CN106225797A - 一种路径规划方法 - Google Patents

Abstract

本发明涉及一种路径规划方法，本方法通过建立路径规划模型、利用历史数据获得路径规划模型的参数、利用训练好的路径规划模型为驾驶人提供路径规划来完成路径规划，综合考虑了驾驶人对最短距离和最短行驶时间的需求；本发明的路径规划模型简单，计算速度快，大大提高最佳路径规划的计算速度，同时满足实时性的需求。

Description

一种路径规划方法

技术领域

本发明涉及智能交通技术领域，尤其涉及一种路径规划方法。

背景技术

现在，城市道路上车辆越来越多，路径规划的问题越来越重要。错综复杂的道路结构、实时变化的交通状况、以及大量频繁的路径规划，给路径规划的实时性和有效性带来了巨大的挑战。现有的路径规划，主要分为两种：静态路径规划和动态路径规划。静态路径规划，大多采用Dijkstra算法、A*算法、Bellman-Ford算法、Floyd-Warshall算法等，动态路径规划则多采用遗传算法、蚁群算法、模拟退火、神经网络等方法。

传统的路径规划方法，如Dijkstra算法，其特点是以起始点为中心向外层层拓展，直到拓展到终点为止。Dijkstra算法主要基于点与点之间的连接关系，依靠连接关系寻找路线，算法总的时间复杂度为O(n²)，当节点数目和连接关系数量较大时，其计算效率和存储效率都很低。动态路径规划的计算量更是难以满足实时性的需求。

发明内容

本发明为克服上述的不足之处，目的在于提供一种路径规划方法，本方法通过建立路径规划模型、利用历史数据获得路径规划模型的参数、利用训练好的路径规划模型为驾驶人提供路径规划来完成路径规划，综合考虑了驾驶人对最短距离和最短行驶时间的需求，满足实时性的需求。

本发明是通过以下技术方案达到上述目的：一种路径规划方法，包括如下步骤：

(1)设路网结构为G(V,R,F)，V为路网中路口节点的集合，R为道路路径的集合，F为道路路径的权重值的集合，路口节点v_i(x_i,y_i)∈V，两个路口之间的路段构成道路路径r_i,j＝＜v_i,v_j＞∈R，道路路径的权重值f(r_i,j)∈F；其中，x_i，y_i分别为路口节点v_i的横、纵坐标位置；设车辆行驶轨迹为S(O,D,V_S,R_S,F_S,T_S)，O(x_O,y_O)为车辆行驶轨迹的起始位置，D(x_D,y_D)为车辆行驶轨迹的目标位置，V_S为车辆行驶轨迹经过的路口节点的集合，R_S为车辆行驶轨迹经过的道路路径的集合，F_S为车辆行驶轨迹经过的道路路径的权重值的集合，T_S为车辆行驶轨迹经过路口节点的时间的集合；

(2)以车辆当前位置与目标位置之间的直线为基准线，根据当前位置可选道路路径和基准线的偏离程度、当前位置可选道路路径的权重值，加权计算得到路径选择因子，建立路径规划模型；

(3)根据历史样本数据训练得到路径规划模型的参数；

(4)利用训练好的路径规划模型提供路径规划。

作为优选，所述加权计算路径选择因子的计算公式如下：

$b_{t,l}=\mathrm{\&alpha;}\frac{<\stackrel{\&OverBar;}{pD},\stackrel{\&RightArrow;}{v_t{v}_l}>}{\underset{l=1}{\overset{l=m}{\&Sigma;}}<\stackrel{\&RightArrow;}{pD},\stackrel{\&RightArrow;}{v_t{v}_l}>}+\mathrm{\&beta;}\frac{f\left(r_{t,l}\right)}{\underset{l=1}{\overset{l=m}{\&Sigma;}}f\left(r_{t,l}\right)}$

其中，α为偏离程度的影响因子，β为道路路径的权重值的影响因子，α+β＝1；p为当前位置，D为目标位置，为当前位置与目标位置构成的向量，v_t为最近经过的路口节点，v_l为与v_t构成关联路段的下一个路口节点，为可选行驶路段方向。

作为优选，所述v_t为最近经过的路口节点的定义为当前位置在路口节点时，v_t为p，当前位置在道路时，v_t为沿道路行驶经过的第一个路口节点。

作为优选，所述步骤(3)根据历史样本数据训练得到路径规划模型的参数的步骤如下：

1)采集历史车辆行驶数据和反映道路路径权重值的交通数据，作为历史样本数据；

2)根据交通区域内路口节点的地理位置对所有路口节点进行聚类，采用K-means聚类方法对求最小值，并将路口节点分成K类，V＝{V₁,V₂,...,V_k,...,V_K}，V_k为第k组路口节点集合，μ_k为V_k的平均值；

3)计算每组分类的路口节点的密集程度η；

4)根据车辆行驶的初始位置、目标位置所在分类的路口节点的密集程度、交通区域道路路径的权重值的平均值、车辆行驶路径经过的分类个数，将历史样本数据进行划分；

5)计算划分得到的每组样本数据的最佳方向权重因子α和交通运行指数权重因子β。

作为优选，所述步骤3)的η为每组分类包含的路口节点数/路口节点覆盖的地理面积。作为优选，将历史样本数据的划分方法为将路口节点的密集程度分为M个等级、交通区域道路路径的权重值的平均值分为N个等级，车辆行驶路径经过的分类个数为kk，历史样本数据符合的划分到组；

其中，V_O、V_D为初始位置和目标位置的路口节点集合，η_O,m1表示初始位置的路口节点的密集程度为第m1等级，η_D,m2表示目标位置的路口节点的密集程度为第m2等级，表示交通区域道路路径的权重值的平均值为第n个权重值。

作为优选，所述步骤5)计算最佳方向权重因子α和交通运行指数权重因子β的方法如下：

(a)随机产生α、β＝1-α；

(b)基于样本数据内的H条历史行驶轨迹提取H条可行路径，并计算H条可行路径的总行驶时间th；

(c)以H条可行路径的总行驶时间th最小为目标函数，采用寻优算法求得每组样本数据的最佳方向权重因子α和交通运行指数权重因子β。

作为优选，所述步骤(b)提取样本数据内的H条可行路径，并计算H条可行路径的总行驶时间th的方法如下：

(A)从第一条历史行驶轨迹的初始位置开始，行驶至路口节点v_t时，当前位置与目标位置构成的向量R中搜索所有与v_t关联的道路路径r_t,l，构成道路方向向量与道路方向之间的夹角为

(B)计算路径选择因子b_t,l，选择b_t,l最小值对应的道路路径；

(C)重复执行步骤(A)、(B)直至行驶到目标位置，获得一条可行路径S_h(O_h,D_h,V_S,h,R_S,h,F_S,h,T_S,h)；

(D)重复步骤(A)、(B)、(C)，获得H条可行路径，并计算H条可行路径的总行驶时间th。

作为优选，所述利用训练好的路径规划模型提供路径规划时只需输入初始位置及目标位置。

作为优选，所述步骤(1)中定义的道路路径的权重值可采用交通运行指数、道路通行成本、道路平均车速中的任意一种。

本发明的有益效果在于：1)本发明综合考虑了驾驶人对最短距离和最短行驶时间的需求，满足实时性的需求；2)本发明的路径规划模型简单，计算速度快，大大提高最佳路径规划的计算速度。

附图说明

图1是本发明的流程示意图；

图2是本发明实施例的聚类示意图；

图3是本发明实施例的路径选择示意图。

具体实施方式

下面结合具体实施例对本发明进行进一步描述，但本发明的保护范围并不仅限于此：

实施例：路网结构可以表示为G(V,R,F)，V为路网中路口节点的集合，R为道路路径的集合，F为道路路径的权重值的集合。路口节点v_i(x_i,y_i)∈V，两个路口之间的路段构成道路路径r_i,j＝＜v_i,v_j＞∈R，道路路径的权重值f(r_i,j)∈F。x_i，y_i分别为路口节点v_i的横纵坐标位置。

车辆行驶轨迹可以表示为S(O,D,V_S,R_S,F_S,T_S)，O(x_O,y_O)为车辆行驶轨迹的起始位置，D(x_D,y_D)为车辆行驶轨迹的目标位置，V_S为车辆行驶轨迹经过的路口节点的集合，R_S为车辆行驶轨迹经过的道路路径的集合，F_S为车辆行驶轨迹经过的道路路径的权重值的集合，T_S为车辆行驶轨迹经过路口节点的时间的集合。

如图1所示，一种路径规划方法主要包括建立路径规划模型；利用历史数据获得路径规划模型的参数；利用训练好的路径规划模型为驾驶人提供路径规划这三个步骤。

一、建立路径规划模型

以当前位置与目标位置之间的直线为基准线，根据当前位置可选道路路径和基准线的偏离程度、当前位置可选道路路径的权重值，加权计算路径选择因子b_t,l：

$b_{t,l}=\mathrm{\&alpha;}\frac{<\stackrel{\&OverBar;}{pD},\stackrel{\&RightArrow;}{v_t{v}_l}>}{\underset{l=1}{\overset{l=m}{\&Sigma;}}<\stackrel{\&RightArrow;}{pD},\stackrel{\&RightArrow;}{v_t{v}_l}>}+\mathrm{\&beta;}\frac{f\left(r_{t,l}\right)}{\underset{l=1}{\overset{l=m}{\&Sigma;}}f\left(r_{t,l}\right)}$

其中，α为偏离程度的影响因子，β为道路路径的权重值的影响因子，p为当前位置，D为目标位置，为当前位置与目标位置构成的向量，v_t为最新经过的路口节点(当前位置在路口节点时，v_t为p，当前位置在道路时，v_t为沿道路行驶经过的第一个路口节点)，v_l为与v_t构成关联路段的下一个路口节点，为可选行驶路段方向，α+β＝1。道路路径的权重值可以采用交通运行指数、或道路通行成本、或道路平均车速。

当权重值采用交通运行指数g时，道路路径r_t,l的权重值f(r_t,l)为道路路径r_t,l的交通运行指数g(r_t,l)；

当权重值采用道路通行成本w时，道路路径r_t,l的权重值f(r_t,l)为道路路径r_t,l的通行成本w(r_t,l)；当权重值采用道路平均车速c时，道路路径r_t,l的权重值f(r_t,l)为道路路径r_t,l的平均车速c的倒数1/c(r_t,l)。

该模型的优点，模型简单，计算速度快。当权重值为道路拥堵程度、道路通行成本时，该模型为驾驶人提供了既考虑行驶方向又考虑行驶需求的路径规划。与Dijkstra算法相比，该模型不需要经过层层迭代、循环计算，计算效率大大提高，满足实时计算的需求。该模型提供的规划路径也可以作为一条参考路径，来提高最佳路径规划的计算速度。

二、利用历史数据获得路径规划模型的参数

1、采集大量的历史车辆行驶数据和反映道路路径权重值的交通数据，作为历史样本数据；

2、据交通区域内路口节点的地理位置对所有路口节点进行聚类，采用K-means聚类方法，对表达式求最小值，将路口节点分成K类，K取10，V＝{V₁,V₂,...,V₁₀}，V₁,V₂示意图如图2所示。

3、本实施例中，将路口节点的密集程度分为5个等级，A1、A2、A3、A4、A5，采用交通运行指数作为交通区域道路路径的权重值，交通指数范围为0～10，分为五个等级：B1、B2、B3、B4、B5，分别指畅通(0-2)、基本畅通(2-4)、缓行(4-6)、较拥堵(6-8)、拥堵(8-10)。

4、根据路口节点的密集程度、交通区域平均交通运行指数、车辆行驶路径经过的分类个数，将历史样本数据进行划分，历史样本数据符合的划分到组；

路口节点密集程度高表示这块区域的路口节点多，车辆可以选择行驶的道路多，有利于路径规划的修正，路口节点密集程度低表示这块区域的路口节点少，车辆一旦选择一条道路行驶，则变更行驶道路的可能性较小；交通区域平均交通运行指数，交通高峰时段时平均交通运行指数较高，交通普通时段时平均交通运行指数较低；车辆行驶路径经过的分类个数越少，说明车辆初始位置与目标位置的距离越近。这样数据分类优点说明：车辆行驶需求的相似程度高于按时间或按区域的数据分类，提供更为准确的样本数据，便于建立更为适用的模型。

如下表1所示，车辆编号为NO.1457和NO.1853的数据划分到同一组样本数据

表1

5、求样本数据的最佳方向权重因子α和交通运行指数权重因子β，样本数据包括车辆编号为NO.1457和NO.1853在内的共有15789条样本数据；

5.1随机产生α、β=1-α，α≤1；

5.2从第一条历史行驶轨迹的初始位置开始，提取车辆编号为NO.1457的车辆行驶轨迹初始位置O（v₀）、目标位置D（v₁₀），车辆行驶时的实时交通运行指数；

如图3所示，车辆在初始位置O时，可选择的行驶道路有和对应的路径选择因子分别为：

$b_{O,v_1}=\mathrm{\&alpha;}\frac{<\stackrel{\&OverBar;}{OD},\stackrel{\&OverBar;}{{\mathrm{Ov}}_1}>}{<\stackrel{\&OverBar;}{OD},\stackrel{\&OverBar;}{{\mathrm{Ov}}_1}>+<\stackrel{\&RightArrow;}{OD},\stackrel{\&OverBar;}{{\mathrm{Ov}}_3}>}+\mathrm{\&beta;}\frac{f\left(r_{O,v_1}\right)}{f\left(r_{O,v_1}\right)+f\left(r_{O,v_3}\right)}$

$b_{O,v_3}=\mathrm{\&alpha;}\frac{<\stackrel{\&OverBar;}{OD},\stackrel{\&OverBar;}{{\mathrm{Ov}}_3}>}{<\stackrel{\&OverBar;}{OD},\stackrel{\&OverBar;}{{\mathrm{Ov}}_1}>+<\stackrel{\&RightArrow;}{OD},\stackrel{\&OverBar;}{{\mathrm{Ov}}_3}>}+\mathrm{\&beta;}\frac{f\left(r_{O,v_3}\right)}{f\left(r_{O,v_1}\right)+f\left(r_{O,v_3}\right)}$

比较行驶道路和的路径选择因子，选择行驶道路根据当时的交通运行指数换算车辆在道路的行驶时间

以此类推， 获得车辆编号为NO.1457 的车辆一条可行路径为O→v₃→v₄→v₅→v₆→v₇→D；

行驶时间为

5.3包括车辆编号为NO.1457和NO.1853在内的共有15789条样本数据，计算总行驶时间th；

5.4以总行驶时间th最小为目标函数，采用寻优算法求得每组样本数据的最佳方向权重因子α和交通运行指数权重因子β。本实施例中采用遗传算法求得样本数据的最佳方向权重因子α＝0.83和交通运行指数权重因子β＝0.17。

三、利用训练好的路径规划模型为驾驶人提供路径规划

当驾驶人输入初始位置、目标位置时，判断当前情况符合采用组对应的最佳方向权重因子α和交通运行指数权重因子β，获得规划路径。

以上的所述乃是本发明的具体实施例及所运用的技术原理，若依本发明的构想所作的改变，其所产生的功能作用仍未超出说明书及附图所涵盖的精神时，仍应属本发明的保护范围。

Claims (10)

1.一种路径规划方法，其特征在于包括如下步骤：

(1)设路网结构为G(V,R,F)，V为路网中路口节点的集合，R为道路路径的集合，F为道路路径的权重值的集合，路口节点v_i(x_i,y_i)∈V，两个路口之间的路段构成道路路径r_i,j＝＜v_i,v_j＞∈R，道路路径的权重值f(r_i,j)∈F；其中，x_i，y_i分别为路口节点v_i的横、纵坐标位置；设车辆行驶轨迹为S(O,D,V_S,R_S,F_S,T_S)，O(x_O,y_O)为车辆行驶轨迹的起始位置，D(x_D,y_D)为车辆行驶轨迹的目标位置，V_S为车辆行驶轨迹经过的路口节点的集合，R_S为车辆行驶轨迹经过的道路路径的集合，F_S为车辆行驶轨迹经过的道路路径的权重值的集合，T_S为车辆行驶轨迹经过路口节点的时间的集合；

(2)以车辆当前位置与目标位置之间的直线为基准线，根据当前位置可选道路路径和基准线的偏离程度、当前位置可选道路路径的权重值，加权计算得到路径选择因子，建立路径规划模型；

(3)根据历史样本数据训练得到路径规划模型的参数；

(4)利用训练好的路径规划模型提供路径规划。

2.根据权利要求1所述的一种路径规划方法，其特征在于：所述加权计算路径选择因子的计算公式如下：

$b_{t,l}=\mathrm{\&alpha;}\frac{<\stackrel{\&OverBar;}{pD},\stackrel{\&RightArrow;}{v_t{v}_l}>}{\underset{l=1}{\overset{l=m}{\&Sigma;}}<\stackrel{\&RightArrow;}{pD},\stackrel{\&RightArrow;}{v_t{v}_l}>}+\mathrm{\&beta;}\frac{f\left(r_{t,l}\right)}{\underset{l=1}{\overset{l=m}{\&Sigma;}}f\left(r_{t,l}\right)}$

其中，α为偏离程度的影响因子，β为道路路径的权重值的影响因子，α+β＝1；p为当前位置，D为目标位置，为当前位置与目标位置构成的向量，v_t为最近经过的路口节点，v_l为与v_t构成关联路段的下一个路口节点，为可选行驶路段方向。

3.根据权利要求2所述的一种路径规划方法，其特征在于：所述v_t为最近经过的路口节点的定义为当前位置在路口节点时，v_t为p，当前位置在道路时，v_t为沿道路行驶经过的第一个路口节点。

4.根据权利要求1所述的一种路径规划方法，其特征在于：所述步骤(3)根据历史样本数据训练得到路径规划模型的参数的步骤如下：

1)采集历史车辆行驶数据和反映道路路径权重值的交通数据，作为历史样本数据；

2)根据交通区域内路口节点的地理位置对所有路口节点进行聚类，采用K-means聚类方法对求最小值，并将路口节点分成K类，V＝{V₁,V₂,...,V_k,...,V_K}，V_k为第k组路口节点集合，μ_k为V_k的平均值；

3)计算每组分类的路口节点的密集程度η；

4)根据车辆行驶的初始位置、目标位置所在分类的路口节点的密集程度、交通区域道路路径的权重值的平均值、车辆行驶路径经过的分类个数，将历史样本数据进行划分；

5)计算划分得到的每组样本数据的最佳方向权重因子α和交通运行指数权重因子β。

5.根据权利要求4所述的一种路径规划方法，其特征在于：所述步骤3)的η为每组分类包含的路口节点数/路口节点覆盖的地理面积。

6.根据权利要求4所述的一种路径规划方法，其特征在于：将历史样本数据的划分方法为将路口节点的密集程度分为M个等级、交通区域道路路径的权重值的平均值分为N个等级，车辆行驶路径经过的分类个数为kk，历史样本数据符合的划分到组；

其中，V_O、V_D为初始位置和目标位置的路口节点集合，η_O,m1表示初始位置的路口节点的密集程度为第m1等级，η_D,m2表示目标位置的路口节点的密集程度为第m2等级，表示交通区域道路路径的权重值的平均值为第n个权重值。

7.根据权利要求4所述的一种路径规划方法，其特征在于：所述步骤5)计算最佳方向权重因子α和交通运行指数权重因子β的方法如下：

(a)随机产生α、β＝1-α；

(b)基于样本数据内的H条历史行驶轨迹提取H条可行路径，并计算H条可行路径的总行驶时间th；

(c)以H条可行路径的总行驶时间th最小为目标函数，采用寻优算法求得每组样本数据的最佳方向权重因子α和交通运行指数权重因子β。

8.根据权利要求7所述的一种路径规划方法，其特征在于：所述步骤(b)提取样本数据内的H条可行路径，并计算H条可行路径的总行驶时间th的方法如下：

(A)从第一条历史行驶轨迹的初始位置开始，行驶至路口节点v_t时，当前位置与目标位置构成的向量R中搜索所有与v_t关联的道路路径r_t,l，构成道路方向向量与道路方向之间的夹角为

(B)计算路径选择因子b_t,l，选择b_t,l最小值对应的道路路径；

(C)重复执行步骤(A)、(B)直至行驶到目标位置，获得一条可行路径S_h(O_h,D_h,V_S,h,R_S,h,F_S,h,T_S,h)；

(D)重复步骤(A)、(B)、(C)，获得H条可行路径，并计算H条可行路径的总行驶时间th。

9.根据权利要求1所述的一种路径规划方法，其特征在于：所述利用训练好的路径规划模型提供路径规划时只需输入初始位置及目标位置。

10.根据权利要求1所述的一种路径规划方法，其特征在于：所述步骤(1)中定义的道路路径的权重值可采用交通运行指数、道路通行成本、道路平均车速中的任意一种。