CN113758494B - 导航路径规划方法、装置、设备和存储介质 - Google Patents
导航路径规划方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN113758494B CN113758494B CN202111015963.5A CN202111015963A CN113758494B CN 113758494 B CN113758494 B CN 113758494B CN 202111015963 A CN202111015963 A CN 202111015963A CN 113758494 B CN113758494 B CN 113758494B
- Authority
- CN
- China
- Prior art keywords
- target
- navigation path
- path
- navigation
- global
- 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 54
- 230000002787 reinforcement Effects 0.000 claims abstract description 12
- 239000003795 chemical substances by application Substances 0.000 claims description 38
- 238000004422 calculation algorithm Methods 0.000 claims description 26
- 238000012360 testing method Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 10
- 230000007613 environmental effect Effects 0.000 claims description 6
- 239000004973 liquid crystal related substance Substances 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000008901 benefit Effects 0.000 description 20
- 238000010586 diagram Methods 0.000 description 13
- 238000004590 computer program Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000005457 optimization Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000009471 action Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G01C21/3461—Preferred or disfavoured areas, e.g. dangerous zones, toll or emission zones, intersections, manoeuvre types, segments such as motorways, toll roads, ferries
-
- 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
- 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
- G01C21/343—Calculating itineraries, i.e. routes leading from a starting point to a series of categorical destinations using a global route restraint, round trips, touristic trips
-
- 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
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3885—Transmission of map data to client devices; Reception of map data by client devices
- G01C21/3896—Transmission of map data from central databases
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- 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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Tourism & Hospitality (AREA)
- Molecular Biology (AREA)
- Analytical Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Chemical & Material Sciences (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
- Operations Research (AREA)
Abstract
本公开提供了一种导航路径规划方法、装置、设备和存储介质,涉及计算机技术领域,尤其涉及智能交通、电子地图和强化学习等人工智能技术。具体实现方案为:为目标区域中至少两个目标用户分别规划可达导航路径;确定目标区域的全局通行特征,并根据所述目标区域的全局通行特征,从所述可达导航路径中为所述目标用户选择推荐导航路径。本公开实施例能够提高目标区域的出行效率。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及智能交通、电子地图和强化学习等人工智能技术领域,具体涉及一种导航路径规划方法、装置、电子设备和计算机可读存储介质。
背景技术
交通阻塞是伴随城市发展过程中日益严重的问题,每年因交通阻塞导致的经济损失约占GDP的5%,提升交通效率可以带来巨大的社会效益。
导航产品作为用户外出使用频率较高的辅助工具之一,在用户外出时,尤其是用户在不熟悉的环境中,可以根据用户出发的起点和要去的终点,为用户规划路径。
发明内容
本公开提供了一种用于导航路径规划方法、装置、设备和存储介质。
根据本公开的一方面,提供了一种导航路径规划方法,包括:
为目标区域中至少两个目标用户分别规划可达导航路径;
确定目标区域的全局通行特征,并根据所述目标区域的全局通行特征,从所述可达导航路径中为所述目标用户选择推荐导航路径。
根据本公开的又一方面,提供了一种导航路径规划装置,包括:
可达路径规划模块,用于为目标区域中至少两个目标用户分别规划可达导航路径;
推荐路径选择模块,用于确定目标区域的全局通行特征,并根据所述目标区域的全局通行特征,从所述可达导航路径中为所述目标用户选择推荐导航路径。
根据本公开的又一方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本公开任意实施例所提供的导航路径规划方法。
根据本公开的又一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行本公开任意实施例所提供的导航路径规划方法。
根据本公开的又一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现本公开任意实施例所提供的导航路径规划方法。
根据本公开的技术,能够提高目标区域的出行效率。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1a是根据本公开实施例提供的一种导航路径规划方法的示意图;
图1b是相关技术中提供的一种导航路径规划效果的示意图;
图1c是根据本公开实施例提供的一种导航路径规划效果的示意图;
图2是根据本公开实施例提供的另一种导航路径规划方法的示意图;
图3是根据本公开实施例提供的又一种导航路径规划方法的示意图;
图4是根据本公开实施例提供的又一种导航路径规划方法的示意图;
图5是根据本公开实施例提供的一种导航路径规划装置的示意图;
图6是用来实现本公开实施例的导航路径规划方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
以下结合附图,对本公开实施例提供的该方案进行详细说明。
图1a是根据本公开实施例提供的一种导航路径规划方法的示意图,本公开实施例可适用于基于电子地图为用户提供推荐路径的情况。该方法可由一种导航路径规划装置来执行,该装置可采用硬件和/或软件的方式来实现,可配置于电子设备中。参考图1a,该方法具体包括如下:
S110、为目标区域中至少两个目标用户分别规划可达导航路径;
S120、确定目标区域的全局通行特征,并根据所述目标区域的全局通行特征,从所述可达导航路径中为所述目标用户选择推荐导航路径。
在本公开实施例中,可以基于路网拓扑信息进行区域划分得到多个区域,路网拓扑信息可以应用邻接矩阵法、图神经网络法等构建,本公开实施对此不做具体限定。目标用户为具有导航需求的用户,将包括至少两个目标用户的区域作为目标区域。
具体的,针对目标区域中每一目标用户,可以采用路径规划算法,根据该目标用户的起终点信息,为该目标用户规划目标区域内的从起点到终点的至少两个可达导航路径。路径规划算法可以为如迪克斯特拉(Dijkstra)算法、A*启发式搜索算法、D*反向增量式搜索算法、终身规划A*算法(Life Planning A*,LPA*)、模型算法等。各目标用户可以对应不同车辆,多用户导航路径规划即多车辆导航路径规划。
其中,目标区域的全局通行特征是指目标区域中各目标用户的整体通行特征,而非目标区域中单个目标用户的局部通行特征,用于以目标区域的全局通行时长为目标进行协同路径规划。
相关技术中,根据单个目标用户的通行时长进行路径规划,而不考虑目标区域中其他用户的影响。具体的,针对每一目标用户,分别确定该目标用户的各可达导航路径的通行时长,且将通行时长最短的可达导航路径作为该目标用户的推荐导航路径。以如下出行需求为例:在目标区域中6位目标用户的起点均为A点,终点均为B点,且可达导航路径包括路径1、路径2和路径3为例,且路径2、路径3、路径1的通行时长依次增加。参考图1b,相关技术中各目标用户均将通行时长最短的路径2作为推荐导航路径,导致路径2超过负载而发生拥堵,拖慢了路径2上各用户的通行效率,从而增加了各用户的通行时长。
然而,本公开实施例通过确定目标区域的全局通行特征,以优化目标区域中各用户的全局通行时长为目标确定推荐导航路径,即以目标区域的全局利益为目标进行导航路径规划。仍以上述出行需求为例,参考图1c,为了降低6位用户的全局通行时长,可以适当分配部分用户至路径1或路径3,例如目标区域中3位用户将路径2作为推荐导航路径,2位用户将路径3作为推荐导航路径,1位用户将路径1作为推荐导航路径。基于全局利益的导航路径规划实现整体交通资源的合理动态管理,使得交通网负载更加均匀,缓解交通拥堵,进而降低单个目标用户的平均通行时间,提高目标区域的平均出行效率。
本公开实施例的技术方案,通过基于全局利益的导航路径规划,考虑目标区域的全局通行时长,可以从全局通勤效率上为多用户提供合理的推荐导航路径,更有利于提升目标区域的整体通勤效率。
图2是根据本公开实施例提供的另一种导航路径规划方法的示意图。本实施例是在上述实施例的基础上提出的一种可选方案。参见图2,本实施例提供的导航路径规划方法包括:
S210、为目标区域中至少两个目标用户分别规划可达导航路径;
S220、从所述可达导航路径中为目标用户选择候选导航路径,得到目标区域的候选导航路径组;
S230、根据所述目标区域的候选导航路径组,确定所述候选导航路径组的全局通行时长;
S240、根据所述候选导航路径组的全局通行时长,从所述候选导航路径组合中选择推荐导航路径组,且根据所述推荐导航路径组得到至少两个目标用户的推荐导航路径。
其中,候选导航路径组包括为每一目标用户选择的候选导航路径,候选导航路径组中的候选导航路径数量与目标用户的数量相同。具体的,针对目标区域中的每一目标用户,可以为该目标用户规划至少两个可达导航路径;从该目标用户的可达导航路径中为该目标用户选择候选导航路径,得到包括各目标用户的候选导航路径的候选导航路径组。需要说明的是,本公开实施例对候选导航路径组的数量不做具体限定,以目标区域中有3位目标用户,且每位目标用户有3个可达导航路径为例,候选导航路径组的最大数量为27。
其中,候选导航路径组的全局通行时长可以根据如下方式确定:针对候选导航路径组中的每一候选导航路径,根据该候选导航路径中各路段的长度和路段在目标时间窗口的目标通行速度确定该候选导航路径的通行时长;对候选导航路径组中各候选导航路径的通行时长进行求和,得到候选导航路径组的全局通行时长,作为目标区域的全局通行特征。目标时间窗口可以位于当前时间窗口之后,例如可以为下一时间窗口,对单个时间窗口的长度不做具体限定,例如可以30分钟或1小时等。
并且,可以根据各候选导航路径组的全局通行时长,从各候选导航路径组中选择推荐导航路径组,例如可以将全局通行时长最短的候选导航路径组作为推荐导航路径组,且将推荐导航路径组中的目标用户的候选导航路径作为目标用户的推荐导航路径。需要说明的是,可以采用中央调控算法,基于全局利益对多用户导航路径进行规划。通过以目标区域的整体交通通行时长为目标,根据目标区域中全局路况特征确定各候选导航路径组的全局通行时长,并根据全局通行时长从各候选导航路径组中选择推荐导航路径组,得到目标用户的推荐导航路径,实现了目标区域的全局优化,提高了整体通行效率。
在一种可选实施方式中,从可达导航路径中为目标用户选择候选导航路径,得到目标区域的候选导航路径组,包括:从目标区域中选择第一数量的目标用户作为第一类用户,且将目标区域中除第一类用户之外的其他目标用户作为第二类用户;确定所述可达导航路径在目标时间窗口的通行时长;从除通行时长最短的第一类用户的可达导航路径之外的其他可达导航路径中为所述第一类用户选择候选导航路径,且将通行时长最短的第二类用户的可达导航路径作为所述第二类用户的候选导航路径,得到目标区域的候选导航路径组。
其中,第一数量可以根据目标用户数量和第一比例阈值确定,例如可以将目标用户数量与第一比例阈值之间的乘积作为第一数量。第一比例阈值可以为固定值例如30%。另外,为了节约算力,第一数量可以为固定数值,因而第一比例阈值可以目标用户数量和第一数量动态确定。
具体的,针对第二类用户,可以将通行时长最短的可达导航路径作为候选导航路径,即第二类用户的候选导航路径固定;针对第一类用户,可以从除通行时长最短的其他可达导航路径中选择候选导航路径,即第一类用户的候选导航路径可以不止一个。通过将通行时长最短的可达导航路径作为第二类用户的候选导航路径,且动态为第一类用户选择候选导航路径,能够降低目标区域中候选导航路径组的数量,从而节约算力,进一步提高导航路径规划效率。
本公开实施例的技术方案,通过确定目标区域的候选导航路径组,并根据候选导航路径组的全局通行时长从候选导航路径组中选择推荐导航路径组,得到目标用户的推荐导航路径,实现了目标区域的全局优化,提高了整体通行效率。
图3是根据本公开实施例提供的又一种导航路径规划方法的示意图。本实施例是在上述实施例的基础上提出的一种可选方案。参见图3,本实施例提供的导航路径规划方法包括:
S310、为目标区域中至少两个目标用户分别规划可达导航路径;
S320、将目标路径决策模型,作为目标区域的全局通行特征;
其中,目标路径决策模型通过如下方式确定:基于多智能体强化学习,训练至少两个备选路径决策模型;基于备选路径决策模型,确定测试区域中各测试用户的全局通行时长;根据所述测试区域的全局通行时长,从备选路径决策模型中选择目标路径决策模型。
S330、根据所述目标区域的全局通行特征,从所述可达导航路径中为所述目标用户选择推荐导航路径。
其中,目标路径决策模块可以采用多智能体算法训练得到。具体的,以目标区域中单个目标用户与包括所有目标用户的整体环境之间的交互为研究对象,目标用户为智能体,将目标区域中所有用户作为自治系统,通过分配奖励信号让单个智能体自动强化学习,从而在个体利益优化的同时兼顾整体环境的利益,即兼顾目标区域的全局利益。多智能体算法的状态空间和动作空间不受用户数量影响,相比于中央调控算法的状态空间和动作空间随着用户数量呈指数级增长,能够节约计算资源,提高导航路径规划效率。
其中,备选路径决策模型的输入可以为样本区域的全局路况特征,样本用户的当前位置信息、样本用户的起终点信息,备选路径决策模型的输出可以为从可达导航路径中为样本用户选择的推荐导航路径,备选路径决策模型的奖励函数可以与样本用户的通行时长呈负相关。基于多智能体强化学习,可以分别训练至少两个备选路径决策模型,其中各备选路径决策模型的奖励函数不同。
在备选路径决策模型训练完成之后,还可以基于备选路径决策模型对测试区域中测试用户进行路径规划得到测试区域的全局通行时长;比较各备选路径决策模型关联的全局通行时长,且根据比较结果从备选路径决策模型中选择目标路径决策模型,例如可以将最短全局通行时长所关联的备选路径决策模型作为目标路径决策模型。需要说明的是,本公开实施例对多智能体算法不做具体限定。例如,可以构建多智能体的马尔科夫决策过程,通过奖励最大化对模型参数进行调整。
在一种可选实施方式中,所述根据所述目标区域的全局通行特征,从所述可达导航路径中为所述目标用户选择推荐导航路径,包括:将目标区域的全局路况特征、目标用户的当前位置信息、目标用户的起终点信息作为所述目标路径决策模型的输入,得到目标路径决策模型从可达导航路径中为所述目标用户选择的推荐导航路径。
在本公开实施例中,目标路径决策模型作为目标区域的全局通行特征,能够兼顾个体利益优化和目标区域的全局利益优化。具体的,针对目标区域中每一目标用户,将目标区域的全局路况特征,该目标用户的当前位置信息,该目标用户的起终点信息,作为目标路径决策模型的输入得到目标路径决策模型为该目标用户选择的推荐导航路径。
其中,目标区域的全局路况特征可以包括但不限于路网拓扑信息、路况信息、道路信息、环境信息。其中,路况信息主要体现路段粒度的信息,包括拥堵等级、用户层面的历史通行时长等。道路信息主要包括车道、地理位置、干预信息等,车道信息可以为车道的数量、限速信息等,地理信息可以为经纬度信息等,干预信息可以为交通管制信息等,环境信息主要指与道路无关的如天气类、时段、节假日等。
本公开实施例的技术方案,通过多智能体算法将所有个体作为自治系统,通过分配奖励信号让每个个体自动学习,以达到个体利益最大化的同时系统利益最大化。
在一种可选实施方式中,确定目标区域的全局通行特征之前,还包括:根据目标区域中路段在目标时间窗口的目标通行速度,确定所述可达导航路径在目标时间窗口的拥堵程度;根据所述可达导航路径在目标时间窗口的拥堵程度,确定是否触发全局通行特征的处理操作。
具体的,可以将可达导航路径中路段的目标通行速度和拥堵情况关系进行比较,并根据比较结果确定可达导航路径在目标时间窗口的拥堵程度,其中,拥堵情况关系可以预先确定,比如0-20公里/时表示拥堵,20-40公里/时表示缓行,40公里以上表示畅通。
并且,若可达导航路径在目标时间窗口的拥堵程度满足拥堵变道条件,则触发全局通行特征的处理操作,执行基于全局利益的多车协同路径规划;否则,无需触发全局通行特征的处理操作,可以将通行时长最短的可达导航路径作为推荐导航路径。拥堵变道条件可以为可达导航路径的拥堵占比大于比例阈值。通过在满足拥堵变道条件的情况下基于全局利益进行导航路径规划,在不满足拥堵变道条件的情况下仍然基于个体利益进行导航路径规划,能够在通行效率和路径规划的计算资源消耗之间达到平衡,即能够兼顾通行效率和资源消耗。
在一种可选实施方式中,确定所述可达导航路径在目标时间窗口的拥堵程度之前,还包括:确定目标区域中路段在当前时间窗口的当前通行速度;根据所述路段的历史流量数据、环境信息、道路干预信息和路段在当前时间窗口的当前通行速度,确定路段在目标时间窗口的目标通行速度。
具体的,可以根据目标区域的全局路况特征、目标用户的当前位置信息,确定目标区域中路段在当前时间窗口的平均行驶速度;基于XGBoost(并升树提升)算法或其他回归算法训练回归器;采用回归器,根据路段的历史流量数据、环境信息、道路干预信息和路段在当前时间窗口的当前通行速度,确定路段在目标时间窗口的目标通行速度。其中,目标通行速度用于计算路段的通行时长,进而确定目标区域的全局通行时长。通过回归确定路段在目标时间窗口的目标通行速度,能够提高目标通行速度的准确率,从而提高路段、可达导航路径、候选导航路径、全局通行时长的准确度。
图4是根据本公开实施例提供的又一种导航路径规划方法的示意图。本实施例是在上述实施例的基础上提出的一种可选方案。参见图4,本实施例提供的导航路径规划方法包括:
S410、提取目标区域的路况特征;
其中,路况特征包括但不限于路网拓扑、路况信息、道路信息、环境信息。
S420、确定目标区域中路段在目标时间窗口的目标通行速度;
S430、为目标区域中至少两个目标用户分别规划可达导航路径;
S440、根据目标区域中路段在目标时间窗口的目标通行速度,确定所述可达导航路径在目标时间窗口的拥堵程度;
S450、根据所述可达导航路径在目标时间窗口的拥堵程度,确定是否触发全局通行特征的处理操作;若是,则继续执行S460;否则,可以基于个体利益,将通行时长最短的可达导航路径作为推荐导航路径。
S460、确定目标区域的全局通行特征,并根据所述目标区域的全局通行特征,从所述可达导航路径中为所述目标用户选择推荐导航路径。
具体的,可以通过如下方式确定目标区域的全局通行时长:
其中,G为目标区域的全局通行时长,n为目标区域中用户数量,L(ai,rselected)为用户ai选择的候选导航路径的长度,v(ai,rselected)为候选导航路径中路段的速度。通过对全局通行时长做最小化处理,降低目标区域中各用户的整体通行时长。
具体的,可以采用中央调度算法、多智能体算法等实现基于全局利益优化的推荐导航路径选择,充分平衡个体利益和全局利益的情况,通过均衡不同用户的路径选择,以整体最优为目标可以实现真正的个体平均最优。中央调控算法为目标区域引入中央控制器,通过中央控制器根据目标区域的全局路况特征,整体性地为目标区域中各用户选择推荐导航路径,例如整体性地为目标区域中各用户选择推荐导航路径。多智能体算法以目标区域中单个用户与整体环境的交互为研究对象,为单个用户选择推荐导航路径,相比于中央调控算法,能够将对决策空间和状态空间,从而节约计算资源。
其中,多智能体算法将所有个体(即所有用户)作为自治系统,通过分配奖励信号让每个个体自动强化学习,以个体利益最大化的同时全局利益最大化。可以将目标区域中每个用户作为一个智能体,目标区域中用户集合为多智能体集合,构建多智能体马尔科夫决策过程,通过多智能体算法优化每个智能体的价值函数,即优化每个智能体的期望累计奖励:
其中,v为累计奖励,E为期望算符,γ为奖励衰减因子,P为状态转移函数,R为奖励函数,下标i指代第i个智能体,下标-i指代除了第i个智能体之外的其他智能体,π为每个智能体的策略,s是当前智能体的状态,u是当前动作,T是总时间步长。
在多智能体强化学习过程中,每个智能体通过最大化自己的累计奖励得到自己的最佳响应策略:
其中,π*i为第i个智能体的最佳策略。
在强化学习完成后,即在采用多智能体算法成功训练得到价值网络模型(即备选路径决策模型)之后,多智能体达到马尔可夫纳什均衡,即没有任何智能体能够单方面偏离其策略来提高自己的奖励分配:
其中,π′i指除响应策略πi之外的其他响应策略。
经上述多智能体强化学习得到的备选路径决策模型用于为待处理区域中用户选择推荐导航路径。具体的,备选路径决策模型的输入可以为待处理区域的全局路况特征、待处理区域中用户的当前位置信息和用户的起终点信息,备选路径决策模型的输出可以为该用户的推荐导航路径。
基于上述多智能体强化学习,可以训练得到至少两个备选路径决策模型;针对每一备选路径决策模型,可以分别为测试区域中各测试用户选择推荐导航路径,并根据各测试用户的推荐导航路径得到该备选路径决策模型所关联的测试区域的全局通行时长。还根据各备选路径决策模型所关联的测试区域的全局通行时长,从各备选路径决策模型中选择目标路径决策模型,例如可以将全局通行时长最短的备选路径决策模型作为目标路径决策模型。目标路径决策模型采用多智能体强化学习训练得到,在多个用户的非合作博弈下通过合理分配智能体的奖励函数,重复最大化各智能体的期望累计奖励,使得在优化个人利益的同时兼顾整体效益;并且,目标路径决策模型还根据测试区域的全局通行时长筛选得到,能够进一步提高目标区域的整体通勤效率。
在路径规划过程中,可以将目标区域的全局通行特征,目标用户的当前位置信息和目标用户的起终点信息输入目标路径决策模型,得到目标路径决策模型为目标用户选择的推荐导航路径。
本公开实施例提供的技术方案,根据目前导航最佳路径选择的局限性,提出了基于目标区域中各用户整体通行时间即全局利益的导航规划方案,相比于单用户导航方案,可以从全局通勤效率上为目标区域中各用户提供合理的通行路径,更有利于提升目标区域的整体通勤效率。
图5是根据本公开实施例提供的一种导航路径规划装置的示意图,本实施例可适用于基于电子地图为用户提供推荐路径的情况,该装置配置于电子设备中,该电子设备可以为扫描笔,可实现本公开任意实施例所述的导航路径规划方法。参考图5,该导航路径规划装置500具体包括如下:
可达路径规划模块510,用于为目标区域中至少两个目标用户分别规划可达导航路径;
推荐路径选择模块520,用于确定目标区域的全局通行特征,并根据所述目标区域的全局通行特征,从所述可达导航路径中为所述目标用户选择推荐导航路径。
在一种可选实施方式中,所述推荐路径选择模块520包括:
候选路径组单元,用于从所述可达导航路径中为目标用户选择候选导航路径,得到目标区域的候选导航路径组;
全局时长单元,用于根据所述目标区域的候选导航路径组,确定所述候选导航路径组的全局通行时长;
推荐路径组选择单元,用于根据所述候选导航路径组的全局通行时长,从所述候选导航路径组中选择推荐导航路径组,且根据所述推荐导航路径组得到至少两个目标用户的推荐导航路径。
在一种可选实施方式中,所候选路径组单元包括:
用户选择子单元,用于从目标区域中选择第一数量的目标用户作为第一类用户,且将目标区域中除第一类用户之外的其他目标用户作为第二类用户;其中,第一数量根据目标用户数量和第一比例阈值确定;
通行时长子单元,用于确定所述可达导航路径在目标时间窗口的通行时长;
路径组子单元,用于从除通行时长最短的第一类用户的可达导航路径之外的其他可达导航路径中为所述第一类用户选择候选导航路径,且将通行时长最短的第二类用户的可达导航路径作为所述第二类用户的候选导航路径,得到目标区域的候选导航路径组。
在一种可选实施方式中,该导航路径规划装置500还包括全局通行触发模块,所述全局通行触发模块包括:
拥堵确定单元,用于根据目标区域中路段在目标时间窗口的目标通行速度,确定所述可达导航路径在目标时间窗口的拥堵程度;
全局通行触发单元,用于根据所述可达导航路径在目标时间窗口的拥堵程度,确定是否触发全局通行特征的处理操作。
在一种可选实施方式中,该导航路径规划装置500还包括目标速度模块,所述目标速度模块包括:
当前速度单元,用于确定目标区域中路段在当前时间窗口的当前通行速度;
目标速度单元,用于根据所述路段的历史流量数据、环境信息、道路干预信息和路段在当前时间窗口的当前通行速度,确定路段在目标时间窗口的目标通行速度。
在一种可选实施方式中,所述推荐路径选择模包括:
全局特征单元,用于将目标路径决策模型,作为目标区域的全局通行特征;
其中,所述目标路径决策模型通过如下方式确定:基于多智能体强化学习,训练至少两个备选路径决策模型;基于备选路径决策模型,确定测试区域中各测试用户的全局通行时长;根据所述测试区域的全局通行时长,从备选路径决策模型中选择目标路径决策模型。
在一种可选实施方式中,所述推荐路径选择模块520包括:
推荐路径单元,用于将目标区域的全局路况特征、目标用户的当前位置信息、目标用户的起终点信息作为所述目标路径决策模型的输入,得到目标路径决策模型从可达导航路径中为所述目标用户选择的推荐导航路径。
本实施例的技术方案,根据目前导航最佳路径选择的局限性,基于目标区域中各用户整体通行时间即全局利益的导航规划方案,可以从全局通勤效率上为目标区域中各用户提供合理的通行路径,更有利于提升目标区域的整体通勤效率。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图6所示,设备600包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM 603中,还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储单元608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种执行机器学习模型算法的计算单元、数字信息处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理,例如导航路径规划方法。例如,在一些实施例中,导航路径规划方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时,可以执行上文描述的导航路径规划方法的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行导航路径规划方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上执行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (10)
1.一种导航路径规划方法,包括:
为目标区域中至少两个目标用户分别规划可达导航路径;
确定目标区域的全局通行特征,并根据所述目标区域的全局通行特征,从所述可达导航路径中为所述目标用户选择推荐导航路径;
其中,所述确定目标区域的全局通行特征,并根据所述目标区域的全局通行特征,从所述可达导航路径中为所述目标用户选择推荐导航路径,包括:
从所述可达导航路径中为目标用户选择候选导航路径,得到目标区域的候选导航路径组;
根据所述目标区域的候选导航路径组,确定所述候选导航路径组的全局通行时长;
根据所述候选导航路径组的全局通行时长,从所述候选导航路径组中选择推荐导航路径组,且根据所述推荐导航路径组得到至少两个目标用户的推荐导航路径;
其中,所述候选导航路径组包括每一目标用户选择的候选导航路径,所述候选导航路径组中的候选导航路径数量与目标用户的数量相同;
其中,所述从所述可达导航路径中为目标用户选择候选导航路径,得到目标区域的候选导航路径组,包括:
从目标区域中选择第一数量的目标用户作为第一类用户,且将目标区域中除第一类用户之外的其他目标用户作为第二类用户;其中,第一数量为目标用户数量与第一比例阈值之间的乘积;
确定所述可达导航路径在目标时间窗口的通行时长;
从除通行时长最短的第一类用户的可达导航路径之外的其他可达导航路径中为所述第一类用户选择候选导航路径,且将通行时长最短的第二类用户的可达导航路径作为所述第二类用户的候选导航路径,得到目标区域的候选导航路径组;
其中,所述候选导航路径组的所述全局通行时长根据如下方式确定:针对所述候选导航路径组中的每一候选导航路径,根据所述候选导航路径中各路段的长度和路段在所述目标时间窗口的目标通行速度确定所述候选导航路径的通行时长;对所述候选导航路径组中各所述候选导航路径的通行时长进行求和,得到所述候选导航路径组的全局通行时长;
其中,所述确定目标区域的全局通行特征之前,还包括:
根据目标区域中路段在目标时间窗口的目标通行速度,确定所述可达导航路径在目标时间窗口的拥堵程度;
其中,所述确定所述可达导航路径在目标时间窗口的拥堵程度之前,还包括:
根据目标区域的全局路况特征、目标用户的当前位置信息,确定目标区域中路段在当前时间窗口的平均行驶速度;基于并升树提升算法训练回归器;采用回归器,根据所述路段的历史流量数据、环境信息、道路干预信息和路段在当前时间窗口的当前通行速度,确定路段在目标时间窗口的目标通行速度。
2.根据权利要求1所述的方法,所述确定目标区域的全局通行特征之前,还包括:
根据所述可达导航路径在目标时间窗口的拥堵程度,确定是否触发全局通行特征的处理操作。
3.根据权利要求1所述的方法,所述确定目标区域的全局通行特征,包括:
将目标路径决策模型,作为目标区域的全局通行特征;
其中,所述目标路径决策模型通过如下方式确定:基于多智能体强化学习,训练至少两个备选路径决策模型;基于备选路径决策模型,确定测试区域中各测试用户的全局通行时长;根据所述测试区域的全局通行时长,从备选路径决策模型中选择目标路径决策模型。
4.根据权利要求3所述的方法,其中,所述根据所述目标区域的全局通行特征,从所述可达导航路径中为所述目标用户选择推荐导航路径,包括:
将目标区域的全局路况特征、目标用户的当前位置信息、目标用户的起终点信息作为所述目标路径决策模型的输入,得到目标路径决策模型从可达导航路径中为所述目标用户选择的推荐导航路径。
5.一种导航路径规划装置,包括:
可达路径规划模块,用于为目标区域中至少两个目标用户分别规划可达导航路径;
推荐路径选择模块,用于确定目标区域的全局通行特征,并根据所述目标区域的全局通行特征,从所述可达导航路径中为所述目标用户选择推荐导航路径;
其中,所述推荐路径选择模块包括:
候选路径组单元,用于从所述可达导航路径中为目标用户选择候选导航路径,得到目标区域的候选导航路径组;
全局时长单元,用于根据所述目标区域的候选导航路径组,确定所述候选导航路径组的全局通行时长;
推荐路径组选择单元,用于根据所述候选导航路径组的全局通行时长,从所述候选导航路径组中选择推荐导航路径组,且根据所述推荐导航路径组得到至少两个目标用户的推荐导航路径;
其中,所述候选导航路径组包括每一目标用户选择的候选导航路径,所述候选导航路径组中的候选导航路径数量与目标用户的数量相同;
其中,所候选路径组单元包括:
用户选择子单元,用于从目标区域中选择第一数量的目标用户作为第一类用户,且将目标区域中除第一类用户之外的其他目标用户作为第二类用户;其中,第一数量为目标用户数量与第一比例阈值之间的乘积;通行时长子单元,用于确定所述可达导航路径在目标时间窗口的通行时长;
路径组子单元,用于从除通行时长最短的第一类用户的可达导航路径之外的其他可达导航路径中为所述第一类用户选择候选导航路径,且将通行时长最短的第二类用户的可达导航路径作为所述第二类用户的候选导航路径,得到目标区域的候选导航路径组;
其中,所述候选导航路径组的所述全局通行时长根据如下方式确定:针对所述候选导航路径组中的每一候选导航路径,根据所述候选导航路径中各路段的长度和路段在所述目标时间窗口的目标通行速度确定所述候选导航路径的通行时长;对所述候选导航路径组中各所述候选导航路径的通行时长进行求和,得到所述候选导航路径组的全局通行时长;
其中,所述装置还包括全局通行触发模块,所述全局通行触发模块包括:
拥堵确定单元,用于根据目标区域中路段在目标时间窗口的目标通行速度,确定所述可达导航路径在目标时间窗口的拥堵程度;
所述装置还包括目标速度模块,所述目标速度模块包括:
当前速度单元,用于根据目标区域的全局路况特征、目标用户的当前位置信息,确定目标区域中路段在当前时间窗口的平均行驶速度;
目标速度单元,用于基于并升树提升算法训练回归器;采用回归器,根据所述路段的历史流量数据、环境信息、道路干预信息和路段在当前时间窗口的当前通行速度,确定路段在目标时间窗口的目标通行速度。
6.根据权利要求5所述的装置,所述装置还包括全局通行触发模块,所述全局通行触发模块包括:
全局通行触发单元,用于根据所述可达导航路径在目标时间窗口的拥堵程度,确定是否触发全局通行特征的处理操作。
7.根据权利要求5所述的装置,所述推荐路径选择模包括:
全局特征单元,用于将目标路径决策模型,作为目标区域的全局通行特征;
其中,所述目标路径决策模型通过如下方式确定:基于多智能体强化学习,训练至少两个备选路径决策模型;基于备选路径决策模型,确定测试区域中各测试用户的全局通行时长;根据所述测试区域的全局通行时长,从备选路径决策模型中选择目标路径决策模型。
8.根据权利要求7所述的装置,其中,所述推荐路径选择模包括:
推荐路径单元,用于将目标区域的全局路况特征、目标用户的当前位置信息、目标用户的起终点信息作为所述目标路径决策模型的输入,得到目标路径决策模型从可达导航路径中为所述目标用户选择的推荐导航路径。
9. 一种电子设备,其中,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-4中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令在被处理器执行时实现根据权利要求1-4中任一项所述的方法。
Priority Applications (6)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111015963.5A CN113758494B (zh) | 2021-08-31 | 2021-08-31 | 导航路径规划方法、装置、设备和存储介质 |
PCT/CN2022/089784 WO2023029534A1 (zh) | 2021-08-31 | 2022-04-28 | 导航路径规划方法、装置、设备和存储介质 |
KR1020227039521A KR20230035227A (ko) | 2021-08-31 | 2022-04-28 | 내비게이션 경로 계획 방법, 장치, 설비 및 저장 매체 |
JP2022566307A JP2023542576A (ja) | 2021-08-31 | 2022-04-28 | ナビ経路計画方法、ナビ経路計画装置、電子機器、非一時的コンピュータ可読記憶媒体及びコンピュータプログラム |
US17/999,917 US20230243661A1 (en) | 2021-08-31 | 2022-04-28 | Navigation path planning method and apparatus, device, and storage medium |
EP22789824.4A EP4174442A1 (en) | 2021-08-31 | 2022-04-28 | Navigation path planning method and apparatus, device, and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111015963.5A CN113758494B (zh) | 2021-08-31 | 2021-08-31 | 导航路径规划方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113758494A CN113758494A (zh) | 2021-12-07 |
CN113758494B true CN113758494B (zh) | 2023-07-28 |
Family
ID=78792232
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111015963.5A Active CN113758494B (zh) | 2021-08-31 | 2021-08-31 | 导航路径规划方法、装置、设备和存储介质 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20230243661A1 (zh) |
EP (1) | EP4174442A1 (zh) |
JP (1) | JP2023542576A (zh) |
KR (1) | KR20230035227A (zh) |
CN (1) | CN113758494B (zh) |
WO (1) | WO2023029534A1 (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113758494B (zh) * | 2021-08-31 | 2023-07-28 | 北京百度网讯科技有限公司 | 导航路径规划方法、装置、设备和存储介质 |
CN113908551B (zh) * | 2021-12-14 | 2022-03-11 | 腾讯科技(深圳)有限公司 | 导航路径的确定方法、装置、设备、存储介质及程序产品 |
CN114281087B (zh) * | 2021-12-31 | 2023-11-03 | 东南大学 | 基于终身规划a*和速度障碍法的路径规划方法 |
CN116128013B (zh) * | 2023-04-07 | 2023-07-04 | 中国人民解放军国防科技大学 | 基于多样性种群训练的临机协同方法、装置和计算机设备 |
CN117232531B (zh) * | 2023-11-14 | 2024-01-30 | 长沙小钴科技有限公司 | 机器人导航规划方法及存储介质和终端设备 |
CN117928568A (zh) * | 2024-03-22 | 2024-04-26 | 腾讯科技(深圳)有限公司 | 基于人工智能的导航方法、模型训练方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013057544A (ja) * | 2011-09-07 | 2013-03-28 | I-Transport Lab Co Ltd | 交通状況の経路案内装置、経路案内方法及び経路案内プログラム |
CN110310480A (zh) * | 2019-06-25 | 2019-10-08 | 电子科技大学 | 一种基于拥塞控制的实时路径规划方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6460489B2 (ja) * | 2015-01-16 | 2019-01-30 | 三菱重工機械システム株式会社 | ナビゲーションシステム及び車載器 |
CN107421556B (zh) * | 2017-08-23 | 2020-07-03 | 上海车音智能科技有限公司 | 导航路径推送方法及装置 |
CN108280181A (zh) * | 2018-01-23 | 2018-07-13 | 成都信达智胜科技有限公司 | 网络数据的快速处理方法 |
CN108847037B (zh) * | 2018-06-27 | 2020-11-17 | 华中师范大学 | 一种面向非全局信息的城市路网路径规划方法 |
US10984654B2 (en) * | 2018-09-10 | 2021-04-20 | International Business Machines Corporation | Cooperative traffic flow optimization |
CN111307169B (zh) * | 2018-11-22 | 2022-05-24 | 北京图森智途科技有限公司 | 一种路径规划方法、路径规划装置及无人驾驶车 |
CN110702129B (zh) * | 2019-05-31 | 2022-02-18 | 北京嘀嘀无限科技发展有限公司 | 用于路径规划的系统和方法 |
CN110398254B (zh) * | 2019-08-23 | 2021-10-01 | 福建工程学院 | 一种减缓交通拥挤的方法及系统 |
CN111982138B (zh) * | 2020-07-09 | 2022-06-28 | 北京百度网讯科技有限公司 | 预测模型获取及路径规划方法、装置及存储介质 |
CN112414420B (zh) * | 2020-08-13 | 2023-05-02 | 腾讯科技(深圳)有限公司 | 一种基于交通流量的导航方法以及相关装置 |
CN113029183B (zh) * | 2021-05-26 | 2021-08-27 | 北京玻色量子科技有限公司 | 一种导航路径规划方法及装置 |
CN113758494B (zh) * | 2021-08-31 | 2023-07-28 | 北京百度网讯科技有限公司 | 导航路径规划方法、装置、设备和存储介质 |
-
2021
- 2021-08-31 CN CN202111015963.5A patent/CN113758494B/zh active Active
-
2022
- 2022-04-28 KR KR1020227039521A patent/KR20230035227A/ko not_active Application Discontinuation
- 2022-04-28 EP EP22789824.4A patent/EP4174442A1/en not_active Withdrawn
- 2022-04-28 US US17/999,917 patent/US20230243661A1/en active Pending
- 2022-04-28 JP JP2022566307A patent/JP2023542576A/ja active Pending
- 2022-04-28 WO PCT/CN2022/089784 patent/WO2023029534A1/zh unknown
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013057544A (ja) * | 2011-09-07 | 2013-03-28 | I-Transport Lab Co Ltd | 交通状況の経路案内装置、経路案内方法及び経路案内プログラム |
CN110310480A (zh) * | 2019-06-25 | 2019-10-08 | 电子科技大学 | 一种基于拥塞控制的实时路径规划方法 |
Non-Patent Citations (1)
Title |
---|
龚等.融合框架下的系统诱导算法.《城市道路交通诱导与控制融合系统理论及方法》.北京交通大学出版社,2019,第132-148页. * |
Also Published As
Publication number | Publication date |
---|---|
US20230243661A1 (en) | 2023-08-03 |
JP2023542576A (ja) | 2023-10-11 |
WO2023029534A1 (zh) | 2023-03-09 |
KR20230035227A (ko) | 2023-03-13 |
CN113758494A (zh) | 2021-12-07 |
EP4174442A1 (en) | 2023-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113758494B (zh) | 导航路径规划方法、装置、设备和存储介质 | |
CN109724611B (zh) | 路径规划方法、装置、电子设备及存储介质 | |
CN114581180B (zh) | 一种充电站推荐方法、充电桩状态的确定方法及装置 | |
CN108764765A (zh) | 一种派送路径确定方法、装置、终端和存储介质 | |
US10989549B2 (en) | Route recommendation in map service | |
WO2018034820A1 (en) | On-demand shortcut computation for routing | |
CN114254784A (zh) | 信息推送方法、信息推送装置和存储介质 | |
CN111476389A (zh) | 一种预估接单等待时长的方法及装置 | |
CN113899381B (zh) | 用于生成路线信息的方法、装置、设备、介质和产品 | |
CN114543829A (zh) | 模型训练方法、导航轨迹的推荐方法、装置及车辆 | |
CN113489787A (zh) | 一种移动边缘计算的服务与数据协同迁移的方法和装置 | |
CN113706857B (zh) | 道路通行性的确定方法、装置、设备及存储介质 | |
CN113139139A (zh) | 用于确定上车点的方法、装置、电子设备和介质 | |
CN113902427B (zh) | 一种预估到达时间的确定方法、装置、设备及存储介质 | |
CN113344277B (zh) | 预测模型训练方法、状态更新方法、装置、设备和介质 | |
CN113837455B (zh) | 打车方法、装置、电子设备和可读存储介质 | |
CN110542428B (zh) | 驾驶路线质量评估方法及装置 | |
CN113868532B (zh) | 一种地点推荐方法、装置、电子设备及存储介质 | |
CN114970949B (zh) | 行驶速度预测方法、装置、电子设备及存储介质 | |
CN116884215B (zh) | 交通状态的预测、模型的生成方法、装置、设备及介质 | |
CN115046564B (zh) | 导航处理方法、装置、设备及存储介质 | |
CN117302268A (zh) | 行驶策略确定方法、模型训练方法以及自动驾驶车辆 | |
US20220026222A1 (en) | Method, Machine Readable Medium, Device, and Vehicle For Determining a Route Connecting a Plurality of Destinations in a Road Network, Method, Machine Readable Medium, and Device For Training a Machine Learning Module | |
CN114647799A (zh) | 路径推荐方法、路径推荐模型的训练方法及装置 | |
CN113379304A (zh) | 用于确定用电量的方法和装置 |
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 |