CN115046566B - 长距离导航的路径规划方法、设备和计算机可读存储介质 - Google Patents
长距离导航的路径规划方法、设备和计算机可读存储介质 Download PDFInfo
- Publication number
- CN115046566B CN115046566B CN202210962305.5A CN202210962305A CN115046566B CN 115046566 B CN115046566 B CN 115046566B CN 202210962305 A CN202210962305 A CN 202210962305A CN 115046566 B CN115046566 B CN 115046566B
- Authority
- CN
- China
- Prior art keywords
- path
- population
- initial
- optimal
- 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.)
- Active
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
- G01C21/3446—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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种长距离导航的路径规划方法、设备和计算机可读存储介质。该方法包括:根据源地点和目的地点,将源地点至目的地点之间划分为多个间隔段;获取多个间隔段中任意一个间隔段Li的各条车道之间的关联性和各条车道在路径规划中的权重;将任意一个间隔段Li的各条车道之间的关联性和各条车道在路径规划中的权重输入间隔段Li对应的已训练路径规划模型,基于遗传算法得到间隔段Li的最优规划路径;连接多个间隔段中每个间隔段的最优规划路径,得到源地点至目的地点之间的全局最优规划路径。本申请的技术方案可以在长距离的源宿点之间快速得到全局最优路径。
Description
技术领域
本申请涉及车辆导航领域,尤其涉及长距离导航的路径规划方法、设备和计算机可读存储介质。
背景技术
在车辆导航领域,长距离导航的路径规划方法一直是难点。一方面是因为距离长(例如,跨城市或跨省)本身意味着路况的各种不确定性,另一方面,距离长也意味着在做导航规划时面临着多种选择,这在导航算法中对应于算路的多种解,从多种解中选择最优解也需要成本。相关技术中,长距离导航的路径规划方法是以整个长距离的路径为对象,直接求解全局最优解。尽管相关技术可能得到最优解即全局最优路径,然而,当距离较长、路况较为复杂时,在非常大的解空间中得到较优解耗时非常大,而且多数情况下难以求解。
发明内容
为解决或部分解决相关技术中存在的问题,本申请提供一种长距离导航的路径规划方法、设备和计算机可读存储介质,可以在长距离的源宿点之间快速得到全局最优路径。
本申请第一方面提供一种长距离导航的路径规划方法,包括:
根据源地点和目的地点,将所述源地点至所述目的地点之间划分为多个间隔段;
获取所述多个间隔段中任意一个间隔段Li的各条车道之间的关联性和所述各条车道在路径规划中的权重;
将所述任意一个间隔段Li的各条车道之间的关联性和所述各条车道在路径规划中的权重输入所述间隔段Li对应的已训练路径规划模型,基于遗传算法得到所述间隔段Li的最优规划路径;
连接所述多个间隔段中每个间隔段的最优规划路径,得到所述源地点至所述目的地点之间的全局最优规划路径。
本申请第二方面提供一种长距离导航的路径规划装置,包括:
分段模块,用于根据源地点和目的地点,将所述源地点至所述目的地点之间划分为多个间隔段;
获取模块,用于获取所述多个间隔段中任意一个间隔段Li的各条车道之间的关联性和所述各条车道在路径规划中的权重;
计算模块,用于将所述任意一个间隔段Li的各条车道之间的关联性和所述各条车道在路径规划中的权重输入所述间隔段Li对应的已训练路径规划模型,基于遗传算法得到所述间隔段Li的最优规划路径;
连接模块,用于连接所述多个间隔段中每个间隔段的最优规划路径,得到所述源地点至所述目的地点之间的全局最优规划路径。
本申请第三方面提供一种电子设备,包括:
处理器;以及
存储器,其上存储有可执行代码,当所述可执行代码被所述处理器执行时,使所述处理器执行如上所述的方法。
本申请第四方面提供一种计算机可读存储介质,其上存储有可执行代码,当所述可执行代码被电子设备的处理器执行时,使所述处理器执行如上所述的方法。
本申请提供的技术方案可以包括以下有益效果:在获取多个间隔段中任意一个间隔段Li的各条车道之间的关联性和各条车道在路径规划中的权重之后,将该任意一个间隔段Li的各条车道之间的关联性和各条车道在路径规划中的权重输入间隔段Li对应的已训练路径规划模型,基于遗传算法得到间隔段Li的最优规划路径,最后连接多个间隔段中每个间隔段的最优规划路径,得到源地点至目的地点之间的全局最优规划路径。与现有技术以整个长距离的路径为对象,直接求解全局最优解相比,本申请在规划路径之前,将源地点至目的地点之间的路径划分为多个间隔段,结合已训练路径规划模型对每个间隔段基于遗传算法得到其最优路径规划,相当于每次是在较小的解空间中寻找最优解,因此,可以在长距离的源宿点之间快速得到全局最优路径。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
通过结合附图对本申请示例性实施方式进行更详细地描述,本申请的上述以及其它目的、特征和优势将变得更加明显,其中,在本申请示例性实施方式中,相同的参考标号通常代表相同部件。
图1是本申请实施例示出的长距离导航的路径规划方法的流程示意图;
图2是本申请实施例示出的长距离导航的路径规划装置的结构示意图;
图3是本申请实施例示出的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本申请的实施方式。虽然附图中显示了本申请的实施方式,然而应该理解,可以以各种形式实现本申请而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了使本申请更加透彻和完整,并且能够将本申请的范围完整地传达给本领域的技术人员。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语“第一”、“第二”、“第三”等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在车辆导航领域,长距离导航的路径规划方法一直是难点。一方面是因为距离长(例如,跨城市或跨省)本身意味着路况的各种不确定性,另一方面,距离长也意味着在做导航规划时面临着多种选择,这在导航算法中对应于算路的多种解,从多种解中选择最优解也需要成本。相关技术中,长距离导航的路径规划方法是以整个长距离的路径为对象,直接求解全局最优解。尽管相关技术可能得到最优解即全局最优路径,然而,当距离较长、路况较为复杂时,在非常大的解空间中得到较优解耗时非常大,而且多数情况下难以求解。
针对上述问题,本申请实施例提供一种长距离导航的路径规划方法,可以在长距离的源宿点之间快速得到全局最优路径。
以下结合附图详细描述本申请实施例的技术方案。
参见图1,是本申请实施例示出的长距离导航的路径规划方法的流程示意图,主要包括步骤S101至步骤S104,说明如下:
步骤S101:根据源地点和目的地点,将源地点至目的地点之间划分为多个间隔段。
源地点是长距离目标导航路段中的起始地点,目的地点是该长距离目标导航路段中的目标地点。例如,车辆需要从A省的B市行驶至C省的D市,则B市为源地点,D市为目的地点。在本申请实施例中,将源地点至目的地点之间划分为多个间隔段具有一定的灵活性,可以按照距离将源地点至目的地点之间划分为多个间隔段,例如,按照50公里为一个间隔段将源地点至目的地点之间划分为多个间隔段;亦可以源地点至目的地点之间的实际存在的城市、特定建筑物等为每个间隔段的端点划分依据来划分源地点至目的地点之间的间隔段,例如,源地点至目的地点之间存在A、B、C、D和E等五个城市,则可以A和B为首尾端点划分为一个间隔段,以B和C为首尾端点划分为一个间隔段,以C和D为首尾端点划分为一个间隔段,以D和E为首尾端点划分为一个间隔段,等等。
步骤S102:获取多个间隔段中任意一个间隔段Li的各条车道之间的关联性和各条车道在路径规划中的权重。
在本申请实施例中,各条车道之间的关联性包括车道驶入口的经纬度、驶出口的经纬度以及车道之间能否换道等,而各条车道在路径规划中的权重则是由车道的等级、类型等决定的,例如,主路车道的等级高于辅路车道的等级,则在路径规划中,主路车道的权重要大于辅路车道的权重;再如,高速公路的车道相比于省级公路的车道,前者在路径规划中的权重大于后者在路径规划中的权重,等等;此外,车道对应路径的长度、安全度和平滑度等亦可以作为车道权重的衡量。
步骤S103:将任意一个间隔段Li的各条车道之间的关联性和各条车道在路径规划中的权重输入间隔段Li对应的已训练路径规划模型,基于遗传算法得到间隔段Li的最优规划路径。
在本申请实施例中,已训练路径规划模型是采用遗传算法,对深度学习模型进行训练得到的路径规划模型。当训练得到已训练路径规划模型后,将任意一个间隔段Li的车道之间的关联性和在路径规划中的权重输入间隔段Li对应的已训练路径规划模型,可以基于遗传算法得到间隔段Li的最优规划路径。
作为本申请一个实施例,基于遗传算法得到间隔段Li的最优规划路径可以通过步骤Sa1031至步骤Sa1034实现,详细说明如下:
步骤Sa1031:从间隔段Li的起始点出发,获取从起始点至间隔段Li的目的点的最短初始路径作为初始种群。
具体地,可以从间隔段Li的起始点出发,随机选取与起始点相邻的一个地点作为下一路径点,该路径点要求与目的地点距离最短,如此循环,一直找到目的地点为止,即获得一条初始路径,也就产生了一个初始种群。为了防止出现环路,同一个地点有且只能经过一次。
步骤Sa1032:针对初始种群,结合间隔段Li的各条车道之间的关联性和各条车道在路径规划中的权重计算个体的适应度值。
在遗传算法中,个体的适应度值(fitness)指的是个体在种群生存的优势程度度量,用于区分个体的“好”与“坏”。适应度值使用适应度函数(fitness function)来进行计算,适应度函数也叫评价函数,主要是通过个体特征从而判断个体的适应度;某个个体的适应度值越大,该个体被保留的可能性越大。例如,在本申请实施例中,可以将车道对应的路径长度、路径安全度和路径平滑度以及车道之间换道的便捷性,作为对应路径适应度函数的评价指标,计算个体即路径的适应度值。
步骤Sa1033:根据个体的适应度值,对种群执行选择、交叉和变异操作,得到新的种群。
作为本申请的一个实施例,根据个体的适应度值,对种群执行选择、交叉和变异操作,得到新的种群可以是:从种群中随机选择两个个体进行适应度值比较,适应度值较高的个体进入下一代,适应度值较低的个体则被舍去;对于两个待交叉的染色体,选择在它们共有节点处进行交叉,以形成路径,若两染色体不存在共有节点,则不进行交叉操作;从当代群体中随机选择待变异的个体,将路径拐弯处的遗传单位删除并随机选择删除的遗传单位周边一个遗传单位进行替代,重新连接形成新的路径。上述实施例中,对种群个体的选择是一种基于局部竞争机制的选择,而且只是适应度相对值的比较,具有一定的随机性,因而避免出现局部最优,在一定程度上避免了过早收敛和停滞现象的发生,而随机选择删除的遗传单位周边一个遗传单位进行替代,避免了将某个路径变为无效路径,从而降低了算法的复杂程度,减少算法计算时间。需要说明的是,在本申请实施例中,种群是指由代表一个个规划路径的个体组成的群体,而染色体则是遗传算法的一个可行解,代表种群的每一次进化过程中较大概率被确定为最终规划路径的路径。
步骤Sa1034:对新的种群执行路径优化策略,得到间隔段Li的最优规划路径。
具体地,可以将相同地点序号之间的地点和相同地点之一删除掉,将形成的新路径作为下一代种群个体;再如,在路径之间的拐角处两端添加两个节点,若连接后的路径不经过障碍物,则用该路径替换该处原有路径,并删除原有的拐角处节点,从而生成一条更加平滑的新路径,等等。若两代个体之间的适应度值相差不超过预设适应度阈值,则输出当前代路径作为间隔段Li的最优规划路径。
作为本申请另一实施例,基于遗传算法得到间隔段Li的最优规划路径可以通过步骤Sb1031至步骤Sb1034实现,详细说明如下:
步骤Sb1031:快速生成个体多样性和路径皆通达的初始种群。
具体地,快速生成个体多样性和路径皆通达的初始种群可以是通过如下步骤S1至步骤S5实现:
步骤S1:初始化随机树,分别以随机树中两棵子树的根节点为起始点和终结点;
步骤S2:在车辆可行驶范围随机选择一个点Prand作为生长方向,计算随机树的子树的所有节点与点Prand之间的欧氏距离,找出欧氏距离最小的节点Plst,该子树从节点Plst开始以生长因素朝着点Prand生长出新的节点Pnew,将新的节点Pnew连接到子树中;
步骤S3:随机树中两棵子树的一棵子树以另一棵子树自由生长的节点Pnew为生长方向,同自由生长过程生长出新的节点P’new,将新的节点P’new连接到子树中;
步骤 S4:判断随机树是否在起始点和终结点之间建立足够数量的连接,若是,则停止生长并进入步骤S5,否则,返回步骤S2继续生长;
步骤S5:以随机树的连接点作为上溯初始点,朝着随机树的根节点进行多次上溯,直至上溯至根节点,多次上溯产生的可通达路径组成初始种群。
需要说明的是,在朝着随机树的根节点进行多次上溯时,可以将上溯经历的树中的节点与边构成可通达路径。
步骤Sb1032:针对初始种群,结合间隔段Li的各条车道之间的关联性和各条车道在路径规划中的权重计算个体的适应度值。
此处,步骤Sb1032的实现如前述实施例的步骤Sa1032的实现过程类似,可参阅前述实施例的相关说明,此处不做赘述。
步骤Sb1033:根据个体的适应度值,采用选择、交叉和变异对初始种群进行进化,得到间隔段Li的初始最优规划路径。
此处,步骤Sb1033的实现如前述实施例的步骤Sa1033的实现过程类似,可参阅前述实施例的相关说明,此处不做赘述。
步骤Sb1034:将初始最优规划路径的关键点作为控制点,通过N次B样条曲线算法对初始最优规划路径进行平滑处理,得到间隔段Li的最终最优规划路径。
此处,N次B样条曲线可以是二次B样条曲线。
作为本申请另一实施例,基于遗传算法得到间隔段Li的最优规划路径可以通过步骤Sc1031至步骤Sc1037实现,详细说明如下:
步骤Sc1031:确定初始种群数量Ng、最大优化种群代数Nmax、起始点S和终止点T。
步骤Sc1032:在起始点S和终止点T之间生成Ng条初始路径。
初始路径的数量和前述初始种群数量相等,都为Ng。
步骤Sc1033:结合贝塞尔曲线对产生的初始路径进行优化。
之所以结合贝塞尔曲线对产生的初始路径进行优化,是因为考虑到传统遗传算法进行路径规划时,容易产生曲率很大的路径段和多余的节点等问题,采用贝塞尔曲线对产生的初始路径进行优化,可以将路径变得更平滑。具体地,可以将贝塞尔曲线引入遗传算法;通过将遗传算法初始化路径中的各个曲率变化较大点作为控制点P0、P1、P2、…、Pm,得到包含一条存在m个控制点的贝塞尔曲线。此处,曲率变化较大点是指路径中某个点对应的曲率超过了预设曲率阈值。
步骤Sc1034:结合各条车道之间的关联性和各条车道在路径规划中的权重,采用已经置入安全保障距离和惩处因子的适应度函数计算每条路径的适应度函数值。
若适应度函数仅将路径长度作为路径选择的主要标准,虽然能够保证所得路径最短,但路径可能存在因车辆与障碍物间距过小而冲撞的问题。本申请通过增加置入安全保障距离和惩处等因子,提出了一种基于安全保障的适应度函数。当路径与障碍物之间距离越近时,惩处强度越高。如此,可以实现适应度函数的自适应调节,以提高规划路径的质量。
步骤Sc1035:执行选择、交叉和变异操作,产生新的路径。
此处,步骤Sc1035的实现如前述实施例的步骤Sa1032或步骤Sb1032的实现过程类似,可参阅前述实施例的相关说明,此处不做赘述。
步骤Sc1036:判断当前最优值是否达到最大优化种群代数,若是,则停止算法并转到步骤Sc1037,否则,更新路径并转到步骤Sc1033。
步骤Sc1037:输出当前最优值达到最大优化种群代数时对应路径作为间隔段Li的最优规划路径。
步骤S104:连接多个间隔段中每个间隔段的最优规划路径,得到源地点至目的地点之间的全局最优规划路径。
由于步骤S101至步骤S103是对多个间隔段中任意一个间隔段Li进行了最优路径的规划,因此,经步骤S101至步骤S103可以得到多个间隔段中每个间隔段的最优规划路径。此后,连接多个间隔段中每个间隔段的最优规划路径,得到源地点至目的地点之间的全局最优规划路径。
从上述图1示例的长距离导航的路径规划方法可知,在获取多个间隔段中任意一个间隔段Li的各条车道之间的关联性和各条车道在路径规划中的权重之后,将该任意一个间隔段Li的各条车道之间的关联性和各条车道在路径规划中的权重输入间隔段Li对应的已训练路径规划模型,基于遗传算法得到间隔段Li的最优规划路径,最后连接多个间隔段中每个间隔段的最优规划路径,得到源地点至目的地点之间的全局最优规划路径。与现有技术以整个长距离的路径为对象,直接求解全局最优解相比,本申请在规划路径之前,将源地点至目的地点之间的路径划分为多个间隔段,结合已训练路径规划模型对每个间隔段基于遗传算法得到其最优路径规划,相当于每次是在较小的解空间中寻找最优解,因此,可以在长距离的源宿点之间快速得到全局最优路径。
与前述应用功能实现方法实施例相对应,本申请还提供了一种长距离导航的路径规划装置、电子设备及相应的实施例。
参见图2,是本申请实施例示出的长距离导航的路径规划装置的结构示意图。为了便于说明,仅示出了与本申请实施例相关的部分。图2示例的长距离导航的路径规划装置主要包括分段模块201、获取模块202、计算模块203和连接模块204,其中:
分段模块201,用于根据源地点和目的地点,将源地点至目的地点之间划分为多个间隔段;
获取模块202,用于获取多个间隔段中任意一个间隔段Li的各条车道之间的关联性和各条车道在路径规划中的权重;
计算模块203,用于将任意一个间隔段Li的各条车道之间的关联性和各条车道在路径规划中的权重输入间隔段Li对应的已训练路径规划模型,基于遗传算法得到间隔段Li的最优规划路径;
连接模块204,用于连接多个间隔段中每个间隔段的最优规划路径,得到源地点至目的地点之间的全局最优规划路径。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不再做详细阐述说明。
从上述图2示例的长距离导航的路径规划装置可知,在获取多个间隔段中任意一个间隔段Li的各条车道之间的关联性和各条车道在路径规划中的权重之后,将该任意一个间隔段Li的各条车道之间的关联性和各条车道在路径规划中的权重输入间隔段Li对应的已训练路径规划模型,基于遗传算法得到间隔段Li的最优规划路径,最后连接多个间隔段中每个间隔段的最优规划路径,得到源地点至目的地点之间的全局最优规划路径。与现有技术以整个长距离的路径为对象,直接求解全局最优解相比,本申请在规划路径之前,将源地点至目的地点之间的路径划分为多个间隔段,结合已训练路径规划模型对每个间隔段基于遗传算法得到其最优路径规划,相当于每次是在较小的解空间中寻找最优解,因此,可以在长距离的源宿点之间快速得到全局最优路径。
图3是本申请实施例示出的电子设备的结构示意图。
参见图3,电子设备300包括存储器310和处理器320。
处理器320可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器310可以包括各种类型的存储单元,例如系统内存、只读存储器(ROM)和永久存储装置。其中,ROM可以存储处理器320或者计算机的其他模块需要的静态数据或者指令。永久存储装置可以是可读写的存储装置。永久存储装置可以是即使计算机断电后也不会失去存储的指令和数据的非易失性存储设备。在一些实施方式中,永久性存储装置采用大容量存储装置(例如磁或光盘、闪存)作为永久存储装置。另外一些实施方式中,永久性存储装置可以是可移除的存储设备(例如软盘、光驱)。系统内存可以是可读写存储设备或者易失性可读写存储设备,例如动态随机访问内存。系统内存可以存储一些或者所有处理器在运行时需要的指令和数据。此外,存储器310可以包括任意计算机可读存储媒介的组合,包括各种类型的半导体存储芯片(例如DRAM,SRAM,SDRAM,闪存,可编程只读存储器),磁盘和/或光盘也可以采用。在一些实施方式中,存储器310可以包括可读和/或写的可移除的存储设备,例如激光唱片(CD)、只读数字多功能光盘(例如DVD-ROM,双层DVD-ROM)、只读蓝光光盘、超密度光盘、闪存卡(例如SD卡、min SD卡、Micro-SD卡等)、磁性软盘等。计算机可读存储媒介不包含载波和通过无线或有线传输的瞬间电子信号。
存储器310上存储有可执行代码,当可执行代码被处理器320处理时,可以使处理器320执行上文述及的方法中的部分或全部。
此外,根据本申请的方法还可以实现为一种计算机程序或计算机程序产品,该计算机程序或计算机程序产品包括用于执行本申请的上述方法中部分或全部步骤的计算机程序代码指令。
或者,本申请还可以实施为一种计算机可读存储介质(或非暂时性机器可读存储介质或机器可读存储介质),其上存储有可执行代码(或计算机程序或计算机指令代码),当可执行代码(或计算机程序或计算机指令代码)被电子设备(或服务器等)的处理器执行时,使处理器执行根据本申请的上述方法的各个步骤的部分或全部。
以上已经描述了本申请的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其他普通技术人员能理解本文披露的各实施例。
Claims (7)
1.一种长距离导航的路径规划方法,其特征在于,所述方法包括:
根据源地点和目的地点,将所述源地点至所述目的地点之间划分为多个间隔段;
获取所述多个间隔段中任意一个间隔段Li的各条车道之间的关联性和所述各条车道在路径规划中的权重;
将所述任意一个间隔段Li的各条车道之间的关联性和所述各条车道在路径规划中的权重输入所述间隔段Li对应的已训练路径规划模型,基于遗传算法得到所述间隔段Li的最优规划路径;
连接所述多个间隔段中每个间隔段的最优规划路径,得到所述源地点至所述目的地点之间的全局最优规划路径;
所述基于遗传算法得到所述间隔段Li的最优规划路径,包括:从所述间隔段Li的起始点出发,获取从所述起始点至所述间隔段Li的目的点的最短初始路径作为初始种群;针对所述初始种群,结合所述间隔段Li的各条车道之间的关联性和所述各条车道在路径规划中的权重计算个体的适应度值;根据所述个体的适应度值,对种群执行选择、交叉和变异操作,得到新的种群;对所述新的种群执行路径优化策略,得到所述间隔段Li的最优规划路径;或者
所述基于遗传算法得到所述间隔段Li的最优规划路径,包括:快速生成个体多样性和路径皆通达的初始种群;针对所述初始种群,结合所述间隔段Li的各条车道之间的关联性和所述各条车道在路径规划中的权重计算个体的适应度值;根据所述个体的适应度值,采用选择、交叉和变异对所述初始种群进行进化,得到所述间隔段Li的初始最优规划路径;将所述初始最优规划路径的关键点作为控制点,通过N次B样条曲线算法对所述初始最优规划路径进行平滑处理,得到所述间隔段Li的最终最优规划路径;或者
所述基于遗传算法得到所述间隔段Li的最优规划路径,包括:步骤S1:确定初始种群数目Ng、最大优化种群代数Nmax、起始点S和终止点T;步骤S2:在所述起始点S和终止点T之间生成Ng条初始路径;步骤S3:结合贝塞尔曲线对所述产生的初始路径进行优化;步骤S4:结合所述各条车道之间的关联性和所述各条车道在路径规划中的权重,采用已经置入安全保障距离和惩处因子的适应度函数计算每条路径的适应度函数值;步骤S5:执行选择、交叉和变异操作,产生新的路径;步骤S6:判断当前最优值是否达到所述最大优化种群代数Nmax,若是,则停止算法并转到步骤S7,否则,更新路径并转到步骤S3;步骤S7:输出当前最优值达到最大优化种群代数时对应路径作为所述间隔段Li的最优规划路径。
2.根据权利要求1所述的长距离导航的路径规划方法,其特征在于,所述根据所述个体的适应度值,对种群执行选择、交叉和变异操作,得到新的种群,包括:
从种群中随机选择两个个体进行适应度值比较,适应度值较高的个体进入下一代,适应度值较低的个体则被舍去;
对于两个待交叉的染色体,选择在它们共有节点处进行交叉,以形成路径,若两染色体不存在共有节点,则不进行交叉操作;
从当代群体中随机选择待变异的个体,将路径拐弯处的遗传单位删除并随机选择所述删除的遗传单位周边一个遗传单位进行替代,重新连接形成所述新的路径。
3.根据权利要求1所述的长距离导航的路径规划方法,其特征在于,所述快速生成个体多样性和路径皆通达的初始种群,包括:
步骤S1:初始化随机树,分别以所述随机树中两棵子树的根节点为起始点和终结点;
步骤S2:在车辆可行驶范围随机选择一个点Prand作为生长方向,计算所述随机树的子树的所有节点与所述点Prand之间的欧氏距离,找出欧氏距离最小的节点Plst,所述子树从所述节点Plst开始以生长因素朝着点Prand生长出新的节点Pnew,将所述新的节点Pnew连接到子树中;
步骤S3:所述随机树中两棵子树的一棵子树以另一棵子树自由生长的节点Pnew为生长方向,同自由生长过程生长出新的节点P’new,将新的节点P’new连接到子树中;
步骤 S4:判断随机树是否在所述起始点和终结点之间建立足够数量的连接,若是,则停止生长并进入步骤S5,否则,返回步骤S2继续生长;
步骤S5:以所述随机树的连接点作为上溯初始点,朝着所述随机树的根节点进行多次上溯,直至上溯至根节点,多次上溯产生的可通达路径组成所述初始种群。
4.根据权利要求1所述的长距离导航的路径规划方法,其特征在于,所述结合贝塞尔曲线对所述产生的初始路径进行优化,包括:
将贝塞尔曲线引入所述遗传算法;
通过将遗传算法初始化路径中的各个曲率变化较大点作为控制点P0、P1、P2、…、Pm,得到包含一条存在m个控制点的贝塞尔曲线。
5.一种长距离导航的路径规划装置,其特征在于,所述装置包括:
分段模块,用于根据源地点和目的地点,将所述源地点至所述目的地点之间划分为多个间隔段;
获取模块,用于获取所述多个间隔段中任意一个间隔段Li的各条车道之间的关联性和所述各条车道在路径规划中的权重;
计算模块,用于将所述任意一个间隔段Li的各条车道之间的关联性和所述各条车道在路径规划中的权重输入所述间隔段Li对应的已训练路径规划模型,基于遗传算法得到所述间隔段Li的最优规划路径;
连接模块,用于连接所述多个间隔段中每个间隔段的最优规划路径,得到所述源地点至所述目的地点之间的全局最优规划路径;
所述基于遗传算法得到所述间隔段Li的最优规划路径,包括:从所述间隔段Li的起始点出发,获取从所述起始点至所述间隔段Li的目的点的最短初始路径作为初始种群;针对所述初始种群,结合所述间隔段Li的各条车道之间的关联性和所述各条车道在路径规划中的权重计算个体的适应度值;根据所述个体的适应度值,对种群执行选择、交叉和变异操作,得到新的种群;对所述新的种群执行路径优化策略,得到所述间隔段Li的最优规划路径;或者
所述基于遗传算法得到所述间隔段Li的最优规划路径,包括:快速生成个体多样性和路径皆通达的初始种群;针对所述初始种群,结合所述间隔段Li的各条车道之间的关联性和所述各条车道在路径规划中的权重计算个体的适应度值;根据所述个体的适应度值,采用选择、交叉和变异对所述初始种群进行进化,得到所述间隔段Li的初始最优规划路径;将所述初始最优规划路径的关键点作为控制点,通过N次B样条曲线算法对所述初始最优规划路径进行平滑处理,得到所述间隔段Li的最终最优规划路径;或者
所述基于遗传算法得到所述间隔段Li的最优规划路径,包括:步骤S1:确定初始种群数目Ng、最大优化种群代数Nmax、起始点S和终止点T;步骤S2:在所述起始点S和终止点T之间生成Ng条初始路径;步骤S3:结合贝塞尔曲线对所述产生的初始路径进行优化;步骤S4:结合所述各条车道之间的关联性和所述各条车道在路径规划中的权重,采用已经置入安全保障距离和惩处因子的适应度函数计算每条路径的适应度函数值;步骤S5:执行选择、交叉和变异操作,产生新的路径;步骤S6:判断当前最优值是否达到所述最大优化种群代数Nmax,若是,则停止算法并转到步骤S7,否则,更新路径并转到步骤S3;步骤S7:输出当前最优值达到最大优化种群代数时对应路径作为所述间隔段Li的最优规划路径。
6.一种电子设备,其特征在于,包括:
处理器;以及
存储器,其上存储有可执行代码,当所述可执行代码被所述处理器执行时,使所述处理器执行如权利要求1至4中任意一项所述的方法。
7.一种计算机可读存储介质,其上存储有可执行代码,当所述可执行代码被电子设备的处理器执行时,使所述处理器执行如权利要求1至4中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210962305.5A CN115046566B (zh) | 2022-08-11 | 2022-08-11 | 长距离导航的路径规划方法、设备和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210962305.5A CN115046566B (zh) | 2022-08-11 | 2022-08-11 | 长距离导航的路径规划方法、设备和计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115046566A CN115046566A (zh) | 2022-09-13 |
CN115046566B true CN115046566B (zh) | 2022-10-28 |
Family
ID=83167917
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210962305.5A Active CN115046566B (zh) | 2022-08-11 | 2022-08-11 | 长距离导航的路径规划方法、设备和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115046566B (zh) |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10219500A1 (de) * | 2002-04-30 | 2003-11-20 | Siemens Ag | Navigationssystem mit dynamischer Routenplanung |
US7110881B2 (en) * | 2003-10-07 | 2006-09-19 | Deere & Company | Modular path planner |
JP5111084B2 (ja) * | 2007-12-12 | 2012-12-26 | クラリオン株式会社 | ナビゲーション装置 |
CN102954799A (zh) * | 2011-08-29 | 2013-03-06 | 环达电脑(上海)有限公司 | 快速路径规划的导航装置及其方法 |
TW201614195A (en) * | 2014-10-02 | 2016-04-16 | Inst Information Industry | Route planning system, route planning method and traffic information update method |
CN108267144A (zh) * | 2016-12-30 | 2018-07-10 | 沈阳美行科技有限公司 | 一种导航路线推荐方法、系统及其装置 |
US10837789B2 (en) * | 2018-08-30 | 2020-11-17 | Wipro Limited | Method and system for determining an optimal path for navigation of a vehicle |
CN110530387A (zh) * | 2019-09-02 | 2019-12-03 | 上海图聚智能科技股份有限公司 | 路径规划方法、装置、电子设备、及存储介质 |
CN110530393A (zh) * | 2019-10-08 | 2019-12-03 | 北京邮电大学 | 车道级路径规划方法、装置、电子设备及可读存储介质 |
EP3987249B1 (en) * | 2020-03-26 | 2023-11-01 | Baidu.com Times Technology (Beijing) Co., Ltd. | A navigation route planning method for autonomous vehicles |
-
2022
- 2022-08-11 CN CN202210962305.5A patent/CN115046566B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115046566A (zh) | 2022-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111415048B (zh) | 一种基于强化学习的车辆路径规划方法 | |
US9536146B2 (en) | Determine spatiotemporal causal interactions in data | |
CN101409011B (zh) | 一种地图匹配和路径推测方法、装置和系统 | |
CN111065893A (zh) | 用于创建精确到车道的道路地图的方法和设备 | |
CN103512577B (zh) | 地图更新系统 | |
CN104215254B (zh) | 路径导航的方法和装置 | |
CN113191550B (zh) | 地图匹配方法及装置 | |
CN106682769A (zh) | 一种产品车辆路径实现方法和装置 | |
CN114162140B (zh) | 一种最优车道匹配方法及系统 | |
JP2019082755A (ja) | 道路学習モデル生成装置、道路学習モデル生成方法、配送計画生成装置及び配送計画生成方法 | |
CN114399125B (zh) | 车队最优轨迹控制方法、装置、电子设备及存储介质 | |
CN112330054B (zh) | 基于决策树的动态旅行商问题求解方法、系统及存储介质 | |
CN115046566B (zh) | 长距离导航的路径规划方法、设备和计算机可读存储介质 | |
CN116817958B (zh) | 一种基于障碍物分组的参考路径生成方法、装置和介质 | |
CN114722482A (zh) | 高原隧道形变量的预测方法及高原隧道健康检测系统 | |
Rice et al. | Exact graph search algorithms for generalized traveling salesman path problems | |
Beed et al. | A study of the genetic algorithm parameters for solving multi-objective travelling salesman problem | |
CN109190787A (zh) | 水下潜航器的双重粒子群多监测点访问路径规划方法 | |
CN114996278B (zh) | 一种基于强化学习的路网最短路径距离查询方法 | |
Jagadeesh et al. | Route computation in large road networks: a hierarchical approach | |
CN113361753B (zh) | 基于量子遗传算法的确定最优路径的方法、系统和介质 | |
CN112785082A (zh) | 基于学习的路网最短路距离近似计算模型训练方法和装置 | |
Kim et al. | Finding realistic shortest path in road networks with lane changing and turn restriction | |
Walther | Topological path planning for information gathering in alpine environments | |
CN117973809B (zh) | 面向加氢车的多目标调配与协同优化方法及存储介质 |
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 |