CN114399125A - 车队最优轨迹控制方法、装置、电子设备及存储介质 - Google Patents

车队最优轨迹控制方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114399125A
CN114399125A CN202210296587.XA CN202210296587A CN114399125A CN 114399125 A CN114399125 A CN 114399125A CN 202210296587 A CN202210296587 A CN 202210296587A CN 114399125 A CN114399125 A CN 114399125A
Authority
CN
China
Prior art keywords
vehicle
space
fleet
vehicles
motorcade
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.)
Granted
Application number
CN202210296587.XA
Other languages
English (en)
Other versions
CN114399125B (zh
Inventor
曲小波
吴家明
李奥勇
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.)
Tsinghua University
Original Assignee
Tsinghua University
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 Tsinghua University filed Critical Tsinghua University
Priority to CN202210296587.XA priority Critical patent/CN114399125B/zh
Publication of CN114399125A publication Critical patent/CN114399125A/zh
Application granted granted Critical
Publication of CN114399125B publication Critical patent/CN114399125B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/12—Timing analysis or timing optimisation
    • 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)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Architecture (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Mathematical Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Civil Engineering (AREA)
  • Operations Research (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Structural Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请涉及轨迹规划技术领域，特别涉及一种车队最优轨迹控制方法、装置、电子设备及存储介质，其中，方法包括：确定车队的初始状态和目标状态；基于车辆之间的相对运动，按照预设规则将车队所处的道路空间离散为均匀的网格空间，生成离散网格空间，并将离散网格空间用状态矩阵表示，生成车队状态空间用图空间；基于车队状态空间用图空间，采用任意步数内仅允许一辆智能网联车移动的逐步式拓展策略，并利用分布式随机A*算法求解车队重组优化移动轨迹，对车队进行最优轨迹控制。由此，能够高效实现车队从任意初始布局状态转换到任意目标布局，实现智能网联车队的高效协同驾驶，有助于在交通瓶颈路段大幅提高道路通行能力，同时保障车队通行安全。

Description

车队最优轨迹控制方法、装置、电子设备及存储介质
技术领域
本申请涉及轨迹规划技术领域，特别涉及一种车队最优轨迹控制方法、装置、电子设备及存储介质。
背景技术
智能网联技术在交通工程领域得到了快速发展和应用，对于有效缓解城市交通拥堵，提高城市道路通行能力起到了很大的积极作用。智能网联环境下，如何借助车辆间的通讯将车队重新分组排列，使得任意时段的通行效率最优是目前智能交通领域研究的热点之一，即要求车队根据不同的道路情况动态调整车辆的排列组合形式，以适应不同的交通需求。
相关技术中提出了很多寻找最短路径的算法，如Dijkstra算法和Floyd-Warshall算法等。
然而，智能网联车重组优化问题的图空间具有组合爆炸的特征，当车辆数量增加时，图空间的大小将指数增加，已有的算法不能满足其对算法高效性的需求。传统的A*算法虽然能够通过距离估计函数寻找目标点的可能范围，进而减少需要搜索的图空间范围，能够提高算法的效率，但是，传统的A*算法本质上仍然是NP-hard问题，具有指数级的复杂度，当问题规模增大时，求解时间也将急剧增加，并且针对于多个相同长度的最短路径，传统的A*算法每次将返回相同的最短路径，不能实现多车移动优化结果的全局最优。
发明内容
本申请提供一种车队最优轨迹控制方法、装置、电子设备及存储介质，能够高效实现车队从任意初始布局状态转换到任意目标布局，实现智能网联车队的高效协同驾驶，有助于在交通瓶颈路段大幅提高道路通行能力，同时保障车队通行安全。
本申请第一方面实施例提供一种车队最优轨迹控制方法，包括以下步骤：
确定车队的初始状态和目标状态；
基于车辆之间的相对运动，按照预设规则将所述车队所处的道路空间离散为均匀的网格空间，生成离散网格空间，并将所述离散网格空间用状态矩阵表示，生成车队状态空间用图空间；以及
基于所述车队状态空间用图空间，采用任意步数内仅允许一辆智能网联车移动的逐步式拓展策略，并利用分布式随机A*算法求解车队重组优化移动轨迹，对所述车队进行最优轨迹控制。
可选地，所述对所述车队进行最优轨迹控制，包括：
按照仅允许车辆移动至空网格的保守策略，则同步移动策略的优化求解问题建模为：
Figure 223158DEST_PATH_IMAGE001
按照允许车辆移动至当前被车辆占据但是下一个动作即将为空网格的激进策略，同步移动策略的整数规划模型求解为：
Figure 427874DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
为车辆的编号，
Figure 298878DEST_PATH_IMAGE004
为所有车辆完成位置变换的最终时间节点，
Figure DEST_PATH_IMAGE005
为代表车辆
Figure 967757DEST_PATH_IMAGE003
发生由位置x至位置y的移动的所在时刻，
Figure 164383DEST_PATH_IMAGE006
为车辆编号，
Figure DEST_PATH_IMAGE007
表示车辆所处位置，
Figure 653133DEST_PATH_IMAGE008
为发生位置改变的车辆编号合集，
Figure DEST_PATH_IMAGE009
为代表车辆
Figure 94872DEST_PATH_IMAGE003
发生由位置y至位置z的移动的所在时刻，
Figure 555941DEST_PATH_IMAGE010
为代表车辆
Figure 720206DEST_PATH_IMAGE006
发生由位置z至位置x的移动的所在时刻。
可选地，所述车辆之间的相对运动的背景速度为所述目标状态中的巡航速度，且所述预设规则为：
道路的车道数为网格的列数，列宽等于车道宽，道路网格的长度为一个满足所有车辆换道需求的固定值，每个网格最多容纳一辆车，并且每辆车只能占据一个网格；
车辆间的运动仅限于相邻网格间的移动，车辆的换道行为离散化为在相邻横向网格间的移动；
网格空间的大小满足车队的重组条件。
可选地，所述将所述离散网格空间用状态矩阵表示，生成车队状态空间用图空间，包括：
对于空网格，所述状态矩阵中对应的位置的元值用0表示；
对于被车辆占据的网格，所述状态矩阵中对应的位置的元值用占据车辆的编号表示。
可选地，所述分布式随机A*算法的启发式函数为：
Figure DEST_PATH_IMAGE011
其中，
Figure 899514DEST_PATH_IMAGE012
为分布式随机A*算法的启发式函数，
Figure DEST_PATH_IMAGE013
为传统的A*算法的启发式函数，
Figure 377900DEST_PATH_IMAGE014
为随机扰动因子，
Figure DEST_PATH_IMAGE015
为图空间中节点间的最小损失值。
本申请第二方面实施例提供一种车队最优轨迹控制装置，包括：
确定模块，用于确定车队的初始状态和目标状态；
生成模块，用于基于车辆之间的相对运动，按照预设规则将所述车队所处的道路空间离散为均匀的网格空间，生成离散网格空间，并将所述离散网格空间用状态矩阵表示，生成车队状态空间用图空间；以及
控制模块，用于基于所述车队状态空间用图空间，采用任意步数内仅允许一辆智能网联车移动的逐步式拓展策略，并利用分布式随机A*算法求解车队重组优化移动轨迹，对所述车队进行最优轨迹控制。
可选地，所述控制模块，具体用于：
按照仅允许车辆移动至空网格的保守策略，则同步移动策略的优化求解问题建模为：
Figure 192010DEST_PATH_IMAGE016
按照允许车辆移动至当前被车辆占据但是下一个动作即将为空网格的激进策略，同步移动策略的整数规划模型求解为：
Figure 792756DEST_PATH_IMAGE002
其中，
Figure 256098DEST_PATH_IMAGE003
为车辆的编号，
Figure 538175DEST_PATH_IMAGE004
为所有车辆完成位置变换的最终时间节点，
Figure 36152DEST_PATH_IMAGE005
为代表车辆
Figure 479903DEST_PATH_IMAGE003
发生由位置x至位置y的移动的所在时刻，
Figure 696121DEST_PATH_IMAGE006
为车辆编号，
Figure 578626DEST_PATH_IMAGE007
表示车辆所处位置，
Figure 868793DEST_PATH_IMAGE008
为发生位置改变的车辆编号合集，
Figure 545762DEST_PATH_IMAGE009
为代表车辆
Figure 422845DEST_PATH_IMAGE003
发生由位置y至位置z的移动的所在时刻，
Figure 109041DEST_PATH_IMAGE010
为代表车辆
Figure 316031DEST_PATH_IMAGE006
发生由位置z至位置x的移动的所在时刻。
可选地，所述车辆之间的相对运动的背景速度为所述目标状态中的巡航速度，且所述预设规则为：
道路的车道数为网格的列数，列宽等于车道宽，道路网格的长度为一个满足所有车辆换道需求的固定值，每个网格最多容纳一辆车，并且每辆车只能占据一个网格；
车辆间的运动仅限于相邻网格间的移动，车辆的换道行为离散化为在相邻横向网格间的移动；
网格空间的大小满足车队的重组条件。
可选地，所述生成模块，具体用于：
对于空网格，所述状态矩阵中对应的位置的元值用0表示；
对于被车辆占据的网格，所述状态矩阵中对应的位置的元值用占据车辆的编号表示。
可选地，所述分布式随机A*算法的启发式函数为：
Figure 367164DEST_PATH_IMAGE011
其中，
Figure 292395DEST_PATH_IMAGE012
为分布式随机A*算法的启发式函数，
Figure 516703DEST_PATH_IMAGE013
为传统的A*算法的启发式函数，
Figure 781462DEST_PATH_IMAGE014
为随机扰动因子，
Figure 65813DEST_PATH_IMAGE015
为图空间中节点间的最小损失值。
本申请第三方面实施例提供一种电子设备，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计算机程序，所述处理器执行所述程序，以实现如上述实施例所述的车队最优轨迹控制方法。
本申请第四方面实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以用于实现如上述实施例所述的车队最优轨迹控制方法。
由此，本申请实施例的车队最优轨迹控制方法具有以下优点：
（1）在传统的A*算法的距离函数里面加入随机的扰动因子，破坏所有的均质子图，有效的提高算法的搜索效率；
（2）由于扰动因子的随机性，算法将返回拥有相同长度的不同最短路径结果，并得到不同的多车移动优化结果，进而改善多车移动问题中的优化结果；
（3）分布式随机A*算法能够利用目前应用系统中常见的多计算核心，通过时间约束结束超时进程，同时并对所有在时间约束范围内的最短路径进行多车移动策略优化。
本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本申请实施例提供的一种车队最优轨迹控制方法的流程图；
图2为根据本申请一个实施例的离散网格空间的示例图；
图3为根据本申请一个实施例的车队最优轨迹控制方法的流程图；
图4为根据本申请实施例的车队最优轨迹控制装置的示例图；
图5为根据本申请实施例的电子设备的方框示例图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的车队最优轨迹控制方法、装置、电子设备及存储介质。针对上述背景技术中心提到的针对于多个相同长度的最短路径，传统的A*算法每次将返回相同的最短路径，不能实现多车移动优化结果的全局最优的问题，本申请提供了一种车队最优轨迹控制方法，在该方法中，可以确定车队的初始状态和目标状态，并基于车辆之间的相对运动，按照预设规则将车队所处的道路空间离散为均匀的网格空间，生成离散网格空间，并将离散网格空间用状态矩阵表示，生成车队状态空间用图空间，并基于车队状态空间用图空间，采用任意步数内仅允许一辆智能网联车移动的逐步式拓展策略，并利用分布式随机A*算法求解车队重组优化移动轨迹，对车队进行最优轨迹控制。由此，能够高效实现车队从任意初始布局状态转换到任意目标布局，实现智能网联车队的高效协同驾驶，有助于在交通瓶颈路段大幅提高道路通行能力，同时保障车队通行安全。
具体而言，图1为本申请实施例所提供的一种车队最优轨迹控制方法的流程示意图。
如图1所示，该车队最优轨迹控制方法包括以下步骤：
在步骤S101中，确定车队的初始状态和目标状态。
其中，初始状态取决于车辆到达时的随机分布，目标状态则是对车队排列形式的具体要求。
在步骤S102中，基于车辆之间的相对运动，按照预设规则将车队所处的道路空间离散为均匀的网格空间，生成离散网格空间，如图2所示，图2为离散网格空间示意图，并将离散网格空间用状态矩阵表示，生成车队状态空间用图空间。
可选地，将离散网格空间用状态矩阵表示，生成车队状态空间用图空间，包括：对于空网格，状态矩阵中对应的位置的元值用0表示；对于被车辆占据的网格，状态矩阵中对应的位置的元值用占据车辆的编号表示。
可选地，车辆之间的相对运动的背景速度为目标状态中的巡航速度，且预设规则为：道路的车道数为网格的列数，列宽等于车道宽，道路网格的长度为一个满足所有车辆换道需求的固定值，每个网格最多容纳一辆车，并且每辆车只能占据一个网格；车辆间的运动仅限于相邻网格间的移动，车辆的换道行为离散化为在相邻横向网格间的移动；网格空间的大小满足车队的重组条件。
具体而言，本申请实施例可以根据车辆之间相对运动，将车队所处的道路空间离散为均匀的网格空间，相对运动的背景速度定义为目标状态中的巡航速度，其中，本申请实施例可以按照如下规则对网格空间进行划分：
道路的车道数为网格的列数，列宽等于车道宽，同时道路网格的长度为一个满足所有车辆换道需求的固定值L，每个网格最多容纳一辆车，并且每辆车只能占据一个网格。车辆间的运动仅限于相邻网格间的移动，车辆的换道行为离散化为在相邻横向网格间的移动。此外，网格空间的大小能够满足车队的重组。
进一步地，本申请实施例可以将生成的离散网格空间用状态矩阵表示，其中，矩阵的行数与列数分别表示网格的行数与列数，将离散网格空间转换为状态空间矩阵的特征如下：
矩阵对于空网格，矩阵中对应的位置的元值用0表示，对于被车辆占据的网格，对应的元值则用车辆编号表示。
在步骤S103中，基于车队状态空间用图空间，采用任意步数内仅允许一辆智能网联车移动的逐步式拓展策略，并利用分布式随机A*算法求解车队重组优化移动轨迹，对车队进行最优轨迹控制。
应当理解的是，本申请实施例可以将上述步骤S102中生成的车队状态空间用图空间进行建模分析，采用任意步数内仅允许一辆智能网联车移动的逐步式拓展策略，基于分布式随机A*算法求解车队重组优化移动轨迹；在不增加分布式随机A*算法损失值的前提下，采用整数规划算法对多辆智能网联车同步移动进行优化。
需要说明的是，本申请实施例的分布式随机A*算法与传统的A*算法求解最短路径问题相比，本申请实施例的分布式随机A*算法的特点是：
分布式随机A*算法在A*算法的距离估计函数中引入了随机的扰动因子，进而达到提高算法搜索效率的目的。分布式随机A*算法的距离估计函数与A*算法保持一致。
可选地，在一些实施例中，分布式随机A*算法的启发式函数为：
Figure 150443DEST_PATH_IMAGE011
（1）
其中，
Figure 178442DEST_PATH_IMAGE012
为分布式随机A*算法的启发式函数，
Figure 360025DEST_PATH_IMAGE013
为传统的A*算法的启发式函数，
Figure 251495DEST_PATH_IMAGE014
为随机扰动因子，取值范围是
Figure DEST_PATH_IMAGE017
，
Figure 151318DEST_PATH_IMAGE015
为图空间中节点间的最小损失值。
进一步地，本申请实施例实现多车同步移动策略是按照如下方法：
将上述步骤S102中的生成的状态矩阵按照行转换成状态向量，标记位置发生改变的车辆，并将标记记录成相应的坐标形式
Figure 655112DEST_PATH_IMAGE018
，其中，
Figure 691201DEST_PATH_IMAGE003
表示车辆的编号，x和y分别表示状态向量中车辆的原位置和目标位置，m表示车辆位置发生改变需要的动作步数。如果车队中车辆的位置没有发生变化，则
Figure DEST_PATH_IMAGE019
，且
Figure 255037DEST_PATH_IMAGE020
。
多辆车同时移动的控制按照如下方法：
可选地，在一些实施例中，对车队进行最优轨迹控制，包括：按照仅允许车辆移动至空网格的保守策略，则同步移动策略的优化求解问题建模为：
Figure DEST_PATH_IMAGE021
（2）
其中，
Figure 314260DEST_PATH_IMAGE022
为发生位置改变的车辆编号合集，并且
Figure DEST_PATH_IMAGE023
。优化目标函数为求解完成车队重组所需要的最小时间，约束条件保证了车队轨迹拓扑结构的一致性。
按照允许车辆移动至当前被车辆占据但是下一个动作即将为空网格的激进策略，同步移动策略的整数规划模型求解为：
Figure 684062DEST_PATH_IMAGE024
（3）
其中，
Figure 267666DEST_PATH_IMAGE003
为车辆的编号，
Figure 64721DEST_PATH_IMAGE004
为所有车辆完成位置变换的最终时间节点，
Figure 611239DEST_PATH_IMAGE005
为代表车辆
Figure 519153DEST_PATH_IMAGE003
发生由位置x至位置y的移动的所在时刻，
Figure 529834DEST_PATH_IMAGE006
为车辆编号，
Figure 435473DEST_PATH_IMAGE007
表示车辆所处位置，
Figure 531605DEST_PATH_IMAGE008
为发生位置改变的车辆编号合集，
Figure 243209DEST_PATH_IMAGE009
为代表车辆
Figure 311659DEST_PATH_IMAGE003
发生由位置y至位置z的移动的所在时刻，
Figure 450517DEST_PATH_IMAGE010
为代表车辆
Figure 768365DEST_PATH_IMAGE006
发生由位置z至位置x的移动的所在时刻。
由此，该策略下车队重组所需要的时间将会减少，但是对车辆轨迹的控制有更加精确的要求。
为便于本领域技术人员进一步了解本申请实施例的车队最优轨迹控制方法，下面结合具体实施例进行详细阐述。
具体而言，如图3所示，本申请实施例可以首先确定智能网联车队的初始状态和目标状态，根据车辆之间相对运动，将车队所处的道路空间离散为均匀的网格空间，相对运动的背景速度定义为目标状态中的巡航速度，将生成的离散网格空间用状态矩阵表示，并对上述生成的车队状态空间用图空间进行建模分析，采用任意步数内仅允许一辆智能网联车移动的逐步式拓展策略，基于分布式随机A*算法求解车队重组优化移动轨迹，在不增加分布式随机A*算法损失值的前提下，采用整数规划算法对多辆智能网联车同步移动进行优化
由此，以图空间最短路径算法为基础，首先采用分布式随机A*算法得到车队最优重组轨迹方案，该算法能够充分利用目前系统中常见的多计算核心，通过引入随机因子，能够提升下一阶段结果的最优性；其次，基于上述的结果，允许多辆车同时移动，在保证系统总损失值不变的约束条件下，通过整数规划模型优化车队组合方案。
根据本申请实施例提出的车队最优轨迹控制方法，可以确定车队的初始状态和目标状态，并基于车辆之间的相对运动，按照预设规则将车队所处的道路空间离散为均匀的网格空间，生成离散网格空间，并将离散网格空间用状态矩阵表示，生成车队状态空间用图空间，并基于车队状态空间用图空间，采用任意步数内仅允许一辆智能网联车移动的逐步式拓展策略，并利用分布式随机A*算法求解车队重组优化移动轨迹，对车队进行最优轨迹控制。由此，能够高效实现车队从任意初始布局状态转换到任意目标布局，实现智能网联车队的高效协同驾驶，有助于在交通瓶颈路段大幅提高道路通行能力，同时保障车队通行安全。
其次参照附图描述根据本申请实施例提出的车队最优轨迹控制装置。
图4是本申请实施例的车队最优轨迹控制装置的方框示意图。
如图4所示，该车队最优轨迹控制装置10包括：确定模块100、生成模块200和控制模块300。
其中，确定模块100用于确定车队的初始状态和目标状态；
生成模块200用于基于车辆之间的相对运动，按照预设规则将车队所处的道路空间离散为均匀的网格空间，生成离散网格空间，并将离散网格空间用状态矩阵表示，生成车队状态空间用图空间；以及
控制模块300用于基于车队状态空间用图空间，采用任意步数内仅允许一辆智能网联车移动的逐步式拓展策略，并利用分布式随机A*算法求解车队重组优化移动轨迹，对车队进行最优轨迹控制。
可选地，控制模块300具体用于：
按照仅允许车辆移动至空网格的保守策略，则同步移动策略的优化求解问题建模为：
Figure 719879DEST_PATH_IMAGE016
按照允许车辆移动至当前被车辆占据但是下一个动作即将为空网格的激进策略，同步移动策略的整数规划模型求解为：
Figure 705152DEST_PATH_IMAGE002
其中，
Figure 952594DEST_PATH_IMAGE003
为车辆的编号，
Figure 757739DEST_PATH_IMAGE004
为所有车辆完成位置变换的最终时间节点，
Figure 811146DEST_PATH_IMAGE005
为代表车辆
Figure 588609DEST_PATH_IMAGE003
发生由位置x至位置y的移动的所在时刻，
Figure 69269DEST_PATH_IMAGE006
为车辆编号，
Figure 627289DEST_PATH_IMAGE007
表示车辆所处位置，
Figure 156490DEST_PATH_IMAGE008
为发生位置改变的车辆编号合集，
Figure 116356DEST_PATH_IMAGE009
为代表车辆
Figure 207065DEST_PATH_IMAGE003
发生由位置y至位置z的移动的所在时刻，
Figure 986802DEST_PATH_IMAGE010
为代表车辆
Figure 382012DEST_PATH_IMAGE006
发生由位置z至位置x的移动的所在时刻。
可选地，车辆之间的相对运动的背景速度为目标状态中的巡航速度，且预设规则为：
道路的车道数为网格的列数，列宽等于车道宽，道路网格的长度为一个满足所有车辆换道需求的固定值，每个网格最多容纳一辆车，并且每辆车只能占据一个网格；
车辆间的运动仅限于相邻网格间的移动，车辆的换道行为离散化为在相邻横向网格间的移动；
网格空间的大小满足车队的重组条件。
可选地，生成模块200具体用于：
对于空网格，状态矩阵中对应的位置的元值用0表示；
对于被车辆占据的网格，状态矩阵中对应的位置的元值用占据车辆的编号表示。
可选地，分布式随机A*算法的启发式函数为：
Figure 134067DEST_PATH_IMAGE011
其中，
Figure 956529DEST_PATH_IMAGE012
为分布式随机A*算法的启发式函数，
Figure 161246DEST_PATH_IMAGE013
为传统的A*算法的启发式函数，
Figure 360146DEST_PATH_IMAGE014
为随机扰动因子，
Figure 29025DEST_PATH_IMAGE015
为图空间中节点间的最小损失值。
需要说明的是，前述对车队最优轨迹控制方法实施例的解释说明也适用于该实施例的车队最优轨迹控制装置，此处不再赘述。
根据本申请实施例提出的车队最优轨迹控制装置，可以确定车队的初始状态和目标状态，并基于车辆之间的相对运动，按照预设规则将车队所处的道路空间离散为均匀的网格空间，生成离散网格空间，并将离散网格空间用状态矩阵表示，生成车队状态空间用图空间，并基于车队状态空间用图空间，采用任意步数内仅允许一辆智能网联车移动的逐步式拓展策略，并利用分布式随机A*算法求解车队重组优化移动轨迹，对车队进行最优轨迹控制。由此，能够高效实现车队从任意初始布局状态转换到任意目标布局，实现智能网联车队的高效协同驾驶，有助于在交通瓶颈路段大幅提高道路通行能力，同时保障车队通行安全。。
图5为本申请实施例提供的电子设备的结构示意图。该电子设备可以包括：
存储器501、处理器502及存储在存储器501上并可在处理器502上运行的计算机程序。
处理器502执行程序时实现上述实施例中提供的车队最优轨迹控制方法。
进一步地，电子设备还包括：
通信接口503，用于存储器501和处理器502之间的通信。
存储器501，用于存放可在处理器502上运行的计算机程序。
存储器501可能包含高速RAM存储器，也可能还包括非易失性存储器（non-volatile memory），例如至少一个磁盘存储器。
如果存储器501、处理器502和通信接口503独立实现，则通信接口503、存储器501和处理器502可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构（Industry Standard Architecture，简称为ISA）总线、外部设备互连（PeripheralComponent，简称为PCI）总线或扩展工业标准体系结构（Extended Industry StandardArchitecture，简称为EISA）总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
可选的，在具体实现上，如果存储器501、处理器502及通信接口503，集成在一块芯片上实现，则存储器501、处理器502及通信接口503可以通过内部接口完成相互间的通信。
处理器502可能是一个中央处理器（Central Processing Unit，简称为CPU），或者是特定集成电路（Application Specific Integrated Circuit，简称为ASIC），或者是被配置成实施本申请实施例的一个或多个集成电路。
本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上的车队最优轨迹控制方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“N个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或N个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (12)

1.一种车队最优轨迹控制方法，其特征在于，包括以下步骤：
确定车队的初始状态和目标状态；
基于车辆之间的相对运动，按照预设规则将所述车队所处的道路空间离散为均匀的网格空间，生成离散网格空间，并将所述离散网格空间用状态矩阵表示，生成车队状态空间用图空间；以及
基于所述车队状态空间用图空间，采用任意步数内仅允许一辆智能网联车移动的逐步式拓展策略，并利用分布式随机A*算法求解车队重组优化移动轨迹，对所述车队进行最优轨迹控制。
2.根据权利要求1所述的方法，其特征在于，所述对所述车队进行最优轨迹控制，包括：
按照仅允许车辆移动至空网格的保守策略，则同步移动策略的优化求解问题建模为：
Figure 38664DEST_PATH_IMAGE001
按照允许车辆移动至当前被车辆占据但是下一个动作即将为空网格的激进策略，同步移动策略的整数规划模型求解为：
Figure 451190DEST_PATH_IMAGE002
其中，
Figure 213610DEST_PATH_IMAGE003
为车辆的编号，
Figure 831411DEST_PATH_IMAGE004
为所有车辆完成位置变换的最终时间节点，
Figure 286663DEST_PATH_IMAGE005
为代表车辆
Figure 124169DEST_PATH_IMAGE003
发生由位置x至位置y的移动的所在时刻，
Figure 690279DEST_PATH_IMAGE006
为车辆编号，
Figure 726369DEST_PATH_IMAGE007
表示车辆所处位置，
Figure 290205DEST_PATH_IMAGE008
为发生位置改变的车辆编号合集，
Figure 677324DEST_PATH_IMAGE009
为代表车辆
Figure 719229DEST_PATH_IMAGE003
发生由位置y至位置z的移动的所在时刻，
Figure 875404DEST_PATH_IMAGE010
为代表车辆
Figure 672459DEST_PATH_IMAGE006
发生由位置z至位置x的移动的所在时刻。
3.根据权利要求1所述的方法，其特征在于，所述车辆之间的相对运动的背景速度为所述目标状态中的巡航速度，且所述预设规则为：
道路的车道数为网格的列数，列宽等于车道宽，道路网格的长度为一个满足所有车辆换道需求的固定值，每个网格最多容纳一辆车，并且每辆车只能占据一个网格；
车辆间的运动仅限于相邻网格间的移动，车辆的换道行为离散化为在相邻横向网格间的移动；
网格空间的大小满足车队的重组条件。
4.根据权利要求1所述的方法，其特征在于，所述将所述离散网格空间用状态矩阵表示，生成车队状态空间用图空间，包括：
对于空网格，所述状态矩阵中对应的位置的元值用0表示；
对于被车辆占据的网格，所述状态矩阵中对应的位置的元值用占据车辆的编号表示。
5.根据权利要求1所述的方法，其特征在于，所述分布式随机A*算法的启发式函数为：
Figure 708724DEST_PATH_IMAGE011
其中，
Figure 882216DEST_PATH_IMAGE012
为分布式随机A*算法的启发式函数，
Figure 892898DEST_PATH_IMAGE013
为传统的A*算法的启发式函数，
Figure 798537DEST_PATH_IMAGE014
为随机扰动因子，
Figure 894669DEST_PATH_IMAGE015
为图空间中节点间的最小损失值。
6.一种车队最优轨迹控制装置，其特征在于，包括：
确定模块，用于确定车队的初始状态和目标状态；
生成模块，用于基于车辆之间的相对运动，按照预设规则将所述车队所处的道路空间离散为均匀的网格空间，生成离散网格空间，并将所述离散网格空间用状态矩阵表示，生成车队状态空间用图空间；以及
控制模块，用于基于所述车队状态空间用图空间，采用任意步数内仅允许一辆智能网联车移动的逐步式拓展策略，并利用分布式随机A*算法求解车队重组优化移动轨迹，对所述车队进行最优轨迹控制。
7.根据权利要求6所述的装置，其特征在于，所述控制模块，具体用于：
按照仅允许车辆移动至空网格的保守策略，则同步移动策略的优化求解问题建模为：
Figure 340694DEST_PATH_IMAGE001
按照允许车辆移动至当前被车辆占据但是下一个动作即将为空网格的激进策略，同步移动策略的整数规划模型求解为：
Figure 409144DEST_PATH_IMAGE002
其中，
Figure 548001DEST_PATH_IMAGE003
为车辆的编号，
Figure 131429DEST_PATH_IMAGE004
为所有车辆完成位置变换的最终时间节点，
Figure 318828DEST_PATH_IMAGE005
为代表车辆
Figure 304102DEST_PATH_IMAGE003
发生由位置x至位置y的移动的所在时刻，
Figure 613860DEST_PATH_IMAGE006
为车辆编号，
Figure 120803DEST_PATH_IMAGE007
表示车辆所处位置，
Figure 174209DEST_PATH_IMAGE008
为发生位置改变的车辆编号合集，
Figure 13989DEST_PATH_IMAGE009
为代表车辆
Figure 432332DEST_PATH_IMAGE003
发生由位置y至位置z的移动的所在时刻，
Figure 724773DEST_PATH_IMAGE010
为代表车辆
Figure 581871DEST_PATH_IMAGE006
发生由位置z至位置x的移动的所在时刻。
8.根据权利要求6所述的装置，其特征在于，所述车辆之间的相对运动的背景速度为所述目标状态中的巡航速度，且所述预设规则为：
道路的车道数为网格的列数，列宽等于车道宽，道路网格的长度为一个满足所有车辆换道需求的固定值，每个网格最多容纳一辆车，并且每辆车只能占据一个网格；
车辆间的运动仅限于相邻网格间的移动，车辆的换道行为离散化为在相邻横向网格间的移动；
网格空间的大小满足车队的重组条件。
9.根据权利要求6所述的装置，其特征在于，所述生成模块，具体用于：
对于空网格，所述状态矩阵中对应的位置的元值用0表示；
对于被车辆占据的网格，所述状态矩阵中对应的位置的元值用占据车辆的编号表示。
10.根据权利要求6所述的装置，其特征在于，所述分布式随机A*算法的启发式函数为：
Figure 213841DEST_PATH_IMAGE011
其中，
Figure 865402DEST_PATH_IMAGE012
为分布式随机A*算法的启发式函数，
Figure 848401DEST_PATH_IMAGE013
为传统的A*算法的启发式函数，
Figure 243611DEST_PATH_IMAGE014
为随机扰动因子，
Figure 792404DEST_PATH_IMAGE015
为图空间中节点间的最小损失值。
11.一种电子设备，其特征在于，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计算机程序，所述处理器执行所述程序，以实现如权利要求1-5任一项所述的车队最优轨迹控制方法。
12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以用于实现如权利要求1-5任一项所述的车队最优轨迹控制方法。
CN202210296587.XA 2022-03-24 2022-03-24 车队最优轨迹控制方法、装置、电子设备及存储介质 Active CN114399125B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210296587.XA CN114399125B (zh) 2022-03-24 2022-03-24 车队最优轨迹控制方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210296587.XA CN114399125B (zh) 2022-03-24 2022-03-24 车队最优轨迹控制方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN114399125A true CN114399125A (zh) 2022-04-26
CN114399125B CN114399125B (zh) 2022-07-12

Family

ID=81234225

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210296587.XA Active CN114399125B (zh) 2022-03-24 2022-03-24 车队最优轨迹控制方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114399125B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114815852A (zh) * 2022-06-14 2022-07-29 北京航空航天大学 一种基于空间离散化的cacc车队轨迹规划方法
CN115635966A (zh) * 2022-10-27 2023-01-24 清华大学 车辆编队行驶策略的确定方法、装置和计算机设备

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107818377A (zh) * 2016-09-12 2018-03-20 法乐第(北京)网络科技有限公司 基于云计算平台的车辆全局优化控制方法、系统、车辆和云计算平台
CN107813814A (zh) * 2016-09-12 2018-03-20 法乐第(北京)网络科技有限公司 用于混合动力汽车的能量控制轨迹优化方法、混合动力汽车
CN109410619A (zh) * 2018-12-04 2019-03-01 清华大学 一种用于自动驾驶车辆的控制方法和系统
CN111428382A (zh) * 2020-04-17 2020-07-17 福瑞泰克智能系统有限公司 车辆轨迹控制的方法、系统、计算机设备和可读存储介质
CN112255918A (zh) * 2020-10-21 2021-01-22 东南大学 汽车队列优化控制的方法及系统
CN112286197A (zh) * 2020-11-03 2021-01-29 交通运输部公路科学研究所 一种基于离散时空的车辆纵向运动速度优化方法
CN112947492A (zh) * 2021-04-14 2021-06-11 北京车和家信息技术有限公司 车辆控制方法、装置、存储介质、电子设备及车辆
CN113009922A (zh) * 2021-04-23 2021-06-22 元通智能技术(南京)有限公司 一种机器人行走路径的调度管理方法
CN113085895A (zh) * 2021-04-19 2021-07-09 陕西理工大学 车辆换道轨迹规划方法、装置、设备、存储介质及车辆
CN113313957A (zh) * 2021-05-30 2021-08-27 南京林业大学 基于增强型Dijkstra算法的无信号灯交叉路口车辆调度方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107818377A (zh) * 2016-09-12 2018-03-20 法乐第(北京)网络科技有限公司 基于云计算平台的车辆全局优化控制方法、系统、车辆和云计算平台
CN107813814A (zh) * 2016-09-12 2018-03-20 法乐第(北京)网络科技有限公司 用于混合动力汽车的能量控制轨迹优化方法、混合动力汽车
CN109410619A (zh) * 2018-12-04 2019-03-01 清华大学 一种用于自动驾驶车辆的控制方法和系统
CN111428382A (zh) * 2020-04-17 2020-07-17 福瑞泰克智能系统有限公司 车辆轨迹控制的方法、系统、计算机设备和可读存储介质
CN112255918A (zh) * 2020-10-21 2021-01-22 东南大学 汽车队列优化控制的方法及系统
CN112286197A (zh) * 2020-11-03 2021-01-29 交通运输部公路科学研究所 一种基于离散时空的车辆纵向运动速度优化方法
CN112947492A (zh) * 2021-04-14 2021-06-11 北京车和家信息技术有限公司 车辆控制方法、装置、存储介质、电子设备及车辆
CN113085895A (zh) * 2021-04-19 2021-07-09 陕西理工大学 车辆换道轨迹规划方法、装置、设备、存储介质及车辆
CN113009922A (zh) * 2021-04-23 2021-06-22 元通智能技术(南京)有限公司 一种机器人行走路径的调度管理方法
CN113313957A (zh) * 2021-05-30 2021-08-27 南京林业大学 基于增强型Dijkstra算法的无信号灯交叉路口车辆调度方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
冀杰等: "面向车道变换的路径规划及模型预测轨迹跟踪", 《中国公路学报》 *
聂枝根等: "基于轨迹预瞄的智能汽车变道动态轨迹规划与跟踪控制", 《交通运输工程学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114815852A (zh) * 2022-06-14 2022-07-29 北京航空航天大学 一种基于空间离散化的cacc车队轨迹规划方法
CN114815852B (zh) * 2022-06-14 2023-02-03 北京航空航天大学 一种基于空间离散化的cacc车队轨迹规划方法
CN115635966A (zh) * 2022-10-27 2023-01-24 清华大学 车辆编队行驶策略的确定方法、装置和计算机设备

Also Published As

Publication number Publication date
CN114399125B (zh) 2022-07-12

Similar Documents

Publication Publication Date Title
CN114399125B (zh) 车队最优轨迹控制方法、装置、电子设备及存储介质
WO2020029601A1 (zh) 一种地图车道横向拓扑关系的构建方法、系统及存储器
CN107389079B (zh) 高精度路径规划方法和系统
CN110334838B (zh) 基于蚁群算法和遗传算法的agv小车协同调度方法及系统
CN110515380B (zh) 基于转弯权重约束的最短路径规划方法
WO2013167085A2 (zh) 一种基于栅格映射生长的交通网络划分方法及配置服务器
CN106197455B (zh) 一种城市交通路网实时动态多路口路径导航量子搜索方法
CN114815802A (zh) 一种基于改进蚁群算法的无人天车路径规划方法和系统
CN113415288B (zh) 分段式纵向车速规划方法、装置、设备及存储介质
CN114967711B (zh) 一种基于动态加权地图的多agv协同路径规划方法及系统
CN111862595B (zh) 基于路网拓扑关系的速度预测方法、系统、介质及设备
CN105634974A (zh) 软件定义网络中的路由确定方法和装置
Bassel A hybrid technique for single-source shortest path-based on A* algorithm and ant colony optimization
CN103309932A (zh) 路径搜索方法和路径搜索设备
CN113532448A (zh) 一种自动驾驶车辆的导航方法及其系统、驾驶控制设备
Du et al. GAQ-EBkSP: a DRL-based urban traffic dynamic rerouting framework using fog-cloud architecture
CN113312760A (zh) 一种基于交通仿真的网联机动车右转轨迹规划方法和装置
CN115560771A (zh) 基于采样的路径规划方法及装置、自动行驶设备
CN110689174A (zh) 基于公共交通的人员路线规划方法及装置
CN112562325B (zh) 基于块坐标下降的大规模城市交通网络流量监测方法
CN104596527A (zh) 一种划分各级引导道路和细街路的方法
CN116414139B (zh) 基于A-Star算法的移动机器人复杂路径规划方法
KR20220095452A (ko) 모바일 엣지 컴퓨팅 환경에서 효율적인 서비스 마이그레이션을 위한 서비스 소비 계획을 제공하는 컴퓨터 시스템 및 그의 방법
CN114640619B (zh) 基于平均通信距离的天基网络拓扑设计方法及相关设备
CN116429138A (zh) 路径规划方法、装置、车辆及存储介质

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Qu Xiaobo

Inventor after: Li Aoyong

Inventor before: Qu Xiaobo

Inventor before: Wu Jiaming

Inventor before: Li Aoyong