CN117521937A - 适于多维尺度的协同感知环境的动态路径诱导方法及系统 - Google Patents
适于多维尺度的协同感知环境的动态路径诱导方法及系统 Download PDFInfo
- Publication number
- CN117521937A CN117521937A CN202410022260.2A CN202410022260A CN117521937A CN 117521937 A CN117521937 A CN 117521937A CN 202410022260 A CN202410022260 A CN 202410022260A CN 117521937 A CN117521937 A CN 117521937A
- Authority
- CN
- China
- Prior art keywords
- information
- road
- data
- vehicle
- environment
- 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 68
- 230000006698 induction Effects 0.000 title claims abstract description 41
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 36
- 230000008447 perception Effects 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 13
- 230000004927 fusion Effects 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 28
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000003993 interaction Effects 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000013500 data storage Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000005295 random walk Methods 0.000 claims description 6
- 239000004568 cement Substances 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 101001093748 Homo sapiens Phosphatidylinositol N-acetylglucosaminyltransferase subunit P Proteins 0.000 claims description 3
- 239000004927 clay Substances 0.000 claims description 3
- 230000001939 inductive effect Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000001902 propagating effect Effects 0.000 claims description 2
- 239000010426 asphalt Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 241000282461 Canis lupus Species 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
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
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
- G01C21/343—Calculating itineraries, i.e. routes leading from a starting point to a series of categorical destinations using a global route restraint, round trips, touristic trips
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3492—Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Automation & Control Theory (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Strategic Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种适于多维尺度的协同感知环境的动态路径诱导方法及系统,涉及路径诱导技术领域,包括:通过车载视觉传感器和雷达传感器采集车辆周围的数据,利用路侧基础设施采集路网的数据,进行数据融合,实现环境感知;对传输的数据进行处理,提取多目标特征值,更新路网上的模型参数,并依据融合特征信息进行时序交通流预测;建立多目标动态路径规划算法,计算出多目标最优路径集合,提供最优路径。本发明提供的适于多维尺度的协同感知环境的动态路径诱导方法改变传统地图通过数据采集车、众包UGC、交通部门等进行数据获取的运营模式,充分利用数字化、智能化、共享化的路侧交通基础设施进行数据采集,增强交通数据的时效性。
Description
技术领域
本发明涉及路径诱导技术领域,具体为一种适于多维尺度的协同感知环境的动态路径诱导方法及系统。
背景技术
随着经济持续增长与科学技术快速更新迭代,人们的出行需求越来越高,汽车的保有量逐年递增,由此而产生的交通问题也越来越多,严重影响我国居民的生活质量和生命安全。因此,以“车、路、云”协同的数字化技术为主的智能网联汽车成为我国道路交通系统的主要发展方向。现如今为了提高城市路网的运行效率,如何利用有限的道路网络资源,实现高效的公共交通资源分配成为重要难题。传统的路径诱导方法大多在静态路网中寻找最短路径,如Dijkstra、A*、Logit模型等方法,这些传统方法的前提都是在理想状态下,考虑的因素单一,使用的模型单一,OD之间的距离是固定值,OD之间不会产生突发的情况。因此,上述方法没有考虑实时交通状况,没有考虑综合道路信息,依据这些方法而产生的路径诱导方法只是在距离上实现最小值,并不能满足城市居民出行多样化的需求。因此,为了加快智慧城市的建设步伐,满足居民多样化的出行需求,借助C-V2X路侧感知单元、车载感知等设备,依托5G、无线通信技术、大数据、人工智能等先进技术。基于传统算法的路径诱导方法,主要是借助Dijkstra、A*、Logit模型等传统算法实现最短路的搜索,然后规划出驾驶者从起始地(Origin)到目的地(Destination)之间的最短路径。通过这种方法,虽然能够较为成熟的计算出OD之间的最短距离,但是这种方法大多没有考虑路网中的实时交通流状况,没有综合考虑路网信息,这些方法多适应于静态路网环境下。忽略了从起始点到目的地之间的道路状况,如路面上的拥堵情况、信号交叉口的时间延误、道路突发事件造成的延误等。当路网信息发生较大的变化时,这种方法的鲁棒性就会明显降低,严重影响驾驶者的出行体验。
基于单一数据驱动的路径诱导方法,主要是借助遗传算法、禁忌搜索算法、狼群算法、蚁群算法、模拟退火算法等对局部或者全局路网结果进行搜索最优的路径,并且上述算法在求解最优路径的过程中,通过随机性来寻找最优解,因此存在的缺点是寻找到最优路径的计算时间较长,对于算力的要求较高。其次这些计算模型不能充分利用路网信息,不能有效做到预防或缓解交通拥堵,因此缺少对于未来一段时间路网状态的预测,因此不能给予驾驶者具有动态变化性的驾驶路线建议。
现如今路径诱导方法大多不能够充分利用与处理的由车载传感器、路侧基础设施等获取的实时交通信息,不能根据实时交通数据实现算法的时变性。其次传统地图通过数据采集车、众包UGC、交通部门等进行数据获取,数据更新具有较大的延时性。并且对于道路阻抗函数的研究也是多种多样,要么基于传统的BPR道路函数模型进行研究,最终的结果体现在实时性效果不强,当饱和率趋向于1时,模型不能表征交通拥堵,并且所用阻抗主要针对静态路径规划问题,实用性较差。
针对上述问题,本发明提出一种适于多维尺度的协同感知环境下的动态路径诱导方法。基于车载传感器、路侧基础设施以及信息通信等设备,实现路网上交通流数据的实时获取与传输,保障信息的实时性。其次,针对不同场景、不同道路结构类型、不同天气状况下的数据特征进行提取,其次结合时序信息进行特征提取,然后建立基于蝙蝠算法的小波神经网络进行交通流的预测,构建预测步骤流程。然后,根据行驶时间、车辆速度、能耗排放参数建立道路阻抗函数,然后提出动态路径规划算法,最终实现路径的动态诱导。
发明内容
鉴于上述存在的问题,提出了本发明。
因此,本发明解决的技术问题是:现有的云服务平台计算方法存在缺少对车辆流动的动态考虑,缺少尸变性,缺少对场景、道路以及天气的考虑,以及如何充分利用路测设备的优化问题。
为解决上述技术问题,本发明提供如下技术方案:一种适于多维尺度的协同感知环境的动态路径诱导方法,包括:通过车载视觉传感器和雷达传感器采集车辆周围的数据,利用路侧基础设施采集路网的数据,进行数据融合,实现环境感知;对传输的数据进行处理,提取多目标特征值,更新路网上的模型参数,并依据融合特征信息进行时序交通流预测;建立多目标动态路径规划算法,计算出多目标最优路径集合,提供最优路径。
作为本发明所述的适于多维尺度的协同感知环境的动态路径诱导方法的一种优选方案,其中:所述环境感知包括车辆自身以及周围网联车辆搭载的传感器,将车辆自身周围的环境信息进行获取,通过高精度地图获取整体路网的结构信息;所述整体路网的结构信息包括路网中车道级路面信息和交叉口的路径信息和距离信息,建立交叉口节点集合以及路段集合/>,其中,n表示路网中交叉口,,/>表示节点b至节点c之间的有向线段,若两个节点之间不连接,则两者之间的距离为/>,节点集合与路段集合组成路网信息(N,M),将数据运输至云平台。
作为本发明所述的适于多维尺度的协同感知环境的动态路径诱导方法的一种优选方案,其中:所述将数据运输至云平台包括将车辆周围的环境信息、路网上的实时交通流信息以及交通状况信息传输至车辆、路侧基站以及云平台,通过路侧基站、路侧设备RSU、DSRC或5G-V2X,进行与自身车辆、周围车辆以及云平台之间的直接通信。
作为本发明所述的适于多维尺度的协同感知环境的动态路径诱导方法的一种优选方案,其中:所述更新路网上的模型参数包括根据数据信息进行分类将场景分为城镇、郊区以及乡村,天气类型分为晴天、雨天以及阴天,道路结构类型分为高速路、快速路、水泥路以及泥土路,进行特征提取,使用单帧数据利用感知前后的数据信息构建多模态感知信息,表示由用户驾驶的智能网联车、路网上进行的信息感知、进行信息交互的智能网联车以及路侧基础设施获取的感知信息,将车载传感器、路侧感知设备获取的原始信息,以及特征提取获得的特征信息与获取的时序信息进行多维度数据融合,通过基于蝙蝠算法的小波神经网络进行短时交通流预测,小波神经网络中的小波基函数使用Morlet小波基函数表示为:
;
其中,x表示输入层的输入,为隐含层节点j的输出值,隐含层的输出表示为:
;
其中,为输入值,/>为隐含层第/>个神经元结点输出值,hj是小波基函数,/>为输入层节点/>与隐藏层节点/>的连接权重,/>为小波基函数平移因子,/>为小波基函数伸缩因子,神经网络输出层输出表示为:
;
其中,为输出值,h(i)是隐含层节点的输出值,/>为输入层节点数,/>为隐含层节点/>与输出层节点的连接权重。
作为本发明所述的适于多维尺度的协同感知环境的动态路径诱导方法的一种优选方案,其中:所述依据融合特征信息进行时序交通流预测包括输入原始的交通流数据,划分训练数据集以及测试数据集,随机赋值给小波神经的权重值和参数,初始化蝙蝠算法,随机选择一组训练集数据放入小波神经网络中,将预测的值与真实值之间的差作为适应度函数值,根据设定的阈值判断进行空间搜索的条件,在空间中更新新蝙蝠的位置设定随机概率进行新的局部搜索,跳至最佳解的附近位置进行随机游走,判断是否满足终止条件,若不满足则继续进行随机概率设定并进行新的局部搜索和随机游走,若满足则将最优的权重值和参数进行更新替代,利用训练交通数据进行神经网络的正向传播过程,根据梯度下降算法误差反向传播调整参数,判断设置的最大迭代次数是否达到,若达到迭代次数的最大值,则停止迭代,并输出最优的结果,若未达成则根据设定的阈值判断进行空间搜索的条件,然后在空间中更新新蝙蝠的位置,重新进行输出判断。
作为本发明所述的适于多维尺度的协同感知环境的动态路径诱导方法的一种优选方案,其中:所述建立多目标动态路径规划算法,计算出多目标最优路径集合包括建立时序路网模型,根据交叉口节点和路段信息,建立时序路网模型表示为:
;
其中,P表示道路路网结构,表示交叉口节点,表示路段信息,/>表示在路段/>的权重值,结合时序交通流预测结果,建立权重函数模型用于获取不同路段上的权重值,表示为:
;
其中,表示权重因子,/>表示在路段bc上在第t时间段上的权重值,/>表示路段bc在t时刻上的车流密度,/>表示用户车辆在bc路段上的行驶速度,/>表示用户车辆在bc路段上的排放量,建立动态路径的实时诱导模型,利用算法进行动态最短路径的计算,使用/>算法进行最优路径判断的估计函数表示为:
;
其中,表示权重值,/>表示bc路段在第/>个时段的启发值,/>表示从当前位置到遍历过的位置的代价值,建立最优成本模型,表示为:
;
确定起始点至终点之间的最优路径集合。
作为本发明所述的适于多维尺度的协同感知环境的动态路径诱导方法的一种优选方案,其中:所述提供最优路径包括云平台将最优路径发送至用户,并记录不同用户出行时的交通流环境信息以及最优路径信息进行定时存储,当场景以及交通环境相同时,调用路线方案。
本发明的另外一个目的是提供一种适于多维尺度的协同感知环境的动态路径诱导系统,其能通过结合场景、道路类型以及天气确定特征向量,加入预测当中,解决了目前的最短道路预测仅仅考虑距离的问题。
作为本发明所述的适于多维尺度的协同感知环境的动态路径诱导系统的一种优选方案,其中:包括环境感知模块,信息交互模块,数据处理模块,判断决策模块,数据储存模块;所述环境感知模块用于实时监控路网上交通流的信息、实时监测车辆的车速信息以及尾气排放信息,并将信息以视频、照片或者相关数据的形式传输给其他的模块;所述信息交互模块用于实现车辆内部之间的通信、车与车之间的通信以及车与平台之间的通信;所述数据处理模块用于将路侧车路协同设施获取到的车辆ID、经纬度、车速、行驶方向等信息以矩阵的形式进行存储;所述判断决策模块用于对来自数据处理模块处理的信息进行判断决策,考虑路段行驶时间、考虑车辆行驶速度、考虑汽车排放等目标,结合上面获取、处理的实时路网信息,进行用户最优路径决策,并将决策结果传输给用户,诱导用户前往目的地;所述数据储存模块通过建立相关数据库,对相关的数据进行存储。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序是实现适于多维尺度的协同感知环境的动态路径诱导方法的步骤。
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适于多维尺度的协同感知环境的动态路径诱导方法的步骤。
本发明的有益效果:本发明提供的适于多维尺度的协同感知环境的动态路径诱导方法改变传统地图通过数据采集车、众包UGC、交通部门等进行数据获取的运营模式,充分利用数字化、智能化、共享化的路侧交通基础设施进行数据采集,增强交通数据的时效性,建立基于蝙蝠算法的小波神经网络时序交通流预测模型充分利用时序数据信息,能够利用多环境多场景多道路场景下的多目标数据,有效的预测一定时域内路网中的交通流,因此后续的路径规划算法可以据此来提前进行最优路径的计算,从而减少了延误造成的影响。改善传统地图导航的路径推荐方法大多是只根据出行者的出行起止地点,推荐几条时间短,经过信号灯比较少的线路,但是忽略了动态路网中行车延误的问题。充分考虑行驶时间、行驶速度和能耗排放三个因素,基于算法建立多目标动态路径规划算法。能够依据上述因素计算出考虑不同权重影响的最优路径供用户针对自身场景进行路径选择。本发明在时效性、智能化和考虑因素方面都取得更加良好的效果。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明第一个实施例提供的一种适于多维尺度的协同感知环境的动态路径诱导方法的整体流程图。
图2为本发明第一个实施例提供的一种适于多维尺度的协同感知环境的动态路径诱导方法的依据多目标融合特征进行交通流时序预测流程图。
图3为本发明第一个实施例提供的一种适于多维尺度的协同感知环境的动态路径诱导方法的小波神经网络结构示意图。
图4为本发明第一个实施例提供的一种适于多维尺度的协同感知环境的动态路径诱导方法的另一流程图。
图5为本发明第二个实施例提供的一种适于多维尺度的协同感知环境的动态路径诱导方法的路径示意图。
图6为本发明第三个实施例提供的一种适于多维尺度的协同感知环境的动态路径诱导系统的整体流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
实施例1
参照图1-图4,为本发明的一个实施例,提供了一种适于多维尺度的协同感知环境的动态路径诱导方法,包括:
S1:通过车载视觉传感器和雷达传感器采集车辆周围的数据,利用路侧基础设施采集路网的数据,进行数据融合,实现环境感知。
更进一步的,环境感知包括车辆自身以及周围网联车辆搭载的传感器,将车辆自身周围的环境信息进行获取,通过高精度地图获取整体路网的结构信息;整体路网的结构信息包括路网中车道级路面信息和交叉口的路径信息和距离信息,建立交叉口节点集合以及路段集合/>,其中,n表示路网中交叉口,,/>表示节点b至节点c之间的有向线段,若两个节点之间不连接,则两者之间的距离为/>,节点集合与路段集合组成路网信息(N,M),将数据运输至云平台。
应说明的是,车载或者路侧视频传感器获取到的数据大部分为照片或者视频,车载激光雷达获取车辆周围点云数据信息,毫米波雷达获取周围毫米波雷达点云数据。通过摄像头、雷达,再借助路侧、交叉口的交通基础设施能够识别路网中的车流流量、判别路网中的交通拥堵情况、及时发现路网中的交通事故等现象。通过上述步骤实现环境感知。
S2:对传输的数据进行处理,提取多目标特征值,更新路网上的模型参数,并依据融合特征信息进行时序交通流预测。
更进一步的,将数据运输至云平台包括将车辆周围的环境信息、路网上的实时交通流信息以及交通状况信息传输至车辆、路侧基站以及云平台,通过路侧基站、路侧设备RSU、DSRC或5G-V2X,进行与自身车辆、周围车辆以及云平台之间的直接通信。
应说明的是,如图2所示,目标1对应晴朗天气下城镇沥青道路,特征1表示晴朗天气下城镇沥青道路上的特征信息、目标2对应阴天情况下城镇水泥路,特征2表示阴天情况下城镇水泥路上的特征信息,目标3表示晴朗天气下郊区沥青路面,特征3表示晴朗天气下郊区沥青路面上的特征信息,m表示其他的场景情况。这一步综合针对多种场景目标、多种路面结构目标、多种天气情况目标进行特征提取。
更进一步的,在使用单帧数据的基础上,考虑时序多模态感知信息,充分利用感知前后一段时间的数据信息。充分提高数据的利用率以及后续路径诱导的精准性。如图2中所示,t时刻、t-1、……、t-n时刻的多模态感知信息,表示由用户驾驶的智能网联车、路网上可以进行信息感知、信息交互的智能网联车以及路侧基础设施获取的感知信息。
应说明的是,更新路网上的模型参数包括根据数据信息进行分类将场景分为城镇、郊区以及乡村,天气类型分为晴天、雨天以及阴天,道路结构类型分为高速路、快速路、水泥路以及泥土路,进行特征提取,使用单帧数据利用感知前后的数据信息构建多模态感知信息,表示由用户驾驶的智能网联车、路网上进行的信息感知、进行信息交互的智能网联车以及路侧基础设施获取的感知信息,将车载传感器、路侧感知设备获取的原始信息,以及特征提取获得的特征信息与获取的时序信息进行多维度数据融合,通过基于蝙蝠算法的小波神经网络进行短时交通流预测,小波神经网络中的小波基函数使用Morlet小波基函数表示为:
;
其中,x表示输入层的输入,为隐含层节点j的输出值,隐含层的输出表示为:
;
其中,为输入值,/>为隐含层第/>个神经元结点输出值,hj是小波基函数,/>为输入层节点/>与隐藏层节点/>的连接权重,/>为小波基函数平移因子,/>为小波基函数伸缩因子,神经网络输出层输出表示为:
;
其中,为输出值,h(i)是隐含层节点的输出值,/>为输入层节点数,/>为隐含层节点/>与输出层节点的连接权重。
还应说明的是,依据融合特征信息进行时序交通流预测包括输入原始的交通流数据,划分训练数据集以及测试数据集,随机赋值给小波神经的权重值和参数,初始化蝙蝠算法,随机选择一组训练集数据放入小波神经网络中,将预测的值与真实值之间的差作为适应度函数值,根据设定的阈值判断进行空间搜索的条件,在空间中更新新蝙蝠的位置设定随机概率进行新的局部搜索,跳至最佳解的附近位置进行随机游走,判断是否满足终止条件,若不满足则继续进行随机概率设定并进行新的局部搜索和随机游走,若满足则将最优的权重值和参数进行更新替代,利用训练交通数据进行神经网络的正向传播过程,根据梯度下降算法误差反向传播调整参数,判断设置的最大迭代次数是否达到,若达到迭代次数的最大值,则停止迭代,并输出最优的结果,若未达成则根据设定的阈值判断进行空间搜索的条件,然后在空间中更新新蝙蝠的位置,重新进行输出判断。
S3:建立多目标动态路径规划算法,计算出多目标最优路径集合,提供最优路径。
更进一步的,建立多目标动态路径规划算法,计算出多目标最优路径集合包括建立时序路网模型,根据交叉口节点和路段信息,建立时序路网模型表示为:
;
其中,P表示道路路网结构,表示交叉口节点,表示路段信息,/>表示在路段/>的权重值,结合时序交通流预测结果,建立权重函数模型用于获取不同路段上的权重值,表示为:
;
其中,表示权重因子,/>表示在路段bc上在第t时间段上的权重值,/>表示路段bc在t时刻上的车流密度,/>表示用户车辆在bc路段上的行驶速度,/>表示用户车辆在bc路段上的排放量,建立动态路径的实时诱导模型,利用算法进行动态最短路径的计算,使用/>算法进行最优路径判断的估计函数表示为:
;
其中,表示权重值,/>表示bc路段在第/>个时段的启发值,/>表示从当前位置到遍历过的位置的代价值,建立最优成本模型,表示为:
;
确定起始点至终点之间的最优路径集合。
应说明的是,建立起始点与终止点之间的最优路径数据库,将不同用户出行时的交通流环境信息以及最优路径信息进行定时存储。当遇到下一次同样场景以及交通环境时,可以直接调用,或者后续可以针对上班人群经常行驶的路线进行数据分析,可用于后续开发研究。云平台经过计算输出多条最优路径,这些路径因为考虑出行时间、车辆速度、车辆能耗等因素,就会导致侧重点有所不同,所以供用户由用户自身所处情境进行选择。然后将结果传输给用户驾驶的智能网联车导航上进行路径引导。
实施例2
参照图5,为本发明的一个实施例,提供了一种适于多维尺度的协同感知环境的动态路径诱导方法,为了验证本发明的有益效果,通过经济效益计算和仿真实验进行科学论证。
如图5所示的路网中,表示路网各交叉口,/>表示路网中各路段的信息。现如今路网中有起点O和终点D,想要从O点行驶至D点。
表1 为路段环境数据表
首先,用户从O点出发前往D点,系统在t时刻获取到的路网上的车流密度,平均车速以及排放如表中所示,然后根据专利中所提预测模型预算t+1时刻路网中的信息。如果权值因子分别为0.3、0.4、0.2、0.1。
对于t时刻各路径的成本为,
线路1的最优成本,Z1=a12+a23+a36+a69=8231.36;
线路2的最优成本,Z2=a12+a25+a56+a69=9481.44;
线路3的最优成本,Z3=a12+a25+a58+a89=9300.16;
线路4的最优成本,Z4=a14+a45+a56+a69=9939.28;
线路5的最优成本,Z5=a14+a45+a58+a89=9758;
线路6的最优成本,Z6=a14+a47+a78+a89=8103.2;
综上所述,在t时刻,路网中前往D点的最优路线是Z6,然后行驶至n4。然后到达下一节点后。计算t+1时刻的路径成本,实时更新最优路径。
对于t+1时刻个路径的成本为,
线路7的最优成本为,Z7=a45+a25+a23+a36+a69=11364.3;
线路8的最优成本为,Z8=a45+a56+a69=8947.52;
线路9的最优成本为,Z9=a45+a58+a89=8829.368;
线路10的最优成本为,Z10=a47+a78+a89=7507.28;
综上所述,在t+1时刻,在路网中前往D点的最优路线是Z10,然后以此类推,找到O到D的最优路径。
实施例3
参照图6,为本发明的一个实施例,提供了一种适于多维尺度的协同感知环境的动态路径诱导系统,包括:环境感知模块,信息交互模块,数据处理模块,判断决策模块,数据储存模块。
其中环境感知模块用于实时监控路网上交通流的信息、实时监测车辆的车速信息以及尾气排放信息,并将信息以视频、照片或者相关数据的形式传输给其他的模块;信息交互模块用于实现车辆内部之间的通信、车与车之间的通信以及车与平台之间的通信;数据处理模块用于将路侧车路协同设施获取到的车辆ID、经纬度、车速、行驶方向等信息以矩阵的形式进行存储;判断决策模块用于对来自数据处理模块处理的信息进行判断决策,考虑路段行驶时间、考虑车辆行驶速度、考虑汽车排放等目标,结合上面获取、处理的实时路网信息,进行用户最优路径决策,并将决策结果传输给用户,诱导用户前往目的地;数据储存模块通过建立相关数据库,对相关的数据进行存储。
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、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
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:具有一个或多个布线的电连接部(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程序,然后将其存储在计算机存储器中。
应当理解,本发明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,多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。例如,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。应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.适于多维尺度的协同感知环境的动态路径诱导方法,其特征在于,包括:
通过车载视觉传感器和雷达传感器采集车辆周围的数据,利用路侧基础设施采集路网的数据,进行数据融合,实现环境感知;
对传输的数据进行处理,提取多目标特征值,更新路网上的模型参数,并依据融合特征信息进行时序交通流预测;
建立多目标动态路径规划算法,计算出多目标最优路径集合,提供最优路径;
所述环境感知包括车辆自身以及周围网联车辆搭载的传感器,将车辆自身周围的环境信息进行获取,通过高精度地图获取整体路网的结构信息;
所述整体路网的结构信息包括路网中车道级路面信息和交叉口的路径信息和距离信息,建立交叉口节点集合以及路段集合/>,其中,n表示路网中交叉口,/>,/>表示节点b至节点c之间的有向线段,若两个节点之间不连接,则两者之间的距离为/>,节点集合与路段集合组成路网信息(N,M),将数据运输至云平台;
所述将数据运输至云平台包括将车辆周围的环境信息、路网上的实时交通流信息以及交通状况信息传输至车辆、路侧基站以及云平台,通过路侧基站、路侧设备RSU、DSRC或5G-V2X,进行与自身车辆、周围车辆以及云平台之间的直接通信;
通过基于蝙蝠算法的小波神经网络进行短时交通流预测,小波神经网络中的小波基函数使用Morlet小波基函数表示为:
;
其中,x表示输入层的输入,为隐含层节点j的输出值,隐含层的输出表示为:
;
其中,为输入值,/>为隐含层第/>个神经元结点输出值,hj是小波基函数,/>为输入层节点/>与隐藏层节点/>的连接权重,/>为小波基函数平移因子,/>为小波基函数伸缩因子,神经网络输出层输出表示为:
;
其中,为输出值,h(i)是隐含层节点的输出值,/>为输入层节点数,/>为隐含层节点/>与输出层节点的连接权重。
2.如权利要求1所述的适于多维尺度的协同感知环境的动态路径诱导方法,其特征在于:所述更新路网上的模型参数包括根据数据信息进行分类将场景分为城镇、郊区以及乡村,天气类型分为晴天、雨天以及阴天,道路结构类型分为高速路、快速路、水泥路以及泥土路,进行特征提取,使用单帧数据利用感知前后的数据信息构建多模态感知信息,表示由用户驾驶的智能网联车、路网上进行的信息感知、进行信息交互的智能网联车以及路侧基础设施获取的感知信息,将车载传感器、路侧感知设备获取的原始信息,以及特征提取获得的特征信息与获取的时序信息进行多维度数据融合。
3.如权利要求2所述的适于多维尺度的协同感知环境的动态路径诱导方法,其特征在于:所述依据融合特征信息进行时序交通流预测包括输入原始的交通流数据,划分训练数据集以及测试数据集,随机赋值给小波神经的权重值和参数,初始化蝙蝠算法,随机选择一组训练集数据放入小波神经网络中,将预测的值与真实值之间的差作为适应度函数值,根据设定的阈值判断进行空间搜索的条件,在空间中更新新蝙蝠的位置设定随机概率进行新的局部搜索,跳至最佳解的附近位置进行随机游走,判断是否满足终止条件,若不满足则继续进行随机概率设定并进行新的局部搜索和随机游走,若满足则将最优的权重值和参数进行更新替代,利用训练交通数据进行神经网络的正向传播过程,根据梯度下降算法误差反向传播调整参数,判断设置的最大迭代次数是否达到,若达到迭代次数的最大值,则停止迭代,并输出最优的结果,若未达成则根据设定的阈值判断进行空间搜索的条件,然后在空间中更新新蝙蝠的位置,重新进行输出判断。
4.如权利要求3所述的适于多维尺度的协同感知环境的动态路径诱导方法,其特征在于:所述建立多目标动态路径规划算法,计算出多目标最优路径集合包括建立时序路网模型,根据交叉口节点和路段信息,建立时序路网模型表示为:
;
其中,P表示道路路网结构,表示交叉口节点,表示路段信息,/>表示在路段/>的权重值,结合时序交通流预测结果,建立权重函数模型用于获取不同路段上的权重值,表示为:
;
其中,表示权重因子,/>表示在路段bc上在第t时间段上的权重值,表示路段bc在t时刻上的车流密度,/>表示用户车辆在bc路段上的行驶速度,表示用户车辆在bc路段上的排放量,建立动态路径的实时诱导模型,利用/>算法进行动态最短路径的计算,使用/>算法进行最优路径判断的估计函数表示为:
;
其中,表示权重值,/>表示bc路段在第/>个时段的启发值,/>表示从当前位置到遍历过的位置的代价值,建立最优成本模型,表示为:
;
确定起始点至终点之间的最优路径集合。
5.如权利要求4所述的适于多维尺度的协同感知环境的动态路径诱导方法,其特征在于:所述提供最优路径包括云平台将最优路径发送至用户,并记录不同用户出行时的交通流环境信息以及最优路径信息进行定时存储,当场景以及交通环境相同时,调用路线方案。
6.一种采用如权利要求1~5任一所述的适于多维尺度的协同感知环境的动态路径诱导方法的系统,其特征在于:包括环境感知模块,信息交互模块,数据处理模块,判断决策模块,数据储存模块;
所述环境感知模块用于实时监控路网上交通流的信息、实时监测车辆的车速信息以及尾气排放信息,并将信息以视频、照片或者相关数据的形式传输给其他的模块;
所述信息交互模块用于实现车辆内部之间的通信、车与车之间的通信以及车与平台之间的通信;
所述数据处理模块用于将路侧车路协同设施获取到的车辆ID、经纬度、车速、行驶方向信息以矩阵的形式进行存储;
所述判断决策模块用于对来自数据处理模块处理的信息进行判断决策,考虑路段行驶时间、考虑车辆行驶速度、考虑汽车排放目标,结合上面获取、处理的实时路网信息,进行用户最优路径决策,并将决策结果传输给用户,诱导用户前往目的地;
所述数据储存模块通过建立相关数据库,对相关的数据进行存储。
7.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,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5中任一项所述的适于多维尺度的协同感知环境的动态路径诱导方法的步骤。
8.一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5中任一项所述的适于多维尺度的协同感知环境的动态路径诱导方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410022260.2A CN117521937B (zh) | 2024-01-08 | 2024-01-08 | 适于多维尺度的协同感知环境的动态路径诱导方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410022260.2A CN117521937B (zh) | 2024-01-08 | 2024-01-08 | 适于多维尺度的协同感知环境的动态路径诱导方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117521937A true CN117521937A (zh) | 2024-02-06 |
CN117521937B CN117521937B (zh) | 2024-05-07 |
Family
ID=89746150
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410022260.2A Active CN117521937B (zh) | 2024-01-08 | 2024-01-08 | 适于多维尺度的协同感知环境的动态路径诱导方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117521937B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117894201A (zh) * | 2024-03-11 | 2024-04-16 | 湘江实验室 | 基于全局交通信息的道路交通引导方法、装置及相关设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107103397A (zh) * | 2017-06-26 | 2017-08-29 | 广东工业大学 | 一种基于蝙蝠算法的交通流预测方法、装置及系统 |
CN109035766A (zh) * | 2018-07-13 | 2018-12-18 | 北京工业大学 | 一种车联网环境下考虑可变周期的动态交通控制与诱导协同优化方法 |
CN114463977A (zh) * | 2022-02-10 | 2022-05-10 | 北京工业大学 | 一种基于车路协同多源数据融合交通流预测的路径规划方法 |
CN116678394A (zh) * | 2023-05-10 | 2023-09-01 | 华东计算技术研究所(中国电子科技集团公司第三十二研究所) | 基于多传感器信息融合实时动态智能路径规划方法及系统 |
-
2024
- 2024-01-08 CN CN202410022260.2A patent/CN117521937B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107103397A (zh) * | 2017-06-26 | 2017-08-29 | 广东工业大学 | 一种基于蝙蝠算法的交通流预测方法、装置及系统 |
CN109035766A (zh) * | 2018-07-13 | 2018-12-18 | 北京工业大学 | 一种车联网环境下考虑可变周期的动态交通控制与诱导协同优化方法 |
CN114463977A (zh) * | 2022-02-10 | 2022-05-10 | 北京工业大学 | 一种基于车路协同多源数据融合交通流预测的路径规划方法 |
CN116678394A (zh) * | 2023-05-10 | 2023-09-01 | 华东计算技术研究所(中国电子科技集团公司第三十二研究所) | 基于多传感器信息融合实时动态智能路径规划方法及系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117894201A (zh) * | 2024-03-11 | 2024-04-16 | 湘江实验室 | 基于全局交通信息的道路交通引导方法、装置及相关设备 |
Also Published As
Publication number | Publication date |
---|---|
CN117521937B (zh) | 2024-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109000668B (zh) | 基于车联网的实时智能导航方法 | |
CN110376594B (zh) | 一种基于拓扑图的智能导航的方法和系统 | |
CN110361024A (zh) | 利用车辆组标识的动态车道级车辆导航 | |
CN109000676B (zh) | 一种vanet环境下结合预测信息的路径规划方法 | |
CN117521937B (zh) | 适于多维尺度的协同感知环境的动态路径诱导方法及系统 | |
KR20150128712A (ko) | 차량 라우팅 및 교통 관리를 위한 차선 레벨 차량 내비게이션 | |
CN107490384B (zh) | 一种基于城市路网的最优静态路径选择方法 | |
WO2021082464A1 (zh) | 预测车辆的目的地的方法和装置 | |
CN110836675B (zh) | 一种基于决策树的自动驾驶搜索决策方法 | |
CN104121918A (zh) | 一种实时路径规划的方法和系统 | |
CN109959388A (zh) | 一种基于栅格扩展模型的智能交通精细化路径规划方法 | |
CN109902899A (zh) | 信息生成方法和装置 | |
CN112991743B (zh) | 基于行驶路径的实时交通风险ai预测方法及其系统 | |
CN109272745A (zh) | 一种基于深度神经网络的车辆轨迹预测方法 | |
CN112801399B (zh) | 一种路径生成方法、装置、终端设备及存储介质 | |
Pecher et al. | Data-driven vehicle trajectory prediction | |
Nadeem et al. | Performance analysis of a real-time adaptive prediction algorithm for traffic congestion | |
CN117546218A (zh) | 用于交通预测的分布式多任务机器学习 | |
Menguc et al. | A Data Driven Approach to Forecasting Traffic Speed Classes Using Extreme Gradient Boosting Algorithm and Graph Theory | |
CN103906077A (zh) | 基于近邻传播算法的路侧单元放置方法 | |
Sinha et al. | Sustainable time series model for vehicular traffic trends prediction in metropolitan network | |
CN114419917B (zh) | 一种基于单向图的交通拥堵疏导方法及系统 | |
Habibi et al. | An Intelligent Traffic Light Scheduling Algorithm by using fuzzy logic and gravitational search algorithm and considering emergency vehicles | |
Zhou et al. | Design of intelligent carpooling program based on big data analysis and multi-information perception | |
Al-Ezaly et al. | An innovative traffic light recognition method using vehicular ad-hoc networks |
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 |