CN110264748A - 一种基于城市大脑和v2x的行车精确路由策略 - Google Patents

Abstract

本发明提供了一种基于城市大脑和V2X的行车精确路由策略，包括如下步骤：城市大脑出行路径计算，包括A*路由、加入路由流量、自适应权重分配、以及初始化全局路；路口流量预测和优化，包括历史流量数据统计、红绿灯信号配时、阻塞流量疏导、以及配时恢复；以及路由优化和被动避障，包括路由道路的采样、平滑曲线连接各层采样点、路径生成、路径代价计算、以及最优路径选择。本发明的全局路由兼顾路径最短和流量分配：本次发明将行车路径代价和流量拥堵代价统一起来，全局上重新规划流量路径有助于在一定程度上缓解了某些路口通行压力过大的问题；本发明在构建了全局路由后还精确到具体道路级别，帮助具体车辆的精确路径选择。

Description

一种基于城市大脑和V2X的行车精确路由策略

技术领域

本发明属于车载通信技术领域，尤其是涉及一种基于城市大脑和V2X的行车精确路由策略。

背景技术

随着我国城市居民私家用车的普及使用，城市道路交通问题被无限放大。传统的城市交通采用摄像头作为监控的主要设备、将图像信息传回应急指挥中心，使用绿波带路由配时配合应急语音调度完成局部路由优化，这种策略在面临瞬时高流量和紧急异常时依然面临着巨大的挑战。

路网结构是城市交通流量的路由和轨迹规划的基础，作为目前主流的路网结构，静态路网结构刻画了道路的拓扑结构、车辆流量和空间配时，为局部路由路径规划和实时动态监测提供基础信息；摄像头监测主要部署在交通的十字路口处和信息采集处，起到场景抓拍和视频采集作用，为交通控制室提供决策的原始数据源；绿波带路由是在静态路网基础结构上提出的保持行车最大程度上通行的一类策略，其核心思想是通过建立各个路口的二次规划数学模型来得到路口的配时参数；此后根据信号灯配时准则进行交通信号灯的精准配时，来完成城市道路宏观层面的通行控制；局部路由寻优策略是在静态路网结构基础上提出的一种通过调节车辆等待排队时间等其他路网参数增强城市行车路由能力的优化方法，为行车路由的局部调优提供了备选方案。

在这其中集中管控的交通路口信号灯配时在面临动态变化的行车流量时，由于没有对流量预判的鲁棒性、局部路由寻优策略往往不能即时疏导阻塞造成城市交通主干道瘫痪，此外面对城市交通中的突发状况目前只能使用摄像头进行被动监测、并不能通过某种主动防护措施避免突发险情的发生，本发明正是针对上述的缺陷提出的针对性解决方案。

发明内容

有鉴于此，本发明旨在提出一种基于城市大脑和V2X的行车精确路由策略，以解决上述背景技术中提到的问题。

为达到上述目的，本发明的技术方案是这样实现的：

一种基于城市大脑和V2X的行车精确路由策略，包括如下步骤

步骤1、城市大脑出行路径计算，包括A*路由、加入路由流量、自适应权重分配、以及初始化全局路由；

步骤2、路口流量预测和优化，包括历史流量数据统计、红绿灯信号配时、阻塞流量疏导、以及配时恢复；

步骤3、以及路由优化和被动避障，包括路由道路的采样、平滑曲线连接各层采样点、路径生成、路径代价计算、以及最优路径选择。

进一步的，所述步骤1具体包括如下步骤：

步骤1.1、硬件设备开启：初始化云平台、将各类历史数据储存在云中；初始化RSU帮助获取道路统计信息；

步骤1.2、初始化V2X通信；

步骤1.3、A*路由：A*路由1构造了代价函数是f＝g+h,其中g是从起始位置到实时位置的代价，h是从实时位置到目的地的代价，每一步都找到最小的f做出决策，生成最短路径L_raw；

步骤1.4、代价函数加入路由流量修正L_raw：g＝g1(距离)+车平均速度/g2*这段距离内观测的车辆数(流量)；h＝h1(距离)+车平均速度/h2*这段距离内观测的车辆数(流量)；

步骤1.5、自适应权重分配：距离在改进全局路由策略中的权重w＝(h1+g1)/(h+g)，流量权重w’＝(h2+g2)/(h+g)；

步骤1.6、初始化全局路由：根据改进A*最小化代价的方式得到路由道路采样点坐标P_ij＜＞。

进一步的，所述步骤2具体包括

步骤2.1、历史流量数据统计：获取城市各个路段交叉口进口道左转、直行和右转的流量Q_ij-left、Q_ij-right和Q_ij-straight的实时数据，求取在在城市网络中各个路口中的左转平均统计量右转平均统计量和直行平均统计流量

步骤2.2、设定配时周期：根据设定初始配时周期，其中总损失时间表示为L、交叉口交通流量比Y；

步骤2.3、红绿灯信号配时：按照Webster模型配时得到有效绿灯时间t_{effective-green}、显示绿灯时间t_{display-green}、有效红灯时间t_{effective-red}、显示红灯时间t_display-red作为城市交通路口信号灯基准时间；

步骤2.4、阻塞流量疏导：当某路口阻塞时，按照{(t(i,j)＝t0+@t/(i+j):其中i,j＝1，2，3，4，5是指某路段与最近的非阻塞路段组的间隔、t0是该路段原来的绿灯配时通行时间、@t是最近的非阻塞路段增加的通行时间}微调阻塞路段及相邻非阻塞路段的绿灯通行时间；使用图遍历算法依次修正每个路口的有效绿灯时间t'_{effective-green}、显示绿灯时间t'_{display-green}、有效红灯时间t'_{effective-red}、显示红灯时间t'_display-red；

步骤2.5、配时恢复；

步骤2.6、截断周期判断：如果全图恢复标准配时的总时间在τ'之内，则对图中的所有配时进行恢复；否则截断图内所有的绿灯配时更新直到完成本轮配时恢复。

进一步的，所述步骤2.5具体包括

步骤2.5.1、截断周期：如果恢复时间还在上一个阻塞流量疏导周期之内，则截断上一个阻塞流量疏导周期，开始配时恢复；

步骤2.5.2、获取各路口绿灯配时数据：找到机动车通行最为顺畅的路段L，选择具有最高绿灯配时时间的路口作为最优路口cross_proi，另一个作为次优路口；

步骤2.5.3、次优路口邻接最优比较：比较最优路口相邻的三个临界路口和次优路口的绿灯配时时间，选择新的新的最优路口cross_proi；

步骤2.5.4、选出最优路口恢复配时：将这个最优路口cross_proi恢复配时；

步骤2.5.5、遍历城市道路图、判断图内的是否所有的路口均恢复了标准配时，如果恢复了则进入下一步，否则退回到步骤2.5.4，寻找新的比较。

进一步的，所述步骤3具体包括步骤3.1、路由道路点采样：根据改进的全局路由策略在初步生成的路由点P_ij＜＞每隔一段距离进行一次采样，在每组采样聚集点均匀洒下采样点；

步骤3.2、平滑曲线连接各层采样点：将步骤1生成的采样点在层之间排列连接，生成初步的路由曲线的路径规划曲线L＜＞；

步骤3.3、路径生成：在连接点的过程中每条曲线都要保证是最平滑的样条曲线，严格检验曲线及其一次导函数L'＜＞和二次导函数的凸性和L”＜＞的可微性；

步骤3.4、代价计算：使用历史采样得到的非机动车的行驶路径L_non-motor和机动车行驶路径L_vechile来构造路径代价，在V2X被动避障策略预测中可能途径的采样点按照高斯分布赋予概率代价，即越不可能经过的采样点其对应的概率代价越接近于高斯函数的中间、越有可能过的采样点其对应的概率代价越接近于高斯函数的两边，形成采样点组之间的连接；

步骤3.5、最优路径选择：选择诸多备选路径中选择代价最小的采样点加入到先前的路径之中，形成精确的车辆路由L_acu＜＞。

相对于现有技术，本发明所述的一种基于城市大脑和V2X的行车精确路由策略具有以下优势：

(1)本发明的全局路由兼顾路径最短和流量分配：本次发明将行车路径代价和流量拥堵代价统一起来，全局上重新规划流量路径有助于在一定程度上缓解了某些路口通行压力过大的问题

(2)本发明在引入V2X和城市大脑技术之前对于机动车前突然出现的行人是很难及时制动的，本次发明通过V2X实现机动车与非机动车、城市大脑和行人的及时通讯，为快速出现的非机动车被动避障提供可能性；

(3)本次发明在构建了全局路由后还精确到具体道路级别，帮助具体车辆的精确路径选择。

附图说明

构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明实施例所述的基于城市大脑和V2X的行车路由策略总图示意图；

图2为本发明实施例所述的路由局部优化示意图；

图3为本发明实施例所述的流量阻塞路段绿灯时长恢复示意图；

图4为本发明实施例所述的基于城市大脑和V2X的行车精确路由策略控制流示意图。

具体实施方式

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

下面将参考附图并结合实施例来详细说明本发明。

对于城市主干道路的带宽利用率低下问题，本发明借鉴基于城市大脑的路由寻优技术方案，将行车的最短距离与道路预测流量标准化统一、并以此为标准进行路由寻优，兼顾了道路流量与行车效率，完成了全局路由；针对流量预判弱鲁棒性问题，我们给出基于历史数据和预测数据的红绿灯信号灯配时方案并进行了阻塞流量疏导与恢复，完成了全局调优；最后针对突发状况，补充加入了交通弱势群体基于城市大脑和V2X的被动避障策略，将其融入到局部路由调优之中，形成完整的行车轨迹路由策略。具体实现过程如下

参阅图1，本发明揭示了一种基于城市大脑和V2X的行车路由策略，该策略使得车与城市大脑和其它车辆进行V2X通信，本发明包括改进的全局路由策略、V2X被动避障策略、流量配时与阻塞优化策略和总体策略。

改进的全局路由策略中由4个子步骤组成，分别是A*路由1，加入路由流量2，自适应权重分配3和初始化全局路由4。

步骤1、A*路由1构造了代价函数是f＝g+h，其中g是从起始位置到实时位置的代价，h是从实时位置到目的地的代价，每一步都找到最小的f做出决策，生成最短路径。

步骤2、为了将城市的流量信息也作为生成城市路由的考虑因子，我们将g分为两个部分g1和g2，其中g1表示从起始位置到实时位置距离信息的度量，g2表示从起始位置到实时位置预测流量信息的度量；h也做类似的处理，h1表示从实时位置到目的地距离信息的度量，h2表示从实时位置到目的地预测流量信息的度量。我们给出距离与流量代价的统一：g＝g1(距离)+车平均速度/g2*这段距离内观测的车辆数(流量)；h＝h1(距离)+车平均速度/h2*这段距离内观测的车辆数(流量)。

步骤3、随后需要确定统一后权重的分配：使用加权平均法分配距离与预测流量的代价，预测到的流量数据量越大、流量权值所占的加权比例越高；给出距离在改进全局路由策略中的权重w＝(h1+g1)/(h+g)。

步骤4、最后在初始化全局路由中使用改进的全局路由策略进行城市路由的策略的初始化，得到在步骤6中使用的路由道路采样点坐标P_ij＜＞。

步骤5、在V2X被动避障策略模块需要城市大脑实时获取非机动车的行驶路径L_non-motor和机动车行驶路径L_vechile；在机动车和非机动车上安装V2X芯片、开启芯片后保持V2X通信，并且圈定汽车感知其它障碍物的最大感知范围R_max。

步骤6、在最大感知范围内每辆汽车实时计算所有障碍物的运行轨迹和行驶速度，使用路由局部优化流程生成该车辆的运行轨迹，请参阅图2所示，路由局部优化流程由如下五个步骤组成：

步骤6.1、路由道路点采样：根据改进的全局路由策略在初步生成的路由点P_ij＜＞每隔一段距离进行一次采样，在每组采样聚集点均匀洒下采样点；

步骤6.2、平滑曲线连接各层采样点：将步骤1生成的采样点在层之间排列连接，生成初步的路由曲线的路径规划曲线L＜＞；

步骤6.3、路径生成：在连接点的过程中每条曲线都要保证是最平滑的样条曲线，严格检验曲线及其一次导函数L'＜＞和二次导函数的凸性和L”＜＞的可微性；

步骤6.4、代价计算：使用历史采样得到的非机动车的行驶路径L_non-motor和机动车行驶路径L_vechile来构造路径代价，在V2X被动避障策略预测中可能途径的采样点按照高斯分布赋予概率代价，即越不可能经过的采样点其对应的概率代价越接近于高斯函数的中间、越有可能过的采样点其对应的概率代价越接近于高斯函数的两边，形成采样点组之间的连接；

步骤6.5、最优路径选择：选择诸多备选路径中选择代价最小的采样点加入到先前的路径之中，形成精确的车辆路由L_acu＜＞。

步骤7、碰撞区域预测警告：在生成了精确的车辆路由之后，使用同样的方法标记出非本机动车的运动轨迹l_acu＜＞，预测如果在某个时间点障碍物轨迹与汽车轨迹在某个邻域R内有交叠则被判定为被动碰撞，如果即将发生被动碰撞，则由城市大脑通过V2X提前传回机动车预警信息以使得驾驶者做出制动。

步骤8、历史流量数据预测：在流量配时与阻塞优化中根据流量历史数据做出可变配时、并在局部区域进行局部路由优化，首先需要获取第i相交叉口的单车延误d_i、第i相的车辆到达率q_i、总损失时间L和交叉口交通流量比Y、相位信号的损失时间l、一周期中的全红时间AR和信号的相位数n等统计数据，并实时获得RSU采集得到城市各个路段交叉口进口道左转、直行和右转的流量Q_ij-left、Q_ij-right和Q_ij-straight等实时数据。

步骤9、红绿灯信号配时：按照Webster模型计算流量比、信号损失、通行周期，然后基于此得到有效绿灯时间t_{effective-green}、显示绿灯时间t_{display-green}、有效红灯时间t_{effective-red}、显示红灯时间t_display-red的配时结果。

步骤10、阻塞流量疏导：当某一路段排队流量超过阈值tresh_ij时认为道路阻塞，此时启动阻塞流量疏导方案,通过V2X将各个路口实时路况反馈给城市大脑，在城市大脑找到距离阻塞路段最近的非阻塞路段，按照{(t(i,j)＝t0+@t/(i+j):其中i,j＝1，2，3，4，5是指某路段与最近的非阻塞路段组的间隔、t0是该路段原来的绿灯配时通行时间、@t是最近的非阻塞路段增加的通行时间}微调阻塞路段及相邻非阻塞路段的绿灯通行时间；对于由多个阻塞中心同时引起的阻塞路口通行时间改变要选择最大的@t，某路口t'(i,j)使用图遍历算法先找到图中最大@t对应的路口、在该路口设定新的新的绿灯配时时间，然后依次回溯直到找到该路口t'(i,j)绿灯配时调整时间，这样直到遍历图中所有路口完成绿灯配时修改。

步骤11、流量阻塞路段绿灯时长的恢复：恢复的过程主要由周期截断、绿灯配时比较和恢复配时等子步骤组成，见图3所示：

步骤11.1、保证在上一个周期τ之中所有路口的重配时已完成。

步骤11.2、城市大脑实时监测路网各个路段的流量Q和各路口绿灯配时数据t_{effective-green}和t_{display-green}。在本采样周期τ内，首先找到机动车通行最为顺畅的路段L，选择具有最高绿灯配时时间的路口作为最优路口cross_proi，另一个作为次优路口；

步骤11.3、然后比较最优路口相邻的三个临界路口和次优路口的绿灯配时时间，选择新的、最长的绿灯配时时间作为新的最优路口cross_proi。

步骤11.4、将这个最优路口cross_proi恢复配时。

步骤11.5、遍历城市道路图、判断图内的是否所有的路口均恢复了标准配时，如果恢复了则进入下一步，否则退回到步骤11.3，寻找新的比较。

步骤11.6、判断完成全图恢复标准配时的总时间是否在τ'之内，如果全图恢复标准配时的总时间在τ'之内，则对图中的所有配时进行恢复；否则截断图内所有的绿灯配时更新直到完成本轮配时恢复。

到目前为止，我们给出了本次基于城市大脑和V2X的行车轨迹路由策略所有核心模块，图1所示的步骤12、13和14就是将上述11个核心步骤重新组合，形成完整的行车精确路由策略，如图4所示：具体步骤如下

步骤1、城市大脑出行路径计算

步骤1.1、硬件设备开启：初始化云平台、将各类历史数据储存在云中(前向距离数据S_front、后向距离数据S_behind、前向流量数据Q_front、后向流量数据Q_behind)；初始化RSU帮助获取道路统计信息(第i相交叉口的单车延误d_i、第i相的车辆到达率q_i、总损失时间L和交叉口交通流量比Y、相位信号的损失时间l、一周期中的全红时间AR和信号的相位数n，城市各个路段交叉口进口道左转、直行和右转的流量Q_ij-left、Q_ij-right和Q_ij-straight)；

步骤1.2、初始化V2X通信(车与车之间的最大感知范围为其中r为车与RSU的最远感知距离，m为该车在r范围车的数量)；

步骤1.3、A*路由：根据上文介绍的A*路由算法生成最短路径L_raw；

步骤1.4、代价函数加入路由流量修正L_raw：g＝g1(距离)+车平均速度/g2*这段距离内观测的车辆数(流量)；h＝h1(距离)+车平均速度/h2*这段距离内观测的车辆数(流量)；

步骤1.5、自适应权重分配：距离在改进全局路由策略中的权重w＝(h1+g1)/(h+g)，流量权重w’＝(h2+g2)/(h+g)；

步骤1.6、初始化全局路由：根据改进A*最小化代价的方式得到路由道路采样点坐标P_ij＜＞。

步骤2、路口流量预测和优化

步骤2.1、历史流量数据统计：获取城市各个路段交叉口进口道左转、直行和右转的流量Q_ij-left、Q_ij-right和Q_ij-straight等实时数据，求取在在城市网络中各个路口中的左转平均统计量右转平均统计量和直行平均统计流量

步骤2.2、设定配时周期：根据设定初始配时周期，其中总损失时间表示为L、交叉口交通流量比Y；

步骤2.3、红绿灯信号配时：按照Webster模型配时得到有效绿灯时间t_{effective-green}、显示绿灯时间t_{display-green}、有效红灯时间t_{effective-red}、显示红灯时间t_display-red作为城市交通路口信号灯基准时间；

步骤2.4、阻塞流量疏导：当某路口阻塞时，按照{(t(i,j)＝t0+@t/(i+j):其中i,j＝1，2，3，4，5是指某路段与最近的非阻塞路段组的间隔、t0是该路段原来的绿灯配时通行时间、@t是最近的非阻塞路段增加的通行时间}微调阻塞路段及相邻非阻塞路段的绿灯通行时间；使用图遍历算法依次修正每个路口的有效绿灯时间t'_{effective-green}、显示绿灯时间t'_{display-green}、有效红灯时间t'_{effective-red}、显示红灯时间t'_display-red；

步骤2.5、配时恢复：详细的绿灯时长的恢复方案见图三所示，主要经过以下步骤：

步骤2.5.1、截断周期：如果恢复时间还在上一个阻塞流量疏导周期之内，则截断上一个阻塞流量疏导周期，开始配时恢复；

步骤2.5.2、获取各路口绿灯配时数据：找到机动车通行最为顺畅的路段L，选择具有最高绿灯配时时间的路口作为最优路口cross_proi，另一个作为次优路口；

步骤2.5.3、次优路口邻接最优比较：比较最优路口相邻的三个临界路口和次优路口的绿灯配时时间，选择新的新的最优路口cross_proi；

步骤2.5.4、选出最优路口恢复配时：将这个最优路口cross_proi恢复配时；

步骤2.5.5、遍历城市道路图、判断图内的是否所有的路口均恢复了标准配时，如果恢复了则进入下一步，否则退回到步骤2.5.4，寻找新的比较；

步骤2.6、截断周期判断：如果全图恢复标准配时的总时间在τ'之内，则对图中的所有配时进行恢复；否则截断图内所有的绿灯配时更新直到完成本轮配时恢复。

步骤3、路由优化和被动避障

步骤3.1、路由道路点采样：根据改进的全局路由策略在初步生成的路由点P_ij＜＞每隔一段距离进行一次采样，在每组采样聚集点均匀洒下采样点；

步骤3.2、平滑曲线连接各层采样点：将步骤1生成的采样点在层之间排列连接，生成初步的路由曲线的路径规划曲线L＜＞；

步骤3.3、路径生成：在连接点的过程中每条曲线都要保证是最平滑的样条曲线，严格检验曲线及其一次导函数L'＜＞和二次导函数的凸性和L”＜＞的可微性；

步骤3.4、代价计算：使用历史采样得到的非机动车的行驶路径L_non-motor和机动车行驶路径L_vechile来构造路径代价，在V2X被动避障策略预测中可能途径的采样点按照高斯分布赋予概率代价，即越不可能经过的采样点其对应的概率代价越接近于高斯函数的中间、越有可能过的采样点其对应的概率代价越接近于高斯函数的两边，形成采样点组之间的连接；

步骤3.5、最优路径选择：选择诸多备选路径中选择代价最小的采样点加入到先前的路径之中，形成精确的车辆路由L_acu＜＞。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于城市大脑和V2X的行车精确路由策略，其特征在于：包括如下步骤：

步骤1、城市大脑出行路径计算，包括A*路由、加入路由流量、自适应权重分配、以及初始化全局路由；

步骤2、路口流量预测和优化，包括历史流量数据统计、红绿灯信号配时、阻塞流量疏导、以及配时恢复；

步骤3、以及路由优化和被动避障，包括路由道路的采样、平滑曲线连接各层采样点、路径生成、路径代价计算、以及最优路径选择。

2.根据权利要求1所述的一种基于城市大脑和V2X的行车精确路由策略，其特征在于：所述步骤1具体包括如下步骤：

步骤1.1、硬件设备开启：初始化云平台、将各类历史数据储存在云中；初始化RSU帮助获取道路统计信息；

步骤1.2、初始化V2X通信；

步骤1.3、A*路由：A*路由1构造了代价函数是f＝g+h,其中g是从起始位置到实时位置的代价，h是从实时位置到目的地的代价，每一步都找到最小的f做出决策，生成最短路径L_raw；

步骤1.4、代价函数加入路由流量修正L_raw：g＝g1(距离)+车平均速度/g2*这段距离内观测的车辆数(流量)；h＝h1(距离)+车平均速度/h2*这段距离内观测的车辆数(流量)；

步骤1.5、自适应权重分配：距离在改进全局路由策略中的权重w＝(h1+g1)/(h+g)，流量权重w’＝(h2+g2)/(h+g)；

步骤1.6、初始化全局路由：根据改进A*最小化代价的方式得到路由道路采样点坐标P_ij＜＞。

3.根据权利要求1所述的一种基于城市大脑和V2X的行车精确路由策略，其特征在于：所述步骤2具体包括

步骤2.1、历史流量数据统计：获取城市各个路段交叉口进口道左转、直行和右转的流量Q_ij-left、Q_ij-right和Q_ij-straight的实时数据，求取在在城市网络中各个路口中的左转平均统计量右转平均统计量和直行平均统计流量

步骤2.2、设定配时周期：根据设定初始配时周期，其中总损失时间表示为L、交叉口交通流量比Y；

步骤2.3、红绿灯信号配时：按照Webster模型配时得到有效绿灯时间t_{effective-green}、显示绿灯时间t_{display-green}、有效红灯时间t_{effective-red}、显示红灯时间t_display-red作为城市交通路口信号灯基准时间；

步骤2.4、阻塞流量疏导：当某路口阻塞时，按照{(t(i,j)＝t0+@t/(i+j):其中i,j＝1，2，3，4，5是指某路段与最近的非阻塞路段组的间隔、t0是该路段原来的绿灯配时通行时间、@t是最近的非阻塞路段增加的通行时间}微调阻塞路段及相邻非阻塞路段的绿灯通行时间；使用图遍历算法依次修正每个路口的有效绿灯时间t'_{effective-green}、显示绿灯时间t'_{display-green}、有效红灯时间t'_{effective-red}、显示红灯时间t'_display-red；

步骤2.5、配时恢复；

步骤2.6、截断周期判断：如果全图恢复标准配时的总时间在τ’之内，则对图中的所有配时进行恢复；否则截断图内所有的绿灯配时更新直到完成本轮配时恢复。

4.根据权利要求3所述的一种基于城市大脑和V2X的行车精确路由策略，其特征在于：所述步骤2.5具体包括

步骤2.5.1、截断周期：如果恢复时间还在上一个阻塞流量疏导周期之内，则截断上一个阻塞流量疏导周期，开始配时恢复；

步骤2.5.2、获取各路口绿灯配时数据：找到机动车通行最为顺畅的路段L，选择具有最高绿灯配时时间的路口作为最优路口cross_proi，另一个作为次优路口；

步骤2.5.3、次优路口邻接最优比较：比较最优路口相邻的三个临界路口和次优路口的绿灯配时时间，选择新的新的最优路口cross_proi；

步骤2.5.4、选出最优路口恢复配时：将这个最优路口cross_proi恢复配时；

步骤2.5.5、遍历城市道路图、判断图内的是否所有的路口均恢复了标准配时，如果恢复了则进入下一步，否则退回到步骤2.5.4，寻找新的比较。

5.根据权利要求1所述的一种基于城市大脑和V2X的行车精确路由策略，其特征在于：所述步骤3具体包括步骤3.1、路由道路点采样：根据改进的全局路由策略在初步生成的路由点P_ij＜＞每隔一段距离进行一次采样，在每组采样聚集点均匀洒下采样点；

步骤3.2、平滑曲线连接各层采样点：将步骤1生成的采样点在层之间排列连接，生成初步的路由曲线的路径规划曲线L＜＞；

步骤3.3、路径生成：在连接点的过程中每条曲线都要保证是最平滑的样条曲线，严格检验曲线及其一次导函数L'＜＞和二次导函数的凸性和L”＜＞的可微性；

步骤3.4、代价计算：使用历史采样得到的非机动车的行驶路径L_non-motor和机动车行驶路径L_vechile来构造路径代价，在V2X被动避障策略预测中可能途径的采样点按照高斯分布赋予概率代价，即越不可能经过的采样点其对应的概率代价越接近于高斯函数的中间、越有可能过的采样点其对应的概率代价越接近于高斯函数的两边，形成采样点组之间的连接；

步骤3.5、最优路径选择：选择诸多备选路径中选择代价最小的采样点加入到先前的路径之中，形成精确的车辆路由L_acu＜＞。