CN110992697A - 一种高精度、高拓展性的用于规划交通最优路径的方法 - Google Patents

一种高精度、高拓展性的用于规划交通最优路径的方法 Download PDF

Info

Publication number
CN110992697A
CN110992697A CN201911315048.0A CN201911315048A CN110992697A CN 110992697 A CN110992697 A CN 110992697A CN 201911315048 A CN201911315048 A CN 201911315048A CN 110992697 A CN110992697 A CN 110992697A
Authority
CN
China
Prior art keywords
traffic
optimal path
algorithm
pheromone
expansibility
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.)
Pending
Application number
CN201911315048.0A
Other languages
English (en)
Inventor
丁华平
汪贵庆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Jinxiao Electronic Information Co ltd
Original Assignee
Jiangsu Jinxiao Electronic Information Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu Jinxiao Electronic Information Co ltd filed Critical Jiangsu Jinxiao Electronic Information Co ltd
Priority to CN201911315048.0A priority Critical patent/CN110992697A/zh
Publication of CN110992697A publication Critical patent/CN110992697A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • 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
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
    • G08G1/096805—Systems involving transmission of navigation instructions to the vehicle where the transmitted instructions are used to compute a route
    • G08G1/096811—Systems involving transmission of navigation instructions to the vehicle where the transmitted instructions are used to compute a route where the route is computed offboard
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
    • G08G1/096833—Systems involving transmission of navigation instructions to the vehicle where different aspects are considered when computing the route

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Neurology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种高精度、高拓展性的用于规划交通最优路径的方法包括交通路网的建模方法和求解最优路径的算法，交通路网的建模方法中首先建立用于分析交通最优路径的交通模型，该模型除了道路之外，还考虑信号交叉口的影响，对于道路部分，根据距离和平均车流速度来计算代价；求解最优路径的算法使用针对交通场景改进的精英蚁群算法，改进的精英蚁群算法在信息素初始化时和全局信息素更新加入了两个优化，通过考虑信号交叉口的影响，提高了交通模型的精确度，改进的精英蚁群算法也大大提升了求解效率，同时该方法可以根据不用的信号交叉口场景以及车辆行驶需求进行拓展，这些使得本发明在现代城市交通及无人驾驶的车辆导航中具有广泛的运用前景。

Description

一种高精度、高拓展性的用于规划交通最优路径的方法
技术领域
本发明涉及交通信息技术领域，特别涉及一种高精度、高拓展性的用于规划交通最优路径的方法。
背景技术
交通最优路径问题是车辆行驶路径问题的一种，是交通工程学与地理信息科学的一个重要研究方向，其概念最早由Dantzig和Ramser于1959年提出。在交通路网体系庞大且复杂的城市中，如何从错综复杂、多变的交通路网中规划一条实时的、最优的行驶路径，成为人们出行时切实关注的问题。路径规划技术是车辆导航的核心，路网模型以及路径规划算法的实时性和精确性影响着整个导航的质量。
目前在交通最优路径选择的研究中，大多只考虑静态的交通路网场景，且忽略了通过交叉口时的代价，造成计算结果和实际行驶的代价之间误差较大。目前使用的路径规划算法主要有Dijkstra算法、A*算法和D*算法等，这些算法的核心在于对图的搜索，但是随着节点规模的进一步增大，效率和拓展性有所不足。综上所述，设计高效、高精度、高拓展性的用于规划交通最优路径的方法提高导航的效率和精度，对现代城市交通以及无人驾驶场景具有重大的意义。
发明内容
本发明的目的在于提供一种高精度、高拓展性的用于规划交通最优路径的方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种高精度、高拓展性的用于规划交通最优路径的方法包括交通路网的建模方法和求解最优路径的算法，所述的交通路网的建模方法中首先建立用于分析交通最优路径的交通模型，该模型除了道路之外，还考虑信号交叉口的影响，对于道路部分，根据距离和平均车流速度来计算代价；对于信号交叉口部分，根据城市及交叉口交通特性的不同，采用不同的延误提取公式计算车辆通过信号交叉口的代价。
作为优选，所述的求解最优路径的算法使用针对交通场景改进的精英蚁群算法，所述改进的精英蚁群算法在信息素初始化时和全局信息素更新加入了两个优化，首先，在信息素初始化时加入主干道引导和行车方向引导的优化；其次，在全局信息素更新时采用双精英策略进行优化，以相互约束的形式更新全局路径上的信息素浓度。
与现有技术相比，本发明的有益效果是：通过考虑信号交叉口的影响，提高了交通模型的精确度，改进的精英蚁群算法也大大提升了求解效率，同时该方法可以根据不用的信号交叉口场景以及车辆行驶需求进行拓展，这些使得本发明在现代城市交通及无人驾驶的车辆导航中具有广泛的运用前景。
附图说明
图1为本发明的实施例中交通模型中的道路模型；
图2为本发明实施例中的交通模型中的信号交叉口模型；
图3为本发明实施例中的行车方向引导中的原理图。
具体实施方式
下面将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、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本实施例中：首先在交通路网建模时，分别建立基于Perti网的交通道路模型和信号交叉口模型。如图1，在交通道路模型中，所有的路口节点的集合用P表示，则Pd(d＝1,2,…,n)表示第d个路口；所有的路段集合用T表示，则Tj(j＝1,2,…,m)表示路段j；i(Pd,Tj)从节点d经过路段Tj到达下一个路口的代价；o(Pd,Tj)从上一个节点经过路段Tj到达节点d的代价。为了便于表示和分析，本文用Tds和W(Tds)分别节点d到节点s的路段和相应的代价(单位：秒)。不同于路径问题的理论研究，在实际的交通路径问题中，Tds和Tsd有着完全不一样的意义，即双向车道的交通场景及路况通常相差悬殊，行驶的代价W(Tds)与W(Tsd)也不同。
如图2，在信号交叉口模型中，交叉口的进口道和出口道的集合用P表示，则Pxy(x＝n,s,w,e；y＝l,c,r)表示x方向道路的y进口道，而Pxo则表示x方向道路的出口道(本文将出口道抽象成一条车道)；所有的交叉口转向或直行用集合T表示；
Figure BDA0002325620660000031
表示从进口道
Figure BDA0002325620660000032
通过交叉口行驶到出口道
Figure BDA0002325620660000033
的转向或直行；Tx表示从x方向的上一个节点到该交叉口进口道入口的路段；Txo表示从该交叉口x方向的出口道到下一个节点的路段；
Figure BDA0002325620660000041
从进口道Pxy经过转向或直行
Figure BDA0002325620660000042
到达下一个路口的代价；
Figure BDA0002325620660000043
从上一个节点经过转向或直行
Figure BDA0002325620660000044
到达出口道Pxo的代价。和道路模型一样，本文为了便于描述和分析，使用对应进口道到出口道转向或直行的代价用
Figure BDA0002325620660000045
表示。
车辆在信号交叉口口，从进口道到出口的转向或直行受到信号灯的控制，即信号灯的颜色或者标志触发对应的行驶动作。例如车辆北方向即将进入进口道，如果需要左转行驶到东方向的出口道，须进入左转进口道Pnl，当左转绿灯亮起时，左转Tnl_eo被触发，车辆消耗一定的代价之后进入出口道Peo，随后沿着东方向驶向下一个路口节点。
上述中的代价可以使用距离，时间或者与其他多种因素的综合权值，本发明使用时间作为评价标准。车辆在道路上的行驶时间通过距离和平均车速求得，信号交叉口的通过时间根据城市及交叉口的交通特性的不同采用合适的延误计算公式。
在交通车辆出行中，车道数多、车流速度快的主干道容易被人们选择，而车道数少、车流速度慢的路段则相对较少被选择，因为经验证明大多数情况下，前者的行驶时间、道路情况、意外事件等成本会更低。根据这一思路，本文提出在信息素初始化时加入主干道引导规则，即对于多车道、高车速的主干道给予更多的初始信息素浓度。另一方面，考虑到几何学规则，车辆在行驶过程中，行车方向越趋近于终点方向，则行驶距离越短。如图3，若沿着路段Tij行驶，S和E分别为出发位置和目的位置，θ1、θ2分别为E和节点j相对S的方向角；Δθ为E、j和S形成的夹角，Δθ越小，则沿着路段Tij的行驶方向越靠近终点E，行驶距离越短，在其他条件相同的情况下，相应消耗的代价也越小。根据此原理，本发明在信息素初始化时加入行车方向引导，即如果某个节点与出发位置、目的位置形成的几何夹角越小，该节点所在的道路将获得更多的初始信息素。方向角θ1和θ2可根据下式计算得到：
Figure BDA0002325620660000051
其中，φ1和φ2分别为两个节点的纬度，Δλ为两个节点的经度之差。
综合上述两个优化，将初始化信息素公式修改为：
Figure BDA0002325620660000052
其中，一项为固定部分；第二项为主干道引导带来的信息素增量，n、
Figure BDA0002325620660000053
分别为当前路段Rij的车道数和路网平均车道数，v、
Figure BDA0002325620660000054
分别为当前路段Rij的车流速度和路网平均车流速度；第三项为行车方向引导带来的信息素增量，0≤Δθ≤π。
在全局信息素更新时，采用双精英蚂蚁策略，并采用相互约束的方式更新两只精英蚂蚁所选路径上的信息素浓度，进一步降低过早陷入停滞的概率。同时，在新的交通路网模型中，最优路径的规划考虑的是多个因素，双精英蚂蚁策略使得算法最终能得到两个最优结果，这两个结果中各个因素的量化权值可能不同。在本文中，仅考虑了出行时间和行驶距离，亦可拓展到路面状况、过路费以及路段意外事故概率等多个因素，所以这一策略还能够满足车辆出行的差异化需求。所以，整个蚁群完成一次循环后，对两只精英蚂蚁搜索到的最优路径按一下公式进行信息素更新：
Figure BDA0002325620660000061
其中，Wgb1和Wgb2分别为全局最优路径1和2的权值之和，Wgb1≤Wgb2。采用上式的方式分别增加两条全局最优路径的信息素浓度，可以使得最优路径1相较于最优路径2上的信息素浓度得到更多的增量，同时又相互约束，避免由于偶然性造成的算法过早停滞。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (2)

1.一种高精度、高拓展性的用于规划交通最优路径的方法，其特征在于：所述的方法包括交通路网的建模方法和求解最优路径的算法，所述的交通路网的建模方法中首先建立用于分析交通最优路径的交通模型，该模型除了道路之外，还考虑信号交叉口的影响，对于道路部分，根据距离和平均车流速度来计算代价；对于信号交叉口部分，根据城市及交叉口交通特性的不同，采用不同的延误提取公式计算车辆通过信号交叉口的代价。
2.根据权利要求1所述的一种高精度、高拓展性的用于规划交通最优路径的方法，其特征在于：所述的求解最优路径的算法使用针对交通场景改进的精英蚁群算法，所述改进的精英蚁群算法在信息素初始化时和全局信息素更新加入了两个优化，首先，在信息素初始化时加入主干道引导和行车方向引导的优化；其次，在全局信息素更新时采用双精英策略进行优化，以相互约束的形式更新全局路径上的信息素浓度。
CN201911315048.0A 2019-12-19 2019-12-19 一种高精度、高拓展性的用于规划交通最优路径的方法 Pending CN110992697A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911315048.0A CN110992697A (zh) 2019-12-19 2019-12-19 一种高精度、高拓展性的用于规划交通最优路径的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911315048.0A CN110992697A (zh) 2019-12-19 2019-12-19 一种高精度、高拓展性的用于规划交通最优路径的方法

Publications (1)

Publication Number Publication Date
CN110992697A true CN110992697A (zh) 2020-04-10

Family

ID=70095971

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911315048.0A Pending CN110992697A (zh) 2019-12-19 2019-12-19 一种高精度、高拓展性的用于规划交通最优路径的方法

Country Status (1)

Country Link
CN (1) CN110992697A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113240925A (zh) * 2021-04-21 2021-08-10 郑州大学 一种考虑交叉口信号灯随机延误影响的出行路径确定方法
CN113808424A (zh) * 2021-09-28 2021-12-17 合肥工业大学 基于双向Dijkstra的城市路网K条最短路径的获取方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105387875A (zh) * 2015-12-24 2016-03-09 安徽工程大学 基于蚁群算法的移动机器人路径规划方法的一种改进
CN109035767A (zh) * 2018-07-13 2018-12-18 北京工业大学 一种考虑交通控制与诱导协同的潮汐车道优化方法
CN109186619A (zh) * 2018-07-02 2019-01-11 广东工业大学 一种基于实时路况的智能导航算法
CN110211405A (zh) * 2019-05-22 2019-09-06 南京理工大学 一种基于交通信息素模型的出行路径规划方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105387875A (zh) * 2015-12-24 2016-03-09 安徽工程大学 基于蚁群算法的移动机器人路径规划方法的一种改进
CN109186619A (zh) * 2018-07-02 2019-01-11 广东工业大学 一种基于实时路况的智能导航算法
CN109035767A (zh) * 2018-07-13 2018-12-18 北京工业大学 一种考虑交通控制与诱导协同的潮汐车道优化方法
CN110211405A (zh) * 2019-05-22 2019-09-06 南京理工大学 一种基于交通信息素模型的出行路径规划方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
汪贵庆: ""基于精英蚁群算法的交通最优路径研究"", 《南京大学学报（自然科学版）》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113240925A (zh) * 2021-04-21 2021-08-10 郑州大学 一种考虑交叉口信号灯随机延误影响的出行路径确定方法
CN113808424A (zh) * 2021-09-28 2021-12-17 合肥工业大学 基于双向Dijkstra的城市路网K条最短路径的获取方法
CN113808424B (zh) * 2021-09-28 2022-07-05 合肥工业大学 基于双向Dijkstra的城市路网K条最短路径的获取方法

Similar Documents

Publication Publication Date Title
US10794720B2 (en) Lane-level vehicle navigation for vehicle routing and traffic management
CN103278168B (zh) 一种面向交通热点规避的路径规划方法
CN102176283B (zh) 一种简化交通路网模型的导航方法
EP3569983B1 (en) Algorithm and architecture for map-matching streaming probe data
CN109959388A (zh) 一种基于栅格扩展模型的智能交通精细化路径规划方法
CN109670277A (zh) 一种基于多模态数据融合与多模型集成的旅行时间预测方法
CN107490384B (zh) 一种基于城市路网的最优静态路径选择方法
CN104819724A (zh) 一种基于gis的无人地面车辆自主行驶辅助系统
Kirchler Efficient routing on multi-modal transportation networks
CN106052701B (zh) 一种交通溢流状态下车辆路径选择的方法
CN105489000A (zh) 一种夜班公交车站点及路径选择方法
WO2022173880A9 (en) System, method, and computer program product for topological planning in autonomous driving using bounds representations
CN110276973A (zh) 一种路口交通规则自动识别方法
CN101614551A (zh) 步行网建立方法及装置、路径搜索方法及装置
CN112629533A (zh) 基于路网栅格化道路车流预测的精细化路径规划方法
CN107917716B (zh) 固定线路导航方法、装置、终端及计算机可读存储介质
Kriegel et al. Statistical density prediction in traffic networks
CN112071068B (zh) 基于对称交叉口的行人过街效率与安全分析方法
CN110992697A (zh) 一种高精度、高拓展性的用于规划交通最优路径的方法
Apple et al. Green driver: Ai in a microcosm
CN103376116A (zh) 车辆导航中的风景路线规划
US20230375347A1 (en) Driving assistance device and computer program
Zhao et al. The signal control optimization of road intersections with slow traffic based on improved PSO
CN109523781A (zh) 一种基于卫星定位的路口预测方法
US20230296387A1 (en) Driving assistance device and computer program

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200410

WD01 Invention patent application deemed withdrawn after publication