CN111896021A - 一种无信号道路智能导航方法 - Google Patents

Abstract

本发明公开了一种无信号道路智能导航方法，包括实时监测导航路线上是否存在信号传输不佳的道路，若存在则在进入前截取所述道路的线路图，并获取所述线路图所代表的实际距离值；建立特征层拓扑结构，并依据所述实际距离值模型化所述线路图；统计并标定所述线路图上的岔路节点；实时监测车辆在进入所述道路后行进的距离，结合所述实际距离值换算出所述车辆于所述线路图虚拟模型中的实时位置；当所述车辆到达所述岔路节点时给予导航提示，本发明给出在进入无信号道路前以及道路中导航的方法，同时给出了驾驶员在无信号道路中错过原定岔口时的路线选择方案。

Description

一种无信号道路智能导航方法

技术领域

本发明涉及人工智能的技术领域，尤其涉及一种无信号道路智能导航方法。

背景技术

近年来，导航的兴起极大地方便了人们的通行。目前，随着智能科技的不断发展，导航的应用也是越来越完善。

现有市场上的导航定位***一般配置的是GPS，受到GPS定位***自身的局限性，当车辆在通过隧道等较长距离的无信号道路时无法定位车辆的具***置，导致驾驶员在需要进行道路选择时无法得到提示，从而偏离路线。考虑到我国的北斗定位虽然在信号度和精确度方面是优于GPS的，但现实使用确实也还未普及，同样也无法保证北斗定位***在长时间无信号道路上的定位流畅性；同时，现有导航***中配置的离线导航类的技术精确度存在较大偏差，也不利于实际使用。故此，基于现有智能化技术的发展，寻求一种无信号道路智能导航方法具有较长的现实意义和市场效益。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有导航定位***存在的问题，提出了本发明。

因此，本发明解决的技术问题是：解决现有导航定位***在车辆通过隧道等较长距离的无信号道路时无法定位车辆的具***置，导致车辆在需要进行道路选择时无法定位，从而偏离路线的问题。

为解决上述技术问题，本发明提供如下技术方案：一种无信号道路智能导航方法，包括实时监测导航路线上是否存在信号传输不佳的道路，若存在则在进入前截取所述道路的线路图，并获取所述线路图所代表的实际距离值；建立特征层拓扑结构，并依据所述实际距离值模型化所述线路图；统计并标定所述线路图上的岔路节点；实时监测车辆在进入所述道路后行进的距离，结合所述实际距离值换算出所述车辆于所述线路图虚拟模型中的实时位置；当所述车辆到达所述岔路节点时给予导航提示。

作为本发明所述的无信号道路智能导航方法的一种优选方案，其中：截取所述线路图实施所述方法前包括，实时获取所述车辆的速度v、瞬时加速度a以及所述车辆距离所述道路的实际距离S＇；当依据公式获取出运行距离值S首次与所述实际距离S＇的差值处于阈值以内，则开始运行所述方法；

其中，

式中，S表示运行距离值；a表示所述车辆的瞬时加速度；v表示所述车辆的速度。

作为本发明所述的无信号道路智能导航方法的一种优选方案，其中：所述阈值为a²。

作为本发明所述的无信号道路智能导航方法的一种优选方案，其中：还包括当所述车辆在所述道路中未按原定导航提示错过所述岔路节点时，重新获取至目的地的最优路线；并获取所述最优路线在无信号阶段所代表的相应路线图及其实际距离；建立特征层拓扑结构，并依据所述实际距离值模型化所述线路图；统计并标定所述线路图上的岔路节点；实时监测所述车辆在进入所述道路后行进的距离，结合所述实际距离值换算出所述车辆于所述线路图虚拟模型中的实时位置；当所述车辆到达所述岔路节点时给予导航提示。

作为本发明所述的无信号道路智能导航方法的一种优选方案，其中：重新获取至目的地的所述最优路线包括，依据导航的整体路线统计所述道路中剩余的全部所述岔路节点及各自对应的出口位置，并列举出所述道路内的剩余各子路线；结合所述导航的整体路线获取所述不同出口至所述目的地的路线；获取不同出口至所述目的地路线与原定路线的重合度θ以及第一次重合位置距离各自出口的距离P；获取不同出口与所述道路原定路线出口的距离P＇；建立优化训练模型，输入上述相应参数进行优化训练，获取输出的修正参数比值δ；选取所述修正参数比值δ最少的线路作为最优备选路线。

作为本发明所述的无信号道路智能导航方法的一种优选方案，其中：建立的所述优化训练模型为，

δ(P，P′，θ)＝logθ(x)logp(x)min(p·p′)max(θ)

其中，δ为所述修正参数比值，θ为不同出口至所述目的地路线与原定路线的重合度，P为第一次重合位置距离各自出口的距离，min为极小函数模型，max为极大函数模型。

作为本发明所述的无信号道路智能导航方法的一种优选方案，其中：所述优化训练模型根据以下公式进行优化训练，

式中，δ为所述修正参数比值，θ为不同出口至所述目的地路线与原定路线的重合度，P为第一次重合位置距离各自出口的距离，min为极小函数模型。

本发明的有益效果：通过本发明提供的无信号道路智能导航方法，给出在进入无信号道路前以及道路中导航的方法，较好的考虑了实际情况，同时给出了驾驶员在无信号道路中错过原定岔口时的路线选择方案，解决了现有导航定位***在车辆通过隧道等较长距离的无信号道路时无法定位车辆的具***置，导致车辆在需要进行道路选择时无法定位，从而偏离路线的问题。

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性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明提供的无信号道路智能导航方法的方法流程图；

图2为本发明提供的模型化线路图的拓扑结构。

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。

本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1

实际行车的过程中常出现类似于长距离隧道一类导航信号无法及时传输甚至无法传输的道路，当这些道路中出现岔口时驾驶员无法及时得到导航提示，导致出现路线偏差。考虑到我国的北斗定位虽然在信号度和精确度方面是优于GPS的，但现实使用确实也还未普及，同样也无法保证北斗定位***在长时间无信号道路上的定位流畅性；同时，现有导航***中配置的离线导航类的技术精确度存在较大偏差，也不利于实际使用。

故此，请参阅图1和图2，本发明提供一种无信号道路导航方法，包括：

实时监测导航路线上是否存在信号传输不佳的道路，若存在则在进入前截取道路的线路图，并获取线路图所代表的实际距离值；

建立特征层拓扑结构，并依据实际距离值模型化线路图；

统计并标定线路图上的岔路节点；

实时监测车辆在进入道路后行进的距离，结合实际距离值换算出车辆于线路图虚拟模型中的实时位置；

当车辆到达岔路节点时给予导航提示。

需要说明的是：

①运行本发明前开启行车导航***，导航***中会存在所选路线前方路况的概述，考虑到在实际行车的过程中可能会出现不断改变原定行车路线的情况，故此本发明采用实时监测导航路线上是否存在类似长距离隧道等信号传输不佳的道路。

②信号传输不佳的道路可以事先人为定义，比如将隧道、具体的偏远地带设置为敏感监测关键词，当出现此类道路时运行本发明方法；

额外需要补充的是：考虑到当驾驶车辆出现在陌生的无信号道路时，本发明方法可以智能补充所路过道路的信号情况并进行存储，当下次经过时提前进行方法的运行，减少运算量，提高智能性。

③考虑到目标线路图的获得现有一般通过下载线路图后辨别选择后进行拆分，此种方式运行量大，运算结果较长，故此，本发明创造性采用截取的方式进行线路图的获取，对比如下表1：

表1：线路图获取性能对比表

	单次获取线路图时间(s)	运行流畅度(％)
			现有技术	2.441	85.556
本发明	0.830	92.143

由上表1所示，在SimuWorks仿真环境中进行本发明和现有技术，选取单次获取线路图时间以及多次(优选20次，可最大限度在节约运算次数的基础上得出性能比对)运行流畅度进行对比，明显看出本发明在单次获取线路图的时间上明显优于现有技术，同时本发明的获取流畅度也高于现有技术。

具体的，截取道路的线路图具体的运行代码为：

from selenium import webdriver

driver＝webdriver.Chrome()

driver.get(′url′)

driver.get_screenshot_as_png()

driver.save_screenshot(′file_path′)

image＝Image.open(′截图.png′)

code＝pytesseract.image_to_string(image)

print(code)。

④如图2所示，建立特征层拓扑结构，并依据实际距离值模型化线路图。

采用三维建模技术对线路图进行虚拟建模，建立与物理世界孪生的数字世界。数字世界即对物理世界数字化，采用三维建模技术建立一个与线路图相一致的场景虚拟模型。

数字世界构建方式具体为：首先创建G I S(Geographic Information System，地理信息***)特征层；然后通过ArcGIS处理GIS特征层，通过ArcScene创建三维模型和拓扑结构，建立对应的数字世界。

⑤实际距离值可以通过导航中的原始纳入技术得出，而后实时监测车辆在进入道路后行进的距离，结合实际距离值换算出车辆于线路图虚拟模型中的实时位置，运算公式如下：

实时进行相应位置的获取，得出车辆在无信号道路上的实时位置。

进一步的，截取线路图实施方法前包括：

实时获取车辆的速度v、瞬时加速度a以及车辆距离道路的实际距离S＇；

当依据公式获取出运行距离值S首次与实际距离S＇的差值处于阈值以内，则开始运行方法；

其中，

式中，S表示运行距离值；a表示车辆的瞬时加速度；v表示车辆的速度。

为了减少***运行本方法的运算量以及提前给予反应时间，本发明提前截取置入线路图。考虑到运行距离值S受到车辆的速度v和瞬时加速度a的影响处于变量，且车辆距离道路的实际距离S＇处于不断变小的状态，当两变量处于首次差值在阈值以内时开始运行本方法。

由下表2所示，为采用本发明与不采取提前方式的反应状态对比表：

表2：采用本发明与不采取提前方式的反应状态对比表

由上表2所示，在SimuWorks仿真环境中进行本发明与不采取提前方式的反应状态对比。其中，采用本发明在进入道路后0.0014s方法前述步骤运行完毕，而不采用提前方式则需要2.983s才可运行完毕前述步骤。且当车辆以60km/h的速度匀速进入道路行驶，将第一个岔口分别放置于10m、20m、30m、40m进行多次仿真实验，考虑到驾驶员自身的影响，可以看出不采用提前方式的方法有较大的概率错过第一个岔口，而本发明则几乎不会错过岔口。

更进一步的，阈值为a²。

优选的，考虑到就算无信号道路有导航提示，还是会出现由于车速过快和注意力不集中等原因错过原定导航提示的路线，故此，还包括当车辆在道路中未按原定导航提示错过岔路节点时，

重新获取至目的地的最优路线；

并获取最优路线在无信号阶段所代表的相应路线图及其实际距离；

建立特征层拓扑结构，并依据实际距离值模型化线路图；

统计并标定线路图上的岔路节点；

实时监测车辆在进入道路后行进的距离，结合实际距离值换算出车辆于线路图虚拟模型中的实时位置；

当车辆到达岔路节点时给予导航提示。

进一步的，重新获取至目的地的最优路线包括：

依据导航的整体路线统计道路中剩余的全部岔路节点及各自对应的出口位置，并列举出道路内的剩余各子路线；

结合导航的整体路线获取不同出口至目的地的路线；

获取不同出口至目的地路线与原定路线的重合度θ以及第一次重合位置距离各自出口的距离P；

获取不同出口与道路原定路线出口的距离P＇；

建立优化训练模型，输入上述相应参数进行优化训练，获取输出的修正参数比值δ；

选取修正参数比值δ最少的线路作为最优备选路线。

不难理解的是，导航的整体路线能够提供无信号道路阶段的具体概况，统计出剩余的全部岔路节点及各自对应的出口位置，列举出剩余的不同子路线。又考虑到不同的道路出口至目的地有不同的路线选择，考虑到实际行驶中，驾驶员可能在原定路线上存在停留点，则尽可能将新路线与原定路线重合，提高重合度θ。

将重合度θ作为参考量纳入后，获取第一次重合位置距离各自出口的距离P以及不同出口与道路原定路线出口的距离P＇，通过优化训练模型进行优化训练，获取输出的修正参数比值δ，选取修正参数比值δ最少的线路作为最优备选路线，最大限度提高重合度。

其中，建立的优化训练模型为：

δ(P，P′，θ)＝logθ(x)logp(x)min(p·p′)max(θ)

其中，δ为修正参数比值，θ为不同出口至目的地路线与原定路线的重合度，P为第一次重合位置距离各自出口的距离，min为极小函数模型，max为极大函数模型。

更进一步的，优化训练模型根据以下公式进行优化训练：

式中，δ为修正参数比值，θ为不同出口至目的地路线与原定路线的重合度，P为第一次重合位置距离各自出口的距离，min为极小函数模型。

通过本发明提供的无信号道路智能导航方法，给出在进入无信号道路前以及道路中导航的方法，较好的考虑了实际情况，同时给出了驾驶员在无信号道路中错过原定岔口时的路线选择方案，解决了现有导航定位***在车辆通过隧道等较长距离的无信号道路时无法定位车辆的具***置，导致车辆在需要进行道路选择时无法定位，从而偏离路线的问题。

应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机***通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。

此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机***的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。

进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。

如在本申请所使用的，术语“组件”、“模块”、“***”等等旨在指代计算机相关实体，该计算机相关实体可以是硬件、固件、硬件和软件的结合、软件或者运行中的软件。例如，组件可以是，但不限于是：在处理器上运行的处理、处理器、对象、可执行文件、执行中的线程、程序和/或计算机。作为示例，在计算设备上运行的应用和该计算设备都可以是组件。一个或多个组件可以存在于执行中的过程和/或线程中，并且组件可以位于一个计算机中以及/或者分布在两个或更多个计算机之间。此外，这些组件能够从在其上具有各种数据结构的各种计算机可读介质中执行。这些组件可以通过诸如根据具有一个或多个数据分组(例如，来自一个组件的数据，该组件与本地***、分布式***中的另一个组件进行交互和/或以信号的方式通过诸如互联网之类的网络与其它***进行交互)的信号，以本地和/或远程过程的方式进行通信。

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 (7)

1.一种无信号道路智能导航方法，其特征在于：包括，

实时监测导航路线上是否存在信号传输不佳的道路，若存在则在进入前截取所述道路的线路图，并获取所述线路图所代表的实际距离值；

建立特征层拓扑结构，并依据所述实际距离值模型化所述线路图；

统计并标定所述线路图上的岔路节点；

实时监测车辆在进入所述道路后行进的距离，结合所述实际距离值换算出所述车辆于所述线路图虚拟模型中的实时位置；

当所述车辆到达所述岔路节点时给予导航提示。

2.根据权利要求1所述的无信号道路智能导航方法，其特征在于：截取所述线路图实施所述方法前包括，

实时获取所述车辆的速度v、瞬时加速度a以及所述车辆距离所述道路的实际距离S＇；

当依据公式获取出运行距离值S首次与所述实际距离S＇的差值处于阈值以内，则开始运行所述方法；

其中，

式中，S表示运行距离值；a表示所述车辆的瞬时加速度；v表示所述车辆的速度。

3.根据权利要求2所述的无信号道路智能导航方法，其特征在于：所述阈值为a²。

4.根据权利要求2或3所述的无信号道路智能导航方法，其特征在于：还包括当所述车辆在所述道路中未按原定导航提示错过所述岔路节点时，

重新获取至目的地的最优路线；

并获取所述最优路线在无信号阶段所代表的相应路线图及其实际距离；

建立特征层拓扑结构，并依据所述实际距离值模型化所述线路图；

统计并标定所述线路图上的岔路节点；

实时监测所述车辆在进入所述道路后行进的距离，结合所述实际距离值换算出所述车辆于所述线路图虚拟模型中的实时位置；

当所述车辆到达所述岔路节点时给予导航提示。

5.根据权利要求4所述的无信号道路智能导航方法，其特征在于：重新获取至目的地的所述最优路线包括，

依据导航的整体路线统计所述道路中剩余的全部所述岔路节点及各自对应的出口位置，并列举出所述道路内的剩余各子路线；

结合所述导航的整体路线获取所述不同出口至所述目的地的路线；

获取不同出口至所述目的地路线与原定路线的重合度θ以及第一次重合位置距离各自出口的距离P；

获取不同出口与所述道路原定路线出口的距离P＇；

建立优化训练模型，输入上述相应参数进行优化训练，获取输出的修正参数比值δ；

选取所述修正参数比值δ最少的线路作为最优备选路线。

6.根据权利要求5所述的无信号道路智能导航方法，其特征在于：建立的所述优化训练模型为，

δ(P，P′，θ)＝logθ(x)logp(x)min(p·p′)max(θ)

其中，δ为所述修正参数比值，θ为不同出口至所述目的地路线与原定路线的重合度，P为第一次重合位置距离各自出口的距离，min为极小函数模型，max为极大函数模型。

7.根据权利要求5或6所述的无信号道路智能导航方法，其特征在于：所述优化训练模型根据以下公式进行优化训练，

式中，δ为所述修正参数比值，θ为不同出口至所述目的地路线与原定路线的重合度，P为第一次重合位置距离各自出口的距离，min为极小函数模型。

Images