CN111337047B - 基于多任务点约束的非结构化道路宏观路径规划方法 - Google Patents
基于多任务点约束的非结构化道路宏观路径规划方法 Download PDFInfo
- Publication number
- CN111337047B CN111337047B CN202010316263.9A CN202010316263A CN111337047B CN 111337047 B CN111337047 B CN 111337047B CN 202010316263 A CN202010316263 A CN 202010316263A CN 111337047 B CN111337047 B CN 111337047B
- Authority
- CN
- China
- Prior art keywords
- road
- node
- point
- task
- path
- 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.)
- Active
Links
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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于多任务点约束的非结构化道路宏观路径规划方法,包括如下步骤:S10,在起点和终点之间选取多个任务点,将距各个任务点最近的道路确定为各个任务点对应的道路节点;S20,根据各个任务点对应的道路节点搜索途径各个任务点至终点的道路层最短路径;S30,根据所述道路层最短路径确定车道层最短行驶路径。其可以高效准确地确定非结构化道路的车道级地图中汽车等交通工具的行驶路径。
Description
技术领域
本发明涉及路径搜索技术领域,尤其涉及一种基于多任务点约束的非结构化道路宏观路径规划方法。
背景技术
随着智能机器人(如智能车)技术的发展,相关研究的应用环境已逐步扩展到特定区域的真实道路区域,智能机器人运动需要面对大量的未知环境,由于传统电子地图的导航信息无法满足智能机器人对高精度导航需求,车道级的宏观路径导航需求日趋明显。在此背景下,展开基于车道的宏观路径规划研究是必需的。
当节点权重定义为几何距离时,宏观路径规划旨在搜索连接起点和终点的最短路径。目前,文献中的相关研究内容主要围绕道路级和结构化道路车道级的宏观路径规划展开。
针对宏观路径规划问题,常见方法包括广度优先搜索算法、Dijkstra算法、A*算法、遗传算法、蚁群算法等。随着研究深入,研究学者提出多种改进方法,IDWAN等利用hMetis分区技术将大型地图划分为片段,在广度优先搜索的启发算法基础上,采用分层搜索策略,减少数据处理量而提高了搜索速度。ZHAO等为节省煤矿水灾下的逃生时间,在Dijkstra算法基础上提出了一种基于双向搜索的K则最短路径算法,提高了准确性和实用性。
近年来,构建结构化道路条件下车道级高精度地图是制图领域的一个研究热点。相比传统导航地图,高精度地图具有精度高、道路元素全的特点。Guo等将GPS、INS和视觉测程技术结合,构建了基于车道模型的地图,提高了ADAS系统的性能和可靠性。刘经南等从地图学理论提出智能高精度地图的数据逻辑结构,并分析其在自动驾驶中的应用。Jiang等建立了城市结构化环境下多层地图模型,并提出了一种基于A*算法的分层规划策略,获得了较优导航路径且保证了规划时效性。李陆浩提出了车道级电子地图抽象方法,讨论了不同类型的路阻目标,在此基础上形成了车道级动态路径规划的框架。
前文研究内容的成果已逐步成熟并实用,但非结构化道路的车道级地图的构建与路径规划研究尚有所欠缺,而应用需求日趋明显,如无人农业收割设备、野外无人巡逻车等,在这些非结构化道路的车道确定方案中,传统的路径规划方案往往存在时效性差的问题。
发明内容
针对以上问题,本发明提出一种基于多任务点约束的非结构化道路宏观路径规划方法。
为实现本发明的目的,提供一种基于多任务点约束的非结构化道路宏观路径规划方法,包括如下步骤:
S10,在起点和终点之间选取多个任务点,将距各个任务点最近的道路确定为各个任务点对应的道路节点;
S20,根据各个任务点对应的道路节点搜索途径各个任务点至终点的道路层最短路径;
S30,根据所述道路层最短路径确定车道层最短行驶路径。
在一个实施例中,所述根据各个任务点对应的道路节点搜索途径各个任务点至终点的道路层最短路径包括:
S21,根据任务需求设置任务点排列顺序;
S22,根据任务点排列顺序依次搜索途径各个任务点至终点的道路层最短路径;
S23,遍历所有任务点,若遍历完成,则执行步骤S30,否则,返回执行步骤S22。
作为一个实施例,所述根据任务点的排列顺序依次搜索途径各个任务点至终点的道路层最短路径包括:
将搜索过程的中间节点路径参数代入最短路径搜索公式,根据满足最短路径搜索公式的路径参数所确定的路径确定最短路径。
作为一个实施例,所述最短路径搜索公式包括:
中,wij表示第i个任务点至第i+1个任务点之间编号为j的道路节点的累积长度,wp→d表示位于第i个任务点至i+1个任务点间编号为j的道路节点至终点的欧氏距离,k表示第i个任务点至第i+1个任务点之间的最短路径包含的节点数,n表示任务点的总数,Wn(P*)表示代价,minWn(P*)表示Wn(P*)取最小值。
在一个实施例中,根据所述道路层最短路径确定车道层最短行驶路径包括:
S31,将各个最短路径经过的道路节点确定为选定节点,根据各个选定节点的预设序号确定节点排列顺序;
S32,若第m个选定节点为主干道路节点,则直接确定其对应的车道节点;若第m个选定节点为路口道路节点,则获取第m-1和m+1个节点并获取其对应车道,获取第m个节点中与第m-1和m+1个节点对应车道同时直接连接的车道而获得最短路径;m的初始值为1;
S33,检测第m个选定节点是否为最短路径中的最后一个选定节点,若是,则将车道节点按序号首尾相连获得车道层最短路径;若否,则将m更新为m+1,返回执行步骤S32。
上述基于多任务点约束的非结构化道路宏观路径规划方法,在起点和终点之间选取多个任务点,将距各个任务点最近的道路确定为各个任务点对应的道路节点,根据各个任务点对应的道路节点搜索途径各个任务点至终点的道路层最短路径,再根据道路层最短路径经过的道路节点确定车道层行驶路径,以高效准确地确定非结构化道路的车道级地图中汽车等交通工具的行驶路径。
附图说明
图1是一个实施例的基于多任务点约束的非结构化道路宏观路径规划方法流程图;
图2是一个实施例的拓扑地图;
图3是另一个实施例的基于多任务点约束的非结构化道路宏观路径规划方法图;
图4是一个实施例的拓扑地图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
参考图1所示,图1为一个实施例的基于多任务点约束的非结构化道路宏观路径规划方法流程图,包括如下步骤:
S10,在起点和终点之间选取多个任务点,将距各个任务点最近的道路确定为各个任务点对应的道路节点。
上述步骤可以在起点和终点之间选取多个任务点,包括各个任务点的地图上查找距各个任务点最近的道路,以确定各个任务点对应的道路节点。具体地,还可以依据相关任务的需求设置任务点排列顺序,以对任务点排列顺序进行预设;比如可以将需要经过的第一个任务点的排列顺序设为1,将需要经过的第二个任务点的排列顺序设为2,等等。
S20,根据各个任务点对应的道路节点搜索途径各个任务点至终点的道路层最短路径。
具体地,所述根据各个任务点对应的道路节点搜索途径各个任务点至终点的道路层最短路径包括:
S21,根据任务需求设置任务点排列顺序;
S22,根据任务点排列顺序依次搜索途径各个任务点至终点的道路层最短路径;
S23,遍历所有任务点,若遍历完成,则执行步骤S30,否则,返回执行步骤S22。
上述根据任务需求设置任务点排列顺序可以包括:将需要经过的第一个任务点的排列顺序设为1,将需要经过的第二个任务点的排列顺序设为2,以此类推,直至对所有任务点均设置排列顺序。
具体地,所述根据任务点的排列顺序依次搜索途径各个任务点至终点的道路层最短路径包括:
将搜索过程的中间节点路径参数代入最短路径搜索公式,根据满足最短路径搜索公式的路径参数所确定的路径确定最短路径。
具体地,所述最短路径搜索公式包括:
式中,wij表示第i个任务点至第i+1个任务点之间编号为j的道路节点的累积长度,wp→d表示位于第i个任务点至i+1个任务点间编号为j的道路节点至终点的欧氏距离,k表示第i个任务点至第i+1个任务点之间的最短路径包含的节点数,n表示任务点的总数,Wn(P*)表示代价,minWn(P*)表示Wn(P*)取最小值。
S30,根据所述道路层最短路径确定车道层最短行驶路径。
具体地,根据所述道路层最短路径确定车道层最短行驶路径包括:
S31,将各个最短路径经过的道路节点确定为选定节点,根据各个选定节点的预设序号确定节点排列顺序;
S32,若第m个选定节点为主干道路节点,则直接确定其对应的车道节点;若第m个选定节点为路口道路节点,则获取第m-1和m+1个节点并获取其对应车道,获取第m个节点中与第m-1和m+1个节点对应车道同时直接连接的车道而获得最短路径;m的初始值为1;
S33,检测第m个选定节点是否为最短路径中的最后一个选定节点,若是,则将车道节点按序号首尾相连获得车道层最短路径;若否,则将m更新为m+1,即令m=m+1,返回执行步骤S32。
上述选定节点可以依据相关任务的需求预设节点排列顺序。在一个示例中,节点排列顺序的设置过程可以包括:将需要经过的第一个选定节点的排列顺序设为1,将需要经过的第二个选定节点的排列顺序设为2,以此类推,直至对所有选定节点均设置排列顺序。
将车道节点按序号首尾相连获得车道层最短路径的过程包括:将各个车道节点按相应选定节点的预设序号从小至大进行排序,对排列好的车道节点进行首尾连接,得到车道层最短路径。
上述基于多任务点约束的非结构化道路宏观路径规划方法,在起点和终点之间选取多个任务点,将距各个任务点最近的道路确定为各个任务点对应的道路节点,根据各个任务点对应的道路节点搜索途径各个任务点至终点的道路层最短路径,再根据道路层最短路径经过的道路节点确定车道层行驶路径,以高效准确地确定非结构化道路的车道级地图中汽车等交通工具的行驶路径。
在一个实施例中,上述基于多任务点约束的非结构化道路宏观路径规划方法适用于非结构化道路,非结构化道路边界模糊、形状复杂,缺乏结构化信息,虽难以构建与结构化道路类似的高精度地图,但可以保留高精度的路径信息,实现非结构化道路环境下的高精度导航功能。
在实际的路径规划过程中,道路网络即道路环境的抽象化表达,建立恰当的道路网络结构对宏观路径规划具有重要意义。应用于道路网络分析的数学基础主要是图论。即描述事物间的某种特定关系的数据结构,由节点和连接不同节点的边构成。根据节点有无方向分为无向图和有向图。权值,即图边具有一些相关的数值,用于描述从当前节点前往下一节点的代价值。常用的图结构包括无向图、有向图和带权有向图。在某些技术方案中,将结构化道路抽象为基于道路-车道的拓扑地图。其中,道路即一定范围内具有相同行驶方向的横向平行排列的车道的集合;车道即一定范围内两条交通标线范围内的引导线。非结构化道路缺乏结构化信息和行驶方向概念,综合非结构化道路实况、结构化道路的抽象化表达方法和实用需求,本实施例可以建立了一种带权双向图,将非结构化道路抽象为图结构。根据图论知识,依照点、车道和道路的层次关系形成拓扑地图。其中,点是用于引导智能机器人行驶的定位点,是构成拓扑地图的实际基本元素;车道表示一定范围内由若干点组成的用于引导智能机器人行驶的双向曲线,是拓扑地图应用基本单元;道路是一定范围内具有相同属性的一条或多条车道集合,是抽象的拓扑结构概念而无实际物理组成,根据位置可划分为主干道路和路口道路。如图2,道路层可以设置10个节点RN1-RN10,其中RN1、RN3、RN5、RN7、RN8、RN10和RN11为主干道路,RN2、RN4、RN6、RN9为路口道路;车道层共有19个节点LN1-LN19,其中LN1、LN3、LN5、LN7、LN10、LN14、LN17位于主干道路中,LN2、LN4、LN6、LN8、LN9、LN11、LN12、LN13、LN15、LN16、LN18、LN19位于路口道路中。
规划连接起点与终点的宏观路径时,可能需要途径某个车道节点,甚至需要在某个节点执行特定任务,即所谓多任务点约束型最短路径问题。较传统最短路径规划而言,这类问题在公交车路线设计、车辆导航等方面的具有更大的实际应用价值。
导航地图是以道路为基本单元的拓扑地图,基本单元能够辐射较大区域,能够适应任务点存在一定精度误差的情况。但对于本实施例所构建的高精细拓扑地图,由于基本单元细化为车道,辐射区域变小,特别是路口中的车道节点度高,若采用传统基于地图基本单元的规划思路,任务点设置精度存在一定误差便会造成最近节点查询错误,导致规划结果不是最短路径且不符合常规行驶习惯,因此本实施例采用基于分层搜索的规划策略,所需数据为所有任务点的坐标值和所构建的地图模型。处理时,根据任务点与地图模型中的道路、车道节点进行位置匹配,获取距任务点最近的节点,将此节点作为规划路径需要途径的节点,处理的流程图可以参考图3所示。
其中的规划最短路径的方法可以采用A*算法,A*算法是一种规划最短路径的经典方法。主要思路是从起点开始,以起点至当前节点的累积代价与当前节点与目标节点间的估计代价之和作为当前节点总代价值,遵循最低代价原则(式2.1)扩展,直至搜索到终点(起点就是路径规划的开始点,在实际场景可以阐述为目前所处位置,当前节点即规划处理过程中的某一个中间位置,这个点处理起点和终点之间,是搜索过程的一个中间点;目标节点就是规划的终点,也就是咱们的目的地)。获得目的地后,就以目标为方向,在所拥有的地图结构,朝着离目的地更近的方向的进行搜索,找到路径并沿着这条路径就能离目的地更近,越来越近而后最终达到目的地。
式中:wij为节点代价(累经长度),wp→d为估计代价。为保证规划结果最优性,本文采用欧氏距离作为估计代价。
为解决多任务点约束型宏观路径规划问题,保证规划结果的最优性且满足行驶习惯,本实施例采用基于分层的搜索策略,首先以道路为基本单元展开搜索,确定每个任务点的道路节点属性,利用主干道和其所属车道之间确定的对应关系将整个路径连接。整个过程的流程图如图3。先以道路为节点进行搜索,获得道路层的路径(即依次通过道路,这是一串道路序列,排列顺序就是通过顺序),然后根据道路的分类(主干道路和路口道路,参见图2,主干道路只包含一条车道,路口道路包含有一条或者多条车道,左转一条、右转一条等等),道路路径序列中,如果主干道路,则根据对应关系直接获取唯一车道,如果序列中是路口车道,此时无法判断应该是采用哪条车道,则根据当前道路前后主干道路的连接关系获取所需要的车道。车道就是一条可以引导无人车行驶的高精度路径,由一系列的定位点组成,根据在序列中的前后关系,将当前车道的第一个点与前一车道最后定位点连接,依次连接后就形成了可以用于导航的路径。
如图4所示,在图2所示拓扑地图中设置P1、P2和P3三个任务点,分别位于RN1、RN4和RN7中。规划时,首先根据三个任务点获得由RN1~RN7的道路级通过关系,利用RN1、RN3、RN5和RN7是与车道节点LN1、LN3、LN5和LN7的对应关系,将RN2、RN4和RN6中的车道节点确定为LN2、LN4和LN6,形成最终的车道级最短路径LN1~LN7。
本实施例提出了一种适应非结构化道路实况和应用需求的车道级高精细拓扑地图构建方法,阐述了多任务点约束含义,针对多任务点约束对宏观路径规划的影响,提出了基于道路-车道的分层搜索策略;最后,通过基于分层搜索的A*算法完成宏观路径规划,获得最短路径。与基于车道的规划方法及其改进方法相比,所得路径既能保证路径最优性,又满足常规行驶习惯的要求;基于小型规模、一般规模和大型规模地图随机设置2~10个任务点,规划路径长度平均为4322.8m、12169.0m和17844.1m,规划过程平均耗时28.23ms、78.66ms和131.13ms。实验结果表明,本实施例获得的规划结果是最短路径且具有较好的实时性,整体研究内容具有较强的实用性。其中可以将道路划分为主干道路与路口道路两种类型,并添加所属车道,形成基于道路-车道双层结构的拓扑模型;然后,阐述了多任务点约束的含义,为解决任务点位于路口区域对宏观路径规划产生的影响,保证规划路径的最优性,提出了分层搜索策略;最后,利用基于分层搜索的A*算法实现多任务点约束的宏观路径规划,保证规划过程时效性。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
需要说明的是,本申请实施例所涉及的术语“第一\第二\第三”仅仅是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换,以使这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
本申请实施例的术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、装置、产品或设备没有限定于已列出的步骤或模块,而是可选地还包括没有列出的步骤或模块,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或模块。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (3)
1.一种基于多任务点约束的非结构化道路宏观路径规划方法,其特征在于,包括如下步骤:
S10,在起点和终点之间选取多个任务点,将距各个任务点最近的道路确定为各个任务点对应的道路节点;
S20,根据各个任务点对应的道路节点搜索途径各个任务点至终点的道路层最短路径,包括:
S21,根据任务需求设置任务点排列顺序;
S22,根据任务点排列顺序依次搜索途径各个任务点至终点的道路层最短路径;
S23,遍历所有任务点,若遍历完成,则执行步骤S30,否则,返回执行步骤S22;
S30,根据所述道路层最短路径确定车道层最短行驶路径,包括:
S31,将各个最短路径经过的道路节点确定为选定节点,根据各个选定节点的预设序号确定节点排列顺序;
S32,若第m个选定节点为主干道路节点,则直接确定其对应的车道节点;若第m个选定节点为路口道路节点,则获取第m-1和m+1个节点并获取其对应车道,获取第m个节点中与第m-1和m+1个节点对应车道同时直接连接的车道而获得最短路径;m的初始值为1;
S33,检测第m个选定节点是否为最短路径中的最后一个选定节点,若是,则将车道节点按序号首尾相连获得车道层最短路径;若否,则将m更新为m+1,返回执行步骤S32。
2.根据权利要求1所述的基于多任务点约束的非结构化道路宏观路径规划方法,其特征在于,所述根据任务点的排列顺序依次搜索途径各个任务点至终点的道路层最短路径包括:
将搜索过程的中间节点路径参数代入最短路径搜索公式,根据满足最短路径搜索公式的路径参数所确定的路径确定最短路径。
3.根据权利要求2所述的基于多任务点约束的非结构化道路宏观路径规划方法,其特征在于,所述最短路径搜索公式包括:
式中,wij表示第i个任务点至第i+1个任务点之间编号为j的道路节点的累积长度,wp→d表示位于第i个任务点至i+1个任务点间编号为j的道路节点至终点的欧氏距离,k表示第i个任务点至第i+1个任务点之间的最短路径包含的节点数,n表示任务点的总数,Wn(P*)表示代价,minWn(P*)表示Wn(P*)取最小值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010316263.9A CN111337047B (zh) | 2020-04-21 | 2020-04-21 | 基于多任务点约束的非结构化道路宏观路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010316263.9A CN111337047B (zh) | 2020-04-21 | 2020-04-21 | 基于多任务点约束的非结构化道路宏观路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111337047A CN111337047A (zh) | 2020-06-26 |
CN111337047B true CN111337047B (zh) | 2023-08-04 |
Family
ID=71181004
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010316263.9A Active CN111337047B (zh) | 2020-04-21 | 2020-04-21 | 基于多任务点约束的非结构化道路宏观路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111337047B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112965500B (zh) * | 2021-03-27 | 2022-07-05 | 同济大学 | 一种过必经点集且有额外硬约束的路径规划方法及设备 |
CN114326737A (zh) * | 2021-12-30 | 2022-04-12 | 深兰人工智能(深圳)有限公司 | 路径规划方法、装置、电子设备及计算机可读存储介质 |
CN115560767B (zh) * | 2022-12-01 | 2023-03-10 | 深圳市智绘科技有限公司 | 机器人路径的生成方法及装置、存储介质、电子设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103838846A (zh) * | 2014-03-06 | 2014-06-04 | 中国科学院软件研究所 | 一种基于大数据的面向个人的应急引导方法及系统 |
CN106156898A (zh) * | 2016-08-23 | 2016-11-23 | 吕建正 | 一种基于MoCD算法的商品配送路径规划方法 |
CN107560631A (zh) * | 2017-08-30 | 2018-01-09 | 山东鲁能智能技术有限公司 | 一种路径规划方法、装置和巡检机器人 |
CN107644270A (zh) * | 2017-09-19 | 2018-01-30 | 广州唯品会研究院有限公司 | 无人配送的路径规划方法、装置和计算机可读存储介质 |
CN108827335A (zh) * | 2018-08-22 | 2018-11-16 | 北京理工大学 | 一种基于单向搜索模型的最短路径规划方法 |
CN109031382A (zh) * | 2018-08-06 | 2018-12-18 | 武汉中海庭数据技术有限公司 | 一种基于停车位的高精度道路计算匹配方法及系统 |
CN109919365A (zh) * | 2019-02-19 | 2019-06-21 | 清华大学 | 一种基于双策略搜索的电动车辆路径规划方法及系统 |
CN110530393A (zh) * | 2019-10-08 | 2019-12-03 | 北京邮电大学 | 车道级路径规划方法、装置、电子设备及可读存储介质 |
-
2020
- 2020-04-21 CN CN202010316263.9A patent/CN111337047B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103838846A (zh) * | 2014-03-06 | 2014-06-04 | 中国科学院软件研究所 | 一种基于大数据的面向个人的应急引导方法及系统 |
CN106156898A (zh) * | 2016-08-23 | 2016-11-23 | 吕建正 | 一种基于MoCD算法的商品配送路径规划方法 |
CN107560631A (zh) * | 2017-08-30 | 2018-01-09 | 山东鲁能智能技术有限公司 | 一种路径规划方法、装置和巡检机器人 |
CN107644270A (zh) * | 2017-09-19 | 2018-01-30 | 广州唯品会研究院有限公司 | 无人配送的路径规划方法、装置和计算机可读存储介质 |
CN109031382A (zh) * | 2018-08-06 | 2018-12-18 | 武汉中海庭数据技术有限公司 | 一种基于停车位的高精度道路计算匹配方法及系统 |
CN108827335A (zh) * | 2018-08-22 | 2018-11-16 | 北京理工大学 | 一种基于单向搜索模型的最短路径规划方法 |
CN109919365A (zh) * | 2019-02-19 | 2019-06-21 | 清华大学 | 一种基于双策略搜索的电动车辆路径规划方法及系统 |
CN110530393A (zh) * | 2019-10-08 | 2019-12-03 | 北京邮电大学 | 车道级路径规划方法、装置、电子设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111337047A (zh) | 2020-06-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108151751B (zh) | 一种基于高精度地图和传统地图结合的路径规划方法及装置 | |
CN111337047B (zh) | 基于多任务点约束的非结构化道路宏观路径规划方法 | |
CN102081658B (zh) | 基于分层路网的路径搜索方法和装置 | |
CN106052701B (zh) | 一种交通溢流状态下车辆路径选择的方法 | |
CN106598055B (zh) | 一种智能车局部路径规划方法及其装置、车辆 | |
CN106225791B (zh) | 一种基于网格划分的gps定位与道路匹配方法 | |
CN111289005B (zh) | 一种基于a星优化算法的寻路方法 | |
CN102176283B (zh) | 一种简化交通路网模型的导航方法 | |
CN109959388B (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 | |
CN104931063B (zh) | 路径规划方法 | |
CN100578152C (zh) | 用于处理大规模浮动车数据的启发式路径匹配方法 | |
CN102435200B (zh) | 一种路径快速规划方法 | |
CN107389079B (zh) | 高精度路径规划方法和系统 | |
CN108120448A (zh) | 引导路径设定装置以及引导路径设定方法 | |
CN111879329B (zh) | 基于a*算法的定制公交可通行最短路径计算方法 | |
CN107917716B (zh) | 固定线路导航方法、装置、终端及计算机可读存储介质 | |
CN106225800A (zh) | 基于实时路况信息的环境友好型车辆导航路径构建方法 | |
CN110501020B (zh) | 一种多目标三维路径规划方法 | |
CN101776457B (zh) | 一种导航方法和装置 | |
CN109238270A (zh) | 基于改进的a星算法的智能导航方法 | |
CN112212878A (zh) | 一种导航路径计算方法、装置及手机、车辆 | |
CN113779430A (zh) | 路网数据生成方法、装置、计算设备和存储介质 | |
CN109523781A (zh) | 一种基于卫星定位的路口预测方法 | |
CN111272187A (zh) | 基于改进的a*算法的最优行驶路径规划方法及系统 | |
CN113295177B (zh) | 基于实时路况信息的动态路径规划方法及系统 |
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 |