一种融合实时路况与用户驾驶习性的动态路径规划方法与流程

本发明涉及智能交通，具体地说，涉及一种融合实时路况与用户驾驶习性的动态路径规划方法。

背景技术：

1、现有动态路径规划方法通常通过交通云、浮动车、路侧设备获取实时路况，以通行时间、距离、拥堵程度为代价，采用a、dlite等算法搜索路径，部分方法根据用户历史轨迹学习简单偏好，例如偏好高速、避开收费站、少走拥堵路段，并在路径代价中叠加固定或半固定权重，随着地面增强系统、rtk/ppp-rtk、v2x和高精度地图的发展，车辆已具备车道级定位与车道级路况获取能力，但现有路径规划仍多停留在路段级，未充分利用车道级定位、信号相位、排队长度、路口转向概率等信息。

2、现有技术主要存在两个问题，其一，路径规划粒度粗且个性化不足，传统导航以路段为基本单元，合并处理路段内不同车道和转向，无法区分同一路段中直行、左转、右转及不同车道的通行差异，用户习性建模多依赖历史频率或手动权重，难以表达起步反应、变道厌恶、无保护左转顾虑、复杂路口谨慎度等深层习惯，实时路况与用户习性多为独立权重简单叠加，未形成统一代价模型，导致同一路口不同驾驶员的通过策略差异较大；高精度定位、车道级地图和v2x数据也未充分进入路径搜索核心，其二，路况预测误差处理不足，缺乏闭环预演和个性化风险控制，现有方法多按期望最优或确定性预测规划，未考虑预测误差分布，一旦实际路况与预测偏差，路径质量急剧下降；同时缺乏对用户实际驾驶行为的闭环预演，难以预测个性化通行时间、能耗、风险、疲劳和舒适度；风险处理多采用固定阈值或软惩罚，无法设置个性化风险预算，难以兼顾保守型与激进型用户的不同需求。

3、基于此，本发明公开了一种融合实时路况与用户驾驶习性的动态路径规划方法。

技术实现思路

1、为解决背景技术中提出的问题，本发明提供了一种融合实时路况与用户驾驶习性的动态路径规划方法，其包括

2、s1，通过地面增强系统获取车辆的高精度车道级定位信息，所述高精度车道级定位信息包括车道号、航向、速度及定位置信度，通过v2x通信获取v2x数据，并通过交通云、浮动车和路侧设备中的至少一种获取实时路况数据，所述v2x数据和所述实时路况数据包括信号相位、排队长度、车道级通过概率和路口转向概率，其中；

3、s2，从车辆总线、惯性测量单元、卫星导航数据、历史轨迹数据和驾驶操作数据中提取用户驾驶习性参数，并根据所述用户驾驶习性参数构建个性化动态风险势场，其中，为车道、为转向、为时间，所述个性化动态风险势场为道路势场、障碍势场、拥堵势场、风险势场、舒适势场和v2x通过概率势场的加权和，各权重根据所述用户驾驶习性参数在线调整且权重之和为1；

4、将所述车道级通过概率以负对数形式注入所述个性化动态风险势场，得到：其中，越低，越高，路径搜索越倾向于避开对应的车道或转向；

5、s3，构建车道级路网与转向图，将搜索状态定义为：，根据注入后的个性化动态风险势场更新车道和转向的动态代价，边代价满足：其中，、、、，为通行时间，为能耗，为风险，为个性化动态风险势场，、、、分别为对应的参考值，、、、为代价权重，且=1；

6、在所述车道级路网与转向图中采用势场引导的a算法，以更新后的动态代价进行路径搜索，输出车道级行车路径、路口转向序列和变道时机建议；所述势场引导的a算法的评价函数为：，其中为从起点到当前状态的已走代价，为启发函数，，为当前状态到目标点的路网距离，为当前路段历史最大速度，该启发函数满足可采纳性；所述变道时机建议包括建议变道车道、建议变道时刻或建议变道区间；

7、s4，实时监测动态重规划触发条件，当满足所述动态重规划触发条件时，复用已有搜索树进行动态重规划，并输出更新后的车道级行车路径、路口转向序列和变道时机建议，所述动态重规划触发条件包括通行时间变化超过10%、车道级通过概率下降超过20%、车辆偏离推荐路径超过预设距离、事故、施工和信号相位突变中的至少一种。

8、作为本技术方案的进一步改进，所述地面增强系统包括地基增强基准站、rtk/ppp-rtk差分服务播发端和车载高精度定位模块，所述高精度车道级定位信息的定位精度为厘米级至分米级，所述v2x数据通过车载单元obu与路侧单元rsu通信获取spat消息和map消息，所述车道级通过概率表示时刻在指定车道以指定转向通过路口的概率，当所述定位置信度低于预设置信度阈值时，采用惯性测量单元数据和车辆轮速数据对车道级定位信息进行补偿，所述预设置信度阈值为0.8至0.95。

9、作为本技术方案的进一步改进，s2中所述用户驾驶习性参数包括起步反应时间、跟车时距、变道厌恶度、无保护左转厌恶度、曲率敏感度、拥堵容忍度、复杂路口谨慎度、能耗敏感度、迟到风险容忍度和夜间风险偏好；所述用户驾驶习性参数通过逆强化学习在线更新，所述逆强化学习以历史轨迹中的状态-动作对为输入，以驾驶习性参数为输出，通过最大化专家轨迹与学习策略轨迹的似然度求解，所述逆强化学习采用神经网络作为策略函数逼近器，所述神经网络的输入层维度为状态特征数，输出层维度为驾驶习性参数个数，隐藏层为两层全连接层，激活函数为relu函数，损失函数为专家轨迹与学习策略轨迹的负对数似然，优化器为adam优化器，学习率为0.0013，批次大小为52，训练轮数为118，所述在线调整包括：变道厌恶度增大时，增大舒适势场中变道惩罚系数，无保护左转厌恶度增大时，增大左转转向对应的风险势场；拥堵容忍度降低时，增大拥堵势场权重；能耗敏感度增大时，增大边代价中的能耗权重。

10、作为本技术方案的进一步改进，s2中所述道路势场由车道曲率、坡度、车道数、路口复杂度的归一化值加权得到，所述障碍势场由事故、施工、大型车辆、弱势交通参与者的归一化值加权得到，所述拥堵势场由排队长度、信号等待时间、停车次数的归一化值加权得到，所述风险势场由碰撞风险、违章风险、疲劳风险的归一化值加权得到，所述舒适势场由变道次数、加减速频率、路面颠簸程度的归一化值加权得到，各归一化值分别为对应物理量与其预设最大值之比，取值范围均为0至1，各加权系数通过离线标定或在线最小二乘拟合确定，所述离线标定为在仿真环境中遍历各加权系数的取值组合，以路径规划综合代价最小为目标选取最优加权系数，所述在线最小二乘拟合为以实时采集的驾驶操作数据为观测值，以各子势场的归一化值为自变量，通过递推最小二乘法求解加权系数。

11、作为本技术方案的进一步改进，所述个性化动态风险势场的构建、所述车道级通过概率的注入以及所述势场引导的a*算法的路径搜索部署在移动边缘计算节点上，所述移动边缘计算节点通过低时延链路分别与所述地面增强系统和所述v2x通信模块连接，所述低时延链路的端到端时延小于10毫秒，所述移动边缘计算节点将输出车道级行车路径、路口转向序列和变道时机建议发送至车载导航终端，所述移动边缘计算节点与云端服务器协同工作，所述移动边缘计算节点执行实时性要求高的势场构建和路径搜索，所述云端服务器执行数字孪生模型训练和全局路网优化，所述移动边缘计算节点与所述云端服务器之间的数据同步采用增量同步方式，仅同步发生变化的路网数据和用户驾驶习性参数。

12、作为本技术方案的进一步改进，s4中所述预设距离为50米至200米，所述动态重规划触发条件还包括用户驾驶习性漂移检测值超过阈值，所述用户驾驶习性漂移检测值通过比较当前时间窗口与历史时间窗口内用户驾驶习性参数的均值偏差和方差偏差得到，当所述均值偏差或所述方差偏差超过对应阈值时，触发动态重规划，所述信号相位突变包括当前信号相位与v2x预测信号相位之间的偏差超过预设相位偏差阈值，所述预设相位偏差阈值为秒至。

13、作为本技术方案的进一步改进，t1，通过地面增强系统获取车辆的高精度车道级定位信息，所述高精度车道级定位信息包括车道号、航向、速度及定位置信度，从车辆总线、惯性测量单元、卫星导航数据、历史轨迹数据和驾驶操作数据中提取用户驾驶习性参数，根据所述用户驾驶习性参数构建用户驾驶数字孪生模型，所述用户驾驶数字孪生模型包括反应时间、跟车时距、变道偏好、加速刹车风格、能耗特性、疲劳累积、风险敏感度、拥堵容忍度、收费敏感度和舒适度偏好，所述用户驾驶数字孪生模型通过行为克隆或逆强化学习训练得到，训练数据为历史轨迹中的状态-动作序列；

14、t2，构建实时路况不确定分布集合，所述不确定分布集合采用场景集、wasserstein球、区间分布和混合高斯分布中的至少一种构建，当采用wasserstein球时，球半径根据实时路况预测误差的置信水平确定，对候选路径在不确定路况场景下计算综合代价，所述综合代价由时间、能耗、舒适度、风险、疲劳和收费的归一化值加权得到，各权重之和为1；

15、t3，采用分布鲁棒与条件风险价值cvar优化模型：其中，为不确定分布集合中的分布，为在分布下的期望，为分布下置信水平的条件风险价值：；

16、其中，为用户风险预算参数，和根据所述用户驾驶习性参数设置，所述cvar优化模型通过线性规划或随机梯度下降法求解；

17、t4，对多条候选路径在所述用户驾驶数字孪生模型中进行影子仿真，所述影子仿真是指在所述用户驾驶数字孪生模型中并行模拟车辆沿候选路径行驶的过程，采用gpu并行计算，仿真时间步长为0.1秒，场景采样数量为1000个，得到每条候选路径的个性化通行时间、能耗、舒适度、风险、疲劳和收费预演结果，根据所述预演结果采用nsga-ii算法生成帕累托最优路径集，并在用户未交互时根据所述用户驾驶习性参数确定多目标权重，从所述帕累托最优路径集中选择加权综合代价最小的路径；

18、t5，将实际行驶结果反馈至所述用户驾驶数字孪生模型和所述用户驾驶习性参数，进行闭环更新，当实时路况变化或实际行驶偏离推荐路径时，触发动态重规划，并复用已有影子仿真结果；

19、其中，所述候选路径由权利要求1至6中任一项所述方法生成的车道级行车路径构成，或者由权利要求1至6中任一项所述方法生成的车道级行车路径与历史常用路径共同构成。

20、作为本技术方案的进一步改进，高精度定位与v2x数据获取模块，被配置为通过地面增强系统获取车辆的高精度车道级定位信息，并通过v2x通信获取v2x数据，以及通过交通云、浮动车和路侧设备中的至少一种获取实时路况数据，所述高精度车道级定位信息包括车道号、航向、速度及定位置信度；所述v2x数据和所述实时路况数据包括信号相位、排队长度、车道级通过概率和路口转向概率，其中；

21、驾驶习性与势场构建模块，被配置为从车辆总线、惯性测量单元、卫星导航数据、历史轨迹数据和驾驶操作数据中提取用户驾驶习性参数，并根据所述用户驾驶习性参数构建个性化动态风险势场，并将所述车道级通过概率以注入所述个性化动态风险势场；

22、车道级势场搜索与重规划模块，被配置为构建车道级路网与转向图，将搜索状态定义为：，根据注入后的个性化动态风险势场更新车道和转向的动态代价，边代价满足，其中，，，，采用势场引导的a*算法进行路径搜索，输出车道级行车路径、路口转向序列和变道时机建议，并在满足动态重规划触发条件时复用已有搜索树进行动态重规划；

23、数字孪生与鲁棒优化模块，被配置为构建用户驾驶数字孪生模型，构建实时路况不确定分布集合，对候选路径进行影子仿真，采用分布鲁棒与cvar优化模型求解路径，并根据实际行驶结果闭环更新所述用户驾驶数字孪生模型和所述用户驾驶习性参数；

24、所述高精度定位与v2x数据获取模块将所述高精度车道级定位信息、所述v2x数据和所述实时路况数据输出至所述驾驶习性与势场构建模块，所述驾驶习性与势场构建模块将所述个性化动态风险势场输出至所述车道级势场搜索与重规划模块，所述车道级势场搜索与重规划模块输出所述车道级行车路径、所述路口转向序列和所述变道时机建议，所述数字孪生与鲁棒优化模块接收所述车道级行车路径并进行影子仿真和鲁棒优化，输出个性化车道级导航路径，所述系统用于执行权利要求1至7中任一项所述的方法。

25、与现有技术相比，本发明的有益效果：

26、1、本发明将路径规划从路段级推进到车道级和路口转向级，并将用户驾驶习性映射为个性化动态风险势场，使导航路径能够自动适配用户习惯，减少手动设置，提高路径与用户实际驾驶行为的匹配度，改善路口通行体验和驾驶舒适性。

27、2.本发明通过分布鲁棒与条件风险价值cvar优化，并结合用户驾驶数字孪生和影子仿真形成闭环预演，能够有效处理实时路况预测误差，为不同用户提供个性化风险控制，增强路径在不确定路况下的稳健性，降低风险暴露，兼顾通行效率与安全。

28、3.本发明采用移动边缘计算与云端协同部署，满足实时路径规划的时延要求，并具备在v2x通信中断等异常场景下的降级运行能力，保证系统持续可用，同时降低能耗和排放，具备良好的产业应用前景。