CN110135641A - 行驶方案优化方法、装置、智能驾驶优化系统 - Google Patents
行驶方案优化方法、装置、智能驾驶优化系统 Download PDFInfo
- Publication number
- CN110135641A CN110135641A CN201910409824.7A CN201910409824A CN110135641A CN 110135641 A CN110135641 A CN 110135641A CN 201910409824 A CN201910409824 A CN 201910409824A CN 110135641 A CN110135641 A CN 110135641A
- Authority
- CN
- China
- Prior art keywords
- traveling
- scheme
- current
- traveling scheme
- optimization
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000011156 evaluation Methods 0.000 claims abstract description 46
- 238000013433 optimization analysis Methods 0.000 claims abstract description 13
- 238000012804 iterative process Methods 0.000 claims description 16
- 230000005540 biological transmission Effects 0.000 claims description 15
- 238000005265 energy consumption Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 9
- 239000010410 layer Substances 0.000 description 4
- 239000007787 solid Substances 0.000 description 4
- 241001269238 Data Species 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002356 single layer Substances 0.000 description 2
- 241001515094 Inquisitor Species 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G06Q50/40—
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
本发明提供一种行驶方案优化方法、装置、智能驾驶优化系统，属于智能驾驶技术领域。本发明的行驶方案优化方法包括：接收各驾驶终端发送的行驶需求；根据各行驶需求确定对应的行驶方案，并设置迭代次数k为1；判断各行驶方案的信息数据是否同时满足评价条件；当满足时，向各驾驶终端对应发送当前的行驶方案；当不满足时，令迭代次数k加1，并对当前的各行驶方案进行优化分析，得到优化分析后的行驶方案作为当前行驶方案；判断当前迭代次数k是否大于预设阈值，若是，则向各驾驶终端对应发送行驶方案；若否，则返回上述判断是否满足预设的评价条件的步骤，直至得到满足评价条件的或者k大于预设阈值时，向各驾驶终端对应发送当前的行驶方案。
Description
技术领域
本发明属于智能驾驶技术领域，具体涉及一种行驶方案优化方法、装置、智能驾驶优化系统。
背景技术
随着5G和边缘云承载业务的快速增长，交通工具导航驾驶终端设备的数量迅速增加，交通工具导航驾驶终端所产生数据量已达到泽字节(ZB)级别。现有的平面单层式交通系统已无法适应日益增长的交通需求，导致交通拥塞延迟长、交通工具导航多依赖于人工辅助操作、平面单层式交通工具路线切换受限等问题日益突出。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一，提供一种交通拥塞延迟较短的行驶方案优化方法。
解决本发明技术问题所采用的技术方案是一种行驶方案优化方法，包括：
接收各驾驶终端发送的行驶需求；
根据各所述行驶需求确定对应的行驶方案，并设置迭代次数k为1；每个所述行驶方案的信息数据至少包括：拥塞延迟、能耗、总里程数；
判断各所述行驶方案的所述信息数据是否同时满足预设的评价条件；
当判断出满足所述评价条件时，向各驾驶终端对应发送当前的行驶方案；
当判断出不满足所述评价条件时，令当前的迭代次数k加1，并依照栈式稀疏矩阵单源最短路径优化策略，对当前的各行驶方案进行优化分析，得到优化分析后的行驶方案，作为当前行驶方案；
判断当前迭代次数k是否大于预设阈值，若k大于预设阈值，则向各驾驶终端对应发送当前的行驶方案；若k小于等于预设阈值，则返回上述判断各所述行驶方案的所述信息数据是否同时满足预设的评价条件的步骤，直至得到满足所述评价条件的或者k大于预设阈值时，向各驾驶终端对应发送当前的行驶方案。
优选的，每个所述行驶方案以三维信息向量的形式存储为：其中，k为当前迭代次数，i,j,t为所述行驶方案的三维坐标，i∈[1,m]，j∈[1,n]，t∈[1,q]，所述行驶方案基于所述三维坐标与所述行驶需求对应；为第k次迭代过程中，位置信息为i,j,t的所述行驶方案的拥塞延迟；为第k次迭代过程中，位置信息为i,j,t的所述行驶方案的能耗与总里程数成本比。
进一步优选的，所述依照栈式稀疏矩阵单源最短路径优化策略，对当前的各行驶方案进行优化分析，得到优化分析后的行驶方案，作为当前行驶方案的步骤包括：
根据当前的各行驶方案和历史行驶方案，依照预设的无监督学习方法获得与所述行驶需求对应的优化后的行驶方案；其中，每个所述当前的各行驶方案对应多个优化后的行驶方案；
根据所获得的各所述优化后的行驶方案，依照预设的深度极限最优化条件，选择出与每个所述行驶需求对应的一个优化后的行驶方案作为当前的行驶方案。
进一步优选的，所述无监督学习方法包括：
其中，为第k+1次迭代得到的优化后的对应三维坐标为(i,j,t)的行驶方案、为三维坐标为(i,j,t)的历史最小的拥塞延迟、为三维坐标为(i,j,t)的历史最小的能耗与总里程数成本比。
进一步优选的，所述行驶需求包括：源位置和目标位置；
所述深度极限最优化条件包括：
其中，为第k次迭代过程中，与三维坐标对应的行驶需求中的所述目标位置的经度值、为第k次迭代过程中，与三维坐标对应的行驶需求中的所述源位置的经度值、为第k次迭代过程中，与三维坐标对应的行驶需求中的所述目标位置的纬度值、为第k次迭代过程中，与三维坐标对应的行驶需求中的所述源位置的纬度值。
优选的，所述评价条件包括：
其中，i＝1,2,…m；j＝1,2,…n；t＝1,2,…,q。
解决本发明技术问题所采用的技术方案是一种行驶方案优化装置，包括：
接收单元，用于接收各驾驶终端发送的行驶需求；
第一方案确定单元，用于根据各所述行驶需求确定对应的行驶方案，并设置迭代次数k为1；每个所述行驶方案的信息数据至少包括：拥塞延迟、能耗、总里程数；
条件判断单元，用于判断各所述行驶方案的所述信息数据是否同时满足预设的评价条件；
优化分析单元，用于当所述条件判断单元判断出不满足所述评价条件时，令当前的迭代次数k加1，并依照栈式稀疏矩阵单源最短路径优化策略，对当前的各行驶方案进行优化分析，得到优化分析后的行驶方案，作为当前行驶方案；
迭代次数判断单元，用于判断当前迭代次数k是否大于预设阈值；若k小于等于预设阈值，则将当前的各所述行驶方案发送给条件判断单元，重新进行条件判断，直至得到满足所述评价条件的或者k大于预设阈值；
方案发送单元，用于当判断出满足所述评价条件时，向各驾驶终端对应发送当前的行驶方案；还用于若k大于预设阈值，则向各驾驶终端对应发送当前的行驶方案。
解决本发明技术问题所采用的技术方案是一种智能驾驶优化系统，包括：
上述的行驶方案优化装置；
多个驾驶终端，用于向所述接收单元发送行驶需求；还用于接收行驶方案。
优选的，所述智能驾驶优化系统还包括：
边缘服务器，用于根据所述行驶方案控制所述驾驶终端行驶。
进一步优选的，所述智能驾驶优化系统还包括：网络传输单元，用于传输所述行驶需求；和/或用于传输所述行驶方案。
附图说明
图1为本发明的实施例1的行驶方案的优化方法的流程图；
图2为本发明的实施例2的行驶方案的优化装置的框图。
具体实施方式
为使本领域技术人员更好地理解本发明的技术方案，下面结合附图和具体实施方式对本发明作进一步详细描述。
实施例1：
如图1所示，本实施例提供一种行驶方案优化方法，可针对驾驶终端发出的行驶请求给出相应的优化后的行驶方案。其中，在驾驶方案的优化过程中，结合多栈式稀疏矩阵、单源最短路径、深度无监督学习等方法，使优化后的行驶方案具有交通拥塞延迟短的优势，从而有助于交通工具导航智能化、立体多层式交通工具路线切换的实现。
本实施例中，驾驶终端可为汽车，导航仪等，优选为自动驾驶汽车。本实施例中以驾驶终端为自动驾驶汽车为例进行具体说明。
该行驶方案优化方法包括如下步骤：
S1、接收各驾驶终端发送的行驶需求。
其中，行驶需求可为路径规划请求，具体可包括源位置、目标位置等。
本实施例中，具体可疑是通过驾驶终端主动上报驾驶需求，也可以是行驶方案的优化装置根据预设的周期询问机制定期向驾驶终端询问获取行驶需求。
S2、根据各行驶需求确定对应的行驶方案，并设置迭代次数k为1；每个行驶方案的信息数据至少包括：拥塞延迟、能耗、总里程数。
可以理解的是，本实施例中，驾驶终端可能会有多个。
本步骤中，根据各驾驶终端的行驶需求分别制定出相应的行驶方案。对于相同的行驶需求，可以给出不同的行驶方案，由于其给出的具体路径不同，故其对应的拥塞延迟、能耗、总里程数等信息数据也是不同的。也即每个行驶方案都具有特定的拥塞延迟、能耗、总里程数等信息数据，导致每个行驶方案各自有各自的优缺点。本实施例中，基于行驶方案的这些信息数据对行驶方案进行评价，以找出是适合驾驶终端执行的行驶方案。
优选的，本实施例中，每个行驶方案的信息数据以三维信息向量的形式存储为：其中，k为当前迭代次数，i,j,t为行驶方案的三维坐标，i∈[1,m]，j∈[1,n]，t∈[1,q]，行驶方案基于三维坐标与行驶需求对应；为第k次迭代过程中，位置信息为i,j,t的所述行驶方案的拥塞延迟；为第k次迭代过程中，位置信息为i,j,t的所述行驶方案的能耗与总里程数成本比。
S3、判断各行驶方案的信息数据是否同时满足预设的评价条件。
本实施例中，由于多个驾驶终端处于同一个大区域中，而对应不同驾驶终端的行驶需求的行驶方案可能会有冲突，故在这些车辆在实际根据行驶方案进行行驶时，可能会产生交通拥堵等不良情况。因此，本实施例的优化方法中，综合各行驶方案的行驶数据进行评价，判断各行驶方案的信息数据是否同时满足预设的评价条件，以选择对整体交通行驶最有利的行驶方案。
优选的，本实施例中，评价条件包括：
其中，i＝1,2,…m；j＝1,2,…n；t＝1,2,…,q。
本步骤中，依照评价条件对当前的各行驶方案进行评价，也即综合当前对应各行驶需求的行驶方案，判断其整体是否可行，若上述评价条件满足，则说明整体可行，当前的各行驶方案可输出；若上述评价条件不满足，则说明整体不可行，还需要对各行驶方案进行优化。
S4、当判断出满足评价条件时，向各驾驶终端对应发送当前的行驶方案。
本实施例中，当判断出上述各行驶方案满足评价条件时，则说明各行驶方案整体可行，此时可将当前的各行驶方案发送给对应的行驶终端。
S5、当判断出不满足评价条件时，令当前的迭代次数k加1，并依照栈式稀疏矩阵单源最短路径优化策略，对当前的各行驶方案进行优化分析，得到优化分析后的行驶方案，作为当前行驶方案。
本实施例中，当判断出上述各行驶方案不满足评价条件时，则需要对各行驶方案进行优化，以最终得到能够满足评价条件的行驶方案。
本步骤中，为对行驶方案的单次优化步骤。具体的，其可包括以下步骤：
S51、根据当前的各行驶方案和历史行驶方案，依照预设的无监督学习方法获得与行驶需求对应的优化后的行驶方案；其中，每个当前的各行驶方案对应多个优化后的行驶方案。
优选的，本实施例中基于各针对于各行驶需求的多个历史行驶方案的拥塞延迟、能耗与总里程数成本比对当前的行驶方案进行优化。具体的，无监督学习方法可包括：
其中，为第k+1次迭代得到的优化后的对应三维坐标为(i,j,t)的行驶方案、为三维坐标为(i,j,t)的历史最小的拥塞延迟、为三维坐标为(i,j,t)的历史最小的能耗与总里程数成本比。
由上述的无监督学习方法的公式可知，针对一个行驶方案，基于δ和π不同的取值，可以得到多个不同的优化后的行驶方案。
S52、根据所获得的各优化后的行驶方案，依照预设的深度极限最优化条件，选择出与每个行驶需求对应的一个优化后的行驶方案作为当前的行驶方案。
步骤S51中，每个行驶方案得到多个优化后的行驶方案，也即每个行驶需求对应有多个优化后的行驶方案。而实际上每个行驶需求只需要选择其中一个行驶方案即可。本步骤中，即是通过依照预设的深度极限最优化条件，选择出与每个行驶需求对应的一个优化后的行驶方案作为当前的行驶方案。
优选的，深度极限最优化条件包括：
其中，为第k次迭代过程中，与三维坐标对应的行驶需求中的目标位置的经度值、为第k次迭代过程中，与三维坐标对应的行驶需求中的源位置的经度值、为第k次迭代过程中，与三维坐标对应的行驶需求中的目标位置的纬度值、为第k次迭代过程中，与三维坐标对应的行驶需求中的源位置的纬度值。
S6、判断当前迭代次数k是否大于预设阈值，若k大于预设阈值，则向各驾驶终端对应发送当前的行驶方案；若k小于等于预设阈值，则返回上述判断各行驶方案的信息数据是否同时满足预设的评价条件的步骤，直至得到满足评价条件的或者k大于预设阈值时，向各驾驶终端对应发送当前的行驶方案。
步骤S5中得到的各行驶方案即为优化后的行驶方案。但是，在未利用评价条件对这些行驶方案进行评价之前，无法确定当前的这些优化后的行驶方案是否能够满足评价条件而得以输出。
本实施例中，在重新对当前的这些行驶方案进行评价之前，先对当前迭代次数k进行判断，当迭代次数达到预设阈值d时，可认为此时选出的推荐方案已无限接近于满足第一评价条件，故即使该推荐方案仍不能满足第一评价条件，也可输出该推荐方案，以避免无限次数地进行迭代优化，造成计算资源的浪费。其中，迭代次数k需满足k＝1,2,…,d的条件，其中，d优选为50。当迭代次数小于等于预设阈值d时，则返回步骤S3重新对当前的各行驶方案进行评价，即判断各行驶方案的信息数据是否同时满足预设的评价条件，以确定是输出当前的各行驶方案或是再次进行行驶方案的优化。通过如此一次次地迭代，将各行驶方案不断地进行优化，从而最终输出一个最优的行驶方案(即推荐方案)。
综上，本实施例提供的行驶方案优化方法中，基于各驾驶终端发送的行驶需求确定多个行驶方案，根据各行驶方案中的各信息数据、以及历史行驶方案中的历史信息数据等，确定当前的各行驶方案是否能够输出，当不满足输出条件(也即评价条件)时，通过对各行驶方案进行一次或者多次迭代优化分析，得出整体最优的行驶方案，从而使最终得出的行驶方案具有交通拥塞短，有助于交通工具导航智能化、立体多层式交通工具路线切换实现的效果。
实施例2：
如图2所示，本实施例提供一种行驶方案优化装置，其可根据实施例提供的行驶方案优化方法对驾驶终端的行驶需求进行处理，针对不同的行驶需求给出较优的行驶方案。该行驶方案优化装置包括：接收单元、第一方案确定单元、条件判断单元、优化分析单元、迭代次数判断单元和方案发送单元。其中，
接收单元用于接收各驾驶终端发送的行驶需求。
第一方案确定单元用于根据各行驶需求确定对应的行驶方案，并设置迭代次数k为1；每个行驶方案的信息数据至少包括：拥塞延迟、能耗、总里程数。
条件判断单元用于判断各行驶方案的信息数据是否同时满足预设的评价条件。
优化分析单元用于当条件判断单元判断出不满足评价条件时，令当前的迭代次数k加1，并依照栈式稀疏矩阵单源最短路径优化策略，对当前的各行驶方案进行优化分析，得到优化分析后的行驶方案，作为当前行驶方案。
迭代次数判断单元用于判断当前迭代次数k是否大于预设阈值；若k小于等于预设阈值，则将当前的各行驶方案发送给条件判断单元，重新进行条件判断，直至得到满足评价条件的或者k大于预设阈值。
方案发送单元用于当判断出满足评价条件时，向各驾驶终端对应发送当前的行驶方案；还用于若k大于预设阈值，则向各驾驶终端对应发送当前的行驶方案。
优选的，本实施例中还包括基础设施单元，用于向上述的接收单元、第一方案确定单元、条件判断单元、优化分析单元、迭代次数判断单元和方案发送单元等提供计算资源、IT虚拟资源、IT物理资源等的支持，保证行驶方案优化装置的工作运行。
本实施例提供的行驶方案优化装置，基于各驾驶终端发送的行驶需求确定多个行驶方案，根据各行驶方案中的各信息数据、以及历史行驶方案中的历史信息数据等，确定当前的各行驶方案是否能够输出，当不满足输出条件(也即评价条件)时，通过对各行驶方案进行一次或者多次迭代优化分析，得出整体最优的行驶方案，从而使最终得出的行驶方案具有交通拥塞短，有助于交通工具导航智能化、立体多层式交通工具路线切换实现的效果。
实施例3：
本实施例提供一种智能驾驶优化系统，包括：实施例2提供的任意一种行驶方案优化装置，以及多个驾驶终端，用于向接收单元发送行驶需求；还用于接收行驶方案。
优选的，智能驾驶优化系统还包括：边缘服务器，用于根据行驶方案控制驾驶终端行驶。该边缘服务器可设置于驾驶终端本地，其能够具驾驶终端接收到的行驶方案控制驾驶终端的行驶状态。在此需要说明的是，本实施例中，可以由驾驶终端将行驶方案传输给边缘服务器，也可以是由行驶方案优化装置直接将行驶方案穿出给边缘服务器。
优选的，智能驾驶优化系统还包括：网络传输单元，用于将驾驶终端发出的行驶需求通过网络传输至行驶方案优化装置，以及将优化后的行驶方案传输给驾驶终端。网络传输单元具体可包括：运营商基站、卫星等设备。
进一步的，智能驾驶优化系统还包括：网关单元，其可包括多个交通网关，用于保证行驶方案优化系统中网络传输的安全性。
本实施例提供的行驶方案优化系统中，驾驶终端发送行驶需求后，通过网络传输单元发送至行驶方案优化装置，行驶方案优化装置基于各驾驶终端发送的行驶需求确定出对应各行驶需求的，且整体可行性较高的行驶方案，并通过网络传输单元将各行驶方案返回至对应的各驾驶终端。其中，行驶方案优化装置在确定最优的行驶方案的过程中，通过对各行驶方案进行一次或者多次迭代优化分析，确定出其中最优的行驶方案，从而使最终得出的行驶方案交通拥塞短，有助于交通工具导航智能化、立体多层式交通工具路线切换实现的效果。
可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。
Claims (10)
1.一种行驶方案优化方法，其特征在于，包括：
接收各驾驶终端发送的行驶需求；
根据各所述行驶需求确定对应的行驶方案，并设置迭代次数k为1；每个所述行驶方案的信息数据至少包括：拥塞延迟、能耗、总里程数；
判断各所述行驶方案的所述信息数据是否同时满足预设的评价条件；
当判断出满足所述评价条件时，向各驾驶终端对应发送当前的行驶方案；
当判断出不满足所述评价条件时，令当前的迭代次数k加1，并依照栈式稀疏矩阵单源最短路径优化策略，对当前的各行驶方案进行优化分析，得到优化分析后的行驶方案，作为当前行驶方案；
判断当前迭代次数k是否大于预设阈值，若k大于预设阈值，则向各驾驶终端对应发送当前的行驶方案；若k小于等于预设阈值，则返回上述判断各所述行驶方案的所述信息数据是否同时满足预设的评价条件的步骤，直至得到满足所述评价条件的或者k大于预设阈值时，向各驾驶终端对应发送当前的行驶方案。
2.根据权利要求1所述的行驶方案优化方法，其特征在于，每个所述行驶方案以三维信息向量的形式存储为：其中，k为当前迭代次数，i,j,t为所述行驶方案的三维坐标，i∈[1,m]，j∈[1,n]，t∈[1,q]，所述行驶方案基于所述三维坐标与所述行驶需求对应；为第k次迭代过程中，位置信息为i,j,t的所述行驶方案的拥塞延迟；为第k次迭代过程中，位置信息为i,j,t的所述行驶方案的能耗与总里程数成本比。
3.根据权利要求2所述的行驶方案优化方法，其特征在于，所述依照栈式稀疏矩阵单源最短路径优化策略，对当前的各行驶方案进行优化分析，得到优化分析后的行驶方案，作为当前行驶方案的步骤包括：
根据当前的各行驶方案和历史行驶方案，依照预设的无监督学习方法获得与所述行驶需求对应的优化后的行驶方案；其中，每个所述当前的各行驶方案对应多个优化后的行驶方案；
根据所获得的各所述优化后的行驶方案，依照预设的深度极限最优化条件，选择出与每个所述行驶需求对应的一个优化后的行驶方案作为当前的行驶方案。
4.根据权利要求3所述的行驶方案优化方法，其特征在于，所述无监督学习方法包括：
其中，为第k+1次迭代得到的优化后的对应三维坐标为(i,j,t)的行驶方案、为三维坐标为(i,j,t)的历史最小的拥塞延迟、为三维坐标为(i,j,t)的历史最小的能耗与总里程数成本比。
5.根据权利要求3所述的行驶方案优化方法，其特征在于，所述行驶需求包括：源位置和目标位置；
所述深度极限最优化条件包括：
其中，为第k次迭代过程中，与三维坐标对应的行驶需求中的所述目标位置的经度值、为第k次迭代过程中，与三维坐标对应的行驶需求中的所述源位置的经度值、为第k次迭代过程中，与三维坐标对应的行驶需求中的所述目标位置的纬度值、为第k次迭代过程中，与三维坐标对应的行驶需求中的所述源位置的纬度值。
6.根据权利要求2所述的行驶方案优化方法，其特征在于，所述评价条件包括：
其中，i＝1,2,…m；j＝1,2,…n；t＝1,2,…,q。
7.一种行驶方案优化装置，其特征在于，包括：
接收单元，用于接收各驾驶终端发送的行驶需求；
第一方案确定单元，用于根据各所述行驶需求确定对应的行驶方案，并设置迭代次数k为1；每个所述行驶方案的信息数据至少包括：拥塞延迟、能耗、总里程数；
条件判断单元，用于判断各所述行驶方案的所述信息数据是否同时满足预设的评价条件；
优化分析单元，用于当所述条件判断单元判断出不满足所述评价条件时，令当前的迭代次数k加1，并依照栈式稀疏矩阵单源最短路径优化策略，对当前的各行驶方案进行优化分析，得到优化分析后的行驶方案，作为当前行驶方案；
迭代次数判断单元，用于判断当前迭代次数k是否大于预设阈值；若k小于等于预设阈值，则将当前的各所述行驶方案发送给条件判断单元，重新进行条件判断，直至得到满足所述评价条件的或者k大于预设阈值；
方案发送单元，用于当判断出满足所述评价条件时，向各驾驶终端对应发送当前的行驶方案；还用于若k大于预设阈值，则向各驾驶终端对应发送当前的行驶方案。
8.一种智能驾驶优化系统，其特征在于，包括：
权利要求7所述的行驶方案优化装置；
多个驾驶终端，用于向所述接收单元发送行驶需求；还用于接收行驶方案。
9.根据权利要求8所述的智能驾驶优化系统，其特征在于，还包括：
边缘服务器，用于根据所述行驶方案控制所述驾驶终端行驶。
10.根据权利要求8所述的智能驾驶优化系统，其特征在于，还包括：网络传输单元，用于传输所述行驶需求；和/或用于传输所述行驶方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910409824.7A CN110135641B (zh) | 2019-05-16 | 2019-05-16 | 行驶方案优化方法、装置、智能驾驶优化系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910409824.7A CN110135641B (zh) | 2019-05-16 | 2019-05-16 | 行驶方案优化方法、装置、智能驾驶优化系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110135641A true CN110135641A (zh) | 2019-08-16 |
| CN110135641B CN110135641B (zh) | 2021-07-13 |
Family
ID=67574700
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910409824.7A Active CN110135641B (zh) | 2019-05-16 | 2019-05-16 | 行驶方案优化方法、装置、智能驾驶优化系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110135641B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112492586A (zh) * | 2020-11-23 | 2021-03-12 | 中国联合网络通信集团有限公司 | 加密传输方案优化方法及装置 |
| US11092448B2 (en) | 2020-03-23 | 2021-08-17 | Alipay Labs (singapore) Pte. Ltd. | System and method for determining routing by learned selective optimization |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120158299A1 (en) * | 2008-12-11 | 2012-06-21 | Telogis, Inc. | System and method for efficient routing on a network in the presence of multiple-edge restrictions and other constraints |
| CN108830422A (zh) * | 2018-06-21 | 2018-11-16 | 中国联合网络通信集团有限公司 | 智能驾驶的优化方法、装置及系统 |
| CN109190821A (zh) * | 2018-08-30 | 2019-01-11 | 中国联合网络通信集团有限公司 | 基于边缘计算的灾难救援调度方法、装置和系统 |
| CN109242097A (zh) * | 2018-07-12 | 2019-01-18 | 上海交通大学 | 无监督学习的视觉表示学习系统及方法 |
| US20190042403A1 (en) * | 2018-03-20 | 2019-02-07 | Intel Corporation | Ordering of memory device mapping to reduce contention |
-
2019
- 2019-05-16 CN CN201910409824.7A patent/CN110135641B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120158299A1 (en) * | 2008-12-11 | 2012-06-21 | Telogis, Inc. | System and method for efficient routing on a network in the presence of multiple-edge restrictions and other constraints |
| US20190042403A1 (en) * | 2018-03-20 | 2019-02-07 | Intel Corporation | Ordering of memory device mapping to reduce contention |
| CN108830422A (zh) * | 2018-06-21 | 2018-11-16 | 中国联合网络通信集团有限公司 | 智能驾驶的优化方法、装置及系统 |
| CN109242097A (zh) * | 2018-07-12 | 2019-01-18 | 上海交通大学 | 无监督学习的视觉表示学习系统及方法 |
| CN109190821A (zh) * | 2018-08-30 | 2019-01-11 | 中国联合网络通信集团有限公司 | 基于边缘计算的灾难救援调度方法、装置和系统 |
Non-Patent Citations (2)
| Title |
|---|
| JIANLI HUANG: "Joint beamforming and antenna subarray formation for secrecy", 《2016 IEEE CONFERENCE ON COMMUNICATIONS AND NETWORK SECURITY (CNS)》 * |
| 谢小风: "无穷维向量最优化问题的最优性条件", 《经济数学》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11092448B2 (en) | 2020-03-23 | 2021-08-17 | Alipay Labs (singapore) Pte. Ltd. | System and method for determining routing by learned selective optimization |
| WO2021190137A1 (en) * | 2020-03-23 | 2021-09-30 | Alipay Labs (singapore) Pte. Ltd. | System and method for determining routing by learned selective optimization |
| CN112492586A (zh) * | 2020-11-23 | 2021-03-12 | 中国联合网络通信集团有限公司 | 加密传输方案优化方法及装置 |
| CN112492586B (zh) * | 2020-11-23 | 2023-05-23 | 中国联合网络通信集团有限公司 | 加密传输方案优化方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110135641B (zh) | 2021-07-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liao et al. | Cooperative ramp merging design and field implementation: A digital twin approach based on vehicle-to-cloud communication | |
| Ansari | Cooperative position prediction: Beyond vehicle-to-vehicle relative positioning | |
| CN106042963B (zh) | 电气化交通网络和电力系统的协同优化方法与系统 | |
| WO2015051289A1 (en) | System and method for vehicle energy estimation, adaptive control and routing | |
| CN106525058A (zh) | 一种车辆组队出行导航方法及装置 | |
| US11567495B2 (en) | Methods and systems for selecting machine learning models to predict distributed computing resources | |
| CN110135641A (zh) | 行驶方案优化方法、装置、智能驾驶优化系统 | |
| CN105034845A (zh) | 用于电动力车充电服务的方法及装置 | |
| CN105704031A (zh) | 一种数据传输路径确定方法及装置 | |
| CN113711655B (zh) | 用于预测终端到蜂窝网络的链接条件的修改的方法 | |
| Kamble et al. | On road intelligent vehicle path predication and clustering using machine learning approach | |
| CN102128630B (zh) | 导航方法和导航仪 | |
| Lee et al. | Design of V2X-based vehicular contents centric networks for autonomous driving | |
| CN109858951A (zh) | 新能源汽车加电或换电需求的预测 | |
| CN115560771A (zh) | 基于采样的路径规划方法及装置、自动行驶设备 | |
| Kezia et al. | Mobility models for internet of vehicles: a survey | |
| Nkenyereye et al. | Efficient RSU selection scheme for fog-based vehicular software-defined network | |
| Amudhavel et al. | An robust recursive ant colony optimization strategy in VANET for accident avoidance (RACO-VANET) | |
| CN107612967B (zh) | 一种基于群体智能的车联网服务对象发现方法 | |
| Kamiński et al. | Multiagent routing simulation with partial smart vehicles penetration | |
| CN110674990B (zh) | 设置滑动窗口更新机制的即时配送路径选择方法及系统 | |
| CN108334079A (zh) | 无人驾驶汽车路况信息实时获取方法 | |
| Deng et al. | Communication‐based predictive energy management strategy for a hybrid powertrain | |
| CN112504291B (zh) | 一种车辆导航的方法及装置 | |
| CN114500428B (zh) | 导航分享方法及装置、电子设备、存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |