CN113865603A - 共享无人车路径规划方法、装置、设备及存储介质 - Google Patents

共享无人车路径规划方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113865603A
CN113865603A CN202110980742.5A CN202110980742A CN113865603A CN 113865603 A CN113865603 A CN 113865603A CN 202110980742 A CN202110980742 A CN 202110980742A CN 113865603 A CN113865603 A CN 113865603A
Authority
CN
China
Prior art keywords
path
potential
unmanned vehicle
network model
path planning
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
CN202110980742.5A
Other languages
English (en)
Inventor
罗文�
梁远桂
覃秋玉
宋萍
陈娟
罗捷
农东华
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.)
Dongfeng Liuzhou Motor Co Ltd
Original Assignee
Dongfeng Liuzhou Motor 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 Dongfeng Liuzhou Motor Co Ltd filed Critical Dongfeng Liuzhou Motor Co Ltd
Priority to CN202110980742.5A priority Critical patent/CN113865603A/zh
Publication of CN113865603A publication Critical patent/CN113865603A/zh
Pending legal-status Critical Current

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
    • G01C21/3407—Route searching; Route guidance specially adapted for specific applications
    • G01C21/3415—Dynamic re-routing, e.g. recalculating the route when the user deviates from calculated route or after detecting real-time traffic data or accidents
    • 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
    • G01C21/3453—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

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)

Abstract

本发明属于无人驾驶技术领域，公开了一种共享无人车路径规划方法、装置、设备及存储介质。该方法包括：根据预设自学习网络模型对预设区域内的潜在召车请求进行预测，得到潜在召车请求的位置以及时间；根据当前载客模式确定对应的路径规划策略；根据路径规划策略对潜在召车请求的位置以及时间进行分析，得到共享无人车的规划行驶路径。通过上述方式，采用自学习的方式获取潜在召车请求的位置及时间，根据潜在请求信息以及当前无人车的载客模式进行路径规划，提前预测潜在召车请求，主动式迎合潜在召车群体，进一步提高车辆利用率及召车效率。

Description

共享无人车路径规划方法、装置、设备及存储介质
技术领域
本发明涉及无人驾驶技术领域，尤其涉及一种共享无人车路径规划方法、装置、设备及存储介质。
背景技术
现有的共享无人车(Robo-taxi)在接收到召车指令信号时，平台根据召车位置及最近的无人驾驶车位置规划路径，这种方式缺乏效率，并且最近的车辆不一定是效率最高的车辆，如果无人驾驶空车离常见的召车位置远，会一直不被使用处于空车状态，车辆利用率低。
中国专利申请：一种网约无人驾驶车辆路径规划方法及系统(公开号：CN111476388A)公开了移动终端设备将约车用户的请求停车地点发送至网络服务器；网络服务器根据所述请求停车地点就近匹配一辆无人驾驶车辆并下发所述请求停车地点至无人驾驶车辆高精度地图模块；无人驾驶车辆高精度地图模块依据高精度地图的路况信息优化所述请求停车地点生成最终停车地点；无人驾驶车辆高精度地图模块依据所述最终停车地点生成路径规划信息，并将所述路径规划信息通过所述网络服务器发送至所述移动终端设备。但是该专利存在以下缺陷：就近匹配无人驾驶车辆，并依托高精度地图及路况信息对路径规划进行优化，无人驾驶车只能依据请求进行规划，该方式属于“被动式”的召车，召车效率低，并且距离最近的车辆并不一定是效率最高的车辆，存在召车效率低，车辆利用率低的问题。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种共享无人车路径规划方法、装置、设备及存储介质，旨在解决现有的共享无人车召车为被动召车，召车效率低、车辆利用率低的技术问题。
为实现上述目的，本发明提供了一种共享无人车路径规划方法，所述方法包括以下步骤：
根据预设自学习网络模型对预设区域内的潜在召车请求进行预测，得到所述潜在召车请求的位置以及时间；
根据当前载客模式确定对应的路径规划策略；
根据所述路径规划策略对所述潜在召车请求的位置以及时间进行分析，得到共享无人车的规划行驶路径。
可选地，所述根据所述路径规划策略对所述潜在召车请求的位置以及时间进行分析，得到共享无人车的规划行驶路径，包括：
根据所述潜在召车请求的位置以及时间构建离散路径点集合；
根据当前位置、当前时间以及所述离散路径点集合进行路径拟合，得到若干参考路径轨迹；
根据所述路径规划策略从所述若干参考路径轨迹中选取目标路径轨迹；
根据所述目标路径轨迹确定共享无人车的规划行驶路径。
可选地，所述根据所述路径规划策略从所述若干参考路径轨迹中选取目标路径轨迹，包括：
根据所述路径规划策略确定对应的影响因子权重；
根据所述影响因子权重生成对应的路径代价函数；
根据所述路径代价函数对所述若干参考路径轨迹进行分析，确定所述若干参考路径轨迹对应的函数代价值；
根据所述函数代价值从所述若干参考路径轨迹中选取目标路径轨迹。
可选地，所述根据所述路径代价函数对所述若干参考路径轨迹进行分析，确定所述若干参考路径轨迹对应的函数代价值，包括：
根据所述路径代价函数确定若干参考路径轨迹对应的潜在位置偏离代价值、拥堵代价值、途经红绿灯代价值以及路程距离代价值；
根据所述潜在位置偏离代价值、所述拥堵代价值、所述途经红绿灯代价值以及所述路程距离代价值确定所述若干参考路径轨迹对应的函数代价值。
可选地，所述根据预设自学习网络模型对预设区域内的潜在召车请求进行预测，得到所述潜在召车请求的位置以及时间之前，所述方法还包括：
以若干高斯函数的组合作为核函数构建初始自学习网络模型；
获取历史召车请求的历史位置和历史时间；
根据所述历史位置和历史时间构建训练集；
根据所述训练集对所述初始自学习网络模型进行训练，得到预设自学习网络模型。
可选地，所述根据所述训练集对所述初始自学习网络模型进行训练，得到预设自学习网络模型，包括：
将所述训练集输入至所述初始自学习网络模型，输出对应的分布概率；
根据预设代价函数对所述分布概率进行训练，得到所述初始自学习网络模型对应的模型参数；
根据所述初始自学习网络模型以及所述模型参数构建预设自学习网络模型。
可选地，所述当前载客模式包括无客模式、快车模式以及拼车模式中的任一种模式。
此外，为实现上述目的，本发明还提出一种共享无人车路径规划装置，所述共享无人车路径规划装置包括：
预测模块，用于根据预设自学习网络模型对预设区域内的潜在召车请求进行预测，得到所述潜在召车请求的位置以及时间；
确定模块，用于根据当前载客模式确定对应的路径规划策略；
规划模块，用于根据所述路径规划策略对所述潜在召车请求的位置以及时间进行分析，得到共享无人车的规划行驶路径。
此外，为实现上述目的，本发明还提出一种共享无人车路径规划设备，所述共享无人车路径规划设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的共享无人车路径规划程序，所述共享无人车路径规划程序配置为实现如上文所述的共享无人车路径规划方法。
此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有共享无人车路径规划程序，所述共享无人车路径规划程序被处理器执行时实现如上文所述的共享无人车路径规划方法。
本发明根据预设自学习网络模型对预设区域内的潜在召车请求进行预测，得到潜在召车请求的位置以及时间；根据当前载客模式确定对应的路径规划策略；根据路径规划策略对潜在召车请求的位置以及时间进行分析，得到共享无人车的规划行驶路径。通过上述方式，采用自学习的方式获取潜在召车请求的位置及时间，根据潜在请求信息以及当前无人车的载客模式进行路径规划，提前预测潜在召车请求，主动式迎合潜在召车群体，进一步提高车辆利用率及召车效率。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的共享无人车路径规划设备的结构示意图；
图2为本发明共享无人车路径规划方法第一实施例的流程示意图；
图3为本发明共享无人车路径规划方法第二实施例的流程示意图；
图4为本发明共享无人车路径规划装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的共享无人车路径规划设备结构示意图。
如图1所示，该共享无人车路径规划设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity，Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory，RAM)，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对共享无人车路径规划设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及共享无人车路径规划程序。
在图1所示的共享无人车路径规划设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明共享无人车路径规划设备中的处理器1001、存储器1005可以设置在共享无人车路径规划设备中，所述共享无人车路径规划设备通过处理器1001调用存储器1005中存储的共享无人车路径规划程序，并执行本发明实施例提供的共享无人车路径规划方法。
本发明实施例提供了一种共享无人车路径规划方法，参照图2，图2为本发明共享无人车路径规划方法第一实施例的流程示意图。
本实施例中，所述共享无人车路径规划方法包括以下步骤：
步骤S10：根据预设自学习网络模型对预设区域内的潜在召车请求进行预测，得到所述潜在召车请求的位置以及时间。
可以理解的是，本实施例的执行主体为共享无人车路径规划设备，所述共享无人车路径规划设备可以为安装于当前车辆上的控制器、整车控制器等设备，还可以为其他具备相同或相似功能的设备，本实施例对此不加以限制。在具体实现中，当前车辆上还安装有用于定位的定位模块，用于与其他无人驾驶车辆或云平台进行数据交互的通讯装置。
需要说明的是，提前对预设区域内的召车数据以及订单数据进行采集，依据历史召车请求的位置以及时间构建训练集，对预设自学习网络模型进行训练，在共享无人车在平台的控制下开始工作时，或者共享无人车完成订单服务后，或者当前载客模式为拼车模式时，触发获取潜在召车请求指令，根据当前定位信息确定当前车辆所处的区域，共享无人车路径规划设备根据定位到的区域执行步骤S10，从而得到潜在召车请求的位置以及时间。
进一步地，所述步骤S10之前，所述方法还包括：以若干高斯函数的组合作为核函数构建初始自学习网络模型；获取历史召车请求的历史位置和历史时间；根据所述历史位置和历史时间构建训练集；根据所述训练集对所述初始自学习网络模型进行训练，得到预设自学习网络模型。
可以理解的是，定义K个高斯函数的组合作为初始自学习网络模型的核函，核函数输出的分布概率表示为公式(1)：
Figure BDA0003235944180000061
其中：
Figure BDA0003235944180000062
Figure BDA0003235944180000063
Figure BDA0003235944180000064
Figure BDA0003235944180000065
其中，πk(z)表示分配系数，Φ为二元高斯函数，μk为均值，∑k(z)为协方差矩阵，σk为标准差，ρk为相关系数。混合密度网络中3个可变参数(πk(z)，μk(z)，∑k(z))为输入训练集z的函数，k表示第k个高斯函数混合。
在具体实现中，本实施例核函数选择由K＝6个二元高斯函数的线性组合构成，πk经由Softmax以确保分配系数综合为1，且各项均大于0，πk通过公式(2)表示：
Figure BDA0003235944180000066
其中，μk＝z7-18，ρk＝z19-24，σk＝exp(z25-36)
在本实施例中，每个二元高斯分布有5个参数及1个分配系数πk，故z的维度为36。
需要说明的是，训练集中包括某区域内所有召车请求的位置l及时间s，例如，某一次召车请求((x,y),s)，表示这次召车请求的经度x，纬度y，以及召车的时间s。训练集以天为单位不断的完善，无人共享车在完成当天任务后，补充当天的召车请求的位置l及时间s至训练集，不断的丰富训练样本，从而使得预设自学习网络模型输出的潜在召车请求的位置和时间更符合实际情况。
具体地，所述根据所述训练集对所述初始自学习网络模型进行训练，得到预设自学习网络模型，包括：将所述训练集输入至所述初始自学习网络模型，输出对应的分布概率；根据预设代价函数对所述分布概率进行训练，得到所述初始自学习网络模型对应的模型参数；根据所述初始自学习网络模型以及所述模型参数构建预设自学习网络模型。
可以理解的是，预设代价函数定义为极大似然函数的最小副对数，通过公式(3)表征预设代价函数：
Figure BDA0003235944180000071
其中，T表示训练集中有T个训练样本(l(t),s(t))，代价函数J在满足预设要求时，得到初始自学习网络模型对应的模型参数，以使得预设自学习网络模型输出的潜在召车请求的位置及时间(lp,sp)尽可能接近真实召车请求的位置及时间。
具体地，所述当前载客模式包括无客模式、快车模式以及拼车模式中的任一种模式。
需要说明的是，无客模式是指共享无人车上没有乘客，没有明确目的地；快车模式是指共享无人车上有乘客，有明确目的地，中途无其他乘客上车；拼车模式是指共享无人车上有乘客，有明确目的地，中途可能有其他乘客上车。
步骤S20：根据当前载客模式确定对应的路径规划策略。
可以理解的是，不同的载客模式路径规划的侧重点不同，例如，无客模式的共享无人车需要保证能避开拥堵路段、红绿灯路段的同时，尽可能的在潜在请求时间前途径潜在请求位置；快车模式的共享无人车需要避开拥堵路段、红绿灯路段的同时，尽可能的不偏离最短路程路径；拼车模式的共享无人车需要避开拥堵路段、红绿灯路段的同时，兼顾潜在请求位置、时间以及路程。
步骤S30：根据所述路径规划策略对所述潜在召车请求的位置以及时间进行分析，得到共享无人车的规划行驶路径。
需要说明的是，潜在召车请求的位置和时间为多个，依据当前位置、当前时间以及多个潜在召车请求的位置和时间规划出多条路径，依据路径规划策略从多条路径中选择当前载客模式最匹配的路径，得到共享无人车的规划行驶路径。
本实施例根据预设自学习网络模型对预设区域内的潜在召车请求进行预测，得到潜在召车请求的位置以及时间；根据当前载客模式确定对应的路径规划策略；根据路径规划策略对潜在召车请求的位置以及时间进行分析，得到共享无人车的规划行驶路径。通过上述方式，采用自学习的方式获取潜在召车请求的位置及时间，根据潜在请求信息以及当前无人车的载客模式进行路径规划，提前预测潜在召车请求，主动式迎合潜在召车群体，进一步提高车辆利用率及召车效率。
参考图3，图3为本发明共享无人车路径规划方法第二实施例的流程示意图。
基于上述第一实施例，本实施例共享无人车路径规划方法的所述步骤S30，包括：
步骤S301：根据所述潜在召车请求的位置以及时间构建离散路径点集合。
可以理解的是，潜在召车请求的位置及时间表示(lp,sp)，根据若干潜在召车请求的位置及时间构成离散路径点集合
Figure BDA0003235944180000081
步骤S302：根据当前位置、当前时间以及所述离散路径点集合进行路径拟合，得到若干参考路径轨迹。
需要说明的是，拟合的方式采用一元三次多项式，对当前位置、当前时间以及离散路径点集合Q进行拟合，得到潜在请求位置及时间的若干参考路径轨迹vp。
步骤S303：根据所述路径规划策略从所述若干参考路径轨迹中选取目标路径轨迹。
可以理解的是，本实施例中不同的载客模式下路径规划的结果不同，通过不同的载客模式对应的路径规划策略对若干参考路径轨迹进行分析，选择符合策略要求的目标路径轨迹。
具体地，所述步骤S303，包括：根据所述路径规划策略确定对应的影响因子权重；根据所述影响因子权重生成对应的路径代价函数；根据所述路径代价函数对所述若干参考路径轨迹进行分析，确定所述若干参考路径轨迹对应的函数代价值；根据所述函数代价值从所述若干参考路径轨迹中选取目标路径轨迹。
可以理解的是，本实施例的初始路径代价函数表示为公式(4)：
Lp(v)＝aLpotential(v)+bLsmooth(v)+cLsignal(v)+dLguidance(v)(4)
其中，Lp(v)为影响因子输出的轨迹v的函数代价值，a,b,c,d为影响因子权重，即某影响因子的重要程度，在具体实现中，a+b+c+d＝1。例如，在当前载客模式为无客模式时，a＝0.5,b＝0.25,c＝0.25,d＝0，其中，Lguidance(v)表示轨迹v需要尽可能接近最短路程路径，由于无客模式共享无人车没有明确的目的地(没有乘客明确车辆目的地)，故d＝0，得到无客模式下对应的路径代价函数为：Lp(v)＝0.5Lpotential(v)+0.25Lsmooth(v)+0.25Lsignal(v)，依据各参考路径轨迹对应的函数代价值选择合适路径轨迹作为目标路径轨迹。
具体地，所述根据所述路径代价函数对所述若干参考路径轨迹进行分析，确定所述若干参考路径轨迹对应的函数代价值，包括：根据所述路径代价函数确定若干参考路径轨迹对应的潜在位置偏离代价值、拥堵代价值、途经红绿灯代价值以及路程距离代价值；根据所述潜在位置偏离代价值、所述拥堵代价值、所述途经红绿灯代价值以及所述路程距离代价值确定所述若干参考路径轨迹对应的函数代价值。
需要说明的是，公式(4)中Lpotential(v)表示轨迹v需要尽可能的在请求时间前途径更多的潜在请求位置，Lpotential(v)越大表明越偏离潜在请求位置，Lpotential(v)表示为公式(5):
Lpotential(v)＝∫(v-vp)2ds(5)
其中，vp为参考路径轨迹，根据公式(5)得到Lpotential(v)值，乘以影响因子权重a即得到潜在位置偏离代价值。
公式(4)中Lsmooth(v)表示轨迹v途径路段的拥挤度，Lsmooth(v)越大表明当前途经路段越拥挤，Lsmooth(v)越小表明当前途经路段越畅通，Lsmooth(v)表示为公式(6)：
Figure BDA0003235944180000091
具体的拥挤度可以根据导航地图上的信息确定，根据公式(6)得到的Lsmooth(v)值，乘以影响因子权重b即得到拥堵代价值。
公式(4)中Lsignal(v)表示轨迹v途径路段经过红绿灯的程度，Lsignal(v)越大表明经过红绿灯的个数越多，潜在拥堵风险越高。Lsignal(v)表示为公式(7)：
Lsignal(v)＝d/dmax(7)
其中，d表示轨迹v经过红绿灯的个数，dmax表示经过红绿灯的最大个数，根据公式(7)得到的Lsignal(v)值，乘以影响因子权重c即得到途经红绿灯代价值。在具体实现中，将参考路径轨迹输入至导航地图中，确定各轨迹对应的红绿灯个数。
公式(4)中Lguidance(v)表示轨迹v需要尽可能接近最短路程路径，Lguidance(v)表示为公式(8)：
Lguidance(v)＝∫(v-vf)2ds(8)
其中，vf表示车辆当前位置距离目的地最近的路径，根据公式(7)得到的Lguidance(v)值，乘以影响因子权重d即得到途经红绿灯代价值。
在具体实现中，不同的当前载客模式对应不同的影响因子权重，生成不同的路径代价函数，例如，在当前载客模式为无客模式时，对应的影响因子权重为a＝0.5,b＝0.25,c＝0.25,d＝0，生成的路径代价函数为Lp(v)＝0.5Lpotential(v)+0.25Lsmooth(v)+0.25Lsignal(v)，表示无客模式的共享无人车需要保证能避开拥堵路段、红绿灯路段的同时，尽可能的在潜在请求时间前途径潜在请求位置。
应当理解的是，在当前载客模式为快车模式时，对应的影响因子权重为a＝0,b＝0.25,c＝0.25,d＝0.5，生成的路径代价函数为Lf(v)＝0.25Lsmooth(v)+0.25Lsignal(v)+0.5Lguidance(v)，表示快车模式的共享无人车需要保证能避开拥堵路段、红绿灯路段的同时，尽可能的不偏离最短路程路径。
需要说明的是，在当前载客模式为拼车模式时，对应的影响因子权重为a＝0.25,b＝0.25,c＝0.25,d＝0.25，生成的路径代价函数为Lc(v)＝0.25Lpotential(v)+0.25Lsmooth(v)+0.25Lsignal(v)+0.25Lguidance(v)，表示拼车模式的共享无人车需要避开拥堵路段、红绿灯路段的同时，兼顾途经潜在请求位置、时间以及最短路程，相对于快车模式，拼车模式需要考虑潜在召车请求的位置和时间。
应当理解的是，根据各载客模式对应的路径代价函数确定各参考路径轨迹对应的潜在位置偏离代价值、拥堵代价值、途经红绿灯代价值以及路程距离代价值，将各参考路径轨迹对应的潜在位置偏离代价值、拥堵代价值、途经红绿灯代价值以及路程距离代价值求和，得到若干参考路径轨迹对应的函数代价值，选取函数代价值最小的参考路径轨迹作为目标路径轨迹。
步骤S304：根据所述目标路径轨迹确定共享无人车的规划行驶路径。
结合实例对本实施例提出的共享无人车路径规划方法进行说明：在共享无人车接收到平台发出的开始工作的指令时，确定当前载客模式为无客模式，获取当前定位信息，确定当前定位信息所属的区域信息为A预设区域，根据预设自学习网络模型对A预设区域内的潜在召车请求进行预测，得到潜在召车请求的位置以及时间，其中预设自学习网络模型为根据A预设区域今日以前的所有历史请求的位置和时间训练得到的，根据无客模式确定于预设时间途经若干潜在召车请求的位置的规划行驶路径，在共享无人车接收到了召车请求时，能快速达到乘客上车点，基于乘客的召车请求确定目的地以及乘车模式，其中，乘车模式包括：快车模式以及拼车模式，在用户选择的是快车模式时，根据快车模式确定快速到达目的地的规划形式路径，在用户选择的是拼车模式时，根据拼车模式确定避开拥堵路段、红绿灯路段的同时，兼顾途经潜在请求位置、时间以及最短路程的规划形式路径。在共享无人车完成当天的载客任务后，将当天请求位置、请求时间添加进训练集，进一步对预设自学习网络模型进行训练。
本实施例根据预设自学习网络模型对预设区域内的潜在召车请求进行预测，得到潜在召车请求的位置以及时间；根据当前载客模式确定对应的路径规划策略；根据潜在召车请求的位置以及时间构建离散路径点集合；根据当前位置、当前时间以及离散路径点集合进行路径拟合，得到若干参考路径轨迹；根据路径规划策略从若干参考路径轨迹中选取目标路径轨迹；根据目标路径轨迹确定共享无人车的规划行驶路径。通过上述方式，采用自学习的方式获取潜在召车请求的位置及时间，根据潜在请求信息以及当前无人车的载客模式进行路径规划，提前预测潜在召车请求，主动式迎合潜在召车群体，提高车辆利用率及召车效率，针对不同的当前载客模式选择不同的规划策略，使得车辆以最效率的方式抵达目标位置，更符合实际召车需求。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有共享无人车路径规划程序，所述共享无人车路径规划程序被处理器执行时实现如上文所述的共享无人车路径规划方法。
由于本存储介质采用了上述所有实施例的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。
参照图4，图4为本发明共享无人车路径规划装置第一实施例的结构框图。
如图4所示，本发明实施例提出的共享无人车路径规划装置包括：
预测模块10，用于根据预设自学习网络模型对预设区域内的潜在召车请求进行预测，得到所述潜在召车请求的位置以及时间。
确定模块20，用于根据当前载客模式确定对应的路径规划策略。
规划模块30，用于根据所述路径规划策略对所述潜在召车请求的位置以及时间进行分析，得到共享无人车的规划行驶路径。
应当理解的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本发明对此不做限制。
本实施例根据预设自学习网络模型对预设区域内的潜在召车请求进行预测，得到潜在召车请求的位置以及时间；根据当前载客模式确定对应的路径规划策略；根据路径规划策略对潜在召车请求的位置以及时间进行分析，得到共享无人车的规划行驶路径。通过上述方式，采用自学习的方式获取潜在召车请求的位置及时间，根据潜在请求信息以及当前无人车的载客模式进行路径规划，提前预测潜在召车请求，主动式迎合潜在召车群体，进一步提高车辆利用率及召车效率。
需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。
另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的共享无人车路径规划方法，此处不再赘述。
在一实施例中，所述规划模块30，还用于根据所述潜在召车请求的位置以及时间构建离散路径点集合，根据当前位置、当前时间以及所述离散路径点集合进行路径拟合，得到若干参考路径轨迹，根据所述路径规划策略从所述若干参考路径轨迹中选取目标路径轨迹，根据所述目标路径轨迹确定共享无人车的规划行驶路径。
在一实施例中，所述规划模块30，还用于根据所述路径规划策略确定对应的影响因子权重，根据所述影响因子权重生成对应的路径代价函数，根据所述路径代价函数对所述若干参考路径轨迹进行分析，确定所述若干参考路径轨迹对应的函数代价值，根据所述函数代价值从所述若干参考路径轨迹中选取目标路径轨迹。
在一实施例中，所述规划模块30，还用于根据所述路径代价函数确定若干参考路径轨迹对应的潜在位置偏离代价值、拥堵代价值、途经红绿灯代价值以及路程距离代价值，根据所述潜在位置偏离代价值、所述拥堵代价值、所述途经红绿灯代价值以及所述路程距离代价值确定所述若干参考路径轨迹对应的函数代价值。
在一实施例中，所述共享无人车路径规划装置还包括训练模块；
所述训练模块，用于以若干高斯函数的组合作为核函数构建初始自学习网络模型，获取历史召车请求的历史位置和历史时间，根据所述历史位置和历史时间构建训练集，根据所述训练集对所述初始自学习网络模型进行训练，得到预设自学习网络模型。
在一实施例中，所述训练模块，还用于将所述训练集输入至所述初始自学习网络模型，输出对应的分布概率，根据预设代价函数对所述分布概率进行训练，得到所述初始自学习网络模型对应的模型参数，根据所述初始自学习网络模型以及所述模型参数构建预设自学习网络模型。
在一实施例中，所述当前载客模式包括无客模式、快车模式以及拼车模式中的任一种模式。
此外，需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器(Read Only Memory，ROM)/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种共享无人车路径规划方法，其特征在于，所述共享无人车路径规划方法包括：
根据预设自学习网络模型对预设区域内的潜在召车请求进行预测，得到所述潜在召车请求的位置以及时间；
根据当前载客模式确定对应的路径规划策略；
根据所述路径规划策略对所述潜在召车请求的位置以及时间进行分析，得到共享无人车的规划行驶路径。
2.如权利要求1所述的共享无人车路径规划方法，其特征在于，所述根据所述路径规划策略对所述潜在召车请求的位置以及时间进行分析，得到共享无人车的规划行驶路径，包括：
根据所述潜在召车请求的位置以及时间构建离散路径点集合；
根据当前位置、当前时间以及所述离散路径点集合进行路径拟合，得到若干参考路径轨迹；
根据所述路径规划策略从所述若干参考路径轨迹中选取目标路径轨迹；
根据所述目标路径轨迹确定共享无人车的规划行驶路径。
3.如权利要求2所述的共享无人车路径规划方法，其特征在于，所述根据所述路径规划策略从所述若干参考路径轨迹中选取目标路径轨迹，包括：
根据所述路径规划策略确定对应的影响因子权重；
根据所述影响因子权重生成对应的路径代价函数；
根据所述路径代价函数对所述若干参考路径轨迹进行分析，确定所述若干参考路径轨迹对应的函数代价值；
根据所述函数代价值从所述若干参考路径轨迹中选取目标路径轨迹。
4.如权利要求3所述的共享无人车路径规划方法，其特征在于，所述根据所述路径代价函数对所述若干参考路径轨迹进行分析，确定所述若干参考路径轨迹对应的函数代价值，包括：
根据所述路径代价函数确定若干参考路径轨迹对应的潜在位置偏离代价值、拥堵代价值、途经红绿灯代价值以及路程距离代价值；
根据所述潜在位置偏离代价值、所述拥堵代价值、所述途经红绿灯代价值以及所述路程距离代价值确定所述若干参考路径轨迹对应的函数代价值。
5.如权利要求1所述的共享无人车路径规划方法，其特征在于，所述根据预设自学习网络模型对预设区域内的潜在召车请求进行预测，得到所述潜在召车请求的位置以及时间之前，所述方法还包括：
以若干高斯函数的组合作为核函数构建初始自学习网络模型；
获取历史召车请求的历史位置和历史时间；
根据所述历史位置和历史时间构建训练集；
根据所述训练集对所述初始自学习网络模型进行训练，得到预设自学习网络模型。
6.如权利要求5所述的共享无人车路径规划方法，其特征在于，所述根据所述训练集对所述初始自学习网络模型进行训练，得到预设自学习网络模型，包括：
将所述训练集输入至所述初始自学习网络模型，输出对应的分布概率；
根据预设代价函数对所述分布概率进行训练，得到所述初始自学习网络模型对应的模型参数；
根据所述初始自学习网络模型以及所述模型参数构建预设自学习网络模型。
7.如权利要求1-6中任一项所述的共享无人车路径规划方法，其特征在于，所述当前载客模式包括无客模式、快车模式以及拼车模式中的任一种模式。
8.一种共享无人车路径规划装置，其特征在于，所述共享无人车路径规划装置包括：
预测模块，用于根据预设自学习网络模型对预设区域内的潜在召车请求进行预测，得到所述潜在召车请求的位置以及时间；
确定模块，用于根据当前载客模式确定对应的路径规划策略；
规划模块，用于根据所述路径规划策略对所述潜在召车请求的位置以及时间进行分析，得到共享无人车的规划行驶路径。
9.一种共享无人车路径规划设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的共享无人车路径规划程序，所述共享无人车路径规划程序配置为实现如权利要求1至7中任一项所述的共享无人车路径规划方法。
10.一种存储介质，其特征在于，所述存储介质上存储有共享无人车路径规划程序，所述共享无人车路径规划程序被处理器执行时实现如权利要求1至7任一项所述的共享无人车路径规划方法。
CN202110980742.5A 2021-08-30 2021-08-30 共享无人车路径规划方法、装置、设备及存储介质 Pending CN113865603A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110980742.5A CN113865603A (zh) 2021-08-30 2021-08-30 共享无人车路径规划方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110980742.5A CN113865603A (zh) 2021-08-30 2021-08-30 共享无人车路径规划方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN113865603A true CN113865603A (zh) 2021-12-31

Family

ID=78988257

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110980742.5A Pending CN113865603A (zh) 2021-08-30 2021-08-30 共享无人车路径规划方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113865603A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115344052A (zh) * 2022-10-17 2022-11-15 江苏天一航空工业股份有限公司 基于改进的群优化算法的车辆路径控制方法及控制系统

Citations (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180197070A1 (en) * 2017-01-12 2018-07-12 International Business Machines Corporation Neural network computing systems for predicting vehicle requests
US20180211541A1 (en) * 2017-01-25 2018-07-26 Via Transportation, Inc. Prepositioning Empty Vehicles Based on Predicted Future Demand
CN108592932A (zh) * 2018-04-27 2018-09-28 平安科技（深圳）有限公司 一种无人车调度方法、系统、设备及存储介质
CN108764804A (zh) * 2018-06-07 2018-11-06 中国人民解放军国防科技大学 一种利用出租车的无仓储包裹运输方法和装置
CN108985475A (zh) * 2018-06-13 2018-12-11 厦门大学 基于深度神经网络的网约车召车需求预测方法
CN109376987A (zh) * 2018-09-10 2019-02-22 百度在线网络技术（北京）有限公司 无人驾驶汽车调度方法、装置、设备及存储介质
US20190332977A1 (en) * 2017-05-11 2019-10-31 Ntt Docomo, Inc. Demand forecast device
CN110491155A (zh) * 2019-07-30 2019-11-22 深圳市前海胡桃科技有限公司 一种自动驾驶装置的调度方法、装置及自动驾驶装置
JP6655694B1 (ja) * 2018-11-06 2020-02-26 株式会社 ディー・エヌ・エー タクシーの走行を支援するためのシステム、方法、及びプログラム
JP2020077433A (ja) * 2020-02-03 2020-05-21 株式会社 ディー・エヌ・エー タクシーの走行を支援するためのシステム、方法、及びプログラム
CN111194395A (zh) * 2017-08-11 2020-05-22 莱夫特公司 行驶路径和位置的预测
CN111210252A (zh) * 2018-11-21 2020-05-29 丰田自动车北美公司 经由自动边缘计算的乘车共享需求和定价
CN111476388A (zh) * 2019-01-24 2020-07-31 广州汽车集团股份有限公司 一种网约无人驾驶车辆路径规划方法及系统
CN111553530A (zh) * 2020-04-27 2020-08-18 华侨大学 一种城际网约车包车出行运力预测与出行推荐方法及系统
CN111580522A (zh) * 2020-05-15 2020-08-25 东风柳州汽车有限公司 无人驾驶汽车的控制方法、汽车和存储介质
CN111862579A (zh) * 2020-06-10 2020-10-30 深圳大学 一种基于深度强化学习的出租车调度方法及系统
CN111882107A (zh) * 2020-06-16 2020-11-03 广东工业大学 一种基于自动驾驶共享出租车系统的司乘匹配方法
US20200401888A1 (en) * 2019-06-24 2020-12-24 Tata Consultancy Services Limited Time series prediction with confidence estimates using sparse recurrent mixture density networks
CN112183863A (zh) * 2020-09-29 2021-01-05 上海交通大学 基于引力模型的细粒度出租车路线推荐方法、系统及介质
CN112204604A (zh) * 2018-06-08 2021-01-08 索尼公司 信息处理装置、信息处理方法以及程序
WO2021029822A1 (en) * 2019-08-13 2021-02-18 Hitachi, Ltd. System and method for dispatching vehicles technical field
CN112559585A (zh) * 2020-12-02 2021-03-26 中南大学 交通时空序列单步预测方法、系统及存储介质
US20210192583A1 (en) * 2019-12-19 2021-06-24 Lyft, Inc. Systems and methods for determining a pre-request transportation match between transportation requestor devices and transportation provider devices
CN113189989A (zh) * 2021-04-21 2021-07-30 东风柳州汽车有限公司 车辆意图预测方法、装置、设备及存储介质
CN113240207A (zh) * 2021-06-21 2021-08-10 拼途(北京)信息技术有限公司 交通工具的巡游方法、装置、电子设备和可读存储介质
JP2021120669A (ja) * 2020-01-31 2021-08-19 株式会社アイシン 経路探索システムおよび経路探索プログラム

Patent Citations (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180197070A1 (en) * 2017-01-12 2018-07-12 International Business Machines Corporation Neural network computing systems for predicting vehicle requests
US20180211541A1 (en) * 2017-01-25 2018-07-26 Via Transportation, Inc. Prepositioning Empty Vehicles Based on Predicted Future Demand
US20190332977A1 (en) * 2017-05-11 2019-10-31 Ntt Docomo, Inc. Demand forecast device
CN111194395A (zh) * 2017-08-11 2020-05-22 莱夫特公司 行驶路径和位置的预测
CN108592932A (zh) * 2018-04-27 2018-09-28 平安科技（深圳）有限公司 一种无人车调度方法、系统、设备及存储介质
CN108764804A (zh) * 2018-06-07 2018-11-06 中国人民解放军国防科技大学 一种利用出租车的无仓储包裹运输方法和装置
CN112204604A (zh) * 2018-06-08 2021-01-08 索尼公司 信息处理装置、信息处理方法以及程序
CN108985475A (zh) * 2018-06-13 2018-12-11 厦门大学 基于深度神经网络的网约车召车需求预测方法
CN109376987A (zh) * 2018-09-10 2019-02-22 百度在线网络技术（北京）有限公司 无人驾驶汽车调度方法、装置、设备及存储介质
JP6655694B1 (ja) * 2018-11-06 2020-02-26 株式会社 ディー・エヌ・エー タクシーの走行を支援するためのシステム、方法、及びプログラム
CN111210252A (zh) * 2018-11-21 2020-05-29 丰田自动车北美公司 经由自动边缘计算的乘车共享需求和定价
CN111476388A (zh) * 2019-01-24 2020-07-31 广州汽车集团股份有限公司 一种网约无人驾驶车辆路径规划方法及系统
US20200401888A1 (en) * 2019-06-24 2020-12-24 Tata Consultancy Services Limited Time series prediction with confidence estimates using sparse recurrent mixture density networks
CN110491155A (zh) * 2019-07-30 2019-11-22 深圳市前海胡桃科技有限公司 一种自动驾驶装置的调度方法、装置及自动驾驶装置
WO2021029822A1 (en) * 2019-08-13 2021-02-18 Hitachi, Ltd. System and method for dispatching vehicles technical field
US20210192583A1 (en) * 2019-12-19 2021-06-24 Lyft, Inc. Systems and methods for determining a pre-request transportation match between transportation requestor devices and transportation provider devices
JP2021120669A (ja) * 2020-01-31 2021-08-19 株式会社アイシン 経路探索システムおよび経路探索プログラム
JP2020077433A (ja) * 2020-02-03 2020-05-21 株式会社 ディー・エヌ・エー タクシーの走行を支援するためのシステム、方法、及びプログラム
CN111553530A (zh) * 2020-04-27 2020-08-18 华侨大学 一种城际网约车包车出行运力预测与出行推荐方法及系统
CN111580522A (zh) * 2020-05-15 2020-08-25 东风柳州汽车有限公司 无人驾驶汽车的控制方法、汽车和存储介质
CN111862579A (zh) * 2020-06-10 2020-10-30 深圳大学 一种基于深度强化学习的出租车调度方法及系统
CN111882107A (zh) * 2020-06-16 2020-11-03 广东工业大学 一种基于自动驾驶共享出租车系统的司乘匹配方法
CN112183863A (zh) * 2020-09-29 2021-01-05 上海交通大学 基于引力模型的细粒度出租车路线推荐方法、系统及介质
CN112559585A (zh) * 2020-12-02 2021-03-26 中南大学 交通时空序列单步预测方法、系统及存储介质
CN113189989A (zh) * 2021-04-21 2021-07-30 东风柳州汽车有限公司 车辆意图预测方法、装置、设备及存储介质
CN113240207A (zh) * 2021-06-21 2021-08-10 拼途(北京)信息技术有限公司 交通工具的巡游方法、装置、电子设备和可读存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
QI HU等: "SOUP: A Fleet Management System for Passenger Demand Prediction and Competitive Taxi Supply", 2021 IEEE 37TH INTERNATIONAL CONFERENCE ON DATA ENGINEERING (ICDE), 22 June 2021 (2021-06-22), pages 2657 - 2660 *
高瞻;余辰;向郑涛;陈宇峰;: "基于网格化的出租车空载寻客路径推荐", 计算机应用与软件, no. 05, 12 May 2019 (2019-05-12), pages 287 - 294 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115344052A (zh) * 2022-10-17 2022-11-15 江苏天一航空工业股份有限公司 基于改进的群优化算法的车辆路径控制方法及控制系统

Similar Documents

Publication Publication Date Title
US11416795B2 (en) Systems and methods for vehicle resource management
US11754406B2 (en) Multi-stop route selection system
EP3658857B1 (en) Dynamically determining origin and destination locations for a vehicle communicating with a network system
US11062415B2 (en) Systems and methods for allocating networked vehicle resources in priority environments
CN110361024B (zh) 用于利用车辆组标识的动态车道级车辆导航的方法和系统
Levin et al. On optimizing reservation-based intersection controls
US20190293443A1 (en) Vehicle route guidance
US20170169366A1 (en) Systems and Methods for Adjusting Ride-Sharing Schedules and Routes
US10386201B2 (en) Device and method for controlling mobility
WO2013188843A2 (en) Vehicle fleet routing system
US20200210905A1 (en) Systems and Methods for Managing Networked Vehicle Resources
US11462101B2 (en) Non-essential autonomous vehicle rerouting
CN113865603A (zh) 共享无人车路径规划方法、装置、设备及存储介质
JP2021524574A (ja) ナビゲーション情報を出力する装置及び方法並びに自動車
Escuín et al. A Long-Distance Smart Driving Service Based on Floating Car Data and Open Data
CN118031991A (zh) 基于多约束条件规划停车路径的方法及装置

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