CN110146102B - 路径规划方法、装置、设备和存储介质 - Google Patents
路径规划方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN110146102B CN110146102B CN201910482413.0A CN201910482413A CN110146102B CN 110146102 B CN110146102 B CN 110146102B CN 201910482413 A CN201910482413 A CN 201910482413A CN 110146102 B CN110146102 B CN 110146102B
- Authority
- CN
- China
- Prior art keywords
- task
- sequence
- edge
- served
- matrix
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 239000011159 matrix material Substances 0.000 claims abstract description 106
- 238000004364 calculation method Methods 0.000 claims abstract description 27
- 239000013598 vector Substances 0.000 claims description 44
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 238000013507 mapping Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation 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
- G01C21/3407—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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种路径规划方法、装置、设备和存储介质。该方法方包括:根据服务请求确定待服务任务边;基于所述待服务任务边确定任务矩阵;根据所述任务矩阵和预设的路径规划模型确定规划路径。本发明实施例的技术方案,通过对以任务边作为提供服务的最小单位,可提高路径规划效率,提高无人快递车的运送效率,可降低计算开销。
Description
技术领域
本发明实施例涉及计算机应用技术领域,尤其涉及一种路径规划方法、装置、设备和存储介质。
背景技术
随着现代生活的发展,快递的出现使得人类生活变得愈加便利,当前无人快递车成为快递领域的研究重点,无人快递车需要自动行驶到客户处收发快递,但是由于无人快递车容量固定,一旦装满或者卸空,无人快递车需要返回仓库装卸快递,为了使得无人快递车达到最佳运送效率,每条街道仅服务一次并且总行驶距离最小,需要对无人快递车的服务路径进行规划。
为了解决以上问题时,现有技术中以每个待服务街道作为路径规划的单位,由于服务街道较多,路径规划的规模极大,导致路径规划过程时间过长,需要消耗巨大的计算资源。
发明内容
本发明提供一种路径规划方法、装置、设备和存储介质,以实现路径的高效规划,实现服务效率的提升。
第一方面,本发明实施例提供了一种路径规划方法,包括:
根据服务请求确定待服务任务边;
基于所述待服务任务边确定任务矩阵;
根据所述任务矩阵和预设的路径规划模型确定规划路径。
第二方面,本发明实施例提供了一种路径规划装置,包括:
任务边确定模块,用于根据服务请求确定待服务任务边;
矩阵确定模块,用于基于所述待服务任务边确定任务矩阵;
路径生成模块,用于根据所述任务矩阵和预设的路径规划模型确定规划路径。
第三方面,本发明实施例提供了一种设备,包括:
一个或多个处理器;
存储器,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本发明实施例中任一所述的路径规划方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本发明任意实施例所述的路径规划方法。
本发明实施例的技术方案,通过根据服务请求确定待服务任务边,基于待服务任务边生成任务矩阵,根据任务矩阵和预设的路径规划模型确定规划路径,以任务边作为提供服务的最小单位,提高了路径规划效率,可使得提供服务的无人快递车的运送效率提高,降低了计算开销和成本。
附图说明
图1是本发明实施例一提供的一种路径规划方法的流程图;
图2是本发明实施例一提供的一种图结构转换的示意图;
图3是本发明实施例二提供的一种路径规划方法的流程图;
图4是本发明实施例二提供的一种路径规划方法的实例图;
图5是本发明实施例三提供的一种路径规划装置的结构示意图;
图6是本发明实施例四提供的一种设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构,此外,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例一
图1是本发明实施例一提供的一种路径规划方法的流程图,本实施例可适用于无人快递车上门提供服务的情况,该方法可以由路径规划装置来执行,该装置可以采用硬件和/或软件的方式来实现,本发明实施例的方法具体包括如下步骤:
步骤101、根据服务请求确定待服务任务边。
其中,服务请求可以是当用户需要服务时发出的请求,服务请求可以包括服务位置和工作量等,例如可以是用户需要寄送快递的位置和快递的重量,待服务任务边可以是提供服务的最小单位,可以具有长度、任务量和位置等属性,待服务任务边中的顶点可以是仓库,也就是仓库可以位于待服务任务边中,待服务任务边可以是实际的街道边,也可以是由服务请求确定的虚拟边,例如,可以将距离最近的服务请求对应位置的地点连接成的待服务任务边。
具体的,可以获取服务请求,获取服务请求方式可以为间隔固定时间获取一次服务请求,例如每隔24小时获取一次服务请求,可以提取服务请求中的位置和工作量,可以根据位置与实际地图中街道的映射关系将服务请求对应到街道中,并可以将任务量更改街道的任务量,可以将映射有服务请求的街道作为待服务任务边;还可以将服务请求按照请求的位置将距离最近的服务请求连接成待服务任务边。
步骤102、基于所述待服务任务边确定任务矩阵。
其中,任务矩阵可以是用于表征待服务任务边关系和属性的矩阵,可以通过图卷积神经网络将待服务任务边生成任务矩阵使得待服务任务边的信息通过任务矩阵保存。
具体的,可以将待服务任务边进行连接生成待服务图,由于待服务任务边的信息存在于待服务图的边中,为使得通过图卷积神经网络保留待服务任务边的信息,需要对待服务图进行转换,图2是本发明实施例一提供的一种图结构转换的示意图,参见图2,可以将待服务图的边转化为顶点,如果在待服务图中的边与其他边共顶点,可以对应连接转换图中的顶点以生成边,在将待服务图的转化的过程中,由于仓库在待服务图中以顶点的形式存在,在将边转化为点的过程中,以点形式存在的仓库会失去本身携带的属性,可以为待服务图中的仓库构建虚拟边,也就是,可以认为待服务图中仓库处存在一条长度为0的待服务任务边,将待服务图转换后,可以将转化后的待服务图作为图卷积神经网络的输入,可以将输出结果作为任务矩阵,可以理解的是,无需实际对待服务任务边进行连接,可以直接将待服务任务边作为顶点,可以将待服务任务边的长度和位置等可以作为顶点的属性。
步骤103、根据所述任务矩阵和预设的路径规划模型确定规划路径。
其中,路径规划模型可以预先设定神经网络模型,可以以任务矩阵为输入,可以输出包含待服务任务边的序列作为规划路径,预先设定的路径规划模型可以包括编码子模型和解码子模型,编码子模型可以对任务矩阵进行处理,获取与待服务任务边相关的高层次属性信息,例如待服务任务边距仓库的距离、各待服务任务边之间的距离、各待服务边之间的相关程度、待服务任务边的长度、路面状况、油耗、处理服务的速度等属性,解码层可以基于获取的属性信息进行计算,得到无人快递车服务各任务边的不同序列组合对应的可行性概率。
在本发明实施例中,可以将任务矩阵作为路径规划模型的输入,路径规划模型可以基于任务矩阵进行处理和计算,可以根据各任务矩阵中对应各待服务任务边的任务向量依次计算服务概率,可以基于概率确定出服务各待服务任务边的先后顺序从而确定规划路径,例如待服务任务边A、B、C和D,路径规划模型首先确定,第一个要服务边为A、B、C和D的概率分别为0.1、0.2、0.2和0.5,则第一个要服务的就是任务边D;接着路径规划模型确定,要服务的第二个任务为A、B和C的概率分别为0.3、0.4和0.3,则第二个服务的任务边就是B;再接着,路径规划模型确定需要服务的第三个边,它是A和C的概率分别为0.3和0.7,因此要服务的第三条便就是C;最后,服务边A。这样待服务任务边在路径规划模型的输出顺序可以依次为D、B、C、A,可以根据待服务任务边的输出顺序在地图中进行连接,生成规划路径。这里值得注意的是,上面的例子在这假定,载货无人车可以一次装下A、B、C和D任务边上的所有货物,但是实际中无法保证。因此当剩下任务边中的货物量大于无人车的剩余载货空间时,路径规划模型会预测回到仓库卸货的概率最大(实际做法时将仓库假定为一条长度为0,且可多次服务的任务边E,加入到上述的待服务边序列中去)。当所有非仓库的任务边都排定了服务次序,路径规划模型便结束。
本发明实施例的技术方案,通过根据服务请求确定待服务任务边,基于待服务任务边确定任务矩阵,基于任务矩阵和预设的路径规划模型确定规划路径,使得任务边成为进行服务的最小单元,可以使得无人快递车以任务边的形式进行服务,提高了路径规划的效率,可减少计算开销,可提升无人快递车的运送效率。
实施例二
图3是本发明实施例二提供的一种路径规划方法的流程图,本发明实施例是在上述实施例的基础上的优化,在本发明实施例的路径规划方法包括:
步骤201、提取所述服务请求中请求位置。
其中,请求位置可以是用户请求进行服务的位置,例如可以是快递的收货地点或者接受地点,可以根据服务请求中的订单信息生成。
在本发明实施例中,可以定期获取服务请求,可以提取服务请求中需要进行服务的请求位置,请求位置可以是快递的收货位置信息或者送货位置信息,请求位置信息的具体形式可以是经纬度数据,还可以是地址信息。
步骤202、根据所述请求位置将服务请求映射到对应待服务街道,将所述待服务街道作为待服务任务边。
其中,待服务街道可以是实际存在的街道信息,例如北京市海淀区西北旺东路,待服务街道可以以地图的形式进行存储,待服务街道可以包括位置信息和需要进行服务的工作量。
具体的,可以根据请求位置的具***置信息映射到待服务街道中,若请求位置为北京市海淀区西北旺路10号,可以根据具体的地址信息将请求位置映射到北京市海淀区西北旺路的待服务街道中,可以将映射有服务请求的待服务街道作为待服务任务边。
在本发明实施例中,根据服务请求确定待服务任务边,还可以包括:提取所述服务请求的请求位置;根据所述请求位置将阈值距离内的所述服务请求进行连接以生成待服务任务边。
其中,阈值范围可以是将服务请求进行连接的最大距离,阈值范围内的服务请求可以根据请求位置依次连接成一条边。
具体的,可以定期获取服务请求,可以提取服务请求中需要进行服务的请求位置,请求位置可以是快递的收货位置信息或者送货位置信息,请求位置信息的具体形式可以是经纬度数据,还可以是地址信息,在获取到各服务请求的请求位置后,可以根据请求位置连接阈值范围内的各服务请求生成待服务任务边,可以理解的是,可以基于阈值范围将各服务请求根据请求位置进行分类,然后可以将各分类内的服务请求进行顺序连接生成待服务任务边。
步骤203、根据所述待服务任务边的距离信息生成结构矩阵。
其中,距离信息可以是各待服务任务边之间的距离信息,例如可以是待服务任务边A到待服务任务边B之间的距离,由于待服务任务边是实际的街道,并不是位置点,因此待服务任务边A到待服务任务边B之间的距离可以由两条待服务任务边的四个端点a1、a2、b1和b2的距离确定,计算公式可以为其中dc(x,y)表示x与y之间的距离,结构矩阵可以是存储有各待服务任务边之间距离信息的矩阵,结构矩阵中的元素分别代表对应该元素位置的两个待服务边之间的距离信息,例如结构矩阵中元素a23可以是第二个待服务任务边和第三个待服务任务边之间的距离信息。
具体的,可以将待服务任务边按照出现顺序两两计算各待服务任务边之间的距离,距离的计算方法可以为计算各待服务任务边端点之间的距离,可以将计算得到的距离以矩阵的形式进行存储以生成结构矩阵,可以理解的是,计算各待服务任务边之间距离的方式不仅限于计算端点之间的距离,还可在各待服务任务边中随机选取固定的位置点,分别计算各位置点间的距离。
步骤204、根据所述待服务任务边的属性信息生成特征矩阵。
其中,属性信息可以是用于表征待服务任务边属性的信息,例如,可以是在无人快递车在待服务任务边的行驶时间、待服务任务边的路况参数、无人快递车在待服务任务边的油耗、待服务任务边上的装卸货物的时间、待服务任务边上的任务量和待服务任务边上无人快递车的当前容量等属性信息,特征矩阵可以是存储有各待服务任务边的属性信息的矩阵,特征矩阵中行或列对应于一待服务任务边。
具体的,可以依次获取待服务任务边的无人快递车在待服务任务边的行驶时间、待服务任务边的路况参数、无人快递车在待服务任务边的油耗、待服务任务边上的装卸货物的时间、待服务任务边上的任务量和待服务任务边上无人快递车的当前容量等属性信息,可以将上述信息按照顺序对应存储到特征矩阵中,例如,对于待服务任务边e1,特征矩阵中待服务任务边e1的参数可以表示为其中,u1(e1)、u2(e1)分别表示边e1的两个端点,如果端点为仓库,则f(u)=1,否则f(u)=0,v0为仓库,dc(u,v0)可以是待服务任务边到仓库的距离,d(e1)可以是待服务任务边的任务量,可以是待服务任务边e1的任务量占所有待服务任务边任务量的比率,Q可以是无人快递车的总容量。
步骤205、将所述结构矩阵和特征矩阵输入到预设的图卷神经网络以生成任务矩阵。
其中,图卷积神经网络可以是将结构矩阵和特征矩阵生成对应各待服务任务边嵌入向量的神经网络,进一步的,图卷积神经网络可以包括三个卷积层,第K个卷积层的计算过程为HK=σK(CHK-1WK),其中,HK为第K个卷积层的输出,WK为第K个卷积层的参数,当K=1时,H1可以为特征矩阵。
具体的,可以预先生成具有三个卷积层的图卷积神经网络,将结构矩阵和特征矩阵作图卷神经网络的输入,可以将输出对应各待服务任务边的嵌入向量合并作为任务矩阵,其中,嵌入向量可以是将对应待服务任务边信息和与其他待服务任务边的关系信息压缩生成的向量。
步骤206、将所述任务矩阵中各任务向量输入到路径规划模型的序列确定单元中,顺序排列所述序列确定单元的输出结果,形成任务序列,其中,每个任务向量对应一个待服务任务边。
其中,序列确定单元可以是用于生成待服务任务边服务顺序序列的神经网络,具体可以是循环神经网络,序列确定单元的可以具有两个隐含层,可以基于输入的任务矩阵确定对应各待服务任务边的服务顺序,输出结果可以是待服务任务边的服务顺序,任务序列可以是按照服务顺序进行排序的待服务任务边,例如,待服务任务边可以为A、B、C和D,任务序列可以为B、C、A、D。
具体的,可以将任务矩阵的各任务向量输入到路径规划模型的序列确定单元中,各任务向量分别与各待服务任务边对应,可以将序列确定单元的输出结果按照输出顺序进行排列以生成任务序列,无人快递车可以根据任务序列中的待服务任务边的顺序依次进行服务。
步骤207、将所述任务序列输入到路径规划模型的方向确定单元中,获取所述方向确定单元输出的方向序列。
其中,方向确定单元可以是确定待服务任务边服务方向的神经网络,由于待服务任务边实际为一条街道道路,待服务任务边的访问方向,如从待服务任务边的第一端点到第二端点的访问方向和从待服务任务边的第二端点到第一端点的访问方向会给路径规划带来不同的影响,可以通过方向确定单元确定待服务任务边的访问方向,方向确定单元具体可以包括两个隐含层,每步上输出一个二维的概率向量来表示待服务任务边两个方向上对应的概率,并选择概率最大的方向作为对应待服务任务边的方向;方向序列可以是表征各待服务任务边访问方向的集合,方向序列中,可以用0表示从待服务任务边第一端点到第二端点的访问顺序,可以用1表示从待服务任务边第二端点到第一端点的访问顺序。
具体的,可以将任务序列输入到路径规划模型的方向确定单元中,由方向确定单元确任务序列中各待服务任务边的访问方向,分别计算待服务边在各访问方向上的概率,可以选择概率最大的访问方向作为对应待服务任务边的访问方向,若任务序列中为(B,C,D,A),那么通过方向确定单元确定的方向序列可以为(1,0,1,0),方向序列中的访问方向分别对应任务序列中待服务任务边。
步骤208、将所述任务序列和所述方向序列合并生成规划路径。
其中,规划路径可以时无人快递车在服务各待服务任务边的路线,可以根据任务序列和方向序列生成。
具体的,可以根据任务序列和方向序列确定无人快递车的服务待服务任务边的顺序和访问方向,根据顺序和方向将待服务任务边进行连接,可以将连接生成的路线作为规划路径,进一步的,各待服务任务边之间路线的确定方法可以使用传统的迪杰斯特拉算法得到。
本发明实施例的技术方案,通过提取服务请求中的请求位置,根据请求位置将服务请求映射到对应待服务街道,将待服务街道作为待服务任务边,根据待服务任务边的距离信息生成结构矩阵,根据待服务任务边的属性信息生成特征矩阵,将结构矩阵和特征矩阵输入到预设图卷积神经网络生成任务矩阵,将任务矩阵中任务向量输入路径规划模型的序列确定单元,顺序排列输出结果生成任务序列,将任务序列输入到方向确定单元,获取到方向序列,基于任务序列和方向序列生成规划路径,任务边成为提供服务的最小单元,提高了任务规划效率,降低了路径规划的计算开销,有效提高了无人快递车的运送效率,可降低运送服务的成本。
在上述实施例的基础上,序列确定单元通过下述方式确定输出结果:
基于设定概率计算公式确定任务矩阵中的各任务向量的概率分布值;确定最大概率分布值对应的目标任务边;如果所述目标任务边的任务量小于负荷阈值,则将所述目标任务边作为输出结果,并获得屏蔽掉所述目标任务边所对应任务向量后的任务矩阵返回执行概率分布的计算操作,直至各任务向量均被屏蔽;否则,获得屏蔽掉所述目标任务边所对应任务向量后的任务矩阵返回执行概率分布的计算操作,直至各任务向量均被屏蔽。
其中,设定概率计算公式可以是各待服务任务边对应任务向量概率分布值的公式,概率分布值可以是无人快递车访问对应待服务任务边的的概率,可以根据概率计算公式计算得到,目标任务边可以是从待服务任务边根据概率分布值确定出的任务边,任务量可以是目标任务边上需要提供服务的数量,例如可以是快递的重量或者容量,符合阈值可以是无人快递车最大的装载重量或者容量,屏蔽可以是用于表征序列确定单元在确定目标任务边时不进行考虑的操作,可以包括将目标任务边对应的任务向量从任务矩阵中去除。
具体的,可以先对任务向量进行编码操作生成的编码矩阵,可以基于编码生成上下文状态,由编码矩阵、上下文状态和设定概率计算公式确定对应的概率分布值,可以将其中概率分布值最大的待服务任务边作为目标任务边,可以获取与目标任务边关联存储的任务量,将任务量与负荷阈值进行比较,若小于负荷阈值,则将目标任务边作为结果输出,并对目标任务边进行屏蔽操作,返回执行概率分布的计算操作,直到各任务向量对应的待服务任务边均被屏蔽,若不小于负荷阈值,则可以将目标任务边进行屏蔽操作,返回执行概率分布的计算操作,概率分布的计算操作过程如下:
首先对任务向量进行编码操作生成编码矩阵Xt和eht,例如,任务矩阵是待服务任务边的动态特征,Dt中第1列表示当前无人快递车辆的剩余容量(每一行都相同,初始值为1,也即是100%),第2列表示当前任务边的任务量(均小于1,0表示不需要再被服务,实际是需要占用无人快递车容量的比例)。D1为根据待服务任务边信息初始化。Dt>1的取值都是根据序列确定单元的输出进行调整得到的,如序列确定单元输出为1,则表示待服务任务边e1不需要再被服务,第1列所有值减去待服务任务边任务量d(e1),第2列第2行变为0;如序列确定单元输出为0,则表示返回了车库,第一列所有值重置为1。第2列全部为0时,编码结束,
at=softmax(at)∈(0-1)T+1
probt=softmax(probt)∈(0-1)T+1
在上述实施例的基础上,方向确定单元通过执行下述方式输出方向序列:
针对所输入任务序列中的每条目标任务边,确定所述目标任务边在各设定走向的概率值;将最大概率值对应的设定走向作为所述目标任务边的方向结果;按照方向序列的顺序排列相应的方向结果,形成所述任务序列的方向序列并输出。
其中,设定走向可以是待服务任务边从第一端点走向第二端点的方向和从第二端点走向第一端点的方向,概率值可以是各待服务任务边各设定走向的可能概率,可以由方向确定单元基于任务序列、各待服务任务边的任务量和负荷阈值计算得到。
具体的,可以基于任务序列中的目标任务边对应的任务向量再根据以下公式
计算得到对应各目标任务向量在各设定走向的概率值,可以将最大概率值对应的设定走向作为目标任务边的方向结果,可以用1或者0表示,例如可以用0表示从待服务任务边第一端点到第二端点的设定走向,可以用1表示从待服务任务边第二端点到第一端点的设定走向,可以按照任务虚了顺序排序方向结果形成方向序列并输出。
在上述实施例的基础上,将所述任务序列和所述方向序列合并生成规划路径,包括:依次从所述任务序列和方向序列中分别提取目标任务边及相应的方向结果;按照各方向结果对相应的目标服务边进行方向标记;按顺序连接方向标记后的各目标服务边生成规划路径。
其中,方向标记可以是在目标服务边对应的地图信息中进行标记,规划路径可以是无人快递车为待服务任务边提供服务的路线。
具体的,可以按照任务序列和方向序列的排列顺序,依次从序列中获取目标任务边和方向结果,可以根据方向结果在目标服务边对应的地图信息中进行标记,说明无人快递车提供服务的走向,然后可以按照顺序将进行标记后的目标任务边进行连接,可以基于连接后的目标任务边生成规划路径,可以理解的是,连接各目标任务边的方式可以包括迪杰斯特拉算法和插点法等。
示例性的,图4是本发明实施例二提供的一种路径规划方法的实例图,参见图4,本发明实施例步骤1可以将待服务任务边转化为顶点生成待服务图,步骤2可以基于待服务图生成结构矩阵C和特征矩阵F,步骤3可以将结构矩阵C和特征矩阵F经过三层的图卷神经网络21生成任务矩阵步骤4可以将任务矩阵基于循环神经网络的序列确定单元22生成任务序列π,其中,图4中示出的循环神经网络结构为时序结构,每时刻仅输出一个输出结果,任务序列π中的元素并不是同时输出,步骤5可以将任务序列π输入到双向循环神经网络的方向确定单元23获取到方向序列di,步骤6可以将任务序列π和方向序列di生成相应的路径规划解决方案。
可以理解的是,上述实例中具体实现步骤中的3、4和5的方式可以是每个步骤都由单独的神经网络模型执行,也可以由一个神经网络模型执行,该模型可以具备实现步骤3、4和5功能。
实施例三
图5是本发明实施例三提供的一种路径规划装置的结构示意图,参见图5本发明实施例提供的路径规划装置,可执行本发明任意实施例所提供的路径规划方法,具备执行方法相应的功能模块和有益效果。该装置可以由软件/或硬件实现,具体包括:任务边确定模块301、矩阵确定模块302和路径生成模块303。
其中,任务边确定模块301,用于根据服务请求确定待服务任务边。
矩阵确定模块302,用于基于所述待服务任务边确定任务矩阵。
路径生成模块303,用于根据所述任务矩阵和预设的路径规划模型确定规划路径。
本发明实施例的技术方案,通过任务边确定模块根据服务请求确定待服务任务边,矩阵确定模块基于待服务任务边确定任务矩阵,路径生成模块基于任务矩阵和预设的路径规划模型确定规划路径,使得任务边成为进行服务的最小单元,可以使得无人快递车以任务边的形式进行服务,提高了路径规划的效率,可减少计算开销,可提升无人快递车的运送效率。
在上述发明实施例的基础上,任务边确定模块包括:
提取单元,用于提取所述服务请求中请求位置。
生成单元,用于根据所述请求位置将服务请求映射到对应待服务街道,将所述待服务街道作为待服务任务边。
在上述发明实施例的基础上,矩阵确定模块包括:
结构矩阵生成单元,用于根据所述待服务任务边的距离信息生成结构矩阵。
特征矩阵生成单元,用于根据所述待服务任务边的属性信息生成特征矩阵。
任务矩阵生成单元,用于将所述结构矩阵和特征矩阵输入到预设的图卷神经网络以生成任务矩阵。
在上述发明实施例的基础上,路径生成模块,包括:
任务生成单元,用于将所述任务矩阵中各任务向量输入到路径规划模型的序列确定单元中,顺序排列所述序列确定单元的输出结果,形成任务序列,其中,每个任务向量对应一个待服务任务边。
方向生成单元,用于将所述任务序列输入到路径规划模型的方向确定单元中,获取所述方向确定单元输出的方向序列。
规划路径生成单元,用于将所述任务序列和所述方向序列合并生成规划路径。
在上述发明实施例的基础上,序列确定单元,具体用于:
基于设定概率计算公式确定任务矩阵中的各任务向量的概率分布值;确定最大概率分布值对应的目标任务边;如果所述目标任务边的任务量小于负荷阈值,则将所述目标任务边作为输出结果,并获得屏蔽掉所述目标任务边所对应任务向量后的任务矩阵返回执行概率分布的计算操作,直至各任务向量均被屏蔽;否则,获得屏蔽掉所述目标任务边所对应任务向量后的任务矩阵返回执行概率分布的计算操作,直至各任务向量均被屏蔽。
在上述发明实施例的基础上,方向确定单元,具体用于:
针对所输入任务序列中的每条目标任务边,确定所述目标任务边在各设定走向的概率值;将最大概率值对应的设定走向作为所述目标任务边的方向结果;按照方向序列的顺序排列相应的方向结果,形成所述任务序列的方向序列并输出。
在上述实施例的基础上,规划路径生成单元,包括:
参数获取子单元,用于依次从所述任务序列和方向序列中分别提取目标任务边及相应的方向结果。
标记子单元,用于按照各方向结果对相应的目标服务边进行方向标记。
连接子单元,用于按顺序连接方向标记后的各目标服务边生成规划路径。
在上述实施例的基础上,任务边确定模块,还包括:
第二提取单元,用于提取所述服务请求的请求位置。
第二生成单元,用于根据所述请求位置将阈值距离内的所述服务请求进行连接以生成待服务任务边。
实施例四
图6是本发明实施例四提供的一种设备的结构示意图,如图6所示,该设备包括处理器40、存储器41、输入装置42和输出装置43;设备中处理器40的数量可以是一个或多个,图6中以一个处理器40为例;设备中的处理器40、存储器41、输入装置42和输出装置43可以通过总线或其他方式连接,图6中以通过总线连接为例。
存储器41作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的路径规划方法对应的程序模块(例如,路径规划装置中的任务边确定模块301、矩阵确定模块302和路径生成模块303)。处理器40通过运行存储在存储器41中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述的路径规划方法。
存储器41可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器41可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器41可进一步包括相对于处理器40远程设置的存储器,这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置72可用于接收输入的数字或字符信息,以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置73可包括显示屏等显示设备。
实施例五
本发明实施例五还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种路径规划方法,该方法包括:
根据服务请求确定待服务任务边;
基于所述待服务任务边确定任务矩阵;
根据所述任务矩阵和预设的路径规划模型确定规划路径。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的路径规划方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。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可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,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的方法。
值得注意的是,上述路径规划装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (9)
1.一种路径规划方法,其特征在于,包括:
根据服务请求确定待服务任务边;
基于所述待服务任务边确定任务矩阵;
根据所述任务矩阵和预设的路径规划模型确定规划路径,包括:将所述任务矩阵中各任务向量输入到路径规划模型的序列确定单元中,顺序排列所述序列确定单元的输出结果,形成任务序列,每个任务向量对应一个待服务任务边;将所述任务序列输入到路径规划模型的方向确定单元中,获取所述方向确定单元输出的方向序列;将所述任务序列和所述方向序列合并生成规划路径;
其中,所述序列确定单元通过下述方式确定输出结果:基于设定概率计算公式确定任务矩阵中的各任务向量的概率分布值;确定最大概率分布值对应的目标任务边;如果所述目标任务边的任务量小于负荷阈值,则将所述目标任务边作为输出结果,并获得屏蔽掉所述目标任务边所对应任务向量后的任务矩阵返回执行概率分布的计算操作,直至各任务向量均被屏蔽;否则,获得屏蔽掉所述目标任务边所对应任务向量后的任务矩阵返回执行概率分布的计算操作,直至各任务向量均被屏蔽。
2.根据权利要求1所述的方法,其特征在于,所述根据服务请求确定待服务任务边,包括:
提取所述服务请求中请求位置;
根据所述请求位置将服务请求映射到对应待服务街道,将所述待服务街道作为待服务任务边。
3.根据权利要求1所述的方法,其特征在于,所述基于所述待服务任务边确定任务矩阵,包括:
根据所述待服务任务边的距离信息生成结构矩阵;
根据所述待服务任务边的属性信息生成特征矩阵;
将所述结构矩阵和特征矩阵输入到预设的图卷积神经网络以生成任务矩阵。
4.根据权利要求1所述的方法,其特征在于,所述方向确定单元通过执行下述方式输出方向序列:
针对所输入任务序列中的每条目标任务边,确定所述目标任务边在各设定走向的概率值;
将最大概率值对应的设定走向作为所述目标任务边的方向结果;
按照方向序列的顺序排列相应的方向结果,形成所述任务序列的方向序列并输出。
5.根据权利要求4所述的方法,其特征在于,所述将所述任务序列和所述方向序列合并生成规划路径,包括:
依次从所述任务序列和方向序列中分别提取目标任务边及相应的方向结果;
按照各方向结果对相应的目标服务边进行方向标记;
按顺序连接方向标记后的各目标服务边生成规划路径。
6.根据权利要求1所述的方法,其特征在于,所述根据服务请求确定待服务任务边,还包括:
提取所述服务请求的请求位置;
根据所述请求位置将阈值距离内的所述服务请求进行连接以生成待服务任务边。
7.一种路径规划装置,其特征在于,包括:
任务边确定模块,用于根据服务请求确定待服务任务边;
矩阵确定模块,用于基于所述待服务任务边确定任务矩阵;
路径生成模块,用于根据所述任务矩阵和预设的路径规划模型确定规划路径,所述路径生成模块具体用于:将所述任务矩阵中各任务向量输入到路径规划模型的序列确定单元中,顺序排列所述序列确定单元的输出结果,形成任务序列,每个任务向量对应一个待服务任务边;将所述任务序列输入到路径规划模型的方向确定单元中,获取所述方向确定单元输出的方向序列;将所述任务序列和所述方向序列合并生成规划路径;其中,所述序列确定单元通过下述方式确定输出结果:基于设定概率计算公式确定任务矩阵中的各任务向量的概率分布值;确定最大概率分布值对应的目标任务边;如果所述目标任务边的任务量小于负荷阈值,则将所述目标任务边作为输出结果,并获得屏蔽掉所述目标任务边所对应任务向量后的任务矩阵返回执行概率分布的计算操作,直至各任务向量均被屏蔽;否则,获得屏蔽掉所述目标任务边所对应任务向量后的任务矩阵返回执行概率分布的计算操作,直至各任务向量均被屏蔽。
8.一种计算机设备,其特征在于,所述计算机设备包括:
一个或多个处理器;
存储器,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1-6中任一所述的路径规划方法。
9.一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,该程序被处理器执行时实现如权利要求1-6中任一所述的路径规划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910482413.0A CN110146102B (zh) | 2019-06-04 | 2019-06-04 | 路径规划方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910482413.0A CN110146102B (zh) | 2019-06-04 | 2019-06-04 | 路径规划方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110146102A CN110146102A (zh) | 2019-08-20 |
CN110146102B true CN110146102B (zh) | 2021-06-15 |
Family
ID=67590536
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910482413.0A Active CN110146102B (zh) | 2019-06-04 | 2019-06-04 | 路径规划方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110146102B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111325505B (zh) * | 2020-02-14 | 2023-07-18 | 北京百度网讯科技有限公司 | 一种网点处理方法、装置及电子设备 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104331746B (zh) * | 2014-10-20 | 2018-12-14 | 江苏大学 | 一种分离式的动态路径优化***及其方法 |
CN107101645B (zh) * | 2017-05-05 | 2019-10-01 | 中国联合网络通信集团有限公司 | 一种路径规划方法及路径规划装置 |
CN109145160A (zh) * | 2017-06-28 | 2019-01-04 | 华东师范大学 | 概率图中选取关键边和优化关键边的方法及存储介质 |
CN107560631B (zh) * | 2017-08-30 | 2020-02-14 | 国网智能科技股份有限公司 | 一种路径规划方法、装置和巡检机器人 |
US10551202B2 (en) * | 2017-09-11 | 2020-02-04 | Fuji Xerox Co., Ltd. | Generating itinerary destinations and recommendations from scanned content |
CN109816246A (zh) * | 2019-01-28 | 2019-05-28 | 江苏大地物流有限责任公司 | 基于gis和智能算法的物流调度*** |
-
2019
- 2019-06-04 CN CN201910482413.0A patent/CN110146102B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110146102A (zh) | 2019-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3479306B1 (en) | Method and system for estimating time of arrival | |
CN111476588B (zh) | 订单需求预测方法、装置、电子设备及可读存储介质 | |
AU2016102423A4 (en) | System and method for determining vehicle load status | |
WO2020176381A1 (en) | Joint order dispatching and fleet management for online ride-sharing platforms | |
JP2019507316A (ja) | 推定到着時間を助言するためのシステムおよび方法 | |
CN110321443B (zh) | 三维实景模型数据库构建方法、装置及数据服务*** | |
CN104599002B (zh) | 预测订单价值的方法及设备 | |
CN111784018A (zh) | 一种资源调度方法、装置、电子设备及存储介质 | |
CN109716383A (zh) | 利用机器学习技术进行价格预估的***和方法 | |
CN111126799A (zh) | 基于二分图的共享网络司乘匹配方法 | |
CN111861178A (zh) | 服务匹配模型的训练方法、服务匹配方法、设备及介质 | |
Tang et al. | The data and science behind grabshare carpooling | |
CN110146102B (zh) | 路径规划方法、装置、设备和存储介质 | |
WO2023000261A1 (zh) | 一种区域交通的预测方法以及设备 | |
CN111105076A (zh) | 天气预报数据的生成方法、装置、计算机设备和存储介质 | |
CN114548572A (zh) | 城市路网交通状态的预测方法、装置、设备及介质 | |
CN112287503B (zh) | 用于交通需求预测的动态空间网络构建方法 | |
CN113932796A (zh) | 高精地图车道线生成方法、装置和电子设备 | |
CN111489214A (zh) | 订单分配方法、条件设置方法、装置及电子设备 | |
CN111047107B (zh) | 公路通行时间预测方法、装置、电子设备和存储介质 | |
CN116151600B (zh) | 共享车辆的维护方法、装置、计算机设备和存储介质 | |
CN117079148A (zh) | 城市功能区的识别方法、装置、设备和介质 | |
CN113625770B (zh) | 基于飞行无人机对光伏电站进行巡检的自主导航规划方法及装置 | |
CN114332509B (zh) | 图像处理方法、模型训练方法、电子设备及自动驾驶车辆 | |
CN115456238A (zh) | 一种基于动态多视图耦合图卷积的城市出行需求预测方法 |
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 | ||
CB03 | Change of inventor or designer information |
Inventor after: Yang Peng Inventor after: Li Guiying Inventor after: Tang Ke Inventor before: Li Guiying Inventor before: Yang Peng Inventor before: Tang Ke |
|
CB03 | Change of inventor or designer information |