CN116337103A - 基于区域分类的分层泛在导航方法、装置及计算机设备 - Google Patents
基于区域分类的分层泛在导航方法、装置及计算机设备 Download PDFInfo
- Publication number
- CN116337103A CN116337103A CN202310551769.1A CN202310551769A CN116337103A CN 116337103 A CN116337103 A CN 116337103A CN 202310551769 A CN202310551769 A CN 202310551769A CN 116337103 A CN116337103 A CN 116337103A
- Authority
- CN
- China
- Prior art keywords
- region
- road network
- road
- network data
- information
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000013145 classification model Methods 0.000 claims abstract description 43
- 230000011218 segmentation Effects 0.000 claims abstract description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 36
- 238000004590 computer program Methods 0.000 claims description 14
- 230000007613 environmental effect Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 241001050985 Disco Species 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000012876 topography Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
-
- 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)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Navigation (AREA)
Abstract
本发明提供了一种基于区域分类的分层泛在导航方法、装置及计算机设备,涉及导航技术领域,所述方法包括:获取以路网数据为基础的预设区域分类模型,所述预设区域分类模型包括以矢量路网道路数据为基础的第一区域、以简单轨迹的道路数据为基础的第二区域和以栅格或六边形切分格网的道路数据为基础的第三区域;获取当前路网数据;根据所述当前路网数据和所述预设区域分类模型对当前路网进行区域分类,得到区域分类结果;根据所述区域分类结果获取所述预设区域分类模型中的区域路网数据信息;根据所述路网数据信息对处于所述当前路网下的车辆进行路径规划。本发明能够为三种数据类型的矢量路网提供标准的路径导航,且导航结果准确、高效。
Description
技术领域
本发明涉及导航技术领域,具体而言,涉及一种基于区域分类的分层泛在导航方法、装置及计算机设备。
背景技术
目前,导航技术将城市交通道路网络抽象为一个能被计算机识别和处理的模型即路网模型。导航应用要求路网匹配精度高,路径规划与引导准确高效。而现有技术中,对存在简单道路数据信息的路网仅能提供有限导引能力的泛导航服务,影响了导航的应用范围。
发明内容
本发明解决的问题是现有技术中对存在简单道路数据信息的路网仅能提供有限导引能力的泛导航服务,影响了导航的应用范围。
为解决上述技术问题,本发明提供一种基于区域分类的分层泛在导航方法,包括如下步骤:
获取以路网数据为基础的预设区域分类模型,所述预设区域分类模型包括以矢量路网道路数据为基础的第一区域、以简单轨迹的道路数据为基础的第二区域和以栅格或六边形切分格网的道路数据为基础的第三区域;
获取当前路网数据;
根据所述当前路网数据和所述预设区域分类模型对当前路网进行区域分类,得到区域分类结果;
根据所述区域分类结果获取所述预设区域分类模型中的区域路网数据信息;
根据所述路网数据信息对处于所述当前路网下的车辆进行路径规划。
可选地,所述预设区域分类模型包括主干导航网数据信息和/或具有拓扑结构的复杂路网数据信息。
可选地,所述根据所述区域分类结果获取所述预设区域分类模型中的区域路网数据信息,包括:
当所述区域分类结果为所述第一区域时,获取所述第一区域中的道路拓扑连接信息、道路属性信息、道路节点信息以及转向表信息;
当所述区域分类结果为所述第二区域时,获取所述第二区域中的道路拓扑连接信息、道路属性信息以及道路节点信息;
当所述区域分类结果为所述第三区域时,获取所述第三区域中的道路拓扑连接信息及道路属性信息。
可选地,所述道路属性信息包括道路基础信息和环境信息,所述环境信息包括隐蔽情况、平均坡度值、最大坡度数或植被情况中的至少一种。
可选地,所述根据所述路网数据信息对处于所述当前路网下的车辆进行路径规划,包括:当所述区域分类结果为所述第一区域时,根据获取的所述第一区域的路网数据信息,利用A*的启发式算法和迪克斯特拉算法对处于所述当前路网下的车辆进行路径规划;
当所述区域分类结果为所述第二区域时,根据获取的所述第二区域的路网数据信息,利用A*的启发式算法和迪克斯特拉算法对处于所述当前路网下的车辆进行路径规划。
可选地,所述根据所述路网数据信息对处于所述当前路网下的车辆进行路径规划,包括:
当所述区域分类结果为所述第三区域时,根据获取的所述第三区域的路网数据信息,利用最短路径算法获取主干导航网数据信息,根据所述主干导航网数据信息,利用A*的启发式算法和迪克斯特拉算法对处于所述当前路网下的车辆进行路径规划。
可选地,所述预设区域分类模型还包括非通行区域,所述非通行区域内不包含路网数据信息。
本发明的基于区域分类的分层泛在导航方法,相对于现有技术的优势在于,本发明能够为对存在矢量路网的道路数据、只存在简单轨迹的道路数据和只存在栅格或六边形切分格网的道路数据三种数据类型的矢量路网提供标准的路径导航,且导航结果准确、高效,提高了导航的应用范围。
为解决上述技术问题,本发明还提供了一种基于区域分类的分层泛在导航装置,包括:
获取单元,所述获取单元用于获取以路网数据为基础的预设区域分类模型,所述预设区域分类模型包括以矢量路网道路数据为基础的第一区域、以简单轨迹的道路数据为基础的第二区域和以栅格或六边形切分格网的道路数据为基础的第三区域,
所述获取单元还用于获取当前路网数据;
分类单元,所述分类单元用于根据所述当前路网数据和所述预设区域分类模型对当前路网进行区域分类,得到区域分类结果;
路径规划单元,所述路径规划单元用于根据所述区域分类结果获取所述预设区域分类模型中的区域路网数据信息,并根据所述路网数据信息对处于所述当前路网下的车辆进行路径规划。
本发明所述的基于区域分类的分层泛在导航装置与所述基于区域分类的分层泛在导航方法相对于现有技术的优势相同,在此不再赘述。
为解决上述技术问题,本发明还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述基于区域分类的分层泛在导航方法的步骤。
本发明所述的计算机设备与所述基于区域分类的分层泛在导航方法相对于现有技术的优势相同,在此不再赘述。
为解决上述技术问题,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现所述基于区域分类的分层泛在导航方法的步骤。
本发明所述的计算机可读存储介质与所述基于区域分类的分层泛在导航方法相对于现有技术的优势相同,在此不再赘述。
附图说明
图1为本发明实施例中基于区域分类的分层泛在导航方法的应用环境图;
图2为本发明实施例中基于区域分类的分层泛在导航方法的流程图;
图3为本发明实施例中基于区域分类的分层泛在导航方法的区域道路网划分示意图;
图4为本发明实施例中基于区域分类的分层泛在导航方法的导航路网拓扑结构示意图;
图5为本发明实施例中基于区域分类的分层泛在导航方法在已有数据的上应用的算法结果示意图;
图6为本发明实施例中基于区域分类的分层泛在导航方法对于路径导航中是否发生碰撞的判定条件示意图;
图7为本发明实施例中基于区域分类的分层泛在导航装置结构图;
图8为本发明实施例中计算机设备的内部结构图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、详尽地描述。
在本申请实施例的描述中,术语“一些实施例”的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明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一定指的是相同的实施或实例。而且,描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
图1为本申请实施例中基于区域分类的分层泛在导航方法的应用环境图。参照图1,该基于区域分类的分层泛在导航方法应用于工控机异机还原系统。该工控机异机还原系统包括终端110和服务器120。终端110和服务器120通过网络连接。终端110具体可以是台式终端或移动终端,移动终端具体可以手机、平板电脑、笔记本电脑等中的至少一种。服务器120可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
如图2所示,在一个实施例中,提供了一种基于区域分类的分层泛在导航方法。本实施例主要以该方法应用于上述图1中的终端110(或服务器120)来举例说明。参照图2,该基于区域分类的分层泛在导航方法具体包括如下步骤:
步骤S1,获取以路网数据为基础的预设区域分类模型,所述预设区域分类模型包括以矢量路网道路数据为基础的第一区域、以简单轨迹的道路数据为基础的第二区域和以栅格或六边形切分格网的道路数据为基础的第三区域;
步骤S2,获取当前路网数据;
步骤S3,根据所述当前路网数据和所述预设区域分类模型对当前路网进行区域分类,得到区域分类结果;
步骤S4,根据所述区域分类结果获取所述预设区域分类模型中的区域路网数据信息;
步骤S5,根据所述路网数据信息对处于所述当前路网下的车辆进行路径规划。
本实施例步骤S4中,所述根据所述区域分类结果获取所述预设区域分类模型中的区域路网数据信息,包括:
当所述区域分类结果为所述第一区域时,获取所述第一区域中的道路拓扑连接信息、道路属性信息、道路节点信息以及转向表信息;
当所述区域分类结果为所述第二区域时,获取所述第二区域中的道路拓扑连接信息、道路属性信息以及道路节点信息;
当所述区域分类结果为所述第三区域时,获取所述第三区域中的道路拓扑连接信息及道路属性信息。
其中,道路拓扑连接信息、道路属性信息以及道路节点信息,即具有简单轨迹的道路数据。
在一些实施例中,所述道路属性信息包括道路基础信息和环境信息,所述环境信息包括隐蔽情况、平均坡度值、最大坡度数或植被情况中的至少一种。
本实施例中的环境信息为当前路网环境中不易发生变化的属性部分,并通过设计的编码表和量化表,以属性和具体数字化信息等方式,写入到道路属性信息中;
本实施例中的道路基础信息包含道路名称、边编码、道路起点编码、道路终点编码、道路功能等级、道路长度和道路方向中的至少一种;
本实施例中的道路拓扑连接信息包括道路编码,起始节点编码和终止节点编码;
本实施例中的道路节点信息包括节点编码,道路节点即组成道路的顺序点的集合;
本实施例中的转向表信息包括源点编码、汇点编码、连接编码、时间限制表和车辆种类限制表。
优选地,所述预设区域分类模型包括主干导航网数据信息和/或具有拓扑结构的复杂路网数据信息。
具体的实施例中,主干导航网能够连通所有区域并且能够连接到每个区域内部的详细路网,且主干导航网数据信息的获取通过如下步骤:
对当前路网数据中的每个区域进行统一编码,且每个区域内根据该区域的道路数据的特征单独建立区域道路网络,例如,利用导航电子地图中分省路网的思想,以省份为单位设定省份编码;
提取标准导航区内部的高等级道路以及能够连通其他区域的道路,构建全区域的高等级道路网,由此获得主干导航网数据信息,其中,标准导航区基于导航电子地图商提供的原始数据的分级方法获得。
具体的实施例中,拓扑结构的建立需要依照如下规则:
其一,每条道路的道路编码都是唯一的,每个道路节点的节点编码都是唯一的;
其二,道路属性信息中,除包括道路基础信息和环境信息外,还包括道路矢量化方向,在一些优选的是实施例中,道路属性信息中还包括道路管理等级或道路类别;
其三,道路节点信息包括道路两端连接的节点的节点编码,由此,通过道路可以快速的找到对应的节点及附属信息;
其四,道路节点信息还包括该节点连接道路的道路编码,由此,通过该节点,可以快速的找到节点和道路、道路和道路之间的连接关系。
步骤S5中,所述根据所述路网数据信息对处于所述当前路网下的车辆进行路径规划,包括:
当所述区域分类结果为所述第一区域时,根据获取的所述第一区域的路网数据信息,利用A*的启发式算法和迪克斯特拉算法对处于所述当前路网下的车辆进行路径规划;
当所述区域分类结果为所述第二区域时,根据获取的所述第二区域的路网数据信息,利用A*的启发式算法和迪克斯特拉算法对处于所述当前路网下的车辆进行路径规划。
其中,A*的启发式算法的计算公式为:
f(n)=g(n)+h(n);
其中,g(n)表示智能汽车在工作空间中从初始起点移动到当前节点所消耗的实际代价值,h(n)为当前节点到终点的路径代价估计值,也称作启发函数,f(n)为最优路径。
在一些具体的实施例中,步骤S5中,利用A*的启发式算法和迪克斯特拉算法对处于所述当前路网下的车辆进行路径规划,包括:
步骤S51,读取高程数据及地面属性信息,建立slope表、pass表,依照高程差及不可通过地面属性栅格初始化closed表;
步骤S52,参照closed表将可通行子节点格网坐标加入open表,并依次计算 g、h和f 值,并将当前格网加入closed表中;
步骤S53,录入并更新open表;
步骤S54,取当前所有子节点 f 最小值的格网,设定为当前格网,并判定是否为终点,若是,则结束搜索,输出结果;若否,则返回步骤S52,直至到达终点为止;
步骤S55,建立route列表以记录A*所选择的最优路径,route列表起始为空,从目标节点坐标索引值依次往回添加,以open表中{parent.node}逆向查找每个节点的父节点格网,输出结果,完成对处于所述当前路网下的车辆进行路径规划。
步骤S5中,所述根据所述路网数据信息对处于所述当前路网下的车辆进行路径规划,包括:
当所述区域分类结果为所述第三区域时,根据获取的所述第三区域的路网数据信息,利用最短路径算法获取主干导航网数据信息,根据所述主干导航网数据信息,利用A*的启发式算法和迪克斯特拉算法对处于所述当前路网下的车辆进行路径规划。
在一些具体的实施例中,步骤S5中,利用最短路径算法获取主干导航网数据信息,根据所述主干导航网数据信息,利用A*的启发式算法和迪克斯特拉算法对处于所述当前路网下的车辆进行路径规划,包括:
步骤S56,利用最短路径算法得到初始主干导航网数据信息;
步骤S57,分析初始主干导航网数据信息中各条主干路走向,删除拐角多的路段,以获得当前主干导航网数据信息,使主干路简洁有效;
继续执行步骤S51-S55中,完成对处于所述当前路网下的车辆进行路径规划。
一些实施例中,所述预设区域分类模型还包括非通行区域,所述非通行区域内不包含路网数据信息。相应地,不属于本实施例中第一区域、第二区域或第三区域的均可划分为非通行区域,那么,当当前路网数据属于非通行区域时,则结束,不对处于所述当前路网下的车辆进行路径规划。
因此,本实施例中的基于区域分类的分层泛在导航方法,能够为对存在矢量路网的道路数据、只存在简单轨迹的道路数据和只存在栅格或六边形切分格网的道路数据三种数据类型的矢量路网提供标准的路径导航,且导航结果准确、高效,提高了导航的应用范围。
如图7所示,本发明的另一个实施例还提供了一种基于区域分类的分层泛在导航装置,包括:
获取单元710,所述获取单元710用于获取以路网数据为基础的预设区域分类模型,所述预设区域分类模型包括以矢量路网道路数据为基础的第一区域、以简单轨迹的道路数据为基础的第二区域和以栅格或六边形切分格网的道路数据为基础的第三区域,
所述获取单元710还用于获取当前路网数据;
分类单元720,所述分类单元720用于根据所述当前路网数据和所述预设区域分类模型对当前路网进行区域分类,得到区域分类结果;
路径规划单元730,所述路径规划单元730用于根据所述区域分类结果获取所述预设区域分类模型中的区域路网数据信息,并根据所述路网数据信息对处于所述当前路网下的车辆进行路径规划。
具体地,路径规划单元730还用于当所述区域分类结果为所述第一区域时,获取所述第一区域中的道路拓扑连接信息、道路属性信息、道路节点信息以及转向表信息;
路径规划单元730还用于当所述区域分类结果为所述第二区域时,获取所述第二区域中的道路拓扑连接信息、道路属性信息以及道路节点信息;
路径规划单元730还用于当所述区域分类结果为所述第三区域时,获取所述第三区域中的道路拓扑连接信息及道路属性信息。
具体地,路径规划单元730还用于当所述区域分类结果为所述第一区域时,根据获取的所述第一区域的路网数据信息,利用A*的启发式算法和迪克斯特拉算法对处于所述当前路网下的车辆进行路径规划;
路径规划单元730还用于当所述区域分类结果为所述第二区域时,根据获取的所述第二区域的路网数据信息,利用A*的启发式算法和迪克斯特拉算法对处于所述当前路网下的车辆进行路径规划;
路径规划单元730还用于当所述区域分类结果为所述第三区域时,根据获取的所述第三区域的路网数据信息,利用最短路径算法获取主干导航网数据信息,根据所述主干导航网数据信息,利用A*的启发式算法和迪克斯特拉算法对处于所述当前路网下的车辆进行路径规划。
本实施例所述的基于区域分类的分层泛在导航装置与所述基于区域分类的分层泛在导航方法相对于现有技术的优势相同,在此不再赘述。
本发明的另一个实施例还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述基于区域分类的分层泛在导航方法的步骤。
本实施例所述的计算机设备与所述基于区域分类的分层泛在导航方法相对于现有技术的优势相同,在此不再赘述。
图8示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是图1中的终端110(或服务器120)。如图8所示,该计算机设备包括该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现基于区域分类的分层泛在导航方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行基于区域分类的分层泛在导航方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述基于区域分类的分层泛在导航方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
实施例1
我国现有地形复杂多样,原、高原、山地、丘陵、盆地五种地形齐备,山区面积广大,约占全国面积的2/3;地势西高东低,大致呈三阶梯状分布。西南部的青藏高原,平均海拔在4000米以上,为第一阶梯。大兴安岭—太行山—巫山—云贵高原东一线以西与第一阶梯之间为第二级阶梯,海拔在1000米至2000米之间,主要为高原和盆地。第二阶梯以东,海平面以上的陆面为第三级阶梯,海拔多在500米以下,主要为丘陵和平原。对于这些险峻的地区,地图数据的采集难度较大,较难采集到完善的矢量路网数据,而仅有简单的矢量路网数据或者只有一些轨迹数据。
为此,本实施例提供了一种基于区域分类的分层泛在导航方法,具体包括如下步骤:
步骤1,获取以路网数据为基础的预设区域分类模型,所述预设区域分类模型包括以矢量路网道路数据为基础的第一区域、以简单轨迹的道路数据为基础的第二区域和以栅格或六边形切分格网的道路数据为基础的第三区域;
步骤2,获取当前路网数据;
步骤3,根据所述当前路网数据和所述预设区域分类模型对当前路网进行区域分类,得到区域分类结果;
步骤4,根据所述区域分类结果获取所述预设区域分类模型中的区域路网数据信息;
步骤5,根据所述路网数据信息对处于所述当前路网下的车辆进行路径规划。
具体地,结合图3所示,步骤1中,预设区域分类模型包括标准导航区、基础导航区、简单导引区、基础导航区、不可通行区、全战场环境区。
另外,结合图4所示,预设区域分类模型中拓扑结构的复杂路网数据信息包括节点转向表、引导道路和引导道路节点,其中:节点转向表记录道路的起始编码、终止编码、交通标志类型、限制类型和限制时间;引导道路记录道路的边缘编码、道路编码、起始编码、终止编码;引导道路节点记录道路编码、引导道路节点编码、节点编码和节点所链接的引导道路编码。
本实施例中的基于区域分类的分层泛在导航方法应用于越野地图的结果如图5所示,其中通过坡度阈值给出黑色障碍格网。由图5可以看出,全局路径中所实现的避障仅限于不通过障碍栅格,但是若相邻障碍格网对角线通行,仍会受障碍格网影响,即本实施例中的基于区域分类的分层泛在导航方法仅对无特殊位置关系的障碍格网块具有良好的避障作用,当两个或多个格网块因坡度阈值形成障碍并且在坐标上形成对角线时,避障结果会受到相应的影响,路径规划结果也会受到影响。
为此,制定8节点扩展的具体移动规则以避免此类碰撞,并对本实施例中基于区域分类的分层泛在导航方法进行修正。具体地,以二值地图为例,黑色格网为障碍格网,白色格网为可通行格网。由此,得到的本实施例中基于区域分类的分层泛在导航方法对于路径导航中是否发生碰撞的判定条件及结果如图6和表1所示,其中,图6中的(a)中的情况判定为发生碰撞,图6中的(b)中的情况则认为不发生碰撞,表1为障碍子节点与应排除子节点坐标表。由此可以看出,若节点相邻格网为障碍格网,则会影响三个格网的通过性,若对角线格网为障碍格网,则只会影响该格网的通过性。
表 1 障碍节点与应排除子节点坐标表
障碍子节点坐标 | 应排除子节点坐标 |
A(m-1,n-1) | A(m-1,n-1) |
A(m-1,n) | A(m-1,n-1), A(m-1,n), A(m-1,n+1) |
A(m-1,n+1) | A(m-1,n+1) |
A(m,n-1) | A(m,n-1), A(m-1,n-1), A(m+1,n-1) |
A(m,n+1) | A(m,n+1), A(m-1,n+1), A(m+1,n+1) |
A(m+1,n-1) | A(m+1,n-1) |
A(m+1,n) | A(m+1,n-1), A(m+1,n), A(m+1,n+1) |
A(m+1,n+1) | A(m+1,n+1) |
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”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、物品或者设备不仅包括那些要素,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、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
虽然本公开披露如上,但本公开的保护范围并非仅限于此。本领域技术人员在不脱离本公开的精神和范围的前提下,可进行各种变更与修改,这些变更与修改均将落入本发明的保护范围。
Claims (10)
1.一种基于区域分类的分层泛在导航方法,其特征在于,包括如下步骤:
获取以路网数据为基础的预设区域分类模型,所述预设区域分类模型包括以矢量路网道路数据为基础的第一区域、以简单轨迹的道路数据为基础的第二区域和以栅格或六边形切分格网的道路数据为基础的第三区域;
获取当前路网数据;
根据所述当前路网数据和所述预设区域分类模型对当前路网进行区域分类,得到区域分类结果;
根据所述区域分类结果获取所述预设区域分类模型中的区域路网数据信息;
根据所述路网数据信息对处于所述当前路网下的车辆进行路径规划。
2.根据权利要求1所述的基于区域分类的分层泛在导航方法,其特征在于,所述预设区域分类模型包括主干导航网数据信息和/或具有拓扑结构的复杂路网数据信息。
3.根据权利要求1或2所述的基于区域分类的分层泛在导航方法,其特征在于,所述根据所述区域分类结果获取所述预设区域分类模型中的区域路网数据信息,包括:
当所述区域分类结果为所述第一区域时,获取所述第一区域中的道路拓扑连接信息、道路属性信息、道路节点信息以及转向表信息;
当所述区域分类结果为所述第二区域时,获取所述第二区域中的道路拓扑连接信息、道路属性信息以及道路节点信息;
当所述区域分类结果为所述第三区域时,获取所述第三区域中的道路拓扑连接信息及道路属性信息。
4.根据权利要求3所述的基于区域分类的分层泛在导航方法,其特征在于,所述道路属性信息包括道路基础信息和环境信息,所述环境信息包括隐蔽情况、平均坡度值、最大坡度数或植被情况中的至少一种。
5.根据权利要求3所述的基于区域分类的分层泛在导航方法,其特征在于,所述根据所述路网数据信息对处于所述当前路网下的车辆进行路径规划,包括:
当所述区域分类结果为所述第一区域时,根据获取的所述第一区域的路网数据信息,利用A*的启发式算法和迪克斯特拉算法对处于所述当前路网下的车辆进行路径规划;
当所述区域分类结果为所述第二区域时,根据获取的所述第二区域的路网数据信息,利用A*的启发式算法和迪克斯特拉算法对处于所述当前路网下的车辆进行路径规划。
6.根据权利要求3所述的基于区域分类的分层泛在导航方法,其特征在于,所述根据所述路网数据信息对处于所述当前路网下的车辆进行路径规划,包括:
当所述区域分类结果为所述第三区域时,根据获取的所述第三区域的路网数据信息,利用最短路径算法获取主干导航网数据信息,根据所述主干导航网数据信息,利用A*的启发式算法和迪克斯特拉算法对处于所述当前路网下的车辆进行路径规划。
7.根据权利要求1所述的基于区域分类的分层泛在导航方法,其特征在于,所述预设区域分类模型还包括非通行区域,所述非通行区域内不包含路网数据信息。
8.一种基于区域分类的分层泛在导航装置,其特征在于,包括:
获取单元,所述获取单元用于获取以路网数据为基础的预设区域分类模型,所述预设区域分类模型包括以矢量路网道路数据为基础的第一区域、以简单轨迹的道路数据为基础的第二区域和以栅格或六边形切分格网的道路数据为基础的第三区域,
所述获取单元还用于获取当前路网数据;
分类单元,所述分类单元用于根据所述当前路网数据和所述预设区域分类模型对当前路网进行区域分类,得到区域分类结果;
路径规划单元,所述路径规划单元用于根据所述区域分类结果获取所述预设区域分类模型中的区域路网数据信息,并根据所述路网数据信息对处于所述当前路网下的车辆进行路径规划。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述基于区域分类的分层泛在导航方法的步骤。
10.一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,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述基于区域分类的分层泛在导航方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310551769.1A CN116337103B (zh) | 2023-05-17 | 2023-05-17 | 基于区域分类的分层泛在导航方法、装置及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310551769.1A CN116337103B (zh) | 2023-05-17 | 2023-05-17 | 基于区域分类的分层泛在导航方法、装置及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116337103A true CN116337103A (zh) | 2023-06-27 |
CN116337103B CN116337103B (zh) | 2023-08-29 |
Family
ID=86893198
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310551769.1A Active CN116337103B (zh) | 2023-05-17 | 2023-05-17 | 基于区域分类的分层泛在导航方法、装置及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116337103B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101270375B1 (ko) * | 2012-02-20 | 2013-06-05 | 부경대학교 산학협력단 | 도로와 도로 이외의 지형을 함께 고려한 최적 경로 분석 방법 |
US20140163872A1 (en) * | 2009-07-09 | 2014-06-12 | Tomtom International B.V. | Navigation devices |
JP2016118702A (ja) * | 2014-12-22 | 2016-06-30 | 株式会社ゼンリンデータコム | 情報処理装置、プログラム、描画方法 |
CN109493320A (zh) * | 2018-10-11 | 2019-03-19 | 苏州中科天启遥感科技有限公司 | 基于深度学习的遥感影像道路提取方法及系统、存储介质、电子设备 |
WO2019054593A1 (ko) * | 2017-09-13 | 2019-03-21 | 주식회사 다비오 | 기계학습과 이미지 프로세싱을 이용한 지도 제작 장치 |
CN109557928A (zh) * | 2019-01-17 | 2019-04-02 | 湖北亿咖通科技有限公司 | 基于矢量地图和栅格地图的自动驾驶车辆路径规划方法 |
US20190390966A1 (en) * | 2012-05-16 | 2019-12-26 | Polaris Industries Inc. | System and method for multi-plane routing |
WO2020133118A1 (en) * | 2018-12-27 | 2020-07-02 | Beijing Voyager Technology Co., Ltd. | Systems and methods for path determination |
CN111595353A (zh) * | 2020-04-26 | 2020-08-28 | 北京大学 | 一种基于GPU和Spark混合并行计算架构的实时地图匹配方法 |
JPWO2020230277A1 (zh) * | 2019-05-14 | 2020-11-19 | ||
CN114238545A (zh) * | 2022-02-24 | 2022-03-25 | 创辉达设计股份有限公司 | 二三维园区一体化展示方法、装置和计算机设备 |
CN114281084A (zh) * | 2021-12-28 | 2022-04-05 | 太原市威格传世汽车科技有限责任公司 | 一种基于改进a*算法的智能车全局路径规划方法 |
CN114580796A (zh) * | 2022-05-09 | 2022-06-03 | 北京建筑大学 | 一种旅游属性路径规划方法 |
CN115435803A (zh) * | 2022-08-19 | 2022-12-06 | 重庆长安汽车股份有限公司 | 车辆的全局路网规划方法、装置、车辆及存储介质 |
-
2023
- 2023-05-17 CN CN202310551769.1A patent/CN116337103B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140163872A1 (en) * | 2009-07-09 | 2014-06-12 | Tomtom International B.V. | Navigation devices |
KR101270375B1 (ko) * | 2012-02-20 | 2013-06-05 | 부경대학교 산학협력단 | 도로와 도로 이외의 지형을 함께 고려한 최적 경로 분석 방법 |
US20190390966A1 (en) * | 2012-05-16 | 2019-12-26 | Polaris Industries Inc. | System and method for multi-plane routing |
JP2016118702A (ja) * | 2014-12-22 | 2016-06-30 | 株式会社ゼンリンデータコム | 情報処理装置、プログラム、描画方法 |
WO2019054593A1 (ko) * | 2017-09-13 | 2019-03-21 | 주식회사 다비오 | 기계학습과 이미지 프로세싱을 이용한 지도 제작 장치 |
CN109493320A (zh) * | 2018-10-11 | 2019-03-19 | 苏州中科天启遥感科技有限公司 | 基于深度学习的遥感影像道路提取方法及系统、存储介质、电子设备 |
WO2020133118A1 (en) * | 2018-12-27 | 2020-07-02 | Beijing Voyager Technology Co., Ltd. | Systems and methods for path determination |
CN109557928A (zh) * | 2019-01-17 | 2019-04-02 | 湖北亿咖通科技有限公司 | 基于矢量地图和栅格地图的自动驾驶车辆路径规划方法 |
JPWO2020230277A1 (zh) * | 2019-05-14 | 2020-11-19 | ||
CN111595353A (zh) * | 2020-04-26 | 2020-08-28 | 北京大学 | 一种基于GPU和Spark混合并行计算架构的实时地图匹配方法 |
CN114281084A (zh) * | 2021-12-28 | 2022-04-05 | 太原市威格传世汽车科技有限责任公司 | 一种基于改进a*算法的智能车全局路径规划方法 |
CN114238545A (zh) * | 2022-02-24 | 2022-03-25 | 创辉达设计股份有限公司 | 二三维园区一体化展示方法、装置和计算机设备 |
CN114580796A (zh) * | 2022-05-09 | 2022-06-03 | 北京建筑大学 | 一种旅游属性路径规划方法 |
CN115435803A (zh) * | 2022-08-19 | 2022-12-06 | 重庆长安汽车股份有限公司 | 车辆的全局路网规划方法、装置、车辆及存储介质 |
Non-Patent Citations (1)
Title |
---|
徐战亚: "可移植嵌入式导航平台关键技术研究", 《中国优秀博士学位论文全文数据库·信息科技辑》, vol. 2011, no. 1, pages 52 - 79 * |
Also Published As
Publication number | Publication date |
---|---|
CN116337103B (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Peterson et al. | STARS: An ArcGIS toolset used to calculate the spatial information needed to fit spatial statistical models to stream network data | |
Ouyang et al. | Efficient shortest path index maintenance on dynamic road networks with theoretical guarantees | |
Lindsay | Sensitivity of channel mapping techniques to uncertainty in digital elevation data | |
CN111090712B (zh) | 一种数据处理方法、装置、设备及计算机存储介质 | |
CN103914493A (zh) | 一种微博用户群体结构发现分析方法及系统 | |
CN103198151A (zh) | 区域性城市公交车辆运行信息的索引查询系统及方法 | |
CN111125294B (zh) | 一种空间关系的知识图谱数据模型表示方法及系统 | |
Brinkhoff | Open street map data as source for built-up and urban areas on global scale | |
Haag et al. | Development of a data model to facilitate rapid watershed delineation | |
Shiode | Analysis of a distribution of point events using the network‐based quadrat method | |
CN116337103B (zh) | 基于区域分类的分层泛在导航方法、装置及计算机设备 | |
CN114529043A (zh) | 一种城市空间组团划分方法 | |
Cho et al. | A basis of spatial big data analysis with map-matching system | |
CN112907056B (zh) | 一种基于图神经网络的城市管理投诉事件预测方法及系统 | |
CN117034051B (zh) | 基于birch算法的水利信息聚合方法、装置及介质 | |
Akatsuka et al. | Application of kalman filter to large-scale geospatial data: Modeling population dynamics | |
Thiemann et al. | An automatic approach for generalization of land-cover data from topographic data | |
Staněk et al. | A graphical generalization of localized morphological discontinuities on medium-scale state topographic maps | |
CN113656979A (zh) | 路网数据生成方法、装置、电子设备及存储介质 | |
CN111914039B (zh) | 道路网更新方法及装置 | |
Kumar et al. | Spatial data mining: recent trends and techniques | |
CN104992284A (zh) | 图形管理系统 | |
Fengliang et al. | Updating Road Information in Open‐Pit Mines Using Truck Trajectories | |
CN112488901B (zh) | 一种地理信息系统无感加载方法、装置、终端及存储介质 | |
Li et al. | An elimination method for isolated meshes in a road network considering stroke edge feature |
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 |