CN110691957A - 基于深度卷积神经网络的路径规划系统和方法 - Google Patents
基于深度卷积神经网络的路径规划系统和方法 Download PDFInfo
- Publication number
- CN110691957A CN110691957A CN201780091314.9A CN201780091314A CN110691957A CN 110691957 A CN110691957 A CN 110691957A CN 201780091314 A CN201780091314 A CN 201780091314A CN 110691957 A CN110691957 A CN 110691957A
- Authority
- CN
- China
- Prior art keywords
- road
- target
- destination
- model
- paths
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3484—Personalized, e.g. from learned user behaviour or user-defined profiles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3492—Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Social Psychology (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种路径规划方法。所述方法可以由包括至少一个处理器和存储器的至少一个设备实现。所述方法可以包括一个或以上下列步骤:获取起始位置和目的地(610);基于所述起始位置和目的地,获取第一路口/基于先前迭代中路口的出口,获取当前出口(620);确定所述路口的目标入口(630);基于道路特征信息,确定与所述目标入口相对应的所述路口的目标出口(640);确定所述目标出口是否与所述目的地在同一路段(650);如果不是,返回步骤620,如果是,连接所述目标入口和所述目标出口(660);生成从所述起始位置到所述目的地的推荐路径(670)。
Description
技术领域
本申请涉及路径规划系统和方法,具体涉及基于深度卷积神经网络的路径规划系统和方法。
背景技术
基于地图的数字导航已变得越来越流行。当前基于地图的导航应用程序通常为用户推荐从他或她的起始位置到目的地的路径。然而,推荐的路径仅基于路网地图和某些预定的因素和规则(例如,要消耗的时间、路径长度、交通状况等)生成,因此,在不考虑用户特征和偏好的情况下,在现实场景中,该方法可能不适用。
发明内容
本申请一方面提供一种系统。所述系统可以包括至少一个存储介质以及与该至少一个存储介质通信的至少一个处理器。所述存储介质包括用于路径规划的一组指令。所述至少一个处理器可以执行所述一组指令。所述至少一个处理器可以接收编码起始位置和目的地的第一电子信号。所述至少一个处理器可以操作所述至少一个处理器中的逻辑电路以执行模型并顺序地确定按照顺序排列的道路路口序列。所述至少一个处理器可以操作所述至少一个处理器中的逻辑电路以执行所述模型并顺序地确定所述道路路口序列中每个道路路口的目标入口和目标出口,并基于所述道路路口序列的目标入口和目标出口确定从所述起始位置到所述目的地的推荐路径。
本申请的另一方面提供一种方法。所述方法可以由包括至少一个处理器和存储器的至少一个设备实现。所述方法可以包括一个或以上下列操作。所述设备可以接收编码起始位置和目的地的第一电子信号。所述设备可以操作所述至少一个处理器中的逻辑电路以执行模型并顺序地确定按照顺序排列的道路路口序列。所述设备可以操作所述至少一个处理器中的逻辑电路以执行所述模型并顺序地确定所述道路路口序列中每个道路路口的目标入口和目标出口,并基于所述道路路口序列的目标入口和目标出口确定从所述起始位置到所述目的地的推荐路径。
本申请的另一方面提供一种包含指令的非暂时性计算机介质。当电子设备执行所述非暂时性计算机可读介质时,所述指令可以使该电子设备的至少一个处理器执行一个或以上下列操作。所述至少一个处理器可以接收编码起始位置和目的地的第一电子信号。所述至少一个处理器可以操作所述至少一个处理器中的逻辑电路以执行模型并顺序地确定按照顺序排列的道路路口序列。所述至少一个处理器可以操作所述至少一个处理器中的逻辑电路以执行所述模型并顺序地确定所述道路路口序列中每个道路路口的目标入口和目标出口,并基于所述道路路口序列的目标入口和目标出口确定从所述起始位置到所述目的地的推荐路径。
在一些实施例中,所述至少一个处理器可以通过依次通过按照顺序排列的道路路口序列中每个道路路口的目标入口和目标出口来连接起始位置和目的地来确定推荐路径。
在一些实施例中,所述模型可以包括卷积层、修正线性单元ReLU层、全连接层或池化层中的至少一个。
在一些实施例中,所述第一电子信号可以编码包括所述起始位置和目的地的路网地图。所述第一电子信号还可以编码与该路网地图中的道路相关的道路特征信息。所述第一电子信号还可以进一步编码至少两条历史路径的结构化数据。所述至少一个处理器可以基于所述至少两条历史路径训练所述模型。所述至少一个处理器还可以基于所述模型和道路特征信息生成从起始位置到目的地的推荐路径。
在一些实施例中,道路特征信息可包括道路等级、道路长度、道路宽度、弯道半径、速度限制、交通限制、交通灯、交通事故或交通拥堵中的至少一个信息。
在一些实施例中,所述模型可以包括卷积神经网络CNN、包括作为CNN输入的三通道RGB图的路网地图、或者包括作为CNN输入的附加的图层通道的道路特征信息。
在一些实施例中,所述第一电子信号可包括从所述至少两条历史路径中选择至少两条目标路径。所述第一电子信号可以包括基于所述道路特征信息和至少两条目标路径生成从所述起始位置到目的地的路径。
在一些实施例中,所述至少两条目标路径中的每条目标路径的起始位置或目的地可以与在所述第一电子信号中编码的起始位置或目的地相同或相似。
在一些实施例中,所述至少两条目标路径的选择可包括一个或以上后续操作。所述至少一个处理器可以确定所述至少两条历史路径中的每条历史路径的质量。所述至少一个处理器可以基于所述至少两条历史路径的质量选择所述至少两条历史路径中的一些路径作为目标路径。
在一些实施例中,所述设备可以基于距离、预计到达时间ETA、安全程度、交通状况、道路类型或沿路风景中的至少一个来确定所述至少两条历史路径中的每条历史路径的质量。
附图说明
本申请将结合示例性实施例进一步进行描述。这些示例性的实施例将结合附图进行详细描述。这些实施例并不构成对本申请的限定,在各图中,相同的标号表示相同的结构,其中:
图1是根据本申请的一些实施例所示的示例性路径规划系统的框图;
图2是根据本申请的一些实施例所示的示例性计算设备的示意图;
图3是根据本申请的实施例所示的移动设备300的示例性硬件和/或软件组件的示意图;
图4是根据本申请的一些实施例所示的路径规划的示例性过程的流程图;
图5是根据本申请的一些实施例所示的路径规划的示例性过程的流程图;
图6是根据本申请的一些实施例所示的路径规划的示例性过程的流程图;
图7是根据本申请的一些实施例所示的训练和使用模型的示意图;
图8是根据本申请的一些实施例所示的指定出口的示意图;
图9是根据本申请的一些实施例所示的示例性通道的示意图;
图10是根据本申请的一些实施例所示的示例性通道的示意图;
图11是根据本申请的一些实施例所示的示例性通道的示意图;
图12是根据本申请的一些实施例所示的示例性通道的示意图;
图13是根据本申请的一些实施例所示的示例性通道的示意图;
图14是根据本申请的一些实施例所示的模型的示例性结构示意图。
具体实施方式
以下描述是为了使本领域技术人员能够实施和利用本申请,并提供在特定应用及其要求的上下文中。对于本领域技术人员来讲,对本申请披露的实施例进行的各种修改是显而易见的,并且本文中定义的通则在不背离本申请的实质及范围的情况下,可以适用于其他实施例及应用。因此,本申请不限于所示的实施例,而是被赋予与权利要求一致的最宽范围。
本文中所使用的术语仅为方便描述特定示例性实施例,并不旨在限制本发明。在本文中,除非上下文明确提示例外情形,“一”、“一个”和“该”并非特指单数,也可包括复数。可进一步理解的是,在本说明书中,术语“包括”与“包含”仅提示包括明确标识的特征、整体、步骤、操作、元素和/或组件,但并不排除存在或添加一个或以上其他特征、整体、步骤、操作、元素、组件和/或其组合的情况。
参看下面的说明以及附图,本申请的这些和其他特征、特点、操作方法、结构的相关元素的功能、部分的结合和制造的经济性可以被更好地理解,这些都成了本申请的一部分。然而,可以清楚地理解,附图仅用作说明和描述的目的,并不意在限制本申请的保护范围。可以理解的是,附图并非按比例绘制。
本申请中使用了流程图用于说明根据本申请的实施例的系统所执行的操作。可以清楚地理解,流程图中的操作可以不按顺序实施。相反,可以倒序或同时处理各种步骤。同时,也可以将一个或以上其他操作添加到这些流程图中。这些流程图中某一步或数步操作可以被移除。
本申请的系统和方法可以应用于不同的运输系统,包括陆地、海洋、航空航天等或其任意组合。运输系统的车辆可以包括人力车、旅行工具、出租车、专车、顺风车、公共汽车、铁路运输(例如,火车、子弹头列车、高速铁路和地铁)、船舶、飞机、宇宙飞船、热气球、无人驾驶车辆等或其任意组合。该运输系统还可以包括应用管理和/或分发的任何运输系统,例如,用于发送和/或接收快递的系统。
本申请的系统或方法的应用场景可以包括网页、浏览器的插件、客户端终端、定制系统、内部分析系统、人工智能机器人等或其任意组合。应当理解,本文公开的系统和方法的应用场景仅是一些示例或实施例。在没有进一步创造性努力的情况下,本领域普通技术人员可以将这些附图应用于其他应用场景。例如,其他类似的服务器。
本申请中的术语“乘客”、“请求者”、“请求方”、“服务请求者”、“服务请求方”和“客户”可互换使用,以指代可以请求或订购服务的个人、实体或工具。此外,本申请中的术语“司机”、“提供者”、“服务提供者”和“供应者”可互换使用,以指代可以提供服务或促进提供服务的个人、实体或工具。本申请中的术语“用户”可以指代可以请求服务、订购服务、提供服务或促进提供服务的个人、实体或工具。例如,用户可以是乘客、司机、操作员等或其任意组合。在本申请中,“乘客”和“乘客终端”可以互换使用,并且“司机”和“司机终端”可以互换使用。
本申请中的术语“请求”、“服务”、“服务请求”和“订单”可互换使用,以指代可由乘客、请求者、服务请求者、客户、司机、提供者、服务提供者、供应商等或其任意组合发起的请求。服务请求可以由乘客、请求者、服务请求者、客户、司机、提供者、服务提供者或供应者中的任何一个接受。服务请求可以是收费的或免费的。
本申请中使用的定位技术可以包括全球定位系统(GPS)、全球导航卫星系统(GLONASS)、罗盘导航系统(COMPASS)、伽利略定位系统、准天顶卫星系统(QZSS)、无线保真(Wi-Fi)定位技术等或其任意组合。上述一种或多种定位技术可以在本申请中互换使用。
本申请的一个方面涉及在线按需运输系统中使用神经网络模型的路径规划系统和方法。神经网络模型可以包括卷积层、修正线性单元(ReLU)层、全连接层和池化层。此外,可以使用三通道RGB图层和几个附加图层通道来训练神经网络模型以描述道路特征信息,例如道路等级、道路长度、道路宽度、弯道半径、速度限制、交通限制、交通灯、交通事故或交通拥堵。为了提供推荐路径,系统可以接收起始位置和目的地,然后运行神经网络模型以通过执行马尔可夫决策过程确定优化路径。因此,该系统可以顺序地确定道路路口序列。每个道路路口包括连接某一条连接道路的为进入该道路路口的入口和连接另一条连接道路的为离开该道路路口的出口。推荐路径可以是由按照一定顺序排列的道路路口序列所连接的连接道路。
应该注意的是,用于在线按需运输服务用户的路径规划,例如在线打车服务的路径规划,是仅植根于后互联网时代的新形式的服务。它为仅在后互联网时代出现的用户和服务提供者提供了技术解决方案。
图1是根据本申请的一些实施例所示的示例性路径规划系统的框图。路径规划系统100可以是在线平台,包括服务器105、终端120、数据库130和网络140。在一些实施例中,服务器105可以是单个服务器或服务器组。服务器组可以是集中式的或分布式的(例如,服务器105可以是分布式系统)。在一些实施例中,服务器105可以是本地的或远程的。例如,服务器105可以通过网络140访问存储在终端120和/或数据库130中的信息和/或数据。又例如,服务器105可以直接连接到终端120和/或数据库130以访问其存储的信息和/或数据。在一些实施例中,服务器105可以在云平台上实现。仅作为示例,云平台可以包括私有云、公共云、混合云、社区云、分布式云、中间云、多重云等或其任意组合。在一些实施例中,服务器105可以在具有本公开中图2所示的一个或以上组件的计算设备200上实现。
在一些实施例中,服务器105可以包括处理引擎110。处理引擎110可以处理与服务请求有关的信息和/或数据,以执行本申请中描述的一个或以上功能。例如,处理引擎110可以收集至少两条历史路径信息,并确定从起始位置到目的地的当前推荐路径。在一些实施例中,处理引擎110可以包括一个或以上处理引擎(例如,单核处理引擎或多核处理器)。仅作为示例,处理引擎110可以包括中央处理单元(CPU)、专用集成电路(ASIC)、专用指令集处理器(ASIP)、图形处理单元(GPU)、物理处理单元(PPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编程逻辑器件(PLD)、控制器、微控制器单元、精简指令集计算机(RISC)、微处理器等或其任意组合。
网络140可以是单个网络或网络的组合。例如,网络140可以包括局域网(LAN)、广域网(WAN)、公共网络、专用网络、专有网络、公共电话交换网(PSTN)、因特网、无线网络、虚拟网络或其任意组合。网络140可以包括至少两个网络接入点,例如有线或无线接入点,包括基站120-1、基站120-2、网络交换点(未示出)等。通过网络接入点,任何数据源可以连接到网络140并通过网络140传输信息。网络140还可以包括无线网络(例如,蓝牙网络、无线局域网(WLAN)和/或Wi-Fi)、移动网络(例如,2G、3G或4G信号)或其他通信方法(例如,虚拟专用网络(VPN)、共享网络、近场通信(NFC)和/或紫蜂网络)。
在一些实施例中,终端120的用户可以是服务请求者或服务提供者。在一些实施例中,服务提供者可以是终端120的用户。
可以从数据库130或信息源150获取至少两条历史路径。信息源150可以是用于为服务器105提供其他信息的来源。信息源150可以向服务器105提供服务信息,例如天气状况、交通信息、法律法规信息、新闻事件、生活信息、生活指南信息等。信息源150可以以单个中央服务器、通过网络连接的至少两个服务器、至少两个个人设备等的形式存在。当使用至少两个个人设备实现信息源150时,个人设备可以,例如,通过将文本、语音、图像和视频上载到云服务器来生成内容(例如,被称为“用户生成的内容”)。信息源可以由至少两个个人设备和云服务器生成。
以运输服务为例,信息源150可以包括包含地图信息和城市服务信息的市政服务系统、实时交通广播系统、天气广播系统、新闻网络等。信息源150可以是物理设备,例如公共速度测量设备、传感器或物联网(IOT)设备,包括车辆速度计、雷达速度计、温度和湿度传感器等。信息源150可以是用于获取新闻、消息、实时道路信息等的来源。例如,信息源150可以是网络信息源,其包括基于Usenet的因特网新闻组、因特网上的服务器、天气信息服务器、道路状况信息服务器等或其任意组合。以食物递送服务为例,信息源150可以是存储特定区域中的至少两个食物提供者信息的系统,包含地图信息和城市服务信息的市政服务系统、实时交通广播系统、天气广播系统、新闻网络等。这里描述的示例不旨在限制信息源的范围或信息源提供的服务类型。可以提供服务信息的任何设备或网络都可以被指定为本申请中的信息源。
服务器105可以基于历史路径获取数据来训练路径推荐模型。在一些实施例中,终端120可以从用户处接收起始位置和目的地。终端120可以通过网络140将所接收的起始位置和目的地发送到服务器105。然后,服务器105可以使用如本申请中其他地方所描述的训练的路径推荐模型来确定从该起始位置到目的地的推荐路径。服务器105还可以通过网络140将确定的推荐路径发送到终端120,然后,终端120可以向用户输出(例如,通过其用户界面)该推荐路径。
在一些实施例中,终端120可以包括移动设备120-1、平板电脑120-2、膝上型计算机120-3、机动车辆中的内置设备120-4等或者其任意组合。在一些实施例中,移动设备120-1可以包括智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备、增强现实设备等或其任意组合。在一些实施例中,智能家居设备可以包括智能照明设备、智能电器设备的控制设备、智能监控设备、智能电视、智能摄像机、对讲机等或其任意组合。在一些实施例中,可穿戴设备可以包括智能手镯、智能鞋袜、智能眼镜、智能头盔、智能手表、智能服装、智能背包、智能配件等或其任意组合。智能移动设备可以包括智能手机、个人数字助理(PDA)、游戏设备、导航设备、销售点(POS)设备等或其任意组合。在一些实施例中,虚拟现实设备和/或增强现实设备可以包括虚拟现实头盔、虚拟现实眼镜、虚拟现实补丁、增强现实头盔、增强现实眼镜、增强现实补丁等或其任意组合。例如,虚拟现实设备和/或增强现实设备可以包括Google Glass、Oculus Rift、Hololens、Gear VR等。在一些实施例中,机动车辆中的内置设备130-4可以包括车载计算机、车载电视等。在一些实施例中,乘客终端120可以是具有定位用户位置的定位功能的设备。在一些实施例中,终端120可以将定位信息发送到服务器105。终端120可以对应移动设备300。
数据库130可以存储数据和/或指令。在一些实施例中,数据库130可以存储从终端120获取的数据。在一些实施例中,数据库130可以存储服务器105为实施本申请中描述的示例性方法而执行或使用的数据和/或指令。在一些实施例中,数据库130可以包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态驱动器等。示例性的可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性的易失性读写存储器可以包括随机存取存储器(RAM)。示例性的RAM可以包括动态RAM(DRAM)、双倍数据速率同步动态RAM(DDRSDRAM)、静态RAM(SRAM)、晶闸管RAM(T-RAM)和零电容器RAM(Z-RAM)等。示例性ROM可以包括掩模ROM(MROM)、可编程ROM(PROM)、可擦除可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)、光盘ROM(CD-ROM)和数字多功能磁盘ROM等。在一些实施例中,数据库130可以在云平台上执行。仅作为示例,云平台可以包括私有云、公共云、混合云、社区云、分布式云、中间云、多重云等或其任意组合。
在一些实施例中,数据库130可以连接到网络140以与路径规划系统100中的一个或以上组件(例如,服务器105、终端120等)通信。网络环境100中的一个或以上组件可以通过网络140访问存储在数据库130中的数据或指令。在一些实施例中,数据库130可以直接连接到路线规划系统100中的一个或以上组件(例如,服务器105、终端120等)或与之通信。在一些实施例中,数据库130可以是服务器105的一部分。
在一些实施例中,路径规划系统100中的一个或以上组件(例如,服务器105、终端120等)可以具有访问数据库130的权限。在一些实施例中,当满足一个或以上条件时,路径规划系统100中的一个或以上组件可以读取和/或修改与请求者、提供者和/或公众有关的信息。例如,服务器105可以在服务之后读取和/或修改一个或以上用户的信息。
在一些实施例中,路径规划系统100中的一个或以上组件的信息交换可以通过请求服务来实现。服务请求的对象可以是任何产品。在一些实施例中,产品可以是有形产品或无形产品。有形产品可包括食品、药品、商品、化学产品、电器、服装、汽车、房屋、奢侈品等或其任意组合。无形产品可以包括服务产品、金融产品、知识产品、互联网产品等或其任意组合。互联网产品可以包括单独的主机产品、网络产品、移动互联网产品、商业主机产品、嵌入式产品等或其任意组合。移动互联网产品可以用在移动终端的软件、程序、系统等或其任意组合中。移动终端可以包括平板电脑、手提电脑、移动电话、个人数字助理(PDA)、智能手表、销售点(POS)设备、车载计算机、车载电视、可穿戴设备等或其任意组合。例如,产品可以是计算机或移动电话中使用的任何软件和/或应用程序。该软件和/或应用程序可涉及社交、购物、运输、娱乐、学习、投资等或其任意组合。在一些实施例中,与运输有关的软件和/或应用可以包括旅行软件和/或应用、车辆调度软件和/或应用、地图绘制软件和/或应用等。在车辆调度软件和/或应用中,车辆可以包括马、马车、人力车(例如,独轮车、自行车、三轮车等)、汽车(例如,出租车、公共汽车、私家车等)、火车、地铁、船舶、航空器(例如,飞机、直升机、航天飞机、火箭、热气球等)等或其任意组合。
图2根据本申请的一些实施例所示的示例性计算设备的示意图。所述计算设备可以是计算机,例如图1中的服务器105和/或具有特定功能的计算机,用于实现根据本申请的一些实施例中的任何特定系统。计算设备200可以用于实现执行本申请中公开的一个或以上功能的任何组件。例如,服务器105可以由计算设备200之类的计算机的硬件设备、软件程序、固件或其任意组合来实现。为简洁起见,图2仅描绘了一个计算设备。在一些实施例中,提供路径规划所需功能的计算设备的功能可以由一组类似的分布式平台实现,以分散系统的处理负荷。
计算设备200可以包括通信终端250,其可以与实现数据通信的网络连接。计算设备200还可以包括处理器220,用于执行指令并且包括一个或以上处理器。示例性的计算机平台可以包括内部通信总线285、不同类型的程序存储单元和数据存储单元230(例如,硬盘270、只读存储器(ROM)、随机存取存储器(RAM)240)、适用于计算机处理和/或通信的各种数据文件以及可能由处理器220执行的一些程序指令。计算设备200还可以包括输入/输出设备260,其可以支持计算设备200和其他组件之间的数据流的输入和输出。此外,计算设备200可以通过通信网络接收程序和数据。
图3是根据本申请的一些实施例所示的移动设备300的示例性硬件和/或软件组件的示意图,在该示例性的移动设备300上可以实现可连接设备的路径规划系统100。如图3所示,移动设备300可以包括通信平台310、显示器320、图形处理单元(GPU)330、中央处理单元(CPU)340、输入/输出350、内存360、移动操作系统(OS)370、存储器390。在一些实施例中,其他任何合适的组件,包括但不限于系统总线或控制器(未示出),也可以包括在移动设备300中。
在一些实施例中,移动操作系统370(例如,iOSTM、AndroidTM、Windows PhoneTM等)和一个或以上应用程序380可以从存储器390加载到内存360中以便由CPU 340执行。应用程序380可以包括浏览器或其他任何合适的移动应用程序,用于从路径规划系统100接收和呈现与图像处理或其他信息有关的信息。用户与信息流的交互可以通过输入/输出350实现并提供给数据库130、服务器105和/或路径规划系统100的其他组件。在一些实施例中,移动设备300可以是与终端120对应的示例性实施例。
为了实现本申请中描述的各种模块、单元及其功能,计算机硬件平台可以用作本文描述的一个或以上元件的硬件平台。具有用户界面元素的计算机可用于实现个人计算机(PC)或其他任何类型的工作站或终端设备。如果经过适当编程,计算机也可以充当系统。
本领域普通技术人员将理解,当路径规划系统100的元件执行时,该元件可以通过电信号和/或电磁信号执行。例如,当服务请求者终端120处理诸如做出确定、识别或选择对象的任务时,请求者终端120可以操作其处理器中的逻辑电路以处理这样的任务。当服务请求者终端120向服务器105发出服务请求时,服务请求者终端120的处理器可以生成编码该请求的电信号。然后,服务请求者终端120的处理器可以将该电信号发送到输出端口。如果服务请求者终端120通过有线网络与服务器105通信,则输出端口可以通过物理方式连接到电缆,电缆进一步将电信号发送到服务器105的输入端口。如果服务请求者终端120通过无线网络与服务器105通信,则服务请求者终端120的输出端口可以是一个或以上天线,其将电信号转换为电磁信号。类似地,服务提供者终端120可以通过其处理器中的逻辑电路的操作来处理任务,并且通过电信号或电磁信号从服务器105接收指令和/或服务请求。在诸如服务请求者终端120、服务提供者终端140和/或服务器105的电子设备内,当其处理器处理指令、发出指令和/或执行动作时,该指令和/或动作通过电信号执行。例如,当处理器从存储介质检索或保存数据时,它可以将电信号发送到存储介质的读/写设备,该读/写设备可以在存储介质中读取或写入结构化数据。结构化数据可以通过电子设备的总线以电信号的形式发送到处理器。这里,电信号可以指一个电信号、一系列电信号和/或两个以上的离散电信号。
图4是根据本申请的一些实施例所示的路径规划的示例性过程的流程图。过程和/或方法400可以由路径规划系统100中的设备执行。例如,过程和/或方法400可以实现为存储在存储介质中的一组指令(例如,应用程序)。过程400的至少一部分可以由图2所示的计算设备200执行。在一些实施例中,过程400的至少一部分也可以由图3所示的移动设备300执行。
在410中,设备可以获取路网地图。该路网地图可以显示在屏幕上(例如,移动设备的显示器320)。在一些实施例中,可以仅在屏幕上显示路网地图的特定区域。用户可以通过触摸屏幕、拖动路网地图、触摸侧按钮等来调整路网地图的显示区域。在一些实施例中,可以获取起始位置和目的地。更具体地,该起始位置和目的地可以由终端自身获取,或者可以由网络环境100的服务器和/或另一终端获取,然后由服务器发送到终端。该起始位置和目的地可以与当前或未来的服务请求相关。例如,在打车服务中,用户(例如,司机或乘客)可以提供起始位置和目的地,并且可以生成和显示包括该起始位置和目的地的路网地图。在一些实施例中,起始位置可以由终端120获取且不需用户提供。在一些实施例中,在该起始位置和目的地之间可存在至少两种类型的道路。道路类型可以包括公路、公园道路、环形公路、高速公路、街道、大道、小路、小巷、车道等或其组合。
在420中,设备可以获取道路特征信息。该道路特征信息可以包括静态的、实时的和/或基本上实时的特征信息。静态特征信息可以包括关于交通信号灯的位置和数量、道路特性(例如,单向或双向)、速度限制、交通限制等的信息。实时的和/或基本上实时的特征信息可以包括关于交通流量、交通事故、交通拥堵等的信息。在一些实施例中,可以从数据库130或信息源150获取所述道路特征信息。
在430中,设备可以获取至少两条历史路径。在一些实施例中,历史路径可以由一个或以上在线运输平台记录。历史路径可以基于用户他/她自己或其他人在一定时期内的路径获取。历史路径可以从例如终端120或数据库130中获取。设备可以基于所述至少两个历史路径训练模型。通过输入起始位置和目的地(以及其他信息,如果需要),利用训练的模型可以生成从该起始位置到该目的地的路径。仅作为示例,该模型可以包括卷积神经网络(CNN)、深度信念网络(DBN)、堆叠自动编码器(SAE)、逻辑回归(LR)模型、支持向量机(SVM)、决策树模型、朴素贝叶斯模型、随机森林模型、限制玻尔兹曼机(RBM)、Q学习模型等或其组合。在一些实施例中,与训练过程相关的至少两条历史路径可以具有不同的起始位置、目的地、道路类型、环境等。通过使用这些历史路径进行训练,可以生成通用模型。该通用模型可以生成对应于输入为不同起始位置和目的地的合理质量的路径。在一些其他实施例中,与训练过程相关的历史路径可以是与当前服务请求具有相同或相似的起始位置和/或目的地的路径。在这种情况下,可以生成特定目的模型。对于当前服务请求,采用特定目的模型可以具有比采用通用模型更快的响应速度(例如,更快地生成推荐路径)。对于当前的服务请求,由特定目的模型生成的路径的质量也可能优于通用模型。在一些实施例中,模型(例如,特定目的模型或通用模型)可以通过其生成的路径训练其自身(也称为自学习),以使其可以更快地生成类似的路径。
在440中,设备可以生成从起始位置到目的地的路径。如在本申请中的其他地方所描述的,可以基于至少两条历史路径(在430中获取)来训练模型。在440中,设备可以向训练模型输入起始位置、目的地和特征信息,并且利用训练模型可以生成起始位置和目的地之间的路径。在一些实施例中,利用模型可以在起始位置和目的地之间生成至少两条路径。用户和/或路径规划系统100可以基于一个或以上路径条件选择所述至少两条路径中的一条路径。路径条件可以包括距离、预计到达时间(ETA)、安全程度、交通状况、道路类型、沿路风景等。关于模型的训练和使用的详细描述在本申请的其他地方可见。例如,参见图7及其描述。
图5是根据本申请的一些实施例所示的路径规划的示例性过程的流程图。过程和/或方法500可以由路径规划系统100中的设备执行。过程500可以是参考图4的过程440的示例性实施例。在一些实施例中,过程500的至少一部分可以由图2所示的计算设备200执行。在一些实施例中,过程500的至少一部分可以由图3所示的移动设备300执行。
在510中,设备可以获取模型。仅作为示例,该模型可以包括卷积神经网络(CNN)、深度信念网络(DBN)、堆叠自动编码器(SAE)、逻辑回归(LR)模型、支持向量机(SVM)、决策树模型、朴素贝叶斯模型、随机森林模型、限制玻尔兹曼机(RBM)、Q学习模型等或其组合。关于模型的训练和使用的详细描述在本申请的其他地方可见。例如,参见图7及其描述。关于模型结构的详细描述在本申请的其他地方可见。例如,参见图14及其描述。
可以基于至少两条历史路径来训练模型。至少两条历史路径可以分为不同的质量,例如,高质量、中等质量和低质量。高质量的路径可以具有以下一个或以上属性:最短距离、最短时间和最少数量的交通信号灯等。低质量的路径可以包括非法驾驶(例如,在交通法规不允许的方向驾驶等)或故意走太多弯路。中等质量的路径可以是合法但耗时的路径。例如,中等质量的路径可能有较大可能发生交通事故或交通拥堵。
在一些实施例中,不同质量的至少两条历史路径可能影响模型的推荐路径的生成。例如,如果利用高质量的路径训练模型,则训练的模型可以生成并推荐也是高质量的路径(例如,“最短”路径、“最快”路径、免费路径)。如果模型由低质量的路径训练,则训练的模型可以生成并推荐也是低质量的路径(例如,长距离、耗时、有风险等)。
因此,在一些实施例中,可以基于至少两个过滤参数(例如,距离、时间、交通信号灯数量等)从至少两条历史路径中滤除低质量和/或中等质量的路径。例如,明显比具有相同起始位置和目的地的其路径长的路径可以作为噪声数据被滤除。在一些实施例中,可以基于从观测值数据和平均值数据中搜索异常浓度数据来找到噪声数据。在一些实施例中,可以基于收集类似值数据的聚类分析找到噪声数据。在一些实施例中,可以在过滤具有低质量或中等质量(或噪声数据)的路径之后生成高质量的路径(也称为目标路径)。
在520中,设备可以基于起始位置、目的地和道路特征信息获取道路路口序列。在一些实施例中,设备可以获取该起始位置和目的地之间的路口序列。该道路路口序列可以由服务器105生成。在一些实施例中,在起始位置和目的地之间可以存在多条道路,并且道路路口序列可以指两个或以上道路路口。例如,道路路口可以是三叉路口(例如,T型路口、斜T型路口或Y型路口)、四叉路口(例如,直角、错位或斜交路口)、或者五个或更多路口(例如,五路或六路路口)、环形路口或任何其他类型的道路路口。在一些实施例中,道路路口可以各自在各个方向(例如,左、右、前等)上具有至少两个转弯。根据用户是进入还是离开与转弯相对应的道路路口,每个转弯可以分为入口或出口。在一些实施例中,可以依次或同时确定道路路口。例如,可以首先确定第一道路路口,然后可以基于该第一道路路口确定第二道路路口,等等。
在530中,设备可以操作模型以确定与至少两个道路路口中的每一个道路路口对应的至少两个入口和出口。入口可以是某一路段的末端,出口可以是另一个路段的开始。在本申请中,路段可以定义为道路上两个相邻道路路口之间的部分。在一些实施例中,入口和出口可以对应道路路口的一个或以上方向(例如,左、右、前)。至少两个道路路口中的每一个道路路口可以在至少两个方向上存在至少两个入口和出口。在一些实施例中,可以在至少两个方向上从至少两个入口中选择目标入口,并且可以在至少两个方向上从至少两个出口中选择目标出口。在一些实施例中,训练的模型可以基于道路特征信息执行目标出口和目标入口的选择。道路特征信息可以包括道路等级、道路长度、道路宽度、弯道半径、速度限制、交通限制、交通灯、交通事故、交通拥堵等或其组合。在一些实施例中,设备可以获取道路路口序列的顺序。可以在获取所有目标入口和目标出口之后获取道路路口序列的顺序。
在540中,设备可以基于至少两个入口和出口确定和/或生成推荐路径。在一些实施例中,对于至少两个路口中的每一个路口生成目标入口和目标出口。在一些实施例中,可以依次通过道路路口序列中每个道路路口的目标入口和目标出口来连接起始位置和目的地来确定推荐路径。例如,第一路口的目标出口可以通过其间的路段(例如,道路连接)连接到第二路口的目标入口。可以重复类似的过程以生成从起始位置到目的地的推荐路径。关于基于道路路口的目标入口和目标出口生成推荐路径的详细描述在本申请的其他地方可见。例如,参见图6及其描述。
图6是根据本申请的一些实施例所示的路径规划的示例性过程的流程图。过程和/或方法600可以由路径规划系统100中的设备执行。过程600可以是参考图4中过程400和/或图5的示例性实施例。在一些实施例中,过程600的至少一部分可以由图2所示的计算设备200执行。在一些实施例中,过程600的至少一部分可以由图3所示的移动设备300执行。
在610中,设备可以获取服务请求的起始位置和目的地。在一些实施例中,所述设备可以是在线按需运输平台的服务器,并且可以从在线按需运输平台的用户(例如,司机)接收起始位置和目的地。在一些实施例中,所述设备可以是用户设备,并且起始位置和目的地可以由所述设备基于定位技术(例如,全球定位系统(GPS)技术、全球导航卫星系统(GLONASS))、指南针导航系统(COMPASS)、伽利略定位系统、准天顶卫星系统(QZSS)、无线保真(Wi-Fi)定位技术)和/或用户输入来确定。在一些实施例中,起始位置和目的地可以由终端120确定。在一些实施例中,起始位置和目的地可以指路段或道路路口上的某个位置。
在620-650中,所述设备可以进行多次迭代确定。在每次迭代中,所述设备可以根据模型的限定确定道路路口和/或获得最佳输出值(也称为目标入口和/或目标出口)道路路口的入口和/或出口。
在第一次迭代中,所述设备可以在620中确定第一道路路口。第一道路路口可以是最接近起始位置的道路路口。在随后的迭代中,可以基于先前迭代中的道路路口(也称为先前道路路口)的出口来确定当前迭代中的道路路口(也称为当前道路路口)。例如,一个路段可以连接两个道路路口。通过从先前道路路口的出口沿着该路段可以到达当前道路路口。
在630中,所述设备可以在与步骤620同一次的迭代中获取一个道路路口的入口。该入口可以是先前路段的末端。
在640中,所述设备可以使用模型确定与入口对应的道路路口的出口。基于道路特征信息,通过模型可以选择出口(例如,转向)。道路特征信息可以包括道路等级、道路长度、道路宽度、弯道半径、速度限制、交通限制、交通灯、交通事故、交通拥堵等或其组合。关于模型结构的详细描述在本申请的其他地方可见。例如,参见图14及其描述。
在一些实施例中,道路路口可包括对应于某一入口的至少两个出口并且所述至少两个出口中的每一个出口可以被确定一个值。可以选择具有最高值的出口。在一些实施例中,可以基于道路特征信息确定出口。例如,可以选择连接到具有较少交通灯的路段的出口。又例如,可以选择连接到捷径的出口。
在650中,所述设备可以确定出口是否接近所述目的地。如果出口接近所述目的地,则该过程可以进行到660。“接近”可以指出口与目的地在同一路段中。如果出口不接近目的地,则过程可以进行到620并且可以获取下一次迭代中的入口和出口。所述确定过程可以由模型和/或用户进行。
在660中,所述设备可以连接所述至少两个入口和出口。该至少两个入口和出口可以依次进行连接(例如,起始位置连接到第一道路路口的入口,第一道路路口的出口连接到第二道路路口的入口,等等)。在670中,所述设备可以基于该连接生成从所述起始位置到所述目的地的路径。在一些实施例中,可以重复过程600以生成至少两条路径,并且用户和/或设备可以从所述路径中选择一条路径。关于至少两个目标入口和目标出口的连接的详细描述在本申请的其他地方可见。例如,参见图8及其描述。
图7是根据本申请的一些实施例所示的训练和使用模型的示意图。模型710可以通过过程500中的步骤510而获得。仅作为示例,该模型可以包括卷积神经网络(CNN)、深度信念网络(DBN)、堆叠自动编码器(SAE)、逻辑回归(LR)模型、支持向量机(SVM)、决策树模型、朴素贝叶斯模型、随机森林模型、限制玻尔兹曼机(RBM)、Q学习模型等其组合。可以基于至少两条历史路径720来训练模型,以获取当前用户和其他用户在选择路径时的习惯或偏好。可以将起始位置、目的地730和道路特征信息740输入到训练好的模型,并且训练好的模型可以输出从该起始位置到该目的地的路径770。道路特征信息可以包括路网地图750、静态和实时(和/或基本上实时)特征信息760。路网地图750可以包括一个或以上道路特征,例如道路的起点和终点、道路长度、道路宽度、道路等级(公路、大路、环城公路、高速公路、街道、大道等)等。静态特征信息可以包括交通信号灯、单向或双向、速度限制、交通限制等。实时特征信息可以包括交通流量、交通事故、交通拥堵、预测交通状况等。静态和实时特征信息可以由信息源150获取。关于模型结构的详细描述在本申请的其他地方可见。例如,参见图14及其描述。
图8是根据本申请的一些实施例所示的路径规划的示例性过程的示意图。在一些实施例中,用户可以驾车到包括至少两个入口和出口的道路路口,每个入口和出口可以有特定的方向(例如,左、右、前、后等)。
如图8所示,道路路口810、道路路口820、道路路口830和道路路口840是起始位置和目的地之间的道路路口。可以在图5所示的过程520中获取所述至少两个道路路口。在一些实施例中,可以基于起始位置获取道路路口810,并且道路路口810具有分别对应三个方向(右、左、后)的三个出口(右出口811、左出口812、后出口813)。例如,该道路路口的左出口812可以由模型进行选择。然后,由于选择了左出口812,道路路口820可以认为是道路路口810之后的后续道路路口。例如,模型可以选择道路路口820的右出口824。类似地,可以分别从道路路口830和840的出口选择出口832和出口843。由于出口843与目的地在相同的路段中,因此,可以结束入口和出口的确定,并且可以连接出口812、824、832和843以生成从起始位置到目的地的推荐路径。
图9是根据本申请的一些实施例所示的模型的示例性通道的示意图。在一些实施例中,偶数模型可以是卷积神经网络(CNN)。在一些实施例中,所述通道可包括对应于路网地图的RGB通道。所述通道还可以包括与道路特征信息(也称为特征通道)相对应的通道。道路特征信息可以转换为特征通道形式输入到模型中。所述特征通道可以帮助生成从起始位置到目的地的路径。所述特征信息可以包括交通限制、交通灯、交通事故和/或交通拥堵、道路等级等或其任意组合。每种类型的特征信息可以与特征通道对应。
如图9所示,可以有M+3个通道输入到模型中,其中,M是道路特征信息类型的数量,3对应于RGB通道的数量。RGB通道的像素张量数可表示为:
Pixel tensorRGB=W·H·3 (1),
包括RGB通道和特征通道的模型的像素张量总数可以表示为:
Pixel tensorTotal=W·H·(M+3) (2)。
在一些实施例中,像素的值可以与和像素对应的M+3个张量相关。更具体地,像素的值可以是M+3个张量的加权和。在一些实施例中,RGB通道可以确定路网地图中的对象(例如,道路、建筑物、河流等),并且其中的张量可以具有高权重。确定某些位置(例如路网地图中的像素)是否是交通信号灯的特征通道的张量可以具有低权重。确定某些位置的交通是否被限制的特征通道的张量可以具有最高权重(例如,如果确定处某个位置的交通被限制,则该模型可以不选择它周围的道路)。
图10-图13是根据本申请一些实施例所示的示例性特征通道的示意图。如图10所示,交通限制可能影响路径规划。路网地图中可能存在限制道路或非限制道路。可以基于交通流量、交通拥堵、天气等信息来确定限制道路或非限制道路。例如,为了减少限制道路的流量,在车牌号的最后一个数字是奇数限行编号的汽车在周二可能在某条道路上被限制。又例如,来自其他城镇的司机可能会在特定道路的高峰时段被限制。
交通限制的特征通道可以与大小为W*H的矩阵对应。该矩阵的每个元素可以对应于特征通道中某个像素的值。在一些实施例中,矩阵中对应限制道路的元素的值可以是0,并且矩阵中对应非限制道路的元素的值可以是1。
图11是根据本申请一些实施例所示的示例性通道的示意图。如图11所示,道路中可能存在至少两个交通灯。该至少两个交通灯可以影响从起始位置到目的地的路径规划。交通灯的数量和位置以及交通灯的特征(例如,红灯或绿灯的持续时间长度等)在从起始位置到目的地的不同路径上可能不同,并可能影响道路路口和/或路径的选择。例如,用户和/或模型可能更喜欢选择绿灯或者具有较短的红灯等待时间的出口。又例如,用户和/或模型可能更喜欢选择具有较少交通灯总数的路径。
交通灯的特征通道可以与大小为W*H的矩阵对应。该矩阵的每个元素可以对应于特征通道中的某个像素的值。在一些实施例中,矩阵中与交通灯对应的元素的值可以是0,且矩阵中不与交通灯对应的元素的值可以是1。
图12是根据本申请一些实施例所示的示例性通道的示意图。如图12所示,交通事故和/或交通拥堵可能影响从起始位置到目的地的路径规划。在一些实施例中,交通事故和/或交通拥堵可能影响道路路口的出口选择。例如,用户和/或模型可能更喜欢选择速度较快道路而不是交通拥堵中的道路。
交通事故和/或交通拥堵的特征通道可以对应大小为W*H的矩阵。该矩阵的每个元素可以对应于特征通道中的某个像素的值。在一些实施例中,矩阵中与交通事故和/或交通拥堵对应的元素的值可以是-1,并且矩阵中不与交通事故和/或交通拥堵对应的元素的值可以是0。
图13是根据本申请一些实施例所示的示例性通道的示意图。如图13所示,单行道和双行道也可以影响从起始位置到目的地的路径规划。例如,仅当车辆处于正确的方向时才可以选择单行道。
单行道和/或双行道的特征通道可以对应尺寸为W*H的矩阵。该矩阵的每个元素可以对应于特征通道中的某个像素的值。在一些实施例中,矩阵中与单行道对应的元素的值在反向或非法方向上可以是-1,而在允许的方向上可以是+1,矩阵中不与道路对应的元素的值可以是0,并且矩阵中与双行道对应的元素的值可以是1。
图14是根据本申请一些实施例所示的模型的示例性结构示意图。在一些实施例中,所述模型可以是卷积神经网络(CNN)。卷积神经网络(CNN)可以是多层神经网络(例如,包括至少两个层)。所述至少两个层可以包括卷积层(CONV)、修正线性单元(ReLU)层、池化层(POOL)或全连接层(FC)中的至少一个。卷积神经网络(CNN)的至少两个层可以对应于以三维排列的神经元:宽度、高度、深度。在一些实施例中,卷积神经网络(CNN)可以具有[输入层-卷积层-修正线性单元层-池化层-全连接层]的架构。在一些实施例中,输入层为[32×32×3]时可以保持图像的原始像素值,在这种情况下是宽度为32、高度为32的图像,并且具有三个色彩通道R、G、B。卷积层可以计算连接到输入中局部区域的神经元的输出,计算每个神经元的权重与其在输入体积中连接的小区域之间的点积。如果使用12个滤波器可能会出现大小为[32×32×12]的数据量。卷积层可以是卷积神经网络(CNN)的核心构建块,其执行大部分计算负荷。修正线性单元层可以应用逐元素激活函数,例如阈值在零点的函数max(0,x)。这可能会使数据量大小保持不变([32×32×12])。池化层可以沿空间维度(宽度、高度)执行下采样操作,从而产生诸如[16×16×12]的数据量。池化层的功能可以是逐渐减小表示的空间尺寸,以减少网络中的参数和计算量,并因此控制过度拟合。池化层使用最大值MAX运算在输入层的每个深度切片上独立运行并在空间上调整其大小。在一些实施例中,具有2×2过滤器的池化层应用步幅为2的下采样。输入层中的每个深度切片在宽度和高度均为步幅2进行下采样,这样就丢弃75%的激活信息。每个MAX操作包括取4个数字(例如,在一些深度切片中的2×2的小区域)中的最大值。全连接层可以计算类别分数,产生的数据量为[1×1×10],其中,10个数字中的每一个数字与一个类别分数相对应。全连接层中的每个神经元可以连接到上一层中的所有值。
通过这种方式,卷积神经网络(CNN)可以逐层地将原始图像从原始像素值变换到最终的类别分数。特别地,卷积层/全连接层执行变换过程,该变换不仅可以是输入中的激活函数,还可以是某些参数(例如,神经元的权重和偏差)的函数。在一些实施例中,修正线性单元/池化层可以实现固定功能。在一些实施例中,卷积层/全连接层中的参数可以用梯度下降来训练,使得卷积神经网络(CNN)计算的类别分数可以与每个图像训练集中的标签一致。
卷积神经网络(CNN)可以与强化学习相结合,以提高路径规划的准确性。强化学习可以包括学习做什么、如何将情境映射到动作以及最大化数字奖励信号。强化学习可以包括马尔可夫决策过程(MDP)、隐马尔可夫模型(HMM)等。
以上描述了提供路径规划所需功能的方法的各个方面和/或通过程序实现其他步骤的方法。该技术的程序可以认为是以可执行代码和/或相关数据的形式呈现的“产品”或“工艺”。该技术的程序可以由计算机可读介质加入或实现。有形和非易失性存储介质可以包括应用在计算机、处理器、类似设备或相关模块中的任何类型的内存或存储器。例如,有形和非易失性存储介质可以是各种类型的半导体存储器、磁带驱动器、磁盘驱动器或能够在任何时间向软件提供存储功能的类似设备。
部分或全部软件有时可以通过网络进行通信,例如,互联网或其他通信网络。这种通信可以将软件从计算机设备或处理器加载到另一个计算机设备或处理器。例如,可以将软件从服务器105的管理服务器或主计算机加载到计算机环境中的硬件平台,或加载到能够实现该系统的其他计算机环境。相应地,用于传输软件元件的另一种媒介可以用作某些设备之间的物理连接,例如,光波、电波或电磁波可以通过电缆、光缆或空气传输。用于携带波的物理媒介,例如电缆、无线连接、光缆等也可以认为是主机软件的媒介。这里,除非特别指定有形“存储”介质,否则,表示计算机或机器的“可读介质”的其他术语可表示在执行任何指令时由处理器加入的介质。
计算机可读介质可以包括各种形式,包括但不限于有形存储介质、载波介质或物理传输介质。稳定的存储介质可以包括应用在其他计算机或类似设备中并可以实现附图中描述的服务器105的所有部分的光盘、磁盘或存储系统。不稳定的存储介质可以包括动态存储器,例如计算机平台的主内存。有形传输介质可以包括同轴电缆、铜电缆和光纤,包括在计算设备200的内部形成总线的电路。载波介质可以传输电信号、电磁信号、声信号或光波信号。并且这些信号可以通过无线通信或红外数据通信产生。通用计算机可读介质可以包括硬盘、软盘、磁带或任何其他磁介质;CD-ROM、DVD、DVD-ROM或任何其他光学媒体;穿孔卡或任何其他包含光圈模式的物理存储介质;RAM、PROM、EPROM、FLASH-EPROM或任何其他存储芯片或磁带;携带用于传输数据或指令的波,用于传输载波或任何其他程序代码和/或计算机可访问的数据的电缆或连接设备。大多数计算机可读介质可以应用于执行指令或由处理器发送一个或以上结果。
本领域技术人员可以理解,根据本申请的一些实施例可以实现各种改变和改进。例如,上述服务器105的模块都是通过硬件设备实现的。权利要求中保护的所有应用、修改和变更都可在本申请的范围内。
上文已对基本概念做了描述,显然,对于阅读此申请后的本领域的普通技术人员来说,上述发明披露仅作为示例,并不构成对本申请的限制。虽然此处并未明确说明,但本领域的普通技术人员可以进行各种修改、改进和修正。这些修改、改进和修正在本申请中被建议,所以该类修改、改进和修正仍属于本申请示范实施例的精神和范围。
此外,本申请使用了特定词语来描述本申请的实施例。例如,术语“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特性。因此,应当强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外,本申请的一个或以上实施例中的某些特征、结构或特性可以进行适当的组合。
此外,本领域的普通技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的过程、机器、产品或物质的组合,或对其任何新的和有用的改良。因此,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微代码等)执行、也可以由硬件和软件组合执行,这些硬件或软件均可被称为“单元”、“模块”或“系统”。此外,本申请的各方面可以呈现为位于一个或以上计算机可读媒体中的计算机产品,该产品具有计算机可读程序编码。
计算机可读信号介质可以包括一个含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。此类传播信号可以有多种形式,包括电磁形式、光形式等或任何合适的组合形式。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读信号介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、缆线、光纤电缆、RF、或类似介质或任何上述介质的合适组合。
本申请各方面操作所需的计算机程序码可以用一种或多种程序语言的任意组合编写,包括面向对象程序设计,如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET,Python或类似的常规程序编程语言,如"C"编程语言、Visual Basic、Fortran2003、Perl、COBOL 2002、PHP、ABAP,动态编程语言如Python、Ruby和Groovy或其它编程语言。程序代码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机上运行、或完全在远程计算机或服务器上运行。在后种情况下,远程计算器可以通过任何网络形式与用户计算器连接,例如,局域网络(LAN)或广域网(WAN),或连接至外部计算器(例如通过因特网),或在云端计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非申请专利范围中明确说明,否则所述处理元素或序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解,此类细节仅起说明的目的,附加的申请专利范围并不仅限于披露的实施例,相反,申请专利范围旨在覆盖所有符合本申请实施例的精神和范围的修正和等价组合。例如,虽然以上描述的系统组件可以通过安装于硬件装置中实施,但也可以只通过软件的解决方案实施,例如在现有的服务器或行动载具上安装。
同理,应当理解,为了简化本申请揭示的表述,从而帮助对一个或以上发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。然而,这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。相反,实施例的特征要少于上述披露的单个实施例的全部特征。
Claims (20)
1.一种系统,包括:
至少一个存储介质,包括用于路径规划的一组指令;以及
与所述至少一个存储介质通信的至少一个处理器,其中,当执行所述指令时,所述至少一个处理器用于:
接收起始位置和目的地;
执行模型以顺序地确定按照顺序排列的道路路口序列,执行所述模型以顺序地确定
所述道路路口序列中每个道路路口的目标入口和目标出口,以及
根据所述道路路口序列的目标入口和目标出口,确定从所述起始位置到所述目的地的推荐路径。
2.根据权利要求1所述的系统,其中,所述推荐路径通过依次通过所述道路路口序列中每个道路路口的目标入口和目标出口来连接所述起始位置和所述目的地来确定。
3.根据权利要求1所述的系统,其中,所述模型包括卷积层、修正线性单元ReLU层、全连接层或池化层中的至少一个。
4.根据权利要求1所述的系统,其中,所述至少一个处理器还用于:
接收包括所述起始位置和所述目的地的路网地图、与所述路网地图中的道路相关联的道路特征信息以及至少两条历史路径;
基于所述至少两条历史路径训练所述模型;以及
根据所述模型和所述道路特征信息生成从所述起始位置到所述目的地的推荐路径。
5.根据权利要求4所述的系统,其中,所述道路特征信息包括道路等级、道路长度、道路宽度、弯道半径、速度限制、交通限制、交通灯、交通事故或交通拥堵中的至少一个的信息。
6.根据权利要求4所述的系统,其中,所述模型包括卷积神经网络CNN中的至少一种,
所述路网地图包括作为卷积神经网络CNN输入的三通道RGB图层;
所述道路特征信息包括作为卷积神经网络CNN输入的附加的图层通道。
7.根据权利要求4所述的系统,其中,所述至少一个处理器还用于:
从所述至少两条历史路径中选择至少两条目标路径;以及
基于所述道路特征信息和所述至少两条目标路径生成从所述起始位置到所述目的地的路径。
8.根据权利要求7所述的系统,其中,所述至少两条目标路径中的每条目标路径的起始位置或目的地与由所述至少一个处理器接收的所述起始位置或所述目的地相同或相似。
9.根据权利要求7所述的系统,其中,为选择所述至少两条目标路径,所述至少一个处理器还用于:
确定所述至少两条历史路径中的每条历史路径的质量;以及
基于所述至少两条历史路径的质量,选择所述至少两条历史路径中的至少两条历史路径作为所述目标路径。
10.根据权利要求9所述的系统,其中,所述至少两条历史路径中的每条历史路径的质量是基于距离、预计到达时间ETA、安全程度、交通状况、道路类型或沿路风景中的至少一个来确定的。
11.一种在至少一个设备上实现的方法,包括至少一个处理器和存储器,所述方法包括:
通过所述至少一个处理器,接收起始位置和目的地;
通过所述至少一个处理器,执行模型以顺序地确定按照顺序排列的道路路口序列,
通过所述至少一个处理器,执行所述模型以顺序地确定
所述道路路口序列中每个道路路口的目标入口和目标出口,以及
根据所述道路路口序列的目标入口和目标出口,确定从所述起始位置到所述目的地的推荐路径。
12.根据权利要求11所述的方法,其中,所述推荐路径通过依次通过所述道路路口序列中每个道路路口的目标入口和目标出口来连接所述起始位置和所述目的地来确定。
13.根据权利要求11所述的方法,其中,所述模型包括卷积层、修正线性单元ReLU层、全连接层或池化层中的至少一个。
14.根据权利要求11所述的方法,还包括:
接收包括所述起始位置和所述目的地的路网地图、与所述路网地图中的道路相关联的道路特征信息,以及编码至少两条历史路径的结构化数据;
基于所述至少两条历史路径训练所述模型;以及
基于所述模型和所述道路特征信息,生成从所述起始位置到所述目的地的所述推荐路径。
15.根据权利要求14所述的方法,其中所述道路特征信息包括道路等级、道路长度、道路宽度、弯道半径、速度限制、交通限制、交通灯、交通事故或交通拥堵中的至少一个的信息。
16.根据权利要求14所述的方法,其中,所述模型包括卷积神经网络CNN中的至少一种,
所述路网地图包括作为卷积神经网络CNN输入的三通道RGB图层;
所述道路特征信息包括作为卷积神经网络CNN输入的附加的图层通道。
17.根据权利要求14所述的方法,还包括:
从所述至少两条历史路径中选择至少两条目标路径;以及
基于所述道路特征信息和所述至少两条目标路径,生成从所述起始位置到所述目的地的路径。
18.根据权利要求17所述的方法,其中,所述至少两条目标路径中的每条目标路径的起始位置或目的地与由所述至少一个处理器接收的所述起始位置或所述目的地相同或相似。
19.根据权利要求17所述的方法,其中,所述选择至少两条目标路径包括:
确定所述至少两条历史路径中的每条历史路径的质量;以及
基于所述至少两条历史路径的质量,选择所述至少两条历史路径中的至少两条路径作为所述目标路径。
20.一种非暂时性计算机可读介质,包括可执行指令,当由电子设备的至少一个处理器执行时,所述可执行指令指示所述至少一个处理器执行以下操作:
接收起始位置和目的地;
执行模型以顺序地确定按照顺序排列的道路路口序列,执行所述模型以顺序地确定
所述道路路口序列中每个道路路口的目标入口和目标出口,以及
根据所述道路路口序列的目标入口和目标出口,确定从所述起始位置到所述目的地的推荐路径。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2017/088061 WO2018227374A1 (en) | 2017-06-13 | 2017-06-13 | Systems and methods for route planning based on deep convolutional neural network |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110691957A true CN110691957A (zh) | 2020-01-14 |
CN110691957B CN110691957B (zh) | 2023-05-12 |
Family
ID=64658738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780091314.9A Active CN110691957B (zh) | 2017-06-13 | 2017-06-13 | 基于深度卷积神经网络的路径规划系统和方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US10816349B2 (zh) |
EP (1) | EP3635336A4 (zh) |
CN (1) | CN110691957B (zh) |
WO (1) | WO2018227374A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111832797A (zh) * | 2020-04-10 | 2020-10-27 | 北京嘀嘀无限科技发展有限公司 | 数据处理方法、数据处理装置、存储介质和电子设备 |
CN111968391A (zh) * | 2020-08-07 | 2020-11-20 | 武汉中海庭数据技术有限公司 | 一种基于贝叶斯分类的交通灯和道路关联方法 |
CN113808387A (zh) * | 2021-07-30 | 2021-12-17 | 张承梅 | 一种公路智慧交通导流系统 |
US11334753B2 (en) * | 2018-04-30 | 2022-05-17 | Uatc, Llc | Traffic signal state classification for autonomous vehicles |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11355008B2 (en) * | 2017-06-30 | 2022-06-07 | Signify Holding B.V. | Lighting system with traffic rerouting functionality |
US10401858B2 (en) * | 2017-08-29 | 2019-09-03 | Waymo Llc | Arranging passenger pickups for autonomous vehicles |
JP7011472B2 (ja) * | 2018-01-15 | 2022-01-26 | キヤノン株式会社 | 情報処理装置、情報処理方法 |
US11520347B2 (en) * | 2019-01-23 | 2022-12-06 | Baidu Usa Llc | Comprehensive and efficient method to incorporate map features for object detection with LiDAR |
CN109978058B (zh) * | 2019-03-28 | 2023-08-04 | 腾讯科技(深圳)有限公司 | 确定图像分类的方法、装置、终端及存储介质 |
CN111141301B (zh) * | 2019-12-25 | 2022-06-10 | 腾讯科技(深圳)有限公司 | 导航终点确定方法、装置、存储介质和计算机设备 |
CN111292549B (zh) * | 2020-02-03 | 2022-03-22 | 百度在线网络技术(北京)有限公司 | 建立路线耗时预估模型的方法、预估路线耗时的方法及对应装置 |
CN111782976B (zh) * | 2020-06-28 | 2023-08-04 | 北京百度网讯科技有限公司 | 一种模型训练的方法、装置、设备和存储介质 |
CN111966769B (zh) * | 2020-07-14 | 2024-01-02 | 北京城市象限科技有限公司 | 基于生活圈的信息推荐方法、装置、设备和介质 |
US20220128370A1 (en) * | 2020-10-28 | 2022-04-28 | Uber Technologies, Inc. | Route selection using machine-learned safety model |
EP4009001A1 (en) * | 2020-12-04 | 2022-06-08 | Zenuity AB | Road segment selection along a route to be travelled by a vehicle |
US20220396289A1 (en) * | 2021-06-15 | 2022-12-15 | Nvidia Corporation | Neural network path planning |
CN113485380B (zh) * | 2021-08-20 | 2022-04-12 | 广东工业大学 | 一种基于强化学习的agv路径规划方法及系统 |
US11922704B2 (en) | 2021-12-15 | 2024-03-05 | GM Global Technology Operations LLC | System and method for detecting road and lane connections at intersections |
CN114201997B (zh) * | 2022-02-17 | 2022-06-14 | 深圳依时货拉拉科技有限公司 | 路口转向识别方法、装置、设备及存储介质 |
CN116878531B (zh) * | 2023-07-14 | 2024-03-12 | 山东科技大学 | 基于道路资源预测的智能导航方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1441913A (zh) * | 2000-06-26 | 2003-09-10 | 维斯特恩格科地震控股有限公司 | 海洋数据收集的最佳路线 |
US20050128070A1 (en) * | 2003-12-12 | 2005-06-16 | Faltesek Anthony E. | Building emergency path finding systems and method |
CN103810869A (zh) * | 2014-02-27 | 2014-05-21 | 北京建筑大学 | 一种基于动态转向比例估计的路口信号控制方法 |
CN105352522A (zh) * | 2015-12-04 | 2016-02-24 | 中兴软创科技股份有限公司 | 一种基于位置实时更新的车载导航装置与导航方法 |
CN106225797A (zh) * | 2016-06-30 | 2016-12-14 | 银江股份有限公司 | 一种路径规划方法 |
US20160370193A1 (en) * | 2015-06-22 | 2016-12-22 | Here Global B.V. | Midpoint-Based Map-Agnostic Navigation Routing |
CN106500713A (zh) * | 2015-09-08 | 2017-03-15 | 高德信息技术有限公司 | 一种导航方法及装置 |
CN106535279A (zh) * | 2016-11-03 | 2017-03-22 | 江西理工大学 | 基于cp神经网络的车载自组网交叉路口预测路由方法 |
CN106548645A (zh) * | 2016-11-03 | 2017-03-29 | 济南博图信息技术有限公司 | 基于深度学习的车辆路径寻优方法及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8478642B2 (en) | 2008-10-20 | 2013-07-02 | Carnegie Mellon University | System, method and device for predicting navigational decision-making behavior |
CN102278995B (zh) | 2011-04-27 | 2013-02-13 | 中国石油大学(华东) | 基于gps探测的贝叶斯路径规划装置及方法 |
US10317222B2 (en) * | 2015-06-22 | 2019-06-11 | Here Global B.V. | Decision-based map-agnostic navigation routing |
US10062010B2 (en) | 2015-06-26 | 2018-08-28 | Intel Corporation | System for building a map and subsequent localization |
US10127812B2 (en) * | 2016-08-29 | 2018-11-13 | Allstate Insurance Company | Electrical data processing system for monitoring or affecting movement of a vehicle using a traffic device |
-
2017
- 2017-06-13 WO PCT/CN2017/088061 patent/WO2018227374A1/en unknown
- 2017-06-13 EP EP17913785.6A patent/EP3635336A4/en not_active Ceased
- 2017-06-13 CN CN201780091314.9A patent/CN110691957B/zh active Active
-
2019
- 2019-12-06 US US16/705,333 patent/US10816349B2/en active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1441913A (zh) * | 2000-06-26 | 2003-09-10 | 维斯特恩格科地震控股有限公司 | 海洋数据收集的最佳路线 |
US20050128070A1 (en) * | 2003-12-12 | 2005-06-16 | Faltesek Anthony E. | Building emergency path finding systems and method |
CN103810869A (zh) * | 2014-02-27 | 2014-05-21 | 北京建筑大学 | 一种基于动态转向比例估计的路口信号控制方法 |
US20160370193A1 (en) * | 2015-06-22 | 2016-12-22 | Here Global B.V. | Midpoint-Based Map-Agnostic Navigation Routing |
CN106500713A (zh) * | 2015-09-08 | 2017-03-15 | 高德信息技术有限公司 | 一种导航方法及装置 |
CN105352522A (zh) * | 2015-12-04 | 2016-02-24 | 中兴软创科技股份有限公司 | 一种基于位置实时更新的车载导航装置与导航方法 |
CN106225797A (zh) * | 2016-06-30 | 2016-12-14 | 银江股份有限公司 | 一种路径规划方法 |
CN106535279A (zh) * | 2016-11-03 | 2017-03-22 | 江西理工大学 | 基于cp神经网络的车载自组网交叉路口预测路由方法 |
CN106548645A (zh) * | 2016-11-03 | 2017-03-29 | 济南博图信息技术有限公司 | 基于深度学习的车辆路径寻优方法及系统 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11334753B2 (en) * | 2018-04-30 | 2022-05-17 | Uatc, Llc | Traffic signal state classification for autonomous vehicles |
CN111832797A (zh) * | 2020-04-10 | 2020-10-27 | 北京嘀嘀无限科技发展有限公司 | 数据处理方法、数据处理装置、存储介质和电子设备 |
CN111968391A (zh) * | 2020-08-07 | 2020-11-20 | 武汉中海庭数据技术有限公司 | 一种基于贝叶斯分类的交通灯和道路关联方法 |
CN113808387A (zh) * | 2021-07-30 | 2021-12-17 | 张承梅 | 一种公路智慧交通导流系统 |
Also Published As
Publication number | Publication date |
---|---|
US10816349B2 (en) | 2020-10-27 |
EP3635336A4 (en) | 2020-05-13 |
WO2018227374A1 (en) | 2018-12-20 |
US20200109959A1 (en) | 2020-04-09 |
CN110691957B (zh) | 2023-05-12 |
EP3635336A1 (en) | 2020-04-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110691957B (zh) | 基于深度卷积神经网络的路径规划系统和方法 | |
AU2020201991B2 (en) | Systems and methods for recommending an estimated time of arrival | |
CN109416878B (zh) | 用于推荐预计到达时间的系统和方法 | |
CA3027062C (en) | Systems and methods for determining estimated time of arrival | |
CN110168313B (zh) | 用于预估到达时间的方法及系统 | |
CN110537212B (zh) | 确定预估到达时间的系统与方法 | |
US10922778B2 (en) | Systems and methods for determining an estimated time of arrival | |
CN109478275B (zh) | 分配服务请求的系统和方法 | |
CN109392307B (zh) | 路径规划方法和系统 | |
CN108216229A (zh) | 交通工具、道路线检测和驾驶控制方法及装置 | |
CN109891469B (zh) | 交通信号灯配时系统与方法 | |
CN112154473A (zh) | 用于推荐上车点的系统和方法 | |
US20210042622A1 (en) | Systems and methods for providing a travelling suggestion | |
CN110839346A (zh) | 用于分配服务请求的系统和方法 | |
CN111859178A (zh) | 一种推荐上车点的方法和系统 | |
US20210070300A1 (en) | Systems and methods for lane broadcast | |
CN110832811B (zh) | 用于发送空间数据的系统和方法 |
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 |