CN118583187B 基于分时规划与雷视融合的路径优化选择方法及系统 （南京智慧交通信息股份有限公司）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN118583187B(45)授权公告日2025.01.10

(21)申请号202411069766.5

(22)申请日2024.08.06

(65)同一申请的已公布的文献号申请公布号CN118583187A

(43)申请公布日2024.09.03

(73)专利权人南京智慧交通信息股份有限公司地址210037江苏省南京市玄武区中央路

258-8号7楼

(72)发明人张涛任飞陈鹏宇

(74)专利代理机构南京创略知识产权代理事务所(普通合伙)32358

专利代理师闫方圆

(51)Int.CI.

GO1C21/34(2006.01)

GO1S17/86(2020.01)

G06Q10/047(2023.01)

GO6N3/042(2023.01)

GO6N3/08(2023.01)

(56)对比文件

CN115981329A,2023.04.18

CN117824695A,2024.04.05

审查员赵孟丹

权利要求书3页说明书8页附图5页

(54)发明名称

基于分时规划与雷视融合的路径优化选择方法及系统

(57)摘要

CN118583187B本发明公开了基于分时规划与雷视融合的路径优化选择方法及系统，首先基于时空动态图模型TSDG进行分时路径规划并获得分时路径规划数据，接着利用图神经网络GNN根据实时交通状况变化动态调整分时路径规划数据并获得调整后分时路径规划数据；本发明实现了具有分时路径优化选择的功能，还具有对视觉数据与激光雷达数据进行融合处理的功能，也具有从执行路径优化和执行轨迹优化中进行快速精准选择并执行的功能，也还具有对优化结果进行实时监控调整的功能，不仅能适应不同的应用场景需求，

CN118583187B

用。

步骤

步骤A,基于时空动态图模型TSDG进行分时路径规

划，获得分时路径规划数据；

步骤B,利用图神经网络GNN根据实时交通状况变化

动态调整分时路径规划数据，获得调整后分时路径规

划数据；

步骤C,利用多感官融合学习框架MGLF对视觉数据

与激光雷达数据进行融合处理，获得处理后视觉与激

光雷达融合数据；

步骤D,根据调整后分时路径规划数据和处理后视觉

与激光雷达融合数据从执行路径优化和执行轨迹优化

中进行选择，获得优化结果；

步骤E,利用反馈机制对优化结果进行实时监控调

整，完成路径优化选择作业。

CN118583187B权利要求书1/3页

2

1.基于分时规划与雷视融合的路径优化选择方法，其特征在于：包括以下步骤，

步骤A,基于时空动态图模型TSDG进行分时路径规划，获得分时路径规划数据，具体步骤如下，

步骤A1,将每天24小时划分为多个时段，其中时段包括早高峰、晚高峰及夜间；

步骤A2,对每个时段基于历史数据和实时数据构建动态时空网格图；

步骤A3,基于动态时空网格图进行路径搜素，如公式(1)所示，

t(x)=g(x)+h(x)(1)

其中，t(x)表示从起点到终点通过节点x的总估计成本，g(x)表示从起点到当前点的实际成本，h(x)表示当前点到终点的估计成本；

步骤A4,根据图神经网络GNN构建交通流的长期变化模式并预测未来交通状况变化；

步骤A5,重新进入新的时段后基于新数据更新动态时空网格图并重新规划路径；

步骤B,利用图神经网络GNN根据实时交通状况变化动态调整分时路径规划数据，获得调整后分时路径规划数据，具体步骤如下，

步骤B1,构建图神经网络GNN模型，具体依据车辆内部安装的L4无人驾驶停车巡检模组检测到的交通流量、车速和事故报告数据构建图神经网络GNN模型，其中道路交叉点和路段分别表示为图神经网络GNN模型中的节点和边，再设定图神经网络GNN模型中的节点特征和边特征，节点特征包括平均车速和平均车流密度，边特征包括两节点间的行驶时间、距离及当前交通状态；

步骤B2,对图神经网络GNN模型中的节点特征和边特征进行节点更新，如公式(2)所示，

其中，h(+)表示下一层的节点特征，L①表示节点v在第1层的特征向量，w(1)和B(1)表示学习的权重和偏置参数，N(v)表示节点v的邻居节点集合，ReLU表示激活函数；

步骤B3,利用历史交通数据对图神经网络GNN模型进行训练，学习交通流的长期变化模