基于动态路径规划的停车导航方法、装置、设备和介质与流程
本公开的实施例涉及计算机,具体涉及基于动态路径规划的停车导航方法、装置、设备和介质。
背景技术:
1、随着机动车保有量持续增长,城市核心商圈、交通枢纽周边“停车难、找位慢”已成为影响路网通行效率的突出痛点。目前,通常采用的方式为:依赖用户主动查询周边停车场剩余车位数,基于静态地图导航至停车场入口后,再由驾驶员在场内盲目巡泊寻找空位,部分系统仅提供单一停车场内部的最短路径规划。
2、然而,当采用上述方式来进行城市场景下的停车导航时,经常会存在如下技术问题:
3、第一,路侧、场库及潮汐车位数据分散,形成数据孤岛。用户盲目巡泊导致无效行驶增加,浪费用户的时间与车辆的燃油或电力能源,同时加剧了城市道路空间的无效占用;第二,现有规划基于静态路网,未融合红绿灯等待与拥堵约束,且无法预判车位空闲状态。用户导航至停车场后发现车位已被占用,需重新规划目标并绕行,重复往返直接推高通行时间成本与车辆能源消耗;第三,室外城市道路导航与室内泊车引导相互割裂。车辆进入地下车库后卫星信号丢失,导航中断,用户需自行在场内复杂通道环境中寻位,这一过程中多次启停、低速巡游及错误转向,显著增加燃油消耗。
4、该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解,并因此,其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
技术实现思路
1、本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
2、本公开的一些实施例提出了基于动态路径规划的停车导航方法、装置、设备和介质,来解决以上背景技术部分提到的技术问题。
3、第一方面,本公开的一些实施例提供了一种基于动态路径规划的停车导航方法,包括:实时采集城市场景中的多源感知数据,以及对上述多源感知数据进行归一化处理,得到标准化特征向量,上述多源感知数据包括车位状态数据、车流速度数据、路网距离数据、停车经济成本数据和红绿灯时长数据;基于上述标准化特征向量和预设的时空融合ai模型,确定目标区域内各个停车位在未来多时段的空闲概率信息,以生成各个停车位的空闲概率序列;根据上述各个停车位的空闲概率序列和预设的多维量化评分规则,确定各个停车位的综合评分信息,以及根据上述各个停车位的综合评分信息,生成候选停车位集合;基于上述候选停车位集合和城市动态路网数据,利用第一目标算法,生成对应的场内泊车路径和室外导航路径;根据停车场内部实时环境感知数据,对上述场内泊车路径进行实时避障调整,生成场内避障路径;对上述室外导航路径和上述场内避障路径进行融合,以生成一体化导航路径,以及根据上述一体化导航路径,执行正向入库导航与反向寻车路径规划,以完成停车导航。
4、第二方面,本公开的一些实施例提供了一种基于动态路径规划的停车导航装置,包括:处理单元,被配置成实时采集城市场景中的多源感知数据,以及对上述多源感知数据进行归一化处理,得到标准化特征向量,上述多源感知数据包括车位状态数据、车流速度数据、路网距离数据、停车经济成本数据和红绿灯时长数据;第一确定单元,被配置成基于上述标准化特征向量和预设的时空融合ai模型,确定目标区域内各个停车位在未来多时段的空闲概率信息,以生成各个停车位的空闲概率序列;第二确定单元,被配置成根据上述各个停车位的空闲概率序列和预设的多维量化评分规则,确定各个停车位的综合评分信息,以及根据上述各个停车位的综合评分信息,生成候选停车位集合;第一生成单元,被配置成基于上述候选停车位集合和城市动态路网数据,利用第一目标算法,生成对应的场内泊车路径和室外导航路径;第二生成单元,被配置成根据停车场内部实时环境感知数据,对上述场内泊车路径进行实时避障调整,生成场内避障路径;执行单元,被配置成对上述室外导航路径和上述场内避障路径进行融合,以生成一体化导航路径,以及根据上述一体化导航路径,执行正向入库导航与反向寻车路径规划,以完成停车导航。
5、第三方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
6、第四方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
7、本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的基于动态路径规划的停车导航方法,可以实现车位预判与室内外无缝导航,以此节约时间与能源消耗。具体来说,造成无效巡泊与能源浪费的原因在于:各类停车资源数据分散于不同管理系统,用户无法获知全域车位动态信息;同时,缺乏对未来车位空闲趋势的预判,导致已规划的泊位常被他人占用,迫使车辆重复绕行。这些因素相互叠加,使得寻位行为转化为无效通行,造成时间与能源的持续浪费。基于此,本公开的一些实施例的基于动态路径规划的停车导航方法,首先,实时采集城市场景中的多源感知数据,以及对上述多源感知数据进行归一化处理,得到标准化特征向量,上述多源感知数据包括车位状态数据、车流速度数据、路网距离数据、停车经济成本数据和红绿灯时长数据。通过采集五大类多源感知数据并进行归一化处理,消除车流速度、距离、费用、时长等异构特征之间的量纲差异,使多源数据在统一标准下融合,为后续ai模型提供规范化的输入特征,保障模型训练稳定性与预测精度。然后,基于上述标准化特征向量和预设的时空融合ai模型,确定目标区域内各个停车位在未来多时段的空闲概率信息,以生成各个停车位的空闲概率序列。通过时空融合ai模型(图神经网络聚合空间关联+transformer建模时序依赖)预测各停车位未来多时段的空闲概率,将被动找位转变为主动预判,避免用户抵达后目标车位已被占用而被迫重复绕行,有效节约时间与能源消耗。再然后,根据上述各个停车位的空闲概率序列和预设的多维量化评分规则,确定各个停车位的综合评分信息,以及根据上述各个停车位的综合评分信息,生成候选停车位集合。通过多维量化评分规则对空闲概率、通行距离、停车成本和用户偏好进行加权融合,以量化方式从全域车位中筛选出综合得分最优的候选车位集合,实现车位遴选的标准化与可复现性,提升车位推荐精准度。其次,基于上述候选停车位集合和城市动态路网数据,利用第一目标算法,生成对应的场内泊车路径和室外导航路径。通过改进第一目标算法分别求解室外城市道路与室内停车场双路径,融入红绿灯等待时延、实时拥堵等级等动态交通约束,实现室外避堵与室内路径最优的双重目标,保障端到端通行效率。再次,根据停车场内部实时环境感知数据,对上述场内泊车路径进行实时避障调整,生成场内避障路径。基于停车场内部实时环境感知数据(静态障碍物地图与动态障碍物时序数据),对场内泊车路径进行逐帧避障修正,确保车辆在低速、多障碍、人车混行的复杂场内环境中安全平滑通过。最后,对上述室外导航路径和上述场内避障路径进行融合,以生成一体化导航路径,以及根据上述一体化导航路径,执行正向入库导航与反向寻车路径规划,以完成停车导航。通过将室外导航路径与场内避障路径无缝拼接,配合室内外定位平滑切换,形成一体化导航路径,并支持泊车落位自动存位与离场时一键反向寻车,实现正向入库导航与反向寻车引导的完整闭环。基于此,可以实现车位预判与室内外无缝导航,以此节约时间与能源消耗。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com