CN112384759B - 用于为车辆路线规划确定路线的方法和设备 - Google Patents
用于为车辆路线规划确定路线的方法和设备 Download PDFInfo
- Publication number
- CN112384759B CN112384759B CN201980044230.9A CN201980044230A CN112384759B CN 112384759 B CN112384759 B CN 112384759B CN 201980044230 A CN201980044230 A CN 201980044230A CN 112384759 B CN112384759 B CN 112384759B
- Authority
- CN
- China
- Prior art keywords
- route
- parking
- probability
- link
- calculated
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000005304 joining Methods 0.000 claims description 8
- 230000001419 dependent effect Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 55
- 238000012360 testing method Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000013138 pruning Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 229920002430 Fibre-reinforced plastic Polymers 0.000 description 1
- 241000764238 Isis Species 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000011151 fibre-reinforced plastic Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 231100000957 no side effect Toxicity 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- G01C21/3453—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
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
-
- 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
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
- G01C21/3423—Multimodal routing, i.e. combining two or more modes of transportation, where the modes can be any of, e.g. driving, walking, cycling, public transport
-
- 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
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
本发明涉及用于为车辆路线规划确定路线的方法和设备。执行以下步骤:在数字地图中计算从路线起点到路线终点的路线;确定所计算的路线的子路线,所述子路线终止于所述终点并且沿所述子路线能够停放车辆;以及在所述路线终点附近的区域中将所计算的路线扩展到所述路线终点之外,直到停车路线的路线停车概率等于或大于预定阈值,所述停车路线包括所确定的子路线的连线和/或所计算的路线的扩展的连线,同时使与扩展的所计算的路线相关联并且包括行驶时间和步行时间的总预计行程时间最小化,其中,所述路线停车概率是沿着扩展的所计算的路线在某个点处能够停车的概率,并且所述停车路线的一条或多条连线适合停车。
Description
技术领域
本发明涉及设置用于为车辆路线规划确定路线的设备和方法。
背景技术
存在许多已知路线规划方法和设备,用于确定路线起点和路线终点之间的路线建议。为了确定路线建议而考虑不同的准则。典型的准则例如包括行程时间、路线长度、燃料消耗等。最常用的准则之一是总行程时间,因为期望尽快到达路线终点。
然而,当到达路线终点时,驾驶员必须停放车辆,并且停车位的搜索根据终点可能是耗时的。此外,一旦车辆已经停放,乘客需要步行到实际终点,这需要花费额外时间。目前的路线规划方法要么不考虑这种情况,要么无法以最优(或接近最优)的方式计算具有停车概率的路线。尤其是在涉及密集的并且在大多数情况下停车概率非常低的道路网络的挑战性场景中,现有的方法经常失效,产生预计行程时间高的不理想方案,或者在合理的时间段内根本不会产生任何方案。必须指出的是,最优路线的计算仍然需要太多的计算和存储资源,并且仍然是低效的。
因此,仍然需要用于为车辆路线规划确定路线的方法和设备,其在驾驶员需要搜索终点附近的停车位的情况下高效地并且可靠地确定至少接近最优的路线,其中考虑额外的行驶时间以及步行时间。
发明内容
本发明的目的是提供改进的用于以高效并且节省计算和存储资源的方式为车辆路线规划确定/计算路线的方法和设备。所确定的路线包括停车路线。此外,本发明允许在使预计行程时间(包括行驶时间和步行时间)至少接近最优地最小化的情况下计算路线。此外,本发明提供一种用于合理地控制计算和存储资源的消耗以及控制路线确定方法和设备的性能的机制。
根据一个方面,提供了一种用于为车辆路线规划确定路线的方法,所述方法包括:在数字地图中计算从路线起点到路线终点的路线;确定所计算的路线的子路线,所述子路线终止于所述终点并且沿所述子路线能够停放车辆;并且在所述路线终点附近的区域中将所计算的路线扩展到所述路线终点之外,直到停车路线的路线停车概率等于或大于预定阈值,所述停车路线包括所确定子路线的连线(link)和/或所计算的路线的扩展的连线,同时使与扩展的所计算的路线相关联并且包括行驶时间和步行时间的总预计行程时间最小化,其中,所述路线停车概率是沿着扩展的所计算的路线在某个点处能够停车的概率,并且所述停车路线的一条或多条连线适合停车。总预计行程时间的最小化意味着,与所计算的路线的进一步可能/候选的扩展相比,扩展的所计算的路线的总预计行程时间尽可能短。
根据一个实施例,总预计行程时间是概率期望,所述总预计行程时间包括从所述路线起点到潜在停车地点的行驶时间以及从所述潜在停车地点到所述路线终点的步行时间。
根据一个实施例,确定所述子路线包括:从所述路线终点开始并且在所计算的路线中朝向所述路线起点连线式地向后移动,其中,当在所计算的路线中连线式地向后移动时,在所计算的路线的每条对应连线处,计算沿着所计算的路线从所述对应连线到所述终点在某个点处能够停车的相应路线停车概率,以及计算从在所计算的路线中的所述对应连线的前任者到所述路线终点的相应距离,其中,如果所述相应路线停车概率大于或等于预期路线停车概率,或者如果所述相应距离大于第一预定阈值距离,则终止连线式地向后移动并且所述对应连线被选择作为所述子路线的合适起始连线。根据一个实施例,所述预期路线停车概率是阈值。根据另一实施例,所述预期路线停车概率是预定的。
根据一个实施例,基于最佳优先搜索的树搜索方案来执行对所计算的路线的扩展。
根据一个实施例,从所述路线终点开始执行对所计算的路线的扩展。
根据一个实施例,对所计算的路线的扩展包括将所述数字地图中的搜索空间限制于所述路线终点附近的连线。
根据一个实施例,将所述数字地图中的搜索空间限制于所述路线终点附近的连线包括限制于如下连线,这些连线的起始位置和结束位置位于所述路线终点的第二预定阈值距离内。
根据一个实施例,计算所述路线停车概率包括:如果先前已经在同一停车路线内使用过连线,则降低该连线的连线停车概率,所述降低取决于自上次使用以来经过的时间。
根据一个实施例,所述路线停车概率是沿着所述停车路线R在某个点处停车的概率并且通过以下等式确定:
其中,|R|表示所述停车路线R的连线的数量,而q(R,i)表示当沿着所述停车路线R行进时车辆将停放在所述停车路线R的第i条连线上的路线连线停车概率。
根据一个实施例,当沿着所述停车路线R行进时车辆将停放在所述停车路线R的第i条连线上的路线连线停车概率q(R,i)通过以下等式确定:
其中,p(R,i)表示在所述停车路线R的第i条连线上将有停车位的连线停车概率,并且p(R,j)表示在所述停车路线R的第j条连线将有停车位的连线概率。
根据一个实施例,在第i条连线上有停车位并且该停车位被认为
可用的连线停车概率通过以下等式确定:
其中,pRi表示在路线R的第i条连线上预计有空闲停车位的概率,并且wp(R,i)表示对于所述路线要应用所述概率pRi的程度。
根据一个实施例,对所计算的路线的扩展包括应用用于最佳优先搜索的优先级函数f(R),所述优先级函数通过定义在所述搜索期间所考虑的候选路线的顺序来指导所述搜索,以便寻找总行程时间短的路线,所述总行程时间包括从所述潜在停车地点到所述路线终点的行驶时间和步行时间。
根据一个实施例,所述优先级函数f(R)的数值是由路线R所隐含的预计行程持续时间的下限,例如:
其中,tDrivePark(R,i)是假定在第i条连线上停车的情况下路线R上的总行程时间,tFoot(R,i)是从R中的第i条连线到所述路线终点的步行时间,并且tDrive(R,|R|)是整条路线R所需的行驶时间。
根据一个实施例,所述优先级函数f(R)的数值是当选择路线R时预计要“浪费”的时间的预估,例如:
其中,tDrive(R,i)是在路线R上直到第i条连线结束的行驶时间,其中tDrive(R,0)对于所有R定义为0,其中,tFoot(R,i)是从R中的第i条连线到所述路线终点的步行时间。
根据一个实施例,对所计算的路线的扩展包括截断最佳优先搜索的边缘,其中,所述边缘包括接着可能被搜索的候选路线的集合,并且截断所述边缘包括:如果所述边缘的节点的集合大于预定边缘大小阈值,则从所述边缘删除关联有最低路线停车概率的路线。
根据一个实施例,对所计算的路线的扩展包括:如果在先前已经找到与R一样终止于同一点并且关联有与潜在路线R的路线点概率至少一样高的路线停车概率的另一条路线,则不考虑所述潜在路线R并且阻止将所述潜在路线R添加到所述边缘。
根据一个方面,提供了一种设备,所述设备配置用于为车辆路线规划确定路线,其中,所述设备还配置为执行如本文中描述的用于为车辆路线规划确定路线的方法的步骤。
用于车辆路线规划的路线确定提供在行程时间、即行驶时间(包括寻找停车所需的行驶时间)以及从停车地点到实际终点的步行时间方面优化的路线。停车路线确定以高效并且节省计算和存储资源的方式应用。如本文中描述,根据本发明可以应用不同的机制来减少要分析的数据和/或减少处理任务的数量,从而提高路线确定方法和设备的效率,并且节省路线确定方法和设备的计算和存储资源。
附图说明
本发明的上述方面和实施形式将在参考附图对具体实施例的描述中进行阐述,其中:
图1示例性地示出根据本发明一实施例的从路线起点到路线终点的三条可能路线。
图2a示例性地示出根据本发明一实施例的具有路线起点和路线终点的道路图或网络。
图2b示例性地示出根据本发明一实施例的具有路线起点和路线终点的道路图或网络。
图2c示例性地示出根据本发明一实施例的具有路线起点和路线终点的道路图或网络。
图3示出根据本发明一实施例在其上执行路线搜索的示例性搜索树。
图4a示出根据本发明一实施例的配置用于为车辆路线规划确定路线的设备的示例性布置结构。
图4b示出根据本发明一实施例的配置用于为车辆路线规划确定路线的设备的另一示例性布置结构。
图5示出根据本发明一实施例的为了为车辆路线规划确定路线而执行的步骤。
图6a、6b、6c示出根据本发明一实施例的为车辆路线规划确定路线的步骤的形象化实现。
图7示出根据本发明一实施例的第二预定阈值距离的形象化实现。
图8示出根据本发明一实施例基于图7所示的搜索空间所确定的最初计算的路线的可能扩展。
具体实施方式
通常需要注意的是,本申请中所描述的所有布置、设备、模块、组件、模型、元件、单元、实体和装置等可以由软件或硬件元件或其任意组合来实现。由本申请中所描述的各个实体执行的所有步骤以及描述为由所述各个实体执行的功能旨在表示相应实体适于或配置为执行相应步骤和功能。即使在以下对特定实施例的描述中,要由通用实体执行的特定功能或步骤并未反映在执行特定步骤或功能的实体的特定详细元件的描述中,本领域技术人员应该清楚,这些方法和功能可以在相应的硬件或软件元件或其任意组合中实现。此外,本发明的方法及其各个步骤体现在所描述的各种装置元件的功能中。
此外,除非组合被明确地排除,否则本文描述的任何实施例以及任何实施例的特征可以彼此组合。
本文中描述的路线规划方法和路线规划设备考虑在终点处/附近停车的必要性。尤其是在城市地区,由于城市地区的道路网络密集,在终点处寻找停车位经常是一项艰巨的任务,因此,经常需要将路线扩展到终点之外以寻找停车位。这也影响了预计到达时间,因为驾驶员可能需要驾驶更长时间,并且如果无法在终点附近停车,这也导致更长的步行时间。给出一种模型或服务,所述模型或服务为用于路线规划的数字地图中的任何连线提供在该连线上能够实现停车的概率,预计到达时间成为概率期望。本文中描述的路线规划方法和路线规划设备考虑了这一点。通常,路线规划方法和路线规划设备解决两个明显的问题:(1)寻找至终点的路线并且识别沿着该路线的应该开始搜索停车位的点,以及(2)寻找终点之外的适合于寻找停车位的路线。
图1示例性地示出根据本发明一实施例的从路线起点11到路线终点12的三条可能路线。第一路线包括将节点11、101、102、105和12连接的连线111、112、113和114。第二路线包括将节点11、101、104、105和12连接的连线111、115、116、117。第三路线包括将节点11、106、107和12连接的连线118、119和120。虽然这三条路线中的一个条路线可能看起来更长,但实际上它可能具有最短的行程时间,例如因为使用高速公路。因此,最好的路线并不一定是最短的路线,必须使用其他搜索条件。在下面提供对最佳优先搜索的描述,所述最佳优先搜索可以用于计算从路线起点11到路线终点12的路线和/或用于计算停车路线。
这里需要注意的是,路线起点11和/或路线终点12不一定分别表示在道路图或道路网络中的一条连线的末端节点。因为路线起点11和/或路线终点12不一定位于道路交叉口,所以路线起点11和/或路线终点12可以是一个连线的任意点。这在图2a、2b和2c中示例性地示出。
通常,最佳优先搜索是众所周知的方法。如图1所示,道路网络对应于一个图形,该图形产生构成路线规划问题的搜索空间的路线集合。因此,对于从一个或几个起始地点开始的路线搜索,考虑树状结构或森林状结构的节点搜索空间其中,每个节点对应于一条路线。如果在满足某些目标准则的搜索的过程中访问了一个节点,则找到了一种方案。搜索的具体行为的主要特征在于它对要访问和扩展的节点进行优先级排序的方式。在搜索的每个阶段,从先前访问过的节点的(尚未访问的)继任者的集合中选择要访问和扩展的节点,所谓的边缘(fringe)。最初,边缘由开始搜索的节点组成。扩展过程只是将访问过的节点的继任者添加到边缘的过程。
当示例性地参照图1时,对从节点11到节点12的路线进行搜索。所述搜索从节点11(路线起点)开始,即,初始边缘由一条单个的路线(在节点11开始的空路线)组成。因此,所述路线从所述边缘中被移除、被访问并且针对目标条件被检查,并且随后被扩展,即,其继任者、即以分别通向节点101和106的边111和118扩展的路线被添加到所述边缘。下一条访问的路线并不是任意选择的,而是根据其基于所确定的路线必须满足的准则的如优先级函数所表示的优先级进行选择。假定优先级函数将更高优先级分配给通向101并在那里结束的路线。因此,该路线从所述边缘被移除、被访问,并且其继任者(即,在图1的情况下以分别通向节点102和104的边112和115扩展的路线)被添加到所述边缘。在此阶段,所述边缘将由在节点106、102和104结束的三条路线组成。搜索继续,直到已经实现搜索目标,例如已经找到通向节点12(路线终点)的路线。通常,在路线或路径搜索中使用边缘对于本领域技术人员而言是已知的。
图3示例性地示出根据一实施例的在其上执行路线搜索的搜索树。在图3的左侧示出具有连线/边a、b、c、d和e的示例性路线图31。所述连线/边a、b、c、d和e被示例性地示出为旨在能够使得结果搜索树32形象化,所述连线/边a、b、c、d和e的各个相反方向被表示为a'、b'、c'、d'和e'。因此,在图3的实施例中,由连线/边a、b、c、d和e表示的道路不是单向道路,而是能够沿着两个方向行驶。道路图31是搜索树32的基础,即,基于路线图32构建搜索树32。根据图3的示例性实施例,搜索从沿向前方向遍历的连线/边a开始,并且代表搜索树32的根。在搜索树32的下一级,进一步添加行驶可能性,即,继续将连线/边添加到搜索树32的根节点的路线<a>中。在这里还添加反向的连线/边,即,添加沿向后方向的连线/边。这可以从路线<a,a'>中看到。然后,在下一级中,继续添加连接的连线/边,如图3的实施例的示例性搜索树32的路线节点<a,a',c>,<a,a',a>,<a,b,b'>,<a,b,c'>,<a,b,e'>,<a,d,d'>和<a,d,e'>可看到的那样。
在最佳优先搜索中,扩展的优先级由函数定义,所述函数将实值优先级分配给节点。高优先级由低数值表示。函数f称为优先级函数。因此,如果当前边缘由F给出,则下一个访问的节点是优先级数值最低的节点。
在优先级相等(最小值不唯一)的情况下,在优先级数值最低的节点之中进行任意的挑选/选择,例如,选择首先添加到边缘的节点。
通常,以下两种搜索方案是不同的:树搜索和图搜索。由于搜索空间是由道路地图产生的,因此节点与地图上的位置相关联。在图搜索中,对访问过的地点列表(也称为“封闭列表”)进行管理,以确保每个地点最多被访问一次。对于地图上的每个地点最多只有一个访问节点。在树搜索中没有这些限制,并且允许再次访问地点(例如,参见图3)。然后,两个节点可以对应于地图上的同一地点,但可以具有通向它们的不同路线(特别是长度不同的路线)。
通过一个或多个节点、函数以及目标(即条件)对具体的搜索问题进行定义,从所述一个或多个节点开始搜索,所述函数通过提供任何给出节点的继任者来定义搜索空间,当所访问的节点满足所述目标(即条件)时结束搜索。搜索的结果通常是目标测试为真的节点。对于路线规划问题,搜索空间是所有路线的集合,因此所选择的路线是满足目标测试的第一条路线。如果要寻找好的路线,则优先级函数的预期特性是优先考虑“好”路线而不是“差”路线。因此,合理的是,将优先级函数认作或用作代价函数。
考虑到以上定义,基于最佳优先搜索的方法通过其使用的搜索方案(树搜索或图搜索)和优先级函数进行充分定义。通过以不同方式定义这些方面,能够实现流形搜索策略。最佳优先搜索的值得注意的特殊情况包括广度优先搜索、深度优先搜索、A星搜索和一致代价搜索(Dijkstra算法),这些搜索都是众所周知的并且下面将不再详细赘述。
在本文中,对最佳优先搜索进行了概括,以便(可选地)支持以下策略:
·修剪路径,即,防止将节点添加到边缘或完全防止对访问过的节点进行扩展;以及
·截断边缘,即,移除一些边缘元素。
例如,按照本发明一实施例可以如在以下伪代码中所示的那样执行最佳优先搜索:
如在以上伪代码中所示的,所使用的变元(自变量)包括:初始节点集合,搜索从所述初始节点集合开始(通常只有一个节点代表起点);定义搜索空间的函数successors(继任者);以及搜索目标。在以上提供的伪代码内使用的所有没有作为变元给出的函数和常量共同定义最佳优先搜索的特定实例的具体行为。标志isGraphSearch表示是否应用图搜索方案。如果是,则对已访问过的状态的封闭列表进行管理,以防止再次访问这些状态(第7行)并且防止将节点插入到其对应状态先前已访问过的边缘中(第12行)。在图环境中,状态将对应于以搜索空间为基础的图的元素,即,对于给出的搜索节点n,函数state将返回到达n的图节点或返回用于到达n的最后的边。在第1行中初始化的可变计算环境(context)用于在搜索过程中管理状态。经过所述环境的任何函数都可以对其进行更新和/或使用其来计算其结果。例如,可以使用计算环境来提前结束搜索(第4行),在这种情况下,搜索结果将必须来自所述环境(第16行)。通常,搜索是在所访问的节点满足目标测试时结束的,在这种情况下,结果由目标节点或终点节点自己给出(第9行),即,函数result仅返回n。函数visitNode可以用于每当访问节点时更新环境C,并且其返回值可以用于防止当前节点n的扩展(第10行);在标准的最佳优先搜索中,所述函数始终返回true。函数isPruned可以用于实现路径修剪,从而防止向fringe添加节点(第13行)。最后,函数truncateFringe可以用于在扩展后修改边缘(第15行),特别用于截断边缘以减少正被考虑的节点的集合。在标准的最佳优先搜索中,isPruned始终返回false,并且truncateFringe是恒等函数。
在下文中,为了更好地理解本发明,将提供一些术语定义。
数字地图(分别包括道路图或道路网络)上的连线集合由给出。因此,在考虑图1时,所有连线/边111至120都包含在所述连线集合/>中。那么,一条路线只是一系列连线,即,对于某一/>的元素/>例如,图1包含两条从节点11通向节点12的长度为4(/>的元素)的路线。第一条路线是一系列连线111、112、113和114,而第二条路线是一系列连线111、115、116和117。所有路线的集合由/>表示,即子集合/>其只包含可接受的路线,其中在地图中连接了两个连续的连线。R=<R1,…,R|R|>表示一条路线。用R1...m=<R1,...,Rm>表示包括前m个元素的局部路线,并且对于路线R的其他部分而言类似。假定定向的连线,并且路线R中第i条连线被(向前或向后)遍历的方向由dir(R,i)表示。
由posStart(R,i)表示在开始遍历在路线R中的第i条连线时的地理位置。同样,posEnd(R,i)表示在结束遍历时的位置。当示例性地考虑图1时,连线113是路线<111、112、113、114>中的第3个连线。posStart(R,3)则相对于图1中的所述路线表示节点102的地理位置,而posEnd(R,3)表示节点103的地理位置。
连线是定向的,连线开始的位置由/>表示,连线/>结束的位置由/>表示,以及连线/>的中间地点由/>表示。
对于在路线环境内沿着向后方向遍历路线元素Ri的情况,
数字地图中两个位置x和y之间的直线距离由dist(x,y)表示。
如某个模型或服务所表明的,pL为在连线上有停车位的概率。在本文中,概率pL称为“未缩放的连线停车概率”。这里,简化地假定,概率对于给定连线而言是常数,但是可以直接地例如用时间函数来替换所述常数。在通过某种路线规划方法生成的路线R的环境中,应用额外的缩放,因此,在第i条连线上有停车位的概率(其在当前路线环境内所考虑/需要/期望)如下计算:
其中,wp是特定于路线规划方法的函数,所述函数映射到[0,1],表明概率pRi要应用的程度。特别地,函数wp定义为,对于在第i条连线上尚未开始停车搜索的情况(例如因为车辆离终点太远),使wp(R,i)=0。然而,也可以基于对由停车模型所给出的概率值进行缩放的相同概念对其他项目进行建模,如下所述。
本文中,概率p(R,i)称为“连线停车概率”。
当沿着路线R行进时车辆将停放在该路线的第i条连线Ri上的概率由以下等式给出:
本文中,概率q(R,i)称为“路线连线停车概率”。
车辆将停放在沿着路线R的某个点处的概率通过如下等式确定:
本文中,概率r(R)称为“路线停车概率”。
在此,应该注意的是,r(R)与各个连线在路线R中出现顺序无关(向后和向前遍历是等效的)。此外注意
包括行驶时间和步行时间(即两者之和)的总行程时间的局部期望(partialexpectation)则由以下等式给出:
其中,函数tFoot返回从给定地点到终点的步行时间(例如,以秒为单位),而tDrive(R,i)是对于到达并且包括第i条连线的路线的总行驶时间(例如,以秒为单位),即:
其中,lRj是第j条连线的长度(例如,以米为单位),而vRj是期望车辆遍历速度(例如,以米/秒为单位)。
应该注意的是,关于等式(5),假定对于将在给定连线上完成停车的情况,基于如下认识预计仅所述连线的一半将被遍历:真实概率模型适用于各个停车位,而预测模型所使用的连线级粒度只是其抽象。例如,可以通过使用行人路线规划器以寻找最短路线并且应用类似于等式(6)的计算来确定由tFoot返回的数量。
作为不覆盖整个概率质量的局部期望,te(R)可以用于仅在r(R)≈1时对预计到达时间进行预估。否则将不得不假定概率质量丢失1-r(R)。
图4a示出根据本发明一实施例的配置用于为车辆路线规划/导航确定路线的设备40的示例性布置。根据图4a的实施例,设备40包括一个或多个处理单元/组件/装置/实体(例如,处理器)401,其配置为执行如本文中描述的用于确定路线的步骤中的任意步骤。因此,设备40是计算设备。
图4b示出根据本发明一实施例的配置用于为车辆路线规划/导航确定路线的设备40的另一示例性布置。根据图4b的实施例,设备40除了一个或多个处理单元/组件/装置/实体401之外还包括显示单元/组件/装置/实体402,其配置为在所确定的路线、数字地图和/或地图上所确定的路线上显示信息。
如图4a和4b中示例性地示出的设备40还可以包括任何其他单元/组件/装置/实体。例如,根据一个实施例,设备40包括一个或多个接收单元/组件/装置/实体,其设置用于接收信息,例如数字地图上的信息、有关道路的信息和/或任何其他相关信息。根据另一实施例,设备40包括一个或多个发送单元/组件/装置/实体,其设置用于发送信息或数据,例如间距值的请求、数字地图信息的请求、道路信息的请求和/或任何其他信息或数据。这里,设备40的不同的合适布置结构是可能的。
如所提及的,设备40配置为执行如本文中描述的用于为车辆路线规划/导航确定路线的步骤中的任意步骤。特别地,设备40配置为执行如下所述的用于为车辆路线规划/导航确定路线的步骤中的任意步骤。根据一个实施例,所述一个或多个处理单元/组件/装置/实体401配置为执行如下所述的用于为车辆路线规划/导航确定路线的步骤中的任意步骤。
根据本发明的一个实施例,搜索的目标是找到从路线起点11通向路线终点12的路线R,并且识别沿着所述路线的驾驶员应该开始其停车位搜索的点。
图5示出根据本发明一实施例的为了为车辆路线规划确定路线而执行的步骤。如上所述,所述步骤可以由设备40执行或由所述一个或多个处理单元/组件/装置/实体(例如,处理器)401分别执行。
在步骤51中,在数字地图中计算从路线起点11到路线终点12的一条路线。路线终点12的地理地点由posDest给出。为了相应地寻找至路线终点或posDest的路线,可以使用任何合适的路线确定方法。例如,可以使用对于技术人员众所周知的A星搜索来确定最快的路线R。然而,本发明不限于A星搜索,并且可以使用任何合适的路线确定方法。根据使用A星搜索的实施例,用于最快路线的A星搜索由具有以下优先级函数的最佳优先搜索的图搜索方案给出:
f(R)=g(R)+h(R), (7)
其中,g(R)表示由R累积的路径代价,而h(R)表示一致启发函数,该一致启发函数对从路线R的末端到达路线终点11所需的代价进行预估。具体来说,所述两个函数由以下等式给出:
g(R)=tDrive(R,|R|) (8)
其中,vmax表示对于车辆可以假定的最大行驶速度。如果是终点连线(即通向终点12的连线),则目标测试只是询问是否符合:
即路线R的最后连线是否为终点连线。
在步骤51中计算出从路线起点11到路线终点12的路线之后,在步骤52中,确定所计算的路线的子路线,沿着所述子路线要开始停车搜索。通过从路线终点12(由posDest给出)开始并且通过在所计算的路线中朝向路线起点11连线式地向后移动来确定子路线,其中确定所计算的路线中的合适起始连线,从该合适起始连线的起始位置起将开始停车搜索。
R*为使用以上搜索方法找到的路线,并且N=|R*|。为了寻找所述合适起始连线、即沿着该路线R*应该开始搜索停车位的点,在到达终点12之前,设法理想地实现某个路线停车概率rp,但又不会造成步行时间过长。如果到终点的直线距离超过某个预定阈值距离则认为步行距离过长。根据一个实施例,路线停车概率rp设置为0.5(即,rp:=0.5),使得在路线停车概率rp能够实现的情况下停车路线能够在终点附近大致“处于中间”,步行时间保持在可接受的最小值。
形式上,目标是寻找子路线用户沿着该子路线查找停车。起始索引iP是最大索引,在所述最大索引处,当将下一条连线加入子路线中时,所预期的路线停车概率rp已经达到或者到终点的最大距离会被超过,即:
因此,索引iP表示在所计算的路线R*中的合适起始连线R* ip,从所述合适起始连线的起始位置(例如posStart(R*,ip))起将开始停车搜索。
因此,当考虑图1的路线<111、115、116,117>时,首先,将就以上概述的准则而言对最后连线117进行检查(请参见以上等式(11)及相应的描述)。然后,如果不满足准则,则将就所述准则而言对朝向路线起点的下一条连线116进行检查。该过程继续进行直到满足其中一个条件为止。例如,如果连线115被确定为合适起始连线R* ip,那么将尝试沿着至终点的子路线<115、116、117>停放车辆。
因此,在先前所计算的路线的每个对应连线处,计算能够沿着所计算的路线从所述对应连线到终点12的某个点处停车的相应路线停车概率,以及计算从在所计算的路线中所述对应连线的前任者到路线终点12的相应距离,其中,如果所述相应路线停车概率大于或等于期望路线停车概率、即rp,或者如果所述相应距离大于第一预定阈值距离、即则终止连线式地向后移动,并且将所述对应连线选择为子路线/>的合适起始连线R* ip。
在执行步骤52之后或在结束步骤52的执行时,特别是在确定ip之后,可以计算与所计算的路线R*相关联的数值。所述数值例如包括路线停车概率r(R*)和总行程时间te(R*)的局部期望,并且如以上通过等式(4)和(5)所提供的那样计算。
另外,根据一个实施例,上述函数wp(见等式(2))定义如下:
图6a和6b根据本发明一实施例形象化示出步骤51和52的执行。图6a形象化示出步骤51的执行,其中从路线起点11到路线终点12的路线被计算/确定为图6b形象化示出步骤52的执行,其中连线R* ip被搜索为用于搜索停车路线的合适起始连线。这里确定子路线/>如图6b所示,从路线终点12开始连线式地并且通过在所计算的路线中朝向路线起点11向后移动实现合适起始连线的搜索。在第一步s1中,就上述准则而言对所计算的路线的最后连线/>进行验证(见上述等式(11)和相应的描述)。在图6b中,关于最后连线/>不满足准则,因此,在步骤s2中,过程在所计算的路线中朝向路线起点11向后移动一条连线,并且考虑最后连线/>的前任连线/>因此,就连线/>而言对上述准则进行验证。根据图6b的实施例,不满足准则。因此,在步骤s3中,过程在所计算的路线中朝向路线起点11向后移动一条连线,并且考虑连线/>的前任连线/>现在,就连线而言对上述准则进行检验。根据图6b,连线/>满足所述准则并且被确定为合适起始连线,从该合适起始连线的起始位置起将开始停车搜索。因此,找到的子路线为图6b中的
然后,在步骤52中确定驾驶员将设法沿其停车的子路线之后,在步骤53中,将路线进一步扩展到终点之外。如果子路线的路线停车概率/>还不够大,则所述路线必须扩展到终点之外:从终点连线/>开始,搜索停车路线,该停车路线实现达到用于路线停车概率的预期阈值,同时使预计行程时间最小化,所述预计行程时间包括从路线起点11到停车地点的行驶时间以及从停车地点到路线终点12的步行时间。
因此,搜索的目的是寻找路线R*至终点12的扩展R。该搜索实现为最佳优先搜索的实例。由于在终点结束处对路线进行扩展,因此停车路线搜索从终点连线开始。
图6c基于先前执行的步骤51(见图6a)和52(见图6b)形象化示出步骤53的执行。在路线终点12的附近执行搜索,其中从连线开始扩展所计算的路线/>在此,对于每一个所考虑的扩展候选,通过控制使得候选路线的路线停车概率等于或大于路线停车概率的预定阈值,并且使得总预计行程时间最小化,其中总预计行程时间包括从路线起点到停车地点的行驶时间以及从停车地点到路线终点的步行时间。使总预计行程时间最小化意味着,通过控制使得在扩展的所计算的路线候选中的一条扩展的所计算的路线的总预计行程时间尽可能低。
以下描述考虑用于确定/计算停车路线的实施例,其中这些实施例可以单独地实现或以任意组合实现。
根据一个实施例,使用最佳优先搜索的树搜索方案(例如,如上所描述)。因此,从连线开始,建立如图3示例性示出的对应的搜索树32并且在步骤53中使用该搜索树。根据该实施例应用树搜索,因为其期望允许连线被遍历多于一次。在停车搜索过程中的最优路线很可能会多次遍历区域中的某些主要连线,以到达附近的其他潜在的连线。此外,如果在连线上停车的概率通常是高的(例如如果车辆驾驶员第一次运气欠佳),一旦经过足够时间,再次访问连线甚至可能是合适的。根据一个实施例,函数wp(见等式(2))用于对沿着当前路线已经访问过的连线的连线停车概率的降低进行建模:
其中,ws是随着从最后一次遍历Ri起所经过的时间dt(R,i)=tDrive(R,i-1)-tDrive(R,max{j∈{1,...,i-1}|Rj=Ri})(14)增长的S形(sigmoid)函数。具体来说,ws(R,i)定义如下:
其中,k是斜率参数并且dt0是拐点。在示例性实现方式中,选择以下数值:k=1/10和dt0=600秒。
根据一个实施例,当在步骤53中计算停车路线时,搜索空间被限制于路线终点附近内的连线,以避免对可能会导致过多步行时间的无用路径的搜索。具体而言,最大距离(也称为第二预定阈值)被定义用于将用于搜索停车路线的搜索空间限制到连线集合
上,即,仅考虑如下连线,这些连线的起始地点和结束地点在终点附近的距离之内。
为了对搜索空间进行更为严格的限制,根据一个实施例,可以检查每个连线形状点。然而,在实践中并且就实现高效路线计算的意图而言,使用第一个形状点和最后一个形状点是合理的启发。在示例性实现方式中,被预定为1000m。然而,也可以将其他合适的距离值用作/>根据一个实施例,/>可以设置为使得必要时(例如,如果相应的搜索区域仅具有很少的停车概率)能够允许搜索更大的区域。但是/>的数值仅定义用于搜索停车路线的搜索空间的边界。如果使用仅使用靠近终点的连线的路线能够实现更低的代价(由优先级函数定义),则最终选择的最优停车路线将明显不会利用靠近边界的最外面的连线。当然,也可以对/>进行硬限制,该限制根据用户偏好不应被超过——特别是如果用户强烈偏好非常短的步行。
在图7中示例性地形象化地相应示出第二预定阈值距离或的实现。所确定的搜索空间由附图标记7表示,并且在图7中由围绕终点节点12的圆圈表示。在图7中使用实线绘制被考虑用于停车路线搜索的连线和节点,而在图7中使用虚线绘制未被考虑用于停车路线搜索的连线和节点。
如上所述,停车路线搜索从路线终点12开始并且考虑所确定的搜索空间7的连线。通过使用搜索空间7的连线,在搜索空间7中扩展初始计算的路线R*。因此,如图3中示例性地示出的搜索树32基于搜索空间的连线建立并且从路线终点12开始。搜索空间7的连线可以被遍历多于一次(即可以再次访问)以寻找停车位。这由于使用最佳优先搜索的树搜索方案而能够实现。
图8示出了初始计算的路线R*的潜在扩展R,即针对图7的搜索空间7所确定的停车路线,这实现以非常高的概率(例如,r(R)=0.999)预计沿着所述路线找到停车位。扩展由粗体连线表示。车辆可以停放在路线上的任何点,例如由星号表示的地点,在这种情况下将遍历粗体实线的连线,而不会遍历粗体虚线的连线。显然,只有在整条路线上都找不到停车位的情况下才到达路线的末端,这在该情况下预计发生的概率非常低,为0.001。
根据一个实施例,当执行停车路线搜索时,对应路线规划问题的目标是达到非常高的路线停车概率。因此,对于某个小的目标测试只是
r(R)≥1-ε(17)。
当计算停车路线时,通过控制使得扩展的路线在扩展路线候选中满足等式(17)的准则。
根据一个实施例,优先级函数f(R)用于控制顺序,在所述顺序中考虑并且随后扩展潜在的停车路线。结合目标测试,所述函数因此临界地确定搜索结果,因为所找到的路线R是在满足目标条件r(R)≥1-ε的路线中具有最小值f(R)的路线。因此,函数f应该视为代价函数,其中低代价应该理想地对应于低预计行程时间,因为目标是使包括行驶时间以及步行时间在内的总行程时间最小化。
由于将树形搜索应用于图结构会导致无限的搜索树,因此在达到目标之前边缘可能会变得过大。因此,根据一个实施例,当执行停车路线搜索时应用边缘截断。保留的边缘元素的子集不应该是任意的。因此,根据一个实施例,保持最接近目标的停车路线,即,其中r(R)最大的路线,因为这将减少移除可能最终成为最优路线的元素的机会。由此,搜索集中在搜索空间的有潜力的区域上,并且提高了停车路线计算的效率。此外,计算和存储资源得以限制。只要避免过多截断,负面影响就能够保持最小。为此目的,引入期望的边缘大小为了使得即使已经达到/>也在某种程度上允许对搜索空间的自由搜索,修剪不会立即进行。相反,一旦边缘大小超过/>则将边缘修剪回到/>根据一个实施例,通过如下方式对实现为优先级队列的边缘进行修剪:将其内容复制到数组,根据r(·)对所述数组进行排序,并且然后从前/>个条目构建新的优先级队列。根据另一实施例,边缘基于两个交叉引用的二进制搜索树实现,一个搜索树按照f(·)排序,一个搜索树按照r(·)排序,其中一棵树中的每个条目在另一棵树中具有指向对应条目的指针。然后,根据r(·)寻找“最差”条目并且将其在两棵树中删除的操作具有如下时间复杂度,该时间复杂度是边缘大小的对数。因此,通过该另一实施例获得更为高效的方案。
尽管不可能在基于树搜索的方法中应用标准的封闭列表(上面已针对最佳优先搜索描述了封闭列表的使用),但是仍然可以应用修剪以防止对必然是或者至少非常可能是不相关的路径进行进一步扩展。具体地,根据一个实施例,如果先前已经访问了到达沿着同一方向的同一连线并且关联于与R的路线停车概率至少一样高的路线停车概率的另一条路线R′,则防止将任何路线R添加到边缘,即,如果存在先前访问过的路线R′,则防止对R进一步扩展。
由于在R之前已访问过R′,f(R′)≤f(R),并且因此R′是就代价函数而言至少与R一样好的并且以至少与R的路线停车概率一样高的路线停车概率到达相同地理地点的路线。这构成了高效的优化,因为它有助于避免搜索非常有可能无关的路径,因为先前找到的路线R′可能以等效的方式展开,而代价却更好或至少一样好。
在下文中,将考虑不同的优先级函数,根据本发明实施例,可以将所述优先级函数应用于执行停车路线搜索。
行程时间(也称为“预计行程持续时间”,ETD)的局部期望可以用作优先级函数:
fETD(R)=te(R) (19)
优先级函数fETD的使用将直接实现,所找到的路线将是预计行程时间最短的路线。如果对于边缘截断没有副作用,则函数fETD的使用将保证,在假设各个停车概率正确的前提下,所确定路线在全局上是最优的。
根据一个实施例,本着A星搜索的精神,因此将一个项添加到行程时间的局部期望中,使得总和代表关于行程时间的全部期望的下限,这将在路线被扩展以达到1的路线停车概率时产生。对于因路线R的任何扩展而导致的额外预计行程时间的合适启发是以下关于预计行程时间的下限:
该启发是可接受的(低估真实期望),因为假定没有应用任何额外的行驶时间并且因为还假定到达对于可以在当前路线之外添加的所有路线元素的终点所需的步行时间为零。应该注意的是,非零的步行时间不包括在所述启发中,因为路线扩展可能会使车辆更接近终点。代价函数如下:
额外的项解决了fETD作为不良代价函数的根本问题。对于te(R)不增加或仅有限增加的情况(因为路线停车概率为零或非常小),te +(R)增加,从而解决了这个最关键的问题。
根据另一实施例,优先级函数被定义为使得其优先级数值对应于由于没有到达/还不能够停放车辆而产生的代价。具体地,应用由遍历一条连线而被浪费的时间的概念。遍历一条连线耗费时间,并且一些时间一一取决于车辆实际能够停放在该连线上的概率——将被浪费。不仅浪费行驶时间,而且如果该连线使得车辆离终点更远,也可能浪费一些步行时间,因为与之前相比,到达终点将需要更长的时间。因此,优先级函数被定义为:
其中
ΔtFoot(R,i)=tFoot(posEnd(R,i))-tFoot(posStart(R,i)).(23)根据本实施例,相对于p(R,i)更偏向于使用q(R,i),因为这实现在路线的早期部分中的高路线连线停车概率将会产生更大的影响。在等式(22)中ΔtFoot不接受负值的原因是,对于车辆更接近终点的情况,搜索会更偏好连线停车概率低的连线,即低的p(R,i)。然而,车辆驾驶员总是期望尽可能早地停车的主张是优先的,并且更靠近终点的移动将通过不使其不利(penalizing)而仍然被有效地“奖励”。
根据另一个实施例,利用以下优先级函数:
该优先级函数消极地假定,只要不可能在连线上停车,就应用需要从所遍历的连线的末端开始步行的时间,因此强烈地偏向于在终点附近的连线。在此,PTW表示“所浪费的消极时间”的表达。这里,使用连线停车概率p(R,i)而不使用路线连线停车概率q(R,i),因为针对靠近终点已经有消极偏见的代价,不需要为在道路后面还会出现的路线元素增加代价。要注意的是,给定被遍历的连线Ri,那么能够在该连线那里停车的概率为p(R,i)。
应该注意的是,除非明确排除组合,否则本文中描述的任何实施例和任何实施例的特征可以彼此组合。
因此,本发明涉及用于为车辆路线规划确定路线的方法和设备,其考虑对终点附近的停车位进行搜索。基于在数字地图中的各个连线上存在空闲停车位的给定概率,所述方法执行以下步骤:在数字地图中计算从路线起点到路线终点的路线;确定所计算的路线的子路线,所述子路线终止于所述终点并且沿所述子路线能够停放车辆;并且在所述路线终点附近的区域中将所计算的路线扩展到所述路线终点之外,直到停车路线的路线停车概率等于或大于预定阈值,所述停车路线包括所确定的子路线的连线和/或所计算的路线的扩展的连线,同时使与扩展的所计算的路线相关联并且包括行驶时间和步行时间的总预计行程时间最小化,其中,所述路线停车概率是沿着扩展的所计算的路线在某个点处能够停车的概率,并且所述停车路线的一条或多条连线适合停车。
另外,通过研究附图、公开内容以及所附权利要求,由本领域技术人员并且通过实施所要求保护的发明也可以理解和实现对所附实施例的其他变型方案。在权利要求中,词语“包括”不排除其他元件或步骤,并且不定冠词“一个”不排除多个。在彼此不同的从属权利要求中记载某些措施的事实并不表示不能有利地利用这些措施的组合。
Claims (17)
1.一种用于为车辆路线规划确定路线的方法,所述方法包括:
在数字地图中计算从路线起点到路线终点的路线;
确定所计算的路线的子路线,所述子路线终止于所述终点并且沿所述子路线能够停放车辆;以及
在所述路线终点附近的区域中将所计算的路线扩展到所述路线终点之外,直到停车路线的路线停车概率等于或大于预定阈值,所述停车路线包括所确定的子路线的连线和/或所计算的路线的扩展的连线,同时使与扩展的所计算的路线相关联并且包括行驶时间和步行时间的总预计行程时间最小化,其中,所述路线停车概率是沿着扩展的所计算的路线在某个点处能够停车的概率,并且所述停车路线的一条或多条连线适合停车。
2.根据权利要求1所述的方法,其中,所述总预计行程时间是概率期望,所述总预计行程时间包括从所述路线起点到潜在停车地点的行驶时间以及从所述潜在停车地点到所述路线终点的步行时间。
3.根据权利要求1或2所述的方法,其中,确定所述子路线包括从所述路线终点开始并且在所计算的路线中朝向所述路线起点连线式地向后移动,其中,当在所计算的路线中连线式地向后移动时,在所计算的路线的每条对应连线处,计算沿着所计算的路线从所述对应连线到所述终点在某个点处能够停车的相应路线停车概率,以及计算从在所计算的路线中的所述对应连线的前任者到所述路线终点的相应距离,其中,如果所述相应路线停车概率大于或等于预期路线停车概率,或者如果所述相应距离大于第一预定阈值距离,则终止连线式地向后移动并且所述对应连线被选择作为所述子路线的合适起始连线。
4.根据权利要求1或2所述的方法,其中,基于最佳优先搜索的树搜索方案来执行对所计算的路线的扩展。
5.根据权利要求1或2所述的方法,其中,从所述路线终点开始执行对所计算的路线的扩展。
6.根据权利要求1或2所述的方法,其中,对所计算的路线的扩展包括将所述数字地图中的搜索空间限制于所述路线终点附近的连线。
7.根据权利要求6所述的方法,其中,将所述数字地图中的搜索空间限制于所述路线终点附近的连线包括限制于如下连线,这些连线的起始位置和结束位置位于所述路线终点的第二预定阈值距离内。
8.根据权利要求1或2所述的方法,其中,计算所述路线停车概率包括:如果先前已经在同一停车路线内使用过连线,则降低该连线的连线停车概率,所述降低取决于自上次使用以来经过的时间。
9.根据权利要求2所述的方法,其中,所述路线停车概率是沿着所述停车路线R在某个点处停车的概率并且通过以下等式确定:
其中,|R|表示所述停车路线R的连线的数量,而q(R,i)表示当沿着所述停车路线R行进时车辆将停放在所述停车路线R的第i条连线上的路线连线停车概率。
10.根据权利要求9所述的方法,其中,当沿着所述停车路线R行进时车辆将停放在所述停车路线R的第i条连线上的路线连线停车概率q(R,i)通过以下等式确定:
其中,p(R,i)表示在所述停车路线R的第i条连线上将有停车位的连线停车概率,并且p(R,j)表示在所述停车路线R的第j条连线上将有停车位的连线停车概率。
11.根据权利要求10所述的方法,其中,在第i条连线上有停车位并且该停车位被认为可用的连线停车概率通过以下等式确定:
其中,pRi表示在路线R的第i条连线上预计有空闲停车位的概率,并且wp(R,i)表示对于所述路线要应用所述概率pRi的程度。
12.根据权利要求10或11所述的方法,其中,对所计算的路线的扩展包括应用用于最佳优先搜索的优先级函数f(R),所述优先级函数通过定义在所述搜索期间所考虑的候选路线的顺序来指导所述搜索,以便寻找总行程时间短的路线,所述总行程时间包括从所述潜在停车地点到所述路线终点的行驶时间和步行时间。
13.根据权利要求12所述的方法,其中,所述优先级函数f(R)的数值是路线R的所有扩展的预计行程持续时间的下限:
其中,tDrivePark(R,i)是假定车辆停放在第i条连线上的情况下路线R上的总行程时间,tFoot(R,i)是从R中的第i条连线到所述路线终点的步行时间,并且tDrive(R,|R|)是整条路线R所需的行驶时间。
14.根据权利要求12所述的方法,其中,所述优先级函数f(R)的数值是当选择路线R时预计要浪费的时间的预估:
其中,tDrive(R,i)是在路线R上直到第i条连线结束的行驶时间,其中tDrive(R,0)对于所有R定义为0,其中,tFoot(R,i)是从R中的第i条连线到所述路线终点的步行时间。
15.根据权利要求1或2所述的方法,其中,对所计算的路线的扩展包括截断最佳优先搜索的边缘,其中,所述边缘包括接着可能被搜索的候选路线的集合,并且截断所述边缘包括:如果所述边缘的节点的集合大于预定边缘大小阈值,则从所述边缘删除关联有最低路线停车概率的路线。
16.根据权利要求15所述的方法,其中,对所计算的路线的扩展包括:如果在先前已经找到与R一样终止于同一点并且关联有与潜在路线R的路线停车概率至少一样高的路线停车概率的另一条路线,则不考虑所述潜在路线R。
17.一种配置用于为车辆路线规划确定路线的设备,其中,所述设备还配置用于执行方法权利要求1至16中的任一项的方法的步骤。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP18188892.6 | 2018-08-14 | ||
EP18188892.6A EP3611470B1 (en) | 2018-08-14 | 2018-08-14 | Method and devices for determining routes for routing a vehicle |
PCT/EP2019/071469 WO2020035416A1 (en) | 2018-08-14 | 2019-08-09 | Method and devices for determining routes for routing a vehicle |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112384759A CN112384759A (zh) | 2021-02-19 |
CN112384759B true CN112384759B (zh) | 2024-04-12 |
Family
ID=63254580
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980044230.9A Active CN112384759B (zh) | 2018-08-14 | 2019-08-09 | 用于为车辆路线规划确定路线的方法和设备 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11656084B2 (zh) |
EP (1) | EP3611470B1 (zh) |
CN (1) | CN112384759B (zh) |
WO (1) | WO2020035416A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230060187A1 (en) * | 2021-08-27 | 2023-03-02 | Verizon Patent And Licensing Inc. | Systems and methods for cost-based forward search based on precomputed bidirectional search |
CN114046798B (zh) * | 2021-11-16 | 2023-07-25 | 中国联合网络通信集团有限公司 | 一种辅助探索城市的路径规划方法、装置及存储介质 |
CN116703016B (zh) * | 2023-04-28 | 2023-12-26 | 北京大数据先进技术研究院 | 一种运输任务路径的存储、使用方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201412162D0 (en) * | 2014-07-08 | 2014-08-20 | Jaguar Land Rover Ltd | Improvements in automotive navigation systems |
CN105359200A (zh) * | 2013-06-26 | 2016-02-24 | 宝马股份公司 | 用于处理车辆的测量数据以用于确定开始寻找停车位的方法 |
CN105761545A (zh) * | 2016-05-11 | 2016-07-13 | 泽信息科技(上海)有限公司 | 多目标停车泊位预定优选方法 |
CN107024219A (zh) * | 2017-03-02 | 2017-08-08 | 青岛海信网络科技股份有限公司 | 一种停车换乘路径规划方法和装置 |
CN107063280A (zh) * | 2017-03-24 | 2017-08-18 | 重庆邮电大学 | 一种基于控制采样的智能车辆路径规划系统及方法 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8779941B2 (en) * | 2010-12-27 | 2014-07-15 | Ai Incube, Inc. | Providing guidance for locating street parking |
EP2587220A1 (en) * | 2011-10-26 | 2013-05-01 | France Telecom | Method and device for providing an optimised route path to find a parking place in an area |
US20140214319A1 (en) * | 2013-01-25 | 2014-07-31 | Parkwayz, Inc. | Computer System and Method for Search of a Parking Spot |
US8963740B2 (en) * | 2013-03-14 | 2015-02-24 | Microsoft Corporation | Crowd-sourced parking advisory |
US20200250592A1 (en) * | 2014-03-05 | 2020-08-06 | United Parcel Service Of America, Inc. | Route planning using parking reservations |
US20150254609A1 (en) * | 2014-03-05 | 2015-09-10 | United Parcel Service Of America, Inc. | Route planning using parking reservations |
IL234323A0 (en) * | 2014-08-27 | 2014-11-30 | Parklife Ltd | Car navigation technology for a parking space |
DE102015225893A1 (de) * | 2015-12-18 | 2017-06-22 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren und System zur Optimierung der Parkplatzsuche eines Fahrzeuges und ein Computerprogrammprodukt |
US20170191849A1 (en) * | 2015-12-30 | 2017-07-06 | Sap Se | Parking availability system |
GB201804395D0 (en) * | 2018-03-19 | 2018-05-02 | Tomtom Navigation Bv | Methods and systems for generating parking routes |
RU2720953C2 (ru) * | 2018-06-07 | 2020-05-15 | Общество С Ограниченной Ответственностью "Яндекс" | Способ и система создания информации о маршруте в картографическом приложении на электронном устройстве |
US11231280B2 (en) * | 2018-07-06 | 2022-01-25 | Inrix Inc. | Probabilistic parking routes |
US11578989B2 (en) * | 2019-05-22 | 2023-02-14 | Here Global B.V. | Encoding parking search cruise routes using bloom filters |
-
2018
- 2018-08-14 EP EP18188892.6A patent/EP3611470B1/en active Active
-
2019
- 2019-08-09 WO PCT/EP2019/071469 patent/WO2020035416A1/en active Application Filing
- 2019-08-09 CN CN201980044230.9A patent/CN112384759B/zh active Active
- 2019-08-09 US US17/268,420 patent/US11656084B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105359200A (zh) * | 2013-06-26 | 2016-02-24 | 宝马股份公司 | 用于处理车辆的测量数据以用于确定开始寻找停车位的方法 |
GB201412162D0 (en) * | 2014-07-08 | 2014-08-20 | Jaguar Land Rover Ltd | Improvements in automotive navigation systems |
CN105761545A (zh) * | 2016-05-11 | 2016-07-13 | 泽信息科技(上海)有限公司 | 多目标停车泊位预定优选方法 |
CN107024219A (zh) * | 2017-03-02 | 2017-08-08 | 青岛海信网络科技股份有限公司 | 一种停车换乘路径规划方法和装置 |
CN107063280A (zh) * | 2017-03-24 | 2017-08-18 | 重庆邮电大学 | 一种基于控制采样的智能车辆路径规划系统及方法 |
Non-Patent Citations (1)
Title |
---|
路网分层的改进A算法在智能交通系统中的应用;李军;郑松;郑小青;葛铭;;工业控制计算机(第12期);35-37 * |
Also Published As
Publication number | Publication date |
---|---|
US20210341302A1 (en) | 2021-11-04 |
EP3611470A1 (en) | 2020-02-19 |
US11656084B2 (en) | 2023-05-23 |
CN112384759A (zh) | 2021-02-19 |
WO2020035416A1 (en) | 2020-02-20 |
EP3611470B1 (en) | 2021-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112384759B (zh) | 用于为车辆路线规划确定路线的方法和设备 | |
CN109949604B (zh) | 一种大型停车场调度导航方法及系统 | |
US20090125229A1 (en) | Corridor mapping with alternative routes | |
JP6921076B2 (ja) | 車両の駐車場探しを最適化する方法及びシステム並びにコンピュータプログラム製品 | |
JP7250713B2 (ja) | 出発位置から到着位置への少なくとも1つの旅程を計算する方法 | |
JP5448367B2 (ja) | ルート決定方法およびデバイス | |
US10018476B2 (en) | Live traffic routing | |
KR100901013B1 (ko) | 경로 탐색 시스템 및 그 방법 | |
US20180051995A1 (en) | On-demand shortcut computation for routing | |
US20180174445A1 (en) | Method and apparatus for constructing a traffic model | |
US20070263590A1 (en) | Optimization scheme for routing based on data latency | |
EP3779363B1 (en) | Method and system for vehicle routing based on parking probabilities | |
Nguyen et al. | A randomized path routing algorithm for decentralized route allocation in transportation networks | |
CN108256662A (zh) | 到达时间的预测方法和装置 | |
CN116194935B (zh) | 用于确定地理区域中的车辆的导航简档的方法和设备 | |
Schmoll et al. | Scaling the dynamic resource routing problem | |
Drusinsky et al. | Multiagent pathfinding under rigid, optimization, and uncertainty constraints | |
KR101165669B1 (ko) | 과거 주행정보를 이용한 최적경로 탐색 장치 및 방법 | |
JP5266094B2 (ja) | ナビゲーション装置及び交通制御システム | |
Lakshna et al. | Smart Navigation for Vehicles to Avoid Road Traffic Congestion using Weighted Adaptive Navigation* Search Algorithm | |
Kleff et al. | Time-dependent route planning for truck drivers | |
JP7262529B2 (ja) | 走行経路選定装置 | |
Aissat et al. | A posteriori approach of real-time ridesharing problem with intermediate locations | |
Hedderich et al. | An Integrated Approach for a Universal Routing Algorithm | |
JP6778233B2 (ja) | 駐車場案内方法、駐車場案内装置及びコンピュータプログラム |
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 |