CN116611603B - 一种车辆路径调度方法、装置、计算机及存储介质 - Google Patents

一种车辆路径调度方法、装置、计算机及存储介质 Download PDF

Info

Publication number
CN116611603B
CN116611603B CN202310895084.9A CN202310895084A CN116611603B CN 116611603 B CN116611603 B CN 116611603B CN 202310895084 A CN202310895084 A CN 202310895084A CN 116611603 B CN116611603 B CN 116611603B
Authority
CN
China
Prior art keywords
target vehicle
obstacle
time
moment
real
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
Application number
CN202310895084.9A
Other languages
English (en)
Other versions
CN116611603A (zh
Inventor
任建勇
张立学
曲庆民
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.)
Qingdao Didi Automobile Information Technology Co ltd
Original Assignee
Qingdao Didi Automobile Information Technology 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 Qingdao Didi Automobile Information Technology Co ltd filed Critical Qingdao Didi Automobile Information Technology Co ltd
Priority to CN202310895084.9A priority Critical patent/CN116611603B/zh
Publication of CN116611603A publication Critical patent/CN116611603A/zh
Application granted granted Critical
Publication of CN116611603B publication Critical patent/CN116611603B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • G06Q50/40—
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
    • G08G1/096833—Systems involving transmission of navigation instructions to the vehicle where different aspects are considered when computing the route
    • 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

Abstract

本发明提供一种车辆路径调度方法、装置、计算机及存储介质，涉及路径规划技术领域，所述方法包括：获取目标车辆在当前车道中的实时行驶状态，以及目标车辆对应的实时交通信息；根据目标车辆的行驶状态构建车辆状态模型，以及根据目标车辆对应的实时交通信息，构建道路状态模型；根据车辆状态模型以及道路状态模型，获取目标车辆的预行驶路径；根据目标车辆在当前车道中的实时行驶状态，获取影响目标车辆预行驶路径的动态影响因子；根据动态影响因子，实时调整预行驶路径，以得到最终的行驶路径。本发明能够实时对预行驶路径进行调整，从而为目标车辆提供最优行驶路径。

Description

一种车辆路径调度方法、装置、计算机及存储介质
技术领域
本发明涉及路径规划技术领域，特别是指一种车辆路径调度方法、装置、计算机及存储介质。
背景技术
随着智能交通系统和自动驾驶技术的不断发展，车辆路径问题（Vehicle RoutingProblem, VRP）已成为研究的热点和关注焦点。车辆路径问题主要是解决如何有效地规划和调度车辆在一定时间范围内完成货物运输或者人员接送任务的最优行驶路径。
传统的车辆路径问题主要侧重于通过静态数据计算出的最优路径，但在实际应用中，这些静态数据往往只考虑了车辆自身的静态特性，忽略了道路状态的动态变化，因此无法做到实时调整预行驶路径。
发明内容
本发明要解决的技术问题是提供一种车辆路径调度方法、装置、计算机及存储介质，通过获取目标车辆在当前车道中的实时行驶状态和实时交通信息，能够更好地适应复杂多变的道路环境，还能够实时获取影响目标车辆预行驶路径的动态影响因子，并根据这些影响因子对预行驶路径进行实时调整，从而为目标车辆提供最优行驶路径。
为解决上述技术问题，本发明的技术方案如下：
第一方面，一种车辆路径调度方法，所述方法包括：
获取目标车辆在当前车道中的实时行驶状态，以及目标车辆对应的实时交通信息；
根据目标车辆的行驶状态构建车辆状态模型，以及根据目标车辆对应的实时交通信息，构建道路状态模型；
根据所述车辆状态模型以及道路状态模型，获取目标车辆的预行驶路径；
根据目标车辆在当前车道中的实时行驶状态，获取影响所述目标车辆预行驶路径的动态影响因子；
根据所述动态影响因子，实时调整所述预行驶路径，以得到最终的行驶路径。
进一步的，获取目标车辆在当前车道中的实时行驶状态，包括：
获取目标车辆的实时位置坐标（X，Y，Z），其中，X=(ρ×cos(θ)×cos(φ))-X o ，Y=(ρ ×cos(θ)×sin(φ))-Y o ，Z=ρ×sin(θ)-Z o ，ρ、θ、φ分别表示从地球中心到目标车辆的距离、方向角和仰角，X o 、Y o 、Z o 为测量站的位置;方向角的计算公式为：，其中 atan是反正切函数；仰角的计算公式为：/>；
根据多次获取的方向角和仰角，确定目标车辆的转向角度，其中，转向角度的计算公式为：△θ=θ 2 -θ 1 ，△θ为转向角，θ 1 和θ 2 为两个连续时刻的方向角。
进一步的，根据目标车辆在当前车道中的实时行驶状态，获取影响所述目标车辆预行驶路径的动态影响因子，包括：
获取目标车辆周围障碍物位置、大小以及与目标车辆的相对距离，并识别障碍物的类型和动态状态；
根据目标车辆的速度、方向角和仰角，计算目标车辆与障碍物的相对速度和方向，并确定目标车辆的运动矢量，以及获取障碍物在一段时间内的位置变化，以计算障碍物的运动矢量；
根据所述目标车辆的运动矢量与障碍物的运动矢量，计算目标车辆相对于障碍物的相对速度和相对方向；
根据目标车辆在当前车道中的实时行驶状态和预行驶路径，预估障碍物对预行驶路径的影响程度；
根据所述影响程度，计算目标车辆预行驶路径的动态影响因子。
进一步的，障碍物与目标车辆的相对距离的计算公式为：
，其中，(x 1 ，y 1 ，z 1 )为障碍物的三维坐标,d为目标车辆与障碍物之间的距离；
目标车辆的运动矢量的计算公式为：
，其中，/>为目标车辆的运动矢量，(x t1 ，y t1 ，z t1 )和 (x t2 ，y t2 ， z t2 )分别为目标车辆在前后两个时刻的三维位置，/>为目标车辆在前后两个时刻之间的时间间隔；
障碍物的运动矢量的计算公式为：
，其中，/>为障碍物的运动矢量，(x o1 ，y o1 ，z o1 )和 (x o2 ，y o2 ， z o2 )分别为障碍物在前后两个时刻的三维位置；
目标车辆相对于障碍物的相对速度的计算公式为：，其中，/>为目标车辆与障碍物之间的相对速度；
目标车辆相对于障碍物的相对方向的计算公式为：
，其中，/>为目标车辆相对于障碍物的相对方向，/>，(x r ，y r ，z r ) 表示障碍物相对于目标车辆的位置。
进一步的，识别障碍物的类型和动态状态，包括：
获取目标车辆周围环境的原始图像；
对所述原始图像数据进行预处理，以得到预处理图像；
提取所述预处理图像中障碍物的特征形状、尺寸、颜色及纹理；
根据障碍物的特征形状、尺寸、颜色及纹理识别出目标车辆周围的障碍物；
跟踪每个障碍物的运动轨迹，并根据障碍物的特征形状、尺寸、颜色、纹理和运动轨迹对障碍物进行分类，以确定障碍物的类型。
进一步的，跟踪每个障碍物的运动轨迹，并根据障碍物的特征形状、尺寸、颜色、纹理和运动轨迹对障碍物进行分类，以确定障碍物的类型，包括：
检测所述预处理图像中障碍物的边界框，为每个障碍物的边界框分配一个ID，并提取每个障碍物的边界框内的特征形状、尺寸、颜色和纹理信息；
根据每个障碍物在前一帧的位置预测每个障碍物在当前帧的位置，并更新边界框及边界框对应的ID，根据历史的每个障碍物在连续帧中的边界框及边界框对应的ID，获取每个障碍物的运动轨迹；
根据障碍物的运动轨迹、特征形状、尺寸、颜色及纹理信息，对障碍物进行聚类分析，以得到聚类结果；
根据所述聚类结果，将障碍物分为不同的类型。
进一步的，根据障碍物的运动轨迹、特征形状、尺寸、颜色及纹理信息，对障碍物进行聚类分析，以得到聚类结果，包括：
根据每个障碍物的运动轨迹、特征形状、尺寸、颜色及纹理信息，分别对应创建一个特征向量，并将所有障碍物的特征向量组合成一个矩阵，以形成多维数据集，其中，矩阵中的每行代表一个障碍物，每列代表一个特征维度；
对所述多维数据集进行预处理，以得到预处理多维数据集；
通过聚类算法对预处理多维数据集进行聚类分析，以得到聚类结果。
第二方面，一种车辆路径调度装置，包括：
获取模块，用于获取目标车辆在当前车道中的实时行驶状态，以及目标车辆对应的实时交通信息；根据目标车辆的行驶状态构建车辆状态模型，以及根据目标车辆对应的实时交通信息，构建道路状态模型；根据所述车辆状态模型以及道路状态模型，获取目标车辆的预行驶路径；
处理模块，用于根据目标车辆在当前车道中的实时行驶状态，获取影响所述目标车辆预行驶路径的动态影响因子；根据所述动态影响因子，实时调整所述预行驶路径，以得到最终的行驶路径。
第三方面，一种计算机，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现所述的方法。
第四方面，一种计算机可读存储介质，所述计算机可读存储介质中存储有程序，该程序被处理器执行时实现所述的方法。
本发明的上述方案至少包括以下有益效果：
本发明的上述方案，通过获取目标车辆在当前车道中的实时行驶状态和实时交通信息，能够更好地适应复杂多变的道路环境，还能够实时获取影响目标车辆预行驶路径的动态影响因子，并根据这些影响因子对预行驶路径进行实时调整，从而为目标车辆提供最优行驶路径。
附图说明
图1是本发明的实施例提供的车辆路径调度方法的流程示意图。
图2是本发明的实施例提供的车辆路径调度装置示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
如图1所示，本发明的实施例提出一种车辆路径调度方法，所述方法包括以下步骤：
步骤11，获取目标车辆在当前车道中的实时行驶状态，以及目标车辆对应的实时交通信息；
步骤12，根据目标车辆的行驶状态构建车辆状态模型，以及根据目标车辆对应的实时交通信息，构建道路状态模型；
步骤13，根据所述车辆状态模型以及道路状态模型，获取目标车辆的预行驶路径；
步骤14，根据目标车辆在当前车道中的实时行驶状态，获取影响所述目标车辆预行驶路径的动态影响因子；
步骤15，根据所述动态影响因子，实时调整所述预行驶路径，以得到最终的行驶路径。
在本发明实施例中，在步骤11中，通过获取实时交通信息，可以更准确地预测目标汽车未来的行驶轨迹，同时也可以分析交通流量，预测交通拥堵情况，从而优化路径规划并提高行驶效率。在步骤12中，通过车辆状态模型，可以分析车辆的性能，如加速度、最大速度等，通过道路状态模型，可以计算道路的长度、限速等信息，并考虑交通信号灯、斑马线等特殊情况，这样就可以更准确地预测目标车辆未来的行驶轨迹，提高路径规划的精度。在步骤13中，该预测路径可用于引导车辆在城市街道等复杂道路环境中行驶，通过计算预测路径，可以使车辆更加高效、安全地行驶，同时还可以减少交通拥堵和提高道路的通行能力。
在步骤14中，在目标车辆行驶过程中可能会遇到其他车辆、行人等障碍物，这些障碍物可能会对车辆运动产生影响，因此，在计算预测路径时，需要考虑这些动态影响因素，动态影响因子可以准确地反映障碍物对车辆运动的影响，从而进行实时路径调整，以提高车辆的行驶效率和安全性。在步骤15中，该行驶路径是根据实时交通信息、车辆状态、道路状态和障碍物信息等因素动态调整而来的，通过实时调整预测路径，可以使目标车辆更加高效、安全地行驶，并且能够适应复杂多变的道路环境，提高行驶效率。
在本发明一优选的实施例中，上述步骤11，可以包括：
步骤111，获取目标车辆的实时位置坐标（X，Y，Z），其中，X=(ρ×cos(θ)×cos (φ))-X o ，Y=(ρ×cos(θ)×sin(φ))-Y o ，Z=ρ×sin(θ)-Z o ，ρ、θ、φ分别表示从地球中心到目标车辆的距离、方向角和仰角，X o 、Y o 、Z o 为测量站的位置;方向角的计算公式为：，其中 atan是反正切函数；仰角的计算公式为：/>；
步骤112，根据多次获取的方向角和仰角，确定目标车辆的转向角度，其中，转向角度的计算公式为：△θ=θ 2 -θ 1 ，△θ为转向角，θ 1 和θ 2 为两个连续时刻的方向角。
在本发明实施例中，步骤111中，获取目标车辆的实时位置坐标（X，Y，Z）是基于全球定位系统（GPS）或其他测量设备，获取目标车辆在地球表面的三维坐标位置，其中，该步骤为路径规划提供准确的起点和当前位置信息。步骤112中，方向角指的是目标车辆运动方向与北方向之间的夹角，而仰角则指的是目标车辆在垂直于地表方向上的倾斜角度，通过计算两个连续时刻的方向角，可以确定车辆的转向角度，从而预测目标车辆未来的行驶方向，该步骤为路径规划提供准确的方向信息，从而优化路径规划，缓解交通拥堵，提高行驶效率。总体来说，步骤111和步骤112为车辆位置和方向信息提供准确的获取方法和计算公式，可以提高路径规划的准确性和可靠性，从而更好地满足车辆行驶的需要。
在本发明一优选的实施例中，上述步骤14，可以包括：
步骤141，获取目标车辆周围障碍物位置、大小以及与目标车辆的相对距离，并识别障碍物的类型和动态状态；
步骤142，根据目标车辆的速度、方向角和仰角，计算目标车辆与障碍物的相对速度和方向，并确定目标车辆的运动矢量，以及获取障碍物在一段时间内的位置变化，以计算障碍物的运动矢量；
步骤143，根据所述目标车辆的运动矢量与障碍物的运动矢量，计算目标车辆相对于障碍物的相对速度和相对方向；
步骤144，根据目标车辆在当前车道中的实时行驶状态和预行驶路径，预估障碍物对预行驶路径的影响程度；
步骤145，根据所述影响程度，计算目标车辆预行驶路径的动态影响因子。
在本发明实施例中，通过使用传感器等设备获取周围环境的信息，确定障碍物的位置和类型，识别障碍物的类型和动态状态；将目标车辆与障碍物的位置和速度信息相结合，进一步确定目标车辆的运动状态和障碍物的运动状态。将障碍物对预行驶路径的影响转化为影响因子，以描述障碍物对预行驶路径的严重程度，此影响因子可用于优化路径规划，确保目标车辆安全高效地行驶。总之，上述步骤的主要目的是收集和分析与目标车辆及其周围环境有关的各种数据，以便更好地规划出一条安全高效的行驶路径，通过整合多种数据和信息，可以帮助车辆智能驾驶系统做出更加准确和可靠的决策，从而提高车辆行驶的安全性、稳定性和效率。
在步骤141中，障碍物与目标车辆的相对距离的计算公式为：
，其中，(x 1 ，y 1 ，z 1 )为障碍物的三维坐标,d为目标车辆与障碍物之间的距离；在步骤142中，目标车辆的运动矢量的计算公式为：
，其中，/>为目标车辆的运动矢量，(x t1 ，y t1 ，z t1 )和 (x t2 ，y t2 ， z t2 )分别为目标车辆在前后两个时刻的三维位置，/>为目标车辆在前后两个时刻之间的时间间隔；在步骤142中，障碍物的运动矢量的计算公式为：
，其中，/>为障碍物的运动矢量，(x o1 ，y o1 ，z o1 )和 (x o2 ，y o2 ， z o2 )分别为障碍物在前后两个时刻的三维位置；在步骤143中，目标车辆相对于障碍物的相对速度的计算公式为：/>，其中，/>为目标车辆与障碍物之间的相对速度；在步骤143中，目标车辆相对于障碍物的相对方向的计算公式为：/>，其中，/>为目标车辆相对于障碍物的相对方向，/>，(x r ，y r ，z r ) 表示障碍物相对于目标车辆的位置。
在本发明实施例中，通过相对距离的计算，可以根据障碍物的位置和目标车辆的位置信息，计算出它们之间的距离，这个距离是衡量障碍物和目标车辆之间安全距离的重要参数，可以帮助车辆自动化系统在道路交通环境复杂并且可能出现危险的情况下，做出及时的避让措施以确保车辆行驶的安全，因此，本发明可以提高车辆的安全性能和可靠性，降低事故发生的概率。其次，通过采用矢量的计算，可以根据目标车辆在前后两个时刻的位置信息，计算出目标车辆的运动方向和速度，这些矢量信息可以为车辆自动化系统提供更加准确的道路环境感知信息，使得车辆可以更好地模拟行车的情景，针对目前道路上的复杂情况，结合其他传感器数据，制定更加智能和适应性的驾驶策略，从而提高车辆自主驾驶的能力和安全性，并有效降低事故风险。因此，本发明可以帮助车辆自动化系统更好地获取和理解道路交通环境的各种信息，并以此为基础做出更加准确、快速、安全的行驶决策。
在本发明一优选的实施例中，上述步骤141，可以包括：
步骤1411，获取目标车辆周围环境的原始图像；
步骤1412，对所述原始图像数据进行预处理，以得到预处理图像；
步骤1413，提取所述预处理图像中障碍物的特征形状、尺寸、颜色及纹理；
步骤1414，根据障碍物的特征形状、尺寸、颜色及纹理识别出目标车辆周围的障碍物；
步骤1415，跟踪每个障碍物的运动轨迹，并根据障碍物的特征形状、尺寸、颜色、纹理和运动轨迹对障碍物进行分类，以确定障碍物的类型。
在本发明实施例中，通过对原始图像数据进行预处理，以得到预处理图像，可以优化图像质量，去除图像中的噪声和干扰，提高障碍物检测的准确性，从而降低误识别率和漏识别率，进一步提升车辆的环境感知能力和行驶安全性；通过特征提取方法，将图像中的障碍物信息转化为可计算和比较的特征向量，为后续的障碍物识别和分类提供基础数据；通过跟踪每个障碍物的运动轨迹，并根据障碍物的特征形状、尺寸、颜色、纹理和运动轨迹对障碍物进行分类，以确定障碍物的类型，可以提供更加精准的环境感知能力，从而更好地保障车辆和乘客的安全。
在本发明一优选的实施例中，上述步骤1415，可以包括：
步骤14151，检测所述预处理图像中障碍物的边界框，为每个障碍物的边界框分配一个ID，并提取每个障碍物的边界框内的特征形状、尺寸、颜色和纹理信息；
步骤14152，根据每个障碍物在前一帧的位置预测每个障碍物在当前帧的位置，并更新边界框及边界框对应的ID，根据历史的每个障碍物在连续帧中的边界框及边界框对应的ID，获取每个障碍物的运动轨迹；
步骤14153，根据障碍物的运动轨迹、特征形状、尺寸、颜色及纹理信息，对障碍物进行聚类分析，以得到聚类结果；
步骤14154，根据所述聚类结果，将障碍物分为不同的类型。
在本发明实施例中，通过检测预处理图像中障碍物的边界框并为每个边界框分配一个ID，能够对车辆周围的障碍物进行准确和可靠的检测和识别，提取障碍物边界框内的特征形状、尺寸、颜色和纹理信息，可以更全面地了解各个障碍物的属性和特征。通过预测每个障碍物在当前帧的位置并更新边界框及边界框对应的ID，可以实现对障碍物的跟踪，并保证障碍物检测的连续性，同时，获取每个障碍物的运动轨迹，可以进一步提高障碍物检测的准确性。通过对障碍物的运动轨迹、特征形状、尺寸、颜色及纹理信息进行聚类分析，可以将障碍物按照其属性和特征划分为不同的组别，有助于对障碍物进行分类和识别，通过聚类，可以发现障碍物之间的相似性和差异性。通过根据聚类结果将障碍物分为不同的类型，可以进一步提高障碍物分类的准确性和可靠性，不同的障碍物类型有其独特的行为模式和特征属性，对它们进行分类和识别，有助于更好地理解周围环境。
在本发明一优选的实施例中，上述步骤14153，可以包括：
步骤141531，根据每个障碍物的运动轨迹、特征形状、尺寸、颜色及纹理信息，分别对应创建一个特征向量，并将所有障碍物的特征向量组合成一个矩阵，以形成多维数据集，其中，矩阵中的每行代表一个障碍物，每列代表一个特征维度；
步骤141532，对所述多维数据集进行预处理，以得到预处理多维数据集；
步骤141533，通过聚类算法对预处理多维数据集进行聚类分析，以得到聚类结果。
在本发明实施例中，利用多种信息得到每个障碍物的特征向量，并将所有的特征向量组成一个矩阵，在进行聚类分析时能够更准确地反映出不同障碍物之间的相似度和差异性，提高聚类分析的准确性和可靠性。对多维数据集进行预处理，可以去除噪声、平滑数据、归一化数据等操作，以提高数据的质量和可处理性，增强聚类结果的可靠性和鲁棒性。通过聚类算法对预处理多维数据集进行聚类分析，可以将相似的障碍物归为同一类别，从而对障碍物进行分类和分析。这有助于识别和理解障碍物的运动模式和行为特点，从而提高自动驾驶系统的智能化程度和安全性。
在本发明另一优选的实施例中，上述步骤15中，可以包括：
步骤151，根据目标车辆的预行驶路径，计算目标车辆在每个时刻的三维位置、速度和加速度信息，，/>，/>，其中，p t 为目标车辆在t时刻的三维位置，v t 为目标车辆在t时刻的速度，a t 为目标车辆在t时刻的加速度，T为预行驶路径的总时间，（x t ，y t ，z t ）为目标车辆在t时刻的三维位置，（v x，t ,v y，t ,v z，t ）为目标车辆在每个时刻t的三维速度，（a x，t ,a y，t ,a z，t ）为目标车辆在每个时刻t的三维加速度；
步骤152，计算目标车辆在每个时刻对周围环境的动态影响程度，其中，目标车辆在每个时刻对周围环境的动态影响程度的计算公式为：
，其中，f s,t 为车道线对目标车辆的静态影响因子；f d,t 为目标车辆当前的驾驶决策对动态影响因子的贡献；f t,t 为实时交通信息对目标车辆的影响因子；f o,i,t 为第i个障碍物对目标车辆的动态影响因子，f t 为目标车辆在每个时刻对周围环境的动态影响程度；
步骤153，综合计算得到目标车辆预行驶路径的总体影响因子，其中，目标车辆预行驶路径的总体影响因子的计算公式为：
，/>是车道线对目标车辆的静态影响因子的权重系数；/>是目标车辆当前的驾驶决策对动态影响因子的贡献的权重系数，/>是实时交通信息对目标车辆的影响因子的权重系数，/>是第i个障碍物对目标车辆的动态影响因子的权重系数，F t 为目标车辆在t时刻预行驶路径的总体影响因子。
步骤153，根据目标车辆在每个时刻对周围环境的动态影响程度，生成相应的最优路径，其中，最优路径的计算公式为：
，其中，/>和/>为代价函数中的权重系数，H为最优路径，D t 为目标车辆当前三维位置到目标三维位置的距离，其中，/>，(x d ，y d ，z d )为目的地的三维坐标。
在本发明实施例中，通过这些步骤，可以给出符合实际情况的最优路径，使得车辆能够安全、快速地到达目的地。其中，通过对各种影响因素进行量化和综合考虑，包括静态影响因素（车道线）、动态影响因素（驾驶决策、实时交通信息）和障碍物影响因素，从而确定目标车辆预行驶路径的总体影响因子。通过最优路径的计算，可以根据当前路况和车辆状态做出最优的驾驶决策，提高行驶效率和安全性。
如图2所示，本发明的实施例还提供一种车辆路径调度装置20，包括：
获取模块21，用于获取目标车辆在当前车道中的实时行驶状态，以及目标车辆对应的实时交通信息；根据目标车辆的行驶状态构建车辆状态模型，以及根据目标车辆对应的实时交通信息，构建道路状态模型；根据所述车辆状态模型以及道路状态模型，获取目标车辆的预行驶路径；
处理模块22，用于根据目标车辆在当前车道中的实时行驶状态，获取影响所述目标车辆预行驶路径的动态影响因子；根据所述动态影响因子，实时调整所述预行驶路径，以得到最终的行驶路径。
可选的，获取目标车辆在当前车道中的实时行驶状态，包括：
获取目标车辆的实时位置坐标（X，Y，Z），其中，X=(ρ×cos(θ)×cos(φ))-X o ，Y=(ρ ×cos(θ)×sin(φ))-Y o ，Z=ρ×sin(θ)-Z o ，ρ、θ、φ分别表示从地球中心到目标车辆的距离、方向角和仰角，X o 、Y o 、Z o 为测量站的位置;方向角的计算公式为：，其中 atan是反正切函数；仰角的计算公式为：/>；
根据多次获取的方向角和仰角，确定目标车辆的转向角度，其中，转向角度的计算公式为：△θ=θ 2 -θ 1 ，△θ为转向角，θ 1 和θ 2 为两个连续时刻的方向角。
可选的，根据目标车辆在当前车道中的实时行驶状态，获取影响所述目标车辆预行驶路径的动态影响因子，包括：
获取目标车辆周围障碍物位置、大小以及与目标车辆的相对距离，并识别障碍物的类型和动态状态；
根据目标车辆的速度、方向角和仰角，计算目标车辆与障碍物的相对速度和方向，并确定目标车辆的运动矢量，以及获取障碍物在一段时间内的位置变化，以计算障碍物的运动矢量；
根据所述目标车辆的运动矢量与障碍物的运动矢量，计算目标车辆相对于障碍物的相对速度和相对方向；
根据目标车辆在当前车道中的实时行驶状态和预行驶路径，预估障碍物对预行驶路径的影响程度；
根据所述影响程度，计算目标车辆预行驶路径的动态影响因子。
可选的，障碍物与目标车辆的相对距离的计算公式为：
，其中，(x 1 ，y 1 ，z 1 )为障碍物的三维坐标,d为目标车辆与障碍物之间的距离；
目标车辆的运动矢量的计算公式为：
，其中，/>为目标车辆的运动矢量，(x t1 ，y t1 ，z t1 )和 (x t2 ，y t2 ， z t2 )分别为目标车辆在前后两个时刻的三维位置，/>为目标车辆在前后两个时刻之间的时间间隔；
障碍物的运动矢量的计算公式为：
，其中，/>为障碍物的运动矢量，(x o1 ，y o1 ，z o1 )和 (x o2 ，y o2 ， z o2 )分别为障碍物在前后两个时刻的三维位置；
目标车辆相对于障碍物的相对速度的计算公式为：，其中，/>为目标车辆与障碍物之间的相对速度；
目标车辆相对于障碍物的相对方向的计算公式为：
，其中，/>为目标车辆相对于障碍物的相对方向，/>，(x r ，y r ，z r ) 表示障碍物相对于目标车辆的位置。
可选的，识别障碍物的类型和动态状态，包括：
获取目标车辆周围环境的原始图像；
对所述原始图像数据进行预处理，以得到预处理图像；
提取所述预处理图像中障碍物的特征形状、尺寸、颜色及纹理；
根据障碍物的特征形状、尺寸、颜色及纹理识别出目标车辆周围的障碍物；
跟踪每个障碍物的运动轨迹，并根据障碍物的特征形状、尺寸、颜色、纹理和运动轨迹对障碍物进行分类，以确定障碍物的类型。
可选的，跟踪每个障碍物的运动轨迹，并根据障碍物的特征形状、尺寸、颜色、纹理和运动轨迹对障碍物进行分类，以确定障碍物的类型，包括：
检测所述预处理图像中障碍物的边界框，为每个障碍物的边界框分配一个ID，并提取每个障碍物的边界框内的特征形状、尺寸、颜色和纹理信息；
根据每个障碍物在前一帧的位置预测每个障碍物在当前帧的位置，并更新边界框及边界框对应的ID，根据历史的每个障碍物在连续帧中的边界框及边界框对应的ID，获取每个障碍物的运动轨迹；
根据障碍物的运动轨迹、特征形状、尺寸、颜色及纹理信息，对障碍物进行聚类分析，以得到聚类结果；
根据所述聚类结果，将障碍物分为不同的类型。
可选的，根据障碍物的运动轨迹、特征形状、尺寸、颜色及纹理信息，对障碍物进行聚类分析，以得到聚类结果，包括：
根据每个障碍物的运动轨迹、特征形状、尺寸、颜色及纹理信息，分别对应创建一个特征向量，并将所有障碍物的特征向量组合成一个矩阵，以形成多维数据集，其中，矩阵中的每行代表一个障碍物，每列代表一个特征维度；
对所述多维数据集进行预处理，以得到预处理多维数据集；
通过聚类算法对预处理多维数据集进行聚类分析，以得到聚类结果。
需要说明的是，该装置是与上述方法相对应的装置，上述方法实施例中的所有实现方式均适用于该实施例中，也能达到相同的技术效果。
本发明的实施例还提供一种计算机，包括：处理器、存储有计算机程序的存储器，所述计算机程序被处理器运行时，执行如上所述的方法。上述方法实施例中的所有实现方式均适用于该实施例中，也能达到相同的技术效果。
本发明的实施例还提供一种计算机可读存储介质，存储指令，当所述指令在计算机上运行时，使得计算机执行如上所述的方法。上述方法实施例中的所有实现方式均适用于该实施例中，也能达到相同的技术效果。
本领域普通技术人员可以意识到，结合本发明中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，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单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案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中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
此外，需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行，某些步骤可以并行或彼此独立地执行。对本领域的普通技术人员而言，能够理解本发明的方法和装置的全部或者任何步骤或者部件，可以在任何计算装置（包括处理器、存储介质等）或者计算装置的网络中，以硬件、固件、软件或者它们的组合加以实现，这是本领域普通技术人员在阅读了本发明的说明的情况下运用他们的基本编程技能就能实现的。
因此，本发明的目的还可以通过在任何计算装置上运行一个程序或者一组程序来实现。所述计算装置可以是公知的通用装置。因此，本发明的目的也可以仅仅通过提供包含实现所述方法或者装置的程序代码的程序产品来实现。也就是说，这样的程序产品也构成本发明，并且存储有这样的程序产品的存储介质也构成本发明。显然，所述存储介质可以是任何公知的存储介质或者将来所开发出来的任何存储介质。还需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行。某些步骤可以并行或彼此独立地执行。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (4)

1.一种车辆路径调度方法，其特征在于，所述方法包括：
获取目标车辆在当前车道中的实时行驶状态，以及目标车辆对应的实时交通信息；其中，获取目标车辆在当前车道中的实时行驶状态，包括：获取目标车辆的实时位置坐标（X，Y，Z），获取目标车辆的实时位置坐标（X，Y，Z）是基于全球定位系统或测量设备，获取目标车辆在地球表面的三维坐标位置，其中，X=(ρ×cos(θ)×cos(φ))-X o ，Y=(ρ×cos(θ)×sin (φ))-Y o ，Z=ρ×sin(θ)-Z o ，ρ、θ、φ分别表示从地球中心到目标车辆的距离、方向角和仰角，X o 、Y o 、Z o 为测量站的位置;方向角的计算公式为：，其中 atan是反正切函数；仰角的计算公式为：/>；根据多次获取的方向角和仰角，确定目标车辆的转向角度，其中，转向角度的计算公式为：△θ=θ 2 -θ 1 ，△θ为转向角，θ 1 和θ 2 为两个连续时刻的方向角，其中，方向角指的是目标车辆运动方向与北方向之间的夹角，仰角则指的是目标车辆在垂直于地表方向上的倾斜角度；
根据目标车辆的行驶状态构建车辆状态模型，以及根据目标车辆对应的实时交通信息，构建道路状态模型；
根据所述车辆状态模型以及道路状态模型，获取目标车辆的预行驶路径；
根据目标车辆在当前车道中的实时行驶状态，获取影响所述目标车辆预行驶路径的动态影响因子，包括：获取目标车辆周围障碍物位置、大小以及与目标车辆的相对距离，并识别障碍物的类型和动态状态；根据目标车辆的速度、方向角和仰角，计算目标车辆与障碍物的相对速度和方向，并确定目标车辆的运动矢量，以及获取障碍物在一段时间内的位置变化，以计算障碍物的运动矢量；根据所述目标车辆的运动矢量与障碍物的运动矢量，计算目标车辆相对于障碍物的相对速度和相对方向；根据目标车辆在当前车道中的实时行驶状态和预行驶路径，预估障碍物对预行驶路径的影响程度；根据所述影响程度，计算目标车辆预行驶路径的动态影响因子；障碍物与目标车辆的相对距离的计算公式为：，其中，(x 1 ，y 1 ，z 1 )为障碍物的三维坐标,d为目标车辆与障碍物之间的距离；目标车辆的运动矢量的计算公式为：/>，其中，为目标车辆的运动矢量，(x t1 ，y t1 ，z t1 )和 (x t2 ，y t2 ，z t2 )分别为目标车辆在前后两个时刻的三维位置，/>为目标车辆在前后两个时刻之间的时间间隔；障碍物的运动矢量的计算公式为：
，其中，/>为障碍物的运动矢量，(x o1 ，y o1 ，z o1 )和 (x o2 ，y o2 ，z o2 )分别为障碍物在前后两个时刻的三维位置；目标车辆相对于障碍物的相对速度的计算公式为：/>，其中，/>为目标车辆与障碍物之间的相对速度；目标车辆相对于障碍物的相对方向的计算公式为：/>，其中，/>为目标车辆相对于障碍物的相对方向，，(x r ，y r ，z r ) 表示障碍物相对于目标车辆的位置；识别障碍物的类型和动态状态，包括：获取目标车辆周围环境的原始图像；对所述原始图像数据进行预处理，以得到预处理图像；提取所述预处理图像中障碍物的特征形状、尺寸、颜色及纹理；根据障碍物的特征形状、尺寸、颜色及纹理识别出目标车辆周围的障碍物；跟踪每个障碍物的运动轨迹，并根据障碍物的特征形状、尺寸、颜色、纹理和运动轨迹对障碍物进行分类，以确定障碍物的类型，包括：检测所述预处理图像中障碍物的边界框，为每个障碍物的边界框分配一个ID，并提取每个障碍物的边界框内的特征形状、尺寸、颜色和纹理信息；根据每个障碍物在前一帧的位置预测每个障碍物在当前帧的位置，并更新边界框及边界框对应的ID，根据历史的每个障碍物在连续帧中的边界框及边界框对应的ID，获取每个障碍物的运动轨迹；根据障碍物的运动轨迹、特征形状、尺寸、颜色及纹理信息，对障碍物进行聚类分析，以得到聚类结果，包括：根据每个障碍物的运动轨迹、特征形状、尺寸、颜色及纹理信息，分别对应创建一个特征向量，并将所有障碍物的特征向量组合成一个矩阵，以形成多维数据集，其中，矩阵中的每行代表一个障碍物，每列代表一个特征维度；对所述多维数据集进行预处理，以得到预处理多维数据集；通过聚类算法对预处理多维数据集进行聚类分析，以得到聚类结果，以发现障碍物之间的相似性和差异性；根据所述聚类结果，将障碍物分为不同的类型；
根据所述动态影响因子，实时调整所述预行驶路径，以得到最终的行驶路径，包括：根据目标车辆的预行驶路径，计算目标车辆在每个时刻的三维位置、速度和加速度信息，，/>，/>，其中，p t 为目标车辆在t时刻的三维位置，v t 为目标车辆在t时刻的速度，a t 为目标车辆在t时刻的加速度，T为预行驶路径的总时间，（x t ，y t ，z t ）为目标车辆在t时刻的三维位置，（v x，t ,v y，t ,v z，t ）为目标车辆在每个时刻t的三维速度，（a x，t ,a y，t ,a z，t ）为目标车辆在每个时刻t的三维加速度；计算目标车辆在每个时刻对周围环境的动态影响程度，其中，目标车辆在每个时刻对周围环境的动态影响程度的计算公式为：/>，其中，f s,t 为车道线对目标车辆的静态影响因子；f d,t 为目标车辆当前的驾驶决策对动态影响因子的贡献；f t,t 为实时交通信息对目标车辆的影响因子；f o,i,t 为第i个障碍物对目标车辆的动态影响因子，f t 为目标车辆在每个时刻对周围环境的动态影响程度；综合计算得到目标车辆预行驶路径的总体影响因子，其中，目标车辆预行驶路径的总体影响因子的计算公式为：/>，是车道线对目标车辆的静态影响因子的权重系数；/>是目标车辆当前的驾驶决策对动态影响因子的贡献的权重系数，/>是实时交通信息对目标车辆的影响因子的权重系数，/>是第i个障碍物对目标车辆的动态影响因子的权重系数，F t 为目标车辆在t时刻预行驶路径的总体影响因子；根据目标车辆在每个时刻对周围环境的动态影响程度，生成相应的最优路径，其中，最优路径的计算公式为：
，其中，/>和/>为代价函数中的权重系数，H为最优路径，D t 为目标车辆当前三维位置到目标三维位置的距离，其中，/>，(x d ，y d ，z d )为目的地的三维坐标。
2.一种车辆路径调度装置，其特征在于，包括：
获取模块，用于获取目标车辆在当前车道中的实时行驶状态，以及目标车辆对应的实时交通信息；其中，获取目标车辆在当前车道中的实时行驶状态，包括：获取目标车辆的实时位置坐标（X，Y，Z），其中，X=(ρ×cos(θ)×cos(φ))-X o ，Y=(ρ×cos(θ)×sin(φ))-Y o ，Z=ρ ×sin(θ)-Z o ，ρ、θ、φ分别表示从地球中心到目标车辆的距离、方向角和仰角，X o 、Y o 、Z o 为测量站的位置;方向角的计算公式为：，其中 atan是反正切函数；仰角的计算公式为：/>；根据多次获取的方向角和仰角，确定目标车辆的转向角度，其中，转向角度的计算公式为：△θ=θ 2 -θ 1 ，△θ为转向角，θ 1 和θ 2 为两个连续时刻的方向角；根据目标车辆的行驶状态构建车辆状态模型，以及根据目标车辆对应的实时交通信息，构建道路状态模型；根据所述车辆状态模型以及道路状态模型，获取目标车辆的预行驶路径；
处理模块，用于根据目标车辆在当前车道中的实时行驶状态，获取影响所述目标车辆预行驶路径的动态影响因子，包括：获取目标车辆周围障碍物位置、大小以及与目标车辆的相对距离，并识别障碍物的类型和动态状态；根据目标车辆的速度、方向角和仰角，计算目标车辆与障碍物的相对速度和方向，并确定目标车辆的运动矢量，以及获取障碍物在一段时间内的位置变化，以计算障碍物的运动矢量；根据所述目标车辆的运动矢量与障碍物的运动矢量，计算目标车辆相对于障碍物的相对速度和相对方向；根据目标车辆在当前车道中的实时行驶状态和预行驶路径，预估障碍物对预行驶路径的影响程度；根据所述影响程度，计算目标车辆预行驶路径的动态影响因子；障碍物与目标车辆的相对距离的计算公式为：，其中，(x 1 ，y 1 ，z 1 )为障碍物的三维坐标,d为目标车辆与障碍物之间的距离；目标车辆的运动矢量的计算公式为：/>，其中，为目标车辆的运动矢量，(x t1 ，y t1 ，z t1 )和 (x t2 ，y t2 ，z t2 )分别为目标车辆在前后两个时刻的三维位置，/>为目标车辆在前后两个时刻之间的时间间隔；障碍物的运动矢量的计算公式为：
，其中，/>为障碍物的运动矢量，(x o1 ，y o1 ，z o1 )和 (x o2 ，y o2 ，z o2 )分别为障碍物在前后两个时刻的三维位置；目标车辆相对于障碍物的相对速度的计算公式为：/>，其中，/>为目标车辆与障碍物之间的相对速度；目标车辆相对于障碍物的相对方向的计算公式为：/>，其中，/>为目标车辆相对于障碍物的相对方向，，(x r ，y r ，z r ) 表示障碍物相对于目标车辆的位置；识别障碍物的类型和动态状态，包括：获取目标车辆周围环境的原始图像；对所述原始图像数据进行预处理，以得到预处理图像；提取所述预处理图像中障碍物的特征形状、尺寸、颜色及纹理；根据障碍物的特征形状、尺寸、颜色及纹理识别出目标车辆周围的障碍物；跟踪每个障碍物的运动轨迹，并根据障碍物的特征形状、尺寸、颜色、纹理和运动轨迹对障碍物进行分类，以确定障碍物的类型，包括：检测所述预处理图像中障碍物的边界框，为每个障碍物的边界框分配一个ID，并提取每个障碍物的边界框内的特征形状、尺寸、颜色和纹理信息；根据每个障碍物在前一帧的位置预测每个障碍物在当前帧的位置，并更新边界框及边界框对应的ID，根据历史的每个障碍物在连续帧中的边界框及边界框对应的ID，获取每个障碍物的运动轨迹；根据障碍物的运动轨迹、特征形状、尺寸、颜色及纹理信息，对障碍物进行聚类分析，以得到聚类结果，包括：根据每个障碍物的运动轨迹、特征形状、尺寸、颜色及纹理信息，分别对应创建一个特征向量，并将所有障碍物的特征向量组合成一个矩阵，以形成多维数据集，其中，矩阵中的每行代表一个障碍物，每列代表一个特征维度；对所述多维数据集进行预处理，以得到预处理多维数据集；通过聚类算法对预处理多维数据集进行聚类分析，以得到聚类结果，以发现障碍物之间的相似性和差异性；根据所述聚类结果，将障碍物分为不同的类型；
根据所述动态影响因子，实时调整所述预行驶路径，以得到最终的行驶路径，包括：根据目标车辆的预行驶路径，计算目标车辆在每个时刻的三维位置、速度和加速度信息，，/>，/>，其中，p t 为目标车辆在t时刻的三维位置，v t 为目标车辆在t时刻的速度，a t 为目标车辆在t时刻的加速度，T为预行驶路径的总时间，（x t ，y t ，z t ）为目标车辆在t时刻的三维位置，（v x，t ,v y，t ,v z，t ）为目标车辆在每个时刻t的三维速度，（a x，t ,a y，t ,a z，t ）为目标车辆在每个时刻t的三维加速度；计算目标车辆在每个时刻对周围环境的动态影响程度，其中，目标车辆在每个时刻对周围环境的动态影响程度的计算公式为：/>，其中，f s,t 为车道线对目标车辆的静态影响因子；f d,t 为目标车辆当前的驾驶决策对动态影响因子的贡献；f t,t 为实时交通信息对目标车辆的影响因子；f o,i,t 为第i个障碍物对目标车辆的动态影响因子，f t 为目标车辆在每个时刻对周围环境的动态影响程度；综合计算得到目标车辆预行驶路径的总体影响因子，其中，目标车辆预行驶路径的总体影响因子的计算公式为：/>，/>是车道线对目标车辆的静态影响因子的权重系数；/>是目标车辆当前的驾驶决策对动态影响因子的贡献的权重系数，/>是实时交通信息对目标车辆的影响因子的权重系数，/>是第i个障碍物对目标车辆的动态影响因子的权重系数，F t 为目标车辆在t时刻预行驶路径的总体影响因子；根据目标车辆在每个时刻对周围环境的动态影响程度，生成相应的最优路径，其中，最优路径的计算公式为：
，其中，/>和/>为代价函数中的权重系数，H为最优路径，D t 为目标车辆当前三维位置到目标三维位置的距离，其中，/>，(x d ，y d ，z d )为目的地的三维坐标。
3.一种计算机，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1所述的方法。
4.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有程序，该程序被处理器执行时实现如权利要求1所述的方法。
CN202310895084.9A 2023-07-20 2023-07-20 一种车辆路径调度方法、装置、计算机及存储介质 Active CN116611603B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310895084.9A CN116611603B (zh) 2023-07-20 2023-07-20 一种车辆路径调度方法、装置、计算机及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310895084.9A CN116611603B (zh) 2023-07-20 2023-07-20 一种车辆路径调度方法、装置、计算机及存储介质

Publications (2)

Publication Number Publication Date
CN116611603A CN116611603A (zh) 2023-08-18
CN116611603B true CN116611603B (zh) 2023-11-28

Family

ID=87684043

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310895084.9A Active CN116611603B (zh) 2023-07-20 2023-07-20 一种车辆路径调度方法、装置、计算机及存储介质

Country Status (1)

Country Link
CN (1) CN116611603B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117057700B (zh) * 2023-10-13 2024-01-26 云南省烟草公司大理州公司 一种智慧物流运输系统及路径规划方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180058624A (ko) * 2016-11-24 2018-06-01 고려대학교 산학협력단 차량에서의 돌발적으로 출현한 이동 객체를 탐지하는 방법 및 장치
WO2022105368A1 (en) * 2020-11-20 2022-05-27 Suzhou Zhijia Science & Technologies Co., Ltd. Control method and apparatus for autonomous vehicle
CN115320636A (zh) * 2022-08-31 2022-11-11 中汽创智科技有限公司 一种自动驾驶方法、装置及存储介质
CN115923839A (zh) * 2022-12-06 2023-04-07 嘉兴索亚智能科技有限公司 一种车辆路径规划方法
WO2023097874A1 (zh) * 2021-12-01 2023-06-08 上海仙途智能科技有限公司 用于行驶轨迹规划的方法和装置
CN116266380A (zh) * 2021-12-13 2023-06-20 广州汽车集团股份有限公司 一种环境数据重建方法、装置、系统及存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110550029B (zh) * 2019-08-12 2021-02-09 华为技术有限公司 障碍物避让方法及装置
CN114384920B (zh) * 2022-03-23 2022-06-10 安徽大学 一种基于局部栅格地图实时构建的动态避障方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180058624A (ko) * 2016-11-24 2018-06-01 고려대학교 산학협력단 차량에서의 돌발적으로 출현한 이동 객체를 탐지하는 방법 및 장치
WO2022105368A1 (en) * 2020-11-20 2022-05-27 Suzhou Zhijia Science & Technologies Co., Ltd. Control method and apparatus for autonomous vehicle
WO2023097874A1 (zh) * 2021-12-01 2023-06-08 上海仙途智能科技有限公司 用于行驶轨迹规划的方法和装置
CN116266380A (zh) * 2021-12-13 2023-06-20 广州汽车集团股份有限公司 一种环境数据重建方法、装置、系统及存储介质
CN115320636A (zh) * 2022-08-31 2022-11-11 中汽创智科技有限公司 一种自动驾驶方法、装置及存储介质
CN115923839A (zh) * 2022-12-06 2023-04-07 嘉兴索亚智能科技有限公司 一种车辆路径规划方法

Also Published As

Publication number Publication date
CN116611603A (zh) 2023-08-18

Similar Documents

Publication Publication Date Title
KR102198724B1 (ko) 포인트 클라우드 데이터를 처리하기 위한 방법 및 장치
US10740658B2 (en) Object recognition and classification using multiple sensor modalities
Petrovskaya et al. Model based vehicle detection and tracking for autonomous urban driving
EP2574958B1 (en) Road-terrain detection method and system for driver assistance systems
JP5822255B2 (ja) 対象物識別装置及びプログラム
Lookingbill et al. Reverse optical flow for self-supervised adaptive autonomous robot navigation
CN112389440B (zh) 一种基于车路作用机理的越野环境中车辆行驶风险预测方法
CN110379168B (zh) 一种基于Mask R-CNN的交通车辆信息获取方法
JP6492469B2 (ja) 自車走行レーン推定装置及びプログラム
CN111179300A (zh) 障碍物检测的方法、装置、系统、设备以及存储介质
CN108364466A (zh) 一种基于无人机交通视频的车流量统计方法
CN106291506A (zh) 基于单线点云数据机器学习的车辆目标识别方法及装置
CN116611603B (zh) 一种车辆路径调度方法、装置、计算机及存储介质
JP7328281B2 (ja) ある車両の環境中の標的車両の軌道を予測する方法及びシステム
CN116685874A (zh) 摄像机-激光雷达融合对象检测系统和方法
CN111551957A (zh) 基于激光雷达感知的园区低速自动巡航及紧急制动系统
JP2009175932A (ja) 移動ロボットの走行領域判別装置及び走行領域判別方法
CN115113206B (zh) 井下有轨车辅助驾驶的行人与障碍物检测方法
Börcs et al. A model-based approach for fast vehicle detection in continuously streamed urban LIDAR point clouds
CN112729289B (zh) 应用于自动导引车的定位方法、装置、设备和存储介质
CN114684197A (zh) 避障场景的检测方法、装置、设备及存储介质
Drost et al. Siamese networks for online map validation in autonomous driving
US20240020964A1 (en) Method and device for improving object recognition rate of self-driving car
US20240077617A1 (en) Perception for point clouds
Li et al. DF-map: A Novel Variable Resolution Decision Forest Map for Localization

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