻接点表示道路与地图块边界的交点，节点为道路的起始点或交叉点；

S2：事件到来时，判断受到事件影响的地图块中的受影响路段，重新计算所述受影响路段所涉及的每个地图块中全部邻接点和节点之间排除所述受影响路段后的最佳路径；

S3：基于A‐Star算法选择起点至终点经过的各地图块，连接各地图块中的排除所述受影响路段后的最佳路径，形成多条备选路径；多条备选路径中时间代价最小的即为最优路径。

2.根据权利要求1所述的基于A‐Star算法的快速路径规划混合方法，其特征还在于所述“将目标地图划分成多个等尺寸的地图块”具体包括如下步骤：

—利用经纬度对地图进行分割分块，地图分块为地图中任意相邻的两条分割经线与任意相邻的两条分割纬线所围成的区域；

t_i(t∈Z，且0≤i≤n)为第i条分割纬线的维度，其中t₀＝‐85°，t_n＝85°；

g_j(j∈Z，且0≤i≤n)为第j条分割警衔的精度，其中g₀＝‐180°，g_m＝180°；

t_i和g_j代表经纬线；

有t_i+1-t_i＝T，其中T＝(t_n-t₀)/n＝170°/n；

有g_j+1-g_j＝G，其中G＝(g_m-g₀)/m＝360°/m；

和分别表示两地图块之间的纬度和精度差，T和G分别代表纬度和精度差。

3.根据权利要求2所述的基于A‐Star算法的快速路径规划混合方法，其特征还在于所述的每个地图块具有与经纬度对应的命名，使用6位数字为地图块进行命名，规则如下。

AB＝int(g_j※1.5)

CD＝int(t_i-60)

E＝int((g_j※1.5-AB)※8)

F＝int((t_i-60-CD)※8)。

4.根据权利要求1所述的基于A‐Star算法的快速路径规划混合方法，其特征还在于所述的步骤S2具体为：

若C(n)+f(n，m)＜C(m)，则为C(m)赋值为C(n)+f(n，m)；

上式表示起点到目标点m的时间代价C(m)大于起点经中间点n至目标点m的时间代价C(n)+f(n，m)，C(n)为起点至中间点n的时间代价，f(n，m)为中间点n到m的时间代价；

则将起点到目标点m的路径替换为起点经中间点n至终点m。

5.根据权利要求4任意权利要求所述的基于A‐Star算法的快速路径规划混合方法，其特征还在于所述步骤S3中选择时间代价最小路径的方法如下：

—将计算得出的C(n)代入估值函数f(n)＝C(n)+g(n)，计算估值函数的最优解作为最佳路径；

其中g(n)为n点到目标节点的估计时间代价，该估计时间代价为：

式中，dx、dy为目的地m在其所在地图块上的坐标，nx，ny为中间点n在地图块上的坐标；为根据所述事件测算的受影响路段的平均速度；

所述估值函数的松弛条件为：若C(n)+(n，m)+g(m)＜C(m)，则F(m)＝C(n)+f(n,m)+g(m),F(m)为最佳路径。

6.根据权利要求5所述的基于A‐Star算法的快速路径规划混合方法，其特征还在于：若所述的中间点n和终点m在同一地图块内，则直接调用预先存储的最短路径。